CN113328466A - 一种电动汽车充电场景生成方法 - Google Patents

一种电动汽车充电场景生成方法 Download PDF

Info

Publication number
CN113328466A
CN113328466A CN202110578277.2A CN202110578277A CN113328466A CN 113328466 A CN113328466 A CN 113328466A CN 202110578277 A CN202110578277 A CN 202110578277A CN 113328466 A CN113328466 A CN 113328466A
Authority
CN
China
Prior art keywords
charging
charging current
electric vehicle
scene
network model
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
Application number
CN202110578277.2A
Other languages
English (en)
Other versions
CN113328466B (zh
Inventor
杨帆
尹寿鹏
李东东
赵耀
俞士炳
公笑笑
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 Electric Power University
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 CN202110578277.2A priority Critical patent/CN113328466B/zh
Publication of CN113328466A publication Critical patent/CN113328466A/zh
Application granted granted Critical
Publication of CN113328466B publication Critical patent/CN113328466B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H02J3/472—For selectively connecting the AC sources in a particular order, e.g. sequential, alternating or subsets of sources
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
    • H02J7/00714—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters in response to battery charging or discharging current
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/14—Plug-in electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明涉及一种电动汽车充电场景生成方法，包括：获取某地区电动汽车充电站的充电信息；基于充电信息构建电动汽车的充电电流场景集；根据电动汽车的充电电流场景集构建深度卷积生成式对抗网络模型，利用生成式对抗网络模型生成电动汽车多区域充电场景。与现有技术相比，本发明具有避免受预测精度影响，可保证数据的多样性，有广泛的适用性等优点。

Description

一种电动汽车充电场景生成方法
技术领域
本发明涉及电动汽车运行与分析技术领域，尤其是涉及一种电动汽车充电场景生成方法。
背景技术
在能源急剧短缺、全球气候变暖的背景下，电动汽车作为一种低碳、清洁的新能源交通工具，受到越来越多的关注。电动汽车的大规模发展与普及，其充电行为也对交通系统以及电力系统的安全运行与优化调度产生了更高的要求。随着配电网供电规模的不断扩大、智能化的快速发展，从配电网中获取的数据类型越来越多，配电网大数据趋势日益明显。如何解决大规模配电网调度问题，避免不必要的搜索计算，从而实现多场景的规划，是亟待解决的问题。然而，由于受到数据安全性、数据隐私性等原因的限制，这些充电电流数据通常不容易获得或者获取的充电场景比较单一，这阻止了对数据的进一步分析，使数据驱动技术在新能源领域的广泛应用面临挑战。目前，场景生成的最大的挑战之一是难以建模，以往的统计或者物理学方法都需要建立统计模型，例如一阶自回归模型、高斯Copula等，这些方法依赖于概率预测，而概率预测又直接受到预测精度的影响，传统统计学模型大多采用非黑盒模型，这些模型无法估计每个特征对模型预测的重要性，也不容易理解不同特征之间如何相互作用，进而难以对电动汽车充电的不确定性做出较为全面的建模。因此，基于模型的方法很难得到数据的多样性。
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电动汽车充电场景生成方法。
本发明的目的可以通过以下技术方案来实现：
一种电动汽车充电场景生成方法，该方法包括如下步骤：
S1：获取某地区电动汽车充电站的充电信息。
S2：基于充电信息构建电动汽车的充电电流场景集。
S3：根据电动汽车的充电电流场景集构建深度卷积生成式对抗网络模型，利用生成式对抗网络模型生成电动汽车多区域充电场景。
进一步地，步骤S2中，利用充电电流波动特征划分方法，构建电动汽车的充电电流场景集。所述电动汽车的充电电流场景集包括充电电流聚类中心值、每个区域电动汽车充电电流数据之间的距离以及最优电动汽车充电场景数目。
充电电流聚类中心值的表达式为：
Figure BDA0003085258730000021
式中：Gm为每一个区域中的充电电流聚类中心值，m为电动汽车充电场景数目，N为每一个区域中的充电电流数据数量，xn为每一个区域中的充电电流数据，n为电动汽车充电电流样本总数。
进一步地，通过欧式距离确定每个区域电动汽车充电电流数据之间的距离，表达式如下：
Figure BDA0003085258730000022
式中：xn为每一个区域中的充电电流数据，xmn为每个维度的充电电流数据点，Cmn为每个维度的充电电流中心值，M为每个维度的充电电流数据量，D(xn,Gm)为每个区域电动汽车充电电流数据之间的距离，n为电动汽车充电电流样本总数。
进一步地，利用误差平方和算法获取最优的电动汽车充电场景数目，计算式如下：
Figure BDA0003085258730000023
式中，SSE为误差平方和，Ci为电动汽车充电场景的第i个区域，P为Ci中每个时刻的充电电流数据，k为划分的区域的个数，k＝1,2…。
步骤S3的具体步骤包括：
a)设定生成网络模型G由一个全连接层和四个反卷积层构成，前三个反卷积层的激活函数采用ReLU函数，最后一个反卷积层的激活函数采用Sigmoid函数。
b)设定判别网络模型D由三个卷积层和一个全连接层构成，三个卷积层的激活函数全部采用LReLU函数。
ReLU激活函数和Sigmoid激活函数分别为：
ReLU(xn)＝max(0,xn)
Figure BDA0003085258730000031
LReLU激活函数为：
Figure BDA0003085258730000032
式中，xn为每一个区域中的充电电流数据。
c)将得到的电动汽车的充电电流场景集输入到判别网络模型中，在训练的过程中，生成网络的输入为随机噪声变量z；生成一个新的随机变量G(z)，其分布表示为PG；定义一个损失函数LG，用于不断更新权值，同时定义一个损失函数LD，用于不断更新判别网络的参数；采用Wasserstein距离反映PG和历史数据的真实分布Pr之间的差异。
损失函数LG的表达式为：
Figure BDA0003085258730000033
式中，Pz为随机噪声变量z的分布，E为期望值，D(G(z))为生成的充电电流数据；
损失函数LD的表达式为：
Figure BDA0003085258730000034
式中，Pr为历史数据xn的真实分布，xn为每一个区域中的充电电流数据；
反映PG和历史数据的真实分布Pr之间的差异的Wasserstein距离表达式为：
Figure BDA0003085258730000035
式中，ω为判别器的参数。
d)对判别网络模型进行优化，获取生成式对抗网络模型。所述生成式对抗网络模型的目标函数为：
Figure BDA0003085258730000036
e)不断交替训练生成网络模型G和判别网络模型D，直到Wasserstein距离收敛为止；将训练完成的生成网络模型G和判别网络模型D固定，由生成网络模型G生成电动汽车多区域充电场景。
本发明提供的电动汽车充电场景生成方法，相较于现有技术至少包括如下有益效果：
1)本发明通过聚类算法和深度学习算法对电动汽车的充电场景样本进行划分和扩充，进而对电力系统进行规划，过程不涉及显式特征分析，不需要依赖概率预测，避免了受预测精度影响的问题，可保证数据的多样性；
2)通过本发明生成的场景可以解决电动汽车充电场景单一的问题，可以为电动汽车的行为预测、有序充放电和运行调度提供技术支持，增加电力系统的稳定性；
3)本发明采用黑盒模型描述电动汽车充电行为的不确定性，采用的模型包括卷集和反卷集神经网络，可以在一定程度上解决建模困难的问题，具有广泛的适用性。
附图说明
图1为实施例中获得的高速公路区域、中央商务区域、商业区域和居民住宅区域的数据分布特征图；
图2为实施例中构建深度卷积生成式对抗网络模型生成充电场景的主要原理示意图；
图3为实施例中电动汽车充电场景生成方法的流程示意图；
图4为实施例中的生成场景与真实场景样本数据比较图，其中，子图(4a)为高速公路区域的生成场景与真实场景样本数据比较图，子图(4b)为中央商务区的生成场景与真实场景样本数据比较图，子图(4c)为商业区域的生成场景与真实场景样本数据比较图，子图(4d)为居民区域的生成场景与真实场景样本数据比较图。
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。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
本实施例的数据来源于某地区的电动汽车充电站，电动汽车充电电流样本总数为n个，该数据每1小时采样一次，选取一天24个时刻的时间序列进行多区域充电场景生成。
图3为本发明提供的电动汽车充电场景生成方法的主要流程示意图，根据图示，本发明方法包括如下步骤：
步骤一、构建充电电流场景集。
按充电电流波动特征划分方法具体如下：
该划分方法包括两个阶段，分别为确定充电电流聚类中心值阶段和确定多区域充电场景数目阶段。
第一阶段，即确定充电电流聚类中心值阶段包括：
Step1：确定充电电流聚类中心值：
Figure BDA0003085258730000051
其中，m为电动汽车充电场景数目，N为每一个区域中的充电电流数据数量，Gm为每一个区域中的充电电流聚类中心值，xn为每一个区域中的充电电流数据。
Step2：通过欧式距离来确定每个区域电动汽车充电电流数据之间的距离：
Figure BDA0003085258730000052
其中，xn为每一个区域中的充电电流数据，xmn为每个维度的充电电流数据点，Cmn为每个维度的充电电流中心值，M为每个维度的充电电流数据量。
第二阶段，即确定多区域充电场景数目阶段包括：
利用误差平方和(SSE)算法求解最优的电动汽车充电场景数目：
Figure BDA0003085258730000053
其中，Ci是电动汽车充电场景的第i个区域，P是Ci中每个时刻的充电电流数据，k是划分的区域的个数(k＝1,2…)。
循环上述第一阶段的两个步骤，直到达到最大迭代次数结束，最终获得四个不同区域的电动汽车充电场景，这四种场景分别为高速公路区域、中央商务区域、商业区域和居民住宅区域。如图1数据分布特征所示，高速公路区域仅作为临时充电区域，其电流基本保持水平并且电流值并没有很大起伏；中央商务区域作为上班工作人员的充电区域，其电流值从上午6点开始升高，到10点达到峰值；商业区域作为下班人员休闲购物的充电区域，其电流值从下午15点开始升高，到下午18点达到峰值；居民生活区域作为晚上回家休息的区域，其电流值从晚上18点开始升高，到晚上22点达到峰值。将上述四种场景作为深度卷积生成对抗式网络模型中判别网络的输入。
步骤二、构建深度卷积生成式对抗网络模型生成充电场景。
Step1：定义生成网络模型G由一个全连接层和4个反卷积层构成，前3个反卷积层的激活函数使用ReLU，最后一个反卷积层的激活函数使用Sigmoid。
其中，ReLU激活函数和Sigmoid激活函数分别为：
ReLU(xn)＝max(0,xn)
Figure BDA0003085258730000061
Step2：定义判别网络模型D由3个卷积层和1个全连接层构成，3个卷积层的激活函数都使用LReLU。
其中LReLU激活函数为：
Figure BDA0003085258730000062
将得到的电动汽车充电场景集输入到判别网络中，在训练的过程中，生成网络的输入为随机变量z，生成一个新的随机变量G(z)，其分布表示为PG。因此，定义一个损失函数LG来不断地更新权值：
Figure BDA0003085258730000063
其中Pz表示随机噪声变量的分布。
同时，定义一个损失函数LD来不断更新判别网络的参数：
Figure BDA0003085258730000064
其中Pr表示历史数据xn的真实分布。
当判别网络越能很好区分生成的充电电流数据D(G(z))和历史数据xn的真实样本时，LD的值越小。
在训练过程中会发现，Wasserstein距离拥有更好的效果，更准确地反映PG和Pr的差异，所以本发明将该距离定义如下：
Figure BDA0003085258730000065
其中ω为判别器的参数。
对于判别器网络来说，最小化
Figure BDA0003085258730000066
会使得LD最大化，对于生成网络来说，判别网络应该最大化
Figure BDA0003085258730000067
(真实的充电电流数据)，同时最小化
Figure BDA0003085258730000071
(生成的充电电流数据)，所以深度卷积生成式对抗网络模型的目标函数：
Figure BDA0003085258730000072
不断的交替训练生成网络模型G和判别网络模型D，直到Wasserstein距离不断接近0为止，即该模型的训练最终收敛。将训练完成的生成网络模型G和判别网络模型D固定，由生成网络模型G生成电动汽车多区域充电场景。
测试集中选取部分曲线对生成场景进行验证。本实施例的生成场景与真实场景样本数据比较图如图4所示，模型生成的曲线出力趋势与真实样本一致，符合实际负荷特性但又并非与原始样本完全一致，二者之间保持了一致的波动规律。这意味着模型并没有过拟合训练集中的数据，而是学习样本数据的内在的关联性，然后生成全新的数据，表明模型具备较强的泛化能力。
本发明通过聚类算法和深度学习算法对电动汽车的充电场景样本进行划分和扩充，进而对电力系统进行规划，过程不涉及显式特征分析，不需要依赖概率预测，避免了受预测精度影响的问题，可保证数据的多样性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种电动汽车充电场景生成方法，其特征在于，包括：
获取某地区电动汽车充电站的充电信息；
基于充电信息构建电动汽车的充电电流场景集；
根据电动汽车的充电电流场景集构建深度卷积生成式对抗网络模型，利用生成式对抗网络模型生成电动汽车多区域充电场景。
2.根据权利要求1所述的电动汽车充电场景生成方法，其特征在于，利用充电电流波动特征划分方法，构建电动汽车的充电电流场景集。
3.根据权利要求2所述的电动汽车充电场景生成方法，其特征在于，所述电动汽车的充电电流场景集包括充电电流聚类中心值、每个区域电动汽车充电电流数据之间的距离以及最优电动汽车充电场景数目。
4.根据权利要求3所述的电动汽车充电场景生成方法，其特征在于，充电电流聚类中心值的表达式为：
Figure FDA0003085258720000011
式中：Gm为每一个区域中的充电电流聚类中心值，m为电动汽车充电场景数目，N为每一个区域中的充电电流数据数量，xn为每一个区域中的充电电流数据，n为电动汽车充电电流样本总数。
5.根据权利要求3所述的电动汽车充电场景生成方法，其特征在于，通过欧式距离确定每个区域电动汽车充电电流数据之间的距离，表达式如下：
Figure FDA0003085258720000012
式中：xn为每一个区域中的充电电流数据，xmn为每个维度的充电电流数据点，Cmn为每个维度的充电电流中心值，M为每个维度的充电电流数据量，D(xn,Gm)为每个区域电动汽车充电电流数据之间的距离，n为电动汽车充电电流样本总数。
6.根据权利要求3所述的电动汽车充电场景生成方法，其特征在于，利用误差平方和算法获取最优的电动汽车充电场景数目，计算式如下：
Figure FDA0003085258720000013
式中，SSE为误差平方和，Ci为电动汽车充电场景的第i个区域，P为Ci中每个时刻的充电电流数据，k为划分的区域的个数，k＝1，2...。
7.根据权利要求3所述的电动汽车充电场景生成方法，其特征在于，根据电动汽车的充电电流场景集构建深度卷积生成式对抗网络模型，利用生成式对抗网络模型生成电动汽车多区域充电场景，具体包括：
a)设定生成网络模型G由一个全连接层和四个反卷积层构成，前三个反卷积层的激活函数采用ReLU函数，最后一个反卷积层的激活函数采用Sigmoid函数；
b)设定判别网络模型D由三个卷积层和一个全连接层构成，三个卷积层的激活函数全部采用LReLU函数；
c)将得到的电动汽车的充电电流场景集输入到判别网络模型中，在训练的过程中，生成网络的输入为随机噪声变量z；生成一个新的随机变量G(z)，其分布表示为PG；定义一个损失函数LG，用于不断更新权值，同时定义一个损失函数LD，用于不断更新判别网络的参数；采用Wasserstein距离反映PG和历史数据的真实分布Pr之间的差异；
d)对判别网络模型进行优化，获取生成式对抗网络模型；
e)不断交替训练生成网络模型G和判别网络模型D，直到Wasserstein距离收敛为止；将训练完成的生成网络模型G和判别网络模型D固定，由生成网络模型G生成电动汽车多区域充电场景。
8.根据权利要求7所述的电动汽车充电场景生成方法，其特征在于，损失函数LG的表达式为：
Figure FDA0003085258720000022
式中，Pz为随机噪声变量z的分布，E为期望值，D(G(z))为生成的充电电流数据；
损失函数LD的表达式为：
Figure FDA0003085258720000023
式中，Pr为历史数据xn的真实分布，xn为每一个区域中的充电电流数据；
反映PG和历史数据的真实分布Pr之间的差异的Wasserstein距离表达式为：
Figure FDA0003085258720000021
式中，ω为判别器的参数。
9.根据权利要求8所述的电动汽车充电场景生成方法，其特征在于，所述生成式对抗网络模型的目标函数为：
Figure FDA0003085258720000031
10.根据权利要求7所述的电动汽车充电场景生成方法，其特征在于，ReLU激活函数和Sigmoid激活函数分别为：
ReLU(xn)＝max(0，xn)
Figure FDA0003085258720000032
LReLU激活函数为：
Figure FDA0003085258720000033
式中，xn为每一个区域中的充电电流数据。
CN202110578277.2A 2021-05-26 2021-05-26 一种电动汽车充电场景生成方法 Active CN113328466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110578277.2A CN113328466B (zh) 2021-05-26 2021-05-26 一种电动汽车充电场景生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110578277.2A CN113328466B (zh) 2021-05-26 2021-05-26 一种电动汽车充电场景生成方法

Publications (2)

Publication Number Publication Date
CN113328466A true CN113328466A (zh) 2021-08-31
CN113328466B CN113328466B (zh) 2022-10-18

Family

ID=77415176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110578277.2A Active CN113328466B (zh) 2021-05-26 2021-05-26 一种电动汽车充电场景生成方法

Country Status (1)

Country Link
CN (1) CN113328466B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565148A (zh) * 2022-02-23 2022-05-31 广州市城市规划勘测设计研究院 一种充电需求预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117503A (zh) * 2018-07-05 2019-01-01 南方电网科学研究院有限责任公司 一种v2v和v2g共存应用场景模型的构建方法及装置
CN110492470A (zh) * 2019-07-12 2019-11-22 武汉大学 基于负荷聚类与网络等值的配电网多维典型场景生成方法
CN110751368A (zh) * 2019-09-18 2020-02-04 清华大学 一种考虑充电负荷灵活性的电动汽车储充站规划方法
CN111007399A (zh) * 2019-11-15 2020-04-14 浙江大学 基于改进生成对抗网络的锂电池荷电状态预测方法
CN111612204A (zh) * 2019-02-25 2020-09-01 丰田研究所股份有限公司 用于优化电池组的性能的系统、方法和存储介质
CN111709672A (zh) * 2020-07-20 2020-09-25 国网黑龙江省电力有限公司 基于场景和深度强化学习的虚拟电厂经济调度方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117503A (zh) * 2018-07-05 2019-01-01 南方电网科学研究院有限责任公司 一种v2v和v2g共存应用场景模型的构建方法及装置
CN111612204A (zh) * 2019-02-25 2020-09-01 丰田研究所股份有限公司 用于优化电池组的性能的系统、方法和存储介质
CN110492470A (zh) * 2019-07-12 2019-11-22 武汉大学 基于负荷聚类与网络等值的配电网多维典型场景生成方法
CN110751368A (zh) * 2019-09-18 2020-02-04 清华大学 一种考虑充电负荷灵活性的电动汽车储充站规划方法
CN111007399A (zh) * 2019-11-15 2020-04-14 浙江大学 基于改进生成对抗网络的锂电池荷电状态预测方法
CN111709672A (zh) * 2020-07-20 2020-09-25 国网黑龙江省电力有限公司 基于场景和深度强化学习的虚拟电厂经济调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YIZE CHEN.ET AL,: "Model-Free Renewable Scenario Generation Using Generative Adversarial Networks", 《 IEEE TRANSACTIONS ON POWER SYSTEMS》 *
董骁翀: "基于数据驱动的可再生能源场景生成与约简方法研究", 《万方》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565148A (zh) * 2022-02-23 2022-05-31 广州市城市规划勘测设计研究院 一种充电需求预测方法及装置
CN114565148B (zh) * 2022-02-23 2022-11-15 广州市城市规划勘测设计研究院 一种充电需求预测方法及装置

Also Published As

Publication number Publication date
CN113328466B (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
Straka et al. Predicting popularity of electric vehicle charging infrastructure in urban context
CN112988723A (zh) 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法
CN113077097B (zh) 一种基于深度时空相似性的空气质量预测方法
Maity et al. An imprecise multi-objective genetic algorithm for uncertain constrained multi-objective solid travelling salesman problem
CN108944516A (zh) 一种基于区块链和机器学习的电动汽车充电激励机制
CN111080070A (zh) 一种基于空间误差的城市土地利用模拟元胞自动机方法
CN110826244B (zh) 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法
CN110909924A (zh) 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法
CN105868853A (zh) 一种短期风电功率组合概率预测方法
Deng et al. User behavior analysis based on stacked autoencoder and clustering in complex power grid environment
CN112381313A (zh) 充电桩地址的确定方法和装置
CN111523714B (zh) 一种电力充电站选址布局方法及装置
CN112966871A (zh) 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统
CN110428015A (zh) 一种模型的训练方法及相关设备
Zhang et al. Planning of electric vehicle charging stations and distribution system with highly renewable penetrations
CN109583588A (zh) 一种短期风速预测方法及系统
CN113328466B (zh) 一种电动汽车充电场景生成方法
Wu et al. An asymmetric popularity-similarity optimization method for embedding directed networks into hyperbolic space
CN112418504A (zh) 一种基于混合变量选择优化深度信念网络风速预测方法
CN117114081A (zh) 一种基于迁移学习的分布式光伏功率预测方法及装置
CN116167465A (zh) 基于多变量时间序列集成学习的太阳辐照度预测方法
Helmus et al. SEVA: A data driven model of electric vehicle charging behavior
CN116596105A (zh) 一种考虑配电网发展的充电站负荷预测方法
CN116010831A (zh) 一种基于潜在决策结果的组合聚类场景缩减方法及系统
CN115392143A (zh) 一种基于深度强化学习的移动储能充放电时空规划方法

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
GR01 Patent grant
GR01 Patent grant