CN113964854A - 一种电动汽车v2g智能充放电方法 - Google Patents

一种电动汽车v2g智能充放电方法 Download PDF

Info

Publication number
CN113964854A
CN113964854A CN202111327718.8A CN202111327718A CN113964854A CN 113964854 A CN113964854 A CN 113964854A CN 202111327718 A CN202111327718 A CN 202111327718A CN 113964854 A CN113964854 A CN 113964854A
Authority
CN
China
Prior art keywords
charging
time
electric vehicle
discharge
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
CN202111327718.8A
Other languages
English (en)
Inventor
魏俊
叶圣永
张文涛
刘旭娜
任志超
马瑞光
王海燕
刘立扬
韩宇奇
李达
赵达维
龙川
刘洁颖
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 Sichuan Economic Research Institute
Original Assignee
State Grid Sichuan Economic Research Institute
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 Sichuan Economic Research Institute filed Critical State Grid Sichuan Economic Research Institute
Priority to CN202111327718.8A priority Critical patent/CN113964854A/zh
Publication of CN113964854A publication Critical patent/CN113964854A/zh
Pending legal-status Critical Current

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L55/00—Arrangements for supplying energy stored within a vehicle to a power network, i.e. vehicle-to-grid [V2G] arrangements
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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]
    • 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
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种电动汽车V2G智能充放电方法，涉及电力系统技术领域，内层优化模型考虑放电电池损耗，设置放电收益约束，通过构建可放电集，针对不同放电情况进行潮流计算，以电压波动最小为目标函数，采用优化算法求解得到最优放电数目；外层优化模型增加低电压约束，以电压波动最小和用户充电总成本最小为目标函数，对充电开始时刻以及充电时长进行独立编码，采用多目标优化算法进行求解，从而得到每辆电动汽车最优充电分布，本发明内层在考虑电动汽车电池损耗的前提下，给电网以放电指导电价，从而充分激发用户放电的积极性；外层充分考虑电动汽车充电分布对电网的影响，降低了配电网的电压波动。

Description

一种电动汽车V2G智能充放电方法
技术领域
本发明涉及一种电力系统技术领域，更具体地说，它涉及一种电动汽车V2G智能充放电方法。
背景技术
2020年11月，电动汽车销售量和保有量近些年一直高速增长，2020年全国电动汽车保有量为400万辆，截至2021年一季度全国电动汽车保有量已达到551万辆。随着电动汽车数量的增长，电动汽车无序充电将势必造成电网负荷波动加剧，从而导致电网电压波动加剧甚至影响电网正常稳定运行。据研究表明，一天中汽车只有5％的时间在行驶，大约90％是闲置在停车状态，这为V2G技术的实施提供了可能性。V2G技术就是利用电动汽车的源-荷两重性，当电网负荷高时，利用电动汽车的电源特性释放电能。反之，则利用电动汽车的负荷特性吸收电能。
由于电动汽车在放电过程中往往会给电池带来较大的损耗，而电池的更换成本相对较高，在分析用户收益的过程中，单一考虑电动汽车“高储低发”的收益是不合理的。且在分析V2G技术对电网的影响时，传统优化方法多以充电站负荷波动均方差最小为优化对象，当大规模电动汽车分散式接入电力网络时，会导致电网的电压下降，从而影响电网的正常运行。
因此，需要在兼顾用户与电网两方利益的前提下，提出一种简单、方便、易扩展的电动汽车充放电方法。
发明内容
本发明的目的是提供一种电动汽车V2G智能充放电方法，以解决现有的电动汽车充放电分布不均匀导致充电桩的负荷波动大，导致电网电压下降，影响电网的正常运行。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种电动汽车V2G智能充放电方法，包括步骤：
步骤1：获取电动汽车历史行驶数据，根据历史行驶数据构建电动汽车日行驶里程、最后一次到家时刻以及初始离家时刻的概率密度曲线；
步骤2：获取目标区域内电动汽车数量N，通过概率密度曲线模拟N辆电动汽车的行驶状态获取N辆电动汽车的行驶数据，并根据电动汽车的车型信息获取汽车到家时刻剩余荷电状态；
步骤3：根据N辆电动汽车的行驶数据与到家时刻剩余荷电状态构建电动汽车可放电集；
步骤4：建立包括电动汽车数目、放电电价、电压波动与用户放电收益的内层优化模型，对内层优化模型进行求解，获取电动汽车的最优放电电价与放电分布；
步骤5：建立包括开始充电时刻、充电时长、电压波动与用户充电总支出最少的外层优化模型，对外层优化模型进行求解获取电动汽车的最优充电分布。
与现有技术相比较而言，本发明根据电动汽车的历史行驶数据构建电动汽车行驶数据的概率密度曲线，通过概率密度曲线来模拟地区内电动汽车的行驶数据，在行驶数据的基础上结合电动汽车的车型信息计算出到家时刻电动汽车剩余的电量，基于行驶数据与到家时刻剩余荷电状态构建电动汽车的可放电集，根据可放电集可获取实际放电电动汽车数目。
内层优化模型的一个待优化变量为实际放电电动汽车数目，然后从可放电集中挑选相应数目的电动汽车参与放电过程，采用遗传优化算法对内层优化模型进行求解，更新所有电动汽车放电结束时刻以及到家时刻剩余荷电状态，得到电动汽车的最优放电分布，输送到外层优化模型进行优化，因此，内层优化模型在考虑电动汽车电池损耗的前提下，给电网以放电指导电价，从而充分激发用户放电的积极性。
外层优化模型根据内层优化模型所得出的所有电动汽车放电结束时刻以及到家时刻剩余荷电状态，在电压波动最小与用户充电总支出最少为目标，对电动汽车进行充电优化，以满足车主的次日出行需求，获得电动汽车的最优充电分布，外层充分考虑电动汽车充电分布对电网的影响，以降低电网的电压波动。
进一步的，所述步骤2中，获取电动汽车到家时刻剩余荷电状态的计算式为
Figure BDA0003347531530000021
其中，SOCo、SOCd分别表示电动汽车初始离家时刻与到家时刻剩余荷电状态，Lx表示日行驶里程，W100表示电动汽车百公里耗电量，C表示电动汽车的电池容量。
进一步的，所述步骤3中，构建电动汽车可放电集包括以下步骤：
步骤3.1：获取电动汽车可放电开始时刻，其计算式为
Figure BDA0003347531530000022
其中，表示地区负荷高峰开始时刻，表示第i辆电动汽车到家时刻；
步骤3.2：获取电动汽车的可放电时长，其计算式为
Figure BDA0003347531530000023
其中，SOCd,i表示第i辆电动汽车到家时刻剩余荷电状态，SOCL,i表示第i辆电动汽车所设定荷电状态下限，Ci、ηd,i、pd,i分别表示第i辆电动汽车电池容量、放电效率以及放电功率，TSOCdi,SOCLi表示第i辆电动汽车从SOCd,i放电至SOCL,i所用时长，x2表示地区负荷高峰结束时刻，表示第i辆电动汽车开始放电时刻，表示第i辆电动汽车可放电时长；
步骤3.3：对步骤3.2中电动汽车的可放电时长进行更新延长，获取电动汽车的实际可放电时长；
步骤3.4：若步骤3.3中电动汽车的实际可放电时长大于零，则判定第i辆电动汽车可放电；反之，不可放电；重复执行步骤3.1到步骤3.3的生成步骤，生成可放电集L＝(L1L2…Ln)(1≤n≤N)，n表示可放电的电动汽车数量，L中任意元素Li表示Li＝(td,i,T'd,i)(1≤i≤n)。
进一步的，所述步骤3.3中，电动汽车的实际可放电时长的计算式为：
Figure BDA0003347531530000031
其中，SOCde,i表示第i辆电动汽车放电Td,i时长之后的剩余荷电状态，SOCS,i表示第i辆电动汽车期望次日出行时刻初始荷电状态，TS'OCdei,SOCSi表示第i辆电动汽车从SOCde,i充电至SOCS,i所需时长，ηc,i、pc,i分别表示第i辆电动汽车的充电效率和充电功率，ts,i表示第i辆电动汽车的次日出行时刻，T'd,i表示更新后第i辆电动汽车的实际可放电时长。
进一步的，所述步骤4中，建立内层优化模型具体实现如下：
根据电动汽车的可放电集获取参与V2G放电的电动汽车数目，以参与V2G放电的电动汽车数目和放电电价为待优化变量；
通过充电站节点的基础负荷功率潮流计算求得充电桩节点的电压，以电压波动最小为目标函数；
设定用户放电收益，以用户放电收益为约束条件。
进一步的，用户放电收益的计算式为：
Figure BDA0003347531530000041
其中，DDOD表示放电深度，a、b为常数，L(DDOD)表示在放电深度为DDOD情况下的电池循环次数，Cbat表示电池购置成本，
Figure BDA0003347531530000042
表示电池在放电深度为DDOD情况下放电单位电量价格损失，Ad、AL分别表示放电电价以及最低充电电价，Fi表示第i辆电动汽车低储高发转移收益。
进一步的，所述步骤5中，对外层优化模型求解包括以下步骤：
步骤5.1：根据电动汽车的最优放电分布，获取电动汽车放电结束时刻以及剩余荷电状态；
步骤5.2：以电动汽车开始充电时刻以及充电时长为待优化变量；
步骤5.3：电动汽车开始充电时刻采用实整数编码，电动汽车充电时长采用二进制格雷码编码；
步骤5.4：以用户总充电支出最少以及电压波动最小为目标函数；
步骤5.5：采用步骤5.3的编码方式，以多目标优化法对步骤5.4中的两个目标函数进行优化求解，得出电动汽车最优充电分布。
进一步的，所述步骤5.1中，放电结束时刻以及剩余荷电状态的计算式为；
Figure BDA0003347531530000043
其中，tde,i为第i辆电动汽车放电结束时刻，SOCde,i为第i辆电动汽车放电结束时刻剩余荷电状态。
进一步的，所述步骤5.2中，待优化变量X由N辆电动汽车开始充电时刻以及充电时长组成，共2N个元素，待优化变量的计算式为：
Figure BDA0003347531530000044
其中，ti、Ti分别表示第i辆电动汽车开始充电时刻以及充电时长，tde,i、ts,i分别表示第i辆电动汽车放电结束时刻以及离家时刻，TS'OCdei,SOCSi、TS'OCdei,1分别表示第i辆电动汽车从SOCde充电至期望SOC以及满电状态所需时长。
进一步的，所述步骤5.4中，用户总充电支出最少以及电压波动最小的函数表达式为：
Figure BDA0003347531530000051
其中，f1、f2分别表示所有用户总支出和节点电压总波动，N为电动汽车总量，pi,c为第i辆电动汽车的充电功率，ti,j为第i辆电动汽车[j,j+1]时间段内的充电时长，Ac,j为j时刻的充电电价，
Figure BDA0003347531530000052
为第i辆电动汽车电池在放电深度为DDOD情况下放电单位电量价格损失，Td,i为第i辆电动汽车的放电时长，pi,d为第i辆电动汽车的放电功率，Ad为放电电价，Ut为t时刻充电站节点电压向量的幅值，t表示时刻。
与现有技术相比，本发明具有以下有益效果：
本发明一种电动汽车V2G智能充放电方法。内层优化模型考虑放电电池损耗，设置放电收益约束，通过构建可放电集，针对不同放电情况进行潮流计算，以电压波动最小为目标函数，采用优化算法求解得到最优放电分布数目并为放电电价的设置提供指导；外层优化模型增加低电压约束，以电压波动最小和用户充电总成本最小为目标函数，对充电开始时刻以及充电时长进行独立编码，采用多目标优化算法进行求解，从而得到每辆电动汽车最优充电分布。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明一实施例提供的充放电方法的流程图；
图2为本发明一实施例提供的电动汽车可放电集生成流程图；
图3为本发明一实施例提供的蒙特卡洛模拟结果图；
图4为本发明一实施例提供的可放电集构建结果图；
图5为本发明一实施例提供的充电站节点电压与放电电价波动图；
图6为本发明一实施例提供的放电结束后剩余荷电状态图；
图7为本发明一实施例提供的外层优化Pareto前沿解曲线图；
图8为本发明一实施例提供的Pareto前沿解集中最小荷电状态；
图9为IEEE33节点标准网络算例图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
需说明的是，本实施例当中所设置的参数，仅是为了便于描述本发明和简化描述，而不是指示或暗示应采取该型号的电动汽车或必须选取此计算参数，因此不能理解为对本发明的限制。当部件被称为“固定于”或“设置于”另一个部件，它可以直接在另一个部件上或者间接在该另一个部件上。当一个部件被称为是“连接于”另一个部件，它可以是直接或者间接连接至该另一个部件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例
如图1所示，一种电动汽车V2G智能充放电方法，包括步骤：
步骤1：获取电动汽车历史行驶数据，根据历史行驶数据构建电动汽车日行驶里程、最后一次到家时刻以及初始离家时刻的概率密度曲线。
具体的，针对电动汽车车主的用车习惯，采集电动汽车的历史行驶数据，构建电动汽车日行驶里程、最后一次到家时刻、初始离家时刻的概率密度曲线。
步骤2：如图1所示，获取目标区域内电动汽车数量N，通过概率密度曲线模拟N辆电动汽车的行驶状态获取N辆电动汽车的行驶数据，这里采用蒙特卡洛模拟对概率密度曲线进行模拟，并根据电动汽车的车型信息获取汽车到家时刻剩余荷电状态。
具体的，基于本地区电动汽车发展规模，预测电动汽车数目N，并通过步骤1构建的概率密度曲线模拟N辆电动汽车的出行行为，通过模拟200辆电动汽车的出行特性，每辆电动汽车的出行特性由三个因素所构成，分别是到家时刻、离家时刻以及日行驶里程，模拟结果如图3所示。
步骤3：根据N辆电动汽车的行驶数据与到家时刻剩余荷电状态构建电动汽车可放电集。
具体的，由这N辆电动汽车的行驶数据与到家时刻电动汽车剩余的荷电状态建立可放电时长的集合，根据可放电集合可得出N辆电动汽车的实际放电时长，用作构建下一步骤的内层优化模型。
步骤4：建立包括电动汽车数目、放电电价、电压波动与用户放电收益的内层优化模型，对内层优化模型进行求解，获取电动汽车的最优放电电价与放电分布。
具体的，如图1所示，建立了以电动汽车数目、放电电价为变量，电压波动最小为目标，电动汽车放电收益为约束的内层优化模型，通过遗传算法求解内层优化模型得出电动汽车的最优放电电价与实际放电数目，其中，最优放电电价为电价指定提供指导，以解决单一考虑电动汽车“高储低发”的收益是不合理的问题。根据参与实际放电的电动汽车数量，计算这些电动汽车放电结束时刻与放电结束后所剩余的荷电状态。
步骤5：建立包括开始充电时刻、充电时长、电压波动与用户充电总支出最少的外层优化模型，对外层优化模型进行求解获取电动汽车的最优充电分布。
具体的，如图1所示，外层优化模型根据电动汽车放电结束时刻与放电结束后所剩余的荷电状态对电动汽车进行充电优化，采样多目标遗传算法对外层优化模型以电压波动最小与用户总支出最小为目标的目标函数进行求解，获得电动汽车的最优充电分布。
下面对本申请实施例提供的路由方法的各个步骤的可行执行方式进行描述。
在上述实施例的基础上，本申请更进一步的一个实施例中，所述步骤2中，获取电动汽车到家时刻剩余荷电状态的计算式为
Figure BDA0003347531530000071
其中，SOCo、SOCd分别表示电动汽车初始离家时刻与到家时刻剩余荷电状态，Lx表示日行驶里程，W100表示电动汽车百公里耗电量，C表示电动汽车的电池容量。
具体的，由计算式
Figure BDA0003347531530000072
计算电动汽车到家时刻所剩余荷电状态，即简单的说就是汽车电池所剩的电量。
在上述实施例的基础上，本申请更进一步的一个实施例中，如图2所示，所述步骤3中，构建电动汽车可放电集包括以下步骤：
步骤3.1：获取电动汽车可放电开始时刻，其计算式为
Figure BDA0003347531530000073
其中，表示地区负荷高峰开始时刻，表示第i辆电动汽车到家时刻；
步骤3.2：获取电动汽车的可放电时长，其计算式为
Figure BDA0003347531530000081
其中，SOCd,i表示第i辆电动汽车到家时刻剩余荷电状态，SOCL,i表示第i辆电动汽车所设定荷电状态下限，Ci、ηd,i、pd,i分别表示第i辆电动汽车电池容量、放电效率以及放电功率，TSOCdi,SOCLi表示第i辆电动汽车从SOCd,i放电至SOCL,i所用时长，x2表示地区负荷高峰结束时刻，td,i表示第i辆电动汽车开始放电时刻，Td,i表示第i辆电动汽车可放电时长；
步骤3.3：对步骤3.2中电动汽车的可放电时长进行更新延长，获取电动汽车的实际可放电时长；
步骤3.4：若步骤3.3中电动汽车的实际可放电时长大于零，则判定第i辆电动汽车可放电；反之，不可放电；重复执行步骤3.1到步骤3.3的生成步骤，生成可放电集L＝(L1 L2… Ln)(1≤n≤N)，n表示可放电的电动汽车数量，L中任意元素Li表示Li＝(td,i,T'd,i)(1≤i≤n)。
具体的，本实施例中，所有电动汽车均采用比亚迪E6车型，车型参数如下表1所示：
表1、电动汽车参数设置
车型 比亚迪E6 充电功率(kW) 7
电池容量(kWh) 82 放电功率(kW) 7
电池成本(元) 114800 充电效率 0.9
百公里耗电量(kWh/100km) 20.5 放电效率 0.9
电动汽车可放电集的生成过程如图2所示，设置下限荷电状态为0.2，离家时刻期望荷电状态为0.8，负荷高峰时段为[19:00,23:00]。车型参数如表1所示，可放电集的构建结果如图4所示，图4上半部分曲线表示开始放电时刻，下半部分曲线表示放电时长。
在上述实施例的基础上，本申请更进一步的一个实施例中，所述步骤3.3中，电动汽车的实际可放电时长的计算式为：
Figure BDA0003347531530000091
其中，SOCde,i表示第i辆电动汽车放电Td,i时长之后的剩余荷电状态，SOCS,i表示第i辆电动汽车期望次日出行时刻初始荷电状态，T'SOCdei,SOCSi表示第i辆电动汽车从SOCde,i充电至SOCS,i所需时长，ηc,i、pc,i分别表示第i辆电动汽车的充电效率和充电功率，ts,i表示第i辆电动汽车的次日出行时刻，T'd,i表示更新后第i辆电动汽车的实际可放电时长。
具体的，通过该计算式计算实际可放电时长是为了保证电动汽车次日的出行需求，因为一台电动汽车充满一次电都可以跑150公里起步，因此一次充电结束后，电动汽车可能会使用许多天，所以上一个实施例中的步骤3.4进行循环迭代的计算获取最终的可放电集。
在上述实施例的基础上，本申请更进一步的一个实施例中，所述步骤4中，建立内层优化模型具体实现如下：
根据电动汽车的可放电集获取参与V2G放电的电动汽车数目，以参与V2G放电的电动汽车数目和放电电价为待优化变量；
通过充电站节点的基础负荷功率潮流计算求得充电桩节点的电压，以电压波动最小为目标函数；
设定用户放电收益，以用户放电收益为约束条件。
具体的，内层优化，以放电电动汽车数目和放电电价为待优化变量，电压波动最小为待优化目标，设置放电收益约束，采用优化算法进行求解；本实施例中，采用如图9所示的IEEE33节点标准网络算例进行计算，33节点为片区充电站节点，节点负荷波动曲线采用某地区的日负荷归一化波动，负荷低谷时电价设置为AL＝0.31228元/kWh，采用遗传算法进行优化求解。重庆某地区日负荷变化如表2所示：
表2、重庆某地区日负荷变化
Figure BDA0003347531530000092
Figure BDA0003347531530000101
充电站节点电压与放电电价随放电电动汽车数目的变化如图5所示，最优放电数目下放电结束所有电动汽车剩余荷电状态如图6所示。
在上述实施例的基础上，本申请更进一步的一个实施例中，用户放电收益的计算式为：
Figure BDA0003347531530000102
其中，DDOD表示放电深度，a、b为常数，L(DDOD)表示在放电深度为DDOD情况下的电池循环次数，Cbat表示电池购置成本，
Figure BDA0003347531530000103
表示电池在放电深度为DDOD情况下放电单位电量价格损失，Ad、AL分别表示放电电价以及最低充电电价，Fi表示第i辆电动汽车低储高发转移收益。
在上述实施例的基础上，本申请更进一步的一个实施例中，所述步骤5中，对外层优化模型求解包括以下步骤：
步骤5.1：根据电动汽车的最优放电分布，获取电动汽车放电结束时刻以及剩余荷电状态；
步骤5.2：以电动汽车开始充电时刻以及充电时长为待优化变量；
步骤5.3：电动汽车开始充电时刻采用实整数编码，电动汽车充电时长采用二进制格雷码编码；
步骤5.4：以用户总充电支出最少以及电压波动最小为目标函数；
步骤5.5：采用步骤5.3的编码方式，以多目标优化法对步骤5.4中的两个目标函数进行优化求解，得出电动汽车最优充电分布。
具体的，步骤5.3中，由于电动汽车开始充电时刻变化范围波动相对较大，而其充电时长波动范围相对较小，所以对两者采取独立的编码方式，前N个优化变量采用实整数编码方式，后N个优化变量采取二进制格雷码编码方式。
步骤5.5中，采用S5.3所提编码方式，以多目标优化算法对S5.4所提目标函数进行优化求解，从而得到一组最优电动汽车充电分布Pareto前沿解集。
本实施例中，一天中的电价变化采用四川省国家电网某充电站平水期峰谷差电价，其变化情况如表3所示：
表3、四川省国家电网某充电站峰谷差电价(单位：元/kWh)
Figure BDA0003347531530000111
设置迭代次数为500次，所得Pareto前沿解集如图7所示，其中F1为用户总支出，F2为充电站节点电压波动均方差，采用多染色体非支配排序遗传算法进行优化求解，解集中每辆电动汽车离家时刻最小荷电状态如图8所示
在上述实施例的基础上，本申请更进一步的一个实施例中，所述步骤5.1中，放电结束时刻以及剩余荷电状态的计算式为；
Figure BDA0003347531530000112
其中，tde,i为第i辆电动汽车放电结束时刻，SOCde,i为第i辆电动汽车放电结束时刻剩余荷电状态。
在上述实施例的基础上，本申请更进一步的一个实施例中，所述步骤5.2中，待优化变量X由N辆电动汽车开始充电时刻以及充电时长组成，共2N个元素，待优化变量的计算式为：
Figure BDA0003347531530000113
其中，ti、Ti分别表示第i辆电动汽车开始充电时刻以及充电时长，tde,i、ts,i分别表示第i辆电动汽车放电结束时刻以及离家时刻，T'SOCdei,SOCSi、T'SOCdei,1分别表示第i辆电动汽车从SOCde充电至期望SOC以及满电状态所需时长。
在上述实施例的基础上，本申请更进一步的一个实施例中，所述步骤5.4中，用户总充电支出最少以及电压波动最小的函数表达式为：
Figure BDA0003347531530000121
其中，f1、f2分别表示所有用户总支出和节点电压总波动，N为电动汽车总量，pi,c为第i辆电动汽车的充电功率，ti,j为第i辆电动汽车[j,j+1]时间段内的充电时长，Ac,j为j时刻的充电电价，
Figure BDA0003347531530000122
为第i辆电动汽车电池在放电深度为DDOD情况下放电单位电量价格损失，Td,i为第i辆电动汽车的放电时长，pi,d为第i辆电动汽车的放电功率，Ad为放电电价，Ut为t时刻充电站节点电压向量的幅值，t表示时刻。
综合上述技术方案可以得出，本申请根据电动汽车的历史行驶数据构建电动汽车行驶数据的概率密度曲线，通过概率密度曲线来模拟地区内电动汽车的行驶数据，在行驶数据的基础上结合电动汽车的车型信息计算出到家时刻电动汽车剩余的电量，基于行驶数据与到家时刻剩余荷电状态构建电动汽车的可放电集，根据可放电集可获取实际放电电动汽车数目。
内层优化模型的一个待优化变量为实际放电电动汽车数目，然后从可放电集中挑选相应数目的电动汽车参与放电过程，采用遗传优化算法对内层优化模型进行求解，更新所有电动汽车放电结束时刻以及到家时刻剩余荷电状态，得到电动汽车的最优放电分布，输送到外层优化模型进行优化，因此，内层优化模型在考虑电动汽车电池损耗的前提下，给电网以放电指导电价，从而充分激发用户放电的积极性。
外层优化模型根据内层优化模型所得出的所有电动汽车放电结束时刻以及到家时刻剩余荷电状态，在电压波动最小与用户充电总支出最少为目标，对电动汽车进行充电优化，以满足车主的次日出行需求，获得电动汽车的最优充电分布，外层充分考虑电动汽车充电分布对电网的影响，以降低电网的电压波动。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电动汽车V2G智能充放电方法，其特征在于，包括步骤：
步骤1：获取电动汽车历史行驶数据，根据历史行驶数据构建电动汽车日行驶里程、最后一次到家时刻以及初始离家时刻的概率密度曲线；
步骤2：获取目标区域内电动汽车数量N，通过概率密度曲线模拟N辆电动汽车的行驶状态获取N辆电动汽车的行驶数据，并根据电动汽车的车型信息获取汽车到家时刻剩余荷电状态；
步骤3：根据N辆电动汽车的行驶数据与到家时刻剩余荷电状态构建电动汽车可放电集；
步骤4：建立包括电动汽车数目、放电电价、电压波动与用户放电收益的内层优化模型，对内层优化模型进行求解，获取电动汽车的最优放电电价与放电分布；
步骤5：建立包括开始充电时刻、充电时长、电压波动与用户充电总支出最少的外层优化模型，对外层优化模型进行求解获取电动汽车的最优充电分布。
2.根据权利要求1所述的一种电动汽车V2G智能充放电方法，其特征在于，所述步骤2中，获取电动汽车到家时刻剩余荷电状态的计算式为
Figure FDA0003347531520000011
其中，SOCo、SOCd分别表示电动汽车初始离家时刻与到家时刻剩余荷电状态，Lx表示日行驶里程，W100表示电动汽车百公里耗电量，C表示电动汽车的电池容量。
3.根据权利要求1所述的一种电动汽车V2G智能充放电方法，其特征在于，所述步骤3中，构建电动汽车可放电集包括以下步骤：
步骤3.1：获取电动汽车可放电开始时刻，其计算式为
Figure FDA0003347531520000012
其中，表示地区负荷高峰开始时刻，表示第i辆电动汽车到家时刻；
步骤3.2：获取电动汽车的可放电时长，其计算式为
Figure FDA0003347531520000013
其中，SOCd,i表示第i辆电动汽车到家时刻剩余荷电状态，SOCL,i表示第i辆电动汽车所设定荷电状态下限，Ci、ηd,i、pd,i分别表示第i辆电动汽车电池容量、放电效率以及放电功率，TSOCdi,SOCLi表示第i辆电动汽车从SOCd,i放电至SOCL,i所用时长，x2表示地区负荷高峰结束时刻，表示第i辆电动汽车开始放电时刻，表示第i辆电动汽车可放电时长；
步骤3.3：对步骤3.2中电动汽车的可放电时长进行更新延长，获取电动汽车的实际可放电时长；
步骤3.4：若步骤3.3中电动汽车的实际可放电时长大于零，则判定第i辆电动汽车可放电；反之，不可放电；重复执行步骤3.1到步骤3.3的生成步骤，生成可放电集L＝(L1 L2 …Ln)(1≤n≤N)，n表示可放电的电动汽车数量，L中任意元素Li表示Li＝(td,i,T′d,i)(1≤i≤n)。
4.根据权利要求3所述的一种电动汽车V2G智能充放电方法，其特征在于，所述步骤3.3中，电动汽车的实际可放电时长的计算式为：
Figure FDA0003347531520000021
其中，SOCde,i表示第i辆电动汽车放电Td,i时长之后的剩余荷电状态，SOCS,i表示第i辆电动汽车期望次日出行时刻初始荷电状态，T′SOCdei,SOCSi表示第i辆电动汽车从SOCde,i充电至SOCS,i所需时长，ηc,i、pc,i分别表示第i辆电动汽车的充电效率和充电功率，ts,i表示第i辆电动汽车的次日出行时刻，T′d,i表示更新后第i辆电动汽车的实际可放电时长。
5.根据权利要求1所述的一种电动汽车V2G智能充放电方法，其特征在于，所述步骤4中，建立内层优化模型具体实现如下：
根据电动汽车的可放电集获取参与V2G放电的电动汽车数目，以参与V2G放电的电动汽车数目和放电电价为待优化变量；
通过充电站节点的基础负荷功率潮流计算求得充电桩节点的电压，以电压波动最小为目标函数；
设定用户放电收益，以用户放电收益为约束条件。
6.根据权利要求5所述的一种电动汽车V2G智能充放电方法，其特征在于，用户放电收益的计算式为：
Figure FDA0003347531520000031
其中，DDOD表示放电深度，a、b为常数，L(DDOD)表示在放电深度为DDOD情况下的电池循环次数，Cbat表示电池购置成本，
Figure FDA0003347531520000032
表示电池在放电深度为DDOD情况下放电单位电量价格损失，Ad、AL分别表示放电电价以及最低充电电价，Fi表示第i辆电动汽车低储高发转移收益。
7.根据权利要求1所述的一种电动汽车V2G智能充放电方法，其特征在于，所述步骤5中，对外层优化模型求解包括以下步骤：
步骤7.1：根据电动汽车的最优放电分布，获取电动汽车放电结束时刻以及剩余荷电状态；
步骤7.2：以电动汽车开始充电时刻以及充电时长为待优化变量；
步骤7.3：电动汽车开始充电时刻采用实整数编码，电动汽车充电时长采用二进制格雷码编码；
步骤7.4：以用户总充电支出最少以及电压波动最小为目标函数；
步骤7.5：采用步骤5.3的编码方式，以多目标优化法对步骤5.4中的两个目标函数进行优化求解，得出电动汽车最优充电分布。
8.根据权利要求7所述的一种电动汽车V2G智能充放电方法，其特征在于，所述步骤5.1中，放电结束时刻以及剩余荷电状态的计算式为；
Figure FDA0003347531520000033
其中，tde,i为第i辆电动汽车放电结束时刻，SOCde,i为第i辆电动汽车放电结束时刻剩余荷电状态。
9.根据权利要求7所述的一种电动汽车V2G智能充放电方法，其特征在于，所述步骤5.2中，待优化变量X由N辆电动汽车开始充电时刻以及充电时长组成，共2N个元素，待优化变量的计算式为：
Figure FDA0003347531520000034
其中，ti、Ti分别表示第i辆电动汽车开始充电时刻以及充电时长，tde,i、ts,i分别表示第i辆电动汽车放电结束时刻以及离家时刻，T′SOCdei,SOCSi、T′SOCdei,1分别表示第i辆电动汽车从SOCde充电至期望SOC以及满电状态所需时长。
10.根据权利要求7所述的一种电动汽车V2G智能充放电方法，其特征在于，所述步骤5.4中，用户总充电支出最少以及电压波动最小的函数表达式为：
Figure FDA0003347531520000041
其中，f1、f2分别表示所有用户总支出和节点电压总波动，N为电动汽车总量，pi,c为第i辆电动汽车的充电功率，ti,j为第i辆电动汽车[j,j+1]时间段内的充电时长，Ac,j为j时刻的充电电价，
Figure FDA0003347531520000042
为第i辆电动汽车电池在放电深度为DDOD情况下放电单位电量价格损失，Td,i为第i辆电动汽车的放电时长，pi,d为第i辆电动汽车的放电功率，Ad为放电电价，Ut为t时刻充电站节点电压向量的幅值，t表示时刻。
CN202111327718.8A 2021-11-10 2021-11-10 一种电动汽车v2g智能充放电方法 Pending CN113964854A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111327718.8A CN113964854A (zh) 2021-11-10 2021-11-10 一种电动汽车v2g智能充放电方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111327718.8A CN113964854A (zh) 2021-11-10 2021-11-10 一种电动汽车v2g智能充放电方法

Publications (1)

Publication Number Publication Date
CN113964854A true CN113964854A (zh) 2022-01-21

Family

ID=79470095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111327718.8A Pending CN113964854A (zh) 2021-11-10 2021-11-10 一种电动汽车v2g智能充放电方法

Country Status (1)

Country Link
CN (1) CN113964854A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114475290A (zh) * 2022-02-28 2022-05-13 广东工业大学 一种高速公路上的电动汽车能量交换方法
CN114566989A (zh) * 2022-02-28 2022-05-31 广东工业大学 电动汽车v2g能量交换方法、系统、介质及设备
CN118144635A (zh) * 2024-05-09 2024-06-07 山东浪潮智慧能源科技有限公司 一种v2g放电策略优化方法、装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103595107A (zh) * 2013-12-02 2014-02-19 国家电网公司 电动汽车充放电控制系统及方法
KR20140124974A (ko) * 2013-04-17 2014-10-28 주식회사 케이티 Ｖ２ｇ 환경에서 전기차의 배터리 충방전 제어 시스템 및 전력거래를 위한 전기차의 배터리 충방전 최적 효율 제어 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140124974A (ko) * 2013-04-17 2014-10-28 주식회사 케이티 Ｖ２ｇ 환경에서 전기차의 배터리 충방전 제어 시스템 및 전력거래를 위한 전기차의 배터리 충방전 최적 효율 제어 방법
CN103595107A (zh) * 2013-12-02 2014-02-19 国家电网公司 电动汽车充放电控制系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YE SHENGYONG, ATL: "Double Layer Optimization for Orderly Charge and Discharge Stratrgy of V2G Electric Vehicles", IEEE XPLORE, 8 April 2022 (2022-04-08) *
康振南;程杉;: "采用双层优化模型的电动汽车有序充放电策略研究", 东北电力技术, no. 03, 20 March 2019 (2019-03-20), pages 5 - 10 *
李怡然 ，等: "V2G模式下计及供需两侧需求的电动汽车充放电调度策略", 电力自动化设备, vol. 41, no. 3, 10 March 2021 (2021-03-10), pages 129 - 135 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114475290A (zh) * 2022-02-28 2022-05-13 广东工业大学 一种高速公路上的电动汽车能量交换方法
CN114566989A (zh) * 2022-02-28 2022-05-31 广东工业大学 电动汽车v2g能量交换方法、系统、介质及设备
CN114566989B (zh) * 2022-02-28 2022-08-23 广东工业大学 电动汽车v2g能量交换方法、系统、介质及设备
CN118144635A (zh) * 2024-05-09 2024-06-07 山东浪潮智慧能源科技有限公司 一种v2g放电策略优化方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN111178619B (zh) 一种考虑分布式电源和充电站联合规划的多目标优化方法
CN113964854A (zh) 一种电动汽车v2g智能充放电方法
Tao et al. Data-driven optimized layout of battery electric vehicle charging infrastructure
CN108944531A (zh) 一种电动汽车有序充电控制方法
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN107169273A (zh) 计及延时和v2g充电模式的电动汽车充电功率预测方法
CN107104454A (zh) 计及电动汽车功率可调控域的最优潮流节点电价计算方法
CN107370170A (zh) 一种考虑容量电价和负荷预测误差的储能系统容量配置方法
CN110189025B (zh) 考虑不同负荷增长的电动汽车充电站规划方案获取方法
CN114707292B (zh) 含电动汽车配电网电压稳定性分析方法
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN107919675B (zh) 综合考虑车主和运营商利益的充电站负荷调度模型
CN106786977B (zh) 一种电动汽车充电站的充电调度方法
CN115115268B (zh) 基于路电耦合与低碳约束的电动汽车充电桩容量规划方法
CN111564861A (zh) 一种充放电时间段的求解方法、装置、设备以及存储介质
CN114580251B (zh) 一种配电台区电动汽车充电负荷分析方法及装置
CN111639866B (zh) 基于遗传算法的储能充电站的储能容量的配置方法
CN115860185A (zh) 一种考虑极端高温天气下多类型电动汽车充电方式的电网负荷预测方法
CN114881502A (zh) 一种基于区间约束的电动汽车充放电优化调度方法
CN109672199B (zh) 一种基于能量平衡的电动汽车削峰填谷能力估计方法
CN110472841B (zh) 一种电动汽车快速充电站的储能配置方法
CN110570098A (zh) 考虑换电需求与光伏不确定性电动汽车充换电站控制方法
CN110929950A (zh) 一种电动汽车负荷预测方法及系统
CN116054286A (zh) 一种考虑多元弹性资源的居民台区容量优化配置方法
CN116187031A (zh) 一种考虑灵活性资源的台区可开放容量接入评估方法

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