CN110472841B - 一种电动汽车快速充电站的储能配置方法 - Google Patents
一种电动汽车快速充电站的储能配置方法 Download PDFInfo
- Publication number
- CN110472841B CN110472841B CN201910689333.2A CN201910689333A CN110472841B CN 110472841 B CN110472841 B CN 110472841B CN 201910689333 A CN201910689333 A CN 201910689333A CN 110472841 B CN110472841 B CN 110472841B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- discharge
- energy
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 13
- 238000007599 discharging Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种电动汽车快速充电站的储能配置方法,具体包括如下步骤:获取车辆进站的历史数据,采用蒙特卡洛方法模拟获取日随机充电负荷功率;将日随机充电负荷功率离散为时序电能需求;根据时序电能需求建立储能价格套利和负荷波动方差的多目标优化模型;采用NSGA‑Ⅱ算法对多个优化指标进行优化,得到储能时序充放电计划;根据储能时序充放电计划计算得到储能容量,对储存设备进行配置。与现有技术相比,本发明能够有效提高储能商业运营价值和减小并网点负荷功率骤变。
Description
技术领域
本发明涉及电动汽车充电站配置领域,尤其是涉及一种电动汽车快速充电站的储能配置方法。
背景技术
电动汽车的快速和无序充电会给电网带来过负荷和不确定的峰荷,在充电站配置一定容量的储能可以发挥负荷整形作用,或对配电网起到削峰填谷作用。但是,现有的充电站储能配置缺少合理的规划,大多数现有充电站对储能的配置是以储能的低储高放获得价格套利,容易造成电网负荷峰上加峰的现象。因此,实现多目标优化条件下储能时序能量配置是充电站储能应用领域的一个新的关键技术。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种电动汽车快速充电站的储能配置方法。
本发明的目的可以通过以下技术方案来实现:
一种电动汽车快速充电站的储能配置方法,具体包括如下步骤:
S1、获取车辆进站的历史数据,采用蒙特卡洛方法模拟获取日随机充电负荷功率;
S2、将日随机充电负荷功率离散为时序电能需求;
S3、根据时序电能需求建立储能价格套利和负荷波动方差的多目标优化模型;
S4、采用NSGA-Ⅱ算法对多个优化指标进行优化,得到储能时序充放电计划;
S5、根据储能时序充放电计划计算得到储能容量,对储存设备进行配置。
进一步地,所述的步骤S1中,采样间隔为1min,作为功率数据样本。
进一步地,所述的步骤S2中,得到时序电能需求,即算法优化求解的决策变量:
式中,Si表示第i个采样时刻充电功率;δ为离散时间间隔;pt表示日随机充电负荷功率;N表示离散功率序列个数;
由Si组成决策变量集合:
Ses={Ses,i,i=0,1,2,...,N}
式中,Ses,i表示第i个采样时刻储能充放电功率。
进一步地,所述的步骤S3中,以负荷波动方差为优化目标,目标函数Vload表示为:
式中,Save表示负荷平均功率。
进一步地,所述的步骤S3中,以储能度电价格套利为经济性优化目标,目标函数Aunit表示为:
Aunit=Ies/Edischarge
其中:
式中,xi表示第i段时间内的参考电价;Ies表示储能价格套利;Edischarge表示储能放电容量。
进一步地,所述的步骤S4中,电网功率约束应大于平均功率,表示为:
-(Save-Ses,i+|Save-Ses,i|)/2≤Ses,i≤(Ses,i-Save+|Ses,i-Save|)/2
一天内任意时间储能系统净充放电能量需大于零,使储能系统能够完成整个充放电循环,需满足:
式中,ΔEj表示第j个采样时刻储能净剩余能量;
同时,储能系统在充放电过程中需满足自身能量限制的约束,表示为:
Ses,min≤Ses,i≤Ses,max
式中,Ses,min和Ses,max分别为储能时序充放电功率的最小值和最大值。
进一步地,所述的步骤S5中,根据一天内储能充放电累积能量最大值计算储能容量,充电为正值,放电为负值,计算表示如下:
式中,ηe表示容量计算裕度;ηc表示充放电效率;ηd表示储能放电深度。
与现有技术相比,本发明具有以下优点:
1、本发明采用了NSGA-Ⅱ(非支配排序遗传算法)实现多目标寻优,将储能时序充放电功率作为决策变量,简化目标函数的计算,通过目标值的非支配关系确定储能时序充放电计划,合理地将分时电价融入储能的充放电计划中,实现减小快速充电功率并网的波动性。对于充电站规划初期的容量配置具有重要的参照价值,能够用于减少不必要的储能投资,预估充电站的经济收益。
2、本发明通过车辆进站的历史数据,获取车辆进站规律,基于蒙特卡洛方法得到日随机充电负荷功率,并且将日负荷功率离散为时序电能需求,减少了算法决策变量个数、提高优化过程的收敛性。
3、本发明根据离散电能需求对成本和收益进行分析,利用NSGA-Ⅱ算法优化储能价格套利和负荷波形,在分时电价基础上使用该方法能够有效减小并网点负荷功率骤变。
附图说明
图1为本发明的流程示意图。
图2为充电站离散时序电能需求示意图。
图3为单位储能价格套利与负荷波动方差的非支配关系示意图。
图4为单位储能价格套利对容量配置的影响示意图。
图5是价格套利最大和负荷方差最小时的储能工作曲线示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供了一种电动汽车快速充电站的储能配置方法,利用储能时序功率控制对充电站随机充电负荷进行优化,同时使得单位储能单次充放电价格套利最优,以获取一定的经济效益,通过建立多目标优化模型并利用NSGA-Ⅱ算法确定目标的非支配关系,计算储能容量实现功率配置,在日负荷需求的基础上得出电网和储能的时序出力计划。具体包括如下步骤:
步骤S1、获取车辆进站的历史数据,得到车辆进站规律,采用蒙特卡洛方法模拟获取日随机充电负荷功率;
步骤S2、将日随机充电负荷功率离散为时序电能需求;
步骤S3、根据时序电能需求建立储能价格套利和负荷波动方差的多目标优化模型;
步骤S4、采用NSGA-Ⅱ算法对多个优化指标进行优化,得到储能时序充放电计划;
步骤S5、根据储能时序充放电计划计算得到储能容量,对储存设备进行配置。
本实施例中,快速充电功率为120kW,模拟仿真近似采用恒功率充电方式,车辆进站分布参数参考挪威国家石油公司对车辆进站分布的统计规律。以1min为采样间隔获取功率曲线,15min为离散时间间隔获取负荷需求曲线,以此作为样本数据。
在约束条件内随机生成决策变量Ses,i,计算单位储能价格套利Ies和负荷方差Vload,设定种群数量为200,考虑决策变量较多对收敛性的影响,迭代次数为300,种群交叉概率为0.95,变异概率为0.05,储能功率限制为-600kW~200kW。NSGA-Ⅱ算法按照优化层级高和拥挤距离大对个体进行分层排序,每次迭代过程选取排序靠前的200个种群参与下一次迭代过程。
1)通过对蒙特卡洛得到的电动汽车日快充负荷功率pt离散化处理,得到时序电能需求,即算法优化求解的决策变量:
式中:Si表示第i个采样时刻充电功率;δ为离散时间间隔。
由Si组成决策变量集合:
Ses={Ses,i,i=0,1,2,...,N}
式中:Ses,i表示第i个采样时刻储能充放电功率;N表示离散功率序列个数。
2)从电动汽车充电负荷接入配电网的角度考虑,以负荷波动方差为优化目标,减小电网供电波动,目标函数Vload表示为:
式中:Save表示负荷平均功率。
3)从储能投入运行的商业价值角度考虑,以储能度电价格套利为经济性优化目标,提高储能运行收益,目标函数Aunit表示为:
Aunit=Ies/Edischarge
其中:
式中:xi表示第i段时间内的参考电价;Ies表示储能价格套利;Edischarge表示储能放电容量。
4)为避免储能的过充或过放,在储能充电过程中,电网功率约束应小于负荷平均功率,在储能放电过程中,电网功率约束应大于平均功率,表示为:
-(Save-Ses,i+|Save-Ses,i|)/2≤Ses,i≤(Ses,i-Save+|Ses,i-Save|)/2
一天内任意时间储能系统净充放电能量需大于零,使储能系统能够完成整个充放电循环,需满足:
式中:ΔEj表示第j个采样时刻储能净功率。
同时,储能系统在充放电过程中需满足自身功率限制的约束,表示为:
Ses,min≤Ses,i≤Ses,max
式中:Ses,min和Ses,max分别为储能充放电功率的最小值和最大值。
5)根据一天内储能充放电累积能量最大值计算储能容量,充电为正值,放电为负值,计算如下:
式中:ηe表示容量计算裕度;ηc表示充放电效率;ηd表示储能放电深度。
6)为了便于算法在解空间搜索目标函数最小值,将储能价格套利Aunit取负,则待求解的目标函数简化为:
{min(-Aunit),min(Vload)}=f{Ses,1,Ses,2,...,Ses,N}
本发明为充电站的储能配置提供了一种同时考虑经济性和负荷特性优化的多目标优化配置方法,为减少充电站和储能经济效益参数选取的不确定性,简化计算过程,采用储能度电套利作为经济性指标,负荷波动方差作为负荷特性优化指标,得到二者非支配关系。如图2所示,储能的价格套利在0.2957~0.7009元/kWh/次之间,而负荷方差在1.6947~4.0188×104kW2之间。提取目标值对应的决策变量,即为储能时序充放电平均功率,如图4所示,根据决策变量计算储能容量配置如图3。由附图3、4可知,单位储能价格套利越高,储能容量配置越小,储能配置对减小负荷波动影响越不明显。
该方法能够根据日充电负荷特性,从多个角度规划储能容量,在满足配电网供电功率平衡性的基础上合理发挥储能的套利作用,配置适量储能,响应用户充电需求,适应配电网负荷优化的运行模式。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (5)
1.一种电动汽车快速充电站的储能配置方法,其特征在于,具体包括如下步骤:
S1、获取车辆进站的历史数据,采用蒙特卡洛方法模拟获取日随机充电负荷功率;
S2、将日随机充电负荷功率离散为时序电能需求;
S3、根据时序电能需求建立储能价格套利和负荷波动方差的多目标优化模型;
S4、采用NSGA-Ⅱ算法对多个优化指标进行优化,得到储能时序充放电计划;
S5、根据储能时序充放电计划计算得到储能容量,对储存设备进行配置;
所述的步骤S2中,得到时序电能需求,即算法优化求解的决策变量:
式中,Si表示第i个采样时刻充电功率;δ为离散时间间隔;pt表示日随机充电负荷功率;N表示离散功率序列个数;
由Si组成决策变量集合:
Ses={Ses,i,i=0,1,2,...,N}
式中,Ses,i表示第i个采样时刻储能充放电功率;
所述的步骤S3中,以储能度电价格套利为经济性优化目标,目标函数Aunit表示为:
Aunit=Ies/Edischarge
其中:
式中,xi表示第i段时间内的参考电价;Ies表示储能价格套利;Edischarge表示储能放电容量。
2.根据权利要求1所述的电动汽车快速充电站的储能配置方法,其特征在于,所述的步骤S1中,采样间隔为1min,作为功率数据样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689333.2A CN110472841B (zh) | 2019-07-29 | 2019-07-29 | 一种电动汽车快速充电站的储能配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689333.2A CN110472841B (zh) | 2019-07-29 | 2019-07-29 | 一种电动汽车快速充电站的储能配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472841A CN110472841A (zh) | 2019-11-19 |
CN110472841B true CN110472841B (zh) | 2023-05-02 |
Family
ID=68509646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910689333.2A Active CN110472841B (zh) | 2019-07-29 | 2019-07-29 | 一种电动汽车快速充电站的储能配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472841B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111342729B (zh) * | 2020-02-24 | 2023-05-05 | 上海电力大学 | 基于灰狼优化的永磁同步电机自适应反推控制方法 |
CN112200401B (zh) * | 2020-08-17 | 2024-02-27 | 国网上海市电力公司 | 一种基于改进nsga-ii算法的电动汽车有序充电方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103238264A (zh) * | 2010-09-21 | 2013-08-07 | 普罗特拉公司 | 具有不同储能配置的等效快速充电系统及方法 |
CN106253315A (zh) * | 2016-08-02 | 2016-12-21 | 万马联合新能源投资有限公司 | 一种考虑电动汽车充电站可调度性的储能容量配置方法 |
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 |
CN107846043A (zh) * | 2017-09-29 | 2018-03-27 | 国网上海市电力公司 | 一种考虑电动汽车充电影响的微网能量管理方法 |
CN109492791A (zh) * | 2018-09-27 | 2019-03-19 | 西南交通大学 | 基于充电引导的城际高速路网光储充电站定容规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2647522B1 (de) * | 2012-04-03 | 2020-01-22 | Enrichment Technology Company Ltd. | Stromtankstelle mit Schnellladestationen |
-
2019
- 2019-07-29 CN CN201910689333.2A patent/CN110472841B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103238264A (zh) * | 2010-09-21 | 2013-08-07 | 普罗特拉公司 | 具有不同储能配置的等效快速充电系统及方法 |
CN106253315A (zh) * | 2016-08-02 | 2016-12-21 | 万马联合新能源投资有限公司 | 一种考虑电动汽车充电站可调度性的储能容量配置方法 |
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 |
CN107846043A (zh) * | 2017-09-29 | 2018-03-27 | 国网上海市电力公司 | 一种考虑电动汽车充电影响的微网能量管理方法 |
CN109492791A (zh) * | 2018-09-27 | 2019-03-19 | 西南交通大学 | 基于充电引导的城际高速路网光储充电站定容规划方法 |
Non-Patent Citations (1)
Title |
---|
基于改进NSGA-Ⅱ的社区电动汽车充电站优化充电策略;王育飞 等;《电力自动化设备》;20171230;第37卷(第12期);第109-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110472841A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301470B (zh) | 一种配电网扩展规划与光储选址定容的双层优化方法 | |
CN109462231B (zh) | 居民微电网的负荷优化调度方法、系统和存储介质 | |
CN112131733B (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
CN111401604B (zh) | 电力系统负荷功率预测方法及储能电站功率分配方法 | |
CN105162151A (zh) | 一种基于人工鱼群算法的智能化储能系统并网实时控制方法 | |
CN112238781B (zh) | 一种基于分层架构的电动汽车有序充电控制方法 | |
CN110994694A (zh) | 计及差异化需求响应的微电网源荷储协调优化调度方法 | |
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 | |
CN103336998B (zh) | 一种风电场功率波动平抑目标值的优化计算方法 | |
CN110472841B (zh) | 一种电动汽车快速充电站的储能配置方法 | |
CN113437756B (zh) | 考虑配电网静态电压稳定性的微电网优化配置方法 | |
CN106877339A (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 | |
CN112308373A (zh) | 基于时空双层优化的电动汽车有序充放电调度模型及算法 | |
CN111639866B (zh) | 基于遗传算法的储能充电站的储能容量的配置方法 | |
Khunkitti et al. | Optimal location and sizing of BESS for performance improvement of distribution systems with high DG penetration | |
CN109285039A (zh) | 一种计及风光不确定性的电动汽车充电站电价制定方法 | |
CN114707292B (zh) | 含电动汽车配电网电压稳定性分析方法 | |
CN114285086B (zh) | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 | |
Xue et al. | Research on load forecasting of charging station based on XGBoost and LSTM model | |
CN113715669B (zh) | 电动汽车有序充电控制方法、系统、设备及可读存储介质 | |
CN114580251A (zh) | 一种配电台区电动汽车充电负荷分析方法及装置 | |
Zhu et al. | Dynamic multi-objective dispatch considering wind power and electric vehicles with probabilistic characteristics | |
CN116645089A (zh) | 一种考虑退役电池容量退化的储能系统双层优化配置方法 | |
CN116054286A (zh) | 一种考虑多元弹性资源的居民台区容量优化配置方法 | |
CN112003279B (zh) | 层次化微电网新能源消纳能力的评估方法 |
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 |