CN109980742A - 计及动力电池梯次利用基于mmc结构的充电站优化方法 - Google Patents
计及动力电池梯次利用基于mmc结构的充电站优化方法 Download PDFInfo
- Publication number
- CN109980742A CN109980742A CN201910300059.5A CN201910300059A CN109980742A CN 109980742 A CN109980742 A CN 109980742A CN 201910300059 A CN201910300059 A CN 201910300059A CN 109980742 A CN109980742 A CN 109980742A
- Authority
- CN
- China
- Prior art keywords
- mmc
- charging station
- power
- power battery
- retired
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000004146 energy storage Methods 0.000 claims abstract description 97
- 230000006870 function Effects 0.000 claims description 31
- 230000036541 health Effects 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000007630 basic procedure Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012913 prioritisation Methods 0.000 claims description 2
- 241000083513 Punctum Species 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 25
- 238000011160 research Methods 0.000 abstract description 10
- 230000004907 flux Effects 0.000 abstract description 6
- 238000010248 power generation Methods 0.000 abstract description 5
- 238000012795 verification Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 17
- 238000007726 management method Methods 0.000 description 17
- 238000011161 development Methods 0.000 description 12
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 11
- 229910052744 lithium Inorganic materials 0.000 description 11
- 239000013598 vector Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007728 cost analysis Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- YELGFTGWJGBAQU-UHFFFAOYSA-N mephedrone Chemical compound CNC(C)C(=O)C1=CC=C(C)C=C1 YELGFTGWJGBAQU-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- H02J3/383—
-
- H02J7/0027—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
- H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
- H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
- H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
- H02M7/483—Converters with outputs that each can have more than two voltages levels
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
- H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
- H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
- H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
- H02M7/483—Converters with outputs that each can have more than two voltages levels
- H02M7/4835—Converters with outputs that each can have more than two voltages levels comprising two or more cells, each including a switchable capacitor, the capacitors having a nominal charge voltage which corresponds to a given fraction of the input voltage, and the capacitors being selectively connected in series to determine the instantaneous output voltage
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明是计及动力电池梯次利用基于MMC结构的充电站优化方法，属于电动汽车集中式充电站规划优化领域。本发明对退役的动力电池进行评估，为后续优化研究打下基础；其次，提出基于MMC模块的电动公交车充电站结构设计，将光伏发电等新能源接入、电动公交车、退役动力电池汇聚为一体的电能量汇集；再次，计及充电站日运营成本，对建立的基于MMC模块的结构设计进行光伏、电动公交车、退役动力电池储能的优化配置；最后，通过算例验证了所设计方案及优化模型的可行性及有效性。
Description
技术领域
本发明属于电动汽车集中式充电站规划优化领域，涉及一种计及动力电池梯次利用基于MMC结构的充电站优化方法。
背景技术
随着环境与环保压力的增大和电动车辆的发展，电动汽车成为汽车工业研究的热点和发展趋势。在国家的大力支持下，近几年新能源汽车爆发式增长，据中国汽车工业协会数据统计，2016年中国新能源汽车销量达50.7万，2018年市场销量预计在80万辆左右([1]于保军,于文函,孙伦杰,等.“十三五”我国纯电动汽车战略规划分析[J].汽车工业研究,2018(2):40-48.)。动力电池的使用年限一般是3-5年，这意味着从今明两年开始，我国动力电池将进入大规模的报废期，到2020年，中国汽车动力电池累计报废量预计将达到20万吨的规模，并且随着新能源汽车的发展和时间的推移，动力电池回收的压力会越来越大。随着动力电池退役潮的到来，给动力电池行业的发展带了较大的机遇与挑战。一般说来，锂电池的容量衰减到了初始容量的80％以下，电动汽车的续航里程明显减少时，将面临淘汰的问题。尽管其不适用于车载续航，但其储能能力仍有着巨大的实用价值，如果就此废弃，不仅是资源的浪费，而且也违背了新能源技术应用的初衷。实行动力电池的梯次利用，一方面可以有效的提高动力电池的利用率；另一方面也可以将其作为储能设备，提高对新能源发电的消纳，符合国家对于电动汽车电池产业发展的要求。
另一方面，可再生能源的大规模的发展，对于缓解能源与环境压力，具有长远的意义，但在实际的应用中存在无法充分消纳问题，造成弃置现象严重。为了促进新能源的消纳，电池储能是一种有效的方式，但储能的成本较高、经济性低。为此，将退役的动力电池用于储能借以提高可再生能源的发电的消纳及降低储能安装配置的成本，就显得至关重要。随着我国动力电池退役潮的到来，有关退役动力电池的研究也越来越多。
文献([2]李宏仲，强伟，高宇男，等.考虑用户出行特性和配电网线路可用裕度的充电站规划[J].电力系统自动化，2018,42(23):48-56.[3]李扬,韦钢,马钰,等.含电动汽车和分布式电源的主动配电网动态重构[J].电力系统自动化,2018,42(5):102-110.[4]向育鹏,卫志农,孙国强,等.基于全寿命周期成本的配电网蓄电池储能系统的优化配置[J].电网技术,2015,39(1):264-270.)分别从用户出行特性、计及新能源消纳的综合应用、储能系统在全寿命周期下的经济性的评估出发，对电动汽车充电站的优化配置进行了研究。
而文献([5]王文明,彭再武,宋超,等.考虑锂电池寿命的插电式混合动力客车能量控制策略[J].大功率变流技术,2018(1).[6]孙鸣,桂旭.可向特定负荷定时限独立供电的储能系统优化配置[J].电力系统自动化,2018(14).)依次从锂电池的寿命限制、含退役动力电池的储能系统的电动汽车充电站系统内的各部分进行优化配置分析出发，对动力电池的全寿命周期运营下的经济效益的优化及控制管理进行了分析。
文献([7]刘坚.电动汽车退役电池储能应用潜力及成本分析[J].储能科学与技术,2017,6(2):243-249.[8]Neubauer J,Smith K,Wood E,et al.Identifying andOvercoming Critical Barriers to Widespread Second Use of PEV.Batteries[J].2015.[9]娄婷婷,郭翔,徐鼎,等.电动汽车老化电池梯次利用储能系统研究[J].山东电力技术,2017(12).)依次从退役电池应用于电力系统的潜力、动力电池用于储能的运营模式、延长退役电池寿命与提升社会与经济效益等方面出发，对退役电池用于储能进行了研究。
文献([10]Viswanathan V V,Kintner-Meyer M.Second Use of TransportationBatteries:Maximizing the Value of Batteries for Transportation and GridServices[J].IEEE Transactions on Vehicular Technology,2011,60(7):2963-2970.)研究了梯次利用动力电池在电网储能中的应用，采用需求管理与电池管理相结合的方法，建立了电池使用成本模型和寿命模型，使用剩余使用寿命估计技术来延长锂电池的使用寿命，达到成本控制的目的。具体的示范工程如：2017年度完成的国内江苏溧阳MWh级退役动力电池梯次利用储能项目，为退役电池梯次利用提供了一种示范，验证了退役电池梯次利用在储能中的收益。
针对于新能源发电接入，文献([11]肖湘宁.新一代电网中多源多变换复杂交直流系统的基础问题[J].电工技术学报,2015,30(15):1-14.[12]马溪原,郭晓斌,雷金勇.面向多能互补的分布式光伏与气电混合容量规划方法[J].电力系统自动化,2018(4):55-63.[13]卢志刚,姜春光,李学平,等.清洁能源与电动汽车充电站协调投资的低碳效益分析[J].电工技术学报,2016,31(19):163-171.)分别从新型交直流系统、光伏的多场景优化模型、低碳效益三个方面对电动汽车充电站的光伏的接入进行优化配置以实现相应优化模型的最优。而为了实现对与各种不同模块的接入，或采用直流母线汇流或采用交流母线汇流方式，随着电力电子技术的不断地推进与发展，对于新能源大规模接入配电网，柔性直流输电技术被认为是目前较好的解决方案，且可接入弱交流系统。而柔性直流输电工程又大多基于模块化多电平换流器(modular multilevel converter，MMC)([14]阳岳希,杨杰,贺之渊,等.基于MMC的背靠背柔性直流输电系统控制策略[J].电力系统自动化,2017,41(4):120-124.)。近年来，MMC的研究逐渐展示出多元化的特点，一方面考虑实际工程应用场合对系统装置可靠性的要求，新型的MMC拓扑近年来不断涌现；另一方面MMC的应用领域已逐步从传统的高压直流(high-voltage DC，HVDC)输电应用向中高压电力传动、电能质量治理、高压直流功率变换等领域拓展，并已获得了初步的研究成果，展现出良好的应用前景([15]杨晓峰,郑琼林,薛尧,等.模块化多电平换流器的拓扑和工业应用综述[J].电网技术,2016,40(1):1-10.)。
基于上述研究，现有技术人员并没有对出现基于退役动力电池梯次利用的计及新能源接入的电动公交车充电站优化设计方案进行研究，而此优化设计方案又具有可研究性，对提高充电站的效益、促进新能源形式下的充电站的发展与建设具有重要的意义。
发明内容
本发明所要解决的技术问题是提供一种计及动力电池梯次利用基于MMC结构的充电站优化方法，旨在提高充电站的效益、促进新能源形式下的充电站的发展与建设。
为解决上述技术问题，本发明所采取的技术方案是：计及动力电池梯次利用基于MMC结构的充电站优化方法，其包括如下步骤：
(1)采用MMC结构将新能源、退役动力电池、电动公交车汇聚接入构成电动公交车充电站系统；
(2)对退役动力电池进行电池性能测试，获取表现二次曲线的欧姆内阻-荷电状态曲线，以其二阶导数为健康因子；对电动公交车充电站系统中的所有退役动力电池进行健康因子提取，然后利用基于万有引力模型的K-means聚类方法对健康因子进行分类，对退役动力电池进行分级，获得不同健康因子下的欧姆内阻-荷电状态曲线，然后对退役动力电池进行梯次储能配置；
(3)在电动公交车充电站系统中构建优化模型：以建设及容量配置成本最小、公交充电站的日运营费用最低为目标函数，以每个MMC结构中新能源、电动公交车、梯次储能配置的上下限为子约束条件，以每个MMC结构中的新能源配置量、整个充电站的新能源安装量为子约束条件，以每个MMC结构中的电动公交车量、整个充电站的总容纳量为子约束条件，以每个MMC结构中的梯次储能的配置量、整个充电站的总的梯次储能量为子约束条件，以电网功率传输与光伏约束为子约束条件，以基于健康因子的退役动力电池充充放电功率为子约束条件约束，以退役动力电池充放电守恒为子约束条件，以整个模型中的电源与功率平衡为子约束条件；
(4)利用差分进化算法对优化模型进行求解，以输出最优优化方案。
进一步的技术方案在于，所述电动公交车充电站系统由六个桥臂构成，其中每个桥臂由若干个相互连接且结构相同的子模块与一个电抗器L串联构成，上下两个桥臂构成一个相单元；新能源、退役动力电池和电动公交车分别通过隔离模块以及电压控制接入一个子模块。
进一步的技术方案在于，基于万有引力模型的改进K-means聚类的算法的基本流程为：
Step1:随机选择K个数据对象作为初始的聚类中心；
Step2:计算余下数据点对象与K个聚类中心之间的距离，
Step3:根据所提出的万有引力模型，确定评价指标EI的大小：式中，EI为聚类效果的评价指标；P、pi分别为曲线上两个数据点的值；W为评价调节系数，通过取数据截集的方法确定；ri为某一特定数据点相去聚类中心的距离：ri＝||xi-cj||，xi为第i个数据点；cj为某一聚类中心；
通过计算所得的EI的大小确定划分相应的簇，并按ri＝||xi-cj||对聚类中心进行更新；
Step4:当指标EI的值达到一定值或者迭代指标的次数达到指定的次数时，停止迭代，否则转至Step2。
进一步的技术方案在于，所述新能源为光伏，以建设及容量配置成本最小为目标函数，其目标函数以及此目标函数的子约束条件如下：
目标函数：
式中，C1为MMC的配置成本；N为配置的MMC的个数；Pprice为MMC单位配置容量的成本；i为第i个MMC模块；PVi为第i个MMC配置的光伏容量；EBi为第i个MMC配置的电动公交车的容量；EStci为第i个MMC配置的梯次储能的容量；Pi＝PVi+EBi+EStci为第i个MMC的容量；m为系统年限；r0为贴现率，一般取为5％；w％为MMC的维护费用；
子约束条件：
a)站内装置MMC数量约束
1≤N≤Nmax
b)对于站内的第i个MMC结构，有
PVimin≤PVi≤PVimax
EBimin≤EBi≤EBimax
EStcimin≤EStci≤EStcimax
式中，依次为针对第i个MMC结构中光伏、电动公交车、梯次储能配置的上下限约束；
c)对于整个充电站，有
式中，PVi,PV∑分别为第i个MMC结构中的光伏配置量、整个充电站的光伏安装量；同理，EBi,EB∑，EStci,ES∑分别为接入的电动公交车量、整个充电站的总容纳量、梯次储能的配置量、整个充电站的总的梯次储能量。
进一步的技术方案在于，所述新能源为光伏，以公交充电站的日运营费用最低为目标函数，其目标函数以及此目标函数的子约束条件如下：
目标函数：
式中，pricegrid(t)为t时刻从电网获得电能的电价；pgrid(t)为t时刻从电网获得的功率的大小；ptc(t,i,j)为梯次储能电价成本；pricetc(t)为第i个MMC模块在第j个健康度的梯次储能充电功率；ppv(t,i)、pgrid(t,i)为第i个MMC模块在t时刻的为充电站提供的功率；Δt为光伏、储能功率的采样间隔；N为公交充电站中的MMC的数量；n为一天的优化周期内的时刻点的数量；
子约束条件：
a)电网功率传输与光伏约束
|pgrid(t,i)|≤pgridmax
0≤ppv(t,i)≤PVi
b)退役电池充充放电功率约束
|ptc(t,i,j)|≤EStci(t)×SOHj
式中，EStci(t)为退役梯次利用动力电池的t时刻充放电功率限制，考虑退役后容量折损，需乘以SOHj即第j阶次下动力电池的健康度作为实际约束；
c)充放电守恒约束
充放电守恒约束即一天内蓄电池总的充电量与总放电量相同；
d)构成的小系统中电源与功率平衡的约束
pgrid(t,i)+Ppv(t,i)＝ptc(t,i,j)+Peb(t,i)
式中，Peb(t,i)为t时刻电站的电动公交车充电功率。
进一步的技术方案在于，采用差分进化算话进行优化求解的基本步骤如下：
Step1：数据的初始化处理；
Step2：设置迭代的约束条件；
Step3：对数据进行变异操作、交叉操作、边界条件处理、计算目标函数值、对优化的数据进行选择操作；
Step4：重复Step2,Step3直到输出最优个体获得最优解。
采用上述技术方案所产生的有益效果在于：本发明对退役的动力电池进行评估，为后续优化研究打下基础；其次，提出基于MMC模块的电动公交车充电站结构设计，将光伏发电等新能源接入、电动公交车、退役动力电池汇聚为一体的电能量汇集；再次，计及充电站日运营成本，对建立的基于MMC模块的结构设计进行光伏、电动公交车、退役动力电池储能的优化配置；最后，通过算例验证了所设计方案及优化模型的可行性及有效性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1不同健康度(健康因子)下退役动力电池的内阻-SOC曲线特征；
图2充电站各种能源的接入结构；
图3充电站各种能源的接入结构子模块；
图4MMC拓扑结构图；
图5充电站优化求解流程图；
图6退役电池储能与常规储能的成本对比；
图7光伏的典型出力特性曲线；
图8电动公交站充电典型日负荷曲线；
图9多组电池的聚类结果；
图10退役储能与未采用储能功率经济曲线对比；
图11日内运营下储能的变化曲线图；
图12站内各功率的变化曲线；
图13梯次储能与未储能充电站的日运营成本；
图14能源汇聚系统费用构成。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
本发明提出了基于退役动力电池梯次利用的计及新能源接入的电动公交车充电站优化规划方法。其具体如下：
1退役电池评价模型
1.1内阻—SOC曲线健康特征提取方法
本发明以国内某公司生产的三元锂电池(额定容量为282Ah)为研究对象，设计锂电池性能测试工况如下：使用2.5C恒流放电测试锂电池，选取间歇时间为10s，即放电10s再静置10s，对充满的锂电池进行循环测试，在放电电流跳变时辨识锂电池欧姆内阻。在处理内阻测试数据时发现，所得到内阻-SOC曲线表现出二次曲线特性。
因欧姆内阻-SOC曲线满足二次曲线特性，详见文献记载(杨晓峰,郑琼林,薛尧,等.模块化多电平换流器的拓扑和工业应用综述[J].电网技术,2016,40(1):1-10.)，定义内阻-SOC二次曲线如下所示：
式中，ap，bp，cp分别为二次曲线的系数；R0,min，S0,min分别为二次曲线的顶点与横坐标，分别表示内阻-SOC曲线的最小电阻值及其所处SOC状态。
因此，对曲线求一阶导数和二阶导数，即可提取曲线斜率健康特征(健康因子)。即
基于曲线特征模型对退役的动力电池进行划分，从而借助聚类的方式实现。
1.2基于K-means聚类的退役电池评价算法
聚类可以将多种不同的具有相似特征的数据或者曲线区分开来，将其划分为不同的类别。根据设定的详细的特征标准或者精度，可以将其分为具有不同特征的曲线；本发明根据电池的健康状况，可以将不同的退役动力电池进行分类，实现对动力电池的进行分级、对退役动力电池的全寿命周期的应用。
K-means是一种流行的自聚类算法，详见文献(孙冬,许爽.梯次利用锂电池健康状态预测[J].电工技术学报,2018(9).)，通过最小化数据点与聚类中心之间的距离，将数据集分成k个聚类。假设数据点集表示为X＝{x1,x2,......,xN}，则目标函数如下：
给定数据点集与目标函数，该算法将X分割为K类和质心集C＝{μ1,μ2,......,μN}。
使用欧氏距离度量表示两个数据点之间的距离：
进而可以待处理的数据点进行聚类分析。
1.3基于健康因子的退役电池聚类评价模型
1.3.1基于引力模型的动力电池聚类模型
万有引力是广泛存在于自然界中的一种的相互作用的特性，本发明将该模型引入K-means聚类模型中。借以评价聚类效果，作为聚类迭代终止的条件，确定给定数据应归于某一相应的簇之中。
万有引力的聚类模型
式中，EI(Evaluation Index)为聚类效果的评价指标；P、pi分别为曲线上两个数据点的值；W为评价调节系数，经优化计算知一般取0.03～0.08，本发明取0.05；ri为某一特定数据点相去聚类中心的距离。
其中ri的表达式为ri＝||xi-cj||，xi为第i个数据点；cj为某一聚类中心。
采用选用Max(EIi)将xi归结于cj的这一类。将xi归为一特定类之后，需要更新聚类中心点，其相应的表达式为
1.3.2基于万有引力模型的改进K-means聚类的基本流程
基于万有引力模型的改进K-means聚类的算法的基本流程为：
Step1:随机选择K个数据对象作为初始的聚类中心；
Step2:计算余下数据点对象与K个聚类中心之间的距离，
Step3:根据所提出的万有引力模型，确定评价指标EI的大小：(在此过程中需要确定W的值的大小，通过取数据截集的方法确定)，通过计算所得的EI的大小确定划分相应的簇，并按公式ri＝||xi-cj||对聚类中心进行更新；
Step 4:当指标EI的值达到一定值或者迭代指标的次数达到指定的次数时，停止迭代，否则转至(2)。
1.3.3健康因子下动力电池的评价
根据(杨晓峰,郑琼林,薛尧,等.模块化多电平换流器的拓扑和工业应用综述[J].电网技术,2016,40(1):1-10.)可知：不同健康度下的动力电池，其内阻与SOC曲线图如图1所示。
根据已有退役动力电池的测试的结果，将获得的多组电池的内阻-SOC曲线图进行聚类分析，可以获得退役动力电池不同健康度下的曲线，为后续的接入充电站实现其优化配置打下基础。
2基于MMC结构的电动公交车充电站结构设计
2.1充电结构设计的优点
由于MMC换流器含有多个子模块(SM)，每个SM可以通过隔离措施以及电压控制实现多路不同能量方式的汇聚，如公交车充电、退役动力电池梯次储能、光伏发电等，可以实现电动公交站的优化配置，提高充电站的运营收益、促进新能源发电与退役动力电池梯次利用的健康发展，MMC有多路直流接入的优点，通过改造可以使得对公交电池进行充放电，还可以接入光伏等新能源，这个系统有很大的集成能力和灵活性，便于集中控制和调度。
2.2电动公交车充电站系统结构设计
在电动公交站计及新能源与退役动力电池梯次利用的充电结构的简化示意图如图2所示，以a相接入为例，图中主体拓扑采用可以多路汇聚接入的MMC结构，图3为将光伏、退役动力电池、电动公交车接入MMC子模块的中间隔离装置，是构成光伏、动力电池、电动公交车计入系统的通路，其主要起到安全隔离的作用，详见文献(朱明琳,杭丽君,李国杰.基于不对称双子模块的混合MMC及其直流故障自清除能力)。
MMC拓扑结构如图4所示，共由六个桥臂构成，其中每个桥臂由若干个相互连接且结构相同的子模块(Sub-module，SM)与一个电抗器L串联构成，上下两个桥臂构成一个相单元。出于模块化设计和制造的目的，六个桥臂具有对称性，即各子模块的参数和各桥臂电抗值都是相同的。与以往的VSC拓扑结构显著不同的是，模块化多电平换流器在公共直流侧正负极之间没有直流储能电容，而将直流电容分散到了每一个子模块中了，子模块的开关器件以及模块电容承受的电压较低，通过模块的投入以及叠加再形成高电压，因此在换流器的设计、制造方面大大降低了难度。
3.计及日运营成本的充电站光伏、电动公交车、梯次储能的容量配置优化模型
在计及多种不同的能源接入充电站的设计时，为充分节省建设成本与提高运营收益，可结合设计的拓扑结构作相应优化配置，即在优化配置的过程中，既需要配置MMC结构的个数与容量，还要对接入每个MMC结构的接入容量加以配置。计及日运营成本的充电站光伏、电动公交车、梯次储能的容量配置优化模型可以实现新能源的消纳、退役动力电池的梯次利用，符合时下对新能源与退役动力电池的政策，提高资源的利用率。
3.1目标函数的建立
3.1.1全寿命周期简介
全寿命周期理论的概念最初由美国审计处首次提出，是指在设计阶段就考虑到寿命历程中的所有环节，将所有相关因素综合规划和优化的一种理论，意味着要考虑生产、运行、使用、维修保养等的全寿命周期过程。
而全寿命周期在电动汽车充电站中的具体体现为在电动公交车中的动力电池的生命周期中引入资金的时间价值，在进行成本的优化模型的计算时就需要将寿命期间内各年的现金流量折算至同一时间点，在资金的时间价值上对优化与建设投资的决策提供考量标准，为全寿命周期内建立决策提供可靠性的依据。
3.1.2全寿命周期考量下优化配置模型的建立
退役动力电池梯次应用于电动公交车站储能有两个目标：其一，可以通过MMC模块实现对退役动力电池、新能源发电、电动公交车充电的电能量汇集，以节省充电站的建设及容量配置成本；其二，是基于拓扑结构设计，结合分时电价实现充电站日运营成本的优化。上述两个目标可以看作是两个上下层优化问题，下层为规划电动公交车充电站中各种新能源、储能与充电车辆的规模，上层为针对电能汇集的充电站系统容量配置基础上对电动公交车充电站的日优化运营，从而建立多种能源形式汇聚的新型充电站优化配置模型。
计及全寿命周期的含动力电池的电动公交站的优化配置模型，根据充电站的配置的模型，对于MMC模型的成本模型如下：
(1)充电站内MMC的优化配置成本
目标函数
式中，C1为MMC的配置成本；N为配置的MMC的个数；Pprice为MMC单位配置容量的成本；i为第i个MMC模块；PVi为第i个MMC配置的光伏容量；EBi为第i个MMC配置的电动公交车的容量；EStci为第i个MMC配置的梯次储能的容量；Pi＝PVi+EBi+EStci为第i个MMC的容量；m为系统年限；r0为贴现率，一般取为5％；w％为MMC的维护费用。
目标1对应的约束条件
a)站内装置MMC数量约束
1≤N≤Nmax
b)对于站内的第i个MMC结构，有
PVimin≤PVi≤PVimax
EBimin≤EBi≤EBimax
EStcimin≤EStci≤EStcimax
式中，依次为针对第i个MMC结构中光伏、电动公交车、梯次储能配置的上下限约束；
c)对于整个充电站，有
式中，PVi,PV∑分别为第i个MMC结构中的光伏配置量、整个充电站的光伏安装量；同理，EBi,EB∑，EStci,ES∑分别为接入的电动公交车量、整个充电站的总容纳量、梯次储能的配置量、整个充电站的总的梯次储能量。
(2)公交充电站的日运营费用
式中，pricegrid(t)为t时刻从电网获得电能的电价；pgrid(t)为t时刻从电网获得的功率的大小；ptc(t,i,j)为梯次储能电价成本；pricetc(t)为第i个MMC模块在第j个健康度的梯次储能充电功率；ppv(t,i)、pgrid(t,i)为第i个MMC模块在t时刻的为充电站提供的功率；Δt为光伏、储能功率的采样间隔；N为公交充电站中的MMC的数量；n为一天的优化周期内的时刻点的数量；
子约束条件：
a)电网功率传输与光伏约束
|pgrid(t,i)|≤pgridmax
0≤ppv(t,i)≤PVi
b)退役电池充充放电功率约束
|ptc(t,i,j)|≤EStci(t)×SOHj
式中，EStci(t)为退役梯次利用动力电池的t时刻充放电功率限制，考虑退役后容量折损，需乘以SOHj即第j阶次下动力电池的健康度作为实际约束；
c)充放电守恒约束
充放电守恒约束即一天内蓄电池总的充电量与总放电量相同；
d)构成的小系统中电源与功率平衡的约束
pgrid(t,i)+Ppv(t,i)＝ptc(t,i,j)+Peb(t,i)
式中，Peb(t,i)为t时刻电站的电动公交车充电功率。
3.2模型求解
差分进化算法，差分进化算法是一种随机的启发式搜索算法，简单易用，有较强的鲁棒性与全局寻优能力。它从数学角度上讲是一种随机搜索算法，从工程的角度看是一种自适应的迭代过程，除了具有较好的收敛性外，差分进化算法非常易于理解与执行，它只包含不多的几个控制参数，并且在迭代的过程中，这些参数的值可以保持不变。其关键思想同传统的进化算法不同：传统方法是用预先确定的概率分布函数决定向量扰动；二差分进化算法的自组织程序利用种群中两个随机选择的不同向量来干扰一个现有向量，种群中的的每一个向量都要进行干扰，差分进化算法利用一个向量种群，其中种群向量的随机扰动可以独立的进行，因此是并行的。如果新向量对应函数值的代价比它们几个前辈代价小，它们将取代前辈向量。
3.3优化求解基本流程
采用差分进化算话进行优化求解的基本步骤如下：
Step1：数据的初始化处理；
Step2：设置迭代的约束条件；
Step3：对数据进行变异操作、交叉操作、边界条件处理、计算目标函数值、对优化的数据进行选择操作；
Step4：重复Step2,Step3直到输出最优个体获得最优解。
退役电池评价与充电站优化求解流程图如5所示。
4算例分析
本发明依据某城市的电动公交车的运营、实际耗电量，并考虑退役动力电池梯次利用及储能、接入新能源发电的新型电动公交车充电站的设计。根据调研：站内共200辆黄海DD6851EV1电动车，百公里耗电量为92kWh；电池的信息为三元锂电池，其相关的参数为282Ah，电能电流280A，峰值放电电流330A，额定充电电流140A，单体电池额定电压3.68V；工作温度范围20-60℃。站内充电桩为珠海泰坦TCZ-Z-150A-BO，具体的参数为：700V，15A，105kW，充满电大致所需要的时间约为1.5h。
能源汇聚系统中，各部分的参数如表1所示。
表1能源汇聚系统中的相关参数
供电公司对该电动公交车充电站实行分时电价，如表2所示。
表2分时电价
根据文献(刘大贺,韩晓娟,李建林.基于光伏电站场景下的梯次电池储能经济性分析)对于退役梯次储能与常规储能的经济性分析，可知，常规储能与梯次储能总成本的对比如图6所示(以2000Ah的安装规模为例)。
通过对图6常规储能与梯次储能成本的对比，我们可知：采用梯次利用储能后，当梯次储能的成本低于940元/kW·h，其成本开始低于常规电池的储能成本，而在实际的应用中梯次储能一般都能远远低于此值，可见退役电池用作梯次储能相较于常规储能极具优势。
对于光伏，仅考虑每天早上7:00至晚上7:00的出力数据，该地区光伏日内的典型的出力特性曲线如图7所示。
在进行电动充电站进行优化运营前，设定日内电动公交车的充电负荷的曲线以典型日耗电量进行确定，对应典型日负荷曲线如图8所示。
根据退役电池的实验测试结果，结合其曲线特征对电池进行聚类分析，采用K-means聚类算法对退役电池特征曲线的聚类结果如图9所示。
根据聚类的结果我们可知：根据获取退役电池的测试曲线大致可以分为三个不同类别，体现为图中的三个不同的分布带。退役电池的特征曲线以内阻-SOC特征曲线表征，进而依据文献(Neubauer J,Smith K,Wood E,et al.Identifying and OvercomingCritical Barriers to Widespread Second Use of PEV.Batteries[J].2015.)的评价可知对应的健康状态的拟合依次为0.84、0.75、066，对应本发明中电池的可用容量依次为236.88Ah、211.5Ah、186.12Ah，对应的比例依次为50％、30％、20％。
为了实现MMC结构的优化控制，将各套MMC内均配置同样的光伏、电动公交车充电桩及退役电池梯次储能容量，而根据实际电动公交车充电站的实际需求并依据建立的目标函数1，可知该充电的各个容量优化配置结果如表3所示。
表3充电站优化配置结果
需要说明的是退役电池储能容量1000Ah(含三种不同健康度的动力电池，比例为5：3：2)。
在上述计及日运营成本对MMC模块对光伏发电、电动公交车、退役电池储能进行容量优化配置的基础上，对引入的退役梯次储能给电动公交车充电站的日运营效益分析如下。
(1)引入MMC模块与梯次储能后日运营成本增加
在上述优化配置基础上对电动公交车充电站进行优化，而引入梯次储能与MMC模块结构后需要引入额外的成本，故在求解日运营的优化过程中，需要将其折合至每日的运营成本中。优化中取国产MMC结构的成本为800元/kVA，退役电池用于梯次储能的成本为500元/kW·h，与两者对应的投资成本依次为1.5×1000KVA×800元/KVA＝120万、114.32万元，设定各自使用寿命为20年、10年，可知，折算至每日使用成本为164.38元、313.21元。
(2)采用梯次储能与未采用储能下的充电站的日运营优化成本对比分析
采用退役储能后的充电站的功功率经济曲线同未接入储能的对比如图10所示，(定义：某时刻的电价乘以对应充电功率为功率经济)。
对应充电站内安装的储能的变化曲线如图11所示，
充电站各功率在日内优化运营中的变化如图12所示。
(3)优化前后日运营成本
根据优化模型求解的结果，对功率曲线进行积分运算，可知对应的运营成本：该市日内考虑分时电价下的未接入梯次储能的运营成本20304元，而接入退役电池储能后的运营成本16427元(15950+164.38+313.2)元，具体成本如图3所示。
可知，接入退役动力电池后电动公交充电站的运营收益为3876.42元，成本节省了19.09％。在进行退役电池的优化配置后，对于充电站的优化收益具有至关重要的作用。
(4)引入基于MMC结构后的电动公交车充电站电的效益分析
在计及全寿命周期下配置该结构设计后的充电站的综合成本分析(含光伏的配置成本、全寿命周期下的动力电池用于储能而节约储能配置成本、光伏与储能的收益、MMC配置成本及引入该汇聚系统后节省建设用地成本，各项均以年计)，如图4所示。
根据图14可知，根据上述结构设计的电动公交充电站的成本的对比，可知：
a)在新能源享有国家补贴等多项优惠政策的条件下，对照因引入光伏所带来的成本的增加同因接入光伏所产生的效益相比，可知：考虑国家的光伏补贴政策后光伏的安装费用为4万元，而因光伏的接入带来的收益为7.07万元，在光伏接入后，可以有效的降低充电站成本，对于提升充电站的效益具有显著的效果；
b)在考虑动力电池在全寿命周期内的应用时，一般而言，传统的动力电池在不满足动力电池的应用场合时，会直接进行报废处理，其报废的效益微乎其微，而退役后用作储能，一方面可以节省原本用于储能电池组配置的开支，提升退役动力电池的应用价值空间，另一方面还能在分时电价的情形下节省充电成本，由(3)中日运营的分析中可知引入梯次储能后可以节省近20％的成本。
c)引入MMC模块将电动公交车充电、光伏发电系统的接入、退役动力电池储能形成的电能量汇集时，会附加MMC模块及相关结构的建设成本，但引入MMC结构模块可以节省占地面积，随着我国土地成本的不断提升，节省的土地成本(0.9万元)虽低于MMC建设多投入的成本(6万元)，但综合引入MMC后的综合效益依旧有着较大的发展空间。
d)于整体充电站而言，其整体上所呈现的是一种“荷”的特性，在接入电能量汇集之后可以使得充电站的成本降低，引入电能量汇集后的收益为5.41万元，该项举措对于提高充电站的效益、促进新能源形式下的充电站的发展与建设具有重要的意义。
5结论
首先，建立动力电池的评价模型，通过对退役动力电池评价实现对动力电池的可用剩余容量的划分；其次，建立汇聚退役电池、光伏、电动公交车、储能电池多种能源形式的拓扑结构；再次，建立优化模型借以确定经济最优下的充电站的配置方案；最后，以具体的算例进行优化模型的求解验证，获得的结果如下：
1)在前人对于退役电池评价模型的基础之上，本发明引入聚类算法的方式对与批量的退役电池进行分析，获得不同特征的退役动力电池的剩余容量，为之后的优化配置奠定了基础；
2)实现多种能源模块的汇聚模块的设计，对新能源的接入与不同梯次退役动力电池的优化配置，并对配置新能源与退役电池后的电动汽车充电站的日运营进行优化，通过求解，可知：通过配置各种不同的新能源接入并对其日运营优化，对于提高电动公交车充电站的收益具有至关重要的作用；
3)通过对充电站进行设计与配置，对比分析了引入充电站拓扑结构设计前后的成本，可见：采用本发明所提的基于MMC结构对电动公交车、退役电池储能、光伏发电系统进行汇集实现能源的综合接入，可以有效的降低土地投资成本、充分利用动力电池、应用新能源政策的优势，实现充电站设计过程中成本最优化、效益最大化。
4)本发明研究电动公交车充电站设计及优化模型上尚属尝试性的工作，其过程中的不足与局限性主要体现为在涉及充电站结构设计的控制策略上本发明未做展开，在后续的研究中继续研究其中的控制策略，搭建相应的控制模型，对其加以仿真验证设计结构的优越性，为退役电池储能下的电动公交车站充电站设计结构的具体实现提供蓝图。
Claims (6)
1.计及动力电池梯次利用基于MMC结构的充电站优化方法，其特征在于，其包括如下步骤：
(1)采用MMC结构将新能源、退役动力电池、电动公交车汇聚接入构成电动公交车充电站系统；
(2)对退役动力电池进行电池性能测试，获取表现二次曲线的欧姆内阻-荷电状态曲线，以其二阶导数为健康因子；对电动公交车充电站系统中的所有退役动力电池进行健康因子提取，然后利用基于万有引力模型的K-means聚类方法对健康因子进行分类，对退役动力电池进行分级，获得不同健康因子下的欧姆内阻-荷电状态曲线，然后对退役动力电池进行梯次储能配置；
(3)在电动公交车充电站系统中构建优化模型：以建设及容量配置成本最小、公交充电站的日运营费用最低为目标函数，以每个MMC结构中新能源、电动公交车、梯次储能配置的上下限为子约束条件，以每个MMC结构中的新能源配置量、整个充电站的新能源安装量为子约束条件，以每个MMC结构中的电动公交车量、整个充电站的总容纳量为子约束条件，以每个MMC结构中的梯次储能的配置量、整个充电站的总的梯次储能量为子约束条件，以电网功率传输与光伏约束为子约束条件，以基于健康因子的退役动力电池充充放电功率为子约束条件约束，以退役动力电池充放电守恒为子约束条件，以整个模型中的电源与功率平衡为子约束条件；
(4)利用差分进化算法对优化模型进行求解，以输出最优优化方案。
2.根据权利要求1所述的计及动力电池梯次利用基于MMC结构的充电站优化方法，其特征在于，所述电动公交车充电站系统由六个桥臂构成，其中每个桥臂由若干个相互连接且结构相同的子模块与一个电抗器L串联构成，上下两个桥臂构成一个相单元；新能源、退役动力电池和电动公交车分别通过隔离模块以及电压控制接入一个子模块。
3.根据权利要求1所述的计及动力电池梯次利用基于MMC结构的充电站优化方法，其特征在于，基于万有引力模型的改进K-means聚类的算法的基本流程为：
Step1:随机选择K个数据对象作为初始的聚类中心；
Step2:计算余下数据点对象与K个聚类中心之间的距离，
Step3:根据所提出的万有引力模型，确定评价指标EI的大小：式中，EI为聚类效果的评价指标；P、pi分别为曲线上两个数据点的值；W为评价调节系数，通过取数据截集的方法确定；ri为某一特定数据点相去聚类中心的距离：ri＝||xi-cj||，xi为第i个数据点；cj为某一聚类中心；
通过计算所得的EI的大小确定划分相应的簇，并按ri＝||xi-cj||对聚类中心进行更新；
Step4:当指标EI的值达到一定值或者迭代指标的次数达到指定的次数时，停止迭代，否则转至Step2。
4.根据权利要求1所述的计及动力电池梯次利用基于MMC结构的充电站优化方法，其特征在于，所述新能源为光伏，以建设及容量配置成本最小为目标函数，其目标函数以及此目标函数的子约束条件如下：
目标函数：
式中，C1为MMC的配置成本；N为配置的MMC的个数；Pprice为MMC单位配置容量的成本；i为第i个MMC模块；PVi为第i个MMC配置的光伏容量；EBi为第i个MMC配置的电动公交车的容量；EStci为第i个MMC配置的梯次储能的容量；Pi＝PVi+EBi+EStci为第i个MMC的容量；m为系统年限；r0为贴现率，一般取为5％；w％为MMC的维护费用；
子约束条件：
a)站内装置MMC数量约束
1≤N≤Nmax
b)对于站内的第i个MMC结构，有
PVimin≤PVi≤PVimax
EBimin≤EBi≤EBimax
EStcimin≤EStci≤EStcimax
式中，依次为针对第i个MMC结构中光伏、电动公交车、梯次储能配置的上下限约束；
c)对于整个充电站，有
式中，PVi,PV∑分别为第i个MMC结构中的光伏配置量、整个充电站的光伏安装量；同理，EBi,EB∑，EStci,ES∑分别为接入的电动公交车量、整个充电站的总容纳量、梯次储能的配置量、整个充电站的总的梯次储能量。
5.根据权利要求1所述的计及动力电池梯次利用基于MMC结构的充电站优化方法，其特征在于，所述新能源为光伏，以公交充电站的日运营费用最低为目标函数，其目标函数以及此目标函数的子约束条件如下：
目标函数：
式中，pricegrid(t)为t时刻从电网获得电能的电价；pgrid(t)为t时刻从电网获得的功率的大小；ptc(t,i,j)为梯次储能电价成本；pricetc(t)为第i个MMC模块在第j个健康度的梯次储能充电功率；ppv(t,i)、pgrid(t,i)为第i个MMC模块在t时刻的为充电站提供的功率；Δt为光伏、储能功率的采样间隔；N为公交充电站中的MMC的数量；n为一天的优化周期内的时刻点的数量；
子约束条件：
a)电网功率传输与光伏约束
|pgrid(t,i)|≤pgridmax
0≤ppv(t,i)≤PVi
b)退役电池充充放电功率约束
|ptc(t,i,j)|≤EStci(t)·SOHj
式中，EStci(t)为退役梯次利用动力电池的t时刻充放电功率限制，考虑退役后容量折损，需乘以SOHj即第j阶次下动力电池的健康度作为实际约束；
c)充放电守恒约束
充放电守恒约束即一天内蓄电池总的充电量与总放电量相同；
d)构成的小系统中电源与功率平衡的约束
pgrid(t,i)+Ppv(t,i)＝ptc(t,i,j)+Peb(t,i)
式中，Peb(t,i)为t时刻电站的电动公交车充电功率。
6.根据权利要求1所述的计及动力电池梯次利用基于MMC结构的充电站优化方法，其特征在于，采用差分进化算话进行优化求解的基本步骤如下：
Step1：数据的初始化处理；
Step2：设置迭代的约束条件；
Step3：对数据进行变异操作、交叉操作、边界条件处理、计算目标函数值、对优化的数据进行选择操作；
Step4：重复Step2,Step3直到输出最优个体获得最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910300059.5A CN109980742B (zh) | 2019-04-15 | 2019-04-15 | 计及动力电池梯次利用基于mmc结构的充电站优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910300059.5A CN109980742B (zh) | 2019-04-15 | 2019-04-15 | 计及动力电池梯次利用基于mmc结构的充电站优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109980742A true CN109980742A (zh) | 2019-07-05 |
| CN109980742B CN109980742B (zh) | 2023-07-25 |
Family
ID=67084630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910300059.5A Active CN109980742B (zh) | 2019-04-15 | 2019-04-15 | 计及动力电池梯次利用基于mmc结构的充电站优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109980742B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110556850A (zh) * | 2019-07-19 | 2019-12-10 | 国网辽宁省电力有限公司大连供电公司 | 电动汽车退役电池用于换电站储能的容量配置方法 |
| CN110807266A (zh) * | 2019-11-11 | 2020-02-18 | 上海第二工业大学 | 一种考虑梯次利用的动力电池资源存量计算方法 |
| CN110912283A (zh) * | 2019-12-11 | 2020-03-24 | 河北工业大学 | 一种无线电能传输系统的参数调整方法及装置 |
| CN111260185A (zh) * | 2020-01-08 | 2020-06-09 | 重庆大学 | 退役电动汽车电池作为大规模储能的发输电系统运行可靠性评估方法 |
| CN111416165A (zh) * | 2020-03-25 | 2020-07-14 | 华中科技大学 | 一种液态金属电池充电方法及系统 |
| CN111697603A (zh) * | 2020-05-15 | 2020-09-22 | 西安联创分布式可再生能源研究院有限公司 | 基于电池衰减的电化学储能系统的配置与策略制定方法 |
| CN111740442A (zh) * | 2020-06-08 | 2020-10-02 | 上海电力大学 | 一种应用于光储充电站的退役电池梯次利用控制方法 |
| CN113315156A (zh) * | 2021-05-31 | 2021-08-27 | 广东电网有限责任公司 | 动力电池的入网配置方法、装置、计算机设备和存储介质 |
| CN115994714A (zh) * | 2023-03-22 | 2023-04-21 | 江苏金寓信息科技有限公司 | 一种基于大数据统计的idc机房锂电池效能评估方法 |
| CN117878455A (zh) * | 2024-03-13 | 2024-04-12 | 深圳市杰成镍钴新能源科技有限公司 | 一种退役电池的放电状态优化方法及相关装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107046293A (zh) * | 2016-11-21 | 2017-08-15 | 中国能源建设集团江苏省电力设计院有限公司 | 基于电池梯次利用的公交充电站预制舱式储能系统及方法 |
-
2019
- 2019-04-15 CN CN201910300059.5A patent/CN109980742B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107046293A (zh) * | 2016-11-21 | 2017-08-15 | 中国能源建设集团江苏省电力设计院有限公司 | 基于电池梯次利用的公交充电站预制舱式储能系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 余晓玲 等: ""基于退役动力电池梯次利用的光伏充电站容量配置"", 《电器与能效管理技术》 * |
| 郭世枭 等: ""基于改进 K-means 聚类计及分布式光伏和电动汽车的园区负荷聚合体的最优构建"", 《电力科学与工程》 * |
| 郭世枭: ""含退役电池梯次利用的公交车充电站优化配置及运营"", 《CNKI》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110556850A (zh) * | 2019-07-19 | 2019-12-10 | 国网辽宁省电力有限公司大连供电公司 | 电动汽车退役电池用于换电站储能的容量配置方法 |
| CN110556850B (zh) * | 2019-07-19 | 2023-02-21 | 国网辽宁省电力有限公司大连供电公司 | 电动汽车退役电池用于换电站储能的容量配置方法 |
| CN110807266A (zh) * | 2019-11-11 | 2020-02-18 | 上海第二工业大学 | 一种考虑梯次利用的动力电池资源存量计算方法 |
| CN110807266B (zh) * | 2019-11-11 | 2023-03-28 | 上海第二工业大学 | 一种考虑梯次利用的动力电池资源存量计算方法 |
| CN110912283B (zh) * | 2019-12-11 | 2021-06-22 | 河北工业大学 | 一种无线电能传输系统的参数调整方法及装置 |
| CN110912283A (zh) * | 2019-12-11 | 2020-03-24 | 河北工业大学 | 一种无线电能传输系统的参数调整方法及装置 |
| CN111260185A (zh) * | 2020-01-08 | 2020-06-09 | 重庆大学 | 退役电动汽车电池作为大规模储能的发输电系统运行可靠性评估方法 |
| CN111416165A (zh) * | 2020-03-25 | 2020-07-14 | 华中科技大学 | 一种液态金属电池充电方法及系统 |
| CN111416165B (zh) * | 2020-03-25 | 2021-05-18 | 华中科技大学 | 一种液态金属电池充电方法及系统 |
| CN111697603A (zh) * | 2020-05-15 | 2020-09-22 | 西安联创分布式可再生能源研究院有限公司 | 基于电池衰减的电化学储能系统的配置与策略制定方法 |
| CN111740442A (zh) * | 2020-06-08 | 2020-10-02 | 上海电力大学 | 一种应用于光储充电站的退役电池梯次利用控制方法 |
| CN111740442B (zh) * | 2020-06-08 | 2023-10-31 | 上海电力大学 | 一种应用于光储充电站的退役电池梯次利用控制方法 |
| CN113315156A (zh) * | 2021-05-31 | 2021-08-27 | 广东电网有限责任公司 | 动力电池的入网配置方法、装置、计算机设备和存储介质 |
| CN115994714A (zh) * | 2023-03-22 | 2023-04-21 | 江苏金寓信息科技有限公司 | 一种基于大数据统计的idc机房锂电池效能评估方法 |
| CN115994714B (zh) * | 2023-03-22 | 2023-05-19 | 江苏金寓信息科技有限公司 | 一种基于大数据统计的idc机房锂电池效能评估方法 |
| CN117878455A (zh) * | 2024-03-13 | 2024-04-12 | 深圳市杰成镍钴新能源科技有限公司 | 一种退役电池的放电状态优化方法及相关装置 |
| CN117878455B (zh) * | 2024-03-13 | 2024-05-14 | 深圳市杰成镍钴新能源科技有限公司 | 一种退役电池的放电状态优化方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109980742B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109980742A (zh) | 计及动力电池梯次利用基于mmc结构的充电站优化方法 | |
| Sun | A multi-objective optimization model for fast electric vehicle charging stations with wind, PV power and energy storage | |
| CN105337315B (zh) | 一种风光蓄互补独立微电网高维多目标优化配置方法 | |
| CN103241130B (zh) | 一种电动公交车充换电站的能量管理方法及系统 | |
| CN110417015A (zh) | 基于模型预测控制的微电网多目标优化调度方法及系统 | |
| Yang et al. | A novel parallel-series hybrid meta-heuristic method for solving a hybrid unit commitment problem | |
| CN105896582A (zh) | 一种微网储能容量优化配置方法 | |
| CN106877339B (zh) | 一种考虑电动汽车接入配电网后随机模糊潮流的分析方法 | |
| CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
| CN116307087B (zh) | 考虑电动汽车充放电的微电网系统储能优化配置方法和系统 | |
| Pal et al. | Planning of EV charging station with distribution network expansion considering traffic congestion and uncertainties | |
| CN113131529B (zh) | 一种计及多种灵活性资源的可再生能源承载力评估的方法 | |
| Liu et al. | Energy-storage configuration for EV fast charging stations considering characteristics of charging load and wind-power fluctuation | |
| Li et al. | Multi-objective optimal operation of centralized battery swap charging system with photovoltaic | |
| Zhang et al. | Joint planning of distributed PV stations and EV charging stations in the distribution systems based on chance-constrained programming | |
| CN114723284A (zh) | 一种含分布式电源和电动汽车的配电网可靠性评估方法 | |
| Yin et al. | Optimal scheduling of electric vehicle integrated energy station using a novel many-objective stochastic competitive optimization algorithm | |
| jing Hu et al. | Capacity optimization of wind/PV/storage power system based on simulated annealing-particle swarm optimization | |
| CN112036735A (zh) | 一种用于光伏电站的储能系统的储能容量规划方法及系统 | |
| CN106227986A (zh) | 一种分布式电源与智能停车场的联合部署方法及装置 | |
| CN112580256B (zh) | 计及故障率影响含电动汽车的分布式电源选址定容方法 | |
| Cui et al. | Game-based distributed charging control for electric vehicles in a photovoltaic charging station | |
| Chen et al. | PSO-based siting and sizing of electric vehicle charging stations | |
| Sun et al. | Optimal operation strategy of wind-hydrogen integrated energy system based on NSGA-II algorithm | |
| Lu et al. | Capacity Planning of Charging Station Battery Energy Storage System Considering the Resilience of Electric Vehicles |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230613 Address after: 10 / F, 11 / F, West Tower, 8 shuijungang, Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong 510000 Applicant after: GRID POWER PLANNING AND RESEARCH CENTER OF GUANGDONG GRID POWER Co.,Ltd. Address before: 510030 floors 10 and 11, West Tower, No. 8, shuijungang, Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong Applicant before: GRID POWER PLANNING AND RESEARCH CENTER OF GUANGDONG GRID POWER Co.,Ltd. Applicant before: POWER CONSTRUCTION TECHNOLOGY ECONOMIC CONSULTING CENTER OF CHINA ELECTRICITY COUNCIL |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |