本公开公开了一种电动汽车充放电调度方法及系统，通过引入模糊算法，利用最优粒子偏差作为参考量对粒子群算法中的惯性权重参数进行调整，优化粒子更新过程中的自身选择环节，以调整后的惯性权重再次更新各粒子的位置和速度，引入Logistic映射构造混沌序列对粒子群总体最优位置进行混沌优化，改变最优粒子的运动轨迹，以得到的新的最优解作为电动汽车的充放电时序方案。
1.一种电动汽车充放电调度方法，其特征是：包括以下步骤：
引入模糊算法，利用最优粒子偏差作为参考量对粒子群算法中的惯性权重参数进行调整，优化粒子更新过程中的自身选择环节，以调整后的惯性权重再次更新各粒子的位置和速度，引入Logistic映射构造混沌序列对粒子群总体最优位置进行混沌优化，改变最优粒子的运动轨迹，以得到的新的最优解作为电动汽车的充放电时序方案；
根据隶属函数搭建的模糊映射关系，确定每个粒子在新集合中的隶属度，构建关于惯性权重的自适应函数:ω(i,x)＝u(si,x)·[ωk+(ωj-ωk)×dIter/MIter]其中，ωk、ωj分别为开始和结束时刻的惯性权重，dIter、MIter分别为当前迭代次数和最大迭代次数，u(si，x)为对最优粒子偏差构造的隶属函数，具体为：式中，D1、D2为控制因子，ψ、Ф为调整因子，各因子均分布于(0，1)之间，si为最优粒子偏差；
将每辆电动汽车视为一个粒子，其单独一辆汽车存在的充放电时间序列数量作为该粒子维度上的搜索范围，总体的汽车数量作为每个粒子的搜索空间大小，搜索空间中每个粒子的位置信息应包含每辆汽车的初始荷电状态、入网时间和离网时间信息。
2.如权利要求1所述的一种电动汽车充放电调度方法，其特征是：在引入模糊算法前，进行初始化粒子群算法中的粒子飞行速度及位置，构建混沌算法中Logistic模型；
计算每一个粒子的适应度值，更新粒子的个体最优位置及总体最优位置。
3.如权利要求1所述的一种电动汽车充放电调度方法，其特征是：在引入模糊算法后，对惯性权重进行模糊自适应处理；
模糊自适应处理的具体过程包括按照每个粒子的适应度值大小降序排列形成一个新的有序集合，位于集合首位的粒子即适应度值最大的粒子。
4.如权利要求1所述的一种电动汽车充放电调度方法，其特征是：最优粒子偏差为其他各粒子的位置与适应度值最大的粒子相较下的偏差。
5.如权利要求1所述的一种电动汽车充放电调度方法，其特征是：以调整后的惯性权重再次更新各粒子的位置和速度后再次记录最新的个体最优位置和整体最优位置，对整体最优位置进行混沌优化，计算原解空间中混沌变量所经历的每一个可行解的评价值，得到性能最好的可行解，用优化后的可行解代替群体当前任一粒子的位置。
6.如权利要求1所述的一种电动汽车充放电调度方法，其特征是：记录历史最优解，判断是否满足终止条件，如果满足则输出最优个体和最佳适应度值，否则重新以调整后的的惯性权重再次更新各粒子的位置和速度，再次进行混沌优化。
7.一种电动汽车充放电系统，其特征是：运行于处理器或存储器上，被配置为执行包括以下步骤：引入模糊算法，利用最优粒子偏差作为参考量对粒子群算法中的惯性权重参数进行调整，优化粒子更新过程中的自身选择环节，以调整后的惯性权重再次更新各粒子的位置和速度，引入Logistic映射构造混沌序列对粒子群总体最优位置进行混沌优化，改变最优粒子的运动轨迹，以得到的新的最优解作为电动汽车的充放电时序方案；
根据隶属函数搭建的模糊映射关系，确定每个粒子在新集合中的隶属度，构建关于惯性权重的自适应函数:ω(i,x)＝u(si,x)·[ωk+(ωj-ωk)×dIter/MIter]其中，ωk、ωj分别为开始和结束时刻的惯性权重，dIter、MIter分别为当前迭代次数和最大迭代次数，u(si，x)为对最优粒子偏差构造的隶属函数，具体为：式中，D1、D2为控制因子，ψ、Ф为调整因子，各因子均分布于(0，1)之间，si为最优粒子偏差；
将每辆电动汽车视为一个粒子，其单独一辆汽车存在的充放电时间序列数量作为该粒子维度上的搜索范围，总体的汽车数量作为每个粒子的搜索空间大小，搜索空间中每个粒子的位置信息应包含每辆汽车的初始荷电状态、入网时间和离网时间信息。
电动汽车充放电调度方法及系统
技术领域
[0001] 本公开涉及一种电动汽车充放电调度方法及系统。
背景技术
[0002] 随着电动汽车保有量的增加，大规模电动汽车在时间和空间上无序地接入电网势必会对原有的电网系统造成影响。而作为一种特殊的移动储能单元，若能实现电动汽车有
序地接入电网，在电网负荷曲线低谷时进行电能补给，在用电高峰时作为可控的电源向电
网馈电，便能实现用户和电网的双赢。因此，对于合理的电动汽车充放电策略的研究是必要的。
[0003] 电动汽车的有序充放电(V2G)问题通常转换为一个给定用电范围与汽车数量，综合考虑各种负荷约束下的最优电动汽车充放电时序问题。作为一种典型的非线性优化问
题，各种群体智能算法的应用在一定程度上推动了问题的解决。但在考虑多项约束，对设定的目标函数寻优的过程中，常常伴随着算法收敛速度过慢、陷入局部极值，无法达到整体最优的尴尬局面。
[0004] 粒子群(PSO)算法由于其计算迅速和易于实现的特点，已经发展成为一种重要的群体智能算法，其应用领域非常广泛。但在运用到电动汽车充放电的实际问题的过程中，特别是在解决各类非线性、不可微、多峰函数的优化问题上存在早熟收敛，进化后期收敛速度缓慢，精度较差等缺陷。
发明内容
[0005] 本公开为了解决上述问题，提出了一种电动汽车充放电调度方法及系统，本公开克服了只使用一种控制算法解决优化问题易陷入局部极值的不足。
[0006] 为了实现上述目的，本公开采用如下技术方案：
[0007] 一种电动汽车充放电调度方法，包括以下步骤：
[0008] 引入模糊算法，利用最优粒子偏差作为参考量对粒子群算法中的惯性权重参数进行调整，优化粒子更新过程中的自身选择环节，以调整后的惯性权重再次更新各粒子的位
置和速度，引入Logistic映射构造混沌序列对粒子群总体最优位置进行混沌优化，改变最
优粒子的运动轨迹，以得到的新的最优解作为电动汽车的充放电时序方案。
[0009] 作为进一步的限定，在引入模糊算法前，进行初始化粒子群算法中的粒子飞行速度及位置，构建混沌算法中Logistic模型；
[0010] 对粒子的速度和位置进行更新；
[0011] 计算每一个粒子的适应度值，更新粒子的个体最优位置及总体最优位置。
[0012] 作为进一步的限定，在引入模糊算法后，对惯性权重进行模糊自适应处理。
[0013] 作为更进一步的限定，模糊自适应处理的具体过程包括按照每个粒子的适应度值大小降序排列形成一个新的有序集合，位于集合首位的粒子即适应度值最大的粒子。
[0014] 作为进一步的限定，最优粒子偏差为其他各粒子的位置与适应度值最大的粒子相较下的偏差。
[0015] 作为进一步的限定，对最优粒子偏差构造隶属函数，且隶属函数u(si，x)为：
[0016]
[0017] 式中，D1、D2为控制因子，ψ、Ф为调整因子，各因子均分布于(0，1)之间，si为最优粒子偏差。
[0018] 作为更进一步的限定，根据隶属函数搭建的模糊映射关系，确定每个粒子在新集合中的隶属度，构建关于惯性权重的自适应函数:
[0019] ω(i,x)＝u(si,x)·[ωk+(ωj-ωk)×dIter/MIter]
[0020] 其中，ωk、ωj分别为开始和结束时刻的惯性权重，dIter、MIter分别为当前迭代次数和最大迭代次数。
[0021] 作为进一步的限定，以调整后的惯性权重再次更新各粒子的位置和速度后再次记录最新的个体最优位置和整体最优位置，对整体最优位置进行混沌优化，计算原解空间中
混沌变量所经历的每一个可行解的评价值，得到性能最好的可行解，用优化后的可行解代
替群体当前任一粒子的位置。
[0022] 作为进一步的限定，记录历史最优解，判断是否满足终止条件，如果满足则输出最优个体和最佳适应度值，否则重新以调整后的的惯性权重再次更新各粒子的位置和速度，再次进行混沌优化。
[0023] 将每辆电动汽车视为一个粒子，其单独一辆汽车可能存在的充放电时间序列数量作为该粒子维度上的搜索范围，总体的汽车数量作为每个粒子的搜索空间大小，搜索空间
中每个粒子的位置信息应包含每辆汽车的初始荷电状态、入网时间和离网时间信息。
[0024] 一种电动汽车充放电系统，运行于处理器或存储器上，被配置为执行包括以下步骤：
[0025] 引入模糊算法，利用最优粒子偏差作为参考量对粒子群算法中的惯性权重参数进行调整，优化粒子更新过程中的自身选择环节，以调整后的惯性权重再次更新各粒子的位
置和速度，引入Logistic映射构造混沌序列对粒子群总体最优位置进行混沌优化，改变最
优粒子的运动轨迹，以得到的新的最优解作为电动汽车的充放电时序方案。
[0026] 与现有技术相比，本公开的有益效果为：
[0027] 本公开通过引入模糊算法对PSO算法中的ω参数进行调整，优化粒子更新过程中的自身选择功能，确保前期的全局搜索能力及后期的局部收敛能力；又糅合混沌算法遍历、随机的特性，对群体最优位置pg进行扰动，改变最优粒子的运动轨迹，跳出局部极值。通过将三种算法的混合改进，既保证了算法的优化质量，又保证了其解决问题时的收敛速度。
附图说明
[0028] 构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
[0029] 图1是本公开的流程图；
[0030] 图2是本公开的优化曲线图；具体实施方式：
[0031] 下面结合附图与实施例对本公开作进一步说明。
[0032] 应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
[0033] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0034] 在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
[0035] 本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
[0036] 基于FCPSO混合优化算法的电动汽车充放电控制方法，具体步骤实现如下：
[0037] (1)参数初始化(包括PSO算法中的粒子飞行速度vj及位置pj，混沌算法中Logistic模型的建立)
[0038] 随机产生一个每个分量值域在(0,1)之间的B维向量b0＝(b0,1,b0,2,…b0,B)，根据Logistic模型：an+1＝μan(1-an)求得N个向量b1,b2…bn，再将产生的N个混沌变量通过逆映射返回粒子位置的取值空间。
[0039] (2)对粒子的速度和位置进行更新。
[0040]
[0041]
[0042] c1、c2是学习因子，通常设置大小为2；r1、r2∈[0，1]是满足均匀分布的随机变量；ω是惯性权重。
[0043] (3)计算每一个粒子的适应度值。更新粒子的个体最优位置pj及总体最优位置pg。
[0044] (4)对惯性权重ω进行模糊自适应处理。
[0045] 按照每个粒子的适应度值大小pj降序排列形成一个新的有序集合(形如f1、f2…fN)，其中N为种群规模。那么显然位于集合首位的粒子即适应度值最大的粒子，将之定义为新集合中的“最优粒子”。而相应地，第i个粒子在新集合中的位置(即下标i)即可定义为其相较之下的“最优粒子偏差”，记为si。
[0046] 隶属函数是模糊集合理论和具体应用中的一个前提，本公开通过引入“最优粒子偏差”的概念，构造如下的隶属函数(记为u(si，x)):
[0047]
[0048] 式中，D1、D2为控制因子，ψ、Ф为调整因子。各因子均分布于(0，1)之间。
[0049] 通过上述隶属函数搭建的模糊映射关系，我们可以确定每个粒子在新集合中的隶属度，从而构建如下关于惯性权重ω的自适应函数：
[0050] ω(i,x)＝u(si,x)·[ωk+(ωj-ωk)×dIter/MIter] (4)
[0051] 其中，ωk、ωj分别为开始和结束时刻的惯性权重，dIter、MIter分别为当前迭代次数和最大迭代次数。
[0052] (5)根据(4)生成的惯性权重ω调整粒子对于局部和整体的搜索选择，更新粒子的速度和位置。并记录最新的个体最优位置pj和整体最优位置pg。
[0053] (6)对整体最优位置pg进行混沌优化，计算原解空间中混沌变量所经历的每一个可行解的评价值，得到性能最好的可行解。用优化后的可行解代替群体当前任一粒子的位
置。
[0054] (7)记录历史最优解，判断是否满足终止条件(可接受的精确度或达到最大迭代次数)，满足则输出最优个体和最佳适应度值，否则转(5)；
[0055] (8)根据算法输出的最优方案，确定电动汽车的最佳充放电时序。
[0056] 在电动汽车充放电的具体问题中，需要确定的最终结果可定义为每辆电动汽车的具体充放电时序(即算法最终输出的最优方案)。如一辆汽车接入电网时间为8h，其本身需
4h可充至满电。则充放电序列的一个可能存在是“1,1,1,1,-1,0,0,1”(1表示该小时内进行充电，-1表示放电，0表示无动作)。所以一辆汽车的潜在充放电方案有若干，需要根据目标函数以优化后的FCPSO算法从中选取最为合理的调度方案。
[0057] 因此，我们将每辆电动汽车视为一个粒子，其单独一辆汽车可能存在的充放电时间序列数量作为该粒子维度上的搜索范围，总体的汽车数量作为每个粒子的搜索空间大
小。搜索空间中每个粒子的位置信息应包含每辆汽车的初始荷电状态、入网时间和离网时
间等信息；其进化速度受电网侧总功率大小的约束。可设置目标函数为电网侧负荷波动最
小，用户收益最高，抑或二者的加权结合。
[0058] 取某居民区用户及电动汽车负荷数据进行试验，采用FCPSO优化算法对电动汽车充放电调度策略进行优化设计。按照不同发展阶段电动汽车销量的比例，设置居民区内电
动汽车占比分别为15％，30％，50％，
[0059] 对比电动汽车无序充电，电网峰谷差和用户的充电成本获得了明显的改善；通过电网负荷曲线可知，在算法的优化作用下将电动汽车的负荷合理地分配于电网的用电谷
时，并充分发挥电动汽车作为移动储能单元的作用，在用电峰时向电网馈电，有效地缓解了供电压力。结果表明FCPSO算法能更好地对复杂优化问题进行优化。
[0060] 表1充放电优化结果与无序充电的对比
[0061]
[0062] 可以看出，改进后的控制策略在系统负荷方差、均方差上均有效的减少了，对于电网的稳定运行有着积极的推动作用。
[0063] 图2中曲线d为所选居民区内的基础负荷曲线；曲线c为当电动汽车占比为50％时的电网负荷曲线；曲线b为当电动汽车占比为30％时的电网负荷曲线；曲线d为当电动汽车
占比为15％时的电网负荷曲线。从图中可以明显的看出，应用本优化算法得到的电动汽车
充放电调度方案可以有效地使电网负荷曲线得到改善，获得更加高效率、高收益的优化结
果。且可调度的电动汽车基数越大，改善效果越明显。
[0064] 以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
[0065] 上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
