CN114274800A - 一种营运电动汽车群体聚合充电行为预测方法及相关装置 - Google Patents
一种营运电动汽车群体聚合充电行为预测方法及相关装置 Download PDFInfo
- Publication number
- CN114274800A CN114274800A CN202111676105.5A CN202111676105A CN114274800A CN 114274800 A CN114274800 A CN 114274800A CN 202111676105 A CN202111676105 A CN 202111676105A CN 114274800 A CN114274800 A CN 114274800A
- Authority
- CN
- China
- Prior art keywords
- charging
- group
- electric vehicles
- commercial electric
- probability
- 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 75
- 230000002776 aggregation Effects 0.000 title claims abstract description 52
- 238000004220 aggregation Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 238000003860 storage Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 77
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 230000005611 electricity Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 230000001680 brushing effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- 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
-
- 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
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/14—Plug-in electric vehicles
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种营运电动汽车群体聚合充电行为预测方法,包括:获取多个营运电动汽车的车辆运行数据;调用充电概率预测模型,根据车辆运行数据生成各个营运电动汽车对应的充电概率;根据充电概率确定多个营运电动汽车中属于充电群体的车辆,以及充电群体的总充电功率;调用聚合优化模型,根据总充电功率以及预测的居民基础负荷对聚合优化模型求解,得到充电群体的预测总数。针对营运电动汽车的特殊性,根据营运电动汽车的充电概率从营运电动汽车中划分出充电群体,根据聚合优化模型求解适合调峰目标的分时调度充电群体结果,可以实现对营运电动汽车充电行为的预测。本发明还提供了一种装置、设备及存储介质,同样具有上述有益效果。
Description
技术领域
本发明涉及电动汽车调度技术领域,特别是涉及一种营运电动汽车群体聚合充电行为预测方法、一种营运电动汽车群体聚合充电行为预测装置、一种营运电动汽车群体聚合充电行为预测设备以及一种计算机可读存储介质。
背景技术
出于对环保问题和能源安全问题的考虑,世界汽车工业发展的整体趋势是大力发展电动汽车。随着电动汽车渗透率的快速增长,数量更多的电动汽车更加频繁地接入电网将带来诸多影响,一方面聚集性负荷会加重电网负担,另一方面分散性负荷会带来冲击电压。因此有必要对聚集性负荷和分散性负荷进行有效的引导和聚合,减弱电动汽车充电对电网的影响。目前的聚合调度研究工作中,绝大多数关于电动汽车负荷参与需求调度的研究都仅限于基于出行链和区分所处功能区的私人电动汽车,缺乏对充电随机性较高的营运电动汽车情况的考虑。
虽然营运电动汽车的数量相对于私人车乘用车的数量较低,但是单次充电功率相对较高,而且在电动汽车渗透率不断提高的情况下,营运电动汽车充电对电网的影响越来越大,对电网安全提出了更高的要求。以浙江省为例,截至2020年,新能源私人乘用车数量有近20万辆,充电功率主要分布在7kW~30kW范围内,新能源网约车和出租车有近10万辆,工作时间充电功率主要分布在20kW~60kW范围内,相比之下,营运电动汽车的充电负荷逐渐成为一种不可忽视的电网负担。
所以如何提供一种可以实现营运电动汽车群体聚合充电行为预测的技术方案是本领域技术人员急需解决的问题。
发明内容
本发明的目的是提供一种营运电动汽车群体聚合充电行为预测方法,可以实现对营运电动汽车充电行为的预测;本发明的另一目的在于提供一种营运电动汽车群体聚合充电行为预测装置、一种营运电动汽车群体聚合充电行为预测设备以及一种计算机可读存储介质,可以实现对营运电动汽车充电行为的预测。
为解决上述技术问题,本发明提供一种营运电动汽车群体聚合充电行为预测方法,包括:
获取多个营运电动汽车的车辆运行数据;
调用充电概率预测模型,根据所述车辆运行数据生成各个所述营运电动汽车对应的充电概率;
根据所述充电概率确定多个所述营运电动汽车中属于充电群体的车辆,以及所述充电群体的总充电功率;
调用聚合优化模型,根据所述总充电功率以及预测的居民基础负荷对所述聚合优化模型求解,得到所述充电群体的预测总数以及平均充电功率。
可选的,所述根据所述充电概率确定多个所述营运电动汽车中属于充电群体的车辆,以及所述充电群体的总充电功率包括:
根据所述营运电动汽车中初始的电池荷电状态以及所述充电概率,将所述营运电动汽车划分为充电群体和行驶群体;
根据汽车充电功率或行驶耗电功率更新各个所述营运电动汽车的电池荷电状态;
根据更新后的所述电池荷电状态确定所述充电群体和所述行驶群体之间的转换数量,以更新所述充电群体;
计算更新后所述充电群体的总充电功率。
可选的,所述根据所述营运电动汽车中初始的电池荷电状态以及所述充电概率,将所述营运电动汽车划分为充电群体和行驶群体包括:
将所述营运电动汽车中电池荷电状态不高于能量状态阈值的营运电动汽车,以及所述营运电动汽车中电池荷电状态高于所述能量状态阈值,但对应所述充电概率高于概率阈值的车辆划分至充电群体;
将所述营运电动汽车中电池荷电状态高于期望值的车辆划分至行驶群体。
可选的,所述聚合优化模型的目标函数为根据所述总充电功率以及所述居民基础负荷计算每个调度周期中电网的负荷方差。
可选的,所述对所述聚合优化模型求解包括:
通过序列二次规划算法和/或内点法对所述聚合优化模型求解。
可选的,所述充电概率预测模型的训练过程包括:
获取历史运行数据;
将所述历史运行数据划分为多个行程,并提取所述行程对应的特征;
以所述行程开始时选择充电或不充电的行为作为训练目标,通过所述特征对所述充电概率预测模型进行训练。
可选的,所述将所述历史运行数据划分为多个行程包括:
将大于标准时长的行程根据运行时间划分为多段行程。
本发明还提供了一种营运电动汽车群体聚合充电行为预测装置,包括:
获取模块,用于获取多个营运电动汽车的车辆运行数据;
概率模块,用于调用充电概率预测模型,根据所述车辆运行数据生成各个所述营运电动汽车对应的充电概率;
群体划分模块,用于根据所述充电概率确定多个所述营运电动汽车中属于充电群体的车辆,以及所述充电群体的总充电功率;
预测模块,用于调用聚合优化模型,根据所述总充电功率以及预测的居民基础负荷对所述聚合优化模型求解,得到所述充电群体的预测总数以及平均充电功率。
本发明还提供了一种营运电动汽车群体聚合充电行为预测设备,所述设备包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序时实现如上述任一项所述营运电动汽车群体聚合充电行为预测方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述营运电动汽车群体聚合充电行为预测方法的步骤。
本发明所提供的一种营运电动汽车群体聚合充电行为预测方法,包括:获取多个营运电动汽车的车辆运行数据;调用充电概率预测模型,根据车辆运行数据生成各个营运电动汽车对应的充电概率;根据充电概率确定多个营运电动汽车中属于充电群体的车辆,以及充电群体的总充电功率;调用聚合优化模型,根据总充电功率以及预测的居民基础负荷对聚合优化模型求解,得到充电群体的预测总数。
针对营运电动汽车的特殊性,根据营运电动汽车的充电概率从营运电动汽车中划分出充电群体,根据聚合优化模型求解适合调峰目标的分时调度充电群体结果,可以实现对营运电动汽车充电行为的预测。
本发明还提供了一种营运电动汽车群体聚合充电行为预测装置、一种营运电动汽车群体聚合充电行为预测设备以及一种计算机可读存储介质,同样具有上述有益效果,在此不再进行赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种营运电动汽车群体聚合充电行为预测方法的流程图;
图2为本发明实施例所提供的一种具体的营运电动汽车群体聚合充电行为预测方法的流程图;
图3为划分营运电动汽车群体的示意图;
图4为非工作日24小时居民用电负荷曲线图;
图5为工作日24小时居民用电负荷曲线图;
图6为非工作日8:00到20:00居民用电负荷曲线图;
图7为工作日8:00到20:00居民用电负荷曲线图;
图8为非工作日预测效果对比图;
图9为工作日预测效果对比图;
图10为本发明实施例所提供的一种营运电动汽车群体聚合充电行为预测装置的结构框图;
图11为本发明实施例所提供的一种营运电动汽车群体聚合充电行为预测设备的结构框图。
具体实施方式
本发明的核心是提供一种营运电动汽车群体聚合充电行为预测方法。在现有技术中,现有电动汽车参与电网调度的场景,主要是考虑基于出行链或者基于功能区划分的私人乘用车参与电网调度的情况,忽略了另一个电动汽车群体,即出行和充电随机性相对较高的营运电动汽车群体,这个群体的规模在不断增加,而且平均充电功率高,充电需求频繁,如果不对这个群体的充电行为进行合适地引导,将会对电网的安全运行造成很大影响,因此有必要针对这个群体重点考虑聚合调度的问题。
且现有的电动汽车参与电网调度的场景的主要特点是电动汽车停留时间大于充电时间,具体的调度手段是调控电动汽车充电开始时间、结束时间和充电功率。在考虑营运电动汽车参与调度时,停留时间基本与充电时间重合,而且急迫的充电需求使得调控功率的方法实施性不高,这种调控方式难以适用于营运电动汽车的调度。
而本发明实施例所提供的一种营运电动汽车群体聚合充电行为预测方法,包括:获取多个营运电动汽车的车辆运行数据;调用充电概率预测模型,根据车辆运行数据生成各个营运电动汽车对应的充电概率;根据充电概率确定多个营运电动汽车中属于充电群体的车辆,以及充电群体的总充电功率;调用聚合优化模型,根据总充电功率以及预测的居民基础负荷对聚合优化模型求解,得到充电群体的预测总数。
针对营运电动汽车的特殊性,根据营运电动汽车的充电概率从营运电动汽车中划分出充电群体,根据聚合优化模型求解适合调峰目标的分时调度充电群体结果,可以实现对营运电动汽车充电行为的预测。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
请参考图1,图1为本发明实施例所提供的一种营运电动汽车群体聚合充电行为预测方法的流程图。
首先需要说明的是,本发明实施例所提供的一种营运电动汽车群体聚合充电行为预测方法具体基于下述假设建立并计算:
1)假设营运电动汽车充电时间等于停留时间;
2)假设营运电动汽车均以最大充电功率充电;
3)假设营运电动汽车以恒定功率进行充电;
4)假设不考虑营运电动汽车接入电力***放电的情形。
在上述假设基础上,可以通过下述内容对营运电动汽车的充电行为进行预测。在面对实际情况时,可以对下述过程进行适应性修改。
参见图1,在本发明实施例中,营运电动汽车群体聚合充电行为预测方法包括:
S101:获取多个营运电动汽车的车辆运行数据。
在本步骤中,需要获取多个营运电动汽车的车辆运行数据,该车辆运行数据通常包括荷电状态、时间段、季节、温度、充电价格、汽车电池容量、是否为工作日、是否为节假日等数据,以便从该运行数据中挖掘出相应的规律,实现对营运电动汽车的充电概率进行预测。
S102:调用充电概率预测模型,根据车辆运行数据生成各个营运电动汽车对应的充电概率。
上述充电概率预测模型通常需要经过预先训练,而训练充电概率预测模型的过程将在下述发明实施例中做详细介绍,在此不再进行赘述。
在本步骤中,会通过上述充电概率预测模型对车辆运行数据进行运算,生成每台营运电动汽车所对应的充电概率,即当前需要对其进行充电的可能性高低。具体的,上述充电概率预测模型所对应的机器学习算法需要能够实现多变量拟合函数的目的,即利用多个变量数据来预测一个或者多个目标变量值。可选的,该充电概率预测模型所对应的算法包括但是不限于随机森林、神经网络、长短期记忆网络(Long short-term memory,LSTM),梯度提升决策树(Gradient boosting decision tree,GDBT)、极端梯度提升(Extremegradient boosting,XGBoost)等,对此不做具体限定。
S103:根据充电概率确定多个营运电动汽车中属于充电群体的车辆,以及充电群体的总充电功率。
在本步骤中,会参考上述充电概率将营运电动汽车中的一部分划分为充电群体,即需要进行充电的营运电动汽车所构成的群体。有关群体具体的划分方法将在下述发明实施例中做详细介绍,在此不再进行赘述。
在本步骤中,需要确定充电群体的总充电功率,其通常为对充电群体中营运电动汽车的充电功率进行求和,所得到的功率。其具体内容将在下述发明实施例中做详细介绍,在此不再进行赘述。
S104:调用聚合优化模型,根据总充电功率以及预测的居民基础负荷对聚合优化模型求解,得到充电群体的预测总数以及平均充电功率。
在本步骤中,上述总充电功率为S103中确定的参数,而居民基础负荷为通过其他方式以及数据预测计算得到的,对应居民日常使用的符合,即居民基础负荷。该居民基础负荷在本发明实施例中通常理解为电网中除了对营运电动汽车供电之外,所需要消耗的复合。有关居民基础负荷的具体计算过程可以参考现有技术,在此不再进行赘述。
上述聚合优化模型通常可以基于总充电功率以及居民基础负荷,将充电群体充电时有功功率,即上述总充电功率随时间变化有峰谷效应,弥补居民用电功率,即居民基础负荷的峰谷效应,达到电网端总体“削峰填谷”的效果。具体的,在本发明实施例中,所述聚合优化模型的目标函数可以为根据所述总充电功率以及所述居民基础负荷计算每个调度周期中电网的负荷方差,其中总充电功率为决策变量,从而实现上述效果。有关聚合优化模型的具体内容将在下述发明实施例中做详细介绍,在此不再进行赘述。
本发明实施例所提供的一种营运电动汽车群体聚合充电行为预测方法,包括:获取多个营运电动汽车的车辆运行数据;调用充电概率预测模型,根据车辆运行数据生成各个营运电动汽车对应的充电概率;根据充电概率确定多个营运电动汽车中属于充电群体的车辆,以及充电群体的总充电功率;调用聚合优化模型,根据总充电功率以及预测的居民基础负荷对聚合优化模型求解,得到充电群体的预测总数。
针对营运电动汽车的特殊性,根据营运电动汽车的充电概率从营运电动汽车中划分出充电群体,根据聚合优化模型求解适合调峰目标的分时调度充电群体结果,可以实现对营运电动汽车充电行为的预测。
有关本发明所提供的一种营运电动汽车群体聚合充电行为预测方法的具体内容将在下述发明实施例中做详细介绍。
请参考图2以及图3,图2为本发明实施例所提供的一种具体的营运电动汽车群体聚合充电行为预测方法的流程图;图3为划分营运电动汽车群体的示意图。
参见图2,在本发明实施例中,营运电动汽车群体聚合充电行为预测方法包括:
S201:获取历史运行数据。
在后续步骤使用充电概率预测模型,需要先对其进行训练。而在本步骤中,需要先获取历史运行数据,该历史运行数据的具体内容可以参考上述车辆运行数据,在此不再进行赘述。
S202:将历史运行数据划分为多个行程,并提取行程对应的特征。
在本步骤中,需要按照是否充电、停留、行驶状态等划分为不同的行程,此处行程可以理解为在一段连续时间内,营运电动汽车进行某一种或者某几种活动的过程。比如,在8:00~9:00这个时间段,某辆车在充电,9:00~10:00,该车在行驶,用历史行驶数据可以将连续时间片段,分类为具有不同行为状态的过程。
在本步骤中,需要提取划分后行程对应的相应特征,提取包括但不限于特征对应的原始值、差分值、平均值、方差、标准差、数据分布的峰度、偏度等。有关特征的具体内容需要根据实际情况自行确定,在此不做具体限定。
具体的,在本步骤中通常需要将大于标准时长的行程根据运行时间划分为多段行程。即为了提高数据利用率,可以把较长行程划分为多个细微片段,通常是根据时长,将将大于标准时长的行程根据运行时间划分为多段行程。在本步骤中需要根据历史运行数据提取该车辆在不同行程片段开始时选择充电或者不充电的行为作为训练的目标,训练目标可以理解为机器学习的标签值。
S203:以行程开始时选择充电或不充电的行为作为训练目标,通过特征对充电概率预测模型进行训练。
在本步骤中,需要以行程开始时选择充电或不充电的行为作为训练目标,基于历史运行状态数据的多个行程特征数据,即上述计算得到的特征,利用机器学习算法,构建营运电动汽车充电概率预测模型。该预测模型的输出为任意营运电动汽车在任意运行状态情境下,选择是否充电的概率值pt,char。此处机器学习算法能够实现多变量拟合函数的目的,即利用多个变量数据来预测一个或者多个目标变量值。可选的,其包括但是不限于随机森林、神经网络、长短期记忆网络、梯度提升决策树、极端梯度提升等,对此不做具体限定。
S204:获取多个营运电动汽车的车辆运行数据。
S205:调用充电概率预测模型,根据车辆运行数据生成各个营运电动汽车对应的充电概率。
上述S204至S205的内容与上述发明实施例中S101至S102基本一致,有关充电概率预测模型的具体内容已在上述发明实施例中做详细介绍,在此不再进行赘述。
S206:根据营运电动汽车中初始的电池荷电状态以及充电概率,将营运电动汽车划分为充电群体和行驶群体。
针对大规模的电动汽车,分别针对每一辆车做出相应的调度策略的计算复杂度太高,因此有必要分析电动汽车运行过程中相似的特点,并根据这些特点,将大规模的电动汽车群体,划分为充电需求、行为特性等相似的小规模群体,并对小规模群体制定相对应的调度策略。这需要对电动汽车群体的能量状态进行不断地更新。而在本发明实施例中,会将营运电动汽车划分为充电群体和行驶群体。
电动汽车接入电力***后,需要建立t时刻的电池荷电状态SOC与充电功率Pchar的关系:
电动汽车断开电力***连接后,需要建立t时刻的电池荷电状态SOC与放电功率Prun的关系:
其中,SOC是荷电状态,Pchar是充电功率,Prun是行驶时能量消耗功率,Ct是t时刻的电池电量,Cmax是电池容量。
由于在本发明实施例中不考虑营运电动汽车接入电力***放电的情形,因此充放电功率满足以下约束关系:
0≤Pchar≤Pchar,max;
-Prun,max≤Prun≤0;
其中,Pchar,max是营运电动汽车最大的充电功率,Pchar是充电功率,Prun是行驶耗电功率。将上述两种情况合并起来,并且进行离散化处理,可以得到t时刻SOC和充放电功率Pt的关系:
其中,Pt是Δt时间内营运电动汽车充电功率或者行驶耗电功率。
在本发明实施例中,会将处于同一个时间段,具有相似能量状态、充电需求的电动汽车描述为一个电动汽车群体。具体的,对于t时刻SOC低于能量状态阈值下限的营运电动汽车可以划分进充电群体X,对于SOC高于能量状态阈值下限的电动汽车根据其充电概率pt,char划分进入充电群体X,对于SOC高于用户设定的期望值时就可以划分进入行驶群体Y。
因此,本步骤可以具体包括:将所述营运电动汽车中电池荷电状态不高于能量状态阈值的营运电动汽车,以及所述营运电动汽车中电池荷电状态高于所述能量状态阈值,但对应所述充电概率高于概率阈值的车辆划分至充电群体;将所述营运电动汽车中电池荷电状态高于期望值的车辆划分至行驶群体。需要说明的是,上述能量状态阈值下限是根据历史数据中用户开始充电时SOC的平均值决定的,其取决于用来训练的数据,不是人为设定。当数据集固定时,该阈值固定。
S207:根据汽车充电功率或行驶耗电功率更新各个营运电动汽车的电池荷电状态。
S208:根据更新后的电池荷电状态确定充电群体和行驶群体之间的转换数量,以更新充电群体。
S209:计算更新后充电群体的总充电功率。
在本发明实施例中,任意时刻充电群体可以等效转化为以相同充电功率充电的群体,此时可以如下述公式计算:
其中,Pev,t是t时刻电动汽车集群m的总充电功率,Pi,t是t时刻营运电动汽车的充电功率,Nx是充电群体内的营运电动汽车数量,xt表示等效充电群体的营运电动汽车数量,Pc表示等效充电群体的电动汽车充电功率。
t时刻等效充电群体X的营运电动汽车数量可以分解为三个部分,即t-1时刻等效充电群体的电动汽车数量,加上t-1时刻到t时刻转为充电群体的数量,再去除t-1时刻到t时刻转为行驶群体的刷领。同理等效行驶群体Y也可以获得,其对应的群体数量为y:
xt=xt-1+xt,add-xt,sub;
yt=yt-1+xt,sub-xt,add;
xt,add是t时刻从行驶状态转为充电状态的群体的数量,主要是指行驶群体中SOC到达能量状态阈值下限和能量状态虽然高于能量状态阈值下限但是按照群体充电概率计算得到的群体。xt,sub是t时刻从充电状态转为行驶状态的群体的数量,主要是指满足了到达用户的期望能量状态,结束充电的群体数量。
相应的,在计算上述xt,add以及xt,sub时,具体会根据上述S207至S208的步骤,先根据汽车充电功率或行驶耗电功率更新各个营运电动汽车的电池荷电状态,再根据更新后的电池荷电状态确定充电群体和行驶群体之间的转换数量,以更新充电群体,其更新过程具体如图3所示。而在S209中,需要计算当前时刻,对应更新后充电群体的总充电功率,以便后续计算。
S210:调用聚合优化模型,根据总充电功率以及预测的居民基础负荷对聚合优化模型求解,得到充电群体的预测总数以及平均充电功率。
为了降低配电网的整体用电负荷波动,在本发明实施例中以最小化营运电动汽车群体接入的电力***的每个调度周期的负荷方差F为目标函数,该目标函数的决策变量是电动汽车群体充电有功功率,即上述总充电功率Pev,t:
其中PL,t和Pev,t分别是电力***中居民基础负荷、电动汽车集群在t时刻消耗的有功功率,即总充电功率,T是目标调峰时段的时间分段个数,比如分成12个小时,以5分钟为时间间隔,则分为144段,T=144。
上述聚合优化模型的约束条件为:
根据等效转化公式,电动汽车群体的充电功率可以转化为充电群体数量和等效充电功率的乘积。
t时刻等效充电群体的电动汽车数量可以分解为三个部分,即t-1时刻等效充电群体的营运电动汽车数量,加上t-1时刻到t时刻转为充电群体的刷领,再去除t-1时刻到t时刻转为行驶群体的数量:
xt=xt-1+xt,add-xt,sub;
其中,xt-1是t-1时刻等效充电群体的营运电动汽车数量,xt,add是t-1时刻到t时刻转为充电群体的营运电动汽车数量,xt,sub是t-1时刻到t时刻转为行驶群体的营运电动汽车数量。进一步的:
Xt,soc≤soc_lb≤xt,add;
0≤xt,sub≤Xt,soc>soc_ub;
其中,Xt,soc≤soc_lb是t时刻SOC低于阈值下限的充电群体的数量,Xt,soc≥soc_lb是t时刻SOC高于阈值下限的充电群体的数量,能量状态阈值下限即用户必须充电的最低SOC值,Xt,soc>soc_ub是t时刻SOC高于阈值上限的充电群体的数量,阈值上限即用户期望的离开时的SOC值,是SOC高于阈值上限的充电群体的充电概率平均值。显然,上述约束条件与上述S207至S208所提供的内容相对应,因此上述S207至S208相当于获取其对应的约束条件,而在本发明实施例中同时将该约束条件输入述聚合优化模型。
由于上述模型为非线性规划模型,因此在本步骤中对上述聚合优化模型进行求解的步骤包括:通过序列二次规划算法和/或内点法对所述聚合优化模型求解。即相关的求解算法包括序列二次规划算法和内点法等,考虑到Gurobi在求解非线性规划方面的高效便捷性,在本发明实施例中具体可以采用Gurobi进行模型求解。
下面将具体举例说明本发明实施例所提供的营运电动汽车群体聚合充电行为预测方法的流程。首先在t0时刻开始电网调峰调度,完成初始电动汽车群体的能量状态设置,调度周期内时间、电价和初始群体划分等设置;从t1时刻起,先将目前电动汽车群体的能量状态、所处的时间段、当时的电价输入到充电概率预测模型中,获得营运电动汽车充电群体的充电概率,并基于此获得t1时刻的充电群体变化量约束,然后将约束条件和此时的群体能量状态输入聚合优化模型中进行求解;接着获得t2时刻充电群体、行驶群体变化量;进而更新充电群体和行驶群体数量,并按照充电和行驶过程更新充电群体和行驶群体状态;这个过程会循环进行,直到调度周期完成。
相应的上述S201至S203的内容为对充电概率预测模型进行训练的过程,S204至S205为生成充电概率的过程,S206至S209为获取充电群体变化量约束,得到约束条件和此时的群体能量状态的过程;S210为通过对聚合优化模型求解,得到每个时刻充电群体的车辆总数和平均充电功率。之后循环上述过程,直到调度周期完成。上述群体能量状态具体包括某个电动汽车群体的车辆总数,荷电水平平均值,标准差等能表示一个电动汽车群体在某一个时刻的总体能量状态的统计值。
本发明实施例所提供的一种营运电动汽车群体聚合充电行为预测方法,针对营运电动汽车群体这个群体展开聚合优化调度,参与电网调峰行动,考虑到了营运电动汽车在行驶和充电方面的特殊性;为了挖掘营运电动汽车充电随机性,采用数据驱动的方式,建立营运电动汽车充电预测模型,挖掘营运电动汽车群体在充电时做出选择的有限理性;为了提高调度效率,基于用户充电需求和预测充电概率,将营运电动汽车群体划分为动态变化的充电群体和行驶群体;基于基础的充电群体和行驶群体划分,模拟实时变化的群体能量状态和用户有限理性选择,建立调峰聚合优化模型,求解适合调峰目标的分时调度充电群体结果。
请参考图4至图9,图4为非工作日24小时居民用电负荷曲线图;图5为工作日24小时居民用电负荷曲线图;图6为非工作日8:00到20:00居民用电负荷曲线图;图7为工作日8:00到20:00居民用电负荷曲线图;图8为非工作日预测效果对比图;图9为工作日预测效果对比图。
在本发明实施例中,以早上8:00到20:00这个时间段为营运电动汽车参与调峰的,最终聚合优化群体数量如图所示,为了区分工作日和非工作日的基础负荷,采用1月1日,即非工作日,与1月2日,即工作日完成本实施例。上述充电概率预测模型采用某个城市500辆营运电动汽车在2019年一年的运行数据,机器学习模型采用XGBoost进行训练。其中某个城市一天24小时居民用电负荷如图4以及图5所示,8:00到20:00这个时间段居民用电负荷如图6以及图7所示。
在本发明实施例中,营运电动汽车群体参数设置如下:包括10000辆营运电动汽车,其电池容量40kWh,充电功率最大为60kW,最低SOC阈值为10%。早上8:00电动汽车群体SOC分布为N(0.8,0.2),最小时间间隔为5分钟,T=144,SOC阈值下限设置为10%。充电结束期望SOC分布为N(0.9,0.1),营运电动汽车行驶耗电功率最大为6kW,对应平均速度30km/h,百公里电耗20kWh的电动汽车。
通过上述发明实施例所提供的内容可以求解结果为调度周期内,任意时刻电动汽车群体中参与调度的充电群体数量,其结果如图8以及图9所示。结果表明,在充分考虑用户充电需求、实际充电概率和电网调峰需求的情况下,营运电动汽车群体在非工作日调度前充电功率负荷方差为21685317,调度后20641924,下降了4.8%;在工作日调度前充电功率负荷方差为12552811,调度后12274331,下降了2.22%。从结果来看,调度的实际实现方式是增加了负荷低谷时的充电群体数量。
下面对本发明实施例所提供的一种营运电动汽车群体聚合充电行为预测装置进行介绍,下文描述的营运电动汽车群体聚合充电行为预测装置与上文描述的营运电动汽车群体聚合充电行为预测方法可相互对应参照。
请参考图10,图10为本发明实施例所提供的一种营运电动汽车群体聚合充电行为预测装置的结构框图。参照图10,营运电动汽车群体聚合充电行为预测装置可以包括:
获取模块100,用于获取多个营运电动汽车的车辆运行数据。
概率模块200,用于调用充电概率预测模型,根据所述车辆运行数据生成各个所述营运电动汽车对应的充电概率。
群体划分模块300,用于根据所述充电概率确定多个所述营运电动汽车中属于充电群体的车辆,以及所述充电群体的总充电功率。
预测模块400,用于调用聚合优化模型,根据所述总充电功率以及预测的居民基础负荷对所述聚合优化模型求解,得到所述充电群体的预测总数以及平均充电功率。
作为优选的,在本发明实施例中,群体划分模块300包括:
划分单元,用于根据所述营运电动汽车中初始的电池荷电状态以及所述充电概率,将所述营运电动汽车划分为充电群体和行驶群体。
荷电状态更新单元,用于根据汽车充电功率或行驶耗电功率更新各个所述营运电动汽车的电池荷电状态。
群体更新单元,用于根据更新后的所述电池荷电状态确定所述充电群体和所述行驶群体之间的转换数量,以更新所述充电群体。
总充电功率单元,用于计算更新后所述充电群体的总充电功率。
作为优选的,在本发明实施例中,划分单元包括:
充电群体子单元,用于将所述营运电动汽车中电池荷电状态不高于能量状态阈值的营运电动汽车,以及所述营运电动汽车中电池荷电状态高于所述能量状态阈值,但对应所述充电概率高于概率阈值的车辆划分至充电群体。
行驶群体子单元,用于将所述营运电动汽车中电池荷电状态高于期望值的车辆划分至行驶群体。
作为优选的,在本发明实施例中,所述聚合优化模型的目标函数为根据所述总充电功率以及所述居民基础负荷计算每个调度周期中电网的负荷方差。
作为优选的,在本发明实施例中,预测模块400具体用于:
通过序列二次规划算法和/或内点法对所述聚合优化模型求解。
作为优选的,在本发明实施例中,还包括:
历史获取模块,用于获取历史运行数据。
行程划分模块,用于将所述历史运行数据划分为多个行程,并提取所述行程对应的特征。
训练模块,用于以所述行程开始时选择充电或不充电的行为作为训练目标,通过所述特征对所述充电概率预测模型进行训练。
作为优选的,在本发明实施例中,行程划分模块具体用于:
将大于标准时长的行程根据运行时间划分为多段行程。
本实施例的营运电动汽车群体聚合充电行为预测装置用于实现前述的营运电动汽车群体聚合充电行为预测方法,因此营运电动汽车群体聚合充电行为预测装置中的具体实施方式可见前文中的营运电动汽车群体聚合充电行为预测方法的实施例部分,例如,获取模块100,概率模块200,群体划分模块300,预测模块400分别用于实现上述营运电动汽车群体聚合充电行为预测方法中步骤S101至S104,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
下面对本发明实施例提供的一种营运电动汽车群体聚合充电行为预测设备进行介绍,下文描述的营运电动汽车群体聚合充电行为预测设备与上文描述的营运电动汽车群体聚合充电行为预测方法以及营运电动汽车群体聚合充电行为预测装置可相互对应参照。
请参考图11,图11为本发明实施例所提供的一种营运电动汽车群体聚合充电行为预测设备的结构框图。
参照图11,该营运电动汽车群体聚合充电行为预测设备可以包括处理器11和存储器12。
所述存储器12用于存储计算机程序;所述处理器11用于执行所述计算机程序时实现上述发明实施例中所述的营运电动汽车群体聚合充电行为预测方法的具体内容。
本实施例的营运电动汽车群体聚合充电行为预测设备中处理器11用于安装上述发明实施例中所述的营运电动汽车群体聚合充电行为预测装置,同时处理器11与存储器12相结合可以实现上述任一发明实施例中所述的营运电动汽车群体聚合充电行为预测方法。因此营运电动汽车群体聚合充电行为预测设备中的具体实施方式可见前文中的营运电动汽车群体聚合充电行为预测方法的实施例部分,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一发明实施例中所介绍的一种营运电动汽车群体聚合充电行为预测方法。其余内容可以参照现有技术,在此不再进行展开描述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种营运电动汽车群体聚合充电行为预测方法、一种营运电动汽车群体聚合充电行为预测装置、一种营运电动汽车群体聚合充电行为预测设备以及一种计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种营运电动汽车群体聚合充电行为预测方法,其特征在于,包括:
获取多个营运电动汽车的车辆运行数据;
调用充电概率预测模型,根据所述车辆运行数据生成各个所述营运电动汽车对应的充电概率;
根据所述充电概率确定多个所述营运电动汽车中属于充电群体的车辆,以及所述充电群体的总充电功率;
调用聚合优化模型,根据所述总充电功率以及预测的居民基础负荷对所述聚合优化模型求解,得到所述充电群体的预测总数以及平均充电功率。
2.根据权利要求1所述的方法,其特征在于,所述根据所述充电概率确定多个所述营运电动汽车中属于充电群体的车辆,以及所述充电群体的总充电功率包括:
根据所述营运电动汽车中初始的电池荷电状态以及所述充电概率,将所述营运电动汽车划分为充电群体和行驶群体;
根据汽车充电功率或行驶耗电功率更新各个所述营运电动汽车的电池荷电状态;
根据更新后的所述电池荷电状态确定所述充电群体和所述行驶群体之间的转换数量,以更新所述充电群体;
计算更新后所述充电群体的总充电功率。
3.根据权利要求2所述的方法,其特征在于,所述根据所述营运电动汽车中初始的电池荷电状态以及所述充电概率,将所述营运电动汽车划分为充电群体和行驶群体包括:
将所述营运电动汽车中电池荷电状态不高于能量状态阈值的营运电动汽车,以及所述营运电动汽车中电池荷电状态高于所述能量状态阈值,但对应所述充电概率高于概率阈值的车辆划分至充电群体;
将所述营运电动汽车中电池荷电状态高于期望值的车辆划分至行驶群体。
4.根据权利要求1所述的方法,其特征在于,所述聚合优化模型的目标函数为根据所述总充电功率以及所述居民基础负荷计算每个调度周期中电网的负荷方差。
5.根据权利要求4所述的方法,其特征在于,所述对所述聚合优化模型求解包括:
通过序列二次规划算法和/或内点法对所述聚合优化模型求解。
6.根据权利要求1所述的方法,其特征在于,所述充电概率预测模型的训练过程包括:
获取历史运行数据;
将所述历史运行数据划分为多个行程,并提取所述行程对应的特征;
以所述行程开始时选择充电或不充电的行为作为训练目标,通过所述特征对所述充电概率预测模型进行训练。
7.根据权利要求6所述的方法,其特征在于,所述将所述历史运行数据划分为多个行程包括:
将大于标准时长的行程根据运行时间划分为多段行程。
8.一种营运电动汽车群体聚合充电行为预测装置,其特征在于,包括:
获取模块,用于获取多个营运电动汽车的车辆运行数据;
概率模块,用于调用充电概率预测模型,根据所述车辆运行数据生成各个所述营运电动汽车对应的充电概率;
群体划分模块,用于根据所述充电概率确定多个所述营运电动汽车中属于充电群体的车辆,以及所述充电群体的总充电功率;
预测模块,用于调用聚合优化模型,根据所述总充电功率以及预测的居民基础负荷对所述聚合优化模型求解,得到所述充电群体的预测总数以及平均充电功率。
9.一种营运电动汽车群体聚合充电行为预测设备,其特征在于,所述设备包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序时实现如权利要求1至7任一项所述营运电动汽车群体聚合充电行为预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述营运电动汽车群体聚合充电行为预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111676105.5A CN114274800B (zh) | 2021-12-31 | 2021-12-31 | 一种营运电动汽车群体聚合充电行为预测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111676105.5A CN114274800B (zh) | 2021-12-31 | 2021-12-31 | 一种营运电动汽车群体聚合充电行为预测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114274800A true CN114274800A (zh) | 2022-04-05 |
CN114274800B CN114274800B (zh) | 2024-04-12 |
Family
ID=80879736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111676105.5A Active CN114274800B (zh) | 2021-12-31 | 2021-12-31 | 一种营运电动汽车群体聚合充电行为预测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114274800B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114744662A (zh) * | 2022-06-13 | 2022-07-12 | 华北电力大学 | 一种基于多类型电动汽车的电网调峰方法及*** |
CN116757877A (zh) * | 2023-08-22 | 2023-09-15 | 国网山西省电力公司运城供电公司 | 新能源接入配电网的电网线损降损优化方法及*** |
TWI838746B (zh) * | 2022-05-10 | 2024-04-11 | 湛積股份有限公司 | 電動載具的充電需求預估方法及其預估系統 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2746093A1 (en) * | 2012-12-21 | 2014-06-25 | Fundació Privada Barcelona Digital Centre Tecnologic | Method and apparatus for optimized management of an electric vehicle charging infrastructure |
CN108830414A (zh) * | 2018-06-12 | 2018-11-16 | 南京邮电大学 | 一种电动汽车商用充电区的负荷预测方法 |
CN108876052A (zh) * | 2018-06-28 | 2018-11-23 | 中国南方电网有限责任公司 | 电动汽车充电负荷预测方法、装置和计算机设备 |
CN112366740A (zh) * | 2020-11-13 | 2021-02-12 | 深圳供电局有限公司 | 一种电动汽车集群调度方法 |
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 |
CN113191547A (zh) * | 2021-04-29 | 2021-07-30 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池充电优化方法及*** |
US20210323431A1 (en) * | 2018-08-30 | 2021-10-21 | Crowd Charge Limited | Electrical vehicle power grid management system and method |
-
2021
- 2021-12-31 CN CN202111676105.5A patent/CN114274800B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2746093A1 (en) * | 2012-12-21 | 2014-06-25 | Fundació Privada Barcelona Digital Centre Tecnologic | Method and apparatus for optimized management of an electric vehicle charging infrastructure |
CN108830414A (zh) * | 2018-06-12 | 2018-11-16 | 南京邮电大学 | 一种电动汽车商用充电区的负荷预测方法 |
CN108876052A (zh) * | 2018-06-28 | 2018-11-23 | 中国南方电网有限责任公司 | 电动汽车充电负荷预测方法、装置和计算机设备 |
US20210323431A1 (en) * | 2018-08-30 | 2021-10-21 | Crowd Charge Limited | Electrical vehicle power grid management system and method |
CN112366740A (zh) * | 2020-11-13 | 2021-02-12 | 深圳供电局有限公司 | 一种电动汽车集群调度方法 |
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 |
CN113191547A (zh) * | 2021-04-29 | 2021-07-30 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池充电优化方法及*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI838746B (zh) * | 2022-05-10 | 2024-04-11 | 湛積股份有限公司 | 電動載具的充電需求預估方法及其預估系統 |
CN114744662A (zh) * | 2022-06-13 | 2022-07-12 | 华北电力大学 | 一种基于多类型电动汽车的电网调峰方法及*** |
CN114744662B (zh) * | 2022-06-13 | 2022-08-26 | 华北电力大学 | 一种基于多类型电动汽车的电网调峰方法及*** |
CN116757877A (zh) * | 2023-08-22 | 2023-09-15 | 国网山西省电力公司运城供电公司 | 新能源接入配电网的电网线损降损优化方法及*** |
CN116757877B (zh) * | 2023-08-22 | 2023-11-28 | 国网山西省电力公司运城供电公司 | 新能源接入配电网的电网线损降损优化方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114274800B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114274800A (zh) | 一种营运电动汽车群体聚合充电行为预测方法及相关装置 | |
Jiang et al. | A real-time EV charging scheduling for parking lots with PV system and energy store system | |
Jian et al. | Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid | |
CN105024432B (zh) | 一种基于虚拟电价的电动汽车充放电优化调度方法 | |
CN113103905B (zh) | 一种电动汽车智能充电分配调节方法、装置、设备及介质 | |
CN111626527B (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
CN111361450B (zh) | 一种增程器控制方法、装置、设备及存储介质 | |
CN108596667B (zh) | 一种基于车联网的电动汽车实时充电电价计算方法 | |
CN113541168A (zh) | 一种电动汽车集群可调控能力确定方法、调度方法及*** | |
CN105894188A (zh) | 一种家庭用电的调度方法 | |
CN112238781B (zh) | 一种基于分层架构的电动汽车有序充电控制方法 | |
CN108062619B (zh) | 一种轨道车辆车地一体化容量配置方法及装置 | |
CN108471139B (zh) | 一种含新能源和温控负荷的区域电网动态需求响应方法 | |
CN106952004B (zh) | 一种电动汽车社区充电实时优化调度方法 | |
CN107392462A (zh) | 一种考虑分类特性的电动汽车并网调度方法 | |
CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和*** | |
CN103580215A (zh) | 一种电动汽车提供辅助服务的经济性分析方法 | |
CN112688347B (zh) | 一种电网负荷波动的平缓***和方法 | |
Ma et al. | Real-time plug-in electric vehicles charging control for V2G frequency regulation | |
CN113022361A (zh) | 电力需求响应条件下基于充电桩的有序充电方法 | |
CN115709665A (zh) | 基于台区自治的电动汽车交流桩有序充电方法及*** | |
JP2015530860A (ja) | バッテリプールの再充電 | |
Korkas et al. | A cognitive stochastic approximation approach to optimal charging schedule in electric vehicle stations | |
CN113487131B (zh) | 一种基于充电需求和储能调节的站网互动方法 | |
CN111160384B (zh) | 一种移动储能车调度优化方法、***及装置 |
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 |