一种考虑车主出行规律的电动汽车充电需求时空分布的模拟与调度优化方法与流程

本发明属于用电服务，涉及一种电动汽车充电模拟与调度优化方法，尤其涉及一种考虑车主出行规律的电动汽车充电需求时空分布的模拟与调度优化方法。

背景技术：

1、近年来，电动汽车由于其绿色无污染的优点，在现代交通领域越来越受欢迎。全球电动汽车市场呈现指数级增长，2022年销量突破了1000万辆，渗透率达到14％。

2、但是，随着电动汽车保有量的快速增长，其用电量与用电负荷也随之增长，对发电侧有深远的影响。电动汽车无序充电对发电侧产生的潜在影响包括提升全社会用电量需求和加剧电网负荷的峰谷差。在用电量上，用电需求高速增长的主要助推力之一是电动汽车数量的增长。在用电负荷上，电动汽车的无序充电也会增加全网用电的峰值负荷，加剧负荷的峰谷差。受居民用电和第三产业用电影响，全国电网的峰谷差正不断扩大。虽然目前电动汽车充电对电网的影响不显著，但是如果未来电动汽车在用电高峰时进行无序充电，可能将进一步加剧电力供需的失衡。因此，有必要调度电动汽车有序充电，缓解发电侧负荷峰谷差，有益于电动汽车长远发展。

技术实现思路

1、为了解决上述问题，本发明提出了一种考虑车主出行规律的电动汽车充电需求时空分布的模拟与调度优化方法。

2、考虑车主出行规律的电动汽车充电需求时空分布的模拟与调度优化方法，其特征在于，包括如下步骤：

3、s1：建立规划区域的交通路网模型，在交通路网模型中根据拥堵情况计算出路段通行时间并设置为路段权重；

4、s2：基于交通路网模型，考虑区域内电动汽车日常出行与充电需求特征，采用蒙特卡洛方法获得电动汽车充电需求时空分布模型；

5、s3：考虑电动汽车的需求响应特性，根据分时电价信息，建立以降低电动汽车总充电成本为目标的优化目标函数；

6、s4：考虑电动汽车车主的充电随机性，在调度优化模型中加入时间约束以及调度规模约束，并采用带惩罚项的粒子群算法求解所建立的调度优化模型，获得充电费用最低同时降低电网负荷峰值的电动汽车有序充电调度优化方案。

7、作为优选，s1中，基于图论的方法建立有向交通路网图如下：

8、g＝{n,e,w}   (1)

9、其中，n＝{i＝1,...,n}为节点的集合，表示路网中共有n个路口，在所建立的模型中，充电站只建立在路网的节点上，e＝{<i,j>|i∈n,j∈n,i≠j}为边的集合，代表路网中的道路路段，w＝{wij|<i,j>∈e}为路段权重的集合，它表示连通节点之间路段的行驶时长，当节点不连通时路段权重为无穷大。

10、作为优选，s1中，道路的行驶时长受实际交通状况的直接影响，基于交通状况计算的路段权重计算方式如下：

11、

12、公式中，wij、lij分别表示路网中节点i到节点j的行驶时间路段权重和行驶距离，ξ是一个交通信息指标，它表示了不同级别的交通拥堵状况，取值范围为[0,1]，ξ＝0时代表道路交通正常，此时电动汽车每公里的驾驶时长为tz，当ξ越接近1时路段上电动汽车每公里的驾驶时间越长，且当ξ＝1时驾驶时长趋近无穷，不连通的节点之间的路段权重被设置为无穷值inf，节点到自身的距离为0。

13、作为优选，s1中，基于贪心和广度优先搜索的dijkstra算法广泛应用于最短路径搜索，采用该算法为电动汽车规划行驶时间最短的出行路径，通过dijkstra算法搜索路网中所有节点之间路段权重最小的路径，获得各节点之间规划路径的行驶时间以及行驶距离如下：

14、t＝{t(i,j)|i,j＝1,...,n}   (3)

15、d＝{d(i,j)|i,j＝1,...,n}   (4)

16、t(i,j)、d(i,j)分别为经过dijkstra算法求解后，获得的路网中任意两节点i、j之间的总权重最小的行驶路径的时间、距离。

17、作为优选，s2中，使用基于随机性和概率的蒙特卡洛方法模拟规划区域内的时空分布充电需求，根据规划区域内电动汽车车主的出行特征进行随机抽样得到大量电动汽车出行记录，并经过统计获得区域内充电需求的时空分布，同一区域内的居民活动大致具有周期性，且周期为一天，因此以一小时为单位时间，模拟区域内二十四小时的充电需求。

18、作为优选，s2中，电动汽车的出行记录包括出发时间，车主的出发时间具备概率分布特征，且在早上和晚上呈现双峰趋势，基于出发时间在24小时的概率分布特征，为第g辆电动汽车随机抽取整点出发时间tg。

19、作为优选，s2中，电动汽车的出行记录包括行程的起点和终点，为了准确模拟电动汽车出行行为，需要获取区域内电动汽车出行的起点与终点概率分布特征，定义事件as为：行程起点为节点s，事件as发生的概率如下：

20、

21、式中，uij表示从节点i出发行驶到节点j的行程记录数，定义事件ae为：行程终点为节点e，行程的终点通常是在明确起点后确定，在确定行程起点为s后，根据条件概率公式电动汽车出行终点为节点e的概率为：

22、

23、其中，p(aeas)代表事件as和事件ae同时发生的概率，计算方法如下：

24、

25、基于概率分布特征p(as)和p(ae|as),为电动汽车随机抽取行程的起点和终点。

26、作为优选，s2中，电动汽车的出行记录包括初始电荷状态，电动汽车的初始电荷状态socini服从均值为μ方差为σ2的正态分布n(μ,σ2)，其概率密度函数如下：

27、

28、此外，电动汽车的过充过放会对引起电池内部化学反应的不平衡，加剧电池的老化，导致电池容量和寿命的降低。为了延长电动汽车电池的使用寿命，同时考虑到电动汽车电池运行的安全性，电动汽车的电荷状态应在合理范围内，如下所示：

29、socmin≤socg≤socmax,g＝1,2,...,g   (9)

30、其中，g为区域内电动汽车的总数，socg表示第g辆电动汽车的电荷状态。socmin和socmax表示电池健康电荷状态的最低值和最高值。

31、作为优选，s2中，假设电动汽车的每公里耗电量均为且电池容量为q，基于电动汽车的出行记录计算判断电动汽车剩余电量是否满足行驶所需的耗电量，如下所示：

32、

33、式中，d(i,j)为第g辆电动汽车遵循规划路径从起点i到终点j行驶的距离，为第g辆电动汽车在起点的初始电荷状态，根据h(g)判断并计算第g辆电动汽车的充电需求，如下所示：

34、

35、若h(g)≥0，说明第g辆电动汽车在路径上行驶所需的电量高于电动汽车在电池约束范围内的剩余电量，此时认为第g辆电动汽车具有充电需求，且充电需求q(g)为电动汽车充到最大值socmax所需的电量，只有具备充电需求的电动汽车被调度，并假设它们均可以在一小时单位时间内完成充电。

36、作为优选，s2中，通过对区域内所有电动汽车的出行需求统计求和，可以获得规划区域内电动汽车无序充电的时空分布需求如下：

37、

38、式中，集合代表了所有在时间t从节点i出发的具有充电需求的电动汽车，对集合内所有电动汽车的充电需求量求和，得到第t个小时分布于节点i的充电需求,表示在时间t时，节点i上所有电动汽车无序充电的总需求,q(k)表示节点i上的第k辆电动汽车的充电需求量。

39、作为优选，s3中，基于价格的需求响应机制被用于分别对每一个节点进行充电需求优化，调度节点上的电动汽车有序充电，基于价格响应的充电调度的目标函数是使分布于节点上的所有电动汽车的总充电费用最小：

40、

41、式中，i表示路网中的第i个节点，ki为分布在节点i上有充电需求的电动汽车的集合，pi是节点i上电动汽车的总充电费用。q(k)为第k辆电动汽车的充电需求量，t(tk)为电动汽车在第tk小时充电的电价。

42、作为优选，s4中，假设车主预留了φ时间段以接受合理的充电调度，并构建约束条件如下：

43、

44、式中，xk、tk分别表示第k辆电动汽车的有序充电时间和无序充电时间，该不等式约束表示电动汽车被调度后的充电时间与原本的充电时间不应该相差超过车主预期的时间。

45、作为优选，s4中，为了避免有序充电方法调度过多的电动汽车导致新的负荷峰值，构建约束条件如下：

46、

47、其中，|ki|表示在第i个节点上有充电需求的电动汽车总数，θ是一个占比因子，公式规定节点上被调度的电动汽车数量不能超过节点上电动汽车总数的规定占比，ρk为指示第k辆电动汽车是否被调度的调度标识，它是一个bool型变量，具体如下：

48、

49、若有序充电时间与无序充电时间有偏差，说明电动汽车被调度，此时ρk＝1，若时间没有偏差，说明电动汽车没有被调度，此时ρk＝0。

50、作为优选，s4中，粒子群算法被用于求解所建立的充电调度模型，在求解第i个节点的充电调度问题时，粒子被设置为|ki|个维度，且一个维度代表了一辆在第i个节点的电动汽车的调度充电时间，为了求解所建立的问题同时忽略优秀解在约束中微不足道的违反程度，不等式约束条件被构造为惩罚项加入到目标函数中，从而将问题转化为如下无约束问题，

51、

52、式中，第一项为构造的以充电费用最小为目标的目标函数值，后两项是由时间与调度规模不等式约束构造的惩罚项，λ1、λ2为惩罚因子，决定约束违反程度的重要性。

53、作为优选，s4中，粒子群算法具体包括如下过程：

54、s4.1：首先设定算法的相关参数，随机初始化种群中每个粒子的位置和速度，并初始化粒子的个体历史最优与全局历史最优；

55、s4.2：参照个体历史最优和全局历史最优更新粒子每一个维度的位置与速度，如下式所示：

56、vk(t+1)＝ω·vk(t)+c1·rand·(pbesk(t)-xk(t))+c2·rand·(leaderk(t)-xk(t))   (18)

57、xk(t+1)＝xk(t)+vk(t+1)   (19)

58、式中，vk(t)、xk(t)分别为粒子第t代第k维的飞行方向以及位置，pbesk(t)、leaderk(t)分别为第t代的个体历史最优与全局最优第k维的位置，ω、c1、c2分别为惯性权重、个体学习因子与全局学习因子，rand是随机数，xk(t)表示当前优化节点上第k辆电动汽车被调度后的充电时间，因此在公式(19)位置更新后进行取整操作，并且必须约束在[1,24]范围内；

59、s4.3：以公式(17)为优化目标计算每个粒子的适应度值。若粒子的适应度值优于个体历史最优pbesk(t)适应度值，则更新下一代个体历史最优pbesk(t+1)的位置和适应度值；

60、s4.4：若种群当前的最优适应度值优于全局历史最优leaderk(t)的适应度值，则更新下一代全局历史最优leaderk(t+1)的位置和适应度值；

61、s4.5：当种群的进化次数达到设定的上限时，算法迭代完成并输出当前的全局历史最优的位置，即优化节点上总充电成本最低的电动汽车有序充电调度优化方案。若种群进化次数未达到上限，则返回执行s4.2。

62、本发明的有益效果为：

63、本发明充分考虑了交通路况分布与车主出行规律对充电需求时空分布，并考虑了车主的满意度以及充电随机性，为电动汽车规划出充电费用最低的有序充电调度方案，从而在满足车主降低充电费用需求的同时削减负荷峰值。