CN107169588A - 一种电动汽车充电站短时功率预测方法及系统 - Google Patents
一种电动汽车充电站短时功率预测方法及系统 Download PDFInfo
- Publication number
- CN107169588A CN107169588A CN201710236559.8A CN201710236559A CN107169588A CN 107169588 A CN107169588 A CN 107169588A CN 201710236559 A CN201710236559 A CN 201710236559A CN 107169588 A CN107169588 A CN 107169588A
- Authority
- CN
- China
- Prior art keywords
- mrow
- electric automobile
- msub
- charging
- charge
- 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
- 238000007600 charging Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012795 verification Methods 0.000 claims abstract description 23
- 230000000977 initiatory effect Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000005611 electricity Effects 0.000 claims description 11
- 239000012141 concentrate Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
-
- 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]
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种电动汽车充电站短时功率预测方法及系统,所述方法包括获取各类型电动汽车的充电模型,并依据各充电模型构建电动汽车充电站的电动汽车负荷预测模型;采用蒙特卡洛模拟法对电动汽车负荷预测模型进行仿真,得到在预设时间范围内电动汽车充电站的充电功率预测值;判断充电功率预测值的残差是否满足校验条件:若不满足则采用马尔科夫链模型修正电动汽车负荷预测模型,并重新对修正后的电动汽车负荷预测模型进行仿真,得到新的充电功率预测值,直至新的充电功率预测值的残差满足校验条件。与现有技术相比,本发明提供的一种电动汽车充电站短时功率预测方法及系统,提高了电动汽车充电站的短时功率预测精确程度。
Description
技术领域
本发明涉及电力系统功率预测技术领域,具体涉及一种电动汽车充电站短时功率预测方法及系统。
背景技术
电动汽车充电站可以看作为有源配电网络的负荷,其负荷与电动汽车的进站流量、充电时长、充电速度等多种因素相关,总体呈现出较为丰富的特点,这也使得对电动汽车的功率建模存在许多障碍。目前主要采用参数拟合的方法获得电动汽车行驶里程的概率密度函数,并进行卷积计算获得单一车辆时序的充电功率期望,进而得到配电网络中电动汽车充电模型。这种电动汽车充电模型为基于中心极限定理的电动汽车群的电动汽车充电功率分布,因而可以获得具有时序特征的全系统充电负荷,但是其不能准确获取电动汽车充电功率的空间分布特征,从而影响配电网中电动汽车充电负荷的预测结果。
发明内容
为了克服现有技术的缺陷,本发明提供了一种电动汽车充电站短时功率预测方法及系统。
第一方面,本发明中一种电动汽车充电站短时功率预测方法的技术方案是:
所述方法包括:
获取各类型电动汽车的充电模型,并依据所述各充电模型构建所述电动汽车充电站的电动汽车负荷预测模型;所述充电模型的模型参数包括充电时间段、起始充电时间、充电容量、充电时长、充电模式和充电概率;
采用蒙特卡洛模拟法对所述电动汽车负荷预测模型进行仿真,得到在预设时间范围内电动汽车充电站的充电功率预测值;
判断所述充电功率预测值的残差是否满足校验条件:若不满足则采用马尔科夫链模型修正所述电动汽车负荷预测模型,并重新对所述修正后的电动汽车负荷预测模型进行仿真,得到新的充电功率预测值,直至所述新的充电功率预测值的残差满足校验条件。
第二方面,本发明中一种电动汽车充电站短时功率预测系统的技术方案是:
所述系统包括:
电动汽车负荷预测模型构建模块,用于获取各类型电动汽车的充电模型,并依据所述各充电模型构建所述电动汽车充电站的电动汽车负荷预测模型;所述充电模型的模型参数包括充电时间段、起始充电时间、充电容量、充电时长、充电模式和充电概率;
电动汽车负荷预测模型仿真模块,用于采用蒙特卡洛模拟法对所述电动汽车负荷预测模型进行仿真,得到在预设时间范围内电动汽车充电站的充电功率预测值;
电动汽车负荷预测模型修正模块,用于判断所述充电功率预测值的残差是否满足校验条件:若不满足则采用马尔科夫链模型修正所述电动汽车负荷预测模型,并重新对所述修正后的电动汽车负荷预测模型进行仿真,得到新的充电功率预测值,直至所述新的充电功率预测值的残差满足校验条件。
与最接近的现有技术相比,本发明的有益效果是:
1、本发明提供的一种电动汽车充电站短时功率预测方法,电动汽车负荷预测模型考虑了电动汽车的充电时间段、起始充电时间、充电容量、充电时长、充电模式和充电概率,并采用蒙特卡洛模拟法对电动汽车负荷预测模型进行仿真,使得电动汽车的充电需求预测值更为准确。同时,在充电功率预测值的残差不满足校验条件后通过马尔科夫链模型修正电动汽车负荷预测模型,使得充电需求预测值更加贴近真实值,提高了电动汽车充电站的短时功率预测精确程度;
2、本发明提供的一种电动汽车充电站短时功率预测系统,电动汽车负荷预测模型构建模块可以构建兼顾电动汽车的充电时间段、起始充电时间、充电容量、充电时长、充电模式和充电概率的电动汽车负荷预测模型;电动汽车负荷预测模型仿真模块采用蒙特卡洛模拟法对电动汽车负荷预测模型进行仿真,使得电动汽车的充电需求预测值更为准确;电动汽车负荷预测模型修正模块在充电功率预测值的残差不满足校验条件后通过马尔科夫链模型修正电动汽车负荷预测模型,使得充电需求预测值更加贴近真实值,提高了电动汽车充电站的短时功率预测精确程度。
附图说明
图1:本发明实施例中一种电动汽车充电站短时功率预测方法实施流程图;
图2:本发明实施例中电动汽车负荷预测模型仿真和修正实施流程图;
图3:本发明实施例中电动汽车充电功率曲线示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地说明,显然,所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图,对本发明实施例提供的一种电动汽车充电站短时功率预测方法进行说明。
图1为本发明实施例中一种电动汽车充电站短时功率预测方法实施流程图,如图所示,本实施例中电动汽车充电站短时功率预测方法可以按照下述步骤实施,具体为:
步骤S101:获取各类型电动汽车的充电模型,并依据各充电模型构建电动汽车充电站的电动汽车负荷预测模型。本实施例中按照电动汽车的行驶轨迹和充电需求将其划分为第一类型电动汽车和第二类型电动汽车,其中,第一类型电动汽车为行驶轨迹固定且充电时间集中的电动汽车,第二类型电动汽车为行驶轨迹不固定且充电时间不集中的电动汽车。例如:第一类型电动汽车可以包括公交车,其对充电站产生的负荷位置相对稳定。第二类型电动汽车可以包括公用车和私用车,公用车和私用车的使用方式灵活,行驶轨迹和充电时间段均呈现随机分布。
本实施例中充电模型的模型参数可以包括充电时间段、起始充电时间、充电容量、充电时长、充电模式和充电概率,充电模式包括快速充电方式和常规充电方式。
其中,充电时间段指的是电动汽车进行充电的时间范围,第一类型电动汽车的充电时间段一般是每日中固定的时间段,而第二类型电动汽车的充电时间段呈现随机分布。起始充电时间指的是在充电时间段内开始进行充电的时刻,其值受到电动汽车用户上下班时间、休息时间等多种实际因素的影响。充电容量指的是电动汽车的充电需求量。充电时长指的是电动汽车完成充电需求所需要的充电时间。充电概率指的是电动汽车在各充电时间段进行充电的概率。
下面以公交车、公用车和私用车为例,对各电动汽车的充电模型的模型参数进行说明,其中,各模型参数如下表1所示:
表1
步骤S102:采用蒙特卡洛模拟法对电动汽车负荷预测模型进行仿真,得到在预设时间范围内电动汽车充电站的充电功率预测值。
步骤S103:判断充电功率预测值的残差是否满足校验条件:若不满足则采用马尔科夫链模型修正电动汽车负荷预测模型,并重新对修正后的电动汽车负荷预测模型进行仿真,得到新的充电功率预测值,直至新的充电功率预测值的残差满足校验条件。
本实施例中电动汽车负荷预测模型考虑了电动汽车的充电时间段、起始充电时间、充电容量、充电时长、充电模式和充电概率,并采用蒙特卡洛模拟法对电动汽车负荷预测模型进行仿真,使得电动汽车的充电需求预测值更为准确。同时,在充电功率预测值的残差不满足校验条件后通过马尔科夫链模型修正电动汽车负荷预测模型,使得充电需求预测值更加贴近真实值,提高了电动汽车充电站的短时功率预测精确程度。
进一步地,本实施例步骤S101中电动汽车的充电时长可以用正太分布函数描述,即充电时长如下式(1)所示:
其中,Tx为充电时长预测值,Tc为平均充电时长,σ为方差。
进一步地,本实施例步骤S101中第一类型电动汽车根据最低充电时间不同采用的起始充电时间计算方法不同,具体为:
1、最低充电时间小于用户的中午休息时间段,t0<tr1-tr2
本实施例中第一类型电动汽车的起始充电时间如下式(2)所示:
其中,t0为第一类型电动汽车的最低充电时间,tr1为第一类型电动汽车用户的中午休息时段的起始时刻,tr2为第一类型电动汽车用户的中午休息时段的结束时刻,ts为第一类型电动汽车用户的上班时间,te为第一类型电动汽车用户的下班时间,tmax为第一类型电动汽车满电所需的充电时间。
2、最低充电时间不小于用户的中午休息时间段,t0≥tr1-tr2
本实施例中第一类型电动汽车的起始充电时间如下式(3)所示:
进一步地,本实施例步骤S101中第二类型电动汽车的起始充电时间呈现正太分布,其计算方法如下式(4)所示:
其中,σt为方差,μt为起始充电时间期望值。
进一步地,本实施例步骤S101中构建电动汽车负荷预测模型包括下述步骤:
图3为本发明实施例中电动汽车充电功率曲线示意图,如图所示,本实施例中电动汽车的充电功率随着时间变化逐渐增大,达到峰值后再逐渐减小。其中:P0(t)为电动汽车在t时刻的充电功率,U0max和I0max分别为电动汽车的充电电压最大值和充电电流最大值,U0min和I0min分别为电动汽车的充电电压最小值和充电电流最小值,k=U0min/U0max;Tc1为达到充电功率最大值P0max时的充电时长,Tc为电动汽车的平均充电时长。
本实施例中为了对充电功率进行简化分析,将恒流阶段I0(t)作为线性函数,将恒压阶段U0(t)作为指数函数,可以得到充电功率函数如下式(5)所示:
将k=U0min/U0max代入公式(5)可以得到电动汽车负荷预测模型如下式(6)所示:
其中,为常数。
进一步地,本实施例步骤S102中采用蒙特卡洛模拟法对电动汽车负荷预测模型进行仿真可以按照下述步骤实施,具体为:
1、依据电动汽车的充电时长函数产生多个伪随机数,并依据各伪随机数设置各类型电动汽车的平均充电时长。
2、依据各类型电动汽车的充电时间段和起始充电时间,并采用蒙特卡洛模拟法计算各类型电动汽车的充电时长预测值。
3、比较处于充电状态的电动汽车的总数及其限值:当处于充电状态的电动汽车总数不小于其限值时,依据电动汽车负荷预测模型、充电时长预测值和平均充电时长,计算在预设时间范围内电动汽车充电站的充电功率预测值。
进一步地,本实施例步骤S103中修正电动汽车负荷预测模型包括下述步骤,具体为采用马尔科夫链模型修正对电动汽车负荷预测模型进行仿真得到的充电功率预测值的期望值,其中,校验条件包括充电功率预测值的残差小于预设的最大误差。
下面对电动汽车负荷预测模型的仿真和修正进行具体说明。
图2为本发明实施例中电动汽车负荷预测模型仿真和修正实施流程图,如图所示,本实施例中可以按照下述步骤对电动汽车负荷预测模型进行仿真和修正,具体为:
1、参数初始化。本实施例中将蒙特卡洛模拟法的仿真模拟次数n设置为0,处于充电状态的电动汽车数目k设置也为0。
2、依据电动汽车的充电时长函数产生多个伪随机数,并依据各伪随机数设置各类型电动汽车的平均充电时长Tc。
3、依据各类型电动汽车的充电时间段和起始充电时间,并采用蒙特卡洛模拟法计算各类型电动汽车的充电时长预测值。
4、设置处于充电状态的电动汽车数目k=k+1.
5、判断处于充电状态的电动汽车的总数k是否达到其限值M:若达到则执行步骤6,若未达到则返回步骤2。
6、依据电动汽车负荷预测模型、充电时长预测值和平均充电时长,计算在预设时间范围内电动汽车充电站的充电功率预测值。
7、设置仿真模拟次数n=n+1,并判断充电功率预测值的残差是否满足校验条件:若满足则执行步骤8,若不满足则采用马尔科夫链模型修正对电动汽车负荷预测模型进行仿真得到的充电功率预测值的期望值,并返回步骤1,重新对修正后的电动汽车负荷预测模型进行仿真。
8、将各时刻对应的各电动汽车充电功率累加,得到电动汽车充电站在各时刻的充电负荷曲线,依据该充电负荷曲线即可得到预设时间范围内电动汽车充电站的充电功率预测值。
本发明还提供了一种电动汽车充电站短时功率预测系统,并给出了具体实施例。
本实施例中电动汽车充电站短时功率预测系统包括电动汽车负荷预测模型构建模块、电动汽车负荷预测模型仿真模块和电动汽车负荷预测模型修正模块。
其中,电动汽车负荷预测模型构建模块,用于获取各类型电动汽车的充电模型,并依据各充电模型构建电动汽车充电站的电动汽车负荷预测模型。
电动汽车负荷预测模型仿真模块,用于采用蒙特卡洛模拟法对电动汽车负荷预测模型进行仿真,得到在预设时间范围内电动汽车充电站的充电功率预测值。
电动汽车负荷预测模型修正模块,用于判断充电功率预测值的残差是否满足校验条件:若不满足则采用马尔科夫链模型修正电动汽车负荷预测模型,并重新对修正后的电动汽车负荷预测模型进行仿真,得到新的充电功率预测值,直至新的充电功率预测值的残差满足校验条件。
本实施例中电动汽车负荷预测模型构建模块可以构建兼顾电动汽车的充电时间段、起始充电时间、充电容量、充电时长、充电模式和充电概率的电动汽车负荷预测模型;电动汽车负荷预测模型仿真模块采用蒙特卡洛模拟法对电动汽车负荷预测模型进行仿真,使得电动汽车的充电需求预测值更为准确;电动汽车负荷预测模型修正模块在充电功率预测值的残差不满足校验条件后通过马尔科夫链模型修正电动汽车负荷预测模型,使得充电需求预测值更加贴近真实值,提高了电动汽车充电站的短时功率预测精确程度。
进一步地,本实施例中电动汽车负荷预测模型构建模块可以包括充电时长计算模型、第一类型电动汽车起始充电时间计算模型、第二类型电动汽车起始充电时间计算模型和电动汽车负荷预测模型。
其中,充电时长计算模型,如下式(7)所示:
其中,Tx为充电时长预测值,Tc为平均充电时长,σ为方差。
第一类型电动汽车起始充电时间计算模型如下式(8)所示,t0<tr1-tr2:
第一类型电动汽车起始充电时间计算模型如下式(9)所示,t0≥tr1-tr2:
第二类型电动汽车起始充电时间计算模型如下式(10)所示:
电动汽车负荷预测模型,如下式(11)所示:
进一步地,本实施例中电动汽车负荷预测模型仿真模块可以包括第一充电时长计算单元、第二充电时长计算单元和充电功率预测值计算单元。
其中,第一充电时长计算单元,用于依据电动汽车的充电时长产生多个伪随机数,并依据各伪随机数设置各类型电动汽车的平均充电时长。
第二充电时长计算单元,用于依据各类型电动汽车的充电时间段和起始充电时间,并采用蒙特卡洛模拟法计算各类型电动汽车的充电时长预测值。
充电功率预测值计算单元,用于比较处于充电状态的电动汽车的总数及其限值:当总数不小于其限值时,依据电动汽车负荷预测模型、充电时长预测值和平均充电时长,计算在预设时间范围内电动汽车充电站的充电功率预测值。
进一步地,本实施例中电动汽车负荷预测模型修正模块可以包括比较单元和修正单元。
其中,判断单元,用于比较充电功率预测值的残差及预设的最大误差,若充电功率预测值的残差小于预设的最大误差则满足校验条件。
修正单元,用于采用马尔科夫链模型修正对电动汽车负荷预测模型进行仿真得到的充电功率预测值的期望值。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包括”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的PC来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (15)
1.一种电动汽车充电站短时功率预测方法,其特征在于,所述方法包括:
获取各类型电动汽车的充电模型,并依据所述各充电模型构建所述电动汽车充电站的电动汽车负荷预测模型;所述充电模型的模型参数包括充电时间段、起始充电时间、充电容量、充电时长、充电模式和充电概率;
采用蒙特卡洛模拟法对所述电动汽车负荷预测模型进行仿真,得到在预设时间范围内电动汽车充电站的充电功率预测值;
判断所述充电功率预测值的残差是否满足校验条件:若不满足则采用马尔科夫链模型修正所述电动汽车负荷预测模型,并重新对所述修正后的电动汽车负荷预测模型进行仿真,得到新的充电功率预测值,直至所述新的充电功率预测值的残差满足校验条件。
2.如权利要求1所述的一种电动汽车充电站短时功率预测方法,其特征在于,
所述充电模式包括快速充电方式和常规充电方式。
3.如权利要求1所述的一种电动汽车充电站短时功率预测方法,其特征在于,所述电动汽车的充电时长如下式所示:
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>x</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<mi>&sigma;</mi>
</mrow>
</mfrac>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>x</mi>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
其中,Tx为充电时长预测值,Tc为平均充电时长,σ为方差。
4.如权利要求1所述的一种电动汽车充电站短时功率预测方法,其特征在于,所述电动汽车包括行驶轨迹固定且充电时间集中的第一类型电动汽车,所述第一类型电动汽车的起始充电时间如下式所示:
其中,t0<tr1-tr2;t0为所述第一类型电动汽车的最低充电时间,tr1为第一类型电动汽车用户的中午休息时段的起始时刻,tr2为所述第一类型电动汽车用户的中午休息时段的结束时刻,ts为所述第一类型电动汽车用户的上班时间,te为第一类型电动汽车用户的下班时间,tmax为所述第一类型电动汽车满电所需的充电时间;
其中,t0≥tr1-tr2。
5.如权利要求1所述的一种电动汽车充电站短时功率预测方法,其特征在于,所述电动汽车包括行驶轨迹不固定且充电时间不集中的第二类型电动汽车,所述第二类型电动汽车的起始充电时间如下式所示:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<msub>
<mi>&sigma;</mi>
<mi>t</mi>
</msub>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>t</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,σt为方差,μt为起始充电时间期望值。
6.如权利要求1所述的一种电动汽车充电站短时功率预测方法,其特征在于,
所述电动汽车负荷预测模型如下式所示:
<mrow>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>U</mi>
<mrow>
<mn>0</mn>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mn>0</mn>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
<mfrac>
<mi>t</mi>
<msub>
<mi>T</mi>
<mrow>
<mi>c</mi>
<mn>1</mn>
</mrow>
</msub>
</mfrac>
<mo>+</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>0</mn>
<mo>&le;</mo>
<mi>t</mi>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>c</mi>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>U</mi>
<mrow>
<mn>0</mn>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mn>0</mn>
<mi>max</mi>
</mrow>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mo>&part;</mo>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>c</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>,</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>c</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>&le;</mo>
<mi>t</mi>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mi>c</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,P0(t)为电动汽车在t时刻的充电功率,U0max和I0max分别为电动汽车的充电电压最大值和充电电流最大值,k=U0min/U0max,U0min为电动汽车的充电电压最小值;Tc1为达到充电功率最大值时的充电时长,Tc为电动汽车的平均充电时长。
7.如权利要求1所述的一种电动汽车充电站短时功率预测方法,其特征在于,所述采用蒙特卡洛模拟法对电动汽车负荷预测模型进行仿真包括:
依据所述电动汽车的充电时长产生多个伪随机数,并依据所述各伪随机数设置各类型电动汽车的平均充电时长;
依据所述各类型电动汽车的充电时间段和起始充电时间,并采用蒙特卡洛模拟法计算各类型电动汽车的充电时长预测值;
比较处于充电状态的电动汽车的总数及其限值:当所述总数不小于其限值时,依据所述电动汽车负荷预测模型、充电时长预测值和平均充电时长,计算所述在预设时间范围内电动汽车充电站的充电功率预测值。
8.如权利要求1所述的一种电动汽车充电站短时功率预测方法,其特征在于,
所述校验条件包括所述充电功率预测值的残差小于预设的最大误差;
所述采用马尔科夫链模型修正电动汽车负荷预测模型包括:修正对所述电动汽车负荷预测模型进行仿真得到的充电功率预测值的期望值。
9.一种电动汽车充电站短时功率预测系统,其特征在于,所述系统包括:
电动汽车负荷预测模型构建模块,用于获取各类型电动汽车的充电模型,并依据所述各充电模型构建所述电动汽车充电站的电动汽车负荷预测模型;所述充电模型的模型参数包括充电时间段、起始充电时间、充电容量、充电时长、充电模式和充电概率;
电动汽车负荷预测模型仿真模块,用于采用蒙特卡洛模拟法对所述电动汽车负荷预测模型进行仿真,得到在预设时间范围内电动汽车充电站的充电功率预测值;
电动汽车负荷预测模型修正模块,用于判断所述充电功率预测值的残差是否满足校验条件:若不满足则采用马尔科夫链模型修正所述电动汽车负荷预测模型,并重新对所述修正后的电动汽车负荷预测模型进行仿真,得到新的充电功率预测值,直至所述新的充电功率预测值的残差满足校验条件。
10.如权利要求9所述的一种电动汽车充电站短时功率预测系统,其特征在于,所述电动汽车负荷预测模型构建模块包括充电时长计算模型,如下式所示:
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>x</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<mi>&sigma;</mi>
</mrow>
</mfrac>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>x</mi>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
其中,Tx为充电时长预测值,Tc为平均充电时长,σ为方差。
11.如权利要求9所述的一种电动汽车充电站短时功率预测系统,其特征在于,
所述电动汽车负荷预测模型构建模块包括第一类型电动汽车起始充电时间计算模型,如下式所示:
其中,所述第一类型电动汽车为行驶轨迹固定且充电时间集中的电动汽车,t0<tr1-tr2;t0为所述第一类型电动汽车的最低充电时间,tr1为第一类型电动汽车用户的中午休息时段的起始时刻,tr2为所述第一类型电动汽车用户的中午休息时段的结束时刻,ts为所述第一类型电动汽车用户的上班时间,te为第一类型电动汽车用户的下班时间,tmax为所述第一类型电动汽车满电所需的充电时间;
其中,t0≥tr1-tr2。
12.如权利要求9所述的一种电动汽车充电站短时功率预测系统,其特征在于,
所述电动汽车负荷预测模型构建模块包括第二类型电动汽车起始充电时间计算模型,如下式所示:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<msub>
<mi>&sigma;</mi>
<mi>t</mi>
</msub>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>t</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,所述第二类型电动汽车为行驶轨迹不固定且充电时间不集中的电动汽车,σt为方差,μt为起始充电时间期望值。
13.如权利要求9所述的一种电动汽车充电站短时功率预测系统,其特征在于,所述电动汽车负荷预测模型构建模块包括电动汽车负荷预测模型,如下式所示:
<mrow>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>U</mi>
<mrow>
<mn>0</mn>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mn>0</mn>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
<mfrac>
<mi>t</mi>
<msub>
<mi>T</mi>
<mrow>
<mi>c</mi>
<mn>1</mn>
</mrow>
</msub>
</mfrac>
<mo>+</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>0</mn>
<mo>&le;</mo>
<mi>t</mi>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>c</mi>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>U</mi>
<mrow>
<mn>0</mn>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mn>0</mn>
<mi>max</mi>
</mrow>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mo>&part;</mo>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>c</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>,</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>c</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>&le;</mo>
<mi>t</mi>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mi>c</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,P0(t)为电动汽车在t时刻的充电功率,U0max和I0max分别为电动汽车的充电电压最大值和充电电流最大值,k=U0min/U0max,U0min为电动汽车的充电电压最小值;Tc1为达到充电功率最大值时的充电时长,Tc为电动汽车的平均充电时长,为常数。
14.如权利要求9所述的一种电动汽车充电站短时功率预测系统,其特征在于,所述电动汽车负荷预测模型仿真模块包括第一充电时长计算单元、第二充电时长计算单元和充电功率预测值计算单元;
所述第一充电时长计算单元,用于依据所述电动汽车的充电时长产生多个伪随机数,并依据所述各伪随机数设置各类型电动汽车的平均充电时长;
所述第二充电时长计算单元,用于依据所述各类型电动汽车的充电时间段和起始充电时间,并采用蒙特卡洛模拟法计算各类型电动汽车的充电时长预测值;
所述充电功率预测值计算单元,用于比较处于充电状态的电动汽车的总数及其限值:当所述总数不小于其限值时,依据所述电动汽车负荷预测模型、充电时长预测值和平均充电时长,计算所述在预设时间范围内电动汽车充电站的充电功率预测值。
15.如权利要求9所述的一种电动汽车充电站短时功率预测系统,其特征在于,所述电动汽车负荷预测模型修正模块包括比较单元和修正单元;
所述判断单元,用于比较充电功率预测值的残差及预设的最大误差,若所述充电功率预测值的残差小于预设的最大误差则所述满足校验条件;
所述修正单元,用于采用马尔科夫链模型修正对电动汽车负荷预测模型进行仿真得到的充电功率预测值的期望值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710236559.8A CN107169588A (zh) | 2017-04-12 | 2017-04-12 | 一种电动汽车充电站短时功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710236559.8A CN107169588A (zh) | 2017-04-12 | 2017-04-12 | 一种电动汽车充电站短时功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107169588A true CN107169588A (zh) | 2017-09-15 |
Family
ID=59849116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710236559.8A Pending CN107169588A (zh) | 2017-04-12 | 2017-04-12 | 一种电动汽车充电站短时功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169588A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112671022A (zh) * | 2020-12-31 | 2021-04-16 | 国网山东省电力公司泰安供电公司 | 光储充电站容量优化配置方法、系统、终端及存储介质 |
CN113595164A (zh) * | 2020-04-30 | 2021-11-02 | 华为技术有限公司 | 用于充电管控的方法和装置 |
CN114282704A (zh) * | 2021-11-15 | 2022-04-05 | 深圳供电局有限公司 | 充电站充电负荷预测方法、装置、计算机设备和存储介质 |
US11498450B2 (en) * | 2019-05-21 | 2022-11-15 | Rolls-Royce Plc | Forecast of electric vehicle state of charge and energy storage capacity |
CN116862044A (zh) * | 2023-05-23 | 2023-10-10 | 隆瑞三优新能源汽车科技有限公司 | 公交充电站充电功率负荷预测方法、装置、介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013045449A2 (en) * | 2011-09-29 | 2013-04-04 | Nec Europe Ltd. | Method and system for charging electric vehicles |
CN103065199A (zh) * | 2012-12-18 | 2013-04-24 | 广东电网公司电力科学研究院 | 电动汽车充电站负荷预测方法 |
CN103413180A (zh) * | 2013-07-22 | 2013-11-27 | 上海电力实业有限公司 | 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 |
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 |
-
2017
- 2017-04-12 CN CN201710236559.8A patent/CN107169588A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013045449A2 (en) * | 2011-09-29 | 2013-04-04 | Nec Europe Ltd. | Method and system for charging electric vehicles |
CN103065199A (zh) * | 2012-12-18 | 2013-04-24 | 广东电网公司电力科学研究院 | 电动汽车充电站负荷预测方法 |
CN103413180A (zh) * | 2013-07-22 | 2013-11-27 | 上海电力实业有限公司 | 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 |
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 |
Non-Patent Citations (2)
Title |
---|
刘青等: "基于蒙特卡洛法的电动汽车负荷预测建模", 《电力科学与工程》 * |
黄银华等: "马尔科夫理论在中长期负荷预测中的应用", 《电力系统及其自动化学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US11498450B2 (en) * | 2019-05-21 | 2022-11-15 | Rolls-Royce Plc | Forecast of electric vehicle state of charge and energy storage capacity |
CN113595164A (zh) * | 2020-04-30 | 2021-11-02 | 华为技术有限公司 | 用于充电管控的方法和装置 |
CN113595164B (zh) * | 2020-04-30 | 2023-05-16 | 华为技术有限公司 | 用于充电管控的方法和装置 |
CN112671022A (zh) * | 2020-12-31 | 2021-04-16 | 国网山东省电力公司泰安供电公司 | 光储充电站容量优化配置方法、系统、终端及存储介质 |
CN112671022B (zh) * | 2020-12-31 | 2024-05-31 | 国网山东省电力公司泰安供电公司 | 光储充电站容量优化配置方法、系统、终端及存储介质 |
CN114282704A (zh) * | 2021-11-15 | 2022-04-05 | 深圳供电局有限公司 | 充电站充电负荷预测方法、装置、计算机设备和存储介质 |
CN116862044A (zh) * | 2023-05-23 | 2023-10-10 | 隆瑞三优新能源汽车科技有限公司 | 公交充电站充电功率负荷预测方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169588A (zh) | 一种电动汽车充电站短时功率预测方法及系统 | |
Wang et al. | Modeling and state-of-charge prediction of lithium-ion battery and ultracapacitor hybrids with a co-estimator | |
Frendo et al. | Data-driven smart charging for heterogeneous electric vehicle fleets | |
US11293987B2 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
CN103646152B (zh) | 一种基于矩阵指数的电力系统电磁暂态仿真方法 | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
CN110146816A (zh) | 电池剩余充电时间的确定方法、装置、设备及存储介质 | |
CN102707627B (zh) | 能实时进行的电池单元仿真系统及方法 | |
Luo et al. | An approximate solution for electrolyte concentration distribution in physics-based lithium-ion cell models | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
JP2019537923A (ja) | 電池の健全性状態の判定および警報の発生 | |
Tannahill et al. | Future vision for reduction of range anxiety by using an improved state of charge estimation algorithm for electric vehicle batteries implemented with low‐cost microcontrollers | |
CN103065199A (zh) | 电动汽车充电站负荷预测方法 | |
CN105378496A (zh) | 估计装置以及估计方法 | |
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 | |
Homan et al. | A realistic model for battery state of charge prediction in energy management simulation tools | |
CN109001640A (zh) | 一种动力电池的数据处理方法和装置 | |
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 | |
CN107219469A (zh) | 适用于无人机电池的续航电量预测方法 | |
CN107329090A (zh) | 动力电池热平衡测试方法和装置 | |
CN109460853A (zh) | 一种电动汽车充电负荷需求确定方法及系统 | |
CN110941202A (zh) | 一种汽车能量管理策略的验证方法和设备 | |
CN110290972A (zh) | 估计电池单体的充电状态的方法 | |
CN110276135A (zh) | 一种并网停车场的可用容量确定方法、装置及计算设备 | |
CN112649740A (zh) | 基于iowa算子的锂电池容量估计与寿命预测方法 |
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 |
Application publication date: 20170915 |
|
RJ01 | Rejection of invention patent application after publication |