CN116316752A - 一种计及配电网承载力约束的电动汽车有序充电策略优化方法 - Google Patents
一种计及配电网承载力约束的电动汽车有序充电策略优化方法 Download PDFInfo
- Publication number
- CN116316752A CN116316752A CN202310152547.2A CN202310152547A CN116316752A CN 116316752 A CN116316752 A CN 116316752A CN 202310152547 A CN202310152547 A CN 202310152547A CN 116316752 A CN116316752 A CN 116316752A
- Authority
- CN
- China
- Prior art keywords
- bearing capacity
- distribution network
- load
- charging
- power distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013139 quantization Methods 0.000 claims abstract description 9
- 210000000349 chromosome Anatomy 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 4
- 238000013519 translation Methods 0.000 abstract description 3
- 230000003111 delayed effect Effects 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 description 8
- 230000003190 augmentative effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
- H02J3/472—For selectively connecting the AC sources in a particular order, e.g. sequential, alternating or subsets of sources
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提出了一种计及配电网承载力约束的电动汽车有序充电策略优化方法,属于于电力***运行控制技术领域,包括如下步骤:步骤1:建立配电网承载力约束量化模型;步骤2:以电动汽车负荷综合充电成本最小化为目标,设定约束条件,建立电动汽车有序充电策略优化模型;步骤3:基于配电网承载力约束量化模型,求解电动汽车有序充电策略优化模型,并进行评价。该方法通过价格信号的引导和控制措施的干预,实现电动汽车充电负荷在时空上的平移,挖掘配电网的承载力空间,提高配电设备利用率,延缓配网投资改造周期,避免因尖峰时刻负荷过大,造成配电设备重载或过载。
Description
技术领域
本发明涉及于电力***运行控制技术领域,具体是一种计及配电网承载力约束的电动汽车有序充电策略优化方法。
背景技术
随着电动汽车的大规模推广应用,电动汽车充电桩已经成为配电网中重要电力负荷。一方面,电动汽车作为在能源消费领域实施电能替代的技术载体,在节能减排、消纳分布式清洁能源发电方面具有显著的优势和规模化效应。另一方面,电动汽车充电负荷的急剧增长,也给配电网的供电承载能力提出了更高的要求,一些地区的配电网承载力难以满足尖峰时段电动汽车充电负荷的用电需求。而配电网线路、变压器等关键设备扩容改造成本大、时间周期长,且如果一味地通过扩容来满足尖峰时段充电负荷的用电需求,势必造成配电网设备利用率下降。
发明内容
本发明设计一种计及配电网承载力约束的电动汽车有序充电策略优化方法,通过价格信号的引导和控制措施的干预,实现电动汽车充电负荷在时空上的平移,挖掘配电网的承载力空间,提高配电设备利用率,延缓配网投资改造周期,避免因尖峰时刻负荷过大,造成配电设备重载或过载。
一种计及配电网承载力约束的电动汽车有序充电策略优化方法,包括如下步骤:
步骤1:建立配电网承载力约束量化模型;
步骤2:以电动汽车负荷综合充电成本最小化为目标,设定约束条件,建立电动汽车有序充电策略优化模型;
步骤3:基于配电网承载力约束量化模型,求解电动汽车有序充电策略优化模型,并进行评价。
进一步的,步骤1基于电动汽车充电负荷供电区域内母线电压、线路电流、变压器运行容量的限值,量化描述配电网的承载力约束,具体如下所示:
Ui,min≤Ui≤Ui,max,i=1…N (1)
Ij≤Ij,max,j=1…M (2)
Sk≤Sk,max,k=1…K (3)
上式中,Ui为节点i的母线电压;Ui,min为节点i的母线电压下限;Ui,max为节点i的母线电压上限;N为节点数目;Ij为线路j的电流;Ij,max为线路j的电流限值;M为线路数目;Sk为变压器k的运行容量;Sk,max为变压器k的运行容量限值,K表示变压器数目。
进一步的,步骤2以电动汽车负荷综合充电成本最小化为目标,基于分时价格信号,设定目标函数为:
上式中,minf表示电动汽车负荷综合充电成本最小值,t表示时刻,T为优化周期;V为充电桩数目;Ctou为分时电价信号;Pv为第v个充电桩的充电功率;PL为目标区域内常规负荷有功功率;Δt为单位时段时长;Cps为单位电量的惩罚成本;Ev为优化周期内受承载力限制未能满足的充电电量需求。
进一步的,步骤2约束条件包括配电网承载力约束,配电网承载力约束以承载力裕度η表示,
ηj(t)≥ηj,min,j=1…M (8)
ηk(t)≥ηk,min,k=1…K (9)
上式中,ηj为第j条线路的承载力裕度;ηj,min为第j条线路的承载力裕度限值;ηk为第k台变压器的承载力裕度;ηk,min为第k台变压器的承载力裕度限值。
进一步,步骤2约束条件包括充电桩容量约束,具体为:
0≤Pv(t)≤Pv,rate (10)
上式中,Pv,rate为第v个充电桩的额定充电容量。
进一步的,步骤2约束条件还包括充电负荷约束,具体为:
上式中,Pv0为第v个充电桩的初始充电需求;Ev为优化周期内受承载力限制未能满足的充电电量需求。
优选的,步骤3采用遗传算法求解电动汽车有序充电策略。
具体的,遗传算法求解电动汽车有序充电策略包括如下步骤:
步骤3.1A:在搜索空间上定义适应度函数AF=-min f,电动汽车负荷综合充电成本越小,适应度函数值越大;给定种群规模N1,交叉率Pc和变异率Pm,遗传代数T1;
步骤3.2A:以二进制编码的染色体s表示电动汽车时序充电负荷Pv(t)t=1,...T,随机产生N2个染色体个体s1,s2,…,sN2,组成初始种群S={s1,s2,…,sN2},置代数计数器t=1;
步骤3.3A:计算S中每个染色体个体的适应度AF;
步骤3.4A:若终止条件满足,则选取S中适应度最大的染色体个体;
步骤3.5A:按选择概率P(xi)所决定的选中机会,每次从S中随机选定1个个体并将其染色体复制,然后将复制所得的染色体组成群体S1;
步骤3.6A:按交叉率Pc所决定的参加交叉的染色体数c,从S1中随机确定c个染色体,配对进行交叉操作,并用产生的新染色体代替原染色体,得群体S2;
步骤3.7A:按变异率Pm所决定的变异次数m,从S2中随机确定m个染色体,分别进行变异操作,并用产生的新染色体代替原染色体,得群体S3;
步骤3.8A:将群体S3作为新一代种群,即用S3代替S,t=t+1,转步骤3.3A。
作为替代的,步骤3还可以采用神经网络求解电动汽车有序充电策略。
与现有技术相比,本发明的有益效果:
本发明提出一种计及配电网承载力的电动汽车有序充电策略优化方法,通过价格信号的引导和控制措施的干预,实现电动汽车充电负荷在时空上的平移,挖掘配电网的承载力空间,提高配电设备利用率,延缓配网投资改造周期,避免因尖峰时刻负荷过大,造成配电设备重载或过载。
1、本发明通过基于配电网线路、变压器等运行条件限值的建模,量化描述了电动汽车充电负荷接入下配电网承载力的约束。
2、本发明建立了电动汽车有序充电策略优化模型,在以分时电价信号下的电动汽车负荷综合充电成本最小化为目标的同时,考虑了配电网承载力、充电桩个数、容量限值、电力电量平衡等约束条件,在满足电动汽车充电负荷供电需求,减少电动汽车的充电成本的同时,充分利用了配电设备在不同时段的闲置容量,提高了配电设备的利用率。
3、本发明定义了配电网承载力裕度的量化指标,为计及配电网承载力的电动汽车有序充电策略的评价提供量化指标。
附图说明
图1是本发明的电动汽车有序充电策略优化方法流程图;
图2是未优化前充电负荷供需特性;
图3是优化后充电负荷供需特性。
具体实施方式
下面结合附图以及具体实施方法对本发明一种计及配电网承载力约束的电动汽车有序充电策略优化方法作进一步详细说明。
本发明提出一种计及配电网承载力的电动汽车有序充电策略优化方法。该方法以电动汽车负荷综合充电成本最小化为目标,基于分时价格信号,考虑配电网承载力、充电桩个数、容量等约束条件。如图1所示,具体模型与步骤如下所示:
步骤1:建立配电网承载力约束量化模型
此处基于电动汽车充电负荷供电区域内母线电压、线路电流、变压器运行容量的限值,量化描述配电网的承载力约束,具体如下所示:
Ui,min≤Ui≤Ui,max,i=1...N (1)
Ij≤Ij,max,j=1...M (2)
Sk≤Sk,max,k=1…K (3)
上式中,Ui为节点i的母线电压;Ui,min为节点i的母线电压下限;Ui,max为节点i的母线电压上限;N为节点数目;Ij为线路j的电流;Ij,max为线路j的电流限值;M为线路数目;Sk为变压器k的运行容量;Sk,max为变压器k的运行容量限值,一般取额定容量。
步骤2:建立电动汽车有序充电策略优化模型
该模型以电动汽车负荷综合充电成本最小化为目标,基于分时价格信号,考虑配电网承载力、充电桩个数、容量限值、电力电量平衡等约束条件,具体如下所示:
1.目标函数
上式中,T为优化周期;V为充电桩数目;Ctou为分时电价信号;Pv为第v个充电桩的充电功率;PL为目标区域内常规负荷有功功率;Δt为单位时段时长;Cps为单位电量的惩罚成本;Ev为优化周期内受承载力限制未能满足的充电电量需求。
2.电力电量平衡约束
上式中,PPG为目标区域内配电网网供电力功率;PDG为目标区域内分布式发电的有功功率;PL为目标区域内常规负荷有功功率;Pe为目标区域内第e个分布式储能设施的充电功率;Ploss为目标区域内配电网的网损。
3.配电网承载力约束
配电网承载力约束以承载力裕度表示:
ηj(t)≥ηj,min,j=1...M (8)
ηk(t)≥ηk,min,k=1...K (9)
上式中,ηj为第j条线路的承载力裕度;ηj,min为第j条线路的承载力裕度限值;ηk为第k台变压器的承载力裕度;ηk,min为第k台变压器的承载力裕度限值。承载力裕度反映了配电网当前的荷载状态:承载力裕度越大,说明配用电设备当前处于轻载状态,还有很大的承载力空间可以利用;承载力裕度越小,说明配用电设备荷载越重,当承载力裕度小于0时,说明配用电设备已经处于过载状态;因此,当承载力裕度低于一定限值时,***将告警,以避免设备过载造成安全事故。
4.充电桩容量约束
0≤Pv(t)≤Pv,rate (10)
上式中,Pv,rate为第v个充电桩的额定充电容量。
5.充电负荷约束
上式中,Pv0为第v个充电桩的初始充电需求;Ev为优化周期内受承载力限制未能满足的充电电量需求。
步骤3:电动汽车有序充电优化策略计算与评价
步骤3可以采用遗传算法求解电动汽车有序充电策略。
具体的,遗传算法求解电动汽车有序充电策略包括如下步骤:
步骤3.1A:在搜索空间上定义适应度函数AF=-min f,电动汽车负荷综合充电成本越小,适应度函数值越大;给定种群规模N1,交叉率Pc和变异率Pm,遗传代数T1;
步骤3.2A:以二进制编码的染色体s表示电动汽车时序充电负荷Pv(t)t=1,…T,随机产生N2个染色体个体s1,s2,…,sN2,组成初始种群S={s1,s2,…,sN2},置代数计数器t=1;
步骤3.3A:计算S中每个染色体个体的适应度AF;
步骤3.4A:若终止条件满足,则选取S中适应度最大的染色体个体;
步骤3.5A:按选择概率P(xi)所决定的选中机会,每次从S中随机选定1个个体并将其染色体复制,然后将复制所得的染色体组成群体S1;
步骤3.6A:按交叉率Pc所决定的参加交叉的染色体数c,从S1中随机确定c个染色体,配对进行交叉操作,并用产生的新染色体代替原染色体,得群体S2;
步骤3.7A:按变异率Pm所决定的变异次数m,从S2中随机确定m个染色体,分别进行变异操作,并用产生的新染色体代替原染色体,得群体S3;
步骤3.8A:将群体S3作为新一代种群,即用S3代替S,t=t+1,转步骤3.3A。
作为替代的,步骤3还可以采用神经网络求解电动汽车有序充电策略。采用神经网络求解电动汽车有序充电策略包括如下步骤:
步骤3.1B:定义增广Lagrange-Hopfield神经网络(ALHN:Augmented Lagrange-Hopfield Neural network)用于求解以式(4)为目标的电动汽车充电策略优化问题。ALHN的能量函数是增广的Lagrange函数,它通过Hopfield神经网络中的Hopfield关系项进行增广,从而克服了传统的Hopfield网络算法收敛速度慢的缺点。此处增广Lagrange能量函数定义为
式中,λ表示Lagrange乘子;β是惩罚因子。
步骤3.2B:初始化ALHN神经网络计算参数,主要包括:1)ALHN神经网络S型函数的形状参数σ,一般取100;2)能量函数中的惩罚因子β,一般取0001;3)算法中连续神经元步长更新系数ai和乘子神经元的更新步长系数aλ的取值根据实际情况进行调节。
步骤3.3B:基于ALHN神经网络进行迭代计算,迭代计算公式如下所示:
步骤3.3B:当最大误差小于预先给定的值或者达到最大迭代次数时,算法才会迭代终止,优化计算结束,输出结果。此处定义第n次迭代时的最大误差为:
具体的,以某社区电动汽车充电***为例,该社区配变容量为2500kVA;功率因数按0.9计,配变承载力裕度限值为5%,即该社区电力有功负荷超过2137.5kW时,配变承载力达到安全裕度告警值;社区内安装30kW单枪直流充电桩共30台,总充电容量900kW;网损按0.05计;惩罚系数按1.0¥/kWh计;典型日下该社区电力负荷场景及分时电价信息如下表所示。
表1典型日电力负荷场景及分时电价信息
(1)当不考虑充电策略的优化时,受社区配变承载力的影响,实际充电负荷特性如图2所示。总充电负荷需求为13501.6kWh;实际充电量为11719.51kWh;未满足充电负荷需求1782.085714kWh,社区计及惩罚成本的总供电费用为20620.91元。
(2)当采用本专利所提出的充电策略优化方法时,受社区配变承载力的影响,实际充电负荷特性如图3所示。总充电负荷需求为13501.6kWh;实际充电量为13501.6kWh;通过灵活调节,充电负荷需求全部满足,社区计及惩罚成本的总供电费用为19021.707元,在满足全部电动汽车充电负荷需求的基础上,节约供电成本1599.203元。
优化前后的各时段配变的承载力裕度如表2所示。由表可知:通过电动汽车充电策略的优化,实现了社区配变承载状态的合理分布。受承载力安全裕度5%的限制,优化后配变的承载力均保持在大于等于5%的安全裕度范围之内,避免了负荷高峰时段,社区配变处于过载和重载状态。
表2优化前后配变承载裕度对比分析
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种计及配电网承载力约束的电动汽车有序充电策略优化方法,其特征在于,包括如下步骤:
步骤1:建立配电网承载力约束量化模型;
步骤2:以电动汽车负荷综合充电成本最小化为目标,设定约束条件,建立电动汽车有序充电策略优化模型;
步骤3:基于配电网承载力约束量化模型,求解电动汽车有序充电策略优化模型,并进行评价。
2.根据权利要求1所述的一种计及配电网承载力约束的电动汽车有序充电策略优化方法,其特征在于:步骤1基于电动汽车充电负荷供电区域内母线电压、线路电流、变压器运行容量的限值,量化描述配电网的承载力约束,具体如下所示:
Ui,min≤Ui≤Ui,max,i=1…N (1)
Ij≤Ij,max,j=1…M (2)
Sk≤Sk,max,k=1…K (3)
上式中,Ui为节点i的母线电压;Ui,min为节点i的母线电压下限;Ui,max为节点i的母线电压上限;N为节点数目;Ij为线路j的电流;Ij,max为线路j的电流限值;M为线路数目;Sk为变压器k的运行容量;Sk,max为变压器k的运行容量限值,K表示变压器数目。
5.根据权利要求4所述的一种计及配电网承载力约束的电动汽车有序充电策略优化方法,其特征在于,步骤2约束条件包括充电桩容量约束,具体为:
0≤Pv(t)≤Pv,rate (10)
上式中,Pv,rate为第v个充电桩的额定充电容量。
7.根据权利要求6所述的一种计及配电网承载力约束的电动汽车有序充电策略优化方法,其特征在于,步骤3采用遗传算法求解电动汽车有序充电策略。
8.根据权利要求7所述的一种计及配电网承载力约束的电动汽车有序充电策略优化方法,其特征在于:遗传算法求解电动汽车有序充电策略包括如下步骤:
步骤3.1A:在搜索空间上定义适应度函数AF=-min f,电动汽车负荷综合充电成本越小,适应度函数值越大;给定种群规模N1,交叉率Pc和变异率Pm,遗传代数T1;
步骤3.2A:以二进制编码的染色体s表示电动汽车时序充电负荷Pv(t)t=1,…T,随机产生N2个染色体个体s1,s2,…,sN2,组成初始种群S={s1,s2,…,sN2},置代数计数器t=1;
步骤3.3A:计算S中每个染色体个体的适应度AF;
步骤3.4A:若终止条件满足,则选取S中适应度最大的染色体个体;
步骤3.5A:按选择概率P(xi)所决定的选中机会,每次从S中随机选定1个个体并将其染色体复制,然后将复制所得的染色体组成群体S1;
步骤3.6A:按交叉率Pc所决定的参加交叉的染色体数c,从S1中随机确定c个染色体,配对进行交叉操作,并用产生的新染色体代替原染色体,得群体S2;
步骤3.7A:按变异率Pm所决定的变异次数m,从S2中随机确定m个染色体,分别进行变异操作,并用产生的新染色体代替原染色体,得群体S3;
步骤3.8A:将群体S3作为新一代种群,即用S3代替S,t=t+1,转步骤3.3A。
9.根据权利要求8所述的一种计及配电网承载力约束的电动汽车有序充电策略优化方法,其特征在于:为了保证遗传算法能以概率为1收敛至全局最优解,在选择操作中引入保留算子β,即在选择操作前保留种群中的前β最优个体。
10.根据权利要求6所述的一种计及配电网承载力约束的电动汽车有序充电策略优化方
法,其特征在于:步骤3采用神经网络求解电动汽车有序充电策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310152547.2A CN116316752A (zh) | 2023-02-22 | 2023-02-22 | 一种计及配电网承载力约束的电动汽车有序充电策略优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310152547.2A CN116316752A (zh) | 2023-02-22 | 2023-02-22 | 一种计及配电网承载力约束的电动汽车有序充电策略优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116316752A true CN116316752A (zh) | 2023-06-23 |
Family
ID=86784467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310152547.2A Pending CN116316752A (zh) | 2023-02-22 | 2023-02-22 | 一种计及配电网承载力约束的电动汽车有序充电策略优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116316752A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117458487A (zh) * | 2023-12-25 | 2024-01-26 | 北京煦联得节能科技股份有限公司 | 基于柔性用电的智能变频充电桩调控方法及*** |
-
2023
- 2023-02-22 CN CN202310152547.2A patent/CN116316752A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117458487A (zh) * | 2023-12-25 | 2024-01-26 | 北京煦联得节能科技股份有限公司 | 基于柔性用电的智能变频充电桩调控方法及*** |
CN117458487B (zh) * | 2023-12-25 | 2024-03-15 | 北京煦联得节能科技股份有限公司 | 基于柔性用电的智能变频充电桩调控方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Optimal sizing of a wind-energy storage system considering battery life | |
Aghajani et al. | Multi-objective energy management in a micro-grid | |
Deb et al. | Charging coordination of plug-in electric vehicle for congestion management in distribution system integrated with renewable energy sources | |
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 | |
CN109103912A (zh) | 考虑电网调峰需求的工业园区主动配电***调度优化方法 | |
Qi et al. | Low-carbon community adaptive energy management optimization toward smart services | |
CN107590744B (zh) | 考虑储能和无功补偿的主动配电网分布式电源规划方法 | |
CN111030188A (zh) | 一种含分布式和储能的分层分级控制策略 | |
CN110518580A (zh) | 一种考虑微网主动优化的主动配电网运行优化方法 | |
CN109167347B (zh) | 基于云自适应粒子群多目标电动汽车充放电优化调度方法 | |
CN112308373A (zh) | 基于时空双层优化的电动汽车有序充放电调度模型及算法 | |
CN116316752A (zh) | 一种计及配电网承载力约束的电动汽车有序充电策略优化方法 | |
CN111445092A (zh) | 基于改进jaya算法的多微电网优化方法 | |
CN115001085A (zh) | 一种换电柜充电装置及其充电控制方法 | |
CN117578537A (zh) | 基于碳交易和需求响应的微电网优化调度方法 | |
Yang et al. | Capacity optimization of hybrid energy storage system for microgrid based on electric vehicles’ orderly charging/discharging strategy | |
Pan et al. | Dual‐Layer Optimal Dispatching Strategy for Microgrid Energy Management Systems considering Demand Response | |
CN114123256A (zh) | 一种适应随机优化决策的分布式储能配置方法及*** | |
CN117543581A (zh) | 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用 | |
CN116645089A (zh) | 一种考虑退役电池容量退化的储能***双层优化配置方法 | |
CN116073448A (zh) | 一种基于低碳效益的配电***源网荷储协同调峰方法 | |
CN110422074A (zh) | 一种电动汽车充电负荷估算及充电方式优化方法 | |
CN115693797A (zh) | 考虑v2g与需求响应的配电网调度方法、介质及*** | |
CN116316716A (zh) | 一种储能电站多阶段规划方法、计算机设备及存储介质 | |
CN114792199A (zh) | 一种考虑点对点电能交易的智能楼宇群协同优化调度方法 |
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 |