CN106712065A - 一种电动汽车充电对配电网有功损耗影响指数预测方法 - Google Patents

一种电动汽车充电对配电网有功损耗影响指数预测方法 Download PDF

Info

Publication number
CN106712065A
CN106712065A CN201710098961.4A CN201710098961A CN106712065A CN 106712065 A CN106712065 A CN 106712065A CN 201710098961 A CN201710098961 A CN 201710098961A CN 106712065 A CN106712065 A CN 106712065A
Authority
CN
China
Prior art keywords
power distribution
distribution network
working condition
active loss
charging
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
Application number
CN201710098961.4A
Other languages
English (en)
Other versions
CN106712065B (zh
Inventor
滕云
李景瑞
金红洋
尹东
赵阳
徐龙彪
回茜
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.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
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 Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN201710098961.4A priority Critical patent/CN106712065B/zh
Publication of CN106712065A publication Critical patent/CN106712065A/zh
Application granted granted Critical
Publication of CN106712065B publication Critical patent/CN106712065B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003Load forecast, e.g. methods or systems for forecasting future load demand

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种电动汽车充电对配电网有功损耗影响指数预测方法,涉及配电网技术领域。该方法对含有充电汽车的配电网有功损耗造成影响的参数进行测量并归一化处理后,建立含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,采用模糊神经网络求解含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,针对数据归一化处理后的数据对某一时刻的系统有功损耗影响指数进行预测。本发明针对含电动汽车的配电网系统进行实时监测,测量系统运行参数、系统的地理气象环境参数及区域所含充电桩个数,对电动汽车充电对配电网有功损耗影响指数进行预测,根据计算结果实时地对该系统进行控制,显著提高系统运行的可靠性与经济性。

Description

一种电动汽车充电对配电网有功损耗影响指数预测方法
技术领域
本发明涉及配电网技术领域,尤其涉及一种电动汽车充电对配电网有功损耗影响指数预测方法。
背景技术
为高效利用能源,热电联供系统日益发展壮大,热电联供系统中分布式光储设备和空调负荷组成了一个复杂的系统。由于电动汽车充电具有随机性,对配电网的有功损耗造成很大影响,造成了电网的频率及电压的波动,从而影响电能质量,现有的电动汽车充电对配电网有功损耗影响相关研究较少,不能有效利用电网运行状态数据及地理气象综合数据资源,计算准确度和可靠度不高。
发明内容
针对现有技术的缺陷,本发明提供一种电动汽车充电对配电网有功损耗影响指数预测方法,根据分布式光储系统及空调负荷运行特点进行分布式光储发电出力对空调运行稳定性影响指数预测评估,使每个光热联合发电系统及其所接入的空调负荷能够安全、稳定、高效运行。
一种电动汽车充电对配电网有功损耗影响指数预测方法,包括以下步骤:
步骤1:选取对含有充电汽车的配电网有功损耗造成影响的参数进行测量,所述参数包括:系统母线电压Vqc、系统母线电流Iqc、配电网所在环境的温度Tqc、湿度Wqc及区域充电桩个数nqc
步骤2:对测量数据中的系统母线电压Vqc、系统母线电流Iqc、配电网所在环境的温度Tqc、湿度Wqc进行如下的归一化处理:
其中,i=1,2,...,n,n表示对每类测量数据采集的个数,Vqc′(i)、iqc′(i)、Tqc′(i)、Wqc′(i)分别表示系统母线电压、系统母线电流、温度、湿度的第i个归一化测量数据,Vqc(i)、Iqc(i)、Tqc(i)、Wqc(i)分别表示系统母线电压、系统母线电流、温度、湿度的第i个测量数据,max()、min()分别表示相应测量数据的最大值和最小值;
步骤3:根据归一化的数据建立含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,如下式所示:
其中,yqc(i)为电动汽车充电对配电网有功损耗影响指数,kj为所需求解的不同工况j下的工况系数,1≤j≤mqc,mqc为最优分类数,nqc为区域充电桩个数,max()为相应的数据归一化处理后数据中的最大值,min()为相应的数据归一化处理后数据中的最小值;
步骤4:采用模糊神经网络求解含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,针对数据归一化处理后的数据对某一时刻的系统有功损耗影响指数进行预测,得到分布式光储发电出力对空调运行稳定性影响指数预测值,具体方法为:
步骤4.1:采用粒子群聚类算法对归一化处理后的数据进行聚类划分,得到最优分类数mqc,并对得到的系统不同运行工况进行编号为1~mqc;粒子群聚类算法的输入为归一化处理后的数据构成的样本集,样本集数据个数为Nqc,最大迭代次数为τmax
步骤4.2:对工况编号j所对应的归一化处理后的数据进行提取,采用模糊神经网络对所建立的电动汽车充电对配电网有功损耗影响指数数学模型中的工况系数kj进行求解,即得到工况j条件下电动汽车充电对配电网有功损耗影响指数确定的数学模型;
步骤4.3:某一时刻采集的数据经过归一化处理和粒子群聚类算法后,得到此刻系统所属的工况,将求得的对应的工况系数kj和归一化处理后的数据输入电动汽车充电对配电网有功损耗影响指数数学模型,得到该时刻电动汽车充电对配电网有功损耗影响指数预测值yqc(i)。
进一步地,所述步骤4.1的具体方法为:
步骤4.1.1:分类数初始化,mqc=1;
步骤4.1.2:对粒子群参数进行初始化;相空间相点中随机选择mqc个值作为聚类中心值,并将这mqc个聚类中心值作为粒子群初始值;
步骤4.1.3:进行粒子群迭代搜索,得到此运行方式分类数下的最优聚类中心,最大迭代次数为τmax,粒子群迭代更新方程如下式所示;
其中,为第k次迭代下,第i个粒子的速度;表示第k次迭代为止第i个粒子的最佳位置;表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置,表示第i个粒子第k次迭代所在位置,c1、c2表示学习常数,rand()为0~1之间的随机数,w为惯性权重,用于权衡局部最优能力和全局最优能力;
粒子群适应度用如下函数计算;
其中,ffit为粒子群适应度函数,Jm为各个粒子到聚类中心的欧氏距离之和;
步骤4.1.4:计算聚类中心值间的欧氏距离之和JPphm,其中phm=1,2,...,Ngl
步骤4.1.5:将mqc加1,若mqc<Nqc,则重复步骤4.1.2至4.1.5,否则,执行步骤4.1.6;
步骤4.1.6:比较分类数mqc从1到Nqc对应的欧氏距离之和将JPphm最小值所对应的mqc作为工况的最优分类数。
进一步地,所述步骤4.2对工况系数kj进行逐个求解的具体方法为:
步骤4.2.1:对工况参数初始化,令j=1;
步骤4.2.2:提取工况编号j所对应的重构后相空间中的相点,建立求取该工况所对应的工况系数的神经网络模型,定义神经网络目标函数如下式所示;
其中,为第j种工况下第m次训练后神经网络系统的期望输出,kj(m)为第j种工况下第m次训练后神经网络系统的实际输出;
步骤4.2.3:进行网络权值训练,计算输出层权值ω′,权值更新公式如下式所示;
ω′(m)=ω′(m-1)+Δω′(m)+a(ω′(m-1)-ω′(m-2))
其中,ω′(m)为第m次训练后的输出层权值,η为学习速率,a为动量因子,η,a∈[0,1];设定阈值时,网络权值训练结束;网络实际输出的kj即为工况j下的工况系数;
步骤4.2.4:将j加1,若j<mqc,则重复步骤4.2.2至4.2.4,否则,计算结束,得到1~mqc工况下模型对应的工况系数,执行步骤4.3。
由上述技术方案可知,本发明的有益效果在于:本发明提供的一种电动汽车充电对配电网有功损耗影响指数预测方法,针对含电动汽车的配电网系统进行实时监测,选取系统运行参数——系统母线电压系统母线电流,系统所在环境地理气象环境参数——温度、湿度,以及区域所含充电桩的个数,根据监测参数对电动汽车充电对配电网有功损耗影响指数进行预测,根据计算结果实时地对该系统进行控制,显著提高系统运行的可靠性与经济性。
附图说明
图1为本发明实施例提供的电动汽车充电对配电网有功损耗影响指数预测方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
一种电动汽车充电对配电网有功损耗影响指数预测方法,如图1所示,具体方法如下所述。
步骤1:选取对含有充电汽车的配电网有功损耗造成影响的参数进行测量,所述参数包括:系统母线电压Vqc、系统母线电流Iqc、配电网所在环境的温度Tqc、湿度Wqc及区域充电桩个数nqc
步骤2:对测量数据中的系统母线电压Vqc、系统母线电流Iqc、配电网所在环境的温度Tqc、湿度Wqc进行如下的归一化处理:
其中,i=1,2,...,n,n表示对每类测量数据采集的个数,本实例中,n=100,Vqc′(i)、Iqc′(i)、Tqc′(i)、Wqc′(i)分别表示系统母线电压、系统母线电流、温度、湿度的第i个归一化测量数据,Vqc(i)、Iqc(i)、Tqc(i)、Wqc(i)分别表示系统母线电压、系统母线电流、温度、湿度的第i个测量数据,max()、min()分别表示相应测量数据的最大值和最小值。
步骤3:根据归一化的数据建立含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,如下式所示;
其中,yqc(i)为电动汽车充电对配电网有功损耗影响指数,kj为所需求解的不同工况j下的工况系数,j为整数,1≤j≤mqc,mqc为最优分类数,nqc为区域充电桩个数,max()为相应的数据归一化处理后数据中的最大值,min()为相应的数据归一化处理后数据中的最小值。
步骤4:采用模糊神经网络求解含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,针对数据归一化处理后的数据对某一时刻的系统有功损耗影响指数进行预测,得到分布式光储发电出力对空调运行稳定性影响指数预测值,具体方法为:
步骤4.1:采用粒子群聚类算法对归一化处理后的数据进行聚类划分,得到最优分类数mqc,并对得到的系统不同运行工况进行编号为1~mqc;粒子群聚类算法的输入为归一化处理后的数据构成的样本集,样本集数据个数Nqc=400,最大迭代次数τmax=50,具体方法为:
步骤4.1.1:分类数初始化,mqc=1;
步骤4.1.2:对粒子群参数进行初始化;相空间相点中随机选择mqc个值作为聚类中心值,并将这mqc个聚类中心值作为粒子群初始值;
步骤4.1.3:进行粒子群迭代搜索,得到此运行方式分类数下的最优聚类中心,最大迭代次数为τmax,粒子群迭代更新方程如下式所示;
其中,为第k次迭代下,第i个粒子的速度;表示第k次迭代为止第i个粒子的最佳位置;表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置,表示第i个粒子第k次迭代所在位置,c1、c2表示学习常数,rand()为0~1之间的随机数,w为惯性权重,用于权衡局部最优能力和全局最优能力。本实施例中,c1=0.9,c2=1.3,w=1.2,当随机数rand()分别为0.6或0.4时,粒子群算法寻优效果最好。
粒子群适应度用如下函数计算;
其中,ffit为粒子群适应度函数,Jm为各个粒子到聚类中心的欧氏距离之和;
步骤4.1.4:计算聚类中心值间的欧氏距离之和JPphm,其中phm=1,2,...,Ngl
步骤4.1.5:将mqc加1,若mqc<Nqc,则重复步骤4.1.2至4.1.5,否则,执行步骤4.1.6;
步骤4.1.6:比较分类数mqc从1到Nqc对应的欧氏距离之和将JPphm最小值所对应的mqc作为工况的最优分类数。本实施例中,最优分类数mgc=4。
步骤4.2:对工况编号j所对应的归一化处理后的数据进行提取,采用模糊神经网络对所建立的电动汽车充电对配电网有功损耗影响指数数学模型中的工况系数kj进行求解,即得到工况j条件下电动汽车充电对配电网有功损耗影响指数确定的数学模型,具体方法为:
步骤4.2.1:对工况参数初始化,令j=1;
步骤4.2.2:提取工况编号j所对应的重构后相空间中的相点,建立求取该工况所对应的工况系数的神经网络模型,定义神经网络目标函数如下式所示;
其中,为第j种工况下第m次训练后神经网络系统的期望输出,kj(m)为第j种工况下第m次训练后神经网络系统的实际输出;
步骤4.2.3:进行网络权值训练,计算输出层权值ω′,权值更新公式如下式所示;
ω′(m)=ω′(m-1)+Δω′(m)+a(ω′(m-1)-ω′(m-2))
其中,ω′(m)为第m次训练后的输出层权值,η为学习速率,a为动量因子,η,a∈[0,1];设定阈值时,网络权值训练结束;网络实际输出的kj即为工况j下的工况系数;本实施例中,训练结束后,得到ε(m)=0.00098。
步骤4.2.4:将j加1,若j<mqc,则重复步骤4.2.2至4.2.4,否则,计算结束,得到1~mqc工况下模型对应的工况系数,执行步骤4.3。
本实施例中,按照此方法依次求取四种工况下的工况系数分别为:k1=1.25,k2=1.46,k3=1.8,k4=2.05。
步骤4.3:某一时刻采集的数据经过归一化处理和粒子群聚类算法后,得到此刻系统所属的工况,将求得的对应的工况系数kj和归一化处理后的数据输入电动汽车充电对配电网有功损耗影响指数数学模型,得到该时刻电动汽车充电对配电网有功损耗影响指数预测值yqc(i)。
本实施例中,当母线电压Vqc=35kV、系统母线电流Iqc=6A、配电网所在环境的温度Tqc=25、湿度Wqc=65%RH时,区域充电桩个数为25,此工况经过聚类计算,属于第三类,即k3=1.8,得到该时刻电动汽车充电对配电网有功损耗影响指数为1.3。当影响指数小于1.3时,动汽车充电对配电网有功损耗影响较小,电网维持现状运行,当指数超过1.3时,调节电网的有功输出,使影响指数保持在1.3以下。
本实施例提供的一种电动汽车充电对配电网有功损耗影响指数预测方法,针对含电动汽车的配电网系统进行实时监测,选取系统运行参数——系统母线电压系统母线电流,系统所在环境地理气象环境参数——温度、湿度,以及区域所含充电桩的个数;并根据监测参数对电动汽车充电对配电网有功损耗影响指数进行预测,根据计算结果实时地对该系统进行控制,显著提高系统运行的可靠性与经济性。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (3)

1.一种电动汽车充电对配电网有功损耗影响指数预测方法,其特征在于:该方法包括以下步骤:
步骤1:选取对含有充电汽车的配电网有功损耗造成影响的参数进行测量,所述参数包括:系统母线电压Vqc、系统母线电流Iqc、配电网所在环境的温度Tqc、湿度Wqc及区域充电桩个数nqc
步骤2:对测量数据中的系统母线电压Vqc、系统母线电流Iqc、配电网所在环境的温度Tqc、湿度Wqc进行如下的归一化处理:
V q c ′ ( i ) = V q c ( i ) - m i n ( V q c ( i ) ) m a x ( V q c ( i ) ) - min ( V q c ( i ) ) ;
I q c ′ ( i ) = I q c ( i ) - m i n ( I q c ( i ) ) max ( I q c ( i ) ) - min ( I q c ( i ) ) ;
T q c ′ ( i ) = T q c ( i ) - min ( T q c ( i ) ) max ( T q c ( i ) ) - min ( T q c ( i ) ) ;
W q c ′ ( i ) = W q c ( i ) - m i n ( W q c ( i ) ) m a x ( W q c ( i ) ) - min ( W q c ( i ) ) ;
其中,i=1,2,...,n,n表示对每类测量数据采集的个数,Vqc′(i)、Iqc′(i)、Tqc′(i)、Wqc′(i)分别表示系统母线电压、系统母线电流、温度、湿度的第i个归一化测量数据,Vqc(i)、Iqc(i)、Tqc(i)、Wqc(i)分别表示系统母线电压、系统母线电流、温度、湿度的第i个测量数据;
步骤3:根据归一化的数据建立含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,如下式所示;
y q c ( i ) = k j ( T q c ′ ( i ) ) 1 n q c W q c ′ ( i ) ( W q c ′ ( i ) ) n q c - 1 n q c ln V q c ′ ( i ) - min ( V q c ′ ( i ) ) max ( I q c ′ ( i ) ) - I q c ′ ( i )
其中,yqc(i)为电动汽车充电对配电网有功损耗影响指数,Kj为所需求解的不同工况j下的工况系数,j为整数,1≤J≤mqc,mqc为最优分类数,nqc为区域充电桩个数;
步骤4:采用模糊神经网络求解含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型,针对数据归一化处理后的数据对某一时刻的系统有功损耗影响指数进行预测,得到分布式光储发电出力对空调运行稳定性影响指数预测值,具体方法为:
步骤4.1:采用粒子群聚类算法对归一化处理后的数据进行聚类划分,得到最优分类数mqc,并对得到的系统不同运行工况进行编号为1~mqc;粒子群聚类算法的输入为归一化处理后的数据构成的样本集,样本集数据个数为Nqc,最大迭代次数为τmax
步骤4.2:对工况编号j所对应的归一化处理后的数据进行提取,采用模糊神经网络对所建立的电动汽车充电对配电网有功损耗影响指数数学模型中的工况系数kj进行求解,即得到工况j条件下电动汽车充电对配电网有功损耗影响指数确定的数学模型;
步骤4.3:某一时刻采集的数据经过归一化处理和粒子群聚类算法后,得到此刻系统所属的工况,将求得的对应的工况系数kj和归一化处理后的数据输入电动汽车充电对配电网有功损耗影响指数数学模型,得到该时刻电动汽车充电对配电网有功损耗影响指数预测值yqc(i)。
2.根据权利要求1所述的一种电动汽车充电对配电网有功损耗影响指数预测方法,其特征在于:所述步骤4.1的具体方法为:
步骤4.1.1:分类数初始化,mqc=1;
步骤4.1.2:对粒子群参数进行初始化;相空间相点中随机选择mqc个值作为聚类中心值,并将这mqc个聚类中心值作为粒子群初始值;
步骤4.1.3:进行粒子群迭代搜索,得到此运行方式分类数下的最优聚类中心,最大迭代次数为τmax,粒子群迭代更新方程如下式所示;
v i D k + 1 = wv i D k + c 1 r a n d ( ) ( pb i D k - x i D k ) + c 2 r a n d ( ) ( gb i D k - x i D k ) x i D k + 1 = x i D k + v i D k + 1
其中,为第k次迭代下,第i个粒子的速度;表示第k次迭代为止第i个粒子的最佳位置;表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置,表示第i个粒子第k次迭代所在位置,c1、c2表示学习常数,rand()为0~1之间的随机数,w为惯性权重,用于权衡局部最优能力和全局最优能力;
粒子群适应度用如下函数计算;
f f i t = 1 1 + J m
其中,ffit为粒子群适应度函数,Jm为各个粒子到聚类中心的欧氏距离之和;
步骤4.1.4:计算聚类中心值间的欧氏距离之和JPphm,其中phm=1,2,...,Ngl
步骤4.1.5:将mqc加1,若mqc<Nqc,则重复步骤4.1.2至4.1.5,否则,执行步骤4.1.6;
步骤4.1.6:比较分类数mqc从1到Nqc对应的欧氏距离之和将Jpphm最小值所对应的mqc作为工况的最优分类数。
3.根据权利要求2所述的一种电动汽车充电对配电网有功损耗影响指数预测方法,其特征在于:所述步骤4.2对工况系数kj进行逐个求解的具体方法为:
步骤4.2.1:对工况参数初始化,令j=1;
步骤4.2.2:提取工况编号j所对应的重构后相空间中的相点,建立求取该工况所对应的工况系数的神经网络模型,定义神经网络目标函数如下式所示;
ϵ ( m ) = 1 2 ( k ^ j ( m ) - k j ( m ) ) 2
其中,为第j种工况下第m次训练后神经网络系统的期望输出,kj(m)为第j种工况下第m次训练后神经网络系统的实际输出;
步骤4.2.3:进行网络权值训练,计算输出层权值ω′,权值更新公式如下式所示;
ω′(m)=ω′(m-1)+Δω′(m)+a(ω′(m-1)-ω′(m-2))
其中,ω′(m)为第m次训练后的输出层权值,η为学习速率,a为动量因子,η,a∈[0,1];设定阈值时,网络权值训练结束;网络实际输出的kj即为工况j下的工况系数;
步骤4.2.4:将j加1,若j<mqc,则重复步骤4.2.2至4.2.4,否则,计算结束,得到1~mqc工况下模型对应的工况系数,执行步骤4.3。
CN201710098961.4A 2017-02-23 2017-02-23 一种电动汽车充电对配电网有功损耗影响指数预测方法 Expired - Fee Related CN106712065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710098961.4A CN106712065B (zh) 2017-02-23 2017-02-23 一种电动汽车充电对配电网有功损耗影响指数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710098961.4A CN106712065B (zh) 2017-02-23 2017-02-23 一种电动汽车充电对配电网有功损耗影响指数预测方法

Publications (2)

Publication Number Publication Date
CN106712065A true CN106712065A (zh) 2017-05-24
CN106712065B CN106712065B (zh) 2019-03-05

Family

ID=58911872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710098961.4A Expired - Fee Related CN106712065B (zh) 2017-02-23 2017-02-23 一种电动汽车充电对配电网有功损耗影响指数预测方法

Country Status (1)

Country Link
CN (1) CN106712065B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818340A (zh) * 2017-10-25 2018-03-20 福州大学 基于k值小波神经网络的二阶段空调负荷预测方法
CN109272205A (zh) * 2018-08-24 2019-01-25 国网河南省电力公司电力科学研究院 广义负荷特性分析方法及装置
CN109307852A (zh) * 2018-09-06 2019-02-05 中国电力科学研究院有限公司 一种确定电动汽车充电桩电能计量装置的计量误差的方法和系统
CN113267705A (zh) * 2021-07-21 2021-08-17 天津滨电电力工程有限公司 一种电动汽车交流充电桩简易测试装置
CN117474270A (zh) * 2023-11-10 2024-01-30 哈尔滨工业大学 一种基于bp的电动公交车激励-响应特性精准量化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010233369A (ja) * 2009-03-27 2010-10-14 Panasonic Corp 保護回路、及び電池パック
CN105512475A (zh) * 2015-12-03 2016-04-20 电子科技大学 一种参与电网调度的电动汽车电池损耗支出计算方法
CN105760949A (zh) * 2016-02-04 2016-07-13 国网山东省电力公司经济技术研究院 一种电动汽车快充站充电机台数优化配置方法
CN106355511A (zh) * 2015-07-22 2017-01-25 国网浙江省电力公司台州供电公司 考虑新能源与电动汽车接入的主动配电网重构方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010233369A (ja) * 2009-03-27 2010-10-14 Panasonic Corp 保護回路、及び電池パック
CN106355511A (zh) * 2015-07-22 2017-01-25 国网浙江省电力公司台州供电公司 考虑新能源与电动汽车接入的主动配电网重构方法
CN105512475A (zh) * 2015-12-03 2016-04-20 电子科技大学 一种参与电网调度的电动汽车电池损耗支出计算方法
CN105760949A (zh) * 2016-02-04 2016-07-13 国网山东省电力公司经济技术研究院 一种电动汽车快充站充电机台数优化配置方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818340A (zh) * 2017-10-25 2018-03-20 福州大学 基于k值小波神经网络的二阶段空调负荷预测方法
CN109272205A (zh) * 2018-08-24 2019-01-25 国网河南省电力公司电力科学研究院 广义负荷特性分析方法及装置
CN109272205B (zh) * 2018-08-24 2022-03-29 国网河南省电力公司电力科学研究院 广义负荷特性分析方法及装置
CN109307852A (zh) * 2018-09-06 2019-02-05 中国电力科学研究院有限公司 一种确定电动汽车充电桩电能计量装置的计量误差的方法和系统
CN113267705A (zh) * 2021-07-21 2021-08-17 天津滨电电力工程有限公司 一种电动汽车交流充电桩简易测试装置
CN113267705B (zh) * 2021-07-21 2022-01-07 天津滨电电力工程有限公司 一种电动汽车交流充电桩简易测试装置
CN117474270A (zh) * 2023-11-10 2024-01-30 哈尔滨工业大学 一种基于bp的电动公交车激励-响应特性精准量化方法

Also Published As

Publication number Publication date
CN106712065B (zh) 2019-03-05

Similar Documents

Publication Publication Date Title
CN106712065B (zh) 一种电动汽车充电对配电网有功损耗影响指数预测方法
Li et al. Data driven battery modeling and management method with aging phenomenon considered
Hannan et al. Neural network approach for estimating state of charge of lithium-ion battery using backtracking search algorithm
Li et al. Big data driven vehicle battery management method: A novel cyber-physical system perspective
Ma et al. State of health estimation and remaining useful life prediction for lithium-ion batteries by improved particle swarm optimization-back propagation neural network
CN110850298B (zh) 基于数据驱动的锂电池soh估计方法及系统
CN110175672A (zh) 基于扩展卡尔曼滤波和遗传bp神经网络组合的电池充电状态评估系统及评估方法
CN104951834A (zh) 基于遗传算法和粒子群集成的lssvm风速预测方法
CN105160444A (zh) 电力设备故障率确定方法及系统
CN103488869A (zh) 一种最小二乘支持向量机的风力发电短期负荷预测方法
Wu et al. SOC prediction method based on battery pack aging and consistency deviation of thermoelectric characteristics
CN105574231A (zh) 一种蓄电池剩余容量检测方法
CN107741568A (zh) 一种基于状态转移优化rbf神经网络的锂电池soc估算方法
CN111458646A (zh) 一种基于pso-rbf神经网络的锂电池soc估算方法
Wang et al. Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile
CN113484774B (zh) 一种基于温度校准和神经网络的锂电池组容量估计方法
CN110866636A (zh) 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法
Chang et al. A probabilistic approach for prognosis of battery pack aging
US20230305073A1 (en) Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern
Zhao et al. A state of health estimation framework based on real-world electric vehicles operating data
CN116910637B (zh) 基于改进的iga-rbf神经网络短期负荷预测方法
Çarkıt et al. Investigation of V oc and SoH on Li-ion batteries with an electrical equivalent circuit model using optimization algorithms
CN115542168A (zh) 基于融合数据驱动模型的锂电池剩余使用寿命预测方法
Wen et al. Lithium battery health state assessment based on vehicle-to-grid (V2G) real-world data and natural gradient boosting model
CN115684936A (zh) 一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190305