CN109117972A - 一种电动汽车的充电需求确定方法 - Google Patents
一种电动汽车的充电需求确定方法 Download PDFInfo
- Publication number
- CN109117972A CN109117972A CN201710482074.7A CN201710482074A CN109117972A CN 109117972 A CN109117972 A CN 109117972A CN 201710482074 A CN201710482074 A CN 201710482074A CN 109117972 A CN109117972 A CN 109117972A
- Authority
- CN
- China
- Prior art keywords
- time
- electric car
- user
- charge
- day
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 4
- 239000000284 extract Substances 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 13
- 230000002123 temporal effect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000012546 transfer Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000229175 Calotes Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种电动汽车的充电需求计算方法,包括以下步骤:1)通过马尔可夫链描述电动汽车用户一天出行过程中动力电池荷电状态的变化情况;2)考虑用户出行过程中交通指数对应的耗时系数对行驶时间的影响及各时段电动汽车出行时间对应各目的地的概率,确定一天各个时刻充电需求的分布情况;3)采用蒙特卡洛模拟方法,得出电动汽车充电需求的时间和空间分布;本发明的方法考虑交通耗时系数对电动汽车行驶过程的影响,能够更加准确地反应充电需求的时空分布。
Description
技术领域
本发明属于智能电网领域,特别涉及一种电动汽车的充电需求确定方法。
背景技术
随着中国能源危机和环境污染问题的日益严重,电动汽车作为未来能源安全和节能环保的重要环节,其发展趋势已势不可挡。随着电动汽车大规模接入电网,作为充电设施合理规划建设的基础,准确的电动汽车充电负荷需求的预测与计算必不可少。由于电动汽车用户出行习惯的复杂性、多样性和充电行为的不确定性,充电负荷需求在存在时段随机波动的特点,负荷预测难度较大。
以往关于电动汽车充电负荷预测的研究,大多在假定充电时段和充电方式的基础上进行的,忽视了充电负荷在时空上的随机性,较少考虑用户出行过程中交通拥堵状况对行驶时间的影响。
发明内容
本发明所解决的技术问题在于提供一种电动汽车的充电需求确定方法。
实现本发明目的的技术解决方案为:一种电动汽车的充电需求确定方法,包括以下步骤:
步骤1、通过马尔可夫链描述电动汽车用户一天出行过程中动力电池荷电状态的变化情况;
通过马尔可夫链描述电动汽车用户一天出行过程中动力电池荷电状态的变化情况,所用公式为:
式中:Pf、Pm分别为快充、慢充的充电功率;tc为充电时长;Qk为第k辆电动汽车的电池容量。
步骤2、根据用户出行过程中交通指数对应的耗时系数对行驶时间的影响及各时段电动汽车出行时间对应各目的地的概率,确定一天各个时刻充电需求的分布情况;
电动汽车行驶所需时间受到该时段交通指数对应的耗时系数的公式为:
式中,Ti为第i段行程所需时间;Ti′为考虑交通况时第i段行程所需时间;为耗时系数表示对应交通指数下比畅通状态下多耗时的倍数。
确定一天各个时刻充电需求的分布情况,具体为:
将出行时间按间隔离散化,将出行目的转移概率定义为M×N维的矩阵,其中M为出行目的地分类数,N为离散化的时间间隔数,表示形式为:
式中,表示在tk-1~tk时间段内出行的电动汽车出行目的为i类区域的概率;用户出行时选择各类出行目的地的概率之和为1,即
在tk-1~tk时间段内,在i区域N辆电动汽车的累计充电需求为
式中,表示第n辆电动汽车在tk-1~tk时间段内充电功率。
步骤3、采用蒙特卡洛模拟方法,确定电动汽车充电需求的时间和空间分布。具体为:
(1)抽取单个用户一天首次开始出行时间T以及该出行时刻的SOC;
(2)根据用户单次行驶距离的概率分布函数抽取单次行驶里程,由行驶速度算出行驶时间以及行驶结束时间t,根据电动汽车单位里程耗电量由下式中ai=-1的情况得出该段行程结束时的SOC;
(3)抽取单次行驶里程并判断此时的SOC是否满足下一段行驶里程,若不满足时用户进行充电,抽取此时用户的单次可充电时长,根据步骤1判断用户采取的充电方式,然后分别根据上式中ai=1++和ai=1+的情况判断该决策行为结束时的SOC及结束时间t,与此同时推出该充电行为前一段行程的出行时间;若满足则用户可能进行下一步的停车或充电,停车时抽取用户单次停车时长,充电时确定相应充电方式的充电时长,然后分别根据采取的决策行为由上式得出结束时的SOC值及结束时间t;
(4)由当前时刻的SOC及时间t确定下一步可能采取的决策行为同时得出该种行为结束时的SOC及结束时间,然后判断该时间t是否达到用户一天出行的结束时刻tend,同时确定用户最终所在区域及是否充电、充电时长;
(5)根据下式得到电动汽车在各区域一天24h的充电需求;
式中,表示第n辆电动汽车在tk-1~tk时间段内充电功率;
(6)返回步骤(1),进入循环,最终得出总的充电需求分布情况。
本发明与现有技术相比,其显著优点为:1)本发明的方法利用马尔可夫链描述电动汽车荷电转移状态,从而避免了以往的弊端;2)本发明的方法考虑交通耗时系数对电动汽车行驶过程的影响,能够更加准确地反应充电需求的时空分布。
附图说明
图1是本发明的一种电动汽车的充电需求确定方法流程图。
图2是电动汽车荷电状态转移过程示意图。
图3是出行时间对应各个目的地的概率分布曲线。
图4是基于马尔可夫链的充电需求预测流程图。
图中编号所代表的含义为:1为通过马尔可夫链描述电动汽车用户一天出行过程中动力电池荷电状态的变化情况,2为考虑耗时系数确定充电需求的分布情况,3为利用蒙特卡洛法获得电动汽车充电需求的时空分布。
具体实施方式
本发明的一种电动汽车的充电需求确定方法,包括以下步骤:
步骤一、采用马尔可夫链描述电动汽车用户一天出行过程中动力电池荷电状态的变化情况。
马尔科夫过程是具有无后效性的随机过程,具有离散参数和离散状态空间的马尔可夫过程称为马尔可夫链。马尔可夫链是描述一类随机动态***的模型,它是指***在每个时间所处的状态是随机的,从当前时间到下一时间的状态按一定的概率转移,未来状态仅与现在状态及其转移概率有关,而与以前状态无关,即无后效性。记当前时刻的状态为Si,下一时刻的状态为Sj,则马尔可夫链可用条件概率表示为。
E(Si-Sj)=E(Si|Sj)=Eij (1)
根据马尔可夫理论,如果将电动汽车任意时刻的SOC值视为状态Si,那么它的下一时刻的SOC值则为状态Sj,Sj的状态仅与Si以及转移概率Eij有关,则电动汽车用户一天出行过程中动力电池荷电状态的变化情况可用马尔可夫链描述,通过对该过程进行分析可得出电动汽车的充电时段和所采取的充电方式。假设电动汽车一天的行为过程从行驶开始,在该过程中电动汽车荷电状态转移情况,如图2所示。
图中ai=-1表示电动汽车行驶;ai=1++、ai=1+分别表示电动汽车选择快充和慢充;ai=0表示不行驶也不充电。S0表示电动汽车一天开始出行的起始荷电状态,Si、Sj和Sj+1表示出行过程中,采取某种决策行为后电动汽车的荷电状态,Sj至ai=-1和Si至ai=0表示在当前状态下,下一步可能的决策行为,Sn至ai=-1表示若当前不是一天最终状态Sn时,下一步可能的决策行为,其余线路表示某种决策行为下的状态转移情况。Eij为电动汽车的SOC值从前一个状态转为下一个状态的状态转移概率,根据具体情况其有不同的表示形式。
要求用户进行充电后其SOC值应有一定变化,假设其SOC值的变化范围为0.2≤SOCk<1,进一步可推出其相应地充电时长的分布范围。
快充充电时长范围为:
慢充充电时长范围为
式中:Pf、Pm分别为快充、慢充的充电功率;tc为充电时长;Qk为第k辆电动汽车的电池容量。假定快速充电功率期望约为慢充的5倍,经计算可得因此,当充电时长认为电动汽车采用快充方式,用ai=1++表示;当充电时长认为电动汽车采用慢充方式,用ai=1+表示。因此,转移概率Eij表达式
式中:分别为用户采用快充、慢充的概率;fT(tc)为单次可充电时长tc的概率密度函数;F(l)为用户单次行驶距离l的概率分布。
对于下一刻电动汽车的SOC,可通过当前电动汽车的SOC值以及采取的决策行为,计算而得,其计算过程如下
当ai=1++或ai=1+时,电动汽车进行充电,或
当ai=0时,电动汽车不行驶也不充电,SOCj=SOCi。
当ai=-1时,电动汽车行驶,式中:W100电动汽车每100km耗电量。
综上可得
步骤二、考虑交通耗时系数对电动汽车行驶过程的影响,从而预测不同类型日各区域电动汽车的负荷需求情况。
电动汽车行驶过程中交通的拥堵状况直接影响行驶耗用时间,进而影响用户的充电行为。因此将交通指数作为反映道路网畅通或者拥堵的概念性数值,对交通拥堵程度进行衡量。根据典型工作日的分段交通指数,及交通指数对应的出行时间表,得出一天各个出行时段对应的耗时系数τi取第i段路程行驶到一半的时刻点,根据该时刻点所在时间段,对应得到相应的耗时系数,耗时系数表示的是对应交通指数下比畅通状态下多耗时的倍数。电动汽车行驶所需时间会受到该时段交通指数对应的耗时系数的影响
式中:Ti为第i段行程所需时间;Ti′为考虑交通况时第i段行程所需时间;为耗时系数表示对应交通指数下比畅通状态下多耗时的倍数。
步骤三、模拟实时充电行为,根据电动汽车的出行时间对应各出行目的地的概率,确定电动汽车一天各时段的区域分布情况。
本发明所研究的出行目的仅考虑3类:工作区、住宅区和商业区。对美国家庭出行调查NHTS2009(national household travel survey 2009)统计数据进行分析整理,可以得出电动汽车出行时间对应各个目的地的出行概率,如图3所示。
将出行时间按一定间隔离散化,可将出行目的转移概率定义为M×N维的矩阵,其中M为出行目的地分类数,N为离散化的时间间隔数,表示形式为
式中:表示在tk-1~tk时间段内出行的电动汽车出行目的为i类区域的概率;用户出行时选择各类出行目的地的概率之和为1,即
则在tk-1~tk时间段内,在i区域N辆电动汽车的累计充电需求为
式中:表示第n辆电动汽车在tk-1~tk时间段内充电功率,该充电功率是根据上述中电动汽车SOC的状态转移过程,确定在该时间段是否有充电需求,如果在该时间段用户进行充电,则根据充电时长确定充电功率取的是快充还是慢充,不充电则充电功率为零,即由用户出行过程中充电行为决定。
步骤四、利用蒙特卡洛模拟方法获得电动汽车充电需求的时空分布。
根据单个用户一天出行过程中各时段决策行为,确定用户的充电时段、充电方式以及充电过程电动汽车充电需求所在区域的分布情况,将N辆电动汽车充电功率进行累计,预测电动汽车充电需求的时间和空间分布情况,算法流程如下。
(1)抽取单个用户一天首次开始出行时间T以及该出行时刻的SOC。
(2)根据用户单次行驶距离的概率分布函数抽取单次行驶里程,由行驶速度算出行驶时间以及行驶结束时间t,根据电动汽车单位里程耗电量由式(7)中ai=-1的情况得出该段行程结束时的SOC。
(3)抽取单次行驶里程并判断此时的SOC是否满足下一段行驶里程。若不满足时用户进行充电,抽取此时用户的单次可充电时长,根据式(2)式(5)判断用户可能采取的充电方式,然后分别根据式(7)中ai=1++和ai=1+的情况判断该决策行为结束时的SOC及结束时间t,与此同时推出该充电行为前一段行程的出行时间,并根据图3得出该充电行为在各区域分布情况;若满足则用户可能进行下一步的停车或充电,停车时抽取用户单次停车时长,充电时根据式(2)~式(5)的分析确定相应充电方式的充电时长,然后分别根据可能采取的决策行为由式(7)得出结束时的SOC值及结束时间t。
(4)由此时的SOC及时间t确定下一步可能采取的决策行为同时得出该种行为结束时的SOC及结束时间。然后判断该时间t是否达到用户一天出行的结束时刻tend(用户最后一次返回停驻地的时间),同时确定用户最终所在区域及是否充电、充电时长。
(5)根据式(10)得到电动汽车在各区域一天24h的充电需求。
(6)返回步骤(1),进入循环,最终得出总的充电需求分布情况。
由上可知,本发明基于电动汽车出行习惯的多样性、差异性以及用户充电需求的复杂性和随机性,利用马尔可夫理论,提出了一种电动汽车的充电需求计算方法。该方法可以较准确地模拟用户的出行规律,反映充电需求的时空分布特点;同时反映出交通状况、电池充电阈值对电动汽车充电需求存在一定的影响。
Claims (5)
1.一种电动汽车的充电需求确定方法,其特征在于,包括以下步骤:
步骤1、通过马尔可夫链描述电动汽车用户一天出行过程中动力电池荷电状态的变化情况;
步骤2、根据用户出行过程中交通指数对应的耗时系数对行驶时间的影响及各时段电动汽车出行时间对应各目的地的概率,确定一天各个时刻充电需求的分布情况;
步骤3、采用蒙特卡洛模拟方法,确定电动汽车充电需求的时间和空间分布。
2.如权利要求1所述电动汽车的充电需求确定方法,其特征在于,步骤1中通过马尔可夫链描述电动汽车用户一天出行过程中动力电池荷电状态的变化情况,所用公式为:
式中:Pf、Pm分别为快充、慢充的充电功率;tc为充电时长;Qk为第k辆电动汽车的电池容量。
3.如权利要求1所述电动汽车的充电需求确定方法,其特征在于,步骤2中电动汽车行驶所需时间受到该时段交通指数对应的耗时系数的公式为:
式中,Ti为第i段行程所需时间;Ti′为考虑交通况时第i段行程所需时间;为耗时系数表示对应交通指数下比畅通状态下多耗时的倍数。
4.如权利要求1所述电动汽车的充电需求确定方法,其特征在于,步骤2中确定一天各个时刻充电需求的分布情况,具体为:
将出行时间按间隔离散化,将出行目的转移概率定义为M×N维的矩阵,其中M为出行目的地分类数,N为离散化的时间间隔数,表示形式为:
式中,表示在tk-1~tk时间段内出行的电动汽车出行目的为i类区域的概率;用户出行时选择各类出行目的地的概率之和为1,即
在tk-1~tk时间段内,在i区域N辆电动汽车的累计充电需求为
式中,表示第n辆电动汽车在tk-1~tk时间段内充电功率。
5.如权利要求1所述电动汽车的充电需求确定方法,其特征在于,步骤3中确定电动汽车充电需求的时间和空间分布,具体为:
(1)抽取单个用户一天首次开始出行时间T以及该出行时刻的SOC;
(2)根据用户单次行驶距离的概率分布函数抽取单次行驶里程,由行驶速度算出行驶时间以及行驶结束时间t,根据电动汽车单位里程耗电量由下式中ai=-1的情况得出该段行程结束时的SOC;
(3)抽取单次行驶里程并判断此时的SOC是否满足下一段行驶里程,若不满足时用户进行充电,抽取此时用户的单次可充电时长,根据步骤1判断用户采取的充电方式,然后分别根据上式中ai=1++和ai=1+的情况判断该决策行为结束时的SOC及结束时间t,与此同时推出该充电行为前一段行程的出行时间;若满足则用户可能进行下一步的停车或充电,停车时抽取用户单次停车时长,充电时确定相应充电方式的充电时长,然后分别根据采取的决策行为由上式得出结束时的SOC值及结束时间t;
(4)由当前时刻的SOC及时间t确定下一步可能采取的决策行为同时得出该种行为结束时的SOC及结束时间,然后判断该时间t是否达到用户一天出行的结束时刻tend,同时确定用户最终所在区域及是否充电、充电时长;
(5)根据下式得到电动汽车在各区域一天24h的充电需求;
式中,表示第n辆电动汽车在tk-1~tk时间段内充电功率;
(6)返回步骤(1),进入循环,最终得出总的充电需求分布情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710482074.7A CN109117972A (zh) | 2017-06-22 | 2017-06-22 | 一种电动汽车的充电需求确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710482074.7A CN109117972A (zh) | 2017-06-22 | 2017-06-22 | 一种电动汽车的充电需求确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109117972A true CN109117972A (zh) | 2019-01-01 |
Family
ID=64732788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710482074.7A Pending CN109117972A (zh) | 2017-06-22 | 2017-06-22 | 一种电动汽车的充电需求确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117972A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991856A (zh) * | 2019-11-28 | 2020-04-10 | 武汉大学 | 一种考虑用户有限理性的电动汽车充电需求分析方法 |
CN112926818A (zh) * | 2020-12-11 | 2021-06-08 | 天津大学 | 基于用户需求松弛度的电动汽车需求响应能力评估方法 |
CN117937570A (zh) * | 2024-03-18 | 2024-04-26 | 南方电网科学研究院有限责任公司 | 一种分布式充电设施的可调节裕度优化方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295860A (zh) * | 2016-07-29 | 2017-01-04 | 国网山东省电力公司经济技术研究院 | 一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法 |
CN106355290A (zh) * | 2016-09-21 | 2017-01-25 | 四川大学 | 一种基于马尔科夫链的电动汽车充电负荷预测方法及*** |
-
2017
- 2017-06-22 CN CN201710482074.7A patent/CN109117972A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295860A (zh) * | 2016-07-29 | 2017-01-04 | 国网山东省电力公司经济技术研究院 | 一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法 |
CN106355290A (zh) * | 2016-09-21 | 2017-01-25 | 四川大学 | 一种基于马尔科夫链的电动汽车充电负荷预测方法及*** |
Non-Patent Citations (1)
Title |
---|
许威等: "基于马尔可夫链的电动汽车充电需求计算", 《电力***及其自动化学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991856A (zh) * | 2019-11-28 | 2020-04-10 | 武汉大学 | 一种考虑用户有限理性的电动汽车充电需求分析方法 |
CN110991856B (zh) * | 2019-11-28 | 2022-06-21 | 武汉大学 | 一种考虑用户有限理性的电动汽车充电需求分析方法 |
CN112926818A (zh) * | 2020-12-11 | 2021-06-08 | 天津大学 | 基于用户需求松弛度的电动汽车需求响应能力评估方法 |
CN117937570A (zh) * | 2024-03-18 | 2024-04-26 | 南方电网科学研究院有限责任公司 | 一种分布式充电设施的可调节裕度优化方法及*** |
CN117937570B (zh) * | 2024-03-18 | 2024-06-11 | 南方电网科学研究院有限责任公司 | 一种分布式充电设施的可调节裕度优化方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392400B (zh) | 计及实时交通与温度的ev充电负荷时空分布预测方法 | |
Han et al. | Ordered charge control considering the uncertainty of charging load of electric vehicles based on Markov chain | |
Yang et al. | EV charging behaviour analysis and modelling based on mobile crowdsensing data | |
CN110728396A (zh) | 一种考虑时空分布的电动汽车充电负荷综合建模方法 | |
Panahi et al. | Forecasting plug-in electric vehicles load profile using artificial neural networks | |
CN105160428A (zh) | 高速公路电动汽车快速充电站的规划方法 | |
CN103745110B (zh) | 纯电动公交车营运续驶里程估算方法 | |
CN103499792B (zh) | 电动汽车动力电池集群可用容量的预测方法 | |
CN111400662B (zh) | 一种考虑电动汽车充电需求的空间负荷预测方法 | |
CN108074017A (zh) | 电动汽车充电负荷预测方法及装置 | |
CN109934403A (zh) | 基于数学模型的电动汽车居民区域充电负荷分析预测方法 | |
CN105262167A (zh) | 区域内电动汽车有序充电控制方法 | |
Su et al. | Forecast of electric vehicle charging demand based on traffic flow model and optimal path planning | |
CN109117972A (zh) | 一种电动汽车的充电需求确定方法 | |
CN116700296A (zh) | 基于深度学习的自主充电无人电动车智能规划方法及*** | |
Su et al. | Operating status prediction model at EV charging stations with fusing spatiotemporal graph convolutional network | |
Foiadelli et al. | Energy consumption prediction of electric vehicles based on big data approach | |
CN116572799A (zh) | 基于深度学习的动力电池荷电续航预测方法、***及终端 | |
Padmavathy et al. | A machine learning-based energy optimization system for electric vehicles | |
Boulakhbar et al. | Electric vehicles arrival and departure time prediction based on deep learning: the case of Morocco | |
Mahmoudi et al. | Spatial-temporal prediction of electric vehicle charging demand in realistic urban transportation system of a mid-sized city in brazil | |
Wan et al. | A prediction method for EV charging load based on fuzzy inference algorithm | |
CN113112097A (zh) | 一种电动汽车负荷预测及充电设施布局优化方法 | |
Yang et al. | Electric vehicle charging load forecasting model considering road network-power grid information | |
CN116542377A (zh) | 一种电动汽车充电站的规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |
|
RJ01 | Rejection of invention patent application after publication |