WO2021098352A1 - 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 - Google Patents
一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 Download PDFInfo
- Publication number
- WO2021098352A1 WO2021098352A1 PCT/CN2020/114922 CN2020114922W WO2021098352A1 WO 2021098352 A1 WO2021098352 A1 WO 2021098352A1 CN 2020114922 W CN2020114922 W CN 2020114922W WO 2021098352 A1 WO2021098352 A1 WO 2021098352A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- charging
- node
- power
- traffic
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004146 energy storage Methods 0.000 claims abstract description 34
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Definitions
- the invention relates to the technical field of power grids, in particular to a method for establishing an active distribution network planning model considering the location and capacity of electric vehicle charging stations.
- DG Distributed Generation
- EV Electric Vehicles
- the power planning content of the distribution network has become more complex, and more considerations need to be taken in terms of access costs and comprehensive benefits. the elements of.
- DG output and load demand have significantly different timing characteristics.
- Reasonable access to energy storage equipment can store energy during low power consumption periods and release energy during peak power consumption periods to achieve complementarity between DG and load demand and reduce The overall cost of the planning scheme.
- the access of EV charging stations will bring about charging load, and its location and capacity issues will also affect the stability of the distribution network and the convenience of EV travel. Therefore, the establishment of an effective planning model including wind and solar storage and charging stations is of great significance to the active distribution network.
- the purpose of the present invention is to provide a method for establishing an active distribution network planning model considering the location and capacity of electric vehicle charging stations. Under the new situation, the results of the distribution network planning can be more adapted to the energy development trend under the new situation.
- the invention adopts the following scheme to realize: a method for establishing an active distribution network planning model considering the location and capacity of electric vehicle charging stations, including the following steps:
- Step S1 Establish a transportation network, based on the M/M/s queuing model and the closure location model, establish a transportation network with electric vehicle charging stations;
- Step S2 Establish an active distribution network model, establish a time series model of distributed power sources and loads based on the time sequence method; establish an energy storage model based on the principle of equivalent load;
- Step S3 By converting the electric vehicle traffic flow into the equivalent load of the equivalent charging station, the transportation network and the power grid are coupled together, and an active distribution network embedded planning model considering the transportation network is established.
- step S1 is:
- Step S11 Calculate the EV charging power demand
- N B is the demand for a battery pack per day
- N EVi is the ownership of the i-th EV
- L di respectively, and L 0i EV i-th and the average distance traveled per day once a full charge can travel distance
- a i, B i, and K EVdi respectively attendance EV i-th battery replacement ratio and the number of each vehicle equipped with the battery pack;
- the charging power requirement is:
- ⁇ tran is the efficiency of the transformer
- ⁇ charge is the efficiency of the charger
- P c is the average charging power
- t charge is the charging time
- Step S12 Establish a charging station location and capacity model
- the traffic flow intercepted by a single charging station is calculated according to the following formula:
- Equation (3) Represents the unit value of the one-way traffic demand of the shortest path k at time period t; ⁇ ko and ⁇ kd are the traffic demand weights of the start and end points of the path k, respectively, to indicate the busyness of each traffic node; D k is the path The unit value of k length; ⁇ t and ⁇ RH are the travel proportions of EV users in time t and peak time h respectively; ⁇ od is the shortest path set from any starting point o to any end point d in the transportation network, calculated by Floyd algorithm ; T is the time period collection; A binary variable that indicates whether the flow on path k can be intercepted by the charging station. If path k passes through the charging station, the variable is 1, otherwise it is 0;
- the calculation method is as follows:
- Is the traffic flow intercepted by node i in time period t; Is the binary variable of whether path k passes through node i; Is the binary variable of whether to build a charging station at node i; ⁇ is the set of network nodes; ⁇ i,t is the number of electric vehicles that arrive at the charging station at node i to receive charging services at time t; in formula (6) Is the charging power of node i at time t; ⁇ i RH is the average arrival rate of vehicles to be charged at node i during peak traffic hours, that is, the number of EVs that arrive at the charging station to receive charging services per unit time; It is the total daily charging frequency demand of the electric vehicle charging station, which needs to be calculated according to W B in formula (2); W B /pre-set maximum capacity of the battery pack; W B is the charging power; in formula (7), p CS is the charging power of a single charging device; ⁇ is the average service rate of a single device, in units
- Step S13 Based on the M/M/s queue model, the constant capacity problem of the charging station is transformed into the following nonlinear integer programming problem:
- the number of charging devices configured for node i, multiplied by p CS is the capacity of the charging station at node i;
- W i RH and W allowed are the average waiting time and threshold for receiving charging services during peak traffic hours;
- P i non is The probability that all the charging station equipment at node i is idle; Is the average utilization rate of equipment at node i during peak traffic hours.
- step S2 specifically includes the following content:
- P Li (t) and P DGi (t) represent the load value of node i at time t and the DG output value
- the energy storage element adjustment strategy is as follows:
- step S3 specifically includes the following content:
- the objective function of the embedded planning model is:
- f 1 represents the economic cost, including construction cost C inv and operating cost C ope ; r is the discount rate, ⁇ is the investment period; f 2 is the voltage quality index; Is the voltage quality evaluation function value of node i under scenario s; n is the total number of nodes in the network; ⁇ represents the set of nodes; ⁇ S is the set of scenarios; f 3 represents the traffic network satisfaction index; ⁇ od is any starting point in the traffic network o The set of shortest paths to any end point d; Represents the unit value of the one-way traffic flow demand of the shortest path k at time period t; A binary variable that indicates whether the flow on path k can be intercepted by the charging station; T is the time period set; p DG is the unit capacity of DG; Is a binary variable for whether to build a charging station at node i; with ⁇ PV and ⁇ WG are the set of nodes installed photovoltaic and wind turbines respectively; N j is
- the constraints of the embedded planning model include traffic network constraints and power grid constraints.
- the traffic network constraints are as follows:
- the number of charging devices configured for node i, which is multiplied by p CS is the charging power of a single charging device at node i;
- ⁇ i RH is the average arrival rate of the vehicles to be charged at node i during the peak traffic period, which refers to the unit time The number of EVs arriving at the charging station to receive charging services;
- ⁇ od is the set of shortest paths from any starting point o to any end point d in the traffic network;
- W i RH and W allowed are the charging services during peak traffic hours.
- the present invention has the following beneficial effects:
- the present invention can reduce the construction cost of electric vehicle charging stations to the greatest extent and reduce the cost of distribution network planning.
- Voltage stability is one of the planning goals of the present invention. Therefore, the present invention can reduce the voltage fluctuation degree of the distribution network to the greatest extent, and make the voltage distribution of the distribution network more uniform.
- the present invention couples the electric vehicle network into the power network, fully considers the impact of electric vehicle charging on the distribution network, and combines electric vehicle charging to formulate the optimal optimal dispatching strategy of the grid, and optimize the electric vehicle access to the distribution network Scheduling has very significant practical significance.
- Fig. 1 is a diagram of wind power output according to an embodiment of the present invention.
- Fig. 2 is a graph of photovoltaic power output according to an embodiment of the present invention.
- Fig. 3 is a resident load power diagram according to an embodiment of the present invention.
- Fig. 4 is a commercial load power diagram according to an embodiment of the present invention.
- Fig. 5 is an industrial load power diagram according to an embodiment of the present invention.
- Fig. 6 is a topological diagram of a coupling network of a distribution network and a transportation network according to an embodiment of the invention.
- FIG. 7 is a flowchart of solving a planning model according to an embodiment of the present invention.
- Fig. 8 is a graph of load timing characteristics before and after EV charging in Example 19 of the present invention.
- Fig. 9 is a graph of load power before and after EV charging in the spring peak period according to an embodiment of the present invention.
- Fig. 10 is a graph of node voltage amplitudes before and after EV charging in the spring peak period according to an embodiment of the present invention.
- This embodiment provides a method for establishing an active distribution network planning model considering the location and capacity of electric vehicle charging stations, which couples the power network and the transportation network. While considering the equipment components such as wind and solar storage in the active distribution network, through The traffic flow of electric vehicles in the transportation network is converted into the electric load required for electric vehicle charging, which realizes the location and capacity of electric vehicle charging stations. It includes the following steps:
- Step S1 Establish a transportation network, based on the M/M/s queuing model and the interception location model in the transportation field, establish a transportation network with electric vehicle charging stations;
- Step S2 Establish an active distribution network model, establish a time series model of distributed power (including wind power and photovoltaic) and load based on the time sequence method; establish an energy storage model based on the principle of equivalent load;
- Step S3 By converting the electric vehicle traffic flow into the equivalent load of the equivalent charging station, the transportation network and the power grid are coupled together, and an active distribution network embedded planning model considering the transportation network is established.
- the location and capacity model includes the MMs queuing model and the interception location model, and the specific content of the step S1 is:
- Step S11 Calculate the EV charging power demand
- EV generally provides electric energy by several battery packs, and each battery pack is composed of several batteries in series and parallel [12] . Therefore, the demand for EV charging can be analyzed with the help of the intermediate variable of the number of battery packs.
- EVs can be divided into buses, official vehicles, taxis, private cars and other vehicles (sanitation vehicles, postal vehicles, etc.).
- the demand for the number of battery packs is mainly related to information such as the number of EVs of each model, the daily mileage, the attendance rate, and the ratio of battery replacement. Therefore, this article calculates the number of battery packs, as shown in equation (1).
- N B is the demand for a battery pack per day
- N EVi is the ownership of the i-th EV
- L di respectively, and L 0i EV i-th and the average distance traveled per day once a full charge can travel distance
- a i, B i, and K EVdi respectively attendance EV i-th battery replacement ratio and the number of each vehicle equipped with the battery pack;
- the EV adopts a unified standard lithium-ion battery pack, and each group is formed by connecting 15 single cells (with a rated voltage of 3.65V and a rated capacity of 6A ⁇ h) in series.
- the charging process can be approximately constant power charging, and the charging power P C of a single battery pack is approximately 1660 W, and the required duration t charge is 2.5 h.
- EV charging stations are equipped with a large number of charging equipment, a set of equipment is composed of a transformer and several attached chargers. For the convenience of analysis, assuming that the charging station distributes power according to the maximum demand of the EV battery pack, the charging power demand at this time is:
- ⁇ tran is the efficiency of the transformer
- ⁇ charge is the efficiency of the charger
- P c is the average charging power
- t charge is the charging time
- Step S12 Establish a charging station location and capacity model
- the gravity space interaction model is used in combination with the Floyd algorithm to calculate the annual traffic flow F CS intercepted by the charging stations of the whole system.
- the calculation formula is as follows:
- the traffic flow intercepted by a single charging station is calculated according to the following formula:
- Equation (3) Represents the unit value of the one-way traffic demand of the shortest path k at time period t; ⁇ ko and ⁇ kd are the traffic demand weights of the start and end points of the path k, respectively, to indicate the busyness of each traffic node; D k is the path The unit value of the length of k; ⁇ t and ⁇ RH are the travel proportions of EV users in time t and peak time h, respectively; ⁇ od is the shortest path (OD path) collection from any starting point o to any end point d in the transportation network, by Calculated by Floyd algorithm; T is the set of time periods; A binary variable that indicates whether the flow on path k can be intercepted by the charging station. If path k passes through the charging station, the variable is 1, otherwise it is 0;
- the traffic flow intercepted by the system throughout the year can be used as one of the criteria for evaluating traffic network satisfaction. Simultaneously, It will also affect the average arrival rate ⁇ i,t and charging power of the vehicle to be charged at node i in each period And the number of charging devices that need to be configured at the charging station. It is assumed that ⁇ i, t are respectively proportional to the traffic flow intercepted by the charging station and the proportion of EV trips.
- the equivalent charging load is calculated.
- the calculation method is as follows:
- Step S13 For the charging station, the level of service depends to a large extent on the average charging waiting time of car owners during peak traffic hours.
- the queuing problem of charging stations can be alleviated, and the waiting time will be shortened, but it also increases the investment cost of the entire system. Therefore, the number of devices in each charging station can be configured by setting the threshold of the average charging waiting time and establishing relevant constraints to achieve the optimal investment in charging equipment. It is assumed that the arrival process and charging service duration of the vehicle to be charged at the charging station are simulated by Poisson distribution and negative exponential distribution, respectively. Based on the M/M/s queue model, the constant capacity problem of the charging station is transformed into the following nonlinear integer programming problem:
- the number of charging devices configured for node i, multiplied by p CS is the capacity of the charging station at node i;
- W i RH and W allowed are the average waiting time and threshold for receiving charging services during peak traffic hours;
- P i non is The probability that all the charging station equipment at node i is idle; Is the average utilization rate of equipment at node i during peak traffic hours.
- the first constraint of equation (9) can set the threshold as 0.1h.
- the second constraint of equation (9) must be set.
- the core decision variables of the charging station location and capacity model considering traffic flow are The optimization process not only directly affects the satisfaction index of the transportation network, but also affects the charging power and the investment cost of charging equipment. Therefore, the model can better link the traffic demand with the power load, and further reflects the interlocking and mutual influence relationship between the distribution network and the traffic network.
- the distributed power sources are obviously intermittent and random, and are greatly restricted by meteorological conditions.
- their output also has certain characteristics. Regularity. In terms of seasonal characteristics, WG output reaches its maximum in winter and minimum in summer, while PV is the opposite. In terms of timing characteristics, WG reaches its maximum in the evening, while PV has a greater output at noon.
- Resident load, commercial load and industrial load in daily life also have similar time series rules, but the three types of main loads are different in nature and their changing rules are not the same.
- the step S2 specifically includes the following content:
- storage batteries are used to store energy, and a coordinated optimization strategy for energy storage based on equivalent load is proposed. It is assumed that the output power of wind power and photovoltaic power generation is constant in each scenario, and a typical day in the time series characteristics is used as a cycle for research.
- P Li (t) and P DGi (t) represent the load value of node i at time t and the DG output value.
- step S3 specifically includes the following content:
- the objective function of the embedded planning model is:
- f 1 represents the economic cost, including construction cost C inv and operating cost C ope ; r is the discount rate, ⁇ is the investment period; f 2 is the voltage quality index; Is the voltage quality evaluation function value of node i in scenario s; n is the total number of nodes in the network; ⁇ represents the set of nodes; ⁇ S is the set of scenarios; f 3 represents the traffic network satisfaction index; ⁇ od is any starting point in the traffic network o Set of shortest paths to any end point d; Represents the unit value of the one-way traffic flow demand of the shortest path k at time period t; A binary variable that indicates whether the flow on path k can be intercepted by the charging station; T is the time period set; p DG is the unit capacity of DG; Is a binary variable for whether to build a charging station at node i; with ⁇ PV and ⁇ WG are the set of nodes installed photovoltaic and wind turbines respectively; N j is the
- the constraints of the embedded planning model include traffic network constraints and power grid constraints.
- the traffic network constraints are as follows:
- the number of charging devices configured for node i, which is multiplied by p CS is the charging power of a single charging device for node i;
- ⁇ i RH is the average arrival rate of the vehicles to be charged at node i during peak traffic hours, that is, the arrival rate per unit time
- ⁇ od is the set of shortest paths from any starting point o to any end point d in the traffic network;
- W i RH and W allowed are the charging services during peak traffic hours.
- this embodiment adopts the transportation network-distribution network coupling topology structure shown in FIG. 6 to simulate and verify the model of the present invention.
- the unit capacity of the DG node is set to 0.1MW in combination with the actual project, the number of installations is limited to 20, the maximum capacity of energy storage is 3MWh, and the maximum power of a single charge and discharge of the battery is 0.3MW; node voltage The amplitude constraint range is 0.95 ⁇ 1.05pu; the number of charging stations is limited to 8.
- the NSGA-II algorithm is used to solve the simulation example of this embodiment. Since the NSGAII algorithm is an existing very mature solution algorithm, the detailed calculation method of the algorithm is not described in detail in this application. Suppose the maximum number of iterations of the NSGAII algorithm is 50, the population size is 150, the crossover rate is 0.9, the mutation rate is 0.1, and the polynomial mutation index is 20. The parameters related to economic costs, the weight of traffic flow at traffic nodes, and the proportion of EV trips in each period are shown in Table 1 to Table 3.
- the relevant information of the electric vehicle that simulates this system is shown in Table 4.
- the transformer efficiency and charger efficiency used in the charging station in this paper are 95% and 90% respectively.
- the total daily demand for battery packs in this area is 2,284, and the daily average demand for charging power is 11,086.1kWh.
- each EV has a single charging capacity of 30kWh and the charging power of a single charging device is 60kW
- the total daily charging frequency of all charging stations is 370
- the average service rate of a single device is 0.5.
- the simulation example of this embodiment involves two parts of the power distribution system and the transportation network, and the solution process is shown in FIG. 7.
- the economic cost corresponding to the optimal solution is 14.114 million U.S. dollars, the voltage quality index is 0.061 pu, and the traffic satisfaction index is 1.3 ⁇ 10 -6 pu, which means that the traffic flow value intercepted throughout the year is 7.68 ⁇ 10 5 pu.
- the site construction node is generally selected in a location with a higher traffic flow weight (such as nodes 3, 6, 7) or The hub location of the transportation network (such as nodes 19, 20, 26, etc.).
- the total traffic flow weight of the site selection node in Table 6 is 8.57, accounting for 39.6% of the weight of the entire transportation network.
- these charging stations can capture 190.54pu of traffic flow during the daily rush hour, accounting for 90.9% of the total traffic flow during rush hour. It can be seen that the satisfaction index constructed in the model can effectively help build a site to capture as much traffic flow as possible, and can provide charging services for more EV users without changing the original driving route.
- EV charging will increase the charging load on the site-building node and change the load timing characteristics of the node.
- node 19 as an example, consider the load timing curve before and after EV charging as shown in FIG. 8.
- the location and capacity planning of the EV charging station will not only change the load sequence characteristics of the station node, but also change the load level of the entire distribution network node, thereby affecting the voltage quality of the node.
- the peak period in spring as an example, consider the system load level before and after EV charging as shown in FIG. 9, and the node voltage amplitude distribution of the corresponding scene is as shown in FIG. 10.
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法，在电动汽车充电站的选址定容上，将电动汽车的交通流量转换为在交通网络中流动充电需求，基于M/M/s排队模型和交通领域的截流选址模型，建立电动汽车交通网络模型；采用时序法建立分布式电源(包括风电和光伏)和负荷模型，模拟分布式电源和负荷在不同时序场景下的出力或需求；基于等效负荷思想建立配电网中的储能元件模型；以配电网经济性、可靠性和电动汽车充电站截获最大交通流量为目标，建立嵌层规划模型，在内层尽可能优化系统运行的前提下，外层充分改善主动配电网的建设成本投入，提升配网规划的整体经济性，改善配电网的电压分布。
Description
本发明涉及电网技术领域，特别是一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法。
随着分布式电源(Distributed Generation,DG)和电动汽车(Electric Vehicle，EV)的接入，配电网的电力规划内容也变得更为复杂，在接入成本以及综合效益上需要考虑更多的因素。一方面，DG出力和负荷需求具有明显不同的时序特性，合理地接入储能设备可以在用电低谷期储存能量，在用电高峰期释放能量，实现DG和负荷需求之间的互补，降低规划方案的综合成本。另一方面，EV充电站的接入将带来充电负荷，其选址定容问题也将影响配电网的稳定性以及EV出行的便利性。因此，建立有效的含风光储和充电站的规划模型对于主动配电网而言具有十分重要的意义。
发明内容
有鉴于此，本发明的目的是提供一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法，能够同时考虑电力网和交通网的互相影响，在满足多元负荷需求的前提下，使配网规划结果更适应新形势下的能源发展趋势。
本发明采用以下方案实现：一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法，包括以下步骤：
步骤S1：建立交通网络，基于M/M/s排队模型和截流选址模型，建立含电动汽车充电站的交通网络；
步骤S2：建立主动配电网模型，基于时序法，建立分布式电源和负荷的时序模型；基于等效负荷原理，建立储能模型；
步骤S3：通过将电动汽车交通流量转换成等效充电站的等效负荷，将交通网和电网耦合在一起，建立考虑交通网络的主动配电网嵌层规划模型。
进一步地，所述步骤S1的具体内容为：
步骤S11：对EV充电电量需求进行计算；
计算电池组的数量需求：
式中：N
B为每天电池组的需求量；N
EVi为第i种EV的保有量；L
di和L
0i分别为第i种EV平均每天的行驶路程以及完整充电一次能够行驶的路程；a
i、b
i和K
EVdi分别为第i种EV的出勤率、更换电池比例以及每辆车装备的电池组数量；
充电电量需求为：
W
B＝N
BP
Ct
charge/(η
tranη
charge) (2)
式中：η
tran为变压器效率；η
charge为充电机的效率；P
c表示平均充电功率；t
charge表示充电时间；
步骤S12：建立充电站选址定容模型；
利用重力空间互动模型，并结合Floyd算法，计算出全系统充电站每年截获的交通流量F
CS；其计算式如下所示：
单个充电站截获的交通流量按以下公式计算：
式(3)中：
表示最短路径k于时段t的单向交通流量需求的标幺值；ω
ko和ω
kd分别为路径k的起点和终点的 交通需求权重，用以表示各交通节点的繁忙程度；D
k为路径k长度的标幺值；σ
t和σ
RH分别为EV用户于时段t和高峰时段h的出行比例；Ω
od为交通网络中任意起点o到任意终点d的最短路径集合，由Floyd算法求得；T为时间段集合；
表示路径k上的流量能否被充电站截获的二值变量，若路径k有经过充电站，则变量为1，否则为0；
根据单个充电站截获的交通流量，计算等效的充电负荷，计算方式如下；
式(5)中，
为节点i于时段t截获的交通流量；
为路径k是否经过节点i的二值变量；
为节点i处是否建设充电站的二值变量；Ω为网络节点的集合；λ
i,t为在t时刻到达位于节点i的充电站接受充电服务的电动汽车数量；式(6)中
为节点i在t时刻的充电功率；λ
i
RH为节点i于交通高峰时段待充电车辆的平均到达率即指单位时间内到达充电站接受充电服务的EV数量；
为电动汽车充电站每日充电总频次需求，需根据式(2)中的W
B计算得到；
＝W
B/预先设定的电池组最大容量；W
B为充电电量；式(7)中，p
CS为单台充电设备的充电功率；μ为单台设备的平均服务率，单位为辆/小时；
步骤S13：基于M/M/s队列模型，把充电站的定容问题转化为如下非线性整数规划问题：
min
s.t.
式中：
为节点i配置的充电设备数，其乘以p
CS即为节点i处充电站的容量；W
i
RH和W
allowed分别为交通高峰时段接受充电服务的平均等待时间及其阈值；P
i
non为节点i充电站设备全部空闲的概率；
为节点i于交通高峰时段的设备平均使用率。
进一步地，所述步骤S2具体包括以下内容：
建立主动配电网模型，基于时序法对包含风电和光伏的分布式电源典型出力和不同类型的典型负荷曲线进行抽样，得到节点i在时刻t的DG出力值P
DGi(t)和负荷值P
Li(t)；基于等效负荷原理，建立储能模型，储能元件调节策略如下：
计算节点i在时刻t的等效负荷P
eqi和平均等效负荷P
avi,
P
eqi(t)＝P
Li(t)-P
DGi(t) (13)
式中：P
Li(t)和P
DGi(t)表示节点i在时刻t的负荷值以及DG出力值；
储能元件调节策略具体如下：
当P
eqi(t)+ΔP
1＜＜P
avi时，蓄电池充电，ΔP
1为充电功率；
若满足|P
eqi(t)+ΔP
1-P
avi|≤δP
avi，则蓄电池充电；δ表示P
eqi在其平均值附近的波动系数；
当P
eqi(t)-ΔP
2＞＞P
avi时，蓄电池放电，ΔP
2为放电功率；
若满足|P
eqi(t)-ΔP-P
avi|≤δP
avi，则蓄电池放电。
进一步地，所述步骤S3具体包括以下内容：
嵌层规划模型的目标函数为：
式中：f
1表示经济成本，包括建设成本C
inv和运行成本C
ope；r为贴现率，η为投资年限；f
2表示电压质量指标；
为场景s下节点i的电压质量评估函数值；n为网络的节点总数；Ω表示节点集合；Ω
S为场景的集合；f
3表示交通网络满意度指标；Ω
od为交通网络中任意起点o到任意终点d的最短路径集合；
表示最短路径k于时段t的单向交通流量需求的标幺值；
表示路径k上的流量能否被充电站截获的二值变量；T为时间段集合；p
DG为DG单位容量；
为节点i处是否建设充电站的二值变量；
和
分别为光伏和风力发电单位容量的投资成本；Ω
PV和Ω
WG分别为安装 光伏和风机的节点集合；N
j为第j个安装节点的DG个数；c
CS为每台充电设备的投资成本；
为节点k是否投入储能装置的二值变量；Ω
BS为安装储能的节点集合；
和
分别为储能装置的单位容量成本与充放电功率成本；
和
分别为储能最大容量和最大充放电功率；
和
分别为光伏和风力发电的单位运行费用；Δt
s为场景s下配网年累计运行时间；
和
分别为场景s下的第j个PV或WG的出力；f
e(s)和P
em(s)分别为场景s下的电价和电功率需求；
和
为场景s下节点i的负荷功率和EV充电功率；
为场景s下的电能损耗；V
s,i为场景s下节点i的电压幅值；V
min和V
max分别为节点电压的允许下限值和上限值；
嵌层规划模型的约束条件包含交通网约束和电网约束，交通网约束如下：
式中：
为节点i配置的充电设备数，其乘以p
CS即为节点i处为单台充电设备的充电功率；λ
i
RH为节点i于交通高峰时段待充电车辆的平均到达率即指单位时间内到达充电站接受充电服务的EV数量；
表示路径k上的流量能否被充电站截获的二值变量；Ω
od为交通网络中任意起点o到任意终点d的最短路径集合；W
i
RH和W
allowed分别为交通高峰时段接受充电服务的平均等待时间及其阈值；P
i
non为节点i充电站设备全部空闲的概率；
为节点i于交通高峰时段的设备平均使用率；N
CS为充电站最大建设数量；μ为单台设备的平均服务率；
电网约束如下：
配电网潮流约束：
场景机会约束：
DG安装容量约束：
储能容量与充放电功率约束：
式中：
为场景s下节点i的无功负荷；
和
分别为场景s下节点i的DG有功和无功出力；V
s,j为场景s下节点j的电压幅值；G
ij和B
ij分别为网络导纳；δ
s,ij为场景s下节点i和j的电压相角差；P
s,ij和
分别为线路ij流过的功率和功率限值；K
s为满足机会约束条件的场景个数；γ为置信度；Ω
Line为配电网线路集合；
和
分别为PV和WG的出力上限；ε为DG接入的最大渗透率；
和
分别为储能节点k当前的设备容量和充放电功率。
与现有技术相比，本发明具有以下有益效果：
1、本发明能够在最大程度上降低电动汽车充电站的建设成本，降低配电网规划成本。
2、电压稳定性为本发明的规划目标之一，因此本发明能够在最大程度上减小配电网的电压波动程度，使得配电网电压分布更为均匀。
3、本发明将电动汽车网络耦合进电力网络，充分考虑了电动汽车充电对配电网的影响，结合电动汽车充电，制定电网最优的优化调度策略，对电动汽车接入配电网的优化调度有十分显著的现实意义。
图1为本发明实施例的风力发电出力功率图。
图2为本发明实施例的光伏发电出力功率图。
图3为本发明实施例的居民负荷功率图。
图4为本发明实施例的商业负荷功率图。
图5为本发明实施例的工业负荷功率图。
图6为本发明实施例的配电网和交通网耦合网络拓扑图。
图7为本发明实施例的规划模型求解流程图。
图8为本发明实施例19EV充电前后的负荷时序特性图。
图9为本发明实施例的春季高峰时段EV充电前后的负荷功率图。
图10为本发明实施例的春季高峰时段EV充电前后的节点电压幅值图。
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法，耦合了电力网和交通网，在考虑主动配电网中的风光储等设备元件的同时，通过将交通网络中电动汽车的交通流量折算成电动汽车充电所需的电力负荷，实现了电动汽车充电站的选址定容。包括以下步骤：
步骤S1：建立交通网络，基于M/M/s排队模型和交通领域的截流选址模型，建立含电动汽车充电站的交通网络；
步骤S2：建立主动配电网模型，基于时序法，建立分布式电源(包含风电和光伏)和负荷的时序模型；基于等效负荷原理，建立储能模型；
步骤S3：通过将电动汽车交通流量转换成等效充电站的等效负荷，将交通网和电网耦合在一起，建立考虑交通网络的主动配电网嵌层规划模型。
在本实施例中，选址定容模型，包括了MMs排队模型和截流选址模型，所述步骤S1的具体内容为：
步骤S11：对EV充电电量需求进行计算；
计算电池组的数量需求：
EV一般由几个电池组来提供电能，而每个电池组又由若干个电池串并联构成
[12]。因此，可以借助电池组数量需求这个中间变量来分析EV充电需求。
根据用途不同，EV可以分为公交车、公务车、出租车、私家车和其他车(环卫车、邮政车等)。电池组的数量需求主要与各个车型的EV保有量、日行驶里程、出勤率以及更换电池比例等信息有关。因此，本文对电池组的数量需求进行计算，如式(1)所示。
式中：N
B为每天电池组的需求量；N
EVi为第i种EV的保有量；L
di和L
0i分别为第i种EV平均每天的行驶路程以及完整充电一次能够行驶的路程；a
i、b
i和K
EVdi分别为第i种EV的出勤率、更换电池比例以及每辆车装备的电池组数量；
本实施例假设EV采用统一标准的锂离子电池组，每组由15个单体电池(额定电压为3.65V，额定容量为6A·h)串联而成。本实施例认为其充电过程可以近似为恒功率充电，且单个电池组的充电功率P
C近似为1660W，所需时长t
charge为2.5h。另一方面，EV充电站配有大量的充电设备，一套设备由一台变压器及其附属的若干充电机构成。为了方便分析，假设充电站按照EV电池组的最大需求量进行电量配送，则此时充电电量需求为：
W
B＝N
BP
Ct
charge/(η
tranη
charge) (2)
式中：η
tran为变压器效率；η
charge为充电机的效率；P
c表示平均充电功率；t
charge表示充电时间；
步骤S12：建立充电站选址定容模型；
充电站在交通网络中需要覆盖网络中的交通流量，其选址问题通常需要考虑截获尽可能多的流量。本实施例利用重力空间互动模型，并结合Floyd算法，计算出全系统充电站每年截获的交通流量F
CS。其计算式如下所示：
单个充电站截获的交通流量按以下公式计算：
式(3)中：
表示最短路径k于时段t的单向交通流量需求的标幺值；ω
ko和ω
kd分别为路径k的起点和终点的交通需求权重，用以表示各交通节点的繁忙程度；D
k为路径k长度的标幺值；σ
t和σ
RH分别为EV用户于时段t和高峰时段h的出行比例；Ω
od为交通网络中任意起点o到任意终点d的最短路径(OD路径)集合，由Floyd算法求得；T为时间段集合；
表示路径k上的流量能否被充电站截获的二值变量，若路径k有经过充电站，则变量为1，否则为0；
系统全年截获的交通流量可以作为评价交通网络满意度的标准之一。同时，
还将影响各个时段待充电车辆于 节点i的平均到达率λ
i,t、充电功率
以及充电站需要配置的充电设备数量。这里假设λ
i,t分别与充电站截获的交通流量、EV出行比例成正比，
根据单个充电站截获的交通流量，计算等效的充电负荷，计算方式如下：
式(5)中，
为节点i于时段t截获的交通流量；
为路径k是否经过节点i的二值变量；
为节点i处是否建设充电站的二值变量；Ω为网络节点的集合；λ
i,t为在t时刻到达位于节点i的充电站接受充电服务的电动汽车数量；式(6)中
为节点i在t时刻的充电功率；
为节点i于交通高峰时段待充电车辆的平均到达率即指单位时间内到达充电站接受充电服务的EV数量；
为电动汽车充电站每日充电总频次需求，需根据式(2)中的W
B计算得到；
＝W
B/预先设定的电池组最大容量，在一具体示例中，预先设定的电池组最大容量＝90Ah；W
B为充电电量；式(7)中，p
CS为单台充电设备的充电功率；μ为单台设备的平均服务率，单位为辆/小时；
步骤S13：对于充电站而言，服务水平的高低在很大程度上取决于交通高峰时段车主的平均充电等待时间。当充电设备数增加时，充电站的排队问题就能得到缓解，等待时间也会缩短，但也增加了整个系统的投资成本。因此，可以通过设置平均充电等待时间的阈值，建立相关约束条件来配置各充电站的设备数量，达到充电设备投资最优。假定充电站待充电车辆的到达过程和充电服务时长分别采用泊松分布和负指数分布来进行模拟。基于M/M/s队列模型，把充电站的定容问题转化为如下非线性整数规划问题：
min
s.t.
式中：
为节点i配置的充电设备数，其乘以p
CS即为节点i处充电站的容量；W
i
RH和W
allowed分别为交通高峰时段接受充电服务的平均等待时间及其阈值；P
i
non为节点i充电站设备全部空闲的概率；
为节点i于交通高峰时段的设备平均使用率。
据行为科学家研究发现，一个人在排队时的平均逗留时间超过40min或平均等待时间超过10min便会因恼火而离去。考虑到EV充电时间的特殊性，式(9)的第一个约束可以将阈值设为0.1h。另一方面，为了保证不会形成无限长排队 情况，
的值必须要满足最基本的充电频次需求，因此要设定式(9)的第二个约束。
根据上述分析，考虑交通流量的充电站选址定容模型的核心决策变量为
其优化过程不仅直接影响了交通网络的满意度指标，还会影响充电功率大小以及充电设备投资成本。因此，该模型可以将交通需求和电力负荷较好地联系起来，进一步体现了配电网与交通网环环相扣、相互影响的关系。
在本实施例中，所述分布式电源(包括风电和光伏)存在明显的间歇性和随机性，受气象条件的限制较大，但随着季节和时序的变化，其出力也存有一定的规律性。在季节特性上，WG出力在冬季达到最大，在夏季最小，而PV恰好相反；在时序特性上，WG在傍晚时分达到最大，而PV在正午具有较大的出力。日常生活中的居民负荷、商业负荷以及工业负荷也具有类似的时序规律，但三类主要负荷由于性质有所差异，变化规律也不尽相同。因此，可以在四个季节中分别选取一个典型日，用24个时刻来模拟每个季节的DG出力以及负荷功率场景，组合成全年的96个场景。风光出力以及三类主要负荷的时序特性曲线如附图1～附图5所示。所述步骤S2具体包括以下内容：
建立主动配电网模型，基于时序法对包含风电和光伏的分布式电源典型出力和不同类型的典型负荷曲线进行抽样，得到节点i在时刻t的DG出力值P
DGi(t)和负荷值P
Li(t)；基于等效负荷原理，建立储能模型，储能元件调节策略如下:
本实施例通过蓄电池来进行储能，提出了一种基于等效负荷的储能协调优化策略。假设风力和光伏发电的输出功率在每个场景内恒定，并以时序特性中的一个典型日作为一个周期进行研究。首先计算节点i在时刻t的等效负荷P
eqi和平均等效负荷P
avi,
P
eqi(t)＝P
Li(t)-P
DGi(t) (13)
式中：P
Li(t)和P
DGi(t)表示节点i在时刻t的负荷值以及DG出力值。
基于储能的协调优化策略具体内容如下：
(1)若P
eqi远远小于P
avi，则说明此时用电负荷处于低谷期，蓄电池可以通过充电来储存过剩的DG功率。因此，当P
eqi(t)+ΔP
1＜＜P
avi时，蓄电池充电，ΔP
1为充电功率；
(2)经过一段时间充电后，若P
eqi稍小于P
avi则说明出力和需求接近平衡。此时为了抑制等效负荷的波动性，充电条件需要作一些调整。若满足|P
eqi(t)+ΔP
1-P
avi|≤δP
avi，则蓄电池充电；δ表示P
eqi在其平均值附近的波动系数；本实施例取0.8。
(3)若P
eqi远远大于P
avi，则说明此时用电负荷处于高峰期，蓄电池需要释放功率。因此，当P
eqi(t)-ΔP
2＞＞P
avi时，蓄电池放电，ΔP
2为放电功率；
(4)经过一段时间放电后，若P
eqi稍大于P
avi则说明出力和需求接近平衡。此时为了抑制等效负荷的波动性，放电条件需要作一些调整。若满足|P
eqi(t)-ΔP-P
avi|≤δP
avi，则蓄电池放电。
在本实施例中，所述步骤S3具体包括以下内容：
嵌层规划模型的目标函数为：
式中：f
1表示经济成本，包括建设成本C
inv和运行成本C
ope；r为贴现率，η为投资年限；f
2表示电压质量指标；
为场景s下节点i的电压质量评估函数值；n为网络的节点总数；Ω表示节点集合；Ω
S为场景的集合；f
3表示交通网络满意度指标；；Ω
od为交通网络中任意起点o到任意终点d的最短路径集合；
表示最短路径k于时段t的单向交通流量需求的标幺值；
表示路径k上的流量能否被充电站截获的二值变量；T为时间段集合；p
DG为DG单位容量；
为节点i处是否建设充电站的二值变量；
和
分别为光伏和风力发电单位容量的投资成本；Ω
PV和Ω
WG分别为安装光伏和风机的节点集合；N
j为第j个安装节点的DG个数；c
CS为每台充电设备的投资成本；
为节点k是否投入储能装置的二值变量；Ω
BS为安装储能的节点集合；
和
分别为储能装置的单位容量成本与充放电功率成本；
和
分别为储能最大容量和最大充放电功率；
和
分别为光伏和风力发电的单位运行费用；Δt
s为场景s下配网年累计运行时间；
和
分别为场景s下的第j个PV或WG的出力；f
e(s)和P
em(s)分别为场景s下的电价和电功率需求；
和
为场景s下节点i的负荷功率和EV充电功率；
为场景s下的电能损耗；V
s,i为场景s下节点i的电压幅值；V
min和V
max分别为节点电压的允许下限值和上限值；
嵌层规划模型的约束条件包含交通网约束和电网约束，交通网约束如下：
式中：
为节点i配置的充电设备数，其乘以p
CS即为节点i为单台充电设备的充电功率；λ
i
RH为节点i于交通高峰时段待充电车辆的平均到达率即指单位时间内到达充电站接受充电服务的EV数量；
表示路径k上的流量能否被充电站截获的二值变量；Ω
od为交通网络中任意起点o到任意终点d的最短路径集合；W
i
RH和W
allowed分别为交通高峰时段接受充电服务的平均等待时间及其阈值；P
i
non为节点i充电站设备全部空闲的概率；
为节点i于交通高峰时段的设备平均使用率；N
CS为充电站最大建设数量；μ为单台设备的平均服务率；
电网约束如下：
配电网潮流约束：
场景机会约束：
DG安装容量约束：
储能容量与充放电功率约束：
式中：
为场景s下节点i的无功负荷；
和
分别为场景s下节点i的DG有功和无功出力；V
s，j为场景s下节点j的电压幅值；
G
ij
和
B
ij
分别为网络导纳；δ
s，ij为场景s下节点i和j的电压相角差；P
S，ij和
分别为线路
ij流过的功率和功率限值；K
s为满足机会约束条件的场景个数；γ为置信度；Ω
Line为配电网线路集合；
和
分别为PV和WG的出力上限；ε为DG接入的最大渗透率；
和
分别为储能节点k当前的设备容量和充放电功率。
为了具体表现本发明所述规划模型的优越性，本实施例采用如附图6所示的交通网-配电网耦合拓扑结构对本发明所述模型进行仿真验证。
在本实施例的仿真算例中，结合工程实际设定DG节点的单位容量为0.1MW，安装数量限制为20，储能最大容量为3MWh，蓄电池单次充放电最大功率为0.3MW；节点电压幅值约束范围为0.95～1.05pu；充电站的选址个数限制为8。
运用NSGA-II算法对本实施例的仿真算例进行求解，由于NSGAII算法是现有的十分成熟的求解算法，该算法的详细计算方法本申请不赘述。设NSGAII算法的最大迭代数设为50，种群大小为150，交叉率为0.9，变异率为0.1，多项式变异指数为20。与经济费用相关的参数、交通节点车流量权重以及EV各时段出行比例见表1-表3。
表1 与经济费用相关的参数
表2 交通节点车流量权重
表3 电动汽车各时段出行比例
模拟该系统的电动汽车相关信息如表4所示。本文充电站所用的变压器效率和充电机效率分别为95％、90％。根据式(A1)和式(A2)计算可知，该区域每天电池组的总需求量为2284个，每日平均充电电量需求为11086.1kWh。假设每辆EV单次充电量为30kWh，单台充电设备的充电功率为60kW，则所有充电站的每日总充电频次为370次，单台设备的平均服务率为0.5。
表4 区域电动汽车相关信息
本实施例的仿真算例涉及配电系统和交通网络两部分，其求解流程如附图7所示。
(1)输入规划所需数据，基于各类EV信息对充电站每日的充电需求进行计算，并对DG和负荷的时序数据进行模拟。
(2)随机生成初始种群，基于耦合的配电网和交通网，计算满足机会约束的个体的目标函数值。
(3)对初始种群进行快速非支配排序，根据个体的层序和拥挤度信息选出优质的父本进行遗传操作，得到子代种群。
(4)基于耦合的网络，计算子代种群的目标函数值，然后将所有子代个体与父代个体进行混合，采用精英策略并对种群规模进行修剪，获得新的父本。
(5)判断是否达到最大迭代次数，若达到则退出计算，反之则回到步骤(3)继续迭代。
(6)迭代结束后，将最终种群中的重复解删去，然后将剩下方案的目标值进行无量纲化处理，并计算所有方案各个目标的标准差。最后基于均方差法，根据比例分摊原则来设置各个目标函数的权重，通过逼近理想解排序法(Technique for Order Preference by Similarity to an Ideal Solution，TOPSIS)确定出最佳折衷方案。其具体操作过程可以参考文献。由于TOPSIS算法为较为成熟的技术，因此本申请不赘述。
本实施例的计算结果如表5、表6所示。
表5 DG节点配置结果
表6 电动汽车充电站规划结果
最优方案对应的经济成本为1411.4万美元，电压质量指标为0.061pu，交通满意度指标为1.3×10
-6pu，即全年截获到的交通流量值为7.68×10
5pu。
电动汽车充电站规划分析结果如附图8-附图10所示。
从规划结果来看，为了尽可能多地捕获交通网络中的流量，最大化地满足用户EV充电需求，建站节点一般选在车流量权重较大的位置(如节点3、6、7)或是交通网络的枢纽位置(如节点19、20、26等)。表6的选址节点车流量权重和为8.57，占整个交通网络权重的39.6％。同时，这些充电站在每日的交通高峰时段可以俘获交通流量190.54pu，占高峰时段总体交通流量的90.9％。可见，模型中构建的满意度指标可以有效帮助建站点俘获尽可能多的交通流量，可在用户不改变原始行驶路径的情况下为较多的EV用户提供充电服务。
另一方面，EV充电会给建站节点增加充电负荷，改变节点的负荷时序特性。以节点19为例，考虑EV充电前后的负荷时序曲线如附图8所示。
由附图8可见，考虑EV充电相当于抬高了建站节点的负荷曲线，使得负荷水平变重。同时，EV各时段出行比例也将影响时序曲线的特点。结合表3，电动汽车主要集中在8:00-20:00点之间出行。因此，附图8中各个季节典型日中对应时段的负荷增量较多，尤其体现在高峰时刻18:00，负荷功率达到峰值。
EV充电站的选址定容规划不仅会改变建站节点的负荷时序特性，还会改变整个配电网节点的负荷水平，进而影响节点电压质量。以春季的高峰时段为例，考虑EV充电前后的系统负荷水平如附图9所示，对应场景的节点电压幅值分布如附图10所示。
从附图9中可见，在电动汽车出行高峰时段内，八个建站节点的负荷功率都有大幅度的增长，尤其是节点6的负荷涨了三倍多，节点9、26、28涨了近两倍。这八个节点在电力网中基本分布在线路的前中端，势必会增加各个支路前中端的电压降落。
在附图10中，6、9节点负荷的大量增长造成了节点3～18这条支路的电压下降明显，26、28节点负荷的大量增长又使得节点26～33这条支路的电压明显下降。用本文所提的电压质量指标来评价两种情况的系统电压水平，EV充电前的评估值为0.0824，考虑充电负荷后的评估值为0.1459，下降了77.1％。可见，这部分充电负荷在交通高峰时段会给网络带来较大的冲击，降低系统的节点电压水平。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (4)
- 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法，其特征在于：包括以下步骤：步骤S1：建立交通网络，基于M/M/s排队模型和截流选址模型，建立含电动汽车充电站的交通网络；步骤S2：建立主动配电网模型，基于时序法，建立分布式电源和负荷的时序模型；基于等效负荷原理，建立储能模型；步骤S3：通过将电动汽车交通流量转换成等效充电站的等效负荷，将交通网和电网耦合在一起，建立考虑交通网络的主动配电网嵌层规划模型。
- 根据权利要求1所述的一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法，其特征在于：所述步骤S1的具体内容为：步骤S11：对EV充电电量需求进行计算；计算电池组的数量需求：
式中：N B为每天电池组的需求量；N EVi为第i种EV的保有量；L di和L 0i分别为第i种EV平均每天的行驶路程以及完整充电一次能够行驶的路程；a i、b i和K EVdi分别为第i种EV的出勤率、更换电池比例以及每辆车装备的电池组数量；充电电量需求为：W B＝N BP Ct charge/(η tranη charge) (2)式中：η t ran为变压器效率；η charge为充电机的效率；P c表示平均充电功率；t charge表示充电时间；步骤S12：建立充电站选址定容模型；利用重力空间互动模型，并结合Floyd算法，计算出全系统充电站每年截获的交通流量F CS；其计算式如下所示：单个充电站截获的交通流量按以下公式计算：
式(3)中：表示最短路径k于时段t的单向交通流量需求的标幺值；ω ko和ω kd分别为路径k的起点和终点的交通需求权重，用以表示各交通节点的繁忙程度；D k为路径k长度的标幺值；σ t和σ RH分别为EV用户于时段t和高峰时段h的出行比例；Ω od为交通网络中任意起点o到任意终点d的最短路径集合，由Floyd算法求得；T为时间段集合；
表示路径k上的流量能否被充电站截获的二值变量，若路径k有经过充电站，则变量为1，否则为0；
根据单个充电站截获的交通流量，计算等效的充电负荷，计算方式如下；
式(5)中，为节点i于时段t截获的交通流量；
为路径k是否经过节点i的二值变量；
为节点i处是否建设充电站的二值变量；Ω为网络节点的集合；λ i,t为在t时刻到达位于节点i的充电站接受充电服务的电动汽车数量；式(6)中
为节点i在t时刻的充电功率；
为节点i于交通高峰时段待充电车辆的平均到达率即指单位时间内到达充电站接受充电服务的EV数量；
为电动汽车充电站每日充电总频次需求，需根据式(2)中的W B计算得到
/预先设定的电池组最大容量；W B为充电电量；式(7)中，p CS为单台充电设备的充电功率；μ为单台设备的平均服务率，单位为辆/小时；
步骤S13：基于M/M/s队列模型，把充电站的定容问题转化为如下非线性整数规划问题：
s.t.
式中：为节点i配置的充电设备数，其乘以p CS即为节点i处充电站的容量；
和W allowed分别为交通高峰时段接受充电服务的平均等待时间及其阈值；
为节点i充电站设备全部空闲的概率；
为节点i于交通高峰时段的设备平均使用率。
- 根据权利要求1所述的一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法，其特征在于：所述步骤S2具体包括以下内容：建立主动配电网模型，基于时序法对包含风电和光伏的分布式电源典型出力和不同类型的典型负荷曲线进行抽样，得到节点i在时刻t的DG出力值P DGi(t)和负荷值P Li(t)；基于等效负荷原理，建立储能模型，储能元件调节策略如下：计算节点i在时刻t的等效负荷P eqi和平均等效负荷P avi,P eqi(t)＝P Li(t)-P DGi(t) (13)
式中：P Li(t)和P DGi(t)表示节点i在时刻t的负荷值以及DG出力值；储能元件调节策略具体如下：当P eqi(t)+ΔP 1＜＜P avi时，蓄电池充电，ΔP 1为充电功率；若满足|P eqi(t)+ΔP 1-P avi|≤δP avi，则蓄电池充电；δ表示P eqi在其平均值附近的波动系数；当P eqi(t)-ΔP 2＞＞P avi时，蓄电池放电，ΔP 2为放电功率；若满足|P eqi(t)-ΔP-P avi|≤δP avi，则蓄电池放电。 - 根据权利要求1所述的一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法，其特征在于：所述步骤S3具体包括以下内容：嵌层规划模型的目标函数为：
式中：f 1表示经济成本，包括建设成本C inv和运行成本C ope；r为贴现率，η为投资年限；f 2表示电压质量指标；为场景s下节点i的电压质量评估函数值；n为网络的节点总数；Ω表示节点集合；Ω S为场景的集合；f 3表示交通网络满意度指标；Ω od为交通网络中任意起点o到任意终点d的最短路径集合；
表示最短路径k于时段t的单向交通流量需求的标幺值；
表示路径k上的流量能否被充电站截获的二值变量；T为时间段集合；p DG为DG单位容量；
为节点i处是否建设充电站的二值变量；
和
分别为光伏和风力发电单位容量的投资成本；Ω PV和Ω WG分别为安装光伏和风机的节点集合；N j为第j个安装节点的DG个数；c CS为每台充电设备的投资成本；
为节点k是否投入储能装置的二值变量；Ω BS为安装储能的节点集合；
和
分别为储能装置的单位容量成本与充放电功率成本；
和
分别为储能最大容量和最大充放电功率；
和
分别为光伏和风力发电的单位运行费用；Δt s为场景s下配网年累计运行时间；
和
分别为场景s下的第j个PV或WG的出力；f e(s)和P em(s)分别为场景s下的电价和电功率需求；
和
为场景s下节点i的负荷功率和EV充电功率；
为场景s下的电能损耗；V s,i为场景s下节点i的电压幅值；V min和V max分别为节点电压的允许下限值和上限值；
嵌层规划模型的约束条件包含交通网约束和电网约束，交通网约束如下：
式中：为节点i配置的充电设备数，其乘以p CS即为节点i处单台充电设备的充电功率；
为节点i于交通高峰时段待充电车辆的平均到达率即指单位时间内到达充电站接受充电服务的EV数量；
表示路径k上的流量能否被充电站截获的二值变量；Ω od为交通网络中任意起点o到任意终点d的最短路径集合；
和W allowed分别为交通高峰时段接受充电服务的平均等待时间及其阈值；
为节点i充电站设备全部空闲的概率；
为节点i于交通高峰时段的设备平均使用率；N CS为充电站最大建设数量；μ为单台设备的平均服务率；
电网约束如下：配电网潮流约束：
场景机会约束：
DG安装容量约束：
储能容量与充放电功率约束：
式中：为场景s下节点i的无功负荷；
和
分别为场景s下节点i的DG有功和无功出力；V s,j为场景s下节点j的电压幅值；G ij和B ij分别为网络导纳；δ s,ij为场景s下节点i和j的电压相角差；P s,ij和
分别为线路ij流过的功率和功率限值；K s为满足机会约束条件的场景个数；γ为置信度；Ω Line为配电网线路集合；
和
分别为PV和WG的出力上限；ε为DG接入的最大渗透率；
和
分别为储能节点k当前的设备容量和充放电功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/124,576 US11878602B2 (en) | 2019-11-22 | 2020-12-17 | Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911161559.1A CN110895638B (zh) | 2019-11-22 | 2019-11-22 | 考虑电动汽车充电站选址定容的主动配电网模型建立方法 |
| CN201911161559.1 | 2019-11-22 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| US17/124,576 Continuation-In-Part US11878602B2 (en) | 2019-11-22 | 2020-12-17 | Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2021098352A1 true WO2021098352A1 (zh) | 2021-05-27 |
Family
ID=69788047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2020/114922 WO2021098352A1 (zh) | 2019-11-22 | 2020-09-12 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110895638B (zh) |
| WO (1) | WO2021098352A1 (zh) |
Cited By (75)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222285A (zh) * | 2021-05-31 | 2021-08-06 | 西安建筑科技大学 | 一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法 |
| CN113313613A (zh) * | 2021-07-06 | 2021-08-27 | 华北电力大学 | 一种电力配网模块化可移动电池储能mmbes优化配置方法 |
| CN113364049A (zh) * | 2021-06-09 | 2021-09-07 | 福州大学 | 一种考虑交通流量捕获的风-氢-电网耦合规划方法 |
| CN113393172A (zh) * | 2021-07-15 | 2021-09-14 | 华北电力大学 | 一种考虑配电网多设备时序运行的“源网储”规划方法 |
| CN113537562A (zh) * | 2021-06-09 | 2021-10-22 | 西安交通大学 | 一种新能源场站储能配置计算方法及系统 |
| CN113629723A (zh) * | 2021-07-05 | 2021-11-09 | 燕山大学 | 考虑dg和apf参与电压治理的svg优化配置方法 |
| CN113673779A (zh) * | 2021-08-30 | 2021-11-19 | 西安建筑科技大学 | 一种农村家庭新能源系统优化配置方法 |
| CN113762612A (zh) * | 2021-08-31 | 2021-12-07 | 北京交通大学 | 一种电动汽车充电站的分时运维成本测算方法及装置 |
| CN113822463A (zh) * | 2021-08-09 | 2021-12-21 | 武汉理工大学 | 一种基于Voronoi图与改进粒子群算法的电动汽车充电站选址定容方法 |
| CN113849974A (zh) * | 2021-09-23 | 2021-12-28 | 华能陇东能源有限责任公司 | 一种基于风光出力互补的新能源基地风电场选址方法 |
| CN113852084A (zh) * | 2021-10-22 | 2021-12-28 | 国网辽宁省电力有限公司抚顺供电公司 | 考虑智能软开关优化配置的配电网多阶段韧性提升方法 |
| CN113869678A (zh) * | 2021-09-15 | 2021-12-31 | 国网青海省电力公司经济技术研究院 | 一种共享储能模式下电动汽车充电系统容量规划方法 |
| CN113890075A (zh) * | 2021-09-28 | 2022-01-04 | 国网安徽省电力有限公司经济技术研究院 | 一种大规模电动汽车作为灵活爬坡资源的方法 |
| CN113937798A (zh) * | 2021-10-12 | 2022-01-14 | 浙江华云电力工程设计咨询有限公司 | 一种多站融合场景下考虑新能源消纳的储能系统配置方法 |
| CN113937760A (zh) * | 2021-10-12 | 2022-01-14 | 浙江华云电力工程设计咨询有限公司 | 一种多站融合场景下仿射鲁棒模型优化调度方法 |
| CN113937820A (zh) * | 2021-09-03 | 2022-01-14 | 广东电网有限责任公司 | 一种基于深度学习的主动配电网优化调度方法 |
| CN113964828A (zh) * | 2021-10-28 | 2022-01-21 | 国网宁夏电力有限公司经济技术研究院 | 一种基于区间概率统计模型的配电网协同规划方法 |
| CN113954680A (zh) * | 2021-12-07 | 2022-01-21 | 国网浙江杭州市萧山区供电有限公司 | 基于充电时段优化的电动汽车充电控制方法 |
| CN113972659A (zh) * | 2021-11-04 | 2022-01-25 | 国网冀北电力有限公司经济技术研究院 | 一种考虑随机潮流的储能配置方法及系统 |
| CN113988403A (zh) * | 2021-10-25 | 2022-01-28 | 国网山东省电力公司青岛供电公司 | 一种电动汽车充电负荷预测方法及系统 |
| CN114022038A (zh) * | 2021-11-25 | 2022-02-08 | 国网安徽省电力有限公司经济技术研究院 | 一种配电网线路扩展规划方法及其规划结果评价方法 |
| CN114049004A (zh) * | 2021-11-11 | 2022-02-15 | 东南大学 | 一种电氢能源站容量随机规划方法、系统和装置 |
| CN114117703A (zh) * | 2021-11-30 | 2022-03-01 | 南方电网能源发展研究院有限责任公司 | 基于交通网络和配电网络耦合的充电站配置方法、装置 |
| CN114219676A (zh) * | 2021-11-05 | 2022-03-22 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于荷储协同效应的储能装置选址定容方法 |
| CN114243708A (zh) * | 2021-11-25 | 2022-03-25 | 西南交通大学 | 一种基于交流模型的输电网扩展规划优化方法 |
| CN114243688A (zh) * | 2021-12-13 | 2022-03-25 | 国网内蒙古东部电力有限公司经济技术研究院 | 基于单元划分的配电网稳定性及投资方案确定方法 |
| CN114336636A (zh) * | 2022-01-10 | 2022-04-12 | 国网宁夏电力有限公司经济技术研究院 | 一种交直流混合配电网系统双层储能配置方法 |
| CN114362155A (zh) * | 2021-12-29 | 2022-04-15 | 国网宁夏电力有限公司电力科学研究院 | 考虑主动管理措施和需求响应的主动配电网重构方法 |
| CN114548484A (zh) * | 2022-01-07 | 2022-05-27 | 国网湖北省电力有限公司黄冈供电公司 | 一种电动汽车充电站点选址规划方法 |
| CN114580194A (zh) * | 2022-03-16 | 2022-06-03 | 国网江苏省电力有限公司苏州供电分公司 | 一种规模化电动汽车接入负荷边界方法及系统 |
| CN114693095A (zh) * | 2022-03-21 | 2022-07-01 | 国网湖北省电力有限公司电力科学研究院 | 一种应用于县域电网的分布式储能电站优化配置方法 |
| CN114707292A (zh) * | 2022-01-21 | 2022-07-05 | 东北电力大学 | 含电动汽车配电网电压稳定性分析方法 |
| CN114722615A (zh) * | 2022-04-18 | 2022-07-08 | 国网浙江省电力有限公司经济技术研究院 | 一种基于生产运营模拟的储能容量优化配置方法 |
| CN114781141A (zh) * | 2022-04-11 | 2022-07-22 | 武汉大学 | 一种基于动态交通流和用户心理的电动汽车出行引导方法 |
| CN114825381A (zh) * | 2022-05-22 | 2022-07-29 | 国网甘肃省电力公司电力科学研究院 | 一种风光新能源基地光热电站容量配置方法 |
| CN114865674A (zh) * | 2022-07-06 | 2022-08-05 | 国网湖北省电力有限公司经济技术研究院 | 一种大规模电动汽车接入场景下配电网馈线负荷调整方法 |
| CN114937997A (zh) * | 2022-06-13 | 2022-08-23 | 合肥工业大学 | 基于潮流约束线性边界化和评价指标的储能选址规划方法 |
| CN114999668A (zh) * | 2022-04-13 | 2022-09-02 | 浙江大学 | 基于整数规划的公共交通系统疫情传播阻断方法 |
| CN115115268A (zh) * | 2022-07-22 | 2022-09-27 | 东南大学溧阳研究院 | 基于路电耦合与低碳约束的电动汽车充电桩容量规划方法 |
| CN115117931A (zh) * | 2022-07-14 | 2022-09-27 | 华北电力大学 | 考虑电动汽车灵活性和光伏接入的配电网规划方法及系统 |
| CN115171381A (zh) * | 2022-07-04 | 2022-10-11 | 长沙理工大学 | 考虑电动汽车服务区选择下的混合交通网络分配方法 |
| CN115204513A (zh) * | 2022-07-29 | 2022-10-18 | 国网江苏电动汽车服务有限公司 | 一种考虑双边利益的电动汽车充电多目标引导方法 |
| CN115204512A (zh) * | 2022-07-29 | 2022-10-18 | 国网江苏电动汽车服务有限公司 | 多场景下基于数据驱动的车辆充电行为预测模型构建方法 |
| CN115730868A (zh) * | 2023-01-06 | 2023-03-03 | 北京龙德缘电力科技发展有限公司 | 智能配电系统损耗评估及故障计算系统及方法 |
| CN115800385A (zh) * | 2022-08-15 | 2023-03-14 | 国网安徽省电力有限公司经济技术研究院 | 一种基于光伏逆变器和充电桩可调控容量的电能质量调控方法 |
| CN115860498A (zh) * | 2022-12-29 | 2023-03-28 | 清华大学 | 面向绿色低碳的信息系统站点供能规划方案制定方法 |
| CN115907136A (zh) * | 2022-11-16 | 2023-04-04 | 北京国电通网络技术有限公司 | 电动汽车调度方法、装置、设备和计算机可读介质 |
| CN115953010A (zh) * | 2023-03-08 | 2023-04-11 | 北京阿帕科蓝科技有限公司 | 车站选址方法、装置、计算机设备 |
| CN116070822A (zh) * | 2023-01-03 | 2023-05-05 | 国网湖南省电力有限公司 | 区域光伏电站的出力同时系数计算方法及系统 |
| CN116118532A (zh) * | 2022-11-15 | 2023-05-16 | 北京交通大学 | 一种基于交通出行链的充电桩网络布设与功率协同方法 |
| CN116215266A (zh) * | 2023-05-08 | 2023-06-06 | 国网湖北省电力有限公司经济技术研究院 | 一种电动汽车多充电方式联合充电引导方法及系统 |
| CN116307524A (zh) * | 2023-02-16 | 2023-06-23 | 哈尔滨工业大学（深圳） | 基于改善动态用户均衡的电动汽车充电站选址规划方法 |
| 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 |
| CN116384212A (zh) * | 2022-12-16 | 2023-07-04 | 国网江苏省电力有限公司电力科学研究院 | 一种含dg台区的协同降损方法、计算机设备及存储介质 |
| CN116452074A (zh) * | 2023-03-13 | 2023-07-18 | 浙江大学 | 一种电力交通耦合网络的动态均衡建模仿真方法 |
| CN116451503A (zh) * | 2023-05-15 | 2023-07-18 | 宁波安得智联科技有限公司 | 物流平台设施选址方法、装置、设备及存储介质 |
| CN116485157A (zh) * | 2023-06-16 | 2023-07-25 | 四川国蓝中天环境科技集团有限公司 | 一种考虑充电站车辆排队的电动公交充电计划优化方法 |
| CN116523087A (zh) * | 2022-01-21 | 2023-08-01 | 广州蔚景科技有限公司 | 一种融合多因素的充电站站址布局优化方法 |
| CN116667475A (zh) * | 2023-03-13 | 2023-08-29 | 深圳库博能源科技有限公司 | 一种基于云计算的储能管理系统及方法 |
| CN116797002A (zh) * | 2023-08-17 | 2023-09-22 | 国网天津市电力公司培训中心 | 电动汽车充电站规划方法、装置及存储介质 |
| CN117078046A (zh) * | 2023-10-12 | 2023-11-17 | 国网湖北省电力有限公司经济技术研究院 | 一种电动公交车有线无线联合充电优化方法、系统及设备 |
| CN117350519A (zh) * | 2023-12-04 | 2024-01-05 | 武汉理工大学 | 基于新能源乘用车充电需求预测的充电站规划方法及系统 |
| CN117391311A (zh) * | 2023-12-07 | 2024-01-12 | 国网湖北省电力有限公司经济技术研究院 | 计及碳排放和不确定性的充电站和配电网协同规划方法 |
| CN117408498A (zh) * | 2023-12-15 | 2024-01-16 | 陕西德创数字工业智能科技有限公司 | 一种基于新能源大数据的公共充电站选址定容定桩方法 |
| CN117495610A (zh) * | 2023-12-29 | 2024-02-02 | 国网湖北省电力有限公司经济技术研究院 | 一种电动汽车光储充换一体站优化运行方法、系统及设备 |
| CN117557069A (zh) * | 2024-01-10 | 2024-02-13 | 长峡数字能源科技(湖北)有限公司 | 一种充电桩选址方法及系统 |
| CN117575292A (zh) * | 2024-01-15 | 2024-02-20 | 西南交通大学 | 基于人机协同决策的需求响应公交车辆柔性调度优化方法 |
| CN117613959A (zh) * | 2023-11-28 | 2024-02-27 | 国网江苏省电力有限公司镇江供电分公司 | 一种计及电动汽车的新型配电系统混合储能优化配置方法 |
| CN117689096A (zh) * | 2024-01-25 | 2024-03-12 | 武汉科技大学 | 一种具有避障功能的移动充电调度方法 |
| CN117709636A (zh) * | 2023-12-11 | 2024-03-15 | 通号（长沙）轨道交通控制技术有限公司 | 地面储能系统容量配置方法、终端设备及存储介质 |
| CN114050607B (zh) * | 2021-10-25 | 2024-04-05 | 国网冀北电力有限公司经济技术研究院 | 配电网重构数字模型的构建系统 |
| CN117874470A (zh) * | 2024-03-11 | 2024-04-12 | 中电装备山东电子有限公司 | 一种专变采集终端监测数据分析处理方法 |
| CN117895557A (zh) * | 2024-03-14 | 2024-04-16 | 国网山西省电力公司临汾供电公司 | 一种配电网调控方法、装置、介质及产品 |
| CN117911197A (zh) * | 2024-03-20 | 2024-04-19 | 国网江西省电力有限公司电力科学研究院 | 基于改进多目标粒子群算法的光伏选址定容方法及系统 |
| CN114693095B (zh) * | 2022-03-21 | 2024-05-31 | 国网湖北省电力有限公司电力科学研究院 | 一种应用于县域电网的分布式储能电站优化配置方法 |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110895638B (zh) * | 2019-11-22 | 2022-12-06 | 国网福建省电力有限公司 | 考虑电动汽车充电站选址定容的主动配电网模型建立方法 |
| CN112035984B (zh) * | 2020-08-10 | 2024-04-09 | 浙江华云电力工程设计咨询有限公司 | 一种电-气-储区域综合能源系统协同规划方法 |
| CN112131733B (zh) * | 2020-09-15 | 2022-03-11 | 燕山大学 | 计及电动汽车充电负荷影响的分布式电源规划方法 |
| CN112347615A (zh) * | 2020-10-20 | 2021-02-09 | 天津大学 | 一种计及光储快充一体站的配电网混合优化调度方法 |
| CN112949007B (zh) * | 2021-02-08 | 2023-02-03 | 国网河北省电力有限公司衡水供电分公司 | 一种充电桩与分布式电源的选址方法及相关装置 |
| CN113095557B (zh) * | 2021-03-31 | 2023-04-07 | 国网福建省电力有限公司经济技术研究院 | 基于混合用户均衡理论和充放电管理的智能充电站规划方法 |
| CN114362168B (zh) * | 2022-01-11 | 2024-02-13 | 云南电网有限责任公司电力科学研究院 | 一种能源互联系统的设备选型方法 |
| CN114629127B (zh) * | 2022-04-08 | 2024-04-26 | 国家电网公司东北分部 | 电动汽车充电站参与电网调压的建模与控制方法 |
| CN114899825B (zh) * | 2022-04-20 | 2024-04-16 | 国家电网有限公司技术学院分公司 | 一种基于网络等值变换的配电网综合优化方法 |
| CN115149523B (zh) * | 2022-06-27 | 2024-05-07 | 国网山西省电力公司经济技术研究院 | 一种考虑风光出力不确定性的充电站配置方法及系统 |
| CN115147159A (zh) * | 2022-07-15 | 2022-10-04 | 北京航空航天大学 | 一种光储充一体化公交充电场站选址方法 |
| CN116169704A (zh) * | 2023-04-25 | 2023-05-26 | 国网吉林省电力有限公司经济技术研究院 | 一种基于多类型分布式资源的电动汽车充电站优化方法 |
| CN116611673B (zh) * | 2023-07-20 | 2023-10-03 | 国网湖北省电力有限公司经济技术研究院 | 一种面向电力交通耦合网的光储充电站规划方法及系统 |
| CN116707100B (zh) * | 2023-08-09 | 2024-02-27 | 启垠科技(深圳)有限公司 | 基于储能量自检测的储能式极速充控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463701A (zh) * | 2014-12-07 | 2015-03-25 | 国网浙江省电力公司电动汽车服务分公司 | 一种配电系统与电动汽车充电网络的协调规划方法 |
| CN106532686A (zh) * | 2016-11-09 | 2017-03-22 | 国网山东省电力公司济南供电公司 | 基于电动汽车充电配置的片区配电网负荷预测方法 |
| EP3492873A1 (en) * | 2017-11-30 | 2019-06-05 | Einride Ab | Battery pack optimization transport planning method |
| CN110222364A (zh) * | 2019-04-28 | 2019-09-10 | 山东大学 | 高速公路电动汽车应急救援站选址定容方法及系统 |
| CN110458329A (zh) * | 2019-07-11 | 2019-11-15 | 南京邮电大学 | 一种电动汽车充电站选址定容方法 |
| CN110895638A (zh) * | 2019-11-22 | 2020-03-20 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080052145A1 (en) * | 2006-08-10 | 2008-02-28 | V2 Green, Inc. | Power Aggregation System for Distributed Electric Resources |
| CN102521488A (zh) * | 2011-11-28 | 2012-06-27 | 山东电力集团公司济南供电公司 | 一种电动汽车换电站选址方法 |
| CN103699950A (zh) * | 2013-09-07 | 2014-04-02 | 国家电网公司 | 一种考虑交通网络流量的电动汽车充电站规划方法 |
| CN104866915B (zh) * | 2015-05-05 | 2018-08-28 | 湖南大学 | 基于全寿命周期成本的电动汽车充电站优化规划方法 |
| CN105160428B (zh) * | 2015-08-19 | 2018-04-06 | 天津大学 | 高速公路电动汽车快速充电站的规划方法 |
| CN106849065B (zh) * | 2017-03-06 | 2019-06-11 | 四川大学 | 一种计及充电站的配电网多目标协同规划方法 |
| CN108470239B (zh) * | 2018-03-01 | 2020-09-04 | 国网福建省电力有限公司 | 计及需求侧管理和储能的主动配电网多目标分层规划方法 |
| CN108629446A (zh) * | 2018-04-13 | 2018-10-09 | 昆明理工大学 | 考虑含分布式电源配电网可靠性的充电站选址定容方法 |
-
2019
- 2019-11-22 CN CN201911161559.1A patent/CN110895638B/zh active Active
-
2020
- 2020-09-12 WO PCT/CN2020/114922 patent/WO2021098352A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463701A (zh) * | 2014-12-07 | 2015-03-25 | 国网浙江省电力公司电动汽车服务分公司 | 一种配电系统与电动汽车充电网络的协调规划方法 |
| CN106532686A (zh) * | 2016-11-09 | 2017-03-22 | 国网山东省电力公司济南供电公司 | 基于电动汽车充电配置的片区配电网负荷预测方法 |
| EP3492873A1 (en) * | 2017-11-30 | 2019-06-05 | Einride Ab | Battery pack optimization transport planning method |
| CN110222364A (zh) * | 2019-04-28 | 2019-09-10 | 山东大学 | 高速公路电动汽车应急救援站选址定容方法及系统 |
| CN110458329A (zh) * | 2019-07-11 | 2019-11-15 | 南京邮电大学 | 一种电动汽车充电站选址定容方法 |
| CN110895638A (zh) * | 2019-11-22 | 2020-03-20 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
Non-Patent Citations (1)
| Title |
|---|
| GE, SHAOYUN, ZHU LINWEI, LIU HONG, LI TENG, LIU CHANG: "Optimal Deployment of Electric Vehicle Charging Stations on the Highway Based on Dynamic Traffic Simulation", TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY, vol. 33, no. 13, 1 July 2018 (2018-07-01), pages 2991 - 3001, XP055813451, ISSN: 1000-6753, DOI: 10.19595/j.cnki.1000-6753.tces.170608 * |
Cited By (130)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222285B (zh) * | 2021-05-31 | 2023-05-12 | 西安建筑科技大学 | 一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法 |
| CN113222285A (zh) * | 2021-05-31 | 2021-08-06 | 西安建筑科技大学 | 一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法 |
| CN113364049A (zh) * | 2021-06-09 | 2021-09-07 | 福州大学 | 一种考虑交通流量捕获的风-氢-电网耦合规划方法 |
| CN113537562A (zh) * | 2021-06-09 | 2021-10-22 | 西安交通大学 | 一种新能源场站储能配置计算方法及系统 |
| CN113364049B (zh) * | 2021-06-09 | 2024-05-07 | 福州大学 | 一种考虑交通流量捕获的风-氢-电网耦合规划方法 |
| CN113537562B (zh) * | 2021-06-09 | 2023-07-25 | 西安交通大学 | 一种新能源场站储能配置计算方法及系统 |
| CN113629723A (zh) * | 2021-07-05 | 2021-11-09 | 燕山大学 | 考虑dg和apf参与电压治理的svg优化配置方法 |
| CN113629723B (zh) * | 2021-07-05 | 2024-01-12 | 燕山大学 | 考虑dg和apf参与电压治理的svg优化配置方法 |
| CN113313613A (zh) * | 2021-07-06 | 2021-08-27 | 华北电力大学 | 一种电力配网模块化可移动电池储能mmbes优化配置方法 |
| CN113313613B (zh) * | 2021-07-06 | 2024-02-20 | 华北电力大学 | 一种电力配网模块化可移动电池储能mmbes优化配置方法 |
| CN113393172B (zh) * | 2021-07-15 | 2023-10-10 | 华北电力大学 | 一种考虑配电网多设备时序运行的“源网储”规划方法 |
| CN113393172A (zh) * | 2021-07-15 | 2021-09-14 | 华北电力大学 | 一种考虑配电网多设备时序运行的“源网储”规划方法 |
| CN113822463A (zh) * | 2021-08-09 | 2021-12-21 | 武汉理工大学 | 一种基于Voronoi图与改进粒子群算法的电动汽车充电站选址定容方法 |
| CN113673779B (zh) * | 2021-08-30 | 2024-04-30 | 西安建筑科技大学 | 一种农村家庭新能源系统优化配置方法 |
| CN113673779A (zh) * | 2021-08-30 | 2021-11-19 | 西安建筑科技大学 | 一种农村家庭新能源系统优化配置方法 |
| CN113762612A (zh) * | 2021-08-31 | 2021-12-07 | 北京交通大学 | 一种电动汽车充电站的分时运维成本测算方法及装置 |
| CN113937820B (zh) * | 2021-09-03 | 2023-07-21 | 广东电网有限责任公司 | 一种基于深度学习的主动配电网优化调度方法 |
| CN113937820A (zh) * | 2021-09-03 | 2022-01-14 | 广东电网有限责任公司 | 一种基于深度学习的主动配电网优化调度方法 |
| CN113869678A (zh) * | 2021-09-15 | 2021-12-31 | 国网青海省电力公司经济技术研究院 | 一种共享储能模式下电动汽车充电系统容量规划方法 |
| CN113869678B (zh) * | 2021-09-15 | 2024-06-07 | 国网青海省电力公司经济技术研究院 | 一种共享储能模式下电动汽车充电系统容量规划方法 |
| CN113849974A (zh) * | 2021-09-23 | 2021-12-28 | 华能陇东能源有限责任公司 | 一种基于风光出力互补的新能源基地风电场选址方法 |
| CN113849974B (zh) * | 2021-09-23 | 2024-04-26 | 华能陇东能源有限责任公司 | 一种基于风光出力互补的新能源基地风电场选址方法 |
| CN113890075A (zh) * | 2021-09-28 | 2022-01-04 | 国网安徽省电力有限公司经济技术研究院 | 一种大规模电动汽车作为灵活爬坡资源的方法 |
| CN113890075B (zh) * | 2021-09-28 | 2023-10-20 | 国网安徽省电力有限公司经济技术研究院 | 一种大规模电动汽车作为灵活爬坡资源的方法 |
| CN113937798B (zh) * | 2021-10-12 | 2024-04-30 | 浙江华云电力工程设计咨询有限公司 | 一种多站融合场景下考虑新能源消纳的储能系统配置方法 |
| CN113937798A (zh) * | 2021-10-12 | 2022-01-14 | 浙江华云电力工程设计咨询有限公司 | 一种多站融合场景下考虑新能源消纳的储能系统配置方法 |
| CN113937760B (zh) * | 2021-10-12 | 2024-03-22 | 浙江华云电力工程设计咨询有限公司 | 一种多站融合场景下仿射鲁棒模型优化调度方法 |
| CN113937760A (zh) * | 2021-10-12 | 2022-01-14 | 浙江华云电力工程设计咨询有限公司 | 一种多站融合场景下仿射鲁棒模型优化调度方法 |
| CN113852084B (zh) * | 2021-10-22 | 2023-10-03 | 国网辽宁省电力有限公司抚顺供电公司 | 考虑智能软开关优化配置的配电网多阶段韧性提升方法 |
| CN113852084A (zh) * | 2021-10-22 | 2021-12-28 | 国网辽宁省电力有限公司抚顺供电公司 | 考虑智能软开关优化配置的配电网多阶段韧性提升方法 |
| CN113988403A (zh) * | 2021-10-25 | 2022-01-28 | 国网山东省电力公司青岛供电公司 | 一种电动汽车充电负荷预测方法及系统 |
| CN114050607B (zh) * | 2021-10-25 | 2024-04-05 | 国网冀北电力有限公司经济技术研究院 | 配电网重构数字模型的构建系统 |
| CN113964828A (zh) * | 2021-10-28 | 2022-01-21 | 国网宁夏电力有限公司经济技术研究院 | 一种基于区间概率统计模型的配电网协同规划方法 |
| CN113964828B (zh) * | 2021-10-28 | 2024-05-03 | 国网宁夏电力有限公司经济技术研究院 | 一种基于区间概率统计模型的配电网协同规划方法 |
| CN113972659A (zh) * | 2021-11-04 | 2022-01-25 | 国网冀北电力有限公司经济技术研究院 | 一种考虑随机潮流的储能配置方法及系统 |
| CN113972659B (zh) * | 2021-11-04 | 2024-02-02 | 国网冀北电力有限公司经济技术研究院 | 一种考虑随机潮流的储能配置方法及系统 |
| CN114219676B (zh) * | 2021-11-05 | 2024-05-31 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于荷储协同效应的储能装置选址定容方法 |
| CN114219676A (zh) * | 2021-11-05 | 2022-03-22 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于荷储协同效应的储能装置选址定容方法 |
| CN114049004B (zh) * | 2021-11-11 | 2024-04-19 | 东南大学 | 一种电氢能源站容量随机规划方法、系统和装置 |
| CN114049004A (zh) * | 2021-11-11 | 2022-02-15 | 东南大学 | 一种电氢能源站容量随机规划方法、系统和装置 |
| CN114243708A (zh) * | 2021-11-25 | 2022-03-25 | 西南交通大学 | 一种基于交流模型的输电网扩展规划优化方法 |
| CN114022038A (zh) * | 2021-11-25 | 2022-02-08 | 国网安徽省电力有限公司经济技术研究院 | 一种配电网线路扩展规划方法及其规划结果评价方法 |
| CN114243708B (zh) * | 2021-11-25 | 2023-04-18 | 西南交通大学 | 一种基于交流模型的输电网扩展规划优化方法 |
| CN114117703A (zh) * | 2021-11-30 | 2022-03-01 | 南方电网能源发展研究院有限责任公司 | 基于交通网络和配电网络耦合的充电站配置方法、装置 |
| CN113954680B (zh) * | 2021-12-07 | 2023-08-25 | 国网浙江杭州市萧山区供电有限公司 | 基于充电时段优化的电动汽车充电控制方法 |
| CN113954680A (zh) * | 2021-12-07 | 2022-01-21 | 国网浙江杭州市萧山区供电有限公司 | 基于充电时段优化的电动汽车充电控制方法 |
| CN114243688B (zh) * | 2021-12-13 | 2023-09-26 | 国网内蒙古东部电力有限公司经济技术研究院 | 基于单元划分的配电网稳定性及投资方案确定方法 |
| CN114243688A (zh) * | 2021-12-13 | 2022-03-25 | 国网内蒙古东部电力有限公司经济技术研究院 | 基于单元划分的配电网稳定性及投资方案确定方法 |
| CN114362155A (zh) * | 2021-12-29 | 2022-04-15 | 国网宁夏电力有限公司电力科学研究院 | 考虑主动管理措施和需求响应的主动配电网重构方法 |
| CN114362155B (zh) * | 2021-12-29 | 2023-11-07 | 国网宁夏电力有限公司电力科学研究院 | 考虑主动管理措施和需求响应的主动配电网重构方法 |
| CN114548484A (zh) * | 2022-01-07 | 2022-05-27 | 国网湖北省电力有限公司黄冈供电公司 | 一种电动汽车充电站点选址规划方法 |
| CN114336636B (zh) * | 2022-01-10 | 2023-10-03 | 国网宁夏电力有限公司经济技术研究院 | 一种交直流混合配电网系统双层储能配置方法 |
| CN114336636A (zh) * | 2022-01-10 | 2022-04-12 | 国网宁夏电力有限公司经济技术研究院 | 一种交直流混合配电网系统双层储能配置方法 |
| CN116523087A (zh) * | 2022-01-21 | 2023-08-01 | 广州蔚景科技有限公司 | 一种融合多因素的充电站站址布局优化方法 |
| CN116523087B (zh) * | 2022-01-21 | 2024-04-02 | 广州蔚景科技有限公司 | 一种融合多因素的充电站站址布局优化方法 |
| CN114707292A (zh) * | 2022-01-21 | 2022-07-05 | 东北电力大学 | 含电动汽车配电网电压稳定性分析方法 |
| CN114707292B (zh) * | 2022-01-21 | 2024-05-24 | 东北电力大学 | 含电动汽车配电网电压稳定性分析方法 |
| CN114580194A (zh) * | 2022-03-16 | 2022-06-03 | 国网江苏省电力有限公司苏州供电分公司 | 一种规模化电动汽车接入负荷边界方法及系统 |
| CN114580194B (zh) * | 2022-03-16 | 2024-03-29 | 国网江苏省电力有限公司苏州供电分公司 | 一种规模化电动汽车接入负荷边界方法及系统 |
| CN114693095B (zh) * | 2022-03-21 | 2024-05-31 | 国网湖北省电力有限公司电力科学研究院 | 一种应用于县域电网的分布式储能电站优化配置方法 |
| CN114693095A (zh) * | 2022-03-21 | 2022-07-01 | 国网湖北省电力有限公司电力科学研究院 | 一种应用于县域电网的分布式储能电站优化配置方法 |
| CN114781141A (zh) * | 2022-04-11 | 2022-07-22 | 武汉大学 | 一种基于动态交通流和用户心理的电动汽车出行引导方法 |
| CN114781141B (zh) * | 2022-04-11 | 2024-04-09 | 武汉大学 | 一种基于动态交通流和用户心理的电动汽车出行引导方法 |
| CN114999668B (zh) * | 2022-04-13 | 2024-06-07 | 浙江大学 | 基于整数规划的公共交通系统疫情传播阻断方法 |
| CN114999668A (zh) * | 2022-04-13 | 2022-09-02 | 浙江大学 | 基于整数规划的公共交通系统疫情传播阻断方法 |
| CN114722615A (zh) * | 2022-04-18 | 2022-07-08 | 国网浙江省电力有限公司经济技术研究院 | 一种基于生产运营模拟的储能容量优化配置方法 |
| CN114722615B (zh) * | 2022-04-18 | 2024-05-31 | 国网浙江省电力有限公司经济技术研究院 | 一种基于生产运营模拟的储能容量优化配置方法 |
| CN114825381A (zh) * | 2022-05-22 | 2022-07-29 | 国网甘肃省电力公司电力科学研究院 | 一种风光新能源基地光热电站容量配置方法 |
| CN114937997B (zh) * | 2022-06-13 | 2024-03-01 | 合肥工业大学 | 基于潮流约束线性边界化和评价指标的储能选址规划方法 |
| CN114937997A (zh) * | 2022-06-13 | 2022-08-23 | 合肥工业大学 | 基于潮流约束线性边界化和评价指标的储能选址规划方法 |
| CN115171381A (zh) * | 2022-07-04 | 2022-10-11 | 长沙理工大学 | 考虑电动汽车服务区选择下的混合交通网络分配方法 |
| CN114865674A (zh) * | 2022-07-06 | 2022-08-05 | 国网湖北省电力有限公司经济技术研究院 | 一种大规模电动汽车接入场景下配电网馈线负荷调整方法 |
| CN115117931A (zh) * | 2022-07-14 | 2022-09-27 | 华北电力大学 | 考虑电动汽车灵活性和光伏接入的配电网规划方法及系统 |
| CN115115268B (zh) * | 2022-07-22 | 2023-04-18 | 东南大学溧阳研究院 | 基于路电耦合与低碳约束的电动汽车充电桩容量规划方法 |
| CN115115268A (zh) * | 2022-07-22 | 2022-09-27 | 东南大学溧阳研究院 | 基于路电耦合与低碳约束的电动汽车充电桩容量规划方法 |
| CN115204513A (zh) * | 2022-07-29 | 2022-10-18 | 国网江苏电动汽车服务有限公司 | 一种考虑双边利益的电动汽车充电多目标引导方法 |
| CN115204512A (zh) * | 2022-07-29 | 2022-10-18 | 国网江苏电动汽车服务有限公司 | 多场景下基于数据驱动的车辆充电行为预测模型构建方法 |
| CN115204512B (zh) * | 2022-07-29 | 2024-04-12 | 国网江苏电动汽车服务有限公司 | 多场景下基于数据驱动的车辆充电行为预测模型构建方法 |
| CN115800385A (zh) * | 2022-08-15 | 2023-03-14 | 国网安徽省电力有限公司经济技术研究院 | 一种基于光伏逆变器和充电桩可调控容量的电能质量调控方法 |
| CN115800385B (zh) * | 2022-08-15 | 2024-04-19 | 国网安徽省电力有限公司经济技术研究院 | 一种基于光伏逆变器和充电桩可调控容量的电能质量调控方法 |
| CN116118532A (zh) * | 2022-11-15 | 2023-05-16 | 北京交通大学 | 一种基于交通出行链的充电桩网络布设与功率协同方法 |
| CN116118532B (zh) * | 2022-11-15 | 2024-03-08 | 北京交通大学 | 一种基于交通出行链的充电桩网络布设与功率协同方法 |
| CN115907136B (zh) * | 2022-11-16 | 2023-10-20 | 北京国电通网络技术有限公司 | 电动汽车调度方法、装置、设备和计算机可读介质 |
| CN115907136A (zh) * | 2022-11-16 | 2023-04-04 | 北京国电通网络技术有限公司 | 电动汽车调度方法、装置、设备和计算机可读介质 |
| CN116384212B (zh) * | 2022-12-16 | 2023-12-05 | 国网江苏省电力有限公司电力科学研究院 | 一种含dg台区的协同降损方法、计算机设备及存储介质 |
| CN116384212A (zh) * | 2022-12-16 | 2023-07-04 | 国网江苏省电力有限公司电力科学研究院 | 一种含dg台区的协同降损方法、计算机设备及存储介质 |
| CN115860498A (zh) * | 2022-12-29 | 2023-03-28 | 清华大学 | 面向绿色低碳的信息系统站点供能规划方案制定方法 |
| CN115860498B (zh) * | 2022-12-29 | 2024-02-23 | 清华大学 | 面向绿色低碳的信息系统站点供能规划方案制定方法 |
| CN116070822A (zh) * | 2023-01-03 | 2023-05-05 | 国网湖南省电力有限公司 | 区域光伏电站的出力同时系数计算方法及系统 |
| CN116070822B (zh) * | 2023-01-03 | 2024-05-03 | 国网湖南省电力有限公司 | 区域光伏电站的出力同时系数计算方法及系统 |
| CN115730868A (zh) * | 2023-01-06 | 2023-03-03 | 北京龙德缘电力科技发展有限公司 | 智能配电系统损耗评估及故障计算系统及方法 |
| CN116307524A (zh) * | 2023-02-16 | 2023-06-23 | 哈尔滨工业大学（深圳） | 基于改善动态用户均衡的电动汽车充电站选址规划方法 |
| CN116307524B (zh) * | 2023-02-16 | 2024-03-19 | 哈尔滨工业大学（深圳） | 基于改善动态用户均衡的电动汽车充电站选址规划方法 |
| CN115953010A (zh) * | 2023-03-08 | 2023-04-11 | 北京阿帕科蓝科技有限公司 | 车站选址方法、装置、计算机设备 |
| CN116452074B (zh) * | 2023-03-13 | 2023-11-07 | 浙江大学 | 一种电力交通耦合网络的动态均衡建模仿真方法 |
| CN116452074A (zh) * | 2023-03-13 | 2023-07-18 | 浙江大学 | 一种电力交通耦合网络的动态均衡建模仿真方法 |
| CN116667475B (zh) * | 2023-03-13 | 2024-05-07 | 深圳库博能源科技有限公司 | 一种基于云计算的储能管理系统及方法 |
| CN116667475A (zh) * | 2023-03-13 | 2023-08-29 | 深圳库博能源科技有限公司 | 一种基于云计算的储能管理系统及方法 |
| CN116215266A (zh) * | 2023-05-08 | 2023-06-06 | 国网湖北省电力有限公司经济技术研究院 | 一种电动汽车多充电方式联合充电引导方法及系统 |
| CN116451503A (zh) * | 2023-05-15 | 2023-07-18 | 宁波安得智联科技有限公司 | 物流平台设施选址方法、装置、设备及存储介质 |
| CN116451503B (zh) * | 2023-05-15 | 2023-11-07 | 宁波安得智联科技有限公司 | 物流平台设施选址方法、装置、设备及存储介质 |
| CN116307647B (zh) * | 2023-05-24 | 2023-08-15 | 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 |
| 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 |
| CN116485157B (zh) * | 2023-06-16 | 2023-08-22 | 四川国蓝中天环境科技集团有限公司 | 一种考虑充电站车辆排队的电动公交充电计划优化方法 |
| CN116485157A (zh) * | 2023-06-16 | 2023-07-25 | 四川国蓝中天环境科技集团有限公司 | 一种考虑充电站车辆排队的电动公交充电计划优化方法 |
| CN116797002A (zh) * | 2023-08-17 | 2023-09-22 | 国网天津市电力公司培训中心 | 电动汽车充电站规划方法、装置及存储介质 |
| CN116797002B (zh) * | 2023-08-17 | 2023-11-28 | 国网天津市电力公司培训中心 | 电动汽车充电站规划方法、装置及存储介质 |
| CN117078046B (zh) * | 2023-10-12 | 2024-01-09 | 国网湖北省电力有限公司经济技术研究院 | 一种电动公交车有线无线联合充电优化方法、系统及设备 |
| CN117078046A (zh) * | 2023-10-12 | 2023-11-17 | 国网湖北省电力有限公司经济技术研究院 | 一种电动公交车有线无线联合充电优化方法、系统及设备 |
| CN117613959A (zh) * | 2023-11-28 | 2024-02-27 | 国网江苏省电力有限公司镇江供电分公司 | 一种计及电动汽车的新型配电系统混合储能优化配置方法 |
| CN117350519B (zh) * | 2023-12-04 | 2024-05-17 | 武汉理工大学 | 基于新能源乘用车充电需求预测的充电站规划方法及系统 |
| CN117350519A (zh) * | 2023-12-04 | 2024-01-05 | 武汉理工大学 | 基于新能源乘用车充电需求预测的充电站规划方法及系统 |
| CN117391311B (zh) * | 2023-12-07 | 2024-03-08 | 国网湖北省电力有限公司经济技术研究院 | 计及碳排放和不确定性的充电站和配电网协同规划方法及装置 |
| CN117391311A (zh) * | 2023-12-07 | 2024-01-12 | 国网湖北省电力有限公司经济技术研究院 | 计及碳排放和不确定性的充电站和配电网协同规划方法 |
| CN117709636A (zh) * | 2023-12-11 | 2024-03-15 | 通号（长沙）轨道交通控制技术有限公司 | 地面储能系统容量配置方法、终端设备及存储介质 |
| CN117408498A (zh) * | 2023-12-15 | 2024-01-16 | 陕西德创数字工业智能科技有限公司 | 一种基于新能源大数据的公共充电站选址定容定桩方法 |
| CN117408498B (zh) * | 2023-12-15 | 2024-02-23 | 陕西德创数字工业智能科技有限公司 | 一种基于新能源大数据的公共充电站选址定容定桩方法 |
| CN117495610A (zh) * | 2023-12-29 | 2024-02-02 | 国网湖北省电力有限公司经济技术研究院 | 一种电动汽车光储充换一体站优化运行方法、系统及设备 |
| CN117495610B (zh) * | 2023-12-29 | 2024-03-29 | 国网湖北省电力有限公司经济技术研究院 | 一种电动汽车光储充换一体站优化运行方法、系统及设备 |
| CN117557069A (zh) * | 2024-01-10 | 2024-02-13 | 长峡数字能源科技(湖北)有限公司 | 一种充电桩选址方法及系统 |
| CN117557069B (zh) * | 2024-01-10 | 2024-03-26 | 长峡数字能源科技(湖北)有限公司 | 一种充电桩选址方法及系统、电子设备、存储介质 |
| CN117575292B (zh) * | 2024-01-15 | 2024-03-26 | 西南交通大学 | 基于人机协同决策的需求响应公交车辆柔性调度优化方法 |
| CN117575292A (zh) * | 2024-01-15 | 2024-02-20 | 西南交通大学 | 基于人机协同决策的需求响应公交车辆柔性调度优化方法 |
| CN117689096B (zh) * | 2024-01-25 | 2024-04-19 | 武汉科技大学 | 一种具有避障功能的移动充电调度方法 |
| CN117689096A (zh) * | 2024-01-25 | 2024-03-12 | 武汉科技大学 | 一种具有避障功能的移动充电调度方法 |
| CN117874470B (zh) * | 2024-03-11 | 2024-06-07 | 中电装备山东电子有限公司 | 一种专变采集终端监测数据分析处理方法 |
| CN117874470A (zh) * | 2024-03-11 | 2024-04-12 | 中电装备山东电子有限公司 | 一种专变采集终端监测数据分析处理方法 |
| CN117895557A (zh) * | 2024-03-14 | 2024-04-16 | 国网山西省电力公司临汾供电公司 | 一种配电网调控方法、装置、介质及产品 |
| CN117895557B (zh) * | 2024-03-14 | 2024-05-24 | 国网山西省电力公司临汾供电公司 | 一种配电网调控方法、装置、介质及产品 |
| CN117911197A (zh) * | 2024-03-20 | 2024-04-19 | 国网江西省电力有限公司电力科学研究院 | 基于改进多目标粒子群算法的光伏选址定容方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110895638B (zh) | 2022-12-06 |
| CN110895638A (zh) | 2020-03-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021098352A1 (zh) | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 | |
| US11878602B2 (en) | Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station | |
| CN109492791B (zh) | 基于充电引导的城际高速路网光储充电站定容规划方法 | |
| CN111799827B (zh) | 一种含光储充电站的台区负荷调控方法 | |
| Shang et al. | Internet of smart charging points with photovoltaic Integration: A high-efficiency scheme enabling optimal dispatching between electric vehicles and power grids | |
| CN112467722A (zh) | 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法 | |
| CN105160451A (zh) | 一种含电动汽车的微电网多目标优化调度方法 | |
| CN107092985A (zh) | 一种面向电动汽车群柔性充放电响应的主动配电网阻塞调度方法 | |
| Tao et al. | Pricing strategy and charging management for PV-assisted electric vehicle charging station | |
| CN107453381B (zh) | 基于两阶段交叉控制的电动汽车集群功率调节方法及系统 | |
| CN106877339B (zh) | 一种考虑电动汽车接入配电网后随机模糊潮流的分析方法 | |
| CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
| CN109657993A (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 | |
| CN105868499B (zh) | 一种含风光储的电动汽车充电站容量配比方法 | |
| CN110415016A (zh) | 一种基于最优化充放电策略的充电价格制定策略 | |
| CN112186802A (zh) | 一种动态经济调度的多时间尺度滚动调度方法及其系统 | |
| CN106372752A (zh) | 一种变频空调热电池建模及其调度方法 | |
| CN109742755A (zh) | 基于节点分区的含电动汽车的主动配电网运行调度方法 | |
| CN108921331A (zh) | 一种计及v2g功能的电动汽车与新能源的调度优化建模及算法 | |
| CN115511658A (zh) | 一种计及储能装置折损的楼宇能量优化方法 | |
| CN114914923A (zh) | 基于网格法的变时长两阶段电动汽车调度方法及系统 | |
| CN109038655B (zh) | 限电要求下大型光伏电站的配套储能容量计算方法 | |
| Arab et al. | A priority-based seven-layer strategy for energy management cooperation in a smart city integrated green technology | |
| CN109740825A (zh) | 一种考虑交通拥堵因素下的电动汽车充放电方法 | |
| CN108932558A (zh) | 一种对外开放型电动公交充电站负荷预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20889056 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20889056 Country of ref document: EP Kind code of ref document: A1 |
|
| 32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 17.05.2023) |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20889056 Country of ref document: EP Kind code of ref document: A1 |