买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利基于演化博弈的考虑碳交易的光储充电站V2G定价方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119313374B 。

龙图腾网通过国家知识产权局官网在2025-11-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411405543.1，技术领域涉及：G06Q30/0201；该发明授权基于演化博弈的考虑碳交易的光储充电站V2G定价方法是由邵臻;孙瑜;杨善林;查健锐;赵微;刘辰;李飞设计研发完成，并于2024-10-10向国家知识产权局提交的专利申请。

本基于演化博弈的考虑碳交易的光储充电站V2G定价方法在说明书摘要公布了：本发明提供一种基于演化博弈的考虑碳交易的光储充电站V2G定价方法、系统、存储介质和电子设备，涉及V2G技术领域。本发明面向EV用户和充电站运营商CSO的V2G定价问题。首先采用蒙特卡洛模拟得到EV用户数据，模拟EV用户在真实场景中的决策行为；以及采用闵可夫斯基方法聚合CSO的可行功率区域，推导出日前阶段的CSO总功率边界和容量边界，对EV用户和CSO进行综合建模；然后在初始化定价策略的前提下，通过演化博弈为有限理性的EV用户选择CSO及充放电功率和价格方案；接着考虑阶梯式碳交易，在各个CSO之间采用改进的多目标鲸鱼优化算法进行定价优化，实现经济效益与社会效益的最大化；最后将定价策略返回EV用户，进行多次迭代实现收敛，最终输出全局最优V2G价格。

本发明授权基于演化博弈的考虑碳交易的光储充电站V2G定价方法在权利要求书中公布了：1.一种基于演化博弈的考虑碳交易的光储充电站V2G定价方法，其特征在于，包括： S1、采用蒙特卡洛方法模拟EV用户数据，以初始化EV用户的充放电功率集合；以及将充电站运营商CSO视为由EV聚合的虚拟储能设备，采用闵可夫斯基方法为CSO聚合可行区域，以聚合每类EV用户的行为边界，并推导出日前阶段的CSO总功率边界和容量边界； S2、以通过需求响应实现收益最大化为优化目标，构建EV用户模型；以及引入光伏出力模型和阶梯型碳交易模型，以经济效益和社会效益为协同优化目标，结合所述CSO总功率边界和容量边界，构建CSO模型； S3、随机生成每个CSO针对每类EV用户的V2G价格； S4、将所述充放电功率集合和当前V2G价格作为相应的EV用户模型的输入，并通过演化博弈为每类EV用户选择最优CSO，并确定最优充放电效率以及价格方案； S5、将所述最优充放电效率作为输入，并采用改进的多目标鲸鱼优化算法求解CSO模型，获取当前最优V2G价格； S6、若当前最优V2G价格达到预设精度要求，则输出全局最优V2G价格；否则重新转入S4； 所述EV用户模型包括： 目标函数： 其中，公式1表示通过需求响应实现收益最大化；表示第n类EV用户参加第i个CSO的V2G活动的总收益，由充放电收益政府补贴服务费支出以及1Ah电动汽车电池Cd在V2G活动中的循环损耗组成；其中： Tenergy＝LNsn，stηD7 其中，分别表示第n类EV用户参加第i个CSO的V2G活动的充放电功率、第i个CSO针对第n类EV用户的V2G价格； Waward表示政府补贴单价；表示第n类EV用户在用电高峰期的充放电功率； Cd,n表示第n个EV用户的的1Ah电池的循环损耗； Cc，n表示第n个EV用户的电池投资；Tenergy表示所有完成的充电放电循环的累积容量；LN表示电池寿命内放电深度为0.8时的参考充电放电循环总数；ηD为V2G对电池循环寿命的影响因子；x1和x2均表示电池损耗特性的常数； 表示电池循环次数； 以及约束条件： 其中，约束9表示第i个CSO针对第n类EV用户的V2G价格在规定的最大限制qn,max和最小限值qn,min内； 约束10表示相邻时段的电池剩余电量SOC占比的变化关系；ηch、ηdis分别表示充电效率和放电效率；sn表示第n类EV用户的电池总电量；SOCt、SOCt+1分别表示t时段、t+1时段的电池剩余电量SOC占比； 约束11表示第n类EV用户在不同时段的电池剩余电量SOC在规定的最大限制和最小限值内； 所述光伏出力模型和阶梯型碳交易模型分别表示为： 1光伏出力模型 假设辐射强度在特定时间窗口内服从贝塔分布，构建光照强度的概率模型，表示如下： 其中，为t时段第i个CSO接收的光照强度；Γ·为伽玛函数，rmax为某时段光照强度的最大值；α和p由选定时间段内的光照强度的期望μ和方差σ2求得，如下式所示： 基于所述光照强度的概率模型，在光伏系统PVS总面积和效率已知的情况下，将光伏出力近似表示为： 其中，表示t时段第i个CSO的光伏机组的输出功率；ηpv为光电转换效率；为第i个CSO的光伏机组的总面积； 2阶梯型碳交易模型 定义碳交易成本如下： 其中，ξ表示碳排放区间长度；表示第i个CSO的实际碳排放量超出碳排放配额的部分；λ表示奖励系数，τ是惩罚系数；pc是碳价； 所述CSO模型包括： 目标函数： 其中，公式17表示经济效益；表示第i个CSO的运营总成本，由政府补贴所有EV用户支付CSO的充放电收益与服务费支出差值的总和光伏机组和储能系统的运维成本电网交互成本碳交易成本组成；其中： 其中，N表示EV用户的种类数量，I表示CSO的数量； min表示最小化函数；Faw_limit表示政府给第i个CSO的补贴上限，Wg是CSO在t时段的政策补贴单价； 表示第i个CSO中EV用户的总充放电功率； 分别表示第i个CSO的光伏、储能的运维费用；表示第i个CSO的光伏设备一个周期以内的输出功率；表示第i个CSO的储能设备一个周期以内的输入功率；CE表示储能容量单价；表示第i个CSO的储能配置容量；cbs表示光伏系统的运维单价； 分别表示第i个CSO向电网购电、售电的价格；分别第i个CSO向电网购电、售电的功率； 公式18表示用于表征社会效益的减峰移峰效益；分别表示第n类EV用户参加第i个CSO的V2G活动前后，相应的EV在峰值电价下的充放电功率；表示第n类EV用户参加第i个CSO的V2G活动前后，相应的EV在低谷电价下的充放电功率； 以及约束条件： 其中，约束25表示功率平衡约束；分别取第i个CSO的中的正负值，即充电功率和放电功率；和分别是在t时段的值；表示t时段储能设备的充放电功率，和分别取在t时段的正负值，即充电功率和放电功率；qbasic，t表示t时段站内常规负荷的功率； 约束26表示储能设备约束；分别表示储能设备在t、t+1时刻的荷电状态；分别表示储能设备的最大充放电功率；βt为布尔变量，取1时表示充电状态，取0时表示放电状态，分别表示储能设备最小和最大荷电状态； 约束27表示CSO总功率边界和容量边界；确定第i个CSO作为虚拟储能设备的聚合可行区域，和分别表示第i个CSO在t时段的充放电功率，式28、29分别表示其计算过程，和分别表示第i个CSO在t时段的最大的充放电功率；Si,t表示第i个CSO在t时段的能级，以和为上限和下限；ΔSi,t表示在t时段EV连接断开引起的第i个CSO能量变化；Δt为变化持续时间；ηch和ηdis分别表示充电效率和放电效率；ηref为流量补充系数，由流量损失决定； 所述S4中的演化博弈是指： 假设每个CSO为每类EV用户提供K个策略，且第n类EV用户选择第i个CSO的效用模型的第k个充放电功率和价格策略，表示为的第k个策略适应度函数为： 其中，xk表示第n类EV用户中选择第k个策略的个体数占总数的比例，初始策略的比例随机设置为xo，满足0≤xk≤1，且 计算各个策略的条件切换速率： 其中，表示从策略θ切换到策略的条件切换概率，φ为噪声水平； 根据电动汽车群体动态演化方程，更新个体采取策略比例，求解演化稳定策略；其中所述电动汽车群体动态演化方程为： 采用分布式迭代算法求解演化均衡，将上式给出的电动汽车群体动态演化方程离散化，获取最终电动汽车群体动态演化方程： 其中，表示演化博弈的迭代次数；λ表示演化博弈的迭代步长； 所述S4中通过演化博弈为每类EV用户选择最优CSO，并确定最优充放电效率以及价格方案；包括： 初始化每类EV用户的选择概率，基于所述充放电功率集合和当前V2G价格，计算收益以评估每类EV用户选择不同CSO的效用，并更新EV用户群体的选择状态； 通过迭代直至每类EV用户选择状态收敛，达到演化均衡，得到不同CSO给聚类后的每类EV用户的策略概率，选择概率最大的策略作为均衡策略，最终为每类EV用户选择最优CSO，并确定最优充放电效率以及价格方案； 所述S5中将所述最优充放电效率作为输入，并采用改进的多目标鲸鱼优化算法求解CSO模型，获取当前最优V2G价格；包括： S51、初始化群体： 输入基本数据，包括群体大小、最大迭代次数、惯性权重，logistic混沌映射的方法随机生成种群；表示为： 其中，s表示迭代次数，ys、ys+1分别表示第s次迭代时的种群比例和第s+1次迭代时的种群比例；为分支参数； S52、计算适应度： 计算目标函数的适应度值，形成一个多目标适应度矩阵，并记录最优群体； S53、非支配排序并计算拥挤度： 根据多目标适应度矩阵将群体分为不同的Pareto层级，计算拥挤度；其中拥挤度公式为： 其中，A[g-1].h为解集A中，按照第h个目标函数值进行排序，次于第i个解的h目标函数值；分别为第h个目标函数值的最大、最小值； S54、选择操作： 选择出新的前A个群体； S55、更新位置： 根据选定的鲸鱼，通过更新位置的方式生成新的候选解；使用变螺旋方法来更新位置；设定参数b为对数落线形状常数，将参数b随迭代次数动态调整以增加鲸鱼对未知区域的探索能力，表示为： 其中，Xu+1表示下一迭代过程鲸鱼的位置，X*u表示当前迭代过程鲸鱼的最优位置；D*表示当前鲸鱼与猎物之间的距离；l表示[-1，1]间的随机数；b0为初始参数值；k为调整参数的速率；u为当前迭代次数； S56、更新外部存档以储存Pareto前沿解集； S57、重复迭代并输出结果，最终解码获取当前最优V2G价格。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。