基于动态规划的电动汽车多目标分布式优化方法及装置制造方法及图纸

本公开提供了一种基于动态规划的电动汽车多目标分布式优化方法及装置，具体包括

【技术实现步骤摘要】
基于动态规划的电动汽车多目标分布式优化方法及装置


[0001]本专利技术涉及新能源
，尤其涉及一种基于动态规划的电动汽车多目标分布式优化方法及装置
。

技术介绍

[0002]随着“双碳”目标的推进，以新能源为主体的新型电力系统与电动汽车
(electric vehicle
，
EV)
协同发展成为必然
。
但由于配电网运营商
(distribution system operator
，
DSO)、EV
聚合商
(EV aggregator
，
EVA)
和
EV
用户分属于不同利益主体，且都从自身主体利益出发，这将会产生利益冲突
。
在处理多个相互冲突的目标时进行帕累托分析至关重要
。
然而，目前电动汽车实时优化研究缺乏帕累托分析
。
[0003]另外，电动汽车优化控制还必须考虑集中式与分布式策略的权衡，集中式算法由于通过控制中心实现全系统管理，因而存在计算量大
、
扩展性差等问题
。
而分布式优化策略旨在通过本地测量实现本地优化控制，追求最终用户的利益，即最终电力消费者或电动汽车用户，适用于大规模优化
。
[0004]目前国内外文献中针对多目标优化问题提出了一系列优化方法，包括线性模型
、
凸优化
、
启发式方法等等；灰狼算法
、
遗传算法和粒子群算法等也被应用于非凸性模型求解
。
但在实时电动汽车充放电调度领域缺乏用于优化多个目标的系统方法
。
综上所述，目前缺乏易于在充电设备上实现的去中心化
、
实时
、
多目标电动汽车调度模型
。

技术实现思路

[0005]本专利技术的目的在于提供一种基于动态规划的电动汽车多目标分布式优化方法及装置，解决配电网运营商
、EV
聚合商和
EV
用户分属于不同利益主体，且都从自身主体利益出发会产生利益冲突的问题
。
[0006]根据本公开的一方面，提供了一种基于动态规划的电动汽车多目标分布式优化方法，包括：
[0007]获取用户需求及电动汽车初始状态；
[0008]根据所述用户需求及电动汽车初始状态构建电动汽车充电任务；
[0009]监测系统初始状态，并利用
K
‑
means
聚类和
ANN
模型预测系统未来状态；
[0010]根据所述电动汽车充电任务
、
系统初始状态以及系统未来状态分别构建用户用电成本模型
、
电池退化成本模型以及电网净交换功率模型，并设定
SOC
限制；
[0011]基于动态规划多目标优化算法求解所述用户用电成本模型
、
电池退化成本模型以及电网净交换功率模型，得到最优充电方案；
[0012]根据所述最优充电方案分配充电任务，建立电力
‑
能源交换
。
[0013]在第一方面的一些可实现方式中，所述用户需求包括用户输入的电动汽车离开时间
、
电动汽车所需最低能量水平以及三个目标的优先级，其中，所述三个目标的优先级包括用户用电成本
、
电池退化成本以及电网净交换功率的优先级；
[0014]所述电动汽车初始状态包括电动汽车到达充电桩时间
、
初始电池状态以及电池电压
。
[0015]在第一方面的一些可实现方式中，所述根据所述用户需求及电动汽车初始状态构建电动汽车充电任务，包括：
[0016]将所述电动汽车离开时间和电动汽车到达充电桩时间作为仿真时间；
[0017]确定所述仿真时间的总步数
N
s
，并将所述初始电池状态和电动汽车所需最低能量水平离散成多个
SOC
步长
。
[0018]在第一方面的一些可实现方式中，所述利用
K
‑
means
聚类和
ANN
模型预测系统未来状态，包括：
[0019]基于
K
‑
means
聚类和人工神经网络
ANN
模型分别进行电力需求预测和光伏发电量预测
。
[0020]在第一方面的一些可实现方式中，所述用户用电成本模型的目标函数
F1为：
[0021][0022]其中，
t
表示当前时间步，为
t
时间步充电站其他电器引起的用电需求，为充电站光伏系统在
t
时间步的发电量；
Δ
t
为模拟时间步的持续时间，
π
t
代表可变电价，和为决策变量，分别表示
EV
在
t
时间步充电和放电的功率
。
[0023]在第一方面的一些可实现方式中，所述电池退化成本模型的目标函数
F2为：
[0024][0025]其中，
C
B
代表电动汽车电池的投资成本，是由
t
时间步的决策变量引起的电池退化系数，为最大
EV
电池容量，
DOD
放电深度
。
[0026]在第一方面的一些可实现方式中，所述电网净交换功率模型的目标函数
F3为：
[0027][0028]其中，
t
表示当前时间步，为
t
时间步充电站其他电器引起的用电需求，为充电站光伏系统在
t
时间步的发电量，
Δ
t
为模拟时间步的持续时间
,
和为决策变量，分别表示
EV
在
t
时间步充电和放电的功率
。
[0029]在第一方面的一些可实现方式中，所述基于动态规划多目标优化算法求解上述多目标函数模型，得到最优充电方案，包括：
[0030]根据光伏发电和电力需求测量值以及光伏发电和电力需求的预测值确定三个
SOC
设定点；
[0031]将所述
SOC
设定点中的最大值和最小值作为约束
DP
方法的边界，得到可行域；
[0032]根据
DP
来计算各时间步的可行域中的所有
SOC
状态相对应的不同目标的值，并通
过执行非支配排序找到各时间步的帕累托有效解；
[0033]采用层次分析法根据用户优先级从各时间步的帕累托前沿中选择全局最优解，将所述全局最优解作为最优充电方案
。
[0034]在第一方面的一些可实现方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于动态规划的电动汽车多目标分布式优化方法，其特征在于，包括：获取用户需求及电动汽车初始状态；根据所述用户需求及电动汽车初始状态构建电动汽车充电任务；监测系统初始状态，并利用
K
‑
means
聚类和
ANN
模型预测系统未来状态；根据所述电动汽车充电任务
、
系统初始状态以及系统未来状态分别构建用户用电成本模型
、
电池退化成本模型以及电网净交换功率模型，并设定
SOC
限制；基于动态规划多目标优化算法求解所述用户用电成本模型
、
电池退化成本模型以及电网净交换功率模型，得到最优充电方案；根据所述最优充电方案分配充电任务，建立电力
‑
能源交换
。2.
根据权利要求1所述的方法，其特征在于，所述用户需求包括用户输入的电动汽车离开时间
、
电动汽车所需最低能量水平以及三个目标的优先级，其中，所述三个目标的优先级包括用户用电成本
、
电池退化成本以及电网净交换功率的优先级；所述电动汽车初始状态包括电动汽车到达充电桩时间
、
初始电池状态以及电池电压
。3.
根据权利要求2所述的方法，其特征在于，所述根据所述用户需求及电动汽车初始状态构建电动汽车充电任务，包括：将所述电动汽车离开时间和电动汽车到达充电桩时间作为仿真时间；确定所述仿真时间的总步数
N
s
，并将所述初始电池状态和电动汽车所需最低能量水平离散成多个
SOC
步长
。4.
根据权利要求1所述的方法，其特征在于，所述利用
K
‑
means
聚类和
ANN
模型预测系统未来状态，包括：基于
K
‑
means
聚类和人工神经网络
ANN
模型分别进行电力需求预测和光伏发电量预测
。5.
根据权利要求1所述的方法，其特征在于，所述用户用电成本模型的目标函数
F1为：其中，
t
表示当前时间步，为
t
时间步充电站其他电器引起的用电需求，为充电站光伏系统在
t
时间步的发电量；
Δ
t
为模拟时间步的持续时间，
π
t
代表可变电价，和为决策变量，分别表示
EV
在
t
时间步充电和放电的功率
。6.
根据权利要求1所述的方法，其特征在于，所述电池退化成本模型的目标函数
F2为：其中，
C

【专利技术属性】
技术研发人员：孙博，刘倩，汪翔，吴晓鸣，胡晨，贾健雄，王馨，朱灿，朱国伟，丁仕祺，阚正宇，刘宇峰，
申请(专利权)人：国网安徽众兴电力设计院有限公司，
类型：发明
国别省市：