CN111082444A - 一种多移动储能车路径规划方法、系统及装置 - Google Patents
一种多移动储能车路径规划方法、系统及装置 Download PDFInfo
- Publication number
- CN111082444A CN111082444A CN201911148276.3A CN201911148276A CN111082444A CN 111082444 A CN111082444 A CN 111082444A CN 201911148276 A CN201911148276 A CN 201911148276A CN 111082444 A CN111082444 A CN 111082444A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- scheduling
- electric quantity
- peak
- storage vehicle
- 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
Images
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
Abstract
本发明公开一种多移动储能车路径规划方法、系统及装置,包括如下过程:计算当日的各台区变尖峰负荷电量;判断储能车总容量与各台区变尖峰负荷电量之和的大小,若储能车总容量不大于各台区变尖峰负荷电量之和,则转向建立调度模型的步骤;以减载总电量最大化为目标建立调度模型;采用粒子群算法求解调度模型,获得调度参数。本发明能够及时对负荷响应,提高了调度效率,降低了额外成本;充分考虑了储能车的充放电时间、位移时间等因素,使调度方法更趋于合理,更吻合实际应用场景。
Description
技术领域
本发明属于储能车优化调度技术领域,具体涉及一种多移动储能车路径规划方法、系统及装置。
背景技术
随着经济的发展,用电需求大幅度增长,而且对电能质量的要求也越来越高。同一地区的负荷分布差异很大,导致高峰时段部分箱变容量不足,存在重过载问题,其余时间处于轻载或空载状态,设备利用率水平较低,影响配电网投资经济效益。
移动储能车以标准化集装箱为载体,以机动车为运输工具,作为高灵活性资源可有效解决上述问题。通过削峰填谷,减少线路峰谷差,可提高系统效率和设备利用率,同时可作为无功电源,提升配电网侧功率因数,提高电能质量和供电可靠性。
目前,对储能车的充放电调度研究较多,但对多台储能车多目的地的路径规划问题、储能车的充电时间以及移动时间并未做充分考虑。结合储能车充放电调度,规划储能车充放电时刻及其移动路径,将为实际储能车调度提供更多依据,大大扩展其应用空间。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种多移动储能车路径规划方法、系统及装置,能够及时对负荷响应,提高了调度效率,降低了额外成本。
为解决现有技术问题,本发明公开了一种多移动储能车路径规划方法,包括如下步骤:
计算当日的各台区变尖峰负荷电量;
判断储能车总容量与各台区变尖峰负荷电量之和的大小,若储能车总容量不大于各台区变尖峰负荷电量之和,则转向建立调度模型的步骤;
以减载总电量最大化为目标建立调度模型;
采用粒子群算法求解调度模型,获得调度参数。
进一步地,
所述计算各台区变尖峰负荷电量的过程具体如下:
获取当日的各台区变的负荷预测曲线;
以负载率不高于80%进行削峰,计算各台区变尖峰负荷电量。
进一步地,
所述调度模型的表达式为:
约束条件为:
k≠j;
f1(i)≥tmin;
f2(i)≥Pi;
tmin=min{tik+tikd}k=1,2…n;
其中:i为第i个台区变,j、k分别为第j、k台移动储能车,m、n分别为台区变总数量、移动储能车总数量;Qij为当前位于第i个台区变的第j台移动储能车的剩余电量;Qik为在指定点充电即将调度至第i个台区变的第k台移动储能车的剩余电量;pik、tik、tikd分别为第k台移动储能车对应的充电功率、充电时间及从当前位置调度至第i个台区变的位移时间,pij为第j台移动储能车的放电功率;αk为充放电标志,充电时αk=1,放电时αk=0;f1(i)为第i个台区变中放电储能车可支撑的最大放电时间,比较符的右边项为被调往第i个台区变的所有储能车中调度时间最短的一辆储能车所需的时间;f2(i)为当前时刻储能车在第i个台区变的总放电功率,Pi为当前时刻第i个台区变待削峰功率值。
进一步地,
所述调度参数为:根据αk的值对应第k台储能车的充放电状态、待放电的储能车至相应台区变的移动路径、待充电储能车从当前台区变至指定充电地点的移动路径以及相应的充电时间;采用粒子群算法,初始化粒子状态、认知因子、社会因子等参数,合理选取粒子群规模,适应度函数取最大化减载总电量,优化该调度模型参数。
进一步地,
所述判断储能车总容量与各台区变尖峰负荷电量之和的大小的步骤中,若储能车总容量大于各台区变尖峰负荷电量之和,则转向进行最优调度的步骤;
根据储能车的位置,以距离最优为目标进行最优调度。
进一步地,
还包括如下步骤:按照调度参数执行调度命令,并转向判断储能车总容量与各台区变尖峰负荷电量之和的大小的步骤。
本发明还提供了一种多移动储能车路径规划系统,包括:
计算模块,用于计算当日的各台区变尖峰负荷电量;
判断模块,用于判断储能车总容量与各台区变尖峰负荷电量之和的大小,若储能车总容量不大于各台区变尖峰负荷电量之和,则启动建模模块;
建模模块,用于以减载总电量最大化为目标建立调度模型;
求解模块,用于采用粒子群算法求解调度模型,获得调度参数。
进一步地,还包括:
调度模块,用于根据储能车的位置,以距离最优为目标进行最优调度;
所述判断模块还执行如下步骤:若储能车总容量大于各台区变尖峰负荷电量之和,则启动调度模块。
进一步地,还包括:
执行模块,用于按照调度参数执行调度命令,然后启动判断模块。
本发明还提供了一种多移动储能车路径规划装置,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明具有的有益效果:
1、本发明能够及时对负荷响应,提高了调度效率,降低了额外成本。
2、本发明充分考虑了储能车的充放电时间、位移时间等因素,使调度方法更趋于合理,更吻合实际应用场景。
附图说明
图1为本发明中路径规划方法的流程图;
图2为本发明中路径规划系统的结构框图;
图3为本发明中路径规划装置的结构框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明提供了一种多移动储能车路径规划方法,如图1所示,本发明提供了一种多移动储能车路径规划方法,包括如下步骤:
S1、计算当日的各台区变尖峰负荷电量。
获得某区两个箱变A和B的负荷预测曲线,其整点负荷值分别如下表所示:
A箱变负荷预测值
B箱变负荷预测值
时刻 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
负荷(KW) | 95 | 75 | 50 | 75 | 110 | 112 | 150 | 115 | 175 | 225 | 230 | 240 |
时刻 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 |
负荷(KW) | 240 | 225 | 210 | 220 | 250 | 220 | 160 | 130 | 125 | 100 | 75 | 50 |
以负载不高于80%为目标进行削峰,计算得到各台区变尖峰负荷电量。考虑功率因数,A箱变的最大负荷为500KW,以80%(400KW)进行削峰,需削峰时间段为10:30至20:30,削峰电量为720KWh。因此,本箱变若配置储能满足削峰要求,则储能参数应为100KW/720KWh。考虑功率因数,B箱变的最大负荷为250KW,以80%(200KW)进行削峰,需削峰时间段为9:30至18:10,削峰电量为220KWh。因此,本箱变若配置储能满足削峰要求,则储能参数应为50KW/220KWh。
S2、判断储能车总容量与各台区变尖峰负荷电量之和的大小,若储能车总容量小于各台区变尖峰负荷电量之和,则转向建立调度模型的步骤;若储能车总容量大于各台区变尖峰负荷电量之和,则转向进行最优调度的步骤。
配备两台100KW/220KWh的储能车和一台100KW/250KWh的储能车并分别对应编号1、2、3。由上述两台箱变的负荷分析可知,总削峰电量为940KWh,储能车总容量690KWh,由此可见,储能车总容量小于各台区变尖峰负荷电量之和,因此不能直接按距离就近进行调度,需要建立调度模型得到调度参数,从而根据调度参数合理安排充放电时间及调度次序。
S3、以减载总电量最大化为目标建立调度模型。
调度模型的表达式为:
约束条件为:
k≠j;
f1(i)≥tmin;
f2(i)≥Pi;
tmin=min{tik+tikd}k=1,2…n;
其中:i为第i个台区变,j、k分别为第j、k台移动储能车,m、n分别为台区变总数量、移动储能车总数量;Qij为当前位于第i个台区变的第j台移动储能车的剩余电量;Qik为在指定点充电即将调度至第i个台区变的第k台移动储能车的剩余电量;pik、tik、tikd分别为第k台移动储能车对应的充电功率、充电时间及从当前位置调度至第i个台区变的位移时间,pij为第j台移动储能车的放电功率;αk为充放电标志,充电时αk=1,放电时αk=0;f1(i)为第i个台区变中放电储能车可支撑的最大放电时间,比较符的右边项为被调往第i个台区变的所有储能车中调度时间最短的一辆储能车所需的时间;f2(i)为当前时刻储能车在第i个台区变的总放电功率,Pi为当前时刻第i个台区变待削峰功率值。
S4、采用粒子群算法求解调度模型,获得调度参数。
调度参数为:根据αk的值对应第k台储能车的充放电状态、待放电的储能车至相应台区变的移动路径、待充电储能车从当前台区变至指定充电地点的移动路径以及相应的充电时间;采用粒子群算法,初始化粒子状态、认知因子、社会因子等参数,合理选取粒子群规模,适应度函数取最大化减载总电量,优化该调度模型参数。
通过粒子群算法求解最优参数,求解结果如下:
1)第一轮放电顺序:
α1=0、α2=0、α3=0、p11=100、p22=50、p13=100。
首先将第1台、第3台移动储能车调度至A箱变处;第3台储能车先以100KW的功率放电2h,对应减载电量200KWh,然后至指定地点充电,紧接着,第1台储能车以100KW的功率放电。第2台储能车调度至B箱变处且后续过程不再调度,以50KW功率放电,可以满足减载需求。
2)第二轮放电顺序:
α1=0、α2=0、α3=1、p11=100、p22=50、p13=100、t13=1.5。
第3台储能车在指定地点充电1.5h后至箱变A处放电,加之第3台储能车运动途中损耗的时间,此时,第1台储能车基本完全放电,对应减载电量200KWh。
3)第三轮放电顺序:
α1=1、α2=0、α3=0、p11=100、p22=50、p13=100、t11=1.3。
第3台储能车在箱变A处放电,其总剩余电量为200KWh;第1台储能车充电1.3h后返回箱变A处放电,其剩余电量为130KWh。
考虑了减载电量最大化、储能车移动损耗时间以及减载需求,经过三轮调度后,箱变A处的总减载电量为730KWh(削峰需求电量为720KWh),箱变B处的总减载电量为250KWh(削峰需求电量为220KWh),满足需求,因此,可供调度人员进行运维参考。
S5、按照调度参数执行调度命令,并转向S2。
S6、根据储能车的位置,以距离最优为目标进行最优调度。
如图2所示,本发明还提供了一种多移动储能车路径规划系统,包括:计算模块,判断模块,建模模块,求解模块,调度模块和执行模块。
计算模块用于计算当日的各台区变尖峰负荷电量;判断模块用于判断储能车总容量与各台区变尖峰负荷电量之和的大小,若储能车总容量不大于各台区变尖峰负荷电量之和则启动建模模块,若储能车总容量大于各台区变尖峰负荷电量之和则启动调度模块;建模模块用于以减载总电量最大化为目标建立调度模型;求解模块用于采用粒子群算法求解调度模型,获得调度参数;调度模块用于根据储能车的位置,以距离最优为目标进行最优调度;执行模块用于按照调度参数执行调度命令,然后启动判断模块。
如图3所示,本发明还提供了一种多移动储能车路径规划装置,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种多移动储能车路径规划方法,其特征在于:包括如下步骤:
计算当日的各台区变尖峰负荷电量;
判断储能车总容量与各台区变尖峰负荷电量之和的大小,若储能车总容量不大于各台区变尖峰负荷电量之和,则转向建立调度模型的步骤;
以减载总电量最大化为目标建立调度模型;
采用粒子群算法求解调度模型,获得调度参数。
2.根据权利要求1所述的一种多移动储能车路径规划方法,其特征在于:
所述计算各台区变尖峰负荷电量的过程具体如下:
获取当日的各台区变的负荷预测曲线;
以负载率不高于80%进行削峰,计算各台区变尖峰负荷电量。
3.根据权利要求1所述的一种多移动储能车路径规划方法,其特征在于:
所述调度模型的表达式为:
约束条件为:
k≠j;
f1(i)≥tmin;
f2(i)≥Pi;
tmin=min{tik+tikd}k=1,2…n;
其中:i为第i个台区变,j、k分别为第j、k台移动储能车,m、n分别为台区变总数量、移动储能车总数量;Qij为当前位于第i个台区变的第j台移动储能车的剩余电量;Qik为在指定点充电即将调度至第i个台区变的第k台移动储能车的剩余电量;pik、tik、tikd分别为第k台移动储能车对应的充电功率、充电时间及从当前位置调度至第i个台区变的位移时间,pij为第j台移动储能车的放电功率;αk为充放电标志,充电时αk=1,放电时αk=0;f1(i)为第i个台区变中放电储能车可支撑的最大放电时间,比较符的右边项为被调往第i个台区变的所有储能车中调度时间最短的一辆储能车所需的时间;f2(i)为当前时刻储能车在第i个台区变的总放电功率,Pi为当前时刻第i个台区变待削峰功率值。
4.根据权利要求3所述的一种多移动储能车路径规划方法,其特征在于:
所述调度参数为:根据αk的值对应第k台储能车的充放电状态、待放电的储能车至相应台区变的移动路径、待充电储能车从当前台区变至指定充电地点的移动路径以及相应的充电时间;采用粒子群算法,初始化粒子状态、认知因子、社会因子等参数,合理选取粒子群规模,适应度函数取最大化减载总电量,优化该调度模型参数。
5.根据权利要求1所述的一种多移动储能车路径规划方法,其特征在于:
所述判断储能车总容量与各台区变尖峰负荷电量之和的大小的步骤中,若储能车总容量大于各台区变尖峰负荷电量之和,则转向进行最优调度的步骤;
根据储能车的位置,以距离最优为目标进行最优调度。
6.根据权利要求1所述的一种多移动储能车路径规划方法,其特征在于:还包括如下过程:
按照调度参数执行调度命令,并转向判断储能车总容量与各台区变尖峰负荷电量之和的大小的步骤。
7.一种多移动储能车路径规划系统,其特征在于:包括:
计算模块,用于计算当日的各台区变尖峰负荷电量;
判断模块,用于判断储能车总容量与各台区变尖峰负荷电量之和的大小,若储能车总容量不大于各台区变尖峰负荷电量之和,则启动建模模块;
建模模块,用于以减载总电量最大化为目标建立调度模型;
求解模块,用于采用粒子群算法求解调度模型,获得调度参数。
8.根据权利要求7所述的一种多移动储能车路径规划系统,其特征在于,还包括:
调度模块,用于根据储能车的位置,以距离最优为目标进行最优调度;
所述判断模块还执行如下步骤:若储能车总容量大于各台区变尖峰负荷电量之和,则启动调度模块。
9.根据权利要求7所述的一种多移动储能车路径规划系统,其特征在于,还包括:
执行模块,用于按照调度参数执行调度命令,然后启动判断模块。
10.一种多移动储能车路径规划装置,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148276.3A CN111082444B (zh) | 2019-11-21 | 2019-11-21 | 一种多移动储能车路径规划方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148276.3A CN111082444B (zh) | 2019-11-21 | 2019-11-21 | 一种多移动储能车路径规划方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111082444A true CN111082444A (zh) | 2020-04-28 |
CN111082444B CN111082444B (zh) | 2021-07-30 |
Family
ID=70311446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911148276.3A Active CN111082444B (zh) | 2019-11-21 | 2019-11-21 | 一种多移动储能车路径规划方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111082444B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114709850A (zh) * | 2022-05-30 | 2022-07-05 | 东营昆宇电源科技有限公司 | 一种基于电力网络的移动式储能系统控制决策方法 |
WO2022142392A1 (zh) * | 2020-12-28 | 2022-07-07 | 国网天津市电力公司电力科学研究院 | 一种移动储能时空联合优化调度策略的制定方法 |
US11949234B2 (en) | 2020-12-28 | 2024-04-02 | Electric Power Science & Research Institute Of State Grid Tianjin Electric Power Company | Method for making spatio-temporal combined optimal scheduling strategy of mobile energy storage (MES) system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008037575A1 (de) * | 2008-11-21 | 2010-07-29 | EnBW Energie Baden-Württemberg AG | Computergestütztes Verfahren zur Optimierung der Energienutzung in einem lokalen System |
CN102437584A (zh) * | 2010-10-27 | 2012-05-02 | 上海市电力公司 | 智能电网中应用电动汽车作为移动储能设备的系统和方法 |
CN104167750A (zh) * | 2014-08-18 | 2014-11-26 | 国家电网公司 | 一种配网削峰填谷的分布式储能功率分配及协调控制方法 |
CN105720676A (zh) * | 2016-04-22 | 2016-06-29 | 国网福建省电力有限公司 | 一种多移动储能车应急供电协调控制算法 |
CN106887841A (zh) * | 2017-03-23 | 2017-06-23 | 东北大学 | 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 |
JP2017147803A (ja) * | 2016-02-16 | 2017-08-24 | 東京電力ホールディングス株式会社 | 蓄電池制御装置 |
-
2019
- 2019-11-21 CN CN201911148276.3A patent/CN111082444B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008037575A1 (de) * | 2008-11-21 | 2010-07-29 | EnBW Energie Baden-Württemberg AG | Computergestütztes Verfahren zur Optimierung der Energienutzung in einem lokalen System |
CN102437584A (zh) * | 2010-10-27 | 2012-05-02 | 上海市电力公司 | 智能电网中应用电动汽车作为移动储能设备的系统和方法 |
CN104167750A (zh) * | 2014-08-18 | 2014-11-26 | 国家电网公司 | 一种配网削峰填谷的分布式储能功率分配及协调控制方法 |
JP2017147803A (ja) * | 2016-02-16 | 2017-08-24 | 東京電力ホールディングス株式会社 | 蓄電池制御装置 |
CN105720676A (zh) * | 2016-04-22 | 2016-06-29 | 国网福建省电力有限公司 | 一种多移动储能车应急供电协调控制算法 |
CN105720676B (zh) * | 2016-04-22 | 2018-10-23 | 国网福建省电力有限公司 | 一种多移动储能车应急供电协调控制算法 |
CN106887841A (zh) * | 2017-03-23 | 2017-06-23 | 东北大学 | 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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022142392A1 (zh) * | 2020-12-28 | 2022-07-07 | 国网天津市电力公司电力科学研究院 | 一种移动储能时空联合优化调度策略的制定方法 |
US11949234B2 (en) | 2020-12-28 | 2024-04-02 | Electric Power Science & Research Institute Of State Grid Tianjin Electric Power Company | Method for making spatio-temporal combined optimal scheduling strategy of mobile energy storage (MES) system |
CN114709850A (zh) * | 2022-05-30 | 2022-07-05 | 东营昆宇电源科技有限公司 | 一种基于电力网络的移动式储能系统控制决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111082444B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111082444B (zh) | 一种多移动储能车路径规划方法、系统及装置 | |
Tan et al. | Integration of electric vehicles in smart grid: A review on vehicle to grid technologies and optimization techniques | |
You et al. | Scheduling of EV battery swapping—Part I: Centralized solution | |
Sousa et al. | Intelligent energy resource management considering vehicle-to-grid: A simulated annealing approach | |
CN111697604B (zh) | 多站合一的配置方法、系统及设备 | |
Li et al. | An optimal design and analysis of a hybrid power charging station for electric vehicles considering uncertainties | |
CN109742779B (zh) | 一种分布式储能调度方法和装置 | |
Yang et al. | Optimal dispatching strategy for shared battery station of electric vehicle by divisional battery control | |
Sonnenschein et al. | Decentralized control of units in smart grids for the support of renewable energy supply | |
CN106505558B (zh) | 一种直流配电网的能量输送控制方法及装置 | |
CN112668240A (zh) | 一种基于虚拟储能的全电力船舶经济性调度方法及系统 | |
Ding et al. | Rectangle packing problem for battery charging dispatch considering uninterrupted discrete charging rate | |
Ni et al. | Hierarchical optimization of electric vehicle system charging plan based on the scheduling priority | |
CN115709665A (zh) | 基于台区自治的电动汽车交流桩有序充电方法及系统 | |
CN113036843B (zh) | 一种超大规模电池储能电站功率分配方法及系统 | |
CN111325423A (zh) | 一种区域多能源互联运营优化方法和计算设备 | |
CN108462195B (zh) | 一种电动汽车的虚拟储能容量分配方法及系统 | |
Solanke et al. | Optimal design of EV aggregator for real-time peak load shaving and valley filling | |
CN115511182A (zh) | 岸电微网群系统能量优化调度方法、系统、装置及介质 | |
CN114142479B (zh) | 计及多类型可调节负荷资源的用户侧能量调度方法及系统 | |
CN111160384A (zh) | 一种移动储能车调度优化方法、系统及装置 | |
CN114142535B (zh) | 一种微电网源网荷储的调度方法、系统、设备及介质 | |
Tao et al. | Integrated optimal configuration of electric vehicle charging and battery-swapping station based on ordered charging strategy | |
Pinto et al. | Multi-period modeling of behind-the-meter flexibility | |
CN111319505A (zh) | 一种光储式电动汽车充电站能量优化方法和装置 |
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 |