(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211168563.2 (22)申请日 2022.09.24 (71)申请人 河南工业大 学 地址 450001 河南省郑州市高新 技术产业 开发区莲 花街100号 (72)发明人 王均　黄钶然　吴兰　许潇　姜伟　 黄明山　汪显博　张孝远　李斌全　 (74)专利代理 机构 郑州中科鼎佳专利代理事务 所(特殊普通 合伙) 41151 专利代理师 李路平 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06F 30/20(2020.01) G06F 111/04(2020.01)G06F 111/06(2020.01) G06F 111/08(2020.01) (54)发明名称 一种引导电动汽车有序充电的优化调度方 法 (57)摘要 一种引导电动汽车有序充电的优化调度方 法， 包含以下步骤： S1、 基于蒙特卡洛法建立电动 汽车无序充电负荷预测模型； S2、 在步骤S1的 电 动汽车无序充电负荷预测模型中引入碳交易机 制， 计算发电企业的碳排放量和碳配额； S3、 在常 规阶梯碳价中引入奖励系数ξ1及碳交易成本增 长率τ1， 建立奖惩式阶梯碳价模型； S4、 建立基 于奖惩式阶梯碳价的动态分时电价模型； S5、 建 立电动汽车电价调控模型； S6、 建立电动汽车有 序充电多目标优化函数； S7、 采用多目标非支配 遗传NSGA ‑II求解算法； 本发明通过利用基于奖 惩式阶梯碳价和动态分时电价的调控方法去引 导电动汽车用户进行有序充电行为， 进而有效对 电网的削峰填谷效果， 降低了电网的波动。 权利要求书3页 说明书10页 附图6页 CN 115471100 A 2022.12.13 CN 115471100 A 1.一种引导电动汽车有序充电的优化调度方法， 其特 征是： 包含以下步骤： S1、 基于蒙特卡洛法建立电动汽车 无序充电负荷预测模型； S2、 在步骤S1的电动汽车无序充电负荷预测模型中引入碳交易机制， 计算发电企业的 碳排放量和碳配额； Ect＝ δPPMt EPt＝c1PMt 其中： Ect为t时刻所获的碳配额； EPt为t时刻的碳排放量； PMt为t时刻发电机组的有功出 力， 单位为kW， δP为单位发电量碳排放配 额， 取0.798kg/kWh； c1为电力碳排放因子， 表征每度 电产生的CO2排量， 取0.8386kg/k Wh； S3、 在常规阶梯碳价中引入奖励系数ξ1及碳交易成本增长率τ1， 建立奖惩式 阶梯碳价模 型； S4、 建立基于奖惩式阶梯碳 价的动态分时电价模型； Xt0＝X0λ1/ λ0 a1＝a0τ1/ τ0 b1＝b0ξ1/ ξ0 Pmax＝max(Pt0+PtEV) Pmin＝min(Pt0+PtEV) 其中： X0为初始电价； Y0为电价下降区间， 单位为MW， 由日总负荷平均值与最低值的差值 除以上升区间个数求得； Y1为电价上升区间， 由日总负荷最高值与平均值的差值除以上升 区间个数求得， 单位为MW； Pav表示日总负荷的平均值； Pt0为t时刻不含电动汽车负荷的电网 原负荷， 单位为MW； PtEV为t时刻的电动汽车负荷， 单位为MW； T为每日时刻的分段数； Xt0表示t 时刻， 在奖惩式阶梯碳价影响下的初始电价； Pmax表示一日内的最大总负荷， 单位为MW； Pmin 表示一日内的最小总负荷， 单位为MW； λ0为初始碳交易成本基价； τ0为初始碳交易成本增长 率， 取0.3； a1表示奖惩式阶梯碳价影响下的电价增长系数； a0为初始电价增长系数， 取值范 围为0.05～0.389； ξ1为初始奖励系数， 取0.2； b1表示奖惩式阶梯碳价影响下的电价下降系 数； b0为初始电价下降系数， 取值范围为0～0.173 5； S5、 建立电动汽车电价调控 模型； 权　利　要　求　书 1/3 页 2 CN 115471100 A 2PtEVnew＝ρ PtEV P总＝Pt0+PtEVnew 其中， PtEVnew为电价发生变化后， t时刻电动汽车负荷功率； P总为电网总负荷； S6、 建立电动汽车有序充电多目标优化 函数； 其中： 为通过分时电价调度之后电网总负荷的平均值， 单位为kW； T为每日时刻的分 段数； F1为电网原始负荷与电动汽车充电负荷相叠加的峰谷均方差 最小的目标函 数； F2为电 动汽车充电用户总费用最小的目标函数， 单位为万元； F3为发电企业碳交易成本最小的目 标函数， 单位 为万元； S7、 采用多目标非支配遗传NSGA ‑II求解算法； 通过步骤S1～S6得出目标函数F1～F3； 循 环上述步骤N次， 得到N个种群的目标函数； 对N个种群的目标函数进 行非支配排序以及种群 个体拥挤度的计算； 然后进入种群进化循环阶段， 并对子代进 行目标函数评估， 得出子代的 三个目标函数； 将父代种群(N)和子代种群(N)合并(2N)， 对合并后种群的三个目标函数再 次进行非支配排序及拥挤度的计算， 通过精英 保留策略得到新的父代(N)， 直到进化代数达 到所设置的最大代数； 迭代结束后， 合并每次运行中获得的Pareto解决方案， 在合并后的 Pareto解决方案上应用非支配排序， 筛 选出等级为1的Pareto 最佳解决方案 。 2.如权利要求1所述的引导电动汽车有序充电的优化调度 方法， 其特征是： 步骤S1中设 定每日居民用户的返回时刻t0服从期望为μt， 方差为σt2的正态分布t ‑N( μt, σt2)， 取μt＝ 17.6， σt2＝3.4， 则电动汽车返回 时刻t0的概率密度函数为： 电动汽车用户日行驶里程S服从期望为 μs， 方差为σs2的对数正态分布S ‑log( μs, σs2)； 取 μs＝3.2， σs2＝0.88， 则电动汽车日行驶里程S的概 率密度函数为： 日行驶里程S的电动汽车 所需要的充电时长为： 其中： E为电动汽车每公里的耗电量， 单位为kWh/km； Pc为电动汽车的充电功率， 单位为 kW； ηc为电动汽车的充电效率， 取 ηc＝0.9； 根据蒙特卡洛法模拟得出单辆电动汽车的返回时刻及日行驶里程， 电动汽车充电日负权　利　要　求　书 2/3 页 3 CN 115471100 A 3