一种计及电网稳定性的低压配电网电动汽车调度方法

1.本发明涉及一种计及电网稳定性的低压配电网电动汽车调度方法，属于电力系统调度自动化领域。


背景技术：

2.随着能源和环境问题的日益严峻，电动汽车逐步代替燃油汽车走进大众生活。但是电动汽车规模化接入会对传统电力系统产生较大影响。若将充电桩看作储能装置，并令其接受电网的调度，则能有效降低电网负荷波动和改善网损。电动汽车的充放电负荷受用户出行行为的影响较大，具有较大的不确定性。为了减少电动汽车充放电时对电力系统的冲击，并让其成为削峰填谷的有效手段，国内外学者已对电动汽车入网技术展开了较多研究。目前常用的方法是引导电动汽车在电网负荷较大时对系统放电、较小时进行充电。但现有多数方法的重心集中于考虑用户或充电站收益的充放电策略制定，而忽略了电动汽车充放电负荷对电网运行稳定性的直接影响，无法给出电网最优状态下的电动汽车调度方案，因此有必要从电网安全稳定性出发来确定充放电策略，进而便于更好地指导电动汽车用户进行充放电。另外，配电网中广泛接入的分布式电源也会给电动汽车的优化调度带来了更大的挑战。


技术实现要素：

3.本发明是为了解决上述现有技术存在的不足之处，提出一种计及电网稳定性的低压配电网电动汽车调度方法，以期能够通过电动汽车最优的充放电策略来有效提高电网运行的安全稳定性。
4.本发明解决技术问题采用如下技术方案：
5.(省略复制权书)
6.与已有技术相比，本发明有益效果体现在：
7.1、本发明设计了一种充电桩100％参与电网优化调度的电动汽车实时滚动充放电策略，建立了电动汽车优化调度模型，便于电网公司引导电动汽车用户进行充放电，有效提高了电网运行的安全稳定性；
8.2、本发明利用cnn-bilstm算法对调度日的电气量数据进行了预测，并考虑到低压配电网的量测特点和光伏接入对负荷波动的影响，将出口电流曲线拟合法和典型光伏出力曲线拟合法分别用于负荷建模和光伏建模中，提高了潮流计算所用数据的准确性，并使最终的调度策略更具合理性；
9.3、本发明将负荷波动率最小、网络损耗最低和电压平均偏差最小同时作为优化调度过程中的目标函数，并采用全局搜索能力更强的二阶震荡粒子群算法进行求解，使得模型的收敛性能更好，优化结果也更为理想，并使系统的稳定性、经济性和安全性均达到了相对最佳。
附图说明
10.图1为本发明方法流程图；
11.图2为本发明实施例系统图；
12.图3为本发明实施例电量预测结果误差分布图；
13.图4为本发明实施例调度日电流预测结果图；
14.图5a为本发明实施例适应度函数的变化过程图；
15.图5b为本发明实施例负荷波动率的变化过程图；
16.图5c为本发明实施例线路损耗值的变化过程图；
17.图5d为本发明实施例电压平均偏差的变化过程图；
18.图6a为本发明实施例电动汽车充放电优化策略图；
19.图6b为本发明实施例储能装置充放电优化策略图；
20.图7a为本发明实施例电动汽车实时充电电价定价策略(方案一)；
21.图7b为本发明实施例电动汽车实时放电电价定价策略(方案一)；
22.图7c为本发明实施例电动汽车实时充电电价定价策略(方案二)；
23.图7d为本发明实施例电动汽车实时放电电价定价策略(方案二)。
具体实施方式
24.本实施例中，一种计及电网稳定性的低压配电网电动汽车调度方法，选择安徽省北部某低压配电台区进行日前优化调度策略的制定，如图1所示，具体过程如下：
25.步骤1、采用cnn-bilstm预测模型对所选台区调度日的用户日用电量、台区出口电流和光伏发电量进行预测，并考虑到低压配电网的量测特点，分别建立负荷调度日的光伏模型、负荷模型和电动汽车模型。具体步骤如下：
26.步骤1.1、采集所选配电台区历史为期一年的负荷数据、光伏数据、电流数据和天气因素数据，将cnn-bilstm预测模型的输入变量设置为对各预测结果影响较大的历史数据、天气因素和日期类型，输出变量设置为负荷调度日的用户日用电量、台区出口电流和光伏发电量，各预测模型输入特征因素见表1所示：
27.表1模型输入特征因素汇总
[0028][0029]
步骤1.2、根据所选配电系统的拓扑图对各节点编号，如图2所示，之后利用负荷调度日前一年的负荷数据计算一年的全网潮流，得到负荷调度日前一年的电量数据和各时刻台区出口的电流数据；
[0030]
由负荷调度日前一年的电量数据所对应的历史数据、天气因素和日期类型以及负荷调度日前一年中各时刻台区出口的电流数据所对应的历史数据、天气因素和日期类型构建输入特征向量，并采用min-max归一化法对输入特征向量进行归一化处理，然后采用迭代式滑动窗口的方式对归一化后的输入特征向量进行处理，得到不同滑动窗口下的输入特征矩阵，滑窗宽度设为96，步长设为1；
[0031]
步骤1.3、将不同滑动窗口下的输入特征矩阵输入cnn-bilstm预测模型中，先经过cnn模型的特征提取后，再依次利用最大池化法和扁平化法对所提取的特征数据进行筛选和扁平化处理，然后将处理后的特征数据输入bilstm网络进行处理，并输出负荷调度日前一年的电量数据预测值和各时刻台区出口的电流数据预测值，负荷用户的日用电量预测结果和光伏发电量预测结果以连续七日的平均绝对百分比误差作为衡量指标，预测结果如图3所示。调度日96点电流数据的预测结果如图4所示；
[0032]
从图3可以看出，负荷日用电量和光伏发电量预测结果的平均值均在6％以内。从图4可以看出，台区出口电流的预测数值精度和预测趋势都较为接近实际值。由此可以看出，利用cnn-bilstm算法对所选台区的数据进行预测，可以达到较好的效果；
[0033]
步骤1.4、利用光伏典型出力曲线来拟合实际的光伏出力曲线，并用光伏典型出力曲线系数q
pv
表示各时间段内的光伏出力系数q
pvj
，之后通过光伏日发电量预测值g
pv
计算优化调度日光伏在m个时刻的有功出力p
pvj
，式(1)和式(2)为该过程的具体计算公式；
[0034]qpv
＝[q
pv1
,q
pv2
,l,q
pvj
l q
pvm
] (1)
[0035][0036]
步骤1.5、采用曲线拟合法对用户负荷进行建模，首先将低压配电网出口处电流曲线与实际光伏出力曲线叠加之后的形状视为低压配电网出口各相的日有功功率曲线形状，其中叠加后曲线的向量记为i，之后对负荷调度日预测的各时刻台区出口的电流数据预测值进行标准化处理得到式(3)所示的各用户的负荷系数k，进而通过式(4)将负荷系数k与优化调度日预测的各用户的日电量ln相乘，得到负荷调度日用户的96点有功功率值pn，再依据计算负荷调度日用户的无功功率值；
[0037][0038][0039]
步骤1.6、电动汽车若具有充放电功能，则在优化调度过程中将其视为储能；若只具有充电功能，则在优化调度过程中将其视为负荷，假设所选配电台区在优化调度日的时刻t所需电动汽车的充放电功率为p
tev
，则系统满足式(5)所示关系；
[0040]
p
tev
＝p
t0
+p
tpv-p
tc-p
tf-p
tloss
ꢀꢀꢀ
(5)
[0041]
式(5)中，p
t0
为时刻t配电系统与电网之间交换的有功功率，p
tpv
为时刻t光伏出力有功功率，p
tc
为时刻t储能装置充放电功率，p
tf
为时刻t各用户负荷的总有功功率，p
tloss
为时刻t系统有功损耗，另外，储能和电动汽车处于充电状态时，p
tc
和p
tev
取正数，处于放电状
态时，p
tc
和p
tev
取负数；
[0042]
步骤2、以各充电桩均参与低压配电网调度为前提，将电动汽车充放电功率和储能充放电功率作为待求解变量，建立以负荷波动率最小、网损最低和电压平均偏差最小为多目标函数的日前优化调度模型，日前优化调度模型建立有功率平衡约束、电压约束、储能电池输出功率约束、储能电池容量约束和电动汽车充放电功率约束；
[0043]
步骤2.1、将负荷波动率作为日前优化调度模型的第一目标函数l，其中，负荷波动率用各时刻低压配电网总负荷的有功功率标准差σ与各时刻低压配电网总负荷的有功功率几何均值l的比值来表示，计算过程如式(6)和式(7)所示，由式可知，负荷波动率既能反映所选配电台区中负荷功率的集中程度，也能较好地反映负荷功率的分散程度；
[0044][0045]
p
tz
＝p
tf
+p
tev
+p
tc-p
tpv
ꢀꢀꢀ
(7)
[0046]
式(6)和(7)中，t为选取的时刻数，μ为系统中各时刻总负荷有功功率的平均值，t为时刻点t＝1,2l t；
[0047]
步骤2.2、将线路损耗最低设置为日前优化调度模型的第二个目标函数δp，其中，根据负荷调度日的光伏模型、负荷模型和电动汽车模型确定光伏节点、各用户节点和电动汽车节点在负荷调度日各时刻的功率值，之后对低压配电网进行潮流计算以确定负荷调度日内系统的线路损耗，计算过程如式(8)和式(9)所示；
[0048][0049][0050]
式(8)和(9)中，δp为调度日中线路的总损耗；δp
ij
为线路ij的有功功率损耗；为时刻t各线路的总损耗，pj和qj分别为节点j处所连负荷消耗的有功功率和无功功率；p
jk
和q
jk
分别为支路jk上流过的有功功率和无功功率，其中，支路jk与节点j直接相连；cj为与节点j直接相连的支路总数；uj为节点j处的电压，由潮流计算获得；r
ij
为支路ij的阻值。
[0051]
步骤2.3、将电压平均偏差最小设置为日前优化调度模型的第三个目标函数δu，其中，将各节点中不同时刻的实际电压和对应时刻的基准电压作差求平均之后的百分比作为电压平均偏差值，具体的计算过程由式(10)表示；
[0052][0053]
式(10)中，δu为电压平均偏差；h为系统节点数，u
i,j
为i节点时刻t的实际电压，由潮流计算获取，为时刻t的电压基准值；
[0054]
步骤2.4、分别将有功功率平衡和无功功率平衡作为模型的约束条件一，以保证系统的功率平衡和频率稳定，有功功率平衡约束和无功功率平衡约束的表达式分别如式(11)和式(12)所示；
[0055][0056][0057]
式(11)和式(12)中：为时刻t系统与电网之间交换的无功功率，为时刻t各负荷总无功功率，为时刻t系统无功功率损耗值；
[0058]
将电压不越限作为模型的约束条件二，以保证系统的电能质量，电压约束的表达式如式(13)所示；
[0059][0060]
式(13)中：v
t,i
为时刻t时节点i的电压值；
[0061]
设置储能装置与配电网络之间允许交换的最大功率并将储能电池输出功率不越限作为模型的约束条件三，储能电池输出功率约束的表达式如式(14)所示；
[0062][0063]
确定储能装置所允许的最小容量soc
min
和最大容量soc
max
，并将储能电池容量不越限作为模型的约束条件四，储能电池容量约束的表达式如式(15)所示；
[0064]
soc
min
≤soc≤soc
max (15)
[0065]
确定单个电动汽车充电桩的充电功率p
cev
和放电功率并统计系统中单个节点处充电桩的总数p和单个节点处具有放电功能充电桩的数目q，之后将电动汽车充放电功率不越限作为模型的约束条件五，电动汽车充放电功率约束的表达式如式(16)所示；
[0066][0067]
步骤3、以电动汽车和储能的充放电调度方案为待优化变量，并根据各目标函数和各约束条件确定日前优化调度模型的适应度函数，之后采用二阶震荡粒子群算法对日前优化调度模型进行优化，得到最优充放电调度方案；
[0068]
步骤3.1、采用加权的方式将所提的多目标模型转化为单目标模型，并采用罚函数法处理优化调度模型的不等式约束，设置负荷波动率、网损和电压偏差的权重系数分别为ω1、ω2和ω3，设置各约束条件的惩罚项分别为a、b、c、d和e，当电气量不在所约束范围内时，将对应惩罚因子设置为10000对当前粒子进行惩罚，进而增大适应度值，降低其进入下一次迭代过程的概率，当电气量在约束范围内时，不对其进行惩罚，由此建立式(17)所示的适应度函数f；
[0069]
f＝ω1l+ω2δp+ω3δu+a+b+c+d+e
ꢀꢀꢀ
(17)
[0070]
步骤3.2、以电动汽车和储能的日充放电调度方案为二阶震荡粒子群算法中各个粒子，并将每日调节次数设置为24次，其中，电动汽车日充放电调度方案对应的粒子取值为投入的充电桩组数，储能日充放电调度方案对应的粒子取值为储能输出的功率值，设置粒
子维度为48、各粒子群中粒子数为60、惯性权重ω设为0.73、学习因子c1和c2均设为2、最大迭代次数为300，定义当前迭代次数为k，并初始化k＝1；
[0071]
随机初始化电动汽车和储能的日充放电调度方案构成的第k代粒子群，包括第k代粒子群中各粒子的速度参数和位置参数；
[0072]
步骤3.3、随机挑选第k代粒子群中任意一个粒子，计算粒子对应的第一目标函数l的初始值l0、第二个目标函数δp的初始值δp0和第三个目标函数δu的初始值δu 0
，并通过式(18)确定各目标函数对应权重系数，用以保证各目标函数在适应度函数中所占比重相近，得到ω1、ω2和ω3分别为1、29890和1453；
[0073][0074]
步骤3.4、由适应度函数确定第k代粒子群中各充放电调度方案的适应度值，将第k代中充放电调度方案的适应度值作为各个粒子的局部最优值，各个粒子在第k代粒子群中的位置为局部最优值所在位置，并将最优的适应度值作为第k代粒子群的全局最优值，将最优的适应度值在粒子群中的位置作为全局最优值所在位置；
[0075]
步骤3.5、对比第k代粒子群中各充放电调度方案的适应度值与第k-1代粒子群中各个粒子的局部最优值，若第k代粒子群中的任一充放电调度方案的适应度值较好，则用第k代粒子群中相应的充放电调度方案的适应度值替代第k-1代粒子群中对应粒子的历史局部最优值，第k代粒子群中适应度值较好的粒子对应位置替代第k-1代粒子群对应粒子的局部最优值所在位置；否则，保留第k-1代粒子群中各个粒子的局部最优值及其局部最优值所在位置；当k＝1时，令第k-1代粒子群中各个粒子的局部最优值及其所在位置为随机初始值；
[0076]
步骤3.6、找出第k代粒子群的全局最优值，并将当前全局最优值与第k-1代粒子群的全局最优值进行比较，若第k代粒子群的全局最优值较好，则用第k代粒子群的全局最优值替代第k-1代粒子群的全局最优值，其第k代粒子群全局最优值对应位置替代与第k-1代粒子群全局最优值所在位置；否则，保留第k-1代粒子群的全局最优值及其所在位置；当k＝1时，令第k-1代粒子群的全局最优值及其所在位置为随机初始值；
[0077]
步骤3.7、根据式(19)和式(20)更新第k代粒子群中各充放电调度方案的速度和位置，并根据适应度函数确定第k+1代粒子群中各充放电调度方案的适应度值；
[0078][0079]
xi(k+1)＝xi(k)+vi(k+1)
ꢀꢀꢀꢀ
(20)
[0080]
式(19)和式(20)中，vi表示飞行状态；xi表示适应度值；ξ1、ξ2表示振荡因子；pg表示全局最佳位置；pi表示个体最佳位置；ω表示惯性权重系数，它的大小直接影响粒子下一阶段的飞行速度；c1、c2表示学习因子，为非负常数；r1、r2为[0,1]上的随机数。在该模型中，迭代前期具有较强的全局搜索能力，可以使优化过程振荡收敛；迭代后期时局部搜索能力加强，优化过程渐近收敛。
[0081]
步骤3.8、令k+1赋值给k，并判断k》nd＝300是否成立，若成立，则迭代结束，输出最优充放电调度方案及对应适应度值，否则，转步骤3.5；
[0082]
步骤3.9、输出迭代优化过程中适应度函数的变化过程如图5a所示、负荷波动率的变化过程如图5b所示、线路损耗值的变化过程如图5c所示、电压平均偏差的变化过程如图5d所示，从各图中可知，在迭代过程中适应度函数值逐渐减小，实现了迭代收敛。同时，随着迭代次数的增加，各目标函数也在逐步趋于相对较小的值。由此可知，所提模型可以较好地实现优化效果。取迭代最终结果对应的粒子值，即可得到优化调度模型的电动汽车和储能装置的最优充放电策略，分别如图6a和图6b所示；
[0083]
步骤3.10、根据所需电动汽车充电功率越高充电电价越低、所需放电功率越高放电电价越高的原则和系统所在地区的定价标准，制定所需电动汽车的充放电功率p
ev
(t)与充电价格c
cd
(t)和放电价格c
fd
(t)的关系，如式(21)所示：
[0084][0085]
将步骤3.9得到的电动汽车最优充放电功率代入式(21)中，可确定优化调度日中各时刻的充放电电价，由于充电桩所在节点输出固定功率时，充电桩可能存在两种工作状态，因此可制定两种定价方案，图7a和图7b分别为方案一中的电动汽车实时充电电价定价策略和实时放电电价定价策略；图7c和图7d分别为方案二中的电动汽车实时充电电价定价策略和实时放电电价定价策略。电网公司可以根据该价格引导用户充放电行为的协调，进而提高了电网运行的安全稳定性。

技术特征：
1.一种计及电网稳定性的低压配电网电动汽车调度方法，其特征在于，包括以下步骤：步骤1、采用cnn-bilstm预测模型对调度日的用户日用电量、台区出口电流和光伏发电量进行预测，并考虑低压配电网的量测特点，分别建立负荷调度日的光伏模型、负荷模型和电动汽车模型；步骤1.1、将低压配电网的历史数据、天气因素和日期类型输入所述cnn-bilstm述预测模型中进行预测，并输出负荷调度日的用户日用电量预测值、台区出口电流预测值和光伏发电量预测值；步骤1.2、利用负荷调度日前一年的负荷数据计算一年的全网潮流，得到负荷调度日前一年的电量数据和各时刻台区出口的电流数据；由所述负荷调度日前一年的电量数据所对应的历史数据、天气因素和日期类型以及所述负荷调度日前一年中各时刻台区出口的电流数据所对应的历史数据、天气因素和日期类型构建输入特征向量，并采用min-max归一化法对所述输入特征向量进行归一化处理，然后采用迭代式滑动窗口的方式对归一化后的输入特征向量进行处理，得到不同滑动窗口下的输入特征矩阵；步骤1.3、将不同滑动窗口下的输入特征矩阵输入所述cnn-bilstm预测模型中，先经过cnn模型的特征提取后，再依次利用最大池化法和扁平化法对所提取的特征数据进行筛选和扁平化处理，然后将处理后的特征数据输入bilstm网络进行处理，并输出所述负荷调度日前一年的电量数据预测值和各时刻台区出口的电流数据预测值；步骤1.4、利用光伏典型出力曲线来拟合实际的光伏出力曲线，并根据光伏出力曲线和所述负荷调度日的光伏发电量预测值计算所述负荷调度日光伏在各时刻的有功出力；步骤1.5、将所述负荷调度日预测的各时刻台区出口的电流数据预测值进行标准化处理后用于计算负荷系数，再将所述负荷调度日的用户日用电量预测值与所述负荷系数相乘，得到所述负荷调度日用户的有功功率值，再依据功率因数计算所述负荷调度日用户的无功功率值；步骤1.6、电动汽车若具有充放电功能，则在优化调度过程中将其视为储能；若只具有充电功能，则在优化调度过程中将其视为负荷；步骤2、以各充电桩均参与低压配电网调度为前提，将电动汽车充放电功率和储能充放电功率作为待求解变量，建立以负荷波动率最小、网损最低和电压平均偏差最小为多目标函数的日前优化调度模型，所述日前优化调度模型建立有功率平衡约束、电压约束、储能电池输出功率约束、储能电池容量约束和电动汽车充放电功率约束；步骤2.1、将负荷波动率作为所述日前优化调度模型的第一目标函数l，其中，所述负荷波动率用各时刻低压配电网总负荷的有功功率标准差与各时刻低压配电网总负荷的有功功率几何均值的比值来表示；步骤2.2、将线路损耗最低设置为所述日前优化调度模型的第二个目标函数δp，其中，根据所述负荷调度日的光伏模型、负荷模型和电动汽车模型确定光伏节点、各用户节点和电动汽车节点在所述负荷调度日各时刻的功率值，之后对所述低压配电网进行潮流计算以确定负荷调度日内系统的线路损耗；步骤2.3、将电压平均偏差最小设置为所述日前优化调度模型的第三个目标函数δu，其中，将各节点中不同时刻的实际电压和对应时刻的基准电压作差求平均之后的百分比作
为所述电压平均偏差值；步骤2.4、分别将有功功率平衡和无功功率平衡作为所述日前优化调度模型的约束条件一；将电压不越限作为所述日前优化调度模型的约束条件二；将储能电池输出功率不越限作为所述日前优化调度模型的约束条件三；将储能电池容量不越限作为所述日前优化调度模型的约束条件四；将电动汽车充放电功率不越限作为所述日前优化调度模型的约束条件五；步骤3、以电动汽车和储能的充放电调度方案为待优化变量，并根据各目标函数和各约束条件确定所述日前优化调度模型的适应度函数，之后采用二阶震荡粒子群算法对所述日前优化调度模型进行优化，得到最优充放电调度方案；步骤3.1、利用式(1)将多目标函数转化为单目标函数f，并作为适应度函数：f＝ω1l+ω2δp+ω3δu+a+b+c+d+e
ꢀꢀꢀꢀ
(1)式(1)中，ω1、ω2和ω3分别为置负荷波动率、网损和电压偏差的权重系数；a、b、c、d和e分别为各约束条件的惩罚项；步骤3.2、以电动汽车和储能的日充放电调度方案为二阶震荡粒子群算法中各个粒子，其中，电动汽车日充放电调度方案对应的粒子取值为投入的充电桩组数，储能日充放电调度方案对应的粒子取值为储能输出的功率值；设置粒子维度为n
w
、粒子群中的粒子数为n
l
、惯性权重为ω、两个学习因子为c1和c2、最大迭代次数为n
d
；定义当前迭代次数为k，并初始化k＝1；随机初始化电动汽车和储能的日充放电调度方案构成的第k代粒子群，包括第k代粒子群中各粒子的速度参数和位置参数；步骤3.3、随机挑选所述第k代粒子群中任意一个粒子，计算所述粒子对应的第一目标函数l的初始值l0、第二个目标函数δp的初始值δp0和第三个目标函数δu的初始值δu0，并通过式(2)确定各目标函数对应权重系数；步骤3.4、由适应度函数确定所述第k代粒子群中各充放电调度方案的适应度值，将第k代中充放电调度方案的适应度值作为各个粒子的局部最优值，各个粒子在第k代粒子群中的位置为局部最优值所在位置，并将最优的适应度值作为第k代粒子群的全局最优值，将最优的适应度值在粒子群中的位置作为全局最优值所在位置；步骤3.5、对比第k代粒子群中各充放电调度方案的适应度值与第k-1代粒子群中各个粒子的局部最优值，若第k代粒子群中的任一充放电调度方案的适应度值较好，则用第k代粒子群中相应的充放电调度方案的适应度值替代第k-1代粒子群中对应粒子的历史局部最优值，第k代粒子群中适应度值较好的粒子对应位置替代第k-1代粒子群对应粒子的局部最优值所在位置；否则，保留第k-1代粒子群中各个粒子的局部最优值及其局部最优值所在位置；当k＝1时，令第k-1代粒子群中各个粒子的局部最优值及其所在位置为随机初始值；步骤3.6、找出第k代粒子群的全局最优值，并将当前全局最优值与第k-1代粒子群的全局最优值进行比较，若第k代粒子群的全局最优值较好，则用第k代粒子群的全局最优值替
代第k-1代粒子群的全局最优值，其第k代粒子群全局最优值对应位置替代与第k-1代粒子群全局最优值所在位置；否则，保留第k-1代粒子群的全局最优值及其所在位置；当k＝1时，令第k-1代粒子群的全局最优值及其所在位置为随机初始值；步骤3.7、更新第k代粒子群中各充放电调度方案的速度和位置，并根据适应度函数确定第k+1代粒子群中各充放电调度方案的适应度值；步骤3.8、令k+1赋值给k，并判断k>n
d
是否成立，若成立，则迭代结束，输出最优充放电调度方案及对应适应度值，否则，转步骤3.5顺序执行。

技术总结
本发明公开了一种计及电网稳定性的低压配电网电动汽车调度方法，该方法包括：1、建立优化调度日潮流数据模型及电动汽车模型；2、以各充电桩均参与电网调度为前提，建立以负荷波动率最小、网损最低和电压偏差最小为目标函数的日前优化调度模型；3、采用二阶震荡粒子群算法对日前优化调度模型进行求解。本发明考虑了低压配电网的量测特点，给出了电网最优状态下的电动汽车调度方案，电网公司可以根据此方案来指导电动汽车用户进行充放电，进而可以有效改善电力系统运行的稳定性。改善电力系统运行的稳定性。改善电力系统运行的稳定性。


技术研发人员：曹现峰 高传海 伍伟斌 韩平平 杨大宋 丁静雅 谢毓广 徐文娟 刘洋
受保护的技术使用者：合肥工业大学 国网安徽省电力有限公司电力科学研究院
技术研发日：2023.03.10
技术公布日：2023/9/26