[发明专利]一种考虑交通拥堵因素下的电动汽车充放电方法

摘要

本发明涉及了一种考虑交通拥堵因素下的电动汽车充放电方法。为了更加贴近用户真实场景进行电动汽车充放电优化，本发明基于交通拥堵因素这一实际情况，利用深度学习中的卷积神经网络对交通道路照片进行实时处理，判断当前交通道路的拥堵程度，通过交通道路的拥堵状态对用户出行时间的影响，对电动汽车开始充电时刻进行建模，在此基础上，综合考虑电池能量需求和用户出行需求，建立电网侧峰谷差率和用户用电总成本的多目标目标函数，采用遗传算法求解得到电动汽车集群的充放电方案，验证了其有效性，模型贴近真实场景，具有非常现实的指导意义。

主权项

1.一种考虑交通拥堵因素下的电动汽车充放电方法，其特征在于该方法具体包括以下各步骤：步骤(1)采用卷积神经网络算法获取当前交通道路拥挤程度；步骤(2)建立交通拥堵影响下的用户结束行程时间模型；步骤(3)建立电动汽车电池电荷状态模型：电动汽车电池电荷状态表示为当前电池电荷的百分比；计算公式如下：这里t为离散的采样时刻，t＝1,2,...,24，S(t)表示t时刻电动汽车的电池电荷状态，C_max表示电动汽车电池总容量，S(t)表示电动汽车在t时刻的电荷状态，Δt为时间间隔，S(t+Δt)表示电动汽车在时刻t+Δt的电荷状态，η_c、η_f分别为电动汽车的充放电功率；步骤(4)建立以电网峰谷差率和用户用电总成本的多目标优化函数：步骤(4‑1)建立电网峰谷差率目标函数：电网某一时间周期内的最高负荷与最低负荷之差为电网负荷的峰谷差，峰谷差与最高负荷的比率为电网负荷的峰谷差率，以日为时间周期，称为日峰谷差率；电网日总负荷为：电网网峰谷差率为：这里的P_n,i表示i时刻电网的基础负荷，P_c,k,i表示第j辆电动汽车在i时刻的充电功率，为正,P_f,k,i表示第j辆电动汽车在i时刻的放电功率，为负，P表示电网日总负荷，P_i表示所有电动汽车参与下，i时刻的总负荷，f₁表示电网日峰谷差率,i为时间，k为电动汽车的个数，min表示最小值，max表示最大值；步骤(4‑2)用户用电总成本：用户的充电总成本减去用户放电的总收益，电动汽车用电成本越低，用户参与电网负荷调控的积极性响应度也就越高；用户用电总成本为：这里的i为时间，P_c,i表示i时刻电动汽车充电总功率，P_f,i表示i时刻电动汽车放电总功率，E_c,i表示i时刻电动汽车充电价格，E_f,i表示i时刻电动汽车放电价格，f₂表示用户用电总成本,；步骤(5)建立电动汽车充放电约束条件:步骤(5‑1)电动汽车电池状态约束：电动汽车电池状态必须小于等于设定的电池状态的上限，必须大于等于设定的电池状态的下限；步骤(5‑2)电动汽车充放电功率限值约束：电动汽车充放电功率均不能超过其额定值；步骤(5‑3)参与调控电动汽车总量约束：充放电的电动汽车总量不能超过参与调控的用户总数；步骤(5‑4)用户出行需求约束：电动汽车的剩余电量应能满足用户的基本日常需求；公式如下：S_end≥S_need                          (6)这里的S_end表示电动汽车的剩余电量，S_end表示用户日常需求电量；步骤(5‑5)充放电时间约束：电动汽车充电和放电的时间应在用户到达目的地之后；公式为：这里的T_c,start表示电动汽车开始充电时间，T_f,start表示电动汽车开始放电时间，T_arrive表示用户到达时间；步骤(6)利用带精英策略的非支配排序的遗传算法NSGA‑II进行带约束条件的多目标优化，得到Pareto最优解集即为所有参与调控的电动汽车在各个时间段的最优充放电功率。