[發明專利]一種基于蒙特卡洛方法的電動車智能充電優化方法和系統

有效

• 申請號: 202011286676.3
• 申請日: 2020-11-17
• 公開（公告）號: CN112428834B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 陳征
• 申請（專利權）人: 寧波工程學院
• 主分類號: B60L53/00
• 分類號: B60L53/00;G06F17/15
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 趙悅

本發明涉及一種基于蒙特卡洛方法的電動車智能充電優化方法和系統，包括：對所有的充電狀況s設置一任意策略；對所有的充電狀況s和行動a設置一任意初始化行動值函數值；將開始時刻的狀態s₀和行動a₀帶入初始化策略獲得序列；根據上述序列獲得i時刻狀況s_i和行動a_i對應的G值；若狀態s_t和行動a_t在序列中出現過，則記錄其G值中，遍歷所有待測狀態和行動，獲得所有在序列中出現過的狀態和行動對應的G值；S6將所有的G值取平均值獲得行動值函數值；重復上述步驟，選取不同的策略并獲得與其對應的行動值函數值；其中行動值函數值最大時對應的策略為最優策略。其基于蒙特卡洛方法給出了電動車的最優充電方案，計算準確，效率高。

技術領域

本發明是關于一種基于蒙特卡洛方法的電動車智能充電優化方法和系統，屬于車輛控制技術領域。

背景技術

隨著智能電網和電動汽車的發展，越來越多的電動車融入智能網使得電網的負擔增加。為了使得智能電網更加經濟，有效和穩定，有必要將電動車的充電策略納入需求側管理。一般要求電網中的電動車在一段時間內的能耗為最小。因此如何給出電動車用電方案，包括如何充電、如何待命、如何用電是一項重要而有意義的任務。但目前對如何考慮電動車用電方案的能耗優化方法還比較少，而且現有的方法大部分是基于電動車的歷史行程和歷史軌跡進行計算，但是電動車作為交通工具在行駛過程中會遇到各種突發情況，根據歷史行程獲得的能耗優化方案不能很好的應對突發情況，具有明顯的滯后性。

發明內容

針對上述現有技術的不足，本發明的目的是提供了一種基于蒙特卡洛方法的電動車智能充電優化方法和系統，基于隨機模型建立了關于插電式混合動力車輛的能耗目標函數，然后基于蒙特卡洛方法給出了電動車的最優充電方案，計算準確，效率高，特別適用于隨機性強的道路交通狀況。

為實現上述目的，本發明提供了一種基于蒙特卡洛方法的電動車智能充電優化方法，包括以下步驟：S1對所有的電動車充電狀況s設置一任意策略π(s)；S2將開始時刻的狀態s₀和行動a₀帶入初始化策略π(s)獲得序列：s₀，a₀，R₁，…，s_T-1，a_T-1，R_T，R_i為i時刻能量的即時消耗；S3根據S2中的序列獲得i時刻狀況s_i和行動a_i對應的G值；S4若狀態s_t和行動a_t在序列中出現過，則記錄其G值中，遍歷所有待測狀態和行動，獲得所有在序列中出現過的狀態和行動對應的G值；S5將所有的G值取平均值獲得行動值函數值Q(s,a)；S6重復步驟S1-S5，選取不同的策略π(s)并獲得與其對應的行動值函數值Q(s,a)；其中行動值函數值Q(s,a)最大時對應的策略π(s)為最優策略。

進一步，步驟S2中能量的即時消耗的公式為：

其中，E_ch(SoC(t))表示[t,t+1]時間段內的充電樁充給電動車的電能，η是充電效率系數，g表示當能耗超過電池可用電能時候的油耗。

進一步，步驟S3中G值的計算公式：

G_t＝γG_t-1+R_t+1

其中，γ為折扣因子，為常數，G₀＝0。

進一步，步驟S5中行動值函數值Q(s,a)的計算公式：

其中，T為時間段[0,M]插入的T個等分點，E_π[]為采用策略π在時間段[0,M]中消耗的電能。