CN111047120A - 一种路-电耦合网络下电动汽车充电负荷预测方法 - Google Patents

一种路-电耦合网络下电动汽车充电负荷预测方法 Download PDF

Info

Publication number
CN111047120A
CN111047120A CN202010052896.3A CN202010052896A CN111047120A CN 111047120 A CN111047120 A CN 111047120A CN 202010052896 A CN202010052896 A CN 202010052896A CN 111047120 A CN111047120 A CN 111047120A
Authority
CN
China
Prior art keywords
electric
charging
node
road
power
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
Application number
CN202010052896.3A
Other languages
English (en)
Other versions
CN111047120B (zh
Inventor
袁泉
汤奕
王�琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202010052896.3A priority Critical patent/CN111047120B/zh
Publication of CN111047120A publication Critical patent/CN111047120A/zh
Application granted granted Critical
Publication of CN111047120B publication Critical patent/CN111047120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation

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)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种路‑电耦合网络下电动汽车充电负荷预测方法，该方法首先提出电动汽车充电负荷预测方法，包括电动汽车单体充电负荷预测模型和电动汽车聚合充电负荷预测模型，在考虑道路、交通信息对电动汽车行驶行为产生影响的同时，准确预测电动汽车充电负荷的时空分布特性；然后提出路‑电耦合网络框架，运用实际道路及电网的网络拓扑进行抽象建模，并提出路‑电耦合网络负荷功率归算方法，将路网中的电动汽车充电功率与电网中电动汽车以外负荷功率耦合；最后验证运用上述负荷预测方法能够准确预测大规模电动汽车充电负荷的时空分布，为电网的规划与运行提供帮助。

Description

一种路-电耦合网络下电动汽车充电负荷预测方法
技术领域
本发明属于电力***规划与运行领域，具体来说，涉及一种路-电耦合网络下电动汽车充电负荷预测方法。
背景技术
随着全球化石能源枯竭和环境污染问题的日益严重，电动汽车因其节能减排效果良好而备受关注。同时，电动汽车技术的发展与政府的经济补贴导致电动汽车保有量快速增长成为了必然趋势，电动汽车充电负荷也将逐渐成为电网负荷的重要组成部分。然而在未来电动汽车保有量很高的情况下，大规模无序充电将为电网带来一定的负担，较大的功率冲击会导致电压偏移过大、电能质量下降等问题，严重时甚至影响电力***的安全稳定运行。因此，解决大规模电动汽车无序充电问题是电力***规划与运行中不可或缺的一环。
而对电动汽车进行合理调控的前提是准确预测电动汽车的充电负荷，其受包括日期、天气、交通流量及用户意愿在内的多种因素影响，具有一定的随机性和不确定性，如何准确评估电动汽车充电负荷的时空分布是研究的重难点所在。
目前，绝大多数关于电动汽车负荷预测的建模都只建立起静态的模型，缺乏对道路和交通信息的考虑，而事实上将路网与电网的信息结合才是准确评估电动汽车充电负荷时空分布所真正需要的。
发明内容
本发明的目的是为了解决上述问题，提供一种路-电耦合网络下电动汽车充电负荷预测方法，准确预测大规模电动汽车充电负荷的时空分布，为电网的规划与运行提供帮助。
为达到上述目的，本发明采用的技术方案是：一种路-电耦合网络下电动汽车充电负荷预测方法，包括以下步骤：
1.建立考虑道路交通信息的电动汽车单体充电负荷预测模型，具体建模过程如下：
1)建立路网拓扑及路网距离矩阵
将道路拓扑中的主干道交叉点抽象为路网节点s，其集合表示为
Figure BDA0002371828620000021
用距离矩阵表示相邻两个节点间的道路距离如下：
Figure BDA0002371828620000022
矩阵中Dij的值为节点ij间道路距离，Dij＝0时表示节点重合，Dij＝∞时表示节点不相连。
2)基于历史数据和蒙特卡洛模拟决定电动汽车的出发时间及地点
根据车流量统计数据得到某辆车在t时刻出现在s位置的概率为：
Figure BDA0002371828620000023
据此进行蒙特卡洛抽样决定第n辆车的出发位置
Figure BDA0002371828620000024
出发时间
Figure BDA0002371828620000025
其中n为车辆编号。
再用蒙特卡洛抽样法决定每辆车每趟出行的终点
Figure BDA0002371828620000026
行驶路径由Dijkstra算法找到最短路径，路径经过k个节点{S1,……,Sk}，且有
Figure BDA0002371828620000027
3)计算电动汽车到达终点时的时间与电量
vij,t为t时刻道路ij间的汽车平均行驶速度，单位km/h，与道路等级、时间、人均汽车保有量及道路车流量等因素密切相关，计算方法如下：
Figure BDA0002371828620000028
式中：α1、α2、α3及β为回归参数与修正系数，随道路等级变化；v0为各等级道路的设计车速，单位km/h；Cij,t表示道路ij间t时刻的交通流量，Cij,0为道路ij的通行能力，单位veh/h。
电动汽车t时刻剩余电量计算方法如下：
SOCt＝η(SOCt-1-Δl·ΔSOC)
式中：SOCt-1表示上一次电量检测时刻的电动汽车电量，Δl表示t-1到t时刻的行驶路程，ΔSOC为电动汽车每公里耗电量，η为电动汽车行驶能效系数，用来表示启动及刹车产生的能量损失。电动汽车行驶中每间隔一定时间段进行电量判断，当剩余电量小于一定值时电动汽车在最近的节点充电桩进行快速充电。
则到达终点的时间计算方法为：
Figure BDA0002371828620000031
式中：Dij,d表示途中第(d-1)个节点至第d个节点的路程距离，
Figure BDA0002371828620000032
表示这段路程中车辆的平均行驶速度。tcharge表示充电时长，twait表示充电排队时长，运用蒙特卡洛模拟抽样得出，当电量充足不需进行快速充电时，二者均为0。
2建立考虑电动汽车行为特性的电动汽车聚合充电负荷预测模型，具体建模过程如下：
1)电动汽车充电需求判断
Figure BDA0002371828620000033
若快速充电开始时刻为tf，快速充电持续Δtf，则令：
Figure BDA0002371828620000034
若慢速充电开始时刻为tg，慢速充电持续Δtg，则令：
Figure BDA0002371828620000035
2)建立私家车快速充电状态矩阵和慢速充电状态矩阵
Figure BDA0002371828620000041
Figure BDA0002371828620000042
Figure BDA0002371828620000043
为S×T的矩阵，
Figure BDA0002371828620000044
表示第n台私家车在s号节点t时刻正在进行快速充电。需注意，仅在私家车进行快速充电时
Figure BDA0002371828620000045
其余时间
Figure BDA0002371828620000046
且每个时刻t电动汽车只能在一个位置充电，即每列最多有1行出现1值。
Figure BDA0002371828620000047
为S×T的矩阵，
Figure BDA0002371828620000048
表示第n台私家车在s号节点t时刻正在进行慢速充电，仅在私家车进行慢速充电时
Figure BDA0002371828620000049
其余时间
Figure BDA00023718286200000410
同理，将所有上标替换为2表示第二类车的充电状态，即
Figure BDA00023718286200000411
与
Figure BDA00023718286200000412
分别为电动出租车的快充和慢充状态矩阵；上标替换为3则表示第三类车的充电状态，即
Figure BDA00023718286200000413
与
Figure BDA00023718286200000414
分别为电动公交车的快充和慢充状态矩阵。
3)建立大规模电动汽车聚合充电模型
Figure BDA00023718286200000415
式中：
Figure BDA00023718286200000416
为t时刻s节点处的充电负荷聚合功率。N1为电动私家车数量，N2为电动计程车数量，N3为电动公交车数量。由于第一类、第二类车都是小型车，统一设定其充电功率，
Figure BDA00023718286200000420
为电动乘用车快速充电时充电功率，
Figure BDA00023718286200000417
为电动乘用车慢充充电功率，
Figure BDA00023718286200000418
为电动公交车快速充电时的充电功率，
Figure BDA00023718286200000419
为电动公交车慢充充电功率。
3.进行路-电耦合网络构建及功率耦合运算，具体步骤如下：
1)建立路网电网耦合原则
定义符号
Figure BDA0002371828620000059
表示将路网节点s与电网节点z耦合，定义||s-z||为路网节点s与电网节点z之间的距离。路网节点数量r个，电网节点数量h个，定义路网-电网耦合节点
Figure BDA0002371828620000051
则耦合节点的数量y＝min(r,h)。
Figure BDA0002371828620000052
式中：Xi为第i个耦合节点，由第j个电网节点Zj与第k个路网节点Sk耦合得到，且Zj是距离Sk最近的一个电网节点。同时，由于可能出现多个路网节点对应一个电网节点的情况，必须考虑节点容量的限制。
Figure BDA0002371828620000053
为所有与Zj耦合的路网节点Sk中EV最大聚合充电功率之和。
Figure BDA0002371828620000054
为电网节点Zj中电动汽车以外负荷的最大用电功率，二者之和必须小于Zj的额定功率
Figure BDA0002371828620000055
若Sk-1耦合进Zj时能满足节点容量限制，而Sk耦合进Zj时不能满足节点容量限制，则为Sk寻找次最近的电网节点
Figure BDA0002371828620000056
即当：
Figure BDA0002371828620000057
时
Figure BDA0002371828620000058
若仍不能满足节点的容量限制，则再寻找下一个最近的电网节点，以此类推。
2)提出路-电耦合网络功率计算公式
每个耦合节点的负荷功率为路网节点电动汽车充电总功率与电网节点非电动汽车设备用电总功率之和，满足下式：
Figure BDA0002371828620000061
本发明与现有技术相比，具有以下优点：
本发明考虑交通信息对电动汽车行驶行为和充电需求的影响，能够更准确地评估电动汽车充电负荷的时空分布特性，有助于电网对大规模电动汽车无序充电负荷进行合理调度，对电网的规划与运行有意义。
附图说明
图1为路-电耦合网络及其交互影响示意图；
图2为某实际路-电耦合网络简化拓扑图；
图3为电动汽车充电负荷时空分布的预测结果。
具体实施方式
下面参照附图并结合实施例对本发明作进一步详细描述。应当说明的是，所给实施例中以电动私家车、电动出租车和电动公交车作为充电负荷预测的对象，但是本发明不限于所给出的实施例，设定不同的电动汽车类型只对充电功率大小有影响，其原理都是相同的。只要是依照本文所提路-电耦合思路及负荷预测方法所做的工作均在保护范围内。
本实施例选取某城市为研究对象，基于道路拓扑及电网拓扑建立了路-电耦合网络(耦合网络拓扑图见附图2)，包含43个耦合节点。
将电动汽车类型分为3种类型，每种类型的电动汽车具有不同的行为规律。第一类为电动乘用车，多为私家车或工作用车，其出行具有一定规律且慢速充电功率小，一般在10kW一下，快充功率较小，一般在50kW左右；第二类为电动出租车，其出行较无规律，充电功率与第一类车几乎相同；第三类为电动公交车，其出行虽具有一定规律，但慢充功率较大，一般在60kW左右，快充功率很大，有的甚至超过400kW，此处取平均值200kW。
基于该市现有电动汽车保有量及逐年增长率估算2020年投入使用的各类型电动汽车数量。该市预计2020年电动私家车保有量130000辆、电动出租车10000辆、电动公交车7000辆。基于该市不同地区的人口密度及功能情况(如商业区、工业区等)进行聚合充电负荷的时空预测，最终结果如图2所示。
可以看出：1)各节点的聚合充电负荷有较大差异，以10～16号节点的充电负荷最多，这是由于10～16号节点地处商业圈密度最多的位置，用电负荷高；
2)各节点的一日内聚合充电负荷曲线形状相似，出现低谷与峰值的时间接近，均在18：00～次日2：00出现充电负荷高峰，而2：00～6：00是负荷低谷。说明2：00～6：00时具有很高的调度潜力，若能够将18：00～次日2：00的负荷部分转移至此时间段将有利于电网削峰填谷、平抑负荷波动，增强电网运行的安全稳定性。

Claims (4)

1.一种路-电耦合网络下电动汽车充电负荷预测方法，其特征在于，包括如下步骤：
步骤1：考虑道路与交通信息建立电动汽车单体充电负荷预测模型；
步骤2：考虑不同种类电动汽车的行为特性建立电动汽车聚合充电负荷预测模型；
步骤3：基于实际路网、电网拓扑和聚合充电负荷时空分布，建立路-电耦合网络并进行功率耦合运算。
2.根据权利要求1所述的路-电耦合网络下电动汽车充电负荷预测方法，其特征在于：所述的步骤1中的电动汽车单体充电负荷预测模型的建立，具体实现过程如下：
1-1)建立路网拓扑及路网距离矩阵
将道路拓扑中的主干道交叉点抽象为路网节点s，其集合表示为
Figure FDA0002371828610000011
用距离矩阵表示相邻两个节点间的道路距离如下：
Figure FDA0002371828610000012
矩阵中Dij的值为节点ij间道路距离，Dij＝0时表示节点重合，Dij＝∞时表示节点不相连；
1-2)基于历史数据和蒙特卡洛模拟决定电动汽车的出发时间及地点
根据车流量统计数据得到某辆车在t时刻出现在s位置的概率为：
Figure FDA0002371828610000013
据此进行蒙特卡洛抽样决定第n辆车的出发位置
Figure FDA0002371828610000014
出发时间
Figure FDA0002371828610000015
其中n为车辆编号；
再用蒙特卡洛抽样法决定每辆车每趟出行的终点
Figure FDA0002371828610000021
行驶路径由Dijkstra算法找到最短路径，路径经过k个节点{S1,……,Sk}，且有
Figure FDA0002371828610000022
1-3)计算电动汽车到达终点时的时间与电量
vij,t为t时刻道路ij间的汽车平均行驶速度，单位km/h，与道路等级、时间、人均汽车保有量及道路车流量等因素密切相关，计算方法如下：
Figure FDA0002371828610000023
式中：α1、α2、α3及β为回归参数与修正系数，随道路等级变化；v0为各等级道路的设计车速，单位km/h；Cij,t表示道路ij间t时刻的交通流量，Cij,0为道路ij的通行能力，单位veh/h；
电动汽车t时刻剩余电量计算方法如下：
SOCt＝η(SOCt-1-Δl·ΔSOC)
式中：SOCt-1表示上一次电量检测时刻的电动汽车电量，Δl表示t-1到t时刻的行驶路程，ΔSOC为电动汽车每公里耗电量，η为电动汽车行驶能效系数，用来表示启动及刹车产生的能量损失。电动汽车行驶中每间隔一定时间段进行电量判断，当剩余电量小于一定值时电动汽车在最近的节点充电桩进行快速充电；
则到达终点的时间计算方法为：
Figure FDA0002371828610000024
式中：Dij,d表示途中第(d-1)个节点至第d个节点的路程距离，
Figure FDA0002371828610000025
表示这段路程中车辆的平均行驶速度。tcharge表示充电时长，twait表示充电排队时长，运用蒙特卡洛模拟抽样得出，当电量充足不需进行快速充电时，二者均为0。
3.根据权利要求1所述的路-电耦合网络下电动汽车充电负荷预测方法，其特征在于：步骤2的具体方法为：将不同种类电动汽车分为电动私家车、电动出租车及电动公交车这三种具有不同行为规律的类型，对每种类型车进行电量及充电需求判断，得到快速充电状态矩阵和慢速充电状态矩阵，并通过聚合模型计算出电动汽车聚合充电负荷；
(2-1)电动汽车充电状态判断如下：
Figure FDA0002371828610000031
若快速充电开始时刻为tf，快速充电持续Δtf，则令：
Figure FDA0002371828610000032
若慢速充电开始时刻为tg，慢速充电持续Δtg，则令：
Figure FDA0002371828610000033
(2-2)建立私家车快速充电状态矩阵
Figure FDA0002371828610000034
和慢速充电状态矩阵
Figure FDA0002371828610000035
Figure FDA0002371828610000036
Figure FDA0002371828610000037
Figure FDA0002371828610000038
为S×T的矩阵，
Figure FDA0002371828610000039
表示第n台私家车在s号节点t时刻正在进行快速充电；仅在私家车进行快速充电时
Figure FDA00023718286100000310
其余时间
Figure FDA00023718286100000311
且每个时刻t电动汽车只能在一个位置充电，即每列最多有1行出现1值；
Figure FDA00023718286100000312
为S×T的矩阵，
Figure FDA00023718286100000313
表示第n台私家车在s号节点t时刻正在进行慢速充电，仅在私家车进行慢速充电时
Figure FDA00023718286100000314
其余时间
Figure FDA00023718286100000315
将所有上标替换为2表示第二类车的充电状态，即
Figure FDA00023718286100000316
与
Figure FDA00023718286100000317
分别为电动出租车的快充和慢充状态矩阵；上标替换为3则表示第三类车的充电状态，即
Figure FDA0002371828610000041
与
Figure FDA0002371828610000042
分别为电动公交车的快充和慢充状态矩阵；
(2-3)建立大规模电动汽车聚合充电模型：
Figure FDA0002371828610000043
式中：
Figure FDA0002371828610000044
为t时刻s节点处的充电负荷聚合功率。N1为电动私家车数量，N2为电动计程车数量，N3为电动公交车数量。由于第一类、第二类车都是小型车，统一设定其充电功率，
Figure FDA0002371828610000045
为电动乘用车快速充电时充电功率，
Figure FDA0002371828610000046
为电动乘用车慢充充电功率，
Figure FDA0002371828610000047
为电动公交车快速充电时的充电功率，
Figure FDA0002371828610000048
为电动公交车慢充充电功率。
4.根据权利要求1所述的路-电耦合网络功率耦合计算方法，其特征在于：所述的步骤3的具体方法为：
以区域电网内110kV母线作为电网节点
Figure FDA0002371828610000049
将电网节点与路网节点按照同时考虑地理位置与节点容量的原则进行耦合；
定义符号
Figure FDA00023718286100000410
表示将路网节点s与电网节点z耦合，定义||s-z||为路网节点s与电网节点z之间的距离。路网节点数量r个，电网节点数量h个，定义路网-电网耦合节点
Figure FDA00023718286100000411
则耦合节点的数量y＝min(r,h)；
Figure FDA00023718286100000412
Figure FDA00023718286100000413
Figure FDA00023718286100000414
式中：Xi为第i个耦合节点，由第j个电网节点Zj与第k个路网节点Sk耦合得到，且Zj是距离Sk最近的一个电网节点。同时，由于可能出现多个路网节点对应一个电网节点的情况，必须考虑节点容量的限制。
Figure FDA00023718286100000415
为所有与Zj耦合的路网节点Sk中EV最大聚合充电功率之和。
Figure FDA00023718286100000416
为电网节点Zj中电动汽车以外负荷的最大用电功率，二者之和必须小于Zj的额定功率
Figure FDA0002371828610000051
若Sk-1耦合进Zj时能满足节点容量限制，而Sk耦合进Zj时不能满足节点容量限制，则为Sk寻找次最近的电网节点
Figure FDA0002371828610000052
即当：
Figure FDA0002371828610000053
时
Figure FDA0002371828610000054
Figure FDA0002371828610000055
Figure FDA0002371828610000056
若仍不能满足节点的容量限制，则再寻找下一个最近的电网节点，以此类推；
则每个耦合节点的负荷功率为路网节点电动汽车充电总功率与电网节点非电动汽车设备用电总功率之和，满足下式：
Figure FDA0002371828610000057
CN202010052896.3A 2020-01-17 2020-01-17 一种路-电耦合网络下电动汽车充电负荷预测方法 Active CN111047120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010052896.3A CN111047120B (zh) 2020-01-17 2020-01-17 一种路-电耦合网络下电动汽车充电负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010052896.3A CN111047120B (zh) 2020-01-17 2020-01-17 一种路-电耦合网络下电动汽车充电负荷预测方法

Publications (2)

Publication Number Publication Date
CN111047120A true CN111047120A (zh) 2020-04-21
CN111047120B CN111047120B (zh) 2024-02-06

Family

ID=70230682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010052896.3A Active CN111047120B (zh) 2020-01-17 2020-01-17 一种路-电耦合网络下电动汽车充电负荷预测方法

Country Status (1)

Country Link
CN (1) CN111047120B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815017A (zh) * 2020-05-29 2020-10-23 国网山东省电力公司经济技术研究院 一种基于出行数据的电动汽车充电负荷预测方法
CN112508364A (zh) * 2020-11-26 2021-03-16 东南大学 一种电动汽车充电决策的权重量化方法
CN112736945A (zh) * 2020-12-17 2021-04-30 国网浙江省电力有限公司嘉兴供电公司 一种基于动态电价的电动汽车充电调控方法及终端
CN114707292A (zh) * 2022-01-21 2022-07-05 东北电力大学 含电动汽车配电网电压稳定性分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067110A (zh) * 2017-04-14 2017-08-18 天津大学 车‑路‑网模式下电动汽车充电负荷时空预测方法
CN108510128A (zh) * 2018-04-11 2018-09-07 华南理工大学广州学院 一种区域电动汽车充电负荷时空分布预测方法
CN108681795A (zh) * 2018-05-23 2018-10-19 华南理工大学 城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法
CN110059937A (zh) * 2019-03-29 2019-07-26 四川大学 一种集成电动汽车全轨迹空间的负荷建模方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067110A (zh) * 2017-04-14 2017-08-18 天津大学 车‑路‑网模式下电动汽车充电负荷时空预测方法
CN108510128A (zh) * 2018-04-11 2018-09-07 华南理工大学广州学院 一种区域电动汽车充电负荷时空分布预测方法
CN108681795A (zh) * 2018-05-23 2018-10-19 华南理工大学 城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法
CN110059937A (zh) * 2019-03-29 2019-07-26 四川大学 一种集成电动汽车全轨迹空间的负荷建模方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815017A (zh) * 2020-05-29 2020-10-23 国网山东省电力公司经济技术研究院 一种基于出行数据的电动汽车充电负荷预测方法
CN112508364A (zh) * 2020-11-26 2021-03-16 东南大学 一种电动汽车充电决策的权重量化方法
CN112508364B (zh) * 2020-11-26 2024-04-05 东南大学 一种电动汽车充电决策的权重量化方法
CN112736945A (zh) * 2020-12-17 2021-04-30 国网浙江省电力有限公司嘉兴供电公司 一种基于动态电价的电动汽车充电调控方法及终端
CN112736945B (zh) * 2020-12-17 2022-09-13 国网浙江省电力有限公司嘉兴供电公司 一种基于动态电价的电动汽车充电调控方法
CN114707292A (zh) * 2022-01-21 2022-07-05 东北电力大学 含电动汽车配电网电压稳定性分析方法
CN114707292B (zh) * 2022-01-21 2024-05-24 东北电力大学 含电动汽车配电网电压稳定性分析方法

Also Published As

Publication number Publication date
CN111047120B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
Hou et al. A hierarchical energy management strategy for hybrid energy storage via vehicle-to-cloud connectivity
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
CN111047120B (zh) 一种路-电耦合网络下电动汽车充电负荷预测方法
CN107067110B (zh) 车-路-网模式下电动汽车充电负荷时空预测方法
Chen et al. Particle swarm optimization-based optimal power management of plug-in hybrid electric vehicles considering uncertain driving conditions
CN109034648B (zh) 一种电动汽车集群需求响应潜力评估方法
Chen et al. An on-line predictive energy management strategy for plug-in hybrid electric vehicles to counter the uncertain prediction of the driving cycle
CN105160428A (zh) 高速公路电动汽车快速充电站的规划方法
CN111400662B (zh) 一种考虑电动汽车充电需求的空间负荷预测方法
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
CN103499792B (zh) 电动汽车动力电池集群可用容量的预测方法
CN104184190A (zh) 一种电动汽车动态充电路径规划方法
CN106526492A (zh) 计及时变环境温度影响的锂电池退化建模及寿命预测方法
CN113255135A (zh) 一种基于交通均衡的电动汽车快速充电负荷模拟方法
CN111199300A (zh) 一种“车-路-网”模式下电动汽车充电负荷时空预测方法
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
CN114021391A (zh) 基于动态能耗与用户心理的电动汽车充电负荷预测方法
Das et al. Eco-routing navigation systems in electric vehicles: A comprehensive survey
He et al. Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation
CN110705746A (zh) 电动出租车快速充电站优化配置方法
CN112550050B (zh) 一种电动汽车充电方法和***
CN112330025B (zh) 用于城市电动汽车的时空充电负荷的预测方法
CN110516372B (zh) 计及准动态交通流的电动汽车荷电状态时空分布模拟方法
Liao et al. Load modeling for electric taxi battery charging and swapping stations: Comparison studies
CN103701176A (zh) 一种电动汽车快、慢速充电设施配置比例的计算方法

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
GR01 Patent grant
GR01 Patent grant