CN114612001A - 集群电动汽车参与电网削峰的调控指令分解方法和系统 - Google Patents

集群电动汽车参与电网削峰的调控指令分解方法和系统 Download PDF

Info

Publication number
CN114612001A
CN114612001A CN202210343161.5A CN202210343161A CN114612001A CN 114612001 A CN114612001 A CN 114612001A CN 202210343161 A CN202210343161 A CN 202210343161A CN 114612001 A CN114612001 A CN 114612001A
Authority
CN
China
Prior art keywords
electric
electric vehicle
electric automobile
regulation
gear
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
CN202210343161.5A
Other languages
English (en)
Other versions
CN114612001B (zh
Inventor
陈文哲
马俊义
徐苏越
郭剑虹
曹志刚
祝进
孙海顺
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.)
Jiangsu Yuanwanghe Intelligent Technology Co ltd
Huazhong University of Science and Technology
Original Assignee
Jiangsu Yuanwanghe Intelligent Technology Co ltd
Huazhong University of Science and Technology
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 Jiangsu Yuanwanghe Intelligent Technology Co ltd, Huazhong University of Science and Technology filed Critical Jiangsu Yuanwanghe Intelligent Technology Co ltd
Priority to CN202210343161.5A priority Critical patent/CN114612001B/zh
Publication of CN114612001A publication Critical patent/CN114612001A/zh
Application granted granted Critical
Publication of CN114612001B publication Critical patent/CN114612001B/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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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]

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开集群电动汽车参与电网削峰的调控指令分解方法和系统，属于电气工程技术领域。包括：负荷聚合商对电动汽车参与削峰服务的分档补偿方案、电动汽车实时可调控容量分档评估方法、基于长短期记忆神经网络的电动汽车整体可调控容量预测方法、基于模型预测控制的电动汽车调控指令群间优化分解方法、基于状态队列排序的调控指令群内优化分配方法。该方法考虑了电动汽车用户、负荷聚合商、电网调度机构的利益诉求，分档评估电动汽车群调控能力，对负荷调控指令进行分层优化分解，使电动汽车群能够准确响应电网削峰服务需求，为大规模电动汽车参与电网优化调节控制提供了一种较为可行的技术方案。

Description

集群电动汽车参与电网削峰的调控指令分解方法和系统
技术领域
本发明属于电气工程技术领域，更具体地，涉及集群电动汽车参与电网削峰的调控指令分解方法和系统。
背景技术
未经引导的电动汽车负荷呈现明显的时间集中性特点，用电高峰普遍集中在某些时间段，造成电网的低负荷率与负荷曲线的高峰谷差，对电网系统平衡与局部电网构成严重冲击。为了满足高峰时段的负荷用电需求，需要增加输变电设备投资及增设大量的常规发电机组作为备用参与调度，使得电网运行经济性大打折扣。
电动汽车作为典型的可调控柔性负荷，若能通过市场机制和相应技术手段对其用电行为加以引导，使规模化电动汽车在市场化激励与引导下主动参与电网辅助服务，则能有效提升电网运行的安全性与经济性。然而，电动汽车个体可控功率较小，在电网中分散接入，用电运行时间存在一定随机性，且受用户用能需求限制，各级电网调度机构难以直接利用其调控能力。目前，规模化电动汽车参与电网辅助服务尚缺少成熟的市场激励机制及聚合控制体系。
因此，为实现规模化电动汽车对电网辅助服务需求的准确响应，亟需针对削峰、调峰、调频的等电网辅助服务具体场景，综合考虑电网调度机构、负荷聚合商、电动汽车用户等多方利益诉求，研究规模化电动汽车参与电网辅助服务的激励补偿方法、调控能力评估方法及调度指令优化分解方法，将分散分布的电动汽车可调控资源加以体量汇聚、线型规整与调度管理，从而实现可调控负荷潜力向可调控资源的转化，进而为电网提供所需的运行控制与动态平衡服务。
发明内容
针对现有技术引导规模化电动汽车参与电网削峰服务的缺陷和改进需求，本发明提供了集群电动汽车参与电网削峰的调控指令分解方法和系统，其目的在于对负荷调控指令进行分层优化分解，实现了电动汽车群对电网削峰需求的高质量响应。
为实现上述目的，按照本发明的第一方面，提供了一种用于集群电动汽车参与电网削峰服务的调控指令群内分解方法，该方法应用于各电动汽车子群的能源控制器，所述能源控制器与电动汽车子群一一对应，该方法包括：
接收负荷聚合商云平台分发的滚动优化时域内负荷调控指令；
依据下属电动汽车充电桩实际充电功率，按可调减深度分档评估电动汽车参与电网削峰的可调控容量；
依据各电动汽车各档位调控容量和所需充电时间，每分钟对各电动汽车参与充电功率削减的优先度进行排序，使电动汽车依据功率分配策略按优先度排序依次参与负荷削减，将优化分配后的负荷调控指令分发至电动汽车充电桩个体，直至满足能源控制器接收到的负荷调度指令；
并汇总得到下属电动汽车子群的各档位可调控容量，实时发送给负荷聚合商云平台。
优选地，电动汽车参与充电功率削减的排序策略为：
1)优先调用电动汽车群整体中各电动汽车的低档位调控容量，低档位调控容量全部用尽后再调用高一档的调控容量；
2)多台电动汽车拥有相同档位的调控容量时，依据电动汽车充电至期望电量所需要的充电时间，从小到大进行排序，优先调用已经接近充电目标的电动汽车。
有益效果：如何实现电动汽车子群内各台电动汽车的协调控制是电动汽车参与削峰服务亟待解决的问题，本发明提出了基于电动汽车调控容量及充电需求时间的电动汽车充电功率削减排序策略，能够实现调控指令在电动汽车子群内部的合理快速分解。
优选地，单台电动汽车参与削峰服务的各档位调控容量评估方式如下：
Figure BDA0003575432480000031
其中，
Figure BDA0003575432480000032
为子群i中电动汽车j的第h档可调控容量，
Figure BDA0003575432480000033
为电动汽车的基值充电功率，
Figure BDA0003575432480000034
为电动汽车各档位调节深度门槛与基值充电功率的比值；H为总档位数；当电动汽车不参与负荷调控时，
Figure BDA0003575432480000035
取电动汽车的当前实际用电功率；当电动汽车参与负荷调控时，
Figure BDA0003575432480000036
取电动汽车参与负荷调控前一时刻的实际用电功率；当电动汽车离开充电桩时，
Figure BDA0003575432480000037
取零值。
有益效果：如何评估电动汽车的可调控容量是负荷聚合商组织电动汽车参与削峰服务的难点，本发明按电动车功率调减深度分档评估可调控容量，用户可即充即走，无需约定离网时间，评估结果可作为调控指令在电动汽车子群内部优化分解的依据。
优选地，电动汽车所需充电时间按下式计算：
Figure BDA0003575432480000038
其中，Ei,j为电动汽车电池容量，
Figure BDA0003575432480000039
为电动汽车期望电量，SOCi,j(t)为电动汽车当前电量，
Figure BDA00035754324800000310
为电动汽车最大充电功率。
有益效果：如何考虑电动汽车用户的充电需求是负荷聚合商组织电动汽车参与削峰服务的难点，本发明依据电动汽车期望充电电量计算电动汽车所需充电时间，以此作为功率削减指令在电动汽车群内部分解的依据，能够有效满足电动汽车用户的充电需求。
为实现上述目的，按照本发明的第二方面，提供了一种用于集群电动汽车参与电网削峰服务的电动汽车调控指令群间分解方法，该方法应用于负荷聚合商云平台，所述负荷聚合商云平台与负荷聚合商一一对应，所述负荷聚合商管理多个电动汽车子群，该方法包括：
接收电网调控中心下发的用电负荷削减调控指令；
每个预测时步对下属各电动汽车子群可调控容量进行预测，得到未来单个优化时域内的可调控容量及基值充电功率，作为分群调控指令滚动优化模型的输入参数及边界条件；
调用分群调控指令滚动优化模型，对当前优化时域内各电动汽车子群分配的负荷调控指令进行滚动优化分解，得到当前优化时域内各电动汽车子群调度指令，分发至各电动汽车子群的能源控制器，其中，所述分群调控指令滚动优化模型的目标为负荷聚合商盈利最大化或者可调控能力范围内最大化削减用电功率。
优选地，若调控中心下发的用电功率削减指令在预测的用电功率可下调容量范围以内，则电动汽车整体运行于“调度指令追踪模式”，分群调控指令滚动优化模型以负荷聚合商盈利最大化为目标，其目标函数取为：
Figure BDA0003575432480000041
其中，
Figure BDA0003575432480000042
为电动汽车子群i的第h档优化调减功率，同时为该优化模型的控制变量，
Figure BDA0003575432480000051
为电动汽车子群i总的优化调减功率，ηPSO→LA为电力公司支付给负荷聚合商的辅助服务费价格，ηEV→LA为电动汽车支付给负荷聚合商的电费价格，ηLA→PSO为负荷聚合商从电力公司购电的电费价格，
Figure BDA0003575432480000052
为负荷聚合商支付给电动汽车的补偿费价格，T2为优化时域时长，
Figure BDA0003575432480000053
为优化时域内电动汽车整体基值用电功率的远期预测结果，t0′为本优化时域开始时刻，Δt2为调控指令间隔，(t0′+kΔt2)为单个优化节点对应的时刻，M为电动汽车子群数，
Figure BDA0003575432480000054
为优化时域内电动汽车子群基值用电功率的滚动预测结果，H为总档位数；
分群调控指令滚动优化模型的约束条件包括：
1)调度指令追踪约束
Figure BDA0003575432480000055
2)各档位调控容量约束
Figure BDA0003575432480000056
其中，
Figure BDA0003575432480000057
为电动汽车整体基值充电功率，ΔPorder(t)为调控中心下发的功率削减指令，
Figure BDA0003575432480000058
为电动汽车子群i的第h档优化调减功率，
Figure BDA0003575432480000059
为优化时域内电动汽车子群i各档位可调控容量。
有益效果：如何实现电动汽车整体中各电动汽车子群的协调控制是电动汽车参与削峰服务亟待解决的问题。当调控中心下发的用电功率削减指令在预测的用电功率可下调容量范围以内时，则本发明以负荷聚合商盈利最大化为目标对用电功率削减指令进行群间分解，从而实现在考虑削峰成本的情况下协调控制各电动汽车子群。
优选地，负荷聚合商支付给电动汽车的总补偿费通过以下方式确定：
将电动汽车可调减的充电功率分为H挡，设置各档位调减深度门槛
Figure BDA00035754324800000510
和支付给该电动汽车的补偿费价格为
Figure BDA00035754324800000511
该补偿费价格随着充电功率调减深度的加深而逐档位升高，h＝1,2,…,H；
获取各愿意参与削峰辅助服务的电动汽车参与削峰服务后的充电功率实际总削减量ΔP，进而依据档位设置得到各档位的实际削减量ΔPh；
对各愿意参与削峰辅助服务的电动汽车充电功率调减分档补偿：负荷聚合商支付给该电动汽车的总补偿费为
Figure BDA0003575432480000061
有益效果：如何对电动汽车参与削峰的行为进行补偿，从而激励电动汽车参与电网削峰服务，是电动汽车参与电网削峰服务亟待解决的问题。本发明按电动汽车功率调减深度对电动汽车用户进行分档补偿，能够有效激励电动汽车参与电网削峰服务。
优选地，若调控中心下发的用电功率削减指令超出预测的用电功率可下调容量范围，则电动汽车整体运行于“最大削减用电功率模式”，分群调控指令滚动优化模型以可调控能力范围内最大化削减用电功率为目标，其目标函数取为：
Figure BDA0003575432480000062
分群调控指令滚动优化模型的约束条件为：
电动汽车子群的调控容量约束
Figure BDA0003575432480000063
其中，
Figure BDA0003575432480000064
为滚动预测得到的电动汽车子群i的可调控容量。
有益效果：如何实现电动汽车整体中各电动汽车子群的协调控制是电动汽车参与削峰服务亟待解决的问题。当调控中心下发的用电功率削减指令超出预测的用电功率可下调容量范围时，则本发明以最大化削减用电功率为目标对用电功率削减指令进行群间分解，从而使电动汽车整体能够尽可能准确响应电网削峰需求。
优选地，所述对下属各电动汽车可调控容量进行预测，具体如下：
接收各电动汽车子群的能源控制器实时发送的下属电动汽车子群的各档位可调控容量；
汇总得到负荷聚合商下属电动汽车整体的各档位可调控容量
Figure BDA0003575432480000071
将
Figure BDA0003575432480000072
作为训练样本，对用于可调控容量预测的神经网络模型进行训练，
Figure BDA0003575432480000073
为电动汽车整体第h档可调控容量，
Figure BDA0003575432480000074
为电动汽车子群i第h档可调控容量，
Figure BDA0003575432480000075
为电动汽车整体基值充电功率；
采用基于神经网络模型的时序预测算法，对电动汽车整体在响应时段内不同档位的可调控容量分别进行预测。
有益效果：预测下属电动汽车的可调控容量是聚合商参与电网削峰服务市场申报的前提，现有预测方法大多基于概率分布计算，难以应用于工程实际，本发明提出了采用基于神经网络模型的时序预测算法，能够对电动汽车整体、子群参与电网削峰服务的各挡位可调控容量进行较为准确的预测。
为实现上述目的，按照本发明的第三方面，提供了一种用于集群电动汽车参与电网削峰服务的电动汽车调控指令分解系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行上述方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)如何实现电动汽车整体中各子群间的协调控制是规模化电动汽车参与电网削峰服务亟待解决的问题，本发明所提供的电动汽车调控指令群间优化分解方法，采用模型预测控制的方法，综合考虑了负荷聚合商盈利和电动汽车可调控能力，能够实现调度指令在不同电动汽车子群间的优化分解，为协同调控规模化电动汽车准确响应电网削峰服务需求提供了技术支撑。
(2)如何实现电动汽车子群内各电动汽车的协调控制是规模化电动汽车参与电网削峰服务亟待解决的问题，本发明所提供的电动汽车调控指令群内优化分配方法，采用状态队列排序方法，综合考虑了电动汽车可调控能力、削峰辅助服务成本、电动汽车用户在充电时间上的需求及调度指令的准确执行，仅利用电动汽车当前状态信息对电动汽车参与削峰的行为进行列队排序，分析计算效率较高，能够满足调度指令快速分解的需求。
附图说明
图1为削峰辅助服务市场组织流程示意图；
图2为电动汽车参与削峰辅助服务的多时间尺度分层控制架构示意图；
图3为调度指令群间优化分解流程示意图；
图4为预测得到的电动汽车整体在响应时段内的基值充电功率；
图5为预测得到的电动汽车整体在响应时段内的各档位可调节容量；
图6为响应时段内各电动汽车子群分配的调度指令；
图7为响应时段内电动汽车整体各档位分配的调度指令；
图8为模拟得到的电动汽车整体参与削峰服务后的实际充电功率。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在电力调控中心的直接控制体系下，同时考虑电力市场环境，灵活负荷参与的日内削峰辅助服务执行流程如图1所示。
响应时段前，电网调控中心视情况启动削峰辅助服务市场，通过市场交易平台发布该响应时段的削峰辅助服务需求，包含响应时段内的削峰需求电力曲线等信息；负荷聚合商基于能源控制器评估结果进行市场申报，向市场交易平台申报响应时段内的荷基值曲线、削负荷能力电力曲线及对应的服务价格等信息。削峰辅助服务市场交易平台基于市场交易规则组织集中出清，经电网调控中心安全校核后将出清结果下发至负荷聚合商。
响应时段内，负荷聚合商依据市场出清结果，通过调度自动化系统、负荷聚合云平台、能源控制器ALC、智慧负荷单元ALU、控制终端组成的分层控制体系对灵活负荷进行协调控制，执行负荷调度计划曲线。
削峰辅助服务市场采用集中竞价、统一边际电价出清机制。在满足电网安全和电力平衡约束的条件下，将每个时段负荷聚合商申报电价从低到高排序，直至满足该时段的削峰需求，形成边际出清价格及中标电力，成交价格为最后中标的负荷聚合商申报电价。
规模化电动汽车参与电网削峰辅助服务的多时间尺度分层控制流程如图2所示。削峰辅助服务市场交易平台依据交易规则组织市场出清，在执行时段前将交易结果下发至负荷聚合商，由负荷聚合商、云平台、能源控制器ALC、智慧负荷单元ALU、电动汽车组成的分层控制体系完成交易结果的执行。
在调度指令执行过程中，市场交易结果由调控中心自动化系统下发至负荷侧能源控制器，为响应时段内电动汽车整体的充电功率削减指令，指令间隔为15分钟。
聚合商云平台在接收到电动汽车整体充电功率削减指令后对指令在电动汽车子群间进行优化分解，采用模型预测控制算法，在响应时段内滚动预测各充电站可调控容量并优化分配各充电站调控指令，滚动周期为5分钟，预测及控制时域为未来1小时，指令分辨率为5分钟。每次滚动计算后，将控制时域内第一个5分钟的优化结果作为控制指令下发至智慧负荷单元ALU。
电动汽车子群的能源控制器ALC在接收到云平台分发的调度指令后对指令在各电动汽车个体间做进一步的优化分解，采用状态队列排序方法，生成细化至每个充电桩的充电控制指令，能源控制器ALC每5分钟下发一次的电动汽车子群调度指令，电动汽车个体控制指令每1分钟生成一次。
基于上述电动汽车参与削峰辅助服务的执行流程及分层控制体系，本发明提出了一种适用于集群电动汽车参与电网削峰服务的市场申报及调度指令分解方法，考虑了电动汽车用户、负荷聚合商、电网调度机构的利益诉求，分档评估电动汽车群调控能力，对负荷调控指令进行分层优化分解，实现了电动汽车群对电网削峰需求的高质量响应。该方法包括如下步骤：
(1)电动汽车插入充电桩开始充电前，电动汽车用户与负荷聚合商签订辅助服务协议，确认电动汽车用户参与削峰辅助服务意愿。负荷聚合商对愿意参与削峰辅助服务的电动汽车用户，按电动汽车参与削峰服务后的充电功率实际削减情况进行分档补偿。
实施例中，步骤(1)具体包括：负荷聚合商采用分档补偿方法，对电动汽车参与削峰辅助服务的行为进行补偿激励。该方法将电动汽车可调减的充电功率分为H挡，各档位的调减深度门槛为
Figure BDA0003575432480000101
电动汽车的总削减功率为ΔP＝Pbasic-Pactual，其中，Pbasic为电动汽车未参与削峰辅助服务时的基值充电功率，Pactual为电动汽车参与削峰辅助服务后的实际用电功率。各档位的削减功率计算如下式：
Figure BDA0003575432480000102
各档位对应的负荷聚合商支付给电动汽车用户的补偿费价格为
Figure BDA0003575432480000111
Figure BDA0003575432480000112
随着充电功率调减深度的加深而逐档位升高，负荷聚合商支付给电动汽车用户的总补偿费价格为
Figure BDA0003575432480000113
(2)负荷聚合商依据下属电动汽车充电桩实际充电功率
Figure BDA0003575432480000114
按可调减深度分档评估电动汽车参与电网削峰的可调控容量
Figure BDA0003575432480000115
以充电站为单位汇总得到各个电动汽车子群的各档位可调控容量
Figure BDA0003575432480000116
再进一步汇总得到负荷聚合商下属电动汽车整体的各档位可调控容量
Figure BDA0003575432480000117
实施例中，步骤(2)具体包括：
单台电动汽车参与削峰服务的各档位调控容量评估方法如下：
Figure BDA0003575432480000118
其中，
Figure BDA0003575432480000119
为子群i中电动汽车j的第h档可调控容量，
Figure BDA00035754324800001110
为电动汽车的基值充电功率，
Figure BDA00035754324800001111
为电动汽车各档位调节深度门槛与基值充电功率的比值。当电动汽车不参与负荷调控时，
Figure BDA00035754324800001112
取电动汽车的当前实际用电功率；当电动汽车参与负荷调控时，
Figure BDA00035754324800001113
取电动汽车参与负荷调控前一时刻的实际用电功率。当电动汽车离开充电桩时，
Figure BDA00035754324800001114
取为零。
汇总各个充电站的电动汽车子群参与削峰服务的可调控容量：
Figure BDA00035754324800001115
其中，
Figure BDA00035754324800001116
为电动汽车子群i的第h档可调控容量。
汇总负荷聚合商下属电动汽车整体参与削峰服务的可调控容量：
Figure BDA00035754324800001117
其中，
Figure BDA0003575432480000121
为电动汽车整体的第h档可调控容量。
以上电动汽车参与削峰服务的可调控容量实时评估结果，用于支撑调度指令在不同充电桩之间的优化分解，存储的历史评估结果还可作为训练样本对用于可调控容量预测的神经网络模型进行训练。
(3)电网调控中心下发负荷高峰时段削峰辅助服务需求后，负荷聚合商依据下属电动汽车可调控能力历史评估结果，预测响应时段内下属电动汽车整体的基值充电功率
Figure BDA0003575432480000122
参与削峰的各档位可调控容量
Figure BDA0003575432480000123
依据需要支付给电动汽车用户的分档补偿费价格拟定电动汽车整体参与辅助服务的申报价格
Figure BDA0003575432480000124
并在信息申报截止时间前将以上信息上报至电网调控中心市场交易平台。
实施例中，步骤(3)具体包括：采用基于长短期记忆神经网络的人工智能算法(LSTM)，对电动汽车整体在响应时段内不同档位的可调控容量分别进行预测。
神经网络结构为200个隐含单元的LSTM层+大小为50的全连接层+丢弃概率为0.5的丢弃层。输入神经网络模型的特征数据为响应时段前电动汽车整体基值充电功率
Figure BDA0003575432480000125
电动汽车整体各档位可调控容量
Figure BDA0003575432480000126
及各测量点对应时间，模型输出是响应时段内电动汽车整体基值充电功率
Figure BDA0003575432480000127
电动汽车整体各档位可调控容量
Figure BDA0003575432480000128
其中，t0为当前时刻；T1为削峰辅助服务响应时段时长，若响应时段时长为4小时，则T1＝16；T1′为时间裕度，以满足在响应时段开始前提前进行市场申报的要求，若取时间裕度为1小时，则T1′＝4；预测数据时间间隔Δt1取为15分钟。
在市场信息申报截止时间前，负荷聚合商需要向市场交易平台完成如下信息申报：1)响应时段内电动汽车整体基值充电功率预测结果
Figure BDA0003575432480000131
响应时段内电动汽车整体各档位调控容量预测结果
Figure BDA0003575432480000132
电动汽车整体各档位调控容量对应的辅助服务申报价格
Figure BDA0003575432480000133
其中，ts为响应时段开始时刻，聚合商辅助服务申报价格
Figure BDA0003575432480000134
高于其补偿给电动汽车用户的补偿价格
Figure BDA0003575432480000135
(4)响应时段开始后，负荷聚合商云平台依据电网调控中心下发的负荷调控指令，采用模型预测控制方法，每5分钟对下属各电动汽车子群可调控容量进行滚动预测，同时考虑负荷聚合商盈利、电动汽车用户充电、调度指令准确执行等多方目标，对调度指令ΔPorder(t)进行滚动优化分解，并将生成的各电动汽车子群调度指令
Figure BDA0003575432480000136
分发至各能源控制器。
实施例中，步骤(4)具体包括：聚合商云平台采用模型预测控制方法(MPC)在响应时段内对接入充电桩的各电动汽车子群可调控容量进行滚动预测，对调度指令进行滚动优化分解，其具体流程如图3所示。响应时段开始后，聚合商云平台在每个预测时步预测得到未来单个优化时域内各电动汽车子群基值充电功率、各档位可调控容量，作为调度指令滚动优化分解模型的输入参数及边界条件。然后调用分群调控指令滚动优化模型，对当前时步未来单个优化时域内调度指令进行优化分解，取调度指令优化分解结果序列中临近时刻的分解结果作为电动汽车的调度指令，下发给对应子群的能源控制器。此处取优化时域时长为1小时，生成的调度指令时间间隔为5分钟，每个预测时步的时间间隔为5分钟，即滚动优化周期为5分钟。
响应时段内，电动汽车各子群可调控容量、基值充电功率的预测采用基于长短期记忆神经网络的人工智能算法(LSTM)。神经网络结构为200个隐含单元的LSTM层+大小为1的全连接层。输入神经网络模型的特征数据为当前时刻各电动汽车子群基值用电功率
Figure BDA0003575432480000137
电动汽车整体各档位可调控容量
Figure BDA0003575432480000138
模型输出是下一个时步的电动汽车子群基值用电功率
Figure BDA0003575432480000141
电动汽车整体各档位可调控容量
Figure BDA0003575432480000142
神经网络每次预测一个时步，并在每次预测时更新网络状态。对于每次预测，使用前一次预测结果作为神经网络的输入。
经过训练的神经网络可滚动预测各优化时域内电动汽车子群各档位可调控容量
Figure BDA0003575432480000143
优化时域内电动汽车子群基值用电功率
Figure BDA0003575432480000144
其中，ts′为本优化时域开始时刻；T2为优化时域时长，若优化时域时长为1小时，则T2＝12；调控指令时间间隔Δt2取为5分钟。
聚合商云平台在得到优化时域内电动汽车子群可调控容量预测结果后，需要调用分群调控指令滚动优化模型，对当前优化时域内各电动汽车子群分配的负荷调控指令进行优化求解。分群调控指令滚动优化模型分为“调度指令追踪模式”和“最大削减用电功率模式”，综合考虑了调度指令的准确执行和负荷聚合商盈利。
若调控中心下发的用电功率削减指令在预测的用电功率可下调容量范围以内，则电动汽车整体运行于“调度指令追踪模式”，分群调控指令滚动优化模型以负荷聚合商盈利最大化为目标，其目标函数取为：
Figure BDA0003575432480000145
Figure BDA0003575432480000146
式中，
Figure BDA0003575432480000151
为电动汽车子群i的第h档优化调减功率，同时为该优化模型的控制变量，
Figure BDA0003575432480000152
为电动汽车子群i总的优化调减功率，ηPSO→LA为电力公司支付给负荷聚合商的辅助服务费价格，ηEV→LA为电动汽车用户支付给负荷聚合商的电费价格，ηLA→PSO为负荷聚合商从电力公司购电的电费价格。
该模式下，分群调控指令滚动优化模型的约束条件包括：
1)调度指令追踪约束
Figure BDA0003575432480000153
2)各档位调控容量约束
Figure BDA0003575432480000154
若调控中心下发的用电功率削减指令在预测的用电功率可下调容量范围以内，则电动汽车整体运行于“最大削减用电功率模式”，分群调控指令滚动优化模型以可调控能力范围内最大化削减用电功率为目标，其目标函数取为：
Figure BDA0003575432480000155
该模式下，分群调控指令滚动优化模型的约束条件为电动汽车子群的调控容量约束
Figure BDA0003575432480000156
其中，
Figure BDA0003575432480000157
为滚动预测得到的电动汽车子群i的可调控容量。
(5)在滚动优化时域内，各电动汽车子群的能源控制器依据各电动汽车可调控容量实时评估结果及充电至期望电量所需要的时间，每分钟对电动汽车个体进行状态队列排序，优先调用接近充电目标电动汽车的低档位调控容量，将优化分配后的负荷调控指令
Figure BDA0003575432480000158
分发至电动汽车充电桩个体，直至满足能源控制器接收到的负荷调度指令。
实施例中，步骤(5)具体包括：各电动汽车子群的能源控制器在接收到云平台分发的负荷调控指令后，对调控指令做进一步的优化分解，生成单个充电桩的控制指令。此处采用电动汽车状态队列排序的调度指令分解方法，综合考虑根据电动汽车所需要的充电时间和各档位调控容量，每分钟对电动汽车参与充电功率削减的优先度进行排序，使电动汽车依据功率分配策略按优先度排序依次参与负荷削减，直至满足下发的负荷调控指令，从而提高调控指令执行的准确性和经济性。
电动汽车参与充电功率削减的排序策略为：
1)优先调用电动汽车群整体中各电动汽车的低档位调控容量，低档位调控容量全部用尽后再调用高一档的调控容量；
2)多台电动汽车拥有相同档位的调控容量时，依据电动汽车充电至期望电量所需要的充电时间，从小到大进行排序，优先调用已经接近充电目标的电动汽车。
电动汽车充电至期望电量所需要的充电时间按下式计算：
Figure BDA0003575432480000161
式中，Ei,j为电动汽车电池容量，
Figure BDA0003575432480000162
为电动汽车期望电量，SOCi,j(t)为电动汽车当前电量，
Figure BDA0003575432480000163
为电动汽车最大充电功率。
为验证本发明所提电动汽车参与电网削峰服务的市场申报策略及调度指令分解方法的合理性，此处采用蒙特卡洛方法模拟生成6个电动汽车子群500天的运行数据，作为本发明所涉及神经网络算法的训练集与测试集。各电动汽车子群所含接入充电桩的电动汽车数量及各类型电动汽车运行参数如表1、表2所示。
表1各子群电动汽车数量抽样
Figure BDA0003575432480000164
Figure BDA0003575432480000171
表2各子群电动汽车数量抽样
Figure BDA0003575432480000172
设电动汽车可调控容量共分为5档，每一档占电动汽车基值充电功率的范围为20％，以某日削峰需求响应时段为8:00-12:00为例，采用本发明所提基于人工智能算法的可调控容量预测方法可以预测得到响应时段内聚合商下属电动汽车整体的基值充电功率及各档位可调控容量如图4～图5所示。
设经过市场出清后，电力公司支付给聚合商的辅助服务价格为5元/kWh，聚合商中标充电功率削减量为下属电动汽车基值充电功率的70％，聚合商支付给各电动汽车用户的各档位辅助服务补偿价格由低至高分别为2、3、4、5、6元/kWh，电动汽车用户支付给聚合商的电费价格为1.2元/kWh，聚合商从电力公司购电的电费价格为0.6元/kWh，则采用本发明所提调度指令滚动优化分解方法，各电动汽车子群分配的调度指令如图6所示，电动汽车整体各档位分配的调度指令如图7所示，电动汽车整体参与削峰服务后的实际充电功率如图8所示。
由模拟结果可知，本发明所提方法能较好实现调度指令在大规模电动汽车间的优化分解，能够准确响应电网调峰辅助服务需求，同时考虑负荷聚合商、电动汽车用户等多方利益诉求。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种集群电动汽车参与电网削峰的调控指令群内分解方法，该方法应用于各电动汽车子群的能源控制器，所述能源控制器与电动汽车子群一一对应，其特征在于，该方法包括：
接收负荷聚合商云平台分发的滚动优化时域内负荷调控指令；
依据下属电动汽车充电桩实际充电功率，按可调减深度分档评估电动汽车参与电网削峰的可调控容量；
依据各电动汽车各档位调控容量和所需充电时间，每分钟对各电动汽车参与充电功率削减的优先度进行排序，使电动汽车依据功率分配策略按优先度排序依次参与负荷削减，将优化分配后的负荷调控指令分发至电动汽车充电桩个体，直至满足能源控制器接收到的负荷调度指令；
并汇总得到下属电动汽车子群的各档位可调控容量，实时发送给负荷聚合商云平台。
2.如权利要求1所述的方法，其特征在于，电动汽车参与充电功率削减的排序策略为：
1)优先调用电动汽车群整体中各电动汽车的低档位调控容量，低档位调控容量全部用尽后再调用高一档的调控容量；
2)多台电动汽车拥有相同档位的调控容量时，依据电动汽车充电至期望电量所需要的充电时间，从小到大进行排序，优先调用已经接近充电目标的电动汽车。
3.如权利要求1所述的方法，其特征在于，单台电动汽车参与削峰服务的各档位调控容量评估方式如下：
Figure FDA0003575432470000011
其中，
Figure FDA0003575432470000012
为子群i中电动汽车j的第h档可调控容量，
Figure FDA0003575432470000013
为电动汽车的基值充电功率，
Figure FDA0003575432470000021
为电动汽车各档位调节深度门槛与基值充电功率的比值；H为总档位数；当电动汽车不参与负荷调控时，
Figure FDA0003575432470000022
取电动汽车的当前实际用电功率；当电动汽车参与负荷调控时，
Figure FDA0003575432470000023
取电动汽车参与负荷调控前一时刻的实际用电功率；当电动汽车离开充电桩时，
Figure FDA0003575432470000024
取零值。
4.如权利要求1所述的方法，其特征在于，电动汽车所需充电时间按下式计算：
Figure FDA0003575432470000025
其中，Ei,j为电动汽车电池容量，
Figure FDA0003575432470000026
为电动汽车期望电量，SOCi,j(t)为电动汽车当前电量，
Figure FDA0003575432470000027
为电动汽车最大充电功率。
5.一种集群电动汽车参与电网削峰的电动汽车调控指令群间分解方法，该方法应用于负荷聚合商云平台，所述负荷聚合商云平台与负荷聚合商一一对应，所述负荷聚合商管理多个电动汽车子群，其特征在于，该方法包括：
接收电网调控中心下发的用电负荷削减调控指令；
每个预测时步对下属各电动汽车子群可调控容量进行预测，得到未来单个优化时域内的可调控容量及基值充电功率，作为分群调控指令滚动优化模型的输入参数及边界条件；
调用分群调控指令滚动优化模型，对当前优化时域内各电动汽车子群分配的负荷调控指令进行滚动优化分解，得到当前优化时域内各电动汽车子群调度指令，分发至各电动汽车子群的能源控制器，其中，所述分群调控指令滚动优化模型的目标为负荷聚合商盈利最大化或者可调控能力范围内最大化削减用电功率。
6.如权利要求5所述的方法，其特征在于，若调控中心下发的用电功率削减指令在预测的用电功率可下调容量范围以内，则电动汽车整体运行于“调度指令追踪模式”，分群调控指令滚动优化模型以负荷聚合商盈利最大化为目标，其目标函数取为：
Figure FDA0003575432470000031
其中，
Figure FDA0003575432470000032
为电动汽车子群i的第h档优化调减功率，同时为该优化模型的控制变量，
Figure FDA0003575432470000033
为电动汽车子群i总的优化调减功率，ηPSO→LA为电力公司支付给负荷聚合商的辅助服务费价格，ηEV→LA为电动汽车支付给负荷聚合商的电费价格，ηLA→PSO为负荷聚合商从电力公司购电的电费价格，
Figure FDA0003575432470000034
为负荷聚合商支付给电动汽车的补偿费价格，T2为优化时域时长，
Figure FDA0003575432470000035
为优化时域内电动汽车整体基值用电功率的远期预测结果，t0′为本优化时域开始时刻，Δt2为调控指令间隔，(t0′+kΔt2)为单个优化节点对应的时刻，M为电动汽车子群数，
Figure FDA0003575432470000036
为优化时域内电动汽车子群基值用电功率的滚动预测结果，H为总档位数；
分群调控指令滚动优化模型的约束条件包括：
1)调度指令追踪约束
Figure FDA0003575432470000037
2)各档位调控容量约束
Figure FDA0003575432470000038
其中，
Figure FDA0003575432470000039
为电动汽车整体基值充电功率，ΔPorder(t)为调控中心下发的功率削减指令，
Figure FDA00035754324700000310
为电动汽车子群i的第h档优化调减功率，
Figure FDA0003575432470000041
为优化时域内电动汽车子群i各档位可调控容量。
7.如权利要求6所述的方法，其特征在于，负荷聚合商支付给电动汽车的总补偿费通过以下方式确定：
将电动汽车可调减的充电功率分为H挡，设置各档位调减深度门槛
Figure FDA0003575432470000042
和支付给该电动汽车的补偿费价格为
Figure FDA0003575432470000043
该补偿费价格随着充电功率调减深度的加深而逐档位升高，h＝1,2,…,H；
获取各愿意参与削峰辅助服务的电动汽车参与削峰服务后的充电功率实际总削减量ΔP，进而依据档位设置得到各档位的实际削减量ΔPh；
对各愿意参与削峰辅助服务的电动汽车充电功率调减分档补偿：负荷聚合商支付给该电动汽车的总补偿费为
Figure FDA0003575432470000044
8.如权利要求5所述的方法，其特征在于，若调控中心下发的用电功率削减指令超出预测的用电功率可下调容量范围，则电动汽车整体运行于“最大削减用电功率模式”，分群调控指令滚动优化模型以可调控能力范围内最大化削减用电功率为目标，其目标函数取为：
Figure FDA0003575432470000045
分群调控指令滚动优化模型的约束条件为：
电动汽车子群的调控容量约束
Figure FDA0003575432470000046
其中，
Figure FDA0003575432470000047
为滚动预测得到的电动汽车子群i的可调控容量。
9.如权利要求5至8任一项所述的方法，其特征在于，所述对下属各电动汽车子群可调控容量进行预测，具体如下：
接收各电动汽车子群的能源控制器实时发送的下属电动汽车子群的各档位可调控容量；
汇总得到负荷聚合商下属电动汽车整体的各档位可调控容量
Figure FDA0003575432470000051
将
Figure FDA0003575432470000052
作为训练样本，对用于可调控容量预测的神经网络模型进行训练，
Figure FDA0003575432470000053
为电动汽车整体第h档可调控容量，
Figure FDA0003575432470000054
为电动汽车子群i第h档可调控容量，
Figure FDA0003575432470000055
为电动汽车整体基值充电功率；
采用基于神经网络模型的时序预测算法，对电动汽车整体在响应时段内不同档位的可调控容量分别进行预测。
10.一种集群电动汽车参与电网削峰的电动汽车调控指令分解系统，其特征在于，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至9任一项所述的方法。
CN202210343161.5A 2022-03-31 2022-03-31 集群电动汽车参与电网削峰的调控指令分解方法和系统 Active CN114612001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210343161.5A CN114612001B (zh) 2022-03-31 2022-03-31 集群电动汽车参与电网削峰的调控指令分解方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210343161.5A CN114612001B (zh) 2022-03-31 2022-03-31 集群电动汽车参与电网削峰的调控指令分解方法和系统

Publications (2)

Publication Number Publication Date
CN114612001A true CN114612001A (zh) 2022-06-10
CN114612001B CN114612001B (zh) 2024-07-05

Family

ID=81867835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210343161.5A Active CN114612001B (zh) 2022-03-31 2022-03-31 集群电动汽车参与电网削峰的调控指令分解方法和系统

Country Status (1)

Country Link
CN (1) CN114612001B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114744662A (zh) * 2022-06-13 2022-07-12 华北电力大学 一种基于多类型电动汽车的电网调峰方法及系统
CN117895510A (zh) * 2024-03-14 2024-04-16 山东建筑大学 基于聚合商模式下电动汽车集群参与电网调峰方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109193718A (zh) * 2018-08-01 2019-01-11 南京师范大学 一种适应于v2g的选择电动汽车入网调控方法
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
CN113919229A (zh) * 2021-10-20 2022-01-11 华北电力大学 一种基于概率转移矩阵的电动汽车分层式充电策略方法
CN114219210A (zh) * 2021-11-11 2022-03-22 华南理工大学 一种考虑需求响应意愿分级的电动汽车实时调度优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109193718A (zh) * 2018-08-01 2019-01-11 南京师范大学 一种适应于v2g的选择电动汽车入网调控方法
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
CN113919229A (zh) * 2021-10-20 2022-01-11 华北电力大学 一种基于概率转移矩阵的电动汽车分层式充电策略方法
CN114219210A (zh) * 2021-11-11 2022-03-22 华南理工大学 一种考虑需求响应意愿分级的电动汽车实时调度优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114744662A (zh) * 2022-06-13 2022-07-12 华北电力大学 一种基于多类型电动汽车的电网调峰方法及系统
CN114744662B (zh) * 2022-06-13 2022-08-26 华北电力大学 一种基于多类型电动汽车的电网调峰方法及系统
CN117895510A (zh) * 2024-03-14 2024-04-16 山东建筑大学 基于聚合商模式下电动汽车集群参与电网调峰方法及系统
CN117895510B (zh) * 2024-03-14 2024-05-28 山东建筑大学 基于聚合商模式下电动汽车集群参与电网调峰方法及系统

Also Published As

Publication number Publication date
CN114612001B (zh) 2024-07-05

Similar Documents

Publication Publication Date Title
CN111762051B (zh) 基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法
CN105046371A (zh) 一种基于需求侧竞价的电动汽车充放电调度方法
CN114612001B (zh) 集群电动汽车参与电网削峰的调控指令分解方法和系统
CN113326994A (zh) 一种考虑源荷储互动的虚拟电厂能量协同优化方法
Chai et al. A two-stage optimization method for Vehicle to Grid coordination considering building and Electric Vehicle user expectations
CN107545369A (zh) 计及用户参与度的电动汽车集群实时有序调度方法
Zhang et al. Bidding strategy for wind power and Large-scale electric vehicles participating in Day-ahead energy and frequency regulation market
CN113904380A (zh) 一种考虑需求响应的虚拟电厂可调节资源精准控制方法
CN107887932A (zh) 虚拟发电厂在日前市场的生产竞价组织方法
Yue et al. Optimal scheduling strategy of electric vehicle cluster based on index evaluation system
CN116596252A (zh) 一种电动汽车集群多目标充电调度方法
CN114723230A (zh) 面向新能源发电和储能的微电网双层调度方法及系统
Ren et al. Study on optimal V2G pricing strategy under multi-aggregator competition based on game theory
CN117543581A (zh) 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用
CN117639043A (zh) 风电协同下的电动汽车调度方法、装置、终端设备及介质
CN117713110A (zh) 一种柔性负荷参与调峰辅助服务最优方案的规划求解方法
Chen et al. Overview of transmission expansion planning in the market environment
CN116231667A (zh) 一种基于pcam-gmm的农村配电网源-网-荷-储协调优化方法
CN116073417A (zh) 考虑综合性能的配电网源-网-荷-储联合规划方法
CN114372606A (zh) 考虑道路交通模型的ev聚合商短时调度和响应激励方法
CN115293495A (zh) 一种基于动态参与因子的调度指令分解方法和能源控制器
CN115378016B (zh) 一种多电动汽车集群日前充电计划生成方法及系统
CN118569450B (zh) 融入差异化激励机制的uvpp与需求响应双层联合优化方法
CN118589555A (zh) 一种多时间尺度分布式储能聚合调峰方法
CN118799003A (zh) 带有引流机制的电动汽车充电站marl动态定价方法

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
GR01 Patent grant
GR01 Patent grant