申请/专利权人：广州蔚景科技有限公司

申请日：2022-01-21

公开（公告）日：2024-06-18

公开（公告）号：CN114548518B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q10/0631;G06Q50/06;G06N20/00;B60L53/60;B60L53/62;H02J3/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2022.06.14#实质审查的生效;2022.05.27#公开

摘要：本发明涉及一种电动汽车有序充电控制方法，是针对现有电动汽车充电控制系统较难保障充电用户需求和配电网电压的稳定性，模型缺少大数据分析和多代理机制，构建充电负荷时空分布预测模型和行为决策模型的技术问题而设计。该方法包括充电负荷时空分布预测结果、用户充电成本分析和基于Q学习的充电站资源协同分配，其要点是该方法采用Q学习的方法实现充电资源的有序分配，建立电动汽车代理的行为决策模型，模拟区域内电动汽车的充电行为，在满足充电需求前提下，采用一系列充电优化控制策略来引导电动汽车的充电行为，实现电动汽车的有序充电。该方法利用充电站学习和交换信息得到的环境知识采用协同决策的方式进行充电资源的分配。

主权项：1.一种电动汽车有序充电控制方法，该方法包括充电负荷时空分布预测结果、用户充电成本分析和基于Q学习的充电站资源协同分配，其特征在于该方法采用一个多代理系统的电动汽车充电优化控制策略，即使用多代理机制来模拟电动汽车、充电站、交通网络的代理之间信息交互行为，建立基于多代理技术的电动汽车充电行为仿真系统；通过融合电动汽车的轨迹数据和充电站的充电信息，以交通路网的出行模式、逗留时间、平均车速、拥挤系数为载体，并采用大数据分析的方法刻画电动汽车充电需求的关键特征，基于实时数据构建充电负荷时空分布预测模型，获取充电需求数据和时空数据；同时以大数据分析得到的实时数据环境下用户到达各充电站时的充电负荷时空分布预测结果、充电需求可达率、充电需求满足率、配电网运行状态、充电站容量约束、配电网电压约束、馈线电流约束、当前电价为环境信息，采用Q学习算法建立电动汽车代理的行为决策模型，模拟区域内电动汽车的充电行为，在满足充电需求前提下，采用一系列充电优化控制策略来引导电动汽车的充电行为，实现电动汽车的有序充电；所述基于Q学习的充电站资源协同分配采用多个Agent的协作学习算法，每个充电站看成是一个Agent；充电站收集周围的用户充电需求以及附近充电站的容量、电压、电流系统状态，然后选择一种最优的资源分配策略后执行；Agent的协作学习采用全局奖励值，即包括所有充电站的奖励函数值之和；定义一个集中控制器来统一管理各充电站的资源分配策略表，该策略表是每个充电站所共用的；充电站每进行一次资源分配，便将本次的资源分配策略传输至该集中控制器更新策略表，然后获取其相邻充电站的资源分配情况；所述多个Agent的协作学习算法步骤如下：Agent：k，1≤k≤N，每一个充电站视为一个Agent；State：在t时刻，系统状态S定义为s[t]＝{k,q,PFCS,V,I}，其中，q表示当前可用充电枪数量，PFCS表示第k个充电站的容量预测值，V表示当前时刻的电压，I表示当前时间的电流；Action：在t时刻，系统的策略集a[t]＝{allocationofq}；Reward：系统奖励：全部充电站收益最大化以及用户成本最小化；充电站收益表示为：其中，P是供电站收取用户每一度电的价格，△t表示从t时刻到t+1时刻的时间跨度，也就是决策的时间间隔，Pk表示第k个充电站的功率，nk表示当前第k个充电站的已经使用的充电枪数量，F表示用户成本；用户成本表示为：其中，α+β+γ＝1；从而通过在线学习机制，充电站不断收集自身和其他充电站的状态信息，然后进行资源分配，由于是协同学习，所有的充电站必须及时更新资源分配表；有了这些信息，Agent根据最大的总收益来执行相应的策略，Q函数的更新过程： 其中，sk表示Agent当前的状态，表示Agent前一的状态，θ表示学习速率；建立电动汽车代理的行为决策模型。

全文数据：

权利要求：

百度查询： 广州蔚景科技有限公司 一种电动汽车有序充电控制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD