CN109871981B - 一种计及分布式电源和电动汽车影响的负荷特性预测方法 - Google Patents

一种计及分布式电源和电动汽车影响的负荷特性预测方法 Download PDF

Info

Publication number
CN109871981B
CN109871981B CN201910021908.3A CN201910021908A CN109871981B CN 109871981 B CN109871981 B CN 109871981B CN 201910021908 A CN201910021908 A CN 201910021908A CN 109871981 B CN109871981 B CN 109871981B
Authority
CN
China
Prior art keywords
load
distributed power
curve
power supply
electric vehicle
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
CN201910021908.3A
Other languages
English (en)
Other versions
CN109871981A (zh
Inventor
丁珩
张维
陈梦
侯婷婷
李斯吾
周小兵
陈红坤
刘志雄
刘超
付亦舒
陈熙
万靖
别芳玫
李雨佳
范玉宏
阮博
童雅芳
徐秋实
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.)
State Grid Corp of China SGCC
Wuhan University WHU
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Wuhan University WHU
Economic and Technological Research Institute of State Grid Hubei Electric Power 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 State Grid Corp of China SGCC, Wuhan University WHU, Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910021908.3A priority Critical patent/CN109871981B/zh
Publication of CN109871981A publication Critical patent/CN109871981A/zh
Application granted granted Critical
Publication of CN109871981B publication Critical patent/CN109871981B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种计及分布式电源和电动汽车影响的负荷特性预测方法，该方法先收集负荷预测基础数据，再分别预测分布式电源的期望出力曲线、电动汽车充电负荷期望曲线、典型日净负荷曲线，然后预测计及分布式电源和电动汽车影响的典型日负荷曲线，并分析负荷特性。本设计综合考虑了分布式电源与电动汽车对主网负荷特性的影响，能够较为准确的在分布式电源和电动汽车大规模发展的情况下解决负荷特性预测问题。

Description

一种计及分布式电源和电动汽车影响的负荷特性预测方法
技术领域
本发明涉及电力系统及自动化领域，尤其涉及一种计及分布式电源和电动汽车影响的负荷特性预测方法，主要适用于提高负荷特性预测的准确度。
背景技术
现代配电网中以分布式光伏为代表的分布式电源的装机容量不断增长，同时，作为一种新型负荷，电动汽车的保有量也得到了快速的增长，两者对主网负荷的影响日益显著。采用常规方法进行负荷特性预测和分析时，不能很好的考虑分布式电源对统调负荷的削减作用，以及电动充电负荷对统调负荷的增加作用。因此，有必要在统调负荷特性预测时将分布式电源和电动汽车充电负荷的影响纳入分析范畴。
发明内容
本发明的目的是克服现有技术中存在的负荷特性预测准确度低的缺陷与问题，提供一种负荷特性预测准确度高的计及分布式电源和电动汽车影响的负荷特性预测方法。
为实现以上目的，本发明的技术解决方案是：一种计及分布式电源和电动汽车影响的负荷特性预测方法，该方法包括以下步骤：
A、收集负荷预测基础数据；
B、分别预测分布式电源的期望出力曲线、电动汽车充电负荷期望曲线、典型日净负荷曲线；
C、预测计及分布式电源和电动汽车影响的典型日负荷曲线，并分析负荷特性。
步骤A中，所述负荷预测基础数据包括分布式电源出力预测所需数据、电动汽车充电负荷预测所需数据和典型日净负荷预测所需数据；
所述分布式电源出力预测所需数据包括地区分布式电源历史出力数据、分布式电源装机容量现况和分布式电源发展规划信息；
所述电动汽车充电负荷预测所需数据包括电动汽车的充电行为信息，电动汽车的充电行为信息包括各类型电动汽车的充电功率、起始SOC分布、充电时间分布和电动汽车的发展规划信息；
所述典型日净负荷预测所需数据包括历史统调整点负荷曲线。
步骤B中，所述分布式电源的期望出力曲线的预测包括以下步骤：
a、对不同类别的分布式电源，按月将历史出力数据分为12个子集，分别对每个子集的出力曲线按日求取平均值，使得每个类别的分布式电源得到12条平均出力曲线；
b、根据规划地区的分布式电源发展规划信息，预测规划年各类别分布式电源的装机容量；
c、根据预测的分布式电源的装机容量，利用各类别分布式电源的平均出力曲线，得到规划年各月分布式电源的期望出力曲线；
所述分布式电源的期望出力曲线为：
Figure BDA0001941058370000021
Figure BDA0001941058370000022
式(1)、式(2)中，
Figure BDA0001941058370000023
是规划年的第m月分布式电源在t时刻的期望出力值，
Figure BDA0001941058370000024
是规划年的第m月第k种分布式电源在t时刻的期望出力值，c0和cf分别是第k种分布式电源统计和预测的装机容量，
Figure BDA0001941058370000025
是统计的第m月第k种分布式电源在t时刻的出力值。
步骤B中，所述电动汽车充电负荷期望曲线的预测包括以下步骤：
d、利用不同类别电动汽车的充电行为信息建立电动汽车的统计负荷模型；
e、根据规划地区的电动汽车发展规划信息，预测规划地区的分类电动汽车保有量；
f、根据建立的电动汽车统计负荷模型和预测的电动汽车保有量数据，计算规划年的电动汽车充电负荷期望曲线Pev(t)。
步骤B中，所述典型日净负荷曲线的预测包括以下步骤：
g、剔除负荷历史数据中的分布式电源和电动汽车分量，得到净负荷历史整点负荷曲线；
h、利用统调年最大净负荷的历史数据构建灰色Verhulst预测模型，所述灰色Verhulst预测模型为：
Figure BDA0001941058370000031
Figure BDA0001941058370000032
式(3)、式(4)中，
Figure BDA0001941058370000034
为原始时间序列，即统调年最大净负荷的第t个值，
Figure BDA0001941058370000035
为原始时间序列的累加生成序列，k＝1,2,3，...，n，n为原始时间序列的长度，a和b是待定系数，用最小二乘法进行估计；
i、利用归一化的历史年负荷曲线和统调年最大净负荷的预测值，计算统调月最大净负荷的预测值；
对各年选取年统调最大净负荷为基准值，得到归一化的年负荷曲线，然后求取平均值，并计算得规划年的各统调月最大净负荷为：
Figure BDA0001941058370000036
式(5)中，
Figure BDA0001941058370000037
为统调月最大净负荷在第m月的值，ly(m)为归一化的年负荷曲线在第m月的平均值，Pmaxy为预测的统调年最大净负荷；
j、利用归一化的月典型日净负荷曲线以及统调月最大净负荷的预测值，预测出典型日净负荷曲线；
从历史数据对各年选取12个月的典型日负荷曲线，以当日最大负荷为基准值进行归一化，然后求取平均值，并计算各月规划年的典型日的净负荷曲线为：
Figure BDA0001941058370000038
式(6)中，
Figure BDA0001941058370000039
为第m月典型日的净负荷曲线在第t时刻的值，
Figure BDA00019410583700000310
为第m月的归一化典型日净负荷曲线在第t时刻的平均值，
Figure BDA00019410583700000311
为预测的统调月最大净负荷在第m月的值。
步骤C中，所述预测计及分布式电源和电动汽车影响的典型日负荷曲线为：
Figure BDA0001941058370000033
式(7)中，Pl m(t)为预测的典型日负荷曲线在第m月的t时刻的值，
Figure BDA0001941058370000041
为预测的典型日净负荷曲线，
Figure BDA0001941058370000042
为预测的分布式电源的期望出力曲线，Pev(t)为预测的电动汽车充电负荷期望曲线。
与现有技术相比，本发明的有益效果为：
本发明一种计及分布式电源和电动汽车影响的负荷特性预测方法中先收集负荷预测基础数据，再分别预测分布式电源的期望出力曲线、电动汽车充电负荷期望曲线、典型日净负荷曲线，然后预测计及分布式电源和电动汽车影响的典型日负荷曲线，并分析负荷特性；上述方法同时考虑了分布式电源和电动汽车的影响，能够准确的在分布式电源和电动汽车大规模发展的情况下解决负荷特性预测问题。因此，本发明提高了负荷特性预测的准确度。
附图说明
图1是一种计及分布式电源和电动汽车影响的负荷特性预测方法流程图。
图2是各类型电动汽车的充电方式。
图3是分布式电源期望出力曲线图。
图4是电动汽车充电负荷期望曲线图。
图5是净负荷的统调年最大负荷的Verhulst模型预测结果。
图6是典型日净负荷曲线及计及分布式电源和电动汽车影响的典型日负荷曲线。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1，一种计及分布式电源和电动汽车影响的负荷特性预测方法，该方法包括以下步骤：
A、收集负荷预测基础数据；
B、分别预测分布式电源的期望出力曲线、电动汽车充电负荷期望曲线、典型日净负荷曲线；
C、预测计及分布式电源和电动汽车影响的典型日负荷曲线，并分析负荷特性。
步骤A中，所述负荷预测基础数据包括分布式电源出力预测所需数据、电动汽车充电负荷预测所需数据和典型日净负荷预测所需数据；
所述分布式电源出力预测所需数据包括地区分布式电源历史出力数据、分布式电源装机容量现况和分布式电源发展规划信息；
所述电动汽车充电负荷预测所需数据包括电动汽车的充电行为信息，电动汽车的充电行为信息包括各类型电动汽车的充电功率、起始SOC分布、充电时间分布和电动汽车的发展规划信息；
所述典型日净负荷预测所需数据包括历史统调整点负荷曲线。
步骤B中，所述分布式电源的期望出力曲线的预测包括以下步骤：
a、对不同类别的分布式电源，按月将历史出力数据分为12个子集，分别对每个子集的出力曲线按日求取平均值，使得每个类别的分布式电源得到12条平均出力曲线；
b、根据规划地区的分布式电源发展规划信息，预测规划年各类别分布式电源的装机容量；
c、根据预测的分布式电源的装机容量，利用各类别分布式电源的平均出力曲线，得到规划年各月分布式电源的期望出力曲线；
所述分布式电源的期望出力曲线为：
Figure BDA0001941058370000051
Figure BDA0001941058370000052
式(1)、式(2)中，
Figure BDA0001941058370000053
是规划年的第m月分布式电源在t时刻的期望出力值，
Figure BDA0001941058370000054
是规划年的第m月第k种分布式电源在t时刻的期望出力值，c0和cf分别是第k种分布式电源统计和预测的装机容量，
Figure BDA0001941058370000055
是统计的第m月第k种分布式电源在t时刻的出力值。
步骤B中，所述电动汽车充电负荷期望曲线的预测包括以下步骤：
d、利用不同类别电动汽车的充电行为信息建立电动汽车的统计负荷模型；
e、根据规划地区的电动汽车发展规划信息，预测规划地区的分类电动汽车保有量；
f、根据建立的电动汽车统计负荷模型和预测的电动汽车保有量数据，计算规划年的电动汽车充电负荷期望曲线Pev(t)。
步骤B中，所述典型日净负荷曲线的预测包括以下步骤：
g、剔除负荷历史数据中的分布式电源和电动汽车分量，得到净负荷历史整点负荷曲线；
h、利用统调年最大净负荷的历史数据构建灰色Verhulst预测模型，所述灰色Verhulst预测模型为：
Figure BDA0001941058370000061
Figure BDA0001941058370000062
式(3)、式(4)中，
Figure BDA0001941058370000069
为原始时间序列，即统调年最大净负荷的第t个值，
Figure BDA00019410583700000610
为原始时间序列的累加生成序列，k＝1,2,3，...，n，n为原始时间序列的长度，a和b是待定系数，用最小二乘法进行估计；
i、利用归一化的历史年负荷曲线和统调年最大净负荷的预测值，计算统调月最大净负荷的预测值；
对各年选取年统调最大净负荷为基准值，得到归一化的年负荷曲线，然后求取平均值，并计算得规划年的各统调月最大净负荷为：
Figure BDA0001941058370000063
式(5)中，
Figure BDA0001941058370000064
为统调月最大净负荷在第m月的值，ly(m)为归一化的年负荷曲线在第m月的平均值，Pmaxy为预测的统调年最大净负荷；
j、利用归一化的月典型日净负荷曲线以及统调月最大净负荷的预测值，预测出典型日净负荷曲线；
从历史数据对各年选取12个月的典型日负荷曲线，以当日最大负荷为基准值进行归一化，然后求取平均值，并计算各月规划年的典型日的净负荷曲线为：
Figure BDA0001941058370000065
式(6)中，
Figure BDA0001941058370000066
为第m月典型日的净负荷曲线在第t时刻的值，
Figure BDA0001941058370000067
为第m月的归一化典型日净负荷曲线在第t时刻的平均值，
Figure BDA0001941058370000068
为预测的统调月最大净负荷在第m月的值。
步骤C中，所述预测计及分布式电源和电动汽车影响的典型日负荷曲线为：
Figure BDA0001941058370000071
式(7)中，Pl m(t)为预测的典型日负荷曲线在第m月的t时刻的值，
Figure BDA0001941058370000072
为预测的典型日净负荷曲线，
Figure BDA0001941058370000073
为预测的分布式电源的期望出力曲线，Pev(t)为预测的电动汽车充电负荷期望曲线。
本发明的原理说明如下：
本设计提出了一种计及分布式电源和电动汽车影响的负荷特性预测方法，同时考虑了分布式电源和电动汽车的影响，先通过历史负荷数据与灰色Verhulst预测模型得到典型日的净负荷曲线，然后根据分布式电源出力和电动汽车充电负荷的时间特性，叠加分布式电源出力和电动汽车充电负荷的期望曲线，得到最终的典型日负荷曲线，能够较为准确的在分布式电源和电动汽车大规模发展的情况下解决负荷特性预测问题。
尽管本设计较多地使用了包括负荷特性、分布式电源、充电负荷、灰色Verhulst预测模型等术语，但并不排除使用其他术语的可能性。使用这些术语仅仅是为了更方便的描述本设计的本质，把它们解释成任何一种附加的限制都是与本设计精神相违背的。
实施例：
本实施例以华中某地区电网8月的负荷特性为具体实施对象，详细阐述本设计中所涉及的负荷特性预测方法。
参见图1，一种计及分布式电源和电动汽车影响的负荷特性预测方法，该方法包括以下步骤：
A、收集负荷预测基础数据；
所述负荷预测基础数据包括分布式电源出力预测所需数据、电动汽车充电负荷预测所需数据和典型日净负荷预测所需数据；
所述分布式电源出力预测所需数据包括地区分布式电源历史出力数据、分布式电源装机容量现况和分布式电源发展规划信息；
所述电动汽车充电负荷预测所需数据包括电动汽车的充电行为信息，电动汽车的充电行为信息包括各类型电动汽车的充电功率、起始SOC分布、充电时间分布和电动汽车的发展规划信息；
所述典型日净负荷预测所需数据包括历史统调整点负荷曲线；
根据收集的分布式电源装机容量现况，该地区主要的分布式电源类型为分布式光伏和分布式燃气轮机，因此选取它们作为分析对象；在2017年，该地区的分布式光伏装机容量为1178MW，分布式燃气轮机装机容量为8.6MW；
收集的电动汽车充电行为信息中，各类型电动车的起始SOC分布和充电时间分布如表1所示；各类型电动车的充电方式如图2所示，充电功率和电池容量如表2所示；
表1起始SOC分布和充电时间分布
Figure BDA0001941058370000081
表2充电功率和充电容量
车辆类型 慢充功率 快充功率 电池容量(320V)
公交车 21kW 135kW 300Ah
出租车 14kW 90kW 200Ah
私家车 7kW - 100Ah
公务车 7kW - 100Ah
环卫车 7kW - 100Ah
物流车 7kW - 100Ah
B、分别预测分布式电源的期望出力曲线、电动汽车充电负荷期望曲线、典型日净负荷曲线；
所述分布式电源的期望出力曲线的预测包括以下步骤：
a、对不同类别的分布式电源，按月将历史出力数据分为12个子集，分别对每个子集的出力曲线按日求取平均值，使得每个类别的分布式电源得到12条平均出力曲线；
b、根据规划地区的分布式电源发展规划信息，预测规划年各类别分布式电源的装机容量；
c、根据预测的分布式电源的装机容量，利用各类别分布式电源的平均出力曲线，得到规划年各月分布式电源的期望出力曲线；
所述分布式电源的期望出力曲线为：
Figure BDA0001941058370000091
Figure BDA0001941058370000092
式(1)、式(2)中，
Figure BDA0001941058370000094
是规划年的第m月分布式电源在t时刻的期望出力值，
Figure BDA0001941058370000095
是规划年的第m月第k种分布式电源在t时刻的期望出力值，c0和cf分别是第k种分布式电源统计和预测的装机容量，
Figure BDA0001941058370000093
是统计的第m月第k种分布式电源在t时刻的出力值；
考虑该地区的分布式电源的发展规划和资源分布，预测2020年的分布式光伏装机容量为2000MW，分布式燃气轮机装机容量为50MW，由式(1)、式(2)得到该地区在2020年8月的分布式电源期望出力曲线如图3所示；
所述电动汽车充电负荷期望曲线的预测包括以下步骤：
d、利用不同类别电动汽车的充电行为信息建立电动汽车的统计负荷模型；
e、根据规划地区的电动汽车发展规划信息，预测规划地区的分类电动汽车保有量；
f、根据建立的电动汽车统计负荷模型和预测的电动汽车保有量数据，采用蒙特卡洛方法计算规划年的电动汽车充电负荷期望曲线Pev(t)；
考虑该地区的电动汽车发展规划和电动汽车市场发展的影响因素，预测2020年各类电动汽车的保有量如表3所示(假设出租车中大班与小班的比例为5：1)，根据调研的电动汽车充电行为信息建立统计负荷模型，经蒙特卡洛模拟得到电动汽车在2020年的充电负荷期望曲线如图4所示；
表3电动汽车保有量预测结果
类型 公交车 出租车 私家车 公务车 环卫车 物流车
数量(辆) 16964 17500 122547 12255 358 5376
所述典型日净负荷曲线的预测包括以下步骤：
g、剔除负荷历史数据中的分布式电源和电动汽车分量，得到净负荷历史整点负荷曲线；
h、利用统调年最大净负荷的历史数据构建灰色Verhulst预测模型，所述灰色Verhulst预测模型为：
Figure BDA0001941058370000101
Figure BDA0001941058370000102
式(3)、式(4)中，
Figure BDA0001941058370000105
为原始时间序列，即统调年最大净负荷的第t个值，
Figure BDA0001941058370000106
为原始时间序列的累加生成序列，k＝1,2,3，...，n，n为原始时间序列的长度，a和b是待定系数，用最小二乘法进行估计；
i、利用归一化的历史年负荷曲线和统调年最大净负荷的预测值，计算统调月最大净负荷的预测值；
对各年选取年统调最大净负荷为基准值，得到归一化的年负荷曲线，然后求取平均值，并计算得规划年的各统调月最大净负荷为：
Figure BDA0001941058370000103
式(5)中，
Figure BDA0001941058370000104
为统调月最大净负荷在第m月的值，ly(m)为归一化的年负荷曲线在第m月的平均值，Pmaxy为预测的统调年最大净负荷；
j、利用归一化的月典型日净负荷曲线以及统调月最大净负荷的预测值，预测出典型日净负荷曲线；
从历史数据对各年选取12个月的典型日负荷曲线，以当日最大负荷为基准值进行归一化，然后求取平均值，并计算各月规划年的典型日的净负荷曲线为：
Figure BDA0001941058370000111
式(6)中，
Figure BDA0001941058370000114
为第m月典型日的净负荷曲线在第t时刻的值，
Figure BDA0001941058370000115
为第m月的归一化典型日净负荷曲线在第t时刻的平均值，
Figure BDA0001941058370000116
为预测的统调月最大净负荷在第m月的值；
①对原始的负荷曲线减去当年的分布式电源分量和充电负荷分量得到净负荷曲线；②利用该地区2000-2017年统调年最大净负荷建立灰色Verhulst模型，模型的拟合情况如图5所示，2020年统调年最大净负荷的预测值为40450MW；③由于该地区一般在8月出现年最大负荷，净负荷的归一化年负荷曲线在8月的值为1，由式(5)得统调月最大净负荷在8月的值为40450MW；④8月归一化的典型日净负荷曲线如表4所示，由式(6)得到2020年8月的典型日的净负荷曲线如图6所示；
表4净负荷在8月的归一化的典型日负荷曲线
时刻 0 1 2 3 4 5 6 7 8 9 10 11
值 0.86 0.84 0.81 0.79 0.78 0.77 0.78 0.82 0.88 0.94 0.95 0.97
时刻 12 13 14 15 16 17 18 19 20 21 22 23
值 0.95 0.98 0.99 1 0.99 0.98 0.92 0.90 0.97 0.97 0.95 0.92
C、预测计及分布式电源和电动汽车影响的典型日负荷曲线，并分析负荷特性；
所述预测计及分布式电源和电动汽车影响的典型日负荷曲线为：
Figure BDA0001941058370000112
式(7)中，Pl m(t)为预测的典型日负荷曲线在第m月的t时刻的值，
Figure BDA0001941058370000117
为预测的典型日净负荷曲线，
Figure BDA0001941058370000118
为预测的分布式电源的期望出力曲线，Pev(t)为预测的电动汽车充电负荷期望曲线；
根据以上的预测结果，由式(7)得到该地区2020年8月的计及分布式电源和电动汽车影响的典型日负荷曲线如图6所示，包含工作日和非工作日两种情况，曲线的具体数据如表5所示，计算得负荷特性指标包括最大负荷、最小负荷、峰谷差和日负荷率等如表6所示；
表5考虑分布式电源和多元负荷的2020年各月份典型工作日负荷曲线(单位：万千瓦)
Figure BDA0001941058370000113
Figure BDA0001941058370000121
表5(续)
Figure BDA0001941058370000122
Figure BDA0001941058370000131
表6负荷特性指标
Figure BDA0001941058370000132
结论：本设计针对大规模发展的分布式电源和电动汽车充电负荷，建立一种综合的负荷特性预测方法，采用本方法对电网的负荷特性进行预测，能够较好的考虑到分布式电源和电动汽车的迅速增长的影响，可为规划和调度提供可靠的参考。

Claims (4)

1.一种计及分布式电源和电动汽车影响的负荷特性预测方法，其特征在于，该方法包括以下步骤：
A、收集负荷预测基础数据；
所述负荷预测基础数据包括分布式电源出力预测所需数据、电动汽车充电负荷预测所需数据和典型日净负荷预测所需数据；
所述分布式电源出力预测所需数据包括地区分布式电源历史出力数据、分布式电源装机容量现况和分布式电源发展规划信息；
所述电动汽车充电负荷预测所需数据包括电动汽车的充电行为信息，电动汽车的充电行为信息包括各类型电动汽车的充电功率、起始SOC分布、充电时间分布和电动汽车的发展规划信息；
所述典型日净负荷预测所需数据包括历史统调整点负荷曲线；
B、分别预测分布式电源的期望出力曲线、电动汽车充电负荷期望曲线、典型日净负荷曲线；
所述分布式电源的期望出力曲线的预测包括以下步骤：
a、对不同类别的分布式电源，按月将历史出力数据分为12个子集，分别对每个子集的出力曲线按日求取平均值，使得每个类别的分布式电源得到12条平均出力曲线；
b、根据规划地区的分布式电源发展规划信息，预测规划年各类别分布式电源的装机容量；
c、根据预测的分布式电源的装机容量，利用各类别分布式电源的平均出力曲线，得到规划年各月分布式电源的期望出力曲线；
所述分布式电源的期望出力曲线为：
Figure FDA0002926216580000011
Figure FDA0002926216580000012
式(1)、式(2)中，
Figure FDA0002926216580000013
是规划年的第m月分布式电源在t时刻的期望出力值，
Figure FDA0002926216580000014
是规划年的第m月第k种分布式电源在t时刻的期望出力值，c0和cf分别是第k种分布式电源统计和预测的装机容量，
Figure FDA0002926216580000023
是统计的第m月第k种分布式电源在t时刻的出力值；
C、预测计及分布式电源和电动汽车影响的典型日负荷曲线，并分析负荷特性。
2.根据权利要求1所述的一种计及分布式电源和电动汽车影响的负荷特性预测方法，其特征在于：步骤B中，所述电动汽车充电负荷期望曲线的预测包括以下步骤：
d、利用不同类别电动汽车的充电行为信息建立电动汽车的统计负荷模型；
e、根据规划地区的电动汽车发展规划信息，预测规划地区的分类电动汽车保有量；
f、根据建立的电动汽车统计负荷模型和预测的电动汽车保有量数据，计算规划年的电动汽车充电负荷期望曲线Pev(t)。
3.根据权利要求1所述的一种计及分布式电源和电动汽车影响的负荷特性预测方法，其特征在于：步骤B中，所述典型日净负荷曲线的预测包括以下步骤：
g、剔除负荷历史数据中的分布式电源和电动汽车分量，得到净负荷历史整点负荷曲线；
h、利用统调年最大净负荷的历史数据构建灰色Verhulst预测模型，所述灰色Verhulst预测模型为：
Figure FDA0002926216580000021
Figure FDA0002926216580000022
式(3)、式(4)中，
Figure FDA0002926216580000024
为原始时间序列，即统调年最大净负荷的第t个值，
Figure FDA0002926216580000025
为原始时间序列的累加生成序列，k＝1,2,3，...，n，n为原始时间序列的长度，a和b是待定系数，用最小二乘法进行估计；
i、利用归一化的历史年负荷曲线和统调年最大净负荷的预测值，计算统调月最大净负荷的预测值；
对各年选取年统调最大净负荷为基准值，得到归一化的年负荷曲线，然后求取平均值，并计算得规划年的各统调月最大净负荷为：
Figure FDA0002926216580000031
式(5)中，
Figure FDA0002926216580000034
为统调月最大净负荷在第m月的值，ly(m)为归一化的年负荷曲线在第m月的平均值，Pmaxy为预测的统调年最大净负荷；
j、利用归一化的月典型日净负荷曲线以及统调月最大净负荷的预测值，预测出典型日净负荷曲线；
从历史数据对各年选取12个月的典型日负荷曲线，以当日最大负荷为基准值进行归一化，然后求取平均值，并计算各月规划年的典型日的净负荷曲线为：
Figure FDA0002926216580000032
式(6)中，
Figure FDA0002926216580000035
为第m月典型日的净负荷曲线在第t时刻的值，
Figure FDA0002926216580000036
为第m月的归一化典型日净负荷曲线在第t时刻的平均值，
Figure FDA0002926216580000037
为预测的统调月最大净负荷在第m月的值。
4.根据权利要求1所述的一种计及分布式电源和电动汽车影响的负荷特性预测方法，其特征在于：步骤C中，所述预测计及分布式电源和电动汽车影响的典型日负荷曲线为：
Figure FDA0002926216580000033
式(7)中，P1 m(t)为预测的典型日负荷曲线在第m月的t时刻的值，
Figure FDA0002926216580000038
为预测的典型日净负荷曲线，
Figure FDA0002926216580000039
为预测的分布式电源的期望出力曲线，Pev(t)为预测的电动汽车充电负荷期望曲线。
CN201910021908.3A 2019-01-10 2019-01-10 一种计及分布式电源和电动汽车影响的负荷特性预测方法 Active CN109871981B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910021908.3A CN109871981B (zh) 2019-01-10 2019-01-10 一种计及分布式电源和电动汽车影响的负荷特性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910021908.3A CN109871981B (zh) 2019-01-10 2019-01-10 一种计及分布式电源和电动汽车影响的负荷特性预测方法

Publications (2)

Publication Number Publication Date
CN109871981A CN109871981A (zh) 2019-06-11
CN109871981B true CN109871981B (zh) 2021-07-13

Family

ID=66917576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910021908.3A Active CN109871981B (zh) 2019-01-10 2019-01-10 一种计及分布式电源和电动汽车影响的负荷特性预测方法

Country Status (1)

Country Link
CN (1) CN109871981B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956329B (zh) * 2019-12-02 2023-04-25 国网浙江省电力有限公司绍兴供电公司 基于分布式光伏与电动汽车时空分布的负荷预测方法
CN112241923B (zh) * 2020-09-21 2023-11-10 国网冀北电力有限公司秦皇岛供电公司 一种基于综合能源系统源荷等效外特性的配网电力平衡方法
CN113408101B (zh) * 2021-05-19 2024-01-12 南方电网科学研究院有限责任公司 一种负荷序列模拟方法、装置
CN113361587B (zh) * 2021-06-02 2022-11-01 东南大学 一种基于poi信息的电动汽车充电站负荷特性聚类建模方法
CN113837498B (zh) * 2021-11-08 2024-01-30 华北电力大学 一种充电设施规模预测方法及系统
CN114865674B (zh) * 2022-07-06 2022-09-20 国网湖北省电力有限公司经济技术研究院 一种大规模电动汽车接入场景下配电网馈线负荷调整方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102005771A (zh) * 2010-12-23 2011-04-06 天津电力设计院 风、光、储微电网系统的储能容量选取方法
US8019483B2 (en) * 2008-10-01 2011-09-13 Current Communications Services, Llc System and method for managing the distributed generation of power by a plurality of electric vehicles
CN105160451A (zh) * 2015-07-09 2015-12-16 上海电力学院 一种含电动汽车的微电网多目标优化调度方法
CN105552941A (zh) * 2015-12-31 2016-05-04 国家电网公司 一种分布式电源调峰容量优化方法
CN106532764A (zh) * 2016-10-18 2017-03-22 国网山东省电力公司电力科学研究院 一种就地消纳光伏发电的电动汽车充电负荷调控方法
CN108090277A (zh) * 2017-12-15 2018-05-29 燕山大学 一种考虑满意度和调度能力的电动汽车微网双层优化调度方法
CN108470239A (zh) * 2018-03-01 2018-08-31 国网福建省电力有限公司 计及需求侧管理和储能的主动配电网多目标分层规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8019483B2 (en) * 2008-10-01 2011-09-13 Current Communications Services, Llc System and method for managing the distributed generation of power by a plurality of electric vehicles
CN102005771A (zh) * 2010-12-23 2011-04-06 天津电力设计院 风、光、储微电网系统的储能容量选取方法
CN105160451A (zh) * 2015-07-09 2015-12-16 上海电力学院 一种含电动汽车的微电网多目标优化调度方法
CN105552941A (zh) * 2015-12-31 2016-05-04 国家电网公司 一种分布式电源调峰容量优化方法
CN106532764A (zh) * 2016-10-18 2017-03-22 国网山东省电力公司电力科学研究院 一种就地消纳光伏发电的电动汽车充电负荷调控方法
CN108090277A (zh) * 2017-12-15 2018-05-29 燕山大学 一种考虑满意度和调度能力的电动汽车微网双层优化调度方法
CN108470239A (zh) * 2018-03-01 2018-08-31 国网福建省电力有限公司 计及需求侧管理和储能的主动配电网多目标分层规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"计及需求侧响应及区域风光出力的电动汽车有序充电对电网负荷曲线的影响";葛少云 等;《电网技术》;20140731;第38卷(第7期);1806-1811 *

Also Published As

Publication number Publication date
CN109871981A (zh) 2019-06-11

Similar Documents

Publication Publication Date Title
CN109871981B (zh) 一种计及分布式电源和电动汽车影响的负荷特性预测方法
Xie et al. An energy management strategy based on stochastic model predictive control for plug-in hybrid electric buses
Zhang et al. Flexible grid-based electrolysis hydrogen production for fuel cell vehicles reduces costs and greenhouse gas emissions
Yang et al. Environmental feasibility of secondary use of electric vehicle lithium-ion batteries in communication base stations
Peng et al. Development and application of an electric vehicles life-cycle energy consumption and greenhouse gas emissions analysis model
Neubauer et al. The ability of battery second use strategies to impact plug-in electric vehicle prices and serve utility energy storage applications
Hou et al. Optimal scheduling of the plug‐in electric vehicles aggregator energy and regulation services based on grid to vehicle
Li et al. Modeling of plug-in hybrid electric vehicle charging demand in probabilistic power flow calculations
Schwenk et al. Integrating battery aging in the optimization for bidirectional charging of electric vehicles
Meinrenken et al. Fleet view of electrified transportation reveals smaller potential to reduce GHG emissions
CN107392462A (zh) 一种考虑分类特性的电动汽车并网调度方法
Rahman et al. Comprehensive impact analysis of electric vehicle charging scheduling on load-duration curve
Zhao et al. Life cycle based multi-criteria optimization for optimal allocation of commercial delivery truck fleet in the United States
CN108599267B (zh) 一种考虑电动汽车出行相关性的机组组合调度方法
Mönnig et al. Electromobility 2035: Economic and labour market effects through the electrification of powertrains in passenger cars
CN115392588A (zh) 一种全生命周期的电动汽车碳排放预测方法以及装置
Lu et al. Capacity value of PV and wind generation in the NV energy system
Andrenacci et al. Modelling charge profiles of electric vehicles based on charges data
Grahn et al. Plug-in-vehicle mobility and charging flexibility Markov model based on driving behavior
CN112070307B (zh) 一种区域内能源负荷量的预测方法及装置
Khushalani et al. Coordinated charging strategies for plug-in hybrid electric vehicles
CN108959190B (zh) 一种基于热当量法的电能替代理论潜力计算方法
CN116433440A (zh) 一种数据自回归增强的碳排放测算方法、系统及电子设备
CN104091211A (zh) 一种电动汽车充电电价制定的综合决策方法
Manocha et al. Reducing transmission expansion by co-optimizing sizing of wind, solar, storage and grid connection capacity

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