沙特国王大学学报基于模糊数据融合作者：Shahid Hussaina，Sukhasis Thakura，Saurabh Shuklaa，John G.Breslina，Qasim Janb，c，FaisalKhand，Yun-Su Kime，a爱尔兰戈尔韦国立大学数据科学研究所电气和电子工程系，戈尔韦H91 TK33，爱尔兰b东南大学移动通信国家重点实验室，南京210096c计算机科学系，Attock校区，COMSATS大学伊斯兰堡，Attock 43600，巴基斯坦d爱尔兰国立大学科学与工程学院电子工程系，戈尔韦，戈尔韦H91 TK33爱尔兰韩国光州科技学院能源聚合研究生院（GIST），Gwangju 61005阿提奇莱因福奥文章历史记录：2021年7月25日收到2022年4月7日修订2022年4月30日接受2022年5月11日网上发售关键词：分散充电电动汽车经济层与动力层模糊融合使用时间费率A B S T R A C T提出了一种基于模糊数据融合的双层分散充电方法（TLDCA），该方法考虑了经济层和功率层，用于优化家用电动汽车（EV）的充电成本。我们定义了问题的模糊目标函数的收费费用最小化，并提出了一个详细的模糊整数线性规划公式，以获得最优解集。最优解集依赖于通过模糊融合机制获得的决策控制变量，该模糊融合机制结合了多个独立和不确定的日前价格模式和来自公用电网和EV域的充电状态输入。开发的TLDCA降低了电动汽车的充电成本，同时通过确定最佳充电时间表来保证其所需的能量我们进行了两个案例研究来调查TLDCA的行为，其中第一个案例探讨了充电成本的优化和个别电动汽车不断变化的需求。第二种情况检查充电成本，对负载曲线的影响，以及针对聚合电动汽车的夏季和冬季负载曲线的峰均比。仿真结果验证了所开发的TLDCA优化的充电成本和峰均比相比，不协调的收费，标准费率收费，和分时收费计划。©2022作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍气候变化（即，大气温度上升、海平面上升、严重水灾等）全球变暖造成的气候变化正在影响人类的生活。主要原因是发电源（即，石油、天然气、煤炭和地热）和汽车工业。传统汽车和卡车的内燃机排放的废气*通讯作者。电子邮件地址：shahid. nuigalway.ie，shahiduop@jbnu.ac.kr（美国）Hussain ） ， subhasis. nuigalway.ie （ S.Thakur ） ， saurabh.nuigalway.ie （ S.Shukla ） ， john. nuigalway.ie （ J.G.Breslin ） ， qasim@ bres.edu. cn （ Q. Jan ） ，nuigalway.ie（F. Khan），yunsukim@gist.ac.kr（Y.- S. Kim）。沙特国王大学负责同行审查制作和主办：Elsevier约26%的CO2，而其他运输方法约占CO2排放量的12%（Beliveau等人，2010年）。交通运输部门是美国第二大二氧化碳排放源，占美国二氧化碳排放量的其中轻型车辆（即， 轿车和轻型卡车）和中型至重型车辆分别贡献约60%和23%（Lee等人，2016年）。美国能源部报告称，2015年交通运输部门的二氧化碳排放量约为17.37亿公吨除了二氧化碳排放量，交通运输部门严重依赖化石燃料.相比之下，电动汽车减少了对具有其他潜力的化石燃料的依赖环境友好，燃料成本低，安全，令人难以置信的简单，可靠，紧凑和重量轻），并且可以支持车辆到电网（V2 G）电力，特别是在峰值需求时（Arora和Priolkar，2016; Lee和Lukszo，2016）。因此，近年来汽车工业然而，在这方面，大块侵彻的电动汽车构成了额外的来自电网的电力需求，从而导致Transformer过载、馈电线拥塞、电路故障和不稳定https://doi.org/10.1016/j.jksuci.2022.04.0191319-1578/©2022作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS. 侯赛因，S。塔库尔，S。Shukla等人沙特国王大学学报7392在整个网格操作中（Shao等人，2012年）。用于减轻这种高电力需求要求的直接解决方案之一是增加发电量并升级现有的电网基础设施。然而，由于安装发电源和升级整个电力系统基础设施的成本较高，这不是一个可行的解决方案。或者，更可行的解决方案是通过利用时间电力基本负荷价格（即，非高峰、高峰时间和成本）和EV所有者行为（即，停留时间和所需的能量）（Khan等人， 2013年）。在电力网络中，电力使用批发和零售市场在三个参与者之间进行交易，包括生产者、转售者和最终用户（Tookanlou等人， 2021年）。批发市场涉及发电公司和转售商之间的电力交易（即，公用事业公司）。一般来说，转售商通过双边合同以预定义的价格购买电力。政府机构（例如，美国联邦能源监管委员会）负责交易。通常，发电公司根据发电资源确定批发市场价格，在该价格下，它们可以提供特定数量的兆瓦时。零售市场是指转售者和最终用户之间的电力交易。最终用户是客户（即，住户、教育机构、政府组织、工业等） 他们每月向电力公司支付他们消耗的能量的账单（Haider等人，2021年）。消费者要么从当地的公用事业公司购买电力，要么从几个有竞争力的零售商那里购买电力，以找到最适合他们需求的服务国家监管机构负责根据零售市场的消费需求确定能源价格。通常，这种速率在高峰时段较高，在非高峰时段较低（Verzijlbergh等人，2012年）。因此，零售市场根据使用时间（TOU）（如高峰、中高峰和非高峰期）提供不同的费率系统，每单位价格固定（Zhang etal.， 2012年）。在低压（LV）配电网处的电力系统在用户端处经历可控和不可控负载。可控负载（即，EV负载）是灵活地从高峰时间转移到非高峰时间的负载类型（Zhang等人， 2014年）。不可控负载是基本负载（即，照明，水/房间供暖，空调，洗衣机等）这代表了日常生活的基本需求利用分时电价系统，用户可以通过在非高峰时段插入电动汽车来控制电动汽车的充电，从而降低其高峰负荷和成本。然而，由于用户的不确定行为（即， 到达和离开顺序、停留时间和能量要求）和电池充电状态（SoC），用户很难遵循固定的TOU（Hussain等人，2020年a）。此外，根据15分钟间隔粒度的能源消耗实时更新能源价格是限制EV用户遵循本使用协议然而，根据实时价格优化电动汽车的充电成本是一种更可行的替代方案，对电网运营商和电动汽车用户都有经济效益（Xiang等人，2019年）的报告。然而，来自多个域的非线性输入参数对实时协调和优化EV的充电过程的聚合决策提出了挑战（Oliva等人，2240; Hussain等人，2022年a）。在这项工作中，我们提出了TLDCA，它采用了模糊推理系统相关的输入从公用事业电网和电动汽车域到一个聚合的决策控制变量，控制，灵的充电负荷和优化其成本。本文提出了一种基于电池特性和实时电特性的模糊融合机制，从电动汽车和公用电网的城市市场价格模式。我们对这项工作的支持总结如下：我们定义了充电成本优化问题的模糊目标函数，通过模糊控制变量协调电动汽车的充电。此外，我们提出了一个详细的模糊整数线性规划，以获得最佳的解决方案集的请求电动汽车在住宅楼宇。我们开发了TLDCA，该TLDCA利用决策控制变量来获得用于控制电动汽车充电的最优解集，这导致在保证其所需能量的同时最小化其充电成本我们探讨了潜在的模糊融合机制，将从公用电网和电动汽车的充电状态获得的价格模式，以确定决策控制变量。我们通过两个案例研究来评估TLDCA的性能第一种情况对应于根据通过模糊融合获得的决策控制变量来优化单个EV的充电成本。在第二种情况下，我们评估了充电成本、对负载分布的影响以及针对聚合电动汽车的夏季和冬季负载分布的峰均比负载降低。我们验证了结果对不协调的收费，标准费率收费，和不同的使用时间的收费计划。本文的其余部分组织为：第2节讨论了相关的工作，探索国家的最先 进 的 技 术 在 这 一 领 域 。 第 3 节 中 介 绍 了 问 题 公 式 和 拟 议 的TLDCA。绩效评估在第4节中进行了讨论。模拟结果和讨论如第4节所示。最后，第5节总结了未来可能的工作。2. 相关工作电动汽车的日益普及为电网带来了挑战和机遇。因此，人们从不同的角度和目标对电动汽车融入电网基础设施进行了深入研究。一些技术考虑了具有不同目标函数的功率和价格曲线，例如最小化住宅和电动汽车车队的功率损耗、电压偏差和充电成本优化Mets等人（2011）的作者研究了一种通过利用V2G技术来降低住宅峰值负载的调度算法。该研究考虑了63户家庭，其中每个家庭被分配一个随机的电力负荷配置文件从比利时家庭他们用三种不同的场景模拟了他们的模型（即，不受控制的充电、不具有和具有V2G支持的受控制的充电）考虑EV的不同渗透水平（即，15%、45%和75%），并相对于非受控充电方法评估性能。Dubey等人（2015年）讨论了电动汽车住宅充电的控制算法，该算法使用分时电价机制演示了充电开始时间，以优化电力负载，同时确保所需能量直到上午7：00。他们已经验证了他们的工作与不同的收费方案，如固定和随机收费有关的收费开始时间根据不同的分时电价。在Hussain et al.（2022a）中，作者开发了一种充电成本优化算法，其通过学习实时价格模式和EV信息来计算EV的每个到达和离开序列的最优充电计划。Lojowska等人（2011年）的作者使用蒙特卡罗模拟来模拟各种不受控制的充电场景，以计算电动汽车在住宅场所的能源需求。彼等已考虑●●●S. 侯赛因，S。塔库尔，S。Shukla等人沙特国王大学学报7393每次行程的随机性质（即，行驶距离）与电池SoC，使用从荷兰交通部门获得的历史数据集。Zhang等人（2012年）的研究工作侧重于基于三种不同的电焦油系统优化家用充电EV电价系统对应于固定电价（即，恒定费率），TOU电价（即，根据非高峰期和高峰期的双速率），以及实时速率（即，时间速率根据能量消耗而变化他们将车辆通勤距离和收费系统相结合，以确定合适的充电时间。该工作模拟了四种不同的充电场景（即，不受控制的家庭充电、不受控制的非高峰家庭充电、智能家庭充电和不受控制的公共充电）与英国的38节点配电系统进行比较，以评估所提出的方法的性能最近，Wang等人（2021）提出了一种基于城市居民区电动汽车有序充放电的多能源充电算法。他们考虑了可再生能源（例如，光伏系统）以优化总功率负载的变化。以上海某配电网春、夏季负荷数据为例，对该模型进行了验证。他们已经表明，与随机充电方案相比，有序方案显着Nimalsiri等人（2021）的工作在电动汽车客户的经济和配电网约束下开发了一种集中式网络感知充电放电调度算法分析集中在一个多目标的问题，如保持馈线电压限制，以提高电能质量和最小化充电成本。他们利用从澳大利亚配电网收集的住宅负荷数据评估了性能尽管基于集中式的协调充电优化了充电负载，但无法确保电动汽车所需的能量需求。Alonso等人（2014）的作者采用了遗传算法，Rithm（GA）用于协调EV车队的充电过程。他们考虑了各种因素，如Transformer上的负载、电压限制和停车可用性，以计算聚合电动汽车的最佳负载模式。GA取24小时的电力负载，停车模式（例如，到达，离开和日前EV需求作为输入，并应用电网约束以生成EV的每小时最优充电模式。Yu等人（2015）的作者研究了基于动态规划概念的电动汽车车队的充电优化算法，考虑了从上午8：00到下午6：00的到达和离开时间框架。 与传统的哑充电方案相比，他们提出的方案减少了约17.0%的日负荷。Sandels等人（2010年）提出的一种基于蒙特卡洛的方法专注于管理聚合电动汽车的充电负载。该模型结合了出发时间、通勤距离和平均功耗等几个特征。 Wang et al. （2014）分析了基于行驶距离的电动汽车多地点充电问题。这项工作使用了美国全国家庭旅行调查（NHTS）驱动数据集，用于推导旅行模式的统计分布。然后进行模拟以使用来自NHTS数据集的开始时间、结束时间、行驶距离和结束位置来生成出行链。Qian等人（2010）的作者提出了一种利用历史交通信息获得的行驶周期的聚合电动汽车的最佳功率管理方案。仿真考虑了几个标准的驾驶循环，结果表明，基于规则的控制和消耗的营养控制方案相比，显着的改善。 在我们以前的工作中（Hussain等人， 2019;Hussain等人，2020 b;Hussainet例如，2022 b），我们采用模糊逻辑基于权重的方案，用于在EV所有者、停车场运营商和电力系统要求的有界约束下协调聚合的EV。 目标是在满足电动汽车充电需求的同时，优化电动汽车的电力负荷和等待时间。所有这些工作主要集中在家庭和停车场电力负荷，电动汽车等待时间和充电成本降低，同时考虑输入变量的完美知识然而，考虑到多个领域及其输入的不确定性，例如能源价格和电池SoC，在确保EV的能源需求的同时优化充电成本还有待分析。据作者在这项工作中，我们提出了TLDCA，它结合了经济层来管理电力层（即，充电负荷），并利用模糊融合对多个领域的不确定输入参数进行聚合，优化居民电动汽车的成本。3. 建议的两层分散式收费方法3.1. 电力系统在电力系统中，发电通过输电线路输送给用户，并根据批发和零售市场进行交易。因此，电力系统可以分为两层，电力和经济层根据其功能行为，如图所示。1 .一、3.1.1. 电源层电力层对应于电力系统，该电力系统定义用于产生、传输和消耗电力的电气部件，通常在从发电到消费者的单向电力流中。该层由发电机系统、传输系统、分配系统和用于生产、携带、分配（即，服务终端用户），并消耗功率。发电系统包括水电、热能、核能和可再生能源（即，风能和光伏系统）。输电系统是将电能输送到负载位置的媒介。这些都是高度集成的系统子系统，如变压器、继电器、断路器和输电线路。配电系统将电力输送给用户.最后是消费阶段，也叫作为一个利用点，将能量转换为有用功，如光、热或两者。这一阶段包括工业、住宅、农业、运输和其他（Mahmud等人，2020年）。3.1.2. 经济层与市场上的其他商品相比，电力具有不同的性质，因为它不能长时间储存，需要即时消耗。发电公司、零售商和消费者之间的电力交易通过批发和零售市场的经济层提供服务。批发市场期望实时平衡的需求和供应，因此零售商实体和零售市场在这方面发挥着重要作用消费者根据他们的仪表每月支付能量消耗的账单（AAmir等人，2015;Hussain和Kim，2015）。消费单位帮助零售商汇总批发市场管理交易的总需求（Kuiken，2021）。S. 侯赛因，S。塔库尔，S。Shukla等人沙特国王大学学报7394德国人derFig. 1. 基于功能行为的电力系统经济层和电力层图解。图二. 所提出的TLDCA的系统模型说明了根据电力系统的经济层的电动汽车的分散充电控制。3.2. 拟议TLDCA的系统模型根据电力系统的两层结构（图1），我们开发了拟议的TLDCA的系统模型，如图所示。 二、它由一个低压配电系统，服务于住宅与电力传输。安装在客户场所的智能仪表记录家庭的消费并更新公用事业公司，同时通过本地接收更新的零售市场价格信号（Hussain等人，2017）和广 域 通 信 网 络 （ SuhailHussain 等 人 ， 2018; Hussain 和 Kim ，2014）。公用事业公司汇总当地的能源需求，并通知电网，以维持需求响应平衡和批发市场的大宗交易。每个房屋都安装有电动车辆供电设备（EVSE），从而表示基本负荷消耗和EV充电的负荷EVSE具有控制单元其收集来自EV和公用事业公司的数据，并相应地通过使用所开发的TLDCA的服务TLDCA学习电动汽车的价格模式和输入，使用模糊融合将它们聚集到决策控制变量。因此，建议的TLDCA解决的目标函数，根据决策控制变量和启发式计算用于控制电动汽车的充电操作的实时最优解集。以下各节介绍了TLDCA的详细机制。3.3. 问题表述和目标函数一旦EV插入EVSE，所提出的TLDCA就从EV收集输入。每辆电动汽车的特征在于到达时间tt和离开时间tt的序列（t;t），S. 侯赛因，S。塔库尔，S。Shukla等人沙特国王大学学报7395我ð Þ ð ÞXEEX2~我我的博客我的天 i不我我我22我我我我我(BC)以及SoC。具有i的EV的停留时间（ST）和所需的充电状态（SoCr）是到达离开时间、SoC和BC的函数，并且可以根据等式（1）计算。（1）Eq. （二）、连接时，充电所需时间第i个EV的充电速率（Tr）取决于第j个EVSE的SoCr、充电速率（Cr）和充电效率（g），如等式（1）中给出的（三）、其中i2N表示EV指数，pt2P是能源价格，并且d~D是第i个EV在t时的熔断输出T时间步长。目标函数受到几个非线性约束，包括充电的开始时间（tstr）和充电的结束时间（tend）应该遵循如等式2中给出的到达和离开时间（tstr;tder）序列（10）Eq.（十一）、同样，所需STI ¼tdep-t（1-SoCi=1;如果SoCr=1我ð1Þ充电时间Tr应该在到达和离开时间之间，而在任何时间步长t处的SoC必须遵循SoC最小和最大充电状态SoC最大范围，如等式（1）所定义。（12）Eq.SoC芯片我SoC dep-SoC开发如果SoCiSoCdep1<<ð2Þ（十三）、最优解集取决于d~2D，这是一个...我我rSoCr× BCi我采用模糊数据融合机制，讨论如下-ing部分。Ti¼我Cr×gjð3ÞTLDCA最小化第i个（即，i2N）EV在时间范围（T）上具有时间步长（t），使得t= 1，2，···，T。能量消耗（E）（即，充电）是SoC、BC和Cr的函数，并且根据等式（1）计算。（四）、充电成本（c）是以千瓦时（kWh）为单位的能量消耗E与水平线T上的能量价格（P）的乘积之和，如等式（1）所给出。（五）、t时的总能量消耗（Etotal）是EV的基本负载（BL）和充电负载（E）的总和，如等式（1）所示（六）、给定BL和更新的Etotal，使得BL tEtotal t，我们根据等式（1）计算PAR和对基本负载（I）<（7）Eq.（8）（Nguyen等人， 2012年）。I测试深度3.4. 模糊数据融合本节介绍了通过模糊推理机制来解决方程中讨论（九）、图3中示出了数据融合过程的图示，其由多个域（即，EV和公用电网）具有不同的特性（即，能源需求量和价格等）。通过模糊推理系统对多领域系统的数据进行融合，包括数据表示模糊化、知识库和解模糊化步骤。3.4.1. 数据表示和模糊化输入域（即，公用电网和EV）具有不同的基于时间的变化参数，诸如充电成本C和C tXiEtDtPt5Etotal因此，电池容量BC是高度不确定的。模糊化过程将清晰的输入特征化为模糊变量使用语言术语和标准隶属函数（MF）。Max.XT我完全不知道！输入需要表征下限，上限，适当的单位，并选择适当的MF表示。PAR¼t¼1不1不1/1ð7Þ通过推理系统发送它们。MF的选择取决于语言项对输出值的影响，例如，如果值的范围导致最小值，改变时，梯形MF是首选;然而，逐渐改变Max.XT我真的不知道！-麦克斯.XTBL别这样！反映了最大值，三角形MF是适当的选择（Gerlach和Bocklisch，2021）。考虑到选择标准I<$t<$1t<$1不maxEtotal1/1ð8Þ（Gerlach和Bocklisch，2021），我们对输入MF选择采用了混合策略，并且基于输入MF，我们遵循相同的标准为输出变量选择MF在Eq. （4）Eq. （5）决策控制变量（D）用于控制第i辆电动汽车的充电，并通过模糊数据融合获得。一旦EV插入EVSE进行充电，它就对ST和所需SoC具有严格的边界约束。存在多个候选时间步长tT，具有时间基荷BL和能量成本C;因此，目标是识别用于对EV充电的最佳时间步长，其最小化它们的充电成本并满足它们的能量需求。因此，我们定义的目标函数，以最大限度地减少成本C的第i个EV和解决它通过模糊数据融合机制，将输入数据从多个域，如方程。（九）、因此，我们以美分/千瓦时为单位测量价格P，并将其表示在[0 30]的范围内（Yao等人，2016年）。我们使用五个MF来定义P，这些MF通过语言术语非常低的价格（VLP），低价格（LP），中等价格（MP），高价格（HP）和非常高的价格（VHP）来表示。VLP和VHP项使用左开和右开梯形MF建模，而LP、MP和HP由三角形MF定义，如图4a所示。SoC r通常以百分比测量，并通过标准化范围[0 ~ 1]表示（Hussain等人，2019年）的报告。 SoCr通过五个MF来定义，分别由语言术语极低SoC（VL）、低SoC（L）、中等SoC（M）、高SoC（H）和极高SoC（VH）表示。在混合选择之后mini~ 2N;p~2P;d~2DCii;pt;d~2009标准（Gerlach和Bocklisch，2021），VL和VH用左开和右开梯形MF定义，而L，M，subject to： tstrPtð10Þ和H是根据三角形MF定义的，如i i图4b. 推理将输入融合到模糊化输出，t结束6tdepð11Þt tTr6tdepp<ð12Þ一组管理模糊输入变量的专家规则。在这项工作中的输出变量是决策控制变量D持有SoCminSoCi6SoCmaxð13Þt1/4t所需的能量SoCr。成本取决于电力基础-R我负载BL，而SoC取决于用户这表明了由多边基金和S. 侯赛因，S。塔库尔，S。Shukla等人沙特国王大学学报7396ii是每个时间步长的范围[0~ 1]内的决策得分的S. 侯赛因，S。塔库尔，S。Shukla等人沙特国王大学学报7397ð Þ×..ΣΣ.ø222lRx1;y1. . . lRx1;yn3¼ ！¼！.图三. 多领域输入数据及其通过模糊推理机制的融合过程的说明。输出变量D由三个梯形MF表征，分别由语言术语低分数（LS）、中等分数（MS）和高分数（HS）表示。语言术语LS、HS和MS分别用左开梯形MF、右开梯形MF和梯形MF建模，如图4（c）所示（Hussain等人，2022 b; Gerlach和Bocklisch，2021）。3.4.2. 知识库融合过程模糊推理系统（FIS）使用专家系统的知识将独立和不确定的输入变量融合到模糊化的输出变量（Andrenacci等人，2017年）。模糊规则的IF-THEN逻辑序列定义了专家系统，使得对于给定的输入数据，IF（前件）使用AND/OR逻辑运算符捕获适用MF的相应语言项（Bai等人，2007年）。同样，THEN（后果）基于模糊集运算将它们融合到输出MF的语言变量（即，交集、并集和合成）。定义1. 一个模糊集A和它的MF到A的度的有序对表示，如等式2所示。 （14）。A¼x;lAx：x2X;lAx！1/20;1]1014其 中 ， X 表 示 话 语 的 全 称 集 合 ， MF 的 次 数 （ lA1;xRA ，iflA<$x<$$>0，且x部分地属于A，if0 规则1¼如果x1是A1，则y1是B1di¼;8k1;2; ···;m 25>规则2¼IFx2.是A2，那么y2是B2ð20Þk¼1ldixk>：规则.¼如果xAn0THENy是Bm0MxKd¼×ldiLDixkð26Þ规则：如果xs是As，则ys是Bs其中，集合xs^fx1;x2;.. . ;xng和ys^fy1;y2;. . ;ymg是D¼.d~;d~;. . . ;d~;.. . ;d~1000000000输入变量，并且集合As^fA1;A2;. . ;n0}和BSB1;B2;. . . ;Bm0}是其相应的前因和后果的语言表示（Vo和Detyniecki，2013）。考虑到输入变量的MF的数量，我们为用于将输入融合到输出变量的推理系统设计了总共25个模糊规则（表1）（Shah等人，2015年）。下式（17），我们计算关系D（即，决策控制变量）通过等式（二十二）、同样，我们使用模糊集pt2P和μr2SoCr的实例以及它们相应的MF度来计算第i个EV的di2D，如等式2所示（二十三）. FIS应用多个tiple模糊规则，使用近似推理功能，融合最合适的知识，以获得所需的输出。推理功能根据适用的模糊规则集评估输入数据的MF程度，并选择最佳数量的模糊规则。下式（19），我们融合输入（pt2P）和（pr2SoCr）输入到第i个EV的输出（di2D）（i）），使用模糊规则集（r）的知识（即，多N 2其中di表示其清晰度值（di）和程度（ldi），MF对于第i个EV，使得四分之一天;我会的。3.4.4. 最优解集为了使用D来找到决策控制的最优解集，使得Dωn0<$D，我们解决了优化问题（等式2）。（9））a是隶属度的函数ldi，对于di D（等式（27）采用以下标准。定义4. 在论域X中的模糊集A的支撑集表示为Supp A，是X的清晰子集 ， 其 元 素 具 有 非 零 隶 属 度 ， 如 等 式 Eq 所 示 。 （ 28 ）（Zimmermann，2010）。..ΣΣ一一适用规则），使得i1; 2;; r和最如在Eq. （24页）。D¼PSoC芯片22位定义5. 给定X × Y上的模糊关系R<$x;y<$，使得x2X和y2Y，投影（即， x0）ofRonX返回x2X，ldpt;rr最大值lx，由等式定义。 （2 9）（Hussain，201 0）.d i 1/4。我我 2018年12月23日，2018年12月23日，2018年12月23日，异黄酮最大h最小I'msorry. I'msorry. I'm sorry.· ··;min. lptr;lsocrrr3.4.3. 融合输出变量的解模糊化模糊过程产生模糊化的融合输出，该模糊化的融合输出应当使用去模糊化方法（诸如重心（COG））转换为清晰值COG是一种广泛使用的方法，x0¼SuppfRx;yjy2Yg29遵循Bellman和Zadeh原则（Bellman和Zadeh，1970），通过相交获得可行解集（即，最小操作），使得它满足Eq. （28）即，ldii0，并由等式给出。（30）. 同样，遵循定义5中讨论的模糊集的投影性质（等式5）。（29）），我们在等式（29）中计算决策控制变量D的投影D0 。（31）. 令Dωn02D表示决策控制变量的集合，使得d2D具有它们的最高度，表1模糊推理系统规则融合的输入决策控制变量。DPVLPLPMPHPVHPVLHSHSHSMSLSLHSHSHSMSLSSoC芯片MHSHSMSMSLSHLSMSMSLSLSVHLSMSMSLSLSMKR我n0n0米0MKxkð28ÞR24ÞS. 侯赛因，S。塔库尔，S。Shukla等人沙特国王大学学报7399我← þ½ ] ←半] ←← þ← j jðÞ我≤j j← þ我我我我我.Σ我我.Σmembershi p，则Dωn0是最优解集，只要它满足某些标准，例如Dωn0- 1和dω 2 D ω n 0，由等式2给出。（32）（Fullér，1998年）。最后一分钟l1;l2;. . . ：ldq8q6n30D0¼补充费，1美元，2美元，31美元Dωn0½SuppfDω2DjlDωn½D0g323.5. 建议的TLDCA的伪代码一旦EV插入到EVSE进行充电，所提出的TLDCA算法融合多域输入数据来处理充电成本优化。主要算法（即，算法-1）收集输入并根据算法-2返回的融合决策控制变量来控制充电整个过程包括以下主要步骤。算法1所提出的TLDCA的主要算法输入：到达和离开时间，电池容量，SoC，充电功率和能源价格表输出：充电成本、最终SoC、PAR和对负载的影响1：初始化系统局部和全局变量2：Gett;tdep;SoCi;SoCdep;BCi14：D½k-1]←D½k]15：D k温度16：如果结束17：结束18：结束19：while（j≤jDj）do20：如果（j≥jTrj），则21：D j 0d纠正非最优决策22：如果23： jj1第24章：结束25：返回更新（D），然后步骤1.初始化所有系统局部和全局变量，并从EV域收集输入数据。步骤2.根据等式3计算停留时间、所需SoC和充电（1）步骤3.从第4行到第7行的公用事业网格域中加载前一天的价格模式。步骤4.调用Fuzzy_Fusion（算法2），传递所需的SoC和价格向量参数。然后对输入变量进行模糊化，验证所需的约束条件，并通过FIS引擎对输入进行评估来融合输入。然后，它记录隶属度和3：计算STi、SoCr、Trd根据等式一二三融合决定控制变量一旦等信息我我4：while10j6jTj5： P½j]←Tp½j]d加载前一天的价格模式6：jj17：结束时8：模糊_融合参数9：对于t 1到T，10： 如果t6tde p&&So Ci 1/2t]<>>：X确定外部参数如充电功率（即，充电率）、停留时间和电费等。住宅充电考虑恒定的充电速率，并且具有足够的停留时间来满足要求;因此，费率系统是主导因素（Andruszkiewicz等人， 2021年）。在电价体系中，电价根据不同的分时电价而变化，鼓励用户采用合适的分时电价，以降低其消耗和成本。4.2.1. 标准费率标准费率通常是指标准/固定费率（SR），基于每月、每季度或每年测量的消费量，在规定的时间范围内没有通货膨胀（Ansarin等人，2020年）。Zhang等人（2012年）的作者将SR定义为第i个EV充电24小时的平均速率，如等式2所示。（三十三）。然而，电力成本由多个因素组成，包括发电、需求、输电、损耗补偿和批发市场成本的线性化，这些因素影响每小时的成本（Joskow，2008年）。电力成本因素和终端用户的SR的冲突给他们的订户带来了不公平的问题，例如一些订户为他们公平的电力份额支付较少的费用，而其他订户为他们的电力消耗支付较高的费用（Ansarin等人，2020年）。因此，SR的不安全性意味着它对用户的不足。24C t E 不Pt 3324吨/升4.2.2. 单次和多次使用使用时间（TOU）考虑不同的外部因素（即，季节和室外温度等）并定义特定TOU周期的速率。Zhang等人（2012年）的作者定义了用于电动汽车充电的单次使用（STOU）和多次使用（MTOU）系统。根据电力消耗，STOU对应于非高峰和高峰负荷小时的两个不同费率。非高峰期由00：00至08：00组成，而高峰期考虑接下来的16小时，如等式所示。（三十四）。8>1X8（单次使用（STOU））（Soltani等人，2014）和多次使用（多次使用（MTOU））（Zhang等人，2012）收费方法。本节详细介绍这些案例研究。5.1. 案例研究一第一种情况对应于针对夏季和冬季价格模式以及变化的EV参数的单个家庭中的EV的充电控制。夏季由三个月组成（即，六月、七月和八月），而冬季的海子则以十二月、一月和二月为基础。因此，从公用电网领域来看，夏季和冬季的平均实时和STOU电价曲线如图5所示（Arablou，2019）。表2中给出了来自EV域的其余参数，其中电池容量为5
我的内容管理
展开
