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

1.本发明涉及电动汽车有序充放电技术领域，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：

2.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。


技术实现要素：

3.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。
4.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：
5.确定电动汽车的充电特性；
6.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；
7.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。
8.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。
9.所述电动汽车的出行时刻的概率密度分布表示为：
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。
10.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，e
100
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；p
ev
表示电动汽车的充电功率。
11.所述充电车辆的充电总功率表示为：其中，p
ev
为充电车辆的充电总功率，p
evt
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；p
i,t
为第i辆电动汽车在第t个时段的充电功率。
12.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，soc
en,c
和soc
en,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；soc
st,c
和soc
st,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。
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，l
t
为第t个时段的基础负荷，p
ev
表示电动汽车的充/放电功率，x
tm
为第m辆电动汽车在第t个时段的充放电状态，l
mean
为总负荷平均值，p
t
为第t个时段的单位电价。
14.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：
15.电池soc的约束：当soc
car
＜0.2时，soc的约束为：soc
car
≤soc≤1；当soc
car
＞0.2时，soc的约束为：0.2≤soc≤1，其中，soc
car
为电动汽车到家时的电荷状态；
16.充放电时间的约束：其中，ta为电动汽车的实际到家时刻；t
l
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。
17.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：ω
max
和ω
min
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。
18.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：
19.确定模块，用于确定电动汽车的充电特性；
20.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；
21.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。
22.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。
23.所述电动汽车的出行时刻的概率密度分布表示为：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，e
100
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；p
ev
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，p
ev
为充电车辆的充电总功率，p
evt
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；p
i,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，soc
en,c
和soc
en,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；soc
st,c
和soc
st,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，l
t
为第t个时段的基础负荷，p
ev
表示电动汽车的充/放电功率，x
tm
为第m辆电动汽车在第t个时段的充放电状态，l
mean
为总负荷平均值，p
t
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soc
car
＜0.2时，soc的约束为：soc
car
≤soc≤1；当soc
car
＞0.2时，soc的约束为：0.2≤soc≤1，其中，soc
car
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；t
l
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：ω
max
和ω
min
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。
附图说明
36.图1是本发明第一实施方式的电动汽车有序充放电多目标优化调度方法的流程图；
37.图2是本发明第一实施方式中采用粒子群算法对多目标优化模型进行求解的流程图。
具体实施方式
38.下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
39.本发明的第一实施方式涉及一种电动汽车有序充放电多目标优化调度方法，该方法能够充分挖掘用户侧柔性负荷涉网互动潜力，提升负荷侧资源对电网的支撑作用，辅助支撑分布式资源参与电网调控机制的制定。如图1所示，具体包括：
40.步骤1，确定电动汽车的充电特性，其中，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之间的关系等。
41.根据汽车出行特性数据表明，私家车用户驾驶汽车上班的时刻与接入充电桩充电时间均服从正态分布，式(1)、式(2)、式(3)分别为私家车出行时刻、返回时刻及日行驶里程的概率密度分布。
[0042][0043][0044][0045]
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，可以取8.92，μs为电动汽车的返回时刻的概率密度分布的期望值，可以取17.47，μd为电动汽车的日行驶里程的概率密度分布的期望值，可以取2.98，σ为电动汽车的出行时刻的概率密度分布的标准差，可以取3.24，σs为电动汽车的返回时刻的概率密度分布的标准差，可以取3.41，σd为电动汽车的日行驶里程的概率密度分布的标准差，可以取1.14，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。
[0046]
假设电动汽车每次充电都将电量充到满电量状态，则电动汽车充电时长t的计算公式为：
[0047][0048]
式中，e
100
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；p
ev
表示电动汽车的充电功率。
[0049]
电动汽车的充电负荷总曲线就是把每一辆电动汽车的充电负荷曲线进行算术相加。本实施方式以天为计算单位，时间间隔为15min，计算全天的充电负荷p
ev
：
[0050][0051]
式中，p
evt
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；p
i,t
为第i辆电动汽车在第t个时段的充电功率。
[0052]
所述电动汽车具体充/放电时长与soc之间的关系：
[0053]
[0054][0055]
式中，tc为电动汽车的充电时间，td为电动汽车的放电时间，soc
en,c
和soc
en,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；soc
st,c
和soc
st,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。
[0056]
步骤2，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。
[0057]
电网原始负荷曲线上的所有负荷点的峰谷时段属性由式(8)和式(9)的半梯形隶属函数确定：
[0058][0059][0060]
式中：x为系统负荷；a为系统负荷最小值；b为系统负荷最大值。
[0061]
设负荷阈值δ为0.7，当负荷点的谷/峰隶属度对应值大于δ，将该负荷点划分到谷/峰时段，当其谷/峰隶属度均小于阈值δ，将其划分到平时段。一天第j时段的电价划分表达式为：
[0062][0063]
充电电价可以采用国内工业用电分时电价，负荷峰、平、谷电价分别为p
p
＝0.869，pf＝0.687，pv＝0.365。对应时段分别为：峰时段8∶00—20∶00；平时段7∶45—8∶00，20∶00—23∶30；谷时段23∶30—8∶00。
[0064]
在已知家用汽车日均行驶里程概率密度函数的情况下，可以使用mcm随机抽取家用电动汽车日行驶里程d，再根据日行驶里程d得到电动汽车到家开始充电时的soc，具体表达式如下：
[0065][0066]
式中：socs是电动汽车到家时电池荷电状态；soc0是电动汽车离家时电池荷电状态；q
ev
是电动汽车电池额定容量。
[0067]
电动汽车的放电调度能力以剩余可放电电量q
out
表示：
[0068][0069]
进行如下假设：电动汽车一天一充，用户晚上下班充电，早上上班离开充电站。以比亚迪e6汽车属性为例，充/放电功率pc/pd＝5kw，电池容量br＝60kwh。考虑电池寿命和充放电损耗等因素，电池放电至10％soc时停止放电，充电至90％soc以上。
[0070]
目标函数1：以电网负荷标准差最小为目标。电网负荷标准差可以表示电网负荷波动的大小，负荷标准差越小说明电网负荷波动越小，电力系统就越稳定。考虑到电动汽车可能处于充电、放电或者闲置等不同状态，以降低电网负荷标准差为目标的目标函数式为：
[0071][0072]
式中：m为参与调度的电动汽车数量，l
t
为第t个时段的基础负荷，p
ev
表示电动汽车的充/放电功率，x
tm
为第m辆电动汽车在第t个时段的充放电状态，l
mean
为总负荷平均值，其表达式如下：
[0073][0074]
目标函数2：以用户总充电费用最小为目标。电动汽车在充电时消耗电能，需要支付充电费用，而放电时则输出电能，能够获得一定的经济收益。本节依然使用分时电价作为刺激手段，并且设置充电电价和放电电价相同。以降低用户充电费用为目标的目标函数式为：
[0075][0076]
其中，x
tm
为第m辆电动汽车在第t个时段的充放电状态，充电状态时为1，放电状态时为－1，其他状态为0；p
ev
表示电动汽车的充/放电功率；p
t
为第t个时段的单位电价。
[0077]
约束条件配置
[0078]
(1)为尽可能减少电动汽车充放电对电池寿命的影响，对电池soc进行约束。
[0079]
soc
car
＜0.2时，soc的约束为：
[0080]
soc
car
≤soc≤1 (16)
[0081]
soc
car
＞0.2时，soc的约束为：
[0082]
0.2≤soc≤1 (17)
[0083]
式中，soc
car
为电动汽车到家时的电荷状态。
[0084]
(2)充放电时间约束
[0085]
起始放电时刻和起始充电时刻应在电动汽车处于停驶状态时，即：
[0086][0087]
上式中，ta为电动汽车的实际到家时刻；t
l
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。
[0088]
步骤3，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。
[0089]
粒子群的进化过程为：
[0090][0091]
上式中，为粒子i的飞行速度，为粒子i的位置矢量，为粒子i所经历的最好位置，为整个粒子群在解空间中所经历的最好位置，t为进化代数，r1,r2是[0,1]之间的
随机数，c1和c2为学习因子，ω是惯性权重。粒子由三部分构成，第一部分是粒子保持原本速度不变，表示“记忆部分”，第二部分是粒子自身的思考，表示“认知部分”，第三部分是粒子之间的信息共享与合作，表示“社会部分”。xi和vi满足
[0092][0093]
在上式中，γ是粒子最大速度v
max
与最大搜索空间x
max
的比例系数；当某维变量的位置或者速度超过临界范围时，采用边界吸收策略，即粒子下次迭代时落在搜索空间边界上。
[0094]
设计动态自适应惯性权重因子的基本思想是应满足在算法进化前期主要对搜索空间进行探索以期尽快达到较优区域；在迭代后期主要对较优区域进行开发以期尽快找到最优解。
[0095]
为描述种群进化整体适应度值的变化，给出了进化离散度的定义，将第t代种群与第(t－1)代种群的适应度值标准差之比值定义为进化离散度k(t
′
)k(t)：
[0096][0097]
在神经网络中常用sigmoid函数来构造神经元激活函数，其定义为
[0098][0099]
联合进化离散度k(t)和sigmoid函数，给出一种称之为非线性动态自适应惯性权重因子(daiw)计算公式，即：
[0100][0101]
式中，ω
max
和ω
min
分别表示最大惯性权重和最小惯性权重，一般取0.9和0.4，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，b为阻尼因子，一般取值[0,1]。
[0102]
研究电动汽车充放电功率的最优分布情况，以15min为时段，计算时段内接入电网开始充电的电动汽车数量。待求解问题为具有约束条件的多目标优化问题，本步骤采用非线性动态自适应惯性权重因子的粒子群算法进行求解，如图2所示，具体如下：
[0103]
初始化配网与车辆基本数据及优化变量，包含配网基础负荷、车辆数量、电池容量和充放电功率等。以某地区电动私家车作为研究对象，该地区私家车有2000辆，电动汽车的电池容量为64kwh，百公里耗电量为15kwh/100km，充放电功率为5kw，充放电效率为0.95。为实现电网负荷标准差最小化和电动汽车车主充电费最低化，以非线性动态自适应惯性权重因子的粒子群算法进行寻优，种群粒子个数为500，迭代次数为200，输出最佳结果，分析该地区的负荷情况。计算初始化群体适应度值，筛选个体最优与群体最优值，并据此反复更新粒子的速度和位置，计算新的目标函数适应度值，直到达到最大迭代次数为止。此后系统确
定充电计划，输出最优结果，优化后的结果如表1所示。
[0104]
表1不同充电方式下对电网负荷的影响对比
[0105]
充电策略最低负荷/kw最高负荷/kw峰谷差率基础负荷320505270039.18％无序充电320505480041.51％有序充电395805125022.77％
[0106]
经过表1的数据对比，本实施方式提出的优化模型方案能够很好的降低峰谷差，减小峰谷差率，提升日负荷率，改善系统运行的压力，有一定实际优化调度的作用。
[0107]
不难发现，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。
[0108]
本发明的第二实施方式涉及一种电动汽车有序充放电多目标优化调度装置，包括：
[0109]
确定模块，用于确定电动汽车的充电特性；
[0110]
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；
[0111]
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。
[0112]
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。
[0113]
所述电动汽车的出行时刻的概率密度分布表示为：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。
[0114]
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，e
100
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；p
ev
表示电动汽车的充电功率。
[0115]
所述充电车辆的充电总功率表示为：其中，p
ev
为充电车辆的充电总功率，p
evt
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；p
i,t
为第i辆电动汽车在第t个时段的充电功率。
[0116]
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，soc
en,c
和soc
en,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；soc
st,c
和soc
st,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。
[0117]
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，l
t
为第t个时段的基础负荷，p
ev
表示电动汽车的充/放电功率，x
tm
为第m辆电动汽车在第t个时段的充放电状态，l
mean
为总负荷平均值，p
t
为第t个时段的单位电价。
[0118]
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：
[0119]
电池soc的约束：当soc
car
＜0.2时，soc的约束为：soc
car
≤soc≤1；当soc
car
＞0.2时，soc的约束为：0.2≤soc≤1，其中，soc
car
为电动汽车到家时的电荷状态；
[0120]
充放电时间的约束：其中，ta为电动汽车的实际到家时刻；t
l
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。
[0121]
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：
ω
max
和ω
min
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。
[0122]
本发明的第三实施方式涉及一种电子设备，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第一实施方式的电动汽车有序充放电多目标优化调度方法的步骤。
[0123]
本发明的第四实施方式涉及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第一实施方式的电动汽车有序充放电多目标优化调度方法的步骤。
[0124]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。
[0125]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0126]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0127]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0128]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0129]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种电动汽车有序充放电多目标优化调度方法，其特征在于，包括以下步骤：确定电动汽车的充电特性；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；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。2.根据权利要求1所述的电动汽车有序充放电多目标优化调度方法，其特征在于，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。3.根据权利要求2所述的电动汽车有序充放电多目标优化调度方法，其特征在于，所述电动汽车的出行时刻的概率密度分布表示为：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(t
c
)、f
s
(t
r
)和f
d
(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，μ
s
为电动汽车的返回时刻的概率密度分布的期望值，μ
d
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，σ
s
为电动汽车的返回时刻的概率密度分布的标准差，σ
d
为电动汽车的日行驶里程的概率密度分布的标准差，t
c
表示电动汽车的出行时刻，t
r
表示电动汽车的返回时刻，d表示电动汽车的行驶距离。4.根据权利要求2所述的电动汽车有序充放电多目标优化调度方法，其特征在于，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，e
100
为电动汽车的百公里耗电量，d表示电动汽车的行驶距离，η
c
表示电动汽车的充电效率；p
ev
表示电动汽车的充电功率。5.根据权利要求2所述的电动汽车有序充放电多目标优化调度方法，其特征在于，所述
充电车辆的充电总功率表示为：其中，p
ev
为充电车辆的充电总功率，p
evt
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；p
i,t
为第i辆电动汽车在第t个时段的充电功率。6.根据权利要求2所述的电动汽车有序充放电多目标优化调度方法，其特征在于，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，t
c
为电动汽车的充电时间，t
d
为电动汽车的放电时间，soc
en,c
和soc
en,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；soc
st,c
和soc
st,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；p
c
为充电功率，p
d
为放电功率，η为充放电效率，b
r
为电池容量。7.根据权利要求1所述的电动汽车有序充放电多目标优化调度方法，其特征在于，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，l
t
为第t个时段的基础负荷，p
ev
表示电动汽车的充/放电功率，x
tm
为第m辆电动汽车在第t个时段的充放电状态，l
mean
为总负荷平均值，p
t
为第t个时段的单位电价。8.根据权利要求1所述的电动汽车有序充放电多目标优化调度方法，其特征在于，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：电池soc的约束：当soc
car
＜0.2时，soc的约束为：soc
car
≤soc≤1；当soc
car
＞0.2时，soc的约束为：0.2≤soc≤1，其中，soc
car
为电动汽车到家时的电荷状态；充放电时间的约束：其中，t
a
为电动汽车的实际到家时刻；t
l
为电动汽车的实际离家时刻；t
d
为电动汽车实际起始放电时刻；t
e
为电动汽车实际起始充电时刻。9.根据权利要求1所述的电动汽车有序充放电多目标优化调度方法，其特征在于，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：ω
max
和ω
min
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。10.一种电动汽车有序充放电多目标优化调度装置，其特征在于，包括：确定模块，用于确定电动汽车的充电特性；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；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。11.根据权利要求10所述的电动汽车有序充放电多目标优化调度装置，其特征在于，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。12.根据权利要求11所述的电动汽车有序充放电多目标优化调度装置，其特征在于，所述电动汽车的出行时刻的概率密度分布表示为：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(t
c
)、f
s
(t
r
)和f
d
(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，μ
s
为电动汽车的返回时刻的概率密度分布的期望值，μ
d
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，σ
s
为电动汽车的返回时刻的概率密度分布的标准差，σ
d
为电动汽车的日行驶里程的概率密度分布的标准差，t
c
表示电动汽车的出行时刻，t
r
表示电动汽车的返回时刻，d表示电动汽车的行驶距离。13.根据权利要求11所述的电动汽车有序充放电多目标优化调度装置，其特征在于，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，e
100
为电动汽车的百公里耗电量，d表示电动汽车的行驶距离，η
c
表示电动汽车的充电效率；p
ev
表示电动汽车的充电功率。14.根据权利要求11所述的电动汽车有序充放电多目标优化调度装置，其特征在于，所述充电车辆的充电总功率表示为：其中，p
ev
为充电车辆的充电总功率，p
evt
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；p
i,t
为第i辆电动汽车在第t个时段的充电功率。
15.根据权利要求11所述的电动汽车有序充放电多目标优化调度装置，其特征在于，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，t
c
为电动汽车的充电时间，t
d
为电动汽车的放电时间，soc
en,c
和soc
en,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；soc
st,c
和soc
st,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；p
c
为充电功率，p
d
为放电功率，η为充放电效率，b
r
为电池容量。16.根据权利要求10所述的电动汽车有序充放电多目标优化调度装置，其特征在于，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，l
t
为第t个时段的基础负荷，p
ev
表示电动汽车的充/放电功率，x
tm
为第m辆电动汽车在第t个时段的充放电状态，l
mean
为总负荷平均值，p
t
为第t个时段的单位电价。17.根据权利要求10所述的电动汽车有序充放电多目标优化调度装置，其特征在于，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：电池soc的约束：当soc
car
＜0.2时，soc的约束为：soc
car
≤soc≤1；当soc
car
＞0.2时，soc的约束为：0.2≤soc≤1，其中，soc
car
为电动汽车到家时的电荷状态；充放电时间的约束：其中，t
a
为电动汽车的实际到家时刻；t
l
为电动汽车的实际离家时刻；t
d
为电动汽车实际起始放电时刻；t
e
为电动汽车实际起始充电时刻。18.根据权利要求10所述的电动汽车有序充放电多目标优化调度装置，其特征在于，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：ω
max
和ω
min
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。19.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9中任一所述电动汽车有序充放电多目标优化调度方法的步骤。20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9中任一所述电动汽车有序充放电多目标优化调度方法的步骤。

技术总结
本发明涉及一种电动汽车有序充放电多目标优化调度方法和装置，其中，方法包括：确定电动汽车的充电特性；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；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。本发明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。的作用。的作用。


技术研发人员：吕志鹏 宋振浩 刘海涛 吕广宪 李立生 刘洋 周珊 李昊 刘锋 马韵婷 张智慧 杨飞 宋天琦 史超
受保护的技术使用者：国网山东省电力公司电力科学研究院
技术研发日：2023.05.12
技术公布日：2023/8/23