CN116702952A - 一种v2g模式下的电动汽车充电设施规划方法和装置 - Google Patents
一种v2g模式下的电动汽车充电设施规划方法和装置 Download PDFInfo
- Publication number
- CN116702952A CN116702952A CN202310533637.6A CN202310533637A CN116702952A CN 116702952 A CN116702952 A CN 116702952A CN 202310533637 A CN202310533637 A CN 202310533637A CN 116702952 A CN116702952 A CN 116702952A
- Authority
- CN
- China
- Prior art keywords
- charging facility
- electric automobile
- electric vehicle
- planning
- mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 56
- 241000282461 Canis lupus Species 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000035772 mutation Effects 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 37
- 238000007599 discharging Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012423 maintenance Methods 0.000 claims description 13
- 230000002829 reductive effect Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 7
- 241000282421 Canidae Species 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
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
- G06Q10/04—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
- G06Q10/06315—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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种V2G模式下的电动汽车充电设施规划方法和装置,其中,方法包括:构建电动汽车动态功率模型;基于所述电动汽车动态功率模型,以电动汽车充电设施全寿命周期成本最优和V2G模式下配电网安全稳定运行成本最优构造多目标规划模型的目标函数;利用功率平衡、充放电量、节点电压、支路电流对所述多目标规划模型进行约束;采用引入Logistic映射策略、可调节非线性收敛因子及Cauchy变异算子的灰狼优化算法对所述多目标规划模型进行求解,并将求解的结果作为V2G模式下电动汽车充电设施最优规划方案。本发明可以有效改善电动汽车充电负荷影响配电网安全稳定运行及充换电基础设施布局不合理问题。
Description
技术领域
本发明涉及能源电力技术领域,特别是涉及一种V2G模式下的电动汽车充电设施规划方法和装置。
背景技术
随着全球经济的快速发展,化石能源消耗逐渐加剧,环境污染问题日趋严重,各国对清洁能源的需求迫在眉睫。电动汽车产业作为清洁能源领域的重要组成部分,也凭借其低碳环保、经济实用及高效节能等优点备受国际社会关注,多国政府相继出台相关政策以加快电动汽车的推广应用。我国《新能源汽车产业发展规划(2021—2035年)》明确指出要加强新能源汽车与电网能量互动(Vehicle to Grid,V2G),加快充换电基础设施建设,科学布局充换电基础设施,以满足电动汽车充电需求,优化电网潮流分布,提升电网供电可靠性,推动能源电力绿色低碳高质量发展。不合理的电动汽车充电设施规划方案不仅有损于电动汽车用户出行的方便快捷,阻碍电动汽车产业的持续发展,而且不利于配电系统安全稳定运行。
目前,针对V2G模式下电动汽车充电设施规划方法的研究,主要集中于以减少V2G模式下配电网受充放电负荷影响为目标的电动汽车有序充放电调度策略方面。例如,云端协同环境下电动汽车有序充换电控制调度策略考虑用户负荷需求及充电站运营成本,以社区公共充电桩、充电站和可再生能源电厂为边缘节点,利用卷积深度信念网络模型在云端制定灵活的电动汽车充电调度策略,以最大限度降低配电网运行成本,减小负荷峰谷差;或为解决大规模电动汽车无序充电导致配电网过载等问题,建立考虑电动汽车V2G与光伏储能互补的有序充放电控制和负荷调峰模型,以充分利用电动汽车削峰填谷和抑制光伏出力波动的能力,进而缓解配电网负荷压力;或综合考虑不同电动汽车车型的时空特性、电池特性及电动汽车用户的心理特性,以电动汽车用户充电成本最小为目标调控电动汽车用户充换电行为,从而提升电动汽车充电设施利用率,缓解配电网压力;或提出了一种基于分时差异化计费的电动汽车有序充放电调控策略,其充分考虑电网负荷均方差、用户充放电成本及电动汽车充电量以构造多目标优化函数,并利用改进粒子群算法求解,进而缓解了电动汽车无序充放电引起的电网负荷波动。
关于配电网潮流分布受电动汽车充放电负荷的影响,可依据节点电压与支路潮流的越限严重程度,评析电动汽车充放电对配电网潮流分布影响的综合指标,以合理规划电动汽车充电设施布局;或者利用场景概率法对配电网潮流分布进行分析,并在此分析结果的基础上,将配电网潮流约束与节点电压约束转化为机会约束,以优化电动汽车充电设施选址方案。但电动汽车充放电负荷是动态变化的,而基于V2G模式下电动汽车充放电负荷动态变化和配电网安全稳定运行进行模型构建的方法却较少。
随着电动汽车保有量的不断扩大,电动汽车充电设施规划方案需要考虑的约束条件与现实因素不断增多,其所需求解的多目标优化问题维度也呈指数增长态势,而传统的智能优化算法常具有计算复杂度高、收敛速度慢及易陷入局部最优等问题。
发明内容
本发明提供一种V2G模式下的电动汽车充电设施规划方法和装置,可以有效改善电动汽车充电负荷影响配电网安全稳定运行及充换电基础设施布局不合理问题。
本发明解决其技术问题所采用的技术方案是:提供一种V2G模式下的电动汽车充电设施规划方法,包括以下步骤:
构建电动汽车动态功率模型;
基于所述电动汽车动态功率模型,以电动汽车充电设施全寿命周期成本最优和V2G模式下配电网安全稳定运行成本最优构造多目标规划模型的目标函数;
利用功率平衡、充放电量、节点电压、支路电流对所述多目标规划模型进行约束;
采用引入Logistic映射策略、可调节非线性收敛因子及Cauchy变异算子的灰狼优化算法对所述多目标规划模型进行求解,并将求解的结果作为V2G模式下电动汽车充电设施最优规划方案。
所述电动汽车动态功率模型表示为:其中,Pr f(t)为t时刻电动汽车充电设施实际交换功率;/>为t时刻V2G模式下电动汽车最大响应功率;/>为t时刻电动汽车用户选择不参与V2G的充电设施负荷,f(Bsoc)为电动汽车电池荷电状态的概率密度函数,表示为:/>Bsoc为电动汽车电池SOC,μsoc、σsoc为概率密度函数中的常数;EL、EH分别为电动汽车与配电网进行能量互动时的最小电量值和最大电量值。
所述多目标规划模型的目标函数为:minF=min(F1,F2),其中,F为多目标规划模型的目标函数;F1为电动汽车充电设施全寿命周期成本,表示为:F1=CI+CO+CF+CM+CD,CI为投资成本,CO为运行成本,/>,CF为故障成本,/>CM为检修成本,CD为退役成本,/>γ为折现率;T为电动汽车充电设施规划周期;CCS为电动汽车充电设施建设费用;SCSj为配网节点j处接入的电动汽车充电设施容量;Cbus为安装电动汽车充电设施所需的其他固定成本,N为节点个数;PLA,l,y为电动汽车充电设施i在年份y的交换总电量;μ为电动汽车充电设施单位充电量的运维成本;为减少的充电电量;/>为故障小时数的最大值;/>为停电引起的电动汽车充电设施损失;ay为年份y浴盆系数;d和c均为退役成本计算参数;F2为V2G模式下配电网安全稳定运行成本,表示为:其中,cpi、bpi、api为节点i购电成本参数;Pgi(t)为t时刻节点i购电量;pd(t)、pc(t)分别为t时刻电动汽车充电价格和放电价格;/>分别为t时刻充电设施j的充/放电功率。
所述多目标规划模型的功率平衡约束条件为:其中,N为节点个数;Pgi(t)为t时刻节点i购电量;Pdf、Pdc分别为电动汽车平均放电、充电功率;Nf(t)、Nc(t)分别为t时刻进行充电、放电的电动汽车数量;L(t)为网损;D(t)为预测所得有功负荷。
所述多目标规划模型的充放电量约束条件为:其中,/>分别为t时刻充电设施j的充/放电功率,SCSj为配网节点j处接入的电动汽车充电设施容量。
所述多目标规划模型的节点电压约束条件为:Vi min≤Vi≤Vi max,其中,Vi、Vi max、Vi min分别为节点i的电压幅值及其上、下限。
所述多目标规划模型的支路电流约束条件为:其中,Ij、/>分别为支路j的电流幅值及其上限。
所述采用引入Logistic映射策略、可调节非线性收敛因子及Cauchy变异算子的灰狼优化算法对所述多目标规划模型进行求解,并将求解的结果作为V2G模式下电动汽车充电设施最优规划方案,具体包括:
引入混沌策略反向学习初始化种群,具体为:生成N个初始解xi,基于N个初始解xi生成N个对应的反向初始解xi′,将得到的2N个初始解按适应度值递增进行排序,选出前N个初始解作为初始灰狼种群;
对灰狼种群中适应度值最大的个体进行Cauchy变异,具体计算方式为:xi′k=xik(1+a2C(0,1)),其中,xi′k为变异后的个体,xik为待变异的个体,a为引入的非线性收敛因子,其中,t表示当前迭代次数,tmax表示最大迭代次数,k为非线性调节系数,C(0,1)为以0为中心,尺度为1的Cauchy分布的随机数;
从变异处理后的灰狼种群中选出头狼,并计算摇摆因子和收敛因子;
基于摇摆因子和收敛因子更新灰狼种群中的个体位置,并计算猎物位置;
判断是否迭代至最大迭代次数,若迭代至最大迭代次数,输出最优解,该最优解为V2G模式下电动汽车充电设施最优规划方案。
本发明解决其技术问题所采用的技术方案是:提供一种V2G模式下的电动汽车充电设施规划装置,包括:
构建模块,用于构建电动汽车动态功率模型;
构造模块,用于基于所述电动汽车动态功率模型,以电动汽车充电设施全寿命周期成本最优和V2G模式下配电网安全稳定运行成本最优构造多目标规划模型的目标函数;
约束模块,用于利用功率平衡、充放电量、节点电压、支路电流对所述多目标规划模型进行约束;
规划模块,用于采用引入Logistic映射策略、可调节非线性收敛因子及Cauchy变异算子的灰狼优化算法对所述多目标规划模型进行求解,并将求解的结果作为V2G模式下电动汽车充电设施最优规划方案。
所述构建模块构建的电动汽车动态功率模型表示为:其中,Pr f(t)为t时刻电动汽车充电设施实际交换功率;/>为t时刻V2G模式下电动汽车最大响应功率;/>为t时刻电动汽车用户选择不参与V2G的充电设施负荷,f(Bsoc)为电动汽车电池荷电状态的概率密度函数,表示为:Bsoc为电动汽车电池SOC,μsoc、σsoc为概率密度函数中的常数;EL、EH分别为电动汽车与配电网进行能量互动时的最小电量值和最大电量值。
所述构造模块构造的多目标规划模型的目标函数为:minF=min(F1,F2),其中,F为多目标规划模型的目标函数;F1为电动汽车充电设施全寿命周期成本,表示为:F1=CI+CO+CF+CM+CD,CI为投资成本,CO为运行成本,/>,CF为故障成本,/>CM为检修成本,CD为退役成本,/>γ为折现率;T为电动汽车充电设施规划周期;CCS为电动汽车充电设施建设费用;SCSj为配网节点j处接入的电动汽车充电设施容量;Cbus为安装电动汽车充电设施所需的其他固定成本,N为节点个数;PLA,l,y为电动汽车充电设施i在年份y的交换总电量;μ为电动汽车充电设施单位充电量的运维成本;为减少的充电电量;/>为故障小时数的最大值;/>为停电引起的电动汽车充电设施损失;ay为年份y浴盆系数;d和c均为退役成本计算参数;F2为V2G模式下配电网安全稳定运行成本,表示为:其中,cpi、bpi、api为节点i购电成本参数;Pgi(t)为t时刻节点i购电量;pd(t)、pc(t)分别为t时刻电动汽车充电价格和放电价格;/>分别为t时刻充电设施j的充/放电功率。
所述约束模块给出的多目标规划模型的功率平衡约束条件为:其中,N为节点个数;Pgi(t)为t时刻节点i购电量;Pdf、Pdc分别为电动汽车平均放电、充电功率;Nf(t)、Nc(t)分别为t时刻进行充电、放电的电动汽车数量;L(t)为网损;D(t)为预测所得有功负荷。
所述约束模块给出的充放电量约束条件为:其中,/>分别为t时刻充电设施j的充/放电功率,SCSj为配网节点j处接入的电动汽车充电设施容量。
所述约束模块给出的节点电压约束条件为:Vi min≤Vi≤Vi max,其中,Vi、Vi max、Vi min分别为节点i的电压幅值及其上、下限。
所述约束模块给出的支路电流约束条件为:其中,Ij、/>分别为支路j的电流幅值及其上限。
所述规划模块包括:
初始种群生成单元,用于引入混沌策略反向学习初始化种群,具体为:生成N个初始解xi,基于N个初始解xi生成N个对应的反向初始解xi′,将得到的2N个初始解按适应度值递增进行排序,选出前N个初始解作为初始灰狼种群;
变异单元,用于对灰狼种群中适应度值最大的个体进行Cauchy变异,具体计算方式为:xi′k=xik(1+a2C(0,1)),其中,xi′k为变异后的个体,xik为待变异的个体,a为引入的非线性收敛因子,其中,t表示当前迭代次数,tmax表示最大迭代次数,k为非线性调节系数,C(0,1)为以0为中心,尺度为1的Cauchy分布的随机数;
选择计算单元,用于从变异处理后的灰狼种群中选出头狼,并计算摇摆因子和收敛因子;
更新计算单元,用于基于摇摆因子和收敛因子更新灰狼种群中的个体位置,并计算猎物位置;
判断输出单元,用于判断是否迭代至最大迭代次数,若迭代至最大迭代次数,输出最优解,该最优解为V2G模式下电动汽车充电设施最优规划方案。
本发明解决其技术问题所采用的技术方案是:提供一种电子设备,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述V2G模式下的电动汽车充电设施规划方法的步骤。
本发明解决其技术问题所采用的技术方案是:提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述V2G模式下的电动汽车充电设施规划方法的步骤。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明通过对电动汽车可调用动态功率进行建模,构建考虑V2G模式下电动汽车充电设施全寿命周期成本及配电网安全稳定运行的多目标规划模型,并对多目标规划模型进行求解得到V2G模式下电动汽车充电设施最优规划方案,从而有效改善电动汽车充电负荷影响配电网安全稳定运行及充换电基础设施布局不合理问题,优化配电网潮流运行参数,进而整体上降低电网运行成本,在进行求解释时还将Logistic映射策略、可调节非线性收敛因子及Cauchy变异算子引入灰狼优化算法,有效地平衡了全局和局部搜索能力,提高了计算精度与规划效率。
附图说明
图1是本发明第一实施方式V2G模式下的电动汽车充电设施规划方法的流程图;
图2是本发明第一实施方式中灰狼优化算法流程图;
图3是本发明第二实施方式V2G模式下的电动汽车充电设施规划装置的结构图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的第一实施方式涉及一种V2G模式下的电动汽车充电设施规划方法,如图1所示,包括以下步骤:
步骤1,构建电动汽车动态功率模型。本步骤中构建的电动汽车动态功率模型为:
其中,Pr f(t)为t时刻电动汽车充电设施实际交换功率;为t时刻V2G模式下电动汽车最大响应功率;/>为t时刻电动汽车用户选择不参与V2G的充电设施负荷,假设此类车辆将持续充电至Bsoc=1,f(Bsoc)为电动汽车电池荷电状态的概率密度函数,表示为:Bsoc为电动汽车电池SOC,μsoc、σsoc为概率密度函数中的常数;EL、EH分别为电动汽车与配电网进行能量互动时的最小电量值和最大电量值。
电动汽车用户选择不参与V2G的充电设施负荷则为:
其中,ζ为电动汽车用户参与V2G的概率;n为充电设施总数;为t时刻充电设施充电量;p(t)为典型模式下每个充电设施的充放电功率,即:
其中,分别为t时段充电设施j的充/放电功率。
步骤2,基于所述电动汽车动态功率模型,以电动汽车充电设施全寿命周期成本最优和V2G模式下配电网安全稳定运行成本最优构造多目标规划模型的目标函数。本步骤中构造的多目标规划模型的目标函数为:
minF=min(F1,F2)
其中,F为电动汽车充电设施规划目标函数;F1为子目标函数,即电动汽车充电设施全寿命周期成本;F2为另一子目标函数,即V2G模式下配电网安全稳定运行成本。
电动汽车充电设施全寿命周期成本F1为:
F1=CI+CO+CF+CM+CD
其中,CI、CO、CF、CM、CD分别为投资成本、运行成本、故障成本、检修成本、退役成本。
投资成本CI为:
其中,γ为折现率;T为电动汽车充电设施规划周期;CCS为电动汽车充电设施建设费用;SCSj为配网节点j处接入的电动汽车充电设施容量;Cbus为安装电动汽车充电设施所需的其他固定成本,N为节点个数。
规划周期内目标电动汽车充电设施的运行成本CO为:
其中,γ为折现率,T为电动汽车充电设施规划周期,PLA,l,y为充电设施i在年份y的交换总电量;μ为充电设施单位充电量的运维成本。
检修成本CM为:
其中,γ为折现率,T为电动汽车充电设施规划周期,ay为年份y浴盆系数,CI为投资成本。
由充电设施故障引起的故障成本CF为:
其中,γ为折现率;T为电动汽车充电设施规划周期;为减少的充电电量;为故障小时数的最大值;/>为停电引起的电动汽车充电设施损失,其按配网节点电价的若干倍估计。
退役成本CD为:
其中,γ为折现率,T为电动汽车充电设施规划周期,d=0.04,c=0.05,其均为退役成本计算参数,CI为投资成本。
V2G模式下配电网安全稳定运行成本F2为:
其中,cpi、bpi、api为节点i购电成本参数;Pgi为节点i购电量;pd(t)、pc(t)分别为电动汽车充、放电价格;分别为t时段充电设施j的充/放电功率。
步骤3,利用功率平衡、充放电量、节点电压、支路电流对所述多目标规划模型进行约束。
本步骤中多目标规划模型的功率平衡约束条件为:其中,N为节点个数;Pgi(t)为t时刻节点i购电量;Pdf、Pdc分别为电动汽车平均放电、充电功率;Nf(t)、Nc(t)分别为t时刻进行充电、放电的电动汽车数量;L(t)为网损;D(t)为预测所得有功负荷。
充放电量约束条件为:其中,/>分别为t时刻充电设施j的充/放电功率,SCSj为配网节点j处接入的电动汽车充电设施容量。
节点电压约束条件为:Vi min≤Vi≤Vi max,其中,Vi、Vi max、Vi min分别为节点i的电压幅值及其上、下限。
支路电流约束条件为:其中,Ij、/>分别为支路j的电流幅值及其上限。
步骤4,采用引入Logistic映射策略、可调节非线性收敛因子及Cauchy变异算子的灰狼优化算法对所述多目标规划模型进行求解,并将求解的结果作为V2G模式下电动汽车充电设施最优规划方案。如图2所示,具体如下:
S4.1,引入混沌策略反向学习初始化种群,具体为:
首先,生成N个初始解xi,即:xi+1=μ(1-xi)xi∈(0,1),其中,μ∈(2,4]为混沌参数,且μ越大,混沌性越高。
然后,基于N个初始解xi生成N个对应的反向初始解xi′:xi′=r3[ub(i)+lb(i)]-xi,其中,r3为[0,1]内的随机数;ub(i)、lb(i)分别为xi的取值上限和下限。
最后,将上述生成的2N个初始解按其适应度值递增进行排序,选出前N个作为初始灰狼种群。
S4.2,对灰狼种群中适应度值最大的个体进行Cauchy变异,通过引入Cauchy变异算子可以加快算法收敛速度,同时在该操作时引入改进非线性收敛因子以有效地平衡全局和局部搜索能力。其具体计算方式为:xi′k=xik(1+a2C(0,1)),其中,xi′k为变异后的个体,xik为待变异的个体,a为引入的非线性收敛因子,在收敛阶段初期a>1时,能够增强变异扰动,在收敛阶段后期a<1时,能够减小变异扰动,具有自适应作用,其中,t表示当前迭代次数,tmax表示最大迭代次数,k为非线性调节系数,C(0,1)为以0为中心,尺度为1的Cauchy分布的随机数。
S4.3,从变异处理后的灰狼种群中选出头狼,并计算摇摆因子和收敛因子。
S4.4,基于摇摆因子和收敛因子更新灰狼种群中的个体位置,并计算猎物位置。
S4.5,判断是否迭代至最大迭代次数,若没有迭代至最大迭代数,则返回S4.2,若迭代至最大迭代次数,输出最优解,该最优解为V2G模式下电动汽车充电设施最优规划方案。
不难发现,本发明通过对电动汽车可调用动态功率进行建模,构建考虑V2G模式下电动汽车充电设施全寿命周期成本及配电网安全稳定运行的多目标规划模型,并对多目标规划模型进行求解得到V2G模式下电动汽车充电设施最优规划方案,从而有效改善电动汽车充电负荷影响配电网安全稳定运行及充换电基础设施布局不合理问题,优化配电网潮流运行参数,进而整体上降低电网运行成本,在进行求解释时还将Logistic映射策略、可调节非线性收敛因子及Cauchy变异算子引入灰狼优化算法,有效地平衡了全局和局部搜索能力,提高了计算精度与规划效率。
本发明的第二实施方式涉及一种V2G模式下的电动汽车充电设施规划装置,如图3所示,包括:
构建模块,用于构建电动汽车动态功率模型;
构造模块,用于基于所述电动汽车动态功率模型,以电动汽车充电设施全寿命周期成本最优和V2G模式下配电网安全稳定运行成本最优构造多目标规划模型的目标函数;
约束模块,用于利用功率平衡、充放电量、节点电压、支路电流对所述多目标规划模型进行约束;
规划模块,用于采用引入Logistic映射策略、可调节非线性收敛因子及Cauchy变异算子的灰狼优化算法对所述多目标规划模型进行求解,并将求解的结果作为V2G模式下电动汽车充电设施最优规划方案。
所述构建模块构建的电动汽车动态功率模型表示为:其中,Pr f(t)为t时刻电动汽车充电设施实际交换功率;/>为t时刻V2G模式下电动汽车最大响应功率;/>为t时刻电动汽车用户选择不参与V2G的充电设施负荷,f(Bsoc)为电动汽车电池荷电状态的概率密度函数,表示为:Bsoc为电动汽车电池SOC,μsoc、σsoc为概率密度函数中的常数;EL、EH分别为电动汽车与配电网进行能量互动时的最小电量值和最大电量值。
所述构造模块构造的多目标规划模型的目标函数为:minF=min(F1,F2),其中,F为多目标规划模型的目标函数;F1为电动汽车充电设施全寿命周期成本,表示为:F1=CI+CO+CF+CM+CD,CI为投资成本,CO为运行成本,CF为故障成本,CM为检修成本,/>CD为退役成本,/>γ为折现率;T为电动汽车充电设施规划周期;CCS为电动汽车充电设施建设费用;SCSj为配网节点j处接入的电动汽车充电设施容量;Cbus为安装电动汽车充电设施所需的其他固定成本,N为节点个数;PLA,l,y为电动汽车充电设施i在年份y的交换总电量;μ为电动汽车充电设施单位充电量的运维成本;/>为减少的充电电量;为故障小时数的最大值;/>为停电引起的电动汽车充电设施损失;ay为年份y浴盆系数;d和c均为退役成本计算参数;F2为V2G模式下配电网安全稳定运行成本,表示为:其中,cpi、bpi、api为节点i购电成本参数;Pgi(t)为t时刻节点i购电量;pd(t)、pc(t)分别为t时刻电动汽车充电价格和放电价格;/>分别为t时刻充电设施j的充/放电功率。
所述约束模块给出的多目标规划模型的功率平衡约束条件为:其中,N为节点个数;Pgi(t)为t时刻节点i购电量;Pdf、Pdc分别为电动汽车平均放电、充电功率;Nf(t)、Nc(t)分别为t时刻进行充电、放电的电动汽车数量;L(t)为网损;D(t)为预测所得有功负荷。
所述约束模块给出的充放电量约束条件为:其中,/>分别为t时刻充电设施j的充/放电功率,SCSj为配网节点j处接入的电动汽车充电设施容量。
所述约束模块给出的节点电压约束条件为:Vi min≤Vi≤Vi max,其中,Vi、Vi max、Vi min分别为节点i的电压幅值及其上、下限。
所述约束模块给出的支路电流约束条件为:其中,Ij、/>分别为支路j的电流幅值及其上限。
所述规划模块包括:
初始种群生成单元,用于引入混沌策略反向学习初始化种群,具体为:生成N个初始解xi,基于N个初始解xi生成N个对应的反向初始解xi′,将得到的2N个初始解按适应度值递增进行排序,选出前N个初始解作为初始灰狼种群;
变异单元,用于对灰狼种群中适应度值最大的个体进行Cauchy变异,具体计算方式为:xi′k=xik(1+a2C(0,1)),其中,xi′k为变异后的个体,xik为待变异的个体,a为引入的非线性收敛因子,a=2-2[(et/t max-1)/(e-1)]k,其中,t表示当前迭代次数,tmax表示最大迭代次数,k为非线性调节系数,C(0,1)为以0为中心,尺度为1的Cauchy分布的随机数;
选择计算单元,用于从变异处理后的灰狼种群中选出头狼,并计算摇摆因子和收敛因子;
更新计算单元,用于基于摇摆因子和收敛因子更新灰狼种群中的个体位置,并计算猎物位置;
判断输出单元,用于判断是否迭代至最大迭代次数,若迭代至最大迭代次数,输出最优解,该最优解为V2G模式下电动汽车充电设施最优规划方案。
本发明的第三实施方式涉及一种电子设备,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一实施方式的V2G模式下的电动汽车充电设施规划方法的步骤。
本发明的第四实施方式涉及一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一实施方式的V2G模式下的电动汽车充电设施规划方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (18)
1.一种V2G模式下的电动汽车充电设施规划方法,其特征在于,包括以下步骤:
构建电动汽车动态功率模型;
基于所述电动汽车动态功率模型,以电动汽车充电设施全寿命周期成本最优和V2G模式下配电网安全稳定运行成本最优构造多目标规划模型的目标函数;
利用功率平衡、充放电量、节点电压、支路电流对所述多目标规划模型进行约束;
采用引入Logistic映射策略、可调节非线性收敛因子及Cauchy变异算子的灰狼优化算法对所述多目标规划模型进行求解,并将求解的结果作为V2G模式下电动汽车充电设施最优规划方案。
2.根据权利要求1所述的V2G模式下的电动汽车充电设施规划方法,其特征在于,所述电动汽车动态功率模型表示为:其中,/>为t时刻电动汽车充电设施实际交换功率;/>为t时刻V2G模式下电动汽车最大响应功率;为t时刻电动汽车用户选择不参与V2G的充电设施负荷,f(Bsoc)为电动汽车电池荷电状态的概率密度函数,表示为:/>Bsoc为电动汽车电池SOC,μsoc、σsoc为概率密度函数中的常数;EL、EH分别为电动汽车与配电网进行能量互动时的最小电量值和最大电量值。
3.根据权利要求1所述的V2G模式下的电动汽车充电设施规划方法,其特征在于,所述多目标规划模型的目标函数为:minF=min(F1,F2),其中,F为多目标规划模型的目标函数;F1为电动汽车充电设施全寿命周期成本,表示为:F1=CI+CO+CF+CM+CD,CI为投资成本,CO为运行成本,/>,CF为故障成本,/>CM为检修成本,CD为退役成本,/>γ为折现率;T为电动汽车充电设施规划周期;CCS为电动汽车充电设施建设费用;SCSj为配网节点j处接入的电动汽车充电设施容量;Cbus为安装电动汽车充电设施所需的其他固定成本,N为节点个数;PLA,l,y为电动汽车充电设施i在年份y的交换总电量;μ为电动汽车充电设施单位充电量的运维成本;/>为减少的充电电量;/>为故障小时数的最大值;/>为停电引起的电动汽车充电设施损失;ay为年份y浴盆系数;d和c均为退役成本计算参数;F2为V2G模式下配电网安全稳定运行成本,表示为:其中,cpi、bpi、api为节点i购电成本参数;Pgi(t)为t时刻节点i购电量;pd(t)、pc(t)分别为t时刻电动汽车充电价格和放电价格;/>分别为t时刻充电设施j的充/放电功率。
4.根据权利要求1所述的V2G模式下的电动汽车充电设施规划方法,其特征在于,所述多目标规划模型的功率平衡约束条件为:其中,N为节点个数;Pgi(t)为t时刻节点i购电量;Pdf、Pdc分别为电动汽车平均放电、充电功率;Nf(t)、Nc(t)分别为t时刻进行充电、放电的电动汽车数量;L(t)为网损;D(t)为预测所得有功负荷。
5.根据权利要求1所述的V2G模式下的电动汽车充电设施规划方法,其特征在于,所述多目标规划模型的充放电量约束条件为:其中,/>分别为t时刻充电设施j的充/放电功率,SCSj为配网节点j处接入的电动汽车充电设施容量。
6.根据权利要求1所述的V2G模式下的电动汽车充电设施规划方法,其特征在于,所述多目标规划模型的节点电压约束条件为:Vi min≤Vi≤Vi max,其中,Vi、Vi max、Vi min分别为节点i的电压幅值及其上、下限。
7.根据权利要求1所述的V2G模式下的电动汽车充电设施规划方法,其特征在于,所述多目标规划模型的支路电流约束条件为:其中,Ij、/>分别为支路j的电流幅值及其上限。
8.根据权利要求1所述的V2G模式下的电动汽车充电设施规划方法,其特征在于,所述采用引入Logistic映射策略、可调节非线性收敛因子及Cauchy变异算子的灰狼优化算法对所述多目标规划模型进行求解,并将求解的结果作为V2G模式下电动汽车充电设施最优规划方案,具体包括:
引入混沌策略反向学习初始化种群,具体为:生成N个初始解xi,基于N个初始解xi生成N个对应的反向初始解xi′,将得到的2N个初始解按适应度值递增进行排序,选出前N个初始解作为初始灰狼种群;
对灰狼种群中适应度值最大的个体进行Cauchy变异,具体计算方式为:x′ik=xik(1+a2C(0,1)),其中,x′ik为变异后的个体,xik为待变异的个体,a为引入的非线性收敛因子,其中,t表示当前迭代次数,tmax表示最大迭代次数,k为非线性调节系数,C(0,1)为以0为中心,尺度为1的Cauchy分布的随机数;
从变异处理后的灰狼种群中选出头狼,并计算摇摆因子和收敛因子;
基于摇摆因子和收敛因子更新灰狼种群中的个体位置,并计算猎物位置;
判断是否迭代至最大迭代次数,若迭代至最大迭代次数,输出最优解,该最优解为V2G模式下电动汽车充电设施最优规划方案。
9.一种V2G模式下的电动汽车充电设施规划装置,其特征在于,包括:
构建模块,用于构建电动汽车动态功率模型;
构造模块,用于基于所述电动汽车动态功率模型,以电动汽车充电设施全寿命周期成本最优和V2G模式下配电网安全稳定运行成本最优构造多目标规划模型的目标函数;约束模块,用于利用功率平衡、充放电量、节点电压、支路电流对所述多目标规划模型进行约束;
规划模块,用于采用引入Logistic映射策略、可调节非线性收敛因子及Cauchy变异算子的灰狼优化算法对所述多目标规划模型进行求解,并将求解的结果作为V2G模式下电动汽车充电设施最优规划方案。
10.根据权利要求9所述的V2G模式下的电动汽车充电设施规划装置,其特征在于,所述构建模块构建的电动汽车动态功率模型表示为:其中,/>为t时刻电动汽车充电设施实际交换功率;/>为t时刻V2G模式下电动汽车最大响应功率;/>为t时刻电动汽车用户选择不参与V2G的充电设施负荷,f(Bsoc)为电动汽车电池荷电状态的概率密度函数,表示为:Bsoc为电动汽车电池SOC,μsoc、σsoc为概率密度函数中的常数;EL、EH分别为电动汽车与配电网进行能量互动时的最小电量值和最大电量值。
11.根据权利要求9所述的V2G模式下的电动汽车充电设施规划装置,其特征在于,所述构造模块构造的多目标规划模型的目标函数为:minF=min(F1,F2),其中,F为多目标规划模型的目标函数;F1为电动汽车充电设施全寿命周期成本,表示为:F1=CI+CO+CF+CM+CD,CI为投资成本,CO为运行成本,CF为故障成本,CM为检修成本,/>CD为退役成本,/>γ为折现率;T为电动汽车充电设施规划周期;CCS为电动汽车充电设施建设费用;SCSj为配网节点j处接入的电动汽车充电设施容量;Cbus为安装电动汽车充电设施所需的其他固定成本,N为节点个数;PLA,l,y为电动汽车充电设施i在年份y的交换总电量;μ为电动汽车充电设施单位充电量的运维成本;/>为减少的充电电量;为故障小时数的最大值;/>为停电引起的电动汽车充电设施损失;ay为年份y浴盆系数;d和c均为退役成本计算参数;F2为V2G模式下配电网安全稳定运行成本,表示为:其中,cpi、bpi、api为节点i购电成本参数;Pgi(t)为t时刻节点i购电量;pd(t)、pc(t)分别为t时刻电动汽车充电价格和放电价格;/>分别为t时刻充电设施j的充/放电功率。
12.根据权利要求9所述的V2G模式下的电动汽车充电设施规划装置,其特征在于,所述约束模块给出的多目标规划模型的功率平衡约束条件为:其中,N为节点个数;Pgi(t)为t时刻节点i购电量;Pdf、Pdc分别为电动汽车平均放电、充电功率;Nf(t)、Nc(t)分别为t时刻进行充电、放电的电动汽车数量;L(t)为网损;D(t)为预测所得有功负荷。
13.根据权利要求9所述的V2G模式下的电动汽车充电设施规划装置,其特征在于,所述约束模块给出的充放电量约束条件为:其中,/>分别为t时刻充电设施j的充/放电功率,SCSj为配网节点j处接入的电动汽车充电设施容量。
14.根据权利要求9所述的V2G模式下的电动汽车充电设施规划装置,其特征在于,所述约束模块给出的节点电压约束条件为:Vi min≤Vi≤Vi max,其中,Vi、Vi max、Vi min分别为节点i的电压幅值及其上、下限。
15.根据权利要求9所述的V2G模式下的电动汽车充电设施规划装置,其特征在于,所述约束模块给出的支路电流约束条件为:其中,Ij、/>分别为支路j的电流幅值及其上限。
16.根据权利要求9所述的V2G模式下的电动汽车充电设施规划装置,其特征在于,所述规划模块包括:
初始种群生成单元,用于引入混沌策略反向学习初始化种群,具体为:生成N个初始解xi,基于N个初始解xi生成N个对应的反向初始解x′i,将得到的2N个初始解按适应度值递增进行排序,选出前N个初始解作为初始灰狼种群;
变异单元,用于对灰狼种群中适应度值最大的个体进行Cauchy变异,具体计算方式为:x′ik=xik(1+a2C(0,1)),其中,x′ik为变异后的个体,xik为待变异的个体,a为引入的非线性收敛因子,其中,t表示当前迭代次数,tmax表示最大迭代次数,k为非线性调节系数,C(0,1)为以0为中心,尺度为1的Cauchy分布的随机数;
选择计算单元,用于从变异处理后的灰狼种群中选出头狼,并计算摇摆因子和收敛因子;
更新计算单元,用于基于摇摆因子和收敛因子更新灰狼种群中的个体位置,并计算猎物位置;
判断输出单元,用于判断是否迭代至最大迭代次数,若迭代至最大迭代次数,输出最优解,该最优解为V2G模式下电动汽车充电设施最优规划方案。
17.一种电子设备,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8中任一所述V2G模式下的电动汽车充电设施规划方法的步骤。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8中任一所述V2G模式下的电动汽车充电设施规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310533637.6A CN116702952A (zh) | 2023-05-12 | 2023-05-12 | 一种v2g模式下的电动汽车充电设施规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310533637.6A CN116702952A (zh) | 2023-05-12 | 2023-05-12 | 一种v2g模式下的电动汽车充电设施规划方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116702952A true CN116702952A (zh) | 2023-09-05 |
Family
ID=87830245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310533637.6A Pending CN116702952A (zh) | 2023-05-12 | 2023-05-12 | 一种v2g模式下的电动汽车充电设施规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702952A (zh) |
-
2023
- 2023-05-12 CN CN202310533637.6A patent/CN116702952A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun | A multi-objective optimization model for fast electric vehicle charging stations with wind, PV power and energy storage | |
Sarshar et al. | Multi-objective energy management of a micro-grid considering uncertainty in wind power forecasting | |
CN112131733B (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
Wang et al. | Analysis of operation cost and wind curtailment using multi-objective unit commitment with battery energy storage | |
Andervazh et al. | Emission‐economic dispatch of thermal power generation units in the presence of hybrid electric vehicles and correlated wind power plants | |
Zhang et al. | Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO | |
CN105162151A (zh) | 一种基于人工鱼群算法的智能化储能系统并网实时控制方法 | |
Chen et al. | A battery management strategy in microgrid for personalized customer requirements | |
CN112966883B (zh) | 综合能源系统运行优化方法及终端设备 | |
Lai et al. | Profit maximization for large-scale energy storage systems to enable fast EV charging infrastructure in distribution networks | |
Liu et al. | Flexible network planning of autonomy microgrid | |
Dimopoulou et al. | A Markov decision process for managing a hybrid energy storage system | |
CN112308373A (zh) | 基于时空双层优化的电动汽车有序充放电调度模型及算法 | |
CN115114854A (zh) | 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统 | |
CN116822719A (zh) | 一种配电网的多目标规划方法及装置 | |
Liu et al. | Day‐Ahead Economic Dispatch of Renewable Energy System considering Wind and Photovoltaic Predicted Output | |
Nourianfar et al. | Economic emission dispatch considering electric vehicles and wind power using enhanced multi-objective exchange market algorithm | |
CN117595392A (zh) | 计及光伏消纳与光储充配置的配电网联合优化方法及系统 | |
CN110298456A (zh) | 集群系统中设备维护排程方法及装置 | |
Kang et al. | Multi-objective sizing and real-time scheduling of battery energy storage in energy-sharing community based on reinforcement learning | |
CN116702952A (zh) | 一种v2g模式下的电动汽车充电设施规划方法和装置 | |
CN115313519A (zh) | 一种配电网储能优化配置方法、装置、设备及存储介质 | |
CN115360768A (zh) | 基于muzero和深度强化学习的电力调度方法、装置及存储介质 | |
Zhang et al. | Optimal configuration of energy storage system considering uncertainty of load and wind generation | |
CN113988403A (zh) | 一种电动汽车充电负荷预测方法及系统 |
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 |