CN201610248255.9_一种含风光储的电动汽车充电站容量配比方法_行之知识产权综合服务平台

专利名称：	一种含风光储的电动汽车充电站容量配比方法
专利名称(英文)：
专利号：	CN201610248255.9	申请时间：	20160420
公开号：	CN105868499A	公开时间：	20160817
申请人：	电子科技大学
申请地址：	611731 四川省成都市高新区（西区）西源大道2006号
发明人：	彭超; 许上宇; 何建; 邹见效; 徐红兵
分类号：	G06F17/50; G06Q50/06	主分类号：	G06F17/50
代理机构：	成都行之专利代理事务所(普通合伙) 51220	代理人：	温利平
摘要：	本发明公开了一种含风光储的电动汽车充电站容量配比方法，以电动汽车充电需求，通过风机设备和光伏设备的出力数据、以及运行成本，以充电站经济收益最大化为目标，计算含风光储的电动汽车充电站中的风机设备、光伏设备、储能电池和充电桩的容量配比，在满足区域电动汽车充电需求的基础上，减小含风光储的电动汽车充电站建站成本和提高建站规划的合理性。
摘要(英文)：

一种含风光储的电动汽车充电站容量配比方法，其特征在于，包括以下步骤：(1)、计算每小时正在充电的电动汽车的充电总功率P_k(1.1)、计算每台电动汽车的充电起始时刻设电动汽车的总数量为n，对概率密度函数随机取值，可以得到每台电动汽车的不同充电起始时刻

f (t_{i}^{0}) = \{\begin{matrix} \frac{1}{σ_{1} \sqrt{2 π}} \exp [- \frac{{(t_{i}^{0} - μ_{1})}^{2}}{2 {σ_{1}}^{2}}] \\ \frac{1}{σ_{2} \sqrt{2 π}} \exp [- \frac{{(t_{i}^{0} - μ_{2})}^{2}}{2 {σ_{2}}^{2}}] \end{matrix} - - - (1)

其中，i＝1,2,…,n；σ₁、σ₂、μ₁、μ₂均为常数；(1.2)、计算每台电动汽车的充电时长t_i电动汽车充电功率与时间关系满足：

\{\begin{matrix} \overline{P} = P_{c} e^{- \partial t_{i}} \\ \partial = \frac{P_{c}}{(1 - {SOC}_{i}) C} \end{matrix} - - - (2)

其中，为电动汽车充电功率；P_c为电动汽车充电设备的充电功率，为恒定值；SOC_i为第i台电动汽车开始充电时的电量占电池容量容量的百分比；C为电动汽车电池充满电时的电池电量；电动汽车电量与功率关系满足：

(1 - {SOC}_{i}) C = \int_{t_{i}^{0}}^{t_{i}^{0} + t_{i}} \overline{P} d t - - - (3)

结合公式(2)和(3)可以得到每台电动汽车的充电时长t_i；(1.3)、计算每小时正在充电的电动汽车的充电总功率P_k根据充电起始时刻和充电时长t_i，统计出每小时内正在充电的电动汽车的数量N_k，则每小时内正在充电的电动汽车的充电总功率P_k＝N_k·P_c，k＝1,2,…,24，代表一天24小时；(2)、计算风机设备和光伏设备的出力根据预先统计的某一地区平均一年中每小时的风速V_k、光照强度G_Tk和温度T_sk，结合威布尔出力模型，计算出风机设备的出力P_w(k)；其中，P_e为风力发电机长期稳定工作下的最大功率；V_a为能使风力发电机运行的最小速度；V_e为能使风机在额定状态下工作的风速；V_b为能使风力发电机损坏的最小风速；m为威布尔参数；结合HOMER光出力模型计算出光伏设备的出力P_v(k)；

P_{v} (k) = {\tilde{P}}_{e} S_{v} \frac{G_{T k}}{G_{S}} [1 + D_{p} (T_{s k} - T_{c})] - - - (5)

其中，为光伏电池板在标准测试下的稳定运行的最大功率；S_v为常数；G_S为标准测试条件下的光照强度；D_p为常系数；T_c为标准测试下的电池温度；(3)、建立约束条件和目标函数根据步骤(1)得到的充电总功率P_k，以及步骤(2)中得到的风机设备的出力P_w(k)和光伏设备的出力P_v(k)，建立约束条件可以为：

\{\begin{matrix} \frac{P_{k} - [N_{w} P_{w} (k) + N_{p} P_{v} (k) + N_{d} P_{d}]}{P_{k}} < σ % \\ \{\begin{matrix} N_{w} < \frac{P_{z}}{P_{v} (k)} \\ N_{p} < \frac{P_{z}}{P_{v} (k)} \\ N_{d} < \frac{P_{z}}{P_{d}} \end{matrix} \\ \{\begin{matrix} (6 N_{w} + 5) d_{w} < L \\ N_{p} S_{p} < S \\ N_{d} S_{d} < S \end{matrix} \end{matrix} - - - (6)

其中，P_d为每台储能电池的额定功率；N_w、N_p、N_d分别为风机设备个数、光伏设备个数和储能电池个数；σ为常数；P_z为风光储电动汽车充电站的装机容量；d_w为风力发电机叶片直径、S_p每台光伏设备占地面积、S_d每台储能电池占地面积；L为风光储电动汽车充电站的总长度、S为风光储电动汽车充电站的占地总面积；建立目标函数为：

\{\begin{matrix} \max C = {TC}_{d} - \frac{r {(1 + r)}^{l}}{{(1 + r)}^{l} - l} Σ_{j = 1}^{3} N_{j} C_{j} \\ C_{d} = Σ_{i = 1}^{n} (1 - {SOC}_{i}) C_{0} {\tilde{S}}_{d} \end{matrix} - - - (7)

其中，T为风光储电动汽车充电站存在收益的天数；C_d为平均一天n台电动汽车的充电收益；C₀为电动汽车电池容量；为每度电费的价格；r为发电设备折旧额与原始折旧价格的比例；l为发电设备使用的时间；N_j,j＝1,2,3分别为风机设备、光伏设备、储能设备的台数；C_j,j＝1,2,3为风力发电机、光伏设备、储能设备的单台价格；(4)、利用改进的遗传算法计算出含风光储的电动汽车充电站容量配比结果(4.1)、初始化种群个数为h、迭代次数为d、交叉概率为p₁、变异概率为p₂；(4.2)、在步骤(3)中的约束条件下，对风机设备个数N_w、光伏设备个数N_p和储能电池个数N_d分别随机赋值成h组不同的风光储组合；(4.3)、将步骤(3)中建立的目标函数设置为适应度函数；(4.4)、根据适应度函数计算出每组风光储组合对应的适应度函数值，再将h组适用度函数值按从大到小的顺序排序；将种群个数为h、迭代次数为d代入到公式h(c％)^d＞1中，计算出满足常数c的最大值为f，再按照排好的顺序，从h组风光储组合中选出适应度函数值最大的前h*f％组风光储组合；(4.5)、根据交叉概率p₁、变异概率p₂，将h*f％组风光储组合进行交叉变异操作，生成新的h*f％组风光储组合，再断新的h*f％组风光储组合是否满足步骤(3)中建立的约束条件，如果满足约束条件，则进行步骤(4.6)；如果不满足约束条件，则继续交叉变异，直到新的h*f％风光储组合满足约束条件，再进行步骤(4.6)；(4.6)、以新的h*f％组风光储组合为基准，按照步骤(4.5)所述方法进行迭代，直到迭代次数到达d时，选出第d次迭代时，h*f％组风光储组合中适应度函数值最大的风光储组合，即为容量配比结果。

PDF文件加载中，请耐心等待！

一种含风光储的电动汽车充电站容量配比方法，其特征在于，包括以下步骤：(1)、计算每小时正在充电的电动汽车的充电总功率P_k(1.1)、计算每台电动汽车的充电起始时刻设电动汽车的总数量为n，对概率密度函数随机取值，可以得到每台电动汽车的不同充电起始时刻

f (t_{i}^{0}) = \{\begin{matrix} \frac{1}{σ_{1} \sqrt{2 π}} \exp [- \frac{{(t_{i}^{0} - μ_{1})}^{2}}{2 {σ_{1}}^{2}}] \\ \frac{1}{σ_{2} \sqrt{2 π}} \exp [- \frac{{(t_{i}^{0} - μ_{2})}^{2}}{2 {σ_{2}}^{2}}] \end{matrix} - - - (1)

其中，i＝1,2,…,n；σ₁、σ₂、μ₁、μ₂均为常数；(1.2)、计算每台电动汽车的充电时长t_i电动汽车充电功率与时间关系满足：

\{\begin{matrix} \overline{P} = P_{c} e^{- \partial t_{i}} \\ \partial = \frac{P_{c}}{(1 - {SOC}_{i}) C} \end{matrix} - - - (2)

其中，为电动汽车充电功率；P_c为电动汽车充电设备的充电功率，为恒定值；SOC_i为第i台电动汽车开始充电时的电量占电池容量容量的百分比；C为电动汽车电池充满电时的电池电量；电动汽车电量与功率关系满足：

(1 - {SOC}_{i}) C = \int_{t_{i}^{0}}^{t_{i}^{0} + t_{i}} \overline{P} d t - - - (3)

结合公式(2)和(3)可以得到每台电动汽车的充电时长t_i；(1.3)、计算每小时正在充电的电动汽车的充电总功率P_k根据充电起始时刻和充电时长t_i，统计出每小时内正在充电的电动汽车的数量N_k，则每小时内正在充电的电动汽车的充电总功率P_k＝N_k·P_c，k＝1,2,…,24，代表一天24小时；(2)、计算风机设备和光伏设备的出力根据预先统计的某一地区平均一年中每小时的风速V_k、光照强度G_Tk和温度T_sk，结合威布尔出力模型，计算出风机设备的出力P_w(k)；其中，P_e为风力发电机长期稳定工作下的最大功率；V_a为能使风力发电机运行的最小速度；V_e为能使风机在额定状态下工作的风速；V_b为能使风力发电机损坏的最小风速；m为威布尔参数；结合HOMER光出力模型计算出光伏设备的出力P_v(k)；

P_{v} (k) = {\tilde{P}}_{e} S_{v} \frac{G_{T k}}{G_{S}} [1 + D_{p} (T_{s k} - T_{c})] - - - (5)

其中，为光伏电池板在标准测试下的稳定运行的最大功率；S_v为常数；G_S为标准测试条件下的光照强度；D_p为常系数；T_c为标准测试下的电池温度；(3)、建立约束条件和目标函数根据步骤(1)得到的充电总功率P_k，以及步骤(2)中得到的风机设备的出力P_w(k)和光伏设备的出力P_v(k)，建立约束条件可以为：

\{\begin{matrix} \frac{P_{k} - [N_{w} P_{w} (k) + N_{p} P_{v} (k) + N_{d} P_{d}]}{P_{k}} < σ % \\ \{\begin{matrix} N_{w} < \frac{P_{z}}{P_{v} (k)} \\ N_{p} < \frac{P_{z}}{P_{v} (k)} \\ N_{d} < \frac{P_{z}}{P_{d}} \end{matrix} \\ \{\begin{matrix} (6 N_{w} + 5) d_{w} < L \\ N_{p} S_{p} < S \\ N_{d} S_{d} < S \end{matrix} \end{matrix} - - - (6)

其中，P_d为每台储能电池的额定功率；N_w、N_p、N_d分别为风机设备个数、光伏设备个数和储能电池个数；σ为常数；P_z为风光储电动汽车充电站的装机容量；d_w为风力发电机叶片直径、S_p每台光伏设备占地面积、S_d每台储能电池占地面积；L为风光储电动汽车充电站的总长度、S为风光储电动汽车充电站的占地总面积；建立目标函数为：

\{\begin{matrix} \max C = {TC}_{d} - \frac{r {(1 + r)}^{l}}{{(1 + r)}^{l} - l} Σ_{j = 1}^{3} N_{j} C_{j} \\ C_{d} = Σ_{i = 1}^{n} (1 - {SOC}_{i}) C_{0} {\tilde{S}}_{d} \end{matrix} - - - (7)

其中，T为风光储电动汽车充电站存在收益的天数；C_d为平均一天n台电动汽车的充电收益；C₀为电动汽车电池容量；为每度电费的价格；r为发电设备折旧额与原始折旧价格的比例；l为发电设备使用的时间；N_j,j＝1,2,3分别为风机设备、光伏设备、储能设备的台数；C_j,j＝1,2,3为风力发电机、光伏设备、储能设备的单台价格；(4)、利用改进的遗传算法计算出含风光储的电动汽车充电站容量配比结果(4.1)、初始化种群个数为h、迭代次数为d、交叉概率为p₁、变异概率为p₂；(4.2)、在步骤(3)中的约束条件下，对风机设备个数N_w、光伏设备个数N_p和储能电池个数N_d分别随机赋值成h组不同的风光储组合；(4.3)、将步骤(3)中建立的目标函数设置为适应度函数；(4.4)、根据适应度函数计算出每组风光储组合对应的适应度函数值，再将h组适用度函数值按从大到小的顺序排序；将种群个数为h、迭代次数为d代入到公式h(c％)^d＞1中，计算出满足常数c的最大值为f，再按照排好的顺序，从h组风光储组合中选出适应度函数值最大的前h*f％组风光储组合；(4.5)、根据交叉概率p₁、变异概率p₂，将h*f％组风光储组合进行交叉变异操作，生成新的h*f％组风光储组合，再断新的h*f％组风光储组合是否满足步骤(3)中建立的约束条件，如果满足约束条件，则进行步骤(4.6)；如果不满足约束条件，则继续交叉变异，直到新的h*f％风光储组合满足约束条件，再进行步骤(4.6)；(4.6)、以新的h*f％组风光储组合为基准，按照步骤(4.5)所述方法进行迭代，直到迭代次数到达d时，选出第d次迭代时，h*f％组风光储组合中适应度函数值最大的风光储组合，即为容量配比结果。

原文：翻译：

行之知识产权综合服务平台

一种含风光储的电动汽车充电站容量配比方法(发明专利)

QQ咨询

电话咨询