CN117314111A - 一种集群电动汽车主从博弈优化调度方法、设备及介质 - Google Patents
一种集群电动汽车主从博弈优化调度方法、设备及介质 Download PDFInfo
- Publication number
- CN117314111A CN117314111A CN202311354649.9A CN202311354649A CN117314111A CN 117314111 A CN117314111 A CN 117314111A CN 202311354649 A CN202311354649 A CN 202311354649A CN 117314111 A CN117314111 A CN 117314111A
- Authority
- CN
- China
- Prior art keywords
- electric automobile
- load
- charging
- electric
- electricity
- 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 60
- 230000005611 electricity Effects 0.000 claims abstract description 88
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 37
- 238000004146 energy storage Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 20
- 238000012546 transfer Methods 0.000 claims description 18
- 238000007599 discharging Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 10
- 238000004138 cluster model Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 7
- 238000006116 polymerization reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005406 washing 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
- G06Q10/06315—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
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (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
本发明涉及一种集群电动汽车主从博弈优化调度方法、设备及介质，其中方法包括：构建基于路网的电动汽车充电需求预测模型，提取电动汽车出行特性并进行充电需求刻画；负荷聚合商对电动汽车进行聚类；构建基于负荷聚合商和电动汽车集群的主从博弈双层优化模型，其中，负荷聚合商作为上层领导者，以自身收益最大化为目标制定调度计划并向下层发布电价策略；聚类后的各电动汽车子群作为下层跟随者，引入用户满意度效用函数，根据上层发布的电价确定自身充放电计划，以达到各电动汽车子群消费者剩余最大化。与现有技术相比，本发明在考虑电动汽车用户用电偏好的基础上，能够有效调动电动汽车用户参与需求响应，符合电网的调度期望。
Description
技术领域
本发明涉及需求侧响应技术领域，尤其是涉及一种考虑出行特征的集群电动汽车主从博弈优化调度方法、设备及介质。
背景技术
为加快建成高比例新能源的新型电力系统，分布式能源并入电网的比例逐步增加。同时，电动汽车有环保节能的特点，可改善电网负荷峰谷差并促进新能源消纳，其应用规模不断扩大。而大量分布式电源和电动汽车(Electric Vehicle,EV)集群的接入使电网运行面临较大的挑战。
随着电力市场化改革不断推进，电力需求响应被国家大力倡导。而EV个体无法直接独立参与电力市场调节，因此，负荷聚合商(Load Aggregator,LA)作为用户与电网间的中间独立运营经济实体，是合理调控需求响应、调度需求侧资源、向电网提供辅助服务的重要载体。由于实际参与电力市场交易的主体较多，主体间存在复杂的交互关系，各自决策过程中有不同优化目标，如何协调各主体间的利益关系，达到多主体目标平衡，是电力市场化改革及电力市场运营管理的关键问题。目前在响应潜力方面目前的研究大多仅考虑小部分EV参与调度，对集群EV并网参与需求侧响应的研究较少。
同时，深入挖掘EV用户出行特性是对EV集群精准调度的前提。而现有考虑EV参与电网优化调度的研究中，在EV出行特性及充电需求刻画方面对EV模型的设定较为简单，其充电行为均限于模拟层面，缺乏真实数据支撑。
发明内容
本发明的目的是为了提供一种考虑出行特征的集群电动汽车主从博弈优化调度方法、设备及介质，在考虑EV用户用电偏好的基础上，能够有效调动EV用户参与需求响应，符合电网的调度期望，并促进新能源消纳，削峰填谷。
本发明的目的可以通过以下技术方案来实现：
一种考虑出行特征的集群电动汽车主从博弈优化调度方法，包括以下步骤：
S1、构建基于路网的电动汽车充电需求预测模型，提取电动汽车出行特性并进行充电需求刻画；
S2、结合电动汽车出行特性与充电需求，负荷聚合商基于K-means++算法对电动汽车进行聚类；
S3、构建基于负荷聚合商和电动汽车集群的主从博弈双层优化模型，所述主从博弈双层优化模型包括上层负荷聚合商模型和下层电动汽车集群模型，其中，负荷聚合商作为上层领导者，以自身收益最大化为目标制定调度计划并向下层发布电价策略；聚类后的各电动汽车子群作为下层跟随者，引入用户满意度效用函数，根据上层发布的电价确定自身充放电计划，以达到各电动汽车子群消费者剩余最大化。
所述步骤S1包括以下步骤：
S11、电动汽车行程数据获取与预处理；
S12、电动汽车出行特性提取：获取区域道路数据构建交通路网拓扑结构，并结合地理兴趣点数据将研究区域划分为多个功能区，提取出行特征；
S13、建立基于马尔可夫决策的路径转移模型：使用可以反应路网中所有行程起点及终点不同转移量的OD矩阵，引入离散马尔科夫过程描述车辆的转移概率，结合功能区确定电动汽车的转移概率矩阵；
S14、建立基于交通路况的里程消耗模型：根据实时交通路况和路网交通饱和度与通行容量约束构建速度-流量模型，根据速度-流量模型确定受交通拥堵影响不同行驶速度下各等级道路的单位里程动态耗电量；
S15、建立最短路径选择模型：根据电动汽车的转移概率矩阵，利用Dijkstra算法进行车辆行驶过程中最短路径规划；
S16、建立充电需求判断模型：计算电动汽车每段行程结束后剩余电量，当剩余电量满足预设的条件时，判断产生充电需求；
S17、电动汽车充电需求刻画：设定电动汽车初始荷电状态和荷电状态安全下限，根据规划的最短路径中的实际路径转移方案与路段数，利用充电需求判断模型判断是否需要充电，若不需要充电，则进入下一路段，重复本步骤直到充电需求产生且完成出行目的；
S18、对所有电动汽车重复以上步骤S13-S17，直到区域内所有电动汽车均完成出行活动，统计电动汽车充电负荷时空分布。
所述步骤S2具体为：
设电动汽车数据集合表示为S＝{X1,X2,...Xn}，其中， 分别表示第i辆电动汽车入网与离网时间，则负荷聚合商的聚类步骤如下：
S21、选取聚类数K；
S22、从输入的数据集中随机抽取1个样本作为初始聚类中心c1，计算样本中每个数据Xi与已有聚类中心c1的最短欧式距离D(Xi)，即：
S23、计算样本每个样本对象被选成为下一个聚类中心的概率P(Xi)，选取概率最大即距离最远的样本作为下一个聚类中心，其中，
S24、重复步骤S22-S23，直到选出所有的聚类中心点，得到聚类中心集C＝{c1,c2,...ck}，其中，对于第m个聚类中心cm，有cm∈C，
S25、计算电动汽车数据集合S中每个数据样本点Xi到K个聚类中心的距离，将Xi划分到欧式距离更近的聚类中心中，得到K个聚类结果，记为X1,X2,...XK。
所述下层电动汽车集群模型的优化目标为消费者剩余最大，即用户满意度综合效用函数及充电成本之差最大化，目标函数表示为：
式中：为电动汽车用户满意度综合效用函数；CEV,l表示电动汽车电能损耗成本；分别表示t时刻第n辆电动汽车的充放电功率；T为优化总时段数，Δt为时间间隔；N为电动汽车数量；/>分别为t时刻优化后负荷聚合商购、售电电价；CEV,B、CEV,S分别为电动汽车购电成本、售电收益。
所述电动汽车用户满意度综合效用函数包括两个指标：充电消费满意度效用函数和用电方式满意度效用函数/>
式中：ω1、ω2表示权重值，且满足ω1+ω2＝1；
充电消费满意度效用函数为：
式中：a1、b1为充电偏好系数，
用电方式满意度效用函数为：
式中：a2、b2为用电方式偏好系数，表示优化调度前t时刻第n辆电动汽车的充电功率。
所述下层电动汽车集群模型的约束条件为：
或/>
0.2≤SOCt,n≤0.9
SOCexp,n≤SOCout,n≤0.9
式中，分别表示t时刻第n辆电动汽车的充放电功率；SOCt,n为t时刻第n辆电动汽车的SOC；SOCout,n为第n辆电动汽车离网时的SOC；SOCexp,n为电动汽车期望SOC；分别为电动汽车充/放电的最小、最大功率；/>表示第k辆电动汽车入网与离网时间。
所述上层负荷聚合商模型的目标函数为：
max FLA＝ILA-CLA-MLA
ILA＝CEV,B+IG+Cload
CLA＝CEV,S+CG
式中：FLA表示负荷聚合商收益；ILA、CLA分别为负荷聚合商售电收益及购电成本；MLA为负荷聚合商运维成本；CEV,B、CEV,S分别为电动汽车购电成本、售电收益；IG为负荷聚合商中向电网出售多余新能源出力收益；Cload为基础负荷购电成本；CG为负荷聚合商从电网购电成本；Pt G、分别为t时刻从电网购电功率和电价。
其中，负荷聚合商设定储能系统不从电网购电，当新能源出力大于负荷需求时，优先考虑多余部分给储能系统充电，次考虑出售给电网，用电高峰时段储能系统可放电，则负荷聚合商售电收益及运维成本计算公式如下：
式中：Pt PV,G、Pt WT,G分别为t时刻向电网出售的风光出力；Pt PV、Pt WT分别为t时刻负荷聚合商风光总出力；表示t时刻出售给电网的电价；k1、k2、k3分别为光伏、风机、储能系统单位运维成本系数；Pt ESS,c、Pt ESS,d为t时段储能系统充放电功率。
所述上层负荷聚合商模型的约束条件为：
Pt EV,B+Pt load＝Pt G+Pt PV+Pt WT+Pt ESS+Pt EV,S
式中：Pt PV,G、Pt WT,G分别为t时刻向电网出售的风光出力；Pt PV、Pt WT分别为t时刻负荷聚合商风光总出力；分别为光伏、风机出力最大值；/>为t时刻储能系统储电量；ηc、ηd为储能系统充放电效率；Pt ESS,c、Pt ESS,d为t时段储能系统充放电功率；/>为储电量的最小、最大值；/>分别为储能系统充电功率的最小、最大值；/>分别为储能系统放电功率的最小、最大值；/> 分别为负荷聚合商售电价与负荷聚合商从电动汽车集群购电价的最小、最大值；Pt EV,B、Pt EV,S、Pt ESS分别为电动汽车集群充/放电功率、储能系统运行功率；Pt load为t时刻基础负荷；Pt G为t时刻从电网购电功率；为电网向负荷聚合商出售的最大电量。
一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如上述所述的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述所述的方法。
与现有技术相比，本发明具有以下有益效果：
(1)本发明结合真实出行数据和交通道路数据，通过数据挖掘分析EV出行特性，得到更贴近实际的EV出行过程，为LA优化调度提供基础。
(2)LA对有类似出行行为的EV集群聚类后，可对各子群分别制定充放电优化调度方案，减少LA调配工作量。EV用户可在较大时间段内选择其入离网时间区间，有实际应用价值。
(3)本发明建立了较为完整的集群电动汽车参与调峰市场的机制，考虑用户消费满意度，采用电价型需求响应模式，LA协同EV集群进行优化调度，在实现多主体利益最大化的同时，促进新能源消纳，平抑负荷曲线波动。LA对外参与调峰市场，对内与各成员协作配合，是电网与EV用户间的重要纽带。
附图说明
图1为本发明的方法流程图；
图2为一种实施例中的研究区域路网节点与拓扑图；
图3为一种实施例中的基础负荷和典型日风光出力曲线；
图4为一种实施例中的11月10日各功能区充电负荷分布图；
图5为一种实施例中的EV出行时刻分布图；
图6为一种实施例中的EV充电时刻分布图；
图7为一种实施例中的不同聚类数对应的聚类指标；
图8为一种实施例中的EV集群聚类结果；
图9为一种实施例中的逐时电价曲线；
图10为一种实施例中的优化调度前后结果对比；
图11为一种实施例中的计算机设备的内部结构图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种考虑出行特征的集群电动汽车主从博弈优化调度方法，如图1所示，包括以下步骤：
S1、构建基于路网的电动汽车充电需求预测模型，提取电动汽车出行特性并进行充电需求刻画。
具体的，步骤S1包括以下步骤：
S11、电动汽车行程数据获取与预处理；
本实施例采用成都市滴滴网约车2016年11月1日至2016年11月30日的行程数据作为实验数据，采样间隔2～4s。数据集包括车辆ID、订单数据、车辆轨迹数据等。
由于数据中存在重复传输以及数据异常等问题，需对原始数据进行预处理：
1)数据清洗与转化：包括填补缺失数据，剔除无用或错误数据，处理异常值，时间戳转化，经纬度转换等。
2)研究区域筛选：选取出行量较大的11月10日作为出行参考样本，删除研究范围(经度范围：104.0470-104.1091，纬度范围：30.6393-30.6922)外的数据。
S12、电动汽车出行特性提取：获取区域道路数据构建交通路网拓扑结构，并结合地理兴趣点数据将研究区域划分为多个功能区，提取出行特征；
为直观描述EV用户出行特性与充电需求，在获取行车轨迹和订单数据的基础上，还需对数据进一步挖掘与出行特征融合。
通过ArcGIS获取成都所选区域道路数据构建交通路网拓扑结构，进行可视化后筛选出一级和二级道路作为路网主要组成部分，简化后的路网节点与拓扑图如图2所示。
基于高德地图爬取成都所选区域内的地理兴趣点数据(point of interest,POI)，包括经纬度、地址、名称等信息，提升实体位置的描述能力与识别准确性。按实际场景中其区域属性及功能定位可将研究区域分为居民区(H)、商业区(B)、工作区(W)和公共服务区(P)，各功能区划分如表1所示。
表1路网节点功能划分情况
根据POI爬取数据和所获得的城市路网节点与拓扑图，进一步结合EV电池特性及路径选择模型对充电需求进行真实准确的模拟。
S13、建立基于马尔可夫决策的路径转移模型：使用可以反应路网中所有行程起点及终点不同转移量的OD矩阵，引入离散马尔科夫过程描述车辆的转移概率，结合功能区确定电动汽车的转移概率矩阵；
使用可以反应路网中所有行程起点及终点不同转移量的OD矩阵，引入离散马尔科夫过程描述车辆的转移概率。用户出行行为符合马尔科夫无后效性特征。对于每辆EV，其OD矩阵由24个子矩阵组成，针对文本划分的4个功能区，EV由当前目的地转移至下一目的地的转移概率矩阵表示为：
S14、建立基于交通路况的里程消耗模型：根据实时交通路况和路网交通饱和度与通行容量约束构建速度-流量模型，根据速度-流量模型确定受交通拥堵影响不同行驶速度下各等级道路的单位里程动态耗电量；
行驶中EV单位里程耗电量与实时交通路况(道路等级、拥堵程度、车辆速度等)有关，且EV行驶速度会受到实际路网交通饱和度与通行容量的约束，不同道路等级不同时段的饱和度如表2所示。
表2不同道路等级不同时段道路饱和度
参考上表中不同时段道路饱和程度构建速度-流量模型，t时刻车辆在道路行驶速度v(t)可以表示为：
式中：v0为行驶中道路零流速度；i表示为道路等级，本文只保留以及道路和部分二级道路；q(t)为t时刻道路交通流量；M为各级交通道路最大容量；a、b、c为道路的自适应系数，一级道路中分别取值为1.726、3.15、3，二级道路取值为2.076、2.87、3。
可表述为：
式中：v1(t)、v2(t)为一级、二级道路通行速度。
S15、建立最短路径选择模型：根据电动汽车的转移概率矩阵，利用Dijkstra算法进行车辆行驶过程中最短路径规划；
考虑用户为节省成本通常会选择距离最短的行驶方案，因此选择自适应较好的贪心算法——Dijkstra算法进行车辆行驶过程中最短路径规划。不同行程点之间的停留时间由轨迹数据中提取到的功能区转移的停留时间数据库抽取得到。道路实际长度结合经纬度差并考虑实际道路的曲折程度，将道路长度乘以曲折系数1.15求得。根据道路实际长度结合经纬度差并考虑实际道路的曲折程度，计算考虑曲折系数的行驶距离，并结合速度-流量模型求得的路段a的行驶速度Va(t)，计算行驶时间ΔTa：
其中，Δl为路段a的起点与终点间的行驶距离；
则电动汽车从起点i到终点j的最短路径上的行驶时间表示为：
其中，s表示路段数。
S16、建立充电需求判断模型：计算电动汽车每段行程结束后剩余电量，当剩余电量满足预设的条件时，判断产生充电需求；
电动汽车每段行程结束后剩余电量表示为：
Capt＝Cap0-ΔLgEi(t)
式中：Capt为剩余电量，Cap0为初始电量，ΔL为此次行程的行驶距离，Ei(t)为电动汽车单位里程耗电量；
考虑用户里程焦虑及下一段行程需要，须保留一定的电量裕度，设置当剩余电量满足下述任一条件时产生充电需求：
式中：λ为安全裕度，取0.2；ΔLnext为下一行程的行驶距离；Capr为电池容量。
S17、电动汽车充电需求刻画：设定电动汽车初始荷电状态和荷电状态安全下限，根据规划的最短路径中的实际路径转移方案与路段数，利用充电需求判断模型判断是否需要充电，若不需要充电，则进入下一路段，重复本步骤直到充电需求产生且完成出行目的；
设EV初始荷电状态(state of charge,SOC)为0.9，考虑电池电量安全裕度，SOC不得低于0.2。
S18、对所有电动汽车重复以上步骤S13-S17，直到区域内所有电动汽车均完成出行活动，统计电动汽车充电负荷时空分布。
具体预测流程如下：
1)对网约车订单及轨迹数据进行数据挖掘及特征提取，得到城市居民真实出行特征规律，包括城市功能分区、出行转移概率、起始出行时间等，作为后续EV充电行为判断的特征输入。
2)输入EV数量，筛选修正后的GPS轨迹数据行程起点，寻找距离其最近的路网节点为起点，根据马尔科夫链对实测数据进行概率抽样决定每段路程终点选择，利用Dijkstra算法求取实际路径转移方案与路段数。
3)计算该辆电动汽车本次出行里程及出行耗电量、剩余荷电状态，根据用户最低电池心理预期判断是否需要充电。若未达到充电预期，则进入下一段行程，重复步骤2，直到充电需求产生且完成出行目的。
4)重复以上步骤，直到区域内所有电动汽车均完成出行活动，统计EV充电负荷时空分布。
S2、结合电动汽车出行特性与充电需求，负荷聚合商基于K-means++算法对电动汽车进行聚类。
具有相似出行特性的EV充电需求也较为相似，根据对其优化调度结果可知，这类EV有相似的需求响应调度结果，往往可以归为一类。LA应先根据接入的EV入网及离网时间使用K-means++算法对其进行聚类，再对聚类结果的各个类别分别制定充放电优化调度方案。
设电动汽车数据集合表示为S＝{X1,X2,...Xn}，其中， 分别表示第i辆电动汽车入网与离网时间，则负荷聚合商的聚类步骤如下：
S21、选取聚类数K；
S22、从输入的数据集中随机抽取1个样本作为初始聚类中心c1，计算样本中每个数据Xi与已有聚类中心c1的最短欧式距离D(Xi)，即：
S23、计算样本每个样本对象被选成为下一个聚类中心的概率P(Xi)，选取概率最大即距离最远的样本作为下一个聚类中心，其中，
S24、重复步骤S22-S23，直到选出所有的聚类中心点，得到聚类中心集C＝{c1,c2,...ck}，其中，对于第m个聚类中心cm，有cm∈C，
S25、计算电动汽车数据集合S中每个数据样本点Xi到K个聚类中心的距离，将Xi划分到欧式距离更近的聚类中心中，得到K个聚类结果，记为X1,X2,...XK。
在一种实施方式中，步骤S21选取聚类数的方法如下：
确定聚类数目时，选取三种聚类质量指标轮廓系数、CH指数及Davies-Bouldin指数(DBI)综合考虑，选出最优聚类数目。
(1)轮廓系数
轮廓系数是最常用的聚类效果评估指标之一，结合了聚类样本的分离度与内聚度，越接近1表示聚类效果较好。针对单个样本的轮廓系数s(i)计算公式为：
式中：a(i)为该数据与其所在簇其他数据的平均距离，b(i)为该数据到其他所有簇数据的平均距离中的最小距离。
(2)CH指数
CH指数r本质表示簇间距(分离度)与簇内距(紧密度)的比值，簇内紧密度使用簇内各点与聚类中心聚类的平方和度量，簇间分离度通过各聚类中心点与数据集中心点距离的平方和度量。CH指数越大表示聚类效果越好。计算公式为：
式中：Wk、Bk为簇内、间离散阵，n为数据集样本数，Cq为聚类集q的点集，cq为聚类集q的聚类中心，nq为聚类集q的样本数，tr为取矩阵的迹。
(3)DBI指数
DBI指数是计算任意两类的类内距离的平均值之和与这两类聚类中心距离之比的最大值的平均值。DBI值越小，聚类效果越好。
式中：分别为第i、j个类中各点与各自类别中的聚类中心之间的平均距离。
S3、构建基于负荷聚合商和电动汽车集群的主从博弈双层优化模型，所述主从博弈双层优化模型包括上层负荷聚合商模型和下层电动汽车集群模型，其中，负荷聚合商作为上层领导者，以自身收益最大化为目标制定调度计划并向下层发布电价策略；聚类后的各电动汽车子群作为下层跟随者，引入用户满意度效用函数，根据上层发布的电价确定自身充放电计划，以达到各电动汽车子群消费者剩余最大化。
①下层电动汽车集群模型
EV集群基于LA发布的动态电价参与充放电优化调度，降低总充电成本。但EV用户参与博弈时，需考虑经济性问题和用户用电感受问题。因此，下层电动汽车集群模型的优化目标为消费者剩余最大，即用户满意度综合效用函数及充电成本之差最大化，目标函数表示为：
式中：为电动汽车用户满意度综合效用函数；CEV,l表示电动汽车电能损耗成本；分别表示t时刻第n辆电动汽车的充放电功率；T为优化总时段数，Δt为时间间隔；N为EV数量；/>分别为t时刻优化后LA购、售电电价；CEV,B、CEV,S分别为EV购电成本、售电收益。
构建EV用户满意度综合效用函数对其充电过程中满意度进行量化处理，包括两个指标：充电消费满意度效用函数和用电方式满意度效用函数/>
(1)充电消费满意度效用函数
式中：a1、b1为充电偏好系数，可影响需求量的大小。表示EV用户对充电成本满意度的效用函数，越大表示用户对充电成本满意度越高。
(2)用电方式满意度效用函数
式中：a2、b2为用电方式偏好系数，表示优化调度前t时刻第n辆电动汽车的充电功率。/>表示用户用电方式满意度效用函数，反应优化调度前后EV充电负荷偏移量，即优化调度前后充电负荷偏移量越小，用户改变用电方式的程度越小，用户用电方式满意度越高。
(3)EV用户满意度综合效用函数
式中：ω1、ω2表示权重值，且满足ω1+ω2＝1。为总EV用户满意度效用函数。不同类型的EV用户有不同消费偏好的，对上述两项指标的重视度也不同。改变各指标对应的权重值，可量化不同类型用户对各指标的重视度。
下层电动汽车集群模型的约束条件为：
或/>
0.2≤SOCt,n≤0.9
SOCexp,n≤SOCout,n≤0.9
式中，分别表示t时刻第n辆电动汽车的充放电功率；SOCt,n为t时刻第n辆电动汽车的SOC；SOCout,n为第n辆电动汽车离网时的SOC；SOCexp,n为电动汽车期望SOC；分别为电动汽车充/放电的最小、最大功率；/>表示第k辆EV入网与离网时间。
②上层负荷聚合商模型
上层负荷聚合商模型的目标函数为：
max FLA＝ILA-CLA-MLA
ILA＝CEV,B+IG+Cload
CLA＝CEV,S+CG
式中：FLA表示负荷聚合商收益；ILA、CLA分别为负荷聚合商售电收益及购电成本；MLA为负荷聚合商运维成本；CEV,B、CEV,S分别为电动汽车购电成本、售电收益；IG为负荷聚合商中向电网出售多余新能源出力收益；Cload为基础负荷购电成本；CG为负荷聚合商从电网购电成本；Pt G、分别为t时刻从电网购电功率和电价；
其中，负荷聚合商设定储能系统不从电网购电，当新能源出力大于负荷需求时，优先考虑多余部分给储能系统充电，次考虑出售给电网，用电高峰时段储能系统可放电，则负荷聚合商售电收益及运维成本计算公式如下：
式中：Pt PV,G、Pt WT,G分别为t时刻向电网出售的风光出力；Pt PV、Pt WT分别为t时刻负荷聚合商风光总出力；表示t时刻出售给电网的电价；k1、k2、k3分别为光伏、风机、储能系统单位运维成本系数；Pt ESS,c、Pt ESS,d为t时段储能系统充放电功率。
上层负荷聚合商模型的约束条件为：
Pt EV,B+Pt load＝Pt G+Pt PV+Pt WT+Pt ESS+Pt EV,S
式中：Pt PV,G、Pt WT,G分别为t时刻向电网出售的风光出力；Pt PV、Pt WT分别为t时刻负荷聚合商风光总出力；分别为光伏、风机出力最大值；/>为t时刻储能系统储电量；ηc、ηd为储能系统充放电效率；Pt ESS,c、Pt ESS,d为t时段储能系统充放电功率；/>为储电量的最小、最大值；/>分别为储能系统充电功率的最小、最大值；/>分别为储能系统放电功率的最小、最大值；/> 分别为负荷聚合商售电价与负荷聚合商从电动汽车集群购电价的最小、最大值；Pt EV,B、Pt EV,S、Pt ESS分别为电动汽车集群充/放电功率、储能系统运行功率；Pt load为t时刻基础负荷；Pt G为t时刻从电网购电功率；为电网向负荷聚合商出售的最大电量。
实施例2
为验证本发明实施例1所述技术方案的有效性，本实施例包含两个实例(用以进行对比实验)：
实例Ⅰ：采用分时电价，EV不参与需求响应；
实例Ⅱ：采用电价型需求响应，利用主从博弈优化实时电价。
本实施例主从博弈双层优化调度框架如图1所示，LA作为的领导者，聚合EV负荷资源，制定调度计划并向下层发布电价策略，具有对外部市场和内部资源的双侧互动特点，其职责为：对外参与调峰市场，获取市场信息、下层发布电价策略、制定调度计划并上报和获取市场收益；对内与各成员进行协调配合，引导各成员完成竞标决策过程。
以如图2所示的研究区域作为示例，本实施例中的私家EV2000辆，最大电池容量25kW·h，最大充放电功率设置为7kW，充放电效率ηc,ηd均取95％。LA光伏装机容量2500kW，风机装机容量3000kW，储能系统额定容量为2000kW·h，额定充放电功率200kW，k1、k2、k3分别取0.08，0.11，0.02。取2000kW，EV满意度效用函数中两指标的权重值ω1、ω2均设为0.5。基础负荷和典型日风光出力曲线如图3所示。
图4为预测所得11月10日区域内不同功能分区EV充电负荷分布，由图可知，当日EV充电多集中于17:00-22:00，而上午4:00-8:00充电需求相对较少，与城市居民充电习惯基本相符。图5、图6分别为EV用户出行时刻分布图及充电时刻分布图，EV出行时刻呈明显双峰特征，出行高峰期主要集中在7:00-9:00和15:00-18:00，低谷期主要集中在11:00-13:00和20:00-次日4:00。充电起始时刻多集中于18:00以后，而早上的充电起始时间分布较少。
图7为不同聚类数对应的聚类指标取值，当轮廓系数和CH指数越接近1、DBI指数越小时，聚类的效果越好。从图中可以看出，当聚类数目N＝5时，轮廓系数较大，CH指数接近于1且DBI指数达到极小值接近于0，三个聚类评价指标同时取得较好的效果。因此，LA对EV集群按照其入网及离网时间分为5类，得到的分类结果如图8。由分类结果可知，选择的聚类中心间距大，除类别5以外的类别频数较为均匀，特征不同的样本点所在类划分明显，簇轮廓较为清晰，簇内样本点划分较为合理。
图9为上层领导者LA的定价策略，LA的逐时售电电价与分时电价的变化趋势相近，而其购电电价与用电负荷的变化趋势相近。参加电价型激励的需求响应后，峰谷差由原负荷曲线的1203.4kW降低至需求响应后的880.2kW。图10为博弈框架下实例I、实例II优化调度前后结果对比图。区别于传统服务模式，经过优化后，LA的收益值由8291.28元增加到9364.68元。LA优先考虑消纳新能源出力，提高自身收益，将光伏及风力发电优先出售给EV集群用户，后补给自身储能系统及出售给电网。用电高峰时段，EV充电需求及基础负荷需求较大，LA安排不同EV子群在各自入网时段内错峰充放电，电价较高时段自身储能系统、EV子群放电及新能源同时供电，满足EV子群充电需求的同时，减少LA从电网购电成本，提高EV用户的消费者剩余。用电曲线平缓时段，购售电价相对较低，EV充电负荷较大，且晚间用电与EV充电需求相对较大，LA考虑缺失电能从电网购入，成本较低，且EV考虑在此时充电，可降低充电成本。
优化后各子群的消费者剩余对比如表3所示。经优化调度后，各子群的消费者剩余均有增加。说明提出的优化调度方法可以在满足用户充放电偏好及满意度的情况下降低其充电成本，提高EV用户充电经济性。各EV子群在接入时段内保证自身充电需求的前提下，参与需求响应，在电价较低时充电，降低自身充电成本，在电价较高时段参与放电，增加放电收益。
表3优化前后各EV子群消费者剩余对比
综上所述，本技术方案提出一种考虑路网数据和出行特征的集群电动汽车主从博弈优化调度策略，包括以下步骤：构建基于路网数据的电动汽车充电需求预测模型，基于真实出行数据和交通道路数据，通过数据挖掘分析电动汽车出行特性，提取电动汽车出行特性并进行充电需求刻画，模拟用户出行过程；结合电动汽车出行特性与充电需求，负荷聚合商基于K-means++聚类算法对具有相似出行特性的电动汽车进行聚类；建立负荷聚合商与电动汽车集群的主从博弈模型。其中，负荷聚合商作为上层领导者，以自身收益最大化为目标制定调度计划并向下层发布电价策略；聚类后的各电动汽车子群作为下层跟随者，引入用户满意度效用函数，根据上层电价确定自身充放电计划，以达到各电动汽车子群消费者剩余最大化。与现有技术相比，本发明充分考虑电动汽车响应潜力，结合真实路网、交通数据与用户消费者满意度，得到符合实际的电动汽车出行特征，并且在此基础上建立一个完整的电动汽车参与需求响应的市场机制，充分考虑电动汽车用户以及负荷聚合商的利益，实现各主体共赢。仿真结果表明，本发明建立了较为完整的集群电动汽车参与调峰市场的机制，考虑用户用能偏好，采用电价型需求响应模式，LA协同EV集群进行优化调度，在实现多主体利益最大化的同时，促进新能源消纳，平抑负荷曲线波动。LA对外参与调峰市场，对内与各成员协作配合，是电网与EV用户间的重要纽带。
实施例3
在实施例1的基础上，本实施例提供了一种计算机设备，参见图11，该计算机设备可以是终端，其包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，计算机设备的处理器用于提供计算和控制能力；存储器包括非易失性存储介质、内存储器，非易失性存储介质中存储有操作系统和计算机程序，内存储器为非易失性存储介质中的操作系统和计算机程序提供运行环境；网络接口用于与外部的终端通过网络连接通信；显示屏用于显示处理过程中以及处理后的图形界面；输入装置可以是计算机设备自带或者外接的键盘、鼠标、触控板，也可以是显示屏上的触摸层。存储器存储有计算机程序，该计算机程序被处理器执行时以实现一种考虑出行特征的集群电动汽车主从博弈优化调度方法。
实施例4
在前述实施例的基础上，本实施例提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如实施例1所述考虑出行特征的集群电动汽车主从博弈优化调度方法步骤。
本领域技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序被执行时，可实现包括如上述方法的实施例中的流程。非易失性存储器包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。
Claims (10)
1.一种考虑出行特征的集群电动汽车主从博弈优化调度方法，其特征在于，包括以下步骤：
S1、构建基于路网的电动汽车充电需求预测模型，提取电动汽车出行特性并进行充电需求刻画；
S2、结合电动汽车出行特性与充电需求，负荷聚合商基于K-means++算法对电动汽车进行聚类；
S3、构建基于负荷聚合商和电动汽车集群的主从博弈双层优化模型，所述主从博弈双层优化模型包括上层负荷聚合商模型和下层电动汽车集群模型，其中，负荷聚合商作为上层领导者，以自身收益最大化为目标制定调度计划并向下层发布电价策略；聚类后的各电动汽车子群作为下层跟随者，引入用户满意度效用函数，根据上层发布的电价确定自身充放电计划，以达到各电动汽车子群消费者剩余最大化。
2.根据权利要求1所述的一种考虑出行特征的集群电动汽车主从博弈优化调度方法，其特征在于，所述步骤S1包括以下步骤：
S11、电动汽车行程数据获取与预处理；
S12、电动汽车出行特性提取：获取区域道路数据构建交通路网拓扑结构，并结合地理兴趣点数据将研究区域划分为多个功能区，提取出行特征；
S13、建立基于马尔可夫决策的路径转移模型：使用可以反应路网中所有行程起点及终点不同转移量的OD矩阵，引入离散马尔科夫过程描述车辆的转移概率，结合功能区确定电动汽车的转移概率矩阵；
S14、建立基于交通路况的里程消耗模型：根据实时交通路况和路网交通饱和度与通行容量约束构建速度-流量模型，根据速度-流量模型确定受交通拥堵影响不同行驶速度下各等级道路的单位里程动态耗电量；
S15、建立最短路径选择模型：根据电动汽车的转移概率矩阵，利用Dijkstra算法进行车辆行驶过程中最短路径规划；
S16、建立充电需求判断模型：计算电动汽车每段行程结束后剩余电量，当剩余电量满足预设的条件时，判断产生充电需求；
S17、电动汽车充电需求刻画：设定电动汽车初始荷电状态和荷电状态安全下限，根据规划的最短路径中的实际路径转移方案与路段数，利用充电需求判断模型判断是否需要充电，若不需要充电，则进入下一路段，重复本步骤直到充电需求产生且完成出行目的；
S18、对所有电动汽车重复以上步骤S13-S17，直到区域内所有电动汽车均完成出行活动，统计电动汽车充电负荷时空分布。
3.根据权利要求1所述的一种考虑出行特征的集群电动汽车主从博弈优化调度方法，其特征在于，所述步骤S2具体为：
设电动汽车数据集合表示为S＝{X1,X2,...Xn}，其中， 分别表示第i辆电动汽车入网与离网时间，则负荷聚合商的聚类步骤如下：
S21、选取聚类数K；
S22、从输入的数据集中随机抽取1个样本作为初始聚类中心c1，计算样本中每个数据Xi与已有聚类中心c1的最短欧式距离D(Xi)，即：
S23、计算样本每个样本对象被选成为下一个聚类中心的概率P(Xi)，选取概率最大即距离最远的样本作为下一个聚类中心，其中，
S24、重复步骤S22-S23，直到选出所有的聚类中心点，得到聚类中心集C＝{c1,c2,...ck}，其中，对于第m个聚类中心cm，有cm∈C，
S25、计算电动汽车数据集合S中每个数据样本点Xi到K个聚类中心的距离，将Xi划分到欧式距离更近的聚类中心中，得到K个聚类结果，记为X1,X2,...XK。
4.根据权利要求1所述的一种考虑出行特征的集群电动汽车主从博弈优化调度方法，其特征在于，所述下层电动汽车集群模型的优化目标为消费者剩余最大，即用户满意度综合效用函数及充电成本之差最大化，目标函数表示为：
式中：为电动汽车用户满意度综合效用函数；CEV,l表示电动汽车电能损耗成本；分别表示t时刻第n辆电动汽车的充放电功率；T为优化总时段数，Δt为时间间隔；N为电动汽车数量；/>分别为t时刻优化后负荷聚合商购、售电电价；CEV,B、CEV,S分别为电动汽车购电成本、售电收益。
5.根据权利要求4所述的一种考虑出行特征的集群电动汽车主从博弈优化调度方法，其特征在于，所述电动汽车用户满意度综合效用函数包括两个指标：充电消费满意度效用函数和用电方式满意度效用函数/>
式中：ω1、ω2表示权重值，且满足ω1+ω2＝1；
充电消费满意度效用函数为：
式中：a1、b1为充电偏好系数，
用电方式满意度效用函数为：
式中：a2、b2为用电方式偏好系数，表示优化调度前t时刻第n辆电动汽车的充电功率。
6.根据权利要求1所述的一种考虑出行特征的集群电动汽车主从博弈优化调度方法，其特征在于，所述下层电动汽车集群模型的约束条件为：
0.2≤SOCt,n≤0.9
SOCexp,n≤SOCout,n≤0.9
式中，分别表示t时刻第n辆电动汽车的充放电功率；SOCt,n为t时刻第n辆电动汽车的SOC；SOCout,n为第n辆电动汽车离网时的SOC；SOCexp,n为电动汽车期望SOC；分别为电动汽车充/放电的最小、最大功率；/>表示第k辆电动汽车入网与离网时间。
7.根据权利要求1所述的一种考虑出行特征的集群电动汽车主从博弈优化调度方法，其特征在于，所述上层负荷聚合商模型的目标函数为：
max FLA＝ILA-CLA-MLA
ILA＝CEV,B+IG+Cload
CLA＝CEV,S+CG
式中：FLA表示负荷聚合商收益；ILA、CLA分别为负荷聚合商售电收益及购电成本；MLA为负荷聚合商运维成本；CEV,B、CEV,S分别为电动汽车购电成本、售电收益；IG为负荷聚合商中向电网出售多余新能源出力收益；Cload为基础负荷购电成本；CG为负荷聚合商从电网购电成本；Pt G、分别为t时刻从电网购电功率和电价，T为优化总时段数；
其中，负荷聚合商设定储能系统不从电网购电，当新能源出力大于负荷需求时，优先考虑多余部分给储能系统充电，次考虑出售给电网，用电高峰时段储能系统可放电，则负荷聚合商售电收益及运维成本计算公式如下：
式中：Pt PV,G、Pt WT,G分别为t时刻向电网出售的风光出力；Pt PV、Pt WT分别为t时刻负荷聚合商风光总出力；表示t时刻出售给电网的电价；k1、k2、k3分别为光伏、风机、储能系统单位运维成本系数；Pt ESS,c、Pt ESS,d为t时段储能系统充放电功率。
8.根据权利要求1所述的一种考虑出行特征的集群电动汽车主从博弈优化调度方法，其特征在于，所述上层负荷聚合商模型的约束条件为：
Pt EV,B+Pt load＝Pt G+Pt PV+Pt WT+Pt ESS+Pt EV,S
式中：Pt PV,G、Pt WT,G分别为t时刻向电网出售的风光出力；Pt PV、Pt WT分别为t时刻负荷聚合商风光总出力；分别为光伏、风机出力最大值；/>为t时刻储能系统储电量；ηc、ηd为储能系统充放电效率；Pt ESS,c、Pt ESS,d为t时段储能系统充放电功率；/>为储电量的最小、最大值；/>分别为储能系统充电功率的最小、最大值；/>分别为储能系统放电功率的最小、最大值；/> 分别为负荷聚合商售电价与负荷聚合商从电动汽车集群购电价的最小、最大值；Pt EV,B、Pt EV,S、Pt ESS分别为电动汽车集群充/放电功率、储能系统运行功率；Pt load为t时刻基础负荷；Pt G为t时刻从电网购电功率；/>为电网向负荷聚合商出售的最大电量。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8中任一项所述的方法。
10.一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，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354649.9A CN117314111A (zh) | 2023-10-18 | 2023-10-18 | 一种集群电动汽车主从博弈优化调度方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354649.9A CN117314111A (zh) | 2023-10-18 | 2023-10-18 | 一种集群电动汽车主从博弈优化调度方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117314111A true CN117314111A (zh) | 2023-12-29 |
Family
ID=89242489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311354649.9A Pending CN117314111A (zh) | 2023-10-18 | 2023-10-18 | 一种集群电动汽车主从博弈优化调度方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117314111A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117895510A (zh) * | 2024-03-14 | 2024-04-16 | 山东建筑大学 | 基于聚合商模式下电动汽车集群参与电网调峰方法及系统 |
-
2023
- 2023-10-18 CN CN202311354649.9A patent/CN117314111A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117895510A (zh) * | 2024-03-14 | 2024-04-16 | 山东建筑大学 | 基于聚合商模式下电动汽车集群参与电网调峰方法及系统 |
| CN117895510B (zh) * | 2024-03-14 | 2024-05-28 | 山东建筑大学 | 基于聚合商模式下电动汽车集群参与电网调峰方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kchaou-Boujelben | Charging station location problem: A comprehensive review on models and solution approaches | |
| US20220410750A1 (en) | System and method for smart charging management of electric vehicle fleets | |
| CN109986993A (zh) | 动态配置可交换式储能装置站之间能源的系统和方法 | |
| Liu et al. | A multi-objective decision-making approach for the optimal location of electric vehicle charging facilities | |
| CN110189025B (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 | |
| CN110084640B (zh) | 一种两阶段主从博弈的共享电动汽车补贴与定价方法 | |
| CN117314111A (zh) | 一种集群电动汽车主从博弈优化调度方法、设备及介质 | |
| Yao et al. | Allocation method for transit lines considering the user equilibrium for operators | |
| Borysova et al. | Priorities of marketing, competitiveness, and innovative development of transport service providers under sustainable urban development | |
| CN112487560B (zh) | 基于ev车主意愿的电力交通耦合系统协调博弈调度方法 | |
| CN114707292B (zh) | 含电动汽车配电网电压稳定性分析方法 | |
| CN116307647A (zh) | 电动汽车充电站选址定容优化方法、装置及存储介质 | |
| CN114039370A (zh) | 基于v2g模式的电动汽车与智能充放电站的资源优化方法 | |
| Jiang et al. | Optimal configuration of electric vehicles for charging stations under the fast power supplement mode | |
| CN115330267A (zh) | 基于需求行为的充换电设施布局方法、装置、设备及介质 | |
| CN115660501A (zh) | 电动汽车充电负荷可调裕度评估方法 | |
| Sheng et al. | Emission-concerned coordinated dispatching of electrified autonomous mobility-on-demand system and power system incorporating heterogeneous spatiotemporal scales | |
| He et al. | Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation | |
| Lin et al. | Aggregator pricing and electric vehicles charging strategy based on a two-layer deep learning model | |
| Bui et al. | Clustering-based optimal operation of charging stations under high penetration of electric vehicles | |
| Zhang et al. | A multi-objective site selection of electric vehicle charging station based on NSGA-II | |
| 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 | |
| Tian et al. | A Electric Vehicle Charging Station Optimization Model Based on Fully Electrified Forecasting Method. | |
| CN113222241B (zh) | 考虑充电服务引导与客户需求的出租车快充电站规划方法 | |
| CN113361789A (zh) | 一种基于层次化博弈的充电站服务定价方法 |
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 |