CN106786556A - 一种基于盲数理论的电动汽车充电负荷预测方法 - Google Patents

一种基于盲数理论的电动汽车充电负荷预测方法 Download PDF

Info

Publication number
CN106786556A
CN106786556A CN201710045104.8A CN201710045104A CN106786556A CN 106786556 A CN106786556 A CN 106786556A CN 201710045104 A CN201710045104 A CN 201710045104A CN 106786556 A CN106786556 A CN 106786556A
Authority
CN
China
Prior art keywords
charging
charge
electric vehicle
blind
electric automobile
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
Application number
CN201710045104.8A
Other languages
English (en)
Inventor
刘江东
管永高
牛涛
冯伟
俞豪君
许文超
韩志锟
王震泉
李桃
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.)
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
China Energy Engineering Group Jiangsu Power Design Institute Co Ltd
Original Assignee
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
China Energy Engineering Group Jiangsu Power Design Institute 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 Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd, China Energy Engineering Group Jiangsu Power Design Institute Co Ltd filed Critical Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN201710045104.8A priority Critical patent/CN106786556A/zh
Publication of CN106786556A publication Critical patent/CN106786556A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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

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)

Abstract

本发明公开了一种基于盲数理论的电动汽车充电负荷预测方法，采用了盲数理论对计算中存在的一些不确定性因素进行处理，包括电动汽车充电起始荷电状态、电动汽车充电集中程度等等，得到可信度较高的不确定性因素灰度区间组合，在此基础上考虑不同类型电动汽车的出行特点和使用习惯进行充电负荷预测。本发明能够综合考虑多种电动汽车充电过程中的不确定性因素，通过分析多种不确定性因素组合的可信度，对可信度较高的情况进行充电负荷的预测。与现有电动汽车充电负荷预测方法相比，该方法可考虑更多的不确定性因素，计算更为简单快捷，结果可信度更高。该预测方法将对电动汽车充电设施的建设布局以及相关电网的规划建设起到很好的指导作用。

Description

一种基于盲数理论的电动汽车充电负荷预测方法
技术领域
本发明涉及一种基于盲数理论的电动汽车充电负荷预测方法，属于电力调度与控制技术领域。
背景技术
随着城市化和工业化进程不断加快，汽车工业迅速发展，全球气候变暖日益明显。在此背景下，以节能减排为宗旨的新能源汽车技术不断取得突破，并逐步形成以能源、机电新技术为支撑，新能源为动力，包括新能源汽车整车、配套零部件、专用储能材料及相关服务在内的，具有巨大市场潜力的新兴产业。
随着电动汽车的日趋普及、保有量不断增长，电动汽车的充电需求将对电网带来影响。考虑到人们在车辆使用习惯和使用时间上的不确定性，势必导致电动汽车充电时间和充电方式的不确定性，从而对电动汽车充电负荷的预测准确性带来不利的影响。
现有研究中主要通过概率分析的方法确定电动汽车充电分布函数，本质上已在一定的置信度上确定了电动汽车的充电规律，将某一类不确定性问题转化为确定问题进行分析，得到相应的电动汽车充电负荷预测结果。由于电动汽车充电过程中存在诸多的不确定性因素，而对于多种不确定性因素的综合考虑，现有方法仍存在一定的局限性。
因此，有必要针对充电过程中存在的诸多不确定性因素进行分析，研究不同组合的可信度，针对可信度较高的情况计算得到相应的电动汽车充电负荷预测结果，作为电动汽车充电设施建设布局以及相关电网规划建设的指导依据。
发明内容
目的：为了克服现有技术中存在的不足，本发明提供一种基于盲数理论的电动汽车充电负荷预测方法。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种基于盲数理论的电动汽车充电负荷预测方法，包括如下步骤：
步骤一：基于盲数理论以不同类型的电动汽车充电起始荷电状态，对不同类型的电动汽车充电时的电池SOC可信度值进行评价，得到不同类型电动汽车充电时刻电池SOC值的盲数模型；
步骤二：对不同类型电动汽车的电池荷电状态进行盲数运算，得到不同情况下的可信度计算值，并根据可信度计算值对各类情况进行排序；
步骤三：选取总可信度排序前10位中任意一位的电池SOC情况对各类电动汽车充电负荷进行预测。
作为优选方案，步骤一中所述不同类型电动汽车充电时刻电池SOC值的盲数模型如下：
电动公交车充电时刻SOC值盲数表达式为
大型客车充电时刻SOC值盲数表达式为
出租车充电时刻SOC值盲数表达式为
私家车充电时刻SOC值盲数表达式为
专用车充电时刻SOC值盲数表达式为
其他车辆充电时刻SOC值盲数表达式为
作为优选方案，所述步骤二包括：
2-1：依次从各电动汽车类型盲数模型中取一个可信度值进行组合，共有66种可信度值组合；
2-2：将每一组可信度值相乘得到总可信度值，按总可信度数值大小进行排序；
2-3：取排名前十的总可信度值，组成不同电动汽车充电时刻SOC所处的灰度区间，如表1所示：
表1总可信度前十位电动汽车充电时刻SOC灰度区间表。
作为优选方案，所述步骤三包括：
3-1：分别统计出各类型电动汽车数量；
3-2：将各类型电动汽车数量折算为标准电动汽车的数量；
3-3：预测各类电动汽车全天充电负荷，以15分钟为一个时间窗，将全天分为96个时间段对电动汽车充电负荷进行预测。
作为优选方案，所述3-2中，各类电动汽车与标准车折算关系，如表2所示：
表2各类电动汽车与标准车折算关系表。
作为优选方案，所述步骤3-3包括：
3-3-1：结合表3各类电动汽车数量充电时间分布规律，确定每一时间段不同类型汽车要充电的数量；从t＝0时刻起，确定t＝t+0.25h时段内具备充电条件的各类电动汽车标准车数量n；
表3各类时段具备充电条件电动汽车所占比例
3-3-2：设置各类电动汽车标准车为变量i，i＝i+1,从i＝0开始；设第i台电动汽车的起始荷电状态为[0,1]区间内服从平均分布的随机数，根据表1中总可信度排序任意1位的电池SOC情况，判断第i台电动汽车起始荷电状态是否在该灰度区间内或小于灰度区间的值，若是则转到3-3-3，否则，进入3-3-6；
3-3-3：根据表4电动汽车类型与充电时段判断第i台电动汽车是选择快充还是慢充；
表4各类型电动汽车各时段充电方式
3-3-4：计算第i台电动汽车充电时长ΔT，并确定电动汽车的充电负荷Pi；
当该车选择快充充电时，则计算该车快充充电时长ΔTQ为：
ΔTQ＝(1-SOC)×TQ(单位：小时)
TQ＝0.25h，h为小时，电动汽车充电时长ΔT＝ΔTQ，快充充电功率Pi＝PQ＝120kW；
当该车选择慢充充电时，则计算该车慢充充电时长ΔTS为：
ΔTS＝(1-SOC)×TS(单位：小时)
TS＝2h，h为小时，电动汽车充电时长ΔT＝ΔTS，慢充充电功率Pi＝PS＝15kW；
3-3-5：将t＝t+ΔT时间内的充电负荷Pi值累加入日充电负荷曲线值LEV中；
3-3-6：将计数变量i加1，判断已计算电动汽车数量是否大于t时刻具备充电条件的电动汽车标准车数量n，若是，则时间变量t加0.25小时，转到3-3-7，若否，则转回3-3-2；
3-3-7：判断时间变量t是否等于24小时，若否，则转回3-3-2；若是，则计算过程结束，输出该可信度排序情况下日最大充电负荷、日充电负荷曲线预测结果。
作为优选方案，根据表1中总可信度排序前3位的电池SOC情况，分别作为各类电动汽车起始荷电状态的判断标准。
有益效果：本发明提供的一种基于盲数理论的电动汽车充电负荷预测方法，能够对电动汽车充电过程中存在的诸多不确定性因素进行分析，能够得到可信度较高的不确定性因素的组合。针对可信度较高的不确定性因素的组合对电动汽车充电负荷进行预测。在充电负荷预测过程中可对比较关心的因素或对电动汽车充电负荷影响较大的因素进行着重分析；针对不同不确定性因素的组合，同样可以选择可信度较高的情况进行着重分析。本发明对影响电动汽车充电负荷预测过程中多种不确定性因素的考虑更为简便快捷，结果可信度更高。对电动汽车充电设施的建设布局以及相关电网的规划建设具有很好的指导作用。
附图说明
图1为本发明电动汽车充电负荷预测流程图；
图2为各类电动汽车充电时间分布图；
图3为预测得到的电动汽车充电负荷曲线。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，一种基于盲数理论的电动汽车充电负荷预测方法，包括如下步骤：
步骤一：基于盲数理论以不同类型的电动汽车充电起始荷电状态(state ofcharge,SOC)为例，结合使用者心理，对不同类型的电动汽车充电时的电池SOC可信度值进行评价，得到不同类型电动汽车充电时刻电池SOC值的盲数模型如下：
电动公交车充电时刻SOC值盲数表达式为
大型客车充电时刻SOC值盲数表达式为
出租车充电时刻SOC值盲数表达式为
私家车充电时刻SOC值盲数表达式为
专用车充电时刻SOC值盲数表达式为
其他车辆充电时刻SOC值盲数表达式为
以电动公交车为例，其盲数模型表示，电动公交车SOC值在[100％85％)充电的可信度为0.0323；SOC值在[85％70％)充电的可信度为0.0968；SOC值在[70％55％)充电的可信度为0.1613；SOC值在[55％40％)充电的可信度为0.1935；SOC值在[40％20％)充电的可信度为0.2903；SOC值在[20％0％)充电的可信度为0.2258。当SOC值在[40％20％)充电的可信度最高，表示电动公交车在SOC值达到[40％20％)充电的可能性最大。其他类型电动汽车的盲数模型依次类推。
步骤二：对不同类型电动汽车的电池荷电状态进行盲数运算，得到不同情况下的可信度计算值，并根据可信度计算值对各类情况进行排序。
2a：依次从各电动汽车类型盲数模型中取一个可信度值进行组合，共有66种可信度值组合。
2b：将每一组可信度值相乘得到总可信度值，按总可信度数值大小进行排序。
2c：取排名前十的总可信度值，组成不同电动汽车充电时刻SOC所处的灰度区间，如表1所示。
表1总可信度前十位电动汽车充电时刻SOC灰度区间表
步骤三：选取表1中总可信度排序前3位的电池SOC情况对各类电动汽车充电负荷进行预测。
3a：分别统计出各类型电动汽车数量；
3b：将各类型电动汽车数量折算为标准电动汽车的数量。
如表2所示，各类电动汽车与标准车折算关系表：
表2各类电动汽车与标准车折算关系表
实施例1，假设某市电动汽车保有量为6000辆，其中电动公交车占15％，大型客车占15％，电动出租车占20％，电动专用车占15％，电动私家车约占30％，其他车辆约占5％。根据各类电动汽车能源消耗规律，结合五部委联合下发的《关于“十三五”新能源汽车充电基础设施奖励政策及加强新能源汽车推广应用的通知》(财建[2016]7号文)，将不同类型的电动汽车转化为标准电动汽车。
3c：预测各类电动汽车全天充电负荷，以15分钟为一个时间窗，将全天分为96个时间段对电动汽车充电负荷进行预测。
3c1：如图2所示，结合表3各类电动汽车充电数量时间分布规律，确定每一时间段不同类型汽车要充电的数量；从t＝0时刻起，确定t＝t+0.25h时段内具备充电条件的各类电动汽车标准车数量n；
表3各类时段具备充电条件电动汽车所占比例
3c2：设置各类电动汽车标准车为变量i，i＝i+1,从i＝0开始；设第i台电动汽车的起始荷电状态为[0,1]区间内服从平均分布的随机数，根据表1中总可信度排序第1位的电池SOC情况，判断第i台电动汽车起始荷电状态是否在排序第1位灰度区间内或小于灰度区间的值，若是则转到3c3，否则，进入3c6；
3c3：根据表4电动汽车类型与充电时段判断第i台电动汽车是选择快充还是慢充；
表4各类型电动汽车各时段充电方式
3c4：计算第i台电动汽车充电时长ΔT，并确定电动汽车的充电负荷Pi；
当该车选择快充充电时，则计算该车快充充电时长ΔTQ为：
ΔTQ＝(1-SOC)×TQ(单位：小时)
TQ＝0.25h，电动汽车充电时长ΔT＝ΔTQ，快充充电功率Pi＝PQ＝120kW；
当该车选择慢充充电时，则计算该车慢充充电时长ΔTS为：
ΔTS＝(1-SOC)×TS(单位：小时)
TS＝2h，电动汽车充电时长ΔT＝ΔTS，慢充充电功率Pi＝PS＝15kW；
3c5：将t＝t+ΔT时间内的充电负荷Pi值累加入日充电负荷曲线值LEV；
3c6：将计数变量i加1，判断已计算电动汽车数量是否大于t时刻具备充电条件的电动汽车标准车数量n，若是，则时间变量t加0.25小时，转到3c7，若否，则转回3c2；
3c7：判断时间变量t是否等于24小时，若否，则转回3c2；若是，则计算过程结束，输出可信度排序第1位情况下日最大充电负荷、日充电负荷曲线预测结果。
如图3所示，分别以表1中总可信度排序第2、3位的电池SOC情况为断判标，重复步骤3c1-3c7，得到表5可信度排序第2、3位情况下日最大充电负荷、日充电负荷曲线预测结果。
表5最大充电负荷计算结果表(可信度前三)
以上所述仅是本发明的优选实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于盲数理论的电动汽车充电负荷预测方法，其特征在于：包括如下步骤：
步骤一：基于盲数理论以不同类型的电动汽车充电起始荷电状态，对不同类型的电动汽车充电时的电池SOC可信度值进行评价，得到不同类型电动汽车充电时刻电池SOC值的盲数模型；
步骤二：对不同类型电动汽车的电池荷电状态进行盲数运算，得到不同情况下的可信度计算值，并根据可信度计算值对各类情况进行排序；
步骤三：选取总可信度排序前10位中任意一位的电池SOC情况对各类电动汽车充电负荷进行预测。
2.根据权利要求1所述的一种基于盲数理论的电动汽车充电负荷预测方法，其特征在于：步骤一中所述不同类型电动汽车充电时刻电池SOC值的盲数模型如下：
电动公交车充电时刻SOC值盲数表达式为
f S O C _ 1 = 0.0323 100 % 85 % 0.0968 85 % 70 % 0.1613 70 % 55 % 0.1935 55 % 40 % 0.2903 40 % 20 % 0.2258 20 % 0 %
大型客车充电时刻SOC值盲数表达式为
f S O C _ 2 = 0.0370 100 % 85 % 0.1111 85 % 70 % 0.1852 70 % 55 % 0.3333 55 % 40 % 0.2593 40 % 20 % 0.0741 20 % 0 %
出租车充电时刻SOC值盲数表达式为
f S O C _ 3 = 0.0400 100 % 85 % 0.0800 85 % 70 % 0.1200 70 % 55 % 0.2400 55 % 40 % 0.3600 40 % 20 % 0.1600 20 % 0 %
私家车充电时刻SOC值盲数表达式为
f S O C _ 4 = 0.0400 100 % 85 % 0.1200 85 % 70 % 0.3200 70 % 55 % 0.2800 55 % 40 % 0.1600 40 % 20 % 0.0800 20 % 0 %
专用车充电时刻SOC值盲数表达式为
f S O C _ 5 = 0.0455 100 % 85 % 0.0909 85 % 70 % 0.1364 70 % 55 % 0.1818 55 % 40 % 0.3182 40 % 20 % 0.2273 20 % 0 %
其他车辆充电时刻SOC值盲数表达式为
f S O C _ 6 = 0.0667 100 % 85 % 0.1333 85 % 70 % 0.2333 70 % 55 % 0.3000 55 % 40 % 0.1667 40 % 20 % 0.1000 20 % 0 % .
3.根据权利要求2所述的一种基于盲数理论的电动汽车充电负荷预测方法，其特征在于：所述步骤二包括：
2-1：依次从各电动汽车类型盲数模型中取一个可信度值进行组合，共有66种可信度值组合；
2-2：将每一组可信度值相乘得到总可信度值，按总可信度数值大小进行排序；
2-3：取排名前十的总可信度值，组成不同电动汽车充电时刻SOC所处的灰度区间，如表1所示：
表1 总可信度前十位电动汽车充电时刻SOC灰度区间表。
4.根据权利要求3所述的一种基于盲数理论的电动汽车充电负荷预测方法，其特征在于：所述步骤三包括：
3-1：分别统计出各类型电动汽车数量；
3-2：将各类型电动汽车数量折算为标准电动汽车的数量；
3-3：预测各类电动汽车全天充电负荷，以15分钟为一个时间窗，将全天分为96个时间段对电动汽车充电负荷进行预测。
5.根据权利要求4所述的一种基于盲数理论的电动汽车充电负荷预测方法，其特征在于：所述3-2中，各类电动汽车与标准车折算关系，如表2所示：
表2 各类电动汽车与标准车折算关系表。
6.根据权利要求5所述的一种基于盲数理论的电动汽车充电负荷预测方法，其特征在于：所述步骤3-3包括：
3-3-1：结合表3各类电动汽车数量充电时间分布规律，确定每一时间段不同类型汽车要充电的数量；从t＝0时刻起，确定t＝t+0.25h时段内具备充电条件的各类电动汽车标准车数量n；
表3 各类时段具备充电条件电动汽车所占比例
3-3-2：设置各类电动汽车标准车为变量i，i＝i+1,从i＝0开始；设第i台电动汽车的起始荷电状态为[0,1]区间内服从平均分布的随机数，根据表1中总可信度排序任意1位的电池SOC情况，判断第i台电动汽车起始荷电状态是否在该灰度区间内或小于灰度区间的值，若是则转到3-3-3，否则，进入3-3-6；
3-3-3：根据表4电动汽车类型与充电时段判断第i台电动汽车是选择快充还是慢充；
表4 各类型电动汽车各时段充电方式
3-3-4：计算第i台电动汽车充电时长ΔT，并确定电动汽车的充电负荷Pi；
当该车选择快充充电时，则计算该车快充充电时长ΔTQ为：
ΔTQ＝(1-SOC)×TQ(单位：小时)
TQ＝0.25h，h为小时，电动汽车充电时长ΔT＝ΔTQ，快充充电功率Pi＝PQ＝120kW；
当该车选择慢充充电时，则计算该车慢充充电时长ΔTS为：
ΔTS＝(1-SOC)×TS(单位：小时)
TS＝2h，h为小时，电动汽车充电时长ΔT＝ΔTS，慢充充电功率Pi＝PS＝15kW；
3-3-5：将t＝t+ΔT时间内的充电负荷Pi值累加入日充电负荷曲线值LEV中；
3-3-6：将计数变量i加1，判断已计算电动汽车数量是否大于t时刻具备充电条件的电动汽车标准车数量n，若是，则时间变量t加0.25小时，转到3-3-7，若否，则转回3-3-2；
3-3-7：判断时间变量t是否等于24小时，若否，则转回3-3-2；若是，则计算过程结束，输出该可信度排序情况下日最大充电负荷、日充电负荷曲线预测结果。
7.根据权利要求6所述的一种基于盲数理论的电动汽车充电负荷预测方法，其特征在于：根据表1中总可信度排序前3位的电池SOC情况，分别作为各类电动汽车起始荷电状态的判断标准。
CN201710045104.8A 2017-01-20 2017-01-20 一种基于盲数理论的电动汽车充电负荷预测方法 Pending CN106786556A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710045104.8A CN106786556A (zh) 2017-01-20 2017-01-20 一种基于盲数理论的电动汽车充电负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710045104.8A CN106786556A (zh) 2017-01-20 2017-01-20 一种基于盲数理论的电动汽车充电负荷预测方法

Publications (1)

Publication Number Publication Date
CN106786556A true CN106786556A (zh) 2017-05-31

Family

ID=58943750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710045104.8A Pending CN106786556A (zh) 2017-01-20 2017-01-20 一种基于盲数理论的电动汽车充电负荷预测方法

Country Status (1)

Country Link
CN (1) CN106786556A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146249A (zh) * 2018-07-23 2019-01-04 国网江苏省电力有限公司 一种配电网可靠性预估方法、装置和设备
CN110861508A (zh) * 2019-10-16 2020-03-06 国电南瑞南京控制系统有限公司 居民区直流充电机共享充电控制方法、系统及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101569228A (zh) * 2006-12-27 2009-10-28 朗讯科技公司 在增强型发射机和接收机中降低功率的方法
CN105224997A (zh) * 2015-09-01 2016-01-06 国家电网公司 一种含有多种不确定性因素影响的规划负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101569228A (zh) * 2006-12-27 2009-10-28 朗讯科技公司 在增强型发射机和接收机中降低功率的方法
CN105224997A (zh) * 2015-09-01 2016-01-06 国家电网公司 一种含有多种不确定性因素影响的规划负荷预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146249A (zh) * 2018-07-23 2019-01-04 国网江苏省电力有限公司 一种配电网可靠性预估方法、装置和设备
CN109146249B (zh) * 2018-07-23 2021-02-09 国网江苏省电力有限公司 一种配电网可靠性预估方法、装置和设备
CN110861508A (zh) * 2019-10-16 2020-03-06 国电南瑞南京控制系统有限公司 居民区直流充电机共享充电控制方法、系统及存储介质
CN110861508B (zh) * 2019-10-16 2021-07-06 国电南瑞南京控制系统有限公司 居民区直流充电机共享充电控制方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN108955711B (zh) 一种应用于电动汽车智能充放电的导航方法
CN105095611B (zh) 一种高速公路电动汽车快速充电站排队方法
Dai et al. Stochastic modeling and forecasting of load demand for electric bus battery-swap station
Zhou et al. Battery behavior prediction and battery working states analysis of a hybrid solar–wind power generation system
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
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
EP2590290A1 (en) Power control method, program, and power control device
CN104348189B (zh) 一种分布式电源系统
CN107590607A (zh) 一种基于光伏预测的微电网优化调度系统和方法
CN110363332A (zh) 一种基于个体行为特性的电动汽车充电负荷时空分布预测方法
CN105068419B (zh) 居民小区电动汽车充放电控制方法
CN110232219B (zh) 一种基于数据挖掘的电动汽车可调度容量核定方法
CN107180272A (zh) 基于能耗控制的电动汽车停车场充电方法
CN114580251B (zh) 一种配电台区电动汽车充电负荷分析方法及装置
CN116706963B (zh) 基于区域电力负荷预测的大规模电动汽车v2g调度方法
Gao et al. Charging load forecasting of electric vehicle based on Monte Carlo and deep learning
CN105262167A (zh) 区域内电动汽车有序充电控制方法
CN113085655A (zh) 一种车载电动汽车综合服务系统
CN115130727A (zh) 一种新能源纯电公交车夜间充电调度方法
CN109409571A (zh) 一种电动汽车充电需求预测方法及装置
CN106786556A (zh) 一种基于盲数理论的电动汽车充电负荷预测方法
CN114742118A (zh) 电动汽车集群充放电负荷组合预测方法
CN107332238A (zh) 一种考虑电动汽车接入的居民区变压器容量预测方法
Wang et al. Electric vehicle dispatching strategy considering time cost and risk of operating distribution network
US20240005239A1 (en) Information processing device, information processing method, non-transitory computer readable medium and information processing system

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170531