CN115481921A - 一种基于备用辅助服务的电动汽车负荷聚合方法和系统 - Google Patents
一种基于备用辅助服务的电动汽车负荷聚合方法和系统 Download PDFInfo
- Publication number
- CN115481921A CN115481921A CN202211208893.XA CN202211208893A CN115481921A CN 115481921 A CN115481921 A CN 115481921A CN 202211208893 A CN202211208893 A CN 202211208893A CN 115481921 A CN115481921 A CN 115481921A
- Authority
- CN
- China
- Prior art keywords
- response
- load aggregation
- user
- module
- neural network
- 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
Links
- 230000002776 aggregation Effects 0.000 title claims abstract description 115
- 238000004220 aggregation Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 193
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000012795 verification Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004146 energy storage Methods 0.000 claims description 16
- 230000008901 benefit Effects 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于备用辅助服务的电动汽车负荷聚合方法和系统,方法包括:根据神经网络构建响应用户选取模型,根据响应用户选取模型获取电网区域内的响应用户;给响应用户发送响应信号,获取响应信息;根据响应用户和对应的响应信息构建负荷聚合模型,负荷聚合模型用于电动汽车负荷聚合。系统包括:响应用户选取模型模块、响应用户模块、响应信息模块、负荷聚合模型模块和负荷聚合模块。本发明通过神经网络构建响应用户选取模型,能够更准确地选出电网区域内的响应用户,通过构建负荷聚合模型,能够更精准地根据负荷聚合目标量选出最终的合作响应用户,完成电动汽车负荷聚合。
Description
技术领域
本发明属于电力系统需求响应负荷聚合技术领域,具体涉及一种基于备用辅助服务的电动汽车负荷聚合方法和系统。
背景技术
随着科技的发展,新能源逐渐进入电力系统。但使用新能源具有高度随机性和不确定性,而且新能源机组不具有提供备用的能力,导致电力系统供能侧的备用能力存在不足,这与电力系统的运行需求矛盾,因此需要通过需求响应资源等途径来补充备用容量。需求响应是智能电网的最佳应用之一,相比于发电侧而言,需求侧的负荷数量极为庞大。需求侧电动汽车的负荷容量巨大,且能够提供正、负两种备用功率,若能进行可靠的负荷聚合,则能够为电力系统提供可观的备用容量。
可靠的负荷聚合方法是利用电动汽车负荷资源提供备用辅助服务的前提。但是在实际的负荷聚合过程中,一直存在着电动汽车用户响应行为不确定性的问题,用户可能因为自身用能需求、出行安排、生活习惯、用户疲劳等中途退出需求响应,产生极不可靠的负荷聚合效果,导致负荷聚合所提供的备用辅助服务也不可靠。目前,关于电动汽车负荷聚合方法的研究多侧重于考虑聚合商经济收益、用户满意度等因素制定需求响应机制,缺乏可靠的基于备用辅助服务的电动汽车负荷聚合方法。
发明内容
本发明提出了一种基于备用辅助服务的电动汽车负荷聚合方法和系统,旨在根据备用辅助服务通过神经网络构建响应用户选取模型,更准确地选出电网区域内的响应用户,构建负荷聚合模型,更精准地根据负荷聚合目标量选出最终的合作响应用户,完成基于备用辅助服务的电动汽车负荷聚合,提高电动汽车负荷聚合的可靠性。
为实现上述目的,本发明提供了如下方案:一种基于备用辅助服务的电动汽车负荷聚合方法,具体如下:
S1、构建响应用户选取模型;
S2、基于所述响应用户选取模型,获取电网区域内的响应用户;
S3、给所述响应用户发送响应信号,获取响应信息;
S4、基于所述响应用户和所述响应信息,构建负荷聚合模型;
S5、基于所述负荷聚合模型,进行电动汽车负荷聚合。
优选的,所述S1中构建所述响应用户选取模型的方法如下:
S1.1、由所述电网区域内所有的电动汽车用户、所述响应用户、经济指标特性、能量存储特性、用户需求特性、用户收益预期目标特性和用户响应潜力特性构成样本集;
S1.2、将所述样本集按比例随机划分为训练集、测试集和验证集;
S1.3、构建三层神经网络,将所述训练集输入所述神经网络中,训练所述神经网络直至收敛;
S1.4、将所述测试集输入收敛后的所述神经网络进行测试,完善所述神经网络;
S1.5、将所述验证集输入完善后的所述神经网络中进行验证,得到所述响应用户选取模型。
优选的,所述S1.3中所述神经网络的输入层包括:所述电网区域内所有的电动汽车用户、所述经济指标特性、所述能量存储特性、所述用户需求特性、所述用户收益预期目标特性和所述用户响应潜力特性;输出层包括:所述响应用户。
优选的,所述S3中所述响应信号包括:停止充电信号和向电网反向送电信号。
优选的,所述S3中所述响应信息是每个所述响应用户响应不同所述响应信号时的概率。
优选的,所述S4中所述负荷聚合模型的输入层包括:所述响应用户、所述响应信息、所述响应用户在所述响应信号下贡献的负荷聚合量和负荷聚合目标量;输出层包括:负荷聚合商在所述负荷聚合目标量下选取的合作响应用户。
另一方面为实现上述目的,本发明还提供了一种基于备用辅助服务的电动汽车负荷聚合系统,包括响应用户选取模型模块、响应用户模块、响应信息模块、负荷聚合模型模块和负荷聚合模块:
所述响应用户选取模型模块,用于构建响应用户选取模型;
所述响应用户模块,用于基于所述响应用户选取模型,获取电网区域内的响应用户;
响应信息模块,用于给所述响应用户发送响应信号,获取响应信息;
所述负荷聚合模型模块,用于基于所述响应用户和所述响应信息,构建负荷聚合模型;
所述负荷聚合模块,用于基于所述负荷聚合模型,进行电动汽车负荷聚合。
优选的,所述响应用户选取模型模块中构建所述响应用户选取模型的方法如下:
由所述电网区域内所有的电动汽车用户、所述响应用户、经济指标特性、能量存储特性、用户需求特性、用户收益预期目标特性和用户响应潜力特性构成样本集;
将所述样本集按比例随机划分为训练集、测试集和验证集;
构建三层神经网络,将所述训练集输入所述神经网络中,训练所述神经网络直至收敛;
将所述测试集输入收敛后的所述神经网络进行测试,完善所述神经网络;
将所述验证集输入完善后的所述神经网络中进行验证,得到所述响应用户选取模型。
优选的,所述神经网络的输入层包括:所述电网区域内所有的电动汽车用户、所述经济指标特性、所述能量存储特性、所述用户需求特性、所述用户收益预期目标特性和所述用户响应潜力特性;输出层包括:所述响应用户。
本发明的有益效果为:提出了一种基于备用辅助服务的电动汽车负荷聚合方法和系统,根据备用辅助服务通过神经网络构建了响应用户选取模型,更准确地选出了电网区域内的响应用户,构建了负荷聚合模型,更精准地根据负荷聚合目标量选出了最终的合作响应用户,完成了基于备用辅助服务的电动汽车负荷聚合,提高了电动汽车负荷聚合的可靠性。
本方法具有广阔的推广空间和使用价值。
附图说明
为了更清楚地说明本发明的技术方案,下面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为本发明实施例一方法流程图;
图2为本发明实施例二系统模块图。
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。
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。
实施例一:
如图1所示,本发明提供了一种基于备用辅助服务的电动汽车负荷聚合方法,具体方法如下:
1、根据神经网络,构建响应用户选取模型,具体方法如下:
1.1、由电网区域内所有的电动汽车用户、响应用户、经济指标特性、能量存储特性、用户需求特性、用户收益预期目标特性和用户响应潜力特性构成样本集。
响应用户,在本发明中指参与备用辅助服务的电动汽车用户。
经济指标特性,在本发明中指在负荷聚合商供电效益及用户需求响应资源价格存在差异性的情况下,使负荷聚合商购电成本最小化、利益最大化,并满足系统调度需要的特性。
能量存储特性,在本发明中指电动汽车的能量存储性能。
用户需求特性,在本发明中指电动汽车用户对自身用能的需求性能。
用户收益预期目标特性,在本发明中指电动汽车用户响应备用辅助服务能够获取的收益的预期目标。
用户响应潜力特性,在本发明中指电动汽车用户响应备用辅助服务的概率。
1.2、将样本集按比例随机划分为训练集、测试集和验证集。
1.3、构建三层神经网络,将训练集输入神经网络中,训练神经网络直至收敛。
神经网络的输入层包括:电网区域内所有的电动汽车用户、经济指标特性、能量存储特性、用户需求特性、用户收益预期目标特性和用户响应潜力特性。
神经网络的输出层包括:响应用户。
1.4、将测试集输入收敛后的神经网络进行测试,完善神经网络。
1.5、将验证集输入完善后的神经网络中进行验证,得到响应用户选取模型。
2、根据构建的响应用户选取模型,获取电网区域内的响应用户。
将电网区域内所有的电动汽车用户、经济指标特性、能量存储特性、用户需求特性、用户收益预期目标特性和用户响应潜力特性输入响应用户选取模型,输出得到该电网区域内的响应用户。
3、给响应用户发送响应信号,获取响应信息。
电动汽车是一种新型的电力负荷,电动汽车负荷聚合是将一定数量的电动汽车聚集为整体,获得一定规模的可调度负荷和储能容量。
通过聚合正在充电的电动汽车,使其停止充电或向电网反向送电,则可为电网提供正向的备用辅助服务,可见,电动汽车具有两种参与备用辅助服务的方式:停止充电和向电网反向送电。因此,响应信号包括:停止充电信号和向电网反向送电信号。
响应用户在充电时,负荷聚合商给响应用户发送响应信号,并记录响应用户接受响应信号的情况,得到每个响应用户响应两种响应信号时的概率,即响应信息。
4、根据获得的响应用户和响应信息,得到负荷聚合模型。
响应用户接受向电网反向送电信号贡献出的负荷聚合量比响应用户接受停止充电信号贡献出的负荷聚合量多,在负荷聚合目标相同的情况下,负荷聚合商最终选取的合作响应用户数量越少,则负荷聚合成本越低。
根据响应用户、响应信息、响应用户在不同响应信号下贡献的负荷聚合量、负荷聚合目标量和负荷聚合商在不同负荷聚合目标量下选取的合作响应用户,训练神经网络模型,得到负荷聚合模型。
负荷聚合模型输入层包括:响应用户、响应信息、响应用户在不同响应信号下贡献的负荷聚合量和负荷聚合目标量。
负荷聚合模型输出层包括:负荷聚合商在不同负荷聚合目标量下选取的合作响应用户。
5、根据负荷聚合模型,进行电动汽车负荷聚合。
将获取的该电网区域内的响应用户、响应信息、响应用户在不同响应信号下贡献的负荷聚合量和该电网需要的负荷聚合目标量输入负荷聚合模型,输出得到负荷聚合商在该电网需要的负荷聚合目标量下选取的合作响应用户。
负荷聚合商给得到的合作响应用户发送响应信号,合作响应用户根据接受的响应信号进行备用辅助服务,完成电动汽车负荷聚合。
实施例二:
如图2所示,本发明提供了一种基于备用辅助服务的电动汽车负荷聚合系统,包括:响应用户选取模型模块、响应用户模块、响应信息模块、负荷聚合模型模块和负荷聚合模块。
响应用户选取模型模块,根据神经网络构建响应用户选取模型,具体过程如下:
由电网区域内所有的电动汽车用户、响应用户、经济指标特性、能量存储特性、用户需求特性、用户收益预期目标特性和用户响应潜力特性构成样本集。
将样本集按比例随机划分为训练集、测试集和验证集。
构建三层神经网络,将训练集输入神经网络中,训练神经网络直至收敛。
神经网络的输入层包括:电网区域内所有的电动汽车用户、经济指标特性、能量存储特性、用户需求特性、用户收益预期目标特性和用户响应潜力特性。
神经网络的输出层包括:响应用户。
将测试集输入收敛后的神经网络进行测试,完善神经网络。
将验证集输入完善后的神经网络中进行验证,得到响应用户选取模型。
响应用户模块,根据响应用户选取模型,获取电网区域内的响应用户。
响应信息模块,通过负荷聚合商给响应用户发送响应信号,获取对应的响应信息。
响应信号包括:停止充电信号和向电网反向送电信号;响应信息是每个响应用户响应不同响应信号时的概率。
负荷聚合模型模块,根据响应用户、响应信息、响应用户在不同响应信号下贡献的负荷聚合量、负荷聚合目标量和负荷聚合商在不同负荷聚合目标量下选取的合作响应用户,训练神经网络模型,得到负荷聚合模型。
负荷聚合模块,根据负荷聚合模型,得到负荷聚合商在负荷聚合目标量下选取的合作响应用户,进行电动汽车负荷聚合。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种基于备用辅助服务的电动汽车负荷聚合方法,其特征在于,包括以下步骤:
S1、构建响应用户选取模型;
S2、基于所述响应用户选取模型,获取电网区域内的响应用户;
S3、给所述响应用户发送响应信号,获取响应信息;
S4、基于所述响应用户和所述响应信息,构建负荷聚合模型;
S5、基于所述负荷聚合模型,进行电动汽车负荷聚合。
2.根据权利要求1所述的基于备用辅助服务的电动汽车负荷聚合方法,其特征在于:
所述S1中构建所述响应用户选取模型的方法如下:
S1.1、由所述电网区域内所有的电动汽车用户、所述响应用户、经济指标特性、能量存储特性、用户需求特性、用户收益预期目标特性和用户响应潜力特性构成样本集;
S1.2、将所述样本集按比例随机划分为训练集、测试集和验证集;
S1.3、构建三层神经网络,将所述训练集输入所述神经网络中,训练所述神经网络直至收敛;
S1.4、将所述测试集输入收敛后的所述神经网络进行测试,完善所述神经网络;
S1.5、将所述验证集输入完善后的所述神经网络中进行验证,得到所述响应用户选取模型。
3.根据权利要求2所述的基于备用辅助服务的电动汽车负荷聚合方法,其特征在于:
所述S1.3中所述神经网络的输入层包括:所述电网区域内所有的电动汽车用户、所述经济指标特性、所述能量存储特性、所述用户需求特性、所述用户收益预期目标特性和所述用户响应潜力特性;输出层包括:所述响应用户。
4.根据权利要求1所述的基于备用辅助服务的电动汽车负荷聚合方法,其特征在于:
所述S3中所述响应信号包括:停止充电信号和向电网反向送电信号。
5.根据权利要求1所述的基于备用辅助服务的电动汽车负荷聚合方法,其特征在于:
所述S3中所述响应信息是每个所述响应用户响应不同所述响应信号时的概率。
6.根据权利要求1所述的基于备用辅助服务的电动汽车负荷聚合方法,其特征在于:
所述S4中所述负荷聚合模型的输入层包括:所述响应用户、所述响应信息、所述响应用户在所述响应信号下贡献的负荷聚合量和负荷聚合目标量;输出层包括:负荷聚合商在所述负荷聚合目标量下选取的合作响应用户。
7.一种基于备用辅助服务的电动汽车负荷聚合系统,其特征在于,包括响应用户选取模型模块、响应用户模块、响应信息模块、负荷聚合模型模块和负荷聚合模块:
所述响应用户选取模型模块,用于构建响应用户选取模型;
所述响应用户模块,用于基于所述响应用户选取模型,获取电网区域内的响应用户;
响应信息模块,用于给所述响应用户发送响应信号,获取响应信息;
所述负荷聚合模型模块,用于基于所述响应用户和所述响应信息,构建负荷聚合模型;
所述负荷聚合模块,用于基于所述负荷聚合模型,进行电动汽车负荷聚合。
8.根据权利要求7所述的基于备用辅助服务的电动汽车负荷聚合系统,其特征在于:
所述响应用户选取模型模块中构建所述响应用户选取模型的方法如下:
由所述电网区域内所有的电动汽车用户、所述响应用户、经济指标特性、能量存储特性、用户需求特性、用户收益预期目标特性和用户响应潜力特性构成样本集;
将所述样本集按比例随机划分为训练集、测试集和验证集;
构建三层神经网络,将所述训练集输入所述神经网络中,训练所述神经网络直至收敛;
将所述测试集输入收敛后的所述神经网络进行测试,完善所述神经网络;
将所述验证集输入完善后的所述神经网络中进行验证,得到所述响应用户选取模型。
9.根据权利要求8所述的基于备用辅助服务的电动汽车负荷聚合系统,其特征在于:
所述神经网络的输入层包括:所述电网区域内所有的电动汽车用户、所述经济指标特性、所述能量存储特性、所述用户需求特性、所述用户收益预期目标特性和所述用户响应潜力特性;输出层包括:所述响应用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211208893.XA CN115481921A (zh) | 2022-09-30 | 2022-09-30 | 一种基于备用辅助服务的电动汽车负荷聚合方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211208893.XA CN115481921A (zh) | 2022-09-30 | 2022-09-30 | 一种基于备用辅助服务的电动汽车负荷聚合方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115481921A true CN115481921A (zh) | 2022-12-16 |
Family
ID=84394447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211208893.XA Pending CN115481921A (zh) | 2022-09-30 | 2022-09-30 | 一种基于备用辅助服务的电动汽车负荷聚合方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115481921A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109066702A (zh) * | 2018-08-21 | 2018-12-21 | 江苏方天电力技术有限公司 | 一种基于响应潜力的负荷双层控制方法 |
CN112180741A (zh) * | 2020-10-30 | 2021-01-05 | 合肥工业大学 | 一种负荷聚合商参与的综合需求响应方法及系统 |
CN112633571A (zh) * | 2020-12-18 | 2021-04-09 | 浙江大学 | 源网荷互动环境下基于lstm的超短期负荷预测方法 |
CN113762812A (zh) * | 2021-11-08 | 2021-12-07 | 东南大学 | 一种基于多臂学习机的电动汽车备用服务负荷聚合方法 |
-
2022
- 2022-09-30 CN CN202211208893.XA patent/CN115481921A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109066702A (zh) * | 2018-08-21 | 2018-12-21 | 江苏方天电力技术有限公司 | 一种基于响应潜力的负荷双层控制方法 |
CN112180741A (zh) * | 2020-10-30 | 2021-01-05 | 合肥工业大学 | 一种负荷聚合商参与的综合需求响应方法及系统 |
CN112633571A (zh) * | 2020-12-18 | 2021-04-09 | 浙江大学 | 源网荷互动环境下基于lstm的超短期负荷预测方法 |
CN113762812A (zh) * | 2021-11-08 | 2021-12-07 | 东南大学 | 一种基于多臂学习机的电动汽车备用服务负荷聚合方法 |
Non-Patent Citations (1)
Title |
---|
王楠著: "《 在线社会网络研究与应用》", ,北京:科学技术文献出版社, pages: 155 - 156 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Noel et al. | Vehicle-to-Grid | |
Casals et al. | Reused second life batteries for aggregated demand response services | |
GB2566596B (en) | Aggregating energy resources | |
Yao et al. | Robust frequency regulation capacity scheduling algorithm for electric vehicles | |
Schwenk et al. | Integrating battery aging in the optimization for bidirectional charging of electric vehicles | |
Sharifi et al. | Leveraging owners’ flexibility in smart charge/discharge scheduling of electric vehicles to support renewable energy integration | |
Darabi et al. | Plug-in hybrid electric vehicles: Charging load profile extraction based on transportation data | |
Merrington et al. | Optimal planning of solar photovoltaic and battery storage for electric vehicle owner households with time‐of‐use tariff | |
Fridgen et al. | The Value of Information Exchange in Electric Vehicle Charging. | |
Kandasamy et al. | Loss‐of‐life investigation of EV batteries used as smart energy storage for commercial building‐based solar photovoltaic systems | |
Infante et al. | Operational strategy analysis of electric vehicle battery swapping stations | |
Chiş et al. | Scheduling of plug-in electric vehicle battery charging with price prediction | |
Fanti et al. | Optimal energy management integrating renewable energy, energy storage systems and electric vehicles | |
CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
Darabi et al. | Extracting probability distribution functions applicable for PHEVs charging load profile | |
CN105160559A (zh) | 一种交互式智能用电控制方法和系统 | |
CN111982531B (zh) | 评估电池与整车匹配性的方法 | |
CN115481921A (zh) | 一种基于备用辅助服务的电动汽车负荷聚合方法和系统 | |
CN117353346A (zh) | 通信基站与电力系统的需求响应方法和装置 | |
TWI706366B (zh) | 電動車充電站電能管理方法 | |
CN115545588A (zh) | 固定储能系统选址确定方法、装置、电子设备及存储介质 | |
CN116109380A (zh) | 一种多虚拟电厂和负荷聚合商的分布式交易方法 | |
Okpako et al. | A comparative assessment of embedded energy storage and electric vehicle integration in a community virtual power plant | |
CN112819307B (zh) | 智能电网中基于负载监督的需求响应方法及系统 | |
CN115470985A (zh) | 一种电动汽车充电负荷的预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221216 |