欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021103031641
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种考虑分时电价影响的电动公交车充电方案优化方法,其特征在于:所述方法具体过程为:步骤一:获取基础数据;

步骤二:基于步骤一获取的基础数据,对公交车第i班次行程时间进行拟合,获得拟合数据;

步骤三:基于步骤一建立充电方案优化模型;

基于充电方案优化模型,计算充电时长的取值范围;

基于充电方案优化模型和充电时长的取值范围,计算第i班次开始时的SOC和结束时的SOC;

基于第i班次开始时的SOC和结束时的SOC,计算全天充电电费支出ωtotal;

步骤四:基于步骤二和步骤三获得公交车全天运营时间的充电时长;

步骤五:基于步骤三计算获得公交车非运营时间的充电时长;

所述步骤一中获取基础数据;具体过程为:

1.1:获取待优化公交线路所在城市各个时段的电价信息;

1.2:获取公交线路中待优化电动公交车的基础信息,包括全天运营总班次数I、第i班次规划发车时刻ti、电池容量B、充电桩的充电功率P;1≤i≤I;

其中一个班次是指公交车在单程线路上从始发站运行至终点站或从终点站至始发站;

1.3:获取待优化电动公交车每天各班次运行时的行程时间历史数据;

1.4:获取最新的公交车全天运行各班次时的平均环境温度数据;

所述步骤二中基于步骤一获取的基础数据,对公交车第i班次行程时间进行拟合;具体过程为:根据1.3中获取的每天各班次运行时的行程时间历史数据,按照均值为βi、方差为 的正态分布的形式拟合,得到公交车第i班次的行程时间Ti的分布函数,最终得到公交车第i班次行程时间Ti的βi、σi的具体取值;

所述步骤三中基于步骤一建立充电方案优化模型;

基于充电方案优化模型,计算充电时长的取值范围;

基于充电方案优化模型和充电时长的取值范围,计算第i班次开始时的SOC和结束时的SOC;

基于第i班次开始时的SOC和结束时的SOC,计算全天充电电费支出ωtotal;

具体过程为:

3.1:以一辆公交车全天充电电费支出之和ωtotal最小为优化目标,以电池SOC能支持公交车运行完每一个完整班次、同时使SOC始终控制在最优范围[SOCmin,SOCmax]内为约束,建立充电方案优化模型,如公式(1)‑(3):式中:α、β为预先给定的置信水平;B为电池容量,单位为kW·h;Qi为第i个班次消耗的电量,单位为kW·h;SOCi为第i个班次开始时电池的荷电状态SOC,单位为%; 为一辆公交车全天充电电费支出之和ωtotal在置信水平至少为β时所取的最小值;

为 的概率测度; 为

的概率测度;SOCmin为电池的荷电状态SOC最低阈值,单位为%;SOCmax为电池的荷电状态SOC最高阈值,单位为%;

3.2:基于充电方案优化模型,计算充电时长的取值范围:用整数变量θi表示第i班次闲置时间的充电时长,若不充电,则θi=0;

θi的单位为min;

根据步骤一中获取的基础数据,一天24h被分为J个电价时段,第j时段与第j+1时段的分界时刻为λj表示第j时段的时间区间

当闲置时间跨不同的电价时段时,将充电时长θi分解成 和 按先后顺序分别表示两个电价时段内的充电时长;

整数变量θi、 的取值范围为:

θi∈{0}∪[Tmin,min{tEi,tLi}]其中,tEi为闲置状态不跨相邻电价时段情况下从SOCEi充电到SOCmax所需的时长,单位为min;SOCEi为第i个班次结束时电池的SOC,单位为%;tLi为闲置状态不跨相邻电价时段情况下第i班次结束到第i+1班次开始的闲置时长,单位为min;tEFi为闲置状态跨相邻电价时段情况下前一电价时段内从SOCEi充电到SOCmax所需时长,单位为min;tLFi为闲置状态跨相邻电价时段情况下前一段闲置时长,单位为min;tESi为闲置状态跨相邻电价时段情况下后一电价时段内从 时刻的SOC充电到SOCmax的所需时长,单位为min;tLSi为闲置状态跨相邻电价时段情况下后一段闲置时长,单位为min;Tmin为规定的最短充电时长;

当ti+1‑(ti+Ti)≤Tmin时,θi、 直接取0;

其中ti为第i个班次的发车时刻,ti+1为第i+1个班次的发车时刻,Ti为第i个班次的行程时间,单位为min;

3.3:基于充电方案优化模型和充电时长的取值范围,计算第i班次开始时的SOC和结束时的SOC:SOC1=SOCmax    (4)

其中Qi为第i个班次消耗的电量,单位为kW·h;P为充电功率,单位为kW;

3.4:基于第i班次开始时的SOC和结束时的SOC,计算全天充电电费支出ωtotal:ωtotal=ω1+ω2    (7)

式中:ωtotal为公交车全天充电电费支出之和,单位为元;ω1为全天运营时间内的充电电费支出,单位为元;ω2为全天非运营时间的充电电费支出,单位为元;

所述tEi、tLi、tEFi、tLFi、tESi、tLSi求解方法如下:tLi=ti+1‑(ti+Ti)   (9)其中SOCEi为第i个班次结束时电池的SOC,单位为%;

所述第i个班次消耗的电量Qi表达式为:

2

Qi=‑3.00SOCi+0.27Ti+0.09μi+0.85,i=1,2,...,I,R=0.99    (14)2

其中μi为第i个班次运行时的平均环境温度,单位为°F;R是指拟合优度;

所述全天运营时间内的充电电费支出ω1为:全天非运营时间的充电电费支出ω2为:

ω2=(SOC1‑SOCEI)×B×Mn    (17)式中:Mj为第j电价时段下的电价,单位为元/(kW·h);Mn为非运营时间的电价,单位为元/(kW·h);Ci为第i班次结束后的充电电费支出,单位为元;

所述步骤四中基于步骤二和步骤三获得公交车全天运营时间的充电时长;具体过程为:

4.1:根据Ti服从的分布函数 随机产生Ti值,生成的I个班次的Ti值按班次顺序排列构成一个I维的全天各班次行程时间向量;

执行sT次,生成sT个行程时间向量,构成sT×I的随机行程时间矩阵;

4.2:根据第i班次的闲置时长,在充电时长变量的取值范围内随机产生符合要求的充电时长变量的值,由充电时长变量按班次顺序构成关于充电时长变量的全天决策向量Dθ;

执行sX次,产生sX个Dθ;

4.3:将每个Dθ中的充电时长变量,代入行程时间矩阵sT×I中sT种行程时间,计算是否满足约束条件 满足约束条件的个数与sT的比值即为概率α0,保留概率α0大于α的向量Dθ,该向量Dθ即为符合约束的合法决策向量;

其中,α为预先给定的置信水平;

4.4:计算每一个符合约束的合法决策向量Dθ在随机行程时间矩阵下的全天充电电费总支出ωtotal;

随机行程时间矩阵中包含sT种全天的班次行程时间,最终一个向量会产生sT个ωtotal;

将sT个ωtotal值按升序排列,取第β×sT个值,作为符合约束的合法决策向量Dθ的值,该 在sT种全天的班次行程时间下满足约束其中,β为预先给定的置信水平;

4.5:最终输出不少于 个合法决策向量Dθ,以及每一决策向量下的α0值以及 值;

其中,NP为种群规模,H为最大迭代次数;

4.6:求解全天最低电费支出的问题即为抗原,全天各闲置时间的充电时长组成的决策向量Dθ即为抗体;从 个样本中取NP个Dθ进行种群初始化,记为 抗体的值即为该抗体与抗原间的亲和度,记为

4.7:计算抗体与抗体间的相似度;

4.8:计算抗体浓度

4.9:计算抗体激励度

4.10:根据抗体激励度确定待克隆抗体并进行克隆;具体过程为:取激励度从小到大排列的前NP/2个抗体进行克隆,每个抗体克隆Nc1个;

4.11:将克隆后的抗体进行变异操作,对变异后的抗体进行边界条件处理;具体过程为:变异操作具体为:

若抗体某一维充电时长变量值为0,将充电时长变量跃变为Tmin的变异概率阈值设为pm1,在[0,1]范围产生随机数rand,当rand≤pm1时,该维充电时长变量值则跃变为Tmin,否则不变;

若抗体某一维充电时长变量值为Tmin,将充电时长变量向下跃变为0和向上变异为(Tmin+1)的变异概率阈值分别设为pm2、pm3,在[0,1]范围产生随机数rand,当rand≤pm2时该维充电时长变量值向下跃变为0,当pm2<rand≤pm3时该维充电时长变量值向上变为(Tmin+1),否则不变;

若抗体某一维充电时长变量值大于Tmin时,将充电时长变量向上或向下变异的变异概率阈值分别设为pm4、pm5,在[0,1]范围产生随机数rand,当rand≤pm4时该维充电时长变量值向上变为θi+1,当pm4<rand≤pm5时该维充电时长变量值向下变为θi‑1,否则不变;

对变异后的抗体进行边界条件处理具体为:

需判断变异后的充电时长变量值是否在相应的取值范围内,若变异后的充电时长变量值超过了充电时长变量可取的上限值,则充电时长变量恢复为原始值,即不变异;若未超出范围,则充电时长变量变异为新值;

4.12:对变异后的新抗体进行再选择;具体过程为:计算变异后的新抗体的

将克隆前的旧抗体Dθ与变异后的Nc1个新抗体进行激励度值的比较,保留较小激励度值 对应的抗体;

由于克隆前有NP/2个旧抗体Dθ,因此最终也共保留了NP/2个抗体;

其中, 为第h代时抗体np与抗体j间的亲和度; 为第h代时抗体间的相似度; 为抗体与抗原间的亲和度;

4.13:种群刷新:随机从4.5中输出 个合法样本中抽取NP/2个新抗体;

4.14:种群合并:将步骤4.12保留的NP/2个抗体与步骤4.13抽取的NP/2个新抗体合并,重新形成种群规模为NP的新种群;

4.15:免疫循环:设H0为迭代次数阈值,当h未达到免疫算法最大迭代次数H或连续H0代内给出的最优解还在变化时,重新执行4.7至4.15,令h=h+1;直至达到免疫代数H或连续H0代给出的最优解不变,停止迭代进入4.16;

4.16: 最小的解 即为质量最高的解,也就是充电方案的最优解,获得公交车全天运营时间的充电时长向量Dθ,其对应的 值即为充电电费支出的最优值;

所述4.2中Dθ的维数为 构成 的充电时长矩阵;

为辅助变量,当充电时长变量为θi时, 当充电时长变量为 时, 如式(18):

所述4.7中计算抗体与抗体间的相似度;具体过程为:

4.7.1:计算抗体与抗体间的亲和度,计算亲和度的方式为计算抗体间的海明距离:式中, 和 分别表示第h代抗体np和抗体j, 为第h代时抗体np与抗体j间的亲和度; 为一个二值变量,取值0或1;

式(20)中 和 分别表示抗体np的第k维和抗体j的第k维;

4.7.2:基于抗体与抗体间的亲和度,计算抗体与抗体间的相似度:式(21)中 为第h代时抗体间的相似度;ζ为相似度阈值;

所述4.8中计算抗体浓度 表达式为:

所述4.9中计算抗体激励度 表达式为:

式中, 为抗体与抗原间的亲和度,a和b为激励度系数, 的值越小,表示该抗体质量越高,越应该被激励进行克隆与变异;

所述步骤五中基于步骤三计算获得公交车非运营时间的充电时长;具体过程为:由公式(24)计算出非运营时间的充电时长:式中,符号 表示向上取整。