一种基于电池充电特性的充电桩集群有序充电方法技术

本发明专利技术公开了一种基于电池充电特性的充电桩集群有序充电方法，包括以下步骤：通过通讯线读取每台充电桩对应电动车的充电信息；利用k聚类方法对电动汽车历史充电信息进行计算得到各电动汽车预期停放时间；考虑电网实时负荷强度，并适当调整充电桩集群充电总功率；将各充电桩充电特征曲线上对应点最大充电功率累加得到集群所需最大充电功率总值，将集群所需最大充电功率总值Ps与充电桩集群总功率上限值进行比较，根据比较结果对充电桩进行功率分配后充电，本发明专利技术对于减轻前期建设而成本、提高电力设备寿命、保障电能质量有着重要意义。义。义。

【技术实现步骤摘要】
一种基于电池充电特性的充电桩集群有序充电方法


[0001]本专利技术属于充电桩基础建设领域，具体涉及一种基于电池充电特性的充电桩集群有序充电方法。

技术介绍

[0002]合理化的充电桩集群有序充电，对于降低初期充电桩建设成本，减少资源上的浪费有着重要的意义。当前在充电桩集群有序充电上，根据充电桩集群的服役环境分为充电规律较为固定的公交车大型充电站和充电负荷波动较大的公用充电桩集群。又根据充电桩集群充电策略的不同，将充电策略分为两种：一种是传统的无序充电，在充电桩集群建设初期预测该集群所需总功率并建设相应功率的电力设备以支撑充电桩集群工作；另一种是根据充电桩集群所需总功率和充电桩集群的额定功率设定相应的系数以确定各充电桩的功率分配。
[0003]当前普遍采用的无序充电方法通过前期对充电需求的预测会导致三个主要缺点：1、由于对充电桩集群所需总功率由预测求得，因此为了保证集群总功率能够满足需求，会将预测值设定得较高以保证较高负荷下的充电桩集群正常工作，一定程度上会导致资源上的浪费；2、由于充电桩集群无序充电，在未进行人为干预的情况下可能会出现瞬时总功率过大导致电力设备烧毁；3、无干预的充电桩无序充电容易加重电网的负担，影响电能质量。帕累托最优算法(李庆.多目标优化遗传算法的改进及其在有序充电中的应用研究[D].山东科技大学,2020.)在实现帕累托最优解之前，有一个帕累托改进过程。帕累托改进具体是指，在一个环境中，有一个群体和一些可支配的资源，当想从一个状态变到另一个状态，在不是任一个体变坏的前提下，可以使至少一个个体变得更好。在有序充电中，对电网冲击最小、充电时间最短、充电费用最少即为三个目标函数，需要在各种限制条件下逼近最优解，对于多目标最优解，帕累托最优通常是通过一个超曲面来实现，因此运算量较大、可移植性弱、实现难度也因此变大。

技术实现思路

[0004]针对上述问题，本专利技术提出一种结合基于电池充电特性的充电桩集群有序充电方法，该方法根据充电桩集群额定总功率结合电池充电特性，实时调整各充电桩的充电功率从而实现充电桩的有序化充电，对于减轻前期建设而成本、提高电力设备寿命、保障电能质量有着重要意义。
[0005]本专利技术至少通过如下技术方案之一实现。
[0006]一种基于电池充电特性的充电桩集群有序充电方法，包括以下步骤：
[0007]1)读取每台充电桩对应的数据，生成开始充电时的SOC
s
‑
T
s
图和移车时的SOC
e
‑
T
e
图；
[0008]2)对开始充电时的电池充电特征曲线进行聚类处理，将本次电动车充电开始时的SOC
s
、时间T
s
形成的数据点进行聚类处理；
[0009]3)将本类别的所有点映射至移车时的SOC
e
‑
T
e
图中，并将映射点的SOC
e
和T
e
分别求平均值后得到对该电动车本次充电的移车时间T
end
和结束时电池荷电状态SOC
end
的预测值；根据各电动车移车时间的预测值T
end
从早到迟的顺序进行排序，得到序列K；
[0010]4)实时获取电网负载数据，调整充电桩集群总功率上限值；
[0011]5)将各充电桩充电特征曲线上对应点最大充电功率累加得到集群所需最大充电功率总值Ps，将集群所需最大充电功率总值Ps与充电桩集群总功率上限值PR
·
μ1进行比较，根据比较结果对充电桩进行功率分配后充电。
[0012]优选的，步骤1)包括以下步骤：
[0013]S11、通过对每辆电动车采集到的充电开始时的SOC
s
、时间T
s
和移车时的SOC
e
、时间T
e
生成开始充电时的SOC
s
‑
T
s
图和移车时的SOC
e
‑
T
e
图；
[0014]S12、根据电动车接入充电的a个高峰时间点与电动车在充电时的SOC在SOC
s
‑
T
s
图中生成a个聚类初始点。
[0015]优选的，步骤2)包括以下步骤：
[0016]S21、对SOC
s
‑
T
s
图的SOC
s
和T
s
标准化处理后，计算每一个数据点到聚类初始点的欧式距离，根据数据点所属的集合，重新计算每个集合的质心；
[0017]S22、若新计算出来的质心与原来的质心之间的距离小于某一设置的阈值，则认为聚类已经达到期望的结果，结束计算，如果新质心与原质心距离仍大于预期设置的阈值，则需要重复步骤S21
‑
S22。
[0018]优选的，步骤S21包括以下步骤：
[0019]S1、将横轴缩短为原来的使横纵轴标准化；
[0020]S2、计算各点到质心的欧式距离：
[0021][0022]其中，T1、T2、SOC1、SOC2分别表示两个点的开始充电时刻与荷电状态。
[0023]优选的，步骤4)包括以下步骤：
[0024]③
实时获取当前电网负载强度P
gird
，并根据电网的平均负荷强度P
gridave
计算当前电网负载强度
[0025]④
计算当前充电桩集群的最大负荷系数
[0026]优选的，根据预先设定的充电桩集群在电网高峰的最大负荷系数β，对充电桩的最大负荷系数进行限值处理，保证μ1∈[β,1]；
[0027]优选的，步骤5)包括以下步骤：
[0028]⑤
将电池充电特性曲线对应点最大充电功率Pm
i
累加得集群所需最大充电功率总值Ps＝∑Pm
i
，i∈{1、2、3，
……
,n}，i为充电桩编号；
[0029]⑥
将集群所需最大充电功率总值Ps与充电桩集群总功率上限值PR
·
μ1进行比较；
[0030]⑦
若Ps<PR
·
μ1，则各充电桩以各电动车的电池充电特性曲线对应点最大充电功
率Pm
i
进行充电；
[0031]⑧
若Ps>PR
·
μ1，则使充电桩集群优先充电总功率Pps＝∑Pm
n
的电动车进行充电，需保证n尽可能大的同时Pps≤PR
·
μ1。
[0032]优选的，步骤4中K表示序列K中充电桩的序号，使预测结束时间为前K位被优先进行充电。
[0033]优选的，利用K均值聚类算法对开始充电时的SOC
s
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电池充电特性的充电桩集群有序充电方法，其特征在于，包括以下步骤：1)读取每台充电桩对应的数据，生成开始充电时的SOC
s
‑
T
s
图和移车时的SOC
e
‑
T
e
图；2)对开始充电时的电池充电特征曲线进行聚类处理，将本次电动车充电开始时的SOC
s
、时间T
s
形成的数据点进行聚类处理；3)将本类别的所有点映射至移车时的SOC
e
‑
T
e
图中，并将映射点的SOC
e
和T
e
分别求平均值后得到对该电动车本次充电的移车时间T
end
和结束时电池荷电状态SOC
end
的预测值；根据各电动车移车时间的预测值T
end
从早到迟的顺序进行排序，得到序列K；4)实时获取电网负载数据，调整充电桩集群总功率上限值；5)将各充电桩充电特征曲线上对应点最大充电功率累加得到集群所需最大充电功率总值Ps，将集群所需最大充电功率总值Ps与充电桩集群总功率上限值PR
·
μ1进行比较，根据比较结果对充电桩进行功率分配后充电。2.根据权利要求1所述的一种基于电池充电特性的充电桩集群有序充电方法，其特征在于，步骤1)包括以下步骤：S11、通过对每辆电动车采集到的充电开始时的SOC
s
、时间T
s
和移车时的SOC
e
、时间T
e
生成开始充电时的SOC
s
‑
T
s
图和移车时的SOC
e
‑
T
e
图；S12、根据电动车接入充电的a个高峰时间点与电动车在充电时的SOC在SOC
s
‑
T
s
图中生成a个聚类初始点。3.根据权利要求2所述的一种基于电池充电特性的充电桩集群有序充电方法，其特征在于，步骤2)包括以下步骤：S21、对SOC
s
‑
T
s
图的SOC
s
和T
s
标准化处理后，计算每一个数据点到聚类初始点的欧式距离，根据数据点所属的集合，重新计算每个集合的质心；S22、若新计算出来的质心与原来的质心之间的距离小于某一设置的阈值，则认为聚类已经达到期望的结果，结束计算，如果新...

【专利技术属性】
技术研发人员：王智东，周星月，张勇军，张紫凡，朱勇志，邓丰强，胡宇凡，赵小楠，朱兆杰，李福乾，冯倩怡，胡晨光，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：