行之知识产权综合服务平台

1.一种基于最优潮流的大规模电动汽车优化充放电系统，其特征在于， 一电网调度中心：根据城市汽车管理中心上传的电池可用容量，SOC， 预计离开电网时间及离开时期望的SOC值等信息，对电网进行最优潮流计 算，目标为电网网损最小、日负荷曲线波动最小、有载调压变压器分接头 调节次数最少，满足用户离开电网时期望的SOC值，根据最优潮流计算结 果，分配各个小区集中管理单元各个时段的可充放电容量； 一城市电动汽车管理中心：与所述电网调度中心连接，所述城市管理 中心收集下面各个小区集中管理单元的信息，统计整理后再打包上传给电 网调度中心，调度中心计算分析后，再把结果下传给城市电动汽车管理中 心，城市汽车管理中心再分别给各个小区集中管理单元分配可充电容量； 若干小区集中管理单元：与城市电动汽车管理中心连接，用于收集所 辖区域内充电桩的信息，包括是否接入电动汽车，接入电动汽车的时间， 电池的SOC、容量，预计离开电网的时间及离开时期望的SOC值等信息，并 且根据电动汽车需求类似原则对电动汽车进行分类，然后把这些信息上传 给城市电动汽车管理中心，根据城市汽车管理中心给定的可充电容量，根 据分类安排电动汽车的充电或者放电，使得小区对电网表现的总充电负荷 为电网调度中心给定的功率，一个小区视为电网的一个配网节点； 若干充电桩：所述充电桩连接到小区集中管理单元上，一个小区集中 管理单元连接若干充电桩，该充电桩用于连接电动汽车和电网的装置，可 以读取汽车能量管理单元的电池SOC、电池容量、电动汽车充放电电流大小、 预计离开时间及离开时期望的SOC等信息，并且上传给小区集中管理单元， 也可接受小区集中管理单元的控制命令，控制电动汽车充电或者放电； 若干能量管理单元：一个充电桩连接有一个能量管理单元，该能量管 理单元用于记录车载蓄电池的容量等信息，监测电池的SOC，预测剩余电量 可用时长及电动汽车可行距离，连接充电桩时，设置电动汽车充放电的电 流大小、预计离开电网的时间及离开时期望的SOC值。

2.一种基于最优潮流的大规模电动汽车优化充放电方法，其特征在于， 具体方法是：电网调度中心将每个小区集中管理单元等效为一个巨大的蓄 电池，将其纳入电网的统一调度，以日负荷曲线平滑、网损最小、有载调 压变压器调节次数最少、用户满意度高为目标函数，以电网安全稳定运行 为约束调节建立优化模型，用改进粒子群优化算法求解各个小区集中管理 单元的可充电容量，小区集中管理单元再按照电动汽车的不同需求给各车 制定充放电计划，包括以下步骤： 步骤1，电动汽车接入电网前，用户设置充放电电流的限值、预计离开 时间及离开时SOC的下限值； 步骤2，电动汽车连接充电桩，充电桩读取汽车能量管理单元中电池的 信息及用户设置的信息， 步骤3，充电桩把从汽车能量管理单元中读取的信息上报给小区集中管 理单元； 步骤4，小区集中管理单元根据充电桩上报的信息对电动汽车进行分 类，分为需要急充的、可以慢充的，可以放电的三类；并把统计的信息上 报给城市电动汽车管理中心； 步骤5，城市电动汽车管理中心收集各个小区集中管理单元上传的信 息，对小区集中管理单元进行等效蓄电池的建模处理，再把信息进行整理 打包后，统一上传给电网调度中心； 步骤6，电网调度中心接收城市电动汽车管理中心上传的信息，将各个 小区集中管理单元纳入电网的统一调度，进行最优潮流计算，根据计算结 果，分配各个小区集中管理单元充电功率，并把信息打包下传给城市电动 汽车管理中心； 步骤7，城市电动汽车管理中心将电网调度中心分配的充电容量信息分 配给各个小区集中管理单元； 步骤8，小区集中管理单元根据分配的允许充电功率和电动汽车的分 类，制定好各车的充电或者放电计划； 步骤9，充电桩接收小区集中管理单元下发的控制信息，控制电动汽车 充电或者放电。

3.根据权利要求1所述的一种基于最优潮流的大规模电动汽车优化充 放电方法，其特征在于，所述步骤5中，对小区集中管理单元进行等效蓄 电池的建模处理的具体方法是：上班时段和下班时段，电动汽车离开电网 的时间服从正态分布，其他时间离开电网的概率服从均匀分布，设P_leave,β为 时刻β电动汽车离开电网的概率，则可认为时刻β接入电网的电动汽车的比 例P_rβ≈1-P_leave,β，若N_α,EV为小区集中管理单元α所辖的电动汽车总量，则 P_rβ·N_α,EV为节点α时刻β接入电网的电动汽车数量，其中，定义电动汽车在 空间上服从均匀分布； 定义等效蓄电池的容量为荷电状态SOC为γ_α,β，充放电功率上下 限值为则它们的计算公式如下： E α , β store = P rβ · N α , EV · E α EV ]]>  式一 γ α , β + 1 = γ α , β + P rβ · N α , EV · P α , β store · Δt E α , β + 1 store ]]>  式二 P α , max store = P rβ · N α , EV · P α , max EV P α , min store = P rβ · N α , EV · P α , min EV ]]>  式三 式中，为节点α时刻β等效蓄电池的容量，P_rβ为时刻β接入电网的 电动汽车的比例，N_α,EV为节点α的电动汽车总量，为一辆电动汽车的平 均容量，γ_α,β、γ_α,β+1为节点α的等效蓄电池在时刻β和时刻β+1的SOC，为等效蓄电池的充放电功率，正值代表充电，负值代表放电，Δt为时刻β和 β+1之间的时间间隔，为蓄电池充放电功率的上下限值，为单辆电动汽车充放电功率的上下限值；式二中，电动汽车数量变化 引起的等效蓄电池SOC的变化忽略不计。

4.根据权利要求1所述的一种基于最优潮流的大规模电动汽车优化充 放电方法，其特征在于，所述步骤6中，潮流计算基于以下模型： 以同时满足电动汽车用户群体需求和提升电网经济运行效益为指导目 标，考虑电动汽车用户满意度、电网日负荷曲线平滑、减少电网的有功网 损和电网控制设备的频繁调节为目标函数，在网络约束、有载调压变压器 约束、传输功率约束、充放电功率约束、电动汽车SOC约束的约束条件下， 提出了考虑电动汽车接入电网随机性的基于最优潮流的电动汽车充放电优 化策略，并用基于遗传变异和模拟退火思想的改进粒子群优化算法来求解 充放电优化问题； 定义用户满意度函数为： g 4 = 1 - Σ α = 1 n γ α 7 n ]]>  式四 式中，γ_α7为节点α的等效蓄电池在早上7:00的SOC值；n为电网络节 点数，等效蓄电池的SOC值越大，可代表电动汽车的SOC值也越大，函数 值越小，即为用户满意度越高，且规定电池的SOCγ≥0.6时，才允许其向电 网放电，以保障用户的出行电量需求； 对于上述多目标的优化问题，可以通过加权线性组合来化成单目标的 优化问题，所以，最终目标函数表述为： minf=ε₁·g₁+ε₂·g₂+ε₃·g₃+(1-ε₁-ε₂-ε₃)·g₄  式五 g 1 = Σ β = 1 n β Σ α = 1 n l P Loss , αβ g 2 = Σ β = 1 n β Σ α = 1 n t | | t | αβ - 1 | g 3 = Σ β = 1 n β ( P β - P ‾ ) 2 g 4 = 1 - Σ α = 1 n γ α 7 n ]]>  式六 式中，P_Loss,αβ为支路α在β时刻的有功损耗标幺值；|t|_αβ为有载调压变压 器α在β时刻的变比；n_l为网络包含支路数；n_t为有载调压变压器的个数； n_β为一天总的时间间隔数；P_β为β时刻的网络总负荷标幺值；为无EV接 入时日负荷曲线的平均值的标幺值；γ_α7为节点α的等效蓄电池在早上7:00 的SOC值；n为电网络节点数，g₁表示有功网损；g₂表示有载调压变压器调 节次数；g₃表示日负荷曲线的平滑度；g₄表示用户满意度；ε₁、ε₂、ε₃为权 重系数，且令ε₁=0.3，ε₂=0.3，ε₃=0.3， 所述的约束条件为： P_Gα-P_Dα-P_Tα=0  式七 Q_Gα-Q_Dα-Q_Tα=0  式八 |t|_α,min≤|t|_α≤|t|_α,max  式九 P α , min store ≤ P α store ≤ P α , max store ]]>  式十 V_α,min≤V_α≤V_α,max  式十一 |P_l|≤P_l,max  式十二 γ_α≥0.1  式十三 式中，P_Gα，Q_Gα为节点α的注入功率；P_Dα，Q_Dα为节点α的负荷功率； P_Tα，Q_Tα为节点α的传输功率；|t|_α,max，|t|_α,min为有载调压变压器α变比上下 限；为节点α的蓄电池充放电功率的上下限值；V_α,max，V_α,min为 节点α的电压上下限；P_l,max为线路l的功率上限；γ_α为节点α的等效蓄电池 的SOC。

5.根据权利要求1所述的一种基于最优潮流的大规模电动汽车优化充 放电方法，其特征在于，电网调度中心的最优潮流优化模型的求解用改进 粒子群优化算法进行求解，具体包括以下步骤： 步骤1，各小区集中管理单元的信息等，并在满足约束条件下初始化新 生粒子的位置X_i和速度V_i； 步骤2，进行潮流计算和等效蓄电池的SOC计算，并判断计算出的状态 变量是否满足约束条件；若不满足，重新生成该粒子，若满足，则生成下 一个粒子，直到生成所有粒子； 步骤3，评估每个粒子的适应值，并寻找每个粒子的个体最优值和全局 最优值，分别记为P_i和P_g； 步骤4，置k=k+1，更新惯性因子w和退火温度T； 步骤5，计算一个粒子的当前速度V_i，若越限则限制在边界上；计算该 粒子当前的位置X_i，若越限则限制在边界上； 步骤6，根据该粒子的位置进行潮流计算；并且计算等效蓄电池的SOC； 重新评估该粒子的适应值，并判断是否更新该粒子的P_i和整个种群的P_g； 步骤7，回到步骤5算下一个粒子，值到所有粒子都更新完； 步骤8，根据设置的变异概率，随机选取一定数量的粒子进行变异，分 别根据变异粒子的位置信息进行潮流计算，重估变异粒子的适应值；根据 模拟退火的温度控制规则，以一定的概率接受粒子的不良变异来重新判断 是否更新变异粒子的P_i和整个种群的P_g； 步骤9，若k达到最大迭代次数，则输出最优解，否则转向步骤4。

1.一种基于最优潮流的大规模电动汽车优化充放电系统，其特征在于， 一电网调度中心：根据城市汽车管理中心上传的电池可用容量，SOC， 预计离开电网时间及离开时期望的SOC值等信息，对电网进行最优潮流计 算，目标为电网网损最小、日负荷曲线波动最小、有载调压变压器分接头 调节次数最少，满足用户离开电网时期望的SOC值，根据最优潮流计算结 果，分配各个小区集中管理单元各个时段的可充放电容量； 一城市电动汽车管理中心：与所述电网调度中心连接，所述城市管理 中心收集下面各个小区集中管理单元的信息，统计整理后再打包上传给电 网调度中心，调度中心计算分析后，再把结果下传给城市电动汽车管理中 心，城市汽车管理中心再分别给各个小区集中管理单元分配可充电容量； 若干小区集中管理单元：与城市电动汽车管理中心连接，用于收集所 辖区域内充电桩的信息，包括是否接入电动汽车，接入电动汽车的时间， 电池的SOC、容量，预计离开电网的时间及离开时期望的SOC值等信息，并 且根据电动汽车需求类似原则对电动汽车进行分类，然后把这些信息上传 给城市电动汽车管理中心，根据城市汽车管理中心给定的可充电容量，根 据分类安排电动汽车的充电或者放电，使得小区对电网表现的总充电负荷 为电网调度中心给定的功率，一个小区视为电网的一个配网节点； 若干充电桩：所述充电桩连接到小区集中管理单元上，一个小区集中 管理单元连接若干充电桩，该充电桩用于连接电动汽车和电网的装置，可 以读取汽车能量管理单元的电池SOC、电池容量、电动汽车充放电电流大小、 预计离开时间及离开时期望的SOC等信息，并且上传给小区集中管理单元， 也可接受小区集中管理单元的控制命令，控制电动汽车充电或者放电； 若干能量管理单元：一个充电桩连接有一个能量管理单元，该能量管 理单元用于记录车载蓄电池的容量等信息，监测电池的SOC，预测剩余电量 可用时长及电动汽车可行距离，连接充电桩时，设置电动汽车充放电的电 流大小、预计离开电网的时间及离开时期望的SOC值。

2.一种基于最优潮流的大规模电动汽车优化充放电方法，其特征在于， 具体方法是：电网调度中心将每个小区集中管理单元等效为一个巨大的蓄 电池，将其纳入电网的统一调度，以日负荷曲线平滑、网损最小、有载调 压变压器调节次数最少、用户满意度高为目标函数，以电网安全稳定运行 为约束调节建立优化模型，用改进粒子群优化算法求解各个小区集中管理 单元的可充电容量，小区集中管理单元再按照电动汽车的不同需求给各车 制定充放电计划，包括以下步骤： 步骤1，电动汽车接入电网前，用户设置充放电电流的限值、预计离开 时间及离开时SOC的下限值； 步骤2，电动汽车连接充电桩，充电桩读取汽车能量管理单元中电池的 信息及用户设置的信息， 步骤3，充电桩把从汽车能量管理单元中读取的信息上报给小区集中管 理单元； 步骤4，小区集中管理单元根据充电桩上报的信息对电动汽车进行分 类，分为需要急充的、可以慢充的，可以放电的三类；并把统计的信息上 报给城市电动汽车管理中心； 步骤5，城市电动汽车管理中心收集各个小区集中管理单元上传的信 息，对小区集中管理单元进行等效蓄电池的建模处理，再把信息进行整理 打包后，统一上传给电网调度中心； 步骤6，电网调度中心接收城市电动汽车管理中心上传的信息，将各个 小区集中管理单元纳入电网的统一调度，进行最优潮流计算，根据计算结 果，分配各个小区集中管理单元充电功率，并把信息打包下传给城市电动 汽车管理中心； 步骤7，城市电动汽车管理中心将电网调度中心分配的充电容量信息分 配给各个小区集中管理单元； 步骤8，小区集中管理单元根据分配的允许充电功率和电动汽车的分 类，制定好各车的充电或者放电计划； 步骤9，充电桩接收小区集中管理单元下发的控制信息，控制电动汽车 充电或者放电。

3.根据权利要求1所述的一种基于最优潮流的大规模电动汽车优化充 放电方法，其特征在于，所述步骤5中，对小区集中管理单元进行等效蓄 电池的建模处理的具体方法是：上班时段和下班时段，电动汽车离开电网 的时间服从正态分布，其他时间离开电网的概率服从均匀分布，设P_leave,β为 时刻β电动汽车离开电网的概率，则可认为时刻β接入电网的电动汽车的比 例P_rβ≈1-P_leave,β，若N_α,EV为小区集中管理单元α所辖的电动汽车总量，则 P_rβ·N_α,EV为节点α时刻β接入电网的电动汽车数量，其中，定义电动汽车在 空间上服从均匀分布； 定义等效蓄电池的容量为荷电状态SOC为γ_α,β，充放电功率上下 限值为则它们的计算公式如下： E α , β store = P rβ · N α , EV · E α EV ]]>  式一 γ α , β + 1 = γ α , β + P rβ · N α , EV · P α , β store · Δt E α , β + 1 store ]]>  式二 P α , max store = P rβ · N α , EV · P α , max EV P α , min store = P rβ · N α , EV · P α , min EV ]]>  式三 式中，为节点α时刻β等效蓄电池的容量，P_rβ为时刻β接入电网的 电动汽车的比例，N_α,EV为节点α的电动汽车总量，为一辆电动汽车的平 均容量，γ_α,β、γ_α,β+1为节点α的等效蓄电池在时刻β和时刻β+1的SOC，为等效蓄电池的充放电功率，正值代表充电，负值代表放电，Δt为时刻β和 β+1之间的时间间隔，为蓄电池充放电功率的上下限值，为单辆电动汽车充放电功率的上下限值；式二中，电动汽车数量变化 引起的等效蓄电池SOC的变化忽略不计。

4.根据权利要求1所述的一种基于最优潮流的大规模电动汽车优化充 放电方法，其特征在于，所述步骤6中，潮流计算基于以下模型： 以同时满足电动汽车用户群体需求和提升电网经济运行效益为指导目 标，考虑电动汽车用户满意度、电网日负荷曲线平滑、减少电网的有功网 损和电网控制设备的频繁调节为目标函数，在网络约束、有载调压变压器 约束、传输功率约束、充放电功率约束、电动汽车SOC约束的约束条件下， 提出了考虑电动汽车接入电网随机性的基于最优潮流的电动汽车充放电优 化策略，并用基于遗传变异和模拟退火思想的改进粒子群优化算法来求解 充放电优化问题； 定义用户满意度函数为： g 4 = 1 - Σ α = 1 n γ α 7 n ]]>  式四 式中，γ_α7为节点α的等效蓄电池在早上7:00的SOC值；n为电网络节 点数，等效蓄电池的SOC值越大，可代表电动汽车的SOC值也越大，函数 值越小，即为用户满意度越高，且规定电池的SOCγ≥0.6时，才允许其向电 网放电，以保障用户的出行电量需求； 对于上述多目标的优化问题，可以通过加权线性组合来化成单目标的 优化问题，所以，最终目标函数表述为： minf=ε₁·g₁+ε₂·g₂+ε₃·g₃+(1-ε₁-ε₂-ε₃)·g₄  式五 g 1 = Σ β = 1 n β Σ α = 1 n l P Loss , αβ g 2 = Σ β = 1 n β Σ α = 1 n t | | t | αβ - 1 | g 3 = Σ β = 1 n β ( P β - P ‾ ) 2 g 4 = 1 - Σ α = 1 n γ α 7 n ]]>  式六 式中，P_Loss,αβ为支路α在β时刻的有功损耗标幺值；|t|_αβ为有载调压变压 器α在β时刻的变比；n_l为网络包含支路数；n_t为有载调压变压器的个数； n_β为一天总的时间间隔数；P_β为β时刻的网络总负荷标幺值；为无EV接 入时日负荷曲线的平均值的标幺值；γ_α7为节点α的等效蓄电池在早上7:00 的SOC值；n为电网络节点数，g₁表示有功网损；g₂表示有载调压变压器调 节次数；g₃表示日负荷曲线的平滑度；g₄表示用户满意度；ε₁、ε₂、ε₃为权 重系数，且令ε₁=0.3，ε₂=0.3，ε₃=0.3， 所述的约束条件为： P_Gα-P_Dα-P_Tα=0  式七 Q_Gα-Q_Dα-Q_Tα=0  式八 |t|_α,min≤|t|_α≤|t|_α,max  式九 P α , min store ≤ P α store ≤ P α , max store ]]>  式十 V_α,min≤V_α≤V_α,max  式十一 |P_l|≤P_l,max  式十二 γ_α≥0.1  式十三 式中，P_Gα，Q_Gα为节点α的注入功率；P_Dα，Q_Dα为节点α的负荷功率； P_Tα，Q_Tα为节点α的传输功率；|t|_α,max，|t|_α,min为有载调压变压器α变比上下 限；为节点α的蓄电池充放电功率的上下限值；V_α,max，V_α,min为 节点α的电压上下限；P_l,max为线路l的功率上限；γ_α为节点α的等效蓄电池 的SOC。

5.根据权利要求1所述的一种基于最优潮流的大规模电动汽车优化充 放电方法，其特征在于，电网调度中心的最优潮流优化模型的求解用改进 粒子群优化算法进行求解，具体包括以下步骤： 步骤1，各小区集中管理单元的信息等，并在满足约束条件下初始化新 生粒子的位置X_i和速度V_i； 步骤2，进行潮流计算和等效蓄电池的SOC计算，并判断计算出的状态 变量是否满足约束条件；若不满足，重新生成该粒子，若满足，则生成下 一个粒子，直到生成所有粒子； 步骤3，评估每个粒子的适应值，并寻找每个粒子的个体最优值和全局 最优值，分别记为P_i和P_g； 步骤4，置k=k+1，更新惯性因子w和退火温度T； 步骤5，计算一个粒子的当前速度V_i，若越限则限制在边界上；计算该 粒子当前的位置X_i，若越限则限制在边界上； 步骤6，根据该粒子的位置进行潮流计算；并且计算等效蓄电池的SOC； 重新评估该粒子的适应值，并判断是否更新该粒子的P_i和整个种群的P_g； 步骤7，回到步骤5算下一个粒子，值到所有粒子都更新完； 步骤8，根据设置的变异概率，随机选取一定数量的粒子进行变异，分 别根据变异粒子的位置信息进行潮流计算，重估变异粒子的适应值；根据 模拟退火的温度控制规则，以一定的概率接受粒子的不良变异来重新判断 是否更新变异粒子的P_i和整个种群的P_g； 步骤9，若k达到最大迭代次数，则输出最优解，否则转向步骤4。