CN103413180A - 基于蒙特卡洛模拟法的电动汽车充电负荷预测系统和方法 - Google Patents
基于蒙特卡洛模拟法的电动汽车充电负荷预测系统和方法 Download PDFInfo
- Publication number
- CN103413180A CN103413180A CN2013103084926A CN201310308492A CN103413180A CN 103413180 A CN103413180 A CN 103413180A CN 2013103084926 A CN2013103084926 A CN 2013103084926A CN 201310308492 A CN201310308492 A CN 201310308492A CN 103413180 A CN103413180 A CN 103413180A
- Authority
- CN
- China
- Prior art keywords
- charging
- charge
- monte carlo
- load
- initiation
- 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
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种基于蒙特卡洛模拟法的电动汽车充电负荷预测方法,包括步骤:设定模拟次数;确定车辆充电行为;累加充电负荷曲线得到总体充电负荷;判断目前已模拟的次数是否大于设定的模拟次数;判断作为模拟结果的总体充电负荷是否收敛;若收敛,则输出模拟结果;若不收敛,则返回重新设定模拟次数。本发明还提供相应的系统。本发明能够动态预测电动汽车充电负荷,同时,其预测精度可控,预测结果能够作为电网企业应对电动汽车规模化发展对电网带来的影响研究的重要依据,为电网企业的电网建设规划、充换电站布局规划与建设、电网与电动汽车的互动技术研究等提供参考。
Description
技术领域
本发明涉及电动汽车充电负荷预测领域,具体地,涉及基于蒙特卡洛模拟法的电动汽车充电负荷预测系统和方法。
背景技术
电动汽车保有量一定程度上反映了电动汽车的发展规模,但由于电动汽车的位置不固定性、充电时间不确定性等因素,决定了电动汽车对于电网而言将是一个动态的、不可忽视的充电负荷。
在电动汽车处在起步阶段的当下,由于电动汽车数量较少,大部分充换电站的投资成本、建设容量均根据实际配套车辆的数量及使用频率等情况进行配置,因使用频率较少,其负荷较小,对电网几乎没有影响。但当电动汽车的数量达到一定规模后,如果不合理选址定容、不规范建设投资,任由电动汽车大规模的无序充电,巨大的资源浪费和资金投入将阻碍电动汽车能源供给设施的发展,巨大的充电功率将形成冲击性负荷,对电网产生巨大的冲击,影响电网稳定和运行安全。为保证电网的可靠安全运行,需对电动汽车规模化充电的负荷进行预测。
电动汽车充电负荷预测的核心问题是预测的技术方法,或者说是预测数学模型,随着现代科学技术的不断进步,负荷预测理论技术得到了很大发展,理论研究逐步深入。常见的电力系统负荷预测方法有单耗法、趋势分析法、弹性系数法、回归分析法、时间序列法、灰色模型法、神经网络法、德尔菲法、专家系统法以及优选组合分析法等方法。但由于电动汽车位置不确定性、充电时间随机性等因素,导致电动汽车充换电站负荷具有时变性,因此,利用传统方法往往难以准确地描述其复杂的非线性特征。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于蒙特卡洛模拟法的电动汽车充电负荷预测系统和方法。本发明旨在考虑利用统计学的方法,通过挖掘、分析包含这些不确定性因素信息的数据,探索并总结其分布规律,提出合理的预测方法和系统。
根据本发明的一个方面,提供一种基于蒙特卡洛模拟法的电动汽车充电负荷预测方法,包括如下步骤:
步骤1:设定模拟次数;
步骤2:确定车辆充电行为;若车辆充电行为是自动充满,则进入步骤31A;若车辆充电行为是定时充电,则进入步骤31B;
其中:步骤31A:抽取行驶里程,根据行驶里程确定起始荷电状态;
步骤32A:根据起始荷电状态确定充电所需时间长度;
步骤33A:根据充电所需时间长度确定起始充电时间抽样范围;
步骤34A:根据起始充电时间抽样范围抽取起始充电时间;
其中:步骤31B:按给定时段提取充电时间分布;
步骤32B:抽取行驶里程,根据行驶里程和充电时间分布确定起始荷电状态;
步骤33B:根据起始荷电状态确定充电所需时间长度;
步骤34B:根据充电所需时间长度确定实际充电时间长度;
接下来进入步骤4:根据步骤34A中抽取的起始充电时间、以及步骤34B中确定的实际充电时间长度,累加充电负荷曲线得到总体充电负荷;
步骤5:判断目前已模拟的次数是否大于步骤1中设定的模拟次数;若是,则进入步骤6;若否,则返回步骤2继续执行;
步骤6:判断作为模拟结果的总体充电负荷是否收敛;若收敛,则输出模拟结果;若不收敛,则返回步骤1重新设定模拟次数。
根据本发明的另一个方面,还提供一种基于蒙特卡洛模拟法的电动汽车充电负荷预测系统,包括控制器,所述控制器包括如下装置:
设定装置:用于设定模拟次数;
车辆充电行为确定装置:用于确定车辆充电行为;若车辆充电行为是自动充满,则触发第一抽取装置;若车辆充电行为是定时充电,则触发第一提取装置;
其中:第一抽取装置:用于抽取行驶里程,根据行驶里程确定起始荷电状态;
第一处理装置:用于根据起始荷电状态确定充电所需时间长度;
第二处理装置:用于根据充电所需时间长度确定起始充电时间抽样范围;
第三处理装置:用于根据起始充电时间抽样范围抽取起始充电时间;
其中:第一提取装置:用于按给定时段提取充电时间分布;
第四处理装置:用于抽取行驶里程,根据行驶里程和充电时间分布确定起始荷电状态;
第五处理装置:用于根据起始荷电状态确定充电所需时间长度;
第六处理装置:用于根据充电所需时间长度确定实际充电时间长度;
第七处理装置:用于根据第三处理装置中抽取的起始充电时间、以及第六处理装置中确定的实际充电时间长度,累加充电负荷曲线得到总体充电负荷;
第一判断装置:用于判断目前已模拟的次数是否大于步骤1中设定的模拟次数;若是,则触发第二判断装置;若否,则触发车辆充电行为确定装置;
第二判断装置:用于判断作为模拟结果的总体充电负荷是否收敛;若收敛,则输出模拟结果;若不收敛,则触发设定装置重新设定模拟次数。
优选地,还包括数据采集器,其中,数据采集器连接控制器。
优选地,还包括PC机数据接口,其中,PC机数据接口连接控制器。
优选地,还包括电网数据接口,其中,电网数据接口连接控制器。
优选地,还包括网络接口,其中,网络接口连接控制器。
优选地,还包括数据库存储器,其中,数据库存储器连接控制器。
优选地,还包括显示器,其中显示器连接控制器。
与现有技术相比,本发明具有如下的有益效果:
基于蒙特卡洛法的预测方法更具一般化,使用条件更宽,适用范围更广,能够更接近地模拟电动汽车规模化后的充电负荷状态。本发明能够动态预测电动汽车充电负荷,同时,其预测精度可控,预测结果能够作为电网企业应对电动汽车规模化发展对电网带来的影响研究的重要依据,为电网企业的电网建设规划、充换电站布局规划与建设、电网与电动汽车的互动技术研究等提供参考。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为蒙特卡洛模拟法原理;
图2为本发明的原理示意图;
图3为本发明的结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
蒙特卡洛(Monte Carlo)法,又称随机抽样或统计试验方法,是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明,而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法,是一种使用随机数(或更常见的伪随机数)来解决很多计算问题的方法。
蒙特卡洛方法的基本思想是当所要求解的问题是某种事件出现的概率,或者是某个随机变量的期望值时,可以通过某种“试验”的方法得到这种事件出现的频率,或者这个随机变数的平均值,并用它们作为问题的解。该方法通过抓住事物运动的几何数量和几何特征,利用数学方法来加以模拟,即进行一种数字模拟实验。它以概率模型为基础,按照模型所描绘的过程,将通过模拟实验得出的结果作为问题的近似解。可归结为三个主要步骤:构造或描述概率过程、实现从已知概率分布抽样、建立各种估计量。
构造或描述概率过程:对于本身就具有随机性质的问题,如粒子输运问题,主要是正确描述和模拟这个概率过程,对于本来不是随机性质的确定性问题,比如计算定积分,就必须事先构造一个人为的概率过程,它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。
实现从已知概率分布抽样:构造了概率模型以后,由于各种概率模型都可以看作是由各种各样的概率分布构成的,因此产生已知概率分布的随机变量(或随机向量),就成为实现蒙特卡洛方法模拟实验的基本手段,这也是蒙特卡洛方法被称为随机抽样的原因。最简单、最基本、最重要的一个概率分布是(0,1)上的均匀分布(或称矩形分布)。随机数就是具有这种均匀分布的随机变量。随机数序列就是具有这种分布的总体的一个简单子样,也就是一个具有这种分布的相互独立的随机变数序列。产生随机数的问题,就是从这个分布的抽样问题。在计算机上,可以用物理方法产生随机数,但价格昂贵,不能重复,使用不便。另一种方法是用数学递推公式产生。这样产生的序列,与真正的随机数序列不同,所以称为伪随机数,或伪随机数序列。不过,经过多种统计检验表明,它与真正的随机数,或随机数序列具有相近的性质,因此可把它作为真正的随机数来使用。由已知分布随机抽样有各种方法,与从(0,1)上均匀分布抽样不同,这些方法都是借助于随机序列来实现的,也就是说,都是以产生随机数为前提的。由此可见,随机数是我们实现蒙特卡洛模拟的基本工具。
建立各种估计量:一般说来,构造了概率模型并能从中抽样后,即实现模拟实验后,我们就要确定一个随机变量,作为所要求的问题的解,我们称它为无偏估计。建立各种估计量,相当于对模拟实验的结果进行考察和登记,从中得到问题的解。
蒙特卡洛方法有很强的适应性,它不仅较好地解决了多重积分计算、微分方程求解、积分方程求解、特征值计算和非线性方程组求解等高难度和复杂的数学计算问题,而且在统计物理、核物理、真空技术、系统科学、信息科学、公用事业、地质、医学、可靠性及计算机科学等广泛的领域内都得到了成功的应用。传统的经验方法由于不能逼近真实的物理过程,很难得到满意的结果,而蒙特卡洛方法由于能够真实地模拟实际物理过程,故解决问题与实际更符合,可以得到较圆满的结果。
基于蒙特卡洛模拟法的电动汽车充电负荷预测方法即是在建立诸如起始充电时间、起始荷电状态(SOC)等概率分布的基础上,考虑充电功率、电动汽车数量及电池容量等影响因素,运用蒙特卡洛数学试验累加每辆电动汽车的充电负荷得到总体充电负荷。
表1各种预测方法优缺点比较
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (8)
1.一种基于蒙特卡洛模拟法的电动汽车充电负荷预测方法,其特征在于,包括如下步骤:
步骤1:设定模拟次数;
步骤2:确定车辆充电行为;若车辆充电行为是自动充满,则进入步骤31A;若车辆充电行为是定时充电,则进入步骤31B;
其中:步骤31A:抽取行驶里程,根据行驶里程确定起始荷电状态;
步骤32A:根据起始荷电状态确定充电所需时间长度;
步骤33A:根据充电所需时间长度确定起始充电时间抽样范围;
步骤34A:根据起始充电时间抽样范围抽取起始充电时间;
其中:步骤31B:按给定时段提取充电时间分布;
步骤32B:抽取行驶里程,根据行驶里程和充电时间分布确定起始荷电状态;
步骤33B:根据起始荷电状态确定充电所需时间长度;
步骤34B:根据充电所需时间长度确定实际充电时间长度;
接下来进入步骤4:根据步骤34A中抽取的起始充电时间、以及步骤34B中确定的实际充电时间长度,累加充电负荷曲线得到总体充电负荷;
步骤5:判断目前已模拟的次数是否大于步骤1中设定的模拟次数;若是,则进入步骤6;若否,则返回步骤2继续执行;
步骤6:判断作为模拟结果的总体充电负荷是否收敛;若收敛,则输出模拟结果;若不收敛,则返回步骤1重新设定模拟次数。
2.一种基于蒙特卡洛模拟法的电动汽车充电负荷预测系统,其特征在于,包括控制器,所述控制器包括如下装置:
设定装置:用于设定模拟次数;
车辆充电行为确定装置:用于确定车辆充电行为;若车辆充电行为是自动充满,则触发第一抽取装置;若车辆充电行为是定时充电,则触发第一提取装置;
其中:第一抽取装置:用于抽取行驶里程,根据行驶里程确定起始荷电状态;
第一处理装置:用于根据起始荷电状态确定充电所需时间长度;
第二处理装置:用于根据充电所需时间长度确定起始充电时间抽样范围;
第三处理装置:用于根据起始充电时间抽样范围抽取起始充电时间;
其中:第一提取装置:用于按给定时段提取充电时间分布;
第四处理装置:用于抽取行驶里程,根据行驶里程和充电时间分布确定起始荷电状态;
第五处理装置:用于根据起始荷电状态确定充电所需时间长度;
第六处理装置:用于根据充电所需时间长度确定实际充电时间长度;
第七处理装置:用于根据第三处理装置中抽取的起始充电时间、以及第六处理装置中确定的实际充电时间长度,累加充电负荷曲线得到总体充电负荷;
第一判断装置:用于判断目前已模拟的次数是否大于步骤1中设定的模拟次数;若是,则触发第二判断装置;若否,则触发车辆充电行为确定装置;
第二判断装置:用于判断作为模拟结果的总体充电负荷是否收敛;若收敛,则输出模拟结果;若不收敛,则触发设定装置重新设定模拟次数。
3.根据权利要求2所述的基于蒙特卡洛模拟法的电动汽车充电负荷预测系统,其特征在于,还包括数据采集器,其中,数据采集器连接控制器。
4.根据权利要求2所述的基于蒙特卡洛模拟法的电动汽车充电负荷预测系统,其特征在于,还包括PC机数据接口,其中,PC机数据接口连接控制器。
5.根据权利要求2所述的基于蒙特卡洛模拟法的电动汽车充电负荷预测系统,其特征在于,还包括电网数据接口,其中,电网数据接口连接控制器。
6.根据权利要求2所述的基于蒙特卡洛模拟法的电动汽车充电负荷预测系统,其特征在于,还包括网络接口,其中,网络接口连接控制器。
7.根据权利要求2所述的基于蒙特卡洛模拟法的电动汽车充电负荷预测系统,其特征在于,还包括数据库存储器,其中,数据库存储器连接控制器。
8.根据权利要求2所述的基于蒙特卡洛模拟法的电动汽车充电负荷预测系统,其特征在于,还包括显示器,其中显示器连接控制器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103084926A CN103413180A (zh) | 2013-07-22 | 2013-07-22 | 基于蒙特卡洛模拟法的电动汽车充电负荷预测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103084926A CN103413180A (zh) | 2013-07-22 | 2013-07-22 | 基于蒙特卡洛模拟法的电动汽车充电负荷预测系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103413180A true CN103413180A (zh) | 2013-11-27 |
Family
ID=49606187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013103084926A Pending CN103413180A (zh) | 2013-07-22 | 2013-07-22 | 基于蒙特卡洛模拟法的电动汽车充电负荷预测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103413180A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103997091A (zh) * | 2014-05-23 | 2014-08-20 | 国家电网公司 | 一种规模化电动汽车智能充电控制方法 |
CN104915735A (zh) * | 2015-06-26 | 2015-09-16 | 国家电网公司 | 企业运营分析预警系统的预警分析方法 |
CN106355290A (zh) * | 2016-09-21 | 2017-01-25 | 四川大学 | 一种基于马尔科夫链的电动汽车充电负荷预测方法及系统 |
CN107169588A (zh) * | 2017-04-12 | 2017-09-15 | 中国电力科学研究院 | 一种电动汽车充电站短时功率预测方法及系统 |
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 |
CN109359784A (zh) * | 2018-11-29 | 2019-02-19 | 浙江华云电力工程设计咨询有限公司 | 计及运营商的电动汽车负荷时间预测方法和系统 |
CN111505404A (zh) * | 2019-11-19 | 2020-08-07 | 宁波金源控股有限公司 | 一种稳频稳压升降变压器及稳频稳压方法 |
CN112550050A (zh) * | 2020-12-15 | 2021-03-26 | 深圳供电局有限公司 | 一种电动汽车充电方法和系统 |
CN112993980A (zh) * | 2021-02-23 | 2021-06-18 | 国网浙江省电力有限公司电力科学研究院 | 一种电动汽车充电负荷时空概率分布模型计算方法 |
CN113629743A (zh) * | 2021-08-06 | 2021-11-09 | 广东电网有限责任公司 | 基于遗传算法的电动汽车充电站配电网重构方法及系统 |
-
2013
- 2013-07-22 CN CN2013103084926A patent/CN103413180A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103997091A (zh) * | 2014-05-23 | 2014-08-20 | 国家电网公司 | 一种规模化电动汽车智能充电控制方法 |
CN103997091B (zh) * | 2014-05-23 | 2016-02-24 | 国家电网公司 | 一种规模化电动汽车智能充电控制方法 |
CN104915735A (zh) * | 2015-06-26 | 2015-09-16 | 国家电网公司 | 企业运营分析预警系统的预警分析方法 |
CN106355290A (zh) * | 2016-09-21 | 2017-01-25 | 四川大学 | 一种基于马尔科夫链的电动汽车充电负荷预测方法及系统 |
CN107169588A (zh) * | 2017-04-12 | 2017-09-15 | 中国电力科学研究院 | 一种电动汽车充电站短时功率预测方法及系统 |
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 |
CN109359784A (zh) * | 2018-11-29 | 2019-02-19 | 浙江华云电力工程设计咨询有限公司 | 计及运营商的电动汽车负荷时间预测方法和系统 |
CN111505404A (zh) * | 2019-11-19 | 2020-08-07 | 宁波金源控股有限公司 | 一种稳频稳压升降变压器及稳频稳压方法 |
CN112550050A (zh) * | 2020-12-15 | 2021-03-26 | 深圳供电局有限公司 | 一种电动汽车充电方法和系统 |
CN112993980A (zh) * | 2021-02-23 | 2021-06-18 | 国网浙江省电力有限公司电力科学研究院 | 一种电动汽车充电负荷时空概率分布模型计算方法 |
CN113629743A (zh) * | 2021-08-06 | 2021-11-09 | 广东电网有限责任公司 | 基于遗传算法的电动汽车充电站配电网重构方法及系统 |
CN113629743B (zh) * | 2021-08-06 | 2023-06-13 | 广东电网有限责任公司 | 基于遗传算法的电动汽车充电站配电网重构方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103413180A (zh) | 基于蒙特卡洛模拟法的电动汽车充电负荷预测系统和方法 | |
Loukatou et al. | Stochastic wind speed modelling for estimation of expected wind power output | |
CN103472398B (zh) | 基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 | |
CN102937704B (zh) | 一种动力电池rc等效模型的辨识方法 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN103065199A (zh) | 电动汽车充电站负荷预测方法 | |
Thornes et al. | On the use of scale‐dependent precision in Earth system modelling | |
CN106355290A (zh) | 一种基于马尔科夫链的电动汽车充电负荷预测方法及系统 | |
CN103150446A (zh) | 临近空间飞行器模型验证与仿真实现方法 | |
CN103268519A (zh) | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 | |
CN107124394A (zh) | 一种电力通信网络安全态势预测方法和系统 | |
CN103018673A (zh) | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 | |
CN105158723A (zh) | 一种数字化电能计量系统的误差评估系统及方法 | |
CN111223006A (zh) | 一种异常用电检测方法及装置 | |
Lecouvez et al. | A parallel multigrid reduction in time method for power systems | |
Zheng et al. | State of health estimation for lithium battery random charging process based on CNN-GRU method | |
CN102270302A (zh) | 一种基于灰色支持向量机的多应力加速寿命试验预测方法 | |
CN104052058A (zh) | 一种基于马尔可夫链蒙特卡罗法的系统谐波概率评估方法 | |
CN105138782A (zh) | 基于eemd-elm的非平稳脉动风速高精度预测方法 | |
CN104850710A (zh) | 一种基于随机偏微分方程的风速波动特性建模方法 | |
Pektaş et al. | Prediction of bed load via suspended sediment load using soft computing methods | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
CN107169588A (zh) | 一种电动汽车充电站短时功率预测方法及系统 | |
CN105488335A (zh) | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20131127 |