本发明涉及电动汽车充电的，尤其是指一种基于精英遗传算法的电动汽车有序充放电方法。
背景技术：
1、在燃油汽车的不断发展给环境、能源带来了巨大压力的背景下，具有清洁高效特点的电动汽车不断迅速发展，成为优质的灵活性资源。由于电动汽车本身特性以及入网时的协议策略不同，对于电动汽车的充电模式可分为无序充电模式和有序充电模式。大规模无序充电模式下电动汽车相当于不可控负荷，无法进行调度，只能通过对其进行负荷预测与建模，再调度网内其他资源来维持电力平衡。随着电动汽车数量的增加，无序充电可能导致电网负荷急剧上升，尤其是在用电高峰期，可能引发电网过载，影响电网的安全稳定运行。此外，电动汽车的充电需求与居民用电高峰时段重叠，会进一步加剧电网的峰谷差，增加电网调节的难度和成本。无序充电不能有效利用低谷电进行充电，而低谷电的价格相对较低，因此，无序充电的电动汽车用户在充电成本上可能会付出更多。无序充电可能导致充电站或充电桩的利用率不均衡，部分充电设施在高峰时段过度使用，而部分设施则长时间闲置，这不仅降低了充电效率，还可能导致充电设施的浪费。
2、因此，本发明考虑电动汽车有序充电。电动汽车有序充电即电动汽车可以在停驻时间内灵活调整充电时间或者充电功率。电动汽车的有序充电调度策略目前主要为集中控制和分布式控制。
3、集中控制是指由控制中心统一的控制器通过收集所有电动汽车的基本信息，结合电网源荷信息对所有入网的电动汽车进行统一的充电调度。例如：文献(吴晨曦,张杰,张新延,等.考虑电价影响的电动汽车削峰填谷水平评价[j].电力系统保护与控制,2019,47(17):14-22.)从能量平衡角度估算出电动汽车的充放电量，考虑电价对于车主充放电的影响，以平抑负荷曲线为目标，采用动态规划的方法对电动汽车的充电进行优化。文献(张良,严正,冯冬涵,等.采用两阶段优化模型的电动汽车充电站内有序充电策略[j].电网技术,2014,38(04):967-973)在满足配网变压器容量限制以及用户充电需求的前提下，建立了以充电站收益最大为目标的第一阶段优化模型以及最大化电网公司对调峰效果激励的第二阶段优化，两阶段集中优化很好地平衡了电网公司与充电站之间的收益。集中控制是有统一的控制器对所有入网的电动汽车进行管理，在满足用户需求的前提下实现整体目标最优。但是集中控制有许多难以解决的局限性，这些局限使得无论是从控制的难度还是车主的意愿来讲都面临挑战，在未来的应用场景下难以为继。
4、分布式控制通常的模式是电网不直接参与控制。分布式控制策相较于集中控制，求解效率更加高效。例如：文献(bahrami s,wong v w s.apotential game framework forcharging phevs in smart grid[c].2015ieee pacific rim conference oncommunications,computers and signal processing(pacrim).ieee,2015:28-33)以ev代理的势博弈模型来等效电动汽车的充电情况，通过该分布式模型减少了ev充电引起的充电高峰。但在分布式控制中，大量的独立控制单元之间需要进行复杂的通信和协调，这增加了系统的整体复杂性。
技术实现思路
1、本发明的目的在于克服现有技术的缺点与不足，提出了一种基于精英遗传算法的电动汽车有序充电方法，引导电动汽车有序充电，采用分层控制的调度策略，缓解新能源出力的不确定性并维持电网负荷的稳定性。
2、为实现上述目的，本发明所提供的技术方案为：基于精英遗传算法的电动汽车有序充电方法，包括以下步骤：
3、s1：基于电动汽车的充电需求和基本出行信息建立电动汽车有序充电数学模型，考虑配网层和充电站层，构建电动汽车有序充电的系统架构；其中，基本出行信息包括：目标充电站、接入充电桩时刻、离开充电桩时刻、接入充电桩时电动汽车的荷电状态、离开充电桩时电动汽车的期待荷电状态、额定放电功率、额定充电功率、电动汽车荷电状态下限、电动汽车荷电状态上限和电动汽车电池额定容量；在配网层中，配置有配网控制器，配网控制器根据充电站的充电需求结合电价信息和优化目标制定充电计划，再由充电站层的充电站控制器将指令下发至各电动汽车；在充电站层中，配置有充电站控制器，充电站控制器获取电动汽车的充电需求和基本出行信息，计算汇总后上传至配网控制器；
4、s2：根据电动汽车有序充电的系统架构中各电动汽车接入充电桩时刻和离开充电桩时刻，将电动汽车充电模式分为住宅充电和工作充电，对应地将电动汽车充电区域划分为住宅区和工作区，由此构建电动汽车分功能区充电响应潜力分析框架，并建立不同功能区的电动汽车充电特性模型；
5、s3：在电动汽车有序充电数学模型和不同功能区的电动汽车特性模型基础上，考虑三个目标：负荷峰谷差最小、新能源消纳率最高和充电费用最小，将这三个目标进行加权处理，得到电动汽车有序充电的的目标函数，由此建立电动汽车有序充电的多目标优化模型；
6、s4：采用精英遗传算法，求解电动汽车有序充电的多目标优化模型，得到各电动汽车的有序充电计划，最后由电动汽车有序充电的系统架构中的充电站控制器下发各电动汽车的有序充电计划指令至各电动汽车。
7、进一步，在步骤s1中，所述电动汽车有序充电数学模型具体如下：
8、
9、式中，pev(t)为t时刻电动汽车的充电功率，tin为电动汽车接入充电桩时刻，tout为电动汽车离开充电桩时刻；
10、pev(t)≤pev.ch
11、式中，pev.ch为电动汽车的额定充电功率；
12、socmin≤soc(t)≤socmax
13、式中，soc(t)为电动汽车t时刻的荷电状态；socmin为电动汽车荷电状态下限；socmax为电动汽车荷电状态上限；
14、soc(tout)≥socexp
15、式中，soc(tout)为电动汽车离开充电桩时的荷电状态，socexp为电动汽车车主期望离开充电桩时的荷电状态；
16、
17、式中，soc(t-1)为电动汽车t时刻前一时刻的荷电状态，ηev.ch为电动汽车的充电效率，en为电动汽车额定容量，-t为时间间隔。
18、进一步，在步骤s2中，不同功能区的电动汽车充电特性模型具体如下：
19、a、工作充电模式下的电动汽车，车主到达工作区时将电动汽车接入充电桩，下班时离开工作区时离开充电桩，工作充电模式下的电动汽车接入充电桩时刻和离开充电桩时刻的概率密度函数具体如下：
20、工作充电模式下的电动汽车接入充电桩时刻的概率密度函数f(tga)表示为：
21、
22、式中，tga表示工作充电模式下电动汽车接入充电桩时刻，μga为工作充电模式下电动汽车接入充电桩时刻的均值；σga为工作充电模式下电动汽车接入充电桩时刻的标准差；
23、工作充电模式下的电动汽车离开充电桩时刻的概率密度函数f(tgl)表示为：
24、
25、式中，tgl表示工作充电模式下电动汽车离开充电桩的时刻；μgl为工作充电模式下电动汽车离开充电桩时刻的均值；σgl为工作充电模式下电动汽车离开充电桩时刻的标准差；
26、b、住宅充电模式下的电动汽车，车主下班返回住宅区时电动汽车接入充电桩，车主上班离开住宅区时电动汽车离开充电桩，住宅充电模式下的电动汽车接入充电桩时刻和离开充电桩时刻的概率密度函数具体如下：
27、住宅充电模式下的电动汽车接入充电桩时刻的概率密度函数f(tha)表示为：
28、
29、式中，tha表示住宅充电模式下电动汽车接入充电桩的时刻；μha为住宅充电模式下电动汽车接入充电桩的时刻的均值，σha为住宅充电模式下电动汽车接入充电桩的时刻的标准差；
30、住宅充电模式下的电动汽车离开充电桩时刻的概率密度函数f(thl)表示为：
31、
32、式中，thl表示住宅充电模式下电动汽车离开充电桩的时刻；μhl为住宅充电模式的电动汽车离开充电桩的时刻的均值；σhl为住宅充电模式的电动汽车离开充电桩的时刻的标准差；
33、c、电动汽车日行驶里程的概率密度函数fd(d)表示为：
34、
35、式中，d为电动汽车日行驶里程，μd为电动汽车日行驶里程的均值，σd为电动汽车日行驶里程的标准差。
36、进一步，在步骤s3中，建立电动汽车有序充电的多目标优化模型，具体步骤如下：
37、s31：在电动汽车有序充电数学模型和不同功能区的电动汽车特性模型基础上，考虑的负荷峰谷差最小、新能源消纳率最高以及充电费用最小，具体如下：
38、a、负荷峰谷差最小
39、假设园区内的总负荷pz包括基础负荷pload和电动汽车充电负荷pev，则总负荷pz表示为：
40、pz＝pev+pload
41、考虑园区内的新能源发电，则园区内的净负荷p表示为：
42、p＝pz-px
43、式中，px为园区新能源出力功率；
44、当园区充电电动汽车数目多时，集聚充电的电动汽车充电负荷会导致整个园区的负荷峰值和谷值相差大，造成资源浪费，同时对电网的运行带来危害，因此建立负荷峰谷差率最小的目标函数f1为：
45、
46、式中，pmax为园区最大净负荷，pmin为园区最小净负荷；
47、b、新能源消纳率最高
48、考虑园区中的新能源发电供给充电桩，从而降低园区内用车的污染物排放，因此，园区内的新能源消纳率要达到最高：
49、
50、式中，xi为新能源机组第i时段的发电量；ei为电动汽车第i时段的充电需求量；s1＝{i|1≤i≤n,ei≥xi}，表示此时间段内新能源发电量小于电动汽车的充电需求；s2＝{i|1≤i≤n,ei＜xi}，表示此时间段内新能源发电量大于电动汽车的充电需求；n为时间段的数量，λ为消纳率；
51、为使得数据分析方便，将新能源消纳率指标转化为极小型指标，其目标函数f2表示为：
52、minf2＝1-λ
53、c、充电费用最少
54、分时电价的设置会使部分用户选择在电价低的用电低谷充电，减小了园区向上层电网的购电成本，同时减小了负荷峰值从而减轻了电网的压力，充电费用最小的目标函数f3表示为：
55、
56、式中，πi为i时段的电价；ω为新能源发电的平均度电成本；
57、s32：将以上三个目标进行加权处理，得到电动汽车有序充电的目标函数f为：
58、
59、式中，f1,max、f2,max、f3,max为各目标函数的最大值，μ1、μ2、μ3为各个目标函数的加权系数，且满足μ1+μ2+μ3＝1，加权系数的大小根据优化时目标的重要程度确定。
60、进一步，在步骤s4中，采用精英遗传算法求解电动汽车有序充电的多目标优化模型并下达至各电动汽车，具体步骤如下：
61、s41：开始，初始化阶段，准备算法运行所需的所有参数和设置；
62、s42：设定适应度函数，即电动汽车有序充电的目标函数；设定种群大小、交叉概率、变异概率和迭代次数阈值；
63、s43：根据电动汽车接入充电桩时刻的基本出行信息产生初始种群并计算初始的适应度函数值；
64、s44：检查迭代次数，如果当前迭代次数小于设定的迭代阈值，则执行步骤s45；否则，跳转到步骤s47；
65、s45：根据交叉概率，随机选择种群中的个体进行交叉操作，生成新的子代个体；交叉后的个体，根据变异概率进行基因变异操作，以增加种群的多样性；
66、s46：将父代中适应度高的个体即精英个体，按设定比例保留，替换子代中适应度低的个体，形成下一代种群，跳转到步骤s44；
67、s47：输出适应度值最大的个体，即电动汽车的有序充电计划，至此，算法结束，输出结果；
68、s48：由电动汽车有序充电的系统架构中的充电站控制器下发各电动汽车的有序充电计划指令至各电动汽车。
69、本发明与现有技术相比，具有如下优点与有益效果：
70、1、在有序充电模式下，电动汽车相当于灵活性负荷以及等效储能，可以发挥灵活性负荷以及等效储能的特性优势，成为电网中的优质灵活性资源，促进可再生能源的消纳，可使净负荷更加平均，优化了电网负荷结构，起到了“削峰填谷”的作用。
71、2、建立不同功能区的电动汽车充电特性模型能够更精准地满足各区域电动汽车的充电需求，避免资源的浪费和过度配置，同时可以优化充电设施的布局，确保充电设施在地理位置、数量、类型等方面与电动汽车的充电需求相匹配。
72、3、所提精英遗传算法求解本发明所提电动汽车有序充电的多目标优化模型，相较于传统的遗传算法，具有更加良好的收敛性，同时在寻优效果上也表现更为出色，具有良好的稳定性。
1.基于精英遗传算法的电动汽车有序充电方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于精英遗传算法的电动汽车有序充电方法，其特征在于，在步骤s1中，所述电动汽车有序充电数学模型具体如下：
3.根据权利要求1所述的基于精英遗传算法的电动汽车有序充电方法，其特征在于，在步骤s2中，不同功能区的电动汽车充电特性模型具体如下：
4.根据权利要求1所述的基于精英遗传算法的电动汽车有序充电方法，其特征在于，在步骤s3中，建立电动汽车有序充电的多目标优化模型，具体步骤如下：
5.根据权利要求1所述的基于精英遗传算法的电动汽车有序充电方法，其特征在于，在步骤s4中，采用精英遗传算法求解电动汽车有序充电的多目标优化模型并下达至各电动汽车，具体步骤如下：
