基于人工鱼群算法的电动汽车优化充电策略.pdf

第6 0 卷第7 期2023年7 月15日电测与仪表Electrical Measurement&InstrumentationVol.60 No.7Jul.15,2023基于人工鱼群算法的电动汽车优化充电策略汪天允，张浩（南瑞集团有限公司国网电力科学研究院，南京2 1110 0）摘要：为了缓解电动汽车大规模未经引导的充电行为对电网造成的压力，维持电网的安全稳定运行，文中提出了一种电动汽车的优化充电策略，通过分时电价制定充电计划，将电动汽车移动至平时段和谷时段进行充电。该算法以用户充电费用最少和电网峰谷差最小为目标函数，建立多目标优化的数学模型。针对现场调度规模大、实时性要求高的问题,采用人工鱼群算法对模型进行优化求解。此外,算法优化了充电的连续性，可以有效地防止负荷曲线突变,并保护充电设施。通过MATLAB仿真验证了算法的有效性和稳定性。关键词：电动汽车；有序充电；人工鱼群算法；优化策略；多目标优化模型D0I:10.19753/j.issn1001-1390.2023.07.005中图分类号：TM910.6Optimal charging strategy of electric vehicles based on artificial fish swarm algorithm(State Grid Electric Power Research Institute,NARI Group Co.,Ltd.,Nanjing 211100,China)Abstract:In order to relieve the pressure of power grid which is caused by massive unguided charging behavior of electricvehicles,as well as maintains the safe and stable operation of the power grid,this paper presents an optimal chargingstrategy for electric vehicles.The main idea of this strategy is to make charging plan through time-of-use electricity price,and the electric vehicle can be moved to normal period and valley period for charging.The objective function of the algo-rithm is to minimize the charging cost and the peak-valley difference,based on this system,this paper builds a mathematicmodel of multi-objective optimization.Aiming at the problem of large-scale and high real-time requirement,the artificialfish swarm algorithm is used to solve the model.In addition,the algorithm optimizes charging continuity,which can effec-tively prevent load curve mutation and protect charging facilities.The simulation results in MATLAB verify the validity andstability of charging strategy.Keywords:electric vehicles,orderly charging,artificial fish swarm algorithm,optimal strategy,multi-objective optimiza-tion model0引言近些年来，随着我国经济水平和科学水平不断提高，人们的生活的幸福指数有了显著的提高，但社会快速发展的同时也带来了化石能源紧缺、全球气候变暖以及污染物过量排放等一系列问题，给现代社会的发展带来了巨大的挑战 。新能源汽车由于采用清洁能源,与传统燃油车相比可以有效的缓解尾气排放对环境带来的压力，因此世界各国开始大力扶持新能源汽车产业的发展，电动汽车及其相关产业也由此迎来了快速发展期。但与此同时，大规模电动汽车未经引导接入电网进行的充电行为会给电力系统带来巨大的负面影响，具体表现在扩大配电网峰谷差、产生谐波污基金项目：国家电网有限公司科技项目（SGBJDK00KJJS1800319）文献标识码：AWang Tianyun,Zhang Hao方面2-5 。为解决电动汽车无序充电带来的上述问题，国内外学者制定了一系列的电动汽车有序充电策略，并采用不同算法对模型进行优化求解。文献6-7 采用传统算法对模型进行求解，前者以充电站购电费用最小作为目标建立需求响应模型，采用线性规划方法进行求解；后者建立了双层优化模型，上层以运营商的收益最大为目标，下层以配电网网损最小为目标函数，选择动态规划的方法进行了求解，但上述传统优化算法属于凸优化范畴,具有唯一的全局最优解，随着电动汽车规模的增大，有序充电的策略制定已转化为多极值求解问题因此传统优化算法已变得不再适用。文献8 建立了双层模型，上层以网损为目标对充电行为进行一33一文章编号：10 0 1-1390(2 0 2 3)0 7-0 0 33-0 6染、导致变压器越限以及使电网电压水平下降等(5)第6 0 卷第7 期2023年7 月15日空间调度，下层以网损和充电费用为目标进行时间调度，采用模拟退火粒子群算法进行求解，实现了对电动汽车充电行为的多目标优化调度。文献9 以充电站作为研究对象，建立了以平抑负荷波动和提高充电站效益为目标的两阶段多目标优化模型，并采用多种群遗传算法对问题进行求解。文献10 建立了含风电及电动汽车的电力系统DEED模型，以污染排放最少及燃料费用最低为目标函数，采用改进基于非支配排序的多目标差分进化算法对问题进行求解。但文献8-10考虑的目标函数不够丰富，未考虑电动汽车的利益问题，且都是对电动汽车群进行调度，并未制定出针对某一辆车具体的充电方案，因此在实用性方面有所欠缺。为了同时兼顾电动汽车车主的效益和电网安全稳定性问题，文中以电动汽车用户充电费用最小和电网峰谷差最小为目标函数建立多目标优化充电模型，在时间层面上对电动汽车的充电行为进行调度，模型采用人工鱼群算法进行求解。最后通过某市的负荷数据进行分析，仿真结果表明人工鱼群算法能同时兼顾用户效益和电网稳定两方面，同时算法具有较强的收敛性和较快的收敛速度。1电动汽车充电场景电动汽车的充电框架总体来说可分为充电桩控制中心和智能充电桩两个层次。电动汽车在驶入台区充电站进行充电后，汽车内部搭载的电池管理系统（Ba t t e r y M a n a g e me n t Sy s t e m,BM S）会将电池容量、电池荷电状态（State of Charge,SOC）、用户预计充电结束时间，以及充电结束时用户期望的SOC等信息传导至智能充电桩，再由各台区智能充电桩汇总后上传至充电桩控制中心，控制中心通过智能算法对电动汽车的充电行为进行科学有序的引导，之后将充电计划下发给各个智能充电桩，再由充电桩做具体计划的执行。2有序充电策略数学模型2.1 目标函数为了同时兼顾电动汽车车主的效益和电网安全稳定性问题，优化模型选用电动汽车用户充电费用最少和电网峰谷差最小作为目标函数。（1）电动汽车用户充电费用最少。Ni+i-1min F,=Z2C;Pevijt式中N代表参与有序充电策略的电动汽车数量；i代表充电开始时间；j代表充电结束时间；c代表充电时段的电价;Pe代表充电时的功率;i,为充电标志变量，表示该时段的充电状态，ij=0表示第n辆电动汽车在(i,j)时段没有进行充电，ij=1表示第n辆电动一34一电测与仪 表Electrical Measurement&Instrumentation汽车在(iji)时段进行充电；t表示充电时长。（2）电网峰谷差最小。该目标函数的数学表达式为：NLmax011440Lminmin.0I1440min Fz=Lmx-Lun式中l,代表t时刻的居民基础负荷;P,代表第n辆车在t时刻的充电功率；Lmx代表全天最高的峰值负荷;Lin代表全天最低的谷值负荷。在处理多目标优化问题时，需要进行量纲的归一化处理,因此将上述两个目标函数做如下处理,统一成如下表达式：Fmin F=入F1R式中F1R代表常规电价下的用户充电费用;F2R代表未进行有序充电引导时的电网峰谷差；入,和入2 代表各目标函数的加权系数,并满足入+入=1的要求。入，和入2 的值可以根据各地的实际情况采用层次分析法进行主观权值选择，也可以根据熵权法进行较为客观的赋权。2.2约束条件(1)充电总量约束。充电桩分配给电动汽车的充电负荷应满足用户期望的充电完成时的电池SOC值,该限制函数的数学表达式为：1440nZ P.,AI (SOcm.-SOC.)Qt=1式中m表示充电效率，一般为0.9;Pn,表示第n辆车在t时刻的充电功率，文中假定充电功率恒定为7kW;SOCn.表示第n辆车的用户期望SOC值;SOCn.表示第n辆车的初始SOC值；Q表示电动汽车的电池容量,一般为15kW.h60kWh。（2）电动汽车充电时长约束。(SOCn.e-SOCn,o)Q0tnP,式中t,表示第n辆车的充电时间;P,表示第n辆(1)车的充电功率。(3)峰值负荷约束。电动汽车充电的峰值负荷不能使变压器过载。Nl,+Z Pevij PM二式中PM表示变压器的最大容量;u代表变压器可Vol.60 No.7Jul.15,2023(2)P.)(3)n=1(4)FF2R(6)(7)(8)第6 0 卷第7 期2023年7 月15日承载的最大容量阈值倍数，通常为0.7 0.8。(4)充电连续性约束。频繁的启停充电桩会损耗汽车电池以及充电桩元器件的寿命，因此文中设定充电桩最小的启停间隔时间为5min,数学表达式如下：to+41lu=1to+1+4.au=0t=to+t式中t表示充电开始时间。3基于人工鱼群算法的优化充电策略3.1人工鱼群算法数学模型人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA)文献11 中首次提出的一种模拟自然鱼群觅食的智能优化算法。AFSA算法首先将自身数据封装到人工鱼个体中,之后模拟鱼群的觅食行为（Foraging Be-havior，FB）、聚群行为（Swarming Behavior，SB）、追尾行为（RearEnd Behavior，R ED）和随机行为（RandomBehavior，R B），每个人工鱼个体通过上述行为进行寻优，人工鱼个体会逐渐聚集至极值点附近，从而完成群体的全局寻优；也可以通过跟踪和标记最优个体的状态寻取全局最优解，类似于遗传算法的思路，是群智能思想的一个应用12 对人工鱼的行为进行数学描述。(1)觅食行为 FB。假设人工鱼k当前的状态为X,在下一时刻,随机选择其可视域中的一个状态X,若f(X,）f(X a）,则向状态X方向移动一步,反之则选择一个新的状态重复上述过程，设置最大觅食次数为Nry，若仍停留在原状态,则执行随机行为RB,数学表达式如下：X.-XX,+step rand TX-xX1,if/Xx)/X.)且aN,X=LRB(),else式中step为游动步长，由于调控周期的限制，此处选为10 min。(2)聚群行为 SB。假设人工鱼k当前的状态为X，若其视野范围内有m条鱼，则说明鱼群中心X。处的食物浓度较高,若(Xk）f(X）,则可考虑向鱼群中心位置移动一步，但同时需要避免鱼群的过度拥挤以免产生局部最优解,因此需要定义拥挤度因子。只有同时满足f(X）f(X。）以及鱼群拥挤度不过高这两个条件时，人工鱼k才会向鱼群中心进行移动，否则执行随机行为RB,因此聚群行为的数学表达式为：电测与仪 表Electrical Measurement&Instrumentationm1Xm台X.-XLRB(),else(9)式中R,表示人工鱼的视野范围,此处定为15min;M表示人工鱼群的总数。(10)(3)追尾行为REB。假设人工鱼k当前的状态为X，搜寻其视野范围内状态最优的人工鱼Xmax，若f（X）f（X ma x），且Xm1a视野范围内的鱼群数量不过于拥挤，则向Xmax方向进行移动，反之则正常进行觅食行为，其数学表达式为：Xmx-XXi+steprand.X=LFB(),else(4)随机行为 RB。X,=X+step rand式中表示人工鱼随机游动方向的单位向量，文中在时间轴上只有前后两个方向。3.2人工鱼群算法步骤(1)对参数进行初始化。包括人工鱼群的总数M,拥挤度因子，游动步长step,视野范围R,最大觅食次数Nury，以及最大送代次数Nier;(2)随机生成M条人工鱼以形成初始种群。计算初始鱼群所有个体的初始状态，同时将最优值赋给公告板；（3)将每一条人工鱼依次执行觅食行为、聚群行为和追尾行为，之后更新自身的状态并与公告板进行比对,若优于公告板上的记录则对公告板的最优值进行更新；（4)迭代次数加一，并与最大迭代次数Niter进行比(11)较,若未达到最大迭代次数,则返回步骤（3）,反之则结束优化过程，输出结果。3.3电动汽车的优化充电策略人工鱼群算法应用于电动汽车充电策略优化时，需要根据实际情况做相应的调整。首先是公告板的内容，此算法中公告板记录着前文所设定的目标函数,因此每次当人工鱼个体进行觅食、集群和追尾操作后，需要重新计算目标函数并更新公告板。之后是鱼群的游动问题,由于文中考虑的是恒功率充电问题,因此对充电计划的优化实际上是对充电时间段的优化问题,故鱼群的游动方向实际上只在时间轴上进行变化。考虑到以上两点，基于ASFA的优化充电策略流程图如图1所示。一35一Vol.60 No.7Jul.15,2023X,IX,-X,lI Rv(12)M(13)lXmax-X,(14)(15)第6 0 卷第7 期2023年7 月15日收集电动汽车相关信息以及用户需求送代次数iter=1初始化人工鱼群，计算目标函数值，并记录在公告板上利用ASFA算法制定电动汽车的充电计划更新公告板信息是否达到鱼群总数MN是否达到最大送代次数NiterY输出优化结果图1电动汽车优化充电策略流程图Fig.1Optimal charging strategy flow chartof electric vehicles4算例分析4.1算例参数设置文中仿真选择某市进行分析，仅对用户傍晚返回到第二天再次出行之间的充电行为进行研究，具体参数设置如下：（1)该地区配电网的最大容量设置为140 0 0 kW；（2)电动汽车初始SOC设置为服从均值0.7,方差为0.1的正态分布；（3）假设电动汽车开始充电的时间服从均值为19,方差为1.5的正态分布；（4）假设电动汽车结束充电的时间服从均值为7，方差为1.5的正态分布；(5)最大觅食次数定为2 0 次，最大迭代次数定为500次；(6)重点考虑充电费用,因此目标函数的权重入1和入2 分别选择为0.7 和0.3；（7)统一电价和分时电价信息参考文献13,其中充电统一电价为1.3元，分时电价如表1所示。(8)该市的基础负荷数据来源于文献14,包括居民的生活用电和城市用电。如图2 所示，该市基础负荷一36 一电测与仪表Electrical Measurement&Instrumentation开始00:00 08:0008:00 12:0012:00 15:0015:00 21:0021:00 24:001.35X1041.250.850369121551821 24iter=iter+1时间/h图2 某市基础负荷曲线图NFig.2 Original load curve of a city4.2仿真结果分析电动汽车的无序充电行为指用户返回住宅区时立刻开始充电15-2 0 1，此种充电方式可以更快的满足用户充电需求，但无序充电会导致电网峰谷差扩大，且高峰时段的电价更高，会使用户支付更多的充电费用。考虑到用户用车时间通常在第二天早晨，所以通过优化算法将电动汽车转移至夜间低谷用电时段进行充电。为了比较不同电动汽车渗透率时算法优化的不同效果，因此分别选择电动汽车数量为2 0 0 辆、50 0 辆和1000辆时进行说明。用户总花费如表2 所示。表2 电动汽车优化调度结果Tab.2 Optimal scheduling results of electric vehicles电动汽车数量/辆充电方式用户总花费/元电网峰谷差/kW无序充电4685.2200优化调度无序充电500优化调度无序充电1 000优化调度200辆车进行无序充电的负荷曲线图和优化后的曲线图如图3所示。由负荷优化结果可知，有序充电算法可以将部分电动汽车负荷转移至低谷时段。与无序充电时相比，电网峰谷差减少了47 6.2 kW，用户充电费用降低了51.33%。Vol.60 No.7Jul.15,2023峰值达到了130 0 5kW，平均基础负荷为10 8 6 3.5kW。表1充电分时电价Tab.1Time-of-use electricity price时段0.42.01.22.01.24 967.692.280.34 491.4911 661.55382.755250.14 508.9723 805.66 825.288 788.85 149.82充电分时电价（元/（kWh）第6 0 卷第7 期2023年7 月15日500辆车进行无序充电的负荷曲线图和优化后的曲线图如图4所示。1.35x104MX/率1.25优化充电曲线1.0550.8503691215182124时间/h图32 0 0 辆车的充电曲线图Fig.3 Charging curves of 200 vehicles1.4104优化充电曲线无序充电曲线E1.00.8L036 91215182124时间/h图450 0 辆车的充电曲线图Fig.4Charging curves of 500 vehicles当电动汽车数量进一步增加时，电网压力会进一步加大，此时有序充电算法可以将大部分充电负荷转移至夜间低谷，从而有效降低电网压力。与无序充电时相比，峰谷差减少了8 7 3.7 8 kW，用户充电费用降低了54.98%。1000辆车进行无序充电的负荷曲线图和优化后的曲线图如图5所示。x1041.51.41.00.803691215182124时间/h图510 0 0 辆车的充电曲线图Fig.5 Charging curves of 1 000 vehicles随着电动汽车渗透率的增加，配电网的峰谷差会显著增加,甚至超过配电网的最大容量，此时ASFA算法的优化效果更加明显，与无序充电时相比，将电网峰谷差减少了16 7 5.46 kW，用户充电费用降低了7 3.96%。综合分析上述三种情况，与无序充电情况相对比，该算法能明显的降低用户的充电费用，并且随着电动汽车渗透率的增加，优化效果更加明显。同时可以有效的降低配电网的峰谷差，有助于维持电网的安全稳电测与仪表Electrical Measurement&Instrumentation定运行，随着电动汽车渗透率的增加，该算法削峰填谷的效果更加明显，相比于无序充电，峰谷差分别减小了9.59%、16.2 3%和2 4.55%。同时该算法可以根据无序各地的实际情况灵活的对目标函数的权重进行调整，充电曲线原始负荷曲线原始负荷曲线无序充电曲线优化充电曲线原始负荷曲线Vol.60 No.7Jul.15,2023从而达到综合调度最优的目的。5结束语电动汽车大规模入网进行无序充电会给配电网带来一系列的不利影响,因此提出了基于人工鱼群算法的电动汽车优化充电策略。通过对仿真结果进行分析,该算法可以显著地减少用户的充电费用并降低电网的峰谷差,达到削峰填谷的效果。对充电连续性的约束可以延长充电设备的使用寿命，同时防止负荷曲线的突变,此外还可以改变参数使算法获得更高的收敛速度，从而更好地适应现场调度实时性的要求。该算法随着电动汽车渗透率的增加，优化效果更为显著，在电动汽车规模化增长的配电网中具有更强的适应性。参考文献1】刘振亚中国电力与能源M中国电力出版社，2 0 12.2吕金炳，宋辉，刘云，等电动汽车充电对配电网电压质量的影响研究J电测与仪表，2 0 18，55（2 2）：33-40.Lv Jinbing,Song Hui,Liu Yun,et al.Study on impact of electric vehi-cle charging on voltage quality of distribution network J.ElectricalMeasurement&Instrumentation,2018,55(22):33-40.3王利利，李猛，全少理，等。电动汽车的主动管理及其对配网的影响建模J电测与仪表，2 0 17，54（3）：6 0-6 6.Wang Lili,Li Meng,Quan Shaoli,et al.Active management of electricvehicles and its impact modeling on distribution networkJ.ElectricalMeasurement&Instrumentation,2017,54(3):60-66.4 Carthy d M,Wolfs P.The HV system impacts of large scale electric ve-hicle deployments in a metropolitan area C/2oth Australasian Uni-versities Power Engineering Conference,Christchurch:IEEE,2010:1-6.5 Robert C,Green II,Wang Lingfeng,et al.The impact of plug-in hy-brid electric vehicles on distribution networks:a review and outlook C/IEEE Power&Engineering Society General Meeting.Minneapo-lis:IEEE,2010:1-8.6刘晋源，吕林，高红均，等促进电动汽车和清洁能源发展的充换电站-风-光-储协调规划J.电测与仪表，2 0 2 0，57（1）：8 9-98.Liu Jinyuan,Lv Lin,Gao Hongjun,et al.Charging/swapping station-wind-photovoltaic-storage planning to promote the development of elec-tric vehicles and clean energies J.Electrical Measurement&Instru-mentation,2020,57(1):89-98.7】李敏，苏小林，阎晓霞，等多目标分层分区的电动汽车有序充放电优化控制J.电网技术，2 0 15，39（12）：3556-356 2.Li Min,Su Xiaolin,Yan Xiaoxia,et al.Coordinated Charging and Dis-charging of Plug-in Electric Vehicles Based on Multi-Layered and Multi-Regional OptimizationJ.Power System Technology,2015,39(12):3556-3562.【8 黄华，常，李琦，等满意度和清洁度优先的电动汽车与新能源双层多目标优化调度J.电测与仪表，2 0 18，55（3）：59-6 6，7 9.一37 一第6 0 卷第7 期2023年7 月15日Huang Hua,Chang Yong,Li Qi,et al.Bi-level multi-objective optimi-zation dispatch of electric vehicles and new energy sources with the pri-ority of satisfaction and cleanliness J.Electrical Measurement&In-strumentation,2018,55(3):59-66,79.9唐可，邱高，邱晓燕，等考虑电动汽车空间分配的多目标配电网重构优化J电测与仪表，2 0 16，53（12）：2 4-30.Tang Ke,Qiu Gao,Qiu Xiaoyan,et al.Multi-objective optimization ofdistribution network reconfiguration considering the spatial allocation ofelectric vehicles J.Electrical Measurement&Instrumentation,2016,53(12):24-30.10张娜，唐忠.考虑V2G下电动汽车与风电协同调度的多目标优化策略J.电测与仪表，2 0 18，55（12：54-59，8 7.Zhang Na,Tang Zhong.Multi-objective optimization strategy for cooper-ative scheduling of electric vehicles and wind farms under V2GJ.E-lectrical Measurement&Instrumentation,2018,55(12):54-59,87.11李晓磊一种新型的智能优化方法-人工鱼群算法D浙江：浙江大学,2 0 0 3.12陈立兴，电价引导机制下多场景电动汽车有序充电策略研究D.南京：东南大学，2 0 17.13吴甲武，邱晓燕，潘胤吉，等基于改进鸡群算法的电动汽车有序充电策略研究J电测与仪表，2 0 19，56(9)：97-10 3.Wu Jiawu,Qiu Xiaoyan,Pan Yinji,et al.Research on orderly chargingstrategy of electric vehicle based on improved chicken swarm optimiza-tionJ.Electrical Measurement&Instrumentation,2019,56(9):97-103.14孙晓明，王玮，苏粟，等基于分时电价的电动汽车有序充电控制策略设计J.电力系统自动化，2 0 13，37(1)：191-195.Sun Xiaoming,Wang Wei,Su Li,et al.Coordinated charging strategyfor electric vehicles based on time-of-use price J.Automation of Elec-tric Power Systems,2013,37(1):191-195.15谭玉东，李杨，邓有月，等基于智能合约的 光伏一充电站 交易互动场景研究J.电力科学与技术学报，2 0 2 1，36（3）：3-10.Tan Yudong,Li Yang,Deng Youyue,et al.Research on scenes ofPV-charging stationtransaction based on smart contract J.Journal ofElectric Power Science and Technology,2021,36(3):3-10.16檀勤良，代美，梅书凡.考虑电动汽车碳配额及需求响应的电力系统调度研究J.电网与清洁能源，2 0 2 1，37（7）：7 9-8 6.Tan Qinliang,Dai Mei,Mei Shufan.Research on Electric Vehicle Car-bon Quota and Demand Response in Electric Power System Dispatching电测与仪表Electrical Measurement&InstrumentationJ.Power System and Clean Energy,2021,37(7):79-86.17 廖鑫，李婧，徐佳，等.基于MDP及激励需求响应的电动汽车有序充电控制J.电力科学与技术学报，2 0 2 1，36（5）：7 9-8 6.Liao Xin,Li Jing,Xu Jia,et al.Research on coordinated charging con-trol for electric vehicles based on MDP and incentive demand responseJ.Journal of Electric Power Science and Technology,2021,36(5):79-86.18 】肖丽，谢尧平，胡华锋，等.基于V2G的电动汽车充放电双层优化调度策略J.高压电器，2 0 2 2，58（5）：16 4-17 1.Xiao Li,Xie Yaoping,Hu Huafeng,et al.Two-level OptimizationScheduling Strategy for EVs Charging and Discharging Based on V2GJ.High Voltage Apparatus,2022,58(5):164-171.19李天宁，王浩国，董灵鹏，等考虑居民小区充电负荷与成本的电动汽车有序充电策略J.浙江电力，2 0 2 2，41（5）：8-13.Li Tianning,Wang Haoguo,Dong Lingpeng,et al.Research on Coor-dinated Charging Strategy Considering Load and Cost of Electric Vehi-cles in a Residential QuarterJ.Zhejiang Electric Power,2022,41(5):8-13.20胡福年，徐伟成，陈军计及电动汽车充电负荷的风电-光伏-光热联合系统协调调度J电力系统保护与控制，2 0 2 1，49（13）：10-20.Hu Funian,Xu Weicheng,Chen Jun.Coordinated scheduling of windpower photovoltaic solar thermal combined system considering electricvehicle charging loadJ.Power System Protection and Control,2021,49(13):10-20.作者简介：张浩（197 1一），男，高级工程师，硕士生导师，研究方向为电动汽车充换电技术等。Email:zhanghao8 收稿日期：2 0 2 0-0 6-0 1；修回日期：2 0 2 2-0 6-2 5(任美辉编发）Vol.60 No.7Jul.15,2023汪天允（1996 一），男，硕士研究生，研究方向为电动汽车的有序充电策略等。Email:38一