電動汽車的充放電調度方法、伺服器及存儲介質與流程

2024-04-14 23:40:05

1.本技術涉及充放電調度技術領域，尤其涉及一種電動汽車的充放電調度方法、伺服器及存儲介質。


背景技術：

2.新能源電動汽車因具備高效、環保、節能等優點被大力推廣應用，與其匹配的充電樁、充電站的大規模建設勢在必行。智慧園區作為城市微單元，是新基建重要切入點，能在智能園區的停車場內提供「停車充電一體化」的便民服務。
3.目前，在智慧園區內進行的電動汽車充電調度任務面臨巨大挑戰：電動汽車充電負荷具有時空隨機性和間歇性，電動汽車的無序充電行為會給智慧園區中的電網造成負面影響。


技術實現要素：

4.有鑑於此，本技術提供一種電動汽車的充放電調度方法、伺服器及存儲介質。
5.具體地，本技術是通過如下技術方案實現的：
6.根據本技術的第一方面，提供一種電動汽車的充放電調度方法，包括：
7.針對於在智慧園區內進行的電動汽車充放電調度任務，構建多目標優化模型和所述多目標優化模型中的決策變量的約束條件；其中，所述多目標優化模型包括針對於智慧園區內的電網的第一優化模型、針對於智慧園區內的充電站的第二優化模型、和針對於與所述充電站籤約的電動汽車的第三優化模型；
8.以最小化所述第一優化模型中電網的淨負荷方差、所述第二優化模型中充電站的運營成本和所述第三優化模型中電動汽車的總充電成本為優化目標，結合所述約束條件求解所述多目標優化模型，獲得所述多目標優化模型中的決策變量的博弈均衡解；
9.根據所述多目標優化模型中的決策變量的博弈均衡解，執行所述電動汽車充放電調度任務。
10.本技術針對於在智慧園區內進行的電動汽車充放電調度任務，通過智慧園區中的充電站與電動汽車籤約的方式，將電動汽車的無序充電行為轉換為可統籌的有序充放電行為，進而考慮了智能園區中的電網、充電站和與充電站籤約的電動汽車三者的利益均衡問題，從「網-站-車」三個層面構建多目標優化模型和所述多目標優化模型中的決策變量的約束條件。其中，所述多目標優化模型包括針對於智慧園區內的電網的第一優化模型、針對於智慧園區內的充電站的第二優化模型、和針對於與所述充電站籤約的電動汽車的第三優化模型。
11.然後以最小化所述第一優化模型中電網的淨負荷方差、所述第二優化模型中充電站的運營成本和所述第三優化模型中電動汽車的總充電成本為優化目標，結合所述約束條件求解所述多目標優化模型，獲得所述多目標優化模型中的決策變量的博弈均衡解；根據所述多目標優化模型中的決策變量的博弈均衡解，執行所述電動汽車充放電調度任務，實
現有效抑制電網的淨負荷波動、降低充電站的運營成本以及減少與充電站籤約的電動汽車的充電費用，達到「網-站-車」三方均衡共贏的效果。
12.可選的，所述方法還包括：
13.根據所述智慧園區中的電網的負荷歷史數據、充電站的充放電歷史數據、與所述充電站籤約的電動汽車的充放電歷史數據，對所述多目標優化模型中的決策變量的取值進行預測，得到所述決策變量的預測取值集合；
14.所述求解所述多目標優化模型，包括：
15.按照所述多目標優化模型中的決策變量的約束條件，從所述預測取值範圍中隨機選擇所述決策變量的多組解；
16.根據所述決策變量的多組解進行多輪迭代更新，獲得滿足所述多目標優化模型的優化目標的博弈均衡解；其中，所述多目標優化模型的優化目標為最小化以下三者的加權求和結果：所述第一優化模型中電網的淨負荷方差、所述第二優化模型中充電站的運營成本和所述第三優化模型中電動汽車的總充電成本。
17.本技術中，按照相關歷史數據預測可能的取值情況，並按照約束條件從預測取值範圍中隨機選擇所述決策變量的多組解來進行迭代求解，有利於提高求解效率。
18.可選地，所述根據所述決策變量的多組解進行多輪迭代更新，包括：
19.利用隨機選擇的所述決策變量的多組解初始化種群；所述種群包括多個個體，每個個體的位置向量表徵所述決策變量的一組解；
20.在每輪迭代過程中重複執行以下步驟直到達到預設的迭代次數：
21.對於當前種群中的個體，根據該個體對應的所述多目標優化模型的優化目標值確定該個體的適應度值；
22.根據所述當前種群中的各個個體的適應度值選擇最優個體和次優個體；
23.利用所述最優個體的位置向量更新所述當前種群中的個體的位置向量，得到新增種群；和/或，利用所述最優個體的位置向量和所述次優個體的位置向量更新所述當前種群中的個體的位置向量，得到重組種群；其中，所述新增種群和所述重組種群中的至少一個、和所述最優個體組合得到的種群為下一輪迭代過程中的所述當前種群。
24.本技術中，通過基於新增種群和/或重組種群的迭代優化過程，使得多目標優化模型的求解過程可以從局部均衡到全局均衡逼近。
25.可選的，所述利用所述最優個體的位置向量更新所述當前種群中的個體的位置向量，得到新增種群，包括：
26.根據所述最優個體的位置向量和所述當前種群中的個體在當輪迭代過程中的位置向量之間的第一位置向量差值，更新所述當前種群中的個體在當輪迭代過程中的速度向量；
27.利用所述當前種群中的個體更新後的速度向量更新該個體的位置向量，得到新增種群中的新增個體的位置向量。可選的，所述當前種群中的個體更新後的速度向量根據該個體在當輪迭代過程中的速度向量和第一乘積的加權求和結果確定，所述第一乘積為所述第一速度向量差值與預設隨機數之積；所述新增個體的位置向量為所述當前種群中的個體更新後的速度向量和該個體在當輪迭代過程中的位置向量之和。
28.本技術中，在每次迭代時，可以利用所述最優個體的位置向量進行隨機搜索，得到
新增種群，以實現種群在多次迭代後能優中尋優。
29.可選的，所述利用所述最優個體的位置向量和所述次優個體的位置向量更新所述當前種群中的個體的位置向量，得到重組種群，包括：
30.根據所述最優個體的位置向量和所述次優個體的位置向量進行融合，得到重組位置向量，所述重組位置向量表徵所述決策變量的一組重組解，該組重組解的其中一部分來自所述最優個體，另一部來自所述次優個體；
31.根據所述重組位置向量和所述當前種群中的個體在當輪迭代過程中的位置向量之間的第二位置向量差值以及該個體的高斯分布概率，更新所述當前種群中的個體在當輪迭代過程中的速度向量；
32.利用所述當前種群中的個體更新後的速度向量更新該個體的位置向量，得到重組種群中的重組個體的位置向量。可選的，所述當前種群中的個體更新後的速度向量根據該個體在當輪迭代過程中的速度向量和第二乘積的加權求和結果確定，所述第二乘積為所述第二速度向量差值與該個體的高斯分布概率之積；所述重組個體的位置向量為所述當前種群中的個體更新後的速度向量和該個體在當輪迭代過程中的位置向量之和。
33.本技術中，在每次迭代時，可以利用所述最優個體的位置向量和所述次優個體的位置向量進行重組，得到重組種群，這樣能避免忽略種群中最優個體外的其他潛在的次優個體，增加種群的多樣性，提高求解能力。
34.可選的，所述博弈均衡解根據最優一輪迭代過程中，所述當前種群中適應度值最大的個體的位置向量確定；其中，所述適應度值與所述多目標優化模型的優化目標值呈負相關關係。
35.可選的，所述多目標優化模型中的決策變量包括以下至少一種：
36.所述第一優化模型中的電網淨負荷功率；
37.所述第二優化模型中的充電站的購電成本、與所述充電站籤約的電動汽車從無序充電到有序充放電的省電費用、以及與充電站連接的分布式電源發電的省電費用；
38.所述第三優化模型中的與所述充電站籤約的電動汽車從園區停車場行駛到充電站的電量消耗成本、充電站的充電服務成本、與所述充電站籤約的電動汽車從充電站行駛到園區停車場的電量消耗成本、以及與所述充電站籤約所存儲電能的賣電收益；如果智慧園區將停車場和充電站二者合一，實現「停車充電一體化」，則此成本忽略不計。
39.本技術中，考慮了智能園區中的電網、充電站和與充電站籤約的電動汽車三者的利益均衡問題，從「網-站-車」三個層面確定多目標優化模型的決策變量進行求解，以便達到「網-站-車」三方均衡共贏的效果。
40.可選的，所述第三優化模型還包括影響所述第三優化模型中的決策變量的目標係數；
41.所述目標係數包括以下至少一種：針對於充電站的充電服務成本的優惠係數和充電次數階梯獎勵係數、以及針對於所述賣電收益的賣電次數階梯獎勵係數；其中，所述優惠係數和充電次數階梯獎勵係數均小於1，所述賣電次數階梯獎勵係數大於1。
42.本實施例中，通過設置優惠係數和獎勵係數對電動汽車進行補償，以降低電動汽車的充電成本。
43.所述多目標優化模型中的決策變量的約束條件包括以下至少一種：
是指並包含一個或多個相關聯的列出項目的任何或所有可能組合。
64.應當理解，儘管在本技術可能採用術語第一、第二、第三等來描述各種信息，但這些信息不應限於這些術語。這些術語僅用來將同一類型的信息彼此區分開。例如，在不脫離本技術範圍的情況下，第一信息也可以被稱為第二信息，類似地，第二信息也可以被稱為第一信息。取決於語境，如在此所使用的詞語「如果」可以被解釋成為「在
……
時」或「當
……
時」或「響應於確定」。
65.電動汽車的推廣有助於緩解能源危機、環境汙染和全球變暖等問題。智慧園區作為城市微單元，是新基建重要切入點，能在智能園區的停車場內提供「停車充電一體化」的便民服務。目前，在智慧園區內進行的電動汽車充電調度任務面臨巨大挑戰：電動汽車充電負荷具有時空隨機性和間歇性，也會造成與充電站連接的分布式電源放電的隨機性和間歇性，電動汽車的無序充電行為會給智慧園區中的電網造成負面影響。比如電動汽車和分布式電源的大規模接入會導致電網負荷容量增加、電能峰谷差增大或者負荷不平衡度加劇等問題，這些問題可能對電網的安全運行造成威脅。
66.針對於相關技術中的問題，本技術提供了一種電動汽車的充放電調度方法，針對於在智慧園區內進行的電動汽車充放電調度任務，通過智慧園區中的充電站與電動汽車籤約的方式，將電動汽車的無序充電行為轉換為可統籌的有序充放電行為，進而考慮了智能園區中的電網、充電站和與充電站籤約的電動汽車三者的利益均衡問題，從「網-站-車」三個層面構建多目標優化模型和所述多目標優化模型中的決策變量的約束條件。其中，所述多目標優化模型包括針對於智慧園區內的電網的第一優化模型、針對於智慧園區內的充電站的第二優化模型、和針對於與所述充電站籤約的電動汽車的第三優化模型。
67.然後以最小化所述第一優化模型中電網的淨負荷方差、所述第二優化模型中充電站的運營成本和所述第三優化模型中電動汽車的總充電成本為優化目標，結合所述約束條件求解所述多目標優化模型，獲得所述多目標優化模型中的決策變量的博弈均衡解；根據所述多目標優化模型中的決策變量的博弈均衡解，執行所述電動汽車充放電調度任務，實現有效抑制電網的淨負荷波動、降低充電站的運營成本以及減少與充電站籤約的電動汽車的充電費用，達到「網-站-車」三方均衡共贏的效果。
68.本技術實施例提供的電動汽車的充放電調度方法可以由伺服器來執行在一個例子中，所述伺服器包括有存儲器和處理器，所述存儲器上存儲有所述電動汽車的充放電調度方法的可執行指令，以便處理器在執行所述可執行指令時能夠實現所述電動汽車的充放電調度方法。在另一個例子中，所述電動汽車的充放電調度方法可以封裝成一電腦程式產品，併集成在所述伺服器中。
69.所述伺服器可以是設置於智慧園區中的伺服器，所述伺服器可以獲取到該智慧園區中與電網有關的負荷數據、與充電站有關的充放電數據以及在該智慧園區中充電的電動汽車的充放電數據，以便基於獲取的數據進行電動汽車的充放電調度過程。在一個例子中，所述伺服器可以與電動汽車通信連接，以及所述伺服器可以與充電站通信連接，從而可以對電動汽車的充放電過程進行調度，比如在充電站有多個充電樁的情況下，調度電動汽車到空閒的充電樁處充電，提高充電樁利用率。
70.請參閱圖1，圖1為本技術提供的一種電動汽車的充放電調度方法的流程示意圖，以所述方法由智慧園區中的伺服器來執行進行說明，所述方法包括：
71.在步驟101中，針對於在智慧園區內進行的電動汽車充放電調度任務，構建多目標優化模型和所述多目標優化模型中的決策變量的約束條件；其中，所述多目標優化模型包括針對於智慧園區內的電網的第一優化模型、針對於智慧園區內的充電站的第二優化模型、和針對於與所述充電站籤約的電動汽車的第三優化模型。
72.在步驟102中，以最小化所述第一優化模型中電網的淨負荷方差、所述第二優化模型中充電站的運營成本和所述第三優化模型中電動汽車的總充電成本為優化目標，結合所述約束條件求解所述多目標優化模型，獲得所述多目標優化模型中的決策變量的博弈均衡解。
73.在步驟103中，根據所述多目標優化模型中的決策變量的博弈均衡解，執行所述電動汽車充放電調度任務。
74.本技術中，通過智慧園區中的充電站與電動汽車籤約的方式，將電動汽車的無序充電行為轉換為可統籌的有序充放電行為，進而考慮了智能園區中的電網、充電站和與充電站籤約的電動汽車三者的利益均衡問題，從「網-站-車」三個層面構建多目標優化模型，通過求解所述多目標優化模型，獲得能夠有效抑制電網的淨負荷波動、降低充電站的運營成本以及減少與充電站籤約的電動汽車的充電費用的博弈均衡解，並以此來執行在智慧園區中進行的電動汽車充放電調度任務，達到「網-站-車」三方均衡共贏的效果。
75.所述多目標優化模型包括針對於智慧園區內的電網的第一優化模型、針對於智慧園區內的充電站的第二優化模型、和針對於與所述充電站籤約的電動汽車的第三優化模型。可以理解的是，第一優化模型、第二優化模型和第三優化模型的數量可依據智慧園區的實際應用場景進行具體設置，本實施例對此不做任何限制。
76.其中，智慧園區包括但不限於工業園區、商業園區或者居民區等不同場景。
77.所述多目標優化模型為第一優化模型、第二優化模型和第三優化模型的加權求和結果。所述多目標優化模型的優化目標為最小化所述加權求和結果。
78.在一個例子中，如公式(1)示出了針對於在智慧園區內進行的電動汽車充放電調度任務，從電網、充電站、與充電站籤約的電動汽車三個層面考慮而建立的多目標優化模型。
[0079][0080]
其中，f表示多目標優化模型。f
grid
表示電網層面的第一優化模型的集合，它可包含針對於智慧園區內的電網的多個不同的第一優化模型，f
grid，i
，i表示第i個第一優化模型，取值為[1，n]。f
ev
表示電動汽車層面的第三優化模型的集合，它可包含針對於與所述充電站籤約的電動汽車的多個不同的第三優化模型f
ev，j
，j表示第j個第三優化模型，取值為[1，m]。f
station
表示充電站層面的第二優化模型的集合，它可包含針對於智慧園區內的充電站的多個不同的第二優化模型f
station，h
，h表示第h個第二優化模型，取值為[1，l]。
[0081]
在電網層面，考慮其供電穩定的需求，以最小化電網的淨負荷方差為優化目標構建第一優化模型，所述第一優化模型的決策變量為電網淨負荷功率。
[0082]
在一個例子中，如公式(2)示出了以最小化電網的淨負荷方差為優化目標構建的
第一優化模型的表示形式：
[0083][0084]
其中，t為電動汽車參與協同調度的某時刻，t為一個協同調度的周期，所述協同周期為電動汽車的充放電的周期；f
grid，v
表示以最小化電網的淨負荷方差為優化目標的第一優化模型，p
grid
(t)為t時刻電網淨負荷功率，p
grid，m
(t)為t時刻電網淨負荷功率的平均值。
[0085]
在充電站層面，考慮其運營成本的需求，以最小化充電站的運營成本為優化目標構建第二優化模型，所述第二優化模型的決策變量為充電站的購電成本、與所述充電站籤約的電動汽車從無序充電到有序充放電的省電費用、以及與充電站連接的分布式電源發電的省電費用。
[0086]
在一個例子中，如公式(3)示出了以最小化充電站的運營成本為優化目標構建第二優化模型的表示形式：
[0087]fstation，c
＝min[c
gp-c
der-δcr]
ꢀꢀꢀ
(3)。
[0088]
其中，f
station，c
表示以最小化充電站的運營成本為優化目標的第二優化模型；c
gp
為從電網的購電成本；c
der
為與充電站連接的分布式電源發電節省的費用；δcr與所述充電站籤約的電動汽車從無序充電到有序充放電的省電費用。
[0089]
在電動汽車層面，考慮電動汽車的充電成本的需求，通過籤約補償的激勵機制，以最小化電動汽車的總充電成本為優化目標構建第三優化模型。所述第三優化模型中的決策變量包括與所述充電站籤約的電動汽車行駛到充電站的電量消耗成本、充電站的充電服務成本、與所述充電站籤約的電動汽車從充電站行駛到目的地的電量消耗成本、以及與所述充電站籤約所存儲電能的賣電收益。
[0090]
其中，基於籤約補償的激勵機制，所述第三優化模型還包括影響所述第三優化模型中的決策變量的目標係數；所述目標係數包括以下至少一種：針對於充電站的充電服務成本的優惠係數和充電次數階梯獎勵係數、以及針對於所述賣電收益的賣電次數階梯獎勵係數；所述優惠係數和充電次數階梯獎勵係數均小於1，所述賣電次數階梯獎勵係數大於1。電動汽車通過與園區充電站籤約，能夠以優惠低價充電、參與需求響應，減少充電成本。
[0091]
在一個例子中，如公式(4)示出了最小化電動汽車的總充電成本為優化目標構建的第三優化模型的表示形式：
[0092]fev，c
＝min[ca+εμcs+c
e-入c
se
]
ꢀꢀ
(4)。
[0093]
其中，f
ev，c
表示以最小化電動汽車的總充電成本為優化目標的第三優化模型；ca為考慮電動汽車行駛到充電站過程的電量消耗成本；cs為充電站的充電服務費成本，ε為與所述充電站籤約的電動汽車的優惠係數(ε＜1)，μ為與所述充電站籤約的電動汽車的充電次數階梯獎勵係數(μ＜1)；ce為電動汽車從充電站行駛到目的地的電量消耗對應的成本；c
se
為與所述充電站籤約的電動汽車在空閒狀態所儲電能的賣電收益，λ為與所述充電站籤約的電動汽車的賣電次數階梯獎勵係數(λ＞1)。
[0094]
所述多目標優化模型中的決策變量的約束條件包括等式約束條件和/或不等式約束條件。所述多目標優化模型中的決策變量的約束條件包括以下至少一種：
[0095]
1、電網在同一時刻的發電功率與耗電功率相同。換句話說，電網在同一時刻的發電功率等於耗電功率與存儲功率代數和；其中，與充電站連接的儲能模塊處於充電狀態時
所述存儲功率為正值，以及所述儲能模塊處於放電狀態時所述存儲功率為負值。
[0096]
如公式(5)示出了電網在同一時刻的發電功率與耗電功率及存儲功率的等式約束：
[0097]
p
grid
(t)+p
der
(t)＝p
bl
(t)+p
ev
(t)+p
ess
(t)
ꢀꢀ
(5)。
[0098]
其中，p
grid
(t)為t時刻電網淨負荷功率，p
bl
(t)為基礎負荷(智慧園區中的空調、照明、管理設備的負荷)在t時刻的功率，p
der
(t)為分布式電源在t時刻的總發電功率，p
ess
(t)為儲能模塊在t時刻的功率(放電為負值，充電為正值)，p
ev
(t)為與所述充電站籤約的電動汽車在t時刻的總功率(放電為負值，充電為正值)。
[0099]
2、電動汽車的充放電功率在預設功率範圍內。
[0100]
如公式(6)示出的與所述充電站籤約的電動汽車的充放電功率限制約束：p
ev,min
≤|p
ev
(t)|≤p
ev,max
(6)。其中，p
ev,min
和p
ev,max
分別為電動汽車充放/電功率的下限值和上限值。
[0101]
3、智慧園區籤約電動汽車無序充電的總功率與所述博弈均衡解指示的智慧園區籤約電動汽車有序充放電的總功率相同。
[0102]
如公式(7)示出了電動汽車無序充電的總功率與所述博弈均衡解指示的電動汽車有序充電的總功率相等的等式約束：其中，p
ev
(t)表示電動汽車無序充電的總功率，p
′
ev
(t)表示所述博弈均衡解指示的電動汽車有序充電的總功率。籤約電動汽車不出車時當作儲能設備進行有序放電，其放電功率則計入儲能模塊的總功率。
[0103]
4、與充電站連接的儲能模塊存儲的電量在預設電量範圍內。
[0104]
如公式(8)示出了儲能模塊的等式約束和不等式約束：
[0105][0106]
其中，e
ess
(t)表示儲能模塊的電量，其中η
ch
表示其充電效率，η
dis
表示其放電效率。e
ess，min
和e
ess，max
為對儲能模塊的電量的下限和上限值。儲能模塊單位時間內只能放電或充電，s
ch
(t)、s
dis
(t)為表示其充放電狀態的二進位變量。
[0107]
5、電動汽車接入充電站的電流小於預設的允許電流值。
[0108]
如公式(9)示出了電流的不等式約束：{i
n，i
(t)，i
a，i
(t)，i
b，i
(t)，i
c，i
(t)}≤i
allow，i
(9)。其中，電動汽車接入充電站的任意接入i點的電流值均不能超過電流允許的最大值i
allow，i
；電動汽車接入點為充電站a、b、c三相中的某一相，ia(t)、ib(t)、ic(t)分別為各相接入電流，in(t)為i點中線電流值。
[0109]
6、充電站接入電網的電壓偏移在預設範圍內。
[0110]
為確保電能質量，充電站接入電網可能導致電網電壓產生偏移，因此電壓偏移必須限制在一定範圍內。如公式(10)示出了電壓偏移的不等式約束：其中，ui為充電站i的電壓；u
rated
為配電網的額定電壓；α為最大允許電壓偏移。
[0111]
7、用於供電的線路的最大有功功率(即峰值功率)小於預設功率閾值。
[0112]
為了確保供電穩定，要求用於供電的線路的有功功率不能超過線路允許流過的最大功率。如公式(11)示出了有關於線路的有功功率的不等式約束：p
l
≤p
l，max
(11)。其中，p
l
為線路l的有功功率；p
l，max
為線路l允許流過的最大功率。
[0113]
8、電網的局部負荷峰谷差小於預設的局部負荷峰谷差閾值。
[0114]
本技術針對於充電站低谷時段充電可能出現的新高峰問題，增加電網局部峰谷差約束條件，以抑制低谷時段充電出現的新負荷尖峰。如公式(12)示出了有關於抑制局部負荷尖峰的不等式約束：δp
pv
(t)＝max[p
grid
(t)]-min[p
grid
(t)]≤σp
opt
(12)。其中，δp
pv
(t)為t時刻的負荷峰谷差，max[p
grid
(t)]表示t時刻的電網的淨負荷功率最大值，min[p
grid
(t)]表示t時刻的電網的淨負荷功率最小值，po
pt
為最優局部負荷峰谷差，σ為局部峰谷差約束係數，且σ＞1。
[0115]
在構建多目標優化模型和所述多目標優化模型中的決策變量的約束條件之後，請參閱圖2，伺服器以最小化所述第一優化模型中電網的淨負荷方差、所述第二優化模型中充電站的運營成本和所述第三優化模型中電動汽車的總充電成本為優化目標，結合所述約束條件求解所述多目標優化模型，獲得所述多目標優化模型中的決策變量的博弈均衡解，實現在上述3種優化模型中取得平衡。所述多目標優化模型為第一優化模型、第二優化模型和第三優化模型的加權求和結果；請參閱公式(1)，所述多目標優化模型的優化目標為最小化所述加權求和結果。
[0116]
可以根據所述智慧園區中的電網的負荷歷史數據、充電站的充放電歷史數據、與所述充電站籤約的電動汽車的充放電歷史數據，對所述多目標優化模型中的決策變量的取值進行預測，得到所述決策變量的預測取值集合。
[0117]
從電網層面，可以根據所述智慧園區中的電網的負荷歷史數據分析電網在不同時間段(比如不同季節或者不同月份)的基礎負荷(空調、照明、管理設備)情況、以及分析電網在不同時間段內的某一單位時間(比如單位時間為一天24小時)的最大負荷增長功率，獲得電網負荷分析結果。進而可以根據電網負荷分析結果預測電網淨負荷功率的若干可能的取值，得到電網淨負荷功率的預測取值集合。
[0118]
從充電站層面，可以根據充電站的充放電歷史數據分析與充電站連接的分布式電源的供電規律、以及分析與充電站連接的儲能模塊的充放電功率變化情況，獲得充電站充放電分析結果。進而根據充電站充放電分析結果預測充電站的購電成本、與所述充電站籤約的電動汽車從無序充電到有序充放電的省電費用、以及與充電站連接的分布式電源發電的省電費用分別對應的若干可能的取值，獲得充電站的購電成本的預測取值集合、所述充電站籤約的電動汽車從無序充電到有序充放和電的省電費用的預測取值集合、以及與充電站連接的分布式電源發電的省電費用的預測取值集合。
[0119]
從電動汽車層面，可以根據與所述充電站籤約的電動汽車的充放電歷史數據，分析與所述充電站籤約的電動汽車的充放電規律、以及分析與所述充電站籤約的電動汽車無序充電的負荷功率的峰值規律，獲得電動汽車充放電分析結果。進而根據電動汽車充放電分析結果預測所述第三優化模型中的多個決策變量分別對應的若干可能的取值，獲得與所述充電站籤約的電動汽車從停車場行駛到充電站的電量消耗成本的預測取值集合、充電站的充電服務成本的預測取值集合、與所述充電站籤約的電動汽車從充電站行駛到停車場的電量消耗成本的預測取值集合、以及與所述充電站籤約所存儲電能的賣電收益的預測取值集合。
[0120]
在對多目標優化模型進行求解的過程中，伺服器可以按照所述多目標優化模型中
的決策變量的約束條件，從所述預測取值範圍中隨機選擇所述決策變量的多組解，所述決策變量的多組解滿足所述約束條件；然後根據所述決策變量的多組解進行多輪迭代更新，獲得滿足所述多目標優化模型的優化目標的博弈均衡解；其中，所述多目標優化模型的優化目標為最小化所述第一優化模型中電網的淨負荷方差、所述第二優化模型中充電站的運營成本和所述第三優化模型中電動汽車的總充電成本的加權求和結果。本技術中，按照相關歷史數據預測可能的取值情況，並按照約束條件從預測取值範圍中隨機選擇所述決策變量的多組解來進行迭代求解，有利於提高求解效率。
[0121]
在一種可能的實施方式中，請參閱圖3，圖3示出了求解多目標優化模型的流程示意圖。
[0122]
在步驟201中，進行多目標優化模型的初始化。
[0123]
所述伺服器按照所述多目標優化模型中的決策變量的約束條件從所述預測取值範圍中隨機選擇所述決策變量的多組解，利用隨機選擇的所述決策變量的多組解初始化種群，所述種群包括多個個體，每個個體的位置向量表徵所述決策變量的一組解，每個個體的速度向量的初始值為0。
[0124]
在步驟202中，對於當前種群中的個體，根據該個體對應的所述多目標優化模型的優化目標值確定該個體的適應度值。
[0125]
請參閱公式(1)，所述多目標優化模型的優化目標值為最小化所述第一優化模型的優化目標(電網的淨負荷方差)、所述第二優化模型的優化目標(充電站的運營成本)和所述第三優化模型的優化目標(電動汽車的總充電成本)三者的加權求和結果。
[0126]
針對於任意一個個體，伺服器根據各個個體對應的所述決策變量的一組解計算多目標優化模型的優化目標值，然後根據計算得到的優化目標值確定該個體的適應度值。在一個例子中，所述適應度值為所述優化目標值的倒數，則適應度值與優化目標值成負相關關係。在另一個例子中，所述適應度值為所述優化目標值，則適應度值與優化目標值成正相關關係。
[0127]
在步驟203中，根據所述當前種群中的各個個體的適應度值選擇最優個體和次優個體。
[0128]
可以根據所述當前種群中的各個個體的適應度值進行排序，從而選出最優個體和次優個體，比如將適應度值在第一區間的個體確定為最優個體，適應度值在第二區間的個體確定為次優個體，第一區間和第二區間的具體取值可依據實際應用場景進行具體設置。
[0129]
在一個例子中，所述適應度值為所述優化目標值的倒數，設適應度值為fe，則有fe＝1/f，其中，f為求解公式(1)得到的優化目標值。根據所述當前種群中的各個個體的適應度值，可以將適應度值在0.5以下的個體捨棄；將適應度值在0.5～0.8之間的個體作為次優個體；將適應度值在0.8～1之間的個體作為最優個體。
[0130]
可以理解的是，對於在步驟203中確定的最優個體和次優個體的數量不做任何限制，可依據實際應用場景進行具體設置。
[0131]
在步驟204中，利用所述最優個體的位置向量更新所述當前種群中的個體的位置向量，得到新增種群；和/或，利用所述最優個體的位置向量和所述次優個體的位置向量更新所述當前種群中的個體的位置向量，得到重組種群；其中，所述新增種群和所述重組種群中的至少一個、和所述最優個體組合得到的種群為下一輪迭代過程中的所述當前種群。
(k)，p2(k)，...，pn(k))，pi(k)＝[p
i1
(k)，p
i2
(k)，...，p
iw
(k)]
t
表示第i個個體的位置向量；vi(k)＝[v
i1
(k)，v
i2
(k)，...，v
iw
(k)]
t
表示第i個個體的速度向量，si(k)＝[s
i1
(k)，s
i2
(k)，...，s
iw
(k)]
t
表示最優個體的位置向量。第k+1次迭代的當前種群包括基於第k次迭代的最優個體確定的新增種群、以及基于于第k次迭代的最優個體和次優個體確定的重組種群。
[0143]
新增種群中的新增個體的位置向量和速度向量可以基於如下的公式(13)和公式(15)計算得到，重組種群中的重組個體的位置向量和速度向量可以基於如下的公式(14)和公式(15)計算得到。
[0144]viw
(k+1)＝σ1v
iw
(k)+σ2r(s
iw
(k)-p
iw
(k))
ꢀꢀ
(13)；
[0145]viw
(k+1)＝σ1v
iw
(k)+σ3e
pi
(s
mix
(k)-p
iw
(k))
ꢀꢀ
(14)；
[0146]
p
iw
(k+1)＝p
iw
(k)+v
iw
(k+1)
ꢀꢀ
(15)。
[0147]
其中，σ1、σ2、σ3表示權重；r是0～1之間的隨機數；e
pi
為第i個個體的位置向量的高斯分布概率；速度向量v
iw
反映個體在w維空間中進行搜索遍歷的能力，影響個體位置更新的步長。s
mix
(k)表示根據第k次迭代的最優個體和次優個體融合之後的重組位置向量，例如所述重組位置向量表徵所述決策變量的一組重組解，例如該組重組解中的50％來自所述最優個體，另外50％自所述次優個體。
[0148]
在步驟206中，在達到迭代次次數之後，所述伺服器根據當前種群中的最優個體的位置向量，輸出所述多目標優化模型中的決策變量的博弈均衡解。在一個例子中，所述適應度值與所述多目標優化模型的優化目標值呈負相關關係，則伺服器根據當前種群中適應度值最大的個體的位置向量，輸出所述多目標優化模型中的決策變量的博弈均衡解。在另一個例子中，所述適應度值與所述多目標優化模型的優化目標值呈正相關關係，則伺服器根據當前種群中適應度值最小的個體的位置向量，輸出所述多目標優化模型中的決策變量的博弈均衡解。
[0149]
伺服器在獲得所述多目標優化模型中的決策變量的博弈均衡解之後，可以根據所述多目標優化模型中的決策變量的博弈均衡解，執行所述電動汽車充放電調度任務，實現有效抑制電網的淨負荷波動、降低充電站的運營成本以及減少與充電站籤約的電動汽車的充電費用，達到「網-站-車」三方均衡共贏的效果。在電網層面，通過與充電站籤約的電動汽車的有序充放電緩解因分布式電源發電的隨機性和間歇性、以及電動汽車無序充電行為會對電網造成負面影響，減小淨負荷波動和峰谷差，改善電網負荷特性。在園區充電站層面，可以通過與充電站籤約的電動汽車在低谷價的充電行為，減少購電和運維成本。在籤約電動汽車層面，通過與園區充電站籤約，能夠以優惠低價充電、參與需求響應，減少充電成本。
[0150]
以所述智慧園區為居民區為例進行說明，則在智慧園區中除了電動汽車的充放電任務之外，還會涉及到智慧園區中的居民用電任務，可以通過智慧園區中樓宇籤約住戶的可控負荷的優化調度，進行低谷期有序充電和高峰期放電平峰。與充電站籤約的電動汽車具有放電功能的情況下，將智慧園區中與充電站籤約的電動汽車當成儲能負荷，與可中斷負荷(如空調、電加熱器、取暖器、電扇等)、可平移負荷(洗衣機、消毒櫃、掃地機器人等)組成住戶可控負荷，實現智慧園區籤約住戶主動參與需求響應，進行多方博弈調度。在籤約住戶用電舒適度允許的情況下達到智慧園區可再生能源消納率最大、樓宇住戶電費最少、負荷峰谷差最小。
[0151]
針對於智慧園區中的居民用電任務，可以構建目標優化模型和所述目標優化模型中的決策變量的約束條件；其中，所述目標優化模型包括針對於智慧園區內的電網的第一模型、針對於智慧園區內的籤約住戶的第二模型、和針對於與充電站籤約的電動汽車的第三模型；以最小化所述第一模型中電網的淨負荷方差、所述第二模型中簽約住戶的用電成本和所述第三模型中電動汽車的總充電成本為優化目標，結合所述約束條件求解所述目標優化模型，獲得所述目標優化模型中的決策變量的博弈均衡解；根據所述目標優化模型中的決策變量的博弈均衡解，執行所述智慧園區籤約汽車充電任務，在籤約車主用車舒適度允許的情況下達到智慧園區籤約電動汽車總充電成本最小、充電站運營成本最小、電網以淨負荷方差最小。
[0152]
其中，不難理解，本技術描述的上述方案在不存在衝突的情況，可以進行組合，本技術中不一一例舉。
[0153]
在一些實施例中，請參閱圖4，本技術實施例還提供了一種伺服器，包括存儲器10、處理器20及存儲在存儲器10上並可在處理器20上運行的可執行指令；
[0154]
其中，所述處理器20執行所述可執行指令時，用於：
[0155]
針對於在智慧園區內進行的電動汽車充放電調度任務，構建多目標優化模型和所述多目標優化模型中的決策變量的約束條件；其中，所述多目標優化模型包括針對於智慧園區內的電網的第一優化模型、針對於智慧園區內的充電站的第二優化模型、和針對於與所述充電站籤約的電動汽車的第三優化模型；
[0156]
以最小化所述第一優化模型中電網的淨負荷方差、所述第二優化模型中充電站的運營成本和所述第三優化模型中電動汽車的總充電成本為優化目標，結合所述約束條件求解所述多目標優化模型，獲得所述多目標優化模型中的決策變量的博弈均衡解；
[0157]
根據所述多目標優化模型中的決策變量的博弈均衡解，執行所述電動汽車充放電調度任務。
[0158]
所述處理器20包括但不限於中央處理單元(central processing unit，cpu)、數位訊號處理器(digital signal processor，dsp)、專用集成電路(application specific integrated circuit，asic)或者現成可編程門陣列(field-programmable gate array，fpga)等。
[0159]
所述存儲器10可以包括至少一種類型的存儲介質，存儲介質包括快閃記憶體、硬碟、多媒體卡、卡型存儲器(例如，sd或dx存儲器等等)、隨機訪問存儲器(ram)、靜態隨機訪問存儲器(sram)、只讀存儲器(rom)、電可擦除可編程只讀存儲器(eeprom)、可編程只讀存儲器(prom)、磁性存儲器、磁碟、光碟等等。
[0160]
所述處理器20還用於：
[0161]
根據所述智慧園區中的電網的負荷歷史數據、充電站的充放電歷史數據、與所述充電站籤約的電動汽車的充放電歷史數據，對所述多目標優化模型中的決策變量的取值進行預測，得到所述決策變量的預測取值集合；
[0162]
按照所述多目標優化模型中的決策變量的約束條件，從所述預測取值範圍中隨機選擇所述決策變量的多組解；
[0163]
根據所述決策變量的多組解進行多輪迭代更新，獲得滿足所述多目標優化模型的優化目標的博弈均衡解；其中，所述多目標優化模型的優化目標為最小化以下三者的加權
求和結果：所述第一優化模型中電網的淨負荷方差、所述第二優化模型中充電站的運營成本和所述第三優化模型中電動汽車的總充電成本。
[0164]
所述處理器20具體用於：
[0165]
利用隨機選擇的所述決策變量的多組解初始化種群；所述種群包括多個個體，每個個體的位置向量表徵所述決策變量的一組解；
[0166]
在每輪迭代過程中重複執行以下步驟直到達到預設的迭代次數：
[0167]
對於當前種群中的個體，根據該個體對應的所述多目標優化模型的優化目標值確定該個體的適應度值；
[0168]
根據所述當前種群中的各個個體的適應度值選擇最優個體和次優個體；
[0169]
利用所述最優個體的位置向量更新所述當前種群中的個體的位置向量，得到新增種群；和/或，利用所述最優個體的位置向量和所述次優個體的位置向量更新所述當前種群中的個體的位置向量，得到重組種群；其中，所述新增種群和所述重組種群中的至少一個、和所述最優個體組合得到的種群為下一輪迭代過程中的所述當前種群。
[0170]
所述處理器20具體用於：根據所述最優個體的位置向量和所述當前種群中的個體在當輪迭代過程中的位置向量之間的第一差值，更新所述當前種群中的個體在當輪迭代過程中的速度向量；利用所述當前種群中的個體更新後的速度向量更新該個體的位置向量，得到新增種群中的新增個體的位置向量。
[0171]
所述當前種群中的個體更新後的速度向量根據該個體在當輪迭代過程中的速度向量和第一乘積的加權求和結果確定，所述第一乘積為所述第一差值與預設隨機數之積；所述新增個體的位置向量為所述當前種群中的個體更新後的速度向量和該個體在當輪迭代過程中的位置向量之和。
[0172]
所述處理器20具體用於：根據所述最優個體的位置向量和所述次優個體的位置向量進行融合，得到重組位置向量，所述重組位置向量表徵所述決策變量的一組重組解，該組重組解的其中一部分來自所述最優個體，另一部來自所述次優個體；根據所述重組位置向量和所述當前種群中的個體在當輪迭代過程中的位置向量之間的第二差值以及該個體的高斯分布概率，更新所述當前種群中的個體在當輪迭代過程中的速度向量；利用所述當前種群中的個體更新後的速度向量更新該個體的位置向量，得到重組種群中的重組個體的位置向量。
[0173]
所述當前種群中的個體更新後的速度向量根據該個體在當輪迭代過程中的速度向量和第二乘積的加權求和結果確定，所述第二乘積為所述第二差值與該個體的高斯分布概率之積；所述重組個體的位置向量為所述當前種群中的個體更新後的速度向量和該個體在當輪迭代過程中的位置向量之和。
[0174]
所述博弈均衡解根據最優一輪迭代過程中，所述當前種群中適應度值最大的個體的位置向量確定；其中，所述適應度值與所述多目標優化模型的優化目標值呈負相關關係。
[0175]
所述多目標優化模型中的決策變量包括以下至少一種：所述第一優化模型中的電網淨負荷功率；所述第二優化模型中的充電站的購電成本、與所述充電站籤約的電動汽車從無序充電到有序充放電的省電費用、以及與充電站連接的分布式電源發電的省電費用；所述第三優化模型中的與所述充電站籤約的電動汽車行駛到充電站的電量消耗成本、充電站的充電服務成本、與所述充電站籤約的電動汽車從充電站行駛到目的地的電量消耗成
本、以及與所述充電站籤約所存儲電能的賣電收益。
[0176]
所述第三優化模型還包括影響所述第三優化模型中的決策變量的目標係數；所述目標係數包括以下至少一種：針對於充電站的充電服務成本的優惠係數和充電次數階梯獎勵係數、以及針對於所述賣電收益的賣電次數階梯獎勵係數；其中，所述優惠係數和充電次數階梯獎勵係數均小於1，所述賣電次數階梯獎勵係數大於1。
[0177]
所述多目標優化模型中的決策變量的約束條件包括以下至少一種：(1)電網在同一時刻的發電功率等於耗電功率與存儲功率代數和；(2)電動汽車的充放電功率在預設功率範圍內；(3)電動汽車無序充電的總功率與所述博弈均衡解指示的電動汽車有序充電的總功率相同；(4)與充電站連接的儲能模塊存儲的電量在預設電量範圍內；(5)電動汽車接入充電站的電流小於預設的允許電流值；(6)充電站接入電網的電壓偏移在預設範圍內；(7)用於供電的線路的最大有功功率(即峰值功率)小於預設功率閾值；以及(8)電網的局部負荷峰谷差小於預設的局部負荷峰谷差閾值。
[0178]
上述設備中各個器件的功能和作用的實現過程具體詳見上述方法中對應步驟的實現過程，在此不再贅述。
[0179]
相應的，本技術還提供了一種電腦程式產品，包括電腦程式，該電腦程式被處理器執行時用於實現上述方法。
[0180]
相應的，本技術還提供了一種包括指令的非臨時性計算機可讀存儲介質，例如包括指令的存儲器，上述指令可由裝置的處理器執行以完成上述方法。例如，非臨時性計算機可讀存儲介質可以是rom、隨機存取存儲器(ram)、cd-rom、磁帶、軟盤和光數據存儲設備等。
[0181]
一種非臨時性計算機可讀存儲介質，當存儲介質中的指令由終端的處理器執行時，使得伺服器能夠執行上述方法。
[0182]
本說明書中描述的主題及功能操作的實施例可以在以下中實現：數字電子電路、有形體現的計算機軟體或固件、包括本說明書中公開的結構及其結構性等同物的計算機硬體、或者它們中的一個或多個的組合。本說明書中描述的主題的實施例可以實現為一個或多個電腦程式，即編碼在有形非暫時性程序載體上以被數據處理裝置執行或控制數據處理裝置的操作的電腦程式指令中的一個或多個模塊。可替代地或附加地，程序指令可以被編碼在人工生成的傳播信號上，例如機器生成的電、光或電磁信號，該信號被生成以將信息編碼並傳輸到合適的接收機裝置以由數據處理裝置執行。計算機存儲介質可以是機器可讀存儲設備、機器可讀存儲基板、隨機或串行存取存儲器設備、或它們中的一個或多個的組合。
[0183]
本說明書中描述的處理及邏輯流程可以由執行一個或多個電腦程式的一個或多個可編程計算機執行，以通過根據輸入數據進行操作並生成輸出來執行相應的功能。所述處理及邏輯流程還可以由專用邏輯電路-例如fpga(現場可編程門陣列)或asic(專用集成電路)來執行，並且裝置也可以實現為專用邏輯電路。
[0184]
適合用於執行電腦程式的計算機包括，例如通用和/或專用微處理器，或任何其他類型的中央處理單元。通常，中央處理單元將從只讀存儲器和/或隨機存取存儲器接收指令和數據。計算機的基本組件包括用於實施或執行指令的中央處理單元以及用於存儲指令和數據的一個或多個存儲器設備。通常，計算機還將包括用於存儲數據的一個或多個大容量存儲設備，例如磁碟、磁光碟或光碟等，或者計算機將可操作地與此大容量存儲設備耦接
以從其接收數據或向其傳送數據，抑或兩種情況兼而有之。然而，計算機不是必須具有這樣的設備。此外，計算機可以嵌入在另一設備中，例如行動電話、個人數字助理(pda)、移動音頻或視頻播放器、遊戲操縱臺、全球定位系統(gps)接收機、或例如通用串行總線(usb)快閃記憶體驅動器的可攜式存儲設備，僅舉幾例。
[0185]
適合於存儲電腦程式指令和數據的計算機可讀介質包括所有形式的非易失性存儲器、媒介和存儲器設備，例如包括半導體存儲器設備(例如eprom、eeprom和快閃記憶體設備)、磁碟(例如內部硬碟或可移動盤)、磁光碟以及cd rom和dvd-rom盤。處理器和存儲器可由專用邏輯電路補充或併入專用邏輯電路中。
[0186]
雖然本說明書包含許多具體實施細節，但是這些不應被解釋為限制任何發明的範圍或所要求保護的範圍，而是主要用於描述特定發明的具體實施例的特徵。本說明書內在多個實施例中描述的某些特徵也可以在單個實施例中被組合實施。另一方面，在單個實施例中描述的各種特徵也可以在多個實施例中分開實施或以任何合適的子組合來實施。此外，雖然特徵可以如上所述在某些組合中起作用並且甚至最初如此要求保護，但是來自所要求保護的組合中的一個或多個特徵在一些情況下可以從該組合中去除，並且所要求保護的組合可以指向子組合或子組合的變型。
[0187]
類似地，雖然在附圖中以特定順序描繪了操作，但是這不應被理解為要求這些操作以所示的特定順序執行或順次執行、或者要求所有例示的操作被執行，以實現期望的結果。在某些情況下，多任務和並行處理可能是有利的。此外，上述實施例中的各種系統模塊和組件的分離不應被理解為在所有實施例中均需要這樣的分離，並且應當理解，所描述的程序組件和系統通常可以一起集成在單個軟體產品中，或者封裝成多個軟體產品。
[0188]
由此，主題的特定實施例已被描述。其他實施例在所附權利要求書的範圍以內。在某些情況下，權利要求書中記載的動作可以以不同的順序執行並且仍實現期望的結果。此外，附圖中描繪的處理並非必需所示的特定順序或順次順序，以實現期望的結果。在某些實現中，多任務和並行處理可能是有利的。
[0189]
以上所述僅為本技術的較佳實施例而已，並不用以限制本技術，凡在本技術的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本技術保護的範圍之內。