CN114744662A - 一种基于多类型电动汽车的电网调峰方法及系统 - Google Patents

一种基于多类型电动汽车的电网调峰方法及系统 Download PDF

Info

Publication number
CN114744662A
CN114744662A CN202210658783.7A CN202210658783A CN114744662A CN 114744662 A CN114744662 A CN 114744662A CN 202210658783 A CN202210658783 A CN 202210658783A CN 114744662 A CN114744662 A CN 114744662A
Authority
CN
China
Prior art keywords
vehicle
electric vehicle
electric
power
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
Application number
CN202210658783.7A
Other languages
English (en)
Other versions
CN114744662B (zh
Inventor
胡俊杰
赖信辉
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202210658783.7A priority Critical patent/CN114744662B/zh
Publication of CN114744662A publication Critical patent/CN114744662A/zh
Application granted granted Critical
Publication of CN114744662B publication Critical patent/CN114744662B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • 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
    • H02J3/007—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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or 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
    • 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
    • Y02T90/12—Electric charging stations

Landscapes

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

Abstract

本发明提供一种基于多类型电动汽车的电网调峰方法及系统，属于电网调控技术领域，电网调峰方法包括：根据历史多类型电动汽车数据建立全局优化调度模型，并进行线性规划求解，确定各电动汽车在历史各时段的充放电功率；将充放电功率转换为电池荷电状态值，得到电池荷电状态矩阵；根据电池荷电状态矩阵对双向长短期记忆网路进行训练，得到电池荷电状态预测模型；基于电池荷电状态预测模型对日内各时段各电动汽车的电池荷电状态值进行预测，得到各电动汽车的预测电池荷电状态值；将预测电池荷电状态值转换为充放电功率，得到各电动汽车的预测充放电功率，以控制各电动汽车的充放电功率。提高了各电动汽车充放电功率的精度及电网调峰的效率。

Description

一种基于多类型电动汽车的电网调峰方法及系统
技术领域
本发明涉及电网调控领域，特别是涉及一种基于多类型电动汽车的电网调峰方法及系统。
背景技术
随着电动汽车数量的不断增加，大规模的EV（Electric Vehicle，电动汽车）接入电网进行无序充电，会给电网带来网损增大、电能质量下降、电网运行优化控制难度增加等问题，在当前新能源消纳问题严重的情况下，对电网的安全稳定运行构成了很大威胁。因此，需要对电动汽车充电进行优化和引导。在多种类型电动汽车参与电网互动中，由于不同类型车辆（私家车、市政车、公交车等）的出行特点和充放电特征各有不同，多类型电动汽车参与电网互动面临诸多难点，在统一调度时给电动汽车聚合商的调度带来了很大的困难。
通过对电动汽车进行充放电功率控制，以达到削峰填谷、平抑负荷波动、缓解新能源消纳，可以极大地缓解电网侧压力，保证电网稳定性。现有研究针对电动汽车参与削峰填谷的方法普遍为日前功率控制优化，通过在日前得到的预测负荷数据，进行整体的功率求解，然而这类方法对预测的精准度要求过高，当预测失准时，其功率控制效果会大打折扣，从而大幅度影响负荷平抑的效果。
基于上述问题，亟需一种新的调峰方法以提高功率控制的精度并提高电网调峰的效率。
发明内容
本发明的目的是提供一种基于多类型电动汽车的电网调峰方法及系统，可提高功率控制的精度并提高电网调峰的效率。
为实现上述目的，本发明提供了如下方案：
一种基于多类型电动汽车的电网调峰方法，包括：
采集历史多类型电动汽车数据；所述历史多类型电动汽车数据包括各电动汽车在历史多个时段内的出行信息和负荷数据；
根据所述历史多类型电动汽车数据，建立全局优化调度模型，并对所述全局优化调度模型进行线性规划求解，确定各电动汽车在历史各时段的充放电功率；
将各电动汽车在历史各时段的充放电功率转换为电池荷电状态值，得到电池荷电状态矩阵；所述电池荷电状态矩阵包括各电动汽车在历史各时段的真实电池荷电状态值；
根据所述电池荷电状态矩阵，对双向长短期记忆网路进行训练，得到电池荷电状态预测模型；
基于所述电池荷电状态预测模型，对日内各时段各电动汽车的电池荷电状态值进行预测，得到对应时段各电动汽车的预测电池荷电状态值；
将各电动汽车的预测电池荷电状态值转换为充放电功率，得到日内各时段内各电动汽车的预测充放电功率，以控制各电动汽车的充放电功率。
可选地，所述电动汽车包括私家车、公交车和市政车。
可选地，所述根据所述历史多类型电动汽车数据，建立全局优化调度模型，具体包括：
根据各电动汽车在历史多个时段内的出行信息和负荷数据，确定负荷曲线峰谷差、负荷曲线方差、电池功率损耗及凸化障碍项；
根据负荷曲线峰谷差、负荷曲线方差、电池功率损耗及凸化障碍项，采用以下公式，确定全局优化调度模型的目标函数：
min[L index +k*D BatLoss +K s ]；
其中，L index 为负荷曲线峰谷差及方差加权之和，D BatLoss 为电池功率损耗，k为权重系数，K s 为凸化障碍项。
可选地，所述全局优化调度模型的约束条件包括电池荷电状态SOC约束及台区功率约束；
所述SOC约束为：
Figure 314462DEST_PATH_IMAGE001
；
Figure 998079DEST_PATH_IMAGE002
；
其中，SOC i,n,min 为第i类型车下第n辆电动汽车的SOC最小值，SOC i,n,max 为第i类型车下第n辆电动汽车的SOC最大值，SOC i,n,arr 为第i类型车下第n辆电动汽车的到场SOC值，SOC i,n,dep 为第i类型车下第n辆电动汽车的离场SOC值，t now 为当前时间，A i,n 为第i类型车下第n辆电动汽车的入场时间，D i,n 为第i类型车下第n辆电动汽车的离场时间，η chg,i,n 为第i类型车下第n辆电动汽车的充电效率，η dischg,i,n 为第i类型车下第n辆电动汽车的放电效率，
Figure 943032DEST_PATH_IMAGE003
为第i类型车下第n辆电动汽车在t时间段下的充电电量，
Figure 842593DEST_PATH_IMAGE004
为第i类型车下第n辆电动汽车在t时间段下的放电电量，BatCap i,n 为第i类型车下第n辆电动汽车的电池容量；
所述台区功率约束为：
Figure 593511DEST_PATH_IMAGE005
；
其中，P 0为节点额定功率，P为节点功率，
Figure 871914DEST_PATH_IMAGE006
为节点允许的功率正偏移值，
Figure 112403DEST_PATH_IMAGE007
为节点允许的功率负偏移值。
可选地，所述根据所述电池荷电状态矩阵，对双向长短期记忆网路进行训练，得到电池荷电状态预测模型，具体包括：
针对第t时段，采用双向长短期记忆网路，根据第t时段内各电动汽车的真实电池荷电状态值，确定第t+1时段内各电动汽车的预测电池荷电状态值；
根据第t+1时段内各电动汽车的预测电池荷电状态值及真实电池荷电状态值，确定损失函数；
根据损失函数，采用Adam优化器，对双向长短期记忆网络进行迭代训练，以得到最优的双向长短期记忆网络；最优的双向长短期记忆网络为电池荷电状态预测模型。
可选地，所述损失函数为：
Figure 109047DEST_PATH_IMAGE008
；
其中，MSE为损失函数值，N为电动汽车的数量，observed n,t 为第t时段内第n辆电动汽车的真实电池荷电状态值，predicted n,t 为第t时段内第n辆电动汽车的预测电池荷电状态值。
可选地，采用以下公式，将电池荷电状态值转换为充放电功率：
Figure 132497DEST_PATH_IMAGE009
；
其中，
Figure 333584DEST_PATH_IMAGE010
为日内第t时段第i类型车下第n辆电动汽车的预测充放电功率，
Figure 948236DEST_PATH_IMAGE011
为日内第t时段第i类型车下第n辆电动汽车的预测电池荷电状态值，
Figure 651749DEST_PATH_IMAGE012
为日内第t-1时段第i类型车下第n辆电动汽车的预测电池荷电状态值，BatCap i,n 为第i类型车下第n辆电动汽车的电池容量。
可选地，所述基于多类型电动汽车的电网调峰方法还包括：
根据日内各时段各电动汽车的预测充放电功率，确定对应时段的聚合商调峰量。
可选地，采用以下公式，确定聚合商调峰量：
Figure 446268DEST_PATH_IMAGE013
；
Figure 325362DEST_PATH_IMAGE014
；
其中，Q comps (t)为日内第t时段的聚合商调峰量，L bef (t)为日内第t时段调峰前的负荷曲线值，L aft (t)为日内第t时段调峰后的负荷曲线值，L avg (t)为日内第t时段调峰前曲线的负荷平均值，
Figure 484817DEST_PATH_IMAGE015
为日内第t时段第i类型车下第n辆电动汽车的预测充放电功率，N为电动汽车的数量。
为实现上述目的，本发明还提供了如下方案：
一种基于多类型电动汽车的电网调峰系统，包括：
数据采集单元，用于采集历史多类型电动汽车数据；所述历史多类型电动汽车数据包括各电动汽车在历史多个时段内的出行信息和负荷数据；
优化调度单元，与所述数据采集单元连接，用于根据所述历史多类型电动汽车数据，建立全局优化调度模型，并对所述全局优化调度模型进行线性规划求解，确定各电动汽车在历史各时段的充放电功率；
转换单元，与所述优化调度单元连接，用于将各电动汽车在历史各时段的充放电功率转换为电池荷电状态值，得到电池荷电状态矩阵；所述电池荷电状态矩阵包括各电动汽车在历史各时段的真实电池荷电状态值；
训练单元，与所述转换单元连接，用于根据所述电池荷电状态矩阵，对双向长短期记忆网路进行训练，得到电池荷电状态预测模型；
预测单元，与所述训练单元连接，用于基于所述电池荷电状态预测模型，对日内各时段各电动汽车的电池荷电状态值进行预测，得到对应时段各电动汽车的预测电池荷电状态值；
功率确定单元，与所述预测单元连接，用于将各电动汽车的预测电池荷电状态值转换为充放电功率，得到日内各时段内各电动汽车的预测充放电功率，以控制各电动汽车的充放电功率。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
根据多类型电动汽车数据，结合全局优化和双向长短期记忆网路，对日内各时段各电动汽车的电池荷电状态值进行预测，将各电动汽车的预测电池荷电状态值转换为充放电功率，得到日内各时段内各电动汽车的预测充放电功率，以精准控制各电动汽车的充放电功率，并提高了电网调峰的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于多类型电动汽车的电网调峰方法的流程图；
图2为聚合商调峰量示意图；
图3为本发明基于多类型电动汽车的电网调峰系统的模块示意图。
符号说明：
数据采集单元-1，优化调度单元-2，转换单元-3，训练单元-4，预测单元-5，功率确定单元-6，调峰量确定单元-7。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明的目的是提供一种基于多类型电动汽车的电网调峰方法及系统，通过根据多类型电动汽车数据，结合全局优化和双向长短期记忆网路，对日内各时段各电动汽车的电池荷电状态值进行预测，提高了各电动汽车充放电功率的精度及电网调峰的效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明基于多类型电动汽车的电网调峰方法包括：
S1：采集历史多类型电动汽车数据。所述历史多类型电动汽车数据包括各电动汽车在历史多个时段内的出行信息和负荷数据。在本实施例中，所述电动汽车包括私家车、公交车和市政车。
S2：根据所述历史多类型电动汽车数据，建立全局优化调度模型，并对所述全局优化调度模型进行线性规划求解，确定各电动汽车在历史各时段的充放电功率。具体地，全局优化调度模型考虑多类型电动汽车出行约束、物理约束以及电网安全稳定运行约束。
S3：将各电动汽车在历史各时段的充放电功率转换为电池荷电状态值，得到电池荷电状态矩阵。所述电池荷电状态矩阵包括各电动汽车在历史各时段的真实电池荷电状态值。具体地，将全局优化调度的输出结果进行功率到电池荷电状态值的转换，在增加其时序上的数值紧密连续性的同时，通过电池荷电状态值变化涵盖了电动汽车的入、离场时间。
S4：根据所述电池荷电状态矩阵，对双向长短期记忆网路进行训练，得到电池荷电状态预测模型。本发明先对历史优化过程进行神经网络学习，在日内调度进行实时功率超短期预测，以降低日前预测误差造成的影响，完成调峰需求，平抑负荷波动。
S5：基于所述电池荷电状态预测模型，对日内各时段各电动汽车的电池荷电状态值进行预测，得到对应时段各电动汽车的预测电池荷电状态值。
S6：将各电动汽车的预测电池荷电状态值转换为充放电功率，得到日内各时段内各电动汽车的预测充放电功率，以控制各电动汽车的充放电功率。
具体地，采用以下公式，将电池荷电状态值转换为充放电功率：
Figure 816572DEST_PATH_IMAGE016
；
其中，
Figure 306459DEST_PATH_IMAGE017
为日内第t时段第i类型车下第n辆电动汽车的预测充放电功率，
Figure 538595DEST_PATH_IMAGE018
为日内第t时段第i类型车下第n辆电动汽车的预测电池荷电状态值，
Figure 104837DEST_PATH_IMAGE019
为日内第t-1时段第i类型车下第n辆电动汽车的预测电池荷电状态值，BatCap i,n 为第i类型车下第n辆电动汽车的电池容量。其中，i=1,2,3，第1类车为私家车，第2类车为公交车，第3类车为市政车。
进一步地，步骤S2中对不同种类电动汽车进行出行特性分析，并进行数据预处理（规律性和不确定性叠加）。考虑电网调峰目标（尽量降低负荷曲线峰谷差和负荷曲线方差）、电动汽车的电池放电功率损耗和凸优化障碍，创建涵盖多方面需求的全局优化调度模型。
在全局优化调度模型中，多类型电动汽车的入场时间、离场时间、初始SOC（Stateof Charge，电池荷电状态）值、预计离开时间、负荷曲线数据均已知，相当于进行关于历史日的“日后优化”。本发明利用EV出行信息和负荷数据，建立多类型EV参与调峰的全局优化调度模型，并对其进行线性规划求解出EV功率调度结果。
具体地，全局优化调度模型中多类型电动汽车状态变量为：
Figure 643264DEST_PATH_IMAGE020
；
Figure 530318DEST_PATH_IMAGE021
；
Figure 728212DEST_PATH_IMAGE022
；
Figure 291786DEST_PATH_IMAGE023
；
t∈[A i,n ,D i,n ]；
其中，
Figure 519505DEST_PATH_IMAGE024
为第i类型车下第n辆EV在t时间段下的充电电量，
Figure 226561DEST_PATH_IMAGE025
为第i类型车下第n辆EV在t时间段下的放电电量，E i,n,t 为第i类型车下第n辆EV在t时间段下的净充放电电量，
Figure 105393DEST_PATH_IMAGE026
为第i类型车下第n辆EV在t时间段的最大充电电量，与其充电功率成正比，
Figure 528284DEST_PATH_IMAGE027
为第i类型车下第n辆EV在t时间段的最大放电电量，与其放电电功率成正比，A i,n 为第i类型车下第n辆EV的入场时间，D i,n 为第i类型车下第n辆EV的离场时间，
Figure 728453DEST_PATH_IMAGE028
、
Figure 160571DEST_PATH_IMAGE029
表示充放电互斥条件，充放电不同时进行。
在多类型EV充放电满足负荷曲线峰谷差及方差最小的前提下，考虑EV电池放电功率损耗，将一天划分为96个时段。
步骤S2具体包括：根据各电动汽车在历史多个时段内的出行信息和负荷数据，确定负荷曲线峰谷差、负荷曲线方差、电池功率损耗及凸化障碍项。
根据负荷曲线峰谷差、负荷曲线方差、电池功率损耗及凸化障碍项，采用以下公式，确定全局优化调度模型的目标函数：
min[L index +k*D BatLoss +K s ]；
其中，L index 为负荷曲线峰谷差及方差加权之和，D BatLoss 为电池功率损耗，k为权重系数，K s 为凸化障碍项。
L index =a 1 L p-v +a 2 L var ；
L p-v =max(P ev,t +P load,t )-min(P ev,t +P load,t )；
Figure 97172DEST_PATH_IMAGE030
；
Figure 956543DEST_PATH_IMAGE031
；
Figure 378429DEST_PATH_IMAGE032
；
其中，L p-v 为负荷曲线峰谷差，L var 为负荷曲线方差，P ev,t 为t时间段所有电动汽车充放电净功率，P load,t 为负荷功率曲线在t时间段的功率，P avg 为平均负荷，a 1和a 2为权重系数，T为96个时间段。
在调度时为避免电动汽车因多次放电损耗导致电池质量下降，考虑电池放电功率损耗：
D BatLoss =P ET L ET ；
L ET =L c E s DoD；
Figure 614238DEST_PATH_IMAGE033
；
其中，D BatLoss 为EV单位放电电量产生的电池功率损耗，P ET 为电池总放电功率大小，L ET 为电池寿命，单位为kWh，L c 为以循环次数表示的电池寿命，E s 为电池的总存储能量，DoD为EV放电深度，k 1和k 2为权重值。
所述全局优化调度模型的约束条件包括电池荷电状态SOC约束及台区功率约束。SOC约束包含出行约束和电池约束。
其中，所述SOC约束为：
Figure 207942DEST_PATH_IMAGE034
；
Figure 972636DEST_PATH_IMAGE035
；
其中，SOC i,n,min 为第i类型车下第n辆电动汽车的SOC最小值，SOC i,n,max 为第i类型车下第n辆电动汽车的SOC最大值，SOC i,n,arr 为第i类型车下第n辆电动汽车的到场SOC值，SOC i,n,dep 为第i类型车下第n辆电动汽车的离场SOC值，t now 为当前时间，A i,n 为第i类型车下第n辆电动汽车的入场时间，D i,n 为第i类型车下第n辆电动汽车的离场时间，η chg,i,n 为第i类型车下第n辆电动汽车的充电效率，η dischg,i,n 为第i类型车下第n辆电动汽车的放电效率，
Figure 147396DEST_PATH_IMAGE036
为第i类型车下第n辆电动汽车在t时间段下的充电电量，
Figure 124580DEST_PATH_IMAGE037
为第i类型车下第n辆电动汽车在t时间段下的放电电量，BatCap i,n 为第i类型车下第n辆电动汽车的电池容量。
考虑到EV参与电网调峰应尽量较小地影响到电力系统的稳定性和安全性，本发明将功率约束条件纳入考虑范围。在各种运行方式下，节点（充电站）功率需要维持在规定的波动范围内，以保证电力系统运行的电能质量，所述台区功率约束为：
Figure 894827DEST_PATH_IMAGE038
；
其中，P 0为节点额定功率，P为节点功率，
Figure 112313DEST_PATH_IMAGE039
为节点允许的功率正偏移值，
Figure 758058DEST_PATH_IMAGE040
为节点允许的功率负偏移值。
进一步地，步骤S4具体包括：
S41：针对第t时段，采用双向长短期记忆网路，根据第t时段内各电动汽车的真实电池荷电状态值，确定第t+1时段内各电动汽车的预测电池荷电状态值。此外，针对电动汽车庞大的输入数据，首先对电池荷电状态矩阵进行优化，对重要性低的冗余数据进行去冗余。
S42：根据第t+1时段内各电动汽车的预测电池荷电状态值及真实电池荷电状态值，确定损失函数。
具体地，所述损失函数为：
Figure 319358DEST_PATH_IMAGE041
；
其中，MSE为损失函数值，N为电动汽车的数量，observed n,t 为第t时段内第n辆电动汽车的真实电池荷电状态值，predicted n,t 为第t时段内第n辆电动汽车的预测电池荷电状态值。
S43：根据损失函数，采用Adam优化器，对双向长短期记忆网络进行迭代训练，以得到最优的双向长短期记忆网络；最优的双向长短期记忆网络为电池荷电状态预测模型。
具体地，在进行优化求解时，全局优化调度模型通过N辆EV接入时共4*N特征量，输出得到96*N大小的优化功率矩阵。当N数目过大时，输入向量特征数增大，模型训练效果将骤降，网络训练时间将大幅增加。同时，如果只利用每辆EV的四个特征量（EV类型、到达时间、离开时间、初始SOC），以拟合96个时段的功率值，由于特征量较少，输出拟合维度过高，且充放电功率值较分散，也会同样导致训练效果欠佳。
鉴于此，本发明对电池荷电状态矩阵进行优化，对EV抵达时间、预计离开时间和类型进行特征去冗余。考虑到进行规划求解时，EV充放电功率的时序分布较稀疏，将得到的充放电功率转换为SOC值，得到输入特征量为N的SOC矩阵。以时序SOC值矩阵作为输入，这一方法的优点可以分为以下三个方面：（1）充放电功率转换为SOC数值以增强数值连续性。考虑到进行规划求解时，EV充放电功率的时序分布较稀疏，若直接进行神经网络预测，拟合效果不佳。本发明将得到的优化功率值转换为SOC值，得到输入特征量为N的SOC矩阵，以时序SOC值矩阵作为输入，其数值时序上的连续性将更加紧密，且SOC值变化曲线存在时序增长或降低的趋势，更有利于Bi-LSTM进行学习。（2）通过判断SOC是否为0以去除EV进、离场时间特征量。一方面，当EV不在场时，充电桩读取的车辆SOC数值为0；另一方面，由于在全局优化调度模型的约束条件中包括了EV的SOC下限约束，当EV在场时，充电桩读取的车辆SOC数值将不为0。本发明的优化方法利用SOC值日内非0值即为EV在场时间、0值即为EV离场时间这一特点，将进、离场时间特征量进行去除，降低输入矩阵大小。（3）输入所有EV的SOC以满足整体调峰需求，不用判断EV类型。当输入矩阵囊括了所有EV的SOC时序信息时，无需对EV类别进行判断，充放电电价特征、最优调峰计划的横向功率特征和纵向时序特征也隐含在SOC矩阵中，这一特点将提高网络拟合水平，让输出结果达到近似最优。经过上述输入矩阵优化方法，可以进一步保证Bi-LSTM网络训练的高效性和准确性。
在训练阶段，经过输入特征优化后，得到Bi-LSTM网络的输入数据为：
Figure 101370DEST_PATH_IMAGE042
；
其中，R input,t 为电池荷电状态矩阵，
Figure 224177DEST_PATH_IMAGE043
为t时段编号为
Figure 357219DEST_PATH_IMAGE044
的私家车的SOC值，B soc,j,t 为t时段编号为j的公交车的SOC值，T soc,k,t 为t时段编号为k的市政车的SOC值。
将输入矩阵进行优化处理后，作为双向长短期记忆网络的输入。针对多类型电动汽车的电池荷电状态矩阵，设定精准且具有泛化能力的训练超参数如隐藏单元数量、Batchsize、初始学习率、训练轮次等，设定合适的初始化模式。利用Bi-LSTM对最优调度SOC值进行时序学习，输出为预测的实时最优调度结果，最后得到训练完成的电池荷电状态预测模型，训练完的模型用于实时调度。
电池荷电状态预测模型的输出如下式：
Figure 722210DEST_PATH_IMAGE045
；
其中，
Figure 296411DEST_PATH_IMAGE046
为t+1时段编号为g的私家车的预测SOC值、B soc,j,t+1为t+1时段编号为j的公交车的预测SOC值，T soc,k,t 为t+1时段编号为k的市政车的预测SOC值。
在充放电功率预测过程中，对接入的新车各项数据进行实时更新，并计算调峰量（用t时刻实时的电动汽车数据，即时更新在t-1时刻对t时刻预测的数据）。参与实时调度并对接入的新车各项数据进行实时更新。
在进行实时优化调度时，根据t时段之前的SOC值对t+1时段进行超短期预测，当t+1时段有编号为i的新车接入时，读取该车的初始SOC值，对该时段的第i行SOC数据进行实时更新，再输出下一个时段的SOC，在得到预测的SOC值之后，将前后SOC值差转换为EV充放电功率信号后发送给EV。如果t+1时段没有新车接入，网络则不进行实时更新，按照原SOC输入矩阵以及SOC预测值进行之后的输出。Bi-LSTM网络将不断重复以上预测、更新过程，直到一日调度结束。
本发明采用训练完的双向长短期记忆网络进行功率超短期预测，参与实时调度，并对接入的新车各项数据进行实时更新，能实时预测功率输出结果，有效地实现削峰填谷，在多类型电动汽车参与车网互动方面具有普适性，且具有实际意义。
更进一步地，为了激励EV参与电网调峰，本发明基于多类型电动汽车的电网调峰方法还包括：
S7：根据日内各时段各电动汽车的预测充放电功率，确定对应时段的聚合商调峰量。
具体地，如图2所示，采用以下公式，确定聚合商调峰量：
Figure 839387DEST_PATH_IMAGE047
；
Figure 944878DEST_PATH_IMAGE048
；
其中，Q comps (t)为日内第t时段的聚合商调峰量，L bef (t)为日内第t时段调峰前的负荷曲线值，L aft (t)为日内第t时段调峰后的负荷曲线值，L avg (t)为日内第t时段调峰前曲线的负荷平均值，
Figure 864292DEST_PATH_IMAGE049
为日内第t时段第i类型车下第n辆电动汽车的预测充放电功率，N为电动汽车的数量。调峰前的负荷曲线值为直接信息采集得到，均为实际值。
本发明在以往单一考虑私家车参与车网互动的基础上，一并考虑了公交车和市政车的真实出行特性，对多类型电动汽车进行调度。基于对多类型电动汽车的出行情况的高斯分布生成与数据设定，结合全局优化和神经网络算法，可以达到对多类型电动汽车参与电网调峰的实时调度。电池荷电状态预测模型可以根据实时更新的预测信息，提高功率控制的精准确度，大幅缩短控制的时间尺度，缩短求解时间，提高求解效率，提高电力系统削峰填谷的效果。本发明能很方便的得到在参与电网调峰下，EV聚合商所管理的电动汽车的实时充放电功率，对科研机构和工商业界实现电动汽车参与电网互动技术和利用电动汽车聚合技术参与电力市场有非常重要的应用价值。
如图3所示，本发明基于多类型电动汽车的电网调峰系统包括：数据采集单元1、优化调度单元2、转换单元3、训练单元4、预测单元5及功率确定单元6。
其中，所述数据采集单元1用于采集历史多类型电动汽车数据；所述历史多类型电动汽车数据包括各电动汽车在历史多个时段内的出行信息和负荷数据。
所述优化调度单元2与所述数据采集单元1连接，所述优化调度单元2用于根据所述历史多类型电动汽车数据，建立全局优化调度模型，并对所述全局优化调度模型进行线性规划求解，确定各电动汽车在历史各时段的充放电功率。
所述转换单元3与所述优化调度单元2连接，所述转换单元3用于将各电动汽车在历史各时段的充放电功率转换为电池荷电状态值，得到电池荷电状态矩阵。所述电池荷电状态矩阵包括各电动汽车在历史各时段的真实电池荷电状态值。
所述训练单元4与所述转换单元3连接，所述训练单元4用于根据所述电池荷电状态矩阵，对双向长短期记忆网路进行训练，得到电池荷电状态预测模型。
所述预测单元5与所述训练单元4连接，所述预测单元5用于基于所述电池荷电状态预测模型，对日内各时段各电动汽车的电池荷电状态值进行预测，得到对应时段各电动汽车的预测电池荷电状态值。
所述功率确定单元6与所述预测单元5连接，所述功率确定单元6用于将各电动汽车的预测电池荷电状态值转换为充放电功率，得到日内各时段内各电动汽车的预测充放电功率。
进一步地，本发明基于多类型电动汽车的电网调峰系统还包括调峰量确定单元7。所述调峰量确定单元7与所述功率确定单元6连接，所述调峰量确定单元7用于根据日内各时段各电动汽车的预测充放电功率，确定对应时段的聚合商调峰量。
相对于现有技术，本发明基于多类型电动汽车的电网调峰系统与上述基于多类型电动汽车的电网调峰方法的有益效果相同，在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于多类型电动汽车的电网调峰方法，其特征在于，所述基于多类型电动汽车的电网调峰方法包括：
采集历史多类型电动汽车数据；所述历史多类型电动汽车数据包括各电动汽车在历史多个时段内的出行信息和负荷数据；
根据所述历史多类型电动汽车数据，建立全局优化调度模型，并对所述全局优化调度模型进行线性规划求解，确定各电动汽车在历史各时段的充放电功率；
将各电动汽车在历史各时段的充放电功率转换为电池荷电状态值，得到电池荷电状态矩阵；所述电池荷电状态矩阵包括各电动汽车在历史各时段的真实电池荷电状态值；
根据所述电池荷电状态矩阵，对双向长短期记忆网路进行训练，得到电池荷电状态预测模型；
基于所述电池荷电状态预测模型，对日内各时段各电动汽车的电池荷电状态值进行预测，得到对应时段各电动汽车的预测电池荷电状态值；
将各电动汽车的预测电池荷电状态值转换为充放电功率，得到日内各时段内各电动汽车的预测充放电功率，以控制各电动汽车的充放电功率。
2.根据权利要求1所述的基于多类型电动汽车的电网调峰方法，其特征在于，所述电动汽车包括私家车、公交车和市政车。
3.根据权利要求1所述的基于多类型电动汽车的电网调峰方法，其特征在于，所述根据所述历史多类型电动汽车数据，建立全局优化调度模型，具体包括：
根据各电动汽车在历史多个时段内的出行信息和负荷数据，确定负荷曲线峰谷差、负荷曲线方差、电池功率损耗及凸化障碍项；
根据负荷曲线峰谷差、负荷曲线方差、电池功率损耗及凸化障碍项，采用以下公式，确定全局优化调度模型的目标函数：
min[L index +k*D BatLoss +K s ]；
其中，L index 为负荷曲线峰谷差及方差加权之和，D BatLoss 为电池功率损耗，k为权重系数，K s 为凸化障碍项。
4.根据权利要求1所述的基于多类型电动汽车的电网调峰方法，其特征在于，所述全局优化调度模型的约束条件包括电池荷电状态SOC约束及台区功率约束；
所述SOC约束为：
Figure 400311DEST_PATH_IMAGE001
；
Figure 130500DEST_PATH_IMAGE002
；
其中，SOC i,n,min 为第i类型车下第n辆电动汽车的SOC最小值，SOC i,n,max 为第i类型车下第n辆电动汽车的SOC最大值，SOC i,n,arr 为第i类型车下第n辆电动汽车的到场SOC值，SOC i,n,dep 为第i类型车下第n辆电动汽车的离场SOC值，t now 为当前时间，A i,n 为第i类型车下第n辆电动汽车的入场时间，D i,n 为第i类型车下第n辆电动汽车的离场时间，η chg,i,n 为第i类型车下第n辆电动汽车的充电效率，η dischg,i,n 为第i类型车下第n辆电动汽车的放电效率，
Figure 769292DEST_PATH_IMAGE003
为第i类型车下第n辆电动汽车在t时间段下的充电电量，
Figure 476086DEST_PATH_IMAGE004
为第i类型车下第n辆电动汽车在t时间段下的放电电量，BatCap i,n 为第i类型车下第n辆电动汽车的电池容量；
所述台区功率约束为：
Figure 87196DEST_PATH_IMAGE005
；
其中，P 0为该电场的额定功率，P为该电场的功率，
Figure 722708DEST_PATH_IMAGE006
为该电场允许的功率正偏移值，
Figure 724162DEST_PATH_IMAGE007
为该电场允许的功率负偏移值。
5.根据权利要求1所述的基于多类型电动汽车的电网调峰方法，其特征在于，所述根据所述电池荷电状态矩阵，对双向长短期记忆网路进行训练，得到电池荷电状态预测模型，具体包括：
针对第t时段，采用双向长短期记忆网路，根据第t时段内各电动汽车的真实电池荷电状态值，确定第t+1时段内各电动汽车的预测电池荷电状态值；
根据第t+1时段内各电动汽车的预测电池荷电状态值及真实电池荷电状态值，确定损失函数；
根据损失函数，采用Adam优化器，对双向长短期记忆网络进行迭代训练，以得到最优的双向长短期记忆网络；最优的双向长短期记忆网络为电池荷电状态预测模型。
6.根据权利要求5所述的基于多类型电动汽车的电网调峰方法，其特征在于，所述损失函数为：
Figure 985379DEST_PATH_IMAGE008
；
其中，MSE为损失函数值，N为电动汽车的数量，observed n,t 为第t时段内第n辆电动汽车的真实电池荷电状态值，predicted n,t 为第t时段内第n辆电动汽车的预测电池荷电状态值。
7.根据权利要求1所述的基于多类型电动汽车的电网调峰方法，其特征在于，采用以下公式，将电池荷电状态值转换为充放电功率：
Figure 700263DEST_PATH_IMAGE009
；
其中，
Figure 552681DEST_PATH_IMAGE010
为日内第t时段第i类型车下第n辆电动汽车的预测充放电功率，
Figure 854481DEST_PATH_IMAGE011
为日内第t时段第i类型车下第n辆电动汽车的预测电池荷电状态值，
Figure 653809DEST_PATH_IMAGE012
为日内第t-1时段第i类型车下第n辆电动汽车的预测电池荷电状态值，BatCap i,n 为第i类型车下第n辆电动汽车的电池容量。
8.根据权利要求1所述的基于多类型电动汽车的电网调峰方法，其特征在于，所述基于多类型电动汽车的电网调峰方法还包括：
根据日内各时段各电动汽车的预测充放电功率，确定对应时段的聚合商调峰量。
9.根据权利要求8所述的基于多类型电动汽车的电网调峰方法，其特征在于，采用以下公式，确定聚合商调峰量：
Figure 488779DEST_PATH_IMAGE013
；
Figure 653044DEST_PATH_IMAGE014
；
其中，Q comps (t)为日内第t时段的聚合商调峰量，L bef (t)为日内第t时段调峰前的负荷曲线值，L aft (t)为日内第t时段调峰后的负荷曲线值，L avg (t)为日内第t时段调峰前曲线的负荷平均值，
Figure 956986DEST_PATH_IMAGE015
为日内第t时段第i类型车下第n辆电动汽车的预测充放电功率，N为电动汽车的数量。
10.一种基于多类型电动汽车的电网调峰系统，其特征在于，所述基于多类型电动汽车的电网调峰系统包括：
数据采集单元，用于采集历史多类型电动汽车数据；所述历史多类型电动汽车数据包括各电动汽车在历史多个时段内的出行信息和负荷数据；
优化调度单元，与所述数据采集单元连接，用于根据所述历史多类型电动汽车数据，建立全局优化调度模型，并对所述全局优化调度模型进行线性规划求解，确定各电动汽车在历史各时段的充放电功率；
转换单元，与所述优化调度单元连接，用于将各电动汽车在历史各时段的充放电功率转换为电池荷电状态值，得到电池荷电状态矩阵；所述电池荷电状态矩阵包括各电动汽车在历史各时段的真实电池荷电状态值；
训练单元，与所述转换单元连接，用于根据所述电池荷电状态矩阵，对双向长短期记忆网路进行训练，得到电池荷电状态预测模型；
预测单元，与所述训练单元连接，用于基于所述电池荷电状态预测模型，对日内各时段各电动汽车的电池荷电状态值进行预测，得到对应时段各电动汽车的预测电池荷电状态值；
功率确定单元，与所述预测单元连接，用于将各电动汽车的预测电池荷电状态值转换为充放电功率，得到日内各时段内各电动汽车的预测充放电功率，以控制各电动汽车的充放电功率。
CN202210658783.7A 2022-06-13 2022-06-13 一种基于多类型电动汽车的电网调峰方法及系统 Active CN114744662B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210658783.7A CN114744662B (zh) 2022-06-13 2022-06-13 一种基于多类型电动汽车的电网调峰方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210658783.7A CN114744662B (zh) 2022-06-13 2022-06-13 一种基于多类型电动汽车的电网调峰方法及系统

Publications (2)

Publication Number Publication Date
CN114744662A true CN114744662A (zh) 2022-07-12
CN114744662B CN114744662B (zh) 2022-08-26

Family

ID=82288004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210658783.7A Active CN114744662B (zh) 2022-06-13 2022-06-13 一种基于多类型电动汽车的电网调峰方法及系统

Country Status (1)

Country Link
CN (1) CN114744662B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115954921A (zh) * 2023-03-14 2023-04-11 江苏海铂德能源科技有限公司 一种基于工商业储能的能源管理系统及其管理方法
CN117175653A (zh) * 2023-08-04 2023-12-05 浙江晨泰科技股份有限公司 一种基于大功率双向充放电模块的充放电设备及充放电方法
CN117863969A (zh) * 2024-03-13 2024-04-12 国网北京市电力公司 一种考虑电池损耗的电动汽车充放电控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436607A (zh) * 2011-11-10 2012-05-02 山东大学 电动汽车换电站充电功率的多时间尺度决策方法
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置
CN113780670A (zh) * 2021-09-16 2021-12-10 太原理工大学 基于两阶段的区域电网电动汽车调峰优化调度方法
CN114274800A (zh) * 2021-12-31 2022-04-05 同济大学 一种营运电动汽车群体聚合充电行为预测方法及相关装置
WO2022077693A1 (zh) * 2020-10-15 2022-04-21 中国科学院深圳先进技术研究院 负荷预测模型的训练方法及训练装置、存储介质、设备
CN114612001A (zh) * 2022-03-31 2022-06-10 华中科技大学 集群电动汽车参与电网削峰的调控指令分解方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436607A (zh) * 2011-11-10 2012-05-02 山东大学 电动汽车换电站充电功率的多时间尺度决策方法
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置
WO2022077693A1 (zh) * 2020-10-15 2022-04-21 中国科学院深圳先进技术研究院 负荷预测模型的训练方法及训练装置、存储介质、设备
CN113780670A (zh) * 2021-09-16 2021-12-10 太原理工大学 基于两阶段的区域电网电动汽车调峰优化调度方法
CN114274800A (zh) * 2021-12-31 2022-04-05 同济大学 一种营运电动汽车群体聚合充电行为预测方法及相关装置
CN114612001A (zh) * 2022-03-31 2022-06-10 华中科技大学 集群电动汽车参与电网削峰的调控指令分解方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ARSALAN MASOOD 等: "Transactive Energy for Aggregated Electric Vehicles to Reduce System Peak Load Considering Network Constraints", 《IEEE POWER & ENERGY SOCIETY SECTION》 *
JUNJIE HU 等: "Optimal Operation of Energy Hubs With Large-Scale Distributed Energy Resources for Distribution Network Congestion Management", 《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115954921A (zh) * 2023-03-14 2023-04-11 江苏海铂德能源科技有限公司 一种基于工商业储能的能源管理系统及其管理方法
CN117175653A (zh) * 2023-08-04 2023-12-05 浙江晨泰科技股份有限公司 一种基于大功率双向充放电模块的充放电设备及充放电方法
CN117863969A (zh) * 2024-03-13 2024-04-12 国网北京市电力公司 一种考虑电池损耗的电动汽车充放电控制方法及系统
CN117863969B (zh) * 2024-03-13 2024-05-17 国网北京市电力公司 一种考虑电池损耗的电动汽车充放电控制方法及系统

Also Published As

Publication number Publication date
CN114744662B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN114744662B (zh) 一种基于多类型电动汽车的电网调峰方法及系统
Xiong et al. Towards a smarter hybrid energy storage system based on battery and ultracapacitor-A critical review on topology and energy management
CN103241130B (zh) 一种电动公交车充换电站的能量管理方法及系统
CN113013906B (zh) 考虑电动汽车v2g模式下的光伏储能容量优化配置方法
CN103793758A (zh) 含光伏发电系统的电动汽车充电站的多目标优化调度方法
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
CN111422094A (zh) 分布式充电桩的充放电协调优化控制方法
Yang et al. A reinforcement learning-based energy management strategy for fuel cell hybrid vehicle considering real-time velocity prediction
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN103810539A (zh) 考虑换电服务可用性的电动汽车换电站容量优化配置方法
CN112865190A (zh) 计及光伏和充电需求的光储充电站优化调度方法和系统
CN107590607A (zh) 一种基于光伏预测的微电网优化调度系统和方法
CN113859018B (zh) 大规模电动汽车群的分级充放电优化控制方法
CN113794199B (zh) 一种考虑电力市场波动的风电储能系统最大收益优化方法
CN103499792A (zh) 电动汽车动力电池集群可用容量的预测方法
CN114919433B (zh) 电动汽车集群充放电控制方法、系统及相关设备
CN103605079A (zh) 公交电动汽车及其梯次利用电池集群的v2g可用容量评估方法
CN111313449B (zh) 一种基于机器学习的集群电动汽车功率优化管理方法
CN115115268A (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
Wang et al. Real-time energy management strategy for a plug-in hybrid electric bus considering the battery degradation
CN115923575A (zh) 一种多层级的大规模电动汽车功率控制方法及系统
Lin et al. Optimization of distributed hybrid power systems employing multiple fuel-cell vehicles
Lü et al. Performance optimization of fuel cell hybrid power robot based on power demand prediction and model evaluation
Song et al. Model predictive control energy management strategy integrating long short-term memory and dynamic programming for fuel cell vehicles
Cao et al. Robust charging schedule for autonomous electric vehicles with uncertain covariates

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