CN112550047B - 一种充光储一体化充电站优化配置方法和装置 - Google Patents
一种充光储一体化充电站优化配置方法和装置 Download PDFInfo
- Publication number
- CN112550047B CN112550047B CN202011271558.5A CN202011271558A CN112550047B CN 112550047 B CN112550047 B CN 112550047B CN 202011271558 A CN202011271558 A CN 202011271558A CN 112550047 B CN112550047 B CN 112550047B
- Authority
- CN
- China
- Prior art keywords
- charging
- charging station
- soc
- time
- power
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004146 energy storage Methods 0.000 claims abstract description 74
- 238000009826 distribution Methods 0.000 claims abstract description 50
- 238000007599 discharging Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000005286 illumination Methods 0.000 claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims 2
- 101100518501 Mus musculus Spp1 gene Proteins 0.000 claims 1
- 230000010354 integration Effects 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010248 power generation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- -1 hydrogen Chemical class 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000037435 normal mutation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/50—Charging stations characterised by energy-storage or power-generation means
- B60L53/51—Photovoltaic means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/50—Charging stations characterised by energy-storage or power-generation means
- B60L53/53—Batteries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/64—Optimising energy costs, e.g. responding to electricity rates
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y02T90/12—Electric charging stations
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种充光储一体化充电站优化配置方法和装置,根据预先构建的电动汽车充电负荷模型、光伏出力模型和储能***模型以配电网峰谷差率最小和充电站能源依赖度最低为目标函数,计算得到在不同电网峰谷差率及能源依赖度下的充光储一体化充电站最优配置方案,根据所述配置方案对充电站进行充光储优化配置;约束条件为:功率平衡约束、充电站蓄电池荷电状态约束、充电站蓄电池充放电功率约束和设备数量约束;所述最优配置方案包括配置的储能电池容量和数量、光伏设备数量和变流设备的数量。充电站光储容量配置合理、新能源消纳率较高。
Description
技术领域
本发明属于充电配置技术领域,尤其涉及一种充光储一体化充电站优化配置方法和装置。
背景技术
随着全球工业化进程的不断加速,环境污染与能源短缺已成为我们亟待解决的问题,而在本世纪的能源革命进程中,以风能、太阳能等清洁能源代替传统化石能源发电已然成为一大趋势。大力发展可再生能源是各国面对能源短缺与环境污染等问题的必由之路。目前我国燃油汽车能源消耗占比巨大,且大量尾气排放带来了温室效应等污染问题。面对日益严峻的环境问题,电动汽车作为环境友好型交通工具迎来了发展机遇。近几年来,在《节能与新能源汽车产业发展规划(2012-2020年)》等一系列政策支持下,我国电动汽车保有量迅速增长,然而在电动汽车数量不断增长的同时,不少电动汽车用户仍反映存在着充电难等问题,电动汽车充电设施有待进一步完善。同时,电动汽车的逐步规模化对配电网的稳定运行也带来了一定的挑战。
针对上述问题,近年来越来越多的电动汽车充电站将光伏发电等分布式能源考虑在建站规划中。同时,在充电站中配置储能***能够有效提高经济效益,因此未来光伏、储能与充电设施一体化的电动汽车充电站潜藏着巨大的市场潜力。然而,光储容量配置不当会导致建站成本增大,电动汽车的随机充电很可能会导致配电网负荷出现峰上加峰的现象,不利于电网的稳定运行。目前我国充光储一体化项目建设仍处于探索阶段,新能源消纳率低、光储容量配置不合理,在充电站优化配置以及协调控制方面仍需进一步研究。
发明内容
为解决现有技术中的不足,本发明提供一种充光储一体化充电站优化配置方法和装置,解决了现有充电站光储容量配置不合理、新能源消纳率较低的问题。
为了实现上述目标,本发明采用如下技术方案:一种充光储一体化充电站优化配置方法,包括步骤:
根据预先构建的电动汽车充电负荷模型、光伏出力模型和储能***模型以配电网峰谷差率最小和充电站能源依赖度最低为目标函数,计算得到在不同电网峰谷差率及能源依赖度下的充光储一体化充电站最优配置方案,根据所述配置方案对充电站进行充光储优化配置;
约束条件为:功率平衡约束、充电站蓄电池荷电状态约束、充电站蓄电池充放电功率约束和设备数量约束;
所述最优配置方案包括配置的储能电池容量和数量、光伏设备数量和变流设备的数量。
进一步的,电动汽车充电负荷模型为:全天每一时刻的电动汽车充电负荷需求PEV(t),计算步骤包括:
随机生成符合电动汽车开始充电时间与初始电池荷电状态SOC概率分布的电动汽车初始状态;
计算电动汽车在站充电时长,并结合其开始充电时间得到其充电结束时间;
统计一天中每一时刻处于充电状态的电动汽车数量,累加得到全天每一时刻的电动汽车充电负荷需求;
所述电动汽车开始充电时间的分布函数fT(t)满足:
所述初始电池荷电状态SOC符合对数正态分布fS(s0)为:
电动汽车充电时长tc满足:
其中,ki为第i个时间段的比例系数;t为时间,ti、ti+1分别为第i个时间段和第i+1个时间段的初始时刻;Ai为第i时间段初始时刻电动汽车开始充电时间概率密度;s0为电动汽车到达充电站时初始SOC;μ为对数均值;σ为对数标准差;s1为充电终止SOC;Q为汽车电池容量;Pc为电动汽车充电功率;η为电动汽车充电效率。
进一步的,光伏出力模型为:
式中:PPV.th(t)为单块太阳能板理论发出功率;PSTC为单块太阳能板额定功率;GSTC为标准光照强度;TSTC为标准环境温度;G(t)为t时刻光照强度;TC(t)为t时刻太阳能电池板表面温度;TEN(t)为t时刻环境温度;k为功率温度系数。
进一步的,储能***模型为:
在蓄电池充电过程中:
SOC(t)=SOC(t-1)+PB.CηCΔt/EC
在蓄电池放电过程中:
SOC(t)=SOC(t-1)-PB.DΔt/(ECηD)
式中:SOC(t)、SOC(t-1)分别为蓄电池t、t-1时刻的蓄电池荷电状态;PB.C、PB.D分别为蓄电池充、放电功率;ηC、ηD为蓄电池充、放电效率;EC为蓄电池额定容量,Δt为时间差。
进一步的,配电网峰谷差率为:
式中:f1为配电网峰谷差率,Pmax与Pmin为配网负荷最大值与最小值;
充电站能源依赖度的目标函数为:f2=min(1-SSRE)
能源自给率SSRE为:
式中:T为总时刻,PPV(t)为t时刻光伏出力,PG(t)为t时刻电网向充电站提供的功率大小。
进一步的,功率平衡约束为:
当充电站蓄电池处于充电状态时:
PEV(t)/η1=PPV(t)η1+PG(t)η2+PB(t)/η1
当充电站蓄电池处于放电状态时:
PEV(t)/η1=PPV(t)η1+PG(t)η2+PB(t)η1
式中:PB(t)为充电站蓄电池充放电功率,放电时其值为正,充电时其值为负;η1、η2分别为蓄电池的DC/DC模块、AC/DC模块效率;
充电站蓄电池荷电状态约束为:
SOCmin≤SOC(t)≤SOCmax
式中:SOC(t)为t时刻的充电站蓄电池荷电状态,SOCmin、SOCmax分别为充电站蓄电池的最小、最大荷电状态;
充电站蓄电池充放电功率约束为:
|PB(t)|≤PB.max
式中:PB.max为充电站储能***DC/DC模块的最大功率;
设备数量约束为:
式中:NPV为光伏设备数量,NB为储能电池组数量,NDC1为光伏单向DC/DC模块数量,NDC2为充电站蓄电池双向DC/DC模块数量,NPV.max、NB.max、NDC1.max、NDC2.max分别为光伏设备数量、储能电池组数量、光伏DC/DC模块数量及储能DC/DC模块数量的数量上限。
一种充光储一体化充电站优化配置装置,包括:
预先构建模型模块,用于预先构建电动汽车充电负荷模型、光伏出力模型和储能***模型;
配置模块,用于根据预先构建的电动汽车充电负荷模型、光伏出力模型和储能***模型以配电网峰谷差率最小和充电站能源依赖度最低为目标函数,计算得到在不同电网峰谷差率及能源依赖度下的充光储一体化充电站最优配置方案,根据所述配置方案对充电站进行充光储优化配置;
约束条件为:功率平衡约束、充电站蓄电池荷电状态约束、充电站蓄电池充放电功率约束和设备数量约束;
所述最优配置方案包括配置的储能电池容量和数量、光伏设备数量和变流设备的数量。
进一步的,电动汽车充电负荷模型为:全天每一时刻的电动汽车充电负荷需求PEV(t),计算步骤包括:
随机生成符合电动汽车开始充电时间与初始电池荷电状态SOC概率分布的电动汽车初始状态;
计算电动汽车在站充电时长,并结合其开始充电时间得到其充电结束时间;
统计一天中每一时刻处于充电状态的电动汽车数量,累加得到全天每一时刻的电动汽车充电负荷需求;
所述电动汽车开始充电时间的分布函数fT(t)满足:
所述初始电池荷电状态SOC符合对数正态分布fS(s0)为:
电动汽车充电时长tc满足:
其中,ki为第i个时间段的比例系数;t为时间,ti、ti+1分别为第i个时间段和第i+1个时间段的初始时刻;Ai为第i时间段初始时刻电动汽车开始充电时间概率密度;s0为电动汽车到达充电站时初始SOC;μ为对数均值;σ为对数标准差;s1为充电终止SOC;Q为汽车电池容量;Pc为电动汽车充电功率;η为电动汽车充电效率;
光伏出力模型为:
式中:PPV.th(t)为单块太阳能板理论发出功率;PSTC为单块太阳能板额定功率;GSTC为标准光照强度;TSTC为标准环境温度;G(t)为t时刻光照强度;TC(t)为t时刻太阳能电池板表面温度;TEN(t)为t时刻环境温度;k为功率温度系数;
储能***模型为:
在蓄电池充电过程中:
SOC(t)=SOC(t-1)+PB.CηCΔt/EC
在蓄电池放电过程中:
SOC(t)=SOC(t-1)-PB.DΔt/(ECηD)
式中:SOC(t)、SOC(t-1)分别为蓄电池t、t-1时刻的蓄电池荷电状态;PB.C、PB.D分别为蓄电池充、放电功率;ηC、ηD为蓄电池充、放电效率;EC为蓄电池额定容量,Δt为时间差。
进一步的,配电网峰谷差率为:
式中:f1为配电网峰谷差率,Pmax与Pmin为配网负荷最大值与最小值;
充电站能源依赖度的目标函数为:f2=min(1-SSRE)
能源自给率SSRE为:
式中:T为总时刻,PPV(t)为t时刻光伏出力,PG(t)为t时刻电网向充电站提供的功率大小。
进一步的,功率平衡约束为:
当充电站蓄电池处于充电状态时:
PEV(t)/η1=PPV(t)η1+PG(t)η2+PB(t)/η1
当充电站蓄电池处于放电状态时:
PEV(t)/η1=PPV(t)η1+PG(t)η2+PB(t)η1
式中:PB(t)为充电站蓄电池充放电功率,放电时其值为正,充电时其值为负;η1、η2分别为蓄电池的DC/DC模块、AC/DC模块效率;
充电站蓄电池荷电状态约束为:
SOCmin≤SOC(t)≤SOCmax
式中:SOC(t)为t时刻的充电站蓄电池荷电状态,SOCmin、SOCmax分别为充电站蓄电池的最小、最大荷电状态;
充电站蓄电池充放电功率约束为:
|PB(t)|≤PB.max
式中:PB.max为充电站储能***DC/DC模块的最大功率;
设备数量约束为:
式中:NPV为光伏设备数量,NB为储能电池组数量,NDC1为光伏单向DC/DC模块数量,NDC2为充电站蓄电池双向DC/DC模块数量,NPV.max、NB.max、NDC1.max、NDC2.max分别为光伏设备数量、储能电池组数量、光伏DC/DC模块数量及储能DC/DC模块数量上限。
本发明所达到的有益效果:
1)本发明建立了电动汽车充电负荷模型,能够有效刻画一体化充电站能量交换模型;
2)综合考虑社会效益及环境效益方面,以配电网峰谷差率最小及充电站能源依赖度最低为目标,建立一体化充电站优化配置模型,能够有效降低充电站建设成本,提高经济效益,充电站光储容量配置合理、新能源消纳率较高。
3)针对模型多目标、非线性、多约束的特点采用NSGA-II算法进行优化求解得到Pareto解集,在不同峰谷差率及能源依赖度下能够选择对应的最优配置方案,对不同地区、不同规模的充电站建设均具有较强的普适性。
附图说明
图1是充光储一体化充电站示意图;
图2是充光储优化配置Pareto最优解集;
图3是能源依赖度为30%时充电站功率平衡图;
图4是能源依赖度为20%时充电站功率平衡图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1:
如图1所示,一种充光储一体化充电站,包括:光伏发电***、储能***、DC/DC模块、充电桩以及能量管理***,
光伏***由多组太阳能电池板串并联组成,电池板接收太阳能发电经DC/DC模块接入直流母线,电能主要用于电动汽车充电。储能***由电池组构成,通过双向DC/DC模块接入直流母线,当光伏***发电有剩余时,其储存电能,当光伏发电不足时,其释放电能。配电网***通过AC/DC模块与充电站连接,当充电站内部电能不能满足充电需求时由配电网经AC/DC模块接入充电负荷。能量管理***用于各单元能量的检测以及协调控制各单元能量流动。
为充分发挥光伏***的作用,提高可再生能源利用率,因此可定义净负荷如式(1)所示:
Pnet(t)=PEV(t)-PPV(t) (1)
式中:Pnet(t)、PEV(t)和PPV(t)分别为t时刻充电站净负荷、电动汽车充电负荷以及光伏出力。Pnet(t)大于0意味着仍有功率缺口,需由储能***或电网提供能量,小于0意味着多于能量可以向储能充电。
充电站***正常运行时,光伏发电主要用于电动汽车用户充电,当光伏发电有余时向储能***充电,若储能***已达到最大荷电状态则要弃光。当光伏发电不能满足充电需求时,储能***放电,若储能装置已达到最小荷电状态,则需向电网购电。考虑到分时电价的影响,储能***在辅助光伏发电满足充电负荷的同时,在夜间电价谷时可适当从配电网购电储能,第二天用于电动汽车充电,可降低充电站购电成本,提高经济效益。
一种充光储一体化充电站优化配置方法,包括步骤:
步骤1,建立电动汽车充电负荷模型、光伏出力模型和储能***模型;
1)电动汽车充电负荷模型:
电动汽车用户到达充电站的时间、荷电状态(SOC)等均具有较大随机性,而规模化的随机充电行为则会给配电网的电能质量、电压稳定性等带来一定影响,因此需建立数学模型来描述电动汽车的充电行为。本发明采用蒙特卡洛抽样模拟私家车抵达充电站的开始充电时间以及初始荷电状态以求取充电负荷功率。
1.1电动汽车开始充电时间
虽然电动汽车的充电行为具有随机性,但结合上下班交通高峰期时段以及加油站汽车用户的加油行为来分析,充电负荷仍具有一定规律性。本发明建立多时间窗概率密度函数来描述电动汽车开始充电时间。假设电动汽车开始充电时间的分布函数满足式(2):
式中:fT(t)为电动汽车开始充电时间的分布函数,ki为第i个时间段的比例系数;t为时间,ti、ti+1分别为第i个时间段和第i+1个时间段的初始时刻,如第i个时间段为[ti,ti+1);Ai为第i时间段初始时刻电动汽车开始充电时间概率密度。
本发明将到站时间分为7个时间段,分别为时段一0:00-6:00,时段二6:00-9:00,时段三9:00-13:00,时段四13:00-16:00,时段五16:00-19:00,时段六19:00-22:00,时段七22:00-24:00。取A1=0.012,k1=0,k2=0.005,k3=0.015,k4=-0.004,k5=0.002,k6=-0.023,k7=0。
1.2初始电池荷电状态SOC
电动汽车到达充电站时动力电池剩余电量具有一定随机性,可用电池荷电状态SOC反映。本发明假设电动汽车初始电池荷电状态(SOC)符合对数正态分布,如式(3)所示:
式中:fS(s0)为电动汽车到达充电站时初始SOC的对数正态分布函数,s0为电动汽车到达充电站时初始SOC;μ为对数均值;σ为对数标准差。考虑到电动汽车到达充电站时初始SOC常在10%与60%之间,可以取μ=3.2,σ=0.48。
1.3电动汽车在充电站的充电时长
电动汽车在充电站的充电时长由初始SOC、终止SOC以及充电功率决定,充电时长tc满足式(4):
式中:s1为充电终止SOC;Q为汽车电池容量;Pc为电动汽车充电功率;η为电动汽车充电效率。设汽车电池容量Q=30kWh,采用恒功率充电方式,充电倍率为市场常见的2C,即Pc=60kW,充电效率为0.8。考虑到动力电池充放电深度对电池寿命的影响,取电动汽车离开时的终止SOC均为0.9。
1.4计算全天每一时刻的电动汽车充电负荷需求PEV(t)
在建立电动汽车开始充电时间与初始电池荷电状态的概率模型基础上,采用蒙特卡洛算法模拟电动汽车用户的随机充电行为,进行规模化电动汽车充电负荷的建模:
1)采用蒙特卡洛法随机生成符合电动汽车开始充电时间与初始SOC概率分布的电动汽车初始状态;
2)根据式(4)求解电动汽车在站充电时长,并结合其开始充电时间可得到其充电结束时间;
3)在得到每辆电动汽车开始充电时间以及结束充电时间的基础上,统计一天中每一时刻处于充电状态的电动汽车数量,再累加即可得到全天每一时刻的电动汽车充电负荷需求PEV(t)。例如:1:00-1:30有一辆车充电,汽车充电功率为60kW,1:20-2:00有一辆车充电,汽车充电功率为60kW;那么可得:1:00-1:20,电动汽车充电负荷需求为60kW,1:20-1:30电动汽车充电负荷需求为120kW,1:30-2:00,电动汽车充电负荷需求为60kW。
2)光伏出力模型:
光伏电池板的输出功率与很多因素有关,如环境温度、天气类型以及辐射强度等,其中辐射强度与环境温度是影响光伏出力最大的两个因素。本发明采用光伏出力应用最广泛的简化计算模型。
式中:PPV.th(t)为单块太阳能板理论发出功率;PSTC为单块太阳能板额定功率(标准测试环境:光辐射1kW/m2,环境温度25℃);GSTC为标准光照强度;TSTC为标准环境温度;G(t)为t时刻光照强度;TC(t)为t时刻太阳能电池板表面温度;TEN(t)为t时刻环境温度;k为功率温度系数,一般取-0.47%。
3)储能***模型:
储能***的投入能够有效缓解光伏发电功率不稳定的问题,最大限度的减少弃光量,提高可再生能源的利用率。本发明仅考虑市场较为成熟的锂电池最为储能***的情况。锂电池的放电深度与电池寿命有很大关系,因此充电站运行过程中需对蓄电池的SOC实时监测。
在蓄电池充电过程中:
SOC(t)=SOC(t-1)+PB.CηCΔt/EC (7)
在蓄电池放电过程中:
SOC(t)=SOC(t-1)-PB.DΔt/(ECηD) (8)
式中:SOC(t)、SOC(t-1)分别为蓄电池t、t-1时刻的蓄电池荷电状态;PB.C、PB.D分别为蓄电池充、放电功率;ηC、ηD为蓄电池充、放电效率;EC为蓄电池额定容量,Δt为t、t-1时刻的时间差。
步骤2,根据预先构建的电动汽车充电负荷模型、光伏出力模型和储能***模型,以配电网峰谷差率最小和充电站能源依赖度最低为目标函数,建立一体化充电站优化配置模型,对充电站进行充光储优化配置。
充电站优化配置是指在满足一定充电负荷下,站内应该配置多少容量的储能电池,多少功率的光伏设备以及变流设备(DC/DC、AC/DC)等。对于充电站,光伏发电能够完全被充电负荷就地消纳是最理想的运行状态,然而这意味着建站时光伏设备的投入数量增大,建站成本增加。因此充电站的设备容量配置需从用户需求等多方面统筹考虑。
本发明综合考虑充电站社会效益以及环境效益方面,以配网峰谷差率以及站内能源依赖度为目标函数。
1)减小配网峰谷差率
充电站合理的容量配置方案能够有效缓解配电网压力,防止出现配网负荷“峰上加峰”现象,保证电网的安全稳定运行,而配网峰谷差率的大小能够体现容量配置对配网负荷的影响。因此,取配电网峰谷差率为优化目标:
式中:f1为配电网峰谷差率,Pmax与Pmin为配网负荷最大值与最小值。
2)提高能源自给率
为提高光伏设备的利用率,达到光储一体化充电站缓解环境压力的作用,定义光伏发出能量与充电站总消耗能量之比为能源自给率SSRE,则有:
f2=min(1-SSRE) (11)
式中:T为总时刻,PPV(t)为t时刻光伏出力,PG(t)为t时刻电网向充电站提供的功率大小,充电站能源依赖度目标函数f2能够反映充电站对电网能量的依赖程度,充电站能源自给率越大,其对电网能源依赖度越小。
3)约束条件
(1)功率平衡约束
当充电站蓄电池处于充电状态时:
PEV(t)/η1=PPV(t)η1+PG(t)η2+PB(t)/η1 (12)
当充电站蓄电池处于放电状态时:
PEV(t)/η1=PPV(t)η1+PG(t)η2+PB(t)η1 (13)
式中:PB(t)为充电站蓄电池充放电功率,放电时其值为正,充电时其值为负。η1、η2分别为DC/DC模块、AC/DC模块效率。
(2)充电站蓄电池荷电状态约束:
SOCmin≤SOC(t)≤SOCmax (14)
式中:SOC(t)为t时刻的充电站蓄电池荷电状态,SOCmin、SOCmax分别为充电站蓄电池的最小、最大荷电状态。
(3)充电站蓄电池充放电功率约束
|PB(t)|≤PB.max (15)
式中:PB.max为充电站储能***DC/DC模块的最大功率。
(4)设备数量约束
对一个充电站来说,受限于场地面积等因素,其光伏设备数量NPV、储能电池组数量NB、光伏单向DC/DC模块数量NDC1及充电站蓄电池双向DC/DC模块数量NDC2存在一定限制。
式中:NPV.max、NB.max、NDC1.max、NDC2.max分别为光伏设备数量、储能电池组数量、光伏变流模块(DC/DC模块)数量及储能变流模块数量上限。
一体化充电站优化配置模型即目标函数和约束条件。所述最优配置方案包括配置的储能电池容量和数量、光伏设备数量和变流设备的数量。
步骤3,带精英策略的快速非支配排序遗传算法
以配电网峰谷差率与充电站能源依赖度作为目标函数,进行一体化充电站的光储优化配置,具有多目标、非线性、多约束的特点,传统算法难以求得全局最优解。本发明采用带精英策略的快速非支配排序遗传算法(NSGA-II)进行优化求解。
NSGA-II算法是Deb等人于2002年提出的多目标优化算法,相较于非支配排序遗传算法(NSGA)算法其具有计算复杂度低、算法速度快、优化结果精度高等优点。首先,输入种群数量、迭代次数及决策变量范围等参数,并产生父代种群Pn;随机选择父代种群中的个体进行SBX(模拟二进制)交叉,采用正态变异算子进行计算得到子代种群Qn,将两代种群合并得Rn;计算Rn每一个体的目标函数值,对其个体进行快速非支配排序得到非支配层,计算个体拥挤度,按照拥挤度大的原则选取前N个得到新一代父代种群Pn+1;重复上述步骤,直至达到最大迭代次数。
本发明通过编程,定义NSGA-II算法中每个个体是由NPV、储能电池组数量NB、光伏单向DC/DC模块数量NDC1及充电站蓄电池双向DC/DC模块数量NDC2四个变量组成的向量。以充电站配电网峰谷差率以及站内能源依赖度为算法中个体适应度,在上文所提约束条件下进行迭代求解。最终可得充电站配置Pareto最优解集如图2所示,可给出在不同峰谷差率及能源自给率下的充光储一体化充电站最优配置方案。分别取能源依赖度为30%及20%配置情况进行仿真,可得结果如图3与图4所示。从图中可见,白天时段两种配置方案下的充电站运行情况相似,而在晚上19:00-21:00时段,图4所示配置方案中电网提供的能量明显小于图3,在提高充电站能源依赖度的同时能够有效降低配网峰谷差率。
实施例2:
一种充光储一体化充电站优化配置装置,包括:
预先构建模型模块,用于预先构建电动汽车充电负荷模型、光伏出力模型和储能***模型;
配置模块,用于根据预先构建的电动汽车充电负荷模型、光伏出力模型和储能***模型以配电网峰谷差率最小和充电站能源依赖度最低为目标函数,计算得到在不同电网峰谷差率及能源依赖度下的充光储一体化充电站最优配置方案,根据所述配置方案对充电站进行充光储优化配置;
约束条件为:功率平衡约束、充电站蓄电池荷电状态约束、充电站蓄电池充放电功率约束和设备数量约束;
所述最优配置方案包括配置的储能电池容量和数量、光伏设备数量和变流设备的数量。
进一步的,电动汽车充电负荷模型为:全天每一时刻的电动汽车充电负荷需求PEV(t),计算步骤包括:
随机生成符合电动汽车开始充电时间与初始电池荷电状态SOC概率分布的电动汽车初始状态;
计算电动汽车在站充电时长,并结合其开始充电时间得到其充电结束时间;
统计一天中每一时刻处于充电状态的电动汽车数量,累加得到全天每一时刻的电动汽车充电负荷需求;
所述电动汽车开始充电时间的分布函数fT(t)满足:
所述初始电池荷电状态SOC符合对数正态分布fS(s0)为:
电动汽车充电时长tc满足:
其中,ki为第i个时间段的比例系数;t为时间,ti、ti+1分别为第i个时间段和第i+1个时间段的初始时刻;Ai为第i时间段初始时刻电动汽车开始充电时间概率密度;s0为电动汽车到达充电站时初始SOC;μ为对数均值;σ为对数标准差;s1为充电终止SOC;Q为汽车电池容量;Pc为电动汽车充电功率;η为电动汽车充电效率;
光伏出力模型为:
式中:PPV.th(t)为单块太阳能板理论发出功率;PSTC为单块太阳能板额定功率;GSTC为标准光照强度;TSTC为标准环境温度;G(t)为t时刻光照强度;TC(t)为t时刻太阳能电池板表面温度;TEN(t)为t时刻环境温度;k为功率温度系数;
储能***模型为:
在蓄电池充电过程中:
SOC(t)=SOC(t-1)+PB.CηCΔt/EC
在蓄电池放电过程中:
SOC(t)=SOC(t-1)-PB.DΔt/(ECηD)
式中:SOC(t)、SOC(t-1)分别为蓄电池t、t-1时刻的蓄电池荷电状态;PB.C、PB.D分别为蓄电池充、放电功率;ηC、ηD为蓄电池充、放电效率;EC为蓄电池额定容量,Δt为时间差。
进一步的,配电网峰谷差率为:
式中:f1为配电网峰谷差率,Pmax与Pmin为配网负荷最大值与最小值;
能源自给率SSRE为:
f2=min(1-SSRE)
式中:T为总时刻,PPV(t)为t时刻光伏出力,PG(t)为t时刻电网向充电站提供的功率大小,目标函数f2反映充电站对电网能量的依赖程度。
进一步的,功率平衡约束为:
当充电站蓄电池处于充电状态时:
PEV(t)/η1=PPV(t)η1+PG(t)η2+PB(t)/η1
当充电站蓄电池处于放电状态时:
PEV(t)/η1=PPV(t)η1+PG(t)η2+PB(t)η1
式中:PB(t)为充电站蓄电池充放电功率,放电时其值为正,充电时其值为负;η1、η2分别为蓄电池的DC/DC模块、AC/DC模块效率;
充电站蓄电池荷电状态约束为:
SOCmin≤SOC(t)≤SOCmax
式中:SOC(t)为t时刻的充电站蓄电池荷电状态,SOCmin、SOCmax分别为充电站蓄电池的最小、最大荷电状态;
充电站蓄电池充放电功率约束为:
|PB(t)|≤PB.max
式中:PB.max为充电站储能***DC/DC模块的最大功率;
设备数量约束为:
式中:NPV为光伏设备数量,NB为储能电池组数量,NDC1为光伏单向DC/DC模块数量,NDC2为充电站蓄电池双向DC/DC模块数量,NPV.max、NB.max、NDC1.max、NDC2.max分别为光伏设备数量、储能电池组数量、光伏DC/DC模块数量及储能DC/DC模块数量数量上限。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种充光储一体化充电站优化配置方法,其特征在于,包括步骤:
根据预先构建的电动汽车充电负荷模型、光伏出力模型和储能***模型以配电网峰谷差率最小和充电站能源依赖度最低为目标函数,计算得到在不同电网峰谷差率及能源依赖度下的充光储一体化充电站最优配置方案,根据所述配置方案对充电站进行充光储优化配置;
约束条件为:功率平衡约束、充电站蓄电池荷电状态约束、充电站蓄电池充放电功率约束和设备数量约束;
所述最优配置方案包括配置的储能电池容量和数量、光伏设备数量和变流设备的数量;
配电网峰谷差率为:
式中:f1为配电网峰谷差率,Pmax与Pmin为配网负荷最大值与最小值;
充电站能源依赖度的目标函数为:f2=min(1-SSRE)
能源自给率SSRE为:
式中:T为总时刻,PPV(t)为t时刻光伏出力,PG(t)为t时刻电网向充电站提供的功率大小;
功率平衡约束为:
当充电站蓄电池处于充电状态时:
PEV(t)/η1=PPV(t)η1+PG(t)η2+PB(t)/η1
当充电站蓄电池处于放电状态时:
PEV(t)/η1=PPV(t)η1+PG(t)η2+PB(t)η1
式中:PEV(t)为电动汽车充电负荷需求,PB(t)为充电站蓄电池充放电功率,放电时其值为正,充电时其值为负;η1、η2分别为蓄电池的DC/DC模块、AC/DC模块效率;
充电站蓄电池荷电状态约束为:
SOCmin≤SOC(t)≤SOCmax
式中:SOC(t)为t时刻的充电站蓄电池荷电状态,SOCmin、SOCmax分别为充电站蓄电池的最小、最大荷电状态;
充电站蓄电池充放电功率约束为:
|PB(t)|≤PB.max
式中:PB.max为充电站储能***DC/DC模块的最大功率;
设备数量约束为:
式中:NPV为光伏设备数量,NB为储能电池组数量,NDC1为光伏单向DC/DC模块数量,NDC2为充电站蓄电池双向DC/DC模块数量,NPV.max、NB.max、NDC1.max、NDC2.max分别为光伏设备数量、储能电池组数量、光伏DC/DC模块数量及储能DC/DC模块数量的数量上限。
2.根据权利要求1所述的一种充光储一体化充电站优化配置方法,其特征在于,电动汽车充电负荷模型为:全天每一时刻的电动汽车充电负荷需求PEV(t),计算步骤包括:
随机生成符合电动汽车开始充电时间与初始电池荷电状态SOC概率分布的电动汽车初始状态;
计算电动汽车在站充电时长,并结合其开始充电时间得到其充电结束时间;
统计一天中每一时刻处于充电状态的电动汽车数量,累加得到全天每一时刻的电动汽车充电负荷需求;
所述电动汽车开始充电时间的分布函数fT(t)满足:
所述初始电池荷电状态SOC符合对数正态分布fS(s0)为:
电动汽车充电时长tc满足:
其中,ki为第i个时间段的比例系数;t为时间,ti、ti+1分别为第i个时间段和第i+1个时间段的初始时刻;Ai为第i时间段初始时刻电动汽车开始充电时间概率密度;s0为电动汽车到达充电站时初始SOC;μ为对数均值;σ为对数标准差;s1为充电终止SOC;Q为汽车电池容量;Pc为电动汽车充电功率;η为电动汽车充电效率。
4.根据权利要求1所述的一种充光储一体化充电站优化配置方法,其特征在于,储能***模型为:
在蓄电池充电过程中:
SOC(t)=SOC(t-1)+PB.CηCΔt/EC
在蓄电池放电过程中:
SOC(t)=SOC(t-1)-PB.DΔt/(ECηD)
式中:SOC(t)、SOC(t-1)分别为蓄电池t、t-1时刻的蓄电池荷电状态;PB.C、PB.D分别为蓄电池充、放电功率;ηC、ηD为蓄电池充、放电效率;EC为蓄电池额定容量,Δt为时间差。
5.一种充光储一体化充电站优化配置装置,其特征在于,包括:
预先构建模型模块,用于预先构建电动汽车充电负荷模型、光伏出力模型和储能***模型;
配置模块,用于根据预先构建的电动汽车充电负荷模型、光伏出力模型和储能***模型以配电网峰谷差率最小和充电站能源依赖度最低为目标函数,计算得到在不同电网峰谷差率及能源依赖度下的充光储一体化充电站最优配置方案,根据所述配置方案对充电站进行充光储优化配置;
约束条件为:功率平衡约束、充电站蓄电池荷电状态约束、充电站蓄电池充放电功率约束和设备数量约束;
所述最优配置方案包括配置的储能电池容量和数量、光伏设备数量和变流设备的数量;
配电网峰谷差率为:
式中:f1为配电网峰谷差率,Pmax与Pmin为配网负荷最大值与最小值;
充电站能源依赖度的目标函数为:f2=min(1-SSRE)
能源自给率SSRE为:
式中:T为总时刻,PPV(t)为t时刻光伏出力,PG(t)为t时刻电网向充电站提供的功率大小;
功率平衡约束为:
当充电站蓄电池处于充电状态时:
PEV(t)/η1=PPV(t)η1+PG(t)η2+PB(t)/η1
当充电站蓄电池处于放电状态时:
PEV(t)/η1=PPV(t)η1+PG(t)η2+PB(t)η1
式中:PEV(t)为电动汽车充电负荷需求,PB(t)为充电站蓄电池充放电功率,放电时其值为正,充电时其值为负;η1、η2分别为蓄电池的DC/DC模块、AC/DC模块效率;
充电站蓄电池荷电状态约束为:
SOCmin≤SOC(t)≤SOCmax
式中:SOC(t)为t时刻的充电站蓄电池荷电状态,SOCmin、SOCmax分别为充电站蓄电池的最小、最大荷电状态;
充电站蓄电池充放电功率约束为:
|PB(t)|≤PB.max
式中:PB.max为充电站储能***DC/DC模块的最大功率;
设备数量约束为:
式中:NPV为光伏设备数量,NB为储能电池组数量,NDC1为光伏单向DC/DC模块数量,NDC2为充电站蓄电池双向DC/DC模块数量,NPV.max、NB.max、NDC1.max、NDC2.max分别为光伏设备数量、储能电池组数量、光伏DC/DC模块数量及储能DC/DC模块数量上限
6.根据权利要求5所述的一种充光储一体化充电站优化配置装置,其特征在于,
电动汽车充电负荷模型为:全天每一时刻的电动汽车充电负荷需求PEV(t),计算步骤包括:
随机生成符合电动汽车开始充电时间与初始电池荷电状态SOC概率分布的电动汽车初始状态;
计算电动汽车在站充电时长,并结合其开始充电时间得到其充电结束时间;
统计一天中每一时刻处于充电状态的电动汽车数量,累加得到全天每一时刻的电动汽车充电负荷需求;
所述电动汽车开始充电时间的分布函数fT(t)满足:
所述初始电池荷电状态SOC符合对数正态分布fS(s0)为:
电动汽车充电时长tc满足:
其中,ki为第i个时间段的比例系数;t为时间,ti、ti+1分别为第i个时间段和第i+1个时间段的初始时刻;Ai为第i时间段初始时刻电动汽车开始充电时间概率密度;s0为电动汽车到达充电站时初始SOC;μ为对数均值;σ为对数标准差;s1为充电终止SOC;Q为汽车电池容量;Pc为电动汽车充电功率;η为电动汽车充电效率;
光伏出力模型为:
式中:PPV.th(t)为单块太阳能板理论发出功率;PSTC为单块太阳能板额定功率;GSTC为标准光照强度;TSTC为标准环境温度;G(t)为t时刻光照强度;TC(t)为t时刻太阳能电池板表面温度;TEN(t)为t时刻环境温度;k为功率温度系数;
储能***模型为:
在蓄电池充电过程中:
SOC(t)=SOC(t-1)+PB.CηCΔt/EC
在蓄电池放电过程中:
SOC(t)=SOC(t-1)-PB.DΔt/(ECηD)
式中:SOC(t)、SOC(t-1)分别为蓄电池t、t-1时刻的蓄电池荷电状态;PB.C、PB.D分别为蓄电池充、放电功率;ηC、ηD为蓄电池充、放电效率;EC为蓄电池额定容量,Δt为时间差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011271558.5A CN112550047B (zh) | 2020-11-13 | 2020-11-13 | 一种充光储一体化充电站优化配置方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011271558.5A CN112550047B (zh) | 2020-11-13 | 2020-11-13 | 一种充光储一体化充电站优化配置方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112550047A CN112550047A (zh) | 2021-03-26 |
CN112550047B true CN112550047B (zh) | 2022-05-10 |
Family
ID=75042233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011271558.5A Active CN112550047B (zh) | 2020-11-13 | 2020-11-13 | 一种充光储一体化充电站优化配置方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112550047B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553701B (zh) * | 2021-07-05 | 2022-04-26 | 福建时代星云科技有限公司 | 一种储充站仿真建模方法及终端 |
CN114156926A (zh) * | 2021-12-02 | 2022-03-08 | 国电南瑞科技股份有限公司 | 综合能源体容量配置方法及***、充电定价方法及*** |
CN114312426B (zh) * | 2021-12-30 | 2024-06-21 | 广东电网有限责任公司 | 一种净零能耗光储充电站优化配置方法、装置和存储介质 |
CN116451875A (zh) * | 2023-06-14 | 2023-07-18 | 国网吉林省电力有限公司经济技术研究院 | 光储充一体站容量优化配置方法 |
CN118214079A (zh) * | 2024-05-20 | 2024-06-18 | 国文电气股份有限公司 | 一种光储充荷检一体化智能微电网***及其控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876000A (zh) * | 2018-04-28 | 2018-11-23 | 国网江苏电力设计咨询有限公司 | 一种光伏充电站光、储、变压器容量协调优化配置方法 |
EP3689667A1 (en) * | 2019-01-30 | 2020-08-05 | Green Motion SA | Electrical vehicle charging station with power management |
CN111786411A (zh) * | 2020-07-14 | 2020-10-16 | 上海大学 | 考虑电压安全的配电网分布式发电及储能联合优化配置方法 |
CN111799827A (zh) * | 2020-05-20 | 2020-10-20 | 国网江苏省电力有限公司苏州供电分公司 | 一种含光储充电站的台区负荷调控方法 |
CN111864749A (zh) * | 2020-08-18 | 2020-10-30 | 国网湖南省电力有限公司 | 光伏***出力园区电动汽车充电方法、***及存储介质 |
CN111900727A (zh) * | 2020-07-15 | 2020-11-06 | 国网上海市电力公司 | 基于pso的光储充换一体化充电站协同优化调度方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107745650B (zh) * | 2017-10-26 | 2020-04-14 | 电子科技大学 | 一种基于峰谷分时电价的电动汽车有序充电控制方法 |
US10583750B1 (en) * | 2018-09-20 | 2020-03-10 | Honda Motor Co., Ltd. | Dealership energy management system for charging incoming customer vehicles with inventory vehicles and method thereof |
US10673380B2 (en) * | 2018-09-28 | 2020-06-02 | Johnson Controls Technology Company | Photovoltaic energy system with stationary energy storage control |
-
2020
- 2020-11-13 CN CN202011271558.5A patent/CN112550047B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876000A (zh) * | 2018-04-28 | 2018-11-23 | 国网江苏电力设计咨询有限公司 | 一种光伏充电站光、储、变压器容量协调优化配置方法 |
EP3689667A1 (en) * | 2019-01-30 | 2020-08-05 | Green Motion SA | Electrical vehicle charging station with power management |
CN111799827A (zh) * | 2020-05-20 | 2020-10-20 | 国网江苏省电力有限公司苏州供电分公司 | 一种含光储充电站的台区负荷调控方法 |
CN111786411A (zh) * | 2020-07-14 | 2020-10-16 | 上海大学 | 考虑电压安全的配电网分布式发电及储能联合优化配置方法 |
CN111900727A (zh) * | 2020-07-15 | 2020-11-06 | 国网上海市电力公司 | 基于pso的光储充换一体化充电站协同优化调度方法和装置 |
CN111864749A (zh) * | 2020-08-18 | 2020-10-30 | 国网湖南省电力有限公司 | 光伏***出力园区电动汽车充电方法、***及存储介质 |
Non-Patent Citations (1)
Title |
---|
一种基于直流微电网的电动汽车充电优化控制策略;徐青山;《电工技术学报》;20161231;第110-118页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112550047A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112550047B (zh) | 一种充光储一体化充电站优化配置方法和装置 | |
Lu et al. | Multi-objective optimal load dispatch of microgrid with stochastic access of electric vehicles | |
CN108173283B (zh) | 一种含风光可再生能源的热电联供***运行方法 | |
CN106887841B (zh) | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 | |
CN109301852B (zh) | 一种微电网分级多目标联合的经济调度方法 | |
CN103840457B (zh) | 考虑电动汽车充放电影响的配电网内dg优化配置方法 | |
CN105811409B (zh) | 一种含电动汽车混合储能***的微网多目标运行调度方法 | |
CN109449973B (zh) | 一种含光伏和储能的轨道交通供电***能量优化方法 | |
CN104158203B (zh) | 一种微电网电源容量优化配置方法 | |
CN106485358A (zh) | 结合序列运算和粒子群算法的独立微电网优化配置方法 | |
CN112418605A (zh) | 一种光储式充电站储能***优化运行方法 | |
CN105337315A (zh) | 一种风光蓄互补独立微电网高维多目标优化配置方法 | |
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*** | |
CN110752630A (zh) | 一种计及电池梯次利用的光储充电站容量优化仿真建模方法 | |
CN107919675B (zh) | 综合考虑车主和运营商利益的充电站负荷调度模型 | |
CN112131733A (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
CN111626527A (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 | |
CN111244988A (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
CN112070628B (zh) | 一种计及环境因素的智能电网多目标经济调度方法 | |
CN111064192A (zh) | 一种计及源荷不确定性的独立型微网容量优化配置方法 | |
CN116307087B (zh) | 考虑电动汽车充放电的微电网***储能优化配置方法和*** | |
Ma et al. | Real-time plug-in electric vehicles charging control for V2G frequency regulation | |
CN110098623B (zh) | 一种基于智能负载的Prosumer单元控制方法 | |
CN114725930A (zh) | 一种自适应电力***调度方法及装置 | |
CN107482675A (zh) | 一种基于离网型微网的电动汽车消纳可再生能源的计算方法 |
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 |