CN112308386A - 一种价格与激励需求响应下电动汽车负荷聚集商调度方法 - Google Patents

一种价格与激励需求响应下电动汽车负荷聚集商调度方法 Download PDF

Info

Publication number
CN112308386A
CN112308386A CN202011120575.9A CN202011120575A CN112308386A CN 112308386 A CN112308386 A CN 112308386A CN 202011120575 A CN202011120575 A CN 202011120575A CN 112308386 A CN112308386 A CN 112308386A
Authority
CN
China
Prior art keywords
scheduling
charging
incentive
load
electric 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
Application number
CN202011120575.9A
Other languages
English (en)
Other versions
CN112308386B (zh
Inventor
侯慧
王逸凡
黄亮
谢长君
张清勇
王建建
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202011120575.9A priority Critical patent/CN112308386B/zh
Publication of CN112308386A publication Critical patent/CN112308386A/zh
Application granted granted Critical
Publication of CN112308386B publication Critical patent/CN112308386B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/063—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种价格与激励需求响应下电动汽车负荷聚集商调度方法，通过分时电价以及激励折扣两种需求响应方式，分别建立包括以负荷聚集商收益最大化、联络线功率最小化的固定签约策略，以及以负荷聚集商收益最大化、联络线功率最小化、电动汽车充电成本最小化为目标的灵活签约策略在内的负荷聚集商调度策略。在此基础上，分析了参与激励调度电动汽车数量对负荷聚集商的影响，以及不同激励折扣对固定签约策略及灵活签约策略的影响。最后，通过改进多目标粒子群算法求解该问题。本发明表明，固定及灵活两种签约策略均能有效提高负荷聚集商效益，而灵活签约策略更可降低电动汽车充电成本。

Description

一种价格与激励需求响应下电动汽车负荷聚集商调度方法
技术领域
本发明涉及电动汽车调度技术领域，具体涉及一种价格与激励需求响应下电动汽车负荷聚集商调度方法。
背景技术
随着智能电网建设的逐渐深入，需求响应作为一种改善高效精准调度的措施，在智能电网中得到广泛应用。需求响应措施主要有以下两种形式：一是基于价格型的需求响应，通过灵活的电价政策(分时电价、实时电价、尖峰电价等)引导用户调整用电行为。二是基于激励型的需求响应，依据签订合同或协议采用经济补偿或电价的方式来激励用户参与负荷削减。
需求响应的调控负荷形式多样，电动汽车作为需求侧典型灵活负荷之一，同时具有负荷与储能特征，是一种十分灵活的需求响应资源。一些文献中利用电动汽车参与需求侧管理并进行充放电调度，但是这部分文献没有考虑电动汽车的参与度问题，即电动汽车用户为什么要参与调度的问题。
目前为止，国内外对电动汽车参与需求响应的研究多数集中在价格型需求响应，对电动汽车参与激励型需求响应的研究较少。尽管目前研究多数都考虑了需求响应策略，但多数仅仅考虑单一类型需求响应策略，因此，现有技术中存在电动汽车调度效果较差的技术问题。
发明内容
有鉴于此，本发明提供了一种价格与激励需求响应下电动汽车负荷聚集商调度方法，用以解决或者至少部分解决现有技术中存在的电动汽车调度效果较差的技术问题。
为了解决上述技术问题，本发明提供了一种价格与激励需求响应下电动汽车负荷聚集商调度方法，包括：
S1：分别构建对应价格型以及激励型需求响应的电动汽车调度模型，其中，应对价格型的电动汽车调度模型为有序调度模型，应对激励型需求响应的电动汽车调度模型为激励调度模型；
S2：针对激励调度模型，分别建立以负荷聚集商收益最大化、联络线功率最小化的固定签约策略，以及以负荷聚集商收益最大化、联络线功率最小化、电动汽车充电成本最小化为目标的灵活签约策略；
S3：对激励调度模型中参与激励调度的电动汽车数量以及负荷聚集商激励折扣进行优化；
S4：对于参与有序调度的电动汽车的充放电过程，采用有序调度模型进行调度，得到有序调度结果，对于参与激励调度的电动汽车的充放电过程，采用改进多目标粒子群算法求解激励调度模型，得到激励调度结果。
在一种实施方式中，S1中的有序调度基于电动汽车用户需求，将电动汽车充电需求转移至到平时段、谷时段。
在一种实施方式中，S1中激励调度模型的目标函数为：
F＝min{f1,f2,...}
其中，f1、f2为激励调度模型所优化的目标，通过调度授权电动汽车充放电能够实现单目标、多目标优化；
激励调度模型的约束包括：
(1)参与激励调度电动汽车充放电功率约束：
Figure BDA0002731879820000021
其中，Pi,t为编号为i激励调度电动汽车t时段充电功率；Pch为电动汽车充电功率；Pdis为电动汽车放电功率；
Figure BDA0002731879820000022
为编号为i激励调度电动汽车到达时刻；
Figure BDA0002731879820000023
为编号为i激励调度电动汽车设定离开时刻。
(2)在不可调度时段内，电动汽车充放电功率为0：
Figure BDA0002731879820000024
(3)电动汽车充放电荷电状态等式约束：
SOCi,t＝SOCi,t-1+k·Pi,t·Δt/C
Figure BDA0002731879820000025
其中，SOCi,t为编号为i电动汽车t时段荷电状态；Δt为时段长度；C为电动汽车电池容量；k为充放电系数；ηc为电动汽车充电系数；ηd为电动汽车放电系数；
(4)电动汽车充放电荷电状态上下限约束：
SOCi,min≤SOCi,t≤SOCi,max
其中，SOCi,max、SOCi,min分别为编号为i电动汽车荷电状态上下限。
在一种实施方式中，S2中的固定签约策略为负荷聚集商与固定电动汽车用户签订预设时长的协议，在固定协议期限内，均授权负荷聚集商进行激励调度，其中，固定签约策略目标函数为负荷聚集商收益最大以及联络线功率最小；
f1＝max{Iord+Iex-Cb}
Figure BDA0002731879820000031
Figure BDA0002731879820000032
Figure BDA0002731879820000033
Figure BDA0002731879820000034
其中，f1、f2分别为负荷聚集商运行收益最大化及联络线功率波动最小化；Iord为负荷聚集商有序调度服务收益；Iex为负荷聚集商激励调度服务收益；Cb为负荷聚集商向配网购电成本；PEV(t)为负荷聚集商在t时段充电负荷，即负荷聚集商在t时段与配网联络线交互功率；Nex为固定签约策略下参与激励调度电动汽车数量；Nord为参与有序调度电动汽车数量；pr(t)为负荷聚集商在t时段充电服务分时电价；
Figure BDA0002731879820000035
为负荷聚集商对电动汽车的激励折扣；pex为负荷聚集商制定激励价格；
Figure BDA0002731879820000036
为编号为i电动汽车充电需求；pb(t)为负荷聚集商在t时段向配网购电分时电价，即配网出售给负荷聚集商的t时段分时电价；
固定签约策略的约束条件包括：
(1)负荷聚集商功率平衡约束：
Figure BDA0002731879820000037
其中，nord(t)、nex(t)分别为t时段的基于价格的充电需求数量与基于激励的充电需求数量；
(2)联络线功率上下限约束：
Pmin≤PEV(t)≤Pmax
其中，Pmax、Pmin为负荷聚集商所在配网节点功率上下限；
(3)基于激励的充电需求约束：
Figure BDA0002731879820000041
Figure BDA0002731879820000042
SOCi,t＝SOCi,t-1+k·Pi,t·Δt/C
Figure BDA0002731879820000043
SOCi,min≤SOCi,t≤SOCi,max。
在一种实施方式中，步骤S2中的灵活签约策略以电动汽车单次充电为一个周期，负荷聚集商并不固定与电动汽车用户签订协议，而是在电动汽车用户每次充电之前，提供充电方案，由用户选择成本最低的充电策略进行充电，与负荷聚集商签订协议，完成调度；
灵活签约策略包括电动汽车用户的选择过程，具体表示如下：
Figure BDA0002731879820000044
Figure BDA0002731879820000045
Figure BDA0002731879820000046
Figure BDA0002731879820000047
其中，
Figure BDA0002731879820000048
为电动汽车有序调度充电成本；
Figure BDA0002731879820000049
为电动汽车立即充电成本；
Figure BDA00027318798200000410
为电动汽车激励调度充电成本；Ci为电动汽车用户最终选择成本；Cc为电动汽车电池单位容量购买成本；Ra为电动汽车电池循环次数；Di为电动汽车放电深度；
灵活签约策略包括电动汽车充电成本最小、负荷聚集商收益最大以及联络线功率最小的优化目标；
灵活签约策略的约束条件包括负荷聚集商功率平衡约束、联络线功率上下限约束以及基于激励的充电需求约束。
在一种实施方式中，S3具体包括：
S3.1：对参与激励调度电动汽车数量对负荷聚集商的效益以及电动汽车充电成本影响进行分析，包括参与激励调度电动汽车数量对固定签约策略下负荷聚集商的影响以及参与激励调度电动汽车数量对灵活签约策略下负荷聚集商的影响；
S3.2：对激励折扣的调整对负荷聚集商效益以及电动汽车用户的充电成本影响进行分析，包括负荷聚集商激励折扣对固定签约策略下负荷聚集商及电动汽车用户的影响以及负荷聚集商激励折扣对灵活签约策略下负荷聚集商及电动汽车用户的影响；
S3.3：根据步骤S3.1与步骤S3.2中的分析结果对激励调度模型中参与激励调度的电动汽车数量以及负荷聚集商激励折扣进行优化。
在一种实施方式中，S4中对于参与激励调度的电动汽车的充放电过程，采用改进多目标粒子群算法求解激励调度模型，得到激励调度结果，包括：
S4.1：确定模型中用到的数据，包括电动汽车各项参数，电价数据、电池损耗情况，电动汽车电池单位容量购买成本电动汽车电池循环次数；
S4.2：初始化粒子群，初始化每个参与激励调度电动汽车的充放电功率，设置种群大小为N，迭代次数为K，粒子维数为D，加速度因子为c1、c2，惯性权重w0；
S4.3：将激励调度模型的目标函数f1、f2作为多目标粒子群的适应度函数，激励调度模型的约束条件作为多目标粒子群的约束条件；
S4.4：迭代求出符合要求的非劣解集，其中，非劣解集合为若干参与激励调度电动汽车的充放电过程的调度结果，并对非劣解集进行存储；
S4.5：进行区域选择策略，以一定步长以当代Pareto解为中心进一步搜索，选择其中存在的非支配解的策略；
S4.6：维护Pareto解集；
S4.7：更新粒子速度及位置；
S4.8：满足终止条件则迭代终止，得到激励调度模型的调度结果，并输出负荷聚集商收益以及联络线功率波动和电动汽车充电成本；否则继续进行迭代。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明提供的一种价格与激励需求响应下电动汽车负荷聚集商调度方法，首先分别构建对应价格型以及激励型需求响应的电动汽车调度模型，然后针对激励调度模型，分别建立以负荷聚集商收益最大化、联络线功率最小化的固定签约策略，以及以负荷聚集商收益最大化、联络线功率最小化、电动汽车充电成本最小化为目标的灵活签约策略；接着对激励调度模型中参与激励调度的电动汽车数量以及负荷聚集商激励折扣进行优化；最后，对于参与有序调度的电动汽车的充放电过程，采用有序调度模型进行调度，得到有序调度结果，对于参与激励调度的电动汽车的充放电过程，采用改进多目标粒子群算法求解激励调度模型，得到激励调度结果。
本发明利用改进多目标粒子群算法求解负荷聚集商调度方法，负荷聚集商调度策略使负荷聚集商效益以及电动汽车用户成本最优，能通过负荷聚集商分析策略得出更适合的需求响应策略制定结果，提高对参与激励调度的电动汽车的充放电过程的调度效果，从而对电动汽车用户更具吸引力，提高负荷聚合商效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种价格与激励需求响应下电动汽车负荷聚集商调度方法的整体框架图；
图2为具体实施方式中有序调度下谷时段充电时序示意图；
图3为具体实施方式中有序调度下平时段充电时序示意图；
图4为具体实施方式中有序调度下峰-谷时段充电时序示意图；
图5为具体实施方式中有序调度下峰-平时段充电时序示意图；
图6为具体实施方式中改进多目标粒子群算法流程示意图；
图7为具体实施方式中固定签约策略下参与激励调度电动汽车数量的影响示意图；
图8为具体实施方式中固定签约场景下负荷聚集商收益示意图；
图9为具体实施方式中固定签约场景下联络线功率波动示意图；
图10为具体实施方式中固定签约场景下电动汽车用户总成本示意图；
图11为具体实施方式中灵活签约策略下激励折扣的影响示意图。
具体实施方式
针对现有研究的不足及优化需求，本发明提出了一种价格与激励需求响应下电动汽车负荷聚集商调度方法，以达到改善电动汽车充电过程调度效果的目的。
为了达到上述技术效果，本发明的总体发明构思如下：
提出一种价格与激励需求响应下电动汽车负荷聚集商调度方法，通过分时电价以及激励折扣两种需求响应方式，分别建立包括以负荷聚集商收益最大化、联络线功率最小化的固定签约策略，以及以负荷聚集商收益最大化、联络线功率最小化、电动汽车充电成本最小化为目标的灵活签约策略在内的负荷聚集商调度策略。在此基础上，分析了参与激励调度电动汽车数量对负荷聚集商的影响，以及不同激励折扣对固定签约策略及灵活签约策略的影响。最后，通过改进多目标粒子群算法求解该问题。本发明表明，固定及灵活两种签约策略均能有效提高负荷聚集商效益，而灵活签约策略更可降低电动汽车充电成本。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。
请参见图1～图11，本实施例提供了一种价格与激励需求响应下电动汽车负荷聚集商调度方法，包括：
S1：分别构建对应价格型以及激励型需求响应的电动汽车调度模型，其中，应对价格型的电动汽车调度模型为有序调度模型，应对激励型需求响应的电动汽车调度模型为激励调度模型；
S2：针对激励调度模型，分别建立以负荷聚集商收益最大化、联络线功率最小化的固定签约策略，以及以负荷聚集商收益最大化、联络线功率最小化、电动汽车充电成本最小化为目标的灵活签约策略；
S3：对激励调度模型中参与激励调度的电动汽车数量以及负荷聚集商激励折扣进行优化；
S4：对于参与有序调度的电动汽车的充放电过程，采用有序调度模型进行调度，得到有序调度结果，对于参与激励调度的电动汽车的充放电过程，采用改进多目标粒子群算法求解激励调度模型，得到激励调度结果。
具体来说，步骤S1是提出分别对应价格型和激励型需求响应的电动汽车调度模型，即有序调度模型和激励调度模型。
步骤S2是针对激励调度模型，分别建立固定签约策略和灵活签约策略。
步骤S3是采用负荷聚集商分析策略，对参与激励调度电动汽车数量进行分析以及负荷聚集商激励折扣的分析，从而调节激励调度模型的一些参数，优化或者调节的是参与激励调度电动汽车数量以及激励折扣，以进一步提高负荷聚集商效益。
步骤S4分别利用两种模型对电动汽车充放电过程进行调度，其中参与有序调度的电动汽车的充放电过程按照有序调度模型进行调度，因此不需要求解。而参与激励调度的电动汽车的充放电过程涉及负荷聚集商的效益，因此需要负荷聚集商对其进行调度，因此需要利用算法求解激励调度模型。最终的调度结果即为负荷聚集商下的若干电动汽车的充放电过程。
请参见图1，为本发明提供的一种价格与激励需求响应下电动汽车负荷聚集商调度方法的整体框架图。
在一种实施方式中，S1中的有序调度基于电动汽车用户需求，将电动汽车充电需求转移至到平时段、谷时段。
具体来说，有序调度模型是基于价格型需求响应的调度模型，价格型需求响应措施为分时电价。假设电动汽车用户都是理智的，即电动汽车用户能够接受在更低价时段进行充电。有序调度即利用电动汽车用户倾向于低价时段充电的心理，合理转移电动汽车充电需求到平、谷时段，从而降低电动汽车用户充电成本以及充电负荷对配网的冲击。定义
Figure BDA0002731879820000081
为电动汽车i开始充电时刻；
Figure BDA0002731879820000082
为电动汽车i结束充电时刻；Ti为电动汽车i充电时长，即
Figure BDA0002731879820000083
具体实施过程中，对于参与有序调度的电动汽车的充放电过程，采用有序调度模型进行调度的方法为：
首先，判断电动汽车是否不可调度：
若是，由于该电动汽车停留时长小于充电时长，无法支持调度，则该电动汽车到达后立即充电，即无序调度。其中，停留时长即为电动汽车到达充电点时刻距离电动汽车用户设定离开时刻的时间长度。
若否，则判断电动汽车到达时刻位于哪一时段。(1)谷时段，电动汽车到达后立即充电。(2)平时段，继续判断平时段后一时段为谷时段或峰时段。若平时段后为谷时段，则电动汽车转移至谷时段开始时刻充电；若平时段后为峰时段，则电动汽车到达后立即充电。(3)峰时段，继续判断峰时段后为谷时段或平时段。若为谷时段，则电动汽车转移至谷时段开始时刻充电；若为平时段，则当前时段顺序为峰时段、平时段，并继续判断当前峰时段及平时段的后一时段为谷时段或峰时段。若当前峰时段及平时段的后一时段为谷时段，则电动汽车转移至谷时段末充电；若当前峰时段及平时段的后一时段仍为峰时段，则电动汽车转移至中间平时段末充电。
请参见图2～图5，为有序调度下的充电时序示意图，其中，图2为有序调度下谷时段充电时序示意图；图3为有序调度下平时段充电时序示意图；图4为有序调度下峰-谷时段充电时序示意图；图5为有序调度下峰-平时段充电时序示意图。
在一种实施方式中，S1中激励调度模型的目标函数为：
F＝min{f1,f2,...}
其中，f1、f2为激励调度模型所优化的目标，通过调度授权电动汽车充放电能够实现单目标、多目标优化；
激励调度模型的约束包括：
(1)参与激励调度电动汽车充放电功率约束：
Figure BDA0002731879820000091
其中，Pi,t为编号为i激励调度电动汽车t时段充电功率；Pch为电动汽车充电功率；Pdis为电动汽车放电功率，例如：Pch＝6.9kW；Pdis为电动汽车放电功率，Pdis＝6.9kW；
Figure BDA0002731879820000101
为编号为i激励调度电动汽车到达时刻；
Figure BDA0002731879820000102
为编号为i激励调度电动汽车设定离开时刻；
(2)在不可调度时段内，电动汽车充放电功率为0：
Figure BDA0002731879820000103
(3)电动汽车充放电荷电状态等式约束：
SOCi,t＝SOCi,t-1+k·Pi,t·Δt/C
Figure BDA0002731879820000104
其中，SOCi,t为编号为i电动汽车t时段荷电状态；Δt为时段长度，例如：Δt＝1h；C为电动汽车电池容量，例如：C＝22kWh；k为充放电系数；ηc为电动汽车充电系数，例如：ηc＝0.92；ηd为电动汽车放电系数，例如：ηd＝0.92；
(4)电动汽车充放电荷电状态上下限约束：
SOCi,min≤SOCi,t≤SOCi,max
其中，SOCi,max、SOCi,min分别为编号为i电动汽车荷电状态上下限，例如：SOCi,max＝0.95，SOCi,min＝0.1。
具体来说，激励调度模型是基于激励型需求响应的调度模型，激励型需求响应措施为激励协议。激励调度即负荷聚集商同电动汽车用户签订协议，负荷聚集商给予电动汽车用户一定优惠，而电动汽车用户授权负荷聚集商，负荷聚集商能够在一定限制条件内自由调度授权电动汽车充放电，以实现某种目标。当负荷聚集商同电动汽车用户签订协议后，电动汽车用户授权给负荷聚集商，负荷聚集商能够在一定限制条件内自由调度授权电动汽车充放电，以实现其目标。激励调度模型的决策变量为签订激励协议的若干电动汽车的充放电功率。
激励调度模型的优化目标包括如收益最大化、负荷波动最小化等。
在一种实施方式中，S2中的固定签约策略为负荷聚集商与固定电动汽车用户签订预设时长的协议，在固定协议期限内，均授权负荷聚集商进行激励调度，其中，固定签约策略目标函数为负荷聚集商收益最大以及联络线功率最小；
f1＝max{Iord+Iex-Cb}
Figure BDA0002731879820000111
Figure BDA0002731879820000112
Figure BDA0002731879820000113
Figure BDA0002731879820000114
其中，f1、f2分别为负荷聚集商运行收益最大化及联络线功率波动最小化；Iord为负荷聚集商有序调度服务收益；Iex为负荷聚集商激励调度服务收益；Cb为负荷聚集商向配网购电成本；PEV(t)为负荷聚集商在t时段充电负荷，即负荷聚集商在t时段与配网联络线交互功率；Nex为固定签约策略下参与激励调度电动汽车数量；Nord为参与有序调度电动汽车数量；pr(t)为负荷聚集商在t时段充电服务分时电价；
Figure BDA0002731879820000115
为负荷聚集商对电动汽车的激励折扣，例如可以将折扣初步设定为0.55；pex为负荷聚集商制定激励价格；
Figure BDA0002731879820000116
为编号为i电动汽车充电需求；pb(t)为负荷聚集商在t时段向配网购电分时电价，即配网出售给负荷聚集商的t时段分时电价；
固定签约策略的约束条件包括：
(1)负荷聚集商功率平衡约束：
Figure BDA0002731879820000117
其中，nord(t)、nex(t)分别为t时段的基于价格的充电需求数量与基于激励的充电需求数量；
(2)联络线功率上下限约束：
Pmin≤PEV(t)≤Pmax
其中，Pmax、Pmin为负荷聚集商所在配网节点功率上下限，例如Pmax＝1MW，Pmin＝0MW；
(3)基于激励的充电需求约束：
Figure BDA0002731879820000121
Figure BDA0002731879820000122
SOCi,t＝SOCi,t-1+k·Pi,t·Δt/C
Figure BDA0002731879820000123
SOCi,min≤SOCi,t≤SOCi,max。
具体来说，固定签约策略即为负荷聚集商与固定电动汽车用户签订较长时间协议，在此期间，不论电动汽车开始时刻以及离开时刻位于哪一时段，都授权负荷聚集商进行激励调度，而其余没有签订激励协议的电动汽车用户进行有序调度或立即充电。
在一种实施方式中，步骤S2中的灵活签约策略以电动汽车单次充电为一个周期，负荷聚集商并不固定与电动汽车用户签订协议，而是在电动汽车用户每次充电之前，提供充电方案，由用户选择成本最低的充电策略进行充电，与负荷聚集商签订协议，完成调度；
灵活签约策略包括电动汽车用户的选择过程，具体表示如下：
Figure BDA0002731879820000124
Figure BDA0002731879820000125
Figure BDA0002731879820000126
Figure BDA0002731879820000127
其中，
Figure BDA0002731879820000128
为电动汽车有序调度充电成本；
Figure BDA0002731879820000129
为电动汽车立即充电成本；
Figure BDA00027318798200001210
为电动汽车激励调度充电成本；Ci为电动汽车用户最终选择成本；Cc为电动汽车电池单位容量购买成本，例如Cc＝1123.58元/kWh；Ra为电动汽车电池循环次数，Ra＝3200次；Di为电动汽车放电深度；
灵活签约策略包括电动汽车充电成本最小、负荷聚集商收益最大以及联络线功率最小的优化目标；
灵活签约策略的约束条件包括负荷聚集商功率平衡约束、联络线功率上下限约束以及基于激励的充电需求约束。
具体来说，灵活签约策略以电动汽车单次充电为一个周期，且负荷聚集商并不会固定与哪些电动汽车用户签订协议，而是在电动汽车用户每次充电之前，提供充电方案，如立即充电、有序调度、激励调度等方案，由用户选择成本最低的充电策略进行充电，与负荷聚集商签订协议，完成调度。
灵活签约策略与固定签约策略最大不同之处在于灵活签约策略增加了电动汽车用户选择的过程。灵活签约策略除电动汽车充电成本最小化外，其他两个目标与固定签约策略的优化目标相同，灵活签约策略与固定签约策略的调度对象相同，因此两种策略的约束条件相同。由于前文中已经详细介绍了固定签约策略下的优化目标以及约束条件，故在此不再赘述。
在一种实施方式中，S3具体包括：
S3.1：对参与激励调度电动汽车数量对负荷聚集商的效益以及电动汽车充电成本影响进行分析，包括参与激励调度电动汽车数量对固定签约策略下负荷聚集商的影响以及参与激励调度电动汽车数量对灵活签约策略下负荷聚集商的影响；
S3.2：对激励折扣的调整对负荷聚集商效益以及电动汽车用户的充电成本影响进行分析，包括负荷聚集商激励折扣对固定签约策略下负荷聚集商及电动汽车用户的影响以及负荷聚集商激励折扣对灵活签约策略下负荷聚集商及电动汽车用户的影响；
S3.3：根据步骤S3.1与步骤S3.2中的分析结果对激励调度模型中参与激励调度的电动汽车数量以及负荷聚集商激励折扣进行优化。
具体来说，参与激励调度电动汽车充电成本构成方式与参与价格型需求响应电动汽车不同，因此参与激励调度电动汽车数量会对负荷聚集商的效益以及电动汽车充电成本造成影响。
(1)参与激励调度电动汽车数量对固定签约策略下负荷聚集商的影响分析。由于电动汽车充放电过程的约束，参与激励调度电动汽车数量存在上限。首先，分别对不同参与激励调度电动汽车数量下负荷聚集商的效益进行分析；其次，针对不同参与激励调度电动汽车数量下负荷聚集商效益的波动情况，分析参与激励调度前后电动汽车充放电过程；最后，得到不同参与激励调度电动汽车数量对负荷聚集商效益影响的结论。
(2)参与激励调度电动汽车数量对灵活签约策略下负荷聚集商的影响分析。由于灵活签约策略下电动汽车的充电模式由电动汽车用户根据自身相应充电成本选择，因此灵活签约策略下选择参与激励调度的电动汽车数量与负荷聚集商的激励策略直接相关。因此，参与激励调度电动汽车数量与负荷聚集商激励折扣直接相关。首先，分析无序调度、有序调度、同灵活签约策略下参与激励调度电动汽车数量相同的场景下固定签约策略以及灵活签约策略的负荷聚集商效益。其次，分析无序调度、有序调度、同灵活签约策略下参与激励调度电动汽车数量相同的场景下固定签约策略以及灵活签约策略的若干电动汽车充电成本分布。
负荷聚集商激励折扣分析策略具体如下：激励折扣是直接与负荷聚集商效益以及电动汽车用户的充电成本直接相关，因此激励折扣的调整会对负荷聚集商效益以及电动汽车用户的充电成本造成极大影响。
(1)负荷聚集商激励折扣对固定签约策略下负荷聚集商及电动汽车用户的影响分析。以固定签约策略下三种典型参与激励调度电动汽车数量为对比，三种典型场景的参与激励调度电动汽车数量分别为20,45,60辆。计算不同数量下负荷聚集商收益、联络线功率波动以及电动汽车充电成本情况，分析固定签约策略下激励折扣对负荷聚集商及电动汽车用户效益的影响。
(2)负荷聚集商激励折扣对灵活签约策略下负荷聚集商及电动汽车用户的影响分析。由于参与激励调度电动汽车数量与负荷聚集商激励折扣直接相关，因此实际上参与激励调度电动汽车数量同负荷聚集商激励折扣直接关联，共同成为对灵活签约策略各方效益影响的决定因素。因此，直接分析不同激励折扣下负荷聚集商及电动汽车用户充电成本即可。
在一种实施方式中，S4中对于参与激励调度的电动汽车的充放电过程，采用改进多目标粒子群算法求解激励调度模型，得到激励调度结果，包括：
S4.1：确定模型中用到的数据，包括电动汽车各项参数，电价数据、电池损耗情况，电动汽车电池单位容量购买成本电动汽车电池循环次数；
S4.2：初始化粒子群，初始化每个参与激励调度电动汽车的充放电功率，设置种群大小为N，迭代次数为K，粒子维数为D，加速度因子为c1、c2，惯性权重w0；
S4.3：将激励调度模型的目标函数f1、f2作为多目标粒子群的适应度函数，激励调度模型的约束条件作为多目标粒子群的约束条件；
S4.4：迭代求出符合要求的非劣解集，其中，非劣解集合为若干参与激励调度电动汽车的充放电过程的调度结果，并对非劣解集进行存储；
S4.5：进行区域选择策略，以一定步长以当代Pareto解为中心进一步搜索，选择其中存在的非支配解的策略；
S4.6：维护Pareto解集；
S4.7：更新粒子速度及位置；
S4.8：满足终止条件则迭代终止，得到激励调度模型的调度结果，并输出负荷聚集商收益以及联络线功率波动和电动汽车充电成本；否则继续进行迭代。
具体来说，参考有序调度模型和激励调度模型，在求解过程中需要用到实际参数，其中利用电动汽车到达时刻、离开时刻、出行里程分布规律得到若干电动汽车出行时刻及里程信息；模型中用到的数据包括电动汽车各项参数，如电池容量C、充放电功率Pch和Pdis、充放电效率ηc和ηd、SOC范围等；模型中还需用到的电价数据包括负荷聚集商购电售电电价pb(t)和pr(t)、激励电价pex、激励折扣
Figure BDA0002731879820000151
等；模型中还考虑了电池损耗情况，相关参数包括电动汽车电池单位容量购买成本Cc、电动汽车电池循环次数Ra等。
电动汽车到达时刻、出行里程满足：
Figure BDA0002731879820000152
Figure BDA0002731879820000153
其中，μS＝17.6；σS＝3.4；μD＝3.20；σD＝0.88。
电池容量为22kWh、充放电功率为6.9kW、充放电效率为0.92、SOC范围为0.1-0.95；电动汽车电池单位容量购买成本Cc为1123.58元/kWh、电动汽车电池循环次数Ra为3200次。
负荷聚集商自电网购电电价为：
Figure BDA0002731879820000161
负荷聚集商售电电价为：
Figure BDA0002731879820000162
负荷聚集商激励电价pex为0.695元/kWh；激励折扣初步设定为0.55。
步骤4.2：初始化粒子群，即初始化每个参与激励调度电动汽车的充放电功率，设置种群大小为N＝100，迭代次数为K＝100，粒子维数为D，加速度因子为c1＝1.495、c2＝1.495，惯性权重w0＝0.5。
步骤4.3：将激励调度模型的目标函数f1、f2作为多目标粒子群的适应度函数，将激励调度模型的约束条件作为多目标粒子群的约束条件。
步骤4.4：迭代求出符合要求的非劣解集，即若干参与激励调度电动汽车的充放电过程的非劣解集，并进行存储。
步骤4.5：进行区域选择策略。区域选择策略即认为在当代Pareto解集一定区域内存在能够支配当代Pareto解的更接近真实Pareto解的解，因此区域选择策略即以一定步长以当代Pareto解为中心进一步搜索，选择其中存在的非支配解的策略。
步骤4.6：维护Pareto解集。
步骤4.7：更新粒子速度及位置。
步骤4.8：满足终止条件则迭代终止，输出负荷聚集商收益以及联络线功率波动和电动汽车充电成本；否则继续进行迭代。
请参见图6～图11，其中，图6为改进多目标粒子群算法流程示意图；图7为固定签约策略下参与激励调度电动汽车数量的影响示意图；图8为固定签约场景下负荷聚集商收益示意图；图9为固定签约场景下联络线功率波动示意图；图10为固定签约场景下电动汽车用户总成本示意图；图11为灵活签约策略下激励折扣的影响示意图。
本发明的有益效果在于：利用改进多目标粒子群算法求解负荷聚集商调度策略，负荷聚集商调度策略使负荷聚集商效益以及电动汽车用户成本最优，能通过负荷聚集商分析策略得出更适合的需求响应策略制定结果，从而对电动汽车用户更具吸引力，提高负荷聚合商效益。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种价格与激励需求响应下电动汽车负荷聚集商调度方法，其特征在于，包括：
S1：分别构建对应价格型以及激励型需求响应的电动汽车调度模型，其中，应对价格型的电动汽车调度模型为有序调度模型，应对激励型需求响应的电动汽车调度模型为激励调度模型；
S2：针对激励调度模型，分别建立以负荷聚集商收益最大化、联络线功率最小化的固定签约策略，以及以负荷聚集商收益最大化、联络线功率最小化、电动汽车充电成本最小化为目标的灵活签约策略；
S3：对激励调度模型中参与激励调度的电动汽车数量以及负荷聚集商激励折扣进行优化；
S4：对于参与有序调度的电动汽车的充放电过程，采用有序调度模型进行调度，得到有序调度结果，对于参与激励调度的电动汽车的充放电过程，采用改进多目标粒子群算法求解激励调度模型，得到激励调度结果。
2.如权利要求1所述的方法，其特征在于，S1中的有序调度基于电动汽车用户需求，将电动汽车充电需求转移至到平时段、谷时段。
3.如权利要求1所述的方法，其特征在于，S1中激励调度模型的目标函数为：
F＝min{f1,f2,...}
其中，f1、f2为激励调度模型所优化的目标，通过调度授权电动汽车充放电能够实现单目标、多目标优化；
激励调度模型的约束包括：
(1)参与激励调度电动汽车充放电功率约束：
Pi,t∈{Pch,0,-Pdis},
Figure FDA0002731879810000011
其中，Pi,t为编号为i激励调度电动汽车t时段充电功率；Pch为电动汽车充电功率；Pdis为电动汽车放电功率；
Figure FDA0002731879810000012
为编号为i激励调度电动汽车到达时刻；
Figure FDA0002731879810000013
为编号为i激励调度电动汽车设定离开时刻；
(2)在不可调度时段内，电动汽车充放电功率为0：
Figure FDA0002731879810000014
(3)电动汽车充放电荷电状态等式约束：
SOCi,t＝SOCi,t-1+k·Pi,t·Δt/C
Figure FDA0002731879810000021
其中，SOCi,t为编号为i电动汽车t时段荷电状态；Δt为时段长度；C为电动汽车电池容量；k为充放电系数；ηc为电动汽车充电系数；ηd为电动汽车放电系数；
(4)电动汽车充放电荷电状态上下限约束：
SOCi,min≤SOCi,t≤SOCi,max
其中，SOCi,max、SOCi,min分别为编号为i电动汽车荷电状态上下限。
4.如权利要求1所述的方法，其特征在于，S2中的固定签约策略为负荷聚集商与固定电动汽车用户签订预设时长的协议，在固定协议期限内，均授权负荷聚集商进行激励调度，其中，固定签约策略目标函数为负荷聚集商收益最大以及联络线功率最小；
f1＝max{Iord+Iex-Cb}
Figure FDA0002731879810000022
Figure FDA0002731879810000023
Figure FDA0002731879810000024
Figure FDA0002731879810000025
其中，f1、f2分别为负荷聚集商运行收益最大化及联络线功率波动最小化；Iord为负荷聚集商有序调度服务收益；Iex为负荷聚集商激励调度服务收益；Cb为负荷聚集商向配网购电成本；PEV(t)为负荷聚集商在t时段充电负荷，即负荷聚集商在t时段与配网联络线交互功率；Nex为固定签约策略下参与激励调度电动汽车数量；Nord为参与有序调度电动汽车数量；pr(t)为负荷聚集商在t时段充电服务分时电价；
Figure FDA0002731879810000026
为负荷聚集商对电动汽车的激励折扣；pex为负荷聚集商制定激励价格；
Figure FDA0002731879810000031
为编号为i电动汽车充电需求；pb(t)为负荷聚集商在t时段向配网购电分时电价，即配网出售给负荷聚集商的t时段分时电价；
固定签约策略的约束条件包括：
(1)负荷聚集商功率平衡约束：
Figure FDA0002731879810000032
其中，nord(t)、nex(t)分别为t时段的基于价格的充电需求数量与基于激励的充电需求数量；
(2)联络线功率上下限约束：
Pmin≤PEV(t)≤Pmax
其中，Pmax、Pmin为负荷聚集商所在配网节点功率上下限；
(3)基于激励的充电需求约束：
Pi,t∈{Pch,0,-Pdis},
Figure FDA0002731879810000033
Pi,t＝0,
Figure FDA0002731879810000034
SOCi,t＝SOCi,t-1+k·Pi,t·Δt/C
Figure FDA0002731879810000035
SOCi,min≤SOCi,t≤SOCi,max。
5.如权利要求4所述的方法，其特征在于，步骤S2中的灵活签约策略以电动汽车单次充电为一个周期，负荷聚集商并不固定与电动汽车用户签订协议，而是在电动汽车用户每次充电之前，提供充电方案，由用户选择成本最低的充电策略进行充电，与负荷聚集商签订协议，完成调度；
灵活签约策略包括电动汽车用户的选择过程，具体表示如下：
Figure FDA0002731879810000036
Figure FDA0002731879810000037
Figure FDA0002731879810000038
Figure FDA0002731879810000039
其中，
Figure FDA0002731879810000041
为电动汽车有序调度充电成本；
Figure FDA0002731879810000042
为电动汽车立即充电成本；
Figure FDA0002731879810000043
为电动汽车激励调度充电成本；Ci为电动汽车用户最终选择成本；Cc为电动汽车电池单位容量购买成本；Ra为电动汽车电池循环次数；Di为电动汽车放电深度；
灵活签约策略包括电动汽车充电成本最小、负荷聚集商收益最大以及联络线功率最小的优化目标；
灵活签约策略的约束条件包括负荷聚集商功率平衡约束、联络线功率上下限约束以及基于激励的充电需求约束。
6.如权利要求1所述的方法，其特征在于，S3具体包括：
S3.1：对参与激励调度电动汽车数量对负荷聚集商的效益以及电动汽车充电成本影响进行分析，包括参与激励调度电动汽车数量对固定签约策略下负荷聚集商的影响以及参与激励调度电动汽车数量对灵活签约策略下负荷聚集商的影响；
S3.2：对激励折扣的调整对负荷聚集商效益以及电动汽车用户的充电成本影响进行分析，包括负荷聚集商激励折扣对固定签约策略下负荷聚集商及电动汽车用户的影响以及负荷聚集商激励折扣对灵活签约策略下负荷聚集商及电动汽车用户的影响；
S3.3：根据步骤S3.1与步骤S3.2中的分析结果对激励调度模型中参与激励调度的电动汽车数量以及负荷聚集商激励折扣进行优化。
7.如权利要求3所述的方法，其特征在于，S4中对于参与激励调度的电动汽车的充放电过程，采用改进多目标粒子群算法求解激励调度模型，得到激励调度结果，包括：
S4.1：确定模型中用到的数据，包括电动汽车各项参数，电价数据、电池损耗情况，电动汽车电池单位容量购买成本电动汽车电池循环次数；
S4.2：初始化粒子群，初始化每个参与激励调度电动汽车的充放电功率，设置种群大小为N，迭代次数为K，粒子维数为D，加速度因子为c1、c2，惯性权重w0；
S4.3：将激励调度模型的目标函数f1、f2作为多目标粒子群的适应度函数，激励调度模型的约束条件作为多目标粒子群的约束条件；
S4.4：迭代求出符合要求的非劣解集，其中，非劣解集合为若干参与激励调度电动汽车的充放电过程的调度结果，并对非劣解集进行存储；
S4.5：进行区域选择策略，以一定步长以当代Pareto解为中心进一步搜索，选择其中存在的非支配解的策略；
S4.6：维护Pareto解集；
S4.7：更新粒子速度及位置；
S4.8：满足终止条件则迭代终止，得到激励调度模型的调度结果，并输出负荷聚集商收益以及联络线功率波动和电动汽车充电成本；否则继续进行迭代。
CN202011120575.9A 2020-10-19 2020-10-19 一种价格与激励需求响应下电动汽车负荷聚集商调度方法 Active CN112308386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011120575.9A CN112308386B (zh) 2020-10-19 2020-10-19 一种价格与激励需求响应下电动汽车负荷聚集商调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011120575.9A CN112308386B (zh) 2020-10-19 2020-10-19 一种价格与激励需求响应下电动汽车负荷聚集商调度方法

Publications (2)

Publication Number Publication Date
CN112308386A true CN112308386A (zh) 2021-02-02
CN112308386B CN112308386B (zh) 2024-01-23

Family

ID=74328336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011120575.9A Active CN112308386B (zh) 2020-10-19 2020-10-19 一种价格与激励需求响应下电动汽车负荷聚集商调度方法

Country Status (1)

Country Link
CN (1) CN112308386B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240264A (zh) * 2021-05-10 2021-08-10 成都特来电新能源有限公司 一种电动车的智能调度方法及其系统
CN114425964A (zh) * 2022-02-10 2022-05-03 国网浙江省电力有限公司营销服务中心 一种自主参与需求响应的电动汽车充电桩控制器及方法
CN114493329A (zh) * 2022-02-14 2022-05-13 国网河北省电力有限公司营销服务中心 一种电动汽车的需求响应调控方法及装置
CN114498639A (zh) * 2022-04-15 2022-05-13 国网湖北省电力有限公司经济技术研究院 一种考虑需求响应的多微电网联合互济的日前调度方法
CN114944662A (zh) * 2022-07-25 2022-08-26 东南大学溧阳研究院 基于支持向量聚类的电动汽车集群并网鲁棒优化调度方法
CN115439138A (zh) * 2022-08-03 2022-12-06 广东奔流能源有限公司 一种电动汽车充放电功率优化分配方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
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
CN110443415A (zh) * 2019-07-24 2019-11-12 三峡大学 一种计及动态电价策略的电动汽车充电站多目标优化调度方法
CN110472785A (zh) * 2019-08-08 2019-11-19 西安交通大学 一种基于负荷分类的电动汽车群调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
CN110443415A (zh) * 2019-07-24 2019-11-12 三峡大学 一种计及动态电价策略的电动汽车充电站多目标优化调度方法
CN110472785A (zh) * 2019-08-08 2019-11-19 西安交通大学 一种基于负荷分类的电动汽车群调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宫鑫;苏禹;张小凤;黄相杰;: "计及激励型需求响应的电动汽车聚合商充电优化调度", 现代电力, no. 06 *
蒋东荣;向洪伟;王一雯;贾勇;陈冠霖;王培懿;: "基于主从博弈的负荷聚合商奖励价格制定策略及可控负荷调度研究", 重庆理工大学学报(自然科学), no. 05 *
黄其新;王启明;陆朱卫;王欣;: "基于sigmoid函数激励需求响应模型的电动汽车有序充电控制策略", 电力科学与技术学报, no. 04 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240264A (zh) * 2021-05-10 2021-08-10 成都特来电新能源有限公司 一种电动车的智能调度方法及其系统
CN113240264B (zh) * 2021-05-10 2024-01-05 成都特来电新能源有限公司 一种电动车的智能调度方法及其系统
CN114425964A (zh) * 2022-02-10 2022-05-03 国网浙江省电力有限公司营销服务中心 一种自主参与需求响应的电动汽车充电桩控制器及方法
CN114425964B (zh) * 2022-02-10 2024-03-01 国网浙江省电力有限公司营销服务中心 一种自主参与需求响应的电动汽车充电桩控制器及方法
CN114493329A (zh) * 2022-02-14 2022-05-13 国网河北省电力有限公司营销服务中心 一种电动汽车的需求响应调控方法及装置
CN114493329B (zh) * 2022-02-14 2024-05-10 国网河北省电力有限公司营销服务中心 一种电动汽车的需求响应调控方法及装置
CN114498639A (zh) * 2022-04-15 2022-05-13 国网湖北省电力有限公司经济技术研究院 一种考虑需求响应的多微电网联合互济的日前调度方法
CN114498639B (zh) * 2022-04-15 2022-06-24 国网湖北省电力有限公司经济技术研究院 一种考虑需求响应的多微电网联合互济的日前调度方法
CN114944662A (zh) * 2022-07-25 2022-08-26 东南大学溧阳研究院 基于支持向量聚类的电动汽车集群并网鲁棒优化调度方法
CN115439138A (zh) * 2022-08-03 2022-12-06 广东奔流能源有限公司 一种电动汽车充放电功率优化分配方法及系统

Also Published As

Publication number Publication date
CN112308386B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN112308386A (zh) 一种价格与激励需求响应下电动汽车负荷聚集商调度方法
Moghaddam et al. A coordinated dynamic pricing model for electric vehicle charging stations
CN108596464B (zh) 基于动态非合作博弈的电动汽车与云储能经济调度方法
Debnath et al. Quantifying economic benefits of second life batteries of gridable vehicles in the smart grid
Neyestani et al. Plug-in electric vehicles parking lot equilibria with energy and reserve markets
Ren et al. Optimal scheduling of an EV aggregator for demand response considering triple level benefits of three-parties
Zenginis et al. Analysis and quality of service evaluation of a fast charging station for electric vehicles
Grzanić et al. Electricity cost-sharing in energy communities under dynamic pricing and uncertainty
Ghosh et al. Menu-based pricing for charging of electric vehicles with vehicle-to-grid service
Motalleb et al. A real-time demand response market through a repeated incomplete-information game
Qi et al. Sharing demand-side energy resources-A conceptual design
Moghaddam et al. An online reinforcement learning approach for dynamic pricing of electric vehicle charging stations
CN110516855B (zh) 一种面向负荷聚合商的分布式储能控制权优化调度方法
Tostado-Véliz et al. A two-stage IGDT-stochastic model for optimal scheduling of energy communities with intelligent parking lots
CN110271448A (zh) 充电站的充电调度方法、充电调度系统及充电站
CN115345451A (zh) 一种基于充电站推荐策略的电动汽车充电引导方法
Gerding et al. Online mechanism design for vehicle-to-grid car parks
Lei et al. Grid integration of electric vehicles for optimal marginal revenue of distribution system operator in spot market
CN112507506A (zh) 基于遗传算法的共享汽车定价规划模型的多目标优化方法
Sangoleye et al. Reinforcement learning-based demand response management in smart grid systems with prosumers
Ren et al. Study on optimal V2G pricing strategy under multi-aggregator competition based on game theory
Kim et al. Joint demand response and energy trading for electric vehicles in off-grid system
Lin et al. Deep q-network based energy scheduling in retail energy market
CN116596565A (zh) 一种电动乘用车辅助换电站优化定价方法、装置、介质及设备
Umoren et al. VCG-based auction for incentivized energy trading in electric vehicle enabled microgrids

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