2019年7月第22卷第7期电力大数据大数据专题July.2019，Vol.22，No.7POWEＲSYSTEMS AND BIG DATA Big Data SpecialＲeports
夏博1，唐宇池2，肖孝天3，杨超1
（1.贵州大学电气工程学院，贵州贵阳550025；2.浙江大学电气工程学院，浙江杭州310007；
3.贵州电网有限责任公司贵安供电局，贵州贵阳550003）
摘要：常规的经济调度已不能满足可再生新能源和电动汽车随机接入所带来的挑战。为了解决接入配电网电动汽车数量逐渐增多和分布式电源并网问题。本文对含电动汽车的智能配电网优化调度进行了详细的分析。首先简要分析了电动汽车接入对电网造成的影响。其次本文从电动汽车接入电网的类型、电动汽车参与优化调度的目标、优化调度模型以及优化调度建模方法四个研究方面详细分析了电动汽车与智能配电网协调优化调度。从优化调度的结果分析可知，把电动汽车考虑进智能配电网的优化调度中能够有效的降低配电网的运行成本，使得车主的充电费用减少，并且提高了分布式电源的利用率。然后对大数据技术在智能配电网优化中的应用进行了简要的介绍。
最后对电动汽车与智能配电网协调优化调度提出了展望。
关键词：电动汽车；智能配电网；优化调度；大数据技术
文章编号：2096－4633（2019）07－0087－06中图分类号：TM73文献标志码：B
智能配电网的概念被提出以来，各个国家在该领域都取得了一定的研究成果，所以智能配电网是电网未来发展的必然趋势［1］。在用户层面，用户与电网签订合同，用户可以根据电价信息调节自身的用电结构和用电时间，使得用电费用减小；在电网层面，通过有效的控制和管理方法，不仅可以保证配电网安全稳定运行，同时也降低配电网的运行成本；在更高的国家层面，智能配电网为大规模分布式电源并网提供有效的解决方案，改善能源结构［2］。
此外，随着汽车技术的发展，汽车的需求数量逐渐增多，尤其像中国这样的国家，伴随而来的是能源和环境问题。电动汽车是以电力驱动的新型交通工具，相比于传统的燃油机车，电动汽车具有减少化石燃料的消耗、减少环境污染等优点，因此受到了广泛的关注。但是电动汽车充放电具有很大的随机性，会影响电网的安全稳定运行，因此针对大规模电动汽车接入电网的研究受到了电力行业的广泛关注。
由于电动汽车的充电时间和充电地点具有很大的随机性，随机充放电会导致电网峰谷差加大，电能质量变差，给电网带来极大威胁。因此，合理控制电动汽车充放电将会更好的改善由于大量分布式电源接入配电网运行引起电气量不稳定的情况，智能配电网的运营成本会降低，而且网络损耗状况也将得到改善。对于电动汽车车主来说，其充电成本也会相对降低。本文简要介绍了电动汽车接入对电网造成的影
响，并从电动汽车接入电网的类型、电动汽车参与优化调度的目标、优化调度模型以及优化调度建模方法四个研究方向分析了电动汽车与智能配电网协调优化调度，并对大数据技术在智能配电网优化中的应用进行了简要的介绍。在文章最后对电动汽车与主动配电网协调优化调度提出了展望。
1电动汽车接入对电网的影响
随着电动汽车的发展，连接到配电网的电动汽车数量逐年增加，使得接入配电网的充电负荷变得非常庞大，而且电动汽车充电时间和充电地点具有较大的随机性，会影响配电网的稳定运行。智能配电网特有的双向通信和双向电能交换技术解决了这一难题，让电动汽车成为日常代步工具的同时，还能够通过V2G（vehicle-to-grid）技术向配电网返送电能，这种技术的运用对提高电压水平以及减少网络损耗有着显著的作用。因此，如何利用V2G技术优化电动汽车的充放电功率、降低电网运行成本和降低电动汽车用户的充电成本是未来电力系统需要解决的问题。
1．1电动汽车充电负荷对配电网潮流的影响大规模电动汽车接入电网后进行无序充电，会
DOI:10.19317/jki.1008-083x.2019.07.013
电力大数据第22卷
造成一定时间段的聚集效应，这将在原始用电高峰处再增加一个额外的电力负荷，也就是出现“峰上加峰
”的现象。上面所说的聚集效应将会增加电力负荷的峰谷差，也影响着传统机组的设备利用率。同时还会增加发电自动控制（automatic generate control，ACG）机组投资成本，尤其是对配电网的网络损耗和电压稳定性产生很大的影响［3］。因此，为了配电网的稳定运行以及电动汽车的推广和应用，电动汽车充放电的优化调度是必不可少的。
1．2增加电网规划设计的投入
电动汽车是通过接入配电网的充电设施进行充电，相对于加油站来说，电动汽车的充电设施并不常见。给充电设施在配电网中的规划建设带来了很大的挑战［4］。此外，大规模电动汽车随机连接电网，对配电网的可靠性、灵活性和鲁棒性提出了很高的要求。为了满足这些要求，必须保留整个配电网区域机组装机的一部分容量作为随机充电负荷的缓冲器，然而这将导致电力系统运行成本的增加。
1．3对电力市场的影响
在充电和放电双向互动的情况下，具有V2G功能的电动汽车不仅可以从电网获得电能，而且还可以在电网需要时将电能返还给电网。但是，这种V2G技术需要成熟的业务运营模式和合理的激励机制。如何把经济学的手段应用于电动汽车充放电控制中是含电动汽车的主动配电网优化调度重要的研究方向之一。
2电动汽车与配电网协调调度
目前国内外的学者在电网与电动汽车充放电联合优化调度方面做了大量的研究。按照接入目标类型、研究目标、调度模型、调度建模方法可以划分很多不同的研究方向，但是不同方向之间在部分内容上会存在交叉的现象。
2.1电动汽车接入电网类型
从接入目标类型上又可以划分为：接入输配电网进行调度、接入微电网进行调度以及接入离网微电网进行调度等。
（1）接入输配电网进行调度。文献［5］提出了一种适用于配电网的电动汽车最优充电策略，优化算法由最优潮流计算和线性优化两部分组成，为了验证优化算法的有效性，模拟了300辆电动汽车与欧洲低压配网的连接，结果表明该优化算法既满足终端用户的能量需求，又符合配电网的要求。文献［6］仿真研究了不同季节（冬季和夏季）下，电动汽车的不同充放电策略对配电网造成的影响，所建立的模型在降低配电网负荷水平和降低峰谷差方面有着显著的效果；文献［7］综合考虑了环境效益、电动汽车车主充电费用和微电网的运行状态，建立了以电网运行成本最小、负荷波动最小目标函数的优化调度模型进行多目标优化调度，运用灰狼优化算法进行优化求解，进而控制电动汽车的充放电时间形成基本负荷曲线，再对微电网进行优化调度，优化结果表明所提的模型能够有效的降低运行成本并引导电动汽车有序的充放电，不足点是电动汽车充放电功率没有考虑进电网调度模型中。
（2）接入微电网进行调度以及接入离网微电网进行调度。文献［8］运用电价因素去引导电动汽车进行充放电控制，并对不同的电动汽车集进行研究分析，结果表明该策略能够很好的引导电动汽车进行充放电，并且还能减少微电网的运行成本。文献［9］介绍了基于车对网或车对车的微电网系统在军事上的实际应用，系统提供了一个即插即用、快速、聚合、应急军事基地和高效的电力解决方案。文献［10］提出了一种基于移动感知的V2G控制算法，该算法考虑了电动汽车的随机性、电动汽车的充电状态以及微电网的实际需求，进而确定电动汽车的充放电时间，优化结果表明，采用该策略能够有效地实现微电网自治，且充电满意度高。文献［11］提出了电源、智能电动汽车、调频调压等微网资源控制与管理策略，微电网控制分为两层即邻近区域网络层和住宅区域网络层，提出的控制和管理策略为微电网自主运行提供了频率调节功能，也为家庭需求分配和负荷管理提供了一个在线工具。
2.2电动汽车参与优化调度的目标
从研究的目标上还可以划分为：参与调峰优化、参与调频优化、参与配电网重构优化、参与机组组合优化、参与电压调控优化以及参与间歇式新能源优化等等。
（1）参与调峰优化。文献［12］提出了电源、智能电动汽车、调频调压等微网资源控制与管理策略，微电网控制分为两层即邻近区域网络层和住宅区域网络层，提出的控制和管理策略为微电网自主运行提供了频率调节功能，也为家庭需求分配和负荷管理提供了一个在线工具。文献［13］建立了两层最
第7期夏博，等：含电动汽车的智能配电网优化调度研究综述
优调度模型，上层模型的目标函数为等效负荷方差最小和电动汽车车主充电费用最小，下层以配电网最小网络损耗为目标函数，通过两层模型可以有效地引导电动汽车用户采取合理的充放电行为，提高了消纳可再生能源的能力。
（2）参与调频优化。由于电动汽车的充放电是由充电桩进行控制，所以没有爬坡率限制，可以在很短的时间内调整充放电功率。与常规的调频资源相比，电动汽车具有动作快速的优点。文献［14］研究了基于V2G网络的双边交易市场下互联电力系统的频率控制问题，并在V2G中加入配电网特性以提高电动汽车模型的精度，仿真结果表明电动汽车响应速度快，能有效地控制误差。文献［15］提出了电动汽车在区域互联微电网中参与频率调节的两层控制系统，下层为模糊逻辑控制系统主要调整V2G功率，上层为集中监控系统协调发电机组和电动汽车的功率，仿真结果表明，在负荷扰动和风力波动的情况下，该两级系统在由三个相互连接的微网组成的网络中具有良好的性能。
（3）参与配电网重构优化。当前对于电动汽车参与配电网重构的研究成为了国内外研究的热点。文献［16］建立了配电网网损、电压偏移指标、开关次数的多目标优化模型，运用改进的算法对模型进行求解，结果表明该模型能够有效的改善电压指标和配电网网损。文献［17］建立了含电动汽车的配电网重构模型，在满足电动汽车充电需求的同时利用V2G思想制定了双向潮流策略，为此提出了一种新的基于无迹变换的随机框架来模拟风机出力和电动汽车行为的不确定性，以降低系统的运行费用。
（4）参与机组组合优化。文献［18］提出了以电动汽车充放电功率为变量的风/车协调参与的机组组合策略，在常规机组成本最小的条件下把电动汽车充放电功率划分为三种类型，分析每种类型的电动汽车充放电功率对模型的影响。文献［19］建立了风机与电动汽车协调优化组合模型，以电网运行成本最小、污染排放量最低为目标函数建立模型，对电动汽车建立了以充放电成本最小为目标函数的模型用来制定电动汽车充放电计划，结果表明电动汽车的充放电可以有效的平仰风电波动，降低机组出力的调整频率，实现更好的经济、环境效益。
（5）参与电压调控优化。文献［20］运用电动汽车来解决光伏并网所带来的电压越限问题，建立电动汽车和光伏发电系统的协调优化调度模型，优化结果表明，运用电动汽车来协调优化调度，可以使得资源的最大化利用并且也减小了配电网电压的波动。文献［21］运用电动汽车充当无功补偿器的功能，以降低电网中电压的波动。
（6）参与间歇式新能源优化。由于间歇式新能源出力具有很大的波动性，特别是风力发电机的出力特性，在负荷高时风电出力小，负荷低谷时风电出力很大。电动汽车的动力电池可以作为移动式的储能电池使用，提高了配电网系统的备用容量，提高了配电网的控制能力以及新能源的消纳率。文献［22］建立了风力发电机和电动汽车的不确定性，分析了对配电网节能减排的影响，运用风电的不确定性进行多场景建模，通过对电动汽车的充放电控制达到节能减排的目的并得出调度周期内电动汽车充放电曲线，所建立的模型平缓了电力负荷曲线；
2.3优化调度模型
调度结构上可以分为：电动汽车集控制、电动汽车分散控制、电动汽车分层控制。
（1）电动汽车集控制。电动汽车集控制主要是通过电网的控制器对电动汽车进行集中调度控制。如文献［23］在进行优化调度时把电动汽车看作一个体进行计算。然而这种调度方式适用于系统中电动汽车数量较少的情况，对于大规模的电动汽车该方法就不在适用，主要是因为规模大可能会导致“维数灾害”，导致求解结果的不准确。
（2）电动汽车分散控制。该种控制方法主要根据电价信息对电动汽车进行充放电引导。文献［24］针对集中调度的缺陷，利用拉格朗日松弛法将集中控制的问题划分为几个子问题以充电站收益最大进行优化调度，其优化结果相比于集中控制，充电站效益更加高和效率更高。
（3）电动汽车分层控制。对电动汽车进行分层控制拥有很多的优点，就是把配电网进行区域划分。对每一个区域，由一个控制结构或者电动汽车代理进行协调。这样就把集控制划分开，可以求解大规模电动汽车的问题，就无须再具体关心每一台电动汽车的充放电情况。这样就把问题划分成为配电网调度问题和电动汽车调度问题，研究的重点就在各个区域内电动汽车的调度问题和区域之间的协调
电力大数据第22卷
问题。
2.4优化调度建模方法
调度建模方法可以分为：智能优化算法，例如NSGA—II算法、多目标粒子算法等；启发式算法，例如CPLEX、内点法等；建模平台大多数以MATLAB为主，少部分文献运用了GAMS［25］等。
严格来说，上述对含电动汽车的智能配电网优化调度还应该从不同的充电模式下去分类［26－27］，如电动汽车充电模式和换电池模式，不同的充放电模式有着很大的差异。
3大数据技术在智能配电网优化调度方面的应用
从第二节的分析可知，智能配电网优化调度模型与传统配电网优化调度模型存在很多的不同。智能配电网优化变量不仅需要考虑可控分布式电源，还要兼顾联络开关状态，并需要考虑到电动汽车参与的智能配电网优化调度。这些将会加大智能配电网优化调度的难度。
从数据分析层面上，由于智能配电网优化调度需要整合各个部门的数据，而现有的数据存在于不同部门的不同系统中，增大了数据整合的难度。而大数据技术能够有效地整合各种数据，并能够提高数据存储容量，有效提高智能配电网优化调度系统的数据存储效率。
从数据分析层面上来看，主动配电网优化调度是一个多约束的优化问题，其求解需要运用到数据挖掘算法配合，例如遗传算法。由于智能配电网优化调度模型会随着变量的增加、约束条件的增加导致求解难度的加大。因此，机器学习等数据挖掘算法将为该优化问题的求解提供可行的思路。
4结语
本文分析介绍了电动汽车接入对电网造成的影响，主要从接入电网的类型、研究目标、调度模型、调度建模方法四个研究方向详细分析了电动汽车与电网协调优化调度。并简要分析了大数据技术在智能配电网优化调度中的应用。
（1）现有的文献是分别对负荷、风力发电功率、光伏发电功率进行的预测预测值会造成误差的进一步放大，影响结果的准确性，因此在研究中需要建立一个综合能源预测系统对其进行数据预测以提高优化调度结果的准确度。
（2）大部分文献在考虑电动汽车充放电时，是把电动汽车看做一个充放电，没有精确到单台电动汽车。在以后的研究中，如果想把结果精确到单台，考虑建立一个电动汽车充放电管理系统，这样就变成双层模型，通过上下层之间的协调可以得出一个精确到单台的解。
参考文献：
［1］钟臻，张楷旋，吴贞龙，等.基于改进的LDW粒子算法的风－火电力系统联合优化调度策略［J］.电力大数据，2017，20
（10）：50－55.
ZHONG Zhen，ZHANG Kaixuan，WU Zhenlong，et al.Combined
optimization dispatch strategy of wind-thermal power system based
on improved LDW particle swarm algorithm［J］.Power Systems and
Big Data，2017，20（10）：50－55.
［2］张沛，吴潇雨，和敬涵.大数据技术在主动配电网中的应用综述［J］.电力建设，2015，36（01）：52－59.
ZHANG Pei，WU Xiaoyu，HE Jinghan.Ｒeview on big data
technology applied in active distribution network［J］.Electric
Power Construction，2015，36（01）：52－59.
［3］吴红斌，侯小凡，赵波，等.计及可入网电动汽车的微网系统经济调度［J］.电力系统自动化，2014，38（09）：77－84+99.
WU Hongbin，HOU Xiaofan，ZHAO Bo，et al.Economical dispatch
of microgrid considering plug-in electric vehicles［J］.Automation
of Electric Power Systems，2014，38（09）：77－84+99.
［4］吕耀棠，管霖，赵琦，等.充电式电动汽车停车场的V2G模型及接入配电网方案优化研究［J］.电力自动化设备，2018，38
（11）：1－7+14.
LV Yaotang，GUAN Lin，ZHAO Qi，et al.Ｒesearch on V2G model
of EPVV and its optimal scheme accessing to distribution network ［J］.Electric Power Automation Equipment，2018，38（11）：1－7
+14.
［5］F BACCINO，S GＲILLO，S MASSUCCO，et al.A two-stage margin-based algorithm for optimal plug-in electric vehicles scheduling［J］.IEEE Transactions on Smart Grid，2015，6（02）：759－766.［6］LOPES P，SOAＲES J，ALMEIDAＲ.Integration of electric vehicles in the electric power system［J］.Proceedings of the IEEE，2011，99
（01）：168－183.
［7］周天沛，孙伟.基于微网的电动汽车与电网互动技术［J］.电力系统自动化，2018，42（03）：98－104+117.
ZHOU Tianpei，SUN Wei.Electric vehicle-to-grid technology based
on microgrid［J］.Automation of Electric Power Systems，2018，42
（03）：98－104+117.
［8］赵琦玮，王昕，王鑫，等.含不同集电动汽车的微电网优化调度［J］.可再生能源，2019，37（03）：379－385.
ZHAO Qiwei，WANG Xin，WANG Xin，et al.Microgrid
optimization dispatching with different clusters of electric vehicles
第7期夏博，等：含电动汽车的智能配电网优化调度研究综述
［J］.Ｒenewable EnergyＲesources，2019，37（03）：379－385.［9］M A MASＲUＲ，A G SKOWＲONSKA，JANIE HANCOCK，et al.Military-based vehicle-to-grid and vehicle-to-vehicle
microgrid system architecture and implementation［J］.IEEE
Transactions on Transportation Electrification，2018，4（01）：
157－171.
［10］H KO，S PACK，V LEUNG.Mobility-aware vehicle-to-grid control algorithm in microgrids［J］.IEEE Transactions on Intelligent
Transportation Systems，2018，19（07）：2165－2174.
［11］A NISAＲ，M THOMAS.Comprehensive control for microgrid autonomous operation with demand response［J］.IEEE
Transactions on Smart Grid，2017，8（05）：2081－2089.［12］王凌云，汪德夫，马奇伟，等.源、网、荷三方利益最优的电动汽车充放电双层优化调度［J］.可再生能源，2018，36（05）：
713－718.
WANG Lingyun，WANG Defu，Ma Qiwei，et al.Double level
optimal scheduling of electric vehicle charging and dis-charging
with the best benefit of power plant，network and load［J］.
Ｒenewable EnergyＲesources，2018，36（05）：713－718.
［13］A DUTTA，S DEBBAＲMA.Frequency regulation in deregulated market using vehicle-to-grid services in residential distribution
network［J］.IEEE Systems Journal，2018，12（03）；2812
－2820.
［14］K JANFESHAN，M MASOUM.Hierarchical supervisory control system for PEVs participating in
frequency regulation of smart
grids［J］.IEEE Power and Energy Technology Systems Journal，
2017，4（04）：84－93.
［15］李宏玉，佘超，张廷军，等.基于SOC的电动汽车参与电网调频控制策略研究［J］.重庆大学学报，2018，41（12）：66－72.
LI Hongyu，SHE Chao，ZGANG Tingjun，et al.Ｒesearch on the
strategy of electric vehicles participating in power system
frequency control based on SOC［J］.Journal of Chongqing
University，2018，41（12）：66－72.
［16］张涛，张东方，王凌云，等.计及电动汽车充电模式的主动配电网多目标优化重构［J］.电力系统保护与控制，2018，46
（08）：1－9.
ZHANG Tao，ZHANG Dongfang，WANG Lingyun，et al.Multi-
objective optimization of active distribution network
reconfiguration considering electric vehicle charging mode［J］.
Power System Protection and Control，2018，46（08）：1－9.［17］师景佳，袁铁江，Saeed Ahmed Khan，等.计及电动汽车可调度能力的风/车协同参与机组组合策略［J］.高电压技术，
2018，44（10）：3433－3440.
SHI Jingjia，YUAN Tiejiang，Saeed Ahmed Khan，et al.Unit
commitment strategy considering cooperated dispatch of electric
vehicles based on scheduling capacity and wind power generation
［J］.High Voltage Engineering，2018，44（10）：3433－3440.［18］葛晓琳，裴晨皓.考虑电动汽车随机特性的机组组合问题研究［J］.电力自动化设备，2018，38（09）：77－84.
GE Xiaolin，PEI Chenhao.Study on unit commitment problem
considering stochastic characteristics of electric vehicles［J］.
Electric Power Automation Equipment，2018，38（09）：77－84.［19］赵强，刘海勇，汪晋宽，等.计及风电和电动汽车的安全约束机组组合模型［J］.华南理工大学学报（自然科学版），2017，
45（10）：78－86.
ZHAO Qiang，LIU Haiyong，WANG Jinkuan，et al.Security-
constrained unit commitment model with wind power and electric
vehicles［J］.Journal of South China University of Technology
（Natural Science Edition），2017，45（10）：78－86.
［20］张晓花，谢俊，赵晋泉，等.考虑风电和电动汽车等不确定性负荷的电力系统节能减排调度［J］.高电压技术，2015，41
（07）：2408－2414.
ZHANG Xiaohua，XIE Jun，ZHAO Jinquan，et al.Energy-saving
emission-reduction dispatching of electrical power system
considering uncertainty of Load with wind power and plug-in
hybrid electric vehicles［J］.High Voltage Engineering，2015，41
（07）：2408－2414.
［21］KＲOGEＲS，ＲKLUMP，H KHUＲANA，et al.An authenticated control framework for distributed voltage support on the smart grid
［J］.IEEE Transactions on Smart Grid，2010，1（01）：40－47.［22］孙丛丛，王致杰，江秀臣，等.分时电价环境下计及电动汽车充放电影响的微电网优化控制策略［J］.可再生能源，2018，
36（01）：64－71.
SUN Congcong，WANg Zhijie，JIANG Xiuchen，et al.Optimal
control strategy for micro grid considering charging/discharging of
electric vehicles under time-of-use tariffs［J］.Ｒenewable Energy
Ｒesources，2018，36（01）：64－71.
［23］张明光，周灿.含电动汽车的微网的智能优化调度［J］.电网与清洁能源，2016，32（12）：100－105+113.
ZHANG Mingguang，ZHOU Can.Intelligent optimal dispatch for
the micro-grid containing plug-in electric vehicles［J］.Power
System and Clean Energy，2016，32（12）：100－105+113.［24］程杉，王贤宁，冯毅煁.电动汽车充电站有序充电调度的分散式优化［J］.电力系统自动化，2018，42（01）：39－46.
CHENG Shan，WANG Xianning，FENG Yichen.Decentralized
optimization of ordered charging scheduling in electric vehicle
charging station［J］.Automation of Electric Power Systems，2018，
42（01）：39－46.
［25］孙伟卿，叶磊，涂轶昀.基于GAMS的电力系统有功－无功综合优化［J］.系统仿真学报，2018，
30（08）：3082－3091.
SUN Weiqing，YE Lei，TU Yiyun.GAMS-based active power
optimization with reactive power compensation［J］.Journal of
杭州电动汽车租赁System Simulation，2018，30（08）：3082－3091.
［26］朱鹰屏，张绪红，韩新莹.用于配电网网损优化的电动汽车智能充电调度［J］.广东电力，2016，29（09）：94－97+103.
ZHU Yingping，ZHANG Xuhong，HAN Xinying.Intelligent
charging scheduling for electric vehicle for optimization on
network loss of power distribution network［J］.Guangdong
Electric Power，2016，29（09）：94－97+103.
［27］王超，麻秀范.基于电动汽车用户电价响应的充电负荷优化
电力大数据第22卷
模型建立［J］.内蒙古电力技术，2017，35（01）：1－7.
WANG Chao，MA Xiufan.Charging load optimization model based
on electric vehicle users’price response［J］.Inner Mongolia
Electric Power，2017，35（01）：1－7.
收稿日期：2019－04－26作者简介
：
夏博（1992），男，硕士研究生，研究方向为主动配电网优化调度。
（本文责任编辑：范斌）
Ｒeview of research on optimal distribution of smart distribution
network with electric vehicles
XIA Bo1，TANG Yuchi2，XIAO Xiaotian3，YANG Chao1
（1.Electrical Engineering College of Guizhou University，Guiyang550025Guizhou，China；
2.School of Electrical Engineering，Zhejiang University，Hangzhou310007Zhejiang，China；
3.Guian Power Supply Bureau of Guizhou Power Grid Co.Ltd.，Guiyang550003Guizhou，china）
Abstract：Conventional economic dispatching has been unable to meet the challenges of random access to renewable new energy and electric vehicles.In order to solve the problem of increasing the number of electric vehicles connected to the distribution network and the problem of grid connection of distributed power sources.In this paper，a detailed analysis of the smart dispatching network with electric vehicles is carried out.Firstly，the impact of electric vehicle access on the power grid is briefly analyzed.Secondly，this paper analyzes in detail the coordinated optimization and dispatching of electric vehicles and smart distribution networks from four aspects，such as the types of electric vehicles connected to the grid，the goals of electric vehicles participating in optimal scheduling，the o
ptimization scheduling model and the optimization scheduling modeling methods.From the analysis of the results of the optimized scheduling，it can be seen that considering the electric vehicle into the optimal dispatching of the intelligent distribution network can effectively reduce the operating cost of the distribution network，reduce the charging cost of the vehicle owner，and improve the utilization rate of the distributed power source.Then it briefly introduces the application of big data technology in intelligent distribution network optimization.Finally，the prospect of coordinated optimization and scheduling of electric vehicles and smart distribution networks is put forward.
Key words：electric vehicle；smart grid；optimized scheduling；big data technology
发布评论