CN116961057A - 一种考虑电动汽车的多时段配电网故障恢复方法 - Google Patents

一种考虑电动汽车的多时段配电网故障恢复方法 Download PDF

Info

Publication number
CN116961057A
CN116961057A CN202310904813.2A CN202310904813A CN116961057A CN 116961057 A CN116961057 A CN 116961057A CN 202310904813 A CN202310904813 A CN 202310904813A CN 116961057 A CN116961057 A CN 116961057A
Authority
CN
China
Prior art keywords
distribution network
power distribution
model
fault recovery
recovery
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
Application number
CN202310904813.2A
Other languages
English (en)
Inventor
朱晓荣
魏晓雨
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202310904813.2A priority Critical patent/CN116961057A/zh
Publication of CN116961057A publication Critical patent/CN116961057A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种考虑电动汽车(electric vehicle，EV)的多时段配电网故障恢复策略，该策略为考虑个体化随机性影响的EV作为移动储能单元的恢复思路，包括以下步骤：建立配电网的故障恢复模型和目标函数，建立配电网故障恢复的约束模型；模拟实际运行EV的行驶路径以及电池荷电状态(state of charge，SOC)状态量，建立考虑EV时空分布的运行约束模型；建立充电桩规划的优化目标函数，对充电桩进行考虑负荷等级优先性的规划；基于故障恢复模型、EV运行约束模型和对应充电桩规划，对配电网进行故障恢复；本发明在风光等具有波动性的分布式电源的基础上，考虑EV分散性恢复能力和对应充电桩的规划，对负荷节点进行更高效全面的供电恢复，提高了配电网的韧性，可在实际恢复中推广使用。

Description

一种考虑电动汽车的多时段配电网故障恢复方法
技术领域
本发明涉及故障恢复领域，尤其涉及一种考虑电动汽车的多时段配电网故障恢复方法，属于配电网故障恢复领域。
背景技术
近年来，台风、冰雪灾害、持续高温及雷电等自然灾害的频发对电力系统的正常运行造成了不可忽略的影响。与输电网相比，配电网的运行环境复杂，在极端事件下会面临着各类安全威胁，提升配电网的韧性已然势在必行。随着配电网结构变化，传统的故障恢复手段不再适用。采用风电、光伏等分布式电源的孤岛划分方案受环境影响，会影响负荷恢复水平。因此需要有灵活稳定的可移动储能设备配合对配电网进行故障恢复。
为此，国内外学者对考虑可移动储能的配电网故障恢复策略展开了一系列研究，据2022年统计，国内新能源汽车保有量已达1149万辆，EV作为一种可调度的分布式电源，应用前景非常可观。充换放储一体化电站区间负荷紧急支撑策略可作为应急电源对重要负荷进行支撑。还可考虑调配交通系统约束的电动公交车和电动出租车作为移动储能参与故障恢复。但电动公交车和电动出租车时空具有规律性，对极端情况下导致的突发事件的恢复能力相对电动私家车较弱。
为改善该问题，有学者提出将充电式EV停车场看作分布式储能单元，对配电网进行故障恢复。但上述方法仅将EV看作整体进行规划，未充分计及考虑个体化随机性影响和对应充电桩规划的EV对配电网故障的恢复能力。
若可以充分发挥EV对配电网的恢复能力，将对配电网故障恢复能力提升具有重大意义。
发明内容
本发明要解决的技术问题是提供一种充分考虑EV个体化恢复能力的多时段配电网故障恢复方法，以期使配电网故障恢复能力得到有效提升。
为解决上述技术问题，本发明采用的技术方案包括以下步骤：
1)建立配电网的故障恢复模型和目标函数，建立配电网故障恢复的约束模型；
2)模拟实际运行EV的行驶路径以及电池荷电状态SOC状态量，建立考虑EV时空预测的运行约束模型；
3)基于EV时空预测模型，建立充电桩规划的优化目标函数，对充电桩进行考虑负荷等级优先性的规划，对配电网进行故障恢复。
优先地，建立配电网的故障恢复模型和目标函数，建立配电网故障恢复的约束模型，具体为：
配电网故障恢复的目标函数由负荷恢复量和网络损耗组成，其中负荷恢复量为主要恢复目标；配电网故障恢复模型包括：用于确定负荷可控性的负荷模型；用于进行故障后网络重构的辐射状拓扑模型；用于约束支路潮流的支路潮流约束；对变量进行安全限制的极限安全约束；
优先地，模拟实际运行EV的行驶路径以及电池荷电状态SOC状态量，建立考虑EV时空预测的运行约束模型，具体为：
通过结合EV运行数据模型和交通道路模型，可获取单位EV每时段的所处节点位置与实时运行数据，得到EV时空预测模型；EV运行约束包含汽车电池的充放电约束和电能传输约束，与传统移动能源车的约束区别在于EV具有本身的时空状态和具有随机性的SOC状态，特有的约束条件如下：
式中：分别为第j个EV的初始瞬时荷电状态和最小荷电状态；/>为第j个EV的初始瞬时SOC值；/>为第j个EV的SOC最低限值；/>取值为0-1二进制整数变量，为1时表示第j个EV的初始瞬时SOC达到可调用限值，即可参与故障恢复过程，为0时则相反；
优先地，基于EV时空预测模型，建立充电桩规划的优化目标函数，对充电桩进行考虑负荷等级优先性的规划，对配电网进行故障恢复，具体为：
规划实质为对每个充电桩的位置进行分配；设置拟合矩阵B＝[B1,B2,…,BM]为EV起止点位置集合，考虑负荷等级优先性对重要负荷所在节点进行加权；采用算法解集合对拟合矩阵B的拟合度T作为优化目标，优化目标函数为
式中：M为交通网节点数；/>D为算法解集的维数和长度；F为算法每次迭代的最优解集；
粒子群算法拥有结构简单和收敛速度快的优点，但局部搜索能力不强，易陷入到局部最优解中，从而无法实现全局最优。为此本发明进行混合算法的设计，其可在疏散搜索和集中搜索达到平衡，可有效的改善单一算法容易陷入局部最优或发散的情况。采用两阶段算法模型进行充电桩规划：第一阶段采用适用于全局搜索的粒子群算法进行下阶段初值的求取；第二阶段采用局部搜索能力较强的禁忌搜索算法进行改善；
考虑故障恢复模型、EV运行约束模型和对应充电桩规划，对配电网进行故障恢复。
附图说明
图1是本发明的流程框图；
图2是EV起止位置分布图；
图3是EV时空预测模型框架；
图4是禁忌搜索算法流程图；
图5是IEEE33节点配电网结构图；
图6是29节点交通网结构图；
图7是加权负荷功率恢复比例对比图；
具体实施方式
为突出本发明优势并明确计算步骤，以下结合附图深入详述本发明的具体实施方案。
图1为本发明所进行的恢复策略的具体实施流程图，主要内容如下：
1)建立配电网的故障恢复模型和目标函数，建立配电网故障恢复的约束模型。
建立配电网故障恢复目标，对配电网辐射状拓扑、支路潮流和变量限值进行约束。配电网故障恢复的目标函数由负荷恢复量和网络损耗组成，其中负荷恢复量为主要恢复目标。将故障恢复时间分成T个时段，目标函数为对各时段负荷恢复量和网络损耗进行加权求和并进行归一化，具体函数为
式中：Nload为节点负荷的集合；zi为负荷节点i的重要程度，对应一、二、三级负荷权值取10，5，1；ci,t取值为0-1二进制整数变量，0为t时段节点i处的负荷没有被恢复，1则相反；/>为t时段节点i处的负荷恢复功率；s0为网损系数，用来保证目标的主次不受影响，数值取0.5；Iij,t为t时段线路(i,j)上的支路电流；Rij线路(i,j)上的电阻；ε为恢复时可用线路的集合；Sbase为基准功率。
辐射状拓扑使用单商品流约束形式，其具有形式简单，引入变量和约束少的优点，可以确保配电网的辐射状运行，模型为
∑lij,t＝|Nnode|-1 (2)
式中：lij,t为0-1二进制整数变量，0为t时段线路(i,j)没有被恢复，1则相反；Nnode为配电网节点数；Hij,t为连续变量，代表线路(i,j)的虚拟潮流大小；Di表示非根节点的虚拟需求，设为1；r为根节点编号；M为数值很大的正实数，设置为配电网节点数目。
配电网为三相对称的辐射状网络，采用二阶锥松弛的方法进行线性化，使故障恢复模型变为二阶锥规划模型，列写单相模型为
式中：Pij,t、Qij,t分别为t时段线路(i,j)上流过的有功、无功功率；Rij、Xij分别为t时段线路(i,j)上的电阻和电抗；Jij,t为t时段线路(i,j)上流过电流幅值的平方；/>分别为t时段接入节点i的燃气轮机的有功、无功功率；/>分别为t时段接入节点i的分布式电源的有功、无功功率；/>为t时段接入节点i的分布式电源的有功功率；/>取值为0-1二进制整数变量，为1时表示第j个EV在t时段的初始瞬时SOC达到可调用限值，即可参与故障恢复过程，为0时则相反；/>分别为t时段节点i恢复的有功、无功功率；vi,t为t时段节点i上电压幅值的平方；aij.t为辅助变量。
配电网有功、无功功率以及电压电流的极限安全约束为
式中： 分别为节点i处发电机的有功、无功功率的上下限；G为发电机所在节点的集合；/>分别为节点i处分布式电源的有功、无功功率的上下限，本文分布式电源包含风机和光伏；DG为分布式电源所在节点的集合；Vi,max、Vi,min分别为节点i处电压幅值的上下限；Jij,max为电流幅值平方允许取到的上限。
2)模拟实际运行EV的行驶路径以及电池荷电状态SOC状态量，建立考虑EV时空预测的运行约束模型。
依据蒙特卡洛法对初始SOC、起始时刻和返程时刻进行了模拟：设定初始SOC为充电开始前的状态，考虑到EV电池的使用寿命，SOC允许范围设置为(0.2，0.9)，其动态变化趋势符合正态分布的特征，取起始SOC分布为N(0.45，0.15)；起始时刻和返程时刻动态变化趋势均满足对数正态分布的特征，其概率密度函数如式(1)、式(2)所示。
式中：f(Tg)为EV在Tg时刻出行的概率密度函数；μg为EV出行起始时刻的数学期望，μg＝8.92；σg为EV出行起始时刻的标准差，σg＝3.24；f(Tb)为EV在Tb时刻出行的概率密度函数；μb为EV出行起始时刻的数学期望，μb＝17.47；σb为EV出行起始时刻的标准差，σb＝3.41。
用起讫(origin-destination，OD)矩阵描述出EV的出行分布特性，由蒙特卡洛法获得EV初始位置，再结合OD矩阵通过随机抽样即可生成EV出行目的地，起止位置分布如图2所示。若生成的初始位置和目的地节点相同，设定此EV今日无出行计划。
交通道路模型参考特定区域的交通道路拓扑，利用图论的方法，表现交通网节点间的邻接关系。用G＝(NP,εL)表示交通网络，其中：NP为边集，即交通网中的路段的集合；εL为顶点集，即交通网中路段的端点或多个路段交叉点的集合。矩阵DR为道路权值的邻接矩阵，用于描述各路段长度以及节点连接关系，其中元素dij的赋值函数为
式中：为节点i和节点j之间的路段长度；inf表示两节点之间无路段相连。
在交通网中，EV的行驶速度主要受道路容量与车流量的影响，为模拟实际EV运行，引入以下模型
式中：vij(t)为t时刻EV在交通网相邻节点(i,j)间的行驶速度；vij,o为交通网相邻节点(i,j)间的零流速度；qij(t)为t时刻交通网(i,j)路段的道路流量；Cij为交通网(i,j)路段的通行能力，受道路等级影响；qij(t)/Cij为t时刻交通网(i,j)路段的道路饱和度；a、b、n为不同道路等级下的系数。道路分为主、次干道两种：主干道a、b、n分别取值1.726、3.15和3；次干道a、b、n分别取值2.076、2.870和3。
为简化实际运行时路径选择的复杂程度，EV行驶路径选择使用Floyd算法，其可利用道路拓扑中的邻接矩阵DR获取最短路径，即所有EV均按照最短路径行驶。假设其中一辆EV在初始位置i和目的地j之间的最短路径集合为R＝{i,…,e,f,…,j}，其中包含H个直连路段，行驶时间模型为
式中：ΔTij为(i,j)间最短路径行驶总时间；ΔTh为第h个直连路段所用时间；dh为第h个直连路段的里程，可由式(3)获得；Vh(t)为由速度-流量模型算出的第h个直连路段的行驶速度。
通过结合EV运行数据模型和交通道路模型，可获取单位EV每时段的所处节点位置与实时运行数据。EV时空预测模型框架如图3所示，框架图依据蒙特卡洛法对初始SOC、起始时刻和返程时刻进行了模拟，通过OD概率矩阵获得EV的初始位置及目的地，运用概率分布的方法建立起具有不确定性的EV运行数据模型。交通道路模型参考特定区域的交通道路拓扑，使用Floyd算法得到EV运行的最短路径，通过速度流量模型获得对应运行时间和运行速度，从而进行车辆的路径选择。
EV运行约束包含汽车电池的充放电约束和电能传输约束，与传统移动能源车的约束区别在于EV具有本身的时空状态和具有随机性的SOC状态，约束模型如下
式中： 分别为第j个EV在t时段的充、放电状态变量；Eev为EV数量总和；/>分别为第j个EV在t时段的充、放电功率；/> 分别为第j个EV在t时段的最大充、放电功率；/>分别为第j个EV在t和t+1时段的荷电状态；分别为第j个EV的初始瞬时荷电状态和最小荷电状态；/>分别为第j个EV的充、放电效率，均取0.9；/>为第j个EV的初始瞬时SOC值；/>为第j个EV的SOC最低限值；/>为t时段第j个EV在节点s处停放并接入的标志位，/>取值由EV本身时空状态所决定；/>为t时段第j个EV的有功功率；M为数值很大的正实数。
3)基于EV时空预测模型，建立充电桩规划的优化目标函数，对充电桩进行考虑负荷等级优先性的规划，对配电网进行故障恢复。
规划实质为对每个充电桩的位置进行分配。设置拟合矩阵B＝[B1,B2,…,BM]为EV起止点位置集合，并对重要负荷所在节点进行加权。采用算法解集合对拟合矩阵B的拟合度T作为优化目标，目标函数可表示为
式中：M为交通网节点数；/>D为算法解集的维数和长度；F为算法每次迭代的最优解集。
粒子群算法拥有结构简单和收敛速度快的优点，但局部搜索能力不强，易陷入到局部最优解中，从而无法实现全局最优。为此本发明进行混合算法的设计，其可在疏散搜索和集中搜索达到平衡，可有效的改善单一算法容易陷入局部最优或发散的情况。采用两阶段算法模型进行充电桩规划：第一阶段采用适用于全局搜索的粒子群算法进行下阶段初值的求取；第二阶段采用局部搜索能力较强的禁忌搜索算法进行改善。
第一阶段：粒子群优化算法为模拟生物活动的启发式算法，其将群体内每个个体看作D维搜索空间内无体积、无质量的粒子，粒子在搜索空间中按照一定的速度和方向移动，最终得到群体最优解。将单位充电桩看作一个粒子，每个粒子都具有位置向量x＝[x1,x2,…,xN]和速度向量v＝[v1,v2,…,vN]，且都具有记忆功能。第i个粒子的个体最佳位置为种群的全局最佳位置为G＝[G1,G2,…,GD]，粒子群迭代过程和目标函数为
式中：vi为粒子速度，范围为[vmin,vmax]；w为惯性权重因子；c1和c2为加速度常数；r1和r2为[0,1]之间的随机数。
第二阶段：禁忌搜索算法为模拟人类智能，基于局部邻域搜索的全局逐步寻优算法。其通过设置储存结构禁忌表和禁忌准则避免了迂回重复搜索，进而跳出局部最优。而蔑视准则的设置可以有效赦免一些被禁忌的优良解，从而实现搜索范围内的全局优化。但其缺陷为禁忌搜索算法的优化性能受初始解影响较大，此可被第一阶段所改善。其算法流程图如图4所示。
以改进的IEEE33节点配电网耦合29节点的交通网作为测试系统，使用cplex求解器求解来验证提出的EV及其充电桩规划对配电网故障恢复能力即配电网韧性的提升作用。其中配电网节点结构图、交通网结构图和配电网恢复效果对比图如图5、图6和图7所示。

Claims (4)

1.一种考虑电动汽车的多时段配电网故障恢复方法，所述恢复策略在于考虑个体化随机性影响的EV作为移动储能结合考虑负荷等级优先性的充电桩规划对配电网韧性的提升作用，其特征在于，包括以下步骤：
1)建立配电网的故障恢复模型和目标函数，建立配电网故障恢复的约束模型；
2)模拟实际运行EV的行驶路径以及电池荷电状态SOC状态量，建立考虑EV时空预测的运行约束模型；
3)基于EV时空预测模型，建立充电桩规划的优化目标函数，对充电桩进行考虑负荷等级优先性的规划，对配电网进行故障恢复。
2.根据权利要求1中步骤1建立配电网的故障恢复模型，获取恢复模型的目标函数，其特征在于，包括：
配电网故障恢复的目标函数由负荷恢复量和网络损耗组成，其中负荷恢复量为主要恢复目标；配电网故障恢复模型包括：用于确定负荷可控性的负荷模型；用于进行故障后网络重构的辐射状拓扑模型；用于约束支路潮流的支路潮流约束；对变量进行安全限制的极限安全约束。
3.根据权利要求1中步骤2模拟实际运行EV的行驶路径以及电池荷电状态SOC状态量，建立考虑EV时空分布的运行约束模型，其特征在于，包括：
通过结合EV运行数据模型和交通道路模型，可获取单位EV每时段的所处节点位置与实时运行数据，得到EV时空预测模型；EV运行约束包含汽车电池的充放电约束和电能传输约束，与传统移动能源车的约束区别在于EV具有本身的时空状态和具有随机性的SOC状态，特有的约束条件如下：
式中：分别为第j个EV的初始瞬时荷电状态和最小荷电状态；/>为第j个EV的初始瞬时SOC值；/>为第j个EV的SOC最低限值；/>取值为0-1二进制整数变量，为1时表示第j个EV的初始瞬时SOC达到可调用限值，即可参与故障恢复过程，为0时则相反。
4.根据权利要求1中步骤3基于EV时空预测模型，建立充电桩规划的优化目标函数，对充电桩进行考虑负荷等级优先性的规划，对配电网进行恢复，其特征在于，包括：
规划实质为对每个充电桩的位置进行分配；设置拟合矩阵B＝[B1,B2,…,BM]为EV起止点位置集合，考虑负荷等级优先性对重要负荷所在节点进行加权；采用算法解集合对拟合矩阵B的拟合度T作为优化目标，优化目标函数为
式中：M为交通网节点数；/>D为算法解集的维数和长度；F为算法每次迭代的最优解集；
粒子群算法拥有结构简单和收敛速度快的优点，但局部搜索能力不强，易陷入到局部最优解中，从而无法实现全局最优；为此本发明进行混合算法的设计，其可在疏散搜索和集中搜索达到平衡，可有效的改善单一算法容易陷入局部最优或发散的情况；采用两阶段算法模型进行充电桩规划：第一阶段采用适用于全局搜索的粒子群算法进行下阶段初值的求取；第二阶段采用局部搜索能力较强的禁忌搜索算法进行改善；
考虑故障恢复模型、EV运行约束模型和对应充电桩规划，对配电网进行故障恢复。
CN202310904813.2A 2023-07-21 2023-07-21 一种考虑电动汽车的多时段配电网故障恢复方法 Pending CN116961057A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310904813.2A CN116961057A (zh) 2023-07-21 2023-07-21 一种考虑电动汽车的多时段配电网故障恢复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310904813.2A CN116961057A (zh) 2023-07-21 2023-07-21 一种考虑电动汽车的多时段配电网故障恢复方法

Publications (1)

Publication Number Publication Date
CN116961057A true CN116961057A (zh) 2023-10-27

Family

ID=88454256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310904813.2A Pending CN116961057A (zh) 2023-07-21 2023-07-21 一种考虑电动汽车的多时段配电网故障恢复方法

Country Status (1)

Country Link
CN (1) CN116961057A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117458487A (zh) * 2023-12-25 2024-01-26 北京煦联得节能科技股份有限公司 基于柔性用电的智能变频充电桩调控方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117458487A (zh) * 2023-12-25 2024-01-26 北京煦联得节能科技股份有限公司 基于柔性用电的智能变频充电桩调控方法及系统
CN117458487B (zh) * 2023-12-25 2024-03-15 北京煦联得节能科技股份有限公司 基于柔性用电的智能变频充电桩调控方法及系统

Similar Documents

Publication Publication Date Title
Luo et al. Charging scheduling strategy for different electric vehicles with optimization for convenience of drivers, performance of transport system and distribution network
CN111654036B (zh) 一种计及储能快充电站的配电网两阶段鲁棒优化调度方法
Lyu et al. Exploring high-penetration electric vehicles impact on urban power grid based on voltage stability analysis
CN111178619A (zh) 一种考虑分布式电源和充电站联合规划的多目标优化方法
JP5393602B2 (ja) 電力制御方法、プログラムおよび電力制御装置
CN113452051B (zh) 考虑应急电源车调度的有源配电网故障均衡供电恢复方法
CN112347615A (zh) 一种计及光储快充一体站的配电网混合优化调度方法
Pal et al. Planning of EV charging station with distribution network expansion considering traffic congestion and uncertainties
CN109840635A (zh) 基于电压稳定性和充电服务质量的电动汽车充电站规划方法
CN110189025A (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
Li et al. Preallocation of electric buses for resilient restoration of distribution network: A data-driven robust stochastic optimization method
CN116961057A (zh) 一种考虑电动汽车的多时段配电网故障恢复方法
CN111523930A (zh) 城市电动出租车充电站选址和服务范围划分的规划方法
Zhang et al. A coordinated restoration method of electric buses and network reconfiguration in distribution systems under extreme events
Wang et al. Multi-level charging stations for electric vehicles by considering ancillary generating and storage units
CN113469750A (zh) 一种考虑极端天气的充电站与配电网协调规划方法及系统
CN116362523B (zh) 考虑温度适应性的换电站选址与运营策略协同优化方法
da Paixão et al. EV fast charging microgrid on highways: A hierarchical analysis for choosing the installation site
Wang et al. A*-based optimal coordination of vehicle-to-grid batteries and renewable generators in a distribution network
Zhao et al. Location planning of smart charging station based on fuzzy TOPSIS method
CN104616067A (zh) 考虑上网电价与遗传算法优化的风储发电控制方法及系统
Guang et al. Location planning of charging station for electric vehicle based on urban traffic flow
Liu et al. Hierarchical and distributed optimization of distribution network considering spatial and temporal distribution of electric vehicle charging load
Liu et al. Planning of Distribution Network with Electric Vehicle Charging Stations
Zhao et al. Vanpool trip planning based on evolutionary multiple objective optimization

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