计及光伏出力的电动汽车日充电数量的优化配置方法技术

本发明专利技术提出了一种计及光伏出力的电动汽车日充电数量的优化配置方法。该方法首先分析用户出行需求计算得到初始电动汽车日充电负荷，并对光伏进行分类计算得到不同类型的典型光出力，在此基础上以电动汽车日充电数量为优化变量，以光伏出力与电动汽车日充电负荷两曲线重合面积最大为目标，针对不同类型分别利用基于图象处理的粒子群优化算法进行优化配置求解，输出不同类型的配置结果；再综合考虑得到固定光伏容量下其能满足的电动汽车日充电数量的最优配置结果。本方法可最大限度利用光伏出力为电动汽车提供电能，并对日后光伏发电系统的安装容量和电动汽车充电桩规划具有一定的参考价值。

【技术实现步骤摘要】

本专利技术涉及电动汽车充电
，尤其涉及一种计及光伏出力的电动汽车日充电数量的优化配置方法。
技术介绍
在能源危机和环境污染的双重压力下，可持续发展理念深入人心，人们开始把眼光放在开发新能源上，光伏发电由于其无污染无公害而获得大力的发展。而光伏出力具有较大的波动性和随机性，光伏并网要求系统具有较大的发电备用容量及输电网络容量，也会增加配电网的成本、降低效率。同时，新能源汽车的发展也越来越受到关注，其充电负荷具有随机性、间歇性的特征，规模化电动汽车入网充电会改变电网当前的负荷状况，对传统配电网造成了一定冲击。针对当前情况，要改变配网结构是非常困难的，而将光伏发电与电动汽车充电结合，可弥补其不足，利用光伏出力为电动汽车提供电能，既避免了其接入对配电网的影响，又充分发挥光伏发电系统的效益。当前国内外的研究成果已基本从技术和经济方面论证了该方法可行性，但在考虑用户出行需求和光伏出力情况的前提下，如何配置电动汽车日充电数量，是亟待研究的问题。
技术实现思路
本专利技术的实施例提供了一种计及光伏出力的电动汽车日充电数量的优化配置方法，以实现在考虑用户出行需求和光伏出力情况的前提下，有效地配
置电动汽车日充电数量。为了实现上述目的，本专利技术采取了如下技术方案。一种计及光伏出力的电动汽车日充电数量的优化配置方法，包括：在考虑停车时长的前提下计算出单个电动汽车的日充电功率，将多个电动汽车的日充电功率进行累加，得到电动汽车的基本充电负荷；对光伏出力进行分类，获取不同气象类型的光伏出力的权重和典型光伏出力；在光伏容量固定的情况下，配置以电动汽车日充电数量为优化变量，以光伏出力与电动汽车的日充电负荷两曲线重合面积最大为目标，对不同气象类型的光伏出力情况进行优化配置求解，得到电动汽车的日充电数量的最优配置结果。进一步地，所述的在考虑停车时长的前提下计算出单个电动汽车的日充电功率，将多个电动汽车的日充电功率进行累加，得到电动汽车的基本充电负荷，包括：对收集到的电动汽车出行数据进行统计，得到电动汽车的驶入时间Te、驶离时间Tl、充电起始荷电状态SOCini的概率密度分布；计算出电动汽车的停车时长Ts：Ts＝Tl-Te 公式1充满电所需时长Tn：Tn＝T*(1-SOCini)公式2其中，T是电动汽车由充电起始荷电状态SOCini＝0至充满电SOCini＝1时所需时长；而实际充电时长Ta由停车时长Ts和充满电所需充电时长Tn共同决定，其计算公式为：设需要充电的电动汽车的总数为N，抽取第k(k＝1,2….N)辆电动汽车的驶入时间Te，驶离时间Tl，充电起始荷电状态SOC后，根据上述公式1、公式2和公式3计算出第k辆车的实际充电时长Ta，再将实际充电时长Ta乘以功率Pe，得到第k辆车的日充电功率，将N辆车的日充电功率进行累加，得到电动汽车的基本充电负荷Pev(t)。进一步地，所述的对光伏出力进行分类，获取不同气象类型的光伏出力的权重和典型光伏出力，包括：结合收集到光伏容量为Cpv的光伏出力一年的历史数据及对应的气象数据，根据气象类型的特点将光伏出力分为晴天A1、阴天A2和雨天A3三种气象类型，并统计出所述晴天A1、阴天A2和雨天A3这三种气象类型分别所占的权重为：a1、a2和a3，分别将三种气象类型的光伏出力情况加权取平均，得到的晴天A1、阴天A2和雨天A3分别对应的典型光伏出力Pv1(t)、Pv2(t)、Pv3(t)。进一步地，所述的在光伏容量固定的情况下，配置以电动汽车日充电数量为优化变量，以光伏出力与电动汽车的日充电负荷两曲线重合面积最大为目标，对不同气象类型的光伏出力情况进行优化配置求解，得到电动汽车的日充电数量的最优配置结果，包括：对不同气象类型的光伏出力情况分别采用基于图象处理的粒子群优化算法进行优化配置求解，所述基于图象处理的粒子群优化算法的优化变量为电动汽车的日充电数量Nv，设电动汽车的基本充电负荷为Pev(t)，计算出电动汽车日充电负荷Pev_v(t)：Pev_v(t)＝Nv*Pev(t)/10 公式4优化目标为光伏出力曲线与电动汽车日充电负荷曲线重合面积Q最大；max Q(Pev_v(t),Pv(t)) 公式5其中，Pv(t)为待求解的气象类型对应的典型光伏出力；通过基于图象处理的粒子群优化算法求解所述公式5，得到待求解的气象类型对应的典型光伏出力对应的电动汽车的日充电数量的最优配置结果。进一步地，所述的通过基于图象处理的种群优化算法求解所述公式5，得到待求解的气象类型对应的典型光伏出力对应的电动汽车的日充电数量的最优配置结果，包括：输入电动汽车的基本充电负荷为Pev(t)和光伏出力Pv(t)数据；算法初始化，并产生初始的种群，设置算法最大迭代次数MaxDT，学习因子为c1，c2，权重为w，种群数量为Nc，空间维数为d，则第i个粒子的位置和速度分别为xi＝(xi,1 xi,2 … xi,d)，i＝1,2,…Nc和vi＝(vi,1 vi,2 … vi,d)，在每一次的迭代中，粒子通过跟踪两个最优解来更新自己，第一个是粒子本身所找到的最优解，即个体极值Pi＝(pi,1 pi,2 … pi,d)，另外一个是在整个粒子种群中搜索到的目前的最优解，即全局最优解Pg＝(pg,1 pg,2 … pg,d)；对初始的种群中的每一粒子根据公式4进行电动汽车日充电负荷Pev_v(t)计算，利用图像处理计算每个粒子对应的重合面积，得到初始的种群中每个粒子的适应度值、当前最优值；利用下述的公式8和公式9更新粒子的速度和位置；xi,j(t+1)＝xi,j(t)+vi,j(t+1),j＝1,2,…d 公式9其中，vi,j为粒子速度，xi,j为粒子位置，w为惯性权因子，c1和c2为正的学习因子，r1和r2为0到1之间均匀分布的随机数，Pi,j为个体最优解，Pg,j为群体最优解；再利用图像处理计算更新后的粒子对应的重合面积，更新种群中每个粒子的适应度及最优解；判断迭代次数是否达到最大迭代次数，如没有，则继续计算每个粒子的适应度值、当前最优值；否则停止迭代，输出最优粒子及最优解，即待求解
的气象类型对应的典型光伏出力对应的电动汽车的日充电数量的最优配置结果和重合面积大小。进一步地，所述的利用图像处理计算每个粒子对应的重合面积，包括：利用图像处理中的提取像素法计算出每个粒子对应的重合面积，包括如下的流程：step1，绘制图像，根据计算得到的电动汽车日充电负荷Pev_v(t)和光伏出力Pv(t)数据绘制曲线，并对两曲线重合部分进行涂色处理得到彩色图像；step2，将所述彩色图像转化为灰度图像，使每个像素只有一个采样颜色；Step3，对所述灰度图像进行二值化处理；Step4，分别对二值化处理后的灰度图像中的白色部分和黑色部分的像素数进行累加计数；Step5，求每个粒子对应的重合面积，计算公式如下：图片面积由step1中所画的两条曲线所在的横纵坐标最大值Xmax、Ymax并考虑画图预留的边界d而得，计算公式如下：图片面积＝(Xmax+d)*(Ymax+d)公式7。进一步地，所述的方法还包括：在光伏容量固定为Cpv的情况下，分别利用基于图象处理的粒子群优化算法进行优化配置求解，计算出晴天A1气象类型对应的典型光伏出本文档来自技高网...

【技术保护点】
一种计及光伏出力的电动汽车日充电数量的优化配置方法，其特征在于，包括：在考虑停车时长的前提下计算出单个电动汽车的日充电功率，将多个电动汽车的日充电功率进行累加，得到电动汽车的基本充电负荷；对光伏出力进行分类，获取不同气象类型的光伏出力的权重和典型光伏出力；在光伏容量固定的情况下，配置以电动汽车日充电数量为优化变量，以光伏出力与电动汽车的日充电负荷两曲线重合面积最大为目标，对不同气象类型的光伏出力情况进行优化配置求解，得到电动汽车的日充电数量的最优配置结果。

【技术特征摘要】
1.一种计及光伏出力的电动汽车日充电数量的优化配置方法，其特征在于，包括：在考虑停车时长的前提下计算出单个电动汽车的日充电功率，将多个电动汽车的日充电功率进行累加，得到电动汽车的基本充电负荷；对光伏出力进行分类，获取不同气象类型的光伏出力的权重和典型光伏出力；在光伏容量固定的情况下，配置以电动汽车日充电数量为优化变量，以光伏出力与电动汽车的日充电负荷两曲线重合面积最大为目标，对不同气象类型的光伏出力情况进行优化配置求解，得到电动汽车的日充电数量的最优配置结果。2.根据权利要求1所述的方法，其特征在于，所述的在考虑停车时长的前提下计算出单个电动汽车的日充电功率，将多个电动汽车的日充电功率进行累加，得到电动汽车的基本充电负荷，包括：对收集到的电动汽车出行数据进行统计，得到电动汽车的驶入时间Te、驶离时间Tl、充电起始荷电状态SOCini的概率密度分布；计算出电动汽车的停车时长Ts：Ts＝Tl-Te 公式1充满电所需时长Tn：Tn＝T*(1-SOCini)公式2其中，T是电动汽车由充电起始荷电状态SOCini＝0至充满电SOCini＝1时所需时长；而实际充电时长Ta由停车时长Ts和充满电所需充电时长Tn共同决定，其计算公式为：设需要充电的电动汽车的总数为N，抽取第k(k＝1,2….N)辆电动汽车的驶入时间Te，驶离时间Tl，充电起始荷电状态SOC后，根据上述公式1、公式2和公式3计算出第k辆车的实际充电时长Ta，再将实际充电时长Ta乘以功率Pe，得到第k辆车的日充电功率，将N辆车的日充电功率进行累加，得到电动汽车的基本充电负荷Pev(t)。3.根据权利要求1所述的方法，其特征在于，所述的对光伏出力进行分类，获取不同气象类型的光伏出力的权重和典型光伏出力，包括：结合收集到光伏容量为Cpv的光伏出力一年的历史数据及对应的气象数据，根据气象类型的特点将光伏出力分为晴天A1、阴天A2和雨天A3三种气象类型，并统计出所述晴天A1、阴天A2和雨天A3这三种气象类型分别所占的权重为：a1、a2和a3，分别将三种气象类型的光伏出力情况加权取平均，得到的晴天A1、阴天A2和雨天A3分别对应的典型光伏出力Pv1(t)、Pv2(t)、Pv3(t)。4.根据权利要求1所述的方法，其特征在于，所述的在光伏容量固定的情况下，配置以电动汽车日充电数量为优化变量，以光伏出力与电动汽车的日充电负荷两曲线重合面积最大为目标，对不同气象类型的光伏出力情况进行优化配置求解，得到电动汽车的日充电数量的最优配置结果，包括：对不同气象类型的光伏出力情况分别采用基于图象处理的粒子群优化算法进行优化配置求解，所述基于图象处理的粒子群优化算法的优化变量为电动汽车的日充电数量Nv，设电动汽车的基本充电负荷为Pev(t)，计算出电动汽车日充电负荷Pev_v(t)：Pev_v(t)＝Nv*Pev(t)/10 公式4优化目标为光伏出力曲线与电动汽车日充电负荷曲线重合面积Q最大；max Q(Pev_v(t),Pv(t)) 公式5其中，Pv(t)为待求解的气象类型对应的典型光伏出力；通过基于图象处理的粒子群优化算法求解所述公式5，得到待求解的气象类型对应的典型光伏出力对应的电动汽车的日充电数量的最优配置结果。5.根据权利要求4所述的方法，其特征在于，所述的通过基于图象处理的种群优化算法求解所述公式5，得到待求解的气象类型对应的典型光伏出力对应的...

【专利技术属性】
技术研发人员：苏粟，韦香香，姜久春，何洛滨，童亦斌，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11