文章快速检索     高级检索
  山东大学学报(工学版)  2017, Vol. 47 Issue (6): 108-114  DOI: 10.6040/j.issn.1672-3961.0.2017.331
0

引用本文 

车长明, 张华栋, 李建祥, 袁弘, 刘海波. 需求侧规模化电动汽车的充电负荷优化调控策略[J]. 山东大学学报(工学版), 2017, 47(6): 108-114. DOI: 10.6040/j.issn.1672-3961.0.2017.331.
CHE Changming, ZHANG Huadong, LI Jianxiang, YUAN Hong, LIU Haibo. Optimization dispatch control strategy for charging load of large-scale electric vehicle on demand side[J]. Journal of Shandong University (Engineering Science), 2017, 47(6): 108-114. DOI: 10.6040/j.issn.1672-3961.0.2017.331.

作者简介

车长明(1985—),男,山东德州人,工程师,硕士,主要研究方向为电动汽车充换电技术. E-mail: jcm_518@163.com

文章历史

收稿日期:2017-06-27
网络出版时间:2017-11-22 10:54:19
需求侧规模化电动汽车的充电负荷优化调控策略
车长明1,2, 张华栋1, 李建祥1, 袁弘1, 刘海波2     
1. 国网山东省电力公司电力科学研究院, 山东 济南 250003;
2. 山东鲁能智能技术有限公司, 山东 济南 250101
摘要:针对电力需求侧电动汽车(electric vehicles, EV)用户充电行为的不确定性, 分析电动汽车充电负荷调度与控制技术, 构建电动汽车充电负荷调控优化模型, 提出考虑分时电价与削峰填谷的分层多目标电动汽车充电策略, 并对某区域内的1 000辆电动汽车的充电场景进行调控仿真试验。结果表明, 本研究提出的优化充电策略能够有效降低充电费用和充电功率峰值, 验证了所提出的优化调控策略的有效性。
关键词电动汽车    电力需求侧    调控策略    负荷预测    荷电状态    充电需求    
Optimization dispatch control strategy for charging load of large-scale electric vehicle on demand side
CHE Changming1,2, ZHANG Huadong1, LI Jianxiang1, YUAN Hong1, LIU Haibo2     
1. Electric Power Research Institute, State Grid Shandong Electric Power Company, Jinan 250003, Shandong, China;
2. Shandong Luneng Intelligence Technology Co., Ltd., Jinan 250101, Shandong, China
Abstract: In view of the uncertainty of the charging behavior of electric vehicle(EV) users, the electric vehicle charging schedule and control technology were analyzed, a model of regulation and optimization for electric vehicle charging load was built, a stratified multi-objective electric vehicle charging strategy considering time-of-use electricity price and peak load shifting was proposed, and a simulation experiment for scheduling control was implemented in charging scenario for 1 000 electric vehicles in a certain area. The results showed that the optimized charging strategy proposed in this study could effectively reduce the charging cost and charging power peak, and verify the effectiveness of the optimization strategy.
Key words: electric vehicles    power demand side    dispatch control strategies    load forecasting    state of charge    charging requirements    
0 引言

电力需求侧[1]电动汽车充电调控策略成为近年来国内外在新能源安全高效接入、智能微电网[2]中的应用和研究的热点之一, 许多发达国家都十分重视规模化电动车接入电网技术的相关研究, 尤其是电动汽车与电网互动(vehicle-to-grid, V2G)技术[3]

目前, 随着新能源技术的发展以及坚强智能电网的提出, 各国对电动汽车充放电控制策略与技术[4]开展了相关理论研究。国外针对电力需求侧电动汽车充电负荷特性及其对配电网的运行影响、充电负荷调控策略问题的研究主要以乘用车为对象, 通过各类调控策略优化算法对电力需求侧电动汽车有序、高效充电进行优化研究, 以降低设备损耗、响应阶梯电价[5]为目标进行优化, 从而实现电力需求侧电动汽车用户和电网双方利益的目标。在电动汽车充电关键技术研究方面, 国内已全面加快电动汽车充电设施[6]建设, 为了超越国外电动汽车的发展步伐, 目前我国正在积极研发电动汽车的充电调控策略。高校和研究机构对电力需求侧电动汽车充电负荷需求模型[7]和规模化电动汽车有序充电[8-11]调控策略开展了大量的研究工作。在电力需求侧电动汽车优化调控策略方面, 文献[12]提出了以响应电网分时电价为背景的基于填充低谷的集中充电调控优化算法; 文献[13-15]对需求侧电动汽车充电负荷预测方法开展了相关理论研究, 改善了预测准确度; 文献[16-20]针对电动汽车充电负荷优化调度模型、策略开展了相关理论研究, 提出了不同优化目标的优化调度解决方案; 文献[21-26]针对分布式能源、高速公路集中充电、虚拟电厂等场景的各类问题, 提出了含电动汽车充电负荷的优化调度算法与方案。

上述研究分析了电力需求侧电动汽车充电负荷特性及其对电网的影响, 构建了电力需求侧EV充电模型, 并结合电力需求侧分时电价研究了电动汽车充电算法, 但均未综合考虑电力需求侧分时电价与电网削峰填谷的多目标电动汽车充电优化调度策略研究。本研究针对电力需求侧对电动汽车在无序充电场景下, 电动汽车充电行为对配电网造成线路和变压器过载、增加系统电能损耗以及电能质量下降等问题, 在分析电力需求侧电动汽车充电需求的基础上, 对电力需求侧电动汽车充电负荷进行预测, 提出综合考虑电力需求侧分时电价与电网削峰填谷的多目标需求侧电动汽车充电优化调控策略, 并通过实验仿真与分析, 验证了本研究提出的需求侧电动汽车充电优化调控策略的可行性、有效性。

1 需求侧EV充电负荷需求分析与预测 1.1 EV充电负荷需求分析

需求侧EV充电站需考虑EV动力电池组的充电功率需求, 动力电池组的功率需求主要是由电池的初始荷电状态(state-of-charge, SOC)、电动汽车充电起始时刻、EV充电功率决定。电动汽车动力电池受行驶轨迹、用户的驾驶习惯、天气环境等因素的影响。而充电站面向服务对象是各种路况各种类型的电动汽车, 由于每条线路的地势、地貌、站点、线路人流量等的不同, 其换电时SOC也不同, 而且目前由于电池管理系统测量不精准, 因此无法预测到电池使用程度及充电时长。

本研究涉及的充电站服务对象是乘用车、多条线路的公交车, 每日车辆换电的情况比较随机, 如每个时段充电车辆的次数、充电前电池SOC的随机性, 这些均给建立充电站充电负荷带来了很多困难。图 1为负荷预测模型的研究内容。

图 1 充电站负荷需求 Figure 1 Load demand of charging station
1.2 EV充电负荷预测

假设充电站不控制电池的充电行为, 电池箱卸载上架即开始充电。需求侧电动汽车充电负荷的计算以24 h为单位, 将24 h细分为96个时间段, 每个时间段为15 min。第u时段需求侧电动汽车总充电负荷为所有电动汽车动力电池此刻充电功率之和, 需求侧电动汽车总充电功率

$ {{P}_{u}}=\frac{\sum\limits_{n=1}^{N\left( i+1 \right)}{{{P}_{n, u}}}}{\eta }, $ (1)

式中: n∈{1, 2, …, N(i+1)}; N(i+1)为预测日车辆换电总数, $N(i+\rm{1})=\sum\limits_{t=1}^{24}{{{S}_{t}}(i+\rm{1})}$ ; Puk时刻充电站的充电负荷功率, kW; Pn, u为第n辆车换电后电池箱在t时刻的充电功率, kW; u为时间序号, 取值范围为[1, 2, …, 96]。

计及蒙特卡洛模拟的需求侧电动汽车充电负荷预测及具体流程如下:

步骤1:系统从日换电车辆数BP模型中预测(i+1)日每时段换电车辆数St(i+1), 总计为N(i+1)。

步骤2:用蒙特卡洛方法抽取服从均匀分布的充电起始时刻t0, 并按照15 min取整并排序。

步骤3:得到充电起始时刻序列后, 用蒙特卡洛方法从高斯混合模型中抽取总计N(i+1)个车辆行驶里程d, 从而确定电池SOC, 0、充电量Ed

步骤4:输入充电站参数信息包含:充电机的充电功率、效率参数, 根据充电时长tc确定。

步骤5:参数确定后, 则进行需求侧电动汽车充电负荷迭代计算, 满足迭代结束条件时, 中止迭代过程。本研究采用基于方差系数对蒙特卡洛模拟精度进行评判, 具体表达式如式(2)。以各时间点中, 方差最大值作为判断依据。若满足迭代约束则停止计算, 否则继续。

$ {{\beta }_{\tau, u}}=\frac{{{\sigma }_{\tau, u}}}{{{h}_{\tau, u}}\sqrt{\tau }}。$ (2)

式中:βτ, u为第u时段充换电站充电负荷的方差系数; hτ, uστ, u分别为第u时段累计τ次迭代时充换电站充电负荷的期望及标准差; τ为当前迭代次数。充电站充电负荷预测及计算流程如图 2所示。

图 2 充电站充电负荷预测及计算流程 Figure 2 Charging load prediction and calculation process ofcharging station

本研究构建了电力需求侧电动汽车充电负荷模型, 考虑了5个关键因素:到站换电车辆数、电池箱起始充电时刻、电池换电前SOC、电池充电功率、充电时长, 并分别建立了对应的模型。仿真结果表明:

(1) 采用加入星期类型的BP神经网络预测日换电车辆数序列, 评估结果表明预测精度较高, 可用于日换电车辆数的预测。

(2) 提出采用高斯混合模型可较好的拟合车辆换电前的行驶里程, 间接反映车辆换电时的SOC, 0

(3) 仿真结果表明:基于蒙特卡洛模拟的充电负荷预测及负荷计算模型具有很好精度, 可反映一体化电站的充电负荷需求。

(4) 在获得预测日充电站的充电负荷曲线、日换电车辆数序列、换电车辆SOC, 0序列后, 可为后续一体化电站的有序充电提供研究基础。

(5) 提出的充电站负荷预测方法具有一定的普适性, 可应用于类似的服务于群体车辆的充电负荷预测。

2 EV充电负荷优化调控策略 2.1 调度优化模型

各个电动汽车充电站的能量管理系统主要用于对充电站内各电池充电机的优化运行调度, 大规模电动汽车充电站的特点是服务车辆和路线多且备用电池少, 同时还兼具电网辅助调频、应急供电、削峰填谷以及扰动功率平抑等功能。因此, 对电动汽车充电站内一定规模的动力电池组充放电行为进行优化调控, 可以在满足电动汽车运营的基本需求的前提下, 降低充电站的运营成本、确保电网供电质量、提高充电站经济效益。

根据需求侧电动汽车充电站的历史运营数据, 构建需求侧电动汽车充电负荷需求预测模型, 该模型考虑了影响电动公交车运行的实际因素, 如:天气、交通状况、司机驾驶习惯、电池容量。

将充电负荷需求预测数据作为充电优化调度模块的输入, 建立了两种充电优化调度模型, 分别为基于电动汽车用户充电成本最优的单目标充电优化调度模型、基于电网需求侧经济最优以及电网负荷波动最小的多目标需求侧电动汽车充电优化模型。需求侧电动汽车充电站运营管理单位可灵活选择。

基于上述充电负荷需求预测及充电优化调度策略, 电动汽车充电站的能量管理方法及系统可以实现电动公交车充电的经济运营, 为充电站运营提供指导。对电动汽车充电站中充电机的工作状态进行优化的前提是对负荷需求进行准确的预测。负荷需求预测的框架如图 3所示。此充电负荷需求模型更符合实际情况, 使得负荷预测精度更高。而采用单目标优化函数和多目标优化函数, 使得充电调度模型优化目标多样化, 灵活性好, 便于操作。

图 3 能量管理系统充电负荷需求模块的具体结构 Figure 3 Specific structure of charging load demand module ofenergy management system

图 4为需求侧电动汽车充电站的能量管理系统的流程框图, 主要包括需求侧电动汽车充电站调度优化单元、输入端的容量配置单元、需求侧电动汽车充电负荷需求预测单元和电网实时电价单元。充电站调度优化单元的输出用于连接充电调度输出单元; 容量配置模块用于配置充电站的基本信息; 充电负荷需求预测模块用于根据历史数据建立充电负荷需求预测模型; 外部电网电价模块用于输入当日配网实时电价信息; 需求侧电动汽车充电站调度优化单元用于容量配置单元、需求侧电动汽车充电负荷需求预测单元和电网实时电价单元的输出, 完成对目标充电优化模型进行计算, 获得充电机的最佳工作状态。

图 4 需求侧电动汽车充电站能量管理流程框图 Figure 4 Flow chart of energy management system for chargingstation of electric vehicles

本研究针对电力需求侧电动汽车在1 d内的充电优化策略, 不考虑对电网放电。为方便优化策略的叙述与实现, 将1 d分为N个相等的时段, 每段时长τ, 本研究取15 min, 则N=96。假定每个时段内的充电功率保持不变。

设1 d中共有M辆电动汽车在充电站中充电, 第j辆电动车到站时刻为tjarr, 假定这也是车接入充电站、可以开始充电的时刻。电动汽车离开的时刻为tjdep, 这个时刻通常在电动汽车接入充电站时会由用户指定, 充电时段为Tj。由于将1 d划分为多个时段, 因此用时段长度进行量化后, Tj应当是tjarr与tjdep之间的连序的若干个时段。

电动汽车m接入需求侧充电站时的初始荷电状态用Soc, jini 表示, 动力电池的容量用Cj表示。在电动汽车接入充电站后, 电动汽车用户通过充电结束时刻的电池荷电状态Soc, jend设置需要补给的电能数量。

本研究中使用的电价模型是国内广泛使用的峰谷电价模型, 它根据电力系统负荷曲线的变化将1 d分为多个时间段, 对不同时间段的负荷或电量, 按不同的价格计费, 设第i个时段(i∈ [1, N])的需求侧实时电价为Pi

2.2 优化调控策略

结合需求侧电动汽车充电负荷优化调度模型, 通过深入研究, 提出了计及多重优化目标的需求侧EV充电负荷优化调度策略。

2.2.1 第一级优化策略

(1) 目标函数

$ \mathop {\text{min}}\limits_x {f_1} = \sum\limits_{i = 1}^N {(\sum\limits_{j = 1}^M {{P_i}*{x_{ij}})} } , $ (3)

式中:xij是本层电动汽车充电负荷优化调控问题的决策变量, 表示充电功率, kW; i∈[1, N], j∈[1, M]。

(2) 约束条件

设第j辆车第i个时段末电动汽车动力电池的荷电状态为SOC, ij, 则有如下递推公式:

$ S{_{\text{OC},ij}} = S{_{\text{OC},i - 1, j}} + {x_{ij}}\eta /{C_j}, $ (4)

式中:SOC, 0j=SOC, j; η表示充电机效率。

对荷电状态的约束条件有:

$ 0.2 \leqslant S{_{\text{OC},ij}} \leqslant 0.8, \;\;\forall j \in [1, M], \;\;\forall i \in [1, N]。$ (5)

式(5)的含义为对所有的M辆电动汽车, 每辆电动汽车在各个时段的荷电状态均在[0.3, 0.9], 确保电池不过充过放。

为方便描述, 引入充电状态Sij(i∈[1, N], j∈ [1, M]), 其取值确定方式如下:如果第j辆电动汽车的充电时段Tj包含时段i, 则Sij=1, 否则Sij=0。

关于充电功率的约束条件:

$ \left\{ \begin{array}{l} {x_{\min }} \leqslant {x_{ij}} \leqslant {x_{\max }}, {S_{ij}} = 1;\\ {x_{ij}} = 0, {S_{ij}} = 0。\end{array} \right. $ (6)
$ \forall j \in [1, M], \;\;\forall k \in [1, N]。$ (7)

式(6~7)中xij表示第j辆车在第i个时段的充电功率。如果Tj包含时段i, 则可以进行充电, 否则表明电动汽车还未接入充电站或已经离开, 不能进行充电。

充电结束时的SOC约束:

$ S_{\text{OC},j}^{\text{end}} \leqslant S_{\text{OC},j}^{\text{ini}} + \sum\limits_{i = 1}^N {({x_{ij}}\eta )} /{C_j} \leqslant 0.8。$
2.2.2 第二级优化策略

按照峰谷电价将1 d分为R个电价时段, 每个时段内的电价维持不变, 则每个电价时段对应一个第二层优化的子问题。

以下为第r个子问题的模型。

目标函数

$ \mathop {\min }\limits_y {f_2} = \mathop {\max }\limits_i (\sum\limits_{j = 1}^M {{y_{ij}}} ), \;\;\forall i \in [{r_{{\rm{ini}}}}, {r_{{\rm{end}}}}], $ (8)

式中: yij表示子问题的决策变量, 第j辆车在第i时段的充电功率; rinirend分别表示第r个子时段的开始和结束, rini < rend并且rini, rend∈[1, N]。

这表明对任一子问题, 其优化目标是在子问题所在时段内, 使得所有电动汽车充电功率总和的最大值最小, 从而间接地限制了充电功率在子时段内的波动水平。

约束条件

$ \sum\limits_{i = {r_{{\rm{ini}}}}}^{{r_{{\rm{end}}}}} {{y_{ij}}} = \sum\limits_{i = {r_{{\rm{ini}}}}}^{{r_{{\rm{end}}}}} {{x_{ij}}}, \;\;\;\forall i \in [{r_{{\rm{ini}}}}, {r_{{\rm{end}}}}]。$ (9)

式(9)确保了第二层优化问题是在第r子时段内, 针对第一层优化得到的充电功率进行重新分配, 对任意第i个时段, 所有M辆电动汽车充电功率之和在进行第二层优化前后保持不变; 对任意第j辆车, 完成充电所需电费在第二层优化前后保持不变。

2.3 调控策略求解流程

调度策略的求解流程如图 5所示。

图 5 调度策略求解流程 Figure 5 Solving process of scheduled strategy
3 仿真分析

假定电动汽车充电时间为0:00:00~24:00:00, 一天被均分成96个时段, 各时段长15 min。电动汽车电池容量为150 kW·h, 充电功率为0~70 kW。电动汽车总数设为1 000辆, 电动汽车j的初始荷电状态SOC, jini在0.2~0.8之间均匀分布。

峰谷分时电价如表 1所示。

表 1 充电站用电价格 Table 1 Electricity prices of charging station

为验证优化调度方法的效果, 对优化前后进行对比分析。优化前的充电策略是“即插即充”的充电方式, 每一辆电动汽车到达充电站即开始以最大功率持续充电, 直至其SOC满足式。

图 6为优化过程对充电功率分布的影响, 优化前的充电策略中充电功率分布不受电价的影响, 与电动汽车到达时刻的分布形态相似。经过优化后, 电动汽车日内充电功率最大值较优化前有所降低, 充电功率在日内分布更加均匀。

图 6 优化前后充电功率分布 Figure 6 Power distributions before and after optimization

优化过程对充电费用分布的影响如图 7所示。

图 7 优化前后充电费用分布 Figure 7 Distributions of charge before and after optimization

表 2是对本研究提出的充电策略效果的总结, 变动比率以未优化的相应数值为基准计算。

表 2 优化前后充电效果对比 Table 2 Comparisons of charging effect before andafter optimization

由于第二层优化是在第一层优化结果的基础上在各个电价时段内分别进行功率再分配, 故充电功率、充电费用均发生变化。可见本研究提出的优化方法有效地降低了充电功率峰值和充电费用。

4 结论

大量电动汽车的接入可能为电网带来新的负荷高峰, 降低电网的运行效率和经济效益。本研究提出的针对电力需求侧电动汽车充电负荷的分时电价下分层多目标电动汽车充电策略, 将充电优化调度划分为两层:将电动汽车用户经济利益最大化的需求作为第一层的优化目标, 将第一层的最优解集作为第二层的可行域, 在第二层优化中降低充电功率峰值。充电策略的效果明显:在24 h总充电电费最小的同时, 负荷峰值也达到最低。最后对1 000辆电动汽车的充电过程进行了优化调度仿真试验。结果表明, 提出的优化充电策略能够有效降低充电功率峰值和充电费用。

参考文献
[1] 曾博, 杨雍琦, 段金辉, 等. 新能源电力系统中需求侧响应关键问题及未来研究展望[J]. 电力系统自动化, 2015, 39(17): 10-18
ZENG Bo, YANG Yongqi, DUAN Jinhui, et al. Key issues and research prospects for demand-side response in alternate electrical power systems with renewable energy sources[J]. Automation of Electric Power Systems, 2015, 39(17): 10-18 DOI:10.7500/AEPS20150408010
[2] 马艺玮, 杨苹, 王月武, 等. 微电网典型特征及关键技术[J]. 电力系统自动化, 2015, 39(8): 168-175
MA Yiwei, YANG Ping, WANG Yuewu, et al. Typical characteristics and key technologies of microgrid[J]. Automation of Electric Power Systems, 2015, 39(8): 168-175 DOI:10.7500/AEPS20140908002
[3] 孙毅, 贾孟扬, 陆俊, 等. 需求侧管理中面向居民用电的互动化评价模型[J]. 电力系统自动化, 2017, 41(13): 62-69
SUN Yi, JIA Mengyang, LU Jun, et al. Interactive evaluation model for residential electricity in demand side management[J]. Automation of Electric Power Systems, 2017, 41(13): 62-69 DOI:10.7500/AEPS20160826012
[4] 谭小波, 赵海, 彭海霞, 等. 电动汽车准实时协同充放电策略[J]. 电工技术学报, 2015, 30(13): 69-76
TAN Xiaobo, ZHAO Hai, PENG Haixia, et al. Quasi-real-time coordinated charging/discharging policy for electric vehicles[J]. Transactions of China Electrotechnical Society, 2015, 30(13): 69-76 DOI:10.3969/j.issn.1000-6753.2015.13.010
[5] 李明洋, 邹斌. 电动汽车充放电决策模型及电价的影响分析[J]. 电力系统自动化, 2015, 39(15): 75-81
LI Mingyang, ZOU Bin. Charging and discharging decision-making model of electric vehicles and influence analysis of electricity price[J]. Automation of Electric Power Systems, 2015, 39(15): 75-81 DOI:10.7500/AEPS20140728001
[6] 肖湘宁, 温剑锋, 陶顺, 等. 电动汽车充电基础设施规划中若干关键问题的研究与建议[J]. 电工技术学报, 2014, 29(8): 1-10
XIAO Xiangning, WEN Jianfeng, TAO Shun, et al. Study and recommendations of the key issues in planning of electric vehicles' charging facilities[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 1-10
[7] 张新松, 顾菊平, 袁越, 等. 电动汽车最优充电模型及其近似求解方法[J]. 中国电机工程学报, 2014, 34(19): 3148-3155
ZHANG Xinsong, GU Juping, YUAN Yue, et al. Optimum electric vehicle charging model and its approximate solving technique[J]. Proceedings of the CSEE, 2014, 34(19): 3148-3155
[8] 徐智威, 胡泽春, 宋永华, 等. 基于动态分时电价的电动汽车充电站有序充电策略[J]. 中国电机工程学报, 2014, 34(22): 3638-3646
XU Zhiwei, HU Zechun, SONG Yonghua, et al. Coordinated charging strategy for pev charging stations based on dynamic time-of-use tariffs[J]. Proceedings of the CSEE, 2014, 34(22): 3638-3646
[9] 苗世洪, 徐浩, 钱甜甜, 等. 扩展时间尺度下的电动汽车有序充电策略[J]. 中国电机工程学报, 2015, 35(23): 5959-5967
MIAO Shihong, XU Hao, QIAN Tiantian, et al. An ordered charging strategy for electric vehicles under an extended time scale[J]. Proceedings of the CSEE, 2015, 35(23): 5959-5967
[10] 王姝凝, 杨少兵. 居民小区电动汽车充电负荷有序控制策略[J]. 电力系统自动化, 2016, 40(4): 71-77
WANG Shuning, YANG Shaobing. A coordinated charging control strategy for electric vehicles charging load in residential area[J]. Automation of Electric Power Systems, 2016, 40(4): 71-77 DOI:10.7500/AEPS20150429013
[11] 张明霞, 田立亭. 一种基于需求分析的电动汽车有序充电实施架构[J]. 电力系统保护与控制, 2013, 41(3): 118-122
ZHANG Mingxia, TIAN Liting. A method to organize the charging of electric vehicle based on demand analysis[J]. Power System Protection and Control, 2013, 41(3): 118-122 DOI:10.7667/j.issn.1674-3415.2013.03.021
[12] 田文奇, 和敬涵, 姜久春, 等. 电动汽车充电负荷空间分配优化算法[J]. 电工技术学报, 2013, 28(3): 269-276
TIAN Wenqi, HE Jinghan, JIANG Jiuchun, et al. Electric vehicle charging load spatial allocation optimization algorith[J]. Transactions of China Electrotechnical Society, 2013, 28(3): 269-276
[13] 张洪财, 胡泽春, 宋永华, 等. 考虑时空分布的电动汽车充电负荷预测方法[J]. 电力系统自动化, 2014, 38(1): 13-20
ZHANG Hongcai, HU Zechun, SONG Yonghua, et al. A prediction method for electric vehicle charging load considering spatial and temporal distribution[J]. Automation of Electric Power Systems, 2014, 38(1): 13-20 DOI:10.7500/AEPS20130613009
[14] 杨冰, 王丽芳, 廖承林, 等. 含有耦合特性的电动汽车充电负荷计算方法[J]. 电力系统自动化, 2015, 39(22): 76-82
YANG Bing, WANG Lifang, LIAO Chenglin, et al. Charging load calculation method of large-scale electric vehicles with coupling characteristics[J]. Automation of Electric Power Systems, 2015, 39(22): 76-82 DOI:10.7500/AEPS20150115007
[15] 刘文霞, 龙日尚, 徐晓波, 等. 考虑数据新鲜度和交叉熵的电动汽车短期充电负荷预测模型[J]. 电力系统自动化, 2016, 40(12): 45-52
LIU Wenxia, LONG Rishang, XU Xiaobo, et al. Forecasting model of short-term EV charging load based on data freshness and cross entropy[J]. Automation of Electric Power Systems, 2016, 40(12): 45-52 DOI:10.7500/AEPS20150518007
[16] 潘振宁, 张孝顺, 余涛, 等. 大规模电动汽车集群分层实时优化调度[J]. 电力系统自动化, 2017, 41(16): 96-104
PAN Zhenning, ZHANG Xiaoshun, YU Tao, et al. Hierarchical real-time optimized dispatching for large-scale clusters of electric vehicles[J]. Automation of Electric Power Systems, 2017, 41(16): 96-104 DOI:10.7500/AEPS20160919012
[17] 杨晓东, 任帅杰, 张有兵, 等. 电动汽车可调度能力模型与日内优先调度策略[J]. 电力系统自动化, 2017, 41(2): 84-93
YANG Xiaodong, REN Shuaijie, ZHANG Youbing, et al. Schedulable ability model and priority-based intraday scheduling strategy for electric vehicle[J]. Automation of Electric Power Systems, 2017, 41(2): 84-93 DOI:10.7500/AEPS20160323006
[18] 黄伟, 熊伟鹏, 闫彬禹, 等. 不同时间尺度下虚拟微网优化调度策略[J]. 电力系统自动化, 2017, 41(19): 12-19
HUANG Wei, XIONG Weipeng, YAN Binyu, et al. Multi-time scale optimization scheduling strategy for virtual microgrid[J]. Automation of Electric Power Systems, 2017, 41(19): 12-19 DOI:10.7500/AEPS20170409001
[19] 孙辉, 沈钟浩, 周玮, 等. 主动配电网源荷协调多目标阻塞调度[J]. 电力系统自动化, 2017, 41(16): 88-95
SUN Hui, SHEN Zhonghao, ZHOU Wei, et al. Multi-objective congestion dispatch of active distribution network based on source-load coordination[J]. Automation of Electric Power Systems, 2017, 41(16): 88-95 DOI:10.7500/AEPS20170120015
[20] 顾伟, 任佳依, 高君, 等. 含分布式电源和可调负荷的售电公司优化调度模型[J]. 电力系统自动化, 2017, 41(14): 37-44
GU Wei, REN Jiayi, GAO Jun, et al. Optimal dispatching model of electricity retailers considering distributed generator and adjustable load[J]. Automation of Electric Power Systems, 2017, 41(14): 37-44 DOI:10.7500/AEPS20170217005
[21] 瞿凯平, 张孝顺, 余涛, 等. 基于知识迁移Q学习算法的多能源系统联合优化调度[J]. 电力系统自动化, 2017, 41(15): 18-25
QU Kaiping, ZHANG Xiaoshun, YU Tao, et al. Knowledge transfer based Q-learning algorithm for optimal dispatch of multi-energy system[J]. Automation of Electric Power Systems, 2017, 41(15): 18-25
[22] 李学平, 高菲, 卢志刚. 含高速公路集中充电站的双层经济调度[J]. 电力系统自动化, 2017, 41(14): 126-132
LI Xueping, GAO Fei, LU Zhigang. Bi-level economic dispatch considering expressway centralized charging station[J]. Automation of Electric Power Systems, 2017, 41(14): 126-132 DOI:10.7500/AEPS20161025008
[23] 孙国强, 袁智, 耿天翔, 等. 含电动汽车的虚拟电厂鲁棒随机优化调度[J]. 电力系统自动化, 2017, 41(6): 44-50
SUN Guoqiang, YUAN Zhi, GENG Tianxiang, et al. Robust stochastic optimal dispatching of virtual power plant containing plug-in electric vehicles[J]. Automation of Electric Power Systems, 2017, 41(6): 44-50
[24] 罗纯坚, 李姚旺, 许汉平, 等. 需求响应不确定性对日前优化调度的影响分析[J]. 电力系统自动化, 2017, 41(5): 22-29
LUO Chunjian, LI Yaowang, XU Hanping, et al. Influence of demand response uncertainty on day-ahead optimization dispatching[J]. Automation of Electric Power Systems, 2017, 41(5): 22-29 DOI:10.7500/AEPS20160702006
[25] 陈静鹏, 朴龙健, 艾芊, 等. 基于分布式控制的电动汽车分层优化调度[J]. 电力系统自动化, 2016, 40(18): 24-31
CHEN Jingpeng, PIAO Longjian, AI Qian, et al. Hierarchical optimal scheduling for electric vehicles based on distributed control[J]. Automation of Electric Power Systems, 2016, 40(18): 24-31 DOI:10.7500/AEPS20151002002
[26] 裴小兵, 陈慧芬, 张百栈, 等. 改善式BVEDA求解多目标调度问题[J]. 山东大学学报(工学版), 2017, 47(4): 25-30
PEI Xiaobing, CHEN Huifen, ZHANG Baizhan, et al. Improved bi-variables estimation of distribution algorithms for multi-objective permutation flow shop scheduling problem[J]. Journal of Shandong University(Engineering Science), 2017, 47(4): 25-30