一种电动汽车协调充电优化调度系统技术方案

本发明专利技术涉及一种电动汽车协调充电优化调度系统。本发明专利技术训练模块根据数据储存模块中的历史电价数据和历史充电数据分别训练生成电价预测模型以及实时优化调度模型，并分别存放于电价预测模块和优化求解模块中。当有车辆到达，信息交互模块读取充电效率和电池数据，得到相应的充电特性，并将充电特性中的到达时间和离开时间输入优化调度系统中的电价预测模块，得到预测电价权重；优化调度模块根据预测电价权重和充电特性得到成本函数，并在满足充电需求的情况下求解其最小值，得到充电决策。本发明专利技术能够实时优化调度，在满足电动汽车充电需求的情况下，保证充电负载平衡和能量消耗。保证充电负载平衡和能量消耗。保证充电负载平衡和能量消耗。

【技术实现步骤摘要】
一种电动汽车协调充电优化调度系统


[0001]本专利技术属于智能优化调度
，涉及一种电动汽车协调充电优化调度系统。

技术介绍

[0002]随着经济发展，人们越来越重视环境问题。在此基础下，低污染的电动汽车应运而生，但近几年电动汽车快速发展，其快速发展带来的问题也日益突出。目前大部分车主会选择在无出行需求时进行充电，例如早上九点上班后或者晚上七点下班后进行充电，此时便会有大规模的充电，导致电网运行不平稳，并且极易过量充电导致电力资源大量浪费。如何做到电动汽车的协调充电是一个需要解决的优化调度问题。并且与现有的燃油汽车不同，电动汽车充电是一个周期性的过程，在这个过程中充满了随机性，例如车辆的提前离开或者延迟离开(电价的波动)。由于人的行为有不确定性，这就难以建立准确的建模进行调度。
[0003]目前大多数充电场采用先到先充的充电策略。此策略难以在有大量充电需求时满足各电动汽车的充电需求，并且不能做到平衡电网负载。以及目前所知的充电优化调度算法采取的是需求响应算法，即按照全局的需求建立模型，并且将最小化客户的电费或最大化能源供应商的利润本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电动汽车协调充电优化调度系统，其特征在于：包括信息交互模块、数据储存模块与优化调度系统，其中优化调度系统包括训练模块、电价预测模块与优化调度模块；信息交互模块用于收集客户的电池数据、充电特性以及读取与电池型号相对应的充电效率，电池数据包括电池容量、剩余电量、电池型号；充电特性包括车辆的到达离开时间，以及根据电池数据和充电效率得到的充电时间；数据储存模块储存已经完成充电的电动汽车电池数据、充电效率、充电特性、历史电价数据，历史充电数据包括电动汽车电池数据、充电效率、充电特性；优化调度系统中的训练模块根据数据储存模块中的历史电价数据和历史充电数据分别训练生成电价预测模型以及实时优化调度模型，并分别存放于电价预测模块和优化求解模块中；当有车辆到达，信息交互模块读取充电效率和电池数据，得到相应的充电特性，并将充电特性中的到达时间和离开时间输入优化调度系统中的电价预测模块，得到预测电价权重；优化调度模块根据预测电价权重和充电特性得到成本函数，并在满足充电需求的情况下求解其最小值，得到充电决策。2.如权利要求1所述的电动汽车协调充电优化调度系统，其特征在于：所述的电价预测模型通过如下步骤建立：步骤A1：准备K1条当地电价历史数据，并将数据集分为训练集和测试集；步骤A2：采用模糊C均值算法将电价分成K2个类别，K2为设定值，找到每类的聚类中心，按照类别赋予相应的权重；步骤A3：搭建卷积神经网络预测电价模型：在对历史电价数据进行归一化处理后，确定输入量，并搭建池化层和卷积层；归一化处理：对历史电价数据进行归一化处理，使用以下公式归一化处理某天某一时刻数据，保证电价数据区间为(
‑
1，1)，归一化后的电价y
′
为：式中e为某天某一时刻电价；e
max
和e
min
分别为当日电价的最大值和最小值；确定输入量：设日期为d，时段为t
′
，归一化后电价为y
′
；输入量为历史电价，具体包括：预测时间段日期前一周相同时间段电价y
′
(d
‑
7，t
′
)；预测时间段日期前一天相同时间段电价y
′
(d
‑
1，t
′
)；预测时间段之前一个时间段的电价y
′
(d，t
′‑
1)；设计卷积神经网络电价预测模型：卷积核能够实现特征提取，并采用卷积算子实现卷积操作，运算过程如下：Conv＝Q*c+b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(0
‑
2)；式中Conv和Q分别为卷积核与卷积层的权值，c为卷积系数，b为卷积层的偏差，*为卷积运算；非线性映射连接卷积层转变为激励层，选取ReLu函数作为卷积层神经网络的激活函数f(x)，此函数为：f(x)＝max(0，x
′
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(0
‑
3)；x
′
为输入向量；池化层要对输入特征进行下采样操作使用池化函数计算统计特征，选用最大池化方式进行计算，设池化窗口大小为r
×
z，r和z是常数，则池化输出Pool的计算公式为：
式中max(x
′
)为最大值池化值，m，nn为输出区域的长和宽上的位置；卷积神经网络交替设置池化层与卷积层后，最终的预测输出使用全连接层实现，全连接层具体计算如下：接层具体计算如下：为某一时刻电价预测值，k为一个常数，a
c
是池化层转化为一维向量的输出；步骤A4：验证预测电价模型的有效性：当其当模型输出的预测值平均相对误差小于K3时，表明模型有效，下式为平均相对误差∈计算过程：式中N是预测样本数，是预测电价值，e
n
是真实电价值，K3为设定值；步骤A5：将预测电价进行分类，并赋予相应的权值。3.如权利要求1所述的电动汽车协调充电优化调度系统，其特征在于：所述的优化调度模型通过如下步骤建立：步骤B1：采集K4条充电站历史充电数据；步骤B2：预处理数据储存模块中的历史充电数据；根据每辆车对应的充电效率η、充电量D
e
和充电桩充电功率P，得到对应的充电时间并将一天划分为K5个时刻，即时隙Δt
slot
＝24/K5；根据时隙将历史充电数据中的达到时间t
′
arrive
时间点、离开时间t
′
depart
时间点以及得到的充电时间t
′
charge
时间段，标准化将预处理好的历史充电数据分为训练集和测试集；步骤B3：定义状态空间、动作空间：定义状态空间s＝(t，X
s
)，每个给定时间点t的总需求通过合并算法获得，需求使用二维网格表示，即状态矩阵X
s
，x轴表示汽车的离开时间t
depart
，y轴表示电动汽车的充电时间t
charge
，即x＝t
depart
，y＝t
charge
；矩阵X
s
可由特征集合通过合并算法得到；表示第N
s
辆电动汽车的离开时间，表示第N
s
辆电动汽车的所需充电时间；充电能延迟多长时间的充电灵活性，根据X
s
的对角线推断出：S
max
是最大的决策时间段数，即S
max
＝L
max
/Δt
slot
，L
max
是最大连接时间；根据上述公式，矩阵X
s
主对角线上的单元、中的电动汽车的灵活性为0，而X
s
上对角线上的单元中的电动汽车是能进行优化调度安排的；负t
flex
对应于X
s
中较低对角线，表示无法满足其充电需求的电动汽车；定义动作空间：动作空间是在一种状态下采取的决策动作的集合，其单个元素表示是
否对当前连接的电动汽车充电；是否对当前连接的电动汽车充电用在状态s＝(t，X
s
)采取的动作表示，将基于充电灵活性t
flex
做出决策；根据状态空间的表述，具有相同离开时间和充电时间，即相同充电灵活性t
flex
的电动汽车会被合并到X
s
的相同对角线上的单元中；将X
s
的每个对角线表示为X
s
(d)，其中d＝0，
…
，S
max
‑
1，X
s
(0)是主对角线，X...

【专利技术属性】
技术研发人员：吴文浩，江爱朋，王浩栋，葛冬明，陈云，翟昕，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：