CN111509781A - 一种分布式电源协调优化控制方法及系统 - Google Patents
一种分布式电源协调优化控制方法及系统 Download PDFInfo
- Publication number
- CN111509781A CN111509781A CN201910090554.8A CN201910090554A CN111509781A CN 111509781 A CN111509781 A CN 111509781A CN 201910090554 A CN201910090554 A CN 201910090554A CN 111509781 A CN111509781 A CN 111509781A
- Authority
- CN
- China
- Prior art keywords
- distributed power
- power supply
- charging
- load
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000002245 particle Substances 0.000 claims abstract description 77
- 238000009826 distribution Methods 0.000 claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 37
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000002153 concerted effect Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- H02J3/38—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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
一种分布式电源协调优化控制方法及系统，包括：基于的配电网运行状态数据与拓扑数据、电动汽车充电状态数据对源‑荷功率进行预测，得到预测结果；基于所述预测结果将配电网中含分布式电源的区域进行动态优化划分；将划分后的区域中的分布式电源设为粒子，根据预先设定的约束条件进行种群划分，并通过粒子群‑遗传混合算法进行优化，生成最优解；基于所述最优解，确定所述分布式电源的供电顺序。本发明在配电网运行状态和拓扑结构不变的情况下，对区域内分布式电源进行合理配置和有序规划，保证了电网安全可靠运行的同时，充分利用了市场环境下充电设备的协调控制特性，可以更经济、高效地提升了对分布式电源的利用水平。
Description
技术领域
本发明涉及电气工程技术领域，具体涉及一种分布式电源协调优化控制方法及系统。
背景技术
随着世界各国对能源危机、环境保护、全球气候变化等问题日益重视，开发利用可再生能源已成为全球的普遍共识和一致行动。近年来，可再生能源发电技术日益成熟，可再生能源发电并网迅猛发展。同时，电动汽车因其节能环保、防治大气污染的优势被广泛研究与利用。分布式电源与电动汽车规模接入与应用是智能配电网可持续发展的必然趋势和未来重要特征。目前，分布式电源出力的间歇性、随机性、波动性特征，是制约分布式电源消纳与高效利用的瓶颈之一。大规模电动汽车的随机并网与无序充电，会产生尖峰负荷，增加网络损耗。强波动电源-强随机负荷使配电网呈现常态化的不确定性和波动性，对智能配电网的安全可靠运行提出巨大了挑战，对智能配电网的协调优化控制也提出了更高的要求。
当前针对含分布式电源的智能配电网协调优化控制问题，目前研究主要集中于分布式电源、电动汽车各自对配电网运行的影响与协调优化控制，没有统筹考虑两者协调交互作用下的配电网优化运行；此外，目前配电网优化运行的目标侧重于降低网损、减少成本、增加收益以及提升电网安全可靠运行水平，没有充分解决配电网高渗透率分布式电源并网后，分布式电源有序配置的问题。
发明内容
为了解决现有技术中所存在的不能将分布式电源进行有序配置的问题，本发明提供一种分布式电源协调优化控制方法及系统。
本发明提供的技术方案是：一种分布式电源协调优化控制方法，包括：
基于配电网运行状态数据与拓扑数据、电动汽车充电状态数据对源-荷功率进行预测，得到预测结果；
基于所述预测结果将配电网中含分布式电源的区域进行动态优化划分；
将划分后的区域中的分布式电源设为粒子，根据预先设定的约束条件进行种群划分，并通过粒子群-遗传混合算法进行优化，生成最优解；
基于所述最优解，确定所述分布式电源的供电顺序。
优选的，所述基于的配电网运行状态数据与拓扑数据、电动汽车充电状态数据对源-荷功率进行预测，包括：
获取配电网的运行状态数据、拓扑数据和电动汽车充电状态数据，并通过微型同步相量测量装置获取分布式电源的电源出力值和负荷需求历史值；
基于所述电网的运行状态数据、拓扑数据、电动汽车充电状态数据、电源出力值和负荷需求历史值，通过采用神经网络方法进行源-荷功率预测。
优选的，所述基于所述预测结果将配电网中含分布式电源的区域进行动态优化划分，包括：
将含分布式电源和附属的分段开关的配电网部分，构建独立区域模型；
若所述独立区域模型中分布式电源的预测结果可进行平衡互补，则将所述独立区域进行合并，完成区域的动态优化划分；否则，不进行合并。
优选的，所述将划分后的区域中的分布式电源设为粒子，根据预先设定的多个目标以及约束条件进行种群划分，包括：
设定所述种群的规模，在约束条件下，将所述粒子随机生成粒子种群；
所述约束条件，包括：节点潮流平衡约束、节点电压约束、支路电流约束、分布式电源出力约束和电动汽车充电功率约束。
优选的，所述节点潮流平衡约束，如下式所示：
式中，Pi为配电网络节点i的有功功率，Qi为配电网络节点i的无功功率，Pi,DG为向节点i注入的有功功率，Qi,DG为向节点i注入的功功率，Pi,L节点i处所连接负荷消耗的有功功率，Qi,L为节点i处所连接负荷消耗的无功功率，Ui为节点i的电压幅值，j∈i表示所有与节点i直接相连的节点，Gij是节点导纳矩阵的实部，Bij是节点导纳矩阵虚部；θij是节点i和节点j之间的相角差；
所述节点电压约束，如下式所示：
Ui,min≤Ui≤Ui,max
式中，Ui,min为配电网络节点电压上限，Ui,max为配电网络节点电压下限，Ui为 节点i的电压；
所述支路电流约束，如下式所示：
Il(t)≤Il,max
式中，Il(t)为t时段支路l流过的电流幅值，Ii,max为该支路所允许流过的电流最大值；
所述分布式电源出力，如下式所示：
式中，Pi,DG(t)为第i个分布式电源在t时段实际输出的有功功率，Pi,DG,min表示第i个分布式电源最小输出功率，Pi,DG,max表示第i个分布式电源的最大输出功率。
优选的，所述电动汽车充电功率约束，如下式所示：
式中，Pi,ev(t)为第i个分布式电源t时刻的充电量，
表示电动汽车的最大允许充电功率，SOCi,ev(t)为电动汽车的荷带你状态，SOCi,ev,min为电动汽车电池的最小剩余电量水平，SOCi,ev,max为电动汽车电池的最大剩余电量水平，h为电池每日的充电次数，hmax为一日中的充电次数限制值。
优选的，所述通过粒子群-遗传混合算法进行优化，包括：
设置遗传混合算法的执行参数；
根据所述执行参数，对所述粒子种群进行混合优化；
所述执行参数，包括：混合进化最大迭代次数、进化代数、参数交叉概率和变异概率。
优选的，所述根据所述执行参数，对所述粒子种群进行混合优化，包括：
步骤1：将每个所述子种群进行初次进化，置所述进化代数为1，将所述子种群中的粒子速度和位置进行更新；
步骤2：计算更新后的粒子的适应度函数值，并根据所述粒子的适应度函数值的平均值进行排序；步骤3：将小于平均值的较差粒子，按照所述参数交叉概 率和变异概率进行交叉变异操作，并与大于等于均值的较优粒子进行合并；
步骤4：重复步骤2和步骤3，筛选出合并后的子种群中适应度函数值大于平均值的粒子，剔除剩余粒子，得到初始优化子种群；
步骤5：将所述初始优化子种群按预设次数进行混合进化，得到优化种群。
优选的，所述将所述初始优化子种群按预设次数进行混合进化，得到优化种群，包括：
判断当前混合进化次数是否等于所述种群初始化参数中的混合进化最大迭代次数，若等于所述混合进化最大迭代次数，则输出当前得到的优化种群；
否则，继续进行混合进化，直到进化次数等于所述混合进化最大迭代次数。
优选的，所述适应度函数，包括：
分布式电源最大化消纳函数、负荷峰谷差率函数、峰负荷函数、充电成本函数和对实际充电量的满意度函数。
优选的，所述分布式电源最大化消纳函数，如下式所示：
式中，f1表示配电网对分布式电源的最大消纳能力；nDG为分布式电源的数量；Pi,DG,max为第i个分布式电源允许的最大出力；Pi,DG为i分布式电源实际并网的有功功率。
优选的，所述负荷峰谷差率函数，如下式所示：
其中，f2表示分布式电源负荷峰谷差率，PL(t)是t时段分布式电源的常规负荷值，P′L(t)是叠加电动汽车充电负荷后t时段的分布式电源的总负荷值；
其中，PL(t)是t时段分布式电源的常规负荷值，Pi,ev(t)是t时段第i个充电 汽车的充电负荷值。
优选的，所述峰负荷函数，包括：
f3＝min[maxP′L(t)]
式中，f3表示分布式电源的负荷峰值，P′L(t)是叠加分布式电源负荷后t时段的配电网总负荷值。
优选的，所述充电成本函数，如下式所示：
其中，f4表示电动汽车全部用户充电成本，Ci为第i个充电汽车的最小充电成本。
优选的，所述对实际充电量的满意度函数，如下式所示：
式中，f5表示电动汽车用户对实际充电量的满意度，Di,satisfaction为第i个电动汽车的用户对实际充电量的满意度。
优选的，所述充电量的获取，包括：
获取区域内分布式电源的数量和各供电站内待充电车辆的数量；
若所述分布式电源的数量大于等于所述待充电车辆的数量，得到第一充电序列，根据所述第一充电序列得到充电量；否则，
寻找存在可充电的分布式电源，考虑待充电汽车到达所述分布式电源的耗时消耗的时间、所述分布式电源的电能和充电等待时间，并对所述待充电车辆进行排序，得到第二充电序列，根据所述第二充电序列得到充电量。
一种分布式电源协调优化控制系统，所述系统，包括：
预测模块：基于配电网运行状态数据与拓扑数据、电动汽车充电状态数据对源-荷功率进行预测，得到预测结果；
划分模块：基于所述预测结果将配电网中含分布式电源的区域进行动态优化划分；
优化模块：将划分后的区域中的分布式电源设为粒子，根据预先设定的约束条件进行种群划分，并通过粒子群-遗传混合算法进行优化，生成最优解；
排序模块：基于所述最优解，确定所述分布式电源的供电顺序。
优选的，所述预测模块，包括：
数据获取子模块：获取配电网的运行状态数据、拓扑数据和电动汽车充电状态数据，并通过微型同步相量测量装置获取分布式电源的电源出力值和负荷需求历史值；
预测子模块：基于所述电网的运行状态数据、拓扑数据、电动汽车充电状态数据、电源出力值和负荷需求历史值，通过采用神经网络方法进行源-荷功率预测。
优选的，所述划分模块，包括：
第一构建子模块：将含分布式电源和附属的分段开关的配电网部分，构建独立区域模型；
第二构建子模块：若所述独立区域模型中分布式电源的预测结果可进行平衡互补，则将所述独立区域进行合并，完成区域的动态优化划分；否则，不进行合并。
与现有技术相比，本发明的有益效果为：一种分布式电源协调优化控制方法，包括：基于的配电网运行状态数据与拓扑数据、电动汽车充电状态数据对源-荷功率进行预测，得到预测结果；基于所述预测结果将配电网中含分布式电源的区域进行动态优化划分；将划分后的区域中的分布式电源设为粒子，根据预先设定的约束条件进行种群划分，并通过粒子群-遗传混合算法进行优化，生成最优解；基于所述最优解，确定所述分布式电源的供电顺序。本发明在配电网运行状态和拓扑结构不变的情况下，对区域内分布式电源进行合理配置和有序规划，保证了电网安全可靠运行的同时，充分利用了市场环境下充电设备的协调控制特性，可以更经济、高效地提升了对分布式电源的利用水平、电网功率动态平衡能力，实现了含大规模分布式电源智能配电网的实时协调优化控制。
附图说明
图1为本发明的分布式电源协调优化控制方法流程图；
图2为本发明实施例的优化控制判断流程图；
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一 步的说明。
实施例1：
图1为本发明的分布式电源协调优化控制方法流程图，如图所示：
S1:基于配电网运行状态数据与拓扑数据、电动汽车充电状态数据对源-荷功率进行预测，得到预测结果；
实时监测获取的配电网运行状态数据与拓扑数据、电动汽车充电状态数据；
基于分布式电源出力与负荷需求历史数据，结合微型同步相量测量装置(PMU)监测的数据，进行源-荷功率预测；
BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层径隐含层逐层处理，直到输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测不断逼近预期输出。
本发明基于BP神经网络技术进行分布式电源与负荷预测，BP神经网络预测前首先基于源-荷历史数据训练网络，通过训练使网络具有联想记忆和预测能力，再用训练好的网络进行预测。
S2：基于所述预测结果将配电网中含分布式电源的区域进行动态优化划分
首先进行实数编码，并初始化种群参数：种群规模N、终止条件(混合进化最大迭代次数Zmax)、学习因子C1与C2、最大速度Vmax、粒子群进化代数Tmax、参数交叉概率Pc和变异概率Pm等。
根据协调优化控制模型的约束条件随机生成N个粒子组成初始化种群POP(0)。其中，约束条件包括：
节点潮流平衡约束
式中，Pi和Qi分别为配电网络节点i的有功和无功功率；Pi,DG和Qi,DG分别为DG向节点i注入的有功和无功功率；Pi,L和Qi,L为节点i处所连接负荷(包括电动汽充电负荷)消耗的有功功率和无功功率；Ui为节点i的电压幅值；j∈i表示所 有与节点i直接相连的节点；Gij和Bij分别是节点导纳矩阵的实部和虚部；θij是节点i和节点j之间的相角差。
节点电压约束
Ui,min≤Ui≤Ui,max (2)
式中，Ui,min、Ui,max分别为配电网络节点电压上下限；Ui为节点i的电压。
支路电流约束
Il(t)≤Il,max (3)
式中，Il(t)为t时段支路l流过的电流幅值；Ii,max为该支路所允许流过的电流最大值。
分布式电源出力约束
式中，Pi,DG(t)为第i个分布式电源在t时段实际输出的有功功率，Pi,DG,min、Pi,DG,max分别表示第i个分布式电源最小输出功率和最大输出功率。
电动汽车充电功率约束
式中，Pi,ev(t)为第i个电动汽车充电站t时刻充电；
表示电动汽车电池最大允许充电功率；SOCi,ev(t)为电动汽车的当前荷电状态，SOCi,ev,min、SOCi,ev,max分别为电池最小剩余电量水平和最大剩余电量水平；h为电池一日中的充电次数；hmax为一日中的充电次数限制值。
传统的粒子群算法都是各个粒子独立进化的，而改进的粒子群-遗传混合优化算法将初始化种群随机划分成M个大小不同的子种群，有利于保留种群的多样性。
S3：将划分后的区域中的分布式电源设为粒子，根据预先设定的约束条件进行种群划分，并通过粒子群-遗传混合算法进行优化，生成最优解；
图2为本发明实施例的优化控制判断流程图，如图所示的步骤：
混合进化代数计数z＝1。
各子种群按照粒子群算法开始进行初次进化，PSO进化代数计数t＝1。
判断t≤Tmax与否，若t≤Tmax，更新各子种群中粒子的速度和位置，并令t＝t+1；否则，计算每个子种群的粒子适应度值的平均值。
将目标函数作为适应度函数，每一代都计算子种群内各粒子的适应度函数值，并排序。其中，目标函数综合考虑了分布式电源消纳、负荷峰谷差、峰负荷、电动汽车用户充电成本与充电满意度5个子目标，分别为：
分布式电源最大化消纳
式中，Pi,DG,max为第i个分布式电源允许的最大出力；Pi,DG为i分布式电源实际并网的有功功率。
负荷峰谷差率最小且峰负荷最小
f3＝min[maxP′L(t)] (8)
式中，
PL(t)是t时段常规负荷值，Pi,ev(t)是t时段第i个电动汽车的充电负荷值，P′L(t)是叠加电动汽车充电负荷后t时段的配电网总负荷值，maxP′L(t)，minP′L(t)分别是其最大值和最小值。
电动汽车用户的充电成本最低且对实际充电量的满意度最高
式中，pt为t时刻的充电电价；Ts为电动汽车有序充电优化的起始时间；S为充电成本最小的开始充电时间的合集；Ci为第i辆电动车最小充电成本，
Di,satisfaction为第i辆电动汽车用户对实际 充电量的满意度，
计算每个子种群的粒子适应度值的平均值。
选择各子种群中粒子适应度值小于均值的Xm个较差粒子，剩余的Ym个粒子较优。
对各子种群内选出的Xm个较差粒子依次进行交叉、变异操作。
将GA进化后的Xm个粒子与原来的Ym个较优粒子合并，重新组合成为M个新子种群。
依次重复计算适应度函数和求平均值的计算操作。
选择各新子种群中粒子适应度值大于均值的优质粒子，剩余的粒子剔除。
z＝z+1。
判断z≤Zmax与否，若z＞Zmax，继续下一步，否则继续进行混合进化迭代。
输出粒子最优位置即全局最优解，以及最优适应度函数值，流程结束。
S4：基于所述最优解，确定所述分布式电源的供电顺序
实施例二：
基于同种发明思想，本发明还提供了一种分布式电源协调优化控制系统:
包括：
预测模块：基于配电网运行状态数据与拓扑数据、电动汽车充电状态数据对源-荷功率进行预测，得到预测结果；
划分模块：基于所述预测结果将配电网中含分布式电源的区域进行动态优化划分；
优化模块：将划分后的区域中的分布式电源设为粒子，根据预先设定的约束条件进行种群划分，并通过粒子群-遗传混合算法进行优化，生成最优解；
排序模块：基于所述最优解，确定所述分布式电源的供电顺序。
所述预测模块，包括：
数据获取子模块：获取配电网的运行状态数据、拓扑数据和电动汽车充电状态数据，并通过微型同步相量测量装置获取分布式电源的电源出力值和负荷需求历史值；
预测子模块：基于所述电网的运行状态数据、拓扑数据、电动汽车充电状态数据、电源出力值和负荷需求历史值，通过采用神经网络方法进行源-荷功率预 测。
所述划分模块，包括：
第一构建子模块：将含分布式电源和附属的分段开关的配电网部分，构建独立区域模型；
第二构建子模块：若所述独立区域模型中分布式电源的预测结果可进行平衡互补，则将所述独立区域进行合并，完成区域的动态优化划分；否则，不进行合并。
所述优化模块，包括：
划分子模块：设定所述种群的规模，在约束条件下，将所述粒子随机生成粒子种群；
所述约束条件，包括：节点潮流平衡约束、节点电压约束、支路电流约束、分布式电源出力约束和电动汽车充电功率约束。
所述节点潮流平衡约束，如下式所示：
式中，Pi为配电网络节点i的有功功率，Qi为配电网络节点i的无功功率，Pi,DG为向节点i注入的有功功率，Qi,DG为向节点i注入的功功率，Pi,L节点i处所连接负荷消耗的有功功率，Qi,L为节点i处所连接负荷消耗的无功功率，Ui为节点i的电压幅值，j∈i表示所有与节点i直接相连的节点，Gij是节点导纳矩阵的实部，Bij是节点导纳矩阵虚部；θij是节点i和节点j之间的相角差；
所述节点电压约束，如下式所示：
Ui,min≤Ui≤Ui,max
式中，Ui,min为配电网络节点电压上限，Ui,max为配电网络节点电压下限，Ui为节点i的电压；
所述支路电流约束，如下式所示：
Il(t)≤Il,max
式中，Il(t)为t时段支路l流过的电流幅值，Ii,max为该支路所允许流过的电流最大值；
所述分布式电源出力，如下式所示：
式中，Pi,DG(t)为第i个分布式电源在t时段实际输出的有功功率，Pi,DG,min表示第i个分布式电源最小输出功率，Pi,DG,max表示第i个分布式电源的最大输出功率。
所述电动汽车充电功率约束，如下式所示：
式中，Pi,ev(t)为第i个供电站t时刻的充电量，
表示电动汽车的最大允许充电功率，SOCi,ev(t)为电动汽车的荷带你状态，SOCi,ev,min为电动汽车电池的最小剩余电量水平，SOCi,ev,max为电动汽车电池的最大剩余电量水平，h为电池每日的充电次数，hmax为一日中的充电次数限制值。
所述划分子模块，包括：充电量获取单元，包括：
数量获取子单元：获取区域内分布式电源的数量和各供电站内待充电车辆的数量；
判断子单元：若所述分布式电源的数量大于等于所述待充电车辆的数量，得到第一充电序列，根据所述第一充电序列得到充电量；否则，寻找存在可充电的分布式电源，考虑待充电汽车到达所述分布式电源的耗时消耗的时间、所述分布式电源的电能和充电等待时间，并对所述待充电车辆进行排序，得到第二充电序列，根据所述第二充电序列得到充电量。
所述优化模块，包括：
设置子模块：设置遗传混合算法的执行参数；
优化子模块：根据所述执行参数，对所述粒子种群进行混合优化；
所述执行参数，包括：混合进化最大迭代次数、进化代数、参数交叉概率和变异概率。
所述优化子模块，包括：
初次进化单元：将每个所述子种群进行初次进化，置所述进化代数为1，将所述子种群中的粒子速度和位置进行更新；
排序单元：计算更新后的粒子的适应度函数值，并根据所述粒子的适应度函数值的平均值进行排序；
合并单元：将小于平均值的较差粒子，按照所述参数交叉概率和变异概率进行交叉变异操作，并与大于等于均值的较优粒子进行合并；
筛选单元：重复操作排序单元和合并单元，筛选出合并后的子种群中适应度函数值大于平均值的粒子，剔除剩余粒子，得到初始优化子种群；
混合进化单元：将所述初始优化子种群按预设次数进行混合进化，得到优化种群。
所述混合进化单元，包括：
判断子单元：判断当前混合进化次数是否等于所述种群初始化参数中的混合进化最大迭代次数，若等于所述混合进化最大迭代次数，则输出当前得到的优化种群；否则，继续进行混合进化，直到进化次数等于所述混合进化最大迭代次数。
所述适应度函数，包括：
分布式电源最大化消纳函数、负荷峰谷差率函数、峰负荷函数、充电成本函数和对实际充电量的满意度函数。
所述负荷峰谷差率函数，如下式所示：
其中，f2表示分布式电源负荷峰谷差率，PL(t)是t时段分布式电源的常规负荷值，P′L(t)是叠加电动汽车充电负荷后t时段的分布式电源的总负荷值；
其中，PL(t)是t时段分布式电源的常规负荷值，Pi,ev(t)是t时段第i个充电 汽车的充电负荷值。
所述峰负荷函数，包括：
f3＝min[maxP′L(t)]
式中，f3表示分布式电源的负荷峰值，P′L(t)是叠加分布式电源负荷后t时段的配电网总负荷值。
所述充电成本函数，如下式所示：
其中，f4表示电动汽车全部用户充电成本，Ci为第i个充电汽车的最小充电成本。
所述对实际充电量的满意度函数，如下式所示：
式中，f5表示电动汽车用户对实际充电量的满意度，Di,satisfaction为第i个电动汽车的用户对实际充电量的满意度。
实施例三：
本发明中获取分布式电源在某时刻的充电量，是在获取了待充电汽车的充电顺序后，根据所述待充电车辆的充电量获取分布式电源的充电量。
待充电汽车的充电过程如下所示：
首先获取当前时刻各区域内电动汽车充电站的状态数据，包括：充电站数量Ncs，各充电站CSk内的充电桩总数量Nk,cp等，以及各充电站CSk内所有电动汽车的状态数据，包括：电动汽车总数量Nk,ev、到达充电站的时间Tk,i,arrive、预计离开时间Tk,i,leave、电动汽车EVk,i充电需求量为Qk,i,need、剩余续航里程Dk,i,continue、充电状态(正在充电/等待充电)等；
基于每个供电站，若所述供电站内充电桩的数量大于等于所述待充电车辆的数量，得到第一充电序列，根据所述第一充电序列得到充电量；否则，
寻找存在可充电的充电站，考虑待充电汽车从所述充电站到达待充电站消耗 的时间、电能与所述待充电汽车在所述充电站等待时间调整为所述充电汽车充电的充电站，然后基于每个充电站按时间对所述待充电车辆进行排序，得到第二充电序列，根据所述第二充电序列得到充电量；具体过程如下：
Step1：按照电动汽车到达充电站的时间Tk,i,arrive依次递增，进行初始化排序S0；
Step2：判断各充电站内Ncp≥Nev与否，若Ncp≥Nev，则保持初始化排序S0，转至Step17，否，则继续下一步；
Step3：k＝1；
Step4：充电站CSk满桩状态，将队列前充电功率需求值之和不超过充电站额定容量的汽车纳入正在充电队列，剩余车辆纳入等待队列，用户可以选择等待或离开；
Step5：判断等待队列中的电动汽车用户是否选择等待，是，则继续下一步，否(充电需求迫切)，则转至Step21；
Step6：统计正在充电的所有车辆达到充电需求所需要的总时间Tk,charging,need；
Step7：i＝Nk,cp+1；
Step8：判断在不影响EVk,i的充电需求下，是否能在比当前电价低的时段进行充电，是，则EVk,i在低电价时段最早开始充电的时间为
否，则保持当前顺序；
Step9：i＝i+1，判断i＜Nk,ev与否，是则转至Step8，否，则继续下一步；
Step10：基于初始化排序S0，结合Tk,i,charge生成新的序列Snew；
Step11：i＝Nk,cp+1，且j＝i+1；
Step12：根据EVk,i的充电需求量Qk,i,need和该车的充电功率Pk,i,charge，计算EVk,i满足充电需求所需时间
Step13：判断在不影响EVk,i的充电需求下，是否能与EVk,j互换充电顺序，若Tk,i,need＜Tk,i,stay且Tk,j,need≥Tk,j,stay且j＝i+1且
Tk,j,stay+Tk,i,need≤Tk,i,stay且Tk,charging,need+Tk,i,need+Tk,j,need≤Tk,i,leave，则继续下一步，否则转至Step15；
Step14：j＝i，i＝i+1，即EVk,j插队到EVk,i前面，生成新的序列Scurrent；
Step15：EVk,i与EVk,j保持原始顺序，i＝i+1；
Step16：判断i＜Nk,ev与否，若i＜Nk,ev则转至Step13，否，则继续下一步；
Step17：判断是否有新的车辆进入该充电站CSk，是，则转至Step1，否则继续下一步；
Step18：输出充电站CSk内所有电动汽车充电的最优顺序Scurrent；
Step19：基于充电最优顺序Scurrent，结合各电动汽车满足充电需求所需时间Ti,need，输出充电站CSk内所有电动汽车充电的最优起始时间Tk,i,charge。
Step20：k＝k+1，判断k≤NCS与否，是，则转至Step4，否，则输出流程结束。
Step21：查找距离充电站CSk半径R≤Dk,i,continue内的所有充电站CSj，生成充电站集合Ωcs(CSj∈Ωcs,j≠k且j∈[1,Ncs])，充电站的数量为Nfind,cs，并按照充电站CSk与充电站CSj之间的距离Dkj依次递增排序，生成新的集合Ω'cs(CSn∈Ωcs,n≠k且n＝1,...,Nfind,cs)；
Step22：n＝1；
Step23：充电站CSn＝minΩcs，判断Nj,cp≥Nj,ev与否，若Nj,cp≥Nj,ev，则继续下一步，否则转至Step25；
Step24：建议该用户选择去充电站CSj进行充电，并输出充电时序与充电位置；
Step25：判断n≤Nfind,cs与否，是，则继续下一步，否，则转至Step27；
Step26：将CSj从集合Ω'cs中剔除，n＝n+1，转至Step23；
Step27：建议该用户留在充电站CSk等待充电，转至Step6。
显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
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。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (19)
1.一种分布式电源协调优化控制方法，其特征在于，包括：
基于配电网运行状态数据与拓扑数据、电动汽车充电状态数据对源-荷功率进行预测，得到预测结果；
基于所述预测结果将配电网中含分布式电源的区域进行动态优化划分；
将划分后的区域中的分布式电源设为粒子，根据预先设定的约束条件进行种群划分，并通过粒子群-遗传混合算法进行优化，生成最优解；
基于所述最优解，确定所述分布式电源的供电顺序。
2.如权利要求1所述的方法，其特征在于，所述基于的配电网运行状态数据与拓扑数据、电动汽车充电状态数据对源-荷功率进行预测，包括：
获取配电网的运行状态数据、拓扑数据和电动汽车充电状态数据，并通过微型同步相量测量装置获取分布式电源的电源出力值和负荷需求历史值；
基于所述电网的运行状态数据、拓扑数据、电动汽车充电状态数据、电源出力值和负荷需求历史值，通过采用神经网络方法进行源-荷功率预测。
3.如权利要求1所述的方法，其特征在于，所述基于所述预测结果将配电网中含分布式电源的区域进行动态优化划分，包括：
将含分布式电源和附属的分段开关的配电网部分，构建独立区域模型；
若所述独立区域模型中分布式电源的预测结果可进行平衡互补，则将所述独立区域进行合并，完成区域的动态优化划分；否则，不进行合并。
4.如权利要求1所述的方法，其特征在于，所述将划分后的区域中的分布式电源设为粒子，根据预先设定的多个目标以及约束条件进行种群划分，包括：
设定所述种群的规模，在约束条件下，将所述粒子随机生成粒子种群；
所述约束条件，包括：节点潮流平衡约束、节点电压约束、支路电流约束、分布式电源出力约束和电动汽车充电功率约束。
5.如权利要求4所述的方法，其特征在于，所述节点潮流平衡约束，如下式所示：
式中，Pi为配电网络节点i的有功功率，Qi为配电网络节点i的无功功率，Pi,DG为向节点i注入的有功功率，Qi,DG为向节点i注入的功功率，Pi,L节点i处所连接负荷消耗的有功功率，Qi,L为节点i处所连接负荷消耗的无功功率，Ui为节点i的电压幅值，j∈i表示所有与节点i直接相连的节点，Gij是节点导纳矩阵的实部，Bij是节点导纳矩阵虚部；θij是节点i和节点j之间的相角差；
所述节点电压约束，如下式所示：
Ui,min≤Ui≤Ui,max
式中，Ui,min为配电网络节点电压上限，Ui,max为配电网络节点电压下限，Ui为节点i的电压；
所述支路电流约束，如下式所示：
Il(t)≤Il,max
式中，Il(t)为t时段支路l流过的电流幅值，Ii,max为该支路所允许流过的电流最大值；
所述分布式电源出力，如下式所示：
式中，Pi,DG(t)为第i个分布式电源在t时段实际输出的有功功率，Pi,DG,min表示第i个分布式电源最小输出功率，Pi,DG,max表示第i个分布式电源的最大输出功率。
6.如权利要求4所述的方法，其特征在于，所述电动汽车充电功率约束，如下式所示：
式中，Pi,ev(t)为分布式电源的第i个充电站t时刻的充电量，
表示电动汽车的最大允许充电功率，SOCi,ev(t)为电动汽车的荷带你状态，SOCi,ev,min为电动汽车电池的最小剩余电量水平，SOCi,ev,max为电动汽车电池的最大剩余电量水平，h为电池每日的充电次数，hmax为一日中的充电次数限制值。
7.如权利要求4所述的方法，其特征在于，所述通过粒子群-遗传混合算法进行优化，包括：
设置遗传混合算法的执行参数；
根据所述执行参数，对所述粒子种群进行混合优化；
所述执行参数，包括：混合进化最大迭代次数、进化代数、参数交叉概率和变异概率。
8.如权利要求7所述的方法，其特征在于，所述根据所述执行参数，对所述粒子种群进行混合优化，包括：
步骤1：将每个所述子种群进行初次进化，置所述进化代数为1，将所述子种群中的粒子速度和位置进行更新；
步骤2：计算更新后的粒子的适应度函数值，并根据所述粒子的适应度函数值的平均值进行排序；
步骤3：将小于平均值的较差粒子，按照所述参数交叉概率和变异概率进行交叉变异操作，并与大于等于均值的较优粒子进行合并；
步骤4：重复步骤2和步骤3，筛选出合并后的子种群中适应度函数值大于平均值的粒子，剔除剩余粒子，得到初始优化子种群；
步骤5：将所述初始优化子种群按预设次数进行混合进化，得到优化种群。
9.如权利要求8所述的方法，其特征在于，所述将所述初始优化子种群按预设次数进行混合进化，得到优化种群，包括：
判断当前混合进化次数是否等于所述种群初始化参数中的混合进化最大迭代次数，若等于所述混合进化最大迭代次数，则输出当前得到的优化种群；
否则，继续进行混合进化，直到进化次数等于所述混合进化最大迭代次数。
10.如权利要求8所述的方法，其特征在于，所述适应度函数，包括：
分布式电源最大化消纳函数、负荷峰谷差率函数、峰负荷函数、充电成本函数和对实际充电量的满意度函数。
11.如权利要求10所述的方法，其特征在于，所述分布式电源最大化消纳函数，如下式所示：
式中，f1表示配电网对分布式电源的最大消纳能力；nDG为分布式电源的数量；Pi,DG,max为第i个分布式电源允许的最大出力；Pi,DG为i分布式电源实际并网的有功功率。
12.如权利要求10所述的方法，其特征在于，所述负荷峰谷差率函数，如下式所示：
其中，f2表示分布式电源负荷峰谷差率，PL(t)是t时段分布式电源的常规负荷值，P'L(t)是叠加电动汽车充电负荷后t时段的分布式电源的总负荷值；
其中，PL(t)是t时段分布式电源的常规负荷值，Pi,ev(t)是t时段第i个充电汽车的充电负荷值。
13.如权利要求10所述的方法，其特征在于，所述峰负荷函数，包括：
f3＝min[maxP'L(t)]
式中，f3表示分布式电源的负荷峰值，P'L(t)是叠加分布式电源负荷后t时段的配电网总负荷值。
14.如权利要求10所述的方法，其特征在于，所述充电成本函数，如下式所示：
其中，f4表示电动汽车全部用户充电成本，Ci为第i个充电汽车的最小充电成本。
15.如权利要求10所述的方法，其特征在于，所述对实际充电量的满意度函数，如下式所示：
式中，f5表示电动汽车用户对实际充电量的满意度，Di,satisfaction为第i个电动汽车的用户对实际充电量的满意度。
16.如权利要求6所述的方法，其特征在于，所述充电量的获取，包括：
获取区域内分布式电源的数量和各供电站内待充电车辆的数量；
若所述分布式电源的数量大于等于所述待充电车辆的数量，得到第一充电序列，根据所述第一充电序列得到充电量；否则，
寻找存在可充电的分布式电源，考虑待充电汽车到达所述分布式电源的耗时消耗的时间、所述分布式电源的电能和充电等待时间，并对所述待充电车辆进行排序，得到第二充电序列，根据所述第二充电序列得到充电量。
17.一种分布式电源协调优化控制系统，其特征在于，所述系统，包括：
预测模块：基于配电网运行状态数据与拓扑数据、电动汽车充电状态数据对源-荷功率进行预测，得到预测结果；
划分模块：基于所述预测结果将配电网中含分布式电源的区域进行动态优化划分；
优化模块：将划分后的区域中的分布式电源设为粒子，根据预先设定的约束条件进行种群划分，并通过粒子群-遗传混合算法进行优化，生成最优解；
排序模块：基于所述最优解，确定所述分布式电源的供电顺序。
18.如权利要求17所述的系统，其特征在于，所述预测模块，包括：
数据获取子模块：获取配电网的运行状态数据、拓扑数据和电动汽车充电状态数据，并通过微型同步相量测量装置获取分布式电源的电源出力值和负荷需求历史值；
预测子模块：基于所述电网的运行状态数据、拓扑数据、电动汽车充电状态数据、电源出力值和负荷需求历史值，通过采用神经网络方法进行源-荷功率预测。
19.如权利要求17所述的系统，其特征在于，所述划分模块，包括：
第一构建子模块：将含分布式电源和附属的分段开关的配电网部分，构建独立区域模型；
第二构建子模块：若所述独立区域模型中分布式电源的预测结果可进行平衡互补，则将所述独立区域进行合并，完成区域的动态优化划分；否则，不进行合并。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910090554.8A CN111509781B (zh) | 2019-01-30 | 2019-01-30 | 一种分布式电源协调优化控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910090554.8A CN111509781B (zh) | 2019-01-30 | 2019-01-30 | 一种分布式电源协调优化控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111509781A true CN111509781A (zh) | 2020-08-07 |
| CN111509781B CN111509781B (zh) | 2023-11-03 |
Family
ID=71873999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910090554.8A Active CN111509781B (zh) | 2019-01-30 | 2019-01-30 | 一种分布式电源协调优化控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111509781B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112186754A (zh) * | 2020-09-25 | 2021-01-05 | 山西大学 | 一种电动汽车与分布式电源共同入网的判稳方法 |
| CN112803464A (zh) * | 2021-03-16 | 2021-05-14 | 中国电力科学研究院有限公司 | 一种储能系统充放电控制方法、系统、设备和存储介质 |
| CN113395113A (zh) * | 2021-06-11 | 2021-09-14 | 桂林电子科技大学 | 一种基于色移键控的差分解调方法 |
| CN114142521A (zh) * | 2021-11-30 | 2022-03-04 | 国网陕西省电力公司 | 一种分布式新能源配电网多目标优化调度方法及系统 |
| CN115848196A (zh) * | 2022-12-07 | 2023-03-28 | 南通国轩新能源科技有限公司 | 基于动态需求和新能源消纳的电动汽车有序充电引导方法 |
| WO2023083235A1 (zh) * | 2021-11-10 | 2023-05-19 | 广东电网有限责任公司东莞供电局 | 一种分散式预测电网的优化方法及系统 |
| CN117388626A (zh) * | 2023-09-26 | 2024-01-12 | 国网宁夏电力有限公司经济技术研究院 | 基于分布式电源的配电网多元负荷动态平衡状态检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446796A (zh) * | 2018-03-01 | 2018-08-24 | 国网福建省电力有限公司 | 考虑电动汽车负荷需求响应的网-源-荷协调规划方法 |
| CN108471139A (zh) * | 2018-04-27 | 2018-08-31 | 国网天津市电力公司 | 一种含新能源和温控负荷的区域电网动态需求响应方法 |
-
2019
- 2019-01-30 CN CN201910090554.8A patent/CN111509781B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446796A (zh) * | 2018-03-01 | 2018-08-24 | 国网福建省电力有限公司 | 考虑电动汽车负荷需求响应的网-源-荷协调规划方法 |
| CN108471139A (zh) * | 2018-04-27 | 2018-08-31 | 国网天津市电力公司 | 一种含新能源和温控负荷的区域电网动态需求响应方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112186754A (zh) * | 2020-09-25 | 2021-01-05 | 山西大学 | 一种电动汽车与分布式电源共同入网的判稳方法 |
| CN112803464A (zh) * | 2021-03-16 | 2021-05-14 | 中国电力科学研究院有限公司 | 一种储能系统充放电控制方法、系统、设备和存储介质 |
| CN112803464B (zh) * | 2021-03-16 | 2022-05-31 | 中国电力科学研究院有限公司 | 一种储能系统充放电控制方法、系统、设备和存储介质 |
| CN113395113A (zh) * | 2021-06-11 | 2021-09-14 | 桂林电子科技大学 | 一种基于色移键控的差分解调方法 |
| CN113395113B (zh) * | 2021-06-11 | 2022-07-26 | 桂林电子科技大学 | 一种基于色移键控的差分解调方法 |
| WO2023083235A1 (zh) * | 2021-11-10 | 2023-05-19 | 广东电网有限责任公司东莞供电局 | 一种分散式预测电网的优化方法及系统 |
| CN114142521A (zh) * | 2021-11-30 | 2022-03-04 | 国网陕西省电力公司 | 一种分布式新能源配电网多目标优化调度方法及系统 |
| CN114142521B (zh) * | 2021-11-30 | 2023-08-25 | 国网陕西省电力公司 | 一种分布式新能源配电网多目标优化调度方法及系统 |
| CN115848196A (zh) * | 2022-12-07 | 2023-03-28 | 南通国轩新能源科技有限公司 | 基于动态需求和新能源消纳的电动汽车有序充电引导方法 |
| CN115848196B (zh) * | 2022-12-07 | 2024-01-05 | 南通国轩新能源科技有限公司 | 基于动态需求和新能源消纳的电动汽车有序充电引导方法 |
| CN117388626A (zh) * | 2023-09-26 | 2024-01-12 | 国网宁夏电力有限公司经济技术研究院 | 基于分布式电源的配电网多元负荷动态平衡状态检测方法 |
| CN117388626B (zh) * | 2023-09-26 | 2024-04-30 | 国网宁夏电力有限公司经济技术研究院 | 基于分布式电源的配电网多元负荷动态平衡状态检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111509781B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111509781B (zh) | 一种分布式电源协调优化控制方法及系统 | |
| Yang et al. | Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review | |
| Jiang et al. | Power-traffic coordinated operation for bi-peak shaving and bi-ramp smoothing–A hierarchical data-driven approach | |
| CN103241130B (zh) | 一种电动公交车充换电站的能量管理方法及系统 | |
| CN109103912A (zh) | 考虑电网调峰需求的工业园区主动配电系统调度优化方法 | |
| Zhang et al. | Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO | |
| CN112550047B (zh) | 一种充光储一体化充电站优化配置方法和装置 | |
| CN103795079A (zh) | 离网并网混合光伏发电控制系统及其经济性运行优化方法 | |
| CN112290601B (zh) | 一种柔性互联交直流配电系统优化调度方法及系统 | |
| CN107067136B (zh) | 电动汽车充电分配方法及装置 | |
| 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 | |
| CN112016745B (zh) | 一种电动汽车充电站规划方法 | |
| CN113222241B (zh) | 考虑充电服务引导与客户需求的出租车快充电站规划方法 | |
| CN112784484A (zh) | 一种区域综合能源系统多目标优化方法及优化系统 | |
| CN103078152B (zh) | 集中性充电站智能充电方法 | |
| CN115147245B (zh) | 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法 | |
| CN203933038U (zh) | 离网并网混合光伏发电控制系统 | |
| CN112257897A (zh) | 基于改进多目标粒子群的电动汽车充电优化方法和系统 | |
| CN114899856A (zh) | 一种电动汽车充电桩功率调节方法、系统、设备及介质 | |
| 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 | |
| CN117691602A (zh) | 一种考虑灵活性和经济性的源网荷储协同规划方法及系统 | |
| CN116307087A (zh) | 考虑电动汽车充放电的微电网系统储能优化配置方法 | |
| CN115471044A (zh) | 含光储的配电台区电动汽车调度方法、系统及存储介质 | |
| Han et al. | An optimal control method of microgrid system with household load considering battery service life | |
| CN116799856A (zh) | 一种多微网系统的能量控制方法、控制器及系统 |
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 |