CN112785070A - 一种电动汽车停车充电的负荷预测方法及装置 - Google Patents

一种电动汽车停车充电的负荷预测方法及装置 Download PDF

Info

Publication number
CN112785070A
CN112785070A CN202110126254.8A CN202110126254A CN112785070A CN 112785070 A CN112785070 A CN 112785070A CN 202110126254 A CN202110126254 A CN 202110126254A CN 112785070 A CN112785070 A CN 112785070A
Authority
CN
China
Prior art keywords
parking
charging
vehicle
load
electric
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
CN202110126254.8A
Other languages
English (en)
Inventor
王徐延
张昊亮
许洪华
张燕飞
朱正谊
张璨
秦超
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.)
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nanjing Power Supply Co of State Grid Jiangsu 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 Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202110126254.8A priority Critical patent/CN112785070A/zh
Publication of CN112785070A publication Critical patent/CN112785070A/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

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

Abstract

本发明涉及一种电动汽车停车充电的负荷预测方法，其特征在于，所述方法包括以下步骤：步骤1，基于充电桩和电动汽车相关参数，计算预测日各时段中的泊位需求与停车数量的差值，并根据所述差值修改每一车辆的行驶或停车状态；步骤2，基于所述每一车辆的行驶或停车状态，获取每一车辆的停车时长；步骤3，基于电动汽车的电量下降速率更新预测日各时段中充电桩与每一车辆的状态参数，并基于所述状态参数选择相应的车辆进行充电；步骤4，基于对相应的车辆进行充电的操作，获取预测日的负荷曲线。本发明中的方法，能够基于不同的应用场景预测24小时内的电动汽车充电负荷曲线，从而为电网提供有效的参考。

Description

一种电动汽车停车充电的负荷预测方法及装置
技术领域
本发明涉及电力技术领域，更具体地，涉及一种电动汽车停车充电的负荷预测方法及装置。
背景技术
目前，电动汽车(EV，Electric Vehicles)作为近年来汽车领域发展的主流方向，具有节能环保的优势，能够有效缓解传统能源供应紧张和环境污染的问题。当大规模的电动汽车接入电网中时，电动汽车的充电行为将对电网负荷产生重要的影响。因而，对电动汽车充电负荷进行可靠的预测是十分必要的。
现有技术中，对于电动汽车充电负荷的预测通常受到用户出行习惯、道路拥堵情况、出行目的等因素的影响。聚焦于电动汽车出行链，以电动汽车的充电站规划区域作为研究对象，能够有效地解决区域电动汽车负荷需求的预测问题。然而，在现有技术中针对已经建成的停车场充电站，预测负荷和实际负荷的差值较大，预测负荷的准确度较低，并且预测算法中缺少有效的修正反馈。这些问题都使得预测算法的参考价值不高，无法满足电网对电动汽车充电负荷预测的需求。
针对现有技术中存在的问题，亟需一种能够有效预测电动汽车充电负荷的方法及装置。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种电动汽车停车充电的负荷预测方法及装置，能够基于不同的应用场景预测24小时内的电动汽车充电负荷曲线，从而为电网提供有效的参考。
本发明采用如下的技术方案。
一种电动汽车停车充电的负荷预测方法，包括以下步骤：步骤1，基于充电桩和电动汽车相关参数，计算预测日各时段中的泊位需求与停车数量的差值，并根据差值修改每一车辆的行驶或停车状态；步骤2，基于每一车辆的行驶或停车状态，获取每一车辆的停车时长；步骤3，基于电动汽车的电量下降速率更新预测日各时段中充电桩与每一车辆的状态参数，并基于状态参数选择相应的车辆进行充电；步骤4，基于对相应的车辆进行充电的操作，获取预测日的负荷曲线。
优选地，步骤1中还包括：充电桩和电动汽车的相关参数包括充电桩的充电功率、电动汽车的预计充电结束时间、电动汽车的日行驶里程。
优选地，日行驶里程d的概率密度为
Figure BDA0002923608620000021
其中，μD＝3.7，σD＝0.9，d单位为km。
优选地，泊位需求为
Figure BDA0002923608620000022
其中，
Figure BDA0002923608620000023
是停车需求，L为区域内的电动汽车数量。
优选地，停车需求
Figure BDA0002923608620000024
是某一停车场所的停车比例标幺值，基于停车场所在位置确定；并且，当停车场属于居民区停车场时，8至18点之间的停车需求低于0至8点、18至24点之间的停车需求；当停车场属于商业区停车场时，8至18点之间的停车需求高于0至8点、18至24点之间的停车需求。
优选地，若泊位需求与停车数量的差值Ns>0，则抽取行驶状态的车辆进入停车状态；若泊位需求与停车数量的差值Ns<0，则抽取停车状态的车辆进入行驶状态。
优选地，初始化预测日时间t＝0，并开始执行步骤1；检测当前时间t是否大于1440min，若否，则设置t＝t+10min，并重复执行步骤1；若是，则结束预测日的车辆状态修改操作并跳转至步骤2。
优选地，每一车辆的状态参数包括所述车辆的电量下降速率；并且，车辆的电量下降速率为
Figure BDA0002923608620000025
其中，C为电池容量，k为百公里电耗系数，ts为汽车的停车时长，vsoc的单位为h-1。
优选地，基于车辆的电量下降速率计算预测日各时段中每一车辆的当前电量SOC；当车辆的当前电量SOC<60％时，使用空置充电桩为车辆充电。
优选地，基于上层控制器的调度指令改变充电桩的功率边际，并在基于不同的功率边际为车辆充电。
优选地，步骤3中还包括：初始化预测日时间t＝0，并开始执行步骤3；检测当前时间t是否大于1440min，若否，则设置t＝t+10min，并重复执行步骤3，若是，则结束预测日的充电操作并跳转至步骤4。
优选地，步骤4中还包括：基于参与充电的车辆数量和车辆的电池参数获取预测日的负荷曲线。
本发明第二方面涉及一种如本发明第一方面中的一种电动汽车停车充电的负荷预测方法的电动汽车停车充电的负荷预测装置，包括数据采集模块、参数修正模块、调度交互模块和预测计算模块，其特征在于：数据采集模块，与停车场中的充电桩相连接，用于采集充电桩相关参数并发送给参数修正模块和预测计算模块；参数修正模块，用于依据历史负荷数据修正预测算法的参数，并将参数发送给预测计算模块；调度交互模块，用于根据上层控制器的调度指令改变充电桩的功率边际，并在基于不同的功率边际为电动汽车充电；预测计算模块，用于接收参数修正模块和调度交互模块的数据以实现对负荷数据的计算，并基于负荷数据生成预测日的负荷曲线。
本发明的有益效果在于，与现有技术相比，本发明中一种电动汽车停车充电的负荷预测方法及装置，能够基于充电桩核电动汽车的相关参数，选择相应的车辆进行停车和充电操作，并基于充电操作获取预测日的负荷曲线。
本发明的有益效果还包括：
1、本发明能够预测24小时内停车场能够容纳的车辆数量和能够支持的充电数量，通过预测算法实现对V2G(Vehicle-to-grid，车辆到电网)技术的支持。
2、本发明能够针对不同的应用场景，提供不同的预测算法支持，考虑到居民区、商业区中不同的充电需求曲线，引入停车预测和充电预测双循环实现对电动汽车充电负荷的预测。
3、本发明能够通过修正参数对停车模型和充电模型进行优化，从而使得预测算法更加贴合实际情况，更准确地反映出充电站在未来24小时内的负荷趋势，以为充电桩的功率及数量的配置、电网中配电变压器容量的配置和配电网经济调度提供可靠的依据。
附图说明
图1为本发明一种电动汽车停车充电的负荷预测方法及装置中方法流程示意图；
图2为本发明一种电动汽车停车充电的负荷预测方法及装置中电动汽车负荷模拟的流程示意图；
图3为本发明一种电动汽车停车充电的负荷预测方法及装置中不同场景的停车需求曲线示意图；
图4为本发明一种电动汽车停车充电的负荷预测方法及装置中基于预测方法获取的预测日的负荷曲线示意图；
图5为本发明一种电动汽车停车充电的负荷预测方法及装置中装置结构示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
图1为本发明一种电动汽车停车充电的负荷预测方法及装置中方法流程示意图。图2为本发明一种电动汽车停车充电的负荷预测方法及装置中电动汽车负荷模拟的流程示意图。如图1-2所示，本发明第一方面涉及一种电动汽车停车充电的负荷预测方法，方法包括步骤1至步骤4。
步骤1，基于充电桩和电动汽车相关参数，计算预测日各时段中的泊位需求与停车数量的差值，并根据差值修改每一车辆的行驶或停车状态。
优选地，充电桩和电动汽车的相关参数包括充电桩的充电功率、电动汽车的预计充电结束时间、电动汽车的日行驶里程。
其中，日行驶里程反映了电动汽车每日的出行程度，根据日行驶里程、百公里电耗系数和行驶时间，可以得出一天当中电动汽车电量的下降速度。根据美调查数据显示，汽车日行驶里程d通常能够满足对数正态分布，其概率密度函数为：
Figure BDA0002923608620000041
其中，μD＝3.7，σD＝0.9，d单位为km。
优选地，泊位需求为
Figure BDA0002923608620000042
其中，
Figure BDA0002923608620000043
是停车需求，L为区域内的电动汽车数量。停车需求
Figure BDA0002923608620000044
是某一停车场所的停车比例标幺值，基于所述停车场所在位置确定。
通常来说，位于居民区和商业区附近的停车点，其用户的停车需求有着明显的区域特征。在居民区中，电动汽车大多在上午离开，在下午或夜晚返回，其停车高峰为晚上及夜间；而在商场、办公楼等工作场所中，由于这些场所在白天开始营业、上班，因此，电动汽车的停车与充电的高峰大多集中在白天。
图3为本发明一种电动汽车停车充电的负荷预测方法及装置中不同场景的停车需求曲线示意图。如图3所示，在居民区和商业区中24小时内的停车需求曲线是具有差异的。当停车场属于居民区停车场时，8至18点之间的停车需求低于0至8点、18至24点之间的停车需求；当停车场属于商业区停车场时，8至18点之间的停车需求高于0至8点、18至24点之间的停车需求。
由此，可以根据电动汽车在不同场景中的停车需求，改变车辆的状态，抽取车辆进入停车或行驶状态中来。
优选地，若泊位需求与停车数量的差值Ns>0，则抽取行驶状态的车辆进入停车状态；若泊位需求与停车数量的差值Ns<0，则抽取停车状态的车辆进入行驶状态。
值得说明的是，当停车循环开始时，可以初始化所有的车辆都处于停车状态，此时计算泊位需求与停车数量的差值Ns，同时基于该差值进行车辆的抽取。抽取车辆可以采用蒙特·卡罗方法(Monte Carlo method)，使用随机数或伪随机数还获得即将改变状态的车辆。
优选地，可以初始化预测日时间t＝0，并开始执行步骤1；检测当前时间t是否大于1440min(分钟)，若否，则设置t＝t+10min，并重复执行步骤1；若是，则结束预测日的车辆状态修改操作并跳转至步骤2。
步骤2，基于每一车辆的行驶或停车状态，获取每一车辆的停车时长。
通常，在经过1440min的循环后，可获得每台车辆的停车时长，从而计算出车辆中电量的下降速率。
步骤3，基于电动汽车的电量下降速率更新预测日各时段中充电桩与每一车辆的状态参数，并基于状态参数选择相应的车辆进行充电。
优选地，每一车辆的状态参数包括车辆的电量下降速率；并且，车辆的电量下降速率为
Figure BDA0002923608620000051
其中，C为电池容量，k为百公里电耗系数，ts为汽车的停车时长，vsoc的单位为h-1。
优选地，基于车辆的电量下降速率计算预测日各时段中每一车辆的当前电量SOC；当车辆的当前电量SOC<60％时，使用空置充电桩为车辆充电。
具体的，还可以基于上层控制器的调度指令改变充电桩的功率边际，并在基于不同的功率边际为车辆充电。
优选地，步骤3中还包括：初始化预测日时间t＝0，并开始执行步骤3；检测当前时间t是否大于1440min，若否，则设置t＝t+10min，并重复执行步骤3，若是，则结束预测日的充电操作并跳转至步骤4。本发明中的流程包括停车模拟和充电模拟两个循环。在充电模拟循环中，可以将时间复位，并根据当前时刻充电桩空闲情况与电动汽车的SOC状态，安排充电行为，同时计算当前时刻的充电负荷功率后，进入t+10min的下一时刻，最后输出24小时负荷曲线。
步骤4，基于对相应的车辆进行充电的操作，获取预测日的负荷曲线。
优选地，可以基于参与充电的车辆数量和所述车辆的电池参数获取预测日的负荷曲线。
值得说明的是，当获取到的预测日的负荷曲线与电网实际生成的负荷曲线有一定差异时，还可以依据历史负荷数据对预测算法中的参数进行修正，以优化预测算法，同时生成更为准确的预测负荷曲线。
经过本发明中的预测算法可以预测并输出预测日24小时内的充电负荷曲线。基于该负荷曲线，电网可以根据预测提供合适的用于充电站的配电变压器的容量，配电网的经济调度，以及建设合适规模的停车场与充电站，配置合适数量的充电桩和提供适当的充电桩功率边际。
本发明一实施例中可以对一个真实停车场的负荷曲线进行统计。在本发明实施例中，停车场中具有直流充电桩6台，其充电功率为60kW。在该停车场附近商业区和办公区内有大约60辆电动汽车，居民区内有大约100量电动汽车，且上述这些电动汽车的电池容量C为40kW·h，百公里电耗均为20kWh。可以从早上2：00开始进行算法预测，此时t＝0。并且，在此时所有电动汽车的电池初始电量满足正态分布N(0.8，0.1)。
图4为本发明一种电动汽车停车充电的负荷预测方法及装置中基于预测方法获取的预测日的负荷曲线示意图。如图4所示，充电负荷高峰有两处，分别处于正午时段和傍晚时段。正午高峰期参与充电的汽车多为商业区汽车，傍晚高峰期多为居民区汽车。
根据本发明获取的负荷曲线，停车场充电站可提供360kW的总充电容量，在覆盖共计约160辆电动汽车的情况下，在傍晚时期会出现最大负荷情况，即6台快充桩全部投入充电；次高峰约有4～5台快充桩同时充电，其他时段快充桩投入数量均小于3台即可。
本发明第二方面涉及一种如本发明第一方面中所述的一种电动汽车停车充电的负荷预测方法的电动汽车停车充电的负荷预测装置，包括数据采集模块、参数修正模块、调度交互模块和预测计算模块。
数据采集模块，与停车场中的充电桩相连接，用于采集充电桩相关参数并发送给参数修正模块和预测计算模块；参数修正模块，用于依据历史负荷数据修正预测算法的参数，并将参数发送给预测计算模块；调度交互模块，用于根据上层控制器的调度指令改变充电桩的功率边际，并在基于不同的功率边际为电动汽车充电；预测计算模块，用于接收参数修正模块和调度交互模块的数据以实现对负荷数据的计算，并基于负荷数据生成预测日的负荷曲线。
图5为本发明一种电动汽车停车充电的负荷预测方法及装置中装置结构示意图。如图5所示，各模块间信息流为数据采集模块从充电桩采集数据，传输给参数修正模块和预测计算模块；参数修正模块将数据传输给预测计算模块；调度交互模块从上层控制器获取调度指令，传输给预测计算模块。
本发明的有益效果在于，与现有技术相比，本发明中一种电动汽车停车充电的负荷预测方法及装置，能够基于充电桩核电动汽车的相关参数，选择相应的车辆进行停车和充电操作，并基于充电操作获取预测日的负荷曲线。
本发明的有益效果还包括：
1、本发明能够预测24小时内停车场能够容纳的车辆数量和能够支持的充电数量，通过预测算法实现对V2G(Vehicle-to-grid，车辆到电网)技术的支持。
2、本发明能够针对不同的应用场景，提供不同的预测算法支持，考虑到居民区、商业区中不同的充电需求曲线，引入停车预测和充电预测双循环实现对电动汽车充电负荷的预测。
3、本发明能够通过修正参数对停车模型和充电模型进行优化，从而使得预测算法更加贴合实际情况，更准确地反映出充电站在未来24小时内的负荷趋势，以为充电桩的功率及数量的配置、电网中配电变压器容量的配置和配电网经济调度提供可靠的依据。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (13)

1.一种电动汽车停车充电的负荷预测方法，其特征在于，所述方法包括以下步骤：
步骤1，基于充电桩和电动汽车相关参数，计算预测日各时段中的泊位需求与停车数量的差值，并根据所述差值修改每一车辆的行驶或停车状态；
步骤2，基于所述每一车辆的行驶或停车状态，获取每一车辆的停车时长；
步骤3，基于电动汽车的电量下降速率更新预测日各时段中充电桩与每一车辆的状态参数，并基于所述状态参数选择相应的车辆进行充电；
步骤4，基于对相应的车辆进行充电的操作，获取预测日的负荷曲线。
2.根据权利要求1中所述的一种电动汽车停车充电的负荷预测方法，其特征在于，所述步骤1中还包括：
所述充电桩和电动汽车的相关参数包括充电桩的充电功率、电动汽车的预计充电结束时间、电动汽车的日行驶里程。
3.根据权利要求2中所述的一种电动汽车停车充电的负荷预测方法，其特征在于，所述步骤1中还包括：
所述日行驶里程d的概率密度为
Figure FDA0002923608610000011
其中，μD＝3.7，σD＝0.9，d单位为km。
4.根据权利要求3中所述的一种电动汽车停车充电的负荷预测方法，其特征在于，所述步骤1中还包括：
所述泊位需求为
Figure FDA0002923608610000012
其中，
Figure FDA0002923608610000013
是停车需求，L为区域内的电动汽车数量。
5.根据权利要求4中所述的一种电动汽车停车充电的负荷预测方法，其特征在于，所述步骤1中还包括：
所述停车需求
Figure FDA0002923608610000014
是某一停车场所的停车比例标幺值，基于所述停车场所在位置确定；并且，
当所述停车场属于居民区停车场时，8至18点之间的停车需求低于0至8点、18至24点之间的停车需求；
当所述停车场属于商业区停车场时，8至18点之间的停车需求高于0至8点、18至24点之间的停车需求。
6.根据权利要求5中所述的一种电动汽车停车充电的负荷预测方法，其特征在于，所述步骤1中还包括：
若泊位需求与停车数量的差值Ns>0，则抽取行驶状态的车辆进入停车状态；
若泊位需求与停车数量的差值Ns<0，则抽取停车状态的车辆进入行驶状态。
7.根据权利要求1中所述的一种电动汽车停车充电的负荷预测方法，其特征在于，所述步骤1中还包括：
初始化预测日时间t＝0，并开始执行步骤1；
检测当前时间t是否大于1440min，若否，则设置t＝t+10min，并重复执行步骤1；
若是，则结束预测日的车辆状态修改操作并跳转至步骤2。
8.根据权利要求1中所述的一种电动汽车停车充电的负荷预测方法，其特征在于，所述步骤3中还包括：
所述每一车辆的状态参数包括所述车辆的电量下降速率；并且，
所述车辆的电量下降速率为
Figure FDA0002923608610000021
其中，C为电池容量，k为百公里电耗系数，ts为汽车的停车时长，vsoc的单位为h-1。
9.根据权利要求8中所述的一种电动汽车停车充电的负荷预测方法，其特征在于，所述步骤3中还包括：
基于所述车辆的电量下降速率计算预测日各时段中每一车辆的当前电量SOC；
当所述车辆的当前电量SOC<60％时，使用空置充电桩为所述车辆充电。
10.根据权利要求9中所述的一种电动汽车停车充电的负荷预测方法，其特征在于，所述步骤3中还包括：
基于上层控制器的调度指令改变充电桩的功率边际，并在基于不同的功率边际为所述车辆充电。
11.根据权利要求1中所述的一种电动汽车停车充电的负荷预测方法，其特征在于，所述步骤3中还包括：
初始化预测日时间t＝0，并开始执行步骤3；
检测当前时间t是否大于1440min，若否，则设置t＝t+10min，并重复执行步骤3，
若是，则结束预测日的充电操作并跳转至步骤4。
12.根据权利要求11中所述的一种电动汽车停车充电的负荷预测方法，其特征在于，所述步骤4中还包括：
基于参与充电的车辆数量和所述车辆的电池参数获取预测日的负荷曲线。
13.一种如权利要求1-12中任意一项中所述的一种电动汽车停车充电的负荷预测方法的电动汽车停车充电的负荷预测装置，包括数据采集模块、参数修正模块、调度交互模块和预测计算模块，其特征在于：
所述数据采集模块，与所述停车场中的充电桩相连接，用于采集充电桩相关参数并发送给参数修正模块和预测计算模块；
所述参数修正模块，用于依据历史负荷数据修正预测算法的参数，并将所述参数发送给预测计算模块；
所述调度交互模块，用于根据上层控制器的调度指令改变充电桩的功率边际，并在基于不同的功率边际为所述电动汽车充电；
所述预测计算模块，用于接收所述参数修正模块和调度交互模块的数据以实现对负荷数据的计算，并基于所述负荷数据生成预测日的负荷曲线。
CN202110126254.8A 2021-01-29 2021-01-29 一种电动汽车停车充电的负荷预测方法及装置 Pending CN112785070A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110126254.8A CN112785070A (zh) 2021-01-29 2021-01-29 一种电动汽车停车充电的负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110126254.8A CN112785070A (zh) 2021-01-29 2021-01-29 一种电动汽车停车充电的负荷预测方法及装置

Publications (1)

Publication Number Publication Date
CN112785070A true CN112785070A (zh) 2021-05-11

Family

ID=75759797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110126254.8A Pending CN112785070A (zh) 2021-01-29 2021-01-29 一种电动汽车停车充电的负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN112785070A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116118532A (zh) * 2022-11-15 2023-05-16 北京交通大学 一种基于交通出行链的充电桩网络布设与功率协同方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180005338A1 (en) * 2016-06-30 2018-01-04 Hitachi, Ltd. Automatic Parking Management System and Automatic Parking Management Method
CN108062591A (zh) * 2016-11-05 2018-05-22 南京理工大学 电动汽车充电负荷时空分布预测方法
CN109934403A (zh) * 2019-03-12 2019-06-25 浙江大学 基于数学模型的电动汽车居民区域充电负荷分析预测方法
CN111452669A (zh) * 2020-04-15 2020-07-28 欧阳凌云 公交智能充电的系统和方法及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180005338A1 (en) * 2016-06-30 2018-01-04 Hitachi, Ltd. Automatic Parking Management System and Automatic Parking Management Method
CN108062591A (zh) * 2016-11-05 2018-05-22 南京理工大学 电动汽车充电负荷时空分布预测方法
CN109934403A (zh) * 2019-03-12 2019-06-25 浙江大学 基于数学模型的电动汽车居民区域充电负荷分析预测方法
CN111452669A (zh) * 2020-04-15 2020-07-28 欧阳凌云 公交智能充电的系统和方法及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116118532A (zh) * 2022-11-15 2023-05-16 北京交通大学 一种基于交通出行链的充电桩网络布设与功率协同方法
CN116118532B (zh) * 2022-11-15 2024-03-08 北京交通大学 一种基于交通出行链的充电桩网络布设与功率协同方法

Similar Documents

Publication Publication Date Title
CN107169273B (zh) 计及延时和v2g充电模式的电动汽车充电功率预测方法
CN103915869B (zh) 一种基于移动设备的电动汽车智能充电系统及方法
CN103241130B (zh) 一种电动公交车充换电站的能量管理方法及系统
Erol-Kantarci et al. Prediction-based charging of PHEVs from the smart grid with dynamic pricing
CN103793758B (zh) 含光伏发电系统的电动汽车充电站的多目标优化调度方法
Grahn et al. PHEV utilization model considering type-of-trip and recharging flexibility
CN105322559A (zh) 一种基于v2g技术的电动汽车配电调度控制方法
CN103269107B (zh) 一种电动汽车充换电站充换电控制方法
CN108596667B (zh) 一种基于车联网的电动汽车实时充电电价计算方法
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN109948823B (zh) 一种光储充电塔自适应鲁棒日前优化调度方法
CN109849723B (zh) 一种基于充电站功率裕度的电动汽车有序充电控制方法
CN111310966A (zh) 含电动汽车充电站的微电网选址及优化配置方法
CN110232219B (zh) 一种基于数据挖掘的电动汽车可调度容量核定方法
CN113067370B (zh) V2g充电站的充电控制方法、装置、服务器及存储介质
Guner et al. Impact of car arrival/departure patterns on EV parking lot energy storage capacity
Gong et al. Load modeling method for EV charging stations based on trip chain
CN113962613A (zh) 一种新能源汽车自动充电桩数量匹配方法及系统
CN104755313A (zh) 电池集的充电
CN115239032A (zh) 计及能源自洽率的高速公路服务区微电网规划方法及系统
CN112785070A (zh) 一种电动汽车停车充电的负荷预测方法及装置
CN109359784A (zh) 计及运营商的电动汽车负荷时间预测方法和系统
Hai-Ying et al. Optimal control strategy of vehicle-to-grid for modifying the load curve based on discrete particle swarm algorithm
Hill et al. Deviations in Markov chain modeled electric vehicle charging patterns from real world data
Wang et al. Optimal aggregated charging analysis for PEVs based on driving pattern model

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: 20210511