CN109034648A - 一种电动汽车集群需求响应潜力评估方法 - Google Patents
一种电动汽车集群需求响应潜力评估方法 Download PDFInfo
- Publication number
- CN109034648A CN109034648A CN201810915803.8A CN201810915803A CN109034648A CN 109034648 A CN109034648 A CN 109034648A CN 201810915803 A CN201810915803 A CN 201810915803A CN 109034648 A CN109034648 A CN 109034648A
- Authority
- CN
- China
- Prior art keywords
- time
- electric car
- formula
- charge
- trip
- 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.)
- Granted
Links
- 230000004044 response Effects 0.000 title claims abstract description 155
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000013459 approach Methods 0.000 claims abstract description 14
- 230000002123 temporal effect Effects 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims description 65
- 230000004043 responsiveness Effects 0.000 claims description 27
- 230000005284 excitation Effects 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 230000036962 time dependent Effects 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000003825 pressing Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 208000019901 Anxiety disease Diseases 0.000 claims description 3
- 230000036506 anxiety Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 7
- 230000033228 biological regulation Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 12
- 241000208340 Araliaceae Species 0.000 description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 description 6
- 235000008434 ginseng Nutrition 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电动汽车集群需求响应潜力评估方法,包括下述步骤:首先,根据路网拓扑信息和时变的区域交通信息,建立时间依赖的动态交通路网模型;其次,根据电动汽车的电池容量、续航里程等车辆信息和充放电功率水平、充放电效率等设施参数,建立单辆电动汽车充电模型;然后,基于居民出行调研数据信息,构建出行链,并以“行程时间最少”规划出行路径;再结合行程目的地的充放电需求判断,得到电动汽车出行时空分布信息。本发明提出了考虑当前时刻剩余出行时间、剩余电池荷电状态和电价补偿三个因素的用户参与度响应机制,运用模糊算法计算电动汽车的实时响应度,及电动汽车集群的需求响应潜力,为电网调控策略制定及开展需求响应提供参考。
Description
技术领域
本发明涉及电动汽车的技术领域,更具体地说,涉及一种电动汽车集群需求响应潜力评估方法。
背景技术
在能源转变、环境污染等大背景下,发展电动汽车成为落实国家能源战略的重大举措之一,随着充电配套设施互联互通的车联网和相应运维服务网络平台的建设以及电动汽车运营商的投入服务,电动汽车进入稳步增长期,意味着未来会有越来越多的电动汽车接入电网并与电网展开互动,电动汽车一方面是一种灵活的用电负荷,将在不同时间不同地点从电网获取电能,另一方面也是一种分布式的储能资源,由于电动汽车一天当中有大量时间在驻留处停驻,所以具有很大的潜力参与电力系统需求响应服务。
目前,已有不少国内外学者开展大量的电动汽车与电网互动特别是用户侧管理、需求响应相关研究。文献“电动汽车用户电价响应的充电负荷优化模型建立”建立了经济学电价弹性与负荷需求之间的关系,考虑不同电动汽车用户的响应进行负荷计算;文献“Critical peak pricing with load control demand response program in unitcommitment problem”分析了分时电价背景下用户的用电转移、削减行为及其对日前调度需求响应的影响及定价策略;文献“基于集群响应的规模化电动汽车充电优化调度”建立电动汽车集群响应的实时电价模型,通过电价对电动汽车充电行为进行有序引导;文献“Anaggregate model of plug-in electric vehicles including distribution networkcharacteristics for primary frequency control”充分利用电动汽车有功响应能力,提出相应频率控制策略;文献“基于迟滞模型的集群电动汽车参与实时需求响应”提出考虑放电模式的单台电动汽车迟滞控制模型和状态优先综合指标的V2G控制策略,以实现集群电动汽车充、放电功率大小实时调节。分析这类充放电和需求响应研究,存在三个方面的局限性:1)电动汽车空间可移动性考虑不足,分析电动汽车需求响应潜力时,现有研究往往视电动汽车为一类仅具有时变特性的固定负荷或响应资源,忽略了可移动性,从而缺乏空间响应分析;2)用户需求响应的主观参与度考虑不足,研究时认为电动汽车具备客观调控能力时均能参与需求响应,忽略了用户参与意愿的不确定性;3)电动汽车响应潜力量化评估考虑不足,需求响应项目的开展首先需要评估需求响应资源的可调控潜力。
部分研究关注到了电动汽车和其他需求响应资源具有不同特性表现,文献“基于多代理系统的电动汽车充电行为仿真软件设计与实现”基于多代理系统的电动汽车充电行为仿真软件,能够实现电动汽车与路网、电网间的交互,体现车辆的空间移动性,电动汽车充、放电选择时作者考虑了电价和自身荷电状态两个因素,但是未考虑路网的时变动态特性。文献“考虑用户出行时间和补偿价格的电动汽车集群响应能力评估模型”和“考虑用户参与度的电动汽车能效电厂模型”考虑出行时间和补偿电价两个因素的用户参与度下电动汽车有功、无功响应能力,但作者视两个因素为独立变量,且对电动汽车出行时空特性分析不足,仅能体现出整体电动汽车响应能力的时间分布特性,无法给出具体局部地区的空间响应潜力信息。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供了一种电动汽车集群需求响应潜力评估方法,为电网调控策略制定及开展需求响应项目提供参考。
为了达到上述目的,本发明采用以下技术方案:
本发明一种电动汽车集群需求响应潜力评估方法,包括下述步骤:
S1、由图论构建城市路网拓扑结构,根据路网拓扑信息和时变的区域交通信息,建立时间依赖的动态交通路网模型;
S2、基于居民出行统计数据,构建出行链,以概率函数拟合车辆首次出行时间和行程目的地的驻留时间,以“流量-延误函数”计算出行耗时,并以行程耗时最少为目标,采用Floyd路径优化算法规划车辆出行最优路径,从而求取车辆每段行程的行驶距离和出行耗时,建立车辆出行模型;
S3、根据电动汽车和充电设施参数及各行程目的地充电需求判断条件,采用蒙特卡洛仿真方法获得电动汽车出行、充电负荷和电池荷电状态的时空分布情况;
S4、分析电动汽车用户客观和主观需求响应能力,并构建考虑剩余出行时间、剩余电池荷电状态和激励电价三个因素的用户模糊参与度响应机制,采用模糊算法计算单辆电动汽车的实时参与度,再结合交通路网和电网耦合关系评估各区域功能地块和各电网节点的电动汽车集群需求响应时段、功率、容量。
作为优选的技术方案,步骤S1中,由图论构建城市路网拓扑结构具体为:
用图G=(V,E,W)表示一般路网结构,其中图G的顶点V表示道路交叉口,图的边E表示相邻两个交叉口间的路段,W用于描述各种道路长度、行驶时间属性的路段权重集合;所述路段权重亦称路阻,指用户在出行中所付出的代价量度,是路径选择的主要参数,可分为静态路阻和动态路阻,所述静态路阻包括路段长度、道路等级,所述动态路阻包括路段行驶速度、行程时间、拥堵程度。
作为优选的技术方案,步骤S1中,建立时间依赖的动态交通路网模型具体为:
其中,W为时间依赖的路段行程时间集,tr(k)为k时段有向路段r的行程时间;D表示时间依赖的交叉口延误时间集,td(k)表示k时段在路口d处的交叉口延误时间;T表示时间集,K为一天的时间间隔总数。
作为优选的技术方案,步骤S2中,对电动汽车出行模型的行为特征建模,采用出行链描述电动汽车用户一天出行目的、活动数量以及发生的顺序,行为特征描述如下:
S2.1、出行空间特征,根据地区建设用地功能,将区域划分为住宅区、工业区和其他区三类功能区;电动汽车用户从住宅区出发,前往不同功能地块活动,不同用户一天活动数量及发生顺序不同,将出行链的结构分成简单出行链和复杂出行链两种类型;
S2.2、出行时间特征;
S2.2.1、首次出发时间概率分布;
采用如式(2)正态分布函数,描述车辆首次出行时间:
式中,是车辆离开家的时间,μ,σ为出行时刻的平均值和标准差,单位分钟;
S2.2.2、出行耗时计算;
电动汽车在完成一次出行的过程中,会经历数条路段及数个交叉口,计算出行耗时需先计算某时段通过各路段的所需时间,采用“流量-延误函数”,计算出行耗时,如公式(3)所示
式中,tk(s,s+1)为某起讫点(s,s+1)之间的第k时段的出行时耗;nr为途径路段数,md为途径交叉口个数;tr(k)为第k时段通过路段r的行驶时间;td(k)为第k时段在交叉口d的延误时间;其中,tr(k),td(k)由式(4)确定;
lr为路段r长度;t0和v0分别为路段自由流行驶时间和自由流行驶速度,与道路等级有关;qr(k)表示交通实时流量,Cr和Xr分别表示路段通行能力和交叉路口通行能力,交通量的饱和度θr(k)和λr(k)用于表征拥堵系数,其值越大表明道路和路口越拥堵;c1,c2,c3,c4为不同道路等级下的自适应系数,与道路等级有关;p1,p2,p3,p4为交叉路口的自适应系数,与是否有红绿灯有关;
S2.2.3、出行结束时间;
车辆抵达目的地s的时间和从s到目的地s+1段的行程出发时间如式(5):
式中,为抵达目的地s的时刻,表示离开s前往目的地s+1的时刻;i=0用于代表出发点为家,在抵达s前,经过(s-1)处驻留点和s段出行路径;t(i,i+1)由式(4)计算;为s处驻留时间,其值与驻留地功能性质有关,采用正态分布函数拟合,μ1是驻留时间的期望值,σ1为标准差,在家的驻留时间则由当天返家时间与次晨离家时间确定,具体如式(6):
作为优选的技术方案,步骤S3中,电池荷电状态具体包括下述内容:
S3.1、无需求信号时充电需求判断;
当电动汽车抵达某个目的地s处时,在没有需求响应项目时,用户会按当前电池荷电状态及下一行程选择是否需要补充电能,判断条件为:
式(7)表示当前电池电量不足以支撑下一行程,则在s处需充电;式中Em为电池电量,单位kWh;ns-1,s,ns,s+1分别为起讫点(s-1,s)和(s,s+1)之间途径的路段总数;考虑用户对剩余续航里程的焦虑,设置电池荷电状态最低限制为ζ0;ωr,lr分别为路段r的每公里耗电量和路段长度,单位kWh/km和km;
S3.2、荷电状态;
假设电动汽车初次离开家时初始荷电状态设为抵达某个目的地s处的荷电状态由式(7)确定,离开该目的地的电池荷电状态为:
式中,为驻留期间所能充的荷电水平;为s处的充电功率水平;μ是充/放电标志,充电为1,不充不放为0,放电为-1;δ为充放电效率,充电:δ=η,放电:δ=1/η;Sset为用户设置的离开时的荷电水平;Sup分别为考虑电池寿命的上限;Slow为至少支撑下一行程行驶的最低荷电限制;
电动汽车在行驶过程中,电池荷电状态随行驶路程变化,如式(9)所示;
式中,S(ta),S(ta-Δt)分别为行驶途中当前和上一时刻的荷电状态,ω(ta)为当前时刻对应的每公里耗电量,Δt为时间间隔;式(10)用于分析行驶中的电动汽车收到需求信号后的反应;
电动汽车在某个目的地充/放电过程中,电池荷电状态随充电过程变化,如式(10)所示:
式中,S(tb),S(tb-Δt)分别为充/放电期间当前时刻和上一时刻的荷电状态水平。
作为优选的技术方案,步骤S3中,电动汽车出行时空参数的求取包括下述步骤:
步骤1:获取交通部门居民出行调研结果,分析车辆出行链的结构类型;
步骤2:按车辆出行链结构,获知车辆的空间移动状态,即获得车辆一天出行的各行程目的地;
步骤3:根据出行链的类型,由式(2)抽取车辆首个出行时间;
步骤4:由路径规划算法及式(3)、式(4)确定连续两个行程目的地间的行驶路径空间和时间;
步骤5:按或式(7)确定目的地的驻留时间,由式(5)计算抵达和离开目的地时间;
步骤6:由式(7)~式(8)判断和计算抵达及离开各个目的地的电池荷电状态;
步骤7:执行步骤1到步骤6,从而获得每辆电动汽车一天出行时空特性参数,包括剩余SOC、活动目的地及其驻留时间情况。
作为优选的技术方案,步骤S4中,所述电动汽车用户客观需求响应能力包括下述内容:
当电动汽车m抵达某一行程目的地s处时,只有当电动汽车客观具备需求响应能力时,才有可能参与实际的需求响应项目,否则即便电动汽车用户主观参与意愿强烈,也无能力参与需求项目,此处引入客观参与能力表征电动汽车用户在t时刻的实际参与需求响应能力,如式(11):
其中,ΔS表示当前可支配电池荷电水平;Slim为电池安全最低限制剩余荷电水平;为车辆从驻留点s处到下一行程目的地s+1行驶消耗的电池电量;表示车辆在驻留点s处离下一次出行的剩余时间;
式(11)中,A表示当前剩余电量充足,即在满足下一行程需求情况下尚有剩余的电动汽车,也即车辆参与需求响应可保证车辆用电安全前提下,则可认为其客观参与能力为1;式(11)中B则表示虽然电动汽车当前剩余荷电不足以支撑下一行程使用,但因其在当前目的地驻留时间较长,有足够的时间补给到基本需求以保证用电安全,车辆该情形下同样具备需求响应的客观条件,认为其客观参与能力同样为1;
若电动汽车为C情形,不仅剩余电量不够支撑后续行程行驶耗电后的安保剩余电量,而且其所需补充电能的充电需求时间大于驻留时间,认为电动汽车该情形下客观响应能力为0,用户该种情况下将在前往下一行程目的地的路途中选择公共充电站进行紧急充电或推迟下一行程出发时间直到所充电能能够满足下一行程的基本需求,该类电动汽车在当前目的地的充电功率需求可由式(12)计算;
式中,ζ(t)表示电动汽车t时刻的充电概率,充电期间为1,否则为0;为充电到足够下一行程行驶所需电量的充电时长;为s处的充电功率水平;NC(t)为t时刻的属于C情形的电动汽车数量;为为t时刻C类电动汽车的充电负荷。
作为优选的技术方案,步骤S4中,电动汽车用户主观需求响应能力具体为:
用户参与需求响应情形分为三类:1)参与调整充电时间,2)参与放电,3)没有调整充电时间也无参与放电能力情形;
定义主观参与度ρm(t)表征用户在客观响应能力前提下的主观参与意愿,针对A情形、B情形和C情形用户的主观参与度取值范围如式(13);
其中,表示用户调整充电时间的主观参与度可能取值范围;表示用户放电的主观参与度可能取值范围;
考虑客观响应能力和剩余出行时间、剩余荷电和价格激励三个影响因素的用户主观度表示为:
f(·)为计算s驻留之处第m辆电动汽车第t时刻的响应度函数;αm(t),βm(t),γm(t)分别为剩余出行时间参与度、剩余电荷参与度、价格激励参与度。
作为优选的技术方案,步骤S4中,采用模糊规则计算用户需求响应度,系统的输出变量ρm(t)的论域[0~1],取5个模糊子集{低,较低,一般,较高,高},分别以{L,BL,M,BH,H}表示;
当考虑两个因素的响应机制时,具体如下:
未实施峰谷电价和放电补偿价格,即不考虑价格激励时,仅考虑剩余出行时间αm(t)和剩余荷电βm(t)两个因素的响应机制为:剩余荷电状态或剩余出行时间处于低水平时,需求响应度均处于低水平,对输入因素以式(15)进行归一化处理,论域均取[0~1],各因素均采用钟形gbellmf隶属度函数;
当考虑三因素的响应机制时,具体如下:
以剩余出行时间、剩余荷电和价格补偿三因素输入的响应机制遵循:其中某一因素处于低水平时,用户响应度均处于低水平或较低水平。
作为优选的技术方案,还包括下述步骤:
在仿真评估单辆电动汽车在t时刻的需求响应潜力后,需要构建多个用户的需求响应资源的聚合模型,从空间角度看,若多个功能地块由某一电网节点负责供电,该节点供电区域的所有车辆本文称之为电动汽车集群,第i集群t时刻的延迟充电功率响应能力和参与放电功率响应能力由式(16)计算,
其中,EVAdel(i,t)为延迟充电功率响应能力,EVAv2g(i,t)为参与放电功率响应能力,EVnum,i为属于第i集群管辖的电动汽车数量;为电动汽车在驻留处的充放电功率;
集群i在t时刻的响应容量记为C(i,t),区域电动汽车t时刻响应的总容量记为Ctot(t),如式(17)和(18)所示:
Na为区域集群数量;ξ为参与响应的最低电池荷电水平,用户可提前设置,仿真时取电池安全最低值,即Slim。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明能够评估动态路网和静态路网模式下响应潜力的对比、工作日和周末的响应潜力、不同地点的集群响应潜力、不同时段的响应潜力情况。
2、本发明能够根据用户每个时刻的停驻剩余时间、电池荷电剩余和价格激励等因素,通过模糊计算得到每个时刻的用户参与度,并得到相应的延迟充电潜力、V2G响应潜力和容量。
3、本发明能够融合动态路网和电网信息,通过仿真计算得到无需求响应号召时的电动汽车无序充电负荷,从而为充电设施的合理配置规划提供基础。
附图说明
图1是本发明考虑动态交通道路网络和用户模糊参与度的电动汽车集群需求响应潜力评估框架图;
图2是本发明电动汽车需求响应潜力评估方法整体流程图;
图3是本发明出行链的结构示意图;
图4是本发明剩余时间参与度示意图;
图5是本发明价格激励参与度示意图;
图6(a)为模糊计算过程中剩余荷电状态函数示意图;
图6(b)为模糊计算过程中剩余出行时间函数示意图;
图6(c)为模糊计算过程中响应度函数示意图;
图7(a)为补偿电价隶属函数示意图;
图7(b)为考虑三因素时响应度示意图;
图8为区域路网和电网耦合系统示意图;
图9(a)、图9(b)分别为某城市典型工作日和周末的交通指数曲线;
图10为两个因素下单辆EV需求响应度曲线;
图11(a)为某辆电动汽车工作日一天出行仿真示意图;
图11(b)为考虑三因素的模糊参与度响应机制下其响应度曲线;
图12为工作日考虑两因素的V2G功率示意图;
图13为不同交通指数下的延时系数仿真结果图;
图14(a)为工作日和周末各区域的延迟充电潜力曲线图;
图14(b)工作日和周末各区域的V2G响应功率曲线图;
图15为电动汽车电池响应容量分布图;
图16(a)为高峰补偿电价激励下V2G响应图;
图16(b)为无序充电和不同高峰补偿电价激励下的示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1、图2所示,本发明电动汽车集群需求响应潜力评估方法,包括下述步骤:
(1)由图论构建城市路网拓扑结构,根据路网拓扑信息和时变的区域交通信息,建立时间依赖的动态交通路网模型;
(1-1)动态路网系统描述;
电动汽车出行路径受路网、交通状况影响,实际道路网错综复杂,本实施例将其进行抽象处理为图G=(V,E,W)来表示一般路网结构。其中,图G的顶点V表示道路交叉口,图的边E表示相邻两个交叉口间的路段,W用于描述各种道路长度、行驶时间等属性的路段权重集合。
(1-2)根据道路在城市道路系统的作用,目前我国将城市道路分为快速路、主干道、次干道及支路等,道路等级决定道路最高限速与道路通行能力等基本交通属性。路段权重(亦称路阻),指用户在出行中所付出的代价量度,是路径选择的主要参数,可分为静态路阻和动态路阻,前者包括路段长度、道路等级等,后者包括路段行驶速度、行程时间、拥堵程度等。最优路径规划时,常以几何距离、行程时间、道路质量、拥堵程度等为路阻。
(1-3)时间依赖的动态路网模型;
电动汽车充放电行为和交通流存在着密切交互影响,用户出行路径选择受交通状况影响,而一天当中道路网络的交通状况是随时间不断发生变化的,实际路网建模计算时,通常将连续的时间T划分为若干个动态路网参数更新的时间间隔,并认为在每个时间间隔内路段的行程时间相对稳定不变,以tr(k)表示路段r在第k时段的行程时间,其值如表1所示,构建时间依赖的动态路网模型,具体如式(1):
其中,W为时间依赖的路段行程时间集,tr(k)为k时段有向路段r的行程时间;D表示时间依赖的交叉口延误时间集,td(k)表示k时段在路口d处的交叉口延误时间;T表示时间集,K为一天的时间间隔总数。
表1路网中各路段的动态行程时间表
(2)基于居民出行统计数据,构建出行链,以概率函数拟合车辆首次出行时间和行程目的地的驻留时间,以“流量-延误函数”计算出行耗时,并以行程耗时最少为目标,采用Floyd路径优化算法规划车辆出行最优路径,从而求取车辆每段行程的距离和出行耗时,建立车辆出行模型;
(2-1)车辆由当前所在地(源点)前往某一目的地(目的点)时,用户往往会提前进行路径选择,出行者根据偏好不同会选择不同的路阻,如行驶距离、行程时间、道路质量、拥挤程度和出行费用等。本发明假设用户以“行程时间”作为路径选择重要依据,由源点到目的点的路径规划算法采用“最少出行耗时(行程时间,包括路段行驶时间和红绿灯延误时间)”为目标,采用Floyd算法求解。
(2-2)电动汽车行为特征建模;
车辆一天出行中会前往一个或多个目的地活动,在该些目的地电动汽车均有可能发生充放电行为。本发明采用出行链描述电动汽车用户一天出行目的、活动数量以及发生的顺序,如图3所示,图3中s为驻留点序号,(xs,ys)为s对应的坐标,q0为出行链出发点,本文假设电动汽车均以家为一天出行的起讫点。ψ(qs,qs+1)为两个连续驻留点之间的路径集合,Ls-1,s为对应的行驶里程,ΔTs-1,s为对应的出行耗时。表示在活动目的地s处的驻留时间;以分别表示抵达和离开s处的时刻。
(2-2-1)出行空间特征;
根据地区建设用地功能,将区域划分为住宅区、工业区和商业区等三类功能区。电动汽车用户从住宅区出发,前往不同功能地块活动,不同用户一天活动数量及发生顺序不同,出行链的结构分成简单出行链和复杂出行链等两种类型;
(2-2-1-1)首次出发时间概率分布;
采用如式(2)正态分布函数,描述车辆首次出行时间:
式中,是车辆离开家的时间,μ,σ为出行时刻的平均值和标准差,单位分钟;
(2-2-1-2)出行耗时计算;
电动汽车在完成一次出行的过程中,会经历数条路段及数个交叉口,计算出行耗时需先计算某时段通过各路段的所需时间,采用“流量-延误函数”,计算出行耗时,如公式(3)所示
式中,tk(s,s+1)为某起讫点(s,s+1)之间的第k时段的出行时耗;nr为途径路段数,md为途径交叉口个数;tr(k)为第k时段通过路段r的行驶时间;td(k)为第k时段在交叉口d的延误时间;其中,tr(k),td(k)由式(4)确定;
lr为路段r长度;t0和v0分别为路段自由流行驶时间和自由流行驶速度,与道路等级有关;qr(k)表示交通实时流量,Cr和Xr分别表示路段通行能力和交叉路口通行能力,交通量的饱和度θr(k)和λr(k)用于表征拥堵系数,其值越大表明道路和路口越拥堵;c1,c2,c3,c4为不同道路等级下的自适应系数,与道路等级有关;p1,p2,p3,p4为交叉路口的自适应系数,与是否有红绿灯有关;
(2-2-1-3)出行结束时间;
车辆抵达目的地s的时间和从s到目的地s+1段的行程出发时间如式(5):
式中,为抵达目的地s的时刻,表示离开s前往目的地s+1的时刻;i=0用于代表出发点为家,在抵达s前,经过(s-1)处驻留点和s段出行路径;t(i,i+1)由式(4)计算;为s处驻留时间,其值与驻留地功能性质有关,采用正态分布函数拟合,μ1是驻留时间的期望值,σ1为标准差,在家的驻留时间则由当天返家时间与次晨离家时间确定,具体如式(6):
(3)根据电动汽车和充电设施参数及各行程目的地充电需求判断条件,采用蒙特卡洛仿真方法获得电动汽车出行、充电负荷和电池荷电状态的时空分布情况;
(3-1)荷电状态;
(3-1-1)无需求信号时充电需求判断;
当电动汽车抵达某个目的地s处时,在没有需求响应项目时,用户会按当前电池荷电状态及下一行程选择是否需要补充电能,判断条件为:
式(7)表示当前电池电量不足以支撑下一行程,则在s处需充电;式中Em为电池电量,单位kWh;ns-1,s,ns,s+1分别为起讫点(s-1,s)和(s,s+1)之间途径的路段总数;考虑用户对剩余续航里程的焦虑,设置电池荷电状态最低限制为ζ0;ωr,lr分别为路段r的每公里耗电量和路段长度,单位kWh/km和km。
(3-1-2)荷电状态;
假设电动汽车初次离开家时初始荷电状态设为抵达某个目的地s处的荷电状态由式(7)确定,离开该目的地的电池荷电状态为:
式中,为驻留期间所能充的荷电水平;为s处的充电功率水平;μ是充/放电标志,充电为1,不充不放为0,放电为-1;δ为充放电效率,充电:δ=η,放电:δ=1/η;Sset为用户设置的离开时的荷电水平;Sup分别为考虑电池寿命的上限;Slow为至少支撑下一行程行驶的最低荷电限制;
电动汽车在行驶过程中,电池荷电状态随行驶路程变化,如式(9)所示;
式中,S(ta),S(ta-Δt)分别为行驶途中当前和上一时刻的荷电状态,ω(ta)为当前时刻对应的每公里耗电量,Δt为时间间隔;式(10)用于分析行驶中的电动汽车收到需求信号后的反应;
电动汽车在某个目的地充/放电过程中,电池荷电状态随充电过程变化,如式(10)所示:
式中,S(tb),S(tb-Δt)分别为充/放电期间当前时刻和上一时刻的荷电状态水平。
(3-2)电动汽车出行时空参数的求取包括下述步骤:
(3-2-1):获取交通部门居民出行调研结果,分析车辆出行链的结构类型;
(3-2-2):按车辆出行链结构,获知车辆的空间移动状态,即获得车辆一天出行的各行程目的地;
(3-2-3):根据出行链的类型,由式(2)抽取车辆首个出行时间;
(3-2-4):由路径规划算法及式(3)、式(4)确定连续两个行程目的地间的行驶路径空间和时间;
(3-2-5):按或式(7)确定目的地的驻留时间,由式(5)计算抵达和离开目的地时间;
(3-2-6):由式(7)~式(8)判断和计算抵达及离开各个目的地的电池荷电状态;
(3-2-7):执行步骤(3-2-1)到步骤(3-2-6),从而获得每辆电动汽车一天出行时空特性参数,包括剩余SOC、活动目的地及其驻留时间情况。
(4)分析电动汽车用户客观和主观需求响应能力,并构建考虑剩余出行时间、剩余电池荷电状态和激励电价三个因素的用户模糊参与度响应机制,采用模糊算法计算单辆电动汽车的实时参与度,再结合交通路网和电网耦合关系评估各区域功能地块和各电网节点的电动汽车集群需求响应时段、功率、容量。
(4-1)电动汽车用户需求响应参与度;
(4-1-1)用户响应心理分析;
电动汽车用户在充放电的电力消费生产过程中通常表现为完全理性、有限理性及满意决策等特征。文献“电动汽车时序响应能力模型与控制策略”|将用户视为完全理性消费者,认为当电网公司发出需求信号,用户将理性根据电网设定的预想参与其中响应,然而现实生活中用户在决策是否参与、参与程度等方面常表现出“非理性”、有限理性的特征。文献“考虑需求响应不确定性的多时间尺度源荷互动决策方法”和“需求响应不确定性对日前优化调度的影响分析”将用户需求响应不确定性进行建模和分析,研究了用户可能存在的对价格和激励信号缺乏重视、通信延迟和消费行为改变等一系列原因,造成实际响应不确定度及对电网优化调度的影响。文献“计及车主满意度的电动汽车最优峰谷分时电价模型”则计及电动汽车用户的满意度,将用电方式满意度和电费支出满意度作为峰谷分时电价模型的优化目标。可知,电动汽车用户在响应需求进行决策时表现各异,用户是否响应电网或集群运营商的需求号召,与出行时间、出行地点、电池剩余电量、补偿价格、政策激励等众多因素相关,本文首先考虑电动汽车客观参与能力,再引入参与度概念表征电动汽车用户参与需求响应的意愿,并构建了考虑出行时间、剩余荷电和价格激励三个影响因素的模糊参与响应机制。
(4-1-2)电动汽车需求响应客观参与能力;
当电动汽车m抵达某一行程目的地s处时,只有当电动汽车客观具备需求响应能力时,才有可能参与实际的需求响应项目,否则即便电动汽车用户主观参与意愿强烈,也无能力参与需求项目,此处引入客观参与能力表征电动汽车用户在t时刻的实际参与需求响应能力,如式(11):
其中,ΔS表示当前可支配电池荷电水平;Slim为电池安全最低限制剩余荷电水平;为车辆从驻留点s处到下一行程目的地s+1行驶消耗的电池电量;表示车辆在驻留点s处离下一次出行的剩余时间;
式(11)中,A表示当前剩余电量充足,即在满足下一行程需求情况下尚有剩余的电动汽车,也即车辆参与需求响应可保证车辆用电安全前提下,则可认为其客观参与能力为1;式(11)中B则表示虽然电动汽车当前剩余荷电不足以支撑下一行程使用,但因其在当前目的地驻留时间较长,有足够的时间补给到基本需求以保证用电安全,车辆该情形下同样具备需求响应的客观条件,认为其客观参与能力同样为1;
若电动汽车为C情形,不仅剩余电量不够支撑后续行程行驶耗电后的安保剩余电量,而且其所需补充电能的充电需求时间大于驻留时间,认为电动汽车该情形下客观响应能力为0,用户该种情况下将在前往下一行程目的地的路途中选择公共充电站进行紧急充电或推迟下一行程出发时间直到所充电能能够满足下一行程的基本需求,该类电动汽车在当前目的地的充电功率需求可由式(12)计算;
式中,ζ(t)表示电动汽车t时刻的充电概率,充电期间为1,否则为0;为充电到足够下一行程行驶所需电量的充电时长;为s处的充电功率水平;NC(t)为t时刻的属于C情形的电动汽车数量;为为t时刻C类电动汽车的充电负荷。
(4-2)用户响应主观参与度;
定义主观参与度ρm(t)表征用户在客观响应能力前提下的主观参与意愿,针对A情形、B情形和C情形用户的主观参与度取值范围如式(13);
其中,表示用户调整充电时间的主观参与度可能取值范围;表示用户放电的主观参与度可能取值范围;
考虑客观响应能力和剩余出行时间、剩余荷电和价格激励三个影响因素的用户主观度表示为:
f(·)为计算s驻留之处第m辆电动汽车第t时刻的响应度函数;αm(t),βm(t),γm(t)分别为剩余出行时间参与度、剩余电荷参与度、价格激励参与度。
(4-2-1)剩余出行时间参与度;
停驻于s处且接入电网的第m辆电动汽车在t时刻的出行时间参与度记为αm(t),该参数表示用户参与度受其下一行程的出发时间影响程度。当前t时刻距离下一出发时刻的剩余时间越多,用户参与度越高,即αm(t)越大;Δt越少,用户参与度越低;当剩余出行时间少于某一限值(阈值),用户将不参与响应,即Δt≤Tset时,αm(t)=0,该参与度情况如图4表示。
(4-2-2)剩余荷电参与度;
剩余荷电参与度用于表征用户参与度受当前电池剩余电量影响,记为βm(t)。当前剩余电量越高,用户参与度越高;当前剩余电量越低,用户参与度越低。另考虑电池安全需要,设置电动汽车参与响应的荷电状态最低限制ξ。
(4-2-3)价格激励参与度;
考虑到用户并不是完全理性人,实施需求响应需要对参与用户有一定的激励,如价格补偿、直接补偿等,前者通常有分时电价、实时电价和尖峰电价等形式,后者包括直接补偿、电价折扣等方式。本文考虑价格激励,其参与度记为γm(t),表征用户参与度受价格补偿力度影响,随补偿力度的加深而增大。针对A类和B类用户,其具体参与度与价格补偿、政策刺激及其他因素相关,价格激励参与度和补偿价格呈现凹函数关系如下图5所示。
图5中Pr为电网售电电价,以Pr的百分比作为补偿价格,横坐标正、负值分别为电网购电电价和售电电价,图5表明用户在补偿电价为基本电价两倍时,用于参与放电的参与度基本接近1;而电网售电电价为基本电价的1倍时,用户几乎均采取延迟充电。
(4-3)基于模糊规则的用户响应机制;
采用模糊规则计算用户需求响应度,系统的输出变量ρm(t)的论域[0~1],取5个模糊子集{低,较低,一般,较高,高},分别以{L,BL,M,BH,H}表示;
当考虑两个因素的响应机制时,具体如下:
未实施峰谷电价和放电补偿价格,即不考虑价格激励时,仅考虑剩余出行时间αm(t)和剩余荷电βm(t)两个因素的响应机制为:剩余荷电状态或剩余出行时间处于低水平时,需求响应度均处于低水平,对输入因素以式(15)进行归一化处理,论域均取[0~1],各因素均采用钟形gbellmf隶属度函数;
考虑两个因素的模糊参与度响应机制具体如表2所示,模糊计算过程各隶属度函数如图6(a)-图6(c)所示。
表2两参数电动汽车响应度模糊计算规则
注:表中L表示low(低),M为middle(中),H表示high(高)。
当考虑三因素的响应机制时,具体如下:
以剩余出行时间、剩余荷电和价格补偿三因素输入的响应机制遵循:其中某一因素处于低水平时,用户响应度均处于低水平或较低水平。其中补偿价格归一化处理后的隶属度函数如图7(a)所示,图7(b)为响应度输出值,响应规则如表3所示。
表3考虑三因素的模糊参与度响应机制
(5)集群响应能力;
在仿真评估单辆电动汽车在t时刻的需求响应潜力后,需要构建多个用户的需求响应资源的聚合模型,从空间角度看,若多个功能地块由某一电网节点负责供电,该节点供电区域的所有车辆本文称之为电动汽车集群,第i集群t时刻的延迟充电功率响应能力和参与放电功率响应能力由式(16)计算:
其中,EVAdel(i,t)为延迟充电功率响应能力,EVAv2g(i,t)为参与放电功率响应能力,EVnum,i为属于第i集群管辖的电动汽车数量;为电动汽车在驻留处的充放电功率;
集群i在t时刻的响应容量记为C(i,t),区域电动汽车t时刻响应的总容量记为Ctot(t),如式(17)和(18)所示:
Na为区域集群数量;ξ为参与响应的最低电池荷电水平,用户可提前设置,仿真时取电池安全最低值,即Slim。
本实施例的仿真流程如下:
步骤1确定电动汽车时空分布情况和相关参数
对于第m辆电动汽车,根据第2节中计算过程,确定电动汽车的时空分布,对于驻留状态的电动汽车确定其位置,计算当前时刻的电池荷电S(m,t)和距离下一行程出行的剩余出行时间。
步骤2调用模糊算法计算第m辆电动汽车的响应度
步骤3根据车辆当前时刻所在的位置归属至对应集群运营商,计算对应集群的延迟充电功率和V2G响应功率和容量。
步骤4累加得到各时段区域电动汽车总延迟充电功率和容量及V2G需求响应的总功率和容量。
(6)算例分析;
(6-1)参数设置;
算例参数包括:路网信息、交通信息、电网参数、电动汽车参数、居民用户出行调研数据等。本文采用25节点交通网络和54节点配电系统的耦合网络来说明所建立电动汽车出行时空特性分布模型和评估集群需求响应潜力。如图8所示,该区域路网有25个道路节点和46条道路,22块功能区域,以道路为边界,其中8块为住宅区(H),8块工作(W),5块其他功能区(E),1块非功能区(以Z标注),各功能区由配网节点供电,图中以箭头表示,如图中网格即为H7地块,由节点11供电,道路长度和配电网的参数见文献“电动汽车充电需求时空分布动态演化模型[J].中国电机工程学报,2017,37(16):4618-4629”。
(6-1-1)道路交通参数;
本发明将路网中全部路段分为四个等级,,主干道、次干道和支路的交叉路口设置有红绿灯。道路交通状态分为:畅通、基本畅通、缓行、较拥堵和拥堵,交通指数如表4所示。
表4不同路况时的交通指数
动态路网参数实时更新(分钟),选取如图9(a)、图9(b)所示的南方某城市工作日和周末交通指数曲线。不同道路等级自由流速度不一,如表5所示。
表5不同等级道路的自由流速度
Tab.5the free-flow speed in different urban road hierarchy
(6-1-2)电动汽车参数;
区域内假设共有3240辆私家电动汽车,车辆一天当中初始位置和最终位置均停在住宅区,各块住宅区内的电动汽车数量如图8中H1~H8所示。电动汽车以Nissan Leaf为研究对象,其电池容量为24kWh,平均每公里耗电量按0.2kWh/km计算,SOC0设置为0.9,电池安全荷电SOClim=0.3。
(6-1-3)用户参数;
分析车辆出行行为的数据来源于美国交通部NHTS2017居民调查数据库[32],工作日和周末分别采用其中周三和周日的统计数据,对如表6所示的4类出行链进行仿真,每类出行链的首次出行时间和各场所驻留时间分别由式(2)和式(6)的正态分布函数抽取得到。
表6各类出行链比例及首次出行时间和驻留时间参数表
4)激励电价参数
采用峰谷分时补偿电价,如表7所示。
表7峰谷补偿电价(单位:元/kWh)
Tab.7the peak-valley time-of-use incentive price
(6-2)结果分析:
(6-2-1)单辆电动汽车需求响应情况;
考虑当前剩余荷电和剩余出行时间(剩余的驻留时间)两个因素的模糊参与度响应机制下的电动汽车响应度,结果如图10所示。
在表6峰谷激励电价下,某辆电动汽车工作日一天出行仿真情况如图11(a)所示,考虑三因素的模糊参与度响应机制下其响应度曲线如图11(b)。
由图11(a)可知,该辆电动汽车从家离开后行驶了89分钟后抵达上班场所,并驻留了557分钟后返家,回程行驶了95分钟。其两段行程由最少行程时间算法规划的路径如式(19)所示:
式中,括号内数字代表道路节点,可知两个驻留地的道路节点间来回程路径有所不同,路段长度分别为34km和31km,但用于计算耗电量的行程距离仿真时分别为37.01km和31.47km,这是由于考虑到本文算例所用功能区域面积较大,计算时加上随机数:5×abs(2×rand(1,1)-1)km,以体现各功能区内的行驶里程。“H-W”行程和“W-H”行程的耗时分别为89分钟和95分钟,虽后者行驶距离短但其行驶时间反而更长,是因遇到交通高峰造成行程耗时增加。
图11(b)表明电动汽车在两段行驶路程中响应度为0,I区响应度较低是因电价补偿低及离下一行程出发时间越来越近;II区虽离出发时间已很近,但补偿电价的升高刺激用户参与度提高从而响应度亦有所提高。在工作场所和住宅区两个停驻时段的初始时段响应度较高,如图中III区和V区。III区处于补偿电价高且电池荷电也较高的状态,响应度是全天最高的,但随剩余出行时间的减少而逐步降低;IV区则因补偿电价的下降,使响应度进一步降低。
(6-2-2)电动汽车集群需求响应潜力评估;
(6-2-2-1)考虑两个因素的响应结果;
不考虑价格补偿激励情形下,仅考虑当前剩余停留时间和剩余电池荷电情况的需求响应结果如图12所示。可知,工作场所在白天响应潜力大,特别是车辆刚抵达工作地点时的潜力极大,随着离返家时间的接近,潜力下降;住宅区响应情况则刚好相反。
(6-2-2-2)工作日和周末的对比;
首先,仿真计算工作日和周末的中心市区和非中心区的延时系数,得到如图13的结果,对比图9(a)和图9(b)可知,两者曲线趋势基本一致,说明交通的拥堵造成了延时,特别是高峰时段,中心市区的行驶时间为自由流速度时的近1.7倍。
其次,工作日和周末的用户出行时间和空间特性有较大差异,参数如附表A1,交通状态如图9(a)和图9(b)情况也呈现明显不同。在表5的补偿电价下,对应的各区域延迟充电潜力和V2G响应功率情况如图14(a)和图14(b)所示。
由图14(b)知,延迟充电潜力整体比V2G响应潜力稍大,这是用户对激励电价的参与度不同。工作日在W功能区延迟充电和V2G响应能力均比E功能区大,这与用户出行规律直接相关。由于车辆白天出行概率大,因而住宅区电动汽车集群响应特性则表现为白天时段响应能力低于晚间及早晨SOC和高峰电价时段。工作日的响应潜力高峰出现上午,周末则出现在下午。另外,由于本文研究的电动汽车以家为起讫点,因此晚间时段在W功能区和E功能区几乎没有响应潜力。工作日的W和E功能区白天的响应潜力较大,可考虑用于削峰或顶峰。
(6-2-2-3)动态路网和静态路网的对比;
由于静态路网未有考虑道路交通的时变特性,导致不管何时出行都会选出相同路径。而动态路网模型的时变特性,使得不同时刻的出行耗时和出行路径不同,更为符合实际情况。以从图8中W6地块返回H1住宅区为例,仿真计算两种路网模型下某辆电动汽车19点和23点返家的情况,假设出行时SOC为0.6,对比结果如表6所示。
表6静态和动态路网模型下响应度对比
其中:
由表6可看出,静态和动态路网模式下的行驶路径不同,到家时间、到家荷电状态和响应度均不相同,原因在于前者未将时变的交通信息考虑所致,从而在响应时段和响应容量评估时前者相对后者呈现较高响应水平,将不利于电网调度开展。
(6-2-2-4)不同的响应机制;
考虑固定响应模式(停驻时段内SOC大于0.3即主动参与响应),与本文模糊参与度响应机制对比,响应容量结果如图15所示。两者响应时间分布特性一致,但模糊响应机制下,考虑了当前时刻的剩余停驻时间和剩余电池荷电水平的用户响应度相对较小,从而该模式下的响应容量也较小。
(6-2-2-5)不同的激励;
根据不同电价激励水平下的用电行为分析,评估用户在不同激励信号下的需求响应潜力。以电动汽车参与高峰时段需求响应为例,设置负荷高峰时段(19:00-21:00)的V2G激励补偿电价为50%Pr,电动汽车V2G响应功率结果如图16(a)所示,其中非高峰时段无电价激励的模糊参与度计算如3.2.3.2小节。由曲线可知,非高峰时段的无补偿电价激励情形下,区域V2G响应容量明显减少,而高峰时段,特别是住宅区,由于补偿电价激励,用户参与度高,该时段抵家用户较多,V2G响应容量骤增。
图16(b)为住宅区H4(由节点22负责供电,高峰负荷825kW)原始负荷曲线、电动汽车无序充电叠加负荷曲线,然后仿真H4功能区电动汽车集群在不同激励信号下的响应曲线,对响应后负荷曲线与基础负荷曲线作差,评估电动汽车集群在不同激励信号下的需求响应潜力。由图可看出,无序充电时,在电网负荷高峰时段形成“峰上峰”效应,实施需求响应后,电动汽车用户响应行为有效地削减了负荷高峰,这是由于在19:00-21:00时段,电动汽车大多刚抵达到住宅区,没有紧急的用电需求,在住宅区的停驻剩余时间较多,另外本文算例的区域面积不大,大部分车辆一天在区域中行驶每段行程里程数不多,耗电量不大,因此返回家中时刻的SOC水平普遍较高,而对应的补偿电价较高,因此响应度也较高,需求响应潜力大。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种电动汽车集群需求响应潜力评估方法,其特征在于,包括下述步骤:
S1、由图论构建城市路网拓扑结构,根据路网拓扑信息和时变的区域交通信息,建立时间依赖的动态交通路网模型;
S2、基于居民出行统计数据,构建出行链,以概率函数拟合车辆首次出行时间和行程目的地的驻留时间,以“流量-延误函数”计算出行耗时,并以行程耗时最少为目标,采用Floyd路径优化算法规划车辆出行最优路径,从而求取车辆每段行程的行驶距离和出行耗时,建立车辆出行模型;
S3、根据电动汽车和充电设施参数及各行程目的地充电需求判断条件,采用蒙特卡洛仿真方法获得电动汽车出行、充电负荷和电池荷电状态的时空分布情况;
S4、分析电动汽车用户客观和主观需求响应能力,并构建考虑剩余出行时间、剩余电池荷电状态和激励电价三个因素的用户模糊参与度响应机制,采用模糊算法计算单辆电动汽车的实时参与度,再结合交通路网和电网耦合关系评估各区域功能地块和各电网节点的电动汽车集群需求响应时段、功率、容量。
2.根据权利要求1所述电动汽车集群需求响应潜力评估方法,其特征在于,步骤S1中,由图论构建城市路网拓扑结构具体为:
用图G=(V,E,W)表示一般路网结构,其中图G的顶点V表示道路交叉口,图的边E表示相邻两个交叉口间的路段,W用于描述各种道路长度、行驶时间属性的路段权重集合;所述路段权重亦称路阻,指用户在出行中所付出的代价量度,是路径选择的主要参数,可分为静态路阻和动态路阻,所述静态路阻包括路段长度、道路等级,所述动态路阻包括路段行驶速度、行程时间、拥堵程度。
3.根据权利要求2所述电动汽车集群需求响应潜力评估方法,其特征在于,步骤S1中,建立时间依赖的动态交通路网模型具体为:
其中,W为时间依赖的路段行程时间集,tr(k)为k时段有向路段r的行程时间;D表示时间依赖的交叉口延误时间集,td(k)表示k时段在路口d处的交叉口延误时间;T表示时间集,K为一天的时间间隔总数。
4.根据权利要求1所述电动汽车集群需求响应潜力评估方法,其特征在于,步骤S2中,对电动汽车出行模型的行为特征建模,采用出行链描述电动汽车用户一天出行目的、活动数量以及发生的顺序,行为特征描述如下:
S2.1、出行空间特征,根据地区建设用地功能,将区域划分为住宅区、工业区和其他区三类功能区;电动汽车用户从住宅区出发,前往不同功能地块活动,不同用户一天活动数量及发生顺序不同,将出行链的结构分成简单出行链和复杂出行链两种类型;
S2.2、出行时间特征;
S2.2.1、首次出发时间概率分布;
采用如式(2)正态分布函数,描述车辆首次出行时间:
式中,是车辆离开家的时间,μ,σ为出行时刻的平均值和标准差,单位分钟;
S2.2.2、出行耗时计算;
电动汽车在完成一次出行的过程中,会经历数条路段及数个交叉口,计算出行耗时需先计算某时段通过各路段的所需时间,采用“流量-延误函数”,计算出行耗时,如公式(3)所示
式中,tk(s,s+1)为某起讫点(s,s+1)之间的第k时段的出行时耗;nr为途径路段数,md为途径交叉口个数;tr(k)为第k时段通过路段r的行驶时间;td(k)为第k时段在交叉口d的延误时间;其中,tr(k),td(k)由式(4)确定;
lr为路段r长度;t0和v0分别为路段自由流行驶时间和自由流行驶速度,与道路等级有关;qr(k)表示交通实时流量,Cr和Xr分别表示路段通行能力和交叉路口通行能力,交通量的饱和度θr(k)和λr(k)用于表征拥堵系数,其值越大表明道路和路口越拥堵;c1,c2,c3,c4为不同道路等级下的自适应系数,与道路等级有关;p1,p2,p3,p4为交叉路口的自适应系数,与是否有红绿灯有关;
S2.2.3、出行结束时间;
车辆抵达目的地s的时间和从s到目的地s+1段的行程出发时间如式(5):
式中,为抵达目的地s的时刻,表示离开s前往目的地s+1的时刻;i=0用于代表出发点为家,在抵达s前,经过(s-1)处驻留点和s段出行路径;t(i,i+1)由式(4)计算;为s处驻留时间,其值与驻留地功能性质有关,采用正态分布函数拟合,μ1是驻留时间的期望值,σ1为标准差,在家的驻留时间则由当天返家时间与次晨离家时间确定,具体如式(6):
5.根据权利要求4所述电动汽车集群需求响应潜力评估方法,其特征在于,步骤S3中,电池荷电状态具体包括下述内容:
S3.1、无需求信号时充电需求判断;
当电动汽车抵达某个目的地s处时,在没有需求响应项目时,用户会按当前电池荷电状态及下一行程选择是否需要补充电能,判断条件为:
式(7)表示当前电池电量不足以支撑下一行程,则在s处需充电;式中Em为电池电量,单位kWh;ns-1,s,ns,s+1分别为起讫点(s-1,s)和(s,s+1)之间途径的路段总数;考虑用户对剩余续航里程的焦虑,设置电池荷电状态最低限制为ζ0;ωr,lr分别为路段r的每公里耗电量和路段长度,单位kWh/km和km;
S3.2、荷电状态;
假设电动汽车初次离开家时初始荷电状态设为抵达某个目的地s处的荷电状态由式(7)确定,离开该目的地的电池荷电状态为:
式中,为驻留期间所能充的荷电水平;为s处的充电功率水平;μ是充/放电标志,充电为1,不充不放为0,放电为-1;δ为充放电效率,充电:δ=η,放电:δ=1/η;Sset为用户设置的离开时的荷电水平;Sup分别为考虑电池寿命的上限;Slow为至少支撑下一行程行驶的最低荷电限制;
电动汽车在行驶过程中,电池荷电状态随行驶路程变化,如式(9)所示;
式中,S(ta),S(ta-Δt)分别为行驶途中当前和上一时刻的荷电状态,ω(ta)为当前时刻对应的每公里耗电量,Δt为时间间隔;式(10)用于分析行驶中的电动汽车收到需求信号后的反应;
电动汽车在某个目的地充/放电过程中,电池荷电状态随充电过程变化,如式(10)所示:
式中,S(tb),S(tb-Δt)分别为充/放电期间当前时刻和上一时刻的荷电状态水平。
6.根据权利要求5所述电动汽车集群需求响应潜力评估方法,其特征在于,步骤S3中,电动汽车出行时空参数的求取包括下述步骤:
步骤1:获取交通部门居民出行调研结果,分析车辆出行链的结构类型;
步骤2:按车辆出行链结构,获知车辆的空间移动状态,即获得车辆一天出行的各行程目的地;
步骤3:根据出行链的类型,由式(2)抽取车辆首个出行时间;
步骤4:由路径规划算法及式(3)、式(4)确定连续两个行程目的地间的行驶路径空间和时间;
步骤5:按或式(7)确定目的地的驻留时间,由式(5)计算抵达和离开目的地时间;
步骤6:由式(7)~式(8)判断和计算抵达及离开各个目的地的电池荷电状态;
步骤7:执行步骤1到步骤6,从而获得每辆电动汽车一天出行时空特性参数,包括剩余SOC、活动目的地及其驻留时间情况。
7.根据权利要求1所述电动汽车集群需求响应潜力评估方法,其特征在于,步骤S4中,所述电动汽车用户客观需求响应能力包括下述内容:
当电动汽车m抵达某一行程目的地s处时,只有当电动汽车客观具备需求响应能力时,才有可能参与实际的需求响应项目,否则即便电动汽车用户主观参与意愿强烈,也无能力参与需求项目,此处引入客观参与能力表征电动汽车用户在t时刻的实际参与需求响应能力,如式(11):
其中,ΔS表示当前可支配电池荷电水平;Slim为电池安全最低限制剩余荷电水平;为车辆从驻留点s处到下一行程目的地s+1行驶消耗的电池电量;表示车辆在驻留点s处离下一次出行的剩余时间;
式(11)中,A表示当前剩余电量充足,即在满足下一行程需求情况下尚有剩余的电动汽车,也即车辆参与需求响应可保证车辆用电安全前提下,则可认为其客观参与能力为1;式(11)中B则表示虽然电动汽车当前剩余荷电不足以支撑下一行程使用,但因其在当前目的地驻留时间较长,有足够的时间补给到基本需求以保证用电安全,车辆该情形下同样具备需求响应的客观条件,认为其客观参与能力同样为1;
若电动汽车为C情形,不仅剩余电量不够支撑后续行程行驶耗电后的安保剩余电量,而且其所需补充电能的充电需求时间大于驻留时间,认为电动汽车该情形下客观响应能力为0,用户该种情况下将在前往下一行程目的地的路途中选择公共充电站进行紧急充电或推迟下一行程出发时间直到所充电能能够满足下一行程的基本需求,该类电动汽车在当前目的地的充电功率需求可由式(12)计算;
式中,ζ(t)表示电动汽车t时刻的充电概率,充电期间为1,否则为0;为充电到足够下一行程行驶所需电量的充电时长;为s处的充电功率水平;NC(t)为t时刻的属于C情形的电动汽车数量;为为t时刻C类电动汽车的充电负荷。
8.根据权利要求7所述电动汽车集群需求响应潜力评估方法,其特征在于,步骤S4中,电动汽车用户主观需求响应能力具体为:
用户参与需求响应情形分为三类:1)参与调整充电时间,2)参与放电,3)没有调整充电时间也无参与放电能力情形;
定义主观参与度ρm(t)表征用户在客观响应能力前提下的主观参与意愿,针对A情形、B情形和C情形用户的主观参与度取值范围如式(13);
其中,表示用户调整充电时间的主观参与度可能取值范围;表示用户放电的主观参与度可能取值范围;
考虑客观响应能力和剩余出行时间、剩余荷电和价格激励三个影响因素的用户主观度表示为:
f(·)为计算s驻留之处第m辆电动汽车第t时刻的响应度函数;αm(t),βm(t),γm(t)分别为剩余出行时间参与度、剩余电荷参与度、价格激励参与度。
9.根据权利要求1所述电动汽车集群需求响应潜力评估方法,其特征在于,步骤S4中,采用模糊规则计算用户需求响应度,系统的输出变量ρm(t)的论域[0~1],取5个模糊子集{低,较低,一般,较高,高},分别以{L,BL,M,BH,H}表示;
当考虑两个因素的响应机制时,具体如下:
未实施峰谷电价和放电补偿价格,即不考虑价格激励时,仅考虑剩余出行时间αm(t)和剩余荷电βm(t)两个因素的响应机制为:剩余荷电状态或剩余出行时间处于低水平时,需求响应度均处于低水平,对输入因素以式(15)进行归一化处理,论域均取[0~1],各因素均采用钟形gbellmf隶属度函数;
当考虑三因素的响应机制时,具体如下:
以剩余出行时间、剩余荷电和价格补偿三因素输入的响应机制遵循:其中某一因素处于低水平时,用户响应度均处于低水平或较低水平。
10.根据权利要求9所述电动汽车集群需求响应潜力评估方法,其特征在于,还包括下述步骤:
在仿真评估单辆电动汽车在t时刻的需求响应潜力后,需要构建多个用户的需求响应资源的聚合模型,从空间角度看,若多个功能地块由某一电网节点负责供电,该节点供电区域的所有车辆本文称之为电动汽车集群,第i集群t时刻的延迟充电功率响应能力和参与放电功率响应能力由式(16)计算,
其中,EVAdel(i,t)为延迟充电功率响应能力,EVAv2g(i,t)为参与放电功率响应能力,EVnum,i为属于第i集群管辖的电动汽车数量;为电动汽车在驻留处的充放电功率;
集群i在t时刻的响应容量记为C(i,t),区域电动汽车t时刻响应的总容量记为Ctot(t),如式(17)和(18)所示:
Na为区域集群数量;ξ为参与响应的最低电池荷电水平,用户可提前设置,仿真时取电池安全最低值,即Slim。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810915803.8A CN109034648B (zh) | 2018-08-13 | 2018-08-13 | 一种电动汽车集群需求响应潜力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810915803.8A CN109034648B (zh) | 2018-08-13 | 2018-08-13 | 一种电动汽车集群需求响应潜力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034648A true CN109034648A (zh) | 2018-12-18 |
CN109034648B CN109034648B (zh) | 2021-03-19 |
Family
ID=64633844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810915803.8A Active CN109034648B (zh) | 2018-08-13 | 2018-08-13 | 一种电动汽车集群需求响应潜力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034648B (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109591647A (zh) * | 2018-12-28 | 2019-04-09 | 北京新能源汽车股份有限公司 | 一种电动汽车充电的控制方法、装置及汽车 |
CN109740974A (zh) * | 2019-03-08 | 2019-05-10 | 电子科技大学 | 行驶模式下电动汽车充馈电匹配方法 |
CN110611322A (zh) * | 2019-09-05 | 2019-12-24 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于电动汽车能效电厂的系统频率控制方法 |
CN110728396A (zh) * | 2019-09-25 | 2020-01-24 | 国网山西省电力公司经济技术研究院 | 一种考虑时空分布的电动汽车充电负荷综合建模方法 |
CN111211564A (zh) * | 2020-01-17 | 2020-05-29 | 南京东博智慧能源研究院有限公司 | 一种考虑电动汽车充电负荷时空分布的需求响应方法 |
CN111439156A (zh) * | 2019-01-17 | 2020-07-24 | 本田技研工业株式会社 | 供受电管理装置以及计算机可读存储介质 |
CN111682521A (zh) * | 2020-05-08 | 2020-09-18 | 天津大学 | 物流中心多台ev参与电网需求响应的充放电控制方法 |
CN112003312A (zh) * | 2020-09-04 | 2020-11-27 | 河海大学 | 一种基于出行链和参与意愿的私家电动汽车参与电网调控能力评估方法 |
CN111999660A (zh) * | 2020-08-31 | 2020-11-27 | 安徽江淮汽车集团股份有限公司 | 充电剩余时间确定方法、设备、存储介质及装置 |
CN112183987A (zh) * | 2020-09-22 | 2021-01-05 | 国网电力科学研究院武汉能效测评有限公司 | 电动汽车集群储荷调度评价系统及评价方法 |
CN112193116A (zh) * | 2020-09-30 | 2021-01-08 | 山西大学 | 一种考虑奖励机制的电动汽车充电优化引导策略 |
CN112257989A (zh) * | 2020-09-30 | 2021-01-22 | 广东电网有限责任公司广州供电局 | 一种考虑欠响应和过响应的电动汽车负荷需求响应实施方法 |
CN112348387A (zh) * | 2020-11-16 | 2021-02-09 | 中原工学院 | 一种充放电策略辅助用户出行的动态电力调度方法 |
CN112366740A (zh) * | 2020-11-13 | 2021-02-12 | 深圳供电局有限公司 | 一种电动汽车集群调度方法 |
CN112488362A (zh) * | 2020-11-06 | 2021-03-12 | 华北电力大学 | 一种协调电动汽车参与辅助服务市场的储能优化配置方法 |
CN112651603A (zh) * | 2020-12-04 | 2021-04-13 | 苏州电力设计研究院有限公司 | 考虑电动汽车充电站耦合作用的容量评估方法 |
CN112926818A (zh) * | 2020-12-11 | 2021-06-08 | 天津大学 | 基于用户需求松弛度的电动汽车需求响应能力评估方法 |
CN113011104A (zh) * | 2021-04-02 | 2021-06-22 | 华北电力大学(保定) | 一种面向电网调频控制的集群电动汽车充电负荷聚合建模方法 |
CN113022359A (zh) * | 2021-03-10 | 2021-06-25 | 广东电网有限责任公司韶关供电局 | 电动汽车充放电控制方法、装置、充放电控制设备及介质 |
CN113269372A (zh) * | 2021-06-23 | 2021-08-17 | 华北电力大学 | 一种考虑用户意愿的集群电动汽车可调度容量预测评估方法 |
CN113320413A (zh) * | 2021-03-08 | 2021-08-31 | 深圳职业技术学院 | 一种居民区电动汽车充电功率控制方法 |
CN113361892A (zh) * | 2021-05-31 | 2021-09-07 | 东南大学 | 基于时序云模型的电动汽车需求响应潜力估计方法 |
CN113381406A (zh) * | 2021-06-30 | 2021-09-10 | 东南大学 | 一种电动汽车充放电控制方法、装置、设备及存储介质 |
CN114398723A (zh) * | 2021-12-30 | 2022-04-26 | 国网江苏省电力有限公司苏州供电分公司 | 基于闵可夫斯基和的规模化电动汽车集群特性分析方法及系统 |
CN114425964A (zh) * | 2022-02-10 | 2022-05-03 | 国网浙江省电力有限公司营销服务中心 | 一种自主参与需求响应的电动汽车充电桩控制器及方法 |
CN114492169A (zh) * | 2021-12-28 | 2022-05-13 | 国网河北省电力有限公司营销服务中心 | 考虑用户市场响应潜力的电动汽车用户画像方法及系统 |
CN114485702A (zh) * | 2021-12-30 | 2022-05-13 | 国网江苏省电力有限公司连云港供电分公司 | 一种电动汽车充电路径规划方法及系统 |
WO2022152065A1 (zh) * | 2021-01-12 | 2022-07-21 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
US11474160B2 (en) | 2020-08-18 | 2022-10-18 | Rohde & Schwarz Gmbh & Co. Kg | Battery emulation apparatus |
CN115439138A (zh) * | 2022-08-03 | 2022-12-06 | 广东奔流能源有限公司 | 一种电动汽车充放电功率优化分配方法及系统 |
CN115663867A (zh) * | 2022-11-01 | 2023-01-31 | 广东天枢新能源科技有限公司 | 基于智能充电网络系统的电动汽车充电调度方法 |
CN116645124A (zh) * | 2023-05-30 | 2023-08-25 | 浙江大学 | 一种考虑用户有限理性和市场监管的充电站动态定价方法 |
CN116911696A (zh) * | 2023-09-12 | 2023-10-20 | 湖北华中电力科技开发有限责任公司 | 一种电动汽车参与电网互动相应能力的评估方法 |
CN118129789A (zh) * | 2024-05-10 | 2024-06-04 | 成都大学 | 一种新能源汽车的路径规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160151A (zh) * | 2015-07-31 | 2015-12-16 | 国家电网公司 | 一种基于模糊K-means算法的电动汽车应急供电方法 |
CN106599390A (zh) * | 2016-11-23 | 2017-04-26 | 国网浙江省电力公司电动汽车服务分公司 | 一种计及电动出租车时空随机特性的充电负荷的计算方法 |
CN107067110A (zh) * | 2017-04-14 | 2017-08-18 | 天津大学 | 车‑路‑网模式下电动汽车充电负荷时空预测方法 |
CN108133329A (zh) * | 2017-12-29 | 2018-06-08 | 天津大学 | 考虑充电反馈效应的电动汽车出行与充电需求分析方法 |
-
2018
- 2018-08-13 CN CN201810915803.8A patent/CN109034648B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160151A (zh) * | 2015-07-31 | 2015-12-16 | 国家电网公司 | 一种基于模糊K-means算法的电动汽车应急供电方法 |
CN106599390A (zh) * | 2016-11-23 | 2017-04-26 | 国网浙江省电力公司电动汽车服务分公司 | 一种计及电动出租车时空随机特性的充电负荷的计算方法 |
CN107067110A (zh) * | 2017-04-14 | 2017-08-18 | 天津大学 | 车‑路‑网模式下电动汽车充电负荷时空预测方法 |
CN108133329A (zh) * | 2017-12-29 | 2018-06-08 | 天津大学 | 考虑充电反馈效应的电动汽车出行与充电需求分析方法 |
Non-Patent Citations (3)
Title |
---|
CHEN,LIDAN等: "Fuzzy Logic-Based Electric Vehicle Charging Management Considering Charging Urgency", 《2019 IEEE PES INNOVATIVE SMART GRID TECHNOLOGIES ASIA》 * |
LI, HANYU等: "A Spatial-temporal Charging Load Forecasting Modelling of Electric Vehicles Considering Urban Traffic Network", 《2018 IEEE INNOVATIVE SMART GRID TECHNOLOGIES-ASIA(ISGT ASIA)》 * |
陈丽丹等: "基于出行链的电动汽车充电负荷预测模型", 《电工技术学报》 * |
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109591647A (zh) * | 2018-12-28 | 2019-04-09 | 北京新能源汽车股份有限公司 | 一种电动汽车充电的控制方法、装置及汽车 |
CN111439156B (zh) * | 2019-01-17 | 2024-01-09 | 本田技研工业株式会社 | 供受电管理装置以及计算机可读存储介质 |
CN111439156A (zh) * | 2019-01-17 | 2020-07-24 | 本田技研工业株式会社 | 供受电管理装置以及计算机可读存储介质 |
CN109740974A (zh) * | 2019-03-08 | 2019-05-10 | 电子科技大学 | 行驶模式下电动汽车充馈电匹配方法 |
CN109740974B (zh) * | 2019-03-08 | 2021-01-12 | 电子科技大学 | 行驶模式下电动汽车充馈电匹配方法 |
CN110611322A (zh) * | 2019-09-05 | 2019-12-24 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于电动汽车能效电厂的系统频率控制方法 |
CN110611322B (zh) * | 2019-09-05 | 2022-08-19 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于电动汽车能效电厂的系统频率控制方法 |
CN110728396A (zh) * | 2019-09-25 | 2020-01-24 | 国网山西省电力公司经济技术研究院 | 一种考虑时空分布的电动汽车充电负荷综合建模方法 |
CN111211564A (zh) * | 2020-01-17 | 2020-05-29 | 南京东博智慧能源研究院有限公司 | 一种考虑电动汽车充电负荷时空分布的需求响应方法 |
CN111211564B (zh) * | 2020-01-17 | 2021-06-04 | 南京东博智慧能源研究院有限公司 | 一种考虑电动汽车充电负荷时空分布的需求响应方法 |
CN111682521A (zh) * | 2020-05-08 | 2020-09-18 | 天津大学 | 物流中心多台ev参与电网需求响应的充放电控制方法 |
CN111682521B (zh) * | 2020-05-08 | 2023-03-14 | 天津大学 | 物流中心多台ev参与电网需求响应的充放电控制方法 |
US11474160B2 (en) | 2020-08-18 | 2022-10-18 | Rohde & Schwarz Gmbh & Co. Kg | Battery emulation apparatus |
CN111999660A (zh) * | 2020-08-31 | 2020-11-27 | 安徽江淮汽车集团股份有限公司 | 充电剩余时间确定方法、设备、存储介质及装置 |
CN111999660B (zh) * | 2020-08-31 | 2021-10-29 | 安徽江淮汽车集团股份有限公司 | 充电剩余时间确定方法、设备、存储介质及装置 |
CN112003312A (zh) * | 2020-09-04 | 2020-11-27 | 河海大学 | 一种基于出行链和参与意愿的私家电动汽车参与电网调控能力评估方法 |
CN112183987A (zh) * | 2020-09-22 | 2021-01-05 | 国网电力科学研究院武汉能效测评有限公司 | 电动汽车集群储荷调度评价系统及评价方法 |
CN112183987B (zh) * | 2020-09-22 | 2022-07-19 | 国网电力科学研究院武汉能效测评有限公司 | 电动汽车集群储荷调度评价系统及评价方法 |
CN112257989B (zh) * | 2020-09-30 | 2023-05-12 | 广东电网有限责任公司广州供电局 | 一种考虑欠响应和过响应的电动汽车负荷需求响应实施方法 |
CN112193116A (zh) * | 2020-09-30 | 2021-01-08 | 山西大学 | 一种考虑奖励机制的电动汽车充电优化引导策略 |
CN112193116B (zh) * | 2020-09-30 | 2021-12-31 | 山西大学 | 一种考虑奖励机制的电动汽车充电优化引导策略 |
CN112257989A (zh) * | 2020-09-30 | 2021-01-22 | 广东电网有限责任公司广州供电局 | 一种考虑欠响应和过响应的电动汽车负荷需求响应实施方法 |
CN112488362A (zh) * | 2020-11-06 | 2021-03-12 | 华北电力大学 | 一种协调电动汽车参与辅助服务市场的储能优化配置方法 |
CN112366740B (zh) * | 2020-11-13 | 2023-08-08 | 深圳供电局有限公司 | 一种电动汽车集群调度方法 |
CN112366740A (zh) * | 2020-11-13 | 2021-02-12 | 深圳供电局有限公司 | 一种电动汽车集群调度方法 |
CN112348387A (zh) * | 2020-11-16 | 2021-02-09 | 中原工学院 | 一种充放电策略辅助用户出行的动态电力调度方法 |
CN112348387B (zh) * | 2020-11-16 | 2022-05-13 | 中原工学院 | 一种充放电策略辅助用户出行的动态电力调度方法 |
CN112651603A (zh) * | 2020-12-04 | 2021-04-13 | 苏州电力设计研究院有限公司 | 考虑电动汽车充电站耦合作用的容量评估方法 |
CN112651603B (zh) * | 2020-12-04 | 2023-10-17 | 苏州电力设计研究院有限公司 | 考虑电动汽车充电站耦合作用的容量评估方法 |
CN112926818A (zh) * | 2020-12-11 | 2021-06-08 | 天津大学 | 基于用户需求松弛度的电动汽车需求响应能力评估方法 |
WO2022152065A1 (zh) * | 2021-01-12 | 2022-07-21 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
CN113320413A (zh) * | 2021-03-08 | 2021-08-31 | 深圳职业技术学院 | 一种居民区电动汽车充电功率控制方法 |
CN113022359A (zh) * | 2021-03-10 | 2021-06-25 | 广东电网有限责任公司韶关供电局 | 电动汽车充放电控制方法、装置、充放电控制设备及介质 |
CN113011104A (zh) * | 2021-04-02 | 2021-06-22 | 华北电力大学(保定) | 一种面向电网调频控制的集群电动汽车充电负荷聚合建模方法 |
CN113011104B (zh) * | 2021-04-02 | 2023-07-18 | 华北电力大学(保定) | 一种面向电网调频控制的集群电动汽车充电负荷聚合建模方法 |
CN113361892A (zh) * | 2021-05-31 | 2021-09-07 | 东南大学 | 基于时序云模型的电动汽车需求响应潜力估计方法 |
CN113269372A (zh) * | 2021-06-23 | 2021-08-17 | 华北电力大学 | 一种考虑用户意愿的集群电动汽车可调度容量预测评估方法 |
CN113381406A (zh) * | 2021-06-30 | 2021-09-10 | 东南大学 | 一种电动汽车充放电控制方法、装置、设备及存储介质 |
CN113381406B (zh) * | 2021-06-30 | 2022-07-05 | 东南大学 | 一种电动汽车充放电控制方法、装置、设备及存储介质 |
CN114492169A (zh) * | 2021-12-28 | 2022-05-13 | 国网河北省电力有限公司营销服务中心 | 考虑用户市场响应潜力的电动汽车用户画像方法及系统 |
CN114492169B (zh) * | 2021-12-28 | 2024-03-29 | 国网河北省电力有限公司营销服务中心 | 考虑用户市场响应潜力的电动汽车用户画像方法及系统 |
CN114398723A (zh) * | 2021-12-30 | 2022-04-26 | 国网江苏省电力有限公司苏州供电分公司 | 基于闵可夫斯基和的规模化电动汽车集群特性分析方法及系统 |
CN114398723B (zh) * | 2021-12-30 | 2023-12-22 | 国网江苏省电力有限公司苏州供电分公司 | 基于闵可夫斯基和的规模化电动汽车集群特性分析方法及系统 |
CN114485702A (zh) * | 2021-12-30 | 2022-05-13 | 国网江苏省电力有限公司连云港供电分公司 | 一种电动汽车充电路径规划方法及系统 |
CN114425964B (zh) * | 2022-02-10 | 2024-03-01 | 国网浙江省电力有限公司营销服务中心 | 一种自主参与需求响应的电动汽车充电桩控制器及方法 |
CN114425964A (zh) * | 2022-02-10 | 2022-05-03 | 国网浙江省电力有限公司营销服务中心 | 一种自主参与需求响应的电动汽车充电桩控制器及方法 |
CN115439138A (zh) * | 2022-08-03 | 2022-12-06 | 广东奔流能源有限公司 | 一种电动汽车充放电功率优化分配方法及系统 |
CN115663867A (zh) * | 2022-11-01 | 2023-01-31 | 广东天枢新能源科技有限公司 | 基于智能充电网络系统的电动汽车充电调度方法 |
CN115663867B (zh) * | 2022-11-01 | 2023-09-26 | 广东天枢新能源科技有限公司 | 基于智能充电网络系统的电动汽车充电调度方法 |
CN116645124A (zh) * | 2023-05-30 | 2023-08-25 | 浙江大学 | 一种考虑用户有限理性和市场监管的充电站动态定价方法 |
CN116645124B (zh) * | 2023-05-30 | 2024-05-24 | 浙江大学 | 一种考虑用户有限理性和市场监管的充电站动态定价方法 |
CN116911696A (zh) * | 2023-09-12 | 2023-10-20 | 湖北华中电力科技开发有限责任公司 | 一种电动汽车参与电网互动相应能力的评估方法 |
CN116911696B (zh) * | 2023-09-12 | 2023-12-08 | 湖北华中电力科技开发有限责任公司 | 一种电动汽车参与电网互动相应能力的评估方法 |
CN118129789A (zh) * | 2024-05-10 | 2024-06-04 | 成都大学 | 一种新能源汽车的路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109034648B (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034648A (zh) | 一种电动汽车集群需求响应潜力评估方法 | |
Zhang et al. | Charging and discharging optimization strategy for electric vehicles considering elasticity demand response | |
Mozafar et al. | A simultaneous approach for optimal allocation of renewable energy sources and electric vehicle charging stations in smart grids based on improved GA-PSO algorithm | |
Deng et al. | Exploring flexibility of electric vehicle aggregators as energy reserve | |
Gong et al. | Optimal charging strategy for electric vehicles in residential charging station under dynamic spike pricing policy | |
CN108510128A (zh) | 一种区域电动汽车充电负荷时空分布预测方法 | |
CN106228258A (zh) | 一种计及需求侧管理的家庭能源局域网能量优化控制方法 | |
CN102708427A (zh) | 大规模充电桩对小区配电系统影响分析决策系统及方法 | |
CN112487560B (zh) | 基于ev车主意愿的电力交通耦合系统协调博弈调度方法 | |
Qiu et al. | Multi-service provision for electric vehicles in power-transportation networks towards a low-carbon transition: A hierarchical and hybrid multi-agent reinforcement learning approach | |
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 | |
Kasani et al. | Optimal coordinated charging and routing scheme of electric vehicles in distribution grids: Real grid cases | |
Zafar et al. | PV-EV integrated home energy management using vehicle-to-home (V2H) technology and household occupant behaviors | |
Chakraborty et al. | Planning of fast charging infrastructure for electric vehicles in a distribution system and prediction of dynamic price | |
CN110053508A (zh) | 基于车联网平台的能源互联网集群运行调度方法及系统 | |
Zhong et al. | Charging navigation strategy for electric vehicles considering empty-loading ratio and dynamic electricity price | |
Thangaraj et al. | Optimal coordinated operation scheduling for electric vehicle aggregator and charging stations in integrated electricity transportation system using hybrid technique | |
CN115660501A (zh) | 电动汽车充电负荷可调裕度评估方法 | |
Yi et al. | Two-stage optimal allocation of charging stations based on spatiotemporal complementarity and demand response: A framework based on MCS and DBPSO | |
Lin et al. | Aggregator pricing and electric vehicles charging strategy based on a two-layer deep learning model | |
Sheng et al. | Emission-concerned coordinated dispatching of electrified autonomous mobility-on-demand system and power system incorporating heterogeneous spatiotemporal scales | |
Zheng et al. | Optimal dispatch of hydrogen/electric vehicle charging station based on charging decision prediction | |
Li et al. | Centralized charging station planning for battery electric trucks considering the impacts on electricity distribution systems | |
Shu et al. | Locational Price Driven Electric Bus Fleet Operation and Charging Demand Management | |
Hao et al. | Integrated Electric Vehicle Charging Path Planning Considering Traffic Network and Power Grid |
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 |