(19)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 202210936979.8 (22)申请日 2022.08.05 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 张茂盛　欧阳权　王志胜　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06F 16/9536(2019.01) G06Q 50/00(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于用户偏好的电动汽车充电方法 (57)摘要 本发明公开了一种基于用户偏好的电动汽 车充电方法， 包括以下步骤： 建立电动汽车锂电 池等效电路， 根据等效电路得出锂电池在充电过 程中的电 ‑热‑用户耦合模型， 将电动汽 车用户的 充电偏好分为三种类型； 考虑电动汽 车充电过程 中的终点电量SOC、 电动汽车充电产生的电费与 能量损耗， 以及充电过程中的最大温升， 建立电 动汽车充电问题的目标函数； 根据不同的用户充 电偏好， 设计分时恒流充电方法， 通过社交网络 搜索算法优化充电电流序列， 得到优化后的电动 汽车充电 电流序列。 权利要求书2页 说明书6页 附图4页 CN 115357806 A 2022.11.18 CN 115357806 A 1.一种基于用户偏好的电动汽车充电方法， 其特 征在于， 包括以下步骤： (1)建立电动汽车锂电池的二阶等效电路， 并根据等效电路得出锂电池在充电过程中 的电模型和热模型， 根据充电的峰谷平电价以及用户设置的充电时间与目标电量， 建立用 户偏好模型， 综合得到电动汽车充电的电 ‑热‑用户耦合模型； (2)根据电动汽车锂电池的电 ‑热‑用户耦合模型， 将电动汽车锂电池充电的终点电量 作为目标项J1， 将电动汽车充电产生的充电费用作为目标项J2， 将充电过程中产生的能量损 耗作为目标项J3， 将在充电过程中的最 大温升作为目标项J4， 引入目标项的基准因子与权重 系数， 建立电动汽车充电目标函数； (3)根据在不同时间段的充电电价， 采用分时恒流充电方法， 通过社交网络搜索算法优 化充电电流序列。 2.根据权利要求1的所述的一种基于用户偏好的电动汽车充电方法， 其特征在于， 步骤 (1)所述电 ‑热‑用户耦合模型包括锂电池的电模型、 热模型、 用户偏好模型； 所述电模型为 锂电池的二阶RC等效电路， 由开路电压VOC、 等效电阻R0、 R1、 R2以及等效电容C1、 C2组成； 所述 热模型为电池双层热模型， 双层热模型包括电池核心与电池表面之间的热传导， 电池表面 与外部环境之间的热对流； 所述用户偏好模型为电动汽车汽车用户的充电偏好模型， 将用 户偏好分为电量敏感型、 目标均衡型、 经济敏感型， 用户根据自身需求设置充电总时间Tset 与目标电量SOCset。 3.根据权利要求1的所述的一种基于用户偏好的电动汽车充电方法， 其特征在于， 步骤 (1)所述锂电池的热模型 由电池核心与电池表面之间的热传导、 电池表面与外部环境之间 的热对流组成的双 层热模型； 所述热模型公式为： Q(t)＝IB(t)(V1(t)+V2(t)+R0IB(t))△t 其中， Q(t)为电池充电过程中在采样时间间隔 △t内产生的热量， Tc(t)、 Ts(t)、 Tf(t)分 别表示锂电池在充电过程中t时刻的核心温度、 表面温度与环境温度； Ta(t)表示在充电过 程中t时刻的电池平均温度， Ru、 Rc、 Cc与Cs分别表示热对流电阻、 热传 导电阻、 内部电容以及 表面电容。 4.根据权利要求1的所述的一种基于用户偏好的电动汽车充电方法， 其特征在于， 步骤 (2)所述电动汽车充电目标函数为： 其中， γ1、 γ2、 γ3、 γ4分别为J1、 J2、 J3和J4各子目标项的权重系数， 基准因子J1b、 J2b、 J3b、 J4b为采用电流 倍率为 的恒流恒压充电策略下， 各子目标项的目标值。权　利　要　求　书 1/2 页 2 CN 115357806 A 25.根据权利要求1的所述的一种基于用户偏好的电动汽车充电方法， 其特征在于， 步骤 (3)所述分时恒流充电方法为在 锂电池的充电过程中， 随着时间变化， 电动汽车的充电电价 会根据峰谷平电价表而发生变化， 在不同的充电时间段， 采用不同的充电电流， 每1min更新 一次充电 电流值以对电动汽车进行充电。 6.根据权利要求1的所述的一种基于用户偏好的电动汽车充电方法， 其特征在于， 步骤 (3)所述的社交网络 搜索算法包括以下步骤： S1： 初始化社交网络 搜索算法中的社交网络人 数、 初始化人群的状态量； S2： 选择初始状态量目标函数值 最小的状态 记为当前最优状态； S3： 随机选择社交网络算法中的人群行为模式， 更新社交网络算法中的各状态量； S4： 计算各新状态量对应的目标函数值， 并找出最小目标函数值对应的状态作为新最 优状态； S5： 如果新最优状态对应的目标函数值优于当前最优状态对应的目标函数值， 则将新 最优状态更新 为当前最优状态， 否则仍然保持当前最优状态； S6： 如果迭代次数达到最大迭代次数， 则将当前的最优状态记为整个迭代过程所得到 的最优状态量， 否则返回S3； S7： 输出最优状态量 为电动汽车充电过程中的电流序列。权　利　要　求　书 2/2 页 3 CN 115357806 A 3