基于用户充电选择的电动汽车充电控制方法与流程

1.本发明涉及充电控制领域，尤其涉及基于用户充电选择的电动汽车充电控制方法。


背景技术：

2.电动汽车大规模普及和无序充电给配电网规划运行带了来一系列的不利影响，包括配电网的电能质量、可靠性、经济运行等。为了增强配电网对大规模电动汽车充电负荷的容纳能力，同时减轻电动汽车无序充电带来的不利影响，需要采取相应的措施对随机充电行为进行引导控制。制定电动汽车充电有序调度策略是实现充电优化控制的前提条件，采用制定的策略进行有序充电，不仅可以减小无序充电行为对配电网的不利影响，还可以因有序充电带来一定的经济效益。但目前的有序充电方案在实现对平滑电网负荷曲线的同时往往会增加电动汽车用户的成本，使得有序充电方案难以推行。


技术实现要素：

3.本发明主要解决了现有有序充电方案无法兼顾平滑电网负荷曲线和用户充电成本的问题，提供了一种能够兼顾电平滑电网负荷曲线和用户充电成本的基于用户充电选择的电动汽车充电控制方法。
4.本发明解决其技术问题所采用的技术方案是，基于用户充电选择的电动汽车充电控制方法，包括以下步骤：
5.s1：根据配网历史负荷记录预测当天配网常规负荷；
6.s2：获取各时段充电价格；
7.s3：获取车辆信息和充电信息；
8.s4：初始化种群，包括确定种群个数及初始化粒子的位置和速度；
9.s5：计算初始种群适应度值，每个个体的适应度值包括电动汽车用户总充电成本和负荷波动方差；
10.s6：根据适应度值选取粒子的最佳位置；
11.s7：筛选非劣解集，包括初始筛选非劣解和非劣解集更新；
12.s8：更新个体粒子的速度和位置；
13.s9：判断是否达到最大循环迭代次数，若未达到则转到步骤s5；若达到则输出解集。
14.由用户确定自身行程安排和车辆荷电状态等信息，面对分时充电价做出趋利性的充电选择——接受电网充电调度或不接受电网充电调度两种选择。同时，电网将以此为基础安排最优调度策略。然后，以总充电成本最小、电网负荷方差最小为目标，以充电需求等条件为约束，建立电动汽车负荷的优化调度模型，使得电动汽车充电控制方法能够兼顾电平滑电网负荷曲线和用户充电成本。
15.作为上述方案的一种优选方案，所述步骤s2中各时段充电价格为
16.p
ev
＝p
grid
+p
sta
17.其中，p
ev
为电动汽车的单位充电价格，p
grid
为电动汽车充电时电网的单位售电价格，p
sta
为电动汽车运营商收取的单位服务费用。
18.作为上述方案的一种优选方案，所述车辆信息包括电动汽车电池容量、充电功率大小和充电起始电量。
19.作为上述方案的一种优选方案，所述充电信息包括用户充电策略、预计的驶离时刻和期望电量，所述用户充电策略包括不服从调度快速充电、服从调度快速充电，不服从调度常规充电和服从调度常规充电。
20.作为上述方案的一种优选方案，所述用户充电策略确定公式如下：
[0021][0022]
t
ce
＝(c
e-cd)/pc[0023]
t
p
为电动汽车停车时间，t
ce
为慢速充电至期望电量所需时间，ce为期望电量，cd为充电起始电量，pc为慢充的充电功率，bk为用户不服从调度快速充电，电动汽车从进入充电站起直接快充至期望电量，fk为用户服从调度快速充电，电网调度负荷确定起始充电时间后快充至期望电量，bm为用户不服从调度常规充电，电动汽车从进入充电站起直接慢充至期望电量，fm为用户服从调度常规充电，电网调度负荷确定起始充电时间后慢充至期望电量，λ1，β1取0或1，取0时表示用户不服从电网调度，取1时表示用户服从电网调度。
[0024]
作为上述方案的一种优选方案，当t
p
》t
ce
时，β1取值确定如下：
[0025][0026]
f2＝fb/qc[0027][0028]
y为电动汽车停车时间t
p
所包含的时间段的个数，i为连续不中断充电至期望电量所需时间包含的时间段个数，y-i+1为用户在服从调度的情况下调度场景的个数，f(j)表示场景j的充电成本，qc表示充电量，fb表示不服从调度的充电成本，f1为预期服从调度的单位电量充电成本，f2为不服从调度的单位电量充电成本。
[0029]
作为上述方案的一种优选方案，所述电动汽车用户总充电成本的目标函数为：
[0030][0031]
[0032][0033]
u为电动汽车总数量，n为划分的时段数，δt为充电时间间隔，f1为充电成本，pe为充电功率，p
ev
为充电分时电价，r为服从电网调度的经济奖励，d1和d2分别为服从调度时充电量达到一定额度值a与b时的服从奖励，为用户服从调度充电量，v为不服从电网调度的惩罚金额，ε为惩罚系数，e为电动汽车电池容量，和二分别为进站和出站时的荷电状态。
[0034]
作为上述方案的一种优选方案，所述负荷波动方差的目标函数为：
[0035][0036]
l
r,i
和l
c,i
分别为时段i的配电网常规负荷和电动汽车充电负荷，l
av
为日平均负荷。
[0037]
作为上述方案的一种优选方案，个体的约束条件为：
[0038]
在充电时段结束时电池的荷电状态达到期望电量，满足用户的行车需求
[0039][0040]
其中，ηc为电动汽车充电效率；
[0041]
充电过程中车辆soc值处于限定值内
[0042]
soc
min
≤soc
c,h
≤soc
max
[0043]
其中，soc
min
和soc
max
分别代表荷电状态的下限值和上限值，soc
c,h
代表第c辆车第h时刻的soc值。
[0044]
作为上述方案的一种优选方案，所述粒子的惯性权重ω变化如下：
[0045][0046]
其中ω
start
为初始惯性权重，ω
end
为最终惯性权重，k为当前迭代次数，t
max
为最大迭代次数。
[0047]
本发明的优点是：以总充电成本最小、电网负荷方差最小为目标，以充电需求等条件为约束，建立电动汽车负荷的优化调度模型，使得电动汽车充电控制方法能够兼顾电平滑电网负荷曲线和用户充电成本。
附图说明
[0048]
图1为实施例中基于用户充电选择的电动汽车充电控制方法的流程示意图。
具体实施方式
[0049]
下面通过实施例，并结合附图，对本发明的技术方案作进一步的说明。
[0050]
实施例：
[0051]
基于用户充电选择的电动汽车充电控制方法，包括以下步骤：
[0052]
s1：根据配网历史负荷记录预测当天配网常规负荷；常规负荷中不包含电动汽车充电负荷。
[0053]
s2：获取各时段充电价格；充电电价表达式为：
[0054]
p
ev
＝p
grid
+p
sta
[0055]
其中，p
ev
为电动汽车的单位充电价格，p
grid
为电动汽车充电时电网的单位售电价格，p
sta
为电动汽车运营商收取的单位服务费用。
[0056]
本实施例中，根据白班营业时间和夜班营业时间，运营商收取的服务费费率也有所区别：
[0057][0058]
其中，α1和α3分别代表用户在服从调度时运营商收取的白班和夜班服务费率，α2和α4分别代表用户在不服从调度时运营商收取的白班和夜班服务费率。p
grid
(t)为所在时段t的电网单位售电价格，p
sta
(t)为所在时段t的运营商收取的单位服务费用。
[0059]
s3：获取车辆信息和充电信息；由电动汽车所装载的车辆信息系统来获取接入车辆的车辆信息，其中包括电动汽车电池容量、充电功率大小和充电起始电量等；由充电桩上的人机交互设备来获取充电信息，包括用户基于主动性行为选择的用户充电策略、预计的驶离时刻和期望电量。所述用户充电策略包括不服从调度快速充电、服从调度快速充电，不服从调度常规充电和服从调度常规充电。
[0060]
人机交互设备根据用户的预计的驶离时刻、期望电量和车辆信息确定用户充电策略并供用户选择，用户充电策略确定公式如下：
[0061][0062]
t
ce
＝(c
e-cd)/pc[0063]
t
p
为电动汽车停车时间，t
ce
为慢速充电至期望电量所需时间，ce为期望电量，cd为充电起始电量，pc为慢充的充电功率，bk为用户不服从调度快速充电，电动汽车从进入充电站起直接快充至期望电量，fk为用户服从调度快速充电，电网调度负荷确定起始充电时间后快充至期望电量，bm为用户不服从调度常规充电，电动汽车从进入充电站起直接慢充至期望电量，fm为用户服从调度常规充电，电网调度负荷确定起始充电时间后慢充至期望电量，λ1，β1取0或1，取0时表示用户不服从电网调度，取1时表示用户服从电网调度。当电动汽车不满足慢速充电至期望电量所需的时间前提时，只能选择快速充电策略；当快速充电时间大于等于停车时间时，用户不服从调度快速充电；当快速充电时间小于停车时间时，用户服从调度快速充电；对于电动汽车停车时间大于慢速充电至用户期望电量所需时间时，即当t
p
》t
ce
时，β1取值确定如下：
[0064][0065]
f2＝fb/qc[0066][0067]
本实施例中把全天分为n个时段，假设停车持续时间t
p
包含y个时间段，连续不中断充电至期望电量所需时间包含i个时间段，对于不足一个时间段部分补足一个时间段，用户在服从调度的情况下充电成本共y-i+1种调度场景，即起始充电时间可以选择y-i+1种，且一旦开始充电，充电过程连续不中断，f(j)表示场景j的充电成本，qc表示充电量，fb表示不服从调度的充电成本，f1为预期服从调度的单位电量充电成本，f2为不服从调度的单位电量充电成本。当不服从电网调度的单位充电成本优于服从调度时的单位电量充电成本时，电动汽车将从进充电站开始一直持续充电至所需求的期望电量，剩余停车时间闲置。这种情况不利于电网的调度优化，但有利于用户获得更好的经济价值。当服从电网调度时的预期单位电量充电成本优于不服从调度时的单位电量充电成本时，电动汽车用户会在满足出站电量的前提下让电网进行有序充电安排。这种情况既有利于电网的调度规划，也有利于车主获得最大化的经济价值。
[0068]
s4：初始化种群，通过基于粒子群的多目标搜索算法由原始数据对种群初始化，确定种群个数，初始化粒子的位置x和速度v；
[0069]
s5：计算初始种群适应度值，每个个体的适应度值包括电动汽车用户总充电成本和负荷波动方差，同时个体需满足约束条件；
[0070]
本实施例中，电动汽车用户总充电成本的目标函数为：
[0071][0072][0073][0074]
u为电动汽车总数量，n为划分的时段数，δt为充电时间间隔，f1为充电成本，pe为充电功率，p
ev
为充电分时电价，r为服从电网调度的经济奖励，d1和d2分别为服从调度时充电量达到一定额度值a与b时的服从奖励，为用户服从调度充电量，v为不服从电网调度的惩罚金额，ε为惩罚系数，e为电动汽车电池容量，和二分别为进站和出站时的荷电状态。
[0075]
负荷波动方差的目标函数为：
[0076][0077]
l
r,i
和l
c,i
分别为时段i的配电网常规负荷和电动汽车充电负荷，l
av
为日平均负荷。
[0078]
个体需满足约束条件为：在充电时段结束时电池的荷电状态达到期望电量，满足用户的行车需求
[0079][0080]
其中，ηc为电动汽车充电效率；
[0081]
充电过程中车辆soc值处于限定值内
[0082]
soc
min
≤soc
c,h
≤soc
max
[0083]
其中，soc
min
和soc
max
分别代表荷电状态的下限值和上限值，soc
c,h
代表第c辆车第h时刻的soc值。
[0084]
s6：根据适应度值选取粒子的最佳位置；
[0085]
s7：筛选非劣解集，包括初始筛选非劣解和非劣解集更新；从初始筛选的非劣解中随机选取一个解作为全局最优值，以便粒子迭代更新；非劣解集更新是将旧的非劣解集和新的个体最优粒子合并之后进行筛选，并去除重复粒子。
[0086]
s8：更新个体粒子的速度和位置；
[0087]
s9：判断是否达到最大循环迭代次数，若未达到则转到步骤s5；若达到则输出pareto解集。
[0088]
本实施例中，采用惯性权重动态变化的改进粒子群算法，粒子的惯性权重ω变化如下：
[0089][0090]
其中ω
start
为初始惯性权重，ω
end
为最终惯性权重，k为当前迭代次数，t
max
为最大迭代次数。随着迭代的进行，迭代初期较大的惯性权重使算法保持了较强的全文搜索能力，而迭代后期较少的惯性权重有利于算法进行更精确的小步长搜索，同时本项目还给予粒子惯性一定的变异，确保不因小范围内用户个体的差异性导致陷入局部最优。
[0091]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。