CN111626514A - 一种电动汽车充电负荷预测方法及装置 - Google Patents
一种电动汽车充电负荷预测方法及装置 Download PDFInfo
- Publication number
- CN111626514A CN111626514A CN202010475459.2A CN202010475459A CN111626514A CN 111626514 A CN111626514 A CN 111626514A CN 202010475459 A CN202010475459 A CN 202010475459A CN 111626514 A CN111626514 A CN 111626514A
- Authority
- CN
- China
- Prior art keywords
- influence factors
- electric vehicle
- electric automobile
- mileage
- charging
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000004378 air conditioning Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (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)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请公开了一种电动汽车充电负荷预测方法及装置,方法包括:统计电动汽车单位里程耗电量的影响因素,影响因素包括基础属性、用户驾驶习惯和环境温度的影响因素;利用主成分法从影响因素中筛选出电动汽车单位里程耗电量的主要影响因素;将主要影响因素输入至训练好的神经网络模型中,得到对应的电动汽车单位里程耗电量;根据电动汽车日行驶里程以及起始充电时刻的概率分布,利用蒙特卡洛抽样并计算电动汽车充电负荷预测曲线。本申请通过筛选主要影响因素,自动学习主要因素对耗电情况的影响模式,实现电动汽车负荷的精准预测。
Description
技术领域
本申请涉及电动汽车充电技术领域,尤其涉及一种电动汽车充电负荷预测方法及装置。
背景技术
大规模电动汽车接入电网,给配电网的运行带来了巨大的挑战,电动汽车无序充电会进一步增大负荷峰值,电力设备存在过载运行的安全风险,同时需要增加设备容量以满足负荷峰值需求。电动汽车的有序充电管理能够实现负荷削峰填谷、调频服务、可再生能源消纳等效益,是近几年的研究热点。电动汽车的充电负荷预测是实现电动汽车有序充电管理的必要条件,目前大多数电动汽车负荷预测模型将电动汽车单位里程耗电量视为常数,忽视了交通情况、驾驶习惯、环境温度等因素对电动汽车耗电量影响,与实际情况不符,影响充电负荷预测的准确度。
发明内容
本申请提供了一种电动汽车充电负荷预测方法及装置,解决了电动汽车负荷预测模型忽视了交通情况、驾驶习惯、环境温度等因素对电动汽车耗电量影响,造成的充电负荷预测准确度不高的技术问题。
有鉴于此,本申请第一方面提供了一种电动汽车充电负荷预测方法,所述方法包括:
统计电动汽车单位里程耗电量的影响因素,所述影响因素包括基础属性、用户驾驶习惯和环境温度的影响因素;
利用主成分法从所述影响因素中筛选出所述电动汽车单位里程耗电量的主要影响因素;
将所述主要影响因素输入至训练好的神经网络模型中,得到对应的所述电动汽车单位里程耗电量;
根据电动汽车日行驶里程以及起始充电时刻的概率分布,利用蒙特卡洛抽样并计算电动汽车充电负荷预测曲线。
可选的,所述基础属性包括车辆类型、基础单位里程耗电量和空调功率;
所述用户驾驶习惯包括平均速度、最高速度、加速比例、减速比例和匀速比例;
所述环境温度包括平均温度和最高环境温度。
可选的,所述利用主成分法从所述影响因素中筛选出所述电动汽车单位里程耗电量的主要影响因素,包括:
标准化所述影响因素中的样本数据;
计算标准化后所述影响因素之间的相关系数矩阵;
计算关于所述相关系数矩阵的特征方程对应的特征值,由特征值计算每个所述影响因素的贡献率,所述贡献率大于预设阈值的所述影响因素为主要影响因素。
可选的,在所述将所述主要影响因素输入至训练好的神经网络模型中,得到对应的所述电动汽车单位里程耗电量,之前还包括:
构建并训练所述神经网络模型,得到所述电动汽车单位里程耗电量与所述主要影响因素的关系;
可选的,所述根据电动汽车日行驶里程以及起始充电时刻的概率分布,利用蒙特卡洛抽样并计算电动汽车充电负荷预测曲线,包括:
采用蒙特卡洛法抽取单台电动汽车的日行驶里程和起始充电时刻,计算所述单台电动汽车的充电时段和充电功率;
将单台电动汽车的所述充电时段和充电功率进行累加得到电动汽车的所述充电负荷预测曲线。
本申请第二方面提供一种电动汽车充电负荷预测装置,所述装置包括:
统计单元,用于统计电动汽车单位里程耗电量的影响因素,所述影响因素包括基础属性、用户驾驶习惯和环境温度的影响因素;
筛选单元,用于利用主成分法从所述影响因素中筛选出所述电动汽车单位里程耗电量的主要影响因素;
耗电量获取单元,用于将所述主要影响因素输入至训练好的神经网络模型中,得到对应的所述电动汽车单位里程耗电量;
第一预测曲线计算单元,用于根据电动汽车日行驶里程以及起始充电时刻的概率分布,利用蒙特卡洛抽样并计算电动汽车充电负荷预测曲线。
可选的,所述基础属性包括车辆类型、基础单位里程耗电量和空调功率;
所述用户驾驶习惯包括平均速度、最高速度、加速比例、减速比例和匀速比例;
所述环境温度包括平均温度和最高环境温度。
可选的,所述筛选单元包括:
标准化单元,用于标准化所述影响因素中的样本数据;
相关系数矩阵计算单元,用于计算标准化后所述影响因素之间的相关系数矩阵;
贡献率计算单元,用于计算关于所述相关系数矩阵的特征方程对应的特征值,由特征值计算每个所述影响因素的贡献率,所述贡献率大于预设阈值的所述影响因素为主要影响因素。
可选的,还包括:
模型构建及训练单元,用于构建并训练所述神经网络模型,得到所述电动汽车单位里程耗电量与所述主要影响因素的关系。
可选的,第一预测曲线计算单元还包括:
第一计算单元,用于采用蒙特卡洛法抽取单台电动汽车的日行驶里程和起始充电时刻,计算所述单台电动汽车的充电时段和充电功率;
第二预测曲线计算单元,用于将单台电动汽车的所述充电时段和充电功率进行累加得到电动汽车的所述充电负荷预测曲线。
从以上技术方案可以看出,本申请具有以下优点:
本申请实施例中,提供了一种一种电动汽车充电负荷预测方法及装置,方法包括:统计电动汽车单位里程耗电量的影响因素,影响因素包括基础属性、用户驾驶习惯和环境温度的影响因素;利用主成分法从影响因素中筛选出电动汽车单位里程耗电量的主要影响因素;将主要影响因素输入至训练好的神经网络模型中,得到对应的电动汽车单位里程耗电量;根据电动汽车日行驶里程以及起始充电时刻的概率分布,利用蒙特卡洛抽样并计算电动汽车充电负荷预测曲线。本申请通过全面考虑多种因素对电动汽车耗电量的影响,筛选主要影响因素,自动学习主要因素对耗电情况的影响模式,从而实现更加精确的电动汽车充电负荷预测。
附图说明
图1为本申请一种电动汽车充电负荷预测方法的一个实施例的方法流程图;
图2为本申请一种电动汽车充电负荷预测方法的另一个实施例的方法流程图;
图3为本申请一种电动汽车充电负荷预测装置的一个实施例的结构示意图;
图4为本申请中采用的神经网络模型的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1为本申请一种电动汽车充电负荷预测方法的一个实施例的方法流程图,图1中包括:
101、统计电动汽车单位里程耗电量的影响因素,影响因素包括基础属性、用户驾驶习惯和环境温度的影响因素。
需要说明的是,本申请中统计的电动汽车单位里程耗电量的影响因素可以包括多个,例如可以包括电动汽车的基础属性、用户驾驶习惯和环境温度;在一种具体的实施方式中,可以将电动汽车每1km行驶里程划分为1个单位进行影响因素的数据统计。具体的,影响因素中基础属性包括车辆类型、基础单位里程耗电量和空调功率;用户驾驶习惯包括平均速度、最高速度、加速比例、减速比例和匀速比例;环境温度包括平均温度和最高环境温度。以上影响因素仅是示例性说明,实际可以包含其他的影响因素。
102、利用主成分法从影响因素中筛选出电动汽车单位里程耗电量的主要影响因素。
需要说明的是,本申请可以采用主成分法从影响因素中筛选出筛选出电动汽车单位里程耗电量的主要影响因素。具体的,可以标准化影响因素中的样本数据;计算标准化后影响因素之间的相关系数矩阵;计算关于相关系数矩阵的特征方程对应的特征值,由特征值计算每个影响因素的贡献率,贡献率大于预设阈值的影响因素为主要影响因素。
103、将主要影响因素输入至训练好的神经网络模型中,得到对应的电动汽车单位里程耗电量。
需要说明的是,训练好的神经网络模型可以得到主要影响因素与电动汽车单位里程耗电量之间的关系,因此,可以将主要影响因素输入至训练好的神经网络模型中,从而得到主要影响因素对应的电动汽车单位里程耗电量。
104、根据电动汽车日行驶里程以及起始充电时刻的概率分布,利用蒙特卡洛抽样并计算电动汽车充电负荷预测曲线。
需要说明的是,由电动汽车日行驶里程以及起始充电时刻的概率分布可以获取每台电动汽车的日行驶里程和起始充电时刻,再采用蒙特卡洛法抽取单台电动汽车的日行驶里程和起始充电时刻,从而计算单台电动汽车的充电时段和充电功率;再将单台电动汽车的充电时段和充电功率进行累加得到电动汽车的充电负荷预测曲线。
本申请通过全面考虑多种因素对电动汽车耗电量的影响,筛选主要影响因素,自动学习主要因素对耗电情况的影响模式,从而实现更加精确的电动汽车充电负荷预测。
本申请还提供了一种电动汽车充电负荷预测方法的另一个实施例如图2所示,具体包括:
201、统计电动汽车单位里程耗电量的影响因素,影响因素包括基础属性、用户驾驶习惯和环境温度的影响因素。
需要说明的是,可以将电动汽车每1km行驶里程划分为1个单位进行影响因素的数据统计,其中,电动汽车基础属性包括车辆类型、基础单位里程耗电量和空调功率3个影响因素,用户驾驶习惯数据包括平均速度、最高速度、加速比例、减速比例和匀速比例5个影响因素,环境温度方面包括平均温度和最高环境温度2个影响因素,共计10个影响因素。
202、标准化影响因素中的样本数据。
需要说明的是,标准化的具体公式为:
203、计算标准化后影响因素之间的相关系数矩阵。
需要说明的是,计算标准化后影响因素之间的相关系数矩阵具体为:
其中,rij为第i个影响因素和第j个影响因素的相关系数,i,j的取值为1~J。
204、计算关于相关系数矩阵的特征方程对应的特征值,由特征值计算每个影响因素的贡献率,贡献率大于预设阈值的影响因素为主要影响因素。
需要说明的是,关于相关系数矩阵的特征方程为:
|λI-R|=0
计算得到特征方程的特征值,将特征值进行排序λ1≥λ2≥...λp...≥λP≥0,λp为第p个特征值,Q为特征值总数,p的取值范围为1~Q;求出λp对应的单位特征向量ep=[ep1,...,epj,...eiJ]T,epj为单位特征向量第j维的取值。
计算各主成分贡献率及累计贡献率,选取累计贡献率大于90%的前H个主成分:
计算各影响因素在前H个主成分上的载荷,选取载荷大于0.7的影响因素作为电动汽车单位里程耗电量的主要影响因素,记主要影响因素总数为M:
其中,p(zh,xj)为影响因素xj在第h个主成分上的载荷,h的取值范围为1~H。
205、构建并训练神经网络模型,得到电动汽车单位里程耗电量与主要影响因素的关系。
需要说明的是,神经网络模型具体的训练方法步骤如下:
S1:获取的电动汽车的主要影响因素的数据样本;
S2:构建数据样本库,按4:1的比例划分为训练集和测试集;其中,数据样本库的每个数据样本结构为:
其中,yk为数据样本库第k个数据样本,对应第k台电动汽车;mk为第k台电动汽车的车辆类型,乘用车其值为1,其他类型其值为0;ck为第k台电动汽车基础单位里程耗电量;Pk为第k台电动汽车空调额定功率;和分别为第k台电动汽车用户驾驶平均速度;和分别为第k台电动汽车用户驾驶的加速比例、减速比例和匀速比例;Ta和Tm分别为环境平均温度和最高温度。
S3:构建并训练神经网络模型,获得满足精度要求的神经网络模型.
其中,构建的神经网络模型如图4所示,包括输入层、输出层和隐藏层,设置输入节点数等于主要影响因素总数M,输出层节点数为1,设置隐藏层接电数为:
其训练模型的步骤包括:
S31:初始化神经网络模型参数;
S32:利用训练集采用对比散度算法从底层到顶层对各层受限玻尔兹曼机进行预训练,更新权值和偏置;
S33:判断是否满足预训练终止条件,若否则返回S32;
S34:利用训练集采用反向传播算法对完成预训练的神经网络模型进行微调参数,更新权值和偏置;
S35:判断是否满足微调参数终止条件,若否则返回S34;
S36:利用测试集测试神经网络模型,若精度不满足要求,则返回步骤S32进行再次训练。
206、将主要影响因素输入至训练好的神经网络模型中,得到对应的电动汽车单位里程耗电量。
207、采用蒙特卡洛法抽取单台电动汽车的日行驶里程和起始充电时刻,计算单台电动汽车的充电时段和充电功率。
需要说明的是,电动汽车的日行驶里程满足对数正态分布:
其中,s为日行驶里程,μd为lns的期望,σd为lns的标准差。
电动汽车起始充电时刻满足正态分布:
其中,t为电动汽车起始充电时刻,μs为t的期望,σs为t的标准差。
利用蒙特卡洛法抽取单台电动汽车的日行驶里程和起始充电时刻,计算单台电动汽车的充电时段和充电功率。
则,第n台电动汽车的充电电量为:
其中,En、en和sn分别为第n台电动汽车的充电电量、单位里程耗油量和日行驶里程,N为电动汽车总数。
第n台电动汽车的充电时长为:
其中,Tn和Pn分别为第n台电动汽车的充电时长和充电功率。
208、将单台电动汽车的充电时段和充电功率进行累加得到电动汽车的充电负荷预测曲线。
需要说明的是,第n台电动汽车的充电时段[tn,tn+Tn],将每台电动汽车的充电时段和充电功率累加即得到充电负荷曲线。
本申请实施例考虑用户驾驶习惯、环境温度等多种因素对电动汽车耗电情况的影响,利用主成分法筛选主要影响因素,利用神经网络理论学习主要影响因素对耗电量的影响模型,避免人工特征提取繁杂操作,能够提高电动汽车充电负荷预测的准确性。
以上是本申请的方法的实施例,本申请还包括一种电动汽车充电负荷预测装置的一个实施例,如图3所示,包括:
统计单元301,用于统计电动汽车单位里程耗电量的影响因素,影响因素包括基础属性、用户驾驶习惯和环境温度的影响因素。
筛选单元302,用于利用主成分法从影响因素中筛选出电动汽车单位里程耗电量的主要影响因素。
耗电量获取单元303,用于将主要影响因素输入至训练好的神经网络模型中,得到对应的电动汽车单位里程耗电量。
第一预测曲线计算单元304,用于根据电动汽车日行驶里程以及起始充电时刻的概率分布,利用蒙特卡洛抽样并计算电动汽车充电负荷预测曲线。
在一种具体的实施方式中,筛选单元302包括:
标准化单元3021,用于标准化影响因素中的样本数据。
相关系数矩阵计算单元3022,用于计算标准化后影响因素之间的相关系数矩阵。
贡献率计算单元3023,用于计算关于相关系数矩阵的特征方程对应的特征值,由特征值计算每个影响因素的贡献率,贡献率大于预设阈值的影响因素为主要影响因素。
装置还包括:
模型构建及训练单元305,用于构建并训练神经网络模型,得到电动汽车单位里程耗电量与主要影响因素的关系。
第一预测曲线计算单元304还包括:
第一计算单元3041,用于采用蒙特卡洛法抽取单台电动汽车的日行驶里程和起始充电时刻,计算单台电动汽车的充电时段和充电功率。
第二预测曲线计算单元3042,用于将单台电动汽车的充电时段和充电功率进行累加得到电动汽车的充电负荷预测曲线。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种电动汽车充电负荷预测方法,其特征在于,包括:
统计电动汽车单位里程耗电量的影响因素,所述影响因素包括基础属性、用户驾驶习惯和环境温度的影响因素;
利用主成分法从所述影响因素中筛选出所述电动汽车单位里程耗电量的主要影响因素;
将所述主要影响因素输入至训练好的神经网络模型中,得到对应的所述电动汽车单位里程耗电量;
根据电动汽车日行驶里程以及起始充电时刻的概率分布,利用蒙特卡洛抽样并计算电动汽车充电负荷预测曲线。
2.根据权利要求1所述的电动汽车充电负荷预测方法,其特征在于,所述基础属性包括车辆类型、基础单位里程耗电量和空调功率;
所述用户驾驶习惯包括平均速度、最高速度、加速比例、减速比例和匀速比例;
所述环境温度包括平均温度和最高环境温度。
3.根据权利要求1所述的电动汽车充电负荷预测方法,其特征在于,所述利用主成分法从所述影响因素中筛选出所述电动汽车单位里程耗电量的主要影响因素,包括:
标准化所述影响因素中的样本数据;
计算标准化后所述影响因素之间的相关系数矩阵;
计算关于所述相关系数矩阵的特征方程对应的特征值,由特征值计算每个所述影响因素的贡献率,所述贡献率大于预设阈值的所述影响因素为主要影响因素。
4.根据权利要求1所述的电动汽车充电负荷预测方法,其特征在于,在所述将所述主要影响因素输入至训练好的神经网络模型中,得到对应的所述电动汽车单位里程耗电量,之前还包括:
构建并训练所述神经网络模型,得到所述电动汽车单位里程耗电量与所述主要影响因素的关系。
5.根据权利要求1所述的电动汽车充电负荷预测方法,其特征在于,所述根据电动汽车日行驶里程以及起始充电时刻的概率分布,利用蒙特卡洛抽样并计算电动汽车充电负荷预测曲线,包括:
采用蒙特卡洛法抽取单台电动汽车的日行驶里程和起始充电时刻,计算所述单台电动汽车的充电时段和充电功率;
将单台电动汽车的所述充电时段和充电功率进行累加得到电动汽车的所述充电负荷预测曲线。
6.一种电动汽车充电负荷预测装置,其特征在于,包括:
统计单元,用于统计电动汽车单位里程耗电量的影响因素,所述影响因素包括基础属性、用户驾驶习惯和环境温度的影响因素;
筛选单元,用于利用主成分法从所述影响因素中筛选出所述电动汽车单位里程耗电量的主要影响因素;
耗电量获取单元,用于将所述主要影响因素输入至训练好的神经网络模型中,得到对应的所述电动汽车单位里程耗电量;
第一预测曲线计算单元,用于根据电动汽车日行驶里程以及起始充电时刻的概率分布,利用蒙特卡洛抽样并计算电动汽车充电负荷预测曲线。
7.根据权利要求6所述的电动汽车充电负荷预测装置,其特征在于,所述基础属性包括车辆类型、基础单位里程耗电量和空调功率;
所述用户驾驶习惯包括平均速度、最高速度、加速比例、减速比例和匀速比例;
所述环境温度包括平均温度和最高环境温度。
8.根据权利要求6所述的电动汽车充电负荷预测装置,其特征在于,所述筛选单元包括:
标准化单元,用于标准化所述影响因素中的样本数据;
相关系数矩阵计算单元,用于计算标准化后所述影响因素之间的相关系数矩阵;
贡献率计算单元,用于计算关于所述相关系数矩阵的特征方程对应的特征值,由特征值计算每个所述影响因素的贡献率,所述贡献率大于预设阈值的所述影响因素为主要影响因素。
9.根据权利要求6所述的电动汽车充电负荷预测装置,其特征在于,还包括:
模型构建及训练单元,用于构建并训练所述神经网络模型,得到所述电动汽车单位里程耗电量与所述主要影响因素的关系。
10.根据权利要求6所述的电动汽车充电负荷预测装置,其特征在于,第一预测曲线计算单元还包括:
第一计算单元,用于采用蒙特卡洛法抽取单台电动汽车的日行驶里程和起始充电时刻,计算所述单台电动汽车的充电时段和充电功率;
第二预测曲线计算单元,用于将单台电动汽车的所述充电时段和充电功率进行累加得到电动汽车的所述充电负荷预测曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475459.2A CN111626514B (zh) | 2020-05-29 | 2020-05-29 | 一种电动汽车充电负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475459.2A CN111626514B (zh) | 2020-05-29 | 2020-05-29 | 一种电动汽车充电负荷预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626514A true CN111626514A (zh) | 2020-09-04 |
CN111626514B CN111626514B (zh) | 2022-10-18 |
Family
ID=72260777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010475459.2A Active CN111626514B (zh) | 2020-05-29 | 2020-05-29 | 一种电动汽车充电负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626514B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330028A (zh) * | 2020-11-08 | 2021-02-05 | 国网天津市电力公司 | 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法 |
CN113298298A (zh) * | 2021-05-10 | 2021-08-24 | 国核电力规划设计研究院有限公司 | 一种充电桩短期负荷预测方法及其系统 |
CN113627661A (zh) * | 2021-08-02 | 2021-11-09 | 深圳供电局有限公司 | 一种电动汽车充电负荷预测的方法 |
CN114282377A (zh) * | 2021-12-28 | 2022-04-05 | 国网四川省电力公司电力科学研究院 | 一种考虑气象因素的电动汽车短期充电负荷的预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870888A (zh) * | 2014-03-10 | 2014-06-18 | 国家电网公司 | 一种电动汽车负荷预测方法 |
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 |
CN109034498A (zh) * | 2018-08-31 | 2018-12-18 | 国网上海市电力公司 | 考虑用户充电频率和充电功率变化的电动汽车充电负荷预测方法 |
CN109325631A (zh) * | 2018-10-15 | 2019-02-12 | 华中科技大学 | 基于数据挖掘的电动汽车充电负荷预测方法和系统 |
CN110570014A (zh) * | 2019-08-07 | 2019-12-13 | 浙江大学 | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 |
CN110968915A (zh) * | 2019-12-02 | 2020-04-07 | 国网浙江省电力有限公司绍兴供电公司 | 一种电动汽车充电负荷预测方法 |
CN110990781A (zh) * | 2019-11-07 | 2020-04-10 | 深圳供电局有限公司 | 一种电动汽车充电负荷预测方法及其系统、存储介质 |
-
2020
- 2020-05-29 CN CN202010475459.2A patent/CN111626514B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870888A (zh) * | 2014-03-10 | 2014-06-18 | 国家电网公司 | 一种电动汽车负荷预测方法 |
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 |
CN109034498A (zh) * | 2018-08-31 | 2018-12-18 | 国网上海市电力公司 | 考虑用户充电频率和充电功率变化的电动汽车充电负荷预测方法 |
CN109325631A (zh) * | 2018-10-15 | 2019-02-12 | 华中科技大学 | 基于数据挖掘的电动汽车充电负荷预测方法和系统 |
CN110570014A (zh) * | 2019-08-07 | 2019-12-13 | 浙江大学 | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 |
CN110990781A (zh) * | 2019-11-07 | 2020-04-10 | 深圳供电局有限公司 | 一种电动汽车充电负荷预测方法及其系统、存储介质 |
CN110968915A (zh) * | 2019-12-02 | 2020-04-07 | 国网浙江省电力有限公司绍兴供电公司 | 一种电动汽车充电负荷预测方法 |
Non-Patent Citations (5)
Title |
---|
王海玲等: "基于气温影响的电动汽车充电需求预测", 《电测与仪表》 * |
苏粟等: "基于用户驾驶行为特性的电动汽车有序充电策略", 《电力自动化设备》 * |
袁正平等: "电动汽车充电负荷预测方法研究", 《华东电力》 * |
贵州电网有限责任公司组编: "《电动汽车充电管理云平台与智能充电技术》", 31 December 2017 * |
贺鹏等: "电动汽车日充电负荷需求模型比较分析", 《电力学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330028A (zh) * | 2020-11-08 | 2021-02-05 | 国网天津市电力公司 | 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法 |
CN113298298A (zh) * | 2021-05-10 | 2021-08-24 | 国核电力规划设计研究院有限公司 | 一种充电桩短期负荷预测方法及其系统 |
CN113298298B (zh) * | 2021-05-10 | 2023-12-29 | 国核电力规划设计研究院有限公司 | 一种充电桩短期负荷预测方法及其系统 |
CN113627661A (zh) * | 2021-08-02 | 2021-11-09 | 深圳供电局有限公司 | 一种电动汽车充电负荷预测的方法 |
CN114282377A (zh) * | 2021-12-28 | 2022-04-05 | 国网四川省电力公司电力科学研究院 | 一种考虑气象因素的电动汽车短期充电负荷的预测方法 |
CN114282377B (zh) * | 2021-12-28 | 2023-06-06 | 国网四川省电力公司电力科学研究院 | 一种考虑气象因素的电动汽车短期充电负荷的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111626514B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626514B (zh) | 一种电动汽车充电负荷预测方法及装置 | |
CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
CN110009171B (zh) | 用户行为模拟方法、装置、设备及计算机可读存储介质 | |
CN102955902B (zh) | 雷达模拟设备可信度的评估方法及评估系统 | |
CN105491599B (zh) | 预测lte网络性能指标的新型回归系统 | |
CN110163647A (zh) | 一种数据处理方法及装置 | |
CN110568359A (zh) | 一种锂电池剩余寿命预测方法 | |
CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
CN117040028B (zh) | 一种工商业园区光储充微电网的控制策略优化方法及系统 | |
CN110333991B (zh) | 云平台任务最大资源使用率预测方法 | |
CN109634820A (zh) | 一种云端移动端协同的故障预警方法、相关设备及系统 | |
CN106095939B (zh) | 账户权限的获取方法和装置 | |
CN111476435A (zh) | 基于密度峰值的充电桩负荷预测方法 | |
CN110658460A (zh) | 一种电池包的电池寿命预测方法及装置 | |
CN111079937A (zh) | 一种快速建模的方法 | |
CN116703464A (zh) | 电动汽车充电需求建模方法、装置、电子设备及存储介质 | |
CN109934271A (zh) | 充电行为识别方法、装置、终端设备及存储介质 | |
CN115577152A (zh) | 基于数据分析的在线图书借阅管理系统 | |
CN115700717A (zh) | 一种基于电动汽车用电需求的配电分析方法 | |
CN115754726A (zh) | 一种电池寿命预测及维持方法、电子设备和存储介质 | |
CN115829683A (zh) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统 | |
CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
CN114139931A (zh) | 企业数据评估方法、装置、计算机设备及存储介质 | |
CN109697155A (zh) | It系统性能评估方法、装置、设备及可读存储介质 | |
CN117291046A (zh) | 一种基于大数据动力电池bms可靠测试管理方法及系统 |
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 |