一种电动汽车充放电行为的预测方法
一种电动汽车充放电行为的预测方法
【技术领域】
[0001] 本发明涉及一种考虑了移动社会网络影响的电动汽车充放电行为的预测方法，属 于输配电技术领域。
【背景技术】
[0002] 电动汽车的大规模使用形成了巨大的充电需求，也给电网的规划、运行带来了巨 大的挑战，因此对电动汽车的充放电行为进行预测和研宄就显得尤为重要。
[0003] 随着分时电价策略的完善和V2G(VehiCle-t〇-grid的简称，它描述了这样的一个 系统：当混合电动车或是纯电动车不在运行的时候，通过联接到电网的电动马达将能量输 给电网，反过来，当电动车的电池需要充满时，电流可以从电网中提取出来给到电池）技术 的发展，电动汽车在作为交通工具的同时，逐步开始扮演电网负荷调节者的角色。与此同 时，移动社会网络（MobileSocialNetwork,MSN)日益扩大，成为人们生活中不可或缺的 一部分。MSN的影响力可以一定程度上影响甚至改变用户的充放电计划，进而优化"削峰填 谷"，甚至为电动汽车用户创造更大收益。
[0004] 现有的基于分时电价的电动汽车充放电多目标优化调度方案利用交叉遗传粒子 群算法预测电动汽车用户的充放电计划，具体流程如图1所示。该方案可以较为准确地预 测电动汽车的充放电计划，且电网负荷调节相对明显，用户代价较小。然而此方案并没有考 虑MSN对用户充放电计划的影响，使预测精度受到一定的影响，因此有必要加以改进。
【发明内容】
[0005] 本发明的目的在于针对现有技术之弊端，提供一种考虑因素全面的电动汽车充放 电行为的预测方法，为供电部门调节电网负荷提供可靠的参考数据。
[0006] 本发明所述问题是以下述技术方案实现的：
[0007] -种电动汽车充放电行为的预测方法，所述方法包括以下步骤：
[0008] a.制定电动汽车充放电基本约束：
[0009] Pl^P^Phu
[0010] -C/5 <Iij<C/3
[0011] sociJfflin<soc,J<sociJfflax,
[0012] 其中，Pi」为第i辆车在时间段j的充放电功率，正值为放电，负值为充电；PUj代表 电动汽车最大充电功率，为负值；PHU代表最大放电功率，为正值；Iu为电动汽车i在时刻j 的充放电电流，C为车用锂电池lh充满所需的电流；SOh为第i辆电动汽车在时间j时的 电荷量，S0(^mi，S0C_分别代表最小电荷量和最大电荷量；
[0013] b.制定目标函数：
[0014] ①构建电动汽车充放电时电网负荷均方差计算模型：
[0017] 式中，Pi为电网负荷均方差；P"为无电动汽车入网时，网络在时间段j的负荷； 为电动汽车入网后的平均负荷；n代表电动汽车的数量；
[0018] ②构建电动汽车用户收益计算模型：
[0020] 式中，为电动汽车的收益，负值代表盈利，正值代表亏损；Mj为电价，正值代表充 电电价，负值代表向电网馈电电价；
[0021] ③将上述两个模型通过加权处理转换成单一模型，得到最终的目标函数：
[0023] a+ 0 = 1，
[0024] 式中T为1\和Pi加权合并后的最终目标值，a，0为权重系数；P_为原电网负 荷；T_为电动汽车接受调节时从电量最低值到电量最大值需要的成本；
[0025] c?计算MSN影响力《2:
[0026] c〇2=p+q?
[0027] 式中，p为外部影响，q为内部影响，参考不同的p和q取值对于网络的影响，分别 初始化P= 〇. 005、q= 0. 7;
[0028] d.利用《2对交叉遗传粒子群算法参数进行修正：
[0029] 交叉遗传粒子群算法模型中的基本粒子群算法模块如下：
[0032] 式中，表示粒子1在第k次迭代中第d维的位置； < 为表示粒子1在第k次迭 代中第d维的速度；为粒子1在k次迭代中在第d维的最优位置；g/(/为所有粒子在k次 迭代中在第d维的最优位置；《为惯性因子；Ci、c2为学习因子；
[0033] 利用对粒子群算法惯性权重与学习因子修正：
[0034] co=acoi+b(1 -c〇2)，
[0035] Ci=Cls+sinco，
[0036] C2=C2s+cosco，
[0037] 其中：
[0039] 式中，a、b为MSN影响力与惯性因子加权的权重系数，满足a+b= 1，Cls和C2s分 别为学习因子CdPC2的调整值，《i为原粒子群算法动态变化惯性因子，《 _为《i的理 论最大值0.9,《_为《i的理论最小值0.4,n为粒子群算法中当前粒子迭代次数，N为粒 子群算法粒子总共迭代次数；
[0040]e.以电动汽车充放电基本约束为前提，利用修正的交叉遗传粒子群算法对目标函 数进行求解，得到电动汽车的充放电计划及配电网负荷。
[0041] 本发明预测电动汽车用户的充放电计划并充分考虑了移动社会网络对充放电计 划的影响，大大提高了预测结果的准确性，能够为供电部门调节电网负荷提供可靠的参考 数据。
【附图说明】
[0042] 下面结合附图对本发明作进一步详述。
[0043] 图1是基于分时电价的调动汽车充放电多目标优化调度方案流程图；
[0044] 图2是MSN影响下电动汽车充放电概念图；
[0045] 图3是基于MSN影响的电动汽车充放电预测流程图；
[0046] 图4是3种调度策略下的电网负荷。
[0047] 图中和文中各符号清单为：为第i辆车在时间段j的充放电功率；Pw代表电 动汽车最大充电功率；P__代表最大放电功率；Iu为电动汽车i在时刻j的充放电电流；C 为车用锂电池lh充满所需的电流；SOQ为第i辆电动汽车在时间j时的电荷量，SOCijmin 和SO(^max分别代表最小电荷量和最大电荷量；Pi为电网负荷均方差；p"为无电动汽车入网 时，网络在时间段j的负荷；P_为电动汽车入网后的平均负荷；n代表电动汽车的数量；T1 为电动汽车的收益為为电价；T为TJPPi加权合并后的最终目标值，a，0为权重系数； P_为原电网负荷；T_为电动汽车接受调节时从电量最低值到电量最大值需要的成本；《 2 为MSN影响力；p为外部影响；q为内部影响；4表示粒子1在第k次迭代中第d维的位置； 4为表示粒子1在第k次迭代中第d维的速度；凡〗为粒子1在k次迭代中在第d维的最 优位置；ft〗为所有粒子在k次迭代中在第d维的最优位置；w为惯性因子；Cp(：2为学习因 子；a、b为权重系数；Cls和C2s分别为学习因子C:和C2的调整值；《i为原粒子群算法动态 变化惯性因子，《_为《i的理论最大值0.9,《 ^为《i的理论最小值0.4，n为粒子群算 法中当前粒子迭代次数，N为粒子群算法粒子总共迭代次数。
【具体实施方式】
[0048] 本发明包括两部分内容：MSN对电动汽车充放电行为的影响力；在此影响力下电 动汽车的充放电计划。下面结合图2、图3对本发明做详细说明：
[0049] (1)图2为MSN对电动汽车充放电行为的影响力概念图。作为MSN中的一个组成 粒子，电动汽车受到网络中信息传播节点传播的信息影响（称为外部影响P)，以及网络内 部相关联个体（其他电动汽车）观念、行为影响（称为内部影响q)。P和q共同组成了MSN 对电动汽车充放电的影响力，用公式表示为：
[0050] c〇2=p+q(1)
[0051] 式中，〇2即为MSN对电动汽车充放电的影响力。
[0052] MSN影响力影响电动汽车充放电行为，调节配电区域组成的原网络负荷，达到"削 峰填谷"的目的。
[0053] (2)图3为基于MSN影响的电动汽车充放电预测流程图，具体步骤描述如下：
[0054] 步骤S1:开始。
[0055] 步骤S2:制定电动汽车充放电基本约束。电动汽车充放电时必须满足以下约束： 电动汽车充放电功率必须在电动汽车电池的承受范围之内，最大限度的保护电池；与此同 时，电动汽车电池的电荷量也要随时满足用户使用需要，在电荷量上下限范围之内。约束模 型如下：
[0056] ⑵
[0057] -C/5 <Iij<C/3 (3)
[0058] SOCiJfflin<SOC,j<SOCiJfflax (4)
[0059] 为第i辆车在时间段j的充放 电功率，正值为放电，负值为充电；P^代表电动 汽车最大充电功率，为负值;PHU代表最大放电功率，为正值；Iu为电动汽车i在时刻j的充 放电电流，C为车用锂电池lh充满所需的电流；SOh为第i辆电动汽车在时间j时的电荷 量，S0(^mi，S0C_分别代表最小电荷量和最大电荷量。
[0060] 步骤S3:制定目标函数。本发明的模型以调节电网负荷稳定和保证电动汽车收益 为目标制定了目标函数，目标函数满足步骤S2中的约束条件。
[0061] 电网负荷的稳定性可以用负荷均方差来表示，均方差越小表示电网负荷越稳定。 构建电动汽车充放电时电网负荷均方差计算模型：
[0064] 式中，Pi为电网负荷均方差；为无电动汽车入网时，网络在时间段j的负荷；Pu为 第i辆车在时间段j的充放电功率，正值为放电，负值为充电；PaTC为电动汽车入网后的平均 负荷；n代表电动汽车的数量。
[0065] 通过分时电价调度策略及V2G技术，电动汽车用户可以通过合理调控电动汽车电 池电荷量获取收益：充电时，本时刻收益为负，放电时，本时刻收益为正。
[0066] 电动汽车用户收益计算模型：
[0068] 式中，为电动汽车的收益，为负代表用户收益为正，为正代表用户亏损；P^为第 i辆车在时间段j的充放电功率;M」为正值代表电动汽车充电电价，为负值代表电动汽车向 电网馈电电价。
[0069] 为了保证电网负荷最优同时保证用户收益，上述两个模型通过加权处理转换成单 一模型：
[0071] 公式⑶满足约束条件：
[0072] a+0 = 1 (9)
[0073]式中T为二者加权最终目标值，a，0为权重系数；P_为原电网负荷；T_为电动 汽车接受调节时从电量最低值到电量最大值需要的成本。
[0074] 公式⑶即为最终目标函数，即电网负荷最小的同时保证电动汽车用户收益。不 等式（2)、（3)、（4)即为电动汽车充放电的基本范围约束。
[0075]步骤S4:计算MSN影响力。MSN影响力计算方法即为公式（1)，在此不做赘述。
[0076] 步骤S5:添加MSN影响力，对交叉遗传粒子群算法参数进行修正。
[0077] 交叉遗传粒子群算法模型中的基本粒子群算法模块如下：
[0080] 式中，xL表示粒子1在第k次迭代中第d维的位置，即一辆电动汽车某一时刻的充 放电功率；4为表示粒子1在第k次迭代中第d维的速度；为粒子1在k次迭代中在第 d维的最优位置；为所有粒子在k次迭代中在第d维的最优位置；《为惯性因子，代表电 动汽车不改变充放电行为的系数；Ci、c2为学习因子，分别代表电动汽车根据自身情况、外 界情况进行充放电行为变化的系数，其余参数均为粒子群算法基本参数，在此不作赘述。
[0081] MSN对电动汽车充放电的影响，具体体现在对粒子群算法惯性权重与学习因子修 正上，其描述如下：
[0082] ? =ao^bd- ?2) (12)
[0083] 〇!=Cls+sin? (13)
[0084] C2=C2s+c〇s? (14)
[0085] 其中：
[0087] 式中，a、b为MSN影响力与惯性因子加权的权重系数，满足a+b= 1，Cls和C2s分 别为学习因子CdPC2的调整值，《i为原粒子群算法动态变化惯性因子，《 _为《i的理 论最大值0.9,《_为《i的理论最小值0.4,n为粒子群算法中当前粒子迭代次数，N为粒 子群算法粒子总共迭代次数；
[0088] 步骤S6:初始化基本数据。对模型的基本参数进行设定，准备仿真。
[0089] 步骤S7:利用交叉遗传粒子群算法求解，其中以充放电约束为前提，借助目标函 数求解适应值。
[0090] 步骤S8:求得最优解，即为电动汽车充放电计划。
[0091] 步骤S9:结束。
[0092]本发明更贴近生活实际情况，可以通过MSN影响力及分时电价策略为电力部门更 为真实地预测电动汽车的充放电行为，进而通过控制二者来调控电动汽车充放电行为，从 而达到调节电网负荷的目的，同时为电动汽车用户创收，激励用户参与电网负荷调节。间接 预测电动汽车出行计划，为市政交通部门预测电动汽车出行提供技术支持。
[0093] 表1为本发明与现有技术的仿真对比结果，同现有技术相比，采用本方法进行预 测时负荷均方差降低了 1/4,而用户收益却大幅度提高，符合我们的模型目标。
[0094] 表1本发明仿真电网负荷稳定性（负荷均方差）及用户收益
[0096] 图4是3种调度策略下的电网负荷，由图4可以发现，同样的分时电价，MSN影响 (本发明方法）下的电网负荷更加平缓，"削峰填谷"效果更好；同时，无MSN影响的电网负 荷曲线相对于MSN影响下的曲线向右平移了 0.5h，表明MSN影响下的电动汽车充放电调节 更加及时、高效。
【主权项】
1. 一种电动汽车充放电行为的预测方法，其特征是，所述方法包括以下步骤： a. 制定电动汽车充放电基本约束： Puj< P ij< PHij -C/5 < Iij< C/3 SOCiJfflin< SOC SOC iJfflax； 其中，Pu为第i辆车在时间段j的充放电功率，正值为放电，负值为充电；P W代表电动 汽车最大充电功率，为负值;Ρ__代表最大放电功率，为正值；I u为电动汽车i在时刻j的充 放电电流，C为车用锂电池 Ih充满所需的电流；SOCu为第i辆电动汽车在时间j时的电荷 量，S0Ciini，SOC _分别代表最小电荷量和最大电荷量； b. 制定目标函数： ① 构建电动汽车充放电时电网负荷均方差计算模型：式中，P1为电网负荷均方差；P "为无电动汽车入网时，网络在时间段j的负荷；P _为 电动汽车入网后的平均负荷；η代表电动汽车的数量； ② 构建电动汽车用户收益计算模型：式中，T1为电动汽车的收益，负值代表盈利，正值代表万损；M」为电价，正值代表充电电 价，负值代表向电网馈电电价； ③ 将上述两个模型通过加权处理转换成单一模型，得到最终的目标函数：α + β = I ； 式中τ StJpp1加权合并后的最终目标值，α，β为权重系数；ρ_为原电网负荷；τ_ 为电动汽车接受调节时从电量最低值到电量最大值需要的成本； C-计算MSN影响力ω2: ω2= p+q ; 式中，P为外部影响，q为内部影响，参考不同的P和q取值对于网络的影响，分别初始 化 p = 0· 005、q = 0· 7 ; d.利用《2对交叉遗传粒子群算法参数进行修正： 交叉遗传粒子群算法模型中的基本粒子群算法模块如下：式中，)4表示粒子1在第k次迭代中第d维的位置；vfd为表示粒子1在第k次迭代中 第d维的速度；为粒子1在k次迭代中在第d维的最优位置；为所有粒子在k次迭代 中在第d维的最优位置；ω为惯性因子；Cl、C2为学习因子； 利用ω2对粒子群算法惯性权重与学习因子修正： ω = a ω Jb (1_ ω 2) C1= C ls+sin ω C2= C 2s+c〇s ω ； 其中：式中，a、b为MSN影响力与惯性因子加权的权重系数，满足a+b = 1，Cls和C2s分别为 学习因子CdP C2的调整值，ω 原粒子群算法动态变化惯性因子，ω _为ω ^勺理论最 大值0.9,《^为ω i的理论最小值0.4, η为粒子群算法中当前粒子迭代次数，N为粒子群 算法粒子总共迭代次数； e.以电动汽车充放电基本约束为前提，利用修正的交叉遗传粒子群算法对目标函数进 行求解，得到电动汽车的充放电计划及配电网负荷。
【专利摘要】一种电动汽车充放电行为的预测方法，所述方法包括以下步骤：a.制定电动汽车充放电基本约束；b.制定目标函数；c.计算MSN影响力；d. 利用对交叉遗传粒子群算法参数进行修正；e. 以电动汽车充放电基本约束为前提，利用修正的交叉遗传粒子群算法对目标函数进行求解，得到电动汽车的充放电计划及配电网负荷。本发明利用交叉遗传粒子群算法预测电动汽车用户的充放电计划并充分考虑了移动社会网络对充放电计划的影响，大大提高了预测结果的准确性，能够为供电部门调节电网负荷提供可靠的参考数据。
【IPC分类】G06Q50/06, G06Q10/04
【公开号】CN104899667
【申请号】CN201510375663
【发明人】李刚, 董耀众, 宋雨, 申金波
【申请人】华北电力大学（保定）
【公开日】2015年9月9日
【申请日】2015年6月30日
【技术领域】
[0001] 本发明涉及一种考虑了移动社会网络影响的电动汽车充放电行为的预测方法，属 于输配电技术领域。
【背景技术】
[0002] 电动汽车的大规模使用形成了巨大的充电需求，也给电网的规划、运行带来了巨 大的挑战，因此对电动汽车的充放电行为进行预测和研宄就显得尤为重要。
[0003] 随着分时电价策略的完善和V2G(VehiCle-t〇-grid的简称，它描述了这样的一个 系统：当混合电动车或是纯电动车不在运行的时候，通过联接到电网的电动马达将能量输 给电网，反过来，当电动车的电池需要充满时，电流可以从电网中提取出来给到电池）技术 的发展，电动汽车在作为交通工具的同时，逐步开始扮演电网负荷调节者的角色。与此同 时，移动社会网络（MobileSocialNetwork,MSN)日益扩大，成为人们生活中不可或缺的 一部分。MSN的影响力可以一定程度上影响甚至改变用户的充放电计划，进而优化"削峰填 谷"，甚至为电动汽车用户创造更大收益。
[0004] 现有的基于分时电价的电动汽车充放电多目标优化调度方案利用交叉遗传粒子 群算法预测电动汽车用户的充放电计划，具体流程如图1所示。该方案可以较为准确地预 测电动汽车的充放电计划，且电网负荷调节相对明显，用户代价较小。然而此方案并没有考 虑MSN对用户充放电计划的影响，使预测精度受到一定的影响，因此有必要加以改进。
【发明内容】
[0005] 本发明的目的在于针对现有技术之弊端，提供一种考虑因素全面的电动汽车充放 电行为的预测方法，为供电部门调节电网负荷提供可靠的参考数据。
[0006] 本发明所述问题是以下述技术方案实现的：
[0007] -种电动汽车充放电行为的预测方法，所述方法包括以下步骤：
[0008] a.制定电动汽车充放电基本约束：
[0009] Pl^P^Phu
[0010] -C/5 <Iij<C/3
[0011] sociJfflin<soc,J<sociJfflax,
[0012] 其中，Pi」为第i辆车在时间段j的充放电功率，正值为放电，负值为充电；PUj代表 电动汽车最大充电功率，为负值；PHU代表最大放电功率，为正值；Iu为电动汽车i在时刻j 的充放电电流，C为车用锂电池lh充满所需的电流；SOh为第i辆电动汽车在时间j时的 电荷量，S0(^mi，S0C_分别代表最小电荷量和最大电荷量；
[0013] b.制定目标函数：
[0014] ①构建电动汽车充放电时电网负荷均方差计算模型：
[0017] 式中，Pi为电网负荷均方差；P"为无电动汽车入网时，网络在时间段j的负荷； 为电动汽车入网后的平均负荷；n代表电动汽车的数量；
[0018] ②构建电动汽车用户收益计算模型：
[0020] 式中，为电动汽车的收益，负值代表盈利，正值代表亏损；Mj为电价，正值代表充 电电价，负值代表向电网馈电电价；
[0021] ③将上述两个模型通过加权处理转换成单一模型，得到最终的目标函数：
[0023] a+ 0 = 1，
[0024] 式中T为1\和Pi加权合并后的最终目标值，a，0为权重系数；P_为原电网负 荷；T_为电动汽车接受调节时从电量最低值到电量最大值需要的成本；
[0025] c?计算MSN影响力《2:
[0026] c〇2=p+q?
[0027] 式中，p为外部影响，q为内部影响，参考不同的p和q取值对于网络的影响，分别 初始化P= 〇. 005、q= 0. 7;
[0028] d.利用《2对交叉遗传粒子群算法参数进行修正：
[0029] 交叉遗传粒子群算法模型中的基本粒子群算法模块如下：
[0032] 式中，表示粒子1在第k次迭代中第d维的位置； < 为表示粒子1在第k次迭 代中第d维的速度；为粒子1在k次迭代中在第d维的最优位置；g/(/为所有粒子在k次 迭代中在第d维的最优位置；《为惯性因子；Ci、c2为学习因子；
[0033] 利用对粒子群算法惯性权重与学习因子修正：
[0034] co=acoi+b(1 -c〇2)，
[0035] Ci=Cls+sinco，
[0036] C2=C2s+cosco，
[0037] 其中：
[0039] 式中，a、b为MSN影响力与惯性因子加权的权重系数，满足a+b= 1，Cls和C2s分 别为学习因子CdPC2的调整值，《i为原粒子群算法动态变化惯性因子，《 _为《i的理 论最大值0.9,《_为《i的理论最小值0.4,n为粒子群算法中当前粒子迭代次数，N为粒 子群算法粒子总共迭代次数；
[0040]e.以电动汽车充放电基本约束为前提，利用修正的交叉遗传粒子群算法对目标函 数进行求解，得到电动汽车的充放电计划及配电网负荷。
[0041] 本发明预测电动汽车用户的充放电计划并充分考虑了移动社会网络对充放电计 划的影响，大大提高了预测结果的准确性，能够为供电部门调节电网负荷提供可靠的参考 数据。
【附图说明】
[0042] 下面结合附图对本发明作进一步详述。
[0043] 图1是基于分时电价的调动汽车充放电多目标优化调度方案流程图；
[0044] 图2是MSN影响下电动汽车充放电概念图；
[0045] 图3是基于MSN影响的电动汽车充放电预测流程图；
[0046] 图4是3种调度策略下的电网负荷。
[0047] 图中和文中各符号清单为：为第i辆车在时间段j的充放电功率；Pw代表电 动汽车最大充电功率；P__代表最大放电功率；Iu为电动汽车i在时刻j的充放电电流；C 为车用锂电池lh充满所需的电流；SOQ为第i辆电动汽车在时间j时的电荷量，SOCijmin 和SO(^max分别代表最小电荷量和最大电荷量；Pi为电网负荷均方差；p"为无电动汽车入网 时，网络在时间段j的负荷；P_为电动汽车入网后的平均负荷；n代表电动汽车的数量；T1 为电动汽车的收益為为电价；T为TJPPi加权合并后的最终目标值，a，0为权重系数； P_为原电网负荷；T_为电动汽车接受调节时从电量最低值到电量最大值需要的成本；《 2 为MSN影响力；p为外部影响；q为内部影响；4表示粒子1在第k次迭代中第d维的位置； 4为表示粒子1在第k次迭代中第d维的速度；凡〗为粒子1在k次迭代中在第d维的最 优位置；ft〗为所有粒子在k次迭代中在第d维的最优位置；w为惯性因子；Cp(：2为学习因 子；a、b为权重系数；Cls和C2s分别为学习因子C:和C2的调整值；《i为原粒子群算法动态 变化惯性因子，《_为《i的理论最大值0.9,《 ^为《i的理论最小值0.4，n为粒子群算 法中当前粒子迭代次数，N为粒子群算法粒子总共迭代次数。
【具体实施方式】
[0048] 本发明包括两部分内容：MSN对电动汽车充放电行为的影响力；在此影响力下电 动汽车的充放电计划。下面结合图2、图3对本发明做详细说明：
[0049] (1)图2为MSN对电动汽车充放电行为的影响力概念图。作为MSN中的一个组成 粒子，电动汽车受到网络中信息传播节点传播的信息影响（称为外部影响P)，以及网络内 部相关联个体（其他电动汽车）观念、行为影响（称为内部影响q)。P和q共同组成了MSN 对电动汽车充放电的影响力，用公式表示为：
[0050] c〇2=p+q(1)
[0051] 式中，〇2即为MSN对电动汽车充放电的影响力。
[0052] MSN影响力影响电动汽车充放电行为，调节配电区域组成的原网络负荷，达到"削 峰填谷"的目的。
[0053] (2)图3为基于MSN影响的电动汽车充放电预测流程图，具体步骤描述如下：
[0054] 步骤S1:开始。
[0055] 步骤S2:制定电动汽车充放电基本约束。电动汽车充放电时必须满足以下约束： 电动汽车充放电功率必须在电动汽车电池的承受范围之内，最大限度的保护电池；与此同 时，电动汽车电池的电荷量也要随时满足用户使用需要，在电荷量上下限范围之内。约束模 型如下：
[0056] ⑵
[0057] -C/5 <Iij<C/3 (3)
[0058] SOCiJfflin<SOC,j<SOCiJfflax (4)
[0059] 为第i辆车在时间段j的充放 电功率，正值为放电，负值为充电；P^代表电动 汽车最大充电功率，为负值;PHU代表最大放电功率，为正值；Iu为电动汽车i在时刻j的充 放电电流，C为车用锂电池lh充满所需的电流；SOh为第i辆电动汽车在时间j时的电荷 量，S0(^mi，S0C_分别代表最小电荷量和最大电荷量。
[0060] 步骤S3:制定目标函数。本发明的模型以调节电网负荷稳定和保证电动汽车收益 为目标制定了目标函数，目标函数满足步骤S2中的约束条件。
[0061] 电网负荷的稳定性可以用负荷均方差来表示，均方差越小表示电网负荷越稳定。 构建电动汽车充放电时电网负荷均方差计算模型：
[0064] 式中，Pi为电网负荷均方差；为无电动汽车入网时，网络在时间段j的负荷；Pu为 第i辆车在时间段j的充放电功率，正值为放电，负值为充电；PaTC为电动汽车入网后的平均 负荷；n代表电动汽车的数量。
[0065] 通过分时电价调度策略及V2G技术，电动汽车用户可以通过合理调控电动汽车电 池电荷量获取收益：充电时，本时刻收益为负，放电时，本时刻收益为正。
[0066] 电动汽车用户收益计算模型：
[0068] 式中，为电动汽车的收益，为负代表用户收益为正，为正代表用户亏损；P^为第 i辆车在时间段j的充放电功率;M」为正值代表电动汽车充电电价，为负值代表电动汽车向 电网馈电电价。
[0069] 为了保证电网负荷最优同时保证用户收益，上述两个模型通过加权处理转换成单 一模型：
[0071] 公式⑶满足约束条件：
[0072] a+0 = 1 (9)
[0073]式中T为二者加权最终目标值，a，0为权重系数；P_为原电网负荷；T_为电动 汽车接受调节时从电量最低值到电量最大值需要的成本。
[0074] 公式⑶即为最终目标函数，即电网负荷最小的同时保证电动汽车用户收益。不 等式（2)、（3)、（4)即为电动汽车充放电的基本范围约束。
[0075]步骤S4:计算MSN影响力。MSN影响力计算方法即为公式（1)，在此不做赘述。
[0076] 步骤S5:添加MSN影响力，对交叉遗传粒子群算法参数进行修正。
[0077] 交叉遗传粒子群算法模型中的基本粒子群算法模块如下：
[0080] 式中，xL表示粒子1在第k次迭代中第d维的位置，即一辆电动汽车某一时刻的充 放电功率；4为表示粒子1在第k次迭代中第d维的速度；为粒子1在k次迭代中在第 d维的最优位置；为所有粒子在k次迭代中在第d维的最优位置；《为惯性因子，代表电 动汽车不改变充放电行为的系数；Ci、c2为学习因子，分别代表电动汽车根据自身情况、外 界情况进行充放电行为变化的系数，其余参数均为粒子群算法基本参数，在此不作赘述。
[0081] MSN对电动汽车充放电的影响，具体体现在对粒子群算法惯性权重与学习因子修 正上，其描述如下：
[0082] ? =ao^bd- ?2) (12)
[0083] 〇!=Cls+sin? (13)
[0084] C2=C2s+c〇s? (14)
[0085] 其中：
[0087] 式中，a、b为MSN影响力与惯性因子加权的权重系数，满足a+b= 1，Cls和C2s分 别为学习因子CdPC2的调整值，《i为原粒子群算法动态变化惯性因子，《 _为《i的理 论最大值0.9,《_为《i的理论最小值0.4,n为粒子群算法中当前粒子迭代次数，N为粒 子群算法粒子总共迭代次数；
[0088] 步骤S6:初始化基本数据。对模型的基本参数进行设定，准备仿真。
[0089] 步骤S7:利用交叉遗传粒子群算法求解，其中以充放电约束为前提，借助目标函 数求解适应值。
[0090] 步骤S8:求得最优解，即为电动汽车充放电计划。
[0091] 步骤S9:结束。
[0092]本发明更贴近生活实际情况，可以通过MSN影响力及分时电价策略为电力部门更 为真实地预测电动汽车的充放电行为，进而通过控制二者来调控电动汽车充放电行为，从 而达到调节电网负荷的目的，同时为电动汽车用户创收，激励用户参与电网负荷调节。间接 预测电动汽车出行计划，为市政交通部门预测电动汽车出行提供技术支持。
[0093] 表1为本发明与现有技术的仿真对比结果，同现有技术相比，采用本方法进行预 测时负荷均方差降低了 1/4,而用户收益却大幅度提高，符合我们的模型目标。
[0094] 表1本发明仿真电网负荷稳定性（负荷均方差）及用户收益
[0096] 图4是3种调度策略下的电网负荷，由图4可以发现，同样的分时电价，MSN影响 (本发明方法）下的电网负荷更加平缓，"削峰填谷"效果更好；同时，无MSN影响的电网负 荷曲线相对于MSN影响下的曲线向右平移了 0.5h，表明MSN影响下的电动汽车充放电调节 更加及时、高效。
【主权项】
1. 一种电动汽车充放电行为的预测方法，其特征是，所述方法包括以下步骤： a. 制定电动汽车充放电基本约束： Puj< P ij< PHij -C/5 < Iij< C/3 SOCiJfflin< SOC SOC iJfflax； 其中，Pu为第i辆车在时间段j的充放电功率，正值为放电，负值为充电；P W代表电动 汽车最大充电功率，为负值;Ρ__代表最大放电功率，为正值；I u为电动汽车i在时刻j的充 放电电流，C为车用锂电池 Ih充满所需的电流；SOCu为第i辆电动汽车在时间j时的电荷 量，S0Ciini，SOC _分别代表最小电荷量和最大电荷量； b. 制定目标函数： ① 构建电动汽车充放电时电网负荷均方差计算模型：式中，P1为电网负荷均方差；P "为无电动汽车入网时，网络在时间段j的负荷；P _为 电动汽车入网后的平均负荷；η代表电动汽车的数量； ② 构建电动汽车用户收益计算模型：式中，T1为电动汽车的收益，负值代表盈利，正值代表万损；M」为电价，正值代表充电电 价，负值代表向电网馈电电价； ③ 将上述两个模型通过加权处理转换成单一模型，得到最终的目标函数：α + β = I ； 式中τ StJpp1加权合并后的最终目标值，α，β为权重系数；ρ_为原电网负荷；τ_ 为电动汽车接受调节时从电量最低值到电量最大值需要的成本； C-计算MSN影响力ω2: ω2= p+q ; 式中，P为外部影响，q为内部影响，参考不同的P和q取值对于网络的影响，分别初始 化 p = 0· 005、q = 0· 7 ; d.利用《2对交叉遗传粒子群算法参数进行修正： 交叉遗传粒子群算法模型中的基本粒子群算法模块如下：式中，)4表示粒子1在第k次迭代中第d维的位置；vfd为表示粒子1在第k次迭代中 第d维的速度；为粒子1在k次迭代中在第d维的最优位置；为所有粒子在k次迭代 中在第d维的最优位置；ω为惯性因子；Cl、C2为学习因子； 利用ω2对粒子群算法惯性权重与学习因子修正： ω = a ω Jb (1_ ω 2) C1= C ls+sin ω C2= C 2s+c〇s ω ； 其中：式中，a、b为MSN影响力与惯性因子加权的权重系数，满足a+b = 1，Cls和C2s分别为 学习因子CdP C2的调整值，ω 原粒子群算法动态变化惯性因子，ω _为ω ^勺理论最 大值0.9,《^为ω i的理论最小值0.4, η为粒子群算法中当前粒子迭代次数，N为粒子群 算法粒子总共迭代次数； e.以电动汽车充放电基本约束为前提，利用修正的交叉遗传粒子群算法对目标函数进 行求解，得到电动汽车的充放电计划及配电网负荷。
【专利摘要】一种电动汽车充放电行为的预测方法，所述方法包括以下步骤：a.制定电动汽车充放电基本约束；b.制定目标函数；c.计算MSN影响力；d. 利用对交叉遗传粒子群算法参数进行修正；e. 以电动汽车充放电基本约束为前提，利用修正的交叉遗传粒子群算法对目标函数进行求解，得到电动汽车的充放电计划及配电网负荷。本发明利用交叉遗传粒子群算法预测电动汽车用户的充放电计划并充分考虑了移动社会网络对充放电计划的影响，大大提高了预测结果的准确性，能够为供电部门调节电网负荷提供可靠的参考数据。
【IPC分类】G06Q50/06, G06Q10/04
【公开号】CN104899667
【申请号】CN201510375663
【发明人】李刚, 董耀众, 宋雨, 申金波
【申请人】华北电力大学（保定）
【公开日】2015年9月9日
【申请日】2015年6月30日
最新回复(0)