[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115018206B - 一种新能源车电池包充电决策方法及装置 - Google Patents

一种新能源车电池包充电决策方法及装置 Download PDF

Info

Publication number
CN115018206B
CN115018206B CN202210855158.1A CN202210855158A CN115018206B CN 115018206 B CN115018206 B CN 115018206B CN 202210855158 A CN202210855158 A CN 202210855158A CN 115018206 B CN115018206 B CN 115018206B
Authority
CN
China
Prior art keywords
vehicle
station
target
battery
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210855158.1A
Other languages
English (en)
Other versions
CN115018206A (zh
Inventor
吴嘉俐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202210855158.1A priority Critical patent/CN115018206B/zh
Publication of CN115018206A publication Critical patent/CN115018206A/zh
Application granted granted Critical
Publication of CN115018206B publication Critical patent/CN115018206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及新能源车电池包充电决策方法及装置，包括：S1、获取待换电车辆的电池电量、当前位置和目标位置；S2、获取所有可用换电站的当前位置，基于待换电车辆的当前位置获取与可用换电站对应的额外时长；S3、获取待换电车辆基于可用换电站的预留时长，建立包含可用换电站与待换电车辆的组合关系的第一目标函数，以根据第一目标函数获取目标组合关系；S4、根据目标组合关系获取目标换电站和目标车辆；S5、监测目标换电站的实时工作状态，并基于目标换电站的初始状态和目标换电站的实时工作状态建立与目标换电站的预设评价指标所对应的评价函数；S6、基于评价函数建立第二目标函数，并根据第二目标函数触发更新目标换电站的实时工作状态。

Description

一种新能源车电池包充电决策方法及装置
技术领域
本发明涉及新能源技术领域，更具体地说，涉及一种新能源车电池包决策方法及装置。
背景技术
新能源汽车数量的增加不仅减少了化石燃料的使用，而且减少了至少1/3温室气体排放。然而，与燃油动力汽车相比，新能源汽车当前存在着一些固有缺陷，如行驶里程短、充电时间长、电池寿命短。在长途驾驶过程中，新能源汽车经常需要在充电站（CS）长时间充电，这将导致驾驶员的舒适度的下降以及里程焦虑的增加。一些研究调查表明，人们对在新能源汽车行驶过程中，考虑新能源汽车的充电服务等待时间，如何为新能源汽车的换电站调度最佳的充电站，这一现实问题非常感兴趣。为了避免新能源汽车集中换电导致充电站过载问题，建议为新能源汽车提供快充预定服务，预防在充电站内出现经历长时间的充电延迟情况。虽然智能决策模型提高了充电站的服务效率，但受充电方式自身的限制，即使使用快充，电池也至少需要30分钟才能充满电。在这种情况下，新能源汽车换电站（BSS）模型是克服充电技术缺点的一个可行性选择。
在新能源汽车数量迅猛增长和技术日益精进的促进下，新能源汽车换电站模型被广泛研究。然而，目前的换电站研究只关注于孤立的决策模型，如调度模型和充电排程模型。孤立的决策模型并不能有效的代表现实情况，不能为新能源汽车驾驶员和换电站运营商提供最优的解决方案。
发明内容
本发明要解决的技术问题在于，提供一种新能源车电池包充电决策方法及装置。
本发明解决其技术问题所采用的技术方案是：构造一种新能源车电池包充电决策方法，包括以下步骤：
S1、基于接收的换电请求获取所有待换电车辆，并获取所述待换电车辆的电池电量、当前位置和目标位置；
S2、获取所有可用换电站的当前位置，基于所述待换电车辆的当前位置、所述待换电车辆的目标位置和所述可用换电站的当前位置获取所述待换电车辆的、与所述可用换电站对应的额外时长；
S3、获取所述待换电车辆基于所述可用换电站的预留时长，基于所述待换电车辆的所述预留时长和所述额外时长建立包含所述可用换电站与所述待换电车辆的组合关系的第一目标函数，以根据所述第一目标函数获取目标组合关系；
S4、根据所述目标组合关系获取一目标换电站所对应的待换电车辆为目标车辆，并获取所述目标车辆的、与所述目标换电站对应的若干充电开始时间,以及第一个充电开始时间之前的、所述目标换电站的初始状态信息；
S5、自所述第一个充电开始时间开始以预设间隔时间为时间单元监测所述目标换电站的实时工作状态，并基于所述目标换电站的初始状态和所述目标换电站的实时工作状态建立与所述目标换电站的预设评价指标所对应的评价函数；
S6、基于所述评价函数建立第二目标函数，并根据所述第二目标函数触发更新所述目标换电站的实时工作状态。
优选地，在本发明所述的新能源车电池包充电决策方法中，所述第一目标函数包括以下函数：
Figure 567823DEST_PATH_IMAGE001
，
且根据以下约束条件约束所述第一目标函数：
Figure 637410DEST_PATH_IMAGE002
Figure 835173DEST_PATH_IMAGE003
并在所述第一目标函数中，
Figure 913987DEST_PATH_IMAGE004
，用于表征所有待换电车辆与所有可用换电站的组 合，
Figure 880806DEST_PATH_IMAGE005
表征将i的待换电车辆对应到j可用换电站，
Figure 855716DEST_PATH_IMAGE006
为所有待换电车辆的数量；
Figure 540775DEST_PATH_IMAGE007
为i待换电车辆的额外时长，其中，所述额外时长为待换电车辆经可用换电站 的当前位置到达所述待换电车辆的目标位置和直接到达所述待换电车辆的目标位置的用 时时长差；
Figure 892122DEST_PATH_IMAGE008
为i待换电车辆的预留时长，其中，所述预留时长为排队等待时间、等待电池 充满时间与换电操作时间的时长和；
在所述约束条件中，所述
Figure 211982DEST_PATH_IMAGE009
为i待换电车辆到达j可用换电站时的剩余电量。
优选地，在本发明所述的新能源车电池包充电决策方法中，在所述步骤S3中，所述根据所述第一目标函数获取目标组合关系包括：
S31、初始化ATS自适应禁忌搜索算法的参数，并设置初始累计计数为零，基于最近范围规则的策略获取预设组合关系，并设置候选组合关系集合为空集；
S32、判断所述累计计数是否小于所述待换电车辆的车辆总数，若是，则执行步骤S33，否则执行步骤S35；
S33、基于预设组合关系获取所述待换电车辆的总等待时长，并基于待换电车辆的 总等待时长获取所述待换电车辆的累计概率，基于所述累计概率通过轮盘赌获取一待换电 车辆为待分配车辆，其中，所述待换电车辆的总等待时长为
Figure 888951DEST_PATH_IMAGE010
；
S34、获取对应待换电车辆最少的第一可用换电站和可用资源最多的第二可用换电站，随机获取所述第一可用换电站和所述第二可用换电站中的一个与所述待分配车辆建立关系以得到当前候选组合关系，并执行步骤S36；
S35、在所述预设组合关系随机进行两点交换以获得当前候选组合关系；
S36、添加所述当前候选组合关系至所述候选组合关系集合，并判断所述候选组合关系集合中的元素个数是否大于第二预设值，若是，则执行步骤S37，否则，以当前候选组合关系为所述预设组合关系并执行步骤S32；
S37、根据所述第一目标函数获取所述候选组合关系集中的当前最优候选组合关系，并增加一次累计计数，判断所述当前最优候选组合关系是否优于历史最优候选组合关系，若是，则执行步骤S381，否则执行步骤S382；
S381、将所述当前最优候选组合关系添加至禁忌列表，其中，在所述禁忌列表的长度大于预设阈值时，以队列方式更新所述禁忌列表；
S382、判断所述累计计数是否大于第一预设值，若是，执行步骤S392，否则，执行步骤S391；
S391、以所述当前最优候选组合关系为预设组合关系并执行所述步骤S32；
S392、获取所述禁忌列表中的最优组合关系为目标组合关系。
优选地，在本发明所述的新能源车电池包充电决策方法中，在所述步骤S5中，所述目标换电站的预设评价指标包括：所述目标换电站的总负荷方差，所述目标换电站的电力成本和所述目标换电站的充电损害；
所述评价函数包括：与所述目标换电站的总负荷方差对应的第一评价函数，
与所述目标换电站的电力成本对应的第二评价函数，和与所述目标换电站的充电损害对应的第三评价函数。
优选地，在本发明所述的新能源车电池包充电决策方法中，所述第二目标函数包括以下函数：
Figure 795728DEST_PATH_IMAGE011
，
所述
Figure 950765DEST_PATH_IMAGE012
为所述第一评价函数，
Figure 892177DEST_PATH_IMAGE013
为所述第二评价函数，
Figure 474468DEST_PATH_IMAGE014
为所述 第三评价函数，
Figure 868540DEST_PATH_IMAGE015
为所述可用换电站集合。
优选地，在本发明所述的新能源车电池包充电决策方法中，所述第一评价函数包括以下函数：
Figure 827269DEST_PATH_IMAGE016
Figure 888766DEST_PATH_IMAGE017
，
其中，
Figure 376379DEST_PATH_IMAGE018
为j可用换电站在n时段内i待换电车辆对应的待充电电池的充电功率，
Figure 756282DEST_PATH_IMAGE019
为与j可用换电站对应的待换电车辆，T为总的充电时段。
优选地，在本发明所述的新能源车电池包充电决策方法中，所述第二评价函数包括以下函数：
Figure 253123DEST_PATH_IMAGE020
其中，
Figure 903547DEST_PATH_IMAGE018
为j可用换电站在n时段内i待换电车辆对应的待充电电池的充电功率，
Figure 827640DEST_PATH_IMAGE021
为与j可用换电站对应的待换电车辆，T为总的充电时段，
Figure 930726DEST_PATH_IMAGE022
为预设间隔时间，
Figure 700099DEST_PATH_IMAGE023
为时段n的 分时电价。
优选地，在本发明所述的新能源车电池包充电决策方法中，所述第三评价函数包括以下函数：
Figure 470608DEST_PATH_IMAGE024
，
其中，
Figure 831183DEST_PATH_IMAGE025
为j可用换电站在n时段内i待换电车辆对应的待充电电池的充电功率，
Figure 920099DEST_PATH_IMAGE026
为与j可用换电站对应的待换电车辆，T为总的充电时段，
Figure 758742DEST_PATH_IMAGE027
是i待换电车辆对应的待充电电 池对应的充电时间单元数，
Figure 383758DEST_PATH_IMAGE028
为i待换电车辆对应的待充电电池的容量，a、b和c为常数。
优选地，在本发明所述的新能源车电池包充电决策方法中，还包括基于NSGA-II、NSGA-III、PVEA和MOPSO中的任何一个对所述第二目标函数求解。
本发明还构造一种新能源车电池包充电决策装置，包括：
第一获取单元，用于基于接收的换电请求获取所有待换电车辆，并获取所述待换电车辆的电池电量、当前位置和目标位置；
第二获取单元，用于获取所有可用换电站的当前位置，基于所述待换电车辆的当前位置、所述待换电车辆的目标位置和所述可用换电站的当前位置获取所述待换电车辆的、与所述可用换电站对应的额外时长；
第三获取单元，用于获取所述待换电车辆基于所述可用换电站的预留时长，基于所述待换电车辆的所述预留时长和所述额外时长建立包含所述可用换电站与所述待换电车辆的组合关系的第一目标函数，以根据所述第一目标函数获取目标组合关系；
第一执行单元，用于根据所述目标组合关系获取一目标换电站所对应的待换电车辆为目标车辆，并获取所述目标车辆的、与所述目标换电站对应的若干充电开始时间,以及第一个充电开始时间之前的、所述目标换电站的初始状态信息；
第二执行单元，用于自所述第一个充电开始时间开始以预设间隔时间为时间单元监测所述目标换电站的实时工作状态，并基于所述目标换电站的初始状态和所述目标换电站的实时工作状态建立与所述目标换电站的预设评价指标所对应的评价函数；
第三执行单元，用于基于所述评价函数建立第二目标函数，并根据所述第二目标函数触发更新所述目标换电站的实时工作状态。
实施本发明的一种新能源车电池包充电决策方法及装置，具有以下有益效果：能够合理快速的得到最佳的充电决策，实现对电池包的充电。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明一种新能源车电池包充电决策方法一实施例的程序流程图；
图2是本发明中ATS自适应禁忌搜索算法一实施例的程序流程图；
图3是本发明中自适应变异算子一实施例的示意图；
图4是本发明自适应变异算法一实施例的结果对比箱形图；
图5是本发明自适应变异算法另一实施例的结果对比箱形图；
图6是本发明基于第二目标函数一实施例的电荷负载计算结果示意图；
图7是图6对应的电力成本计算结果示意图；
图8是图6对应的电池损害计算结果示意图；
图9是本发明基于第二目标函数另一实施例的电荷负载计算结果示意图；
图10是图9对应的电力成本计算结果示意图；
图11是图9对应的电池损害计算结果示意图；
图12是本发明基于第二目标函数又一实施例的电荷负载计算结果示意图；
图13是图12对应的电力成本计算结果示意图；
图14是图12对应的电池损害计算结果示意图；
图15是本发明一种新能源车电池包充电决策装置一实施例的逻辑框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
如图1所示，在本发明的一种新能源车电池包充电决策方法第一实施例中，包括以下步骤：S1、基于接收的换电请求获取所有待换电车辆，并获取待换电车辆的电池电量、当前位置和目标位置；S2、获取所有可用换电站的当前位置，基于待换电车辆的当前位置、待换电车辆的目标位置和可用换电站的当前位置获取待换电车辆的、与可用换电站对应的额外时长；S3、获取待换电车辆基于可用换电站的预留时长，基于待换电车辆的预留时长和额外时长建立包含可用换电站与待换电车辆的组合关系的第一目标函数，以根据第一目标函数获取目标组合关系；具体的，以某一时刻为初始时刻，多辆低电量的新能源汽车随机分布在多个换电站周围，并且每辆新能源汽车具有不同的初始位置和目的地。然后，新能源汽车驾驶员将换电请求和车辆信息（如：剩余电量，当前位置，目的地）发送到调度中心。调度中心在接收众多车辆的换电需求和信息后，通过计算车辆途经换电站到达目的地所花费的旅途用时、排队用时、等待电池充满电用时和换电操作用时，计算出新能源汽车的额外时间。最后，调度中心将这些信息发送给新能源汽车驾驶员，并建议他们前往可以节省额外时间的换电站进行换电服务。其中，基于当前的换电站情况，调度中心基于第一目标函数获取每一待换电车辆最适合的换电站，使得所有的待换电车辆均能得到合适的换电站。
S4、根据目标组合关系获取一目标换电站所对应的待换电车辆为目标车辆，并获取目标车辆的、与目标换电站对应的若干充电开始时间,以及第一个充电开始时间之前的、目标换电站的初始状态信息；S5、自第一个充电开始时间开始以预设间隔时间为时间单元监测目标换电站的实时工作状态，并基于目标换电站的初始状态和目标换电站的实时工作状态建立与目标换电站的预设评价指标所对应的评价函数；S6、基于评价函数建立第二目标函数，并根据第二目标函数触发更新目标换电站的实时工作状态。当得到基于当前所有待换电车辆得到的最佳换电站匹配关系后，对每一换电站均进行单独的充电过程评价，其基于换电站的实时工作状态参数和评价函数建立充电站工作过程的第二目标函数，基于第二目标函数对目标换电站的工作状态进行实时调整，使得目标换电站的工作状态为最佳工作状态。
可选的，第一目标函数包括以下函数：
Figure 915234DEST_PATH_IMAGE029
，
且根据以下约束条件约束第一目标函数：
Figure 727332DEST_PATH_IMAGE030
Figure 737708DEST_PATH_IMAGE031
并在第一目标函数中，
Figure 217231DEST_PATH_IMAGE032
，用于表征所有待换电车辆与所有可用换电站的组 合，
Figure 654029DEST_PATH_IMAGE033
表征将i待换电车辆对应到j可用换电站，
Figure 484581DEST_PATH_IMAGE034
为所有待换电车辆的数量；
Figure 665027DEST_PATH_IMAGE035
为i待换电车辆的额外时长，其中，额外时长为待换电车辆经可用换电站的当 前位置到达待换电车辆的目标位置和直接到达待换电车辆的目标位置的用时时长差；
Figure 264636DEST_PATH_IMAGE036
为i待换电车辆的预留时长，其中，预留时长为排队等待时间、等待电池充满 时间与换电操作时间的时长和；
在约束条件中，
Figure 872334DEST_PATH_IMAGE037
为i待换电车辆到达j可用换电站时的剩余电量。
其中具体的过程为，对于新能源汽车用户，其主要考虑额外等待时间，其中额外等 待时间包含途经换电站到达目的地用时、等待时间（排队时间、等待电池充满电的时间、换 电操作时间）。其中，目标函数式（1）表示该模型需要最小化解决方案的适应度函数，即最小 化新能源汽车的平均额外等待时间。
Figure 190183DEST_PATH_IMAGE038
可以基于距离和速度进行计算得到，其可以采用 以下公式获得：
Figure 174320DEST_PATH_IMAGE039
用来计算新能源汽车途经换电站到达目的地的额外旅途时间。
Figure 861391DEST_PATH_IMAGE040
为所有新能源 汽车的平均行驶速度，
Figure 905570DEST_PATH_IMAGE041
为i新能源汽车的初始位置，
Figure 445136DEST_PATH_IMAGE042
为i新能源汽车所被调度换电 站的位置，
Figure 232963DEST_PATH_IMAGE043
为新能源汽车的目的地位置。
Figure 541585DEST_PATH_IMAGE044
为i新能源汽车从初始位置到 被调度换电位置的欧式距离，
Figure 756666DEST_PATH_IMAGE045
为i新能源汽车从被调度换电站位置到目的地 位置的欧式距离，
Figure 49107DEST_PATH_IMAGE046
为i新能源汽车从初始位置到目的地位置的欧式距离
其中，计算i新能源汽车位置
Figure 109467DEST_PATH_IMAGE047
和j换电站位置
Figure 538174DEST_PATH_IMAGE048
之间的欧几里得距离如下公 式，
Figure 924156DEST_PATH_IMAGE049
，
其中，
Figure 438314DEST_PATH_IMAGE050
用来表征i点位置，j点位置（i与汽车对应，j与换电站对应），
Figure 89916DEST_PATH_IMAGE051
用来表征i点的横坐标，i点的纵坐标，
Figure 373130DEST_PATH_IMAGE052
用来表征j点的横坐标，j点的纵坐 标。
Figure 930014DEST_PATH_IMAGE053
用来表示i新能源汽车必须保证有足够的电量到达所调度的j换电站，否 则，该新能源汽车的换电站调度方案将被视为不可行的解决方案。其中，通过以下公式计 算：
Figure 931468DEST_PATH_IMAGE054
该公式中，
Figure 864789DEST_PATH_IMAGE055
代表每公里的电力消耗，
Figure 2509DEST_PATH_IMAGE056
表征i新能源汽车在
Figure 730293DEST_PATH_IMAGE057
时刻的剩余电 量，
Figure 219044DEST_PATH_IMAGE058
表征i新能源汽车电池容量。
Figure 424897DEST_PATH_IMAGE036
为预留时间，其可以采用如下公式获得：
Figure 682703DEST_PATH_IMAGE059
将新能源汽车在调度换电站需要预留时间根据其对应的动作可以分为的三部分 时间总和，包括排队等待时间，等待电池充满时间
Figure 581389DEST_PATH_IMAGE060
和换电操作时间
Figure 557435DEST_PATH_IMAGE061
。该时间可以根据 调度中心根据历史经验值或者电站工作状态参数获取。其可以基于不同的应用场景或者额 外操作进行另外的预留时间，通过对应的预约条件可以得知，新能源汽车在电池换电过程 中的等待时间必须大于0。
可选的，如图2所示，步骤S3中，根据第一目标函数获取目标组合关系包括：
S31、初始化ATS自适应禁忌搜索算法的参数，并设置初始累计计数为零，基于最近范围规则的策略获取预设组合关系，并设置候选组合关系集合为空集；
S32、判断累计计数是否小于待换电车辆的车辆总数，若是，则执行步骤S33，否则执行步骤S35；
S33、基于预设组合关系获取待换电车辆的总等待时长，并基于待换电车辆的总等 待时长获取待换电车辆的累计概率，基于累计概率通过轮盘赌获取一待换电车辆为待分配 车辆，其中，待换电车辆的总等待时长为
Figure 65515DEST_PATH_IMAGE062
；
S34、获取对应待换电车辆最少的第一可用换电站和可用资源最多的第二可用换电站，随机获取第一可用换电站和第二可用换电站中的一个与待分配车辆建立关系以得到当前候选组合关系，并执行步骤S36；
S35、在预设组合关系随机进行两点交换以获得当前候选组合关系；
S36、添加当前候选组合关系至候选组合关系集合，并判断候选组合关系集合中的元素个数是否大于第二预设值，若是，则执行步骤S37，否则，以当前候选组合关系为预设组合关系并执行步骤S32；
S37、根据第一目标函数获取候选组合关系集中的当前最优候选组合关系，并增加一次累计计数，判断当前最优候选组合关系是否优于历史最优候选组合关系，若是，则执行步骤S381，否则执行步骤S382；
S381、将当前最优候选组合关系添加至禁忌列表，其中，在禁忌列表的长度大于预设阈值时，以队列方式更新禁忌列表；
S382、判断累计计数是否大于第一预设值，若是，执行步骤S392，否则，执行步骤S391，
S391、以当前最优候选组合关系为预设组合关系并执行步骤S32；
S392、获取禁忌列表中的最优组合关系为目标组合关系。
具体的，基于当前待充电车辆获取对应的换电站的最佳调配结果，其可以通过自适应禁忌搜索算法进行计算得到其中可以选择的调配结果，基于该调配结果和第一目标函数获取最佳的调配结果。其中，自适应禁忌算法结合了禁忌算法和自适应选择算子，用于解决新能源汽车的调度问题。其中自适应选择算子包含了自适应新能源汽车的选择和自适应换电站的选择。
对每辆新能源汽车驾驶员而言，较长的额外等待时间意味着将在调度的换电站中将花费更多的额外时间。与此同时，对所有新能源汽车而言，较长的额外等待时间表示调度分布不平衡，从而导致车辆的等待时间的增加，各换电站内当前可用电池的数量的减少。因此，本申请中提出了自适应变异算子来减少新能源汽车的额外等待时间和减轻换电站的服务压力。
如图3所示，首先自适应的选择待换电车辆，选择过程的基础部分是从原始的解决方案中选择用于交叉和变异的基因。但是，该方法将受困于没有明确方向的本地搜索中，并且收敛速度慢，无法有效的生成高质量的候选解决方案。因此在本申请中，基于轮盘赌的自适应选择新能源汽车方法。具体步骤如下：
A1、输入当前解
Figure 177827DEST_PATH_IMAGE063
和相应的额外等待时间
Figure 247414DEST_PATH_IMAGE064
，其中
Figure 445177DEST_PATH_IMAGE065
是i新 能源汽车途经调度换电站到达目的地所花费的额外等待时间。
Figure 258413DEST_PATH_IMAGE066
其中，
Figure 225232DEST_PATH_IMAGE067
，
Figure 731299DEST_PATH_IMAGE068
是这三部分时间的总和。
A2、归一化i新能源汽车的额外等待时间
Figure 416359DEST_PATH_IMAGE069
。
Figure 767705DEST_PATH_IMAGE070
A3、计算i新能源汽车的累积概率Ci。
Figure 854610DEST_PATH_IMAGE071
A4、轮盘旋转，指针指向的i新能源汽车将选择作为在当前决策方案中的变量位置。其中选择要求是具有较小额外等待时间的新能源汽车将具有更大的生存概率。
然后自适应选择换电站，换电站的选择需要考虑所有换电站之间的服务压力，包括即将到来的新能源汽车数量和站内电池可用时间。具有最少车辆数和大部分时间电池可用的换电站将被选择。主要步骤如下所示：基于上述选择的待换电车辆，
B1、在换电站集合中，选择即将到达最少的换电站
Figure 531579DEST_PATH_IMAGE072
和电池可用时间最长时间 的换电站
Figure 936890DEST_PATH_IMAGE073
。
B2、随机选择
Figure 91928DEST_PATH_IMAGE074
或
Figure 33339DEST_PATH_IMAGE073
作为当前决策解决方案中的变异基因。
经过上述自适应选择后，对当前的解决方案进行变异操作
Figure 881210DEST_PATH_IMAGE075
。
一个实施例中，给定10辆新能源汽车，两个换电站，每个换电站配置三个电池。基 于最近范围规则的策略（NIR）解决方案为
Figure 540861DEST_PATH_IMAGE076
，并且对应的每辆新能源汽车 的额外等待时间为
Figure 499590DEST_PATH_IMAGE077
。然后，归一化额 外等待时间
Figure 29928DEST_PATH_IMAGE078
并计算选择概率。值得注意的是，由于
Figure 48700DEST_PATH_IMAGE079
的选择概率为0，因此不会选择
Figure 195648DEST_PATH_IMAGE079
。 然后，假设在轮盘停止时选择
Figure 692488DEST_PATH_IMAGE080
，同时由于即将到达车辆数最少或电池可用时间最长选择
Figure 608491DEST_PATH_IMAGE081
。因此，将新能源汽车分配至换电站
Figure 267006DEST_PATH_IMAGE081
，并且生成子代调度方案
Figure 399785DEST_PATH_IMAGE082
。
其中，自适应完整的自适应禁忌搜索算法（ATS）可参照以下步骤中描述。
C1.初始化ATS算法的参数，如初始化累计计数，设置最大迭代次数
Figure 700316DEST_PATH_IMAGE083
，候选集 的大小
Figure 736405DEST_PATH_IMAGE084
和禁忌表的长度L。
C2.根据NIR方法（基于最近范围规则的策略）计算当前候选组合关系
Figure 565821DEST_PATH_IMAGE085
。
C3.将候选组合关系集合设为空集。
C4.判断累计计数
Figure 687361DEST_PATH_IMAGE086
是否小于车辆总数|E|,若小于则采用自适应变异算子产生新 的候选组合关系，否则，随机在当前组合关系中随机选择两点进行交换产生新的候选组合 关系。
C5.将上述新的候选组合关系添加至候选组合关系集合中。
C6.判断候选组合关系集中元素的个数是否大于第二预设值
Figure 526004DEST_PATH_IMAGE084
，若大于则执 行C7，否则，则执行C4。
C7.根据求解的目标函数，计算候选组合关系集合中当前最优的候选组合关系
Figure 151020DEST_PATH_IMAGE087
。
C8.判断当前最优的候选组合关系
Figure 682495DEST_PATH_IMAGE088
与历史最优候选组合关系
Figure 760173DEST_PATH_IMAGE089
的适应度 值，若当前最优的候选组合关系
Figure 668086DEST_PATH_IMAGE088
优于历史最优候选组合关系
Figure 147609DEST_PATH_IMAGE090
，则将历史最优候 选组合关系
Figure 849986DEST_PATH_IMAGE090
与当前候选组合关系
Figure 913494DEST_PATH_IMAGE091
更新为当前最优的候选组合关系
Figure 359519DEST_PATH_IMAGE088
。否则，将 获取属于候选组合关系集合，但不属于禁忌列表的最佳组合关系为当前候选组合关系。
C9.将当前候选组合关系
Figure 959128DEST_PATH_IMAGE092
添加至禁忌列表中，若禁忌列表的长度大于所设阈 值大小
Figure 832406DEST_PATH_IMAGE093
，则以队列的方式更新禁忌列表。
C10.累计计数
Figure 884676DEST_PATH_IMAGE092
加1。
C11.判断累计计数gen是否大于第一预设值
Figure 868812DEST_PATH_IMAGE083
，若大于则输出历史最优解作为 决策解，否则执行C2。
如图4，在一具体的实施例中，30辆新能源汽车，5个换电站，每个换电站配置3个满电电池。其中各换电站分布在不同的地理位置，各新能源汽车的初始时刻电量均较低，且在启动后的一段时间内随机分布，目的地也不同。展示了自适应禁忌搜索算法(ATS）相对与其他算法，如：遗传算法（GA）、模拟退火算法（SA）改进的模拟退火算法（ISA）和禁忌搜索算法（TS）。在决策1模型（新能源汽车的换电站调度模型）中求解到的目标值（平均额外时间）的箱线图。从该图中可以看出使用自适应禁忌搜索算法优于其他进化算法。图5展示一案例中：50辆新能源汽车，5个换电站，每个换电站配置5个满电电池，基于表1可以得出自适应禁忌搜索算法同样优于其他进化算法。
表1.性能对比
Figure 588506DEST_PATH_IMAGE094
其中，a/b/c表示案例具有a辆新能源汽车，b个换电站,每个换电站配置c个满电池。b:运行时间（秒），基于表1，可以得出在案例10/2/3中，自适应禁忌搜索算法ATS可以得到最佳的决策解，并且算法运行时间最短。在案例20/5/3中，ATS可以得到最佳的解，并且所得的额外等地时间的均值最小，方差最小，算法运行时间最短。在案例50/5/5中，ATS得到的决策解表现最好，即新能源汽车的额外等待时间仅为13.55分钟，比NIR、GA、SA、ISA和TS少。虽然SA、ISA、TS从数值结果看，具有一定的可比性，但ATS运行时间最短。综上，对比其他进化算法，自适应禁忌搜索算法ATS在新能源汽车的换电站调度模型中的性能最优。
可选的，在步骤S5中，目标换电站的预设评价指标包括：目标换电站的总负荷方差，目标换电站的电力成本和目标换电站的充电损害；评价函数包括：与目标换电站的总负荷方差对应的第一评价函数，与目标换电站的电力成本对应的第二评价函数，和与目标换电站的充电损害对应的第三评价函数。 具体的，对于电商运行商而言，他们主要关注一段时间内电荷负载波动。一个混乱的充电排程将会损坏电力系统并且造成电力资源的阻塞。例如，在电池充电过程中，超高负载会造成谐波污染，降低电力质量。因此，有必要减少总电荷方差。协调电池的充电排程将减少瞬时负载与平均负载之间的偏差，从而维持电网的稳定。因此，将总负荷方差作为目标换电站的预设评价指标。对换电站运行商，电力成本是收入成本中最值得关注的问题之一。在电力系统中，TOU分时电价用于激励换电站操作员尽量在电力负载低谷充电并且避免电力负载高峰期。首先，控制中心可以帮助换电站最小化从电网中购买电量的花费。因此在换电站工作中，其将电力成本也作为目标换电站工作的预设评价指标。此外，大量研究表明，锂离子电池的充电损害与充电功率有关。使用高充电功率对电池的损害高于使用低充电功率充电。因此，需要合理的设置目标换电站的工作状态使得其充电损害指标最优。因此将充电损害同时作为目标换电站的评价指标。
基于上述的总负荷方差、电力成本和充电损害分别建立目标换电站对应的评价函数。即与目标换电站的总负荷方差对应的第一评价函数，与目标换电站的电力成本对应的第二评价函数，和与目标换电站的充电损害对应的第三评价函数。
可选的，第二目标函数包括以下函数：
Figure 632686DEST_PATH_IMAGE095
，
Figure 172252DEST_PATH_IMAGE096
为第一评价函数，
Figure 960079DEST_PATH_IMAGE097
为第二评价函数，
Figure 534280DEST_PATH_IMAGE098
为第三评价函数，
Figure 749360DEST_PATH_IMAGE099
为可用 换电站集合。具体的，基于多目标优化，其中优化公式满足以下函数：
Figure 9178DEST_PATH_IMAGE100
其中，
Figure 600697DEST_PATH_IMAGE101
，d是决策向量的长度，
Figure 29404DEST_PATH_IMAGE102
是决策空间。
Figure 415386DEST_PATH_IMAGE103
代表决策解
Figure 195123DEST_PATH_IMAGE104
在每 个目标上的自适应值。
Figure 59174DEST_PATH_IMAGE105
表示优化目标的数量。值得注意的是，决策方案的目标函数之前存 在矛盾。
因此定义下式帕累托规则来比较两个解的优劣：
Figure 342388DEST_PATH_IMAGE106
在上式中，若根据
Figure 164850DEST_PATH_IMAGE107
决策解得到的各目标自适应值都不差于
Figure 166304DEST_PATH_IMAGE108
决策解，并且至少在 某一目标上，
Figure 99625DEST_PATH_IMAGE107
决策解的结果优于
Figure 971766DEST_PATH_IMAGE108
决策解，则称
Figure 965130DEST_PATH_IMAGE107
决策解支配
Figure 453880DEST_PATH_IMAGE108
决策解。此外，本文利用帕 累托解集（PS）来存储所有的非支配解，利用帕累托前沿（PF）存储帕累托解集中非支配解对 应的适应度值。因此，基于上述公式可以得到第二目标函数，
Figure 925313DEST_PATH_IMAGE109
即基于对应的多目标优化函数中，设定换电站的充电排程模型基于总负荷方差，电力成本和电池损害三个优化目标进行优化。
基于充电站的充电过程，充电功率表示充到耗尽电池内的能量，其决策方案是在所有可用的时间间隙内将充电功率分配到每个耗尽电池。
基于第一目标函数得到新能源汽车的换电站调度结果如下：
Figure 416075DEST_PATH_IMAGE110
其中，当
Figure 580340DEST_PATH_IMAGE111
取最小值时，
Figure 290807DEST_PATH_IMAGE112
的取值，其中
Figure 565930DEST_PATH_IMAGE112
为（第一目标函数的决策解，对应目标 组合关系）新能源汽车换电站调度的决策解向量。耗尽电池按照每个换电站的平均充电功 率进行充电，所以本申请中可以确定i充电电池
Figure 943822DEST_PATH_IMAGE113
的开始充电时间
Figure 13409DEST_PATH_IMAGE114
和结束充电时间
Figure 211172DEST_PATH_IMAGE115
。对于来自
Figure 24408DEST_PATH_IMAGE116
新能源汽车的充电电池
Figure 256806DEST_PATH_IMAGE113
，在换电站内
Figure 497294DEST_PATH_IMAGE117
的充电排程的定义如下：
Figure 182354DEST_PATH_IMAGE118
其中，
Figure 799280DEST_PATH_IMAGE119
在第1个决策即新能源汽车换电站调度决策中，t时刻，i电池在j换电站内 的平均充电功率。
Figure 886184DEST_PATH_IMAGE120
在第1个决策即新能源汽车换电站调度决策中，t时刻，i电池在j换电 站内的平均充电功率。
Figure 61689DEST_PATH_IMAGE121
在第1个决策即新能源汽车换电站调度决策中，i电池在j换电站 内的充电排程。
Figure 234044DEST_PATH_IMAGE122
：在第一个决策中，初始时刻
Figure 123502DEST_PATH_IMAGE123
，i电池在第i个决策解对应换电站
Figure 330493DEST_PATH_IMAGE124
的平均充电功率。
Figure 912784DEST_PATH_IMAGE125
：在第一个决策中，结束时刻
Figure 572435DEST_PATH_IMAGE126
，i电池在第i个决策解对应换电 站
Figure 265585DEST_PATH_IMAGE127
的平均充电功率。
Figure 327082DEST_PATH_IMAGE128
：在第1个决策中，第i个决策解。
Figure 345853DEST_PATH_IMAGE129
：新能源汽车的总数量。
在第一个决策解
Figure 227222DEST_PATH_IMAGE130
中，调度到
Figure 724062DEST_PATH_IMAGE131
换电站的新能源汽车车组定义如下：
Figure 640066DEST_PATH_IMAGE132
值得注意的是，i充电电池是来自j新能源汽车。基于第二目标函数，设置新能源汽 车的响应时间为预设间隔时间。因此，i充电电池的开始充电时间间隙
Figure 829738DEST_PATH_IMAGE133
和结束充电时 间间隙
Figure 696938DEST_PATH_IMAGE134
的定义如下：
Figure 997469DEST_PATH_IMAGE135
Figure 767979DEST_PATH_IMAGE136
Figure 862974DEST_PATH_IMAGE137
Figure 984514DEST_PATH_IMAGE138
在上式中，将i充电电池的开始充电时间
Figure 823157DEST_PATH_IMAGE139
和结束充电时间
Figure 713753DEST_PATH_IMAGE115
转换成开始充电 时间间隙
Figure 979649DEST_PATH_IMAGE140
和结束充电时间间隙
Figure 322906DEST_PATH_IMAGE141
。并将所有耗尽电池中最早充电时间定义为第二个 决策（换电站充电排程决策，对应为第二目标函数）的初始时间，并将其转换为初始时间间 隙
Figure 965240DEST_PATH_IMAGE142
。
Figure 710342DEST_PATH_IMAGE143
为预设间隔时间。
值得注意的是，在时隙的转化计算，本申请中将忽略各耗尽电池所需能量的细微变化。因此，所有的换电站的整个时间范围定义如下：
Figure 412718DEST_PATH_IMAGE144
Figure 741806DEST_PATH_IMAGE145
其中，上式中的最大时间范围
Figure 922252DEST_PATH_IMAGE146
取决于所有耗尽电池的最近充电结束时间。该 式代表T的取值集合，即T的值域。
经过上述转换后，i换电站的充电调排程和基于第二目标函数得到的最终决策被定义为
Figure 256281DEST_PATH_IMAGE147
Figure 129559DEST_PATH_IMAGE148
Figure 181829DEST_PATH_IMAGE149
Figure 165966DEST_PATH_IMAGE150
Figure 885660DEST_PATH_IMAGE151
其中，
Figure 929839DEST_PATH_IMAGE152
为j换电站内的充电排程，
Figure 469405DEST_PATH_IMAGE153
为在第二个决策（新能源汽车换电站排程） 中，j换电站在时段n中为i电池充电的功率，
Figure 257232DEST_PATH_IMAGE154
在第二个决策，j换电站在时段
Figure 831433DEST_PATH_IMAGE140
中为i 电池充电的功率，
Figure 46514DEST_PATH_IMAGE155
为在第二个决策中，j换电站在时段
Figure 306332DEST_PATH_IMAGE156
中为i电池充电的功率。
Figure 897850DEST_PATH_IMAGE157
为 指定到j换电站的新能源汽车集合。
Figure 60978DEST_PATH_IMAGE158
为换电站集合（下标为j)
Figure 446960DEST_PATH_IMAGE159
：时段集合(下标为n)。
为了跟踪每个电池的充电功率，本申请中定义了一种新的变量
Figure 226697DEST_PATH_IMAGE160
去预测在n时 间间隙内i充电电池是否正在充电。如果i充电电池在j换电站的n时间间隙充电，则
Figure 90748DEST_PATH_IMAGE161
，否则，
Figure 373962DEST_PATH_IMAGE162
。与此同时，在j换电站的充电功率
Figure 196424DEST_PATH_IMAGE025
在n时间间隙中必须少于 或等于j换电站的最大充电功率
Figure 197878DEST_PATH_IMAGE163
。其基于上式限定，i充电电池的能量要求在第一个决 策中大约等于在第二个决策中的能量。值得注意的是，轻微的不平等是由于第一个决策到 第二个决策的时间范围转变造成的。i充电电池的电量在充电过程结束后将高于电量阈值， 而电量阈值的设定是为了保证新能源汽车能够正常的运行。
Figure 600041DEST_PATH_IMAGE164
为电池充满电的电量阈 值。
Figure 3340DEST_PATH_IMAGE037
为i新能源汽车到达j换电站时的剩余电量。
在一实施例中， 第一评价函数包括以下函数：
Figure 996704DEST_PATH_IMAGE165
Figure 718410DEST_PATH_IMAGE166
，
其中，
Figure 189843DEST_PATH_IMAGE153
为j可用换电站在n时段内i待换电车辆对应的待充电电池的充电功率，
Figure 447649DEST_PATH_IMAGE167
为与j可用换电站对应的待换电车辆，T为总的充电时段。可以理解，将总时段按照预设时间 间隙进行花费即可以得到若干时段。
可选的，第二评价函数包括以下函数：
Figure 346335DEST_PATH_IMAGE168
其中，
Figure 56802DEST_PATH_IMAGE153
为j可用换电站在n时段i待换电车辆对应的待充电电池的充电功率，
Figure 331925DEST_PATH_IMAGE169
为与j可用换电站对应的待换电车辆，T为总的充电时段，
Figure 444238DEST_PATH_IMAGE170
为预设间隔时间，
Figure 779404DEST_PATH_IMAGE171
为时段n的 分时电价，其中可以理解为总的充电时间段内的分时电价的集合。在一实施例中，
Figure 977167DEST_PATH_IMAGE172
被定义 为5分钟。
可选的，第三评价函数包括以下函数：
Figure 790403DEST_PATH_IMAGE173
，
其中，
Figure 22801DEST_PATH_IMAGE153
为j可用换电站在时段n,i待换电车辆对应的待充电电池的充电功率，
Figure 263289DEST_PATH_IMAGE167
为与j可用换电站对应的待换电车辆，T为总的充电时段，
Figure 213928DEST_PATH_IMAGE027
是i待换电车辆对应的待充电电 池对应的充电时间单元数，
Figure 63810DEST_PATH_IMAGE174
为i待换电车辆对应的待充电电池的容量，a、b和c为常数。
其中，考虑到不同充电功率和电池容量退化程度，电池容量退化速率模型定义如下：
Figure 150715DEST_PATH_IMAGE175
其中，DS为电池容量衰减速度，
Figure 562104DEST_PATH_IMAGE176
为电池容量退化状态。
Figure 734460DEST_PATH_IMAGE177
为在时段n内i电池 的充电速率。
充电速率与充电功率的关系推导如下：
Figure 889498DEST_PATH_IMAGE178
最终得到电池总充电损害对应第三评价函数。其中，
Figure 830909DEST_PATH_IMAGE027
是i充电电池所占的时间间隙数量。其满足：
Figure 678779DEST_PATH_IMAGE179
，在一具体实施例 中，
Figure 72851DEST_PATH_IMAGE180
。
可选的，方法还包括基于非支配排序遗传算法2（ NSGA-II）、非支配排序遗传算法3（NSGA-III）、基于偏好向量引导的多目标优化进化算法（PVEA）和多目标粒子群算法（MOPSO）中的任何一个对第二目标函数求解。具体的，对多目标函数可以基于多个不同的多目标算法进行求解。将换电站的充电排程问题定义为多目标优化问题（MOP)，并且应用了多个多目标进化算法（MOEA）来解决该多目标优化问题。例如，NSGA-II、NSGA-III、RVEA和MOPSO。由于充电排程在第二个决策中是一个高维度解决方案，其结果如图6至图14所示为案例20/5/3中使用多目标例子群算法得到三个充电排程，其中，图6至图8为一个排程的电荷负载、电力成本和电池损害，图9至图11为一个排程的电荷负载、电力成本和电池损害，图12至图14为一个排程的电荷负载、电力成本和电池损害。基于表2，通过结果表明利用多目标粒子群算(MOPSO)法是解决该问题的最佳算法。
表2.多目标粒子群算法（MOPSO）与其他竞争对手在C-Metric指标的表现
Figure 31580DEST_PATH_IMAGE181
其中表2中显示了MOPSO多目标粒子群算法和其他三种多目标进化算法在C-metric指标上的比较。从表中可以看出，在所有换电站的实例中的C（MOPSO，-）的值均大于C（-，MOPSO）的值，因此可以得出多目标粒子群算法（MOPSO）算法在C-metric指标上优于其他三种算法。其中，C即C-Metric指标，C(s1,s2)计算的是解集S2中的解至少被解集S1中的一个解弱支配的比例，衡量的是两个解集之间的重合程度。
即通过上述方案最终实现具有新能源汽车的换电站调度和换电站充电排程的混合决策模型的体系结构。首先，在某个地理区域分散着多辆新能源汽车和多个换电站。例如，假设所有的新能源汽（EV）都选择最近的换电站进行能源补充。在第一个决策中，在8：23到8：34,EV5从初始位置前往最近的换电站BSS0。之后，EV5在BSS0进行换电操作，该换电过程仅花费五分钟，最后在8：39到8：52，EV5离开换电站BSS0前往目的地。在上述过程中EV5共花费29分钟，比从原始位置直接前往目的地多用时21.8分钟，因此EV5的额外等待时间为21.8分钟。类似的，在8：26到8：55，EV9前往最近的换电站BSS1，然而，其他新能源汽车相对较早到达换电站BSS1，因此，EV9必须在BSS1内等待23分钟，直到前一辆新能源汽车离开换电仓或换电站内有电池充满电，EV9才可以换电，换电操作花费5分钟后，EV9在9：23分离开换电站，并且在9：38到达目的地。EV9整个旅途比直接从原点到目的地多花费58.8分钟，即EV9 的额外等待时间为58.8分钟。在第二个决策（对应第二目标函数）中，在获得第一个决策（对应第一目标函数）的调度结果之后，每个换电站从电网系统中获取分时电价(TOU）以及站内每个耗尽电池的信息（例如当前电池的电量（SOC），额定容量，初始充电时间，结束充电时间）。多目标优化问题（MOP）优化器的优化目标为总负荷方差变化、电力成本和电池充电损害，通过定义最佳的时间窗口，执行多目标优化方案以获得电池充电排程的决策方案。最后，对换电站运行商，他们可以从多目标优化器中选择一个充电排程方案，并在耗尽电池充电过程中，为充电桩传输相应的充电功率。
另，如图15所示，本发明的一种新能源车电池包充电决策装置，包括：
第一获取单元110，用于基于接收的换电请求获取所有待换电车辆，并获取待换电车辆的电池电量、当前位置和目标位置；
第二获取单元120，用于获取所有可用换电站的当前位置，基于待换电车辆的当前位置、待换电车辆的目标位置和可用换电站的当前位置获取待换电车辆的、与可用换电站对应的额外时长；
第三获取单元130，用于获取待换电车辆基于可用换电站的预留时长，基于待换电车辆的预留时长和额外时长建立包含可用换电站与待换电车辆的组合关系的第一目标函数，以根据第一目标函数获取目标组合关系；
第一执行单元140，用于根据目标组合关系获取一目标换电站所对应的待换电车辆为目标车辆，并获取目标车辆的、与目标换电站对应的若干充电开始时间,以及第一个充电开始时间之前的、目标换电站的初始状态信息；
第二执行单元150，用于自第一个充电开始时间开始以预设间隔时间为时间单元监测目标换电站的实时工作状态，并基于目标换电站的初始状态和目标换电站的实时工作状态建立与目标换电站的预设评价指标所对应的评价函数；
第三执行单元160，用于基于评价函数建立第二目标函数，并根据第二目标函数触发更新目标换电站的实时工作状态。
具体的，这里的新能源车电池包充电决策装置各单元之间具体的配合操作过程具体可以参照上述新能源车电池包充电决策方法，这里不再赘述。
可以理解的，以上实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，可以对上述技术特点进行自由组合，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，凡跟本发明权利要求范围所做的等同变换与修饰，均应属于本发明权利要求的涵盖范围。

Claims (8)

1.一种新能源车电池包充电决策方法，其特征在于，包括以下步骤：
S1、基于接收的换电请求获取所有待换电车辆，并获取所述待换电车辆的电池电量、当前位置和目标位置；
S2、获取所有可用换电站的当前位置，基于所述待换电车辆的当前位置、所述待换电车辆的目标位置和所述可用换电站的当前位置获取所述待换电车辆的与所述可用换电站对应的额外时长；
S3、获取所述待换电车辆基于所述可用换电站的预留时长，基于所述待换电车辆的所述预留时长和所述额外时长建立包含所述可用换电站与所述待换电车辆的组合关系的第一目标函数，以根据所述第一目标函数获取目标组合关系；
S4、根据所述目标组合关系获取一目标换电站所对应的待换电车辆为目标车辆，并获取所述目标车辆的、与所述目标换电站对应的若干充电开始时间,以及第一个充电开始时间之前的、所述目标换电站的初始状态信息；
S5、自所述第一个充电开始时间开始以预设间隔时间为时间单元监测所述目标换电站的实时工作状态，并基于所述目标换电站的初始状态和所述目标换电站的实时工作状态建立与所述目标换电站的预设评价指标所对应的评价函数；
S6、基于所述评价函数建立第二目标函数，并根据所述第二目标函数触发更新所述目标换电站的实时工作状态；
其中，所述第一目标函数包括以下函数：
Figure 85018DEST_PATH_IMAGE001
，
且根据以下约束条件约束所述第一目标函数：
Figure 471000DEST_PATH_IMAGE002
Figure 985158DEST_PATH_IMAGE003
并在所述第一目标函数中，
Figure 114788DEST_PATH_IMAGE004
，用于表征所有待换电车辆与所有可用换电站的组合，
Figure 398002DEST_PATH_IMAGE005
表征将i待换电车辆对应到j可用换电站，
Figure 954885DEST_PATH_IMAGE006
为所有待换电车辆的数量；
Figure 956339DEST_PATH_IMAGE007
为i待换电车辆的额外时长，其中，所述额外时长为待换电车辆经可用换电站的当 前位置到达所述待换电车辆的目标位置和直接到达所述待换电车辆的目标位置的用时时 长差；
Figure 889660DEST_PATH_IMAGE008
为i待换电车辆的预留时长，其中，所述预留时长为排队等待时间、等待电池充满 时间与换电操作时间的时长和；
在所述约束条件中，所述
Figure 525916DEST_PATH_IMAGE009
为i待换电车辆到达j可用换电站时的剩余电量；
在所述步骤S3中，所述根据所述第一目标函数获取目标组合关系包括：
S31、初始化ATS自适应禁忌搜索算法的参数，并设置初始累计计数为零，基于最近范围规则的策略获取预设组合关系，并设置候选组合关系集合为空集；
S32、判断所述累计计数是否小于所述待换电车辆的车辆总数，若是，则执行步骤S33，否则执行步骤S35；
S33、基于预设组合关系获取所述待换电车辆的总等待时长，并基于待换电车辆的总等 待时长获取所述待换电车辆的累计概率，基于所述累计概率通过轮盘赌获取一待换电车辆 为待分配车辆，其中，所述待换电车辆的总等待时长为
Figure 253700DEST_PATH_IMAGE010
；
S34、获取对应待换电车辆最少的第一可用换电站和可用资源最多的第二可用换电站，随机获取所述第一可用换电站和所述第二可用换电站中的一个与所述待分配车辆建立关系以得到当前候选组合关系，并执行步骤S36；
S35、在所述预设组合关系随机进行两点交换以获得当前候选组合关系；
S36、添加所述当前候选组合关系至所述候选组合关系集合，并判断所述候选组合关系集合中的元素个数是否大于第二预设值，若是，则执行步骤S37，否则，以当前候选组合关系为所述预设组合关系并执行步骤S32；
S37、根据所述第一目标函数获取所述候选组合关系集中的当前最优候选组合关系，并增加一次累计计数，判断所述当前最优候选组合关系是否优于历史最优候选组合关系，若是，则执行步骤S381，否则执行步骤S382；
S381、将所述当前最优候选组合关系添加至禁忌列表，其中，在所述禁忌列表的长度大于预设阈值时，以队列方式更新所述禁忌列表；
S382、判断所述累计计数是否大于第一预设值，若是，执行步骤S392，否则，执行步骤S391，
S391、以所述当前最优候选组合关系为预设组合关系并执行所述步骤S32；
S392、获取所述禁忌列表中的最优组合关系为目标组合关系。
2.根据权利要求1所述的新能源车电池包充电决策方法，其特征在于，在所述步骤S5中，所述目标换电站的预设评价指标包括：所述目标换电站的总负荷方差，所述目标换电站的电力成本和所述目标换电站的充电损害；
所述评价函数包括：与所述目标换电站的总负荷方差对应的第一评价函数，
与所述目标换电站的电力成本对应的第二评价函数，和与所述目标换电站的充电损害对应的第三评价函数。
3.根据权利要求2所述的新能源车电池包充电决策方法，其特征在于，所述第二目标函数包括以下函数：
Figure 742451DEST_PATH_IMAGE011
，
所述
Figure 213883DEST_PATH_IMAGE012
为所述第一评价函数，
Figure 206110DEST_PATH_IMAGE013
为所述第二评价函数，
Figure 370375DEST_PATH_IMAGE014
为所述第三评 价函数，
Figure 346421DEST_PATH_IMAGE015
为所述可用换电站集合。
4.根据权利要求3所述的新能源车电池包充电决策方法，其特征在于，
所述第一评价函数包括以下函数：
Figure 90386DEST_PATH_IMAGE016
Figure 468278DEST_PATH_IMAGE017
，
其中，
Figure 537865DEST_PATH_IMAGE018
为j可用换电站在n时段内i待换电车辆对应的待充电电池的充电功率，
Figure 1208DEST_PATH_IMAGE019
为与 j可用换电站对应的待换电车辆，T为总的充电时段。
5.根据权利要求3所述的新能源车电池包充电决策方法，其特征在于，
所述第二评价函数包括以下函数：
Figure 814443DEST_PATH_IMAGE020
其中，
Figure 46841DEST_PATH_IMAGE018
为可用换电站在n时段内i待换电车辆对应的待充电电池的充电功率，
Figure 785865DEST_PATH_IMAGE019
为与j 可用换电站对应的待换电车辆，T为总的充电时段，
Figure 470924DEST_PATH_IMAGE021
为预设间隔时间，
Figure 87850DEST_PATH_IMAGE022
为时段n的分时 电价。
6.根据权利要求3所述的新能源车电池包充电决策方法，其特征在于，
所述第三评价函数包括以下函数：
Figure 174755DEST_PATH_IMAGE023
，
其中，
Figure 586145DEST_PATH_IMAGE024
为j可用换电站在n时段内i待换电车辆对应的待充电电池的充电功率，
Figure 758500DEST_PATH_IMAGE025
为与 j可用换电站对应的待换电车辆，T为总的充电时段，
Figure 913538DEST_PATH_IMAGE026
是i待换电车辆对应的待充电电池对 应的充电时间单元数，
Figure 120528DEST_PATH_IMAGE027
为i待换电车辆对应的待充电电池的容量，a、b和c为常数。
7.根据权利要求3所述的新能源车电池包充电决策方法，其特征在于，所述方法还包括基于NSGA-II、NSGA-III、RVEA和MOPSO中的任何一个对所述第二目标函数求解。
8.一种新能源车电池包充电决策装置，其特征在于，包括：
第一获取单元，用于基于接收的换电请求获取所有待换电车辆，并获取所述待换电车辆的电池电量、当前位置和目标位置；
第二获取单元，用于获取所有可用换电站的当前位置，基于所述待换电车辆的当前位置、所述待换电车辆的目标位置和所述可用换电站的当前位置获取所述待换电车辆的、与所述可用换电站对应的额外时长；
第三获取单元，用于获取所述待换电车辆基于所述可用换电站的预留时长，基于所述待换电车辆的所述预留时长和所述额外时长建立包含所述可用换电站与所述待换电车辆的组合关系的第一目标函数，以根据所述第一目标函数获取目标组合关系；
其中，所述第一目标函数包括以下函数：
Figure 968398DEST_PATH_IMAGE001
，
且根据以下约束条件约束所述第一目标函数：
Figure 362471DEST_PATH_IMAGE002
Figure 321199DEST_PATH_IMAGE003
并在所述第一目标函数中，
Figure 117117DEST_PATH_IMAGE004
，用于表征所有待换电车辆与所有可用换电站的组合，
Figure 135889DEST_PATH_IMAGE005
表征将i待换电车辆对应到j可用换电站，
Figure 781371DEST_PATH_IMAGE006
为所有待换电车辆的数量；
Figure 278212DEST_PATH_IMAGE007
为i待换电车辆的额外时长，其中，所述额外时长为待换电车辆经可用换电站的当 前位置到达所述待换电车辆的目标位置和直接到达所述待换电车辆的目标位置的用时时 长差；
Figure 194215DEST_PATH_IMAGE008
为i待换电车辆的预留时长，其中，所述预留时长为排队等待时间、等待电池充满 时间与换电操作时间的时长和；
在所述约束条件中，所述
Figure 118309DEST_PATH_IMAGE009
为i待换电车辆到达j可用换电站时的剩余电量；
所述根据所述第一目标函数获取目标组合关系包括：
S31、初始化ATS自适应禁忌搜索算法的参数，并设置初始累计计数为零，基于最近范围规则的策略获取预设组合关系，并设置候选组合关系集合为空集；
S32、判断所述累计计数是否小于所述待换电车辆的车辆总数，若是，则执行步骤S33，否则执行步骤S35；
S33、基于预设组合关系获取所述待换电车辆的总等待时长，并基于待换电车辆的总等 待时长获取所述待换电车辆的累计概率，基于所述累计概率通过轮盘赌获取一待换电车辆 为待分配车辆，其中，所述待换电车辆的总等待时长为
Figure 752553DEST_PATH_IMAGE010
；
S34、获取对应待换电车辆最少的第一可用换电站和可用资源最多的第二可用换电站，随机获取所述第一可用换电站和所述第二可用换电站中的一个与所述待分配车辆建立关系以得到当前候选组合关系，并执行步骤S36；
S35、在所述预设组合关系随机进行两点交换以获得当前候选组合关系；
S36、添加所述当前候选组合关系至所述候选组合关系集合，并判断所述候选组合关系集合中的元素个数是否大于第二预设值，若是，则执行步骤S37，否则，以当前候选组合关系为所述预设组合关系并执行步骤S32；
S37、根据所述第一目标函数获取所述候选组合关系集中的当前最优候选组合关系，并增加一次累计计数，判断所述当前最优候选组合关系是否优于历史最优候选组合关系，若是，则执行步骤S381，否则执行步骤S382；
S381、将所述当前最优候选组合关系添加至禁忌列表，其中，在所述禁忌列表的长度大于预设阈值时，以队列方式更新所述禁忌列表；
S382、判断所述累计计数是否大于第一预设值，若是，执行步骤S392，否则，执行步骤S391，
S391、以所述当前最优候选组合关系为预设组合关系并执行所述步骤S32；
S392、获取所述禁忌列表中的最优组合关系为目标组合关系；
第一执行单元，用于根据所述目标组合关系获取一目标换电站所对应的待换电车辆为目标车辆，并获取所述目标车辆的与所述目标换电站对应的若干充电开始时间,以及第一个充电开始时间之前的、所述目标换电站的初始状态信息；
第二执行单元，用于自所述第一个充电开始时间开始以预设间隔时间为时间单元监测所述目标换电站的实时工作状态，并基于所述目标换电站的初始状态和所述目标换电站的实时工作状态建立与所述目标换电站的预设评价指标所对应的评价函数；
第三执行单元，用于基于所述评价函数建立第二目标函数，并根据所述第二目标函数触发更新所述目标换电站的实时工作状态。
CN202210855158.1A 2022-07-20 2022-07-20 一种新能源车电池包充电决策方法及装置 Active CN115018206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210855158.1A CN115018206B (zh) 2022-07-20 2022-07-20 一种新能源车电池包充电决策方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210855158.1A CN115018206B (zh) 2022-07-20 2022-07-20 一种新能源车电池包充电决策方法及装置

Publications (2)

Publication Number Publication Date
CN115018206A CN115018206A (zh) 2022-09-06
CN115018206B true CN115018206B (zh) 2022-10-28

Family

ID=83082036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210855158.1A Active CN115018206B (zh) 2022-07-20 2022-07-20 一种新能源车电池包充电决策方法及装置

Country Status (1)

Country Link
CN (1) CN115018206B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172503B (zh) * 2023-09-21 2024-10-25 深圳云天励飞技术股份有限公司 新能源车电池更换调度方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809278A (zh) * 2016-03-03 2016-07-27 华北电力大学（保定） 一种基于排队论算法的电动汽车换电站选址规划方法
CN111413628A (zh) * 2020-02-27 2020-07-14 蓝谷智慧(北京)能源科技有限公司 一种具有电池评估功能的充换电站及评估方法
CN114611900A (zh) * 2022-03-01 2022-06-10 北京海博思创科技股份有限公司 换电调度方法、装置及设备
CN114648420A (zh) * 2022-05-24 2022-06-21 苏州琞能能源科技有限公司 换电站管理方法、装置、电子设备及存储介质
CN114693040A (zh) * 2020-12-31 2022-07-01 奥动新能源汽车科技有限公司 换电站的推荐方法、系统、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105667464A (zh) * 2016-03-18 2016-06-15 蔚来汽车有限公司 基于云存储的电动汽车换电系统和方法
CN110580606B (zh) * 2019-09-12 2023-11-07 上海欧冶供应链有限公司 铁路运输数据的匹配方法
CN112838598A (zh) * 2019-11-25 2021-05-25 国家电网公司 一种基于自适应连续禁忌搜索算法的优化控制策略
CN112163720A (zh) * 2020-10-22 2021-01-01 哈尔滨工程大学 基于车联网的多智能体无人驾驶电动汽车换电调度方法
CN114493040A (zh) * 2022-02-17 2022-05-13 国网浙江省电力有限公司双创中心 一种储能车的调度方法、系统及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809278A (zh) * 2016-03-03 2016-07-27 华北电力大学（保定） 一种基于排队论算法的电动汽车换电站选址规划方法
CN111413628A (zh) * 2020-02-27 2020-07-14 蓝谷智慧(北京)能源科技有限公司 一种具有电池评估功能的充换电站及评估方法
CN114693040A (zh) * 2020-12-31 2022-07-01 奥动新能源汽车科技有限公司 换电站的推荐方法、系统、电子设备及存储介质
WO2022143879A1 (zh) * 2020-12-31 2022-07-07 奥动新能源汽车科技有限公司 换电站的推荐方法、系统、电子设备及存储介质
CN114611900A (zh) * 2022-03-01 2022-06-10 北京海博思创科技股份有限公司 换电调度方法、装置及设备
CN114648420A (zh) * 2022-05-24 2022-06-21 苏州琞能能源科技有限公司 换电站管理方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A Survey of Battery Swapping Stations for Electric Vehicles: Operation Modes and Decision Scenarios";Hao Wu;《https://ieeexplore.ieee.org/document/9613817》;20211112;正文第10164、10165-10178页 *
基于自适应遗传算法的规模化电动汽车;张聪 等;《电力系统保护与控制》;20140716;第42卷(第14期);第19-24页 *

Also Published As

Publication number Publication date
CN115018206A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
Zheng et al. Integrating plug-in electric vehicles into power grids: A comprehensive review on power interaction mode, scheduling methodology and mathematical foundation
Mehta et al. Double-layered intelligent energy management for optimal integration of plug-in electric vehicles into distribution systems
Zheng et al. A novel real-time scheduling strategy with near-linear complexity for integrating large-scale electric vehicles into smart grid
CN104025367B (zh) 蓄电池转移辅助装置及蓄电池转移辅助方法
Honarmand et al. Optimal scheduling of electric vehicles in an intelligent parking lot considering vehicle-to-grid concept and battery condition
Akhavan-Rezai et al. Online intelligent demand management of plug-in electric vehicles in future smart parking lots
CN110796286B (zh) 一种适用于电动汽车规模化应用的配电系统的灵活规划方法
CN116001624A (zh) 基于深度强化学习的一桩多联电动汽车有序充电方法
Yang et al. An optimal battery allocation model for battery swapping station of electric vehicles
CN113887032A (zh) 基于拉格朗日分布式算法的电动汽车有序充放电控制方法
CN116632896B (zh) 一种多光储充电站的电动汽车充放电协同调度方法及系统
Theodoropoulos et al. A load balancing control algorithm for EV static and dynamic wireless charging
Athulya et al. Electric vehicle recharge scheduling in a shopping mall charging station
CN115018206B (zh) 一种新能源车电池包充电决策方法及装置
Naik et al. Optimization of vehicle-to-grid (V2G) services for development of smart electric grid: A review
Li et al. A coordinated battery swapping service management scheme based on battery heterogeneity
Anwar et al. Time-of-Use-Aware Priority-Based Multi-Mode Online Charging Scheme for EV Charging Stations
CN113486504A (zh) 一种基于调度成本的电池管理控制方法
Diaz-Londono et al. Comparison and Analysis of Algorithms for Coordinated EV Charging to Reduce Power Grid Impact
Asna et al. A Novel Multi-Level Charging Strategy for Electric Vehicles to Enhance Customer Charging Experience and Station Utilization
Bai et al. Multi-objective planning for electric vehicle charging stations considering TOU price
Samadi et al. Effective self-committed V2G for residential complexes
Zeng et al. Matching theory based travel plan aware charging algorithms in V2G smart grid networks
Fattahi et al. Effective Self-Committed V2G for Residential Complexes
Ramraj et al. Quality of Service and Energy Management of Electric Vehicles: A Review

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wu Jiali

Inventor after: Su Yong

Inventor after: Wu Hao

Inventor after: Wang Na

Inventor before: Wu Jiali