CN106712065A - 一种电动汽车充电对配电网有功损耗影响指数预测方法 - Google Patents
一种电动汽车充电对配电网有功损耗影响指数预测方法 Download PDFInfo
- Publication number
- CN106712065A CN106712065A CN201710098961.4A CN201710098961A CN106712065A CN 106712065 A CN106712065 A CN 106712065A CN 201710098961 A CN201710098961 A CN 201710098961A CN 106712065 A CN106712065 A CN 106712065A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- active loss
- data
- network active
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 210000005036 nerve Anatomy 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract 2
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供一种电动汽车充电对配电网有功损耗影响指数预测方法,涉及配电网技术领域。该方法对含有充电汽车的配电网有功损耗造成影响的参数进行测量并归一化处理后,建立含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,采用模糊神经网络求解含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,针对数据归一化处理后的数据对某一时刻的***有功损耗影响指数进行预测。本发明针对含电动汽车的配电网***进行实时监测,测量***运行参数、***的地理气象环境参数及区域所含充电桩个数,对电动汽车充电对配电网有功损耗影响指数进行预测,根据计算结果实时地对该***进行控制,显著提高***运行的可靠性与经济性。
Description
技术领域
本发明涉及配电网技术领域,尤其涉及一种电动汽车充电对配电网有功损耗影响指数预测方法。
背景技术
为高效利用能源,热电联供***日益发展壮大,热电联供***中分布式光储设备和空调负荷组成了一个复杂的***。由于电动汽车充电具有随机性,对配电网的有功损耗造成很大影响,造成了电网的频率及电压的波动,从而影响电能质量,现有的电动汽车充电对配电网有功损耗影响相关研究较少,不能有效利用电网运行状态数据及地理气象综合数据资源,计算准确度和可靠度不高。
发明内容
针对现有技术的缺陷,本发明提供一种电动汽车充电对配电网有功损耗影响指数预测方法,根据分布式光储***及空调负荷运行特点进行分布式光储发电出力对空调运行稳定性影响指数预测评估,使每个光热联合发电***及其所接入的空调负荷能够安全、稳定、高效运行。
一种电动汽车充电对配电网有功损耗影响指数预测方法,包括以下步骤:
步骤1:选取对含有充电汽车的配电网有功损耗造成影响的参数进行测量,所述参数包括:***母线电压Vqc、***母线电流Iqc、配电网所在环境的温度Tqc、湿度Wqc及区域充电桩个数nqc;
步骤2:对测量数据中的***母线电压Vqc、***母线电流Iqc、配电网所在环境的温度Tqc、湿度Wqc进行如下的归一化处理:
其中,i=1,2,...,n,n表示对每类测量数据采集的个数,Vqc′(i)、iqc′(i)、Tqc′(i)、Wqc′(i)分别表示***母线电压、***母线电流、温度、湿度的第i个归一化测量数据,Vqc(i)、Iqc(i)、Tqc(i)、Wqc(i)分别表示***母线电压、***母线电流、温度、湿度的第i个测量数据,max()、min()分别表示相应测量数据的最大值和最小值;
步骤3:根据归一化的数据建立含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,如下式所示:
其中,yqc(i)为电动汽车充电对配电网有功损耗影响指数,kj为所需求解的不同工况j下的工况系数,1≤j≤mqc,mqc为最优分类数,nqc为区域充电桩个数,max()为相应的数据归一化处理后数据中的最大值,min()为相应的数据归一化处理后数据中的最小值;
步骤4:采用模糊神经网络求解含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,针对数据归一化处理后的数据对某一时刻的***有功损耗影响指数进行预测,得到分布式光储发电出力对空调运行稳定性影响指数预测值,具体方法为:
步骤4.1:采用粒子群聚类算法对归一化处理后的数据进行聚类划分,得到最优分类数mqc,并对得到的***不同运行工况进行编号为1~mqc;粒子群聚类算法的输入为归一化处理后的数据构成的样本集,样本集数据个数为Nqc,最大迭代次数为τmax;
步骤4.2:对工况编号j所对应的归一化处理后的数据进行提取,采用模糊神经网络对所建立的电动汽车充电对配电网有功损耗影响指数数学模型中的工况系数kj进行求解,即得到工况j条件下电动汽车充电对配电网有功损耗影响指数确定的数学模型;
步骤4.3:某一时刻采集的数据经过归一化处理和粒子群聚类算法后,得到此刻***所属的工况,将求得的对应的工况系数kj和归一化处理后的数据输入电动汽车充电对配电网有功损耗影响指数数学模型,得到该时刻电动汽车充电对配电网有功损耗影响指数预测值yqc(i)。
进一步地,所述步骤4.1的具体方法为:
步骤4.1.1:分类数初始化,mqc=1;
步骤4.1.2:对粒子群参数进行初始化;相空间相点中随机选择mqc个值作为聚类中心值,并将这mqc个聚类中心值作为粒子群初始值;
步骤4.1.3:进行粒子群迭代搜索,得到此运行方式分类数下的最优聚类中心,最大迭代次数为τmax,粒子群迭代更新方程如下式所示;
其中,为第k次迭代下,第i个粒子的速度;表示第k次迭代为止第i个粒子的最佳位置;表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置,表示第i个粒子第k次迭代所在位置,c1、c2表示学习常数,rand()为0~1之间的随机数,w为惯性权重,用于权衡局部最优能力和全局最优能力;
粒子群适应度用如下函数计算;
其中,ffit为粒子群适应度函数,Jm为各个粒子到聚类中心的欧氏距离之和;
步骤4.1.4:计算聚类中心值间的欧氏距离之和JPphm,其中phm=1,2,...,Ngl;
步骤4.1.5:将mqc加1,若mqc<Nqc,则重复步骤4.1.2至4.1.5,否则,执行步骤4.1.6;
步骤4.1.6:比较分类数mqc从1到Nqc对应的欧氏距离之和将JPphm最小值所对应的mqc作为工况的最优分类数。
进一步地,所述步骤4.2对工况系数kj进行逐个求解的具体方法为:
步骤4.2.1:对工况参数初始化,令j=1;
步骤4.2.2:提取工况编号j所对应的重构后相空间中的相点,建立求取该工况所对应的工况系数的神经网络模型,定义神经网络目标函数如下式所示;
其中,为第j种工况下第m次训练后神经网络***的期望输出,kj(m)为第j种工况下第m次训练后神经网络***的实际输出;
步骤4.2.3:进行网络权值训练,计算输出层权值ω′,权值更新公式如下式所示;
ω′(m)=ω′(m-1)+Δω′(m)+a(ω′(m-1)-ω′(m-2))
其中,ω′(m)为第m次训练后的输出层权值,η为学习速率,a为动量因子,η,a∈[0,1];设定阈值当时,网络权值训练结束;网络实际输出的kj即为工况j下的工况系数;
步骤4.2.4:将j加1,若j<mqc,则重复步骤4.2.2至4.2.4,否则,计算结束,得到1~mqc工况下模型对应的工况系数,执行步骤4.3。
由上述技术方案可知,本发明的有益效果在于:本发明提供的一种电动汽车充电对配电网有功损耗影响指数预测方法,针对含电动汽车的配电网***进行实时监测,选取***运行参数——***母线电压***母线电流,***所在环境地理气象环境参数——温度、湿度,以及区域所含充电桩的个数,根据监测参数对电动汽车充电对配电网有功损耗影响指数进行预测,根据计算结果实时地对该***进行控制,显著提高***运行的可靠性与经济性。
附图说明
图1为本发明实施例提供的电动汽车充电对配电网有功损耗影响指数预测方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
一种电动汽车充电对配电网有功损耗影响指数预测方法,如图1所示,具体方法如下所述。
步骤1:选取对含有充电汽车的配电网有功损耗造成影响的参数进行测量,所述参数包括:***母线电压Vqc、***母线电流Iqc、配电网所在环境的温度Tqc、湿度Wqc及区域充电桩个数nqc。
步骤2:对测量数据中的***母线电压Vqc、***母线电流Iqc、配电网所在环境的温度Tqc、湿度Wqc进行如下的归一化处理:
其中,i=1,2,...,n,n表示对每类测量数据采集的个数,本实例中,n=100,Vqc′(i)、Iqc′(i)、Tqc′(i)、Wqc′(i)分别表示***母线电压、***母线电流、温度、湿度的第i个归一化测量数据,Vqc(i)、Iqc(i)、Tqc(i)、Wqc(i)分别表示***母线电压、***母线电流、温度、湿度的第i个测量数据,max()、min()分别表示相应测量数据的最大值和最小值。
步骤3:根据归一化的数据建立含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,如下式所示;
其中,yqc(i)为电动汽车充电对配电网有功损耗影响指数,kj为所需求解的不同工况j下的工况系数,j为整数,1≤j≤mqc,mqc为最优分类数,nqc为区域充电桩个数,max()为相应的数据归一化处理后数据中的最大值,min()为相应的数据归一化处理后数据中的最小值。
步骤4:采用模糊神经网络求解含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,针对数据归一化处理后的数据对某一时刻的***有功损耗影响指数进行预测,得到分布式光储发电出力对空调运行稳定性影响指数预测值,具体方法为:
步骤4.1:采用粒子群聚类算法对归一化处理后的数据进行聚类划分,得到最优分类数mqc,并对得到的***不同运行工况进行编号为1~mqc;粒子群聚类算法的输入为归一化处理后的数据构成的样本集,样本集数据个数Nqc=400,最大迭代次数τmax=50,具体方法为:
步骤4.1.1:分类数初始化,mqc=1;
步骤4.1.2:对粒子群参数进行初始化;相空间相点中随机选择mqc个值作为聚类中心值,并将这mqc个聚类中心值作为粒子群初始值;
步骤4.1.3:进行粒子群迭代搜索,得到此运行方式分类数下的最优聚类中心,最大迭代次数为τmax,粒子群迭代更新方程如下式所示;
其中,为第k次迭代下,第i个粒子的速度;表示第k次迭代为止第i个粒子的最佳位置;表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置,表示第i个粒子第k次迭代所在位置,c1、c2表示学习常数,rand()为0~1之间的随机数,w为惯性权重,用于权衡局部最优能力和全局最优能力。本实施例中,c1=0.9,c2=1.3,w=1.2,当随机数rand()分别为0.6或0.4时,粒子群算法寻优效果最好。
粒子群适应度用如下函数计算;
其中,ffit为粒子群适应度函数,Jm为各个粒子到聚类中心的欧氏距离之和;
步骤4.1.4:计算聚类中心值间的欧氏距离之和JPphm,其中phm=1,2,...,Ngl;
步骤4.1.5:将mqc加1,若mqc<Nqc,则重复步骤4.1.2至4.1.5,否则,执行步骤4.1.6;
步骤4.1.6:比较分类数mqc从1到Nqc对应的欧氏距离之和将JPphm最小值所对应的mqc作为工况的最优分类数。本实施例中,最优分类数mgc=4。
步骤4.2:对工况编号j所对应的归一化处理后的数据进行提取,采用模糊神经网络对所建立的电动汽车充电对配电网有功损耗影响指数数学模型中的工况系数kj进行求解,即得到工况j条件下电动汽车充电对配电网有功损耗影响指数确定的数学模型,具体方法为:
步骤4.2.1:对工况参数初始化,令j=1;
步骤4.2.2:提取工况编号j所对应的重构后相空间中的相点,建立求取该工况所对应的工况系数的神经网络模型,定义神经网络目标函数如下式所示;
其中,为第j种工况下第m次训练后神经网络***的期望输出,kj(m)为第j种工况下第m次训练后神经网络***的实际输出;
步骤4.2.3:进行网络权值训练,计算输出层权值ω′,权值更新公式如下式所示;
ω′(m)=ω′(m-1)+Δω′(m)+a(ω′(m-1)-ω′(m-2))
其中,ω′(m)为第m次训练后的输出层权值,η为学习速率,a为动量因子,η,a∈[0,1];设定阈值当时,网络权值训练结束;网络实际输出的kj即为工况j下的工况系数;本实施例中,训练结束后,得到ε(m)=0.00098。
步骤4.2.4:将j加1,若j<mqc,则重复步骤4.2.2至4.2.4,否则,计算结束,得到1~mqc工况下模型对应的工况系数,执行步骤4.3。
本实施例中,按照此方法依次求取四种工况下的工况系数分别为:k1=1.25,k2=1.46,k3=1.8,k4=2.05。
步骤4.3:某一时刻采集的数据经过归一化处理和粒子群聚类算法后,得到此刻***所属的工况,将求得的对应的工况系数kj和归一化处理后的数据输入电动汽车充电对配电网有功损耗影响指数数学模型,得到该时刻电动汽车充电对配电网有功损耗影响指数预测值yqc(i)。
本实施例中,当母线电压Vqc=35kV、***母线电流Iqc=6A、配电网所在环境的温度Tqc=25、湿度Wqc=65%RH时,区域充电桩个数为25,此工况经过聚类计算,属于第三类,即k3=1.8,得到该时刻电动汽车充电对配电网有功损耗影响指数为1.3。当影响指数小于1.3时,动汽车充电对配电网有功损耗影响较小,电网维持现状运行,当指数超过1.3时,调节电网的有功输出,使影响指数保持在1.3以下。
本实施例提供的一种电动汽车充电对配电网有功损耗影响指数预测方法,针对含电动汽车的配电网***进行实时监测,选取***运行参数——***母线电压***母线电流,***所在环境地理气象环境参数——温度、湿度,以及区域所含充电桩的个数;并根据监测参数对电动汽车充电对配电网有功损耗影响指数进行预测,根据计算结果实时地对该***进行控制,显著提高***运行的可靠性与经济性。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (3)
1.一种电动汽车充电对配电网有功损耗影响指数预测方法,其特征在于:该方法包括以下步骤:
步骤1:选取对含有充电汽车的配电网有功损耗造成影响的参数进行测量,所述参数包括:***母线电压Vqc、***母线电流Iqc、配电网所在环境的温度Tqc、湿度Wqc及区域充电桩个数nqc;
步骤2:对测量数据中的***母线电压Vqc、***母线电流Iqc、配电网所在环境的温度Tqc、湿度Wqc进行如下的归一化处理:
其中,i=1,2,...,n,n表示对每类测量数据采集的个数,Vqc′(i)、Iqc′(i)、Tqc′(i)、Wqc′(i)分别表示***母线电压、***母线电流、温度、湿度的第i个归一化测量数据,Vqc(i)、Iqc(i)、Tqc(i)、Wqc(i)分别表示***母线电压、***母线电流、温度、湿度的第i个测量数据;
步骤3:根据归一化的数据建立含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,如下式所示;
其中,yqc(i)为电动汽车充电对配电网有功损耗影响指数,Kj为所需求解的不同工况j下的工况系数,j为整数,1≤J≤mqc,mqc为最优分类数,nqc为区域充电桩个数;
步骤4:采用模糊神经网络求解含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,针对数据归一化处理后的数据对某一时刻的***有功损耗影响指数进行预测,得到分布式光储发电出力对空调运行稳定性影响指数预测值,具体方法为:
步骤4.1:采用粒子群聚类算法对归一化处理后的数据进行聚类划分,得到最优分类数mqc,并对得到的***不同运行工况进行编号为1~mqc;粒子群聚类算法的输入为归一化处理后的数据构成的样本集,样本集数据个数为Nqc,最大迭代次数为τmax;
步骤4.2:对工况编号j所对应的归一化处理后的数据进行提取,采用模糊神经网络对所建立的电动汽车充电对配电网有功损耗影响指数数学模型中的工况系数kj进行求解,即得到工况j条件下电动汽车充电对配电网有功损耗影响指数确定的数学模型;
步骤4.3:某一时刻采集的数据经过归一化处理和粒子群聚类算法后,得到此刻***所属的工况,将求得的对应的工况系数kj和归一化处理后的数据输入电动汽车充电对配电网有功损耗影响指数数学模型,得到该时刻电动汽车充电对配电网有功损耗影响指数预测值yqc(i)。
2.根据权利要求1所述的一种电动汽车充电对配电网有功损耗影响指数预测方法,其特征在于:所述步骤4.1的具体方法为:
步骤4.1.1:分类数初始化,mqc=1;
步骤4.1.2:对粒子群参数进行初始化;相空间相点中随机选择mqc个值作为聚类中心值,并将这mqc个聚类中心值作为粒子群初始值;
步骤4.1.3:进行粒子群迭代搜索,得到此运行方式分类数下的最优聚类中心,最大迭代次数为τmax,粒子群迭代更新方程如下式所示;
其中,为第k次迭代下,第i个粒子的速度;表示第k次迭代为止第i个粒子的最佳位置;表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置,表示第i个粒子第k次迭代所在位置,c1、c2表示学习常数,rand()为0~1之间的随机数,w为惯性权重,用于权衡局部最优能力和全局最优能力;
粒子群适应度用如下函数计算;
其中,ffit为粒子群适应度函数,Jm为各个粒子到聚类中心的欧氏距离之和;
步骤4.1.4:计算聚类中心值间的欧氏距离之和JPphm,其中phm=1,2,...,Ngl;
步骤4.1.5:将mqc加1,若mqc<Nqc,则重复步骤4.1.2至4.1.5,否则,执行步骤4.1.6;
步骤4.1.6:比较分类数mqc从1到Nqc对应的欧氏距离之和将Jpphm最小值所对应的mqc作为工况的最优分类数。
3.根据权利要求2所述的一种电动汽车充电对配电网有功损耗影响指数预测方法,其特征在于:所述步骤4.2对工况系数kj进行逐个求解的具体方法为:
步骤4.2.1:对工况参数初始化,令j=1;
步骤4.2.2:提取工况编号j所对应的重构后相空间中的相点,建立求取该工况所对应的工况系数的神经网络模型,定义神经网络目标函数如下式所示;
其中,为第j种工况下第m次训练后神经网络***的期望输出,kj(m)为第j种工况下第m次训练后神经网络***的实际输出;
步骤4.2.3:进行网络权值训练,计算输出层权值ω′,权值更新公式如下式所示;
ω′(m)=ω′(m-1)+Δω′(m)+a(ω′(m-1)-ω′(m-2))
其中,ω′(m)为第m次训练后的输出层权值,η为学习速率,a为动量因子,η,a∈[0,1];设定阈值当时,网络权值训练结束;网络实际输出的kj即为工况j下的工况系数;
步骤4.2.4:将j加1,若j<mqc,则重复步骤4.2.2至4.2.4,否则,计算结束,得到1~mqc工况下模型对应的工况系数,执行步骤4.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710098961.4A CN106712065B (zh) | 2017-02-23 | 2017-02-23 | 一种电动汽车充电对配电网有功损耗影响指数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710098961.4A CN106712065B (zh) | 2017-02-23 | 2017-02-23 | 一种电动汽车充电对配电网有功损耗影响指数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106712065A true CN106712065A (zh) | 2017-05-24 |
CN106712065B CN106712065B (zh) | 2019-03-05 |
Family
ID=58911872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710098961.4A Expired - Fee Related CN106712065B (zh) | 2017-02-23 | 2017-02-23 | 一种电动汽车充电对配电网有功损耗影响指数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106712065B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818340A (zh) * | 2017-10-25 | 2018-03-20 | 福州大学 | 基于k值小波神经网络的二阶段空调负荷预测方法 |
CN109272205A (zh) * | 2018-08-24 | 2019-01-25 | 国网河南省电力公司电力科学研究院 | 广义负荷特性分析方法及装置 |
CN109307852A (zh) * | 2018-09-06 | 2019-02-05 | 中国电力科学研究院有限公司 | 一种确定电动汽车充电桩电能计量装置的计量误差的方法和*** |
CN113267705A (zh) * | 2021-07-21 | 2021-08-17 | 天津滨电电力工程有限公司 | 一种电动汽车交流充电桩简易测试装置 |
CN117474270A (zh) * | 2023-11-10 | 2024-01-30 | 哈尔滨工业大学 | 一种基于bp的电动公交车激励-响应特性精准量化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010233369A (ja) * | 2009-03-27 | 2010-10-14 | Panasonic Corp | 保護回路、及び電池パック |
CN105512475A (zh) * | 2015-12-03 | 2016-04-20 | 电子科技大学 | 一种参与电网调度的电动汽车电池损耗支出计算方法 |
CN105760949A (zh) * | 2016-02-04 | 2016-07-13 | 国网山东省电力公司经济技术研究院 | 一种电动汽车快充站充电机台数优化配置方法 |
CN106355511A (zh) * | 2015-07-22 | 2017-01-25 | 国网浙江省电力公司台州供电公司 | 考虑新能源与电动汽车接入的主动配电网重构方法 |
-
2017
- 2017-02-23 CN CN201710098961.4A patent/CN106712065B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010233369A (ja) * | 2009-03-27 | 2010-10-14 | Panasonic Corp | 保護回路、及び電池パック |
CN106355511A (zh) * | 2015-07-22 | 2017-01-25 | 国网浙江省电力公司台州供电公司 | 考虑新能源与电动汽车接入的主动配电网重构方法 |
CN105512475A (zh) * | 2015-12-03 | 2016-04-20 | 电子科技大学 | 一种参与电网调度的电动汽车电池损耗支出计算方法 |
CN105760949A (zh) * | 2016-02-04 | 2016-07-13 | 国网山东省电力公司经济技术研究院 | 一种电动汽车快充站充电机台数优化配置方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818340A (zh) * | 2017-10-25 | 2018-03-20 | 福州大学 | 基于k值小波神经网络的二阶段空调负荷预测方法 |
CN109272205A (zh) * | 2018-08-24 | 2019-01-25 | 国网河南省电力公司电力科学研究院 | 广义负荷特性分析方法及装置 |
CN109272205B (zh) * | 2018-08-24 | 2022-03-29 | 国网河南省电力公司电力科学研究院 | 广义负荷特性分析方法及装置 |
CN109307852A (zh) * | 2018-09-06 | 2019-02-05 | 中国电力科学研究院有限公司 | 一种确定电动汽车充电桩电能计量装置的计量误差的方法和*** |
CN113267705A (zh) * | 2021-07-21 | 2021-08-17 | 天津滨电电力工程有限公司 | 一种电动汽车交流充电桩简易测试装置 |
CN113267705B (zh) * | 2021-07-21 | 2022-01-07 | 天津滨电电力工程有限公司 | 一种电动汽车交流充电桩简易测试装置 |
CN117474270A (zh) * | 2023-11-10 | 2024-01-30 | 哈尔滨工业大学 | 一种基于bp的电动公交车激励-响应特性精准量化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106712065B (zh) | 2019-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106712065A (zh) | 一种电动汽车充电对配电网有功损耗影响指数预测方法 | |
Zhao et al. | Research and application based on the swarm intelligence algorithm and artificial intelligence for wind farm decision system | |
Liu et al. | A novel hybrid methodology for short-term wind power forecasting based on adaptive neuro-fuzzy inference system | |
Behera et al. | Solar photovoltaic power forecasting using optimized modified extreme learning machine technique | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
Yang et al. | A weather-based hybrid method for 1-day ahead hourly forecasting of PV power output | |
CN102074955B (zh) | 基于知识发现技术的电力***稳定评估及控制方法 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN106933778A (zh) | 一种基于爬坡事件特征识别的风电功率组合预测方法 | |
CN104951834A (zh) | 基于遗传算法和粒子群集成的lssvm风速预测方法 | |
CN102855412A (zh) | 一种风电功率预测方法及其装置 | |
CN106786977B (zh) | 一种电动汽车充电站的充电调度方法 | |
CN104810860A (zh) | 一种风电场内功率分配方法及分配装置 | |
CN107909211A (zh) | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 | |
Chitsazan et al. | Wind speed forecasting using an echo state network with nonlinear output functions | |
CN110866636A (zh) | 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法 | |
CN106557832A (zh) | 一种微电网选址定容方法 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
Ghofrani et al. | Hybrid clustering-time series-bayesian neural network short-term load forecasting method | |
CN105138729B (zh) | 基于pso‑grnn风电场风电机缺损风速值填充方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190305 |