本發(fā)明涉及電力技術(shù)領(lǐng)域，尤其涉及一種電動汽車充電分配方法及裝置。

背景技術(shù)：

電動汽車的大規(guī)模商業(yè)化發(fā)展是響應(yīng)國家節(jié)能減排政策，提高電能在終端源消費和使用比例的有效手段。然而新技術(shù)的應(yīng)用將給電網(wǎng)帶來新的機遇和挑戰(zhàn)。作為可以移動的負荷，大規(guī)模電動汽車在時間和空上的無序充電行為不僅會出現(xiàn)電力負荷“峰上加峰”的現(xiàn)象，加大電網(wǎng)峰谷差，而且有可能造成局部過負荷、線路擁塞等問題，給電網(wǎng)的穩(wěn)定運行帶來影響，同時，無序的充電行為也會造成電動汽車充電混亂的局面，增加電動汽車用戶的時間成本。

文獻“電動汽車充電對電網(wǎng)影響的綜述”(電網(wǎng)技術(shù)，2011年，35(2):127-131)、“電動汽車對電力系統(tǒng)的影響及其調(diào)度與控制問題”(電力系統(tǒng)自動化，2011年，35(14):2-10)、“電動汽車充放電特性及其對配電系統(tǒng)的影響分析”(華北電力大學(xué)學(xué)報，2011年，38(5):17-24)及“theimpactofvehicle-to-gridonthedistributiongrid”(electricpowersystemsresearch,2011,81(1):185-192)基于美國和日本兩國的電力市場分析了電動汽車參與電網(wǎng)的調(diào)度帶來的經(jīng)濟效益，最后得出結(jié)論：電動汽車參與調(diào)度對電網(wǎng)有很大的效益，同時也可以為電動汽車用戶自身帶來巨大的利益。文獻“managementofelectricvehiclechargingtomitigaterenewablegenerationintermittencyanddistributionnetworkcongestion”(proceedingsofthe48thieeeconferenceondecisionandcontroland28thchinesecontrolconference,2009:4717-4722)將電動汽車作為可以移動的負荷，著重研究了從電網(wǎng)側(cè)出發(fā)控制動汽車用戶參與經(jīng)濟調(diào)度，協(xié)同電網(wǎng)控制大規(guī)模用戶對電網(wǎng)產(chǎn)生的負面影響。文獻“electricvehicleschargingscenariosassociatedtodirectloadcontrolprograms(dlc)”(proceedingsofthenorthamericanpowersymposium(naps),2011:1-7)基于需求側(cè)管理從電動汽車對電網(wǎng)負荷消極營銷入手，減小大量電動汽車同時參與充電對電網(wǎng)的影響，提高電網(wǎng)運行經(jīng)濟性和可靠性。文獻“electricvehiclesasanewpowersourceforelectricutilities”(transportationresearchpartd23,1997:157-175)建立了充電站內(nèi)電動汽車有序充電的數(shù)學(xué)模型，以充電站運營經(jīng)濟效益最大化為目標(biāo)，以配電變壓器容量即最大限度滿足用戶充電需求為約束條件，采用蒙特卡洛模擬發(fā)模擬用戶充電需求，在有序充電和無序充電兩種情形下分析了充電站運行的經(jīng)濟效益及配電變壓器負載影響。

然而，從電動汽車有序充電相關(guān)文獻的研究現(xiàn)狀可以看出，目前對電動汽車充電負荷的研究多電網(wǎng)安全穩(wěn)定運行出發(fā)，沒有考慮到電動汽車用戶的需求。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種電動汽車充電分配方法及裝置，以同時滿足電動汽車用戶需求和電網(wǎng)穩(wěn)定運行要求。

本發(fā)明提供一種電動汽車充電分配方法，包括：利用多個電動汽車被分配到多個充電站充電時的充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率、充電決策變量、充電路程及充電耗費時間，建立充電均勻分布目標(biāo)函數(shù)；分別建立所述充電決策變量和所述充電路程的約束條件；在所述約束條件條件下，利用基本粒子群優(yōu)化算法求解所述充電均勻分布目標(biāo)函數(shù)，得到所述電動汽車的充電決策結(jié)果，用于將所述多個電動汽車分配到所述多個充電站充電。

一個實施例中，利用多個電動汽車被分配到多個充電站充電時的充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率、充電決策變量、充電路程及充電耗費時間，建立充電均勻分布目標(biāo)函數(shù)，包括：根據(jù)所述充電站數(shù)量、所述充電站目標(biāo)充電功率、所述電動汽車數(shù)量、所述電動汽車充電功率及所述充電決策變量，建立充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)；根據(jù)所述充電決策變量、所述充電路程及所述充電耗費時間，建立電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)；利用所述電動汽車數(shù)量和所述充電站數(shù)量，對所述的充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)和所述的電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)進行規(guī)范化，得到所述充電均勻分布目標(biāo)函數(shù)。

一個實施例中，根據(jù)所述充電站數(shù)量、所述充電站目標(biāo)充電功率、所述電動汽車數(shù)量、所述電動汽車充電功率及所述充電決策變量，建立充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)，包括：根據(jù)所述充電站數(shù)量、所述充電站目標(biāo)充電功率、所述電動汽車數(shù)量、所述電動汽車充電功率及所述充電決策變量，建立充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)；利用各所述充電站的充電站目標(biāo)充電功率均相同和各所述電動汽車的電動汽車充電功率均相同的假設(shè)條件，簡化所述充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)，得到所述充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)。

一個實施例中，所述充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)為：

其中，f1為充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)，m為充電站數(shù)量，pj'為充電站實際功率，pj為充電站目標(biāo)充電功率，n為電動汽車數(shù)量，xij為第i個電動汽車到第j個充電站充電的充電決策變量，xij取1時表示第i個電動汽車在第j個充電站充電，xij取0時表示第i個電動汽車未在第j個充電站充電，pi為電動汽車充電功率，m和n為正整數(shù)；

所述充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)為：

其中，f1'為充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)，sj為在第j個充電站充電的電動汽車的數(shù)量，sav為各充電站的充電電動汽車平均數(shù)量；

所述電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)為：

其中，f2為電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)，uij為充電路程lij和充電耗費時間tij之和，twj為電動汽車在第j個充電站內(nèi)的排隊時間，kj為比例系數(shù)；

所述充電均勻分布目標(biāo)函數(shù)為：

其中，λ1和λ2分別為充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)f1'和電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)f2的權(quán)系數(shù)；

所述充電決策變量的約束條件為：

所述充電路程的約束條件為：

lij≤limax，

其中，limax為第i個電動汽車的最大充電路程。

一個實施例中，在所述約束條件條件下，利用基本粒子群優(yōu)化算法求解所述充電均勻分布目標(biāo)函數(shù)，得到所述電動汽車的充電決策結(jié)果，包括：以充電決策變量作為粒子位置坐標(biāo)，通過基本粒子群優(yōu)化算法迭代生成粒子位置坐標(biāo)，并取電動汽車位置坐標(biāo)的最大值對應(yīng)的維作為充電決策變量中取1的維，其余電動汽車位置坐標(biāo)對應(yīng)的維作為充電決策變量中取0的維，以將基本粒子群優(yōu)化算法的連續(xù)解空間轉(zhuǎn)化為離散解空間；將不滿足所述充電路程的約束條件的電動汽車的充電路程用設(shè)定正數(shù)代替。

本發(fā)明還提供一種電動汽車充電分配裝置，包括：充電均勻分布目標(biāo)函數(shù)建立單元，用于執(zhí)行：利用多個電動汽車被分配到多個充電站充電時的充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率、充電決策變量、充電路程及充電耗費時間，建立充電均勻分布目標(biāo)函數(shù)；約束條件建立單元，用于執(zhí)行：分別建立所述充電決策變量和所述充電路程的約束條件；電動汽車充電分配單元，用于執(zhí)行：在所述約束條件條件下，利用基本粒子群優(yōu)化算法求解所述充電均勻分布目標(biāo)函數(shù)，得到所述電動汽車的充電決策結(jié)果，用于將所述多個電動汽車分配到所述多個充電站充電。

一個實施例中，所述充電均勻分布目標(biāo)函數(shù)建立單元，包括：第一目標(biāo)函數(shù)建立模塊，用于執(zhí)行：根據(jù)所述充電站數(shù)量、所述充電站目標(biāo)充電功率、所述電動汽車數(shù)量、所述電動汽車充電功率及所述充電決策變量，建立充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)；第二目標(biāo)函數(shù)建立模塊，用于執(zhí)行：根據(jù)所述充電決策變量、所述充電路程及所述充電耗費時間，建立電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)；充電均勻分布目標(biāo)函數(shù)建立模塊，用于執(zhí)行：利用所述電動汽車數(shù)量和所述充電站數(shù)量，對所述的充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)和所述的電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)進行規(guī)范化，得到所述充電均勻分布目標(biāo)函數(shù)。

一個實施例中，所述第一目標(biāo)函數(shù)建立模塊，包括：初始目標(biāo)函數(shù)建立模塊，用于執(zhí)行：根據(jù)所述充電站數(shù)量、所述充電站目標(biāo)充電功率、所述電動汽車數(shù)量、所述電動汽車充電功率及所述充電決策變量，建立充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)；目標(biāo)函數(shù)簡化建立模塊，用于執(zhí)行：利用各所述充電站的充電站目標(biāo)充電功率均相同和各所述電動汽車的電動汽車充電功率均相同的假設(shè)條件，簡化所述充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)，得到所述充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)。

一個實施例中，所述初始目標(biāo)函數(shù)建立模塊，還用于執(zhí)行：

所述充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)為：

其中，f1為充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)，m為充電站數(shù)量，pj'為充電站實際功率，pj為充電站目標(biāo)充電功率，n為電動汽車數(shù)量，xij為第i個電動汽車到第j個充電站充電的充電決策變量，xij取1時表示第i個電動汽車在第j個充電站充電，xij取0時表示第i個電動汽車未在第j個充電站充電，pi為電動汽車充電功率，m和n為正整數(shù)；

所述目標(biāo)函數(shù)簡化建立模塊，還用于執(zhí)行：

所述充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)為：

其中，f1'為充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)，sj為在第j個充電站充電的電動汽車的數(shù)量，sav為各充電站的充電電動汽車平均數(shù)量；

所述第二目標(biāo)函數(shù)建立模塊，還用于執(zhí)行：

所述電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)為：

其中，f2為電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)，uij為充電路程lij和充電耗費時間tij之和，twj為電動汽車在第j個充電站內(nèi)的排隊時間，kj為比例系數(shù)；

所述充電均勻分布目標(biāo)函數(shù)建立模塊，還用于執(zhí)行：

所述充電均勻分布目標(biāo)函數(shù)為：

其中，λ1和λ2分別為充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)f1'和電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)f2的權(quán)系數(shù)；

所述約束條件建立單元，還用于執(zhí)行：

所述充電決策變量的約束條件為：

所述充電路程的約束條件為：

lij≤limax，

其中，limax為第i個電動汽車的最大充電路程。

一個實施例中，所述電動汽車充電分配單元，包括：電動汽車充電分配模塊，用于執(zhí)行：以充電決策變量作為粒子位置坐標(biāo)，通過基本粒子群優(yōu)化算法迭代生成粒子位置坐標(biāo)，并取電動汽車位置坐標(biāo)的最大值對應(yīng)的維作為充電決策變量中取1的維，其余電動汽車位置坐標(biāo)對應(yīng)的維作為充電決策變量中取0的維，以將基本粒子群優(yōu)化算法的連續(xù)解空間轉(zhuǎn)化為離散解空間；將不滿足所述充電路程的約束條件的電動汽車的充電路程用設(shè)定正數(shù)代替。

本發(fā)明實施例的電動汽車充電分配方法及裝置，在建立充電均勻分布目標(biāo)函數(shù)時，通過考慮充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率及充電決策變量可以將電動汽車充電負荷合理均勻分配至區(qū)域內(nèi)的充電站，可以改善電網(wǎng)負荷分布不均勻的現(xiàn)象，通過考慮充電路程及充電耗費時間，可以盡量縮短用戶到達充電站的路程，減少用戶充電所需時間。利用基本粒子群優(yōu)化算法求解該充電均勻分布目標(biāo)函數(shù)，得到電動汽車的充電決策結(jié)果，用來將所述電動汽車分配到充電站，可以從時間和空上對電動汽車充負荷進行有效的分配和引導(dǎo)，積極開展電動汽車有序充電研究并形成系統(tǒng)，最終，實現(xiàn)對電動汽車的有效調(diào)度，實現(xiàn)為用戶縮短路程、減少時間和電網(wǎng)穩(wěn)定運行的雙贏。選擇智能群體算法中的粒子群算法來求解充電策略問題，不僅考慮了電網(wǎng)運行的穩(wěn)定性，更考慮到電動汽車用戶的時間和空間成本，是充分考慮電網(wǎng)及用戶的雙贏增值服務(wù)引導(dǎo)策略。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。在附圖中：

圖1是本發(fā)明一實施例的電動汽車充電分配方法的流程示意圖；

圖2是本發(fā)明一實施例中建立充電均勻分布目標(biāo)函數(shù)的方法流程示意圖；

圖3是本發(fā)明一實施例中建立充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)的方法流程示意圖；

圖4是本發(fā)明一實施例中電動汽車充電分配裝置的結(jié)構(gòu)示意圖；

圖5是本發(fā)明一實施例中充電均勻分布目標(biāo)函數(shù)建立單元的結(jié)構(gòu)示意圖；

圖6是本發(fā)明一實施例中第一目標(biāo)函數(shù)建立模塊的結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚明白，下面結(jié)合附圖對本發(fā)明實施例做進一步詳細說明。在此，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，但并不作為對本發(fā)明的限定。

針對目前對電動汽車充電負荷的研究多電網(wǎng)安全穩(wěn)定運行出發(fā)，沒有考慮到電動汽車用戶需求的問題，本發(fā)明在考慮電動汽車用戶的情況下提出一種電動汽車充電分配方法，能夠使充電負荷在區(qū)域間合理的分配，可以改善電網(wǎng)負荷分布不均勻的現(xiàn)象。

圖1是本發(fā)明一實施例的電動汽車充電分配方法的流程示意圖。如圖1所示，本實施例的電動汽車充電分配方法，可包括步驟：

s110：利用多個電動汽車被分配到多個充電站充電時的充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率、充電決策變量、充電路程及充電耗費時間，建立充電均勻分布目標(biāo)函數(shù)；

s120：分別建立所述充電決策變量和所述充電路程的約束條件；

s130：在所述約束條件條件下，利用基本粒子群優(yōu)化算法求解所述充電均勻分布目標(biāo)函數(shù)，得到所述電動汽車的充電決策結(jié)果，用于將所述多個電動汽車分配到所述多個充電站充電。

在上述步驟s110中，該充電站數(shù)量表示上述多個充電站的總數(shù)量，該電動汽車數(shù)量表示上述多個電動汽車的總數(shù)量。每個充電站可具有相同或不同的充電站目標(biāo)充電功率。該電動汽車充電功率可能因為電動汽車充電方式不同而受影響，可為變量或恒量，每個電動汽車可具有相同或不同的電動汽車充電功率。該充電決策變量表示電動汽車被分配到哪一個充電站充電，上述多個電動汽車被分配到上述多個充電站的充電決策變量可以用矩陣形式表示。該充電路程可以電動汽車到達被分配到的充電站的路程，上述多個電動汽車到達被分配到上述多個充電站的充電路程可以用矩陣形式表示。該充電耗費時間可以是電動汽車出發(fā)到充電站并完成充電的總時間。該充電均勻分布目標(biāo)函數(shù)可以是通過考慮上述各因素使充電負荷在區(qū)域間合理分配的目標(biāo)函數(shù)。

在上述步驟s120中，通過分別建立所述充電決策變量的約束條件和所述充電路程的約束條件，可以分別將充電決策變量充電路程限制在合理的范圍。

在上述步驟s130中，在基本粒子群優(yōu)化算法中，每個問題的解都被可以想象成搜索空間中的一只鳥，鳥被抽象為沒有質(zhì)量、沒有體積的微粒，即“粒子”。每個微粒都包含兩個屬性：速度和位置以及位置坐標(biāo)對應(yīng)的目標(biāo)函數(shù)值，我們稱之為適應(yīng)度，算法是通過適應(yīng)度來衡量粒子的優(yōu)劣。粒子的速度決定其飛行的方向和距離，通過不斷地更新自身的速度，隨之在空間中的位置也發(fā)生相應(yīng)的變化，逐漸地接近最優(yōu)的位置，粒子的最優(yōu)位置即為優(yōu)化問題中的最優(yōu)方案。所有粒子在解空間中的搜索和更新不是隨機的，其運動軌跡是通過始終追隨兩個指標(biāo)即局部最優(yōu)解和全局最優(yōu)解來變化。局部最優(yōu)解就是每個粒子到目前為止發(fā)現(xiàn)的最優(yōu)位置，可看作是單個粒子自身的飛行經(jīng)驗；全局最優(yōu)解是整個群體中所有粒子到目前為止發(fā)現(xiàn)的最佳位置，看作是粒子同伴的飛行經(jīng)驗，它們的評判標(biāo)準即適應(yīng)度函數(shù)的值越小，解越優(yōu)。

電動汽車充電負荷通常接入中低壓配電網(wǎng)，作為一種可以移動的負荷，如果充電負荷能在區(qū)域間合理的分配，則可以改善電網(wǎng)負荷分布不均勻的現(xiàn)象。對各換電站設(shè)置目標(biāo)充電功率，使各換電站分配到的換電站車輛充電負荷盡量接近設(shè)置的目標(biāo)充電功率，從而最終使包括電動汽車充電負荷在內(nèi)的配電網(wǎng)總負荷實現(xiàn)均勻分布。

以空間均勻約束、充電最大路程約束為約束條件。采用標(biāo)準粒子群算法求解目標(biāo)優(yōu)化問題數(shù)學(xué)模型，得到電動汽車充電空間位置決策變量和充電負荷在各充電站間的分配結(jié)果。使用基本粒子群優(yōu)化算法優(yōu)化電動汽車充電負荷的空間分配時，可以用電動汽車在每個充電站的決策變量當(dāng)作粒子位置坐標(biāo)，可以用充電均勻分布目標(biāo)函數(shù)當(dāng)作位置坐標(biāo)對應(yīng)的目標(biāo)函數(shù)，能夠?qū)崿F(xiàn)根據(jù)充電均勻分布目標(biāo)函數(shù)求解得到最優(yōu)的充電決策結(jié)果。

本實施例中，在建立充電均勻分布目標(biāo)函數(shù)時，通過考慮充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率及充電決策變量可以將電動汽車充電負荷合理均勻分配至區(qū)域內(nèi)的充電站，可以改善電網(wǎng)負荷分布不均勻的現(xiàn)象，通過考慮充電路程及充電耗費時間，可以盡量縮短用戶到達充電站的路程，減少用戶充電所需時間。利用基本粒子群優(yōu)化算法求解該充電均勻分布目標(biāo)函數(shù)，得到電動汽車的充電決策結(jié)果，用來將所述電動汽車分配到充電站，可以從時間和空上對電動汽車充負荷進行有效的分配和引導(dǎo)，積極開展電動汽車有序充電研究并形成系統(tǒng)，最終，實現(xiàn)對電動汽車的有效調(diào)度，實現(xiàn)為用戶縮短路程、減少時間和電網(wǎng)穩(wěn)定運行的雙贏。

圖2是本發(fā)明一實施例中建立充電均勻分布目標(biāo)函數(shù)的方法流程示意圖。如圖2所示，在上述步驟s110中，利用多個電動汽車被分配到多個充電站充電時的充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率、充電決策變量、充電路程及充電耗費時間，建立充電均勻分布目標(biāo)函數(shù)的方法，可包括步驟：

s111：根據(jù)所述充電站數(shù)量、所述充電站目標(biāo)充電功率、所述電動汽車數(shù)量、所述電動汽車充電功率及所述充電決策變量，建立充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)；

s112：根據(jù)所述充電決策變量、所述充電路程及所述充電耗費時間，建立電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)；

s113：利用所述電動汽車數(shù)量和所述充電站數(shù)量，對所述的充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)和所述的電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)進行規(guī)范化，得到所述充電均勻分布目標(biāo)函數(shù)。

在上述步驟s111中，通過考慮充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率、充電決策變量等因素，建立充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)，可以利用該目標(biāo)函數(shù)盡量減小各充電站的充電功率與其目標(biāo)功率之間的差距，進而減小電動汽車充電對電網(wǎng)經(jīng)濟運行的影響。

在上述步驟s112中，該充電耗費時間可以包括充電站內(nèi)排隊時間、充電時間、到達充電站的行駛時間等時間中的一個或多個。電動汽車充電路程與充電時間為不同量綱，可以通過對目標(biāo)函數(shù)進行規(guī)范，以便求解。通過考慮充電決策變量、充電路程、充電耗費時間等因素，建立電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)，可以在減小電動汽車充電對電網(wǎng)經(jīng)濟運行影響的同時，還可以兼顧由電動汽車充電負荷均勻分布分配造成的充電路程和充電時間增大對電動汽車用戶的影響，盡量減小系統(tǒng)內(nèi)總充電路程和充電時間。

在上述步驟s113中，所述的充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)和所述的電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)的量綱不同，利用所述電動汽車數(shù)量和所述充電站數(shù)量對兩個目標(biāo)函數(shù)進行規(guī)范化，同時得到充電均勻分布目標(biāo)函數(shù)，可將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)問題。

本實施例，以電動汽車充電空間位置決策變量為理想的求解對象，分別建立了電動汽車用戶側(cè)優(yōu)化目標(biāo)和充電站側(cè)優(yōu)化目標(biāo)。用戶側(cè)以調(diào)度系統(tǒng)內(nèi)用戶總充電路程和時間最小為目標(biāo)。充電站側(cè)以充電負荷均勻分布、提高利用率為目標(biāo)，并將多目標(biāo)問題轉(zhuǎn)化為單目標(biāo)。重點從空間出發(fā)，考慮電動汽車用戶充電需求在空間尺度下的特性和電網(wǎng)運行兩個方面，以充電負荷均勻分配和系統(tǒng)內(nèi)充電路程、時間最小為目標(biāo)優(yōu)化調(diào)度數(shù)學(xué)模型，所有車輛均勻分配到每個充電站而且總的路程和花費的時間最小。

圖3是本發(fā)明一實施例中建立充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)的方法流程示意圖。如圖3所示，在上述步驟s111中，根據(jù)所述充電站數(shù)量、所述充電站目標(biāo)充電功率、所述電動汽車數(shù)量、所述電動汽車充電功率及所述充電決策變量，建立充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)的方法，可包括步驟：

s1111：根據(jù)所述充電站數(shù)量、所述充電站目標(biāo)充電功率、所述電動汽車數(shù)量、所述電動汽車充電功率及所述充電決策變量，建立充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)；

s1112：利用各所述充電站的充電站目標(biāo)充電功率均相同和各所述電動汽車的電動汽車充電功率均相同的假設(shè)條件，簡化所述充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)，得到所述充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)。

本實施例中，通過利用各所述充電站的充電站目標(biāo)充電功率均相同和各所述電動汽車的電動汽車充電功率均相同的假設(shè)條件，簡化目標(biāo)函數(shù)，可以簡化計算。

在上述步驟s1111中，例如，所述充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)可為：

其中，f1為充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)，m為充電站數(shù)量，pj'為充電站實際功率，pj為充電站目標(biāo)充電功率，n為電動汽車數(shù)量，xij為第i個電動汽車到第j個充電站充電的充電決策變量，xij取1時表示第i個電動汽車在第j個充電站充電，xij取0時表示第i個電動汽車未在第j個充電站充電，pi為電動汽車充電功率，m和n為正整數(shù)。

一些實施例中，可假設(shè)一個地區(qū)電網(wǎng)內(nèi)建設(shè)了一定數(shù)量的電動汽車充電站和充電樁總計m座。第j個充電站的目標(biāo)充電功率為pj?？杉僭O(shè)該地區(qū)內(nèi)共有待充電電動汽車n輛，第i輛電動汽車充電功率pi。因為電動汽車充電方式不同而受影響，電動汽車充電功率pi可為變量或恒量?？捎脁ij表示決策變量，當(dāng)xij＝1時，可表示第i輛電動汽車被分配到第j個充電站充電；當(dāng)xij＝0時，可表示第i輛電動汽車未在第j個充電站充電。電動汽車充電的決策變量矩陣可表示為x＝[xij]n×m，矩陣x的行可為車輛數(shù)量，列可為充電站數(shù)量。通過對決策變量矩陣x的求解即可得到電動汽車充電均勻分布結(jié)果。

充電站實際功率pj'可表示為：

第j個充電站充電的電動汽車數(shù)量可表示為：

第i輛電動汽車到達第j個充電站的路程可為lij，電動汽車到充電站的路程矩陣可為l＝[lij]n×m。第i輛電動汽車到第j個充電站充電的總時間可為：

tij＝twj+tcij+tdij，

其中，twj為站內(nèi)排隊時間；tcij為充電時間；tdij為到達充電站的行駛時間。站內(nèi)排隊時間twj可與選擇第j個充電站的車輛數(shù)、充電站規(guī)模、充電站類型等因素有關(guān)。

一個實施例中，可認為站內(nèi)排隊時間twj只與充電車輛數(shù)成正比，站內(nèi)排隊時間twj可表示為：

twj＝kjsj，

其中，kj為比例系數(shù)，tij可與充電方式、充電電流倍率有關(guān)。

一個實施例中，到達充電站的行駛時間tdij可與車輛到充電站的路程以及第i輛電動汽車平均行駛速度vi有關(guān)，到達充電站的行駛時間tdij可表示為：

一個實施例中，為了簡化計算，可假設(shè)區(qū)域內(nèi)各充電站目標(biāo)充電功率相同且為電動汽車充電負荷在各站之間的平均分配值。同時可假設(shè)各輛電動汽車行駛速度vi、充電功率pi、充電時間tcij均相同，可暫不考慮其影響。

假設(shè)充電站目標(biāo)充電功率以及各車輛充電功率均相同，則可有：

上式中，將pj/pi用sav＝n/m代替，可得到：

在上述步驟s1112中，例如，所述充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)可為：

其中，f1'為充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)，sj為在第j個充電站充電的電動汽車的數(shù)量，sav為各充電站的充電電動汽車平均數(shù)量。

上式中，參數(shù)n和m可以根據(jù)本發(fā)明實施例方法的實際應(yīng)用情況確定。

本實施例中，通過假設(shè)充電站目標(biāo)充電功率以及各車輛充電功率均相同，可以將盡量減小各充電站的充電功率與其目標(biāo)功率之間的差距的問題，轉(zhuǎn)化為充電車輛數(shù)在充電站間的平均分配，以此可以簡化計算。

一些實施例中，可假設(shè)各電動汽車行駛速度vi、充電時間tcij相同，到達充電站的行駛時間tdij與充電路程lij成正比，而上述第i輛電動汽車到第j個充電站充電的總時間tij中已包含充電路程lij，因此，總充電時間可僅考慮站內(nèi)排隊時間twj，則充電路程與充電時間之和可表示為：

uij＝tij+lij＝twj+lij＝kjsj+lij。

一些實施例中，在上述步驟s112中，所述電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)可為：

其中，f2為電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)，uij為充電路程lij和充電耗費時間tij之和，twj為電動汽車在第j個充電站內(nèi)的排隊時間，kj為比例系數(shù)。

上式中，參數(shù)kj和lij可以根據(jù)本發(fā)明實施例方法的實際應(yīng)用情況確定。充電時間tij和充電路程lij可以選擇標(biāo)準單位，并基于該標(biāo)準單位進行后續(xù)目標(biāo)函數(shù)f的求解，例如，充電時間tij的單位可選擇秒，充電路程lij的單位可選擇米。

本實施例中，通過綜合考慮電動汽車用戶的充電路程和充電耗費時間，將用戶需求考慮進來，實現(xiàn)盡量減小系統(tǒng)內(nèi)用戶的總充電路程和充電時間。

由于兩個目標(biāo)函數(shù)的量綱不同，故對兩個目標(biāo)函數(shù)進行規(guī)范化同時可將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)問題。

一些實施例中，在上述步驟s113中，所述充電均勻分布目標(biāo)函數(shù)可為：

其中，λ1和λ2分別為充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)f1'和電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)f2的權(quán)系數(shù)。

上式中，權(quán)系數(shù)λ1和λ2可以通過多種不同方法得到，例如通過先賦值再優(yōu)化的方法設(shè)定權(quán)系數(shù)λ1和λ2的值。

一些實施例中，在上述步驟s120中，所述充電決策變量的約束條件可為：

本實施例中，可假設(shè)系統(tǒng)中每輛電動汽車必須被分配到一個充電站。

一些實施例中，在上述步驟s120中，所述充電路程的約束條件可為：

lij≤limax，

其中，limax為第i個電動汽車的最大充電路程。

本實施例中，最大充電路程可以是由于充電車輛因為交通原因、剩余電量不足或者沒有可以到達的路徑、電動汽車用戶存在的主觀意愿造成的充電路程最大值。

一些實施例中，上述步驟s130，即在所述約束條件條件下，利用基本粒子群優(yōu)化算法求解所述充電均勻分布目標(biāo)函數(shù)，得到所述電動汽車的充電決策結(jié)果的方法，具體實施方式可為：

以充電決策變量作為粒子位置坐標(biāo)，通過基本粒子群優(yōu)化算法迭代生成粒子位置坐標(biāo)，并取電動汽車位置坐標(biāo)的最大值對應(yīng)的維作為充電決策變量中取1的維，其余電動汽車位置坐標(biāo)對應(yīng)的維作為充電決策變量中取0的維，以將基本粒子群優(yōu)化算法的連續(xù)解空間轉(zhuǎn)化為離散解空間；將不滿足所述充電路程的約束條件的電動汽車的充電路程用設(shè)定正數(shù)代替。

對于分配約束問題，由于標(biāo)準粒子群算法針對的目標(biāo)是連續(xù)解空間，而電動汽車充電負荷均勻分布是離散的二進制問題，要滿足粒子群算法的玉樹條件以及目標(biāo)函數(shù)的求解首先需要將連續(xù)空間轉(zhuǎn)換為離散空間。通過粒子群算法迭代產(chǎn)生的粒子位置坐標(biāo)，可以取每輛電動汽車位置坐標(biāo)的最大值對應(yīng)的維作為決策變量中可以取1的維，剩下其他維可以取0.經(jīng)過轉(zhuǎn)化之后的解空間即可以滿足分配約束，又可以用離散解空間代替連續(xù)空間計算各粒子的目標(biāo)函數(shù)并進行記錄和比較。

對于充電路程約束問題，充電路程約束是一個不等式，對于充電路程矩陣l中大于limax的所有元素，可以取一個足夠大的正數(shù)來代替。當(dāng)這樣的車和車站被分配到一起時，一定會使位置坐標(biāo)對應(yīng)的目標(biāo)函數(shù)值明顯變化，因為不滿足約束條件而被棄用。

本發(fā)明實施例的電動汽車充電分配方法，在建立充電均勻分布目標(biāo)函數(shù)時，通過考慮充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率及充電決策變量可以將電動汽車充電負荷合理均勻分配至區(qū)域內(nèi)的充電站，可以改善電網(wǎng)負荷分布不均勻的現(xiàn)象，通過考慮充電路程及充電耗費時間，可以盡量縮短用戶到達充電站的路程，減少用戶充電所需時間。利用基本粒子群優(yōu)化算法求解該充電均勻分布目標(biāo)函數(shù)，得到電動汽車的充電決策結(jié)果，用來將所述電動汽車分配到充電站，可以從時間和空上對電動汽車充負荷進行有效的分配和引導(dǎo)，積極開展電動汽車有序充電研究并形成系統(tǒng)，最終，實現(xiàn)對電動汽車的有效調(diào)度，實現(xiàn)為用戶縮短路程、減少時間和電網(wǎng)穩(wěn)定運行的雙贏。選擇智能群體算法中的粒子群算法來求解充電策略問題，不僅考慮了電網(wǎng)運行的穩(wěn)定性，更考慮到電動汽車用戶的時間和空間成本，是充分考慮電網(wǎng)及用戶的雙贏增值服務(wù)引導(dǎo)策略。本發(fā)明實施例，能夠?qū)崿F(xiàn)電動汽車有序充電：在滿足電動汽車用戶使用需求、電池及充電設(shè)施性能約束的前提下，以減小規(guī)?；妱悠嚦潆妼﹄娋W(wǎng)負面影響、提高充電設(shè)施和運行經(jīng)濟性為目的，以科學(xué)、準確、全面的充電需求預(yù)測為基礎(chǔ)，通過有效的技術(shù)和經(jīng)濟手段引導(dǎo)和控制電動汽車及充電設(shè)施的充電行為，實現(xiàn)電動汽車及其充電設(shè)施與電網(wǎng)的協(xié)調(diào)發(fā)展，形成電動汽車用戶、充電設(shè)施運營商與電網(wǎng)企業(yè)的共贏。

基于與圖1所示的電動汽車充電分配方法相同的發(fā)明構(gòu)思，本申請實施例還提供了一種電動汽車充電分配裝置，如下面實施例所述。由于該電動汽車充電分配裝置解決問題的原理與電動汽車充電分配方法相似，因此該電動汽車充電分配裝置的實施可以參見電動汽車充電分配方法的實施，重復(fù)之處不再贅述。

圖4是本發(fā)明一實施例中電動汽車充電分配裝置的結(jié)構(gòu)示意圖。如圖4所示，本實施例的電動汽車充電分配裝置，可包括：充電均勻分布目標(biāo)函數(shù)建立單元210、約束條件建立單元220及電動汽車充電分配單元230，三者順序連接。

充電均勻分布目標(biāo)函數(shù)建立單元210用于執(zhí)行：利用多個電動汽車被分配到多個充電站充電時的充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率、充電決策變量、充電路程及充電耗費時間，建立充電均勻分布目標(biāo)函數(shù)。

約束條件建立單元220用于執(zhí)行：分別建立所述充電決策變量和所述充電路程的約束條件。

電動汽車充電分配單元230用于執(zhí)行：在所述約束條件條件下，利用基本粒子群優(yōu)化算法求解所述充電均勻分布目標(biāo)函數(shù)，得到所述電動汽車的充電決策結(jié)果，用于將所述多個電動汽車分配到所述多個充電站充電。

在上述充電均勻分布目標(biāo)函數(shù)建立單元210中，該充電站數(shù)量表示上述多個充電站的總數(shù)量，該電動汽車數(shù)量表示上述多個電動汽車的總數(shù)量。每個充電站可具有相同或不同的充電站目標(biāo)充電功率。該電動汽車充電功率可能因為電動汽車充電方式不同而受影響，可為變量或恒量，每個電動汽車可具有相同或不同的電動汽車充電功率。該充電決策變量表示電動汽車被分配到哪一個充電站充電，上述多個電動汽車被分配到上述多個充電站的充電決策變量可以用矩陣形式表示。該充電路程可以電動汽車到達被分配到的充電站的路程，上述多個電動汽車到達被分配到上述多個充電站的充電路程可以用矩陣形式表示。該充電耗費時間可以是電動汽車出發(fā)到充電站并完成充電的總時間。該充電均勻分布目標(biāo)函數(shù)可以是通過考慮上述各因素使充電負荷在區(qū)域間合理分配的目標(biāo)函數(shù)。

在上述約束條件建立單元220中，通過分別建立所述充電決策變量的約束條件和所述充電路程的約束條件，可以分別將充電決策變量充電路程限制在合理的范圍。

本實施例中，在建立充電均勻分布目標(biāo)函數(shù)時，通過考慮充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率及充電決策變量可以將電動汽車充電負荷合理均勻分配至區(qū)域內(nèi)的充電站，可以改善電網(wǎng)負荷分布不均勻的現(xiàn)象，通過考慮充電路程及充電耗費時間，可以盡量縮短用戶到達充電站的路程，減少用戶充電所需時間。利用基本粒子群優(yōu)化算法求解該充電均勻分布目標(biāo)函數(shù)，得到電動汽車的充電決策結(jié)果，用來將所述電動汽車分配到充電站，可以從時間和空上對電動汽車充負荷進行有效的分配和引導(dǎo)，積極開展電動汽車有序充電研究并形成系統(tǒng)，最終，實現(xiàn)對電動汽車的有效調(diào)度，實現(xiàn)為用戶縮短路程、減少時間和電網(wǎng)穩(wěn)定運行的雙贏。

圖5是本發(fā)明一實施例中充電均勻分布目標(biāo)函數(shù)建立單元的結(jié)構(gòu)示意圖。如圖5所示，所述充電均勻分布目標(biāo)函數(shù)建立單元210，可包括：第一目標(biāo)函數(shù)建立模塊211、第二目標(biāo)函數(shù)建立模塊212及充電均勻分布目標(biāo)函數(shù)建立模塊213。

第一目標(biāo)函數(shù)建立模塊211用于執(zhí)行：根據(jù)所述充電站數(shù)量、所述充電站目標(biāo)充電功率、所述電動汽車數(shù)量、所述電動汽車充電功率及所述充電決策變量，建立充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)。

第二目標(biāo)函數(shù)建立模塊212用于執(zhí)行：根據(jù)所述充電決策變量、所述充電路程及所述充電耗費時間，建立電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)。

充電均勻分布目標(biāo)函數(shù)建立模塊213用于執(zhí)行：利用所述電動汽車數(shù)量和所述充電站數(shù)量，對所述的充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)和所述的電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)進行規(guī)范化，得到所述充電均勻分布目標(biāo)函數(shù)。

在上述第一目標(biāo)函數(shù)建立模塊211中，通過考慮充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率、充電決策變量等因素，建立充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)，可以利用該目標(biāo)函數(shù)盡量減小各充電站的充電功率與其目標(biāo)功率之間的差距，進而減小電動汽車充電對電網(wǎng)經(jīng)濟運行的影響。

在上述第二目標(biāo)函數(shù)建立模塊212中，該充電耗費時間可以包括充電站內(nèi)排隊時間、充電時間、到達充電站的行駛時間等時間中的一個或多個。電動汽車充電路程與充電時間為不同量綱，可以通過對目標(biāo)函數(shù)進行規(guī)范，以便求解。通過考慮充電決策變量、充電路程、充電耗費時間等因素，建立電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)，可以在減小電動汽車充電對電網(wǎng)經(jīng)濟運行影響的同時，還可以兼顧由電動汽車充電負荷均勻分布分配造成的充電路程和充電時間增大對電動汽車用戶的影響，盡量減小系統(tǒng)內(nèi)總充電路程和充電時間。

在上述充電均勻分布目標(biāo)函數(shù)建立模塊213中，所述的充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)和所述的電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)的量綱不同，利用所述電動汽車數(shù)量和所述充電站數(shù)量對兩個目標(biāo)函數(shù)進行規(guī)范化，同時得到充電均勻分布目標(biāo)函數(shù)，可將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)問題。

圖6是本發(fā)明一實施例中第一目標(biāo)函數(shù)建立模塊的結(jié)構(gòu)示意圖。如圖6所示，所述第一目標(biāo)函數(shù)建立模塊211，可包括：初始目標(biāo)函數(shù)建立模塊2111和目標(biāo)函數(shù)簡化建立模塊2112，二者相互連接。

初始目標(biāo)函數(shù)建立模塊2111用于執(zhí)行：根據(jù)所述充電站數(shù)量、所述充電站目標(biāo)充電功率、所述電動汽車數(shù)量、所述電動汽車充電功率及所述充電決策變量，建立充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)。

目標(biāo)函數(shù)簡化建立模塊2112用于執(zhí)行：利用各所述充電站的充電站目標(biāo)充電功率均相同和各所述電動汽車的電動汽車充電功率均相同的假設(shè)條件，簡化所述充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)，得到所述充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)。

本實施例中，通過利用各所述充電站的充電站目標(biāo)充電功率均相同和各所述電動汽車的電動汽車充電功率均相同的假設(shè)條件，簡化目標(biāo)函數(shù)，可以簡化計算。

一些實施例中，所述初始目標(biāo)函數(shù)建立模塊2111，還可用于執(zhí)行：

所述充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)為：

其中，f1為充電站充電功率與其目標(biāo)功率之差最小化初始目標(biāo)函數(shù)，m為充電站數(shù)量，pj'為充電站實際功率，pj為充電站目標(biāo)充電功率，n為電動汽車數(shù)量，xij為第i個電動汽車到第j個充電站充電的充電決策變量，xij取1時表示第i個電動汽車在第j個充電站充電，xij取0時表示第i個電動汽車未在第j個充電站充電，pi為電動汽車充電功率，m和n為正整數(shù)。

一些實施例中，所述目標(biāo)函數(shù)簡化建立模塊2112，還可用于執(zhí)行：

所述充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)為：

其中，f1'為充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)，sj為在第j個充電站充電的電動汽車的數(shù)量，sav為各充電站的充電電動汽車平均數(shù)量。

本實施例中，通過假設(shè)充電站目標(biāo)充電功率以及各車輛充電功率均相同，可以將盡量減小各充電站的充電功率與其目標(biāo)功率之間的差距的問題，轉(zhuǎn)化為充電車輛數(shù)在充電站間的平均分配，以此可以簡化計算。

一些實施例中，所述第二目標(biāo)函數(shù)建立模塊212，還可用于執(zhí)行：

所述電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)為：

其中，f2為電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)，uij為充電路程lij和充電耗費時間tij之和，twj為電動汽車在第j個充電站內(nèi)的排隊時間，kj為比例系數(shù)。

本實施例中，通過綜合考慮電動汽車用戶的充電路程和充電耗費時間，將用戶需求考慮進來，實現(xiàn)盡量減小系統(tǒng)內(nèi)用戶的總充電路程和充電時間。

一些實施例中，所述充電均勻分布目標(biāo)函數(shù)建立模塊213，還可用于執(zhí)行：

所述充電均勻分布目標(biāo)函數(shù)為：

其中，λ1和λ2分別為充電站充電功率與其目標(biāo)功率之差最小化目標(biāo)函數(shù)f1'和電動汽車充電路程與充電時間之和最小化目標(biāo)函數(shù)f2的權(quán)系數(shù)。

本實施例中，對量綱不同的兩個目標(biāo)函數(shù)進行規(guī)范化，同時可將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)問題，從而便于實現(xiàn)目標(biāo)函數(shù)的求解。

一些實施例中，所述約束條件建立單元220，還可用于執(zhí)行：

所述充電決策變量的約束條件為：

本實施例中，可假設(shè)系統(tǒng)中每輛電動汽車必須被分配到一個充電站。

一些實施例中，所述約束條件建立單元220，還可用于執(zhí)行：

所述充電路程的約束條件為：

lij≤limax，

其中，limax為第i個電動汽車的最大充電路程。

本實施例中，最大充電路程可以是由于充電車輛因為交通原因、剩余電量不足或者沒有可以到達的路徑、電動汽車用戶存在的主觀意愿造成的充電路程最大值。

一些實施例中，所述電動汽車充電分配單元230，可包括：電動汽車充電分配模塊。電動汽車充電分配模塊，可用于執(zhí)行：以充電決策變量作為粒子位置坐標(biāo)，通過基本粒子群優(yōu)化算法迭代生成粒子位置坐標(biāo)，并取電動汽車位置坐標(biāo)的最大值對應(yīng)的維作為充電決策變量中取1的維，其余電動汽車位置坐標(biāo)對應(yīng)的維作為充電決策變量中取0的維，以將基本粒子群優(yōu)化算法的連續(xù)解空間轉(zhuǎn)化為離散解空間；將不滿足所述充電路程的約束條件的電動汽車的充電路程用設(shè)定正數(shù)代替。

本發(fā)明實施例的電動汽車充電分配裝置，在建立充電均勻分布目標(biāo)函數(shù)時，通過考慮充電站數(shù)量、充電站目標(biāo)充電功率、電動汽車數(shù)量、電動汽車充電功率及充電決策變量可以將電動汽車充電負荷合理均勻分配至區(qū)域內(nèi)的充電站，可以改善電網(wǎng)負荷分布不均勻的現(xiàn)象，通過考慮充電路程及充電耗費時間，可以盡量縮短用戶到達充電站的路程，減少用戶充電所需時間。利用基本粒子群優(yōu)化算法求解該充電均勻分布目標(biāo)函數(shù)，得到電動汽車的充電決策結(jié)果，用來將所述電動汽車分配到充電站，可以從時間和空上對電動汽車充負荷進行有效的分配和引導(dǎo)，積極開展電動汽車有序充電研究并形成系統(tǒng)，最終，實現(xiàn)對電動汽車的有效調(diào)度，實現(xiàn)為用戶縮短路程、減少時間和電網(wǎng)穩(wěn)定運行的雙贏。選擇智能群體算法中的粒子群算法來求解充電策略問題，不僅考慮了電網(wǎng)運行的穩(wěn)定性，更考慮到電動汽車用戶的時間和空間成本，是充分考慮電網(wǎng)及用戶的雙贏增值服務(wù)引導(dǎo)策略。

在本說明書的描述中，參考術(shù)語“一個實施例”、“一個具體實施例”、“一些實施例”、“例如”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結(jié)合。各實施例中涉及的步驟順序用于示意性說明本發(fā)明的實施，其中的步驟順序不作限定，可根據(jù)需要作適當(dāng)調(diào)整。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器、cd-rom、光學(xué)存儲器等)上實施的計算機程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實施例的方法、設(shè)備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導(dǎo)計算機或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

以上所述的具體實施例，對本發(fā)明的目的、技術(shù)方案和有益效果進行了進一步詳細說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實施例而已，并不用于限定本發(fā)明的保護范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。