[发明专利]一种基于粒子群算法的电动汽车有序充放电动态优化策略

说明书

本发明针对传统TOUT和RTP充电策略容易在负荷低谷时段产生新的负荷高峰的问题，考虑电网侧的调峰需求和用户侧的充电需求，提出了以建立电动汽车充电负荷模型、建立电动汽车充放电优化算法模型和有序充放电两阶段动态优化策略为内容的基于粒子群算法的电动汽车有序充放电动态优化策略，通过动态更新每辆电动汽车接入电网时的电价信息，利用粒子群算法实现了对电动汽车的有序充放电优化。相比于TOUT、RTP充电策略和无序充电而言，本发明所提出的基于粒子群算法的电动汽车有序充放电动态优化策略能够明显降低负荷曲线的峰谷差和用户的充电成本，具有科学合理，适用性强，效果佳的优点。

技术领域

本发明涉及车-网互动(Vehicle to Grid,V2G)领域，是一种基于粒子群算法的电动汽车有序充放电动态优化策略。

背景技术

近年来，电动汽车(Electric Vehicle,EV)产业迅猛发展，然而，由于用户的充电行为具有很大的随机性和不确定性，大规模EV接入电网后将会增加对电网的控制难度。研究表明，用户给EV充电的时间与其生活用电时间大致吻合，这意味着规模化的EV无序充电时，充电负荷将与基础负荷叠加，进一步增大负荷曲线的峰谷差。传统分时电价(Time-of-Use Tariff,TOUT)和实时电价(Real-Time Price,RTP)需求响应机制均会在负荷低谷时段产生新的负荷高峰。

发明内容

本发明的目的是，克服现有技术的不足，提供一种科学合理，适用性强，效果佳，能够有效降低电网负荷的峰谷差和用户充电成本的基于粒子群算法的电动汽车有序充放电动态优化策略。

本发明的目的是由以下技术方案来实现的：一种基于粒子群算法的电动汽车有序充放电动态优化策略，其特征是，它包括以下步骤：

1、建立电动汽车充电负荷模型

1)根据出行数据对用户的出行规律进行高斯拟合，得到电动汽车接入/离开电网时间的概率密度函数(Probability Density Function,PDF)，见式(1)，

式中a、b、c分别为高斯曲线的峰值、峰值位置和半宽度信息；

2)将一天24小时均分为96个时间段，则车辆的停车时长表示为：

式中t_park,k为车辆EV_k的停车时长；t_in,k、t_out,k分别为EV_k的接入电网时间和离开电网时间，电动汽车的实际所需充电时长为：

式中t_c,k为车辆EV_k的实际所需充电时长；SOC_k,e为该EV用户的SOC期望值；SOC_k,0为车辆EV_k的初始SOC；C_k为车辆EV_k的电池容量，单位为kW·h；η_c为充电效率；P_k为车辆EV_k的充放电功率，单位为kW，乘数4代表将t_c,k换算成间隔为15min的时间段；

3)引入充放电控制系数：

X_k＝zeros[x_k,1,x_k,2,...,x_k,96] (4)