CN107730048B - 一种风电-电动汽车联合系统随机鲁棒优化调度方法 - Google Patents

一种风电-电动汽车联合系统随机鲁棒优化调度方法 Download PDF

Info

Publication number
CN107730048B
CN107730048B CN201711010394.9A CN201711010394A CN107730048B CN 107730048 B CN107730048 B CN 107730048B CN 201711010394 A CN201711010394 A CN 201711010394A CN 107730048 B CN107730048 B CN 107730048B
Authority
CN
China
Prior art keywords
wind power
power output
scheduling
robust
clustering
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
Application number
CN201711010394.9A
Other languages
English (en)
Other versions
CN107730048A (zh
Inventor
娄素华
蒋效康
吴耀武
范臻
王永灿
高逸
邓婷婷
王淑云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201711010394.9A priority Critical patent/CN107730048B/zh
Publication of CN107730048A publication Critical patent/CN107730048A/zh
Application granted granted Critical
Publication of CN107730048B publication Critical patent/CN107730048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风电‑电动汽车联合系统随机鲁棒优化调度方法，应用于电动汽车集群优化调度技术领域，所述方法包括：基于风电历史出力数据，生成风电出力概率场景；以最小化系统运行成本为目标，结合风电出力概率场景，建立二阶段日前随机调度模型；基于鲁棒理论建立含电动汽车的二阶段日前随机鲁棒调度模型，对系统常规机组出力及电动汽车充放电进行优化。本发明结合风电出力概率场景，基于二阶段随机优化方法和鲁棒理论，以系统运行成本最小化为目标，建立含电动汽车的二阶段日前随机鲁棒优化调度模型。对于指导电动汽车以集群形式接入电网进行参与统一调度，有一定的参考价值。

Description

一种风电-电动汽车联合系统随机鲁棒优化调度方法
技术领域
本发明属于电动汽车集群优化调度技术领域，更具体地，涉及一种风 电-电动汽车联合系统随机鲁棒优化调度方法。
背景技术
到2020年，中国风电装机预计将达到2.4亿kW。由于风电具有随机 性和波动性，大规模风电并网会增大电力系统调度压力，并导致严重的风 电消纳问题。因而常规电源的调节能力和电网传统的调度运行方式已经不 能满足大规模风电的调度和消纳需求。同时，随着电动汽车充换电站的建 设和推广，电动汽车作为一种新的负荷资源参与到电网调度中。然而，大 规模电动汽车无序充电易造成电网负荷“峰上加峰”等不利影响。因此， 建立科学的电动汽车充放电策略，合理安排电动汽车参与含风电电力系统 日前调度具有重要意义。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种风电-电动汽 车联合系统随机鲁棒优化调度方法，由此解决由于大规模电动汽车无序充 电易而造成电网负荷“峰上加峰”等不利影响的技术问题。
为实现上述目的，本发明提供了一种风电-电动汽车联合系统随机鲁棒 优化调度方法，包括：
(1)由历史风电出力曲线确定初始聚类中心，根据每条历史风电出力 曲线与各初始聚类中心的距离对历史风电出力曲线进行分类，计算每个类 别中新的聚类中心并重新聚类，直至聚类准则函数不再发生变化，以得到 各类风电出力场景的概率；
(2)以最小化系统运行成本为目标，结合各类风电出力场景的概率， 建立二阶段日前随机调度模型；
(3)基于二阶段日前随机调度模型以及鲁棒理论，以各调度时段处于 行驶状态的电动汽车数量为扰动变量，建立含电动汽车的二阶段日前随机 鲁棒调度模型，以对系统常规机组出力及电动汽车充放电进行优化。
优选地，步骤(1)具体包括：
(1.1)从k条历史风电出力曲线Pm(m＝1,2,3,...,k)中选出n条风电出力曲 线作为初始聚类中心Mi(i＝1,2,3,...,n)；
(1.2)根据用户需求确定各调度时段风电出力在聚类过程中所占的权 重系数wt(t＝1,2,3,...,24)；
(1.3)依次计算每条风电出力曲线与各初始聚类中心Mi的距离lkn，将 风电出力曲线分类到与该风电出力曲线距离最近的初始距聚类中心对应的 类别中，其中，
Figure BDA0001445335840000021
Pmt表示风电出力曲线Pm在t时刻的出力 值，Mit表示初始聚类中心Mi在t时刻的出力值，NT为调度时段数目；
(1.4)计算每个类别中新的聚类中心并重新聚类，直至聚类准则函数 不再发生变化，以得到各类风电出力场景的概率。
优选地，所述聚类准则函数为：
Figure BDA0001445335840000022
其中，emi为状态变量，且
Figure BDA0001445335840000023
Ri为第i个风电出力场景中所有风电出力 曲线的集合，N表示聚类中心数目，D表示加权欧式距离；
第i类风电出力场景的概率为
Figure BDA0001445335840000024
优选地，所述二阶段日前随机调度模型表示为：
Figure BDA0001445335840000025
其中，NT为调度时段数 目，NG为常规机组数目，Nw为风电场数目，Ns为风电出力的场景数目，
Figure BDA0001445335840000031
为常规机组g在时段t的启动费用，
Figure BDA0001445335840000032
为风电场w的单位弃风惩罚费用，
Figure BDA0001445335840000033
为风电场w的弃风量，ug,t,s为常规机组g在时段t的启停状态，为0或 1变量，为1表示运行状态，为0表示停运状态，ρs为风电出力场景s出现 的概率，Pg,t,s为常规机组g第t时段出力，CEV,t为电动汽车放电补贴费用，
Figure BDA0001445335840000034
为电动汽车放电功率，f(Pg,t,s)为Pg,t,s出力下常规机组的运行成本。
优选地，所述二阶段日前随机调度模型满足的约束条件为：功率平衡 约束、输电容量约束、机组爬坡约束、机组启停约束、电动汽车电池电量 约束以及电动汽车功率约束。
优选地，所述含电动汽车的二阶段日前随机鲁棒调度模型表示为：
Figure BDA0001445335840000035
其中，Xt,s，
Figure BDA0001445335840000036
Ht,s均为等价转换中引入的辅助决策变量，无 具体意义，Γ为鲁棒系数，NTR,t表示t时刻处于行驶状态的电动汽车总数，Nd,t为t时刻处于行驶状态的电动汽车数量的预测值，Nf,t为t时刻处于行驶状 态的电动汽车数量的最大波动范围，
Figure BDA0001445335840000037
为t时段的处于放电状态的电动汽 车数量，
Figure BDA0001445335840000038
为t时段的处于充电状态的电动汽车数量，当Γ为0时，该模 型为确定性模型，未考虑电动汽车不确定性的影响，当Γ为1时，该模型为最保守形式下的随机鲁棒日前调度模型。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够 取得下列有益效果：
(1)本发明将电动汽车视为虚拟机组参与含风电电力系统日前调度；
(2)本发明通过概率场景处理风电不确定性，通过鲁棒理论处理电动 汽车不确定性，充分考虑风电和电动汽车给电力系统日前调度带来的影响；
(3)本发明适用于含风电、电动汽车的电力系统日前调度建模仿真， 对于指导电动汽车以集群形式接入电网进行统一调度有一定参考价值。
附图说明
图1为本发明实施例公开的一种风电-电动汽车联合系统随机鲁棒优化 调度方法的流程示意图；
图2为本发明实施例公开的一种调度周期内各时段处于行驶状态电动 汽车数量；
图3为本发明实施例公开的一种风电出力概率场景图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图 及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体 实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本 发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以 相互组合。
如图1所示为本发明实施例公开的一种风电-电动汽车联合系统随机鲁 棒优化调度方法的流程示意图，在图1所示的方法中，包括以下步骤：
(1)由历史风电出力曲线确定初始聚类中心，根据每条历史风电出力 曲线与各初始聚类中心的距离对历史风电出力曲线进行分类，计算每个类 别中新的聚类中心并重新聚类，直至聚类准则函数不再发生变化，以得到 各类风电出力场景的概率；
(2)以最小化系统运行成本为目标，结合各类风电出力场景的概率， 建立二阶段日前随机调度模型；
(3)基于二阶段日前随机调度模型以及鲁棒理论，以各调度时段处于 行驶状态的电动汽车数量为扰动变量，建立含电动汽车的二阶段日前随机 鲁棒调度模型，以对系统常规机组出力及电动汽车充放电进行优化。
在一个可选的实施方式中，步骤(1)具体包括：
(1.1)从k条历史风电出力曲线Pm(m＝1,2,3,...,k)中选出n条风电出力曲 线作为初始聚类中心Mi(i＝1,2,3,...,n)；
(1.2)根据用户需求确定各调度时段风电出力在聚类过程中所占的权 重系数wt(t＝1,2,3,...,24)；
(1.3)依次计算每条风电出力曲线与各初始聚类中心Mi的距离lkn，将 风电出力曲线分类到与该风电出力曲线距离最近的初始距聚类中心对应的 类别中，其中，
Figure BDA0001445335840000051
Pmt表示风电出力曲线Pm在t时刻的出力 值，Mit表示初始聚类中心Mi在t时刻的出力值，NT为调度时段数目，优选 为24；
(1.4)计算每个类别中新的聚类中心并重新聚类，直至聚类准则函数 不再发生变化，以得到各类风电出力场景的概率。
其中，聚类准则函数为：
Figure BDA0001445335840000052
其中，emi为状 态变量，且
Figure BDA0001445335840000053
Ri为第i个风电出力场景中所有风电出力曲线 的集合，N表示聚类中心数目，D表示加权欧式距离；
第i类风电出力场景的概率为
Figure BDA0001445335840000054
在一个可选的实施方式中，步骤(2)中的二阶段日前随机调度模型表 示为：
Figure BDA0001445335840000055
其中，NT为调度时 段数目，NG为常规机组数目，Nw为风电场数目，Ns为风电出力的场景数目，
Figure BDA0001445335840000061
为常规机组g在时段t的启动费用，
Figure BDA0001445335840000062
为风电场w的单位弃风惩罚费 用，
Figure BDA0001445335840000063
为风电场w的弃风量，ug,t,s为常规机组g在时段t的启停状态，为 0或1变量，为1表示运行状态，为0表示停运状态，ρs为风电出力场景s 出现的概率，Pg,t,s为常规机组g第t时段出力，CEV,t为电动汽车放电补贴费用，
Figure BDA0001445335840000064
为电动汽车放电功率，f(Pg,t,s)为Pg,t,s出力下常规机组的运行成本。
在一个可选的实施方式中，步骤(2)中的二阶段日前随机调度模型满 足的约束条件为：功率平衡约束、输电容量约束、机组爬坡约束、机组启 停约束、电动汽车电池电量约束以及电动汽车功率约束。
其中，功率平衡约束为：
Figure BDA0001445335840000065
其中Ld,t,s为负 荷点d在时段t的负荷预测值，Pw,t,s为风电场w在时段t的出力，
Figure BDA0001445335840000066
与
Figure BDA0001445335840000067
分 别为时段t电动汽车充、放电功率，ND表示负荷节点总数；
输电容量约束为：
Figure BDA0001445335840000068
其中，T为功率传输分配系数矩阵，
Figure BDA0001445335840000069
为时段t系统的注入功率列向量，
Figure BDA00014453358400000610
和F分别为线路输电容量上下限的列向 量；
机组爬坡约束为：
Figure BDA00014453358400000611
其中，rup,g和rdn,g分别为常规 机组g的上下爬坡速率；
机组启停约束为：
Figure BDA00014453358400000612
其中
Figure BDA00014453358400000613
和
Figure BDA00014453358400000614
分别为常 规机组g的最小运行时间和最小停机时间；
电动汽车电池电量约束为：
Figure BDA00014453358400000615
其中Es,t为电动汽车集在t时段的总电量，ηc为充电效率，ηd为放电效率，
Figure BDA0001445335840000071
为个体平均充电功率，
Figure BDA0001445335840000072
为个体平均放电功率，
Figure BDA0001445335840000073
为t时段的处于充电 状态的电动汽车数量，
Figure BDA0001445335840000074
为t时段的处于放电状态的电动汽车数量，NTR,t表 示t时段的处于行驶状态的电动汽车数量，NEV表示电动汽车总数，Dav为电 动汽车日均行驶里程，λ为电动汽车单位里程耗电量，Es,t-1表示电动汽车集 在t-1时段的总电量；
电动汽车功率约束为：
Figure BDA0001445335840000075
在一个可选的实施方式中，在步骤(3)中的含电动汽车的二阶段日前 随机鲁棒调度模型表示为：
Figure BDA0001445335840000076
其中，Xt,s，
Figure BDA0001445335840000077
Ht,s均为等价转换中引入的辅助决策变量，无 具体意义，Γ为鲁棒系数，NTR,t表示t时刻处于行驶状态的电动汽车总数，Nd,t为t时刻处于行驶状态的电动汽车数量的预测值，Nf,t为t时刻处于行驶状 态的电动汽车数量的最大波动范围，
Figure BDA0001445335840000078
为t时段的处于放电状态的电动汽 车数量，
Figure BDA0001445335840000079
为t时段的处于充电状态的电动汽车数量，当Γ为0时，该模 型为确定性模型，未考虑电动汽车不确定性的影响，当Γ为1时，该模型为最保守形式下的随机鲁棒日前调度模型。
以下结合附图及实施例对本发明方法进行举例说明。
以RTS-24节点系统作为算例进行验证，在节点21接入600MW，系统 日最大负荷为3250MW，接入系统中的电动汽车数量为50000辆，电动汽 车参数参见表1，各调度时段处于行驶状态的电动汽车数量预测值参见图2。 风电聚类结果参见图3。在模型计算中，取电动汽车在计算时段行驶数量最 大偏差为其预测值的30％。测试计算采用MATLAB软件Gurobi求解器进 行求解。不同鲁棒系数下系统日前调度优化结果参加表2。
根据表2，对比不同鲁棒系数下的结果可见，随着鲁棒系数的增大，系 统日运行成本逐渐增大。这是由于当鲁棒系数的增大时，即电动汽车集群 各时刻消耗电量的实际值与预测值之间偏差增大，为了保证系统内部的功 率平衡，调度决策方案趋于保守，相应的日运行成本增大。算例结果验证 了该方法的有效性。
表1
Figure BDA0001445335840000081
表2
鲁棒系数 0 0.2 0.4
总费用(10<sup>3</sup>$) 14605.5 14670.3 14679.8
常规机组费用(10<sup>3</sup>$) 14594.2 14660.9 14670.03
启停费用(10<sup>3</sup>$) 6.3 5.25 5.6
弃风费用(10<sup>3</sup>$) 0 0 0
电动汽车放电成本(10<sup>3</sup>$) 4.670 4.1653 4.1654
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已， 并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等 同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种风电-电动汽车联合系统随机鲁棒优化调度方法，其特征在于，包括：
(1)由历史风电出力曲线确定初始聚类中心，根据每条历史风电出力曲线与各初始聚类中心的距离对历史风电出力曲线进行分类，计算每个类别中新的聚类中心并重新聚类，直至聚类准则函数不再发生变化，以得到各类风电出力场景的概率；
(2)以最小化系统运行成本为目标，结合各类风电出力场景的概率，建立二阶段日前随机调度模型；
(3)基于二阶段日前随机调度模型以及鲁棒理论，以各调度时段处于行驶状态的电动汽车数量为扰动变量，建立含电动汽车的二阶段日前随机鲁棒调度模型，以对系统常规机组出力及电动汽车充放电进行优化；
所述二阶段日前随机调度模型表示为：
Figure FDA0002966930540000011
其中，NT为调度时段数目，NG为常规机组数目，Nw为风电场数目，Ns为风电出力的场景数目，
Figure FDA0002966930540000012
为常规机组g在时段t的启动费用，
Figure FDA0002966930540000013
为风电场w的单位弃风惩罚费用，
Figure FDA0002966930540000014
为风电场w的弃风量，ug,t,s为常规机组g在时段t的启停状态，为0或1变量，为1表示运行状态，为0表示停运状态，ρs为风电出力场景s出现的概率，Pg,t,s为常规机组g第t时段出力，CEV,t为电动汽车放电补贴费用，
Figure FDA0002966930540000015
为电动汽车放电功率，f(Pg,t,s)为Pg,t,s出力下常规机组的运行成本，F为调度周期内综合成本；
所述二阶段日前随机调度模型满足的约束条件为：功率平衡约束、输电容量约束、机组爬坡约束、机组启停约束、电动汽车电池电量约束以及电动汽车功率约束；
所述含电动汽车的二阶段日前随机鲁棒调度模型表示为：
Figure FDA0002966930540000021
其中，Xt,s，
Figure FDA0002966930540000022
Ht,s均为等价转换中引入的辅助决策变量，无具体意义，Γ为鲁棒系数，NTR,t表示t时刻处于行驶状态的电动汽车总数，Nd,t为t时刻处于行驶状态的电动汽车数量的预测值，Nf,t为t时刻处于行驶状态的电动汽车数量的最大波动范围，
Figure FDA0002966930540000023
为t时段的处于放电状态的电动汽车数量，
Figure FDA0002966930540000024
为t时段的处于充电状态的电动汽车数量，当Γ为0时，该模型为确定性模型，未考虑电动汽车不确定性的影响，当Γ为1时，该模型为最保守形式下的随机鲁棒日前调度模型，N表示聚类中心数目。
2.根据权利要求1所述的方法，其特征在于，步骤(1)具体包括：
(1.1)从k条历史风电出力曲线Pm(m＝1,2,3,...,k)中选出NS条风电出力曲线作为初始聚类中心Ms(s＝1,2,3,…NS)；
(1.2)根据用户需求确定各调度时段风电出力在聚类过程中所占的权重系数wt(t＝1,2,3,...,NT)，NT＝24；
(1.3)依次计算每条风电出力曲线与各初始聚类中心Ms的距离lms，将风电出力曲线分类到与该风电出力曲线距离最近的初始距聚类中心对应的类别中，其中，
Figure FDA0002966930540000025
Pmt表示风电出力曲线Pm在t时刻的出力值，Mst表示初始聚类中心Ms在t时刻的出力值；
(1.4)计算每个类别中新的聚类中心并重新聚类，直至聚类准则函数不再发生变化，以得到各类风电出力场景的概率。
3.根据权利要求2所述的方法，其特征在于，所述聚类准则函数为：
Figure FDA0002966930540000031
其中，ems为状态变量，且
Figure FDA0002966930540000032
Rs为第s类风电出力场景中所有风电出力曲线的集合，D表示加权欧式距离；
第s类风电出力场景的概率为
Figure FDA0002966930540000033
CN201711010394.9A 2017-10-26 2017-10-26 一种风电-电动汽车联合系统随机鲁棒优化调度方法 Active CN107730048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711010394.9A CN107730048B (zh) 2017-10-26 2017-10-26 一种风电-电动汽车联合系统随机鲁棒优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711010394.9A CN107730048B (zh) 2017-10-26 2017-10-26 一种风电-电动汽车联合系统随机鲁棒优化调度方法

Publications (2)

Publication Number Publication Date
CN107730048A CN107730048A (zh) 2018-02-23
CN107730048B true CN107730048B (zh) 2021-05-18

Family

ID=61213549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711010394.9A Active CN107730048B (zh) 2017-10-26 2017-10-26 一种风电-电动汽车联合系统随机鲁棒优化调度方法

Country Status (1)

Country Link
CN (1) CN107730048B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549958A (zh) * 2018-04-11 2018-09-18 国网经济技术研究院有限公司 考虑风电接入的基于序数效用论的日前低碳调度决策方法
CN109948823B (zh) * 2018-10-29 2022-01-28 河海大学 一种光储充电塔自适应鲁棒日前优化调度方法
CN110365041B (zh) * 2019-06-05 2021-05-14 华南理工大学 基于gan场景模拟的风电多场景鲁棒调度方法
CN112736894B (zh) * 2020-11-30 2024-09-24 国网陕西省电力有限公司电力科学研究院 一种计及风电与电动汽车随机性的两阶段机组组合建模方法
CN112581313B (zh) * 2020-12-23 2022-02-22 北京理工大学 一种光伏充电站资源的分配调节方法和系统
CN113937760B (zh) * 2021-10-12 2024-03-22 浙江华云电力工程设计咨询有限公司 一种多站融合场景下仿射鲁棒模型优化调度方法
CN113937798B (zh) * 2021-10-12 2024-04-30 浙江华云电力工程设计咨询有限公司 一种多站融合场景下考虑新能源消纳的储能系统配置方法
CN114037463B (zh) * 2021-10-13 2023-07-11 南京邮电大学 一种电动汽车参与发电与备用市场的联合调度优化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120133209A1 (en) * 2010-11-30 2012-05-31 General Electric Company Integration of renewable power generating technologies with integrated volt/var control systems
CN104466999A (zh) * 2014-12-06 2015-03-25 国网浙江省电力公司电动汽车服务分公司 一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法
CN106410861B (zh) * 2016-11-04 2018-09-18 浙江工业大学 一种基于可调度能力的微电网优化运行实时控制方法

Also Published As

Publication number Publication date
CN107730048A (zh) 2018-02-23

Similar Documents

Publication Publication Date Title
CN107730048B (zh) 一种风电-电动汽车联合系统随机鲁棒优化调度方法
CN107863784B (zh) 含可中断负荷的风电及电动汽车联合系统的日前调度方法
Meng et al. Dynamic frequency response from electric vehicles considering travelling behavior in the Great Britain power system
CN109658012B (zh) 一种计及需求侧响应的微电网多目标经济调度方法及装置
CN109599856B (zh) 一种微网多楼宇中电动汽车充放电管理优化方法及装置
CN109657993B (zh) 一种基于非合作博弈的能源局域网储能系统自动需求响应方法
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
CN103679299A (zh) 兼顾车主满意度的电动汽车最优峰谷分时电价定价方法
CN113725873B (zh) 促进风电消纳的电动汽车充电负荷调度优化方法
CN108471139B (zh) 一种含新能源和温控负荷的区域电网动态需求响应方法
CN103246942A (zh) 风电-电动汽车-火电联合运行模型的多目标调度方法
CN107919675B (zh) 综合考虑车主和运营商利益的充电站负荷调度模型
CN110378548A (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
CN112865190A (zh) 计及光伏和充电需求的光储充电站优化调度方法和系统
CN114519449A (zh) 一种园区能源系统运行优化方法
CN112668791A (zh) 热电联供系统的优化方法
CN111900725A (zh) 一种电动汽车充电站与光伏发电站的协同互动方法和系统
CN113715669B (zh) 电动汽车有序充电控制方法、系统、设备及可读存储介质
CN117060506B (zh) 考虑绿电计费方式的电动汽车、光伏协同优化方法及装置
CN114897346A (zh) 计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法
CN111681127B (zh) 一种居民小区电动汽车有序充放电控制方法
CN106961125B (zh) 风水火电力系统动态经济调度的等式约束处理方法
CN117578537A (zh) 基于碳交易和需求响应的微电网优化调度方法
CN114285093A (zh) 一种源网荷储互动调度方法及系统
CN109672199B (zh) 一种基于能量平衡的电动汽车削峰填谷能力估计方法

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
GR01 Patent grant
GR01 Patent grant