一种基于短期碳排放因子的电动汽车减碳智能充电方法技术

本发明专利技术为一种基于短期碳排放因子的电动汽车减碳智能充电方法，该方法包括以下内容：将不同天的同一时段的总二氧化碳排放量和电力系统的总发电量进行线性拟合，以斜率作为t时段电力系统的短期碳排放因子；以不同时间段的数据为基础，以电力系统负荷方差、碳排放量为优化成本建立目标函数f1和f2；当电动汽车处于空车或熄火状态超过40分钟时，电动汽车被认为能进行充电，记录能进行充电的电动汽车车辆信息，得到前往充电的电动汽车数据集；获得前往充电的电动汽车数据集的充电开始时间和电动汽车的充电初始电量，以充电开始时间和充电初始电量为输入，以目标函数为优化目标，利用双层非支配遗传算法获得最优充电开始时间和实际的充电电量。实际的充电电量。实际的充电电量。

【技术实现步骤摘要】
一种基于短期碳排放因子的电动汽车减碳智能充电方法


[0001]本专利技术涉及碳排放和电动汽车智能充电
，具体是一种基于短期碳排放因子的电动汽车减碳智能充电方法。

技术介绍

[0002]近年来，随着电池技术的成熟，电动汽车在清洁交通领域中被认为是内燃机汽车最有希望的代替品，由于尾气排放为零，电动汽车有助于消除局部污染，这在人口过多的城市地区有为的重要。然而，这并不意味着电动汽车根本没有环境负担，纯电动汽车的间接碳排放来源于电网中化石能源燃烧消耗所产生的二氧化碳，当大规模电动汽车接入电网时，不仅会对电网产生较大的负担，而且可能会造成更多的二氧化碳排放量。因此，将电动汽车有序的并入电网进行智能充电是值得人们关注的话题。
[0003]目前的充电方式大体分为无序充电和有序充电，无序充电是指电动汽车按照用户的偏好而进行充电，接入电网的时间和方式不进行管理。由于电动汽车用户大多充电的时间相同，该种充电方式容易产生充电高峰期进而对电网的稳定性产生影响。有序充电则是指对一定区域内接入的电动汽车的充电行为进行统筹规划。以减少电网的负荷方差为优化目标进行充电调度。此外，越来越多的目标函数被考虑到有序充电，例如分时电价、用户成本。本专利则建立碳排放最少和电网均值方差最小为目标的电动汽车有序充电模型。
[0004]以碳排放为优化目标，则需要明确电动汽车的碳排放因子，目前，我国还没有明确的电动汽车碳排放计算，与内燃机汽车不同的是，电动汽车的能量来源取决于电网所使用的化石燃料或者可再生能源。因此纯电动汽车的间接 CO2 排放因子根据车辆每百公里耗电量结合不同省份的电网CO2排放因子核算。生态环境部应对气候变化司研究确定了2019年度减排项目中国区域电网基准线平均碳排放因子，但该计算方法只应用于范围较大的长期预测。该碳排放因子是固定不变的，这意味着目前的有序充电没有将碳排放因子作为一个评价指标进行优化，电动汽车无论何时并入电网，其碳排放量是固定不变的。目前国内考虑碳排放的有序充电模型大多以发电机的效率为评价指标，然而，随着风能太阳能等可再生能源并入电网，电网能量的来源具有随机性和不可控性，电动汽车在“绿电”较高的时候并入电网远比在“火电”发电时碳排放低。
[0005]实现基于短期碳排放因子的电动汽车智能充电需要实现：1、基于发电厂发电量预测短期碳排放因子，为电动汽车智能充电提供指导；2、对电动汽车数据进行处理分析，建立电动汽车的充电需求模型；3、建立负荷曲线的负荷方差最小和碳排放最小的多目标函数，提出一种双层非支配遗传算法对电动汽车的充电行为进行优化。

技术实现思路

[0006]针对现有技术的不足，本专利技术拟解决的技术问题是，提供一种基于短期碳排放因子的电动汽车减碳智能充电方法，减少电动汽车的碳排放以及保证电网的稳定运行，降低大规模电动汽车接入电网后对电网产生的负担。在电动汽车充电调度问题上，以碳排放为
目标的研究相对较少，对以后大规模电动汽车接入电网的充电行为提供了指导建议。
[0007]本专利技术解决所述技术问题的技术方案是：一种基于短期碳排放因子的电动汽车减碳智能充电方法，该方法包括以下内容：将待研究区域不同天的同一时段的总二氧化碳排放量和电力系统的总发电量进行线性拟合，以拟合出的线性方程中的斜率β
t
作为t时段电力系统的短期碳排放因子；构建考虑碳排放的电动汽车有序充电数学模型：以不同时间段的数据为基础，以电力系统负荷方差、碳排放量为优化成本建立目标函数f1和f2，上述目标函数遵从电动汽车出行约束和电网约束，形成考虑碳排放的电动汽车有序充电数学模型；采集电动汽车车辆信息主要包含车辆的唯一编号、数据采集时间、车辆状态、电池电量SOC以及经纬度信息；车辆状态分为熄火、载客、空车三个状态，电池电量SOC的范围为0%
‑
100%，经纬度信息为采集时刻电动汽车的地理位置；当电动汽车处于空车或熄火状态超过40分钟时，电动汽车被认为能进行充电，记录能进行充电的电动汽车车辆信息，得到前往充电的电动汽车数据集；对前往充电的电动汽车数据集中的电动汽车，根据电动汽车前往充电站开始时的地理位置和充电站的地理位置之间的距离及电动汽车开始前往充电站时的时间、电动汽车的速度获得充电开始时间，对前往充电的电动汽车数据集中电动汽车前往充电站时的电池电量进行统计拟合，得到电动汽车前往充电站时电池电量的概率密度函数f(s)；由概率密度函数f(s)随机获得的预期电量减去前往充电站途中的电量消耗获得电动汽车的充电初始电量，以充电开始时间和充电初始电量为输入，以上述构建的目标函数为优化目标，利用双层非支配遗传算法获得保证电网负荷曲线均值方差和碳排放最小时的前往充电的电动汽车数据集的最优充电开始时间和实际的充电电量；所述双层非支配遗传算法具有双层编码，包括时间层和充电层，充电层的每个基因与时间层的每个基因相对应，充电层和时间层共同构成一条染色体，代表这同一辆车辆的充电开始时间和实际的充电电量，上下两层基因同时或分别进行遗传算法操作。
[0008]所述双层非支配遗传算法的具体过程是：6.1）双层编码上层为时间层，上层基因编码代表了电动汽车的充电开始时间，从0点开始，每隔20min划一段，即时间节点依次为0:20、0:40、1:00、
…
、23:40、0：00，将24h划分72段，按顺序对每一时间节点进行编号，该编号就是时间层基因编码，即1、2、3、
…
、72，若电动汽车充电开始时间不等于前面所划分的时间节点，则计算该电动汽车充电开始时间与所相邻的两个时间节点之间的时长，将该电动汽车充电开始时间划为时长较短的相邻时间节点；对前往充电的电动汽车数据集统计电动汽车各自充电开始时间并按规则确定对应的时间层基因编码，然后进行排序，获得当前前往充电的电动汽车数据集的时间层基因编码，时间层的长度为前往充电的电动汽车数据集中电动汽车的数量；所述下层为充电层，充电层的基因编码为在{50，100}之间的整数，编码长度为前往充电的电动汽车数据集中电动汽车的数量，构成了电池空电量的一个充电百分比编码，根据充电层基因编码和充电初始电量能获得实际的充电电量，所述充电初始电量通过概率密度函数f(s)随机得到的电量减去途中消耗电量获得；
在时间层中，输入每辆车到达充电站的初始时间，该初始时间即为电动汽车充电开始时间，初始时间由电动汽车前往充电站的时间减去前往充电站途中花费时间得到，在充电层中，输入在{50，100}之间随机生成的剩余电池电量的充电百分比编码，基于充电层基因编码和充电初始电量得到额外充电的电量，进而获得充电层基因编码所对应的实际的充电电量；6.2）设置种群规模n、代沟、最大迭代次数、交叉概率和变异概率，同时设置双层基因同时操作的概率，以目标函数计算每条染色体的适应度值；6.3）执行选择操作、交叉操作、变异操作、非支配排序、计算拥挤距离、精英策略，达到收敛条件后输出目标函数最优条件下的充电策略。
[0009]基于前往充电的电动汽车数据集中的电动汽车车辆信息中的电动汽车唯一编号、采集时间和经纬度信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于短期碳排放因子的电动汽车减碳智能充电方法，其特征在于，该方法包括以下内容：将待研究区域不同天的同一时段的总二氧化碳排放量和电力系统的总发电量进行线性拟合，以拟合出的线性方程中的斜率β
t
作为t时段电力系统的短期碳排放因子；构建考虑碳排放的电动汽车有序充电数学模型：以不同时间段的数据为基础，以电力系统负荷方差、碳排放量为优化成本建立目标函数f1和f2，上述目标函数遵从电动汽车出行约束和电网约束，形成考虑碳排放的电动汽车有序充电数学模型；采集电动汽车车辆信息主要包含车辆的唯一编号、数据采集时间、车辆状态、电池电量SOC以及经纬度信息；车辆状态分为熄火、载客、空车三个状态，电池电量SOC的范围为0%
‑
100%，经纬度信息为采集时刻电动汽车的地理位置；当电动汽车处于空车或熄火状态超过40分钟时，电动汽车被认为能进行充电，记录能进行充电的电动汽车车辆信息，得到前往充电的电动汽车数据集；对前往充电的电动汽车数据集中的电动汽车，根据电动汽车前往充电站开始时的地理位置和充电站的地理位置之间的距离及电动汽车开始前往充电站时的时间、电动汽车的速度获得充电开始时间，对前往充电的电动汽车数据集中电动汽车前往充电站时的电池电量进行统计拟合，得到电动汽车前往充电站时电池电量的概率密度函数f(s)；由概率密度函数f(s)随机获得的预期电量减去前往充电站途中的电量消耗获得电动汽车的充电初始电量，以充电开始时间和充电初始电量为输入，以上述构建的目标函数为优化目标，利用双层非支配遗传算法获得保证电网负荷曲线均值方差和碳排放最小时的前往充电的电动汽车数据集的最优充电开始时间和实际的充电电量；所述双层非支配遗传算法具有双层编码，包括时间层和充电层，充电层的每个基因与时间层的每个基因相对应，充电层和时间层共同构成一条染色体，代表这同一辆车辆的充电开始时间和实际的充电电量，上下两层基因同时或分别进行遗传算法操作。2.根据权利要求1所述的充电方法，其特征在于，所述双层非支配遗传算法的具体过程是：6.1）双层编码上层为时间层，上层基因编码代表了电动汽车的充电开始时间，从0点开始，每隔20min划一段，即时间节点依次为0:20、0:40、1:00、
…
、23:40、0：00，将24h划分72段，按顺序对每一时间节点进行编号，该编号就是时间层基因编码，即1、2、3、
…
、72，若电动汽车充电开始时间不等于前面所划分的时间节点，则计算该电动汽车充电开始时间与所相邻的两个时间节点之间的时长，将该电动汽车充电开始时间划为时长较短的相邻时间节点；对前往充电的电动汽车数据集统计电动汽车各自充电开始时间并按规则确定对应的时间层基因编码，然后进行排序，获得当前前往充电的电动汽车数据集的时间层基因编码，时间层的长度为前往充电的电动汽车数据集中电动汽车的数量；所述下层为充电层，充电层的基因编码为在{50，100}之间的整数，编码长度为前往充电的电动汽车数据集中电动汽车的数量，构成了电池空电量的一个充电百分比编码，根据充电层基因编码和充电初始电量能获得实际的充电电量，所述充电初始电量通过概率密度函数f(s)随机得到的电量减去途中消耗电量获得；
在时间层中，输入每辆车到达充电站的初始时间，该初始时间即为电动汽车充电开始时间，初始时间由电动汽车前往充电站的时间减去前往充电站途中花费时间得到，在充电层中，输入在{50，100}之间随机生成的剩余电池电量的充电百分比编码，基于充电层基因编码和充电初始电量得到额外充电的电量，进而获得充电层基因编码所对应的实际的充电电量；6.2）设置种群规模n、代沟、最大迭代次数、交叉概率和变异概率，同时设置双层基因同时操作的概率，以目标函数计算每条染色体的适应度值；6.3）执行选择操作、交叉操作、变异操作、非支配排序、计算拥挤距离、精英策略，达到收敛条件后输出目标函数最优条件下的充电策略。3.根据权利要求1所述的充电方法，其特征在于，所交叉操作采取了均匀交叉和两点交叉方式，设定双层基因同时操作概率p，和双层单独操作概率1
‑
p，在双层基因同时进行交叉时，采用均匀交叉，具体的：遍历父代1中每个个体，根据交叉概率Ps与相对应的父代2中基因的位置进行交换，得到子代；另一个子代以类似方式得到；在单层交叉中，采用两点交叉，具体的：在两个父代中随即设置两个交叉点，然后进行部分基因互换，得到子代a和b；变异操作：按照预先设置的变异概率判断第二代子代种群中是否有染色个体需要变异，若不需要则进行下一步操作；若需要，...

【专利技术属性】
技术研发人员：李家乐，王雪菲，刘真伯，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：