[發明專利]一種基于V2G技術的電動汽車有序充放電方法

在審

• 申請號: 202310291362.X
• 申請日: 2023-03-21
• 公開（公告）號: CN116362496A
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 張科;孫瑜;周翔;何陽;田家樂;賈興;范娟娟;嚴清心;余思雨;宋云鵬
• 申請（專利權）人: 浙江電力交易中心有限公司;浙江華云信息科技有限公司
• 主分類號: G06Q10/0631
• 分類號: G06Q10/0631;G06Q50/06;G06F30/27;G06N3/126;G06F111/06;G06F113/04;G06F111/04
• 代理公司: 南京源古知識產權代理事務所(普通合伙) 32300
• 代理人: 馬曉輝

1.一種基于V2G技術的電動汽車有序充放電方法，其特征在于，包括以下步驟：

步驟1、研究電動汽車出行的時空分布特性，根據汽車出行數據獲得不同時段下電動汽車的不同出行目的地分布；

步驟2、分析電動汽車充電時刻、起始SOC并計算電動汽車充電時間；

步驟3、利用蒙特卡洛方法隨機抽取，將所有電動汽車充電負荷疊加，計算大規模電動汽車日充電總負荷；

步驟4、以配電網功率損耗及負荷峰谷差最小為目標函數建立多目標優化模型，采用遺傳算法求解得到電動汽車最優充放電時段及功率。

2.根據權利要求1所述的電動汽車有序充放電方法，其特征在于，步驟1具體過程為：根據私家車用戶出行的數據統計，對數據進行歸一化處理后，將用戶的出行目的地分為居民區、工作區和商業區，用在時間上將其分為工作日和節假日。

3.根據權利要求1所述的基于V2G技術的電動汽車有序充放電方法，其特征在于，步驟2具體過程為：分析電動汽車充電時刻、起始SOC，并計算電動汽車充電時間。對充電數據進行擬合分析，在工作日，用戶的出行時刻及到達各個目的地的時間呈正態分布，如下式：

在節假日，用戶出行時刻呈均勻分布。

4.如權利要求3所述的基于V2G技術的電動汽車有序充放電方法，其特征在于，

電動汽車的SOC和行駛里程近似呈線性關系，汽車到達某出行目的地時刻時SOC如下式：

式中，T_j為抵達下一出行目的地的時間，T_i為抵達當前目的地的時間，w為電動汽車單位行駛里程的平均耗電量，S_ij為i地和j地之間的里程，C為電池容量，

假設用戶停車時刻約等于起始充電時刻，即到達就充電，并假設用戶在居民區和工作區采用慢充方式，在商業區短暫停留時采用快充方式，則單輛電動汽車在某地點充滿電所需的充電時間計算方法如下式：

式中η為充電效率(定值)，p_c為充電功率(定值)，T為充電時間。

5.根據權利要求1所述的基于V2G技術的電動汽車有序充放電方法，其特征在于，步驟3具體過程為：將一天的時間分為1440分鐘，每分鐘N輛電動汽車的總充電負荷見下式：

式中，A_i為時刻i時電動汽車的總充電功率，N為電動汽車輛數，P_n，i為第n輛電動汽車在i時刻的充電功率，

在模型中輸入車輛的信息：車輛總數、車輛參數、出行時間地點概率分布、起始SOC分布、起始充電時間，采用蒙特卡洛方法抽取起始SOC，計算充電時間，再抽取起始充電時間，疊加計算得到電動汽車的日總充電負荷。

6.根據權利要求1所述的基于V2G技術的電動汽車有序充放電方法，其特征在于，步驟4具體過程為：以網損及負荷峰谷差最小為目標函數建立多目標優化模型，采用遺傳算法求解得到電動汽車最優充放電時段及功率，具體步驟為：

步驟4.1、構建目標函數：

式中，f₁為系統網損的目標函數，f₂為負荷峰谷差目標函數；T為時段數，N為系統的節點數；U_i，t代表節點i第t時段的節點電壓；θ_ij，t是第t時段節點i、j的相角差；P_{i，t_ch}、P_{i，t_dis}分別為節點i第t時段的充電功率和放電功率，為節點i第t時段的基礎負荷；μ為所有時段電網負荷的平均值，計算方法如下式：

轉化為單目標函數：

式中,λ₁、λ₂為權重系數。

步驟4.2、建立約束條件：

充放電功率約束

I_iP_i，min≤P_{i，t_ch}≤I_iP_i，max

I_iP_i，min≤-P_{i，t_dis}≤I_iP_i，max

P_i，min、P_i，max為節點i的充電功率最值；I_i為節點狀態，其值為0或1，第三個式子表示節點i在第t時段只能進行充電或者放電其中一個行為，即必有一個功率為0，

電池容量約束

c_i，min≤c_i，t≤C_i，max

式中，c_i，min為電動汽車電池電量的下限，c_i，max為電池電量的上限；c_i，start為電動汽車充電初始時刻電量，

網絡安全約束

U_i，min≤U_i，t≤U_i，max

P_ij，min≤P_ij，t≤P_ij，max

式中，U_i，min為節點電壓的下限，U_i，max為節點電壓的上限，P_ij，min為支路功率的下限、P_ij，max為支路功率的上限；

步驟4.3、將各節點與各時段的電動汽車充電功率設為染色體個體，進行編碼；

步驟4.4、將目標函數轉變成最大值問題，建立適應度函數f′，

步驟4.5、遺傳操作，結合所有約束條件，依據種群個體適應值，執行選擇、變異和交叉遺傳操作，可知f₁、f₂越小，相應個體被選擇的概率越高，由于遺傳操作具有隨機性，最優解有可能會被淘汰，所以為了保留最優解，采用最優保留方式，將最優解克隆到下一代，保證算法的收斂性；

步驟4.6、循環步驟4.3到步驟4.5。