CN117994116A - 考虑降碳增效的居民区电动汽车充电站定容方法及系统 - Google Patents
考虑降碳增效的居民区电动汽车充电站定容方法及系统 Download PDFInfo
- Publication number
- CN117994116A CN117994116A CN202410405072.8A CN202410405072A CN117994116A CN 117994116 A CN117994116 A CN 117994116A CN 202410405072 A CN202410405072 A CN 202410405072A CN 117994116 A CN117994116 A CN 117994116A
- Authority
- CN
- China
- Prior art keywords
- charging station
- charging
- carbon emission
- configuration
- service coverage
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 96
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000009467 reduction Effects 0.000 title claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 13
- 238000006467 substitution reaction Methods 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004513 sizing Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑降碳增效的居民区电动汽车充电站定容方法及系统,获取用户驶向充电站的碳排放量以及充电站的服务覆盖率;根据碳排放量和所述服务覆盖率构建在充电站配置约束条件下以充电站的服务覆盖率最大以及用户驶向充电站的碳排放量最小为目标函数构建充电站的配置优化模型,采用改进的布谷鸟算法对配置优化模型进行求解,得到充电站配置定容优化方案。能够降低成本,提升充电设施利用率,从而实现降碳增效。
Description
技术领域
本发明属于充电站定容技术领域,尤其涉及一种考虑降碳增效的居民区电动汽车充电站定容方法及系统。
背景技术
作为电动汽车充电的基础设施,当前电动汽车充电站配置仍存在一些问题,用户面临充电困难和设施利用率低的挑战。为解决这些问题,科学规划充电基础设施至关重要,需要从节能降碳角度科学合理的对充电站容量进行规划以满足不断增长的充电需求。
在规划方法方面,现有方法主要从交通道路流量或配电系统约束角度考虑,或是基于充电站位置,采用排队论确定充电站容量。另外,现有方法将投资成本最小化作为规划目标,并没有考虑运行效益,尤其是在碳减排效益方面处于滞后状态,进而造成充电站整体经济性并非是最优。同时,不合理的规划设计会造成电动汽车驶向充电站路程或排队等候时间过长,造成电量消耗,增加了碳排放量。
发明内容
本发明提供一种考虑降碳增效的居民区电动汽车充电站定容方法及系统用于解决不合理的规划设计会造成电动汽车驶向充电站路程或排队等候时间过长,造成电量消耗,增加了碳排放量的技术问题。
第一方面,本发明提供一种考虑降碳增效的居民区电动汽车充电站定容方法,包括:
获取用户驶向充电站的碳排放量以及充电站的服务覆盖率;
根据所述碳排放量和所述服务覆盖率构建在充电站配置约束条件下以充电站的服务覆盖率最大以及用户驶向充电站的碳排放量最小为目标函数构建充电站的配置优化模型,其中,所述目标函数的表达式为:
,
式中,为充电站的配置优化模型的目标函数;
计算充电站的服务覆盖率的表达式为:
,
式中,为充电站的服务覆盖率,/>为第i个充电站一天能接纳电动汽车充电数量;
计算用户驶向充电站的碳排放量的表达式为:
,
式中,为用户驶向充电站的碳排放量,/>为燃油车百公里碳排放量,/>为充电站的新能源电力替代率,/>为电动汽车百公里耗电量,/>为火力发电的碳排放因子,为第i个充电站附近的主要交通道路条数,/>为交通流量中每天充电的EV比例,/>为第j条道路上的电动汽车数量,/>为第j条道路到第i个充电站的平均距离;
采用改进的布谷鸟算法对所述配置优化模型进行求解,得到充电站配置定容优化方案。
第二方面,本发明提供一种考虑降碳增效的居民区电动汽车充电站定容系统,包括:
获取模块,配置为获取用户驶向充电站的碳排放量以及充电站的服务覆盖率;
构建模块,配置为根据所述碳排放量和所述服务覆盖率构建在充电站配置约束条件下以充电站的服务覆盖率最大以及用户驶向充电站的碳排放量最小为目标函数构建充电站的配置优化模型,其中,所述目标函数的表达式为:
,
式中,为充电站的配置优化模型的目标函数;
计算充电站的服务覆盖率的表达式为:
,
式中,为充电站的服务覆盖率,/>为第i个充电站一天能接纳电动汽车充电数量;
计算用户驶向充电站的碳排放量的表达式为:
,
式中,为用户驶向充电站的碳排放量,/>为燃油车百公里碳排放量,/>为充电站的新能源电力替代率,/>为电动汽车百公里耗电量,/>为火力发电的碳排放因子,为第i个充电站附近的主要交通道路条数,/>为交通流量中每天充电的EV比例,/>为第j条道路上的电动汽车数量,/>为第j条道路到第i个充电站的平均距离;
求解模块,配置为采用改进的布谷鸟算法对所述配置优化模型进行求解,得到充电站配置定容优化方案。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的考虑降碳增效的居民区电动汽车充电站定容方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的考虑降碳增效的居民区电动汽车充电站定容方法的步骤。
本申请的考虑降碳增效的居民区电动汽车充电站定容方法及系统,获取用户驶向充电站的碳排放量以及充电站的运行收益,根据碳排放量和运行收益构建在充电站配置约束条件下以充电站的运行收益最大以及用户驶向充电站的碳排放量最小为目标函数构建充电站的配置优化模型,采用改进的布谷鸟算法对配置优化模型进行求解,得到充电站配置定容优化方案,能够降低成本,提升充电设施利用率,从而实现降碳增效。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种考虑降碳增效的居民区电动汽车充电站定容方法的流程图;
图2为本发明一实施例提供的一种考虑降碳增效的居民区电动汽车充电站定容系统的结构框图;
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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作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。
请参阅图1,其示出了本申请的一种考虑降碳增效的居民区电动汽车充电站定容方法的流程图。
如图1所示,考虑降碳增效的居民区电动汽车充电站定容方法具体包括以下步骤:
步骤S101,获取用户驶向充电站的碳排放量以及充电站的服务覆盖率。
在本步骤中,计算充电站的服务覆盖率的表达式为:
,
式中,为充电站的服务覆盖率,/>为第i个充电站一天能接纳电动汽车充电数量;
计算用户驶向充电站的碳排放量的表达式为:
,
式中,为用户驶向充电站的碳排放量,/>为燃油车百公里碳排放量,/>为充电站的新能源电力替代率,/>为电动汽车百公里耗电量,/>为火力发电的碳排放因子,为第i个充电站附近的主要交通道路条数,/>为交通流量中每天充电的EV比例,/>为第j条道路上的电动汽车数量,/>为第j条道路到第i个充电站的平均距离;
步骤S102,根据所述碳排放量和所述服务覆盖率构建在充电站配置约束条件下以充电站的服务覆盖率最大以及用户驶向充电站的碳排放量最小为目标函数构建充电站的配置优化模型。
在本步骤中,选择核函数(Kernel Function):核函数是用来在每个数据点周围生成核的函数。高斯核函数的形式为:
,
式中,为核函数自变量,/>为高斯核函数;
选择带宽(Bandwidth):带宽控制核的宽度,影响估计的平滑程度。如果带宽太小,估计会过于波动;如果带宽太大,估计会过于平滑。
计算核密度估计:对于第i个数据点,核密度估计/>可以通过以下公式计算:
,
其中,n为样本大小,h为带宽,为第j个数据点。
绘制核密度估计图:使用计算得到的核密度估计值绘制概率密度函数图。
利用蒙特卡洛法模拟当前居民区域日电动汽车充电负荷需求曲线,得到电动汽车充电负荷的最大值。
需要说明的是,充电站配置约束条件包括节点电压幅值的上下限约束、变电站允许接入的电动汽车充电功率容量约束以及充电设施数量约束;
所述节点电压幅值的约束的表达式:
,
式中,为配电网节点/>的电压幅值下限,/>为配电网节点/>的电压幅值,为配电网节点/>的电压幅值上限;
所述变电站允许接入的电动汽车充电功率容量约束的表达式为:
,
式中,为电动汽车充电负荷的最大值,/>为区域内第M个充电站,/>为区域内第1个充电站,/>为充电站i的充电功率,/>为变电站允许接入的电动汽车充电负荷的最大功率;
所述充电设施数量约束的表达式为:
,
式中,为充电站i的充电桩数量,/>为充电站安装充电桩的最大数量。
具体地,目标函数的表达式为:
,
式中,为充电站的配置优化模型的目标函数。
步骤S103,采用改进的布谷鸟算法对所述配置优化模型进行求解,得到充电站配置定容优化方案。
随机生成一群布谷鸟,每个布谷鸟表示一个候选解,初始化种群的大小和结构;
使用目标函数评估每个布谷鸟的适应度;
根据布谷鸟的适应度,选择优秀的巢作为合作对象;
在巢的合作行为中,引入合作因子,调整合作巢的行为,其中,合作因子通过考虑合作巢的适应度和巢之间的相似性来计算,计算合作因子的表达式为:
,
式中,CF为合作因子,BCF为基础的合作因子,为自适应调整参数,BF为当前最优解的适应度值,AF为当前巢的平均适应度值;
结合Levy飞行移动策略,使用合作因子调整的巢进行新解的生成;
对新生成的解使用目标函数进行评估;
比较新生成的解与原有巢的适应度,若新生成的解的适应度大于原有巢的适应度,则用新解替换原有巢;
根据巢的适应度和合作因子决定是否淘汰巢;
更新全局最优解,将当前群体中最好的解作为全局最优解,直到满足停止条件。
在本实施例中,通过引入合作因子,改进的布谷鸟算法可以更注重巢之间的合作和信息共享,从而更好地保持种群的多样性和适应性。
综上,本申请的方法,获取用户驶向充电站的碳排放量以及充电站的运行收益,根据碳排放量和运行收益构建在充电站配置约束条件下以充电站的运行收益最大以及用户驶向充电站的碳排放量最小为目标函数构建充电站的配置优化模型,采用改进的布谷鸟算法对配置优化模型进行求解,得到充电站配置定容优化方案,能够降低成本,提升充电设施利用率,从而实现降碳增效。
请参阅图2,其示出的一种考虑降碳增效的居民区电动汽车充电站定容系统的结构框图。
如图2所示,居民区电动汽车充电站定容系统200,包括获取模块210、构建模块220以及求解模块230。
其中,获取模块210,配置为获取用户驶向充电站的碳排放量以及充电站的服务覆盖率;
构建模块220,配置根据所述碳排放量和所述服务覆盖率构建在充电站配置约束条件下以充电站的服务覆盖率最大以及用户驶向充电站的碳排放量最小为目标函数构建充电站的配置优化模型,其中,所述目标函数的表达式为:
,
式中,为充电站的配置优化模型的目标函数;
计算充电站的服务覆盖率的表达式为:
,
式中,为充电站的服务覆盖率,/>为第i个充电站一天能接纳电动汽车充电数量;
计算用户驶向充电站的碳排放量的表达式为:
,
式中,为用户驶向充电站的碳排放量,/>为燃油车百公里碳排放量,/>为充电站的新能源电力替代率,/>为电动汽车百公里耗电量,/>为火力发电的碳排放因子,为第i个充电站附近的主要交通道路条数,/>为交通流量中每天充电的EV比例,/>为第j条道路上的电动汽车数量,/>为第j条道路到第i个充电站的平均距离;
求解模块230,配置为采用改进的布谷鸟算法对所述配置优化模型进行求解,得到充电站配置定容优化方案。
应当理解,图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块,在此不再赘述。
在另一些实施例中,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的考虑降碳增效的居民区电动汽车充电站定容方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
获取用户驶向充电站的碳排放量以及充电站的服务覆盖率;
根据所述碳排放量和所述服务覆盖率构建在充电站配置约束条件下以充电站的服务覆盖率最大以及用户驶向充电站的碳排放量最小为目标函数构建充电站的配置优化模型,其中,所述目标函数的表达式为:
,
式中,为充电站的配置优化模型的目标函数;
计算充电站的服务覆盖率的表达式为:
,
式中,为充电站的服务覆盖率,/>为第i个充电站一天能接纳电动汽车充电数量;
计算用户驶向充电站的碳排放量的表达式为:
,
式中,为用户驶向充电站的碳排放量,/>为燃油车百公里碳排放量,/>为充电站的新能源电力替代率,/>为电动汽车百公里耗电量,/>为火力发电的碳排放因子,为第i个充电站附近的主要交通道路条数,/>为交通流量中每天充电的EV比例,/>为第j条道路上的电动汽车数量,/>为第j条道路到第i个充电站的平均距离;
采用改进的布谷鸟算法对所述配置优化模型进行求解,得到充电站配置定容优化方案。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据考虑降碳增效的居民区电动汽车充电站定容系统的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至考虑降碳增效的居民区电动汽车充电站定容系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图,如图3所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例考虑降碳增效的居民区电动汽车充电站定容方法。输入装置330可接收输入的数字或字符信息,以及产生与考虑降碳增效的居民区电动汽车充电站定容系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于考虑降碳增效的居民区电动汽车充电站定容系统中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取用户驶向充电站的碳排放量以及充电站的服务覆盖率;
根据所述碳排放量和所述服务覆盖率构建在充电站配置约束条件下以充电站的服务覆盖率最大以及用户驶向充电站的碳排放量最小为目标函数构建充电站的配置优化模型,其中,所述目标函数的表达式为:
,
式中,为充电站的配置优化模型的目标函数;
计算充电站的服务覆盖率的表达式为:
,
式中,为充电站的服务覆盖率,/>为第i个充电站一天能接纳电动汽车充电数量;
计算用户驶向充电站的碳排放量的表达式为:
,
式中,为用户驶向充电站的碳排放量,/>为燃油车百公里碳排放量,/>为充电站的新能源电力替代率,/>为电动汽车百公里耗电量,/>为火力发电的碳排放因子,为第i个充电站附近的主要交通道路条数,/>为交通流量中每天充电的EV比例,/>为第j条道路上的电动汽车数量,/>为第j条道路到第i个充电站的平均距离;
采用改进的布谷鸟算法对所述配置优化模型进行求解,得到充电站配置定容优化方案。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种考虑降碳增效的居民区电动汽车充电站定容方法,其特征在于,包括:
获取用户驶向充电站的碳排放量以及充电站的服务覆盖率;
根据所述碳排放量和所述服务覆盖率构建在充电站配置约束条件下以充电站的服务覆盖率最大以及用户驶向充电站的碳排放量最小为目标函数构建充电站的配置优化模型,其中,所述目标函数的表达式为:
,
式中,为充电站的配置优化模型的目标函数;
计算充电站的服务覆盖率的表达式为:
,
式中,为充电站的服务覆盖率,/>为第i个充电站一天能接纳电动汽车充电数量;
计算用户驶向充电站的碳排放量的表达式为:
,
式中,为用户驶向充电站的碳排放量,/>为燃油车百公里碳排放量,/>为充电站的新能源电力替代率,/>为电动汽车百公里耗电量,/>为火力发电的碳排放因子,/>为第i个充电站附近的主要交通道路条数,/>为交通流量中每天充电的EV比例,/>为第j条道路上的电动汽车数量,/>为第j条道路到第i个充电站的平均距离;
采用改进的布谷鸟算法对所述配置优化模型进行求解,得到充电站配置定容优化方案。
2.根据权利要求1所述的一种考虑降碳增效的居民区电动汽车充电站定容方法,其特征在于,所述充电站配置约束条件包括节点电压幅值的上下限约束、变电站允许接入的电动汽车充电功率容量约束以及充电设施数量约束;
所述节点电压幅值的约束的表达式:
,
式中,为配电网节点/>的电压幅值下限,/>为配电网节点/>的电压幅值,/>为配电网节点/>的电压幅值上限;
所述变电站允许接入的电动汽车充电功率容量约束的表达式为:
,
式中,为电动汽车充电负荷的最大值,/>为区域内第M个充电站,/>为区域内第1个充电站,/>为充电站i的充电功率,/>为变电站允许接入的电动汽车充电负荷的最大功率;
所述充电设施数量约束的表达式为:
,
式中,为充电站i的充电桩数量,/>为充电站安装充电桩的最大数量。
3.根据权利要求1所述的一种考虑降碳增效的居民区电动汽车充电站定容方法,其特征在于,所述采用改进的布谷鸟算法对所述配置优化模型进行求解,得到充电站配置定容优化方案包括:
随机生成一群布谷鸟,每个布谷鸟表示一个候选解,初始化种群的大小和结构;
使用目标函数评估每个布谷鸟的适应度;
根据布谷鸟的适应度,选择优秀的巢作为合作对象;
在巢的合作行为中,引入合作因子,调整合作巢的行为,其中,合作因子通过考虑合作巢的适应度和巢之间的相似性来计算,计算合作因子的表达式为:
,
式中,CF为合作因子,BCF为基础的合作因子,为自适应调整参数,BF为当前最优解的适应度值,AF为当前巢的平均适应度值;
结合Levy飞行移动策略,使用合作因子调整的巢进行新解的生成;
对新生成的解使用目标函数进行评估;
比较新生成的解与原有巢的适应度,若新生成的解的适应度大于原有巢的适应度,则用新解替换原有巢;
根据巢的适应度和合作因子决定是否淘汰巢;
更新全局最优解,将当前群体中最好的解作为全局最优解,直到满足停止条件。
4.一种考虑降碳增效的居民区电动汽车充电站定容系统,其特征在于,包括:
获取模块,配置为获取用户驶向充电站的碳排放量以及充电站的服务覆盖率;
构建模块,配置为根据所述碳排放量和所述服务覆盖率构建在充电站配置约束条件下以充电站的服务覆盖率最大以及用户驶向充电站的碳排放量最小为目标函数构建充电站的配置优化模型,其中,所述目标函数的表达式为:
,
式中,为充电站的配置优化模型的目标函数;
计算充电站的服务覆盖率的表达式为:
,
式中,为充电站的服务覆盖率,/>为第i个充电站一天能接纳电动汽车充电数量;
计算用户驶向充电站的碳排放量的表达式为:
,
式中,为用户驶向充电站的碳排放量,/>为燃油车百公里碳排放量,/>为充电站的新能源电力替代率,/>为电动汽车百公里耗电量,/>为火力发电的碳排放因子,/>为第i个充电站附近的主要交通道路条数,/>为交通流量中每天充电的EV比例,/>为第j条道路上的电动汽车数量,/>为第j条道路到第i个充电站的平均距离;
求解模块,配置为采用改进的布谷鸟算法对所述配置优化模型进行求解,得到充电站配置定容优化方案。
5.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至3任一项所述的方法。
6.一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权利要求1至3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410405072.8A CN117994116A (zh) | 2024-04-07 | 2024-04-07 | 考虑降碳增效的居民区电动汽车充电站定容方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410405072.8A CN117994116A (zh) | 2024-04-07 | 2024-04-07 | 考虑降碳增效的居民区电动汽车充电站定容方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117994116A true CN117994116A (zh) | 2024-05-07 |
Family
ID=90889296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410405072.8A Pending CN117994116A (zh) | 2024-04-07 | 2024-04-07 | 考虑降碳增效的居民区电动汽车充电站定容方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117994116A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403289A (zh) * | 2017-09-19 | 2017-11-28 | 合肥工业大学 | 一种考虑接入光伏发电站的高速公路充电站选址定容方法 |
CN109858684A (zh) * | 2019-01-08 | 2019-06-07 | 杭州市电力设计院有限公司 | 电动汽车充电站选址定容方法 |
CN113873531A (zh) * | 2021-08-31 | 2021-12-31 | 南京邮电大学 | 一种d2d辅助无人机基站实现目标区域全覆盖的设计方法 |
CN114297809A (zh) * | 2021-12-20 | 2022-04-08 | 上海电机学院 | 一种电动汽车充电站选址定容方法 |
CN115471007A (zh) * | 2022-09-30 | 2022-12-13 | 国网北京市电力公司 | 考虑综合成本的充电站选址定容方法、装置、设备及介质 |
CN116307647A (zh) * | 2023-05-24 | 2023-06-23 | 国网山西省电力公司太原供电公司 | 电动汽车充电站选址定容优化方法、装置及存储介质 |
CN117035185A (zh) * | 2023-08-16 | 2023-11-10 | 山东交通学院 | 基于动态充电需求的电动汽车充电站布局优化方法及系统 |
-
2024
- 2024-04-07 CN CN202410405072.8A patent/CN117994116A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403289A (zh) * | 2017-09-19 | 2017-11-28 | 合肥工业大学 | 一种考虑接入光伏发电站的高速公路充电站选址定容方法 |
CN109858684A (zh) * | 2019-01-08 | 2019-06-07 | 杭州市电力设计院有限公司 | 电动汽车充电站选址定容方法 |
CN113873531A (zh) * | 2021-08-31 | 2021-12-31 | 南京邮电大学 | 一种d2d辅助无人机基站实现目标区域全覆盖的设计方法 |
CN114297809A (zh) * | 2021-12-20 | 2022-04-08 | 上海电机学院 | 一种电动汽车充电站选址定容方法 |
CN115471007A (zh) * | 2022-09-30 | 2022-12-13 | 国网北京市电力公司 | 考虑综合成本的充电站选址定容方法、装置、设备及介质 |
CN116307647A (zh) * | 2023-05-24 | 2023-06-23 | 国网山西省电力公司太原供电公司 | 电动汽车充电站选址定容优化方法、装置及存储介质 |
CN117035185A (zh) * | 2023-08-16 | 2023-11-10 | 山东交通学院 | 基于动态充电需求的电动汽车充电站布局优化方法及系统 |
Non-Patent Citations (3)
Title |
---|
官嘉玉等: ""考虑电动汽车随机充电行为及低碳效益的充电站规划"", 《电力科学与技术学报, vol. 34, no. 4, 31 December 2019 (2019-12-31), pages 93 - 100 * |
李煜: "《前端规划》", 31 October 2020, 中国经济出版社, pages: 95 - 96 * |
黄敏丽等: ""基于改进布谷鸟算法的电动汽车换电站有序充电策略研究"", 《中国电机工程学报》, vol. 38, no. 04, 17 October 2017 (2017-10-17), pages 1075 - 1084 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A model predictive control approach in microgrid considering multi-uncertainty of electric vehicles | |
Liang et al. | Mobility-aware charging scheduling for shared on-demand electric vehicle fleet using deep reinforcement learning | |
Wang et al. | A scenario-based stochastic optimization model for charging scheduling of electric vehicles under uncertainties of vehicle availability and charging demand | |
Xiong et al. | Vehicle grid integration for demand response with mixture user model and decentralized optimization | |
Sachan et al. | Stochastic charging of electric vehicles in smart power distribution grids | |
CN109390979B (zh) | 一种综合能源系统的优化控制方法 | |
Borozan et al. | Strategic network expansion planning with electric vehicle smart charging concepts as investment options | |
Moghaddam et al. | An online reinforcement learning approach for dynamic pricing of electric vehicle charging stations | |
Fallah-Mehrjardi et al. | Charge scheduling of electric vehicles in smart parking-lot under future demands uncertainty | |
CN116001624A (zh) | 基于深度强化学习的一桩多联电动汽车有序充电方法 | |
Wu et al. | Charging demand forecasting of electric vehicles considering uncertainties in a microgrid | |
Guo et al. | Robust energy management for industrial microgrid considering charging and discharging pressure of electric vehicles | |
Yang et al. | Regulating the collective charging load of electric taxi fleet via real-time pricing | |
CN111563637A (zh) | 基于需求响应的多目标概率最优潮流计算方法及装置 | |
Lu et al. | Charging and relocating optimization for electric vehicle car-sharing: an event-based strategy improvement approach | |
Goh et al. | Mid-and long-term strategy based on electric vehicle charging unpredictability and ownership estimation | |
CN116454914A (zh) | 一种多类型资源复合调频模型的构建方法及装置 | |
CN115587645A (zh) | 一种考虑充电行为随机性的电动汽车充电管理方法及系统 | |
Wang et al. | Electric vehicle charging scheduling strategy for supporting load flattening under uncertain electric vehicle departures | |
Wu et al. | Event-triggered model predictive control for dynamic energy management of electric vehicles in microgrids | |
Xiang et al. | Reliability‐oriented optimal planning of charging stations in electricity–transportation coupled networks | |
Ren et al. | Optimal dynamic power allocation for electric vehicles in an extreme fast charging station | |
Prasanna Moorthy et al. | A hybrid technique based energy management in hybrid electric vehicle system | |
Zhang et al. | Optimal operation of energy storage system in photovoltaic-storage charging station based on intelligent reinforcement learning | |
CN107025610B (zh) | 一种数据中心成本优化方法 |
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 |