本专栏栏目提供文章与程序复现思路，具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》
这个标题表明研究着重于开发一种电动汽车充电策略，该策略考虑了在新能源配电网络中存在的三相不平衡问题。解读如下：
-
电动汽车充电策略：
- 研究目的是制定一种充电方案，可能涉及充电站的管理或者电动汽车的充电策略。这个策略可能包括充电时段、充电功率的分配、以及与新能源电网连接的方式等方面的考虑。
-
考虑三相不平衡问题：
- 新能源配电网络中可能存在三相电压或电流不平衡的情况。这可能源自于电网设备的不均衡负载、电动汽车充电过程中的不对称负载等。这个问题需要被解决或者至少被考虑在内，以确保电网的稳定和高效运行。
-
目标：
- 研究旨在开发一种充电策略，不仅可以满足电动汽车充电需求，还能够有效处理新能源配电网络中的三相不平衡问题。这样的策略可能通过调整充电模式或者充电设备的控制来实现。
综合来看，这个标题暗示了一项研究，其重点是设计一种电动汽车充电策略，能够在充电过程中考虑并解决新能源配电网络中存在的三相不平衡问题，以提高能源利用效率和电网的稳定性。
摘要：针对大规模电动汽车和新能源并网引发的三相不平衡问题，提出考虑中压配网三相不平衡治理的电动汽车充电策略。首先，分别建立了电动汽车聚合商模型和多相配网模型；其次，提出三相平衡激励机制，鼓励电动汽车自发地帮助改善三相电压不平衡；然后，以最大化电动汽车利益为目标，考虑电动汽车充电约束和配网安全约束，建立电动汽车充电确定性优化模型；并进一步基于鲁棒优化理论研究新能源出力不确定性，建立电动汽车充电鲁棒优化模型；最后，采用改编的IEEE 13节点配网进行仿真验证。结果表明，所提出的充电策略能够有效降低配网三相电压不平衡与电动汽车用户成本，并在新能源出力不确定时保证配网的安全运行。
这段摘要介绍了一个研究，其目标是解决由大规模电动汽车和新能源并网引起的三相不平衡问题，并提出了一种专注于中压配电网络的电动汽车充电策略。以下是对摘要中各方面的详细解读：
-
问题背景：
- 摘要首先指出问题的背景，即由电动汽车和新能源集成到电网中引起的三相不平衡问题。这可能是由于电动汽车充电不均匀或新能源的波动性引起的。
-
建模：
- 提到了建立了两个关键模型，即电动汽车聚合商模型和多相配网模型。这些模型可能有助于理解电动汽车行为和多相配电网络的特性，为进一步的研究提供基础。
-
三相平衡激励机制：
- 引入了一种三相平衡激励机制，其目的是通过激励机制鼓励电动汽车自愿参与三相电压不平衡的调整。这可能包括一些奖励或激励机制，使得电动汽车更倾向于充电时帮助平衡三相电压。
-
优化模型：
- 提到了以最大化电动汽车利益为目标的确定性优化模型。这个模型考虑了电动汽车充电约束和配网安全约束，旨在找到一种最优的充电策略。
-
鲁棒优化模型：
- 在确定性模型的基础上，引入了鲁棒优化理论，以研究新能源出力不确定性。这样的模型可能能够更好地适应实际情况中的不确定性，并提供更鲁棒的充电策略。
-
仿真验证：
- 使用改编的IEEE 13节点配电网络进行了仿真验证。结果表明，提出的充电策略在有效降低配网三相电压不平衡和电动汽车用户成本的同时，在新能源出力不确定时保证了配网的安全运行。
总体而言，这项研究提出了一个综合的电动汽车充电策略，考虑了多个方面，包括三相不平衡、电动汽车用户利益最大化和新能源的不确定性。通过建模和仿真验证，研究表明提出的策略在实践中是有效的。
关键词： 电动汽车;新能源;三相不平衡;有序充电;不确定性;鲁棒优化;
-
电动汽车：
- 这指的是使用电力作为能源的汽车。在文中，可能涉及到电动汽车的充电行为和其对电力系统的影响。
-
新能源：
- 这可能包括可再生能源，如太阳能、风能等，以及其他低碳能源形式。在文中，新能源可能与电力系统中的能源来源和其出力不确定性有关。
-
三相不平衡：
- 这指的是电力系统中的三相电流或电压不相等的情况。在文中，可能涉及到由电动汽车和新能源引起的电网三相不平衡问题。
-
有序充电：
- 这可能是指有计划、有组织的电动汽车充电过程。在文中，可能指的是通过某种机制或策略来协调电动汽车的充电，以减少对电力系统的不利影响。
-
不确定性：
- 这指的是系统中存在的不确定因素，可能涉及到新能源出力的波动性或其他影响电动汽车充电的不确定因素。
-
鲁棒优化：
- 这可能是一种优化方法，专注于在面对不确定性时保持系统性能的稳健性。在文中，可能用于调整电动汽车充电策略，以适应新能源出力的不确定性。
这些关键词的结合表明文中的研究可能集中在解决电动汽车充电过程中的问题，特别是考虑到新能源的不确定性和电力系统中可能存在的三相不平衡情况。有序充电和鲁棒优化可能是提出的解决方案中的关键概念，以确保系统的稳定性和效率。
仿真算例：
本文采用图 2 所示的含 6 个电动汽车聚合商和 6 组风电机组的 13 节点配网[21]进行仿真验证。仿真 时长设置为 24 小时。每个聚合商负责管辖 100 辆 电动汽车。其中，电动汽车共包括 3 种不同类型： 雪佛兰伏特(3.8 kW, 16 kWh)，日产聆风(3.3 kW, 24 kWh)和特斯拉(16.8 kW, 53kWh)，各个类型占比见 附录表 1。所有电动汽车的充电效率为 0.9，充电功 率因数为 0.9。所有电动汽车的充电开始时间和结 束时间分别在[18:00, 22:00]和[6:00, 8:00]之间均匀 采样，初始的和预期的荷电状态分别在[0.4,0.5]和 [0.8,0.9]之间均匀采样。每组风电机组的出力预测 值参考英国电网 2021 年某天的风电出力[22]。 具体预测出力曲线见附录图 1，其中最大预测偏差 设为预测值的 20%。配网中各个节点的有功和无功基础负荷基准 值取文献[21]中的负荷值。各个节点的日负荷 曲线根据英国电网 2021 年某四天的标幺化 日负荷曲线 [22](见附录图 2)进 行 时间扩维生 成。系统各节点的日负荷曲线类型见附录表 2。 系统主变压器容量为 10 MVA，电压上下限为1.07/0.93 p.u.。其 他 网 络 参 数 设 置 与 文 献 [21] 保持一致。 三相平衡激励机制中的补偿系数 取值为 400。配电运营商的 售 电 电 价 参 考 英 国 电 网 2021 年某天 OSLO 区域的日前电价[22]，取值 见附录图 3。
为了分析三相平衡激励机制对电动汽车充电 行为的影响，证明电动汽车鲁棒充电策略的有效 性，文本制定了以下 4 个对比场景： （1）场景 1：不进行优化，电动汽车接入电网 后，直接以最大功率充电，直至充电结束。 （2）场景 2：不考虑激励机制和风电出力不确 定性，以电动汽车充电费用最小为目标进行优化。 （3）场景 3：按照本文 3.1 节建立的电动汽车 充电确定性优化模型进行优化。 （4）场景 4：按照本文 3.2 节建立的电动汽车 充电鲁棒优化模型进行优化。
仿真程序复现思路：
复现该仿真可以采用一种编程语言，例如Python，以模拟电动汽车充电行为和电力系统的运行。以下是一个简化的示例程序，使用Python和NumPy库：
import numpy as np
# 仿真参数设置
simulation_duration = 24 # 仿真时长（小时）
num_aggregators = 6
num_ev_per_aggregator = 100
num_wind_groups = 6
ev_types = ["Chevrolet Volt", "Nissan Leaf", "Tesla Model S"]
ev_power = [3.8, 3.3, 16.8] # 单位：kW
ev_capacity = [16, 24, 53] # 单位：kWh
charging_efficiency = 0.9
power_factor = 0.9
charging_time_range = [18, 22]
charging_state_range = [0.4, 0.5]
wind_prediction_deviation = 0.2
compensation_factor_kappa = 400
# 电力系统参数
transformer_capacity = 10 # 主变压器容量（MVA）
voltage_limits = [1.07, 0.93] # 电压上下限
compensation_factor_kappa = 400
electricity_price_reference = # 电价参考值，可从附录图3获取
# 仿真结果记录
charging_results = np.zeros((simulation_duration, num_aggregators, num_ev_per_aggregator))
wind_power_results = np.zeros((simulation_duration, num_wind_groups))
system_load_results = np.zeros((simulation_duration, num_aggregators))
# 仿真开始
for hour in range(simulation_duration):
# 模拟风电出力
wind_power_prediction = simulate_wind_power(hour, wind_prediction_deviation)
wind_power_results[hour] = wind_power_prediction
# 模拟每个电动汽车充电行为
for aggregator in range(num_aggregators):
for ev_type in ev_types:
for ev in range(num_ev_per_aggregator):
# 仿真电动汽车充电策略，根据场景选择不同的优化模型
if scenario == 1:
# 场景1：最大功率充电
charging_power = ev_power[ev_types.index(ev_type)]
elif scenario == 2:
# 场景2：以费用最小为目标进行优化
charging_power = optimize_cost(ev, aggregator, hour)
elif scenario == 3:
# 场景3：确定性优化模型
charging_power = deterministic_optimization(ev, aggregator, hour)
elif scenario == 4:
# 场景4：鲁棒优化模型
charging_power = robust_optimization(ev, aggregator, hour, wind_power_prediction)
# 模拟电动汽车充电过程
charging_power_actual = simulate_charging(charging_power, charging_efficiency, power_factor)
charging_results[hour, aggregator, ev] = charging_power_actual
# 模拟电力系统运行
system_load = simulate_system_load(hour)
system_load_results[hour] = system_load
# 实现三相平衡激励机制
compensate_system_imbalance(system_load, wind_power_prediction)
# 记录仿真结果到文件或可视化
save_simulation_results(charging_results, wind_power_results, system_load_results)
请注意，上述示例程序是一个简化版本，实际仿真模型的复杂性可能需要更详细的逻辑和算法。根据文中提到的方法，你需要实现电动汽车充电的不同优化场景，包括确定性优化和鲁棒优化模型。此外，还需要考虑电力系统的运行，包括风电出力模拟和三相平衡激励机制。这些都需要根据文中的详细描述来具体实现。
![[开发语言][c++][python]：C++与Python中的赋值、浅拷贝与深拷贝](https://img-blog.csdnimg.cn/img_convert/b738c28f6b2531e40f980cef0742b6ee.png)
