一种模拟电动汽车用户群实现充电费用优化的叠加模型

摘要

在实际应用中，随着电动汽车在全国范围内的普及和便利，电动汽车的充电问题成为社区关注的焦点，而目前集群文献中对于外来游客的真实电动汽车负荷模型的表示方法并不准确。为了精确求解该问题，本专利结合确定性模型，提出了一种考虑不确定性的随机迭代模型。通过对该区域居民的收费时长进行优化，与实时优化方法相比，降低了计算复杂度，并对基于粒子群优化（PSO）算法的组合模型进行了对比分析。与传统的收费方式相比，模型重构的结果表明，社区电力结构的变化程度较低，居民的电费也有所降低，说明了所提出的随机迭代模型的有效性。

说明书

技术领域

本专利适用于电动汽车充电用户集群电费优化预测模型的描述，对电费的优化尤其适用。

背景技术

图1表示正常负荷转换的常规曲线，它表示社区中的周期性用电量变化，而不考虑游客的影响。从曲线上可以看出，白天红线电涌发生在凌晨5:00到下午24:00之间，这意味着工作时间内的一般用电时间，这导致了午夜的电谷用电。该曲线分别表示上午10:30和下午17:30 近3100kWh的峰值。因此，近似轮换充电时间可以使用电量快速平稳波动，同时减轻社区用电设备的负担。

分时电价采购见表1，其表现的分时电价行为：零售价在午夜时低于0.31元/千瓦时，折扣为50.24％，为0.307元/千瓦时，而其余时段为0.617元/千瓦时，为减轻居民用电负担，提高调峰策略的政策渗透性，采取了表格化的方式。这一现状表明，从晚上22:00到下一个早上6:00，用电量是有价值和有价值的，这就提醒我们，与回家后立即充电的习惯形成鲜明对比的是，将充电时间缩短到夜间。

表1居民区峰谷电价表

在图2中，基于分时机制的负荷费率柱状图表示全天每小时的费用，描绘了每小时的成本。柱状图暗示了一种现象，即到达时间后的成本增加和峰值消费，这对居民来说是一种负担，并可能出现收费拥堵。

因此，考虑到居民习惯化的实用性和便利性，本文提出了基于粒子群优化的时间优化策略。居民到达和离开时间概率的原始曲线如图3所示，该曲线详细说明了在17:30左右达到峰值的概率为11.5％，在5:00左右达到峰值的概率为近0％。

最后一次出行到达时间为返程后接入电网，满足正态分布函数，其概率密度函数公式如下：

式中：μs＝17.47，σs＝3.41。曲线如图3所示。

由图3可知，到达时间主要集中在上午10:00到下午24:00之间，概率持续时间的比例见表2。

表2第1次出行返回与开始时间人群时间段比例分布表

发明内容

电动汽车充电负荷和一般负荷的需求弹性用矩阵(2)表示，随机负荷模型用公式表示

式中，E1代表充电和一般负载，每个单位可表示为

E

其中x被定义为批发规模的该矩阵的随机参数，而E2表示为访客的随机值，外加一个概率系数。

实际上，对于相同的矩阵计算，实际荷载由公式(4)表示。式(4)中，λ为整个模型的系数，表示随机模型相对于确定性模型的比例。随机模型在MATLAB中表示为聚类曲线和单个随机曲线，如图5所示。

矩阵方程(2)以矩阵的形式描述了一般荷载的特性，而公式(3)则表示随机荷载的特性，有效地表示了不确定性特征。

考虑到来自外部的游客的影响，有必要提出一个因子模型，该模型表示为随机注入与确定性状态相结合。随机数据如图4所示，它是从访问者那里随机获得的，图5展示了两个计数部分的组合。

电动汽车有序充电策略需要以电网方差和用户充电成本为基础，以总负荷稳定性为目标。根据前面的负荷曲线，对第二天的充电负荷进行优化。目标函数如下：

附图说明

图1常规负荷变换情况曲线图

图2基于分时电价机制下的负荷电费图

图3电动汽车用户出行时间概率密度曲线

(a)第1次出行返回时间概率密度曲线(b)第1次出行开始时间概率密度曲线

图4随机负荷模型曲线

(a)随机模型聚类曲线(b)随机模型曲线

图5确定性模型叠加随机模型的曲线图

(a)返回时间概率分布曲线图(b)出行时间概率分布曲线图

图6不同响应系数优化用户电费消费量对比图

(a)PSO算法负荷充电不同响应系数的负荷电费曲线(b)不同响应系数优化负荷电费消费对比图

具体实施方式

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。

本发明提供了如图1-6所示的一种模拟电动汽车用户群实现充电费用优化的叠加模型；

具体的，通过确定性模型参数与随机模型参数叠加的方法用于模拟小区内总用电用户群体聚类模型。其聚类模型可通过函数定义为：

E

其中E2表示聚类模型通式，E1表示一般负荷，E表示目标随机负荷模拟函数。

具体的，通过将前述叠加模型与用户参与度系数h结合，用以表示在不同情况下的负荷高峰及电费高峰存在关联性的特征。

具体的，通过PSO算法的优化后将充电高峰与负荷低谷进行用户充电时间段错峰充电一方面可以降低负荷高峰大小。

具体的，通过PSO算法的优化后还可降低用户充电电费，提高充电用户的参与积极性，即提高响应系数h。用户电费计量模式为：

式中f2为其目标表征函数，为电费计量式，△t为小时间隔；c

具体的，通过得到的数据集，其与时间映射到二维空间坐标得到目标计算曲线，计算曲线的对比分析反应了本方法的有效性。

图5展示了与确定性和随机模型数据相结合的曲线图，这些数据对社区居民和来自区域外的游客进行了建模，5％的比例与整体规模成比例，表明与图3中提到的模型相比，曲线的前景差异较小。对比图5和图3，可以明显地观察到在同一持续时间配置下，与谷值和峰值的区别。谐波曲线将用于模拟计算相关指标。

这里有几个细节描述了组织模型的特征。

1)

社区居民，在本研究中起决定作用的参数，如图3所示。通过对比分析，峰值代表到达和离开时间的比例概率最大值，分别为0.14和0.15，谷值代表比例概率最小值约为0.025。

2)

来自外部的新人，如图5所示，在分析中用随机注入参数表示，提高了计算研究的准确性。在考虑随机因素的情况下，利用系数的比例对不确定访客进行建模计算。

3)总能耗和方差，指的是本研究的一个指标，意味着最优值的波动性和稳定性战略。价值指数与进近的稳定性成正比，表明指数越高，不稳定和喘振越多，反之则越低，流体驱动力小，系统平稳。

为了反映电动汽车在社区的普及程度，本研究提出了h系数，证明了社区整体人口与整体居民的比例关系。在这里，系数的设置范围为[0:1]，步长为0.2。

表3不同响应系数优化电费对比情况

从图表和柱状图中得到的结果表明，在随机优化模型的估计水平，基于微分系数h值假设为总用电量的5％的情况下，小区的总用电量分别处于轻、中、重负荷条件下。