CN108596373B - 一种电-交通耦合网络动态平衡求解方法 - Google Patents

一种电-交通耦合网络动态平衡求解方法 Download PDF

Info

Publication number
CN108596373B
CN108596373B CN201810311778.2A CN201810311778A CN108596373B CN 108596373 B CN108596373 B CN 108596373B CN 201810311778 A CN201810311778 A CN 201810311778A CN 108596373 B CN108596373 B CN 108596373B
Authority
CN
China
Prior art keywords
network
traffic
road
optimal
time
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.)
Active
Application number
CN201810311778.2A
Other languages
English (en)
Other versions
CN108596373A (zh
Inventor
卢志刚
石丽娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN201810311778.2A priority Critical patent/CN108596373B/zh
Publication of CN108596373A publication Critical patent/CN108596373A/zh
Application granted granted Critical
Publication of CN108596373B publication Critical patent/CN108596373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种电‑交通耦合网络动态平衡运行求解方法，包括以下步骤：建立动态交通最优分布模型；建立实时配电网最优潮流模型；建立动态电‑交通耦合***模型；利用动态响应方法分析耦合网络，分别采用蚁群算法和非线性原对偶内点算法确定交通网的最优流量分配和配电网的最优边际电价。本发明可应用于综合能源***中电‑交通互联***优化配置技术领域，使交通网中用户出行成本和配电网中运行成本同时达到最小，整个***运行达到一个动态平衡。

Description

一种电-交通耦合网络动态平衡求解方法
技术领域
本发明涉及综合能源***中电-交通互联***优化配置技术领域，尤其涉及一种电-交通耦合网络动态平衡运行求解方法。
背景技术
近年来，由于化石燃料的逐渐枯竭及其造成的环境污染问题，在第二次工业革命中奠定的基于化石燃料大规模利用的工业模式正在走向终结，而以新能源技术和互联网技术为代表的第三次工业革命正在兴起。能源互联网力图结合可再生能源技术与互联网技术，促进多种复杂网络***的相互融合，实现改变能源利用模式，推动经济与社会可持续发展的目的。
交通行业是除发电行业之外的又一化石能源消耗大户。近年来，以电动汽车为纽带的电力***与交通***的耦合程度不断加深。可以预见，电气化交通***尤其是电动汽车将成为能源互联网的重要组成部分。
首先，用户对于充电地点和时间的选择会显著影响电力***负荷的时空分布，将这种影响计入到数学模型之中，就可能达到改变电力***的潮流分布、改善***运行的安全性和经济性的目的。其次，采用不同的充放电控制策略自然会影响车主对充电地点和时间的选择，从而间接影响交通网络的流量。
发明内容
本发明目的在于提供一种对两个***的运行进行协调控制、同时提高两者的运行性能的电-交通耦合网络动态平衡求解方法。
为实现上述目的，采用了以下技术方案：本发明所述方法的步骤如下：
步骤1，建立动态交通最优分布模型；
步骤2，建立实时配电网最优潮流模型；
步骤3，建立动态电-交通耦合***模型；
步骤4，利用动态响应方法分析耦合网络，分别采用蚁群算法和非线性原对偶内点算法确定交通网的最优流量分配和配电网的最优边际电价。
进一步的，步骤1中，建立动态交通最优分布模型，具体过程如下：
所述模型为动态交通用户最优模型，即在交通路网的任一时刻，每一组从起始点到目的地(Origin-Destination pair,简称OD对)之间被选择的路径的瞬时阻抗相等且等于最小的瞬时路经阻抗，而未被选择的路径上的阻抗大于或等于最小的瞬时路经阻抗；
1-1阻抗的定义
(1)阻抗：道路上的阻抗包含多项内容，如出行时间、成本、安全和舒适度等，通常主要计算的是时间，以时间作为计量标准。阻抗是时间的函数。；
(2)瞬时阻抗：在t时刻车辆通过道路所需要的时间，它与前一时刻的车流量有关，而与后一时刻的车流量无关，因此又称其为反应阻抗，记为ca(t)；
(3)实际阻抗：t时刻进入道路的车辆在该道路上行驶实际花费的时间，因此实际阻抗只有等车辆走过道路才能算出，它与后来的车流量有关，记为τa(t)。
1-2交通网的约束条件
(1)基本约束
假设初始时刻网络上的交通流量为零：
Figure BDA0001622575450000031
式中，
Figure BDA0001622575450000032
为初始时刻道路a上的流量；
(2)非负约束
Figure BDA0001622575450000033
式中，
Figure BDA0001622575450000034
为t时刻进入道路a要到终点s去的流量，为状态变量；
Figure BDA0001622575450000035
为t时刻进入道路a要到终点s去的流入率，为决策变量；
Figure BDA0001622575450000036
为t时刻进入道路a要到终点s去的流出率，为决策变量；
(3)节点流量守恒约束
在任一节点上，流入该节点的流量和流出该节点的流量相等，每个节点都有新的流量产生，可以看作是流入该节点的流量，流量守恒等式为:
Figure BDA0001622575450000037
式中，Al为进入节点l的流量；Bl为流出节点l的流量；
Figure BDA0001622575450000038
为t时刻在节点l上产生要到终点s去的流量速率，为已知量；
(4)流量传播约束
因为动态交通分配网中车辆的行为是随时间变化的，因此要保证流量进入和离开路段以及停留在路段上的行车时间和与阻抗一致，符合这种状态的车辆行为称为流量传播约束：
Figure BDA0001622575450000039
式中，τa(t)为车辆在t时刻进入道路a的实际阻抗；
(5)道路上的流量约束
Figure BDA00016225754500000310
1-3动态用户最优模型目标函数
假设道路的瞬时阻抗函数ca(t)包含两个时间，行驶时间和等待延误时间；ca(t)表达式：
ca(t)＝g1a[xa(t),ua(t)]+g2a[xa(t),va(t)] (6)
动态用户最优模型以用户出行成本最小为的目的目标函数为：
Figure BDA0001622575450000041
式中，μ为用户的单位时间价值，λ为边际电价(LMP)，EB为电动汽车充电功率。
进一步的，步骤2中，建立实时配电网最优潮流模型，具体过程如下：
配电网为辐射状网络，其响应由于电动汽车路径选择不同而带来的网络负荷变化，通过求解最优潮流问题实时调整电价；
2-1配电网的约束条件
(1)功率平衡约束
Figure BDA0001622575450000042
Figure BDA0001622575450000043
式中，B为网络中除平衡节点外的所有节点，
Figure BDA0001622575450000044
为节点i，j之间线路l上传输的有功功率(无功功率)，
Figure BDA0001622575450000045
为节点j处发电机出力，π(j)为与母线j相连子母线的集合，
Figure BDA0001622575450000046
为子母线jk上传输的有功功率(无功功率)，
Figure BDA0001622575450000047
为节点j处负荷消耗。其中
Figure BDA0001622575450000048
Figure BDA0001622575450000049
为基本负荷，
Figure BDA00016225754500000410
为电动汽车充电负荷；边际电价λ是式(8)的对偶变量；
(2)正向压降方程
Figure BDA00016225754500000411
式中，Ui(Uj)为节点i(j)处电压幅值；
(3)每条配电线上注入功率流
Figure BDA0001622575450000051
式中,L为网络中所有配电线路集合；
(4)运行界限约束
Figure BDA0001622575450000052
Figure BDA0001622575450000053
2-2实时配电网最优潮流目标函数
基于电动汽车负荷需求响应的配电网最优潮流目标函数为：
Figure BDA0001622575450000054
式中，ai,bi为成本系数，ρ为配电网从电力市场购电的电价，
Figure BDA0001622575450000055
为与平衡节点相连线路上的有功功率；因此目标函数中第一部分表示配电网自身发电成本，第二部分表示配电网购电成本。
进一步的，步骤3中，建立动态电-交通耦合***模型，具体过程如下：
交通***中电动汽车充电选择会影响配电网的潮流分布，而配电网通过求解最优潮流问题决定实时边际电价，此时交通网中的电动汽车用户通过调整自己的出行路径和需求来响应该电价，这反过来又会影响到交通网的流量分布；建立动态电-交通耦合***模型，实时调整交通网的流量分布和配电网的边际电价，最终使两个网络同时达到最优，整个***运行处于动态平衡状态。动态电-交通耦合***模型目标函数为：
Figure BDA0001622575450000056
式中，J为交通***中电动汽车用户的出行成本，F为配电网的运行成本。
进一步的，步骤4中，利用动态响应方法分析耦合网络，具体过程如下：
4-1采用蚁群算法求解动态最优用户分配模型
蚁群算法是将总的电动汽车用人工蚂蚁来模拟，道路的阻抗越大，则后来蚂蚁选择这条路的概率就越小；蚂蚁转移一个节点，就会在走过的道路上留下信息，从而对这条道路上的信息素量进行局部更新，当蚂蚁到达终点后，会对走过的路径进行全局更新；如此循环，直至所有的电动汽车出行需求全都最优的分配到路网中；
对式(7)的连续模型进行离散化处理，将[0,T]时段分成K+1个小时段，离散化后的模型为：
Figure BDA0001622575450000061
(4-1-1)初始化
初始化路段长度，算法参数。设置迭代次数kt＝1，确定最大迭代次数
Figure BDA0001622575450000063
(4-1-2)确定电动汽车的出行需求(OD对)，将蚂蚁分配在路网的起点上；
(4-1-3)计算每条道路的初始阻抗，对所有蚂蚁进行循环操作，根据阻抗信息选择下一节点，确定蚂蚁选择的下一条道路；
(4-1-4)根据式(17)计算蚂蚁在每条路径上的信息素增量，根据式(18)更新每条路径的信息素量；
Figure BDA0001622575450000062
τij(t+1)＝(1-ω)τij(t)+ωΔτij(t,t+1) (18)
(4-1-5)若所有蚂蚁到达终点，则进入4-1-6，否则返回4-1-3；
(4-1-6)所有蚂蚁搜索结束后，根据式(19)、(20)进行全局信息素更新；
τij(t+1)←(1-α)τij(t)+αΔτij(t,t+1) (19)
Figure BDA0001622575450000071
(4-1-7)当所有OD需求分配完成，先根据式(21)计算k时刻个道路上的阻抗，然后根据式(22)计算道路上的流出量
Figure BDA0001622575450000072
和流入量
Figure BDA0001622575450000073
最后根据式(23)计算该时段道路上的最优流量：
Figure BDA0001622575450000074
Figure BDA0001622575450000075
xa(k+1)＝xa(k)+ua(k)-va(k) (23)
4-2采用非线性原对偶内点算法求解配电网最优潮流模型
同样对式(14)的连续模型进行离散化处理，将[0,T]时段分成K+1个小时段，离散化后的模型为：
Figure BDA0001622575450000076
(4-2-1)初始化
设置迭代次数kp＝1，确定最大迭代次数
Figure BDA0001622575450000077
初始需求pd(0)＝pd0，pd(1)＝pd0+pdc；
(4-2-2)计算补偿间隙和障碍参数，判断是否收敛，若收敛，则结束计算，否则，转到下一步；其中定义补偿间隙
Figure BDA0001622575450000078
当补偿间隙趋于零的时候，就是趋于最优解的时候；
(4-2-3)计算各雅克比矩阵、海森矩阵，计算扰动KKT***残差；
(4-2-4)求解牛顿***得到第k次迭代的修正量，即牛顿方向；
(4-2-5)计算迭代步长，更新原变量和对偶变量；
(4-2-6)判断是否达到给定的最大迭代次数，若已达到则结束搜索，否则转到步骤(4-2-2)；
4-3动态响应方法分析耦合网络过程
(4-3-1)初始化
设置迭代次数ktp＝1，确定最大迭代次数
Figure BDA0001622575450000081
初始化边际电价λ(0)＝λ0，设置初始道路流量xa(0)＝0；
(4-3-2)确定交通***的总需求量(OD对)，由确定的λ和需求量通过蚁群算法求动态交通用户最优分配问题(7)，得到网络的最优流量
Figure BDA0001622575450000082
(4-3-3)根据方程(10)更新电动汽车的充电需求pdc，并通过非线性原对偶内点算法求配电网最优潮流目标函数(14)，具体过程如4-2所述，得到最优边际电价λ*；
(4-3-4)若满足收敛条件，则输出交通网中最优流量
Figure BDA0001622575450000083
和配电网最优边际电价λ*；否则，更新迭代次数，返回4-3-2进行下一步迭代。
与现有技术相比，本发明具有如下优点：可应用于综合能源***中电-交通互联***优化配置技术领域，使交通网中用户出行成本和配电网中运行成本同时达到最小，整个***运行达到一个动态平衡。
附图说明
图1是本发明方法的动态电-交通耦合***模型图。
图2是本发明方法的粒子群算法求最优交通分配的程序流程图。
图3是本发明方法的原对偶内点算法求最优潮流的程序流程图。
图4是本发明方法的动态响应算法求网络均衡的程序流程图。
具体实施方式
下面结合附图对本发明做进一步说明：
本发明所述方法的步骤如下：
步骤1，建立动态交通最优分布模型；
步骤2，建立实时配电网最优潮流模型；
步骤3，建立动态电-交通耦合***模型；
步骤4，利用动态响应方法分析耦合网络，分别采用蚁群算法和非线性原对偶内点算法确定交通网的最优流量分配和配电网的最优边际电价。
进一步的，步骤1中，建立动态交通最优分布模型，具体过程如下：
所述模型为动态交通用户最优模型，即在交通路网的任一时刻，每一组从起始点到目的地(Origin-Destination pair,简称OD对)之间被选择的路径的瞬时阻抗相等且等于最小的瞬时路经阻抗，而未被选择的路径上的阻抗大于或等于最小的瞬时路经阻抗；
1-1阻抗的定义
(1)阻抗：道路上的阻抗包含多项内容，如出行时间、成本、安全和舒适度等，通常主要计算的是时间，以时间作为计量标准。阻抗是时间的函数。；
(2)瞬时阻抗：在t时刻车辆通过道路所需要的时间，它与前一时刻的车流量有关，而与后一时刻的车流量无关，因此又称其为反应阻抗，记为ca(t)；
(3)实际阻抗：t时刻进入道路的车辆在该道路上行驶实际花费的时间，因此实际阻抗只有等车辆走过道路才能算出，它与后来的车流量有关，记为τa(t)。
1-2交通网的约束条件
(1)基本约束
假设初始时刻网络上的交通流量为零：
Figure BDA0001622575450000101
式中，
Figure BDA0001622575450000102
为初始时刻道路a上的流量；
(2)非负约束
Figure BDA0001622575450000103
式中，
Figure BDA0001622575450000104
为t时刻进入道路a要到终点s去的流量，为状态变量；
Figure BDA0001622575450000105
为t时刻进入道路a要到终点s去的流入率，为决策变量；
Figure BDA0001622575450000106
为t时刻进入道路a要到终点s去的流出率，为决策变量；
(3)节点流量守恒约束
在任一节点上，流入该节点的流量和流出该节点的流量相等，每个节点都有新的流量产生，可以看作是流入该节点的流量，流量守恒等式为:
Figure BDA0001622575450000107
式中，Al为进入节点l的流量；Bl为流出节点l的流量；
Figure BDA0001622575450000108
为t时刻在节点l上产生要到终点s去的流量速率，为已知量；
(4)流量传播约束
因为动态交通分配网中车辆的行为是随时间变化的，因此要保证流量进入和离开路段以及停留在路段上的行车时间和与阻抗一致，符合这种状态的车辆行为称为流量传播约束：
Figure BDA0001622575450000111
式中，τa(t)为车辆在t时刻进入道路a的实际阻抗；
(5)道路上的流量约束
Figure BDA0001622575450000112
1-3动态用户最优模型目标函数
假设道路的瞬时阻抗函数ca(t)包含两个时间，行驶时间和等待延误时间；ca(t)表达式：
ca(t)＝g1a[xa(t),ua(t)]+g2a[xa(t),va(t)] (6)
动态用户最优模型以用户出行成本最小为的目的目标函数为：
Figure BDA0001622575450000113
式中，μ为用户的单位时间价值，λ为边际电价(LMP)，EB为电动汽车充电功率。
进一步的，步骤2中，建立实时配电网最优潮流模型，具体过程如下：
配电网为辐射状网络，其响应由于电动汽车路径选择不同而带来的网络负荷变化，通过求解最优潮流问题实时调整电价；
2-1配电网的约束条件
(1)功率平衡约束
Figure BDA0001622575450000114
Figure BDA0001622575450000115
式中，B为网络中除平衡节点外的所有节点，
Figure BDA0001622575450000116
为节点i，j之间线路l上传输的有功功率(无功功率)，
Figure BDA0001622575450000121
为节点j处发电机出力，π(j)为与母线j相连子母线的集合，
Figure BDA0001622575450000122
为子母线jk上传输的有功功率(无功功率)，
Figure BDA0001622575450000123
为节点j处负荷消耗。其中
Figure BDA0001622575450000124
Figure BDA0001622575450000125
为基本负荷，
Figure BDA0001622575450000126
为电动汽车充电负荷；边际电价λ是式(8)的对偶变量；
(2)正向压降方程
Figure BDA0001622575450000127
式中，Ui(Uj)为节点i(j)处电压幅值；
(3)每条配电线上注入功率流
Figure BDA0001622575450000128
式中,L为网络中所有配电线路集合；
(4)运行界限约束
Figure BDA0001622575450000129
Figure BDA00016225754500001210
2-2实时配电网最优潮流目标函数
基于电动汽车负荷需求响应的配电网最优潮流目标函数为：
Figure BDA00016225754500001211
式中，ai,bi为成本系数，ρ为配电网从电力市场购电的电价，
Figure BDA00016225754500001212
为与平衡节点相连线路上的有功功率；因此目标函数中第一部分表示配电网自身发电成本，第二部分表示配电网购电成本。
进一步的，步骤3中，建立动态电-交通耦合***模型，具体过程如下，如图1所示：
交通***中电动汽车充电选择会影响配电网的潮流分布，而配电网通过求解最优潮流问题决定实时边际电价，此时交通网中的电动汽车用户通过调整自己的出行路径和需求来响应该电价，这反过来又会影响到交通网的流量分布；建立动态电-交通耦合***模型，实时调整交通网的流量分布和配电网的边际电价，最终使两个网络同时达到最优，整个***运行处于动态平衡状态。
动态电-交通耦合***模型目标函数为：
Figure BDA0001622575450000131
式中，J为交通***中电动汽车用户的出行成本，F为配电网的运行成本。
进一步的，步骤4中，利用动态响应方法分析耦合网络，具体过程如下：
4-1采用蚁群算法求解动态最优用户分配模型，如图2所示：
蚁群算法是将总的电动汽车用人工蚂蚁来模拟，道路的阻抗越大，则后来蚂蚁选择这条路的概率就越小；蚂蚁转移一个节点，就会在走过的道路上留下信息，从而对这条道路上的信息素量进行局部更新，当蚂蚁到达终点后，会对走过的路径进行全局更新；如此循环，直至所有的电动汽车出行需求全都最优的分配到路网中；
对式(7)的连续模型进行离散化处理，将[0,T]时段分成K+1个小时段，离散化后的模型为：
Figure BDA0001622575450000132
(4-1-1)初始化
初始化路段长度，算法参数。设置迭代次数kt＝1，确定最大迭代次数
Figure BDA0001622575450000133
(4-1-2)确定电动汽车的出行需求(OD对)，将蚂蚁分配在路网的起点上；
(4-1-3)计算每条道路的初始阻抗，对所有蚂蚁进行循环操作，根据阻抗信息选择下一节点，确定蚂蚁选择的下一条道路；
(4-1-4)根据式(17)计算蚂蚁在每条路径上的信息素增量，根据式(18)更新每条路径的信息素量；
Figure BDA0001622575450000141
τij(t+1)＝(1-ω)τij(t)+ωΔτij(t,t+1) (18)
(4-1-5)若所有蚂蚁到达终点，则进入4-1-6，否则返回4-1-3；
(4-1-6)所有蚂蚁搜索结束后，根据式(19)、(20)进行全局信息素更新；
τij(t+1)←(1-α)τij(t)+αΔτij(t,t+1) (19)
Figure BDA0001622575450000142
(4-1-7)当所有OD需求分配完成，先根据式(21)计算k时刻个道路上的阻抗，然后根据式(22)计算道路上的流出量
Figure BDA0001622575450000143
和流入量
Figure BDA0001622575450000144
最后根据式(23)计算该时段道路上的最优流量：
Figure BDA0001622575450000145
Figure BDA0001622575450000146
xa(k+1)＝xa(k)+ua(k)-va(k) (23)
4-2采用非线性原对偶内点算法求解配电网最优潮流模型，如图3所示：
同样对式(14)的连续模型进行离散化处理，将[0,T]时段分成K+1个小时段，离散化后的模型为：
Figure BDA0001622575450000147
(4-2-1)初始化
设置迭代次数kp＝1，确定最大迭代次数
Figure BDA0001622575450000151
初始需求pd(0)＝pd0，pd(1)＝pd0+pdc；
(4-2-2)计算补偿间隙和障碍参数，判断是否收敛，若收敛，则结束计算，否则，转到下一步；其中定义补偿间隙
Figure BDA0001622575450000152
当补偿间隙趋于零的时候，就是趋于最优解的时候；
(4-2-3)计算各雅克比矩阵、海森矩阵，计算扰动KKT***残差；
(4-2-4)求解牛顿***得到第k次迭代的修正量，即牛顿方向；
(4-2-5)计算迭代步长，更新原变量和对偶变量；
(4-2-6)判断是否达到给定的最大迭代次数，若已达到则结束搜索，否则转到步骤(4-2-2)；
4-3动态响应方法分析耦合网络过程，如图4所示：
(4-3-1)初始化
设置迭代次数ktp＝1，确定最大迭代次数
Figure BDA0001622575450000153
初始化边际电价λ(0)＝λ0，设置初始道路流量xa(0)＝0；
(4-3-2)确定交通***的总需求量(OD对)，由确定的λ和需求量通过蚁群算法求动态交通用户最优分配问题(7)，得到网络的最优流量
Figure BDA0001622575450000154
(4-3-3)根据方程(10)更新电动汽车的充电需求pdc，并通过非线性原对偶内点算法求配电网最优潮流目标函数(14)，具体过程如4-2所述，得到最优边际电价λ*；
(4-3-4)若满足收敛条件，则输出交通网中最优流量
Figure BDA0001622575450000155
和配电网最优边际电价λ*；否则，更新迭代次数，返回4-3-2进行下一步迭代。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种电-交通耦合网络动态平衡运行求解方法，其特征在于，所述方法的步骤如下：
步骤1，建立动态交通最优分布模型；
所述模型为动态交通用户最优模型，即在交通路网的任一时刻，每一组从起始点到目的地(Origin-Destination pair,简称OD对)之间被选择的路径的瞬时阻抗相等且等于最小的瞬时路经阻抗，而未被选择的路径上的阻抗大于或等于最小的瞬时路经阻抗；
1-1阻抗的定义
(1)阻抗：阻抗是时间的函数；
(2)瞬时阻抗：在t时刻车辆通过道路所需要的时间，记为ca(t)；
(3)实际阻抗：t时刻进入道路的车辆在该道路上行驶实际花费的时间，记为τa(t)；
1-2交通网的约束条件
(1)基本约束
假设初始时刻网络上的交通流量为零：
Figure FDA0003508067640000011
式中，
Figure FDA0003508067640000012
为初始时刻道路a上的流量；
(2)非负约束
Figure FDA0003508067640000013
式中，
Figure FDA0003508067640000014
为t时刻进入道路a要到终点s去的流量，为状态变量；
Figure FDA0003508067640000015
为t时刻进入道路a要到终点s去的流入率，为决策变量；
Figure FDA0003508067640000016
为t时刻进入道路a要到终点s去的流出率，为决策变量；
(3)节点流量守恒约束
在任一节点上，流入该节点的流量和流出该节点的流量相等，每个节点都有新的流量产生，可以看作是流入该节点的流量，流量守恒等式为:
Figure FDA0003508067640000021
式中，Al为进入节点l的流量；Bl为流出节点l的流量；
Figure FDA0003508067640000022
为t时刻在节点l上产生要到终点s去的流量速率，为已知量；
(4)流量传播约束
因为动态交通分配网中车辆的行为是随时间变化的，因此要保证流量进入和离开路段以及停留在路段上的行车时间和与阻抗一致，符合这种状态的车辆行为称为流量传播约束：
Figure FDA0003508067640000023
式中，τa(t)为车辆在t时刻进入道路a的实际阻抗；
(5)道路上的流量约束
Figure FDA0003508067640000024
1-3动态用户最优模型目标函数
假设道路的瞬时阻抗函数ca(t)包含两个时间，行驶时间和等待延误时间；ca(t)表达式：
ca(t)＝g1a[xa(t),ua(t)]+g2a[xa(t),va(t)] (6)
动态用户最优模型以用户出行成本最小为的目的目标函数为：
Figure FDA0003508067640000031
式中，μ为用户的单位时间价值，λ为边际电价(LMP)，EB为电动汽车充电功率；
步骤2，建立实时配电网最优潮流模型；
步骤3，建立动态电-交通耦合***模型；
步骤4，利用动态响应方法分析耦合网络，分别采用蚁群算法和非线性原对偶内点算法确定交通网的最优流量分配和配电网的最优边际电价。
2.根据权利要求1所述的一种电-交通耦合网络动态平衡运行求解方法，其特征在于，步骤2中，建立实时配电网最优潮流模型，具体过程如下：
配电网为辐射状网络，其响应由于电动汽车路径选择不同而带来的网络负荷变化，通过求解最优潮流问题实时调整电价；
2-1配电网的约束条件
(1)功率平衡约束
Figure FDA0003508067640000032
Figure FDA0003508067640000033
式中，B为网络中除平衡节点外的所有节点，
Figure FDA0003508067640000034
为节点i，j之间线路l上传输的有功功率(无功功率)，
Figure FDA0003508067640000035
为节点j处发电机出力，π(j)为与母线j相连子母线的集合，
Figure FDA0003508067640000036
为子母线jk上传输的有功功率(无功功率)，
Figure FDA0003508067640000037
为节点j处负荷消耗；其中
Figure FDA0003508067640000038
Figure FDA0003508067640000039
为基本负荷，
Figure FDA00035080676400000310
为电动汽车充电负荷；边际电价λ是式(8)的对偶变量；
(2)正向压降方程
Figure FDA0003508067640000041
式中，Ui(Uj)为节点i(j)处电压幅值；
(3)每条配电线上注入功率流
Figure FDA0003508067640000042
式中,L为网络中所有配电线路集合；
(4)运行界限约束
Figure FDA0003508067640000043
Figure FDA0003508067640000044
2-2实时配电网最优潮流目标函数
基于电动汽车负荷需求响应的配电网最优潮流目标函数为：
Figure FDA0003508067640000045
式中，ai,bi为成本系数，ρ为配电网从电力市场购电的电价，
Figure FDA0003508067640000046
为与平衡节点相连线路上的有功功率；因此目标函数中第一部分表示配电网自身发电成本，第二部分表示配电网购电成本。
3.根据权利要求1所述的一种电-交通耦合网络动态平衡运行求解方法，其特征在于，步骤3中，建立动态电-交通耦合***模型，动态电-交通耦合***模型目标函数为：
Figure FDA0003508067640000047
式中，J为交通***中电动汽车用户的出行成本，F为配电网的运行成本。
4.根据权利要求1所述的一种电-交通耦合网络动态平衡运行求解方法，其特征在于，步骤4中，利用动态响应方法分析耦合网络，具体过程如下：
4-1采用蚁群算法求解动态最优用户分配模型
蚁群算法是将总的电动汽车用人工蚂蚁来模拟，道路的阻抗越大，则后来蚂蚁选择这条路的概率就越小；蚂蚁转移一个节点，就会在走过的道路上留下信息，从而对这条道路上的信息素量进行局部更新，当蚂蚁到达终点后，会对走过的路径进行全局更新；如此循环，直至所有的电动汽车出行需求全都最优的分配到路网中；
对式(7)的连续模型进行离散化处理，将[0,T]时段分成K+1个小时段，离散化后的模型为：
Figure FDA0003508067640000051
(4-1-1)初始化
初始化路段长度，算法参数；设置迭代次数kt＝1，确定最大迭代次数
Figure FDA0003508067640000052
(4-1-2)确定电动汽车的出行需求(OD对)，将蚂蚁分配在路网的起点上；
(4-1-3)计算每条道路的初始阻抗，对所有蚂蚁进行循环操作，根据阻抗信息选择下一节点，确定蚂蚁选择的下一条道路；
(4-1-4)根据式(17)计算蚂蚁在每条路径上的信息素增量，根据式(18)更新每条路径的信息素量；
Figure FDA0003508067640000053
Figure FDA0003508067640000054
(4-1-5)若所有蚂蚁到达终点，则进入4-1-6，否则返回4-1-3；
(4-1-6)所有蚂蚁搜索结束后，根据式(19)、(20)进行全局信息素更新；
Figure FDA0003508067640000061
Figure FDA0003508067640000062
(4-1-7)当所有OD需求分配完成，先根据式(21)计算k时刻个道路上的阻抗，然后根据式(22)计算道路上的流出量
Figure FDA0003508067640000063
和流入量
Figure FDA0003508067640000064
最后根据式(23)计算该时段道路上的最优流量：
Figure FDA0003508067640000065
Figure FDA0003508067640000066
xa(k+1)＝xa(k)+ua(k)-va(k) (23)
4-2采用非线性原对偶内点算法求解配电网最优潮流模型
同样对式(14)的连续模型进行离散化处理，将[0,T]时段分成K+1个小时段，离散化后的模型为：
Figure FDA0003508067640000067
(4-2-1)初始化
设置迭代次数kp＝1，确定最大迭代次数
Figure FDA0003508067640000068
初始需求pd(0)＝pd0，pd(1)＝pd0+pdc；
(4-2-2)计算补偿间隙和障碍参数，判断是否收敛，若收敛，则结束计算，否则，转到下一步；其中定义补偿间隙
Figure FDA0003508067640000069
当补偿间隙趋于零的时候，就是趋于最优解的时候；
(4-2-3)计算各雅克比矩阵、海森矩阵，计算扰动KKT***残差；
(4-2-4)求解牛顿***得到第k次迭代的修正量，即牛顿方向；
(4-2-5)计算迭代步长，更新原变量和对偶变量；
(4-2-6)判断是否达到给定的最大迭代次数，若已达到则结束搜索，否则转到步骤(4-2-2)；
4-3动态响应方法分析耦合网络过程
(4-3-1)初始化
设置迭代次数ktp＝1，确定最大迭代次数
Figure FDA0003508067640000071
初始化边际电价λ(0)＝λ0，设置初始道路流量xa(0)＝0；
(4-3-2)确定交通***的总需求量(OD对)，由确定的λ和需求量通过蚁群算法求动态交通用户最优分配问题(7)，得到网络的最优流量
Figure FDA0003508067640000072
(4-3-3)根据方程(10)更新电动汽车的充电需求pdc，并通过非线性原对偶内点算法求配电网最优潮流目标函数(14)，具体过程如4-2所述，得到最优边际电价λ*；
(4-3-4)若满足收敛条件，则输出交通网中最优流量
Figure FDA0003508067640000073
和配电网最优边际电价λ*；否则，更新迭代次数，返回4-3-2进行下一步迭代。
CN201810311778.2A 2018-04-09 2018-04-09 一种电-交通耦合网络动态平衡求解方法 Active CN108596373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810311778.2A CN108596373B (zh) 2018-04-09 2018-04-09 一种电-交通耦合网络动态平衡求解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810311778.2A CN108596373B (zh) 2018-04-09 2018-04-09 一种电-交通耦合网络动态平衡求解方法

Publications (2)

Publication Number Publication Date
CN108596373A CN108596373A (zh) 2018-09-28
CN108596373B true CN108596373B (zh) 2022-04-12

Family

ID=63621162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810311778.2A Active CN108596373B (zh) 2018-04-09 2018-04-09 一种电-交通耦合网络动态平衡求解方法

Country Status (1)

Country Link
CN (1) CN108596373B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670674B (zh) * 2018-11-19 2023-04-07 浙江大学 一种考虑交通网-配电网耦合的电动汽车时空分布充电调度方法
CN109636245A (zh) * 2019-01-08 2019-04-16 广东电力交易中心有限责任公司 发电机组的发电边际燃料成本计算方法及装置
CN110083873A (zh) * 2019-03-29 2019-08-02 宁波信泰机械有限公司 一种基于cae的型材拉弯的回弹仿真方法
CN110033142B (zh) * 2019-04-23 2021-04-13 燕山大学 考虑负荷不确定性的充换电站优化调度策略
CN110751409B (zh) * 2019-10-28 2022-03-29 华北电力大学 考虑储能***和交通分配的电动汽车充电管理方法及***
CN110962667B (zh) * 2019-11-25 2023-05-05 南京邮电大学 电动汽车有序充电的方法
CN111768119B (zh) * 2020-07-07 2024-03-19 广东电网有限责任公司电力调度控制中心 一种基于虚拟电厂的车网融合调度方法及装置
CN114169560B (zh) * 2020-12-22 2023-04-07 四川合纵药易购医药股份有限公司 用于立体仓库的物料调度控制方法
CN112838584B (zh) * 2021-01-06 2022-07-12 清华大学 一种电力-交通网络流量引导方法
CN113671831B (zh) * 2021-08-12 2024-04-09 南京邮电大学 一种非线性互联***的自适应跟踪控制方法
CN114117700A (zh) * 2021-11-29 2022-03-01 吉林大学 基于复杂网络理论的城市公共交通网络优化研究方法
CN114022046B (zh) * 2021-11-30 2023-04-18 国网四川省电力公司电力科学研究院 一种考虑交通均衡的综合能源***优化调度方法
CN115409294B (zh) * 2022-11-01 2023-03-24 江西江投电力技术与试验研究有限公司 一种配电网调度与充电协同的鲁棒优化方法
CN116470550B (zh) * 2023-03-13 2023-11-07 浙江大学 一种动态均衡电力交通耦合网络的协同扩容方法
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
CN116384678B (zh) * 2023-04-04 2023-09-15 国网江苏省电力有限公司电力科学研究院 一种基于交通网和配电网的电动汽车实时充电引导方法
CN116645124B (zh) * 2023-05-30 2024-05-24 浙江大学 一种考虑用户有限理性和市场监管的充电站动态定价方法
CN117410960B (zh) * 2023-09-15 2024-05-17 太原理工大学 一种电交通耦合***的协同调度方法及终端
CN117763773B (zh) * 2023-12-26 2024-07-02 国网江苏省电力有限公司电力科学研究院 多时段交通网-配电网耦合运行分析模型建模方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130307340A1 (en) * 2012-05-16 2013-11-21 General Electric Company Power converter operable from various power sources
CN103631642A (zh) * 2013-12-13 2014-03-12 国家电网公司 基于生态模拟的电动汽车充换电服务网络仿真***及方法
CN103914976A (zh) * 2014-03-28 2014-07-09 北方工业大学 一种面向异质用户的***最优交通分配模型及分配方法
CN105119275A (zh) * 2015-08-18 2015-12-02 河海大学 一种计及统一潮流控制器的电力***动态最优潮流的算法
CN107025520A (zh) * 2017-04-05 2017-08-08 广东电网有限责任公司东莞供电局 配电网新能源消纳能力确定的双层二阶锥规划方法与***
CN107292449A (zh) * 2017-07-18 2017-10-24 广东双新电气科技有限公司 一种含多微网主动配电***分散协同经济调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104393592B (zh) * 2014-11-27 2016-09-28 河海大学 一种计及温度影响的电力***最优潮流算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130307340A1 (en) * 2012-05-16 2013-11-21 General Electric Company Power converter operable from various power sources
CN103631642A (zh) * 2013-12-13 2014-03-12 国家电网公司 基于生态模拟的电动汽车充换电服务网络仿真***及方法
CN103914976A (zh) * 2014-03-28 2014-07-09 北方工业大学 一种面向异质用户的***最优交通分配模型及分配方法
CN105119275A (zh) * 2015-08-18 2015-12-02 河海大学 一种计及统一潮流控制器的电力***动态最优潮流的算法
CN107025520A (zh) * 2017-04-05 2017-08-08 广东电网有限责任公司东莞供电局 配电网新能源消纳能力确定的双层二阶锥规划方法与***
CN107292449A (zh) * 2017-07-18 2017-10-24 广东双新电气科技有限公司 一种含多微网主动配电***分散协同经济调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
电动汽车充电需求时空分布动态演化模型;苏舒等;《中国电机工程学报》;20170820;第37卷(第16期);第4618-4629页 *

Also Published As

Publication number Publication date
CN108596373A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
CN108596373B (zh) 一种电-交通耦合网络动态平衡求解方法
Hakimi et al. Stochastic planning of a multi-microgrid considering integration of renewable energy resources and real-time electricity market
Hasankhani et al. Stochastic energy management of smart microgrid with intermittent renewable energy resources in electricity market
US10607303B2 (en) Coordination of thermostatically controlled loads
Zheng et al. Coordinated scheduling strategy to optimize conflicting benefits for daily operation of integrated electricity and gas networks
CN109711601B (zh) 电-气-热综合能源***分布式优化调度方法和装置
Qiu et al. Federated reinforcement learning for smart building joint peer-to-peer energy and carbon allowance trading
Iria et al. Real-time provision of multiple electricity market products by an aggregator of prosumers
Yan et al. Novel planning methodology for energy stations and networks in regional integrated energy systems
Ramachandran et al. Intelligent power management in micro grids with EV penetration
CN106130007A (zh) 一种基于脆弱性理论的主动配电网储能规划方法
CN112290601B (zh) 一种柔性互联交直流配电***优化调度方法及***
CN111967776A (zh) 一种园区综合能源***运营价值链的评估方法
CN105449675A (zh) 优化分布式能源接入点和接入比例的电力网络重构方法
Daneshvar et al. A novel transactive energy trading model for modernizing energy hubs in the coupled heat and electricity network
Qiu et al. Multi-service provision for electric vehicles in power-transportation networks towards a low-carbon transition: A hierarchical and hybrid multi-agent reinforcement learning approach
Hosseinnia et al. Multi-objective optimization framework for optimal planning of the microgrid (MG) under employing demand response program (DRP)
CN109920252A (zh) 一种电气交通互联***的协调优化方法及***
CN109800927A (zh) 双边电力市场环境下的配电网分布式优化方法
Vytelingum et al. Agent-based modeling of smart-grid market operations
Liu et al. Derivation of locational marginal prices for restructured wholesale power markets
Rajani et al. An optimal energy management among the electric vehicle charging stations and electricity distribution system using GPC-RERNN approach
CN108830479A (zh) 一种计及电网全成本链的主配协同规划方法
CN115952990A (zh) 基于园区需求响应经济调度的碳排放核算方法及***
Tostado-Véliz et al. Multiobjective home energy management systems in nearly-zero energy buildings under uncertainties considering vehicle-to-home: A novel lexicographic-based stochastic-information gap decision theory approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant