CN106299511B - 电动汽车充电站储能容量优化方法 - Google Patents
电动汽车充电站储能容量优化方法 Download PDFInfo
- Publication number
- CN106299511B CN106299511B CN201610633409.6A CN201610633409A CN106299511B CN 106299511 B CN106299511 B CN 106299511B CN 201610633409 A CN201610633409 A CN 201610633409A CN 106299511 B CN106299511 B CN 106299511B
- Authority
- CN
- China
- Prior art keywords
- charging station
- electric automobile
- automobile charging
- battery
- energy storage
- 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
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
- H01M10/441—Methods for charging or discharging for several batteries or cells simultaneously or sequentially
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/64—Optimising energy costs, e.g. responding to electricity rates
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电动汽车充电站储能容量优化方法,本发明包括如下步骤:建立蓄电池充放电数学模型;建立以储能投资成本及电动汽车充电站运行成本最小为目标函数,考虑蓄电池充放电功率、能量等约束条件的电动汽车充电站储能容量优化决策模型;采用改进的粒子群算法对电动汽车充电站储能容量优化决策模型进行求解。本发明具有同时兼顾电动汽车行为特性、电力系统调度运行的经济性,使系统整体资源配置更优的特点。
Description
技术领域
本发明涉及一种电动汽车充电站储能技术领域,尤其是涉及一种考虑运行经济性和调度计划的电动汽车充电站储能容量优化方法。
背景技术
电动汽车在节能减排、遏制温室效应及保障国家能源安全等方面有传统汽车无法比拟的优势,受到了各国政府、汽车生产商以及能源企业的广泛关注。日益提升的电池设备、充电技术以及充电设施也促进电动汽车不断普及。电动汽车入网,将对电力系统的规划、运行以及电力市场的运营产生深刻影响。由于受诸多因素影响,充电负荷具有复杂特性。就单一车辆而言,它主要由用户出行需求决定,同时受到用户使用习惯、设备特性等因素的影响。就区域电力系统而言,它还受到电动汽车数量规模、充电设施完善程度的影响。由于用户需求和用户行为的不确定性与相互差异,充电负荷具有一定的随机性、分散性。
改善电动汽车充电负荷分散性的有效途径是营建电动汽车充电站,从而实现对既定范围内的电动汽车统一管理。然而,电动汽车充电站在改善电动汽车充电随机性方面作用不甚明显。充电功率的波动将增大系统调度运行的困难,威胁系统的安全稳定运行,系统需要预置更多的备用容量和紧急控制方案,增加了系统运行成本。
目前,在新能源并网应用领域,有关为风电场配置储能容量的研究颇多,与风电场相类似地,为电动汽车充电站配置储能装置是未来充电站运营的重要手段,但目前尚缺少相应的建模方法。
发明内容
本发明的发明目的是为了克服现有技术中的电动汽车充电站无法解决电动汽车充电随机性需求的不足,提供了一种考虑运行经济性和调度计划的电动汽车充电站储能容量优化方法。
为了实现上述目的,本发明采用以下技术方案:
一种电动汽车充电站储能容量优化方法,包括如下步骤:
(1-1)建立蓄电池充放电数学模型;
(1-2)建立以储能投资成本及电动汽车充电站运行成本最小为目标函数,考虑蓄电池充放电功率、能量等约束条件的电动汽车充电站储能容量优化决策模型;
(1-3)采用改进的粒子群算法对电动汽车充电站储能容量优化决策模型进行求解。
本发明兼顾充电站建设成本以及系统整体运行的经济性、避免充电或储能设备闲置,建立以储能投资成本及电动汽车充电站运行成本最小为目标函数,考虑蓄电池充放电功率、能量等约束条件的电动汽车充电站储能容量优化决策模型,可同时兼顾电动汽车行为特性、电力系统调度运行的经济性。
作为优选,步骤(1-1)包括如下具体步骤:
(2-1)设定t时刻充电站实际充电功率P(t)与预测充电功率的差值为ΔP(t),蓄电池的充放电功率为PES(t);
其中,为蓄电池的最大充电功率,为蓄电池最大放电功率;若PES(t)>0,则t时刻蓄电池处于充电状态;若PES(t)<0,则t时刻蓄电池处于放电状态;
(2-2)设定t-1时刻和t时刻的蓄电池储能容量分别为E(t-1)和E(t);
在充电状态下:
其中,η+为蓄电池充电效率,Δt为充电站充电功率采样间隔,Pc +(t)为蓄电池在t时刻的充电功率,Pc +(t)为正值;
在充电过程中,若蓄电池容量在t时刻充满至额定容量EN,则蓄电池停止充电,此时得到
在放电状态下:
其中,η-为蓄电池的放电效率,Pc -(t)为t时刻蓄电池放电功率,Pc -(t)为负值;
在放电过程中,若在t时刻放电至Emin,则停止放电,此时得到:
作为优选,步骤(1-2)包括如下具体步骤:
(3-1)设定目标函数为
其中,[t1,t1+(n-1)Δt]为第i个时间窗口,n为一个时间窗口内采样个数;
电动汽车充电站储能容量配置的优化目标是在满足辖区内电动汽车充电需求的前提下,能过最大程度的减少电动汽车充电站整体充电功率波动,以最低储能投资成本及运行成本实现电动汽车充电站运行效益最优化。储能容量优化模型的基础是电动汽车充电站充电功率参考值(调度值)。考虑到储能容量运行成本(包括设备闲置成本和储能系统损失能量成本)与投资成本两者的对立关系,采取该处理方法使储能的综合效益达到最优。通常,电动汽车充电具有以天为单位的周期性,分析某一天(或分析多天取均值)的分布规律可作为该电动汽车充电站运行年限内充电功率的分布特性。
设定设备闲置量为fidle,储能损失量为floss:
其中,Sidle1(t),Sidle2(t),Sloss1(t),Sloss2(t)分别为用于描述储能设备闲置及储能系统能量损失情况的布尔量,N为电动汽车充电站设计使用时长,T为考察时段;∩表示并且的含义,N24h表示以天为周期的24小时时段;
(3-2)建立电动汽车充电站储能容量优化决策模型min F=Kwρwfidle+Kpρpfloss+KI(ρIEN+CES);
其中,Kw,Kp,KI为运行成本和投资成本的折中系数,ρw,ρp,ρI为单位价格系数,CES为储能设备安装成本,min F为最小储能系统成本;
电动汽车充电站储能容量优化决策模型公式需要满足如下约束条件:
a.蓄电池储能容量约束:
b.蓄电池充放电功率约束:
c.充电站充电功率波动水平约束:
Pr{ΔPd(i)≤ΔPmax}≥β
其中,d表示蓄电池放电深度;ΔPd(i)表示时间窗口i内充电站充电功率波动值;ΔPmax表示允许的功率波动上限;β为置信水平,Pr{ΔPd(i)≤ΔPmax}表示计算ΔPd(i)≤ΔPmax的概率。
作为优选,步骤(1-3)包括如下步骤:
(4-1)输入电动汽车充电站充电功率及充电功率时段参考值;
(4-2)设定粒子群维数、粒子群的位置、行进速度、最大迭代次数和求解精度;
(4-3)计算fidle、floss和min F;
(4-4)将计算所得粒子适应度值与其极值进行比较,若当前计算所得粒子适应度值更优,则更新其为全局极值,同时记录迭代计算次数;
(4-5)更新每个粒子的位置和行进速度,并校验是否满足约束条件;若不满足则重新生成粒子速度和行进位置直至满足约束条件;
(4-6)重复步骤(4-3)至步骤(4-5)直至达到迭代次数或得到符合精度的求解结果。
作为优选,β为0.7-0.9。
因此,本发明具有如下有益效果:本发明能够定量地确定电动汽车充电站最佳的储能装置容量配置方案,该方案能够可同时兼顾电动汽车行为特性、电力系统调度运行的经济性,从而使系统整体资源配置更优。
附图说明
图1是本发明的一种流程图;
图2是本发明的一种电动汽车充电站地理分布图;
图3是本发明的一种粒子群算法求解流程图。
图中:区域1,充电站2。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
如图1所示的实施例是一种电动汽车充电站储能容量优化方法,包括如下步骤:
步骤100,建立蓄电池充放电数学模型
步骤110,设定t时刻充电站实际充电功率P(t)与预测充电功率的差值为ΔP(t),蓄电池的充放电功率为PES(t);
其中,为蓄电池的最大充电功率,为蓄电池最大放电功率;若PES(t)>0,则t时刻蓄电池处于充电状态;若PES(t)<0,则t时刻蓄电池处于放电状态;
步骤120,设定t-1时刻和t时刻的蓄电池储能容量分别为E(t-1)和E(t);
在充电状态下:
其中,η+为蓄电池充电效率,Δt为充电站充电功率采样间隔,Pc +(t)为蓄电池在t时刻的充电功率,Pc +(t)为正值;
在充电过程中,若蓄电池容量在t时刻充满至额定容量EN,则蓄电池停止充电,此时得到
在放电状态下:
其中,η-为蓄电池的放电效率,Pc -(t)为t时刻蓄电池放电功率,Pc -(t)为负值;
在放电过程中,若在t时刻放电至Emin,则停止放电,此时得到:
步骤200,建立以储能投资成本及电动汽车充电站运行成本最小为目标函数,考虑蓄电池充放电功率、能量等约束条件的电动汽车充电站储能容量优化决策模型;
步骤210,设定目标函数为
其中,[t1,t1+(n-1)Δt]为第i个时间窗口,n为一个时间窗口内采样个数;
设定设备闲置量为fidle,储能损失量为floss:
其中,Sidle1(t),Sidle2(t),Sloss1(t),Sloss2(t)分别为用于描述储能设备闲置及储能系统能量损失情况的布尔量,N为电动汽车充电站设计使用时长,T为考察时段;∩表示并且的含义,N24h表示以天为周期的24小时时段;
步骤220,利用电动汽车充电站储能容量优化决策模型公式
建立电动汽车充电站储能容量优化决策模型:
min F=Kwρwfidle+Kpρpfloss+KI(ρIEN+CES);
其中,Kw,Kp,KI为运行成本和投资成本的折中系数,ρw,ρp,ρI为单位价格系数,CES为储能设备安装成本,min F为最小储能系统成本;
电动汽车充电站储能容量优化决策模型公式需要满足如下约束条件:
a.蓄电池储能容量约束:
b.蓄电池充放电功率约束:
c.充电站充电功率波动水平约束:
Pr{ΔPd(i)≤ΔPmax}≥β
其中,d表示蓄电池放电深度;ΔPd(i)表示时间窗口i内充电站充电功率波动值;ΔPmax表示允许的功率波动上限;β为置信水平,β为0.9。
步骤300,如图3所示,采用改进的粒子群算法对电动汽车充电站储能容量优化决策模型进行求解
步骤310,输入电动汽车充电站充电功率及充电功率时段参考值;
步骤320,设定粒子群维数、粒子群的位置、行进速度、最大迭代次数和求解精度;
步骤330,计算fidle、floss和min F;
步骤340,将计算所得粒子适应度值与其极值进行比较,若当前计算所得粒子适应度值更优,则更新其为全局极值,同时记录迭代计算次数;
步骤350,更新每个粒子的位置和行进速度,并校验是否满足约束条件;若不满足则重新生成粒子速度和行进位置直至满足约束条件;
步骤360,重复步骤330至步骤350直至达到迭代次数或得到符合精度的求解结果。
本发明采用如图2所示的含5个电动汽车充电站2的某地域1为算例验证本发明的有效性:
表1给出了算例的相关参数,
表2给出了5个电动汽车充电站储能容量优化结果(调度时间窗口为0.5h);
从
表2的结果可以看出,储能容量的配置情况基本与电动汽车充电站充电功率的预测值变化趋势一致,电动汽车充电站充电功率预测值越大充电站需要预置的储能容量也相应地越多。
另外,我们其中的2个充电站为例研究了不同调度时间窗口对最优储能容量的影响,如表3所示,可以看出,调度时间窗口越短,充电站所需的储能容量越小。因此,实际工程应用中应根据当地调度运行计划的要求选取合适的时间窗口。
表1算例数据
表2各充电站储能容量优化结果
表3不同时间窗口下的最优储能容量
应理解,本实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (4)
1.一种电动汽车充电站储能容量优化方法,其特征是,包括如下步骤:
(1-1)建立蓄电池充放电数学模型;
(1-1-1)设定t时刻充电站实际充电功率P(t)与预测充电功率的差值为ΔP(t),蓄电池的充放电功率为PES(t);
其中,为蓄电池的最大充电功率,为蓄电池最大放电功率;若PES(t)>0,则t时刻蓄电池处于充电状态;若PES(t)<0,则t时刻蓄电池处于放电状态;
(1-1-2)设定t-1时刻和t时刻的蓄电池储能容量分别为E(t-1)和E(t);
在充电状态下:
其中,η+为蓄电池充电效率,Δt为充电站充电功率采样间隔,为蓄电池在t时刻的充电功率,为正值;
在充电过程中,若蓄电池容量在t时刻充满至额定容量EN,则蓄电池停止充电,此时得到
在放电状态下:
其中,η-为蓄电池的放电效率,为t时刻蓄电池放电功率,为负值;
在放电过程中,若在t时刻放电至Emin,则停止放电,此时得到:
(1-2)建立以储能投资成本及电动汽车充电站运行成本最小为目标函数,考虑蓄电池充放电功率、能量约束条件的电动汽车充电站储能容量优化决策模型;
(1-3)采用粒子群算法对电动汽车充电站储能容量优化决策模型进行求解。
2.根据权利要求1所述的电动汽车充电站储能容量优化方法,其特征是,步骤(1-2)包括如下具体步骤:
(2-1)设定目标函数为
其中,[t1,t1+(n-1)Δt]为第i个时间窗口,n为一个时间窗口内采样个数;
设定设备闲置量为fidle,储能损失量为floss:
其中,Sidle1(t),Sidle2(t),Sloss1(t),Sloss2(t)分别为用于描述储能设备闲置及储能系统能量损失情况的布尔量,N为电动汽车充电站设计使用时长,T为考察时段;∩表示并且的含义,N24h表示以天为周期的24小时时段;
(2-2)建立电动汽车充电站储能容量优化决策模型minF=Kwρwfidle+Kpρpfloss+KI(ρIEN+CES);
其中,Kw,Kp,KI为运行成本和投资成本的折中系数,ρw,ρp,ρI为单位价格系数,CES为储能设备安装成本,min F为最小储能系统成本;
电动汽车充电站储能容量优化决策模型公式需要满足如下约束条件:
a.蓄电池储能容量约束:
b.蓄电池充放电功率约束:
c.充电站充电功率波动水平约束:
Pr{ΔPd(i)≤ΔPmax}≥β
其中,d表示蓄电池放电深度;ΔPd(i)表示时间窗口i内充电站充电功率波动值;ΔPmax表示允许的功率波动上限;β为置信水平,Pr{ΔPd(i)≤ΔPmax}表示计算ΔPd(i)≤ΔPmax的概率。
3.根据权利要求2所述的电动汽车充电站储能容量优化方法,其特征是,步骤(1-3)包括如下步骤:
(3-1)输入电动汽车充电站充电功率及充电功率时段参考值;
(3-2)设定粒子群维数、粒子群的位置、行进速度、最大迭代次数和求解精度;
(3-3)计算fidle、floss和min F;
(3-4)将计算所得粒子适应度值与其极值进行比较,若当前计算所得粒子适应度值更优,则更新其为全局极值,同时记录迭代计算次数;
(3-5)更新每个粒子的位置和行进速度,并校验是否满足约束条件;若不满足则重新生成粒子速度和行进位置直至满足约束条件;
(3-6)重复步骤(3-3)至步骤(3-5)直至达到迭代次数或得到符合精度的求解结果。
4.根据权利要求2所述的电动汽车充电站储能容量优化方法,其特征是,β为0.7-0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610633409.6A CN106299511B (zh) | 2016-08-02 | 2016-08-02 | 电动汽车充电站储能容量优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610633409.6A CN106299511B (zh) | 2016-08-02 | 2016-08-02 | 电动汽车充电站储能容量优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106299511A CN106299511A (zh) | 2017-01-04 |
CN106299511B true CN106299511B (zh) | 2019-02-26 |
Family
ID=57664847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610633409.6A Active CN106299511B (zh) | 2016-08-02 | 2016-08-02 | 电动汽车充电站储能容量优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106299511B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108306358A (zh) * | 2017-12-29 | 2018-07-20 | 国网北京市电力公司 | 充电站电池储能配置方法和装置 |
CN108336776A (zh) * | 2017-12-29 | 2018-07-27 | 国网北京市电力公司 | 充电站配电容量确定方法和装置 |
CN111106612B (zh) * | 2018-10-25 | 2022-07-05 | 贵州电网有限责任公司 | 储能式充电桩参与电网需求侧响应联合运行优化模型与求解算法 |
CN110912166B (zh) * | 2019-11-26 | 2022-06-14 | 江苏方天电力技术有限公司 | 一种多用户共享储能模式的储能容量配置方法 |
CN113568307B (zh) * | 2021-07-02 | 2022-04-01 | 福建时代星云科技有限公司 | 一种储充站的控制策略优化方法及终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664423A (zh) * | 2012-05-30 | 2012-09-12 | 山东大学 | 基于粒子群算法的风电场储能容量控制方法 |
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 |
CN103187784A (zh) * | 2013-02-28 | 2013-07-03 | 华北电力大学 | 一种优化光伏充电站集成系统的方法及装置 |
CN103699946A (zh) * | 2014-01-13 | 2014-04-02 | 国家电网公司 | 利用储能系统平抑充换电站负荷和保证用电经济性的方法 |
CN105391092A (zh) * | 2015-11-18 | 2016-03-09 | 国网山东省电力公司电力科学研究院 | 基于相关机会规划的虚拟电厂多目标竞价的调控优化方法 |
CN105471043A (zh) * | 2015-12-31 | 2016-04-06 | 普天新能源有限责任公司 | 充电设备的配置方法和装置 |
CN105720597A (zh) * | 2014-12-05 | 2016-06-29 | 国网重庆市电力公司电力科学研究院 | 用于优化电动汽车充储放一体化电站充放电功率的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5675523B2 (ja) * | 2011-07-22 | 2015-02-25 | 三菱電機株式会社 | 充電装置及び充電システム及び充電方法 |
-
2016
- 2016-08-02 CN CN201610633409.6A patent/CN106299511B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664423A (zh) * | 2012-05-30 | 2012-09-12 | 山东大学 | 基于粒子群算法的风电场储能容量控制方法 |
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 |
CN103187784A (zh) * | 2013-02-28 | 2013-07-03 | 华北电力大学 | 一种优化光伏充电站集成系统的方法及装置 |
CN103699946A (zh) * | 2014-01-13 | 2014-04-02 | 国家电网公司 | 利用储能系统平抑充换电站负荷和保证用电经济性的方法 |
CN105720597A (zh) * | 2014-12-05 | 2016-06-29 | 国网重庆市电力公司电力科学研究院 | 用于优化电动汽车充储放一体化电站充放电功率的方法 |
CN105391092A (zh) * | 2015-11-18 | 2016-03-09 | 国网山东省电力公司电力科学研究院 | 基于相关机会规划的虚拟电厂多目标竞价的调控优化方法 |
CN105471043A (zh) * | 2015-12-31 | 2016-04-06 | 普天新能源有限责任公司 | 充电设备的配置方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于差分进化粒子群算法的城市电动汽车充电站最优规划;赵书强 等;《华北电力大学学报》;20150331;第42卷(第2期);全文 |
基于自适应粗子群算法的电动汽车充电站优化规划;谢林伟;《新能源》;20121231;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106299511A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106299511B (zh) | 电动汽车充电站储能容量优化方法 | |
CN107994595B (zh) | 一种削峰填谷控制方法和系统以及应用该控制方法的系统 | |
CN105160451B (zh) | 一种含电动汽车的微电网多目标优化调度方法 | |
CN105024432B (zh) | 一种基于虚拟电价的电动汽车充放电优化调度方法 | |
CN104779630B (zh) | 一种平抑风电输出功率波动的混合储能系统容量配置方法 | |
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 | |
CN105262129B (zh) | 一种含复合储能微电网的多目标优化系统及方法 | |
CN106253315B (zh) | 一种考虑电动汽车充电站可调度性的储能容量配置方法 | |
WO2017161787A1 (zh) | 基于未来信息的光伏功率波动的动态平抑方法 | |
CN105515110B (zh) | 一种电动汽车有序充电实时控制系统 | |
CN111626527B (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 | |
CN106228462B (zh) | 一种基于遗传算法的多储能系统优化调度方法 | |
CN103997052A (zh) | 一种多储能电站的有功功率控制的方法 | |
CN105162149A (zh) | 基于模糊自适应调节的光储系统跟踪发电计划出力方法 | |
CN109347100A (zh) | 提升风电场综合性能的混合储能系统优化配置方法 | |
CN111064214A (zh) | 基于电动汽车两阶段滚动式策略的配电网优化调度方法 | |
CN105680478B (zh) | 基于超短期预测的储能系统平滑新能源发电控制方法 | |
CN105162151A (zh) | 一种基于人工鱼群算法的智能化储能系统并网实时控制方法 | |
CN109217290A (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
CN105226689A (zh) | 考虑运行和维护的多类型储能系统能量管理方法和系统 | |
CN105226694A (zh) | 基于模糊经验模态分解的储能平滑新能源发电控制方法 | |
CN110415016A (zh) | 一种基于最优化充放电策略的充电价格制定策略 | |
CN114899856A (zh) | 一种电动汽车充电桩功率调节方法、系统、设备及介质 | |
CN111900726A (zh) | 一种用于充换电站储能系统的充放电功率控制方法和装置 | |
CN103580051B (zh) | 考虑负荷特性的风储系统电池荷电状态优化控制系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |