CN110570098A - 考虑换电需求与光伏不确定性电动汽车充换电站控制方法 - Google Patents

考虑换电需求与光伏不确定性电动汽车充换电站控制方法 Download PDF

Info

Publication number
CN110570098A
CN110570098A CN201910762829.8A CN201910762829A CN110570098A CN 110570098 A CN110570098 A CN 110570098A CN 201910762829 A CN201910762829 A CN 201910762829A CN 110570098 A CN110570098 A CN 110570098A
Authority
CN
China
Prior art keywords
station
battery
power
sequence
charging
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
CN201910762829.8A
Other languages
English (en)
Inventor
刘洪�
张渝涵
葛少云
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN201910762829.8A priority Critical patent/CN110570098A/zh
Publication of CN110570098A publication Critical patent/CN110570098A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

一种考虑换电需求与光伏不确定性电动汽车充换电站控制方法，包括：建立基于机会约束规划的换电站日前控制数学模型；基于概率性序列对换电需求机会约束和换电站日购电成本的机会约束进行确定性转化；换电站日前控制的风险指标及惩罚成本，包括：换电需求未得到满足的风险指标、成本低估风险指标和日前控制风险对应的惩罚成本；基于确定可行解空间的换电站日前控制数学模型快速寻优，包括确定换电站电池组负荷裕度，基于遗传算法通过换电站电池组负荷裕度求解换电站日前控制数学模型。本发明能够为换电站运营商的合理决策提供参考，有利于换电站的优化运行，推动电动汽车与换电站的进一步推广。

Description

考虑换电需求与光伏不确定性电动汽车充换电站控制方法
技术领域
本发明涉及一种换电站日前控制方法。特别是涉及一种适用于电动汽车充换电站的考虑换电需求与光伏不确定性电动汽车充换电站控制方法。
背景技术
作为城市环境问题的重要解决方案，电动汽车近年来受到了世界各国政府、学术界和产业界的广泛关注，并得到了大力推广。2017年7月二十国集团(G20)汉堡峰会期间，为促进《巴黎协定》的实现，法、德、挪威、荷兰等欧洲国家宣布将分别在2025-2040年全面禁售燃油汽车，这更将极大地推动动力电池等相关技术的进一步提升与完善，从而促进电动汽车的全面应用。对于行驶时间远高于停车时间、车辆类型与电池型号更易于统一的公交车和出租车而言，电池更换模式不仅能够实现电动汽车能量的快速补给，而且可以通过有序的充电管理来消除充电负荷的峰谷差、辅助电网频率调节、降低用能成本、提高资产利用效率，因而成为最高效的备选模式。与此同时，实现电池更换模式的设施通常占地较大，若可因地制宜地布置大规模的光伏发电，则可更为有效地提升电动汽车一次能源中的清洁能源占比，并合理降低电网的供电负担。显然，光伏-电动汽车充换电站的日前充电控制对上述效果的实现具有十分重要的支撑作用。
目前，已有部分学者对考虑不确定性的光伏充换电站的日前充电控制问题进行了研究。光伏换电站充电控制问题的复杂性在于，无论是源侧的光伏出力，还是荷侧的换电需求，均具有极大的不确定性。然而，已有研究对于不确定性问题的考虑尚不完善，多依赖预测或采用蒙特卡洛模拟与多场景技术来处理不确定性因素，对于实际运行中的不确定性情况覆盖有限，且同时考虑这两方面不确定性的日前控制模型还鲜有涉及。
发明内容
本发明所要解决的技术问题是，提供一种有利于换电站的优化运行的考虑换电需求与光伏不确定性电动汽车充换电站控制方法。
本发明所采用的技术方案是：一种考虑换电需求与光伏不确定性电动汽车充换电站控制方法，包括如下步骤：
1)建立基于机会约束规划的换电站日前控制数学模型；
2)基于概率性序列对换电需求机会约束和换电站日购电成本的机会约束进行确定性转化；
3)换电站日前控制的风险指标及惩罚成本，包括：换电需求未得到满足的风险指标、成本低估风险指标和日前控制风险对应的惩罚成本；
4)基于确定可行解空间的换电站日前控制数学模型快速寻优，包括确定换电站电池组负荷裕度，基于遗传算法通过换电站电池组负荷裕度求解换电站日前控制数学模型。
本发明的考虑换电需求与光伏不确定性电动汽车充换电站控制方法，能够考虑换电站运营中换电需求与光伏出力的双重不确定性，利用机会约束规划模型使得日前制定的充换电运行方案在一定置信水平下实现换电站的优化运行，并衡量日前控制过程中存在的风险成本。本发明能够为换电站运营商的合理决策提供参考，有利于换电站的优化运行，推动电动汽车与换电站的进一步推广。
附图说明
图1是本发明实施例中采用的分时电价示意图；
图2是本发明实施例中光伏出力概率性序列的示意图；
图3是本发明实施例中换电需求概率性序列的示意图；
图4是本发明实施例中充电计划各成本对比的示意图；
图5是本发明实施例中不同置信水平下的充电计划的示意图；
图6是本发明实施例中日间各时段购电成本概率性序列的示意图。
具体实施方式
下面结合实施例和附图对本发明的考虑换电需求与光伏不确定性电动汽车充换电站控制方法做出详细说明。
本发明的考虑换电需求与光伏不确定性电动汽车充换电站控制方法，包括如下步骤：
1)建立基于机会约束规划的换电站日前控制数学模型；
所述的换电站日前控制数学模型，包括以使得换电站电池组接入电网充电的费用最小为目标函数，以换电需求机会约束、换电站日购电成本的机会约束和换电站充电负荷确定性约束为约束条件。其中
(1)所述的目标函数minF表达式为：
其中，
式中，PEL(t)为等效充电负荷；Pb(t)为t时段换电站内电池组充电负荷，即换电站日前控制的决策变量；PPV(t)为t时段光伏出力功率，是随机变量；p(t)为电网分时电价；
(2)所述的换电需求机会约束表达式为：
换电站实际运行过程中，换电需求具有随机性，为使实际换电需求得到满足的概率不低于给定置信水平，设置以下换电需求约束：
Pr{Nneed(t)≤Ns(t)}≥α (3)
式中，Pr{·}表示事件成立的概率；Nneed(t)为t时段的实际换电需求量，是随机变量；Ns(t)为t时段换电站计划提供换电的电池组数目，α为换电站运营商设定的换电需求置信水平；
(3)换电站日购电成本的机会约束表达式为：
受光伏出力日前预测误差的影响，日前制定的控制方案在实际运行中产生的成本具有波动性，为使日前制定的控制方案在置信水平约束下所取的购电成本最小，设置以下换电站日购电成本的机会约束：
式中，f(Pb,PPV)为目标函数；Pb为决策向量，即换电站日前控制制定的各时段电池组进行充电的负荷；PPV为随机向量；f为目标函数f(Pb,PPV)在置信水平不低于β时所取的最小值，其中β为换电站运营商设定的日购电成本置信水平；
(4)换电站充电负荷确定性约束表达式为：
Pmin(t)≤Pb(t)≤min{Pmax(t),PM} (5)
式中，Pmin(t)、Pmax(t)为考虑换电需求后的换电站电池组充电负荷裕度的上下限；Pb(t)为t时段换电站内电池组充电负荷，即换电站日前控制的决策变量；PM为光伏换电站由充电机数量限制的最大充电功率；换电站电池组充电负荷裕度上下限结合换电站充电机数目限制作为换电站充电负荷的确定性约束。
2)基于概率性序列对换电需求机会约束和换电站日购电成本的机会约束进行确定性转化；包括：
(1)分别将换电站日前控制数学模型中的随机变量用概率性序列表示；包括：
(1.1)用概率性序列表示t时段的实际换电需求量Nneed(t)：
由于蒙特卡洛模拟的随机性以及实际换电需求的波动性，本发明以蒙特卡洛模拟得到的结果作为均值Nneed,t构造各时段换电需求的不确定性模型N(Nneed,t,σneed,t 2)，，首先换电需求的概率密度函数fneed,t(x)表达式为：
其中，σneed,t为换电需求的不确定性模型的标准差；x为换电需求；
利用换电需求各时段的概率密度函数构造换电需求时序多状态概率性序列，并记为Nneed,t(iNt)，换电需求概率性序列Nneed,t(iNt)的长度NNneed,t＝Nneed,tmax，Nneed,tmax为换电需求在t时段可能的最大值；计算实际换电需求概率性序列Nneed,t(iNt)表达式为：
(1.2)用概率性序列表示t时段光伏出力功率PPV(t)：
光伏出力实际值由光伏出力的短期预测值与预测误差的和来表示，表达式为：
PPVr(t)＝PPVf(t)+e(t) (8)
其中，PPVr(t)和PPVf(t)分别为t时段光伏出力实际值和预测值；e(t)为预测误差，用正态分布N(0,σPV,t 2)来表示，标准差σPV,t取为预测值PPVf(t)的10％；t时段的光伏出力功率PPV(t)概率密度函数fPV,t(y)表达式为：
利用光伏出力各时段的概率密度函数构造光伏出力概率性序列，并记为PPV,t(iPVt)，序列的长度NPV,t表达式为：
式中，为不超过的最大整数；PPV,tmax为光伏出力在t时段可能的最大值；ΔP为离散化步长；计算光伏出力概率性序列PPV,t(iPVt)表达式为：
(2)对目标函数进行序列运算；
所述的对目标函数进行序列运算，表达式为：
其中，PEL,t(iELt)为t时段换电站内等效充电负荷的概率性序列，PEL,t(iELt)的长度为NEL,t，iELt为换电站内等效充电负荷的概率性序列PEL,t(iELt)的序列号；Pb,t(ibt)为t时段换电站电池组充电负荷的单位序列，Pb,t(ibt)长度为Nb,t，ibt为换电站电池组充电负荷的单位序列Pb,t(ibt)的序列号；PPV,t(iPVt)为t时段光伏出力的时序概率性序列，PPV,t(iPVt)的长度为NPV,t，iPVt为光伏出力的时序概率性序列PPV,t(iPVt)的序列号；
当iELt＝0时PEL,t(0)为所有充电负荷小于等于光伏出力情况的概率之和，即将两者之差中负值部分合并到PEL,t(0)中，卷差运算具有实际物理意义，即此时接入电网充电的电量为0，符合实际情况；
夜间没有光伏出力，故夜间时段的光伏出力概率性序列为零序列，换电站电池组充电负荷序列与光伏出力概率性序列进行卷差运算的结果仍为换电站充电负荷序列。
令t时段换电站购电成本的概率性序列为Ct(iCt)，序列长度为NCt，序列序列号为iCt，记pt(ipt)为分时电价的单位序列，序列长度为Npt，序列序列号为ipt，Δp为分时电价的离散化步长；则Ct(iCt)由PEL,t(iELt)与pt(ipt)序乘计算得到：由序列序乘运算的定义计算得到换电站购电成本的概率性序列Ct(iCt)，表达式为：
其中，iCt＝0,1,…,NCt，NCt＝NEL,t·Npt；
令换电站全天购电成本的概率性序列为F(iF)，序列长度为NF，序列序列号为iF，F(iF)由24个时段的换电站购电成本的概率性序列Ct(iCt)卷和计算得到：
其中，iF＝0,1,…,NF，
(3)将机会约束转化为确定性形式，式(3)及式(4)中包含随机变量，若希望将其转化为确定性约束等价形式，必须求出随机变量的累积分布的逆函数，由于随机变量的概率密度函数形式较为复杂，且换电站日购电成本本身计算复杂，因此其累积分布的逆函数难以求得。
求解这种机会约束通常借助于随机模拟方法，由于该方法具有随机性且每次模拟结果不尽相同，本发明利用上述概率性序列运算方法使随机变量的概率分布离散化，并求得含有随机变量的复杂计算结果，使得日购电成本的概率分布离散化，可将机会约束转化为确定性约束处理。
所述的将机会约束转化为确定性形式，是：根据已构造的换电需求的概率性序列Nneed,t(iNt)，将t时段的可能的换电需求分为NNneed,t+1个状态，NNneed,t为换电需求概率性序列Nneed,t(iNt)的长度，序列号iNt＝0,1,…,NNneed,t，直接计算t时段换电需求各状态对应的换电需求的累积概率；设Ns(t)为t时段为满足机会约束所需的换电站提供换电电池组数的最小值，则Ns(t)在概率性序列中对应状态的序列号iNst满足P(iNt≤iNst-1)＜α且P(iNt≤iNst)≥α，α为换电站运营商设定的换电需求置信水平；据此得到满足换电需求机会约束表达式(3)的Ns(t)，即对应置信水平α下换电站计划提供换电的电池组数目；
根据已构造的换电站全天购电成本的概率性序列F(iF)，将t时段的可能的全天购电成本分为NF+1个状态，NF为全天购电成本的概率性序列F(iF)的长度，序列号iF＝0,1,…,NF，直接计算各状态对应的全天购电成本的累积概率；设为t时段为满足机会约束时所取的最小值，则在概率性序列中对应状态的序列号if满足P(iF≤if-1)＜β且P(iF≤if)≥β，β为换电站运营商设定的日购电成本置信水平；据此得到满足换电站日购电成本的机会约束表达式(4)的f，即对应换电站运营商设定的日购电成本置信水平β下换电站全天购电成本的最小值。
3)换电站日前控制的风险指标及惩罚成本，
由于换电站日前控制数学模型中的机会约束以概率形式进行满足，则必然存在一定概率不被满足，即存在日前控制所做决策使得换电站购电成本被低估以及换电需求无法被满足的风险。为了更全面地向换电站运营商展示日前控制所做决策的经济性和风险性，需要对日前控制的风险指标进行量化，计算其对应的惩罚成本。所述的换电站日前控制的风险指标及惩罚成本，换电站日前控制的风险指标及惩罚成本包括：换电需求未得到满足的风险指标、成本低估风险指标和日前控制风险对应的惩罚成本；其中，
(1)所述的换电需求未得到满足的风险指标
换电需求机会约束表达式(3)以概率形式进行满足，考虑实际换电需求的不确定性，存在一定概率不满足此机会约束，即存在换电需求量多于换电站提供换电的电池组数目的情况，部分用户的换电需求无法得到满足。这种情况会降低换电站的用户满足度，是换电站运营商不希望的。故本发明对换电需求未得到满足的风险进行量化，并计算其对应的惩罚成本。
同时，换电需求量也可能低于换电站提供换电的电池组数目。为了实现换电站的经济运行，需要换电站按日前制定的控制方案运行，因此在兼顾用户满意度的前提下，首先制定以下换电站实际运行换电规则：
根据实际换电需求滚动更新换电站内提供换电的电池组数目，若前一时段换电需求量低于换电站提供换电的电池组数，则将当前时段换电站内剩余的满电电池组转移至下一时段提供换电的电池组储备中；若换电需求量高于当前时段换电站提供换电的电池组数目，则高于当前时段换电站提供换电的电池组数目的部分不予换电，
用Ns'(t)代表更新后的换电站提供换电的电池组数目，则表达式为：
其中，Nneed(t)为t时段的实际换电需求量，Ns(t+1)为t+1时段换电站计划提供换电的电池组数目；
t时段未能换电的电动汽车数目DNS(t)表达式为：
由于换电需求是随机变量，故DNS(t)也是随机变量，本发明采用期望值E(DNS(t))表示t时段未满足的换电需求量，量化换电需求未得到满足的风险指标，换电需求未得到满足的风险指标所对应的惩罚成本CDNS表达式为：
式中，λdns为换电站未满足换电需求的单位罚金；
根据制定的换电站实际运行规则，将更新后的t时段换电站提供换电的电池组数目对应的概率性序列记为N'St(i'st)，序列长度为N'Nst，序列号为i'st，将t时段换电站内剩余的满电电池组数目对应的概率性序列记为ΔNt'(it)，序列长度为NΔNt，序列号为it，则ΔNt'(it)由N'St(i'st)与Nneed,t(iNt)卷差计算得到：
ΔNt'(it)＝N'St(i'st)ΘNneed,t(iNt) (18)
其中，it＝0,1,…,NΔNt，NΔNt＝N'Nst；Nneed,t(iNt)为换电需求的概率性序列，序列号为iNt，NNneed,t为换电需求概率性序列Nneed,t(iNt)的长度，
令NS(t+1)(is(t+1))为t+1时段换电站原计划提供换电的电池组数对应的概率性序列，序列长度为NNs(t+1)，序列号为is(t+1)，则t+1时段更新后的换电站提供换电的电池组数对应的概率性序列为N'S(t+1)(i's(t+1))，序列长度为N'Ns(t+1)，序列号为i's(t+1)，由NS(t+1)(is(t+1))与ΔNt'(it)卷和计算得到：
其中，i's(t+1)＝0,1,…,N'Ns(t+1)，N'Ns(t+1)＝NNs(t+1)+NΔNt；
将t时段未满足的换电需求量的概率性序列记为DNSt(iDt)，序列长度为NDt，序列号为iDt，则
DNSt(iDt)＝Nneed,t(iNt)ΘN'St(i'st) (20)
式中，iDt＝0,1,…,NDt，NDt＝NNneed,t，t时段未满足的换电需求量的期望值E(DNS(t))为：
代入风险指标所对应的惩罚成本CDNS表达式(17)，求出换电需求未得到满足风险对应的惩罚成本；
(2)所述的成本低估风险指标
受光伏出力日前预测误差的影响，日前制定的控制方案在置信水平约束下使购电成本最小，不可避免会存在一定概率不满足换电站日购电成本的机会约束表达式(4)，所以存在购电成本被低估的风险。用风险指标对成本低估进行量化，设置成本低估的惩罚成本Cunder表达式为：
Cunder＝E(funder)·λunder (22)
其中，E(funder)为成本低估部分的期望值，λunder为换电站日前控制成本低估的单位罚金；
将成本低估部分的序列记为funder(iF)，序列号为iF，则表达式为：
其中：ΔP为光伏出力的离散化步长；Δp为分时电价的离散化步长，为目标函数在置信水平不低于β时所取的最小值，其中β为换电站运营商设定的日购电成本置信水平，成本低估部分的期望值表达式为：
代入成本低估的惩罚成本Cunder表达式(22)，求出其中成本低估对应的惩罚成本；
(3)所述的日前控制风险对应的惩罚成本
换电站日前控制所作决策的风险由随机变量和换电站运营商选择的置信水平共同决定。日前控制风险对应的惩罚成本Crisk由成本低估的惩罚成本Cunder和换电需求未得到满足的风险指标所对应的惩罚成本CDNS构成，表达式为：
Crisk＝CDNS+Cunder (25)。
4)基于确定可行解空间的换电站日前控制数学模型快速寻优，包括确定换电站电池组负荷裕度，基于遗传算法通过换电站电池组负荷裕度求解换电站日前控制数学模型。其中
所述的确定换电站电池组负荷裕度，是根据换电站内电池组的状态参量，通过一个三维行向量表示电池组所处状态，建立电池组的状态矩阵为：
Status＝(n,SocN,Ts) (26)
式中，n为电池组当前的充电状态标识：
SocN表示当前的荷电状态；Ts表示电池组被换下的时刻，即电池组充电的起始时刻；
根据所述电池组状态矩阵，将t时段换电站内备用电池组受控状态分为以下4种状态：正在充电的电池组数量为N1(t)、必须停止充电的电池组数量为N2(t)、满电的电池组数量为N3(t)以及待充电的电池组数量为N4(t)；前三种电池组均处于不可控状态；为满足后续时刻换电需求，每个时刻均有一部分待充电电池组必须接入电网进行充电，该部分电池组处于不可控状态，数量为N4-1(t)，余下的待充电电池组处于可控状态，数量为N4-2(t)；
根据电池组各种状态的定义，各种状态电池组对应的4种状态向量表示为：
其中，SOCmax表示电池组满电状态电荷量；
t+1时段的电池组负荷裕度受t时段的电池组充电负荷影响及t+1时段换电需求的影响，用t时段和t+1时段换电站内电池组状态信息经电池组状态信息推算表达式进行推算：
其中：Nleft(t)表示t时段剩余待充电的电池组数量；Nneed(t+1)为通过蒙特卡洛模拟得到的换电需求；Pmin(t)、Pmax(t)为考虑换电需求后的换电站电池组充电负荷裕度的上下限；Pb(t)为t时段换电站内电池组充电负荷，即换电站日前控制的决策变量；Prated为电池组平均充电功率；
考虑到换电需求的不确定性，为使实际换电需求得到满足的概率不低于换电站运营商设定的换电需求置信水平α，用t+1时段换电站计划提供换电的电池组数NS(t+1)替代电池组状态信息推算表达式(28)中的Nneed(t+1)。
本发明采用实数编码的遗传算法并结合序列运算对换电站电池组充电计划进行寻优，从而得到考虑不确定性情况下满足机会约束的换电站最小购电成本。所述的基于遗传算法通过换电站电池组负荷裕度求解换电站日前控制数学模型，包括：
(1)选取遗传算法的决策变量
由电池组状态信息推算表达式(28)可知，换电站内电池组负荷裕度上下限递推受前一时刻换电站电池组充电负荷的影响，而全天的Pb(t)正是换电站经济运行模型中的决策变量，电池组充电计划可行解范围是变化的，不便于直接求解。故设置遗传算法中的决策变量为24个[0,1]的随机数x(t)，代表换电站内电池组充电负荷Pb(t+1)在可行解空间中所处位置，则
Pb(t+1)＝Pmin(t+1)+x(t)·(min{Pmax(t+1),PM}-Pmin(t+1)) (29)
其中，Pmin(t+1)、Pmax(t+1)为t+1时段考虑换电需求后的换电站电池组充电负荷裕度的上下限；PM为光伏换电站由充电机数量限制的最大充电功率；
(2)设置遗传算法的适应度函数
遗传算法随机生成的种群中的每个个体分别代表不同的充电计划，计算各充电计划对应的购电成本概率性序列F(iF)，并通过使得换电站电池组接入电网充电的费用最小的目标函数minF，得到适应度函数为1/minF；
(3)将决策变量x(t)和适应度函数1/minF代入遗传算法得到换电站日前控制数学模型最优解。
下面给出最佳实施例：
(1)典型场景和参数设置
本发明假定换电站服务区域内有1000辆采用换电模式的电动汽车，换电站内电池组数目定为600个，充电机数目350个。电动汽车平均充电功率为5kW,电池容量为50kW·h,电池组最低荷电量为20％，电池组最高荷电量为90％。
换电站从电网购电的分时电价如图1所示，换电站光伏装机容量240kW，选用夏季典型日光伏出力数据作为光伏预测参数，离散化步长为5kW，构造光伏出力时序多状态概率性序列如图2所示。
根据蒙特卡洛模拟得到的数据作为均值构造的换电需求时序多状态概率性序列如图3所示。
(2)结果和分析
为证明本发明所用方法处理不确定性因素的科学性与有效性，将本发明方法制定的充电计划与采用确定性的光伏出力预测值与蒙特卡洛模拟换电需求制定的充电计划进行比较，分别从购电成本F、惩罚成本Crisk与计及机会约束不被满足风险后的成本F'，F'＝F+Crisk这几方面进行对比分析。设定置信水平α＝0.8，β＝0.9，本发明方法与未考虑不确定性方法制定的换电站经济运行方案对比如图4所示。
由图4可以看出未考虑不确定性制定的换电站经济运行充电计划在购电成本上略低于本发明方法制定的充电计划，但其惩罚成本远大于本发明方法充电计划对应的惩罚成本，本发明方法考虑了换电需求的不确定性，通过机会约束显著降低了换电需求未得到满足的惩罚成本。本发明方法所得到的计及风险后的成本更为经济。
换电站运行商可在一定用户满意度要求基础上，考虑光伏出力的不确定性根据自身风险偏好设置不同的置信水平β，从而在日前制定相应的换电站充电计划。
采用蒙特卡洛模拟得到的换电需求量作为均值建模构造换电需求不确定性模型，分别取β为不同值时制定的充电计划如图5所示。
由图5可以看出，在换电需求得到满足的置信水平一定时，β较大时所制定的充电计划与β较小时制定的充电计划相比，在7时将充电高峰提前一个时段，并在18时左右将充电高峰滞后一个时段，从而相应减少了日间时段的电池组充电负荷，进而减少光伏出力不确定性对日前控制的影响，提高日前控制的置信水平。
不同置信水平下的充电计划均可对分时电价的变化做出灵敏反应，在7时与18时电价上升之前的时段，各充电计划均在不同程度下提前对电池进行充电，进而在电价上升之后的时段相应减少充电电池数目。此外，经济性的充电计划虽然在电价较低的时段提前储备电池电量，但在12时与18时左右的高电价时段，由于换电需求量处于高峰阶段，不可避免地出现不同程度的充电负荷高峰。由于12时之前的较低电价时段充电计划提前储备了电池电量，使得12时的充电负荷高峰相较18时左右的充电负荷高峰较低。
为分析光伏出力不确定性对充电费用的影响，选取图5中β＝0.95时制定的充电计划，经本发明中的概率性序列运算方法处理此不确定性，得到日间涉及光伏出力的各时段充电费用概率性序列，绘制各时段充电费用概率性序列的概率密度图，如图6所示。
由图6可以看出：在光伏出力均值较大的11-15时段，光伏出力的不确定性较大，该时段充电费用可能的取值范围越宽，具有较大的不确定性，其中14时由于设定的换电站充电负荷较低，光伏出力一定概率上可以完全承担电池充电负荷，则换电站无需向电网购电，故该时段充电费用为0的可能性较大；反之在光伏出力均值较小的时段，该时段充电费用可能的取值范围越窄，费用波动亦越小。
本发明考虑换电需求以及光伏出力的不确定性对换电站的日前控制造成的影响，采用概率性序列对随机变量进行描述，并将在处理不确定性问题上具有优势的机会约束规划引入到换电站的经济运行模型中。分析了机会约束规划中置信水平选择在换电站实际运行过程中带来的风险，换电站运营商可以根据自身风险偏好来选择置信水平，本发明为其提供了参考。

Claims (10)

1.一种考虑换电需求与光伏不确定性电动汽车充换电站控制方法，其特征在于，包括如下步骤：
1)建立基于机会约束规划的换电站日前控制数学模型；
2)基于概率性序列对换电需求机会约束和换电站日购电成本的机会约束进行确定性转化；
3)换电站日前控制的风险指标及惩罚成本，包括：换电需求未得到满足的风险指标、成本低估风险指标和日前控制风险对应的惩罚成本；
4)基于确定可行解空间的换电站日前控制数学模型快速寻优，包括确定换电站电池组负荷裕度，基于遗传算法通过换电站电池组负荷裕度求解换电站日前控制数学模型。
2.根据权利要求1所述的考虑换电需求与光伏不确定性电动汽车充换电站控制方法，其特征在于，步骤1)所述的换电站日前控制数学模型，包括以使得换电站电池组接入电网充电的费用最小为目标函数，以换电需求机会约束、换电站日购电成本的机会约束和换电站充电负荷确定性约束为约束条件。
3.根据权利要求2所述的考虑换电需求与光伏不确定性电动汽车充换电站控制方法，其特征在于，
(1)所述的目标函数minF表达式为：
其中，
式中，PEL(t)为等效充电负荷；Pb(t)为t时段换电站内电池组充电负荷，即换电站日前控制的决策变量；PPV(t)为t时段光伏出力功率，是随机变量；p(t)为电网分时电价；
(2)所述的换电需求机会约束表达式为：
Pr{Nneed(t)≤Ns(t)}≥α (3)
式中，Pr{·}表示事件成立的概率；Nneed(t)为t时段的实际换电需求量，是随机变量；Ns(t)为t时段换电站计划提供换电的电池组数目，α为换电站运营商设定的换电需求置信水平；
(3)换电站日购电成本的机会约束表达式为：
式中，f(Pb,PPV)为目标函数；Pb为决策向量，即换电站日前控制制定的各时段电池组进行充电的负荷；PPV为随机向量；为目标函数f(Pb,PPV)在置信水平不低于β时所取的最小值，其中β为换电站运营商设定的日购电成本置信水平；
(4)换电站充电负荷确定性约束表达式为：
Pmin(t)≤Pb(t)≤min{Pmax(t),PM} (5)
式中，Pmin(t)、Pmax(t)为考虑换电需求后的换电站电池组充电负荷裕度的上下限；Pb(t)为t时段换电站内电池组充电负荷，即换电站日前控制的决策变量；PM为光伏换电站由充电机数量限制的最大充电功率；换电站电池组充电负荷裕度上下限结合换电站充电机数目限制作为换电站充电负荷的确定性约束。
4.根据权利要求1所述的考虑换电需求与光伏不确定性电动汽车充换电站控制方法，其特征在于，步骤2)包括：
(1)分别将换电站日前控制数学模型中的随机变量用概率性序列表示；
(2)对目标函数进行序列运算；
(3)将机会约束转化为确定性形式。
5.根据权利要求5所述的考虑换电需求与光伏不确定性电动汽车充换电站控制方法，其特征在于，第(1)步包括：
(1.1)用概率性序列表示t时段的实际换电需求量Nneed(t)：
以蒙特卡洛模拟得到的结果作为均值Nneed,t构造各时段换电需求的不确定性模型N(Nneed,t,σneed,t 2)，，首先换电需求的概率密度函数fneed,t(x)表达式为：
其中，σneed,t为换电需求的不确定性模型的标准差；x为换电需求；
利用换电需求各时段的概率密度函数构造换电需求时序多状态概率性序列，并记为Nneed,t(iNt)，换电需求概率性序列Nneed,t(iNt)的长度NNneed,t＝Nneed,tmax，Nneed,tmax为换电需求在t时段可能的最大值；计算实际换电需求概率性序列Nneed,t(iNt)表达式为：
(1.2)用概率性序列表示t时段光伏出力功率PPV(t)：
光伏出力实际值由光伏出力的短期预测值与预测误差的和来表示，表达式为：
PPVr(t)＝PPVf(t)+e(t) (8)
其中，PPVr(t)和PPVf(t)分别为t时段光伏出力实际值和预测值；e(t)为预测误差，用正态分布N(0,σPV,t 2)来表示，标准差σPV,t取为预测值PPVf(t)的10％；t时段的光伏出力功率PPV(t)概率密度函数fPV,t(y)表达式为：
利用光伏出力各时段的概率密度函数构造光伏出力概率性序列，并记为PPV,t(iPVt)，序列的长度NPV,t表达式为：
式中，为不超过的最大整数；PPV,tmax为光伏出力在t时段可能的最大值；ΔP为离散化步长；计算光伏出力概率性序列PPV,t(iPVt)表达式为：
6.根据权利要求5所述的考虑换电需求与光伏不确定性电动汽车充换电站控制方法，其特征在于，第(2)步所述的对目标函数进行序列运算，表达式为：
其中，PEL,t(iELt)为t时段换电站内等效充电负荷的概率性序列，PEL,t(iELt)的长度为NEL,t，iELt为换电站内等效充电负荷的概率性序列PEL,t(iELt)的序列号；Pb,t(ibt)为t时段换电站电池组充电负荷的单位序列，Pb,t(ibt)长度为Nb,t，ibt为换电站电池组充电负荷的单位序列Pb,t(ibt)的序列号；PPV,t(iPVt)为t时段光伏出力的时序概率性序列，PPV,t(iPVt)的长度为NPV,t，iPVt为光伏出力的时序概率性序列PPV,t(iPVt)的序列号；
当iELt＝0时PEL,t(0)为所有充电负荷小于等于光伏出力情况的概率之和，即将两者之差中负值部分合并到PEL,t(0)中，即此时接入电网充电的电量为0，符合实际情况；
令t时段换电站购电成本的概率性序列为Ct(iCt)，序列长度为NCt，序列序列号为iCt，记pt(ipt)为分时电价的单位序列，序列长度为Npt，序列序列号为ipt，Δp为分时电价的离散化步长；则Ct(iCt)由PEL,t(iELt)与pt(ipt)序乘计算得到：Ct(iCt)＝PEL,t(iELt)⊙pt(ipt)；由序列序乘运算的定义计算得到换电站购电成本的概率性序列Ct(iCt)，表达式为：
其中，iCt＝0,1,…,NCt，NCt＝NEL,t·Npt；
令换电站全天购电成本的概率性序列为F(iF)，序列长度为NF，序列序列号为iF，F(iF)由24个时段的换电站购电成本的概率性序列Ct(iCt)卷和计算得到：
其中，iF＝0,1,…,NF，
7.根据权利要求5所述的考虑换电需求与光伏不确定性电动汽车充换电站控制方法，其特征在于，第(3)步所述的将机会约束转化为确定性形式，是：
根据已构造的换电需求的概率性序列Nneed,t(iNt)，将t时段的可能的换电需求分为NNneed,t+1个状态，NNneed,t为换电需求概率性序列Nneed,t(iNt)的长度，序列号iNt＝0,1,…,NNneed,t，直接计算t时段换电需求各状态对应的换电需求的累积概率；设Ns(t)为t时段为满足机会约束所需的换电站提供换电电池组数的最小值，则Ns(t)在概率性序列中对应状态的序列号iNst满足P(iNt≤iNst-1)＜α且P(iNt≤iNst)≥α，α为换电站运营商设定的换电需求置信水平；据此得到满足换电需求机会约束表达式(3)的Ns(t)，即对应置信水平α下换电站计划提供换电的电池组数目；
根据已构造的换电站全天购电成本的概率性序列F(iF)，将t时段的可能的全天购电成本分为NF+1个状态，NF为全天购电成本的概率性序列F(iF)的长度，序列号iF＝0,1,…,NF，直接计算各状态对应的全天购电成本的累积概率；设为t时段为满足机会约束时所取的最小值，则在概率性序列中对应状态的序列号if满足P(iF≤if-1)＜β且P(iF≤if)≥β，β为换电站运营商设定的日购电成本置信水平；据此得到满足换电站日购电成本的机会约束表达式(4)的即对应换电站运营商设定的日购电成本置信水平β下换电站全天购电成本的最小值。
8.根据权利要求1所述的考虑换电需求与光伏不确定性电动汽车充换电站控制方法，其特征在于，步骤3)中所述的：
(1)换电需求未得到满足的风险指标
首先制定以下换电站实际运行换电规则：
根据实际换电需求滚动更新换电站内提供换电的电池组数目，若前一时段换电需求量低于换电站提供换电的电池组数，则将当前时段换电站内剩余的满电电池组转移至下一时段提供换电的电池组储备中；若换电需求量高于当前时段换电站提供换电的电池组数目，则高于当前时段换电站提供换电的电池组数目的部分不予换电，
用Ns'(t)代表更新后的换电站提供换电的电池组数目，则表达式为：
其中，Nneed(t)为t时段的实际换电需求量，Ns(t+1)为t+1时段换电站计划提供换电的电池组数目；
t时段未能换电的电动汽车数目DNS(t)表达式为：
由于换电需求是随机变量，故DNS(t)也是随机变量，采用期望值E(DNS(t))表示t时段未满足的换电需求量，量化换电需求未得到满足的风险指标，换电需求未得到满足的风险指标所对应的惩罚成本CDNS表达式为：
式中，λdns为换电站未满足换电需求的单位罚金；
根据制定的换电站实际运行规则，将更新后的t时段换电站提供换电的电池组数目对应的概率性序列记为N'St(i'st)，序列长度为N'Nst，序列号为i'st，将t时段换电站内剩余的满电电池组数目对应的概率性序列记为ΔNt'(it)，序列长度为NΔNt，序列号为it，则ΔNt'(it)由N'St(i'st)与Nneed,t(iNt)卷差计算得到：
ΔNt'(it)＝N'St(i'st)ΘNneed,t(iNt) (18)
其中，it＝0,1,…,NΔNt，NΔNt＝N'Nst；Nneed,t(iNt)为换电需求的概率性序列，序列号为iNt，NNneed,t为换电需求概率性序列Nneed,t(iNt)的长度，
令NS(t+1)(is(t+1))为t+1时段换电站原计划提供换电的电池组数对应的概率性序列，序列长度为NNs(t+1)，序列号为is(t+1)，则t+1时段更新后的换电站提供换电的电池组数对应的概率性序列为N'S(t+1)(i's(t+1))，序列长度为N'Ns(t+1)，序列号为i's(t+1)，由NS(t+1)(is(t+1))与ΔNt'(it)卷和计算得到：
其中，i's(t+1)＝0,1,…,N'Ns(t+1)，N'Ns(t+1)＝NNs(t+1)+NΔNt；
将t时段未满足的换电需求量的概率性序列记为DNSt(iDt)，序列长度为NDt，序列号为iDt，则
DNSt(iDt)＝Nneed,t(iNt)ΘN'St(i'st) (20)
式中，iDt＝0,1,…,NDt，NDt＝NNneed,t，t时段未满足的换电需求量的期望值E(DNS(t))为：
代入风险指标所对应的惩罚成本CDNS表达式(17)，求出换电需求未得到满足风险对应的惩罚成本；
(2)成本低估风险指标
用风险指标对成本低估进行量化，设置成本低估的惩罚成本Cunder表达式为：
Cunder＝E(funder)·λunder (22)
其中，E(funder)为成本低估部分的期望值，λunder为换电站日前控制成本低估的单位罚金；
将成本低估部分的序列记为funder(iF)，序列号为iF，则表达式为：
其中：ΔP为光伏出力的离散化步长；Δp为分时电价的离散化步长，为目标函数在置信水平不低于β时所取的最小值，其中β为换电站运营商设定的日购电成本置信水平，成本低估部分的期望值表达式为：
代入成本低估的惩罚成本Cunder表达式(22)，求出其中成本低估对应的惩罚成本；
(3)日前控制风险对应的惩罚成本
日前控制风险对应的惩罚成本Crisk由成本低估的惩罚成本Cunder和换电需求未得到满足的风险指标所对应的惩罚成本CDNS构成，表达式为：
Crisk＝CDNS+Cunder (25)。
9.根据权利要求1所述的考虑换电需求与光伏不确定性电动汽车充换电站控制方法，其特征在于，步骤4)中所述的确定换电站电池组负荷裕度，是根据换电站内电池组的状态参量，通过一个三维行向量表示电池组所处状态，建立电池组的状态矩阵为：
Status＝(n,SocN,Ts) (26)
式中，n为电池组当前的充电状态标识：
SocN表示当前的荷电状态；Ts表示电池组被换下的时刻，即电池组充电的起始时刻；
根据所述电池组状态矩阵，将t时段换电站内备用电池组受控状态分为以下4种状态：正在充电的电池组数量为N1(t)、必须停止充电的电池组数量为N2(t)、满电的电池组数量为N3(t)以及待充电的电池组数量为N4(t)；前三种电池组均处于不可控状态；为满足后续时刻换电需求，每个时刻均有一部分待充电电池组必须接入电网进行充电，该部分电池组处于不可控状态，数量为N4-1(t)，余下的待充电电池组处于可控状态，数量为N4-2(t)；
根据电池组各种状态的定义，各种状态电池组对应的4种状态向量表示为：
其中，SOCmax表示电池组满电状态电荷量；
t+1时段的电池组负荷裕度受t时段的电池组充电负荷影响及t+1时段换电需求的影响，用t时段和t+1时段换电站内电池组状态信息经电池组状态信息推算表达式进行推算：
其中：Nleft(t)表示t时段剩余待充电的电池组数量；Nneed(t+1)为通过蒙特卡洛模拟得到的换电需求；Pmin(t)、Pmax(t)为考虑换电需求后的换电站电池组充电负荷裕度的上下限；Pb(t)为t时段换电站内电池组充电负荷，即换电站日前控制的决策变量；Prated为电池组平均充电功率；
考虑到换电需求的不确定性，为使实际换电需求得到满足的概率不低于换电站运营商设定的换电需求置信水平α，用t+1时段换电站计划提供换电的电池组数NS(t+1)替代电池组状态信息推算表达式(28)中的Nneed(t+1)。
10.根据权利要求1所述的考虑换电需求与光伏不确定性电动汽车充换电站控制方法，其特征在于，步骤4)中所述的基于遗传算法通过换电站电池组负荷裕度求解换电站日前控制数学模型，包括：
(1)选取遗传算法的决策变量
设置遗传算法中的决策变量为24个[0,1]的随机数x(t)，代表换电站内电池组充电负荷Pb(t+1)在可行解空间中所处位置，则
Pb(t+1)＝Pmin(t+1)+x(t)·(min{Pmax(t+1),PM}-Pmin(t+1)) (29)
其中，Pmin(t+1)、Pmax(t+1)为t+1时段考虑换电需求后的换电站电池组充电负荷裕度的上下限；PM为光伏换电站由充电机数量限制的最大充电功率；
(2)设置遗传算法的适应度函数
遗传算法随机生成的种群中的每个个体分别代表不同的充电计划，计算各充电计划对应的购电成本概率性序列F(iF)，并通过使得换电站电池组接入电网充电的费用最小的目标函数minF，得到适应度函数为1/minF；
(3)将决策变量x(t)和适应度函数1/minF代入遗传算法得到换电站日前控制数学模型最优解。
CN201910762829.8A 2019-08-19 2019-08-19 考虑换电需求与光伏不确定性电动汽车充换电站控制方法 Pending CN110570098A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910762829.8A CN110570098A (zh) 2019-08-19 2019-08-19 考虑换电需求与光伏不确定性电动汽车充换电站控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910762829.8A CN110570098A (zh) 2019-08-19 2019-08-19 考虑换电需求与光伏不确定性电动汽车充换电站控制方法

Publications (1)

Publication Number Publication Date
CN110570098A true CN110570098A (zh) 2019-12-13

Family

ID=68775692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910762829.8A Pending CN110570098A (zh) 2019-08-19 2019-08-19 考虑换电需求与光伏不确定性电动汽车充换电站控制方法

Country Status (1)

Country Link
CN (1) CN110570098A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627645A (zh) * 2021-07-02 2021-11-09 东南大学 基于鲁棒优化的电动公交混合充电站充电时刻表设计方法
CN117764401A (zh) * 2024-01-10 2024-03-26 国网河北省电力有限公司经济技术研究院 考虑风险评估的柔性配电网多资源协调规划方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436607A (zh) * 2011-11-10 2012-05-02 山东大学 电动汽车换电站充电功率的多时间尺度决策方法
CN103985064A (zh) * 2014-05-16 2014-08-13 东南大学 一种基于实时电价的电动汽车换电模式充电控制方法
CN106408216A (zh) * 2016-11-03 2017-02-15 天津大学 基于电动汽车换电站时序响应模型的充电计划制定方法
CN106408122A (zh) * 2016-09-19 2017-02-15 上海理工大学 一种换电站充放电方案的求解方法
CN109146201A (zh) * 2018-09-13 2019-01-04 三峡大学 基于合作博弈的充换储一体化电站微电网优化调度方法
CN109256800A (zh) * 2018-09-18 2019-01-22 三峡大学 一种区域充换储一体化电站微电网群协调优化调度方法
CN110033142A (zh) * 2019-04-23 2019-07-19 燕山大学 考虑负荷不确定性的充换电站优化调度策略

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436607A (zh) * 2011-11-10 2012-05-02 山东大学 电动汽车换电站充电功率的多时间尺度决策方法
CN103985064A (zh) * 2014-05-16 2014-08-13 东南大学 一种基于实时电价的电动汽车换电模式充电控制方法
CN106408122A (zh) * 2016-09-19 2017-02-15 上海理工大学 一种换电站充放电方案的求解方法
CN106408216A (zh) * 2016-11-03 2017-02-15 天津大学 基于电动汽车换电站时序响应模型的充电计划制定方法
CN109146201A (zh) * 2018-09-13 2019-01-04 三峡大学 基于合作博弈的充换储一体化电站微电网优化调度方法
CN109256800A (zh) * 2018-09-18 2019-01-22 三峡大学 一种区域充换储一体化电站微电网群协调优化调度方法
CN110033142A (zh) * 2019-04-23 2019-07-19 燕山大学 考虑负荷不确定性的充换电站优化调度策略

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HONG LIU等: "Day-Ahead Scheduling for an Electric Vehicle PV-Based Battery Swapping Station Considering the Dual Uncertainties", 《IEEE》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627645A (zh) * 2021-07-02 2021-11-09 东南大学 基于鲁棒优化的电动公交混合充电站充电时刻表设计方法
CN113627645B (zh) * 2021-07-02 2024-01-19 东南大学 基于鲁棒优化的电动公交混合充电站充电时刻表设计方法
CN117764401A (zh) * 2024-01-10 2024-03-26 国网河北省电力有限公司经济技术研究院 考虑风险评估的柔性配电网多资源协调规划方法及装置

Similar Documents

Publication Publication Date Title
Yang et al. Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review
Wang et al. Integrated energy exchange scheduling for multimicrogrid system with electric vehicles
CN105024432B (zh) 一种基于虚拟电价的电动汽车充放电优化调度方法
Luo et al. Optimal coordination of plug-in electric vehicles in power grids with cost-benefit analysis—Part I: Enabling techniques
Ke et al. Battery charging and discharging scheduling with demand response for an electric bus public transportation system
CN109713696A (zh) 考虑用户行为的电动汽车光伏充电站优化调度方法
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
Zhang et al. Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO
Yao et al. A fuzzy logic based charging scheme for electric vechicle parking station
CN116151486B (zh) 含储能***的光伏充电站多时间尺度随机优化方法及装置
Wang et al. Scenario analysis, management, and optimization of a new Vehicle-to-Micro-Grid (V2μG) network based on off-grid renewable building energy systems
CN113902182B (zh) 考虑能耗不确定性的电动公交车队鲁棒充电优化方法
CN113326467B (zh) 基于多重不确定性的多站融合综合能源***多目标优化方法、存储介质及优化***
CN113799640B (zh) 适用于含电动汽车充电桩微电网的能量管理方法
Wu et al. Data-driven adjustable robust Day-ahead economic dispatch strategy considering uncertainties of wind power generation and electric vehicles
Ni et al. Hierarchical optimization of electric vehicle system charging plan based on the scheduling priority
Essiet et al. Optimal open-circuit voltage (OCV) model for improved electric vehicle battery state-of-charge in V2G services
CN110570098A (zh) 考虑换电需求与光伏不确定性电动汽车充换电站控制方法
Haque et al. Stochastic methods for prediction of charging and discharging power of electric vehicles in vehicle‐to‐grid environment
Wang et al. Inventory management of battery swapping and charging stations considering uncertainty
Chen et al. Distributed charging control of electric vehicles considering cooperative factor in photovoltaic charging station
CN110070210B (zh) 一种多微电网***能量管理与贡献度评估方法和***
Arwa et al. Improved Q-learning for Energy Management in a Grid-tied PV Microgrid
CN114357681B (zh) 一种考虑综合因素指标的制氢加氢站布点优化方法
Tutkun et al. Design of a PV Powered Charging Station for PHEVs

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191213