CN111260237A - 一种考虑ev车主意愿的多利益主体协调博弈调度方法 - Google Patents
一种考虑ev车主意愿的多利益主体协调博弈调度方法 Download PDFInfo
- Publication number
- CN111260237A CN111260237A CN202010069946.9A CN202010069946A CN111260237A CN 111260237 A CN111260237 A CN 111260237A CN 202010069946 A CN202010069946 A CN 202010069946A CN 111260237 A CN111260237 A CN 111260237A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- charging
- time
- power
- distribution network
- 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 30
- 238000009826 distribution Methods 0.000 claims abstract description 113
- 230000005611 electricity Effects 0.000 claims abstract description 84
- 230000008901 benefit Effects 0.000 claims abstract description 60
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 229920000642 polymer Polymers 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 37
- DQXBYHZEEUGOBF-UHFFFAOYSA-N but-3-enoic acid;ethene Chemical compound C=C.OC(=O)CC=C DQXBYHZEEUGOBF-UHFFFAOYSA-N 0.000 claims description 25
- 239000005038 ethylene vinyl acetate Substances 0.000 claims description 25
- 229920001200 poly(ethylene-vinyl acetate) Polymers 0.000 claims description 25
- 230000002068 genetic effect Effects 0.000 claims description 19
- 150000001875 compounds Chemical class 0.000 claims description 18
- 230000000638 stimulation Effects 0.000 claims description 16
- 239000003795 chemical substances by application Substances 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 10
- 239000000446 fuel Substances 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 claims description 6
- 125000004432 carbon atom Chemical group C* 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000002828 fuel tank Substances 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004880 explosion Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/06315—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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
- Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明涉及一种考虑EV车主意愿的多利益主体协调博弈调度方法，步骤S1：建立EV负荷聚合体充电调度模型：包括EV接入时刻和行驶概率模型、EV集群充电模型和EV车主意愿概率函数模型；步骤S2：根据所建立的EV负荷聚合体充电调度模型及分布式电源模型，建立配电网及下级EV负荷聚合体和分布式电源利益主体的主从非合作博弈模型，用以进行日前优化调度；步骤S3：在日前优化确定的分时电价及各主体基础策略下，进行基于各下级DG及负荷聚合体主体的对等合作博弈的日内实时优化调度。本发明通过两阶段的博弈调度，可以充分激发分布式电源的无功调节能力，使多利益主体各自追逐自身利益最大化时，可以自觉维护配电网的安全稳定运行。
Description
技术领域
本发明涉及电力系统优化调度领域，特别是一种考虑EV车主意愿的多利益主体协调博弈调度方法。
背景技术
化石能源危机及其导致的温室效应和空气污染问题使得电动汽车受到各研究机构、政府部门的关注和重视，为此，世界各国争相出台了相关政策以推动电动汽车(electric vehicle，EV)产业发展。然而大规模EV接入主动配电网进行无序充电，会导致电力负荷出现“峰上加峰”的问题，危害电力系统的安全与经济运行。同时，随着电力市场的不断开放，使得接入主动配电网中的分布式电源及EV负荷聚合体不再接受配电网的调度，而可以作为独立的利益主体，通过自主调度以降低成本。这使得传统以电网利益最大的单主体调度模式将不再适用于多利益主体下的电网运行新环境，需要对多利益主体参与下的配电网协调掉度方法进行研究。
针对电动汽车接入配电网的调度问题，大规模EV的集群接入下，传统单EV模型会导致变量的维数爆炸，不利于计算求解。同时，大多数方法直接对EV进行充放电管理，未充分考虑车主利益，针对该问题，部分方法通过构建车主满意度函数以考虑车主利益，但此法需要车主提供离开时间及偏好指标等较多信息，但此法仍未完全考虑车主对EV充电意愿。另一方面，在多利益主体交易调度中，以分时电价对多利益主体进行激励，虽然可以在一定程度上保证主动配电网的安全稳定，但难以激励DG进行主动的无功调节，而常见的微网竞标出清方法易导致无序竞标和报价及发电双重不确定性问题，会危害配电网的稳定运行，故不适用于配电网的协调调度。
发明内容
有鉴于此，本发明的目的是提供一种考虑EV车主意愿的多利益主体协调博弈调度方法，通过两阶段的博弈调度，可以充分激发分布式电源的无功调节能力，使多利益主体各自追逐自身利益最大化时，可以自觉维护配电网的安全稳定运行。
本发明采用以下方案实现：一种考虑EV车主意愿的多利益主体协调博弈调度方法，包括以下步骤：
步骤S1：建立EV负荷聚合体(EVA)充电调度模型：包括EV接入时刻和行驶概率模型、EV集群充电模型和EV车主意愿概率函数模型；
步骤S2：根据所建立的EV负荷聚合体充电调度模型及分布式电源调度模型，建立配电网及下级EV负荷聚合体和分布式电源利益主体的主从非合作博弈模型，用以进行日前优化调度；
步骤S3：在日前优化确定的分时电价及各主体基础策略下，进行基于各下级DG及EV负荷聚合体主体的对等合作博弈的日内实时优化调度。
进一步地，所述步骤S1的具体内容为：
令电动汽车开始充电时刻为最后一次出行的返回时刻；统计实际数据，采用极大似然估计方法将车辆开始充电时刻和日行驶里程近似拟合得到如下正态分布和对数正态分布；
其EV开始充电时刻的正态分布如下：
式中：μS＝17.6；σS＝3.4；
EV日行驶里程满足如下对数正态分布:
式中：μD＝3.20；σD＝0.88；
将调度周期均分为T个时段，令EV在每个优化调度时段充电功率恒定，且充电桩要保证各EV在离开时段充满；记
分别为第i辆EV的接入、离开时段，di为第i辆EV的充电需求；得到单辆EV充电模型如下：
式中，Si为第i辆EV的日行驶里程，km；W100为每百公里耗电量kW.h/km；η为EV充电效率；
为第i辆EV在t时段的充电量；
为每时段第i辆EV的最大充电量；
上述单EV调度模型的全天变量数为
其中
代表时段t在充电桩充电的EV数量；将同一时段接入或接出的EV归类建立了EV的集群调度模型；
对于
代表每时段充电桩的集群充电量，如果
都满足如下不等式：
则找到一组满足式(3)单辆EV约束的
用以进行合理的功率分配；即不等式约束(4)保证了满足式(3)的EV功率分配策略的存在性；
定义两种充电模式：模式一：充电桩直接以最大功率将EV充满；模式二：充电桩对EV进行充电调度，并保证EV在K个时段内充满，同时给与车主一定的充电折扣；根据韦伯-费希纳定律：
s＝k ln(I)+s0 (5)
式中，s为人体反应量；I为客观刺激量；k为韦伯系数；s0为刺激常数；
考虑充电折扣与充电需求，令客观刺激量如式(6)所示:
式中，
为EVA的充电折扣；tf为EV充电需要的最短时间等价于充电需求；a、k为刺激量参数；
基于客观刺激量表达式及W-F定理，建立如下EV车主意愿概率函数模型：
式中，P(I)为EV车主在客观刺激量I下拒绝参与调度的概率；I0为最小可觉差，当刺激量小于此值时，EV车主拒绝接受调度；Iz表示最大刺激量，大于此刺激量下，车主完全愿意接受调度。
进一步地，所述步骤S2具体包括以下步骤：
步骤S21：建立配电网调度模型，以最小化电压偏差及网损作为配电网的目标函数：
式(8)中，T为优化时段；
为t时段网损；k为权重系数；n为配电网节点数；ui.t为t时刻节点i的电压标幺值；un为基准电压，取1；
配电网约束包括潮流约束及电压偏差约束：
式(9)中，Pin,i、Qin,i分别为各节点注入的净有功、无功功率；Ui为节点i的电压标幺值，θij为节点i、j的电压相角差；Gij、Bij为确定的网络参数。
分别为节点i电压的上下限约束；
步骤S22：在EV集群调度模型的基础上建立EVA调度模型，其目标函数是自身成本的最小化：
式中，CWX为无序充电部分的EV充电成本；CZ为接受调度的EV充电成本；
为充电折扣成本；
式中，
为时段t的售电电价；
为t时段无序充电的EV数；
为EV的最大充电功率；
为EVA在时段t的接受调度EV的集群总功率；
为在时段t开始接入充电桩的EV集合；
为时段t的充电折扣；pEV为充电桩固定售电电价；
EVA在包含集群调度约束的同时，还包括集群充电桩最大充电功率限制约束：
其中，
分别为时段t充电EV的集群充电总功率和充电桩的功率上限；
步骤S23：考虑可控分布式电源(DG)参与日前调度博弈，所述可控DG包括微型燃气轮机和柴油发电机；
微型燃气轮机及柴油发电机以运行成本最小化为目标函数：
式中，CDG.M、CDG.C分别为燃气轮机及柴油机的运行成本；
分别为燃气轮机和柴油机的发电成本；
分别为燃气轮机和柴油机有功无功出力；
分别为其无功出力的维护成本，有功出力成本已合并入燃料成本；
为配电网的购电价格；CMP为燃气轮机燃料价格；ηM为转换效率；a、b、c为燃料成本系数；
可控DG约束为爬坡约束及功率上下限约束：
式中，
可控DG的出力上下限；
分别为t-1、t时段可控DG的有功出力；
步骤S24：基于主从非合作博弈的日前调度模型求解：
在优化求解模型式(10)、(13)中，下级利益主体通过上级配电网下发确定的分时电价
来求解自身最优策略：
上级配电网通过制定分时售电、购电电价
以引导下级利益主体进行主动调度以降低自身目标函数，表示为：
上述主从博弈求解模型(15)～(16)是一个双层规划求解问题，上层配电网求解最优电价策略，下层利益主体求解最优电价策略下的经济调度策略；
步骤S45：采用多种群遗传算法对上层最优电价策略进行搜索，以电价策略作为种群个体，通过遗传操作获取配电网最优电价策略，同时对不同下级利益主体内嵌遗传算法或规划算法求解下级调度策略。
进一步地，所述步骤S25具体包括以下步骤：
步骤S251：输入各系统参数，包括配电网系统参数、负荷及风光预测数据、EV预测数据；
步骤S252：上层配电网随机生成以电价
为变量个体的多个初始化种群；
步骤S253：各利益主体根据下发的多个电价并行求解自身最优发电策略
步骤S254：下级利益主体上传求得的自身最优发电策略，配电网根据上传的信息，提取此代精华种群的电价最优值；
配电网根据遗传算法确定是否达到最大遗传代数或最优值最大保持代数，若满足，则输出最优电价策略；若不满足，进行遗传及移民操作生成新种群，再重复步骤S252至步骤S254直至满足收敛条件。
进一步地，所述步骤S3具体包括以下步骤：
步骤S31：建立基于电压偏差及网损的电价策略，用以使不再直接定价的配电网可以退出博弈中心，为各主体对等博弈提供了实时环境；同时，配电网运行状态指标与电价直接关联使各主体在追求利益时，必须考虑配电网的安全运行。
消除配电网与下级利益主体的矛盾，使配电网退出博弈的中心以达到去中心化的目的，考虑将配电网运行状态指标与实时电价的直接关系，具体电价形式如下：
式(17)中，
Ct分别为日前调度制定的时段t分时电价及时段t的日内实时电价；f(.)为电价波动函数；取f(.)为二次函数：
其中，a、b、c为电价波动系数；xADN日前调度配电网运行状态指标的改善比例，具体如下：
上式中，
分别为日前调度后和日内实时调度后如式(8)的每时刻运行指标；式(18)-(19)表明配电网运行状态的改善会提升实时电价，激励各主体主动调节无功或进行适量弃风光以改善电压偏差及网损；
步骤S32：建立基于电压偏差及网损的电价策略；
可再生DG考虑配电网的购电费用、政府补贴费用及有功无功出力维护成本；其目标函数为：
上式中，
为RDG在时段t的总成本；
为RDG在时段t的有功无功出力；Ct、CSUB、CP、CQ分别为配电网购电电价、政府补贴成本、RDG有功出力成本和RDG无功出力成本；
RDG的约束包括有功无功上下限约束：
式中，
分别为RDG的无功、有功出力上下限；
不可控DG以如下式(22)为目标函数进行实时优化调度：
约束函数如式(14)；
另外由于EVA具有较强的时间耦合，同时为了简化计算，其不参与实时调度，仅根据实际数据修正自身调度功率；
步骤S33：采用NSGA-Ⅱ算法求解上述(20)、(22)各利益主体实现自身目标函数最大化的对等博弈模型：
考虑各主体无法结成紧密联盟进行利益再分配的情况，为促进利益的公平分配，提出自适应变权重的决策解选取方法：
式中，
为第i个主体在时刻t的权重；Cij是时刻t第i个主体在第j个Pareto最优解的成本；
考虑以前面时刻各利益主体相对日前调度利益提升的累加大小来分配权重：
式中，fi t为实时调度后第i个主体在t时刻的实际运行成本；
为日前调度下第i个主体在t时段的运行成本；
分别t、t+1时刻第i个主体的权重系数；k为合理的权重比例系数。
与现有技术相比，本发明具有以下有益效果：
(1)本发明通过建立EV的集群调度模型，可以避免大规模EV接入下变量维数爆炸问题，降低计算量。通过心理学的韦伯-费希纳定律建立了EV车主充电意愿函数模型刻画车主意愿，考虑到了车主对EV的自主所有权，更加具有实际性。
(2)本发明通过两阶段的博弈调度，可以充分激发分布式电源的无功调节能力，使多利益主体各自追逐自身利益最大化时，可以自觉维护配电网的安全稳定运行。
附图说明
图1为本发明实施例的流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供一种考虑EV车主意愿的多利益主体协调博弈调度方法，包括以下步骤：
步骤S1：建立EV负荷聚合体(EVA)充电调度模型：包括EV接入时刻和行驶概率模型、EV集群充电模型和EV车主意愿概率函数模型；
步骤S2：根据所建立的EV负荷聚合体充电调度模型及分布式电源调度模型，建立配电网及下级EV负荷聚合体和分布式电源利益主体的主从非合作博弈模型，用以进行日前优化调度；
步骤S3：在日前优化确定的分时电价及各主体基础策略下，进行基于各下级DG及EV负荷聚合体主体的对等合作博弈的日内实时优化调度。
在本实施例中，所述步骤S1的具体内容为：
假设电动汽车与普通汽车的行驶特性一样，且令电动汽车开始充电时刻为最后一次出行的返回时刻；统计实际数据，采用极大似然估计方法将车辆开始充电时刻和日行驶里程近似拟合得到如下正态分布和对数正态分布；
其EV开始充电时刻的正态分布如下：
式中：μS＝17.6；σS＝3.4；
EV日行驶里程满足如下对数正态分布:
式中：μD＝3.20；σD＝0.88；
将调度周期均分为T个时段，令EV在每个优化调度时段充电功率恒定，且充电桩要保证各EV在离开时段充满；记
分别为第i辆EV的接入、离开时段，di为第i辆EV的充电需求；得到单辆EV充电模型如下：
式中，Si为第i辆EV的日行驶里程，km；W100为每百公里耗电量kW.h/km；η为EV充电效率；
为第i辆EV在t时段的充电量；
为每时段第i辆EV的最大充电量；
上述单EV调度模型的全天变量数为
其中
代表时段t在充电桩充电的EV数量；随着EV技术的不断发展，大量EV开始集群接入充电桩，这使得
的数量级不断增大，将导致调度变量的维数爆炸。因此，本文将同一时段接入或接出的EV归类建立了EV的集群调度模型；
对于
代表每时段充电桩的集群充电量，如果
都满足如下不等式：
则一定可以找到一组满足式(3)单辆EV约束的
用以进行合理的功率分配；即不等式约束(4)保证了满足式(3)的EV功率分配策略的存在性；
传统的EV调度一般是通过建立复杂的车主满意度函数来考量车主利益，但在实际中，车主只关心离开时EV的荷电状态及充电费用，而不具备计算自身满意度的能力。所以本实施例考虑EV充电桩的售电电价恒定，但有两个充电模式可选择：1、充电桩直接以最大功率将EV充满；2、充电桩对EV进行充电调度，并保证EV在K个时段内充满，同时给与车主一定的充电折扣。上述机制使车主只需根据自身意愿选择是否参与有序充电，无需泄露其他信息，这更加具有商业实际性。
为估计车主意愿，本实施例引入心理物理学的韦伯-费希纳(Weber-FechnerLaw，W-F)定律，此定律可以准确表达人体反应量k与客观刺激量c之间的函数关系，被广泛应用于心理学领域。W-F定律指出：感觉的大小同刺激强度的对数呈正比，刺激强度按几何级数递增，而感觉强度按算术级数递增。
定义两种充电模式：模式一：充电桩直接以最大功率将EV充满；模式二：充电桩对EV进行充电调度，并保证EV在K个时段内充满，同时给与车主一定的充电折扣；根据韦伯-费希纳定律：
s＝kln(I)+s0 (5)
式中，s为人体反应量；I为客观刺激量；k为韦伯系数；s0为刺激常数；
考虑充电折扣与充电需求，令客观刺激量如式(6)所示:
式中，
为EVA的充电折扣；tf为EV充电需要的最短时间等价于充电需求；a、k为刺激量参数；
基于客观刺激量表达式及W-F定理，建立如下EV车主意愿概率函数模型：
式中，P(I)为EV车主在客观刺激量I下拒绝参与调度的概率；I0为最小可觉差，当刺激量小于此值时，EV车主拒绝接受调度；Iz表示最大刺激量，大于此刺激量下，车主完全愿意接受调度。
在本实施例中，考虑到配电网运营商可制定分时电价以引导下级利益主体进行功率调度，居于市场博弈的领导地位；其他各DG主体及EVA主体只能根据配电网制定的电价优化自身利益，居于附属位置。故本专利建立配电网及下级利益主体的主从非合作博弈模型进行日前优化调度。
所述步骤S2具体包括以下步骤：
步骤S21：目前配电网运营商基本由大电网公司扮演，其主要的要求是维持电网有较好的运行环境，同时分时电价制度也是为了削峰填谷，以保证电网的稳定运行而提出的。
建立配电网调度模型，以最小化电压偏差及网损作为配电网的目标函数：
式(8)中，T为优化时段；
为t时段网损；k为权重系数；n为配电网节点数；ui.t为t时刻节点i的电压标幺值；un为基准电压，取1；
配电网约束包括潮流约束及电压偏差约束：
式(9)中，Pin,i、Qin,i分别为各节点注入的净有功、无功功率；Ui为节点i的电压标幺值，θij为节点i、j的电压相角差；Gij、Bij为确定的网络参数。
分别为节点i电压的上下限约束；
步骤S22：在EV集群调度模型的基础上建立EVA调度模型，其目标函数是自身成本的最小化：
式中，CWX为无序充电部分的EV充电成本；CZ为接受调度的EV充电成本；
为充电折扣成本；
式中，
为时段t的售电电价；
为t时段无序充电的EV数；
为EV的最大充电功率；
为EVA在时段t的接受调度EV的集群总功率；
为在时段t开始接入充电桩的EV集合；
为时段t的充电折扣；pEV为充电桩固定售电电价；
EVA在包含集群调度约束的同时，还包括集群充电桩最大充电功率限制约束：
其中，
分别为时段t充电EV的集群充电总功率和充电桩的功率上限；
步骤S23：DG调度模型
DG包含不可控DG(风、光伏)及其他可控DG(微型燃气轮机、柴油发电机)。对于不可控新能源DG，配电网通过制定分时电价难以激励其作为独立的利益主体参与博弈调度。因为，对于配电网下发的确定电价，不含储能装置的不可控新能源DG唯一的最优策略即为仅发最大有功功率。所以本实施例只考虑可控分布式电源参与日前调度博弈，所述可控DG包括微型燃气轮机和柴油发电机；
微型燃气轮机及柴油发电机以运行成本最小化为目标函数：
式中，CDG.M、CDG.C分别为燃气轮机及柴油机的运行成本；
分别为燃气轮机和柴油机的发电成本；
分别为燃气轮机和柴油机有功无功出力；
分别为其无功出力的维护成本，有功出力成本已合并入燃料成本；
为配电网的购电价格；CMP为燃气轮机燃料价格；ηM为转换效率；a、b、c为燃料成本系数；
可控DG约束为爬坡约束及功率上下限约束：
式中，
可控DG的出力上下限；
分别为t-1、t时段可控DG的有功出力；
步骤S24：基于主从非合作博弈的日前调度模型求解：
在优化求解模型式(10)、(13)中，下级利益主体通过上级配电网下发确定的分时电价
来求解自身最优策略：
上级配电网通过制定分时售电、购电电价
以引导下级利益主体进行主动调度以降低自身目标函数，表示为：
上述主从博弈求解模型(15)～(16)是一个双层规划求解问题，上层配电网求解最优电价策略，下层利益主体求解最优电价策略下的经济调度策略；
步骤S45：采用多种群遗传算法对上层最优电价策略进行搜索，以电价策略作为种群个体，通过遗传操作获取配电网最优电价策略，同时对不同下级利益主体内嵌遗传算法或规划算法求解下级调度策略。
在本实施例中，所述步骤S25具体包括以下步骤：
步骤S251：输入各系统参数，包括配电网系统参数、负荷及风光预测数据、EV预测数据；
步骤S252：上层配电网随机生成以电价
为变量个体的多个初始化种群；
步骤S253：各利益主体根据下发的多个电价并行求解自身最优发电策略
步骤S254：下级利益主体上传求得的自身最优发电策略，配电网根据上传的信息，提取此代精华种群的电价最优值；
步骤S255：配电网根据遗传算法确定是否达到最大遗传代数或最优值最大保持代数，若满足，则输出最优电价策略；若不满足，进行遗传及移民操作生成新种群，再重复步骤S252至步骤S254直至满足收敛条件。
相对于传统单主体集中调度，上述算法可大大减轻配电网的计算量。同时对接收到的多个电价种群个体，下级利益主体可通过并行计算来加快计算速度；进一步，不同的利益主体可采取不同优化算法来求解自身最优策略以加快计算，本实施例中EVA含有非线性折扣变量采用内嵌遗传算法求解；而对于可控DG，由于其约束都是线性约束，采用线性规划方法求解。
在本实施例中，日内实时优化在日前调度确定的分时电价及各主体最优策略基础上，提出基于电压偏差与网损的实时波动电价策略，各DG主体通过实时数据进行实时对等博弈。
所述步骤S3具体包括以下步骤：
步骤S31：建立基于电压偏差及网损的电价策略，用以使不再直接定价的配电网可以退出博弈中心，为各主体对等博弈提供了实时环境；同时，配电网运行状态指标与电价直接关联使各主体在追求利益时，必须考虑配电网的安全运行。
消除配电网与下级利益主体的矛盾，使配电网退出博弈的中心以达到去中心化的目的，考虑将配电网运行状态指标与实时电价的直接关系，具体电价形式如下：
式(17)中，
Ct分别为日前调度制定的时段t分时电价及时段t的日内实时电价；f(.)为电价波动函数；取f(.)为二次函数：
其中，a、b、c为电价波动系数；xADN日前调度配电网运行状态指标的改善比例，具体如下：
上式中，
分别为日前调度后和日内实时调度后如式(8)的每时刻运行指标；式(18)-(19)表明配电网运行状态的改善会提升实时电价，激励各主体主动调节无功或进行适量弃风光以改善电压偏差及网损；
步骤S32：建立基于电压偏差及网损的电价策略；
可再生DG考虑配电网的购电费用、政府补贴费用及有功无功出力维护成本；其目标函数为：
上式中，
为RDG在时段t的总成本；
为RDG在时段t的有功无功出力；Ct、CSUB、CP、CQ分别为配电网购电电价、政府补贴成本、RDG有功出力成本和RDG无功出力成本；
RDG的约束包括有功无功上下限约束：
式中，
分别为RDG的无功、有功出力上下限；
不可控DG以如下式(22)为目标函数进行实时优化调度：
约束函数如式(14)；
另外由于EVA具有较强的时间耦合，同时为了简化计算，其不参与实时调度，仅根据实际数据修正自身调度功率；
步骤S33：采用NSGA-Ⅱ算法求解上述(20)、(22)各利益主体实现自身目标函数最大化的对等博弈模型：
日内实时调度模型中，各利益主体具有较强的利益耦合，且其可以通过数据交换以进行信息共享。
因此本实施例考虑各主体可以进行协议合作，并采用可以保证利益分配达到极限状态的Pareto最优解作为多利益主体博弈决策解。
NSGA-Ⅱ算法可以求取较为均匀的Pareto最优解集，且此算法具有较好的收敛性和鲁棒性。故本实施例采用NSGA-Ⅱ算法进行求解。
另外，如果各利益主体可以结成紧密联盟，只需选取总利益最大解，然后进行利益再分配即可，已有许多文章对联盟合作的利益再分配进行研究。
故本实施例考虑各主体无法结成紧密联盟进行利益再分配的情况，为促进利益的公平分配，提出自适应变权重的决策解选取方法：
式中，
为第i个主体在时刻t的权重；Cij是时刻t第i个主体在第j个Pareto最优解的成本；
考虑以前面时刻各利益主体相对日前调度利益提升的累加大小来分配权重：
式中，fi t为实时调度后第i个主体在t时刻的实际运行成本；
为日前调度下第i个主体在t时段的运行成本；
分别t、t+1时刻第i个主体的权重系数；k为合理的权重比例系数。
上述方法可以激励各利益主体牺牲某时刻的利益，来保证总体利益的最大化，并换取下一时刻权重的提。并可以保证一定的利益分配公平性。
较佳的，本实施例
1.建立了EV集群调度模型，以解决变量维数爆炸问题，并基于心理学的韦伯-费希纳定律建立车主充电意愿概率函数模型，以充分考虑车主意愿。
2.在日前建立了分时电价激励下的主从非合作博弈模型。
3.为充分激发各DG主体的有功无功调节能力，建立了基于波动电价激励下的对等合作博弈模型。
4.采用NSGA-Ⅱ算法求解合作博弈的Pareto最优解集，并通过权重的自适应修改选取Pareto最优解以进行合理的利益分配。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (5)
1.一种考虑EV车主意愿的多利益主体协调博弈调度方法，其特征在于：包括以下步骤：
步骤S1：建立EV负荷聚合体充电调度模型：包括EV接入时刻和行驶概率模型、EV集群充电模型和EV车主意愿概率函数模型；
步骤S2：根据所建立的EV负荷聚合体充电调度模型及分布式电源调度模型，建立配电网及下级EV负荷聚合体和分布式电源利益主体的主从非合作博弈模型，用以进行日前优化调度；
步骤S3：在日前优化确定的分时电价及各主体基础策略下，进行基于各下级DG及EV负荷聚合体主体的对等合作博弈的日内实时优化调度。
2.根据权利要求1所述的一种考虑EV车主意愿的多利益主体协调博弈调度方法，其特征在于：所述步骤S1的具体内容为：
令电动汽车开始充电时刻为最后一次出行的返回时刻；统计实际数据，采用极大似然估计方法将车辆开始充电时刻和日行驶里程近似拟合得到如下正态分布和对数正态分布；
其EV开始充电时刻的正态分布如下：
式中：μS＝17.6；σS＝3.4；
EV日行驶里程满足如下对数正态分布:
式中：μD＝3.20；σD＝0.88；
将调度周期均分为T个时段，令EV在每个优化调度时段充电功率恒定，且充电桩要保证各EV在离开时段充满；记
分别为第i辆EV的接入、离开时段，di为第i辆EV的充电需求；得到单辆EV充电模型如下：
式中，Si为第i辆EV的日行驶里程，km；W100为每百公里耗电量kW.h/km；η为EV充电效率；
为第i辆EV在t时段的充电量；
为每时段第i辆EV的最大充电量；
上述单EV调度模型的全天变量数为
其中
代表时段t在充电桩充电的EV数量；将同一时段接入或接出的EV归类建立了EV的集群调度模型；
对于
代表每时段充电桩的集群充电量，如果
都满足如下不等式：
则找到一组满足式(3)单辆EV约束的
用以进行合理的功率分配；即不等式约束(4)保证了满足式(3)的EV功率分配策略的存在性；
定义两种充电模式：模式一：充电桩直接以最大功率将EV充满；模式二：充电桩对EV进行充电调度，并保证EV在K个时段内充满，同时给与车主一定的充电折扣；根据韦伯-费希纳定律：
s＝kln(I)+s0 (5)
式中，s为人体反应量；I为客观刺激量；k为韦伯系数；s0为刺激常数；
考虑充电折扣与充电需求，令客观刺激量如式(6)所示:
式中，
为EVA的充电折扣；tf为EV充电需要的最短时间等价于充电需求；a、k为刺激量参数；
基于客观刺激量表达式及W-F定理，建立如下EV车主意愿概率函数模型：
式中，P(I)为EV车主在客观刺激量I下拒绝参与调度的概率；I0为最小可觉差，当刺激量小于此值时，EV车主拒绝接受调度；Iz表示最大刺激量，大于此刺激量下，车主完全愿意接受调度。
3.根据权利要求1所述的一种考虑EV车主意愿的多利益主体协调博弈调度方法，其特征在于：所述步骤S2具体包括以下步骤：
步骤S21：建立配电网调度模型，以最小化电压偏差及网损作为配电网的目标函数：
式(8)中，T为优化时段；
为t时段网损；k为权重系数；n为配电网节点数；ui.t为t时刻节点i的电压标幺值；un为基准电压，取1；
配电网约束包括潮流约束及电压偏差约束：
式(9)中，Pin,i、Qin,i分别为各节点注入的净有功、无功功率；Ui为节点i的电压标幺值，θij为节点i、j的电压相角差；Gij、Bij为确定的网络参数。
分别为节点i电压的上下限约束；
步骤S22：在EV集群调度模型的基础上建立EVA调度模型，其目标函数是自身成本的最小化：
式中，CWX为无序充电部分的EV充电成本；CZ为接受调度的EV充电成本；
为充电折扣成本；
式中，
为时段t的售电电价；
为t时段无序充电的EV数；
为EV的最大充电功率；
为EVA在时段t的接受调度EV的集群总功率；
为在时段t开始接入充电桩的EV集合；
为时段t的充电折扣；pEV为充电桩固定售电电价；
EVA在包含集群调度约束的同时，还包括集群充电桩最大充电功率限制约束：
其中，
分别为时段t充电EV的集群充电总功率和充电桩的功率上限；
步骤S23：考虑可控分布式电源参与日前调度博弈，所述可控DG包括微型燃气轮机和柴油发电机；
微型燃气轮机及柴油发电机以运行成本最小化为目标函数：
式中，CDG.M、CDG.C分别为燃气轮机及柴油机的运行成本；
分别为燃气轮机和柴油机的发电成本；
分别为燃气轮机和柴油机有功无功出力；
分别为其无功出力的维护成本，有功出力成本已合并入燃料成本；
为配电网的购电价格；CMP为燃气轮机燃料价格；ηM为转换效率；a、b、c为燃料成本系数；
可控DG约束为爬坡约束及功率上下限约束：
式中，
可控DG的出力上下限；
分别为t-1、t时段可控DG的有功出力；
步骤S24：基于主从非合作博弈的日前调度模型求解：
在优化求解模型式(10)、(13)中，下级利益主体通过上级配电网下发确定的分时电价
来求解自身最优策略：
上级配电网通过制定分时售电、购电电价
以引导下级利益主体进行主动调度以降低自身目标函数，表示为：
上述主从博弈求解模型(15)～(16)是一个双层规划求解问题，上层配电网求解最优电价策略，下层利益主体求解最优电价策略下的经济调度策略；
步骤S25：采用多种群遗传算法对上层最优电价策略进行搜索，以电价策略作为种群个体，通过遗传操作获取配电网最优电价策略，同时对不同下级利益主体内嵌遗传算法或规划算法求解下级调度策略。
4.根据权利要求3所述的一种考虑EV车主意愿的多利益主体协调博弈调度方法，其特征在于：所述步骤S25具体包括以下步骤：
步骤S251：输入各系统参数，包括配电网系统参数、负荷及风光预测数据、EV预测数据；
步骤S252：上层配电网随机生成以电价
为变量个体的多个初始化种群；
步骤S253：各利益主体根据下发的多个电价并行求解自身最优发电策略
步骤S254：下级利益主体上传求得的自身最优发电策略，配电网根据上传的信息，提取此代精华种群的电价最优值；
步骤S255：配电网根据遗传算法确定是否达到最大遗传代数或最优值最大保持代数，若满足，则输出最优电价策略；若不满足，进行遗传及移民操作生成新种群，再重复步骤S252至步骤S254直至满足收敛条件。
5.根据权利要求1所述的一种考虑EV车主意愿的多利益主体协调博弈调度方法，其特征在于：所述步骤S3具体包括以下步骤：
步骤S31：建立基于电压偏差及网损的电价策略，用以使不再直接定价的配电网退出博弈中心，为各主体对等博弈提供了实时环境；同时，配电网运行状态指标与电价直接关联使各主体在追求利益时，必须考虑配电网的安全运行。
消除配电网与下级利益主体的矛盾，使配电网退出博弈的中心以达到去中心化的目的，考虑将配电网运行状态指标与实时电价的直接关系，具体电价形式如下：
式(17)中，
Ct分别为日前调度制定的时段t分时电价及时段t的日内实时电价；f(.)为电价波动函数；取f(.)为二次函数：
其中，a、b、c为电价波动系数；xADN日前调度配电网运行状态指标的改善比例，具体如下：
上式中，
分别为日前调度后和日内实时调度后如式(8)的每时刻运行指标；式(18)-(19)表明配电网运行状态的改善会提升实时电价，激励各主体主动调节无功或进行适量弃风光以改善电压偏差及网损；
步骤S32：建立基于电压偏差及网损的电价策略；
可再生DG考虑配电网的购电费用、政府补贴费用及有功无功出力维护成本；其目标函数为：
上式中，
为RDG在时段t的总成本；
为RDG在时段t的有功无功出力；Ct、CSUB、CP、CQ分别为配电网购电电价、政府补贴成本、RDG有功出力成本和RDG无功出力成本；
RDG的约束包括有功无功上下限约束：
式中，
分别为RDG的无功、有功出力上下限；
不可控DG以如下式(22)为目标函数进行实时优化调度：
约束函数如式(14)；
另外由于EVA具有较强的时间耦合，同时为了简化计算，其不参与实时调度，仅根据实际数据修正自身调度功率；
步骤S33：采用NSGA-Ⅱ算法求解上述(20)、(22)各利益主体实现自身目标函数最大化的对等博弈模型：
考虑各主体无法结成紧密联盟进行利益再分配的情况，为促进利益的公平分配，提出自适应变权重的决策解选取方法：
式中，
为第i个主体在时刻t的权重；Cij是时刻t第i个主体在第j个Pareto最优解的成本；
考虑以前面时刻各利益主体相对日前调度利益提升的累加大小来分配权重：
式中，fi t为实时调度后第i个主体在t时刻的实际运行成本；
为日前调度下第i个主体在t时段的运行成本；
分别t、t+1时刻第i个主体的权重系数；k为合理的权重比例系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010069946.9A CN111260237B (zh) | 2020-01-21 | 2020-01-21 | 一种考虑ev车主意愿的多利益主体协调博弈调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010069946.9A CN111260237B (zh) | 2020-01-21 | 2020-01-21 | 一种考虑ev车主意愿的多利益主体协调博弈调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111260237A true CN111260237A (zh) | 2020-06-09 |
| CN111260237B CN111260237B (zh) | 2022-09-16 |
Family
ID=70949115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010069946.9A Active CN111260237B (zh) | 2020-01-21 | 2020-01-21 | 一种考虑ev车主意愿的多利益主体协调博弈调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111260237B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723993A (zh) * | 2020-06-24 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种配电网双层协同调度方法、装置、终端及存储介质 |
| CN111756064A (zh) * | 2020-06-29 | 2020-10-09 | 山东理工大学 | 基于分时电价的含电动汽车电网优化调度方法和装置 |
| CN111799786A (zh) * | 2020-07-07 | 2020-10-20 | 中原工学院 | 一种基于博弈论的新能源混合电力系统容量配置方法 |
| CN112332460A (zh) * | 2020-10-30 | 2021-02-05 | 重庆大学 | 一种考虑能流特性差异的电-气互联系统异步调度方法 |
| CN112487560A (zh) * | 2020-12-11 | 2021-03-12 | 国网江苏省电力有限公司南通供电分公司 | 基于ev车主意愿的电力交通耦合系统协调博弈调度方法 |
| CN112668188A (zh) * | 2020-12-31 | 2021-04-16 | 福州大学 | 多园区综合能源系统的分布式鲁棒协同优化调度方法 |
| CN113852073A (zh) * | 2021-09-29 | 2021-12-28 | 福州大学 | 一种基于激励-响应充电决策估计的日前优化调度方法 |
| CN114188940A (zh) * | 2021-11-30 | 2022-03-15 | 国网浙江杭州市萧山区供电有限公司 | 一种考虑多主体利益的主动配电网调度方法 |
| CN112332460B (zh) * | 2020-10-30 | 2024-06-04 | 重庆大学 | 一种考虑能流特性差异的电-气互联系统异步调度方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160597A (zh) * | 2015-08-27 | 2015-12-16 | 国家电网公司 | 一种基于电力系统的温室气体减排控制方法 |
| CN109934487A (zh) * | 2019-03-11 | 2019-06-25 | 国网福建省电力有限公司 | 一种考虑多主体利益博弈的主动配电网协调规划方法 |
| CN112487560A (zh) * | 2020-12-11 | 2021-03-12 | 国网江苏省电力有限公司南通供电分公司 | 基于ev车主意愿的电力交通耦合系统协调博弈调度方法 |
-
2020
- 2020-01-21 CN CN202010069946.9A patent/CN111260237B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160597A (zh) * | 2015-08-27 | 2015-12-16 | 国家电网公司 | 一种基于电力系统的温室气体减排控制方法 |
| CN109934487A (zh) * | 2019-03-11 | 2019-06-25 | 国网福建省电力有限公司 | 一种考虑多主体利益博弈的主动配电网协调规划方法 |
| CN112487560A (zh) * | 2020-12-11 | 2021-03-12 | 国网江苏省电力有限公司南通供电分公司 | 基于ev车主意愿的电力交通耦合系统协调博弈调度方法 |
Non-Patent Citations (3)
| Title |
|---|
| LEFENG CHENG 等: "Game-Theoretic Approaches Applied to Transactions in the Open and Ever-Growing Electricity Markets From the Perspective of Power Demand Response: An Overview", 《IEEE ACCESS》 * |
| 李力行 等: "多利益主体参与下主动配电网完全信息动态博弈行为", 《电工技术学报》 * |
| 杨国清 等: "分时电价与电动汽车优化调度的主从博弈模型", 《电力系统及其自动化学报》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723993A (zh) * | 2020-06-24 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种配电网双层协同调度方法、装置、终端及存储介质 |
| CN111723993B (zh) * | 2020-06-24 | 2024-04-26 | 南方电网科学研究院有限责任公司 | 一种配电网双层协同调度方法、装置、终端及存储介质 |
| CN111756064A (zh) * | 2020-06-29 | 2020-10-09 | 山东理工大学 | 基于分时电价的含电动汽车电网优化调度方法和装置 |
| CN111799786A (zh) * | 2020-07-07 | 2020-10-20 | 中原工学院 | 一种基于博弈论的新能源混合电力系统容量配置方法 |
| CN111799786B (zh) * | 2020-07-07 | 2021-03-16 | 中原工学院 | 一种基于博弈论的新能源混合电力系统容量配置方法 |
| CN112332460A (zh) * | 2020-10-30 | 2021-02-05 | 重庆大学 | 一种考虑能流特性差异的电-气互联系统异步调度方法 |
| CN112332460B (zh) * | 2020-10-30 | 2024-06-04 | 重庆大学 | 一种考虑能流特性差异的电-气互联系统异步调度方法 |
| CN112487560B (zh) * | 2020-12-11 | 2022-08-19 | 国网江苏省电力有限公司南通供电分公司 | 基于ev车主意愿的电力交通耦合系统协调博弈调度方法 |
| CN112487560A (zh) * | 2020-12-11 | 2021-03-12 | 国网江苏省电力有限公司南通供电分公司 | 基于ev车主意愿的电力交通耦合系统协调博弈调度方法 |
| CN112668188B (zh) * | 2020-12-31 | 2023-02-24 | 福州大学 | 多园区综合能源系统的分布式鲁棒协同优化调度方法 |
| CN112668188A (zh) * | 2020-12-31 | 2021-04-16 | 福州大学 | 多园区综合能源系统的分布式鲁棒协同优化调度方法 |
| CN113852073A (zh) * | 2021-09-29 | 2021-12-28 | 福州大学 | 一种基于激励-响应充电决策估计的日前优化调度方法 |
| CN113852073B (zh) * | 2021-09-29 | 2023-12-15 | 福州大学 | 一种基于激励-响应充电决策估计的日前优化调度方法 |
| CN114188940A (zh) * | 2021-11-30 | 2022-03-15 | 国网浙江杭州市萧山区供电有限公司 | 一种考虑多主体利益的主动配电网调度方法 |
| CN114188940B (zh) * | 2021-11-30 | 2023-08-11 | 国网浙江杭州市萧山区供电有限公司 | 一种考虑多主体利益的主动配电网调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111260237B (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111260237B (zh) | 一种考虑ev车主意愿的多利益主体协调博弈调度方法 | |
| Yang et al. | Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review | |
| CN108960510B (zh) | 一种基于两阶段随机规划的虚拟电厂优化交易策略装置 | |
| CN110188950B (zh) | 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法 | |
| Ye et al. | Learning to operate an electric vehicle charging station considering vehicle-grid integration | |
| CN105160451B (zh) | 一种含电动汽车的微电网多目标优化调度方法 | |
| CN107069753B (zh) | 一种考虑行为随机性的电动汽车参与电网调压调度方法 | |
| CN108062619B (zh) | 一种轨道车辆车地一体化容量配置方法及装置 | |
| CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
| CN112800658A (zh) | 一种考虑源储荷互动的主动配电网调度方法 | |
| WO2024092954A1 (zh) | 基于深度强化学习的电力系统调控方法 | |
| CN111177637B (zh) | 电动汽车换电站动力电池的容量配置方法 | |
| CN112366704A (zh) | 一种基于激励需求响应的综合能源系统联络线功率控制方法 | |
| Ma et al. | Real-time plug-in electric vehicles charging control for V2G frequency regulation | |
| CN109066663A (zh) | 考虑电动汽车聚类分群的竞价方法 | |
| 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 | |
| Wu et al. | Optimal scheduling strategy for orderly charging and discharging of electric vehicles based on spatio-temporal characteristics | |
| Shahbazi et al. | Probabilistic optimal allocation of electric vehicle charging stations considering the uncertain loads by using the Monte Carlo simulation method | |
| Zeng et al. | Optimal configuration planning of vehicle sharing station-based electro-hydrogen micro-energy systems for transportation decarbonization | |
| CN115983598A (zh) | 基于分布式深度强化学习的微网隐私保护与能量调度方法 | |
| Zhang et al. | Transfer deep reinforcement learning-based large-scale V2G continuous charging coordination with renewable energy sources | |
| CN115392766A (zh) | 基于本地电力市场的需求侧资源协同优化调度方法 | |
| CN114977271A (zh) | 一种考虑社会因素的新型电力系统调度方法 | |
| CN114928062A (zh) | 基于共享储能设备的需求侧响应方法及装置 | |
| Shi et al. | Coordinated operation of active distribution network, networked microgrids, and electric vehicle: A multi-agent PPO optimization method |
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 |