基于局部电压幅值与云边协同的分散式充电桩充电协调方法

doi:10.12204/j.issn.1000-7229.2020.06.008

电力建设 ›› 2020, Vol. 41 ›› Issue (6): 60-68.doi: 10.12204/j.issn.1000-7229.2020.06.008

• 电动汽车 ·栏目主持孙英云教授、胡俊杰副教授· • 上一篇下一篇

基于局部电压幅值与云边协同的分散式充电桩充电协调方法

陈明庆1，3，李建林2，3

1.先进输电技术国家重点实验室（全球能源互联网研究院有限公司），北京市 102211；2.北京市变频技术研究中心（北方工业大学），北京市 100144；3.中国电力科学研究院有限公司，北京市 100192

出版日期:2020-06-01
作者简介:陈明庆（1984），女，硕士研究生，主要研究方向为电力电子、电力系统控制及自动化；李建林（1976），男，博士，教授级高级工程师，主要研究方向为大规模储能系统在电力系统中的应用。
基金资助:
国家电网公司科技项目“‘互联网+’业态下面向多元应用场景的充换电设施关键技术及运营评价研究与示范”（SGGR0000DLJS1800118）

A Charging Coordination Method for Distributed Charging Piles Considering Local Voltage Amplitude and Cloud-Edge Collaboration

CHEN Mingqing1，3，LI Jianlin2，3

1.State Key Laboratory of Advanced Power Transmission Technology （Global Energy Interconnection Research Institute）， Beijing 102211， China；2. Inverter Technologies Engineering Research Center of Beijing （North China University of Techology）， Beijing 100144， China； 3. China Electric Power Research Institute， Beijing 100192， China

Online:2020-06-01
Supported by:
This work is supported by State Grid Corporation of China Research Program （No.SGGR0000DLJS1800118）.

摘要/Abstract

摘要： 针对配电系统中大量充电桩集中充电带来的谐波、负荷峰谷差和网络损耗增加等问题，文章提出了一种基于局部电压幅值与云边协同的分散式充电桩充电协调方法。在“云边端”电力物联网架构下，首先使用每个端设备（即充电桩）的电压幅值历史信息，分析各充电桩最大消耗功率等信息；然后通过电力物联网中边缘节点（配变终端）的边缘计算能力，收集充电桩数据并结合用户偏好、能源成本和电动汽车的历史路线等信息，分析过去充电桩的充电负荷数据曲线；最后，在Hadoop云平台采用深度信念网络（deep belief network，DBN）算法训练和预测未来负荷数据，建立目标优化模型。此外，基于蒙特卡洛模拟分析所提出的方法在不同的场景下的性能，以及与集中式充电协调方法进行比较。实验结果表明，所提方法实现了大量分散式充电桩的协同有序充电，减少负荷波动，降低充电负荷对电网的影响。

关键词: 局部电压幅值, 云边协同, 分散式充电桩, 深度信念网络（DBN）, 负荷波动

Abstract: In order to solve the problems of harmonics， load peak-valley difference and network loss caused by centralized charging of a large number of charging piles in the distribution system， a coordination method for decentralized charging piles on the basis of local voltage amplitude and cloud-edge collaboration is proposed. Under the cloud-edge-end power Internet of Things architecture， firstly， using the history information on voltage amplitude of each end device （charging pile） to analyze the maximum power consumption information of each charging pile； then， through the edge computing ability of edge nodes （distribution and transformation terminals） in the power Internet of Things， collecting the data of charging piles and combining the user preference， energy cost and the historical route of electric vehicles. Finally， in the Hadoop cloud platform， the deep belief network （DBN） algorithm is used to train and predict the future load data， and the target optimization model is established. In addition， the performance of the proposed method in different scenarios is compared with that of the centralized charging coordination method. The experimental results show that the proposed method realizes the coordinated and orderly charging of a large number of decentralized charging piles， reduces the load fluctuation and the impact of charging load on the power grid.

Key words: local voltage amplitude, cloud edge coordination, decentralized charging pile, deep belief network（DBN）, load fluctuation

中图分类号:

TM 73

陈明庆，李建林. 基于局部电压幅值与云边协同的分散式充电桩充电协调方法[J]. 电力建设, 2020, 41(6): 60-68.

CHEN Mingqing，LI Jianlin. A Charging Coordination Method for Distributed Charging Piles Considering Local Voltage Amplitude and Cloud-Edge Collaboration[J]. Electric Power Construction, 2020, 41(6): 60-68.

参考文献

［1］丁涛，牟晨璐，别朝红，等. 能源互联网及其优化运行研究现状综述［J］. 中国电机工程学报， 2018， 38（15）： 4318-4328， 4632.
DING Tao， MU Chenlu， BIE Zhaohong， et al. Review of energy Internet and its operation［J］. Proceedings of the CSEE， 2018， 38（15）： 4318-4328， 4632.
［2］魏震波，黄宇涵，高红均，等. 含电转气和热电解耦热电联产机组的区域能源互联网联合经济调度［J］. 电网技术， 2018， 42（11）： 3512-3520.
WEI Zhenbo， HUANG Yuhan， GAO Hongjun， et al. Joint economic scheduling of power-to-gas and thermoelectric decoupling CHP in regional energy Internet［J］. Power System Technology， 2018， 42（11）： 3512-3520.
［3］邵尹池，穆云飞，林佳颖，等. “车站网”多元需求下的电动汽车快速充电引导策略［J］. 电力系统自动化， 2019， 43（18）： 60-68， 101.
SHAO Yinchi， MU Yunfei， LIN Jiaying， et al. Fast charging guidance strategy for multiple demands of electric vehicle， fast charging station and distribution network［J］. Automation of Electric Power Systems， 2019， 43（18）： 60-68， 101.
［4］于海洋，张路，任毅龙. 基于出行链的电动汽车充电行为影响因素分析［J］. 北京航空航天大学学报， 2019， 45（9）： 1732-1740.
YU Haiyang， ZHANG Lu， REN Yilong. Influential factors analysis of electric vehicle charging behavior based on trip chain［J］. Journal of Beijing University of Aeronautics and Astronautics， 2019， 45（9）： 1732-1740.
［5］BRYDEN T S， HILTON G， CRUDEN A， et al. Electric vehicle fast charging station usage and powerrequirements［J］. Energy， 2018， 152： 322-332.
［6］张谦，王众，谭维玉，等. 基于MDP随机路径模拟的电动汽车充电负荷时空分布预测［J］. 电力系统自动化， 2018， 42（20）： 59-73.
ZHANG Qian， WANG Zhong， TAN Weiyu， et al. Spatial-temporal distribution prediction of charging load for electric vehicle based on MDP random path simulation［J］. Automation of Electric Power Systems， 2018， 42（20）： 59-73.
［7］赵波，李振坤. 基于多智能体联盟的变压器动态经济运行［J］. 电力系统及其自动化学报， 2010， 22（4）： 136-141.
ZHAO Bo， LI Zhenkun. Dynamic optimization of transformers operation based on coalition formation in MAS［J］. Proceedings of the CSU-EPSA， 2010， 22（4）： 136-141.
［8］ZHU X J， HAN H T， GAO S， et al. A multi-stage optimization approach for active distribution network scheduling considering coordinated electrical vehicle chargingstrategy［J］. IEEE Access， 2018， 6： 50117-50130.
［9］JU L W， ZHAO R， TAN Q L， et al. A multi-objective robust scheduling model and solution algorithm for a novel virtual power plant connected with power-to-gas and gas storage tank considering uncertainty and demandresponse［J］. Applied Energy， 2019， 250： 1336-1355.
［10］ABDELKADER A， RABEH A， ALI D M， et al. Multi-objective genetic algorithm based sizing optimization of a stand-alone wind/PV power supply system with enhanced battery/supercapacitor hybrid energy storage［J］. Energy， 2018， 163： 351-363.
［11］刘俊勇，向月，姚昊天，等. 三网融合下充电服务网规划与运营探讨［J］. 电力系统保护与控制， 2019， 47（12）： 1-12.
LIU Junyong， XIANG Yue， YAO Haotian， et al. Discussion on planning and operation of charging service network integrated with power and transportation networks［J］. Power System Protection and Control， 2019， 47（12）： 1-12.
［12］ZHU X W， XIA M C， CHIANG H. Coordinated sectional droop charging control for EV aggregator enhancing frequency stability ofmicrogrid with high penetration of renewable energy sources［J］. Applied Energy， 2018， 210： 936-943.
［13］周保坤，邓旗，张英敏，等. 基于电力调度模式的VSC-MTDC系统V-I协调下垂控制策略［J］. 智慧电力， 2019， 47（7）： 43-50.
ZHOU Baokun， DENG Qi， ZHANG Yingmin， et al. V-I coordinated droop control strategy for VSC-MTDC transmission systems based on power dispatching modes［J］. Smart Power， 2019， 47（7）： 43-50.
［14］郭殿林，杨成，于孟然. 高功率密度充电桩前级VIENNA整流器的双闭环设计［J］. 黑龙江科技大学学报， 2019， 29（2）： 167-173.
GUO Dianlin， YANG Cheng， YU Mengran. Design of VIENNA rectifier for high power density charging pile［J］. Journal of Heilongjiang University of Science and Technology， 2019， 29（2）： 167-173.
［15］WAN J F， CHEN B T， WANG S Y， et al. Fogcomputing for energy-aware load balancing and scheduling in smart factory［J］. IEEE Transactions on Industrial Informatics， 2018， 14（10）： 4548-4556.
［16］张媛媛，冯勇，付晓东. WRSN中一种聚类分簇多跳能量补充策略［J］. 小型微型计算机系统， 2019， 40（9）： 1968-1974.
ZHANG Yuanyuan， FENG Yong， FU Xiaodong. Clustering based multi-hop energy replenishment scheme for wireless rechargeable sensor networks［J］. Journal of Chinese Computer Systems， 2019， 40（9）： 1968-1974.
［17］CHENG L F， ZHANG Z Y， JIANG H R， et al. Local energy management and optimization： A novel energy universal service bus system based on energy Internet technologies［J］. Energies， 2018， 11（5）： 1160.

[1]	张卫国, 陈良亮, 成海生, 付蓉, 季娟. 基于电动汽车供电资源态势感知的台区负荷弹性调度策略[J]. 电力建设, 2020, 41(8): 48-56.
[2]	王瀚琳, 刘洋, 许立雄, 陈贤邦, 谭思维. 考虑风电消纳的区域多微网分层协调优化模型[J]. 电力建设, 2020, 41(8): 87-98.
[3]	朱旭, 杨军, 李高俊杰, 董旭柱, 刘首文. 计及虚拟储能系统的区域综合能源系统优化调度策略[J]. 电力建设, 2020, 41(8): 99-110.
[4]	尚慧玉, 林鸿基, 李忠憓, 赵宏伟, 陈明辉, 阳曾, 文福拴. 计及不确定性的移动应急电源鲁棒优化调度[J]. 电力建设, 2020, 41(8): 111-119.
[5]	尚慧玉, 林鸿基, 李忠憓, 赵宏伟, 陈明辉, 阳曾, 文福拴. 计及不确定性的移动应急电源鲁棒优化调度[J]. 电力建设, 0, (): 111-119.
[6]	尚慧玉, 林鸿基, 李忠憓, 赵宏伟, 陈明辉, 阳曾, 文福拴. 计及不确定性的移动应急电源鲁棒优化调度[J]. 电力建设, 0, (): 111-119.
[7]	原吕泽芮，顾洁，金之俭. 基于云-边-端协同的电力物联网用户侧数据应用框架[J]. 电力建设, 2020, 41(7): 1-8.
[8]	姜达军，吴福保，王麒云，张艳军，孙黎霞，吴英俊. 基于调控云的风储联合鲁棒优化调度[J]. 电力建设, 2020, 41(7): 9-16.
[9]	庞传军，牟佳男，余建明，武力. 基于运行关键指标和Seq2Seq的大电网运行异常识别[J]. 电力建设, 2020, 41(7): 17-24.
[10]	李恒强，王骏，蒋星燃，匡仲琴，徐石明，杨永标. 面向电网调峰辅助服务的空调负荷调控策略及其虚拟机组建模[J]. 电力建设, 2020, 41(7): 49-57.
[11]	张浩禹，邱晓燕，周晟锐，赵有林，李凌昊，张楷 . 基于机会约束目标规划的多电-气互联综合能源系统分布式优化模型[J]. 电力建设, 2020, 41(7): 82-91.
[12]	魏震波，任小林，黄宇涵. 考虑综合需求侧响应的区域综合能源系统多目标优化调度[J]. 电力建设, 2020, 41(7): 92-99.
[13]	郇嘉嘉，洪海峰，隋宇，余梦泽，潘险险，汪超群. 计及风-光-荷相关性的概率-区间约束潮流模型与算法[J]. 电力建设, 2020, 41(7): 117-128.
[14]	安麒，王剑晓，李庚银，王宣元，刘蓁. 基于均衡理论的虚拟电厂市场参与模式及方法[J]. 电力建设, 2020, 41(6): 1-8.
[15]	谭忠富，谭彩霞，蒲雷，杨佳澄. 基于协同免疫量子粒子群优化算法的虚拟电厂双层博弈模型[J]. 电力建设, 2020, 41(6): 9-17.

基于局部电压幅值与云边协同的分散式充电桩充电协调方法

A Charging Coordination Method for Distributed Charging Piles Considering Local Voltage Amplitude and Cloud-Edge Collaboration

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价