(19)中华 人民共和国 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 202111624560.0 (22)申请日 2021.12.2 9 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 丁研　朱燕　鄢睿　 (51)Int.Cl. H02J 3/00(2006.01) B60L 53/63(2019.01) B60L 53/64(2019.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) (54)发明名称 考虑电动汽车充电负荷不确定性的建筑能 源优化调度方法 (57)摘要 本发明公开一种考虑电动汽车充电负荷不 确定性的建筑能源优化调度方法。 包括以下步 骤： 建立电动汽车充电负荷日前预测模型； 在充 电负荷预测模型的基础上对充电负荷不确定性 进行量化； 建立考虑充电负荷不确定性的建筑能 源优化调度模 型。 本发明提出的考虑电动汽车充 电负荷不确定性的策略对次日可能出现多种负 荷情况的适应程度更高， 从而能够提高调度策略 的鲁棒性； 同时空调负荷和充电负荷联合优化调 度实现了在调度时间段上的互补性， 进一步优化 了负荷方差， 使建 筑能源系统的运行 更加稳定 。 权利要求书5页 说明书8页 附图5页 CN 114285033 A 2022.04.05 CN 114285033 A 1.一种考虑电动汽车充电负荷不确定性的建筑能源优化调度方法， 其特征在于， 包括 以下步骤： 步骤1)： 建立电动汽车充电负荷日前 预测模型 对中国本土地区进行问卷调研， 获取中国本土实 际的电动汽车负荷数据。 根据回收数 据分析用户通勤 行为特征和电动汽车物理属性分布， 建立基于蒙特卡洛模拟和统计学方法 的电动汽车充电负荷预测模型。 步骤2)： 对充电负荷不确定性进行量 化 在充电负荷预测模型的基础上， 通过蒙特卡洛方法引入误差， 在各参数期望值的基础 上进行修正， 将进行足够多次蒙特卡洛模拟后得到的次日充电负荷样本组成集合， 形成次 日可能出现的所有充电情况 的集合。 通过测量获取预冷工况下的建筑空调负荷， 以及楼宇 内照明、 办公设备及电梯等基础用电负荷， 并结合充电负荷， 得到次日可能出现的所有用电 负荷情况的集 合。 步骤3)： 建立 考虑充电负荷不确定性的建筑能源 优化调度模型 采用单目标遗传算法， 以所有可能出现情景中负荷方差最不利情况最优化为目标， 以 各电动汽车开始充电时刻为变量， 并提出到站不保证率和充电不保证率作为约束条件， 建 立电动汽车充电设施优化调度模型。 2.根据权利要求1所述的计算方法， 其特征在于： 所述步骤1)建立电动汽车充电负荷日 前预测模型， 具体为： (1)通过调研问卷， 得到相关参数的分布 为了解中国本土人员的通勤出行规律， 问卷内容涉及人员基本信息(性别、 年龄)、 人员 出行习惯(到达工作地点时间、 离开工作地点时间、 从家到工作地点的距离、 出发时车辆 SOC、 是否会在上班途中驾车离开)、 电动汽 车的物理参数(电池容量)以及 充电意愿等。 通过 对问卷调研结果的分析， 获得6种指标包括有到达工作地点时刻、 离开工作地点时刻、 从家 到工作地点的行驶距离、 出发时的SOC、 电池容 量、 每公里耗电的概 率密度分布函数。 (2)单台车 逐时充电负荷的计算 为简化充电负荷的计算， 对条件在一定程度上进行假设和限定， 具体如下： ②电动汽车不会在上班途中离开， 一 直停泊到下班时间； ②电动汽车到站即开始充电， 直到电池充满时结束充电， 若直到离开 时都无法充满， 则 一直充到离开时刻； ③由于充电开始和结束两个过程持续时间很短， 所以将充电过程视为恒功率， 并根据 国家标准 规定本文中的慢充功率 为7kW。 ④本发明中充电桩类型配置仅建立全慢充情景。 根据蒙特卡洛抽取 得到各随机变量的样本后， 可以计算每辆电动汽车到站时的SOC： 式中， SOCarr， n为第n辆车到达工作地点时的荷电状态； SOCde， n为第n辆车离开家时的荷 电状态； Kn为第n辆车的每公里耗电量， kWh/km； Dn为第n辆车从家到工作地点的行驶距离， km； Capn为第n辆车的电池容 量， kWh。 由此可以计算出每辆车的充电时长：权　利　要　求　书 1/5 页 2 CN 114285033 A 2式中， Ln为第n辆车的充电时长， 小时； Pc， n为第n辆车的充电功率， kW。 全慢充情景下， 所 有车的充电功率均为7k W。 设第n辆电动汽车在1 天中某时刻t的充电状态变量 εn(t)： 式中， ts， n为第n辆开始充电的时刻， 车辆充电时εn(t)＝1， 不充电时为 εn(t)＝0。 则单台车和多台车的逐时充电负荷为： PEV， n(t)＝Pc， n×εn(t)  (4) 式中， PEV， n(t)为t时刻第n辆车的充电负荷， kW； PEV(t)为t时刻所有车辆的充电负荷， kW； N为所有的车辆数。 即可 得到某规模的电动汽车一日内的逐时充电负荷。 (3)蒙特卡洛模拟过程 对于全慢充情景， 从第1辆车开始， 根据其各随机变量的概率密度分布函数随机抽取其 开始充电时刻、 电动汽 车电池容量、 每公里耗电量、 从家到工作地点距离以及出发时的SOC， 根据公式(1)～(5)计算该车辆的逐时充电负荷。 剩下的车辆做同样的抽取和 计算， 对逐时 充电负荷进行累加， 完成1次蒙特卡洛模拟过程。 重复上述抽取过程， 以得到足够数量的样 本， 本文共进行10000次抽取。 抽取完成后即可得到10000组逐时电动汽车充电负荷样本数 据， 再对每时刻的电动汽车充电负荷的最大值、 最小值、 中位数等进行统计和 计算， 便可得 到电动汽车负荷的分布特 征。 3.根据权利要求1所述的计算方法， 其特征在于： 所述步骤2)对充电负荷不确定性进行 量化， 具体为： (1)对期望的修 正及误差的抽取 针对每辆车， 为了模拟不确定的充电负荷预测， 对不确定性因素可能出现的误差进行 抽取， 以此对各因素的期望值进行修 正， 组成“需考虑情况 ”集合。 考虑不确定性偏差的到 达时刻表示式为： 式中， ts， n(exp)为第n辆车到达时刻(开始充电时刻)的期望值； 为到达时刻的预测误 差值。 本发明使用蒙特卡洛方法产生 一组有限但足够大的误差向量： 式中， 为到达时刻预测值的误差向量， 包含所有可能出现的预测误差； 为由蒙特 卡洛模拟抽取得到的误差观测向量； 为第i次抽取的到达时刻预测值； Ne为蒙特卡洛抽 取次数。 当Ne足够大时， 可认为 是 相当好的近似值， 令Ne＝10000。 且预测误差服从正 态分布： 式中， 为到达时刻预测误差的标准差； 为到达时刻预测误差的期望 。 同理， 考虑不确定性偏差的离开时刻表示式为：权　利　要　求　书 2/5 页 3 CN 114285033 A 3