CN116934040A - 一种移动充电站日前协同优化调度方法 - Google Patents
一种移动充电站日前协同优化调度方法 Download PDFInfo
- Publication number
- CN116934040A CN116934040A CN202310938963.5A CN202310938963A CN116934040A CN 116934040 A CN116934040 A CN 116934040A CN 202310938963 A CN202310938963 A CN 202310938963A CN 116934040 A CN116934040 A CN 116934040A
- Authority
- CN
- China
- Prior art keywords
- tmcs
- charging
- time
- arc
- node
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 31
- IJOOHPMOJXWVHK-UHFFFAOYSA-N chlorotrimethylsilane Chemical compound C[Si](C)(C)Cl IJOOHPMOJXWVHK-UHFFFAOYSA-N 0.000 claims abstract description 237
- 238000005265 energy consumption Methods 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 11
- 230000032683 aging Effects 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 10
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及充电设施优化技术领域,具体涉及一种移动充电站日前协同优化调度方法包括:构建优化调度模型框架,所述优化调度模型框架包括:EVs模型和TMCS调度模型;所述EVs模型以确定TMCS的充电需求的位置和时间;所述TMCS调度模型以描述TMCS运行的时空动态特征,并完成TMCS在EV充电服务和能量套利之间的协同优化调度;采用MCS和多项式Logit模型来捕获异质EV用户的充电决策过程;建立了扩展图模型以描述TMCS的时空动态特征;进而将协同调度模型表述为一个混合整数线性规划模型。本发明提升了TMCS的利用率和运营商利润,增强了充电设施的灵活性。
Description
技术领域
本发明涉及一种移动充电站日前协同优化调度方法,属于充电设施优化技术领域。
背景技术
交通部门所产生的二氧化碳约占全球碳排放的四分之一。交通电气化和充电基础设施的建设作为交通行业减碳的重要手段,为确保我国双碳目标的顺利实现意义重大。国家近年来多项文件指出,要大力推动电动汽车(EV)及充电基础设施的建设。根据最新统计显示,2022年我国充电桩数量同比增长近100%。然而,传统的固定充电站(FCS)目前仍面临扩容成本高、建设周期长、灵活性不足等难题[1-2]。2022年,我国多部门联合印发文件,要求高速沿线等地区要在2025年底前形成“固定为主,移动为辅”的充电网络布局,移动充电设施要能够满足高峰时段的充电需求。
移动充电站(TMCS)是将一定数量的充电桩和储能电池组集成在由卡车装载的集装箱中,由于其独立于电网,比FCS的扩建更容易,且可以在任意区域为EV提供按需充电服务[1-2]。文献[1,3]研究了更小型的便携式充电站(PCS)的车辆-路径问题。类似地,学者们研究了PCS在共享电动车充电[4]以及移动在途充电[5]等方面的应用。文献[6]研究了PCS路径、车队规模和仓库选址。文献[7]通过引入不同类型的FCS和PCS以最小化EV用户的整体充电成本和时间。文献[8]采用联合学习方法,帮助闲置的PCS预测可能的充电位置并提前向其移动。这些研究为TMCS的调度问题提供了参考,但TMCS由于其大容量主要用来辅助FCS运行而非针对个别EV的预约式充电服务。文献[9]采用流量加油位置模型优化TMCS的服务地点。文献[10]通过将TMCS调度到充电峰值区域以降低FCS的峰值负载率,但将TMCS的充电需求近似为交通流的变化。文献[11][12]探讨了基于物联网的TMCS的最优调度方法。但是,以上研究[9-12]均忽略了EV用户在FCS和TMCS等多种充电方案之间的选择过程。文献[13]提出一个基于云的控制框架和决策过程,通过引入TMCS和使用在途充电来减少EVs的充电时间。此外,部分研究还关注了TMCS在EV停车场的应用及其社会公平准入[14],以及EV和TMCS之间基于拍卖的能源交易策略[15]等。但是,以上研究仅考虑了TMCS参与EV充电服务的场景,在非充电时段TMCS则处于闲置状态,不利于TMCS的利用率和经济性,未能充分挖掘其灵活性潜力。
参考文献
[1]QURESHI U,GHOSH A,PANIGRAHI B K.Scheduling and Routing of MobileCharging Stations With Stochastic Travel Times to Service HeterogeneousSpatiotemporal Electric Vehicle Charging Requests With Time Windows[J].IEEETransactions on Industry Applications,2022,58(5):6546-6556.
[2]AFSHAR S,MACEDO P,MOHAMED F,等.Mobile charging stations forelectric vehicles—A review[J].Renewable and Sustainable Energy Reviews,2021,152:111654.
[3]LIU L,QI X,XI Z,等.Charging-Expense Minimization ThroughAssignment Rescheduling of Movable Charging Stations in Electric VehicleNetworks[J].IEEE Transactions on Intelligent Transportation Systems,2022,23(10):17212-17223.
[4]CUI S,MA X,ZHANG M,等.The parallel mobile charging service forfree-floating shared electric vehicle clusters[J].Transportation ResearchPart E:Logistics and Transportation Review,2022,160:102652.
[5]QIU J,DU L.Optimal dispatching of electric vehicles for providingcharging on-demand service leveraging charging-on-the-move technology[J].Transportation Research Part C:
Emerging Technologies,2023,146:103968.
[6]Peng T A,HB Fang,Xi L A,等.Online-to-offline mobile chargingsystem for electric vehicles:Strategic planning and online operation[J].Transportation Research Part D:Transport and Environment,2020,87:102522.
[7]AFSHAR S,PECENAK Z K,BARATI M,等.Mobile charging stations for EVcharging management in urban areas:A case study in Chattanooga[J].AppliedEnergy,2022,325:119901.
[8]LIU L,XI Z,ZHU K,等.Mobile Charging Station Placements in Internetof Electric Vehicles:A Federated Learning Approach[J].IEEE Transactions onIntelligent Transportation Systems,2022,23(12):24561-24577.
[9]WANG F,CHEN R,MIAO L,等.Location Optimization of Electric VehicleMobile Charging Stations Considering Multi-Period Stochastic User Equilibrium[J].Sustainability,2019,11(20):5841.
[10]MOGHADDAM V,AHMAD I,HABIBID,等.Dispatch management of portablecharging stations in electric vehicle networks[J].eTransportation,2021,8:100112.
[11]CHEN H,SU Z,HUI Y,等.Dynamic Charging Optimization for MobileCharging Stations in Internet of Things[J].IEEE Access,2018,6:53509-53520.
[12]EJAZ W,NAEEM M,SHARMA S K,等.IoV-Based Deployment and Schedulingof Charging Infrastructure in Intelligent Transportation Systems[J].IEEESensors Journal,2021,21(14):15504-15514.
[13]CHAKRABORTY P,PARKER R,HOQUE T,等.Addressing the range anxiety ofbattery electric vehicles with charging en route[J].Scientific Reports,2022,12(1):5588.
[14]NAZARI-HERIS M,LONI A,ASADI S,等.Toward social equity access andmobile charging stations for electric vehicles:A case study in Los Angeles[J].Applied Energy,2022,311:118704.
[15]THI KIM O T,LE T H T,SHIN M J,等.Distributed Auction-BasedIncentive Mechanism for Energy Trading Between Electric Vehicles and MobileCharging Stations[J].IEEE Access,2022,10:56331-56347.
[16]邵尹池,穆云飞,余晓丹,等.车–路–网"模式下电动汽车充电负荷时空预测及其对配电网潮流的影响[J].中国电机工程学报,2017,37(18):13.
[17]贾宏杰,何克成,穆云飞,等.一种高速公路固定与移动充电设施双层协同优化方法,中国授权发明专利,2022117262311,申请日:2022.12.30.
[18]HE G,CHEN Q,MOUTIS P,等.An intertemporal decision framework forelectrochemical energy storage management[J].Nature Energy,2018,3(5):404-412.
[19]HE G,MICHALEK J,KAR S,等.Utility-Scale Portable Energy StorageSystems[J].Joule,2021,5(2):379-392.
[20]葛少云,朱林伟,刘洪,等.基于动态交通仿真的高速公路电动汽车充电站规划[J].电工技术学报,2018,33(13):11.
发明内容
本发明针对现有技术存在的不足,提供一种移动充电站日前协同优化调度方法,提升了TMCS的利用率和运营商利润,可以有效获取TMCS和FCS的充电需求时空分布,完成TMCS在EV充电服务和能量套利之间运行的日前协同优化调度。
本发明解决上述技术问题的技术方案如下:一种移动充电站日前协同优化调度方法,所述移动充电站简称为TMCS,所述移动充电站日前协同优化调度方法为:
S1、构建电动汽车模型,所述电动汽车简称为EVs,根据交通流量预测数据以及FCS和TMCS的配置信息,所述FCS为固定充电站,采用EVs模型生成FCS和TMCS的EV充电需求的时空分布;
S2、构建TMCS调度模型,所述TMCS调度模型描述TMCS运行的时空动态特征,并完成TMCS在EV充电服务和能量套利之间的协同优化调度,以CFO利润最大化制定TMCS的日前优化调度方法,所述CFO为充电设施运营商。
进一步的,步骤S1中,根据市场销售数据获取不同类型EVs的市占率和用能特性,EVs的用能特性包括电池容量和单位里程能耗的概率分布;
由车联网数据拟合得到统一置信度下EVs出发时刻和荷电状态初值的概率密度函数;
由OD分析法生成EV的起终点,基于蒙特卡洛模拟(MCS)和Floyd算法得到其行驶路径[17];
EVi在途中需要充电,根据道路和行程限制、自身SOC数据和充电站位置生成潜在的充电选择方案,所述充电选择方案构成的集合记作Si,Si中共有J种方案,其中EVi为第i辆电动汽车。
进一步的,所述的EVs模型为:
EVi选择充电方案j时的充电量如式(1)所示:
其中,为EVi在路网节点m选择方案j时的充电量,ηti为电池能效系数,Cei为EVi的单位里程能耗,di为EVi的剩余待行驶里程,di re为EVi基于用户偏好的剩余可用里程,di m为EVi到达节点m时的行驶里程,mri为EVi的电池额定容量,/>为由MCS抽样所得的EVi充电量,di re和/>满足截断正态分布;
EVi选择充电方案j时的成本为充电费用与时间成本之和,如式(2)所示:
其中,ci(j)为EVi选择方案j时的总成本,αm j为方案j的充电服务费,INCi是用户的月收入,Wj qm,t为由M/M/c/∞/∞排队论确定的t时刻方案j的排队时间,ηdch为充电效率,Pr j为充电桩额定功率,sc为操作时间,Tm是用户的月平均工作时间;
EV选择方案j的概率如式(3)所示,由式(4)生成节点m的TMCS在时刻t的充电需求;
其中,Pi(j)为EVi选择方案j的概率,Pm t为节点m选择TMCS充电的每小时EV充电需求,为选择TMCS充电的EV数量;
满足式(5)的收敛条件时仿真结束,得到了EV充电需求的时空分布:
其中,Pt m,a为第a次迭代后节点m的每小时EV充电需求,A为预定义数字,ε为收敛系数。
进一步的,步骤S2中,TMCS运行位置的集合M划分为Mc和Ma两个不相交的子集,其中Mc代表充电服务节点集合,Ma代表套利节点集合,由TMCS起终点所表征的虚拟弧描述TMCS的动态运行状态,进而得到TMCS的时空分布特征;
其中,虚拟弧分为行驶弧和停车弧两类,行驶弧由两个节点和连接弧组成,行驶弧表示可行的行驶路线,行驶弧具有方向性,行驶弧根据节点类型分为充电行驶弧Zc、套利行驶弧Za以及转移弧Ze三类,停车弧表示TMCS将在某节点至少停留一个时段。
进一步的,TMCS调度模型为:
其中,ω为TMCS的编号,Ω是TMCS的集合,T是每小时时段t的集合,m、u为路网充电服务节点,n、v为能量套利节点,ξt ω,mu、ξt ω,nv、ξt ω,mn、ξt ω,nv、ξt ω,mm、ξt ω,nn、ξt ω,um、ξt ω,nm、ξt ω,vn、 均是一个二元变量,表示相应时刻,编号为ω的TMCS是否在相应的行驶弧上;
t时刻TMCSω在行驶弧(m,u)上,则ξt ω,mu=1,t时刻TMCSω不在行驶弧(m,u)上,则ξω,mu=0,其他二元变量同理;te为TMCS结束工作的时间;
Zc +表示正方向充电弧,Zc -表示反方向充电弧,Za +表示正方向套利弧,Za -表示反方向套利弧,Ze +表示正方向转移弧,Ze -表示反方向转移弧。
进一步的,TMCS在进行充电和套利操作时需满足以下运行约束:
其中,Pt ch,ωn是TMCSω在t时刻对节点n的充电功率,Pt dch,ωn是TMCSω在t时刻对节点n的放电功率,是TMCSω在t+1时刻对节点n的充电功率,/>是TMCSω在t+1时刻对节点n的放电功率;/>是TMCSω的最大充电功率,/>是TMCSω的最大放电功率;/>是由电网潮流决定的t时刻节点n的最大流出功率,/>是由电网潮流决定的t时刻节点n的最大注入功率;/>是TMCSω充电服务的最大功率;It ch,ω和It dch,,ω为二元变量,TMCSω在t时刻充电,则It ch,ω=1,TMCSω在t时刻不充电,则It ch,ω=0,TMCSω在t时刻放电,则It dch,,ω=1,TMCSω在t时刻不放电,则It dch,,ω=0;/>为TMCS的容量;ηch,ω为TMCS的充电效率,ηdch,ω为TMCS的放电效率;SOCt ω为TMCSω在时刻t结束时的SOC,SOCmax为TMCS的最大SOC值,SOCmin为TMCS的最小SOC值。
进一步的,最大化CFO的利润的计算方法为:
s.t.(6)-(15),(16)-(27) (32)
其中,为最大化CFO的利润,R(xt)为每日运营收入,COM(xt)为折算到每日的运营和维护成本,CDEG(xt)为折算到每日的电池老化成本;
向量xt为决策变量,λn t为节点n的分时电价,λn 0为TMCS服务结束后回到仓库充电时的电价,ce tmc为TMCS的每公里能耗,dmn,ω为TMCS一天的总行程,αm tmc为TMCS的充电服务费,cLA为折算到一天的人工成本,cMT为折算到一天的维护成本,cMDC为TMCS生命周期的边际老化成本,qt是TMCS电池组的日历老化参数,r0为折现率;κ(t)为从TMCS投入使用时刻t所对应的年序号。
本发明所述移动充电站日前协同优化调度方法包括:构建优化调度模型框架,所述优化调度模型框架包括:电动汽车(EV)充电需求分布模型(即EVs模型)和移动充电站(TMCS)时空调度模型(即TMCS调度模型);所述EVs模型以确定TMCS的充电需求的位置和时间;所述TMCS调度模型以描述TMCS运行的时空动态特征,并完成TMCS在EV充电服务和能量套利之间的协同优化调度;采用蒙特卡洛模拟(MCS)和多项式Logit(MNL)模型来捕获异质EV用户的充电决策过程;建立了扩展图模型以描述TMCS的时空动态特征;进而将协同调度模型表述为一个混合整数线性规划(MILP)模型。可以产生的有益效果如下:
(1)本发明提出一种TMCS日前优化调度框架,以协调其在EV充电服务和能源套利之间的协同运行,可以有效获取TMCS的EV充电需求时空分布,完成TMCS在EV充电服务和能量套利之间运行的日前协同优化调度。
(2)本发明提出的调度方法探索了TMCS在多种商业模式下运行的可行性,能够有效提升TMCS的利用率和运营商利润。
(3)本发明提出的调度方法捕获了异质EV用户在FCS和TMCS等多种充电方案之间的充电决策过程。
(4)本发明准确描述了TMCS的时空动态特征,增强了充电设施的灵活性,为充电设施的快速扩展提供了一种新的解决方案。
附图说明
图1为一种移动充电站日前协同优化调度方法的架构图;
图2为TMCS运行的扩展图模型;
图3为一种移动充电站日前协同优化调度方法的流程图;
图4为环形高速路网及相关节点位置分布;
图5为EV出发时刻的分布;
图6为路网OD矩阵;
图7为场景1下TMCS的调度优化结果(TMCS1,Case 1);
图8为场景1下TMCS的调度优化结果(TMCS1,Case 2);
图9为场景1下TMCS的调度优化结果(TMCS2,Case 1);
图10为场景1下TMCS的调度优化结果(TMCS2,Case 2);
图11为场景1下各TMCS的SOC值(Case 1)
图12为场景1下各TMCS的SOC值(Case 2)
图13为场景2下Case 1和Case 2的调度优化结果(TMCS1)
图14为场景2下Case 1和Case 2的调度优化结果(TMCS2)
图15为场景2下Case 1和Case 2的调度优化结果(TMCS 3)
图16为场景2下Case 1和Case 2的调度优化结果(TMCS 4)
图17为场景2下Case 1和Case 2的各TMCS的SOC值;
图18为场景2下各站点的充电需求和响应(a)TMCS的EV充电需求(b)TMCS满足的EV充电负荷
具体实施方式
下面对本发明的具体实施方式做详细说明。本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受公开的具体实施例的限制。
除非另有定义,本文所使用的所有技术和科学术语与本发明所属技术领域的技术人员通常理解的含义相同。所使用的术语只为描述具体实施方式,不为限制本发明。
本发明设计的优化模型框架如图1所示,其中DSO、TSO和CFO分别表示配电系统运营商、交通系统运营商和充电设施运营商。CFO运营有一定数量的FCS和TMCS。根据交通流量预测数据以及FCS和TMCS的配置信息,采用EV模型生成FCS和TMCS的EV充电需求的时空分布。根据电网的日前运行计划获得配电网各节点的功率限额和电价信息。进而以CFO利润最大化制定TMCS的日前优化调度方法。
一、EVs模型
TMCS充电需求的时空分布主要受到电池容量、行程计划、路网约束和用户充电决策行为的影响。根据市场销售数据获取不同类型EVs的市占率和用能特性,即电池容量(mr)和单位里程能耗(Ce)的概率分布;由车联网数据拟合得到统一置信度下EVs出发时刻和荷电状态(SOC)初值(socst)的概率密度函数;进一步,由OD分析法生成EV的起终点,基于蒙特卡洛模拟和Floyd算法得到其行驶路径[17]。如果EV i在途中需要充电,根据道路和行程限制、自身SOC数据和充电站位置生成潜在的充电选择方案。该集合记作Si(共有J种方案),其中包含了位于路网节点m的TMCS或FCS。进而,当EVi选择充电方案j时的充电量如式(1)所示。
其中,为EVi在节点m选择方案j时的充电量,ηti为电池能效系数,Cei为EVi的单位里程能耗,di为EVi的剩余待行驶里程,di re为EVi基于用户偏好的剩余可用里程,di m为EVi到达节点m时的行驶里程,mri为EVi的电池额定容量,/>为由MCS抽样所得的EVi充电量,di re和/>满足截断正态分布;此外,根据文献[16],基于速度-流量模型和BPR函数得到EVi的到达时刻。
用户在进行充电决策时主要关注充电费用和充电等待时间。MNL模型是一种为无序多分类变量构建的离散选择模型,本文采用多项Logit理论模拟用户面对不同充电方案时的选择行为。EV i选择充电方案j时的成本为充电费用与时间成本之和,如式(2)所示。
其中,ci(j)为EVi选择方案j时的总成本,αm j为方案j的充电服务费,INCi是用户的月收入,Wj qm,t为由M/M/c/∞/∞排队论确定的t时刻方案j的排队时间,ηdch为充电效率,Pr j为充电桩额定功率,sc为操作时间,Tm是用户的月平均工作时间;参考文献[17],INCi由前期工作中提出的改进收入法(IIA)模型生成以刻画EV用户的异质性。
进而,用户i将衡量不同充电方案的效用,该效用包括“收益”(等待时间成本的节省)或“损失”(充电费用的增加)。EVi选择方案j的概率如式(3)所示,进而由式(4)生成节点m的TMCS在时刻t的充电需求。
其中,Pi(j)为EVi选择方案j的概率,Pm t为节点m选择TMCS充电的每小时EV充电需求,为选择TMCS充电的EV数量;基于不动点迭代法,当满足式(5)的收敛条件时仿真结束,进而得到了EV充电需求的时空分布。
其中,Pt m,a为第a次迭代后节点m的每小时EV充电需求,A为预定义数字,ε为收敛系数。注意上述过程中预测的不确定性会影响TMCS的EV充电需求,但是不影响本发明所提调度方法的有效性。
二、TMCS调度模型
TMCS除了辅助支撑FCS提供EV充电服务外,还可将其在非充电时段调度至某些配电网节点参与能量套利,以赚取利润。本文将TMCS运行位置的集合M划分为Mc和Ma两个不相交的子集,其中Mc代表充电服务节点集合,而Ma代表套利节点集合。本发明采用由TMCS起终点所表征的虚拟弧描述其动态运行状态,进而得到TMCS的时空分布特征。
图2所示为TMCS运行的扩展图模型,其中虚拟弧分为行驶弧和停车弧两类,行驶弧由两个节点和连接弧组成,行驶弧表示可行的行驶路线,行驶弧具有方向性,行驶弧根据节点类型分为充电行驶弧Zc、套利行驶弧Za以及转移弧Ze三类,停车弧表示TMCS将在某节点至少停留一个时段。根据以上定义,建立TMCS的调度模型如下:
其中,ω为TMCS的编号,Ω是TMCS的集合,T是每小时时段t的集合,m、u为路网充电服务节点,n、v为能量套利节点,ξt ω,mu、ξt ω,nv、ξt ω,mn、ξt ω,nv、ξt ω,mm、ξt ω,nn、ξt ω,um、ξt ω,nm、ξt ω,vn、 均是一个二元变量,表示相应时刻,编号为ω的TMCS是否在相应的行驶弧上;
t时刻TMCSω在行驶弧(m,u)上,则ξt ω,mu=1,t时刻TMCSω不在行驶弧(m,u)上,则ξω,mu=0,其他二元变量同理;te为TMCS结束工作的时间;
Zc +表示正方向充电弧,Zc -表示反方向充电弧,Za +表示正方向套利弧,Za -表示反方向套利弧,Ze +表示正方向转移弧,Ze -表示反方向转移弧。
公式(6)确保TMCSω位于行驶弧或停车弧上。约束条件公式(7)和公式(8)表示行驶弧和停车弧之间的关系。约束条件公式(9)和公式(10)表示t时刻在某一节点结束行程的TMCS在下一个时刻内将位于从该节点起始的某一条弧上。公式(11)和公式(12)声明各TMCS的初始和最终位置。约束公式(13)-公式(15)确保TMCS不能立即进行往返。此外,TMCS在进行充电和套利操作时需满足以下运行约束:
其中,Pt ch,ωn是TMCSω在t时刻对节点n的充电功率,Pt dch,ωn是TMCSω在t时刻对节点n的放电功率,是TMCSω在t+1时刻对节点n的充电功率,/>是TMCSω在t+1时刻对节点n的放电功率;/>是TMCSω在t时刻对节点m的放电功率,/>是TMCSω在t+1时刻对节点m的放电功率;/>是TMCSω的最大充电功率,/>是TMCSω的最大放电功率;/>是由电网潮流决定的t时刻节点n的最大流出功率,/>是由电网潮流决定的t时刻节点n的最大注入功率;/>是TMCSω充电服务的最大功率;It ch,ω和It dch,,ω为二元变量,TMCSω在t时刻充电,则It ch,ω=1,TMCSω在t时刻不充电,则It ch,ω=0,TMCSω在t时刻放电,则It dch,,ω=1,TMCSω在t时刻不放电,则It dch,,ω=0;/>为TMCS的容量;ηch,ω为TMCS的充电效率,ηdch,ω为TMCS的放电效率;SOCt ω为TMCSω在时刻t结束时的SOC,SOCmax为TMCS的最大SOC值,SOCmin为TMCS的最小SOC值。
约束公式(16)-公式(19)建立了TMCSω在套利状态下的充/放电功率的可行集。约束公式(20)-公式(24)定义了与TMCS套利运行模式相关的充/放电约束。公式(25)为TMCS充电服务约束。最后,公式(26)和公式(27)为SOC约束,约束公式(26)确定了TMCSω在时刻t结束时的SOC。
三、日前调度模型及求解
TMCS由CFO投资和运营,因此TMCS日前调度模型的目标是最大化CFO的利润,它等于每日运营收入R(xt)减去运营和维护(O&M)成本COM(xt)以及电池老化成本CDEG(xt),如式(28)所示。
S.I.(6)-(15),(16)-(27) (32)
其中,为最大化CFO的利润,R(xt)为每日运营收入,COM(xt)为折算到每日的运营和维护成本,CDEG(xt)为折算到每日的电池老化成本;
向量xt为决策变量,λn t为节点n的分时电价,λn 0为TMCS服务结束后回到仓库充电时的电价,ce tmc为TMCS的每公里能耗,dmn,ω为TMCS一天的总行程,αm tmc为TMCS的充电服务费,cLA为折算到一天的人工成本,cMT为折算到一天的维护成本,cMDC为TMCS生命周期的边际老化成本,采用文献[18]中所提的跨时空决策模型确定,以实现TMCS生命周期内的收益最大化;qt是TMCS电池组的日历老化参数,由每年的容量损失转化而来[19];r0为折现率;κ(t)为从TMCS投入使用时刻t所对应的年序号。
作为MILP模型,公式(28)-公式(32)可以用商业求解器进行求解。TMCS协同调度模型采用MATLAB环境下的YALMIP工具箱编码,并调用Gurobi 10.0.1进行求解,流程图如图3所示。
四、实施例
本发明的实施例采用文献[20]中的环形高速路网进行验证(如图4所示)。该高速路网共有5个出入口,总里程为465km。其中1,2,4为大城市的出入口,而3,5为小城市的出入口,这种拓扑结构在现代化城市群中具有典型代表性。采用市场上四类代表性EV模型及其电池参数(如表1,表2所示),EV出发时刻ts分布和OD矩阵如图5,图6所示。电动汽车的行程参数如表3所示。CFO运营有18个FCS,其位置如图4所示,各站点的充电桩数量见表4。假设CFO共有4台TMCS,采用Tesla Semi和Powerpack组成且均配有12台充电桩,其服务半径均为50km。在结束一天的运行后,TMCS将回到各自的仓库。电网套利节点的位置如图4所示,负荷电价采用国内典型的分时电价。其他参数见表5。
表1EV电池容量分布
其中θc为形状参数:vc为尺度参数;μc为电池容量平均值;σc为电池容量标准差
表2EV单位里程能耗的分布
表3EVs的行程参数分布
表4各FCS的充电桩数量
根据2022年我国京津冀地区的EV普及率,推算工作日平均将有25000辆EV在环形路网上行驶。构建以下两种场景,并比较了本发明实施例的优化调度结果。
场景1:基于工作日的交通流量,分别对比了TMCS仅参与EV充电服务(Case 1)和本发明所提的TMCS协同优化调度方法(Case 2)。
场景2:基于节假日的交通流量(约为工作日交通流的两倍),同样对上述两种情况进行了对比。
表5其他仿真参数
场景1所得运行优化结果如图7-图12所示,图7-图10中功率为正表示TMCS处于充电状态,为负表示TMCS处于放电状态,图7-图8中,纵坐标的"12-a"表示电网套利节点12。可见CFO为了满足场景2的高峰充电负荷需求而配置的大容量TMCS,在场景1,Case1中的利用率很低。如图7和图9所示,TMCS1与TMCS2仅有少量的EV充电负荷,而TMCS3和TMCS4则几乎处于闲置状态。如图8和图10所示,在Case2中,TMCS1和TMCS2分别放弃了134kW和195kW的EV充电负荷,而参与电网能量套利。TMCS3和TMCS4与TMCS2的运行方式相同。由图11-图12可见,Case1中TMCS的利用率很低,这既不经济也将对设备寿命产生影响,而Case2则显著提高了TMCS的利用率。
场景2所得运行优化结果如图13-图17所示,由于节假日的交通流量增加,TMCS的充电需求大幅增长。因此,Case2中TMCS的运行方式相同与Case1相同,并未参与能量套利。以TMCS1为例来说明其调度过程。TMCS1在仓库节点12停留了8小时(03:00-11:00),并在(03:00-08:00)充电。随后,它在(08:00-09:00)转换为EV充电服务模式,并放电1小时(10:00-11:00)。然后,它从节点12移动到节点8,并放电1小时(12:00-13:00),再从节点8移动到节点12并放电2小时(15:00-17:00)。接下来,它在(17:00-18:00)转换为能量套利模式并进行充电。然后,它返回到节点8并放电,以提供EV充电服务(20:00-02:00)。最后,它在(02:00-03:00)返回到仓库节点12并进行充电。可见,TMCS在不同站点间进行了多次转移,选择在服务半径内同一时刻充电需求最大的站点提供EV充电服务,在一天服务结束后返回仓库并在低电价时段充电。注意TMCS所充电量仅为满足其放电需求,以减小充电及电池退化成本,如图13、图14和图16所示。此外,为满足下午和晚间的高峰充电需求,TMCS在中午的空闲时段优先选择平段电价(15:00-17:00)进行相应电量的充电操作。
为了更好地分析TMCS的运行状况,定义EV充电需求损失率ρ和TMCS容量利用率δ分别如式(33)和(34)所示。表6和表7分别给出了两种场景下的利润和关键运行指标情况对比,Ed tmc、Ec tmc、Ea tmc分别为TMCS的EV充电需求、TMCS所满足的EV充电负荷以及套利放电容量。
表6TMCS利润对比
表7TMCS运行参数对比
由表6可见,场景1Case1下EV充电需求很小,TMCS很难盈利,TMCS的容量利用率δ仅为10.23%。而Case2通过参与电网能量套利解决了TMCS在低EV充电需求下的闲置问题(δ=81.52%),并显著增加了CFO的利润(2150元/天)。由于EV充电需求大幅增加,场景2Case2中TMCS仅提供EV充电服务,因此CFO收益与Case1相同。注意由于节假日期间TMCS的工作时间较长,可考虑cLA将增加一倍。
可见,本发明所提的协同调度模型在场景1的工作日交通流量下,将TMCS的盈利能力和δ分别提高了10.75倍和71.29%。场景1Case2下放弃的EV充电需求约为384kW,这部分用户将选择FCS充电。此外,如图18所示,场景2下有26.13%的充电需求仍未得到TMCS的服务,这是因为同时在多个站点出现了充电需求较大的情况。δ大于100%表明TMCS在一天之内进行了多次充放电操作。可见,可根据场景1和场景2中的ρ和δ值综合考虑FCS和TMCS的扩展问题。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合穷举,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围,本发明的保护范围以所附权利要求为准。
Claims (5)
1.一种移动充电站日前协同优化调度方法,其特征在于,所述移动充电站简称为TMCS,所述移动充电站日前协同优化调度方法为:
S1、构建电动汽车模型,所述电动汽车简称为EVs,根据交通流量预测数据以及FCS和TMCS的配置信息,所述FCS为固定充电站,采用EVs模型生成FCS和TMCS的EV充电需求的时空分布;
S2、构建TMCS调度模型,所述TMCS调度模型描述TMCS运行的时空动态特征,并完成TMCS在EV充电服务和能量套利之间的协同优化调度,以CFO利润最大化制定TMCS的日前优化调度方法,所述CFO为充电设施运营商;
步骤S1中,根据市场销售数据获取不同类型EVs的市占率和用能特性,EVs的用能特性包括电池容量和单位里程能耗的概率分布;
由车联网数据拟合得到统一置信度下EVs出发时刻和荷电状态初值的概率密度函数;
由OD分析法生成EV的起终点,基于蒙特卡洛模拟和Floyd算法得到行驶路径;
EVi在途中需要充电,根据道路和行程限制、自身SOC数据和充电站位置生成潜在的充电选择方案,所述充电选择方案构成的集合记作Si,Si中共有J种方案,其中EVi为第i辆电动汽车。
所述的EVs模型为:
EVi选择充电方案j时的充电量如式(1)所示:
其中,为EVi在路网节点m选择方案j时的充电量,ηti为电池能效系数,Cei为EVi的单位里程能耗,di为EVi的剩余待行驶里程,di re为EVi基于用户偏好的剩余可用里程,di m为EVi到达节点m时的行驶里程,mri为EVi的电池额定容量,/>为由MCS抽样所得的EVi充电量,di re和/>满足截断正态分布;
EVi选择充电方案j时的成本为充电费用与时间成本之和,如式(2)所示:
其中,ci(j)为EVi选择方案j时的总成本,αm j为方案j的充电服务费,INCi是用户的月收入,Wj qm,t为由M/M/c/∞/∞排队论确定的t时刻方案j的排队时间,ηdch为充电效率,Pr j为充电桩额定功率,sc为操作时间,Tm是用户的月平均工作时间;
EV选择方案j的概率如式(3)所示,由式(4)生成节点m的TMCS在时刻t的充电需求;
其中,Pi(j)为EVi选择方案j的概率,Pm t为节点m选择TMCS充电的每小时EV充电需求,为选择TMCS充电的EV数量;
满足式(5)的收敛条件时仿真结束,得到了EV充电需求的时空分布:
其中,Pt m,a为第a次迭代后节点m的每小时EV充电需求,A为预定义数字,ε为收敛系数。
2.根据权利要求1所述一种移动充电站日前协同优化调度方法,其特征在于,步骤S2中,TMCS运行位置的集合M划分为Mc和Ma两个不相交的子集,其中Mc代表充电服务节点集合,Ma代表套利节点集合,由TMCS起终点所表征的虚拟弧描述TMCS的动态运行状态,进而得到TMCS的时空分布特征;
其中,虚拟弧分为行驶弧和停车弧两类,行驶弧由两个节点和连接弧组成,行驶弧表示可行的行驶路线,行驶弧具有方向性,行驶弧根据节点类型分为充电行驶弧Zc、套利行驶弧Za以及转移弧Ze三类,停车弧表示TMCS将在某节点至少停留一个时段。
3.根据权利要求2所述一种移动充电站日前协同优化调度方法,其特征在于,TMCS调度模型为:
其中,ω为TMCS的编号,Ω是TMCS的集合,T是每小时时段t的集合,m、u为路网充电服务节点,n、v为能量套利节点,ξt ω,mu、ξt ω,nv、ξt ω,mn、ξt ω,nv、ξt ω,mm、ξt ω,nn、ξt ω,um、ξt ω,nm、ξt ω,vn、 均是一个二元变量,表示相应时刻,编号为ω的TMCS是否在相应的行驶弧上;
t时刻TMCSω在行驶弧(m,u)上,则ξt ω,mu=1,t时刻TMCSω不在行驶弧(m,u)上,则ξω,mu=0,其他二元变量同理;te为TMCS结束工作的时间;
Zc +表示正方向充电弧,Zc -表示反方向充电弧,Za +表示正方向套利弧,Za -表示反方向套利弧,Ze +表示正方向转移弧,Ze -表示反方向转移弧。
4.根据权利要求3所述一种移动充电站日前协同优化调度方法,其特征在于,TMCS在进行充电和套利操作时需满足以下运行约束:
其中,Pt ch,ωn是TMCSω在t时刻对节点n的充电功率,Pt dch,ωn是TMCSω在t时刻对节点n的放电功率,是TMCSω在t+1时刻对节点n的充电功率,/>是TMCSω在t+1时刻对节点n的放电功率;/>是TMCSω的最大充电功率,/>是TMCSω的最大放电功率;/>是由电网潮流决定的t时刻节点n的最大流出功率,/>是由电网潮流决定的t时刻节点n的最大注入功率;/>是TMCSω充电服务的最大功率;It ch,ω和It dch,,ω为二元变量,TMCSω在t时刻充电,则It ch,ω=1,TMCSω在t时刻不充电,则It ch,ω=0,TMCSω在t时刻放电,则It dch,,ω=1,TMCSω在t时刻不放电,则It dch,,ω=0;/>为TMCS的容量;ηch,ω为TMCS的充电效率,ηdch,ω为TMCS的放电效率;SOCt ω为TMCSω在时刻t结束时的SOC,SOCmax为TMCS的最大SOC值,SOCmin为TMCS的最小SOC值。
5.根据权利要求4所述一种移动充电站日前协同优化调度方法,其特征在于,最大化CFO的利润的计算方法为:
S.I.(15),(16)-(27) (32)
其中,为最大化CFO的利润,R(xt)为每日运营收入,COM(xt)为折算到每日的运营和维护成本,CDEG(xt)为折算到每日的电池老化成本;
向量xt为决策变量,λn t为节点n的分时电价,λn 0为TMCS服务结束后回到仓库充电时的电价,ce tmc为TMCS的每公里能耗,dmn,ω为TMCS一天的总行程,αm tmc为TMCS的充电服务费,cLA为折算到一天的人工成本,cMT为折算到一天的维护成本,cMDC为TMCS生命周期的边际老化成本,qt是TMCS电池组的日历老化参数,r0为折现率;κ(t)为从TMCS投入使用时刻t所对应的年序号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310938963.5A CN116934040B (zh) | 2023-07-28 | 2023-07-28 | 一种移动充电站日前协同优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310938963.5A CN116934040B (zh) | 2023-07-28 | 2023-07-28 | 一种移动充电站日前协同优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934040A true CN116934040A (zh) | 2023-10-24 |
CN116934040B CN116934040B (zh) | 2024-03-19 |
Family
ID=88375263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310938963.5A Active CN116934040B (zh) | 2023-07-28 | 2023-07-28 | 一种移动充电站日前协同优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934040B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631642A (zh) * | 2013-12-13 | 2014-03-12 | 国家电网公司 | 基于生态模拟的电动汽车充换电服务网络仿真系统及方法 |
CN107067110A (zh) * | 2017-04-14 | 2017-08-18 | 天津大学 | 车‑路‑网模式下电动汽车充电负荷时空预测方法 |
CN109492791A (zh) * | 2018-09-27 | 2019-03-19 | 西南交通大学 | 基于充电引导的城际高速路网光储充电站定容规划方法 |
CN111860965A (zh) * | 2020-06-24 | 2020-10-30 | 东南大学 | 考虑储能多类型服务的用户综合能源系统优化调度方法 |
KR102210084B1 (ko) * | 2020-04-10 | 2021-02-01 | 송병륜 | 신재생 에너지 연계형 전기차 충전 스테이션의 운영 및 관리 시스템 |
US20220024338A1 (en) * | 2021-07-28 | 2022-01-27 | Hefei University Of Technology | Electric vehicle charging scheduling method and system based on cloud-edge collaboration |
CN114583729A (zh) * | 2021-12-24 | 2022-06-03 | 杭州电子科技大学 | 考虑全生命周期碳排放的光-储电动汽车充电站调度方法 |
CN115130779A (zh) * | 2022-07-22 | 2022-09-30 | 广州天轨科技有限公司 | 一种基于移动充电桩的智能调度方法 |
CN115278693A (zh) * | 2022-07-21 | 2022-11-01 | 东华大学 | 基于行驶状态优先级和场景模拟的cvn频谱调度方法及系统 |
CN115563768A (zh) * | 2022-09-30 | 2023-01-03 | 中国汽车工程研究院股份有限公司 | 基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法 |
CN115593266A (zh) * | 2022-09-21 | 2023-01-13 | 福建师范大学(Cn) | 一种面向汽车充电预约的光储充电站能量调度方法和终端 |
KR20230010516A (ko) * | 2021-07-12 | 2023-01-19 | 중앙대학교 산학협력단 | 이동형 충전소의 운영 스케줄링 방법 및 그 장치 |
CN115907227A (zh) * | 2022-12-30 | 2023-04-04 | 天津大学 | 一种高速公路固定与移动充电设施双层协同优化方法 |
-
2023
- 2023-07-28 CN CN202310938963.5A patent/CN116934040B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631642A (zh) * | 2013-12-13 | 2014-03-12 | 国家电网公司 | 基于生态模拟的电动汽车充换电服务网络仿真系统及方法 |
CN107067110A (zh) * | 2017-04-14 | 2017-08-18 | 天津大学 | 车‑路‑网模式下电动汽车充电负荷时空预测方法 |
CN109492791A (zh) * | 2018-09-27 | 2019-03-19 | 西南交通大学 | 基于充电引导的城际高速路网光储充电站定容规划方法 |
KR102210084B1 (ko) * | 2020-04-10 | 2021-02-01 | 송병륜 | 신재생 에너지 연계형 전기차 충전 스테이션의 운영 및 관리 시스템 |
CN111860965A (zh) * | 2020-06-24 | 2020-10-30 | 东南大学 | 考虑储能多类型服务的用户综合能源系统优化调度方法 |
KR20230010516A (ko) * | 2021-07-12 | 2023-01-19 | 중앙대학교 산학협력단 | 이동형 충전소의 운영 스케줄링 방법 및 그 장치 |
US20220024338A1 (en) * | 2021-07-28 | 2022-01-27 | Hefei University Of Technology | Electric vehicle charging scheduling method and system based on cloud-edge collaboration |
CN114583729A (zh) * | 2021-12-24 | 2022-06-03 | 杭州电子科技大学 | 考虑全生命周期碳排放的光-储电动汽车充电站调度方法 |
CN115278693A (zh) * | 2022-07-21 | 2022-11-01 | 东华大学 | 基于行驶状态优先级和场景模拟的cvn频谱调度方法及系统 |
CN115130779A (zh) * | 2022-07-22 | 2022-09-30 | 广州天轨科技有限公司 | 一种基于移动充电桩的智能调度方法 |
CN115593266A (zh) * | 2022-09-21 | 2023-01-13 | 福建师范大学(Cn) | 一种面向汽车充电预约的光储充电站能量调度方法和终端 |
CN115563768A (zh) * | 2022-09-30 | 2023-01-03 | 中国汽车工程研究院股份有限公司 | 基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法 |
CN115907227A (zh) * | 2022-12-30 | 2023-04-04 | 天津大学 | 一种高速公路固定与移动充电设施双层协同优化方法 |
Non-Patent Citations (3)
Title |
---|
WANG MINGSHEN ET AL: ""Day-Ahead Optimal Bidding for a Retailer With Flexible Participation of Electric Vehicles"", 《TRANSACTIONS ON SMART GRID》, 31 March 2023 (2023-03-31) * |
王珂;李媛;杨文涛;李涛;岑海凤;许苑;文福拴;: "计及路-网-车交互作用的电动汽车充电实时优化调度", 电力建设, no. 12 * |
苏宏业;周泽;刘之涛;张立炎;: "电动汽车智能动态无线充电系统的研究现状与展望", 智能科学与技术学报, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN116934040B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A novel fast-charging stations locational planning model for electric bus transit system | |
Liu et al. | Optimal charging strategy for large-scale electric buses considering resource constraints | |
Wang et al. | bCharge: Data-driven real-time charging scheduling for large-scale electric bus fleets | |
Li et al. | Price incentive-based charging navigation strategy for electric vehicles | |
Wang et al. | Experience: Understanding long-term evolving patterns of shared electric vehicle networks | |
Xiang et al. | Electric vehicles in smart grid: a survey on charging load modelling | |
Zhan et al. | A review of siting, sizing, optimal scheduling, and cost-benefit analysis for battery swapping stations | |
Shi et al. | A comprehensive charging network planning scheme for promoting EV charging infrastructure considering the Chicken-Eggs dilemma | |
Han et al. | Ordered charge control considering the uncertainty of charging load of electric vehicles based on Markov chain | |
Wang et al. | Pricing-aware real-time charging scheduling and charging station expansion for large-scale electric buses | |
Ji et al. | A personalized fast-charging navigation strategy based on mutual effect of dynamic queuing | |
Jin et al. | Optimal aggregation design for massive V2G participation in energy market | |
Lu et al. | Charging and relocating optimization for electric vehicle car-sharing: an event-based strategy improvement approach | |
Ahangar et al. | A region-based model for optimizing charging station location problem of electric vehicles considering disruption-A case study | |
Zhang et al. | Deploying public charging stations for battery electric vehicles on the expressway network based on dynamic charging demand | |
Jiang et al. | Optimal configuration of electric vehicles for charging stations under the fast power supplement mode | |
Chen et al. | Emission mitigation potential from coordinated charging schemes for future private electric vehicles | |
He et al. | Battery electricity bus charging schedule considering bus journey’s energy consumption estimation | |
Uribe et al. | Discrete event simulation for battery-swapping station sizing for hybrid and electric motorcycles | |
Cheng et al. | Decentralized scheduling optimization for charging‐storage station considering multiple spatial‐temporal transfer factors of electric vehicles | |
Zeng et al. | Electric bus scheduling and charging infrastructure planning considering bus replacement strategies at charging stations | |
Guo et al. | Charging-as-a-Service: On-demand battery delivery for light-duty electric vehicles for mobility service | |
Li et al. | Centralized charging station planning for battery electric trucks considering the impacts on electricity distribution systems | |
Yuan et al. | Poet: Towards power-system-aware e-taxi coordination under dynamic passenger mobility | |
CN116934040B (zh) | 一种移动充电站日前协同优化调度方法 |
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 |