一种基于CPS的电动汽车充电方法与流程

本发明涉及一种基于CPS的电动汽车充电方法，涉及电动汽车充电及相关技术领域。

背景技术：

随着电动汽车的增加，如果对电动汽车的充电不加引导，则大量的电动汽车接入电网，其充电需求造成负荷的快速增长，会给现有的电力系统造成巨大的压力，会增加配电网的负荷，同时增大配电系统网损，恶化电能质量。另外大量电动汽车排队等待充电可能导致充电站周边的交通拥堵，从而影响交通秩序，给更多人的出行带来不便，影响充电站正常运营。当用户到达充电站时，如果充电桩被占用，那么将引起用户额外的时间成本。随着互联网技术的快速发展，电动汽车司机可以通过智能手机或车载网络设备实时获得各充电站充电桩的使用情况，从而可以根据各充电站的情况提前预定充电桩，这样可以平衡充电站用户流量。目前针对电动汽车有序充电方法的研究主要集中在平衡电网峰谷差、提高配网电能质量等方面，对于车主的经济利益和充电需求没有做过多的考虑。为了减轻电动汽车大规模接入对配电网的影响及减少电动汽车的充电成本同时在司机给定的时间内尽量给电动汽车充满电，本发明将CPS技术应用到电动汽车的充电过程中，信息物理融合系统(Cyber Physical Systems，CPS)的概念最早是由美国国家基金委员会在2006年提出，被认为有望成为继计算机、互联网之后世界信息技术的第三次浪潮，通过3C技术(Computation、Communication、Control)的有机融合与深度协作，以实现实时感知、信息服务和动态控制。它通过计算进程和物理进程相互影响的反馈循环实现深度融合和实时交互来增加或扩展新的功能，以安全、可靠、高效和实时的方式监测或者控制一个物理实体，它包含了无处不在的环境感知、嵌入式计算、网络通信和网络控制等系统工程，使得物理系统具有计算、通信、精确控制、远程协作和自治功能。充电管理中心可以根据电网的实时负载，实时调控各充电站的充电功率，充电监控系统负责监控充电站需求总功率是否超过充电管理中心调度值。若充电站需求总功率小于充电管理中心调度值则采用模糊充电方法充电，否则采用了基于模糊多目标优化的遗传算法给电动汽车充电，采用这样的充电策略不仅避免了大规模充电对电网的影响同时还兼顾了使用者的充电需求和经济利益。

技术实现要素：

本发明的目的在于，在电价动态变化的情况下，不仅要减少电动汽车的充电成本同时在司机给定的时间内还要尽可能将电动汽车充满电，因此提供一种基于CPS的电动汽车充电方法用以克服现有技术的不足。

本发明将CPS技术应用到电动汽车的充电过程中，充电管理中心根据电网的实时负载实时调控各充电站的充电功率，充电监控系统负责监控充电站需求总功率是否超过充电管理中心调度值。若充电站需求总功率小于充电管理中心调度值则采用模糊充电方法充电，否则采用了基于模糊多目标优化的遗传算法给电动汽车充电。为了实现上述发明目的，本发明采取如下技术方案：充电监控系统通过充电桩中的模糊控制器实时获取电动汽车的电池荷电状态SOC，再根据车型及电池剩余电量计算出电动汽车充满电所需时间：

式中：j为1至N号充电桩中的j号充电桩，SOC(j,t)为在j号充电桩充电的电动汽车在t时刻的电池荷电状态，p(j,t)为在j号充电桩充电的电动汽车在t时刻的充电功率kw，T(j,t)为在t时刻预测在j充电桩充电的电动汽车充满电所需的时间minute，c_j为预定j号充电桩的电动汽车的电车容量kwh，SOC_j,max为在j号充电桩充电的电动汽车最大的电池荷电状态；车主根据充电监控系统计算出的充满电所需时间T(j,t)分钟，向充电监控系统给出自己的充电时间t^cf分钟；充电监控系统再向模糊控制器输入以下数据，包括T(j,t)与t^cf的时间之差E，及其变化率EC，实时电价Price；模糊控制器根据模糊充电方法输出充电功率给电动汽车充电，并通过充电监控系统采集各充电站总的输出充电功率；

其中偏差时间E及其变化率EC的公式如下：

其中计算为

式中：t_j,st为j号充电桩的电动汽车开始充电的时间，

充电监控系统采集各充电站总的输出充电功率后，判断输出充电功率p(j,t)是否超过充电管理中心调度值p_limit(t)；若充电站输出充电功率小于充电管理中心调度值p_limit(t)则采用模糊充电方法充电，若充电站输出充电功率大于充电管理中心调度值p_limit(t)则采用基于模糊多目标优化的遗传算法给电动汽车充电；

基于模糊多目标优化的遗传算法包括电动汽车总偏差时间F^deviation最小，和电动汽车充电成本之和F^cost最小，

(1)总偏差时间F^deviation最小：

偏差时间的定义，

(2)总充电成本F^cost最小：

(3)上述两个目标函数需同时满足以下约束条件：

p_min≤p(j,t)≤p_max，

SOC_j,min≤SOC(j,t)≤SOC_j,max，

式中：m(t)为在t时刻的电价，p_max为充电桩的最大充电功率kw，p_min为充电桩的最小的充电功率kw，SOC_j,max为在j号充电桩充电的电动汽车最大的电池荷电状态，SOC_j,min为在j号充电桩充电的电动汽车最小的电池荷电状态。

本发明包括以下步骤：

步骤1，预约，首先电动汽车车主通过手机app，PC或车载网络设备向充电管理中心查询，预定所在充电站的充电桩编号、电动汽车的电池荷电状态SOC、车型；

步骤2，充电管理中心根据电动汽车的车型充电优先级回复电动汽车预定是否成功，若预定成功，充电管理中心根据车型及电池荷电状态SOC，预测电动汽车充满电所需时间为T分钟；若预定不成功，则推荐附近充电桩与充电站，进行重新预定；

步骤3，车主根据充满电所需时间T分钟，给出自己的充电时间t^cf分钟，其中T-30≤t^cf≤T+30；若T小于30分钟则T≤t^cf≤T+30；

步骤4，模糊控制器向充电监控系统输入数据包括T(j,t)与t^cf的时间之差E，及其变化率EC，还有实时电价Price；充电监控系统得到各充电站总的输出充电功率p(j,t)；

步骤5，充电监控系统判断输出充电功率是否超过充电管理中心调度值p_limit(t)；若充电站输出充电功率小于充电管理中心调度值p_limit(t)则采用模糊充电方法充电，若充电站输出充电功率大于充电管理中心调度值p_limit(t)则采用基于模糊多目标优化的遗传算法给电动汽车充电，将多目标优化问题转化为单目标优化问题：

式中：N为充电站中充电桩的数量，然后利用遗传算法计算出各充电桩的输出功率。

所述步骤2中的车型充电优先级服从先预定原则，对于在同一时刻多辆不同优先级电动汽车预定同一个充电桩，优先级为救护车、消防车>警车> 公交车、出租车>普通私家车。

对于在同一时刻多辆相同优先级电动汽车预定同一个充电桩，优先级为进行随机选择。

充电桩与充电监控系统通过LAN总线进行实时信息交互。

本发明的优点在于，在电价动态变化的情况下，减少电动汽车的充电成本，同时在给定的时间内尽量将电动汽车充满电；同时减轻电动汽车大规模接入对配电网的影响；不仅避免了大规模充电对电网的影响同时还兼顾了使用者的充电需求和经济利益。

附图说明

图1为电动汽车充电预定模型示意图。

图2为电动汽车充电监控模型示意图。

图3为基于CPS的电动汽车充电模型示意图。

图4为采用高斯拟合的实时电价曲线图。

图5为电动汽车充电的Mamdani型模糊推理系统图。

图6为采用恒定功率方法充电与采用模糊方法充电的充电成本之差。

图7为采用三种不同充电功率分配方法的电动汽车电池最终SOC示意图。

图8为60辆电动汽车基于三种不同充电功率分配方法充电的总充电成本图。

图9为电动汽车充电过程的算法图。

具体实施方式

下面结合附图1至9对本发明的实施例作进一步详细说明，设某个电动汽车充电站有30个充电桩，有60辆具有相同参数的电动汽车在该充电站进行连续充电，为了有序的给电动汽车充电，电动汽车充电预定模型如图1所示，具体充电预定的流程如下：

A.车主通过智能手机或车载网络设备查询各充电站中各充电桩可以预定的时间。

B.车主通过智能手机或车载网络设备向电动汽车充电管理中心发送自己预定的充电站名称及充电桩的编号、电动汽车电池荷电状态(SOC)、车的型号。

C.电动汽车充电管理中心根据电动汽车充电优先级回复电动汽车预定是否成功。

D.若预定成功电动汽车预定管理中心根据电动汽车的型号及电池荷电状态预测电动汽车充满电所需时间T(分钟)。

E.电动汽车车主给出自己的充电时间t^cf(分钟)，其中T-30≤t^cf≤T+30若T小于30分钟则T≤t^cf≤T+30。

充电预定的优先级规则：充电预定的优先级规则服从先预定先服务的原则，对于在同一时刻有多辆电动汽车预定同一个充电桩优先级为：救护车、消防车>警车>公交车、出租车>普通私家车，若同一时刻预定的电动汽车的优先级相同则随机选择一辆。电动汽车预定成功后，充电管理中心需要根据公式预测电动汽车充满电所需的时间。

假定60辆电动汽开始充电时的SOC为0.1-0.6之间的随机数，电动汽车的电池容量为60kwh，电动汽车的SOC_max和SOC_min分别为0.9和0.1，充电桩的最大充电功率p_max为30kw。

一天不同时刻的电价如下表所示：

采用高斯拟合得到的实时电价曲线如图4所示，经过高斯拟合后的实时电价表达式如下：

m(t)＝0.2714*exp(-((x-20.5)/1.077)²)

-0.4383*exp(-((x-5.075)/2.939)²)

+1.644*exp(-((x-17.12)/7.091)²)

-1.186*exp(-((x-15.73)/1.76)²)

+0.9698*exp(-((x-8.32)/12.09)²)，

为了减少电动汽车的充电成本同时在规定的时间内尽量将电动汽车充满电，每个充电桩都嵌入了模糊控制器的芯片，模糊控制器通过采用Mamdani型模糊推理系统得到电动汽车充电的功率，电动汽车充电的Mamdani型模糊推理系统如图5所示。其中：

(1)模糊充电方法的输入和输出为：输入为充电监控系统预测电动汽车充满电所需时间T(j,t)与司机给出的充电时间t^cf之差E，及其变化率EC，还有实时电价Price；输出为电动汽车的充电功率P；

(2)输入和输出模糊化为：E的模糊论域为[-30,30]被划分为7个模糊子集分别被描述为负大(NB)、负中(NM)、负小(NS)、零(O)、正小(PS)、正中(PM)、正大(PB)。EC的模糊论域为[-10,10]也被划分为7个模糊子集分别被描述为负大(NB)、负中(NM)、负小(NS)、零(O)、正小(PS)、正中(PM)、正大(PB)。Price的模糊论域为[0.5,2]被划分为3个模糊子集分别被描述为小(S)、中(M)、大(B)。P的模糊论域为[0,30]被划分为5个模糊子集分别被描述为很小(VS)、小(S)、中(M)、大(B)、很大(VB)；(3)模糊充电规则为：为了达到上述目的制定了模糊充电规则，例如当Price＝S时模糊充电规则如下表所示，

(4)去模糊化：解模糊化过程采用重心法，通过解模糊化后充电桩输出一个确切的充电功率给电动汽车充电。

分别采用的恒定功率充电与采用模糊充电，当目标车辆的电池初始电池荷电状态SOC和最终电池荷电状态SOC一致时，恒定功率充电与采用模糊充电的成本之差如图6所示。

为了减少电动汽车大规模充电对电网的影响，本发明构建了电动汽车充电监控模型如图2所示，电动汽车充电管理中心根据电网实时负载调控每个充电站的充电功率，充电站监控系统监控充电站中所有充电桩的输出功率之和是否大于充电管理中心的调度值p_limit(t)，假设某个充电站一天所允许的充电功率下表所示，

若充电站总功率小于充电管理中心的调度值，充电桩可以输出该功率给电动汽车充电，否则需要重新计算各充电桩的充电功率。

当监控系统监测到充电桩经过模糊控制后得到的充电功率之和大于p_limit(t)时，监控系统采用基于模糊多目标优化的遗传算法重新计算各充电桩的充电功率。图7比较了60辆电动汽车分别采用平均功率分配方法、按比例分配方法、以及基于模糊多目标优化的遗传算法，给电动汽车充电的电动汽车电池最终SOC；从图7我们可以看到采用平均功率分配充电和采用按比例功率分配方法充电有些电动汽车电池最终SOC达不到80％，而采用基于模糊多目标优化的遗传算法给电动汽车所有的电动汽车的最终SOC都能达到80％以上。

图8为60辆电动汽车基于三种不同充电功率分配方法充电的总充电成本。从图8可以明显看出当充电桩经过模糊控制后得到的充电功率之和大于p_limit(t)时，采用基于模糊多目标优化的遗传算法给电动汽车充电，60辆电动汽车总充电成本远低于平均功率分配和按比例分配。

从图7和图8中可以得出当充电桩经过模糊控制后得到的充电功率之和大于p_limit(t)时，采用模糊多目标优化的遗传算法重新分配充电功率给电动汽车充电不仅可以节约车主的充电成本同时可以在车主给定的时间内尽可能让电动汽车电池SOC达到80％以上。

电动汽车充电系统包含数据采集、通信、计算、控制四大模块，基于CPS的电动汽车充电模型如图3所示，充电过程的控制方法如图9所示。

(1)数据采集模块：数据采集模块通过传感器采集实时电价、电动汽车实时SOC、充电管理中心的调度值、以及充电站需求总功率。

(2)通信模块：充电管理中心与监控系统需要通过通信电缆相互通信，监控系统可以获得充电管理中心的调度值同时充电管理中心可以实时监控充电站的负载。充电监控系统通过LAN总线与充电站中各充电桩相互通信，充电监控系统可以通过LAN总线监控所有充电桩充电功率之和是否大于充电管理中心的调度值，同时充电桩可以通过LAN总线获得充电监控系统计算出的E和EC。

(3)计算模块：监控系统通过采集到电动汽车实时SOC计算出相应的E、EC。当充电桩经过模糊控制后得到的充电功率之和大于p_limit(t)时，充电监控系统需要通过基于模糊多目标的遗传算法重新计算各充电桩的充电功率。

(4)控制模块：充电站中的充电桩根据充电监控系统计算出的E、EC以及采集到的实时电价通过模糊充电策略控制电动汽车的充电快慢。

最后应当指出的是，本发明的保护范围并不局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护。