CN114580789B - 一种基于充电行为的多类型电动汽车负荷预测方法及*** - Google Patents

一种基于充电行为的多类型电动汽车负荷预测方法及*** Download PDF

Info

Publication number
CN114580789B
CN114580789B CN202210366615.0A CN202210366615A CN114580789B CN 114580789 B CN114580789 B CN 114580789B CN 202210366615 A CN202210366615 A CN 202210366615A CN 114580789 B CN114580789 B CN 114580789B
Authority
CN
China
Prior art keywords
charging
electric
load
module
electric vehicles
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.)
Active
Application number
CN202210366615.0A
Other languages
English (en)
Other versions
CN114580789A (zh
Inventor
黄学良
王浩伟
赵家庆
庄卫金
闪鑫
高天
杨泽鑫
田江
吕洋
赵奇
丁宏恩
潘玲玲
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 Corp of China SGCC
Southeast University
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
State Grid Electric Power Research Institute
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Southeast University
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
State Grid Electric Power Research Institute
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 Corp of China SGCC, Southeast University, China Electric Power Research Institute Co Ltd CEPRI, State Grid Jiangsu Electric Power Co Ltd, State Grid Electric Power Research Institute, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210366615.0A priority Critical patent/CN114580789B/zh
Publication of CN114580789A publication Critical patent/CN114580789A/zh
Application granted granted Critical
Publication of CN114580789B publication Critical patent/CN114580789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Landscapes

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

Abstract

本发明公开一种基于充电行为的多类型电动汽车负荷预测方法及***，包括如下步骤：S1、充电行为特性统计及概率分析；S2、建立电动汽车充电负荷模型；S3、确定电动汽车的所需参数；S4、计算荷电状态和充电时长；S5、得到各类型电动汽车的日负荷预测曲线。本发明考虑区分电动汽车的不同类型，忽略电动汽车类别的负荷预测将对负荷预测结果产生一定的影响，不同类型电动汽车的充电负荷模型也有一定的差异，基于类型建立充电负荷模型为负荷预测的工作达到了事半功倍的效果。能够有效对电动汽车群体进行充电负荷预测，为电网的负荷预测和调度提供依据，提高电网的稳定性，解决传统预测方法学习速度慢、收敛速度慢以及部分神经网络训练时间较长的问题。

Description

一种基于充电行为的多类型电动汽车负荷预测方法及***
技术领域
本发明属于电动汽车领域，具体涉及一种基于充电行为的多类型电动汽车负荷预测方法及***。
背景技术
随着电动汽车的应用场景越来越多，充电规模的不断扩大，电网的调度规划、运营管理受到了一定的负面影响，如规模化的电动汽车充电负荷与常规负荷相叠加，会产生电网负荷峰上加峰的现象。如果电动汽车充电负荷被准确的预测，就可以更加经济合理地安排电网内部发电机组的启停，合理地安排机组或充电设施的检修和应用，从而确保电网安全稳定地运行。
负荷预测是指根据电力负荷过去以及现在的数据来推测未来的数值和发展趋势。一般的电力负荷预测的方法有时间序列预测法、回归分析法等。随着大规模电动汽车并网，传统的负荷预测方法已经不能适应电动汽车负荷的随机性和时空特性。相对于传统电力负荷的预测方法，本发明的基于充电行为特性的多类型电动汽车充电负荷预测方法，采用了蒙特卡洛模拟的方法，具有较好的准确性。公开号为CN110889527A的专利一种基于LSTM神经网络的电动汽车充电负荷预测方法，对电动汽车充电负荷历史数据预处理，利用LSTM神经网络对电动汽车负荷进行预测，但是未考虑到电动汽车的类型，预测方法有一定的局限性。公开号为CN110570042A的专利一种短期电动汽车充电负荷预测方法及***，建立日负荷预测模型时,利用近邻传播方法对样本库中的样本进行数据挖掘,可有效提高预测模型的预测效率，但未考虑电动汽车的行为特性数据，单纯分析了日负荷数据的规律且脱离了电动汽车的类型，这对负荷预测的准确性有着一定的影响。
发明内容
针对现有技术的不足，本发明的目的在于提供一种基于充电行为的多类型电动汽车负荷预测方法及***，能够有效对电动汽车群体进行充电负荷预测，为电网的负荷预测和调度提供依据，提高电网的稳定性，解决传统预测方法学习速度慢、收敛速度慢以及部分神经网络训练时间较长的问题。
本发明的目的可以通过以下技术方案实现：
一种基于充电行为的多类型电动汽车负荷预测方法，其特征在于，包括如下步骤：
S1、充电行为特性统计及概率分析
不同类型的电动汽车应用场景不同，其规律特性也不相同，因此需要对不同类型电动汽车的充电行为特性进行数据统计，并进行特性的概率分析；
S2、建立电动汽车充电负荷模型
对各类型电动汽车的充电负荷进行建模，形成电动汽车的充电计算模型，充电负荷建模包括：电动汽车电池起始荷电状态、电动汽车充电时长以及各时段充电负荷；
S3、确定电动汽车的所需参数
确定各类型电动汽车负荷预测方法所需的重要参数，包括电动汽车的数量、电动汽车电池额定容量、电动汽车的充电参数和仿真的迭代次数；
S4、计算荷电状态和充电时长
随机生成满足日行驶里程和起始充电时间概率分布的随机数，并根据随机数和充电计算模型计算荷电状态和充电时长；
S5、得到各类型电动汽车的日负荷预测曲线
叠加各电动汽车的充电负荷曲线，即可得到各类型电动汽车的日负荷预测曲线。
进一步的，所述S1中各类型电动汽车包括电动私家车、电动公共汽车、电动出租车和电动商务车，私家车的充电行为随机性最大，公交车的出行规律固定，出租车充电时间固定，商务车选择在执行完商务后开始充电且充电时间长。
进一步的，所述S1中电动汽车的充电行为特性包括日行驶里程、起始充电时刻，概率分析即利用软件根据统计数据得出相应的概率分布函数。
进一步的，所述S2中对于电动私家车、电动出租车和电动商务车，在已知日行驶里程和采用恒功率方式充电的条件下，充电时长模型为：
公式①中，CE为每百公里耗电量，l为日行驶里程，P为额定充电功率；
对于电动公交车，若电动公交车耗电量和运行时间成正比，那么单次行驶结束后到达终点站时的起始荷电状态为：
公式②中，S为单次行驶里程，CE为每百公里耗电量，CB为电动公交车电池容量，Td为单次运行时间，Tp为单次平均运行时间；
在恒功率方式充电的条件下，电动公交车的充电时长为：
公式③中，SOC为起始荷电状态，CB为电动公交车电池容量，P为额定充电功率；
已知各类型电动汽车的充电时长，若电动汽车到达充电地点后立即以额定功率进行充电，则各时段的充电负荷为：
公式④中，P为额定充电功率，t1为起始充电时间。
进一步的，所述S3中电动汽车的数量根据需求设定指定区域电动汽车的保有量，设置仿真的迭代次数是为了避免电动汽车负荷预测过程中的出现偶然性。
进一步的，所述S4中生成随机数的过程即为概率分布抽样的过程，蒙特卡洛法的基本模拟实验手段就是产生已知概率分布的随机变量，即将从已知的概率分布抽样问题转化为产生随机数的问题。
进一步的，所述S5中各个电动汽车的随机数均相互独立，则各个电动汽车的日负荷曲线也是相互独立的，利用求和的手段计算总的负荷预测结果。
一种基于充电行为的多类型电动汽车负荷预测方法的***，包括：规律特性数据统计模块、充电行为特性概率分析模块、概率分布抽样模块、负荷预测参数输入模块、充电负荷建模模块、充电参数计算模块、电动汽车预测负荷计算模块。
规律特性数据统计模块将数据传输至充电行为特性概率分析模块，充电行为特性概率分析模块将数据传输至概率分布抽样模块，负荷预测参数输入模块将数据传输至充电负荷建模模块，充电负荷建模模块将数据传输至充电参数计算模块，概率分布抽样模块和充电参数计算模块将数据传输至电动汽车预测负荷计算模块。
进一步的，规律特性数据统计模块——用于收集和统计各类型电动汽车的日行驶里程和起始充电时刻数据；
充电行为特性概率分析模块——用于利用MATLAB软件根据统计数据得出日行驶里程和起始充电时刻的概率分布函数；
概率分布抽样模块——用于根据已建立的概率分布函数随机生成满足日行驶里程和起始充电时间概率分布的随机数；
负荷预测参数输入模块——用于输入仿真起始的参数，包括电动汽车的数量、电动汽车电池额定容量、电动汽车的充电参数和仿真的迭代次数；
充电负荷建模模块——用于对电动汽车电池起始荷电状态、电动汽车充电时长以及各时段充电负荷进行计算模型的建立；
充电参数计算模块——用于根据产生的日行驶里程和起始充电时间随机数和充电计算模型计算荷电状态和充电时长；
电动汽车预测负荷计算模块——用于对所有电动汽车日负荷预测曲线求和，得到总的电动汽车负荷预测值。
本发明的有益效果：
1、本发明提出的基于充电行为的多类型电动汽车负荷预测方法，考虑区分电动汽车的不同类型，忽略电动汽车类别的负荷预测将对负荷预测结果产生一定的影响，不同类型电动汽车的充电负荷模型也有一定的差异，基于类型建立充电负荷模型为负荷预测的工作达到了事半功倍的效果；
2、本发明提出的基于充电行为的多类型电动汽车负荷预测方法，反应了电动汽车实际的规律特性，使得预测结果更准确、更符合实际。与传统电力负荷预测方法相比，本发明的数据基础并不是历史日负荷数据，即摒弃分析历史负荷数据规律进行负荷预测，而是根据电动汽车的日行驶里程和起始充电时刻这两个重要行为特性实现负荷预测方法基础的建立；
3、本发明提出的基于充电行为的多类型电动汽车负荷预测方法，采用蒙特卡洛算法在已知随机变量大量数据的前提下,通过大量的随机试验，反复抽取随机数，以此来替代电动汽车的随机充电行为，计算变量在试验中出现的频率近似估计其概率值，并将其作为问题的解。通过本方法实现电动汽车充电行为模拟，使本预测方法的结果更符合实际电动汽车规律特性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，显而易见地，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是本发明的整体预测方法流程示意图；
图2是本发明实施例的具体流程示意图；
图3是本发明实施例的预测***结构示意图；
图4是本发明实施例的电动私家车充电负荷计算流程图；
图5是本发明实施例的电动私家车充电负荷预测曲线图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1、图2所示，一种基于充电行为的多类型电动汽车负荷预测方法，包括如下步骤：
S1、充电行为特性统计及概率分析
不同类型的电动汽车应用场景不同，其规律特性也不相同，因此需要对不同类型电动汽车的充电行为特性进行数据统计，并进行特性的概率分析；
具体实施例如下：
各类型电动汽车包括电动私家车、电动公共汽车、电动出租车和电动商务车。其中私家车的充电行为随机性最大，公交车的出行规律比较固定，出租车充电时间相对固定，商务车一般选择在执行完商务后开始充电且充电时间较长。
电动汽车的充电行为特性包括日行驶里程、起始充电时刻，其概率分析即利用MATLAB软件根据统计数据得出相应的概率分布函数(将一天24h换算成1440min)。
由于电动私家车可供参考数据偏少，其日行驶里程数据可认为近似于燃油车的数据。对于电动私家车，其充电地点基本为住宅区、工作地点停车场和商场停车场，所以其起始充电时间要考虑多个时间段即分析多个时间概率分布。
对于电动公交车，其具有固定的时间表和行驶路径，所以日行驶里程基本固定不变。为满足运营需求，电动公交车每天一般充电三次，在上下班的高峰期后进行两次充电，采用快速充电模式；全天行驶结束后进行当日最后一次充电，采用常规充电模式。
电动出租车日行驶里程相对来说较大，且参差不齐，同样可参考燃油车数据作为近似替代。电动出租车的充电行为一般存在聚集性，因此其起始充电时刻也存在多个时间段，需要考虑多个时间概率分布。
电动商务车的数据较难获取，且数量偏少，可适当假设实现概率分布函数的建立。
S2、建立电动汽车充电负荷模型
对各类型电动汽车的充电负荷进行建模，形成电动汽车的充电计算模型，充电负荷建模包括：电动汽车电池起始荷电状态、电动汽车充电时长以及各时段充电负荷；
对于电动私家车、电动出租车和电动商务车，在已知日行驶里程和采用恒功率方式充电的条件下，充电时长模型为：
公式①中，CE为每百公里耗电量，l为日行驶里程，P为额定充电功率。
对于电动公交车，若电动公交车耗电量和运行时间成正比，那么单次行驶结束后到达终点站时的起始荷电状态为：
公式②中，S为单次行驶里程，CE为每百公里耗电量，CB为电动公交车电池容量，Td为单次运行时间，Tp为单次平均运行时间。
在恒功率方式充电的条件下，电动公交车的充电时长为：
公式③中，SOC为起始荷电状态，CB为电动公交车电池容量，P为额定充电功率。
已知各类型电动汽车的充电时长，若电动汽车到达充电地点后立即以额定功率进行充电，则各时段的充电负荷为：
公式④中，P为额定充电功率，t1为起始充电时间。
需要注意的是，充电功率要考虑采用的充电方式是常规充电模式还是快速充电模式。一般来说，电动私家车和电动商务车停车时间较长，采用常规充电模式；电动出租车为增加盈利，其充电时间越少越好，因此采用快速充电模式。电动公交车每天一般充电三次，在上下班的高峰期后进行两次充电，采用快速充电模式；全天行驶结束后进行当日最后一次充电，采用常规充电模式。
S3、确定电动汽车的所需参数
确定各类型电动汽车负荷预测方法所需的重要参数，包括电动汽车的数量、电动汽车电池额定容量、电动汽车的充电参数和仿真的迭代次数；
电动汽车的数量可根据需求设定如某区域电动汽车的保有量，设置仿真的迭代次数是为了避免电动汽车负荷预测过程中的出现偶然性。
充电参数包括S2中的充电功率和充电效率，根据具体电动汽车类型和充电时间段，选择正确的充电方式。仿真的迭代次数设置不能过大，避免仿真时间过长，也不能过小，避免仿真结果出现较大的偶然性。
S4、计算荷电状态和充电时长
随机生成满足日行驶里程和起始充电时间概率分布的随机数，并根据随机数和充电计算模型计算荷电状态和充电时长；
生成随机数的过程即为概率分布抽样的过程，蒙特卡洛法的基本模拟实验手段就是产生已知概率分布的随机变量，即将从已知的概率分布抽样问题转化为产生随机数的问题。
每一辆电动汽车的日行驶里程之间都是相互独立的，起始充电时间也是相互独立的，即可以一次性抽取所有电动汽车的日行驶里程和起始充电时间，高效地实现仿真过程。
S5、得到各类型电动汽车的日负荷预测曲线
叠加各电动汽车的充电负荷曲线，即可得到各类型电动汽车的日负荷预测曲线；
由于各个电动汽车的随机数均相互独立，因此各个电动汽车的日负荷曲线也是相互独立的，可以利用求和的手段计算总的负荷预测结果。
在同一电动汽车类型内求和实现某一类型的电动汽车负荷预测。对于某一区域来说，各种电动汽车类型都存在的情况下，将各种类型的负荷再次求和即可得到整个区域的电动汽车负荷预测值。
如图3所示，一种基于充电行为的多类型电动汽车负荷预测***，包括：规律特性数据统计模块、充电行为特性概率分析模块、概率分布抽样模块、负荷预测参数输入模块、充电负荷建模模块、充电参数计算模块、电动汽车预测负荷计算模块。
规律特性数据统计模块——用于收集和统计各类型电动汽车的日行驶里程和起始充电时刻数据；
充电行为特性概率分析模块——用于利用MATLAB软件根据统计数据得出日行驶里程和起始充电时刻的概率分布函数；
概率分布抽样模块——用于根据已建立的概率分布函数随机生成满足日行驶里程和起始充电时间概率分布的随机数；
负荷预测参数输入模块——用于输入仿真起始的参数，包括电动汽车的数量、电动汽车电池额定容量、电动汽车的充电参数和仿真的迭代次数；
充电负荷建模模块——用于对电动汽车电池起始荷电状态、电动汽车充电时长以及各时段充电负荷进行计算模型的建立；
充电参数计算模块——用于根据产生的日行驶里程和起始充电时间随机数和充电计算模型计算荷电状态和充电时长；
电动汽车预测负荷计算模块——用于对所有电动汽车日负荷预测曲线求和，得到总的电动汽车负荷预测值。
规律特性数据统计模块将数据传输至充电行为特性概率分析模块，充电行为特性概率分析模块将数据传输至概率分布抽样模块，负荷预测参数输入模块将数据传输至充电负荷建模模块，充电负荷建模模块将数据传输至充电参数计算模块，概率分布抽样模块和充电参数计算模块将数据传输至电动汽车预测负荷计算模块。
下面列举一个实施例对本申请做进一步描述。
实施例1
一种基于充电行为的多类型电动汽车负荷预测方法，包括如下步骤：
S1、不同类型的电动汽车应用场景不同，其规律特性也不相同，因此需要对不同类型电动汽车的充电行为特性进行数据统计，并进行特性的概率分析；
本例仅针对某区域电动私家车的日行驶里程和起始充电时刻进行数据分析。将整理到的数据导入MATLAB软件中，通过拟合可得到电动私家车到达工作地点停车场起始充电时刻、到达居民住宅区起始充电时刻和日行驶里程的概率分布，如表1所示。
表1
工作地点起始充电时刻 住宅区起始充电时刻 日行驶里程
概率分布 T～N(495.2,41.772) T～N(1095,43.42) lnl～N(3.2,0.882)
S2、对各类型电动汽车的充电负荷进行建模，形成电动汽车的充电计算模型，充电负荷建模包括：电动汽车电池起始荷电状态、电动汽车充电时长以及各时段充电负荷；
根据电动汽车负荷建模过程可知，电动汽车电池起始荷电状态用于电动公交车场景，因此本发明中电动私家车可不考虑起始荷电状态的计算。充电时长计算根据式：
公式①中，CE为每百公里耗电量，l为日行驶里程，P为额定充电功率。
各时段充电负荷在叠加电动汽车负荷曲线时是关键变量，根据式：
公式④中，P为额定充电功率，t1为起始充电时间。
S3、确定各类型电动汽车负荷预测方法所需的重要参数，包括电动汽车的数量、电动汽车电池额定容量、电动汽车的充电参数和仿真的迭代次数；
本例中，电动私家车数量为1000辆，电动私家车电池容量为60kW·h，每百公里耗电量约为17kW·h，充电模式采用常规充电模式即充电功率为3.5kW。本例仿真次数选择与电动汽车数量相同，即采用1000次。
S4、随机生成满足日行驶里程和起始充电时间概率分布的随机数，并根据随机数和充电计算模型计算荷电状态和充电时长；
根据S1中，日行驶里程服从对数正态分布lnl～N(3.2,0.882)，工作地点起始充电时刻服从正态分布T～N(495.2,41.772)，住宅区起始充电时刻服从正态分布T～N(1095,43.42)。由于电动汽车用户充电时刻的意愿比较随机，本例假设30％的电动汽车用户选择既在工作地点充电又在住宅区充电，70％的电动汽车用户仅在住宅区充电。根据步骤2的计算模型，求得电动私家车的充电时长，再与各时段充电负荷函数结合，即可求得各个对电动汽车的日负荷曲线。
步骤5：叠加各电动汽车的充电负荷曲线，即可得到各类型电动汽车的日负荷预测曲线。
每次仿真都有一个总电动私家车负荷曲线，所有仿真次数的负荷曲线求平均值，即可得到曲线更加光滑、负荷值更加准确的负荷预测曲线结果。本例电动私家车负荷计算流程图如图4所示。本例的电动私家车充电负荷预测曲线如图5所示。
综上所述，本发明对不同类型电动汽车的日行驶里程和起始充电时刻进行数据统计并完成概率特性分析；建立电动汽车电池起始荷电状态、电动汽车充电时长等参数的计算模型；确定电动汽车的数量、电动汽车电池额定容量等仿真初始参数的数值；抽取日行驶里程和起始充电时间的随机数并计算荷电状态和充电时长；最后叠加所有电动汽车日负荷曲线求得总负荷预测值。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (8)

1.一种基于充电行为的多类型电动汽车负荷预测方法，其特征在于，包括如下步骤：
S1、充电行为特性统计及概率分析
不同类型的电动汽车应用场景不同，其规律特性也不相同，因此需要对不同类型电动汽车的充电行为特性进行数据统计，并进行特性的概率分析；
S2、建立电动汽车充电负荷模型
对各类型电动汽车的充电负荷进行建模，形成电动汽车的充电计算模型，充电负荷建模包括：电动汽车电池起始荷电状态、电动汽车充电时长以及各时段充电负荷；
S3、确定电动汽车的所需参数
确定各类型电动汽车负荷预测方法所需的重要参数，包括电动汽车的数量、电动汽车电池额定容量、电动汽车的充电参数和仿真的迭代次数；
S4、计算荷电状态和充电时长
随机生成满足日行驶里程和起始充电时间概率分布的随机数，并根据随机数和充电计算模型计算荷电状态和充电时长；
S5、得到各类型电动汽车的日负荷预测曲线
叠加各电动汽车的充电负荷曲线，即可得到各类型电动汽车的日负荷预测曲线；
所述S2中对于电动私家车、电动出租车和电动商务车，在已知日行驶里程和采用恒功率方式充电的条件下，充电时长模型为：
公式①中，CE为每百公里耗电量，l为日行驶里程，P为额定充电功率；
对于电动公交车，若电动公交车耗电量和运行时间成正比，那么单次行驶结束后到达终点站时的起始荷电状态为：
公式②中，S为单次行驶里程，CE为每百公里耗电量，CB为电动公交车电池容量，Td为单次运行时间，Tp为单次平均运行时间；
在恒功率方式充电的条件下，电动公交车的充电时长为：
公式③中，SOC为起始荷电状态，CB为电动公交车电池容量，P为额定充电功率；
已知各类型电动汽车的充电时长，若电动汽车到达充电地点后立即以额定功率进行充电，则各时段的充电负荷为：
公式④中，P为额定充电功率，t1为起始充电时间。
2.根据权利要求1所述的一种基于充电行为的多类型电动汽车负荷预测方法，其特征在于，所述S1中各类型电动汽车包括电动私家车、电动公共汽车、电动出租车和电动商务车，私家车的充电行为随机性最大，公交车的出行规律固定，出租车充电时间固定，商务车选择在执行完商务后开始充电且充电时间长。
3.根据权利要求1所述的一种基于充电行为的多类型电动汽车负荷预测方法，其特征在于，所述S1中电动汽车的充电行为特性包括日行驶里程、起始充电时刻，概率分析即利用软件根据统计数据得出相应的概率分布函数。
4.根据权利要求1所述的一种基于充电行为的多类型电动汽车负荷预测方法，其特征在于，所述S3中电动汽车的数量根据需求设定指定区域电动汽车的保有量，设置仿真的迭代次数是为了避免电动汽车负荷预测过程中的出现偶然性。
5.根据权利要求1所述的一种基于充电行为的多类型电动汽车负荷预测方法，其特征在于，所述S4中生成随机数的过程即为概率分布抽样的过程，蒙特卡洛法的基本模拟实验手段就是产生已知概率分布的随机变量，即将从已知的概率分布抽样问题转化为产生随机数的问题。
6.根据权利要求1所述的一种基于充电行为的多类型电动汽车负荷预测方法，其特征在于，所述S5中各个电动汽车的随机数均相互独立，则各个电动汽车的日负荷曲线也是相互独立的，利用求和的手段计算总的负荷预测结果。
7.一种基于充电行为的多类型电动汽车负荷预测方法的***，其特征在于，该***应用于权利要求1-5任意一项所述的一种基于充电行为的多类型电动汽车负荷预测方法，包括：规律特性数据统计模块、充电行为特性概率分析模块、概率分布抽样模块、负荷预测参数输入模块、充电负荷建模模块、充电参数计算模块、电动汽车预测负荷计算模块；
规律特性数据统计模块将数据传输至充电行为特性概率分析模块，充电行为特性概率分析模块将数据传输至概率分布抽样模块，负荷预测参数输入模块将数据传输至充电负荷建模模块，充电负荷建模模块将数据传输至充电参数计算模块，概率分布抽样模块和充电参数计算模块将数据传输至电动汽车预测负荷计算模块。
8.根据权利要求7所述的一种基于充电行为的多类型电动汽车负荷预测方法的***，其特征在于，规律特性数据统计模块——用于收集和统计各类型电动汽车的日行驶里程和起始充电时刻数据；
充电行为特性概率分析模块——用于利用MATLAB软件根据统计数据得出日行驶里程和起始充电时刻的概率分布函数；
概率分布抽样模块——用于根据已建立的概率分布函数随机生成满足日行驶里程和起始充电时间概率分布的随机数；
负荷预测参数输入模块——用于输入仿真起始的参数，包括电动汽车的数量、电动汽车电池额定容量、电动汽车的充电参数和仿真的迭代次数；
充电负荷建模模块——用于对电动汽车电池起始荷电状态、电动汽车充电时长以及各时段充电负荷进行计算模型的建立；
充电参数计算模块——用于根据产生的日行驶里程和起始充电时间随机数和充电计算模型计算荷电状态和充电时长；
电动汽车预测负荷计算模块——用于对所有电动汽车日负荷预测曲线求和，得到总的电动汽车负荷预测值。
CN202210366615.0A 2022-04-08 2022-04-08 一种基于充电行为的多类型电动汽车负荷预测方法及*** Active CN114580789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210366615.0A CN114580789B (zh) 2022-04-08 2022-04-08 一种基于充电行为的多类型电动汽车负荷预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210366615.0A CN114580789B (zh) 2022-04-08 2022-04-08 一种基于充电行为的多类型电动汽车负荷预测方法及***

Publications (2)

Publication Number Publication Date
CN114580789A CN114580789A (zh) 2022-06-03
CN114580789B true CN114580789B (zh) 2024-05-03

Family

ID=81785152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210366615.0A Active CN114580789B (zh) 2022-04-08 2022-04-08 一种基于充电行为的多类型电动汽车负荷预测方法及***

Country Status (1)

Country Link
CN (1) CN114580789B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112613682A (zh) * 2020-12-29 2021-04-06 国网江苏省电力有限公司宜兴市供电分公司 一种电动汽车充电负荷预测方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112613682A (zh) * 2020-12-29 2021-04-06 国网江苏省电力有限公司宜兴市供电分公司 一种电动汽车充电负荷预测方法
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

Also Published As

Publication number Publication date
CN114580789A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
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
CN107169273B (zh) 计及延时和v2g充电模式的电动汽车充电功率预测方法
Gan et al. A probabilistic evaluation method of household EVs dispatching potential considering users’ multiple travel needs
CN109508826B (zh) 基于梯度提升决策树的电动汽车集群可调度容量预测方法
CN111626527A (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
CN110429596B (zh) 计及电动汽车时空分布的配电网可靠性评估方法
Gao et al. Charging load forecasting of electric vehicle based on Monte Carlo and deep learning
Darabi et al. Plug-in hybrid electric vehicles: Charging load profile extraction based on transportation data
CN112001564B (zh) 基于长短期记忆网络的用户离家时间预测方法
CN114219214A (zh) 考虑新能源与电动汽车接入的电网综合风险评估体系
Ni et al. A methodology to model daily charging load in the EV charging stations based on Monte Carlo simulation
Darabi et al. Extracting probability distribution functions applicable for PHEVs charging load profile
CN112928766B (zh) 一种基于多影响因素的配电网接纳电动汽车能力评估方法
CN114580789B (zh) 一种基于充电行为的多类型电动汽车负荷预测方法及***
WO2024055526A1 (zh) 一种电动汽车充电负荷的预测方法及***
CN110826813A (zh) 基于家用电动汽车用户充电差异性需求的电网优化方法
CN116014773A (zh) 一种基于深度强化学习的两阶段电动汽车协调配网辅助服务的调度方法
CN115545429A (zh) 基于cpss架构的多场景低压可再生资源负荷预测方法
Gamawanto et al. Pricing Scheme for EV Charging Load Penetration in Distribution Network: Study Case Jakarta
CN113949098A (zh) 计及fcv的孤岛型混合微电网***可靠性评估方法
Liu et al. Influence of the Electric vehicle battery size and EV penetration rate on the potential capacity of Vehicle-to-grid
Eissa et al. An Efficient Hybrid Deep Learning Approach for Accurate Remaining EV Range Prediction
Ge et al. EV Charging Behavior Simulation and Analysis Using Real-World Charging Load Data
Lee et al. Unsupervised Machine Learning-based EV Load Profile Generation for Efficient Distribution System Operation
Xu et al. Research on Electric Vehicle Ownership and Load Forecasting Methods

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