CN117852725A - 一种电动汽车虚拟储能集群调度目标协同优化方法及系统 - Google Patents
一种电动汽车虚拟储能集群调度目标协同优化方法及系统 Download PDFInfo
- Publication number
- CN117852725A CN117852725A CN202410256500.5A CN202410256500A CN117852725A CN 117852725 A CN117852725 A CN 117852725A CN 202410256500 A CN202410256500 A CN 202410256500A CN 117852725 A CN117852725 A CN 117852725A
- Authority
- CN
- China
- Prior art keywords
- electric automobile
- charging
- energy management
- cluster
- quantum genetic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 230000002068 genetic effect Effects 0.000 claims abstract description 64
- 238000007599 discharging Methods 0.000 claims abstract description 47
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 239000002096 quantum dot Substances 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 17
- 210000000349 chromosome Anatomy 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 230000002759 chromosomal effect Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 description 39
- 230000001276 controlling effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 241000899793 Hypsophrys nicaraguensis Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种电动汽车虚拟储能集群调度目标协同优化方法及系统,属于电动汽车优化调度技术领域。方法包括:建立用于分层能量管理的分层架构,将电动汽车划分为集群,获得电动汽车虚拟储能集群;构建多目标量子遗传算法,根据终端用户确定的电动汽车充放电服务的各项参数和所述多目标量子遗传算法,对预设模型进行求解,得到多目标量子遗传能量管理策略;根据所述多目标量子遗传能量管理策略,对电动汽车虚拟储能集群调度进行优化控制。本方法采用分层能量管理方式形成分层架构,针对不同的集群考虑用户意愿,通过多目标量子遗传算法求解得到多目标量子遗传能量管理策略,实现目标协同的电动汽车优化调度,提高了电网调度效率。
Description
技术领域
本发明属于电动汽车优化调度技术领域,尤其涉及一种电动汽车虚拟储能集群调度目标协同优化方法及系统。
背景技术
电动汽车保有量持续增加,电动汽车储能电池的合理利用是世界各国的研究热点。电动汽车参与电网协同调度将涉及多方面协同目标,多目标遗传算法(Multi-Objective Genetic Algorithm; MOGA)是专门设计用于处理同时考虑多个目标函数的优化问题,可按照电动汽车参与电网协同调度的发展进程及时改进调整。现有电动汽车集群调度的模式单一以及其参与电网调度的不稳定性,需要电动汽车虚拟储能集群调度的目标协同优化策略,保障电网调度响应、经济性和考虑用户意愿等目标。
现有集群电动汽车虚拟储能参与区域电网协同调度中,存在电网调度响应不充分、运营经济性不高且未充分考虑用户意愿的缺陷,并且电网调度中心承受较大的数据采集、存储和计算压力,调度效率较低。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种电动汽车虚拟储能集群调度目标协同优化方法及系统,采用分层能量管理方式形成分层架构,针对不同的集群考虑用户意愿,通过多目标量子遗传算法求解得到多目标量子遗传能量管理策略,实现目标协同的电动汽车优化调度,提高了电网调度效率。
根据本发明的一个方面,本发明提供了一种电动汽车虚拟储能集群调度目标协同优化方法,所述方法包括:
步骤A、建立用于分层能量管理的分层架构,将电动汽车划分为集群,获得电动汽车虚拟储能集群;
步骤B、构建多目标量子遗传算法,根据终端用户确定的电动汽车充放电服务的各项参数和所述多目标量子遗传算法,对预设模型进行求解,得到多目标量子遗传能量管理策略;
步骤C、根据所述多目标量子遗传能量管理策略,对电动汽车虚拟储能集群调度进行优化控制。
优选地,所述步骤A中建立用于分层能量管理的分层架构包括:
将系统划分为响应控制层、集群聚合商层和电网层;
在响应控制层,终端用户确定电动汽车充放电服务的各项参数,通过各集群的能量管理控制中心将数据发送至集群聚合商层;
在集群聚合商层,根据电网调度中心规定的实时电价信息和调度指令,对电动汽车的充放电行为进行决策;
在电网层,调度中心根据当前配电网的负荷信息对电价、各种调节资源进行调整。
优选地,所述步骤A中将电动汽车划分为集群包括:
通过分层控制方式,根据电动汽车的不同集群聚合商将电动汽车分为各集群,通过所述集群聚合商对电动汽车虚拟储能进行调度。
优选地,所述步骤B中构建多目标量子遗传算法包括:
在量子遗传算法中,采用变异旋转门以及自适应旋转角/>:
,/>
式中,是种群个体适应度;/>是种群个体适应度差值;/>为种群个体适应度差值的控制变量;/>为种群个体适应度差值的迭代值;c为模型中的控制参数;常量/>和/>分别表示量子旋转门旋转角的最大值和最小值;/>、/>和/>分别表示种群个体适应度的平均值、迭代值和最小值; rand 为随机值;/>表示旋转角的旋转方向;/>避免最终结果陷入局部最优解空间,ε为阈值;其中/>和/>分别表示量子位坍缩与0、1状态的概率,采用量子位编码的染色体为/>,m为两只染色体基因的长度,/>表示染色体第i位的量子位坍缩与0、1状态的概率参数,/>为一次二次迭代值。
优选地,所述步骤B中对预设模型进行求解,得到多目标量子遗传能量管理策略包括:
对电动汽车进行分类:按照其是否具备调节裕度,将电动汽车分为刚性和柔性两种类型;
确定电动汽车充放电优先级:根据电动汽车分类和可控调节系数确定电动汽车充放电时间;
确定充放电功率矩阵:根据电动汽车充放电时间区间和电网调度周期确定每辆电动汽车的充放电功率。
根据本发明的另一个方面,本发明还提供了一种电动汽车虚拟储能集群调度目标协同优化系统,所述系统包括:
处理模块,用于建立用于分层能量管理的分层架构,将电动汽车划分为集群,获得电动汽车虚拟储能集群;
求解模块,用于构建多目标量子遗传算法,根据终端用户确定的电动汽车充放电服务的各项参数和所述多目标量子遗传算法,对预设模型进行求解,得到多目标量子遗传能量管理策略;
优化模块,用于根据所述多目标量子遗传能量管理策略,对电动汽车虚拟储能集群调度进行优化控制。
优选地,所述处理模块建立用于分层能量管理的分层架构包括:
将系统划分为响应控制层、集群聚合商层和电网层;
在响应控制层,终端用户确定电动汽车充放电服务的各项参数,通过各集群的能量管理控制中心将数据发送至集群聚合商层;
在集群聚合商层,根据电网调度中心规定的实时电价信息和调度指令,对电动汽车的充放电行为进行决策;
在电网层,调度中心根据当前配电网的负荷信息对电价、各种调节资源进行调整。
优选地,所述处理模块将电动汽车划分为集群包括:
通过分层控制方式,根据电动汽车的不同集群聚合商将电动汽车分为各集群,通过所述集群聚合商对电动汽车虚拟储能进行调度。
优选地,所述求解模块构建多目标量子遗传算法包括:
在量子遗传算法中,采用变异旋转门以及自适应旋转角/>:
,/>
式中,是种群个体适应度;/>是种群个体适应度差值;/>为种群个体适应度差值的控制变量;/>为种群个体适应度差值的迭代值;c为模型中的控制参数;常量/>和/>分别表示量子旋转门旋转角的最大值和最小值;/>、/>和/>分别表示种群个体适应度的平均值、迭代值和最小值; rand 为随机值;/>表示旋转角的旋转方向;/>避免最终结果陷入局部最优解空间,ε为阈值;其中/>和/>分别表示量子位坍缩与0、1状态的概率,采用量子位编码的染色体为/>,m为两只染色体基因的长度,/>表示染色体第i位的量子位坍缩与0、1状态的概率参数,/>为一次二次迭代值。
优选地,所述求解模块对预设模型进行求解,得到多目标量子遗传能量管理策略包括:
对电动汽车进行分类:按照其是否具备调节裕度,将电动汽车分为刚性和柔性两种类型;
确定电动汽车充放电优先级:根据电动汽车分类和可控调节系数确定电动汽车充放电时间;
确定充放电功率矩阵:根据电动汽车充放电时间区间和电网调度周期确定每辆电动汽车的充放电功率。
有益效果:本发明采用分层能量管理方式形成分层架构,针对不同的集群考虑用户意愿,通过多目标量子遗传算法求解得到多目标量子遗传能量管理策略,实现目标协同的电动汽车优化调度,避免电网调度中心承受数据采集、存储和计算压力,可以将集中式问题分散并行求解,使问题求解复杂度降低,增大求解效率,从而提高了电网调度效率。
通过参照以下附图及对本发明的具体实施方式的详细描述,本发明的特征及优点将会变得清楚。
附图说明
图1是电动汽车虚拟储能集群调度目标协同优化方法流程图;
图2是电动汽车虚拟储能的分层控制框架示意图;
图3是根据精英保留策略进行模型求解的流程示意图;
图4是电动汽车虚拟储能集群调度目标协同优化系统示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1是电动汽车虚拟储能集群调度目标协同优化方法流程图。如图1所示,本发明提供了一种电动汽车虚拟储能集群调度目标协同优化方法,所述方法包括:
步骤A、建立用于分层能量管理的分层架构,将电动汽车划分为集群,获得电动汽车虚拟储能集群;
步骤B、构建多目标量子遗传算法,根据终端用户确定的电动汽车充放电服务的各项参数和所述多目标量子遗传算法,对预设模型进行求解,得到多目标量子遗传能量管理策略;
步骤C、根据所述多目标量子遗传能量管理策略,对电动汽车虚拟储能集群调度进行优化控制。
通过本实施例的方法,采用分层能量管理方式形成分层架构,针对不同的集群考虑用户意愿,通过多目标量子遗传算法求解得到多目标量子遗传能量管理策略,实现目标协同的电动汽车优化调度。
优选地,所述步骤A中建立用于分层能量管理的分层架构包括:
将系统划分为响应控制层、集群聚合商层和电网层;
在响应控制层,终端用户确定电动汽车充放电服务的各项参数,通过各集群的能量管理控制中心将数据发送至集群聚合商层;
在集群聚合商层,根据电网调度中心规定的实时电价信息和调度指令,对电动汽车的充放电行为进行决策;
在电网层,调度中心根据当前配电网的负荷信息对电价、各种调节资源进行调整。
具体地,对集群电动汽车分层能量管理系统的构成进行分析,将系统分为三层:配电网层包括配电网和电网调度中心、集群聚合商层包括各级聚合商和终端响应层包括电动汽车终端和充电站能量管理中心。
如图2所示,图2中从下到上,为响应控制层、集群聚合商层和电网层。在响应控制层:电动汽车用户选择接入电网后,用户向聚合商上报车辆入网的信息,并依据聚合商反馈的充放电电价和协同调度数据,结合电动汽车用户自身充放电需求等多重因素,用户决定选择是否参与电网优化调控。集群聚合商层:电动汽车聚合商依据用户上报的车辆信息及参与意愿整合所管辖区内可调控车辆总体充电需求、电网调度指令和协同功率指令要求和聚合商运营收益来制定最优充放电策略优化电动汽车虚拟储能调度。电网层:包括配电网和电网调度中心两部分,电动汽车用户可以通过配电网直接对自身能量进行优化管理,配电网通常采用设置电价的方式,改变用户接入电网充电的时间或改变入网充电的功率,甚至通过价格差激励用户反向放电提升配电网自身的稳定运行;电网调度中心将在配电网的基础上通过计算机对集群聚合商上传的数据进行整合,按规定的发电规划及监控原则,对电网的运营状况进行监视和统计,分析实施管理的优缺点,保障电网自身运行需要的基础上,电网调度中心综合以上因素及时优化对集群聚合商分发的调度指令,以提升电网平稳性和保障运营经济性。
优选地,所述步骤A中将电动汽车划分为集群包括:
通过分层控制方式,根据电动汽车的不同集群聚合商将电动汽车分为各集群,通过所述集群聚合商对电动汽车虚拟储能进行调度。
具体地,通过分层控制方式,根据电动汽车聚合商的不同将电动汽车分为各集群,通过聚合商对电动汽车虚拟储能进行调度,与电动汽车用户和电网调度中心衔接。
分层能量控制管理中各层次功能清晰,结合集群电动汽车数量庞大、电动汽车与充电位置均分散不确定性的特点,集群电动汽车虚拟储能分层能量管理方式可以较好发挥电动汽车虚拟储能在优化调控运行中的作用。
优选地,所述步骤B中构建多目标量子遗传算法包括:
在量子遗传算法中,采用变异旋转门以及自适应旋转角/>:
,/>
式中,是种群个体适应度;/>是种群个体适应度差值;/>为种群个体适应度差值的控制变量;/>为种群个体适应度差值的迭代值;c为模型中的控制参数;常量/>和/>分别表示量子旋转门旋转角的最大值和最小值;/>、/>和/>分别表示种群个体适应度的平均值、迭代值和最小值; rand 为随机值;/>表示旋转角的旋转方向;/>避免最终结果陷入局部最优解空间,ε为阈值;其中/>和/>分别表示量子位坍缩与0、1状态的概率,采用量子位编码的染色体为/>,m为两只染色体基因的长度,/>表示染色体第i位的量子位坍缩与0、1状态的概率参数,/>为一次二次迭代值。
具体地,参考图3,本实施例中的量子遗传算法的具体实施步骤如下:
量子遗传算法的编码方式通常采用基于量子位和量子叠加态的方式,即量子位使用复数定义,则一个量子位的状态可用一个复数表示为公式,量子染色体采用量子位编码的方式本发明区别于传统量子旋转门,采用变异旋转门以及自适应旋转角/>:
,/>
式中云模型中的控制参数表示为c;常量用和/>表示量子旋转门旋转角的最大值和最小值;种群个体适应度的平均值和最小值(最优个体)用/>和/>表示; rand 为随机值;旋转角的旋转方向用/>表示。/>避免最终结果陷入局部最优解空间,调整概率幅的上下限收敛于/>或/>,优选的取参数数值为:
c=2,=/>,/>=/>,/>。
采用基于小生境进化策略对种群进行初始化,具有较多的搜索方向,极大提高搜索效率的同时,可以保持初始种群均匀的分布。在解空间中,种群个数为 n ,,第 j 组染色体/>可表示为公式。
本实施例提出自适应的变异和交叉概率,在局部最优时种群的变异概率将会相应调整变大,为种群增加新的个体基因,为避免局部最优解和保证算法的全局搜索能力。如下两个式所示:
式中、/>和/>是种群的迭代次数、最优值不变的代数累计和自定义设定的最大迭代次数。根据上式可知,/>和/>发生变化时,/>和/>会随着其变化进行自适应调整。
量子遗传算法中的种群在进化时,个体的基因信息会发生改变。本实施例将进化时产生的Pareto 最优解集整合存储到一个外部存档。具体流程包括:
第一步:初始化父代种群 Q。
第二步:迭代到完成:
1)生成子代种群。
2)对父代和子代种群合并为。
3)对种群进行非支配快速排序,并获取新种群的个体Pareto 等级。
4)对相同等级个体之间的拥挤距离进行计算。
5)结合、个体Pareto 等级和拥挤距离,获取新种群定义为新父代种群/>。
6)将外部存档与新父代种群/>合并为种群/>。
7)对种群进行非支配快速排序,并获取新种群的个体 Pareto 等级。
8)依据中每个体的 Pareto 等级更新外部存档。
第三步:迭代完成,输出 Pareto 最优解集外部存档。
优选地,所述步骤B中对预设模型进行求解,得到多目标量子遗传能量管理策略包括:
对电动汽车进行分类:按照其是否具备调节裕度,将电动汽车分为刚性和柔性两种类型;
确定电动汽车充放电优先级:根据电动汽车分类和可控调节系数确定电动汽车充放电时间;
确定充放电功率矩阵:根据电动汽车充放电时间区间和电网调度周期确定每辆电动汽车的充放电功率。
具体如下:
1、将电动汽车分类:电动汽车处于停放并接入充电桩的状态时,按照其是否具备调节裕度,将电动汽车分为刚性和柔性两种类型。调节裕度是指电动汽车的最低充电需求在充电期间是否可以满足,若可以满足并可以随意调节充电功率,则称该电动汽车具备调节裕度。
2、确定电动汽车充电优先级:根据电动汽车属性和电动汽车的可控系数确定电动汽车的充放电的优先级。
3、确定电动汽车的充放电功率矩阵:由于电动汽车出行和充放电行为均具有不确定性,这些都会影响集群电动汽车充电场所的实际充放电功率产生变化。根据不同的电网调度周期(min)按照调度时间间隔合理划分功率矩阵时间间隔为/>(min),确定/>其充放电功率矩阵
经过上述三个步骤的之后,形成集群电动汽车分层能量管理系统的总体架构,基于多目标量子遗传算法,完成针对各集群电动汽车制定得多目标量遗传能量管理策略。
本实施例采用分层能量管理方式形成分层架构,针对不同的集群考虑用户意愿,通过多目标量子遗传算法求解得到多目标量子遗传能量管理策略,实现目标协同的电动汽车优化调度,避免电网调度中心承受数据采集、存储和计算压力,可以将集中式问题分散并行求解,使问题求解复杂度降低,增大求解效率,从而提高了电网调度效率。
实施例2
图4是电动汽车虚拟储能集群调度目标协同优化系统示意图。如图4所示,本实施例提供了一种电动汽车虚拟储能集群调度目标协同优化系统,所述系统包括:
处理模块401,用于建立用于分层能量管理的分层架构,将电动汽车划分为集群,获得电动汽车虚拟储能集群;
求解模块402,用于构建多目标量子遗传算法,根据终端用户确定的电动汽车充放电服务的各项参数和所述多目标量子遗传算法,对预设模型进行求解,得到多目标量子遗传能量管理策略;
优化模块403,用于根据所述多目标量子遗传能量管理策略,对电动汽车虚拟储能集群调度进行优化控制。
优选地,所述处理模块401建立用于分层能量管理的分层架构包括:
将系统划分为响应控制层、集群聚合商层和电网层;
在响应控制层,终端用户确定电动汽车充放电服务的各项参数,通过各集群的能量管理控制中心将数据发送至集群聚合商层;
在集群聚合商层,根据电网调度中心规定的实时电价信息和调度指令,对电动汽车的充放电行为进行决策;
在电网层,调度中心根据当前配电网的负荷信息对电价、各种调节资源进行调整。
优选地,所述处理模块401将电动汽车划分为集群包括:
通过分层控制方式,根据电动汽车的不同集群聚合商将电动汽车分为各集群,通过所述集群聚合商对电动汽车虚拟储能进行调度。
优选地,所述求解模块402构建多目标量子遗传算法包括:
在量子遗传算法中,采用变异旋转门以及自适应旋转角/>:
,/>
式中,是种群个体适应度;/>是种群个体适应度差值;/>为种群个体适应度差值的控制变量;/>为种群个体适应度差值的迭代值;c为模型中的控制参数;常量/>和/>分别表示量子旋转门旋转角的最大值和最小值;/>、/>和/>分别表示种群个体适应度的平均值、迭代值和最小值; rand 为随机值;/>表示旋转角的旋转方向;/>避免最终结果陷入局部最优解空间,ε为阈值;其中/>和/>分别表示量子位坍缩与0、1状态的概率,采用量子位编码的染色体为/>,m为两只染色体基因的长度,/>表示染色体第i位的量子位坍缩与0、1状态的概率参数,/>为一次二次迭代值。
优选地,所述求解模块402对预设模型进行求解,得到多目标量子遗传能量管理策略包括:
对电动汽车进行分类:按照其是否具备调节裕度,将电动汽车分为刚性和柔性两种类型;
确定电动汽车充放电优先级:根据电动汽车分类和可控调节系数确定电动汽车充放电时间;
确定充放电功率矩阵:根据电动汽车充放电时间区间和电网调度周期确定每辆电动汽车的充放电功率。
本实施例2中各个模块所实现的功能的具体实施过程与实施例1中的实施过程相同,在此不再赘述。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种电动汽车虚拟储能集群调度目标协同优化方法,其特征在于,所述方法包括:
步骤A、建立用于分层能量管理的分层架构,将电动汽车划分为集群,获得电动汽车虚拟储能集群;
步骤B、构建多目标量子遗传算法,根据终端用户确定的电动汽车充放电服务的各项参数和所述多目标量子遗传算法,对预设模型进行求解,得到多目标量子遗传能量管理策略;
步骤C、根据所述多目标量子遗传能量管理策略,对电动汽车虚拟储能集群调度进行优化控制。
2.根据权利要求1所述的方法,其特征在于,所述步骤A中建立用于分层能量管理的分层架构包括:
将系统划分为响应控制层、集群聚合商层和电网层;
在响应控制层,终端用户确定电动汽车充放电服务的各项参数,通过各集群的能量管理控制中心将数据发送至集群聚合商层;
在集群聚合商层,根据电网调度中心规定的实时电价信息和调度指令,对电动汽车的充放电行为进行决策;
在电网层,调度中心根据当前配电网的负荷信息对电价、各种调节资源进行调整。
3.根据权利要求2所述的方法,其特征在于,所述步骤A中将电动汽车划分为集群包括:
通过分层控制方式,根据电动汽车的不同集群聚合商将电动汽车分为各集群,通过所述集群聚合商对电动汽车虚拟储能进行调度。
4.根据权利要求3所述的方法,其特征在于,所述步骤B中构建多目标量子遗传算法包括:
在量子遗传算法中,采用变异旋转门以及自适应旋转角/>:
,/>
式中,是种群个体适应度;/>是种群个体适应度差值;/>为种群个体适应度差值的控制变量;/>为种群个体适应度差值的迭代值;c为模型中的控制参数;常量/>和/>分别表示量子旋转门旋转角的最大值和最小值;/>、/>和/>分别表示种群个体适应度的平均值、迭代值和最小值; rand 为随机值;/>表示旋转角的旋转方向;/>避免最终结果陷入局部最优解空间,ε为阈值;其中/>和/>分别表示量子位坍缩与0、1状态的概率,采用量子位编码的染色体为/>,m为两只染色体基因的长度,/>表示染色体第i位的量子位坍缩与0、1状态的概率参数,/>为一次二次迭代值。
5.根据权利要求4所述的方法,其特征在于,所述步骤B中对预设模型进行求解,得到多目标量子遗传能量管理策略包括:
对电动汽车进行分类:按照其是否具备调节裕度,将电动汽车分为刚性和柔性两种类型;
确定电动汽车充放电优先级:根据电动汽车分类和可控调节系数确定电动汽车充放电时间;
确定充放电功率矩阵:根据电动汽车充放电时间区间和电网调度周期确定每辆电动汽车的充放电功率。
6.一种电动汽车虚拟储能集群调度目标协同优化系统,其特征在于,所述系统包括:
处理模块,用于建立用于分层能量管理的分层架构,将电动汽车划分为集群,获得电动汽车虚拟储能集群;
求解模块,用于构建多目标量子遗传算法,根据终端用户确定的电动汽车充放电服务的各项参数和所述多目标量子遗传算法,对预设模型进行求解,得到多目标量子遗传能量管理策略;
优化模块,用于根据所述多目标量子遗传能量管理策略,对电动汽车虚拟储能集群调度进行优化控制。
7.根据权利要求6所述的系统,其特征在于,所述处理模块建立用于分层能量管理的分层架构包括:
将系统划分为响应控制层、集群聚合商层和电网层;
在响应控制层,终端用户确定电动汽车充放电服务的各项参数,通过各集群的能量管理控制中心将数据发送至集群聚合商层;
在集群聚合商层,根据电网调度中心规定的实时电价信息和调度指令,对电动汽车的充放电行为进行决策;
在电网层,调度中心根据当前配电网的负荷信息对电价、各种调节资源进行调整。
8.根据权利要求7所述的系统,其特征在于,所述处理模块将电动汽车划分为集群包括:
通过分层控制方式,根据电动汽车的不同集群聚合商将电动汽车分为各集群,通过所述集群聚合商对电动汽车虚拟储能进行调度。
9.根据权利要求8所述的系统,其特征在于,所述求解模块构建多目标量子遗传算法包括:
在量子遗传算法中,采用变异旋转门以及自适应旋转角/>:
,/>
式中,是种群个体适应度;/>是种群个体适应度差值;/>为种群个体适应度差值的控制变量;/>为种群个体适应度差值的迭代值;c为模型中的控制参数;常量/>和/>分别表示量子旋转门旋转角的最大值和最小值;/>、/>和/>分别表示种群个体适应度的平均值、迭代值和最小值; rand 为随机值;/>表示旋转角的旋转方向;/>避免最终结果陷入局部最优解空间,ε为阈值;其中/>和/>分别表示量子位坍缩与0、1状态的概率,采用量子位编码的染色体为/>,m为两只染色体基因的长度,/>表示染色体第i位的量子位坍缩与0、1状态的概率参数,/>为一次二次迭代值。
10.根据权利要求9所述的系统,其特征在于,所述求解模块对预设模型进行求解,得到多目标量子遗传能量管理策略包括:
对电动汽车进行分类:按照其是否具备调节裕度,将电动汽车分为刚性和柔性两种类型;
确定电动汽车充放电优先级:根据电动汽车分类和可控调节系数确定电动汽车充放电时间;
确定充放电功率矩阵:根据电动汽车充放电时间区间和电网调度周期确定每辆电动汽车的充放电功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410256500.5A CN117852725B (zh) | 2024-03-06 | 2024-03-06 | 一种电动汽车虚拟储能集群调度目标协同优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410256500.5A CN117852725B (zh) | 2024-03-06 | 2024-03-06 | 一种电动汽车虚拟储能集群调度目标协同优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117852725A true CN117852725A (zh) | 2024-04-09 |
CN117852725B CN117852725B (zh) | 2024-05-24 |
Family
ID=90534918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410256500.5A Active CN117852725B (zh) | 2024-03-06 | 2024-03-06 | 一种电动汽车虚拟储能集群调度目标协同优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117852725B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111934335A (zh) * | 2020-08-18 | 2020-11-13 | 华北电力大学 | 一种基于深度强化学习的集群电动汽车充电行为优化方法 |
CN113452053A (zh) * | 2021-07-02 | 2021-09-28 | 国网吉林省电力有限公司吉林供电公司 | 一种分布式储能集群划分方法 |
WO2021189745A1 (zh) * | 2020-03-25 | 2021-09-30 | 全球能源互联网研究院有限公司 | 电动汽车充电设施的推荐方法、装置、计算机设备及存储介质 |
CN114844059A (zh) * | 2022-05-30 | 2022-08-02 | 深圳市爱识赑科技合伙企业(有限合伙) | 一种电动汽车集群参与调峰的双层优化控制方法 |
CN116154777A (zh) * | 2022-09-08 | 2023-05-23 | 南方电网电动汽车服务有限公司 | 电动汽车充电的调度控制方法、装置、计算机设备 |
CN117526311A (zh) * | 2023-11-16 | 2024-02-06 | 东方电气集团科学技术研究院有限公司 | 基于遗传算法的电动汽车集群管控方法 |
-
2024
- 2024-03-06 CN CN202410256500.5A patent/CN117852725B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021189745A1 (zh) * | 2020-03-25 | 2021-09-30 | 全球能源互联网研究院有限公司 | 电动汽车充电设施的推荐方法、装置、计算机设备及存储介质 |
CN111934335A (zh) * | 2020-08-18 | 2020-11-13 | 华北电力大学 | 一种基于深度强化学习的集群电动汽车充电行为优化方法 |
CN113452053A (zh) * | 2021-07-02 | 2021-09-28 | 国网吉林省电力有限公司吉林供电公司 | 一种分布式储能集群划分方法 |
CN114844059A (zh) * | 2022-05-30 | 2022-08-02 | 深圳市爱识赑科技合伙企业(有限合伙) | 一种电动汽车集群参与调峰的双层优化控制方法 |
CN116154777A (zh) * | 2022-09-08 | 2023-05-23 | 南方电网电动汽车服务有限公司 | 电动汽车充电的调度控制方法、装置、计算机设备 |
CN117526311A (zh) * | 2023-11-16 | 2024-02-06 | 东方电气集团科学技术研究院有限公司 | 基于遗传算法的电动汽车集群管控方法 |
Non-Patent Citations (1)
Title |
---|
王飚等: "基于改进的多目标量子遗传算法的高速服务区综合能源管理", 《电网技术》, vol. 46, no. 5, 31 May 2022 (2022-05-31), pages 1742 - 1751 * |
Also Published As
Publication number | Publication date |
---|---|
CN117852725B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110416998B (zh) | 一种基于虚拟发电厂的地区复杂配网调度控制管理系统 | |
Salinas et al. | Multi-objective optimal energy consumption scheduling in smart grids | |
CN110112767B (zh) | 广域多形态需求侧负荷参与系统调峰的荷源优化控制方法 | |
CN109657993B (zh) | 一种基于非合作博弈的能源局域网储能系统自动需求响应方法 | |
CN112465181A (zh) | 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法 | |
CN109599856A (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
CN107994595A (zh) | 一种削峰填谷控制方法和系统以及应用该控制方法的系统 | |
CN107069776B (zh) | 一种平滑微网联络线功率的储能前瞻分布式控制方法 | |
CN111682536B (zh) | 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法 | |
CN110994694A (zh) | 计及差异化需求响应的微电网源荷储协调优化调度方法 | |
CN114256836B (zh) | 一种新能源电站共享储能的容量优化配置方法 | |
CN108197726A (zh) | 一种基于改进进化算法的家庭能量数据优化方法 | |
CN115147245A (zh) | 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法 | |
CN116090739A (zh) | 一种综合考虑电动汽车有序充电的虚拟电厂优化调度方法 | |
CN111126765A (zh) | 一种电动汽车群联合优化方法及系统 | |
CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其系统 | |
CN109038654B (zh) | 一种考虑分布式风电高渗透并网的配电系统优化运行方法 | |
CN117526311A (zh) | 基于遗传算法的电动汽车集群管控方法 | |
CN109950900A (zh) | 基于电动汽车负荷最小峰值模型的微网负荷削减控制方法 | |
CN117852725B (zh) | 一种电动汽车虚拟储能集群调度目标协同优化方法及系统 | |
CN117170839A (zh) | 基于云资源算力分配减少数据中心用能成本方法 | |
CN110599032A (zh) | 一种灵活电源的深度斯坦伯格自适应动态博弈方法 | |
CN113904331B (zh) | 变频空调集群参与电力系统辅助调控方法、装置和系统 | |
CN112100743B (zh) | 适用于平抑新能源出力波动的电动汽车虚拟机组调控方法 | |
CN114493090A (zh) | 工业园区综合能源智能管控方法及装置 |
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 |