CN109193644A - 基于电网-信息-交通三网融合的建模仿真方法 - Google Patents

基于电网-信息-交通三网融合的建模仿真方法 Download PDF

Info

Publication number
CN109193644A
CN109193644A CN201811209407.XA CN201811209407A CN109193644A CN 109193644 A CN109193644 A CN 109193644A CN 201811209407 A CN201811209407 A CN 201811209407A CN 109193644 A CN109193644 A CN 109193644A
Authority
CN
China
Prior art keywords
power grid
information
traffic
electric car
networks
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811209407.XA
Other languages
English (en)
Inventor
陈仲伟
谭玉东
欧名勇
王逸超
肖振锋
蔡晔
李达伟
李沛哲
邓凯
张允�
廉国海
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.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hunan Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811209407.XA priority Critical patent/CN109193644A/zh
Publication of CN109193644A publication Critical patent/CN109193644A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • H02J5/00—Circuit arrangements for transfer of electric power between ac networks and dc 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于电网‑信息‑交通三网融合的建模仿真方法，包括建立电网‑信息‑交通三网融合的架构体系；建立电网‑信息‑交通三网融合的仿真模型；对电网‑信息‑交通三网融合模型进行仿真，分析三网融合下对电网的影响。本发明建立电网‑信息‑交通三网融合***的仿真模型，并以电网、信息、交通属性之间的交互关系为切入点进行仿真和分析，更直观地反映三网融合***中影响运行状态的主要耦合因素；以电动汽车为耦合点，准确地反映出电力设施故障及交通道路故障对三网融合***的影响；因此本发明方法能够针对电网‑信息‑交通三网融合后电动汽车及其充电桩对接入电网和交通等的影响进行分析和仿真，而且本发明方法科学可靠。

Description

基于电网-信息-交通三网融合的建模仿真方法
技术领域
本发明具体涉及一种基于电网-信息-交通三网融合的建模仿真方法。
背景技术
随着国家经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。同时，随着化石燃料的枯竭和环境问题的日益突出，电动汽车也得到了极大的发展。目前，随着电动汽车的发展和智能化产业的发展，电力、信息和交通的深度融合，将有力促进绿色能源、互联网经济、智能交通等领域产业创新发展。
目前，随着电动汽车及其充电桩的逐渐普及，已经有了较多的关于电动汽车及其充电桩设备等对于电网影响的研究，比如电动汽车大规模接入对电网可靠性、经济性的影响，或者对减少能源消耗、降低有害气体排放的影响等。随着智能化时代的来临，现在的电网、信息网和交通网已经逐步开始了融合的过程，但是目前尚未有针对电网-信息-交通三网融合后，电动汽车及其充电桩对接入电网的影响的研究。
发明内容
本发明的目的在于提供一种针对电网-信息-交通三网融合后电动汽车及其充电桩对接入电网影响进行分析和仿真的基于电网-信息-交通三网融合的建模仿真方法。
本发明提供的这种基于电网-信息-交通三网融合的建模仿真方法，包括如下步骤：
S1.建立电网-信息-交通三网融合的架构体系；
S2.建立电网-信息-交通三网融合的仿真模型；
S3.根据步骤S2得到的仿真模型，对电网-信息-交通三网融合模型进行仿真，从而分析三网融合下对电网的影响。
步骤S1所述的电网-信息-交通三网融合的架构体系，具体包括交通层、通信层和物理层；交通层包括电动车实时信息和道路实时信息等；通信层包括数据传输网络和传感器等，传感器用于收集电网、信息网和交通网的各类实时信息，并通过数据传输网络进行传输；物理层则包括电网电源和充电桩，电网电源用于个所述电网输送能源，充电桩则用于为电动车提供充电电源。
所述的电网-信息-交通三网融合的仿真模型，具体为采用如下步骤建立仿真模型：
A.采用如下公式建立电网的描述：
GE＝[E(N),E(L)]
式中GE为电网的连通图描述，E(N)为电网母线集合，E(L)为电网的线路集合；
B.采用如下公式建立交通网的描述：
GT＝[T(N),T(L)]
式中GT为交通网的连通图描述，T(N)为道路交叉点集合，T(L)为道路集合，用于描述各路段的长度和道路交叉点之间的连接关系；
C.将步骤A和步骤B建立的模型进行组合，得到电网-交通网拓扑模型；
D.采用如下公式建立电动汽车的行为路径：
式中Drs为电动汽车从路径起点r到路径终点s的路径总长度，ki为道路的编号，Krs为从路径起点r到路径终点s的所有路径集合；dk,i为道路ki的长度；
E.根据步骤D建立的行为路径，采用如下规则建立电动汽车的行驶策略：
若电动汽车的行驶里程小于或等于电动汽车的行为路径总长度，则电动汽车从路径起点r开始，先到最近的充电站充电后，再根据选取的路径行驶至路径终点s；
若电动汽车的行驶里程大于电动汽车的行为路径总长度，则电动汽车直接从路径起点r开始，按照选取的路径直接行驶至路径终点s。
步骤S3所述的对电网-信息-交通三网融合模型进行仿真，具体为采用如下步骤进行仿真：
a.在物理层，根据电网测量得到的日符合曲线图，将电网区域分类；
b.在交通层，选取目前市面典型的电动汽车作为仿真对象；
c.在通信层，确定电动汽车的位置和电量状态，判断电动汽车的行驶状态，从而实现充电负荷和交通道路拥堵的状态；
d.根据历史数据，获取步骤b选定的电动汽车在节假日和工作日的行驶行为；
e.对不同场景、不同电网区域下的交通网络中电动汽车数量的累积概率进行仿真分析；
f.在不同场景下，仿真不同的道路被封锁后，该道路封锁对电网负荷波动的影响；
g.在不同场景下，仿真不同的充电桩故障时，该故障充电桩对电网负荷波动、交通流量信息的影响。
所述的不同场景的定义如下：根据出行习惯，分为工作日和周末场景：
周末场景：电动汽车车主的出发地和目的地满足随机分布；
工作场景：将整个研究区域内的电动汽车车主的行程，以出发地→目的地的形式，分为以下几类：①工业区→工业区②工业区→商业区③工业区→住宅区④商业区→工业区⑤商业区→商业区⑥商业区→住宅区⑦住宅区→工业区⑧住宅区→商业区⑨住宅区→住宅区9种情况。如，以工业区为例，13.24％的电动汽车从工业区出发，目的地为工业区，9.91％的电动汽车从工业区出发，目的地为商业区，13.20％的电动汽车从工业区出发，目的地为住宅区。
本发明提供的这种基于电网-信息-交通三网融合的建模仿真方法，分析电动汽车行驶行为、交通流、电网运行状态之间的变化规律，从而建立电网-信息-交通三网融合***的仿真模型，并以电网、信息、交通属性之间的交互关系为切入点进行仿真和分析，更直观地反映三网融合***中影响运行状态的主要耦合因素；以电动汽车为耦合点，准确地反映出电力设施故障及交通道路故障对三网融合***的影响；因此本发明方法能够针对电网-信息-交通三网融合后电动汽车及其充电桩对接入电网和交通等的影响进行分析和仿真，而且本发明方法科学可靠。
附图说明
图1为本发明方法的方法流程图。
图2为本发明方法的电网-信息-交通三网融合的模型示意图。
图3为本发明方法的电网-交通网拓扑示意图。
图4为本发明方法的工业区、商业区及住宅区用电负荷示意图。
图5为本发明方法的电动汽车的累积概率分布示意图。
图6为本发明方法的电动汽车在各区域的累积概率分布示意图。
图7为本发明方法的电网负荷增量示意图。
图8为本发明方法的充电桩负荷增量示意图。
图9为本发明方法的充电桩故障下电动汽车的累积概率分布示意图。
具体实施方式
如图1所示为本发明方法的方法示意图：本发明提供的这种基于电网-信息-交通三网融合的建模仿真方法，包括如下步骤：
S1.建立电网-信息-交通三网融合的架构体系；具体包括交通层、通信层和物理层；
交通层包括电动车实时信息和道路实时信息等；电动汽车车主驾驶习惯以及充电行为将对交通流产生影响；同时，交通流反过来也会影响车主的路径选择以及充电时间和特性，从而影响电网的电能质量和尖峰负荷；
通信层包括数据传输网络和传感器等，传感器用于收集电网、信息网和交通网的各类实时信息，并通过数据传输网络进行传输；提供智能检测单元、网络及工作站等通信媒介，收集和传送电力***的传输功率、节点电压以及交通网络的实时路况，通过信息流实现交通网络与电力***的信息交流；
物理层则包括电网电源和充电桩，电网电源用于个所述电网输送能源，充电桩则用于为电动车提供充电电源；电动汽车通过V2G技术向电力***注入/提取电能，从而导致负荷变化；此外，传统大型发电和负荷也在这层接入整个***，服从***的管理者集中调度
S2.建立电网-信息-交通三网融合的仿真模型；具体为采用如下步骤建立仿真模型：
A.采用如下公式建立电网的描述：
GE＝[E(N),E(L)]
式中GE为电网的连通图描述，E(N)为电网母线集合，E(L)为电网的线路集合；
B.采用如下公式建立交通网的描述：
GT＝[T(N),T(L)]
式中GT为交通网的连通图描述，T(N)为道路交叉点集合，T(L)为道路集合，用于描述各路段的长度和道路交叉点之间的连接关系；
C.将步骤A和步骤B建立的模型进行组合，得到电网-交通网拓扑模型；
D.采用如下公式建立电动汽车的行为路径：
式中Drs为电动汽车从路径起点r到路径终点s的路径总长度，ki为道路的编号，Krs为从路径起点r到路径终点s的所有路径集合；dk,i为道路ki的长度；
E.根据步骤D建立的行为路径，采用如下规则建立电动汽车的行驶策略：
若电动汽车的行驶里程小于或等于电动汽车的行为路径总长度，则电动汽车从路径起点r开始，先到最近的充电站充电后，再根据选取的路径行驶至路径终点s；
若电动汽车的行驶里程大于电动汽车的行为路径总长度，则电动汽车直接从路径起点r开始，按照选取的路径直接行驶至路径终点s；
S3.根据步骤S2得到的仿真模型，对电网-信息-交通三网融合模型进行仿真，从而分析三网融合下对电网的影响；具体为采用如下步骤进行仿真：
a.在物理层，根据电网测量得到的日符合曲线图，将电网区域分类；具体为根据电网测量所得的日负荷曲线图，将网络分为三个区域，即工业区、商业区和住宅区；
b.在交通层，选取目前市面典型的电动汽车作为仿真对象；
c.在通信层，确定电动汽车的位置和电量状态，判断电动汽车的行驶状态，从而实现充电负荷和交通道路拥堵的状态；
d.根据历史数据，获取步骤b选定的电动汽车在节假日和工作日的行驶行为；
e.对不同场景、不同电网区域下的交通网络中电动汽车数量的累积概率进行仿真分析；
根据一般的出行习惯，分为工作日和周末场景。
周末场景：电动汽车车主的出发地和目的地满足随机分布；
工作场景：将整个研究区域内的电动汽车车主的行程(出发地→目的地)分为以下几类：①工业区→工业区②工业区→商业区③工业区→住宅区④商业区→工业区⑤商业区→商业区⑥商业区→住宅区⑦住宅区→工业区⑧住宅区→商业区⑨住宅区→住宅区9种情况。如，以工业区为例，13.24％的电动汽车从工业区出发，目的地为工业区，9.91％的电动汽车从工业区出发，目的地为商业区，13.20％的电动汽车从工业区出发，目的地为住宅区。
f.在不同场景下，仿真不同的道路被封锁后，该道路封锁对电网负荷波动的影响；
g.在不同场景下，仿真不同的充电桩故障时，该故障充电桩对电网负荷波动、交通流量信息的影响。
以下结合一个具体实施例，对本发明方法进行进一步说明：
构建电网-信息-交通三网融合的架构体系，其示意图如图2所示；
然后，对构建的电网-信息-交通三网融合的架构体系进行建模：以IEEE 33节点配电***为例，建立考虑电网-交通对应关系的三网融合拓扑模型，IEEE 33节点***被抽象成由33个节点、32条边、负荷370MVA的物理层，交通网的节点规模与电网规模相匹配，包含道路交叉节点33个，道路53条，道路总长1414km，平均道路长度26.68km。如图3所示。
基于日负荷曲线，将物理层拓扑模型分为三个区域，即工业区、商业区和住宅区。其中，在电网中，节点1为平衡点，通过变压器与高压侧相连。负荷曲线如图4所示。
对于交通层，主要选取目前几点典型电动汽车作为模拟对象，如表1所示：
表1选取的典型电动汽车的主要参数示意表
BYD K9 BYD e6 Tesla model S
容量/kw·h 324 57 85
MI/km 250 120 480
快充时间 0.5h(50％) 0.25h(80％) 1h
慢充时间 6h 10h 10h
模型 公共汽车 私家车/出租车 商务车
百分比 31％ 23％/23％ 23％
场景1：随机选取出发地-目的地对(OD对)，OD对在网络分区中所占的百分比如表2所示：
表2 OD对分布示意表
工业区 商业区 住宅区
工业区 13.24％ 9.91％ 13.20％
商业区 9.97％ 7.40％ 9.93％
住宅区 13.16％ 9.95％ 13.24％
场景2：BYD K9作为公共汽车模型，从工业区、商业区以及住宅区均匀选定出发地；50％BYD e6作为私家车模型从住宅区出发；其它50％BYD e6作为出租车模型随机出发；Tesla model S作为商务车模型从商业区出发。所有车主目的地均为随机选择。
以IEEE33节点***为例(如图3所示)，充电站作为电网和交通网能量传输的耦合点，在仿真中选取8个具有代表性的节点作为充电站，记作ΩT＝{#5,#6,#20,#3,#10,#30,#31,}。假设满电量的电动汽车从8：00a.m.从出发地出发，电动汽车速度为30km/h。以15min为一个时间间隔作为最小研究单元。
场景1和场景2条件下：仿真得到交通网络中电动汽车数量的累积概率分布图如图5所示。
考察道路故障对电网的影响以及电网故障对交通网的影响：
(1)道路故障对电网的影响
在本方法所示的模型中，如图3，交通流最大的道路是(6,26)，设定为初始故障，道路故障前后电网负荷增量的对比结果图如图7所示。
对比2个典型的充电站负荷增量如图8所示。图8(a)为#6充电站负荷增量，该充电站位于交通网络中心位置，且与故障道路距离最近。图8(b)为#31充电站负荷增量，位于交通网络边缘位置。
根据图8可看出，#6充电站的负荷从道路故障前的5.88MW增加到道路故障后的14.05MW，而#31充电站负荷增量基本不变。由此说明，故障附近的充电站所受影响比较大，而远离故障的充电站所受影响比较小。
(2)电网故障对交通网的影响
分析在某个充电站故障的情况下，考虑原本计划去该充电站充电的电动汽车将被迫选择其他充电站充电行为对交通流的影响，场景1和场景2下的交通流累积概率分布如图9所示。从图9可以看出，两条交通流基本重合，即无论场景1还是场景2，充电站故障对交通网整体的拥堵情况影响不大。

Claims (5)

1.一种基于电网-信息-交通三网融合的建模仿真方法，包括如下步骤：
S1.建立电网-信息-交通三网融合的架构体系；
S2.建立电网-信息-交通三网融合的仿真模型；
S3.根据步骤S2得到的仿真模型，对电网-信息-交通三网融合模型进行仿真，从而分析三网融合下对电网的影响。
2.根据权利要求1所述的基于电网-信息-交通三网融合的建模仿真方法，其特征在于步骤S1所述的电网-信息-交通三网融合的架构体系，具体包括交通层、通信层和物理层；交通层包括电动车实时信息和道路实时信息；通信层包括数据传输网络和传感器等，传感器用于收集电网、信息网和交通网的各类实时信息，并通过数据传输网络进行传输；物理层则包括电网电源和充电桩，电网电源用于个所述电网输送能源，充电桩则用于为电动车提供充电电源。
3.根据权利要求2所述的基于电网-信息-交通三网融合的建模仿真方法，其特征在于所述的电网-信息-交通三网融合的仿真模型，具体为采用如下步骤建立仿真模型：
A.采用如下公式建立电网的描述：
GE＝[E(N),E(L)]
式中GE为电网的连通图描述，E(N)为电网母线集合，E(L)为电网的线路集合；
B.采用如下公式建立交通网的描述：
GT＝[T(N),T(L)]
式中GT为交通网的连通图描述，T(N)为道路交叉点集合，T(L)为道路集合，用于描述各路段的长度和道路交叉点之间的连接关系；
C.将步骤A和步骤B建立的模型进行组合，得到电网-交通网拓扑模型；
D.采用如下公式建立电动汽车的行为路径：
式中Drs为电动汽车从路径起点r到路径终点s的路径总长度，ki为道路的编号，Krs为从路径起点r到路径终点s的所有路径集合；dk,i为道路ki的长度；
E.根据步骤D建立的行为路径，采用如下规则建立电动汽车的行驶策略：
若电动汽车的行驶里程小于或等于电动汽车的行为路径总长度，则电动汽车从路径起点r开始，先到最近的充电站充电后，再根据选取的路径行驶至路径终点s；
若电动汽车的行驶里程大于电动汽车的行为路径总长度，则电动汽车直接从路径起点r开始，按照选取的路径直接行驶至路径终点s。
4.根据权利要求3所述的基于电网-信息-交通三网融合的建模仿真方法，其特征在于步骤S3所述的对电网-信息-交通三网融合模型进行仿真，具体为采用如下步骤进行仿真：
a.在物理层，根据电网测量得到的日符合曲线图，将电网区域分类；
b.在交通层，选取目前市面典型的电动汽车作为仿真对象；
c.在通信层，确定电动汽车的位置和电量状态，判断电动汽车的行驶状态，从而实现充电负荷和交通道路拥堵的状态；
d.根据历史数据，获取步骤b选定的电动汽车在节假日和工作日的行驶行为；
e.对不同场景、不同电网区域下的交通网络中电动汽车数量的累积概率进行仿真分析；
f.在不同场景下，仿真不同的道路被封锁后，该道路封锁对电网负荷波动的影响；
g.在不同场景下，仿真不同的充电桩故障时，该故障充电桩对电网负荷波动、交通流量信息的影响。
5.根据权利要求4所述的基于电网-信息-交通三网融合的建模仿真方法，其特征在于不同场景的定义如下：根据出行习惯，分为工作日和周末场景；
周末场景：电动汽车车主的出发地和目的地满足随机分布；
工作场景：将整个研究区域内的电动汽车车主的行程，以出发地→目的地的形式，分为以下几类：①工业区→工业区②工业区→商业区③工业区→住宅区④商业区→工业区⑤商业区→商业区⑥商业区→住宅区⑦住宅区→工业区⑧住宅区→商业区⑨住宅区→住宅区9种情况。
CN201811209407.XA 2018-10-17 2018-10-17 基于电网-信息-交通三网融合的建模仿真方法 Pending CN109193644A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811209407.XA CN109193644A (zh) 2018-10-17 2018-10-17 基于电网-信息-交通三网融合的建模仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811209407.XA CN109193644A (zh) 2018-10-17 2018-10-17 基于电网-信息-交通三网融合的建模仿真方法

Publications (1)

Publication Number Publication Date
CN109193644A true CN109193644A (zh) 2019-01-11

Family

ID=64945157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811209407.XA Pending CN109193644A (zh) 2018-10-17 2018-10-17 基于电网-信息-交通三网融合的建模仿真方法

Country Status (1)

Country Link
CN (1) CN109193644A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110797866A (zh) * 2019-11-06 2020-02-14 国网湖南省电力有限公司 电动汽车参与电网调频/调压的动态路径规划方法
RU2801397C1 (ru) * 2019-10-28 2023-08-08 Даньели Аутоматион С.П.А. Преобразователь и блок электропитания

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011121790A1 (ja) * 2010-03-31 2011-10-06 パイオニア株式会社 検索装置、ナビゲーション装置、情報提供装置、検索方法、検索プログラムおよび記録媒体
CN103236179A (zh) * 2012-12-18 2013-08-07 清华大学 一种计及交通信息与电网信息的电动汽车充电导航方法
JP2014056589A (ja) * 2010-03-18 2014-03-27 Toshiba Corp エネルギーナビゲーション制御装置および方法
CN106849065A (zh) * 2017-03-06 2017-06-13 四川大学 一种计及充电站的配电网多目标协同规划方法
CN107067110A (zh) * 2017-04-14 2017-08-18 天津大学 车‑路‑网模式下电动汽车充电负荷时空预测方法
CN108510128A (zh) * 2018-04-11 2018-09-07 华南理工大学广州学院 一种区域电动汽车充电负荷时空分布预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014056589A (ja) * 2010-03-18 2014-03-27 Toshiba Corp エネルギーナビゲーション制御装置および方法
WO2011121790A1 (ja) * 2010-03-31 2011-10-06 パイオニア株式会社 検索装置、ナビゲーション装置、情報提供装置、検索方法、検索プログラムおよび記録媒体
CN103236179A (zh) * 2012-12-18 2013-08-07 清华大学 一种计及交通信息与电网信息的电动汽车充电导航方法
CN106849065A (zh) * 2017-03-06 2017-06-13 四川大学 一种计及充电站的配电网多目标协同规划方法
CN107067110A (zh) * 2017-04-14 2017-08-18 天津大学 车‑路‑网模式下电动汽车充电负荷时空预测方法
CN108510128A (zh) * 2018-04-11 2018-09-07 华南理工大学广州学院 一种区域电动汽车充电负荷时空分布预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2801397C1 (ru) * 2019-10-28 2023-08-08 Даньели Аутоматион С.П.А. Преобразователь и блок электропитания
CN110797866A (zh) * 2019-11-06 2020-02-14 国网湖南省电力有限公司 电动汽车参与电网调频/调压的动态路径规划方法
CN110797866B (zh) * 2019-11-06 2023-05-26 国网湖南省电力有限公司 电动汽车参与电网调频/调压的动态路径规划方法

Similar Documents

Publication Publication Date Title
CN107067110B (zh) 车-路-网模式下电动汽车充电负荷时空预测方法
James Two-stage request scheduling for autonomous vehicle logistic system
CN106599390B (zh) 一种计及电动出租车时空随机特性的充电负荷的计算方法
CN107392400A (zh) 计及实时交通与温度的ev充电负荷时空分布预测方法
CN104778263B (zh) 一种电动车充电站***仿真数据挖掘方法
CN108510128A (zh) 一种区域电动汽车充电负荷时空分布预测方法
CN109447410A (zh) 一种考虑城市路网交通运行状态的充电站选址方法
CN105160428A (zh) 高速公路电动汽车快速充电站的规划方法
Acha et al. Modelling spatial and temporal agent travel patterns for optimal charging of electric vehicles in low carbon networks
CN105528498B (zh) 网联智能电动车辆一体化建模与集成控制方法
CN107871184A (zh) 一种面向区域充电设施的电动汽车充电站的选址方法
Andrenacci et al. Determination of the level of service and customer crowding for electric charging stations through fuzzy models and simulation techniques
Ushijima-Mwesigwa et al. Optimal installation for electric vehicle wireless charging lanes
CN109583706A (zh) 配电***接纳电动汽车能力的多元优化评估方法及***
CN103439931B (zh) 一种电动汽车与电网实时信息交互***
Wang et al. Optimal charging strategy for intercity travels of battery electric vehicles
CN106130110B (zh) 基于分层概率选择出行地的电动出租车充电站定容方法
Ji et al. A spatial-temporal model for locating electric vehicle charging stations
Zhao et al. Dynamic traffic prediction-based energy management of connected plug-in hybrid electric vehicles with long short-term state of charge planning
Saatloo et al. Hierarchical user-driven trajectory planning and charging scheduling of autonomous electric vehicles
Chen et al. Electric vehicle charging navigation strategy based on data driven and deep reinforcement learning
CN109193644A (zh) 基于电网-信息-交通三网融合的建模仿真方法
Wang et al. ForETaxi: data-driven fleet-oriented charging resource allocation in large-scale electric taxi networks
CN110930037B (zh) 电动出租车充电站与配电设施的协调规划方法
CN106845727A (zh) 考虑配网潮流约束的高速公路快速充电站启发式规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190111

RJ01 Rejection of invention patent application after publication