CN110929921A - 充电站负荷预测方法、装置、计算机设备和存储介质 - Google Patents

充电站负荷预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110929921A
CN110929921A CN201911075075.5A CN201911075075A CN110929921A CN 110929921 A CN110929921 A CN 110929921A CN 201911075075 A CN201911075075 A CN 201911075075A CN 110929921 A CN110929921 A CN 110929921A
Authority
CN
China
Prior art keywords
electric
station
charging
electric vehicle
probability distribution
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
CN201911075075.5A
Other languages
English (en)
Inventor
陈曦
喇元
赵继光
程凌森
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.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid 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 China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN201911075075.5A priority Critical patent/CN110929921A/zh
Publication of CN110929921A publication Critical patent/CN110929921A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请涉及一种上述充电站负荷预测方法、装置、计算机设备和存储介质，根据历史数据分析出每天的到站充电电动汽车数量比例关系，进而再预估出当天到站充电的电动汽车总量，根据电动汽车到站时刻的概率分布函数，细化预测每个小时到站充电电动汽车数量，根据电动汽车每日行驶里程的概率分布函数，预估每台电动汽车到站的剩余荷电状态，再根据上述两组数据，预测充电站每小时的充电负荷数据。在上述处理过程，基于历史数据采用概率分布函数的方式准确预测出每小时到站充电电动汽车数量以及对应的剩余荷电状态，可以准确预测出充电站每小时的充电负荷数据。

Description

充电站负荷预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及物联网技术领域，特别是涉及一种充电站负荷预测方法、装置、计算机设备和存储介质。
背景技术
随着电动汽车电池技术的不断提升和成本逐年下降，电动汽车占汽车市场的份额正在不断提升。
如果大量电动汽车无序充电，会对配网造成末端线路电压过低、电压波动较大、网络损耗大、支路功率越限等问题，严重的情况可能会导致配网主变过载、线路过负荷保护动作、电网安全运行裕度减少等情况的发生。电动汽车与电网的交互技术(Vehicle-to-Grid，V2G)能够使电动汽车和电网之间功率流和信息流双向互动，使电网运行在经济、安全的状态。而电动汽车的准确、详细的负荷预测是实现上述功能的基础。对于电动汽车充电站，为了更好地与电网联合优化运行和给电网应急支援，需要设计相应的负荷预测方案。
然而，传统的充电站负荷预测方案是直接针对电网中其它负载负荷预测直接移植过来的，其并未考虑充电站实际应用环境的特殊性，无法准确实现充电站荷电预测。
发明内容
基于此，有必要针对上述技术问题，提供一种荷电预测准确的充电站负荷预测方法、装置、计算机设备和存储介质。
一种充电站负荷预测方法，所述方法包括：
获取周期时间段中每天的到站充电电动汽车数量比例关系；
根据之前预设天数到站充电的电动汽车数量以及所述周期时间段中每天的到站充电电动汽车数量比例关系，预估当天到站充电的电动汽车总量；
获取电动汽车到站时刻的概率分布函数以及电动汽车每日行驶里程的概率分布函数；
根据所述电动汽车每日行驶里程的概率分布函数，抽样换算后得到各电动汽车到站时剩余荷电状态；
根据所述电动汽车到站时的剩余荷电状态、所述电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，预测充电站每小时的充电负荷数据。
在其中一个实施例中，所述根据所述电动汽车每日行驶里程的概率分布函数，抽样换算后得到各电动汽车到站时剩余荷电状态包括：
获取电动汽车的额定行驶里程数；
根据所述电动汽车每日行驶里程的概率分布函数，抽样得到电动汽车到站时单个充电周期内的已行驶里程数；
根据所述已行驶里程数以及所述额定行驶里程数，得到电动汽车到站时剩余荷电状态。
在其中一个实施例中，所述根据所述电动汽车到站时的剩余荷电状态、所述电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，预测充电站每小时的充电负荷数据包括：
根据所述电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，抽样并统计得到每小时到站充电的电动汽车数量；
根据所述电动汽车到站时的剩余荷电状态以及每小时到站充电的电动汽车数量，预测充电站每小时的荷电数据。
在其中一个实施例中，所述获取电动汽车到站时刻的概率分布函数以及电动汽车每日行驶里程的概率分布函数包括：
获取电动汽车到站时刻样本数据以及电动汽车每日行驶里程样本数据；
构建满足正态分布的电动汽车到站时刻的概率分布函数以及满足对数正态分布的电动汽车每日行驶里程的概率分布函数；
根据所述电动汽车到站时刻样本数据训练所述电动汽车到站时刻的概率分布函数，得到电动汽车到站时刻的概率分布函数；
根据所述电动汽车每日行驶里程样本数据训练所述电动汽车每日行驶里程的概率分布函数，得到电动汽车每日行驶里程的概率分布函数。
在其中一个实施例中，上述充电站负荷预测方法还包括：
获取电动汽车的电池信息和用户设置信息，并根据所述电池信息和用户设置信息，获取各电动汽车允许调度时间，所述电池信息包括电池总容量、剩余容量、充放电功率、充放电效率、电池所允许的最小荷电状态和最大荷电状态，用户设置信息包括计划离开时间和期望荷电状态；
所述预测充电站每小时的充电负荷数据之后，还包括：
获取各电动汽车充电至最大荷电所需时长；
根据所述各电动汽车允许调度时间以及各电动汽车充电至最大荷电所需时长，调整充电站负荷平移策略。
在其中一个实施例中，所述根据所述各电动汽车允许调度时间以及各电动汽车充电至最大荷电所需时长，调整充电站负荷平移策略包括：
当电动汽车允许调度时间大于电动汽车充电至最大荷电所需时长时，确定当前电动汽车支持充电站负荷平移；
当电动汽车允许调度时间小于电动汽车充电至最大荷电所需时长时，确定当前电动汽车不支持充电站负荷平移。
在其中一个实施例中，所述预测充电站每小时的充电负荷数据之后，还包括：
当电网紧急状态需要充电站倒送功率时，获取充电站内各电动汽车的当前荷电状态以及各电动汽车的期望荷电状态；
选取所述当前荷电状态高于所述期望荷电状态的电动汽车作为目标电动汽车；
将所述目标电动汽车的所述当前荷电状态调整至所述期望荷电状态，以在下一小时紧急倒送功率和能量至充电站的上级电网。
一种充电站负荷预测装置，所述装置包括：
第一获取模块，用于获取周期时间段中每天的到站充电电动汽车数量比例关系；
总量预估模块，用于根据之前预设天数到站充电的电动汽车数量以及所述周期时间段中每天的到站充电电动汽车数量比例关系，预估当天到站充电的电动汽车总量；
第二获取模块，用于获取电动汽车到站时刻的概率分布函数以及电动汽车每日行驶里程的概率分布函数；
荷电状态获取模块，用于根据所述电动汽车每日行驶里程的概率分布函数，抽样换算后得到各电动汽车到站时剩余荷电状态；
负荷预测模块，用于根据所述电动汽车到站时的剩余荷电状态、所述电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，预测充电站每小时的充电负荷数据。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
上述充电站负荷预测方法、装置、计算机设备和存储介质，根据历史数据分析出每天的到站充电电动汽车数量比例关系，进而再预估出当天到站充电的电动汽车总量，根据电动汽车到站时刻的概率分布函数，细化预测每个小时到站充电电动汽车数量，根据电动汽车每日行驶里程的概率分布函数，预估每台电动汽车到站的剩余荷电状态，再根据上述两组数据，预测充电站每小时的充电负荷数据。在上述处理过程，基于历史数据采用概率分布函数的方式准确预测出每小时到站充电电动汽车数量以及对应的剩余荷电状态，可以准确预测出充电站每小时的充电负荷数据。
附图说明
图1为一个实施例中充电站负荷预测方法的应用环境图；
图2为一个实施例中充电站负荷预测方法的流程示意图；
图3为另一个实施例中充电站负荷预测方法的流程示意图；
图4为充电站负荷预测系统的结构图；
图5为一个实施例中充电站负荷预测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的充电站负荷预测方法，可以应用于如图1所示的应用环境中，终端102通过网络与充电器104通过网络进行通信。用户通过终端102将充电站运营过程中历史运营数据上传至服务器104，历史运行数据包括但不限于日期、每日到站充电电动汽车的到站时刻与剩余荷电状态、到站充电电动汽车期望荷电状态以及到站充电电动汽车电池信息等。服务器104将终端102上传的数据归集存储至数据库中，在需要对充电站进行负荷预测时，服务器104获取周期时间段中每天的到站充电电动汽车数量比例关系；根据之前预设天数到站充电的电动汽车数量以及周期时间段中每天的到站充电电动汽车数量比例关系，预估当天到站充电的电动汽车总量；获取电动汽车到站时刻的概率分布函数以及电动汽车每日行驶里程的概率分布函数；根据电动汽车每日行驶里程的概率分布函数，抽样换算后得到各电动汽车到站时剩余荷电状态；根据电动汽车到站时的剩余荷电状态、电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，预测充电站每小时的充电负荷数据。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，充电器104可以用独立的充电器或者是多个充电器组成的充电器集群来实现。
如图2所示，本申请提供一种充电站负荷预测方法，其应用于如图1所示的服务器104，其方法包括：
S100：获取周期时间段中每天的到站充电电动汽车数量比例关系。
周期时间段是指一般周期性的日期，例如一周、一个月以及一年等。一般来说，为了确保最终充电站负荷预测准确周期时间段优选的为一周。即获取一周内每天的到站充电电动汽车数量比例关系。例如基于历史记录数据，得到周日至周六每天到站充电的电动汽车数量分别为{200、300、200、200、200、500、200}，则获取到的一周中每天的到站充电电动汽车数量比例为{2：3：2：2：2：5：2}。非必要的，这个历史记录数据可以是相对于周期时间段较长的时间，例如可以选择3个月，3个月记录每天的到站充电电动汽车数量，采取求平均、去噪音数据等方式，最终得到一周内每天的到站充电电动汽车数量比例关系。
S200：根据之前预设天数到站充电的电动汽车数量以及周期时间段中每天的到站充电电动汽车数量比例关系，预估当天到站充电的电动汽车总量。
以当前日期(今天)为基准，获取之前预设天数到站充电的电动汽车数量，根据最近时间的电动汽车的到站充电数据，即可准确预估出当天到站充电的电动汽车总量N。具体来说，可以根据之前预设天数每天的到站充电的电动汽车数量以及周期时间段中每天的到站充电电动汽车数量比例关系，分别预估出当天到站充电的电动汽车总量，再计算分别预估的平均值得到预估当天到站充电的电动汽车总量。假定当天为周三，预设天数为3天，即当天之前3天分别为周日、周一以及周二，其分别到站充电数量为202、306、201，基于之前得到的一周中每天的到站充电电动汽车数量比例为{2：3：2：2：2：5：2}，分别预估当天到站充电数据202、204、201，计算平均值为202.3，取整得到当天到站充电的电动汽车总量为202。
S300：获取电动汽车到站时刻的概率分布函数以及电动汽车每日行驶里程的概率分布函数。
电动汽车到站时刻一般是遵循特定的概率分布函数的，一般来说，电动汽车到站时刻是成正态分布的，可以直接获取满足正态分布的电动汽车到站时刻的概率分布函数，或基于样本数据计算得到电动汽车到站时刻的概率分布函数。具体来说，针对靠近居住区附件的充电站，其满足正态分布的电动汽车到站时刻的概率分布函数表示如下：
Figure BDA0002262183140000061
式中，μs和σs分别为正态分布函数的特征值，其值可以通过历史样本数据计算得到。同样的，电动汽车每日行驶里程近似满足对数正态分布，可以直接获取满足对数正态分布的电动汽车每日行驶里程的概率分布函数，或基于样本数据计算得到电动汽车每日行驶里程的概率分布函数。具体来说，其概率分布函数为：
Figure BDA0002262183140000071
式中，σD和μD根据历史样本数据计算得到。
S400：根据电动汽车每日行驶里程的概率分布函数，抽样换算后得到各电动汽车到站时剩余荷电状态。
对于电动汽车的到站时的荷电状态，可以通过电动汽车的行驶里程计算，其关系式为：
SOC1＝SOC0-L/Lmax
式中，SOC0和SOC1分别为电动汽车完成最近一次充电后的行驶前后的荷电状态，L和Lmax分别为电动汽车的行驶里程和额定行驶里程。家用电动汽车每天的行驶里程近似满足对数正太分布，其概率分布函数如上述公式中fD(l)，累计单个充电周期内电动汽车已使用天数即可得到其对应的充电前行驶里程数，进而可以得到充电前电动汽车的剩余荷电状态。
S500：根据电动汽车到站时的剩余荷电状态、电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，预测充电站每小时的充电负荷数据。
根据电动汽车到站时刻概率分布函数以及当天到站充电的电动汽车总量，即可得到每小时到站充电的电动汽车数量，根据电动汽车到站时的剩余荷电状态可以进一步得到电动汽车充满或充至期望荷电状态所需时长，可以得出正在充电的电动汽车退出充电状态的时间点，从而更新出当前时刻t处于充电状态的电动汽车，预测充电站每小时的充电负荷数据。具体来说，根据电动汽车到站时的剩余荷电状态以及电动汽车电池容量可以得到电动汽车充满或充至期望荷电状态所需时长。非必要的，为确保预测的更加准确，可以需考虑充电效率对充电时间的影响。
在实际应用中，预测各个小时的充电负荷可以用下式计算：
Figure BDA0002262183140000081
式中，第一部分
Figure BDA0002262183140000082
为t时刻到达的电动汽车充电总功率，第二部分
Figure BDA0002262183140000083
为t时刻之前到达但没充满电的电动汽车在t时刻的充电总功率。Pch,i(t)为电动汽车i在t时刻的充电负荷，Ω(t)为t时刻到达的电动汽车集合，Tmax为电动汽车充电所需的最长时间。
上述充电站负荷预测方法，根据历史数据分析出每天的到站充电电动汽车数量比例关系，进而再预估出当天到站充电的电动汽车总量，根据电动汽车到站时刻的概率分布函数，细化预测每个小时到站充电电动汽车数量，根据电动汽车每日行驶里程的概率分布函数，预估每台电动汽车到站的剩余荷电状态，再根据上述两组数据，预测充电站每小时的充电负荷数据。在上述处理过程，基于历史数据采用概率分布函数的方式准确预测出每小时到站充电电动汽车数量以及对应的剩余荷电状态，可以准确预测出充电站每小时的充电负荷数据。
如图2所示，在其中一个实施例中，步骤S400包括：
S420：获取电动汽车的额定行驶里程数。
S440：根据电动汽车每日行驶里程的概率分布函数，抽样得到电动汽车到站时单个充电周期内的已行驶里程数。
S460：根据已行驶里程数以及额定行驶里程数，得到电动汽车到站时剩余荷电状态。
电动汽车的额定行驶里程数即电动汽车最大行驶里程数，其具体是指电动汽车最大荷电状态降低至最小荷电状态可以行驶的里程数，其可以从电动汽车的出厂参数中得到。根据电动汽车每日行驶里程的概率分布函数，抽样得到电动汽车目前在单个充电周期内已行驶里程数，例如根据电动汽车每日行驶里程的概率分布函数，得到某个电动汽车第一天行驶里程为额定行驶里程的15％、第二天行驶里程为额定行驶里程的20％、第三天行驶里程为额定行驶里程的20％则在该充电周期内电动汽车行驶里程数据为额定行驶里程的55％，根据已行驶里程数与额定行驶里程数比值，可以得到理论上电动汽车已使用电量(已使用荷电状态)为55％，将最近一次充电后电动汽车荷电状态减去已使用荷电状态，即可得到电动汽车到站时剩余荷电状态，即若最近一次充电后电动汽车荷电状态为100％，此时剩余荷电状态为45％。
如图2所示，在其中一个实施例中，步骤S500包括：
S520：根据电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，抽样并统计得到每小时到站充电的电动汽车数量。
S540：根据电动汽车到站时的剩余荷电状态以及每小时到站充电的电动汽车数量，预测充电站每小时的荷电数据。
根据电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，即可得到一天24小时中，每小时到站充电的电动汽车数量，其具体只需将每小时对应的概率乘以当天到站充电的电动汽车总量即可得出。根据电动汽车到站时的剩余荷电状态，计算电动汽车充电至最大荷电状态或用户期望荷电状态所需时长，可以得到累计更新得出当前时刻处于充电状态的电动汽车数量，根据数量出所需提供充电功率以及所需能量，预测电站每小时的荷电数据。其具体计算公式为：
Figure BDA0002262183140000091
式中，第一部分
Figure BDA0002262183140000092
为t时刻到达的电动汽车充电总功率，第二部分
Figure BDA0002262183140000093
为t时刻之前到达但没充满电的电动汽车在t时刻的充电总功率。Pch,i(t)为电动汽车i在t时刻的充电负荷，Ω(t)为t时刻到达的电动汽车集合，Tmax为电动汽车充电所需的最长时间。
在其中一个实施例中，获取电动汽车到站时刻的概率分布函数以及电动汽车每日行驶里程的概率分布函数包括：
获取电动汽车到站时刻样本数据以及电动汽车每日行驶里程样本数据；构建满足正态分布的电动汽车到站时刻的概率分布函数以及满足对数正态分布的电动汽车每日行驶里程的概率分布函数；根据电动汽车到站时刻样本数据训练电动汽车到站时刻的概率分布函数，得到电动汽车到站时刻的概率分布函数；根据电动汽车每日行驶里程样本数据训练电动汽车每日行驶里程的概率分布函数，得到电动汽车每日行驶里程的概率分布函数。
一般来说，电动汽车到站时刻的概率分布满足正态分布，针对靠近居住区附件的充电站，其满足正态分布的电动汽车到站时刻的概率分布函数表示如下：
Figure BDA0002262183140000101
式中，μs和σs分别为正态分布函数的特征值，其值可以通过电动汽车到站时刻样本数据计算得到。同样的，电动汽车每日行驶里程近似满足对数正态分布，具体来说，其概率分布函数为：
Figure BDA0002262183140000102
式中，σD和μD根据电动汽车每日行驶里程样本数据。
在其中一个实施例中，上述充电站负荷预测方法还包括：
获取电动汽车的电池信息和用户设置信息，并根据电池信息和用户设置信息，获取各电动汽车允许调度时间，电池信息包括电池总容量、剩余容量、充放电功率、充放电效率、电池所允许的最小荷电状态和最大荷电状态，用户设置信息包括计划离开时间和期望荷电状态；
预测充电站每小时的充电负荷数据之后，还包括：
获取各电动汽车充电至最大荷电所需时长；根据各电动汽车允许调度时间以及各电动汽车充电至最大荷电所需时长，调整充电站负荷平移策略。
电动汽车的电池信息包括电池总容量、剩余容量、充放电功率、充放电效率、电池所允许的最小荷电状态SOCmix和最大荷电状态SOCmax。荷电状态SOC定义为电池的剩余容量与总容量的比值。用户设置信息包括计划离开时间和期望荷电状态SOCex，则可以计算电动汽车允许调度时间tdur为：
tdur＝tep-tstart
式中，tep为用户计划离开时间；tstart为用户到达充电站时间。期望荷电状态表示用户离开时期望电池的荷电状态，该值取值应该小于等于电池所允许的最大荷电状态SOCmax，该值与允许调度时间应该满足下式：
tdur≥(SOCex-SOCstart)EE/μchPch
式中，SOCstart为电动汽车到达充电站时的荷电状态；EE为电动汽车的额定容量；μch为充电效率；Pch为电动汽车的充电功率。
另外，对于电网希望总负荷曲线平稳的情况，即出于削峰填谷的目的，采用电动汽车充电负荷平移的方法实现。在其中一个实施例中，当电动汽车允许调度时间大于电动汽车充电至最大荷电所需时长时，确定当前电动汽车支持充电站负荷平移；当电动汽车允许调度时间小于电动汽车充电至最大荷电所需时长时，确定当前电动汽车不支持充电站负荷平移。进一步来说，根据电动汽车的计划离开时间和到站时间之差，可以计算允许调度时间，根据电动汽车到站的荷电状态、充电功率和效率可以计算电动汽车充到最大荷电状态所需的充电时间。若允许调度时间小于充电时间，则该电动车到离开前一直处于充电状态，不参与负荷平移；若允许调度时间大于充电时间，比如电动汽车充电时间为4小时，允许调度时间为6小时，则如果需要的话可以在6小时以内自由安排任意4个小时进行充电，达到了负荷平移的目的，将上述信息汇总报给上级电网，上级电网根据电网负荷峰谷区间合理下达平移目标。
在其中一个实施例中，预测充电站每小时的充电负荷数据之后，还包括：
当电网紧急状态需要充电站倒送功率时，获取充电站内各电动汽车的当前荷电状态以及各电动汽车的期望荷电状态；选取当前荷电状态高于期望荷电状态的电动汽车作为目标电动汽车；将目标电动汽车的当前荷电状态调整至期望荷电状态，以在下一小时紧急倒送功率和能量至充电站的上级电网。
对于电网紧急状态需要充电站倒送功率的情况，若电动汽车当前荷电状态小于期望荷电状态SOCex，则该电动汽车不充不放，若电动汽车当前荷电状态大于期望荷电状态SOCex，则电动汽车可以向电网倒送功率，直到荷电状态降到期望荷电状态为止。负荷预测装置实时将下一小时的紧急倒送功率Pdischarge(t)和能量值Edischarge提供给上级电网，这两个值可以通过下述公式计算：
Figure BDA0002262183140000111
Figure BDA0002262183140000112
式中，Set(t)为t时刻当前荷电状态大于期望荷电状态的电动汽车集合；Pdch,i(t)为t时刻第i个电动汽车的放电功率；SOCi(t)为第i辆电动汽车在t时刻的实际荷电状态；SOCex,i为第i辆电动汽车期望荷电状态；EEi为第i个电动汽车的电池容量。
更进一步来说，本申请充电站负荷预测方法的其中一个实施例可以通过如图4所示的基于物联网充电站负荷预测系统来实现，充电站负荷预测系统包括负荷预测装置包含统计模块、参数计算模块和负荷预测模块，其中统计模块通过有线或无线方式实现与充电桩的实时通讯，并统计出目前充电站中电动汽车数量、电动汽车电池的总容量、剩余容量、充电功率、计划离开时间、期望荷电状态等数据。参数计算模块根据历史统计模块产生的数据计算电动汽车进站和出站的概率分布函数的特征值。负荷预测模块根据充电站中已有电动汽车和预测即将到达的电动汽车数量进行负荷预测。充电桩与电动汽车之间可以通过一体化充电线通讯，也可以通过无线通讯模块进行通讯。利用物联网技术，充电桩识别电动汽车的型号、电池总容量和剩余容量，并获取电动汽车用户输入或默认设置的计划离开时间、期望荷电状态等数据。负荷预测装置与上级电网管理系统之间采用光纤通讯，主要传输负荷总量、用于正常运行时电网削峰填谷时的可平移负荷量与紧急情况下的可倒送的功率和能量。电动汽车与充电桩、充电桩与充电站母线、充电站母线与上级电网实现了能量流的双向流通、电动汽车与充电桩、充电桩与负荷预测装置、负荷预测装置与上级电网管理系统实现了信息流的双向流通。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
另外，如图5所示，本申请还提供一种充电站负荷预测装置，装置包括：
第一获取模块100，用于获取周期时间段中每天的到站充电电动汽车数量比例关系；
总量预估模块200，用于根据之前预设天数到站充电的电动汽车数量以及周期时间段中每天的到站充电电动汽车数量比例关系，预估当天到站充电的电动汽车总量；
第二获取模块300，用于获取电动汽车到站时刻的概率分布函数以及电动汽车每日行驶里程的概率分布函数；
荷电状态获取模块400，用于根据电动汽车每日行驶里程的概率分布函数，抽样换算后得到各电动汽车到站时剩余荷电状态；
负荷预测模块500，用于根据电动汽车到站时的剩余荷电状态、电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，预测充电站每小时的充电负荷数据。
上述充电站负荷预测装置，根据历史数据分析出每天的到站充电电动汽车数量比例关系，进而再预估出当天到站充电的电动汽车总量，根据电动汽车到站时刻的概率分布函数，细化预测每个小时到站充电电动汽车数量，根据电动汽车每日行驶里程的概率分布函数，预估每台电动汽车到站的剩余荷电状态，再根据上述两组数据，预测充电站每小时的充电负荷数据。在上述处理过程，基于历史数据采用概率分布函数的方式准确预测出每小时到站充电电动汽车数量以及对应的剩余荷电状态，可以准确预测出充电站每小时的充电负荷数据。
在其中一个实施例中，荷电状态获取模块400还用于获取电动汽车的额定行驶里程数；根据电动汽车每日行驶里程的概率分布函数，抽样得到电动汽车到站时单个充电周期内的已行驶里程数；根据已行驶里程数以及额定行驶里程数，得到电动汽车到站时剩余荷电状态。
在其中一个实施例中，负荷预测模块500还用于根据电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，抽样并统计得到每小时到站充电的电动汽车数量；根据电动汽车到站时的剩余荷电状态以及每小时到站充电的电动汽车数量，预测充电站每小时的荷电数据。
在其中一个实施例中，第二获取模块300还用于获取电动汽车到站时刻样本数据以及电动汽车每日行驶里程样本数据；构建满足正态分布的电动汽车到站时刻的概率分布函数以及满足对数正态分布的电动汽车每日行驶里程的概率分布函数；根据电动汽车到站时刻样本数据训练电动汽车到站时刻的概率分布函数，得到电动汽车到站时刻的概率分布函数；根据电动汽车每日行驶里程样本数据训练电动汽车每日行驶里程的概率分布函数，得到电动汽车每日行驶里程的概率分布函数。
在其中一个实施例中，上述充电站负荷预测装置还包括：
信息获取模块，用于获取电动汽车的电池信息和用户设置信息，并根据电池信息和用户设置信息，获取各电动汽车允许调度时间，电池信息包括电池总容量、剩余容量、充放电功率、充放电效率、电池所允许的最小荷电状态和最大荷电状态，用户设置信息包括计划离开时间和期望荷电状态；
负荷平移模块，用于获取各电动汽车充电至最大荷电所需时长；根据各电动汽车允许调度时间以及各电动汽车充电至最大荷电所需时长，调整充电站负荷平移策略。
在其中一个实施例中，负荷平移模块还用于当电动汽车允许调度时间大于电动汽车充电至最大荷电所需时长时，确定当前电动汽车支持充电站负荷平移；当电动汽车允许调度时间小于电动汽车充电至最大荷电所需时长时，确定当前电动汽车不支持充电站负荷平移。
在其中一个实施例中，上述充电站负荷预测装置还包括倒送功率模块，用于当电网紧急状态需要充电站倒送功率时，获取充电站内各电动汽车的当前荷电状态以及各电动汽车的期望荷电状态；选取当前荷电状态高于期望荷电状态的电动汽车作为目标电动汽车；将目标电动汽车的当前荷电状态调整至期望荷电状态，以在下一小时紧急倒送功率和能量至充电站的上级电网。
关于充电站负荷预测装置的具体限定可以参见上文中对于充电站负荷预测方法的限定，在此不再赘述。上述充电站负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是充电器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储充电站历史记录数据以及电动汽车充电样本数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种充电站负荷预测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取周期时间段中每天的到站充电电动汽车数量比例关系；
根据之前预设天数到站充电的电动汽车数量以及周期时间段中每天的到站充电电动汽车数量比例关系，预估当天到站充电的电动汽车总量；
获取电动汽车到站时刻的概率分布函数以及电动汽车每日行驶里程的概率分布函数；
根据电动汽车每日行驶里程的概率分布函数，抽样换算后得到各电动汽车到站时剩余荷电状态；
根据电动汽车到站时的剩余荷电状态、电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，预测充电站每小时的充电负荷数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取电动汽车的额定行驶里程数；根据电动汽车每日行驶里程的概率分布函数，抽样得到电动汽车到站时单个充电周期内的已行驶里程数；根据已行驶里程数以及额定行驶里程数，得到电动汽车到站时剩余荷电状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，抽样并统计得到每小时到站充电的电动汽车数量；根据电动汽车到站时的剩余荷电状态以及每小时到站充电的电动汽车数量，预测充电站每小时的荷电数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取电动汽车到站时刻样本数据以及电动汽车每日行驶里程样本数据；构建满足正态分布的电动汽车到站时刻的概率分布函数以及满足对数正态分布的电动汽车每日行驶里程的概率分布函数；根据电动汽车到站时刻样本数据训练电动汽车到站时刻的概率分布函数，得到电动汽车到站时刻的概率分布函数；根据电动汽车每日行驶里程样本数据训练电动汽车每日行驶里程的概率分布函数，得到电动汽车每日行驶里程的概率分布函数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取电动汽车的电池信息和用户设置信息，并根据电池信息和用户设置信息，获取各电动汽车允许调度时间，电池信息包括电池总容量、剩余容量、充放电功率、充放电效率、电池所允许的最小荷电状态和最大荷电状态，用户设置信息包括计划离开时间和期望荷电状态；获取各电动汽车充电至最大荷电所需时长；根据各电动汽车允许调度时间以及各电动汽车充电至最大荷电所需时长，调整充电站负荷平移策略。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当电动汽车允许调度时间大于电动汽车充电至最大荷电所需时长时，确定当前电动汽车支持充电站负荷平移；当电动汽车允许调度时间小于电动汽车充电至最大荷电所需时长时，确定当前电动汽车不支持充电站负荷平移。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当电网紧急状态需要充电站倒送功率时，获取充电站内各电动汽车的当前荷电状态以及各电动汽车的期望荷电状态；选取当前荷电状态高于期望荷电状态的电动汽车作为目标电动汽车；将目标电动汽车的当前荷电状态调整至期望荷电状态，以在下一小时紧急倒送功率和能量至充电站的上级电网。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取周期时间段中每天的到站充电电动汽车数量比例关系；
根据之前预设天数到站充电的电动汽车数量以及周期时间段中每天的到站充电电动汽车数量比例关系，预估当天到站充电的电动汽车总量；
获取电动汽车到站时刻的概率分布函数以及电动汽车每日行驶里程的概率分布函数；
根据电动汽车每日行驶里程的概率分布函数，抽样换算后得到各电动汽车到站时剩余荷电状态；
根据电动汽车到站时的剩余荷电状态、电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，预测充电站每小时的充电负荷数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取电动汽车的额定行驶里程数；根据电动汽车每日行驶里程的概率分布函数，抽样得到电动汽车到站时单个充电周期内的已行驶里程数；根据已行驶里程数以及额定行驶里程数，得到电动汽车到站时剩余荷电状态。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，抽样并统计得到每小时到站充电的电动汽车数量；根据电动汽车到站时的剩余荷电状态以及每小时到站充电的电动汽车数量，预测充电站每小时的荷电数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取电动汽车到站时刻样本数据以及电动汽车每日行驶里程样本数据；构建满足正态分布的电动汽车到站时刻的概率分布函数以及满足对数正态分布的电动汽车每日行驶里程的概率分布函数；根据电动汽车到站时刻样本数据训练电动汽车到站时刻的概率分布函数，得到电动汽车到站时刻的概率分布函数；根据电动汽车每日行驶里程样本数据训练电动汽车每日行驶里程的概率分布函数，得到电动汽车每日行驶里程的概率分布函数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取电动汽车的电池信息和用户设置信息，并根据电池信息和用户设置信息，获取各电动汽车允许调度时间，电池信息包括电池总容量、剩余容量、充放电功率、充放电效率、电池所允许的最小荷电状态和最大荷电状态，用户设置信息包括计划离开时间和期望荷电状态；获取各电动汽车充电至最大荷电所需时长；根据各电动汽车允许调度时间以及各电动汽车充电至最大荷电所需时长，调整充电站负荷平移策略。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
当电动汽车允许调度时间大于电动汽车充电至最大荷电所需时长时，确定当前电动汽车支持充电站负荷平移；当电动汽车允许调度时间小于电动汽车充电至最大荷电所需时长时，确定当前电动汽车不支持充电站负荷平移。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
当电网紧急状态需要充电站倒送功率时，获取充电站内各电动汽车的当前荷电状态以及各电动汽车的期望荷电状态；选取当前荷电状态高于期望荷电状态的电动汽车作为目标电动汽车；将目标电动汽车的当前荷电状态调整至期望荷电状态，以在下一小时紧急倒送功率和能量至充电站的上级电网。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种充电站负荷预测方法，所述方法包括：
获取周期时间段中每天的到站充电电动汽车数量比例关系；
根据之前预设天数到站充电的电动汽车数量以及所述周期时间段中每天的到站充电电动汽车数量比例关系，预估当天到站充电的电动汽车总量；
获取电动汽车到站时刻的概率分布函数以及电动汽车每日行驶里程的概率分布函数；
根据所述电动汽车每日行驶里程的概率分布函数，抽样换算后得到各电动汽车到站时剩余荷电状态；
根据所述电动汽车到站时的剩余荷电状态、所述电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，预测充电站每小时的充电负荷数据。
2.根据权利要求1所述的方法，其特征在于，所述根据所述电动汽车每日行驶里程的概率分布函数，抽样换算后得到各电动汽车到站时剩余荷电状态包括：
获取电动汽车的额定行驶里程数；
根据所述电动汽车每日行驶里程的概率分布函数，抽样得到电动汽车到站时单个充电周期内的已行驶里程数；
根据所述已行驶里程数以及所述额定行驶里程数，得到电动汽车到站时剩余荷电状态。
3.根据权利要求1所述的方法，其特征在于，所述根据所述电动汽车到站时的剩余荷电状态、所述电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，预测充电站每小时的充电负荷数据包括：
根据所述电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，抽样并统计得到每小时到站充电的电动汽车数量；
根据所述电动汽车到站时的剩余荷电状态以及每小时到站充电的电动汽车数量，预测充电站每小时的荷电数据。
4.根据权利要求1所述的方法，其特征在于，所述获取电动汽车到站时刻的概率分布函数以及电动汽车每日行驶里程的概率分布函数包括：
获取电动汽车到站时刻样本数据以及电动汽车每日行驶里程样本数据；
构建满足正态分布的电动汽车到站时刻的概率分布函数以及满足对数正态分布的电动汽车每日行驶里程的概率分布函数；
根据所述电动汽车到站时刻样本数据训练所述电动汽车到站时刻的概率分布函数，得到电动汽车到站时刻的概率分布函数；
根据所述电动汽车每日行驶里程样本数据训练所述电动汽车每日行驶里程的概率分布函数，得到电动汽车每日行驶里程的概率分布函数。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取电动汽车的电池信息和用户设置信息，并根据所述电池信息和用户设置信息，获取各电动汽车允许调度时间，所述电池信息包括电池总容量、剩余容量、充放电功率、充放电效率、电池所允许的最小荷电状态和最大荷电状态，用户设置信息包括计划离开时间和期望荷电状态；
所述预测充电站每小时的充电负荷数据之后，还包括：
获取各电动汽车充电至最大荷电所需时长；
根据所述各电动汽车允许调度时间以及各电动汽车充电至最大荷电所需时长，调整充电站负荷平移策略。
6.根据权利要求5所述的方法，其特征在于，所述根据所述各电动汽车允许调度时间以及各电动汽车充电至最大荷电所需时长，调整充电站负荷平移策略包括：
当电动汽车允许调度时间大于电动汽车充电至最大荷电所需时长时，确定当前电动汽车支持充电站负荷平移；
当电动汽车允许调度时间小于电动汽车充电至最大荷电所需时长时，确定当前电动汽车不支持充电站负荷平移。
7.根据权利要求5所述的方法，其特征在于，所述预测充电站每小时的充电负荷数据之后，还包括：
当电网紧急状态需要充电站倒送功率时，获取充电站内各电动汽车的当前荷电状态以及各电动汽车的期望荷电状态；
选取所述当前荷电状态高于所述期望荷电状态的电动汽车作为目标电动汽车；
将所述目标电动汽车的所述当前荷电状态调整至所述期望荷电状态，以在下一小时紧急倒送功率和能量至充电站的上级电网。
8.一种充电站负荷预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取周期时间段中每天的到站充电电动汽车数量比例关系；
总量预估模块，用于根据之前预设天数到站充电的电动汽车数量以及所述周期时间段中每天的到站充电电动汽车数量比例关系，预估当天到站充电的电动汽车总量；
第二获取模块，用于获取电动汽车到站时刻的概率分布函数以及电动汽车每日行驶里程的概率分布函数；
荷电状态获取模块，用于根据所述电动汽车每日行驶里程的概率分布函数，抽样换算后得到各电动汽车到站时剩余荷电状态；
负荷预测模块，用于根据所述电动汽车到站时的剩余荷电状态、所述电动汽车到站时刻的概率分布函数以及当天到站充电的电动汽车总量，预测充电站每小时的充电负荷数据。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201911075075.5A 2019-11-06 2019-11-06 充电站负荷预测方法、装置、计算机设备和存储介质 Pending CN110929921A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911075075.5A CN110929921A (zh) 2019-11-06 2019-11-06 充电站负荷预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911075075.5A CN110929921A (zh) 2019-11-06 2019-11-06 充电站负荷预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN110929921A true CN110929921A (zh) 2020-03-27

Family

ID=69852389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911075075.5A Pending CN110929921A (zh) 2019-11-06 2019-11-06 充电站负荷预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110929921A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112968438A (zh) * 2021-02-07 2021-06-15 广东电网有限责任公司广州供电局 充电功率调控方法、装置、计算机设备和存储介质
CN113902183A (zh) * 2021-09-28 2022-01-07 浙江大学 基于bert的非侵入式台区充电桩状态监测与电价调整方法
CN115713326A (zh) * 2023-01-10 2023-02-24 佰聆数据股份有限公司 数据驱动的供电服务渠道能效分析方法及装置
CN116834567A (zh) * 2023-09-04 2023-10-03 北京新源恒远科技发展有限公司 适用于双枪充电桩的充电方法、系统、终端及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014532390A (ja) * 2011-09-29 2014-12-04 エヌイーシー ヨーロッパ リミテッドＮｅｃ Ｅｕｒｏｐｅ Ｌｔｄ． 電気自動車を充電する方法およびシステム
CN105260807A (zh) * 2015-11-30 2016-01-20 江苏省电力公司苏州供电公司 考虑随机特性的电动汽车充电负荷估算方法
CN106127339A (zh) * 2016-06-23 2016-11-16 海南电力技术研究院 基于概率模型的电动汽车充电负荷预测方法和装置
CN108288112A (zh) * 2018-01-30 2018-07-17 广西电网有限责任公司柳州供电局 基于用户出行模拟的区域电动汽车充电站负荷预测方法
CN109409618A (zh) * 2018-12-13 2019-03-01 江苏中科瀚星数据科技有限公司 一种住宅区内电动汽车充电负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014532390A (ja) * 2011-09-29 2014-12-04 エヌイーシー ヨーロッパ リミテッドＮｅｃ Ｅｕｒｏｐｅ Ｌｔｄ． 電気自動車を充電する方法およびシステム
CN105260807A (zh) * 2015-11-30 2016-01-20 江苏省电力公司苏州供电公司 考虑随机特性的电动汽车充电负荷估算方法
CN106127339A (zh) * 2016-06-23 2016-11-16 海南电力技术研究院 基于概率模型的电动汽车充电负荷预测方法和装置
CN108288112A (zh) * 2018-01-30 2018-07-17 广西电网有限责任公司柳州供电局 基于用户出行模拟的区域电动汽车充电站负荷预测方法
CN109409618A (zh) * 2018-12-13 2019-03-01 江苏中科瀚星数据科技有限公司 一种住宅区内电动汽车充电负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田立亭等: "电动汽车充电功率需求的统计学建模方法", 《电网技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112968438A (zh) * 2021-02-07 2021-06-15 广东电网有限责任公司广州供电局 充电功率调控方法、装置、计算机设备和存储介质
CN112968438B (zh) * 2021-02-07 2023-04-18 广东电网有限责任公司广州供电局 充电功率调控方法、装置、计算机设备和存储介质
CN113902183A (zh) * 2021-09-28 2022-01-07 浙江大学 基于bert的非侵入式台区充电桩状态监测与电价调整方法
CN115713326A (zh) * 2023-01-10 2023-02-24 佰聆数据股份有限公司 数据驱动的供电服务渠道能效分析方法及装置
CN115713326B (zh) * 2023-01-10 2023-04-18 佰聆数据股份有限公司 数据驱动的供电服务渠道能效分析方法及装置
CN116834567A (zh) * 2023-09-04 2023-10-03 北京新源恒远科技发展有限公司 适用于双枪充电桩的充电方法、系统、终端及存储介质
CN116834567B (zh) * 2023-09-04 2023-11-17 北京新源恒远科技发展有限公司 适用于双枪充电桩的充电方法、系统、终端及存储介质

Similar Documents

Publication Publication Date Title
CN110929921A (zh) 充电站负荷预测方法、装置、计算机设备和存储介质
US10218201B2 (en) Charge and discharge control apparatus and method
JP5854287B2 (ja) 充電制御装置、充電制御方法、及びプログラム
CN112789193B (zh) 用于预测性地控制机动车辆的电能存储器的充电过程的方法和后端设备
US9895990B2 (en) Method for programming energy flow between a grid and an accumulator of an electric vehicle, and corresponding device for programming
JPWO2018147194A1 (ja) 蓄電池制御装置、充放電制御方法、及びプログラム
CN113232553A (zh) 一种加热电动汽车电池组的方法、装置、设备及可存储介质
WO2019182016A1 (ja) 電力情報管理システム、管理方法、プログラム、電力情報管理サーバ、通信端末、及び、電力システム
CN116757877B (zh) 新能源接入配电网的电网线损降损优化方法及系统
CN111612363B (zh) 基于区块链的电量调度方法、装置、计算机设备和存储介质
CN108923536B (zh) 可调度潜力分析方法、系统、计算机设备及存储介质
CN109615250B (zh) 电动汽车充电处理方法、系统、计算机设备和存储介质
CN110866647A (zh) 用户侧储能控制方法、装置、设备及存储介质
JP2019110698A (ja) デマンドレスポンスシステム
CN115841344A (zh) 打车热点区域引导网约车方法、系统、设备和存储介质
CN112994119B (zh) 供电调度方法、装置、供电系统和存储介质
CN113650515B (zh) 电动汽车充电控制方法、装置、终端设备及存储介质
CN113910963A (zh) 电动车辆有序充电控制方法、装置、系统及存储介质
US20200403419A1 (en) Power management system, power management method, and storage medium
US20210075242A1 (en) Charge and discharge control apparatus and method for an energy storage system
CN117301936B (zh) 电动汽车充电负荷控制方法、装置、电子设备及存储介质
Dyo Behavior-Neutral Smart Charging of Plugin Electric Vehicles: Reinforcement Learning Approach
KR102509750B1 (ko) 철도 시설물의 에너지 제어 시스템 및 방법
CN112968438B (zh) 充电功率调控方法、装置、计算机设备和存储介质
CN117132060A (zh) 发布资源信息的方法和装置

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: 20200327

RJ01 Rejection of invention patent application after publication