CN105976270B - 一种分时电价下的电动汽车充电负荷动态概率分布确定方法 - Google Patents

一种分时电价下的电动汽车充电负荷动态概率分布确定方法 Download PDF

Info

Publication number
CN105976270B
CN105976270B CN201610353424.5A CN201610353424A CN105976270B CN 105976270 B CN105976270 B CN 105976270B CN 201610353424 A CN201610353424 A CN 201610353424A CN 105976270 B CN105976270 B CN 105976270B
Authority
CN
China
Prior art keywords
electric car
vector
moment
probability distribution
local electric
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
CN201610353424.5A
Other languages
English (en)
Other versions
CN105976270A (zh
Inventor
杨健维
黄宇
何正友
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201610353424.5A priority Critical patent/CN105976270B/zh
Publication of CN105976270A publication Critical patent/CN105976270A/zh
Application granted granted Critical
Publication of CN105976270B publication Critical patent/CN105976270B/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
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种分时电价下的电动汽车充电负荷动态概率分布确定方法,通过拉丁超立方采样技术得到包含电动汽车最初出行时刻、最后返回时刻和日行驶里程的电动汽车充电场景样本，以此构建不同充电场景下的电动汽车充电功率，获得单辆电动汽车在分时电价引导下的充电功率动态概率模型，进而得到辖区内所有电动汽车充电功率的动态概率分布，该方法相比采用确定行驶数据的电动汽车充电负荷确定方法，能够进行更全面的分时电价下辖区电动汽车充电负荷的评估；全面评估辖区电动汽车充电负荷的特性，为全面评估电动汽车充电负荷动态概率波动对运营商收益、电力系统运行风险的影响提供依据。

Description

一种分时电价下的电动汽车充电负荷动态概率分布确定方法
技术领域
本发明涉及电动汽车需求侧响应领域，特别涉及一种电动汽车与智能小区的能量互动领域。
背景技术
电动汽车具有节能、减排的优势，是各国竞相发展的新兴产业，电动汽车关键技术的突破促进了电动汽车的大规模应用。电动汽车的出行具有不确定性，分时电价引导下的规模化电动汽车的充电行为具有动态概率波动特性，该特性会增加电网的安全运行风险、电能质量不达标风险，电动汽车充电服务运营方收益波动风险。
分时电价下的辖区电动汽车充电负荷动态概率分布确定方法，能够考虑车主出行的不确定性因素：如最初出行时刻的概率波动、最后返回时刻的概率波动以及日行驶里程的概率波动，分析分时电价引导用户参与电动汽车的有序充电负荷的动态概率特性，能够为全面评估电动汽车充电负荷在时间和概率尺度对配电系统电能质量和电力调度问题提供技术支撑。
现有的分时电价下的辖区电动汽车充电负荷确定方法主要是基于用户的行驶数据为已知的确定量这一前提，其做法主要是：
记录所有辖区电动汽车次日的最初出行时刻、最后返回时刻以及日行驶里程，输入分时电价数据、电池数据、耗电量数据以及辖区负荷数据，采用特定的目标函数，如辖区的峰谷差最小、辖区电力运营方的电费收益最大，制定电动汽车充电调度策略，以此得到辖区内电动汽车总负荷的大小。这类方法难以满足电动汽车的出行具有难以准确预测这一实际情况。
发明内容
本发明的目的是通过如下的手段实现的。
一种分时电价下的电动汽车充电负荷动态概率分布确定方法，其步骤为：
A、记录辖区内每一小时的电动汽车充电分时电价ui(i＝1,2,…,24)，电动汽车最初出行时刻的概率分布F1(x)、最后返回时刻的概率分布F2(x)以及日行驶里程的概率分布F3(x)，辖区内电动汽车的单位里程耗电量的估计值W，辖区内电动汽车的充电效率估计值η，辖区内电动汽车的常规充电功率P，辖区内电动汽车充电桩控制指令变更的最小时间间隔Δt，辖区内电动汽车的数量N，拉丁超立方采样技术的采样规模M；
B、根据一天中辖区内电动汽车充电桩控制指令变更的最小时间间隔Δt，确定一天被划分的控制时段数J：
其中：L为24h；
C、利用拉丁超立方采样技术，对辖区内的电动汽车最初出行时刻的概率分布F1(x)、最后返回时刻的概率分布F2(x)以及日行驶里程的概率分布F3(x)进行采样、排序以及离散化处理，得到充电场景矩阵T：
D、由充电场景矩阵T得到辖区内的电动汽车最初出行时刻的样本向量S、最后返回时刻的样本向量E以及充电时长的样本向量C：
T＝[S；E；C]＝[T1,T2,…,Tk,…,TK] (2)
其中：其中：k＝1,2,…,K，Tk为第k个充电场景向量，Tk＝[sk,ek,ck]T；
S＝[s1,s2,…,sk,…sK] (3)
E＝[e1,e2,…,ek,…eK] (4)
C＝[c1,c2,…,ck,…cK] (5)
其中：sk∈{1,2,…,J}，ek∈{1,2,…,J}，ck∈{1,2,…,J}；
E、通过求解下式，可确定第k个充电场景的起始充电时间tk：
其中：i和j的关系为：为向上取整，tq,k的取值满足出行需求：
F、第k个充电场景下的单辆电动汽车充电策略Xk为：
Xk＝[p1,k,p2,k…pj,k…pJ,k] (8)
其中：pj,k表示在第j(j＝1,2,…96)个时间段的电动汽车充电功率，其取值为：
G、第j个时间段单辆电动汽车的充电功率期望值μj和方差分别可以表示为：
H、第j个时间段辖区电动汽车充电总负荷Dj的概率密度函数f(Dj)为：
所述步骤C中利用拉丁超立方采样技术，对辖区内的电动汽车最初出行时刻的概率分布 F1(x)、最后返回时刻的概率分布F2(x)以及日行驶里程的概率分布F3(x)进行采样、排序以及离散化处理，分别得到辖区内的电动汽车最初出行时刻的样本向量S、最后返回时刻的样本向量E以及充电时长的样本向量C的具体方法是：
C1、对辖区内的电动汽车最初出行时刻的概率分布F1(x)、最后返回时刻的概率分布F2(x) 以及日行驶里程的概率分布F3(x)进行顺序采样，分别得到辖区内的电动汽车最初出行时刻的顺序采样向量S′＝[s′1,s′2,…,s′m,…,s′M]、最后返回时刻的顺序采样向量E′＝[e′1,e′2,…,e′m,…,e′M]、日行驶里程的顺序采样向量Y′＝[y′1,y′2,…,y′m,…,y′M]，其中：
C2、对辖区内的电动汽车最初出行时刻、最后返回时刻和日行驶里程的顺序采样向量进行排序：
C21、初始化3个由整数1,2,…M的随机排列组成的1×M维行向量R1、R2和R3，计算其相关系数矩阵ρ：
其中：ρij(i＝1,2,3；j＝1,2,3)为行向量Ri和行向量Rj的相关系数；
C22、对相关系数矩阵ρ进行Cholesky分解，得到下三角矩阵G：
ρ＝G·GT (15)
其中：
G中各元素由下式确定：
C23、得到指示向量Z1、Z2和Z3：
其中：Z1＝[z1,1,z1,2,…,z1,m,…,z1,M]、Z2＝[z2,1,z2,2,…,z2,m,…,z2,M]和Z3＝[z3,1,z3,2,…,z3,m,…,z3,M]分别为1×M维行向量；
C24、得到编码向量B1＝[b1,1,b1,2,…,b1,m,…,b1,M]、B2＝[b2,1,b2,2,…,b2,m,…,b2,M]和 B3＝[b3,1,b3,2,…,b3,m,…,b3,M]：
其中：编码向量满足下式：
C25、得到的辖区内的电动汽车最初出行时刻的排序向量S″＝[s″1,s″2,…,s″m,…,s″M]、最后返回时刻的排序向量E″＝[e″1,e″2,…,e″m,…,e″M]以及日行驶里程的排序向量Y″＝[y″1,y″2,…,y″m,…,y″M]，其中：
C3、对辖区内的电动汽车最初出行时刻、最后返回时刻和日行驶里程的排序向量进行离散化处理：
C31、由排序向量S″、E″以及辖区内电动汽车充电桩控制指令变更的最小时间间隔Δt得到辖区内的电动汽车最初出行时刻的离散向量S″′＝[s″′1,s″′2,…,s″′m,…,s″′M]、最后返回时刻的离散向量E″′＝[e″′1,e″′2,…,e″′m,…,e″′M]：
C32、由排序向量Y″＝[y″1,y″2,…,y″m,…,y″M]、辖区内电动汽车的单位里程耗电量的估计值 W、辖区内电动汽车的充电效率估计值η以及辖区内电动汽车充电桩控制指令变更的最小时间间隔Δt，得到辖区内的电动汽车充电时长的离散向量C″′＝[c″′1,c″′2,…,c″′m,…,c″′M]，其中：
C33、由辖区内的电动汽车最初出行时刻的离散向量S″′、最后返回时刻的离散向量E″′以及辖区内的电动汽车充电时长的离散向量C″′得到充电场景的离散矩阵T″′：
T″′＝[S″′；E″′；C″′]＝[T″′1,T″′2,…,T″′m,…,T″′M] (23)
其中：T″′m为第m个充电场景离散向量，T″′m＝[s″′m,e″′m,c″′m]T；
C34、得到满足出行逻辑的充电场景离散向量集合Q＝{Q1,Q2,…,Qk,…,QK}(l＝1,2,…,K)，其中：Qk∈{T″′1,T″′2,…,T″′m,…,T″′}，Qk＝[Qk,1；Qk,2；Qk,3]且Qk,1,Qk,2,Qk,3满足下式：
C35、得到充电场景矩阵T：
T＝[Q1,Q2,…,Qk,…,QK] (25)
与现有技术相比，本发明的有益效果是：
一、本发明通过拉丁超立方采样技术得到包含电动汽车最初出行时刻、最后返回时刻和日行驶里程的电动汽车充电场景样本，以此构建不同充电场景下的电动汽车充电功率，获得单辆电动汽车在分时电价引导下的充电功率动态概率模型，进而得到辖区内所有电动汽车充电功率的动态概率分布，该方法相比采用确定行驶数据的电动汽车充电负荷确定方法，能够进行更全面的分时电价下辖区电动汽车充电负荷的评估。
二、本发明的分时电价下辖区电动汽车充电负荷动态概率分布确定方法不但能够全面评估辖区电动汽车充电负荷的特性，还能为全面评估电动汽车充电负荷动态概率波动对运营商收益、电力系统运行风险的影响提供依据。
附图说明
图1本发明分时电价下的电动汽车充电负荷动态概率分布确定方法。
图2实施例电动汽车充电负荷总功率的期望和标准差。
具体实施方式：
下面结合求实施例对本发明做进一步详细描述。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。
实施例
本发明采用的辖区有电动汽车数为300辆，假设其以24h制表示的最初出行时刻服从正态分布，其概率密度函数为：
其中：μL＝7.2，σL＝2.1；
最初出行时刻的概率分布为F1(x)：
以24h制表示的最后返回时刻服从正态分布，其概率密度函数为：
其中：μA＝17.6，σA＝3.4；
最后返回时刻的概率分布为F2(x)：
以英里表示的日行驶里程服从对数正态分布，其概率密度函数为：
其中：μd＝3.2，σd＝0.88；
最后返回时刻的概率分布为F3(x)：
辖区内电动汽车的百公里耗电量的估计值W为15.84kWh/100km，辖区内电动汽车的充电效率估计值η为0.87，辖区内电动汽车的常规充电功率P为7.3kW，辖区内电动汽车充电桩控制指令变更的最小时间间隔Δt为15min，拉丁超立方采样技术的采样规模M为2000。
该辖区各时段分时电价如表1所示：
表1某辖区分时电价表
B、根据一天中辖区内电动汽车充电桩控制指令变更的最小时间间隔Δt＝15min，确定一天被划分的控制时段数J：
其中：L为24小时的时间长度，为24；
C、利用拉丁超立方采样技术，对辖区内的电动汽车最初出行时刻的概率分布f1(x)、最后返回时刻的概率分布f2(x)以及日行驶里程的概率分布f3(x)进行采样、排序以及离散化处理，得到充电场景矩阵T：
C1、对辖区内的电动汽车最初出行时刻的概率分布F1(x)、最后返回时刻的概率分布F2(x) 以及日行驶里程的概率分布F3(x)进行顺序采样，分别得到辖区内的电动汽车最初出行时刻的顺序采样向量S′＝[s′1,s′2,…,s′m,…,s′M]、最后返回时刻的顺序采样向量E′＝[e′1,e′2,…,e′m,…,e′M]、日行驶里程的顺序采样向量Y′＝[y′1,y′2,…,y′m,…,y′M]，其中：
C2、对辖区内的电动汽车最初出行时刻、最后返回时刻和日行驶里程的顺序采样向量进行排序：
C21、初始化3个由整数1,2,…2000的随机排列组成的1×2000维行向量R1、R2和R3，计算其相关系数矩阵ρ：
其中：ρij(i＝1,2,3；j＝1,2,3)为行向量Ri和行向量Rj的相关系数；
C22、对相关系数矩阵ρ进行Cholesky分解，得到下三角矩阵G：
ρ＝G·GT (29)
其中：
其中：
C23、得到指示向量Z1、Z2和Z3：
其中：Z1＝[z1,1,z1,2,…,z1,m,…,z1,2000]、Z2＝[z2,1,z2,2,…,z2,m,…,z2,2000]和Z3＝[z3,1,z3,2,…,z3,m,…,z3,2000] 分别为1×M维行向量；
C24、得到编码向量B1＝[b1,1,b1,2,…,b1,m,…,b1,2000]、B2＝[b2,1,b2,2,…,b2,m,…,b2,2000]和 B3＝[b3,1,b3,2,…,b3,m,…,b3,2000]：
其中：编码向量满足下式：
C25、得到的辖区内的电动汽车最初出行时刻的排序向量S″＝[s″1,s″2,…,s″m,…,s″2000]、最后返回时刻的排序向量E″＝[e″1,e″2,…,e″m,…,e″2000]以及日行驶里程的排序向量Y″＝[y″1,y2″,…,y″m,…,y″2000]，其中：
C3、对辖区内的电动汽车最初出行时刻、最后返回时刻和日行驶里程的排序向量进行离散化处理：
C31、由排序向量S″、E″以及辖区内电动汽车充电桩控制指令变更的最小时间间隔Δt得到辖区内的电动汽车最初出行时刻的离散向量S″′＝[s″′1,s″′2,…,s″′m,…,s″′2000]、最后返回时刻的离散向量E″′＝[e″′1,e″′2,…,e″′m,…,e″′2000]：
C32、由排序向量Y″＝[y″1,y″2,…,y″m,…,y″2000]、辖区内电动汽车的单位里程耗电量的估计值 W、辖区内电动汽车的充电效率估计值η以及辖区内电动汽车充电桩控制指令变更的最小时间间隔Δt，得到辖区内的电动汽车充电时长的离散向量C″′＝[c″′1,c″′2,…,c″′m,…,c″′2000]，其中：
C33、由辖区内的电动汽车最初出行时刻的离散向量S″′、最后返回时刻的离散向量E″′以及辖区内的电动汽车充电时长的离散向量C″′得到充电场景的离散矩阵T″′：
T″′＝[S″′；E″′；C″′]＝[T″′1,T″′2,…,T″′m,…,T″′2000] (37)
其中：T″′m为第m个充电场景离散向量，T″′m＝[s″′m,e″′m,c″′m]T；
C34、得到满足出行逻辑的充电场景离散向量集合Q＝{Q1,Q2,…,Qk,…,QK}(l＝1,2,…,K)，其中：Qk∈{T″′1,T″′2,…,T″′m,…,T″′}，Qk＝[Qk,1；Qk,2；Qk,3]且Qk,1,Qk,2,Qk,3满足下式：
C35、得到充电场景矩阵T：
T＝[Q1,Q2,…,Qk,…,QK] (39)
D、由充电场景矩阵T得到辖区内的电动汽车最初出行时刻的样本向量S、最后返回时刻的样本向量E以及充电时长的样本向量C：
T＝[S；E；C]＝[T1,T2,…,Tk,…,TK] (40)
其中：其中：k＝1,2,…,K，Tk为第k个充电场景向量，Tk＝[sk,ek,ck]T；
S＝[s1,s2,…,sk,…sK] (41)
E＝[e1,e2,…,ek,…eK] (42)
C＝[c1,c2,…,ck,…cK] (43)
其中：sk∈{1,2,…,J}，ek∈{1,2,…,J}，ck∈{1,2,…,J}；
E、通过求解下式，可确定第k个充电场景的起始充电时间tk：
其中：i和j的关系为：为向上取整，tq,k的取值满足出行需求：
F、第k个充电场景下的单辆电动汽车充电策略Xk为：
Xk＝[p1,k,p2,k…pj,k…pJ,k] (46)
其中：pj,k表示在第j(j＝1,2,…96)个时间段的电动汽车充电功率，其取值为：
G、第j个时间段单辆电动汽车的充电功率期望值μj和方差分别可以表示为：
H、第j个时间段辖区电动汽车充电总负荷Dj的概率分布f(Dj)为：
该辖区在分时电价引导下的电动汽车充电负荷总功率在一天96时段的期望和标准差如图 2所示。

Claims (2)

1.一种分时电价下的电动汽车充电负荷动态概率分布确定方法，其步骤为：
A、记录辖区内每一小时的电动汽车充电分时电价ui(i＝1,2,…,24)，电动汽车最初出行时刻的概率分布F1(x)、最后返回时刻的概率分布F2(x)以及日行驶里程的概率分布F3(x)，辖区内电动汽车的单位里程耗电量的估计值W，辖区内电动汽车的充电效率估计值η，辖区内电动汽车的常规充电功率P，辖区内电动汽车充电桩控制指令变更的最小时间间隔Δt，辖区内电动汽车的数量N，拉丁超立方采样技术的采样规模M；
B、根据一天中辖区内电动汽车充电桩控制指令变更的最小时间间隔Δt，确定一天被划分的控制时段数J：
其中：L为24h；
C、利用拉丁超立方采样技术，对辖区内的电动汽车最初出行时刻的概率分布F1(x)、最后返回时刻的概率分布F2(x)以及日行驶里程的概率分布F3(x)进行采样、排序以及离散化处理，得到充电场景矩阵T：
D、由充电场景矩阵T得到辖区内的电动汽车最初出行时刻的样本向量S、最后返回时刻的样本向量E以及充电时长的样本向量C：
T＝[S；E；C]＝[T1,T2,…,Tk,…,TK] (2)
其中：其中：k＝1,2,…,K，Tk为第k个充电场景向量，Tk＝[sk,ek,ck]T；
S＝[s1,s2,…,sk,…sK] (3)
E＝[e1,e2,…,ek,…eK] (4)
C＝[c1,c2,…,ck,…cK] (5)
其中：sk∈{1,2,…,J}，ek∈{1,2,…,J}，ck∈{1,2,…,J}；
E、通过求解下式，可确定第k个充电场景的起始充电时间tk：
其中：i和j的关系为： 为向上取整，tq,k的取值满足出行需求：
F、第k个充电场景下的单辆电动汽车充电策略Xk为：
Xk＝[p1,k,p2,k…pj,k…pJ,k] (8)
其中：pj,k表示在第j(j＝1,2,…,J)个时间段的电动汽车充电功率，其取值为：
G、第j个时间段单辆电动汽车的充电功率期望值μj和方差分别可以表示为：
H、第j个时间段辖区电动汽车充电总负荷Dj的概率密度函数f(Dj)为：
2.根据权利要求1所述的分时电价下的电动汽车充电负荷动态概率分布确定方法，其特征在于：所述步骤C中利用拉丁超立方采样技术，对辖区内的电动汽车最初出行时刻的概率分布F1(x)、最后返回时刻的概率分布F2(x)以及日行驶里程的概率分布F3(x)进行采样、排序以及离散化处理，分别得到辖区内的电动汽车最初出行时刻的样本向量S、最后返回时刻的样本向量E以及充电时长的样本向量C的具体方法是：
C1、对辖区内的电动汽车最初出行时刻的概率分布F1(x)、最后返回时刻的概率分布F2(x)以及日行驶里程的概率分布F3(x)进行顺序采样，分别得到辖区内的电动汽车最初出行时刻的顺序采样向量S′＝[s′1,s′2,…,s′m,…,s′M]、最后返回时刻的顺序采样向量E′＝[e′1,e′2,…,e′m,…,e′M]、日行驶里程的顺序采样向量Y′＝[y′1,y′2,…,y′m,…,y′M]，其中：
C2、对辖区内的电动汽车最初出行时刻、最后返回时刻和日行驶里程的顺序采样向量进行排序：
C21、初始化3个由整数1,2,…M的随机排列组成的1×M维行向量R1、R2和R3，计算其相关系数矩阵ρ：
其中：ρij(i＝1,2,3；j＝1,2,3)为行向量Ri和行向量Rj的相关系数；
C22、对相关系数矩阵ρ进行Cholesky分解，得到下三角矩阵G：
ρ＝G·GT (15)
其中：
G中各元素由下式确定：
C23、得到指示向量Z1、Z2和Z3：
其中：Z1＝[z1,1,z1,2,…,z1,m,…,z1,M]、Z2＝[z2,1,z2,2,…,z2,m,…,z2,M]和Z3＝[z3,1,z3,2,…,z3,m,…,z3,M]分别为1×M维行向量；
C24、得到编码向量B1＝[b1,1,b1,2,…,b1,m,…,b1,M]、B2＝[b2,1,b2,2,…,b2,m,…,b2,M]和B3＝[b3,1,b3,2,…,b3,m,…,b3,M]：
其中：编码向量满足下式：
C25、得到的辖区内的电动汽车最初出行时刻的排序向量S″＝[s″1,s″2,…,s″m,…,s″M]、最后返回时刻的排序向量E″＝[e″1,e″2,…,e″m,…,e″M]以及日行驶里程的排序向量Y″＝[y″1,y″2,…,y″m,…,y″M]，其中：
C3、对辖区内的电动汽车最初出行时刻、最后返回时刻和日行驶里程的排序向量进行离散化处理：
C31、由排序向量S″、E″以及辖区内电动汽车充电桩控制指令变更的最小时间间隔Δt得到辖区内的电动汽车最初出行时刻的离散向量S″′＝[s″′1,s″′2,…,s″′m,…,s″′M]、最后返回时刻的离散向量E″′＝[e″′1,e″′2,…,e″′m,…,e″′M]：
C32、由排序向量Y″＝[y″1,y″2,…,y″m,…,y″M]、辖区内电动汽车的单位里程耗电量的估计值W、辖区内电动汽车的充电效率估计值η以及辖区内电动汽车充电桩控制指令变更的最小时间间隔Δt，得到辖区内的电动汽车充电时长的离散向量C″′＝[c″′1,c″′2,…,c″′m,…,c″′M]，其中：
C33、由辖区内的电动汽车最初出行时刻的离散向量S″′、最后返回时刻的离散向量E″′以及辖区内的电动汽车充电时长的离散向量C″′得到充电场景的离散矩阵T″′：
T″′＝[S″′；E″′；C″′]＝[T″′1,T″′2,…,T″′m,…,T″′M] (23)
其中：T″′m为第m个充电场景离散向量，T″′m＝[s″′m,e″′m,c″′m]T；
C34、得到满足出行逻辑的充电场景离散向量集合Q＝{Q1,Q2,…,Qk,…,QK}(l＝1,2,…,K)，其中：Qk∈{T″′1,T″′2,…,T″′m,…,T″′}，Qk＝[Qk,1；Qk,2；Qk,3]且Qk,1,Qk,2,Qk,3满足下式：
C35、得到充电场景矩阵T：
T＝[Q1,Q2,…,Qk,…,QK]。 (25)。
CN201610353424.5A 2016-05-25 2016-05-25 一种分时电价下的电动汽车充电负荷动态概率分布确定方法 Active CN105976270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610353424.5A CN105976270B (zh) 2016-05-25 2016-05-25 一种分时电价下的电动汽车充电负荷动态概率分布确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610353424.5A CN105976270B (zh) 2016-05-25 2016-05-25 一种分时电价下的电动汽车充电负荷动态概率分布确定方法

Publications (2)

Publication Number Publication Date
CN105976270A CN105976270A (zh) 2016-09-28
CN105976270B true CN105976270B (zh) 2019-07-16

Family

ID=56956350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610353424.5A Active CN105976270B (zh) 2016-05-25 2016-05-25 一种分时电价下的电动汽车充电负荷动态概率分布确定方法

Country Status (1)

Country Link
CN (1) CN105976270B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590580B (zh) * 2017-07-18 2020-09-01 西南交通大学 分时电价下居民区电动汽车充电负荷不确定性的评估方法
CN114580251B (zh) * 2022-03-15 2023-10-20 国网江苏省电力有限公司泰州供电分公司 一种配电台区电动汽车充电负荷分析方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011164756A (ja) * 2010-02-05 2011-08-25 Enegate:Kk 電力提供システム
CN104123598A (zh) * 2014-08-07 2014-10-29 山东大学 一种基于多目标优化的电动私家车充电模式选择方法
CN104269849A (zh) * 2014-10-17 2015-01-07 国家电网公司 基于建筑光伏微电网的能量管理方法及系统
CN104281889A (zh) * 2014-10-08 2015-01-14 国家电网公司 电动汽车ev充电负荷多目标随机规划方法
CN105068419A (zh) * 2015-08-04 2015-11-18 西南交通大学 居民小区电动汽车充放电控制方法
CN105591433A (zh) * 2016-01-15 2016-05-18 国家电网公司 基于电动汽车充电功率动态分布的电动汽车充电负荷优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011164756A (ja) * 2010-02-05 2011-08-25 Enegate:Kk 電力提供システム
CN104123598A (zh) * 2014-08-07 2014-10-29 山东大学 一种基于多目标优化的电动私家车充电模式选择方法
CN104281889A (zh) * 2014-10-08 2015-01-14 国家电网公司 电动汽车ev充电负荷多目标随机规划方法
CN104269849A (zh) * 2014-10-17 2015-01-07 国家电网公司 基于建筑光伏微电网的能量管理方法及系统
CN105068419A (zh) * 2015-08-04 2015-11-18 西南交通大学 居民小区电动汽车充放电控制方法
CN105591433A (zh) * 2016-01-15 2016-05-18 国家电网公司 基于电动汽车充电功率动态分布的电动汽车充电负荷优化方法

Also Published As

Publication number Publication date
CN105976270A (zh) 2016-09-28

Similar Documents

Publication Publication Date Title
Kobashi et al. On the potential of “Photovoltaics+ Electric vehicles” for deep decarbonization of Kyoto’s power systems: Techno-economic-social considerations
CN108596727B (zh) 一种共享单车的管理与决策方法
US11376981B2 (en) Systems and methods for adaptive EV charging
Tao et al. Data-driven optimized layout of battery electric vehicle charging infrastructure
Duan et al. A novel hybrid prediction model for aggregated loads of buildings by considering the electric vehicles
Girardi et al. A comparative LCA of an electric vehicle and an internal combustion engine vehicle using the appropriate power mix: the Italian case study
Button Infrastructure investment, endogenous growth and economic convergence
Ashtari et al. PEV charging profile prediction and analysis based on vehicle usage data
Ullah et al. Prediction of electric vehicle charging duration time using ensemble machine learning algorithm and Shapley additive explanations
Chen et al. An analysis of the charging characteristics of electric vehicles based on measured data and its application
CN106651059A (zh) 一种电动汽车充电站优化配置的方法
CN107169273A (zh) 计及延时和v2g充电模式的电动汽车充电功率预测方法
CN108805321A (zh) 一种电动汽车充电站规划方法
Simpson et al. Plug-in electric vehicle fast charge station operational analysis with integrated renewables
CN105184420B (zh) 一种基于灰色关联分析的充电站规划方案评估方法
CN109934403A (zh) 基于数学模型的电动汽车居民区域充电负荷分析预测方法
CN109376935A (zh) 一种基于神经网络的公交客流分时段组合预测方法
CN106532686A (zh) 基于电动汽车充电配置的片区配电网负荷预测方法
Keles et al. Meeting the modeling needs of future energy systems
CN112016771B (zh) 基于电动汽车需求预测的移动充电桩调度方法及系统
CN109840272B (zh) 一种共享电动汽车站点用户需求预测方法
CN105976270B (zh) 一种分时电价下的电动汽车充电负荷动态概率分布确定方法
Mills et al. Assessing greenhouse gas emissions from electric vehicle operation in Australia using temporal vehicle charging and electricity emission characteristics
Li et al. Demand and supply gap analysis of Chinese new energy vehicle charging infrastructure: Based on CNN-LSTM prediction model
CN109711913A (zh) 一种电动汽车供需差预测方法和充电桩布局规划方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant