CN112329215A - 含电动汽车换电站的配电网的可靠性评估方法及计算设备 - Google Patents
含电动汽车换电站的配电网的可靠性评估方法及计算设备 Download PDFInfo
- Publication number
- CN112329215A CN112329215A CN202011123915.3A CN202011123915A CN112329215A CN 112329215 A CN112329215 A CN 112329215A CN 202011123915 A CN202011123915 A CN 202011123915A CN 112329215 A CN112329215 A CN 112329215A
- Authority
- CN
- China
- Prior art keywords
- power
- distribution network
- load
- time
- battery
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 134
- 238000011156 evaluation Methods 0.000 title abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000010248 power generation Methods 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 22
- 230000005611 electricity Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 16
- 238000004088 simulation Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 101000588130 Homo sapiens Microsomal triglyceride transfer protein large subunit Proteins 0.000 description 2
- 102100031545 Microsomal triglyceride transfer protein large subunit Human genes 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000007723 transport mechanism Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/40—The network being an on-board power network, i.e. within a vehicle
- H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Power Engineering (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明公开了一种配电网可靠性评估方法,配电网包括电动汽车换电站、外部电网、降压变压器、传输线和负荷节点,该方法在计算设备中执行,包括以下步骤:获取电动汽车用户的行为模式和配电网元件的故障状态序列;根据行为模式和故障状态序列来确定配电网在各时刻的总可用发电容量和总负荷;根据总可用发电容量和总负荷,判断配电网在各时刻是否存在故障,当存在故障时,以失负荷最小为目标求解最优潮流,以决定每个负荷节点的缺供电量;以及根据各时刻的缺供电量来计算配电网的可靠性指标。本发明一并公开了相应的计算设备。
Description
技术领域
本发明涉及电力系统规划技术领域,尤其涉及一种含电动汽车换电站的配电网的可靠性评估方法及计算设备。
背景技术
随着社会经济的飞速发展以及能源环境的压力,电动汽车作为使用清洁能源的一种交通工具,在近年来受到了广泛的关注。对于电力系统而言,电动汽车具有可控负载和电源的双重身份。电动汽车在充电过程中可以看作是用电设备,在放电过程中可以看作是一个负荷侧的储能资源。因此,随着电动汽车数量的不断增长和对充电的需求的增加,电动汽车与电力系统之间的依赖程度逐渐增加。
电动汽车管理和利用方式的不同,使电动汽车既可能给电力系统的运行带来益处,也可能给电力系统带来巨大的挑战。一方面,通过与电网的有效互动,电动汽车电池可以起到削峰填谷的作用,并对配电网络的可靠性产生有益的影响。另一方面,电动汽车的大规模无序充电行为也可能引起“峰上加峰”的现象,增加电网的峰谷差,并影响电网的可靠性。
电动汽车的能源需求可以通过如换电站等不同类型的充电基础设施来满足。与传统的快速充电站不同的是,换电站通过快速换电装置替换汽车原电池,并立即更换另一个满电量的新电池。用户可以在短时间内完成换电过程,并且将已更换的电池留在换电站中以完成充电过程。因此,在换电站模式下,用户可以通过快速更换电池获得所需的电量,而无需长时间停留,更为方便。同时,与传统的充电站模式相比,换电站运营商可以灵活地安排电池充放电计划,深度参与电力市场,实现盈利。对于电网而言,科学地管理换电站负载有利于电网的削峰填谷,减少电动汽车用户随机充电行为对电网有效运行的不利影响,并改善供电可靠性,提高配电系统的经济性。
具有双向充电功能的换电站可以用作备用电源,在紧急情况下通过电动汽车电池提取能量,为电网提供容量支持。这可以降低系统切负荷的可能性,并显著提高配电网的可靠性。为了充分利用电动汽车换电站资源的益处,必须进行定量评估,以计算电动汽车换电站到底能在多大程度上影响未来电力系统的运行,从而有效地评估其对电力系统可靠性的贡献程度。
发明内容
为此,本发明提供一种含电动汽车换电站的配电网的可靠性评估方法及计算设备,以力图解决或至少缓解上面存在的问题。
根据本发明的第一个方面,提供一种配电网可靠性评估方法,配电网包括电动汽车换电站、外部电网、降压变压器、传输线和负荷节点,该方法包括:获取电动汽车用户的行为模式和配电网元件的故障状态序列;根据所述行为模式和所述故障状态序列来确定所述配电网在各时刻的总可用发电容量和总负荷;根据所述总可用发电容量和总负荷,判断所述配电网在各时刻是否存在故障,当存在故障时,以失负荷最小为目标求解最优潮流,以决定每个负荷节点的缺供电量;以及根据各时刻的缺供电量来计算所述配电网的可靠性指标。
可选地,在根据本发明的配电网可靠性评估方法中,行为模式包括访问所述换电站进行电池更换的电动汽车数量的时间序列和每个被更换的空电池的荷电状态;故障状态序列包括外部电网、降压变压器和负荷母线的故障状态的时间序列。
当nk,t为1时,表示电池k可作为电源向配电网供电,当nk,t为0时,表示电池k不可作为电源,分别表示在电池k的第ck个“充电-排队-放电-交换”的循环周期中,充满电的初始时间、被交换的时间、放电终止时间,其中,放电终止时间按照以下公式计算:
其中,Erated为电池的额定功率,ηd表示电池的放电效率。
可选地,在根据本发明的配电网可靠性评估方法中,当总可用发电容量小于总负荷时,判断配电网存在故障。
可选地,在根据本发明的配电网可靠性评估方法中,可靠性指标包括以下至少一种:系统平均停电频率指数、系统平均停电持续时间指数、系统缺供电量期望值、负荷平均停电频率指数、负荷平均停电持续时间指数、负荷缺供电量期望值。
根据本发明的第二个方面,提供一种计算设备,包括:至少一个处理器;和存储有程序指令的存储器,当上述程序指令被处理器读取并执行时,使得计算设备执行上述含电动汽车换电站的配电网的可靠性评估方法。
根据本发明的第三个方面,提供一种存储有程序指令的可读存储介质,当上述程序指令被计算设备读取并执行时,使得该计算设备执行上述含电动汽车换电站的配电网的可靠性评估方法。
本发明提供了一种量化并网电动汽车换电站对配电系统可靠性影响的方法,能够有效评估电动汽车换电站对配电系统可靠性的贡献程度,为智慧城市背景下的换电站规划、配电网络建设提供参考。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的计算设备100的示意图;
图2示出了根据本发明一个实施例的含电动汽车换电站的配电网的可靠性评估方法200的流程图;
图3示出了根据本发明一个实施例的换电站(BSS)基本结构的示意图;
图4示出了根据本发明一个实施例的换电站电池的工作周期的示意图;
图5示出了根据本发明一个实施例的典型日电动汽车(EV)车流量及对应的概率密度函数(PDF)的示意图;
图6示出了根据本发明一个实施例的换电站的可用发电容量(AGC)的计算流程图;
图7示出了根据本发明一个实施例的配电网可靠性评估方法的流程图;
图8示出了根据本发明一个实施例的改进IEEE33节点配电网的结构图;
图9示出了根据本发明一个实施例的典型日负荷因子的变化曲线图;
图10示出了根据本发明一个实施例的一天中可用的发电量和充电负荷的曲线图;
图11示出了根据本发明一个实施例的换电站在有序和无序充电策略下的负荷曲线图;
图12示出了根据本发明一个实施例的不同采样方法得出的收敛曲线图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为对多种综合能源服务方案进行评价和选择,本发明提供一种含电动汽车换电站的配电网的可靠性评估方法,该方法在计算设备中执行。计算设备例如可以是桌面计算机、笔记本计算机等个人配置的计算机,也可以是手机、平板电脑、智能可穿戴设备等移动终端,还可以是工业控制设备、智能音箱、智能门禁等物联网设备,但不限于此。
图1示出了根据本发明一个实施例的计算设备100的示意图。需要说明的是,图1所示的计算设备100仅为一个示例,在实践中,用于实施本发明的含电动汽车换电站的配电网的可靠性评估方法的计算设备可以是任意型号的设备,其硬件配置情况可以与图1所示的计算设备100相同,也可以与图1所示的计算设备100不同。实践中用于实施本发明的含电动汽车换电站的配电网的可靠性评估方法的计算设备可以对图1所示的计算设备100的硬件组件进行增加或删减,本发明对计算设备的具体硬件配置情况不做限制。
如图1所示,在基本的配置102中,计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置,处理器104可以是任何类型的处理,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用,或者在一些实现中,存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置,系统存储器106可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。计算设备中的物理内存通常指的是易失性存储器RAM,磁盘中的数据需要加载至物理内存中才能够被处理器104读取。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中,应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。操作系统120例如可以是Linux、Windows等,其包括用于处理基本系统服务以及执行依赖于硬件的任务的程序指令。应用122包括用于实现各种用户期望的功能的程序指令,应用122例如可以是浏览器、即时通讯软件、软件开发工具(例如集成开发环境IDE、编译器等)等,但不限于此。当应用122被安装到计算设备100中时,可以向操作系统120添加驱动模块。
在计算设备100启动运行时,处理器104会从存储器106中读取操作系统120的程序指令并执行。应用122运行在操作系统120之上,利用操作系统120以及底层硬件提供的接口来实现各种用户期望的功能。当用户启动应用122时,应用122会加载至存储器106中,处理器104从存储器106中读取并执行应用122的程序指令。
计算设备100还可以包括有助于从各种接口设备(例如,输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156,它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160,其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100还包括与总线/接口控制器130相连的存储接口总线134。存储接口总线134与存储设备132相连,存储设备132适于进行数据存储。示例的存储设备132可以包括可移除存储器136(例如CD、DVD、U盘、可移动硬盘等)和不可移除存储器138(例如硬盘驱动器HDD等)。
在根据本发明的计算设备100中,应用122包括用于执行本发明的含电动汽车换电站的配电网的可靠性评估方法200的指令,该指令可以指示处理器104执行本发明的含电动汽车换电站的配电网的可靠性评估方法200,以有效评估电动汽车换电站对配电系统可靠性的贡献程度,为智慧城市背景下的换电站规划、配电网络建设提供参考。
图2示出了根据本发明一个实施例的含电动汽车换电站的配电网的可靠性评估方法200的流程图,方法200在计算设备(例如前述计算设备100)中执行。
为了更便于理解本发明的技术方案,在介绍配电网可靠性评估方法200之前,首先对方法200所涉及到的电动汽车换电站、可用发电容量评估、配电网可靠性模型等方面进行说明。
1.电动汽车换电站(Battery Swapping Station,BSS)
随着电动汽车(Electric Vehicle,EV)的飞速发展和智能电网的普及,采用V2G(Vehicle-to-Grid)技术的EV换电站,作为一种重要的备用电源,在提升配电网可靠性方面受到了广泛的关注。BSS建模是分析其对配电网可靠性影响的重要一步。在对BSS进行建模之前,不失一般性地,做如下假设:
(1)假设所有的电池采用插槽充电,每个电池对应一个插槽。换电过程中电池需要在充电插槽和EV之间不断交换,而充电插槽却是固定的。因此,从BSS的角度来说,对充电插槽进行编号更有意义。因此,某个编号的电池指的是在某一编号的插槽内的电池,而不是电池本身。
(2)本发明的BSS模型采用一小时作为单位时间间隔。在一小时内电池的充放电功率是相同的,而在不同小时内充放电功率是离散的。因为时间尺度是一小时,并且电池的更换只需要几分钟即可完成,所以认为电池更换不需要时间。
1.1.BSS基本结构
不同于EV充电站,BSS的充电目标是电池。EV可以在几分钟之内快速更换空电池,并替换好满电量的电池。更换下来的空电池将会集中充电。这种充电和换电模式可以保证BSS和EV之间很高的换电效率。同时,由于充电行为可以在调度策略的控制下在任何时间进行,提高了BSS的灵活性和经济性。
BSS配备的所有电池可以分为3类,即满电池(Full batteries,FB)、可用电池(available batteries,AB)和半满电池(Half-full batteries,HB)。满电池指的是荷电状态(State of Charge,SOC)为0.95的电池,可用电池是指SOC在0.8到0.95之间的电池,半满电池的SOC在0.8以下,半满电池即为不可用电池。定义t时刻半满电池(即不可用电池)的集合为Ω1,t,满电池和可用电池的集合为Ω2,t。
1.2.换电模型
BSS中的每个电池都具有相同的运行过程,可以称为“交换-充电-排队-放电-交换”循环。当从EV更换电池(即HB)时,它将被放置在充电槽中并根据特定的充电策略进行充电。当电池的SOC达到阈值(在本发明中设置为0.95)时,电池变为FB并进入虚拟等待队列以等待电池交换。队列中的每个电池都将编号,代表电池交换操作的顺序。首先交换编号较小的电池,然后再交换编号较大的电池。进入队列的新电池数量比进入队列的前一个电池数量高一个。每次由于交换电池而导致电池离开队列时,队列中的编号将被动态更新,即每个队列内电池的编号减去1,以使队列中的电池编号为1~n。n是队列中电池的总数,即FB和AB的总数。
如果配电网络发生故障,则BSS可以用作备用储能,将电能回馈给配电网络,以减少缺供电量并提高配电网的可靠性。因此,对于队列中的FB,将执行放电操作,直到达到电动汽车用户可接受的最低SOC(在本发明中设置为0.8)或被交换为止。此过程将FB变为AB,因为这些电池在放电操作后的SOC在0.8到0.95之间。BSS电池的工作周期如图4所示。
1.3.充电策略
BSS的充电行为不仅与电动汽车用户的行为和习惯有关,而且受价格的影响很大。与EV充电站不同,BSS的充电对象是EV电池,这意味着充电时间不受EV用户的到达和停留时间的影响,但可以灵活地安排充电时间和功率。BSS需要从电网购买电力来为电池充电,而当前的电力市场通常使用分时电价(Time of Use,TOU)或峰谷电价。考虑到BSS整体运行的经济性,基于峰谷电价的机制,本发明设计了以下充电策略。核心思想是在电价较低的谷时尽可能多地充电,在电价较高的峰时尽可能降低充电需求。该策略可以表示为:
然而,采用上述充电策略仅能保证BSS运行的经济性,而不能保证BSS在每时每刻都有足够的电池储备,从而保证每个EV用户都可以用满电池替换空电池。为了解决这个问题,本发明引入库存管理理论。将BSS在时刻t可以进行交换的电池(即等待队列中的电池数目亦即已设置的Ω2,t元素的数目)的最小限制定义为预设阈值S0。当可进行交换的电池数量(即FB和AB的数量)小于预设阈值S0时,所有充电插槽均以全功率工作,以对所有HB充电,从而使等待队列中的电池数量达到高于S0的某个值S。其中,(S0,S)被定义为缓冲区,最低限制S0用于确保电池交换服务的正常运行而不会由于缺少可用电池而中断。至此,本发明中的电池充电策略可以表示为:
HB在充电过程中的SOC可以按照下式计算:
其中,SOCk,t表示电池k在时刻t的SOC;ηc和Erated分别为EV电池的充电效率和额定功率;Δt表示单位时间间隔。
2.可用发电容量(Available Generation Capacity,AGC)评估
以下介绍BSS提供的可用发电容量的评估。整个过程可以分为三个部分,即EV用户换电行为建模、BSS运行模拟、V2G可用指标生成和AGC生成。电动汽车用户换电行为建模将在2.1节进行展示。BSS运行模拟框架已在上文中进行了描述,BSS运行模拟旨在获取BSS充电负荷曲线和每个电池的实时SOC,并将在图6中进一步展示;V2G可用指标生成和AGC生成将在2.2节进行介绍。
2.1.EV用户换电行为建模
在BSS运行模拟过程中,应充分考虑和调查电动汽车用户行为的不确定性,否则可能导致AGC计算结果错误。电动汽车用户在不同的时间到达BSS,替换下SOC不同的空电池,换上满电池后离开。因此,到达BSS的EV数量和每次更换的电池的SOC对于BSS运营商来说都是不确定的变量。为了考虑这些不确定性,本发明首先确定两个不确定性变量的概率分布,然后通过采样方法生成到达BSS的车流量和替换后空电池的初始SOC序列。
考虑到清晨到达的EV数量少以及不同时间的车流量不同,很难获得统一形式的概率密度函数(Probability Density Function,PDF)来进行采样。从另一个角度来看,每天到访BSS的平均次数大致是固定的,并且每次访问的时间大致服从某种概率分布。本发明可以采样每次访问的时间,最后汇总单次访问时间的抽样结果以获取BSS车流量的时间序列。在本发明中,采用文献“ZENG B,SUN B,WEI X,et al.Capacity value estimation ofplug-in electric vehicle parking-lots in urban power systems:A physical-social coupling perspective[J].Appl Energy,2020,265”中提供的每个EV的到达时间的PDF作为每次访问发生的PDF。该文献中,假设从0:00到7:00没有访问。但是,考虑到BSS具有全时段服务能力和多样化的用户,而不是单一的本地用户,这种假设便不再适用了。因此,本发明修改了PDF,稍微增加了EV清晨到访的可能性。假设通常一天中有510次访问。本发明对每次访问进行模拟,以获取每次访问的到达时间,并进一步形成了全年的EV车流量。修改后的每次访问到达时间的PDF和某一典型日中相应的EV流量如图5所示。从图5可以看出,大多数EV的换电需求都集中在7:00~20:00的时间段内,清晨的换电需求很小。如后文所述,换电需求的时空差异使得BSS的V2G服务也具有时空差异的特征。
EV用户行为的另一个不确定因素是替换后的空电池的SOC。一般的处理方法是根据本地用户的偏好假设其服从一定的概率分布。本发明采用正态分布,可以描述为:
2.2.BSS可提供的AGC计算
如上文所述,当配电网络出现故障时,BSS可以将FB的额外电力注入电,此过程定义为V2G服务。从这个角度来看,BSS可以看作是备用电源。为了研究通过接入BSS提高配电网可靠性的方法,需要计算AGC,AGC的大小意味着BSS可以在配电网出现故障时向电网注入多少电能。下面描述AGC的计算方法。
每个电池必须重复经历“交换-充电-排队-放电-交换”的循环。假设在第ck个周期中电池k充满电的初始时间是被交换的时间是放点终止时间(即完全释放V2G可用电源的时间)是然后可以通过公式(5)获得电池k在时间t可以进行V2G服务(即可作为电源向配电网供电)的指标变量nk,t:
在计算出每个时刻的nk,t后,每个时刻t的AGC可以通过公式(7)得出:
在介绍了AGC的计算方法和V2G的工作流程之后,整个AGC的评估流程如图6所示。
3.配电网可靠性模型
本发明适用于由外部电网、降压变压器、传输线、BSS和负荷节点(母线)所组成的配电网。通常,配电网还要接入几种类型的分布式电源。为了简化模型,本发明假设整个配电网络通过降压变压器从外部电网获取电能,而不依靠分布式电源。但是,这也意味着一旦外部电网或降压变压器发生故障,唯一的后备电源就是BSS提供的V2G资源。外部电网的可用发电量可以通过公式(8)计算:
对于负荷需求,一方面,当负荷点母线出现故障时,负荷点的实时负荷水平直接决定了缺供电量和故障的严重性;另一方面,负荷点母线的故障频率也会影响配电网的可靠性。在本发明中,使用时间序列来表示系统负荷需求。它采用过去五年的原始住宅负荷数据的平均值,并在每个基于小时的时间段内离散转换。就像和一样,也可以使用简单随机抽样(Simple Random Sampling,SRS)或拉丁超立方采样(Latin HypercubeSampling,LHS)方法通过负荷的平均故障时间(Mean Time to Failure,MTTF)和平均修复时间(Mean Time to Repaired,MTTR)来采样负荷节点母线的故障状态。
基于上述内容,本发明提供一种含电动汽车换电站的配电网的可靠性评估方法200。如图2所示,方法200始于步骤S210。
在步骤S210中,获取电动汽车用户的行为模式和配电网元件的故障状态序列。
EV用户DE的行为模式和配电网元件的故障状态序列例如可以通过对历史数据进行采样而获得。采样方法例如可以是拉丁超立方采样方法(LHS),但不限于此。
根据一种实施例,EV用户的行为模式包括访问换电站进行电池更换的电动汽车数量的时间序列和每个被更换的空电池的荷电状态。配电网元件的故障状态序列包括外部电网、降压变压器和负荷母线的故障状态的时间序列。
在步骤S220中,根据行为模式和故障状态序列来确定配电网在各时刻的总可用发电容量和总负荷。
在步骤S230中,根据总可用发电容量和总负荷,判断配电网在各时刻是否存在故障,当存在故障时,以失负荷最小为目标求解最优潮流,以决定每个负荷节点的缺供电量。
在步骤S240中,根据各时刻的缺供电量来计算配电网的可靠性指标。
根据一种实施例,可靠性指标可以包括以下至少一种:系统平均停电频率指数(System Average Interruption Frequency Index,SAIFI),系统平均停电持续时间指数(System Average Interruption Duration Index,SAIDI),系统缺供电量期望值(SystemExpected Energy Not Supplied,SEENS),负荷平均停电频率指数(Load AverageInterruption Frequency Index,LAIFI),负荷平均停电持续时间指数(Load AverageInterruption Duration Index,LAIDI)和负荷缺供电量期望值(Load Expected EnergyNot Supplied,LEENS)。
具体地,在实践中,可以按照图7所示的流程来评估配电网的可靠性,即模拟计算多个年份的可靠性指标,将每个模拟年的可靠性指标的平均值作为最终的可靠性评估结果。在该过程中,需要判断评估程序是否收敛。例如,可以选择SEENS作为收敛的判断标准。如果则程序收敛。其中σ(·)和E(·)代表样本的标准差和期望值。Ny表示总模拟年数。否则,重复前述步骤S210~S240直到程序收敛。
以下给出本发明的一个具体算例。在该算例中,首先介绍配电网和BSS的基础数据。随后,比较了不含BSS、含BSS但不含V2G、含BSS和V2G三种情况下配电网的可靠性。为了证明合适充电策略的积极作用,还比较了两种BSS充电策略(即本发明提出的策略和恒定功率充电策略)下的可靠性。最后,分析了两种采样方法(基于LHS的序贯模拟和SMCS)对可靠性评估的不同影响。
1、基础数据
本算例对改进的IEEE 33节点配电网络进行了数值仿真分析,其网络结构如图8所示。配电网中约有1200个住宅用户,总负荷峰值为18MW。表1列出了负荷峰值和各负荷点的家庭数。为简单起见,假设所有负荷点有相同的负荷因子(负荷实际值与负荷峰值之比)。典型日负荷因子变化曲线如图9所示。BSS安装在节点30处,最大负荷为2.1MW。整个配电系统由外部电网供电。两台110/10kV降压变压器将电能从电网送入配电网。当外部电网或变压器出现故障时,BSS的V2G电源将用作备用电源。表2列出了外部电网、变压器、负荷节点的MTTP和MTTF。
表1负荷峰值和各负荷下的家庭数
表2外部电网、变压器和负荷节点的MTTP和MTTF
在不失一般性的前提下,假设提供BSS服务的EV具有相同的类型。因此,其更换的电池类型相同。最后选择EU快换版代表全部EV类型。主要原因有两个方面:EU快换版是北汽新能源电动汽车公司的最新速换版。它在中国是最受欢迎的快换版电动汽车,并且其使用比例正在增加。EU快换版具有45kWh的大容量三元锂电池。对于具有V2G功能的BSS,它将在改善配电网可靠性方面具有更好的性能。表3列出了BSS的所有参数。
表3本算例中应用的BSS的参数
2、结果分析
为了比较BSS对配电网络可靠性的影响,本节分析了三种场景:
(1)场景1:配电网络没有BSS,所有电能均由外部电网提供。当电网发生故障时,系统将没有备用电源。
(2)场景2:配电网络配备了BSS,但没有V2G的功能。这等效于增加配电网络的负荷。
(3)场景3:配电网络配备了BSS,并具有V2G的功能。如果电网发生故障,BSS可以用作备用电源,以向配电网络供电。
为了量化BSS对配电网络可靠性的影响,使用SAIFI,SAIDI和SEENS作为系统可靠性指标,并使用LAIFI,LAIDI和LEENS作为负荷点的可靠性指标。根据仿真结果,三种场景下配电网的可靠性指标如表4-表6所示。
表4场景1中系统可靠性指标的计算
表5场景2中系统可靠性指标的计算
表6场景3中系统可靠性指标的计算
从表4-6中,可以看出:
(1)当系统与没有V2G功能的BSS连接时,配电系统的SAIFI、SAIDI、SEENS、LAIFI、LAIDI、LEENS和其他指标将相应增加,其中SAIFI、SAIDI、SEENS将分别增加0.0309次/户-年、0.5896小时/户-年、12.103MWh/年。原因是,仅将BSS连接到配电网络将增加系统负荷值和最大负荷利用率小时,增加由故障引起的负荷损失,并降低系统可靠性。
(2)当系统与具有V2G功能的BSS连接时,电动汽车的电池可以以V2G的形式与配电网交互。根据计算,EV的BSS节点30附近的负荷点29的LEENS从3.9898MWh/年降低到3.3938MWh/年,而LAIDI从5.8540小时/户-年降低到5.0834小时/户-年。可以看出,BSS的接入大大缩短了BSS负荷点附近的LAIDI,并降低了失负荷电量。也就是说,BSS可以用作分布式储能,以在电网发生故障时为重要负荷恢复电力。
图10描绘了一天中的可用发电量PAGC和充电负荷PBSSL曲线。同时,系统的SAIFI,SAIDI和SEENS值从0.6466次/户-年、2.9339小时/户-年、40.8239MWh/年增加到0.6313次/户-年,2.8657小时/户-年,39.8603MWh/年,也就是说,含有V2G的BSS相对提高了配电系统的可靠性。因此,使用大量的V2G技术可以提高能源效率,有助于缓解电网高峰期短缺的矛盾,并提高配电系统的可靠性。
由上可见,不具备V2G功能的BSS将增加配电网的负荷水平。当电网遇到突发事件(线路故障)时,配电网络将遭受更大的缺供电量,这将降低配电网的可靠性。可是,由于具有V2G功能的BSS可以用作备用能源,在紧急情况期间可以将电能反向输送给电网,因此,如果适当使用,将有助于减少电力短缺并提高电网的可靠性。
3、不同充电策略的比较
本节研究了BSS的有序充电和无序充电对配电网可靠性的影响。有序充电即本发明提出的充电策略,其前提是BSS的可用电池容量大于某一限值,并在峰谷电价的作用下灵活调整充电功率。无序充电是指以恒定功率进行充电,对于恒定功率充电情况,只要进行充电,充电功率就是恒定值。在这种情况下,由于充电功率是恒定的,并且不能随电价的变化而动态调整,因此,BSS的总体充电负荷将与EV用户无序的换电需求同时变化,就像EV充电站那样,给配电网带来了严重的负荷峰值。因此,这是一种无序充电策略。表7列出了无序充电策略下配电网的可靠性指标。
从表7中可以看出,BSS在无序充电的作用下,不仅不能提高电网的可靠性,而且会进一步降低可靠性。这是由于电动汽车换电的需求与用户负荷的峰值在时间上重合率很高。因此,这种不受控制的充电方法将进一步增加系统的峰谷差。如果系统电源发生故障,系统通常会承受更大的失负荷功率。有序充电将充电工作尽可能地转移到了晚上,起到了削峰填谷的作用。它等效于合理使用系统负荷谷时。图11显示了一天中有序和无序充电期间BSS的负荷。当发生小规模故障时,与无序充电相比,其可靠性受到的影响较小。可以看出,合理的充电策略对电力系统的可靠性有重要影响。
由上可见,基于峰谷定价方案的充电策略对配电网的削峰填谷有一定积极作用。然而,对于无序充电而言,由于用户负荷高峰与BSS充电负荷的峰值在时间上存在重叠效应,可能带来严重的峰值负荷,加剧峰谷差异,最终影响电网的平稳运行。因此,当电网发生故障时,通常会遭受更大的缺供电量,并且可靠性会进一步降低。
表7无序充电策略下系统可靠性指标的计算
4、抽样方法的性能分析
为了比较基于LHS的序贯模拟和传统SMCS(Sequential Monte CarloSimulation,序贯蒙特卡洛)的效果,本程序使用LHS和SRS来采样每个时段的EV车流量,电池初始SOC和系统故障状态。SMCS是通过随机或伪随机数从概率分布中进行采样的传统技术。其中,SRS被广泛使用。SRS是完全随机的,任何给定的样本都可能落在输入分布范围内的任何位置。LHC涉及输入概率分布的分层,分层将累积曲线划分为相等的累积概率水平区间(0到1.0)。然后从输入分布的每个间隔或“分层”中随机采样。它对每个间隔中的值进行采样,然后对其进行排序,以使每个采样序列之间的相关性最小化。
为了比较两种采样方法之间的差异,本发明列出了使用两种采样方法时样本之间的行相关性。对于电动汽车,行相关性是指一天中不同车辆的到达时间与初始SOC之间的相关性。对于系统元件,它是不同元件的故障状态之间的相关性。从表8可以看出,使用LHS时,样本之间的行相关性非常小。研究证明,较小样本的行相关性将带来更高的准确性。
表8不同采样方式下样本的行相关性
同样,图12绘制了使用不同采样方法时仿真结果的收敛性。从图12可以看出,基于LHS的序贯模拟过程收敛速度比SMCS快,减少了迭代次数,缩短了仿真时间。这是因为在相同的采样时间的情况下,LHS的采样范围更大,并且可以更好地反映随机变量的真实概率分布,从而减小了每次迭代结果之间的差异。结论是,在样本数量相同的前提下,基于LHS的序贯模拟在收敛速度和计算精度上均优于SMCS。
由上可见,作为分层抽样方法,LHS在相同的采样时间下覆盖范围更广,并且样本之间的行相关性较小,因此基于LHS的序贯模拟比SMCS更为准确,并且收敛速度更快。
本发明提出了一种研究具有V2G能力的换电站并网后在提高未来配电网可靠性方面的作用价值的综合评估框架。本发明首先建立了描述电动汽车充电需求的经验模型及可用于换电站运行的可用发电容量评估模型。在此基础上,提出了一种计算并网换电站对配电网可靠性影响的定量计算方法。考虑到电动汽车用户行为的不确定性,可以根据不确定因素的历史真实数据的概率分布,采用拉丁超立方采样获取换电站车流量的时间序列和EV电池的初始荷电状态。本发明的创新点主要体现在以下三个方面:(1)提出了一个全面有效地考虑换电站特点(包括换电站的物理结构,充电策略和换电模式)的评估换电站对配电网可靠性的方法,提出了分析换电站在未来配电网中提高供电可靠性方面潜在价值的方法。(2)明确考虑并建模分析换电站运行过程中电动汽车用户行为的随机性。(3)与传统的序贯蒙特卡洛(Sequential Monte Carlo Simulation,SMCS)相比,本发明采用基于LHS的序贯模拟方法来提高算法的准确性和收敛性。
为了验证本发明所提出方法的有效性,基于一个改进的IEEE 33节点配电网模型进行了数值研究。计算结果表明,在具备V2G功能的情况下,换电站可以在一定程度上提高配电网的可靠性,减少其对配电网的不利影响。需要说明的是,对EV换电站的相关资源应有序管理和合理开发;否则,无序的充电行为可能对配电网可靠性带来不利影响。并且,在相同的采样时间下,基于LHS的序贯模拟方法在精度和收敛速度上都优于传统的SMCS。
作为智能电网组成部分,BSS将在大规模电动汽车入网以及提高配电网可靠性方面发挥越来越重要的作用。基于本发明的含电动汽车换电站的配电网的可靠性评估方法,能够有效评估电动汽车换电站对配电系统可靠性的贡献程度,为智慧城市背景下的换电站规划、配电网络建设提供参考。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的含电动汽车换电站的配电网的可靠性评估方法。
以示例而非限制的方式,可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。
Claims (9)
1.一种配电网可靠性评估方法,在计算设备中执行,所述配电网包括电动汽车换电站、外部电网、降压变压器、传输线和负荷节点,所述方法包括:
获取电动汽车用户的行为模式和配电网元件的故障状态序列;
根据所述行为模式和所述故障状态序列来确定所述配电网在各时刻的总可用发电容量和总负荷;
根据所述总可用发电容量和总负荷,判断所述配电网在各时刻是否存在故障,当存在故障时,以失负荷最小为目标求解最优潮流,以决定每个负荷节点的缺供电量;以及
根据各时刻的缺供电量来计算所述配电网的可靠性指标。
2.如权利要求1所述的方法,其中,
所述行为模式包括访问所述换电站进行电池更换的电动汽车数量的时间序列和每个被更换的空电池的荷电状态;
所述故障状态序列包括外部电网、降压变压器和负荷母线的故障状态的时间序列。
6.如权利要求1所述的方法,其中,当总可用发电容量小于总负荷时,判断配电网存在故障。
7.如权利要求1所述的方法,其中,所述可靠性指标包括以下至少一种:
系统平均停电频率指数、系统平均停电持续时间指数、系统缺供电量期望值、负荷平均停电频率指数、负荷平均停电持续时间指数、负荷缺供电量期望值。
8.一种计算设备,包括:
至少一个处理器;和
存储有程序指令的存储器;
当所述程序指令被所述处理器读取并执行时,使得所述计算设备执行如权利要求1-7中任一项所述的方法。
9.一种存储有程序指令的可读存储介质,当所述程序指令被计算设备读取并执行时,使得所述计算设备执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011123915.3A CN112329215B (zh) | 2020-10-20 | 2020-10-20 | 含电动汽车换电站的配电网的可靠性评估方法及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011123915.3A CN112329215B (zh) | 2020-10-20 | 2020-10-20 | 含电动汽车换电站的配电网的可靠性评估方法及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329215A true CN112329215A (zh) | 2021-02-05 |
CN112329215B CN112329215B (zh) | 2024-02-27 |
Family
ID=74311531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011123915.3A Active CN112329215B (zh) | 2020-10-20 | 2020-10-20 | 含电动汽车换电站的配电网的可靠性评估方法及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329215B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151760A (zh) * | 2023-09-01 | 2023-12-01 | 上海智租物联科技有限公司 | 基于自适应算法的换电服务定价方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130043974A1 (en) * | 2011-08-16 | 2013-02-21 | Elwha LLC, a limited liability company of the State of Delaware | Systematic distillation of status data relating to regimen compliance |
CN104734171A (zh) * | 2015-04-16 | 2015-06-24 | 合肥工业大学 | 一种用于配电网可靠性评估的电动汽车充电站建模方法及其应用 |
CN108470233A (zh) * | 2018-02-01 | 2018-08-31 | 华北电力大学 | 一种智能电网的需求响应能力评估方法和计算设备 |
CN110276135A (zh) * | 2019-06-25 | 2019-09-24 | 华北电力大学 | 一种并网停车场的可用容量确定方法、装置及计算设备 |
CN110851960A (zh) * | 2019-10-21 | 2020-02-28 | 东南大学 | 一种计及天然气网络影响的配电网运行可靠性评估方法 |
-
2020
- 2020-10-20 CN CN202011123915.3A patent/CN112329215B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130043974A1 (en) * | 2011-08-16 | 2013-02-21 | Elwha LLC, a limited liability company of the State of Delaware | Systematic distillation of status data relating to regimen compliance |
CN104734171A (zh) * | 2015-04-16 | 2015-06-24 | 合肥工业大学 | 一种用于配电网可靠性评估的电动汽车充电站建模方法及其应用 |
CN108470233A (zh) * | 2018-02-01 | 2018-08-31 | 华北电力大学 | 一种智能电网的需求响应能力评估方法和计算设备 |
CN110276135A (zh) * | 2019-06-25 | 2019-09-24 | 华北电力大学 | 一种并网停车场的可用容量确定方法、装置及计算设备 |
CN110851960A (zh) * | 2019-10-21 | 2020-02-28 | 东南大学 | 一种计及天然气网络影响的配电网运行可靠性评估方法 |
Non-Patent Citations (4)
Title |
---|
刘文霞;张敏;张建华;曾博;: "电动汽车负荷对配电网可靠性影响的量化分析", 电力系统及其自动化学报, no. 04, pages 5 - 10 * |
向磊;蒋铁铮;徐晟;彭亮;周谢;: "风电场对发输电系统风险评估的影响", 水电与新能源, no. 01, pages 70 - 73 * |
李海娟等: "含电动汽车无线充电的配电网可靠性评估", 电工技术学报, no. 1, pages 253 - 259 * |
白浩;苗世洪;钱甜甜;张丕沛;: "联合发电系统用于含电动汽车的配网可靠性评估研究", 电工技术学报, no. 11, pages 258 - 259 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151760A (zh) * | 2023-09-01 | 2023-12-01 | 上海智租物联科技有限公司 | 基于自适应算法的换电服务定价方法、装置及存储介质 |
CN117151760B (zh) * | 2023-09-01 | 2024-04-26 | 上海智租物联科技有限公司 | 基于自适应算法的换电服务定价方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112329215B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiao et al. | Multi-objective dynamic economic emission dispatch based on electric vehicles and wind power integrated system using differential evolution algorithm | |
Mahoor et al. | Least-cost operation of a battery swapping station with random customer requests | |
Luo et al. | Optimal coordination of plug-in electric vehicles in power grids with cost-benefit analysis—Part I: Enabling techniques | |
Humayd et al. | Distribution system planning to accommodate distributed energy resources and PEVs | |
Zhu et al. | Sharing renewable energy in smart microgrids | |
Amoroso et al. | Advantages of efficiency-aware smart charging strategies for PEVs | |
Alabi et al. | Improved hybrid inexact optimal scheduling of virtual powerplant (VPP) for zero-carbon multi-energy system (ZCMES) incorporating Electric Vehicle (EV) multi-flexible approach | |
Yang et al. | Optimal dispatching strategy for shared battery station of electric vehicle by divisional battery control | |
James et al. | Optimal V2G scheduling of electric vehicles and unit commitment using chemical reaction optimization | |
CN116151486B (zh) | 含储能系统的光伏充电站多时间尺度随机优化方法及装置 | |
Wu et al. | Electric vehicle charging scheduling considering infrastructure constraints | |
Wang et al. | Event-based electric vehicle scheduling considering random user behaviors | |
CN109245155A (zh) | 基于不确定理论的配电网广义电源变电可信容量评估方法 | |
Liu et al. | Optimal configuration for batteries and chargers in battery switch station considering extra waiting time of electric vehicles | |
Tang et al. | Reusing backup batteries as bess for power demand reshaping in 5g and beyond | |
Haque et al. | Stochastic methods for prediction of charging and discharging power of electric vehicles in vehicle‐to‐grid environment | |
CN116811628A (zh) | 一种含电动汽车充电的综合能源系统及有序充电方法 | |
Chun et al. | Unit commitment considering coordinated dispatch of large scale electric vehicles and wind power generation | |
CN112329215B (zh) | 含电动汽车换电站的配电网的可靠性评估方法及计算设备 | |
CN110866647A (zh) | 用户侧储能控制方法、装置、设备及存储介质 | |
Qi et al. | SHIELD: Sustainable hybrid evolutionary learning framework for carbon, wastewater, and energy-aware data center management | |
Khalkhali et al. | Tapping on the aggregate flexibility of heterogeneous load groups for EV fast charge accommodation in urban power distribution networks | |
Rajeev et al. | Demand management of electric vehicle charging based on a cloud computing framework | |
Peng et al. | A cloud–fog based adaptive framework for optimal scheduling of energy hubs | |
Tavares et al. | Distribution network planning using detailed flexibility models for DER |
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 |