电动车辆充电运行模式的确定方法及装置的制造方法
【专利摘要】一种电动车辆充电运行模式的确定方法及装置，获取电动车辆的充放电功率、预设车辆数量及馈电线路的日负荷曲线；根据充放电功率、预设车辆数量及日负荷曲线建立加入充电的电动车辆后馈电线路的最小负荷峰值模型；变化预设车辆数量得到当前车辆数量，以当前车辆数量及当前车辆数量分配至各个时间段的充电数量作为变化因子，对最小负荷峰值模型进行寻优以得到当前车辆数量对应的馈电线路的日负荷曲线峰值最小的寻优结果。如此，通过找到一种通过规划充电数量及各个时间段的充电数量的电动车辆充电运行模式来保证最大数量的电动车辆正常运营的同时，无需改变充电站建设地址和现有馈电线路便从而提高经济性。
【专利说明】
电动车辆充电运行模式的确定方法及装置
技术领域
[0001] 本发明涉及电网安全领域，尤其涉及一种电动车辆充电运行模式的确定方法及装 置。
【背景技术】
[0002] 在当前全球汽车工业面临金融危机和能源环境问题的巨大挑战的情况下，发展电 动汽车，实现汽车能源动力系统的电气化，推动传统汽车产业的战略转型，在国际上已经形 成了广泛共识。电动汽车要大规模普及仍然是一个漫长的过程，而优先发展城市电动车辆， 不仅可以提高城市的交通运力，而且对于节能减排，优化城市环境有着重大意义。
[0003 ]在电动汽车的普及过程中，最大的难题之一是充电问题。电动车辆由于集中管理， 运行规律性强，一般都是通过建设集中充电站来解决充电问题。电动车辆可以通过自身的 运营要求，有选择性的在集中充电站进行充电。但由于集中充电站一般建在某个单条馈电 线路上，电动车辆充电过程中必然对充电站所在馈电线路产生影响，即馈电线路的最大容 量将制约电动车辆的充电台数，进而制约了电动车辆的总的运营数量。解决这个问题的方 法，一是选择馈电线路容量冗余更大的线路建充电站，二是将该条馈电线路进行升级改造， 使之符合电动车充电运营要求。第一种方法改变了电动车辆的充电规划，将增加车辆公司 的成本;第二种方法则改变了配电线路的现有模式，经济开销大。
【发明内容】
[0004] 基于此，有必要提供一种无需改变充电站建设地址和现有馈电线路从而提高经济 性的电动车辆充电运行模式的确定方法及装置。
[0005] -种电动车辆充电运行模式的确定方法，包括：
[0006] 参数获取步骤:获取电动车辆的充放电功率、预设车辆数量及馈电线路的日负荷 曲线；
[0007] 模型构建步骤:根据所述充放电功率、所述预设车辆数量及所述日负荷曲线建立 加入充电的所述电动车辆后所述馈电线路的最小负荷峰值模型；
[0008] 迭代寻优步骤:变化所述预设车辆数量得到当前车辆数量，以所述当前车辆数量 及所述当前车辆数量分配至各个时间段的充电数量作为变化因子，对所述最小负荷峰值模 型进行寻优以得到所述当前车辆数量对应的所述馈电线路的日负荷曲线峰值最小的寻优 结果;所述寻优结果包括目标车辆数量、最小负荷峰值及所述目标车辆数量分配至各个时 间段的充电数量；
[0009] 其中，所述目标车辆数量为所述最小负荷峰值小于所述馈电线路的最大容量时的 所述当前车辆数量中的最大值。
[0010] -种电动车辆充电运行模式的确定装置，包括：
[0011] 参数获取模块，用于获取电动车辆的充放电功率、预设车辆数量及馈电线路的日 负荷曲线；
[0012] 模型构建模块，用于根据所述充放电功率、所述预设车辆数量及所述日负荷曲线 建立加入充电的所述电动车辆后所述馈电线路的最小负荷峰值模型；
[0013] 迭代寻优模块，用于变化所述预设车辆数量得到当前车辆数量，以所述当前车辆 数量及所述当前车辆数量分配至各个时间段的充电数量作为变化因子，对所述最小负荷峰 值模型进行寻优以得到所述当前车辆数量对应的所述馈电线路的日负荷曲线峰值最小的 寻优结果;所述寻优结果包括目标车辆数量、最小负荷峰值及所述目标车辆数量分配至各 个时间段的充电数量；
[0014] 其中，所述目标车辆数量为所述最小负荷峰值小于所述馈电线路的最大容量时的 所述当前车辆数量中的最大值。
[0015] 上述电动车辆充电运行模式的确定方法及装置，获取电动车辆的充放电功率、预 设车辆数量及馈电线路的日负荷曲线;根据所述充放电功率、所述预设车辆数量及所述日 负荷曲线建立加入充电的所述电动车辆后所述馈电线路的最小负荷峰值模型;变化所述预 设车辆数量得到当前车辆数量，以所述当前车辆数量及所述当前车辆数量分配至各个时间 段的充电数量作为变化因子，对所述最小负荷峰值模型进行寻优以得到所述当前车辆数量 对应的所述馈电线路的日负荷曲线峰值最小的寻优结果。如此，通过找到一种通过规划充 电数量及各个时间段的充电数量的电动车辆充电运行模式来保证最大数量的电动车辆正 常运营的同时，无需改变充电站建设地址和现有馈电线路便从而提高经济性。
【附图说明】
[0016] 图1为一种实施方式的电动车辆充电运行模式的确定方法的流程图；
[0017] 图2为双中心粒子群优化算法的原理图；
[0018] 图3为一种实施方式的电动车辆充电运行模式的馈电线路的调后负荷曲线图；
[0019] 图4为一种实施方式的电动车辆充电运行模式的电动公交车电行驶车辆的调度情 况说明图；
[0020] 图5为图4的电动车辆充电运行模式的电动公交车充电调度情况说明图；
[0021] 图6为图4的电动车辆充电运行模式的电动公交车的电池变化情况说明图；
[0022] 图7-直实施方式的电动车辆充电运行模式的确定装置的结构图。
【具体实施方式】
[0023] 为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中 给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文 所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透 彻全面。
[0024]除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的 技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具 体的实施例的目的，不是旨在于限制本发明。本文所使用的术语"或/和"包括一个或多个相 关的所列项目的任意的和所有的组合。
[0025] 如图1所示，为本发明一种实施方式的电动车辆充电运行模式的确定方法，包括：
[0026] S100,参数获取步骤:获取电动车辆的充放电功率、预设车辆数量及馈电线路的日 负荷曲线。
[0027]预设车辆数量为初始估计的车辆的数量。日负荷曲线是根据现有的车辆馈电线路 的运营情况确定的曲线。日负荷曲线的表现形式可以为一个函数形式。充放电功率为一辆 电动车辆单位时间的充放电功率。
[0028] S300,模型构建步骤:根据所述充放电功率、所述预设车辆数量及所述日负荷曲线 建立加入充电的所述电动车辆后所述馈电线路的最小负荷峰值模型。
[0029] 最小负荷峰值模型包括目标函数及约束条件。所述目标函数为加入充电的所述电 动车辆后所述馈电线路的日负荷曲线峰值最小。所述约束条件包括:对所述电动车辆的运 营规律约束，如高峰时期运营车辆较多，凌晨等冷清时期运营车辆较少;对所述电动车辆的 日放电总量及日充电总量的约束，每天所有电动车辆放电总量不大于充电总量;对同一时 间段所述电动车辆的充电数量与运营数量的约束，如运营数量与充电数量的和不大于公交 总数;对所述电动车辆的所述馈电线路的容量约束；以及电动车辆的充放电功率的约束等 中的一种或多种约束。
[0030] S500,迭代寻优步骤:变化所述预设车辆数量得到当前车辆数量，以所述当前车辆 数量及所述当前车辆数量分配至各个时间段的充电数量作为变化因子，对所述最小负荷峰 值模型进行寻优以得到所述当前车辆数量对应的所述馈电线路的日负荷曲线峰值最小的 寻优结果。
[0031] 在本实施例中，可迭代增加或减少当前车辆数量，并以每个时间段的充电数量作 为寻优算法的一个变化因子，在每个迭代中采用粒子群算法、遗传算法等寻优算法对所述 最小负荷峰值模型进行寻优，最终，得到加入充电的所述电动车辆后所述馈电线路的日负 荷曲线的峰值最小的寻优结果。
[0032] 在另一个实施例中，以所述当前车辆数量及所述当前车辆数量分配至各个时间段 的充电数量作为一个变化因子，采用粒子群算法、遗传算法等寻优算法对所述最小负荷峰 值模型进行寻优以得到加入充电的所述电动车辆后所述馈电线路的日负荷曲线的峰值最 小的寻优结果。
[0033] 所述寻优结果包括目标车辆数量、最小负荷峰值及所述目标车辆数量分配至各个 时间段的充电数量。其中，所述目标车辆数量为所述最小负荷峰值小于且最接近所述馈电 线路的最大容量时的所述当前车辆数量;也就是可以使得加入充电的所述电动车辆后所述 馈电线路的日负荷曲线峰值最小而日负荷曲线峰值小于且最接近馈电线路最大容量的当 前车辆数量。
[0034] 上述电动车辆充电运行模式的确定方法，获取电动车辆的充放电功率、预设车辆 数量及馈电线路的日负荷曲线;根据所述充放电功率、所述预设车辆数量及所述日负荷曲 线建立加入充电的所述电动车辆后所述馈电线路的最小负荷峰值模型;变化所述预设车辆 数量得到当前车辆数量，以所述当前车辆数量及所述当前车辆数量分配至各个时间段的充 电数量作为变化因子，对所述最小负荷峰值模型进行寻优以得到所述当前车辆数量对应的 所述馈电线路的日负荷曲线峰值最小的寻优结果。如此，通过找到一种通过规划充电数量 及各个时间段的充电数量的电动车辆充电运行模式来保证最大数量的电动车辆正常运营 的同时，无需改变充电站建设地址和现有馈电线路便从而提高经济性。
[0035]在其中一个实施例中，S300即模型构建步骤，包括：
[0036] 函数确定子步骤:根据所述充放电功率、所述预设车辆数量及所述日负荷曲线将 加入充电的所述电动车辆后的日负荷曲线确定为调后负荷曲线，并以所述调后负荷曲线的 峰值最小作为所述最小负荷峰值模型的目标函数；
[0037] 约束确定子步骤:获取对所述电动车辆的运营规律约束，对所述电动车辆的日放 电总量及日充电总量的约束，对同一时间段所述电动车辆的充电数量与运营数量的约束， 以及对所述电动车辆的所述馈电线路的容量约束，作为所述最小负荷峰值模型的约束条 件。
[0038] 进一步地，以所述预设车辆数量为基值，增加预设数量得到当前车辆数量，根据电 动车辆一天的运营规律约束，如加入充电的所述电动车辆后的日负荷曲线以及电动车辆一 天的行驶时间及充放电功率，可确定在该当前车辆数量情况下，一天的总耗电量，以此作为 充电总数量。每个粒子的充电总量均须满足不小于该充电总数量作为日充电总量的约束， 如此才能满足第二天电动车辆出发时都是满电的要求。
[0039]在其中一个实施例中，S500即迭代寻优步骤，包括：
[0040]优化子步骤:在所述电动车辆的数量为所述所述当前车辆数量的情况下，以所述 当前车辆数量分配至各个时间段的充电数量作为一个粒子，采用粒子群优化算法对所述最 小负荷峰值模型进行迭代寻优，确定最优粒子及所述最优粒子对应的所述最小负荷峰值。
[0041]将每一个时间段的充电车辆数作为一个元素形成一个数据集合，如可以为数组的 形式，并以此作一个粒子。
[0042]迭代子步骤:将所述当前车辆数量增加预设数量，并重复所述优化子步骤，直至所 述最小负荷峰值大于所述最大容量时，返回上一迭代对应的所述当前车辆数量及确定的所 述最优粒子及所述最小负荷峰值。
[0043] 如此，使得车辆数量逐步逼近最大车辆数量。
[0044] 进一步地，所述粒子群优化算法为双中心粒子群优化算法。所述优化子步骤，包 括：
[0045] 初始化步骤:根据所述当前车辆数量及所述最小负荷峰值模型的约束条件初始化 粒子，并初始化个体最优粒子及全局最优粒子。
[0046] 在本实施例中，以当前车辆数量分配至各个时间段的充电数量作为一个粒子。个 体最优粒子为一个粒子在寻优过程中不断更新得到的粒子中适应度最小的粒子。全局最优 粒子为多个粒子组成的粒子群在寻优过程中不断更新得到的粒子群中的所有粒子中适应 度最小的粒子。粒子群中粒子的数量由粒子群的规模决定。粒子群的规模可以采用默认值， 或由用户设定。
[0047] 初始化种群的方式为:根据加入充电的所述电动车辆后的日负荷曲线的趋势来决 定各个时间段充电车辆数的多少。即在充电站的馈电线路的用户用电的高峰时间段限制充 电辆数，以免抬高充电站的馈电线路负荷的高峰值使其超过该馈电线路允许的最大容量限 制。而在用户用电的低谷时间段则增大充电辆数，以起到填谷的作用。
[0048]粒子更新步骤:更新粒子群，比较当代粒子、上一代粒子以及预设粒子的适应度更 新所述个体最优粒子，根据所述个体最优粒子及所述当代粒子确定广义中心粒子和狭义中 心粒子以更新所述全局最优粒子。
[0049]当代粒子为粒子群优化算法执行过程中，正在执行的更新步骤中更新粒子群得到 的粒子。上一代粒子为上一次执行的粒子更新步骤中更新粒子群得到的粒子。
[0050] 相对传统粒子群算法，双中心粒子群算法根据个体最优粒子及当代粒子确定广义 中心粒子和狭义中心粒子，再根据广义中心粒子的适应度及狭义中心粒子的适应度来更新 全局最优粒子。其中，广义中心粒子为个体最优粒子的适应度的平均值对应的粒子;狭义中 心粒子为当代粒子的适应度的平均值对应的粒子。如此，找到最优适应度的最优粒子的几 率更高，即，找到加入充电的所述电动车辆后所述馈电线路的日负荷曲线峰值最小且日负 荷曲线峰值小于馈电线路最大容量的各个时间段的所述电动车辆的充电数量的几率更高。
[0051] 如图2所示，所述预设粒子包括沿着上一代粒子<&更新的方向更新得到的第一预 设粒子A，及先沿着上一代粒子xf更新的方向V ld°ld再沿着历史最优粒子pbest更新的方向 更新得到的第二预设粒子B。
[0052]由于更新所述个体最优粒子中加入了第一预设粒子A、第二预设粒B和上一代粒子 及历史最优粒子的适应度的比较，搜索范围更广，因此，找到最优适应度的几率更 高，即找到加入充电的所述电动车辆后所述馈电线路的日负荷曲线峰值最小且日负荷曲线 峰值小于馈电线路最大容量的各个时间段的所述电动车辆的充电数量的几率更高。
[0053] 重复迭代步骤:重复所述粒子更新步骤，直至粒子适应度迭代收敛时，将所述全局 最优粒子作为所述最优粒子及所述最优粒子对应的所述最小负荷峰值和所述充电数量。 [0054]在其中一个实施例中，所述初始化步骤，包括：
[0055] 第一子步骤:根据所述当前车辆数量、所述日负荷曲线以及所述电动车辆一天的 行驶时间及所述充放电功率确定调后日负荷曲线。
[0056] 其中，调后日负荷曲线为加入电动车辆充电后的日负荷曲线。
[0057] 第二子步骤:根据所述调后负荷曲线及所述最大容量确定各个时间段的充电车辆 权重。
[0058]由加入充电的所述电动车辆后日负荷曲线，即调后负荷曲线中各时间段的负荷与 馈电线路的最大约束容量的距离可以确定该时间段充电车辆权重的大小。具体的，一天中 各个时间段充电车辆权重Yt'的计算公式如下所示：
[0061 1式中，Lhign表示馈电线路的最大容量;Puin表示加入充电的所述电动车辆后日负荷 曲线的最低谷值;PLt表示第i个时间段的负荷;i的取值为1到T (一天包含的时间段数）。Yt表 示第i个时间段的负荷和最大容量的距离与一天中最低负荷和最大容量的距离的比值。Yt' 表示充电车辆的权重，即每个时间段的Yt占一天Y t的总和的比例，此比例的大小决定充电数 量的多少。
[0062] 馈电线路的负荷曲线越靠近馈电线路允许的最大容量，则充电概率越小，距离馈 电线路允许的最大容量越远，则充电概率越大，如此可获得较优的粒子。
[0063] 第三子步骤:根据所述充电车辆权重及所述当前车辆数量初始化各个时间段的充 电数量。
[0064] 以当前车辆数量为基值，根据充放电功率及电动车辆一天的运营规律约束的行驶 时间计算该基值情况下，一天的总耗电量，以此作为充电总数量;再根据充电总数量及充电 车辆权重可确定各个时间段的充电数量。具体地，充电总数量乘以各个时间段的充电车辆 权重便可确定各个时间段的充电数量。
[0065] 具体地，初始化中，由一天的充电总数量以及各个时间段的充电车辆权重确定各 个时间段的充电数量，由此形成多个充电数量组成的数组，以此作为初始化的一个粒子，其 余粒子可随机产生，从而得到初始化的粒子种群。其中，数组元素的个数为一天中时间段的 个数。
[0066] 进一步地，根据电动车辆蓄电池的剩余电量情况，电量最低的前充电数量辆电动 车辆充电。
[0067] 在其中一个具体实施例中，以电动公交车为例，如图3所示为馈电线路的调后负荷 曲线，该馈线允许的最大容量限制为3600kw/h，电动公交车一天的各个时间段的行驶安排 为 RunNumber= [2 8933333333893332000000 0](注：2代表有 20% 电动公交车在行驶），充放电功率分别为Pcm = -22kw/h，Pfm = 28kw/h。
[0068] 在本实施例中，每个时间段为1小时。一天或一日是指电动车辆工作周期的一天， 可以为从第一天的6:00~第二天的6:00。假设预设车辆数量为60。
[0069]根据电动公交车的一天的行驶情况RunNumber及各个时间段的充电数量，以少电 充电多电行驶的原则可以安排车辆的运营。如图4所示为电动公交车电行驶车辆的调度情 况，标题栏的1-10中每个单位有6辆车，即1是1-6号车，2是7-12号车，以此类推。图中的1代 表该时间段在行驶，例如 1-6 号车分别在 7:00-8:00，9:00-10:00，11:00-12:00，17:00-19: 00，20:00-21:00时刻用于行驶载客。电动公交车的充电调度情况如图5所示，图中的1代表 这个时间段都在充电，即充电1小时。例如，1-6号车分别在8 :00-9:00，12:00-13:00，19:00-20:00,21:00-23:00,1:00-2:00,3:00-4:00,5:00-6:00时刻接入充电站充电。其中5:00-6: 00不用整个小时充电只需充0.64个小时即39分钟就可充满电。电动公交车的电池变化情况 如图6所示，能够满足正常工作需求。
[0070] 如图7所示，本发明还提供一种与上述方法对应的电动车辆充电运行模式的确定 装置，包括：
[0071] 参数获取模块100,用于获取电动车辆的充放电功率、预设车辆数量及馈电线路的 日负荷曲线；
[0072] 模型构建模块300,用于根据所述充放电功率、所述预设车辆数量及所述日负荷曲 线建立加入充电的所述电动车辆后所述馈电线路的最小负荷峰值模型；
[0073] 迭代寻优模块500,用于变化所述预设车辆数量得到当前车辆数量，以所述当前车 辆数量及所述当前车辆数量分配至各个时间段的充电数量作为变化因子，对所述最小负荷 峰值模型进行寻优以得到所述当前车辆数量对应的所述馈电线路的日负荷曲线峰值最小 的寻优结果;所述寻优结果包括目标车辆数量、最小负荷峰值及所述目标车辆数量分配至 各个时间段的充电数量；
[0074] 其中，所述目标车辆数量为所述最小负荷峰值小于所述馈电线路的最大容量时的 所述当前车辆数量中的最大值。
[0075]上述电动车辆充电运行模式的确定装置，获取电动车辆的充放电功率、预设车辆 数量及馈电线路的日负荷曲线;根据所述充放电功率、所述预设车辆数量及所述日负荷曲 线建立加入充电的所述电动车辆后所述馈电线路的最小负荷峰值模型;变化所述预设车辆 数量得到当前车辆数量，以所述当前车辆数量及所述当前车辆数量分配至各个时间段的充 电数量作为变化因子，对所述最小负荷峰值模型进行寻优以得到所述当前车辆数量对应的 所述馈电线路的日负荷曲线峰值最小的寻优结果。如此，通过找到一种通过规划充电数量 及各个时间段的充电数量的电动车辆充电运行模式来保证最大数量的电动车辆正常运营 的同时，无需改变充电站建设地址和现有馈电线路便从而提高经济性。
[0076]在其中一个实施例中，模型构建模型300，包括：
[0077] 函数确定子模块，用于根据所述充放电功率、所述预设车辆数量及所述日负荷曲 线将加入充电的所述电动车辆后的日负荷曲线确定为调后负荷曲线，并以所述调后负荷曲 线的峰值最小作为所述最小负荷峰值模型的目标函数；
[0078] 约束确定子模块，用于获取对所述电动车辆的运营规律约束，对所述电动车辆的 日放电总量及日充电总量的约束，对同一时间段所述电动车辆的充电数量与运营数量的约 束，以及对所述电动车辆的所述馈电线路的容量约束，作为所述最小负荷峰值模型的约束 条件。
[0079]在其中一个实施例中，所述迭代寻优模块500,包括：
[0080]优化子模块，用于在所述电动车辆的数量为所述当前车辆数量的情况下，以所述 当前车辆数量分配至各个时间段的充电数量作为一个粒子，采用粒子群优化算法对所述最 小负荷峰值模型进行迭代寻优，确定最优粒子及所述最优粒子对应的所述最小负荷峰值；
[0081] 迭代子模块，用于将所述当前车辆数量增加预设数量，并重复所述优化子步骤，直 至所述最小负荷峰值大于所述最大容量时，返回上一迭代对应的所述当前车辆数量及确定 的所述最优粒子及所述最小负荷峰值。
[0082] 在其中一个实施例中，所述粒子群优化算法为双中心粒子群优化算法;所述优化 子模块，包括：
[0083] 初始化单元，用于根据所述当前车辆数量及所述最小负荷峰值模型的约束条件初 始化粒子，并初始化个体最优粒子及全局最优粒子；
[0084]粒子更新单元，用于更新粒子群，比较当代粒子及上一代粒子以及预设粒子的适 应度更新所述个体最优粒子，根据所述个体最优粒子及所述当代粒子确定广义中心粒子和 狭义中心粒子以更新所述全局最优粒子；
[0085] 重复迭代单元，用于重复所述粒子更新步骤，直至粒子适应度迭代收敛时，将所述 全局最优粒子作为所述最优粒子及所述最优粒子对应的所述最小负荷峰值和所述充电数 量；
[0086] 其中，所述预设粒子包括沿着上一代粒子更新的方向更新得到的第一预设粒子， 及先沿着上一代粒子更新的方向再沿着历史最优粒子更新的方向更新得到的第二预设粒 子。
[0087] 在其中一个实施例中，所述初始化单元，包括：
[0088] 第一子单元，用于根据所述当前车辆数量、所述日负荷曲线以及所述电动车辆一 天的行驶时间及所述充放电功率确定调后日负荷曲线；
[0089] 第二子单元，用于根据所述调后负荷曲线及所述最大容量确定各个时间段的充电 车辆权重；
[0090] 第三子单元，用于根据所述充电车辆权重及所述当前车辆数量初始化各个时间段 的充电数量。
[0091 ]由于上述装置与上述方法对应，为节约篇幅具体描述不再赘述。
[0092]以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能 因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说， 在不脱离本发明构思的前提下，还可以做出多个变形和改进，这些都属于本发明的保护范 围。因此，本发明专利的保护范围应以所附权利要求为准。
【主权项】
1. 一种电动车辆充电运行模式的确定方法，其特征在于，包括： 参数获取步骤:获取电动车辆的充放电功率、预设车辆数量及馈电线路的日负荷曲线； 模型构建步骤:根据所述充放电功率、所述预设车辆数量及所述日负荷曲线建立加入 充电的所述电动车辆后所述馈电线路的最小负荷峰值模型； 迭代寻优步骤:变化所述预设车辆数量得到当前车辆数量，以所述当前车辆数量及所 述当前车辆数量分配至各个时间段的充电数量作为变化因子，对所述最小负荷峰值模型进 行寻优以得到所述当前车辆数量对应的所述馈电线路的日负荷曲线峰值最小的寻优结果； 所述寻优结果包括目标车辆数量、最小负荷峰值及所述目标车辆数量分配至各个时间段的 充电数量； 其中，所述目标车辆数量为所述最小负荷峰值小于所述馈电线路的最大容量时的所述 当前车辆数量中的最大值。2. 根据权利要求1所述的电动车辆充电运行模式的确定方法，其特征在于，所述模型构 建步骤包括： 函数确定子步骤:根据所述充放电功率、所述预设车辆数量及所述日负荷曲线将加入 充电的所述电动车辆后的日负荷曲线确定为调后负荷曲线，并以所述调后负荷曲线的峰值 最小作为所述最小负荷峰值模型的目标函数； 约束确定子步骤:获取对所述电动车辆的运营规律约束，对所述电动车辆的日放电总 量及日充电总量的约束，对同一时间段所述电动车辆的充电数量与运营数量的约束，以及 对所述电动车辆的所述馈电线路的容量约束，作为所述最小负荷峰值模型的约束条件。3. 根据权利要求1所述的电动车辆充电运行模式的确定方法，其特征在于，所述迭代寻 优步骤，包括： 优化子步骤:在所述电动车辆的数量为所述当前车辆数量的情况下，以所述当前车辆 数量分配至各个时间段的充电数量作为一个粒子，采用粒子群优化算法对所述最小负荷峰 值模型进行迭代寻优，确定最优粒子及所述最优粒子对应的所述最小负荷峰值； 迭代子步骤:将所述当前车辆数量增加预设数量，并重复所述优化子步骤，直至所述最 小负荷峰值大于所述最大容量时，返回上一迭代对应的所述当前车辆数量及确定的所述最 优粒子及所述最小负荷峰值。4. 根据权利要求3所述的电动车辆充电运行模式的确定方法，其特征在于，所述粒子群 优化算法为双中心粒子群优化算法;所述优化子步骤，包括： 初始化步骤:根据所述当前车辆数量及所述最小负荷峰值模型的约束条件初始化粒 子，并初始化个体最优粒子及全局最优粒子； 粒子更新步骤:更新粒子群，比较当代粒子及上一代粒子以及预设粒子的适应度更新 所述个体最优粒子，根据所述个体最优粒子及所述当代粒子确定广义中心粒子和狭义中心 粒子以更新所述全局最优粒子； 重复迭代步骤:重复所述粒子更新步骤，直至粒子适应度迭代收敛时，将所述全局最优 粒子作为所述最优粒子及所述最优粒子对应的所述最小负荷峰值和所述充电数量； 其中，所述预设粒子包括沿着上一代粒子更新的方向更新得到的第一预设粒子，及先 沿着上一代粒子更新的方向再沿着历史最优粒子更新的方向更新得到的第二预设粒子。5. 根据权利要求4所述的电动车辆充电运行模式的确定方法，其特征在于，所述初始化 步骤，包括： 第一子步骤:根据所述当前车辆数量、所述日负荷曲线以及所述电动车辆一天的行驶 时间及所述充放电功率确定调后日负荷曲线； 第二子步骤:根据所述调后负荷曲线及所述最大容量确定各个时间段的充电车辆权 重； 第三子步骤:根据所述充电车辆权重及所述当前车辆数量初始化各个时间段的充电数 量。6. -种电动车辆充电运行模式的确定装置，其特征在于，包括： 参数获取模块，用于获取电动车辆的充放电功率、预设车辆数量及馈电线路的日负荷 曲线； 模型构建模块，用于根据所述充放电功率、当前车辆数量及所述日负荷曲线建立加入 充电的所述电动车辆后所述馈电线路的最小负荷峰值模型； 迭代寻优模块，用于变化所述预设车辆数量得到当前车辆数量，以所述当前车辆数量 及所述当前车辆数量分配至各个时间段的充电数量作为变化因子，对所述最小负荷峰值模 型进行寻优以得到所述当前车辆数量对应的所述馈电线路的日负荷曲线峰值最小的寻优 结果;所述寻优结果包括目标车辆数量、最小负荷峰值及所述目标车辆数量分配至各个时 间段的充电数量； 其中，所述目标车辆数量为所述最小负荷峰值小于所述馈电线路的最大容量时的所述 当前车辆数量中的最大值。7. 根据权利要求6所述的电动车辆充电运行模式的确定装置，其特征在于，模型构建模 型，包括： 函数确定子模块，用于根据所述充放电功率、所述当前车辆数量及所述日负荷曲线将 加入充电的所述电动车辆后的日负荷曲线确定为调后负荷曲线，并以所述调后负荷曲线的 峰值最小作为所述最小负荷峰值模型的目标函数； 约束确定子模块，用于获取对所述电动车辆的运营规律约束，对所述电动车辆的日放 电总量及日充电总量的约束，对同一时间段所述电动车辆的充电数量与运营数量的约束， 以及对所述电动车辆的所述馈电线路的容量约束，作为所述最小负荷峰值模型的约束条 件。8. 根据权利要求6所述的电动车辆充电运行模式的确定装置，其特征在于，所述迭代寻 优模块，包括： 优化子模块，用于在所述电动车辆的数量为所述当前车辆数量的情况下，以所述当前 车辆数量分配至各个时间段的充电数量作为一个粒子，采用粒子群优化算法对所述最小负 荷峰值模型进行迭代寻优，确定最优粒子及所述最优粒子对应的所述最小负荷峰值； 迭代子模块，用于将所述当前车辆数量增加预设数量，并重复所述优化子步骤，直至所 述最小负荷峰值大于所述最大容量时，返回上一迭代对应的所述当前车辆数量及确定的所 述最优粒子及所述最小负荷峰值。9. 根据权利要求8所述的电动车辆充电运行模式的确定装置，其特征在于，所述粒子群 优化算法为双中心粒子群优化算法;所述优化子模块，包括： 初始化单元，用于根据所述当前车辆数量及所述最小负荷峰值模型的约束条件初始化 粒子，并初始化个体最优粒子及全局最优粒子； 粒子更新单元，用于更新粒子群，比较当代粒子及上一代粒子以及预设粒子的适应度 更新所述个体最优粒子，根据所述个体最优粒子及所述当代粒子确定广义中心粒子和狭义 中心粒子以更新所述全局最优粒子； 重复迭代单元，用于重复所述粒子更新步骤，直至粒子适应度迭代收敛时，将所述全局 最优粒子作为所述最优粒子及所述最优粒子对应的所述最小负荷峰值和所述充电数量； 其中，所述预设粒子包括沿着上一代粒子更新的方向更新得到的第一预设粒子，及先 沿着上一代粒子更新的方向再沿着历史最优粒子更新的方向更新得到的第二预设粒子。10.根据权利要求9所述的电动车辆充电运行模式的确定装置，其特征在于，所述初始 化单元，包括： 第一子单元，用于根据所述当前车辆数量、所述日负荷曲线以及所述电动车辆一天的 行驶时间及所述充放电功率确定调后日负荷曲线； 第二子单元，用于根据所述调后负荷曲线及所述最大容量确定各个时间段的充电车辆 权重； 第三子单元，用于根据所述充电车辆权重及所述当前车辆数量初始化各个时间段的充 电数量。
【文档编号】G06Q10/04GK105894123SQ201610251610
【公开日】2016年8月24日
【申请日】2016年4月20日
【发明人】刘涛, 翟世涛, 朱志芳, 朱革兰, 张勇军, 黄健昂, 刘泽槐
【申请人】广州供电局有限公司