一种电动汽车有序充放电多目标优化调度方法和装置与流程

本发明涉及电动汽车有序充放电，特别是涉及一种考虑v2g场景的电动汽车有序充放电多目标优化调度方法和装置。

背景技术：

1、在“双碳”的背景下，大力发展绿色、高效的电动汽车，是加速我国能源结构转型的重要措施。电动汽车具备灵活机动、集群后可充当能量存储装置的优势，在电力系统中，可充当用户端的柔性负荷和分布式电源，实现可实现双向交互v2g(vehicle-to-grid)。电动汽车在采取高效的调度策略时，既可以帮助电网减轻无序充电和用电过载的压力，又可以实现削峰填谷，为电网提供调频和备用等辅助服务。电动汽车在带来一系列好处的同时，也给电网带来一定的压力。数据显示，电动汽车车主一般会选择在出行前(7点到9点)和归家时(18到20点)进行充电，此时正是居民用电高峰期，当大量电动汽车接入并网充电时，电网的峰谷负荷差增大，网损增大，电网的运行经济性降低。因此，研究电动汽车充放电调度策略，减少电动汽车无约束充电行为对电网的负面影响具有重要的现实意义。电动汽车与电网互联(v2g，vehicle-to-grid)技术使得电动汽车充放电调度成为可能。私家车有大多数时间都处于停驶的状态，在这种状态下电动汽车相当于大容量储能电池，因此，电动汽车在并网后，就可以向电网充放电，这就是v2g技术。v2g技术目前是电动汽车领域的热点研究问题，也是各国发展智能电网的关键技术之一，对v2g技术在电动汽车充放电调度方向进行研究是非常必要的。

技术实现思路

1、本发明所要解决的技术问题是提供一种电动汽车有序充放电多目标优化调度方法和装置，能够提升负荷侧资源对电网的支撑作用。

2、本发明解决其技术问题所采用的技术方案是：提供一种电动汽车有序充放电多目标优化调度方法，包括以下步骤：

3、确定电动汽车的充电特性；

4、基于所述定电动汽车的充电特性，考虑分时电价模型和电动汽车剩余充放电能量，以电网负荷标准差最小以及用户总充电费用最小为目标建立v2g场景下电动汽车有序充放电的多目标优化模型；

5、采用基于非线性动态自适应惯性权重因子的粒子群算法对所述多目标优化模型进行求解，并基于得到的求解结果对电动汽车进行有序充放电的调度。

6、所述电动汽车的充电特性包括电动汽车的出行时刻、返回时刻及日行驶里程的概率密度分布、电动汽车的充电时长、充电车辆的充电总功率、以及电动汽车具体充/放电时长与soc之间的关系。

7、所述电动汽车的出行时刻的概率密度分布表示为：

8、所述电动汽车的返回时刻的概率密度分布表示为：所述电动汽车的日行驶里程的概率密度分布表示为：其中，f(tc)、fs(tr)和fd(d)分别表示所述电动汽车的出行时刻、返回时刻以及日行驶里程的概率密度分布，μ为电动汽车的出行时刻的概率密度分布的期望值，μs为电动汽车的返回时刻的概率密度分布的期望值，μd为电动汽车的日行驶里程的概率密度分布的期望值，σ为电动汽车的出行时刻的概率密度分布的标准差，σs为电动汽车的返回时刻的概率密度分布的标准差，σd为电动汽车的日行驶里程的概率密度分布的标准差，tc表示电动汽车的出行时刻，tr表示电动汽车的返回时刻，d表示电动汽车的行驶距离。

9、所述电动汽车的充电时长表示为：其中，t为电动汽车的充电时长，e100为电动汽车的百公里耗电量，d表示电动汽车的行驶距离，ηc表示电动汽车的充电效率；pev表示电动汽车的充电功率。

10、所述充电车辆的充电总功率表示为：其中，pev为充电车辆的充电总功率，pevt为第t个时段的充电车辆的总充电功率；n为电动汽车的总数量；pi,t为第i辆电动汽车在第t个时段的充电功率。

11、所述电动汽车具体充/放电时长与soc之间的关系表示为：其中，tc为电动汽车的充电时间，td为电动汽车的放电时间，socen,c和socen,d分别表示充电结束时的电荷状态和放电结束时的电荷状态；socst,c和socst,d分别表示充电开始时的电荷状态和放电开始时的电荷状态；pc为充电功率，pd为放电功率，η为充放电效率，br为电池容量。

12、所述v2g场景下电动汽车有序充放电的多目标优化模型的目标函数为其中，minf1表示电网负荷标准差最小的目标函数，minf2表示用户总充电费用最小的目标函数，m为参与调度的电动汽车数量，lt为第t个时段的基础负荷，pev表示电动汽车的充/放电功率，xtm为第m辆电动汽车在第t个时段的充放电状态，lmean为总负荷平均值，pt为第t个时段的单位电价。

13、所述v2g场景下电动汽车有序充放电的多目标优化模型的约束条件包括：

14、电池soc的约束：当soccar＜0.2时，soc的约束为：soccar≤soc≤1；当soccar＞0.2时，soc的约束为：0.2≤soc≤1，其中，soccar为电动汽车到家时的电荷状态；

15、充放电时间的约束：其中，ta为电动汽车的实际到家时刻；tl为电动汽车的实际离家时刻；td为电动汽车实际起始放电时刻；te为电动汽车实际起始充电时刻。

16、所述非线性动态自适应惯性权重因子的粒子群算法中第t′代种群的惯性权重因子ω(t′)的计算方式为：ωmax和ωmin分别表示最大惯性权重和最小惯性权重，t′表示当前迭代次数，t表示最大迭代次数，k(t′)为种群进化离散度参数，即为第t′代种群与第t′-1代种群的适应度值标准差的比值，b为阻尼因子。

17、本发明解决其技术问题所采用的技术方案是：提供一种电动汽车有序充放电多目标优化调度装置，包括：

18、确定模块，用于确定电动汽车的充电特性；

19、建立模块，用于基于所述定电动汽车的充电特性，考虑分时电价模型和电动汽车剩余充放电能量，以电网负荷标准差最小以及用户总充电费用最小为目标建立v2g场景下电动汽车有序充放电的多目标优化模型；

20、调度模块，用于采用基于非线性动态自适应惯性权重因子的粒子群算法对所述多目标优化模型进行求解，并基于得到的求解结果对电动汽车进行有序充放电的调度。

21、所述电动汽车的充电特性包括电动汽车的出行时刻、返回时刻及日行驶里程的概率密度分布、电动汽车的充电时长、充电车辆的充电总功率、以及电动汽车具体充/放电时长与soc之间的关系。

22、所述电动汽车的出行时刻的概率密度分布表示为：

23、所述电动汽车的返回时刻的概率密度分布表示为：所述电动汽车的日行驶里程的概率密度分布表示为：其中，f(tc)、fs(tr)和fd(d)分别表示所述电动汽车的出行时刻、返回时刻以及日行驶里程的概率密度分布，μ为电动汽车的出行时刻的概率密度分布的期望值，μs为电动汽车的返回时刻的概率密度分布的期望值，μd为电动汽车的日行驶里程的概率密度分布的期望值，σ为电动汽车的出行时刻的概率密度分布的标准差，σs为电动汽车的返回时刻的概率密度分布的标准差，σd为电动汽车的日行驶里程的概率密度分布的标准差，tc表示电动汽车的出行时刻，tr表示电动汽车的返回时刻，d表示电动汽车的行驶距离。

24、所述电动汽车的充电时长表示为：其中，t为电动汽车的充电时长，e100为电动汽车的百公里耗电量，d表示电动汽车的行驶距离，ηc表示电动汽车的充电效率；pev表示电动汽车的充电功率。

25、所述充电车辆的充电总功率表示为：其中，pev为充电车辆的充电总功率，pevt为第t个时段的充电车辆的总充电功率；n为电动汽车的总数量；pi,t为第i辆电动汽车在第t个时段的充电功率。

26、所述电动汽车具体充/放电时长与soc之间的关系表示为：其中，tc为电动汽车的充电时间，td为电动汽车的放电时间，socen,c和socen,d分别表示充电结束时的电荷状态和放电结束时的电荷状态；socst,c和socst,d分别表示充电开始时的电荷状态和放电开始时的电荷状态；pc为充电功率，pd为放电功率，η为充放电效率，br为电池容量。

27、所述建立模块建立的v2g场景下电动汽车有序充放电的多目标优化模型的目标函数为其中，minf1表示电网负荷标准差最小的目标函数，minf2表示用户总充电费用最小的目标函数，m为参与调度的电动汽车数量，lt为第t个时段的基础负荷，pev表示电动汽车的充/放电功率，xtm为第m辆电动汽车在第t个时段的充放电状态，lmean为总负荷平均值，pt为第t个时段的单位电价。

28、所述建立模块建立的v2g场景下电动汽车有序充放电的多目标优化模型的约束条件包括：

29、电池soc的约束：当soccar＜0.2时，soc的约束为：soccar≤soc≤1；当soccar＞0.2时，soc的约束为：0.2≤soc≤1，其中，soccar为电动汽车到家时的电荷状态；

30、充放电时间的约束：其中，ta为电动汽车的实际到家时刻；tl为电动汽车的实际离家时刻；td为电动汽车实际起始放电时刻；te为电动汽车实际起始充电时刻。

31、所述调度模块采用的非线性动态自适应惯性权重因子的粒子群算法中第t′代种群的惯性权重因子ω(t′)的计算方式为：ωmax和ωmin分别表示最大惯性权重和最小惯性权重，t′表示当前迭代次数，t表示最大迭代次数，k(t′)为种群进化离散度参数，即为第t′代种群与第t′-1代种群的适应度值标准差的比值，b为阻尼因子。

32、本发明解决其技术问题所采用的技术方案是：提供一种电子设备，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述电动汽车有序充放电多目标优化调度方法的步骤。

33、本发明解决其技术问题所采用的技术方案是：提供一种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上述电动汽车有序充放电多目标优化调度方法的步骤。

34、有益效果

35、由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过分析电动汽车的相关特性，建立了v2g场景下电动汽车有序充放电多目标优化模型；根据建立的多目标优化模型的设置v2g系统的目标函数、约束条件；通过采用非线性动态自适应惯性权重因子的粒子群算法，对v2g场景下的电动汽车有序充放电多目标模型进行优化，能够达到减小配电网负荷波动的效果，在一定程度上达到了“削峰填谷”的作用。