CN111242403A - 一种充电站充电负荷预测方法、装置设备及存储介质 - Google Patents
一种充电站充电负荷预测方法、装置设备及存储介质 Download PDFInfo
- Publication number
- CN111242403A CN111242403A CN201911088108.XA CN201911088108A CN111242403A CN 111242403 A CN111242403 A CN 111242403A CN 201911088108 A CN201911088108 A CN 201911088108A CN 111242403 A CN111242403 A CN 111242403A
- Authority
- CN
- China
- Prior art keywords
- charging
- charging station
- charged
- load
- target area
- 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 34
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims description 73
- 238000010276 construction Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 17
- 238000004088 simulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Navigation (AREA)
Abstract
本发明所示的充电站充电负荷预测方法、装置计算机设备及存储介质,通过计算用户前往不同站点进行充电所需的时间,模拟用户的充电站点选择行为,以确定区域内各充电站在不同时刻的待充车辆,完成各充电站充电负荷的准确预测,首先基于预先提取的目标区域内交通信息特征量以及预先建立的最短行驶距离的最优路径选择,待确定待充电电动汽车用户充电总时间后,通过模拟待充电电动汽车的充电站选择行为,构建充电站负荷函数矩阵,从而获取目标区域内各充电站的充电负荷曲线,以为电动汽车充电行为的实时调度提供依据。
Description
技术领域
本发明涉及一种区域内配电网各电动汽车充电站充电负荷预测方法、装置设备及存储介质。
背景技术
电动汽车作为一种新型的交通运输工具,能够有效的减少环境污染,降低传统 燃油汽车的尾气排放和化石能源的消耗,推广电动汽车在建设环境友好型、可持续 发展型社会方面具有重要的战略意义。
随着电动汽车的大量普及,充电成为电动汽车用户的刚性需求,充电站等基础 设施的建设也是电动汽车产业发展的基础。但是,由于电动汽车充电功率较大,大 规模电动汽车无序接入电网充电时,会给电网的安全稳定运行带来严重影响。如果 能够预测电动汽车用户的充电行为,确定目标电网区域内各充电站在不同时刻充电 负荷的大小,在结合常规负荷波动情况的基础上,制定电动汽车充电行为的实时调 度和全局控制策略,将有望实现电动汽车充电行为的有序性,降低充电负荷接入电 网所造成的冲击,改善配电网的潮流分布,提高电能质量和供电可靠性。
目前在充电负荷预测方面的研究,主要集中在基于出行链的负荷建模,通过蒙 特卡诺模拟获取电动汽车充电负荷的时空分布规律等方面。但是,上述研究分析的 是区域内配网充电负荷的总体特征,当目标区域内存在多个充电站时,在不同时刻, 对处于不同地理位置、具有不同剩余电量(SOC,State of Charge)的电动汽车而 言,其选择充电站的位置存在差异,因此各个充电站的充电负荷状况也有所不同。 为此,有必要进行不同电动汽车充电站充电负荷预测。
发明内容
本发明的目的是提供一种充电站充电负荷预测方法、装置设备及存储介质,用于解决现有技术存在的问题。
为实现上述目的,本发明的具体技术方案如下:
本发明提供了一种充电站充电负荷预测方法,包括:
(1)目标区域内交通信息特征量提取:获取目标区域路网中的交通节点与充电站的 数量以及地理位置信息,并依据充电站距离交通节点最近的原则建立目标区域中充电站 与的对应最近交通节点之间的映射关系,以确定目标区域中任一充电站r所对应的交通节点nr,其中,所述目标区域内充电站总数为P,r∈[1,P],交通节点总数为N,目标区域 内各交通节点从1到N分别进行编号,nr∈[1.N];
(2)最优行驶路径选择:以行驶路径最短为原则,建立目标区域中任意交通节点i到 任意交通节点j之间的最优行驶路径的导航集合,其中i,j∈[1,N];
(3)待充电电动汽车数量确定:获取目标区域内所有电动汽车的当前地理位置、电池剩余电量SOC、行驶目的地位置,将所述SOC低于预设值的汽车定义为待充电电动汽车,并确定目标区域内所述待充电电动汽车总数M;
(4)最优充电站选择及充电负荷函数构建:对待充电汽车k执行如下循环处理,直至完成目标区域内M个待充电电动汽车的最优充电站选择和充电负荷函数构建,其中,k 为待充电电动汽车的编号;
(4-1)根据所述待充电汽车k的当前地理位置以及行驶目的地位置,确定所述待充电汽车k当前在路网中交通节点编号ik以及目的地交通节点编号jk,
(4-2)根据所述导航集合以及所述映射关系以及可达性判据,对目标区域内P个充电站分别进行可达性判断,以确定待充电汽车k的所有的可达充电站Aw,所述可达性判 据为:
其中,所述Spath·ir为交通节点i到交通节点nr的最优路径的路程长度、C为待充电汽 车k行驶单位路程长度的剩余电量消耗百分比,SOCk为所述待充电汽车k的电池剩余电量;
(4-3)确定待充电汽车k到各个可达充电站AW进行充电所需的充电总时间集合{tsum·1,tsum·2,tsum·3,…,tsum·Aw},并将充电总时间最小数值对应的可达充电站作为待充电汽 车k的目标充电站,
其中,tsum·k==td·k+tw·k+tc·k
其中td·k为电动汽车从当前位置行驶到充电站,再从充电站行驶到目的地所需的时间, tw·k为电动汽车在充电站内的排队时间,tc·k为电动汽车在充电站内的充电时间;
(4-4)以t=0作为当前时刻,构建待充电汽车k的目标充电站的负荷函数矩阵:
Mload·k=[0,…,0,p(k),0,…0]
其中,Mload·k为1行、P列的矩阵,p(k)为待充电汽车k到所述目标充电站充电时 所述目标充电站所对应的负荷特性函数,p为所述目标充电站对应的编号:
其中,tstart为待充电汽车k的充电起始时间,tw·k和tc·k分别为待充电汽车k的充电排 队时间和充电时间,Pc为所述电动汽车的充电电能百分比;
(4-5)令k=k+1,重复步骤(4-1)~(4-4),直到k=M,完成目标区域内所有待充电电 动汽车的最优充电站选择和充电负荷函数构建,得到M个充电站负荷函数矩阵 {Mload·1,Mload·2,…,Mload·M};
(5)目标区域内各充电站的充电总负荷函数确定,对所述M个充电站负荷函数矩阵进行求和,获取目标区域内各充电站的充电总负荷函数矩阵Msum:
其中,Msum为1行、P列的矩阵,其第p列的函数即为目标区域内第p个充电站充电负荷预测状况。
作为一优选方案,所述步骤(3)中,经由5G、微波、调频中的一种无线通信方式 从电动汽车车载定位导航***及区域配网车辆信息监控***中,获取该区域内所有电动 汽车的当前地理位置、电池剩余电量SOC以及行驶目的地的实时信息。
作为一优选方案,对于所述Aw个可达充电站,分别经由下述公式确定所述待充电汽车k的td·kAw的数值以确定所述td·k的大小:
td·kAw为待充电汽车k从其当前位置行驶到Aw号节点充电站充电,再从Aw号节点充电站行驶到目的地所需的时间;ik和jk分别为待充电汽车k的当前位置和目的地位置的交通节点编号;为节点ik和节点Aw之间的最优路径的路程;为节点Aw和节点 jk之间的最优路径的路程,上述最优路程均从步骤(2)中的导航集合中获取;v为电动汽车 平均车速。
进一步的,所述SOCend的取值为0.9~0.95电池额定电量。
作为一优选方案,所述电动汽车k在充电站的排队时间tw·k为预设数值。
作为一优选方案,所述步骤(4-2)中,Spath·ir为交通节点i到交通节点nr的最优路径 的路程长度的确定包括如下步骤:
依据所述映射关系确定充电站r所对应交通节点nr;
经由所述导航集合,确定交通节点i到所述交通节点nr的最优路径的路程长度。
本发明还提供了一种充电站充电负荷预测装置,包括:
交通信息特征量提取模块,用于获取目标区域路网中的交通节点与充电站的数量以 及地理位置信息,并依据充电站距离交通节点最近的原则建立目标区域中充电站与的对 应最近交通节点之间的映射关系,以确定目标区域中任一充电站r所对应的交通节点nr, 其中,所述目标区域内充电站总数为P,r∈[1,P],交通节点总数为N,目标区域内各交通 节点从1到N分别进行编号,nr∈[1.N];
最优行驶路径选择模块,用于以行驶路径最短为原则,建立目标区域中任意交通节 点i到任意交通节点j之间的最优行驶路径的导航集合,其中i,j∈[1,N];
待充电电动汽车数量确定模块,用于获取目标区域内所有电动汽车的当前地理位置、 电池剩余电量SOC、行驶目的地位置,将所述SOC低于预设值的汽车定义为待充电电动汽 车,并确定目标区域内所述待充电电动汽车总数M;
最优充电站选择及充电负荷函数构建模块,用于对待充电汽车k执行如下循环处理, 直至完成目标区域内M个待充电电动汽车的最优充电站选择和充电负荷函数构建,其中, k为待充电电动汽车的编号,包括
目标交通节点获取子模块,用于根据所述待充电汽车k的当前地理位置以及行驶目 的地位置,确定所述待充电汽车k当前在路网中交通节点编号ik以及目的地交通节点编号jk。
可达充电站获取子模块,用于根据所述导航集合以及所述映射关系以及可达性判据, 对目标区域内P个充电站分别进行可达性判断,以确定待充电汽车k的所有的可达充电站Aw,所述可达性判据为:
其中,所述Spath·ir为交通节点i到交通节点nr的最优路径的路程长度、C为行驶单位路 程长度待充电汽车k的剩余电量消耗百分比;
目标充电站确定子模块,用于确定待充电汽车k到各个可达充电站Aw进行充电所需 的充电总时间集合{tsum·1,tsum·2,tsum·3,…,tsum·Aw},并将充电总时间最小数值对应的可达充 电站作为待充电汽车k的目标充电站,其中,
tsum·k==td·k+tw·k+tc·k
td·k为电动汽车从当前位置行驶到充电站,再从充电站行驶到目的地所需的时间,tw·k为电动汽车在充电站内的排队时间,tc·k为电动汽车在充电站内的充电时间;
目标充电站负荷函数矩阵构建子模块,用于以t=0作为当前时刻,构建待充电汽车 k的目标充电站的负荷函数矩阵:
Mlood·k=[0,…,0,p(k),0,…0]
其中,Mload·k为1行、P列的矩阵,P为目标区域内的充电站总数目。p(k)为待充电 汽车k到所述目标充电站充电时所述目标充电站所对应的负荷特性函数,p为所述目标充 电站对应的编号:
其中,tstart为待充电汽车k的充电起始时间,tw·k和tc·k分别为待充电汽车k的充电排 队时间和充电时间,Pc为所述电动汽车的充电电能百分比;
充电站负荷函数矩阵构建子模块,用于完成目标区域内所有待充电电动汽车的最优 充电站选择和充电负荷函数构建,得到M个充电站负荷函数矩阵 {Mload·1,Mload·2,…,Mload·M};
充电站充电总负荷函数确定模块,用于对所述M个充电站负荷函数矩阵进行求和,获取目标区域内各充电站的充电总负荷函数矩阵Msum:
其中,Msum为1行、P列的矩阵,第p列的函数即为目标区域内第p个充电站充电 负荷预测状况。
作为一优选方案,所述待充电电动汽车数量确定模块中,经由5G、微波、调频中的一种无线通信方式从电动汽车车载定位导航***及区域配网车辆信息监控***中,获取该区域内所有电动汽车的当前地理位置、电池剩余电量SOC以及行驶目的地的实时信息。
作为一优选方案,所述目标充电站确定子模块中,对于所述Aw个可达充电站,分别经由下述公式确定所述待充电汽车k的td·kAw的数值以确定所述td·k的大小:
td·kAw为待充电汽车k从其当前位置行驶到Aw号节点充电站充电,再从Aw号节点充电站行驶到目的地所需的时间;ik和jk分别为待充电汽车k的当前位置和目的地位置的交通节点编号;为节点ik和节点Aw之间的最优路径的路程;为节点Aw和节点jk之间的最优路径的路程,上述最优路程均从步骤(2)中的导航集合中获取;v为电动汽车 平均车速。
进一步的,所述SOCend的取值为0.9~0.95电池额定电量。
作为一优选方案,所述目标充电站确定子模块中,所述电动汽车k在充电站的排队时间tw·k为预设数值。
作为一优选方案,所述可达充电站获取子模块中,Spath·ir为交通节点i到交通节点nr的 最优路径的路程长度的确定包括:
依据所述映射关系确定充电站r所对应交通节点nr;
经由所述导航集合,确定交通节点i到所述交通节点nr的最优路径的路程长度。
本发明所提供的一种充电站充电负荷预测方法、装置设备及存储介质,基于提 取的目标区域内交通信息特征量以及预先建立的最短行驶距离的最优路径选择,确 定待充电电动汽车用户充电总时间后,通过模拟待充电电动汽车的充电站选择行为, 构建充电站负荷函数矩阵;从而获取目标区域内各充电站的充电负荷曲线,以为电 动汽车充电行为的实时调度提供依据。具体而言,当目标区域内存在多个可选充电 站时,通过对路网交通***中处于不同位置的电动汽车进行充电行为模拟,计算待 充电电动汽车在路途上所耗费的行驶时间、在充电站的排队时间、充满电所需的服 务时间、以及从充电站到达目的地的行驶时间,将上述所有时间进行求和,得到电 动汽车在不同充电站完成充电所需的充电总时间,从中选出耗时最小的站点作为该 台电动汽车的最佳充电站点,针对各台电动汽车制定对应的最佳充电站点后,获取 各充电站的充电负荷曲线,以为电动汽车充电行为的实时调度提供依据。
附图说明
图1为本发明实施例提供的充电站充电负荷预测方法的工作流程示意图;
图2为本发明实施例提供的问句实充电站充电负荷预测装置的结构示意图;
图3为本发明实施例提供的计算机设备的结构示意图。
具体实施方式
为利于对本发明的结构的了解,以下结合附图及实施例进行说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明, 并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性 劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本发明提供了一种区域内配电网电动汽车的充电站充电负荷预测方法,通过计算用 户前往不同站点进行充电所需的时间,模拟用户的充电站点选择行为,以确定区域 内各充电站在不同时刻的待充车辆,完成各充电站充电负荷的准确预测。
本发明所示的一种充电站充电负荷预测方法包括:
(1)交通信息特征量提取,获取目标区域路网中的交通节点以及充电站的各自的数 量和地理位置,依据充电站距离交通节点最近的原则建立目标区域中充电站与对应最近 交通节点之间的映射关系,以确定目标区域中任一充电站r所对应的交通节点nr,其中,所述目标区域内充电站总数为P,r∈[1,P],交通节点总数为N,目标区域内各交通节点 从1到N分别进行编号,nr∈[1,N];本实施例中,可直接应用的实时地图和车载导航 ***获取目标区域路网中的交通节点与充电站的数量以及地理位置信息。
(2)最优行驶路径选择,以行驶路径最短为原则,建立目标区域中任意交通节点i到 任意交通节点j之间的最优行驶路径的导航集合,其中i,j∈[1,N];本实施例中,通过计算 交通节点i到任意交通节点j之间的路程距离来确定最优行驶路径的,即利用实时地图和 车载导航***,将交通节点i到任意交通节点j之间行驶路径最短的线路作为最优路径。
(3)待充电电动汽车数量确定,获取目标区域内所有电动汽车的当前地理位置、电池剩余电量SOC、行驶目的地位置,将所述电池剩余电量SOC低于预设值的汽车定义为 待充电电动汽车,确定目标区域内所述待充电电动汽车总数M;
(4)最优充电站选择及充电负荷函数构建,对待充电汽车k执行如下循环处理,直至完成目标区域内M个待充电电动汽车的最优充电站选择和充电负荷函数构建,其中, k为待充电电动汽车的编号,k∈[1,M];
(4-1)根据所述待充电汽车k的当前地理位置以及行驶目的地位置,确定所述待充电汽车k当前在路网中交通节点编号ik以及目的地交通节点编号jk,
(4-2)根据所述导航集合以及所述映射关系以及可达性判据,对目标区域内P个充电站分别进行可达性判断,以确定待充电汽车k的所有的可达充电站Aw,其中,可达性 判据为:
所述Spath·ir为交通节点i到充电站r所对应交通节点nr的最优路径的路程长度、SOCk为所述待充电汽车k的电池剩余电量C为待充电汽车k行驶单位路程长度的剩余电量消耗百分比,该百分比对于某一类型电动汽车为一确定数值,出厂时由生产厂家确定以北 汽E150EV电动汽车为例,其耗电量为百公里15kW·h,电池容量为25.6kW·h,因此 其即行驶每公里消耗0.586%的电量;
(4-3)确定待充电汽车k到各个可达充电站Aw进行充电所需的充电总时间集合{tsum·1,tsum·2,tsum·3,…,tsum·Aw},并将充电总时间最小数值对应的可达充电站作为待充电汽车 k的目标充电站,
其中,tsum·k==td·k+tw·k+tc·k
td·k为待充电汽车k从当前位置行驶到可达充电站Aw,再从可达充电站Aw行驶到目的地 所需的时间,tw·k为电动汽车在可达充电站Aw内的排队时间,tc·k为电动汽车在可达充电 站Aw内的充电时间;
(4-4)以t=0作为当前时刻,构建待充电汽车k的目标充电站的负荷函数矩阵:
Mlccd·k=[0,…,0,p(k),0,…0]
其中,Mload·k为1行、P列的矩阵,P为目标区域内的充电站总数目,p(k)为待充电汽车 k到所述目标充电站充电时,所述目标充电站对应的负荷特性函数,p为所述目标充电站对应的编号:
其中,tstart为待充电汽车k的充电起始时间,tw·k和tc·k分别为待充电汽车k的充电排 队时间和充电时间,Pc为所述待充电汽车k的充电电能百分比;
(4-5)令k=k+1,重复步骤(4-1)~(4-4),直到k=M,完成目标区域内所有待充电汽 车的目标充电站选择和充电负荷函数构建,得到M个充电站负荷函数矩阵 {Mload·1,Mload·2,…,Mload·M};
(5)充电站充电总负荷函数确定,对所述M个充电站负荷函数矩阵进行求和,获 取目标区域内各充电站的充电总负荷函数矩阵Msum:
其中,Msum为1行、P列的矩阵,第p列的函数即为目标区域内第p个充电站充电 负荷预测状况。
本发明所示的一种区域内配电网各电动汽车充电站充电负荷预测方法,在目标区域内存在多个可选充电站时,对路网交通***中处于不同位置的电动汽车进行充 电行为模拟,在电动汽车剩余电量达到充电需求时,首先筛选出剩余电量可达范围 内的充电站,并计算电动汽车在路途上所耗费的行驶时间、在充电站的排队时间、 充满电所需的服务时间、以及从充电站到达目的地的行驶时间,将上述所有时间进 行求和,得到电动汽车在不同充电站完成充电所需的充电总时间,从中选出耗时最 小的站点作为该台电动汽车的最佳充电站点。在确定目标区域内所有电动汽车的充 电站点后,即可得到各充电站的充电负荷曲线。
作为一优选方案,所述步骤3中,从电动汽车车载定位导航***及区域配网车 辆信息监控***中,经由5G、微波、调频中的一种无线通信方式获取该区域内所有 电动汽车的当前地理位置、电池剩余电量(SOC)、行驶目的地信息。
作为一优选方案,所述步骤3中,所述Spath·ir的获取包括以下步骤:首先依据所 述映射关系确定充电站r所对应交通节点nr,在经由所述导航集合,确定交通节点i到 所述交通节点nr的最优路径的路程长度,该路程长度即为交通节点i到充电站r之间的 最优路径的路程长度。
作为一优选方案,所述步骤3中,筛选出SOC低于20%的车辆,定义为需要进 行充电的车辆。
作为一优选方案,所述步骤4中,所述td·k的计算依据如下:
其中td·kAw为待充电汽车k从其当前位置行驶到Aw号节点充电站充电,再从Aw号节点充电站行驶到目的地所需的时间;ik和jk分别为待充电汽车k的当前位置和目 的地位置的交通节点编号;为节点ik和节点Aw之间的最优路径的路程;为 节点Aw和节点jk之间的最优路径的路程,上述最优路程均从步骤(2)中的导航集合中 获取;v为电动汽车平均车速,对于总共Aw个可达充电站,分别计算待充电汽车k 的td·kAw后,然后与tc·k和tw·k相加求和,以确定待充电汽车k到各个可达充电站Aw进行 充电所需的充电总时间集合
以待充电汽车k从当前位置行驶至1号节点充电站充电举例说明,待充电汽车 k从其当前位置行驶到1号节点充电站充电,再从1号节点充电站行驶到目的地所需 的时间td·k1取值如下:
其中ik和jk分别为待充电汽车k的当前位置和目的地位置的交通节点编号;为节点ik和节点1之间的最优路径的路程;为节点1和节点jk之间的最优路径的 路程;v为电动汽车平均车速,则tsum·1=td·k1+tc·k+tw·k。
作为一优选方案,所述步骤4中,所述tc·k的计算依据如下:
其中,SOCend为电动汽车的完成充电时的电池电量,本实施例中,SOCend取0.9~0.95电池额定电量;Pc充电站每小时补充的电能百分比;SOCk为所述待充电汽 车k的电池剩余电量SOC。
本实施例中,设定待充电汽车按参数为λ(λ>0)的泊松流到达,其中泊松流 也称为泊松过程,为概率论一种离散型随机变量的分布方式,X服从参数为λ的泊 松分布,则X的概率函数为:
其中,Z表示到达目标充电站的待充电汽车数量,即同时有Z台待充电汽车达 到同一个充电站进行充电,每辆待充电汽车k所需的充电服务时间独立,且服从参 数为μ(μ>0)的负指数分布,则待充电汽车k的充电时间tc·k的概率分布函数为:
其中,待充电汽车k的完成充电时的电池电量为SOCend;充电站每小时补充的电 能百分比为Pc,以北汽E150EV电动汽车为例,慢充每小时充电2.7kW·h,电池容量 为25.6kW·h,因此其即每小时能充10.55%的电能,此 时,参数μ的计算公式为:
然后在确定电动汽车k的充电时间tc·k时,取其概率分布函数的期望值,即:
作为一优选方案,所述步骤4中,所述tw·k的取值为预设数值,如可预设为常数 15分钟。
本发明所示的充电站充电负荷预测方法,基于预先提取的目标区域内交通信息特征量以及预先建立的最短行驶距离的最优路径选择,确定待充电电动汽车用户充 电总时间后,通过模拟待充电电动汽车的充电站选择行为,构建充电站负荷函数矩 阵,从而获取目标区域内各充电站的充电负荷曲线,以为电动汽车充电行为的实时 调度提供依据。具体而言,当目标区域内存在多个可选充电站时,通过对路网交通 ***中处于不同位置的电动汽车进行充电行为模拟,计算待充电电动汽车在路途上 所耗费的行驶时间、在充电站的排队时间、充满电所需的服务时间、以及从充电站 到达目的地的行驶时间,将上述所有时间进行求和,得到电动汽车在不同充电站完 成充电所需的充电总时间,然后从中选出耗时最小的站点作为该台电动汽车的最佳 充电站点,当针对各台电动汽车制定对应的最佳充电站点后,获取各充电站的充电 负荷曲线,以为电动汽车充电行为的实时调度提供依据。
实施例二
请继续参阅图2,本发明示出了一种充电站充电负荷预测装置10,以实施例一为基础,用以实现实施例一的充电站充电负荷预测方法,其包括的各程序模块的功能:在本 实施例中,充电站充电负荷预测装置10可以包括或被分割成一个或多个程序模块,一个 或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明, 并可实现上述充电站充电负荷预测方法方法。本发明所称的程序模块是指能够完成特定 功能的一系列计算机程序指令段,比程序本身更适合于描述充电站充电负荷预测装置在 存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能:
本发明提供了一种充电站充电负荷预测装置10,包括:
交通信息特征量提取模块11,用于获取目标区域路网中的交通节点与充电站的数量 以及地理位置信息,并依据充电站距离交通节点最近的原则建立目标区域中充电站与的 对应最近交通节点之间的映射关系,以确定目标区域中任一充电站r所对应的交通节点nr,其中,所述目标区域内充电站总数为P,r∈[1,P],交通节点总数为N,目标区域内各 交通节点从1到N分别进行编号,nr∈[1.N];
最优行驶路径选择模块12,用于以行驶路径最短为原则,建立目标区域中任意交通 节点i到任意交通节点j之间的最优行驶路径的导航集合,其中i,j∈[1,N];
待充电电动汽车数量确定模块13,用于获取目标区域内所有电动汽车的当前地理位 置、电池剩余电量SOC、行驶目的地位置,将所述SOC低于预设值的汽车定义为待充电电动汽车,并确定目标区域内所述待充电电动汽车总数M;
最优充电站选择及充电负荷函数构建模块14,用于对待充电汽车k执行如下循环处 理,直至完成目标区域内M个待充电电动汽车的最优充电站选择和充电负荷函数构建,其中,k为待充电电动汽车的编号,包括
目标交通节点获取子模块,用于根据所述待充电汽车k的当前地理位置以及行驶目 的地位置,确定所述待充电汽车k当前在路网中交通节点编号ik以及目的地交通节点编号jk,
可达充电站获取子模块,用于根据所述导航集合以及所述映射关系以及可达性判据, 对目标区域内P个充电站分别进行可达性判断,以确定待充电汽车k的所有的可达充电站Aw,所述可达性判据为:
其中,所述Spath·ir为交通节点i到交通节点nr的最优路径的路程长度、C为行驶单位路 程长度待充电汽车k的剩余电量消耗百分比;
目标充电站确定子模块,用于确定待充电汽车k到各个可达充电站Aw进行充电所需 的充电总时间集合{tsum·1,tsum·2,tsum·3,…,tsum·Aw},并将充电总时间最小数值对应的可达充 电站作为待充电汽车k的目标充电站,其中,
tsum·k==td·k+tw·k+tc·k
td·k为电动汽车从当前位置行驶到充电站,再从充电站行驶到目的地所需的时间,tw·k为电动汽车在充电站内的排队时间,tc·k为电动汽车在充电站内的充电时间;
目标充电站负荷函数矩阵构建子模块,用于以t=0作为当前时刻,构建待充电汽车 k的目标充电站的负荷函数矩阵:
Mlood·k=[0,…,0,p(k),0,…0]
其中,Mload·k为1行、P列的矩阵,P为目标区域内的充电站总数目。p(k)为待充电 汽车k到所述目标充电站充电时所述目标充电站所对应的负荷特性函数,p为所述目标充 电站对应的编号:
其中,tstart为待充电汽车k的充电起始时间,tw·k和tc·k分别为待充电汽车k的充电排 队时间和充电时间,Pc为所述电动汽车的充电电能百分比;
充电站负荷函数矩阵构建子模块,用于完成目标区域内所有待充电电动汽车的最优 充电站选择和充电负荷函数构建,得到M个充电站负荷函数矩阵{Mload·1,Mload·2,…,Mload·M};
充电站充电总负荷函数确定模块15,用于对所述M个充电站负荷函数矩阵进行求和, 获取目标区域内各充电站的充电总负荷函数矩阵Msum:
其中,Msum为1行、P列的矩阵,第p列的函数即为目标区域内第p个充电站充电 负荷预测状况。
作为一优选方案,所述待充电电动汽车数量确定模块12中,经由5G、微波、调频中的一种无线通信方式从电动汽车车载定位导航***及区域配网车辆信息监控***中,获取该区域内所有电动汽车的当前地理位置、电池剩余电量SOC以及行驶目的地的实时信息。
作为一优选方案,所述目标充电站确定子模块中,对于所述Aw个可达充电站,分别经由下述公式确定所述待充电汽车k的td·kAw的数值以确定所述td·k的大小:
td·kAw为待充电汽车k从其当前位置行驶到Aw号节点充电站充电,再从Aw号节点充电站行驶到目的地所需的时间;
分别为待充电汽车k的当前位置和目的地位置的交通节点编号;为节点ik和节点Aw之间的最优路径的路程;为节点Aw和节点jk之间的最优路径的路程,上述最 优路程均从步骤(2)中的导航集合中获取;v为电动汽车平均车速.
进一步的,所述SOCend的取值为0.9~0.95电池额定电量。
作为一优选方案,所述目标充电站确定子模块中,所述电动汽车k在充电站的排队时间tw·k为预设数值。
作为一优选方案,所述可达充电站获取子模块中,Spath·ir为交通节点i到交通节点nr的 最优路径的路程长度的确定包括:
依据所述映射关系确定充电站r所对应交通节点nr;
经由所述导航集合,确定交通节点i到所述交通节点nr的最优路径的路程长度,即为 Spath·ir取值。
本发明所示的充电站充电负荷预测装置10,基于预先提取的目标区域内交通信息特征量以及预先建立的最短行驶距离的最优路径选择,确定待充电电动汽车用户 充电总时间后,通过模拟待充电电动汽车的充电站选择行为,构建充电站负荷函数 矩阵,从而获取目标区域内各充电站的充电负荷曲线,以为电动汽车充电行为的实 时调度提供依据。具体而言,当目标区域内存在多个可选充电站时,通过对路网交 通***中处于不同位置的电动汽车进行充电行为模拟,计算待充电电动汽车在路途 上所耗费的行驶时间、在充电站的排队时间、充满电所需的服务时间、以及从充电 站到达目的地的行驶时间,将上述所有时间进行求和,得到电动汽车在不同充电站 完成充电所需的充电总时间,然后从中选出耗时最小的站点作为该台电动汽车的最 佳充电站点,当针对各台电动汽车制定对应的最佳充电站点后,获取各充电站的充 电负荷曲线,以为电动汽车充电行为的实时调度提供依据。
实施例三
本发明还提供一种计算机设备,如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独 立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少 包括但不限于:可通过***总线相互通信连接的存储器21、处理器22,如图3所示。需 要指出的是,图3仅示出了具有组件21-22的计算机设备20,但是应理解的是,并不要 求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储 器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、 只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器 (PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设 备20的内部存储单元,例如该计算机设备20的硬盘或内存。在另一些实施例中,存储 器21也可以是计算机设备20的外部存储设备,例如该计算机设备20上配备的插接式硬 盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡 (Flash Card)等。当然,存储器21还可以既包括计算机设备20的内部存储单元也包括 其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备20的操作系 统和各类应用软件,例如实施例一的充电站充电负荷预测装置10的程序代码等。此外, 存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制 器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理 数据,例如运行充电站充电负荷预测装置10,以实现实施例一的充电站充电负荷预测方 法。
实施例四
本发明还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、 只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器 (PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机 程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储充 电站充电负荷预测装置10,被处理器执行时实现实施例一的充电站充电负荷预测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法 可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
Claims (10)
1.一种充电站充电负荷预测方法,其特征在于,包括:
(1)目标区域内交通信息特征量提取:获取目标区域路网中的交通节点与充电站的数量以及地理位置信息,并依据充电站距离交通节点最近的原则建立目标区域中充电站与的对应最近交通节点之间的映射关系,以确定目标区域中任一充电站r所对应的交通节点nr,其中,所述目标区域内充电站总数为P,r∈[1,P],交通节点总数为N,目标区域内各交通节点从1到N分别进行编号,nr∈[1.N];
(2)最优行驶路径选择:以行驶路径最短为原则,建立目标区域中任意交通节点i到任意交通节点j之间的最优行驶路径的导航集合,其中i,j∈[1,N];
(3)待充电电动汽车数量确定:获取目标区域内所有电动汽车的当前地理位置、电池剩余电量SOC、行驶目的地位置,将所述SOC低于预设值的汽车定义为待充电电动汽车,并确定目标区域内所述待充电电动汽车总数M;
(4)最优充电站选择及充电负荷函数构建:对待充电汽车k执行如下循环处理,直至完成目标区域内M个待充电电动汽车的最优充电站选择和充电负荷函数构建,其中,k为待充电电动汽车的编号;
(4-1)根据所述待充电汽车k的当前地理位置以及行驶目的地位置,确定所述待充电汽车k当前在路网中交通节点编号ik以及目的地交通节点编号jk,
(4-2)根据所述导航集合以及所述映射关系以及可达性判据,对目标区域内P个充电站分别进行可达性判断,以确定待充电汽车k的所有的可达充电站Aw,所述可达性判据为:
其中,所述Spath·ir为交通节点i到交通节点nr的最优路径的路程长度、C为待充电汽车k行驶单位路程长度的剩余电量消耗百分比,SOCk为所述待充电汽车k的电池剩余电量;
(4-3)确定待充电汽车k到各个可达充电站Aw进行充电所需的充电总时间集合{tsum·1,tsum·2,tsum·3,…,tsum·Aw},并将充电总时间最小数值对应的可达充电站作为待充电汽车k的目标充电站,
其中,tsum·k==td·k+tw·k+tc·k
其中td·k为电动汽车从当前位置行驶到充电站,再从充电站行驶到目的地所需的时间,tw·k为电动汽车在充电站内的排队时间,tc·k为电动汽车在充电站内的充电时间;
(4-4)以t=0作为当前时刻,构建待充电汽车k的目标充电站的负荷函数矩阵:
Mload·k=[0,…,0,p(k),0,…0]
其中,Mload·k为1行、P列的矩阵,p(k)为待充电汽车k到所述目标充电站充电时所述目标充电站所对应的负荷特性函数,p为所述目标充电站对应的编号:
其中,tstart为待充电汽车k的充电起始时间,tw·k和tc·k分别为待充电汽车k的充电排队时间和充电时间,Pc为所述电动汽车的充电电能百分比;
(4-5)令k=k+1,重复步骤(4-1)~(4-4),直到k=M,完成目标区域内所有待充电电动汽车的最优充电站选择和充电负荷函数构建,得到M个充电站负荷函数矩阵{Mload·1,Mload·2,…,Mload·M};
(5)目标区域内各充电站的充电总负荷函数确定,对所述M个充电站负荷函数矩阵进行求和,获取目标区域内各充电站的充电总负荷函数矩阵Msum:
其中,Msum为1行、P列的矩阵,其第p列的函数即为目标区域内第p个充电站充电负荷预测状况。
2.根据权利要求1所述的充电站充电负荷预测方法,其特征在于,所述步骤(3)中,经由5G、微波、调频中的一种无线通信方式从电动汽车车载定位导航***及区域配网车辆信息监控***中,获取该区域内所有电动汽车的当前地理位置、电池剩余电量SOC以及行驶目的地的实时信息。
5.根据权利要求4所述的充电站充电负荷预测方法,其特征在于,所述SOCend的取值为0.9~0.95电池额定电量。
6.根据权利要求1所述的充电站充电负荷预测方法,其特征在于,所述电动汽车k在充电站的排队时间tw·k为预设数值。
7.根据权利要求1所述的充电站充电负荷预测方法,其特征在于,所述步骤(4-2)中,Spath·ir为交通节点i到交通节点nr的最优路径的路程长度的确定包括如下步骤:
依据所述映射关系确定充电站r所对应交通节点nr;
经由所述导航集合,确定交通节点i到所述交通节点nr的最优路径的路程长度。
8.一种充电站充电负荷预测装置,其特征在于:包括:
交通信息特征量提取模块,用于获取目标区域路网中的交通节点与充电站的数量以及地理位置信息,并依据充电站距离交通节点最近的原则建立目标区域中充电站与的对应最近交通节点之间的映射关系,以确定目标区域中任一充电站r所对应的交通节点nr,其中,所述目标区域内充电站总数为P,r∈[1,P],交通节点总数为N,目标区域内各交通节点从1到N分别进行编号,nr∈[1.N];
最优行驶路径选择模块,用于以行驶路径最短为原则,建立目标区域中任意交通节点i到任意交通节点j之间的最优行驶路径的导航集合,其中i,j∈[1,N];
待充电电动汽车数量确定模块,用于获取目标区域内所有电动汽车的当前地理位置、电池剩余电量SOC、行驶目的地位置,将所述SOC低于预设值的汽车定义为待充电电动汽车,并确定目标区域内所述待充电电动汽车总数M;
最优充电站选择及充电负荷函数构建模块,用于对待充电汽车k执行如下循环处理,直至完成目标区域内M个待充电电动汽车的最优充电站选择和充电负荷函数构建,其中,k为待充电电动汽车的编号,包括:
目标交通节点获取子模块,用于根据所述待充电汽车k的当前地理位置以及行驶目的地位置,确定所述待充电汽车k当前在路网中交通节点编号ik以及目的地交通节点编号jk;
可达充电站获取子模块,用于根据所述导航集合以及所述映射关系以及可达性判据,对目标区域内P个充电站分别进行可达性判断,以确定待充电汽车k的所有的可达充电站Aw,所述可达性判据为:
其中,所述Spath·ir为交通节点i到交通节点nr的最优路径的路程长度、C为行驶单位路程长度待充电汽车k的剩余电量消耗百分比;
目标充电站确定子模块,用于确定待充电汽车k到各个可达充电站Aw进行充电所需的充电总时间集合{tsum·1,tsum·2,tsum·3,…,tsum·Aw},并将充电总时间最小数值对应的可达充电站作为待充电汽车k的目标充电站,其中,
tsum·k==td·k+tw·k+tc·k
td·k为电动汽车从当前位置行驶到充电站,再从充电站行驶到目的地所需的时间,tw·k为电动汽车在充电站内的排队时间,tc·k为电动汽车在充电站内的充电时间;
目标充电站负荷函数矩阵构建子模块,用于以t=0作为当前时刻,构建待充电汽车k的目标充电站的负荷函数矩阵:
Mload·k=[0,…,0,p(k),0,…0]
其中,Mload·k为1行、P列的矩阵,P为目标区域内的充电站总数目,p(k)为待充电汽车k到所述目标充电站充电时所述目标充电站所对应的负荷特性函数,p为所述目标充电站对应的编号:
其中,tstart为待充电汽车k的充电起始时间,tw·k和tc·k分别为待充电汽车k的充电排队时间和充电时间,Pc为所述电动汽车的充电电能百分比;
充电站负荷函数矩阵构建子模块,用于完成目标区域内所有待充电电动汽车的最优充电站选择和充电负荷函数构建,得到M个充电站负荷函数矩阵{Mload·1,Mload·2,…,Mload·M};
充电站充电总负荷函数确定模块,用于对所述M个充电站负荷函数矩阵进行求和,获取目标区域内各充电站的充电总负荷函数矩阵Msum:
其中,Msum为1行、P列的矩阵,第p列的函数即为目标区域内第p个充电站充电负荷预测状况。
9.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,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7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088108.XA CN111242403B (zh) | 2019-11-08 | 2019-11-08 | 一种充电站充电负荷预测方法、装置设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088108.XA CN111242403B (zh) | 2019-11-08 | 2019-11-08 | 一种充电站充电负荷预测方法、装置设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242403A true CN111242403A (zh) | 2020-06-05 |
CN111242403B CN111242403B (zh) | 2023-05-05 |
Family
ID=70874031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911088108.XA Active CN111242403B (zh) | 2019-11-08 | 2019-11-08 | 一种充电站充电负荷预测方法、装置设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242403B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326883A (zh) * | 2021-06-03 | 2021-08-31 | 中创三优(北京)科技有限公司 | 充电站功率利用率预测模型的训练方法、装置及介质 |
CN114611811A (zh) * | 2022-03-21 | 2022-06-10 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400203A (zh) * | 2013-07-19 | 2013-11-20 | 西安交通大学 | 一种基于支持向量机的电动汽车充电站负荷预测方法 |
EP2760696A2 (en) * | 2011-09-29 | 2014-08-06 | NEC Europe Ltd. | Method and system for charging electric vehicles |
CN106599390A (zh) * | 2016-11-23 | 2017-04-26 | 国网浙江省电力公司电动汽车服务分公司 | 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 |
CN107609670A (zh) * | 2017-08-10 | 2018-01-19 | 浙江工业大学 | 一种基于copula算法电动汽车充电站负荷预测方法 |
CN108288112A (zh) * | 2018-01-30 | 2018-07-17 | 广西电网有限责任公司柳州供电局 | 基于用户出行模拟的区域电动汽车充电站负荷预测方法 |
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 |
-
2019
- 2019-11-08 CN CN201911088108.XA patent/CN111242403B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2760696A2 (en) * | 2011-09-29 | 2014-08-06 | NEC Europe Ltd. | Method and system for charging electric vehicles |
CN103400203A (zh) * | 2013-07-19 | 2013-11-20 | 西安交通大学 | 一种基于支持向量机的电动汽车充电站负荷预测方法 |
CN106599390A (zh) * | 2016-11-23 | 2017-04-26 | 国网浙江省电力公司电动汽车服务分公司 | 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 |
CN107609670A (zh) * | 2017-08-10 | 2018-01-19 | 浙江工业大学 | 一种基于copula算法电动汽车充电站负荷预测方法 |
CN108288112A (zh) * | 2018-01-30 | 2018-07-17 | 广西电网有限责任公司柳州供电局 | 基于用户出行模拟的区域电动汽车充电站负荷预测方法 |
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 |
Non-Patent Citations (4)
Title |
---|
周翔;陈杰军;谢培元;曾次玲;杨军;: "基于效用最大化原则的电动汽车充电站负荷特性分析方法" * |
汪德夫;张树冰;: "考虑时空分布的电动汽车充电负荷预测及对电网负荷影响分析" * |
潘胤吉;邱晓燕;肖建康;吴甲武;: "电动汽车充电负荷的时空双层优化调度策略" * |
黄小庆;陈颉;陈永新;杨夯;曹一家;江磊;: "大数据背景下的充电站负荷预测方法" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326883A (zh) * | 2021-06-03 | 2021-08-31 | 中创三优(北京)科技有限公司 | 充电站功率利用率预测模型的训练方法、装置及介质 |
CN113326883B (zh) * | 2021-06-03 | 2022-08-30 | 中创三优(北京)科技有限公司 | 充电站功率利用率预测模型的训练方法、装置及介质 |
CN114611811A (zh) * | 2022-03-21 | 2022-06-10 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及*** |
CN114611811B (zh) * | 2022-03-21 | 2022-10-25 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111242403B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334991B (zh) | 一种电动汽车充电站规划方法及*** | |
Barco et al. | Optimal routing and scheduling of charge for electric vehicles: A case study | |
US11087422B2 (en) | Method and device for determining a configuration for deployment of a public transportation system | |
CN112487622B (zh) | 电动汽车充电桩的选址定容方法、装置及终端设备 | |
CN103339664A (zh) | 充电器配置计划支持装置、充电器配置计划支持方法和程序 | |
Hajiabbas et al. | Optimization of power systems problems | |
CN112990538B (zh) | 一种山地光伏电站集电线路确定方法、装置及设备 | |
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 | |
CN111242403A (zh) | 一种充电站充电负荷预测方法、装置设备及存储介质 | |
CN114169609A (zh) | 一种考虑光伏耦合的电动汽车充电站规划方法 | |
Lindgren et al. | Effectiveness of smart charging of electric vehicles under power limitations | |
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 | |
CN117151368A (zh) | 换电调度方法、装置、电子设备及换电调度*** | |
CN116542377A (zh) | 一种电动汽车充电站的规划方法 | |
Sivakumar et al. | Analysis of distribution systems in the presence of electric vehicles and optimal allocation of distributed generations considering power loss and voltage stability index | |
Ramadan et al. | Robust control for techno‐economic efficient energy management of fuel cell hybrid electric vehicles | |
Rodrigues et al. | An analytical model to estimate the state of charge and lifetime for batteries with energy harvesting capabilities | |
CN114447975A (zh) | 一种基于移动储能的多微电网灵活性提升方法 | |
CN108229788B (zh) | 充换电站的布点方法及装置、存储介质、处理器 | |
Xu et al. | A deployment model of charging pile based on random forest for shared electric vehicle in smart cities | |
CN103761619A (zh) | 车辆服务管理技术平台 | |
Wang et al. | Multi‐parameters dynamic scheduling with energy management for electric vehicle charging stations | |
CN112446539B (zh) | 一种充电站的选址方法、装置、计算机设备和存储介质 | |
CN117078030B (zh) | 一种基于车速预测的燃料电池公交车能量管理方法 | |
Liang et al. | Simulation and test of a fuel cell hybrid golf cart |
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 |