CN105160151A - 一种基于模糊K-means算法的电动汽车应急供电方法 - Google Patents
一种基于模糊K-means算法的电动汽车应急供电方法 Download PDFInfo
- Publication number
- CN105160151A CN105160151A CN201510463557.3A CN201510463557A CN105160151A CN 105160151 A CN105160151 A CN 105160151A CN 201510463557 A CN201510463557 A CN 201510463557A CN 105160151 A CN105160151 A CN 105160151A
- Authority
- CN
- China
- Prior art keywords
- electric automobile
- important load
- sigma
- jth
- emergency service
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明针对电动汽车移动储能特点,公开了包含重要用户停电损失费用及电动汽车运行、调度、维护费用最小的基于模糊K-means算法的电动汽车应急供电方法,该方法是基于电动汽车应急供电调度平台开展区域内随机分散电动汽车的主动集中应急供电工作,采用模糊K-means聚类算法,根据重要负荷位置和重要性指标以及重要负荷附近充电站位置信息,生成K个质心,完成区域内分散电动汽车向这K个质心的聚类工作,实现电动汽车应急供电模型中电动汽车运行、调度、维护成本最小化。该研究可充分发挥城市电动汽车的移动储能优势,大大降低城市其他应急电源设备的数量,减小用户停电损失,提高城市用电可靠性。
Description
技术领域
本发明属于电动汽车技术领域,涉及一种基于模糊K-means算法的电动汽车应急供电方法。
背景技术
电能是现代人类社会赖以生存的主要能源形式,在经济发展和日常生活中具有不可替代的作用,但是随着各类自然灾害和极端恶劣天气出现,电力***连续安全工作面临着严峻的考验,如何建立健全行之有效的应急供电措施,快速应对和解决电力突发事件意义重大。
城市电网与其他大面积停电应急处理不同,在应急供电处理上有其自身特殊性,一旦城市电网遭遇停电危机,医院等重要用户的供电安全势必受到严重影响。由于目前应急电源(emergencypowersupply,EPS),即移动发电车的造价较昂贵,我国大部分城市各分区供电所应急电源的配置数量不足。在这种情况下,为城市供电企业提供一个最优的应急电源配置方案,增强城市供电应急处理的恢复供电能力,是一项亟待解决的问题。
随着电动汽车(electricvehicle,EV)的规模化发展,其作为移动储能元件在EPS方面已有应用,但是鉴于电动汽车随机分散特点,如何快速有效的调动区域内电动汽车、充分挖掘电动汽车的移动储能优势、实现应急供电,依然是个有待解决的难题。
发明内容
针对现有技术上存在的不足,本发明目的是在于提供一种基于模糊K-means算法的电动汽车应急供电聚集方法,用于提高电动汽车主动聚集能力,降低电动汽车聚集时间,快速有效的调动区域内电动汽车、充分挖掘电动汽车的移动储能优势、实现应急供电。
为了实现上述目的,本发明是通过如下的技术方案来实现:
一种基于模糊K-means算法的电动汽车应急供电聚集方法,其方法是基于电动汽车应急供电调度平台开展区域内随机分散电动汽车的主动集中应急供电工作,采用模糊K-means聚类算法,根据重要负荷位置和重要性指标以及重要负荷附近充电站位置信息,生成K个质心,完成区域内分散电动汽车向这K个质心的聚类工作,实现电动汽车应急供电模型中电动汽车运行、调度、维护成本最小化。
所述电动汽车应急供电调度平台是实施电动汽车快速响应待恢复重要负荷应急供电的工具,需汇集和联动城市电网突发事故信息,包括电网当前负荷及运行信息、分散电动汽车位置及重要负荷位置信息、电动汽车数量及其他EPS信息、交通及天气信息以及激励补贴措施等信息。
所述电动汽车应急供电模型是以电动汽车容量配置和重要用户应急电源需求情况为基础,以总消耗费用最小为目标函数,所述总消耗费用包括重要用户停电损失费用及电动汽车运行、调度、维护费用等。所述容量模型:
式中:
WEV—区域所有电动汽车可用电量,单位kWh;
W—区域实际需求重要负荷电量,单位kWh;
WEV-i—区域内第i个电动汽车可用电量,单位kWh;
Wj—区域内第j个重要用户用电量,单位kWh;
PEV-i—区域内第i个电动汽车放电功率,单位kW;
Pj—区域内第j个实际需求重要负荷,单位kW;
m—区域电动汽车总量;
n—区域重要用户数量;
tpi—第i个电动汽车期望供电时间,单位h;
tj—第j个重要负荷实际需要供电时间,单位h。该容量模型需满足如下约束条件:
式中:
Pi-max—区域单辆电动汽车最大放电功率,单位kW;
Ui—区域第i辆电动汽车实际电压,单位V;
Ii-max—区域第i辆电动汽车最大放电电流,单位A;
SOCi—第i辆电动汽车的当前荷电状态,即当前电量与额定电量比值。
若式(1)容量模型满足式(2)约束条件,且通过调度控制可以实现同时放电,则该区域内规模化电动汽车可作为一种EPS,在城市电网面临断电时为重要用户提供不间断供电。
所述电动汽车应急供电模型目标函数:
式中:
Cj—单位时间内第j个重要负荷的损失费用;
CEV—电动汽车作为应急电源时单位容量消耗费用;
Zij—应急供电最优匹配决策变量,若Zij=1,表示第i个电动汽车为第j个重要负荷紧急供电,否则Zij=0;
Ij—第j个重要负荷的停电损失综合指标;
Tj—第j个重要负荷允许停电最大持续时间;
PEV-ij—第i个电动汽车为第j个重要负荷提供的容量;
η1—电动汽车作为应急电源使用疲劳系数;
η2—电动汽车保证正常运行的预留电量比例系数;
λ—电动汽车作为应急电源的运行、调度、维护费用比例系数,跟单位时间电动汽车自身消耗能量等因素有关;
αj、βj、γj—第j个重要负荷的生命安全、经济性、特殊性权重取值[12];
A—生命安全系数,A≥1。
该模型需满足如下约束条件:
tij+Td<Tj(5)
式中:
tij—区域内第i个电动汽车到第j个用户的最短时间;
Td—电动汽车到达应急地后接线的平均时间;
m1—给第j个重要负荷提供应急供电的电动汽车数量。
所述模糊K-means算法把m个电动汽车位置信息向量xi(i=1,2,…,m)分为K个模糊簇,并求每个簇的聚类中心,使得非相似性指标的目标函数达到最小。其目标函数可定义为:
式中:
Jj—模糊簇j的目标函数;
dij—模糊簇j的聚类中心到第i个电动汽车之间的欧式距离;
cj,j=1,···,K—模糊簇j的聚类中心;
U—二维隶属矩阵,有U={μij}m×k;
uij—第i辆电动汽车与第j个重要负荷之间的非相似性指标;
xi—第i个电动汽车位置信息;
νj—第j个重要负荷位置信息;
式(7)存在的必要条件为:
Pj≤PEVj(13)
式(13)中Pj为第j簇聚类中重要负荷容量,PEVj为该簇对应所有电动汽车总容量。
所述模糊K-means算法通过下列步骤确定聚类中心cj和隶属矩阵U:
步骤1:用值在0,1间的随机数初始化隶属矩阵U,使其满足式(9)的约束条件;
步骤2:用式(12)计算K个聚类中心cj,j=1,…,K;
步骤3:根据式(7)计算目标函数,如果它小于某个确定的阀值,或它相对上次目标函数值的改变量小于某个阀值,则算法停止;
步骤4:用式(13)判断电动汽车容量是否满足该簇重要负荷需求,若满足则结束聚类,若不满足则进行步骤5;
步骤5:用式(14)计算新的U矩阵,返回步骤2。
与现有技术相比,本发明有如下优点:
1、本发明提出了包含重要用户停电损失费用及电动汽车运行、调度、维护费用最小的电动汽车应急供电模型。
2、本发明可根据重要负荷位置信息生产相应数量的聚集中心,提高电动汽车主动聚集能力,降低电动汽车聚集时间,保证电动汽车在最短的时间内聚往聚集中心,实现应急供电。
3、本发明可充分发挥城市电动汽车的移动储能优势,大大降低城市其他应急电源设备的数量,减小用户停电损失,提高城市用电可靠性。
附图说明
下面结合附图和具体实施方式来详细说明本发明;
图1是本发明基于K-means算法的电动汽车应急供电方法执行流程图。
图2是本发明的交通网络配置信息图。
图3是本发明的模糊K-means算法聚集结果图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参见图1-图3,根据本发明提供的一种基于模糊K-means算法的电动汽车应急供电方法,其是基于电动汽车应急供电调度平台开展区域内随机分散电动汽车的主动集中应急供电工作,采用模糊K-means聚类算法,根据重要负荷位置和重要性指标以及重要负荷附近充电站位置信息,生成K个质心,完成区域内分散电动汽车向这K个质心的聚类工作,实现电动汽车应急供电模型中电动汽车运行、调度、维护成本最小化;基于K-means算法的电动汽车应急供电方法的执行流程如图1所示。
为详细阐述本发明,本实施例提供如下算例分析:
假定某城市电网范围内有30辆电动汽车,每辆车电池容量为60Ah,供电电压为400v,对应24kWh电量,分别为5个待恢复重要负荷分配应急电源,通过电网地理外部的信息统计计算并结合交通网络信息,建立如图2所示的交通网络配置信息图。
图2每个支路中的数字为电动汽车行驶至重要负荷处的最小物流时间tij,单位为min,物流时间即各电动汽车将动力电池运到重要负荷所需的实际时间。停电事故待恢复重要负荷及权重值由表1给出。
表1待恢复重要负荷性质及指标取值
根据表1中的容量、权重系数等参数,首先由公式(4)得到重要负荷的停电损失综合指标,其中A取值为3,如表2所示。
表2待恢复重要负荷综合指标
针对图2给出的电动汽车和重要负荷相关信息,假定5个重要负荷为5个模糊质心,30辆电动汽车为聚类数据对象,利用公式(7)K-means算法进行聚类编程,表2中综合性能指标和图2中最小物流时间tij为聚类重要信息,公式(9)(14)作为聚类约束条件。图3给出了K-means算法的聚类结果。
图3聚类后的各重要负荷符合式(2)、(6)和(13)电动汽车总供电容量大于对应重要负荷需求容量的约束条件,以重要负荷c5为例进行说明,假定每辆电动汽车最大可提供75%的容量,根据图3聚类结果知c5处聚集7辆电动汽车,可提供最大容量为126kWh,由于c5处负荷功率为120kW,所以可以为重要负荷提供超过一小时的连续供电时间。同样可以验证聚类结果也满足其他几个重要负荷需求。
下面计算电动汽车应急供电模型中总消耗费用,即公式(3)数学模型。其中各参数选取如下:λ取0.68,UEV取0.05万元/kW,η1取0.8、η2取0.3,重要负荷容量Pj、最大停电持续时间Tj、单位时间内重要负荷损失费用Uj由表1给出,综合权重指标Ij由表2给出。根据图3聚类结果,应用公式(3)模型,计算最小总消耗费用为779.625万元(其中,用户停电损失费用为636.187万元,电动汽车运行、调度、维护费用为134.438万元)。若电动汽车不参与应急供电,则最小总费用约为2256.762万元(其中,用户停电损失费用为1887.553万元,其他应急电源投资费用为369.209万元)。
由以上计算、分析可知,若区域内电动汽车参与应急供电,用户停电损失费用降低为原来的33.7%,最小总消耗费用降低为原来的约为原来费用的34.5%,并且可减少其他应急电源的投资。
基于上述,本发明针对电动汽车移动储能特点,提出了包含重要用户停电损失费用及电动汽车运行、调度、维护费用最小的电动汽车应急供电方法,该方法基于电动汽车应急供电调度平台开展区域内随机分散电动汽车的主动集中应急供电工作,采用模糊K-means聚类算法,根据重要负荷位置和重要性指标以及重要负荷附近充电站位置信息,生成K个质心,完成区域内分散电动汽车向这K个质心的聚类工作,实现电动汽车应急供电模型中电动汽车运行、调度、维护成本最小化,本发明可充分发挥城市电动汽车的移动储能优势,大大降低城市其他应急电源设备的数量,减小用户停电损失,提高城市用电可靠性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于模糊K-means算法的电动汽车应急供电方法,其特征在于:其方法为:首先基于电动汽车应急供电调度平台开展区域内随机分散电动汽车的主动集中应急供电工作,然后采用模糊K-means聚类算法,根据重要负荷位置和重要性指标以及重要负荷附近充电站位置信息,生成K个质心,完成区域内分散电动汽车向这K个质心的聚类工作,实现电动汽车应急供电模型中电动汽车运行、调度、维护成本最小化;
所述电动汽车应急供电模型是以电动汽车容量配置和重要用户应急电源需求情况为基础,以总消耗费用最小为目标函数;该电动汽车应急供电模型为:
其中:Cj—单位时间内第j个重要负荷的损失费用;
CEV—电动汽车作为应急电源时单位容量消耗费用;
Zij—应急供电最优匹配决策变量,若Zij=1,表示第i个电动汽车为第j个重要负荷紧急供电,否则Zij=0;
Ij—第j个重要负荷的停电损失综合指标;
Tj—第j个重要负荷允许停电最大持续时间;
PEV-ij—第i个电动汽车为第j个重要负荷提供的容量;
η1—电动汽车作为应急电源使用疲劳系数;
η2—电动汽车保证正常运行的预留电量比例系数;
λ—电动汽车作为应急电源的运行、调度、维护费用比例系数,跟单位时间电动汽车自身消耗能量的因素有关;
αj、βj、γj—第j个重要负荷的生命安全、经济性、特殊性权重取值[12];
A—生命安全系数,A≥1;
所述电动汽车应急供电模型需满足如下约束条件:
tij+Td<Tj(3)
式中:
tij—区域内第i个电动汽车到第j个用户的最短时间;
Td—电动汽车到达应急地后接线的平均时间;
m1—给第j个重要负荷提供应急供电的电动汽车数量;
Pj—区域内第j个实际需求重要负荷;
Tj—第j个重要负荷允许停电最大持续时间;
所述模糊K-means聚类算法是把m个电动汽车位置信息向量xi,分为K个模糊簇,并求每个模糊簇的聚类中心,使得非相似性指标的目标函数达到最小;其中i=1,2,…,m;所述非相似性指标的目标函数为:
式中:Jj为模糊簇j的目标函数;dij为模糊簇j的聚类中心到第i个电动汽车之间的欧式距离;cj为模糊簇j的聚类中心,j=1,2,…,K;U为二维隶属矩阵,有U={μij}m×k;uij为第i辆电动汽车与第j个重要负荷之间的非相似性指标;xi为第i个电动汽车位置信息;νj为第j个重要负荷位置信息;
所述非相似性指标的目标函数存在的必要条件为:
Pj≤PEVj(11)
其中Pj为第j簇聚类中重要负荷容量,PEVj为第j簇聚类对应所有电动汽车总容量。
2.根据权利要求1所述的电动汽车应急供电方法,其特征在于,所述平台是实施电动汽车快速响应待恢复重要负荷应急供电的工具,需汇集和联动城市电网突发事故信息,所述城市电网突发事故信息包括电网当前负荷及运行信息、分散电动汽车位置及重要负荷位置信息、电动汽车数量及其他EPS信息、交通及天气信息以及激励补贴措施信息。
3.根据权利要求1所述的电动汽车应急供电方法,其特征在于,所述总消耗费用包括重要用户停电损失费用及电动汽车运行、调度、维护费用。
4.根据权利要求1所述的电动汽车应急供电模型,其特征在于,所述电动汽车容量配置的容量模型为:
式中:
WEV—区域所有电动汽车可用电量,单位kWh;
W—区域实际需求重要负荷电量,单位kWh;
WEV-i—区域内第i个电动汽车可用电量,单位kWh;
Wj—区域内第j个重要用户用电量,单位kWh;
PEV-i—区域内第i个电动汽车放电功率,单位kW;
Pj—区域内第j个实际需求重要负荷,单位kW;
m—区域电动汽车总量;
n—区域重要用户数量;
tpi—第i个电动汽车期望供电时间,单位h;
tj—第j个重要负荷实际需要供电时间,单位h。
5.根据权利要求1所述的电动汽车应急供电方法,其特征在于,所述模糊K-means聚类算法中通过下列步骤确定聚类中心cj和隶属矩阵U:
步骤1:用值在0,1间的随机数初始化隶属矩阵U,使其满足公式(7)的约束条件;
步骤2:用公式(10)计算K个聚类中心cj,j=1,…,K;
步骤3:根据公式(5)计算目标函数,如果它小于某个确定的阀值,或它相对上次目标函数值的改变量小于某个阀值,则算法停止;
步骤4:用式(11)判断电动汽车容量是否满足该簇重要负荷需求,若满足则结束聚类,若不满足则进行步骤5;
步骤5:用式(12)计算新的U矩阵,返回步骤2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510463557.3A CN105160151B (zh) | 2015-07-31 | 2015-07-31 | 一种基于模糊K‑means算法的电动汽车应急供电方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510463557.3A CN105160151B (zh) | 2015-07-31 | 2015-07-31 | 一种基于模糊K‑means算法的电动汽车应急供电方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105160151A true CN105160151A (zh) | 2015-12-16 |
CN105160151B CN105160151B (zh) | 2018-02-13 |
Family
ID=54801007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510463557.3A Active CN105160151B (zh) | 2015-07-31 | 2015-07-31 | 一种基于模糊K‑means算法的电动汽车应急供电方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160151B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408134A (zh) * | 2016-10-13 | 2017-02-15 | 国电南瑞科技股份有限公司 | 一种基于k‑means算法的电动汽车应急供电方法 |
CN108376262A (zh) * | 2018-02-23 | 2018-08-07 | 新疆大学 | 一种风电出力典型特性的分析模型构建方法 |
CN108667127A (zh) * | 2018-05-08 | 2018-10-16 | 国网福建晋江市供电有限公司 | 一种小区电动汽车的供电***及方法 |
CN109034648A (zh) * | 2018-08-13 | 2018-12-18 | 华南理工大学广州学院 | 一种电动汽车集群需求响应潜力评估方法 |
CN112952795A (zh) * | 2020-11-27 | 2021-06-11 | 国网甘肃省电力公司经济技术研究院 | 一种基于移动储能的配电网多时间尺度协调调度方法 |
CN113595062A (zh) * | 2021-07-08 | 2021-11-02 | 华南理工大学 | 一种基于电动工程车的配电网保供电方法 |
CN114067970A (zh) * | 2021-11-15 | 2022-02-18 | 福州大学 | 基于遗传算法的电源车应急救援调度方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103078360A (zh) * | 2012-10-29 | 2013-05-01 | 中国电力科学研究院 | 规模化电动汽车集群供电*** |
CN104463464A (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 | 一种适于电动汽车规模化应用的配电***综合规划方法 |
-
2015
- 2015-07-31 CN CN201510463557.3A patent/CN105160151B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103078360A (zh) * | 2012-10-29 | 2013-05-01 | 中国电力科学研究院 | 规模化电动汽车集群供电*** |
CN104463464A (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 | 一种适于电动汽车规模化应用的配电***综合规划方法 |
Non-Patent Citations (5)
Title |
---|
GALUS M D ET AL.: "Integrating power systems,transport systems and vehicle technology for electric mobility impact assessment and efficient control", 《IEEE TRANSACTIONS ON SMART GRID》 * |
张铃珠等: "基于V2G的EPS功能的应急电源优化分配", 《华东电力》 * |
李振坤等: "基于随机潮流的含电动汽车配电网内分布式电源规划", 《电力***自动化》 * |
杨伟新: "V2G的EPS功能实现的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊)》 * |
潘的博客: "FCM聚类算法介绍", 《HTTP://WWW.CNBLOG.COM/KEMASWILL/ARCHIVE/2012/11/01/2749422.HTML》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408134A (zh) * | 2016-10-13 | 2017-02-15 | 国电南瑞科技股份有限公司 | 一种基于k‑means算法的电动汽车应急供电方法 |
CN108376262A (zh) * | 2018-02-23 | 2018-08-07 | 新疆大学 | 一种风电出力典型特性的分析模型构建方法 |
CN108376262B (zh) * | 2018-02-23 | 2021-08-10 | 新疆大学 | 一种风电出力典型特性的分析模型构建方法 |
CN108667127A (zh) * | 2018-05-08 | 2018-10-16 | 国网福建晋江市供电有限公司 | 一种小区电动汽车的供电***及方法 |
CN109034648A (zh) * | 2018-08-13 | 2018-12-18 | 华南理工大学广州学院 | 一种电动汽车集群需求响应潜力评估方法 |
CN109034648B (zh) * | 2018-08-13 | 2021-03-19 | 华南理工大学广州学院 | 一种电动汽车集群需求响应潜力评估方法 |
CN112952795A (zh) * | 2020-11-27 | 2021-06-11 | 国网甘肃省电力公司经济技术研究院 | 一种基于移动储能的配电网多时间尺度协调调度方法 |
CN113595062A (zh) * | 2021-07-08 | 2021-11-02 | 华南理工大学 | 一种基于电动工程车的配电网保供电方法 |
CN113595062B (zh) * | 2021-07-08 | 2023-09-26 | 华南理工大学 | 一种基于电动工程车的配电网保供电方法 |
CN114067970A (zh) * | 2021-11-15 | 2022-02-18 | 福州大学 | 基于遗传算法的电源车应急救援调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105160151B (zh) | 2018-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160151A (zh) | 一种基于模糊K-means算法的电动汽车应急供电方法 | |
Wu et al. | A novel fast-charging stations locational planning model for electric bus transit system | |
Luo et al. | Optimal planning of electric vehicle charging stations comprising multi-types of charging facilities | |
Zheng et al. | Electric vehicle battery charging/swap stations in distribution systems: comparison study and optimal planning | |
CN104600729B (zh) | 基于v2g技术的电动汽车参与经济调度优化控制方法 | |
CN102880921B (zh) | 一种电动汽车充电站选址优化方法 | |
CN107979111A (zh) | 一种基于两阶段鲁棒优化的微电网能量管理方法 | |
Amini et al. | Effect of electric vehicle parking lots' charging demand as dispatchable loads on power systems loss | |
CN103605079B (zh) | 公交电动汽车及其梯次利用电池集群的v2g可用容量评估方法 | |
CN105160449A (zh) | 一种电动汽车充电桩优化布局方法 | |
CN106096773A (zh) | 一种电动汽车充当储能的多目标优化调度方法 | |
CN106965688A (zh) | 一种电网和交通网协同环境下的电动汽车充电方法 | |
CN106530180A (zh) | 一种高寒地区充电服务网络规划方法 | |
Chen et al. | Evaluation of advantages of an energy storage system using recycled EV batteries | |
CN106408134A (zh) | 一种基于k‑means算法的电动汽车应急供电方法 | |
Liu et al. | Energy-storage configuration for EV fast charging stations considering characteristics of charging load and wind-power fluctuation | |
CN114022046A (zh) | 一种考虑交通均衡的综合能源***优化调度方法 | |
Liu et al. | Charging private electric vehicles solely by photovoltaics: A battery-free direct-current microgrid with distributed charging strategy | |
Cui et al. | Cost-benefit calculation and analysis of V2G system | |
Wu et al. | Coordinated scheduling for multimicrogrid systems considering mobile energy storage characteristics of electric vehicles | |
Zhang et al. | Optimal sizing of battery-supercapacitor energy storage systems for trams using improved PSO algorithm | |
CN106940828A (zh) | 一种基于多微网***下的电动车规模调度方法及调度*** | |
CN107391899A (zh) | 一种电动汽车集群负荷响应能力评估方法 | |
Saberbari et al. | Utilizing PHEVs for peak-shaving, loss reduction and voltage profile improvement via v2b mode | |
Bouallaga et al. | Minimization of energy transmission cost and CO 2 emissions using coordination of electric vehicle and wind power (W2V) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |