CN104794533B - 计入可入网电动汽车的配电网用户光伏电站的容量最优配置方法 - Google Patents
计入可入网电动汽车的配电网用户光伏电站的容量最优配置方法 Download PDFInfo
- Publication number
- CN104794533B CN104794533B CN201510171244.0A CN201510171244A CN104794533B CN 104794533 B CN104794533 B CN 104794533B CN 201510171244 A CN201510171244 A CN 201510171244A CN 104794533 B CN104794533 B CN 104794533B
- Authority
- CN
- China
- Prior art keywords
- indicate
- moment
- electric vehicle
- power
- indicated
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000009826 distribution Methods 0.000 title description 2
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 241000196324 Embryophyta Species 0.000 claims description 49
- 230000005611 electricity Effects 0.000 claims description 34
- 238000004146 energy storage Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013178 mathematical model Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010977 unit operation Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002921 genetic algorithm search Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Abstract
本发明公开了一种计入可入网电动汽车的光伏电站最优容量的配置方法,涉及电力系统分布式发电技术领域。该方法首先以用户日发电成本最小为目标,结合各机组运行约束条件,建立优化问题的数学模型,得到用户侧年净收益,再改变分布式电源的容量带入优化模型中计算,得到相应年净收益,并以此作为输入输出样本来训练神经网络,从而可以由遗传算法搜寻得到最优的分布式电源容量。优点是:构建了计入可入网电动汽车的光伏电站系统的日优化调度模型,给出了计算使用户获利最大的最优配置方法。其中将系统的日优化问题简化为线性规划问题,大大简化了计算,具有一定的工程参考价值。
Description
技术领域
本发明属于电力系统分布式发电技术领域,具体涉及一种计入可入网电动汽车的光伏电站的容量优化配置方法。
背景技术
对于用电需求较大、采用分时电价的用户,合理建设光伏电站,可从节省电费与国家补贴两方面获利,再加上环境友好,再生可持续利用的优点,光伏发电是未来新能源发展与推广的重要方向。
光伏电站并网有三种方式:“全部自发自用”、“自发自用,余电上网”、“全部上网”。对于“自发自用,余电上网”和“全部上网”两种方式,由于不能加入储能装置,用户不能管理光伏并网系统中的能量流动,因此其收益与光伏电站的装机容量正相关,不存在最优容量。而对于“全部自发自用”方式,用户可以通过加入储能装置来合理管理系统能量流动,对其用电需求能起到“削峰填谷”的效果,节省用电费用。为使用户获利达到最大,需要计算出用户光伏电站的最优配置。
未来随着电动汽车的普及,1天24h当中90%的电动车辆都可以入网参与V2G(vehicle-to-grid)服务,在V2G服务时间段内,电动汽车的电池作为储能装置并网,可以被光伏电站用户充分利用。
在光伏发电的最优容量计算方法方面,目前的算法多注重算法的先进性,导致计算过程繁琐,且难以判断计算结果是局部最优还是全局最优,所以可靠性难以定论。因此,需要建立一套具有工程推广价值,可靠性较高的,且计算简单的光伏电站的优化配置方法,为新能源发电的设计提供参考。
对于光伏发电的数学模型,以及神经网络算法和遗传算法可以参考现有方法:
1)光伏发电的数学模型
PPV=η*S*R*[1-0.005(T-25)]
S=PPVm/PPVm1
其中,PPV为光伏阵列的输出功率,η为光伏的额定转换效率,S为光伏阵列的面积(m2),R为光伏组件倾斜面上的太阳辐照强度(W/m2),T为光伏组件温度(摄氏度);PPVm1为每平方米光伏的峰值输出功率(见厂商技术参数);PPVm为用户采用的面积为S平方米的光伏阵列的峰值输出功率。
由此模型可见,只要输入光伏的额定转换效率η,光伏阵列的面积S,光伏组件倾斜面上的太阳辐照强度R,光伏组件温度T,就可以得到光伏阵列的输出功率。对于给定型号的光伏组件,其性能参数-光伏最大功率PPVm与面积S成正比。(YonaA,Senjyu T,FunabashiT.Application ofrecurrent neural network to short-term-ahead generating powerforecasting for photovoltaic system[C].IEEE Power Engineering Society GeneralMeeting,2007)。
2)神经网络算法
神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。以样本来训练神经网络,即设定好网络的结构,各个神经元的赋活函数,以及训练函数及学习率等参数,初始化网络后,以样本输入值输入到神经网络,得到相应的输出后与样本的输出值相比较,根据误差来修正网络,经过一定次数和一段时间的训练,误差达到预定范围内即训练完毕,以此得到的神经网络可以很准确的模拟样本中输入输出之间的关系。
3)遗传算法
遗传算法是根据自然界生物染色体进化的数学模型,它是模仿染色体的基因在自然进化的过程中进行选择、交叉和变异生成下一代种群。以遗传算法搜寻神经网络最优值操作的步骤是:确定输入变量的维数与目标函数,给定输入变量的取值范围,确定种群规模、最大遗传代数、优化目标精度,以及选择交叉算子等参数。这样就可以通过软件的计算输出目标函数的最优值和最优值对应的输入。
发明内容
本发明的目的是针对采用自发自用并网方式的光伏电站,提出一种计入可入网电动汽车后的光伏容量最优配置方法,实现用户的利益最大化。
本发明解决其技术问题是采用以下技术方案实现的:
一种计入可入网电动汽车的光伏电站最优容量的配置方法,步骤如下:
1)用户输入下列参数:
2)对于给定的光伏电站容量—光伏电站峰值功率PPVm、蓄电池储能容量和电动汽车电池容量的配置:以系统运行条件为约束,以用户的日运行成本为目标函数,建立电能调度日优化模型:
目标函数:minf=fgrid+fabans+fp_loss
其中,f表示光伏电站用户的日运行成本,fgrid表示光伏电站用户向电网购电的费用,fabans表示光伏电站丢弃多余的产电的惩罚成本,fp-loss表示蓄电池同时充放电的惩罚成本和电动汽车同时充放电的惩罚成本之和;
其中,Cgrid(k)表示第k时刻的电价,Pgrid(k)表示第k时刻电网的供电量;
其中,Cabans表示弃产电多余惩罚因子,Pabans(k)表示第k个时刻产电多余量;
其中,CP-loss=2*Cabans,Cp_loss表示包含蓄电池和电动汽车的储能装置,同时充放电的惩罚因子,η1表示蓄电池的充电效率,η2表示蓄电池的放电效率,η3表示电动汽车的电池充电效率,η4表示电动汽车的电池放电效率,Pba-ch(k)表示蓄电池第k个时刻的充电功率,Pba-dis(k)表示蓄电池第k个时刻的放电功率,PV2G-ch(i)表示电动汽车第i个时刻的充电功率,PV2G-dis(i)表示电动汽车第i个时刻的放电功率,a表示电动汽车参与V2G服务的开始时刻,b表示电动汽车参与V2G服务的结束时刻;
约束条件一
电能平衡
Pgrid(k)+Pba-dis(k)+PV2G-dis(k)-Pba-ch(k)-PV2G-ch(k)-Pabans(k)=Pl(k)-PPV(k)
(0≤a≤k≤b≤24,k∈N)
Pgrid(k)+Pba-dis(k)-Pba-ch(k)-Pabans(k)=Pl(k)-PPV(k)
(0≤k≤a-1或b+1≤k≤24,k∈N)
其中,a表示电动汽车参与V2G服务的开始时刻,b表示电动汽车参与V2G服务的结束时刻,Pgrid(k)表示第k个时刻电网的供电量,
Pba-dis(k)表示第k个时刻蓄电池的放电功率,Pba-ch(k)表示第k个时刻蓄电池的充电功率,PV2G-ch(k)表示电动汽车第k个时刻的充电功率,
PV2G-dis(k)表示电动汽车第k个时刻的放电功率,Pl(k)表示第k个时刻用户的预测用电负荷,PPV(k)表示第k个时刻光伏阵列预测的输出电能,Pabans(k)表示第k个时刻产电多余量;
约束条件二
蓄电池运行约束
Es(k)=Es(k-1)+Pba-ch(k)*η1*1-Pba-dis(k)/η2*1
取蓄电池初始储能状态为:
其中,Es(k)表示第k个时刻蓄电池的剩余能量,Pba-dis(k)表示第k个时刻蓄电池的放电功率,Pba-ch(k)表示第k个时刻蓄电池的充电功率,表示蓄电池最大充放电功率,η1表示蓄电池的充电效率,η2表示蓄电池的放电效率,表示蓄电池的储能容量,和SOCs max分别表示蓄电池的最小和最大储能状态;
约束条件三
电动汽车运行约束
EV2G(i)=EV2G(i-1)+PV2G-ch(i)*η3*1-PV2G-dis(i)/η4*1
(0≤a≤i≤b≤24,i∈N)
取电动汽车入网的初始储能状态为:
取电动汽车离网前储能状态约束为:
其中,a表示电动汽车参与V2G服务的开始时刻,b表示电动汽车参与V2G服务的结束时刻,EV2G(i)表示第i个时刻电动汽车的剩余能量,PV2G-dis(i)表示第i个时刻电动汽车的放电功率,PV2G-ch(i)表示第i个时刻电动汽车的充电功率,表示电动汽车最大充放电功率,η3表示电动汽车的电池充电效率,η4表示电动汽车的电池放电效率,表示电动汽车电池容量,和分别表示电动汽车的最小和最大储能状态:
约束条件四
电网供应电能约束
(1≤k≤24,k∈N)
其中,Pgrid(k)表示第k个时刻电网向用户提供的电量,表示电网供应的最大功率限制;
约束条件五
光伏产电多余量约束
Pabans(k)≥0
(1≤k≤24,k∈N)
其中,Pabans(k)表示第k个时刻产电多余量;
求解满足上述5个约束条件的目标函数,可得到系统每天的优化调度方案;
3)在步骤2)得到的日优化调度方案的基础上,计算光伏电站用户的年净收益,用户的年净收益由安装光伏电站后节省的电费和国家补贴之和减去光伏电站一年的发电成本得到;
其中,fuser表示光伏电站用户的年净收益,Pl(k)表示第k个时刻用户的预测用电负荷,Pgrid(k)表示第k个时刻电网的供电量,Cgrid(k)表示第k时刻的电价,Ppv(k)表示光伏第k个时刻的发电功率,Cpvsub表示光伏发电的补贴,Cpv表示光伏的发电成本,Ppvm表示光伏电站的装机容量,nPV表示光伏的使用年限;
当分布式电源组合:光伏电站峰值功率PPVm,表示蓄电池储能容量,电动汽车电池容量确定后,可得到光伏电站用户的年净收益;
4)采用不同的分布式电源的容量组合PPVm、和代入步骤2),3)得到相应的用户净收益,以此作为输入输出数据训练神经网络,再以遗传算法搜寻神经网络的最优值,即得到使用户年净收益最大的光伏电站最优装机组合;
按照下列步骤,采用不同的分布式电源的容量组合,即光伏电站峰值功率PPVm,表示蓄电池储能容量,电动汽车电池容量
其中PPVm的上限Pl max为用户用电负荷的最大值;
其中的上限Pl(k)表示第k个时刻用户的预测用电负荷;
其中的上限Pl(k)表示第k个时刻用户的预测用电负荷;
按照下列步骤改变PPVm,的值,得到相应的用户年净收益fuser:
Step1.j=1;
Step2.i1=1;
Step3.i2=1;
Step4.i3=1;
Step5.
j=j+1;
将PPVm,代入步骤1)和2)中,得到相应的fuser值;
Step6.i3=i3+1;
若i3≤21,则返回step5;
Step7.i2=i2+1;
若i2≤21,则返回step4;
Step8.i1=i1+1;
若i1≤21,则返回step3;
把以上得到的213组PPVm,fuser向量作为神经网络的训练样本来训练神经网络,得到的神经网络能够代表输入值PPVm,和输出值fuser的关系;
由遗传算法搜寻神经网络的全局最优解,从而得到最优的分布式电源容量。
本发明的技术效果在于,构建了计入可入网电动汽车的光伏电站系统的日优化调度模型,给出了计算使用户获利最大的最优配置方法。其中将系统的日优化问题简化为线性规划问题,大大简化了计算,具有一定的工程参考价值。
附图说明
图1为本发明的系统结构示意图。
具体实施方式
为了更具体的描述本发明,下面结合附图,具体说明本发明的运用。并网光伏电站系统(计入可入网电动汽车)结构框图如图1所示,具体步骤如下:
1)用户确定输入数据:
2)建立光伏电站并网系统的日优化调度模型
目标函数f表示光伏电站用户的日运行成本,包括:光伏电站用户向电网购电的费用、光伏电站丢弃多余的产电的惩罚成本、蓄电池同时充放电的惩罚成本和电动汽车同时充放电的惩罚成本之和,即:
其中CP-loss=2*Cabans。
约束条件:
电能平衡约束:
Pgrid(k)+Pba-dis(k)+PV2G-dis(k)-Pba-ch(k)-PV2G-ch(k)-Pabans(k)=Pl(k)-PPV(k)
(0≤a≤k≤b≤24,k∈N)
Pgrid(k)+Pba-dis(k)-Pba-ch(k)-Pabans(k)=Pl(k)-PPV(k)
(0≤k≤a-1或b+1≤k≤24,k∈N)
蓄电池运行约束:
Es(k)=Es(k-1)+Pba-ch(k)*η1*1-Pba-dis(k)/η2*1
电动汽车运行约束:
EV2G(i)=EV2G(i-1)+PV2G-ch(i)*η3*1-PV2G-dis(i)/η4*1
电网供应电能约束:
弃产电多余约束:
Pabans(k)≥0 (1≤k≤24,k∈N)
3)在步骤2)得到的日优化调度方案的基础上,可以计算光伏电站用户的年净收益,用户的年净收益由安装光伏电站后节省的电费和国家补贴之和减去光伏电站一年的发电成本得到。
在用户给定的数据基础上,对于分布式电源组合:光伏电站峰值功率PPVm,蓄电池容量电动汽车电池容量确定后,由步骤2)可得到系统的具体日优化调度方案如下:
解向量:
由此可以计算出全年365天的日调度方案,进而由步骤3)的方法得到光伏电站用户的年净收益。
4)采用不同的分布式电源的容量组合PPVm、和代入步骤2),3)得到相应的用户净收益。以此作为输入输出数据训练神经网络,再以遗传算法搜寻神经网络的最优值,即得到使用户年净收益最大的光伏电站最优装机组合。
按照下列步骤,采用不同的分布式电源的容量组合,即光伏电站峰值功率PPVm,蓄电池容量电动汽车电池容量
其中PPVm的上限 为用户用电负荷的最大值;
其中的上限Pl(k)为每个采样时刻的用电负荷值;
其中的上限Pl(k)为每个采样时刻的用电负荷值;
按照下列步骤改变PPVm,的值,得到相应的用户年净收益fuser:
Step1.j=1;
Step2.i1=1;
Step3.i2=1;
Step4.i3=1;
Step5.
j=j+1;
将PPVm,代入步骤1)和2)中,得到相应的fuser值;
Step6.i3=i3+1;
若i3≤21,则返回step5;
Step7.i2=i2+1;
若i2≤21,则返回step4;
Step8.i1=i1+1;
若i1≤21,则返回step3;
把以上得到的213组(PPVm,fuser)向量作为神经网络的训练样本来训练神经网络,得到的神经网络能够代表输入值(PPVm,)和输出值fuser的关系;然后由遗传算法搜寻神经网络的全局最优解,从而得到最优的光伏电站容量配置(PPVm,)。
Claims (1)
1.一种计入可入网电动汽车的光伏电站最优容量的配置方法,其特征在于,该方法包含如下步骤:
1)用户输入下列参数:
2)对于给定的光伏电站容量—光伏电站峰值功率PPVm、蓄电池储能容量和电动汽车电池容量的配置:以系统运行条件为约束,以用户的日运行成本为目标函数,建立电能调度日优化模型:
目标函数:minf=fgrid+fabans+fp_loss
其中,f表示光伏电站用户的日运行成本,fgrid表示光伏电站用户向电网购电的费用,fabans表示光伏电站丢弃多余的产电的惩罚成本,fp-loss表示蓄电池同时充放电的惩罚成本和电动汽车同时充放电的惩罚成本之和;
其中,Cgrid(k)表示第k时刻的电价,Pgrid(k)表示第k时刻电网的供电量;
其中,Cabans表示弃产电多余惩罚因子,Pabans(k)表示第k个时刻产电多余量;
其中,CP-loss=2*Cabans,Cp_loss表示包含蓄电池和电动汽车的储能装置,同时充放电的惩罚因子,η1表示蓄电池的充电效率,η2表示蓄电池的放电效率,η3表示电动汽车的电池充电效率,η4表示电动汽车的电池放电效率,Pba-ch(k)表示蓄电池第k个时刻的充电功率,Pba-dis(k)表示蓄电池第k个时刻的放电功率,PV2G-ch(i)表示电动汽车第i个时刻的充电功率,PV2G-dis(i)表示电动汽车第i个时刻的放电功率,a表示电动汽车参与V2G服务的开始时刻,b表示电动汽车参与V2G服务的结束时刻;
约束条件一
电能平衡
Pgrid(k)+Pba-dis(k)+PV2G-dis(k)-Pba-ch(k)-PV2G-ch(k)-Pabans(k)=Pl(k)-PPV(k)
(0≤a≤k≤b≤24,k∈N)
Pgrid(k)+Pba-dis(k)-Pba-ch(k)-Pabans(k)=Pl(k)-PPV(k)
(0≤k≤a-1或b+1≤k≤24,k∈N)
其中,a表示电动汽车参与V2G服务的开始时刻,b表示电动汽车参与V2G服务的结束时刻,Pgrid(k)表示第k个时刻电网的供电量,Pba-dis(k)表示第k个时刻蓄电池的放电功率,Pba-ch(k)表示第k个时刻蓄电池的充电功率,PV2G-ch(k)表示电动汽车第k个时刻的充电功率,PV2G-dis(k)表示电动汽车第k个时刻的放电功率,Pl(k)表示第k个时刻用户的预测用电负荷,PPV(k)表示第k个时刻光伏阵列预测的输出电能,Pabans(k)表示第k个时刻产电多余量;
约束条件二
蓄电池运行约束
Es(k)=Es(k-1)+Pba-ch(k)*η1*1-Pba-dis(k)/η2*1
取蓄电池初始储能状态为:
其中,Es(k)表示第k个时刻蓄电池的剩余能量,Pba-dis(k)表示第k个时刻蓄电池的放电功率,Pba-ch(k)表示第k个时刻蓄电池的充电功率,表示蓄电池最大充放电功率,η1表示蓄电池的充电效率,η2表示蓄电池的放电效率,表示蓄电池的储能容量,和SOCs max分别表示蓄电池的最小和最大储能状态;
约束条件三
电动汽车运行约束
EV2G(i)=EV2G(i-1)+PV2G-ch(i)*η3*1-PV2G-dis(i)/η4*1
取电动汽车入网的初始储能状态为:
取电动汽车离网前储能状态约束为:
其中,a表示电动汽车参与V2G服务的开始时刻,b表示电动汽车参与V2G服务的结束时刻,EV2G(i)表示第i个时刻电动汽车的剩余能量,PV2G-dis(i)表示第i个时刻电动汽车的放电功率,PV2G-ch(i)表示第i个时刻电动汽车的充电功率,表示电动汽车最大充放电功率,η3表示电动汽车的电池充电效率,η4表示电动汽车的电池放电效率,表示电动汽车电池容量,和分别表示电动汽车的最小和最大储能状态:
约束条件四
电网供应电能约束
(1≤k≤24,k∈N)
其中,Pgrid(k)表示第k个时刻电网向用户提供的电量,表示电网供应的最大功率限制;
约束条件五
光伏产电多余量约束
Pabans(k)≥0
(1≤k≤24,k∈N)
其中,Pabans(k)表示第k个时刻产电多余量;
求解满足上述5个约束条件的目标函数,可得到系统每天的优化调度方案;
3)在步骤2)得到的日优化调度方案的基础上,计算光伏电站用户的年净收益,用户的年净收益由安装光伏电站后节省的电费和国家补贴之和减去光伏电站一年的发电成本得到;
其中,fuser表示光伏电站用户的年净收益,Pl(k)表示第k个时刻用户的预测用电负荷,Pgrid(k)表示第k个时刻电网的供电量,Cgrid(k)表示第k时刻的电价,Ppv(k)表示光伏第k个时刻的发电功率,Cpvsub表示光伏发电的补贴,Cpv表示光伏的发电成本,Ppvm表示光伏电站的装机容量,nPV表示光伏的使用年限;
当分布式电源组合:光伏电站峰值功率PPVm,表示蓄电池储能容量,电动汽车电池容量确定后,可得到光伏电站用户的年净收益;
4)采用不同的分布式电源的容量组合PPVm、和代入步骤2),3)得到相应的用户净收益,以此作为输入输出数据训练神经网络,再以遗传算法搜寻神经网络的最优值,即得到使用户年净收益最大的光伏电站最优装机组合;
按照下列步骤,采用不同的分布式电源的容量组合,即光伏电站峰值功率PPVm,表示蓄电池储能容量,电动汽车电池容量
其中PPVm的上限 为用户用电负荷的最大值;
其中的上限Pl(k)表示第k个时刻用户的预测用电负荷;
其中的上限Pl(k)表示第k个时刻用户的预测用电负荷;
按照下列步骤改变PPVm,的值,得到相应的用户年净收益fuser:
Step1.j=1;
Step2.i1=1;
Step3.i2=1;
Step4.i3=1;
Step5.
j=j+1;
将PPVm,代入步骤1)和2)中,得到相应的fuser值;
Step6.i3=i3+1;
若i3≤21,则返回step5;
Step7.i2=i2+1;
若i2≤21,则返回step4;
Step8.i1=i1+1;
若i1≤21,则返回step3;
把以上得到的213组PPVm,fuser向量作为神经网络的训练样本来训练神经网络,得到的神经网络能够代表输入值PPVm, 和输出值fuser的关系;
由遗传算法搜寻神经网络的全局最优解,从而得到最优的分布式电源容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510171244.0A CN104794533B (zh) | 2015-04-10 | 2015-04-10 | 计入可入网电动汽车的配电网用户光伏电站的容量最优配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510171244.0A CN104794533B (zh) | 2015-04-10 | 2015-04-10 | 计入可入网电动汽车的配电网用户光伏电站的容量最优配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104794533A CN104794533A (zh) | 2015-07-22 |
CN104794533B true CN104794533B (zh) | 2018-08-03 |
Family
ID=53559319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510171244.0A Active CN104794533B (zh) | 2015-04-10 | 2015-04-10 | 计入可入网电动汽车的配电网用户光伏电站的容量最优配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104794533B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868499B (zh) * | 2016-04-20 | 2018-10-16 | 电子科技大学 | 一种含风光储的电动汽车充电站容量配比方法 |
CN106786683B (zh) * | 2016-11-15 | 2019-04-09 | 国网山东省电力公司 | 基于需求侧柔性负荷的小区内电动汽车充电系统及方法 |
CN108233426B (zh) * | 2018-03-02 | 2021-06-01 | 广东工业大学 | 一种微电网能源控制方法及装置 |
CN109149561A (zh) * | 2018-08-13 | 2019-01-04 | 国网江苏省电力有限公司南京供电分公司 | 一种基于光储充电塔接入的配电网静态优化方法 |
CN110362874B (zh) * | 2019-06-19 | 2022-06-07 | 安徽工程大学 | 一种光伏太阳能充电桩收益最优计算方法 |
CN112556109B (zh) * | 2020-11-25 | 2022-07-12 | 国网上海市电力公司 | 一种基于全局温度调整的中央空调需求响应方案优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077429A (zh) * | 2013-01-10 | 2013-05-01 | 华北电力大学 | 含风光发电与电动汽车换电站的孤立微电网容量优化方法 |
CN103793758A (zh) * | 2014-01-23 | 2014-05-14 | 华北电力大学 | 含光伏发电系统的电动汽车充电站的多目标优化调度方法 |
CN104077635A (zh) * | 2014-07-09 | 2014-10-01 | 北京交通大学 | 一种基于光伏发电系统的电动汽车充电站充电优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090119233A1 (en) * | 2007-11-05 | 2009-05-07 | Microsoft Corporation | Power Optimization Through Datacenter Client and Workflow Resource Migration |
US20100306027A1 (en) * | 2009-06-02 | 2010-12-02 | International Business Machines Corporation | Net-Metering In A Power Distribution System |
-
2015
- 2015-04-10 CN CN201510171244.0A patent/CN104794533B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077429A (zh) * | 2013-01-10 | 2013-05-01 | 华北电力大学 | 含风光发电与电动汽车换电站的孤立微电网容量优化方法 |
CN103793758A (zh) * | 2014-01-23 | 2014-05-14 | 华北电力大学 | 含光伏发电系统的电动汽车充电站的多目标优化调度方法 |
CN104077635A (zh) * | 2014-07-09 | 2014-10-01 | 北京交通大学 | 一种基于光伏发电系统的电动汽车充电站充电优化方法 |
Non-Patent Citations (3)
Title |
---|
含光伏发电系统的电动汽车充电站多目标容量优化配置方法;陈征等;《电工技术学报》;20130630;第28卷(第6期);第238-248页 * |
电动汽车光伏充电站的多目标优化调度方法;路欣怡等;《电工技术学报》;20140831;第29卷(第8期);第46-56页 * |
计及电动汽车的分布式发电系统中储能单元的优化配置;吴红斌等;《中国电机工程学报》;20121230;第32卷;第15-21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104794533A (zh) | 2015-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104794533B (zh) | 计入可入网电动汽车的配电网用户光伏电站的容量最优配置方法 | |
CN113394817B (zh) | 一种风光水火储系统的多能容量优化配置方法 | |
CN109740846A (zh) | 智能小区需求响应调度方法和系统 | |
CN109559035A (zh) | 一种考虑灵活性的城市配电网双层规划方法 | |
CN109103926A (zh) | 基于多辐照特性年气象场景的光伏发电接纳能力计算方法 | |
CN109599861A (zh) | 考虑本地负荷调峰能力的送端电网电源结构规划方法 | |
CN108306292A (zh) | 一种包括利用端索引区块链的分布式能源系统 | |
CN109390973A (zh) | 一种考虑通道约束的送端电网电源结构优化方法 | |
Cheng et al. | A particle swarm optimization based power dispatch algorithm with roulette wheel re-distribution mechanism for equality constraint | |
CN103824123A (zh) | 一种新的配电网蓄电池储能系统的优化配置算法 | |
CN109598433A (zh) | 考虑弃能成本和调峰需求的送端电网电源结构规划方法 | |
CN115147245B (zh) | 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法 | |
Haddad et al. | Mixed integer linear programming approach to optimize the hybrid renewable energy system management for supplying a stand-alone data center | |
Abedinia et al. | Synergizing efficient optimal energy hub design for multiple smart energy system players and electric vehicles | |
Liu et al. | Day-ahead economic dispatch of renewable energy system considering wind and photovoltaic predicted output | |
CN109347120B (zh) | 一种面向电网频率响应的决策方法和系统 | |
Hajar et al. | Optimization of a microgrid with renewable energy and distributed generation: A case study | |
CN111342456A (zh) | 一种台区能源系统建模方法及系统 | |
Awad et al. | Exploiting day-ahead electricity price for maximized profit of photovoltaic systems | |
CN116742812A (zh) | 一种多能互补发电系统储能容量协调优化配置方法和系统 | |
Navarro-Caceres et al. | An Evaluation of a Metaheuristic Artificial Immune System for Household Energy Optimization | |
Shuai et al. | Optimal operation of the island microgrid with renewable energy and desalination | |
CN114971154A (zh) | 一种包含碳交易机制的可再生能源消纳方法 | |
CN109119988B (zh) | 基于动态批发市价的光伏-电池微电网能量调度管理方法 | |
Litchy | Real-time energy management of an islanded microgrid using multi-objective particle swarm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |