CN109359784A - 计及运营商的电动汽车负荷时间预测方法和*** - Google Patents
计及运营商的电动汽车负荷时间预测方法和*** Download PDFInfo
- Publication number
- CN109359784A CN109359784A CN201811447327.8A CN201811447327A CN109359784A CN 109359784 A CN109359784 A CN 109359784A CN 201811447327 A CN201811447327 A CN 201811447327A CN 109359784 A CN109359784 A CN 109359784A
- Authority
- CN
- China
- Prior art keywords
- charging
- electric car
- electric
- load
- operator
- 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
- 238000013277 forecasting method Methods 0.000 title abstract description 4
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 37
- 238000005070 sampling Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 239000012141 concentrate Substances 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 5
- 240000002853 Nelumbo nucifera Species 0.000 description 5
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000029305 taxis Effects 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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种计及运营商的电动汽车负荷时间预测方法和***,对电动汽车进行分类,得到车型类别,统计各车型类别的充电行为,基于充电行为,得到充电时长的概率密度函数和充电功率;根据充电时长的概率密度函数和充电功率,采用蒙特卡罗法生成车辆充电预测信息;基于车辆充电预测信息,将采取换电方式充电的电动汽车基于运营商充电策略模型生成电池日充电情况,将不采取换电方式充电的电动汽车基于充电行为生成电动汽车充电情况;基于电池日充电情况、电动汽车充电情况,得到整体充电负荷,绘制负荷预测曲线。本发明能够确定电动汽车集中换电站对电动汽车负荷的影响情况,并据此配置电动汽车集中换电站。
Description
技术领域
本发明涉及电动汽车技术领域,具体地,涉及一种计及运营商的电动汽车负荷预测方法和***,尤其是涉及考虑电动汽车换电运营商情况下的电动汽车负荷预测。
背景技术
随着新能源电动汽车越来越多出行在日常生活之中,电动汽车充电接入电网造成的负荷加重了负荷高峰期电网的负担。因此合理预测电动汽车部分造成的负荷并采用适当的方法政策对负荷进行调控成为降低电动汽车接入负荷对电网冲击的一种思路。引入电动汽车换电池模式和运营商可以一定程度上降低电动汽车充电行为的随机性,从而可以对电动汽车充电行为进行统一规划和调控,降低负荷高峰期的峰值。
专利文献CN106855960A公开了一种峰谷分时电价引导下的电动汽车充电负荷预测方法,首先建立了电动汽车的充电负荷模型;接着采用蒙特卡洛仿真方法模拟日充电负荷曲线;然后建立电量电价弹性矩阵;最后计算基于峰谷分时电价的日充电负荷曲线。这一方法的特点在于考虑了峰谷分时电价的影响,但没有考虑电动汽车换电运营商的情况。
专利文献CN107122856A公开了一种新态势下的空间饱和负荷预测方法,主要包括:采用小区负荷密度指标法预测出小区总负荷;根据待测区域未来GDP、人口规模、电动汽车渗透率、公路长度及私人汽车拥有量确定待测区域未来年的电动汽车保有量;对电动汽车进行分类,确定各类型电动汽车所占比例、充换电设施的类型及数量;对各类型电动汽车的负荷特性进行分析,分别得到工作日电动汽车负荷和节假日电动汽车负荷,较大者为待测区域电动汽车总负荷;将电动汽车总负荷与小区总负荷叠加后分配到各小区块中。该方法的特点在于实现了电动汽车负荷预测与城市电力负荷同优化的目标,且考虑了电动汽车充换电站存在,但其以针对负荷的空间分布为主,没有在时间上对负荷进行预测。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种计及运营商的电动汽车负荷预测方法和***。
根据本发明提供的一种计及运营商的电动汽车负荷预测方法,包括:
汽车行为统计步骤:对电动汽车进行分类,得到车型类别,统计各车型类别的充电行为,基于充电行为,得到充电时长的概率密度函数和充电功率;
充电信息生成步骤:根据充电时长的概率密度函数和充电功率,生成车辆充电预测信息;
充电负荷计算步骤:基于车辆充电预测信息,将采取换电方式充电的电动汽车生成电池日充电情况,将不采取换电方式充电的电动汽车基于充电行为生成电动汽车充电情况;
预测曲线绘制步骤:基于电池日充电情况、电动汽车充电情况,得到整体充电负荷,绘制负荷预测曲线。
优选地,所述充电信息生成步骤包括:
设定时间段步骤:设定步长,根据步长将一天24小时划分成n个时间采样点,将n个时间采样点对应的时刻记为t1,t2,...,tn;
计算时刻负荷步骤:计算电动汽车接入电网产生的负荷为:
其中,k=1,2,…,n;
表示第i辆车在tk时刻充电与否的逻辑值,取值为1或0;
表示第i辆车充电功率;
N表示需要进行充电的电动汽车的总数;
Pi(tk)表示第i辆车在tk时刻产生的负荷。
优选地,所述第i辆车在tk时刻产生的负荷Pi(tk)采用蒙特卡罗法,得到车辆充电起始时间和车辆充电时长,根据车辆充电起始时间和车辆充电时长计算得到充电起始时刻、充电结束时刻;充电起始时刻、充电结束时刻计算采用下式:
其中Tend为充电终止时刻,Tstart为充电起始时刻,Tlast为充电时长;
对每个时间采样点确定第i辆车在tk时刻充电与否的逻辑值若时间采样点在Tend、Tstart之间,则设定为1,否则,则设定为0。
优选地,将采取换电方式充电的电动汽车基于运营商充电策略模型生成电池日充电情况,其中,所述运营商充电策略模型为
其中,表示tk时刻第i个电池是否在充电的逻辑值,取值为1或0;
Δt表示设定的时间间隔;
M为运营商需要充电的电池总数;
为第i个电池充电的功率;
Pmax表示运营商最大用电功率;
vi为第i个电池充电所需时长的倒数,即充电速率;
为tk时刻运营商充电的实时电价。
根据本发明提供的一种计及运营商的电动汽车负荷预测***,包括:
汽车行为统计模块:对电动汽车进行分类,得到车型类别,统计各车型类别的充电行为,基于充电行为,得到充电时长的概率密度函数和充电功率;
充电信息生成模块:根据充电时长的概率密度函数和充电功率,生成车辆充电预测信息;
充电负荷计算模块:基于车辆充电预测信息,将采取换电方式充电的电动汽车生成电池日充电情况,将不采取换电方式充电的电动汽车基于充电行为生成电动汽车充电情况;
预测曲线绘制模块:基于电池日充电情况、电动汽车充电情况,得到整体充电负荷,绘制负荷预测曲线。
优选地,所述充电信息生成模块包括:
设定时间段模块:设定步长,根据步长将一天24小时划分成n个时间采样点,将n个时间采样点对应的时刻记为t1,t2,...,tn;
计算时刻负荷模块:计算电动汽车接入电网产生的负荷为:
其中,k=1,2,…,n;
表示第i辆车在tk时刻充电与否的逻辑值,取值为1或0;
表示第i辆车充电功率;
N表示需要进行充电的电动汽车的总数;
Pi(tk)表示第i辆车在tk时刻产生的负荷。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
与现有技术相比,本发明具有如下的有益效果:
本发明充分考虑电动汽车充电运营商对电动汽车负荷的影响,引入电动汽车运营商可以一定程度上降低电动汽车充电行为的随机性,从而可以对电动汽车电池充电行为进行统一规划和调控,降低负荷高峰期电动汽车充电带来的的峰值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的电动汽车负荷预测整体流程示意图;
图2为本发明的统计一定时长内正在充电的电动汽车的数量方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明考虑了引入电动汽车换电运营商后,电动汽车电池充电过程对电网负荷的影响。引入电动汽车运营商可以一定程度上降低电动汽车充电行为的随机性,从而可以对电动汽车电池充电行为进行统一规划和调控,降低负荷高峰期电动汽车充电带来的的峰值,并据此配置电动汽车集中换电站。
根据本发明提供的一种计及运营商的电动汽车负荷预测方法,包括:
汽车行为统计步骤:对电动汽车进行分类,得到车型类别,统计各车型类别的充电行为,基于充电行为,得到充电时长的概率密度函数和充电功率;
充电信息生成步骤:根据充电时长的概率密度函数和充电功率,采用蒙特卡罗法生成车辆充电预测信息;
充电负荷计算步骤:基于车辆充电预测信息,将采取换电方式充电的电动汽车基于运营商充电策略模型生成电池日充电情况,将不采取换电方式充电的电动汽车基于充电行为生成电动汽车充电情况;
预测曲线绘制步骤:基于电池日充电情况、电动汽车充电情况,得到整体充电负荷,绘制负荷预测曲线。
具体地,所述充电信息生成步骤包括:
设定时间段步骤:设定步长,根据步长将一天24小时划分成n个时间采样点,将n个时间采样点对应的时刻记为t1,t2,...,tn;
计算时刻负荷步骤:计算电动汽车接入电网产生的负荷为:
其中,k=1,2,…,n;
表示第i辆车在tk时刻充电与否的逻辑值,取值为1或0;
表示第i辆车充电功率;
N表示需要进行充电的电动汽车的总数;
Pi(tk)表示第i辆车在tk时刻产生的负荷。
具体地,所述第i辆车在tk时刻产生的负荷Pi(tk)采用蒙特卡罗法,得到车辆充电起始时间和车辆充电时长,根据车辆充电起始时间和车辆充电时长计算得到充电起始时刻、充电结束时刻;充电起始时刻、充电结束时刻计算采用下式:
其中Tend为充电终止时刻,Tstart为充电起始时刻,Tlast为充电时长;
对每个时间采样点确定第i辆车在tk时刻充电与否的逻辑值若时间采样点在Tend、Tstart之间,则设定为1,否则,则设定为0。
具体地所述运营商充电策略模型为
其中,表示tk时刻第i个电池是否在充电的逻辑值,取值为1或0;
Δt表示设定的时间间隔;
M为运营商需要充电的电池总数;
为第i个电池充电的功率;
Pmax表示运营商最大用电功率;
vi为第i个电池充电所需时长的倒数,即充电速率;
为tk时刻运营商充电的实时电价。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现上述的方法的步骤。
根据本发明提供的一种计及运营商的电动汽车负荷预测***,包括:
汽车行为统计模块:对电动汽车进行分类,得到车型类别,统计各车型类别的充电行为,基于充电行为,得到充电时长的概率密度函数和充电功率;
充电信息生成模块:根据充电时长的概率密度函数和充电功率,采用蒙特卡罗法生成车辆充电预测信息;
充电负荷计算模块:基于车辆充电预测信息,将采取换电方式充电的电动汽车基于运营商充电策略模型生成电池日充电情况,将不采取换电方式充电的电动汽车基于充电行为生成电动汽车充电情况;
预测曲线绘制模块:基于电池日充电情况、电动汽车充电情况,得到整体充电负荷,绘制负荷预测曲线。
具体地,所述充电信息生成模块包括:
设定时间段模块:设定步长,根据步长将一天24小时划分成n个时间采样点,将n个时间采样点对应的时刻记为t1,t2,...,tn;
计算时刻负荷模块:计算电动汽车接入电网产生的负荷为:
其中,k=1,2,…,n;
表示第i辆车在tk时刻充电与否的逻辑值,取值为1或0;
表示第i辆车充电功率;
N表示需要进行充电的电动汽车的总数;
Pi(tk)表示第i辆车在tk时刻产生的负荷。
本发明提供的计及运营商的电动汽车负荷预测***,可以通过计及运营商的电动汽车负荷预测方法的步骤流程实现。本领域技术人员可以将计及运营商的电动汽车负荷预测方法理解为所述计及运营商的电动汽车负荷预测***的优选例。
以下针对附图对本发明的优选例进一步阐述。
在具体的实施过程中,首先分析各类电动汽车的充电行为。对一个地区的电动汽车类型进行分类。电动汽车按用途功能可分为电动私家车,电动公交车,电动出租车和电动公务车。不同的电动汽车有着不同的出行习惯,对应着不同的开始充电及充电时长的概率密度函数。且不同车辆的车型不同,对应充电功率往往不同。
对于电动公交车,由于其作用是方便全市居民的出行,因此它的充电时间必然受到人们作息规律的影响。公交车一般早5:30发车,晚上23:30收班,则其充电时间可以考虑为23:30~5:30。由于公交车为公交公司运营,因此其充电是有序并可以进行调控的。且由于公交车电池容量大,每日行驶里程长,其充电持续时间往往也较长。认为电动公交车的起始充电时间服从正态分布N(23.5,3.42),充电持续时间也服从正态分布N(1.77,0.562),充电功率约为12kW。
对于电动出租车,其特点在于其有着与私家车相似的车型,但往往每天行驶的距离与公交车相近。一般电动出租车司机为了节约时间,会额外携带备用的电池或直接选配大容量的电池。由于夜间客流量减少,绝大多数出租车可以在夜间进行充电。电动出租车的充电开始时间服从正态分布N(3,3.42),充电持续时间服从正态分布N(1.52,0.52),充电功率约为7kW。
对于电动公务车,其目的为在上班时间和下班时间为员工提供便利,并为公司提供公务上的服务。因此其有着和私家车类似的出行时间。但一般公司为了方便管理,可能会将公务车的充电时间安排在上班时间而非夜间时间,这样可以减少公司的夜间管理成本。其充电开始时间应该满足正态分布N(7,3.42),其充电持续时间满足正态分布N(1.88,0.642),充电功率为3.5kW。
对于电动私家车,新能源电动车数量上占主体地位的就是电动私家车。私家车有着较为规律的出行时间和归来时间,且每日出行距离相对较短,一般仅为工作地点到家的距离。认为私家车起始充电时间满足正态分布N(17.6,3.42),由于其出行距离相对较短,因此每日消耗电量也较少,充电时间满足正态分布N(0.71,0.282),充电功率为3.5kW。
分析电动汽车采取换电所占比例。四类电动汽车中,由于电动公交车,出租车,公务车均有固定运营机构管理,因此其充换电过程可以认为全部受运营商管理。电动私家车由于基数大,且行为自由,因此将成为换电模式考虑的主体对象,考虑部分电动私家车采用换电模式进行充电的情况。
如图1所示,根据分析得到的电动汽车的充电行为的概率模型采用蒙特卡罗法建立电动汽车负荷预测模型。具体建模过程如下,首先根据预测得到的全市的电动汽车数量采用蒙特卡罗法抽取得到每辆汽车的充电开始时间以及充电持续时间信息,并依次计算出每辆电动汽车每天充电的时间段。而后统计每个检测时间点正在充电的所有电动汽车造成的负荷总和,汇总计算得到全天的负荷预测数据。具体方法如下:设步长为Δt,将一天24小时分为n=24/Δt个时间采样点,每个采样点对应的时刻记为t1,t2,...,tn。设第i辆车在tk时刻充电与否的逻辑值设为其取值为1或0。那么一辆车在一天内的某一时刻中所产生的负荷为:
整个城市在某一时刻由于电动车接入电网所产生的负荷为:
这样就可以得到任意时刻由于电动汽车的负荷值。其中N为需要进行充电的电动汽车的总数。为简化分析并分析最坏情况,认为城市中的电动汽车每天都需要进行至少一次的充电,那么这里N即为城市中电动汽车的总数。
为了进行负荷预测和模拟,需要知道每个时刻电动汽车充电与否的布尔值该布尔值可采用蒙特卡罗方法得到。由于已知电动汽车的充电起始时间以及充电时长分布,因此可以计算出电动汽车的充电起始时刻以及充电结束时刻。具体方法如下式所示:
其中Tend为充电终止时刻,Tstart为充电起始时刻,Tlast为充电时长。采用蒙特卡罗方法得到每辆车开始充电和充电时长的信息,并计算得到其开始充电和结束充电的时刻,并通过对每个时间采样点进行判断的方式确定逻辑值并通过式(2)计算得到某一时刻的负荷值,并最终计算得到日负荷预测曲线。其中,在每个采样点处判断逻辑值的方法流程如图2所示。
然后,分析运营商充电策略。对电动汽车在运营商处换下的电量不足的电池,运营商每日要对其进行充电。假设运营商每天要对前一天换下的所有电池安排充电,且每天要将所有前一天换下的电池充满,同时由于运营商容量有限,同一时刻进行充电的功率存在上限。运营商在满足以上限制的同时要实现自身充电成本的最小化。建立的具体数学模型如下。
设时间间隔Δt为15分钟(0.25小时),则一天的时间总共可以分为96个采样点,分别设为t1,t2,...,tk,...,t96。设M为运营商需要充电的电池总数,为电池充电的功率,vi为第i个电池充电所需时长的倒数,为第tk时刻时第i个电池是否在充电的逻辑值,为第tk时刻运营商充电的实时电价。那么对于运营商充电过程,其目标为充电过程成本最低,即
其充电过程需要满足的约束条件为:
根据以上的优化模型,采用适当的优化方法,求得每个时刻每个电池充电与否的逻辑值即可汇总得到运营商每日的充电负荷。
最后,综合运营商部分负荷和电动汽车部分负荷,绘制负荷预测曲线。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (7)
1.一种计及运营商的电动汽车负荷预测方法,其特征在于,包括:
汽车行为统计步骤:对电动汽车进行分类,得到车型类别,统计各车型类别的充电行为,基于充电行为,得到充电时长的概率密度函数和充电功率;
充电信息生成步骤:根据充电时长的概率密度函数和充电功率,生成车辆充电预测信息;
充电负荷计算步骤:基于车辆充电预测信息,将采取换电方式充电的电动汽车生成电池日充电情况,将不采取换电方式充电的电动汽车基于充电行为生成电动汽车充电情况;
预测曲线绘制步骤:基于电池日充电情况、电动汽车充电情况,得到整体充电负荷,绘制负荷预测曲线。
2.根据权利要求1所述的计及运营商的电动汽车负荷预测方法,其特征在于,所述充电信息生成步骤包括:
设定时间段步骤:设定步长,根据步长将一天24小时划分成n个时间采样点,将n个时间采样点对应的时刻记为t1,t2,...,tn;
计算时刻负荷步骤:计算电动汽车接入电网产生的负荷为:
其中,k=1,2,…,n;
表示第i辆车在tk时刻充电与否的逻辑值,取值为1或0;
表示第i辆车充电功率;
N表示需要进行充电的电动汽车的总数;
Pi(tk)表示第i辆车在第k个时间采样点所对应的tk时刻产生的负荷。
3.根据权利要求2所述的计及运营商的电动汽车负荷预测方法,其特征在于,所述第i辆车在tk时刻产生的负荷Pi(tk)采用蒙特卡罗法,得到车辆充电起始时间和车辆充电时长,根据车辆充电起始时间和车辆充电时长计算得到充电起始时刻、充电结束时刻;充电起始时刻、充电结束时刻计算采用下式:
其中Tend为充电终止时刻,Tstart为充电起始时刻,Tlast为充电时长;
对每个时间采样点确定第i辆车在tk时刻充电与否的逻辑值若时间采样点在Tend、Tstart之间,则设定为1,否则,则设定为0。
4.根据权利要求1所述的计及运营商的电动汽车负荷预测方法,其特征在于,将采取换电方式充电的电动汽车基于运营商充电策略模型生成电池日充电情况,其中,所述运营商充电策略模型为
其中,表示tk时刻第i个电池是否在充电的逻辑值,取值为1或0;
Δt表示设定的时间间隔;
M为运营商需要充电的电池总数;
k=1,2,…,n;n表示时间采样点的总个数;
为第i个电池充电的功率;
Pmax表示运营商最大用电功率;
vi为第i个电池充电所需时长的倒数;
为tk时刻运营商充电的实时电价。
5.一种计及运营商的电动汽车负荷预测***,其特征在于,包括:
汽车行为统计模块:对电动汽车进行分类,得到车型类别,统计各车型类别的充电行为,基于充电行为,得到充电时长的概率密度函数和充电功率;
充电信息生成模块:根据充电时长的概率密度函数和充电功率,生成车辆充电预测信息;
充电负荷计算模块:基于车辆充电预测信息,将采取换电方式充电的电动汽车生成电池日充电情况,将不采取换电方式充电的电动汽车基于充电行为生成电动汽车充电情况;
预测曲线绘制模块:基于电池日充电情况、电动汽车充电情况,得到整体充电负荷,绘制负荷预测曲线。
6.根据权利要求1所述的计及运营商的电动汽车负荷预测***,其特征在于,所述充电信息生成模块包括:
设定时间段模块:设定步长,根据步长将一天24小时划分成n个时间采样点,将n个时间采样点对应的时刻记为t1,t2,...,tn;
计算时刻负荷模块:计算电动汽车接入电网产生的负荷为:
其中,k=1,2,…,n;
表示第i辆车在tk时刻充电与否的逻辑值,取值为1或0;
表示第i辆车充电功率;
N表示需要进行充电的电动汽车的总数;
Pi(tk)表示第i辆车在第k个时间采样点所对应tk时刻产生的负荷。
7.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811447327.8A CN109359784A (zh) | 2018-11-29 | 2018-11-29 | 计及运营商的电动汽车负荷时间预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811447327.8A CN109359784A (zh) | 2018-11-29 | 2018-11-29 | 计及运营商的电动汽车负荷时间预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359784A true CN109359784A (zh) | 2019-02-19 |
Family
ID=65343485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811447327.8A Pending CN109359784A (zh) | 2018-11-29 | 2018-11-29 | 计及运营商的电动汽车负荷时间预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359784A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626494A (zh) * | 2020-05-22 | 2020-09-04 | 广东电网有限责任公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
CN112036602A (zh) * | 2020-07-24 | 2020-12-04 | 国网安徽省电力有限公司经济技术研究院 | 一种集成人机智能的5g电动汽车充电预测方法和*** |
CN112124135A (zh) * | 2020-08-19 | 2020-12-25 | 国电南瑞科技股份有限公司 | 一种电动汽车共享充电需求分析方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065199A (zh) * | 2012-12-18 | 2013-04-24 | 广东电网公司电力科学研究院 | 电动汽车充电站负荷预测方法 |
CN103241130A (zh) * | 2013-04-10 | 2013-08-14 | 华中科技大学 | 一种电动公交车充换电站的能量管理方法及*** |
CN103413180A (zh) * | 2013-07-22 | 2013-11-27 | 上海电力实业有限公司 | 基于蒙特卡洛模拟法的电动汽车充电负荷预测***和方法 |
-
2018
- 2018-11-29 CN CN201811447327.8A patent/CN109359784A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065199A (zh) * | 2012-12-18 | 2013-04-24 | 广东电网公司电力科学研究院 | 电动汽车充电站负荷预测方法 |
CN103241130A (zh) * | 2013-04-10 | 2013-08-14 | 华中科技大学 | 一种电动公交车充换电站的能量管理方法及*** |
CN103413180A (zh) * | 2013-07-22 | 2013-11-27 | 上海电力实业有限公司 | 基于蒙特卡洛模拟法的电动汽车充电负荷预测***和方法 |
Non-Patent Citations (2)
Title |
---|
毛玉荣: "电动汽车充放电与微电网运行的协调优化", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
王汉华: "电动汽车充电设施接入配电网的最优布点规划", 《广东电力》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626494A (zh) * | 2020-05-22 | 2020-09-04 | 广东电网有限责任公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
CN112036602A (zh) * | 2020-07-24 | 2020-12-04 | 国网安徽省电力有限公司经济技术研究院 | 一种集成人机智能的5g电动汽车充电预测方法和*** |
CN112124135A (zh) * | 2020-08-19 | 2020-12-25 | 国电南瑞科技股份有限公司 | 一种电动汽车共享充电需求分析方法及装置 |
CN112124135B (zh) * | 2020-08-19 | 2021-12-28 | 国电南瑞科技股份有限公司 | 一种电动汽车共享充电需求分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiao et al. | Multi-objective dynamic economic emission dispatch based on electric vehicles and wind power integrated system using differential evolution algorithm | |
Xu et al. | Greenhouse gas emissions of electric vehicles in Europe considering different charging strategies | |
Miao et al. | Autonomous connected electric vehicle (ACEV)-based car-sharing system modeling and optimal planning: A unified two-stage multi-objective optimization methodology | |
Han et al. | Ordered charge control considering the uncertainty of charging load of electric vehicles based on Markov chain | |
Jian et al. | Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid | |
CN103241130B (zh) | 一种电动公交车充换电站的能量管理方法及*** | |
CN103915869B (zh) | 一种基于移动设备的电动汽车智能充电***及方法 | |
CN109711630A (zh) | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 | |
CN107169273A (zh) | 计及延时和v2g充电模式的电动汽车充电功率预测方法 | |
CN113060036B (zh) | 光储充电站的充电控制方法、装置、服务器及存储介质 | |
CN108573317B (zh) | 一种换电站充放电策略优化控制的方法 | |
CN107392462A (zh) | 一种考虑分类特性的电动汽车并网调度方法 | |
CN106651059A (zh) | 一种电动汽车充电站优化配置的方法 | |
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 | |
CN113067370B (zh) | V2g充电站的充电控制方法、装置、服务器及存储介质 | |
CN109359784A (zh) | 计及运营商的电动汽车负荷时间预测方法和*** | |
Ding et al. | Joint charging scheduling of electric vehicles with battery to grid technology in battery swapping station | |
Lu et al. | Charging and relocating optimization for electric vehicle car-sharing: an event-based strategy improvement approach | |
Ma et al. | Real-time plug-in electric vehicles charging control for V2G frequency regulation | |
CN110533222A (zh) | 基于峰平谷电价的电动汽车充电负荷预测方法及装置 | |
CN114282821A (zh) | 一种共享电动汽车的调度方法、***及设备 | |
CN115130727A (zh) | 一种新能源纯电公交车夜间充电调度方法 | |
CN115860185A (zh) | 一种考虑极端高温天气下多类型电动汽车充电方式的电网负荷预测方法 | |
CN107067130A (zh) | 一种基于电动汽车马尔可夫充电需求分析模型的快速充电站容量规划方法 | |
Nespoli et al. | User behavior clustering based method for EV charging forecast |
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: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |