CN116993031A - 一种电动车的充电决策优化方法、装置、设备及介质 - Google Patents
一种电动车的充电决策优化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116993031A CN116993031A CN202311261670.4A CN202311261670A CN116993031A CN 116993031 A CN116993031 A CN 116993031A CN 202311261670 A CN202311261670 A CN 202311261670A CN 116993031 A CN116993031 A CN 116993031A
- Authority
- CN
- China
- Prior art keywords
- charging
- pheromone
- information
- charging decision
- electric vehicle
- 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 52
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 239000003016 pheromone Substances 0.000 claims description 73
- 238000004590 computer program Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 4
- 230000002688 persistence Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 abstract description 35
- 230000008569 process Effects 0.000 description 15
- 241000257303 Hymenoptera Species 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- B60L53/64—Optimising energy costs, e.g. responding to electricity rates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Mechanical Engineering (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Transportation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明属于配电网优化技术领域，具体涉及一种电动车的充电决策优化方法、装置、设备及介质。包括以下步骤：获取预设区域内的站内信息和站外信息；根据预设区域内的站内信息和站外信息，以最低成本为目标函数建立充电决策模型；在预设区域内采用蚁群算法求解充电决策模型，得到最优充电决策。本发明以站内信息和站外信息为基础，以最低成本为目标函数建立充电决策模型，并通过蚁群算法求解充电决策模型，选择总和经济性最好的路线，有效降低了成本，与此同时提升配电网的经济性和安全性。
Description
技术领域
本发明属于配电网优化技术领域，具体涉及一种电动车的充电决策优化方法、装置、设备及介质。
背景技术
随着电动汽车的迅速发展，电力与交通的联系越来越紧密。但问题也由此产生，受到电池技术的限制，电动汽车出行时往往需要快速充电来补充电能，但是配套的充电基础设施建设又跟不上脚步，充电难、排队时间长已经成为用户头疼的问题。而为了缩短充电时间，充电桩的大功率对配电网的影响也不可忽视。因此在此背景下通过整合电力和交通信息，利用信息服务进行充电决策的研究，优化电动汽车用户充电决策，目前针对电动汽车充电决策的研究大多通过蒙特卡洛法模拟电动汽车出行，以随机性为主，考虑车辆的具体出行习惯较少，且得到的充电决策主要侧重于电网运行指标的提升，对于用户侧是否会参与决策进行需求响应、参与电力市场等方面的针对性不足。
发明内容
本发明的目的在于提供一种电动车的充电决策优化方法、装置、设备及介质，以解决现有技术中电车充电决策忽略用户侧情况，导致充电用户等待时间长，成本高的技术问题。
为实现上述目的，本发明采用如下技术方案予以实现：
第一方面，一种电动车的充电决策优化方法，包括以下步骤：
获取预设区域内的站内信息和站外信息；
根据预设区域内的站内信息和站外信息，以最低成本为目标函数建立充电决策模型；
在预设区域内采用蚁群算法求解充电决策模型，得到最优充电决策。
本发明的进一步改进在于：所述站内信息包括充电桩信息和待充电车辆信息，所述站外信息包括车辆信息、交通信息和电价信息。
本发明的进一步改进在于：所述根据预设区域内的站内信息和站外信息，以最低成本为目标函数建立充电决策模型的步骤中，所述充电决策模型满足电池电量约束、载重量约束和时间约束。
本发明的进一步改进在于：所述在预设区域内采用蚁群算法求解充电决策模型，得到最优充电决策的步骤中，具体包括：
步骤1、将信息素浓度权重、启发信息素浓度的相对权重、信息素持久性和信息素强度进行初始化，将全路段信息素浓度设为第一预设值，开始迭代；
步骤2、根据信息素浓度权重和启发信息素浓度的相对权重构造蚁群中每只蚂蚁的可行解，并计算每个可行解对应的总成本；
步骤3、根据每只蚂蚁的可行解对应的总成本，选择总成本最低的可行解保存到最优结果矩阵中；
步骤4、更新全局信息素，将迭代次数加一；
步骤5、重复步骤2~步骤4直至迭代次数等于最大迭代次数；
步骤6、从最优结果矩阵中选择总成本最低的可行解作为最优充电决策方案输出。
本发明的进一步改进在于：所述根据信息素浓度权重和启发信息素浓度的相对权重构造蚁群中每只蚂蚁的可行解，并计算每个可行解对应的总成本的步骤中，具体包括：
根据信息素浓度权重、启发信息素浓度的相对权重计算每只蚂蚁的状态转移概率；
根据每只蚂蚁的状态转移概率得到每只蚂蚁对应的路线，每只蚂蚁对应的路线即为可行解；
计算每个可行解的总成本。
本发明的进一步改进在于：所述更新全局信息素，将迭代次数加一的步骤中，具体包括：
根据信息素持久性和信息素强度计算任意路段上信息素的改变总量；
根据任意路段上信息素的改变总量更新全局信息素；
将迭代次数加1。
本发明的进一步改进在于：所述第一预设值为1，所述信息素强度取值范围为[10,1000]。
第二方面，一种电动车的充电决策优化装置，包括：
数据获取模块：用于获取预设区域内的站内信息和站外信息；
模型建立模块：用于根据预设区域内的站内信息和站外信息，以最低成本为目标函数建立充电决策模型；
优化模块：用于在预设区域内采用蚁群算法求解充电决策模型，得到最优充电决策。
第三方面， 一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述的一种电动车的充电决策优化方法。
第四方面，一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种电动车的充电决策优化方法。
与现有技术相比，本发明至少包括以下有益效果：
1、本发明以站内信息和站外信息为基础，以最低成本为目标函数建立充电决策模型，并通过蚁群算法求解充电决策模型，选择总和经济性最好的路线，有效降低了成本，与此同时提升配电网的经济性和安全性；
2、本发明通过更新全局信息素，提高可行解的准确性；
3、本发明通过设置电池电量约束、载重量约束和时间约束保证模型结果的可行性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一种电动车的充电决策优化方法的流程图；
图2为本发明一种电动车的充电决策优化装置的结构框图；
图3为本发明实施例2中行驶速度随时间变化的趋势图；
图4为本发明实施例2中IEEE-33配电网拓扑图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
实施例1
一种电动车的充电决策优化方法，如图1所示，包括以下步骤：
S1、获取预设区域内的站内信息和站外信息；
具体的，站内信息包括：充电桩信息和待充电车辆信息；
预设区域为任意充电站负责供电的区域；
充电桩信息包括：充电桩状态、充电桩工作模式、充电电压和充电电流等信息；
充电桩状态包括：设备正常、设备故障和检修中；
充电桩工作模式包括快充和慢充。
待充电车辆信息包括：待充电车辆数量和待充电车辆预估电池容量；
待充电车辆数量通过充电桩周围设置的红外设备获取；
具体的，每当有车辆通过红外设备时计数加一，从而得到待充电车辆数量。
待充电车辆预估电池容量通过充电桩周围设置的摄像头获取车型信息，从而根据车型信息确定电车的电池容量；
具体的，站外信息包括车辆信息、交通信息和电价信息；
车辆信息通过车联网装置获取，车辆信息包括：车辆位置信息、实时剩余电量信息等；
交通信息通过与现有交通系统通信获取，交通信息包括道路路况、道路行驶速度等；
电价信息通过与现有电力系统通信获取。
S2、根据预设区域内的站内信息和站外信息，以最低成本为目标函数建立充电决策模型；
充电决策模型如下：
式中，DCuse为电动车使用成本；DCtravel为行驶成本；DCcharge为充电成本；DCdamage为电池损耗成本；MinDC表示最低成本。
充电决策模型满足电池电量约束、载重量约束和时间约束。
电池电量约束：由于电动车在行驶过程中，每时每刻的电量都在不断变化，且会随着电量的不断减少需要进行电能补充，同时考虑电池寿命的因素，设定了电池最低电量水平elow，即电动车到达节点处的电量不能低于elow，这一设定在保证车辆的正常行驶的同时能够增加电池使用寿命。
式中，Ei k1为电动车k到达节点i时的电池电量；Ei k2为电动车k离开节点i时的电池电量；Ej k1为电动车k到达节点j时的电池电量；E（i，j） k为电动车在节点i和节点j之间的电量消耗；N0为预设的正整数；Emax为电动车的电池额定容量。
载重量约束：电动车从配送中心出发时，货物总量不能超过电动车的最大载重量，在配送过程中，当下一到达节点为配送点时，载重量就会减少，当下一到达节点为充电站时，载重量则不变。以电动车在节点i,j间的行驶过程表示这一约束条件。
式中，QO k2为电动车离开配送中心时的载重量；Qmax为最大载重量；qi表示第i个配送点的送货量；Qi k1为到达节点i时的载重量；Qi k2为离开节点i时的载重量；Qj k1为到达节点j时的载重量；
QO’ k1为返回配送中心时的载重量。
时间约束：物流车在某个时段内进行配送任务，行驶时间、排队时间、充电时间都是不断连续变化的。根据下一节点的属性，对时间的描述不同，当下一到达节点为配送点时，物流车离开此节点的时刻为到达该节点的时刻加上配送服务时间；当下一到达节点为充电站时，物流车离开此节点的时刻为到达该充电站节点的时刻加上在充电站的排队等待时间和充电时间。
式中，leave i k为物流车k离开节点i的时刻，arrive i k为到达节点i的时刻，tf为配送点服务时间，t wi k为物流车k在充电站节点i的排队等待时间，t Si k为在充电站节点的i物流车k的充电时间，t (i,j) k为行驶时间。
S3、在预设区域内采用蚁群算法求解充电决策模型，得到最优充电决策；
具体的，充电决策为在预设区域内电车从配送中心出发经过配送点完成配送任务，并到充电站节点进行充电的路线；
最优充电决策为成本最低的路线，成本通过充电决策模型进行计算；
每条路线都从配送中心出发，经过预设区域内的配送点，将电车上的货物在各配送点卸下后，经过充电站节点充电后返回配送中心；
具体的，在S3中包括以下步骤：
S31、将信息素浓度权重、启发信息素浓度的相对权重、信息素持久性和信息素强度进行初始化，将全路段信息素浓度设为第一预设值，开始迭代；
具体的，第一预设值为1；
具体的，信息素强度表示所有蚂蚁在搜索结束后，留在路径上的信息素总量，通常取值[10,1000]；
S32、根据信息素浓度权重和启发信息素浓度的相对权重构造蚁群中每只蚂蚁的可行解，并计算每个可行解对应的总成本；
具体的，在S32中包括以下步骤：
S321、根据信息素浓度权重、启发信息素浓度的相对权重计算每只蚂蚁的状态转移概率；
具体的，状态转移概率的计算公式如下：
式中，α表示信息素浓度权重，β表示启发信息素的相对权重，τ (i,j)表示信息素；表示启发信息素。
具体的，启发信息素η (i,j)的大小为节点i和节点j之间距离的倒数；
信息素和启发信息素都会影响蚂蚁移动位置的选择，信息素随着蚂蚁的行走而发生变化，而启发信息是一个定值，等于对应的路段长度的倒数，因此如果路段上经过的蚂蚁越多，留下来的信息浓度也就越高，而这种情况下，信息素会成为影响蚂蚁行为的关键，启发信息的作用便会渐渐被埋没，因此在搜索过程中，为了保证启发信息发挥自己的作用，需要对信息素进行处理，通常的处理方法为及时更新信息素。
S322、根据每只蚂蚁的状态转移概率得到每只蚂蚁对应的路线，每只蚂蚁对应的路线即为可行解；
S323、计算每个可行解的总成本；
S33、根据每只蚂蚁的可行解对应的总成本，选择总成本最低的可行解保存到最优结果矩阵中；
S34、更新全局信息素，将迭代次数加一；
具体的，在S34中，更新全局信息素包括以下步骤：
S341、根据信息素持久性和信息素强度计算任意路段上信息素的改变总量；
式中，Δτ (i,j) k表示第k只蚂蚁在经过路段(i,j)上所留下的信息素总量；
Q为信息素强度，即蚁群中的所有蚂蚁在对目标完成全部的搜索过程后，在经过的路径上遗留下来的信息素总量。DC k表示第k只蚂蚁对应的充电决策方案的总成本。ρ表示信息素持久性；
S342、根据任意路段上信息素的改变总量更新全局信息素；
从以上分析过程可以看出，当成本增大时，蚂蚁在所经过的路段上留下的信息素浓度就会变小，使得这些路段上信息素浓度增加的速度变慢，下次搜索时，选择该路段的概率就会变低，从而，整个蚁群会向成本最低的方向前进。
S343、将迭代次数加1；
S35、重复S32-S34直至迭代次数大于等于迭代次数；
S36、从最优结果矩阵中选择总成本最低的可行解作为最优充电决策方案输出；
实施例2
基于实施例1中的一种电动车的充电决策优化方法，以预设区域内五家物流公司的配送业务为例，且每家公司的配送点都为30个，配送点可理解为大型市场等地，优化结果如下：
具体信息如表1-3所示，表1为配送中心位置及运行时间，表2为配送点位置及需求量信息，表3为部分节点间的间接距离(km)；
表1配送中心位置及运行时间
表2配送点位置及需求量信息
表3部分节点间的间接距离(km)
同时预设区域内还设有6座充电站，充电站用于给电动物流车充电，充电站位置及站内充电桩数据如表4所示；
表4充电站位置及站内充电桩数据
具体的，任意节点间的直线距离计算公式如下：
式中，loni是节点i的经度值，lati是节点i的纬度值，R是地球半径，取值6378.137km；
预设区域内各路段上行驶速度随时间的变化趋势如下图3所示；
根据图3可以看出6:00至8:00由于是通勤高峰时间行驶速度不断下降，且为单调变化，从53km/h下降到17km/h，按照3.4.1小节中对时段的划分，每5分钟进行交通信息的更新，即近似处理为每5分钟行驶速度下降1.5km/h，共24个行驶速度数据作为本时段的实时交通行驶速度，8:00至13:00交通状况较缓解行驶速度单调上升，变化范围在17至38km/h范围内，则同样近似处理为每5分钟行驶速度上升0.35km/h，共60个行驶速度数据作为此时段内的实时交通行驶速度，13:00至15:00，行驶速度又呈下降趋势，变化范围在38-20km/h，近似处理为每5分钟下降0.75km/h，共24个行驶数据，这样便得到了6:00-15:00内每5分钟变化的共108个行驶速度数据，作为算例数据，由于对数据的获取过程做了近似处理，具有规律性，因此不再详细列出。
采用实施例1中方法进行充电决策优化后，得到表5中优化前后充电决策对比；优化前后成本对比如表6所示；
表5优化前后充电决策对比
表6充电决策前后成本对比
由于未进行系统的决策规划，从表5可以看出配送路线的依据主要是根据配送点的位置分布进行路线规划，未将充电站考虑进去；每辆车在配送过程中都存在充电行为，且充电行为未考虑到充电站的排队时间，增加了配送过程中的时间成本。
无优化的配送过程需要6辆物流车参与，使用成本为600元，行驶过程中的电量总损耗为412.63kWh，且充电时刻分布在12:40-13:30时段内，排队时长为40-60分钟，充电量依次为62.8kWh、53.21kWh、37.1kWh、64.3kWh、67.3kWh、67.16kWh、65.23kWh，充电成本与电池损耗成本分别为490.59元、360元，配送总成本为2059.11元。
在经过充电决策优化后，整个配送过程共需要6辆电动物流车参与，行驶过程中的电量损耗为405.99kWh，在整个配送过程中，有三辆车需要中途补充电能，且充电时刻分别为10:53、9:27、9:55，避开了充电站需要排队等待的时段，充电量分别为57.56kWh、44.5kWh、65.18kWh，充电成本为243.8元，电池损耗成本为180元，总配送成本为1563.02元，相比于无充电决策的方案，总成本降低了496.09元，降低了24.1%，说明了充电决策对物流公司带来了实际的经济效益。
选取配电网系统为IEEE-33节点的标准系统，以展示实施例1中方法对配电网的优化效果，其网架结构如下图4所示，充电站节点31-36分别接入IEEE-33节点中的2、6、9、16、22、30节点，由此建立起交通网与配电网耦合的网络。
通过优化后的电动物流车充电决策得知：未优化的方案是充电车辆多，且集中在充电站负荷高的时段进行充电；优化后，电动物流车避开了充电站需要排队的高峰时段，即在充电站负荷较低的时段内进行充电。
在此结论的基础上，在电动物流车运行时段内进行时序潮流计算，分析充电决策对配电网运行的影响。
优化后对电网运行的节点电压稳定性、网络损耗、充电站节点负荷情况等方面都有一定的提升。
未经过充电决策的优化在12:30-14:00时段内进行充电，此时段是充电站负荷峰值时段，使得配电网电压水平明显降低，对配电网的安全稳定运行造成较大影响。
当电动物流车运行且进行充电决策优化后，在9:10-10:50时段内进行充电，可以看出优化后的充电决策使整体节点电压水平变得缓和，其中18节点电压水平下降到0.9497p.u。
由表7结果可以看出，经过充电决策优化后，配电网的节点电压水平有了提高，有利于配电网的安全稳定运行。
表7优化前后15-18节点的最大电压降
实施例3
一种电动车的充电决策优化装置，如图2所示，包括：
数据获取模块：用于获取预设区域内的站内信息和站外信息；
模型建立模块：用于根据预设区域内的站内信息和站外信息，以最低成本为目标函数建立充电决策模型；
优化模块：用于在预设区域内采用蚁群算法求解充电决策模型，得到最优充电决策。
实施例4
一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种电动车的充电决策优化方法，包括以下步骤：
获取预设区域内的站内信息和站外信息；
根据预设区域内的站内信息和站外信息，以最低成本为目标函数建立充电决策模型；
在预设区域内采用蚁群算法求解充电决策模型，得到最优充电决策。
实施例5
一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的一种电动车的充电决策优化方法。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种电动车的充电决策优化方法，其特征在于，包括以下步骤：
获取预设区域内的站内信息和站外信息；
根据预设区域内的站内信息和站外信息，以最低成本为目标函数建立充电决策模型；
在预设区域内采用蚁群算法求解充电决策模型，得到最优充电决策。
2.根据权利要求1所述的一种电动车的充电决策优化方法，其特征在于，所述站内信息包括充电桩信息和待充电车辆信息，所述站外信息包括车辆信息、交通信息和电价信息。
3.根据权利要求1所述的一种电动车的充电决策优化方法，其特征在于，所述根据预设区域内的站内信息和站外信息，以最低成本为目标函数建立充电决策模型的步骤中，所述充电决策模型满足电池电量约束、载重量约束和时间约束。
4.根据权利要求1所述的一种电动车的充电决策优化方法，其特征在于，所述在预设区域内采用蚁群算法求解充电决策模型，得到最优充电决策的步骤中，具体包括：
步骤1、将信息素浓度权重、启发信息素浓度的相对权重、信息素持久性和信息素强度进行初始化，将全路段信息素浓度设为第一预设值，开始迭代；
步骤2、根据信息素浓度权重和启发信息素浓度的相对权重构造蚁群中每只蚂蚁的可行解，并计算每个可行解对应的总成本；
步骤3、根据每只蚂蚁的可行解对应的总成本，选择总成本最低的可行解保存到最优结果矩阵中；
步骤4、更新全局信息素，将迭代次数加一；
步骤5、重复步骤2~步骤4直至迭代次数等于最大迭代次数；
步骤6、从最优结果矩阵中选择总成本最低的可行解作为最优充电决策方案输出。
5.根据权利要求4所述的一种电动车的充电决策优化方法，其特征在于，所述根据信息素浓度权重和启发信息素浓度的相对权重构造蚁群中每只蚂蚁的可行解，并计算每个可行解对应的总成本的步骤中，具体包括：
根据信息素浓度权重、启发信息素浓度的相对权重计算每只蚂蚁的状态转移概率；
根据每只蚂蚁的状态转移概率得到每只蚂蚁对应的路线，每只蚂蚁对应的路线即为可行解；
计算每个可行解的总成本。
6.根据权利要求4所述的一种电动车的充电决策优化方法，其特征在于，所述更新全局信息素，将迭代次数加一的步骤中，具体包括：
根据信息素持久性和信息素强度计算任意路段上信息素的改变总量；
根据任意路段上信息素的改变总量更新全局信息素；
将迭代次数加1。
7.根据权利要求4所述的一种电动车的充电决策优化方法，其特征在于，所述第一预设值为1，所述信息素强度取值范围为[10,1000]。
8.一种电动车的充电决策优化装置，其特征在于，包括：
数据获取模块：用于获取预设区域内的站内信息和站外信息；
模型建立模块：用于根据预设区域内的站内信息和站外信息，以最低成本为目标函数建立充电决策模型；
优化模块：用于在预设区域内采用蚁群算法求解充电决策模型，得到最优充电决策。
9.一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1-7中任一项所述的一种电动车的充电决策优化方法。
10.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的一种电动车的充电决策优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311261670.4A CN116993031A (zh) | 2023-09-27 | 2023-09-27 | 一种电动车的充电决策优化方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311261670.4A CN116993031A (zh) | 2023-09-27 | 2023-09-27 | 一种电动车的充电决策优化方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116993031A true CN116993031A (zh) | 2023-11-03 |
Family
ID=88526999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311261670.4A Pending CN116993031A (zh) | 2023-09-27 | 2023-09-27 | 一种电动车的充电决策优化方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116993031A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522088A (zh) * | 2024-01-05 | 2024-02-06 | 南京信息工程大学 | 一种融合充电约束和容量约束的多电动物流车调度方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108773279A (zh) * | 2018-04-27 | 2018-11-09 | 北京交通大学 | 一种电动汽车充电路径规划方法及装置 |
| CN111222705A (zh) * | 2020-01-10 | 2020-06-02 | 聊城大学 | 一种非线性充电车辆路径优化方法 |
| CN111311158A (zh) * | 2020-03-04 | 2020-06-19 | 西华大学 | 一种有限充电设施条件下的电动物流车路径规划方法 |
| CN113386770A (zh) * | 2021-06-10 | 2021-09-14 | 武汉理工大学 | 基于充电站数据共享的电动汽车充电路径动态规划方法 |
| CN115345451A (zh) * | 2022-07-28 | 2022-11-15 | 国网湖北省电力有限公司电力科学研究院 | 一种基于充电站推荐策略的电动汽车充电引导方法 |
-
2023
- 2023-09-27 CN CN202311261670.4A patent/CN116993031A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108773279A (zh) * | 2018-04-27 | 2018-11-09 | 北京交通大学 | 一种电动汽车充电路径规划方法及装置 |
| CN111222705A (zh) * | 2020-01-10 | 2020-06-02 | 聊城大学 | 一种非线性充电车辆路径优化方法 |
| CN111311158A (zh) * | 2020-03-04 | 2020-06-19 | 西华大学 | 一种有限充电设施条件下的电动物流车路径规划方法 |
| CN113386770A (zh) * | 2021-06-10 | 2021-09-14 | 武汉理工大学 | 基于充电站数据共享的电动汽车充电路径动态规划方法 |
| CN115345451A (zh) * | 2022-07-28 | 2022-11-15 | 国网湖北省电力有限公司电力科学研究院 | 一种基于充电站推荐策略的电动汽车充电引导方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马云: "考虑时间窗约束的电动汽车配送路径优化研究", CNKI硕士电子期刊（工程科技Ⅱ辑）, no. 3, pages 10 - 12 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522088A (zh) * | 2024-01-05 | 2024-02-06 | 南京信息工程大学 | 一种融合充电约束和容量约束的多电动物流车调度方法 |
| CN117522088B (zh) * | 2024-01-05 | 2024-03-29 | 南京信息工程大学 | 一种融合充电约束和容量约束的多电动物流车调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109034465B (zh) | 考虑充电站选址与出行路径耦合的充电站两层规划方法 | |
| CN109034648B (zh) | 一种电动汽车集群需求响应潜力评估方法 | |
| Zhang et al. | Effective charging planning based on deep reinforcement learning for electric vehicles | |
| Moghaddam et al. | Smart charging strategy for electric vehicle charging stations | |
| CN109784558B (zh) | 一种基于蚁群算法的电动汽车充电调度优化方法 | |
| CN113029182B (zh) | 一种考虑无线充电和动态能耗的电动汽车路径规划方法 | |
| CN106503836A (zh) | 一种多目标优化的纯电动汽车物流配送优化调度方法 | |
| CN111754039B (zh) | 纯电动公交线网综合集成优化设计的方法 | |
| CN112356721A (zh) | 基于云平台的电动汽车充电引导方法及系统 | |
| CN116993031A (zh) | 一种电动车的充电决策优化方法、装置、设备及介质 | |
| CN111199320B (zh) | 基于出行概率矩阵的电动汽车充电负荷时空分布预测方法 | |
| CN110388932A (zh) | 一种电动汽车充电导航方法 | |
| CN110232219A (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
| CN112507506A (zh) | 基于遗传算法的共享汽车定价规划模型的多目标优化方法 | |
| CN115510672A (zh) | 一种物联网感知环境下电动微出行车辆换电需求预测方法 | |
| Su et al. | Spatial-temporal distribution model of electric vehicle charging demand based on a dynamic evolution process | |
| Song et al. | A sumo framework for deep reinforcement learning experiments solving electric vehicle charging dispatching problem | |
| Rigas et al. | Algorithms for electric vehicle scheduling in mobility-on-demand schemes | |
| Zhao et al. | Robust Optimization of Mixed-Load School Bus Route Based on Multi-Objective Genetic Algorithm. | |
| CN113222248B (zh) | 一种自动驾驶出租车充电桩选择方法 | |
| Mkahl et al. | A linear optimization approach for electric vehicles charging | |
| Zhang et al. | Charging time and location recommendation strategy considering taxi user satisfaction | |
| CN109409939B (zh) | 用于配网电压控制的双层电动汽车快速充电电价修正方法 | |
| CN114399185A (zh) | 一种基于强化学习的电动物流车队行为调度方法 | |
| CN112684790A (zh) | 一种可实现避障的自导向电动物流车辆路径规划方法 |
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 |