高速公路风光储能系统源荷匹配及容量配置优化

付豪; 崔培强; 唐茜; 甘爽; 万天意; 张泽武; 邬凡; 张立麒

doi:10.6054/j.jscnun.2024020

高速公路风光储能系统源荷匹配及容量配置优化

付豪^{1, 2},
崔培强²,
唐茜¹,
甘爽¹,
万天意¹,
张泽武¹,
邬凡^1, ,,
张立麒¹

1.
华中科技大学能源与动力工程学院/煤燃烧与低碳利用全国重点实验室，武汉 430074
2.
葛洲坝集团交通投资有限公司，武汉 430030

基金项目:

国家重点研发计划项目 2021YFF0601000

中国能建交能融合重大科技专项 CEEC2021-KJZX-08-1

详细信息

通讯作者:
邬凡，Email: wu_fan@hust.edu.cn

中图分类号: TK01
计量
- 文章访问数: 82
- HTML全文浏览量: 54
- PDF下载量: 35
出版历程
- 收稿日期: 2024-02-20
- 网络出版日期: 2024-06-21
- 刊出日期: 2024-04-24

Source-load Matching and Capacity Configuration Optimization for Wind and Solar Energy Storage System in Expressways

1.
State key Laboratory of Coal Combustion and Low Carbon Utilization, School of Energy and Power Engineering, Huazhong University of Science and Technology, Wuhan 430074, China
2.
Gezhouba Group Transportation Investment Co., Ltd, Wuhan 430030, China

摘要

摘要:
建立EV充电负荷预测模型，采用蒙特卡洛模拟法预测EV充电负荷时间分布特性，提出考虑充电桩参数和充换电模式的源荷匹配优化策略，建立风光储能系统综合评价体系，通过改进遗传算法进行规划求解，得到最优容量配置。以山东省某服务区为例进行实证研究。结果表明：EV充电负荷预测曲线呈现日间“双峰”形态，为使负荷用能曲线向光伏发电曲线贴近，合理设置服务区充电桩数量和最大充电功率，并选择换电参与的充换电模式，改进遗传算法得到的最优化配置方案贴近度相对于初始规划方案有所提升，可实现储能系统的充能和余电的上网。
- 风光储能 /
- 蒙特卡洛方法 /
- 遗传算法 /
- 源荷匹配 /
- 容量配置
Abstract:
An electric vehicle (EV) charging load prediction model was established to predict the time distribution characteristics of EV charging load by Monte Carlo simulation, a source-load matching optimization strategy was proposed considering the parameters of charging piles and charging/swapping modes, and a comprehensive evaluation system for wind and solar energy storage system was established. Using improved genetic algorithms for planning and solving to obtain the optimal capacity configuration. Taking a service area in Shandong Province as an example, the results show that the EV charging load prediction curve presents a "bimodal" pattern during the day. The number of charging piles and the maximum charging power in the service area are reasonably set, and the charging/swapping mode with battery swapping participation is selected to make the load energy consumption curve close to the photovoltaic power generation curve. Compared with the initial scheme, the improved genetic algorithm can improve the closeness of the optimal scheme, and can realize the charging of energy storage system and the connection of residual power.
- wind and solar energy storage /
- montecarlo method /
- genetic algorithm /
- source-load matching /
- capacity configuration

HTML全文

交通电气化和能源清洁化相结合的交能融合发展模式有利于形成清洁低碳的运输方式，其中公路运输是我国能源需求量最大的运输方式，EV由于良好的环保特性，满足了当前能源结构转型的迫切需求，是未来交通运输电气化发展的重要组成。公安部最新数据显示，截止2023年9月底，我国的EV保有量为1 821万辆。在我国各地政府的研发资助下，EV的续航里程和充电时长等问题逐步得到解决。但大规模EV的无序充电行为会对电网运行的安全性和经济性产生不利影响^[1]，带来较大的电力扰动和电力需求^[2-3]，因此亟需对EV无序充电行为进行优化。

目前，EV负荷预测主要集中在出行行为较为稳定的城市内部区域，其在高速公路上的出行具有较大的不确定性。因此，考虑用户侧需求响应的高速公路EV负荷预测研究十分重要。在负荷预测的基础上，建立电源侧和负荷侧的双向反馈机制，提升不确定发电与不确定负荷双向匹配(即源荷匹配)，可实现电网安全运行和资源高效利用。在高效低碳的新型电力系统中，大规模风光发电会带来较大的电网扰动和调峰压力^[4-5]，导致当前电力系统源荷匹配度较差，需提升系统灵活调节能力^[6-7]。张程等^[8]提出一种考虑源荷匹配度的动态定价机制，可提高风光消纳率，目前新型电力系统运行机制将从“源随荷动”转换为“源荷互动”^[9]，当前源荷匹配研究聚焦在可再生能源电力输出和总发电量稳定性，平抑了新能源发电侧出力波动，但忽视了负荷用电侧的影响因素，如充电桩参数和充换电模式。因此，有必要开展高速公路场景下负荷需求侧的源荷匹配优化策略研究。

为实现光伏发电与风力发电的互补性，风光储能系统的容量配置也不容忽视，利用储能设备实现输出功率的移峰填谷，从而提升供电的可靠性和经济性。目前许多学者已开展风光储系统容量配置相关研究。JAVED等^[10]提出了风光储能混合电力系统的容量配置优化模型，分析了评估指标对容量和成本的影响，但只关注了储能容量，没考虑储能功率；MEINRENKEN等^[11]引入分时电价规划储能系统，以成本最小化、光伏利用率最高为目标，却忽略了环境效益。然而，风光储能综合能源系统规划研究在交通领域的案例相对较少，关于传统遗传算法中适应度函数量纲化和标准化难统一的问题，采用TOPSIS法中逼近理想解贴近度作为遗传算法中适应度函数值可有效解决。LIU等^[12]采用NSGA-Ⅱ、TOPSIS和熵权法相结合方法求解多能互补综合能源系统优化模型。以上研究聚焦在风光储能系统的容量和经济成本上，因此，针对高速公路场景下风光储能系统的风光发电功率、储能容量和功率，采用改进多目标遗传优化算法对风光储能系统进行技术、经济和环境侧的综合评价十分重要。合适的电源和储能设备的装机容量决定了分布式系统的综合能源利用效率和经济成本效益。

本文构建EV日出行模型和充电决策模型，基于蒙特卡洛法预测高速公路服务区EV充电负荷，通过充电桩参数与充换电模式，提出高速公路场景源荷匹配优化策略，建立风光储能系统综合评价体系，基于多目标最优熵权TOPSIS改进遗传算法(Genetic Algorithm, GA)，对高速公路风光储能系统的容量配置进行求解，并以山东省某高速公路为例开展实证研究，为高速公路风光储能系统实际规划建设提供理论支持。

1. 研究方法

1.1 基于蒙特卡洛法的负荷预测模型

高速公路风光储系统源荷匹配优化策略及最优容量配置框架如图 1所示。

图 1 源荷匹配及容量配置优化策略框架图

Figure 1. Framework diagram of source-load matching and capacity configuration optimization strategy

下载: 全尺寸图片幻灯片

高速公路服务区充电负荷受EV车流量、渗透率和汽车类型影响，电动客货车流量整体高于电动私家车。随着EV渗透率逐年上升，充电负荷对电网的影响也随之增强。2020年我国新能源汽车渗透比为5%，但由于高速公路EV受续航里程和充电排队等因素影响，当前我国高速公路EV渗透率仅为1.86%^[23]。EV在服务区充电的电量受初始电量和行驶耗电量的影响，超90%的EV用户在进入高速前会将EV初始电量保持在60%以上^[24]。

1.1.1 电动汽车日出行模型

在EV出行量和出行时间已知时，服务区通车辆、EV到达时间和荷电状态可转化为随机概率抽取模型。利用高速公路收费站EV通行数据形成交通OD矩阵，矩阵元od_ij中od代表发生此次交通出行事件概率，i代表入口收费站，j代表出口收费站，基于蒙特卡洛法随机生成某一矩阵元素，得到一条出行路径。假设EV初始电量满足[0.6，1]的均匀分布，

$\mathrm{SOC}_0=\operatorname{rand}(0.6, 1) \times \mathrm{SOC},$

(1)

$\mathrm{SOC}_{\text {out }}=\left|D_i-D_s\right| \times P_{\text {out }},$

(2)

$t_c=\frac{\mathrm{SOC}-\left(\mathrm{SOC}_0-\mathrm{SOC}_{\mathrm{out}}\right)}{P_c},$

(3)

$P_c=\min \left\{P_{c 1}, P_{c 2}\right\},$

(4)

其中，SOC为车辆的电池容量；D_i为车辆驶入收费站的绝对距离，D_s为服务区的绝对距离；P_out为车辆的百公里电耗；t_c为充电时间；P_c为充电功率，P_c1为充电桩最大支持功率，P_c2为EV最大支持功率。

1.1.2 用户充电决策模型

为了判断用户是否选择充电以及确定充电时长，本文提出焦虑系数模型和实时排队模型。焦虑系数模型中焦虑电量系数定义θ：用户经过当前服务区所能接受行驶至下个服务区或终点时剩余的最低电量比例，作为判断用户是否选择充电的重要因素。假设行驶至下个服务区或终点时剩余电量百分比小于焦虑系数，用户会选择在当前服务区充至满电。

$\frac{\mathrm{SOC}_0-\mathrm{SOC}_{\text {out }}}{\mathrm{SOC}}-D_{\text {net }} \times P_{\text {out }}<\theta,$

(5)

$D_{\text {next }}=\min \left\{D_{s-s}, D_{j-s}\right\},$

(6)

其中，D_s－s代表当前服务区与下一个服务区的距离，D_j－s代表当前服务区与终点的距离。

用户在当前服务区选择充电行为后，其开始充电时间由实时排队模型决定。当还有多余空闲充电桩时，用户可直接充电；反之，需排队等待至有空闲充电桩开始充电。假设服务区充电站共有n个充电桩，当前时间有m个用户选择在该服务区充电，则开始充电时间和充电等待时间公式如下：

$t_{\mathrm{in}}=\left\{\begin{array}{l} t_{\mathrm{a}} \quad m \leqslant n \\ t_{\mathrm{a}}+t_{\mathrm{w}} \quad m>n \end{array}, \right.$

(7)

$t_{\mathrm{w}}=\min \left\{t_i, i \in(1, n)\right\} \quad m>n,$

(8)

其中，t_in为EV开始充电时间；t_a为EV抵达服务区时间；t_w为充电等待时间；t_i为第i个正在充电的用户的充电剩余时间。

1.1.3 充电桩负荷模拟流程

首先对预测模型进行以下假设：EV充电功率视为恒定功率，不考虑充电期间的功率变化；用户总会选择充满电。基本流程图如图 2所示。

图 2 基于蒙特卡洛模拟的电动汽车充电负荷计算流程图

Figure 2. Flow chart of electric vehicle charging load calculation based on the Monte Carlo simulation

下载: 全尺寸图片幻灯片

设定模拟次数为N，对M辆不同类型的EV，随机抽取EV出行起止点、进入高速时间和初始电量等重要参数，判断用户是否选择用电行为，利用行驶参数和充电参数计算充电时长，判断用户是否需要排队充电，得到当前样本的充电起止时间，计算每辆车每小时的充电负荷，叠加M个样本充电负荷曲线得到EV总充电负荷。

1.2 源荷匹配优化方法

EV能量补给方式分为充电模式和换电模式，其中换电模式用时较快，但由于其建站成本高且电池规格难统一，因此目前充电模式运用范围较广，包括慢速充电和快速充电。为保证高速公路EV出行续航里程需求，服务区需提供快速充电桩，本文以交通部提出的高速公路充电桩建设标准为研究参数，即60、75、120、150 kW。

1.2.1 充电参数的源荷匹配性指标

通过Pearson相关系数r评价光伏发电量与充电负荷量的匹配性。相关系数r的范围为[-1, 1]，r越大则两序列的相似度越高，r越小则两序列的互补性越强^[25]。光伏发电与充电负荷的差值(即净电荷波动性)越小，表明源荷匹配性越高。给定充电负荷时序L(t)和光伏发电功率时序S(t)，相关系数r定义：

$r=\frac{\sum\limits_{t=1}^{24}(L(t)-\bar{L})(S(t)-\bar{S})}{\sqrt{\sum\limits_{t=1}^{24}(L(t)-\bar{L})^2 \sum\limits_{t=1}^{24}(S(t)-\bar{S})^2}},$

(9)

其中，L和S分别表示L(t)和S(t)序列均值。

1.2.2 充换电模式的负荷平移模型

假设电动私家车采用直接充电模式，选择不同比例的电动客货车采用换电模式。负荷平移模型从总负荷中抽取单一负荷并判断是否参与统一换电，参与换电的负荷视为可移动负荷，不参与换电的负荷视为固定负荷。叠加EV充电负荷曲线的微元可在1天的时间尺度上发生平移。基于换电模式的负荷平移模型优化目标为：光伏发电数值与充电负荷数值的小时级综合偏差F最小。计算参数定义如下：

$F_{\min }=\sum\limits_{t=1}^{24}\left[\left(L_{\mathrm{s}}(t)-\alpha S(t)\right)^2\right],$

(10)

$L_{\mathrm{ls}}(t)=L_{\text {basic }}(t)+\Delta L(t) \text {, }$

(11)

$L_{\text {basic }}(t)=L(t)-L_{\mathrm{s}}(t) \text {, }$

(12)

$L(t)=\sum\limits_{i=1}^n l_i(t)$

(13)

$\Delta L(t)=\sum\limits_{j=1}^m l_j(t),$

(14)

$\alpha=\frac{\sum\limits_{t=1}^{24} L(t)}{\sum\limits_{t=1}^{24} S(t)},$

(15)

其中，L_s(t)为参与换电负荷；L_ls(t)为平移后的总负荷；L_basic(t)为充电负荷；L(t)为优化前的时序负荷；α为光伏放大系数(定义为1天内总用电量与光伏发电总量之比)；l_i(t)为蒙特卡洛法模拟中每一次负荷的时序值(共n次事件)；l_j(t)为参与换电的单次负荷时序值(共m次事件)。

1.3 风光储能系统定容优化综合评价体系

风光储能系统综合效益评价，即建立风光电源，并结合网储规划后，对系统的多项指标进行阐述和评优，以分析各备选方案的优劣关系。通过不同的综合评价方法，研究系统各个效益指标的重要程度，最终得到一种全局效益最优的解决方案。本文对高速公路风光储能系统评价主要从技术、经济、环境三个方面开展(表 1)。

表 1 风光储能系统容量配置评价指标

Table 1. Evaluation index of capacity configuration of wind and solar energy storage system

类别	指标
技术侧	电力不足小时期望H_lop、缺电率E_lop、交互电量E_g、净负荷波动率ε、储能功率有效利用率θ
经济侧	风光储成本C_in、系统运营效益C_g、投资回收期T
环境侧	清洁能源利用率D_r、能源二氧化碳排放率D_C、土地占用面积D_a

下载: 导出CSV

| 显示表格

1.3.1 技术侧指标

针对供电可靠性和供电时序波动性，建立电力不足小时期望(Hourly Loss of Load expectation)H_lop、缺电率E_lop交互电量E_g、净负荷波动率ε和储能功率有效利用率θ等技术性指标。

$H_{\text {lop }}=\sum\limits_{t=1}^{24} u_t \quad P_t<P_{\mathrm{re}},$

(16)

$E_{\mathrm{lop}}=\frac{\sum\limits_{t=1}^{24} L_{\text {loss }}}{\sum\limits_{i=1}^{24} P_l},$

(17)

$E_{\mathrm{g}}=\sum\limits_{i=1}^{24}\left|P_{\mathrm{g}}\right|,$

(18)

$\varepsilon=\sqrt{\frac{\sum\limits_{i=1}^{24}\left(P_{\mathrm{g}}-P_{\mathrm{av}}\right)^2}{24}} \text {, }$

(19)

$\theta=\sum\limits_{i=1}^{24}\left|\frac{P_{\mathrm{b}}}{P_{\mathrm{b}, \text { rated }}}\right|,$

(20)

其中，u_t在0~1变化(若在t时刻电源出力之和小于系统负荷功率需求，u_t=1，否则u_t=0)；L_loss表示第t小时由于电源出力功率小于系统负荷功率需求引起的失负荷功率；P_g为微电网系统与主电网的交互功率；P_av为P_g在24 h内的均值；P_b为储能系统实时电量交互量；P_{b, rated}为储能系统额定功率装机值。

1.3.2 经济侧指标

针对风光储能系统兼顾成本、效益以及投资对比型参数，采用风光储能成本C_in、系统运营效益C_g和投资回收期T指标。

$C_{\mathrm{in}}=\sum\limits_{i=1}^4 p_i c_i\left(1+\alpha_{\mathrm{o}} f_{\mathrm{ap}}+\alpha_{\mathrm{r}} f_{\mathrm{ap}}\right),$

(21)

$C_{\mathrm{g}}=\sum\limits_{t=1}^{24} P_{\mathrm{g}} \varOmega,$

(22)

$T=\frac{C_{\mathrm{in}}}{L_y \varOmega+P_8 \varOmega-f_{\mathrm{pa}} C_{\mathrm{in}}},$

(23)

其中，c_i为光伏、风电、储能容量、储能功率的单位装机成本；p_i为对应装机容量；α_o和α_r为维护和更替成本系数；f_ap为年金现值折算系数；Ω为电网交互电价(分为上网电价和购电电价，表 2为山东某地区电网电价); L_y为没引进风光储能系统前系统的年用电量；f_pa为现值年金转换系数。

表 2 山东省某地区上网电价与购电电价

Table 2. Grid price and electricity consumption price in a certain area of Shandong province

电价类型	峰期(8~11时，17~22时)	平期(11~17时，15~22时)	谷期(0~8时)
上网电价/(元·kWh^-1)	0.393 9	0.393 9	0.393 9
购电电价/(元·kWh^-1)	0.879 1	0.595 1	0.311 1

下载: 导出CSV

| 显示表格

1.3.3 环境侧指标

针对交能融合微电网规划方案的能源与环境效益，提出清洁能源利用率D_r、能源CO₂排放率D_C和土地占用面积D_a环境评价指标。

$D_{\mathrm{r}}=\frac{E_{\mathrm{r}}}{E_{\mathrm{d}}} \times 100 \%,$

(24)

$D_{\mathrm{C}}=\frac{Q_{1, \mathrm{~g}} f_{\mathrm{g}}+Q_{1, \mathrm{re}} f_{\mathrm{re}}}{Q_1 f_{\mathrm{g}}},$

(25)

$D_\alpha=\alpha_1 P_{\mathrm{s}}+\alpha_2 P_{\mathrm{w}} ,$

(26)

其中，E_r为可再生能源发电量；E_d为微电网总电量需求；Q_{l, g}、Q_{l, re}分别代表交能融合系统中可再生电源与电网电源提供的能源量；f_g和f_re为对应碳排放因子；α₁、α₂分别代表光伏/风电的单位功率土地占用面积；P_s和P_w为对应新能源电源装机容量。

1.4 基于多目标最优的熵权TOPSIS-GA算法

1.4.1 熵权TOPSIS-GA算法

遗传算法在解决多参数非线性问题的最优解时有较好的效果，常被用于综合能源系统容量配置研究。适应度函数的选择至关重要，很大程度依靠于实际问题的最优化方案，但考虑适应度函数为多个目标的最优函数时，存在量纲不统一、权重难区分的问题。

熵权TOPSIS法通过度量对象与最优解、最劣解的距离评价结果。采用TOPSIS法与理想解的贴近度C_i作为遗传算法中适应度的函数值，可有效解决传统遗传算法中适应度函数量纲化和标准化难统一的问题。因此，本文提出基于熵权TOPSIS法耦合遗传算法改进方法求解，流程如图 3所示。

图 3 改进遗传算法流程图

Figure 3. Improved genetic algorithm flow chart

下载: 全尺寸图片幻灯片

首先根据高速公路典型用能场景和对应风光发电潜力，生成n种基准方案，每种方案包含风电装机容量、光伏装机容量、储能容量、储能功率不同参数。然后根据熵权TOPSIS法计算每组方案在当前方案组中距离理想解的贴近度，记为初始方案组贴近度。其次，通过遗传算法生成初始种群，对生成的每一个个体G_i采用熵权TOPSIS法对各方案进行贴近度的求解和排序，选用当前种群中最优贴近度结果作为最优适应度值，并且将最优个体选入基准方案组中，并记录新的方案组。最后重复执行遗传算法步骤，记录每次种群迭代的最优个体，若优于历史最优，则更新G_best；完成迭代次数后，若收敛，输出G_best作为改进多目标型遗传算法计算结果。

1.4.2 约束条件

高速公路风光储能定容规划属于特殊场景下的定容规划范畴。为了维持微网电力系统的稳定运行，在高速公路风光储能系统功率平衡方面进行以下约束。

(1) 风光资源条件约束

高速公路各个场景下，风光新能源的安装容量不应超过典型场景下资源禀赋极限值，且风光装机容量受到标准设备型号的约束。

$0 \leqslant \text{PV} \leqslant \text{PV}_{\max },$

(27)

$0 \leqslant \text{WD} \leqslant \text{WD}_{\max },$

(28)

$\mathrm{PV}=\sum\left\{\mathrm{PV}_1, \mathrm{PV}_2, \cdots, \mathrm{PV}_n\right\},$

(29)

$\mathrm{WD}=\sum\left\{\mathrm{WD}_1, \mathrm{WD}_2, \cdots, \mathrm{WD}_n\right\},$

(30)

其中，PV_max和WD_max分别代表当前场景的可再生能源最大装机容量；PV_n和WD_n为第n个标准型号的额定功率容量，单位均为kW。

(2) 电力平衡约束

综合能源系统在各时刻均满足电量在负荷、电源、储能和电网之间的交互平衡。

$P_{\mathrm{PV}}(t)+P_{\mathrm{WD}}(t)+P_{\mathrm{b}}^{\mathrm{dis}}(t)-P_{\mathrm{b}}^{\mathrm{ch}}(t)+P_{\mathrm{g}}(t)-P_{\text {ong }}(t)=P_t(t),$

(31)

其中，P_PV、P_WD、P_b^dis、P_b^ch、P_g、P_ong、P_l分别代表光伏出力、风电出力、电池充电出力、电池放电出力、电网出力、电网消纳和负荷出力，单位均为kW。

(3) 网储出力约束

在实际风光储能系统运行过程中，系统与电网的交互通过联络线完成，当源储供能不足时，向电网购电；当源储电量盈余时，向电网售电。

$0 \leqslant P_{\mathrm{g}}(t) \leqslant P_{\text {line, } \max },$

(32)

$0 \leqslant P_{\text {ong }}(t) \leqslant P_{\text {line }, \max },$

(33)

其中，P_{line, max}为联络线最大交互功率(kW)。

2. 案例分析

2.1 充电负荷预测

以山东省某高速公路服务区实际收集数据为仿真输入，进行实际案例研究，初始设置参数如表 3所示，EV类型和基本参数如表 4所示。

表 3 仿真初始参数值

Table 3. Simulation initial parameter values

参数类型	设置值
电动汽车渗透率/%	3.0
电动私家车流量/辆	131
电动客货车流量/辆	479
充电桩最大功率/kW	90
充电桩数量/个	13
焦虑系数	0.4

下载: 导出CSV

| 显示表格

表 4 不同类型电动汽车充电技术特征

Table 4. Characteristics of charging technology for different types of electric vehicles

类型	电池容量/kWh	百公里耗电量/kWh	最大充电功率/kW	充电效率
电动私家车	45	15	90	0.9
电动客货车	180	120	150	0.9

下载: 导出CSV

| 显示表格

为了区别光伏、风电、储能容量、储能功率这4个参数容量配置不同在综合评价体系内的特异性影响，分别以这4个参数的强弱建立9个初始规划方案，描述为{A₁，A₂，…，A₉}，其中A₁为基准方案，A₂~A₈分别为基于4个参数的对比方案，具体方案设置如表 5所示，不同方案对应指标的初始数据如表 6所示。储能功率有效利用率θ、系统运营效益C_g、清洁能源利用率D_r为正向指标，其值越大系统性能越好，电力不足小时期望H_lop、缺电率E_lop、交互电量E_g、净负荷波动率ε、风光储成本C_in、投资回收期T、能源CO₂排放率D_C、土地占用面积D_a为负向指标，其值越小系统性能越好。

表 5 初始方案参数

Table 5. Initial scheme parameters

方案	方案特征	光伏装机/kW	风电装机/kW	储能装机容量/kWh	储能装机功率/kW
A₁	基准方案	2 400	600	6 000	1 000
A₂	强光伏	2 880	600	6 960	1 160
A₃	弱光伏	2 000	600	5 200	870
A₄	强风电	2 400	720	6 240	1 040
A₅	弱风电	2 400	500	5 800	960
A₆	强储能容量	2 400	600	7 200	1 200
A₇	弱储能容量	2 400	600	5 000	840
A₈	强储能功率	2 400	600	6 000	1 500
A₉	弱储能功率	2 400	600	6 000	750

下载: 导出CSV

| 显示表格

表 6 初始方案下各指标参数

Table 6. Parameters of each indicator under the initial scheme

方案	H_lop/h	E_lop/%	E_g/kWh	ε/%	θ/%	C_in/万元	C_g/元	T/年	D_r/%	D_C/%	D_a/m²
A₁	10	0.752	7 147	0.782	0.458	1 675	-2 223	3.545	0.752	0.248	15 115
A₂	11	0.851	5 901	0.859	0.494	1 923	-1 278	3.604	0.823	0.179	18 115
A₃	12	0.671	9 510	0.780	0.482	1 468	-2 959	3.484	0.673	0.333	12 615
A₄	16	0.804	5 642	0.766	0.460	1 761	-1 755	3.488	0.804	0.196	15 138
A₅	12	0.709	8 401	0.799	0.463	1 602	-2 614	3.597	0.709	0.291	15 096
A₆	12	0.752	7 147	0.897	0.416	1 806	-2 223	3.823	0.752	0.248	15 115
A₇	10	0.752	7 147	0.688	0.502	1 567	-2 223	3.317	0.752	0.248	15 115
A₈	8	0.752	7 147	0.812	0.349	1 762	-2 223	3.733	0.752	0.248	15 115
A₉	10	0.752	7 147	0.764	0.532	1 631	-2 223	3.453	0.752	0.248	15 115

下载: 导出CSV

| 显示表格

不同类型EV充电负荷分布曲线如图 4所示，受车流量的影响，电动客货车的整体充电负荷高于电动私家车，充电负荷曲线呈现双峰形式。总负荷在12：00~14：00达到峰值，因为该高峰期为午休时间，司机会选择在该时段吃饭、休息，在18：00~20：00出现另一个峰值，需要提前补充电量应对夜间行驶。

图 4 不同类型电动汽车充电负荷模拟结果

Figure 4. Simulation results of charging load for different types of electric vehicles

下载: 全尺寸图片幻灯片

2.2 源荷匹配优化结果

2.2.1 充电桩参数的影响

充电桩参数对EV负荷影响如图 5所示，充电桩数量较少时，在凌晨1：00出现负荷高峰现象，这是因为用户排队时间长且数量多造成的；随着充电桩数量的增加，日间负荷峰值上升且向光伏资源丰富的日间移动，并呈现双峰形式，满足EV充电需求。当充电桩最大充电功率从60 kW增大至120 kW时，充电负荷在10：00~14：00的峰值略有提升，这是由于充电时间缩短造成的，但当充电桩最大充电功率进一步增大至150 kW时，其负荷曲线并无太大变化，因为过大的充电桩功率使EV充电时间变短，本文使用的模拟方法时间分辨率为20 min，因此当充电时间变化低于20 min时，可能会导致模型对充电功率变化的灵敏度不强。

图 5 不同充电桩参数的充电负荷

Figure 5. Charging load of different charging pile parameters

下载: 全尺寸图片幻灯片

充电桩参数对源荷匹配性的影响如表 7所示，充电桩数量从11个增大至14个时, r从0.269上升至0.546，源荷匹配性从低相关水平变为中相关水平，表明充电桩数量变多可满足用户充电需求，使光伏发电资源达到最大利用水平，继续增大至15个时，r无较大变化。当充电桩最大充电功率从60 kW升高至120 kW时，r逐渐增大至饱和。继续提升功率至150 kW，r并没有进一步增大，因为此功率下的EV充电时间变化不大，充电负荷曲线也几乎重叠。因此，在本例中选择14个充电桩(即充电桩数量与车流量比例为1 ∶ 43)，120 kW的最大充电功率可使源荷匹配达到最优。

表 7 不同充电桩参数下的Pearson相关系数

Table 7. Pearson correlation coefficient under different charging pile parameters

充电桩参数	最大充电功率/kW	r
充电桩数量/个	11	0.269
	12	0.420
	13	0.491
	14	0.546
	15	0.548
最大充电功率/kW	60	0.433
	75	0.477
	120	0.524
	150	0.517

下载: 导出CSV

| 显示表格

2.2.2 充换电模式的影响

考虑换电参与的负荷优化曲线和光伏出力曲线如图 6所示，其中光伏出力曲线呈拱形特点，在12：00出现峰值；充换电模式下的负荷曲线在16：00~18：00明显下移，减小的负荷平移至8：00~10：00时间段内，且平移后负荷曲线更加平缓，实现了总负荷“削峰填谷”，与光伏出力曲线的综合偏差最小。因此考虑换电模式可在一定程度上实现负荷的平移，且应在早间对需要换电的电池提前充电。

图 6 充换电模式下的充电负荷响应结果

Figure 6. Charging load response results under charging/swapping mode

下载: 全尺寸图片幻灯片

2.3 容量优化配置结果

通过熵权法计算熵值和权重，H_lop的权重为7.532%、E_lop的权重为8.870%、E_g的权重为8.653%、ε的权重为10.077%、θ的权重为7.758%、C_in的权重为10.330%、C_g的权重为10.590%、T的权重为10.240%、D_r的权重为9.521%、D_C的权重为9.021%、D_a的权重为7.408%，其中指标权重最大值为C_g(10.590%)，最小值为D_a(7.408%)。通过TOPSIS法求解得到结果如表 8所示，其中方案A₇贴近度值最大，且对比分析光伏、风电、储能容量、储能功率数据可知，风光发电功率大、储能功率容量小的方案贴近度更优。

表 8 初始方案贴近度结果与排序

Table 8. Initial scheme proximity results and ranking

方案	到正理想解的距离d⁺	到负理想解的距离d^-	理想解贴近度C	排序
A₁	0.445 999 24	0.563 126 22	0.558 033 91	4
A₂	0.616 706 34	0.683 150 36	0.525 558 21	5
A₃	0.657 788 13	0.634 777 06	0.491 098 68	6
A₄	0.480 588 54	0.661 835 40	0.579 325 57	3
A₅	0.575 649 22	0.493 460 93	0.461 562 29	8
A₆	0.654 955 93	0.437 256 23	0.400 340 01	9
A₇	0.361 675 85	0.719 561 87	0.665 498 30	1
A₈	0.586 805 34	0.513 036 22	0.466 463 75	7
A₉	0.397 280 22	0.642 526 75	0.617 928 88	2

下载: 导出CSV

| 显示表格

高速公路服务区场的风光储容量配置优化结果如表 9所示，服务区光伏装机功率为2 810 kW，风电装机功率为700 kW，储能装机功率为700 kW，储能装机容量为5 000 kWh, 最优装机容量规划结果如表 10所示。采用改进遗传算法得到服务区优化容量配置方案的贴近度为0.681 5，高于初始方案。风光储系统的电力出力情况如图 7所示。

表 9 容量配置优化结果

Table 9. Capacity configuration optimization results

参数	优化结果
光伏/kW	2 810
风电/kW	700
储能容量/kWh	5 000
储能功率/kW	700
贴近度	0.681 5

下载: 导出CSV

| 显示表格

表 10 最优容量配置下的指标计算结果

Table 10. Calculation results of the optimal capacity configuration

参数	计算值
H_lop/h	10
E_lop/%	0.88
E_g/kWh	7 852
ε/%	0.73
θ/%	0.49
C_in/万元	1799
C_g/元	-906.7
T/年	3.26
D_r/%	0.8
D_C/%	0.2
D_a/m²	17 696

下载: 导出CSV

| 显示表格

图 7 高速公路服务区电力平衡时序结果

Figure 7. Power balance time series results for expressway service area

下载: 全尺寸图片幻灯片

在高速公路服务区场景的能量流动中，光伏出力水平整体较高，风电出力较低，在白天日照充足时，可再生能源出力超过了负荷需求，电能以储能的形式保存或输送至电网售电；在夜间，由于光伏出力微弱，部分时间风电不足以支撑负荷用能供应，储能和电网将向系统输送电力。为高速公路风光储能系统的规划和运营提供了理论数据支持。

3. 结论

采用蒙特卡洛法建立高速公路EV负荷预测模型，计算EV充电负荷的时间分布特性，分析充电桩参数和充换电模式对其影响，提出源荷匹配优化策略，基于多目标最优的熵权TOPSIS-GA算法，对风光储能系统容量配置进行优化。通过山东省某服务区实例研究得到以下结论：

高速公路EV充电负荷时间分布曲线具有明显日间“双峰”特性，在正午和傍晚时刻达到峰值，不同类型EV的充电负荷曲线存在差异，受车流量影响电动客货车的整体充电负荷高于电动私家车。

随着充电桩数量和充电桩最大充电功率在一定范围内增大，日间负荷峰值上升且向光伏资源丰富的日间移动，可满足EV充电负荷需求，充电桩数量与车流量之比为1 ∶ 43，充电桩最大充电功率为120 kW时，源荷匹配性达最优。考虑换电参与的充换电模式总负荷有明显差异，从光伏资源紧缺的时间段平移至光伏资源充沛的时间段内，有效提升了光伏资源利用率，对促进源荷匹配性具有积极作用。

改进遗传算法得到的最优化配置方案贴近度结果相比初始规划方案有所提升，白天可再生能源满足负荷需求的同时，可实现储能系统的充能和余电的上网，夜间可再生能源系统供能微弱，能源主要来自于储能和电网。

图 1 源荷匹配及容量配置优化策略框架图

Figure 1. Framework diagram of source-load matching and capacity configuration optimization strategy

下载: 全尺寸图片幻灯片

图 2 基于蒙特卡洛模拟的电动汽车充电负荷计算流程图

Figure 2. Flow chart of electric vehicle charging load calculation based on the Monte Carlo simulation

下载: 全尺寸图片幻灯片

图 3 改进遗传算法流程图

Figure 3. Improved genetic algorithm flow chart

下载: 全尺寸图片幻灯片

图 4 不同类型电动汽车充电负荷模拟结果

Figure 4. Simulation results of charging load for different types of electric vehicles

下载: 全尺寸图片幻灯片

图 5 不同充电桩参数的充电负荷

Figure 5. Charging load of different charging pile parameters

下载: 全尺寸图片幻灯片

图 6 充换电模式下的充电负荷响应结果

Figure 6. Charging load response results under charging/swapping mode

下载: 全尺寸图片幻灯片

图 7 高速公路服务区电力平衡时序结果

Figure 7. Power balance time series results for expressway service area

下载: 全尺寸图片幻灯片

表 1 风光储能系统容量配置评价指标

Table 1 Evaluation index of capacity configuration of wind and solar energy storage system

类别	指标
技术侧	电力不足小时期望H_lop、缺电率E_lop、交互电量E_g、净负荷波动率ε、储能功率有效利用率θ
经济侧	风光储成本C_in、系统运营效益C_g、投资回收期T
环境侧	清洁能源利用率D_r、能源二氧化碳排放率D_C、土地占用面积D_a

下载: 导出CSV

表 2 山东省某地区上网电价与购电电价

Table 2 Grid price and electricity consumption price in a certain area of Shandong province

电价类型	峰期(8~11时，17~22时)	平期(11~17时，15~22时)	谷期(0~8时)
上网电价/(元·kWh^-1)	0.393 9	0.393 9	0.393 9
购电电价/(元·kWh^-1)	0.879 1	0.595 1	0.311 1

下载: 导出CSV

表 3 仿真初始参数值

Table 3 Simulation initial parameter values

参数类型	设置值
电动汽车渗透率/%	3.0
电动私家车流量/辆	131
电动客货车流量/辆	479
充电桩最大功率/kW	90
充电桩数量/个	13
焦虑系数	0.4

下载: 导出CSV

表 4 不同类型电动汽车充电技术特征

Table 4 Characteristics of charging technology for different types of electric vehicles

类型	电池容量/kWh	百公里耗电量/kWh	最大充电功率/kW	充电效率
电动私家车	45	15	90	0.9
电动客货车	180	120	150	0.9

下载: 导出CSV

表 5 初始方案参数

Table 5 Initial scheme parameters

方案	方案特征	光伏装机/kW	风电装机/kW	储能装机容量/kWh	储能装机功率/kW
A₁	基准方案	2 400	600	6 000	1 000
A₂	强光伏	2 880	600	6 960	1 160
A₃	弱光伏	2 000	600	5 200	870
A₄	强风电	2 400	720	6 240	1 040
A₅	弱风电	2 400	500	5 800	960
A₆	强储能容量	2 400	600	7 200	1 200
A₇	弱储能容量	2 400	600	5 000	840
A₈	强储能功率	2 400	600	6 000	1 500
A₉	弱储能功率	2 400	600	6 000	750

下载: 导出CSV

表 6 初始方案下各指标参数

Table 6 Parameters of each indicator under the initial scheme

方案	H_lop/h	E_lop/%	E_g/kWh	ε/%	θ/%	C_in/万元	C_g/元	T/年	D_r/%	D_C/%	D_a/m²
A₁	10	0.752	7 147	0.782	0.458	1 675	-2 223	3.545	0.752	0.248	15 115
A₂	11	0.851	5 901	0.859	0.494	1 923	-1 278	3.604	0.823	0.179	18 115
A₃	12	0.671	9 510	0.780	0.482	1 468	-2 959	3.484	0.673	0.333	12 615
A₄	16	0.804	5 642	0.766	0.460	1 761	-1 755	3.488	0.804	0.196	15 138
A₅	12	0.709	8 401	0.799	0.463	1 602	-2 614	3.597	0.709	0.291	15 096
A₆	12	0.752	7 147	0.897	0.416	1 806	-2 223	3.823	0.752	0.248	15 115
A₇	10	0.752	7 147	0.688	0.502	1 567	-2 223	3.317	0.752	0.248	15 115
A₈	8	0.752	7 147	0.812	0.349	1 762	-2 223	3.733	0.752	0.248	15 115
A₉	10	0.752	7 147	0.764	0.532	1 631	-2 223	3.453	0.752	0.248	15 115

下载: 导出CSV

表 7 不同充电桩参数下的Pearson相关系数

Table 7 Pearson correlation coefficient under different charging pile parameters

充电桩参数	最大充电功率/kW	r
充电桩数量/个	11	0.269
	12	0.420
	13	0.491
	14	0.546
	15	0.548
最大充电功率/kW	60	0.433
	75	0.477
	120	0.524
	150	0.517

下载: 导出CSV

表 8 初始方案贴近度结果与排序

Table 8 Initial scheme proximity results and ranking

方案	到正理想解的距离d⁺	到负理想解的距离d^-	理想解贴近度C	排序
A₁	0.445 999 24	0.563 126 22	0.558 033 91	4
A₂	0.616 706 34	0.683 150 36	0.525 558 21	5
A₃	0.657 788 13	0.634 777 06	0.491 098 68	6
A₄	0.480 588 54	0.661 835 40	0.579 325 57	3
A₅	0.575 649 22	0.493 460 93	0.461 562 29	8
A₆	0.654 955 93	0.437 256 23	0.400 340 01	9
A₇	0.361 675 85	0.719 561 87	0.665 498 30	1
A₈	0.586 805 34	0.513 036 22	0.466 463 75	7
A₉	0.397 280 22	0.642 526 75	0.617 928 88	2

下载: 导出CSV

表 9 容量配置优化结果

Table 9 Capacity configuration optimization results

参数	优化结果
光伏/kW	2 810
风电/kW	700
储能容量/kWh	5 000
储能功率/kW	700
贴近度	0.681 5

下载: 导出CSV

表 10 最优容量配置下的指标计算结果

Table 10 Calculation results of the optimal capacity configuration

参数	计算值
H_lop/h	10
E_lop/%	0.88
E_g/kWh	7 852
ε/%	0.73
θ/%	0.49
C_in/万元	1799
C_g/元	-906.7
T/年	3.26
D_r/%	0.8
D_C/%	0.2
D_a/m²	17 696

下载: 导出CSV

参考文献(15)

[1]	张良, 孙成龙, 蔡国伟, 等. 基于PSO算法的电动汽车有序充放电两阶段优化策略[J]. 中国电机工程学报, 2022, 42(5): 1837-1852. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC202205017.htm ZHANG L, SUN C L, CAI G W, et al. Two-stage optimization strategy for coordinated charging and discharging of EVs based on PSO algorith[J]. Proceedings of the CSEE, 2022, 42(5): 1837-1852. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC202205017.htm
[2]	LI X H, WANG Z P, ZHANG L, et al. Electric vehicle behavior modeling and applications in vehicle-grid integration: an overview[J]. Energy, 2023, 268: 126647/1-16.
[3]	HAO Y, DONG L, LIANG J, et al. Power forecasting-based coordination dispatch of PV power generation and electric vehicles charging in microgrid[J]. Renewable Energy, 2020, 155: 1191-1210. doi: 10.1016/j.renene.2020.03.169
[4]	LI Q T, WANG J X, ZHANG Y, et al. Multi-period generation expansion planning for sustainable power systems to maximize the utilization of renewable energy sources[J]. Sustainability, 2020, 12(3): 2630-2639.
[5]	FAN M, SUN K, LANE D, et al. A novel generation rescheduling algorithm to improve power system reliability with high renewable energy penetration[J]. IEEE Transactions on Power Systems, 2018, 33(3): 3349-3357. doi: 10.1109/TPWRS.2018.2810642
[6]	刘俊磊, 刘新苗, 卢洵, 等. 高比例新能源系统供需平衡分析方法和对策[J]. 高电压技术, 2023, 49(7): 2711-2724. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ202307003.htm LIU J L, LIU X M, LU X, et al. Analysis methods and countermeasures of supply and demand balance of high proportion of new energy system[J]. High Voltage Engineering, 2023, 49(7): 2711-2724. https://www.cnki.com.cn/Article/CJFDTOTAL-GDYJ202307003.htm
[7]	张歆蒴, 陈仕军, 曾宏, 等. 基于源荷匹配的异质能源互补发电调度[J]. 电网技术, 2020, 44(9): 3314-3320. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202009015.htm ZHANG X S, CHEN S J, ZENG H, et al. Heterogeneous energy complementary power generation dispatching based on output-load matching[J]. Power System Technology, 2020, 44(9): 3314-3320. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS202009015.htm
[8]	张程, 匡宇, 邹复民, 等. 考虑风光不确定性与电动汽车的综合能源系统低碳经济调度[J]. 电力自动化设备, 2022, 42(10): 236-244. https://www.cnki.com.cn/Article/CJFDTOTAL-DLZS202210030.htm ZHANG C, KUANG Y, LIU F M, et al. Low carbon economic dispatch of integrated energy system considering wind and solar uncertainty and electric vehicles[J]. Electric Power Automation Equipment, 2022, 42(10): 236-244. https://www.cnki.com.cn/Article/CJFDTOTAL-DLZS202210030.htm
[9]	张智刚, 康重庆. 碳中和目标下构建新型电力系统的挑战与展望[J]. 中国电机工程学报, 2022, 42(8): 2806-2819. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC202208002.htm ZHANG Z G, KANG C Q. Challenges and prospects for constructing the new-type power system towards a carbon neutrality future[J]. Proceedings of the CSEE, 2022, 42(8): 2806-2819. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC202208002.htm
[10]	JAVED M S, MA T. Techno-economic assessment of a hybrid solar-wind-battery system with genetic algorithm[J]. Energy Procedia, 2019, 158: 6384-6392. doi: 10.1016/j.egypro.2019.01.211
[11]	MEINRENKEN C J, MEHMANI A. Concurrent optimization of thermal and electric storage in commercial buildings to reduce operating cost and demand peaks under time-of-use tariffs[J]. Applied Energy, 2019, 254: 113630/1-13.
[12]	LIU Z Q, CUI Y P, WANG J Q, et al. Multi-objective optimization of multi-energy complementary integrated energy systems considering load prediction and renewable energy production uncertainties[J]. Energy, 2022, 254: 1-16.
[13]	夏延清. 基于时空大数据技术的高速公路出行特征分析[D]. 北京: 北方工业大学, 2020. XIA Y Q. Analysis of highway travel characteristics based on spatio-temporal big data[D]. Beijing: North China University of Technology, 2020.
[14]	HE Z Y, CHENG Y, HU Z H, et al. Multi-time simulation of electric taxicabs' charging demand based on residents' travel characteristics[C]. 2017 IEEE Conference on Energy Internet and Energy System Intergration. Piscataway: IEEE.
[15]	高淑萍, 李晓芳, 宋国兵, 等. 基于Pearson相关系数与广义S变换的低压直流微电网的故障选线方法[J]. 电力系统保护与控制, 2023, 51(15): 120-129. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW202315012.htm GAO S P, LI X F, SONG G B, et al. Fault line selection method of a low-voltage DC microgrid based on the Pearson correlation coefficient generalized S-transform[J]. Power System Protection and Control, 2023, 51(15): 120-129. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW202315012.htm

施引文献

资源附件(0)

图(7) / 表(10)

计量

文章访问数: 82
HTML全文浏览量: 54
PDF下载量: 35
被引次数: 0

1. 研究方法
1.1 基于蒙特卡洛法的负荷预测模型
1.1.1 电动汽车日出行模型
1.1.2 用户充电决策模型
1.1.3 充电桩负荷模拟流程
1.2 源荷匹配优化方法
1.2.1 充电参数的源荷匹配性指标
1.2.2 充换电模式的负荷平移模型
1.3 风光储能系统定容优化综合评价体系
1.3.1 技术侧指标
1.3.2 经济侧指标
1.3.3 环境侧指标
1.4 基于多目标最优的熵权TOPSIS-GA算法
1.4.1 熵权TOPSIS-GA算法
1.4.2 约束条件
2. 案例分析
2.1 充电负荷预测
2.2 源荷匹配优化结果
2.2.1 充电桩参数的影响
2.2.2 充换电模式的影响
2.3 容量优化配置结果
3. 结论

1. 研究方法
1.1 基于蒙特卡洛法的负荷预测模型
1.1.1 电动汽车日出行模型
1.1.2 用户充电决策模型
1.1.3 充电桩负荷模拟流程
1.2 源荷匹配优化方法
1.2.1 充电参数的源荷匹配性指标
1.2.2 充换电模式的负荷平移模型
1.3 风光储能系统定容优化综合评价体系
1.3.1 技术侧指标
1.3.2 经济侧指标
1.3.3 环境侧指标
1.4 基于多目标最优的熵权TOPSIS-GA算法
1.4.1 熵权TOPSIS-GA算法
1.4.2 约束条件
2. 案例分析
2.1 充电负荷预测
2.2 源荷匹配优化结果
2.2.1 充电桩参数的影响
2.2.2 充换电模式的影响
2.3 容量优化配置结果
3. 结论

参考文献(15)

施引文献

资源附件(0)

高速公路风光储能系统源荷匹配及容量配置优化

通讯作者: 邬凡，Email: wu_fan@hust.edu.cn

计量

出版历程

Source-load Matching and Capacity Configuration Optimization for Wind and Solar Energy Storage System in Expressways

1. 研究方法

1.1 基于蒙特卡洛法的负荷预测模型

1.1.1 电动汽车日出行模型

1.1.2 用户充电决策模型

1.1.3 充电桩负荷模拟流程

1.2 源荷匹配优化方法

1.2.1 充电参数的源荷匹配性指标

1.2.2 充换电模式的负荷平移模型

1.3 风光储能系统定容优化综合评价体系

1.3.1 技术侧指标

1.3.2 经济侧指标

1.3.3 环境侧指标

1.4 基于多目标最优的熵权TOPSIS-GA算法

1.4.1 熵权TOPSIS-GA算法

1.4.2 约束条件

2. 案例分析

2.1 充电负荷预测

2.2 源荷匹配优化结果

2.2.1 充电桩参数的影响

2.2.2 充换电模式的影响

2.3 容量优化配置结果

3. 结论

计量

出版历程

目录

1. 研究方法

1.1 基于蒙特卡洛法的负荷预测模型

1.1.1 电动汽车日出行模型

1.1.2 用户充电决策模型

1.1.3 充电桩负荷模拟流程

1.2 源荷匹配优化方法

1.2.1 充电参数的源荷匹配性指标

1.2.2 充换电模式的负荷平移模型

1.3 风光储能系统定容优化综合评价体系

1.3.1 技术侧指标

1.3.2 经济侧指标

1.3.3 环境侧指标

1.4 基于多目标最优的熵权TOPSIS-GA算法

1.4.1 熵权TOPSIS-GA算法

1.4.2 约束条件

2. 案例分析

2.1 充电负荷预测

2.2 源荷匹配优化结果

2.2.1 充电桩参数的影响

2.2.2 充换电模式的影响

2.3 容量优化配置结果

3. 结论

通讯作者:
邬凡，Email: wu_fan@hust.edu.cn