更全的杂志信息网

基于最优能量状态调节的电动汽车需求响应及其对配电网的影响

更新时间:2016-07-05

0 引 言

环境污染的加剧和化石能源的短缺使得电动汽车的使用越来越广泛,电动汽车以其清洁环保的特点受到市场的青睐[1]。2016年全球电动汽车销量达到了77.36万台,同比2015年增长42%。截至2016年12月底,路上行驶的新能源汽车超过200万辆,其中61%是纯电动汽车,39%是插电式混合动力汽车。新能源汽车销量自2013年以来增长了2倍以上,并将维持年均42%的增长率[2]中国汽车工业协会统计数据显示,2016年,中国新能源汽车(包括乘用车和商用车)生产51.7万辆,销售50.7万辆,比2015年同期分别增长51.7%和53%[3]。然而,数量如此巨大的电动汽车接入配电网对电网安全稳定运行带来了不可忽视的影响。同时,电动汽车是一类特殊的电力负荷,其既可以从电网汲取电能,又可以将自身能量回馈给电网。因此,对电动汽车充放电过程进行合理控制对保证电力系统的安全稳定运行具有重要意义,也是当前电力系统亟待解决的问题。

近年来受到世界各国广泛关注的需求响应(demand response,DR)[4-6]技术为上述问题的解决提供了途径。DR的概念最早源于美国,是美国进行电力市场化改革后,针对需求侧管理(demand side management,DSM)如何在竞争市场中发挥作用以维持市场可靠性及提高市场运行效率提出的,是指电力用户根据市场价格信号或激励机制,改变正常电力消费模式的行为[7]。依托先进的计算机与通信技术,以电动汽车为配电网的可控负荷资源,采用适当的控制策略,在不影响用户使用的前提下增加或减少充电负荷,可实现需求侧与配电网的友好交互[8-9]

在电动汽车参与需求响应及与电网互动方面,国内外相关学者做了很多研究工作。文献[10]提出了一种电动汽车需求响应控制策略,在此基础上建立了电动汽车经济调度模型,以电网公司收益最大为目标,制定电动汽车充电电价,实现电动汽车充电负荷的转移;文献[11]提出了电动汽车充电策略实现对集群电动汽车的控制,并为电网提供旋转备用;文献[12]考虑了自动发电控制、车辆目的地、离网时间的随机性,建立了基于行为补偿方案的电动汽车优化调度模型,为电力系统频率稳定提供辅助服务;文献[13]以用户充电成本最小为目标建立了集群电动汽车的非合作博弈模型,实现了系统负荷的削峰填谷;文献[14-15]提出了基于优先级的电动汽车实时需求响应控制策略;文献[16]建立了电动汽车集群控制模型,并提出了改变电动汽车可调容量边界的需求响应控制策略,实现对目标功率的实时响应。

以上研究分别从不同角度探究了电动汽车参与需求响应的策略,但仍存在不足,具体包括:(1)在具体建模中没有考虑电动汽车充电过程的可延迟特性以为需求响应策略的制定服务;(2)在基于激励的需求响应策略制定方面,一些研究采用了状态指标排序法,由于状态指标权重的确定方式以及用户偏好不同,难以全面反映用户的充电需求;(3)没有制定量化的指标对电动汽车参与需求响应对配电网的影响进行量化评估。

本文基于上述研究基础,首先建立单台电动汽车迟滞充电负荷模型;其次,介绍电动汽车的分层控制方法;再次,考虑电动汽车充电时间的随机性及充电过程的可控性,引入最优能量状态调节量控制策略(optimal energy status regulation control strategy,OESRCS),实现对电动汽车的实时需求响应控制,该策略在考虑用户充电需求的前提下,通过对电动汽车能量状态设定点施加一个最优调节量,实现对电动汽车充电功率的控制;最后,制定电动汽车参与需求响应对配电网影响的评价指标,通过算例验证所提策略的控制效果以及对配电网的影响。

1 单台电动汽车充电负荷模型

电动汽车作为一种灵活的需求侧资源,具有很大的需求响应潜力。为了对集群电动汽车接入电网的充电过程进行合理的调控,需要建立单台电动汽车充电过程的数学模型。文献[17]针对电解氢负荷的可延迟特性,建立了电解氢装置的迟滞控制模型。由于电动汽车充电过程与电解氢装置的运行过程有相似的特性,即可以不连续充电,本文在此基础上,考虑电动汽车到达充电站时间的随机性,建立了电动汽车充电负荷的迟滞控制模型。利用该模型可以在用户可接受范围内对电动汽车的充电过程进行实时控制,从而实现对控制中心调度指令的实时响应,缓解电动汽车无序充电导致的充电高峰的出现。

2.2.1 宣传教育不够,缺乏对秸秆综合利用方式的认识 由于农民传统的秸秆处理根深蒂固,加上受教育程度低使得对秸秆所拥有的经济价值和环境保护重要性的认识不足,从而对秸秆如何利用没有深入思考,不能从秸秆中的获得更多收入[4]。部分农户甚至对政府秸秆禁烧政策产生的抵触情绪,在夜间偷偷焚烧秸秆,焚烧所产生的二氧化碳、二氧化硫等气体,污染环境。

设单台电动汽车充电时的额定功率为Prated,运行状态为n,则某时刻t,电动汽车存在如下2种运行状态。

(1)

此时,电动汽车充电的功率需求为

Pe(t)=n(t)Prated

(2)

式中Pe(t)为电动汽车t时刻的充电功率需求。

式中:Suncontrolled(t)表示电动汽车无序充电时配电网在t时刻的网络损耗;Scontrolled(t)表示实施需求响应控制策略时配电网t时刻的网络损耗。NLRP反映了需求响应在减小网络损耗中的作用,其值越大,表明实施需求响应后,网络损耗越小,线路传输效率越高,越有利于配电网的经济运行。

t+1时刻电动汽车的充电能量可通过式(4)计算。

(3)

式中Ev为用户的期望充电速率。期望充电速率反映了用户所能接受的电动汽车的最小连续充电需求,当Ev<ηPrated时,说明若电动汽车不间断充电,其可在用户期望充电时间之前达到用户的能量需求,因此,可在充电过程中对电动汽车施加控制,使其在充电与闲置状态之间转换,以缓解集群电动汽车集中充电对电网造成的冲击。

就像刚踏入职场的前几年足以决定你的长期发展一般,婚姻生活的前3年也对未来的婚姻生活有着决定性的作用——特别是在理财方面。想想看,买房、装修、买车,这些大宗消费对国内的夫妻来说,基本上都是在一开始就要解决的问题。此后,家庭新成员可能很快就会到来,围绕着孩子,又展开新一轮主题的理财规划。如果这三板斧抡得好,后面的日子就会顺理成章很多,如果这些问题解决得不好……那,可以想象之后的日子会如何烦心。

E(t+1)=E(t)+n(t)ηPratedΔt+e(t)

(4)

式中:E(t+1)为单台电动汽车t+1时刻的能量;E(t)为电动汽车在t时刻的能量;Δt为前后2个充电时刻之间的时间间隔;e(t)为充电过程中各种物理因素造成的误差,如外界温度变化、电化学因素的影响、传感器误差等。

图1为电动汽车充电过程中能量状态及功率变化示意图,图1中上方的黑色有向实线为电动汽车的实际充电能量变化曲线,Eon为电动汽车入网时电池原有的能量。灰色实线为用户的期望充电曲线,Es(t)为t时刻用户期望充电能量,可按照式(5)计算。

(5)

图1 单台电动汽车能量状态及功率变化示意图 Fig.1 Diagram of energy status and power of single electric vehicle

(2)各区域LA采集各自管辖范围内电动汽车的充电状态信息,并对信息进行整合,将该区域能承担的功率调节范围等信息上传至电网控制中心。

(6)

μ的数值反映了实际充电曲线偏离期望充电曲线的程度。δ为死区,反映了电动汽车充电与闲置状态转换的频率,死区越小,充电与闲置状态转换越频繁。

双端预制光缆指光缆的两端均采用预制接口,现场施工免熔接,可实现光缆连接“即插即用”,但由于双端预制光缆长度现场无法调节,因此对于光缆长度的精确度要求很高。对于双端均不具备良好熔接环境的预制光缆,建议采用双端预制光缆。

由图1可以看出,在迟滞模型中,电动汽车在充电与闲置状态之间转换,当充电能量大于上边界时,电动汽车由充电状态转换为闲置状态;反之,当充电能量低于下边界时,电动汽车结束闲置状态,开始充电。当电动汽车结束充电过程离网时,其能量与用户设定期望值会有所偏差,但只要维持在一定范围内,其充电误差就能得到有效控制。

2 集群电动汽车参与需求响应控制策略

2.1 集群电动汽车负荷需求响应控制架构

由于单台电动汽车容量小,数量多且分布广泛,若全部由调度中心进行集中式的统一调度,会增加电网的通信压力,且信息的精确度也无法得到保证。目前主推的控制架构是分层控制,分层控制架构引入负荷聚集商(load aggregator,LA)[18]来管理某一局部区域中的所有电动汽车。基于LA的集群电动汽车分层控制示意图如图2所示。底层设备控制层的电动汽车将各自状态信息发送至区域负荷聚合商;负荷聚合商对电动汽车状态信息进行汇总,对集群电动汽车进行建模,并计算集群负荷的可调容量信息上传至电网控制中心;电网控制中心综合电网运行信息、负荷信息、新能源出力信息、发电机组出力信息等进行优化调度,并将负荷调节指令下发至LA,LA制定合理的控制策略对其管辖区域的电动汽车充电过程进行实时控制。

图2 集群电动汽车的分层控制架构 Fig.2 Hierarchical control architecture of cluster electric vehicles

基于上述分层控制架构,集群电动汽车的分层控制过程可分为5个步骤,如下详述。

(1)某一区域的电动汽车将各自的荷电状态及功率需求等信息发送至该区域中的LA。

图1中的灰色点划线E+(t)和E-(t)分别表示电动汽车充电的上下边界,其数值反映了电动汽车实际充电轨迹与期望充电轨迹之间的最大偏差。图1中下方的黑色虚线为能量状态变化曲线,μ为电动汽车充电过程中的能量状态,如式(6)所示。

(3)电网控制中心接收各区域LA上传的电动汽车可调容量信息,并根据当前电网的运行状态,按照既定目标计算出各个LA需要承担的调节容量(响应目标),并将响应目标下发至各区域LA。

由图12可以看出,电动汽车响应边界变宽,响应容量充足,功率目标跟踪效果也更佳。因此,在实际制定需求响应策略时,应根据响应目标,并结合用户需求,合理确定死区。

(5)电动汽车中的控制装置根据LA的调节指令对自身充电状态进行调整。

2.2 最优能量状态调节量控制策略

为实现对集群电动汽车的需求响应控制,本文考虑电动汽车入网充电时间的随机性,引入最优能量状态调节量控制策略[19]

假设入网电动汽车满足参与需求响应的条件,则任意时刻根据电动汽车的充电状态可将其分为2个群:充电群Ωcha和闲置群Ωdischa。为满足来自LA的响应目标的要求,充电群中的电动汽车可根据需要由充电状态转换为闲置状态,从而降低集群电动汽车的充电功率;同理,闲置群中的电动汽车可由闲置状态转换为充电状态,以增加集群电动汽车的充电功率。

基于迟滞模型的单台电动汽车不实施需求响应控制(以下简称不控)和实施需求响应控制(以下简称受控)情况下的充电曲线如图8所示。由图8可以看出,采用迟滞模型的电动汽车的充电曲线处于交替的充电与闲置状态转换中,充电时间与无序充电相比有所延长,充电高峰有所削减;还可以看出,当不实施需求响应时,电动汽车充电曲线的上下边界关于用户期望充电曲线是对称的,实施需求响应后,充电曲线的上下边界随能量状态调节量的变化而有所增减,且变化趋势相同。

本文采用的控制策略是基于上述不同响应群体的功率密度分布函数(power density distribution function,PDDF)来实现的[20]。PDDF是关于能量状态μ的函数,其可通过测量装置采样得到,用于描述ΩchaΩdischa中电动汽车各能量状态的占比情况。PDDF可以通过式(7)计算。

(7)

式中:Ψ为集群电动汽车的功率密度函数;μ为电动汽车的能量状态;Δμ为采样时间间隔内的能量状态变化量;t为采样时刻;μset为用户期望的能量状态,由前述分析可知,在不施加任何控制策略时,μset=0;ωchaωdischa分别为充电状态和闲置状态的功率密度分布;μlowerμupper分别为能量状态的下边界和上边界,其与μsetδ的关系如式(8)所示。

(8)

基于式(8),第i辆电动汽车充电状态βi的变化规律可用式(9)表示。

(9)

图3为自然状态下电动汽车的状态转换示意图。如图3(a)所示,当充电群中电动汽车的能量状态大于μupper时,电动汽车会由充电状态转为闲置状态;图3(b)所示,当闲置群中电动汽车的能量状态小于μlower时,电动汽车会由闲置状态转为充电状态。

在分年龄和分性别进行回归的基础上,为了更好地考察新老两代不同性别农民工的差异,本文对农民工群体同时进行了年龄和性别的分组回归。结果发现,新媒体使用对于新生代女性农民工的工作匹配表现出了显著影响,并且与前一回归结果类似,社交媒体使用时间与APP 下载种类数量都与新生代女性农民工的工作匹配呈现出了明显的倒U型影响趋势。从系数的绝对值上看,社交媒体使用时间(0.039)即新媒体使用的深度比APP下载种类数量(0.005)对工作匹配的影响更为重要。

图3 不控情况下电动汽车的状态转换示意图 Fig.3 Diagram of electric vehicle's state transition under uncontrolled conditions

因此,若在用户设定能量状态的基础上,引入调节量h,就可以改变电动汽车的状态转换边界,从而实现对群体总功率的调节。引入调节量h后,电动汽车i的状态转换过程可由式(10)表示。

值得注意的是,沈从文对鲁迅杂文“强烈憎恨中复一贯有深刻悲悯浸润流注”的认识,恰恰照应了聂绀弩的文字。更难得的是,至于鲁迅的为人,当时许多人以为他“偏狭”,沈从文却在说他“愤激”、“骂世”的同时,又洞察了其“诚恳”和“素朴无华”的一面。这是沈从文超越自我情绪、超越一般读者的深刻见解。

(10)

图4为引入调节量h后,电动汽车的状态转换过程。由图4可以看出,当充电群中电动汽车达到新的能量状态上边界时,其会由充电状态变为闲置状态;反之,若电动汽车的能量状态小于新的下边界其会由闲置状态变为充电状态。OESRCS的核心即为寻找最优调节量h*,使得集群电动汽车的实际充电功率与响应目标的偏差最小。

图4 受控情况下电动汽车状态转换示意图 Fig.4 Diagram of electric vehicle's state transition under controlled conditions

基于集群电动汽车的功率密度函数Ψ,参与需求响应的集群电动汽车的充电功率可由式(11)计算。

(11)

式中Ppop(t)为t时刻参与需求响应电动汽车额定功率之和,可用式(12)表示。

(1)取样复测本标段内地下水及地表水,看地下水及地表水复测结果是否与设计相符,若与设计相符,则对水质已有侵蚀的施工地点,对土钉墙墙面,在对其第一次喷射混凝土、立模现浇混凝土、土钉孔灌浆时应按照设计要求进行进行相应耐久性施工处理。若其复测结果与设计不符,应及时联系相关单位进行必要处理。切记有侵蚀性水不得作为施工用水。

(12)

式中:N(t)为t时刻参与需求响应的电动汽车数;为第i台电动汽车的额定功率。

假设电动汽车群体的目标功率值为Ptarget,最优能量状态调节量h*可通过式(13)求解。

(13)

OESRCS的控制流程如图5所示。

3 算例分析

3.1 电动汽车及配电网仿真参数设置

本文算例选取的电动汽车及配电网各项参数如下:集群电动汽车的数目N=3 825,电动汽车出行时间设置参考美国2009年对全美家庭汽车用户使用特性的调查数据(national household travel survey,NHTS)[21]。电动汽车的额定充电功率Prated在3 kW至5 kW之间均匀分布,用户期望的最终充电能量Ec服从均匀分布U(16, 20),单位为kW·h,电动汽车充电效率η =0.95。选取的仿真时间T=1 d,仿真步长Δt=1 min。电动汽车能量状态死区δ = 0.037 5。配电网选取IEEE 37节点系统,如图6所示,3个电动汽车群分别接于828、890和855节点,风机并网节点为806、850和818节点。

图5 OESRCS策略的控制流程 Fig.5 Control flow chart of OESRCS

图6 修改后的IEEE 37节点系统 Fig.6 Modified IEEE 37-node system

3.2 基于OESRCS的电动汽车充电结果分析

在不施加任何控制的无序充电情况下,电动汽车的充电曲线如图7所示。由图7可知,电动汽车充电负荷不仅造成明显的负荷高峰,而且充电功率高峰时段与居民常规负荷高峰时段重合度较高,电网负荷峰谷差被进一步拉大,容易造成配电网电压和频率越限,不利于配电网的安全稳定运行。

2013年10月21日至22日,全球石膏行业最具影响力的年度盛会“2013年第十三届全球石膏大会”在加拿大多伦多召开。经全球范围票选,北新建材被授予“全球石膏行业杰出贡献奖”。

图7 电动汽车无序状态充电负荷曲线 Fig.7 chaotic charging load curve of EV

图8 基于迟滞模型的不控和控制情况下电动汽车充电曲线 Fig.8 charging curves of EV in uncontrolled and controlled cases based on hysteresis model

当能量状态死区δ =0.037 5时,不控和受控时的电动汽车充电过程能量状态变化曲线如图9所示。由图9可以看出,在不控情况下,电动汽车的能量状态在-0.018 75至0.018 75之间变化,能量状态设定值恒定为0。当采用OESRCS对电动汽车进行控制时,由于最优调节量的存在,能量状态的设定值不再恒定不变,而是出现微小偏移,同时死区不变,因此,能量状态的上下边界也随之发生偏移,不再关于横轴对称。

歇了一阵的雨又开始下,听风听雨,迟恒犹豫地在房间里踱来踱去,脑子里莫名其妙蹦出“风声雨声读书声……”的诗,他念了出来,想借此平抑一下纷乱的思绪,不念还好,一念,雨从稀稀沥沥变成了哗哗啦啦,他呆不住了,穿戴好出了旅店。

图9 不控和受控情况下电动汽车能量状态曲线 Fig.9 EV energy status curves in uncontrolled and controlled cases

3.3 响应目标跟踪效果分析

3.3.1 功率目标跟踪结果分析

为了验证需求响应策略的控制效果,首先需要构造目标功率曲线。本文采用文献[22]的方法,简要叙述如下:首先利用集群电动汽车自然充电功率的每小时平均值构造基础功率曲线Pbaseline;其次,在Pbaseline基础上叠加功率调节信号得到最终跟踪目标Ptarget。本文选取的功率调节信号为风机波动信号可由以下方法来构造:假设风机在[t0, t1]时段出力预测平均值为Pwind_avg,该时段内t时刻风机的实际出力为Pwind(t),则t时刻风机功率波动信号

(14)

进而可求出目标功率如下:

(15)

图10为集群电动汽车参与需求响应的功率目标跟踪结果。由图10可知,在参数选取适当的情况下,集群电动汽车能够很好地跟踪风机出力,并且可承受的风机功率变化裕度也较大。此时,电动汽车能量状态死区δ = 0.037 5,最优能量状态调节量的最大值umax=0.5δ

3.3.2 改变死区对功率目标跟踪效果影响

在3.3.1节的基础上,将死区减小至δ = 0.015,其他参数保持不变,功率目标跟踪效果如图11所示。由图11可以看出,由于死区范围减小,导致电动汽车的可调容量减小,响应边界范围变窄,在某些时段会出现跟踪效果变差甚至无法跟踪目标响应功率的情况。反之,若将死区范围增大至δ = 0.050,其他参数仍保持不变,跟踪效果如图12所示。

图10 电动汽车功率跟踪响应结果 Fig.10 EV power tracking response result

(4)LA收到上级调节指令后,根据其制定的控制策略计算每台电动汽车的能量状态设定点调节量,并利用通信线路将参数调节信息发送给区域内各台电动汽车。

图11 能量状态死区范围减小对响应结果的影响 Fig.11 Effect of decreasing dead band of energy status on response result

图12 能量状态死区范围增大对响应结果的影响 Fig.12 Effect of increasing dead band of energy status on response result

3.3.3 改变能量状态调节量最大值对目标跟踪效果影响

保持死区δ = 0.050,将能量状态调节量最大值设定为umax=0.2δ ,其他参数均保持不变,功率目标跟踪效果如图13所示。由图13可以看出,电动汽车的响应边界急剧变窄,响应结果与目标之间存在较大偏差。因此,在实际控制策略制定过程中,也需要兼顾能量状态调节量最大值的设定。

图13 增大能量状态调节量变化范围对响应结果的影响 Fig.13 Effect of increasing range of energy status regulation on response result

3.3.4 紧急切负荷情况下的功率目标跟踪效果

当电网面临特殊紧急情况时,需要切除一部分负荷,即需要一部分电动汽车停止充电,此时电动汽车充电负荷响应结果如图14所示。由图14可知,电网在15:00时需要切除一部分负荷,集群电动汽车的充电功率迅速减小,待故障切除后,电动汽车充电功率按正常变化规律逐渐增大。

图14 紧急切负荷情况下响应曲线 Fig.14 Load cutting response curve under emergency conditions

3.4 集群电动汽车参与需求响应对配电网的影响

为定量评估集群电动汽车参与需求响应对配电网电压波动及系统网络损耗的影响,本文制定了电压波动削减变化百分数和网络损耗削减百分数这2个指标。

3.4.1 配电网电压水平指标

为衡量需求响应对配电网节点电压波动的影响,定义电压波动削减百分数(voltage fluctuation reduction percentage,VFRP),如式(16)所示。

微课是指运用信息技术,呈现碎片化学习内容、过程及扩展素材的结构化数字资源。相比于传统教学模式,微课具有教学时间短、教学内容精悍、资源容量小、资源结构情景化、主题突出、内容具体、反馈及时和针对性强等特点[1]。

φVFRP=

(16)

式中:表示受控后n节点在t时刻的电压幅值;表示电动汽车无序充电时n节点在t时刻的电压幅值;表示n节点的额定电压;M表示1天内划分的时段数,本文取1 440。VFRP反映了需求响应对于节点电压偏移的减小程度,其数值越大,说明实施需求响应后,节点电压偏移越小,越有利于配电网运行的安全稳定。

图15为电动汽车无序充电和实施需求响应控制策略后,855节点的电压偏移示意图。由图15可以看出,在不实施需求响应时,855节点的电压偏移百分数最高可达2.2%;实施需求响应后,节点电压偏移显著减小,最大约为1.1%;此外,VFRP的值为64.3%,说明电动汽车参与需求响应有利于减小电压波动,提高供电质量。

图15 无序充电和受控情况下855节点电压偏移百分数 Fig.15 Voltage offset percentage of 855-node for disorder charging and controlled cases

3.4.2 配电网网络损耗指标

为定量评价需求响应对配电网网络损耗的影响,定义网络损耗削减百分数(network loss reduction percentage,NLRP),如式(17)所示。

(17)

为保证电动汽车用户的出行需求和电动汽车的可靠行驶,电动汽车在充电站需充电到一定的能量,此能量大小与用户需求和电动汽车电池容量有关。设用户期望的最终充电电量为Ec,期望充电时间为Ts,充电效率为η,则电动汽车的期望充电速率为

图16为各个仿真时刻的网络损耗削减情况。由图16可知,网络损耗在16:00左右削减最多,为0.15%。按照上述定义,本文φNLRP = 14.01%,说明在采取该控制策略后,与受控前相比,网络损耗减少了14.01%,表明OESRCS能有效减小线路网损,提高能量传输效率。

这天又到中午啦,就见从西方的天边,飞来八只雪白的天鹅,落到天池边就变成了八个俊俏的姑娘。这八个姑娘脱了衣服,跳到天池里洗澡。大约洗了半个时辰吧,哈!上岸穿上衣服,又变成了八只天鹅,往西边天上飞走了。这八个猎人光傻愣愣地看着,谁也没敢吱声,等姑娘们变成天鹅飞走了,才从藏身的地方出来,核计一阵子,说好明天再来。

图16 需求响应对网络损耗的削减效果 Fig.16 Effect of demand response on network losses reduction

4 结 论

(1)本文建立了单台电动汽车的迟滞模型,基于此模型对电动汽车进行控制,可以适当延长充电时间,缓解电动汽车集中充电带来的充电高峰。

(2)在集群电动汽车分层控制架构基础上,本文引入最优能量状态调节量控制策略,对电动汽车充电过程进行实时控制。仿真结果表明,需求响应策略参数的选取对于需求响应的效果有较大影响。

不仅如此,恒轮机床在本次为期三天的汽车行业开放日活动中,还向大家展示了包括H系列、HF系列及RFK、RFN在内的多种加工中心及柔性制造系统,并在相应的展区进行了系统的介绍,每个展区、每台设备都具有极高的关注度。可以预见的是,恒轮机床将会始终如一地保持产品品质与服务水平,在这个充满变革的时代持续不断地为用户及市场注入活力,创造价值。

(3)本文的研究工作主要围绕电动汽车的充电阶段展开,今后可将电动汽车的放电阶段考虑进来,对OESRCS策略进行进一步改进。

北京广图软件科技有限公司总经理黄玉芳,在会上介绍《基于BIM技术的智慧建筑运维研究》,黄玉芳说:由于运维期BIM 相关的数据和技术标准均不完善,需要继续研究数据存储标准和应用框架的实现,并诉求于进一步的工具整合。

试验地位于河南林业职业学院东林场(34.68°N、112.50°E),海拔132.10 m。属暖温带地带,全年四季分明,热量、降水量随时间分布具有显著的季节性特点,年均气温14.5 ℃,年均降水量603 mm,全年日照时间2141.7 h,年无霜期217 d,试验地地势平坦,土壤为褐土,pH值7~8。

参考文献

[1] 贾龙, 胡泽春, 宋永华. 考虑不同类型充电需求的城市内电动汽车充电设施综合规划[J].电网技术, 2016, 40(9): 2579-2587.

JIA Long, HU Zechun, SONG Yonghua. An integrated planning of electric vehicle charging facilities for urban area considering different types of charging demands[J]. Power System Technology, 2016, 40(9): 2579-2587.

[2] 新能源汽车杂谈. 2016年全球新能源汽车市场总结[EB/OL]. (2017-02-06) [2018-01-03]. http://www.vccoo.com/v/90q72v.

[3] 中商情报网. 2016年全球新能源汽车市场产销数据分析[EB/OL]. (2017-02-18) [2018-01-03]. http://www.askci.com/news/chanye/20170218/12281490920.shtml.

[4] US Department of Energy. Benefits of demand response in electricity markets and recommendations for achieving them: a report to the united state congress pursuant to section 1252 of the energy policy act of 2005[R/OL]. (2008-02-21)[2018-01-03]. http://www.oe.energy,gov/DocumentMedia/congress_1252d.pdf.

[5] Federal Energy Regulatory Commission. Assessment of demand response and advanced metering: 2006 staff report[R/OL]. (2008-08-21) [2018-01-03]. http://www.ferc.gov/legal/staff-reports/demand-reaponse.pdf.

[6] Federal Energy Regulatory Commission. Assessment of demand response and advanced metering: 2007 staff report[R/OL]. (2008-09-13) [2018-01-03]. http://www.ferc.gov/legal/staff-reports/09-07-demand-reaponse.pdf.

[7] 张钦,王锡凡,王建学,等. 电力市场下需求响应研究综述[J]. 电力系统自动化, 2008, 32(3): 97-107.

ZHANG Qin, WANG Xifan, WANG Jianxue, et al. Survey of demand response research in deregulated electricity markets[J]. Automation of Electric Power Systems,2008,32(3):97-107.

[8] NOLAN S, O’MALLEY M. Challenges and barriers to demand response deployment and evaluation[J]. Applied Energy, 2015, 152: 1-10.

[9] WANG J, BLOYD C N, HU Z, et al. Demand response in China[J]. Energy, 2010, 35(4): 1592-1597.

[10] 潘樟惠, 高赐威. 基于需求响应的电动汽车经济调度[J]. 电力建设, 2015, 36(7):139-145.

PAN Zhanghui, GAO Ciwei. Economic dispatch of electric vehicles based on demand response[J]. Electric Power Construction, 2015, 36(7):139-145.

[11] PAVIC I, CAPUDER T, KUZLE I. Value of flexible electric vehicles in providing spinning reserve services[J]. Applied Energy, 2015, 157: 60-74.

[12] YAO E, WONG V W S, SCHOBER R. Robust frequency regulation capacity scheduling algorithm for electric vehicles[J]. IEEE Transactions on Smart Grid, 2017, 8(2): 984-997.

[13] MA Z, CALLAWAY D S, HISKENS I A. Decentralized charging control of large populations of plug-in electric vehicles[J]. IEEE Transactions on Control Systems Technology, 2013, 21(1): 67-78.

[14] KUMAR K N, SIVANEASAN B, SO P L. Impact of priority criteria on electric vehicle charge scheduling[J]. IEEE Transactions on Transportation Electrification, 2015, 1(3): 200-210.

[15] KUMAR K N, TSENG K J. Impact of demand response management on chargeability of electric vehicles[J]. Energy, 2016, 111: 190-196.

[16] 孙强, 许方园, 唐佳, 等. 基于需求响应的电动汽车集群充电负荷建模及容量边界控制策略[J]. 电网技术, 2016, 40(9): 2638-2645.

SUN Qiang, XU Fangyuan, TANG Jia, et al. Study on modeling of aggregated charging load of electric vehicles and control strategy by adjusting capacity boundaries based on demand response[J]. Power System Technology, 2016, 40(9):2638-2645.

[17] WANG D, ZHOU Y, JIA H, et al. An energy-constrained state priority list model using deferrable electrolyzers as a load management mechanism[J]. Applied energy, 2016, 167: 201-210.

[18] 高赐威, 李倩玉, 李慧星, 等. 基于负荷聚合商业务的需求响应资源整合方法与运营机制[J]. 电力系统自动化, 2013, 37(17): 78-86.

GAO Ciwei, LI Qianyu, LI Huixing, et al. Methodology and operation mechanism of demand response resources integration based on load aggregator[J]. Automation of Electric Power Systems, 2013, 37(17): 78-86.

[19] PARKINSON S, WANG D, CRAWFORD C, et al. Wind integration in self-regulating electric load distributions[J]. Energy Systems, 2012, 3(4): 341-377.

[20] KASHYAP A, CALLAWAY D. Controlling distributed energy constrained resources for power system ancillary services[C]//2010 IEEE 11th International Conference on Probabilistic Methods Applied to Power Systems (PMAPS). IEEE, 2010: 407-412.

[21] 田立亭,史双龙,贾卓.电动汽车充电功率需求的统计学建模方法[J].电网技术,2010,34(11):126-130.

TIAN Liting, SHI Shuanglong, JIA Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11): 126-130.

[22] LU N. An evaluation of the HVAC load potential for providing load balancing service[J]. IEEE Transactions on Smart Grid, 2012, 3(3): 1263-1270.

王丹,孙冬冬,胡庆娥,原凯,孙充勃,宋毅,徐晶,丁承第
《电力建设》 2018年第05期
《电力建设》2018年第05期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息 粤ICP备2023046998号