CN112183804A - 一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法 - Google Patents
一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法 Download PDFInfo
- Publication number
- CN112183804A CN112183804A CN201910603345.9A CN201910603345A CN112183804A CN 112183804 A CN112183804 A CN 112183804A CN 201910603345 A CN201910603345 A CN 201910603345A CN 112183804 A CN112183804 A CN 112183804A
- Authority
- CN
- China
- Prior art keywords
- electric
- energy storage
- electric automobile
- available capacity
- electric vehicle
- 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 50
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 238000007599 discharging Methods 0.000 claims abstract description 5
- 230000004043 responsiveness Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000007704 transition Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 22
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 description 6
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/04—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明属于电动汽车虚拟储能可用容量预测技术领域,尤其涉及一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法。该方法首先通过马尔科夫链预测不同地点的电动汽车数量;再根据大量电动汽车历史日行驶里程数据,结合K‑means聚类方法,拟合得到电动汽车日行驶里程的概率密度分布;再结合电动汽车行为习惯、电动汽车的随机性、电动汽车车主响应度、电动汽车电池特性、电动汽车出行结束时间和电池充放电阈值建立电动汽车虚拟储能可用容量预测模型。根据所建立的预测模型对电动汽车参与虚拟储能的可用容量进行预测,并计算预测误差。
Description
技术领域
本发明涉及电动汽车虚拟储能可用容量预测技术领域,更具体地说,一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法。
背景技术
电动汽车是实现我国交通能源转型和汽车工业赶超的战略新兴产业,2030年中国电动汽车保有量将超过8000万辆,电动汽车储能潜力将达到5000GW。大量电动汽车的无序充电可能会对电力***的稳定性造成一定的威胁,同时电动汽车的车载动力电池是客观存在的,不需要二次投资,只需要将其进行通信和聚合,即可将电动汽车车载动力电池看作储能单元,随着共享经济模式的高速发展,电动汽车在满足自身行驶需求的前提下可以将多余的电能反馈给电网。对于电网电力***来说,电动汽车虚拟储能在削峰填谷、平抑风电或光伏功率波动、调节电网频率等方面有着积极的作用。电动汽车车载动力电池***可以作为微型分布式储能装置的虚拟存在,为电网提供服务与支持,即电动汽车虚拟储能。电动汽车虚拟储能通过通信和聚合的过程,构成了电力***中一种微型分布式储能***。如何实现电动汽车闲置期间的充分利用,也成为分布式储能装置支撑能源互联网构建的热点研究问题。为有效调度广域布点的电动汽车虚拟储能,实现储能在配电网络及负荷侧所能实现的服务服务等作用,需首先预判可用虚拟储能容量,从而实现电动汽车虚拟储能与电力***所需支撑的功能匹配,进而合理调用和配置现有响应服务的电动汽车集。
发明内容
本发明的目的是为了解决上述技术背景中所提到的问题,提供了一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法。该方法首先通过马尔科夫链预测不同地点的电动汽车数量,再根据大量电动汽车历史日行驶里程数据,拟合得到电动汽车日行驶里程的概率密度分布,再结合电动汽车行为习惯、电动汽车的随机性、电动汽车车主响应度、电动汽车电池特性、电动汽车出行结束时间和电池充放电阈值建立电动汽车虚拟储能可用容量预测模型。
为实现上述目的,本发明的技术方案如下:
一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,所述方法包括步骤:
步骤1、从电动汽车充电站***读取电动汽车出行结束时间、出发地和目的地等历史数据,对数据进行预处理、统计和分组;
步骤2、利用绝对分布马尔可夫链理论计算转移频数矩阵,并根据转移频数矩阵计算转移概率矩阵;
步骤3、根据当前时间段电动汽车在不同地点的数量和状态转移概率矩阵计算下一时间段电动汽车的数量;
步骤4、运用K-means聚类方法将大量电动汽车历史日行驶里程数据聚类,根据聚类结果拟合得到电动汽车日行驶里程的概率密度分布函数;
步骤5、根据步骤3得到的不同地点电动汽车数量和步骤4得到的电动汽车日行驶里程概率密度分布函数,结合电动汽车行为习惯、电动汽车的随机性、电动汽车车主响应度、电动汽车电池特性、电动汽车出行结束时间和电池充放电阈值建立电动汽车虚拟储能可用容量预测模型;
步骤6、利用步骤5所建立的预测模型对电动汽车虚拟储能可用容量进行预测,并计算预测误差。
所述步骤1中对所读取的数据进行预处理、统计和分组的具体过程包括:
①剔除所读取数据的缺省值、负值等无效数据;
②将一天按小时划分为24个时间段,同时将电动汽车可能的停靠地点分为三类:住宅区、工作区和其他区域,分别用字母H、W和O表示,统计得到每个时间段的三个地点的电动汽车数量,表示如下:
mi=[mih,miw,mio](i=1,2,…,24)
其中,mih,miw,mio分别表示在第i时间段三个地点的电动汽车数量。
③将每一个时间段的所有电动汽车根据其出发地和目的地进行分组。
所述步骤2中计算电动汽车频数转移矩阵和状态转移概率矩阵的具体过程包括:
①任意一辆电动汽车在接下来的时刻的去向可以是任意地点,根据步骤1得到的电动汽车出发地和目的地的分组,其频数转移过程如下式所示:
其中,mkk值为某时间段电动汽车从某一特定地点到另一特定地点的数量,比如mhw代表某时间段从家出发到工作地点的电动汽车数量。
②根据电动汽车频数转移矩阵,可以计算出每一步的电动汽车的去向的概率,其计算公式如下:
得到电动汽车去向的概率转移矩阵如下:
所述步骤3中计算出一时间段电动汽车的数量的具体过程包括:
假设在24个时间段内电动汽车去向的转移概率矩阵分别为p0、p1、···、p23,从一个状态到下一个状态电动汽车数量的计算公式为:
mn+1=mn·pn,(其中n为0,1,2,···,23)
所述步骤4中拟合电动汽车日行驶里程的概率密度分布的具体过程包括:
①日行驶里程聚类:首先将得到的数据进行K-means聚类,将行驶里程数目相近的数据归为一类,采用这一类数据中具有代表性的点来进行拟合。K值大小的选取对结果影响很大,选择较大的K值可以降低数据的误差,但会增加过拟合的风险。最优的K值的选择没有公式以及指定数值,只能通过人工比较来选择。
②拟合性能评价指标:将平均绝对误差MAE、均方根误差RMSE和确定系数R-square三个描述量作为拟合性能评价指标。计算公式如下:
其中,yi为拟合后得到的电动汽车日行驶里程大小为i/10公里对应的电动汽车数量;y0i为原始数据中电动汽车日行驶里程大小为i/10公里对应的电动汽车数量。
通过对不同聚类数K下拟合得到的电动汽车日行驶里程曲线进行误差对比,最终选取聚类数K=100。电动汽车数量与电动汽车日行驶里程之间的函数表达式如下:
其中,a为该对数正态分布函数的系数,a=11884;μ=2.6908;σ=0.9848。
所述步骤5中建立电动汽车虚拟储能可用容量预测模型的具体过程包括:
电动汽车充电后,为防止电池过度衰减设定其放电不得低于额定容量的10%,则该部分对应的SOCr表达式如下:
SOCr≥10%
其中,Ebat为电动汽车额定能量。
假设电动汽车每日的起始时刻电池电量为充满状态,经过L距离的行驶之后,电动汽车行驶过程的耗电量EL计算公式如下:
其中,L为电动汽车日行驶里程,服从N(2.6957,1.01922)的对数正态分布,单位为英里;η为电动汽车行驶效率;k为电动汽车百公里耗电量。
电动汽车行驶对应消耗SOC值的计算公式如下:
假设每一台电动汽车初始时充满电状态,则每一台电动汽车参与虚拟储能可用容量所占SOCa的计算公式如下:
根据某一时间段不同地点电动汽车数量m=[mh,mw,mo]和电动汽车车主的响应度λ,得到某一时间段住宅区、工作区和其他区域电动汽车虚拟储能可用容量Ea-h,Ea-w和Ea-o分别为:
7.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,所述步骤6中计算预测误差的具体计算方法包括:
根据预测得到电动汽车参与虚拟储能的可用容量与实际的电动汽车参与虚拟储能的可用容量计算预测结果的相对平均误差,计算公式为:
其中,RMSh、RMSw和RMSo分别为三个地点的预测结果的相对平均误差;Eat-h、Eat-w和Eat-o分别为预测得到的三个地点在t时间段电动汽车虚拟储能的可用容量;Eht、Ewt和Eot分别为三个地点在t时间段实际电动汽车虚拟储能的可用容量。
附图说明
图1为基于Markov链的电动汽车数量预测流程图
图2为电动汽车可能的去向示意图
图3为K-means聚类方法拟合流程图
具体实施方式
下面对优选实例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
如图1所示,一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,包括以下步骤:
步骤1、从电动汽车充电站***读取电动汽车出行结束时间、出发地和目的地等历史数据,对数据进行预处理、统计和分组;
步骤2、利用绝对分布马尔可夫链理论计算转移频数矩阵,并根据转移频数矩阵计算转移概率矩阵;
步骤3、根据当前时间段电动汽车在不同地点的数量和状态转移概率矩阵计算下一时间段电动汽车的数量;
步骤4、运用K-means聚类方法将大量电动汽车历史日行驶里程数据聚类,根据聚类结果拟合得到电动汽车日行驶里程的概率密度分布函数;
步骤5、根据步骤3得到的不同地点电动汽车数量和步骤4得到的电动汽车日行驶里程概率密度分布函数,结合电动汽车行为习惯、电动汽车的随机性、电动汽车车主响应度、电动汽车电池特性、电动汽车出行结束时间和电池充放电阈值建立电动汽车虚拟储能可用容量预测模型;
步骤6、利用步骤5所建立的预测模型对电动汽车虚拟储能可用容量进行预测,并计算预测误差。
2.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,所述步骤1中对所读取的数据进行预处理、统计和分组的具体过程包括:
①剔除所读取数据的缺省值、负值等无效数据;
②将一天按小时划分为24个时间段,同时将电动汽车可能的停靠地点分为三类:住宅区、工作区和其他区域,分别用字母H、W和O表示,统计得到每个时间段的三个地点的电动汽车数量,表示如下:
mi=[mih,miw,mio](i=1,2,…,24)
其中,mih,miw,mio分别表示在第i时间段三个地点的电动汽车数量。
③将每一个时间段的所有电动汽车根据其出发地和目的地进行分组。
3.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,所述步骤2中计算电动汽车频数转移矩阵和状态转移概率矩阵的具体过程包括:
①任意一辆电动汽车在接下来的时刻的去向可以是任意地点,根据步骤1得到的电动汽车出发地和目的地的分组,其频数转移过程如下式所示:
其中,mkk值为某时间段电动汽车从某一特定地点到另一特定地点的数量,比如mhw代表某时间段从家出发到工作地点的电动汽车数量。
②根据电动汽车频数转移矩阵,可以计算出每一步的电动汽车的去向的概率,其计算公式如下:
得到电动汽车去向的概率转移矩阵如下:
4.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,所述步骤3中计算下一时间段电动汽车的数量的具体过程包括:
假设在24个时间段内电动汽车去向的转移概率矩阵分别为p0、p1、···、p23,从一个状态到下一个状态电动汽车数量的计算公式为:
mn+1=mn·pn,(其中n为0,1,2,···,23)
5.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,所述步骤4中拟合电动汽车日行驶里程的概率密度分布的具体过程包括:
①日行驶里程聚类:首先将得到的数据进行K-means聚类,将行驶里程数目相近的数据归为一类,采用这一类数据中具有代表性的点来进行拟合。K值大小的选取对结果影响很大,选择较大的K值可以降低数据的误差,但会增加过拟合的风险。最优的K值的选择没有公式以及指定数值,只能通过人工比较来选择。
②拟合性能评价指标:将平均绝对误差MAE、均方根误差RMSE和确定系数R-square三个描述量作为拟合性能评价指标。计算公式如下:
其中,yi为拟合后得到的电动汽车日行驶里程大小为i/10公里对应的电动汽车数量;y0i为原始数据中电动汽车日行驶里程大小为i/10公里对应的电动汽车数量。
通过对不同聚类数K下拟合得到的电动汽车日行驶里程曲线进行误差对比,最终选取聚类数K=100。电动汽车数量与电动汽车日行驶里程之间的函数表达式如下:
其中,a为该对数正态分布函数的系数,a=11884;μ=2.6908;σ=0.9848。
6.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,所述步骤5中建立电动汽车虚拟储能可用容量预测模型的具体过程包括:
电动汽车充电后,为防止电池过度衰减设定其放电不得低于额定容量的10%,则该部分对应的SOCr表达式如下:
SOCr≥10%
其中,Ebat为电动汽车额定能量。
假设电动汽车每日的起始时刻电池电量为充满状态,经过L距离的行驶之后,电动汽车行驶过程的耗电量EL计算公式如下:
其中,L为电动汽车日行驶里程,服从N(2.6957,1.01922)的对数正态分布,单位为英里;η为电动汽车行驶效率;k为电动汽车百公里耗电量。
电动汽车行驶对应消耗SOC值的计算公式如下:
假设每一台电动汽车初始时充满电状态,则每一台电动汽车参与虚拟储能可用容量所占SOCa的计算公式如下:
根据某一时间段不同地点电动汽车数量m=[mh,mw,mo]和电动汽车车主的响应度λ,得到某一时间段住宅区、工作区和其他区域电动汽车虚拟储能可用容量Ea-h,Ea-w和Ea-o分别为:
7.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,所述步骤6中计算预测误差的具体计算方法包括:
根据预测得到电动汽车参与虚拟储能的可用容量与实际的电动汽车参与虚拟储能的可用容量计算预测结果的相对平均误差,计算公式为:
其中,RMSh、RMSw和RMSo分别为三个地点的预测结果的相对平均误差;Eat-h、Eat-w和Eat-o分别为预测得到的三个地点在t时间段电动汽车虚拟储能的可用容量;Eht、Ewt和Eot分别为三个地点在t时间段实际电动汽车虚拟储能的可用容量。
如图2所示,本发明的电动汽车在某一时刻可能的转移过程具体为:电动汽车在动态转移的过程中,转移的目的是随机的,本发明将电动汽车可能的停靠地点分为三类,分别是住宅区、工作区和其他区域,用字母H、W和O代表以上三个地点,则图2表示某一时刻某台电动汽车可能的移动方向。
如图3所示,本发明的电动汽车日行驶里程拟合过程具体为:取聚类数K=20,K=50,K=80,K=100,K=150,K=200和K=300对电动汽车日行驶里程进行聚类,然后分别进行电动汽车日行驶里程曲线拟合。分别计算K=20,K=50,K=80,K=100,K=150,K=200和K=300情况下的电动汽车日行驶里程拟合曲线的误差,找到合适的K值,得到最终的拟合结果。
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,包括以下步骤:
步骤1、从电动汽车充电站***读取电动汽车出行结束时间、出发地和目的地等历史数据,对数据进行预处理、统计和分组;
步骤2、利用绝对分布马尔可夫链理论计算转移频数矩阵,并根据转移频数矩阵计算转移概率矩阵;
步骤3、根据当前时间段电动汽车在不同地点的数量和状态转移概率矩阵计算下一时间段电动汽车的数量;
步骤4、运用K-means聚类方法将大量电动汽车历史日行驶里程数据聚类,根据聚类结果拟合得到电动汽车日行驶里程的概率密度分布函数;
步骤5、根据步骤3得到的不同地点电动汽车数量和步骤4得到的电动汽车日行驶里程概率密度分布函数,结合电动汽车行为习惯、电动汽车的随机性、电动汽车车主响应度、电动汽车电池特性、电动汽车出行结束时间和电池充放电阈值建立电动汽车虚拟储能可用容量预测模型;
步骤6、利用步骤5所建立的预测模型对电动汽车虚拟储能可用容量进行预测,并计算预测误差。
2.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,所述步骤1中对所读取的数据进行预处理、统计和分组的具体过程包括:
①剔除所读取数据的缺省值、负值等无效数据;
②将一天按小时划分为24个时间段,同时将电动汽车可能的停靠地点分为三类:住宅区、工作区和其他区域,分别用字母H、W和O表示,统计得到每个时间段的三个地点的电动汽车数量,表示如下:
mi=[mih,miw,mio](i=1,2,…,24)
其中,mih,miw,mio分别表示在第i时间段三个地点的电动汽车数量。
③将每一个时间段的所有电动汽车根据其出发地和目的地进行分组。
4.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,所述步骤3中计算下一时间段电动汽车的数量的具体过程包括:
假设在24个时间段内电动汽车去向的转移概率矩阵分别为p0、p1、···、p23,从一个状态到下一个状态电动汽车数量的计算公式为:
mn+1=mn·pn,(其中n为0,1,2,…,23)
5.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,所述步骤4中拟合电动汽车日行驶里程的概率密度分布的具体过程包括:
①日行驶里程聚类:首先将得到的数据进行K-means聚类,将行驶里程数目相近的数据归为一类,采用这一类数据中具有代表性的点来进行拟合。K值大小的选取对结果影响很大,选择较大的K值可以降低数据的误差,但会增加过拟合的风险。最优的K值的选择没有公式以及指定数值,只能通过人工比较来选择。
②拟合性能评价指标:将平均绝对误差MAE、均方根误差RMSE和确定系数R-square三个描述量作为拟合性能评价指标。计算公式如下:
其中,yi为拟合后得到的电动汽车日行驶里程大小为i/10公里对应的电动汽车数量;y0i为原始数据中电动汽车日行驶里程大小为i/10公里对应的电动汽车数量。
通过对不同聚类数K下拟合得到的电动汽车日行驶里程曲线进行误差对比,最终选取聚类数K=100。电动汽车数量与电动汽车日行驶里程之间的函数表达式如下:
其中,a为该对数正态分布函数的系数,a=11884;μ=2.6908;σ=0.9848。
6.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法,其特征在于,所述步骤5中建立电动汽车虚拟储能可用容量预测模型的具体过程包括:
电动汽车充电后,为防止电池过度衰减设定其放电不得低于额定容量的10%,则该部分对应的SOCr表达式如下:
SOCr≥10%
其中,Ebat为电动汽车额定能量。
假设电动汽车每日的起始时刻电池电量为充满状态,经过L距离的行驶之后,电动汽车行驶过程的耗电量EL计算公式如下:
其中,L为电动汽车日行驶里程,服从N(2.6957,1.01922)的对数正态分布,单位为英里;η为电动汽车行驶效率;k为电动汽车百公里耗电量。
电动汽车行驶对应消耗SOC值的计算公式如下:
假设每一台电动汽车初始时充满电状态,则每一台电动汽车参与虚拟储能可用容量所占SOCa的计算公式如下:
根据某一时间段不同地点电动汽车数量m=[mh,mw,mo]和电动汽车车主的响应度λ,得到某一时间段住宅区、工作区和其他区域电动汽车虚拟储能可用容量Ea-h,Ea-w和Ea-o分别为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603345.9A CN112183804A (zh) | 2019-07-05 | 2019-07-05 | 一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603345.9A CN112183804A (zh) | 2019-07-05 | 2019-07-05 | 一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183804A true CN112183804A (zh) | 2021-01-05 |
Family
ID=73914712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910603345.9A Pending CN112183804A (zh) | 2019-07-05 | 2019-07-05 | 一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183804A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426674A (zh) * | 2011-10-28 | 2012-04-25 | 山东电力集团公司青岛供电公司 | 一种基于马尔科夫链的电力***负荷预测方法 |
CN105825297A (zh) * | 2016-03-11 | 2016-08-03 | 山东大学 | 一种基于马尔科夫模型的位置预测方法 |
CN105956704A (zh) * | 2016-05-04 | 2016-09-21 | 大连理工大学 | 一种面向插电式混合动力汽车目的地的识别方法 |
CN107018493A (zh) * | 2017-04-20 | 2017-08-04 | 北京工业大学 | 一种基于连续时序马尔科夫模型的地理位置预测方法 |
CN107104454A (zh) * | 2017-06-06 | 2017-08-29 | 重庆大学 | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 |
CN108493959A (zh) * | 2018-03-26 | 2018-09-04 | 河海大学 | 基于Markov模型的电动汽车参与电网调频控制与分析方法 |
CN109190812A (zh) * | 2018-08-21 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种基于电动汽车的虚拟储能可用容量预测方法及*** |
-
2019
- 2019-07-05 CN CN201910603345.9A patent/CN112183804A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426674A (zh) * | 2011-10-28 | 2012-04-25 | 山东电力集团公司青岛供电公司 | 一种基于马尔科夫链的电力***负荷预测方法 |
CN105825297A (zh) * | 2016-03-11 | 2016-08-03 | 山东大学 | 一种基于马尔科夫模型的位置预测方法 |
CN105956704A (zh) * | 2016-05-04 | 2016-09-21 | 大连理工大学 | 一种面向插电式混合动力汽车目的地的识别方法 |
CN107018493A (zh) * | 2017-04-20 | 2017-08-04 | 北京工业大学 | 一种基于连续时序马尔科夫模型的地理位置预测方法 |
CN107104454A (zh) * | 2017-06-06 | 2017-08-29 | 重庆大学 | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 |
CN108493959A (zh) * | 2018-03-26 | 2018-09-04 | 河海大学 | 基于Markov模型的电动汽车参与电网调频控制与分析方法 |
CN109190812A (zh) * | 2018-08-21 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种基于电动汽车的虚拟储能可用容量预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108955711B (zh) | 一种应用于电动汽车智能充放电的导航方法 | |
CN108573317B (zh) | 一种换电站充放电策略优化控制的方法 | |
CN105160428A (zh) | 高速公路电动汽车快速充电站的规划方法 | |
CN103499792B (zh) | 电动汽车动力电池集群可用容量的预测方法 | |
CN111310966A (zh) | 含电动汽车充电站的微电网选址及优化配置方法 | |
CN103241130A (zh) | 一种电动公交车充换电站的能量管理方法及*** | |
CN111717072B (zh) | 电动汽车电池智能充电优化方法 | |
CN114919433B (zh) | 电动汽车集群充放电控制方法、***及相关设备 | |
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 | |
CN114722595A (zh) | 一种含有换电站的微电网优化运行方法 | |
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 | |
CN109672199B (zh) | 一种基于能量平衡的电动汽车削峰填谷能力估计方法 | |
CN108932558B (zh) | 一种对外开放型电动公交充电站负荷预测方法 | |
CN110481384B (zh) | 基于多因素影响条件下的电动汽车调峰容量计算方法 | |
CN113112097A (zh) | 一种电动汽车负荷预测及充电设施布局优化方法 | |
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 | |
CN112736941A (zh) | 一种基于移动储能电动汽车的可调度容量预测方法及装置 | |
Shrestha et al. | A study of electric vehicle battery charging demand in the context of Singapore | |
CN110861508B (zh) | 居民区直流充电机共享充电控制方法、***及存储介质 | |
CN111361443A (zh) | 光伏充电站充电控制方法及装置 | |
CN112183804A (zh) | 一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法 | |
CN113364019A (zh) | 车载储能资源参与电力调峰的方法及*** | |
CN116404629A (zh) | 一种高比例分布式光伏配电网中的电动汽车协调充电方法 | |
CN114640133A (zh) | 一种基于实时信息的城市电网电动汽车协同调控方法及*** | |
CN114037300A (zh) | 基于规模化电动汽车充电调度控制方法 |
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 |