CN111313465B - 含光伏与混合储能装置的柔性牵引供电***能量管理方法 - Google Patents

含光伏与混合储能装置的柔性牵引供电***能量管理方法 Download PDF

Info

Publication number
CN111313465B
CN111313465B CN202010154126.XA CN202010154126A CN111313465B CN 111313465 B CN111313465 B CN 111313465B CN 202010154126 A CN202010154126 A CN 202010154126A CN 111313465 B CN111313465 B CN 111313465B
Authority
CN
China
Prior art keywords
power
day
time
battery
traction
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
CN202010154126.XA
Other languages
English (en)
Other versions
CN111313465A (zh
Inventor
陈民武
程哲
刘元立
程一林
吕亚博
张迪雅
陈垠宇
卢文杰
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202010154126.XA priority Critical patent/CN111313465B/zh
Publication of CN111313465A publication Critical patent/CN111313465A/zh
Application granted granted Critical
Publication of CN111313465B publication Critical patent/CN111313465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种含光伏与混合储能装置的柔性牵引供电***能量管理方法，具体为：将能量管理优化过程分为日前和日内两个时间尺度：日前优化阶段，以日综合成本最低建立目标函数，基于牵引变电所负荷过程数据和光伏预测输出功率建立约束条件，求解完成牵引供电***日前能量优化管理；在日内优化阶段，以***供电偏差最小建立目标函数，基于牵引负荷和光伏输出的超短期预测误差建立约束条件，进而建立预测控制模型，实现能量管理优化。本发明提高光伏和列车再生制动能量利用率、减少电气化铁路电费成本，克服光伏不确定性和牵引负荷随机波动性造成的供电能力偏差，能量管理优化方法更好地满足实际需求。

Description

含光伏与混合储能装置的柔性牵引供电***能量管理方法
技术领域
本发明属于牵引供电***能量管理技术领域，具体涉及一种含光伏与混合储能装置的柔性牵引供电***能量管理方法。
背景技术
近年来我国电气化铁路里程飞速发展，截至2018年，中国高速铁路运营里程已超过29000公里，每天运行车次超过3400对。同时，2018年中国高铁牵引供电***耗电量约为240.9亿千瓦时，其中电能损失超过18.7亿千瓦时(约占高铁全年总耗电量的7.78％)，因此降低铁路运输中的综合能耗势在必行。此外牵引负荷具有冲击性、随机波动性的特点，这使得电气化铁路以负序为主的电能质量问题更加突出，在经济性方面，还大大增加了铁路运营部门需要支付的两部制电价中的电度电费和需量电费。同时，由于传统牵引供电***中电分相的存在，机车在过分相时失去牵引动力，仅靠惯性通过电分相，造成列车速度严重损失；并且该过程伴随着过电压、拉弧等电气暂态过程，以川藏铁路为例，若采用传统牵引供电方案，全线约有5％长度的“无电区”，增加了列车的运行风险。基于交-直-交变流***的柔性牵引供电***的提出解决了传统电气化铁路中电能质量问题和电分相问题，同时具备牵引负荷的潮流可控的特性，牵引变电所供电能力大大提高。
我国尤其是我国中西部地区光照资源丰富，以2018年为例，全国光伏发电弃光电量高达54.9亿千瓦时，光伏发电就近消纳问题突出。考虑到高速动车组巨大的再生制动能量，以CRH380AL为例，再生制动瞬时功率可达20MW，这部分能量未能得到有效利用，将铁路沿线光伏以及由电池和超级电容组成的混合储能***通过变流器的直流环节接入柔性牵引供电***，不仅可以提高再生制动能量利用率，就近消纳风光等可再生能源，而且可以对牵引负荷进行削峰填谷，以获取更大的经济效益，可谓一举多得。然而光伏输出受多种因素的影响，具有不确定性，牵引负荷也具有随机波动性，现有的牵引供电***并不具备对冲击性负荷进行主动控制及调节的能力，这对牵引供电***的实时控制提出了挑战。对于含光伏和混合储能装置的柔性牵引供电***，计及光伏不确定性以及牵引负荷随机波动性的能量管理问题亟待解决。
发明内容
本发明针对集成光伏与混合储能装置的柔性牵引供电***，目的是为了提高光伏和列车再生制动能量利用率，减少铁路电费成本，且克服了日内实际运行时光伏的不确定性以及牵引负荷的随机波动性的影响，使优化运行策略更加贴近日前计划运行值。为此提供了一种含光伏与混合储能装置的柔性牵引供电***能量管理方法。
本发明的含光伏与混合储能装置的柔性牵引供电***能量管理方法，将能量管理优化过程分为日前和日内两个时间尺度，具体包括以下步骤：
步骤1：在日前优化阶段，获取牵引变电所负荷过程数据和光伏预测输出功率；
步骤2：根据电费参数和步骤1得到的牵引变电所负荷过程数据和光伏预测输出功率，建立日前优化模型的目标函数；
步骤3：根据混合储能装置和光伏***的容量、功率参数，基于步骤1得到的牵引变电所负荷过程数据和光伏预测输出功率，建立日前优化模型的约束条件，并将约束条件线性化；
步骤4：根据步骤2得到的目标函数和步骤3得到的约束条件，建立混合整数规划模型，求解得到混合储能装置最优充放电功率、混合储能装置荷电状态、背靠背变流器最优潮流功率，即完成牵引供电***日前能量优化管理；
步骤5：在日内优化阶段，将步骤4求解得到的背靠背变流器最优潮流功率作为参考，建立日内优化模型的目标函数；
步骤6：采集第k时刻牵引变电所牵引侧实际功率，混合储能装置实际充放电功率、混合储能装置荷电状态，光伏实际输出功率，并获取牵引负荷和光伏输出的超短期预测误差序列；
步骤7：根据混合储能装置的功率参数以及剩余容量，基于步骤6得到的牵引负荷和光伏输出的超短期预测误差，建立日内优化模型的约束条件；
步骤8：根据步骤5得到的目标函数和步骤7得到的约束条件，建立预测控制模型，求解得到k+1,k+2,…,k+N时刻混合储能装置的输出功率调整量序列，并将混合储能装置的输出功率调整量序列的第一个值应用到混合储能装置的控制***；
步骤9：在k+1时刻，更新牵引变电所牵引侧实际功率，混合储能装置实际充放电功率、混合储能装置荷电状态、光伏实际输出功率，重复步骤6到步骤8，不断向前优化。
进一步的，步骤1中的牵引变电所负荷过程数据，根据高速铁路线路、列车和时刻表，通过负荷过程仿真软件计算得到，例如ELBAS/WEBANET专业仿真软件。光伏预测输出功率可由步骤3中光伏发电约束得到，其中的光照强度是基于天气预测信息对历史光照强度场景数据集进行削减得到的，例如场景削减法或k最近邻法。
进一步的，步骤2中的目标函数为：
Figure BDA0002403465210000021
式中：f为目标函数，表示牵引变电所日电费成本，t为时间段，
Figure BDA0002403465210000022
为t时间段内电度电费单价，πdem为需量电费单价，
Figure BDA0002403465210000031
为t时间段内反馈至公共电网的电费单价；
Figure BDA0002403465210000032
为15分钟内柔性牵引供电***平均负荷，
Figure BDA0002403465210000033
为由公共电网输入到柔性牵引供电***的有功功率，
Figure BDA0002403465210000034
为由柔性牵引供电***反馈至公共电网的有功功率；
其中：
Figure BDA0002403465210000035
式中：T为一天内总的时间段数。
进一步的，步骤3中的约束条件包括功率平衡约束、混合储能***约束、光伏发电约束和背靠背变流器约束，具体为：
功率平衡约束条件：
Figure BDA0002403465210000036
式中：
Figure BDA0002403465210000037
为由公共电网输入到柔性牵引供电***的网侧变流器有功功率，
Figure BDA0002403465210000038
为由牵引供电***网侧变流器反馈至公共电网的有功功率；
Figure BDA0002403465210000039
为电池的放电功率，
Figure BDA00024034652100000310
为电池的充电功率，
Figure BDA00024034652100000311
为超级电容的放电功率，
Figure BDA00024034652100000312
为超级电容的充电功率，
Figure BDA00024034652100000313
为光伏发电的有功输出；
Figure BDA00024034652100000314
为柔性牵引供电***牵引侧变流器牵引负荷的有功功率，
Figure BDA00024034652100000315
为再生制动的有功功率。
混合储能***约束条件：
Figure BDA00024034652100000316
Figure BDA00024034652100000317
Figure BDA00024034652100000318
Figure BDA00024034652100000319
Figure BDA00024034652100000320
Figure BDA00024034652100000321
Figure BDA00024034652100000322
Figure BDA00024034652100000323
式中：κbat为电池的自放电率，κuc为超级电容的自放电率，,
Figure BDA00024034652100000324
为电池的放电效率，
Figure BDA00024034652100000325
为电池的充电效率，
Figure BDA0002403465210000041
为超级电容的放电效率，
Figure BDA0002403465210000042
为超级电容的充电效率，Δt为单位时间段，
Figure BDA0002403465210000043
为电池在t-1时间段储存的电能，
Figure BDA0002403465210000044
为电池在t时间段储存的电能；
Figure BDA0002403465210000045
为超级电容在t-1时间段储存的电能，
Figure BDA0002403465210000046
为超级电容在t时间段储存的电能；
Figure BDA0002403465210000047
为电池额定功率，
Figure BDA0002403465210000048
为超级电容额定功率，
Figure BDA0002403465210000049
为电池最小荷电状态，
Figure BDA00024034652100000410
为电池最大荷电状态，
Figure BDA00024034652100000411
为电池额定容量，
Figure BDA00024034652100000412
为超级电容额定容量，
Figure BDA00024034652100000413
为超级电容最小荷电状态，
Figure BDA00024034652100000414
为超级电容最大荷电状态；
Figure BDA00024034652100000415
为每日初始时段电池储存的电能，
Figure BDA00024034652100000416
为每日最后时段电池储存的电能，
Figure BDA00024034652100000417
为每天初始荷电状态，
Figure BDA00024034652100000418
为每日初始时段超级电容储存的电能，
Figure BDA00024034652100000419
为每日最后时段超级电容储存的电能，
Figure BDA00024034652100000420
为超级电容每天初始荷电状态；
Figure BDA00024034652100000421
和
Figure BDA00024034652100000422
均为二进制变量，以保证电池以及超级电容的充电和放电不能同时进行。
光伏发电约束：
Figure BDA00024034652100000423
式中：ηpv为光伏发电效率，Apv为光伏面板面积，
Figure BDA00024034652100000424
为日内各时刻光照强度。
背靠背变流器约束：
Figure BDA00024034652100000425
Figure BDA00024034652100000426
Figure BDA00024034652100000427
Figure BDA00024034652100000428
式中：
Figure BDA00024034652100000429
为背靠背变流器公共电网侧的容量，
Figure BDA00024034652100000430
为背靠背变流器牵引侧的容量。
进一步的，步骤3中约束条件线性化方法如下：
公式(1)中需量电费线性化后为下式：
Figure BDA00024034652100000431
Figure BDA00024034652100000432
式中：Ppeak为辅助变量。
公式(10)线性化后为下式：
Figure BDA00024034652100000433
式中：
Figure BDA0002403465210000051
和
Figure BDA0002403465210000052
均为二进制变量，以保证电池以及超级电容的充电和放电不能同时进行。
公式(13)公式(15)线性化后如下：
Figure BDA0002403465210000053
Figure BDA0002403465210000054
Figure BDA0002403465210000055
Figure BDA0002403465210000056
式中：
Figure BDA0002403465210000057
和
Figure BDA0002403465210000058
均为二进制辅助变量，以保证同一时刻通过变流器的功率输出为单向输出。
进一步的，步骤4中通过混合整数优化求解器求解日前优化模型，求解结果传送至日内优化模型作为参考值。
进一步的，步骤5中目标函数如下：
Figure BDA0002403465210000059
式中，
Figure BDA00024034652100000510
为k+pΔt*时刻柔性牵引供电***电网侧进线功率参考值，由日前优化步骤4获得，
Figure BDA00024034652100000511
为k+pΔt*时刻电池荷电状态参考值，由日前优化步骤4获得，
Figure BDA00024034652100000512
为超级电容k+pΔt*时刻荷电状态参考值，由日前优化步骤4获得，
Figure BDA00024034652100000513
为k时刻预测k+pΔt*时刻柔性牵引供电***网侧进线功率，
Figure BDA00024034652100000514
为k时刻预测k+pΔt*时刻电池荷电状态，
Figure BDA00024034652100000515
为k时刻预测k+pΔt*时刻超级电容荷电状态，
Figure BDA00024034652100000516
为k时刻预测k+pΔt*时刻电池输出功率增量，
Figure BDA00024034652100000517
为k时刻预测k+pΔt*时刻超级电容输出功率增量；ωp为电网侧进线功率追踪误差权重系数，ωbat为电池荷电状态追踪误差权重系数，ωuc为超级电容荷电状态追踪误差权重系数；λbat为电池输出功率增量权重系数；λuc为超级电容输出功率增量权重系数，Δt*为日内优化单位时间段。
进一步的，步骤7中约束条件如下：
功率平衡约束：
Figure BDA0002403465210000061
式中，Ppv(k)为k时刻采集得到的光伏输出功率，Ptl(k)为k时刻采集的柔性牵引供电***牵引侧功率，Pbat(k)为k时刻采集到的的电池输出功率，Puc(k)为k时刻采集的超级电容输出功率，ΔPpv(k+jΔt*|k)为k时刻预测(k+(j-1)Δt*,k+jΔt*]时段的光伏输出功率预测误差，ΔPtl(k+jΔt*|k)为k时刻预测(k+(j-1)Δt*,k+jΔt*]时段的牵引负荷预测误差。
混合储能***约束条件：
Figure BDA0002403465210000062
Figure BDA0002403465210000063
Figure BDA0002403465210000064
Figure BDA0002403465210000065
Figure BDA0002403465210000066
Figure BDA0002403465210000067
Figure BDA0002403465210000068
Figure BDA0002403465210000069
ΔPbat(k+jΔt*|k)＝ΔPbat,dis(k+jΔt*|k)-ΔPbat,ch(k+jΔt*|k) (33)
ΔPuc(k+jΔt*|k)＝ΔPuc,dis(k+jΔt*|k)-ΔPuc,ch(k+jΔt*|k) (34)
式中，Ebat(k+pΔt*|k)为电池在k时刻预测k+pΔt*时间段储存的电能，Ebat(k+(p-1)Δt*|k)电池在k时刻预测k+(p-1)Δt*时间段储存的电能；Euc(k+pΔt*|k)为超级电容在k时刻预测k+pΔt*时间段储存的电能，Euc(k+(p-1)Δt*|k)超级电容在k时刻预测k+(p-1)Δt*时间段储存的电能；ΔPbat,ch(k+jΔt*|k)为k时刻预测k+pΔt*时刻电池充电功率增量，ΔPbat,dis(k+jΔt*|k)为k时刻预测k+pΔt*时刻电池放电功率增量；ΔPuc,ch(k+jΔt*|k)为k时刻预测k+pΔt*时刻超级电容充电功率增量，ΔPuc,dis(k+jΔt*|k)为k时刻预测k+pΔt*时刻拆机电容放电功率增量，
Figure BDA0002403465210000071
和
Figure BDA0002403465210000072
均为二进制变量，以保证日内调整后电池以及超级电容的充电和放电不能同时进行。
进一步的，步骤9中通过混合整数优化求解器求解模型。
为表征***日式实际运行与日前计划的偏离程度，定义平均相对偏差(AVE)为一次优化时域内牵引变电所电网侧进线功率日内实际值与日前计划值的偏差绝对值得与日前计划值的比率之和的平均值：
Figure BDA0002403465210000073
式中，Pgrid,intra为牵引变电所电网侧进线功率日内实际值，Pgrid,ref为日前优化求得的牵引变电所电网侧进线功率参考值，M为优化时域内的时间段数。
本发明的有益效果是：
1、本发明将能量管理优化策略分为日前和日内两个时间尺度，兼顾***运行经济性和能量供给平衡，满足了牵引负荷的随机性和冲击性，也适应了柔性牵引供电***各类设备的响应特性；
2、本发明的日前优化以减少铁路运行电费成本为目标，降低了所需支付的两部制电价中的电度电费和需量电费，实现光伏消纳，提高列车再生制动能量利用率；
3、本发明的日内能量管理优化考虑了柔性牵引供电***日内实际运行中光伏的不确定性和牵引负荷的随机波动性的影响，消除了光伏和牵引负荷的预测误差引起的供电能力偏差，使得***能量管理优化方法更好地满足实际需求。
附图说明
图1为本发明中集成光伏和混合储能装置的柔性牵引供电***示意图。
图2为本发明流程示意图。
图3为实施例中本发明方法日前优化与传统牵引变电所电网侧进线功率对比示意图。
图4为实施例中单一日前优化方法与计划参考进线功率对比示意图。
图5为实施例中本发明方法与计划参考进线功率对比示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
本发明针对的柔性牵引供电***结构如图1所示，一种含光伏与混合储能装置的柔性牵引供电***能量管理方法流程如图2所示，具体步骤为：
步骤1：日前优化阶段，利用牵引负荷过程仿真软件，例如德国SIGNON公司的ELBAS/WEBANET软件，输入高速铁路线路、列车与时刻表参数，仿真得到一天牵引变电所负荷过程数据。
根据天气预测信息，输入相似阳光辐照强度场景，基于场景削减法对阳光辐照强度场景进行场景削减，得到预测光照强度场景，并依据光伏约束生成一天光伏预测功率。
步骤2：根据电费参数，建立优化模型的目标函数；电费参数包括电度电费、电费电费、以及反馈电网回电网电费。
目标函数表达式为：
Figure BDA0002403465210000081
式中：f为目标函数，表示牵引变电所日电费成本，t为时间段，
Figure BDA0002403465210000082
为t时间段内电度电费单价，πdem为需量电费单价，
Figure BDA0002403465210000083
为t时间段内反馈至公共电网的电费单价；
Figure BDA0002403465210000084
为15分钟内柔性牵引供电***平均负荷，
Figure BDA0002403465210000085
为由公共电网输入到柔性牵引供电***的有功功率，
Figure BDA0002403465210000086
为由柔性牵引供电***反馈至公共电网的有功功率；
其中：
Figure BDA0002403465210000087
式中：T为一天内总的时间段数。
步骤3：根据混合储能装置和光伏***的额定功率和容量参数，基于步骤1得到的牵引变电所负荷过程数据和光伏预测功率输出，建立优化模型的约束条件，并将优化模型的约束条件线性化。其中的约束条件包括功率平衡约束、混合储能***约束、光伏发电约束、背靠背变流器约束。
约束条件如下：
功率平衡约束条件：
Figure BDA0002403465210000088
式中：
Figure BDA0002403465210000089
为由公共电网输入到柔性牵引供电***的网侧变流器有功功率，
Figure BDA00024034652100000810
为由牵引供电***网侧变流器反馈至公共电网的有功功率；
Figure BDA00024034652100000811
为电池的放电功率，
Figure BDA00024034652100000812
为电池的充电功率，
Figure BDA00024034652100000813
为超级电容的放电功率，
Figure BDA00024034652100000814
为超级电容的充电功率，
Figure BDA00024034652100000815
为光伏发电的有功输出；
Figure BDA00024034652100000816
为柔性牵引供电***牵引侧变流器牵引负荷的有功功率，
Figure BDA00024034652100000817
为再生制动的有功功率。
混合储能***约束条件：
Figure BDA0002403465210000091
Figure BDA0002403465210000092
Figure BDA0002403465210000093
Figure BDA0002403465210000094
Figure BDA0002403465210000095
Figure BDA0002403465210000096
Figure BDA0002403465210000097
Figure BDA0002403465210000098
式中：κbat为电池的自放电率，κuc为超级电容的自放电率，,
Figure BDA0002403465210000099
为电池的放电效率，
Figure BDA00024034652100000910
为电池的充电效率，
Figure BDA00024034652100000911
为超级电容的放电效率，
Figure BDA00024034652100000912
为超级电容的充电效率，Δt为单位时间段，
Figure BDA00024034652100000913
为电池在t-1时间段储存的电能，
Figure BDA00024034652100000914
为电池在t时间段储存的电能；
Figure BDA00024034652100000915
为超级电容在t-1时间段储存的电能，
Figure BDA00024034652100000916
为超级电容在t时间段储存的电能；
Figure BDA00024034652100000917
为电池额定功率，
Figure BDA00024034652100000918
为超级电容额定功率，
Figure BDA00024034652100000919
为电池最小荷电状态，
Figure BDA00024034652100000920
为电池最大荷电状态，
Figure BDA00024034652100000921
为电池额定容量，
Figure BDA00024034652100000922
为超级电容额定容量，
Figure BDA00024034652100000923
为超级电容最小荷电状态，
Figure BDA00024034652100000924
为超级电容最大荷电状态；
Figure BDA00024034652100000925
为每日初始时段电池储存的电能，
Figure BDA00024034652100000926
为每日最后时段电池储存的电能，
Figure BDA00024034652100000927
为每天初始荷电状态，
Figure BDA00024034652100000928
为每日初始时段超级电容储存的电能，
Figure BDA00024034652100000929
为每日最后时段超级电容储存的电能，
Figure BDA00024034652100000930
为超级电容每天初始荷电状态；
Figure BDA00024034652100000931
和
Figure BDA00024034652100000932
均为二进制变量，以保证电池以及超级电容的充电和放电不能同时进行。
光伏发电约束：
Figure BDA00024034652100000933
式中：ηpv为光伏发电效率，Apv为光伏面板面积，
Figure BDA00024034652100000934
为日内各时刻光照强度。
背靠背变流器约束：
Figure BDA0002403465210000101
Figure BDA0002403465210000102
Figure BDA0002403465210000103
Figure BDA0002403465210000104
式中：
Figure BDA0002403465210000105
为背靠背变流器公共电网侧的容量，
Figure BDA0002403465210000106
为背靠背变流器牵引侧的容量。
约束条件线性化方法如下：
公式(1)中需量电费线性化后为下式：
Figure BDA0002403465210000107
Figure BDA0002403465210000108
式中：Ppeak为辅助变量。
公式(10)线性化后为下式：
Figure BDA0002403465210000109
式中：
Figure BDA00024034652100001010
和
Figure BDA00024034652100001011
均为二进制变量，以保证电池以及超级电容的充电和放电不能同时进行。
公式(13)公式(15)线性化后如下：
Figure BDA00024034652100001012
Figure BDA00024034652100001013
Figure BDA00024034652100001014
Figure BDA00024034652100001015
式中：
Figure BDA00024034652100001016
和
Figure BDA00024034652100001017
均为二进制辅助变量，以保证同一时刻通过变流器的功率输出为单向输出。
步骤4：根据步骤2得到的目标函数和步骤3得到的约束条件，建立混合整数规划模型(MILP)，利用优化软件，例如Matlab环境下的混合整数优化求解器CPLEX，求解该混合整数线性规划模型，求解得到一天内时间步长为t的混合储能装置最优充放电功率、混合储能装置荷电状态、背靠背变流器最优潮流功率，即完成牵引供电***日前能量优化管理；
步骤5：在日内优化阶段，将步骤4求解得到的背靠背变流器最优潮流功率作为参考，建立日内优化模型的目标函数，目标函数如下：
Figure BDA0002403465210000111
式中，
Figure BDA0002403465210000112
为k+pΔt*时刻柔性牵引供电***电网侧进线功率参考值，由日前优化步骤4获得，
Figure BDA0002403465210000113
为k+pΔt*时刻电池荷电状态参考值，由日前优化步骤4获得，
Figure BDA0002403465210000114
为超级电容k+pΔt*时刻荷电状态参考值，由日前优化步骤4获得，
Figure BDA0002403465210000115
为k时刻预测k+pΔt*时刻柔性牵引供电***网侧进线功率，
Figure BDA0002403465210000116
为k时刻预测k+pΔt*时刻电池荷电状态，
Figure BDA0002403465210000117
为k时刻预测k+pΔt*时刻超级电容荷电状态，
Figure BDA0002403465210000118
为k时刻预测k+pΔt*时刻电池输出功率增量，
Figure BDA0002403465210000119
为k时刻预测k+pΔt*时刻超级电容输出功率增量；ωp为电网侧进线功率追踪误差权重系数，ωbat为电池荷电状态追踪误差权重系数，ωuc为超级电容荷电状态追踪误差权重系数；λbat为电池输出功率增量权重系数；λuc为超级电容输出功率增量权重系数，Δt*为日内优化单位时间段。
步骤6：利用安装在牵引变电所的测量装置，采集第k时刻牵引变电所牵引侧实际功率，混合储能装置实际充放电功率、混合储能装置荷电状态，光伏实际输出功率，并获取k+1,k+2,…，k+N牵引负荷和光伏输出的超短期预测误差序列，超短期预测误差服从正态分布。
步骤7：根据混合储能装置的功率参数以及剩余容量，基于步骤6得到的牵引负荷和光伏输出的超短期预测误差，建立日内优化模型的约束条件，约束条件包括功率平衡修正约束，混合储能***修正约束，约束条件如下：
功率平衡约束：
Figure BDA00024034652100001110
式中，Ppv(k)为k时刻采集得到的光伏输出功率，Ptl(k)为k时刻采集的柔性牵引供电***牵引侧功率，Pbat(k)为k时刻采集到的的电池输出功率，Puc(k)为k时刻采集的超级电容输出功率，ΔPpv(k+jΔt*|k)为k时刻预测(k+(j-1)Δt*,k+jΔt*]时段的光伏输出功率预测误差，ΔPtl(k+jΔt*|k)为k时刻预测(k+(j-1)Δt*,k+jΔt*]时段的牵引负荷预测误差。
混合储能***约束条件：
Figure BDA0002403465210000121
Figure BDA0002403465210000122
Figure BDA0002403465210000123
Figure BDA0002403465210000124
Figure BDA0002403465210000125
Figure BDA0002403465210000126
Figure BDA0002403465210000127
Figure BDA0002403465210000128
ΔPbat(k+jΔt*|k)＝ΔPbat,dis(k+jΔt*|k)-ΔPbat,ch(k+jΔt*|k) (33)
ΔPuc(k+jΔt*|k)＝ΔPuc,dis(k+jΔt*|k)-ΔPuc,ch(k+jΔt*|k) (34)
式中，Ebat(k+pΔt*|k)为电池在k时刻预测k+pΔt*时间段储存的电能，Ebat(k+(p-1)Δt*|k)电池在k时刻预测k+(p-1)Δt*时间段储存的电能；Euc(k+pΔt*|k)为超级电容在k时刻预测k+pΔt*时间段储存的电能，Euc(k+(p-1)Δt*|k)超级电容在k时刻预测k+(p-1)Δt*时间段储存的电能；ΔPbat,ch(k+jΔt*|k)为k时刻预测k+pΔt*时刻电池充电功率增量，ΔPbat,dis(k+jΔt*|k)为k时刻预测k+pΔt*时刻电池放电功率增量；ΔPuc,ch(k+jΔt*|k)为k时刻预测k+pΔt*时刻超级电容充电功率增量，ΔPuc,dis(k+jΔt*|k)为k时刻预测k+pΔt*时刻拆机电容放电功率增量，
Figure BDA0002403465210000129
和
Figure BDA00024034652100001210
均为二进制变量，以保证日内调整后电池以及超级电容的充电和放电不能同时进行。
步骤8：根据步骤5得到的目标函数和步骤7得到的约束条件，建立预测控制的二次规划模型，利用优化软件，例如Matlab环境下的混合整数优化求解器CPLEX，求解步骤该二次规划，得到k+1,k+2,…,k+N时刻混合储能装置的输出功率调整量序列，并将混合储能装置的输出功率调整量序列的第一个值应用到混合储能装置的控制***。
步骤9：在k+1时刻，更新牵引变电所牵引侧实际功率，混合储能装置实际充放电功率、混合储能装置荷电状态、光伏实际输出功率，重复步骤6到步骤8，不断滚动向前优化，即完成牵引供电***日内能量管理优化。为表征***日式实际运行与日前计划的偏离程度，定义平均相对偏差(AVE)为一次优化时域内牵引变电所电网侧进线功率日内实际值与日前计划值的偏差绝对值得与日前计划值的比率之和的平均值：
Figure BDA0002403465210000131
式中，Pgrid,intra为牵引变电所电网侧进线功率日内实际值，Pgrid,ref为日前优化求得的牵引变电所电网侧进线功率参考值，M为优化时域内的时间段数。
实施例
本发明中集成混合储能装置与光伏的电气化铁路牵引供电***拓扑结构如图1所示，其储能***参数如表1所示：
表1储能***参数
Figure BDA0002403465210000132
其他部分参数，光伏发电站光伏面积为10000m2，光伏效率12％，光伏变流器容量2MVA；背靠背变流器电网侧容量为25MVA，牵引侧容量为30MVA。
以既有牵引供电***(牵引变电所出口有分相的牵引供电***模型)和本发明方法日前优化进行对比；两种模型中高铁线路、列车以及时刻表参数保持一致，牵引所负荷数据由负荷过程仿真软件计算得到，例如ELBAS/WEBANET软件。
传统牵引供电***电费成本计算方法如下：
Figure BDA0002403465210000133
Figure BDA0002403465210000134
式中：
Figure BDA0002403465210000135
和
Figure BDA0002403465210000136
分别为牵引所左、右供电臂消耗有功功率；
Figure BDA0002403465210000137
为传统牵引供电模式15分钟内牵引所平均负荷，
Figure BDA0002403465210000138
和
Figure BDA0002403465210000139
为牵引所左、右供电臂反馈回电网有功功率。
经过仿真计算后，其结果如表2所示。
表2优化结果
Figure BDA0002403465210000141
表2展现了两种方法下的单个牵引变电所的计算结果；根据表2可知，集成了混合储能装置和光伏的牵引供电***日前能量管理优化方法，每日电费成本远小于传统牵引供电***优化方法，电度电费减少了21.3％，需量电费减少了38.7％，反馈电网电费减少了91％，总成本减少了32.7％。传统牵引供电***中反馈回电网电费由列车再生制动能量造成，反馈回电网电费的降低表明了列车再生制动能量率提高。
两种方法，两小时时间段内的电网侧进线功率曲线如图3所示；由图3和表2可以看出本发明方法，即集成了混合储能装置与光伏的牵引供电***的能量管理优化方法，可以实现电费成本最优化。
以单一时间尺度能量管理策略和本发明方法日前-日内多时间尺度能量管理优化方法进行对比，日内光伏输出和牵引负荷预测误差服从正态分布，经过仿真计算后，两小时时间段内单一时间尺度能量管理优化电网侧进线功率曲线如图4所示，本发明提出的日前日内多时间尺度能量管理优化电网侧进线功率曲线如图5所示。
两种方法的平均相对偏差如表3所示：
表3两种方法平均相对偏差
Figure BDA0002403465210000142
由图4、图5和表2可以看出本发明方法，集成了光伏和混合储能装置的柔性牵引供电***的多时间尺度的能量管理优化方法，减小了光伏和牵引负荷预测误差造成的供电偏差，降低了光伏的不确定性和牵引负荷的随机波动性的影响。
本发明考虑将光伏发电***以及混合储能***接入柔性牵引供电***的背靠背变流器的直流环节，使用日前经济运行与日内误差校正的多时间尺度能量管理优化方法，实现对牵引负荷进行削峰填谷以及光伏的就近消纳，降低铁路运营部门电费成本；同时计及光伏的不确定性和牵引负荷的随机波动性，消除光伏和牵引负荷预测误差造成的供电偏差，使该牵引供电***能量管理方法更加贴近实际，为未来电气化铁路中储能***和可再生能源的接入与工程应用提供基础。

Claims (1)

1.含光伏与混合储能装置的柔性牵引供电***能量管理方法，其特征在于，将能量管理优化过程分为日前和日内两个时间尺度，具体包括以下步骤：
步骤1：在日前优化阶段，获取牵引变电所负荷过程数据和光伏预测输出功率；
步骤2：根据电费参数和步骤1得到的牵引变电所负荷过程数据和光伏预测输出功率，建立日前优化模型的目标函数，目标函数为：
Figure FDA0003722636190000011
式中：f为目标函数，表示牵引变电所日电费成本，t为时间段，
Figure FDA0003722636190000012
为t时间段内电度电费单价，πdem为需量电费单价，
Figure FDA0003722636190000013
为t时间段内反馈至公共电网的电费单价；
Figure FDA0003722636190000014
为15分钟内柔性牵引供电***平均负荷，
Figure FDA0003722636190000015
为由公共电网输入到柔性牵引供电***的有功功率，
Figure FDA0003722636190000016
为由柔性牵引供电***反馈至公共电网的有功功率；
其中：
Figure FDA0003722636190000017
式中：T为一天内总的时间段数；
步骤3：根据混合储能装置和光伏***的容量、功率参数，基于步骤1得到的牵引变电所负荷过程数据和光伏预测输出功率，建立日前优化模型的约束条件，并将优化模型的约束条件线性化，约束条件包括功率平衡约束、混合储能***约束、光伏发电约束和背靠背变流器约束，具体为：
功率平衡约束条件：
Figure FDA0003722636190000018
式中：
Figure FDA0003722636190000019
为由公共电网输入到柔性牵引供电***的有功功率，
Figure FDA00037226361900000110
为由柔性牵引供电***反馈至公共电网的有功功率；
Figure FDA00037226361900000111
为电池的放电功率，
Figure FDA00037226361900000112
为电池的充电功率，
Figure FDA00037226361900000113
为超级电容的放电功率，
Figure FDA00037226361900000114
为超级电容的充电功率，
Figure FDA00037226361900000115
为光伏发电的有功输出；
Figure FDA00037226361900000116
为柔性牵引供电***牵引侧变流器牵引负荷的有功功率，
Figure FDA00037226361900000117
为再生制动的有功功率；
混合储能***约束条件：
Figure FDA00037226361900000118
Figure FDA00037226361900000119
Figure FDA00037226361900000120
Figure FDA0003722636190000021
Figure FDA0003722636190000022
Figure FDA0003722636190000023
Figure FDA0003722636190000024
Figure FDA0003722636190000025
式中：κbat为电池的自放电率，κuc为超级电容的自放电率，
Figure FDA0003722636190000026
为电池的放电效率，
Figure FDA0003722636190000027
为电池的充电效率，
Figure FDA0003722636190000028
为超级电容的放电效率，
Figure FDA0003722636190000029
为超级电容的充电效率，Δt为单位时间段，
Figure FDA00037226361900000210
为电池在t-1时间段储存的电能，
Figure FDA00037226361900000211
为电池在t时间段储存的电能；
Figure FDA00037226361900000212
为超级电容在t-1时间段储存的电能，
Figure FDA00037226361900000213
为超级电容在t时间段储存的电能；
Figure FDA00037226361900000214
为电池额定功率，
Figure FDA00037226361900000215
为超级电容额定功率，
Figure FDA00037226361900000216
为电池最小荷电状态，
Figure FDA00037226361900000217
为电池最大荷电状态，
Figure FDA00037226361900000218
为电池额定容量，
Figure FDA00037226361900000219
为超级电容额定容量，
Figure FDA00037226361900000220
为超级电容最小荷电状态，
Figure FDA00037226361900000221
为超级电容最大荷电状态；
Figure FDA00037226361900000222
为每日初始时段电池储存的电能，
Figure FDA00037226361900000223
为每日最后时段电池储存的电能，
Figure FDA00037226361900000224
为每天初始荷电状态，
Figure FDA00037226361900000225
为每日初始时段超级电容储存的电能，
Figure FDA00037226361900000226
为每日最后时段超级电容储存的电能，
Figure FDA00037226361900000227
为超级电容每天初始荷电状态；
Figure FDA00037226361900000228
和
Figure FDA00037226361900000229
均为二进制变量，以保证电池以及超级电容的充电和放电不能同时进行；
光伏发电约束：
Figure FDA00037226361900000230
式中：ηpv为光伏发电效率，Apv为光伏面板面积，
Figure FDA00037226361900000231
为日内各时刻光照强度；
背靠背变流器约束：
Figure FDA00037226361900000232
Figure FDA00037226361900000233
Figure FDA00037226361900000234
Figure FDA00037226361900000235
式中：
Figure FDA00037226361900000236
为背靠背变流器公共电网侧的容量，
Figure FDA00037226361900000237
为背靠背变流器牵引侧的容量；
约束条件线性化方法如下：
公式(1)中需量电费线性化后为下式：
Figure FDA0003722636190000031
Figure FDA0003722636190000032
式中：Ppeak为辅助变量；
公式(10)线性化后为下式：
Figure FDA0003722636190000033
式中：
Figure FDA0003722636190000034
和
Figure FDA0003722636190000035
均为二进制辅助变量，以保证电池以及超级电容的充电和放电不能同时进行；
公式(13)公式(15)线性化后如下：
Figure FDA0003722636190000036
Figure FDA0003722636190000037
Figure FDA0003722636190000038
Figure FDA0003722636190000039
式中：
Figure FDA00037226361900000310
和
Figure FDA00037226361900000311
均为二进制辅助变量，以保证同一时刻通过变流器的功率输出为单向输出；
步骤4：根据步骤2得到的目标函数和步骤3得到的约束条件，建立混合整数规划模型，求解得到混合储能装置最优充放电功率、混合储能装置荷电状态、背靠背变流器最优潮流功率，即完成牵引供电***日前能量优化管理；
步骤5：在日内优化阶段，将步骤4求解得到的背靠背变流器最优潮流功率作为参考，建立日内优化模型的目标函数，目标函数如下：
Figure FDA00037226361900000312
式中，
Figure FDA00037226361900000313
为k+pΔt*时刻柔性牵引供电***电网侧进线功率参考值，
Figure FDA0003722636190000041
为k+pΔt*时刻电池荷电状态参考值，
Figure FDA0003722636190000042
为超级电容k+pΔt*时刻荷电状态参考值，
Figure FDA0003722636190000043
为k时刻预测k+pΔt*时刻柔性牵引供电***网侧进线功率，
Figure FDA0003722636190000044
为k时刻预测k+pΔt*时刻电池荷电状态，
Figure FDA0003722636190000045
为k时刻预测k+pΔt*时刻超级电容荷电状态，
Figure FDA0003722636190000046
为k时刻预测k+pΔt*时刻电池输出功率增量，
Figure FDA0003722636190000047
为k时刻预测k+pΔt*时刻超级电容输出功率增量；ωp为电网侧进线功率追踪误差权重系数，ωbat为电池荷电状态追踪误差权重系数，ωuc为超级电容荷电状态追踪误差权重系数；λbat为电池输出功率增量权重系数；λuc为超级电容输出功率增量权重系数，Δt*为日内优化单位时间段；
步骤6：采集第k时刻牵引变电所牵引侧实际功率，混合储能装置实际充放电功率、混合储能装置荷电状态，光伏实际输出功率，并获取牵引负荷和光伏输出的超短期预测误差序列；
步骤7：根据混合储能装置的功率参数以及剩余容量，基于步骤6得到的牵引负荷和光伏输出的超短期预测误差，建立日内优化模型的约束条件，约束条件如下：
功率平衡约束：
Figure FDA0003722636190000048
式中，Ppv(k)为k时刻采集得到的光伏输出功率，Ptl(k)为k时刻采集的柔性牵引供电***牵引侧功率，Pbat(k)为k时刻采集到的电池输出功率，Puc(k)为k时刻采集的超级电容输出功率，ΔPpv(k+jΔt*|k)为k时刻预测(k+(j-1)Δt*,k+jΔt*]时段的光伏输出功率预测误差，ΔPtl(k+jΔt*|k)为k时刻预测(k+(j-1)Δt*,k+jΔt*]时段的牵引负荷预测误差；
混合储能***约束条件：
Figure FDA0003722636190000049
Figure FDA00037226361900000410
Figure FDA00037226361900000411
Figure FDA00037226361900000412
Figure FDA0003722636190000051
Figure FDA0003722636190000052
Figure FDA0003722636190000053
Figure FDA0003722636190000054
ΔPbat(k+jΔt*|k)＝ΔPbat,dis(k+jΔt*|k)-ΔPbat,ch(k+jΔt*|k) (33)
ΔPuc(k+jΔt*|k)＝ΔPuc,dis(k+jΔt*|k)-ΔPuc,ch(k+jΔt*|k) (34)
式中，Ebat(k+pΔt*|k)为电池在k时刻预测k+pΔt*时间段储存的电能，Ebat(k+(p-1)Δt*|k)电池在k时刻预测k+(p-1)Δt*时间段储存的电能；Euc(k+pΔt*|k)为超级电容在k时刻预测k+pΔt*时间段储存的电能，Euc(k+(p-1)Δt*|k)超级电容在k时刻预测k+(p-1)Δt*时间段储存的电能；ΔPbat,ch(k+jΔt*|k)为k时刻预测k+pΔt*时刻电池充电功率增量，ΔPbat,dis(k+jΔt*|k)为k时刻预测k+pΔt*时刻电池放电功率增量；ΔPuc,ch(k+jΔt*|k)为k时刻预测k+pΔt*时刻超级电容充电功率增量，ΔPuc,dis(k+jΔt*|k)为k时刻预测k+pΔt*时刻拆机电容放电功率增量，
Figure FDA0003722636190000055
和
Figure FDA0003722636190000056
均为二进制变量，以保证日内调整后电池以及超级电容的充电和放电不能同时进行；
步骤8：根据步骤5得到的目标函数和步骤7得到的约束条件，建立预测控制模型，求解得到k+1,k+2,…,k+N时刻混合储能装置的输出功率调整量序列，并将混合储能装置的输出功率调整量序列的第一个值应用到混合储能装置的控制***；
步骤9：在k+1时刻，更新牵引变电所牵引侧实际功率，混合储能装置实际充放电功率、混合储能装置荷电状态、光伏实际输出功率，重复步骤6到步骤8，不断向前优化。
CN202010154126.XA 2020-03-07 2020-03-07 含光伏与混合储能装置的柔性牵引供电***能量管理方法 Active CN111313465B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010154126.XA CN111313465B (zh) 2020-03-07 2020-03-07 含光伏与混合储能装置的柔性牵引供电***能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010154126.XA CN111313465B (zh) 2020-03-07 2020-03-07 含光伏与混合储能装置的柔性牵引供电***能量管理方法

Publications (2)

Publication Number Publication Date
CN111313465A CN111313465A (zh) 2020-06-19
CN111313465B true CN111313465B (zh) 2022-08-23

Family

ID=71147323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010154126.XA Active CN111313465B (zh) 2020-03-07 2020-03-07 含光伏与混合储能装置的柔性牵引供电***能量管理方法

Country Status (1)

Country Link
CN (1) CN111313465B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112787353A (zh) * 2021-01-25 2021-05-11 清华大学 交流电弧炉的混合柔性供电***及其控制方法
CN113224758A (zh) * 2021-05-25 2021-08-06 上海玫克生储能科技有限公司 光储充电站的储能充放电的控制方法、***、设备及介质
CN113300395B (zh) * 2021-05-26 2022-06-28 成都国佳电气工程有限公司 一种柔性牵引供电***混合储能最优容量配置方法
CN113472053B (zh) * 2021-07-02 2022-05-24 湘潭大学 一种牵引负荷双重应用混合储能容量优化方法
CN113629742B (zh) * 2021-07-28 2023-06-16 西南交通大学 电气化铁路地面混合式储能***容量配置方法
CN113792088A (zh) * 2021-09-10 2021-12-14 阳光电源股份有限公司 光伏组串的故障检测方法、装置及存储介质
CN114597951B (zh) * 2022-04-06 2023-05-05 西南交通大学 一种电动汽车参与交流城轨供电***节能运行的优化方法
CN114977182B (zh) * 2022-04-25 2024-05-28 西南交通大学 计及光伏接入的柔性牵引供电***区间最优潮流优化方法
CN116596195B (zh) * 2023-07-17 2023-09-19 清华大学 柔性直流牵引供电***光伏消纳效益评估方法
CN117810914B (zh) * 2024-02-27 2024-05-03 成都交大光芒科技股份有限公司 一种牵引变电所储能装置运行状态预测方法以及***
CN118017524B (zh) * 2024-04-10 2024-07-02 湖南大学 面向贯通型牵引供电***的实时高效能量管控方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2500309A1 (en) * 2011-03-18 2012-09-19 Inventio AG Energy management system for solar-powered elevator installation
CN106651026A (zh) * 2016-12-20 2017-05-10 太原理工大学 多时间尺度微电网能量管理优化调度方法
CN107528345A (zh) * 2017-09-30 2017-12-29 国电南瑞科技股份有限公司 一种多时间尺度的网源荷储协调控制方法
CN109449973A (zh) * 2018-11-09 2019-03-08 西华大学 一种含光伏和储能的轨道交通供电***能量优化方法
CN109659980A (zh) * 2019-01-22 2019-04-19 西南交通大学 集成混合储能与光伏装置的牵引供电***能量管理优化方法
CN110311421A (zh) * 2019-07-12 2019-10-08 燕山大学 基于需求侧响应的微电网多时间尺度能量管理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2500309A1 (en) * 2011-03-18 2012-09-19 Inventio AG Energy management system for solar-powered elevator installation
CN106651026A (zh) * 2016-12-20 2017-05-10 太原理工大学 多时间尺度微电网能量管理优化调度方法
CN107528345A (zh) * 2017-09-30 2017-12-29 国电南瑞科技股份有限公司 一种多时间尺度的网源荷储协调控制方法
CN109449973A (zh) * 2018-11-09 2019-03-08 西华大学 一种含光伏和储能的轨道交通供电***能量优化方法
CN109659980A (zh) * 2019-01-22 2019-04-19 西南交通大学 集成混合储能与光伏装置的牵引供电***能量管理优化方法
CN110311421A (zh) * 2019-07-12 2019-10-08 燕山大学 基于需求侧响应的微电网多时间尺度能量管理方法

Also Published As

Publication number Publication date
CN111313465A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111313465B (zh) 含光伏与混合储能装置的柔性牵引供电***能量管理方法
Chen et al. Multitime-scale optimal dispatch of railway FTPSS based on model predictive control
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
Lu et al. Multi-objective optimal scheduling of a DC micro-grid consisted of PV system and EV charging station
Ying et al. The flexible smart traction power supply system and its hierarchical energy management strategy
CN113300395B (zh) 一种柔性牵引供电***混合储能最优容量配置方法
Zahedmanesh et al. A sequential decision-making process for optimal technoeconomic operation of a grid-connected electrical traction substation integrated with solar PV and BESS
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
CN114243795A (zh) 一种典型充电站综合能源协同交互优化配置方法及***
CN112350369B (zh) 光储充一体化电站能效评估方法
CN116565908A (zh) 一种光伏和储能***接入的柔性牵引变电所能量管理方法
CN115102160A (zh) 一种薄弱电网条件下牵引供电***日前能量优化调度方法
CN107622332A (zh) 一种基于静态安全性约束的电网侧储能容量优化配置方法
Dorin et al. Renewable energy EV charging station
Wang et al. Frequency response methods for grid-connected wind power generations: A review
Kano et al. Renewable sources and energy storage optimization to minimize the global costs of railways
CN114977182B (zh) 计及光伏接入的柔性牵引供电***区间最优潮流优化方法
Sharma et al. Optimized Electric vehicle Charging and discharging with sporadic Renewable energy source
Huang et al. A multi-time scale scheduling method for wind-PV-pumped storage-electrochemical energy storage integrated generation system
Wang et al. Bi-level Optimization Model for Coordinated Operation of Wind Power and Energy Storage System
Bose et al. Modified EV Charging/Discharging Control for Hybrid DC Fast Charging Stations
Hongli et al. Day-ahead optimal dispatch of regional power grid based on electric vehicle participation in peak shaving pricing strategy
Ma et al. Multitime-Scale Optimal Scheduling Strategy For Traction Load Based On Rolling Optimization
Chen et al. Optimal scheduling strategy with multi-time scales for PV-storage based charging station
Kumar et al. Electric Vehicles as Energy Storage: V2G Capacity Estimation

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