CN110033142A - 考虑负荷不确定性的充换电站优化调度策略 - Google Patents

考虑负荷不确定性的充换电站优化调度策略 Download PDF

Info

Publication number
CN110033142A
CN110033142A CN201910326134.5A CN201910326134A CN110033142A CN 110033142 A CN110033142 A CN 110033142A CN 201910326134 A CN201910326134 A CN 201910326134A CN 110033142 A CN110033142 A CN 110033142A
Authority
CN
China
Prior art keywords
power
electric
load
charging station
electricity
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
Application number
CN201910326134.5A
Other languages
English (en)
Other versions
CN110033142B (zh
Inventor
钟嘉庆
王一鸣
张一凡
张晓辉
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN201910326134.5A priority Critical patent/CN110033142B/zh
Publication of CN110033142A publication Critical patent/CN110033142A/zh
Application granted granted Critical
Publication of CN110033142B publication Critical patent/CN110033142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了考虑负荷不确定性的充换电站优化调度策略，属于电动汽车充换电站负荷优化调度领域。本发明提出‘负荷裕度域’指标，主要处理两类负荷的不确定性，一是电动汽车用户侧的用电负荷，二是并网运行的风力发电出力，电网运营商可以通过此指标更合理的调度电网负荷；其次，以推导出的负荷裕度域作为约束，并结合分时电价建立了社会福利最大化的模型；最后，针对两个不确定性问题，本发明采用了可信性理论，将不确定变量利用梯形模糊变量表示，建立模糊机会约束，并通过对模糊机会约束进行清晰化等价处理，最后采用带收缩因子的粒子群优化算法对本模型求解，通过算例分析所提及模型及方法的有效性。

Description

考虑负荷不确定性的充换电站优化调度策略
技术领域
本发明涉及电动汽车充换电站负荷优化调度领域。具体是一种基于负荷裕度域的充换电站优化调度策略。
背景技术
在如今交通市场上电动汽车已经成为了一个不可忽视的角色，进而电动汽车的电能供应也随之快速发展，现在已有两种普遍的电能供应方式：并网运行的风电场发电和通过电网供电。然而由于人们的生活节奏加快，用户需求情况发生改变，近几年产生了“换电站”充电形式，所以为了满足用户的需求，在研究充电站的基础上考虑“换电站”充电形式，建立充换电站模型来有效的促进风电消纳。
新能源电动汽车(electric vehicle，EV)因为具有高节能、低排放、清洁环保的特性，成为减少温室气体和能源紧缺问题的有效解决途径之一。因此近年来在国内外受到了广泛的重视和大力的发展，许多国家更是将发展电动汽车提高到了国家发展的战略高度。电动汽车作为一种交通工具开始逐渐代替传统的燃油汽车，许多学者和机构将电动汽车视为汽车工业和未来城市交通发展的方向。
在此有两方面不确定因素：其一是并网运行的风电场风电出力，这是由于自然，地理等多方面因素，导致发电量的随机波动性以至于充换电站的电供应量不稳定；其二是电动汽车的负荷不确定性，电动汽车在充电时是作为负荷角色，在EV用户用车时是作为电源角色，但EV用户用车又是随机且难以预测的，所以，对这两方面的不确定性问题分析具有重要意义。
发明内容
本发明基于上述遇到的问题：EV负荷和并网运行的风电出力均具有不确定性，所以提出一种考虑负荷不确定性的充换电站优化调度策略，提出来一种‘负荷裕度域’指标，即‘电动汽车负荷裕度域’和‘风力发电出力裕度域’来描述上述两种不确定负荷。通过某日的负荷使用情况，推算出次日的负荷裕度域，并考虑到特殊情况，采用负荷方差来解决。在模型中将利用负荷裕度域进一步约束次日的负荷，实现经济性最优，用户满意度最大，然后达到最高的社会福利，同时还可以促进风电消纳。
为了实现上述目的，采用以下技术方案：考虑负荷不确定性的充换电站优化调度策略，其特征在于：具体步骤如下：
步骤1：经济成本目标函数：风力发电并网运行，向充换电站供电，并于充换电站内基于换电站与电网、EV用户售购电能，基于风力发电接入的充换电站建立经济成本最低的目标函数；
步骤2：满意度目标函数EV用户到达充换电站进行充换电，依据其充换电功率的比较来作为对充换电站的电动汽车用户满意度评价，以电动汽车用户满意度最大为目标函数式中：为用户满意度最大的充电功率，当0≤i≤N1时是充电状态，N1<i≤N2时是换电状态；以EV到达充电站之后即开始充换电为最满意情形；I(n)为n＝0:断电状态；n＝1:接电状态；
步骤3：单目标函数模型：将步骤1-2所获得的两个目标函数，利用相对化处理方法转化为单目标函数，并以充放电功率和SOC范围约束、充换电站功率约束为充换电站的约束条件；
步骤4：负荷裕度域指标：根据充电站某日全天的电动汽车负荷标准差和风力发电负荷标准差来确定次日的电动汽车负荷裕度域和风力发电负荷裕度域，并以此对次日的电动汽车负荷和风力发电负荷进行约束；其中，电动汽车的负荷标准差为：
风电场发电出力标准差为若σmin<σ1,2<σmax时，依据约束条件1来确定次日的电动汽车负荷裕度域和风力发电负荷裕度域；否则依据约束条件2来确定次日的电动汽车负荷裕度域和风力发电负荷裕度域；
约束条件1：
换电站整体充电功率约束：0≤Pchange(i,t)≤Pchangemin(i,t)+2Pλev(i,t)，其中，Pchange(i,t)为第i台电动汽车t时段的换电功率；Pchangemin(i,t)为第i台电动汽车t时段的最小换电功率；
风电场出力限制约束：0≤Pact(i,t)≤Pact_min(i,t)+2Pλwind(i,t)，式中：Pact_max(i,t)为风电场最大实际可用出力；
约束条件2：式中Pλ(i,t)表示负荷裕度域，K是负荷裕度域系数，取大于零的正数，Powmax(i,t-1)，Powmin(i,t-1)是某日负荷最大值和最小值，Pow(t)为某时刻t的电动汽车负荷或风力发电负荷；
步骤5：最后对以负荷裕度域指标为约束的单目标函数模型，利用可信性理论与模糊机会约束的融合，引入可信性测度指标，建立基于可信性理论的数学模型，采用带收缩因子的粒子群优化算法进行求解。
进一步的技术方案在于，所述步骤1的目标函数，包括充电站成本、换电站成本和风电场成本。
进一步的技术方案在于，所述充电站成本为充电站卖给EV用户的电和向电网售电量：
式中：N1为电动汽车的台数(台)；Csg(t)为t时段运营商向电网的售电电价(元)；Cbg(t)为t时段运营商从电网的购电电价(元)；Cdischa(i,t)为第i台电动汽车t时段的放电电价(元)；Ccha(i,t)为第i台电动汽车t时段的充电电价(元)；Psg(t)为t时段运营商向电网售电的功率(Kw)；Pdischa(i,t)为第i台电动汽车t时段的放电功率(Kw)；Pbg(t)为t时段运营商从电网的购电功率(Kw)；Pcha(i,t)为第i台电动汽车t时段的充电功率(Kw)；σt为电动汽车的充电时长：设定一个调度周期为一天，σt设为1h。
进一步的技术方案在于，所述换电站成本根据用户用车情况，考虑电池的租赁费用以及电量计费：F12＝f1+f2+f3，f1为每个电池的租赁费用，换电站每次提供换电服务时向电动汽车用户收取，即N2为用户待使用的换电站电池个数(个)；I(i,t,m)为第i台电动汽车t时段的充换电状态，称为电站充换电方式决策变量m＝0，I(i,t,m)＝0：插充状态；m＝1，I(i,t,m)＝1：换电状态；Crent(i,t)为电动汽车车载电池的租赁成本；f2为换电站按用户车辆当前电量进行计费的收益，也即：Csale(i,t)为电动汽车换电零售价；SOC(i,t)为第i台电动汽车t时段发生换电需求时电池的电量；SN为电池的额定容量。
进一步的技术方案在于，所述风电场成本为N3为风电场的个数(个)；Cwind为风电上网电价(元)；Ppre(i,t)为第i个风电场t时段的预测出力(KW)；Pact(i,t)为第i个风电场t时段的实际出力(KW)；Cbc为风电场减少出力的补偿费用系数。
进一步的技术方案在于，所述步骤3的单目标函数模型为：
单目标函数：F3(t)是社会福利，λ1是经济成本系数，F1max(t)是经济预测最大值，λ2是满意度系数；经济预测最大值可以由负荷预测最大值乘以所有时段中最高电价求得，计算公式为：F1max(t)＝Powmax(t)*Cmax，Powmax(t)是t时段的最大功率值，Cmax是所有时段中的最高电价；
充放电功率和SOC范围约束：
0≤Pcha(i,t)≤Pchamax(i,t)
0≤Pdischa(i,t)≤Pdischamax(i,t)
0≤Psg(t)≤Psgmax(t)
0≤Pbg(t)≤Pbgmax(t)
SOCNmin≤SOCN≤SOCNmax
式中：
Pchamax(i,t)为第i台电动汽车t时段的最大充电功率；
Pdischamax(i,t)为第i台电动汽车t时段的最大放电功率；
Psgmax(t)为t时段运营商(充换电站)最大售电量；
Psgmin(t)为t时段运营商(充换电站)最大购电量；
SOCN为电池额定荷量；
充换电站功率约束：某时段的系统实际使用总负荷应该小于同时段预测的充电功率、放电功率、换电功率之总和：
式中：
Pow(t)L为t时刻系统实际最大总负荷；
由于系统中含有并网运行的风电场，因此需要考虑到风电场出力的不确定性问题，同时也要考虑电动汽车负荷的不确定性问题；因此本发明采用可信性理论解决该不确定性问题，对该约束条件进行不确定性处理，建立基于可信性测度的不等式约束条件：
式中，Cr表示可信性测度；μ为模糊变量；γ为置信水平。
进一步的技术方案在于，所述可信性理论与模糊机会约束的融合，引入可信性测度指标，建立了基于可信性理论的数学模型为：
可信性理论是研究模糊现象数量规律的一个新的数学分支，它建立在严密的公理化基础之上；
引入可信性测度指标：
设Θ为非空集合，P(Θ)表示Θ的幂集，即Θ的所有子集构成的集合；P(Θ)中的元素称为模糊事件；为了介绍可信性的公理化定义，有必要定义集函数，对Θ的每个子集A，规定一个非负数Cr{A}，表示事件A发生的可信性；为了保证集函数Cr{A}具有人们直观上期望具备的某些数学性质，可以考虑如下五条公理：
公理1：Cr{Θ}＝1；
公理2：Cr是单调增加的，即：当时有Cr{A}≤Cr{B}；
公理3：Cr是自对偶的，即：对任意的A∈P(Θ)有Cr{A}+Cr{Ac}＝1；
公理4：对任意满足Cr{Ai}≤0.5的{Ai}有Cr{∪iAi}∧0.5＝supiCr{Ai}；
公理5：设Θk是非空集合，Crk在其上分别满足前四条公理，k＝1,2,…n，并且Θ＝Θ1×Θ2×…×Θn，则对每个(θ1,θ2,…,θn)∈Θ成立Cr{(θ1,θ2,…θn)}＝Cr1{θ1}∧Cr2{θ2}∧…Crn{θn}定义：如果集函数Cr满足前四条公理，则称之为可信性测度；
下一步引入模糊变量：
传统上，模糊变量是由隶属度函数来定义的；现在模糊变量被定义为可信性空间上的实值函数，相当于随机变量被定义为概率空间上的可测实值函数；
定义3：一个模糊变量就是指从可信性空间(Θ,P(Θ),Cr)到实数集中的函数；
一个n维模糊变量就是指从可信性空间(Θ,P(Θ),Cr)到n维实向量空间中的函数。容易验证向量(ξ1,ξ2,…ξn)是一个模糊向量当且仅当每个分量(ξ1,ξ2,…ξn)都是模糊变量；
基于可信性理论的模糊机会约束规划模型可表示为：
min f(X)
s.t.Cr(gj(X,ξ)≤0)≥γ j＝1,2,...n
式中，Cr{.}表示{.}发生的可信性，γ表示预先设定的置信水平，gj(X,ξ)≤0为约束条件，其中X为决策变量，ξ表示模糊变量。
与现有技术相比，本发明具有如下优点：
在考虑充电站模型基础之上，将换电站考虑在基于可信性理论的充换电站模型中,更符合社会实际情况。
定义负荷裕度域，并使用可信性理论对其实时优化调度，减少了系统成本、促进了风电消纳并提高了用户满意度以实现社会福利最大化。
针对该模型的不确定问题，研究了模糊机会约束与可信性理论的融合，引入可信性测度指标，最后采用带收缩因子的粒子群优化算法对本模型求解，求解速度快且易得最优解。
附图说明
图1是本发明方法的电网、运营商和EV用户间的关系图。
图2是本发明方法的主要内容框图。
图3是本发明方法的改进粒子群算法求解流程图。
图4是本发明方法算例中的充换电站向电网售电及从电网购电电价。
图5是本发明方法算例中的电动汽车充电电价、放电电价。
图6是本发明方法算例中的每个风电机组出力预测值。
具体实施方式
下面结合附图对本发明做进一步说明：
本发明阐述了一种计及负荷裕度域的充换电站负荷优化调度方法，其特征在于，具体的步骤为：
步骤1：经济成本目标函数
成本最低模型
运营商(充换电站)作为整个调度模型的核心部分，当与电网侧售购电时，要使得电网的利润最高，就要保证充电站的经济成本最低，充电站供电来源于电网和风力发电，包括充电站、换电站和风电场。
minF1＝F11+F12+F13 (1)
1、充电站
运营商(充电站部分)卖给EV用户的电和向电网售电量相当于运营商的正收入，公式如下：
式中：
N1——电动汽车的台数(台)；
Csg(t)——t时段运营商向电网的售电电价(元)；
Cbg(t)——t时段运营商从电网的购电电价(元)；
Cdischa(i,t)——第i台电动汽车t时段的放电电价(元)；
Ccha(i,t)——第i台电动汽车t时段的充电电价(元)；
Psg(t)——t时段运营商向电网售电的功率(Kw)；
Pdischa(i,t)——第i台电动汽车t时段的放电功率(Kw)；
Pbg(t)——t时段运营商从电网的购电功率(Kw)；
Pcha(i,t)——第i台电动汽车t时段的充电功率(Kw)；
σt——电动汽车的充电时长：设定一个调度周期为一天，σt设为1h；
2、换电站
由于换电站的特殊性质：不需要充电，直接更换电池即可达到用户用车。为便于计算，在这里假设忽略换电时间，并根据用户用车情况，考虑电池的租赁费用以及电量计费：
F12＝f1+f2+f3 (3)
f1为每个电池的租赁费用，换电站每次提供换电服务时向电动汽车用户收取，即
式中：
N2——用户待使用的换电站电池个数(个)；
I(i,t,m)——第i台电动汽车t时段的充换电状态，称为电站充换电方式决策变量m＝0，I(i,t,m)＝0：插充状态；m＝1，I(i,t,m)＝1：换电状态；
Crent(i,t)——电动汽车车载电池的租赁成本；
f2为换电站按用户车辆当前电量进行计费的收益，也即：
式中：
Csale(i,t)——电动汽车换电零售价；
SOC(i,t)——第i台电动汽车t时段发生换电需求时电池的电量；
SN——电池的额定容量；
3、风电场
由于可调度风电总量是已知的，即风电购电量与弃风电量之和为定值，每多购买一度风电，虽然需要多增加一度电的购电成本，但可以同时减少一度电的弃风惩罚：
式中：
N3——风电场的个数(个)；
Cwind——风电上网电价(元)
Ppre(i,t)——第i个风电场t时段的预测出力(KW)；
Pact(i,t)——第i个风电场t时段的实际出力(KW)；
Cbc——风电场减少出力的补偿费用系数；
步骤2：满意度目标函数：
运营商(充换电站)作为整个调度模型的核心部分，当用户通过运营商(充换电站)充放电时也要使得用户的满意度最大。这个目标函数中，由于σt在这里是1h，所以略去。满意度越大，则F2与1的差越越小，反之与1的差越大，显然，当用户到达充电站即开始充电直至充满情形下用户满意度最大。满意度目标主要根据功率的比较得出：
式中：
——用户满意度最大的充电功率，当0≤i≤N1时是充电状态，N1<i≤N2时是换电状态。以EV到达充电站之后即开始充换电为最满意情形；
I(n)——n＝0:断电状态；n＝1:接电状态；
步骤3：单目标函数模型：
提出“社会福利”：‘满意度’-‘系统成本’。但是满意度无量纲，系统成本的量纲是元，所以使用相对化处理方法化双目标函数为单目标函数，公式如下：
上式中的F3(t)是社会福利，λ1是经济成本系数，F1max(t)是经济预测最大值，λ2是满意度系数。经济预测最大值可以由负荷预测最大值乘以所有时段中最高电价求得，计算公式如下：
F1max(t)＝Powmax(t)*Cmax (9)
其中Powmax(t)是t时段的最大功率值，Cmax是所有时段中的最高电价。
约束条件：
(1)充放电功率和SOC范围约束：充放电功率和电荷量也是必须有范围的，不能太大也不能小于零。
0≤Pcha(i,t)≤Pchamax(i,t) (10)
0≤Pdischa(i,t)≤Pdischamax(i,t) (11)
0≤Psg(t)≤Psgmax(t) (12)
0≤Pbg(t)≤Pbgmax(t) (13)
SOCNmin≤SOCN≤SOCNmax (14)
式中：
Pchamax(i,t)——第i台电动汽车t时段的最大充电功率；
Pdischamax(i,t)——第i台电动汽车t时段的最大放电功率；
Psgmax(t)——t时段运营商(充换电站)最大售电量；
Psgmin(t)——t时段运营商(充换电站)最大购电量；
SOCN——电池额定荷量；
(2)充换电站功率约束：某时段的系统实际使用总负荷应该小于同时段预测的充电功率、放电功率、换电功率之总和。
式中：
Pow(t)L——t时刻系统实际最大总负荷；
由于系统中含有并网运行的风电场，因此需要考虑到风电场出力的不确定性问题，同时也要考虑电动汽车负荷的不确定性问题。因此采用可信性理论解决该不确定性问题，对该约束条件进行不确定性处理，建立基于可信性测度的不等式约束条件：
式中，Cr表示可信性测度；μ为模糊变量；γ为置信水平。
步骤4：负荷裕度域指标
(1)提出负荷裕度域指标：
电动汽车负荷、风力发电出力均具有不确定性，但同时都存在一定的波动范围，也即存在最大值与最小值，为了解决这两个负荷不确定性问题，这里分别提出了电动汽车负荷裕度域和风力发电负荷裕度域，推导公式其实并无差别，所以合并表示如下：
式中Pλ(i,t)表示负荷裕度域，包括电动汽车负荷裕度域Pλev(i,t)、并网运行风电场发电出力裕度域Pλwind(i,t)，K是负荷裕度域系数，根据实际情况K应取大于零的正数，Powmax(i,t-1)，Powmin(i,t-1)是某日负荷最大值和最小值。
对某日的全天充换电站负荷进行处理分析：取其中的最大值、最小值的中值，再乘上负荷裕度域系数K，就是次日的负荷裕度域值。依此类推，次日的负荷裕度域再根据前一天的负荷规律求取。再对负荷进行分时电价，电网企业则可以通过电网运营商对电池组的充电行为进行更加合理的调度。
(2)提出负荷标准差要求：
由于不能保证充换电站内每天都正常发电，难免会有断电、恶劣天气等特殊情况发生。因此为保证负荷裕度域预测的合理性，将用标准差σ描述一天的负荷数据的离散程度。
若σ值小，表示各数据点离均值的距离短，即负荷波动小；反之则负荷波动大。
则一天内电动汽车的负荷标准差表示如下：
一天内风电场发电出力标准差如下：
当充换电站遇到意外情况时，其负荷(出力)标准差或过大或过小，此时的标准差则另为无效数据，例如：如果标准差过大，次日的负荷裕度过大，则约束范围过大，无法起到约束效果；如果标准差过小，则可能是断电等情况，无约束范围，也无法起到约束效果。
基于负荷裕度域，考虑三个约束条件如下：
(1)换电站整体充电功率约束：换电站充电功率由充电设备和可充电电池共同决定，并考虑上负荷裕度域，最大充电功率上限也即最小充电功率加上负荷裕度域，并且不能低于零。
0≤Pchange(i,t)≤Pchangemin(i,t)+2Pλev(i,t) (22)
Pchange(i,t)——第i台电动汽车t时段的换电功率；
Pchangemin(i,t)——第i台电动汽车t时段的最小换电功率；
(2)风电场出力限制约束：并网运行的风电场出力由于最大值不能大于风电场实际出力加上负荷裕度域，最小不能低于零。
0≤Pact(i,t)≤Pact_min(i,t)+2Pλwind(i,t) (23)
式中：
Pact_max(i,t)——风电场最大实际可用出力；
(3)负荷(出力)标准差要求：当标准差处于一定范围时，才可以对次日的电量起到有效约束，或大或小均会失效。当满足σmin<σ1,2<σmax时，不等式约束(22)-式(23)的最大范围值成立，当不满足时则采取距当天最近并满足负荷(出力)标准差的负荷裕度域。
步骤5:研究了可信性理论与模糊机会约束的融合，引入可信性测度指标，建立了基于可信性理论的数学模型。
可信性理论是研究模糊现象数量规律的一个新的数学分支，它建立在严密的公理化基础之上。刘宝碇给出了一个集函数成为可信性测度的充分必要条件。可信性理论建立在五条公理基础之上，可以定义可信性测度，进一步可以引出模糊变量、隶属度函数、可信性分布、期望值、方差、关键值、熵、距离等重要概念。
引入可信性测度指标：
公理化定义的可信性测度就是论域上满足正规性、单调性、自对偶性和极大化可加性四条公理的集函数。
设Θ为非空集合，P(Θ)表示Θ的幂集(即Θ的所有子集构成的集合)。P(Θ)中的元素称为(模糊)事件。为了介绍可信性的公理化定义，有必要定义集函数，对Θ的每个子集A，规定一个非负数Cr{A}(表示事件A发生的可信性)。为了保证集函数Cr{A}具有人们直观上期望具备的某些数学性质，可以考虑如下五条公理：
公理1：Cr{Θ}＝1；
公理2：Cr是单调增加的，即：当时有Cr{A}≤Cr{B}；
公理3：Cr是自对偶的，即：对任意的A∈P(Θ)有Cr{A}+Cr{Ac}＝1；
公理4：对任意满足Cr{Ai}≤0.5的{Ai}有Cr{∪iAi}∧0.5＝supiCr{Ai}；
公理5：设Θk是非空集合，Crk在其上分别满足前四条公理，k＝1,2,…n，并且Θ＝Θ1×Θ2×…×Θn，则对每个(θ1,θ2,…,θn)∈Θ成立Cr{(θ1,θ2,…θn)}＝Cr1{θ1}∧Cr2{θ2}∧…Crn{θn}定义：如果集函数Cr满足前四条公理，则称之为可信性测度。
下一步引入模糊变量：
传统上，模糊变量(准确的讲应该是模糊集)是由隶属度函数来定义的。现在模糊变量被定义为可信性空间上的实值函数，相当于随机变量被定义为概率空间上的可测实值函数。
定义3：一个模糊变量就是指从可信性空间(Θ,P(Θ),Cr)到实数集中的函数。
一个n维模糊变量就是指从可信性空间(Θ,P(Θ),Cr)到n维实向量空间中的函数。容易验证向量(ξ1,ξ2,…ξn)是一个模糊向量当且仅当每个分量(ξ1,ξ2,…ξn)都是模糊变量。
基于可信性理论的模糊机会约束规划模型
基于可信性理论的模糊机会约束规划模型可表示为：
min f(X) (24)
s.t.Cr(gj(X,ξ)≤0)≥γ j＝1,2,...n (25)
式中，Cr{.}表示{.}发生的可信性，γ表示预先设定的置信水平，gj(X,ξ)≤0为约束条件，其中X为决策变量，ξ表示模糊变量。
基于可信性理论的模糊机会约束规划模型
基于可信性理论的模糊机会约束规划模型可表示为：
min f(X) (26)
s.t.Cr(gj(X,ξ)≤0)≥γ j＝1,2,...n (27)
不确定变量及其可信性分布函数:
这里的不确定变量，也即模糊变量，为风电场的出力以及日负荷预测值。风电场的出力可由梯形模糊数(Pw1,Pw2,Pw3,Pw4)表示，日负荷预测值可用梯形模糊数表示，则模糊变量的可信性分布函数为：
式中，可根据预测数据得到，i＝t或者i＝w。设预测数据为且设比例系数为θk，由数据可得：
在模型中由于含有电动汽车和并网运行的风电场出力这两个不确定量，因此采用上述可信性理论来解决此问题，对该约束条件进行不确定分析，并进行清晰化等价处理：
在模糊机会规划过程中，最重要的步骤就是模糊约束条件的处理，即将约束条件进行清晰化处理。
若函数gj(X,ξ)有如下的形式：
gj(X,ξ)＝h1(X)ξ1+h2(X)ξ2+...+hm(X)ξm+h0(X) (30)
式中，ξk表示为梯形模糊变量(ξk1,ξk2,ξk3,ξk4)，k＝1,2,…,m m∈R，ξk1-ξk4表示隶属度参量。
构造两个函数：
上述的需要满足下式条件：
当时，当时，
对式(16)描述的实际问题，其置信水平一般需要大于0.5，因此
Cr{g(X,ξ)≤0}≥γ就等价为：
为了便于计算，将电动汽车负荷和风电负荷进一步处理。根据式(29)，电动汽车负荷预测值如式(35)所示，风电出力的预测值如(36)所示：
将式(35)和(36)带入到式(34)，并将其展开合并同类项，可将式(16)等价为如式(37)，得到电动汽车不确定负荷与风电出力不确定等价形式，γ表示置信水平，Pcha(i,t)表示充电功率，Pdischa(i,t)表示放电功率，Pchange(i,t)表示换电功率，N1表示充电电动汽车数量，N2表示换电电动汽车数量。
步骤六：利用基于步骤1-5确定的考虑负荷裕度域的充换电站模型对某市充换电站实际算例进行仿真分析
对本发明方法仿真验证：
以上述模型为基础，我国某个城市中的某一电动汽车充换电站共有1000辆电动汽车、400个换电池需要调度，并网运行四个风电场：假设每辆电动汽车具有相同的电池容量和充放电功率，其中每辆电动汽车的电池容量为12KWh，充电功率为3KW，放电功率1.5KW，SOCNmin＝20％，SOCNmax＝90％，每台换电装置每进行一次放电操作，都要付给电池所有者10元的租赁费用。该充换电站内共设有80台充电桩，每台充电桩的充电功率在50kW范围内可调，其中并网运行的每个风电场总容量为40MW(20台单机容量为2MW的双馈风力发电机)。充换电站向电网售电及从电网购电的电价如附图4所示，电动汽车充电电价、放电电价如附图5所示。每个风电机组出力预测值如附图6所示。
结合本发明的基于负荷裕度域的充换电站模型，由仿真结果可以得出考虑换电站后，运营商(充换电站)的社会福利指标要比仅考虑充电站的高，即经济利润高、用户满意度大。同时运营商在考虑了负荷裕度域后，可以对电动汽车负荷与风电场发电出力向期望的目标安排调度计划，以实现风电合理消纳，经济成本的总体趋势是会随负荷裕度域系数的增加而先下降后上升，而负荷裕度域系数根据实际的电动汽车负荷使用情况不同而有不同的合理值。社会福利值总体趋势会随置信水平的增加而先上升后下降，这是因为当置信水平较大时，即要求充换电站有较高效率的调度能力，所以为了达到上述要求，必须增加电动汽车的使用时间及次数等；当置信水平较小时，电动汽车负荷、风电出力的随机性与波动性等不确定问题突出，导致系统的风险程度升高，故尽可能的多投入电动汽车使用和风电并网来尽可能减小风险。
以上所述的仿真验证仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.考虑负荷不确定性的充换电站优化调度策略，其特征在于：具体步骤如下：
步骤1：经济成本目标函数：风力发电并网运行，向充换电站供电，并于充换电站内基于换电站与电网、EV用户售购电能，基于风力发电接入的充换电站建立经济成本最低的目标函数；
步骤2：满意度目标函数：EV用户到达充换电站进行充换电，依据其充换电功率的比较来作为对充换电站的电动汽车用户满意度评价，以电动汽车用户满意度最大为目标函数式中：为用户满意度最大的充电功率，当0≤i≤N1时是充电状态，N1<i≤N2时是换电状态；以EV到达充电站之后即开始充换电为最满意情形；I(n)为n＝0:断电状态；n＝1:接电状态；
步骤3：单目标函数模型：将步骤1-2所获得的两个目标函数，利用相对化处理方法转化为单目标函数，并以充放电功率和SOC范围约束、充换电站功率约束为充换电站的约束条件；
步骤4：负荷裕度域指标：根据充电站某日全天的电动汽车负荷标准差和风力发电负荷标准差来确定次日的电动汽车负荷裕度域和风力发电负荷裕度域，并以此对次日的电动汽车负荷和风力发电负荷进行约束；其中，电动汽车的负荷标准差为：
风电场发电出力标准差为若σmin<σ1,2<σmax时，依据约束条件1来确定次日的电动汽车负荷裕度域和风力发电负荷裕度域；否则依据约束条件2来确定次日的电动汽车负荷裕度域和风力发电负荷裕度域；
约束条件1：
换电站整体充电功率约束：0≤Pchange(i,t)≤Pchangemin(i,t)+2Pλev(i,t)，其中，Pchange(i,t)为第i台电动汽车t时段的换电功率；Pchangemin(i,t)为第i台电动汽车t时段的最小换电功率；
风电场出力限制约束：0≤Pact(i,t)≤Pact_min(i,t)+2Pλwind(i,t)，式中：Pact_max(i,t)为风电场最大实际可用出力；
约束条件2：式中Pλ(i,t)表示负荷裕度域，K是负荷裕度域系数，取大于零的正数，Powmax(i,t-1)，Powmin(i,t-1)是某日负荷最大值和最小值，Pow(t)为某时刻t的电动汽车负荷或风力发电负荷；
步骤5：最后对以负荷裕度域指标为约束的单目标函数模型，利用可信性理论与模糊机会约束的融合，引入可信性测度指标，建立基于可信性理论的数学模型，采用带收缩因子的粒子群优化算法进行求解。
2.根据权利要求1所述的考虑负荷不确定性的充换电站优化调度策略，其特征在于，所述步骤1的目标函数，包括充电站成本、换电站成本和风电场成本。
3.根据权利要求2所述的考虑负荷不确定性的充换电站优化调度策略，其特征在于，所述充电站成本为充电站卖给EV用户的电和向电网售电量：
式中：N1为电动汽车的台数(台)；Csg(t)为t时段运营商向电网的售电电价(元)；Cbg(t)为t时段运营商从电网的购电电价(元)；Cdischa(i,t)为第i台电动汽车t时段的放电电价(元)；Ccha(i,t)为第i台电动汽车t时段的充电电价(元)；Psg(t)为t时段运营商向电网售电的功率(Kw)；Pdischa(i,t)为第i台电动汽车t时段的放电功率(Kw)；Pbg(t)为t时段运营商从电网的购电功率(Kw)；Pcha(i,t)为第i台电动汽车t时段的充电功率(Kw)；σt为电动汽车的充电时长：设定一个调度周期为一天，σt设为1h。
4.根据权利要求2所述的考虑负荷不确定性的充换电站优化调度策略，其特征在于，所述换电站成本根据用户用车情况，考虑电池的租赁费用以及电量计费：F12＝f1+f2+f3，f1为每个电池的租赁费用，换电站每次提供换电服务时向电动汽车用户收取，即N2为用户待使用的换电站电池个数(个)；I(i,t,m)为第i台电动汽车t时段的充换电状态，称为电站充换电方式决策变量m＝0，I(i,t,m)＝0：插充状态；m＝1，I(i,t,m)＝1：换电状态；Crent(i,t)为电动汽车车载电池的租赁成本；f2为换电站按用户车辆当前电量进行计费的收益，也即：Csale(i,t)为电动汽车换电零售价；SOC(i,t)为第i台电动汽车t时段发生换电需求时电池的电量；SN为电池的额定容量。
5.根据权利要求2所述的考虑负荷不确定性的充换电站优化调度策略，其特征在于，所述风电场成本为N3为风电场的个数(个)；Cwind为风电上网电价(元)；Ppre(i,t)为第i个风电场t时段的预测出力(KW)；Pact(i,t)为第i个风电场t时段的实际出力(KW)；Cbc为风电场减少出力的补偿费用系数。
6.根据权利要求2所述的考虑负荷不确定性的充换电站优化调度策略，其特征在于，所述步骤3的单目标函数模型为：
单目标函数：F3(t)是社会福利，λ1是经济成本系数，F1max(t)是经济预测最大值，λ2是满意度系数；经济预测最大值可以由负荷预测最大值乘以所有时段中最高电价求得，计算公式为：F1max(t)＝Powmax(t)*Cmax，Powmax(t)是t时段的最大功率值，Cmax是所有时段中的最高电价；
充放电功率和SOC范围约束：
0≤Pcha(i,t)≤Pchamax(i,t)
0≤Pdischa(i,t)≤Pdischamax(i,t)
0≤Psg(t)≤Psgmax(t)
0≤Pbg(t)≤Pbgmax(t)
SOCNmin≤SOCN≤SOCNmax
式中：
Pchamax(i,t)为第i台电动汽车t时段的最大充电功率；
Pdischamax(i,t)为第i台电动汽车t时段的最大放电功率；
Psgmax(t)为t时段运营商(充换电站)最大售电量；
Psgmin(t)为t时段运营商(充换电站)最大购电量；
SOCN为电池额定荷量；
充换电站功率约束：某时段的系统实际使用总负荷应该小于同时段预测的充电功率、放电功率、换电功率之总和：
式中：
Pow(t)L为t时刻系统实际最大总负荷；
由于系统中含有并网运行的风电场，因此需要考虑到风电场出力的不确定性问题，同时也要考虑电动汽车负荷的不确定性问题；因此采用可信性理论解决该不确定性问题，对该约束条件进行不确定性处理，建立基于可信性测度的不等式约束条件：
式中，Cr表示可信性测度；μ为模糊变量；γ为置信水平。
7.根据权利要求1所述的考虑负荷不确定性的充换电站优化调度策略，其特征在于，所述可信性理论与模糊机会约束的融合，引入可信性测度指标，建立了基于可信性理论的数学模型为：
可信性理论是研究模糊现象数量规律的一个新的数学分支，它建立在严密的公理化基础之上；
引入可信性测度指标：
设Θ为非空集合，P(Θ)表示Θ的幂集，即Θ的所有子集构成的集合；P(Θ)中的元素称为模糊事件；为了介绍可信性的公理化定义，有必要定义集函数，对Θ的每个子集A，规定一个非负数Cr{A}，表示事件A发生的可信性；为了保证集函数Cr{A}具有人们直观上期望具备的某些数学性质，可以考虑如下五条公理：
公理1：Cr{Θ}＝1；
公理2：Cr是单调增加的，即：当时有Cr{A}≤Cr{B}；
公理3：Cr是自对偶的，即：对任意的A∈P(Θ)有Cr{A}+Cr{Ac}＝1；
公理4：对任意满足Cr{Ai}≤0.5的{Ai}有Cr{∪iAi}∧0.5＝supiCr{Ai}；
公理5：设Θk是非空集合，Crk在其上分别满足前四条公理，k＝1,2,…n，并且Θ＝Θ1×Θ2×…×Θn，则对每个(θ1,θ2,…,θn)∈Θ成立Cr{(θ1,θ2,…θn)}＝Cr1{θ1}∧Cr2{θ2}∧…Crn{θn}定义：如果集函数Cr满足前四条公理，则称之为可信性测度；
下一步引入模糊变量：
传统上，模糊变量是由隶属度函数来定义的；现在模糊变量被定义为可信性空间上的实值函数，相当于随机变量被定义为概率空间上的可测实值函数；
定义3：一个模糊变量就是指从可信性空间(Θ,P(Θ),Cr)到实数集中的函数；
一个n维模糊变量就是指从可信性空间(Θ,P(Θ),Cr)到n维实向量空间中的函数，容易验证向量(ξ1,ξ2,…ξn)是一个模糊向量当且仅当每个分量(ξ1,ξ2,…ξn)都是模糊变量；
基于可信性理论的模糊机会约束规划模型可表示为：
minf(X)
s.t.Cr(gj(X,ξ)≤0)≥γj＝1,2,...n
式中，Cr{.}表示{.}发生的可信性，γ表示预先设定的置信水平，gj(X,ξ)≤0为约束条件，其中X为决策变量，ξ表示模糊变量。
CN201910326134.5A 2019-04-23 2019-04-23 考虑负荷不确定性的充换电站优化调度策略 Active CN110033142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910326134.5A CN110033142B (zh) 2019-04-23 2019-04-23 考虑负荷不确定性的充换电站优化调度策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910326134.5A CN110033142B (zh) 2019-04-23 2019-04-23 考虑负荷不确定性的充换电站优化调度策略

Publications (2)

Publication Number Publication Date
CN110033142A true CN110033142A (zh) 2019-07-19
CN110033142B CN110033142B (zh) 2021-04-13

Family

ID=67239599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910326134.5A Active CN110033142B (zh) 2019-04-23 2019-04-23 考虑负荷不确定性的充换电站优化调度策略

Country Status (1)

Country Link
CN (1) CN110033142B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570043A (zh) * 2019-09-16 2019-12-13 燕山大学 一种风-网-站-车体系的调度方法及系统
CN110570098A (zh) * 2019-08-19 2019-12-13 天津大学 考虑换电需求与光伏不确定性电动汽车充换电站控制方法
CN112906983A (zh) * 2021-03-22 2021-06-04 吉林大学 一种考虑分时电价影响的电动公交车充电方案优化方法
CN113335127A (zh) * 2021-05-14 2021-09-03 南方电网电动汽车服务有限公司 充电负荷调度方法、装置、计算机设备和存储介质
CN113746122A (zh) * 2021-08-24 2021-12-03 国网江苏省电力有限公司苏州供电分公司 考虑用户选择的电动汽车优化调度方法及优化调度系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632205A (zh) * 2013-11-05 2014-03-12 常州大学 一种考虑风电和负荷不确定性的含电动汽车优化调度方法
CN104778519A (zh) * 2015-05-06 2015-07-15 中国石油大学(华东) 基于源与荷不确定性的vsc-mtdc鲁棒优化潮流方法
CN105389621A (zh) * 2015-10-15 2016-03-09 南昌大学 电动汽车充电负荷对配网系统电压影响的充电桩最优分布方法
CN107133415A (zh) * 2017-05-22 2017-09-05 河海大学 一种考虑用户满意和配网安全的电动汽车充放电优化方法
CN108596373A (zh) * 2018-04-09 2018-09-28 燕山大学 一种电-交通耦合网络动态平衡求解方法
CN109359389A (zh) * 2018-10-18 2019-02-19 东北大学 基于典型负荷动态博弈的城市电动汽车充电决策方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632205A (zh) * 2013-11-05 2014-03-12 常州大学 一种考虑风电和负荷不确定性的含电动汽车优化调度方法
CN104778519A (zh) * 2015-05-06 2015-07-15 中国石油大学(华东) 基于源与荷不确定性的vsc-mtdc鲁棒优化潮流方法
CN105389621A (zh) * 2015-10-15 2016-03-09 南昌大学 电动汽车充电负荷对配网系统电压影响的充电桩最优分布方法
CN107133415A (zh) * 2017-05-22 2017-09-05 河海大学 一种考虑用户满意和配网安全的电动汽车充放电优化方法
CN108596373A (zh) * 2018-04-09 2018-09-28 燕山大学 一种电-交通耦合网络动态平衡求解方法
CN109359389A (zh) * 2018-10-18 2019-02-19 东北大学 基于典型负荷动态博弈的城市电动汽车充电决策方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张晓辉 等: "含风电场多目标低碳电力系统动态经济调度研究", 《电网技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570098A (zh) * 2019-08-19 2019-12-13 天津大学 考虑换电需求与光伏不确定性电动汽车充换电站控制方法
CN110570043A (zh) * 2019-09-16 2019-12-13 燕山大学 一种风-网-站-车体系的调度方法及系统
CN110570043B (zh) * 2019-09-16 2022-03-11 燕山大学 一种风-网-站-车体系的调度方法及系统
CN112906983A (zh) * 2021-03-22 2021-06-04 吉林大学 一种考虑分时电价影响的电动公交车充电方案优化方法
CN113335127A (zh) * 2021-05-14 2021-09-03 南方电网电动汽车服务有限公司 充电负荷调度方法、装置、计算机设备和存储介质
CN113746122A (zh) * 2021-08-24 2021-12-03 国网江苏省电力有限公司苏州供电分公司 考虑用户选择的电动汽车优化调度方法及优化调度系统
CN113746122B (zh) * 2021-08-24 2024-03-01 国网江苏省电力有限公司苏州供电分公司 考虑用户选择的电动汽车优化调度方法及优化调度系统

Also Published As

Publication number Publication date
CN110033142B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
Aliasghari et al. Optimal scheduling of plug-in electric vehicles and renewable micro-grid in energy and reserve markets considering demand response program
Ghasemi-Marzbali Fast-charging station for electric vehicles, challenges and issues: A comprehensive review
Hu et al. Electric vehicle fleet management in smart grids: A review of services, optimization and control aspects
Sadati et al. Smart distribution system operational scheduling considering electric vehicle parking lot and demand response programs
Tan et al. Integration of electric vehicles in smart grid: A review on vehicle to grid technologies and optimization techniques
CN110033142A (zh) 考虑负荷不确定性的充换电站优化调度策略
Chen et al. Optimal integration of plug-in hybrid electric vehicles in microgrids
Ghofrani et al. Smart scheduling and cost-benefit analysis of grid-enabled electric vehicles for wind power integration
Zhou et al. Forming dispatchable region of electric vehicle aggregation in microgrid bidding
Wei et al. Charging strategies of EV aggregator under renewable generation and congestion: A normalized Nash equilibrium approach
Tirunagari et al. Reaping the benefits of smart electric vehicle charging and vehicle-to-grid technologies: Regulatory, policy and technical aspects
Barhagh et al. Risk-involved participation of electric vehicle aggregator in energy markets with robust decision-making approach
Shafie-Khah et al. Economic and technical aspects of plug-in electric vehicles in electricity markets
Hashemi et al. Stochastic-based optimal charging strategy for plug-in electric vehicles aggregator under incentive and regulatory policies of DSO
Zhao et al. Grid-connected battery energy storage system: a review on application and integration
Yang et al. A comprehensive review on electric vehicles integrated in virtual power plants
Reddy et al. Market clearing for a wind-thermal power system incorporating wind generation and load forecast uncertainties
Amry et al. Optimal sizing and energy management strategy for EV workplace charging station considering PV and flywheel energy storage system
Zheng et al. The peak load shaving assessment of developing a user-oriented vehicle-to-grid scheme with multiple operation modes: The case study of Shenzhen, China
Egbue et al. Multi-agent approach to modeling and simulation of microgrid operation with vehicle-to-grid system
Gholinejad et al. Hierarchical energy management system for home-energy-hubs considering plug-in electric vehicles
Tostado-Véliz et al. A two-stage IGDT-stochastic model for optimal scheduling of energy communities with intelligent parking lots
CN106169117A (zh) 一种虚拟电厂日前和实时竞标模型
Sriyakul et al. Economic scheduling of a smart microgrid utilizing the benefits of plug-in electric vehicles contracts with a comprehensive model of information-gap decision theory
CN110197310A (zh) 一种基于负荷裕度域的充换电站优化调度方法

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