含随机负荷的微电网储能优化运行策略

供需两侧的随机性会对微电网的稳定运行产生影响,因此提出了一种调度策略以提高微电网的稳定性,降低运行成本。首先,利用蒙特卡罗方法建立电动汽车无序充电负荷模型,通过电量电价弹性矩阵确定电价与电动汽车充电负荷之间的函数关系。然后,建立微电网的运行成本、维护成本和污染治理成本最低的优化目标函数,结合可再生能源和负荷情况,分别使用双Q学习算法和Q学习算法设计调度策略,得到优化后的实时电价和调度方案。仿真结果表明,相比于Q学习算法,双Q学习算法在工作日和节假日情景下都得到了更加经济稳定的调度策略,且降低了微电网的经济成本。     

基于动态服务价的充电站有序充电控制方法

由于电动汽车的不断增长与不均衡发展,社会中的大多充电站存在着部分充电设施闲置与部分充电排队并存的现象。为了解决电动汽车充电困难与充电设施利用率低这一对新矛盾,本文首先调查分析了各种电动车辆的出行习惯和充电特点,然后对社会充电站归纳成城市公共充电站和公交物流车等专用充电站两类,提出了分时电价响应和动态服务价响应两种有序充电方式,并制定以风电、光伏等绿色新能源出力反向激励的动态服务价引导机制,建立了以用户充电费用最低为目标的数学模型。最后通过仿真分析,分时电价响应、动态服务价响应有序充电方式下均比无序充电方式降低负荷波动性,动态服务价响应有序充电方式能够有效提高西部地区绿色电能利用率,大幅减少弃风弃光,为环境保护、能源结构调整起到重要作用。     

住宅小区动态分时充电价格响应的电动汽车有序充电策略

在住宅小区传统建设模式下,充电桩安装难、配套投资大,严重阻碍了充电桩在小区内进行普及使用。为解决该问题,本文首先调研了住宅小区内的电动汽车用户的出行习惯和充电特点,提出了分时电价响应和动态服务价响应两种有序充电模式,然后以用户充电费用最低为目标建立了数学模型,并引入超小区配电变压器容量的惩罚因子,最后利用改进粒子群算法,仿真分析在无序充电、分时电价响应有序充电、动态服务价响应有序充电三种方式下的负荷波动性。算法仿真后,证明了所提出充电策略的正确性、有效性。最后,针对住宅小区公共、个人停车位充电桩,提出了住宅小区停车位安装充电桩响应有序充电建设方案,为今后住宅小区电动汽车实际应用充电提供了指导建议。     

实时电价下用户侧电力需求响应模型优化策略及数字仿真谈竹奎1,汪元芹2,赵菁2,刘斌1,刘敏2

为解决智能电网发展中用户参与电力市场运营的响应积极性以及用户收益最大化问题,本文在经济学原理基础上,引用需求价格弹性系数表征用户的用电量随电价的变化情况,建立实时电价下的用户负荷调节能力模型,根据该模型,进一步研究了基于实时电价的用户侧电力需求响应模型优化策略,考虑用户在不同响应场景和不同负荷调节潜力下的需求响应。解决供电与用电间的电力供需不平衡问题,实现用户积极响应及其利益最大化,并提高系统稳定性与安全性。以某地需求响应系统为例,对进入现货市场交易的用户进行数字仿真,通过算例分析表明该模型能有效改善用电负荷曲线,减小用户购电成本,验证了基于实时电价下的电力需求响应优化策略的优化效果。     

计及用户价格反应的可中断负荷电价

针对实施可中断负荷管理过程中存在的问题,以实时电价为基础,研究了考虑用户价格反应后的实时电价的特点,提出一个考虑用户价格反应的实时电价数学模型,来研究用户对实时电价的反应;同时通过建立交易双方基于自身利益最优的两个响应方程,为系统下一时段可中断负荷合同、电价折扣及可中断负荷电价的确定提供了依据.通过一个算例系统进行了仿真计算,结果表明该电价模型具有一定的应用价值.     

基于改进粒子群算法的电动汽车停车场V2G策略研究

为解决电动汽车大规模并网带来的一系列问题,国内外逐步在城市商业停车场内提供电动汽车充电服务。在此背景下,提出一种基于电动汽车并网技术的电动汽车充放电停车场模型。该模型响应实时电价,对电动汽车的充电并网行为进行动态调度,继而与电网进行能量交互。在求解电动汽车最优调度策略时采用粒子群优化算法,从可行性编码、自适应搜索半径、边界变异修正等方面进行改进,以提高算法的效率及收敛精度。仿真实验采用美国PJM公司的实时电价数据及主流电动汽车的型号参数,对比分析了3种不同情景下电动汽车停车场的运营过程及结果,验证了所提模型的合理性以及改进算法的有效性。     

基于单亲遗传算法混合动态规划的电动汽车充电调度优化策略

充电调度是电动汽车运营的一个重要内容,合理有效的充电策略在帮助运营商降低成本的同时还能减轻电网高峰时段的供电负担。从充电站运营商的角度出发,在实时电价和每个充电任务时间必须连续的假设下,建立了一个电动汽车充电成本最小模型,给出一个单亲遗传算法混合动态规划的两阶段常规充电调度算法。与电桩一旦闲置即刻分配车辆进行充电的策略以及传统单亲遗传算法相比较,该充电调度策略在电桩负载均衡的情况下有效降低了电费成本,说明了算法的有效性。此外,实验结果表现出了充电任务在多数相同时段聚集从而避开高电价时段的特征,说明充电策略对减轻高峰时段的电网压力也有一定帮助。     

计及评价指标冲突的电动汽车充电负荷区间预测

电动汽车充电负荷具有强随机性,且受电池容量与用户用车行为影响。为有效预测充电负荷时序分布,本文提出一种计及评价指标冲突的充电负荷区间预测方法。首先,该方法分析日间充电负荷间时序相关性,并用强相关历史日充电负荷数据构建充电负荷预测所需的特征集。接着,采用弯曲高斯过程（warped Gaussian process , WGP）方法,并结合多种协方差函数来构建多个充电负荷区间预测模型。为解决多指标评价存在冲突和仅选择最优的一个预测模型会出现极端误差问题,本文应用面积灰关联决策方法,对各模型开展计及评价指标冲突的综合评价,并依据获取的面积灰关联贴近度,构建电动汽车充电负荷组合区间预测模型。实验结果表明,本文提出的方法能够获得更精确、覆盖率更高的充电负荷预测区间。     

基于二阶圆锥规划的大规模电动汽车充电调度优化研究

提出一种基于二阶圆锥规划的大规模电动汽车充电调度优化策略。该策略能够在电力成本、需量充电、电池退化成本和负荷波动之间找到平衡点,结合约束函数,对电动汽车的充电调度进行优化,最终给出优化结果。使用ACNData数据集进行验证,实验结果表明,该充电调度优化策略,能大幅度地缓解电网在充电高峰期的压力,降低充电站基础设施的成本和电动汽车用户充电的成本,以及缓解电池的退化问题。     

计及峰谷电价的电动汽车负荷模型分析

大规模电动汽车无序接入配电网会导致电网负荷峰值增加。首先,本文通过分析电动汽车行驶特性,根据电动汽车电量需求、电池荷电状态、充放电功率等约束条件,基于电动汽车有序充放电概率模型和功率期望,构建最小负荷峰值目标函数。再通过遗传算法求解,以峰谷电价时间作为优化变量,得到优化前后的电网负荷曲线。然后分别研究了在不同峰谷电价时间以及在不同用户响应度下电网负荷曲线的变化,并与电动汽车无序充电时的负荷曲线进行对比。最后讨论分析了用户响应度和充电模式对电网负荷峰值的作用效果。     

插电式电动车有序充电调度控制算法研究

主要研究基于电动车参与的电网有序用电调度控制优化问题.首先,通过智能电表采集某地区历史电荷信息,并通过该信息对该地区未来24 h用电负荷进行动态预测.然后,基于当前实时居民用电负荷情况和已提交的充电订单信息,提出了一种智能有序充电调度控制算法,即根据订单信息对电动车进行有序编排,并在考虑居民实时用电负荷情况下,如果出现实时负荷超出变压器承受最大负荷的冲突,则需要考虑对充电编排做动态更新.所提出的基于智能电表有序充电系统在保证变压器稳定运行前提下,提高了充电效率,优化了谷峰差,从而实现了削峰填谷.最后,仿真结果验证了所提出算法的有效性.     

考虑风电消纳的居民小区电动汽车有序充电控制方法

随着电动汽车的保有量不断提升,其充电过程对电网的影响也不断加大。为降低电动汽车无序充电对电网的冲击,提升清洁风电的消纳,提出一种居民小区电动汽车有序充电控制方法。方法使用居民小区的电力预测信息与当地风电产生预测信息,计算获取理想风电消纳的小区电动汽车充电负荷参考曲线。在参考曲线的基础上,使用差分进化算法优化可以得到电动汽车充电功率预分配曲线。在实际应用的实时分配问题上,给出了合适的功率分配策略。最后通过算例仿真实验,验证了算法的有效性。仿真实验表明,提出的电动汽车有序充电控制方法具有较好的有效性和实用性。     

An Intelligent Energy Management Mechanism for Electric Vehicles

Electric vehicles (EVs) have become increasingly popular all over the world in recent years. Many countries have been offering reward policies and facilitating the establishment of EV charging stations and battery exchange stations to encourage use of these vehicles by the public. However, in terms of electricity demand, the rapid establishment of EV charging stations and battery exchange stations may lead to significant increases in peak loads, the contracted capacities, and basic electricity charges. In this work, an intelligent EV energy management mechanism is proposed to make use of scheduling systems for the charging stations in order to determine when to store electricity in batteries according to the real-time electricity price and the recharging requirements of EVs. Meanwhile, a recharging suggestion module is presented in this work for locating the most suitable charging station or battery exchange station for an EV according to the available information on hand. When an EV cannot reach any charging station because it is running out of electric power, a mobile CV management module is used to assist the EV to find a suitable mobile CV for recharging. Notably, a well-known machine learning technique, multiobjective particle swarm optimization, was employed in this work to assist in solving the multiobjective optimization problems during the design of an energy management mechanism. The experimental results show that the proposed mechanism can balance the loading of battery charging and exchange stations, and lower the load peak to keep electricity cost down. Meanwhile, the recharging suggestion module can decrease the driving distance of EVs for finding the charging stations, as well as decreasing the waiting time wasted while charging. The mobile CV management module, for its part, can effectively prevent EVs from becoming stranded on the road because they have run out of electricity.     

引导电动汽车用户驾驶行为的充电导航策略

电动汽车充电导航便于用户合理选择充电站,降低用户自身的时间成本和经济成本,缓解配电网端的负荷压力.在电网分时电价的基础上,考虑电动汽车充电路径的选择与车主的驾驶行为密切相关,通过对电动汽车的负荷设备分类建模,根据不同设备类型的重要程度及用户的电动汽车实际工况和地形因素,利用遗传算法分析最佳出行路径,提出以时间成本与经济成本之和最优为目标,引导用户驾驶行为的充电导航策略.在20kmtimes10km含3个充电站的区域内,通过3种不同充电导航策略仿真结果对比,验证所提出的导航策略的可行性和有效性.     

基于循环神经网络的空载电动出租车的充电桩推荐方法

提出了一种基于循环神经网络的空载电动出租车的充电桩推荐方法（CPRM-IET,charging pile recommendation method for idle electric taxis）,来为空载状态下的电动出租车推荐最佳充电桩。空载状态下的电动出租车移动一般依赖于驾驶人的潜意识移动倾向和驾驶习惯,因此需要根据其历史移动轨迹来预测其未来移动,从而找到充电额外移动最小的若干充电桩。在CPRM-IET中,使用了一种基于双阶段注意力机制的循环神经网络（DA-RNN,dual-stage attention-based recurrent neural network）模型来预测电动出租车的未来轨迹,DA-RNN模型包括输入注意力机制和时间注意力机制。输入注意力机制在每个时刻为输入的行驶记录分配权重,而时间注意机制为编码器的隐藏状态分配权重。根据预测轨迹,再选择额外移动最小的若干充电桩,并推荐给电动出租车驾驶人。仿真结果表明,CPRM-IET可以在额外移动和均方根误差方面取得较好的结果,反映了CPRM-IET可以准确地预测空载电动出租车的未来轨迹,并向这些电动出租车推荐合适的充电桩。     

Game‐Based Valley‐Fill Charging Coordination for Large‐Population Plug‐in Electric Vehicles

Charging coordination of large‐population autonomous plug‐in electric vehicles (PEVs) in the power grid can be formulated as a class of constrained optimization problems. To overcome the computational complexity, a game‐based method is proposed for the charging problems of the PEV population, which is composed of homogeneous subpopulations, such that individuals update their best charging strategies simultaneously with respect to a common electricity price determined by the total demand. To mitigate the oscillation behavior caused by the greedy behavior for the cheap electricity by individuals, a deviation cost is introduced to penalize against the deviation of the individual strategy from the average value of the homogeneous subpopulation. By adopting a proper deviation cost and following a best strategy update mechanism, the game systems may converge to the socially optimal valley‐fill Nash equilibrium. Simulation examples are studied to illustrate the results.     

基于多变量LS-SVM和模糊循环推理系统的负荷预测

智能电网环境下,电力需求响应的发展给传统用电模式带来重大变化,用户可以根据电能需求结合实时电价调整用电模式,这使得负荷预测变得更加复杂。通过相似日负荷序列局部形相似计算,选取样本数据,采用多输入双输出的最小二乘支持向量机(LS-SVM),对负荷和价格进行同时预测,得到初步预测结果。考虑需求响应条件下实时电价与负荷之间的相互影响,采用基于数据挖掘技术的模糊循环推理系统模拟人的思维过程,通过挖掘电价变化量、负荷变化量等变量之间的关联规则,模拟电价与负荷预测之间存在的博弈过程,对多变量最小二乘支持向量机预测算法的初步预测结果进行循环修改,直至负荷和电价预测结果趋于稳定。多变量最小二乘支持向量机不存在容易陷入局部最优等问题,并且有良好的泛化能力,基于改进的模糊关联规则挖掘算法和循环预测控制算法具有良好的完备性和鲁棒性,能够逼近现实环境的各种可能情况,修正负荷预测结果。针对某电网的实际预测结果表明,该方法具有较好的预测效果。     

基于轨迹数据的出租车充电站选址方法

针对目前电动汽车充电桩利用率低、充电站盈利困难的问题,提出了一种基于轨迹数据的出租车充电站选址方法.分析了出租车停留状态的轨迹数据特性,提取可支持车辆充电时长的出租车停留点.对停留点进行地图匹配,筛选掉在道路上的停留点.对非道路区域停留点进行聚类,得出多辆车停留密集区域作为充电站地点区域.分析了停留点的时间分布,以充电...     

Distributed dynamic pricing based on demand-supply balance and voltage phase difference in power grid

This paper discusses a distributed decision procedure for determining the electricity price for a real-time electricity market in an energy management system. The price decision algorithm proposed in this paper derives the optimal electricity price while considering the constraints of a linearized AC power grid model. The algorithm is based on the power demand-supply balance and voltage phase differences in a power grid. In order to determine the optimal price that maximizes the social welfare distributively and to improve the convergence speed of the algorithm, the proposed algorithm updates the price through the alternating decision making of market participants. In this paper, we show the convergence of the price derived from our proposed algorithm. Furthermore, numerical simulation results show that the proposed dynamic pricing methodology is effective and that there is an improvement in the convergence speed, as compared with the conventional method.