CN110968915A - 一种电动汽车充电负荷预测方法 - Google Patents
一种电动汽车充电负荷预测方法 Download PDFInfo
- Publication number
- CN110968915A CN110968915A CN201911213444.2A CN201911213444A CN110968915A CN 110968915 A CN110968915 A CN 110968915A CN 201911213444 A CN201911213444 A CN 201911213444A CN 110968915 A CN110968915 A CN 110968915A
- Authority
- CN
- China
- Prior art keywords
- charging
- electric vehicle
- time
- electric
- load
- 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 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 230000014509 gene expression Effects 0.000 claims description 17
- 238000011160 research Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种电动汽车充电负荷预测方法,步骤如下:S1:设置各类电动汽车总量、蒙特卡洛算法的仿真次数、各类电动汽车充电频率的比例、充电方式的比例;S2:研究充电功率的变化曲线,获得荷电状态与充电时长的函数关系;S3:生成日随机里程数D,并计算出起始荷电状态和充电时长t;S4:根据用户的出行开始时间和出行结束时间的概率密度函数、起始充电时间得到起始充电时间正态分布参数,结合充电时长t计算出充电持续时间范围,获得各类电动汽车的充电负荷曲线;S5:叠加获得电动汽车日总充电负荷曲线。本发明采用蒙特卡洛算法模拟计算出不同类型电动汽车的日充电负荷,叠加得日总充电负荷,为电动汽车有序充电研究提供基础。
Description
技术领域
本发明涉及电动汽车充电技术领域,具体地说是一种电动汽车充电负荷预测方法,该预测方法采用蒙特卡洛算法模拟计算出日充电负荷,为电动汽车有序充电研究提供了基础。
背景技术
随着电动汽车产业技术的发展和国家政策的支持,大规模电动汽车接入电网已经成为一种趋势,这势必会对电网的运行与调度产生一定程度的冲击。电动汽车充电负荷在时间上和空间上都具有很强的不确定性,为了使电力***的运行和调度更加合理,因此对大规模电动汽车的充电负荷进行预测具有重要的参考价值。
电动汽车充电负荷的计算方法有很多,大多采用某种算法来计算充电负荷。计算方法主要有以下几种常见方法:1、将电动汽车分为私家车、公交车、出租车、公务车4种类型进行分析建模,但是对于车辆的起始荷电状态和起始充电时间分布的选取存在一定的主观性,而且对于充电功率视为恒定,然而实际充电过程中充电功率是不断变化的;2、利用统计学方法建立了行程结束时间和日行驶里程的概率分布模型,并认为行程结束时间等于起始充电时间,但对于日充电频率大于1次/日的电动汽车未必合理;3、针对电动汽车车主充电习惯的不确定性进行分析,建立了包含不确定性因素的充电负荷计算模型;4、将电动汽车出行目的地分为五大类,并相应构造了简单和复杂的出行链,建立了车辆日行驶时间和距离的时空分布模型。
发明内容
本发明的目的是针对现有技术存在的问题,提供一种电动汽车充电负荷预测方法,该预测方法能够提高电网的运行和合理的调度,以减轻电网的运行压力。
本发明的目的是通过以下技术方案解决的:
一种电动汽车充电负荷预测方法,其特征在于:该方法包括以下步骤:
S1:设置各类电动汽车总量Y、蒙特卡洛算法的仿真次数M、各类电动汽车充电频率的比例以及各类电动汽车的充电方式的比例;
S2:研究常规充电和快速充电两种不同充电方式下充电功率的变化曲线,同时获得荷电状态SOC与充电时长t的函数关系;
S3:根据电动汽车每段行驶里程的概率密度函数生成日随机里程数D,并计算出起始荷电状态SOC和充电时长t;
S4:根据用户的出行开始时间和出行结束时间的概率密度函数以及用户起始充电时间得到起始充电时间正态分布参数T,并结合充电时长t计算出充电持续时间范围,获得各类电动汽车的充电负荷曲线;
S5:将各类电动汽车的充电负荷曲线进行叠加,即可得到电动汽车日总充电负荷曲线。
所述步骤S1中,设置蒙特卡洛算法的仿真次数M至少为5000次。
所述步骤S1中,当充电频率小于1时,认为该车辆当天充电的概率等于其充电频率。
所述步骤S2中,根据充电时间的不同,将电动汽车的充电方式分为常规充电和快速充电方式两种,据充电电流,分别确定常规充电和快速充电的功率表达式。
常规充电方式的充电电流在16-32A左右,充电功率一般在3.5-7kW,充电时间一般在5-8个小时;现假设电流为16A,常规充电的功率表达式如式(1)所示:
式(1)中,t表示充电时长且单位为min,Pc1表示电动汽车充电功率且单位为kW。
快速充电方式的电流一般达到150-400A,充电电压在200-750V,充电功率在150kW左右,充电时间一般在十几分钟到两个小时;现假设充电电流为250A,快速充电的功率表达式如式(2)所示:
式(2)中,Pc2表示电动汽车充电功率且单位为kW;
所述步骤S2中,不管是常规充电还是快速充电,电动汽车的荷电状态SOC都满足如下表达式:
SOC=2.22t*10-3 (3)
式(3)中,t表示充电时长且单位为min,SOC表示荷电状态。
所述步骤S3中,行驶里程的概率密度函数f(x1)通过式(4)得到:
式(4)中,x1表示行驶里程,x1的对数概率分布ln(X1)表示为ln(X1)~N(μ1,σ1 2),μ1表示ln(X1)的平均值,σ1表示ln(X1)的标准差。
所述步骤S3中,日行驶里程的分布决定起始荷电状态SOC的分布,而起始荷电状态SOC决定电动汽车充电时间的长短:
式(5)中,D表示日随机里程数,L表示电动汽车最大可行驶距离;通过式(5)确定荷电状态SOC的大小后,通过式(3)确定电动汽车的充电时长t。
所述步骤S4中,用户出行开始时间和出行结束时间的概率密度函数f(x2)用正态分布的形式来描述,通过式(6)得到:
式(6)中,x2表示出行开始时间或者出行结束时间,x2的概率分布X2表示为X2~N(μ2,σ2 2),μ2表示x2的期望,σ2表示x2的标准差。
所述步骤S4中,当起始充电时间等于用户出行结束时间,通过式(6)求得电动汽车的起始充电时间、充电时长t则通过式(3)获得,根据电动汽车的类型获得该电动汽车的充电方式,根据常规充电的功率表达式或快速充电的功率表达式,得到该电动汽车的充电负荷曲线。
所述步骤S5中,将全天分为1440分钟,设第m辆车在第i分钟的负荷为Pm,i,则第i分钟的总充电负荷可通过式(7)得到:
式(7)中,Pm,i表示第m辆车在第i分钟的负荷,Y表示该类电动汽车总量,Pi表示该类电动汽车在第i分钟的总充电负荷。
Pm,i的求解步骤为:首先,根据日随机里程数D确定SOC大小;然后,根据公式(3)确定充电时长t;最后,根据电动汽车的型号确定其充电方式,根据公式(1)、(2)确定Pm,i的大小。
将各种类型的电动汽车充电负荷曲线进行叠加处理,获得总的电动汽车充电负荷曲线。
本发明相比现有技术有如下优点:
本发明通过研究不同电动汽车的车型及其行驶时间和行驶特性,能够得到具有不同行驶特性的电动汽车的不同充电需求,形成具有不同特性的电动汽车集群,采用蒙特卡洛算法模拟计算出不同类型充电汽车的日充电负荷,最后通过叠加得到电动汽车日总充电负荷,为电动汽车有序充电研究提供了基础。
附图说明
附图1为本发明的方法基于蒙特卡洛法的充电负荷计算流程图;
附图2为用户每日行驶里程的概率分布;
附图3为用户出行开始时刻概率分布;
附图4为用户出行结束时刻概率分布;
附图5为用户用电量比例分布图;
附图6为出租车日充电负荷曲线图;
附图7为私家车日充电负荷曲线图;
附图8为公交车日充电负荷曲线图;
附图9为电动汽车的日总充电负荷曲线。
具体实施方式
下面结合附图与实施例对本发明作进一步的说明。
如图1所示:一种电动汽车充电负荷预测方法,该方法包括以下步骤:
S1:设置各类电动汽车总量Y、蒙特卡洛算法的仿真次数M、各类电动汽车充电频率的比例以及各类电动汽车的充电方式的比例;如取2020年私家车总量为15.4万辆,出租车总量为3.1万辆,公交车总量为4.7万辆,设置蒙特卡洛算法的仿真次数M至少为5000次,当充电频率小于1时,认为该车辆当天充电的概率等于其充电频率;
S2:根据充电时间的不同,将电动汽车的充电方式分为常规充电和快速充电方式两种,常规充电方式的充电电流在16-32A左右,充电功率一般在3.5-7kW,充电时间一般在5-8个小时;现假设电流为16A,常规充电的功率表达式如式(1)所示:
式(1)中,t表示充电时长且单位为min,Pc1表示电动汽车充电功率且单位为kW;
快速充电方式的电流一般达到150-400A,充电电压在200-750V,充电功率在150kW左右,充电时间一般在十几分钟到两个小时;现假设充电电流为250A,快速充电的功率表达式如式(2)所示::
式(2)中,Pc2表示电动汽车充电功率且单位为kW;
另外不管是常规充电还是快速充电,电动汽车的荷电状态SOC都满足如下表达式:
SOC=2.22t*10-3 (3)
式(3)中,t表示充电时长且单位为min,SOC表示荷电状态。
S3:行驶里程的概率密度函数f(x1)通过式(4)得到:
式(4)中,x1表示行驶里程,x1的对数概率分布ln(X1)表示为ln(X1)~N(μ1,σ1 2),μ1表示ln(X1)的平均值,σ1表示ln(X1)的标准差;
且日行驶里程的分布决定了起始荷电状态SOC的分布,而起始荷电状态SOC又决定了电动汽车充电时间的长短:
式(5)中,D表示日随机里程数,L表示电动汽车最大可行驶距离;通过式(5)确定荷电状态SOC的大小后,通过式(3)确定电动汽车的充电时长t。
S4:用户出行开始时间和出行结束时间的概率密度函数f(x2)用正态分布的形式来描述,通过式(6)得到:
式(6)中,x2表示出行开始时间或者出行结束时间,x2的概率分布X2表示为X2~N(μ2,σ2 2),μ2表示x2的期望,σ2表示x2的标准差;经拟合可以得到用户出行开始时间服从N(9.04,1.982)的正态分布,用户出行结束时间服从N(17.63,3.332)的正态分布;
电动汽车的起始充电时间即为电动汽车达到充电站的时间,现假设其起始充电时间等于用户出行结束时间,通过式(6)中的N(17.63,3.332)正态分布求得电动汽车的起始充电时间、充电时长t则通过式(3)获得,根据电动汽车的类型获得该电动汽车的充电方式,根据常规充电的功率表达式(1)或快速充电的功率表达式(2),根据常规充电和快速充电的功率表达式,得到该电动汽车的充电负荷曲线。
S5:将全天分为1440分钟,设第m辆车在第i分钟的负荷为Pm,i,则第i分钟的总充电负荷可通过式(7)得到:
式(7)中,Pm,i表示第m辆车在第i分钟的负荷,Y表示该类电动汽车总量,Pi表示该类电动汽车在第i分钟的总充电负荷;
Pm,i的求解步骤为:首先根据日随机里程数D确定SOC大小,然后根据公式(3)确定充电时长t,最后根据电动汽车的型号确定其充电方式,根据公式(1)、(2)确定Pm,i的大小;
将各种类型的电动汽车充电负荷曲线进行叠加处理,获得总的电动汽车充电负荷曲线。
下面以一个具体实施例来进一步阐述本发明的方案。
步骤1:私家车主要行驶于家、公司、商城娱乐等地段,在居民停车场和公司的停车场停放时间比较长,因此采用常规充电较多。假设用户的日用电量与充电次数如下表1。
表1私家车用户日用电量与充电次数关系
日用电量/% | 0-10% | 10-20% | 20-30% | 30-70% | 70-100% | >=100% |
充电频率/次 | 1/7 | 1/3 | 1/2 | 1 | 2 | 3 |
下面以丰田RAV4电动汽车为例进行分析,此车最大行驶里程为160km,假设用电量与行驶里程呈正比。以2009年全美家庭出行调查统计结果,提取私家车一天内的出行开始时间、出行结束时间和行驶里程来研究电动汽车的运行特性,可以得到用户用电量的比例如图5所示。
公交车和出租车属于商用运营车辆,公交车的运行速度一般在15km/h左右,每天早上5:30左右发车,晚上22:30左右收车,而公交车到终点站之后不会马上发车,一般等候3小时左右,实际运行时间约为14小时,日行驶里程约为220km。根据对各城市推广运行纯电动汽车运行情况的调查,电动公交车的理想最大行驶距离一般在200km~250km,但实际运行中续驶能力差,电池功能衰减严重,一般电动公交车充满电后能运营150km左右。如果不进行二次充电难以满足完成日运营任务。本文假设100%的公交车均采用快速充电模式,且每日充电两次。
电动出租车分为单班和双班运营,单班运营日充电2次,采用常规充电模式,双班运营充电4次,采用快速充电模式。出租车续驶里程在180-220km,日实际运营里程一般在450km左右,当剩余电量SOC下降到20%需要进行返回充电。本文假设单班和双班的比例为2:5。
步骤2:根据电动汽车每段行驶里程的概率密度函数生成日行驶里程随机数D,并根据电动汽车每段行驶里程的距离的概率密度函数计算起始荷电状态SOC以及充电时长t;根据全美家庭出行调查(National household travel survey,NHTS)的调查结果显示,用户每日行驶里程的概率分布如图2所示:
根据图2,拟合后求得μ1=3.68,σ1=0.88。
步骤3:私家车用户的起始充电时间满足正态分布,又假设起始充电时间等于用户出行结束时间;图3给出了用户的出行开始时间、图4给出了用户的出行结束时间,均满足正态分布;
根据图3、图4,拟合后求得用户的出行开始时间服从N(9.04,1.982)的正态分布,用户的出行结束时间服从N(17.63,3.332)的正态分布。
对于日充电2~4次的车辆,充电频率对应的起始充电时间分布参数如表2所示,日用电量与用户比例关系如图5所示。
表2起始充电时间正态分布参数/h
注:逗号分隔参数,前者代表均值,后者代表方差。
步骤4:各种电动汽车的充电负荷曲线如图6-8所示,从图6可以看出,出租车的日充电负荷在凌晨4点左右达到低谷,在9点到19点存在两个高峰,分别达到900MW和1100MW,这是由于出租车的单双班采用不同的充电模式造成的;从图7可以看出,私家车的日充电负荷在7点左右达到最低,在下午19点达到高峰期620MW,由于部分私家车用户的日充电频率不到1次/日,造成了充电高峰期向后延迟了约两个小时;从图8可以看出,公交车的日充电负荷存在两个高峰期,分别出现在9~11点和19~21点,均采用快速充电模式,负荷达到1360MW和935MW。
步骤5:将3种类型电动汽车的日充电负荷进行叠加,得到日总充电负荷曲线如图9所示。
从图9可以看出,电动汽车的日总充电负荷曲线分别在上午9点和下午19点左右达到峰值,约在2200MW和2530MW。这两个时刻点与居民用电高峰期基本重合,加重了电网的负担,对于电网的安全运行造成了不利影响,需要对电动汽车的充电负荷进行调控,削峰填谷,以减轻电网的运行压力。
本发明通过研究不同电动汽车的车型及其行驶时间和行驶特性,能够得到具有不同行驶特性的电动汽车的不同充电需求,形成具有不同特性的电动汽车集群,采用蒙特卡洛算法模拟计算出不同类型充电汽车的日充电负荷,最后通过叠加得到电动汽车日总充电负荷,为电动汽车有序充电研究提供了基础。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内;本发明未涉及的技术均可通过现有技术加以实现。
Claims (10)
1.一种电动汽车充电负荷预测方法,其特征在于:该方法包括以下步骤:
S1:设置各类电动汽车总量Y、蒙特卡洛算法的仿真次数M、各类电动汽车充电频率的比例以及各类电动汽车的充电方式的比例;
S2:研究常规充电和快速充电两种不同充电方式下充电功率的变化曲线,同时获得荷电状态SOC与充电时长t的函数关系;
S3:根据电动汽车每段行驶里程的概率密度函数生成日随机里程数D,并计算出起始荷电状态SOC和充电时长t;
S4:根据用户的出行开始时间和出行结束时间的概率密度函数以及用户起始充电时间得到起始充电时间正态分布参数T,并结合充电时长t计算出充电持续时间范围,获得各类电动汽车的充电负荷曲线;
S5:将各类电动汽车的充电负荷曲线进行叠加,即可得到电动汽车日总充电负荷曲线。
2.根据权利要求1所述的电动汽车充电负荷预测方法,其特征在于:所述步骤S1中,设置蒙特卡洛算法的仿真次数M至少为5000次。
3.根据权利要求1所述的电动汽车充电负荷预测方法,其特征在于:所述步骤S1中,当充电频率小于1时,认为该车辆当天充电的概率等于其充电频率。
4.根据权利要求1所述的电动汽车充电负荷预测方法,其特征在于:所述步骤S2中,根据充电时间的不同,将电动汽车的充电方式分为常规充电和快速充电方式两种,根据充电电流,分别确定常规充电和快速充电的功率表达式。
5.根据权利要求1所述的电动汽车充电负荷预测方法,其特征在于:所述步骤S2中,电动汽车的荷电状态SOC满足如下表达式:
SOC=2.22t*10-3 (3)
式(3)中,t表示充电时长,SOC表示荷电状态。
9.根据权利要求8所述的电动汽车充电负荷预测方法,其特征在于:所述步骤S4中,当起始充电时间等于用户出行结束时间,根据电动汽车的起始充电时间和充电时长t、根据电动汽车的类型获得该电动汽车的充电方式、根据常规充电的功率表达式或快速充电的功率表达式,得到该电动汽车的充电负荷曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911213444.2A CN110968915A (zh) | 2019-12-02 | 2019-12-02 | 一种电动汽车充电负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911213444.2A CN110968915A (zh) | 2019-12-02 | 2019-12-02 | 一种电动汽车充电负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110968915A true CN110968915A (zh) | 2020-04-07 |
Family
ID=70032597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911213444.2A Pending CN110968915A (zh) | 2019-12-02 | 2019-12-02 | 一种电动汽车充电负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110968915A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626514A (zh) * | 2020-05-29 | 2020-09-04 | 深圳供电局有限公司 | 一种电动汽车充电负荷预测方法及装置 |
CN112101624A (zh) * | 2020-08-13 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于arima的电动汽车随机充电需求预测及调度方法 |
CN112613682A (zh) * | 2020-12-29 | 2021-04-06 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种电动汽车充电负荷预测方法 |
CN112785050A (zh) * | 2021-01-12 | 2021-05-11 | 国网浙江省电力有限公司湖州供电公司 | 一种基于电动汽车充电负荷预测的有序充电调度方法 |
CN113554205A (zh) * | 2020-04-26 | 2021-10-26 | 国网上海市电力公司 | 一种基于蒙特卡洛算法的电动汽车充电需求负荷研究方法 |
CN114239967A (zh) * | 2021-12-20 | 2022-03-25 | 深圳供电局有限公司 | 一种电动汽车负荷预测方法、***及存储介质 |
CN114580789A (zh) * | 2022-04-08 | 2022-06-03 | 东南大学 | 一种基于充电行为的多类型电动汽车负荷预测方法及*** |
CN115098940A (zh) * | 2022-05-26 | 2022-09-23 | 南京邮电大学 | 一种基于时空特性的电动汽车出行仿真方法 |
CN116911461A (zh) * | 2023-07-20 | 2023-10-20 | 东北大学 | 一种电动汽车充电负荷预测方法、***及预测终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203719A (zh) * | 2016-07-15 | 2016-12-07 | 东南大学 | 一种电动汽车接入电网的负荷预测方法 |
CN109034498A (zh) * | 2018-08-31 | 2018-12-18 | 国网上海市电力公司 | 考虑用户充电频率和充电功率变化的电动汽车充电负荷预测方法 |
-
2019
- 2019-12-02 CN CN201911213444.2A patent/CN110968915A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203719A (zh) * | 2016-07-15 | 2016-12-07 | 东南大学 | 一种电动汽车接入电网的负荷预测方法 |
CN109034498A (zh) * | 2018-08-31 | 2018-12-18 | 国网上海市电力公司 | 考虑用户充电频率和充电功率变化的电动汽车充电负荷预测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554205A (zh) * | 2020-04-26 | 2021-10-26 | 国网上海市电力公司 | 一种基于蒙特卡洛算法的电动汽车充电需求负荷研究方法 |
CN111626514A (zh) * | 2020-05-29 | 2020-09-04 | 深圳供电局有限公司 | 一种电动汽车充电负荷预测方法及装置 |
CN112101624A (zh) * | 2020-08-13 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于arima的电动汽车随机充电需求预测及调度方法 |
CN112613682A (zh) * | 2020-12-29 | 2021-04-06 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种电动汽车充电负荷预测方法 |
CN112785050A (zh) * | 2021-01-12 | 2021-05-11 | 国网浙江省电力有限公司湖州供电公司 | 一种基于电动汽车充电负荷预测的有序充电调度方法 |
CN114239967A (zh) * | 2021-12-20 | 2022-03-25 | 深圳供电局有限公司 | 一种电动汽车负荷预测方法、***及存储介质 |
CN114580789A (zh) * | 2022-04-08 | 2022-06-03 | 东南大学 | 一种基于充电行为的多类型电动汽车负荷预测方法及*** |
CN114580789B (zh) * | 2022-04-08 | 2024-05-03 | 东南大学 | 一种基于充电行为的多类型电动汽车负荷预测方法及*** |
CN115098940A (zh) * | 2022-05-26 | 2022-09-23 | 南京邮电大学 | 一种基于时空特性的电动汽车出行仿真方法 |
CN116911461A (zh) * | 2023-07-20 | 2023-10-20 | 东北大学 | 一种电动汽车充电负荷预测方法、***及预测终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110968915A (zh) | 一种电动汽车充电负荷预测方法 | |
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 | |
CN107169273B (zh) | 计及延时和v2g充电模式的电动汽车充电功率预测方法 | |
CN110570014B (zh) | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 | |
CN110728396B (zh) | 一种考虑时空分布的电动汽车充电负荷综合建模方法 | |
CN107067110B (zh) | 车-路-网模式下电动汽车充电负荷时空预测方法 | |
CN110674575A (zh) | 一种基于时序出行集的电动汽车集群充电需求与放电能力模型建模方法 | |
CN103499792B (zh) | 电动汽车动力电池集群可用容量的预测方法 | |
CN106599390A (zh) | 一种计及电动出租车时空随机特性的充电负荷的计算方法 | |
CN105160428A (zh) | 高速公路电动汽车快速充电站的规划方法 | |
CN109460853B (zh) | 一种电动汽车充电负荷需求确定方法及*** | |
CN111400662B (zh) | 一种考虑电动汽车充电需求的空间负荷预测方法 | |
CN112785050A (zh) | 一种基于电动汽车充电负荷预测的有序充电调度方法 | |
Zhao et al. | A hybrid life cycle assessment of the vehicle-to-grid application in light duty commercial fleet | |
Wang et al. | Charging load forecasting of electric vehicle based on charging frequency | |
CN111047120A (zh) | 一种路-电耦合网络下电动汽车充电负荷预测方法 | |
CN110232219A (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
Goh et al. | Mid-and long-term strategy based on electric vehicle charging unpredictability and ownership estimation | |
Grahn et al. | Plug-in-vehicle mobility and charging flexibility Markov model based on driving behavior | |
CN116054316A (zh) | 一种基于混沌麻雀优化算法的电动汽车有序充放电方法 | |
Zhao et al. | Toward environmental sustainability: Data-driven analysis of energy use patterns and load profiles for urban electric vehicle fleets | |
Boulakhbar et al. | Electric vehicles arrival and departure time prediction based on deep learning: the case of Morocco | |
CN117458477A (zh) | 考虑分群优化模式下负荷聚合商参与的电动汽车调度方法 | |
Shepero et al. | Modelling charging of electric vehicles using mixture of user behaviours | |
CN117035357A (zh) | 一种电动出租车队在能源-交通中的充放电调度方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200407 |
|
WD01 | Invention patent application deemed withdrawn after publication |