详情

原文传递一种电动汽车充电负荷估算及充电方式优化方法

专利名称：	一种电动汽车充电负荷估算及充电方式优化方法
摘要：	本发明提出了一种电动汽车充电负荷估算及充电方式优化方法，其步骤为：S1、分析电动汽车的充电开始时间和充电时长的分布，建立充电开始时间和充电时长的概率密度函数；S2、利用拉丁超立方‑蒙特卡洛统计法对电动汽车的充电负荷进行估算，得到电动汽车的充电负荷曲线；S3、建立充电站充电设备的多目标函数；S4、将电动汽车的当日最大充电负荷作为约束条件，利用遗传粒子群算法对多目标函数进行优化，输出充电站充电设备的最优配置。本发明利用拉丁超立方‑蒙特卡洛统计法估算电动汽车充电负荷曲线，提高了收敛速度，并通过遗传粒子群算法对电动汽车的无序充电行为进行优化，得到充电站充电设备的占比，可用于多种类型充电设备的优化配置问题。
专利类型：	发明专利
国家地区组织代码：	河南;41
申请人：	郑州轻工业学院
发明人：	张志艳;庞啸尘;董开朗;刘岩;申永鹏;杨存祥;邱洪波;丁艺伟;李伟韬
专利状态：	有效
申请日期：	2019-08-09T00:00:00+0800
发布日期：	2019-11-08T00:00:00+0800
申请号：	CN201910735190.4
公开号：	CN110422074A
代理机构：	郑州优盾知识产权代理有限公司
代理人：	张彬
分类号：	B60L53/62(2019.01);B;B60;B60L;B60L53
申请人地址：	450002 河南省郑州市金水区东风路5号
主权项：	1.一种电动汽车充电负荷估算及充电方式优化方法，其特征在于，其步骤如下： S1、分析电动汽车的充电开始时间和充电时长的分布，建立充电开始时间和充电时长的概率密度函数； S2、根据步骤S1中的概率密度函数利用拉丁超立方-蒙特卡洛统计法对电动汽车的充电负荷进行估算，得到电动汽车充电负荷曲线； S3、将交流1级、交流2级和直流三种充电设备作为决策变量，建立充电站充电设备的多目标函数； S4、将步骤S2中的电动汽车最大充电负荷作为约束条件，利用遗传粒子群算法对步骤S3中的多目标函数进行优化，输出充电设备在充电站的最优配置。 2.根据权利要求1所述的电动汽车充电负荷估算及充电方式优化方法，其特征在于，所述步骤S1中建立充电开始时间和充电时长的概率密度函数的步骤为： S11、利用偏度系数和峰度系数分析验证电动汽车的充电开始时间和充电时长的分布为对数偏正态分布，其中，偏度系数P为：峰度系数F为：n为样本个数，xi'为第i个样本的数值，i＝1,2,…,n，为样本平均值，s为样本标准差；偏度系数P和峰度系数F均为0，表示数据集服从标准的正态分布；偏度系数P为正时，数据集左侧分散，偏度系数P为负时，数据集右侧分散；峰度系数F为负时，数据集中数据较集中，两侧数据较少，峰度系数F为正时，则相反； S12、根据步骤S11中充电开始时间和充电时长的偏度系数P和峰度系数F的值，可判断充电开始时间和充电时长的分布均为偏正态分布，则充电开始时间的概率密度函数f1(x)为：充电时长的概率密度函数f2(y)为：其中，x为充电开始时间的变量，y为充电时长的变量，μs1为充电开始时间的均值，σs1为充电开始时间的标准差，μs2为充电时长的均值，σs2为充电时长的标准差。 3.根据权利要求1所述的电动汽车充电负荷估算及充电方式优化方法，其特征在于，所述步骤S2中利用拉丁超立方-蒙特卡洛统计法估算电动汽车充电负荷曲线的方法为：利用蒙特卡洛估算出每个时刻的充电电动汽车的数量和每个时刻每辆电动汽车所使用的的功率，并经拉丁超立方方法抽样，计算N辆电动汽车充电负荷曲线。 4.根据权利要求1所述的电动汽车充电负荷估算及充电方式优化方法，其特征在于，所述步骤S3中建立充电站充电设备的多目标函数的方法为：充电设备分别为交流1级、交流2级和直流，交流1级、交流2级和直流在充电站中所占的比例分别为x1、x2和x3，目标函数为充电设备的总投资和电动汽车无序充电负荷的峰谷差，约束条件为在连接时长内满足用户的预期充电电量；所述充电设备的总投资为Y1(x1,x2,x3)，电动汽车无序充电负荷的峰谷差为Y2(x1,x2,x3)，则多目标函数为： Y1(x1,x2,x3)＝3000x1+15000x2+50000x3， Y2(x1,x2,x3)＝1.9x1+25.6x2+100x3-1.4x1-7.7x2-40x3；所述步骤S4中的约束条件为电动汽车最大充电负荷：1.4x1+7.7x2+40x3≥39.06，其中，3000表示每台交流1级充电设备的成本，1.9表示交流1级充电设备的最大功率，1.4表示交流1级充电设备的最小功率，15000表示每台交流2级充电设备的成本，25.6表示交流2级充电设备的最大功率，7.7表示交流2级充电设备的最小功率，50000表示每台直流充电设备的成本，100表示直流充电设备的最大功率，40表示直流充电设备的最小功率。 5.根据权利要求1所述的电动汽车充电负荷估算及充电方式优化方法，其特征在于，所述步骤S4中利用遗传粒子群算法对步骤S3中的多目标函数进行优化，输出充电设备在充电站的最优配置的方法为： S41、初始化运行参数，包括粒子种群M、变异率、交叉率、迭代次数为t＝0，最大迭代次数为tmax，每个种群包括三个变量；随机产生粒子种群的位置和速度； S42、计算每个粒子种群的适应度，并根据适应度大小对粒子种群进行排序，根据最大的适应度对应的粒子种群计算充电设备的总投资Y1的值设为历史最优值Y1_min； S43、根据交叉率随机选择粒子种群的个数进行两两交叉运算得到中间的新粒子种群，再根据变异率随机选择中间的新粒子种群的个数进行两两变异运算得到新的粒子种群； S44、判断交叉运算和变异运算是否运行完毕，若是，执行步骤S45，否则，执行步骤S43； S45、迭代次数t+1，计算新的粒子种群的适应度并排序，计算所有新的粒子种群对应的充电设备的总投资Y1； S46、比较步骤S45中的Y1是否小于历史最优值Y1_min，若是，执行步骤S47，否则，执行步骤S48； S47、更新新的粒子种群的位置和速度，执行步骤S48； S48、判断新的粒子种群是否满足约束条件或达到最大迭代次数tmax，若是，执行步骤S49，否则，执行步骤S43； S49、输出新的粒子种群的最大适应度对应的三个变量的值，即为充电站充电设备的最优配置。 6.根据权利要求1或5所述的电动汽车充电负荷估算及充电方式优化方法，其特征在于，所述步骤S47中新的粒子种群的位置和速度的更新方法为：其中，i＝1,2,…,M，t＝1,2,…,tmax，Xi(t)为第t次迭代时第i个粒子种群的位置，Vi(t)为第t次迭代时第i个粒子种群的速度：Vi(t+1)为第t+1次迭代时第i个粒子种群的速度，Xi(t+1)为第t+1次迭代时第i个粒子种群的位置，c1和c2为正的学习因子，r1和r2为0到1之间均匀分布的随机数，pi为第i个粒子种群的最优位置。
所属类别：	发明专利