文章解读与仿真程序复现思路——电网技术EI\CSCD\北大核心《考虑新能源配网三相不平衡治理的电动汽车充电策略》

本文主要是介绍文章解读与仿真程序复现思路——电网技术EI\CSCD\北大核心《考虑新能源配网三相不平衡治理的电动汽车充电策略》,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本专栏栏目提供文章与程序复现思路,具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》

这个标题表明研究着重于开发一种电动汽车充电策略,该策略考虑了在新能源配电网络中存在的三相不平衡问题。解读如下:

  1. 电动汽车充电策略:

    • 研究目的是制定一种充电方案,可能涉及充电站的管理或者电动汽车的充电策略。这个策略可能包括充电时段、充电功率的分配、以及与新能源电网连接的方式等方面的考虑。
  2. 考虑三相不平衡问题:

    • 新能源配电网络中可能存在三相电压或电流不平衡的情况。这可能源自于电网设备的不均衡负载、电动汽车充电过程中的不对称负载等。这个问题需要被解决或者至少被考虑在内,以确保电网的稳定和高效运行。
  3. 目标:

    • 研究旨在开发一种充电策略,不仅可以满足电动汽车充电需求,还能够有效处理新能源配电网络中的三相不平衡问题。这样的策略可能通过调整充电模式或者充电设备的控制来实现。

综合来看,这个标题暗示了一项研究,其重点是设计一种电动汽车充电策略,能够在充电过程中考虑并解决新能源配电网络中存在的三相不平衡问题,以提高能源利用效率和电网的稳定性。

摘要:针对大规模电动汽车和新能源并网引发的三相不平衡问题,提出考虑中压配网三相不平衡治理的电动汽车充电策略。首先,分别建立了电动汽车聚合商模型和多相配网模型;其次,提出三相平衡激励机制,鼓励电动汽车自发地帮助改善三相电压不平衡;然后,以最大化电动汽车利益为目标,考虑电动汽车充电约束和配网安全约束,建立电动汽车充电确定性优化模型;并进一步基于鲁棒优化理论研究新能源出力不确定性,建立电动汽车充电鲁棒优化模型;最后,采用改编的IEEE 13节点配网进行仿真验证。结果表明,所提出的充电策略能够有效降低配网三相电压不平衡与电动汽车用户成本,并在新能源出力不确定时保证配网的安全运行。

这段摘要介绍了一个研究,其目标是解决由大规模电动汽车和新能源并网引起的三相不平衡问题,并提出了一种专注于中压配电网络的电动汽车充电策略。以下是对摘要中各方面的详细解读:

  1. 问题背景:

    • 摘要首先指出问题的背景,即由电动汽车和新能源集成到电网中引起的三相不平衡问题。这可能是由于电动汽车充电不均匀或新能源的波动性引起的。
  2. 建模:

    • 提到了建立了两个关键模型,即电动汽车聚合商模型和多相配网模型。这些模型可能有助于理解电动汽车行为和多相配电网络的特性,为进一步的研究提供基础。
  3. 三相平衡激励机制:

    • 引入了一种三相平衡激励机制,其目的是通过激励机制鼓励电动汽车自愿参与三相电压不平衡的调整。这可能包括一些奖励或激励机制,使得电动汽车更倾向于充电时帮助平衡三相电压。
  4. 优化模型:

    • 提到了以最大化电动汽车利益为目标的确定性优化模型。这个模型考虑了电动汽车充电约束和配网安全约束,旨在找到一种最优的充电策略。
  5. 鲁棒优化模型:

    • 在确定性模型的基础上,引入了鲁棒优化理论,以研究新能源出力不确定性。这样的模型可能能够更好地适应实际情况中的不确定性,并提供更鲁棒的充电策略。
  6. 仿真验证:

    • 使用改编的IEEE 13节点配电网络进行了仿真验证。结果表明,提出的充电策略在有效降低配网三相电压不平衡和电动汽车用户成本的同时,在新能源出力不确定时保证了配网的安全运行。

总体而言,这项研究提出了一个综合的电动汽车充电策略,考虑了多个方面,包括三相不平衡、电动汽车用户利益最大化和新能源的不确定性。通过建模和仿真验证,研究表明提出的策略在实践中是有效的。

关键词:    电动汽车;新能源;三相不平衡;有序充电;不确定性;鲁棒优化;

  1. 电动汽车:

    • 这指的是使用电力作为能源的汽车。在文中,可能涉及到电动汽车的充电行为和其对电力系统的影响。
  2. 新能源:

    • 这可能包括可再生能源,如太阳能、风能等,以及其他低碳能源形式。在文中,新能源可能与电力系统中的能源来源和其出力不确定性有关。
  3. 三相不平衡:

    • 这指的是电力系统中的三相电流或电压不相等的情况。在文中,可能涉及到由电动汽车和新能源引起的电网三相不平衡问题。
  4. 有序充电:

    • 这可能是指有计划、有组织的电动汽车充电过程。在文中,可能指的是通过某种机制或策略来协调电动汽车的充电,以减少对电力系统的不利影响。
  5. 不确定性:

    • 这指的是系统中存在的不确定因素,可能涉及到新能源出力的波动性或其他影响电动汽车充电的不确定因素。
  6. 鲁棒优化:

    • 这可能是一种优化方法,专注于在面对不确定性时保持系统性能的稳健性。在文中,可能用于调整电动汽车充电策略,以适应新能源出力的不确定性。

这些关键词的结合表明文中的研究可能集中在解决电动汽车充电过程中的问题,特别是考虑到新能源的不确定性和电力系统中可能存在的三相不平衡情况。有序充电和鲁棒优化可能是提出的解决方案中的关键概念,以确保系统的稳定性和效率。

仿真算例:

本文采用图 2 所示的含 6 个电动汽车聚合商和 6 组风电机组的 13 节点配网[21]进行仿真验证。仿真 时长设置为 24 小时。每个聚合商负责管辖 100 辆 电动汽车。其中,电动汽车共包括 3 种不同类型: 雪佛兰伏特(3.8 kW, 16 kWh),日产聆风(3.3 kW, 24 kWh)和特斯拉(16.8 kW, 53kWh),各个类型占比见 附录表 1。所有电动汽车的充电效率为 0.9,充电功 率因数为 0.9。所有电动汽车的充电开始时间和结 束时间分别在[18:00, 22:00]和[6:00, 8:00]之间均匀 采样,初始的和预期的荷电状态分别在[0.4,0.5]和 [0.8,0.9]之间均匀采样。每组风电机组的出力预测 值参考英国电网 2021 年某天的风电出力[22]。 具体预测出力曲线见附录图 1,其中最大预测偏差 设为预测值的 20%。配网中各个节点的有功和无功基础负荷基准 值取文献[21]中的负荷值。各个节点的日负荷 曲线根据英国电网 2021 年某四天的标幺化 日负荷曲线 [22](见附录图 2)进 行 时间扩维生 成。系统各节点的日负荷曲线类型见附录表 2。 系统主变压器容量为 10 MVA,电压上下限为1.07/0.93 p.u.。其 他 网 络 参 数 设 置 与 文 献 [21] 保持一致。 三相平衡激励机制中的补偿系数  取值为 400。配电运营商的 售 电 电 价 参 考 英 国 电 网 2021 年某天 OSLO 区域的日前电价[22],取值 见附录图 3。

为了分析三相平衡激励机制对电动汽车充电 行为的影响,证明电动汽车鲁棒充电策略的有效 性,文本制定了以下 4 个对比场景: (1)场景 1:不进行优化,电动汽车接入电网 后,直接以最大功率充电,直至充电结束。 (2)场景 2:不考虑激励机制和风电出力不确 定性,以电动汽车充电费用最小为目标进行优化。 (3)场景 3:按照本文 3.1 节建立的电动汽车 充电确定性优化模型进行优化。 (4)场景 4:按照本文 3.2 节建立的电动汽车 充电鲁棒优化模型进行优化。

仿真程序复现思路:

复现该仿真可以采用一种编程语言,例如Python,以模拟电动汽车充电行为和电力系统的运行。以下是一个简化的示例程序,使用Python和NumPy库:

import numpy as np# 仿真参数设置
simulation_duration = 24  # 仿真时长(小时)
num_aggregators = 6
num_ev_per_aggregator = 100
num_wind_groups = 6
ev_types = ["Chevrolet Volt", "Nissan Leaf", "Tesla Model S"]
ev_power = [3.8, 3.3, 16.8]  # 单位:kW
ev_capacity = [16, 24, 53]  # 单位:kWh
charging_efficiency = 0.9
power_factor = 0.9
charging_time_range = [18, 22]
charging_state_range = [0.4, 0.5]
wind_prediction_deviation = 0.2
compensation_factor_kappa = 400# 电力系统参数
transformer_capacity = 10  # 主变压器容量(MVA)
voltage_limits = [1.07, 0.93]  # 电压上下限
compensation_factor_kappa = 400
electricity_price_reference =  # 电价参考值,可从附录图3获取# 仿真结果记录
charging_results = np.zeros((simulation_duration, num_aggregators, num_ev_per_aggregator))
wind_power_results = np.zeros((simulation_duration, num_wind_groups))
system_load_results = np.zeros((simulation_duration, num_aggregators))# 仿真开始
for hour in range(simulation_duration):# 模拟风电出力wind_power_prediction = simulate_wind_power(hour, wind_prediction_deviation)wind_power_results[hour] = wind_power_prediction# 模拟每个电动汽车充电行为for aggregator in range(num_aggregators):for ev_type in ev_types:for ev in range(num_ev_per_aggregator):# 仿真电动汽车充电策略,根据场景选择不同的优化模型if scenario == 1:# 场景1:最大功率充电charging_power = ev_power[ev_types.index(ev_type)]elif scenario == 2:# 场景2:以费用最小为目标进行优化charging_power = optimize_cost(ev, aggregator, hour)elif scenario == 3:# 场景3:确定性优化模型charging_power = deterministic_optimization(ev, aggregator, hour)elif scenario == 4:# 场景4:鲁棒优化模型charging_power = robust_optimization(ev, aggregator, hour, wind_power_prediction)# 模拟电动汽车充电过程charging_power_actual = simulate_charging(charging_power, charging_efficiency, power_factor)charging_results[hour, aggregator, ev] = charging_power_actual# 模拟电力系统运行system_load = simulate_system_load(hour)system_load_results[hour] = system_load# 实现三相平衡激励机制compensate_system_imbalance(system_load, wind_power_prediction)# 记录仿真结果到文件或可视化
save_simulation_results(charging_results, wind_power_results, system_load_results)

请注意,上述示例程序是一个简化版本,实际仿真模型的复杂性可能需要更详细的逻辑和算法。根据文中提到的方法,你需要实现电动汽车充电的不同优化场景,包括确定性优化和鲁棒优化模型。此外,还需要考虑电力系统的运行,包括风电出力模拟和三相平衡激励机制。这些都需要根据文中的详细描述来具体实现。

这篇关于文章解读与仿真程序复现思路——电网技术EI\CSCD\北大核心《考虑新能源配网三相不平衡治理的电动汽车充电策略》的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/600845

相关文章

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

OpenHarmony鸿蒙开发( Beta5.0)无感配网详解

1、简介 无感配网是指在设备联网过程中无需输入热点相关账号信息,即可快速实现设备配网,是一种兼顾高效性、可靠性和安全性的配网方式。 2、配网原理 2.1 通信原理 手机和智能设备之间的信息传递,利用特有的NAN协议实现。利用手机和智能设备之间的WiFi 感知订阅、发布能力,实现了数字管家应用和设备之间的发现。在完成设备间的认证和响应后,即可发送相关配网数据。同时还支持与常规Sof

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

在JS中的设计模式的单例模式、策略模式、代理模式、原型模式浅讲

1. 单例模式(Singleton Pattern) 确保一个类只有一个实例,并提供一个全局访问点。 示例代码: class Singleton {constructor() {if (Singleton.instance) {return Singleton.instance;}Singleton.instance = this;this.data = [];}addData(value)

【区块链 + 人才服务】可信教育区块链治理系统 | FISCO BCOS应用案例

伴随着区块链技术的不断完善,其在教育信息化中的应用也在持续发展。利用区块链数据共识、不可篡改的特性, 将与教育相关的数据要素在区块链上进行存证确权,在确保数据可信的前提下,促进教育的公平、透明、开放,为教育教学质量提升赋能,实现教育数据的安全共享、高等教育体系的智慧治理。 可信教育区块链治理系统的顶层治理架构由教育部、高校、企业、学生等多方角色共同参与建设、维护,支撑教育资源共享、教学质量评估、

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

MCU7.keil中build产生的hex文件解读

1.hex文件大致解读 闲来无事,查看了MCU6.用keil新建项目的hex文件 用FlexHex打开 给我的第一印象是:经过软件的解释之后,发现这些数据排列地十分整齐 :02000F0080FE71:03000000020003F8:0C000300787FE4F6D8FD75810702000F3D:00000001FF 把解释后的数据当作十六进制来观察 1.每一行数据

Java ArrayList扩容机制 (源码解读)

结论:初始长度为10,若所需长度小于1.5倍原长度,则按照1.5倍扩容。若不够用则按照所需长度扩容。 一. 明确类内部重要变量含义         1:数组默认长度         2:这是一个共享的空数组实例,用于明确创建长度为0时的ArrayList ,比如通过 new ArrayList<>(0),ArrayList 内部的数组 elementData 会指向这个 EMPTY_EL

基于UE5和ROS2的激光雷达+深度RGBD相机小车的仿真指南(五):Blender锥桶建模

前言 本系列教程旨在使用UE5配置一个具备激光雷达+深度摄像机的仿真小车,并使用通过跨平台的方式进行ROS2和UE5仿真的通讯,达到小车自主导航的目的。本教程默认有ROS2导航及其gazebo仿真相关方面基础,Nav2相关的学习教程可以参考本人的其他博客Nav2代价地图实现和原理–Nav2源码解读之CostMap2D(上)-CSDN博客往期教程: 第一期:基于UE5和ROS2的激光雷达+深度RG

EMLOG程序单页友链和标签增加美化

单页友联效果图: 标签页面效果图: 源码介绍 EMLOG单页友情链接和TAG标签,友链单页文件代码main{width: 58%;是设置宽度 自己把设置成与您的网站宽度一样,如果自适应就填写100%,TAG文件不用修改 安装方法:把Links.php和tag.php上传到网站根目录即可,访问 域名/Links.php、域名/tag.php 所有模板适用,代码就不粘贴出来,已经打