CN112613682A - 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 PDF

Info

Publication number
CN112613682A
CN112613682A CN202011604643.9A CN202011604643A CN112613682A CN 112613682 A CN112613682 A CN 112613682A CN 202011604643 A CN202011604643 A CN 202011604643A CN 112613682 A CN112613682 A CN 112613682A
Authority
CN
China
Prior art keywords
electric
charging
time
electric vehicle
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
Application number
CN202011604643.9A
Other languages
English (en)
Inventor
许立新
陈勇
汪轶林
崔佳嘉
江颖达
蒋丽霞
秦大瑜
陈恺
马宏忠
李楠
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.)
State Grid Jiangsu Electric Power Co ltd Yixing Power Supply Branch
Original Assignee
State Grid Jiangsu Electric Power Co ltd Yixing Power Supply Branch
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 State Grid Jiangsu Electric Power Co ltd Yixing Power Supply Branch filed Critical State Grid Jiangsu Electric Power Co ltd Yixing Power Supply Branch
Priority to CN202011604643.9A priority Critical patent/CN112613682A/zh
Publication of CN112613682A publication Critical patent/CN112613682A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明涉及城市电网技术领域，具体公开了一种电动汽车充电负荷预测方法，其中，包括：将城市内电动汽车划分为多种类型，并分别获取不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况；根据不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况对不同类型的电动汽车的用户习惯进行模拟仿真，并确定仿真参数；根据所述仿真参数计算电动汽车的初始荷电状态以及充电数据；根据所述电动汽车的充电数据计算不同类型的电动汽车叠加后的充电功率，形成电动汽车的充电负荷曲线。本发明提供的电动汽车充电负荷预测方法能够实现对电动汽车充电负荷的精准预测。

Description

一种电动汽车充电负荷预测方法
技术领域
本发明涉及城市电网技术领域，尤其涉及一种电动汽车充电负荷预测方法。
背景技术
电动汽车的充电负荷在时间与空间上都存在很强的随机性，随着今后电动汽车的普及，其充电负荷会对城市配电网的运行带来越来越大的影响，尤其是对中小型城市电网。电动汽车充电负荷大规模接入电网后，一方面对配电网电能质量的影响，它会给配电网带来电压偏移、三相不平衡和谐波污染，使峰谷差进一步拉大直接影响电网的可靠性；另一方面，大规模接入后使得配电网的网损和变压器使用年限发生变化，影响电网的经济运行。
为了城市电网能正常可靠运行，应准确预测出未来电动汽车的充电负荷，迫切需要调研分析电动汽车大规模接入对电网结构、电能质量、负荷曲线、调度控制等方面的影响，形成电网与电动汽车协调发展的适应性方案，从而更有效促进新能源电动汽车的推广和应用。目前对电动汽车的负荷预测方法，主要是基于电动汽车负荷影响因素，分为电力***短期负荷预测方法、蒙特卡洛模拟法以及其他新型电动汽车负荷预测方法。但从目前的研究方法来看，这些方法并没有准确预测出电动汽车的充电负荷，因此对配电网的影响分析也不够准确。电动汽车大规模接入对中小型城市电网的影响是巨大的，尤其是与电动汽车直接做能量交换的配电网，它会影响电网输送的电能质量和电网的经济运行，因此需要在正确分析规模接入对电网影响的基础上提出适应性方案，使电网能接纳更多的电动汽车充电负荷。
发明内容
本发明提供了一种电动汽车充电负荷预测方法，解决相关技术中存在的无法精准实现对电动汽车充电负荷进行预测的问题。
作为本发明的一个方面，提供一种电动汽车充电负荷预测方法，其中，包括：
将城市内电动汽车划分为多种类型，并分别获取不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况；
根据不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况对不同类型的电动汽车的用户习惯进行模拟仿真，并确定仿真参数；
根据所述仿真参数计算电动汽车的初始荷电状态以及充电数据；
根据所述电动汽车的充电数据计算不同类型的电动汽车叠加后的充电功率，形成电动汽车的充电负荷曲线。
进一步地，所述将城市内电动汽车划分为多种类型，并分别获取不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况，包括：
将城市内电动汽车划分为电动私家车、电动公交车与电动出租车；
分别获取电动私家车、电动公交车与电动出租车的保有量、电池类型及充电功率、起始充电时间和日行驶里程数据；
根据获取到的数据分析单位时间内的电动汽车的起始充电时间和行驶里程数据的分布情况。
进一步地，所述单位时间包括24小时。
进一步地，所述根据不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况对不同类型的电动汽车的用户习惯进行模拟仿真，并确定仿真参数，包括：
根据蒙特卡洛法并结合不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况对不同类型的电动汽车的用户习惯进行模拟仿真，确定仿真的次数、仿真电动汽车的保有量和电动汽车类型所对应的最大行驶里程数。
进一步地，当对所述电动私家车的用户习惯进行模拟仿真时，抽取不同的出行链和日期及对应的起始充电时间和日行驶里程数进行模拟仿真；
当对电动公交车和电动出租车仿真时，随机抽取对应的起始充电时间和日行驶里程数进行模拟仿真。
进一步地，所述根据所述仿真参数计算电动汽车的初始荷电状态以及充电数据，包括：
根据所述仿真参数计算电动汽车的初始荷电状态；
计算电动汽车充电所耗时长及充电的时间范围。
进一步地，所述根据所述仿真参数计算电动汽车的初始荷电状态的计算公式为：
Figure BDA0002870142890000021
其中，SOC表示电动汽车本次充电开始时的电池荷电状态，SOC2表示上次充电完成时的电池荷电状态，d表示本次行驶的里程数，dm表示电动汽车的最大行驶里程数。
进一步地，所述计算电动汽车充电所耗时长及充电的时间范围的计算公式为：
Figure BDA0002870142890000022
Tend＝Tstart+T，
其中，T电动汽车充电所耗时长，表示Ci表示第i类电动汽车的电池容量，SOC表示电动汽车本次充电开始时的电池荷电状态，ηi表示第i类电动汽车的充电效率，Pi表示第i类电动汽车的充电功率，Tend表示电动汽车充电结束时间，Tstart表示电动汽车充电开始时间。
进一步地，所述根据所述电动汽车的充电数据计算不同类型的电动汽车叠加后的充电功率，形成电动汽车的充电负荷曲线，包括：
计算各节点的充电功率，其中将所述单位时间划分为多个节点，每个节点计算一次电动汽车的充电功率；
将多种类型的电动汽车的充电功率进行叠加。
进一步地，所述计算各节点的充电功率的计算公式为：
Figure BDA0002870142890000031
其中，Pi,k表示第i类电动汽车在第k个节点的充电功率之和，Pi,tk-1,k表示第i类电动汽车中满足条件电动汽车充电开始时间大于第k-1个节点tk-1的车辆的充电功率；
所述将多种类型的电动汽车的充电功率进行叠加的计算公式为：
Pk＝Pcar,k+Pbus,k+Ptaxi,k，
其中，Pcar,k表示电动私家车在第k个节点的充电功率之和，Pbus,k表示电动公交车在第k个节点的充电功率之和，Ptaxi,k表示电动出租车在第k个节点的充电功率之和，Pk表示第k个节点将多种类型的电动汽车的充电功率叠加之和。
本发明提供的电动汽车充电负荷预测方法，将城市电动汽车分为电动私家车、电动公交车与电动出租车，分别研究其电池参数、起始充电时间、日行驶里程数和用户的出行习惯。并对城市中数量较大的电动私家车用户的出行习惯作出细化，分为节假日与工作日，由于这两个时间段的出行分布情况的差别非常大，因此分开研究对电动私家车的充电负荷预测有更好的效果。在这些数据的基础上采用蒙特卡洛法，结合各类电动汽车的电池参数、充电效率，模拟在工作日与节假日的出行习惯，预测城市电动汽车的充电负荷，具有预测结果更加精准的优势。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
图1为本发明提供的电动汽车充电负荷预测方法的流程图。
图2为本发明提供的电动私家车、公交车与出租车用户的起始出发时刻分布图。
图3为本发明提供的是私家车在工作日与休息日的日行驶里程数分布图。
图4为本发明提供的蒙特卡洛法原理流程图。
图5为本发明提供的电动私家车、电动出租车和电动公交车的负荷预测曲线。
图6为本发明提供的电动汽车总负荷曲线。
图7为本发明提供的IEEE 33节点***示意图。
图8为本发明提供的有序充电策略分类图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种电动汽车充电负荷预测方法，图1是根据本发明实施例提供的电动汽车充电负荷预测方法的流程图，如图1所示，包括：
S110、将城市内电动汽车划分为多种类型，并分别获取不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况；
在一些实施方式中，所述将城市内电动汽车划分为多种类型，并分别获取不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况，具体可以包括：
将城市内电动汽车划分为电动私家车、电动公交车与电动出租车；
分别获取电动私家车、电动公交车与电动出租车的保有量、电池类型及充电功率、起始充电时间和日行驶里程数据；
根据获取到的数据分析单位时间内的电动汽车的起始充电时间和行驶里程数据的分布情况。
在本发明实施例中，所述单位时间具体可以为24小时，也就是一天。
应当理解的是，可以分别调查各类电动汽车的保有量、电池类型及充电功率、起始充电时间、日行驶里程数，采用最小二乘法拟合，分析在一天中电动汽车的起始充电时间和日行驶里程数的分布情况。
在本发明实施例中，将城市电动汽车分为电动私家车、电动公交车与电动出租车，取某市电动汽车保有量私家车4.29万辆，出租车0.88万辆，公交车0.06万辆。
分别调查电动私家车、电动公交车与电动出租车的起始出发时间如图2所示。
根据2019年居民出行入户调查，由统计数据分析，这三类车的出发时间均集中在早晚高峰时段，其中私家车有36.6％的出行起始行为发生在早高峰7：00-9：00和晚高峰17：00-19：00；公交车的早高峰时间段出行的车辆占到全天的34.5％，晚高峰时间段出行的车辆占到28.3％；出租车的早高峰时间段出行的车辆占到全天的34.9％，晚高峰时间段出行的车辆占到12％。
分析出行时间的早晚高峰，通过分布曲线计算出其近似服从正态分布的参数。计算参数如表1所示。
表1各类电动汽车出行时间正态分布参数
Figure BDA0002870142890000051
调查私家车在工作日与休息日的日行驶里程数，如图3所示。
计算出日行驶里程数近似服从正态分布的参数。计算参数如表2所示。
表2私家车工作日与节假日日行驶里程数分布参数
Figure BDA0002870142890000052
调查出租车的日行驶里程数，计算得到0：00—10：00和15：00—24：00时间段内，出租车的日行驶里程数符合N(335,225)；在10：00—15：00时间段内，出租车的日行驶里程数符合N(265，225)。
调查公交车的日行驶里程数，数据分析可知公交车平均行驶里程数都在140-200km范围内，并且体现随机分布的特性，因此假设公交车的日行驶里程数服从均匀分布[140,200]。
S120、根据不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况对不同类型的电动汽车的用户习惯进行模拟仿真，并确定仿真参数；
具体地，可以根据蒙特卡洛法并结合不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况对不同类型的电动汽车的用户习惯进行模拟仿真，确定仿真的次数、仿真电动汽车的保有量和电动汽车类型所对应的最大行驶里程数。
需要说明的是，当对所述电动私家车的用户习惯进行模拟仿真时，抽取不同的出行链和日期及对应的起始充电时间和日行驶里程数进行模拟仿真；
当对电动公交车和电动出租车仿真时，随机抽取对应的起始充电时间和日行驶里程数进行模拟仿真。
S130、根据所述仿真参数计算电动汽车的初始荷电状态以及充电数据；
具体地，根据所述仿真参数计算电动汽车的初始荷电状态，计算公式为：
Figure BDA0002870142890000053
其中，SOC表示电动汽车本次充电开始时的电池荷电状态，SOC2表示上次充电完成时的电池荷电状态，d表示本次行驶的里程数，dm表示电动汽车的最大行驶里程数；
计算电动汽车充电所耗时长及充电的时间范围，计算公式为：
Figure BDA0002870142890000054
Tend＝Tstart+T，
其中，T电动汽车充电所耗时长，表示Ci表示第i类电动汽车的电池容量，SOC表示电动汽车本次充电开始时的电池荷电状态，ηi表示第i类电动汽车的充电效率，Pi表示第i类电动汽车的充电功率，Tend表示电动汽车充电结束时间，Tstart表示电动汽车充电开始时间。
S140、根据所述电动汽车的充电数据计算不同类型的电动汽车叠加后的充电功率，形成电动汽车的充电负荷曲线，
具体地，计算各节点的充电功率，其中将所述单位时间划分为多个节点，每个节点计算一次电动汽车的充电功率，计算公式为：
Figure BDA0002870142890000061
其中，Pi,k表示第i类电动汽车在第k个节点的充电功率之和，Pi,tk-1,k表示第i类电动汽车中满足条件电动汽车充电开始时间大于第k-1个节点tk-1的车辆的充电功率；
将多种类型的电动汽车的充电功率进行叠加，计算公式为：
Pk＝Pcar,k+Pbus,k+Ptaxi,k，
其中，Pcar,k表示电动私家车在第k个节点的充电功率之和，Pbus,k表示电动公交车在第k个节点的充电功率之和，Ptaxi,k表示电动出租车在第k个节点的充电功率之和，Pk表示第k个节点将多种类型的电动汽车的充电功率叠加之和。
如图4所示，为蒙特卡洛法原理流程图，采用蒙特卡洛法对用户出行习惯模拟，随机抽取包括电动汽车起始时间，电动汽车充电功率和电动汽车日行驶里程数等参数，确定仿真次数10000次，输入电动汽车保有量和电动汽车类型所对应的最大行驶里程数，每一分钟采集统计一次数据，即每一分钟计算一次负荷，共计1440个负荷计算节点。
电动私家车、电动出租车和电动公交车的负荷曲线如图5所示。
将电动私家车、电动出租车和电动公交车的负荷叠加，形成电动汽车负荷曲线如图6所示。
将电动汽车负荷与常规负荷叠加后发现日负荷曲线的形态并为发生明显变化，日最大负荷和峰谷差的提高也并不明显，因此由电动汽车带来的负荷并没有对总体的负荷曲线产生影响。
本发明实施例提供的电动汽车充电负荷预测方法，将城市电动汽车分为电动私家车、电动公交车与电动出租车，分别研究其电池参数、起始充电时间、日行驶里程数和用户的出行习惯。并对城市中数量较大的电动私家车用户的出行习惯作出细化，分为节假日与工作日，由于这两个时间段的出行分布情况的差别非常大，因此分开研究对电动私家车的充电负荷预测有更好的效果。在这些数据的基础上采用蒙特卡洛法，结合各类电动汽车的电池参数、充电效率，模拟在工作日与节假日的出行习惯，预测城市电动汽车的充电负荷，具有预测结果更加精准的优势。
在对城市电动汽车的充电负荷进行精准预测后，可以根据预测结果分析电动汽车的充电负荷对电网运行的影响。电动汽车直接与配电网进行能量交换，因而对于配电网所产生的影响最大。总体而言，电动汽车对于配电网电能质量的影响研究两个方面，一是负荷曲线峰谷差，二是电压偏差。
负荷曲线的峰谷差ΔPL的计算公式是：
ΔPL＝max(Pi-Pj)，
其中，Pi表示i时刻的负荷值。
负荷曲线的峰谷差率μ的计算公式为：
Figure BDA0002870142890000071
调查获取城市常规负荷信息，将预测的电动汽车负荷与常规负荷叠加。计算曲线的峰谷差和峰谷差率。
电压偏差是ΔVi指节点的实际电压与***的标称电压的偏差值，数学表达式是：
Figure BDA0002870142890000072
其中，Vi表示第i个节点的实际电压，VN表示***的标称电压。
将节点分为按区域功能分为居民区、工作区、商业区，建立各功能区的充电负荷模型，分别计算其电动汽车的充电负荷。将充电负荷按比例接入馈线的各节点上，逐小时进行潮流计算，获取24小时节点电压分布情况并计算电压偏差。
如图7所示，以IEEE33节点***为例，将充电负荷接入馈线节点上，计算各馈线节点上电压分布。如图所示，2-5、8-13、17-19、23-25和27-33节点是居民区，20-22节点是工作区，6-7和26节点是商业区，14-16是其他功能区。仿真结果表明，居民区在夜间电压偏差较大，因为居民生活用电晚高峰与电动汽车充电负荷叠加，而工作区与商业区白天的电压偏差较大。
根据预测的电动汽车的充电负荷，可以实现对电动汽车规划设计，如图8所示，规划主要包括三个方面，有序充放电、V2G技术和电动汽车充放电管理***。a.有序充放电电动汽车的有序充电指的是在保证用户出行需求的前提下,对电动汽车的充电行为进行有效引导和控制，从而达到减小充电负荷对电网的负面影响的目的。b.利用电动汽车动力电池作为电网和可再生能源的缓冲，当电网负荷高时，电动汽车释放电能到电网；当电网负荷低时，电动汽车就用来储存电网多余的电量，避免电能的浪费。通过V2G技术方式，电动汽车用户可以在电价低时从电网买电，电价高时向电网卖电，从而达到双赢的效果。c.电动汽车与电网互动充放电控制网络的电动汽车充放电管理***又分为分散式互动充电策略与集中式充电策略两种充电策略。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种电动汽车充电负荷预测方法，其特征在于，包括：
将城市内电动汽车划分为多种类型，并分别获取不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况；
根据不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况对不同类型的电动汽车的用户习惯进行模拟仿真，并确定仿真参数；
根据所述仿真参数计算电动汽车的初始荷电状态以及充电数据；
根据所述电动汽车的充电数据计算不同类型的电动汽车叠加后的充电功率，形成电动汽车的充电负荷曲线。
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，所述将城市内电动汽车划分为多种类型，并分别获取不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况，包括：
将城市内电动汽车划分为电动私家车、电动公交车与电动出租车；
分别获取电动私家车、电动公交车与电动出租车的保有量、电池类型及充电功率、起始充电时间和日行驶里程数据；
根据获取到的数据分析单位时间内的电动汽车的起始充电时间和行驶里程数据的分布情况。
3.根据权利要求2所述的电动汽车充电负荷预测方法，其特征在于，所述单位时间包括24小时。
4.根据权利要求2所述的电动汽车充电负荷预测方法，其特征在于，所述根据不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况对不同类型的电动汽车的用户习惯进行模拟仿真，并确定仿真参数，包括：
根据蒙特卡洛法并结合不同类型的电动汽车在单位时间内的起始充电时间和行驶里程数据的分布情况对不同类型的电动汽车的用户习惯进行模拟仿真，确定仿真的次数、仿真电动汽车的保有量和电动汽车类型所对应的最大行驶里程数。
5.根据权利要求4所述的电动汽车充电负荷预测方法，其特征在于，
当对所述电动私家车的用户习惯进行模拟仿真时，抽取不同的出行链和日期及对应的起始充电时间和日行驶里程数进行模拟仿真；
当对电动公交车和电动出租车仿真时，随机抽取对应的起始充电时间和日行驶里程数进行模拟仿真。
6.根据权利要求2所述的电动汽车充电负荷预测方法，其特征在于，所述根据所述仿真参数计算电动汽车的初始荷电状态以及充电数据，包括：
根据所述仿真参数计算电动汽车的初始荷电状态；
计算电动汽车充电所耗时长及充电的时间范围。
7.根据权利要求6所述的电动汽车充电负荷预测方法，其特征在于，所述根据所述仿真参数计算电动汽车的初始荷电状态的计算公式为：
Figure FDA0002870142880000021
其中，SOC表示电动汽车本次充电开始时的电池荷电状态，SOC2表示上次充电完成时的电池荷电状态，d表示本次行驶的里程数，dm表示电动汽车的最大行驶里程数。
8.根据权利要求6所述的电动汽车充电负荷预测方法，其特征在于，所述计算电动汽车充电所耗时长及充电的时间范围的计算公式为：
Figure FDA0002870142880000022
Tend＝Tstart+T，
其中，T电动汽车充电所耗时长，表示Ci表示第i类电动汽车的电池容量，SOC表示电动汽车本次充电开始时的电池荷电状态，ηi表示第i类电动汽车的充电效率，Pi表示第i类电动汽车的充电功率，Tend表示电动汽车充电结束时间，Tstart表示电动汽车充电开始时间。
9.根据权利要求2所述的电动汽车充电负荷预测方法，其特征在于，所述根据所述电动汽车的充电数据计算不同类型的电动汽车叠加后的充电功率，形成电动汽车的充电负荷曲线，包括：
计算各节点的充电功率，其中将所述单位时间划分为多个节点，每个节点计算一次电动汽车的充电功率；
将多种类型的电动汽车的充电功率进行叠加。
10.根据权利要求9所述的电动汽车充电负荷预测方法，其特征在于，所述计算各节点的充电功率的计算公式为：
Figure FDA0002870142880000023
其中，Pi,k表示第i类电动汽车在第k个节点的充电功率之和，Pi,tk-1,k表示第i类电动汽车中满足条件电动汽车充电开始时间大于第k-1个节点tk-1的车辆的充电功率；
所述将多种类型的电动汽车的充电功率进行叠加的计算公式为：
Pk＝Pcar,k+Pbus,k+Ptaxi,k，
其中，Pcar,k表示电动私家车在第k个节点的充电功率之和，Pbus,k表示电动公交车在第k个节点的充电功率之和，Ptaxi,k表示电动出租车在第k个节点的充电功率之和，Pk表示第k个节点将多种类型的电动汽车的充电功率叠加之和。
CN202011604643.9A 2020-12-29 2020-12-29 一种电动汽车充电负荷预测方法 Pending CN112613682A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011604643.9A CN112613682A (zh) 2020-12-29 2020-12-29 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
CN202011604643.9A CN112613682A (zh) 2020-12-29 2020-12-29 一种电动汽车充电负荷预测方法

Publications (1)

Publication Number Publication Date
CN112613682A true CN112613682A (zh) 2021-04-06

Family

ID=75249190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011604643.9A Pending CN112613682A (zh) 2020-12-29 2020-12-29 一种电动汽车充电负荷预测方法

Country Status (1)

Country Link
CN (1) CN112613682A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN115465141A (zh) * 2022-09-16 2022-12-13 上海挚达科技发展有限公司 电动汽车充放电控制方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015022469A (ja) * 2013-07-18 2015-02-02 三菱重工業株式会社 電気自動車の電力管理装置及び電気自動車の電力需要予測方法
CN107742038A (zh) * 2017-10-30 2018-02-27 广东电网有限责任公司惠州供电局 电动汽车充电负荷预测方法及装置
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
CN110570014A (zh) * 2019-08-07 2019-12-13 浙江大学 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
CN110968915A (zh) * 2019-12-02 2020-04-07 国网浙江省电力有限公司绍兴供电公司 一种电动汽车充电负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015022469A (ja) * 2013-07-18 2015-02-02 三菱重工業株式会社 電気自動車の電力管理装置及び電気自動車の電力需要予測方法
CN107742038A (zh) * 2017-10-30 2018-02-27 广东电网有限责任公司惠州供电局 电动汽车充电负荷预测方法及装置
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
CN110570014A (zh) * 2019-08-07 2019-12-13 浙江大学 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
CN110968915A (zh) * 2019-12-02 2020-04-07 国网浙江省电力有限公司绍兴供电公司 一种电动汽车充电负荷预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN115465141A (zh) * 2022-09-16 2022-12-13 上海挚达科技发展有限公司 电动汽车充放电控制方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Bibak et al. A comprehensive analysis of Vehicle to Grid (V2G) systems and scholarly literature on the application of such systems
Liu et al. Optimal charging strategy for large-scale electric buses considering resource constraints
CN105322559B (zh) 一种基于v2g技术的电动汽车配电调度控制方法
Tu et al. Electric vehicle charging optimization to minimize marginal greenhouse gas emissions from power generation
Jian et al. Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid
Huang et al. A two-stage stochastic programming model of coordinated electric bus charging scheduling for a hybrid charging scheme
Gan et al. A probabilistic evaluation method of household EVs dispatching potential considering users’ multiple travel needs
Alharbi et al. Electric vehicle charging facility as a smart energy microhub
Darabi et al. Plug-in hybrid electric vehicles: Charging load profile extraction based on transportation data
Guner et al. Distributed storage capacity modelling of EV parking lots
CN112613682A (zh) 一种电动汽车充电负荷预测方法
Ye et al. Decarbonizing regional multi-model transportation system with shared electric charging hubs
Freund et al. Costs and gains of smart charging electric vehicles to provide regulation services
Grahn et al. Plug-in-vehicle mobility and charging flexibility Markov model based on driving behavior
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
Ali et al. Optimal operation of static energy storage in fast-charging stations considering the trade-off between resilience and peak shaving
CN114725967A (zh) 一种基于车网互动v2g的电动汽车充放电效益优化方法
Chen et al. Cost-effective electric bus resource assignment based on optimized charging and decision robustness
CN114039372A (zh) 参与电网分区削峰填谷的电动汽车车辆调度方法及***
Ruiz et al. An optimal battery charging and schedule control strategy for electric bus rapid transit
CN111651899A (zh) 考虑用户选择行为的换电站鲁棒选址定容方法和***
CN116853048A (zh) 用于共享电动汽车和微电网的协同控制方法及控制***
Bayram et al. Statistical characterisation of public AC EV chargers in the UK
He et al. Multi-time simulation of electric taxicabs' charging demand based on residents' travel characteristics
Qian et al. An electric vehicle charging load prediction method based on travel trajectory characteristics

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