电动车分散充电控制系统和方法与流程

本发明涉及一种电动车的充电控制，尤其涉及一种电动车分散充电控制系统和方法。

背景技术：

随着气候变化、能源危机以及环境污染等世界性问题的日益严重，电动汽车以其独特的优势逐渐为人们所重视。然而，随着电动汽车保有量的增加，电动汽车充电对电力系统的影响将会显现。电动汽车的充电负荷相比较于传统的家用电器具有负荷大、持续时间长的特点，而且其充电行为在时间和空间上都具有一定的随机性，大量电动汽车的不加以协调或者控制的充电将会对电力系统的安全性、稳定性以经济性造成不利。

目前广泛采用的电动汽车充电控制策略分为三种，传统的电动汽车集中充电控制策略、基于群体智能算法(如蚁群算法、粒子群算法等)的分散充电控制策略以及基于电价引导的充电控制策略。

第一种方案，即传统的电动汽车集中充电控制策略是最为常见的。集中充电控制策略，即以集中优化模型为基础，通过上层电动汽车管理集控中心接收下层电动汽车上传的充电需求信息，随后建立目标函数以及约束条件，进行充电方案的求解。最终将求解之后的充电方案下发到每一台电动汽车，由电动汽车按照该充电方案进行充电。

第二种方案，基于群体智能算法的分散充电控制策略。群体智能算法是近年来比较热门的一个话题。所谓的群体智能，是指自然界中群居生物的协作性的智能行为。群体智能算法具有控制分布式、可扩充性好、规则简单以及自组织能力强等优点。利用群体智能算法来对电动汽车充电行为进行控制，正是利用了群体智能算法的这些优点。当前，群智能研究主要包括的算法就是蚁群算法和粒子群算法。

第三种方案，即基于电价引导的充电控制策略。电动汽车充电作为一种弹性负荷，其充电负荷和电价机制有着密切的关系。针对电动汽车的充电特性进行研究，从而制定适当的电动汽车充电电价机制也是目前已经出现的一种分散控制方案。

对以上提到的三种技术一一进行分析：

方案一，即传统的电动汽车集中充电控制策略。该方案虽然模型简单，能够保证全局最优性，但随着电动汽车保有量的不断上升，该方案所需要解决问题的维度也会增长，求解速度和求解效率均会下降，甚至会出现“维数灾”的问题。另外，集中优化需要电动汽车上传用户信息，这对网络的承载能力和带宽都提出了很高的要求，而且还会涉及到用户信息的泄露和隐私保护问题。

方案二，即基于群体智能算法的分散充电控制策略。群体智能算法数学理论基础相对薄弱，最明显的表现就是算法中设置的各类参数并没有非常明确的理论依据，所以在电动汽车充电优化中进行应用时，常常出现不收敛或者是陷入局部最优的情况，所以该种方案还有待深入研究。

方案三，即基于电价引导的充电控制策略。这种策略首先要根据电动汽车的充电负荷模型和特性，建立一种合适的电价机制，这样的做法成本较高，难度较大，其次，这种方案的成功与否，高度依赖于上层的集控中心对电动汽车用户对电价响应的预测，所以在实际操作中，有一定的缺陷。

技术实现要素：

本发明旨在降低电动汽车大规模充电对电网的冲击与影响，并且利用分散优化的方法实现了电动汽车充电方案的本地计算，大大降低了系统的通信压力和计算压力，提高了管理控制效率。

根据本发明的一个方面，提供了一种配电变压器下的电动车分散充电控制系统，包括：

多个电动车，每一电动车都具有一智能充电单元，该智能充电单元内配置有本车充电方案；

上层控制中心，与该配电变压器和多个电动车通信连接，

其中，该上层控制中心将对偶乘子下发给每一电动车的智能充电单元；

其中，该每一电动车的智能充电单元根据本车信息以及该对偶乘子优化该本车充电方案，并将经优化的本车充电方案反馈给该上层控制中心；

其中，该上层控制中心根据该经优化的本车充电方案动态更新该对偶乘子。

较佳地，在上述的电动车分散充电控制系统中，该本车充电方案包括车主在该智能充电单元上设定的充电需求。

较佳地，在上述的电动车分散充电控制系统中，该每一个电动车的优化本车充电方案的计算是并行的。

较佳地，在上述的电动车分散充电控制系统中，该上层控制中心在接收到所有电动车的本车充电方案后动态更新该对偶乘子。

较佳地，在上述的电动车分散充电控制系统中，该电动车分散充电控制系统重复执行该的下发、优化、反馈和更新的步骤，以使该配电变压器下的电力负荷峰谷差最小化。

根据本发明的另一方面，提供了一种配电变压器下的电动车分散充电控制方法，包括：

上层控制中心将对偶乘子下发给多个电动车中的每一电动车的智能充电单元；

每一电动车的智能充电单元根据本车信息以及该对偶乘子优化该智能充电单元内配置的本车充电方案，并将经优化的本车充电方案反馈给该上层控制中心；

该上层控制中心根据该经优化的本车充电方案动态更新该对偶乘子。

较佳地，在上述的电动车分散充电控制方法中，该本车充电方案包括车主在该智能充电单元上设定的充电需求。

较佳地，在上述的电动车分散充电控制方法中，该每一个电动车的优化本车充电方案的计算是并行的。

较佳地，在上述的电动车分散充电控制方法中，该上层控制中心在接收到所有电动车的本车充电方案后动态更新该对偶乘子。

较佳地，在上述的电动车分散充电控制方法中，该电动车分散充电控制系统重复执行该的下发、优化、反馈和更新的步骤，以使该配电变压器下的电力负荷峰谷差最小化。

应当理解，本发明以上的一般性描述和以下的详细描述都是示例性和说明性 的，并且旨在为如权利要求所述的本发明提供进一步的解释。

附图说明

包括附图是为提供对本发明进一步的理解，它们被收录并构成本申请的一部分，附图示出了本发明的实施例，并与本说明书一起起到解释本发明原理的作用。附图中：

图1示出了根据本发明的电动车分散充电控制系统的一个实施例的结构示意图。

图2示出了根据本发明的电动车分散充电控制方法的一个实施例的流程图。

图3示出了根据本发明的电动车分散充电控制系统的网络结构示意图。

具体实施方式

现在将详细参考附图描述本发明的实施例。

首先参考图1，该图示出了根据本发明的电动车分散充电控制系统的一个实施例的结构示意图。

如图所示，配电变压器下的电动车分散充电控制系统100主要包括：多个电动车101、智能充电单元102、上层控制中心103和配电变压器104。

多个电动车101中的每一个都具有一智能充电单元102。该智能充电单元102内配置有本车充电方案。例如，该本车充电方案至少包括车主在该智能充电单元102上设定的充电需求。

上层控制中心103与该配电变压器104和多个电动车101通信连接。

其中，该上层控制中心103将对偶乘子下发给每一电动车101的智能充电单元102。

该每一电动车101的智能充电单元102根据本车信息以及该对偶乘子优化该本车充电方案，并将经优化的本车充电方案反馈给该上层控制中心103。较佳地，在该每一个电动车的优化本车充电方案的计算是并行的。

上层控制中心103根据该经优化的本车充电方案动态更新该对偶乘子。较佳地，该上层控制中心103在接收到所有电动车101的本车充电方案后动态更新该对 偶乘子。

在此之后，本发明的电动车分散充电控制系统100还可以重复执行上述的下发、优化、反馈和更新的步骤，以使该配电变压器104下的电力负荷峰谷差最小化。

现在转到图2，该图示出了根据本发明的电动车分散充电控制方法的一个实施例的流程图。

本发明的配电变压器下的电动车分散充电控制方法200主要包括：

步骤201：上层控制中心将对偶乘子下发给多个电动车中的每一电动车的智能充电单元；

步骤202：每一电动车的智能充电单元根据本车信息以及该对偶乘子优化该智能充电单元内配置的本车充电方案，例如该本车充电方案至少包括车主在该智能充电单元上设定的充电需求，并将经优化的本车充电方案反馈给该上层控制中心；

步骤203：该上层控制中心根据该经优化的本车充电方案动态更新该对偶乘子。

较佳地，上述步骤202中的每一个电动车的优化本车充电方案的计算是并行的。且，在步骤203中，该上层控制中心优选在接收到所有电动车的本车充电方案后动态更新该对偶乘子。

此外，本发明还可以在步骤203后进一步包括：该电动车分散充电控制系统重复执行该的下发、优化、反馈和更新的步骤，以使该配电变压器下的电力负荷峰谷差最小化。

在本发明中，上层控制中心103将对偶乘子下发给安装于各电动车101上的智能充电单元102。智能充电单元102内存有电动车车主的充电需要情况。安装于各电动车101上的智能充电单元102结合对偶乘子来根据本地信息优化充电安排，将所求得的充电方案再反馈给上层控制中心103。上层控制中心103根据下层上传的信息，更新乘子并下发各智能充电单元102，重复以上步骤，直到整个流程收敛为止。最终可以确定各电动车的充电方案。

以下来结合一个更具体的实施例来详细讨论本发明的一种实现方式，但本发明不限于以下描述的具体实施例。

例如，本发明的电动车分散充电控制系统和方法以配电变压器下的电网负荷(基础负荷和电动汽车充电负荷的总和)的峰谷差最小为目标，以电动汽车 车主的充电需要为约束，建立起优化策略。运用对偶方法，基于集中优化，引入辅助变量，设计配电变压器下的电动汽车的分散充电控制方案。

上述的优化策略例如以配电变压器下的电力负荷峰谷差最小为目标函数，以电动车车主的需求信息为约束条件，建立优化策略如下：

其中，一天被分为96个控制时段，为一天中总负荷的峰谷差，P_b,t为第t个时间段内基础负荷的值，为已知量。N代表配电变压器所辖电动车的总辆数，i为配电变压器下辖电动车的编号，P_ei,t为第t个时间段内基础负荷电动车的充电功率。P_ei∈F_ei,即表示其充电方案需要在电动车用户的可行域内。

引入辅助变量P⁺、P^-以及其中，辅助变量P⁺和P^-的引入使得原问题可以用线性优化模型来表示，a_t的引入带来了等式约束，从物理意义上来讲，a_t代表了下辖的电动车群的充电功率的总和。将(1.1)优化模型转化为(1.2)(两个模型等价)，这样，原优化问题就变成了一个线性优化模型。：

应用对偶优化理论对(1.2)进行求解，具体流程如下：

其中，对偶乘子采用的是次导数法进行更新，参数a以及b为算法中的参数设置。上述流程包括三个步骤，其中(1.3)和(1.4)是同步进行，计算(1.3)的是位于上层的控制中心，(1.4)是由每一辆电动车上安装的智能充电单元来进行计算，由此可得出电动车的充电方案。计算过程对于每一辆电动车而言优选为并行计算。最终，电动车智能充电单元上传电动车的充电计划，上层的控制中心结合(1.3)的结果按照(1.5)进行对偶乘子的更新。其中，步骤(1.3)是上层计算辅助变量的值，步骤(1.4)每辆电动车本地计算充电方案，(1.5)则是根据(1.2)的计算结构和(1.3)的计算结果来更新对偶乘子，以此引导下层的电动车进行充电。迭代终止条件设置如下：

其中，ε为设置的一个极小量。

此外，需要注意的是，为了防止对偶乘子迟迟不收敛，电动车分散充电控制流程图不收敛，增加成本，消耗时间，所以可以在(1.7)的基础上需要再加上一个停止判据：

k＞K (0.7)

亦即当迭代次数大于设定的K时，系统强制停止整个控制流程。

与现有技术相比，本发明至少具有如下有益结果：

本发明基于对偶优化理论，通过引入辅助变量，实现了电动车充电控制过程的分散进行，大大降低了上层控制中心的计算压力，提高了电动车充电优化方案的制定效率。例如，申请人用本发明和集中充电控制方案分别对同一个运行算例进行了仿真，得出对比表格如表1：

表1：同种算例在集中充电控制方案和本发明下的运行时间比较

本发明旨在配电变压器下的负荷的峰谷差最小为目标，因为采用了严格的数学分散算法，所以最终的全局最优性有所保证。同样地，用表1中所用的例子进行证明，证明如表2：

表2：表1同种算例运用本发明所得的峰谷差

所以，该发明大大降低了电动车入网对电网的不利影响，增强了电网安全、稳定和经济运行的能力。

图3示出了根据本发明的电动车分散充电控制系统的一个实施例的网络结构示意图。其中输电网络301经由输电系统调度机构302连接至配电网络303。配电网络303下辖多个变压器及其配电系统管理机构304。每个变压器及其配电系统管理机构304下再下辖一定数量的电动车305。

根据图3所示的网络结构，在实施例1中，假设一台配电变压器304下辖的小区内有150辆电动车305，电动车305的参数等采用蒙特卡洛抽样可得，该小区的基础负荷假定为已知。

测试结果如表3：

表3小区下辖150辆电动车

由测试结果可见，该发明在实例中是可行而又有效的，相比较集中全局优化而言具有较大的优势。

此外，在实施例2中，假设一台配电变压器下辖的小区内有300辆电动车,其余信息与实施例1完全一样。

测试结果如表4：

表4小区下辖300辆电动车

由测试结果同样可见，该发明在实例中是可行而又有效的，相比较集中全局优化而言具有较大的优势。

综上，本发明可以有效实现电动车分散充电控制，亦即电动车充电方案的本地计算，在降低系统通信负担、提高计算效率和避免信息泄露、隐私保护问题的前提之下，保证最终的全局最优性。

本发明以分散的方式进行电动车充电过程控制，实现了电动车的充电方案的本地计算优化，电动车只需上传充电方案，无需上传充电需求，所以，降低了网络通信量，保证了电动车车主的隐私，不存在信息泄露的问题。

本领域技术人员可显见，可对本发明的上述示例性实施例进行各种修改和 变型而不偏离本发明的精神和范围。因此，旨在使本发明覆盖落在所附权利要求书及其等效技术方案范围内的对本发明的修改和变型。