在“二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”的目标要求下[1 -2 ] ,国家大力推动构建以新能源为主体的新型电力系统[3 ] ,其中分布式新能源(Distributed Renewable Energy,DRE)由于具有灵活性高、环境友好的特点,已成为新型电力系统的重要组成部分.同时,电动汽车(Electric Vehicle,EV)作为绿色出行工具[4 ] 节能环保,可利用充电设施实现电能补给.将DRE与电动汽车及充电设施相结合可使电动汽车逐步实现零污染排放[5 ] .在电动汽车与充电设施的灵活交互中,如何积极就地利用DRE,科学有序地引导电动汽车充电,是当下研究热点之一.
在引导电动汽车充电以促进DRE消纳方面已有大量研究,文献[6 ]中通过协调DRE出力与电动汽车充电需求的不确定性来引导电动汽车充电,实现促进DRE消纳、最大限度减少电网侧购电量的目的,但未考虑充电服务商侧的效益;文献[7 ]中建立信息物理社会系统优化模型,调控电动汽车充放电行为,以提升DRE消纳水平,同时减少电动汽车聚合商充电成本.然而上述研究中关于电动汽车充电行为的引导主要集中在单一区域内,且调控手段主要是改变电动汽车充电时段,从时间维度实现负荷转移以促进DRE消纳.用于日常通勤的电动汽车充电时间固定且有限,调整充电时间缺乏实际可操作性,可引导电动汽车用户调整充电位置来实现负荷空间转移.如文献[8 ]中提出关于电动出租车的充电引导及定价策略,通过转移电动出租车充电负荷的空间位置来提高充电设施利用率;文献[9 ]中建立电动汽车充电诱导优化模型,引入激励手段实现电动汽车负荷空间转移.但上述文献均未考虑DRE与充电站的结合.
在日常生活中电动汽车用户会因充电时间不足而产生时间焦虑的心理状态[10 ] ,这会降低用户对补偿激励的敏感性,进而影响用户的响应电量.现有研究中,影响用户需求电量的因素主要为价格变动,通常用需求价格弹性来表示用户需求电量对于价格变动做出反应的敏感程度[11 ] ,如文献[12 ]中构建用户细分的电动汽车服务费率-负荷弹性模型,提出基于智能合约的电动汽车充电服务费调整机制;文献[13 -14 ]中建立基于价格弹性矩阵的电动汽车响应模型,充分挖掘用户侧调节能力.尽管上述文献充分考虑价格变动对用户响应的影响,但在实际情况中电动汽车用户空闲时间的冗余程度也会对其需求电量以及充电位置选择产生影响.另外,目前鲜有关于电动汽车用户时间焦虑的研究,尤其是在电动汽车用户面临多充电位置选择时,会受到不同区域充电价格和时间焦虑带来的双重影响,因此亟需开展多区域下考虑电动汽车用户时间焦虑的充电引导策略研究.
综上所述,针对多充电区域场景下DRE出力与电动汽车负荷匹配失衡的问题,提出一种考虑补偿激励的电动汽车多区域优化调度策略,以价格引导手段从空间维度实现电动汽车负荷转移,促进DRE就地消纳.针对现有研究工作未考虑电动汽车用户时间焦虑对策略引导的影响,构建基于需求价格弹性及时间焦虑的用户需求电量模型,提出电动汽车分群方法,并设计考虑时间焦虑及后悔心理的充电区域决策模型,更加贴合用户选择时的不完全理性特性,最大程度挖掘用户响应潜力.同时,利用算例仿真验证了所提策略能有效保证电动汽车用户在有限空闲时间内补能的经济性,进而实现电动汽车负荷调度最优化.
1 电动汽车调度框架及模型构建
1.1 电动汽车多区域充电调度架构
提出考虑补偿激励的电动汽车多区域优化调度策略框架,以价格引导手段从空间维度实现负荷转移,具体如图1 所示.能量供给方面,DRE为电动汽车主要能量来源,当DRE出力不足时,充电服务商直接向上级电网购电以满足电动汽车充电需求[15 ] .信息传输方面,充电服务商每隔时间Δt 采集电动汽车用户上传的预充电信息以及各区域DRE预测信息,其中的决策调度模块以DRE消纳偏差最小化和充电服务商经济效益最大化为目标,下发区域差异化充电补偿激励,引导用户选择最佳充电位置.上述各主体的目标需求如下:
图1
图1
考虑补偿激励的电动汽车多区域优化调度框架
Fig.1
Multi-region optimal scheduling framework for EVs considering compensation incentives
(1) 对于充电服务商,其作为盈利性机构,目标是根据用户充电需求设置充电区域差异化补偿激励,在满足用户充电需求的前提下,有序引导电动汽车充电促进DRE消纳,实现自身效益最大化.
(2) 对于电动汽车用户,其目标是在自身空闲时间内以最小综合成本满足自身充电需求,可根据各区域的充电补偿灵活做出充电选择.
1.2 电动汽车用户时间焦虑模型
电动汽车用户时间焦虑定义为在充电阶段所需时间不足的一种状态.如果电动汽车用户有足够空闲时间,其时间焦虑就会减小,参与调度的可能性增高.反之,如果没有足够空闲时间,其时间焦虑就会增加,参与调度的可能性降低.将电动汽车用户时间焦虑表示为
(1) δn , i , t t n , i c h + t n , i r e t n f t 1 ρ
(2) t n , i c h s n , i , t d e n , t
(3) t n , i r e t n , i t r a , t n s t
(4) t n , i t r a n , i , t /v
式中:δn , i , t t 个调度时段充电区域i 内第n 辆电动汽车用户因时间焦虑而产生的感知偏差系数;t n , i c h t n f t n 辆电动汽车在区域i 的充电时间和空闲时间;s n , i , t d e t 时间段内第n 辆电动汽车在区域i 充电的需求电量;t n , i r e n 辆电动汽车在区域i 的充电准备时间,取电动汽车行驶时间及调度预留时间二者最大值;ρ 为焦虑因子,表示电动汽车用户受到时间焦虑的影响程度,取值0.9~1.1,ρ 值越大,表示用户受到时间焦虑的影响越小; Pn , t t n , i t r a n 辆电动汽车前往区域i 的行驶时间;t n s t ln , i , t t 个调度时段的第n 辆电动汽车距离充电区域i 的距离;v 为电动汽车的平均行驶速度,设为30 km/h.
1.3 电动汽车需求电量模型
在日常出行中,用户在t 时刻前往区域i 充电的需求电量s n , i , t d e s n , i , t t a r s n , i , t i n i s n , i , t t r a
(5) s n , i , t d e s n , i , t t a r s n , i , t i n i s n , i , t t r a
(6) sn , t +1 =sn , t ηc Pn , t t
(7) s n , i , t t r a l n , i , t κ
式中:sn , t t 时间段第n 辆电动汽车的电量;η c 为充电效率,设为95%;Δt 为充电持续时间;κ 为电动汽车单位耗电量,取6 km/(kW·h).
在充电服务商利用区域价格差异引导电动汽车用户时,电动汽车需求电量会受需求价格弹性和时间焦虑的影响,则综合需求价格弹性和时间焦虑的电动汽车需求电量模型可进一步表示为
(8) $ s_{n, i, t}^{\mathrm{de}}=s_{n, i, t}^{\mathrm{de}}\left(1-\chi_{n, i, t} \frac{A_{n, i, t}^{\prime}}{q_{i, t}^{\mathrm{o}}}-\sum_{j \neq i}^{j \in Z} \chi_{n, i j, t} \frac{A_{n, j, t}^{\prime}}{q_{j, t}^{\mathrm{o}}}\right)$
(9) q o i , t i , t =Ai , t
(10) A'n , i , t A i , t δ n , i , t
式中:s n , i , t d e ' χn , ii , t χn , ij , t i 、j 充电电价对区域i 充电量的影响;Z 为充电区域集合;A'n , i , t A'n , j , t i 、j 的充电补偿;q o i , t q o j , t t 时间段内区域i 、j 的初始充电价格;qi , t t 时段内充电服务商调整后区域i 的充电价格;Ai , t t 时段内区域i 的充电补偿.
1.4 电动汽车分群方法
充电服务商在对电动汽车进行引导充电之前,根据电动汽车响应能力对其分群,得到可响应集群和不可响应集群,针对可响应集群建立优化调度策略,引导电动汽车选择不同区域充电,实现负荷空间转移.电动汽车响应能力根据电动汽车剩余电量可达原则[8 ] 和充电时间冗余原则判断,两个原则的判断式为
(11) (s n , i i n i s n , i t r a n ≥0.1
(12) t n , i c h t n , i r e t n f t
式中:Cn 为电动汽车电池容量,取40 kW·h.对于不满足上述原则的电动汽车,划分为不可响应集群,就近选择充电区域完成充电,作为该区域固定充电负荷.而对于满足上述原则的电动汽车,根据基于后悔理论的充电决策模型,将可响应集群进一步按照充电区域进行集群划分,充电服务商可通过调整不同充电区域的充电补偿实现负荷的空间转移.
1.5 基于后悔理论的充电区域决策模型
后悔理论为“不完全理性”理论,是指决策者进行决策时不仅考虑当前方案的效用,还会考虑因备用方案的较好效用引起的后悔心理[16 ] ,后悔值Cn , ij , t t 时刻选择区域i 和j 的综合成本比较情况,若用户选择区域i 充电的综合成本比区域j 高,则产生与综合成本差成正比的后悔值,反之,则后悔值为0.其公式如下所示:
(13) C n , i j , t c h s n , i , t d e ' q o i , t n , i , t )- s n , j , t d e ' q o j , t n , j , t )}
(14) C T n , i j , t 0 , α T ( t n , i t r a - t n , j t r a )
(15) Cn , ij , t C n , i j , t c h C T n , i j , t
式中:C n , i j , t c h C T n , i j , t t 时段内第n 个电动汽车用户相对于选择区域i 时,选择区域j 产生价格后悔值和时间后悔值;αT 为电动汽车用户单位时间成本,为0.25元/min.
针对可响应集群,电动汽车用户空闲时间充足,其对充电激励的敏感性提升.基于后悔最小化理论[17 ] ,电动汽车用户在所有方案中选择后悔值最小的区域作为最终充电区域.算式如下所示:
(16) Cn , t C n , 1 , t , … C n , i , t , … , C n , N e s , t
(17) Cn , i , t m a x j ≠ i , i 、 j ∈ Z C n , i 1 , t , … C n , i j , t , … , C n , i N e s - 1 , t
式中:Cn , t t 时段内第n 个电动汽车用户最终选择的充电区域所对应后悔值;Nes 为充电区域数量;Cn , i , t t 时段内第n 个电动汽车用户选择充电区域i 的后悔值,取与其他选择方案比较结果中的最大值.
2 考虑充电补偿的电动汽车负荷优化调度策略
2.1 电动汽车多区域充电优化调度流程
电动汽车充电优化调度流程如图2 所示,主要包括用户需求电量确定、充电区域决策、调度策略求解3个阶段.在电动汽车用户需求电量确定阶段,区域间充电价格差及有限的空闲时间影响电动汽车用户的需求电量,将其分别建模量化为需求价格弹性及时间焦虑模型以确定电动汽车用户的需求电量;在充电区域决策阶段,根据充电时间冗余原则及剩余电量可达原则对电动汽车进行集群划分形成可响应和不可响应集群,构建基于后悔理论的充电区域决策模型对可响应集群进一步划分,形成区域性电动汽车总负荷.在调度策略求解阶段中,联立区域性电动汽车总负荷及区域DRE出力,利用粒子群算法求解策略,算法原理可参考文献[15 ].
图2
图2
电动汽车充电优化调度流程
Fig.2
Process of EV charging optimization scheduling
2.2 优化目标
(1) DRE消纳偏差最小化.电动汽车充电的主要供能方为DRE,当DRE出力不足时则需要向上级电网购电,这既增加购电成本,又会增加上级电网负荷压力;而DRE出力供大于求时,则会造成弃风弃光现象.因此充电服务商的目标之一是DRE消纳偏差最小:
(18) min F 1 = 1 T ∑ i ∈ Z ∑ t = 1 T P e v s , i , t + P ' e v s , i , t - P n e , i , t P n e , i , t
(19) Pevs ,i,t = ∑ h ∈ N i , t h , i , t
(20) P'evs ,i,t = ∑ m ∈ M i , t m , i , t
式中:F 1 为所有充电区域DRE消纳偏差之和;T 为总调度时段个数;Pne ,i,t 为t 时段内区域i 的DRE出力;P'evs ,i,t 为t 时段内区域i 处电动汽车可响应集群充电负荷;Ni , t t 时段内可响应集群中根据充电区域决策模型选择在区域i 充电的电动汽车数量;Ph , i , t t 时段区域i 可响应集群中第h 辆电动汽车的充电功率;P'evs ,i,t 为不可响应集群t 时段内区域i 的电动汽车固定负荷;Mi , t t 时段内不可响应集群中在区域i 充电的电动汽车数量;Pm , i , t t 时段区域i 不可响应集群中第m 辆电动汽车的充电功率.
(2) 充电服务商经济效益最大化.作为盈利性机构,充电服务商的目的是获取收益,因此将经济效益最大化作为目标之一.充电服务商成本主要为DRE购电成本、上级电网购电成本以及补偿成本,收益为DRE消纳效益及售电收益.为便于后续计算,取经济效益目标函数值的相反数.多目标优化公式如下所示:
(21) min F 2 =- ∑ t = 1 T ∑ i ∈ z 1, i , t +I2, i , t -I3, i , t -I4, i , t )
(22) I 1, i , t q o i , t evs ,i,t +Pevs ,i,t )Δt
(23) I 2, i , t εP'ne ,i,t Δt
(24) I 3, i , t Ai , t Pevs ,i,t Δt
(25) I 4, i , t qne ,t Pne ,i,t Δt +qbuy ,t Pbuy ,i,t Δt
式中:F 2 为充电服务商经济效益的相反数; I 1, i , t I 2, i , t I 3, i , t I 4, i , t t 时段内的充电区域i 的售电利润、DRE消纳效益[18 ] 、充电补偿成本、购电成本;ε 为DRE单位消纳效益,设为0.1元/(kW·h);P'ne ,i,t 为t 时段内区域i 的DRE消纳量;qne ,t 为t 时段购买DRE出力的电量价格; qbuy ,t 为t 时段内从电网购电的电量价格;Pbuy ,i,t 为t 时段区域i 内因清洁能源出力不足而额外所需功率.
上述为多目标优化问题,为保证量纲一致,在对目标函数求解前,要对目标函数进行标幺处理,处理后的总目标函数为
(26) F 3 =α F 1 F 1 , m a x F 2 F 2 , m a x
式中:α 、β 为各个目标函数的权重值;F 1,max 、F 2,max 分别为F 1 、F 2 最大值.
3 算例仿真与分析
3.1 基础数据
考虑电动汽车用户的出行规律,将调度时间范围设置为9:00—22:00,每个时间段为15 min,即总调度时间段细分为52个调度时间段.设用户的空闲时间为20~55 min,调度对象为区域1、2、3内的电动汽车,电动汽车预充电数量参考文献[19 ],交叉弹性系数设置为0.3,自弹性系数设置为-1[20 ] ,电动汽车起始荷电状态为20%~60%,用户期望荷电状态为70%~80%,充电补偿最大值A max 设置为充电单价的1/2,α 、β 均设置为1.充电区域拓扑及距离信息如图3 和表1 所示,区域1~3的预充电电动汽车数量(N )如图4 所示,各时段电价的具体参数如表2 所示.设置粒子群算法迭代次数为1 000,种群规模为 1 000,学习因子 c 1 =c 2 =1.5,惯性因子ω 为0.95.
图3
图3
充电区域拓扑
Fig.3
Topology of charging regions
图4
图4
各区域电动汽车预充电数量
Fig.4
Numbers of EV pre-charging in each region
3.2 多区域电动汽车调度策略分析
为验证本文策略的有效性,设置4种对比策略进行分析验证,具体对比策略如下所示:
(1) 对比策略1.不考虑充电服务商引导,无法实现电动汽车负荷与DRE的匹配.
(2) 对比策略2.只考虑区域充电价格差,忽略用户的需求价格弹性及时间焦虑.
(3) 对比策略3.考虑区域充电价格差和时间焦虑,忽略用户的需求价格弹性.
(4) 对比策略4.考虑区域充电价格差和需求价格弹性,忽略用户的时间焦虑.
(5) 本文策略.考虑区域充电价格差、需求价格弹性和时间焦虑,调度效果最佳.
本文策略与各对比策略的电动汽车负荷曲线如图5 所示.图中:P 为功率.在对比策略1中,由于未考虑区域充电价格差,电动汽车用户在空间上选择距离自身最近的区域进行充电,充电负荷不能较好地匹配DRE出力,DRE消纳水平低下.对比策略2~4中充电服务商对电动汽车进行充电引导,DRE出力曲线与电动汽车负荷曲线能实现较好匹配,但以上策略整体效果均略逊于本文策略,这是因为对比策略2未考虑需求价格弹性和时间焦虑的影响,区域间的充电价格差不能完全激励电动汽车用户响应调度策略,使得其用户需求电量及用户参与调度的数量均低于本文策略;而对比策略3未考虑需求价格弹性,时间焦虑因素不能从充电价格方面实现对电动汽车用户的引导,故该策略下用户需求电量低于本文策略;对比策略4因未考虑时间焦虑,导致可响应集群中部分电动汽车用户未参与调度而没有前往目标区域充电,所以整体参与调度的电动汽车数量低于本文策略.
图5
图5
不同调度策略下电动汽车负荷曲线对比
Fig.5
Comparison of EV load of different scheduling strategies
本文策略下所制定的各区域充电补偿能够跟随各充电区域DRE出力冗余量进行动态变化,具体如图6 所示.图中:A 为充电补偿.综合图5 和图6 可知,针对DRE出力低于充电负荷的区域,以 9:00—10:00 的区域3为例,由于该时段内电动汽车补偿价格低于其他区域,所以采用本文策略后该时段从区域3转移至其他区域的电动汽车负荷较对比策略2、3和4均有所提升.针对DRE富余量多的充电区域,以 9:00—16:00 的区域1和2为例,采用对比策略2、3、4和本文策略后,两个区域的DRE消纳量均有明显提升,但在需求价格弹性及时间焦虑因素的作用下,本文策略的电动汽车负荷转移量较其他3个对比策略更充分.同时在 12:45—16:00,由于该时段采取平段电价, 且区域1的电动汽车充电补偿价格高于区域2,所以该时段内空闲时间充足的用户受充电价格影响大多转移至区域1进行充电,不仅大幅提升区域1的DRE消纳比例,还有效缓解区域3的供电压力.
图6
图6
各区域各时段电动汽车充电补偿变化
Fig.6
Changes of EV charging compensation coefficients in different regions and time periods
不同调度策略下充电服务商收益、分布式消纳偏差以及用户单位充电成本如表3 所示.由表3 可知,本文策略在服务商收益、DRE消纳偏差、用户单位充电成本3个方面优化效果均由于其他对比策略.与对比策略1相比,本文策略的DRE消纳偏差量大幅度减小,服务商收益增加10.10%,用户单位充电成本降低7.12%.与对比策略2、3和4相比,由于本文考虑价格弹性及时间焦虑的影响,用户需求电量略高于调度策略3, 用户参与调度数量多于对比策略4,调度结果呈现出相应的优化.可见本文策略能够充分提高用户参与调度的积极性,进而促进各区域的DRE消纳,减少弃风弃光量,同时还能增加充电服务商的经济效益,降低用户的充电成本.
3.3 用户充电区域决策过程及时间焦虑影响因素分析
3.3.1 基于后悔理论的充电区域决策分析
为了进一步明晰电动汽车用户响应本文策略的过程以及时间焦虑对用户决策的影响,对 13:30—13:45 内的电动汽车调度过程进行详细分析.由图5 可知,该时间段内充电服务商的目的是引导区域3的电动汽车前往区域2和区域1充电,以降低区域3内的充电负荷,同时促进区域1和区域2的DRE消纳.对比策略1、4以及本文策略下各区域内电动汽车充电决策结果如图7 所示.其中,本文策略中在充电补偿的影响下,13:30—13:45 时段内距离区域3最近的电动汽车有7辆前往区域1充电,3辆选择区域2充电,9辆仍在区域3内充电,区域1和区域2的电动汽车未发生转移;而在对比策略4中因未考虑时间焦虑,区域3中有5辆电动汽车前往区域1充电,3辆前往区域2充电,参与调度数量减少.
图7
图7
13:30—13:45内电动汽车用户充电区域选择结果
Fig.7
Selection results of EV users’ charging region from 13:30 to 13:45
3.3.2 时间焦虑对用户充电区域决策的影响分析
取13:30—13:45内编号为1、6、7、15的电动汽车进行具体分析,其时间后悔值、价格后悔值、总后悔值及充电决策结果如表4 所示.
综合图7 和表4 可知,在该时段采用对比策略4后,虽然区域3在该时段的充电补偿最低,但对于6号、7号和15号电动汽车用户来说,选择该区域的时间后悔值最小,这3个电动汽车用户选择前往区域3充电最为合适.针对1号电动汽车用户,其在区域1充电的总后悔值最低,故选择区域1充电.而在本文策略中,从区域3前往区域1的电动汽车用户有1号、7号和15号,与对比策略4区域决策结果不同的有 7号和15号,这是由于在考虑时间焦虑后,用户对充电激励的感知增强,导致其选择区域1的总后悔值最小.可见,由于受区域充电补偿和时间焦虑的影响,用户不会简单地就近进行充电,而是根据后悔心理不完全理性地选择充电区域.同时,考虑时间焦虑会导致充电激励敏感性增强而促使用户改变充电区域的选择,能够最大程度挖掘用户响应潜力.
3.4 调度策略影响因素分析
3.4.1 电动汽车数量对调度效果的影响
对比电动汽车数量为原始数量、原始数量的1.25倍和1.5倍时的电动汽车优化效果,得到对比策略3、4及本文策略的电动汽车负荷曲线如图8 所示,具体优化效果如表5 所示.1.25倍电动汽车数量时,充电服务商收益和消纳偏差由于电动汽车数量的增多而增大,用户单位充电成本变化不大.而在1.5倍电动汽车数量时,部分时段DRE出力不足以支撑电动汽车负荷,因此充电服务商外购电量增加,其消纳偏差随之增大,但本文策略调度效果仍优于其他两对比策略.
图8
图8
不同电动汽车数量下调度负荷曲线
Fig.8
Scheduling load with different numbers of EV
3.4.2 时间焦虑因素对调度效果的影响
影响时间焦虑的因素包括用户空闲时间及焦虑因子,而在多区域电动汽车调度策略分析和用户充电区域决策过程及时间焦虑影响因素分析中,用户空闲时间及焦虑因子均在规定范围内取随机值,无法显示时间焦虑因素对用户响应行为的具体影响.分别固定焦虑因子ρ 和用户空闲时间t ft ,改变另一变量进行200次蒙特卡罗模拟,以分析用户时间焦虑对用户平均充电量$s_{\text {ave }}^{\mathrm{de}}\left(s_{\mathrm{ave}}^{\mathrm{de}}=\sum_{t=1}^{T} \sum_{i \in Z} s_{n, i, t}^{\mathrm{de}} / \sum_{t=1}^{T} \sum_{i \in Z} M_{i, t}+\right. N_{i, t} )$ 图9 所示.
图9
图9
时间焦虑对调度结果的影响
Fig.9
Effect of time anxiety on scheduling results
由图可知,随着用户焦虑因子ρ 的增加,用户充电量随之增加,DRE消纳偏差随之减小,充电服务商收益也随之增加.另外,电动汽车用户空闲时间越多,其对区域间的充电价格差异更敏感,策略优化效果更好.因此在确定充电补偿时,考虑用户的时间焦虑能进一步挖掘用户的响应潜力,达到更好的调度效果.
4 结论
随着新型电力系统的建设,可再生能源渗透率不断提升,针对DRE出力与电动汽车负荷供需不均的问题,面向多充电区域场景提出考虑用户时间焦虑的电动汽车优化调度激励策略,通过仿真验证得到以下结论:
(1) 综合考虑需求价格弹性和时间焦虑对电动汽车用户决策的影响,构建电动汽车用户需求电量模型和基于后悔理论的电动汽车用户充电区域决策模型,能够充分挖掘电动汽车用户的响应潜力,更加贴合用户面临充电选择时的不完全理性表现,保证电动汽车用户在有限空闲时间内补能的经济性.
(2) 提出考虑补偿激励的电动汽车多区域优化调度策略,确立各区域各时段电动汽车充电补偿以引导电动汽车有序充电,提升各区域的DRE消纳水平,在一定程度上保证充电区域的能源自治性.同时满足充电服务商的效益需求和用户的充电需求,实现多方共赢.
参考文献
View Option
[1]
陈文溆乐 , 向月 , 彭光博 , 等 . “双碳”目标下电力系统供给侧形态发展系统动力学建模与分析
[J]. 上海交通大学学报 2021 , 55 (12 ): 1567 -1576 .
DOI:10.16183/j.cnki.jsjtu.2021.294
[本文引用: 1]
为了模拟双碳目标对电力系统供给侧形态发展的影响,通过分析电源结构转型过程中碳排放的主要影响因素及其相关关系,构建4种不同发展情景的系统动力学模型.仿真分析了4种发展路径下发电结构、电力碳排放的演化趋势.结果表明:电力系统能源供给侧形态发展受多种因素的共同影响,在政策大力支持的前提下,市场消纳机制和消纳技术的发展促进电力系统发电结构的转型,对双碳目标的实现具有重要意义.
CHEN Wenxule XIANG Yue PENG Guangbo et al System dynamic modeling and analysis of power system supply side morphological development with dual carbon targets
[J]. Journal of Shanghai Jiao Tong University 2021 , 55 (12 ): 1567 -1576 .
[本文引用: 1]
[2]
MALLAPATY S How China could be carbon neutral by mid-century
[J]. Nature 2020 , 586 (7830 ): 482 -483 .
[本文引用: 1]
[3]
陈皓勇 , 谭碧飞 , 伍亮 , 等 . 分层集群的新型电力系统运行与控制
[J]. 中国电机工程学报 2023 , 43 (2 ): 581 -595 .
[本文引用: 1]
CHEN Haoyong TAN Bifei WU Liang et al Operation and control of the new power systems based on hierarchical clusters
[J]. Proceedings of the CSEE 2023 , 43 (2 ): 581 -595 .
[本文引用: 1]
[4]
任峰 , 向月 . 辅助负荷削峰的电动出租车V2G协同策略与效益分析
[J]. 电力自动化设备 2022 , 42 (2 ): 63 -69 .
[本文引用: 1]
REN Feng XIANG Yue V2G coordinated strategy and benefit analysis of electric taxis to assist peak load shifting
[J]. Electric Power Automation Equipment 2022 , 42 (2 ): 63 -69 .
[本文引用: 1]
[5]
刘岩 , 张亚超 , 朱蜀 , 等 . 计及EV负荷-风电异质场景集的交直流混合配电网多目标分布式协同优化
[J]. 电力自动化设备 2022 , 42 (10 ): 218 -226 .
[本文引用: 1]
LIU Yan ZHANG Yachao ZHU Shu et al Multi-objective distributed cooperative optimization of hybrid AC/DC distribution network considering EV load-wind power heterogeneous scenario sets
[J]. Electric Power Automation Equipment 2022 , 42 (10 ): 218 -226 .
[本文引用: 1]
[6]
FOULADI E BAGHAEE H R BAGHERI M et al Power management of microgrids including PHEVs based on maximum employment of renewable energy resources
[J]. IEEE Transactions on Industry Applications 2020 , 56 (5 ): 5299 -5307 .
[本文引用: 1]
[7]
陈梓瑜 , 朱继忠 , 刘云 , 等 . 基于信息物理社会融合的新能源消纳策略
[J]. 电力系统自动化 2022 , 46 (9 ): 127 -136 .
[本文引用: 1]
CHEN Ziyu ZHU Jizhong LIU Yun et al Renewable energy accommodation strategy based on cyber-physical-social integration
[J]. Automation of Electric Power Systems 2022 , 46 (9 ): 127 -136 .
[本文引用: 1]
[8]
傅质馨 , 朱韦翰 , 朱俊澎 , 等 . 动态路-电耦合网络下电动出租车快速充电引导及其定价策略
[J]. 电力自动化设备 2022 , 42 (4 ): 9 -17 .
[本文引用: 2]
FU Zhixin ZHU Weihan ZHU Junpeng et al Fast charging guidance and pricing strategy for electric taxis based on dynamic traffic-grid coupling network
[J]. Electric Power Automation Equipment 2022 , 42 (4 ): 9 -17 .
[本文引用: 2]
[9]
葛显龙 , 李婷 , 王博 , 等 . 考虑负效应最小化的电动汽车补能诱导研究
[J]. 交通运输系统工程与信息 2022 , 22 (3 ): 74 -83 .
[本文引用: 1]
GE Xianlong LI Ting WANG Bo et al Electric vehicle charging induction with minimization of negative effects
[J]. Journal of Transportation Systems Engineering & Information Technology 2022 , 22 (3 ): 74 -83 .
[本文引用: 1]
[10]
BITHER S W HOWARD J A SHETH J N The theory of buyer behavior
[J]. Journal of Marketing 1971 , 35 (1 ): 102 .
[本文引用: 1]
[11]
徐广达 , 张利 , 梁军 , 等 . 基于设备用电特征的居民电力需求价格弹性评估
[J]. 电力系统自动化 2020 , 44 (13 ): 48 -55 .
[本文引用: 1]
XU Guangda ZHANG Li LIANG Jun et al Estimation of price elasticity for residential electricity demand based on electricity consumption features of appliances
[J]. Automation of Electric Power Systems 2020 , 44 (13 ): 48 -55 .
[本文引用: 1]
[12]
郭伟嘉 , 刘敦楠 , 王文 , 等 . 基于智能合约的电动汽车充电服务费自适应调整机制
[J]. 电力自动化设备 2022 , 42 (10 ): 13 -20 .
[本文引用: 1]
GUO Weijia LIU Dunnan WANG Wen et al Adaptive adjustment mechanism of electric vehicle charging service fee based on smart contract
[J]. Electric Power Automation Equipment 2022 , 42 (10 ): 13 -20 .
[本文引用: 1]
[13]
陈中 , 刘艺 , 周涛 , 等 . 考虑移动特性的电动汽车最优分时充电定价策略
[J]. 电力自动化设备 2020 , 40 (4 ): 96 -102 .
[本文引用: 1]
CHEN Zhong LIU Yi ZHOU Tao et al Optimal time-of-use charging pricing strategy of EVs considering mobile characteristics
[J]. Electric Power Automation Equipment 2020 , 40 (4 ): 96 -102 .
[本文引用: 1]
[14]
石文超 , 吕林 , 高红均 , 等 . 考虑需求响应和电动汽车参与的主动配电网经济调度
[J]. 电力系统自动化 2020 , 44 (11 ): 41 -51 .
[本文引用: 1]
SHI Wenchao LV Lin GAO Hongjun et al Economic dispatch of active distribution network with participation of demand response and electric vehicle
[J]. Automation of Electric Power Systems 2020 , 44 (11 ): 41 -51 .
[本文引用: 1]
[15]
刘向军 , 牟明亮 , 黄绍模 , 等 . 考虑充电功率衰减的电动汽车两阶段优化调度策略
[J]. 电网技术 2021 , 45 (7 ): 2656 -2666 .
[本文引用: 2]
LIU Xiangjun MU Mingliang HUANG Shaomo et al Two-stage optimal scheduling strategy of electric vehicle considering charging power decay
[J]. Power System Technology 2021 , 45 (7 ): 2656 -2666 .
[本文引用: 2]
[16]
李梦 , 黄海军 . 基于后悔理论的出行路径选择行为研究
[J]. 管理科学学报 2017 , 20 (11 ): 1 -9 .
[本文引用: 1]
LI Meng HUANG Haijun Modeling route choice behavior based on regret theory
[J]. Journal of Management Sciences in China 2017 , 20 (11 ): 1 -9 .
[本文引用: 1]
[17]
张美霞 , 孙铨杰 , 杨秀 . 考虑多源信息实时交互和用户后悔心理的电动汽车充电负荷预测
[J]. 电网技术 2022 , 46 (2 ): 632 -645 .
[本文引用: 1]
ZHANG Meixia SUN Quanjie YANG Xiu Electric vehicle charging load prediction considering multi-source information real-time interaction and user regret psychology
[J]. Power System Technology 2022 , 46 (2 ): 632 -645 .
[本文引用: 1]
[18]
许汉平 , 李姚旺 , 苗世洪 , 等 . 考虑可再生能源消纳效益的电力系统“源-荷-储”协调互动优化调度策略
[J]. 电力系统保护与控制 2017 , 45 (17 ): 18 -25 .
[本文引用: 1]
XU Hanping LI Yaowang MIAO Shihong et al Optimization dispatch strategy considering renewable energy consumptive benefits based on “source-load-energy storage” coordination in power system
[J]. Power System Protection & Control 2017 , 45 (17 ): 18 -25 .
[本文引用: 1]
[19]
麻秀范 , 李颖 , 王皓 , 等 . 基于电动汽车出行随机模拟的充电桩需求研究
[J]. 电工技术学报 2017 , 32 (Sup.2) : 190 -202 .
[本文引用: 1]
MA Xiufan LI Ying WANG Hao et al Research on demand of charging piles based on stochastic simulation of EV trip chain
[J]. Transactions of China Electrotechnical Society 2017 , 32 (Sup.2) : 190 -202 .
[本文引用: 1]
[20]
PARK S W CHO K S HOEFTER G et al Electric vehicle charging management using location-based incentives for reducing renewable energy curtailment considering the distribution system
[J]. Applied Energy 2022 , 305 : 117680 .
[本文引用: 1]
“双碳”目标下电力系统供给侧形态发展系统动力学建模与分析
1
2021
... 在“二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”的目标要求下[1 -2 ] ,国家大力推动构建以新能源为主体的新型电力系统[3 ] ,其中分布式新能源(Distributed Renewable Energy,DRE)由于具有灵活性高、环境友好的特点,已成为新型电力系统的重要组成部分.同时,电动汽车(Electric Vehicle,EV)作为绿色出行工具[4 ] 节能环保,可利用充电设施实现电能补给.将DRE与电动汽车及充电设施相结合可使电动汽车逐步实现零污染排放[5 ] .在电动汽车与充电设施的灵活交互中,如何积极就地利用DRE,科学有序地引导电动汽车充电,是当下研究热点之一. ...
System dynamic modeling and analysis of power system supply side morphological development with dual carbon targets
1
2021
... 在“二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”的目标要求下[1 -2 ] ,国家大力推动构建以新能源为主体的新型电力系统[3 ] ,其中分布式新能源(Distributed Renewable Energy,DRE)由于具有灵活性高、环境友好的特点,已成为新型电力系统的重要组成部分.同时,电动汽车(Electric Vehicle,EV)作为绿色出行工具[4 ] 节能环保,可利用充电设施实现电能补给.将DRE与电动汽车及充电设施相结合可使电动汽车逐步实现零污染排放[5 ] .在电动汽车与充电设施的灵活交互中,如何积极就地利用DRE,科学有序地引导电动汽车充电,是当下研究热点之一. ...
How China could be carbon neutral by mid-century
1
2020
... 在“二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”的目标要求下[1 -2 ] ,国家大力推动构建以新能源为主体的新型电力系统[3 ] ,其中分布式新能源(Distributed Renewable Energy,DRE)由于具有灵活性高、环境友好的特点,已成为新型电力系统的重要组成部分.同时,电动汽车(Electric Vehicle,EV)作为绿色出行工具[4 ] 节能环保,可利用充电设施实现电能补给.将DRE与电动汽车及充电设施相结合可使电动汽车逐步实现零污染排放[5 ] .在电动汽车与充电设施的灵活交互中,如何积极就地利用DRE,科学有序地引导电动汽车充电,是当下研究热点之一. ...
分层集群的新型电力系统运行与控制
1
2023
... 在“二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”的目标要求下[1 -2 ] ,国家大力推动构建以新能源为主体的新型电力系统[3 ] ,其中分布式新能源(Distributed Renewable Energy,DRE)由于具有灵活性高、环境友好的特点,已成为新型电力系统的重要组成部分.同时,电动汽车(Electric Vehicle,EV)作为绿色出行工具[4 ] 节能环保,可利用充电设施实现电能补给.将DRE与电动汽车及充电设施相结合可使电动汽车逐步实现零污染排放[5 ] .在电动汽车与充电设施的灵活交互中,如何积极就地利用DRE,科学有序地引导电动汽车充电,是当下研究热点之一. ...
Operation and control of the new power systems based on hierarchical clusters
1
2023
... 在“二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”的目标要求下[1 -2 ] ,国家大力推动构建以新能源为主体的新型电力系统[3 ] ,其中分布式新能源(Distributed Renewable Energy,DRE)由于具有灵活性高、环境友好的特点,已成为新型电力系统的重要组成部分.同时,电动汽车(Electric Vehicle,EV)作为绿色出行工具[4 ] 节能环保,可利用充电设施实现电能补给.将DRE与电动汽车及充电设施相结合可使电动汽车逐步实现零污染排放[5 ] .在电动汽车与充电设施的灵活交互中,如何积极就地利用DRE,科学有序地引导电动汽车充电,是当下研究热点之一. ...
辅助负荷削峰的电动出租车V2G协同策略与效益分析
1
2022
... 在“二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”的目标要求下[1 -2 ] ,国家大力推动构建以新能源为主体的新型电力系统[3 ] ,其中分布式新能源(Distributed Renewable Energy,DRE)由于具有灵活性高、环境友好的特点,已成为新型电力系统的重要组成部分.同时,电动汽车(Electric Vehicle,EV)作为绿色出行工具[4 ] 节能环保,可利用充电设施实现电能补给.将DRE与电动汽车及充电设施相结合可使电动汽车逐步实现零污染排放[5 ] .在电动汽车与充电设施的灵活交互中,如何积极就地利用DRE,科学有序地引导电动汽车充电,是当下研究热点之一. ...
V2G coordinated strategy and benefit analysis of electric taxis to assist peak load shifting
1
2022
... 在“二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”的目标要求下[1 -2 ] ,国家大力推动构建以新能源为主体的新型电力系统[3 ] ,其中分布式新能源(Distributed Renewable Energy,DRE)由于具有灵活性高、环境友好的特点,已成为新型电力系统的重要组成部分.同时,电动汽车(Electric Vehicle,EV)作为绿色出行工具[4 ] 节能环保,可利用充电设施实现电能补给.将DRE与电动汽车及充电设施相结合可使电动汽车逐步实现零污染排放[5 ] .在电动汽车与充电设施的灵活交互中,如何积极就地利用DRE,科学有序地引导电动汽车充电,是当下研究热点之一. ...
计及EV负荷-风电异质场景集的交直流混合配电网多目标分布式协同优化
1
2022
... 在“二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”的目标要求下[1 -2 ] ,国家大力推动构建以新能源为主体的新型电力系统[3 ] ,其中分布式新能源(Distributed Renewable Energy,DRE)由于具有灵活性高、环境友好的特点,已成为新型电力系统的重要组成部分.同时,电动汽车(Electric Vehicle,EV)作为绿色出行工具[4 ] 节能环保,可利用充电设施实现电能补给.将DRE与电动汽车及充电设施相结合可使电动汽车逐步实现零污染排放[5 ] .在电动汽车与充电设施的灵活交互中,如何积极就地利用DRE,科学有序地引导电动汽车充电,是当下研究热点之一. ...
Multi-objective distributed cooperative optimization of hybrid AC/DC distribution network considering EV load-wind power heterogeneous scenario sets
1
2022
... 在“二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”的目标要求下[1 -2 ] ,国家大力推动构建以新能源为主体的新型电力系统[3 ] ,其中分布式新能源(Distributed Renewable Energy,DRE)由于具有灵活性高、环境友好的特点,已成为新型电力系统的重要组成部分.同时,电动汽车(Electric Vehicle,EV)作为绿色出行工具[4 ] 节能环保,可利用充电设施实现电能补给.将DRE与电动汽车及充电设施相结合可使电动汽车逐步实现零污染排放[5 ] .在电动汽车与充电设施的灵活交互中,如何积极就地利用DRE,科学有序地引导电动汽车充电,是当下研究热点之一. ...
Power management of microgrids including PHEVs based on maximum employment of renewable energy resources
1
2020
... 在引导电动汽车充电以促进DRE消纳方面已有大量研究,文献[6 ]中通过协调DRE出力与电动汽车充电需求的不确定性来引导电动汽车充电,实现促进DRE消纳、最大限度减少电网侧购电量的目的,但未考虑充电服务商侧的效益;文献[7 ]中建立信息物理社会系统优化模型,调控电动汽车充放电行为,以提升DRE消纳水平,同时减少电动汽车聚合商充电成本.然而上述研究中关于电动汽车充电行为的引导主要集中在单一区域内,且调控手段主要是改变电动汽车充电时段,从时间维度实现负荷转移以促进DRE消纳.用于日常通勤的电动汽车充电时间固定且有限,调整充电时间缺乏实际可操作性,可引导电动汽车用户调整充电位置来实现负荷空间转移.如文献[8 ]中提出关于电动出租车的充电引导及定价策略,通过转移电动出租车充电负荷的空间位置来提高充电设施利用率;文献[9 ]中建立电动汽车充电诱导优化模型,引入激励手段实现电动汽车负荷空间转移.但上述文献均未考虑DRE与充电站的结合. ...
基于信息物理社会融合的新能源消纳策略
1
2022
... 在引导电动汽车充电以促进DRE消纳方面已有大量研究,文献[6 ]中通过协调DRE出力与电动汽车充电需求的不确定性来引导电动汽车充电,实现促进DRE消纳、最大限度减少电网侧购电量的目的,但未考虑充电服务商侧的效益;文献[7 ]中建立信息物理社会系统优化模型,调控电动汽车充放电行为,以提升DRE消纳水平,同时减少电动汽车聚合商充电成本.然而上述研究中关于电动汽车充电行为的引导主要集中在单一区域内,且调控手段主要是改变电动汽车充电时段,从时间维度实现负荷转移以促进DRE消纳.用于日常通勤的电动汽车充电时间固定且有限,调整充电时间缺乏实际可操作性,可引导电动汽车用户调整充电位置来实现负荷空间转移.如文献[8 ]中提出关于电动出租车的充电引导及定价策略,通过转移电动出租车充电负荷的空间位置来提高充电设施利用率;文献[9 ]中建立电动汽车充电诱导优化模型,引入激励手段实现电动汽车负荷空间转移.但上述文献均未考虑DRE与充电站的结合. ...
Renewable energy accommodation strategy based on cyber-physical-social integration
1
2022
... 在引导电动汽车充电以促进DRE消纳方面已有大量研究,文献[6 ]中通过协调DRE出力与电动汽车充电需求的不确定性来引导电动汽车充电,实现促进DRE消纳、最大限度减少电网侧购电量的目的,但未考虑充电服务商侧的效益;文献[7 ]中建立信息物理社会系统优化模型,调控电动汽车充放电行为,以提升DRE消纳水平,同时减少电动汽车聚合商充电成本.然而上述研究中关于电动汽车充电行为的引导主要集中在单一区域内,且调控手段主要是改变电动汽车充电时段,从时间维度实现负荷转移以促进DRE消纳.用于日常通勤的电动汽车充电时间固定且有限,调整充电时间缺乏实际可操作性,可引导电动汽车用户调整充电位置来实现负荷空间转移.如文献[8 ]中提出关于电动出租车的充电引导及定价策略,通过转移电动出租车充电负荷的空间位置来提高充电设施利用率;文献[9 ]中建立电动汽车充电诱导优化模型,引入激励手段实现电动汽车负荷空间转移.但上述文献均未考虑DRE与充电站的结合. ...
动态路-电耦合网络下电动出租车快速充电引导及其定价策略
2
2022
... 在引导电动汽车充电以促进DRE消纳方面已有大量研究,文献[6 ]中通过协调DRE出力与电动汽车充电需求的不确定性来引导电动汽车充电,实现促进DRE消纳、最大限度减少电网侧购电量的目的,但未考虑充电服务商侧的效益;文献[7 ]中建立信息物理社会系统优化模型,调控电动汽车充放电行为,以提升DRE消纳水平,同时减少电动汽车聚合商充电成本.然而上述研究中关于电动汽车充电行为的引导主要集中在单一区域内,且调控手段主要是改变电动汽车充电时段,从时间维度实现负荷转移以促进DRE消纳.用于日常通勤的电动汽车充电时间固定且有限,调整充电时间缺乏实际可操作性,可引导电动汽车用户调整充电位置来实现负荷空间转移.如文献[8 ]中提出关于电动出租车的充电引导及定价策略,通过转移电动出租车充电负荷的空间位置来提高充电设施利用率;文献[9 ]中建立电动汽车充电诱导优化模型,引入激励手段实现电动汽车负荷空间转移.但上述文献均未考虑DRE与充电站的结合. ...
... 充电服务商在对电动汽车进行引导充电之前,根据电动汽车响应能力对其分群,得到可响应集群和不可响应集群,针对可响应集群建立优化调度策略,引导电动汽车选择不同区域充电,实现负荷空间转移.电动汽车响应能力根据电动汽车剩余电量可达原则[8 ] 和充电时间冗余原则判断,两个原则的判断式为 ...
Fast charging guidance and pricing strategy for electric taxis based on dynamic traffic-grid coupling network
2
2022
... 在引导电动汽车充电以促进DRE消纳方面已有大量研究,文献[6 ]中通过协调DRE出力与电动汽车充电需求的不确定性来引导电动汽车充电,实现促进DRE消纳、最大限度减少电网侧购电量的目的,但未考虑充电服务商侧的效益;文献[7 ]中建立信息物理社会系统优化模型,调控电动汽车充放电行为,以提升DRE消纳水平,同时减少电动汽车聚合商充电成本.然而上述研究中关于电动汽车充电行为的引导主要集中在单一区域内,且调控手段主要是改变电动汽车充电时段,从时间维度实现负荷转移以促进DRE消纳.用于日常通勤的电动汽车充电时间固定且有限,调整充电时间缺乏实际可操作性,可引导电动汽车用户调整充电位置来实现负荷空间转移.如文献[8 ]中提出关于电动出租车的充电引导及定价策略,通过转移电动出租车充电负荷的空间位置来提高充电设施利用率;文献[9 ]中建立电动汽车充电诱导优化模型,引入激励手段实现电动汽车负荷空间转移.但上述文献均未考虑DRE与充电站的结合. ...
... 充电服务商在对电动汽车进行引导充电之前,根据电动汽车响应能力对其分群,得到可响应集群和不可响应集群,针对可响应集群建立优化调度策略,引导电动汽车选择不同区域充电,实现负荷空间转移.电动汽车响应能力根据电动汽车剩余电量可达原则[8 ] 和充电时间冗余原则判断,两个原则的判断式为 ...
考虑负效应最小化的电动汽车补能诱导研究
1
2022
... 在引导电动汽车充电以促进DRE消纳方面已有大量研究,文献[6 ]中通过协调DRE出力与电动汽车充电需求的不确定性来引导电动汽车充电,实现促进DRE消纳、最大限度减少电网侧购电量的目的,但未考虑充电服务商侧的效益;文献[7 ]中建立信息物理社会系统优化模型,调控电动汽车充放电行为,以提升DRE消纳水平,同时减少电动汽车聚合商充电成本.然而上述研究中关于电动汽车充电行为的引导主要集中在单一区域内,且调控手段主要是改变电动汽车充电时段,从时间维度实现负荷转移以促进DRE消纳.用于日常通勤的电动汽车充电时间固定且有限,调整充电时间缺乏实际可操作性,可引导电动汽车用户调整充电位置来实现负荷空间转移.如文献[8 ]中提出关于电动出租车的充电引导及定价策略,通过转移电动出租车充电负荷的空间位置来提高充电设施利用率;文献[9 ]中建立电动汽车充电诱导优化模型,引入激励手段实现电动汽车负荷空间转移.但上述文献均未考虑DRE与充电站的结合. ...
Electric vehicle charging induction with minimization of negative effects
1
2022
... 在引导电动汽车充电以促进DRE消纳方面已有大量研究,文献[6 ]中通过协调DRE出力与电动汽车充电需求的不确定性来引导电动汽车充电,实现促进DRE消纳、最大限度减少电网侧购电量的目的,但未考虑充电服务商侧的效益;文献[7 ]中建立信息物理社会系统优化模型,调控电动汽车充放电行为,以提升DRE消纳水平,同时减少电动汽车聚合商充电成本.然而上述研究中关于电动汽车充电行为的引导主要集中在单一区域内,且调控手段主要是改变电动汽车充电时段,从时间维度实现负荷转移以促进DRE消纳.用于日常通勤的电动汽车充电时间固定且有限,调整充电时间缺乏实际可操作性,可引导电动汽车用户调整充电位置来实现负荷空间转移.如文献[8 ]中提出关于电动出租车的充电引导及定价策略,通过转移电动出租车充电负荷的空间位置来提高充电设施利用率;文献[9 ]中建立电动汽车充电诱导优化模型,引入激励手段实现电动汽车负荷空间转移.但上述文献均未考虑DRE与充电站的结合. ...
The theory of buyer behavior
1
1971
... 在日常生活中电动汽车用户会因充电时间不足而产生时间焦虑的心理状态[10 ] ,这会降低用户对补偿激励的敏感性,进而影响用户的响应电量.现有研究中,影响用户需求电量的因素主要为价格变动,通常用需求价格弹性来表示用户需求电量对于价格变动做出反应的敏感程度[11 ] ,如文献[12 ]中构建用户细分的电动汽车服务费率-负荷弹性模型,提出基于智能合约的电动汽车充电服务费调整机制;文献[13 -14 ]中建立基于价格弹性矩阵的电动汽车响应模型,充分挖掘用户侧调节能力.尽管上述文献充分考虑价格变动对用户响应的影响,但在实际情况中电动汽车用户空闲时间的冗余程度也会对其需求电量以及充电位置选择产生影响.另外,目前鲜有关于电动汽车用户时间焦虑的研究,尤其是在电动汽车用户面临多充电位置选择时,会受到不同区域充电价格和时间焦虑带来的双重影响,因此亟需开展多区域下考虑电动汽车用户时间焦虑的充电引导策略研究. ...
基于设备用电特征的居民电力需求价格弹性评估
1
2020
... 在日常生活中电动汽车用户会因充电时间不足而产生时间焦虑的心理状态[10 ] ,这会降低用户对补偿激励的敏感性,进而影响用户的响应电量.现有研究中,影响用户需求电量的因素主要为价格变动,通常用需求价格弹性来表示用户需求电量对于价格变动做出反应的敏感程度[11 ] ,如文献[12 ]中构建用户细分的电动汽车服务费率-负荷弹性模型,提出基于智能合约的电动汽车充电服务费调整机制;文献[13 -14 ]中建立基于价格弹性矩阵的电动汽车响应模型,充分挖掘用户侧调节能力.尽管上述文献充分考虑价格变动对用户响应的影响,但在实际情况中电动汽车用户空闲时间的冗余程度也会对其需求电量以及充电位置选择产生影响.另外,目前鲜有关于电动汽车用户时间焦虑的研究,尤其是在电动汽车用户面临多充电位置选择时,会受到不同区域充电价格和时间焦虑带来的双重影响,因此亟需开展多区域下考虑电动汽车用户时间焦虑的充电引导策略研究. ...
Estimation of price elasticity for residential electricity demand based on electricity consumption features of appliances
1
2020
... 在日常生活中电动汽车用户会因充电时间不足而产生时间焦虑的心理状态[10 ] ,这会降低用户对补偿激励的敏感性,进而影响用户的响应电量.现有研究中,影响用户需求电量的因素主要为价格变动,通常用需求价格弹性来表示用户需求电量对于价格变动做出反应的敏感程度[11 ] ,如文献[12 ]中构建用户细分的电动汽车服务费率-负荷弹性模型,提出基于智能合约的电动汽车充电服务费调整机制;文献[13 -14 ]中建立基于价格弹性矩阵的电动汽车响应模型,充分挖掘用户侧调节能力.尽管上述文献充分考虑价格变动对用户响应的影响,但在实际情况中电动汽车用户空闲时间的冗余程度也会对其需求电量以及充电位置选择产生影响.另外,目前鲜有关于电动汽车用户时间焦虑的研究,尤其是在电动汽车用户面临多充电位置选择时,会受到不同区域充电价格和时间焦虑带来的双重影响,因此亟需开展多区域下考虑电动汽车用户时间焦虑的充电引导策略研究. ...
基于智能合约的电动汽车充电服务费自适应调整机制
1
2022
... 在日常生活中电动汽车用户会因充电时间不足而产生时间焦虑的心理状态[10 ] ,这会降低用户对补偿激励的敏感性,进而影响用户的响应电量.现有研究中,影响用户需求电量的因素主要为价格变动,通常用需求价格弹性来表示用户需求电量对于价格变动做出反应的敏感程度[11 ] ,如文献[12 ]中构建用户细分的电动汽车服务费率-负荷弹性模型,提出基于智能合约的电动汽车充电服务费调整机制;文献[13 -14 ]中建立基于价格弹性矩阵的电动汽车响应模型,充分挖掘用户侧调节能力.尽管上述文献充分考虑价格变动对用户响应的影响,但在实际情况中电动汽车用户空闲时间的冗余程度也会对其需求电量以及充电位置选择产生影响.另外,目前鲜有关于电动汽车用户时间焦虑的研究,尤其是在电动汽车用户面临多充电位置选择时,会受到不同区域充电价格和时间焦虑带来的双重影响,因此亟需开展多区域下考虑电动汽车用户时间焦虑的充电引导策略研究. ...
Adaptive adjustment mechanism of electric vehicle charging service fee based on smart contract
1
2022
... 在日常生活中电动汽车用户会因充电时间不足而产生时间焦虑的心理状态[10 ] ,这会降低用户对补偿激励的敏感性,进而影响用户的响应电量.现有研究中,影响用户需求电量的因素主要为价格变动,通常用需求价格弹性来表示用户需求电量对于价格变动做出反应的敏感程度[11 ] ,如文献[12 ]中构建用户细分的电动汽车服务费率-负荷弹性模型,提出基于智能合约的电动汽车充电服务费调整机制;文献[13 -14 ]中建立基于价格弹性矩阵的电动汽车响应模型,充分挖掘用户侧调节能力.尽管上述文献充分考虑价格变动对用户响应的影响,但在实际情况中电动汽车用户空闲时间的冗余程度也会对其需求电量以及充电位置选择产生影响.另外,目前鲜有关于电动汽车用户时间焦虑的研究,尤其是在电动汽车用户面临多充电位置选择时,会受到不同区域充电价格和时间焦虑带来的双重影响,因此亟需开展多区域下考虑电动汽车用户时间焦虑的充电引导策略研究. ...
考虑移动特性的电动汽车最优分时充电定价策略
1
2020
... 在日常生活中电动汽车用户会因充电时间不足而产生时间焦虑的心理状态[10 ] ,这会降低用户对补偿激励的敏感性,进而影响用户的响应电量.现有研究中,影响用户需求电量的因素主要为价格变动,通常用需求价格弹性来表示用户需求电量对于价格变动做出反应的敏感程度[11 ] ,如文献[12 ]中构建用户细分的电动汽车服务费率-负荷弹性模型,提出基于智能合约的电动汽车充电服务费调整机制;文献[13 -14 ]中建立基于价格弹性矩阵的电动汽车响应模型,充分挖掘用户侧调节能力.尽管上述文献充分考虑价格变动对用户响应的影响,但在实际情况中电动汽车用户空闲时间的冗余程度也会对其需求电量以及充电位置选择产生影响.另外,目前鲜有关于电动汽车用户时间焦虑的研究,尤其是在电动汽车用户面临多充电位置选择时,会受到不同区域充电价格和时间焦虑带来的双重影响,因此亟需开展多区域下考虑电动汽车用户时间焦虑的充电引导策略研究. ...
Optimal time-of-use charging pricing strategy of EVs considering mobile characteristics
1
2020
... 在日常生活中电动汽车用户会因充电时间不足而产生时间焦虑的心理状态[10 ] ,这会降低用户对补偿激励的敏感性,进而影响用户的响应电量.现有研究中,影响用户需求电量的因素主要为价格变动,通常用需求价格弹性来表示用户需求电量对于价格变动做出反应的敏感程度[11 ] ,如文献[12 ]中构建用户细分的电动汽车服务费率-负荷弹性模型,提出基于智能合约的电动汽车充电服务费调整机制;文献[13 -14 ]中建立基于价格弹性矩阵的电动汽车响应模型,充分挖掘用户侧调节能力.尽管上述文献充分考虑价格变动对用户响应的影响,但在实际情况中电动汽车用户空闲时间的冗余程度也会对其需求电量以及充电位置选择产生影响.另外,目前鲜有关于电动汽车用户时间焦虑的研究,尤其是在电动汽车用户面临多充电位置选择时,会受到不同区域充电价格和时间焦虑带来的双重影响,因此亟需开展多区域下考虑电动汽车用户时间焦虑的充电引导策略研究. ...
考虑需求响应和电动汽车参与的主动配电网经济调度
1
2020
... 在日常生活中电动汽车用户会因充电时间不足而产生时间焦虑的心理状态[10 ] ,这会降低用户对补偿激励的敏感性,进而影响用户的响应电量.现有研究中,影响用户需求电量的因素主要为价格变动,通常用需求价格弹性来表示用户需求电量对于价格变动做出反应的敏感程度[11 ] ,如文献[12 ]中构建用户细分的电动汽车服务费率-负荷弹性模型,提出基于智能合约的电动汽车充电服务费调整机制;文献[13 -14 ]中建立基于价格弹性矩阵的电动汽车响应模型,充分挖掘用户侧调节能力.尽管上述文献充分考虑价格变动对用户响应的影响,但在实际情况中电动汽车用户空闲时间的冗余程度也会对其需求电量以及充电位置选择产生影响.另外,目前鲜有关于电动汽车用户时间焦虑的研究,尤其是在电动汽车用户面临多充电位置选择时,会受到不同区域充电价格和时间焦虑带来的双重影响,因此亟需开展多区域下考虑电动汽车用户时间焦虑的充电引导策略研究. ...
Economic dispatch of active distribution network with participation of demand response and electric vehicle
1
2020
... 在日常生活中电动汽车用户会因充电时间不足而产生时间焦虑的心理状态[10 ] ,这会降低用户对补偿激励的敏感性,进而影响用户的响应电量.现有研究中,影响用户需求电量的因素主要为价格变动,通常用需求价格弹性来表示用户需求电量对于价格变动做出反应的敏感程度[11 ] ,如文献[12 ]中构建用户细分的电动汽车服务费率-负荷弹性模型,提出基于智能合约的电动汽车充电服务费调整机制;文献[13 -14 ]中建立基于价格弹性矩阵的电动汽车响应模型,充分挖掘用户侧调节能力.尽管上述文献充分考虑价格变动对用户响应的影响,但在实际情况中电动汽车用户空闲时间的冗余程度也会对其需求电量以及充电位置选择产生影响.另外,目前鲜有关于电动汽车用户时间焦虑的研究,尤其是在电动汽车用户面临多充电位置选择时,会受到不同区域充电价格和时间焦虑带来的双重影响,因此亟需开展多区域下考虑电动汽车用户时间焦虑的充电引导策略研究. ...
考虑充电功率衰减的电动汽车两阶段优化调度策略
2
2021
... 提出考虑补偿激励的电动汽车多区域优化调度策略框架,以价格引导手段从空间维度实现负荷转移,具体如图1 所示.能量供给方面,DRE为电动汽车主要能量来源,当DRE出力不足时,充电服务商直接向上级电网购电以满足电动汽车充电需求[15 ] .信息传输方面,充电服务商每隔时间Δt 采集电动汽车用户上传的预充电信息以及各区域DRE预测信息,其中的决策调度模块以DRE消纳偏差最小化和充电服务商经济效益最大化为目标,下发区域差异化充电补偿激励,引导用户选择最佳充电位置.上述各主体的目标需求如下: ...
... 电动汽车充电优化调度流程如图2 所示,主要包括用户需求电量确定、充电区域决策、调度策略求解3个阶段.在电动汽车用户需求电量确定阶段,区域间充电价格差及有限的空闲时间影响电动汽车用户的需求电量,将其分别建模量化为需求价格弹性及时间焦虑模型以确定电动汽车用户的需求电量;在充电区域决策阶段,根据充电时间冗余原则及剩余电量可达原则对电动汽车进行集群划分形成可响应和不可响应集群,构建基于后悔理论的充电区域决策模型对可响应集群进一步划分,形成区域性电动汽车总负荷.在调度策略求解阶段中,联立区域性电动汽车总负荷及区域DRE出力,利用粒子群算法求解策略,算法原理可参考文献[15 ]. ...
Two-stage optimal scheduling strategy of electric vehicle considering charging power decay
2
2021
... 提出考虑补偿激励的电动汽车多区域优化调度策略框架,以价格引导手段从空间维度实现负荷转移,具体如图1 所示.能量供给方面,DRE为电动汽车主要能量来源,当DRE出力不足时,充电服务商直接向上级电网购电以满足电动汽车充电需求[15 ] .信息传输方面,充电服务商每隔时间Δt 采集电动汽车用户上传的预充电信息以及各区域DRE预测信息,其中的决策调度模块以DRE消纳偏差最小化和充电服务商经济效益最大化为目标,下发区域差异化充电补偿激励,引导用户选择最佳充电位置.上述各主体的目标需求如下: ...
... 电动汽车充电优化调度流程如图2 所示,主要包括用户需求电量确定、充电区域决策、调度策略求解3个阶段.在电动汽车用户需求电量确定阶段,区域间充电价格差及有限的空闲时间影响电动汽车用户的需求电量,将其分别建模量化为需求价格弹性及时间焦虑模型以确定电动汽车用户的需求电量;在充电区域决策阶段,根据充电时间冗余原则及剩余电量可达原则对电动汽车进行集群划分形成可响应和不可响应集群,构建基于后悔理论的充电区域决策模型对可响应集群进一步划分,形成区域性电动汽车总负荷.在调度策略求解阶段中,联立区域性电动汽车总负荷及区域DRE出力,利用粒子群算法求解策略,算法原理可参考文献[15 ]. ...
基于后悔理论的出行路径选择行为研究
1
2017
... 后悔理论为“不完全理性”理论,是指决策者进行决策时不仅考虑当前方案的效用,还会考虑因备用方案的较好效用引起的后悔心理[16 ] ,后悔值Cn , ij , t t 时刻选择区域i 和j 的综合成本比较情况,若用户选择区域i 充电的综合成本比区域j 高,则产生与综合成本差成正比的后悔值,反之,则后悔值为0.其公式如下所示: ...
Modeling route choice behavior based on regret theory
1
2017
... 后悔理论为“不完全理性”理论,是指决策者进行决策时不仅考虑当前方案的效用,还会考虑因备用方案的较好效用引起的后悔心理[16 ] ,后悔值Cn , ij , t t 时刻选择区域i 和j 的综合成本比较情况,若用户选择区域i 充电的综合成本比区域j 高,则产生与综合成本差成正比的后悔值,反之,则后悔值为0.其公式如下所示: ...
考虑多源信息实时交互和用户后悔心理的电动汽车充电负荷预测
1
2022
... 针对可响应集群,电动汽车用户空闲时间充足,其对充电激励的敏感性提升.基于后悔最小化理论[17 ] ,电动汽车用户在所有方案中选择后悔值最小的区域作为最终充电区域.算式如下所示: ...
Electric vehicle charging load prediction considering multi-source information real-time interaction and user regret psychology
1
2022
... 针对可响应集群,电动汽车用户空闲时间充足,其对充电激励的敏感性提升.基于后悔最小化理论[17 ] ,电动汽车用户在所有方案中选择后悔值最小的区域作为最终充电区域.算式如下所示: ...
考虑可再生能源消纳效益的电力系统“源-荷-储”协调互动优化调度策略
1
2017
... 式中:F 2 为充电服务商经济效益的相反数; I 1, i , t I 2, i , t I 3, i , t I 4, i , t t 时段内的充电区域i 的售电利润、DRE消纳效益[18 ] 、充电补偿成本、购电成本;ε 为DRE单位消纳效益,设为0.1元/(kW·h);P'ne ,i,t 为t 时段内区域i 的DRE消纳量;qne ,t 为t 时段购买DRE出力的电量价格; qbuy ,t 为t 时段内从电网购电的电量价格;Pbuy ,i,t 为t 时段区域i 内因清洁能源出力不足而额外所需功率. ...
Optimization dispatch strategy considering renewable energy consumptive benefits based on “source-load-energy storage” coordination in power system
1
2017
... 式中:F 2 为充电服务商经济效益的相反数; I 1, i , t I 2, i , t I 3, i , t I 4, i , t t 时段内的充电区域i 的售电利润、DRE消纳效益[18 ] 、充电补偿成本、购电成本;ε 为DRE单位消纳效益,设为0.1元/(kW·h);P'ne ,i,t 为t 时段内区域i 的DRE消纳量;qne ,t 为t 时段购买DRE出力的电量价格; qbuy ,t 为t 时段内从电网购电的电量价格;Pbuy ,i,t 为t 时段区域i 内因清洁能源出力不足而额外所需功率. ...
基于电动汽车出行随机模拟的充电桩需求研究
1
2017
... 考虑电动汽车用户的出行规律,将调度时间范围设置为9:00—22:00,每个时间段为15 min,即总调度时间段细分为52个调度时间段.设用户的空闲时间为20~55 min,调度对象为区域1、2、3内的电动汽车,电动汽车预充电数量参考文献[19 ],交叉弹性系数设置为0.3,自弹性系数设置为-1[20 ] ,电动汽车起始荷电状态为20%~60%,用户期望荷电状态为70%~80%,充电补偿最大值A max 设置为充电单价的1/2,α 、β 均设置为1.充电区域拓扑及距离信息如图3 和表1 所示,区域1~3的预充电电动汽车数量(N )如图4 所示,各时段电价的具体参数如表2 所示.设置粒子群算法迭代次数为1 000,种群规模为 1 000,学习因子 c 1 =c 2 =1.5,惯性因子ω 为0.95. ...
Research on demand of charging piles based on stochastic simulation of EV trip chain
1
2017
... 考虑电动汽车用户的出行规律,将调度时间范围设置为9:00—22:00,每个时间段为15 min,即总调度时间段细分为52个调度时间段.设用户的空闲时间为20~55 min,调度对象为区域1、2、3内的电动汽车,电动汽车预充电数量参考文献[19 ],交叉弹性系数设置为0.3,自弹性系数设置为-1[20 ] ,电动汽车起始荷电状态为20%~60%,用户期望荷电状态为70%~80%,充电补偿最大值A max 设置为充电单价的1/2,α 、β 均设置为1.充电区域拓扑及距离信息如图3 和表1 所示,区域1~3的预充电电动汽车数量(N )如图4 所示,各时段电价的具体参数如表2 所示.设置粒子群算法迭代次数为1 000,种群规模为 1 000,学习因子 c 1 =c 2 =1.5,惯性因子ω 为0.95. ...
Electric vehicle charging management using location-based incentives for reducing renewable energy curtailment considering the distribution system
1
2022
... 考虑电动汽车用户的出行规律,将调度时间范围设置为9:00—22:00,每个时间段为15 min,即总调度时间段细分为52个调度时间段.设用户的空闲时间为20~55 min,调度对象为区域1、2、3内的电动汽车,电动汽车预充电数量参考文献[19 ],交叉弹性系数设置为0.3,自弹性系数设置为-1[20 ] ,电动汽车起始荷电状态为20%~60%,用户期望荷电状态为70%~80%,充电补偿最大值A max 设置为充电单价的1/2,α 、β 均设置为1.充电区域拓扑及距离信息如图3 和表1 所示,区域1~3的预充电电动汽车数量(N )如图4 所示,各时段电价的具体参数如表2 所示.设置粒子群算法迭代次数为1 000,种群规模为 1 000,学习因子 c 1 =c 2 =1.5,惯性因子ω 为0.95. ...
