CN109858103B - 用于配电网的电动汽车充电站负载建模方法 - Google Patents
用于配电网的电动汽车充电站负载建模方法 Download PDFInfo
- Publication number
- CN109858103B CN109858103B CN201910022598.7A CN201910022598A CN109858103B CN 109858103 B CN109858103 B CN 109858103B CN 201910022598 A CN201910022598 A CN 201910022598A CN 109858103 B CN109858103 B CN 109858103B
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- vehicle charging
- charging station
- distribution network
- load
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及一种用于配电网的电动汽车充电站负载建模方法,针对电动汽车大量接入配电网引起峰值负荷增加以及变压器和线路过载,考虑电网侧负荷方差变化、电动汽车充电站运营以及配电网的峰值限制,采用径向基神经网络方法,建立电动汽车充电站负载模型以及约束条件,可准确预测电动汽车充电站负载充电功率曲线。该方法从配电网和电动汽车充电站的角度考虑配电网的峰值需求,采用智能算法建立电动汽车充电站负载模型,且径向基神经网络权值由线性方程直接解出,避免局部最小值问题,具有算法简单、学习速度快、适应配电网不同运行模式的优点。
Description
技术领域
本发明涉及一种电动汽车充电技术,特别涉及一种用于配电网的电动汽车充电站负载建模方法,。
背景技术
随着环境污染和能源危机的日益加剧,具有能源利用率高、清洁和节能优势的电动汽车受到社会的普遍关注,但电动汽车大量接入配电网,会引起配电网峰值负荷和线路损耗增加、变压器和线路过载等影响。电动汽车充电站负载预测方法的应用为降低和抑制由电动汽车充电对配电网造成的冲击提供了可能,也为配电网的优化运行和规划提供了依据。但目前电动汽车充电站负荷预测方法很少考虑电网侧负荷方差变化、电动汽车充电站运营以及配电网的峰值限制等需求,因此将电动汽车充电站建立为智能负载模型并能够自动响应配电网的运行需求是一个需解决的问题。
发明内容
本发明是针对电动汽车大量接入配电网,引起配电网峰值负荷和线路损耗增加的问题,提出了一种用于配电网的电动汽车充电站负载建模方法,准确预测电动汽车充电站负载充电功率曲线,并自动响应配电网的运行需求。
本发明的技术方案为:一种用于配电网的电动汽车充电站负载建模方法,具体包括如下步骤:
采用实际数据模拟电动汽车进入电动汽车充电站充电的数据,共采样60天的数据,以一小时为时间间隔进行采样记录,以此作为样本数据;
1)从配电网的角度考虑,电网侧负荷方差最小化,从电动汽车充电站的角度考虑,电动汽车充电站充电数量最大化,设置两个目标函数为:
式中:λ1表示电网侧一天的最小化负荷方差;λ2表示电动汽车充电站一天的最大化充电数量;t表示时段;Pt表示t时段内电动汽车充电站的充电功率;P1,t表示t时段内不含电动汽车负荷的配电网基本负荷;Pav表示调度电网侧负荷的平均值;x1,t表示同时充电的电动汽车数量;
2)为了确保电动汽车充电站充电需求不会造成配电网产生额外的峰值,设置约束条件为:
Pd,min≤Pt≤Pd,max
式中:Pd,min表示电动汽车充电站的最小充电功率;Pd,max表示电动汽车充电站的最大充电功率;
3)在目标函数和约束条件影响下,采用径向基神经网络建立电动汽车充电站负荷模型:
径向基神经网络输入神经元、隐藏层神经元和输出层神经元;
电动汽车充电站负荷模型输入信号为:同时充电的电动汽车数量x1,t、总充电电流x2,t、电动汽车达到率x3,t;
径向基神经网络中的基函数采用高斯函数,方差表示为:
式中:σ表示高斯函数的方差;d表示样本的电动汽车充电功率值;径向基神经网络隐含层神经元中心ci采用直接计算法随机在输入样本中选取;ci表示第i个隐含层结点的中心;i表示隐含层节点数;
隐含层至输出层之间神经元的连接权值用最小二乘法表示为:
式中:wi表示隐含层第i个节点到输出层的连接权值;表示选取所有中心之间的最大距离;
最终所得电动汽车充电站负载模型为:
本发明的有益效果在于:本发明用于配电网的电动汽车充电站负载建模方法,采用径向基神经网络学习、预测电动汽车充电站负载充电功率曲线,从配电网和电动汽车充电站的角度响应配电网的峰值需求,有助于缓解配电网的峰值负荷,且径向基神经网络具有其他前向神经网络所不具有的最佳逼近性能和全局最优特性,权值由线性方程直接解出,避免局部最小值问题,算法结构简单、学习速度快。该方法的提出为电动汽车充电站建立为智能负载模型并响应配电网的运行需求提供了简单可行的解决方案。
附图说明
图1为本发明基于径向基神经网络的结构图;
图2为本发明考虑配电网需求的电动汽车充电站负荷功率曲线;
图3为本发明考虑电动汽车充电站需求的电动汽车充电站负荷功率曲线。
具体实施方式
本实施例中,配电网采用IEEE 30节点径向分布系统,电动汽车充电站位于23节点处。采用传统燃油汽车到达目标加油站购买燃油的数据模拟电动汽车进入电动汽车充电站充电的数据,共采样60天的数据,以一小时为时间间隔进行采样记录,以此作为样本数据。
本发明提出一种用于配电网的电动汽车充电站负载建模方法,该方法采用径向基神经网络建立电动汽车充电站负载模型,径向基神经网络结构如附图1所示,包含三个输入层神经元、四个隐藏层神经元和一个输出层神经元。
从配电网的角度考虑,电网侧负荷方差最小化,从电动汽车充电站的角度考虑,电动汽车充电站充电数量最大化,设置两个目标函数为:
式中:λ1表示电网侧一天的最小化负荷方差;λ2表示电动汽车充电站一天的最大化充电数量;t表示时段;Pt表示t时段内电动汽车充电站的充电功率;P1,t表示t时段内不含电动汽车负荷的配电网基本负荷;Pav表示调度电网侧负荷的平均值;x1,t表示同时充电的电动汽车数量。
为了确保电动汽车充电站充电需求不会造成配电网产生额外的峰值,设置约束条件为:
Pd,min≤Pt≤Pd,max
式中:Pd,min表示电动汽车充电站的最小充电功率;Pd,max表示电动汽车充电站的最大充电功率。
径向基神经网络隐含层神经元中心参数ci采用直接计算法随机在输入样本中选取。径向基神经网络中的基函数采用高斯函数,电动汽车充电站负荷模型输入信号为:同时充电的电动汽车数量x1,t、总充电电流x2,t、电动汽车达到率x3,t,进行空间映射的变换得到隐含层神经元的输出信号,径向基神经网络的激活函数可表示为:
式中:R(·)表示激活函数;t表示时段;σ表示高斯函数的方差;exp表示指数函数;||·||表示欧式范数;ci表示第i个隐含层结点的中心;i表示隐含层节点数。
径向基神经网络的基函数为高斯函数,方差表示为:
式中:σ表示高斯函数的方差;d表示样本的电动汽车充电功率值。
隐含层至输出层之间神经元的连接权值用最小二乘法表示为:
式中:wi表示隐含层第i个节点到输出层的连接权值;表示选取的4个中心之间的最大距离。
考虑上述目标函数和约束条件(目标函数λ1影响电动汽车充电站负载模型输出Pt的大小,目标函数λ2影响电动汽车充电站负载模型输入x1,t的大小,约束条件确定电动汽车充电站负载模型输出的范围),设置电动汽车充电站负荷模型的输入为同时充电的电动汽车数量、总充电电流和电动汽车达到率,输出为电动汽车充电站充电功率,采用径向基神经网络建立所述电动汽车充电站负载模型:
为了验证所述用于配电网的电动汽车负载智能建模方法的正确性和有效性,从配电网的角度考虑配电网的峰值限制,仿真结果考虑配电网需求的电动汽车充电站负载功率曲线如附图2所示。由附图2可知,样本的电动汽车充电功率曲线与预测电动汽车充电站负载充电功率曲线相匹配,从配电网的角度考虑配电网的峰值限制,电动汽车充电功率在(6h,20h)期间略高于估计的功率曲线,且最大预测功率(16h,19h)期间不超过配电网允许的电动汽车充电站最大充电功率。仿真结果表明,所述用于配电网的电动汽车充电站智能负载建模方法能有效预测电动汽车充电站负载充电功率曲线且实现了从配电网的角度响应配电网峰值需求,使电动汽车充电站智能负载充电功率不超过配电网允许的最大功率,从而适应配电网的运行模式。
从电动汽车充电站的角度考虑配电网的峰值限制,仿真结果考虑电动汽车充电站需求的电动汽车充电站负载功率曲线如附图3所示。由附图3可知,样本的电动汽车充电功率曲线与预测电动汽车充电站负载充电功率曲线相匹配,从电动汽车充电站的角度考虑配电网的峰值限制,电动汽车站同时刻充电数量最大化,电动汽车充电功率在(5h,21h)期间略高于估计的功率曲线和满足配电网需求的电动汽车充电站负载功率曲线,且最大预测功率(8h,19h)期间不超过配电网允许的电动汽车充电站最大充电功率。仿真结果表明,所述用于配电网的电动汽车充电站负载智能建模方法能有效预测电动汽车充电站负载充电功率曲线且实现了从电动汽车充电站的角度响应配电网峰值需求,使电动汽车充电站负载功率最大化利用且不超过配电网允许的最大功率,从而适应配电网的运行模式。
Claims (1)
1.一种用于配电网的电动汽车充电站负载建模方法,其特征在于,具体包括如下步骤:
采用实际数据模拟电动汽车进入电动汽车充电站充电的数据,共采样60天的数据,以一小时为时间间隔进行采样记录,以此作为样本数据;
1)从配电网的角度考虑,电网侧负荷方差最小化,从电动汽车充电站的角度考虑,电动汽车充电站充电数量最大化,设置两个目标函数为:
式中:λ1表示电网侧一天的最小化负荷方差;λ2表示电动汽车充电站一天的最大化充电数量;t表示时段;Pt表示t时段内电动汽车充电站的充电功率;P1,t表示t时段内不含电动汽车负荷的配电网基本负荷;Pav表示调度电网侧负荷的平均值;x1,t表示同时充电的电动汽车数量;
2)为了确保电动汽车充电站充电需求不会造成配电网产生额外的峰值,设置约束条件为:
Pd,min≤Pt≤Pd,max
式中:Pd,min表示电动汽车充电站的最小充电功率;Pd,max表示电动汽车充电站的最大充电功率;
3)在目标函数和约束条件影响下,采用径向基神经网络建立电动汽车充电站负荷模型:
径向基神经网络输入神经元、隐含层神经元和输出层神经元;
电动汽车充电站负荷模型输入信号为:同时充电的电动汽车数量x1,t、总充电电流x2,t、电动汽车达到率x3,t;
径向基神经网络中的基函数采用高斯函数,方差表示为:
式中:σ表示高斯函数的方差;d表示样本的电动汽车充电功率值;径向基神经网络隐含层神经元中心ci采用直接计算法随机在输入样本中选取;ci表示第i个隐含层结点的中心;i表示隐含层节点数;
隐含层至输出层之间神经元的连接权值用最小二乘法表示为:
式中:wi表示隐含层第i个节点到输出层的连接权值;表示选取所有中心之间的最大距离;
最终所得电动汽车充电站负载模型为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022598.7A CN109858103B (zh) | 2019-01-10 | 2019-01-10 | 用于配电网的电动汽车充电站负载建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022598.7A CN109858103B (zh) | 2019-01-10 | 2019-01-10 | 用于配电网的电动汽车充电站负载建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858103A CN109858103A (zh) | 2019-06-07 |
CN109858103B true CN109858103B (zh) | 2023-10-31 |
Family
ID=66894368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910022598.7A Active CN109858103B (zh) | 2019-01-10 | 2019-01-10 | 用于配电网的电动汽车充电站负载建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858103B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326883B (zh) * | 2021-06-03 | 2022-08-30 | 中创三优(北京)科技有限公司 | 充电站功率利用率预测模型的训练方法、装置及介质 |
CN116882715B (zh) * | 2023-09-07 | 2023-11-28 | 杭州格创新能源有限公司 | 基于云服务器的桩车联动有序安全用电方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007272447A (ja) * | 2006-03-30 | 2007-10-18 | Fujitsu Ltd | Cadシステム |
EP1956819A1 (en) * | 2007-02-09 | 2008-08-13 | Huawei Technologies Co., Ltd. | System and method for charging |
CN103241130A (zh) * | 2013-04-10 | 2013-08-14 | 华中科技大学 | 一种电动公交车充换电站的能量管理方法及系统 |
CN104299043A (zh) * | 2014-06-13 | 2015-01-21 | 国家电网公司 | 极限学习机超短期负荷预测方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105160437A (zh) * | 2015-09-25 | 2015-12-16 | 国网浙江省电力公司 | 基于极限学习机的负荷模型预测方法 |
CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
CN106599417A (zh) * | 2016-11-30 | 2017-04-26 | 中国电力科学研究院 | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 |
CN106887841A (zh) * | 2017-03-23 | 2017-06-23 | 东北大学 | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 |
CN107133415A (zh) * | 2017-05-22 | 2017-09-05 | 河海大学 | 一种考虑用户满意和配网安全的电动汽车充放电优化方法 |
CN108494034A (zh) * | 2018-03-21 | 2018-09-04 | 电子科技大学 | 一种配电网电动汽车充电负荷分配计算方法 |
-
2019
- 2019-01-10 CN CN201910022598.7A patent/CN109858103B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007272447A (ja) * | 2006-03-30 | 2007-10-18 | Fujitsu Ltd | Cadシステム |
EP1956819A1 (en) * | 2007-02-09 | 2008-08-13 | Huawei Technologies Co., Ltd. | System and method for charging |
CN103241130A (zh) * | 2013-04-10 | 2013-08-14 | 华中科技大学 | 一种电动公交车充换电站的能量管理方法及系统 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104299043A (zh) * | 2014-06-13 | 2015-01-21 | 国家电网公司 | 极限学习机超短期负荷预测方法 |
CN105160437A (zh) * | 2015-09-25 | 2015-12-16 | 国网浙江省电力公司 | 基于极限学习机的负荷模型预测方法 |
CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
CN106599417A (zh) * | 2016-11-30 | 2017-04-26 | 中国电力科学研究院 | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 |
CN106887841A (zh) * | 2017-03-23 | 2017-06-23 | 东北大学 | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 |
CN107133415A (zh) * | 2017-05-22 | 2017-09-05 | 河海大学 | 一种考虑用户满意和配网安全的电动汽车充放电优化方法 |
CN108494034A (zh) * | 2018-03-21 | 2018-09-04 | 电子科技大学 | 一种配电网电动汽车充电负荷分配计算方法 |
Non-Patent Citations (4)
Title |
---|
"A Two-Layer Model for Microgrid Real-time Dispatch Based on Energy Storage System Charging/Discharging Hidden Costs";Zhong Zhang, et al.,;《IEEE transactions on sustainable energy》;第8卷(第1期);全文 * |
"分布式电源的电网负荷预测和优化调度研究";陈臻波;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第7期);全文 * |
基于PSO-SNN的电动汽车充电站短期负荷预测模型研究;王哲;代兵琪;李相栋;;电气技术(第01期);全文 * |
基于模糊神经网络的光伏发电量短期预测;张玉;万成伟;;电子设计工程(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109858103A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112265546B (zh) | 基于时空序列信息的网联汽车车速预测方法 | |
Yousefi et al. | A comparison study on stochastic modeling methods for home energy management systems | |
US11708098B2 (en) | Method and device for optimizing target operation speed curve in ATO of train | |
CN112467722A (zh) | 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法 | |
CN109858103B (zh) | 用于配电网的电动汽车充电站负载建模方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN108494080B (zh) | 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法 | |
CN114970362B (zh) | 一种多能源结构下的电网负荷调度预测方法及系统 | |
CN114217524A (zh) | 一种基于深度强化学习的电网实时自适应决策方法 | |
CN102968098B (zh) | 一种对集群内电动汽车充电功率的分布式优化方法 | |
CN112039079A (zh) | 考虑电压安全的有源配电网储能优化系统配置方法 | |
CN112000001A (zh) | 一种基于改进贝叶斯模型的pid参数整定优化方法 | |
CN111523930A (zh) | 城市电动出租车充电站选址和服务范围划分的规划方法 | |
CN111680413B (zh) | 基于双层算法的有轨电车定时节能运行优化方法及其系统 | |
CN108832623B (zh) | 一种物理-统计混合两阶段风电功率预测方法 | |
Tong et al. | Influence of electric vehicle access mode on the static voltage stability margin and accommodated capacity of the distribution network | |
CN104268802A (zh) | 采用神经网络模型确定城市居民小区用电需用系数的方法 | |
CN110852495A (zh) | 一种分布式储能电站选址方法 | |
CN116629625A (zh) | 一种基于神经网络模型的电网线损预测方法 | |
CN115764855A (zh) | 一种电动汽车快充站实时可调节能力及可用电量预测方法 | |
Tan et al. | A stochastic model for quantifying the impact of PHEVs on a residential distribution grid | |
CN112001564B (zh) | 基于长短期记忆网络的用户离家时间预测方法 | |
CN111401696B (zh) | 一种计及可再生资源不确定性的配电系统协调规划方法 | |
Fan et al. | Analysis of electric vehicle load storage resource potential based on R-ANN activity behavior model | |
Fan et al. | SOH estimation method of lithium-ion battery based on multilayer feedforward neural network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |