计及配电网拥塞的集群电动汽车参与二次调频方法研究

随着电动汽车数量的增多,具有快速响应能力的电动汽车在参与电力系统调频服务中得到广泛关注,但现有研究在利用电动汽车参与电网调频时往往忽视了电动汽车参与调频过程中由于集中充电可能导致的配网拥塞问题。为此,提出一种计及配电网拥塞的集群电动汽车参与二次调频方法。首先,介绍集群电动汽车参与电网调频的调度结构框架;其次,提出考虑电动汽车荷电状态的调频容量分配策略;然后,提出基于拥塞指数因子对电动汽车充放电功率进行调整的控制策略;最后,通过MATLAB/Simulink仿真进行算例分析,验证了所提控制策略的优势,结果表明:该策略可以在避免配电网拥塞的同时,保证系统频率波动不超过0.1Hz。

人工智能技术支撑的集群电动汽车实时优化调度策略

电动汽车(electric vehicle,EV)在近年来得到了广泛的应用与部署,针对入网EV的充放电优化已成为研究热点。然而,传统的基于优化模型的EV优化调度方法在实际应用上面临模型参数难以准确获得和计算压力大的挑战。为了解决该问题,基于K-means聚类算法与长短期记忆神经网络(long short-term memory neural networks,LSTM)提出了一种集群电动汽车实时自动优化调度策略,直接从电动汽车的基础数据和电价生成满足约束的最优充放电计划。该策略基于分布式EV调度架构,由离线模型训练阶段和实时优化调度阶段2部分构成。在离线阶段,首先由K-means算法对海量EV数据聚类,之后用LSTM网络学习不同类型数据下的优化调度模式,建立从EV基础数据到优化决策之间的映射,并针对LSTM的输出设计了策略增强环节提高LSTM的决策性能。在实时阶段,在对EV类型识别的基础上,LSTM网络能够快速生成优化调度方案。仿真结果表明,与传统优化算法相比,所提策略能够在不依赖于用户提供准确的出行时间的情况下,毫秒级地输出近似最优解,适用于规模化EV的实时优化调度。

集群电动汽车平抑光伏波动实时调度策略

随着光伏(photovoltaic, PV)发电渗透率的升高,光伏功率的随机波动将对电能质量与供电可靠性产生不利影响,而利用电动汽车入网(Vehicle to grid,V2G)技术下电动汽车(electric vehicles,EVs)充放电的灵活性来平抑光伏波动是一种经济、高效的解决方式。为平抑短时剧烈的光伏功率波动,首先提出了微网场景下集群电动汽车参与平抑光伏波动的控制框架,然后建立了利用EV功率跟跟踪PV出力的凸优化模型,并从数学上不失一般性地证明了凸化的有效性。所提凸化方法对系统参数没有任何要求,在优化求解前无需做任何检验。所建立的凸优化模型在求解上更加高效,且在调度容量充足时跟踪误差可控,并能在一定程度上抑制EV的过充电与过放电。最后,通过算例验证了凸优化模型的准确性与高效性及所提调度策略的优势。