[發(fā)明專利]一種電動汽車充放電行為的預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201510375663.6
• 申請日: 2015-06-30
• 公開（公告）號: CN104899667B
• 公開（公告）日: 2018-06-08
• 發(fā)明（設(shè)計）人: 李剛;董耀眾;宋雨;申金波
• 申請（專利權(quán)）人: 華北電力大學(xué)（保定）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 石家莊冀科專利商標(biāo)事務(wù)所有限公司 13108
• 代理人: 李羨民;高錫明

1.一種電動汽車充放電行為的預(yù)測方法，其特征是，所述方法包括以下步驟：

a.制定電動汽車充放電基本約束：

P_Lij＜P_ij＜P_Hij

-C/5＜I_ij＜C/3

SOC_ijmin＜SOC_ij＜SOC_ijmax；

其中，P_ij為第i輛車在時間段j的充放電功率，正值為放電，負(fù)值為充電；P_Lij代表電動汽車最大充電功率，為負(fù)值；P_Hij代表最大放電功率，為正值；I_ij為電動汽車i在時刻j的充放電電流，C為車用鋰電池1h充滿所需的電流；SOC_ij為第i輛電動汽車在時間j時的電荷量，SOC_ijmin和SOC_ijmax分別代表最小電荷量和最大電荷量；

b.制定目標(biāo)函數(shù)：

①構(gòu)建電動汽車充放電時電網(wǎng)負(fù)荷均方差計算模型：

式中，P₁為電網(wǎng)負(fù)荷均方差；p_Tj為無電動汽車入網(wǎng)時，網(wǎng)絡(luò)在時間段j的負(fù)荷；P_ave為電動汽車入網(wǎng)后的平均負(fù)荷；n代表電動汽車的數(shù)量；

②構(gòu)建電動汽車用戶收益計算模型：

式中，T₁為電動汽車的收益，負(fù)值代表盈利，正值代表虧損；M_j為電價，正值代表充電電價，負(fù)值代表向電網(wǎng)饋電電價；

③將上述兩個模型通過加權(quán)處理轉(zhuǎn)換成單一模型，得到最終的目標(biāo)函數(shù)：

α+β＝1；

式中T為T₁和P₁加權(quán)合并后的最終目標(biāo)值，α，β為權(quán)重系數(shù)；P_max為原電網(wǎng)負(fù)荷；T_max為電動汽車接受調(diào)節(jié)時從電量最低值到電量最大值需要的成本；

c.計算MSN影響力ω₂：

ω₂＝p+q；

式中，p為外部影響，q為內(nèi)部影響,參考不同的p和q取值對于網(wǎng)絡(luò)的影響，分別初始化p＝0.005、q＝0.7；

d.利用ω₂對交叉遺傳粒子群算法參數(shù)進(jìn)行修正：

交叉遺傳粒子群算法模型中的基本粒子群算法模塊如下：

式中，表示粒子l在第k次迭代中第d維的位置；為表示粒子l在第k次迭代中第d維的速度；為粒子l在k次迭代中在第d維的最優(yōu)位置；為所有粒子在k次迭代中在第d維的最優(yōu)位置；ω為慣性因子；C₁、C₂為學(xué)習(xí)因子；

利用ω₂對粒子群算法慣性權(quán)重與學(xué)習(xí)因子修正：

ω＝aω₁+b(1-ω₂)

C₁＝C_1s+sin ω

C₂＝C_2s+cos ω；

其中：

式中，a、b為MSN影響力與慣性因子加權(quán)的權(quán)重系數(shù)，滿足a+b＝1，C_1s和C_2s分別為學(xué)習(xí)因子C₁和C₂的調(diào)整值，ω₁為原粒子群算法動態(tài)變化慣性因子，ω_max為ω₁的理論最大值0.9，ω_min為ω₁的理論最小值0.4，n為粒子群算法中當(dāng)前粒子迭代次數(shù)，N為粒子群算法粒子總共迭代次數(shù)；

e.以電動汽車充放電基本約束為前提，利用修正的交叉遺傳粒子群算法對目標(biāo)函數(shù)進(jìn)行求解，得到電動汽車的充放電計劃及配電網(wǎng)負(fù)荷。