CN117933668A - 基于电网负荷与电价的智慧停车场充电调度方法及系统 - Google Patents
基于电网负荷与电价的智慧停车场充电调度方法及系统 Download PDFInfo
- Publication number
- CN117933668A CN117933668A CN202410327415.3A CN202410327415A CN117933668A CN 117933668 A CN117933668 A CN 117933668A CN 202410327415 A CN202410327415 A CN 202410327415A CN 117933668 A CN117933668 A CN 117933668A
- Authority
- CN
- China
- Prior art keywords
- charging
- particle
- particles
- electricity price
- optimal
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 230000008859 change Effects 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 239000002245 particle Substances 0.000 claims description 321
- 230000006870 function Effects 0.000 claims description 50
- 238000013459 approach Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 15
- 230000001174 ascending effect Effects 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 62
- 230000035945 sensitivity Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- B60L53/67—Controlling two or more charging stations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Transportation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明提供一种基于电网负荷与电价的智慧停车场充电调度方法及系统,涉及智能控制技术领域,包括收集智慧停车场的历史数据,确定电价变化和用电状态,构建弹性模型,计算弹性系数,确定电量电价弹性矩阵,根据电量电价弹性矩阵,确定时段用电量;基于时段用电量,以电网负荷的波动最小化为第一目标,以充电电费的最小化为第二目标,根据第一目标和第二目标构建综合目标函数,通过目标探索算法,基于综合目标函数对应的性能值,迭代获得最优解,确定最优解对应的最优负荷和最优电价;基于最优负荷和最优电价,按照预先设置的充电桩分配算法,通过实时动态分配,结合每个充电桩的功率分配,获得智慧停车场的最优充电调度方案。
Description
技术领域
本发明涉及技术智能控制技术领域,尤其涉及一种基于电网负荷与电价的智慧停车场充电调度方法及系统。
背景技术
随着人们环保意识的不断增强以及新能源技术的不断发展,电动汽车逐渐成为了替代传统燃油汽车的重要选择。近年来,随着各地区电动汽车保有量的持续增长,作为电动汽车出行保障的充电桩也逐渐暴露出基础设施不足和规划不合理等问题,电动汽车车主经常面对“充电难”的困境,严重制约了电动汽车的发展和普及,不同于传统燃油汽车加油只需要几分钟,电动汽车一般都需要几十分钟甚至几个小时才能充满电,即使近年来各地区都在加大针对充电桩基础建设的投入,但是充电桩前大排长队的情况依旧屡见不鲜,导致电动汽车车主在充电现场耗费大量的等待时间;
CN202311168523.2,公开了一种充电桩调度方法,包括:将多个充电桩接入局域网,并使用所述多个充电桩在所述局域网中分别广播自身的状态信息;根据所述多个充电桩的状态信息判断所述多个充电桩中是否存在主控;若是,则使用所述主控设备对所述多个充电桩的负荷进行调度;若不存在主控,则发起主控选举,选出主控后使用所述主控对所述其他充电桩进行调度。通过本地局域网在所有充电桩中选举主控,主控对所有充电桩的信息进行定时广播,当发现变压器负荷超过额定负荷时对充电装的负荷进行调度,使变压器在额定功率下工作;
综上所述,现有技术针对充电桩的调度仅考虑用户需要使用桩的时候,而并未解决较长时间周期的电量和电价动态调整问题,也没有针对车辆应用各充电桩输出功率的动态适配,为实现宏观的调度调控和精细化分配,本发明的应用至少能够解决现有技术的部分问题。
发明内容
本发明实施例提供一种基于电网负荷与电价的智慧停车场充电调度方法及系统,至少能够解决现有技术中部分问题。
本发明实施例的第一方面,
提供基于电网负荷与电价的智慧停车场充电调度方法,包括:
收集智慧停车场的历史数据,确定电价变化和用电状态,构建电量电价弹性模型,计算弹性系数,确定电量电价弹性矩阵,根据所述电量电价弹性矩阵,结合预设的映射关系,确定时段用电量;
基于所述时段用电量,以电网负荷的波动最小化为第一目标,以充电电费的最小化为第二目标,根据所述第一目标和所述第二目标构建综合目标函数,通过目标探索算法,基于所述综合目标函数对应的性能值,迭代获得最优解,确定所述最优解对应的最优负荷和最优电价;
基于所述最优负荷和所述最优电价,按照预先设置的充电桩分配算法,通过到达车辆队列和充电桩队列的实时动态分配,结合每个充电桩的功率分配,获得所述智慧停车场的最优充电调度方案。
在一种可选的实施例中,
收集智慧停车场的历史数据,确定电价变化和用电状态,构建电量电价弹性模型,计算弹性系数,确定电量电价弹性矩阵,根据所述电量电价弹性矩阵,结合预设的映射关系,确定时段用电量包括:
收集智慧停车场的历史数据,所述历史数据包括各时段电价、总用电量、各充电桩用电量;
基于所述历史数据,建立电量与电价的弹性模型;
根据所述弹性模型,采用弹性矩阵测量方法,计算弹性系数,所述弹性系数包括自弹性系数和交叉弹性系数,结合不同电价下用电量的变化,建立电量电价弹性矩阵;
结合预设的映射关系,将电量电价弹性矩阵与时段电价进行对应,确定在不同时段的时段用电量。
在一种可选的实施例中,
根据所述弹性模型,采用弹性矩阵测量方法,计算弹性系数,所述弹性系数包括自弹性系数和交叉弹性系数,结合不同电价下用电量的变化,建立电量电价弹性矩阵包括:
自弹性系数μ ii 和交叉弹性系数μ ij ,其公式如下:
;
其中,ΔQ i 表示在时段i内电量的变化,f' t 表示执行变化电价后的电量值函数,(P1,P2,P3,…,P m )表示在时段i内的所有电价,f t (P t )表示t时刻固定电价P t 的电量值函数,ΔP i 表示在时段i内电价的变化,P' i 表示执行变化电价后的电价,P i 表示固定电价时的电价,μ ii 表示自弹性系数,μ ij 表示交叉弹性系数;
所述电量电价弹性矩阵,其公式如下:
;
其中,E表示电量电价弹性矩阵。
在一种可选的实施例中,
基于所述时段用电量,以电网负荷的波动最小化为第一目标,以充电电费的最小化为第二目标,根据所述第一目标和所述第二目标构建综合目标函数,通过目标探索算法,基于所述综合目标函数对应的性能值,迭代获得最优解,确定所述最优解对应的最优负荷和最优电价包括:
所述第一目标,其公式如下:
;
其中,K AVG 表示平均功率,I表示时段总数,i表示时段序数,K Li 表示时段i的非充电系统功率,A表示电动车总数,a表示电动车序数,K ab 表示第a辆电动车在第i时段的充电功率,T 1表示第一目标函数的函数值;
所述第二目标,其公式如下:
;
其中,T 2表示第二目标函数的函数值,P r 表示充电桩输出功率,Δi表示相邻时间段的单位时长,C i 表示在时段i中按时完成充电的激励电价,X a,i 表示电动车a在时段i的是否进行充电,进行充电为1,否则为0。
在一种可选的实施例中,
通过目标探索算法,基于所述综合目标函数对应的性能值,迭代获得最优解,确定所述最优解对应的最优负荷和最优电价包括:
根据预设的所述目标探索算法,确定粒子总数、优等粒子数、中等粒子数、劣等粒子数和粒子小队数,其中所述粒子总数等于所述优等粒子数、所述中等粒子数和所述劣等粒子数之和,所述粒子小队数小于等于中等粒子数;
通过所述目标探索算法,按照所述粒子总数,随机创建粒子,构建粒子群;
基于所述综合目标函数,计算所述粒子群中每个粒子的性能值,对所述性能值进行由大到小排列,同时按照所述优等粒子数选取优等粒子,基于所述优等粒子,将所述粒子群划分成所述优等粒子对应数量的粒子子群,基于所述中等粒子数选取中等粒子,随机分配到所述粒子子群中,剩余粒子作为劣等粒子,并基于所述粒子小队数从所述中等粒子中选取队长粒子,将所述劣等粒子与所述队长粒子随机建立队伍关系;
开始粒子迭代:
所述优等粒子在全局范围探索更新位置;
所述中等粒子在粒子子群范围内探索更新位置;
所述劣等粒子根据与所述队长粒子之间的距离,通过随机跟随系数,确定更新位置;
基于所述综合目标函数,重新计算所述粒子群中每个粒子的性能值,重新确定粒子并重新分配粒子;
直到达到预设的迭代次数,将最后一次迭代完成后的最大性能值对应的粒子作为最优解,确定所述最优解对应的最优负荷和最优电价。
在一种可选的实施例中,
还包括:
所述优等粒子在全局范围探索更新位置,其公式如下:
;
其中,b表示第b次迭代,b-1表示前一次迭代,LH x 表示序号为x的优等粒子位置,randn(0,σ 2)表示服从期望为0、标准差为σ 2的高斯分布随机数,f x 表示序号为x的优等粒子的性能值,f o 表示另一个粒子的性能值,o表示另一个粒子序号,ε表示防止分母为0的小常数,N H 表示优等粒子总数;
所述中等粒子在粒子子群范围内探索更新位置,其公式如下:
;
其中,LM y 表示序号为y的中等粒子位置,s 1表示使用r1计算时的调整参数,s 2表示使用r2计算时的调整参数,rand表示[0,1]的随机数,r1表示序号为y的中等粒子所在粒子子群的优等粒子,r2表示优等粒子和中等粒子中的另一个,f y 表示序号为y的中等粒子的性能值,f r1表示r1对应的性能值,f r2表示r2对应的性能值;
所述劣等粒子根据与所述队长粒子之间的距离,通过随机跟随系数,确定更新位置,其公式如下:
;
其中,LL z 表示序号为z的劣等粒子位置,λ表示跟随系数,m表示序号为z的劣等粒子有队伍关系的队长粒子,LL m 表示队长粒子m的中等粒子位置。
在一种可选的实施例中,
基于所述最优负荷和所述最优电价,按照预先设置的充电桩分配算法,通过到达车辆队列和充电桩队列的实时动态分配,结合每个充电桩的功率分配,获得所述智慧停车场的最优充电调度方案包括:
所述充电桩是一桩多枪充电桩;
初始化系统参数,所述系统参数包括:需求队列、到达队列、充电桩队列、离开队列和充电桩总数;
基于车型进场量、车型进场率、需要充电占比和停车场路段车型日流量,确定电动车充电流量模型,基于所述电动车充电流量模型,预测电动车进场时间,加入需求队列;
基于所述需求队列,判断电动车到达情况,若到达,将对应电动车从需求队列移除,加入到达队列;基于电动车到达时间,对所述到达队列升序排序;
判断每个所述充电桩队列是否为空,若不是,计算充电车辆对应的充电时长和等待车辆对应的等待时间,基于所述等待时间,对所述充电桩队列进行升序排序;
判断所述到达队列中的电动车数量,若大于所述充电桩总数,按批次分配到所述充电桩;若小于等于所述充电桩总数,依次直接分配到所述充电桩;
判断每个所述充电桩队列是否为空,若否,标记非空充电桩队列,判断所有所述充电桩队列是否都为空,若不为空,基于每个所述充电桩的所述充电桩队列,对所述充电车辆和所述等待车辆进行功率分配,重新确定充电车辆对应的充电时长和等待车辆对应的等待时间;
根据所述充电车辆的充电状态,调整功率分配,当所述充电车辆完成充电时,从所述充电桩队列中移除,加入离开队列。
在一种可选的实施例中,
基于每个所述充电桩的所述充电桩队列,对所述充电车辆和所述等待车辆进行功率分配包括:
根据所述充电桩对应的充电桩队列,将队列位置第一的第一优先电动车对应的充电枪设置为主枪,匹配所述第一优先电动车的边界功率,为所述第一优先电动车充电;
将所述一桩多枪充电桩的其余充电枪设置次级枪,按照所述充电桩队列的队列顺序,结合每个所述次级枪对应的电动车的边界功率,以及所述充电桩在当前时段的所述最优负荷,分配每个所述次级枪的输出功率;
当所述第一优先电动车充电完成,从所述充电桩队列的第一位置移除,对应的第二位置变更成第一位置,重新进行输出功率分配;
依次类推,动态完成每个充电桩的功率分配。
本发明实施例的第二方面,
提供基于电网负荷与电价的智慧停车场充电调度系统,包括:
第一单元,用于收集智慧停车场的历史数据,确定电价变化和用电状态,构建电量电价弹性模型,计算弹性系数,确定电量电价弹性矩阵,根据所述电量电价弹性矩阵,结合预设的映射关系,确定时段用电量;
第二单元,用于基于所述时段用电量,以电网负荷的波动最小化为第一目标,以充电电费的最小化为第二目标,根据所述第一目标和所述第二目标构建综合目标函数,通过目标探索算法,基于所述综合目标函数对应的性能值,迭代获得最优解,确定所述最优解对应的最优负荷和最优电价;
第三单元,用于基于所述最优负荷和所述最优电价,按照预先设置的充电桩分配算法,通过到达车辆队列和充电桩队列的实时动态分配,结合每个充电桩的功率分配,获得所述智慧停车场的最优充电调度方案。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例中,通过电量电价弹性模型和弹性矩阵,可以更准确地预测和管理停车场的用电情况,帮助停车场运营者在不同的电价环境下做出更合理的决策,如调整充电策略或定价策略;以电网负荷的波动最小化和充电电费的最小化为多目标,通过同时考虑多个目标,对停车场的电网负担和运营成本,实现了更全面的优化;使用目标探索算法进行迭代优化,有助于在多维目标空间中找到最优解,能够更灵活地搜索复杂的解空间,提高找到全局最优解的概率;采用实时动态分配算法,根据到达车辆队列和充电桩队列的情况,及时调整充电桩的分配,以适应不同时间段的充电需求,提高系统的响应速度;通过动态调整主枪和次级枪的输出功率,实现对每个充电桩的实时功率分配,使系统能够根据当前的充电需求和充电桩队列的状态,实现最优的充电功率分配,提高了充电桩的利用率。
附图说明
图1为本发明实施例基于电网负荷与电价的智慧停车场充电调度方法的流程示意图;
图2为本发明实施例基于电网负荷与电价的智慧停车场充电调度系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例基于电网负荷与电价的智慧停车场充电调度方法的流程示意图,如图1所示,所述方法包括:
S101.收集智慧停车场的历史数据,确定电价变化和用电状态,构建电量电价弹性模型,计算弹性系数,确定电量电价弹性矩阵,根据所述电量电价弹性矩阵,结合预设的映射关系,确定时段用电量;
所述电量电价弹性模型具体是指描述电量与电价之间关系的数学模型,通常可以是线性的、非线性的或者其他形式的函数模型,优选地,使用分段关系,通过非线性的形式来表示电量随着电价变化状态;
所述弹性系数具体是指电量对电价变化的敏感程度的度量,反映在电价变化时,电量变化的相对幅度;
所述电量电价弹性矩阵具体是指电量与电价的关系矩阵,其中的每个元素表示对应电价和电量之间的弹性系数,矩阵的行和列分别代表不同的电价和电量水平,在电量电价弹性矩阵中可以看出电量对于不同电价变化的敏感程度;
在本实施例中,通过电量电价弹性模型和弹性矩阵,可以更准确地预测和管理停车场的用电情况,帮助停车场运营者在不同的电价环境下做出更合理的决策,如调整充电策略或定价策略;在传统技术中,缺乏对电价变化的敏感度度量,无法实现这种精细化的能源管理,通过弹性模型和矩阵,可以更好地优化能源利用,降低能源浪费和成本。
在一种可选的实施例中,收集智慧停车场的历史数据,确定电价变化和用电状态,构建电量电价弹性模型,计算弹性系数,确定电量电价弹性矩阵,根据所述电量电价弹性矩阵,结合预设的映射关系,确定时段用电量包括:
收集智慧停车场的历史数据,所述历史数据包括各时段电价、总用电量、各充电桩用电量;
基于所述历史数据,建立电量与电价的弹性模型;
根据所述弹性模型,采用弹性矩阵测量方法,计算弹性系数,所述弹性系数包括自弹性系数和交叉弹性系数,结合不同电价下用电量的变化,建立电量电价弹性矩阵;
结合预设的映射关系,将电量电价弹性矩阵与时段电价进行对应,确定在不同时段的时段用电量。
所述自弹性系数具体是指衡量充电用户对各种不同电价的单时段的响应的指标,在特定时段,充电用户对电价的敏感度,即在电价变化时,用户负荷量相对应地变化了多少。如果自弹性系数为正,表示用户对电价的变化敏感,而负值则表示用户对电价的变化不太敏感;
所述交叉弹性系数具体是指用来衡量不同时段之间的充电用户电量需求的相互影响,在一个时段的电价变化如何影响其他时段的用户负荷量,正值表示两个时段的用电量呈正相关,负值表示呈负相关。
收集智慧停车场的各时段电价、总用电量、各充电桩用电量,使用收集到的历史数据,基于历史数据,建立电量与电价的弹性模型,通过回归分析来分析电价因素对电量的影响,从而建立电量与电价之间的关系模型;
采用弹性矩阵测量方法,计算弹性系数,其中,弹性系数包括自弹性系数和交叉弹性系数,自弹性系数表示充电用户对单一电价时段的响应程度,而交叉弹性系数表示充电用户在一个电价时段变化下对其他时段电价的响应程度;
结合弹性系数和预设的映射关系,建立电量电价弹性矩阵,反映了不同电价下用户在不同时段的用电量变化情况,结合预设的映射关系,将电量电价弹性矩阵与时段电价进行对应,通过对应关系,可以确定在不同时段用户的用电量,为智慧停车场在不同电价策略下的用电需求提供了依据;
在本实施例中,通过建立电量与电价的弹性模型,利用历史数据计算自弹性系数和交叉弹性系数,更准确地预测在不同电价水平下的用电量,有助于智慧停车场合理规划电力资源,避免电力浪费和降低成本;电量电价弹性矩阵反映了用电量对各个电价的敏感度,结合自弹性系数和交叉弹性系数,更全面地了解不同时段的用电特性,为制定灵活的电价策略和充电桩管理方案提供了依据;映射关系将电量电价弹性矩阵与时段电价进行对应,有助于智慧停车场在不同电价环境下进行用电决策,使停车场能够根据市场变化和电网状况调整用电行为,最大程度地利用低电价时段。
在一种可选的实施例中,根据所述弹性模型,采用弹性矩阵测量方法,计算弹性系数,所述弹性系数包括自弹性系数和交叉弹性系数,结合不同电价下用电量的变化,建立电量电价弹性矩阵包括:
自弹性系数μ ii 和交叉弹性系数μ ij ,其公式如下:
;
其中,ΔQ i 表示在时段i内电量的变化,f' t 表示执行变化电价后的电量值函数,(P1,P2,P3,…,P m )表示在时段i内的所有电价,f t (P t )表示t时刻固定电价P t 的电量值函数,ΔP i 表示在时段i内电价的变化,P' i 表示执行变化电价后的电价,P i 表示固定电价时的电价,μ ii 表示自弹性系数,μ ij 表示交叉弹性系数;
所述电量电价弹性矩阵,其公式如下:
;
其中,E表示电量电价弹性矩阵。
在一个时段内电量的变化,是通过执行变化电价后电量值和固定电价电量值的差值积分得到的;同时在对应时段内电价的变化是执行变化电价后的电价与固定电价时的电价的差值;构建电量对自身电价变化的敏感程度;
再通过另一时段的电价变化,得到其他时间段电价变化对当前时间段电量的影响,确定电量对其他电价变化的敏感程度;
将各时段之间的电量电价相互影响的敏感程度,整合成一个关系矩阵;
根据所述公式,提供了一种量化电量与电价之间关系的方法,通过计算自弹性系数和交叉弹性系数,可以更精确地评估不同电价对用电量的影响;电量电价弹性矩阵提供了一个综合的视角来理解不同电价下用电量的变化情况,有助于制定灵活的电价政策和用电规划;通过矩阵分析,可以识别出在不同电价环境下用电的敏感性,从而为智慧停车场提供更智能的用电决策和资源管理策略。
S102.基于所述时段用电量,以电网负荷的波动最小化为第一目标,以充电电费的最小化为第二目标,根据所述第一目标和所述第二目标构建综合目标函数,通过目标探索算法,基于所述综合目标函数对应的性能值,迭代获得最优解,确定所述最优解对应的最优负荷和最优电价;
确定第一目标和第二目标,优选地,通过加权系数综合考虑两个目标的比重,确定综合目标对应的函数,利用目标探索算法,在解的空间中进行探索,通过综合目标对应的函数确定解的性能,通过多次迭代,寻求最优解;
在本实施例中,以电网负荷的波动最小化和充电电费的最小化为多目标,通过同时考虑多个目标,对停车场的电网负担和运营成本,实现了更全面的优化;使用目标探索算法进行迭代优化,有助于在多维目标空间中找到最优解,能够更灵活地搜索复杂的解空间,提高找到全局最优解的概率;
在一种可选的实施例中,基于所述时段用电量,以电网负荷的波动最小化为第一目标,以充电电费的最小化为第二目标,根据所述第一目标和所述第二目标构建综合目标函数,通过目标探索算法,基于所述综合目标函数对应的性能值,迭代获得最优解,确定所述最优解对应的最优负荷和最优电价包括:
所述第一目标,其公式如下:
;
其中,K AVG 表示平均功率,I表示时段总数,i表示时段序数,K Li 表示时段i的非充电系统功率,A表示电动车总数,a表示电动车序数,K ab 表示第a辆电动车在第i时段的充电功率,T 1表示第一目标函数的函数值;
所述第二目标,其公式如下:
;
其中,T 2表示第二目标函数的函数值,P r 表示充电桩输出功率,Δi表示相邻时间段的单位时长,C i 表示在时段i中按时完成充电的激励电价,X a,i 表示电动车a在时段i的是否进行充电,进行充电为1,否则为0。
首先,计算平均功率,所述平均功率表示非充电系统在各个时段的平均功率水平;对于每个时段,计算对应时段的非充电系统功率与所有电动车充电功率之和的差值,用来确定对应时段的电网负荷波动;
第一目标是使各时段的电网负荷波动尽可能接近平均功率,使用平方差的形式,计算各个时段电网负荷波动与平均功率的差值的平方的和;
对于每辆电动车在每个时段中,计算充电桩输出功率乘以相邻时间段的单位时长,再乘以激励电价的乘积,若电动车在对应时段充电时,则标记为1,否则标记为0。
第二目标是使每个电动车在每个时段的充电成本尽可能小,使用充电功率乘以激励电价的形式,计算每辆电动车在各个时段的充电成本的总和;
根据所述公式,通过第一目标函数,最小化电网负荷的波动,使停车场用电行为更加平滑,减少电网在短时段内的负荷波动,有助于提高电网的稳定性和可靠性;第二目标函数旨在最小化充电成本,通过灵活控制电动车的充电策略,使停车场在电价较低时进行充电,从而降低充电成本,有助于减少停车场的运营成本,提高经济效益;通过综合考虑电网负荷波动和充电成本两个目标,优化时段用电量,在保持电网稳定性的同时,最小化了充电成本,使得停车场能够更智能地响应电价波动和电网需求。
在一种可选的实施例中,通过目标探索算法,基于所述综合目标函数对应的性能值,迭代获得最优解,确定所述最优解对应的最优负荷和最优电价包括:
根据预设的所述目标探索算法,确定粒子总数、优等粒子数、中等粒子数、劣等粒子数和粒子小队数,其中所述粒子总数等于所述优等粒子数、所述中等粒子数和所述劣等粒子数之和,所述粒子小队数小于等于中等粒子数;
通过所述目标探索算法,按照所述粒子总数,随机创建粒子,构建粒子群;
基于所述综合目标函数,计算所述粒子群中每个粒子的性能值,对所述性能值进行由大到小排列,同时按照所述优等粒子数选取优等粒子,基于所述优等粒子,将所述粒子群划分成所述优等粒子对应数量的粒子子群,基于所述中等粒子数选取中等粒子,随机分配到所述粒子子群中,剩余粒子作为劣等粒子,并基于所述粒子小队数从所述中等粒子中选取队长粒子,将所述劣等粒子与所述队长粒子随机建立队伍关系;
开始粒子迭代:
所述优等粒子在全局范围探索更新位置;
所述中等粒子在粒子子群范围内探索更新位置;
所述劣等粒子根据与所述队长粒子之间的距离,通过随机跟随系数,确定更新位置;
基于所述综合目标函数,重新计算所述粒子群中每个粒子的性能值,重新确定粒子并重新分配粒子;
直到达到预设的迭代次数,将最后一次迭代完成后的最大性能值对应的粒子作为最优解,确定所述最优解对应的最优负荷和最优电价。
在目标探索算法中,所述粒子具体是指搜索空间中的一个潜在解,每个粒子都有一组参数,这些参数可以通过优化来获得最优解;所述粒子总数也就是潜在解的总数,是优等粒子数、中等粒子数和劣等粒子数之和;所述优等粒子具体是指在每次迭代中,根据性能值排名从大到小选取的前若干个粒子,优等粒子代表当前搜索空间的一部分最优解;所述中等粒子具体是指根据性能值排名在优等粒子之后的一部分粒子,用于在粒子子群范围内进行探索;所述劣等粒子具体是指性能值排名最低的粒子,它们在算法中通过随机跟随队长粒子进行探索;所述粒子子群具体是指将所有粒子划分成不同的子群,每个粒子子群中有且仅有一个优等粒子,中等粒子和劣等粒子的数量是随机的,不是每个中等粒子都匹配了劣等粒子,在每次迭代中,粒子子群内的粒子进行局部搜索,以提高算法的收敛速度;所述粒子小队,每个粒子小队由一个中等粒子作为队长粒子,和若干劣等粒子组成,劣等粒子根据与队长粒子之间的距离和随机跟随系数来更新位置,通过队长粒子引导劣等粒子进行更有针对性的搜索;
随机生成粒子总数个粒子,构建粒子群;基于综合目标函数,计算每个粒子的性能值,对性能值由大到小进行排列;按照预设的优等粒子数,在所有粒子中选取优等粒子,按照预设的中等粒子数选取粒子作为中等粒子,其余的粒子作为劣等粒子,并按照优等粒子数,每一个优等粒子领导一个粒子子群,随机分配中等粒子进入粒子子群;同时从所有的中等粒子中按照预设的队长粒子数,随机确定队长粒子,建立队伍关系,将劣等粒子与中等粒子中的队长粒子随机匹配,完成粒子小队构建;
进行所有粒子的迭代更新,其中,优等粒子在全局范围内更新位置,中等粒子在粒子子群范围内更新位置,劣等粒子根据与队长粒子之间的距离和随机跟随系数更新位置;更新得到新的粒子位置后,重新计算各粒子的性能值,并重新分配粒子,包括粒子的分类、粒子子群与粒子小队的建立、粒子之间关系的建立;
重复粒子迭代直到达到预设的迭代次数,将最后一次迭代完成后的最大性能值对应的粒子作为最优解,确定最优解对应的最优负荷和最优电价;
在本实施例中,通过将粒子划分为优等、中等和劣等,以及建立队伍关系,实现了多层次的分组优化,有助于在搜索空间中通过不同层次的粒子协同工作,更全面地探索解空间;劣等粒子根据与队长粒子的距离和随机跟随系数进行位置更新,实现了自适应的调整,使劣等粒子可以更灵活地跟随队长粒子进行搜索,提高了搜索的效率;劣等粒子和中等粒子的动态分组,以及队长粒子的选取,使得在每次迭代中,粒子的分组和队伍关系都可能发生变化,增加搜索的多样性;通过优等粒子的全局探索和中等粒子的局部探索,实现全局与局部的平衡,有助于算法在搜索空间中快速找到全局最优解,同时避免陷入局部最优解;通过分层次的粒子分组和队伍关系建立,实现更加有针对性的搜索策略,分层次的设计使得粒子可以有选择性地进行全局、局部和队伍内的搜索,提高搜索的灵活性。
在一种可选的实施例中,还包括:
所述优等粒子在全局范围探索更新位置,其公式如下:
;
其中,b表示第b次迭代,b-1表示前一次迭代,LH x 表示序号为x的优等粒子位置,randn(0,σ 2)表示服从期望为0、标准差为σ 2的高斯分布随机数,f x 表示序号为x的优等粒子的性能值,f o 表示另一个粒子的性能值,o表示另一个粒子序号,ε表示防止分母为0的小常数,N H 表示优等粒子总数;
所述中等粒子在粒子子群范围内探索更新位置,其公式如下:
;
其中,LM y 表示序号为y的中等粒子位置,s 1表示使用r1计算时的调整参数,s 2表示使用r2计算时的调整参数,rand表示[0,1]的随机数,r1表示序号为y的中等粒子所在粒子子群的优等粒子,r2表示优等粒子和中等粒子中的另一个,f y 表示序号为y的中等粒子的性能值,f r1表示r1对应的性能值,f r2表示r2对应的性能值;
所述劣等粒子根据与所述队长粒子之间的距离,通过随机跟随系数,确定更新位置,其公式如下:
;
其中,LL z 表示序号为z的劣等粒子位置,λ表示跟随系数,m表示序号为z的劣等粒子有队伍关系的队长粒子,LL m 表示队长粒子m的中等粒子位置。
在全局范围,优等粒子的位置更新通过以下过程实现:
优等粒子位置在第b次迭代中更新,基于前一次迭代b-1的位置,通过前一次迭代的位置乘以一个随机数实现,该随机数服从期望为 0、标准差为σ 2的高斯分布;其中标准差的计算方式取决于当前粒子的性能值和另一个粒子的性能值的大小关系,如果当前粒子的性能值小于等于另一个粒子的性能值,则为常数1,其他情况下,则通过当前粒子的性能值计算得到;
在粒子子群范围内,中等粒子的位置更新通过以下过程实现:
同样地,中等粒子位置在第b次迭代中更新,基于前一次迭代b-1的位置,通过当前中等粒子、当前中等粒子所在粒子子群的优等粒子、以及从中等粒子和优等粒子中选择的另一个粒子,计算对应的性能值,以确定调整参数,通过调整参数以及[0,1]之间的随机数,更新位置;
劣等粒子的位置更新基于队长粒子的中等粒子位置,通过随机跟随系数 来调整位置:
通过前一次迭代b-1的劣等粒子位置加上跟随系数乘以作为队长粒子的中等粒子位置与当前位置的差异来更新;
根据所述公式,通过随机扰动项,引入了探索性,使优等粒子能够在全局范围内进行位置更新,根据性能值动态调整扰动项的大小,增加对搜索空间的适应性;通过两部分更新,结合了中等粒子所在子群的局部信息和全局的信息,实现了更有针对性的搜索,调整参数的动态计算增加了对不同性能值的适应性;通过跟随系数和队长粒子的位置,实现劣等粒子对队伍关系的适应性更新,劣等粒子根据队长粒子的信息进行位置更新,加强了全局搜索的引导。
S103.基于所述最优负荷和所述最优电价,按照预先设置的充电桩分配算法,通过到达车辆队列和充电桩队列的实时动态分配,结合每个充电桩的功率分配,获得所述智慧停车场的最优充电调度方案;
所述充电桩是一桩多枪充电桩;
初始化系统参数,所述系统参数包括:需求队列、到达队列、充电桩队列、离开队列和充电桩总数;
基于车型进场量、车型进场率、需要充电占比和停车场路段车型日流量,确定电动车充电流量模型,基于所述电动车充电流量模型,预测电动车进场时间,加入需求队列;
基于所述需求队列,判断电动车到达情况,若到达,将对应电动车从需求队列移除,加入到达队列;基于电动车到达时间,对所述到达队列升序排序;
判断每个所述充电桩队列是否为空,若不是,计算充电车辆对应的充电时长和等待车辆对应的等待时间,基于所述等待时间,对所述充电桩队列进行升序排序;
判断所述到达队列中的电动车数量,若大于所述充电桩总数,按批次分配到所述充电桩;若小于等于所述充电桩总数,依次直接分配到所述充电桩;
判断每个所述充电桩队列是否为空,若否,标记非空充电桩队列,判断所有所述充电桩队列是否都为空,若不为空,基于每个所述充电桩的所述充电桩队列,对所述充电车辆和所述等待车辆进行功率分配,重新确定充电车辆对应的充电时长和等待车辆对应的等待时间;
根据所述充电车辆的充电状态,调整功率分配,当所述充电车辆完成充电时,从所述充电桩队列中移除,加入离开队列。
所述车型进场量具体是指在停车场中特定车型的进场数量,即该车型的车辆在一段时间内进入停车场的总数;
所述车型进场率具体是指特定车型在总车流中的比例,通常以百分比表示,是车型进场量与总车辆进场量的比值;
所述需要充电占比具体是指在停车场中的车型中,需要进行充电的车辆占该车型总进场量的比例,以百分比表示;
所述停车场路段车型日流量具体是指在停车场某个路段上的特定车型在一天内的平均流量,即每日车辆数量;
初始化系统参数,包括需求队列(存储等待充电的车辆信息)、到达队列(存储已到达停车场的车辆信息)、充电桩队列(存储充电桩的信息)、离开队列(存储已完成充电的车辆信息)和充电桩总数;
利用车型进场量、车型进场率、需要充电占比和停车场路段车型日流量等信息建立电动车充电流量模型,根据电动车充电流量模型,预测电动车的进场时间,并将其加入需求队列;若电动车已到达,则将其从需求队列移除,加入到达队列,并对到达队列按照到达时间进行升序排序;对每个充电桩队列判断是否为空,若非空,则计算充电车辆和等待车辆的相应时长和等待时间,并对充电桩队列按照等待时间升序排序;根据到达队列中的电动车数量和充电桩总数,分批次将电动车分配到充电桩,若到达队列数量小于等于充电桩总数,则依次直接分配;若大于充电桩总数,则按批次分配;对非空的充电桩队列进行功率分配,根据每个充电桩的队列情况重新确定充电车辆的充电时长和等待车辆的等待时间;当充电车辆完成充电时,将其从充电桩队列中移除,加入离开队列;其中,在一桩多枪进行充电时,根据充电车辆状态,调整功率分配;
在本实施例中,通过动态分配充电桩,基于最优负荷和最优电价,实现智慧停车场的最优充电调度方案,以提高充电效率和资源利用率;采用实时动态分配算法,根据到达车辆队列和充电桩队列的情况,及时调整充电桩的分配,以适应不同时间段的充电需求,提高系统的响应速度;通过车型进场量、车型进场率、需要充电占比等参数,考虑不同车型的进场情况,以更精准地进行充电桩分配;在最优充电调度中考虑充电完成后车辆的离场管理,以保证充电桩的及时释放,为下一辆需要充电的车辆提供服务。
在一种可选的实施例中,基于每个所述充电桩的所述充电桩队列,对所述充电车辆和所述等待车辆进行功率分配包括:
根据所述充电桩对应的充电桩队列,将队列位置第一的第一优先电动车对应的充电枪设置为主枪,匹配所述第一优先电动车的边界功率,为所述第一优先电动车充电;
将所述一桩多枪充电桩的其余充电枪设置次级枪,按照所述充电桩队列的队列顺序,结合每个所述次级枪对应的电动车的边界功率,以及所述充电桩在当前时段的所述最优负荷,分配每个所述次级枪的输出功率;
当所述第一优先电动车充电完成,从所述充电桩队列的第一位置移除,对应的第二位置变更成第一位置,重新进行输出功率分配;
依次类推,动态完成每个充电桩的功率分配。
所述主枪具体是指一桩多枪充电桩中,被分配给第一优先电动车的充电枪,即为第一优先电动车提供充电服务的充电枪,可以较大功率释放电能的充电枪;
所述次级枪具体是指一桩多枪充电桩中,除主枪外的其他充电枪,用于为优先级较低的电动车提供充电服务,增加一桩多枪充电桩的使用效率,较少等待时间;
所述边界功率具体是指电动车在充电过程中能够接受的最大功率,超过该功率可能会导致充电设备的限制,按照车型的基本数据,最大化充电效率;
根据充电桩队列的队列位置,将队列位置第一的电动车设定为第一优先电动车,分配主枪给该电动车;根据第一优先电动车的边界功率,为其分配输出功率,进行充电,充电过程中,监测第一优先电动车的充电状态;当第一优先电动车充电完成后,从充电桩队列的第一位置移除,同时,对应的第二位置变为第一位置;根据新的第一位置的电动车,重新分配主枪的输出功率,同时,对于剩余的次级枪,结合充电桩队列的队列顺序、每个次级枪对应的电动车的边界功率,以及充电桩在当前时段的最优负荷,进行输出功率的动态分配;
重复以上步骤,依次处理充电桩队列中的电动车,动态完成每个充电桩的功率分配;
在本实施例中,通过动态调整主枪和次级枪的输出功率,实现对每个充电桩的实时功率分配,使系统能够根据当前的充电需求和充电桩队列的状态,实现最优的充电功率分配,提高了充电桩的利用率;主枪的分配是基于队列中第一优先电动车,通过这种方式,系统能够优先满足高优先级的电动车充电需求,提高了充电服务的效率和满意度;在电动车充电完成后,重新调整队列的顺序,使下一个电动车成为新的第一优先电动车,队列的动态调整确保充电桩队列的持续高效运行;通过及时将已充电完成的电动车移除队列,并重新分配功率给新的电动车,系统有效避免了充电桩的闲置时间,提高了整体充电效率。
图2为本发明实施例基于电网负荷与电价的智慧停车场充电调度系统的结构示意图,如图2所示,所述系统包括:
第一单元,用于收集智慧停车场的历史数据,确定电价变化和用电状态,构建电量电价弹性模型,计算弹性系数,确定电量电价弹性矩阵,根据所述电量电价弹性矩阵,结合预设的映射关系,确定时段用电量;
第二单元,用于基于所述时段用电量,以电网负荷的波动最小化为第一目标,以充电电费的最小化为第二目标,根据所述第一目标和所述第二目标构建综合目标函数,通过目标探索算法,基于所述综合目标函数对应的性能值,迭代获得最优解,确定所述最优解对应的最优负荷和最优电价;
第三单元,用于基于所述最优负荷和所述最优电价,按照预先设置的充电桩分配算法,通过到达车辆队列和充电桩队列的实时动态分配,结合每个充电桩的功率分配,获得所述智慧停车场的最优充电调度方案。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.基于电网负荷与电价的智慧停车场充电调度方法,其特征在于,包括:
收集智慧停车场的历史数据,确定电价变化和用电状态,构建电量电价弹性模型,计算弹性系数,确定电量电价弹性矩阵,根据所述电量电价弹性矩阵,结合预设的映射关系,确定时段用电量;
基于所述时段用电量,以电网负荷的波动最小化为第一目标,以充电电费的最小化为第二目标,根据所述第一目标和所述第二目标构建综合目标函数,通过目标探索算法,基于所述综合目标函数对应的性能值,迭代获得最优解,确定所述最优解对应的最优负荷和最优电价;
基于所述最优负荷和所述最优电价,按照预先设置的充电桩分配算法,通过到达车辆队列和充电桩队列的实时动态分配,结合每个充电桩的功率分配,获得所述智慧停车场的最优充电调度方案。
2.根据权利要求1所述的方法,其特征在于,收集智慧停车场的历史数据,确定电价变化和用电状态,构建电量电价弹性模型,计算弹性系数,确定电量电价弹性矩阵,根据所述电量电价弹性矩阵,结合预设的映射关系,确定时段用电量包括:
收集智慧停车场的历史数据,所述历史数据包括各时段电价、总用电量、各充电桩用电量;
基于所述历史数据,建立电量与电价的弹性模型;
根据所述弹性模型,采用弹性矩阵测量方法,计算弹性系数,所述弹性系数包括自弹性系数和交叉弹性系数,结合不同电价下用电量的变化,建立电量电价弹性矩阵;
结合预设的映射关系,将电量电价弹性矩阵与时段电价进行对应,确定在不同时段的时段用电量。
3.根据权利要求2所述的方法,其特征在于,根据所述弹性模型,采用弹性矩阵测量方法,计算弹性系数,所述弹性系数包括自弹性系数和交叉弹性系数,结合不同电价下用电量的变化,建立电量电价弹性矩阵包括:
自弹性系数μ ii 和交叉弹性系数μ ij ,其公式如下:
;
其中,ΔQ i 表示在时段i内电量的变化,f' t 表示执行变化电价后的电量值函数,(P1,P2,P3,…,P m )表示在时段i内的所有电价,f t (P t )表示t时刻固定电价P t 的电量值函数,ΔP i 表示在时段i内电价的变化,P' i 表示执行变化电价后的电价,P i 表示固定电价时的电价,μ ii 表示自弹性系数,μ ij 表示交叉弹性系数;
所述电量电价弹性矩阵,其公式如下:
;
其中,E表示电量电价弹性矩阵。
4.根据权利要求1所述的方法,其特征在于,基于所述时段用电量,以电网负荷的波动最小化为第一目标,以充电电费的最小化为第二目标,根据所述第一目标和所述第二目标构建综合目标函数,通过目标探索算法,基于所述综合目标函数对应的性能值,迭代获得最优解,确定所述最优解对应的最优负荷和最优电价包括:
所述第一目标,其公式如下:
;
其中,K AVG 表示平均功率,I表示时段总数,i表示时段序数,K Li 表示时段i的非充电系统功率,A表示电动车总数,a表示电动车序数,K ab 表示第a辆电动车在第i时段的充电功率,T 1表示第一目标函数的函数值;
所述第二目标,其公式如下:
;
其中,T 2表示第二目标函数的函数值,P r 表示充电桩输出功率,Δi表示相邻时间段的单位时长,C i 表示在时段i中按时完成充电的激励电价,X a,i 表示电动车a在时段i的是否进行充电,进行充电为1,否则为0。
5.根据权利要求4所述的方法,其特征在于,通过目标探索算法,基于所述综合目标函数对应的性能值,迭代获得最优解,确定所述最优解对应的最优负荷和最优电价包括:
根据预设的所述目标探索算法,确定粒子总数、优等粒子数、中等粒子数、劣等粒子数和粒子小队数,其中所述粒子总数等于所述优等粒子数、所述中等粒子数和所述劣等粒子数之和,所述粒子小队数小于等于中等粒子数;
通过所述目标探索算法,按照所述粒子总数,随机创建粒子,构建粒子群;
基于所述综合目标函数,计算所述粒子群中每个粒子的性能值,对所述性能值进行由大到小排列,同时按照所述优等粒子数选取优等粒子,基于所述优等粒子,将所述粒子群划分成所述优等粒子对应数量的粒子子群,基于所述中等粒子数选取中等粒子,随机分配到所述粒子子群中,剩余粒子作为劣等粒子,并基于所述粒子小队数从所述中等粒子中选取队长粒子,将所述劣等粒子与所述队长粒子随机建立队伍关系;
开始粒子迭代:
所述优等粒子在全局范围探索更新位置;
所述中等粒子在粒子子群范围内探索更新位置;
所述劣等粒子根据与所述队长粒子之间的距离,通过随机跟随系数,确定更新位置;
基于所述综合目标函数,重新计算所述粒子群中每个粒子的性能值,重新确定粒子并重新分配粒子;
直到达到预设的迭代次数,将最后一次迭代完成后的最大性能值对应的粒子作为最优解,确定所述最优解对应的最优负荷和最优电价。
6.根据权利要求5所述的方法,其特征在于,还包括:
所述优等粒子在全局范围探索更新位置,其公式如下:
;
其中,b表示第b次迭代,b-1表示前一次迭代,LH x 表示序号为x的优等粒子位置,randn(0,σ 2)表示服从期望为0、标准差为σ 2的高斯分布随机数,f x 表示序号为x的优等粒子的性能值,f o 表示另一个粒子的性能值,o表示另一个粒子序号,ε表示防止分母为0的小常数,N H 表示优等粒子总数;
所述中等粒子在粒子子群范围内探索更新位置,其公式如下:
;
其中,LM y 表示序号为y的中等粒子位置,s 1表示使用r1计算时的调整参数,s 2表示使用r2计算时的调整参数,rand表示[0,1]的随机数,r1表示序号为y的中等粒子所在粒子子群的优等粒子,r2表示优等粒子和中等粒子中的另一个,f y 表示序号为y的中等粒子的性能值,f r1表示r1对应的性能值,f r2表示r2对应的性能值;
所述劣等粒子根据与所述队长粒子之间的距离,通过随机跟随系数,确定更新位置,其公式如下:
;
其中,LL z 表示序号为z的劣等粒子位置,λ表示跟随系数,m表示序号为z的劣等粒子有队伍关系的队长粒子,LL m 表示队长粒子m的中等粒子位置。
7.根据权利要求1所述的方法,其特征在于,基于所述最优负荷和所述最优电价,按照预先设置的充电桩分配算法,通过到达车辆队列和充电桩队列的实时动态分配,结合每个充电桩的功率分配,获得所述智慧停车场的最优充电调度方案包括:
所述充电桩是一桩多枪充电桩;
初始化系统参数,所述系统参数包括:需求队列、到达队列、充电桩队列、离开队列和充电桩总数;
基于车型进场量、车型进场率、需要充电占比和停车场路段车型日流量,确定电动车充电流量模型,基于所述电动车充电流量模型,预测电动车进场时间,加入需求队列;
基于所述需求队列,判断电动车到达情况,若到达,将对应电动车从需求队列移除,加入到达队列;基于电动车到达时间,对所述到达队列升序排序;
判断每个所述充电桩队列是否为空,若不是,计算充电车辆对应的充电时长和等待车辆对应的等待时间,基于所述等待时间,对所述充电桩队列进行升序排序;
判断所述到达队列中的电动车数量,若大于所述充电桩总数,按批次分配到所述充电桩;若小于等于所述充电桩总数,依次直接分配到所述充电桩;
判断每个所述充电桩队列是否为空,若否,标记非空充电桩队列,判断所有所述充电桩队列是否都为空,若不为空,基于每个所述充电桩的所述充电桩队列,对所述充电车辆和所述等待车辆进行功率分配,重新确定充电车辆对应的充电时长和等待车辆对应的等待时间;
根据所述充电车辆的充电状态,调整功率分配,当所述充电车辆完成充电时,从所述充电桩队列中移除,加入离开队列。
8.根据权利要求7所述的方法,其特征在于,基于每个所述充电桩的所述充电桩队列,对所述充电车辆和所述等待车辆进行功率分配包括:
根据所述充电桩对应的充电桩队列,将队列位置第一的第一优先电动车对应的充电枪设置为主枪,匹配所述第一优先电动车的边界功率,为所述第一优先电动车充电;
将所述一桩多枪充电桩的其余充电枪设置次级枪,按照所述充电桩队列的队列顺序,结合每个所述次级枪对应的电动车的边界功率,以及所述充电桩在当前时段的所述最优负荷,分配每个所述次级枪的输出功率;
当所述第一优先电动车充电完成,从所述充电桩队列的第一位置移除,对应的第二位置变更成第一位置,重新进行输出功率分配;
依次类推,动态完成每个充电桩的功率分配。
9.基于电网负荷与电价的智慧停车场充电调度系统,用于实现前述权利要求1-8中任一项所述的基于电网负荷与电价的智慧停车场充电调度方法,其特征在于,包括:
第一单元,用于收集智慧停车场的历史数据,确定电价变化和用电状态,构建电量电价弹性模型,计算弹性系数,确定电量电价弹性矩阵,根据所述电量电价弹性矩阵,结合预设的映射关系,确定时段用电量;
第二单元,用于基于所述时段用电量,以电网负荷的波动最小化为第一目标,以充电电费的最小化为第二目标,根据所述第一目标和所述第二目标构建综合目标函数,通过目标探索算法,基于所述综合目标函数对应的性能值,迭代获得最优解,确定所述最优解对应的最优负荷和最优电价;
第三单元,用于基于所述最优负荷和所述最优电价,按照预先设置的充电桩分配算法,通过到达车辆队列和充电桩队列的实时动态分配,结合每个充电桩的功率分配,获得所述智慧停车场的最优充电调度方案。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410327415.3A CN117933668B (zh) | 2024-03-21 | 2024-03-21 | 基于电网负荷与电价的智慧停车场充电调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410327415.3A CN117933668B (zh) | 2024-03-21 | 2024-03-21 | 基于电网负荷与电价的智慧停车场充电调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117933668A true CN117933668A (zh) | 2024-04-26 |
CN117933668B CN117933668B (zh) | 2024-07-02 |
Family
ID=90757691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410327415.3A Active CN117933668B (zh) | 2024-03-21 | 2024-03-21 | 基于电网负荷与电价的智慧停车场充电调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117933668B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214095A (zh) * | 2018-09-13 | 2019-01-15 | 云南民族大学 | 电动汽车充放电多目标优化调度方法 |
CN111127081A (zh) * | 2019-12-05 | 2020-05-08 | 深圳供电局有限公司 | 分时电价确定方法 |
CN112101637A (zh) * | 2020-08-26 | 2020-12-18 | 华南理工大学 | 基于分时电价和能耗控制的动态充电优化方法及其应用 |
CN112257897A (zh) * | 2020-09-17 | 2021-01-22 | 华北电力大学 | 基于改进多目标粒子群的电动汽车充电优化方法和系统 |
US20220024338A1 (en) * | 2021-07-28 | 2022-01-27 | Hefei University Of Technology | Electric vehicle charging scheduling method and system based on cloud-edge collaboration |
CN115189346A (zh) * | 2022-06-22 | 2022-10-14 | 国网安徽省电力有限公司经济技术研究院 | 基于直接负荷控制和分时电价的柔性负荷最优引导性方法 |
CN116644904A (zh) * | 2023-04-24 | 2023-08-25 | 重庆电子工程职业学院 | 一种基于多目标粒子群算法的充电停车位分配方法 |
CN117621898A (zh) * | 2023-12-08 | 2024-03-01 | 杭州育恩科技有限公司 | 考虑电网电价的智慧停车场充电桩充电控制方法及系统 |
-
2024
- 2024-03-21 CN CN202410327415.3A patent/CN117933668B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214095A (zh) * | 2018-09-13 | 2019-01-15 | 云南民族大学 | 电动汽车充放电多目标优化调度方法 |
CN111127081A (zh) * | 2019-12-05 | 2020-05-08 | 深圳供电局有限公司 | 分时电价确定方法 |
CN112101637A (zh) * | 2020-08-26 | 2020-12-18 | 华南理工大学 | 基于分时电价和能耗控制的动态充电优化方法及其应用 |
CN112257897A (zh) * | 2020-09-17 | 2021-01-22 | 华北电力大学 | 基于改进多目标粒子群的电动汽车充电优化方法和系统 |
US20220024338A1 (en) * | 2021-07-28 | 2022-01-27 | Hefei University Of Technology | Electric vehicle charging scheduling method and system based on cloud-edge collaboration |
CN115189346A (zh) * | 2022-06-22 | 2022-10-14 | 国网安徽省电力有限公司经济技术研究院 | 基于直接负荷控制和分时电价的柔性负荷最优引导性方法 |
CN116644904A (zh) * | 2023-04-24 | 2023-08-25 | 重庆电子工程职业学院 | 一种基于多目标粒子群算法的充电停车位分配方法 |
CN117621898A (zh) * | 2023-12-08 | 2024-03-01 | 杭州育恩科技有限公司 | 考虑电网电价的智慧停车场充电桩充电控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117933668B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Puttamadappa et al. | Demand side management of small scale loads in a smart grid using glow-worm swarm optimization technique | |
He et al. | Optimal scheduling for charging and discharging of electric vehicles | |
CN102055217B (zh) | 电动汽车有序充电控制方法及系统 | |
CN110774929A (zh) | 一种电动汽车有序充电的实时控制策略及优化方法 | |
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 | |
CN110490429A (zh) | 基于ssa算法智能楼宇微电网家用负荷快速调度方法 | |
CN112101637A (zh) | 基于分时电价和能耗控制的动态充电优化方法及其应用 | |
CN109768560B (zh) | 提供多服务的蓄电池的充放电控制装置及方法 | |
Bazmohammadi et al. | Optimal operation management of a microgrid based on MOPSO and Differential Evolution algorithms | |
Zhang et al. | Stochastic modeling and analysis of public electric vehicle fleet charging station operations | |
CN113954680A (zh) | 基于充电时段优化的电动汽车充电控制方法 | |
Nguyen et al. | Smart charging and discharging of electric vehicles to support grid with high penetration of renewable energy | |
Tungom et al. | Hierarchical framework for demand prediction and iterative optimization of EV charging network infrastructure under uncertainty with cost and quality-of-service consideration | |
CN114612001B (zh) | 集群电动汽车参与电网削峰的调控指令分解方法和系统 | |
CN114919433A (zh) | 电动汽车集群充放电控制方法、系统及相关设备 | |
Wang et al. | Coordinated planning of electric vehicle charging infrastructure and renewables in power grids | |
Lai et al. | On-demand valet charging for electric vehicles: Economic equilibrium, infrastructure planning and regulatory incentives | |
CN107016504A (zh) | 一种计及电动汽车随机模糊需求响应的调度优化建模及算法 | |
CN112581313B (zh) | 一种光伏充电站资源的分配调节方法和系统 | |
CN117543581A (zh) | 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用 | |
CN117709552A (zh) | 基于分布式能源分类聚合的虚拟电厂调度优化方法 | |
CN117933668B (zh) | 基于电网负荷与电价的智慧停车场充电调度方法及系统 | |
CN117172861A (zh) | 基于用户负荷差异与空间约束的移动充电动态定价方法 | |
Hwang et al. | CSO and PSO to solve optimal contract capacity for high tension customers | |
Ramachandran et al. | Smart coordination approach for power management and loss minimization in distribution networks with PEV penetration based on real time pricing |
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 | ||
GR01 | Patent grant |