CN114169774A - 一种山地城市充电站规划系统、方法及存储介质 - Google Patents

一种山地城市充电站规划系统、方法及存储介质 Download PDF

Info

Publication number
CN114169774A
CN114169774A CN202111506555.XA CN202111506555A CN114169774A CN 114169774 A CN114169774 A CN 114169774A CN 202111506555 A CN202111506555 A CN 202111506555A CN 114169774 A CN114169774 A CN 114169774A
Authority
CN
China
Prior art keywords
charging
electric
charging station
planning
electric vehicle
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
CN202111506555.XA
Other languages
English (en)
Inventor
龙羿
胡晓锐
徐婷婷
高华军
朱彬
池磊
汪会财
龙虹毓
龙方家
王松
向鑫
黎鹏
周鑫
吴杰
赖加乾
李继东
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.)
State Grid Chongqing Electric Power Co Marketing Service Center
State Grid Corp of China SGCC
State Grid Chongqing Electric Power Co Ltd
Yunyang Power Supply Co of State Grid Chongqing Electric Power Co Ltd
Original Assignee
State Grid Chongqing Electric Power Co Marketing Service Center
State Grid Corp of China SGCC
State Grid Chongqing 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 State Grid Chongqing Electric Power Co Marketing Service Center, State Grid Corp of China SGCC, State Grid Chongqing Electric Power Co Ltd filed Critical State Grid Chongqing Electric Power Co Marketing Service Center
Priority to CN202111506555.XA priority Critical patent/CN114169774A/zh
Publication of CN114169774A publication Critical patent/CN114169774A/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
    • 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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明公开了一种山地城市充电站规划系统、方法及存储介质，涉及电动汽车充电站规划领域，解决山地城市电动汽车耗电量模型缺失，对山地城市电动汽车充电负荷无法进行精细化时空间预测的技术问题，通过本申请文件能够进行充电站规划，包括一个云监控平台和四个子系统：云监控平台：实时接收电动汽车运行状态，对电动汽车短期充电负荷进行预测，再结合充电站、配电网相关数据及电动汽车的增长数据，对规划年路网各节点处电动汽车充电需求进行预测，进而以充电负荷波动最小与配电网最优潮流为目标，对规划区作出最优充电站布局规划；本发明可以准确地预测区域电动汽车充电设施的负荷。

Description

一种山地城市充电站规划系统、方法及存储介质
技术领域
本发明属于电动汽车充电站规划领域，尤其涉及一种山地城市充电站规划系统、方法及存储介质。
背景技术
随着能源危机与全球气候变暖，为了减少化石燃料的使用、减少汽车尾气排放，由电作为驱动的电动汽车受到全球各国的高度重视。电动汽车不仅能节省化石燃料，它在行驶过程中不像燃油汽车一样产生尾气，可以实现“零排放”，减少汽车尾气对环境的污染。因此，电动汽车的发展是未来汽车的发展趋势，全球各国也相继发布了促进电动汽车发展的相关政策。
但随着电动汽车的迅速发展，电动汽车大规模发展引起的相关问题也接踵而至。由于电动汽车数量快速增加，亟需建设大量的充电设施支撑电动汽车的充电需求，但由于电动汽车存在移动性，使得电动汽车充电负荷在时间与空间上皆体现随机性，大量的电动汽车充电负荷无序接入电网，难免出现配电网负荷“峰上加峰”，对配电网造成巨大冲击。在此背景下，充电站的规划既要能满足电动汽车用户的充电需求，又要满足配电网的稳定经济运行，因此，如何合理有效进行电动汽车充电站的规划，将是缓解配网“峰上加峰”与促进电动汽车产业发展的有效途径。
发明内容
本发明主要解决的技术问题是：通过检测路网现年各节点车流量，预测规划年各路网节点中各时段具有充电需求的电动汽车数量，引入山地城市电动汽车耗电量模型，对山地城市电动汽车充电负荷进行精细化时空间预测从而进行充电站规划，并将充电站站址代入配电网节点系统，寻优计算得到负荷波动最小的最优充电站布局，缓解电网负荷的“峰上加峰”。
本发明采用的技术方案如下：
一种基于电动汽车充电需求预测的山地城市充电站规划系统，该系统包含一个云监控平台和四个子系统：
云监控平台：实时接收电动汽车运行状态，对电动汽车短期充电负荷进行预测，再结合充电站、配电网相关数据及电动汽车的增长数据，对规划年路网各节点处电动汽车充电需求进行预测，进而以充电负荷波动最小与配电网最优潮流为目标，对规划区作出最优充电站布局规划；
车流量监测系统：采集一天不同时间点路网中各节点处车流量数据并处理，预测其中具有快充需求的电动汽车数据，并将其上传至云监控平台；
充电站管理系统：采集充电站内充电桩的使用情况，各类车型的年均充电总量、电动汽车接入充电桩的时间、电动汽车离开充电桩的时间、充电桩的充电效率，将处理后的数据上传至云监控平台；
车载数据处理系统：实时监测电动汽车剩余电量数据，接收充电站位置信息与路网数据，产生充电需求时以最小耗电量为目标寻找充电站充电并计算过程中需要消耗的电量，将产生充电需求的时间与预计到达充电站的时间数据、寻找到的充电站位置数据、行驶过程中的耗电量数据上传至云监控平台；
配电网数据采集系统：采集配电网负荷变化，结合配电网历史负荷数据，对规划年配电网日负荷曲线进行预测并上传至云监控平台。
进一步地，所述车载数据处理系统包括行车数据采集模块、路网数据采集模块、行驶路径控制模块、通信模块；
所述行车数据采集模块，以Δt为周期，采集车辆SOC信息、空调运行状态、车辆位置、车速信息；
所述路网数据采集模块，实时采集车辆在路网中的位置信息，充电站在路网中的位置信息、路网中各道路的拥堵情况及道路坡度信息；
所述行驶路径控制模块，根据行车数据采集模块收集的车辆电池剩余电量信息，判断电动汽车是否具有充电需求；在电动汽车有充电需求的情况下，根据充电站位置信息与路网道路情况信息，计算到各个充电站需要的耗电量与时间，以耗电量最小的充电站与路径为目标充电站与路径；
所述通信模块：采用5G网络，将行车数据采集模块、路网数据采集模块、行驶路径控制模块采集与处理得到的数据上传至云监控平台。
进一步地，所述云监控平台包括电动汽车短期负荷预测模块，充电站长期规划模块、通信模块、数据库；
所述电动汽车短期负荷预测模块：根据实时采集到的电动汽车行车数据与路网道路数据，对电动汽车充电负荷进行预测，并将预测数据下发到用户终端，达到电动汽车用户错峰充电的目的；
所述充电站长期规划模块：根据车辆数据与电动汽车增长率得到规划年电动汽车数量；根据车辆行车数据得到各路网节点各时间节点具有充电需求的电动汽车数量，根据车载数据处理系统得到电动汽车充电决策，从而计算各个充电站的充电负荷；根据配电网历史负荷数据预测规划年配电网基本负荷数据，结合充电负荷数据得到规划年配电网总负荷数据，以充电负荷波动最小与配电网最优潮流为目标，寻优得到充电站最优布局规划；
所述通信模块：采用5G网络，实现云监控平台与车流量监测系统、车载数据处理系统、充电站管理系统、配电网数据采集系统进行数据交互；
所述数据库：将车流量监测系统、车载数据处理系统、充电站管理系统、配电网数据采集系统采集与处理得到的数据进行保留，用于短期充电负荷预测与长期充电站规划。
进一步地，方法包括如下步骤：
步骤一：从路网中选出若干节点作为充电站建设备选节点，根据电动汽车年均充电总量和规划年电动汽车数量预测需规划的充电站数量，根据路网节点车流量监测和规划年电动汽车数量预测进行规划年电动汽车充电需求预测，选择以耗电量最小的充电站进行充电，以配电网日负荷波动最小为目标，作出电动汽车充电站最优布局规划，缓解电网负荷；
步骤二：根据获取的电动汽车、充电站、配电网相关数据，以最小电网日负荷方差波动为规划目标，构建最优电动汽车充电站规划模型；电动汽车充电站规划包括电动汽车充电站的布局位置和各站规划的充电桩功率及数量；
步骤三：根据规划年电动汽车数量预测和各类型电动汽车年均充电总量预测需规划的充电站数量；根据预先在路网中设置的充电站备选节点，监测各时段各节点的车流量，结合电动汽车数量预测作出规划年各路网节点的日充电需求；在山地城市中电动汽车耗电量远大于平原城市，因此作出充电需求预测后令电动汽车选择行驶过程中耗电量最低的充电站进行充电，根据电动汽车产生充电需求的时间地点预测接入充电站的时间地点，以此作充电站负荷预测；根据配电网历史负荷数据对规划年电网基本负荷进行预测，结合充电站充电负荷预测曲线，对规划年配电网负荷进行预测；
步骤四：根据电动汽车充电站规划模型的约束条件求解电动汽车规划模型的最优解；根据所属条件下的最优解，确定充电站的布局位置与容量。
进一步地，对电动汽车充电负荷进行预测，其预测建模步骤为：
步骤S101，通过监测现年路网各节点不同时间点的车流量Nv(t,i)，根据车辆增长率与电动汽车渗透率，加以修正系数，预测规划年路网各节点各时间点具有充电需求的电动汽车数量Ne(t,i)′，构建的电动汽车充电需求预测模型为：
Ne(t,i)′＝Nv(t,i)*(1+p)n*ρ*σ％*r
Figure BDA0003403332420000031
其中，Ne(t,i)′表示规划年t时刻路网i节点处具有充电需求的电动汽车数量，Nv(t,i)为现年t时刻路网i节点处的车流量，p为今年车辆平均增长率，σ表示各时刻节点处具有充电需求的车占总车数量的比例，ρ表示电动汽车渗透率，r表示修正系数，Li-j表示任意两个路网节点之间的距离，ΔT表示监测车流量时间间隔，v表示车辆车速；
步骤S102，根据步骤S101预测出有充电需求的电动汽车后，电动汽车根据耗电量模型选择行驶过程中耗电量最低的充电站进行充电，考虑山地城市地形特征对电动汽车耗电量的影响，所述耗电量模型为：
Figure BDA0003403332420000041
其中，Eo,d表示从出发地到目的地的耗电量，X表示从出发地到目的地的路径，Li,j表示路径中相邻两节点的距离，Hi,j表示路径中相邻两节点的海拔差，β表示电动汽车在平地行驶的平均里程耗电量，αi,j表示电动汽车行驶在i节点与j节点时的爬坡系数，η表示电动汽车能量回收效率；
步骤S103，根据步骤S101,102中构建的充电需求预测与耗电量模型，电动汽车产生充电需求并选择最优充电站后，电动汽车充电负荷接入充电站的时间模型为：
Figure BDA0003403332420000042
其中，t0表示电动汽车产生充电需求的时间，t1表示电动汽车接入充电站的时间，V0表示电动汽车行驶平均速度；
步骤S104，根据步骤S101，S102，S103中构建的电动汽车充电负荷预测模型，所述的电动汽车充放电约束条件为：
步骤S1041，电动汽车电池不能过充过放，约束为：
Figure BDA0003403332420000043
其中，
Figure BDA0003403332420000044
表示电动汽车产生充电需求的最低电量，
Figure BDA0003403332420000045
表示电动汽车当前电量，
Figure BDA0003403332420000046
表示电动汽车充电最高电量；
步骤S1042，电动汽车充电站与产生充电需求点距离不能超过电动汽车续航里程，约束为：
0≤Lo,d(t)≤Mi(t)
其中，Lo,d(t)表示电动汽车从充电需求点到充电站的距离，Mi(t)为产生充电需求时电动汽车的续航里程。
进一步地，确定充电站的布局位置与容量后，确定电动汽车充电站建站数量，其确定模型为：
Figure BDA0003403332420000051
其中，Nsta表示需规划的充电站数量，Eev表示电动汽车年均充电总量，Nev表示规划年电动汽车的数量，tz表示充电桩日均使用小时数，pz表示充电桩充电功率，nz表示平均每个站需规划的充电桩数量。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-3任一项或权利要求4-10任一项所述的方法。具体地：通过移动硬盘将构建好的模型进行存储备份。
本发明的有益效果如下：
1.本发明一种山地城市充电站规划系统、方法及存储介质，基于数据规律的方法，对区域充电站进行充电负荷预测，并引入山地城市电动汽车耗电量模型，对山地城市电动汽车充电负荷进行精细化时空间预测从而进行充电站规划。
2.本发明一种山地城市充电站规划系统、方法及存储介质，可以准确地预测区域电动汽车充电设施的负荷，为研究电动汽车充电设施负荷对电网的影响提供基础，也为电动汽车充电设施规划提供了依据。
3.本发明一种山地城市充电站规划系统、方法及存储介质，对能影响电动汽车充电负荷的各种因素进行了全面的数据挖掘，定量分析各个因素对电动汽车充电负荷的影响，使得本发明方法电动汽车充电负荷预测模型预测更准确。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，本说明书附图中的各个部件的比例关系不代表实际选材设计时的比例关系，其仅仅为结构或者位置的示意图，其中：
图1是本发明的电动汽车充电站规划系统架构图；
图2是本发明的基于电动汽车充电需求预测的充电站规划流程图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
如图1所示，基于电动汽车充电需求预测的山地城市充电站规划系统，该系统包含一个云监控平台和四个子系统：
云监控平台：实时接收电动汽车运行状态，对电动汽车短期充电负荷进行预测，再结合充电站、配电网相关数据及电动汽车的增长数据，对规划年路网各节点处电动汽车充电需求进行预测，进而以充电负荷波动最小与配电网最优潮流为目标，对规划区作出最优充电站布局规划；
车流量监测系统：采集一天不同时间点路网中各节点处车流量数据并处理，预测其中具有快充需求的电动汽车数据，并将其上传至云监控平台。
充电站管理系统：采集充电站内充电桩的使用情况，各类车型的年均充电总量、电动汽车接入充电桩的时间、电动汽车离开充电桩的时间、充电桩的充电效率，将处理后的数据上传至云监控平台；
车载数据处理系统：实时监测电动汽车剩余电量数据，接收充电站位置信息与路网数据，产生充电需求时以最小耗电量为目标寻找充电站充电并计算过程中需要消耗的电量，将产生充电需求的时间与预计到达充电站的时间数据、寻找到的充电站位置数据、行驶过程中的耗电量数据上传至云监控平台；
配电网数据采集系统：采集配电网负荷变化，结合配电网历史负荷数据，对规划年配电网日负荷曲线进行预测并上传至云监控平台。
进一步地，所述云监控平台包括电动汽车短期负荷预测模块，充电站长期规划模块、通信模块、数据库：
所述电动汽车短期负荷预测模块：根据实时采集到的电动汽车行车数据与路网道路数据，对电动汽车充电负荷进行预测，并将预测数据下发到用户终端，达到电动汽车用户错峰充电的目的；
所述充电站长期规划模块：根据车辆数据与电动汽车增长率得到规划年电动汽车数量；根据车辆行车数据得到各路网节点各时间节点具有充电需求的电动汽车数量，根据车载数据处理系统得到电动汽车充电决策，从而计算各个充电站的充电负荷；根据配电网历史负荷数据预测规划年配电网基本负荷数据，结合充电负荷数据得到规划年配电网总负荷数据，以充电负荷波动最小与配电网最优潮流为目标，寻优得到充电站最优布局规划。
所述通信模块：采用5G网络，实现云监控平台与车流量监测系统、车载数据处理系统、充电站管理系统、配电网数据采集系统进行数据交互；
所述数据库：将车流量监测系统、车载数据处理系统、充电站管理系统、配电网数据采集系统采集与处理得到的数据进行保留，用于短期充电负荷预测与长期充电站规划。
所述车载数据处理系统，包括行车数据采集模块、路网数据采集模块、行驶路径控制模块、通信模块；
所述行车数据采集模块，以Δt为周期，采集车辆SOC信息、空调运行状态、车辆位置、车速信息；
所述路网数据采集模块，实时采集车辆在路网中的位置信息，充电站在路网中的位置信息、路网中各道路的拥堵情况及道路坡度信息；
所述行驶路径控制模块，根据行车数据采集模块收集的车辆电池剩余电量信息，判断电动汽车是否具有充电需求；在电动汽车有充电需求的情况下，根据充电站位置信息与路网道路情况信息，计算到各个充电站需要的耗电量与时间，以耗电量最小的充电站与路径为目标充电站与路径；
所述通信模块：采用5G网络，将行车数据采集模块、路网数据采集模块、行驶路径控制模块采集与处理得到的数据上传至云监控平台。
实施例2
结合图2，本发明基于电动汽车充电需求预测的充电站规划方法，步骤如下：步骤S101，首先根据往年汽车增长率、电动汽车渗透率计算在规划年规划区的电动汽车总量，根据电动汽车年平均充电总量，预测需要规划的电动汽车充电站数量；
Figure BDA0003403332420000071
其中，Nsta表示需规划的充电站数量，Eev表示电动汽车年均充电总量，Nev表示规划年电动汽车的数量，tz表示充电桩日均使用小时数，pz表示充电桩充电功率，nz表示平均每个站需规划的充电桩数量。
步骤S102，判断规划区现有充电站数量能否满足规划年电动汽车充电需求，若能，则转到步骤S109，若否，则转到步骤S103；
步骤S103，现在进行电动汽车充电站的选址规划工作，在路网中每隔距离选取一个节点作为充电站选址的备选节点，所有备选的路网节点均属于集合X；
步骤S104，基于车流量监测的电动汽车充电站规划方法，根据电动汽车增长率预测出规划年规划区内电动汽车数量，结合采集到的各类型电动汽车年充电总量与充电桩功率设置情况，预测出规划年需要新建的充电站数量；根据车流量监测系统得到的车流量数据，结合电动汽车增长率，预测规划年各路网节点在不同时间点有充电需求的电动汽车数量，再结合车载数据处理系统得到的充电路径数据，对不同规划方案的各充电站充电负荷进行预测；根据配电网数据采集系统预测的规划年各区域配电网基本负荷数据，结合电动汽车充电负荷数据，得到不同规划方案下规划年配网负荷预测数据，使用智能算法，以充电负荷波动最小与配电网最优潮流为目标，得到最优规划布局；
步骤S1041，在现年每隔时间监测一次各路网节点处的车流量，得到各节点一天车流量曲线，连续监测多日，将车流量数据聚类，得到各路网节点常规日车流量数据曲线，用于预测规划年各路网节点车流量数据；
步骤S1042，得到各路网节点车流量数据后，根据汽车增长率、电动汽车渗透率，以及一天中电动汽车有快充需求的比例数据，预测在规划年，各路网节点处各时间点有快充需求的电动汽车数量，车载数据处理系统记录产生充电需求的时间、地点以及该时刻剩余电量，该预测模型为：
Ne(t,i)′＝Nv(t,i)*(1+p)n*ρ*σ％*r
Figure BDA0003403332420000081
其中，Ne(t,i)'表示规划年时刻路网节点处具有充电需求的电动汽车数量，Nv(t,i)为现年时刻路网节点处的车流量，为今年车辆平均增长率，σ表示各时刻节点处具有充电需求的车占总车数量的比例，ρ表示电动汽车渗透率，表示修正系数，L_(i-j)表示任意两个路网节点之间的距离，ΔT表示监测车流量时间间隔，表示车辆车速；
为避免在监测车流量数据多次检测到相同车辆，导致在充电需求预测时重复计算某些车辆以致误差，引入修正系数，结合电动汽车行驶车速，计算在车流量监测时间间隔ΔT内车辆会行驶经过的路网节点数量即车辆会被充电需求预测模块重复计算的次数，将该修正系数带入计算使得充电需求预测更加准确；
步骤S105，在选取的若干路网节点中，按照预测需规划的电动汽车充电站数量，在备选节点中随机选同等数量的节点处作为充电站规划初始值；
步骤S106，在选定充电站初始位置的情况下，对电动汽车充电负荷进行集群预测，并结合配电网数据采集系统预测的配电网基本负荷，对配电网整体负荷进行预测，看负荷波动是否过大，若负荷波动大则说明选址不合理，需重新选址，再次对配电网负荷进行预测，多次规划选出负荷波动最小的最优充电站选址；
步骤S1061，车流量监测系统与车载数据处理系统检测到电动汽车产生充电需求并记录下其时间地点与电动汽车剩余电量后，车载数据处理系统选择从充电需求产生点到充电站耗电量最低的充电站进行充电，车载数据处理系统预测到达该充电站的时间、剩余电量、预计离站时间并将该数据传输给云监控平台，所述的耗电量模型为：
Figure BDA0003403332420000091
其中，表示从出发地到目的地的耗电量，表示从出发地到目的地的路径，表示路径中相邻两节点的距离，表示路径中相邻两节点的海拔差，表示电动汽车在平地行驶的平均里程耗电量，表示电动汽车行驶在节点与节点时的爬坡系数，表示电动汽车能量回收效率；
步骤S1062，根据步骤S1061建立的山地城市电动汽车耗电量模型，所述的电动汽车到站时间预测模型为：
Figure BDA0003403332420000092
其中，表示电动汽车产生充电需求的时间，表示电动汽车接入充电站的时间，表示电动汽车行驶平均速度；
所述的电动汽车预计离站时间预测模型为：
Figure BDA0003403332420000093
其中表示电动汽车预计离站的时间，表示电动汽车接入充电站的时间，表示电动汽车的容量，表示充电桩的功率，表示充电桩的充电效率；
步骤S1063，在负荷预测过程中，所述电动汽车约束条件为：
电动汽车电池不能过充过放，约束为：
Figure BDA0003403332420000094
其中，表示电动汽车产生充电需求的最低电量，表示电动汽车当前电量，表示电动汽车充电最高电量；
电动汽车充电站与产生充电需求点距离不能超过电动汽车续航里程，约束为：
0≤Lo,d(t)≤Mi(t)
其中，表示电动汽车从充电需求点到充电站的距离，为产生充电需求时电动汽车的续航里程；
步骤S107，根据步骤S106建立的电动汽车耗电量模型与时间预测模型可以预测出电动汽车产生充电需求后会何时在何地进行充电，将一天中所有备选节点的充电负荷累积起来即可得到规划区内所有充电站节点的充电负荷曲线；
步骤S108，根据步骤S107得到的充电负荷预测曲线，结合配电网数据采集系统得到的配电网基本负荷，进行配电网网格负荷预测，同时考虑规划成本，计算得到负荷波动最小与成本最小的充电站规划方案；
步骤S1081，所述的最小配电网网格负荷波动模型为：
Figure BDA0003403332420000101
其中，表示电网中的基础负荷，表示电动汽车充电负荷，表示电网的平均负荷；
步骤S1082，所述的充电站建设最小成本模型为：
minZ＝Ccon+Cmain+Cexp
其中，表示充电站规划总成本，表示充电设施年建设成本，表示充电设施年运行维护成本，表示配电网扩建成本；
步骤S109，云监控平台按照步骤S101与步骤S102计算出需规划的充电站数量并在路网节点中选定初始位置后，按照步骤S103-步骤S107对电动汽车充电负荷进行预测，结合配电网基本负荷预测数据，对配电网网格负荷进行预测，以步骤S108为目标函数，寻优得到最优充电站布局规划；根据最优充电站布局方案中各个充电站的日平均充电负荷，确定各充电站的容量，完成充电站的选址定容。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于电动汽车充电需求预测的山地城市充电站规划系统，其特征在于，该系统包含一个云监控平台和四个子系统：
云监控平台：通过接收充电站管理系统、配电网数据采集系统、车载数据处理系统和车流量检测系统上传的数据，对规划年路网各节点处电动汽车充电需求进行预测，进而以充电负荷波动最小与配电网最优潮流为目标，对规划区作出最优充电站布局规划；同时根据上传数据对电动汽车短期充电负荷进行预测；车流量监测系统：采集一天不同时间点路网中各节点处车流量数据并处理，预测其中具有快充需求的电动汽车数据，并将其上传至云监控平台；
充电站管理系统：采集充电站内充电桩的使用情况，各类车型的年均充电总量、电动汽车接入充电桩的时间、电动汽车离开充电桩的时间、充电桩的充电效率，将处理后的数据上传至云监控平台；
车载数据处理系统：实时监测电动汽车剩余电量数据，接收充电站位置信息与路网数据，产生充电需求时以最小耗电量为目标寻找充电站充电并计算过程中需要消耗的电量，将产生充电需求的时间与预计到达充电站的时间数据、寻找到的充电站位置数据、行驶过程中的耗电量数据上传至云监控平台；
配电网数据采集系统：采集配电网负荷变化，结合配电网历史负荷数据，对规划年配电网日负荷曲线进行预测并上传至云监控平台。
2.根据权利要求1一种基于电动汽车充电需求预测的山地城市充电站规划系统，其特征在于，所述车载数据处理系统包括行车数据采集模块、路网数据采集模块、行驶路径控制模块、通信模块；
所述行车数据采集模块，以Δt为周期，采集车辆SOC信息、空调运行状态、车辆位置、车速信息；
所述路网数据采集模块，实时采集车辆在路网中的位置信息，充电站在路网中的位置信息、路网中各道路的拥堵情况及道路坡度信息；
所述行驶路径控制模块，根据行车数据采集模块收集的车辆电池剩余电量信息，判断电动汽车是否具有充电需求；在电动汽车有充电需求的情况下，根据充电站位置信息与路网道路情况信息，计算到各个充电站需要的耗电量与时间，以耗电量最小的充电站与路径为目标充电站与路径；
所述通信模块：采用5G网络，将行车数据采集模块、路网数据采集模块、行驶路径控制模块采集与处理得到的数据上传至云监控平台。
3.根据权利要求1一种基于电动汽车充电需求预测的山地城市充电站规划系统，其特征在于，所述云监控平台包括电动汽车短期负荷预测模块，充电站长期规划模块、通信模块、数据库；
所述电动汽车短期负荷预测模块：根据实时采集到的电动汽车行车数据与路网道路数据，对电动汽车充电负荷进行预测，并将预测数据下发到用户终端；
所述充电站长期规划模块：根据车辆数据与电动汽车增长率得到规划年电动汽车数量；根据车辆行车数据得到各路网节点各时间节点具有充电需求的电动汽车数量，根据车载数据处理系统得到电动汽车充电决策，从而计算各个充电站的充电负荷；根据配电网历史负荷数据预测规划年配电网基本负荷数据，结合充电负荷数据得到规划年配电网总负荷数据，以充电负荷波动最小与配电网最优潮流为目标，寻优得到充电站最优布局规划；
所述通信模块：采用5G网络，实现云监控平台与车流量监测系统、车载数据处理系统、充电站管理系统、配电网数据采集系统进行数据交互；
所述数据库：将车流量监测系统、车载数据处理系统、充电站管理系统、配电网数据采集系统采集与处理得到的数据进行保留，用于短期充电负荷预测与长期充电站规划。
4.一种基于电动汽车充电需求预测的充电站规划方法，其特征在于，方法包括如下步骤：
步骤一：从路网中选出若干节点作为充电站建设备选节点，根据电动汽车年均充电总量和规划年电动汽车数量预测需规划的充电站数量，根据路网节点车流量监测和规划年电动汽车数量预测进行规划年电动汽车充电需求预测，选择以耗电量最小的充电站进行充电，以配电网日负荷波动最小为目标，作出电动汽车充电站最优布局规划；
步骤二：根据获取的电动汽车、充电站、配电网相关数据，以最小电网日负荷方差波动为规划目标，构建最优电动汽车充电站规划模型；电动汽车充电站规划包括电动汽车充电站的布局位置和各站规划的充电桩功率及数量；
步骤三：根据规划年电动汽车数量预测和各类型电动汽车年均充电总量预测需规划的充电站数量；根据预先在路网中设置的充电站备选节点，监测各时段各节点的车流量，结合电动汽车数量预测作出规划年各路网节点的日充电需求；根据配电网历史负荷数据对规划年电网基本负荷进行预测，结合充电站充电负荷预测曲线，对规划年配电网负荷进行预测；
步骤四：根据电动汽车充电站规划模型的约束条件求解电动汽车规划模型的最优解；根据所属条件下的最优解，确定充电站的布局位置与容量。
5.根据权利要求4一种基于电动汽车充电需求预测的山地城市充电站规划方法，其特征在于，对电动汽车充电负荷进行预测，其预测建模步骤为：
步骤S101，通过监测现年路网各节点不同时间点的车流量Nv(t，i)，根据车辆增长率与电动汽车渗透率，加以修正系数，预测规划年路网各节点各时间点具有充电需求的电动汽车数量Ne(t，i)′，构建的电动汽车充电需求预测模型为：
Ne(t，i)′＝Nv(t，i)*(1+p)n*ρ*σ％*r
Figure FDA0003403332410000031
其中，Ne(t，i)′表示规划年t时刻路网i节点处具有充电需求的电动汽车数量，Nv(t，i)为现年t时刻路网i节点处的车流量，p为今年车辆平均增长率，σ表示各时刻节点处具有充电需求的车占总车数量的比例，ρ表示电动汽车渗透率，r表示修正系数，Li-j表示任意两个路网节点之间的距离，ΔT表示监测车流量时间间隔，v表示车辆车速。
6.根据权利要求5一种基于电动汽车充电需求预测的山地城市充电站规划方法，其特征在于，在完成步骤S101后进行步骤S102，根据步骤S101预测出有充电需求的电动汽车后，电动汽车根据耗电量模型选择行驶过程中耗电量最低的充电站进行充电，考虑山地城市地形特征对电动汽车耗电量的影响，所述耗电量模型为：
Figure FDA0003403332410000032
其中，Eo，d表示从出发地到目的地的耗电量，X表示从出发地到目的地的路径，Li，j表示路径中相邻两节点的距离，Hi，j表示路径中相邻两节点的海拔差，β表示电动汽车在平地行驶的平均里程耗电量，αi，j表示电动汽车行驶在i节点与j节点时的爬坡系数，η表示电动汽车能量回收效率。
7.根据权利要求6一种基于电动汽车充电需求预测的山地城市充电站规划方法，其特征在于，在完成步骤S102后进入步骤S103，根据步骤S101，102中构建的充电需求预测与耗电量模型，电动汽车产生充电需求并选择最优充电站后，电动汽车充电负荷接入充电站的时间模型为：
Figure FDA0003403332410000033
其中，t0表示电动汽车产生充电需求的时间，t1表示电动汽车接入充电站的时间，V0表示电动汽车行驶平均速度。
8.根据权利要求7一种基于电动汽车充电需求预测的山地城市充电站规划方法，其特征在于，在完成步骤S103后进入步骤S104，根据步骤S101，S102，S103中构建的电动汽车充电负荷预测模型，所述的电动汽车充放电约束条件为：
步骤S1041，电动汽车电池不能过充过放，约束为：
Figure FDA0003403332410000041
其中，
Figure FDA0003403332410000042
表示电动汽车产生充电需求的最低电量，
Figure FDA0003403332410000043
表示电动汽车当前电量，
Figure FDA0003403332410000044
表示电动汽车充电最高电量；
步骤S1042，电动汽车充电站与产生充电需求点距离不能超过电动汽车续航里程，约束为：
0≤Lo，d(t)≤Mi(t)
其中，Lo，d(t)表示电动汽车从充电需求点到充电站的距离，Mi(t)为产生充电需求时电动汽车的续航里程。
9.根据权利要求4一种基于电动汽车充电需求预测的山地城市充电站规划方法，其特征在于，确定充电站的布局位置与容量后，确定电动汽车充电站建站数量，其确定模型为：
Figure FDA0003403332410000045
其中，Nsta表示需规划的充电站数量，Eev表示电动汽车年均充电总量，Nev表示规划年电动汽车的数量，tz表示充电桩日均使用小时数，pz表示充电桩充电功率，nz表示平均每个站需规划的充电桩数量。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3任一项或权利要求4-9任一项所述的方法。
CN202111506555.XA 2021-12-10 2021-12-10 一种山地城市充电站规划系统、方法及存储介质 Pending CN114169774A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111506555.XA CN114169774A (zh) 2021-12-10 2021-12-10 一种山地城市充电站规划系统、方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111506555.XA CN114169774A (zh) 2021-12-10 2021-12-10 一种山地城市充电站规划系统、方法及存储介质

Publications (1)

Publication Number Publication Date
CN114169774A true CN114169774A (zh) 2022-03-11

Family

ID=80485336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111506555.XA Pending CN114169774A (zh) 2021-12-10 2021-12-10 一种山地城市充电站规划系统、方法及存储介质

Country Status (1)

Country Link
CN (1) CN114169774A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117885601A (zh) * 2024-03-18 2024-04-16 成都赛力斯科技有限公司 续航显示里程的显示方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117885601A (zh) * 2024-03-18 2024-04-16 成都赛力斯科技有限公司 续航显示里程的显示方法、装置、电子设备及存储介质
CN117885601B (zh) * 2024-03-18 2024-05-07 成都赛力斯科技有限公司 续航显示里程的显示方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Yan et al. EV charging load simulation and forecasting considering traffic jam and weather to support the integration of renewables and EVs
CN112215502B (zh) 一种电池的调度补给方法、装置、电子设备以及存储介质
CN110968837B (zh) 电动汽车充电站选址定容的方法
CN106326992A (zh) 一种基于电量匹配的app预约租车系统及方法
CN110189025B (zh) 考虑不同负荷增长的电动汽车充电站规划方案获取方法
CN110288212A (zh) 基于改进的mopso的电动出租车新建充电站选址方法
CN111047120B (zh) 一种路-电耦合网络下电动汽车充电负荷预测方法
Gong et al. Load modeling method for EV charging stations based on trip chain
CN112498164A (zh) 充电策略的处理方法和装置
CN114039370A (zh) 基于v2g模式的电动汽车与智能充放电站的资源优化方法
CN115344653A (zh) 一种基于用户行为的电动汽车充电站选址方法
CN109919393B (zh) 一种电动出租汽车的充电负荷预测方法
CN114169774A (zh) 一种山地城市充电站规划系统、方法及存储介质
Lu et al. En-route electric vehicles charging navigation considering the traffic-flow-dependent energy consumption
CN114492921A (zh) 一种基于智慧交通体系的充电设施规划系统及方法
CN109359784A (zh) 计及运营商的电动汽车负荷时间预测方法和系统
CN116362523B (zh) 考虑温度适应性的换电站选址与运营策略协同优化方法
CN111967773A (zh) 一种基于大数据的充电汽车的充电设施选址系统
Liao et al. Load modeling for electric taxi battery charging and swapping stations: Comparison studies
CN110674988A (zh) 一种基于电动汽车出行大数据的城区充电站规划方法
CN115936281A (zh) 电动汽车的充电规划方法、装置、电动汽车和存储介质
Liu et al. Path planning method for electric vehicles based on freeway network
CN113222241B (zh) 考虑充电服务引导与客户需求的出租车快充电站规划方法
Li et al. Data-driven battery-lifetime-aware scheduling for electric bus fleets
CN115345351A (zh) 一种基于用户行为的电动汽车充电负荷预测方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220610

Address after: 11220 Fenghuang Road, Fenghuang District, Chongqing

Applicant after: State Grid Chongqing Electric Power Company Marketing Service Center

Applicant after: Yunyang power supply branch of State Grid Chongqing Electric Power Co.

Applicant after: STATE GRID CHONGQING ELECTRIC POWER Co.

Applicant after: STATE GRID CORPORATION OF CHINA

Address before: 11220 Fenghuang Road, Fenghuang District, Chongqing

Applicant before: State Grid Chongqing Electric Power Company Marketing Service Center

Applicant before: STATE GRID CHONGQING ELECTRIC POWER Co.

Applicant before: STATE GRID CORPORATION OF CHINA