CN112418742B - 信息物理融合的电动汽车换电站网络双层控制方法 - Google Patents
信息物理融合的电动汽车换电站网络双层控制方法 Download PDFInfo
- Publication number
- CN112418742B CN112418742B CN202110084740.8A CN202110084740A CN112418742B CN 112418742 B CN112418742 B CN 112418742B CN 202110084740 A CN202110084740 A CN 202110084740A CN 112418742 B CN112418742 B CN 112418742B
- Authority
- CN
- China
- Prior art keywords
- power
- battery
- station
- frequency modulation
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims abstract description 7
- 238000011217 control strategy Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000003252 repetitive effect Effects 0.000 claims 1
- 230000003993 interaction Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000007599 discharging Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G06Q10/06—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
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
- Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
-
- 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
- Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
- Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
- Y04S30/12—Remote or cooperative charging
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种信息物理融合的电动汽车换电站网络双层控制方法,从电动汽车换电站网络层面考虑区域内各方面动态信息与换电站网络的互交,以提高换电站运营商经济效益为目标,在保证电动汽车有序换电的同时协调各换电站参与电网调频。本发明将换电站网络分为下层换电与上层调频两部分进行控制;下层换电控制中结合区域内动态信息预测各电动汽车换电地点和换电时间点并与车主通讯互交,以降低***的不确定性;上层调频控制中将各换电站动力电池聚类分组后制定相应的调频控制策略。该策略能显著降低各换电站拥堵程度,同时通过参与电网频率响应,提高换电站运营商经济效益。
Description
技术领域
本发明属于换电站控制技术领域,尤其涉及一种信息物理融合的电动汽车换电站网络双层控制方法。
背景技术
随着传统化石能源的持续消耗和环境问题的日益加剧,清洁环保的电动汽车逐渐进入大众视野,近年来其迅猛发展也使得与之相关的技术问题迫切需要得到解决。其中动力电池的容量限制以及充电耗时长即是当下制约电动汽车发展的首要问题。
当前阶段,电动汽车中动力电池的能量补充普遍依赖于充电桩,这种传统的充电模式不但存在充电耗时长的问题,还存在交直流充电差异性、同时段充电需求可控性差等问题。
近年来,电动汽车换电站得到越来越多的关注。相较于传统的充电模式,换电模式可以有效地解决充电耗时长的问题,且对于有长途行驶需求的电动汽车,换电模式可以极大地削减由动力电池容量限制带来的出行不便。目前,已有许多国内外学者针对电动汽车换电站进行了相关研究,主要集中在有序充电控制、换电调度、结合可再生能源的消纳等方面。
考虑到充电站内备有一定数量的动力电池,可作为特殊的储能***与电网进行互交,基于B2G模式下电动汽车参与电网互动运行策略(刘海破,曾平良,马军等.基于B2G模式下电动汽车参与电网互动运行策略[J]. 电力建设, 2015, 36(7):126-132)所提出的充换电站的充放电策略通过采用申报激励模式引导电动汽车与电网的互动,充换电站利用所提出的充放电策略,完成电网控制中心复核的用电计划,达到收益最大。Dynamic operationmodel of the battery swapping station for EV in electricity market(YANG S,YAOJ,KANG T,et al. Dynamic operation model of the battery swapping station forEV in electricity market[J]. Energy,2014,65(1):544-549)以换电站运营商为研究主体,提出了电力市场中电动汽车换电站的动态运行模型,积极响应电力市场的价格波动,以获得额外的收益。
中国发明专利(申请号:201910762829.8)提出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,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。中国发明专利(申请号:201711216951.2)提出一种基于无线通讯的换电站控制***和换电站,采用无线通讯的控制方式取代有线通讯以及滑动链接部件的通讯控制方式,采用分布式控制,集中管理的控制方法,提高了换电站控制的实时性和可靠性。
然而以上研究均未从换电站网络的层面考虑区域内动态信息对换电控制的影响,也未充分挖掘换电站内动力电池在接入电网状态下可发挥的效用。因此本发明针对以上问题,充分考虑区域内动态信息与换电站网络相互作用的基础上,在保证区域内电动汽车有序换电的同时协调各动力电池聚类参与电网调频,形成信息物理融合的电动汽车换电站网络双层控制方法。
发明内容
本发明从电动汽车换电站网络层面考虑区域内电动汽车、交通状况的各方面动态信息与换电站网络的相互作用,以充分挖掘换电站运营商经济效益为目标,在保证区域内电动汽车有序换电的同时协调各动力电池聚类参与电网调频,提出一种信息物理融合的电动汽车换电站网络双层控制方法。
本发明提供了一种信息物理融合的电动汽车换电站网络双层控制方法,其包括下层换电控制与上层调频控制两部分;
下层换电控制包含如下步骤:
S10:换电站网络控制中心实时监测区域内动态信息,并储蓄于数据库中;
S11:求解各电动汽车的最佳换电地点和换电时间点,并形成相应的建议信息发送给各车主,各车主可根据建议信息向换电站网络控制中心提供反馈信息;
S12:根据车主提供的反馈信息和实时监测的电动汽车数据,预测各电动汽车换电地点和换电时间点;
S13:根据预测结果,对各换电站中将使用的电池进行有序充电;
上层调频控制包含如下步骤:
S20:采集电网频率信息以及各换电站内各电池的功率、可用容量、荷电状态(state of charge,SOC)等数据;
S21:对换电站网络中参与调频的电池进行聚类分组,使具有相似调频能力的电池聚合,得到K个分组;
S22:根据电网频率信息和电池聚类分组情况,形成调频控制策略,指导各换电站参与电网调频。
信息物理融合的电动汽车换电站网络双层控制方法,其中,下层换电控制S10中的区域内动态信息,包括各车电分离式电动汽车的行驶位置、电池荷电状态、电池寿命、各道路交通状况等。
所述的信息物理融合的电动汽车换电站网络双层控制方法,其中,下层换电控制S11中的求解各电动汽车的最佳换电地点和换电时间点,是以最小化换电站拥堵程度为目标函数,考虑各路段速度、行驶路程、不重复建议、换电速度等约束条件,建立优化模型求解得到各电动汽车的最佳换电地点和换电时间点。
求解各电动汽车的最佳换电地点和换电时间点,其中,以最小化换电站拥堵程度为目标函数如下式所述:
其中,c表示区域内第c辆车电分离式电动汽车;C表示区域内所有车电分离式电动汽车的集合;s表示区域内第s个换电站;S表示区域内所有换电站集合;M表示某辆车电分离式电动汽车被建议到某换电站换电;表示某换电站为某次换电而需花费的时间成本;T表示一个计算周期;n(t)表示换电站在t时段充电完成的电池数量。
所述的信息物理融合的电动汽车换电站网络双层控制方法,其中,下层换电控制S11中的提供反馈信息,包括如下类型的反馈信息:车主同意并执行建议;车主拒绝建议并自行预约换电时间和换电地点;车主无应答。
所述的信息物理融合的电动汽车换电站网络双层控制方法,其中,下层换电控制S12中的预测各电动汽车换电地点和换电时间点,采用BP神经网络算法计算。
所述的信息物理融合的电动汽车换电站网络双层控制方法,其中,上层调频控制S21中的对换电站网络中参与调频的电池进行聚类分组,采用K-means算法计算。
信息物理融合的电动汽车换电站网络双层控制方法,其特征在于:上层调频控制S22中形成调频控制策略,是依据各电池分组的可用调频容量S Gi 、可达调频功率P Gi 、故障率Ni、调频响应时间Ti等指标对其评估排序,并根据电网调频出力需求P依次序选择m个电池分组参与频率响应,使得:
有益效果:相较于现有技术,本发明全面涵盖了电动汽车换电站网络的换电调度、有序充电、参与电网调频等环节,充分发挥了换电站网络作为信息物理融合***的信号互交性和实时性,使得换电站网络运行过程中与电动汽车高度互交,同时将各站内闲置电池聚合参与电网频率调节。本发明可减少换电站网络的不确定性因素,降低各换电站拥堵程度,使得整体***更加高效稳定运行,并充分发挥站内闲置电池的效用,提高换电站运营商经济效益。
附图说明
图1是信息物理融合的电动汽车换电站网络双层控制方法流程图。
图2是实例输出结果图。
具体实施方式
下面结合实例及附图,对本发明作进一步详细的说明,但本发明的实施方式不限于此。
本发明公开了一种信息物理融合的电动汽车换电站网络双层控制方法,其包括下层换电控制与上层调频控制两部分,
首先启动下层换电控制:
S10:换电站网络控制中心实时监测区域内各车电分离式电动汽车的行驶位置、电池荷电状态、电池寿命、各道路交通状况等动态信息,并储蓄于数据库中。
S11:以最小化换电站拥堵程度为目标函数,考虑各路段速度、行驶路程、不重复建议、换电速度等约束条件,建立优化模型求解得到各电动汽车的最佳换电地点和换电时间点,并将最佳换电地点和换电时间点作为建议信息发送给各车主,各车主根据建议信息向换电站网络控制中心提供反馈信息:同意并执行建议。
S12:根据车主提供的反馈信息和实时监测的电动汽车数据,采用BP神经网络预测各电动汽车换电地点和换电时间点,具体步骤如下:
(1)将各车行驶位置、SOC、各道路交通状况、车主反馈信息等数据作为输入,各车在下一计算周期是否驶入第s个换电站作为输出,对数据库中各数据进行归一化处理。
(2)构建三层BP神经网络,选用反正切S型函数tansig作为输入层到隐含层的激励函数,选用线性函数pureline作为隐含层到输出层的激励函数,反传误差函数选用,其中Z s 表示理论输出,O s 表示实际输出。
(3)采用梯度下降法利用数据库中归一化处理后的数据对BP神经网络进行训练;当其在达到规定总步长或输出小于规定误差后结束训练。
(4)将各车当前数据信息归一化处理后输入到BP神经网络中,预测其在下一计算周期是否驶入某一换电站。
S13:根据预测结果,对各换电站中将使用的电池进行有序充电。
电网频率受到一个如图2(a)所示的10KW阶跃扰动,启动上层调频控制:
S20:采集电网频率信息以及各换电站内各电池的功率、可用容量、荷电状态等数据。
S21:采用K-means算法对换电站网络中参与调频的电池进行聚类分组,使具有相似调频能力的电池聚合,具体步骤如下:
(1)获取各电池的功率、可用容量、SOC值等特征量。
(2)随机选取K个数据对象作为初始样本中心。
(3)计算各个数据到所选样本中心的距离,将数据对象指派到最近的分组中,然后计算每个分组的均值,根据分组中数据对象的平均值,将每个数据对象赋给最类似的分组。
(4)更新分组的平均值,即计算每个分组中数据对象的平均值。
(5)计算聚类准则函数,并判断聚类准则函数是否收敛,不收敛则返回步骤(2)。直至结果收敛,得到聚类结果K=6及相应的分组G1、G2、G3……G6。
S22:根据电网频率信息和电池聚类分组情况,形成调频控制策略,指导各换电站参与电网调频,具体步骤如下:
(1)确定各电池在调频过程中的荷电状态上下限SOC max、SOC min以及充电功率上限P bess,c,max和放电功率上限P bess,dis,max。各电池在调频中需满足如下约束:
(2)根据各电池荷电状态上下限和充放电功率上限,计算各电池分组的充电可用容量S Gi,c、放电可用容量S Gi,dis和出力上限P Gi,max:
其中,N为组内电池数量;SOC j,max表示组内第j个电池的荷电状态上限,SOC j,min表示组内第j个电池的荷电状态上限;SOC j 表示组内第j个电池当前的荷电状态;P bess,j,max 表示第j个电池的电池功率上限。
(3)将上述各电池组数据代入下述评价指标,对各电池分组参与调频的综合性能进行评分,可得到各电池组评分为K 1=12.80、K 2=16.40、K 3=14.35、K 4=19.50、K 5=22.36、K 6=21.46。
所述的评价指标为:
其中,B i 为电池分组的故障率,由电池出厂信息而定,Q i 为电池分组调频相应时间,由电池出厂信息而定,f为当前电网频率,f 0为电网额定频率。α、β、χ、δ为各指标参量的权重系数,分别取0.3、0.0004、0.1、2;所述α对应为S Gi,c和S Gi,dis的权重系数,β对应为P Gi,max的权重系数,χ对应为B i 的权重系数,δ对应为Q i 的权重系数;B i -1表示为B i 的负一次方,Q i -1表示为Q i 的负一次方。
随着换电站网络出力,电网频率偏差从1.4s开始减小,逐渐恢复到允许范围以内,如图2(b)所示;该过程中换电站网络出力逐渐稳定在5.8kW,如图2(c)所示;换电站中参与调频的动力电池SOC也逐渐降低,如图2(d)所示。
以上是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,应当指出,对于本技术领域的技术人员来说,不付出创造性劳动对本发明技术方案的修改或者等同替换,都不脱离本发明技术方案的保护范围。
Claims (7)
1.一种信息物理融合的电动汽车换电站网络双层控制方法,其特征在于:包括下层换电控制与上层调频控制两部分;
下层换电控制包含如下步骤:
S10:换电站网络控制中心实时监测区域内动态信息,并储蓄于数据库中;
S11:求解各电动汽车的最佳换电地点和换电时间点,并形成相应的建议信息发送给各车主,各车主可根据建议信息向换电站网络控制中心提供反馈信息;
S12:根据车主提供的反馈信息和实时监测的电动汽车数据,预测各电动汽车换电地点和换电时间点;
S13:根据预测结果,对各换电站中将使用的电池进行有序充电;
上层调频控制包含如下步骤:
S20:采集电网频率信息以及各换电站内各电池的功率、可用容量、荷电状态(state ofcharge,SOC);
S21:对换电站网络中参与调频的电池进行聚类分组,使具有相似调频能力的电池聚合,得到K个分组;
S22:根据电网频率信息和电池聚类分组情况,形成调频控制策略,指导各换电站参与电网调频;
其中,所述下层换电控制S12中的预测各电动汽车换电地点和换电时间点,采用BP神经网络算法计算,具体步骤如下:
(1)将各车行驶位置、SOC、各道路交通状况、车主反馈信息等数据作为输入,各车在下一计算周期是否驶入第s个换电站作为输出,对数据库中各数据进行归一化处理;
(2)构建三层BP神经网络,选用反正切S型函数tansig作为输入层到隐含层的激励函数,选用线性函数pureline作为隐含层到输出层的激励函数,反传误差函数选用,其中Z s 表示理论输出,O s 表示实际输出;
(3)采用梯度下降法利用数据库中归一化处理后的数据对BP神经网络进行训练;当其在达到规定总步长或输出小于规定误差后结束训练;
(4)将各车当前数据信息归一化处理后输入到BP神经网络中,预测其在下一计算周期是否驶入某一换电站;
所述S22的具体步骤如下:
A.确定各电池在调频过程中的荷电状态上下限SOC max、SOC min以及充电功率上限P bess,c,max和放电功率上限P bess,dis,max;各电池在调频中需满足如下约束:
B.根据各电池荷电状态上下限和充放电功率上限,计算各电池分组的充电可用容量S Gi,c、放电可用容量S Gi,dis和出力上限P Gi,max:
其中,N为组内电池数量;SOC j,max表示组内第j个电池的荷电状态上限,SOC j,min表示组内第j个电池的荷电状态下限;SOC j 表示组内第j个电池当前的荷电状态;P bess,j,max 表示第j个电池的电池功率上限;
C.将上述各电池组数据代入下述评价指标,对各电池分组参与调频的综合性能进行评分,所述K=6时,相应的分组G1、G2、G3、G4、G5、G6,可得到各电池组评分为K 1=12.80、K 2=16.40、K 3=14.35、K 4=19.50、K 5=22.36、K 6=21.46,也就是对应G1、G2、G3、G4、G5、G6的评分;
所述步骤C的评价指标为:
其中,B i 为电池分组的故障率,由电池出厂信息而定,Q i 为电池分组调频相应时间,由电池出厂信息而定,f为当前电网频率,f 0为电网额定频率;α、β、χ、δ为各指标参量的权重系数,分别取0.3、0.0004、0.1、2;所述α对应为S Gi,c和S Gi,dis的权重系数,β对应为P Gi,max的权重系数,χ对应为B i 的权重系数,δ对应为Q i 的权重系数;B i -1表示为B i 的负一次方,Q i -1表示为Q i 的负一次方;
2.根据权利要求1所述的信息物理融合的电动汽车换电站网络双层控制方法,其特征在于:所述S10中的区域内动态信息,包括各车电分离式电动汽车的行驶位置、电池荷电状态、电池寿命和各道路交通状况。
3.根据权利要求1所述的信息物理融合的电动汽车换电站网络双层控制方法,其特征在于:所述S11中的求解各电动汽车的最佳换电地点和换电时间点,是以最小化换电站拥堵程度为目标函数,考虑各路段速度、行驶路程、不重复建议和换电速度这些约束条件,建立优化模型求解得到各电动汽车的最佳换电地点和换电时间点。
5.根据权利要求1所述的信息物理融合的电动汽车换电站网络双层控制方法,其特征在于:下层换电控制S11中的提供反馈信息,包括如下类型的反馈信息:车主同意并执行建议;车主拒绝建议并自行预约换电时间和换电地点;车主无应答。
6.根据权利要求1所述的信息物理融合的电动汽车换电站网络双层控制方法,其特征在于:上层调频控制S21中的对换电站网络中参与调频的电池进行聚类分组,采用K-means算法计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084740.8A CN112418742B (zh) | 2021-01-20 | 2021-01-20 | 信息物理融合的电动汽车换电站网络双层控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084740.8A CN112418742B (zh) | 2021-01-20 | 2021-01-20 | 信息物理融合的电动汽车换电站网络双层控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418742A CN112418742A (zh) | 2021-02-26 |
CN112418742B true CN112418742B (zh) | 2021-08-31 |
Family
ID=74783082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110084740.8A Active CN112418742B (zh) | 2021-01-20 | 2021-01-20 | 信息物理融合的电动汽车换电站网络双层控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418742B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326594B (zh) * | 2021-05-28 | 2023-08-01 | 南京工程学院 | 一种基于微观交通仿真的电动汽车换电站与电网互动方法及*** |
CN115051384B (zh) * | 2022-08-17 | 2022-11-15 | 国网浙江省电力有限公司湖州供电公司 | 一种调频性能评估方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105871029A (zh) * | 2016-05-20 | 2016-08-17 | 程伟 | 一种电动汽车有序充电智能管理***及有序充电控制方法 |
CN111091309A (zh) * | 2020-01-14 | 2020-05-01 | 中国电力科学研究院有限公司 | 一种电动汽车充电网络运行经济效益评价方法 |
CN111967696A (zh) * | 2020-10-23 | 2020-11-20 | 北京国新智电新能源科技有限责任公司 | 基于神经网络的电动汽车充电需求预测方法、***及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020122285A1 (ko) * | 2018-12-13 | 2020-06-18 | 주식회사 알고리고 | 전기차 충전소 점유 예측 인공신경망의 신경망 전이 장치 및 방법 |
CN111523722B (zh) * | 2020-04-20 | 2022-04-12 | 武汉大学 | 一种基于深度强化学习的智能充电站优化选择*** |
CN112238781B (zh) * | 2020-09-30 | 2021-10-22 | 国网河南省电力公司经济技术研究院 | 一种基于分层架构的电动汽车有序充电控制方法 |
-
2021
- 2021-01-20 CN CN202110084740.8A patent/CN112418742B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105871029A (zh) * | 2016-05-20 | 2016-08-17 | 程伟 | 一种电动汽车有序充电智能管理***及有序充电控制方法 |
CN111091309A (zh) * | 2020-01-14 | 2020-05-01 | 中国电力科学研究院有限公司 | 一种电动汽车充电网络运行经济效益评价方法 |
CN111967696A (zh) * | 2020-10-23 | 2020-11-20 | 北京国新智电新能源科技有限责任公司 | 基于神经网络的电动汽车充电需求预测方法、***及装置 |
Non-Patent Citations (2)
Title |
---|
电动汽车换电调度;尤鹏程;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20180815(第08期);第12-51页 * |
电动汽车负荷辅助电网调频控制策略研究;白子扬;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210115(第01期);第23-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112418742A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tao et al. | Orderly charging strategy of battery electric vehicle driven by real-world driving data | |
Wołek et al. | Ensuring sustainable development of urban public transport: A case study of the trolleybus system in Gdynia and Sopot (Poland) | |
Mohammed et al. | Review of optimal sizing and power management strategies for fuel cell/battery/super capacitor hybrid electric vehicles | |
CN104025367B (zh) | 蓄电池转移辅助装置及蓄电池转移辅助方法 | |
CN112418742B (zh) | 信息物理融合的电动汽车换电站网络双层控制方法 | |
CN111422094A (zh) | 分布式充电桩的充放电协调优化控制方法 | |
CN116001624A (zh) | 基于深度强化学习的一桩多联电动汽车有序充电方法 | |
CN110733370A (zh) | 一种基于双层优化算法的电动汽车充电站有序充电方法 | |
CN111798121B (zh) | 一种面向电动汽车能源管理调度的分布式协同优化方法 | |
CN110027440A (zh) | 一种基于v2g技术负荷高峰期的分层调度方法 | |
CN110378724A (zh) | 一种考虑用户充电需求转移的充电站选址定容策略 | |
CN112508292A (zh) | 一种基于模糊topsis法的智慧充电站选址优化方法 | |
CN110633847B (zh) | 一种基于模块分割式电池换电站的充电策略控制方法 | |
CN114039370A (zh) | 基于v2g模式的电动汽车与智能充放电站的资源优化方法 | |
Ni et al. | Hierarchical optimization of electric vehicle system charging plan based on the scheduling priority | |
Subramanya et al. | Exploiting battery storages with reinforcement learning: a review for energy professionals | |
CN115577938A (zh) | 一种电气化按需移动调度方法、装置及*** | |
Chatterjee et al. | Efficient energy management strategy for fuel cell hybrid electric vehicles using classifier fusion technique | |
CN107944712B (zh) | 基于电网结构坚强性的集中型换电站选址定容方法 | |
CN113222241B (zh) | 考虑充电服务引导与客户需求的出租车快充电站规划方法 | |
CN112736953B (zh) | 一种带有多目标优化的风储***储能容量配置设计方法 | |
CN115018206B (zh) | 一种新能源车电池包充电决策方法及装置 | |
CN111244990A (zh) | 一种配电网v2g辅助服务日前调度方法 | |
CN116111620A (zh) | 基于电动公交车的移动储能资源与配电网联合优化方法 | |
Bai et al. | Multi-objective planning for electric vehicle charging stations considering TOU price |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230802 Address after: Room 822, Room 406, No. 1, Yichang Street, Zhongxin Ciudad del Saber, Huangpu District, Guangzhou, Guangdong 510000 Patentee after: China Southern Power Grid Artificial Intelligence Technology Co.,Ltd. Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Patentee before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |