CN113988403A - 一种电动汽车充电负荷预测方法及系统 - Google Patents
一种电动汽车充电负荷预测方法及系统 Download PDFInfo
- Publication number
- CN113988403A CN113988403A CN202111241907.3A CN202111241907A CN113988403A CN 113988403 A CN113988403 A CN 113988403A CN 202111241907 A CN202111241907 A CN 202111241907A CN 113988403 A CN113988403 A CN 113988403A
- Authority
- CN
- China
- Prior art keywords
- charging
- load
- electric vehicle
- power
- power supply
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012423 maintenance Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 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
- 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—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)
- 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
本公开公开的一种电动汽车充电负荷预测方法及系统,包括:获取系统中各电源输出的有功功率;将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中,获取可接入的电动汽车充电负荷;其中,电动汽车充电负荷预测模型,以各电源初始投资、维护和运行的综合成本最小、系统功率平衡、各电源输出有功功率的上下限和所有电动汽车充电功率的上限为约束条件,以接入电动汽车后等效负荷波动最小为目标构建。保证电动汽车接入时等效负荷的波动最小。
Description
技术领域
本发明涉及电网规划技术领域,尤其涉及一种电动汽车充电负荷预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着电动汽车在未来的普及,将会有大规模的电动汽车并入电网进行充、放电,随着电动汽车数量的大幅度增长,电动汽车因其自身充电行为的随机性,大规模接入会给电力系统的运行与控制带来显著的影响,电网如何接纳大规模的电动汽车并网并且不超过电网的容量已经成为了未来电动汽车发展和普及过程中所必须解决的重大问题。
发明人发现,现有的进行电动汽车并网规划时,并没有考虑分布式电源的接入及电网中等效负荷的波动问题,从而使得在电动汽车并网后,可能出现等效负荷波动明显的问题,从而影响常规负荷设备的运行。
发明内容
本公开为了解决上述问题,提出了一种电动汽车充电负荷预测方法及系统,在预测可接入的电动汽车充电负荷,充分考虑了等效负荷波动,从而使得在电网中加入可接入的电动汽车充电负荷后,等效负荷的波动最小,保证了常规负荷设备的正常运行。
为实现上述目的,本公开采用如下技术方案:
第一方面,提出了一种电动汽车充电负荷预测方法,包括:
获取系统中各电源输出的有功功率;
将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中,获取可接入的电动汽车充电负荷;
其中,电动汽车充电负荷预测模型,以各电源初始投资、维护和运行的综合成本最小、系统功率平衡、各电源输出有功功率的上下限和所有电动汽车充电功率的上限为约束条件,以接入电动汽车后等效负荷波动最小为目标构建。
第二方面,提出了一种电动汽车充电负荷预测系统,包括:
数据获取模块,用于获取系统中各电源输出的有功功率;
充电负荷预测模块,用于将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中,获取可接入的电动汽车充电负荷;
其中,电动汽车充电负荷预测模型,以各电源初始投资、维护和运行的综合成本最小、系统功率平衡、各电源输出有功功率的上下限和所有电动汽车充电功率的上限为约束条件,以接入电动汽车后等效负荷波动最小为目标构建。
第三方面,提出了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成一种电动汽车充电负荷预测方法所述的步骤。
第四方面,提出了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成一种电动汽车充电负荷预测方法所述的步骤。
与现有技术相比,本公开的有益效果为:
1、本公开以接入电动汽车后等效负荷波动最小为约束,以系统初始投资、维护和运行的综合成本最小为目标,对可接入的电动汽车充电负荷进行预测,从而使得电网中接入该可接入的电动汽车充电负荷后,电网中等效负荷波动最小,保证了电网中常规负荷设备的正常使用。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本公开实施例1公开方法的流程图;
图2为本公开实施例1公开的深度神经网络结构图;
图3为本公开实施例1公开的等效负荷预测流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
在该实施例中,公开了一种电动汽车充电负荷预测方法,包括:
获取系统中各电源输出的有功功率;
将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中,获取可接入的电动汽车充电负荷;
其中,电动汽车充电负荷预测模型,以各电源初始投资、维护和运行的综合成本最小、系统功率平衡、各电源输出有功功率的上下限和所有电动汽车充电功率的上限为约束条件,以接入电动汽车后等效负荷波动最小为目标构建。
进一步的,系统中的电源包括常规机组和分布式电源。
进一步的,电动汽车的最大充电功率根据区域内母线所能接入的充换电站的最大充电功率和区域内充电桩为最大数量电动汽车同时充电时的充电功率确定。
进一步的,充电桩数量根据充电桩所处区域、建筑类别的配建指标和建筑面积确定。
进一步的,获取可接入的电动汽车充电负荷的具体过程为:
将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中,获取允许的等效负荷;
将允许的等效负荷与电动汽车接入时间段的等效负荷预测值做差,获得可接入的电动汽车充电负荷。
进一步的,获取电动汽车接入时间段的平均温度、平均湿度、节假日天数、所处区域的GDP增速、产业结构、用电结构和饱和负荷密度;
将电动汽车接入时间段的平均温度、平均湿度、节假日天数、所处区域的GDP增速、产业结构、用电结构和饱和负荷密度输入训练好的等效负荷预测模型中,获取电动汽车充电时的等效负荷预测值。
进一步的,等效负荷预测模型采用深度神经网络。
对本实施例公开的一种电动汽车充电负荷预测方法进行详细说明。
如图1所示,一种电动汽车充电负荷预测方法,包括:
S1:获取系统中各电源输出的有功功率。
在具体实施时,电网系统中的电源包括常规发电机组和分布式电源,分布式电源还包括光伏发电、风力发电和燃气轮机发电等。
其中,获取的常规发电机组的发电功率用G机组表示,分布式电源的发电功率用G分布式电源表示。
其中,通过获取待规划区域的日照时长和阳光的辐射强度,获得光伏发电功率;
通过获取待规划区域的风速,获得风力发电的功率。
S2:将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中,获取可接入的电动汽车充电负荷;
其中,电动汽车充电负荷预测模型,以各电源初始投资、维护和运行的综合成本最小、系统功率平衡、各电源输出有功功率的上下限和所有电动汽车充电功率的上限为约束条件,以接入电动汽车后等效负荷波动最小为目标构建。
在具体实施时,构建的电动汽车充电负荷预测模型为:
约束条件为:
G分布式电源+G机组=Peq
G机组=P常规负荷
其中,f(p)为系统负荷波动,为常规发电机组电源有功功率,为各常规发电机组电源i发电费用,为分布式电源发电的有功功率,包括光伏、风力、燃气轮机等,为电网的有功负荷,包括有常规负荷、电动汽车充电和储能等需求侧响应负荷,和分别是常规机组电源的最大和最小有功功率,Peq(i)为i时刻的等效负荷(MW);Pav为等效负荷的平均值(MW),和分别是区域光伏功率最大有功功率和区域电动汽车最大充电功率。
其中,系统的功率平衡方程还可以写为:
G分布式电源+G机组=L常规负荷+L充电负荷+L其他柔性负荷
当机组变电容量确定时,在不考虑分布式电源对负荷的削减作用时,通过调度电动汽车负荷,确定能接入的电动汽车充电负荷的大小,电动汽车的最大充电功率根据区域内母线所能接入的充换电站的最大充电功率Pmax和区域内充电桩最大数量电动汽车同时充电时的充电功率PEV确定。
其中,充电桩数量根据充电桩所处区域、建筑类别的配建指标和建筑面积确定。
假设可接入的电动汽车充电负荷PEV全部作为可中断负荷参与电网的调控,则电动汽车全部在低谷时段进行充电,则高峰负荷Peq=P常规负荷。电动汽车接入负荷大小由地区充电桩规划数量、变压器和线路容量、负载率、功率因数所决定。具体为:
PEV=n*P充*同时率
Pmax=βSNcosθ/ks-PH
Pmax为10kV母线所能接入的充换电站的最大充电功率(kW);β为变压器的负载率;SN为变压器容量(kVA);PH为该变压器所带常规负荷的有功功率(kW);ks为用户用电负荷的同时系数;cosθ为功率因数。
PEV=n*P充*同时率中,n为区域充电桩数量,受限于区域建设面积,P充为单台电动汽车的充电功率。
区域充电桩的建设数量和建设面积相关。建设项目配建停车位的数量N,根据建设项目所处区域、建筑类别的配建指标和建筑面积计算确定。根据《关于单位、居住区、停车场充电设施规划建设的暂行规定》,停车场中电动汽车充电设施建设比例或预留比例不低于10%.则规划区域充电桩数量为n=N*10%。
参照其他省份电动汽车充电基础设施专项规划,电动汽车充电桩的同时率可取为0.7。
将获取的各电源输出的有功功率输入构建的电动汽车充电负荷预测模型,进行电动汽车充电负荷预测时,还需要对电动汽车接入时电网的等效负荷进行预测,获取等效负荷预测值。
获取可接入的电动汽车充电负荷的过程为:
将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中,获取允许的等效负荷;
将允许的等效负荷Peq(i)与电动汽车接入时间段的等效负荷预测值进行作差,获取可接入的电动汽车充电负荷。
获取电动汽车接入时间段,电网等效负荷预测值的具体过程为:
获取电动汽车接入时间段的平均温度、平均湿度、节假日天数、所处区域的GDP增速、产业结构、用电结构和饱和负荷密度;
将电动汽车接入时间段的平均温度、平均湿度、节假日天数、所处区域的GDP增速、产业结构、用电结构和饱和负荷密度输入训练好的等效负荷预测模型中,获取电动汽车充电时的等效负荷预测值。
本实施例的等效负荷预测模型采用深度神经网络,结构如图2所示。
深度神经网络(Deep Neural Networks,以下简称DNN)是含有多个隐含层的多层感知机。一般深度神经网络模型由一个输入层、多个中间层和一个输出层组成。DNN网络模型采用混合训练方式,在逐层训练的过程中,在待训练的隐藏层的上面堆叠一层临时输出层,然后采用无监督训练(重建输入)与有监督训练(减小预测误差)相结合的混合训练方法对该层进行训练,即将无监督训练过程的隐藏层权重的更新值与有监督训练得到的更新值相加作为权重更新值,无监督的训练采用径向基函数,有监督的训练采用sigmoid函数。
深度神经网络的学习过程利用信号的正向和反向传播来实现学习训练。在正向传播学习过程时,输入信息经输入层之后,在隐含层学习训练再传播到输出层。一般情况下,都不能达到预测的结果,所以在输出层通过误差变化值又逆向传播,重新进入隐含层学习,通过正向和反向的反复迭代,当预测结果达到期望值时,将其结果输出,最终完成学习训练。
对于DNN网络,假设其输入为X,那么其隐含层和输出层的激活值计算可以用如下的公式进行表示:
vk(x)=∑wkjuj(x)+wk0
式中uj(x)表示隐含层中第j个节点的输出,mj表示第j个隐含层节点的中心。||·||表示欧式范数,σj表示节点j的Gauss分布宽度。
其中wkj和wk0分别代表网络第k层的权重和偏置向量,yk(x)表示网络的输出。DNN的前向传播算法也就是利用若干个权重系数矩阵W,偏倚向量wk0来和输入值向量x进行一系列非线性运算和激活运算,从输入层开始,一层层的向后计算,一直到运算到输出层,得到输出结果为值。
在神经网络输入量中,由于各个输入量的单位不同,其数量级相差较大。若采用直接输入量输入,则会使得神经元训练饱和,因此在输入训练之前,必须对数据进行归一化处理,使其处于同一数量级别,加快神经网络收敛,最后再通过反归一化处理得到真实的数值。本实施例采用的归一化方法使数据归一化为[0,1],公式如下:反归一化:xi=(xmax-xmin)yi+xmin。其中xmax、xmin为训练样本输入量的最大、最小值,xi、yi为输入样本归一化前后的值。
影响电力负荷的因素很多,一般分为经济因素、时间因素、气候因素、随机因素。对短期负荷预测影响最大的因素一般是天气和节假日,而中长期负荷预测则主要需要考虑社会经济的发展、人口总量的变化和地理气候的变迁。
电网的月度负荷具有明显的季节性特征。其中11月、12月、1月是冬季月份,负荷普遍较低,在农历12月底1月初,由于春节假期来临,工业负荷大幅下降,总负荷降低到最低点。而在7、8月份,属于夏季月份,受天气炎热的影响,这段时间内,空调负荷大幅增加,所占比重较大,电网总负荷也大幅增加,达到年最大负荷值。3、4、5、10、11月份,电网负荷受气象因素较小,负荷比较平稳。因此影响月度负荷主要是天气因素、气候因素、历史负荷和经济因素、产业结构和用电结构。对应的因素指标分别为:平均气温、平均湿度、节假日天数、GDP增速、产业结构、用电结构、饱和负荷密度。
深度神经网络的训练过程,如图3所示,为:
获取待预测时间段的历史样本数据;
将获取的历史样本数据输入构建的深度神经网络中,进行部分有监督训练,获取训练好的深度神经网络。
获取的历史样本数据包括:待预测时间段的平均气温、平均湿度、节假日天数、区域的GDP增速、产业结构、用电结构和饱和负荷密度及对应的等效负荷数据。
本实施例公开的一种电动汽车充电负荷预测方法,在对电充汽车充电负荷进行预测时,充分考虑了电网的等效负荷波动,以接入电动汽车后等效负荷波动最小为目标,获取了可接入的电动汽车充电负荷,当该可接入的电动汽车充电负荷接入电网时,等效负荷波动最小,从而不影响电网中常规负荷设备的正常使用。
此外,本公开在进行电动汽车接入电网时等效负荷预测时,充分考虑了电动汽车接入时间段的平均气温、平均湿度、区域的GDP增速、产业结构、用电结构和饱和负荷密度,从而能够根据不同季节用电需求的不同,更合理的进行电网的等效负荷预测,保证等效预测预测结果的准确性,在此基础上,对电动汽车的充电负荷进行准确预测。
实施例2
在该实施例中,公开了一种电动汽车充电负荷预测系统,包括:
数据获取模块,用于获取系统中各电源输出的有功功率;
充电负荷预测模块,用于将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中,获取可接入的电动汽车充电负荷;
其中,电动汽车充电负荷预测模型,以各电源初始投资、维护和运行的综合成本最小、系统功率平衡、各电源输出有功功率的上下限和所有电动汽车充电功率的上限为约束条件,以接入电动汽车后等效负荷波动最小为目标构建。
实施例3
在该实施例中,公开了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1公开的一种电动汽车充电负荷预测方法所述的步骤。
实施例4
在该实施例中,公开了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1公开的一种电动汽车充电负荷预测方法所述的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种电动汽车充电负荷预测方法,其特征在于,包括:
获取系统中各电源输出的有功功率;
将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中,获取可接入的电动汽车充电负荷;
其中,电动汽车充电负荷预测模型,以各电源初始投资、维护和运行的综合成本最小、系统功率平衡、各电源输出有功功率的上下限和所有电动汽车充电功率的上限为约束条件,以接入电动汽车后等效负荷波动最小为目标构建。
2.如权利要求1所述的一种电动汽车充电负荷预测方法,其特征在于,系统中的电源包括常规机组和分布式电源。
3.如权利要求1所述的一种电动汽车充电负荷预测方法,其特征在于,电动汽车的最大充电功率根据区域内母线所能接入的充换电站的最大充电功率和区域内充电桩为最大数量电动汽车同时充电时的充电功率确定。
4.如权利要求3所述的一种电动汽车充电负荷预测方法,其特征在于,充电桩数量根据充电桩所处区域、建筑类别的配建指标和建筑面积确定。
5.如权利要求1所述的一种电动汽车充电负荷预测方法,其特征在于,获取可接入的电动汽车充电负荷的具体过程为:
将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中,获取允许的等效负荷;
将允许的等效负荷与电动汽车接入时间段的等效负荷预测值做差,获得可接入的电动汽车充电负荷。
6.如权利要求5所述的一种电动汽车充电负荷预测方法,其特征在于,获取电动汽车接入时间段的等效负荷预测值的具体过程为:
获取电动汽车接入时间段的平均温度、平均湿度、节假日天数、所处区域的GDP增速、产业结构、用电结构和饱和负荷密度;
将电动汽车接入时间段的平均温度、平均湿度、节假日天数、所处区域的GDP增速、产业结构、用电结构和饱和负荷密度输入训练好的等效负荷预测模型中,获取电动汽车充电时的等效负荷预测值。
7.如权利要求6所述的一种电动汽车充电负荷预测方法,其特征在于,等效负荷预测模型采用深度神经网络。
8.一种电动汽车充电负荷预测系统,其特征在于,包括:
数据获取模块,用于获取系统中各电源输出的有功功率;
充电负荷预测模块,用于将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中,获取可接入的电动汽车充电负荷;
其中,电动汽车充电负荷预测模型,以各电源初始投资、维护和运行的综合成本最小、系统功率平衡、各电源输出有功功率的上下限和所有电动汽车充电功率的上限为约束条件,以接入电动汽车后等效负荷波动最小为目标构建。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的一种电动汽车充电负荷预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的一种电动汽车充电负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111241907.3A CN113988403A (zh) | 2021-10-25 | 2021-10-25 | 一种电动汽车充电负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111241907.3A CN113988403A (zh) | 2021-10-25 | 2021-10-25 | 一种电动汽车充电负荷预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988403A true CN113988403A (zh) | 2022-01-28 |
Family
ID=79741064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111241907.3A Pending CN113988403A (zh) | 2021-10-25 | 2021-10-25 | 一种电动汽车充电负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988403A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907136A (zh) * | 2022-11-16 | 2023-04-04 | 北京国电通网络技术有限公司 | 电动汽车调度方法、装置、设备和计算机可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308373A (zh) * | 2020-09-24 | 2021-02-02 | 国网天津市电力公司营销服务中心 | 基于时空双层优化的电动汽车有序充放电调度模型及算法 |
CN112734098A (zh) * | 2020-12-31 | 2021-04-30 | 国网山东省电力公司青岛供电公司 | 一种基于源-荷-网平衡的配电网电力调度方法及系统 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
-
2021
- 2021-10-25 CN CN202111241907.3A patent/CN113988403A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN112308373A (zh) * | 2020-09-24 | 2021-02-02 | 国网天津市电力公司营销服务中心 | 基于时空双层优化的电动汽车有序充放电调度模型及算法 |
CN112734098A (zh) * | 2020-12-31 | 2021-04-30 | 国网山东省电力公司青岛供电公司 | 一种基于源-荷-网平衡的配电网电力调度方法及系统 |
Non-Patent Citations (1)
Title |
---|
谈丽娟等: "电动汽车与分布式电源的微网经济调度", 《电网与清洁能源》, vol. 31, no. 4, 22 March 2016 (2016-03-22), pages 100 - 105 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907136A (zh) * | 2022-11-16 | 2023-04-04 | 北京国电通网络技术有限公司 | 电动汽车调度方法、装置、设备和计算机可读介质 |
CN115907136B (zh) * | 2022-11-16 | 2023-10-20 | 北京国电通网络技术有限公司 | 电动汽车调度方法、装置、设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109462231B (zh) | 居民微电网的负荷优化调度方法、系统和存储介质 | |
CN110119886B (zh) | 一种主动配网动态规划方法 | |
CN107147152B (zh) | 新能源配电网多类型有功无功源协同优化配置方法及系统 | |
CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
Andervazh et al. | Emission‐economic dispatch of thermal power generation units in the presence of hybrid electric vehicles and correlated wind power plants | |
CN112131733B (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
Varzaneh et al. | Optimal energy management for PV‐integrated residential systems including energy storage system | |
CN112418496B (zh) | 一种基于深度学习的配电台区储能配置方法 | |
Cabrane et al. | Fuzzy logic supervisor-based novel energy management strategy reflecting different virtual power plants | |
CN116822719A (zh) | 一种配电网的多目标规划方法及装置 | |
CN116823520A (zh) | 分布式智能制造能源供给系统及方法 | |
Wu et al. | Wind power smoothing with energy storage system: a stochastic model predictive control approach | |
CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄系统在线调度方法 | |
CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其系统 | |
CN113988403A (zh) | 一种电动汽车充电负荷预测方法及系统 | |
Kaewdornhan et al. | Electric distribution network with multi-microgrids management using surrogate-assisted deep reinforcement learning optimization | |
CN117595392A (zh) | 计及光伏消纳与光储充配置的配电网联合优化方法及系统 | |
CN112260274A (zh) | 一种基于全景理论的虚拟电厂组建方法 | |
CN111799820A (zh) | 一种电力系统双层智能混合零星云储能对抗调控方法 | |
Zha et al. | An improved reinforcement learning for security-constrained economic dispatch of battery energy storage in microgrids | |
CN112600256B (zh) | 微网电力控制方法 | |
CN114421502A (zh) | 一种微电网群落的协同优化方法 | |
CN114006367A (zh) | 一种分布式电源接入能力预测方法及系统 | |
CN112232983A (zh) | 一种主动配电网储能优化配置方法、电子设备及存储介质 | |
Bai et al. | Optimal placement of parking of electric vehicles in smart grids, considering their active capacity |
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 |