1.本技术涉及电动汽车充电领域,特别是涉及一种电动汽车充电管理方法、装置、计算机设备和存储介质。
背景技术:2.随着电动汽车的广泛应用,电动汽车充电负荷将成为未来电网中最大的一类居民用电负荷。这对于电力系统,尤其是配电网的安全与经济运行带来新的挑战。
3.基于此,采用有效的调度与控制方法,对电动汽车的充放电进行智能化管理,可大大改善电网运行的经济性与安全性。对此,亟需一种可以准确对电动汽车充电方案进行管理的方法。
技术实现要素:4.基于此,有必要针对上述技术问题,提供一种能够准确对电动汽车充电方案进行管理的电动汽车充电管理方法、装置、计算机设备和存储介质。
5.第一方面,本技术提供了一种电动汽车充电管理方法,该方法包括:
6.获取待管理区域内电动汽车在次日的预测负荷数据;
7.将预测负荷数据输入至日前调度电价模型中,得到待管理区域在次日不同充电时段的充电电价;其中,日前调度电价模型是结合预设的约束条件构建的,约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的。
8.在其中一个实施例中,约束条件包括电价约束条件、电量需求约束条件和可充电时段约束条件,其中,
9.电价约束条件包括:单日各个充电时段的电价平均值为一个固定的值;
10.电量需求约束条件包括:对于任一个电动汽车,在电动汽车可用充电时段内进行充电,当充电结束时电动汽车的电池荷电状态大于预设的电荷荷电状态期望值且小于1;
11.可充电时段约束条件包括:对于任一个电动汽车,确定电动汽车的出行时段为不存在充电计划时段,出行时段为单日首次开出时刻到最后返回时刻之间的时段。
12.在其中一个实施例中,日前调度电价模型的构建过程包括:
13.构建日前调度目标函数;日前调度目标函数包括负荷峰谷差参数和单日各充电时段的负荷参数;
14.基于待管理区域的历史样本预测负荷数据对日前调度目标函数进行优化,获取负荷峰谷差参数在约束条件下的最小值;
15.根据负荷峰谷差参数取最小值时的日前调度目标函数,构建日前调度电价模型。
16.在其中一个实施例中,基于历史样本预测负荷数据对日前调度目标函数进行优化,获取负荷峰谷差参数在预设的约束条件下的最小值,包括:
17.根据历史样本预测负荷数据确定单日各充电时段的样本负荷数据;
18.根据单日各充电时段的样本负荷数据对日前调度目标函数进行优化,获取负荷峰
谷差参数在预设的约束条件下的最小值。
19.在其中一个实施例中,根据历史样本预测负荷数据确定单日各充电时段的样本负荷数据,包括:
20.针对任一个充电时段,根据历史样本预测负荷数据,获取待管理区域内的电动汽车数量、各电动汽车在充电时段的充电功率,以及各电动汽车在充电时段的充电状态;
21.根据电动汽车数量、各充电功率,以及各充电状态,确定充电时段的样本负荷数据。
22.在其中一个实施例中,根据电动汽车数量、各充电功率,以及各充电状态,确定充电时段的样本负荷数据,包括:
23.根据电动汽车数量、各充电功率,以及各充电状态,获取所有电动汽车在充电时段的充电总负荷数据;
24.将充电时段的上一充电时段的样本负荷数据与充电总负荷数据之和确定为充电时段的样本负荷数据。
25.第二方面,本技术还提供了一种电动汽车充电管理装置,该装置包括:
26.数据获取模块,用于获取待管理区域内电动汽车在次日的预测负荷数据;
27.充电管理模块,用于将预测负荷数据输入至日前调度电价模型中,得到待管理区域在次日不同充电时段的充电电价;其中,日前调度电价模型是结合预设的约束条件构建的,约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的。
28.第三方面,本技术还提供了一种计算机设备,该计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
29.获取待管理区域内电动汽车在次日的预测负荷数据;
30.将预测负荷数据输入至日前调度电价模型中,得到待管理区域在次日不同充电时段的充电电价;其中,日前调度电价模型是结合预设的约束条件构建的,约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的。
31.第四方面,本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
32.获取待管理区域内电动汽车在次日的预测负荷数据;
33.将预测负荷数据输入至日前调度电价模型中,得到待管理区域在次日不同充电时段的充电电价;其中,日前调度电价模型是结合预设的约束条件构建的,约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的。
34.第五方面,本技术还提供了一种计算机程序产品,该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
35.获取待管理区域内电动汽车在次日的预测负荷数据;
36.将预测负荷数据输入至日前调度电价模型中,得到待管理区域在次日不同充电时段的充电电价;其中,日前调度电价模型是结合预设的约束条件构建的,约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的。
37.上述电动汽车充电管理方法、装置、计算机设备和存储介质,通过获取待管理区域内电动汽车在次日的预测负荷数据,将预测负荷数据输入至日前调度电价模型中,得到待管理区域在次日不同充电时段的充电电价,其中,日前调度电价模型是结合预设的约束条
件构建的,约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的。该方法中,由于日前调度电价模型是结合预设的约束条件构建的,而该约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的,相当于在对各区域进行日前调度时考虑了该区域内各电动汽车的充电功率在时间和空间上的变化特征,这样能够更加贴合该区域中真实的电动汽车充电习惯,使得制定的充电电价更加准确,从而保证了各管理区域内的电动汽车的充放方案管理的准确性。
附图说明
38.图1为一个实施例中电动汽车充电管理方法的应用环境图;
39.图2为一个实施例中电动汽车充电管理方法的流程示意图;
40.图3为一个实施例中构建日前调度电价模型的流程示意图;
41.图4为一个实施例中确定样本负荷数据的流程示意图;
42.图5为另一个实施例中电动汽车充电管理方法的流程示意图;
43.图6为一个实施例中电动汽车充电管理装置的结构框图;
44.图7为一个实施例中充电管理模块的结构框图;
45.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
46.为了使本技术的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本技术进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本技术,并不用于限定本技术。
47.应当理解,本技术的权利要求、说明书及附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。本技术的说明书和权利要求书中使用的术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解,在本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本技术。如在本技术说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
48.本技术实施例提供的电动汽车充电管理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器101进行通信。数据存储系统可以存储服务器101需要处理的数据,例如,各充电汽车的历史充电负荷数据等。数据存储系统可以集成在服务器101上,也可以放在云上或其他网络服务器上。本技术提供的电动汽车充电管理方法可应用于服务器101,也可以应用于终端102,还可以通过终端102和服务器101的交互实现。例如,服务器101可以根据预测负荷数据输入至日前调度电价模型中,得到待管理区域在次日不同充电时段的充电电价。进一步的,得到的充电电价可以通过终端102展示。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。服务器101可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
49.在一个实施例中,如图2所示,提供了一种电动汽车充电管理方法,该方法涉及到通过获取待管理区域内电动汽车在次日的预测负荷数据输入至日前调度电价模型中,如何
得到待管理区域在次日不同充电时段的充电电价。以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
50.s201,获取待管理区域内电动汽车在次日的预测负荷数据。
51.其中,预测负荷数据指的是服务器根据数据存储系统中待管理区域内电动汽车历史充电负荷数据预测出的待管理区域内电动汽车在次日的充电负荷数据。
52.具体的,可以通过待管理区域内设置的电动汽车充电桩获取电动汽车历史充电负荷数据,在获取数据后上传至服务器中的数据存储系统。可以理解的是,在待管理区域内设置的所有电动汽车充电桩都是处于联网状态的,处于充电状态的电动汽车的相关信息数据可以通过充电桩实时上传至服务器中的数据存储系统,具体包括,待管理区域内的电动汽车数量、各电动汽车在充电时段的充电功率,以及各电动汽车在充电时段的充电状态等。而且通过这些信息数据可以知道电动汽车用户的使用习惯。
53.进一步的,可以通过统计大量待管理区域内电动汽车历史充电负荷数据,预测出基于电动汽车用户使用习惯的每一时段的电动汽车充电负荷。其中,预测方法包括但不限于通过构建广义线性模型对当前时段的电动汽车充电负荷进行预测,该方法将电动汽车的历史充电负荷数据作为训练集,构建出可以预测当前时段的电动汽车充电负荷的广义线性模型。具体的,将电动汽车的历史充电负荷数据作为参数代入模型,得到的结果即为预测出的当前时段的电动汽车的充电负荷数据。
54.s202,将预测负荷数据输入至日前调度电价模型中,得到待管理区域在次日不同充电时段的充电电价。
55.其中,日前调度电价模型指的是根据预测出次日的电动汽车各时段的充电负荷数据预测出次日电价方案的模型。进一步的,日前调度电价模型是结合预设的约束条件构建的,约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的。
56.进一步的,日前调度电价模型以历史的各时段电动汽车充电负荷数据和该充电负荷数据对应的负荷峰谷差作为训练集,通过多次训练可以得到以充电负荷峰谷差最小为目标的目标函数。
57.更进一步的,还需要得到电动汽车充电负荷与电动汽车充电电价之间的关系。示例性的,可以通过构建广义线性模型,将电动汽车历史充电负荷与相对应的电动汽车历史充电电价作为训练集代入到模型中,经过多次训练可以准确得到表达二者关系的广义线性模型。
58.具体的,在建立日前调度电价模型时,需要将一天划分为t个时段,每个时段仅设置一个相对应的电价,以保证模型的适用性。示例性的,可以构建基于遗传算法的日前调度电价模型。其中,遗传算法的主要特点是不针对问题参数本身进行优化,而是将自变量参数在给定范围内编码为染色体,按照适应度函数通过选择、交叉、变异等运算对个体进行筛选和进化,反复进行迭代,并最终筛选出适合最优目标解的染色体。其搜索过程从一个集合开始,减少了获得局部最优解的可能性,而且进行迭代计算时不要求目标函数连续可导,适用于处理复杂非线性问题。
59.进一步的,在构建基于遗传算法的日前调度电价模型时,需要定义遗传算法的相关参数,包括,种群大小、最大遗传代数、个体长度、代沟、交叉概率、变异概率等。
60.可以理解的是,在将步骤s201中预测出的充电负荷数据代入到根据上述目标函数
设置的日前调度电价模型后,会随机产生各时段的日前充电电价的初始种群,根据初试种群中各时段的充电单价计算充电负荷峰谷差,经过种群多次的迭代可以得出目标电价方案。
61.上述电动汽车充电管理方法中,通过获取待管理区域内电动汽车在次日的预测负荷数据,将预测负荷数据输入至日前调度电价模型中,得到待管理区域在次日不同充电时段的充电电价,其中,日前调度电价模型是结合预设的约束条件构建的,约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的。由于日前调度电价模型是结合预设的约束条件构建的,而该约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的,相当于在对各区域进行日前调度时考虑了该区域内各电动汽车的充电功率在时间和空间上的变化特征,这样能够更加贴合该区域中真实的电动汽车充电习惯,使得制定的充电电价更加准确,从而保证了各管理区域内的电动汽车的充放方案管理的准确性。
62.在上一实施例的基础上,针对电动汽车的约束条件,对步骤s202进行进一步的解释,包括:
63.具体的,如公式1所述,为了保障用户的权益,以防出现充电电价定价过高的情况,要求日前调度电价模型所制定的电价总体水平应该保持恒定。基于此,电价约束条件为,单日各个充电时段的电价平均值为一个固定的值。
[0064][0065]
其中,t指的是将一天划分为t个时段的电价变量;j指的是划分时段后,一天中第j个时段;pj指的是第j个时段的电价;c是一个常数,指的是充电时段的电价平均值。
[0066]
进一步的,为了更精准的预测,如公式2和公式3所述,针对电动汽车充电的电量需求约束条件为,对于任一个电动汽车,在电动汽车可用充电时段内进行充电,当充电结束时电动汽车的电池荷电状态大于预设的电荷荷电状态期望值且小于1,即小于满电状态。
[0067][0068][0069]
其中,指的是待管理区域内的第i辆车的接入电网时的起始荷电状态;bc指的是电动汽车的电池容量;η
ev
指的是电动汽车充放电的效率;δt指的是单个控制时段时长。
[0070]
更进一步的,为了更精准的预测,如公式4所述,针对电动汽车充电的可充电时段约束条件包括,对于任一个电动汽车,确定电动汽车的出行时段为不存在充电计划时段,出行时段为单日首次开出时刻到最后返回时刻之间的时段。
[0071]
ja=|ta/δt|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式4
[0072]
其中,“|.|”表示取整;ta表示电动汽车接入电网的时间;ja指的是根据电动汽车接入电网的时间计算出的电动汽车的可控制时间段,即,假设电动汽车离开电网的时间td处于控制时段jd内,则在控制时段j
a+1
到jd之外电动汽车不进行充电。
[0073]
本实施例中,通过详细分析电动汽车的约束条件,使得日前调度电价模型可以制定出更优选的次日的电价方案,进而引导电动汽车用户充电的过程可以实现削峰填谷的效果,改善电网运行的经济性与安全性。
[0074]
在一个实施例中,日前调度电价模型的构建过程如图3所示,具体包括:
[0075]
s301,构建日前调度目标函数。
[0076]
其中,日前调度目标函数包括负荷峰谷差参数和单日各充电时段的负荷参数,该目标函数如公式5所述,是以负荷峰谷差最小化为目标的函数。
[0077][0078]
具体的,指的是一天之中针对电动汽车充电负荷的峰谷差;指的是第j个时段内电动汽车充电负荷的最大值;指的是第j个时段内电动汽车充电负荷的最小值。
[0079]
s302,基于待管理区域的历史样本预测负荷数据对日前调度目标函数进行优化,获取负荷峰谷差参数在约束条件下的最小值。
[0080]
其中,待管理区域的历史样本预测负荷数据指的是历史的电动汽车充电负荷预测数据。
[0081]
进一步的,可以根据历史样本预测负荷数据确定单日各充电时段的样本负荷数据,根据单日各充电时段的样本负荷数据可以对目标函数进行不断优化,并得到在约束条件下的电动汽车充电负荷的峰谷差。具体的,通过比较可以获取负荷峰谷差参数在约束条件下的最小值,以及该最小值对应的目标函数。
[0082]
示例性的,可以通过构建广义线性模型的方法对日前调度目标函数进行优化,将待管理区域电动汽车的历史负荷数据作为训练集代入到广义线性模型中对目标函数进行优化,通过多次训练可以比较得到负荷峰谷差参数在电动汽车约束条件下的最小值,以及该值所对应的目标函数。
[0083]
s303,根据负荷峰谷差参数取最小值时的日前调度目标函数,构建日前调度电价模型。
[0084]
具体的,将步骤s303中得到的目标函数代入到遗传算法中,构建日前调度电价模型。示例性的,可以在matlab中通过谢菲尔德遗传算法工具箱来构建日前调度电价模型进行求解。
[0085]
本实施例中,详细说明了日前调度电价模型的构建过程,由于在构建日前调度电价模型的过程中采用了大量历史数据作为训练集,能够更准确的得到日前调度电价模型。
[0086]
在上一个实施例的基础上,如图4所示,针对步骤s302进一步解释,包括:
[0087]
s401,针对任一个充电时段,根据历史样本预测负荷数据,获取待管理区域内的电动汽车数量、各电动汽车在充电时段的充电功率,以及各电动汽车在充电时段的充电状态。
[0088]
具体的,可以通过待管理区域内设置的电动汽车充电桩获取到电动汽车数量、各电动汽车在充电时段的充电功率,以及各电动汽车在充电时段的充电状态的相关数据。
[0089]
s402,根据电动汽车数量、各充电功率,以及各充电状态,确定充电时段的样本负荷数据。
[0090]
其中,可以根据电动汽车数量、各充电功率,以及各充电状态,获取所有电动汽车在充电时段的充电总负荷数据,将充电时段的上一充电时段的样本负荷数据与充电总负荷数据之和确定为充电时段的样本负荷数据。
[0091]
具体的,可以通过公式6计算出第j个时段内电动汽车充电负荷量。
[0092][0093]
其中,l
t,j-1
指的是第j-1个时段内电动汽车充电负荷;n指的是待管理区域内电动汽车的数量;i指的是第i辆进行充电的电动汽车;p
evi,j
指的是待管理区域内的第i辆车在时段j的充电功率;s
i,j
指的是待管理区域内的第i辆电动汽车在第j个充电时段的充电状态,具体的,1表示正在充电,0表示没有充电。
[0094]
本实施例中,通过确定充电时段的样本负荷数据,能够使得在将样本数据代入到日前调度电价模型后,能到更为优选的充电电价方案。
[0095]
图5为一个实施例中电动汽车充电管理方法的流程示意图,在上述实施例的基础上,本实施例提供了一种电动汽车充电管理方法的可选实例。结合图5,具体实现过程如下:
[0096]
s501,获取待管理区域内电动汽车在次日的预测负荷数据。
[0097]
s502,定义遗传算法参数并抽样生成电动汽车用户使用习惯等数据。
[0098]
s503,随机产生各时段的日前充电电价的初始种群p(0),此时gen=0。
[0099]
s504,判断是否达到最大遗传代数;若是,则执行s508;若否,则执行s505。
[0100]
s505,计算种群中各个个体的负荷曲线的峰谷差。
[0101]
s506,进行种群的交叉、选择和变异后,得到新的种群p(t+1)。
[0102]
s507,计算新的p(t)和gen的值后执行s504。
[0103]
s508,输出结果。
[0104]
上述s501-s508的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
[0105]
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0106]
基于同样的发明构思,本技术实施例还提供了一种用于实现上述所涉及的电动汽车充电管理方法的电动汽车充电管理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电动汽车充电管理装置实施例中的具体限定可以参见上文中对于电动汽车充电管理方法的限定,在此不再赘述。
[0107]
在一个实施例中,如图6所示,提供了一种电动汽车充电管理装置1,包括:数据获取模块10和充电管理模块20,其中:
[0108]
数据获取模块10,用于获取待管理区域内电动汽车在次日的预测负荷数据;
[0109]
充电管理模块20,用于将预测负荷数据输入至日前调度电价模型中,得到待管理
区域在次日不同充电时段的充电电价;其中,日前调度电价模型是结合预设的约束条件构建的,约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的。
[0110]
在一个实施例中,上述约束条件包括:包括电价约束条件、电量需求约束条件和可充电时段约束条件,其中,
[0111]
电价约束条件包括:单日各个充电时段的电价平均值为一个固定的值;
[0112]
电量需求约束条件包括:对于任一个电动汽车,在电动汽车可用充电时段内进行充电,当充电结束时电动汽车的电池荷电状态大于预设的电荷荷电状态期望值且小于1;
[0113]
可充电时段约束条件包括:对于任一个电动汽车,确定电动汽车的出行时段为不存在充电计划时段,出行时段为单日首次开出时刻到最后返回时刻之间的时段。
[0114]
在一个实施例中,如图7所示,该装置还包括:
[0115]
函数构建模块21,用于构建日前调度目标函数;日前调度目标函数包括负荷峰谷差参数和单日各充电时段的负荷参数。
[0116]
函数优化模块22,用于基于待管理区域的历史样本预测负荷数据对日前调度目标函数进行优化,获取负荷峰谷差参数在约束条件下的最小值。
[0117]
模型构建模块23,用于根据负荷峰谷差参数取最小值时的日前调度目标函数,构建日前调度电价模型。
[0118]
在一个实施例中,函数优化模块22包括
[0119]
负荷数据确定单元,用于根据历史样本预测负荷数据确定单日各充电时段的样本负荷数据;
[0120]
获取单元,用于根据单日各充电时段的样本负荷数据对日前调度目标函数进行优化,获取负荷峰谷差参数在预设的约束条件下的最小值。
[0121]
在一个实施例中,上述负荷数据确定单元,还用于针对任一个充电时段,根据历史样本预测负荷数据,获取待管理区域内的电动汽车数量、各电动汽车在充电时段的充电功率,以及各电动汽车在充电时段的充电状态;根据电动汽车数量、各充电功率,以及各充电状态,确定充电时段的样本负荷数据。
[0122]
在一个实施例中,上述负荷数据确定单元,还用于根据电动汽车数量、各充电功率,以及各充电状态,获取所有电动汽车在充电时段的充电总负荷数据;将充电时段的上一充电时段的样本负荷数据与充电总负荷数据之和确定为充电时段的样本负荷数据。
[0123]
上述电动汽车充电管理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
[0124]
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待管理区域内的电动汽车数量、各电动汽车在充电时段的充电功率,以及各电动汽车在充电时段的充电状态的相关数据。该计算机设备的网络接口用于与外部的
终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电动汽车充电管理方法。
[0125]
本领域技术人员可以理解,图8中示出的结构,仅仅是与本技术方案相关的部分结构的框图,并不构成对本技术方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
[0126]
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
[0127]
获取待管理区域内电动汽车在次日的预测负荷数据;
[0128]
将预测负荷数据输入至日前调度电价模型中,得到待管理区域在次日不同充电时段的充电电价;其中,日前调度电价模型是结合预设的约束条件构建的,约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的。
[0129]
在一个实施例中,上述约束条件包括电价约束条件、电量需求约束条件和可充电时段约束条件,其中,
[0130]
电价约束条件包括:单日各个充电时段的电价平均值为一个固定的值;电量需求约束条件包括:对于任一个电动汽车,在电动汽车可用充电时段内进行充电,当充电结束时电动汽车的电池荷电状态大于预设的电荷荷电状态期望值且小于1;可充电时段约束条件包括:对于任一个电动汽车,确定电动汽车的出行时段为不存在充电计划时段,出行时段为单日首次开出时刻到最后返回时刻之间的时段。
[0131]
在一个实施例中,该处理器执行计算机程序时实现以下步骤:
[0132]
构建日前调度目标函数;日前调度目标函数包括负荷峰谷差参数和单日各充电时段的负荷参数;基于待管理区域的历史样本预测负荷数据对日前调度目标函数进行优化,获取负荷峰谷差参数在约束条件下的最小值;根据负荷峰谷差参数取最小值时的日前调度目标函数,构建日前调度电价模型。
[0133]
在一个实施例中,处该处理器执行计算机程序时实现以下步骤:
[0134]
根据历史样本预测负荷数据确定单日各充电时段的样本负荷数据;根据单日各充电时段的样本负荷数据对日前调度目标函数进行优化,获取负荷峰谷差参数在预设的约束条件下的最小值。
[0135]
在一个实施例中,该处理器执行计算机程序时实现以下步骤:
[0136]
针对任一个充电时段,根据历史样本预测负荷数据,获取待管理区域内的电动汽车数量、各电动汽车在充电时段的充电功率,以及各电动汽车在充电时段的充电状态;根据电动汽车数量、各充电功率,以及各充电状态,确定充电时段的样本负荷数据。
[0137]
在一个实施例中,该处理器执行计算机程序时实现以下步骤:根据电动汽车数量、各充电功率,以及各充电状态,获取所有电动汽车在充电时段的充电总负荷数据;将充电时段的上一充电时段的样本负荷数据与充电总负荷数据之和确定为充电时段的样本负荷数据。
[0138]
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
[0139]
获取待管理区域内电动汽车在次日的预测负荷数据;
[0140]
将预测负荷数据输入至日前调度电价模型中,得到待管理区域在次日不同充电时
段的充电电价;其中,日前调度电价模型是结合预设的约束条件构建的,约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的。
[0141]
在一个实施例中,上述约束条件包括包括电价约束条件、电量需求约束条件和可充电时段约束条件,其中:
[0142]
电价约束条件包括:单日各个充电时段的电价平均值为一个固定的值;电量需求约束条件包括:对于任一个电动汽车,在电动汽车可用充电时段内进行充电,当充电结束时电动汽车的电池荷电状态大于预设的电荷荷电状态期望值且小于1;可充电时段约束条件包括:对于任一个电动汽车,确定电动汽车的出行时段为不存在充电计划时段,出行时段为单日首次开出时刻到最后返回时刻之间的时段。
[0143]
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
[0144]
构建日前调度目标函数;日前调度目标函数包括负荷峰谷差参数和单日各充电时段的负荷参数;基于待管理区域的历史样本预测负荷数据对日前调度目标函数进行优化,获取负荷峰谷差参数在约束条件下的最小值;根据负荷峰谷差参数取最小值时的日前调度目标函数,构建日前调度电价模型。
[0145]
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
[0146]
根据历史样本预测负荷数据确定单日各充电时段的样本负荷数据;根据单日各充电时段的样本负荷数据对日前调度目标函数进行优化,获取负荷峰谷差参数在预设的约束条件下的最小值。
[0147]
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
[0148]
针对任一个充电时段,根据历史样本预测负荷数据,获取待管理区域内的电动汽车数量、各电动汽车在充电时段的充电功率,以及各电动汽车在充电时段的充电状态;根据电动汽车数量、各充电功率,以及各充电状态,确定充电时段的样本负荷数据。
[0149]
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
[0150]
根据电动汽车数量、各充电功率,以及各充电状态,获取所有电动汽车在充电时段的充电总负荷数据;将充电时段的上一充电时段的样本负荷数据与充电总负荷数据之和确定为充电时段的样本负荷数据。
[0151]
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
[0152]
获取待管理区域内电动汽车在次日的预测负荷数据;
[0153]
将预测负荷数据输入至日前调度电价模型中,得到待管理区域在次日不同充电时段的充电电价;其中,日前调度电价模型是结合预设的约束条件构建的,约束条件是根据待管理区域内电动汽车的充电功率随时间变化的特性设定的。
[0154]
在一个实施例中,上述约束条件包括包括电价约束条件、电量需求约束条件和可充电时段约束条件,其中:
[0155]
电价约束条件包括:单日各个充电时段的电价平均值为一个固定的值;电量需求约束条件包括:对于任一个电动汽车,在电动汽车可用充电时段内进行充电,当充电结束时电动汽车的电池荷电状态大于预设的电荷荷电状态期望值且小于1;可充电时段约束条件包括:对于任一个电动汽车,确定电动汽车的出行时段为不存在充电计划时段,出行时段为单日首次开出时刻到最后返回时刻之间的时段。
[0156]
在一个实施例中,该计算机程序被处理器执行时实现以下步骤:
[0157]
构建日前调度目标函数;日前调度目标函数包括负荷峰谷差参数和单日各充电时段的负荷参数;基于待管理区域的历史样本预测负荷数据对日前调度目标函数进行优化,获取负荷峰谷差参数在约束条件下的最小值;根据负荷峰谷差参数取最小值时的日前调度目标函数,构建日前调度电价模型。
[0158]
在一个实施例中,该计算机程序被处理器执行时实现以下步骤:
[0159]
根据历史样本预测负荷数据确定单日各充电时段的样本负荷数据;根据单日各充电时段的样本负荷数据对日前调度目标函数进行优化,获取负荷峰谷差参数在预设的约束条件下的最小值。
[0160]
在一个实施例中,该计算机程序被处理器执行时实现以下步骤:
[0161]
针对任一个充电时段,根据历史样本预测负荷数据,获取待管理区域内的电动汽车数量、各电动汽车在充电时段的充电功率,以及各电动汽车在充电时段的充电状态;根据电动汽车数量、各充电功率,以及各充电状态,确定充电时段的样本负荷数据。
[0162]
在一个实施例中,该计算机程序被处理器执行时实现以下步骤:
[0163]
根据电动汽车数量、各充电功率,以及各充电状态,获取所有电动汽车在充电时段的充电总负荷数据;将充电时段的上一充电时段的样本负荷数据与充电总负荷数据之和确定为充电时段的样本负荷数据。
[0164]
需要说明的是,本技术所涉及的用户信息(包括但不限于电动汽车设备信息、电动汽车的充电信息等)和数据(包括但不限于用于分析的历史充电负荷的数据、电动汽车的充电数据、展示的电价信息数据等),均为经用户授权或者经过各方充分授权的信息和数据。
[0165]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory,rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory,mram)、铁电存储器(ferroelectric random access memory,fram)、相变存储器(phase change memory,pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory,ram)或外部高速缓冲存储器等。作为说明而非局限,ram可以是多种形式,比如静态随机存取存储器(static random access memory,sram)或动态随机存取存储器(dynamic random access memory,dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
[0166]
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
[0167]
以上所述实施例仅表达了本技术的几种实施方式,其描述较为具体和详细,但并
不能因此而理解为对本技术专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本技术构思的前提下,还可以做出若干变形和改进,这些都属于本技术的保护范围。因此,本技术的保护范围应以所附权利要求为准。