一种基于负荷裕度域的充换电站优化调度方法转让专利
申请号 : CN201910498114.6
文献号 : CN110197310B
文献日 : 2021-04-30
发明人 : 钟嘉庆 , 王一鸣 , 陈博 , 张晓辉
申请人 : 燕山大学
摘要 :
权利要求 :
1.一种基于负荷裕度域的充换电站优化调度方法,其特征在于,所述负荷裕度域是针对“风‑网‑车负荷”模型中的“充电电动汽车负荷”和“换电电池电荷量”两种负荷的不确定性提出“充电EV负荷裕度域”和“换电电池电荷量裕度域”两个指标,用于检测每日负荷变化,所述调度方法包括如下步骤:
建立充换电站的经济调度模型;
基于负荷裕度域,确定经济调度模型的约束条件;
根据所述约束条件,采用带收缩因子的粒子群优化算法求解所述经济调度模型,获取最优的充换电站调度策略;
基于所述最优的充换电站调度策略,进行充换电站的调度;
所述建立充换电站的经济调度模型,具体包括:建立充电站经济收益模型:
其中,F11为充电站经济收益,T为调度总时段,Csg(t)为t时段充电站向电网的售电电价;
Psg(t)表示t时段充电站向电网售电的功率;σt1为售电时段;Ccha(i,t)为第i台EVt时段的充电电价;Pcha(i,t)为第i台EVt时段的充电功率;σt2为充电时段;Cbg(t)表示t时段充电站从电网的购电电价;Pbg(t)为t时段充电站从电网购电的功率,kW;σt3为购电时段;Cdischa(i,t)为第i台EVt时段的放电电价;Pdischa(i,t)为第i台EVt时段的放电功率;σt4为放电时段,N1表示充电站中EV的台数;
建立换电站经济收益模型:F12=f1+f2;
其中,F12为换电站经济收益,f1为换电站每次提供换电服务时向EV用户收取的服务费用, N2为用户待使用的换电站电池组数;Crent(j,t)为第j组EV车载电池在时间段t的租赁费用;Cservice(j,t)为第j组EV租赁电池在时间段t的附加服务费用;σt5为一天之内租赁服务的总次数;f2为换电站按用户车辆当前电量进行计费的收益, Csale表示EV换电零售价;SOC(j,t)为第j台EV电池组t时段需要换电需求时电池的电荷量百分比;Sj为第j台EV电池组的额定容量,kW;
建立风电场经济收益模型:
其中,F13为风电场经济收益;N3为风电场的个数;P(k,t)表示第k个风电场在t时段的发电功率;Cwind为风电上网电价;Pact(k,t)为第k个风电场t时段的实际出力;σt6表示的是风电上网时段;Ppre(k,t)为第i个风电场t时段的预测出力;Cbc为风电场减少出力的惩罚费用系数;
根据所述充电站经济收益模型、所述换电站经济收益模型和风电场经济收益模型,建立充换电站的经济调度模型maxF1=F11+F12+F13。
2.根据权利要求1所述的基于负荷裕度域的充换电站优化调度方法,其特征在于,所述基于负荷裕度域,确定经济调度模型的约束条件,具体包括:确定EV充电功率的约束条件:0≤Pcha(i,t)≤Pchamax(i,t),其中,Pchamax(i,t)为第i台EV在t时段的最大充电功率;
确定EV放电功率的约束条件:0≤Pdischa(i,t)≤Pdischamax(i,t),其中,Pdischamax(i,t)为第i台EV在t时段的最大放电功率;
确定充电站购电功率的约束条件:0≤Pbg(t)≤Pbgmax(t),其中,Pbgmax(t)为t时段充换电站最大购电量;
确定充电站售电功率的约束条件:0≤Psg(t)≤Psgmax(t),其中,Psgmax(t)为t时段充换电站最大售电量;
确定换电电池电荷量的约束条件:SOCmin≤SOC(j,t)≤SOCmax,其中,SOCmin和SOCmax分别表示换电池电荷量的最大值和最小值;
基于负荷裕度域,确定充换电站总功率的约束条件:其中,Pmin(d)和
Pmax(d)分别表示第d天充换电站总功率的最大值和最小值;
确定风电场输出功率约束条件:0≤Pact(k,t)≤Ppre(k,t)≤PN(k),其中,PN(k)为风电场k的装机容量。
3.根据权利要求2所述的基于负荷裕度域的充换电站优化调度方法,其特征在于,所述基于负荷裕度域,确定换电电池电荷量的约束条件,具体包括:根据第M‑1天的历史数据计算第M‑1天的负荷下限Pmin(M‑1)、负荷上限Pmax(M‑1)和充换电负荷裕度域Pλ(M‑1);根据第M天的历史数据计算第M天的负荷下限Pmin(M)、负荷上限Pmax(M)和充换电负荷裕度域Pλ(M);
根据第M‑1天的负荷下限和充换电负荷裕度域,利用公式P(M‑1)=Pmin(M‑1)+Pλ(M‑1),计算第M‑1天的负荷裕度值P(M‑1),根据第M天的负荷下限Pmin(M)和充换电负荷裕度域Pλ(M),利用公式P(M)=Pmin(M)+Pλ(M),计算第M天的负荷裕度值P(M);
判断第M天的负荷裕度值是否大于第M‑1天的负荷裕度值,得到第一判断结果;
若所述第一判断结果为第M天的负荷裕度值不大于第M‑1天的负荷裕度值,则利用公式Pmax(M+1)=Pmin(M)+2K1*Pλ(M)对第M天的负荷裕度值进行填谷计算,得到第M+1天的负荷上限Pmax(M+1),并令Pmin(M+1)=Pmin(M)得到第M+1天的负荷下限Pmin(M+1);其中,K1为填谷系数;
若所述第一判断结果为第M天的负荷裕度值大于第M‑1天的负荷裕度值,则利用公式Pmin(M+1)=Pmax(M)‑2K2*Pλ(M)对第M‑1天的负荷裕度值进行削峰计算,得到第M+1天的负荷下限Pmin(M+1),并令Pmax(M+1)=Pmax(M),得到第M+1天的负荷上限Pmax(M+1);其中,K2为削峰系数;
判断M+1是否小于d,得到第二判断结果;
若所述第二判断结果为M+1小于d,则根据第M+1天的负荷上限和负荷下限,利用公式计算第M+1天的负荷裕度值P(M+1),并将M的数值增加1,返回步骤“判断第M天的负荷裕度值是否大于第M‑1天的负荷裕度值,得到第一判断结果”,其中,K表示负荷裕度系数;
若所述第二判断结果为M+1不小于d,则将第M+1天的负荷上限和负荷下限分别设置为第d天的充换电站总功率的最大值和最小值。
4.根据权利要求3所述的基于负荷裕度域的充换电站优化调度方法,其特征在于,所述根据第M‑1天的历史数据确定第M‑1天的负荷下限Pmin(M‑1)、负荷上限Pmax(M‑1)和充换电负荷裕度域Pλ(M‑1),具体包括:根据第M‑1天的历史数据,利用公式确定第M‑1天的充电负荷下限Pchamin(M‑1);其中,Pcha(i,M‑1,t)表示第M‑1天的第t时间段第i台EV的充电功率;
根据第M‑1天的历史数据,利用公式确定第M‑1天的放电负荷下限
Pchangemin(M‑1);其中,Pchange(j,M‑1,t)表示第M‑1天的第t时间段第j组EV车载电池的换电功率;
根据第M‑1天的历史数据,利用公式确定第M‑1天的充电负荷上限Pchamax(M‑1);
根据第M‑1天的历史数据,利用公式确定第M‑1天的放电负荷上限
Pchangemax(M‑1);
根据第M‑1天的充电负荷下限和第M‑1天的放电负荷下限,利用公式Pmin(M‑1)=Pchamin(M‑1)+Pchangemin(M‑1),计算第M天的负荷下限Pmin(M‑1);
根据第M‑1天的充电负荷上限和第M‑1天的放电负荷上限,利用公式Pmax(M‑1)=Pchamax(M‑1)+Pchangemax(M‑1),计算第M‑1天的负荷上限Pmax(M‑1);
根据第M‑1天的负荷上限和第M‑1天的负荷下限,利用公式计算第M‑1天的充换电负荷裕度域Pλ(M‑1)。
5.根据权利要求3所述的基于负荷裕度域的充换电站优化调度方法,其特征在于,所述根据第M‑1天的历史数据计算第M‑1天的负荷下限Pmin(M‑1)、负荷上限Pmax(M‑1)和充换电负荷裕度域Pλ(M‑1),之前还包括:令第一迭代次数s=0;
根据第M‑s天的历史数据,计算第M‑s天的负荷标准差;
判断第M‑s天的负荷标准差是否在预设区间内,得到第三判断结果;
若所述第三判断结果表示第M‑s天的负荷标准差不在预设区间内,则将第一迭代次数的数值增加1,返回步骤“根据第M‑s天的历史数据,计算第M‑s天的负荷标准差”;
若所述第三判断结果表示第M‑s天的负荷标准差在预设区间内,则将第M天的历史数据替换为第M‑s天的历史数据;
令第二迭代次数l=0;
根据第M‑s‑l天的历史数据,计算第M‑s‑l天的负荷标准差;
判断第M‑s‑l天的负荷标准差是否在预设区间内,得到第四判断结果;
若所述第四判断结果表示第M‑s‑l天的负荷标准差不在预设区间内,则将第二迭代次数的数值增加1,返回步骤“根据第M‑s‑l天的历史数据,计算第M‑s‑l天的负荷标准差”;
若所述第四判断结果表示第M‑s‑l天的负荷标准差在预设区间内,则将第M‑1天的历史数据替换为第M‑s‑l天的历史数据。
6.根据权利要求3所述的基于负荷裕度域的充换电站优化调度方法,其特征在于,所述确定充换电站总功率的约束条件,之后还包括基于可信性理论,将充换电站总功率的约束条件转化为不确定的等价形式为:或
其中,γ为置信水平,(pt3,pt4)为EV负荷预测值,(pw3,pw4)为并网运行风电场的出力预测值,(θ3,θ4)表示比例系数,Pchange(j,t)为第j辆EVt时段的换电电池电荷量,Pwind(k,t)为第k个风电场t时段的风电出力,w表示第w个风电场,Ωw表示所有风电场集合。
7.根据权利要求1所述的基于负荷裕度域的充换电站优化调度方法,其特征在于,所述根据所述约束条件,采用带收缩因子的粒子群优化算法求解所述经济调度模型,获取最优的充换电站调度策略,具体包括:
根据约束条件,初始化粒子群中每个粒子的速度、位置和适应度函数值,及粒子群的个体最优值和群体最优值;
m+1 m m m
利用带有收缩因子的速度更新公式v(n) =φ{v(n) +c1r1[pbest ‑X(n) ]+c2r2m
[gbest‑X(n) ]},更新每个粒子的速度;其中,φ为收缩因子, C=c1m+1 m
+c2,c1和c2分别表示第一学习因子和第二学习因子;v(n) 和v(n) 表示第m+1次迭代和第mm m
次迭代的第n个粒子的速度,X(n)表示第m次迭代的第n个粒子的位置;pbest表示第m次迭代的个体最优值;gbest表示群体最优值;r1和r2分别为[0,1]范围内的第一随机数和第二随机数,C表示第一学习因子与第二学习因子的和;
m+1 m m+1 m+1
利用位置更新公式X(n) =X(n)+v(n) ,更新每个粒子的位置,其中,X(n) 表示第m+1次迭代的第n个粒子的位置;
根据每个粒子的速度和位置,计算所述经济调度模型,计算每个粒子的适应度函数;
将所述适应度函数值最大的粒子设置为个体最优值,判断所述个体最优值是否大于上一次迭代过程中的群体最优值,得到第五判断结果;
若所述个体最优值大于上一次迭代过程中的群体最优值,则将所述个体最优值设置为群体最优值;
判断迭第三代次数是否小于预设阈值,得到第六判断结果;
若所述第六判断结果表示第三迭代次数小于预设阈值,则第三迭代次数增加1,返回步m+1 m m m
骤“利用带有收缩因子的速度更新公式v(n) =φ{v(n) +c1r1[pbest ‑X(n) ]+c2r2m
[gbest‑X(n) ]},更新每个粒子的速度”;
若所述第六判断结果表示第三迭代次数不小于所述预设阈值,则将群体最优值的位置设置为最优的充换电站调度策略。
说明书 :
一种基于负荷裕度域的充换电站优化调度方法
技术领域
背景技术
过电网供电。然而由于人们的生活节奏加快,用户需求情况发生改变,近几年产生了“换电
站”充电形式。
广泛的重视和大力的发展,许多国家更是将发展电动汽车提高到了国家发展的战略高度。
电动汽车作为一种交通工具开始逐渐代替传统的燃油汽车,许多学者和机构将电动汽车视
为汽车工业和未来城市交通发展的方向,但是如何对充换电的调度,以提高充换电站在运
行过程中的经济效益和稳定性,成为一个亟待解决的技术问题。
发明内容
段的充电电价;Pcha(i,t)为第i台EVt时段的充电功率;σt2为充电时段;Cbg(t)表示t时段充
电站从电网的购电电价;Pbg(t)为t时段充电站从电网购电的功率,kW;σt3为购电时段;
Cdischa(i,t)为第i台EVt时段的放电电价;Pdischa(i,t)为第i台EVt时段的放电功率;σt4为放
电时段;
(j,t)为第j组EV车载电池在时间段t的租赁费用;Cservice(j,t)为第j组EV租赁电池在时间
段t的附加服务费用;σt5为一天之内租赁服务的总次数;f2为换电站按用户车辆当前电量进
行计费的收益, Csale表示EV换电零售价;SOC(j,t)为第j台EV电
池组t时段需要换电需求时电池的电荷量百分比;Sj为第j台EV电池组的额定容量,kW;
风电上网时段;Ppre(k,t)为第i个风电场t时段的预测出力;Cbc为风电场减少出力的惩罚费
用系数;
(d)分别表示第d天充换电站总功率的最大值和最小值;
Pmax(M)和充换电负荷裕度域Pλ(M);
域Pλ(M),利用公式P(M)=Pmin(M)+Pλ(M),计算第M天的负荷裕度值P(M);
荷上限Pmax(M+1),并令Pmin(M+1)=Pmin(M)得到第M+1天的负荷下限Pmin(M+1);其中,K1为填
谷系数;
荷下限Pmin(M+1),并令Pmax(M+1)=Pmax(M),得到第M+1天的负荷上限Pmax(M+1);其中,K2为削
峰系数;
将M的数值增加1,返回步骤“判断第M天的负荷裕度值是否大于第M‑1天的负荷裕度值,得到
第一判断结果”;
1);其中,Pcha(i,M‑1,t)表示第M‑1天的第t时间段第i台EV的充电功率;
Pchangemin(M‑1);其中,Pchange(j,M‑1,t)表示第M‑1天的第t时间段第j组EV车载电池的换电功
率;
1);
Pchangemax(M‑1);
差”;
电电池电荷量,Pwind(k,t)为第k个风电场t时段的风电出力,w表示第w个风电场,Ωw表示所
有风电场集合。
[gbest‑X(n)]},更新每个粒子的速度;其中,φ为收缩因子,
m+1 m
c1和c2分别表示第一学习因子和第二学习因子;v(t) 和v(n) 表示第m+1次迭代和第m次迭
m m
代的第n个粒子的速度,X(n) 表示第m次迭代的第n个粒子的位置;pbest 表示第m次迭代的
个体最优值;gbest表示群体最优值;r1和r2分别为[0,1]范围内的第一随机数和第二随机
数。
回步骤“利用带有收缩因子的速度更新公式v(n) =φ{v(n) +c1r1[pbest‑X(n) ]+c2r2
m
[gbest‑X(n) ]},更新每个粒子的速度”;
条件,根据约束条件,采用带有收缩因子的粒子群优化算法求解经济模型,获得最优的充换
电调度策略,对充换电进行调度。本发明通过粒子群算法获取经济模型的最优解,以提高充
换电站在运行过程中的经济效益,并基于负荷裕度域确定经济调度模型的约束条件,根据
约束条件进行求解,保证了充换电站在运行过程中的稳定性。
附图说明
例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图
获得其他的附图。
具体实施方式
又是随机且难以预测的,所以这两种负荷的稳定性问题有待解决。
域,并考虑到特殊情况,采用负荷方差来解决。在模型中将利用负荷裕度域进一步约束次日
的负荷,实现经济性最优,同时还有助于削峰填谷。所以,对这两方面的不确定性问题分析
具有重要意义。
负荷的EV。三部分EV中包括:对动力电池进行整车充电的充电EV的负荷;及在充电架上完成
电池快速更换的换电电池的电荷量。
示t时段充电站向电网售电的功率;σt1为售电时段;Ccha(i,t)为第i台EVt时段的充电电价;
Pcha(i,t)为第i台EVt时段的充电功率;σt2为充电时段;Cbg(t)表示t时段充电站从电网的购
电电价;Pbg(t)为t时段充电站从电网购电的功率,kW;σt3为购电时段;Cdischa(i,t)为第i台
EVt时段的放电电价;Pdischa(i,t)为第i台EVt时段的放电功率;σt4为放电时段。
用户待使用的换电站电池组数;Crent(j,t)为第j组EV车载电池在时间段t的租赁费用;
Cservice(j,t)为第j组EV租赁电池在时间段t的附加服务费用;σt5为一天之内租赁服务的总
次数;f2为换电站按用户车辆当前电量进行计费的收益,
Csale表示EV换电零售价;SOC(j,t)为第j台EV电池组t时段需要换电需求时电池的电荷量百
分比;Sj为第j台EV电池组的额定容量。
收益;N3为风电场的个数;P(k,t)表示第k个风电场在t时段的发电功率;Cwind为风电上网电
价;Pact(k,t)为第k个风电场t时段的实际出力;σt6表示的是风电上网时段;Ppre(k,t)为第i
个风电场t时段的预测出力;Cbc为风电场减少出力的惩罚费用系数。
t),其中,Pdischamax(i,t)为第i台EV在t时段的最大放电功率;确定充电站购电功率的约束条
件:0≤Pbg(t)≤Pbgmax(t),其中,Pbgmax(t)为t时段充换电站最大购电量;确定充电站售电功
率的约束条件:0≤Psg(t)≤Psgmax(t),其中,Psgmax(t)为t时段充换电站最大售电量;确定风
电场输出功率约束条件:0≤Pact(k,t)≤Ppre(k,t)≤PN(k),其中,PN(k)为风电场k的装机容
量;确定换电电池电荷量的约束条件:SOCmin≤SOC(j,t)≤SOCmax,其中,SOCmin和SOCmax分别
表示换电池电荷量的最大值和最小值;
Pmax(d)分别表示第d‑1天充换电站总功率的最大值和最小值。
指标,来检测每日负荷变化。
的历史数据计算第M天的负荷下限Pmin(M)、负荷上限Pmax(M)和充换电负荷裕度域Pλ(M)。
确定第M‑1天的充电负荷下限Pchamin(M‑
1);其中,Pcha(i,M‑1,t)表示第M‑1天的第t时间段第i台EV的充电功率,具体的,根据第M‑1
天的历史数据,利用公式 确定第M‑1
天的放电负荷下限Pchangemin(M‑1);其中,Pchange(j,M‑1,t)表示第M‑1天的第t时间段第j组EV
车载电池的换电功率;根据第M‑1天的历史数据,利用公式
确定第M‑1天的充电负荷上限Pchamax(M‑
1);根据第M‑1天的历史数据,利用公式
确定第M‑1天的放电负荷上限
Pchangemax(M‑1);根据第M‑1天的充电负荷下限和第M‑1天的放电负荷下限,利用公式Pmin(M‑
1)=Pchamin(M‑1)+Pchangemin(M‑1),计算第M天的负荷下限Pmin(M‑1);根据第M‑1天的充电负荷
上限和第M‑1天的放电负荷上限,利用公式Pmax(M‑1)=Pchamax(M‑1)+Pchangemax(M‑1),计算第
M‑1天的负荷上限Pmax(M‑1);根据第M‑1天的负荷上限和第M‑1天的负荷下限,利用公式
计算第M‑1天的充换电负荷裕度域Pλ(M‑1)。根据第M
天的历史数据计算第M天的负荷下限Pmin(M)、负荷上限Pmax(M)和充换电负荷裕度域Pλ(M)的
方法与上述方法相同,在此不再累赘。
裕度域Pλ(M),利用公式P(M)=Pmin(M)+Pλ(M),计算第M天的负荷裕度值P(M)。
Pmax(M+1)=Pmin(M)+2K1*Pλ(M)对第M天的负荷裕度值进行填谷计算,得到第M+1天的负荷上
限Pmax(M+1),并令Pmin(M+1)=Pmin(M)得到第M+1天的负荷下限Pmin(M+1);其中,K1为填谷系
数;若所述第一判断结果为第M天的负荷裕度值大于第M‑1天的负荷裕度值,则利用公式Pmin
(M+1)=Pmax(M)‑2K2*Pλ(M)对第M‑1天的负荷裕度值进行削峰计算,得到第M+1天的负荷下限
Pmin(M+1),并令Pmax(M+1)=Pmax(M),得到第M+1天的负荷上限Pmax(M+1);其中,K2为削峰系
数。
计算第M+1天的负荷裕度值P(M+1),并将M
的数值增加1,返回步骤“判断第M天的负荷裕度值是否大于第M‑1天的负荷裕度值,得到第
一判断结果”;若所述第二判断结果为M+1不小于d,则将第M+1天的负荷上限和负荷下限分
别设置为第d天的充换电站总功率的最大值和最小值。
述一天的负荷数据的离散程度,当充换电站遇到意外情况时,其负荷(电荷量)标准差易过
大,即说明负荷峰谷差过大,属于不良数据,作剔除处理。如果前一日的负荷不在合理范围
之内,则取前一日的前一日,以此类推,直至合理值,再进行次日的调度。具体包括:
M‑s天的负荷标准差不在预设区间内,则将第一迭代次数的数值增加1,返回步骤“根据第M‑
s天的历史数据,计算第M‑s天的负荷标准差”;若所述第三判断结果表示第M‑s天的负荷标
准差在预设区间内,则将第M天的历史数据替换为第M‑s天的历史数据;令第二迭代次数l=
0;根据第M‑s‑l天的历史数据,计算第M‑s‑l天的负荷标准差;判断第M‑s‑l天的负荷标准差
是否在预设区间内,得到第四判断结果;若所述第四判断结果表示第M‑s‑l天的负荷标准差
不在预设区间内,则将第二迭代次数的数值增加1,返回步骤“根据第M‑s‑l天的历史数据,
计算第M‑s‑l天的负荷标准差”;若所述第四判断结果表示第M‑s‑l天的负荷标准差在预设
区间内,则将第M‑1天的历史数据替换为第M‑s‑l天的历史数据。
望值、方差等重要概念。
值可用梯形模糊数 表示,则模糊变量的可信性分布图如图4所示和分布函数
为:
题,对该约束条件进行不确定性处理,针对削峰填谷两个过程分别建立基于可信性测度的
不等式约束条件:
作为控制变量,将一天分为T(T=24)个时间断面,生成初始粒子群种群数量为50,且每个粒
子为T×(N1+N2)×2矩阵,T为一天24小时:
[gbest‑X(n)]},更新每个粒子的速度;其中,φ为收缩因子,
m+1 m
c1和c2分别表示第一学习因子和第二学习因子;v(t) 和v(n) 表示第m+1次迭代和第m次迭
m m
代的第n个粒子的速度,X(n) 表示第m次迭代的第n个粒子的位置;pbest 表示第m次迭代的
个体最优值;gbest表示群体最优值。在速度更新公式中,学习因子c1和c2分别代表了粒子自
身经验信息和其它粒子经验信息对粒子运行轨迹的影响。当学习因子c1较大时,会使粒子
过多地在局部范围内徘徊;而学习因子c2较大时,又会使粒子过早收敛到局部最小值。为了
有效地控制粒子的飞行速度使算法达到全局探测和局部开发两者之间的平衡,本发明在速
度更新公式中添加了收缩因子;r1和r2为[0,1]范围内的均匀随机数。
回步骤“利用带有收缩因子的速度更新公式v(n) =φ{v(n) +c1r1[pbest‑X(n) ]+c2r2
m
[gbest‑X(n) ]},更新每个粒子的速度”。
为12KWh,充电功率为3KW,放电功率1.5KW,SOCNmin=20%,SOCNmax=90%,每台换电装置每进
行一次换电操作,都要付给电池所有者10元的租赁费用、10元服务费用。该充换电站内共设
有80台充电桩,每台充电桩的充电功率在50kW范围内可调,其中并网运行的每个风电场总
容量为40MW(20台单机容量为2MW的双馈风力发电机)。EV充放电电价曲线见附图6所示,风
电预测出力曲线见附图7所示。
1.考虑充电站 3.2978 1.1814
2.考虑换电站 32.8220 1.1803
3.考虑充换电站 33.1990 0.3771
4.考虑充电站 6.3573 0.1417
5.考虑换电站 32.9920 0.1084
6.考虑充换电站 33.6990 0.1115
约达33.7万元。
条件,根据约束条件,采用带有收缩因子的粒子群优化算法求解经济模型,获得最优的充换
电调度策略,对充换电进行调度。本发明通过粒子群算法获取经济模型的最优解,以提高充
换电站在运行过程中的经济效益,并基于负荷裕度域确定经济调度模型的约束条件,根据
约束条件进行求解,保证了充换电站在运行过程中的稳定性。
而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说
明即可。
施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造
性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。