CN113077111A - 基于插电混动汽车v2g技术的虚拟电厂优化调度方法 - Google Patents

基于插电混动汽车v2g技术的虚拟电厂优化调度方法 Download PDF

Info

Publication number
CN113077111A
CN113077111A CN202110452467.XA CN202110452467A CN113077111A CN 113077111 A CN113077111 A CN 113077111A CN 202110452467 A CN202110452467 A CN 202110452467A CN 113077111 A CN113077111 A CN 113077111A
Authority
CN
China
Prior art keywords
electric vehicle
power
power plant
plug
hybrid electric
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.)
Pending
Application number
CN202110452467.XA
Other languages
English (en)
Inventor
董浩
刘三明
黄启帆
孙维彬
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.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
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 Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202110452467.XA priority Critical patent/CN113077111A/zh
Publication of CN113077111A publication Critical patent/CN113077111A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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
    • 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
    • G06Q10/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于插电混动汽车V2G技术的虚拟电厂优化调度方法，包括以下步骤：采集虚拟电厂数据；构造虚拟电厂优化调度模型；基于AFSA‑PSO算法求解虚拟电厂优化调度模型，获得废旧电池储能装置、纯电动汽车与插电混动汽车的优化调度功率。上述基于插电混动汽车V2G技术的虚拟电厂优化调度方法，可利用插电混动汽车的发电功能并网发电，降低电网的峰值负荷压力，并作为发电厂的旋转备用，提高了电力系统稳定性，运行成本低，有利于大规模应用。

Description

基于插电混动汽车V2G技术的虚拟电厂优化调度方法
技术领域
本发明涉及虚拟电厂优化调度领域，特别是涉及一种基于插电混动汽车V2G技术的虚拟电厂优化调度方法。
背景技术
随着我国能源转型的不断推进，电力系统对电网的功能、运行方式提出了新的挑战，风能、太阳能等可再生能源具有的随机性、间歇性和波动性特征，给电网带来巨大调峰调频压力。同时，随着我国电动汽车保有量的增加，大量电动汽车的无序充电给电网带来巨大的峰值负荷压力。据统计，每当电动汽车占比增加20％，就会增加接近10％的系统峰值需求。如果考虑系统备用容量等问题，发输配系统就要提升20％的冗余度。
对于可再生能源并网问题，常用的解决方法是建立微电网，它是由分布式电源、储能装置、能量转换装置、相关负荷和监控、保护装置汇集而成的小型发配电系统，是一个能够实现自我控制、保护和管理的自治系统，既可以与外部电网并网运行，也可以孤岛运行。对于平衡电网尖峰负荷问题，可以采用投入分布式电源微型燃气轮机，他除了分布式发电外，还可用于备用电站、热电联产等，无论对中心城市还是远郊农村甚至边远地区均能适用。
但是，对于微电网，其以分布式电源与用户就地应用为主要控制目标，且受到地理区域的限制，对多区域、大规模分布式电源的有效利用及在电力市场中的规模化效益具有一定的局限性。对于微型燃气轮机，在我国尚处于系统研发、产品研制与示范阶段,还需关键技术研发、试验验证与市场认可。面临的主要问题有：系统设计及关键技术有待提高，研制经验不足，基础研究还不充分，系统设计研发能力较薄弱；装备制造基础有待提升，需要继续加强相关材料及工程化基础研究；产业配套能力有待完善。因此，在我国微型燃气轮机发展不成熟，投资成本高。
发明内容
基于此，有必要针对微电网对多区域、大规模分布式电源的有效利用及在电力市场中的规模化效应具有一定的局限性，以及微型燃气轮机发展不成熟、投资成本高的问题，提供一种可缓解分布式电源与大电网之间的矛盾、提高电力系统稳定性、运行成本低，以及有利于大规模应用的基于插电混动汽车V2G技术的虚拟电厂优化调度方法。
一种基于V2G技术的虚拟电厂优化调度方法，包括以下步骤，
采集虚拟电厂数据，所述虚拟电厂数据包括纯电动汽车数量及SOC状态信息、插电混动汽车数量及油耗信息、风力发电出力数据、光伏发电出力数据、废旧电池储能装置SOC状态信息与负荷数据；
构造虚拟电厂优化调度模型，其中，以虚拟电厂中可再生能源消纳最大为目标，以各分布式电源为约束条件，以废旧电池储能装置出力、纯电动汽车出力与插电混动汽车出力为优化对象；
基于AFSA-PSO算法求解所述虚拟电厂优化调度模型，获得废旧电池储能装置、纯电动汽车与插电混动汽车的优化调度功率。
进一步的，所述采集虚拟电厂数据的步骤包括以下步骤，
在一天24小时中，每隔10分钟记为一个时间点，则一天有1440个时间点，在每个时间点利用车载终端获取纯电动汽车SOC状态信息与插电混动汽车的油耗信息，利用车载定位系统获取纯电动汽车与插电混动汽车的地理位置信息，利用充电桩监测系统获取纯电动汽车与插电混动汽车的充电及闲置时间；
利用电网SCADA系统采集风力发电出力数据、光伏发电出力数据、废旧电池储能装置SOC状态信息以及负荷数据；
将采集到的虚拟电产数据通过移动网络传输到虚拟电厂控制中心的后台。
进一步的，所述采集虚拟电厂数据的步骤之后还包括以下步骤，
车主下载国家电网APP，注册账号并填写所拥有的纯电动汽车与插电混动汽车数量及车辆信息；
国家电网调度中心与虚拟电厂控制系统建立网络互联，车主在国家电网APP上读取目前所需的调度量与引导信息，根据引导信息前往充电站放电；
电动汽车车主根据放电或发电量，在国家电网APP上进行收益结算。
进一步的，所述以虚拟电厂中可再生能源消纳最大为目标的步骤包括以下步骤，
建立可再生能源消纳的目标函数：
Figure BDA0003039325520000031
式中，Eope为虚拟电厂中可再生能源消纳量；maxEope为虚拟电厂中可再生能源消纳量的最大值；
Figure BDA0003039325520000032
为t时刻光伏发电功率；
Figure BDA0003039325520000033
为t时刻风力发电功率；Δt为时间间隔时长。
进一步的，所述约束条件包括功率约束、纯电动汽车充放电约束、插电混动汽车出力约束、废旧电池储能装置充放电约束与电量约束，
所述功率约束为：
Figure BDA0003039325520000034
Figure BDA0003039325520000035
Figure BDA0003039325520000036
式中，
Figure BDA0003039325520000037
为t时刻的普通负荷功率；
Figure BDA0003039325520000038
为t时刻充电站负荷功率；
Figure BDA0003039325520000039
为t时刻废旧电池储能装置放电功率；
Figure BDA00030393255200000310
为t时刻第k辆插电混动汽车的发电功率；
Figure BDA00030393255200000311
为t时刻第i辆纯电动汽车的充电功率和放电功率；
Figure BDA00030393255200000312
为充电站容量；ΦHEV为混合动力汽车集合；ΦEV为电动汽车集合；
所述纯电动汽车充放电约束为：
Figure BDA00030393255200000313
Figure BDA00030393255200000314
Figure BDA0003039325520000041
Figure BDA0003039325520000042
Figure BDA0003039325520000043
Figure BDA0003039325520000044
式中，
Figure BDA0003039325520000045
为纯电动汽车最大充电功率；
Figure BDA0003039325520000046
为纯电动汽车最大放电功率；
Figure BDA0003039325520000047
为第i量电动汽车t时刻和t+1时刻的荷电状态；
Figure BDA0003039325520000048
Figure BDA0003039325520000049
为第i辆电动汽车开始充电和结束充电时的荷电状态；
Figure BDA00030393255200000410
Figure BDA00030393255200000411
为第i辆电动汽车开始放电和结束放电时的荷电状态；
Figure BDA00030393255200000412
为第i辆电动汽车蓄电池的容量；
Figure BDA00030393255200000413
为第i辆电动汽车的充放电效率；
所述废旧电池储能装置充放电约束为：
Figure BDA00030393255200000414
Figure BDA00030393255200000415
Figure BDA00030393255200000416
Figure BDA00030393255200000417
式中，
Figure BDA00030393255200000418
为储能装置在t时刻的充电功率和放电功率；
Figure BDA00030393255200000419
为储能装置最大充电功率和最大放电功率；
Figure BDA00030393255200000420
为储能装置在t时刻和t+1时刻的荷电状态；
Figure BDA00030393255200000421
为储能装置的最大容量；λ为储能装置的充放电效率；
所述电量约束为：
Figure BDA00030393255200000422
式中，
Figure BDA00030393255200000423
为虚拟电厂在第t个时刻的售电量；
Figure BDA00030393255200000424
为光伏电站在第t个时刻的售电量；
Figure BDA00030393255200000425
为风电场在第t个时刻的售电量；
Figure BDA00030393255200000426
为纯电动汽车在第t个时刻的售电量；
Figure BDA0003039325520000051
为插电混动汽车在第t个时刻的售电量；
Figure BDA0003039325520000052
为废旧电池储能装置在第t个时刻的售电量。
进一步的，所述基于AFSA-PSO算法求解所述虚拟电厂优化调度模型的步骤包括以下步骤，
算法初始化；
产生符合条件的初始粒子；
根据AFSA-PSO算法求最优解。
进一步的，所述初始化算法的步骤包括，
设置种群规模，粒子维度，AFSA算法的迭代次数，PSO算法的迭代次数，感知范围，移动步长，拥挤度因子，觅食尝试次数，学习因子，最大惯性权值，最小惯性权值，最大速度和最小速度。
进一步的，所述产生符合条件的初始粒子的步骤包括以下步骤，
随机产生种群规模为N，粒子维数D＝5760的粒子x，其中，1～1440维表示储能装置的充放电功率，1441～2880维表示纯电动汽车的放电功率，2881～4320维表示插电混动汽车的调度功率，4321～5760维表示虚拟电厂与大电网的交互功率。
进一步的，所述根据AFSA-PSO算法求最优解步骤包括以下步骤，
利用AFSA算法对所有粒子的初始值进行优化；
将优化后的粒子作为粒子的初始值代入PSO算法；
获得废旧电池储能装置、纯电动汽车、混合动力汽车与大电网一天24h的优化调度功率。
上述基于插电混动汽车V2G技术的虚拟电厂优化调度方法，可利用插电混动汽车的发电功能并网发电，降低电网的峰值负荷压力，并作为发电厂的旋转备用，在负荷低谷时给电动汽车充电，在负荷高峰期利用V2G技术将电动汽车余电上网，达到转移负荷的目的。同时，利用插电混动汽车的发电功能代替微型燃气轮机，在负荷高峰期利用其发电并网，平时则作为旋转备用，达到降低电力系统对备用容量的投资和平衡电网尖峰负荷、增加虚拟电厂出力的目的。将纯电动汽车、插电混动汽车与风力发电、光伏发电、废旧电池储能装置及可控负荷协调控制，从而缓解分布式电源与大电网之间的矛盾，提高了电力系统的稳定性和可再生能源的消纳能力，降低了市场运行成本，有利于大规模应用。另外，利用V2G技术，不仅可以使纯电动汽车余电上网、转移负荷，还可以使插电混动汽车并网发电，节省对微型燃气轮机和系统备用容量的投资。
附图说明
图1为一个实施例的基于插电混动汽车V2G技术的虚拟电厂优化调度方法的流程图；
图2为虚拟电厂控制结构图；
图3为插电混动汽车V2G模式结构图。
具体实施方式
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、完整地说明，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。
如图1与图2所示，在一个实施例中，一种基于插电混动汽车V2G技术的虚拟电厂优化调度方法，包括以下步骤，
步骤S110，采集虚拟电厂数据。虚拟电厂数据包括纯电动汽车数量及SOC(StateOf Charge，荷电状态)状态信息、插电混动汽车数量及油耗信息、风力发电出力数据、光伏发电出力数据、废旧电池储能装置SOC状态信息与负荷数据。负荷数据包括可控负荷和不可控负荷。V2G(Vehicle to Grid，车辆到电网)描述了电动汽车与电网的关系。本实施例的电动汽车包括纯电动汽车与插电混动汽车。当电动汽车不使用时，车载电池的电能销售给大电网。如果车载电池需要充电，电能则由大电网流向车辆。参见图3，插电混动汽车可由内燃机或动力电池加驱动电机提供动力。在中低速行驶时，由动力电池通过驱动电机，为车辆提供动力。在高速行驶时，则由内燃机直接驱动车辆行驶。当电池组电量耗尽，可由内燃机驱动发电机为动力电池充电，也可以由充电站为动力电池充电。而V2G模式则是由内燃机驱动发电机发电，再经过充电站将电能输出到电网。采集虚拟电厂数据后，虚拟电厂控制系统对原始数据进行数据处理，可以得到每日的可控负荷的负荷功率预测与分布式电源的发电功率预测。分布式电源包括纯电动汽车、插电混动汽车、风力发电、光伏发电与废旧电池储能装置。
步骤S120，构造虚拟电厂优化调度模型。其中，以虚拟电厂中可再生能源消纳最大为目标，以各分布式电源为约束条件，以废旧电池储能装置出力、纯电动汽车出力与插电混动汽车出力为优化对象。本实施例中，可再生能源包括风能与太阳能。分布式电源包括纯电动汽车、插电混动汽车、风力发电、光伏发电与废旧电池储能装置。
步骤S130，基于AFSA-PSO算法求解所述虚拟电厂优化调度模型，获得废旧电池储能装置、纯电动汽车与插电混动汽车的优化调度功率。所谓AFSA-PSO算法简单的说就是先运行AFSA(Artificial Fish Swarm Algorithm，鱼群算法)算法，然后把结果作为PSO(Particle Swarm Optimization，粒子群算法)算法的初值继续运算，最终得到最优解。
上述基于V2G技术的虚拟电厂优化调度方法，可利用插电混动汽车的发电功能并网发电，降低电网的峰值负荷压力，并作为发电厂的旋转备用。在负荷低谷时给电动汽车充电，在负荷高峰期利用V2G技术将电动汽车余电上网，达到转移负荷的目的。同时，利用插电混动汽车的发电功能代替微型燃气轮机，在负荷高峰期利用其发电并网，平时则作为旋转备用，达到降低电力系统对备用容量的投资和平衡电网尖峰负荷、增加虚拟电厂出力的目的。将纯电动汽车、插电混动汽车与风力发电、光伏发电、废旧电池储能装置及可控负荷协调控制，从而缓解分布式电源与大电网之间的矛盾，提高了电力系统的稳定性和可再生能源的消纳能力，降低了市场运行成本，有利于大规模应用。另外，利用V2G技术，不仅可以使纯电动汽车余电上网、转移负荷，还可以使插电混动汽车并网发电，节省对微型燃气轮机和系统备用容量的投资。
在本实施例中，步骤S110，采集虚拟电厂数据的步骤包括以下步骤：
在一天24小时中，每隔10分钟记为一个时间点，则一天有1440个时间点，在每个时间点利用车载终端获取纯电动汽车SOC状态信息与插电混动汽车的油耗信息，利用车载定位系统获取纯电动汽车与插电混动汽车的地理位置信息，利用充电桩监测系统获取纯电动汽车与插电混动汽车的充电及闲置时间。
利用电网SCADA系统采集风力发电出力数据、光伏发电出力数据、废旧电池储能装置SOC状态信息以及负荷数据。
将采集到的虚拟电产数据通过移动网络传输到虚拟电厂控制中心的后台。
车主下载国家电网APP，注册账号并填写所拥有的纯电动汽车与插电混动汽车数量及车辆信息。
国家电网调度中心与虚拟电厂控制系统建立网络互联，车主在国家电网APP上读取目前所需的调度量与引导信息，根据引导信息前往充电站放电。
电动汽车车主根据放电或发电量，在国家电网APP上进行收益结算。虚拟电厂控制系统根据纯电动汽车放电量、插电混动汽车放电量与发电量及可控负荷响应情况进行收益结算和评估奖励。
在本实施例中，步骤120中以虚拟电厂中可再生能源消纳最大为目标的步骤包括以下步骤：
建立可再生能源消纳的目标函数：
Figure BDA0003039325520000081
式中，Eope为虚拟电厂中可再生能源消纳量；maxEope为虚拟电厂中可再生能源消纳量的最大值；
Figure BDA0003039325520000082
为t时刻光伏发电功率；
Figure BDA0003039325520000083
为t时刻风力发电功率；Δt为时间间隔时长。
约束条件包括功率约束、纯电动汽车充放电约束、插电混动汽车出力约束、废旧电池储能装置充放电约束与电量约束。
所述功率约束为：
Figure BDA0003039325520000091
Figure BDA0003039325520000092
Figure BDA0003039325520000093
式中，
Figure BDA0003039325520000094
为t时刻的普通负荷功率；
Figure BDA0003039325520000095
为t时刻充电站负荷功率；
Figure BDA0003039325520000096
为t时刻废旧电池储能装置放电功率；
Figure BDA0003039325520000097
为t时刻第k辆插电混动汽车的发电功率；
Figure BDA0003039325520000098
为t时刻第i辆纯电动汽车的充电功率和放电功率；
Figure BDA0003039325520000099
为充电站容量；ΦHEV为混合动力汽车集合；ΦEV为电动汽车集合。
纯电动汽车充放电约束为：
Figure BDA00030393255200000910
Figure BDA00030393255200000911
Figure BDA00030393255200000912
Figure BDA00030393255200000913
Figure BDA00030393255200000914
Figure BDA00030393255200000915
式中，
Figure BDA00030393255200000916
为纯电动汽车最大充电功率；
Figure BDA00030393255200000917
为纯电动汽车最大放电功率；
Figure BDA00030393255200000918
为第i量电动汽车t时刻和t+1时刻的荷电状态；
Figure BDA00030393255200000919
Figure BDA00030393255200000920
为第i辆电动汽车开始充电和结束充电时的荷电状态；
Figure BDA00030393255200000921
Figure BDA00030393255200000922
为第i辆电动汽车开始放电和结束放电时的荷电状态；
Figure BDA00030393255200000923
为第i辆电动汽车蓄电池的容量；
Figure BDA0003039325520000101
为第i辆电动汽车的充放电效率。
废旧电池储能装置充放电约束为：
Figure BDA0003039325520000102
Figure BDA0003039325520000103
Figure BDA0003039325520000104
Figure BDA0003039325520000105
式中，
Figure BDA0003039325520000106
为储能装置在t时刻的充电功率和放电功率；
Figure BDA0003039325520000107
为储能装置最大充电功率和最大放电功率；
Figure BDA0003039325520000108
为储能装置在t时刻和t+1时刻的荷电状态；
Figure BDA0003039325520000109
为储能装置的最大容量；λ为储能装置的充放电效率。
电量约束为：
Figure BDA00030393255200001010
式中，
Figure BDA00030393255200001011
为虚拟电厂在第t个时刻的售电量；
Figure BDA00030393255200001012
为光伏电站在第t个时刻的售电量；
Figure BDA00030393255200001013
为风电场在第t个时刻的售电量；
Figure BDA00030393255200001014
为纯电动汽车在第t个时刻的售电量；
Figure BDA00030393255200001015
为插电混动汽车在第t个时刻的售电量；
Figure BDA00030393255200001016
为废旧电池储能装置在第t个时刻的售电量。
在本实施例中，步骤130，基于AFSA-PSO算法求解所述虚拟电厂优化调度模型。虚拟电厂优化调度问题属于典型的高维度、多目标、非线性优化问题，要求优化算法能够快速并且准确地搜索到全局最优解。PSO算法对复杂非线性问题具有较强的寻优能力，但在优化过程中受初始值影响较大，容易陷入局部极值。针对PSO算法的缺点，将AFSA算法中的聚群思想和PSO算法混合，弥补PSO算法局部收敛能力差的缺陷。用AFSA-PSO算法求解虚拟电厂优化调度步骤如下：
算法初始化。
设置种群规模N，粒子维度D，AFSA算法的迭代次数maxgen1，PSO算法的迭代次数maxgen2，感知范围visual，移动步长step，拥挤度因子δ，觅食尝试次数trynumber,学习因子C1、C2，最大惯性权值ωmax、最小惯性权值ωmin，最大速度vmax和最小速度vmin。
产生符合条件的初始粒子。
随机产生种群规模为N，粒子维数D＝5760的粒子，其中，1～1440维表示储能装置的充放电功率，1441～2880维表示纯电动汽车的放电功率，2881～4320维表示混合动力汽车的调度功率，4321～5760维表示虚拟电厂与大电网的交互功率。
根据AFSA-PSO算法求最优解。
1)AFSA对所有粒子的初始值进行优化。令AFSA算法的迭代次数u＝1,当u＜maxgen1时执行以下循环。
a)假设粒子的种群规模为N，每个粒子在D维空间中的坐标位置可以表示为：xj(t)＝(x1，x2，…，xi，…，xD)，粒子当前所在位置的食物浓度Y＝f(x)，其中Y为目标函数。根据式(18)求取所有粒子处的食物浓度Y1，Y2，…，Yj，YN。
Figure BDA0003039325520000111
对xu(j,：)执行聚群行为和追尾行为，根据式(19)和式(20)计算聚群行为和追尾行为之后的xu(j,：)。
Figure BDA0003039325520000112
Figure BDA0003039325520000113
所谓聚群行为，即计算粒子xj在其感知范围visual内所有伙伴的数目nf和伙伴中心位置xc，若满足Ycnf＜δYj，表明伙伴中心有较多的食物且不太拥挤，朝伙伴中心的位置移动一步，否则根据式(21)执行觅食行为。
所谓追尾行为，即粒子xj在其感知范围visual内所有伙伴中找到食物浓度最优Ybest的一个伙伴xbest，若满足
Figure BDA0003039325520000121
表明最优伙伴的周围不太拥挤，朝最优伙伴移动一步，否则根据式(21)执行觅食行为。
Figure BDA0003039325520000122
所谓觅食行为，即粒子xj在其感知范围visual内随机选择一个状态xs，分别计算两者所在位置的食物浓度，若Ys比Yj更优，则xj向xs的方向移动一步，否则，粒子继续在其视野范围visual内随机选择另一个状态xh，反复尝试trynumber后若仍不满足移动条件，则根据式(22)执行随机行为。
xj(t+1)＝xj(t)+rand×visual (22)
所谓随机行为，即粒子在其感知范围visual内随机移动，式中rand为一个D维的随机向量。
其中，xj(t)为第j个粒子在t时刻的位置；xj(t+1)为第j个粒子在t+1时刻的位置；rand为一个D维的随机向量；step为粒子的移动步长；xc(t)为粒子xj(t)在其感知范围visual内所有伙伴中心位置；xbest(t)为粒子xj(t)在其感知范围visual内所有伙伴中找到食物浓度最优Ybest的一个伙伴。
根据式(18)重新计算更新后粒子位置的食物浓度Yu1，Yu2，…，Yuj，YuN，取食物浓度最优的行为前进一步。
b)u＝u+1，将单个粒子经历过的最好位置记为个体最优位置xbest(j,：)，将个体最优位置的食物浓度记为个体极值pbest，将所有粒子经历过的最好位置记为全局最优位置xbest(bestindex,：)，将全局最优位置的食物浓度记为全局极值gbest。
2)将1)中迭代后的粒子xbest(j,：)作为粒子的初始值代入下述PSO算法。
3)令PSO算法的迭代次数k＝0，当k＜maxgen2时执行以下循环：
a)根据式(21)对惯性权重ω进行更新。
Figure BDA0003039325520000131
根据式(22)和式(23)对每个粒子xbest(j,：)的速度和位置进行更新。
vj(t+1)＝ωvj(t)+C1Φ1[pbest-xj(t)]+C2Φ2[gvest-xj(t)] (22)
xj(t+1)＝xj(t)+vj(t+1) (23)
更新后的粒子为xkbest(j,：)。
其中，vj(t)和vj(t+1)为第j个粒子在t时刻和t+1时刻的速度；ω为惯性权重；C1和C2为学习因子；Φ1和Φ2为(0，1)区间内的两个随机正数；pbest为每个粒子自身经历过的最佳位置；gbest种群中的最好位置；xj(t)和xj(t+1)为第j个粒子在t时刻和t+1时刻的位置。
b)将单个粒子经历过的最好位置替换原个体最优位置xbest(j,：)，将个体最优位置的食物浓度替换原个体极值pbest，将所有粒子经历过的最好位置替换原全局最优位置xbest(bestindex,：)，将全局最优位置的食物浓度替换原全局极值gbest。
c)k＝k+1。
输出xbest(bestindex,1∶1440)、xbest(bestindex,1441∶2880)、xbest(bestindex,2881∶4320)、xbest(bestindex,4321∶5760)分别为储能装置、纯电动汽车、混合动力汽车、大电网一天24h的优化调度功率。
上述基于V2G技术的虚拟电厂优化调度方法，利用插电混动汽车的发电功能，代替微型燃气轮机接入电网，节省了对微型燃气轮机设备的投资。同时也可以作为电力系统的旋转备用，节省对系统备用容量的投资，降低发输配系统冗余度。利用虚拟电厂的控制方式，整合可控范围内所有分布式电源及负荷，协调控制大量电动汽车在负荷高峰期将剩余电量通过V2G技术输送到电网，在夜间负荷低谷期再进行充电。这样不仅可以转移负荷，减小负荷峰谷差，也可以弥补虚拟电厂中可再生能源波动性大的缺点，有利于用户侧及电网的经济运行。
另外，我国清洁电力生产比重大幅提高，规模以上工业水电、核电、风电、太阳能发电等一次电力生产占全部发电量比重为28.8％，这使得大规模可再生能源并网成为不得不考虑的实际问题。风能、太阳能等可再生能源，都具有随机性、间歇性、波动性特征，给电网带来巨大调峰调频压力。又随着新型能源技术发展和与数字技术的融合，电网将接入数以千计、甚至万计的各类电源和大量的新型交互式用能设备，许多并网主体兼具生产者与消费者双重身份，电网运行的复杂性、不确定性显著增加。
而本发明所提出的基于V2G技术的虚拟电厂优化调度方法，正迎合了当前市场需要。该方法将大规模纯电动汽车和插电混动汽车利用V2G技术并入电网，再通过虚拟电厂的控制方式将其与各分布式电源、可控负荷协调控制，达到平抑电网负荷以及最大化可再生能源消纳的目的。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于插电混动汽车V2G技术的虚拟电厂优化调度方法，其特征在于，包括以下步骤，
采集虚拟电厂数据，所述虚拟电厂数据包括纯电动汽车数量及SOC状态信息、插电混动汽车数量及油耗信息、风力发电出力数据、光伏发电出力数据、废旧电池储能装置SOC状态信息与负荷数据；
构造虚拟电厂优化调度模型，其中，以虚拟电厂中可再生能源消纳最大为目标，以各分布式电源为约束条件，以废旧电池储能装置出力、纯电动汽车出力与插电混动汽车出力为优化对象；
基于AFSA-PSO算法求解所述虚拟电厂优化调度模型，获得废旧电池储能装置、纯电动汽车与插电混动汽车的优化调度功率。
2.根据权利要求1所述的基于插电混动汽车V2G技术的虚拟电厂优化调度方法，其特征在于，所述采集虚拟电厂数据的步骤包括以下步骤，
在一天24小时中，每隔10分钟记为一个时间点，则一天有1440个时间点，在每个时间点利用车载终端获取纯电动汽车SOC状态信息与插电混动汽车的油耗信息，利用车载定位系统获取纯电动汽车与插电混动汽车的地理位置信息，利用充电桩监测系统获取纯电动汽车与插电混动汽车的充电及闲置时间；
利用电网SCADA系统采集风力发电出力数据、光伏发电出力数据、废旧电池储能装置SOC状态信息以及负荷数据；
将采集到的虚拟电厂数据通过移动网络传输到虚拟电厂控制中心的后台。
3.根据权利要求2所述的基于插电混动汽车V2G技术的虚拟电厂优化调度方法，其特征在于，所述采集虚拟电厂数据的步骤之后还包括以下步骤，
车主下载国家电网APP，注册账号并填写所拥有的纯电动汽车与插电混动汽车数量及车辆信息；
国家电网调度中心与虚拟电厂控制系统建立网络互联，车主在国家电网APP上读取目前所需的调度量与引导信息，根据引导信息前往充电站放电；
电动汽车车主根据放电或发电量，在国家电网APP上进行收益结算。
4.根据权利要求1所述的基于插电混动汽车V2G技术的虚拟电厂优化调度方法，其特征在于，所述以虚拟电厂中可再生能源消纳最大为目标的步骤包括以下步骤，
建立可再生能源消纳的目标函数：
Figure FDA0003039325510000021
式中，Eope为虚拟电厂中可再生能源消纳量；maxEope为虚拟电厂中可再生能源消纳量的最大值；
Figure FDA0003039325510000022
为t时刻光伏发电功率；
Figure FDA0003039325510000023
为t时刻风力发电功率；Δt为时间间隔时长。
5.根据权利要求4所述的基于插电混动汽车V2G技术的虚拟电厂优化调度方法，其特征在于，所述约束条件包括功率约束、纯电动汽车充放电约束、插电混动汽车出力约束、废旧电池储能装置充放电约束与电量约束，
所述功率约束为：
Figure FDA0003039325510000024
Figure FDA0003039325510000025
Figure FDA0003039325510000026
式中，
Figure FDA0003039325510000027
为t时刻的普通负荷功率；
Figure FDA0003039325510000028
为t时刻充电站负荷功率；
Figure FDA0003039325510000029
为t时刻废旧电池储能装置放电功率；
Figure FDA00030393255100000210
为t时刻第k辆插电混动汽车的发电功率；
Figure FDA00030393255100000211
为t时刻第i辆纯电动汽车的充电功率和放电功率；
Figure FDA00030393255100000212
为充电站容量；ΦHEV为混合动力汽车集合；ΦEV为电动汽车集合；
所述纯电动汽车充放电约束为：
Figure FDA00030393255100000213
Figure FDA00030393255100000214
Figure FDA00030393255100000215
Figure FDA0003039325510000031
Figure FDA0003039325510000032
Figure FDA0003039325510000033
式中，
Figure FDA0003039325510000034
为纯电动汽车最大充电功率；
Figure FDA0003039325510000035
为纯电动汽车最大放电功率；
Figure FDA0003039325510000036
为第i量电动汽车t时刻和t+1时刻的荷电状态；
Figure FDA0003039325510000037
Figure FDA0003039325510000038
为第i辆电动汽车开始充电和结束充电时的荷电状态；
Figure FDA0003039325510000039
Figure FDA00030393255100000310
为第i辆电动汽车开始放电和结束放电时的荷电状态；
Figure FDA00030393255100000311
为第i辆电动汽车蓄电池的容量；
Figure FDA00030393255100000312
为第i辆电动汽车的充放电效率；
所述废旧电池储能装置充放电约束为：
Figure FDA00030393255100000313
Figure FDA00030393255100000314
Figure FDA00030393255100000315
Figure FDA00030393255100000316
式中，
Figure FDA00030393255100000317
为储能装置在t时刻的充电功率和放电功率；
Figure FDA00030393255100000318
为储能装置最大充电功率和最大放电功率；
Figure FDA00030393255100000319
为储能装置在t时刻和t+1时刻的荷电状态；
Figure FDA00030393255100000320
为储能装置的最大容量；λ为储能装置的充放电效率；
所述电量约束为：
Figure FDA00030393255100000321
式中，
Figure FDA00030393255100000322
为虚拟电厂在第t个时刻的售电量；
Figure FDA00030393255100000323
为光伏电站在第t个时刻的售电量；
Figure FDA00030393255100000324
为风电场在第t个时刻的售电量；
Figure FDA00030393255100000325
为纯电动汽车在第t个时刻的售电量；
Figure FDA00030393255100000326
为插电混动汽车在第t个时刻的售电量；
Figure FDA00030393255100000327
为废旧电池储能装置在第t个时刻的售电量。
6.根据权利要求1所述的基于插电混动汽车V2G技术的虚拟电厂优化调度方法，其特征在于，所述基于AFSA-PSO算法求解所述虚拟电厂优化调度模型的步骤包括以下步骤，
算法初始化；
产生符合条件的初始粒子；
根据AFSA-PSO算法求最优解。
7.根据权利要求6所述的基于插电混动汽车V2G技术的虚拟电厂优化调度方法，其特征在于，所述初始化算法的步骤包括，
设置种群规模，粒子维度，AFSA算法的迭代次数，PSO算法的送代次数，感知范围，移动步长，拥挤度因子，觅食尝试次数，学习因子，最大惯性权值，最小惯性权值，最大速度和最小速度。
8.根据权利要求7所述的基于插电混动汽车V2G技术的虚拟电厂优化调度方法，其特征在于，所述产生符合条件的初始粒子的步骤包括以下步骤，
随机产生种群规模为N，粒子维数D＝5760的粒子x，其中，1～1440维表示储能装置的充放电功率，1441～2880维表示纯电动汽车的放电功率，2881～4320维表示插电混动汽车的调度功率，4321～5760维表示虚拟电厂与大电网的交互功率。
9.根据权利要求8所述的基于插电混动汽车V2G技术的虚拟电厂优化调度方法，其特征在于，所述根据AFSA-PSO算法求最优解步骤包括以下步骤，
利用AFSA算法对所有粒子的初始值进行优化；
将优化后的粒子作为粒子的初始值代入PSO算法；
获得废旧电池储能装置、纯电动汽车、混合动力汽车与大电网一天24h的优化调度功率。
CN202110452467.XA 2021-04-26 2021-04-26 基于插电混动汽车v2g技术的虚拟电厂优化调度方法 Pending CN113077111A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110452467.XA CN113077111A (zh) 2021-04-26 2021-04-26 基于插电混动汽车v2g技术的虚拟电厂优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110452467.XA CN113077111A (zh) 2021-04-26 2021-04-26 基于插电混动汽车v2g技术的虚拟电厂优化调度方法

Publications (1)

Publication Number Publication Date
CN113077111A true CN113077111A (zh) 2021-07-06

Family

ID=76618757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110452467.XA Pending CN113077111A (zh) 2021-04-26 2021-04-26 基于插电混动汽车v2g技术的虚拟电厂优化调度方法

Country Status (1)

Country Link
CN (1) CN113077111A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779883A (zh) * 2021-09-14 2021-12-10 沈阳工程学院 一种基于变异人工鱼群的风电储能系统充放电过程优化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824134A (zh) * 2014-03-06 2014-05-28 河海大学 一种用于虚拟电厂的两阶段优化调度方法
CN106300336A (zh) * 2016-07-22 2017-01-04 华北电力大学 一种计及负荷侧和电源侧的虚拟电厂多目标优化调度方法
CN109523052A (zh) * 2018-09-18 2019-03-26 国网浙江省电力有限公司经济技术研究院 一种考虑需求响应和碳交易的虚拟电厂优化调度方法
CN110027440A (zh) * 2019-03-29 2019-07-19 上海电机学院 一种基于v2g技术负荷高峰期的分层调度方法
CN111340274A (zh) * 2020-02-17 2020-06-26 国网冀北电力有限公司 一种基于虚拟电厂参与的综合能源系统优化方法和系统
CN111832217A (zh) * 2020-06-04 2020-10-27 华北电力大学 一种考虑风电消纳的虚拟电厂优化运行方法
CN112186809A (zh) * 2020-09-01 2021-01-05 国网电力科学研究院有限公司 基于电动汽车v2g模式的虚拟电厂优化协同调度方法
CN112308334A (zh) * 2020-11-12 2021-02-02 国网江苏省电力有限公司南京供电分公司 一种基于主从合作博弈的多虚拟电厂联合优化调度方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824134A (zh) * 2014-03-06 2014-05-28 河海大学 一种用于虚拟电厂的两阶段优化调度方法
CN106300336A (zh) * 2016-07-22 2017-01-04 华北电力大学 一种计及负荷侧和电源侧的虚拟电厂多目标优化调度方法
CN109523052A (zh) * 2018-09-18 2019-03-26 国网浙江省电力有限公司经济技术研究院 一种考虑需求响应和碳交易的虚拟电厂优化调度方法
CN110027440A (zh) * 2019-03-29 2019-07-19 上海电机学院 一种基于v2g技术负荷高峰期的分层调度方法
CN111340274A (zh) * 2020-02-17 2020-06-26 国网冀北电力有限公司 一种基于虚拟电厂参与的综合能源系统优化方法和系统
CN111832217A (zh) * 2020-06-04 2020-10-27 华北电力大学 一种考虑风电消纳的虚拟电厂优化运行方法
CN112186809A (zh) * 2020-09-01 2021-01-05 国网电力科学研究院有限公司 基于电动汽车v2g模式的虚拟电厂优化协同调度方法
CN112308334A (zh) * 2020-11-12 2021-02-02 国网江苏省电力有限公司南京供电分公司 一种基于主从合作博弈的多虚拟电厂联合优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YONG WANG等: "Bug Patterns Localization Based on Topic Model for Bugs in Program Loop", 《2018 IEEE INTERNATIONAL CONFERENCE ON SOFTWARE QUALITY, RELIABILITY AND SECURITY COMPANION》 *
牛壮壮: "基于能源路由 器的多区域虚拟电厂优化调度", 《电测与仪表》 *
王佳: "基于混合PSO算法的孤岛运行微电网优化调度研究", 《自动化与仪表》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779883A (zh) * 2021-09-14 2021-12-10 沈阳工程学院 一种基于变异人工鱼群的风电储能系统充放电过程优化方法
CN113779883B (zh) * 2021-09-14 2023-06-09 沈阳工程学院 一种基于变异人工鱼群的风电储能系统充放电过程优化方法

Similar Documents

Publication Publication Date Title
Jiang et al. Multi-objective optimal dispatching of microgrid with large-scale electric vehicles
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN109687444A (zh) 一种微电网电源多目标双层优化配置方法
CN109473976B (zh) 一种冷热电联供型微网能量调度方法及系统
Li et al. An energy efficient solution: Integrating plug-in hybrid electric vehicle in smart grid with renewable energy
CN109050284B (zh) 一种考虑v2g的电动汽车充放电电价优化方法
CN112186809A (zh) 基于电动汽车v2g模式的虚拟电厂优化协同调度方法
CN107590607A (zh) 一种基于光伏预测的微电网优化调度系统和方法
CN107134771B (zh) 一种基于经济效益评估的微网模式切换控制方法
CN111762057B (zh) 一种区域微网中v2g电动汽车智能充放电管理方法
CN114169211A (zh) 一种基于改进的粒子群算法的多站融合储能优化配置模型
Li et al. Energy management model of charging station micro-grid considering random arrival of electric vehicles
Li et al. Optimal dispatch for PV-assisted charging station of electric vehicles
CN107482675A (zh) 一种基于离网型微网的电动汽车消纳可再生能源的计算方法
Zhang et al. Multi-objective optimal scheduling strategy of microgrid based on v2g technology
CN107425540A (zh) 一种三电池耦合型综合能源系统及其优化设计方法
CN112269966B (zh) 一种考虑备用需求的通信基站虚拟电厂发电容量测量方法
Tong et al. An intelligent scheduling control method for smart grid based on deep learning
Khadake et al. Prototype Design & Development of Solar Based Electric Vehicle
CN113077111A (zh) 基于插电混动汽车v2g技术的虚拟电厂优化调度方法
CN108022055A (zh) 一种基于粒子群模型的微电网经济调度方法
Haque et al. Smart management of PHEV and renewable energy sources for grid peak demand energy supply
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
CN106786505A (zh) 一种基于邻域信息的分散充电桩协同调度方法
CN109560575A (zh) 一种基于鲁棒分散因子的能源互联网能量优化方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210706

RJ01 Rejection of invention patent application after publication