Guiding the charging behavior of electric vehicles （EVs） through price means helps to reduce the adverse effects of a large number of EVs access to the power system. This paper proposes an optimization model for floating charging service fee to guide EV users to charge more reasonably. Firstly， EV users are classified according to user preference. And on this basis， users charging utility model based on prospect theory is established. Secondly， the transfer probability matrix is used to establish the price response model of EV users. Then comprehensively considering the interests of the grid， charging stations and users， a multi-objective optimization model is established for floating service fee. Finally， the multi-objective particle swarm optimization algorithm is improved on the basis of adaptive grid archiving by non-uniform mutation operation and the model is solved by using the proposed algorithm. Taking a typical urban area as an example， the optimization results of floating service fee under different base loads， the user price response results under different service fee mechanisms and the user response behavior under different user compositions are compared and analyzed. The correctness and effectiveness of the mechanism and model described in this paper are verified. The results of these examples show that the floating service fee mechanism and its optimization model mentioned in this paper can further guide the charging behavior based on the time-of-use electricity price mechanism and play the role of cutting peak and filling the valley as well as ensuring the interests of all aspects.
Key words
floating service fee /
prospect theory /
charging utility /
price response /
non-uniform mutation
{{custom_sec.title}}
{{custom_sec.title}}
{{custom_sec.content}}
References
［1］党杰， 汤奕， 宁佳， 等. 基于用户意愿和出行规律的电动汽车充电负荷分配策略［J］. 电力系统保护与控制， 2015， 43（16）： 8-15.
DANG Jie， TANG Yi， NING Jia， et al. A strategy for distribution of electric vehicles charging load based on user intention and trip rule［J］. Power System Protection and Control， 2015， 43（16）：8-15.
［2］胡泽春， 宋永华， 徐智威， 等. 电动汽车接入电网的影响与利用［J］. 中国电机工程学报， 2012， 32（4）： 1-10，25.
HU Zechun， SONG Yonghua， XU Zhiwei， et al. Impacts and utilization of electric vehicles integration into power systems［J］. Proceedings of the CSEE， 2012， 32（4）： 1-10， 25.
［3］QI Wei， XU Zhiwei， SHEN Zuojun， et al. Hierarchical coordinated control of plug-in electric vehicles charging in multifamily dwellings［J］. IEEE Transactions on Smart Grid，2014，5（3）：1465-1474.
［4］唐佳， 王丹， 贾宏杰， 等. 基于迟滞模型的集群电动汽车参与实时需求响应V2G控制策略研究［J］. 电网技术， 2017， 41（7）： 2155-2164.
TANG Jia， WANG Dan， JIA Hongjie， et al. A study of V2G control strategies of aggregated electric vehicles for real-time demand response based on hysteresis model ［J］. Power System Technology， 2017， 41（7）： 2155-2165.
［5］杨晓东， 张有兵， 赵波， 等. 供需两侧协同优化的电动汽车充放电自动需求响应方法［J］. 中国电机工程学报， 2017， 37（1）： 120-130.
YANG Xiaodong， ZHANG Youbing， ZHAO Bo， et al. Automated demand response method for electric vehicles charging and discharging to achieve supply-demand coordinated optimization［J］. Proceedings of the CSEE， 2017， 37（1）： 120-130.
［6］高亚静， 吕孟扩， 王球， 等. 基于离散吸引力模型的电动汽车充放电最优分时电价研究［J］. 中国电机工程学报， 2014， 34（22）： 3647-3653.
GAO Yajing， L Mengkuo， WANG Qiu， et al. Research on optimal TOU price considering electric vehicles charging and discharging based on discrete attractive model［J］. Proceedings of the CSEE， 2014， 34（22）： 3647-3653.
［7］崔金栋，罗文达， 周念成. 基于多视角的电动汽车有序充放电定价模型与策略研究［J］. 中国电机工程学报， 2018， 38（15）： 4438-4450， 4644.
CUI Jindong， LUO Wenda， ZHOU Niancheng. Research on pricing model and strategy of electric vehicle charging and discharging based on multi view［J］. Proceedings of the CSEE， 2018， 38（15）： 4438-4450， 4644.
［8］孙丙香， 阮海军， 许文中， 等. 基于静态非合作博弈的电动汽车充电电价影响因素量化分析［J］. 电工技术学报， 2016， 31（21）： 75-85.
SUN Bingxiang， RUAN Haijun， XU Wenzhong， et al. Quantitative analysis of influence factors about EVs charging electricity price based on the static non-cooperative game theory［J］. Transactions of China Electrotechnical Society， 2016， 31（21）： 75-85.
［9］陈立兴， 黄学良. 高速公路充电站电动汽车有序充电策略［J］. 电力自动化设备， 2019， 39（1）： 112-117， 126.
CHEN Lixing， HUANG Xueliang. Ordered charging strategy of electric vehicles at charging station on highway［J］. Electric Power Automation Equipment， 2019， 39（1）： 112-117， 126.
［10］胡德权， 郭春林， 俞秦博， 等. 基于电价引导的电动汽车充电双层优化策略［J］. 电力建设， 2018， 39（1）： 48-53.
HU Dequan， GUO Chunlin， YU Qinbo， et al. Bi-level optimization strategy of electric vehicle charging based on electricity price guide［J］. Electric Power Construction， 2018， 39（1）： 48-53.
［11］YANG J， CHEN J J， CHEN L， et al. A regional time-of-use electricity price based optimal charging strategy for electrical vehicles［J］. Energies， 2016， 9（9）： 670.
［12］佟欣， 郭春林， 张明智. 基于价值函数的电动汽车充电价格引导研究［J］. 电力建设， 2016， 37（9）： 30-35.
TONG Xin， GUO Chunlin， ZHANG Mingzhi. Price guide of electric vehicles charging based on cost function［J］. Electric Power Construction， 2016， 37（9）： 30-35.
［13］CHANG F Y， HUANG M， ZHANG W G， et al. A coordinated charging strategy for PV-assisted charging station of electric vehicles based on charging service price［C］//2017 IEEE Transportation Electrification Conference and Expo， Asia-Pacific （ITEC Asia-Pacific）. New York： IEEE， 2017.
［14］魏大钧， 张承慧， 孙波， 等. 基于分时电价的电动汽车充放电多目标优化调度［J］. 电网技术， 2014， 38（11）： 2972-2977.
WEI Dajun， ZHANG Chenghui， SUN Bo， et al. A time-of-use price based multi-objective optimal dispatching for charging and discharging of electric vehicles［J］. Power System Technology， 2014， 38（11）： 2972-2977.
［15］王毅， 王飞宏， 侯兴哲， 等. 住宅区电动汽车充电负荷随机接入控制策略［J］. 电力系统自动化， 2018， 42（20）： 53-60.
WANG Yi， WANG Feihong， HOU Xingzhe， et al. Random access control strategy of charging for household electric vehicle in residential area［J］. Automation of Electric Power Systems， 2018， 42（20）： 53-60.
［16］郝晶晶， 朱建军， 刘思峰. 基于前景理论的多阶段随机多准则决策方法［J］. 中国管理科学， 2015， 23（1）： 73-81.
HAO Jingjing， ZHU Jianjun， LIU Sifeng. A method for multi-stage stochastic multi-criteria decision making concerning prospect theory［J］. Chinese Journal of Management Science， 2015， 23（1）： 73-81.
［17］关宏志.非集计模型-交通行为分析的工具［M］.北京：人民交通出版社，2004：13-18.
［18］杨波， 陈卫， 文明浩， 等. 电动汽车充电站的概率负荷建模［J］. 电力系统自动化， 2014， 38（16）： 67-73.
YANG Bo， CHEN Wei， WEN Minghao， et al. Probabilistic load modeling of electric vehicle charging stations［J］. Automation of Electric Power Systems， 2014， 38（16）： 67-73.
［19］公茂果， 焦李成， 杨咚咚， 等. 进化多目标优化算法研究［J］. 软件学报， 2009， 20（2）： 271-289.
GONG Maoguo， JIAO Licheng， YANG Dongdong， et al. Research on evolutionary multi-objective optimization algorithms［J］. Journal of Software， 2009， 20（2）： 271-289.
［20］COELLO C A， LECHUGA M S. MOPSO： a proposal for multiple objective particle swarm optimization［C］//Proceedings of the 2002 Congress on Evolutionary Computation. CEC02 （Cat. No.02TH8600）. Honolulu， New York： IEEE， 2002.
［21］MICHALEWICZ Z. Genetic Algortithms+Data Structures=Evolution Programs ［M］. Berlin：Springer-Verlag，1992.
［22］杨俊杰， 周建中， 方仍存， 等. MOPSO算法及其在水库优化调度中的应用［J］. 计算机工程， 2007， 33（18）： 249-250， 264.
YANG Junjie， ZHOU Jianzhong， FANG Rengcun， et al. Multi-objective particle swarm optimization and its application in optimal regulation of reservoir［J］. Computer Engineering， 2007， 33（18）： 249-250， 264.
［23］苏鹏， 刘天琪， 赵国波， 等. 基于改进粒子群算法的节能调度下多目标负荷最优分配［J］. 电网技术， 2009， 33（5）： 48-53.
SU Peng， LIU Tianqi， ZHAO Guobo， et al. An improved particle swarm optimization based multi-objective load dispatch under energy conservation dispatching［J］. Power System Technology， 2009， 33（5）： 48-53.
［24］TVERSKY A， KAHNEMAN D. Advances in prospect theory： Cumulative representation of uncertainty［J］. Journal of Risk and Uncertainty， 1992， 5（4）： 297-323.
Funding
This work is supported by State Grid Corporation of China Research Program .
PDF(2257 KB)
