CN110165687A - 一种基于遗传算法的电动汽车快速充电站最优化设计方法 - Google Patents
一种基于遗传算法的电动汽车快速充电站最优化设计方法 Download PDFInfo
- Publication number
- CN110165687A CN110165687A CN201910416624.4A CN201910416624A CN110165687A CN 110165687 A CN110165687 A CN 110165687A CN 201910416624 A CN201910416624 A CN 201910416624A CN 110165687 A CN110165687 A CN 110165687A
- Authority
- CN
- China
- Prior art keywords
- power
- charging station
- cost
- formula
- investment
- 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
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Abstract
本发明公开了一种基于遗传算法的电动汽车快速充电站最优化设计方法,包括如下步骤:通过染色体结构生成初始群体;选择合适的充电桩数量和额定功率,计算其投资成本;计算电动汽车的功率需求;选择合适的风力发电机数量及光伏板表面积,计算其发电功率和投资成本;选择合适的储能系统容量,计算储能系统成本;计算接入电网后耗电和供电的利润差;计算向电动汽车用户供电利润;计算总的利润函数,根据遗传算法选择最佳配置。本发明考虑了电动汽车快速充电站充电桩的数量和功率、风力发电机的数量、光伏板的表面积及储能系统容量等多种变量所引起的利润差异,根据利润函数确定最佳的电动汽车快速充电站设计,有助于提升其经济效益并能缓解电网压力。
Description
技术领域
本发明涉及电动汽车充电方法,尤其涉及一种基于遗传算法的电动汽车快速充电站最优化设计方法。
背景技术
由于化石能源的短缺以及在其使用过程中对环境所造成的影响,当前能源发展的趋势是开发利用新能源,减少城市污染和温室气体排放。由此预计在未来几年内,电动汽车的数量将呈指数增长。目前,电动汽车发展中最重要的问题之一是充电基础设施的不足,且充电所需时间太长。因此,快速充电站的设计安装也成为了电动汽车行业面临的主要问题和挑战之一。
在快速充电站中,电动汽车电池可以在15分钟左右完成充电,而其主要缺点是电力需求大,对电网的影响大。为了解决这个问题,可以在快充站安装风电机组、光伏机组等可再生能源发电机以及电池储能系统。快充站优化设计的主要任务是综合利用电网、可再生发电机和储存系统,以最高的利润为电动汽车用户充电,同时缓解电网压力。基于优化问题所需要涉及考虑的优化变量、优化目标和约束条件三方面内容,电动汽车快速充电站的设计模型具有其自身的特征。如何从其自身特征出发,完成最具经济效益的设计,对电动汽车未来的发展有着重要的意义。
发明内容
发明目的:为了解决现有技术存在的问题,本发明的目的是提供一种基于遗传算法的电动汽车快速充电站设计方法,以提高充电站利润,缓解电网压力,完成电动汽车快充站的最优设计。
技术方案:一种基于遗传算法的电动汽车快速充电站最优化设计方法,包括如下步骤:
步骤1、通过染色体结构生成初始群体;
步骤2、选择合适的充电桩数量和额定功率,计算其投资成本;
步骤3、计算电动汽车进充电站的到达时间,根据SOC计算充电时间,确定电动汽车功率需求;
步骤4、选择合适的风力发电机数量及光伏板表面积,计算其发电功率和投资成本;
步骤5、选择合适的储能系统容量,计算储能系统投资成本;
步骤6、通过充电站功率平衡确定接入电网后向电网供电或是耗电,计算购电成本和售电收入;
步骤7、计算向电动汽车用户供电收入;
步骤8、由步骤2至步骤7确定一组配置,计算利润函数,所得结果若未达到收敛性判别准则,则通过遗传变异回到步骤2,若已达到判别准则即为最后一次迭代,上述配置即为最佳配置,完成电动汽车快速充电站最优化设计。
进一步的,所述步骤2中,充电桩的投资成本为:
CCH=Cch×Qch×ych,
式中,CCH为充电桩总投资成本;Cch为单个充电桩成本;Qch为已安装的充电桩数量;ych为与充电桩额定功率有关的价格系数。
进一步的,所述步骤3具体包括如下内容:
(3.1)计算电动汽车进充电站的到达时间;
两辆连续到达车辆的到达间隔时间由下式的指数分布决定:
ta(x)=1-e-λx,
式中,ta为两辆连续到达车辆的到达间隔时间;λ为两辆车到达间隔平均时间;采用序贯蒙特卡罗方法模拟电动汽车进充电站,在区间[0,1]中得到一组随机数列,其中每个数作为参数x来计算下一辆车的到达时间;
(3.2)根据SOC计算充电时间;
所述电池SOC由下式的对数正态分布决定:
式中,E为电动汽车电池的初始SOC,取值范围为0~1;μ、σ取值分别为3和0.6;
每辆车充电时间为:
式中,tch为充电时间;BC为电池容量;Pch为额定充电功率;
(3.3)确定电动汽车功率需求;
通过Erlang B排队模型来确定电动汽车功率需求,通过车辆的到达时间和充电时间,将每辆车分配给不同的充电桩,统计得出每个充电桩工作的时间分布,总的电动汽车功率需求为:
式中,PV(t)为t时刻电动汽车功率需求;Pchk(t)为第k个充电桩t时刻充电功率,Qch为已安装的充电桩数量。
进一步的,所述步骤4具体包括如下内容:
(4.1)计算风力发电机发电功率;
风力发电机中风速由下式威布尔分布决定:
式中,p(v)为风速的概率分布,v为风速;c为比例因子;k为形状因子;c和k均由所处位置决定;计算出风速后,根据风力发电机功率曲线得到该速度下机组所产生的功率。
(4.2)计算光伏板输出功率:
Ppw=Gi·A·η,
式中,Ppw为光伏板输出功率;Gi为全球太阳能表面辐照度;A为光伏板表面积;η为系统的效率。
(4.3)计算风力发电机投资成本:
CW=cw×Qw×yw,
式中,CW为风力发电机投资成本;cw为单个风力发电机成本;Qw为已安装风力发电机数量;yw为与风力发电机类型有关的价格系数;
(4.4)计算光伏发电机投资成本:
CPV=cpv×Spv,
式中,CPV为光伏发电机投资成本;cpv为光伏板每平方米造价;Spv为光伏板安装表面积。
进一步的,所述步骤5中,储能系统投资成本为:
CSTO=csto×Esto,
式中,CSTO为储能系统投资成本;csto为储能系统容量每千瓦时造价;Esto为已安装储能系统容量。
进一步的,所述步骤6具体包括如下内容:
(6.1)充电站功率平衡方程为:
PPV+PW+Pg+PDsto=PV+Ps+PCsto,
式中,PPV为光伏发电机功率;PW风能发电机功率;Pg为向电网耗电功率;PDsto为储能系统放电功率;PV为电动汽车功率需求;Ps为向电网供电功率;PCsto为储能系统充电功率;
(6.2)计算向电网购电成本及售电费用:
式中,CGBh为h小时向电网购电成本;Egbh为h小时向电网耗电量;Cbuy为电力市场每小时购买电能价格;CGSh为h小时向电网售电收入;Egsh为h小时向电网供电量;Csold为电力市场每小时出售电能价格。
进一步的,所述步骤6中,电网接入点功率约束为:
Pg≤PRmax,
Ps≤PRmax,
式中,Pg为向电网耗电功率;Ps为向电网供电功率;PRmax为接入点最高功率限制。
进一步的,所述步骤7中,向电动汽车用户供电收入为:
式中,CEVh为充电站h小时充电收入;EEVh为h小时向电动汽车充电电能;Cs为充电站每小时充电价格。
进一步的,所述步骤8中,充电站利润函数为:
式中,NPV为充电站净利润;H为充电站设计运营时间;CEVh为充电站h小时充电收入;CGSh为h小时向电网售电收入;CGBh为h小时向电网购电成本;CCH为充电桩总投资成本;CW为风力发电机投资成本;CPV为光伏发电机投资成本;CSTO为储能系统投资成本。
有益效果
和现有技术相比,本发明具有如下显著进步:本发明所提出的的设计方法具有明确清晰的物理意义,可以选出利润最高的配置,同时也可以缓解电网的压力,从而实现最优的电动汽车快速充电站设计。测试结果表明,本发明提出的设计方法经济高效,具有较强的通用性和实用性。
附图说明
图1为本发明基于遗传算法的电动汽车快速充电站设计方法的流程示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程进行充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
另外,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示,本发明提供了一种基于遗传算法的电动汽车快速充电站设计方法,该方法具体包括以下步骤:
步骤1、通过染色体结构生成初始群体;
步骤2、选择合适的充电桩数量和额定功率,计算其投资成本。其中,充电桩的投资成本为:
CCH=Cch×Qch×ych (1)
式中,CCH为充电桩总投资成本;Cch为单个充电桩成本;Qch为已安装的充电桩数量;ych为与充电桩额定功率有关的价格系数。
步骤3、计算电动汽车进充电站的到达时间,根据电池SOC(State of Charge,SOC)计算充电时间,确定电动汽车功率需求。其中,两辆连续车辆到达时间由下式的指数分布决定:
ta(x)=1-e-λx (2)
式中,ta为两辆连续车辆到达间隔时间;λ为两辆车到达间隔平均时间;采用序贯蒙特卡罗方法模拟电动汽车进充电站,在区间[0,1]中得到一组随机数列,其中每个数作为参数x来计算下一辆车的到达时间。
不同电动汽车的电池容量概率分布如表1所示:
表1
电池SOC由下式的对数正态分布决定:
式中,E为电动汽车电池的初始SOC,取值范围为0~1;μ、σ取值分别为3和0.6。
每辆车充电时间为:
式中,tch为充电时间;BC为电池容量;Pch为额定充电功率。
通过Erlang B排队模型来确定电动汽车功率需求,通过车辆的到达时间和充电时间,将每辆车分配给不同的充电桩,可以统计得出每个充电桩工作的时间分布,总的电动汽车功率需求为:
式中,PV(t)为t时刻电动汽车功率需求;Pchk(t)为第k个充电桩t时刻充电功率。
步骤4、选择合适的风力发电机数量及光伏板表面积,计算其发电功率和投资成本。其中,风力发电机投资成本为:
CW=cw×Qw×yw (6)
式中,CW为风力发电机投资成本;cw为单个风力发电机成本;Qw为已安装风力发电机数量;yw为与风力发电机类型有关的价格系数。
光伏发电机投资成本为:
CPV=cpv×Spv (7)
式中,CPV为光伏发电机投资成本;cpv为光伏板每平方米造价;Spv为光伏板安装表面积。
风力发电机中风速由下式威布尔分布决定:
式中,v为风速;c为比例因子;k为形状因子;c和k均由所处位置决定。计算出风速后,从风力发电机功率曲线可以得到该速度下机组所产生的功率。
光伏板输出功率为:
Ppw=Gi·A·η (9)
式中,Ppw为光伏板输出功率;Gi为全球太阳能表面辐照度;A为光伏板表面积;η为系统的效率,一般设为20%左右。
步骤5、选择合适的储能系统容量,计算储能系统投资成本。其中,储能系统投资成本为:
CSTO=csto×Esto (10)
式中,CSTO为储能系统投资成本;csto为储能系统容量每千瓦时造价;Esto为已安装储能系统容量。
步骤6、通过充电站功率平衡确定接入电网后向电网供电或是耗电,计算购电成本和售电收入。其中,充电站功率平衡方程为:
PPV+PW+Pg+PDsto=PV+Ps+PCsto (11)
式中,PPV为光伏发电机功率;PW风能发电机功率;Pg为向电网耗电功率;PDsto为储能系统放电功率;PV为电动汽车功率需求;Ps为向电网供电功率;PCsto为储能系统充电功率。
向电网购电及售电的费用为:
式中,CGBh为h小时向电网购电成本;Egbh为h小时向电网耗电量;Cbuy为电力市场每小时购买电能价格;CGSh为h小时向电网售电收入;Egsh为h小时向电网供电量;Csold为电力市场每小时出售电能价格。
电网接入点功率约束为:
Pg≤PRmax (14)
Ps≤PRmax (15)
式中,Pg为向电网耗电功率;Ps为向电网供电功率;PRmax为接入点最高功率限制。
步骤7、计算向电动汽车用户供电利润。其中,向电动汽车用户供电收入为:
式中,CEVh为充电站h小时充电收入;EEVh为h小时向电动汽车充电电能;Cs为充电站每小时充电价格。
步骤8、由步骤2至步骤7确定一组配置,计算利润函数;所得结果若未达到收敛性判别准则,则通过遗传变异回到步骤2,若已达到判别准则即为最后一次迭代。其中,充电站利润函数为:
式中,NPV为充电站净利润;H为充电站设计运营时间;CEVh为充电站h小时充电收入;CGSh为h小时向电网售电收入;CGBh为h小时向电网购电成本;CCH为充电桩总投资成本;CW为风力发电机投资成本;CPV为光伏发电机投资成本;CSTO为储能系统投资成本。
步骤9、最后一次迭代中的最佳配置即为电动汽车快速充电站中的最优设计。
本发明建立了选取电动汽车快速充电站最优配置的体系模型。
综上,本发明的电动汽车快速充电站设计方法建立了基于遗传算法的优化电动汽车快充站配置的体系模型,在能够缓解电网压力的情况下选取最高利润的充电站配置。其基本思路是根据电动汽车快充站的自身特征计算各供电设备的投资成本和运营利润,而后通过遗传算法计算各个配置的适应度函数,并在最后一次迭代中得出最优配置。本发明通过Erlang B排队模型来确定电动汽车功率需求,选取合适的风能发电机、光伏发电机以及储能系统,在需求不足时向电网购电,在需求能满足时向电网售电;同时以充电桩、风能发电机组、光伏板、储能系统以及向电网购电费用作为成本,以向电动汽车用户供电费用和向电网售电费用作为收入,计算总的利润函数;最后通过遗传算法进行优化配置,获得最高利润的最优配置,对于进行经济可靠并能缓解电网压力的的电动汽车快速充电站建设具有重要的意义。
Claims (9)
1.一种基于遗传算法的电动汽车快速充电站最优化设计方法,其特征在于,包括如下步骤:
步骤1、通过染色体结构生成初始群体;
步骤2、选择合适的充电桩数量和额定功率,计算其投资成本;
步骤3、计算电动汽车进充电站的到达时间,根据SOC计算充电时间,确定电动汽车功率需求;
步骤4、选择合适的风力发电机数量及光伏板表面积,计算其发电功率和投资成本;
步骤5、选择合适的储能系统容量,计算储能系统投资成本;
步骤6、通过充电站功率平衡确定接入电网后向电网供电或是耗电,计算购电成本和售电收入;
步骤7、计算向电动汽车用户供电收入;
步骤8、由步骤2至步骤7确定一组配置,计算利润函数,所得结果若未达到收敛性判别准则,则通过遗传变异回到步骤2,若已达到判别准则即为最后一次迭代,上述配置即为最佳配置,完成电动汽车快速充电站最优化设计。
2.根据权利要求1所述的电动汽车快速充电站最优化设计方法,其特征在于:所述步骤2中,充电桩的投资成本为:
CCH=Cch×Qch×ych,
式中,CCH为充电桩总投资成本;Cch为单个充电桩成本;Qch为已安装的充电桩数量;ych为与充电桩额定功率有关的价格系数。
3.根据权利要求1所述的电动汽车快速充电站最优化设计方法,其特征在于:所述步骤3具体包括如下内容:
(3.1)计算电动汽车进充电站的到达时间;
两辆连续到达车辆的到达间隔时间由下式的指数分布决定:
ta(x)=1-e-λx,
式中,ta为两辆连续到达车辆的到达间隔时间;λ为两辆车到达间隔平均时间;采用序贯蒙特卡罗方法模拟电动汽车进充电站,在区间[0,1]中得到一组随机数列,其中每个数作为参数x来计算下一辆车的到达时间;
(3.2)根据SOC计算充电时间;
所述电池SOC由下式的对数正态分布决定:
式中,E为电动汽车电池的初始SOC,取值范围为0~1;μ、σ取值分别为3和0.6;
每辆车充电时间为:
式中,tch为充电时间;BC为电池容量;Pch为额定充电功率;
(3.3)确定电动汽车功率需求;
通过Erlang B排队模型来确定电动汽车功率需求,通过车辆的到达时间和充电时间,将每辆车分配给不同的充电桩,统计得出每个充电桩工作的时间分布,总的电动汽车功率需求为:
式中,PV(t)为t时刻电动汽车功率需求;Pchk(t)为第k个充电桩t时刻充电功率,Qch为已安装的充电桩数量。
4.根据权利要求1所述的电动汽车快速充电站最优化设计方法,其特征在于:所述步骤4具体包括如下内容:
(4.1)计算风力发电机发电功率;
风力发电机中风速由下式威布尔分布决定:
式中,p(v)为风速的概率分布,v为风速;c为比例因子;k为形状因子;c和k均由所处位置决定;计算出风速后,根据风力发电机功率曲线得到该速度下机组所产生的功率。
(4.2)计算光伏板输出功率:
Ppw=Gi·A·η,
式中,Ppw为光伏板输出功率;Gi为全球太阳能表面辐照度;A为光伏板表面积;η为系统的效率。
(4.3)计算风力发电机投资成本:
CW=cw×Qw×yw,
式中,CW为风力发电机投资成本;cw为单个风力发电机成本;Qw为已安装风力发电机数量;yw为与风力发电机类型有关的价格系数;
(4.4)计算光伏发电机投资成本:
CPV=cpv×Spv,
式中,CPV为光伏发电机投资成本;cpv为光伏板每平方米造价;Spv为光伏板安装表面积。
5.根据权利要求1所述的电动汽车快速充电站最优化设计方法,其特征在于:所述步骤5中,储能系统投资成本为:
CSTO=csto×Esto,
式中,CSTO为储能系统投资成本;csto为储能系统容量每千瓦时造价;Esto为已安装储能系统容量。
6.根据权利要求1所述的电动汽车快速充电站最优化设计方法,其特征在于:所述步骤6具体包括如下内容:
(6.1)充电站功率平衡方程为:
PPV+PW+Pg+PDsto=PV+Ps+PCsto,
式中,PPV为光伏发电机功率;PW风能发电机功率;Pg为向电网耗电功率;PDsto为储能系统放电功率;PV为电动汽车功率需求;Ps为向电网供电功率;PCsto为储能系统充电功率;
(6.2)计算向电网购电成本及售电费用:
式中,CGBh为h小时向电网购电成本;Egbh为h小时向电网耗电量;Cbuy为电力市场每小时购买电能价格;CGSh为h小时向电网售电收入;Egsh为h小时向电网供电量;Csold为电力市场每小时出售电能价格。
7.根据权利要求1或6所述的电动汽车快速充电站最优化设计方法,其特征在于:所述步骤6中,电网接入点功率约束为:
Pg≤PRmax,
Ps≤PRmax,
式中,Pg为向电网耗电功率;Ps为向电网供电功率;PRmax为接入点最高功率限制。
8.根据权利要求1所述的电动汽车快速充电站最优化设计方法,其特征在于:所述步骤7中,向电动汽车用户供电收入为:
式中,CEVh为充电站h小时充电收入;EEVh为h小时向电动汽车充电电能;Cs为充电站每小时充电价格。
9.根据权利要求1所述的电动汽车快速充电站最优化设计方法,其特征在于:所述步骤8中,充电站利润函数为:
式中,NPV为充电站净利润;H为充电站设计运营时间;CEVh为充电站h小时充电收入;CGSh为h小时向电网售电收入;CGBh为h小时向电网购电成本;CCH为充电桩总投资成本;CW为风力发电机投资成本;CPV为光伏发电机投资成本;CSTO为储能系统投资成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416624.4A CN110165687B (zh) | 2019-05-20 | 2019-05-20 | 一种基于遗传算法的电动汽车快速充电站最优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416624.4A CN110165687B (zh) | 2019-05-20 | 2019-05-20 | 一种基于遗传算法的电动汽车快速充电站最优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110165687A true CN110165687A (zh) | 2019-08-23 |
CN110165687B CN110165687B (zh) | 2022-08-26 |
Family
ID=67631367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910416624.4A Active CN110165687B (zh) | 2019-05-20 | 2019-05-20 | 一种基于遗传算法的电动汽车快速充电站最优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110165687B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047093A (zh) * | 2019-12-12 | 2020-04-21 | 海南电网有限责任公司 | 一种电动汽车典型快充站优化运行配置方法 |
Citations (5)
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 |
CN106058904A (zh) * | 2016-06-30 | 2016-10-26 | 全球能源互联网研究院 | 一种储能型电动汽车充电桩容量匹配方法 |
CN108876000A (zh) * | 2018-04-28 | 2018-11-23 | 国网江苏电力设计咨询有限公司 | 一种光伏充电站光、储、变压器容量协调优化配置方法 |
CN109146201A (zh) * | 2018-09-13 | 2019-01-04 | 三峡大学 | 基于合作博弈的充换储一体化电站微电网优化调度方法 |
CN109713696A (zh) * | 2018-11-09 | 2019-05-03 | 杭州电子科技大学 | 考虑用户行为的电动汽车光伏充电站优化调度方法 |
-
2019
- 2019-05-20 CN CN201910416624.4A patent/CN110165687B/zh active Active
Patent Citations (5)
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 |
CN106058904A (zh) * | 2016-06-30 | 2016-10-26 | 全球能源互联网研究院 | 一种储能型电动汽车充电桩容量匹配方法 |
CN108876000A (zh) * | 2018-04-28 | 2018-11-23 | 国网江苏电力设计咨询有限公司 | 一种光伏充电站光、储、变压器容量协调优化配置方法 |
CN109146201A (zh) * | 2018-09-13 | 2019-01-04 | 三峡大学 | 基于合作博弈的充换储一体化电站微电网优化调度方法 |
CN109713696A (zh) * | 2018-11-09 | 2019-05-03 | 杭州电子科技大学 | 考虑用户行为的电动汽车光伏充电站优化调度方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047093A (zh) * | 2019-12-12 | 2020-04-21 | 海南电网有限责任公司 | 一种电动汽车典型快充站优化运行配置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110165687B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106887841B (zh) | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 | |
Uhrig et al. | Lithium-based vs. vanadium redox flow batteries–a comparison for home storage systems | |
CN108090277A (zh) | 一种考虑满意度和调度能力的电动汽车微网双层优化调度方法 | |
CN111404206B (zh) | 考虑投资回报约束的风光储发电系统容量双层规划方法 | |
CN105205552B (zh) | 一种独立新能源混合发电系统优化规划方法 | |
CN103839109A (zh) | 一种基于博弈纳什均衡的微网电源规划方法 | |
CN112418605A (zh) | 一种光储式充电站储能系统优化运行方法 | |
CN109754112A (zh) | 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法 | |
CN107425534A (zh) | 一种基于优化蓄电池充放电策略的微电网调度方法 | |
CN110365034A (zh) | 一种计及储能容量配置的微电网电能优化调度方法 | |
CN112003381A (zh) | 一种光储充电站内储能电池容量配置方法和系统 | |
CN111639866B (zh) | 基于遗传算法的储能充电站的储能容量的配置方法 | |
CN110417045A (zh) | 一种针对交直流混合微电网容量配置的优化方法 | |
CN112270433A (zh) | 考虑可再生能源不确定性和用户满意度的微电网优化方法 | |
CN116031868A (zh) | 考虑分布式光伏的提升工业园区电动汽车承载力的方法 | |
CN114725930A (zh) | 一种自适应电力系统调度方法及装置 | |
CN104616071A (zh) | 一种风光储互补发电系统优化配置方法 | |
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 | |
CN110165687A (zh) | 一种基于遗传算法的电动汽车快速充电站最优化设计方法 | |
Mulleriyawage et al. | Battery system selection in DC microgrids for residential applications: An Australian case study | |
CN109245143A (zh) | 一种考虑锂离子电池寿命的储能调峰电站优化运行方法 | |
CN115526381A (zh) | 一种面向能源互联网的零碳园区优化规划方法及装置 | |
CN115099473A (zh) | 近零碳区域综合能源系统多目标优化方法 | |
Ray et al. | Optimal Operation of Grid-Tied PV & BESS Powered Smart Home with Electric Vehicle using AOA | |
CN112580256A (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 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190823 Assignee: NANJING DAQO AUTOMATION TECHNOLOGY Co.,Ltd. Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS Contract record no.: X2022320000090 Denomination of invention: A genetic algorithm based optimal design method for electric vehicle fast charging station License type: Common License Record date: 20220607 |
|
GR01 | Patent grant | ||
GR01 | Patent grant |