行之知识产权综合服务平台

技术领域

本发明涉及一种区域内电动汽车有序充电控制方法，属于电力规划技术领域。

背景技术

电动汽车因其自身的负荷与电源双重属性的特点，广受全世界范围内推广和研究。《电动 汽车科技发展“十二五”专项规划》指出，发展电动汽车产业已经是我国不可改变的必然趋 势，也是我国发展战略性新兴产业的历史机遇。据保守估计，截止到2020年和2030，我国 的汽车使用量将达到1.5亿和2.5亿辆，如果电动汽车全部普及，总发电量将分别提高4％和 5.5％。

随着大规模的电动汽车的普及，接踵而至的将是大规模的电动汽车充电负荷的增加，电 动汽车的移动性和驾驶行为的随机性都将导致规模化电动汽车的充电行为无序性，如果不采 取合理的政策对电动汽车接入电网进行控制，将会给电网的平衡负荷、电能质量、负荷波动、 电网稳定等方面带来巨大的挑战，电动汽车的普遍行为是白天出行，夜晚休息，这也恰巧与 一般的负荷曲线的“日间高峰、夜间低谷”特点相匹配，势必会拉大峰谷差，外加电动汽车 行为的随机性，同样会给电网造成负荷波动，增加电网负担。

但是，如果对电动汽车充电行为加以控制和规划，利用电动汽车的储能特性，使其在低 谷时段充电，高峰时期放电，对其充电行为加以引导和辅助管理，可使其达到削峰填谷的效 果。然而目前因为电动汽车发展还处在初步阶段，相应的数据信息较少，对充电负荷预测难 度较大，使充电负荷控制策略的研究缺乏数据基础支撑，导致此方面的研究极少。

另外，现有的研究表明，交通现象是以“流”的形式出现，交通流反映的正是交通现象 在时间和空间上的连续分配，这种交通现象的流向和流量受到各种条件的影响，如社会属性、 人口数量、就业岗位数和道路网络条件等。居民在选择出行时间、出行方式以及参与活动的 先后顺序都会受到这些条件的影响甚至制约，在现状道路交通条件改变不大的情况下交通流 具有很强的规律性。出行链结构指的是个人为完成一项或几项活动(多目的出行)，在一定时 间顺序上不同出行目的的连接形式，包括出发时间、离开时间、活动持续时间、行程时间、 OD分布、使用的交通工具等。出行链是交通行为研究的重要内容，它能刻画居民活动的选择 和顺序，通过居民出行移动放在活动链中进行线素式跟踪分析，不是孤立地研究一个时刻一 个地点的一种交通发生量，而是体现出交通出行研究的动态性。

电动汽车的出行链描述的正是从起始地到达另一个目的地或另几个目的地然后再返回起 始地这样一个过程，过程中包含大量的时间、空间、方式和活动类型信息，而且这些信息之 间是相互联系和相互作用的。因此，可以充分利用电动汽车的出行链信息，制定恰当的电动 汽车有序充电的控制策略，可以使其在实现新能源新兴产业的同时，提供削峰填谷和减小配 电网负荷波动的辅助效益。

发明内容

本发明要解决技术问题是：克服现有技术的缺点，提供一种可以降低电网的峰谷差、减 小电网负荷波动的控制电动汽车充电策略的方法。

为了解决上述技术问题，本发明提出的技术方案是：一种区域内电动汽车有序充电控制 方法，所述区域内共有N辆电动汽车，每天平均分成M个时间段；所述方法包括以下步骤：

步骤一、收集所述区域内所有N辆电动汽车的出行链信息，每辆电动汽车的出行链信息 包括该电动汽车的起始出行时间、出行距离和目标地点；

步骤二、检测所述区域内所有电动汽车起始时刻的荷电电量；

步骤三、根据每辆电动汽车的起始时刻的荷电电量、起始出行时间和出行距离及目标地 点，从而可以确定每辆电动汽车出行所需电量，并通过以下方法确定该电动汽车的充电地点：

当该电动汽车的荷电电量可以满足一天的出行活动，则该电动汽车的充电地点为该电动 汽车出行链的起始地点；

当该电动汽车的荷电电量不能满足一天的出行活动，则该电动汽车到达出行链中的每一 个目标地点时均计算此时的荷电电量，如果荷电电量不能满足到达下一个目标地点，则该电 动汽车的充电地点为当前目标地点；

当该电动汽车在行驶过程中，荷电电量降低到预定阀值，则该电动汽车的充电地点为该 电动汽车的荷电电量达到预定阀值时的地点；

步骤四、从电力系统的配电网中获取该配电网的历史常规负荷，得到当日的配电网预测 负荷曲线；

步骤五、以最大化降低配电网的负荷峰谷差为目标，利用遗传算法确定每辆电动汽车的 最优充电时间段和最优充电时长；其中所述遗传算法的目标函数为

min Σ j = 1 M ( P b j + Σ i = 1 n j P · x i j · t i j - Σ j = 1 M ( P b j + Σ i = 1 n j P · x i j · t i j ) / M ) 2 ]]>

式中，P_bj为配电网预测负荷曲线第j时间段的平均负荷值，P为每辆电动汽车的充电功率；n_j为第j时间段电动汽车接入电网的数量，其中0＜j＜M；x_ij表第i辆电动车在第j时间段的充 电状态，其中0＜i＜N，x_ij＝0表示该电动汽车此时不充电，x_ij＝1表示该电动汽车此时处于充 电状态，t_ij为第i辆电动汽车在第j时间段的充电时长；

所述遗传算法的约束条件为任意时刻每辆电动汽车的荷电电量都满足如下公式：

SOC min i < SOC j i < SOC m a x i , SOC j + 1 i = SOC j i + P ΔC i ]]>

式中，ΔC_i是第i辆电动车任一时间段的充电电量，为第i辆电动汽车荷电电 量的最小值，为第i辆电动汽车第j时间段的荷电电量，为第i辆电动汽车荷 电电量的最大值，为第i辆电动汽车第j+1时间段的荷电电量。

本发明的方法限定为城区范围的电动汽车，主要是因为城区人口通常比较密集，整个城 区可以划分为商业区、学校区、居民区和工作区等四类区域，这样电动汽车的出行链可以简 化为不同种类区域之间的移动路线，而且在需要充电时可以很方便地找到充电场所(充电站)。

本发明带来的有益效果是：本发明针对电动汽车规模化运行的实际情况，利用出行链思 想对每辆电动汽车的充电负荷进行预测，以最大化降低配电网的负荷峰谷差为目标，利用遗 传算法确定每辆电动汽车的最优充电时间段和最优充电时长，从而使电动汽车由无序充电有 序化，实现电动汽车充电负荷的优化调度，达到降低峰谷差、减小负荷波动的作用。

上述技术方案的进一步改进是：通过以下公式判断荷电电量是否满足一天的出行活动，

SOC_k,ini-SOC_k,ave*d_k＜0

式中SOC_k,ini为第k辆电动汽车在起始时刻的荷电电量，0＜k＜N，SOC_k,ave为第k辆电动 汽车运行每公里荷电电量下降速度，d_k为第k辆电动汽车的出行距离。

上述技术方案的再进一步改进是：所述遗传算法的变异算子通过下式确定变异概率：

P m = P m 1 - ( P m 1 - P m 2 ) ( f - f a v g ) f m a x - f a v g ( f ≥ f a v g ) P m 1 ( f < f a v g ) , ]]>

式中，P_m表示个体变异概率；P_m1表示预设最大变异概率；P_m2表示预设最小变异概率； f表示要变异个体的适应度值；f_avg表示种群平均适应度值；f_max表示种群最大个体适应 度。

具体实施方式

实施例

本实例中共有N辆电动汽车，每天平均分成M＝96个时间段。本实施例的区域内电动汽车 有序充电控制方法包括以下步骤：

步骤一、收集所述区域内所有N辆电动汽车的出行链信息，每辆电动汽车的出行链信息 包括该电动汽车的起始出行时间、出行距离和目标地点，其中目标地点可能为一个，也可能 为多个(即多目标出行)。

步骤二、检测所述区域内所有电动汽车起始时刻的荷电电量。

步骤三、根据每辆电动汽车的起始时刻的荷电电量、起始出行时间和出行距离及目标地 点，从而可以确定每辆电动汽车出行所需电量，并通过以下方法确定该电动汽车的充电地点：

当该电动汽车的荷电电量可以满足一天的出行活动，则该电动汽车的充电地点为该电动 汽车出行链的起始地点；

本实施例通过以下公式判断荷电电量是否满足一天的出行活动，

SOC_k,ini-SOC_k,ave*d_k＜0

式中SOC_k,ini为第k辆电动汽车在起始时刻的荷电电量，0＜k＜N，SOC_k,ave为第k辆电动 汽车运行每公里荷电电量下降速度，d_k为第k辆电动汽车的出行距离；

当该电动汽车的荷电电量不能满足一天的出行活动，则该电动汽车到达出行链中的每一 个目标地点时均计算此时的荷电电量，如果荷电电量不能满足到达下一个目标地点，则该电 动汽车的充电地点为当前目标地点；

当该电动汽车在行驶过程中，荷电电量降低到预定阀值，则该电动汽车的充电地点为该 电动汽车的荷电电量达到预定阀值时的地点。

步骤四、从电力系统的配电网中获取该配电网的历史常规负荷，得到当日的配电网预测 负荷曲线；获取当日的配电网预测负荷曲线为现有技术，不再赘述。

步骤五、以最大化降低配电网的负荷峰谷差为目标，利用遗传算法确定每辆电动汽车的 最优充电时间段和最优充电时长；其中所述遗传算法的目标函数为

min Σ j = 1 M ( P b j + Σ i = 1 n j P · x i j · t i j - Σ j = 1 M ( P b j + Σ i = 1 n j P · x i j · t i j ) / M ) 2 ]]>

式中，P_bj为配电网预测负荷曲线第j时间段的平均负荷值，P为每辆电动汽车的充电功率；n_j为第j时间段电动汽车接入电网的数量，其中0＜j＜M；x_ij表第i辆电动车在第j时间段的充 电状态，其中0＜i＜N，x_ij＝0表示该电动汽车此时不充电，x_ij＝1表示该电动汽车此时处于充 电状态，t_ij为第i辆电动汽车在第j时间段的充电时长；

所述遗传算法的约束条件为任意时刻每辆电动汽车的荷电电量都满足如下公式：

SOC min i < SOC j i < SOC m a x i , SOC j + 1 i = SOC j i + P ΔC i ]]>

式中，ΔC_i是第i辆电动车任一时间段的充电电量，为第i辆电动汽车荷电电 量的最小值，为第i辆电动汽车第j时间段的荷电电量，为第i辆电动汽车荷 电电量的最大值，为第i辆电动汽车第j+1时间段的荷电电量。

遗传算法(GeneticAlgorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生 物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。本实施例利用遗 传算法制定控制电动汽车有序充电策略，遗传算法将问题(即每辆电动汽车的最优充电时间 段和最优充电时长)通过解编码成染色体，通过遗传算法选择、交叉、变异来产生新一代更 适应环境的染色体，不断繁殖、进化最终达到最优解。本实施例的遗传算法参数设置如下： 种群大小为300，交叉概率为0.9，交叉重复次数为5，变异概率为0.1，变异窗口大小为3， 现有的遗传算法均可应用于本实施例。

本实施例在变异算子的计算过程中，通过下式确定变异概率：

P m = P m 1 - ( P m 1 - P m 2 ) ( f - f a v g ) f m a x - f a v g ( f ≥ f a v g ) P m 1 ( f < f a v g ) , ]]>

式中，P_m表示个体变异概率；P_m1表示预设最大变异概率；P_m2表示预设最小变异概率； f表示要变异个体的适应度值；f_avg表示种群平均适应度值；f_max表示种群最大个体适应 度。

本实施例当然也可以采用其他确定变异概率的方法。

本发明不局限于上述实施例，另外凡采用等同替换形成的技术方案，均落在本发明要求 的保护范围内。