CN115864480A - 基于大规模电动汽车分布式充放电功率跟踪集群调度方法 - Google Patents

基于大规模电动汽车分布式充放电功率跟踪集群调度方法 Download PDF

Info

Publication number
CN115864480A
CN115864480A CN202310190918.6A CN202310190918A CN115864480A CN 115864480 A CN115864480 A CN 115864480A CN 202310190918 A CN202310190918 A CN 202310190918A CN 115864480 A CN115864480 A CN 115864480A
Authority
CN
China
Prior art keywords
charging
power
electric vehicle
discharging
electric automobile
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
CN202310190918.6A
Other languages
English (en)
Other versions
CN115864480B (zh
Inventor
樊立攀
禹文静
徐琰
明东岳
魏伟
雷鸣
傅晨
谢东日
付尤
孙亮
游文军
庞博
余鹤
肖楚鹏
王振宇
许静
齐蓓
石玉伦
刘智伟
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.)
Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute
Huazhong University of Science and Technology
Metering Center of State Grid Hubei Electric Power Co Ltd
Original Assignee
Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute
Huazhong University of Science and Technology
Metering Center of State Grid Hubei Electric Power Co Ltd
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 Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute, Huazhong University of Science and Technology, Metering Center of State Grid Hubei Electric Power Co Ltd filed Critical Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute
Priority to CN202310190918.6A priority Critical patent/CN115864480B/zh
Publication of CN115864480A publication Critical patent/CN115864480A/zh
Application granted granted Critical
Publication of CN115864480B publication Critical patent/CN115864480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本申请涉及一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法，包括以下具体步骤：S1.建立满足参与需求侧管理电动汽车个数、目标充电量、充放电时间和聚合商执行功率到位情况的约束情况的系统调度模型；S2.为了使大规模电动汽车充放电总功率能够跟踪参考功率指令，形成调度电动汽车的充放电功率问题方程以满足跟踪参考功率命令；S3.通过在局部函数中应用分布式ADMM算法，根据接受的功率和对单个电动汽车进行优化收敛以获得每个电动汽车的最佳充电功率。本申请可以控制电动汽车的充电和放电过程而不影响电动汽车行驶计划，从而使电动汽车负载可以有效地跟踪给定的负载分布。

Description

基于大规模电动汽车分布式充放电功率跟踪集群调度方法
技术领域
本申请涉及电力需求侧管理电动汽车充放电领域，尤其涉及一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法。
背景技术
随着人们对环境和能源的日益关注和重视，电动汽车得到了广泛的应用。政府、汽车制造商和世界各地的能源公司在节能和碳中和及其普及已大大增加。作为可移动和可控制的负荷，其充电负载小，电池容量有限，如果电动汽车大规模接入电网，将对电力系统规划和运营产生深远影响。研究人员开发了电动汽车集群调度器。集群调度器是指在电力市场中具有一定可调度规模和数量的电动汽车负载，是电动汽车充电控制和参与需求侧管理的重要形式。但是如果大规模电动汽车连接到无序网格，缺乏集群调度方式来控制他们的充电和放电过程，增加了电网负荷的峰谷差，严重情况下还会威胁电网的稳定性。因此，有必要充分利用电动汽车的柔性负载、电动汽车的充电和放电控制集群，以便他们能够参与通过参与需求响应，保障电网供需平衡。
发明内容
本申请实施例的目的在于提供一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法，可以控制电动汽车的充电和放电过程而不影响电动汽车行驶计划，从而使电动汽车负载可以有效地跟踪给定的负载分布。
为实现上述目的，本申请提供如下技术方案：
本申请实施例提供一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法，包括以下具体步骤：
S1.建立满足参与需求侧管理电动汽车个数、目标充电量、充放电时间和聚合商执行功率到位情况的约束情况的系统调度模型；
S2.为了使大规模电动汽车充放电总功率能够跟踪参考功率指令，形成调度电动汽车的充放电功率问题方程以满足跟踪参考功率命令；
S3. 通过在局部函数中应用分布式ADMM算法，根据接受的功率和对单个电动汽车进行优化收敛以获得每个电动汽车的最佳充电功率。
所述步骤S1中定义N个电动汽车为一个集合N={1，2，...，N},其充电时间集合为T={1，2，...，T},在执行需求响应的背景下，充电站聚合商需要在给定的时间间隔开始时执行电动汽车充放电功率控制，所以电动汽车参考功率曲线函数为
Figure SMS_1
，将第n个电动汽车的功率曲线定义为/>
Figure SMS_2
，其中/>
Figure SMS_3
小于0表示电动汽车在放电，/>
Figure SMS_4
大于0表示电动汽车在充电，将充电站的总功率定义为
Figure SMS_5
。
每个电动汽车客户提前向聚合商声明电动汽车到达充电站的时间
Figure SMS_6
、离开充电站的时刻/>
Figure SMS_7
、期望的目标充电/>
Figure SMS_8
、到达时的初始充电以及电动汽车电池容量/>
Figure SMS_9
，针对充放电电动汽车的过程，考虑到实际车辆的物理、电池和充电桩存在功率运行上限的情况/>
Figure SMS_10
，/>
Figure SMS_11
为充电桩实际运行功率，关于充电和放电速率约束如下：
Figure SMS_12
(1)
该约束表示电动汽车充放电功率在任何时候不超过他的最大充放电功率，对于每个到站时间间隙表示如下：
Figure SMS_13
(2)
其中
Figure SMS_14
表示充放电期间的传输损耗，/>
Figure SMS_15
为传输损耗系数，/>
Figure SMS_16
为时间常数，n为第n个充电电动汽车，N为所有充电电动汽车，T为总时间段，
考虑到电动汽车电池的物理模型，电池功率在任何时候都不能超过其电池容量，并且必须大于或等于0，表示为：
Figure SMS_17
(3)
当电动汽车离开充电站时，应满足其电池功率需求，因此满足以下约束：
Figure SMS_18
(4)
此外，充电时的聚合总功率
Figure SMS_19
为充电站在任何时候都等于充电功率的总和，其表达式为：
Figure SMS_20
(5)
其中
Figure SMS_21
表示正在充电或在时隙t在充电站放电。
所述步骤S2中为了实现大规模电动汽车充放电跟踪参考功率命令的聚合功率，在满足上述约束的前提下安排电动汽车的充电和放电功率，优化目标是在若干约束条件下最小化总功率与参考功率之差的平方，优化问题由下式给出，其中
Figure SMS_22
为t时段充电功率，
Figure SMS_23
为参考功率：
Figure SMS_24
(6)
Figure SMS_25
。
所述步骤S3中，引入凸集
Figure SMS_26
以表示第n个电动汽车的约束，定义为：/>
Figure SMS_27
(7)
指标函数定义如下，其中x为优化变量，这里指标为电动汽车充电功率优化变量：
Figure SMS_28
（8）
通过引入辅助变量
Figure SMS_29
问题描述可以转换如下：
Figure SMS_30
(9)
增广拉格朗日函数表示为：
Figure SMS_31
其中
Figure SMS_32
为拉格朗日乘子，/>
Figure SMS_33
为平方正则项，系数为/>
Figure SMS_34
，/>
Figure SMS_35
为拉格朗日乘子。
因此，通过缩放双变量
Figure SMS_36
，应用ADMM算法，缩放形式的迭代过程如下：
Figure SMS_37
(11)
其中
Figure SMS_47
为/>
Figure SMS_39
到/>
Figure SMS_43
的均值，/>
Figure SMS_41
为/>
Figure SMS_44
到/>
Figure SMS_49
的均值，/>
Figure SMS_53
为/>
Figure SMS_46
到/>
Figure SMS_50
的均值, />
Figure SMS_38
为/>
Figure SMS_42
到的均值, />
Figure SMS_51
为/>
Figure SMS_54
的交替迭代方程，/>
Figure SMS_52
为/>
Figure SMS_55
的交替迭代方程，/>
Figure SMS_40
为/>
Figure SMS_45
和/>
Figure SMS_48
根据ADMM算法联合迭代的最优解；argmin为拉格朗日最小函数表达式；
Figure SMS_56
和/>
Figure SMS_57
分别是变量/>
Figure SMS_58
和/>
Figure SMS_59
的平均值，
根据接收的
Figure SMS_60
和/>
Figure SMS_61
，每辆电动汽车求解其相应的最优充放电功率，直至第k+1轮收敛到/>
Figure SMS_62
达到每辆电动汽车最佳充电功率。
与现有技术相比，本发明的有益效果是：
一是充电站可以通过分布式算法在本地计算充放电功率，并实现跟踪前提下的充电计划；二是分布式算法可以有效地保护电动其汽车用户的隐私，并且对聚合商系统可扩展性的计算要求更低。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本申请实施例方法流程示意图；
图2 是200辆电动汽车到达时间示意图；
图3是电动汽车功率跟踪控制示意图；
图4 是电动汽车充电状态预估示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参阅图1所示，本申请实施例提供一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法，包括以下具体步骤：
S1.建立满足参与需求侧管理电动汽车个数、目标充电量、充放电时间和聚合商执行功率到位情况的约束情况的系统调度模型。
S2. 为了使大规模电动汽车充放电总功率能够跟踪参考功率指令，形成调度电动汽车的充放电功率问题方程以满足跟踪参考功率命令。
S3.通过在局部函数中应用分布式ADMM算法，根据接受的功率和对单个电动汽车进行优化收敛已获得每个电动汽车的最佳充电功率。
所述步骤S1中所述步骤S1中定义N个电动汽车为一个集合N={1，2，...，N},其充电时间集合为T={1，2，...，T},在执行需求响应的背景下，充电站聚合商需要在给定的时间间隔开始时执行电动汽车充放电功率控制，所以电动汽车参考功率曲线函数为
Figure SMS_63
，将第n个电动汽车的功率曲线定义为/>
Figure SMS_64
，其中/>
Figure SMS_65
小于0表示电动汽车在放电，/>
Figure SMS_66
大于0表示电动汽车在充电，将充电站的总功率定义为/>
Figure SMS_67
。
每个电动汽车客户提前向聚合商声明电动汽车到达充电站的时间
Figure SMS_68
、离开充电站的时刻/>
Figure SMS_69
、期望的目标充电/>
Figure SMS_70
、到达时的初始充电以及电动汽车电池容量/>
Figure SMS_71
。电动汽车需要在预定出发时间之前将电池充电至所需的目标电量。例如，用户可以在上午9点到达充电站，开始充电，并要求电池在下午2点之前达到90%的电池容量。考虑到现实生活中的场景需要满足的EV和充电站约束如下所示。首先，针对充放电电动汽车的过程，考虑到实际车辆的物理、电池和充电桩存在功率运行上限的情况/>
Figure SMS_72
，关于充电和放电速率约束如下：
Figure SMS_73
(1)
该约束表示电动汽车充放电功率在任何时候不超过他的最大充放电功率，对于每个到站时间间隙表示如下：
Figure SMS_74
(2)
其中
Figure SMS_75
表示充放电期间的传输损耗，/>
Figure SMS_76
为传输损耗系数，/>
Figure SMS_77
为时间常数，n为第n个充电电动汽车，N为所有充电电动汽车，T为总时间段，
考虑到电动汽车电池的物理模型，电池功率在任何时候都不能超过其电池容量，并且必须大于或等于0，表示为：
Figure SMS_78
(3)
当电动汽车离开充电站时，应满足其电池功率需求，因此满足以下约束：
Figure SMS_79
(4)
此外，充电时的聚合总功率
Figure SMS_80
为充电站在任何时候都等于充电功率的总和，其表达式为：
Figure SMS_81
(5)
其中
Figure SMS_82
表示正在充电或在时隙t在充电站放电。
所述步骤S2中为了实现大规模电动汽车充放电跟踪参考功率命令的聚合功率，在满足上述约束的前提下安排电动汽车的充电和放电功率，优化目标是在若干约束条件下最小化总功率与参考功率之差的平方，优化问题由下式给出，其中
Figure SMS_83
为t时段充电功率，
Figure SMS_84
为参考功率：
Figure SMS_85
(6)
Figure SMS_86
。
所述步骤S3中首先介绍ADMM算法，ADMM是一种迭代算法，它结合了成对上升算法的可分解性优点，应用于求解统计学中大规模分布凸函数优化问题的乘数方法的收敛性、机器学习和其他相关领域。其优化问题形式如下：
Figure SMS_87
，
这里
Figure SMS_88
，/>
Figure SMS_89
和/>
Figure SMS_90
是凸函数。
将增广拉格朗日函数定义为
Figure SMS_91
其中λ是拉格朗日乘数和惩罚参数，ρ>0是二次惩罚的正惩罚因子。ADMM能够通过迭代来解决上述问题。通过循环，在第i个循环中执行以下操作循环：
Figure SMS_92
，
直到某个k，如果满足条件：
Figure SMS_93
，
则ADMM迭代过程停止，其中
Figure SMS_94
和/>
Figure SMS_95
是原始残差和成对残差，以及参数ε1和ε2是迭代停止的阈值。注意，z的更新需要得到x的结果，当前迭代过程，因此无法执行该过程独立分布。
为了应用分布式ADMM算法，这个问题需要重建，所述步骤S3中，引入凸集
Figure SMS_96
以表示第n个电动汽车的约束，定义为：
Figure SMS_97
(7)
指标函数定义如下，其中x为优化变量，这里指标为电动汽车充电功率优化变量：
Figure SMS_98
（8）
通过引入辅助变量
Figure SMS_99
问题描述可以转换如下：
Figure SMS_100
(9)
增广拉格朗日函数表示为：
Figure SMS_101
其中
Figure SMS_102
为拉格朗日乘子，/>
Figure SMS_103
为平方正则项，系数为/>
Figure SMS_104
，/>
Figure SMS_105
为拉格朗日乘子。
因此，通过缩放双变量
Figure SMS_106
，应用ADMM算法，缩放形式的迭代过程如下：
Figure SMS_107
(11)
其中
Figure SMS_118
为/>
Figure SMS_109
到/>
Figure SMS_114
的均值，/>
Figure SMS_121
为/>
Figure SMS_124
到/>
Figure SMS_122
的均值，/>
Figure SMS_125
为/>
Figure SMS_116
到/>
Figure SMS_120
的均值, />
Figure SMS_111
为/>
Figure SMS_113
到的均值, />
Figure SMS_108
为/>
Figure SMS_115
的交替迭代方程，/>
Figure SMS_119
为/>
Figure SMS_123
的交替迭代方程，/>
Figure SMS_110
为/>
Figure SMS_112
和/>
Figure SMS_117
根据ADMM算法联合迭代的最优解；argmin为拉格朗日最小函数表达式；
Figure SMS_126
和/>
Figure SMS_127
分别是变量/>
Figure SMS_128
和/>
Figure SMS_129
的平均值，
根据接收的
Figure SMS_130
和/>
Figure SMS_131
，每辆电动汽车求解其相应的最优充放电功率，直至第k+1轮收敛到/>
Figure SMS_132
达到每辆电动汽车最佳充电功率。
图1是本申请实施例方法流程示意图。
图2是 200辆电动汽车到达时间示意图，模拟时间周期为24小时，充放电控制周期为30分钟，电动汽车的最大功率限制为2.5kW，电池容量为16kWh，能量转换效率γ=0.9。电动汽车电量在3.2kWh和6.4kWh之间随机分布
图3 是电动汽车功率跟踪控制示意图，三条曲线分别为电动汽车无序充电和通过所提出的算法充放电过程以及在给定参考功率下的充放电过程。无序充电模式为不考虑充电和放电功率的控制调节最大充电的情况下，电动汽车到达后的充电功率。根据给定的负载跟踪信号，电动汽车将根据分布式ADMM算法调整充电功率负载以便跟踪参考功率。和无序充电的电动汽车的总功率比起来，所提出的算法表明，聚合的电动汽车的总功率可以有效跟踪参考功率并实现大规模电动汽车调度。
图4 是电动汽车充电状态预估示意图，所示选择电动汽车编号1-10分析电动汽车电池的充电状态变化。实验表明，在该算法下负荷调节模式可以满足电动汽车的电力需求。
本申请提出了一种分布式算法来解决大规模电动汽车充放电功率跟踪问题。在需求侧管理的背景下，聚合商从电网接收跟踪调节命令信号，大规模代理电动汽车通过分布式算法局部计算充放电功率，在满足充电计划的前提下实现功率跟踪，分布式算法可以有效地保护电动汽车用户的隐私，并且对聚合商在线聚合计算要求低。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (5)

1.一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法，其特征在于，包括以下具体步骤：
S1.建立满足参与需求侧管理电动汽车个数、目标充电量、充放电时间和聚合商执行功率到位情况的约束情况的系统调度模型；
S2.为了使大规模电动汽车充放电总功率能够跟踪参考功率指令，形成调度电动汽车的充放电功率问题方程以满足跟踪参考功率命令；
S3. 通过在局部函数中应用分布式ADMM算法，根据接受的功率和对单个电动汽车进行优化收敛以获得每个电动汽车的最佳充电功率。
2.根据权利要求1所述的一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法，其特征在于，所述步骤S1中定义N个电动汽车为一个集合N={1，2，...，N},其充电时间集合为T={1，2，...，T},在执行需求响应的背景下，充电站聚合商需要在给定的时间间隔开始时执行电动汽车充放电功率控制，所以电动汽车参考功率曲线函数为
Figure QLYQS_1
，将第n个电动汽车的功率曲线定义为/>
Figure QLYQS_2
，其中/>
Figure QLYQS_3
小于0表示电动汽车在放电，/>
Figure QLYQS_4
大于0表示电动汽车在充电，将充电站的总功率定义为
Figure QLYQS_5
。
3.根据权利要求2所述的一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法，其特征在于，每个电动汽车客户提前向聚合商声明电动汽车到达充电站的时间
Figure QLYQS_6
、离开充电站的时刻/>
Figure QLYQS_7
、期望的目标充电/>
Figure QLYQS_8
、到达时的初始充电以及电动汽车电池容量/>
Figure QLYQS_9
，针对充放电电动汽车的过程，考虑到实际车辆的物理、电池和充电桩存在功率运行上限的情况/>
Figure QLYQS_10
，/>
Figure QLYQS_11
为充电桩实际运行功率，关于充电和放电速率约束如下：
Figure QLYQS_12
(1)
该约束表示电动汽车充放电功率在任何时候不超过他的最大充放电功率，对于每个到站时间间隙表示如下：
Figure QLYQS_13
(2)
其中
Figure QLYQS_14
表示充放电期间的传输损耗，/>
Figure QLYQS_15
为传输损耗系数，/>
Figure QLYQS_16
为时间常数，n为第n个充电电动汽车，N为所有充电电动汽车，T为总时间段，
考虑到电动汽车电池的物理模型，电池功率在任何时候都不能超过其电池容量，并且必须大于或等于0，表示为：
Figure QLYQS_17
(3)
当电动汽车离开充电站时，应满足其电池功率需求，因此满足以下约束：
Figure QLYQS_18
(4)
此外，充电时的聚合总功率
Figure QLYQS_19
为充电站在任何时候都等于充电功率的总和，其表达式为：/>
Figure QLYQS_20
(5)
其中
Figure QLYQS_21
表示正在充电或在时隙t在充电站放电。
4.根据权利要求2所述的一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法，其特征在于，所述步骤S2中为了实现大规模电动汽车充放电跟踪参考功率命令的聚合功率，在满足上述约束的前提下安排电动汽车的充电和放电功率，优化目标是在若干约束条件下最小化总功率与参考功率之差的平方，优化问题由下式给出，其中
Figure QLYQS_22
为t时段充电功率，/>
Figure QLYQS_23
为参考功率：
Figure QLYQS_24
(6)，
Figure QLYQS_25
。
5.根据权利要求2所述的一种基于大规模电动汽车分布式充放电功率跟踪集群调度方法，其特征在于，所述步骤S3中
引入凸集
Figure QLYQS_26
以表示第n个电动汽车的约束，定义为：
Figure QLYQS_27
(7)
指标函数定义如下，其中x为优化变量，这里指标为电动汽车充电功率优化变量：
Figure QLYQS_28
（8）
通过引入辅助变量
Figure QLYQS_29
问题描述可以转换如下：
Figure QLYQS_30
(9)
增广拉格朗日函数表示为：
Figure QLYQS_31
，/>
其中
Figure QLYQS_32
为拉格朗日乘子，/>
Figure QLYQS_33
为平方正则项，系数为/>
Figure QLYQS_34
，/>
Figure QLYQS_35
为拉格朗日乘子，
因此，通过缩放双变量
Figure QLYQS_36
，应用ADMM算法，缩放形式的迭代过程如下：
Figure QLYQS_37
(11)
其中
Figure QLYQS_47
为/>
Figure QLYQS_38
到/>
Figure QLYQS_43
的均值，/>
Figure QLYQS_49
为/>
Figure QLYQS_53
到/>
Figure QLYQS_52
的均值，/>
Figure QLYQS_55
为/>
Figure QLYQS_50
到/>
Figure QLYQS_54
的均值, />
Figure QLYQS_41
为/>
Figure QLYQS_45
到的均值, />
Figure QLYQS_40
为/>
Figure QLYQS_44
的交替迭代方程，/>
Figure QLYQS_48
为/>
Figure QLYQS_51
的交替迭代方程，/>
Figure QLYQS_39
为/>
Figure QLYQS_42
和/>
Figure QLYQS_46
根据ADMM算法联合迭代的最优解；argmin为拉格朗日最小函数表达式；
Figure QLYQS_56
和/>
Figure QLYQS_57
分别是变量/>
Figure QLYQS_58
和/>
Figure QLYQS_59
的平均值，
根据接收的
Figure QLYQS_60
和/>
Figure QLYQS_61
，每辆电动汽车求解其相应的最优充放电功率，直至第k+1轮收敛到/>
Figure QLYQS_62
达到每辆电动汽车最佳充电功率。/>
CN202310190918.6A 2023-03-02 2023-03-02 基于大规模电动汽车分布式充放电功率跟踪集群调度方法 Active CN115864480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310190918.6A CN115864480B (zh) 2023-03-02 2023-03-02 基于大规模电动汽车分布式充放电功率跟踪集群调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310190918.6A CN115864480B (zh) 2023-03-02 2023-03-02 基于大规模电动汽车分布式充放电功率跟踪集群调度方法

Publications (2)

Publication Number Publication Date
CN115864480A true CN115864480A (zh) 2023-03-28
CN115864480B CN115864480B (zh) 2023-06-02

Family

ID=85659745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310190918.6A Active CN115864480B (zh) 2023-03-02 2023-03-02 基于大规模电动汽车分布式充放电功率跟踪集群调度方法

Country Status (1)

Country Link
CN (1) CN115864480B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117485147A (zh) * 2024-01-02 2024-02-02 国网湖北省电力有限公司营销服务中心(计量中心) 一种电动汽车虚拟储能优化方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109774525A (zh) * 2019-01-29 2019-05-21 国网山西省电力公司吕梁供电公司 基于交替方向乘子法的电动汽车优化调度方法
CN110011342A (zh) * 2019-04-04 2019-07-12 华北电力大学 一种集群电动汽车充放电功率优化管理方法
WO2022021957A1 (zh) * 2021-03-16 2022-02-03 中国科学院广州能源研究所 运营商收益最大化的v2g二阶段随机规划调度模型
CN114825409A (zh) * 2022-06-28 2022-07-29 中国电力科学研究院有限公司 一种电动汽车多目标分群分级优化调度方法及装置
CN115693737A (zh) * 2022-10-18 2023-02-03 国网福建省电力有限公司经济技术研究院 一种基于v2g电动汽车聚合参与配电网调度的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109774525A (zh) * 2019-01-29 2019-05-21 国网山西省电力公司吕梁供电公司 基于交替方向乘子法的电动汽车优化调度方法
CN110011342A (zh) * 2019-04-04 2019-07-12 华北电力大学 一种集群电动汽车充放电功率优化管理方法
WO2022021957A1 (zh) * 2021-03-16 2022-02-03 中国科学院广州能源研究所 运营商收益最大化的v2g二阶段随机规划调度模型
CN114825409A (zh) * 2022-06-28 2022-07-29 中国电力科学研究院有限公司 一种电动汽车多目标分群分级优化调度方法及装置
CN115693737A (zh) * 2022-10-18 2023-02-03 国网福建省电力有限公司经济技术研究院 一种基于v2g电动汽车聚合参与配电网调度的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许刚: "电动汽车集群并网的分布式鲁棒优化调度模型" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117485147A (zh) * 2024-01-02 2024-02-02 国网湖北省电力有限公司营销服务中心(计量中心) 一种电动汽车虚拟储能优化方法和系统
CN117485147B (zh) * 2024-01-02 2024-03-26 国网湖北省电力有限公司营销服务中心(计量中心) 一种电动汽车虚拟储能优化方法和系统

Also Published As

Publication number Publication date
CN115864480B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN110011342B (zh) 一种集群电动汽车充放电功率优化管理方法
Ma et al. Optimal charging of plug-in electric vehicles for a car-park infrastructure
CN105680474B (zh) 一种储能抑制光伏电站快速功率变化的控制方法
CN108471143A (zh) 基于正负反馈粒子群算法的微电网多能源调度优化方法
CN106945558A (zh) 集群电动汽车v2g控制策略
CN105356491B (zh) 一种基于储能和虚拟储能最优控制的功率波动平抑方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN104734200A (zh) 一种基于虚拟发电的主动配电网优化调度方法
CN110281809A (zh) 一种基于粒子群优化算法的电动汽车v2g控制系统
CN112821470B (zh) 基于小生境混沌粒子群算法的微网群优化调度策略
CN113258581B (zh) 一种基于多智能体的源荷协调电压控制方法及装置
CN115864480B (zh) 基于大规模电动汽车分布式充放电功率跟踪集群调度方法
CN104078978A (zh) 一种面向智能电网的电动汽车入网一次调频控制方法
CN112668791A (zh) 热电联供系统的优化方法
CN111753471B (zh) 一种储能电池的优化运行方法
Kim Smart charging architecture for between a plug-in electrical vehicle (PEV) and a smart home
CN111160618A (zh) 一种结合电动汽车充电场站的建筑能量优化调度方法
CN113011104B (zh) 一种面向电网调频控制的集群电动汽车充电负荷聚合建模方法
CN106094521B (zh) 柔性负荷能效电厂调度控制方法和系统
CN115001054B (zh) 一种基于模型预测含电动汽车的电力系统频率控制策略
CN116131297A (zh) 一种面向新能源消纳的源网荷储省地协同调控方法及系统
Zhang et al. Coordinated dispatch of the wind-thermal power system by optimizing electric vehicle charging
CN113300392B (zh) 考虑余电上网的光储充一体化电站优化控制方法
CN112100743B (zh) 适用于平抑新能源出力波动的电动汽车虚拟机组调控方法
CN115036952A (zh) 一种基于mpc的电动汽车参与负荷平抑的实时功率控制方法

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