一种电动车的充馈电方法和装置与流程

1.本发明涉及计算机技术领域，尤其涉及一种电动车的充馈电方法和装置。


背景技术：

2.作为一种新兴的低碳、无污染的交通工具，电动车及其相关内容的研究受到广泛关注；v2g(vehicle to grid，电动汽车入智能电网)技术是其中的一个研究热点；v2g技术将大量电动车集中起来，不仅能够通过分时段充电减少电网的峰值负荷，还能作为能量缓冲主动进行馈电行为，为电网提供调频等辅助服务，在此过程中用户还能获得一定的收益。
3.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
4.在对基于v2g的电动车充馈电策略问题的研究中，现有技术主要考虑的是充电的调度、电网填谷等问题的优化，缺少基于停驶模式并考虑电动车充馈电需求的、以优化电动车充馈电成本为目标的充馈电调度的研究。


技术实现要素：

5.有鉴于此，本发明实施例提供一种电动车的充馈电方法和装置，能够基于停驶模式并考虑电动车充馈电需求，利用粒子群算法，以优化电动车充馈电成本为目标，确定对电动车的充馈电策略，并按照该策略执行电动车的充电或馈电。
6.为实现上述目的，根据本发明实施例的一个方面，提供了一种电动车的充馈电方法，包括：
7.获取充馈电配置信息，并确定目标电动车充馈电的需求信息；
8.根据所述需求信息和所述充馈电配置信息，构建充馈电成本优化问题的目标函数和约束条件，在所述约束条件下对所述目标函数进行求解，确定充馈电策略；
9.按照所述充馈电策略执行所述目标电动车的充电或馈电。
10.可选地，所述充馈电配置信息至少包括：电价信息、充电桩功率阈值、功率总阈值；其中，所述电价信息包括：各单位时间段内的充电电价信息或馈电电价信息；
11.所述需求信息至少包括：初始电量、期望电量、充馈电时段信息、电量阈值。
12.可选地，所述确定目标电动车充馈电的需求信息，包括：
13.接收电动车充馈电的预约信息，所述预约信息至少包括：初始电量、期望电量、电量阈值、开始时间、结束时间；
14.根据所述开始时间与所述结束时间确定所述充馈电时段信息，所述充馈电时段由整数个单位时间段组成；
15.判断所述需求信息是否满足初始条件，将满足所述初始条件的需求信息确定为所述目标电动车充馈电的需求信息。
16.可选地，判断所述需求信息是否满足初始条件，包括：
17.根据所述初始电量和所述期望电量确定电量变化量；
18.将所述充馈电时段中包含的单位时间段的个数，与所述充电桩功率阈值的乘积作
为变化量最大值，判断所述变化量最大值是否超过所述电量变化量；以及，
19.判断所述充馈电时段是否超过时长阈值；
20.若都是，则确定所述需求信息满足所述初始条件。
21.可选地，根据所述需求信息和所述充馈电配置信息，构建充馈电成本优化问题的目标函数和约束条件，在所述约束条件下对所述目标函数进行求解，确定充馈电策略，包括：
22.根据所述电价信息和所述充馈电时段信息构建每一目标电动车在预设时段内的充馈电成本函数；以及，根据所述需求信息和所述充馈电配置信息确定所述约束条件；
23.以所有目标电动车的充馈电成本之和最小作为目标函数，以每一目标电动车在每一单位时间段内充电或馈电的实际功率作为优化变量；
24.在满足所述约束条件的情况下，对所述目标函数求最优解，以确定所述充馈电策略。
25.可选地，所述约束条件包括：
26.每一目标电动车在充馈电时段开始时的电量与其初始电量相等，在充馈电时段结束时的电量与其期望电量相等；
27.每一目标电动车在充馈电时段结束时的电量不超过该目标电动车的电量阈值；
28.在所述预设时段内，每一目标电动车在其充馈电时段之外的电量无变化；
29.所述目标电动车在每一单位时间段内的电量变化量不超过所述充电桩功率阈值；
30.在每一单位时间段内，所有目标电动车电量变化量之和，不超过所述功率总阈值；其中，所述电量变化量是根据所述初始电量和所述期望电量确定的。
31.可选地，采用粒子群算法在所述约束条件下对所述目标函数进行求解，确定充馈电策略，包括：
32.根据所述预设时段中包含的单位时间段的个数n、所述目标电动车的个数m，基于所述需求信息和约束条件生成预设个数的位置粒子x和预设个数的速度粒子v，以组成粒子群；所述位置粒子和速度粒子均为m
×
n二维数组；所述位置粒子x中的元素x
kt
表示第k个目标电动车在第t个单位时间段后的电量值；所述速度粒子v中的元素v
kt
表示第k个目标电动车在第t个单位时间段内的电量变化量；其中，k∈{1,2,
…
,m}，t∈{1,2,
…
,n}；
33.建立所述位置粒子与所述优化变量的约束关系；
34.循环执行以下步骤，更新粒子群中的位置粒子和速度粒子，直到满足迭代结束条件：
35.根据所述约束关系将所述位置粒子代入所述目标函数，得到与所述位置粒子对应的函数值，并以所述函数值作为所述位置粒子的适应度；根据各位置粒子的适应度确定全局最优解和各位置粒子的个体最优解；基于所述全局最优解和所述个体最优解以及所述约束条件更新所述粒子群中的位置粒子和速度粒子；
36.从迭代结束后的粒子群中确定最优位置粒子，根据所述约束关系确定与所述最优位置粒子对应的优化变量，以确定充馈电策略。
37.可选地，根据如下方法判断是否满足所述迭代结束条件：
38.当迭代次数超过迭代阈值，确定所述迭代结束；或，
39.确定更新后的各速度粒子所对应的向量的模，以所述向量的模小于模阈值的速度
粒子的个数作为稳定个数；当所述稳定个数超过个数阈值时，确定所述迭代结束。
40.可选地，在更新所述粒子群中的位置粒子和速度粒子之后，还包括：
41.判断所述位置粒子和所述速度粒子是否满足所述约束条件；
42.若否，利用遗传算法的变异方法或交叉方法更新所述位置粒子或速度粒子；或，
43.基于所述约束条件重新生成位置粒子或速度粒子；或，
44.将更新后不满足所述约束条件的位置粒子和速度粒子从所述粒子群中删除。
45.根据本发明实施例的再一个方面，提供了一种电动车的充馈电装置，包括：
46.获取模块，用于获取充馈电配置信息，并确定目标电动车充馈电的需求信息；
47.求解模块，用于根据所述需求信息和所述充馈电配置信息，构建充馈电成本优化问题的目标函数和约束条件，在所述约束条件下对所述目标函数进行求解，确定充馈电策略；
48.执行模块，用于按照所述充馈电策略执行所述目标电动车的充电或馈电。
49.可选地，所述充馈电配置信息至少包括：电价信息、充电桩功率阈值、功率总阈值；其中，所述电价信息包括：各单位时间段内的充电电价信息或馈电电价信息；
50.所述需求信息至少包括：初始电量、期望电量、充馈电时段信息、电量阈值。
51.可选地，所述获取模块所述确定目标电动车充馈电的需求信息，包括：
52.接收电动车充馈电的预约信息，所述预约信息至少包括：初始电量、期望电量、电量阈值、开始时间、结束时间；
53.根据所述开始时间与所述结束时间确定所述充馈电时段信息，所述充馈电时段由整数个单位时间段组成；
54.判断所述需求信息是否满足初始条件，将满足所述初始条件的需求信息确定为所述目标电动车充馈电的需求信息。
55.可选地，所述获取模块判断所述需求信息是否满足初始条件，包括：
56.根据所述初始电量和所述期望电量确定电量变化量；
57.将所述充馈电时段中包含的单位时间段的个数，与所述充电桩功率阈值的乘积作为变化量最大值，判断所述变化量最大值是否超过所述电量变化量；以及，
58.判断所述充馈电时段是否超过时长阈值；
59.若都是，则确定所述需求信息满足所述初始条件。
60.可选地，所述求解模块根据所述需求信息和所述充馈电配置信息，构建充馈电成本优化问题的目标函数和约束条件，在所述约束条件下对所述目标函数进行求解，确定充馈电策略，包括：
61.根据所述电价信息和所述充馈电时段信息构建每一目标电动车在预设时段内的充馈电成本函数；以及，根据所述需求信息和所述充馈电配置信息确定所述约束条件；
62.以所有目标电动车的充馈电成本之和最小作为目标函数，以每一目标电动车在每一单位时间段内充电或馈电的实际功率作为优化变量；
63.在满足所述约束条件的情况下，对所述目标函数求最优解，以确定所述充馈电策略。
64.可选地，所述约束条件包括：
65.每一目标电动车在充馈电时段开始时的电量与其初始电量相等，在充馈电时段结
束时的电量与其期望电量相等；
66.每一目标电动车在充馈电时段结束时的电量不超过该目标电动车的电量阈值；
67.在所述预设时段内，每一目标电动车在其充馈电时段之外的电量无变化；
68.所述目标电动车在每一单位时间段内的电量变化量不超过所述充电桩功率阈值；
69.在每一单位时间段内，所有目标电动车电量变化量之和，不超过所述功率总阈值；其中，所述电量变化量是根据所述初始电量和所述期望电量确定的。
70.可选地，所述求解模块采用粒子群算法在所述约束条件下对所述目标函数进行求解，确定充馈电策略，包括：
71.根据所述预设时段中包含的单位时间段的个数n、所述目标电动车的个数m，基于所述需求信息和约束条件生成预设个数的位置粒子x和预设个数的速度粒子v，以组成粒子群；所述位置粒子和速度粒子均为m
×
n二维数组；所述位置粒子x中的元素x
kt
表示第k个目标电动车在第t个单位时间段后的电量值；所述速度粒子v中的元素v
kt
表示第k个目标电动车在第t个单位时间段内的电量变化量；其中，k∈{1，2，...，m}，t∈{1，2，...，n}；
72.建立所述位置粒子与所述优化变量的约束关系；
73.循环执行以下步骤，更新粒子群中的位置粒子和速度粒子，直到满足迭代结束条件：
74.根据所述约束关系将所述位置粒子代入所述目标函数，得到与所述位置粒子对应的函数值，并以所述函数值作为所述位置粒子的适应度；根据各位置粒子的适应度确定全局最优解和各位置粒子的个体最优解；基于所述全局最优解和所述个体最优解以及所述约束条件更新所述粒子群中的位置粒子和速度粒子；
75.从迭代结束后的粒子群中确定最优位置粒子，根据所述约束关系确定与所述最优位置粒子对应的优化变量，以确定充馈电策略。
76.可选地，所述求解模块根据如下方法判断是否满足所述迭代结束条件：
77.当迭代次数超过迭代阈值，确定所述迭代结束；或，
78.确定更新后的各速度粒子所对应的向量的模，以所述向量的模小于模阈值的速度粒子的个数作为稳定个数；当所述稳定个数超过个数阈值时，确定所述迭代结束。
79.可选地，所述求解模块在更新所述粒子群中的位置粒子和速度粒子之后，还包括：
80.判断所述位置粒子和所述速度粒子是否满足所述约束条件；
81.若否，利用遗传算法的变异方法或交叉方法更新所述位置粒子或速度粒子；或，
82.基于所述约束条件重新生成位置粒子或速度粒子；或，
83.将更新后不满足所述约束条件的位置粒子和速度粒子从所述粒子群中删除。
84.根据本发明实施例的另一个方面，提供了一种电动车的充馈电电子设备，包括：
85.一个或多个处理器；
86.存储装置，用于存储一个或多个程序，
87.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明提供的电动车的充馈电方法。
88.根据本发明实施例的还一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明提供的电动车的充馈电方法。
89.上述发明中的一个实施例具有如下优点或有益效果：因为采用根据目标电动车的
需求信息以及充馈电配置信息，构建充馈电成本优化问题的目标函数和约束条件并利用粒子群算法进行求解以确定充馈电策略的技术手段，所以克服了现有技术中缺少基于停驶模式并同时考虑了充电和馈电的、以优化电动车充馈电成本为目标的充馈电调度的研究的技术问题，进而得到在满足电动车充馈电需求的情况下使电动车的充馈电成本最少的充馈电调度策略、并能够按照该策略执行电动车的充电或馈电。
90.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
91.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
92.图1是根据本发明第一实施例的一种电动车的充馈电方法的流程示意图；
93.图2是根据本发明第二实施例的一种电动车的充馈电方法的流程示意图；
94.图3是根据本发明第三实施例的一种采用粒子群算法对目标函数进行求解的方法的流程示意图；
95.图4是根据本发明实施例的一种电动车的充馈电装置的主要模块的示意图；
96.图5是本发明实施例可以应用于其中的示例性系统架构图；
97.图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
98.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
99.图1是根据本发明第一实施例的一种电动车的充馈电方法的流程示意图，如图1所示，该电动车的充馈电方法包括：
100.步骤s101、获取充馈电配置信息，并确定目标电动车充馈电的需求信息；
101.步骤s102、根据所述需求信息和所述充馈电配置信息，构建充馈电成本优化问题的目标函数和约束条件，在所述约束条件下对所述目标函数进行求解，确定充馈电策略；
102.步骤s103、按照所述充馈电策略执行所述目标电动车的充电或馈电。
103.在一些实施例中，所述充馈电配置信息至少包括：各单位时间段内的充电电价信息或馈电电价信息、充电桩功率阈值、功率总阈值；
104.所述需求信息至少包括：初始电量、期望电量、充馈电时段信息、电量阈值。
105.在v2g(vehicle to grid，电动汽车入智能电网)场景中，停驶模式下的充馈电场景可以理解为：在设置有充电桩的场景(如停车场)中，可以为多辆电动车提供充馈电服务；其中，一个充电桩可以为一辆电动车提供充电功能服务或馈电功能服务；当使用充电桩对电动车充电，用户需要付出充电成本；当电动车向充电桩馈电，用户可以得到馈电成本；
106.用户可以通过登记预约信息为电动车预约进行充馈电，具体地，当用户确定将要前往一停车场停车并进行充馈电，该用户可以在未到达停车场时登记预约信息；用户也可
以在已到达停车场、并准备使用充电桩时登记预约信息；根据预约信息可以确定电动车充馈电的需求信息；
107.所述单位时间段可以是预设值，举例说明：可以将每两个相邻整点之间的一小时作为一个单位时间段(如：8：00到9：00之间的一小时)，也可以将每30分钟作为一个单位时间段(如：8：00到8：30之间的30分钟)；
108.各单位时间段内的充电电价信息或馈电电价信息可以从相关上游系统中获取到，可以是对所有电动车无差别的价格，也可以对不同区域的电动车设置有不同的价格，还可以对不同等级的用户设置有不同的价格；充电桩功率阈值、功率总阈值可以从用户预约充馈电的停车场相关系统中获取到，其中，充电桩功率阈值可以对应于一个充电桩，功率总阈值可以对应于整个停车场；在一些实际应用中，功率总阈值可以设置地小于充电桩功率阈值与充电桩个数的乘积。
109.根据本发明中的方法，能够基于停车场的停驶模式并考虑电动车充馈电需求，以优化电动车充馈电成本为目标确定对电动车的充馈电策略，并按照该策略执行电动车的充电或馈电。
110.在一些实施例中，所述确定目标电动车充馈电的需求信息，包括：
111.接收电动车充馈电的预约信息，所述预约信息至少包括：初始电量、期望电量、电量阈值、开始时间、结束时间；
112.根据所述开始时间与所述结束时间确定所述充馈电时段信息，所述充馈电时段由整数个单位时间段组成；
113.判断所述需求信息是否满足初始条件，将满足所述初始条件的需求信息确定为所述目标电动车充馈电的需求信息。
114.当用户在未到达停车场时登记预约信息，该预约信息中的初始电量、期望电量、开始时间、结束时间可以是预估值或用户设置的，电量阈值可以是从电动车相关系统中获取到的。
115.当用户已到达停车场、并准备使用充电桩时登记预约信息，该预约信息中的开始时间可以是电动车与充电桩连接之后的某一时刻，如：可以是连接的时刻，也可以是保持连接一段时间(如30秒/1分钟)后的时刻，也可以是在保持连接的状态下提交了预约信息的时刻，也可以是在保持连接的状态下提交了预约信息一段时间(如30秒/1分钟)后的时刻；初始电量和电量阈值可以是从电动车相关系统中获取到的，期望电量和结束时间可以是预估值和/或用户设置的；
116.上述电量阈值可以看作是电动车中电池的电量上限值；
117.在一些实际应用中，上述预约信息中还可以包括用户的身份信息，可以用于大数据的统计，或用于确定不同身份等级所对应的充电电价、馈电电价；
118.根据所述开始时间与所述结束时间确定所述充馈电时段信息，包括：
119.可以以开始时间与结束时间之间的整点时段作为电动车的充馈电时段信息；以下举例说明：用户登记的开始时间为8：20，结束时间为11：15，以一小时作为单位时间，则可以将每两个相邻整点之间的时间段看作是一个单位时间段，则该用户的电动车的充馈电时段信息为：9：00～10：00，10：00～11：00这两个单位时间段；类似地，若该例子中以30分钟作为单位时间，则该用户的电动车的充馈电时段信息可以为：8：30～9：00，9：00～9：30，9：30～
10：00，10：00～10：30，10：30～11：00这5个单位时间段；
120.在根据预约信息确定电动车的需求信息后，可以先判断需求信息是否满足初始条件，若满足，该需求信息所对应的电动车可以看作是目标电动车，该需求信息可以确定为所述目标电动车的需求信息。
121.在一些实施例中，判断所述需求信息是否满足初始条件，包括：
122.根据所述初始电量和所述期望电量确定电量变化量；
123.将所述充馈电时段中包含的单位时间段的个数，与所述充电桩功率阈值的乘积作为变化量最大值，判断所述变化量最大值是否超过所述电量变化量；以及，
124.判断所述充馈电时段是否超过时长阈值；
125.若都是，则确定所述需求信息满足所述初始条件。
126.根据所述初始电量和所述期望电量确定电量变化量，可以是将期望电量减去初始电量的差值作为所述电量变化量；
127.当电动车的电量变化量超过所述变化量最大值，则可以认为在该电动车停车期间，需要用全部停车时间执行电动车的充电或馈电，进而可以认为无需再计算该电动车的充馈电策略；
128.当电动车的充馈电时段不超过时长阈值时，可以认为在该充馈电时段中的充电电价或馈电电价是不变的或变化较小，使得不同充馈电策略中的充馈电成本没有差别或差别较小，在考虑充馈电成本优化问题中，可以认为无需再计算该电动车的充馈电策略；
129.通过设置初始条件，可以将一些无需计算充馈电策略的电动车过滤掉，进而提高计算效率。
130.在一些实施例中，根据所述需求信息和所述充馈电配置信息，构建充馈电成本优化问题的目标函数和约束条件，在所述约束条件下对所述目标函数进行求解，确定充馈电策略，包括：
131.根据所述电价信息和所述充馈电时段信息构建每一目标电动车在预设时段内的充馈电成本函数；以及，根据所述需求信息和所述充馈电配置信息确定所述约束条件；
132.以所有目标电动车的充馈电成本之和最小作为目标函数，以每一目标电动车在每一单位时间段内充电或馈电的实际功率作为优化变量；
133.在满足所述约束条件的情况下，对所述目标函数求最优解，以确定所述充馈电策略。
134.可以根据获取到的电价信息和电动车的充馈电时段信息为每一目标电动车构建预设时段内的充馈电成本函数，再以各目标电动车的充馈电成本之和最小作为所述目标函数，进而可以使求解出的充馈电策略是同时考虑到所有目标电动车的；可以根据所述需求信息和所述充馈电配置信息确定所述约束条件，所述约束条件可以看作是满足本发明场景或客观事实的限制条件。
135.在一些实施例中，所述约束条件包括：
136.每一目标电动车在充馈电时段开始时的电量与其初始电量相等，在充馈电时段结束时的电量与其期望电量相等；
137.每一目标电动车在充馈电时段结束时的电量不超过该目标电动车的电量阈值；
138.在所述预设时段内，每一目标电动车在其充馈电时段之外的电量无变化；
139.所述目标电动车在每一单位时间段内的电量变化量不超过所述充电桩功率阈值；
140.在每一单位时间段内，所有目标电动车电量变化量之和，不超过所述功率总阈值；其中，所述电量变化量是根据所述初始电量和所述期望电量确定的。
141.为理解本发明中约束条件与优化变量之间的关系，以下举例说明：
142.已知：预设时段为3个小时，一电动车c1的充馈电时段为其中第1、第2小时，电动车c1的初始电量为5，期望电量为10，电量阈值为25；另一电动车c2的充馈电时段为其中第2、第3小时，电动车c2的初始电量为23，期望电量为20，电量阈值为25；充电桩功率阈值为p
max1
，功率总阈值为p
max2
；
143.可以将电动车c1的优化变量设为：(p
11
，p
12
，p
13
)，将电动车c2的优化变量设为：(p
21
，p
22
，p
23
)；
144.则，对于约束条件“每一目标电动车在充馈电时段开始时的电量与其初始电量相等，在充馈电时段结束时的电量与其期望电量相等”，优化变量需满足：5 p
11
p
12
p
13
＝10；23 p
21
p
22
p
23
＝20；
145.对于约束条件“每一目标电动车在充馈电时段结束时的电量不超过该目标电动车的电量阈值”，优化变量需满足：
146.5 p
11
≤25，5 p
11
p
12
≤25；23 p
22
≤25，23 p
22
p
23
≤25；
147.对于约束条件“在所述预设时段内，每一目标电动车在其充馈电时段之外的电量无变化”，优化变量需满足：p
13
＝0；p
21
＝0；
148.对于约束条件“所述目标电动车在每一单位时间段内的电量变化量不超过所述充电桩功率阈值”，优化变量需满足：
149.|p
11
|，|p
12
|，|p
13
|，|p
21
|，|p
22
|，|p
23
|≤p
max1
；
150.对于约束条件“在每一单位时间段内，所有目标电动车电量变化量之和，不超过所述功率总阈值”，优化变量需满足：
151.p
11
p
21
≤p
max2
；p
12
p
22
≤p
max2
；p
1a
p
23
≤p
max2
；
152.其中，对于优化变量p
11
，p
12
，p
13
，p
21
，p
22
，p
23
，当其值为正数，则是在单位时间段中执行目标电动车的充电，即使用充电桩对目标电动车充电；当其值为负数，则是在单位时间段中执行目标电动车的馈电，即目标电动车向充电桩进行馈电；当其值为0，则是在单位时间段中既没有执行充电也没有执行馈电。
153.在满足所述约束条件的情况下对目标函数进行求解确定出的充馈电策略，可以认为是在满足客观条件限制下使得所述成本之和最少的策略；按照该策略执行目标电动车的充电或馈电，可以使用户的充馈电成本最小，进而提升用户体验；
154.举例说明：已知目标电动车的总数量为1，该目标电动车的初始电量与期望电量相同，均为5，该电动车电量阈值为10，停车时间为接下来的两个小时，这两个小时中第一个小时的充电电价为10、馈电电价为10，第二个小时的充电电价为50、馈电电价为50；充电桩阈值为3，功率总阈值为20；
155.在满足约束条件的情况下，通过对目标函数求最优解可以计算出充馈电策略：第一小时以3的功率进行充电，第二小时以3的功率进行馈电；则按照所述策略，该电动车所对应的用户的充馈电成本为：3
×
10-3
×
50＝-120，即该用户可以得到120。在所有满足约束条件的充馈电策略中，可以将求解目标函数得到的充馈电策略看作是最优策略，其它满足约
束条件的充馈电策略所对应的充馈电成本，都没有上述最优策略所对应的充馈电成本小。
156.在一些实施例中，所述目标函数为：
[0157][0158]
其中，
[0159]
其中，m表示目标电动车的个数，k表示第k个目标电动车，f
k
表示第k个目标电动车的充馈电成本；n表示预设时段中包含的单位时间段的个数，t表示预设时段中第t个单位时间段；r
k
(t)表示在第t个单位时间段内为第k个目标电动车充电的电价，p
chk
(t)表示在第t个单位时间段内为第k个目标电动车充电的实际功率；q
k
(t)表示在第t个单位时间段内第k个目标电动车馈电的电价，p
chk
(t)表示在第t个单位时间段内第k个目标电动车馈电的实际功率；δt表示单位时间。
[0160]
为方便理解本发明中的电动车的充馈电方法流程，可以参考图2；图2是根据本发明第二实施例的一种电动车的充馈电方法的流程示意图，如图2所示，包括：
[0161]
步骤s201、接收电动车充馈电的预约信息；所述预约信息至少可以包括：初始电量、期望电量、电量阈值、开始时间、结束时间；
[0162]
步骤s202、获取充馈电配置信息；所述充馈电配置信息可以至少包括：各单位时间段内的充电电价信息或馈电电价信息、充电桩功率阈值、功率总阈值；
[0163]
步骤s203、确定目标电动车充馈电的需求信息；具体地，可以根据所述预约信息确定需求信息，利用所述配置信息判断预约信息是否满足初始条件，并将满足所述初始条件的需求信息作为所述目标电动车充馈电的需求信息；
[0164]
步骤s204、根据需求信息和充馈电配置信息，构建充馈电成本优化问题的目标函数和约束条件；
[0165]
步骤s205、在约束条件下对目标函数进行求解，确定充馈电策略；
[0166]
步骤s206、按照充馈电策略执行目标电动车的充电或馈电；
[0167]
在一些实际情况中，对于步骤s201、s202的顺序不做限定，可以先执行步骤s201后执行步骤s202，也可以先执行步骤s202后执行步骤s201，也可以同时执行步骤s201、步骤s202；只需满足步骤s201、s202的执行在步骤s203之前即可。
[0168]
在一些实施例中，采用粒子群算法在所述约束条件下对所述目标函数进行求解，确定充馈电策略，包括：
[0169]
根据所述预设时段中包含的单位时间段的个数n、所述目标电动车的个数m，基于所述需求信息和约束条件生成预设个数的位置粒子x和预设个数的速度粒子v，以组成粒子群；所述位置粒子和速度粒子均为m
×
n二维数组；所述位置粒子x中的元素x
kt
表示第k个目标电动车在第t个单位时间段后的电量值；所述速度粒子v中的元素v
kt
表示第k个目标电动车在第t个单位时间段内的电量变化量；其中，k∈{1，2，...，m}，t∈{1，2，...，n}；
[0170]
建立所述位置粒子与所述优化变量的约束关系；
[0171]
循环执行以下步骤，更新粒子群中的位置粒子和速度粒子，直到满足迭代结束条件：
[0172]
根据所述约束关系将所述位置粒子代入所述目标函数，得到与所述位置粒子对应的函数值，并以所述函数值作为所述位置粒子的适应度；根据各位置粒子的适应度确定全
局最优解和各位置粒子的个体最优解；基于所述全局最优解和所述个体最优解以及所述约束条件更新所述粒子群中的位置粒子和速度粒子；
[0173]
从迭代结束后的粒子群中确定最优位置粒子，根据所述约束关系确定与所述最优位置粒子对应的优化变量，以确定充馈电策略。
[0174]
在一些实施例中，根据如下方法判断是否满足所述迭代结束条件：
[0175]
当迭代次数超过迭代阈值，确定所述迭代结束；或，
[0176]
确定更新后的各速度粒子所对应的向量的模，以所述向量的模小于模阈值的速度粒子的个数作为稳定个数；当所述稳定个数超过个数阈值时，确定所述迭代结束。
[0177]
在一些实施例中，在更新所述粒子群中的位置粒子和速度粒子之后，还包括：
[0178]
判断所述位置粒子和所述速度粒子是否满足所述约束条件；
[0179]
若否，利用遗传算法的变异方法或交叉方法更新所述位置粒子或速度粒子；或，
[0180]
基于所述约束条件重新生成位置粒子或速度粒子；或，
[0181]
将更新后不满足所述约束条件的位置粒子和速度粒子从所述粒子群中删除。
[0182]
为方便理解本发明中的采用粒子群算法对目标函数进行求解的方法流程，可以参考图3；图3是根据本发明第三实施例的一种采用粒子群算法对目标函数进行求解的方法的流程示意图，如图3所示，包括：
[0183]
步骤s301、基于需求信息和约束条件生成预设个数的位置粒子和预设个数的相应速度粒子，以组成粒子群；其中，预设个数可以根据实际需求设置，可以为10～20个，也可以为100～200个；
[0184]
步骤s302、判断是否满足迭代结束条件；若是，则执行步骤s306；若否，执行以下步骤s303～s305；
[0185]
步骤s303、根据位置粒子与优化变量的约束关系将位置粒子代入目标函数，以函数值作为该位置粒子的适应度；
[0186]
步骤s304、根据各位置粒子的适应度确定全局最优解和各位置粒子的个体最优解；具体地：将本次迭代所确定的适应度中的最小值所对应的位置粒子作为全局最优解，以各位置粒子历次迭代(包括本次)所确定的适应度最小值所对应的位置粒子作为其个体最优解；
[0187]
步骤s305、基于所述全局最优解和所述个体最优解以及所述约束条件更新所述粒子群中的位置粒子和速度粒子；
[0188]
步骤s306、将当前粒子群中使适应度最小的位置粒子，作为最优位置粒子；并根据所述约束关系确定与所述最优位置粒子对应的优化变量，进而确定充馈电策略。
[0189]
在上述步骤s305中，更新方法的公式表达式可以是：
[0190]
v
id
＝ωv
i(d-1)
c1r
1id
(p
besti(d-1)-x
i(d-1)
) c2r
2id
(g
best(d-1)-xi(d-1)；
[0191]
x
id
＝x
i(d-1)
v
id
；
[0192]
其中；d表示第d次迭代，i表示一次迭代中的第i个粒子；v
id
表示第d次迭代中的第i个速度粒子，v
i(d-1)
表示第(d-1)次迭代中的第i个速度粒子，x
id
表示第d次迭代中的第i个位置粒子，x
i(d-1)
表示第(d-1)次迭代中的第i个位置粒子；p
besti(d-1)
表示第(d-1)次迭代中得到的第i个位置粒子的个体最优解，g
best(d-1)
表示第(d-1)次迭代中得到的全局最优解；ω、c1、r
1id
、c2、r
2id
是用于在第d次迭代中计算v
id
的参数，其中，
[0193]
ω为粒子群算法中的惯性因子，取值介于[0，1]区间；在一般的实际应用中，ω可以采用自适应的取值方法，如：初始时可以令ω＝0.9，使得算法的全局优化能力较强，随着迭代的深入，参数ω可以进行递减，从而使算法的局部优化能力较强，当迭代结束时，可以令ω＝0.1；
[0194]
c1、c2为粒子群算法中的加速因子(或称为学习因子)，取值为非负常数；c1、c2可以代表将每个粒子推向个体最优解和全局最优解位置的统计加速项的权值；在一般的实际应用中，c1、c2的值可以介于[0，4]区间中，如：可以设置为c1、c2＝1.4961或c1、c2＝2等数值；
[0195]
r
1id
、r
2id
为粒子群算法中的随机数，取值介于[0，1]区间；r
1id
表示第d次迭代中用于计算第i个速度粒子的第一随机数，r
2id
表示第d次迭代中用于计算第i个速度粒子的第二随机数；每一次迭代中都可以随机生成r
1id
、r
2id
。
[0196]
图4是根据本发明实施例的一种电动车的充馈电装置的主要模块的示意图，如图4所示，电动车的充馈电装置400包括：
[0197]
获取模块401，用于获取充馈电配置信息，并确定目标电动车充馈电的需求信息；
[0198]
求解模块402，用于根据所述需求信息和所述充馈电配置信息，构建充馈电成本优化问题的目标函数和约束条件，在所述约束条件下对所述目标函数进行求解，确定充馈电策略；
[0199]
执行模块403，用于按照所述充馈电策略执行所述目标电动车的充电或馈电。
[0200]
在一些实施例中，所述充馈电配置信息至少包括：电价信息、充电桩功率阈值、功率总阈值；其中，所述电价信息包括：各单位时间段内的充电电价信息或馈电电价信息；
[0201]
所述需求信息至少包括：初始电量、期望电量、充馈电时段信息、电量阈值。
[0202]
在v2g(vehicle to grid，电动汽车入智能电网)场景中，电动车可以在设置有充电桩的停车场执行充馈电，所述充电桩可以提供充电功能以及馈电功能；用户可以通过登记预约信息为电动车预约充馈电，具体地，当用户确定将要前往一停车场停车并执行充馈电，该用户可以在未到达停车场时登记预约信息；用户也可以在已到达停车场、并准备使用充电桩时登记预约信息；根据预约信息可以确定电动车充馈电的需求信息；
[0203]
所述单位时间段可以是预设值，举例说明：可以将每两个相邻整点之间的一小时作为一个单位时间段(如：8:00到9:00之间的一小时)，也可以将每30分钟作为一个单位时间段(如：8:00到8:30之间的30分钟)；
[0204]
各单位时间段内的充电电价信息或馈电电价信息可以从相关上游系统中获取到，可以是对所有电动车无差别的价格，也可以对不同区域的电动车设置有不同的价格，还可以对不同等级的用户设置有不同的价格；充电桩功率阈值、功率总阈值可以从用户预约充馈电的停车场相关系统中获取到，其中，充电桩功率阈值可以对应于一个充电桩，功率总阈值可以对应于整个停车场；在一些实际应用中，功率总阈值可以设置地小于充电桩功率阈值与充电桩个数的乘积。
[0205]
根据本发明中的方法，能够基于停车场的停驶模式并考虑电动车充馈电需求，以优化电动车充馈电成本为目标确定对电动车的充馈电策略，并按照该策略执行电动车的充电或馈电。
[0206]
在一些实施例中，所述获取模块所述确定目标电动车充馈电的需求信息，包括：
[0207]
接收电动车充馈电的预约信息，所述预约信息至少包括：初始电量、期望电量、电
量阈值、开始时间、结束时间；
[0208]
根据所述开始时间与所述结束时间确定所述充馈电时段信息，所述充馈电时段由整数个单位时间段组成；
[0209]
判断所述需求信息是否满足初始条件，将满足所述初始条件的需求信息确定为所述目标电动车充馈电的需求信息。
[0210]
当用户在未到达停车场时登记预约信息，该预约信息中的初始电量、期望电量、开始时间、结束时间可以是预估值和/或用户设置的，电量阈值可以是从电动车相关系统中获取到的，
[0211]
当用户已到达停车场、并准备使用充电桩时登记预约信息，该预约信息中的开始时间可以是电动车与充电桩连接之后的某一时刻，初始电量和电量阈值可以是从电动车相关系统中获取到的，期望电量和结束时间可以是预估值和/或用户设置的；
[0212]
上述电量阈值可以看作是电动车中电池的电量上限值；
[0213]
在一些实际应用中，上述预约信息中还可以包括用户的身份信息，可以用于大数据的统计，或用于确定不同身份等级所对应的充电电价、馈电电价；
[0214]
可以以开始时间与结束时间之间的整点时段作为电动车的充馈电时段信息；以下举例说明：用户登记的开始时间为8:20，结束时间为11:15，以一小时作为单位时间，则可以将每两个相邻整点之间的时间段看作是一个单位时间段，则该用户的电动车的充馈电时段信息为：9:00～10:00，10:00～11:00这两个单位时间段；类似地，若该例子中以30分钟作为单位时间，则该用户的电动车的充馈电时段信息可以为：8:30～9:00，9:00～9:30，9:30～10:00，10:00～10:30，10:30～11:00这5个单位时间段；
[0215]
在根据预约信息确定电动车的需求信息后，可以先判断需求信息是否满足初始条件，若满足，该需求信息所对应的电动车可以看作是目标电动车，该需求信息可以确定为所述目标电动车的需求信息。
[0216]
在一些实施例中，所述获取模块判断所述需求信息是否满足初始条件，包括：
[0217]
根据所述初始电量和所述期望电量确定电量变化量；
[0218]
将所述充馈电时段中包含的单位时间段的个数，与所述充电桩功率阈值的乘积作为变化量最大值，判断所述变化量最大值是否超过所述电量变化量；以及，
[0219]
判断所述充馈电时段是否超过时长阈值；
[0220]
若都是，则确定所述需求信息满足所述初始条件。
[0221]
当电动车的电量变化量超过所述变化量最大值，则可以认为在该电动车停车期间，需要用全部停车时间执行电动车的充电或馈电，可以认为无需再计算该电动车的充馈电策略；
[0222]
当电动车的充馈电时段不超过时长阈值时，可以认为在该充馈电时段中的充电电价或馈电电价是不变的或变化较小，在考虑的充馈电成本优化问题中，可以认为无需再计算该电动车的充馈电策略；
[0223]
通过设置初始条件，可以将一些无需计算充馈电策略的电动车过滤掉，进而提高计算效率。
[0224]
在一些实施例中，所述求解模块根据所述需求信息和所述充馈电配置信息，构建充馈电成本优化问题的目标函数和约束条件，在所述约束条件下对所述目标函数进行求
解，确定充馈电策略，包括：
[0225]
根据所述电价信息和所述充馈电时段信息构建每一目标电动车在预设时段内的充馈电成本函数；以及，根据所述需求信息和所述充馈电配置信息确定所述约束条件；
[0226]
以所有目标电动车的充馈电成本之和最小作为目标函数，以每一目标电动车在每一单位时间段内充电或馈电的实际功率作为优化变量；
[0227]
在满足所述约束条件的情况下，对所述目标函数求最优解，以确定所述充馈电策略。
[0228]
可以根据获取到的电价信息和电动车的充馈电时段信息为每一目标电动车构建预设时段内的充馈电成本函数，再以各目标电动车的充馈电成本之和最小作为所述目标函数，进而可以使求解出的充馈电策略是同时考虑到所有目标电动车的；可以根据所述需求信息和所述充馈电配置信息确定所述约束条件，所述约束条件可以看作是满足本发明场景或客观事实的限制条件；在满足所述约束条件的情况下对目标函数进行求解确定出的充馈电策略，可以认为是在满足客观条件限制下使得所述成本之和最少的策略。
[0229]
在一些实施例中，所述约束条件包括：
[0230]
每一目标电动车在充馈电时段开始时的电量与其初始电量相等，在充馈电时段结束时的电量与其期望电量相等；
[0231]
每一目标电动车在充馈电时段结束时的电量不超过该目标电动车的电量阈值；
[0232]
在所述预设时段内，每一目标电动车在其充馈电时段之外的电量无变化；
[0233]
所述目标电动车在每一单位时间段内的电量变化量不超过所述充电桩功率阈值；
[0234]
在每一单位时间段内，所有目标电动车电量变化量之和，不超过所述功率总阈值；其中，所述电量变化量是根据所述初始电量和所述期望电量确定的。
[0235]
为理解本发明中约束条件与优化变量之间的关系，以下举例说明：
[0236]
已知：预设时段为3个小时，一电动车c1的充馈电时段为其中第1、第2小时，电动车c1的初始电量为5，期望电量为10，电量阈值为25；另一电动车c2的充馈电时段为其中第2、第3小时，电动车c2的初始电量为23，期望电量为20，电量阈值为25；充电桩功率阈值为p
max1
，功率总阈值为p
max1
；
[0237]
可以将电动车c1的优化变量设为：(p
11
，p
12
，p
13
)，将电动车c2的优化变量设为：(p
21
，p
22
，p
23
)；
[0238]
则，对于约束条件“每一目标电动车在充馈电时段开始时的电量与其初始电量相等，在充馈电时段结束时的电量与其期望电量相等”，优化变量需满足：5 p
11
p
12
p
13
＝10；23 p
21
p
22
p
23
＝20；
[0239]
对于约束条件“每一目标电动车在充馈电时段结束时的电量不超过该目标电动车的电量阈值”，优化变量需满足：
[0240]
5 p
11
≤25，5 p
11
p
12
≤25；23 p
22
≤25，23 p
22
p
23
≤25；
[0241]
对于约束条件“在所述预设时段内，每一目标电动车在其充馈电时段之外的电量无变化”，优化变量需满足：p
13
＝0；p
21
＝0；
[0242]
对于约束条件“所述目标电动车在每一单位时间段内的电量变化量不超过所述充电桩功率阈值”，优化变量需满足：
[0243]
|p
11
|，|p
12
|，|p
13
|，|p
21
|，|p
22
|，|p
23
|≤p
max1
；
[0244]
对于约束条件“在每一单位时间段内，所有目标电动车电量变化量之和，不超过所述功率总阈值”，优化变量需满足：p
11
p
21
≤p
max2
；p
12
p
22
≤p
max2
；p
13
p
23
≤p
max2
；
[0245]
其中，对于优化变量p
11
，p
12
，p
13
，p
21
，p
22
，p
23
，当其值为正数，则是在单位时间段中执行目标电动车的充电，即使用充电桩对目标电动车充电；当其值为负数，则是在单位时间段中执行目标电动车的馈电，即目标电动车向充电桩进行馈电；当其值为0，则是在单位时间段中既没有执行充电也没有执行馈电。
[0246]
在一些实施例中，所述目标函数为：
[0247][0248]
其中，
[0249]
其中，m表示目标电动车的个数，k表示第k个目标电动车，f
k
表示第k个目标电动车的充馈电成本；n表示预设时段中包含的单位时间段的个数，t表示预设时段中第t个单位时间段；r
k
(t)表示在第t个单位时间段内为第k个目标电动车充电的电价，p
chk
(t)表示在第t个单位时间段内为第k个目标电动车充电的实际功率；q
k
(t)表示在第t个单位时间段内第k个目标电动车馈电的电价，p
chk
(t)表示在第t个单位时间段内第k个目标电动车馈电的实际功率；δt表示单位时间。
[0250]
在一些实施例中，所述求解模块采用粒子群算法在所述约束条件下对所述目标函数进行求解，确定充馈电策略，包括：
[0251]
根据所述预设时段中包含的单位时间段的个数n、所述目标电动车的个数m，基于所述需求信息和约束条件生成预设个数的位置粒子x和预设个数的速度粒子v，以组成粒子群；所述位置粒子和速度粒子均为m
×
n二维数组；所述位置粒子x中的元素x
kt
表示第k个目标电动车在第t个单位时间段后的电量值；所述速度粒子v中的元素v
kt
表示第k个目标电动车在第t个单位时间段内的电量变化量；其中，k∈{1，2，...，m}，t∈{1，2，...，n}；
[0252]
建立所述位置粒子与所述优化变量的约束关系；
[0253]
循环执行以下步骤，更新粒子群中的位置粒子和速度粒子，直到满足迭代结束条件：
[0254]
根据所述约束关系将所述位置粒子代入所述目标函数，得到与所述位置粒子对应的函数值，并以所述函数值作为所述位置粒子的适应度；根据各位置粒子的适应度确定全局最优解和各位置粒子的个体最优解；基于所述全局最优解和所述个体最优解以及所述约束条件更新所述粒子群中的位置粒子和速度粒子；
[0255]
从迭代结束后的粒子群中确定最优位置粒子，根据所述约束关系确定与所述最优位置粒子对应的优化变量，以确定充馈电策略。
[0256]
在上述过程中，更新方法的公式表达式可以是：
[0257]
v
id
＝ωv
i(d-1)
c1r
1id
(p
besti(d-1)-x
i(d-1)
) c2r
2id
(g
best(d-1)-xi(d-1)；
[0258]
x
id
＝x
i(d-1)
v
id
；
[0259]
其中；d表示第d次迭代，i表示一次迭代中的第i个粒子；v
id
表示第d次迭代中的第i个速度粒子，v
i(d-1)
表示第(d-1)次迭代中的第i个速度粒子，x
id
表示第d次迭代中的第i个位置粒子，x
i(d-1)
表示第(d-1)次迭代中的第i个位置粒子；p
besti(d-1)
表示第(d-1)次迭代中得到的第i个位置粒子的个体最优解，g
best(d-1)
表示第(d-1)次迭代中得到的全局最优解；ω、
c1、r
1id
、c2、r
2id
是用于在第d次迭代中计算v
id
的参数，其中，
[0260]
ω为粒子群算法中的惯性因子，取值介于[0，1]区间；在一般的实际应用中，ω可以采用自适应的取值方法，如：初始时可以令ω＝0.9，使得算法的全局优化能力较强，随着迭代的深入，参数ω可以进行递减，从而使算法的局部优化能力较强，当迭代结束时，可以令ω＝0.1；
[0261]
c1、c2为粒子群算法中的加速因子(或称为学习因子)，取值为非负常数；c1、c2可以代表将每个粒子推向个体最优解和全局最优解位置的统计加速项的权值。；在一般的实际应用中，c1、c2的值可以介于[0，4]区间中，如：可以设置为c1、c2＝1.4961或c1、c2＝2等数值；
[0262]
r
1id
、r
2id
为粒子群算法中的随机数，取值介于[0，1]区间；r
1id
表示第d次迭代中用于计算第i个速度粒子的第一随机数，r
2id
表示第d次迭代中用于计算第i个速度粒子的第二随机数；每一次迭代中都可以随机生成r
1id
、r
2id
。
[0263]
在一些实施例中，所述求解模块根据如下方法判断是否满足所述迭代结束条件：
[0264]
当迭代次数超过迭代阈值，确定所述迭代结束；或，
[0265]
确定更新后的各速度粒子所对应的向量的模，以所述向量的模小于模阈值的速度粒子的个数作为稳定个数；当所述稳定个数超过个数阈值时，确定所述迭代结束。
[0266]
在一些实施例中，所述求解模块在更新所述粒子群中的位置粒子和速度粒子之后，还包括：
[0267]
判断所述位置粒子和所述速度粒子是否满足所述约束条件；
[0268]
若否，利用遗传算法的变异方法或交叉方法更新所述位置粒子或速度粒子；或，
[0269]
基于所述约束条件重新生成位置粒子或速度粒子；或，
[0270]
将更新后不满足所述约束条件的位置粒子和速度粒子从所述粒子群中删除。
[0271]
图5示出了可以应用本发明实施例的电动车的充馈电方法或电动车的充馈电装置的示例性系统架构500。
[0272]
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0273]
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用。
[0274]
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0275]
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的预约停车充馈电的网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。
[0276]
需要说明的是，本发明实施例所提供的电动车的充馈电方法一般由服务器505执行，相应地，电动车的充馈电装置一般设置于服务器505中。
[0277]
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0278]
下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范
围带来任何限制。
[0279]
如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有系统600操作所需的各种程序和数据。cpu 601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0280]
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
[0281]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本发明的系统中限定的上述功能。
[0282]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0283]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要
注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0284]
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、求解模块、执行模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
[0285]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：步骤s101、获取充馈电配置信息，并确定目标电动车充馈电的需求信息；步骤s102、根据所述需求信息和所述充馈电配置信息，构建充馈电成本优化问题的目标函数和约束条件，在所述约束条件下对所述目标函数进行求解，确定充馈电策略；步骤s103、按照所述充馈电策略执行所述目标电动车的充电或馈电。
[0286]
根据本发明实施例的技术方案，因为采用根据目标电动车的需求信息以及充馈电配置信息，构建充馈电成本优化问题的目标函数和约束条件并利用粒子群算法进行求解以确定充馈电策略的技术手段，所以克服了现有技术中缺少基于停驶模式并同时考虑了充电和馈电的、以优化电动车充馈电成本为目标的充馈电调度的研究的技术问题，进而得到在满足电动车充馈电需求的情况下使电动车的充馈电成本最少的充馈电调度策略、并能够按照该策略执行电动车的充电或馈电。
[0287]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。