CN111738518B - 一种基于计及平均放电率的电动汽车充放电调度方法 - Google Patents

一种基于计及平均放电率的电动汽车充放电调度方法 Download PDF

Info

Publication number
CN111738518B
CN111738518B CN202010586202.4A CN202010586202A CN111738518B CN 111738518 B CN111738518 B CN 111738518B CN 202010586202 A CN202010586202 A CN 202010586202A CN 111738518 B CN111738518 B CN 111738518B
Authority
CN
China
Prior art keywords
vehicle
time
scheduling
ith
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.)
Active
Application number
CN202010586202.4A
Other languages
English (en)
Other versions
CN111738518A (zh
Inventor
蔡绍荣
魏明奎
周全
路亮
江栗
王庆
李怡然
张姝
肖先勇
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 Branch of State Grid Corp
Original Assignee
Southwest Branch of State Grid Corp
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 Branch of State Grid Corp filed Critical Southwest Branch of State Grid Corp
Priority to CN202010586202.4A priority Critical patent/CN111738518B/zh
Publication of CN111738518A publication Critical patent/CN111738518A/zh
Application granted granted Critical
Publication of CN111738518B publication Critical patent/CN111738518B/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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于计及平均放电率的电动汽车充放电调度方法，包括以下步骤：S1、通过智能充电装置收集入网的EV信息，并对EV信息进行处理和筛选，得到可调度车辆信息；S2、建立第一阶段优化模型；S3、根据第一阶段优化模型及其约束条件，得到优化的支付成本和平均放电率指标；S4、将优化的支付成本和平均放电率指标作为约束条件，建立第二阶段优化模型；S5、通过集群代理商收集电网信息和可调度车辆信息，并将其输入第二阶段优化模型进行调度优化，实现EV车辆的调度；本发明解决了现有技术只针对电网或用户侧需求进行充放电调度，且未深入考虑电动汽车进行充放电安排时对电池的损耗的问题。

Description

一种基于计及平均放电率的电动汽车充放电调度方法
技术领域
本发明涉及电力***规划领域，具体涉及一种基于计及平均放电率的电动汽车充放电调度方法。
背景技术
在能源紧缺和环境污染问题备受关注的背景下，高效、清洁的电动汽车规模化入网将是未来的必然趋势。电动汽车因其灵活性以及集群后的储能特性，在电网中具有较强的需求响应的潜能，能够实现电动汽车与电网的双向互动(Vehicle to Grid,V2G)，在合理的调度下，可以实现帮助电网缓解用电负荷、削峰填谷，还可以给电网提供调频和备用等辅助服务。如何为制定合理的调度策略是V2G技术发展的一个关键点。目前，电动汽车参与V2G的调度主要面临以下几个方面难点：
1.用户对于V2G调度的响应度具有不确定性，忽略个体的参与调度意愿及参与调度的能力会影响决策结果的准确性。
2.参与V2G调度频繁的充放电行为会对用户侧电池造成损耗，缺少合理的指标对损耗进行量化。
3.现有调度对于用户侧及电网侧的需求考虑不全面。
目前，行业学者对在V2G模式下电动汽车的充放电调度进行了大量研究，提出了很多方法。文献“潘振宁,张孝顺,余涛,et al.大规模电动汽车集群分层实时优化调度[J].电力***自动化,2017(16):102-110.”中基于充电代理商以电网负荷方差为优化目标提出了分层式的充放电模型，对于EV用户仅满足了基础充电需求，未深入考虑成本等其他需求。文献“葛少云,王龙,刘洪,et al.计及电动汽车入网的峰谷电价时段优化模型研究[J].电网技术,2013(08):251-256.”在优化过程中，考虑了用户对峰谷电价政策的响应度，但关于用户对于调度策略的响应度未能进行深入考虑；文献“[15]潘樟惠，高赐威，刘顺桂.基于需求侧放电竞价的电动汽车充放电调度研究[J].电网技术，2016，40(4)：1140-1146.”以考虑电网侧负荷削峰填谷为目的提出了放电竞价的充放电调度，对用户侧的需求缺失考虑。文献“党杰,汤奕,宁佳,et al.基于用户意愿和出行规律的电动汽车充电负荷分配策略[J].电力***保护与控制,2015(16).”考虑到电池寿命，提出以最小充电次数为目标进行有序充电调度策略，只对用户侧进行了单一考虑，同时未能计及电网侧需求。
以上的方法针对电网或用户侧需求进行考虑提出了响应的充放电调度，但未深入考虑电动汽车进行充放电安排时对电池的损耗。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于计及平均放电率的电动汽车充放电调度方法解决了现有技术只针对电网或用户侧需求进行充放电调度，且未深入考虑电动汽车进行充放电安排时对电池的损耗的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于计及平均放电率的电动汽车充放电调度方法，包括以下步骤：
S1、通过智能充电装置收集入网的EV信息，并对EV信息进行处理和筛选，得到可调度车辆信息；
S2、根据用户侧最小支付成本和最小放电次数为优化目标，建立第一阶段优化模型；
S3、根据第一阶段优化模型及其约束条件，得到优化的支付成本和平均放电率指标；
S4、将优化的支付成本和平均放电率指标作为约束条件，建立第二阶段优化模型；
S5、通过集群代理商收集电网信息和可调度车辆信息，并将其输入第二阶段优化模型进行调度优化，得到对应EV车辆的充放电调度安排，并将其反馈至智能充电装置和EV车辆进行线下响应，实现EV车辆的调度。
进一步地，所述步骤S1包括以下分步骤：
S11、通过智能充电装置的人机交互界面，录入用户的预计离开时间、期望电量及可调度意愿；
S12、通过智能充电装置获取EV车辆的剩余荷电状态和电池容量；
S13、根据预计离开时间、期望电量、可调度意愿、剩余荷电状态和电池容量，对EV车辆进行可调度性判别，得到可调度车辆信息。
进一步地，所述步骤S2中的第一阶段优化模型如下：
决策变量：
Figure BDA0002554725720000031
支付成本优化：
Figure BDA0002554725720000032
平均放电率优化：
Figure BDA0002554725720000033
第一阶段优化目标：
Figure BDA0002554725720000034
其中，C为用户成本，σ为平均放电率，i为第i辆车，N为可调度车辆总数，k为k时刻，K为总时间，
Figure BDA0002554725720000035
为第i辆车在k时刻的充电功率，
Figure BDA0002554725720000036
为第i辆车在k时刻的放电功率，
Figure BDA0002554725720000037
为第i辆车在k时刻的充电效率，
Figure BDA0002554725720000038
为第i辆车在k时刻的放电效率，Δt为调度时长，cc,k为在k时刻的充电电价，cd,k为在k时刻的放电电价，
Figure BDA0002554725720000039
为第i辆车在k时刻的充电状态，
Figure BDA00025547257200000310
为第i辆车在k时刻的放电状态，F1为第一阶段优化目标，λ1为成本优化目标的权重，λ2为平均放电率优化目标的权重，C为用户成本，Cmax为调度过程中成本最大值，σ为平均放电率，σmax为调度过程中平均放电率最大值。
进一步地，所述第一阶段优化模型的约束条件包括：
Figure BDA0002554725720000041
Figure BDA0002554725720000042
Figure BDA0002554725720000043
Figure BDA0002554725720000044
Figure BDA0002554725720000045
Figure BDA0002554725720000046
其中，
Figure BDA0002554725720000047
为第i辆车的电池容量，
Figure BDA0002554725720000048
为第i辆车在k时刻的荷电状态，
Figure BDA0002554725720000049
为第i辆车在k时刻的充电功率，
Figure BDA00025547257200000410
为第i辆车在k时刻的放电功率，
Figure BDA00025547257200000411
为第i辆车在k时刻的充电效率，
Figure BDA00025547257200000412
为第i辆车在k时刻的放电效率，
Figure BDA00025547257200000413
为第i辆车在k时刻的充电状态，
Figure BDA00025547257200000414
为第i辆车在k时刻的放电状态，Δt为调度时长，SOCmin为电池荷电状态的安全下限，
Figure BDA00025547257200000415
为第i辆车在k时刻的荷电状态，SOCmax为电池荷电状态的安全上限，N为可调度车辆总数，
Figure BDA00025547257200000416
为第i辆车在k时刻的充电负荷，
Figure BDA00025547257200000417
为第i辆车在k时刻的放电负荷，Pload,为第i辆车在k时刻的基础负荷，ST为配电变压器容量限值，
Figure BDA00025547257200000418
为第i辆车的用户离开智能充电装置时的荷电状态，
Figure BDA00025547257200000419
为第i辆车的用户设置的预期荷电状态，
Figure BDA00025547257200000420
为第i辆车的入网前阶段，
Figure BDA00025547257200000421
为第i辆车的离开后阶段，
Figure BDA00025547257200000422
为第i辆车的并网阶段。
上述进一步方案的有益效果为：在优化过程中建立多维约束，通过设置约束条件使调度过程中配变不过载、荷电状态在安全限值范围内、用户充电需求得到满足，保证了电网的安全性及用户的出行需求。
进一步地，所述步骤S4中第二阶段优化模型为：
minF2＝maxPZ-minPZ (11)
所述第二阶段优化模型的约束条件包括：C*＝C1，C*为第二阶段优化模型的支付成本约束，C1为优化的支付成本、σ*＝σ1，σ*为第二阶段优化模型的平均放电率指标约束，σ1为优化的平均放电率指标，式(5)，式(6)，式(7)，式(8)，式(9)和式(10)，其决策变量为：
Figure BDA0002554725720000051
Figure BDA0002554725720000052
其中，F2为第二阶段优化目标，PZ为计及电动汽车负荷后的该局部配电网的总负荷，
Figure BDA0002554725720000053
为第i辆车在k时刻的充电状态，
Figure BDA0002554725720000054
为第i辆车在k时刻的放电状态。
进一步地，所述步骤S5中电网信息包括：日前预测的区域负荷和现阶段电价信息。
综上，本发明的有益效果为：本发明在调度决策前进行可调度车辆筛选，使调度安排更准备且更具实际意义；本发明提出了平均放电率指标，并在电动汽车充放电调度策略进行优化考虑，通过计及平均放电率指标优化减少放电频率，从而降低用户侧的放电损耗、有助于提升用户满意度；本发明所建立的两阶段优化模型同时考虑了用户侧和电网侧的利益需求，可以有效降低用户的成本及电池损耗、减小了负荷峰谷差、平抑了负荷波动，实现了电网与EV用户双方的共赢。
附图说明
图1为一种基于计及平均放电率的电动汽车充放电调度方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于计及平均放电率的电动汽车充放电调度方法，包括以下步骤：
S1、通过智能充电装置收集入网的EV信息，并对EV信息进行处理和筛选，得到可调度车辆信息；
所述步骤S1包括以下分步骤：
S11、通过智能充电装置的人机交互界面，录入用户的预计离开时间、期望电量及可调度意愿；
S12、通过智能充电装置获取EV车辆的剩余荷电状态和电池容量；
S13、根据预计离开时间、期望电量、可调度意愿、剩余荷电状态和电池容量，对EV车辆(电动车辆)进行可调度性判别，得到可调度车辆信息。
S2、根据用户侧最小支付成本和最小放电次数为优化目标，建立第一阶段优化模型；
所述步骤S2中的第一阶段优化模型如下：
决策变量：
Figure BDA0002554725720000061
支付成本优化：
Figure BDA0002554725720000062
平均放电率优化：
Figure BDA0002554725720000063
第一阶段优化目标：
Figure BDA0002554725720000064
其中，C为用户成本，σ为平均放电率，i为第i辆车，N为可调度车辆总数，k为k时刻，K为总时间，
Figure BDA0002554725720000065
为第i辆车在k时刻的充电功率，
Figure BDA0002554725720000066
为第i辆车在k时刻的放电功率，
Figure BDA0002554725720000067
为第i辆车在k时刻的充电效率，
Figure BDA0002554725720000068
为第i辆车在k时刻的放电效率，Δt为调度时长，cc,k为在k时刻的充电电价，cd,k为在k时刻的放电电价，
Figure BDA0002554725720000069
为第i辆车在k时刻的充电状态，
Figure BDA0002554725720000071
为第i辆车在k时刻的放电状态，F1为第一阶段优化目标，λ1为成本优化目标的权重，λ2为平均放电率优化目标的权重，Cmax为调度过程中成本最大值，σ为平均放电率，σmax为调度过程中平均放电率最大值。
所述第一阶段优化模型的约束条件包括：
Figure BDA0002554725720000072
Figure BDA0002554725720000073
Figure BDA0002554725720000074
Figure BDA0002554725720000075
Figure BDA0002554725720000076
Figure BDA0002554725720000077
其中，
Figure BDA0002554725720000078
为第i辆车的电池容量，
Figure BDA0002554725720000079
为第i辆车在k时刻的荷电状态，
Figure BDA00025547257200000710
为第i辆车在k时刻的充电功率，
Figure BDA00025547257200000711
为第i辆车在k时刻的放电功率，
Figure BDA00025547257200000712
为第i辆车在k时刻的充电效率，
Figure BDA00025547257200000713
为第i辆车在k时刻的放电效率，
Figure BDA00025547257200000714
为第i辆车在k时刻的充电状态，
Figure BDA00025547257200000715
为第i辆车在k时刻的放电状态，Δt为调度时长，SOCmin为电池荷电状态的安全下限，
Figure BDA00025547257200000716
为第i辆车在k时刻的荷电状态，SOCmax为电池荷电状态的安全上限，N为可调度车辆总数，
Figure BDA00025547257200000717
为第i辆车在k时刻的充电负荷，
Figure BDA00025547257200000718
为第i辆车在k时刻的放电负荷，Pload,k为第i辆车在k时刻的基础负荷，ST为配电变压器容量限值，
Figure BDA00025547257200000719
为第i辆车的用户离开智能充电装置时的荷电状态，
Figure BDA00025547257200000720
为第i辆车的用户设置的预期荷电状态，
Figure BDA00025547257200000721
为第i辆车的入网前阶段，
Figure BDA00025547257200000722
为第i辆车的离开后阶段，
Figure BDA00025547257200000723
为第i辆车的并网阶段。
S3、根据第一阶段优化模型及其约束条件，得到优化的支付成本和平均放电率指标；
S4、将优化的支付成本和平均放电率指标作为约束条件，建立第二阶段优化模型；
所述步骤S4中第二阶段优化模型为：
minF2＝maxPZ-minPZ (11)
所述第二阶段优化模型的约束条件包括：C*＝C1，C*为第二阶段优化模型的支付成本约束，C1为优化的支付成本、σ*＝σ1，σ*为第二阶段优化模型的平均放电率指标约束，σ1为优化的平均放电率指标，式(5)，式(6)，式(7)，式(8)，式(9)和式(10)，其决策变量为：
Figure BDA0002554725720000081
Figure BDA0002554725720000082
其中，F2为第二阶段优化目标，PZ为计及电动汽车负荷后的该局部配电网的总负荷，
Figure BDA0002554725720000083
为第i辆车在k时刻的充电状态，
Figure BDA0002554725720000084
为第i辆车在k时刻的放电状态。
S5、通过集群代理商收集电网信息和可调度车辆信息，并将其输入第二阶段优化模型进行调度优化，得到对应EV车辆的充放电调度安排，并将其反馈至智能充电装置和EV车辆进行线下响应，实现EV车辆的调度。
所述步骤S5中电网信息包括：日前预测的区域负荷和现阶段电价信息。
综上，本发明的有益效果为：本发明在调度决策前进行可调度车辆筛选，使调度安排更准备且更具实际意义；本发明提出了平均放电率指标，并在电动汽车充放电调度策略进行优化考虑，通过计及平均放电率指标优化减少放电频率，从而降低用户侧的放电损耗、有助于提升用户满意度；本发明所建立的两阶段优化模型同时考虑了用户侧和电网侧的利益需求，可以有效降低用户的成本及电池损耗、减小了负荷峰谷差、平抑了负荷波动，实现了电网与EV用户双方的共赢。

Claims (4)

1.一种基于计及平均放电率的电动汽车充放电调度方法，其特征在于，包括以下步骤：
S1、通过智能充电装置收集入网的EV信息，并对EV信息进行处理和筛选，得到可调度车辆信息；
S2、根据用户侧最小支付成本和最小放电次数为优化目标，建立第一阶段优化模型；
步骤S2中的第一阶段优化模型如下：
决策变量：
Figure FDA0003411866310000011
支付成本优化：
Figure FDA0003411866310000012
平均放电率优化：
Figure FDA0003411866310000013
第一阶段优化目标：
Figure FDA0003411866310000014
其中，C为用户成本，σ为平均放电率，i为第i辆车，N为可调度车辆总数，k为k时刻，K为总时间，
Figure FDA0003411866310000015
为第i辆车在k时刻的充电功率，
Figure FDA0003411866310000016
为第i辆车在k时刻的放电功率，
Figure FDA0003411866310000017
为第i辆车在k时刻的充电效率，
Figure FDA0003411866310000018
为第i辆车在k时刻的放电效率，Δt为调度时长，cc，k为在k时刻的充电电价，cd，k为在k时刻的放电电价，
Figure FDA0003411866310000019
为第i辆车在k时刻的充电状态，
Figure FDA00034118663100000110
为第i辆车在k时刻的放电状态，F1为第一阶段优化目标，λ1为成本优化目标的权重，λ2为平均放电率优化目标的权重，Cmax为调度过程中成本最大值，σmax为调度过程中平均放电率最大值；
第一阶段优化模型的约束条件包括：
Figure FDA00034118663100000111
Figure FDA00034118663100000112
Figure FDA0003411866310000021
Figure FDA0003411866310000022
Figure FDA0003411866310000023
Figure FDA0003411866310000024
其中，
Figure FDA0003411866310000025
为第i辆车的电池容量，
Figure FDA0003411866310000026
为第i辆车在k时刻的荷电状态，
Figure FDA0003411866310000027
为第i辆车在k时刻的充电功率，
Figure FDA0003411866310000028
为第i辆车在k时刻的放电功率，
Figure FDA0003411866310000029
为第i辆车在k时刻的充电效率，
Figure FDA00034118663100000210
为第i辆车在k时刻的放电效率，
Figure FDA00034118663100000211
为第i辆车在k时刻的充电状态，
Figure FDA00034118663100000212
为第i辆车在k时刻的放电状态，Δt为调度时长，SOCmin为电池荷电状态的安全下限，SOCmax为电池荷电状态的安全上限，N为可调度车辆总数，
Figure FDA00034118663100000213
为第i辆车在k时刻的充电负荷，
Figure FDA00034118663100000214
为第i辆车在k时刻的放电负荷，Pload，k为第i辆车在k时刻的基础负荷，ST为配电变压器容量限值，
Figure FDA00034118663100000215
为第i辆车的用户离开智能充电装置时的荷电状态，
Figure FDA00034118663100000216
为第i辆车的用户设置的预期荷电状态，
Figure FDA00034118663100000217
为第i辆车的入网前阶段，
Figure FDA00034118663100000218
为第i辆车的离开后阶段，
Figure FDA00034118663100000219
为第i辆车的并网阶段；
S3、根据第一阶段优化模型及其约束条件，得到优化的支付成本和平均放电率指标；
S4、将优化的支付成本和平均放电率指标作为约束条件，建立第二阶段优化模型；
S5、通过集群代理商收集电网信息和可调度车辆信息，并将其输入第二阶段优化模型进行调度优化，得到对应EV车辆的充放电调度安排，并将其反馈至智能充电装置和EV车辆进行线下响应，实现EV车辆的调度。
2.根据权利要求1所述的基于计及平均放电率的电动汽车充放电调度方法，其特征在于，所述步骤S1包括以下分步骤：
S11、通过智能充电装置的人机交互界面，录入用户的预计离开时间、期望电量及可调度意愿；
S12、通过智能充电装置获取EV车辆的剩余荷电状态和电池容量；
S13、根据预计离开时间、期望电量、可调度意愿、剩余荷电状态和电池容量，对EV车辆进行可调度性判别，得到可调度车辆信息。
3.根据权利要求1所述的基于计及平均放电率的电动汽车充放电调度方法，其特征在于，所述步骤S4中第二阶段优化模型为：
min F2＝max PZ-min PZ (11)
所述第二阶段优化模型的约束条件包括：C*＝C1，C*为第二阶段优化模型的支付成本约束，C1为优化的支付成本、σ*＝σ1，σ*为第二阶段优化模型的平均放电率指标约束，σ1为优化的平均放电率指标，式(5)，式(6)，式(7)，式(8)，式(9)和式(10)；
所述第二阶段优化模型的决策变量为：
Figure FDA0003411866310000031
Figure FDA0003411866310000032
其中，F2为第二阶段优化目标，PZ为计及电动汽车负荷后的局部配电网的总负荷，
Figure FDA0003411866310000033
为第i辆车在k时刻的充电状态，
Figure FDA0003411866310000034
为第i辆车在k时刻的放电状态。
4.根据权利要求1所述的基于计及平均放电率的电动汽车充放电调度方法，其特征在于，所述步骤S5中电网信息包括：日前预测的区域负荷和现阶段电价信息。
CN202010586202.4A 2020-06-24 2020-06-24 一种基于计及平均放电率的电动汽车充放电调度方法 Active CN111738518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010586202.4A CN111738518B (zh) 2020-06-24 2020-06-24 一种基于计及平均放电率的电动汽车充放电调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010586202.4A CN111738518B (zh) 2020-06-24 2020-06-24 一种基于计及平均放电率的电动汽车充放电调度方法

Publications (2)

Publication Number Publication Date
CN111738518A CN111738518A (zh) 2020-10-02
CN111738518B true CN111738518B (zh) 2022-02-11

Family

ID=72650863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010586202.4A Active CN111738518B (zh) 2020-06-24 2020-06-24 一种基于计及平均放电率的电动汽车充放电调度方法

Country Status (1)

Country Link
CN (1) CN111738518B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362148A (zh) * 2021-06-02 2021-09-07 国网上海市电力公司 一种电动汽车及其代理商竞价方法
CN114039370B (zh) * 2021-06-22 2023-10-13 中国科学院广州能源研究所 基于v2g模式的电动汽车与智能充放电站的资源优化方法
CN113269372A (zh) * 2021-06-23 2021-08-17 华北电力大学 一种考虑用户意愿的集群电动汽车可调度容量预测评估方法
CN117039971B (zh) * 2023-10-09 2024-01-26 广州奥鹏能源科技有限公司 储能设备智能充放电控制方法及其控制***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868942A (zh) * 2016-06-07 2016-08-17 北京交通大学 电动汽车的有序充电调度方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107248010A (zh) * 2017-06-06 2017-10-13 重庆大学 计及负荷聚合商和电动汽车响应可靠性的优化调度方法
CN108520314B (zh) * 2018-03-19 2020-10-09 东南大学 结合v2g技术的主动配电网调度方法
CN109886501A (zh) * 2019-03-06 2019-06-14 昆明理工大学 一种电动汽车充放电多目标优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868942A (zh) * 2016-06-07 2016-08-17 北京交通大学 电动汽车的有序充电调度方法

Also Published As

Publication number Publication date
CN111738518A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN111738518B (zh) 一种基于计及平均放电率的电动汽车充放电调度方法
CN107719180B (zh) 基于电动汽车柔性充电的混合型停车场多源互补充电方法
CN105024432B (zh) 一种基于虚拟电价的电动汽车充放电优化调度方法
Wang et al. Two-stage optimal scheduling strategy for large-scale electric vehicles
CN103241130B (zh) 一种电动公交车充换电站的能量管理方法及***
CN111431198B (zh) 峰谷电价下考虑电动汽车v2g能力的配电网储能调峰方法
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN109948823B (zh) 一种光储充电塔自适应鲁棒日前优化调度方法
CN111422094A (zh) 分布式充电桩的充放电协调优化控制方法
CN113269372A (zh) 一种考虑用户意愿的集群电动汽车可调度容量预测评估方法
CN112086980B (zh) 考虑充电桩接入的公用配电变压器定容选型方法与***
CN104951614A (zh) 一种计及电动汽车充电可控性的机组组合模型及建模方法
CN111681127B (zh) 一种居民小区电动汽车有序充放电控制方法
CN109950900B (zh) 基于电动汽车负荷最小峰值模型的微网负荷削减控制方法
Li et al. Optimal dispatch for PV-assisted charging station of electric vehicles
CN110707736B (zh) 一种智能小区用户需求侧响应的微电网运行方法
CN110861508B (zh) 居民区直流充电机共享充电控制方法、***及存储介质
CN110334903B (zh) 基于背包算法的电动汽车充电调度方法
CN107154628B (zh) 电动汽车入网放电电价上限与入网功率关系计算方法
CN116404629A (zh) 一种高比例分布式光伏配电网中的电动汽车协调充电方法
CN112886585B (zh) 一种受端电网中储能电站调峰调频调控策略制定方法
CN114400653A (zh) 一种基于日前负荷预测值的电动汽车充电优化方法
CN114204582A (zh) 基于电动汽车出行特征的充电桩集群应急调度控制方法
CN110890763B (zh) 限制充放电状态切换的电动汽车与光伏发电协同调度方法
Hu et al. Optimal Configuration of Energy Storage Capacity for Fast Charging Stations Oriented to Electric Taxis

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