一种电动汽车的充放电控制方法、装置、设备及存储介质与流程

[0001]
本发明涉及电力系统领域，特别是涉及一种电动汽车的充放电控制方法、装置、设备及存储介质。


背景技术：

[0002]
随着分布式电源、分布式储能、可控负荷等分布式能源接入配电网，配电网侧负荷和电源结构发生了深刻的变化，配电网概念也经历了从传统配电网、智能配电网、主动配电网到主动配电系统的变迁。对电网而言，分布式发电装置的接入使得配电网内部以及输、配电网之间的功率流动由单向变为双向；用户的间歇性，且具有发电和用电的双重身份，双向、互动的供需关系将在未来输、配电网与用户之间逐步形成。
[0003]
对于电动汽车充电站来说，以更快的速度进入配电系统是一个重要的趋势。但在现有的以固定的充放电功率来控制电动汽车充放电的条件下，由于电动汽车的充放电行为具有盲目性和随机性，在原有配电网负载的基础上会造成负荷峰谷差增大等问题，使配电系统承担更大的压力。


技术实现要素：

[0004]
本发明的目的是提供一种电动汽车的充放电控制方法、装置、设备及存储介质，用于降低电动汽车充放电行为给配电网带来的压力，维护配电网健康运行。
[0005]
为解决上述技术问题，本发明提供一种电动汽车的充放电控制方法，包括：
[0006]
以目标充电站的电动汽车充放电总功率为负载，求解所述电动汽车充放电总功率对所述目标充电站接入的配电网造成的总网损；
[0007]
根据所述总网损和所述配电网的电路参数建立配电网网损最小优化模型；
[0008]
求解所述配电网网损最小优化模型，得到预设周期内的分时段电动汽车充放电功率设置方案；
[0009]
利用所述分时段电动汽车充放电功率设置方案控制所述目标充电站的电动汽车充放电功率。
[0010]
可选的，所述以目标充电站的电动汽车总功率为负载，求解所述电动汽车总功率对所述目标充电站接入的配电网造成的网损，具体通过下述公式计算得到：
[0011][0012][0013][0014]
[0015]
其中，p
main,t
为t时刻所述配电网的节点注入功率，p
l
'
,t
为t时刻的所述电动汽车充放电总功率，x
i,t
为所述配电网中节点i的电压的平方，g
ij
为所述配电网中节点i与节点j之间的线路电导，b
ij
为所述配电网中节点i与节点j之间的线路电纳，u
i,t
为所述配电网中节点i的电压，u
j,t
为所述配电网中节点j的电压，θ
ij,t
为所述配电网中节点i与节点j之间的相角差，为t时刻所述配电网中节点i与节点j之间的支路电流，x
j,t
为配电网中节点j的电压的平方，为所述配电网中节点i与节点j之间的支路电流平方的最大值，p
l
为所述电动汽车充放电造成的网损，r
ij
为所述配电网中节点i与节点j之间的线路电阻。
[0016]
可选的，所述配电网网损最小优化模型的目标函数具体通过下式表示：
[0017]
minf＝p
l
+λ
v
·
f
v
+λ
q
·
f
q
[0018]
所述配电网网损最小优化模型的约束条件具体通过下式表示：
[0019][0020][0021][0022]
其中，f为所述总网损，λ
v
为电压惩罚系数，f
v
为状态变量电压的越界惩罚函数，λ
q
为无功惩罚系数，f
q
为状态变量无功的越界惩罚函数，n
g
为发电机节点数，v
g
为发电机节点g的节点电压，v
gmin
为所述发电机节点g的节点电压下线值，v
gmax
为所述发电机节点g的节点电压上线值，q
g
为所述发电机节点g的状态变量无功，q
gmin
为所述发电机节点g的状态变量无功下限值，q
gmax
为所述发电机节点g的状态变量无功上限值，n
g
为所述配电网的节点数，v
j
为所述配电网中节点j的电压值，g
ij
为所述配电网节点导纳矩阵中节点i与节点j之间的电导，δ
ij
为所述配电网中节点i与节点j之间的相位差，b
ij
为所述配电网节点导纳矩阵中节点i与节点j之间的电纳，t
g
为所述发电机节点g的可调节变压器变比，t
gmin
为所述发电机节点g的可调节变压器变比下限值，t
gmax
为所述发电机节点g的可调节变压器变比上限值，c
g
为所述发电机节点g的节点补偿量，c
gmin
为所述发电机节点g的节点补偿量下限值，c
gmax
为所述发电机节点g的节点补偿量上限值。
[0023]
可选的，所述配电网网损最小优化模型的目标函数具体通过下式表示：
[0024]
minf＝p
l
+λ
v
·
f
v
+λ
p
·
f
p
+λ
q
·
f
q
[0025]
所述配电网网损最小优化模型的约束条件具体通过下式表示：
[0026][0027][0028][0029]
其中，f为所述总网损，λ
v
为电压惩罚系数，f
v
为状态变量电压的越界惩罚函数，λ
p
为有功惩罚系数，f
p
为状态变量有功的越界惩罚函数，λ
q
为无功惩罚系数，f
q
为状态变量无功的越界惩罚函数，n
g
为发电机节点数，v
g
为发电机节点g的节点电压，v
gmin
为所述发电机节点g的节点电压下线值，v
gmax
为所述发电机节点g的节点电压上线值，p
g
为所述发电机节点g的状态变量有功，p
gmin
为所述发电机节点g的状态变量有功下限值，p
gmax
为所述发电机节点g的状态变量有功上限值，q
g
为所述发电机节点g的状态变量无功，q
gmin
为所述发电机节点g的状态变量无功下限值，q
gmax
为所述发电机节点g的状态变量无功上限值，n
g
为所述配电网的节点数，v
j
为所述配电网中节点j的电压值，g
ij
为所述配电网节点导纳矩阵中节点i与节点j之间的电导，δ
ij
为所述配电网中节点i与节点j之间的相位差，b
ij
为所述配电网节点导纳矩阵中节点i与节点j之间的电纳，t
g
为所述发电机节点g的可调节变压器变比，t
gmin
为所述发电机节点g的可调节变压器变比下限值，t
gmax
为所述发电机节点g的可调节变压器变比上限值，c
g
为所述发电机节点g的节点补偿量，c
gmin
为所述发电机节点g的节点补偿量下限值，c
gmax
为所述发电机节点g的节点补偿量上限值。
[0030]
可选的，所述求解所述配电网网损最小优化模型，得到预设周期内的分时段电动汽车充放电功率设置方案，具体包括：
[0031]
以所述分时段电动汽车充放电功率设置方案为个体，以单位时段的电动汽车充放电功率为基因，以网损为适应度，基于所述电动汽车充放功率限制范围，生成初始种群；
[0032]
以所述初始种群为父代种群；
[0033]
对所述父代种群进行交叉运算和变异运算中的至少一种运算，得到子代种群；
[0034]
判断所述子代种群是否满足收敛条件；
[0035]
如果是，则输出所述子代种群对应的分时段电动汽车充放电功率设置方案以及所述子代种群对应的总网损；
[0036]
如果否，则以所述子代种群为父代种群，返回对所述父代种群进行交叉运算和变异运算中的至少一种运算，得到子代种群的步骤。
[0037]
可选的，所述以所述分时段电动汽车充放电功率设置方案为个体，以单位时段的电动汽车充放电功率为基因，以网损为适应度，基于所述电动汽车充放功率限制范围，生成初始种群，具体为：
[0038]
以所述个体为粒子，以所述基因为所述粒子的位置信息，基于所述电动汽车充放功率限制范围，生成所述初始种群；
[0039]
相应的，所述对所述父代种群进行交叉运算和变异运算中的至少一种运算，得到子代种群，具体包括：
[0040]
采用随机权重策略更新各所述粒子的速度和各所述粒子的位置信息；
[0041]
判断各所述粒子的速度和各所述粒子的位置信息是否均在规定范围内；
[0042]
如果是，则对所述父代种群，根据预设交叉率进行模拟二机制交叉运算，根据预设变异率进行多项式变异运算；判断各所述粒子的速度和各所述粒子的位置信息是否均在所述规定范围内；如果是，则根据各所述粒子的速度和各所述粒子的位置信息更新所述父代种群，得到所述子代种群；如果否，则返回所述对所述父代种群，根据预设交叉率进行模拟二机制交叉运算，根据预设变异率进行多项式变异运算的步骤；
[0043]
如果否，则返回所述采用随机权重策略更新各所述粒子的速度和各所述粒子的位置信息的步骤。
[0044]
可选的，所述收敛条件具体为：
[0045]
满足算法达到预设迭代次数、算法收敛性计算结果达到预设阈值以及所述子代种群对应的总网损达到目标网损中的至少一个条件。
[0046]
为解决上述技术问题，本发明还提供一种电动汽车的充放电控制装置，包括：
[0047]
第一求解单元，用于以目标充电站的电动汽车充放电总功率为负载，求解所述电动汽车充放电总功率对所述目标充电站接入的配电网造成的总网损；
[0048]
建模单元，用于根据所述总网损和所述配电网的电路参数建立配电网网损最小优化模型；
[0049]
第二求解单元，用于求解所述配电网网损最小优化模型，得到预设周期内的分时段电动汽车充放电功率设置方案；
[0050]
控制单元，用于利用所述分时段电动汽车充放电功率设置方案控制所述目标充电站的电动汽车充放电功率。
[0051]
为解决上述技术问题，本发明还提供一种电动汽车的充放电控制设备，包括：
[0052]
存储器，用于存储指令，所述指令包括上述任意一项所述电动汽车的充放电控制方法的步骤；
[0053]
处理器，用于执行所述指令。
[0054]
为解决上述技术问题，本发明还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述电动汽车的充放电控制方法的步骤。
[0055]
本发明所提供的电动汽车的充放电控制方法，首先以目标充电站的电动汽车充放电总功率为负载，求解电动汽车充放电总功率对目标充电站接入的配电网造成的总网损，而后根据总网损和配电网的电路参数建立配电网网损最小优化模型，求解配电网网损最小优化模型，得到预设周期内的分时段电动汽车充放电功率设置方案，再利用分时段电动汽车充放电功率设置方案控制目标充电站的电动汽车充放电功率。通过以配电网网损最小为
优化目标确立目标充电站预设周期内的分时段电动汽车充放电功率设置方案来控制目标充电站的电动汽车充放电功率，降低电动汽车充放电行为对配电网峰谷差的影响，减轻电动汽车充放电行为给配电网带来的压力，促进配电网健康稳定运行。
[0056]
本发明还提供一种电动汽车的充放电控制装置、设备及存储介质，具有上述有益效果，在此不再赘述。
附图说明
[0057]
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0058]
图1为本发明实施例提供的一种电动汽车的充放电控制方法的流程图；
[0059]
图2为本发明实施例提供的一种图1中步骤s103的具体实施方式的流程图；
[0060]
图3为本发明实施例提供的另一种图1中步骤s103的具体实施方式的流程图；
[0061]
图4为本发明实施例提供的一种电动汽车的充放电控制装置的结构示意图；
[0062]
图5为本发明实施例提供的一种电动汽车的充放电控制设备的结构示意图。
具体实施方式
[0063]
本发明的核心是提供一种电动汽车的充放电控制方法、装置、设备及存储介质，用于降低电动汽车充放电行为给配电网带来的压力，维护配电网健康运行。
[0064]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0065]
图1为本发明实施例提供的一种电动汽车的充放电控制方法的流程图。
[0066]
如图1所示，本发明实施例提供的电动汽车的充放电控制方法包括：
[0067]
s101：以目标充电站的电动汽车充放电总功率为负载，求解电动汽车充放电总功率对目标充电站接入的配电网造成的总网损。
[0068]
s102：根据总网损和配电网的电路参数建立配电网网损最小优化模型。
[0069]
s103：求解配电网网损最小优化模型，得到预设周期内的分时段电动汽车充放电功率设置方案。
[0070]
s104：利用分时段电动汽车充放电功率设置方案控制目标充电站的电动汽车充放电功率。
[0071]
现有技术中，电动汽车充电站采用固定的充放电功率来控制电动汽车充放电，导致电动汽车充放电行为给配电网带来的压力越来越大。本发明实施例提供的电动汽车的充放电控制方法，以对配电网造成的网损最小为优化目标，设计预设周期内的分时段电动汽车充放电功率方案，在一个预设周期内，各个时段采用不同的电动汽车充放电功率来控制电动汽车充放电对配电网的影响。
[0072]
在具体实施中，可以以一天为一个预设周期，以一小时为一个时段，则生成一天中
二十四个小时的电动汽车充放电功率设置方案。
[0073]
对于步骤s101来说，配电网中某一点解除后通过充电站给电动汽车充电。将电动汽车充放电的总功率看作一个负载接入配电网，加入配电网的网损求解，网损或线损指的是电能输送过程中以热能形式散发的功率损失，即为电阻、电导消耗的有功功率，则电动汽车充放电造成的网损具体可以通过下述公式计算得到：
[0074][0075][0076][0077][0078]
其中，p
main,t
为t时刻配电网的节点注入功率，p
l
'
,t
为t时刻的电动汽车充放电总功率，x
i,t
为配电网中节点i的电压的平方，g
ij
为配电网中节点i与节点j之间的线路电导，b
ij
为配电网中节点i与节点j之间的线路电纳，u
i,t
为配电网中节点i的电压，u
j,t
为配电网中节点j的电压，θ
ij,t
为配电网中节点i与节点j之间的相角差，为t时刻配电网中节点i与节点j之间的支路电流，x
j,t
为配电网中节点j的电压的平方，为配电网中节点i与节点j之间的支路电流平方的最大值，p
l
为电动汽车充放电造成的网损，r
ij
为配电网中节点i与节点j之间的线路电阻。
[0079]
对于步骤s102来说，建立配电网网损最小优化模型，即建立电动汽车充放电造成的网损最小函数，可以通过下式表示：
[0080]
minf＝p
l
+λ
v
·
f
v
+λ
q
·
f
q
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0081]
配电网网损最小优化模型的约束条件具体通过下式表示：
[0082][0083][0084][0085]
其中，f为总网损，λ
v
为电压惩罚系数，f
v
为状态变量电压的越界惩罚函数，λ
q
为无功惩罚系数，f
q
为状态变量无功的越界惩罚函数，n
g
为发电机节点数，v
g
为发电机节点g的节点电压，v
gmin
为发电机节点g的节点电压下线值，v
gmax
为发电机节点g的节点电压上线值，q
g
为发电机节点g的状态变量无功，q
gmin
为发电机节点g的状态变量无功下限值，q
gmax
为发电机
节点g的状态变量无功上限值，n
g
为配电网的节点数，v
j
为配电网中节点j的电压值，g
ij
为配电网节点导纳矩阵中节点i与节点j之间的电导，δ
ij
为配电网中节点i与节点j之间的相位差，b
ij
为配电网节点导纳矩阵中节点i与节点j之间的电纳，t
g
为发电机节点g的可调节变压器变比，t
gmin
为发电机节点g的可调节变压器变比下限值，t
gmax
为发电机节点g的可调节变压器变比上限值，c
g
为发电机节点g的节点补偿量，c
gmin
为发电机节点g的节点补偿量下限值，c
gmax
为发电机节点g的节点补偿量上限值。
[0086]
其中，建立状态变量的越界惩罚函数f
v
和f
q
，当相关参数超出允许范围时，通过越界惩罚函数予以校正。视所需求解速度的要求调整越界惩罚函数的系数，如增加越界惩罚系数来提高惩罚，进而尽快筛除不符合实际情况的方案。
[0087]
优选的，在配电网网损最小优化模型中加入有功参数，则除了上述式(8)至式(11)所示的模型外，还可以建立如下式(9)至式(12)所示的模型。其中，配电网网损最小优化模型的目标函数具体通过下式表示：
[0088]
minf＝p
l
+λ
v
·
f
v
+λ
p
·
f
p
+λ
q
·
f
q
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0089]
配电网网损最小优化模型的约束条件具体通过下式表示：
[0090][0091][0092][0093]
其中，f为总网损，λ
v
为电压惩罚系数，f
v
为状态变量电压的越界惩罚函数，λ
p
为有功惩罚系数，f
p
为状态变量有功的越界惩罚函数，λ
q
为无功惩罚系数，f
q
为状态变量无功的越界惩罚函数，n
g
为发电机节点数，v
g
为发电机节点g的节点电压，v
gmin
为发电机节点g的节点电压下线值，v
gmax
为发电机节点g的节点电压上线值，p
g
为发电机节点g的状态变量有功，p
gmin
为发电机节点g的状态变量有功下限值，p
gmax
为发电机节点g的状态变量有功上限值，q
g
为发电机节点g的状态变量无功，q
gmin
为发电机节点g的状态变量无功下限值，q
gmax
为发电机节点g的状态变量无功上限值，n
g
为配电网的节点数，v
j
为配电网中节点j的电压值，g
ij
为配电网节点导纳矩阵中节点i与节点j之间的电导，δ
ij
为配电网中节点i与节点j之间的相位差，b
ij
为配电网节点导纳矩阵中节点i与节点j之间的电纳t
g
为发电机节点g的可调节变压器变比，t
gmin
为发电机节点g的可调节变压器变比下限值，t
gmax
为发电机节点g的可调节变压
器变比上限值，c
g
为发电机节点g的节点补偿量，c
gmin
为发电机节点g的节点补偿量下限值，c
gmax
为发电机节点g的节点补偿量上限值。
[0094]
对于步骤s103来说，可以通过遗传算法、粒子群算法等来求解配电网网损最小优化模型，得到预设周期内的分时段电动汽车充放电功率设置方案，如一天中24小时各个小时的电动汽车充放电功率，该方案满足配电网约束条件且使电动汽车充放电行为给配电网带来的网损最小。
[0095]
对于步骤s104来说，利用步骤s103求解得到的分时段电动汽车充放电功率设置方案来控制目标充电站的电动汽车充放电功率，实现不同时段以不同的充放电功率提供给前来进行充放电的电动汽车，从降低配电网网损的角度优化电动汽车的充放电行为。
[0096]
本发明实施例提供的电动汽车的充放电控制方法，首先以目标充电站的电动汽车充放电总功率为负载，求解电动汽车充放电总功率对目标充电站接入的配电网造成的总网损，而后根据总网损和配电网的电路参数建立配电网网损最小优化模型，求解配电网网损最小优化模型，得到预设周期内的分时段电动汽车充放电功率设置方案，再利用分时段电动汽车充放电功率设置方案控制目标充电站的电动汽车充放电功率。通过以配电网网损最小为优化目标确立目标充电站预设周期内的分时段电动汽车充放电功率设置方案来控制目标充电站的电动汽车充放电功率，降低电动汽车充放电行为对配电网峰谷差的影响，减轻电动汽车充放电行为给配电网带来的压力，促进配电网健康稳定运行。
[0097]
图2为本发明实施例提供的一种图1中步骤s103的具体实施方式的流程图。
[0098]
在上述实施例的基础上，本发明实施例提供一种采用遗传算法求解配电网网损最小优化模型的具体实施方式。如图2所示，步骤s103：求解配电网网损最小优化模型，得到预设周期内的分时段电动汽车充放电功率设置方案，具体包括：
[0099]
s201：以分时段电动汽车充放电功率设置方案为个体，以单位时段的电动汽车充放电功率为基因，以网损为适应度，基于电动汽车充放功率限制范围，生成初始种群。
[0100]
s202：以初始种群为父代种群。
[0101]
s203：对父代种群进行交叉运算和变异运算中的至少一种运算，得到子代种群。
[0102]
s204：判断子代种群是否满足收敛条件；如果是，则进入步骤s205；如果否，则进入步骤s206。
[0103]
s205：输出子代种群对应的分时段电动汽车充放电功率设置方案以及子代种群对应的总网损。
[0104]
s206：以子代种群为父代种群，返回步骤s203。
[0105]
在具体实施中，对于步骤s201来说，对算法进行初始化，设置最大迭代次数、种群规模、学习常数、交叉率、变异率。可以设置最大迭代次数为200次，种群规模为100，学习常数可以设置为1.49445，交叉率可以设置为p
c
＝0.7，变异率可以设置为p
m
＝0.1。设置电动汽车充放电功率的最大值和最小值，在该范围内随机生成数值，可以采用标幺值计算，则所用范围即为[0 1]。以分时段电动汽车充放电功率设置方案为个体，以单位时段的电动汽车充放电功率为基因，以网损为适应度，基于电动汽车充放功率限制范围，生成初始种群，记为第一代种群。个体的适应度即为通过式(5)(或式(9))计算得到的目标函数值。
[0106]
对于步骤s202来说，步骤s201得到的初代种群中有100个个体，每个个体对应着一个分时段电动汽车充放电功率设置方案，其上的基因为单位时段的电动汽车充放电功率。
[0107]
对于步骤s203来说，对父代种群进行交叉运算，即对两个个体的部分基因交换位置。对父代种群进行变异运算，即将一些个体中的某些基因进行更改。
[0108]
对于步骤s204来说，判断子代种群是否满足设定的收敛条件，如算法的运算是否达到了预设迭代次数，算法收敛性计算结果是否达到预设阈值，子代种群对应的总网损是否达到目标网损。或，满足算法达到预设迭代次数、算法收敛性计算结果达到预设阈值以及子代种群对应的总网损达到目标网损中的至少一个条件，即认为子代种群满足了设定的收敛条件。其中，算法收敛性计算结果可以通过下式计算得到：
[0109][0110]
其中，f
k
为第k次迭代运算对应的目标函数值，f
k-1
为第k-1次迭代运算对应的目标函数值。
[0111]
当通过式(13)计算得到ε小于预设阈值时，可以认为子代种群满足设定的收敛条件。
[0112]
若满足收敛条件，则输出子代种群对应的分时段电动汽车充放电功率设置方案以及子代种群对应的总网损以供目标充电站参考。
[0113]
若不满足收敛条件，则继续进行迭代运算，以子代种群为父代种群，进行交叉运算和变异运算中的至少一种运算，再次得到子代种群后，返回步骤s203。
[0114]
图3为本发明实施例提供的另一种图1中步骤s103的具体实施方式的流程图。
[0115]
图2所示的实施例提供了一种通过遗传算法求解配电网网损最小优化模型的具体实施方式，在此基础上，本发明实施例提供一种更优的求解配电网网损最小优化模型的具体实施方式。如图3所示，在图2所示方案的基础上，步骤s201：以分时段电动汽车充放电功率设置方案为个体，以单位时段的电动汽车充放电功率为基因，以网损为适应度，基于电动汽车充放功率限制范围，生成初始种群，具体为：
[0116]
s301：以个体为粒子，以基因为粒子的位置信息，基于电动汽车充放功率限制范围，生成初始种群。
[0117]
相应的，步骤s203：对父代种群进行交叉运算和变异运算中的至少一种运算，得到子代种群，具体包括：
[0118]
s302：采用随机权重策略更新各粒子的速度和各粒子的位置信息。
[0119]
s303：判断各粒子的速度和各粒子的位置信息是否均在规定范围内；如果是，则进入步骤s304；如果否，则返回步骤s302。
[0120]
s304：对父代种群，根据预设交叉率进行模拟二机制交叉运算，根据预设变异率进行多项式变异运算；
[0121]
s305：判断各粒子的速度和各粒子的位置信息是否均在规定范围内；如果是，则进入步骤s306；如果否，则返回步骤s304。
[0122]
s306：根据各粒子的速度和各粒子的位置信息更新父代种群，得到子代种群。
[0123]
在本发明实施例中，采用了改进的遗传粒子群(ga_pso)算法来求解配电网网损最小优化模型，加快算法收敛速度。
[0124]
对于步骤s301来说，进行算法初始化，除了上述实施例中对步骤s201的说明外，还包括速度最大值、速度最小值。其中，速度最大值可以设置为1，速度最小值可以设置为-1。
此处电动汽车充放电功率即为算法中粒子的位置变量。
[0125]
在进行步骤s302之前，先进行初始网损的求取。调用牛顿-拉夫逊法，在满足式(2)至(3)、(7)至(8)(或(11)至(12))的前提下，由式(5)(或式(9))来计算每次的越界惩罚量，计入每次的目标函数值内。
[0126]
对于步骤s302来说，本发明实施例为提高算法的效率，采用随机权重策略，使得微粒历史速度对当前速度的影响是随机的。如果在进化初期接近最好点，随机变量权重ω可能产生相对小的值，加快算法的收敛速度。另外，随机变量权重ω可以克服由于ω线性递减收敛不到最好点的局限。随机变量权重ω的计算公式为：
[0127][0128]
其中，μ为随机惯性权重，μ
min
为随机惯性权重最小值，μ
max
为随机惯性权重最大值，rand(0,1)表示0到1之间的随机数，σ为随机变量权重ω与随机变量权重ω的数学期望之间的偏差值，n(0,1)表示标准正态分布的随机数。μ
min
可以设置为0.5，μ
max
可以设置为0.8，σ可以设置为0.2。
[0129]
粒子的速度和位置的更新公式为：
[0130][0131]
对于步骤s303来说，检验粒子速度和粒子位置是否均在对应的规定范围内，若超出，则令它们分别为各自的最大值；若不足，则令它们分别为各自的最小值。
[0132]
对于步骤s304来说，本发明实施例采用模拟二机制交叉运算和多项式变异运算，具体计算公式如下：
[0133][0134][0135][0136][0137]
其中，x
1j
、x
2j
、为两个个体的染色体上基因交叉前后的信息，x
i
、为第i个个体的染色体上基因变异前后的信息，μ
j
为区间[0,1]之间的随机数，η为分布指数(可取20)。
[0138]
而后进入步骤s305再次判断各粒子的速度和各粒子的位置信息是否均在规定范围内，若不在规定范围，则返回步骤s304重新进行交叉运算和变异运算；若符合要求，则再
次调用牛顿-拉夫逊法计算种群个体中目标函数最小值，并保存此时的位置变量，将此时的位置变量与上一次迭代运算记录的位置变量进行比较，若仍小于，则保留此次目标函数值及位置变量，进入步骤s306，根据各粒子的速度和各粒子的位置信息更新父代种群，得到子代种群；否则仍保留前一次的值。
[0139]
上文详述了电动汽车的充放电控制方法对应的各个实施例，在此基础上，本发明还公开了与上述方法对应的电动汽车的充放电控制装置、设备及存储介质。
[0140]
图4为本发明实施例提供的一种电动汽车的充放电控制装置的结构示意图。
[0141]
如图4所示，本发明实施例提供的电动汽车的充放电控制装置包括：
[0142]
第一求解单元401，用于以目标充电站的电动汽车充放电总功率为负载，求解电动汽车充放电总功率对目标充电站接入的配电网造成的总网损；
[0143]
建模单元402，用于根据总网损和配电网的电路参数建立配电网网损最小优化模型；
[0144]
第二求解单元403，用于求解配电网网损最小优化模型，得到预设周期内的分时段电动汽车充放电功率设置方案；
[0145]
控制单元404，用于利用分时段电动汽车充放电功率设置方案控制目标充电站的电动汽车充放电功率。
[0146]
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
[0147]
图5为本发明实施例提供的一种电动汽车的充放电控制设备的结构示意图。
[0148]
如图5所示，本发明实施例提供的电动汽车的充放电控制设备包括：
[0149]
存储器510，用于存储指令，所述指令包括上述任意一项实施例所述的电动汽车的充放电控制方法的步骤；
[0150]
处理器520，用于执行所述指令。
[0151]
其中处理器520可以包括一个或多个处理核心比如3核心处理器、8核心处理器等。处理器520可以采用数字信号处理dsp(digital signal processing)、现场可编程门阵列fpga(field－programmable gate array)、可编程逻辑阵列pla(programmable logic array)中的至少一种硬件形式来实现。处理器520也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器cpu(central processing unit)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器520可以集成有图像处理器gpu(graphics processing unit)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器520还可以包括人工智能ai(artificial intelligence)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0152]
存储器510可以包括一个或多个存储介质，该存储介质可以是非暂态的。存储器510还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器510至少用于存储以下计算机程序511，其中，该计算机程序511被处理器520加载并执行之后，能够实现前述任一实施例公开的电动汽车的充放电控制方法中的相关步骤。另外，存储器510所存储的资源还可以包括操作系统512和数据513等，存储方式可以是短暂存储或者永久存储。其中，操作系统512可以为windows。数据513可
以包括但不限于上述方法所涉及到的数据。
[0153]
在一些实施例中，电动汽车的充放电控制设备还可包括有显示屏530、电源540、通信接口550、输入输出接口560、传感器570以及通信总线580。
[0154]
本领域技术人员可以理解，图5中示出的结构并不构成对电动汽车的充放电控制设备的限定，可以包括比图示更多或更少的组件。
[0155]
本申请实施例提供的电动汽车的充放电控制设备，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如上所述的电动汽车的充放电控制方法，效果同上。
[0156]
需要说明的是，以上所描述的装置、设备实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0157]
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0158]
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本发明各个实施例所述方法的全部或部分步骤。
[0159]
为此，本发明实施例还提供一种存储介质，该存储介质上存储有计算机程序，计算机程序被处理器执行时实现如电动汽车的充放电控制方法的步骤。
[0160]
该存储介质可以包括：u盘、移动硬盘、只读存储器rom(read-only memory)、随机存取存储器ram(random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0161]
本实施例中提供的存储介质所包含的计算机程序能够在被处理器执行时实现如上所述的电动汽车的充放电控制方法的步骤，效果同上。
[0162]
以上对本发明所提供的一种电动汽车的充放电控制方法、装置、设备及存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备及存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
[0163]
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那
些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除