CN111799827B - 一种含光储充电站的台区负荷调控方法 - Google Patents

一种含光储充电站的台区负荷调控方法 Download PDF

Info

Publication number
CN111799827B
CN111799827B CN202010433202.0A CN202010433202A CN111799827B CN 111799827 B CN111799827 B CN 111799827B CN 202010433202 A CN202010433202 A CN 202010433202A CN 111799827 B CN111799827 B CN 111799827B
Authority
CN
China
Prior art keywords
charging
time
load
charging station
power
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
Application number
CN202010433202.0A
Other languages
English (en)
Other versions
CN111799827A (zh
Inventor
潘琪
陈广
孟屹华
陈良亮
王瑞升
成海生
张卫国
杨凤坤
周静
宋杰
顾琳琳
李化
周材
邵军军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Southeast University
State Grid Shandong Electric Power Co Ltd
State Grid Jiangsu Electric Power Co Ltd
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
State Grid Electric Power Research Institute
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Southeast University
State Grid Shandong Electric Power Co Ltd
State Grid Jiangsu Electric Power Co Ltd
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
State Grid Electric Power Research Institute
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Southeast University, State Grid Shandong Electric Power Co Ltd, State Grid Jiangsu Electric Power Co Ltd, NARI Group Corp, Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd, State Grid Electric Power Research Institute, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010433202.0A priority Critical patent/CN111799827B/zh
Publication of CN111799827A publication Critical patent/CN111799827A/zh
Application granted granted Critical
Publication of CN111799827B publication Critical patent/CN111799827B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/14—Details associated with the interoperability, e.g. vehicle recognition, authentication, identification or billing

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

本发明公开了一种含光储充电站的台区负荷调控方法，基于粒子群算法优化求解台区负荷调控多目标模型，得到电动汽车用户最优开始充电时间以及选取的光储充电站；根据电动汽车用户最优开始充电时间以及选取的光储充电站将配电网内有充电需求的电动汽车在最优开始充电时间下引导至选取的光储充电站进行充电。本发明有益效果如下：1）结合充电负荷特点进行台区负荷调控，缓解了光储充电站接入配网造成的影响，有效保证台区供电质量。且方法无需新设备的投入，能够有效降低负荷调控成本。2）充分考虑负荷侧响应度与满意度，在保证用户用电需求的同时提高满意度。3）兼顾了经济效益与环境效益，能够有效平抑负荷方差，降低碳排放。

Description

一种含光储充电站的台区负荷调控方法
技术领域
本发明涉及一种含光储充电站的台区负荷调控方法，属于台区负荷调控技术领域。
背景技术
目前，随着社会工业规模的不断扩大以及电气化程度的越来越高，台区负荷结构及用电规律也愈加复杂，而用户侧对电能质量的要求却在不断提升。电动汽车作为环境友好型交通工具迎在近几年来了发展机遇，目前我国电动汽车保有量已突破300万辆，与此同时光伏、储能及充电设施一体化的光储充电站由于兼顾了环境效益与经济效益，目前已在多地投入运营。但规模化电动汽车无序的接入电网会加剧负荷峰谷差、影响电能质量，给配电网的稳定运行带来了新挑战。因此，在电力市场逐步开放，用户体验要求日益提高的背景下，建立含光储充电站的台区充电负荷调控模型可以改善台区电能质量、保证负荷用电需求。
现有技术多从改变供电半径、调节主变分接头和增设无功补偿装置等方面进行调控。虽然在多数情况下能够保证中压母线电压达国标范围，但这一调控方法较为僵化，未考虑台区实际运行状况和电压需求，同时改变供电半径意味着线路改造新设备的投入，投资金额较大且工期较长。
另一方面，少数技术考虑了含分布式光伏、风电以及电动汽车接入的负荷调控方法，但其中光伏发电多作为与充电站独立的分布式电源接入配网且多从通讯装置上讨论，没有充分考虑电动汽车用户的利益，同时未考虑光伏、储能及充电设施一体化的光储充电站接入台区的负荷调控方法。
光储充电站的接入对台区负荷调控提出了新挑战，而电动汽车充电负荷具有较大的时空转移能力，因此如何基于电动汽车充电负荷的这一特性对含光储充电站的配电台区进行负荷调控是本领域技术人员急需要解决的技术问题。
发明内容
目的：为了克服现有技术中存在的不足，本发明提供一种含光储充电站的台区负荷调控方法。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种含光储充电站的台区负荷调控方法，包括如下步骤：
基于粒子群算法优化求解台区负荷调控多目标模型，得到电动汽车用户最优开始充电时间以及选取的光储充电站；
根据电动汽车用户最优开始充电时间以及选取的光储充电站将配电网内有充电需求的电动汽车在最优开始充电时间下引导至选取的光储充电站进行充电。
作为优选方案，所述台区负荷调控多目标模型：
Figure BDA0002500298470000021
式中：f为台区负荷调控多目标模型；f1.max负荷调控前无序充电时的减小配电网负荷方差模型输出值、f2.max负荷调控前无序充电时的减少碳排放模型输出值、f3.min负荷调控前无序充电时的提高电动汽车用户平均满意度模型输出值；λ1、λ2、λ3分别为三个子优化目标的权重，f1为减小负荷方差模型，f2为减少碳排放模型，f3为提高满意度模型；
所述减小配电网负荷方差模型如下：
Figure BDA0002500298470000022
式中：PL(t)为t时刻配电网常规负荷；PG(t)为t时刻配电网内光储充电站对电网的功率需求之和；PAV为配电网平均负荷；T代表总时刻数；
所述减少碳排放模型如下：
Figure BDA0002500298470000023
式中：
Figure BDA0002500298470000026
为大电网二氧化碳排放系数；
所述提高电动汽车用户平均满意度模型如下：
Figure BDA0002500298470000024
式中：ns为接受调度的电动汽车用户数量；SCi,k、STi,k分别为用户i被调度至充电站k进行充电的费用满意度、时间满意度，其定义如下：
Figure BDA0002500298470000025
Figure BDA0002500298470000031
式中：
Figure BDA0002500298470000032
分别为用户i被调度至充电站k电价最高与最低时段两种极端情况下的充电费用；p(t)为充电站单位服务费用；
Figure BDA0002500298470000033
分别为用户i被调度至充电站k的等待时间与路程时间；
Figure BDA0002500298470000034
分别为用户i前往最近充电站所用等待时间及路程时间；tc电动汽车充电时长、Pc电动汽车充电功率。
作为优选方案，所述台区负荷调控多目标模型的约束条件如下：
(1)、调控时间范围
|Ti,arr-Ti,set|≤Ti,max
式中：Ti,set为用户i预约时间、Ti,arr系统调度充电时间；Ti,max为用户i所接受的最大时间调度范围；
(2)、充电桩数量
Nk(t)≤Nk,max
式中：Nk(t)为充电站k在t时刻正在使用充电桩数量；Nk,max为充电站k充电桩数量；
(3)、充电站功率平衡
当储能系统处于充电状态时：
PEV(t)/η1+PB.C(t)/η1＝PPV(t)η1+PG(t)η2
当储能系统处于放电状态时：
PEV(t)/η1＝PPV(t)η1+PG(t)η2+PB.D(t)η1
式中：PB.C(t)、PB.D(t)分别为t时刻的电池充电功率、电池放电功率，储能电池放电时其值正，储能充电其值为负；η1、η2分别为DC/DC模块效率、AC/DC模块效率；PEV(t)代表全天t时刻的电动汽车充电负荷需求，PPV(t)为t时刻光伏系统出力，PG(t)为t时刻区域充电站对电网的功率需求之和；
(4)、配电网总负荷约束
PL(t)+PG(t)≤Pmax
式中：Pmax为配电网总负荷上限；PL(t)代表t时刻配电网常规负荷。
作为优选方案，所述PEV(t)全天t时刻的电动汽车充电负荷需求获得步骤如下：
采用蒙特卡洛算法抽样得到符合多时间窗概率密度函数fT(ts)与电动汽车初始SOC的概率密度函数fS(s0)概率分布的电动汽车到达光储充电站开始充电时间，以及到达充电站时的动力电池初始SOC；
Figure BDA0002500298470000041
式中：ts为用户开始充电时间；ki为第i时间段的比例系数；ti、ti+1为第i时间段的开始时刻与结束时刻；Ai为第i时间段初始时刻概率密度；
Figure BDA0002500298470000042
式中：s0为电动汽车到达充电站时动力电池初始SOC；σ为对数标准差；μ为对数均值；
根据电动汽车在充电站的充电时长tc求取各电动汽车在充电站的充电时长，结合开始充电时间即可得到电动汽车结束充电时间；
Figure BDA0002500298470000043
式中：s1为充电终止SOC；Q为电池容量；Pc为充电功率，η为充电效率；
根据每辆电动汽车开始充电时间以及结束充电时间，统计一天中每一时刻处于充电状态的电动汽车数量，再将每一辆电动汽车充电负荷进行累加，得到全天每一时刻的电动汽车充电负荷需求。
作为优选方案，所述PG(t)为电动汽车充电需求功率与光伏系统及储能系统所提供功率之差；光伏系统提供功率模型：
Figure BDA0002500298470000044
Figure BDA0002500298470000045
PPV(t)＝PPV.th(t)×NPV
式中：PPV.th(t)为单块太阳能t时刻出力；PSTC为单块太阳能板额定功率(标准测试环境：光辐射1kW/m2，环境温度25℃)；GSTC为标准光照强度；TSTC为标准环境温度；G(t)为t时刻光照强度；TC(t)为t时刻太阳能电池板表面温度；TEN(t)为t时刻环境温度；k为功率温度系数；PPV(t)为t时刻光伏系统出力，NPV为太阳能板总数量。
作为优选方案，所述储能系统提供功率模型：
在电池充电过程中：
SOC(t)＝SOC(t-1)+PB.C(t-1)ηCΔt/EC
在电池放电过程中：
SOC(t)＝SOC(t-1)-PB.D(t-1)Δt/(ECηD)
式中：SOC(t)、SOC(t-1)分别为电池t、t-1时刻的电池荷电状态；PB.C(t-1)、PB.D(t-1)分别为t-1时刻的电池充电功率、放电功率；ηC、ηD为充电效率、放电效率；EC为电池额定容量。
作为优选方案，所述基于粒子群算法优化求解台区负荷调控多目标模型的具体步骤如下：
将接受调度的电动汽车用户开始充电时间以及光储充电站的选取作为变量，即各粒子位置xi，在台区负荷调控多目标模型及约束条件下，求解适应度函数，得到个体最优位置Pi,best(t)以及全局最优位置Gbest(t)；
调整粒子速度vi(t+1)并更新其位置xi(t+1)进行优化；
若全局最优解不满足终止条件或未达到最大迭代次数，则继续对粒子速度与位置进行更新直至得到用户最优开始充电时间以及充电站选取；
vi(t+1)＝ωvi(t)+c1r1(t)[Pi.best(t)-xi(t)]+c2r2(t)[Gbest(t)-xi(t)]
xi(t+1)＝xi(t)+vi(t+1)
式中：vi(t)、xi(t)、vi(t+1)、xi(t+1)分别为粒子在t、t+1时刻的速度与位置；ω为惯性因子；c1、c2为加速因子，分别代表个体学习与社会学习参数；Pi.best(t)、Gbest(t)分别为t时刻个体最优解与群体最优解；r1(t)、r2(t)为相互独立的[0,1]之间的随机数。
作为优选方案，所述根据电动汽车用户最优开始充电时间以及选取的光储充电站将配电网内有充电需求的电动汽车在最优开始充电时间下引导至选取的光储充电站进行充电具体步骤如下：
步骤1：有充电需求的电动汽车上传车辆信息至调度系统；
步骤2：调度系统获取配电网台区负荷信息以及各光储充电站状态，计算电动汽车用户开始充电时间以及光储充电站的选取结果；
步骤3：用户选择是否接受调度，若不接受调度转至步骤4，若接受调度转至步骤5；
步骤4：调度系统引导用户前往最近的光储充电站，转至步骤9调度系统更新信息；
步骤5：用户选取接受调度时间范围；
步骤6：调度系统计算电动汽车用户开始充电时间以及光储充电站的选取结果；
步骤7：用户是否确认，若不确认转至步骤5；
步骤8：调度系统在指定时间引导用户前往指定光储充电站；
步骤9：调度系统更新配电网负荷信息以及各光储充电站状态。
有益效果：本发明提供的一种含光储充电站的台区负荷调控方法，提出了一种电动汽车充电负荷响应框架，其次兼顾电动汽车用户响应利益，建立了以平抑负荷方差、降低电网碳排放以及提高用户平均满意度为目标配电台区负荷调控方法。最后基于粒子群优化算法进行台区负荷调控优化求解。其优点如下：
1)结合充电负荷特点进行台区负荷调控，缓解了光储充电站接入配网造成的影响，有效保证台区供电质量。且方法无需新设备的投入，能够有效降低负荷调控成本。
2)充分考虑负荷侧响应度与满意度，在保证用户用电需求的同时提高满意度。
3)兼顾了经济效益与环境效益，能够有效平抑负荷方差，降低碳排放。
附图说明
图1为一种台区充电负荷响应框架示意图；
图2为台区路网加权拓扑图；
图3为改进的IEEE33节点拓扑系统示意图；
图4为台区调控前后充电负荷时空分布图
图5为台区调控前后负荷曲线示意图；
图6为台区调控前后节点电压示意图；
图7为台区调控前后用户充电费用示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明一种含光储充电站的台区负荷调控方法，包括以下步骤：
S1：构建一种台区充电负荷响应框架；
S2：针对含光储充电站的台区建立负荷数学模型；
S3：在S2基础上确定优化目标及约束条件，建立台区负荷调控多目标模型；
S4：结合S1响应框架，基于粒子群算法优化求解S3所建立模型，完成负荷调控。
如图1所示，步骤S1中一种台区充电负荷响应框架作为配电台区负荷调控的基础，其包括：调度系统、电动汽车、光储充电站以及配电网。调度系统通过4G/5G等通讯装置与配电网内的电动汽车用户及光储充电站连接以实现信息交互，并且在步骤S2与步骤S3建立的数学模型基础上，由步骤S4完成优化求解，实现配电台区负荷调控。光储充电站由光伏系统、储能系统、配网降压装置以及充电设施组成。光伏系统由多组太阳能电池板串并联组成，光伏发电经变换器接入直流母线，主要用于电动汽车充电。储能系统由电池组构成，通过双向变换器接入母线，当光伏系统发电有余时，储能充电，当光伏发电不足时，储能放电。电动汽车作为移动储能设备参与响应调度的过程如下：调度系统、电动汽车、光储充电站的工作过程表示如下：
(1)有充电需求的电动汽车上传车辆信息至调度系统；
(2)调度系统获取台区负荷信息以及各光储充电站状态；
(3)用户选择是否接受调度，若不接受调度转至(4)，若接受调度转至(5)；
(4)调度系统引导用户前往最近的光储充电站，转至(9)调度系统更新信息；
(5)用户选取接受调度时间范围；
(6)系统计算选取光储充电站及开始充电时间；
(7)用户是否确认，若不确认转至(5)；
(8)系统在指定时间引导用户前往指定光储充电站；
(9)系统更新区域负荷信息以及各光储充电站状态。
步骤S2针对含光储充电站的台区建立负荷数学模型，主要包括对光储充电站中光伏系统、储能系统以及规模化的电动汽车随机充电负荷，其过程表示如下：
S2.1光伏系统出力模型
光伏电池板的输出功率与很多因素有关，如环境温度、天气类型以及辐射强度等，其中辐射强度与环境温度是影响光伏出力最大的两个因素，因此采用光伏出力应用最广泛的简化计算模型。
Figure BDA0002500298470000081
Figure BDA0002500298470000082
PPV(t)＝PPV.th(t)×NPV (3)
式中：PPV.th(t)为单块太阳能t时刻出力；PSTC为单块太阳能板额定功率(标准测试环境：光辐射1kW/m2，环境温度25℃)；GSTC为标准光照强度；TSTC为标准环境温度；G(t)为t时刻光照强度；TC(t)为t时刻太阳能电池板表面温度；TEN(t)为t时刻环境温度；k为功率温度系数；PPV(t)为t时刻光伏系统出力，NPV为太阳能板总数量。
S2.2储能系统模型
储能系统的投入能够有效缓解光伏发电功率不稳定的问题，最大限度的减少弃光量，提高可再生能源的利用率。本发明仅考虑市场较为成熟的锂电池最为储能系统的情况。锂电池的放电深度与电池寿命有很大关系，因此充电站运行过程中需对蓄电池的SOC实时监测。
在电池充电过程中：
SOC(t)＝SOC(t-1)+PB.C(t-1)ηCΔt/EC (4)
在电池放电过程中：
SOC(t)＝SOC(t-1)-PB.D(t-1)Δt/(ECηD) (5)
式中：SOC(t)、SOC(t-1)分别为电池t、t-1时刻的电池荷电状态；PB.C(t-1)、PB.D(t-1)分别为t-1时刻的电池充电功率、放电功率；ηC、ηD为充电效率、放电效率；EC为电池额定容量。
S2.3充电负荷模型
电动汽车用户到达充电站的时间、荷电状态(SOC)等均具有较大随机性，而规模化的随机充电行为则会给配电网的电能质量、电压稳定性等带来一定影响，因此需建立数学模型来描述电动汽车的充电行为。采用蒙特卡洛抽样模拟私家车抵达充电站的开始充电时间以及初始荷电状态以求取充电负荷功率。
(1)开始充电时间
虽然电动汽车的充电行为具有随机性，但结合上下班交通高峰期时段以及加油站汽车用户的加油行为来分析，充电负荷仍具有一定规律性。在此基础上，本发明建立多时间窗概率密度函数fT(ts)来描述电动汽车开始充电时间。
Figure BDA0002500298470000091
式中：ts为用户开始充电时间；ki为第i时间段的比例系数；ti、ti+1为第i时间段的开始时刻与结束时刻；Ai为第i时间段初始时刻概率密度。
(2)初始SOC
电动汽车到达充电站时动力电池剩余电量具有一定随机性，可用电池荷电状态SOC反映。假设电动汽车初始SOC的概率密度函数fS(s0)符合对数正态分布：
Figure BDA0002500298470000092
式中：s0为电动汽车到达充电站时初始SOC；σ为对数标准差；μ为对数均值。
(3)充电时长
电动汽车在充电站的充电时长tc由初始SOC、终止SOC以及充电功率决定。
Figure BDA0002500298470000093
式中：s1为充电终止SOC；Q为电池容量；Pc为充电功率，一般可将电动汽车充电近似为恒功率；η为充电效率。
(4)计算充电负荷
采用蒙特卡洛算法模拟电动汽车用户的随机充电行为，建立充电负荷模型。首先，采用蒙特卡洛算法抽样得到符合式(6)与式(7)概率分布的电动汽车到达光储充电站开始充电时间，以及到达充电站时的动力电池初始SOC。接着，根据式(8)求取各电动汽车在充电站的充电时长，结合开始充电时间即可得到电动汽车结束充电时间。最后，由于动力电池充电可近似为恒功率过程，在得到每辆电动汽车开始充电时间以及结束充电时间的基础上，统计一天中每一时刻处于充电状态的电动汽车数量，再将每一辆电动汽车充电负荷进行累加得到全天每一时刻的电动汽车充电负荷需求。
步骤S3建立台区负荷调控多目标模型过程表示如下：
对配电网台区负荷进行时空上优化调控能够有效减小配电网负荷方差与峰谷差率，充分消纳充电站光伏发电。但同时也要充分考虑用户的意愿与利益，否则会导致用户满意度降低，甚至会损失部分愿接受调度的用户。因此从减小配电网负荷方差、减少电网碳排放以及提高用户满意度三方面建立台区负荷调控多目标模型：
S3.1子优化目标
(1)减小配电网负荷方差模型：
Figure BDA0002500298470000101
式中：PL(t)为t时刻配电网常规负荷；PG(t)为t时刻配电网内光储充电站对电网的功率需求之和，每个充电站对电网的功率需求为站内电动汽车充电需求功率与光伏及储能系统所提供功率之差；PAV为配电网平均负荷；T代表总时刻数。
(2)减少碳排放模型：
Figure BDA0002500298470000102
式中：
Figure BDA0002500298470000103
为大电网二氧化碳排放系数，取0.977kg/kWh。PG(t)为t时刻配电网内光储充电站对电网的功率需求之和；T代表总时刻数。
(3)提高电动汽车用户平均满意度模型
Figure BDA0002500298470000111
式中：ns为接受调度的电动汽车用户数量；SCi,k、STi,k分别为用户i被调度至充电站k进行充电的费用满意度及时间满意度，其定义如下：
Figure BDA0002500298470000112
Figure BDA0002500298470000113
式中：
Figure BDA0002500298470000114
分别为用户i被调度至充电站k电价最高与电价最低时段两种极端情况下的充电费用；p(t)为充电站单位服务费用。
Figure BDA0002500298470000115
分别为用户i被调度至充电站k的等待时间与路程时间；
Figure BDA0002500298470000116
分别为用户i前往最近充电站所用等待时间及路程时间；tc电动汽车充电时长、Pc电动汽车充电功率。
本发明采用线性加权方法将多目标转化为单目标优化问题，由于上述子优化目标结果量纲不同，需先统一量纲，则有：
Figure BDA0002500298470000117
式中：f为台区负荷调控多目标模型；f1.max负荷调控前无序充电时的减小配电网负荷方差模型输出值、f2.max负荷调控前无序充电时的减少碳排放模型输出值、f3.min负荷调控前无序充电时的提高电动汽车用户平均满意度模型输出值；λ1、λ2、λ3为分别为子优化目标的权重，满足λ1+λ2+λ3＝1。
S3.2约束条件
(1)调控时间范围
|Ti,arr-Ti,set|≤Ti,max (15)
式中：Ti,set、Ti,arr为用户i预约时间与系统调度充电时间；Ti,max为用户i所接受的最大时间调度范围。
(2)充电桩数量
Nk(t)≤Nk,max (16)
式中：Nk(t)为光储充电站k在t时刻正在使用充电桩数量；Nk,max为光储充电站k充电桩数量。
(3)充电站功率平衡
当储能系统处于充电状态时：
PEV(t)/η1+PB.C(t)/η1＝PPV(t)η1+PG(t)η2 (17)
当储能系统处于放电状态时：
PEV(t)/η1＝PPV(t)η1+PG(t)η2+PB.D(t)η1 (18)
式中：PB.C(t)、PB.D(t)分别为t时刻的电池充电功率、电池放电功率，储能电池放电时其值正，储能充电其值为负；η1、η2为DC/DC模块、AC/DC模块效率。PEV(t)代表全天t时刻的电动汽车充电负荷需求，PPV(t)为t时刻光伏系统出力，PG(t)为t时刻区域充电站对电网的功率需求之和。
(4)配电网总负荷约束
PL(t)+PG(t)≤Pmax (19)
式中：Pmax为配电网总负荷上限。PL(t)代表t时刻配电网常规负荷。
步骤S4基于粒子群算法优化求解过程表示如下：
采用粒子群算法进行负荷调控求解，本发明将接受调度的电动汽车用户开始充电时间以及光储充电站的选取作为变量，即各粒子位置xi，在步骤S3所建立的目标函数及约束条件下，求解适应度函数，得到个体最优位置Pi,best(t)以及全局最优位置Gbest(t)。根据式(19)与(20)调整粒子速度并更新其位置进行优化。若全局最优解不满足终止条件或未达到最大迭代次数，则继续对粒子速度与位置进行更新直至得到用户最优开始充电时间以及充电站选取。
Figure BDA0002500298470000121
xi(t+1)＝xi(t)+vi(t+1) (21)
式中：vi(t)、xi(t)、vi(t+1)、xi(t+1)分别为粒子在t、t+1时刻的速度与位置；ω为惯性因子；c1、c2为加速因子，分别代表个体学习与社会学习参数；Pi.best(t)、Gbest(t)分别为t时刻个体最优解与群体最优解；r1(t)、r2(t)为相互独立的[0,1]之间的随机数。
基于粒子群算法求解得到用户最优开始充电时间以及充电站的选取，由调度系统引导用户在指定时间前往特定充电站完成充电，实现在保证用户体验的基础上优化台区负荷时空分布，降低负荷方差。
实施例1：
如图2所示，表示一个20KMx20KM路网拓扑图，地点3、9、12、19、21、24、29的位置分别设置了7个光储充电站；设调度系统采用Floyd最短路径法为用户进行导航路径选取。如图3所示，配电网IEEE33的7个节点上分别接入了光储充电站，假设该地区有800辆电动汽车用户需要充电服务，有400名用户接受调度策略，电动汽车电池容量Q＝30kWh，采用恒功率充电方式，充电倍率为市场常见的2C，即Pc＝60kW。子目标权重可以根据实际情况进行选取，本例取λ1＝λ2＝λ3＝1/3。
对上述含光储充电站的配网进行多目标负荷调控，步骤为：
S1：基于粒子群算法优化求解台区负荷调控多目标模型，得到电动汽车用户最优开始充电时间以及选取的光储充电站；
S2：根据电动汽车用户最优开始充电时间以及选取的光储充电站将配电网内有充电需求的电动汽车在最优开始充电时间下引导至选取的光储充电站进行充电。
从图4可以看出，空间分布上，调度前用户就近选择充电站导致各充电站负荷分布有很大差异，设备利用不均衡。时间分布上，优化前负荷多集中在14:00-20:00时段，一方面会导致上午时段各充电站可能会出现弃光的现象，降低了光伏利用率，另一方面在晚上会出现充电负荷与住宅负荷峰值叠加现象，不利于电网的稳定运行。优化调控后充电负荷分布较为均匀，各充电站大多在10:00-14:00时段出现了负荷高峰，此时能够最大化的消纳光伏出力，缓解晚间用电高峰期间电网的负担。
该区域负荷曲线如图5所示，白天时段由于各充电站光伏出力基本能够满足负荷需求，负荷调控前后配电网负荷曲线基本重合。负荷调控前17:00-20:00时段由于光伏出力减弱，储能系统不足以支撑充电需求，各充电站集中向电网购电，导致无序充电情况下负荷曲线峰上加峰，负荷方差增大。负荷调控后，一部分用户响应调度在上午时段前往充电站充电，能够有效平衡此时段光伏出力强而充电需求小的问题，最大化的利用可再生能源。同时，由于时间满意度影响，系统一般不会将用户安排在凌晨0:00-4:00时段进行充电。权衡经济性与便利性，部分用户会接受在谷时电价最后的5:00-7:00时段进行充电，起到了一定的削峰填谷作用。
图6为负荷调控前后13:10时刻该区域电压，充电站2号、3号、7号分别接入的系统10、14、32节点由于此时较多电动汽车用户进行充电，导致部分台区电压偏差增大，电能质量降低，电压合格率仅为75.76％。而通过本发明建立的负荷调控方法，部分用户接受调度在其他时间进行充电或者此时前往设备利用率较低的充电站进行充电，调控后电压质量明显提高。
负荷调控前后部分用户充电费用如图7所示，大多数用户接受调度后降低了充电费用，平均可为用户节省8.77％充电费用。结合上述分析可见本发明所提方法能够在兼顾用户利益的同时有效改善配网负荷分布，提高台区电压质量。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种含光储充电站的台区负荷调控方法，其特征在于：包括如下步骤：
基于粒子群算法优化求解台区负荷调控多目标模型，得到电动汽车用户最优开始充电时间以及选取的光储充电站；
根据电动汽车用户最优开始充电时间以及选取的光储充电站将配电网内有充电需求的电动汽车在最优开始充电时间下引导至选取的光储充电站进行充电；所述台区负荷调控多目标模型：
Figure FDA0003656109950000011
式中：f为台区负荷调控多目标模型；f1.max为负荷调控前无序充电时的减小配电网负荷方差模型输出值；f2.max为负荷调控前无序充电时的减少碳排放模型输出值；f3.min为负荷调控前无序充电时的提高电动汽车用户平均满意度模型输出值；λ1、λ2、λ3分别为三个子优化目标的权重，f1为减小负荷方差模型，f2为减少碳排放模型，f3为提高满意度模型；
所述减小配电网负荷方差模型如下：
Figure FDA0003656109950000012
式中：PL(t)为t时刻配电网常规负荷；PG(t)为t时刻配电网内光储充电站对电网的功率需求之和；PAV为配电网平均负荷；T代表总时刻数；
所述减少碳排放模型如下：
Figure FDA0003656109950000013
式中：γCO2为大电网二氧化碳排放系数；
所述提高电动汽车用户平均满意度模型如下：
Figure FDA0003656109950000014
式中：ns为接受调度的电动汽车用户数量；SCi,k、STi,k分别为用户i被调度至充电站k进行充电的费用满意度、时间满意度，其定义如下：
Figure FDA0003656109950000021
Figure FDA0003656109950000022
式中：
Figure FDA0003656109950000023
分别为用户i被调度至充电站k电价最高与最低时段两种极端情况下的充电费用；p(t)为充电站单位服务费用；
Figure FDA0003656109950000024
分别为用户i被调度至充电站k的等待时间与路程时间；
Figure FDA0003656109950000025
分别为用户i前往最近充电站所用等待时间及路程时间；tc电动汽车充电时长、Pc电动汽车充电功率。
2.根据权利要求1所述的一种含光储充电站的台区负荷调控方法，其特征在于：所述台区负荷调控多目标模型的约束条件如下：
(1)、调控时间范围
|Ti,arr-Ti,set|≤Ti,max
式中：Ti,set为用户i预约时间、Ti,arr系统调度充电时间；Ti,max为用户i所接受的最大时间调度范围；
(2)、充电桩数量
Nk(t)≤Nk,max
式中：Nk(t)为充电站k在t时刻正在使用充电桩数量；Nk,max为充电站k充电桩数量；
(3)、充电站功率平衡
当储能系统处于充电状态时：
PEV(t)/η1+PB.C(t)/η1＝PPV(t)η1+PG(t)η2
当储能系统处于放电状态时：
PEV(t)/η1＝PPV(t)η1+PG(t)η2+PB.D(t)η1
式中：PB.C(t)、PB.D(t)分别为t时刻的电池充电功率、电池放电功率，储能电池放电时其值正，储能充电其值为负；η1、η2分别为DC/DC模块效率、AC/DC模块效率；PEV(t)代表全天t时刻的电动汽车充电负荷需求，PPV(t)为t时刻光伏系统出力，PG(t)为t时刻区域充电站对电网的功率需求之和；
(4)、配电网总负荷约束
PL(t)+PG(t)≤Pmax
式中：Pmax为配电网总负荷上限；PL(t)代表t时刻配电网常规负荷。
3.根据权利要求2所述的一种含光储充电站的台区负荷调控方法，其特征在于：所述PEV(t)全天t时刻的电动汽车充电负荷需求获得步骤如下：
采用蒙特卡洛算法抽样得到符合多时间窗概率密度函数fT(ts)与电动汽车初始SOC的概率密度函数fS(s0)概率分布的电动汽车到达光储充电站开始充电时间，以及到达充电站时的动力电池初始SOC；
Figure FDA0003656109950000031
式中：ts为用户开始充电时间；ki为第i时间段的比例系数；ti、ti+1为第i时间段的开始时刻与结束时刻；Ai为第i时间段初始时刻概率密度；
Figure FDA0003656109950000032
式中：s0为电动汽车到达充电站时动力电池初始SOC；σ为对数标准差；μ为对数均值；
根据电动汽车在充电站的充电时长tc求取各电动汽车在充电站的充电时长，结合开始充电时间即可得到电动汽车结束充电时间；
Figure FDA0003656109950000033
式中：s1为充电终止SOC；Q为电池容量；Pc为充电功率，η为充电效率；
根据每辆电动汽车开始充电时间以及结束充电时间，统计一天中每一时刻处于充电状态的电动汽车数量，再将每一辆电动汽车充电负荷进行累加，得到全天每一时刻的电动汽车充电负荷需求。
4.根据权利要求1所述的一种含光储充电站的台区负荷调控方法，其特征在于：所述PG(t)为电动汽车充电需求功率与光伏系统及储能系统所提供功率之差；光伏系统提供功率模型：
Figure FDA0003656109950000041
Figure FDA0003656109950000042
PPV(t)＝PPV.th(t)×NPV
式中：PPV.th(t)为单块太阳能t时刻出力；PSTC为单块太阳能板额定功率，标准测试环境：光辐射1kW/m2，环境温度25℃；GSTC为标准光照强度；TSTC为标准环境温度；G(t)为t时刻光照强度；TC(t)为t时刻太阳能电池板表面温度；TEN(t)为t时刻环境温度；k为功率温度系数；PPV(t)为t时刻光伏系统出力，NPV为太阳能板总数量。
5.根据权利要求4所述的一种含光储充电站的台区负荷调控方法，其特征在于：所述储能系统提供功率模型：
在电池充电过程中：
SOC(t)＝SOC(t-1)+PB.C(t-1)ηCΔt/EC
在电池放电过程中：
SOC(t)＝SOC(t-1)-PB.D(t-1)Δt/(ECηD)
式中：SOC(t)、SOC(t-1)分别为电池t、t-1时刻的电池荷电状态；PB.C(t-1)、PB.D(t-1)分别为t-1时刻的电池充电功率、放电功率；ηC、ηD为充电效率、放电效率；EC为电池额定容量。
6.根据权利要求1所述的一种含光储充电站的台区负荷调控方法，其特征在于：所述基于粒子群算法优化求解台区负荷调控多目标模型的具体步骤如下：
将接受调度的电动汽车用户开始充电时间以及光储充电站的选取作为变量，即各粒子位置xi，在台区负荷调控多目标模型及约束条件下，求解适应度函数，得到个体最优位置Pi,best(t)以及全局最优位置Gbest(t)；
调整粒子速度vi(t+1)并更新其位置xi(t+1)进行优化；
若全局最优解不满足终止条件或未达到最大迭代次数，则继续对粒子速度与位置进行更新直至得到用户最优开始充电时间以及充电站选取；
vi(t+1)＝ωvi(t)+c1r1(t)[Pi.best(t)-xi(t)]+
c2r2(t)[Gbest(t)-xi(t)]
xi(t+1)＝xi(t)+vi(t+1)
式中：vi(t)、xi(t)、vi(t+1)、xi(t+1)分别为粒子在t、t+1时刻的速度与位置；ω为惯性因子；c1、c2为加速因子，分别代表个体学习与社会学习参数；Pi.best(t)、Gbest(t)分别为t时刻个体最优解与群体最优解；r1(t)、r2(t)为相互独立的[0,1]之间的随机数。
7.根据权利要求1所述的一种含光储充电站的台区负荷调控方法，其特征在于：所述根据电动汽车用户最优开始充电时间以及选取的光储充电站将配电网内有充电需求的电动汽车在最优开始充电时间下引导至选取的光储充电站进行充电具体步骤如下：
步骤1：有充电需求的电动汽车上传车辆信息至调度系统；
步骤2：调度系统获取配电网台区负荷信息以及各光储充电站状态，计算电动汽车用户开始充电时间以及光储充电站的选取结果；
步骤3：用户选择是否接受调度，若不接受调度转至步骤4，若接受调度转至步骤5；
步骤4：调度系统引导用户前往最近的光储充电站，转至步骤9调度系统更新信息；
步骤5：用户选取接受调度时间范围；
步骤6：调度系统计算电动汽车用户开始充电时间以及光储充电站的选取结果；
步骤7：用户是否确认，若不确认转至步骤5；
步骤8：调度系统在指定时间引导用户前往指定光储充电站；
步骤9：调度系统更新配电网负荷信息以及各光储充电站状态。
CN202010433202.0A 2020-05-20 2020-05-20 一种含光储充电站的台区负荷调控方法 Active CN111799827B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010433202.0A CN111799827B (zh) 2020-05-20 2020-05-20 一种含光储充电站的台区负荷调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010433202.0A CN111799827B (zh) 2020-05-20 2020-05-20 一种含光储充电站的台区负荷调控方法

Publications (2)

Publication Number Publication Date
CN111799827A CN111799827A (zh) 2020-10-20
CN111799827B true CN111799827B (zh) 2022-07-29

Family

ID=72805878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010433202.0A Active CN111799827B (zh) 2020-05-20 2020-05-20 一种含光储充电站的台区负荷调控方法

Country Status (1)

Country Link
CN (1) CN111799827B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112550047B (zh) * 2020-11-13 2022-05-10 国电南瑞南京控制系统有限公司 一种充光储一体化充电站优化配置方法和装置
CN112884316B (zh) * 2021-02-08 2023-10-27 广东电网有限责任公司广州供电局 电力调控方法、装置、计算机设备和存储介质
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
CN113650515B (zh) * 2021-07-07 2023-06-30 广州杰赛科技股份有限公司 电动汽车充电控制方法、装置、终端设备及存储介质
CN114118787A (zh) * 2021-11-19 2022-03-01 国网安徽省电力有限公司合肥供电公司 一种基于lstm算法的城市分布式源网荷储的调度优化方法
CN114030386A (zh) * 2021-11-30 2022-02-11 国网浙江杭州市萧山区供电有限公司 基于用户充电选择的电动汽车充电控制方法
CN114707292B (zh) * 2022-01-21 2024-05-24 东北电力大学 含电动汽车配电网电压稳定性分析方法
CN115528717B (zh) * 2022-11-25 2023-04-11 国网（北京）新能源汽车服务有限公司 虚拟电厂调度方法、系统、电子设备及储存介质
CN116436019B (zh) * 2023-04-12 2024-01-23 国网江苏省电力有限公司电力科学研究院 一种多资源协调优化方法、装置及存储介质
CN117543591A (zh) * 2023-10-23 2024-02-09 重庆市绿色能源发展有限公司 基于海量数据分析引导的电网负荷管理与分时充电系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108320064A (zh) * 2018-04-28 2018-07-24 国电南瑞南京控制系统有限公司 一种电动汽车与风电协同充电双层优化调度方法
CN108390421A (zh) * 2018-01-19 2018-08-10 上海电力学院 计及用户满意度的电动汽车双尺度充电引导方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108390421A (zh) * 2018-01-19 2018-08-10 上海电力学院 计及用户满意度的电动汽车双尺度充电引导方法及系统
CN108320064A (zh) * 2018-04-28 2018-07-24 国电南瑞南京控制系统有限公司 一种电动汽车与风电协同充电双层优化调度方法

Also Published As

Publication number Publication date
CN111799827A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111799827B (zh) 一种含光储充电站的台区负荷调控方法
CN110895638B (zh) 考虑电动汽车充电站选址定容的主动配电网模型建立方法
CN109599856B (zh) 一种微网多楼宇中电动汽车充放电管理优化方法及装置
CN105811409B (zh) 一种含电动汽车混合储能系统的微网多目标运行调度方法
CN109559035A (zh) 一种考虑灵活性的城市配电网双层规划方法
CN105680474B (zh) 一种储能抑制光伏电站快速功率变化的控制方法
Tao et al. Pricing strategy and charging management for PV-assisted electric vehicle charging station
CN103793758A (zh) 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
CN105160451A (zh) 一种含电动汽车的微电网多目标优化调度方法
CN110138006A (zh) 考虑含有新能源电动汽车的多微电网协调优化调度方法
CN103241130A (zh) 一种电动公交车充换电站的能量管理方法及系统
CN109657993A (zh) 一种基于非合作博弈的能源局域网储能系统自动需求响应方法
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
CN107590607A (zh) 一种基于光伏预测的微电网优化调度系统和方法
CN112550047B (zh) 一种充光储一体化充电站优化配置方法和装置
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN112800658A (zh) 一种考虑源储荷互动的主动配电网调度方法
CN108921331A (zh) 一种计及v2g功能的电动汽车与新能源的调度优化建模及算法
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN108110801A (zh) 考虑电动汽车与储能的有源配电网多级冗余协调控制方法
CN112070628A (zh) 一种计及环境因素的智能电网多目标经济调度方法
CN105574681A (zh) 一种多时间尺度社区能源局域网能量调度方法
CN114914923A (zh) 基于网格法的变时长两阶段电动汽车调度方法及系统
CN109149657A (zh) 一种多阶段主动配电网调度方法
CN114884133B (zh) 一种计及电动汽车的微电网经济调度优化方法及系统

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