CN115115268A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115115268A CN115115268A CN202210867695.8A CN202210867695A CN115115268A CN 115115268 A CN115115268 A CN 115115268A CN 202210867695 A CN202210867695 A CN 202210867695A CN 115115268 A CN115115268 A CN 115115268A
- Authority
- CN
- China
- Prior art keywords
- charging
- power
- constraint
- charging station
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000008878 coupling Effects 0.000 title claims abstract description 48
- 238000010168 coupling process Methods 0.000 title claims abstract description 48
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 48
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 16
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 101150067055 minC gene Proteins 0.000 claims 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及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,包括:采集电动汽车运行数据、充电站运营成本数据和配电网变化数据;根据采集的数据得出EV出行信息和路况信息,基于EV出行信息和路况信息对EV充电负荷时空分布进行计算,计算出每一耦合节点的时刻功率;构建以EV充电站的最小年支付成本作为EV充电站经济优化的容量规划目标函数;确定经济约束、电量冗余度约束、电网稳定约束、容量冗余约束以及能源和碳排放约束;基于路电耦合和低碳约束的EV充电站优化规划模型,得到最优的充电桩容量值。本发明通过计算出各个充电桩的容量最优规划,以解决大规模EV无序充电引发的电网问题。
Description
技术领域
本发明涉及电动汽车充电站的容量规划问题,尤其涉及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。
背景技术
随着全球化石能源枯竭和环境污染问题的日益严重,电动汽车因其节能减排效果而备受关注。近年来,电动汽车保有量逐年快速增长,大规模电动汽车无序充电可能为电网带来负面影响,引起电网电压偏低、线路阻塞等问题,严重时甚至影响电力系统的安全稳定运行。
电动汽车与传统用电设备存在极大差异,一方面体现在其具有的V2G(Vehicle toGrid) 技术的灵活性,另一方面体现在其同时具备道路交通网络负荷和电力网络负荷身份的特殊性。电动汽车既是路网的重要组成部分,也是电力网络的用电终端,其行驶和用电行为使得路网与电网的运行状态产生交互影响:路网的通行时间和拥堵情况影响电动汽车行驶路径及充电决策,进而改变充电负荷接入电网的时空分布情况;电网则能够通过电价引导或向车主提供充电桩/站的服务信息等方式影响车辆行驶路径,进而改变路网交通状况。在此背景下,考虑路网-电网间的紧密耦合有助于对电动汽车行驶行为及充电负荷的时空分布进行更为准确的预测并合理调控,改善无序充电问题,为电力系统规划与运行提供参考。
现有研究主要从电网角度研究EV充放电行为的影响。虽然部分研究已经提及交通信息、电价等会对车辆行驶、充电行为等造成影响,从而进一步影响电网运行状态,但在路网-电网的耦合作用机理和交互影响分析方法上尚需提升。路网-电网耦合需要考虑车主和电网的诉求差异性,关键在于定量分析路网交通状况、充电电价对电动汽车路径选择和充电意愿的影响,以及充电负荷接入后对电网运行状态的影响,并提出合理有效的解决措施。
发明内容
为实现上述目的,本发明提出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,计算出各个充电桩的容量最优规划,以解决大规模EV无序充电引发的电网问题。
为实现上述目的,本发明提供如下技术方案:
本发明从路网-电网耦合的角度,考虑车主和电网的诉求差异性,定量分析路网交通状况、充电电价对电动汽车路径选择和充电意愿的影响,以及充电负荷接入后对电网运行状态的影响,并提出合理有效的充电桩容量规划,以解决大规模EV无序充电引发的电网问题。
附图说明
图1为本发明整体工作流程图;
图2为路-电耦合网络交互影响示意图;
图3为EV充电负荷计算流程图;
图4为粒子群算法流程图。
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。
参见图1,本发明的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,包括如下步骤:
步骤(1):采集需要的电动汽车运行数据、充电站运营成本数据和配电网变化数据;
步骤(2):根据步骤(1)采集的数据得出EV出行信息和路况信息,基于所述EV出行信息和路况信息对EV充电负荷时空分布进行计算,计算出每一耦合节点的时刻功率;
根据步骤(1)的数据可以得出EV出行信息和路况信息。将待研究的区域地图简化为主干道路网拓扑,将s个含充电桩/站的主干道交叉点抽象为路网节点{R1,…,Ri,…,Rs}。用距离矩阵D表示相邻两个节点间的道路距离,如下式所示。
式中:矩阵D中每个元素Dij的值表示节点Ri与Rj间道路距离,Dij=0时表示节点重合,Dij=∞时表示节点不直接相连。
根据该城市城区车流量统计数据得到某辆车在t时刻出现在Ri位置的概率矩阵M为:
式中:T为总采样时间,矩阵各列元素之和均为1。
路网与电网的耦合关系如图2所示。在路-电耦合网络中,路网交通状况与电网运行状况密切相关。
路网主要通过交通信息与充电设施建设情况两方面影响电网。交通拥堵情况、充电桩及充电站的数量、容量、类型将影响电动汽车的行驶路径与充电选择,进而影响充电负荷的时空分布特性,改变电网运行状态。
电网主要通过电价信息和运行状态两方面影响路网。电价影响车主的充电意愿,电网运行状态影响充电桩/站的服务能力,二者均可能改变车主原有的行车路径及充电决策,进而改变路网交通流量。
基于EV出行信息和路况信息对EV充电负荷时空分布进行计算,其流程如图3所示。为提高初始信息如历史SOC值、拥堵情况等信息的可靠性,采用经验值进行预仿真,记录所得EV时空分布数据、SOC值并修正经验值。道路内车辆数量随时间不断变化,在EV单次行程中,每次节点转移后的末端时刻更新道路车辆数量,并重新计算下一次节点转移时EV 的行驶速度;场景模型中的拥堵情况和温度则在调度周期ΔT开始时刻进行更新。
所述每一耦合节点的时刻功率计算方法如下:
以变电站作为电网节点{Z1,…,Zm,…,Zl},其中Z1为第1个电网节点,Zm为第m个电网节点,Zl为第l个电网节点;
定义符号表示耦合运算,定义||Ri-Zm||为Ri与第m个电网节点Zm之间的距离;定义耦合节点{C1,…,Cx,…,Cl},其中,C1为第1个耦合节点,Cx为第x个耦合节点,Cl为第l 个耦合节点;Ri为第i个路网节点。
依据主次性原则,耦合节点数量与电网节点数量相同;
耦合计算方法如式(1)所示:
其中,i为路网节点编号,s为含充电桩/站的主干道交叉点个数,t为时刻;第x个耦合节点cx由第m个电网节点Zm与k个路网节点耦合得到;为所有与第m个电网节点Zm耦合的路网节点中最大EV聚合充电功率之和;为第m个电网节点Zm中电动汽车以外负荷的最大用电功率,二者之和必须小于第m个电网节点Zm的额定功率
每一耦合节点的时刻功率的计算方法如式(2)所示:
步骤(3):构建以EV充电站的最小年支付成本作为EV充电站经济优化的容量规划目标函数;
将EV充电站的最小年支付成本作为EV充电站经济优化的容量规划目标函数;
EV充电站的最小年支付成本min C的计算方法如式(3)所示:
EV充电站的年均投资成本C1的计算方法如式(4)所示:
式中:η为贴现率;T为规划周期;ncp为单一充电站的充电桩数量;C1,cp为单个充电桩的投资成本;C1,DT为单位容量配电变压器的投资成本;C1,o为其他配套设备的投资成本;SDT为配电变压器的容量;
EV充电站的年运行成本COP的计算方法如式(5)所示:
式中,αl,s为时段s第l辆EV的运营状态,若EV在站休整,则αl,s=1,否则αl,s=0;βl,s为时段s第l辆EV充电时从配电网购电的状态变量,若从配电网购电,则βl,s=1,否则βl,s=0;Δtl,s为时段s第l辆EV的可用充电时间;λl,s为时段s第l辆EV由配电网供电的时间占其充电时间的平均比值;cs为时段s配电网的电价;m为时段总数;n为充电站时段s所接纳EV 的数量;Pcp为时段s第l辆EV的充电功率。
EV充电站的年维护成本COM的计算方法如式(6)所示:COM=COM,cp+COM,DT+COM,O (6)
其中,COM,cp、COM,DT、COM,O分别为EV充电站内所有充电桩、配电变压器、其他配套设备的年均维护成本;
配电变压器的容量SDT的计算方法如式(7)所示:
式中:Dl为每一个充电站的日常使用时间;Ns为每一个充电站所包含的充电桩s的个数; PTh,l,s为充电站l的充电桩s发电状态时的发电量;Ea为整个地区a的碳排放水平;Nl为负荷分区的个数;CTax为碳税成本。
步骤(4):
确定经济约束、电量冗余度约束、电网稳定约束和容量冗余约束能源和碳排放约束;
经济约束、电量冗余度约束、电网稳定约束、容量冗余约束以及能源和碳排放约束的确定方法如下:
4-1)充电站的经济约束主要指年支付成本C约束,如式(9)所示:
式中,Ca为充电站的投资成本,n为充电站预计投入使用年限,Cb,min为充电站的最小维护及运营成本;
4-2)充电站的电网稳定约束,如式(10)所示:
PDT(t)-P1,EV(t)-P1,o(t)=0 (10)
式中,PDT(t)为t时刻配电网通过配电变压器向EV充电站输送的功率;4-3)充电站的电网稳定约束Rr约束,如式(11)所示:
式中:δcp为充电站的负载率,Pcp为充电站的总容量,mn为单一充电站的充电桩数量,Padv为单一充电桩的平均功率,Rr为充电容量冗余度,σ1为自冗余度的最小值;
4-4)充电的电量冗余度Rd约束,如式(12)所示:
式中:Tj为充电站的日工作时间,Rd为充电电量冗余度,σ2为自冗余度的最小值;
4-5)容量冗余约束,如式(13)所示:
PEVCS+∑P1,Load≤P1 max (13)
式中,PEVCS为日内EV充电站消耗的总有功功率;∑P1,Load为日内线路上其他负荷消耗的有功功率;P1 max为馈线所能接入的最大功率;
4-6)能源和碳排放约束
在能源电力发展政策的约束下,考虑能源消费总量、清洁能源占比以及碳排放总量约束,如式(14)所示:
式中:为在y年区域a中k类型充电电能桩生产碳排放因子;为规划年y设定的碳排放上限;Ea,y,k为在y年区域a中k类型充电电能桩消耗的能源量;Y是充电桩使用年限区间,A为充电区域集合,Φ为充电电能桩类型集合。
步骤(5):基于路电耦合和低碳约束的EV充电站优化规划模型,采用粒子群算法来求解,得到最优的充电桩容量值。
PSO算法的优势在于不会像GA算法般利用群体之间相互竞争得到模型最优解,而是让群体之间通过合作的形式,不断迭代并互相之间交流信息从中找出最优解。PSO算法的优点在于它不仅保留了个体的信息,而且群体之间适合解的信息也会保留下来,个体和群体都具有相互帮助并搜索的能力。此外,PSO算法的优点还有操作简单、搜索速度快、效率高等,平时我们在面对优选问题时也可运用该算法求解,并且该算法对优化问题所需的信息量少,运行要求较易满足,与其他智能算法相比,PSO算法需要调节的参数较少。
参见图4,粒子群算法PSO具体方法如下:
5-1)输入EV充电站的信息数据并进行初始化数据处理,确定各时刻每辆EV电池的SOC,生成EV的SOC矩阵,所述EV充电站的信息数据包括每个充电桩的充电能力、充电站的年支付成本、年维持运营成本和最大迭代次数Kmax;
5-2)设定种族的规模,随机设定允许范围内的粒子的速度位置,把各个粒子的最好位置 Pi设定为开始位置,其适应值设为Pbest,在众多Pi中,最好的值作为种群最佳位置Pg,相应的适应值为gbest;
5-3)根据模型中目标函数以及适应度函数代入粒子的位置计算各个粒子的适应度;
5-4)对所有i=1,2,...,n,比较适应值fitnessi和粒子最好位置Pi,如果fitnessi好于Pi,就使Pi=fitnessi,并且记下计算当前的位置;计算出每个粒子的充电能力、充电站的年支付成本和年维持运营成本的最优值;
5-5)判断每个粒子是否满足约束中的等式约束和不等式约束,排除不满足约束的粒子,并更新每个粒子的速度与位置;
5-6)总成本在最小值附近且不再变化,或者到了最大迭代数,就结束算法,给出最小成本,否则返回步骤3);对于粒子的速度Vi,Vi∈[-Vmax,Vmax],搜索空间限定在[-Xmax,Xmax],则设定Vmax为粒子速度的最大值,Vmax=k*Xmax,0≤k≤1;Xmax为粒子搜索空间的最大边界值。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解: 本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (6)
1.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,其特征在于,包括如下步骤:
步骤(1):采集电动汽车运行数据、充电站运营成本数据和配电网变化数据;
步骤(2):根据步骤(1)采集的数据得出EV出行信息和路况信息,基于所述EV出行信息和路况信息对EV充电负荷时空分布进行计算,计算出每一耦合节点的时刻功率;
步骤(3):构建以EV充电站的最小年支付成本作为EV充电站经济优化的容量规划目标函数;
步骤(4):确定经济约束、电量冗余度约束、电网稳定约束、容量冗余约束以及能源和碳排放约束;
步骤(5):基于路电耦合和低碳约束的EV充电站优化规划模型,采用粒子群算法PSO来求解,得到最优的充电桩容量值。
3.根据权利要求2所述的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,其特征在于,步骤(2)中,所述每一耦合节点的时刻功率计算方法如下:
以变电站作为电网节点{Z1,…,Zm,…,Zl},其中Z1为第1个电网节点,Zm为第m个电网节点,Zl为第l个电网节点;
定义符号表示耦合运算,定义||Zm-Ri||为第i个路网节点Ri与第m个电网节点Zm之间的距离;定义耦合节点{C1,…,Cx,…,Cl},其中,C1为第1个耦合节点,Cx为第x个耦合节点,Cl为第l个耦合节点,Ri为第i个路网节点;
依据主次性原则,耦合节点数量与电网节点数量相同;
耦合计算方法如式(1)所示:
其中,i为路网节点编号,s为含充电桩/站的主干道交叉点个数,t为时刻;第x个耦合节点Cx由第m个电网节点Zm与k个路网节点耦合得到;Zm′表示距离路网节点Ri最远的电网节点;为所有与第m个电网节点Zm耦合的路网节点中最大EV聚合充电功率之和;为第m个电网节点Zm中电动汽车以外负荷的最大用电功率,二者之和必须小于第m个电网节点Zm的额定功率
每一耦合节点的时刻功率的计算方法如式(2)所示:
4.根据权利要求3所述的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,其特征在于,步骤(3)中,将EV充电站的最小年支付成本作为EV充电站经济优化的容量规划目标函数;
EV充电站的最小年支付成本minC的计算方法如式(3)所示:
EV充电站的年均投资成本C1的计算方法如式(4)所示:
式中:η为贴现率;T为规划周期;C1,cp为单个充电桩的投资成本;ncp为单一充电站的充电桩数量;C1,DT为单位容量配电变压器的投资成本;C1,o为其他配套设备的投资成本;SDT为配电变压器的容量;
EV充电站的年运行成本COP的计算方法如式(5)所示:
式中,αl,s为时段s第l辆EV的运营状态,若EV在站休整,则αl,s=1,否则αl,s=0;βl,s为时段s第l辆EV充电时从配电网购电的状态变量,若从配电网购电,则βl,s=1,否则βl,s=0;Δtl,s为时段s第l辆EV的可用充电时间;λl,s为时段s第l辆EV由配电网供电的时间占其充电时间的平均比值;cs为时段s配电网的电价;m为时段总数;n为充电站时段s所接纳EV的数量;Pcp为时段s第l辆EV的充电功率;
EV充电站的年维护成本COM的计算方法如式(6)所示:
COM=COM,cp+COM,DT+COM,O (6)
其中,COM,cp、COM,DT、COM,O分别为EV充电站内所有充电桩、配电变压器、其他配套设备的年均维护成本;
配电变压器的容量SDT的计算方法如式(7)所示:
式中:Dl为每一个充电站的日常使用时间;CTax为碳税成本;Ns为每一个充电站所包含的充电桩s的个数;PTh,l,s为充电站l的充电桩s发电状态时的发电量;Ea为整个地区a的碳排放水平;Nl为负荷分区的个数。
5.根据权利要求4所述的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,其特征在于,步骤(4)中,所述经济约束、电量冗余度约束、电网稳定约束、容量冗余约束以及能源和碳排放约束的确定方法如下:
4-1)充电站的经济约束指年支付成本C约束,如式(9)所示:
式中,Ca为充电站的投资成本,n为充电站预计投入使用年限,Cb,min为充电站的最小维护及运营成本;
4-2)充电站的电网稳定约束,如式(10)所示:
PDT(t)-P1,EV(t)-P1,o(t)=0 (10)
式中,PDT(t)为t时刻配电网通过配电变压器向EV充电站输送的功率;
4-3)充电站的电网稳定约束Rr约束,如式(11)所示:
式中:δcp为充电站的负载率,Pcp为充电站的总容量,mn为单一充电站的充电桩数量,Padv为单一充电桩的平均功率,Rr为充电容量冗余度,σ1为自冗余度的最小值;
4-4)充电的电量冗余度Rd约束,如式(12)所示:
式中:Tj为充电站的日工作时间,Rd为充电电量冗余度,σ2为自冗余度的最小值;ρ为充电桩的充电系数;qadv为单一充电桩的平均容量
4-5)容量冗余约束,如式(13)所示:
PEVCS+ΣP1,Load≤P1 max (13)
式中,PEVCS为日内EV充电站消耗的总有功功率;ΣP1,Load为日内线路上其他负荷消耗的有功功率;P1 max为馈线所能接入的最大功率;
4-6)能源和碳排放约束
在能源电力发展政策的约束下,考虑能源消费总量、清洁能源占比以及碳排放总量约束,如式(14)所示:
6.根据权利要求5所述的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,其特征在于,所述粒子群算法PSO具体方法如下:
5-1)输入EV充电站的信息数据并进行初始化数据处理,确定各时刻每辆EV电池的SOC,生成EV的SOC矩阵,所述EV充电站的信息数据包括每个充电桩的充电能力、充电站的年支付成本、年维持运营成本和最大迭代次数Kmax;
5-2)设定种族的规模,随机设定允许范围内的粒子的速度位置,把各个粒子最好位置Pi设定为开始位置,其适应值设为Pbest,在众多Pi中,最好的值作为种群最佳位置Pg,相应的适应值为gbest;
5-3)根据模型中目标函数以及适应度函数代入粒子的位置计算各个粒子的适应度;
5-4)对所有i=1,2,...,n,比较适应值fitnessi和粒子最好位置Pi,如果fitnessi好于Pi,就使Pi=fitnessi,并且记下计算当前的位置;计算出每个粒子的充电能力、充电站的年支付成本和年维持运营成本的最优值;
5-5)判断每个粒子是否满足经济约束、电量冗余度约束、电网稳定约束、容量冗余约束以及能源和碳排放约束中的等式约束和不等式约束,排除不满足约束的粒子,并更新每个粒子的速度与位置;
5-6)总成本在最小值附近且不再变化,或者到了最大迭代数,就结束算法,给出最小成本,否则返回步骤3);对于粒子的速度Vi,Vi∈[-Vmax,Vmax],搜索空间限定在[-Xmax,Xmax],则设定Vmax为粒子速度的最大值,Vmax=k*Xmax,0≤k≤1;Xmax为粒子搜索空间的最大边界值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210867695.8A CN115115268B (zh) | 2022-07-22 | 2022-07-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210867695.8A CN115115268B (zh) | 2022-07-22 | 2022-07-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115115268A true CN115115268A (zh) | 2022-09-27 |
CN115115268B CN115115268B (zh) | 2023-04-18 |
Family
ID=83334925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210867695.8A Active CN115115268B (zh) | 2022-07-22 | 2022-07-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115268B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116278901A (zh) * | 2023-05-19 | 2023-06-23 | 北京金冠智能电气科技有限公司 | 基于新能源汽车的充电桩在线管理系统 |
CN116611673A (zh) * | 2023-07-20 | 2023-08-18 | 国网湖北省电力有限公司经济技术研究院 | 一种面向电力交通耦合网的光储充电站规划方法及系统 |
CN117391311A (zh) * | 2023-12-07 | 2024-01-12 | 国网湖北省电力有限公司经济技术研究院 | 计及碳排放和不确定性的充电站和配电网协同规划方法 |
CN117635220A (zh) * | 2024-01-26 | 2024-03-01 | 南京邮电大学 | 一种电动出租车充电成本优化方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015092328A (ja) * | 2013-10-04 | 2015-05-14 | 株式会社東芝 | 電動車両の運行管理装置及び運行計画立案方法 |
CN110189025A (zh) * | 2019-05-30 | 2019-08-30 | 国网上海市电力公司 | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 |
CN111582670A (zh) * | 2020-04-21 | 2020-08-25 | 上海电力大学 | 一种电动汽车充电站选址定容方法 |
CN112467722A (zh) * | 2020-09-30 | 2021-03-09 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN114066315A (zh) * | 2021-11-30 | 2022-02-18 | 国网河南省电力公司南阳供电公司 | 一种适应多元源荷接入的配电网规划系统 |
CN114186754A (zh) * | 2021-12-19 | 2022-03-15 | 东北电力大学 | 含有不同类型充电桩的电动汽车充电站选址定容优化方法 |
CN114297809A (zh) * | 2021-12-20 | 2022-04-08 | 上海电机学院 | 一种电动汽车充电站选址定容方法 |
CN114357693A (zh) * | 2021-11-15 | 2022-04-15 | 浙江图盛输变电工程有限公司温州科技分公司 | 一种考虑源-网-桩的电动汽车充电决策优化策略 |
-
2022
- 2022-07-22 CN CN202210867695.8A patent/CN115115268B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015092328A (ja) * | 2013-10-04 | 2015-05-14 | 株式会社東芝 | 電動車両の運行管理装置及び運行計画立案方法 |
CN110189025A (zh) * | 2019-05-30 | 2019-08-30 | 国网上海市电力公司 | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN111582670A (zh) * | 2020-04-21 | 2020-08-25 | 上海电力大学 | 一种电动汽车充电站选址定容方法 |
CN112467722A (zh) * | 2020-09-30 | 2021-03-09 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法 |
CN114357693A (zh) * | 2021-11-15 | 2022-04-15 | 浙江图盛输变电工程有限公司温州科技分公司 | 一种考虑源-网-桩的电动汽车充电决策优化策略 |
CN114066315A (zh) * | 2021-11-30 | 2022-02-18 | 国网河南省电力公司南阳供电公司 | 一种适应多元源荷接入的配电网规划系统 |
CN114186754A (zh) * | 2021-12-19 | 2022-03-15 | 东北电力大学 | 含有不同类型充电桩的电动汽车充电站选址定容优化方法 |
CN114297809A (zh) * | 2021-12-20 | 2022-04-08 | 上海电机学院 | 一种电动汽车充电站选址定容方法 |
Non-Patent Citations (1)
Title |
---|
周毅 等: "基于路–电耦合网络的电动汽车充电决策优化方法", 《电网技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116278901A (zh) * | 2023-05-19 | 2023-06-23 | 北京金冠智能电气科技有限公司 | 基于新能源汽车的充电桩在线管理系统 |
CN116278901B (zh) * | 2023-05-19 | 2023-08-04 | 北京金冠智能电气科技有限公司 | 基于新能源汽车的充电桩在线管理系统 |
CN116611673A (zh) * | 2023-07-20 | 2023-08-18 | 国网湖北省电力有限公司经济技术研究院 | 一种面向电力交通耦合网的光储充电站规划方法及系统 |
CN116611673B (zh) * | 2023-07-20 | 2023-10-03 | 国网湖北省电力有限公司经济技术研究院 | 一种面向电力交通耦合网的光储充电站规划方法及系统 |
CN117391311A (zh) * | 2023-12-07 | 2024-01-12 | 国网湖北省电力有限公司经济技术研究院 | 计及碳排放和不确定性的充电站和配电网协同规划方法 |
CN117391311B (zh) * | 2023-12-07 | 2024-03-08 | 国网湖北省电力有限公司经济技术研究院 | 计及碳排放和不确定性的充电站和配电网协同规划方法及装置 |
CN117635220A (zh) * | 2024-01-26 | 2024-03-01 | 南京邮电大学 | 一种电动出租车充电成本优化方法及系统 |
CN117635220B (zh) * | 2024-01-26 | 2024-05-24 | 南京邮电大学 | 一种电动出租车充电成本优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115115268B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Han et al. | Ordered charge control considering the uncertainty of charging load of electric vehicles based on Markov chain | |
Wang et al. | Expansion planning of active distribution networks with multiple distributed energy resources and EV sharing system | |
Liu et al. | Optimizing electric bus charging infrastructure considering power matching and seasonality | |
Xiang et al. | Electric vehicles in smart grid: a survey on charging load modelling | |
CN111310966A (zh) | 含电动汽车充电站的微电网选址及优化配置方法 | |
Yin et al. | Electric vehicle charging and discharging scheduling strategy based on local search and competitive learning particle swarm optimization algorithm | |
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 | |
CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
Liang et al. | A calculation model of charge and discharge capacity of electric vehicle cluster based on trip chain | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
Zhou et al. | Bi-level framework for microgrid capacity planning under dynamic wireless charging of electric vehicles | |
Jiang et al. | Optimal configuration of electric vehicles for charging stations under the fast power supplement mode | |
CN114722595A (zh) | 一种含有换电站的微电网优化运行方法 | |
Shaker et al. | Joint planning of electric vehicle battery swapping stations and distribution grid with centralized charging | |
Jin et al. | Optimal siting and sizing of EV charging station using stochastic power flow analysis for voltage stability | |
CN115689203A (zh) | 一种基于电动汽车时空分布充电站的运行方法 | |
CN117060506A (zh) | 考虑绿电计费方式的电动汽车、光伏协同优化方法及装置 | |
Yi et al. | Two-stage optimal allocation of charging stations based on spatiotemporal complementarity and demand response: A framework based on MCS and DBPSO | |
He et al. | Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation | |
CN112721706A (zh) | 考虑弹性的电动汽车充电站储能系统的容量优化方法 | |
CN114169624A (zh) | 一种电动汽车充电站规划方法及装置 | |
CN114362227B (zh) | 一种考虑用户意愿的电动汽车调频上报方法 | |
Yu et al. | Planning and Evaluation of Electric Vehicle Charging Stations Considering the Service Range | |
CN116307524B (zh) | 基于改善动态用户均衡的电动汽车充电站选址规划方法 |
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 |