CN116596252A - 一种电动汽车集群多目标充电调度方法 - Google Patents
一种电动汽车集群多目标充电调度方法 Download PDFInfo
- Publication number
- CN116596252A CN116596252A CN202310598977.7A CN202310598977A CN116596252A CN 116596252 A CN116596252 A CN 116596252A CN 202310598977 A CN202310598977 A CN 202310598977A CN 116596252 A CN116596252 A CN 116596252A
- Authority
- CN
- China
- Prior art keywords
- charging
- period
- user
- charging station
- station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000005611 electricity Effects 0.000 claims abstract description 46
- 238000004146 energy storage Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 230000008901 benefit Effects 0.000 claims description 20
- 238000001556 precipitation Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 4
- 238000009472 formulation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种电动汽车集群多目标动态规划充电调度方法,该方法研究计及天气、交通等外部环境因素及充电站电价、排队等内部因素的电动汽车集群充电需求预测建模方法;结合计及各种因素的电动汽车充电需求,构建充电站收益函数与用户满意度函数两个目标函数,引入自适应加权和方法建立优化多目标函数;结合可再生能源与储能等电能调节手段,引入动态规划方法构建多目标优化调度模型并进行求解,得到电动汽车集群多目标充电调度的帕累托最优解,由此制定充电站最优电价以及能源规划策略,实现电动汽车集群的多目标优化充电调度。
Description
技术领域
本发明属于电动汽车技术领域,涉及电动汽车的充电调度,具体涉及一种电动汽车集群多目标充电调度方法。
背景技术
电动汽车充电调度优化,是协调电动汽车与充电站之间供需矛盾的重要手段,需要同时兼顾充电站的收益以及用户的满意度两方面因素。由于电动汽车在选择充电时刻和充电量时存在强随机性,以及充电站的无计划定价与其他不确定的环境因素,导致部分充电资源紧张和部分充电设施空闲的充电站出现了充电利用不平衡的状况。随着大规模电动汽车的接入,容易造成局部电网重载及过载,严重影响供电可靠性和充电满意度。在解决大规模电动汽车的多目标优化充电调度问题时,庞大计算量使得优化算法的复杂度上升,计算时会遇到“维数灾难”问题,造成算法求解效率下降,计算速度难以满足实际需求。
现有技术(CN 110322120 B)根据路况信息、当前车辆信息、历史行驶信息和附近充电站的信息,以电动车充电等待时间最短、运行时间最长为最大效益,为用户推荐适合的充电站位置与充电量。除了等待时间和地理因素以外,充电价格与气候环境因素也会对电动汽车的充电需求造成影响,对于不同程度降雨造成的不确定交通环境变化带来的充电需求改变,现有技术尚未出现合理的预测方法。而随着可再生能源与储能技术的发展,充电站的售电收益组成发生了较大的改变,对电价的制定也提出了新要求。
综上所述,亟需制定相关充电调度优化策略、可再生能源与储能规划策略,实现用户充电满意度及充电站收益等多目标充电优化调度。
发明内容
针对现有技术的不足,本发明提出了一种电动汽车集群多目标充电调度方法,研究计及天气、交通等外部环境因素及充电站电价、排队等内部因素的电动汽车集群充电需求预测,结合可再生能源与储能等电能调节手段,引入动态规划方法构建多目标优化调度模型,制定充电站最优电价以及能源规划策略,实现电动汽车集群的多目标优化充电调度。
一种电动汽车集群多目标充电调度方法,具体包括以下步骤:
步骤1、建立电动汽车集群充电调度的多目标优化函数
s1.1、构建电动汽车充电站收益函数
充电站收益与售电收入、购电成本和储能成本相关,充电站内自建可再生能源及储能,充电站在t时段的收益效用函数OS,t为:
式中,pi,t为电站i在t时段的电价,di,t为电站i在t时段的充电需求总和,ot为t时段提供商的购电量,pM,t为t时段的市场电价,μS为单位储电成本,It为t时段初时存储的电量,ut为t时段的可再生能源获取量,M为充电站的数量,为所有充电站在t时段收到的充电需求总和:
s1.2、构建电动汽车用户满意度函数
使用电动汽车充电需求满足度作为用户满意度,当充电电量越趋向电动汽车电池容量最大值,认为用户满意度也趋向于最大,则t时段下用户满意度函数OU,t为:
式中,γt,1、γt,2为表示随时间变化的非负参数。
s1.3、电动汽车充电多目标函数综合
同时考虑电动汽车充电站收益以及用户充电满意度两个目标,建立电动汽车集群充电调度的多目标函数,采用自适应加权和方法进行电动汽车充电多目标综合:
式中λS、λU分别为电动汽车充电站收益、用户充电满意度对应的权重系数,且λS,λU∈[0,1]、λS+λU=1,OS,max、OU,max分别为OS,t、OU,t的最大值。
s1.4、构建约束条件
t时段的充电电动汽车数有限,因此t时段电量总需求应低于每时段充电总需求的上限/>
此外,由于每个充电站充电桩有限,每个充电站的充电量di,t不可超过电站充电能力上限Di:
0≤di,t≤Di (6)
Di由电站的可用充电桩数量ni和充电桩充电功率P决定:
Di=ni·P (7)
每个时段初储电设备的剩余电量应符合充电提供商所拥有的电量存储设备容量Imax:
0≤It≤Imax (8)
为避免充电价格制定波动过大而使对电动汽车用户的吸引能力下降进而降低充电站收益,因此所有充电站制定的电价pi,t应保持在充电价格最小值pmin和最大值pmax之间:
pmin≤pi,t≤pmax (9)
为了防止单个时段的大量购电而对电网造成冲击,每时段的购电量ot应低于购电量最大值omax:
0≤ot≤omax (10)
步骤2、计及内外部影响因素的电动汽车充电需求建模
s2.1、计及天气和充电站电价的充电量预测模型
容忍度函数包括当前充电站的充电价格与充电站之间的充电价差,用户容忍度函数cU为:
cU=-ε1·pi,t·x-ε2·Δpi,t·x (11)
式中,ε1、ε2为非负的加权参数,x为进行充电的单个用户充电量,Δpi,t为t时段充电站i与其他充电站的电价差值:
参考电动汽车用户满意度函数,建立单个用户的满意度函数sU:
式中γ1、γ2为非负参数,不同于电动汽车集群用户满意度的时变性,假设所有电动汽车的电池容量均为E,则该函数的参数为固定值。当满意度的增加速度低于容忍度降低速度时,认为单个用户得到最大充电效益:
求解上式得到单个用户t时段在充电站i的最佳充电量为:
s2.2、计及天气和排队影响的充电站选择模型
根据用户对各个充电站的评分,建立用户对充电站的选择模型,以表示各个充电站所接收到的充电需求。模型中每个用户必定参与充电,并从现有的M个充电站中选择其一。
定义充电站i附近的交通流畅度RT,i为:
式中vs为道路s上车辆的平均车速;vs,max为道路s的限速,Si为充电站i附近L条道路的集合。天气通过影响道路交通,进而间接对用户的充电选择产生影响。定义天气影响下的用户对充电站i的评分Si,t为:
Si,t=μW·RT,i (17)
其中,μW表示不同天气对驾驶速度的路阻系数。
采用启发式算法对充电站的评分Si,t进行优化处理,通过对电站评分的不断调整,来模拟用户选择电站时在不同队伍长度的充电站之间的决策过程,最终得到优化后的选择度,即优化后的评分使用/>计算电动汽车用户在t时段选择充电站i的概率,/>越大表示选择概率越大。此外,用户出行意愿与电动汽车充电总量呈正比,但是在不同降水情况下用户的出行意愿会有对应变化,使用用户出行意愿从侧面反映天气对电动汽车充电量的影响,定义降水对用户出行意愿的影响系数θW,即降水情况下的充电量应为无降水情况下充电量的θW倍,对应的t时段降水影响系数为θW,t。
因此,在t时段用户选择充电站i进行充电的概率Fi,t和充电量Xt分别为:
Xt=θW,t·Nt·x* (20)
式中Nt为t时段活跃充电用户总数。
结合用户充电量以及用户对充电站的选择,可以得到t时段充电站i的预测充电需求量di,t为:
di,t=Xt·Fi,t (21)
步骤3、基于动态规划方法的电动汽车集群充电调度建模
假设充电站在每个时段仅接受处理能力内的充电需求,且当前时段的充电需求不会延迟至下一个时段,因此认为受时段间影响的仅有电量储存量It一项。电量储存量It的状态转移方程为:
此外,当前时段的电量储存量仅与上一时段的决策变量相关,因此系统为无后效性系统,总目标函数为每个时段目标函数的求和。采用动态规划方法对每个时段的子优化问题进行关联,并给出总优化问题的目标函数,建立电动汽车集群的多目标动态规划充电调度模型:
对模型(23)进行求解计算,得到每个时段充电站的电价制定与能源规划策略。
本发明具有以下有益效果:
l、针对大规模电动汽车充电调度问题,提出一种多目标充电调度方法,弥补了传统电动汽车规划方法在面对大规模电动汽车时的不足,能够在高效计算大量电动汽车充电需求的前提下为充电站提供电价制定策略和能源规划方案。
2、计及外部因素的影响,综合考虑价格、天气以及地理位置对充电需求的影响,以电池容量和充电价格作为用户最大效益的影响因素,对电动汽车的充电调度策略进行优化,实现在降雨环境因素下通过充电站的电价调整以及能源管理,减少充电站收益受环境影响程度,并保证用户满意度和充电站收益等多目标的实现。
附图说明
图1为电动汽车集群多目标充电调度系统框图。
图2为电动汽车集群多目标充电调度流程图。
图3为各电站各时段制定的电价以及市场电价示意图。
图4为各时段各电站的充电需求量以及各时段的总需求示意图。
图5为各时段的电量分配图示意图。
图6为对比有无降雨情况的充电站收益以及用户满意度曲线
具体实施方式
以下结合附图对本发明作进一步的解释说明;
一种电动汽车集群多目标动态规划充电调度方法,具体步骤如下:
步骤1、建立电动汽车集群充电调度的多目标优化函数
电动汽车充电集群的充电决策过程系统框图如图1所示。
充电站收益包括售电收入、购电成本和储能成本三个部分,充电站内自建可再生能源及储能,构建充电站在t时段的收益效用函数OS,t:
采用电动汽车充电需求满足度来衡量用户满意度,当充电电量越趋向电动汽车电池容量最大值,认为用户满意度也趋向于最大,t时段下用户满意度的效用函数OU,t为:
式中,γt,1、γt,2为非负参数,通过合理的取值,使得当时,0≤OU,t≤OU,max,并保证效用户满意度的用函数OU,t在电量需求的区间内为非减函数;对收益效用函数求二阶导后可以看到导数恒为负,可以得知在效用函数增加的过程中,增幅逐渐下降,根据边际递减效应理论,收益随着投入的增大而减少。为简化后续多目标优化的目标函数计算,本实施例假设满足时段总充电需求充电需求/>为/>时,满意度函数OU,t为最大值1。则γt,1、γt,2应为:
同时考虑电动汽车充电站收益以及用户充电满意度两个目标,建立电动汽车集群充电调度的的多目标函数,采用自适应加权和方法进行电动汽车充电多目标综合:
其中,权重λS、λU由充电站收益和用户满意度之间的联系得出,不同的权值大小决定了对不同方面的重视程度,权值系数越大表示对加权项的重视程度越高。在求解问题时,权重λS、λU的不同取值对应不同的帕累托最优解,所有权值对应的帕累托最优解集即为该问题的帕累托前沿。用户满意度最大值OU,max由满意度函数和定义可以得到应为1,而充电站收益最大值OS,max是在采用最优条件时对充电站收益进行单目标优化问题OS,opt求解得到的结果:
OS,max=max Os,opt
步骤2、考虑天气等外部因素的电动汽车充电需求建模
考虑交通天气等外部因素,对电动汽车充电的充电量决策以及用户对充电站选择的影响分别进行分析,具体步骤为:
s2.1、计及充电站电价和天气的充电量预测模型
容忍度函数包括本电站充电价格与各电站之间价差两部分,根据电动汽车充电站的定价,建立用户容忍函数cU:
cU=-ε1·pi,t·x-ε2·Δpi,t·x (29)
式中,ε1、ε2为非负的加权参数,xi,t为t时段在充电站i进行充电的某用户充电量,Δpi,t为t时段充电站i与剩余除充电站i以外充电站的电价差值:
单个用户的满意度函数oU,t为:
式中γ1、γ2为非负参数,不同于集群电动汽车用户满意度的时变性,本实施例假设电动汽车的电池容量均为E,则该函数的参数为固定值。
当满意度的增加速度低于容忍度降低速度时,即认为用户得到最大充电效益,即:
求解上式得到单个用户t时段在充电站i的最佳充电量为:
考虑到式(33)中参数互相独立,令式中η1=ε1/γ1,η2=ε2/γ1,且E=γ2/γ1,式(33)可以简化为:
x*=E-η1·pi,t-η2·Δpi,t (34)
式中E为假设中电动汽车平均储电容量;η1,η2为最优电动汽车最优充电量函数的加权参数,分别表示对本充电站定价和对充电站之间差价的重视程度;Δpi,t为t时段充电站i与剩余除i充电站以外充电站的电价差值。
分析天气对电动汽车充电量的影响,定义降水对用户出行意愿的影响系数θW,用户出行意愿与电动汽车充电总量呈正比,在不同降水情况下用户的出行意愿会有对应变化,可以采用用户出行意愿表示天气对电动汽车充电量的影响,即认为充电量应为无降水情况下充电量的θW倍,其中θW的取值通过分析不同天气情况下的车辆流量得到,对应得到时段t的降水影响系数θW,t。
s2.2、计及天气和排队影响的充电站选择模型
通过分析天气对交通的影响进而分析天气对用户对充电站选择的影响,进一步结合排队影响,构建用户对各充电站的评分机制。
如图2所示,采用改进的轮盘赌方法对某时段充电用户对电站的选择进行模拟,假设所有活跃用户于时段初较短时间内统一进行充电站的选择,即当其中一个充电站的选择人数超过充电桩数量时,则需要考虑排队的影响。具体计算步骤如下:
1)假设充电站数量为M,计算每个充电站i被选中的概率:
2)计算第N个(1≤N≤M)充电站的累积概率QN,t:
3)依据轮盘赌的思想,用生成0到l随机数,根据随机数落在充电站l到N的累积概率区间内来选取充电站。
4)若充电站i被选择的次数ci大于该充电站充电桩数量ni,则需要考虑排队带来的影响,应降低该充电站的选择度Si,t:
Si,t=Si,t-f(Nt) (37)
降低分数f(Nt)为:
5)当前总执行次数小于活跃用户数量Nt,则反复执行步骤1)-4)。
6)当执行次数达到活跃用户数量Nt时,输出评分Si,t,即为优化选择度
s2.3、t时段的充电需求
综合s2.1、s2.2,可以得到t时段的充电量应为:
Xt=θW,t·Nt·x* (39)
t时段用户选择充电站i进行充电的概率为:
本实施例中仅考虑活跃的电动汽车充电用户,即每个用户必定参与充电并从现有M个充电站中选择其一。因此用户对充电站的选择概率可用以表现充电需求分布。
进一步结合用户充电量以及用户对充电站的选择,可以得到t时段充电站i的充电需求预测量di,t为:
di,t=Xt·Fi,t (41)
由此即建立电动汽车充电需求与电价以及环境因素的关系式,将该关系式代入式(27)的目标函数,为整体充电优化问题提供基础。
步骤3、基于动态规划方法的电动汽车集群充电调度建模
电量储存量It的状态转移方程如下:
动态规划需要构建每个时段间状态量的联系,本实施例假设充电站在每个时段仅仅接受能处理限度下的充电需求,本时段的充电需求不会延迟至下时段,因此认为时段间产生影响的仅电量储存量It一项。
此外因为当前时段的电量储存量仅与上一时段的决策变量相关,因此本发明中采用的系统为无后效性系统。在求解无后效性系统的动态规划问题时,总目标函数为每个时段目标函数的求和。
建立动态规划问题如下:
步骤4、求解计算以及实例仿真
采用CPLEX商业求解器或其他求解工具对电动汽车集群充电的多目标动态规划问题式(43)进行求解计算,得到每个时段充电站的电价制定与购电策略。结合步骤一至三中的参数分析,选取具体变量及参数取值如下表所示。
此外,本实施例设置储能设备的单位储能成本为0.15元/kWh,储能设备的容量Imax为450kWh,时段购电量上限omax为600kWh,充电价格上下限pmin、pmax分别为1元、1.5元。
根据上述设定的数值,在用电和交通流量波动较大的10:00到22:00共13个小时内,进行模拟仿真,结果如图3至图6所示。
分析图3可以得到,充电站电价制定与时段电力批发市场的电价变化趋势相似,但是波动的幅度更小,更稳定的定价有利于保持用户充电意愿,也有助于使用户的充电量更稳定,减少购电量波动对电网造成负担。
图4为结合了交通与天气等不确定因素的每时段的充电需求,结合图中总需求的曲线与图3的每时段活跃充电用户可知,总需求的波动趋势与活跃充电用户数大致相似,但是在用户活跃数更高的17:00至20:00的充电总需求却低于相对活跃数更少的12:00,是因为降雨使充电需求产生了降低。三个充电站之间的充电需求的不同是由于三个站之间的交通条件以及电价的制定相关。
图5为三个充电站各时段总的电量分配,图中各颜色的区域表示不同类型电量的占比,其中各区域的宽度表示了电量的具体数值,x轴以上部分为储能设备向外输出的电量,x轴以下部分为向储能设备存入的电量。由图中可知充电需求是由太阳能发电、批发市场购电以及储能系统的储电共同满足,同时需要减去存入储能设备的电量。分析图中各项电能的分布可知,在每日用电的最高峰,即每日市场电价的最高点20:00时,充电需求的大部分由储能设备所储电能填补,从而降低了向批发市场的购电,此外结合图4,该时段充电站的电价相对较高,也使电动汽车的充电需求相对更加少,由此实现了在增加利益的同时避免了在用电高峰时大量购电而对电网造成冲击。最后得到图6,由各种降水情况下的充电站收益以及用户满意度,分析充电调度算法对降水情况下电动汽车充电的调节能力,降低降水对充电站收益的影响并保持用户充电满意度。
Claims (3)
1.一种电动汽车集群多目标充电调度方法,其特征在于:具体包括以下步骤:
步骤1、建立电动汽车集群充电调度的多目标优化函数
s1.1、构建电动汽车充电站收益函数
所述充电站内自建了可再生能源与储能设备,构建充电站在t时段的收益效用函数OS,t:
式中,pi,t为电站i在t时段的电价,di,t为电站i在t时段的充电需求总和,ot为t时段提供商的购电量,pM,t为t时段的市场电价,μS为单位储电成本,It为t时段初时存储的电量,ut为t时段的可再生能源获取量,M为充电站的数量,为所有充电站在t时段收到的充电需求总和:
s1.2、构建电动汽车用户满意度函数
假设充电电量越趋向电动汽车电池容量最大值,用户满意度也趋向于最大,构建t时段下用户满意度函数OU,t:
式中,γt,1、γt,2为表示随时间变化的非负参数;
s1.3、电动汽车充电多目标函数综合
同时考虑电动汽车充电站收益以及用户充电满意度两个目标,建立电动汽车集群充电调度的多目标函数:
式中λS、λU分别为电动汽车充电站收益、用户充电满意度对应的权重系数,且λS,λU∈[0,1]、λS+λU=1,OS,max、OU,max分别为OS,t、OU,t的最大值;
s1.4、构建约束条件
构建如下约束条件:
0≤di,t≤Di (6)
Di=ni·P (7)
0≤It≤Imax (8)
pmin≤pi,t≤pmax (9)
0≤ot≤omax (10)
其中,表示t时段充电总需求的上限,Di表示t时段充电站i充电能力上限,ni表示可用充电桩数量,P表示充电功率,Imax表示电量存储设备容量,pmin、pmax分别表示充电价格最小值与最大值,omax表示购电量的最大值;
步骤2、计及内外部影响因素的电动汽车充电需求建模
s2.1、计及天气和充电站电价的充电量预测模型
构建用户容忍度函数cU:
cU=-ε1·pi,t·x-ε2·Δpi,t·x (11)
式中,ε1、ε2为非负的加权参数,x为进行充电的单个用户充电量,Δpi,t为t时段充电站i与其他充电站的电价差值:
参考电动汽车用户满意度函数,建立单个用户的满意度函数sU:
式中γ1‘、γ2‘为非负参数;当满意度的增加速度低于容忍度降低速度时,认为单个用户得到最大充电效益:
求解上式得到单个用户t时段在充电站i的最佳充电量x*为:
s2.2、计及天气和排队影响的充电站选择模型
定义充电站i附近的交通流畅度RT,i为:
式中vs为道路s上车辆的平均车速;vs,max为道路s的限速,Si为充电站i附近L条道路的集合;定义天气影响下的用户对充电站i的评分Si,t为:
Si,t=μW·RT,i (17)
其中,μW表示不同天气对驾驶速度的路阻系数;
模拟用户选择电站时在不同队伍长度的充电站之间的决策过程,调整用户对电站的评分,得到优化后的评分使用/>计算电动汽车用户在t时段选择充电站i的概率;引入降水对用户出行意愿的影响系数θW,t,在t时段用户选择充电站i进行充电的概率Fi,t和充电量Xt分别为:
Xt=θW,t·Nt·x* (20)
式中Nt为t时段活跃充电用户总数;
结合用户充电量以及用户对充电站的选择,t时段充电站i的预测充电需求量di,t为:
di,t=Xt·Fi,t (21)
步骤3、基于动态规划方法的电动汽车集群充电调度建模
假设充电站在每个时段仅接受处理能力内的充电需求,且当前时段的充电需求不会延迟至下一个时段,电量储存量It的状态转移方程为:
采用动态规划方法对每个时段的子优化问题进行关联,并给出总优化问题的目标函数,建立电动汽车集群的多目标动态规划充电调度模型:
对模型(23)进行求解计算,得到每个时段充电站的电价制定与能源规划策略。
2.如权利要求1所述一种电动汽车集群多目标充电调度方法,其特征在于:定义用户满意度最大值为1,则
3.如权利要求1所述一种电动汽车集群多目标充电调度方法,其特征在于:用户对电站评分的调整方法为:
1)计算每个充电站i被选中的概率:
2)计算第N个充电站的累积概率QN,t,1≤N≤M:
3)依据轮盘赌的思想,生成0到1随机数,根据随机数落在充电站1到N的累积概率区间内来选取充电站;
4)若充电站i被选择的次数ci大于该充电站充电桩数量ni,则考虑排队带来的影响,降低该充电站的选择度Si,t:
Si,t=Si,t-f(Nt) (37)
降低分数f(Nt)为:
5)当前总执行次数小于活跃用户数量Nt,则重复执行1)-4);
6)当执行次数达到活跃用户数量Nt时,输出当前的评分Si,t作为优化后的评分
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310598977.7A CN116596252A (zh) | 2023-05-22 | 2023-05-22 | 一种电动汽车集群多目标充电调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310598977.7A CN116596252A (zh) | 2023-05-22 | 2023-05-22 | 一种电动汽车集群多目标充电调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596252A true CN116596252A (zh) | 2023-08-15 |
Family
ID=87593522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310598977.7A Pending CN116596252A (zh) | 2023-05-22 | 2023-05-22 | 一种电动汽车集群多目标充电调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596252A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391401A (zh) * | 2023-12-07 | 2024-01-12 | 中国民用航空飞行学院 | 机场电动地勤车的调度方法 |
CN118036828A (zh) * | 2024-03-29 | 2024-05-14 | 淮阴工学院 | 一种利用分布式能源的充电站系统、供能策略及选址方法 |
CN118333338A (zh) * | 2024-06-06 | 2024-07-12 | 深圳市瑞凯诺科技有限公司 | 充电管理平台的数据处理方法及系统 |
-
2023
- 2023-05-22 CN CN202310598977.7A patent/CN116596252A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391401A (zh) * | 2023-12-07 | 2024-01-12 | 中国民用航空飞行学院 | 机场电动地勤车的调度方法 |
CN117391401B (zh) * | 2023-12-07 | 2024-03-05 | 中国民用航空飞行学院 | 机场电动地勤车的调度方法 |
CN118036828A (zh) * | 2024-03-29 | 2024-05-14 | 淮阴工学院 | 一种利用分布式能源的充电站系统、供能策略及选址方法 |
CN118333338A (zh) * | 2024-06-06 | 2024-07-12 | 深圳市瑞凯诺科技有限公司 | 充电管理平台的数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review | |
CN109508857B (zh) | 一种主动配电网多阶段规划方法 | |
Mozafar et al. | A simultaneous approach for optimal allocation of renewable energy sources and electric vehicle charging stations in smart grids based on improved GA-PSO algorithm | |
Van Der Kam et al. | Smart charging of electric vehicles with photovoltaic power and vehicle-to-grid technology in a microgrid; a case study | |
He et al. | Optimal scheduling for charging and discharging of electric vehicles | |
CN108875992B (zh) | 一种考虑需求响应的虚拟电厂日前优化调度方法 | |
CN103241130B (zh) | 一种电动公交车充换电站的能量管理方法及系统 | |
Li et al. | Emission-concerned wind-EV coordination on the transmission grid side with network constraints: Concept and case study | |
CN116596252A (zh) | 一种电动汽车集群多目标充电调度方法 | |
Shang et al. | Internet of smart charging points with photovoltaic Integration: A high-efficiency scheme enabling optimal dispatching between electric vehicles and power grids | |
CN108596667B (zh) | 一种基于车联网的电动汽车实时充电电价计算方法 | |
CN111079971A (zh) | 一种考虑车、站、网三方的充电站定价方法 | |
CN116001624A (zh) | 基于深度强化学习的一桩多联电动汽车有序充电方法 | |
CN110086187A (zh) | 计及负荷特性的储能调峰日前优化调度方法 | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
CN114004450A (zh) | 一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型 | |
Ma et al. | Real-time plug-in electric vehicles charging control for V2G frequency regulation | |
Aljohani et al. | Dynamic real-time pricing structure for electric vehicle charging considering stochastic microgrids energy management system | |
CN112217195A (zh) | 一种基于gru多步预测技术的云储能充放电策略形成方法 | |
Wehinger et al. | Modeling electricity wholesale markets with model predictive and profit maximizing agents | |
Jin et al. | Optimal siting and sizing of EV charging station using stochastic power flow analysis for voltage stability | |
Wang et al. | Electric vehicle charging scheduling strategy for supporting load flattening under uncertain electric vehicle departures | |
Kilkki et al. | Optimizing residential heating and energy storage flexibility for frequency reserves | |
Zhaoyun et al. | Researh on dynamic time-sharing tariff orderly charging strategy based on NSGA2 in PV-Storage-Charging stations | |
CH et al. | A novel on intelligent energy control strategy for micro grids with renewables and EVs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |