CN110033119A - 一种户用电动汽车充电优化方法和系统 - Google Patents
一种户用电动汽车充电优化方法和系统 Download PDFInfo
- Publication number
- CN110033119A CN110033119A CN201910153926.7A CN201910153926A CN110033119A CN 110033119 A CN110033119 A CN 110033119A CN 201910153926 A CN201910153926 A CN 201910153926A CN 110033119 A CN110033119 A CN 110033119A
- Authority
- CN
- China
- Prior art keywords
- charging
- electric car
- time
- indicate
- daily
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000005457 optimization Methods 0.000 title claims abstract description 81
- 230000001932 seasonal effect Effects 0.000 claims abstract description 56
- 230000005540 biological transmission Effects 0.000 claims abstract description 32
- 238000012913 prioritisation Methods 0.000 claims abstract description 22
- 230000005611 electricity Effects 0.000 claims description 13
- 229910006123 SOCa Inorganic materials 0.000 claims description 5
- 229910002056 binary alloy Inorganic materials 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 5
- 230000002354 daily effect Effects 0.000 claims 14
- 230000003203 everyday effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 40
- 208000006011 Stroke Diseases 0.000 description 24
- 238000010586 diagram Methods 0.000 description 24
- 238000004088 simulation Methods 0.000 description 9
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 7
- 230000006399 behavior Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012885 constant function Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000010181 polygamy Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种户用电动汽车充电优化方法和系统，包括：基于预先建立的电动汽车的日充电负荷曲线模型，采用整数规划方法对户用电动汽车充电时间进行优化，得到电动汽车在各季节的充电优化方案；根据充电优化方案，进行户用电动汽车充电优化；其中，电动汽车的日充电负荷曲线模型基于季节因素制定。该方法和系统采用的整数规划方法在降低网络峰谷间隙，电压波动率和传输损耗方面确实具有良好的性能。此外，考虑到季节性因素，可以进一步降低网络传输损耗率，并且最佳电动汽车辆充电时间与优化前显着不同。
Description
技术领域
本发明属于能源互联网技术领域，具体涉及一种户用电动汽车充电优化方法和系统。
背景技术
世界范围内日益严重的能源危机和环境危机加速了运输产业的电气化步伐。由于户用电动汽车具有能源利用效率高，直接污染少，环境友好等诸多优势，近年来受到了世界各国政府和机构的普遍重视。然而，大量户用电动汽车的接入将给电网带来大规模的负荷增长，同时，将增大网络电能传输损耗。而用户无计划的充电行为会进一步加剧配网电压波动，这将增大电网运行规划难度，也会危害电网的安全稳定运行。因此，有必要提出有效的电动汽车充电方法应对电动汽车接入电网产生的不利影响。
目前已有一些关于电动汽车最优充电方法的研究，比如基于实时智能负载管理(RT-SLM)控制策略降低系统损耗并改善电压曲线和基于灵敏度优化的方法来减轻插电式混合动力电动汽车存在时的电压波动。然而，随着户用电动汽车的增加，上述方法的计算复杂性显着提高。同时，电动汽车充电行为对季节变化反应十分敏感，现有研究对电动汽车充电行为的季节性因素考虑不足。
发明内容
为克服上述现有技术的不足，本发明提出一种户用电动汽车充电优化方法和系统。该方法和系统的目的在于基于0-1整数规划的电动汽车充电优化方法，考虑季节因素优化户用电动汽车充电负荷来调节网络负荷，降低电力系统传输损耗。
实现上述目的所采用的解决方案为：
一种户用电动汽车充电优化方法，其改进之处在于，包括：
基于预先建立的电动汽车的日充电负荷曲线模型，采用整数规划方法对户用电动汽车充电时间进行优化，得到电动汽车在各季节的充电优化方案；
根据所述充电优化方案，进行户用电动汽车充电优化；
其中，所述电动汽车的日充电负荷曲线模型基于季节因素制定。
本发明提供的第一优选技术方案，其改进之处在于，所述电动汽车的日充电负荷曲线模型的建立，包括：
建立用户每日返回时间概率密度函数以及基于季节因素的充电时间概率密度函数；
基于所述每日返回时间概率密度函数和充电时间概率密度函数，计算各时刻单个电动汽车充电的概率；
根据各时刻单个电动汽车充电的概率，计算全部电动汽车在各时刻的充电负荷。
本发明提供的第二优选技术方案，其改进之处在于，所述每日返回时间概率密度函数，如下式所示：
其中，fend(tr)表示从最后一次行程开始的每日返回时间的概率密度函数，tr表示从最后一次行程开始的每日返回时间，σend为标准偏差，uend为每日返回时间的数学期望值，下标end表示最后一次行程。
本发明提供的第三优选技术方案，其改进之处在于，所述基于季节因素的充电时间概率密度函数，如下式所示：
其中，ftev(tev)表示基于季节因素的充电时间概率密度函数，tev表示充电时间，σend为标准偏差，uend为每日返回时间的数学期望值，下标end表示最后一次行程；tev如下式计算：
其中，k表示季节系数，s表示每日行驶距离，c表示各季节单位距离电动汽车能耗，Pc表示单个电动汽车的充电功率，下标ev表示充电，下标c表示单个。
本发明提供的第四优选技术方案，其改进之处在于，所述各时刻单个电动汽车充电的概率如下式计算：
其中，pt表示t时刻单个电动汽车充电的概率，tev表示充电时间，Tmax表示充电时间tev的上限，fend为用户最后一次行程的每日返回时间的概率密度函数，ftev为用户电动汽车充电时间tev的概率密度函数，下标ev表示充电，下标end表示最后一次行程。
本发明提供的第五优选技术方案，其改进之处在于，所述全部电动汽车在各时刻的充电负荷如下式计算：
Pev(t)＝NPcpt
其中，Pev(t)表示全部电动汽车在t时刻的充电负荷，N表示电动汽车数量，Pc表示单个电动汽车的充电功率，pt表示t时刻电动汽车充电的概率，下标ev表示充电，下标c表示单个。
本发明提供的第六优选技术方案，其改进之处在于，所述基于预先建立的电动汽车的日充电负荷曲线模型，采用整数规划方法对户用电动汽车充电时间进行优化，得到电动汽车在各季节的充电优化方案，包括：
基于预先基于季节因素建立的电动汽车的日充电负荷曲线模型，采用整数规划方法建立各季节的最小化每日充电负载方差的目标函数；
以电动汽车充电功率、充电时间、电池充电状态和充电持续时间为约束条件，分别对各季节的所述目标函数进行优化求解，得到电动汽车在各季节的充电优化方案。
本发明提供的第七优选技术方案，其改进之处在于，所述目标函数如下式所示：
其中，f1表示目标函数，m表示将充电时长离散化的周期个数，L(j)是不考虑离散化时间段j处的电动汽车辆充电负载的电力系统的总电力需求，Pev(j)表示离散化时间段j处的电动汽车充电负荷，下标ev表示充电，Sij表示电动汽车i在离散化时间段j的二进制充电状态，1表示充电，0表示不充电，N表示电动汽车数量。
本发明提供的第八优选技术方案，其改进之处在于，所示电动汽车充电功率约束为：单个电动汽车充电功率为常数；
所述充电时间约束如下式所示：
tr≤t≤ts
其中，tr表示从最后一次行程开始的每日返回时间，ts表示第一次行程的每日开始时间，t表示充电时间；
所述电池充电状态约束如下式所示：
SOCExp<SOCa<SOCFull
其中，SOCs表示行程开始前的第i个电动汽车电池的充电状态，k表示季节系数，s表示每日行驶距离，c表示各季节单位距离电动汽车能耗，C表示电动汽车电池的容量，SOCb表示充电前第i个电动汽车电池的充电状态，SOCa表示充电后第i个电动汽车电池的充电状态，Pc表示单个电动汽车的充电功率，Sij表示电动汽车i在离散化时间段j的二进制充电状态，1表示充电，0表示不充电，Δt表示离散时间长度，SOCExp表示电动汽车电池的预期充电状态，SOCFull表示表示电动汽车电池的充满电的充电状态；
所述充电持续时间约束为：电池充电时间至少为Δt。
本发明提供的第九优选技术方案，其改进之处在于，所述根据所述充电优化方案，进行户用电动汽车充电优化之前，还包括：
基于所述充电优化方案，对分布式电力系统的传输损耗和电压波动进行仿真。
一种户用电动汽车充电优化系统，其改进之处在于，包括：规划优化模块和充电优化模块；
所述规划优化模块，用于基于预先建立的电动汽车的日充电负荷曲线模型，采用整数规划方法对户用电动汽车充电时间进行优化，得到电动汽车在各季节的充电优化方案；
所述充电优化模块，用于根据所述充电优化方案，进行户用电动汽车充电优化；
其中，所述电动汽车的日充电负荷曲线模型基于季节因素制定。
本发明提供的第十优选技术方案，其改进之处在于，还包括用于建立日充电负荷曲线模型的建模模块，所述建模模块包括：概率密度函数单元、充电概率单元和充电负荷单元；
所述概率密度函数单元，用于建立用户每日返回时间概率密度函数以及基于季节因素的充电时间概率密度函数；
所述充电概率单元，用于基于所述每日返回时间概率密度函数和充电时间概率密度函数，计算各时刻单个电动汽车充电的概率；
所述充电负荷单元，用于根据各时刻单个电动汽车充电的概率，计算全部电动汽车在各时刻的充电负荷。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明基于预先建立的电动汽车的日充电负荷曲线模型，采用整数规划方法对户用电动汽车充电时间进行优化，得到电动汽车在各季节的充电优化方案；根据充电优化方案，进行户用电动汽车充电优化；其中，电动汽车的日充电负荷曲线模型基于季节因素制定。本发明所提出的整数规划方法在降低网络峰谷间隙，电压波动率和传输损耗方面确实具有良好的性能。此外，考虑到季节性因素，可以进一步降低网络传输损耗率，并且最佳电动汽车辆充电时间与优化前显着不同。
本发明所提出的0-1整数规划方法在降低网络峰谷间隙，电压波动率和传输损耗方面具有良好的性能。
附图说明
图1为本发明提供的一种户用电动汽车充电优化方法流程示意图；
图2为本发明实施例中涉及的不同季节2000辆电动汽车的日均负荷曲线示意图；
图3为本发明实施例中涉及的IEEE 33节点分布式电网结构示意图；
图4(a)为本发明实施例中涉及的不考虑任何充电优化方法情况下给定网络的春季每日负荷曲线示意图；
图4(b)为本发明实施例中涉及的不考虑任何充电优化方法情况下给定网络的夏季每日负荷曲线示意图；
图4(c)为本发明实施例中涉及的不考虑任何充电优化方法情况下给定网络的秋季每日负荷曲线示意图；
图4(d)为本发明实施例中涉及的不考虑任何充电优化方法情况下给定网络的冬季每日负荷曲线示意图；
图5(a)为本发明实施例中涉及的不考虑任何充电优化方法情况下给定网络的春季每日节点电压曲线示意图；
图5(b)为本发明实施例中涉及的不考虑任何充电优化方法情况下给定网络的夏季每日节点电压曲线示意图；
图5(c)为本发明实施例中涉及的不考虑任何充电优化方法情况下给定网络的秋季每日节点电压曲线示意图；
图5(d)为本发明实施例中涉及的不考虑任何充电优化方法情况下给定网络的冬季每日节点电压曲线示意图；
图6(a)为本发明实施例中涉及的采用户用电动汽车充电优化方法优化给定网络后的春季每日负荷曲线；
图6(b)为本发明实施例中涉及的采用户用电动汽车充电优化方法优化给定网络后的夏季每日负荷曲线；
图6(c)为本发明实施例中涉及的采用户用电动汽车充电优化方法优化给定网络后的秋季每日负荷曲线；
图6(d)为本发明实施例中涉及的采用户用电动汽车充电优化方法优化给定网络后的冬季每日负荷曲线；
图7(a)为本发明实施例中涉及的采用户用电动汽车充电优化方法优化给定网络后的春季每日节点电压曲线；
图7(b)为本发明实施例中涉及的采用户用电动汽车充电优化方法优化给定网络后的夏季每日节点电压曲线；
图7(c)为本发明实施例中涉及的采用户用电动汽车充电优化方法优化给定网络后的秋季每日节点电压曲线；
图7(d)为本发明实施例中涉及的采用户用电动汽车充电优化方法优化给定网络后的冬季每日节点电压曲线；
图8(a)为本发明实施例中涉及的春季选定户用电动汽车的充电优化方法示意图；
图8(b)为本发明实施例中涉及的夏季选定户用电动汽车的充电优化方法示意图；
图8(c)为本发明实施例中涉及的秋季选定户用电动汽车的充电优化方法示意图；
图8(d)为本发明实施例中涉及的冬季选定户用电动汽车的充电优化方法示意图；
图9为本发明提供的一种户用电动汽车充电优化系统基本结构示意图；
图10为本发明提供的一种户用电动汽车充电优化系统详细结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
本发明提供的一种户用电动汽车充电优化方法流程示意图如图1所示，包括：
步骤1：基于预先建立的电动汽车的日充电负荷曲线模型，采用整数规划方法对户用电动汽车充电时间进行优化，得到电动汽车在各季节的充电优化方案；
步骤2：根据充电优化方案，进行户用电动汽车充电优化；
其中，电动汽车的日充电负荷曲线模型基于季节因素制定。
步骤101：分析影响用户充电行为的关键因素，首次考虑了季节性因素，采用蒙特卡罗模拟对不同季节电动汽车的日充电负荷曲线进行了建模；
为了开发出优化的电动汽车充电方法，重要的是分析可能影响户用电动汽车充电行为的关键因素：
101.1用户驾驶习惯与电动汽车充电偏好
作为关键参数，需要仔细分析用户从上次行程的每日返回时间，因为它们与用户的驾驶习惯和对电动汽车充电的偏好直接相关。
经统计显示用户上一次行程的每日返程时间概率分布，用户每日返回时间的概率分布与正态分布相似。因此，用户从最后一次行程的每日返程时间的概率密度函数可写如下：
其中，fend(tr)表示从最后一次行程开始的每日返回时间的概率密度函数，tr表示从最后一次行程开始的每日返回时间，σend为标准偏差，uend为每日返回时间的数学期望值，下标end表示最后一次行程。
101.2环境温度
环境温度根据季节变化很大，对用户的充电行为有很大影响。这是因为用户喜欢在夏天打开空调，在冬天打开加热器，以保持车辆温度在舒适的范围内。因此，电动汽车的平均日负荷曲线在不同季节是不同的。图2显示了2000年不同季节电动汽车的平均日负荷曲线。
图2显示电动汽车充电负荷在春季最低，夏季最大。为方便比较分析，需要规范不同季节的电动汽车充电负荷。鉴于电动汽车充电负荷在春季最低，本申请以春季电动汽车充电负荷为基准，规范其他季节的充电负荷。将其标准化可知春季和秋季电动汽车的充电负荷几乎相等；但是，夏季和冬季的电动汽车充电负荷分别增加约30％和19％。因此，环境温度对电动汽车充电负荷影响很大，直接影响用户的充电行为。根据上述分析，分别设置各个季节的季节系数k。
用户电动汽车充电负荷建模：
如果没有优化的电动汽车充电方法，电动汽车通常在完成最后一次行程后不久就会充电，并在电池充满电时停止充电。因此，电动汽车在时间t的充电负荷可写为：
Pev(t)＝NPcpt (2)
其中，Pev(t)表示电动汽车在t时刻的充电负荷，N表示电动汽车数量，Pc表示单个电动汽车的充电功率，pt表示t时刻电动汽车充电的概率，下标ev表示充电，下标c表示单个。pt如下式计算：
其中，tev表示充电时间，Tmax表示充电时间tev的上限，fend为用户最后一次行程的每日返回时间的概率密度函数，ftev为用户电动汽车充电时间tev的概率密度函数，下标ev表示充电，下标end表示最后一次行程。ftev如下式计算：
tev如下式计算：
其中，k表示季节系数，s表示每日行驶距离，c表示各季节单位距离电动汽车能耗，Pc表示单个电动汽车的充电功率。
步骤102：提出了基于0-1整数规划的电动汽车充电优化方法，电动汽车充电优化方案，以调节电动汽车的充电负荷，降低分布式电力系统的传输损耗；
电力系统效率会随着馈线负荷波动的增加而降低。因此，为了减少电力系统损失，有必要在不同季节调节日常电动汽车的平均充电负荷。
102.1 0-1调整电动汽车充电负荷的整数规划
车辆只有两种状态：充电或不充电。在这种情况下，车辆的二进制状态可以表示为1表示充电，0表示不充电。在这种情况下，如果开发0-1整数编程模型来调节充电负载，则可以降低电动汽车充电负载优化的复杂性。
为减少系统损耗，应减少馈线负载的波动。通过将充电时长离散为m个周期，本专利旨在根据0-1整数规划最小化每日充电负载的方差。因此，所提问题的数学表达式可表示为：
其中：
在(6)和(7)中，f1是目标函数；L(j)是不考虑离散化时间段j处的电动汽车辆充电负载的电力系统的总电力需求，j＝1,2,3…m；Sij是电动汽车i在时间段j的二进制充电状态；而Pav是电力系统的平均电力需求。鉴于所提出的模型仅移动负载，Pav是给定电力系统的常数。因此，目标函数可以简化为：
上述0-1整数规划模型是二次整数规划问题。对于这种问题，随着样本(连接到电网的电动汽车辆)的增加，决策变量的数量和计算的复杂性增加。为了加速大量电动汽车的计算，提出了一种线性化目标函数的等效线性化方法，它显著降低了计算复杂度。采用同样的方法，在时间段j内对电力系统的总需求可表示为：
在等式(9)中，S是段号；αn(j)是线性化后第j段的负载的斜率；并且δn(j)是线性化后的时间段j的第n个段的负载值。因此，所提出的模型的线性化等效简化目标函数可以写成：
为了开发上述模型，需要强调四个假设，即设置四个约束条件：
①电动汽车充电电源
电动汽车充电有两个过程，即恒功率充电状态和充电功率线性减小状态。恒定功率充电状态是电动汽车辆充电的主要过程，并且该过程花费相对长的时间并且与充电功率线性减小状态相比具有相对高的效率。此外，随着电动汽车充电技术的发展，充电功率线性降低状态趋于消失。因而在此假设电动汽车辆以恒定功率充电，即电动汽车充电功率Pc为常数。
②电动汽车充电时间
对于大多数用户来说，最好在一天的最后一次行程后不久给电动汽车辆充电，尽管他们中的一些人可能在他们在办公室时为他们的车辆充电。在此假设用户在完成最后一次行程后不久就开始为他们的车辆充电，并且必须在上班前停止给车辆充电。基于此假设，电动汽车充电时间可表示为：
tr≤t≤ts (11)
式中：tr为从最后一次行程开始的每日返回时间，ts为第一次行程的每日开始时间。
③电动汽车电池充电状态(SOC)
为保证电动汽车电池系统的安全运行，满足用户的行走要求，户用电动汽车电池SOC应限制在一定范围内：
SOCExp<SOCa<SOCFull (14)
其中，SOCs表示行程开始前的第i个电动汽车电池的充电状态，C表示电动汽车电池的容量，SOCb表示充电前第i个电动汽车电池的充电状态，SOCa表示充电后第i个电动汽车电池的充电状态，SOCExp表示电动汽车电池的预期充电状态，SOCFull表示表示电动汽车电池的充满电的充电状态，Δt表示离散时间长度，其与离散的充电负载周期m的数量成反比。
④电动汽车电池寿命
由于充电周期会严重影响电池的寿命，为了延长电池的使用寿命，优选在对电池充电时降低开关频率。在此假设电动汽车辆的电池需要充电至少一个整数离散时间段(Δt)，以避免频繁改变电池的充电状态。
102.2传输损耗优化分析
用户可能通过不规则地消耗电力来增加电力系统损失。在这一部分，开发了电力系统传输损耗模型来分析影响传输损耗和计算系统传输损耗的关键因素。
传输损耗是电力系统损耗最重要的部分之一，它与传输线的电阻和电流直接相关。等式(15)是电力系统传输损耗的数学表达式：
式中：Eloss为电力系统传输损耗；R为传输线的电阻；Tr为一天的长度；i(t)为时间段t的传输线的电流。另外，在等式(15)中，时间段t处的传输线的电流与总日常需求，电力系统的电压以及时间段t的电流和日平均电流之间的差值相关，因此，i(t)可以表示为：
式中：Etotal为电力系统的总日常需求；U为电力系统的电压；Δi(t)为时间段t的电流与日平均电流之间的差值。
通过组合式(15)和(16)，电力系统传输损耗的数学表达式可以修改为：
假设电力系统电压U几乎是常数，则等式(17)右边的第一项是常数，而等式(17)右边的第二项是二阶小量，可近似0。因此，电流的波动会极大地影响电力系统的传输损耗。
步骤103：以IEEE 33分布式电源系统为例，采用MATLAB仿真计算分布式电力系统传输损耗和电压波动。图3是IEEE 33节点分布式电网的结构。选择节点0作为参考节点，因为它直接连接到主网格。对于该系统，选择12.66kV作为参考电压，并且该网络的最大有效负载(忽略电动汽车辆充电负载)为3.72MW。图5是给定分布式电网在不同季节的日负荷曲线。
在这个网络中，大约有950个家庭，在需求高峰时段，每个家庭的平均需求为4千瓦。假设该系统中电动汽车的普及率为30％，因此该网络中电动汽车的总数为285。此外，假设所有电动汽车辆均匀分布在所有节点中以对其电池充电。随后将给出基于该给定情况的所提出的控制方法的仿真结果，以显示所提出的优化方法的有效性。
步骤104：根据充电优化方案，进行户用电动汽车充电优化。
实施例2：
下面结合附图，对本发明的案例作详细说明。本发明的目的在于基于0-1整数规划的最优电动汽车充电优化方法，优化户用电动汽车充电负荷来调节网络负荷，降低电力系统传输损耗。
以IEEE 33分布式电源系统为例，采用MATLAB仿真计算分布式电力系统传输损耗和电压波动。图3是IEEE 33节点分布式电网的结构。选择节点0作为参考节点，因为它直接连接到主网格。对于该系统，选择12.66kV作为参考电压，并且该网络的最大有效负载(忽略电动汽车辆充电负载)为3.72MW。
在这个网络中，大约有950个家庭，在需求高峰时段，每个家庭的平均需求为4千瓦。假设该系统中电动汽车的普及率为30％，因此该网络中电动汽车的总数为285。此外，假设所有电动汽车辆均匀分布在所有节点中以对其电池充电。随后将给出基于该给定情况的所提出的最充电优化方法的仿真结果，以显示所提出的优化方法的有效性。
结果与分析：
⑴没有任何优化方法的电动汽车充电
图4(a)-图4(d)显示了给定网络结构下四个季节的每日负载曲线，该网络结构未考虑四个不同季节的任何最佳充电方法。图4(a)-图4(d)显示，春季和秋季，一天内给定网络的最大需求和最小需求之间的差距约为1.4兆瓦。然而，这个差距在夏季和冬季可以增加到2.2兆瓦。这证明了季节因素对计算电力系统峰谷差异有影响，进一步影响了电力系统传输损耗的计算。
此外，仿真结果表明，如果考虑季节因素，给定网络的实际总需求在夏季和冬季应该更高。相反，春季和秋季给定网络的实际总需求应该更低。此外，在夏季，实际日负荷曲线(考虑季节性因素)滞后于平均日负荷曲线(忽略季节性因素)。但是，冬季表现出相反的趋势。对于春季和秋季，实际日负荷曲线和平均日负荷曲线处于同一阶段。这是由于用户对电动汽车充电的偏好，用户在冬季早期和夏季末期完成最后一次行程。因此，夏季实际日负荷曲线落后于平均日负荷曲线，冬季实际日负荷曲线领先于平均日负荷曲线。总之，季节性因素会影响网络日负荷曲线的形状。
以节点8为例，图5(a)-图5(d)显示了给定网络结构下四个季节中网络节点的日电压曲线，该网络结构未考虑四个不同季节的任何最优充电方法。图5(a)-图5(d)显示，在夏季和冬季，给定节点的电压波动率约为2％，春季和秋季这一比率将降至1％左右。值得注意的是，随着电动汽车与电网的连接，这一速率在所有季节都会增加约50％。换句话说，电压波动率在春季和秋季增加到约1.5％，在夏季增加约3％。冬天如果电动汽车充电负载连接到电网。此外，类似于负荷曲线模拟结果，实际电压曲线滞后于夏季的平均电压曲线，并且领先于冬季的平均电压曲线。
仿真结果表明，季节性因素不仅影响给定网络的总需求，而且影响节点电压。因此，在调度电动汽车辆充电负载时考虑这些因素是至关重要的。此外，仿真结果还表明，如果没有适当的电动汽车充电优化方法，给定电力系统的最大峰谷差异为2.2兆瓦，这是网络峰值需求的一半以上。因此，需要应用电动汽车充电优化方法来调节该网络的功率和电压波动。
⑵用所提出的充电优化方法为电动汽车充电
通过应用所提出的电动汽车辆充电优化方法，图6(a)-图6(d)显示了在四个不同季节中给定网络的优化日负荷曲线。从图6(a)-图6(d)可以看出，通过提出的优化方法，一天中给定网络的最大和最小需求之间的差距在春季和秋季减少到大约0.8兆瓦，在夏季和冬季减少到1.2兆瓦。最大需求与最低需求之间的差距在四个不同的季节减少了45％。通过应用所提出的充电优化方法，电动汽车辆充电负载已成功转移到谷值需求时间。这证明了所提出的方法在负载转移中的有效性。
图7(a)-图7(d)显示了通过考虑四个不同季节的充电优化方法，给定网络结构中节点8的每日电压曲线。如图7(a)-图7(d)所示，随着电动汽车充电负荷进入电网，节点8的电压波动率在春季和秋季降至1％，而在夏季和冬季，这一比率比春季高约50％秋天是1.5％。尽管夏季和冬季的电压波动率比春季和秋季高50％，但与不采用任何充电方法对电动汽车负载进行充电相比，节点8的电压波动率在每个季节通过应用所提出的电动汽车充电方法。仿真结果表明，节点8的平均电压波动率在一年内降低了约45％。尽管夏季和冬季的电压波动率比春季和秋季高50％，但与不采用任何充电方法对电动汽车负载进行充电相比，通过应用所提出的电动汽车充电方法，节点8的电压波动率在每个季节显著降低。仿真结果表明，节点8的平均电压波动率在一年内降低了约45％。
总之，图6(a)-图6(d)和7(a)-图7(d)显示，本申请所提出的优化电动汽车负荷充电方法不仅在转换负荷上有较好的优势，而且也有很强的减少电压波动率的能力。仿真结果表明，应用所提出的电动汽车负载充电方法，网络的峰谷间隙和电压波动率均降低了约45％。因此，根据上述结果，可以预测传输损耗在给定网络可以在一定程度上减少。
⑶传输损耗优化结果
基于已经提出的0-1整数规划模型，图8(a)-图8(d)显示了四个季节所选户用电动汽车的充电优化方法。另外，通过分析给定网络的功率波动，可以计算给定网络的传输损耗，总结了在不同条件下给定网络的传输损耗。
图8(a)-图8(d)显示，对于选定的户用电动汽车，如果考虑季节性因素，最佳充电时间会有很大差异，这主要体现在两个方面。首先，如果考虑季节性因素，所选择的电动汽车辆在夏季和冬季需要更长的充电时段，而在春季和秋季需要更短的充电时段。这是因为在考虑季节性因素时，冷却和加热系统会消耗更多能量。另一个重要方面是如果考虑季节性因素，则可以改变最佳电动汽车辆充电时间段。例如，在图8c中，当考虑季节因素时，所选电动汽车辆在23:00到24:00之间充电，而如果忽略季节性因素，则将该时段推迟到2:00到3:00。其原因在于，在考虑季节性因素时，负载充电曲线可能滞后于或超过一年的平均电动汽车载荷充电曲线。
不同条件下给定网络的传输损耗显示了，一年的平均网络传输损耗率增加到3.65％，如果电动汽车充电负载连接到网络，则增加约13.06％。因此，随着户用电动汽车数量的增加，平均网络传输损耗显着增加。为了减少传输损耗，应该采用最优的电动汽车充电方法。通过应用所提出的电动汽车充电优化方法，一年的平均网络损失率降至3.50％，如果忽略季节性因素，则平均降低约4.11％。相反，当考虑季节因素时，通过应用所提出的充电优化方法，网络传输损耗率可以进一步降低到3.45％。因此，仿真结果验证了所提出的0-1整数规划模型的有效性，并强调了在调节电动汽车充电负荷时考虑季节因素的必要性。
实施例3：
基于同一发明构思，本发明还提供了一种户用电动汽车充电优化系统，由于这些设备解决技术问题的原理与户用电动汽车充电优化方法相似，重复之处不再赘述。
该系统基本机构如图9所示，包括：
规划优化模块和充电优化模块；
其中，规划优化模块，用于基于预先建立的电动汽车的日充电负荷曲线模型，采用整数规划方法对户用电动汽车充电时间进行优化，得到电动汽车在各季节的充电优化方案；
充电优化模块，用于根据充电优化方案，进行户用电动汽车充电优化；
其中，电动汽车的日充电负荷曲线模型基于季节因素制定。
户用电动汽车充电优化系统详细结构如图10所示。
其中，该系统还包括用于建立日充电负荷曲线模型的建模模块，建模模块包括：概率密度函数单元、充电概率单元和充电负荷单元；
概率密度函数单元，用于建立用户每日返回时间概率密度函数以及基于季节因素的充电时间概率密度函数；
充电概率单元，用于基于每日返回时间概率密度函数和充电时间概率密度函数，计算各时刻单个电动汽车充电的概率；
充电负荷单元，用于根据各时刻单个电动汽车充电的概率，计算全部电动汽车在各时刻的充电负荷。
其中，规划优化模块包括：目标函数单元和优化计算单元；
目标函数单元，用于基于预先基于季节因素建立的电动汽车的日充电负荷曲线模型，采用整数规划方法建立各季节的最小化每日充电负载方差的目标函数；
优化计算单元，用于以电动汽车充电功率、充电时间、电池充电状态和充电持续时间为约束条件，分别对各季节的目标函数进行优化求解，得到电动汽车在各季节的充电优化方案。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
Claims (12)
1.一种户用电动汽车充电优化方法，其特征在于，包括：
基于预先建立的电动汽车的日充电负荷曲线模型，采用整数规划方法对户用电动汽车充电时间进行优化，得到电动汽车在各季节的充电优化方案；
根据所述充电优化方案，进行户用电动汽车充电优化；
其中，所述电动汽车的日充电负荷曲线模型基于季节因素制定。
2.如权利要求1所述的方法，其特征在于，所述电动汽车的日充电负荷曲线模型的建立，包括：
建立用户每日返回时间概率密度函数以及基于季节因素的充电时间概率密度函数；
基于所述每日返回时间概率密度函数和充电时间概率密度函数，计算各时刻单个电动汽车充电的概率；
根据各时刻单个电动汽车充电的概率，计算全部电动汽车在各时刻的充电负荷。
3.如权利要求2所述的方法，其特征在于，所述每日返回时间概率密度函数，如下式所示：
其中，fend(tr)表示从最后一次行程开始的每日返回时间的概率密度函数，tr表示从最后一次行程开始的每日返回时间，σend为标准偏差，uend为每日返回时间的数学期望值，下标end表示最后一次行程。
4.如权利要求2所述的方法，其特征在于，所述基于季节因素的充电时间概率密度函数，如下式所示：
其中，ftev(tev)表示基于季节因素的充电时间概率密度函数，tev表示充电时间，σend为标准偏差，uend为每日返回时间的数学期望值，下标end表示最后一次行程；tev如下式计算：
其中，k表示季节系数，s表示每日行驶距离，c表示各季节单位距离电动汽车能耗，Pc表示单个电动汽车的充电功率，下标ev表示充电，下标c表示单个。
5.如权利要求2所述的方法，其特征在于，所述各时刻单个电动汽车充电的概率如下式计算：
其中，pt表示t时刻单个电动汽车充电的概率，tev表示充电时间，Tmax表示充电时间tev的上限，fend为用户最后一次行程的每日返回时间的概率密度函数，ftev为用户电动汽车充电时间tev的概率密度函数，下标ev表示充电，下标end表示最后一次行程。
6.如权利要求2所述的方法，其特征在于，所述全部电动汽车在各时刻的充电负荷如下式计算：
Pev(t)＝NPcpt
其中，Pev(t)表示全部电动汽车在t时刻的充电负荷，N表示电动汽车数量，Pc表示单个电动汽车的充电功率，pt表示t时刻电动汽车充电的概率，下标ev表示充电，下标c表示单个。
7.如权利要求1所述的方法，其特征在于，所述基于预先建立的电动汽车的日充电负荷曲线模型，采用整数规划方法对户用电动汽车充电时间进行优化，得到电动汽车在各季节的充电优化方案，包括：
基于预先基于季节因素建立的电动汽车的日充电负荷曲线模型，采用整数规划方法建立各季节的最小化每日充电负载方差的目标函数；
以电动汽车充电功率、充电时间、电池充电状态和充电持续时间为约束条件，分别对各季节的所述目标函数进行优化求解，得到电动汽车在各季节的充电优化方案。
8.如权利要求7所述的方法，其特征在于，所述目标函数如下式所示：
其中，f1表示目标函数，m表示将充电时长离散化的周期个数，L(j)是不考虑离散化时间段j处的电动汽车辆充电负载的电力系统的总电力需求，Pev(j)表示离散化时间段j处的电动汽车充电负荷，下标ev表示充电，Sij表示电动汽车i在离散化时间段j的二进制充电状态，1表示充电，0表示不充电，N表示电动汽车数量。
9.如权利要求7所述的方法，其特征在于，所示电动汽车充电功率约束为：单个电动汽车充电功率为常数；
所述充电时间约束如下式所示：
tr≤t≤ts
其中，tr表示从最后一次行程开始的每日返回时间，ts表示第一次行程的每日开始时间，t表示充电时间；
所述电池充电状态约束如下式所示：
SOCExp<SOCa<SOCFull
其中，SOCs表示行程开始前的第i个电动汽车电池的充电状态，k表示季节系数，s表示每日行驶距离，c表示各季节单位距离电动汽车能耗，C表示电动汽车电池的容量，SOCb表示充电前第i个电动汽车电池的充电状态，SOCa表示充电后第i个电动汽车电池的充电状态，Pc表示单个电动汽车的充电功率，Sij表示电动汽车i在离散化时间段j的二进制充电状态，1表示充电，0表示不充电，Δt表示离散时间长度，SOCExp表示电动汽车电池的预期充电状态，SOCFull表示表示电动汽车电池的充满电的充电状态；
所述充电持续时间约束为：电池充电时间至少为Δt。
10.如权利要求1所述的方法，其特征在于，所述根据所述充电优化方案，进行户用电动汽车充电优化之前，还包括：
基于所述充电优化方案，对分布式电力系统的传输损耗和电压波动进行仿真。
11.一种户用电动汽车充电优化系统，其特征在于，包括：规划优化模块和充电优化模块；
所述规划优化模块，用于基于预先建立的电动汽车的日充电负荷曲线模型，采用整数规划方法对户用电动汽车充电时间进行优化，得到电动汽车在各季节的充电优化方案；
所述充电优化模块，用于根据所述充电优化方案，进行户用电动汽车充电优化；
其中，所述电动汽车的日充电负荷曲线模型基于季节因素制定。
12.如权利要求11所述的系统，其特征在于，还包括用于建立日充电负荷曲线模型的建模模块，所述建模模块包括：概率密度函数单元、充电概率单元和充电负荷单元；
所述概率密度函数单元，用于建立用户每日返回时间概率密度函数以及基于季节因素的充电时间概率密度函数；
所述充电概率单元，用于基于所述每日返回时间概率密度函数和充电时间概率密度函数，计算各时刻单个电动汽车充电的概率；
所述充电负荷单元，用于根据各时刻单个电动汽车充电的概率，计算全部电动汽车在各时刻的充电负荷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910153926.7A CN110033119A (zh) | 2019-03-01 | 2019-03-01 | 一种户用电动汽车充电优化方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910153926.7A CN110033119A (zh) | 2019-03-01 | 2019-03-01 | 一种户用电动汽车充电优化方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110033119A true CN110033119A (zh) | 2019-07-19 |
Family
ID=67235759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910153926.7A Pending CN110033119A (zh) | 2019-03-01 | 2019-03-01 | 一种户用电动汽车充电优化方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110033119A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113922422A (zh) * | 2021-10-22 | 2022-01-11 | 国网经济技术研究院有限公司 | 一种恒功率柔性运行控制方法、系统、设备和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020156667A1 (en) * | 2000-12-13 | 2002-10-24 | Bergstrom John M. | Stochastic multiple choice knapsack assortment optimizer |
| JP2009026092A (ja) * | 2007-07-20 | 2009-02-05 | Meidensha Corp | 電熱併給システムの設備計画支援装置、支援方法およびプログラム |
| US20110071882A1 (en) * | 2009-09-22 | 2011-03-24 | International Business Machines Corporation | Method and system for intermediate to long-term forecasting of electric prices and energy demand for integrated supply-side energy planning |
| KR20120075910A (ko) * | 2010-12-29 | 2012-07-09 | 한국전력거래소 | 전력 수요 예측 방법 |
| US20130024035A1 (en) * | 2011-07-24 | 2013-01-24 | National University Corporation Nagoya University | Power supply system |
| US20160077507A1 (en) * | 2014-09-11 | 2016-03-17 | Gerald Bernard Sheble | Resource control by probability tree convolution production cost valuation by iterative equivalent demand duration curve expansion (aka. tree convolution) |
| CN108944531A (zh) * | 2018-07-24 | 2018-12-07 | 河海大学常州校区 | 一种电动汽车有序充电控制方法 |
| CN109390973A (zh) * | 2018-11-30 | 2019-02-26 | 国家电网公司西南分部 | 一种考虑通道约束的送端电网电源结构优化方法 |
| CN115860379A (zh) * | 2022-11-28 | 2023-03-28 | 国网电动汽车服务(天津)有限公司 | 基于转换经济目标的电动汽车日前调度策略及系统 |
| CN116362523A (zh) * | 2023-06-01 | 2023-06-30 | 吉林大学 | 考虑温度适应性的换电站选址与运营策略协同优化方法 |
-
2019
- 2019-03-01 CN CN201910153926.7A patent/CN110033119A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020156667A1 (en) * | 2000-12-13 | 2002-10-24 | Bergstrom John M. | Stochastic multiple choice knapsack assortment optimizer |
| JP2009026092A (ja) * | 2007-07-20 | 2009-02-05 | Meidensha Corp | 電熱併給システムの設備計画支援装置、支援方法およびプログラム |
| US20110071882A1 (en) * | 2009-09-22 | 2011-03-24 | International Business Machines Corporation | Method and system for intermediate to long-term forecasting of electric prices and energy demand for integrated supply-side energy planning |
| KR20120075910A (ko) * | 2010-12-29 | 2012-07-09 | 한국전력거래소 | 전력 수요 예측 방법 |
| US20130024035A1 (en) * | 2011-07-24 | 2013-01-24 | National University Corporation Nagoya University | Power supply system |
| US20160077507A1 (en) * | 2014-09-11 | 2016-03-17 | Gerald Bernard Sheble | Resource control by probability tree convolution production cost valuation by iterative equivalent demand duration curve expansion (aka. tree convolution) |
| CN108944531A (zh) * | 2018-07-24 | 2018-12-07 | 河海大学常州校区 | 一种电动汽车有序充电控制方法 |
| CN109390973A (zh) * | 2018-11-30 | 2019-02-26 | 国家电网公司西南分部 | 一种考虑通道约束的送端电网电源结构优化方法 |
| CN115860379A (zh) * | 2022-11-28 | 2023-03-28 | 国网电动汽车服务(天津)有限公司 | 基于转换经济目标的电动汽车日前调度策略及系统 |
| CN116362523A (zh) * | 2023-06-01 | 2023-06-30 | 吉林大学 | 考虑温度适应性的换电站选址与运营策略协同优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| YUANCHENG ZHAO ET AL.: "An Optimal Domestic Electric Vehicle Charging Strategy for Reducing Network Transmission Loss While Taking Seasonal Factors into Consideration", APPL.SCI., 26 January 2018 (2018-01-26), pages 1 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113922422A (zh) * | 2021-10-22 | 2022-01-11 | 国网经济技术研究院有限公司 | 一种恒功率柔性运行控制方法、系统、设备和存储介质 |
| CN113922422B (zh) * | 2021-10-22 | 2024-03-22 | 国网经济技术研究院有限公司 | 一种恒功率柔性运行控制方法、系统、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Aggregated electric vehicle load modeling in large-scale electric power systems | |
| Meng et al. | Dynamic frequency response from electric vehicles considering travelling behavior in the Great Britain power system | |
| CN112467722B (zh) | 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法 | |
| CN106410861B (zh) | 一种基于可调度能力的微电网优化运行实时控制方法 | |
| CN105160451B (zh) | 一种含电动汽车的微电网多目标优化调度方法 | |
| CN104966127B (zh) | 一种基于需求响应的电动汽车经济调度方法 | |
| CN110895638A (zh) | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 | |
| CN108944531A (zh) | 一种电动汽车有序充电控制方法 | |
| CN110378548B (zh) | 一种电动汽车虚拟电厂多时间尺度响应能力评估模型构建方法 | |
| CN112734098B (zh) | 一种基于源-荷-网平衡的配电网电力调度方法及系统 | |
| CN107069776B (zh) | 一种平滑微网联络线功率的储能前瞻分布式控制方法 | |
| Yang et al. | A novel parallel-series hybrid meta-heuristic method for solving a hybrid unit commitment problem | |
| CN109449973A (zh) | 一种含光伏和储能的轨道交通供电系统能量优化方法 | |
| CN103217900A (zh) | 基于实时电价的中压微网混沌pso最优潮流实现方法 | |
| CN111626527A (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
| CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
| CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
| CN108573317A (zh) | 一种换电站充放电策略优化控制的方法 | |
| CN116307087B (zh) | 考虑电动汽车充放电的微电网系统储能优化配置方法和系统 | |
| CN116402307A (zh) | 考虑可调度柔性资源运行特性的电网规划容量分析方法 | |
| CN104578160A (zh) | 一种微网能量控制方法 | |
| CN116811628A (zh) | 一种含电动汽车充电的综合能源系统及有序充电方法 | |
| He et al. | Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation | |
| CN110033119A (zh) | 一种户用电动汽车充电优化方法和系统 | |
| Zhou et al. | Collaborative strategy of dynamic wireless charging electric vehicles and hybrid power system in microgrid |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |