CN116923164A - 考虑泊位分配的船舶充电控制方法及装置 - Google Patents
考虑泊位分配的船舶充电控制方法及装置 Download PDFInfo
- Publication number
- CN116923164A CN116923164A CN202311196893.7A CN202311196893A CN116923164A CN 116923164 A CN116923164 A CN 116923164A CN 202311196893 A CN202311196893 A CN 202311196893A CN 116923164 A CN116923164 A CN 116923164A
- Authority
- CN
- China
- Prior art keywords
- charging
- ship
- time period
- representing
- model
- 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 47
- 238000005457 optimization Methods 0.000 claims abstract description 119
- 239000002245 particle Substances 0.000 claims abstract description 81
- 238000005096 rolling process Methods 0.000 claims abstract description 35
- 230000005611 electricity Effects 0.000 claims abstract description 34
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000005612 types of electricity Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/64—Optimising energy costs, e.g. responding to electricity rates
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/63—Monitoring or controlling charging stations in response to network capacity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2200/00—Type of vehicles
- B60L2200/32—Waterborne vessels
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及船舶充电技术领域，提供一种考虑泊位分配的船舶充电控制方法及装置，方法包括：建立多目标优化模型；建立进行滚动优化的第一约束模型和多级排列引导规则，并建立泊位分配的第二约束模型；以第一约束模型、第二约束模型和多级排列引导规则为约束条件，以充电电费支出最小化、电网侧日负荷峰谷差最小化作为优化目标，通过多目标粒子群优化算法求解多目标优化模型，得到各船舶的最优充电控制方案。由此，在考虑泊位分配的前提下实现对船舶进行充电的滚动优化策略，且满足经济性和安全性，可以提高充电效率，且可以在港口容量有限的情况下仍然能够通过滚动优化满足船舶的充电负荷需求。
Description
技术领域
本发明涉及船舶充电技术领域，具体涉及一种考虑泊位分配的船舶充电控制方法和一种考虑泊位分配的船舶充电控制装置。
背景技术
传统的船舶充电控制方法具有效率低下、在港口自身容量有限的情况下不能满足船舶充电概念负荷需求的缺点，难以满足港口进出口货物运输量不断增长、海运运输容量不断增加的需求。
发明内容
本发明为解决上述技术问题，提出了如下技术方案。
本发明第一方面实施例提出了一种考虑泊位分配的船舶充电控制方法，包括以下步骤：建立对多个船舶的充电控制进行滚动优化的多目标优化模型，其中，所述多目标优化模型包括充电电费支出和电网侧日负荷峰谷差；建立对多个船舶的充电控制进行滚动优化的第一约束模型和多级排列引导规则，并建立泊位分配的第二约束模型，其中，所述多级排列引导规则是指将所有船舶的充电优先级进行划分的规则；在粒子群优化算法中加入外部档案维护的步骤，以得到多目标粒子群优化算法；以所述第一约束模型、所述第二约束模型和所述多级排列引导规则为约束条件，以所述充电电费支出最小化、所述电网侧日负荷峰谷差最小化作为优化目标，通过所述多目标粒子群优化算法求解所述多目标优化模型，以得到各船舶的最优充电控制方案；根据所述最优充电控制方案控制所述船舶充电。
另外，根据本发明上述实施例的考虑泊位分配的船舶充电控制方法还可以具有如下附加的技术特征。
根据本发明的一个实施例，所述多目标优化模型为：
其中，F表示多目标优化模型，f1表示充电电费支出，f2表示电网侧日负荷峰谷差，p(i)表示第i辆船舶的充电功率，Δt表示第i辆船舶的充电时长，a(j)表示第j个电价时段的充电价位，m表示船舶数量，n表示电价时段类型，Basics(j)表示第j个电价时段的港口常规用电负荷，x(j)表示第j个电价时段内船舶的变化的电荷量，avi(j)表示第j个电价时段内的日平均充电负荷，E表示电网侧最小日负荷峰谷差。
根据本发明的一个实施例，所述第一约束模型为：
其中，PCG表示配电网的常规负荷，m表示船舶数量，p(i)表示第i辆船舶的充电功率，xj表示第j个电价时段内船舶的数量，Pmax表示配电网的最大负荷限值。
根据本发明的一个实施例，所述第二约束模型包括船舶停泊状态约束模型、船舶停泊时长约束模型、船舶在泊状态约束模型和在泊船舶数量约束模型中的一个或者一个以上的任意组合。
所述船舶停泊状态约束模型为：
其中，t表示一天当中的一个时间段，Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；ai表示第i辆船舶上报的预计到港时间。
所述船舶停泊时长约束模型为：
其中，t表示一天当中的一个时间段，T表示实际停泊时长；Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；gi表示第i辆船舶上报的预计停泊时长。
所述船舶在泊状态约束模型为：
其中，t表示一天当中的一个时间段，Bi,t-1表示t-1时间段内第i辆船舶是否停泊在泊位，为0-1变量，t-1时间段内，若第i辆船舶停泊在泊位，则Bi,t-1为1，否则为0；Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；p表示一天当中的另一个时间段，p≠t，Bi,p表示p时间段内第i辆船舶是否停泊在泊位，为0-1变量，p时间段内，若第i辆船舶停泊在泊位，则Bi,p为1，否则为0；gi表示第i辆船舶上报的预计停泊时长；T表示实际停泊时长。
所述在泊船舶数量约束模型为：
其中，t表示一天当中的一个时间段，m表示船舶数量；Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；M表示港口泊位总数。
根据本发明的一个实施例，所述多级排列引导规则包括将所有船舶划分为多级充电优先级船舶的外部规则和将同级充电优先级船舶划分为不同充电优先级船舶的内部规则，其中，每级充电优先级船舶包括至少一辆船舶；所述外部规则为根据当前时间段的充电需求和最优充电控制方案将所有船舶划分为多级充电优先级船舶；所述内部规则为根据当前时间段的预计到港时间和/或预计充电时间将同级充电优先级船舶划分为不同充电优先级船舶。
根据本发明的一个实施例，多级充电优先级船舶包括第一充电优先级船舶、第二充电优先级船舶和第三充电优先级船舶，所述内部规则具体为：对于多辆所述第一充电优先级船舶，按照预计到港时间确定内部充电优先级；对于多辆所述第二充电优先级船舶，按照预计充电时间确定内部充电优先级，其中，在预计充电时间相同时，按照预计到港时间确定内部充电优先级；对于多辆所述第三充电优先级船舶，按照预计充电时间确定内部充电优先级，其中，在预计充电时间相同时，按照预计到港时间确定内部充电优先级。
根据本发明的一个实施例，所述预计到港时间越早，内部充电优先级越高；所述预计充电时间越长，内部充电优先级越高。
根据本发明的一个实施例，所述外部档案维护的步骤为：监测得到外部档案规模，并获取预设规定规模；在外部档案规模小于预设规定规模时，将多目标粒子群优化算法每次迭代计算出的非劣解集直接存入外部档案；在外部档案规模达到预设规定规模时，在多目标粒子群优化算法每一次新的迭代过程中，判断新解是否与外部档案中的解之间是否存在支配关系，若是，则由新解取代外部档案中的解，反之，则由新解取代外部档案中的一个密度值最小的解。
根据本发明的一个实施例，通过所述多目标粒子群优化算法求解所述多目标优化模型，包括以下步骤：参数设定，并初始化种群粒子、外部档案；判断外部粒子是否归档，并计算所述外部档案中每个非支配解的拥挤距离，根据所述拥挤距离得到最优解；计算惯性权重系数；计算粒子适应度值并更新粒子的速度和位置；根据粒子之间的支配关系更新最优解集，替换外部档案中可支配的非劣解集；根据新形成的非劣解集对所述外部档案进行更新、维护；判断是否达到最大迭代次数，若是，则结束；若否，则返回判断粒子是否需要归档的步骤。
本发明第二方面实施例提出了一种考虑泊位分配的船舶充电控制装置，包括：第一建立模块，用于建立对多个船舶的充电控制进行滚动优化的多目标优化模型，其中，所述多目标优化模型包括充电电费支出和电网侧日负荷峰谷差；第二建立模块，用于建立对多个船舶的充电控制进行滚动优化的第一约束模型和多级排列引导规则，并建立泊位分配的第二约束模型，其中，所述多级排列引导规则是指将所有船舶的充电优先级进行划分的规则；加入模块，用于在粒子群优化算法中加入外部档案维护的步骤，以得到多目标粒子群优化算法；求解模块，用于以所述第一约束模型、所述第二约束模型和所述多级排列引导规则为约束条件，以所述充电电费支出最小化、所述电网侧日负荷峰谷差最小化作为优化目标，通过所述多目标粒子群优化算法求解所述多目标优化模型，以得到各船舶的最优充电控制方案；控制模块，用于根据所述最优充电控制方案控制所述船舶充电。
本发明实施例的技术方案，在考虑泊位分配的前提下实现对船舶进行充电的滚动优化策略，且满足经济性和安全性，可以提高充电效率，且可以在港口容量有限的情况下仍然能够通过滚动优化满足船舶的充电负荷需求。
附图说明
图1为本发明实施例的考虑泊位分配的船舶充电控制方法的流程图。
图2为本发明一个示例的对船舶进行滚动优化充电的流程图。
图3为本发明一个示例的考虑多级排列引导规则时控制充电的流程图。
图4为本发明一个示例的多目标粒子群优化算法求解多目标优化模型的流程图。
图5为本发明实施例的考虑泊位分配的船舶充电控制装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例的考虑泊位分配的船舶充电控制方法的流程图。
如图1所示，该考虑泊位分配的船舶充电控制方法包括以下步骤S1至S5。
S1，建立对多个船舶的充电控制进行滚动优化的多目标优化模型，其中，多目标优化模型包括充电电费支出和电网侧日负荷峰谷差。
其中，日负荷峰谷差是指日负荷曲线的最大负荷与最小负荷之间的差值。
具体地，可基于经济性和安全性两方面建立对港口多个船舶（待充电）进行滚动优化充电的多目标优化模型，考虑经济性和安全性，该模型包括充电电费支出和电网侧日负荷峰谷差。
S2，建立对多个船舶的充电控制进行滚动优化的第一约束模型和多级排列引导规则，并建立泊位分配的第二约束模型，其中，多级排列引导规则是指将所有船舶的充电优先级进行划分的规则。
本发明实施例，将进行滚动优化时充电方面对应的约束模型称为第一约束模型，将进行滚动优化时泊位分配方面对应的约束模型称为第二约束模型。
多级排列引导规则，是为了实现对船舶（用户）充电行为更好的引导，适应其充电负荷的随机性，在滚动优化策略的基础上，设计的一套规则，用于将所有船舶进行充电的优先级（先后顺序）进行划分。可根据船舶用户的充电需求：是否有充电需求以及充电需求的具体内容比如充电方式、预计充电时间等，划分充电优先级，以实现引入多级排列引导规则的有序充电。
具体地，可根据所有船舶的充电需求、港口容量条件和港口泊位条件等建立第一约束模型、第二约束模型和多级排列引导规则。
S3，在粒子群优化算法中加入外部档案维护的步骤，以得到多目标粒子群优化算法。
粒子群优化算法是一种模拟种群社会行为的智能优化算法，基本思想为通过随机初始化的一群粒子在不断的迭代过程中来获得最优解，算法中的粒子速度和位置的更新公式为：
（1）
式中：vi k、xi k为第k次迭代时粒子i的速度和位置，c1、c2为加速系数，r1、r2为(0,1)之间的随机数，ω表示惯性权重系数，Pbest为粒子本身获得的最优解，gbest为种群最优解。
由公式(1)可看出，惯性权重系数应在初期适当增大，后期逐渐减小。为达到上述标准，本发明实施例采用线性递减权值（linearly decreasing weight，LDW）法设置惯性权重系数，表达式如下：
（2）
式中：t是迭代次数，Tmax为最大迭代次数；ωmax、ωmin分别表示惯性权重系数的最大值、最小值，最大值、最小值分别为0.5、1.0。
具体地，在粒子群优化算法的基础上增加一个外部档案维护的步骤，该步骤可以增强局部搜索能力，进而避免种群陷入局部最优。多目标粒子群优化计算产生的非劣解需要通过外部存档(external archive)的方法进行存储，即储存每一辆船舶的充电信息。外部档案是由多目标粒子群优化（MOPSO，Multiple Objective Particle SwarmOptimization，多目标粒子群优化）算法的外部粒子群组成的，对其进行维护时，需要监测外部档案规模的大小，据此实现对外部档案的实时维护。
其中，非劣解集包括迭代解集中互不支配（没有支配关系）的解。
S4，以第一约束模型、第二约束模型和多级排列引导规则为约束条件，以充电电费支出最小化、电网侧日负荷峰谷差最小化作为优化目标，通过多目标粒子群优化算法求解多目标优化模型，以得到各船舶的最优充电控制方案。
S5，根据最优充电控制方案控制船舶充电。
具体地，以步骤S2得到的第一约束模型、第二约束模型和多级排列引导规则为约束条件，以充电电费支出最小化、电网侧日负荷峰谷差最小化作为优化目标，通过步骤S3得到的多目标粒子群优化算法求解步骤S1中的多目标优化模型，以得到各船舶的最优充电控制方案，该最优充电控制方案可以为最优日负荷指导曲线。根据最优充电控制方案对各船舶进行充电控制，实现了考虑泊位分配时对船舶的最优充电控制，并从经济性和安全性两方面进行滚动优化，更好地实现负荷预测，且可以更好地安排船舶停泊顺序和时间，在一定程度上提高了充电效率，可以在港口自身容量有限的情况下仍然能够通过滚动优化满足船舶的充电负荷需求。
由此，在考虑泊位分配的前提下实现对船舶进行充电的滚动优化策略，且满足经济性和安全性，可以提高充电效率，且可以在港口容量有限的情况下仍然能够通过滚动优化满足船舶的充电负荷需求。
在本发明的一个实施例中，多目标优化模型为：
(3)
(4)
(5)
其中，F表示多目标优化模型，f1表示充电电费支出，f2表示电网侧日负荷峰谷差，p(i)表示第i辆船舶的充电功率，Δt表示第i辆船舶的充电时长，a(j)表示第j个电价时段的充电价位，m表示船舶数量，n表示电价时段类型，Basics(j)表示第j个电价时段的港口常规用电负荷，x(j)表示第j个电价时段内船舶的变化的电荷量，avi(j)表示第j个电价时段内的日平均充电负荷，E表示电网侧最小日负荷峰谷差。其中，电价时段一般分为峰段、谷段和平段。
具体而言，如图2所示，滚动优化具体步骤如下：
步骤1：收集配电网原始负荷数据和船舶相关数据（包括充电数据）；
步骤2：设定当前时间段t=0；
步骤3：判断当前时间段t内船舶接入量是否变化，若有变化，则更新当前船舶数据，利用MOPOS（多目标粒子群优化算法）求解当前时间段t内的最优充电控制方案（最优功率指导曲线）；若没有，则继续执行上一时间段的最优充电控制方案；
步骤4：判断t的大小，若大于96个时间段，则输出最优日负荷指导曲线，若没有则t=t+1，并返回步骤3；
步骤5：不断重复上述（步骤3~4），实现功率指导曲线的滚动优化。
也就是说，在每个时间段（周期）开始时采用多目标粒子群优化算法进行一次优化，并输出下一时间段的最优功率指导曲线。在优化过程中，如果当前时间段的船舶接入量和充电完成量没有变化，则在当前时间段继续执行上一时间段的最优功率指导曲线；反之，则需要优化更新下一时间段的最优功率指导曲线。如此反复，不断地更新优化下一时间段的最优功率指导曲线，最终实现船舶充电的滚动优化。
在本发明的一个实施例中，充电过程中每一时间段，配电网的总负荷不应大于配电网最大负荷限值，据此得到如下第一约束模型：
（6）
式中：PCG表示配电网的常规负荷，m表示船舶数量，p(i)表示第i辆船舶的充电功率，xj表示第j个电价时段内船舶的数量，Pmax表示配电网的最大负荷限值。
在本发明的一个实施例中，第二约束模型包括船舶停泊状态约束模型、船舶停泊时长约束模型、船舶在泊状态约束模型和在泊船舶数量约束模型中的一个或者一个以上的任意组合。
船舶停泊状态约束模型：考虑离散型泊位分配，引入了一个二进制变量来表示不同时间段船舶的停泊状态。因此，所有船舶均应在上报的预计到港时间之后才能靠泊，即船舶停泊状态约束模型为：
（7）
其中，t表示一天当中的一个时间段，Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；ai表示第i辆船舶上报的预计到港时间。
船舶停泊时长约束模型：由于港口需要完全执行船舶在停泊期间的必要任务，提供完整服务，因此有必要建立约束来确保船舶的实际停泊时长与上报的预计停泊时长相同，即船舶停泊时长约束模型为：
（8）
其中，t表示一天当中的一个时间段，T表示实际停泊时长；Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；gi表示第i辆船舶上报的预计停泊时长。
船舶在泊状态约束模型：若港口通过泊位优化安排船舶i在当前时间段开始停泊，那么船舶在执行停泊动作开始之后，在泊状态必须在其需要的停泊时长内维持不变，即船舶在泊状态约束模型为：
（9）
其中，t表示一天当中的一个时间段，Bi,t-1表示t-1时间段内第i辆船舶是否停泊在泊位，为0-1变量，t-1时间段内，若第i辆船舶停泊在泊位，则Bi,t-1为1，否则为0；Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；p表示一天当中的另一个时间段，p≠t，Bi,p表示p时间段内第i辆船舶是否停泊在泊位，为0-1变量，p时间段内，若第i辆船舶停泊在泊位，则Bi,p为1，否则为0；gi表示第i辆船舶上报的预计停泊时长；T表示实际停泊时长。
在泊船舶数量约束模型：由于港口泊位数量有限，任一时间段在泊船舶数量不得超过泊位总数，即在泊船舶数量约束模型为：
（10）
其中，t表示一天当中的一个时间段，m表示船舶数量；Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；M表示港口泊位总数。
在本发明的一个实施例中，多级排列引导规则包括将所有船舶划分为多级充电优先级船舶的外部规则和将同级充电优先级船舶划分为不同充电优先级船舶的内部规则，其中，每级充电优先级船舶包括至少一辆船舶。
外部规则为根据当前时间段的充电需求和最优充电控制方案将所有船舶划分为多级充电优先级船舶；内部规则为根据当前时间段的预计到港时间和/或预计充电时间将同级充电优先级船舶划分为不同充电优先级船舶。
具体地，在每一时间段，根据滚动优化策略给出的最优功率指导曲线，结合船舶的充电需求，将所有船舶划分为多级充电优先级，每级充电优先级包括至少一辆船舶，在同级充电优先级船舶的数量为多个时，根据其预计到港时间和/或预计充电时间将其划分为不同充电优先级船舶。即言，根据多级排列引导规则进行外部充电优先级和内部充电优先级的划分。
需要说明的是，第一次进行优化时，可根据各船舶的充电需求进行划分外部充电优先级，通过滚动优化得到下一时间段内的最优充电控制方案。后续优化时可结合充电需求和最优充电控制方案划分外部充电优先级。
在一个示例中，多级充电优先级船舶包括第一充电优先级船舶、第二充电优先级船舶和第三充电优先级船舶。其中，第一充电优先级船舶可以是有紧急充电需求的船舶，第二充电优先级船舶可以是有具体要求的船舶，第三充电优先级船舶可以是普通船舶（无紧急充电需求和具体要求）。
内部规则具体为：对于多辆第一充电优先级船舶，按照预计到港时间确定内部充电优先级；对于多辆第二充电优先级船舶，按照预计充电时间确定内部充电优先级，其中，在预计充电时间相同时，按照预计到港时间确定内部充电优先级；对于多辆第三充电优先级船舶，按照预计充电时间确定内部充电优先级，其中，在预计充电时间相同时，按照预计到港时间确定内部充电优先级。
具体而言，如表1所示，对于处于第一充电优先级的多辆船舶，按照其预计到港时间确定内部充电优先级，预计到港时间越早，内部充电优先级越高；对于处于第二充电优先级的多辆船舶，按照其预计充电时间确定内部优先级，预计充电时间越长，内部充电优先级越高，在预计充电时间相同时，按照其预计到港时间确定内部充电优先级，预计到港时间越早，内部充电优先级越高；对于处于第三充电优先级的多辆船舶，按照其预计充电时间确定内部优先级，预计充电时间越长，内部充电优先级越高，在预计充电时间相同时，按照其预计到港时间确定内部充电优先级，预计到港时间越早，内部充电优先级越高。
表1充电优先级
以上即为多级排列引导规则，将其作为约束条件用于充电控制的滚动优化时，如图3所示，具体包括以下步骤：
步骤1：判断是否有新船舶（用户）接入，如果是则判断新船舶是否有充电需求；
步骤2：新船舶有充电需求时，系统根据新船舶的充电需求和港口变压器当前时间段的状态对分级（划分充电优先级）；
步骤3：系统计算当前时间段各级外部充电优先级下允许接入的最大船舶数量；
步骤4：若当前时间段接入的新船舶为第一充电优先级船舶，判断是否满足充电需求，若满足则继续充电，反之，则进行特殊情况处理；
步骤5：若当前时间段接入的新船舶为第二充电优先级船舶，判断是否满足充电需求，若满足则继续充电，反之，则进行特殊情况处理；
步骤6：若当前时间段接入的新船舶为第三充电优先级船舶，判断是否满足充电需求，若满足则继续充电，反之，则进行特殊情况处理；
步骤7：返回步骤1。
其中，进行特殊情况处理可以是不参与当前时间段充电、进行等待直至满足充电方式或者参与下一时间段的充电控制，满足实际需求即可。
为了验证多级排列引导规则带来的优越性，分别在船舶渗透率为20%的情况下，进行无序充电、多级排列引导法引入前充电和多级排列引导法引入后充电三种不同充电方式，表2是三种不同充电方式下充电关键参数对比，主要包括总负荷峰值、负荷峰谷差和负荷峰谷差率。
表2充电关键参数
从表1可以看出，多级排列引导规则引入后，总负荷峰值、负荷峰谷差和负荷峰谷差率均明显下降，可以达到“削峰填谷”的效果，把峰时段的负荷转移到了谷时段，因此具有明显优越性。
在本发明的一个实施例中，外部档案维护的步骤可以为：监测得到外部档案规模，并获取预设规定规模；在外部档案规模小于预设规定规模时，将多目标粒子群优化算法每次迭代计算出的非劣解集直接存入外部档案；在外部档案规模达到预设规定规模时，在多目标粒子群优化算法每一次新的迭代过程中，判断新解是否与外部档案中的解之间是否存在支配关系，若是，则由新解取代外部档案中的解，反之，则由新解取代外部档案中的一个密度值最小的解。
其中，外部档案规模是指外部档案的规模大小，预设规定规模可以是人为事先设定的一定规模大小，一般大于待充电的船舶的数量。
具体而言，对外部档案进行维护时，需要监测外部档案规模的大小，如果外部档案规模小于预设规定规模时，则将多目标粒子群优化算法每次计算出的非劣解集直接存入外部档案即可；当外部档案规模达到预设规定规模时，每一次新的迭代过程中，需要检测新解是否可以支配外部档案中的解，若可以，则被支配的解（个体）可由新解取代，反之，新解替换外部档案中的一个密度值最小的解（个体），其中密度值最小的解可以是靠轮盘赌算出来的。
非劣解集是迭代解集中互不支配的解，迭代之后的非劣解集与外部档案中的解进行支配关系的判定：支配表示某个解的全部目标函数都优于另一个解，非支配即某个解有任一个目标函数不优于另一个解。
之后执行步骤S4，即以第一约束模型、第二约束模型和多级排列引导规则为约束条件，以充电电费支出最小化、电网侧日负荷峰谷差最小化作为优化目标，通过多目标粒子群优化算法求解多目标优化模型，以得到各船舶的最优充电控制方案。
在本发明的一个实施例中，步骤S4中的通过多目标粒子群优化算法求解多目标优化模型，包括以下步骤：
（1）参数设定，并初始化种群粒子、外部档案；
（2）判断粒子是否需要归档，并计算外部档案中每个非支配解的拥挤距离，根据拥挤距离得到最优解；
（3）计算惯性权重系数；
（4）计算粒子适应度值并更新粒子的速度和位置；
（5）根据粒子之间的支配关系更新最优解，替换外部档案中可支配的非劣解集；
（6）根据新形成的非劣解集对外部档案进行更新、维护；
（7）判断是否达到最大迭代次数，若是，则结束；若否，则返回判断粒子是否需要归档的步骤。
具体而言，如图4所示，MOPSO（多目标粒子群优化算法）的求解步骤具体包括以下步骤：
步骤1：参数设定，设定惯性权重系数的最大值、最小值分别为1.0和0.5、最大迭代次数为300、学习因子为0.5等参数；
步骤2：初始化种群粒子、外部档案，设定初始种群粒子数（船舶数量）为20；
步骤3：判断第i个粒子是否需要归档，并计算外部档案中每个非支配解的拥挤距离；
步骤4：对外部档案各粒子之间按照拥挤距离递减的顺序进行排列，取总数的前十分之一作为全局最优解集；
步骤5：求解惯性权重系数；
步骤6：计算粒子的适应度值并更新粒子的速度和位置；
步骤7：根据粒子之间的支配关系更新最优解集，替换外部档案中可支配的非劣解集；
步骤8：对新形成的非劣解集进行更新，并存入外部档案，并根据各粒子之间的拥挤距离对外部档案进行实时维护，为下次迭代做准备；
步骤9：判断该算法是否满足所设定的最大迭代次数300，若满足，则结束，优先选取满足负荷峰谷差和各约束条件的最优解集，得到最优充电控制方案。若不满足，则返回步骤3。
综上所述，本发明实施例建立了考虑泊位分配时对船舶进行滚动优化的多目标优化模型，模型的求解应用多目标粒子群优化算法，且实现了有序充电，有序充电策略把无序充电模式下的峰时段转移到了谷时段，使港口的负荷峰谷差大大减少，且在多级排列引导法引入后该策略的优越性更加明显，消除了港口变压器越限的问题，本发明实施例考虑优化调度船舶的泊位分配，可以对港口总体负荷需求曲线进行优化调整，从而实现港口经济效益的提升和运输能力的加强。因此本发明实施例的考虑泊位分配时对船舶进行滚动优化的多目标优化模型，在港口船舶的充电方案中具有很好的优越性，可以更好地安排船舶停泊顺序和时间以实现充电，在一定程度上提高了充电效率，进一步提高港口运输能力，从而满足不断增加的海运运输容量需求。
对应上述实施例的考虑泊位分配的船舶充电控制方法，本发明还提出一种考虑泊位分配的船舶充电控制装置。
图5为本发明实施例的考虑泊位分配的船舶充电控制装置的方框示意图。
如图5所示，该考虑泊位分配的船舶充电控制装置包括：第一建立模块10、第二建立模块20、加入模块30、求解模块40和控制模块50。
其中，第一建立模块10用于建立对多个船舶的充电控制进行滚动优化的多目标优化模型，其中，所述多目标优化模型包括充电电费支出和电网侧日负荷峰谷差；第二建立模块20用于建立对多个船舶的充电控制进行滚动优化的第一约束模型和多级排列引导规则，并建立泊位分配的第二约束模型，其中，所述多级排列引导规则是指将所有船舶的充电优先级进行划分的规则；加入模块30用于在粒子群优化算法中加入外部档案维护的步骤，以得到多目标粒子群优化算法；求解模块40用于以所述第一约束模型、所述第二约束模型和所述多级排列引导规则为约束条件，以所述充电电费支出最小化、所述电网侧日负荷峰谷差最小化作为优化目标，通过所述多目标粒子群优化算法求解所述多目标优化模型，以得到各船舶的最优充电控制方案；控制模块50用于根据所述最优充电控制方案控制所述船舶充电。
在本发明的一个实施例中，所述多目标优化模型为：
其中，F表示多目标优化模型，f1表示充电电费支出，f2表示电网侧日负荷峰谷差，p(i)表示第i辆船舶的充电功率，Δt表示第i辆船舶的充电时长，a(j)表示第j个电价时段的充电价位，m表示船舶数量，n表示电价时段类型，Basics(j)表示第j个电价时段的港口常规用电负荷，x(j)表示第j个电价时段内船舶的变化的电荷量，avi(j)表示第j个电价时段内的日平均充电负荷，E表示电网侧最小日负荷峰谷差。
在本发明的一个实施例中，所述第一约束模型为：
其中，PCG表示配电网的常规负荷，m表示船舶数量，p(i)表示第i辆船舶的充电功率，xj表示第j个电价时段内船舶的数量，Pmax表示配电网的最大负荷限值。
在本发明的一个实施例中，所述第二约束模型包括船舶停泊状态约束模型、船舶停泊时长约束模型、船舶在泊状态约束模型和在泊船舶数量约束模型中的一个或者一个以上的任意组合。
所述船舶停泊状态约束模型为：
其中，t表示一天当中的一个时间段，Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；ai表示第i辆船舶上报的预计到港时间。
所述船舶停泊时长约束模型为：
其中，t表示一天当中的一个时间段，T表示实际停泊时长；Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；gi表示第i辆船舶上报的预计停泊时长。
所述船舶在泊状态约束模型为：
其中，t表示一天当中的一个时间段，Bi,t-1表示t-1时间段内第i辆船舶是否停泊在泊位，为0-1变量，t-1时间段内，若第i辆船舶停泊在泊位，则Bi,t-1为1，否则为0；Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；p表示一天当中的另一个时间段，p≠t，Bi,p表示p时间段内第i辆船舶是否停泊在泊位，为0-1变量，p时间段内，若第i辆船舶停泊在泊位，则Bi,p为1，否则为0；gi表示第i辆船舶上报的预计停泊时长；T表示实际停泊时长。
所述在泊船舶数量约束模型为：
其中，t表示一天当中的一个时间段，m表示船舶数量；Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；M表示港口泊位总数。
在本发明的一个实施例中，所述多级排列引导规则包括将所有船舶划分为多级充电优先级船舶的外部规则和将同级充电优先级船舶划分为不同充电优先级船舶的内部规则，其中，每级充电优先级船舶包括至少一辆船舶；所述外部规则为根据当前时间段的充电需求和最优充电控制方案将所有船舶划分为多级充电优先级船舶；所述内部规则为根据当前时间段的预计到港时间和/或预计充电时间将同级充电优先级船舶划分为不同充电优先级船舶。
在本发明的一个实施例中，多级充电优先级船舶包括第一充电优先级船舶、第二充电优先级船舶和第三充电优先级船舶，所述内部规则具体为：对于多辆所述第一充电优先级船舶，按照预计到港时间确定内部充电优先级；对于多辆所述第二充电优先级船舶，按照预计充电时间确定内部充电优先级，其中，在预计充电时间相同时，按照预计到港时间确定内部充电优先级；对于多辆所述第三充电优先级船舶，按照预计充电时间确定内部充电优先级，其中，在预计充电时间相同时，按照预计到港时间确定内部充电优先级。
在本发明的一个实施例中，所述预计到港时间越早，内部充电优先级越高；所述预计充电时间越长，内部充电优先级越高。
在本发明的一个实施例中，所述外部档案维护的步骤为：监测得到外部档案规模，并获取预设规定规模；在外部档案规模小于预设规定规模时，将多目标粒子群优化算法每次迭代计算出的非劣解集直接存入外部档案；在外部档案规模达到预设规定规模时，在多目标粒子群优化算法每一次新的迭代过程中，判断新解是否与外部档案中的解之间是否存在支配关系，若是，则由新解取代外部档案中的解，反之，则由新解取代外部档案中的一个密度值最小的解。
在本发明的一个实施例中，求解模块40具体用于：参数设定，并初始化种群粒子、外部档案；判断外部粒子是否归档，并计算所述外部档案中每个非支配解的拥挤距离，根据所述拥挤距离得到最优解集；计算惯性权重系数；计算粒子适应度值并更新粒子的速度和位置；根据粒子之间的支配关系更新最优解，替换外部档案中可支配的非劣解集；根据新形成的非劣解集对所述外部档案进行更新、维护；判断是否达到最大迭代次数，若是，则结束；若否，则返回判断粒子是否需要归档的步骤。
需要说明的是，该考虑泊位分配的船舶充电控制装置的具体实施方式及实施原理可参见上述考虑泊位分配的船舶充电控制方法的具体实施方式，为避免冗余，此处不再详细赘述。
本发明实施例的考虑泊位分配的船舶充电控制装置，在考虑泊位分配的前提下实现对船舶进行充电的滚动优化策略，且满足经济性和安全性，可以提高充电效率，且可以在港口容量有限的情况下仍然能够通过滚动优化满足船舶的充电负荷需求。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种考虑泊位分配的船舶充电控制方法，其特征在于，包括以下步骤：
建立对多个船舶的充电控制进行滚动优化的多目标优化模型，其中，所述多目标优化模型包括充电电费支出和电网侧日负荷峰谷差；
建立对多个船舶的充电控制进行滚动优化的第一约束模型和多级排列引导规则，并建立泊位分配的第二约束模型，其中，所述多级排列引导规则是指将所有船舶的充电优先级进行划分的规则；
在粒子群优化算法中加入外部档案维护的步骤，以得到多目标粒子群优化算法；
以所述第一约束模型、所述第二约束模型和所述多级排列引导规则为约束条件，以所述充电电费支出最小化、所述电网侧日负荷峰谷差最小化作为优化目标，通过所述多目标粒子群优化算法求解所述多目标优化模型，以得到各船舶的最优充电控制方案；
根据所述最优充电控制方案控制所述船舶充电。
2.根据权利要求1所述的考虑泊位分配的船舶充电控制方法，其特征在于，所述多目标优化模型为：
，
，
，
其中，F表示多目标优化模型，f1表示充电电费支出，f2表示电网侧日负荷峰谷差，p(i)表示第i辆船舶的充电功率，Δt表示第i辆船舶的充电时长，a(j)表示第j个电价时段的充电价位，m表示船舶数量，n表示电价时段类型，Basics(j)表示第j个电价时段的港口常规用电负荷，x(j)表示第j个电价时段内船舶的变化的电荷量，avi(j)表示第j个电价时段内的日平均充电负荷，E表示电网侧最小日负荷峰谷差。
3.根据权利要求1所述的考虑泊位分配的船舶充电控制方法，其特征在于，所述第一约束模型为：
，
其中，PCG表示配电网的常规负荷，m表示船舶数量，p(i)表示第i辆船舶的充电功率，xj表示第j个电价时段内船舶的数量，Pmax表示配电网的最大负荷限值。
4.根据权利要求1所述的考虑泊位分配的船舶充电控制方法，其特征在于，所述第二约束模型包括船舶停泊状态约束模型、船舶停泊时长约束模型、船舶在泊状态约束模型和在泊船舶数量约束模型中的一个或者一个以上的任意组合，
所述船舶停泊状态约束模型为：
，
其中，t表示一天当中的一个时间段，Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；ai表示第i辆船舶上报的预计到港时间；
所述船舶停泊时长约束模型为：
，
其中，t表示一天当中的一个时间段，T表示实际停泊时长；Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；gi表示第i辆船舶上报的预计停泊时长；
所述船舶在泊状态约束模型为：
，
其中，t表示一天当中的一个时间段，Bi,t-1表示t-1时间段内第i辆船舶是否停泊在泊位，为0-1变量，t-1时间段内，若第i辆船舶停泊在泊位，则Bi,t-1为1，否则为0；Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；p表示一天当中的另一个时间段，p≠t，Bi,p表示p时间段内第i辆船舶是否停泊在泊位，为0-1变量，p时间段内，若第i辆船舶停泊在泊位，则Bi,p为1，否则为0；gi表示第i辆船舶上报的预计停泊时长；T表示实际停泊时长；
所述在泊船舶数量约束模型为：
，
其中，t表示一天当中的一个时间段，m表示船舶数量；Bi,t表示t时间段内第i辆船舶是否停泊在泊位，为0-1变量，t时间段内，若第i辆船舶停泊在泊位，则Bi,t为1，否则为0；M表示港口泊位总数。
5.根据权利要求1所述的考虑泊位分配的船舶充电控制方法，其特征在于，所述多级排列引导规则包括将所有船舶划分为多级充电优先级船舶的外部规则和将同级充电优先级船舶划分为不同充电优先级船舶的内部规则，其中，每级充电优先级船舶包括至少一辆船舶；
所述外部规则为根据当前时间段的充电需求和最优充电控制方案将所有船舶划分为多级充电优先级船舶；
所述内部规则为根据当前时间段的到预计港时间和/或预计充电时间将同级充电优先级船舶划分为不同充电优先级船舶。
6.根据权利要求5所述的考虑泊位分配的船舶充电控制方法，其特征在于，多级充电优先级船舶包括第一充电优先级船舶、第二充电优先级船舶和第三充电优先级船舶，所述内部规则具体为：
对于多辆所述第一充电优先级船舶，按照预计到港时间确定内部充电优先级；
对于多辆所述第二充电优先级船舶，按照预计充电时间确定内部充电优先级，其中，在预计充电时间相同时，按照预计到港时间确定内部充电优先级；
对于多辆所述第三充电优先级船舶，按照预计充电时间确定内部充电优先级，其中，在预计充电时间相同时，按照预计到港时间确定内部充电优先级。
7.根据权利要求6所述的考虑泊位分配的船舶充电控制方法，其特征在于，所述预计到港时间越早，内部充电优先级越高；所述预计充电时间越长，内部充电优先级越高。
8.根据权利要求1所述的考虑泊位分配的船舶充电控制方法，其特征在于，所述外部档案维护的步骤为：
监测得到外部档案规模，并获取预设规定规模；
在外部档案规模小于预设规定规模时，将多目标粒子群优化算法每次迭代计算出的非劣解集直接存入外部档案；
在外部档案规模达到预设规定规模时，在多目标粒子群优化算法每一次新的迭代过程中，判断新解是否与外部档案中的解之间是否存在支配关系，若是，则由新解取代外部档案中的解，反之，则由新解取代外部档案中的一个密度值最小的解。
9.根据权利要求1-8任一项所述的考虑泊位分配的船舶充电控制方法，其特征在于，通过所述多目标粒子群优化算法求解所述多目标优化模型，包括以下步骤：
参数设定，并初始化种群粒子、外部档案；
判断外部粒子是否归档，并计算所述外部档案中每个非支配解的拥挤距离，根据所述拥挤距离得到最优解集；
计算惯性权重系数；
计算粒子适应度值并更新粒子的速度和位置；
根据粒子之间的支配关系更新最优解，替换外部档案中可支配的非劣解集；
根据新形成的非劣解集对所述外部档案进行更新、维护；
判断是否达到最大迭代次数，若是，则结束；若否，则返回判断粒子是否需要归档的步骤。
10.一种考虑泊位分配的船舶充电控制装置，其特征在于，包括：
第一建立模块，用于建立对多个船舶的充电控制进行滚动优化的多目标优化模型，其中，所述多目标优化模型包括充电电费支出和电网侧日负荷峰谷差；
第二建立模块，用于建立对多个船舶的充电控制进行滚动优化的第一约束模型和多级排列引导规则，并建立泊位分配的第二约束模型，其中，所述多级排列引导规则是指将所有船舶的充电优先级进行划分的规则；
加入模块，用于在粒子群优化算法中加入外部档案维护的步骤，以得到多目标粒子群优化算法；
求解模块，用于以所述第一约束模型、所述第二约束模型和所述多级排列引导规则为约束条件，以所述充电电费支出最小化、所述电网侧日负荷峰谷差最小化作为优化目标，通过所述多目标粒子群优化算法求解所述多目标优化模型，以得到各船舶的最优充电控制方案；
控制模块，用于根据所述最优充电控制方案控制所述船舶充电。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311196893.7A CN116923164A (zh) | 2023-09-18 | 2023-09-18 | 考虑泊位分配的船舶充电控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311196893.7A CN116923164A (zh) | 2023-09-18 | 2023-09-18 | 考虑泊位分配的船舶充电控制方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116923164A true CN116923164A (zh) | 2023-10-24 |
Family
ID=88390020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311196893.7A Pending CN116923164A (zh) | 2023-09-18 | 2023-09-18 | 考虑泊位分配的船舶充电控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116923164A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118024927A (zh) * | 2024-01-25 | 2024-05-14 | 长春理工大学 | 一种结合多目标粒子群算法的充电桩充电控制系统及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107745650A (zh) * | 2017-10-26 | 2018-03-02 | 电子科技大学 | 一种基于峰谷分时电价的电动汽车有序充电控制方法 |
| CN110867880A (zh) * | 2019-11-28 | 2020-03-06 | 国网福建省电力有限公司厦门供电公司 | 一种电动船有序充电控制系统 |
| CN114997478A (zh) * | 2022-05-19 | 2022-09-02 | 郑州天迈科技股份有限公司 | 基于混合多目标粒子群算法的新能源公交车充电调度方法 |
| CN115293697A (zh) * | 2022-08-05 | 2022-11-04 | 河海大学 | 一种港口综合能源系统与集装箱物流系统协同调度方法 |
| CN115593266A (zh) * | 2022-09-21 | 2023-01-13 | 福建师范大学（Cn） | 一种面向汽车充电预约的光储充电站能量调度方法和终端 |
| CN115841234A (zh) * | 2022-12-26 | 2023-03-24 | 无锡赛思亿电气科技有限公司 | 拖头和电池平台调度方法 |
| CN116054316A (zh) * | 2022-11-29 | 2023-05-02 | 南京工程学院 | 一种基于混沌麻雀优化算法的电动汽车有序充放电方法 |
| CN116632963A (zh) * | 2023-04-26 | 2023-08-22 | 国网浙江省电力有限公司湖州供电公司 | 一种船舶岸电供电方法和系统 |
-
2023
- 2023-09-18 CN CN202311196893.7A patent/CN116923164A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107745650A (zh) * | 2017-10-26 | 2018-03-02 | 电子科技大学 | 一种基于峰谷分时电价的电动汽车有序充电控制方法 |
| CN110867880A (zh) * | 2019-11-28 | 2020-03-06 | 国网福建省电力有限公司厦门供电公司 | 一种电动船有序充电控制系统 |
| CN114997478A (zh) * | 2022-05-19 | 2022-09-02 | 郑州天迈科技股份有限公司 | 基于混合多目标粒子群算法的新能源公交车充电调度方法 |
| CN115293697A (zh) * | 2022-08-05 | 2022-11-04 | 河海大学 | 一种港口综合能源系统与集装箱物流系统协同调度方法 |
| CN115593266A (zh) * | 2022-09-21 | 2023-01-13 | 福建师范大学（Cn） | 一种面向汽车充电预约的光储充电站能量调度方法和终端 |
| CN116054316A (zh) * | 2022-11-29 | 2023-05-02 | 南京工程学院 | 一种基于混沌麻雀优化算法的电动汽车有序充放电方法 |
| CN115841234A (zh) * | 2022-12-26 | 2023-03-24 | 无锡赛思亿电气科技有限公司 | 拖头和电池平台调度方法 |
| CN116632963A (zh) * | 2023-04-26 | 2023-08-22 | 国网浙江省电力有限公司湖州供电公司 | 一种船舶岸电供电方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 于湉湉: "第4章", 考虑泊位优化和多能协同的港口综合能源系统运行优化, pages 034 - 1686 * |
| 张凯旋: "第3章", 电动汽车有序充电优化策略研究, pages 034 - 697 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118024927A (zh) * | 2024-01-25 | 2024-05-14 | 长春理工大学 | 一种结合多目标粒子群算法的充电桩充电控制系统及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116923164A (zh) | 考虑泊位分配的船舶充电控制方法及装置 | |
| CN110851272A (zh) | 基于吞噬的粒子群遗传混合算法的云任务调度方法 | |
| CN113935603B (zh) | 水库群多目标预报预泄调度规则优化方法、系统、介质 | |
| CN113515884A (zh) | 分散式电动汽车实时优化调度方法、系统、终端及介质 | |
| CN113627993A (zh) | 一种基于深度强化学习的智能电动汽车充放电决策方法 | |
| Kiaee | Integration of electric vehicles in smart grid using deep reinforcement learning | |
| CN113794205A (zh) | 柔性多状态开关最优运行点的确定方法及装置 | |
| CN114036825A (zh) | 多虚拟电厂的协同优化调度方法、装置、设备及存储介质 | |
| CN111884214B (zh) | 适用于园区能量路由器集群的分层优化调度方法及装置 | |
| CN117371755A (zh) | 多微网综合能源系统分布式优化方法、装置、设备及介质 | |
| CN112736944A (zh) | 一种电化学储能电站有功功率调度方法和系统 | |
| CN111361443A (zh) | 光伏充电站充电控制方法及装置 | |
| CN116454902A (zh) | 基于强化学习的配电网调压方法、装置、设备和存储介质 | |
| CN115659792A (zh) | 多时段多场景scuc解耦方法、系统、设备及存储介质 | |
| CN115360768A (zh) | 基于muzero和深度强化学习的电力调度方法、装置及存储介质 | |
| CN115034945A (zh) | 流水线车间分批生产与车辆配送集成调度方法及装置 | |
| CN115130791A (zh) | 面向车载智能机场的无人机与车辆协同调度方法及装置 | |
| CN114186665A (zh) | 一种基于gpu的脉冲神经网络仿真方法 | |
| CN114707707A (zh) | 一种基于改进的遗传算法对agv任务调度的方法及系统 | |
| CN113650515A (zh) | 电动汽车充电控制方法、装置、终端设备及存储介质 | |
| CN114030386A (zh) | 基于用户充电选择的电动汽车充电控制方法 | |
| CN112613229A (zh) | 混合动力设备的能量管理方法、模型训练方法及装置 | |
| Warsono et al. | A review of the use of genetic algorithms in economic load dispatch | |
| CN117745042B (zh) | 一种多受灾点的应急物资调度方法、装置、介质及设备 | |
| CN115378016B (zh) | 一种多电动汽车集群日前充电计划生成方法及系统 |
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 |