CN109978240B - 一种电动汽车有序充电优化方法及*** - Google Patents

一种电动汽车有序充电优化方法及*** Download PDF

Info

Publication number
CN109978240B
CN109978240B CN201910181112.4A CN201910181112A CN109978240B CN 109978240 B CN109978240 B CN 109978240B CN 201910181112 A CN201910181112 A CN 201910181112A CN 109978240 B CN109978240 B CN 109978240B
Authority
CN
China
Prior art keywords
charging
power
transformer
mutation
electric automobile
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
CN201910181112.4A
Other languages
English (en)
Other versions
CN109978240A (zh
Inventor
程江洲
王劲峰
李君豪
谢诗雨
唐阳
熊双菊
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN201910181112.4A priority Critical patent/CN109978240B/zh
Publication of CN109978240A publication Critical patent/CN109978240A/zh
Application granted granted Critical
Publication of CN109978240B publication Critical patent/CN109978240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (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)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种电动汽车有序充电优化方法，该充电优化方法所采用的充电优化***包括处理模块、通信模块、信息获取模块和功率选择模块，信息获取模块和功率选择模块分别经通信模块与处理模块连接，信息获取模块和功率选择模块分别与电动汽车连接。本发明建立优化模型，以小区变压器功率峰谷差最小化作为优化目标构筑目标函数，以不超过变压器额定功率作为约束条件，采用莫楞贝突变遗传算法对电动汽车的充电时间进行求解，得到每辆电动汽车的最佳接入时间。本发明通过智能算法合理的安排每辆电动汽车的充电负荷，在不改变变压器现有容量下满足大量电动汽车用户的充电需求；有效的降低变压器输出功率峰谷差，减小电网运行的风险。

Description

一种电动汽车有序充电优化方法及***
技术领域
本发明属于充电优化领域，具体涉及一种电动汽车有序充电优化方法和***。
背景技术
能源危机和环境污染是当前人类面临的两大问题，随着不可再生能源的枯竭与环境的不断恶化，电动汽车正在以其在节能、环保方面的优势获得了前所未有的发展机遇，成为新能源方向研究的热点。作为未来电力***中比重大的负荷，电动汽车接入电网的随机性和间歇性将使电力***运行的复杂程度大大增加。未来居民小区将成为电动汽车充电的主要场所之一，但是小区的充电设施改造也具有一定的困难。若大量的电动汽车无序的接入电网会对当前小区的变压器造成很大的负担，尤其是电力负荷高峰时期接入大量的电动汽车充电会导致负荷曲线峰上加峰，不利于变压器的安全稳定与经济运行。
因此，研究一种居民小区电动汽车有序充电优化方法及***，对小区的电动汽车充电进行统一的管理，在不超过变压器容量的情况下满足电动汽车用户的充电需求。
发明内容
本发明的目的是解决上述问题，提供一种电动汽车有序充电优化方法和***，在不改变变压器容量的前提下满足电动汽车用户充电要求，降低变压器输出功率峰谷差，减小电网运行的风险。
本发明的技术方案是一种电动汽车有序充电优化方法，该充电优化方法所采用的充电优化***包括处理模块、通信模块、信息获取模块和功率选择模块，信息获取模块和功率选择模块分别经通信模块与处理模块连接，信息获取模块和功率选择模块分别与电动汽车连接，电动汽车有序充电优化方法包括以下步骤：
步骤1：当电动汽车接入充电桩时，获取电动汽车的接入时间、剩余电量和用户期望电量充满时间；
步骤2：根据所获得的剩余电量信息选择相应的充电功率；
步骤3：根据当前小区的用户用电负荷信息、光伏发电输出功率信息和电动汽车充电负荷相关信息，建立优化模型，以小区变压器功率峰谷差最小化作为优化目标构筑目标函数，以不超过变压器额定功率作为约束条件，采用莫楞贝突变遗传算法对电动汽车的充电时间进行求解，得到每辆电动汽车的最佳接入时间；
步骤4：根据莫楞贝突变遗传算法求解结果，作出相应的用电负荷曲线。
所述采用莫楞贝突变遗传算法对电动汽车的充电时间进行求解，具体步骤如下，
步骤1：生成初始种群，Np为种群中个体数量，设置总迭代数、总变异数；
步骤2：随机选择2个个体进行交叉，若交叉后优于亲本则进行替换；
步骤3：交叉数增加1，迭代数增加1；
步骤4：判断交叉数是否不小于Np/2；
步骤4.1：若交叉数小于Np/2，则执行步骤2；
步骤4.2：若交叉数大于等于Np/2，则执行步骤5；
步骤5：根据适应度来分配总群；
步骤6：随机选择个体进行变异，若变异后优于亲本则进行替换；
步骤7：变异数增加1，迭代数增加1；
步骤8：判断变异数是否大于等于总变异数；
步骤8.1：若变异数大于等于总变异数，则执行步骤9；
步骤8.2：若变异数小于总变异数，则执行步骤6；
步骤9：根据适应度来分配总群；
步骤10：判断是否达到总迭代数；
步骤10.1：若未达到总迭代数，则执行步骤2；
步骤10.2：若达到总迭代数，则结束。
所述莫楞贝突变遗传算法的变异采用的变异算子如下
m′i＝mi±rangei·γ,ai＜mi＜bi (1)
式中mi为要突变的参数，m′i为莫楞贝突变的结果参数，rangei为突变范围；
Figure BDA0001991357950000021
式中γ为突变概率，αk∈{0,1}，其中概率
Figure BDA0001991357950000022
所述选择充电功率为选择快速充电模式或者慢速充电模式；所述快速充电模式充电过程中保持功率恒定；所述慢速充电模式进行低功率充电；充电功率模型为
Figure BDA0001991357950000023
式中f为功率选择函数，单位为千瓦kW，x为电池剩余电量百分比。
步骤3中，所述优化模型以变压器功率峰谷差最小化作为目标函数，即min F2，
其中
F2＝max F1-min F1 (4)
式中F1为变压器功率，F2为变压器功率峰谷差；
约束条件为
Figure BDA0001991357950000031
其中
F1＝Pbase.t+Pvehicle.t-Ppv.t (6)
式中Pbase.t表示t时刻居民用电消耗的功率；Pvehicle.t表示t时刻电动汽车充电消耗的功率； Ppv.t表示t时刻光伏发电的输出功率；SN表示变压器的额定容量；
Figure BDA0001991357950000032
表示变压器额定功率因数。
相比现有技术，本发明的有益效果：
1)通过智能算法合理的安排每辆电动汽车的充电负荷，在不改变变压器现有容量下满足大量电动汽车用户的充电需求；
2)本发明提出的有序充电优化方法可以减少新增设备的投入，减少变压器扩容等费用；
3)本发明可以有效的降低变压器输出功率峰谷差，使负荷曲线尽可能的平滑，减小电网运行的风险。
4)采用的莫楞贝突变遗传算法避免了优化模型的求解陷入到局部最优解。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为电动汽车有序充电优化方法的流程图。
图2为本发明的莫楞贝突变遗传算法的流程图。
图3为本发明的充电优化***的结构框图。
图4为一种实施例的小区总用电负荷曲线图。
具体实施方式
如图1-3所示，一种电动汽车有序充电优化方法，该充电优化方法所采用的充电优化***包括处理模块、通信模块、信息获取模块和功率选择模块，信息获取模块和功率选择模块分别经通信模块与处理模块连接，信息获取模块和功率选择模块分别与电动汽车连接，电动汽车有序充电优化方法包括以下步骤：
步骤1：当电动汽车接入充电桩时，获取电动汽车的接入时间、剩余电量和用户期望电量充满时间；
步骤2：根据所获得的剩余电量信息选择相应的充电功率；
步骤3：根据当前小区的用户用电负荷信息、光伏发电输出功率信息和电动汽车充电负荷相关信息，建立优化模型，以小区变压器功率峰谷差最小化作为优化目标构筑目标函数，以不超过变压器额定功率作为约束条件，采用莫楞贝突变遗传算法对电动汽车的充电时间进行求解，得到每辆电动汽车的最佳接入时间；
步骤4：根据莫楞贝突变遗传算法求解结果，作出相应的用电负荷曲线。
如图2所示，所述采用莫楞贝突变遗传算法对电动汽车的充电时间进行求解，具体步骤如下，
步骤1：生成初始种群，Np为种群中个体数量，设置总迭代数、总变异数；
步骤2：随机选择2个个体进行交叉，若交叉后优于亲本则进行替换；
步骤3：交叉数增加1，迭代数增加1；
步骤4：判断交叉数是否不小于Np/2；
步骤4.1：若交叉数小于Np/2，则执行步骤2；
步骤4.2：若交叉数大于等于Np/2，则执行步骤5；
步骤5：根据适应度来分配总群；
步骤6：随机选择个体进行变异，若变异后优于亲本则进行替换；
步骤7：变异数增加1，迭代数增加1；
步骤8：判断变异数是否大于等于总变异数；
步骤8.1：若变异数大于等于总变异数，则执行步骤9；
步骤8.2：若变异数小于总变异数，则执行步骤6；
步骤9：根据适应度来分配总群；
步骤10：判断是否达到总迭代数；
步骤10.1：若未达到总迭代数，则执行步骤2；
步骤10.2：若达到总迭代数，则结束。
所述莫楞贝突变遗传算法的变异采用的变异算子如下
m′i＝mi±rangei·γ,ai＜mi＜bi (1)
式中mi为要突变的参数，m′i为莫楞贝突变的结果参数，rangei为突变范围；
Figure BDA0001991357950000041
式中γ为突变概率，αk∈{0,1}，其中概率
Figure BDA0001991357950000051
根据式(1)和式(2)得到关于mi的一个区间[mi-rangei·i,mi+rangei·i]，该区间最小变化范围为rangei·2-15。
所述选择充电功率为选择快速充电模式或者慢速充电模式；所述快速充电模式充电过程中保持功率恒定；所述慢速充电模式进行低功率充电；充电功率模型为
Figure BDA0001991357950000052
式中f为功率选择函数，单位为千瓦kW，x为电池剩余电量百分比。
步骤3中，所述优化模型以变压器功率峰谷差最小化作为目标函数，即min F2，
其中
F2＝max F1-min F1 (4)
式中F1为变压器功率，F2为变压器功率峰谷差；
约束条件为
Figure BDA0001991357950000053
其中
F1＝Pbase.t+Pvehicle.t-Ppv.t (6)
式中Pbase.t表示t时刻居民用电消耗的功率；Pvehicle.t表示t时刻电动汽车充电消耗的功率； Ppv.t表示t时刻光伏发电的输出功率；SN表示变压器的额定容量；
Figure BDA0001991357950000054
表示变压器额定功率因数。
一种实施例中有500辆电动汽车需要进行充电，以15分钟作为时间间隔，将一天分为96 个时间段，采用莫楞贝突变遗传算法对每辆电动车的充电时间进行优化，优化的结果如图4 所示。图4表明采用莫楞贝突变遗传算法时电动汽车的充电负荷分布合理，在不过载的情况下有效降低了峰谷差。采用遗传算法进行优化时，由于遗传算法的早熟问题，很快收敛到局部最优解但不是全局最优解，导致不能很好的优化，部分时段的负荷超过了变压器功率额定值。无序充电时最大负荷和最小负荷分别为3328.32kW和310.31kW，峰谷差率为90.68％；采用遗传算法进行优化时最大负荷和最小负荷分别为2828.18kW和698.9kW，峰谷差率为 75.29％；采用莫楞贝突变遗传算法进行优化时最大负荷和最小负荷分别为2221.22kW和 774.48kW，峰谷差率为65.13％；在不超过变压器功率额定值的前提下，比无序充电时的峰谷差率降低了25.55％，遗传算法优化时的峰谷差率降低了10.16％，实现了削峰填谷。

Claims (3)

1.一种电动汽车有序充电优化方法，其特征在于，该充电优化方法所采用的充电优化***包括处理模块、通信模块、信息获取模块和功率选择模块，信息获取模块和功率选择模块分别经通信模块与处理模块连接，信息获取模块和功率选择模块分别与电动汽车连接，电动汽车有序充电优化方法具体步骤如下，
步骤1：当电动汽车接入充电桩时，获取电动汽车的接入时间、剩余电量和用户期望电量充满时间；
步骤2：根据所获得的剩余电量信息选择充电功率；
步骤3：根据当前小区的用户用电负荷信息、光伏发电输出功率信息和电动汽车充电负荷相关信息，建立优化模型，以小区变压器功率峰谷差最小化作为优化目标构筑目标函数，以不超过变压器额定功率作为约束条件，采用莫楞贝突变遗传算法对电动汽车的充电时间进行求解，得到每辆电动汽车的最佳接入时间；
步骤4：根据莫楞贝突变遗传算法求解结果，作出相应的用电负荷曲线；
所述采用莫楞贝突变遗传算法对电动汽车的充电时间进行求解，具体步骤如下，
1)生成初始种群，Np为种群中个体数量，设置总迭代数、总变异数；
2)随机选择2个个体进行交叉，若交叉后优于亲本则进行替换；
3)交叉数增加1，迭代数增加1；
4)判断交叉数是否不小于Np/2；
4.1)若交叉数小于Np/2，则执行步骤2)；
4.2)若交叉数大于等于Np/2，则执行步骤5)；
5)根据适应度来分配总群；
6)随机选择个体进行变异，若变异后优于亲本则进行替换；
7)变异数增加1，迭代数增加1；
8)判断变异数是否大于等于总变异数；
8.1)若变异数大于等于总变异数，则执行步骤9)；
8.2)若变异数小于总变异数，则执行步骤6)；
9)根据适应度来分配总群；
10)判断是否达到总迭代数；
10.1)若未达到总迭代数，则执行步骤2)；
10.2)若达到总迭代数，则结束；
所述莫楞贝突变遗传算法的变异采用的变异算子如下
m′i＝mi±rangei·γ,ai<mi<bi (1)
式中mi为要突变的参数，m′i为莫楞贝突变的结果参数，rangei为突变范围；
Figure FDA0003708475400000021
式中γ为突变概率，αk∈{0,1}，其中概率
Figure FDA0003708475400000022
2.根据权利要求1所述的电动汽车有序充电优化方法，其特征在于，所述选择充电功率为选择快速充电模式或者慢速充电模式；所述快速充电模式充电过程中保持功率恒定；所述慢速充电模式进行低功率充电；充电功率模型为
Figure FDA0003708475400000023
式中f为功率选择函数，单位为千瓦kW，x为电池剩余电量百分比。
3.根据权利要求1所述的电动汽车有序充电优化方法，其特征在于，步骤3中，所述优化模型以变压器功率峰谷差最小化作为目标函数，即minF2，
其中
F2＝maxF1-minF1 (4)
式中F1为变压器功率，F2为变压器功率峰谷差；
约束条件为
Figure FDA0003708475400000024
其中
F1＝Pbase.t+Pvehicle.t-Ppv.t (6)
式中Pbase.t表示t时刻居民用电消耗的功率；Pvehicle.t表示t时刻电动汽车充电消耗的功率；Ppv.t表示t时刻光伏发电的输出功率；SN表示变压器的额定容量；
Figure FDA0003708475400000025
表示变压器额定功率因数。
CN201910181112.4A 2019-03-11 2019-03-11 一种电动汽车有序充电优化方法及*** Active CN109978240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910181112.4A CN109978240B (zh) 2019-03-11 2019-03-11 一种电动汽车有序充电优化方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910181112.4A CN109978240B (zh) 2019-03-11 2019-03-11 一种电动汽车有序充电优化方法及***

Publications (2)

Publication Number Publication Date
CN109978240A CN109978240A (zh) 2019-07-05
CN109978240B true CN109978240B (zh) 2022-10-04

Family

ID=67078427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910181112.4A Active CN109978240B (zh) 2019-03-11 2019-03-11 一种电动汽车有序充电优化方法及***

Country Status (1)

Country Link
CN (1) CN109978240B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111674276B (zh) * 2020-06-11 2021-10-26 国网重庆市电力公司营销服务中心 一种电动汽车有序充电控制方法及***
CN111797568A (zh) * 2020-06-16 2020-10-20 武汉大学深圳研究院 一种基于最小能耗的锂电池充电方法
CN112103580B (zh) * 2020-09-21 2022-04-01 武汉大学 一种基于等效内阻的锂电池充电方法
CN113537589A (zh) * 2021-07-13 2021-10-22 国网北京市电力公司 有序充电控制方法及装置
CN113580993B (zh) * 2021-07-26 2023-06-20 华南理工大学 一种以变压器效率最高为目标的充电桩集群有序充电方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2014262212A1 (en) * 2014-10-08 2016-04-28 State Grid Corporation Of China A multi-objective stochastic programming method of electric vehicle charging load based on non-dominated sorting genetic algorithm
CN107612009A (zh) * 2017-09-14 2018-01-19 国网福建省电力有限公司 一种电动汽车规模化接入居民区的有序充电控制方法
CN107745650A (zh) * 2017-10-26 2018-03-02 电子科技大学 一种基于峰谷分时电价的电动汽车有序充电控制方法
CN107766980A (zh) * 2017-10-20 2018-03-06 山东农业大学 基于用户行为习惯的电动汽车分时充电电价优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2014262212A1 (en) * 2014-10-08 2016-04-28 State Grid Corporation Of China A multi-objective stochastic programming method of electric vehicle charging load based on non-dominated sorting genetic algorithm
CN107612009A (zh) * 2017-09-14 2018-01-19 国网福建省电力有限公司 一种电动汽车规模化接入居民区的有序充电控制方法
CN107766980A (zh) * 2017-10-20 2018-03-06 山东农业大学 基于用户行为习惯的电动汽车分时充电电价优化方法
CN107745650A (zh) * 2017-10-26 2018-03-02 电子科技大学 一种基于峰谷分时电价的电动汽车有序充电控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于峰谷电价的小区多目标有序充电策略;袁天驰等;《天津城建大学学报》;20171231;P443-447 *
居民小区电动汽车充电负荷有序控制策略;王姝凝等;《电力***自动化》;20160225;P71-77 *
计及电动汽车充电预测的实时充电优化方法;李正烁;《电力***自动化》;20140510;P61-68 *

Also Published As

Publication number Publication date
CN109978240A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109978240B (zh) 一种电动汽车有序充电优化方法及***
CN109659980B (zh) 集成混合储能与光伏装置的牵引供电***能量管理优化方法
CN110661246B (zh) 一种城市轨道交通光伏储能***的容量优化配置方法
CN103236718B (zh) 一种智能微网的源-网-荷自动控制***及控制方法
CN103840457B (zh) 考虑电动汽车充放电影响的配电网内dg优化配置方法
Madawala et al. “Living and mobility”-a novel multipurpose in-house grid interface with plug in hybrid BlueAngle
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
CN110311396A (zh) 一种交直流混合微电网混合储能容量优化配置方法
CN105244869A (zh) 一种含微网的配电网动态随机调度控制方法
CN103904749B (zh) 一种考虑风电出力波动性的电动汽车有序充电控制方法
CN109217290A (zh) 计及电动汽车充放电的微网能量优化管理方法
Goswami et al. Stochastic firefly algorithm enabled fast charging of solar hybrid electric vehicles
CN111342450B (zh) 考虑不确定光伏与负荷的牵引供电***鲁棒能量管理方法
CN103997091A (zh) 一种规模化电动汽车智能充电控制方法
CN111762057B (zh) 一种区域微网中v2g电动汽车智能充放电管理方法
Mohseni et al. Optimal sizing of an islanded micro-grid using meta-heuristic optimization algorithms considering demand-side management
CN110098623B (zh) 一种基于智能负载的Prosumer单元控制方法
Huu et al. A two-level desired load profile tracking algorithm for electric two-wheeler charging stations
CN115882460A (zh) 一种考虑需求侧管理的两阶段新能源微电网优化调度方法
CN114421502A (zh) 一种微电网群落的协同优化方法
CN106447061B (zh) 分布式电源定容选址的方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢***的运行控制策略
CN115296415A (zh) 一种基于新型智能融合终端的台区综合能源管理***
CN114971154A (zh) 一种包含碳交易机制的可再生能源消纳方法
Li et al. Optimal configuration for distributed generations in micro-grid system considering diesel as the main control source

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190705

Assignee: Hubei Zhikan Technology Co.,Ltd.

Assignor: CHINA THREE GORGES University

Contract record no.: X2023980043945

Denomination of invention: An Optimization Method and System for Ordered Charging of Electric Vehicles

Granted publication date: 20221004

License type: Common License

Record date: 20231024

EE01 Entry into force of recordation of patent licensing contract