基于场景分析法的电动车优化调度(Matlab代码实现)

 欢迎来到本博客❤️❤️❤️
作者研究:主要研究方向是电力系统和智能算法、机器学习和深度学习。目前熟悉python网页爬虫、机器学习、群智能算法、深度学习的相关内容。希望将计算机和电网有效结合!⭐️⭐️⭐️

目前更新:电力系统相关知识,期刊论文,算法,机器学习和人工智能学习。
支持:如果觉得博主的文章还不错或者您用得到的话,可以关注一下博主,如果三连收藏支持就更好啦!这就是给予我最大的支持!

                         

本文目录如下:⛳️⛳️⛳️

目录

1 概述

2 算例

案例1:没有乘客

案例2:半数乘客

案例3:所有乘客

3 运行结果

4 Matlab代码实现


1 概述

近年来,电动汽车(EV)的发展受到越来越多的关注。作为移动储能单元,电动汽车可以实现与电网的能量交换。然而,随机充放电的特性使得电动汽车的集成变得困难。传统充电、快速充电和电池更换是电动汽车最常用的充电模式。首先,针对电动汽车随机充电的各种场景,提出一种充电模型。采用随机抽样方法建立电动汽车负荷时序分布统计模型。所提出的模型能够很好地反映大规模电动汽车广泛随机地连接到大梁的充电集群特性。然后,考虑电动汽车在指定时间段内的放电特性,基于拉丁超立方体采样方法建立充放电集群模型。集聚模型可以反映EV在24小时周期内的时序分布特征。最后,该模型验证了电动汽车峰值负荷转移的影响。

2 算例

  • 案例1:没有乘客

    • 功率 = 1876888.08 W
    • 启动电流 = 18.77 A
    • 起动转矩 = 228271.54 N-m
    • 额定电流 = 5.00 A
    • 额定扭矩 = 60811.17 N-m
    • 启动电流在安全限值内。
  • 案例2:半数乘客

    • 功率 = 2093119.43 W
    • 启动电流 = 20.93 A
    • 启动扭矩 = 283898.45 N-m
    • 额定电流 = 5.00 A
    • 额定扭矩 = 67817.07 N-m
    • 启动电流在安全限值内。
  • 案例3:所有乘客

    • 功率 = 2309350.77 W
    • 启动电流 = 23.09 A
    • 起动转矩 = 345584.94 N-m
    • 额定电流 = 5.00 A
    • 额定扭矩 = 74822.97 N-m
    • 启动电流在安全限值内。

3 运行结果

 

 

 

 

 

 

 

 

部分代码:

figure('Name','Vehicle Speed - Power Relation for Case 1','NumberTitle','off');
plot(s_array,P_array,'Color','c','Marker','.','LineWidth',2);
title('案例1的车辆速度-功率关系');
xlabel('速度 (km/h)');
ylabel('有功功率 (W)');

博主课外兴趣:中西方哲学,送予读者:

‍做科研,涉及到一个深在的思想系统,需要科研者逻辑缜密,踏实认真,但是不能只是努力,很多时候借力比努力更重要,然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学,什么是电的时候,不要觉得这些问题搞笑,哲学就是追究终极问题,寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览,免得骤然跌入幽暗的迷宫找不到来时的路,它不足为你揭示全部问题的答案,但若能让人胸中升起一朵朵疑云,也未尝不会酿成晚霞斑斓的别一番景致,万一它居然给你带来了一场精神世界的苦雨,那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。

     或许,雨过云收,神驰的天地更清朗.......

4 Matlab代码实现

你可能感兴趣的:(电力系统期刊论文,matlab,python,开发语言)