(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210874839.2 (22)申请日 2022.07.25 (65)同一申请的已公布的文献号 申请公布号 CN 114944662 A (43)申请公布日 2022.08.26 (73)专利权人 东南大学溧阳研究院 地址 213300 江苏省常州市溧阳市昆仑街 道泓口路218号A幢428室 （江苏中关村 科技产业园内） (72)发明人 邵晨旭　周吉　郝珊珊　 (74)专利代理 机构 南京鑫之航知识产权代理事 务所(特殊普通 合伙) 32410 专利代理师 姚兰兰 (51)Int.Cl. H02J 3/32(2006.01)B60L 55/00(2019.01) G06K 9/62(2022.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) 审查员 严开沁 (54)发明名称 基于支持向量聚类的电动汽车集群并网鲁 棒优化调度方法 (57)摘要 本发明公开了基于支持向量聚类的电动汽 车集群并网鲁棒优化调度方法， 包括如下步骤： 步骤1， 针对电动汽车历史充电数据， 构建电动汽 车的充电场景和调度模型； 步骤2， 采用支持向量 聚类方法构建电动汽车鲁棒优化不确定集； 步骤 3， 基于各时间段内电动汽车的入网时间和入网 时的剩余电量具有不确定性， 构建基于支持向量 聚类的电动汽 车鲁棒优化模型， 并采用拉格朗日 乘子法将 模型转换为线性规划模型； 步骤4， 电动 汽车调度鲁棒模型的求解， 输出最优决策变量。 本发明所提方法能更准确地描述电动汽车充电 的不确定性参数， 模型在保证经济性的同时能迅 速响应分时电价， 具有较好的实用性、 重要学术 意义和工程实用价 值。 权利要求书4页 说明书11页 附图5页 CN 114944662 B 2022.10.21 CN 114944662 B 1.基于支持向量聚类的电动汽车集群并网鲁棒优化调度方法， 其特征在于： 包括如下 步骤： 步骤1， 针对电动汽车历史充电数据， 构建电动汽车的充电场景和调度模型； 步骤2， 采用支持向量聚类方法构建电动汽车鲁棒优化 不确定集； 步骤3， 基于各时间段内电动汽车的入网时间和入 网时的剩余电量具有不确定性， 构建 基于支持向量聚类的电动汽车鲁棒优化模型， 并采用拉格朗日乘子法将电动汽车鲁棒优化 模型转换为线性 规划模型； 步骤4， 电动汽车鲁棒优化模型的求 解， 输出最优决策变量； 步骤1中以电动汽车的充放电功率为决策变量， 以所有用户最小充电成本为目标函数， 构建的电动汽车集群调度模型如下：                              （1） 式中：F为调度日的总充电成本， 为第i辆电动汽车在 k时间段内的充放电功率， 为第i辆电动汽车在 k时间段内的充电时长， 为k时间段的电价， N为样本总数； 充放电功率和电池剩余电量的关系及其 运行上下限如下：                           （2）                   （3）                （4） 式中： 、 分别为第 i辆电动汽 车在k时间段入网时的电池剩余电量、 离网时的电 池剩余电量， 为第i辆电动汽车的充电效率,   为电动汽车的总容量， 、 分 别为第i辆电动汽车的最小电池剩余电量和最大电池剩余电量， 、 分别为第 i辆电动汽车的最大充电功率和放电功率； 步骤2的具体操作为： 设包含 N个数据样本的集合 ， 在上标位置表示数据样 本的索引， 下标位置表示向量维度， 用非线性映射函数 将数据样本映射到高维度空间 f，将寻找最小球 体转化为下述优化问题：权　利　要　求　书 1/4 页 2 CN 114944662 B 2           （5） 式中：R为最小球体半径， N为样本总数， 为松弛量， v为正则化系数， 为球体中心,   为边界支持向量第 个样本， 为边界支持向量第j个样本； 引入拉格朗日乘子得到拉格朗日方程 ， 其中 、 为拉格朗日乘子向量：       （6） 根据KKT条件得到：              （7） 其中 、 为拉格朗日乘子向量元 素； 将式(7)带入式(6)转换为 等式约束的对偶形式如：   （8） 式中，K为加权的广义交叉核函数， 满足等式 ， αj是拉格朗日乘子 向量元素， u、 v为核函数自变量， 为加权矩阵，   为样本范围， 、 分别为样本的上下 界； 同时， 满足等式关系 ; 因此定义支持向量 集合SV、 边界支持向量 集合BSV为：权　利　要　求　书 2/4 页 3 CN 114944662 B 3