CN113077122A - 一种基于电动汽车的时空分布充电负荷评估方法 - Google Patents

一种基于电动汽车的时空分布充电负荷评估方法 Download PDF

Info

Publication number
CN113077122A
CN113077122A CN202110268011.8A CN202110268011A CN113077122A CN 113077122 A CN113077122 A CN 113077122A CN 202110268011 A CN202110268011 A CN 202110268011A CN 113077122 A CN113077122 A CN 113077122A
Authority
CN
China
Prior art keywords
charging
matrix
charging load
load
time
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
CN202110268011.8A
Other languages
English (en)
Inventor
李东东
张凯
姚寅
赵耀
董楠
赵阳
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.)
Shanghai University of Electric Power
Shanghai Electric Power University
University of Shanghai for Science and Technology
Original Assignee
Shanghai Electric Power University
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 Shanghai Electric Power University filed Critical Shanghai Electric Power University
Priority to CN202110268011.8A priority Critical patent/CN113077122A/zh
Publication of CN113077122A publication Critical patent/CN113077122A/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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种基于电动汽车的时空分布充电负荷评估方法，具体包括以下步骤：S1、采集每个充电站的电动汽车充电负荷数据，生成多条充电负荷曲线；S2、提取充电负荷曲线的形态特征；S3、获取充电负荷曲线之间的欧氏距离，根据充电负荷曲线的形态特征和欧氏距离采用谱聚类算法进行聚类，得到充电负荷空间分布数据；S4、通过Markov算法计算得到充电负荷时间变化数据，结合充电负荷空间分布数据和充电负荷时间变化数据计算得到电动汽车分区分时的充电负荷特性。与现有技术相比，本发明具有从空间和时间两个维度分析充电负荷的特性，提高了电动汽车分区分时的充电负荷特性的准确性，为分区分时充电负荷参与需求响应评估提供决策依据等优点。

Description

一种基于电动汽车的时空分布充电负荷评估方法
技术领域
本发明涉及电力系统需求侧的负荷管理、分析与应用领域，尤其是涉及一种基于电动汽车的时空分布充电负荷评估方法。
背景技术
电动汽车作为清洁、高效的交通工具，在汽车市场的占有量逐年升高。电动汽车的充电行为在时空分布上随机性较强，充电站测量装置将产生海量的充电数据。规模化电动汽车的充电负荷呈现出的特性将对电力系统的运行产生重要影响，充分挖掘这些数据的信息对研究电动汽车充电负荷时空特征、充电负荷变化趋势等方面有重要的实际意义。其模式和需求特性为电网管理侧提供决策依据，从而提高售电商、电动汽车负荷聚合商的业务质量，推动电力消费智能化变革，也有助于引导用户绿色用电。
电动汽车用电行为包括电动汽车时空用电规律，需通过深入挖掘才能得到。数据挖掘算法中针对电力系统用电负荷的聚类算法可以有效地识别电力用户的用电模式，有助于电力公司了解不同用户的用电行为；此外，Markov过程是一个随机过程，其可以用条件概率来描述，把前一时刻某取值下当前时刻取值的条件概率称作转移概率。
挖掘电动汽车充电负荷的时空特征为电力系统的受端负荷预测及参与需求响应提供必要的技术手段，如何从空间和时间两个角度对数据进行处理，从而有效提取充电负荷时空特性，对充电负荷参与需求响应起到至关重要的作用。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于电动汽车的时空分布充电负荷评估方法，从空间和时间两个维度对时空分布的电动汽车充电负荷进行需求响应分析，提高了电动汽车分区分时的充电负荷特性的准确性。
本发明的目的可以通过以下技术方案来实现：
一种基于电动汽车的时空分布充电负荷评估方法，具体包括以下步骤：
S1、采集每个充电站的电动汽车充电负荷数据，生成多条充电负荷曲线；
S2、提取充电站的充电负荷曲线的形态特征；
S3、获取充电站的充电负荷曲线之间的欧氏距离，根据充电负荷曲线的形态特征和欧氏距离采用谱聚类算法进行聚类，得到充电负荷空间分布数据；
S4、根据所述充电负荷曲线，通过Markov算法计算得到充电负荷时间变化数据，结合充电负荷空间分布数据和充电负荷时间变化数据计算得到电动汽车分区分时的充电负荷特性。
所述步骤S1中还包括对充电负荷数据中缺失数据采用样条插值进行补齐。
所述步骤S2中还包括对充电负荷曲线进行分段聚合近似处理，得到充电负荷优化曲线，从而适应数据精度的要求。
所述形态特征包括形态类属值和差异测量度，通过形态类属值准确描述曲线上升、平稳和下降的状态。
进一步地，所述形态类属值包括充电负荷曲线的曲线状态的分位点数及相应的概率值，所述形态类属值中正数表示曲线上升，负数表示曲线下降，0表示曲线平稳，所述差异测量度的计算公式如下所示：
Figure BDA0002973033420000021
Figure BDA0002973033420000022
其中，bi,j为差异测量度，Yi和Yj为第i个和第j个充电站的充电负荷曲线的形态特征向量，yit和yjt为第i个和第j个充电站在t时刻的形态类属值，T为总的测量区间的时间长度。负荷曲线在时间刻度相近位置具有相似的上升、下降或平稳特征，b(Yi,Yj)的值就会较小，说明曲线在形态上比较相似。
所述欧氏距离的计算公式具体如下所示：
Figure BDA0002973033420000023
其中，ai,j为第i个和第j个充电站的负荷曲线之间的欧氏距离，Xi和Xj为第i个和第j个充电站的负荷曲线，xi,t和xj,t为第i个和第j个充电站在t时刻的负荷值。
所述步骤S3中还包括根据形态特征和欧氏距离生成相应的相似度矩阵，进行归一化处理后结合，生成双尺度相似性度量矩阵，具体公式如下所示：
S＝αA+βB
α+β＝1
其中，S为双尺度相似性度量矩阵，A为欧氏距离的相似度矩阵，B为形态特征的相似度矩阵，α和β为相似度矩阵的权重系数。
所述步骤S3中谱聚类算法进行聚类的过程具体如下所示：
S301、获取双尺度相似性度量矩阵对应的高斯核函数矩阵，计算高斯核函数中每一列元素的元素和放到相应矩阵的对角线上，得到度矩阵；
S302、根据高斯核函数矩阵和度矩阵，通过相似性变换得到拉普拉斯矩阵；
S303、求出拉普拉斯矩阵中最小的特征值和对应的特征向量，将特征向量进行K-means聚类，得到相应维数的列向量，即分类标记结果，作为充电负荷空间分布数据。
进一步地，所述高斯核函数矩阵的计算公式如下所示：
Figure BDA0002973033420000031
其中，G为高斯核函数矩阵，σ为核函数尺度参数，S(i,j)为双尺度相似性度量矩阵元素；
所述K-means聚类中迭代阈值根据皮尔逊相关系数的值域等级进行计算，皮尔逊相关系数的计算公式具体如下所示：
Figure BDA0002973033420000032
Figure BDA0002973033420000033
Figure BDA0002973033420000034
其中，r(Xi,Xj)为第i个和第j个充电站的负荷曲线之间的皮尔逊相关系数，Xi和Xj为第i个和第j个充电站的负荷曲线，xi,t和xj,t为第i个和第j个充电站在t时刻的负荷值，
Figure BDA0002973033420000041
和
Figure BDA0002973033420000042
为第i个和第j个充电站的负荷曲线的样本均值；通过设置最小簇类的皮尔逊相关系数阈值，在迭代过程中得到最小簇类皮尔逊相关系数，从而计算得到最佳簇类数目作为迭代阈值。
进一步地，所述步骤S302中相似性变换的公式具体如下：
L＝I-D-1/2GD-1/2
其中，L为拉普拉斯矩阵，I为单位矩阵，D为度矩阵。
所述步骤S4中Markov算法的具体过程如下所示：
S401、将充电负荷优化曲线的负荷幅度范围划分出多个时间区间；
S402、计算相邻时间区间之间的状态转移数量矩阵和状态转移概率矩阵；
S403、根据状态转移数量矩阵和状态转移概率矩阵，生成Markov链作为充电负荷时间变化数据；
所述状态转移数量矩阵的计算公式如下所示：
Figure BDA0002973033420000043
其中，Ft为状态转移数量矩阵，
Figure BDA0002973033420000044
为状态转移数量矩阵的元素，表示时段t到时段t+1充电站从状态i转移到状态j的数量；
所述状态转移概率矩阵的计算公式如下所示：
Figure BDA0002973033420000045
其中，Pt为状态转移概率矩阵，
Figure BDA0002973033420000046
为状态转移概率矩阵的元素，具体计算公式如下所示：
Figure BDA0002973033420000047
其中，
Figure BDA0002973033420000048
表示时段t到时段t+1单个充电站从状态i转移到状态j的概率。
所述时间区间的公式具体如下：
αi＝wq
其中，αi为第i个时间区间，wq为相应的区间范围值，具体为[sq,sq+1]，满足sq＜xi,t＜sq+1。
与现有技术相比，本发明具有以下有益效果：
1.本发明采用一阶微分提取曲线形态特征可以反映数据点之间上升、下降和平稳的态势，同时在聚类过程中，引入最大差异度阈值实现负荷模式的可控精细化识别，通过皮尔逊相关系数的值域等级设置迭代阈值来确定最优分类数，提高了充电负荷空间分布数据的准确性。
2.本发明针对时间维度充电负荷变化趋势，运用Markov算法充分考虑充电负荷在各状态之间进行转换的情况，提高了充电负荷时间分布数据的准确性。
3.本发明通过获取精准度较高的电动汽车分区分时的充电负荷特性、变化趋势，为区域和全局可响应充电负荷参与需求响应提供决策依据；同时实现需求响应建模、需求侧资源协同优化的综合服务，提升用电侧和电网侧的综合效益。
附图说明
图1为本发明的流程示意图；
图2为本发明空间聚类确定最优分类数的流程示意图；
图3为本发明实施例中空间聚类的充电负荷簇类中心图；
图4为本发明实施例中充电负荷实时曲线的示意图；
图5为本发明实施例中真实充电负荷水平及其概率分布函数(PDF)的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图1所示，一种基于电动汽车的时空分布充电负荷评估方法，具体包括以下步骤：
S1、采集每个充电站的电动汽车充电负荷数据，生成多条充电负荷曲线；
S2、提取充电站的充电负荷曲线的形态特征；
S3、获取充电站的充电负荷曲线之间的欧氏距离，根据充电负荷曲线的形态特征和欧氏距离采用谱聚类算法进行聚类，得到充电负荷空间分布数据；
S4、根据充电负荷曲线，通过Markov算法计算得到充电负荷时间变化数据，结合充电负荷空间分布数据和充电负荷时间变化数据计算得到电动汽车分区分时的充电负荷特性。
步骤S1中还包括对充电负荷数据中缺失数据采用样条插值进行补齐。
步骤S2中还包括对充电负荷曲线进行分段聚合近似处理，得到充电负荷优化曲线，从而适应数据精度的要求，分段聚合近似处理的公式具体如下所示：
Figure BDA0002973033420000061
其中，Zi＝[zi,1,zi,2,···,zi,T1]为第i个充电站的充电负荷数据，数据长度为T1维，Xi＝[xi,1,xi,2,···,xi,T]为第i个充电站对应的长度为T维的数据序列。
形态特征包括形态类属值和差异测量度，通过形态类属值准确描述曲线上升、平稳和下降的状态。
形态类属值包括充电负荷曲线的曲线状态的分位点数及相应的概率值，形态类属值中正数表示曲线上升，负数表示曲线下降，0表示曲线平稳，本实施例中，提取曲线状态的分位点数为3，对应的概率值分别为0.1、0.5和0.9。形态类属值对应的类属性矩阵Y＝[yij]元素包括3、2、1、0、-1、-2和-3，具体表述如下式所示：
Figure BDA0002973033420000062
其中，max(Xdiffi)和min(Xdiffi)为第i个负荷一阶微分的最大值和最小值，xdiffij为第i个负荷的第j个一阶微分值。
差异测量度的计算公式如下所示：
Figure BDA0002973033420000071
Figure BDA0002973033420000072
其中，bi,j为差异测量度，Yi和Yj为第i个和第j个充电站的充电负荷曲线的形态特征向量，yit和yjt为第i个和第j个充电站在t时刻的形态类属值，T为总的测量区间的时间长度。负荷曲线在时间刻度相近位置具有相似的上升、下降或平稳特征，b(Yi,Yj)的值就会较小，说明曲线在形态上比较相似。
欧氏距离的计算公式具体如下所示：
Figure BDA0002973033420000073
其中，ai,j为第i个和第j个充电站的负荷曲线之间的欧氏距离，Xi和Xj为第i个和第j个充电站的负荷曲线，xi,t和xj,t为第i个和第j个充电站在t时刻的负荷值。
步骤S3中还包括根据形态特征和欧氏距离生成相应的相似度矩阵，进行归一化处理后结合，生成双尺度相似性度量矩阵，具体公式如下所示：
S＝αA+βB
α+β＝1
其中，S为双尺度相似性度量矩阵，A为欧氏距离的相似度矩阵，B为形态特征的相似度矩阵，α和β为相似度矩阵的权重系数，本实施例中，双尺度权重参数设置为α＝0.5和β＝0.5。
步骤S3中谱聚类算法进行聚类的过程具体如下所示：
S301、获取双尺度相似性度量矩阵对应的高斯核函数矩阵，计算高斯核函数中每一列元素的元素和放到相应矩阵的对角线上，得到度矩阵；
S302、根据高斯核函数矩阵和度矩阵，通过相似性变换得到拉普拉斯矩阵；
S303、求出拉普拉斯矩阵中最小的特征值和对应的特征向量，将特征向量进行K-means聚类，得到相应维数的列向量，即分类标记结果，作为充电负荷空间分布数据。
高斯核函数矩阵的计算公式如下所示：
Figure BDA0002973033420000081
其中，G为高斯核函数矩阵，σ为核函数尺度参数，S(i,j)为双尺度相似性度量矩阵元素，本实施例中，核函数参数σ＝0.15；
K-means聚类中迭代阈值根据皮尔逊相关系数的值域等级进行计算，皮尔逊相关系数的计算公式具体如下所示：
Figure BDA0002973033420000082
Figure BDA0002973033420000083
Figure BDA0002973033420000084
其中，r(Xi,Xj)为第i个和第j个充电站的负荷曲线之间的皮尔逊相关系数，Xi和Xj为第i个和第j个充电站的负荷曲线，xi,t和xj,t为第i个和第j个充电站在t时刻的负荷值，
Figure BDA0002973033420000085
和
Figure BDA0002973033420000086
为第i个和第j个充电站的负荷曲线的样本均值；如图2所示，通过设置最小簇类的皮尔逊相关系数阈值r0，在迭代过程中得到最小簇类皮尔逊相关系数r，从而计算得到最佳簇类数目k作为迭代阈值，本实施例中，最小簇类的皮尔逊相关系数阈值具体为r0＝0.6，最佳簇类数目为6。
步骤S302中相似性变换的公式具体如下：
L＝I-D-1/2GD-1/2
其中，L为拉普拉斯矩阵，I为单位矩阵，D为度矩阵。
步骤S4中Markov算法的具体过程如下所示：
S401、将充电负荷优化曲线的负荷幅度范围划分出多个时间区间；
S402、计算相邻时间区间之间的状态转移数量矩阵和状态转移概率矩阵；
S403、根据状态转移数量矩阵和状态转移概率矩阵，生成Markov链作为充电负荷时间变化数据；
状态转移数量矩阵的计算公式如下所示：
Figure BDA0002973033420000091
其中，Ft为状态转移数量矩阵，
Figure BDA0002973033420000092
为状态转移数量矩阵的元素，表示时段t到时段t+1充电站从状态i转移到状态j的数量；
状态转移概率矩阵的计算公式如下所示：
Figure BDA0002973033420000093
其中，Pt为状态转移概率矩阵，
Figure BDA0002973033420000094
为状态转移概率矩阵的元素，具体计算公式如下所示：
Figure BDA0002973033420000095
其中，
Figure BDA0002973033420000096
表示时段t到时段t+1单个充电站从状态i转移到状态j的概率。
时间区间的公式具体如下：
αi＝wq
其中，αi为第i个时间区间，wq为相应的区间范围值，具体为[sq,sq+1]，满足sq＜xi,t＜sq+1。
本实施例中，采用电动汽车时空充电模型和MATLAB软件生成电动汽车时空分布负荷曲线。空间聚类中，基于分类结果，从充电负荷曲线分别取各簇中心曲线(簇内平均负荷曲线)作为典型负荷曲线，经过高斯滤波的负荷中心如图2所示，充电负荷聚合商可以根据空间聚类结果评估基于空间分布的充电负荷参与需求响应的潜力。
在步骤S4中，通过Markov模型分析某充电站30天的充电负荷曲线来计算充电负荷变化趋势，把用电负荷水平分为5个状态，则图4中分段聚合近似曲线用符号序列表示为“bbaaab、babcdc、ebceec和dddddb”。统计真实数据集在时段9:00-24:00各负荷水平的数量，进而得到概率密度分布，如图5所示，说明充电负荷在9:00-24:00时段具有较大的需求响应潜力。以第19时段(18:00-19:00)的状态转移概率矩阵P19为例，具体如下所示：
Figure BDA0002973033420000101
第一行与第一列元素都为0表示第19时段与第20时段负荷水平都不处于最低状态。除了第1行与第1列，第4列在各行元素中都是较大的，说明下一时段(19:00-20:00)有很大可能到达状态d，即充电负荷将处于比较高的水平。根据Markov变化模型，可为充电负荷聚合商在时间维度评估充电负荷参与需求响应的水平及潜力。
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于电动汽车的时空分布充电负荷评估方法，其特征在于，具体包括以下步骤：
S1、采集每个充电站的电动汽车充电负荷数据，生成多条充电负荷曲线；
S2、提取充电站的充电负荷曲线的形态特征；
S3、获取充电站的充电负荷曲线之间的欧氏距离，根据充电负荷曲线的形态特征和欧氏距离采用谱聚类算法进行聚类，得到充电负荷空间分布数据；
S4、根据所述充电负荷曲线，通过Markov算法计算得到充电负荷时间变化数据，结合充电负荷空间分布数据和充电负荷时间变化数据计算得到电动汽车分区分时的充电负荷特性。
2.根据权利要求1所述的一种基于电动汽车的时空分布充电负荷评估方法，其特征在于，所述步骤S1中还包括对充电负荷数据中缺失数据采用样条插值进行补齐。
3.根据权利要求1所述的一种基于电动汽车的时空分布充电负荷评估方法，其特征在于，所述步骤S2中还包括对充电负荷曲线进行分段聚合近似处理，得到充电负荷优化曲线。
4.根据权利要求1所述的一种基于电动汽车的时空分布充电负荷评估方法，其特征在于，所述形态特征包括形态类属值和差异测量度。
5.根据权利要求4所述的一种基于电动汽车的时空分布充电负荷评估方法，其特征在于，所述形态类属值包括充电负荷曲线的曲线状态的分位点数及相应的概率值，所述差异测量度的计算公式如下所示：
Figure FDA0002973033410000011
Figure FDA0002973033410000012
其中，bi,j为差异测量度，Yi和Yj为第i个和第j个充电站的充电负荷曲线的形态特征向量，yit和yjt为第i个和第j个充电站在t时刻的形态类属值，T为总的测量区间的时间长度。
6.根据权利要求1所述的一种基于电动汽车的时空分布充电负荷评估方法，其特征在于，所述欧氏距离的计算公式具体如下所示：
Figure FDA0002973033410000021
其中，ai,j为第i个和第j个充电站的负荷曲线之间的欧氏距离，Xi和Xj为第i个和第j个充电站的负荷曲线，xi,t和xj,t为第i个和第j个充电站在t时刻的负荷值。
7.根据权利要求1所述的一种基于电动汽车的时空分布充电负荷评估方法，其特征在于，所述步骤S3中还包括根据形态特征和欧氏距离生成相应的相似度矩阵，进行归一化处理后结合，生成双尺度相似性度量矩阵，具体公式如下所示：
S＝αA+βB
α+β＝1
其中，S为双尺度相似性度量矩阵，A为欧氏距离的相似度矩阵，B为形态特征的相似度矩阵，α和β为相似度矩阵的权重系数。
8.根据权利要求7所述的一种基于电动汽车的时空分布充电负荷评估方法，其特征在于，所述步骤S3中谱聚类算法进行聚类的过程具体如下所示：
S301、获取双尺度相似性度量矩阵对应的高斯核函数矩阵，计算高斯核函数中每一列元素的元素和放到相应矩阵的对角线上，得到度矩阵；
S302、根据高斯核函数矩阵和度矩阵，通过相似性变换得到拉普拉斯矩阵；
S303、求出拉普拉斯矩阵中最小的特征值和对应的特征向量，将特征向量进行K-means聚类，得到相应维数的列向量，即分类标记结果，作为充电负荷空间分布数据。
9.根据权利要求8所述的一种基于电动汽车的时空分布充电负荷评估方法，其特征在于，所述高斯核函数矩阵的计算公式如下所示：
Figure FDA0002973033410000022
其中，G为高斯核函数矩阵，σ为核函数尺度参数，S(i,j)为双尺度相似性度量矩阵元素；
所述K-means聚类中迭代阈值根据皮尔逊相关系数的值域等级进行计算，皮尔逊相关系数的计算公式具体如下所示：
Figure FDA0002973033410000031
Figure FDA0002973033410000032
Figure FDA0002973033410000033
其中，r(Xi,Xj)为第i个和第j个充电站的负荷曲线之间的皮尔逊相关系数，Xi和Xj为第i个和第j个充电站的负荷曲线，xi,t和xj,t为第i个和第j个充电站在t时刻的负荷值，
Figure FDA0002973033410000034
和
Figure FDA0002973033410000035
为第i个和第j个充电站的负荷曲线的样本均值；通过设置最小簇类的皮尔逊相关系数阈值，在迭代过程中得到最小簇类皮尔逊相关系数，从而计算得到最佳簇类数目作为迭代阈值。
10.根据权利要求3所述的一种基于电动汽车的时空分布充电负荷评估方法，其特征在于，所述步骤S4中Markov算法的具体过程如下所示：
S401、将充电负荷优化曲线的负荷幅度范围划分出多个时间区间；
S402、计算相邻时间区间之间的状态转移数量矩阵和状态转移概率矩阵；
S403、根据状态转移数量矩阵和状态转移概率矩阵，生成Markov链作为充电负荷时间变化数据；
所述状态转移数量矩阵的计算公式如下所示：
Figure FDA0002973033410000036
其中，Ft为状态转移数量矩阵，
Figure FDA0002973033410000037
为状态转移数量矩阵的元素，表示时段t到时段t+1充电站从状态i转移到状态j的数量；
所述状态转移概率矩阵的计算公式如下所示：
Figure FDA0002973033410000038
其中，Pt为状态转移概率矩阵，
Figure FDA0002973033410000041
为状态转移概率矩阵的元素，具体计算公式如下所示：
Figure FDA0002973033410000042
其中，
Figure FDA0002973033410000043
表示时段t到时段t+1从单个充电站状态i转移到状态j的概率。
CN202110268011.8A 2021-03-12 2021-03-12 一种基于电动汽车的时空分布充电负荷评估方法 Pending CN113077122A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110268011.8A CN113077122A (zh) 2021-03-12 2021-03-12 一种基于电动汽车的时空分布充电负荷评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110268011.8A CN113077122A (zh) 2021-03-12 2021-03-12 一种基于电动汽车的时空分布充电负荷评估方法

Publications (1)

Publication Number Publication Date
CN113077122A true CN113077122A (zh) 2021-07-06

Family

ID=76612648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110268011.8A Pending CN113077122A (zh) 2021-03-12 2021-03-12 一种基于电动汽车的时空分布充电负荷评估方法

Country Status (1)

Country Link
CN (1) CN113077122A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994714A (zh) * 2023-03-22 2023-04-21 江苏金寓信息科技有限公司 一种基于大数据统计的idc机房锂电池效能评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719030A (zh) * 2016-03-29 2016-06-29 武汉大学 一种基于效能最大化原则的电动汽车负荷预测方法
CN110543712A (zh) * 2019-08-27 2019-12-06 华南理工大学 一种基于先进数据挖掘的电动汽车有序充电优化方法
CN110868134A (zh) * 2019-11-20 2020-03-06 国网江苏省电力有限公司南通供电分公司 基于分时电价和负荷特性的光伏电站三时段能量管理方法
CN111401757A (zh) * 2020-03-19 2020-07-10 西安交通大学 一种计及时空相关性的多区域电力负荷时序场景建模方法
CN111815035A (zh) * 2020-06-22 2020-10-23 国网上海市电力公司 一种融合形态聚类及TCN-Attention的短期负荷预测方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719030A (zh) * 2016-03-29 2016-06-29 武汉大学 一种基于效能最大化原则的电动汽车负荷预测方法
CN110543712A (zh) * 2019-08-27 2019-12-06 华南理工大学 一种基于先进数据挖掘的电动汽车有序充电优化方法
CN110868134A (zh) * 2019-11-20 2020-03-06 国网江苏省电力有限公司南通供电分公司 基于分时电价和负荷特性的光伏电站三时段能量管理方法
CN111401757A (zh) * 2020-03-19 2020-07-10 西安交通大学 一种计及时空相关性的多区域电力负荷时序场景建模方法
CN111815035A (zh) * 2020-06-22 2020-10-23 国网上海市电力公司 一种融合形态聚类及TCN-Attention的短期负荷预测方法
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

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
SHUNFU LIN: "An evaluation method for the response flexibility of aggregated inverter air conditioners", 《INTERNATIONAL TRANSACTIONS ON ELECTRICAL ENERGY SYSTEMS》 *
YANG MI: "The stability control for isolated wind‐diesel power system based on the cross coupling effect model", 《IET GENERATION, TRANSMISSION AND DISTRIBUTION》 *
ZHANG ZHONGHUI: "The Application of Spectral Clustering Algorithm to Distributive Decision for Charging and Battery Swap Station", 《JOURNAL OF ZHENGZHOU UNIVERSITY (ENGINEERING SCIENCE)》 *
林顺富: "基于信息熵分段聚合近似和谱聚类的负荷分类方法", 《中国电机工程学报》 *
焦李成: "《简明人工智能》", 30 September 2019 *
苏小林: "规模化电动汽车充电负荷的预测及其对电网的影响", 《现代电力》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994714A (zh) * 2023-03-22 2023-04-21 江苏金寓信息科技有限公司 一种基于大数据统计的idc机房锂电池效能评估方法
CN115994714B (zh) * 2023-03-22 2023-05-19 江苏金寓信息科技有限公司 一种基于大数据统计的idc机房锂电池效能评估方法

Similar Documents

Publication Publication Date Title
CN110263846B (zh) 基于故障数据深度挖掘及学习的故障诊断方法
CN105376260B (zh) 一种基于密度峰值聚类的网络异常流量监测系统
CN111104981B (zh) 一种基于机器学习的水文预报精度评价方法及系统
CN110796173B (zh) 一种基于改进kmeans的负荷曲线形态聚类算法
CN111210170B (zh) 基于90％用电分布特征指标的环保管控监测及评价方法
CN108765004A (zh) 一种基于数据挖掘识别用户窃电行为的方法
CN110969142B (zh) 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法
CN112667611B (zh) 一种电动汽车充电行为特征分析方法和系统
CN108556682A (zh) 一种续驶里程预测方法、装置及设备
CN111291822B (zh) 基于模糊聚类最优k值选择算法的设备运行状态判断方法
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN114004296A (zh) 一种基于电力负荷特征反向提取监测点的方法及系统
CN112819299A (zh) 一种基于中心优化的差分K-means负荷聚类方法
CN106326923A (zh) 一种顾及位置重复和密度峰值点的签到位置数据聚类方法
CN113935090B (zh) 一种用于桥梁车致疲劳分析的随机车流精细模拟方法
CN112001521A (zh) 一种基于多峰高斯分布拟合的电动汽车充电需求预测方法
CN114997841B (zh) 一种基于区块链的低碳行为数据管理系统
CN113077122A (zh) 一种基于电动汽车的时空分布充电负荷评估方法
CN114076841B (zh) 基于用电信息数据的窃电行为识别方法及系统
CN117691722A (zh) 一种锂电池充电安全监测预警方法及系统
CN113379334B (zh) 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法
CN112287979A (zh) 一种基于互信息的储能电池状态判定方法
CN113420728B (zh) 融合多时间尺度信息的非侵入式空调负荷辨识方法及系统
CN115907461A (zh) 一种基于机理推导方程的电力工程方法
CN110120154B (zh) 大规模路网下利用检测器数据的交通路况预测方法

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: 20210706

RJ01 Rejection of invention patent application after publication