CN114282377B - 一种考虑气象因素的电动汽车短期充电负荷的预测方法 - Google Patents

一种考虑气象因素的电动汽车短期充电负荷的预测方法 Download PDF

Info

Publication number
CN114282377B
CN114282377B CN202111624775.2A CN202111624775A CN114282377B CN 114282377 B CN114282377 B CN 114282377B CN 202111624775 A CN202111624775 A CN 202111624775A CN 114282377 B CN114282377 B CN 114282377B
Authority
CN
China
Prior art keywords
vehicle
electric automobile
heat
electric
air conditioner
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.)
Active
Application number
CN202111624775.2A
Other languages
English (en)
Other versions
CN114282377A (zh
Inventor
魏巍
徐琳
李小鹏
刘畅
姜晓锋
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.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan 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 Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202111624775.2A priority Critical patent/CN114282377B/zh
Publication of CN114282377A publication Critical patent/CN114282377A/zh
Application granted granted Critical
Publication of CN114282377B publication Critical patent/CN114282377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明属于电动汽车技术领域，具体涉及一种考虑气象因素的电动汽车短期充电负荷的预测方法，本发明基于空调工作原理，以及影响空调输出风量的因素，建立车载空调耗电模型；结合热力学原理，综合考虑了气象环境对空调输出的影响，建立分析车载空调工作原理，分析出不同气象环境下，车载空调耗电量对电动汽车充电需求的影响；并基于车载空调耗电量与车载电池容量随气温的变化的两个方面，进行气象环境对电动汽车充电负荷的影响分析，本发明通过建立考虑气象环境的电动汽车短期充电负荷预测模型，刻画了不同气象条件下电动汽车充电负荷的分布情况，反映了不同功能区电动汽车充电负荷的分布规律，为制定电网的优化运行策略提供了理论依据。

Description

一种考虑气象因素的电动汽车短期充电负荷的预测方法
技术领域
本发明属于电动汽车技术领域，具体涉及一种考虑气象因素的电动汽车短期充电负荷的预测方法。
背景技术
近年来，电动汽车发展迅速，电动汽车保有量与日俱增，据国际能源署发布的《全球电动汽车展望2020》报道，2019年全球电动汽车保有量已达到720万辆，到2030年，电动汽车保有量将达到2.45亿辆。然而，因为电动汽车的充电时间和地点都具有一定的随机性，大规模电动汽车无序充电可能导致电网负荷峰谷差加大、网损增加等问题。对电动汽车充电符合进行短期预测，有利于掌握电动汽车充电规律，为引导电动汽车有序充电提供依据，从而有效降低电动汽车充电对电网所造成的负面影响。
气象环境会对电动汽车车主的出行与充电行为产生影响，从而改变电动汽车的充电负荷。例如：气温条件会影响车载空调的使用频率，进而产生不同的电动汽车耗电量。同时，随着未来电动汽车保有量的不断增加，气象因素对电动汽车充电负荷的影响将随着大规模电动汽车的出现而产生明显的增量，对电网造成不可忽视的影响。因此，在电动汽车短期充电负荷预测过程中引入气象因素，从而提高负荷预测的精度，帮助电网更准确地掌握电动汽车在各类环境下的充电负荷特性，为电网实施相应优化运行控制策略提供有价值的参考。因此，需要有必要建立一种考虑气象因素的电动汽车短期充电负荷的预测模型来解决上述技术问题。
发明内容
本发明公开了一种考虑气象因素的电动汽车短期充电负荷的预测方法，拟解决如何提高电动汽车的短期充电负荷的预测精度的技术问题。
为解决上述技术问题，本发明采用的技术方案如下：
一种考虑气象因素的电动汽车短期充电负荷的预测方法，包括以下步骤：
步骤1：根据电动汽车的车载空调工作原理，并基于影响空调风量输出的因素，建立车载空调耗电模型，并将所述车载空调耗电模型储存至储存器中；
步骤2：根据电动汽车的车载电池的最大容量以及用于表示电池容量随温度变化的温度系数，并基于不同的温度建立车载电池容量计算模型，并将所述车载电池容量计算模型储存至储存器中；
步骤3：基于蒙特卡洛随机抽样与马尔科夫出行链原理建立电动汽车的短期充电负荷时空预测模型，并将所述短期充电负荷时空预测模型储存至储存器中；
步骤4：调用储存器中的车载空调耗电模型和车载电池容量计算模型，输入入参计算得到车载空调耗电量以及车载电池的当前容量；调用储存器中的短期充电负荷时空预测模型，将车载空调耗电量以及车载电池的当前容量代入到短期充电负荷时空预测模型中，进行训练输出考虑气象因素的电动汽车短期充电负荷预测曲线。
本发明基于空调工作原理，以及影响空调输出风量的因素，建立车载空调耗电模型，综合考虑了气象环境对空调输出的影响，进而实现了气象环境对电动汽车充电负荷的影响分析；并基于车载空调耗电量与车载电池容量随气温的变化的两个方面，分析气象环境对电动汽车充电需求的影响，结合热力学原理，建模分析单辆电动汽车的车载空调工作原理，有利于解决当前电动汽车相关数据较难采集的问题；并且本发明通过建立考虑气象环境的电动汽车短期充电负荷预测模型，可以更好的刻画不同气象条件下电动汽车充电负荷的分布情况，同时可以反映不同功能区电动汽车充电负荷的分布规律，为制定电网的实施优化运行策略提供了理论依据。
优选的，步骤1中所述的车载空调耗电模型包括空调制冷耗电模型和空调制热耗电模型。
优选的，所述步骤1包括以下步骤：
步骤1.1：定义电动汽车车室内部的得热量为Q1，所述电动汽车车室内部的得热量具体如下式所示：
Q1＝QA+QB+QC+QD+QE+QP；
式中：QA为电动汽车车身的非透明部分的传入热量；QB为电动汽车的玻璃传入热量；QC为新风量带入电动汽车车室内的热量；QD为泄露风量带入电动汽车车室内的热量；QE为电动汽车车内设备所散发的热量；QP为乘车人员所散发的热量；
步骤1.2：输入参数：电动汽车各部位的传热系数K以及表面积S、颜色，预测当天车室外各时刻温度值TW，电动汽车所在经纬度，电动汽车的乘车人数n，车内设置的适宜温度T0，太阳辐射强度It，太阳辐射对车玻璃的透入系数η，车玻璃对太阳辐射的吸收系数ρFS，车身内表面对流换热系数αn；车身外表面对流换热系数αw；车玻璃表面积SB，人体卫生标准每人每小时所需空气量Gc，车身缝隙总长L，单位长度每小时进入车室的泄露空气量Gd；利用上述参数计算出QA、QB、QC、QD、QE、QP的具体热量值；
步骤1.3：将Q1中以对流形式传递的得热量定义为Q1-DL，并将其直接转换为车载空调对流制冷负荷，定义为QL-DL；将Q1中以辐射形式传递的得热量定义为Q1-FS；并将Q1-FS转换为车载空调辐射制冷负荷QL-FS；车载空调制冷负荷QL具体计算模型如下：
Figure BDA0003439376520000031
式中：G(z)为z变换传递系数；vj、ωj为传递函数系数，反映车体不同部分得热量转换区别；
步骤1.4：车载空调制热负荷QR的计算模型如下：
QR＝QA+QB+QC+QD-QE-QP；
式中：QA为电动汽车车身的非透明部分的传入热量；QB为电动汽车的玻璃传入热量；QC为新风量带入电动汽车车室内的热量；QD为泄露风量带入电动汽车车室内的热量；QE为电动汽车车内设备所散发的热量；QP为乘车人员所散发的热量；
步骤1.5：基于蒙特卡洛法抽取每辆电动汽车的首次出行时间TCXr、最后返程时间TFCr和日行驶时长txsr；根据txsr、TCXr与TFCr判断电动汽车的出行时间段，结合各时刻环境温度分布与车载空调工作负荷QL或QR计算电动汽车形式过程中的车载空调耗电量QKT，具体如下式所示：
Figure BDA0003439376520000032
式中：TCXr为首次出行时刻，TFCr为行程结束返回时刻；txsr为日行驶时长。
优选的，所述车载电池容量计算模型具体如下：
Figure BDA0003439376520000033
式中：Er,i为电动汽车r的各时刻i温度值Ti下对应的车载电池容量；i代表各时刻，取值为1、2、…、24；xT为环境温度系数，表征电动汽车电池容量随温度变化情况；TW为外界环境各时刻温度值。
优选的，所述步骤3包括以下步骤：
步骤3.1：定义电动汽车的数量为NCAR；采用蒙特卡洛法抽取单辆电动汽车r的日行驶里程d、首次出行时刻TCXr、行程结束返回时刻TFCr，其中r代表电动汽车的编号，r＝1、2、3…NCAR；将电动汽车的形式区域划分为不同的功能区：居民区、办公区、商业区和其他区，共四个区域；
步骤3.2：初始化数据，令r＝1；
步骤3.3：由马尔科夫出行链与电动车转移概率P的矩阵计算得到电动汽车起点到终点的OD出行矩阵；
步骤3.4：令电动汽车初始载荷量SOCr，0＝1；结合OD矩阵判断电动汽车r的充电开始时刻Ts；具体如下式所示：
Figure BDA0003439376520000041
式中：Ts1、Ts2、Ts3、Ts4分别为居民区、办公区、商业区和其他区充电开始时间；μs1、σs1分别代表Ts1服从正态分布的均值和方差；μs2、σs2分别代表Ts2服从正态分布的均值和方差；
步骤3.5：计算电动汽车r的当前时刻的荷电状态；具体如下：
Figure BDA0003439376520000042
/>
式中：SOCr，i为电动汽车r当前时刻的荷电状态；SOCr,0为电动汽车r的初始荷电状态；E0为电动汽车初始电量；Qr，H为第r辆电动汽车动力能耗耗电量；计算公式如下所示：
Figure BDA0003439376520000043
式中：d0为电动汽车最大续航里程；dr为第r辆电动汽车动力日行驶里程；
当SOCr，i<0.9时电动汽车r进行充电，当SOCr，i<0.2时选择常规充电模式，当SOCr，i不满足以上条件时选择慢充模式；
步骤3.6：循环步骤3.1至步骤3.5，且在第一次循环后的后续每次循环中r的值均需要在前一次的基础上加1；所有车辆计算完毕后，对同一时段内所有充电车辆的充电功率进行叠加；输出电动汽车短期充电负荷时空预测曲线。
本发明基于电动汽车的出行状况，建立电动汽车短期充电负荷时空预测模型，使得最终所预测的电动汽车短期充电负荷更加精确。
优选的，所述步骤4包括以下步骤：
步骤4.1：在电动汽车短期充电负荷时空预测模型的基础上，输入当天各时刻温度值Ti、电动汽车r的乘车人数nr；
步骤4.2：根据步骤1中所述的车载空调耗电模型计算电动汽车r的车载空调耗电量QKT；
步骤4.3：根据步骤2中所述的车载电池容量计算模型，计算电动汽车r的各时刻温度值Ti下对应的车载电池容量Er,i；
步骤4.4：计算电动汽车r当前时刻的荷电状态SOCr，i，如下所示：
Figure BDA0003439376520000051
式中：SOCr,0为电动汽车r的初始荷电状态；Qr，H为第r辆电动汽车动力能耗耗电量，QKT为第r辆电动汽车的空调耗电量；Er,i为电动汽车r的各时刻i温度值Ti下对应的车载电池容量；
步骤4.5：循环步骤4.1到步骤4.4，直至所有的电动汽车的短期充电负荷计算完毕，对同一时间段内所有充电车辆的充电功率进行叠加；输出考虑气象因素的电动汽车短期充电负荷预测曲线。
优选的，所述电动汽车车身的非透明部分的传入热量QA的计算模型如下：
QA(i)＝∑K(i)SA(i)(TZ(i)-T0)；
式中：i代表各时刻，取值为1、2、…、24；SA为车身非透明部分所对应的面积；K为传热系数；T0为车内设置的温度；TZ为室外综合温度，是一个假象值，不能代表外界的真实温度；
所述电动汽车的玻璃传入热量QB包括对流传入热量QB1和太阳辐射传入热量QB2；其中对流传入热量QB1采用QA的计算公式，并替换对应的车玻璃的传热系数与表面积后进行QB1的计算；太阳辐射传入热量QB2的计算模型如下：
Figure BDA0003439376520000052
/>
式中：i代表各时刻，取值为1、2、…、24；q为单位面积太阳辐射传入热量；It为太阳辐射强度；η为太阳辐射对车玻璃的透入系数；ρFS为车玻璃对太阳辐射的吸收系数；αn为车身内表面对流换热系数；αw为车声外表面对流换热系数；SB为车玻璃表面积；
所述新风量带入电动汽车车室内的热量QC的计算模型如下：
QC＝0.278n·ρ·cSHC·Gc·(TZ-T0)；
式中：n为乘车人员数量；ρ为空气密度；cSHC为比热容；Gc为按人体卫生标准每人每小时所需空气量；TZ为室外综合温度；T0为车内设置的温度；
所述泄露风量带入电动汽车车室内的热量QD的计算模型如下所示：
QD＝0.278n·ρ·L·cSHC·Gd·(TZ-T0)；
式中：n为乘车人员数量；ρ为空气密度；L为车身缝隙总长；cSHC为比热容；Gd为单位长度每小时进入车室的泄露空气量；TZ为室外综合温度；T0为车内设置的温度；
所述电动汽车车内设备所散发的热量QE包括车内电气设备散热及发动器散热所产生的热量，采用实测数据进行计算；
所述乘车人员所散发的热量QP的计算模型如下所示：
QP＝anPP-AV；
式中：n为乘车人员数量；PP-AV为正常成年男子的平均散发热量；a为群集系数。
优选的，所述电动汽车行驶过程中的车载空调耗电量基于电动汽车的出行规律进行计算，所述电动汽车的出行规律为：电动汽车首次出行时刻TCXr、行程结束返回时刻TFCr服从正态分布，日行驶时长txsr服从对数正态分布，具体如下式所示：
Figure BDA0003439376520000061
式中：TCXr、TFCr分别为电动汽车首次出行时刻、行程结束返回时刻；txsr为电动汽车日行驶时长；μCXr、σCXr分别代表TCXr服从正态分布的均值和方差；μFCr、σFCr分别代表TFCr服从正态分布的均值和方差；μxsr、σxsr分别代表txsr服从对数正态分布的均值和方差。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明基于空调工作原理，以及影响空调输出风量的因素，建立车载空调耗电模型，综合考虑了气象环境对空调输出的影响，进而实现了气象环境对电动汽车充电负荷的影响分析；并基于车载空调耗电量与车载电池容量随气温的变化的两个方面，分析气象环境对电动汽车充电需求的影响，结合热力学原理，建模分析单辆电动汽车的车载空调工作原理，有利于解决当前电动汽车相关数据较难采集的问题；并且本发明通过建立考虑气象环境的电动汽车短期充电负荷预测模型，可以更好的刻画不同气象条件下电动汽车充电负荷的分布情况，同时可以反映不同功能区电动汽车充电负荷的分布规律，为制定电网的实施优化运行策略提供了理论依据。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1为车载空调耗电量对电动汽车充电需求影响的建模流程图。
图2为车载电池容量随温度变化的曲线图。
图3为考虑气象环境的电动汽车短期充电负荷预测模型的建模流程图。
图4为某地区不同气象条件下各功能区内电动汽车充电负荷分布的对比图。
图5为某地区不同气象条件下所有电动汽车充电负荷分布的对比图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域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，都属于本申请保护的范围。
参见附图1到附图5，一种考虑气象因素的电动汽车短期充电负荷的预测方法，包括以下步骤：
步骤1：根据电动汽车的车载空调工作原理，并基于影响空调风量输出的因素，建立车载空调耗电模型，并将所述车载空调耗电模型储存至储存器中；所述的车载空调耗电模型包括空调制冷耗电模型和空调制热耗电模型。
所述步骤1包括以下步骤：
步骤1.1：定义电动汽车车室内部的得热量为Q1，所述电动汽车车室内部的得热量具体如下式所示：
Q1＝QA+QB+QC+QD+QE+QP；
式中：QA为电动汽车车身的非透明部分的传入热量；QB为电动汽车的玻璃传入热量；QC为新风量带入电动汽车车室内的热量；QD为泄露风量带入电动汽车车室内的热量；QE为电动汽车车内设备所散发的热量；QP为乘车人员所散发的热量；
步骤1.2：输入参数：电动汽车各部位的传热系数K以及表面积S、颜色，预测当天车室外各时刻温度值TW，电动汽车所在经纬度，电动汽车的乘车人数n，车内设置的适宜温度T0，太阳辐射强度It，太阳辐射对车玻璃的透入系数η，车玻璃对太阳辐射的吸收系数ρFS，车身内表面对流换热系数αn；车身外表面对流换热系数αw；车玻璃表面积SB，人体卫生标准每人每小时所需空气量Gc，车身缝隙总长L，单位长度每小时进入车室的泄露空气量Gd；利用上述参数计算出QA、QB、QC、QD、QE、QP的具体热量值；
步骤1.3：将Q1中以对流形式传递的得热量定义为Q1-DL，并将其直接转换为车载空调对流制冷负荷，定义为QL-DL；将Q1中以辐射形式传递的得热量定义为Q1-FS；并将Q1-FS转换为车载空调辐射制冷负荷QL-FS；车载空调制冷负荷QL具体计算模型如下：
Figure BDA0003439376520000081
式中：G(z)为z变换传递系数；vj、ωj为传递函数系数，反映车体不同部分得热量转换区别；
步骤1.4：车载空调制热负荷QR的计算模型如下：
QR＝QA+QB+QC+QD-QE-QP；
式中：QA为电动汽车车身的非透明部分的传入热量；QB为电动汽车的玻璃传入热量；QC为新风量带入电动汽车车室内的热量；QD为泄露风量带入电动汽车车室内的热量；QE为电动汽车车内设备所散发的热量；QP为乘车人员所散发的热量；
所述电动汽车车身的非透明部分的传入热量QA的计算模型如下：
QA(i)＝∑K(i)SA(i)(TZ(i)-T0)；
式中：i代表各时刻，取值为1、2、…、24；SA为车身非透明部分所对应的面积；K为传热系数；T0为车内设置的温度；TZ为室外综合温度，是一个假象值，不能代表外界的真实温度；
所述电动汽车的玻璃传入热量QB包括对流传入热量QB1和太阳辐射传入热量QB2；其中对流传入热量QB1采用QA的计算公式，并替换对应的车玻璃的传热系数与表面积后进行QB1的计算；太阳辐射传入热量QB2的计算模型如下：
Figure BDA0003439376520000091
式中：i代表各时刻，取值为1、2、…、24；q为单位面积太阳辐射传入热量；It为太阳辐射强度；η为太阳辐射对车玻璃的透入系数；ρFS为车玻璃对太阳辐射的吸收系数；αn为车身内表面对流换热系数；αw为车声外表面对流换热系数；SB为车玻璃表面积；
所述新风量带入电动汽车车室内的热量QC的计算模型如下：
QC＝0.278n·ρ·cSHC·Gc·(TZ-T0)；
式中：n为乘车人员数量；ρ为空气密度；cSHC为比热容；Gc为按人体卫生标准每人每小时所需空气量；TZ为室外综合温度；T0为车内设置的温度；
所述泄露风量带入电动汽车车室内的热量QD的计算模型如下所示：
QD＝0.278n·ρ·L·cSHC·Gd·(TZ-T0)；
式中：n为乘车人员数量；ρ为空气密度；L为车身缝隙总长；cSHC为比热容；Gd为单位长度每小时进入车室的泄露空气量；TZ为室外综合温度；T0为车内设置的温度；
所述电动汽车车内设备所散发的热量QE包括车内电气设备散热及发动器散热所产生的热量，采用实测数据进行计算；
所述乘车人员所散发的热量QP的计算模型如下所示：
QP＝anPP-AV；
式中：n为乘车人员数量；PP-AV为正常成年男子的平均散发热量；a为群集系数。
步骤1.5：基于蒙特卡洛法抽取每辆电动汽车的首次出行时间TCXr、最后返程时间TFCr和日行驶时长txsr；根据txsr、TCXr与TFCr判断电动汽车的出行时间段，结合各时刻环境温度分布与车载空调工作负荷QL或QR计算电动汽车形式过程中的车载空调耗电量QKT，具体如下式所示：
Figure BDA0003439376520000092
式中：TCXr为首次出行时刻，TFCr为行程结束返回时刻；txsr为日行驶时长。
所述电动汽车行驶过程中的车载空调耗电量基于电动汽车的出行规律进行计算，所述电动汽车的出行规律为：电动汽车首次出行时刻TCXr、行程结束返回时刻TFCr服从正态分布，日行驶时长txsr服从对数正态分布，具体如下式所示：
Figure BDA0003439376520000101
式中：TCXr、TFCr分别为电动汽车首次出行时刻、行程结束返回时刻；txsr为电动汽车日行驶时长；μCXr、σCXr分别代表TCXr服从正态分布的均值和方差；μFCr、σFCr分别代表TFCr服从正态分布的均值和方差；μxsr、σxsr分别代表txsr服从对数正态分布的均值和方差。
步骤2：根据电动汽车的车载电池的最大容量以及用于表示电池容量随温度变化的温度系数，并基于不同的温度建立车载电池容量计算模型，并将所述车载电池容量计算模型储存至储存器中；所述车载电池容量计算模型具体如下：
Figure BDA0003439376520000102
式中：Er,i为电动汽车r的各时刻i温度值Ti下对应的车载电池容量；i代表各时刻，取值为1、2、…、24；xT为环境温度系数，表征电动汽车电池容量随温度变化情况；TW为外界环境各时刻温度值。
步骤3：基于蒙特卡洛随机抽样与马尔科夫出行链原理建立电动汽车的短期充电负荷时空预测模型，并将所述短期充电负荷时空预测模型储存至储存器中；
所述步骤3包括以下步骤：
步骤3.1：定义电动汽车的数量为NCAR；采用蒙特卡洛法抽取单辆电动汽车r的日行驶里程d、首次出行时刻TCXr、行程结束返回时刻TFCr，其中r代表电动汽车的编号，r＝1、2、3…NCAR；将电动汽车的形式区域划分为不同的功能区：居民区、办公区、商业区和其他区，共四个区域；
步骤3.2：初始化数据，令r＝1；
步骤3.3：由马尔科夫出行链与电动车转移概率P的矩阵计算得到电动汽车起点到终点的OD出行矩阵；
步骤3.4：令电动汽车初始载荷量SOCr，0＝1；结合OD矩阵判断电动汽车r的充电开始时刻Ts；具体如下式所示：
Figure BDA0003439376520000111
式中：Ts1、Ts2、Ts3、Ts4分别为居民区、办公区、商业区和其他区充电开始时间；μs1、σs1分别代表Ts1服从正态分布的均值和方差；μs2、σs2分别代表Ts2服从正态分布的均值和方差；
步骤3.5：计算电动汽车r的当前时刻的荷电状态；具体如下：
Figure BDA0003439376520000112
式中：SOCr，i为电动汽车r当前时刻的荷电状态；SOCr,0为电动汽车r的初始荷电状态；E0为电动汽车初始电量；Qr，H为第r辆电动汽车动力能耗耗电量；计算公式如下所示：
Figure BDA0003439376520000113
式中：d0为电动汽车最大续航里程；dr为第r辆电动汽车动力日行驶里程；
当SOCr，i<0.9时电动汽车r进行充电，当SOCr，i<0.2时选择常规充电模式，当SOCr，i不满足以上条件时选择慢充模式；
步骤3.6：循环步骤3.1至步骤3.5，且在第一次循环后的后续每次循环中r的值均需要在前一次的基础上加1；所有车辆计算完毕后，对同一时段内所有充电车辆的充电功率进行叠加；输出电动汽车短期充电负荷时空预测曲线。
本发明基于电动汽车的出行状况，建立电动汽车短期充电负荷时空预测模型，使得最终所预测的电动汽车短期充电负荷更加精确。
步骤4：调用储存器中的车载空调耗电模型和车载电池容量计算模型，输入入参计算得到车载空调耗电量以及车载电池的当前容量；调用储存器中的短期充电负荷时空预测模型，将车载空调耗电量以及车载电池的当前容量代入到短期充电负荷时空预测模型中，进行训练输出考虑气象因素的电动汽车短期充电负荷预测曲线。
所述步骤4包括以下步骤：
步骤4.1：在电动汽车短期充电负荷时空预测模型的基础上，输入当天各时刻温度值Ti、电动汽车r的乘车人数nr；
步骤4.2：根据步骤1中所述的车载空调耗电模型计算电动汽车r的车载空调耗电量QKT；
步骤4.3：根据步骤2中所述的车载电池容量计算模型，计算电动汽车r的各时刻温度值Ti下对应的车载电池容量Er,i；
步骤4.4：计算电动汽车r当前时刻的荷电状态SOCr，i，如下所示：
Figure BDA0003439376520000121
式中：SOCr,0为电动汽车r的初始荷电状态；Qr，H为第r辆电动汽车动力能耗耗电量，QKT为第r辆电动汽车的空调耗电量；Er,i为电动汽车r的各时刻i温度值Ti下对应的车载电池容量；
步骤4.5：循环步骤4.1到步骤4.4，直至所有的电动汽车的短期充电负荷计算完毕，对同一时间段内所有充电车辆的充电功率进行叠加；输出考虑气象因素的电动汽车短期充电负荷预测曲线。
本发明基于空调工作原理，以及影响空调输出风量的因素，建立车载空调耗电模型，综合考虑了气象环境对空调输出的影响，进而实现了气象环境对电动汽车充电负荷的影响分析；并基于车载空调耗电量与车载电池容量随气温的变化的两个方面，分析气象环境对电动汽车充电需求的影响，结合热力学原理，建模分析单辆电动汽车的车载空调工作原理，有利于解决当前电动汽车相关数据较难采集的问题；并且本发明通过建立考虑气象环境的电动汽车短期充电负荷预测模型，可以更好的刻画不同气象条件下电动汽车充电负荷的分布情况，同时可以反映不同功能区电动汽车充电负荷的分布规律，为制定电网的实施优化运行策略提供了理论依据。
参见图1到图5对本发明的实施方式做进一步的描述；
参见图1所示，根据电动汽车车载空调的工作原理，并基于影响空调输出风量的影响因素，分别建立高温环境下的空调制冷耗电模型和低温环境下的空调制热耗电模型；
QA为车身不透明部分传入热量，主要由车室内外温度差传热产生，包括车门、车顶、车底等部分，具体计算模型如下所示：
QA(i)＝∑K(i)SA(i)(TZ(i)-T0)；
式中：i代表各时刻，取值为1、2、…、24；SA为车身不透明部分对应表面积；K为传热系数；T0为设置的车内适宜温度；TZ为室外综合温度，是一个假象值，不能代表外界环境真实气温。
QB为车玻璃传入热量，由对流传入热量QB1和太阳辐射传入热量QB2两部分组成。其中QB1与QA性质相同，故采用QA的计算模型对QB1进行计算，只需替换对应车玻璃的传热系数与表面积即可。计算QB2时，需先计算车玻璃单位面积吸收热量q，具体如下所示：
Figure BDA0003439376520000131
式中：i代表各时刻，取值为1、2、…、24；q为单位面积太阳辐射传入热量；It为太阳辐射强度；η为太阳辐射对车玻璃的透入系数；ρFS为车玻璃对太阳辐射的吸收系数；αn为车身内表面对流换热系数；αw为车身外表面对流换热系数；SB为车玻璃表面积。
由于车主主动通风换气，伴随外部空气进入车室的得热量即为新风量带入车室热量QC。计算模型如下所示：
QC＝0.278n·ρ·cSHC·Gc·(TZ-T0)；
式中：n为乘车人员数量；ρ为空气密度；cSHC为比热容；Gc为按人体卫生标准每人每小时所需空气量；T0为设置的车内适宜温度；TZ为室外综合温度。
QD为泄露风量带入车室热量，主要由车体自身缝隙造成，具体计算模型如下所示：
QD＝0.278n·ρ·L·cSHC·Gd·(TZ-T0)；
式中：n为乘车人员数量；ρ为空气密度；cSHC为比热容；L为车身缝隙总长；Gd为单位长度每小时进入车室的泄露空气量；T0为设置的车内适宜温度；TZ为室外综合温度。
QE为车内设备散发热量，包含车内电气设备散热及电动机散热，通常使用实测数据计算。QP为乘车人员散发热量，具体计算模型如下所示：
QP＝anPP-AV；
式中：n为乘车人员数量；PP-AV为正常成年男子的平均散发热量；a为群集系数，由于乘车人员具有随机性，且乘车人员散发热量与性别和年龄等相关，为了简化实际计算过程，以成年男子散发热量为参考，引入群集系数，作为考虑随机乘车人员的比例系数。
其次，由电动汽车出行规律知，电动汽车首次出行时刻TCXr、行程结束返回时刻TFCr服从正态分布，日行驶时长txsr服从对数正态分布，具体计算模型如下所示：
Figure BDA0003439376520000141
式中：TCXr、TFCr分别为电动汽车首次出行时刻、行程结束返回时刻；txsr为电动汽车日行驶时长；μCXr、σCXr分别代表TCXr服从正态分布的均值和方差；μFCr、σFCr分别代表TFCr服从正态分布的均值和方差；μxsr、σxsr分别代表txsr服从对数正态分布的均值和方差；
分别取值为：
Figure BDA0003439376520000143
由此判断可得到电动汽车的行驶时段，故可计算电动汽车行驶过程中的车载空调耗电量。
根据电动汽车的车载电池的最大容量以及用于表示电池容量随温度变化的温度系数，并基于不同的温度建立车载电池容量计算模型，并将所述车载电池容量计算模型储存至储存器中；以25℃时的容量作为车载电池最大容量E0，利用温度系数xT表示电池容量随温度变化情况，可由图2所示的曲线图得到。其余不同温度下车载电池容量Er,i计算模型如下所示：
Figure BDA0003439376520000142
Er,i＝xT(i)E0
式中：Er,i为电动汽车r的各时刻i温度值Ti下对应的车载电池容量；i代表各时刻，取值为1、2、…、24；xT为环境温度系数，表征电动汽车电池容量随温度变化情况；TW为外界环境各时刻温度值。
基于蒙特卡洛随机抽样与马尔科夫出行链原理建立电动汽车的短期充电负荷时空预测模型，并将所述短期充电负荷时空预测模型储存至储存器中；
对电动汽车出行行为与充电行为建模；
由2017年美国交通部对全美家用车辆的调查结果(national household travelsurvey，NHTS2017)统计所得规律，得到电动汽车各时刻空间转移概率P矩阵，具体如下所示：
Figure BDA0003439376520000151
式中：Pij为电动汽车从区域i到区域j的转移概率。
借助P矩阵判断电动汽车各时刻是否进行转移及转移的区域，得到起点-终点OD(origin destination)出行矩阵，其中包含电动汽车各时刻的区域位置信息。
根据各功能区电动汽车充电开始时间的概率密度函数确定车辆充电开始时间。居民区充电开始时间Ts1、办公区充电开始时间Ts2、商业区充电开始时间Ts3、其他区充电开始时间Ts4对应概率密度函数如下所示：
Figure BDA0003439376520000152
式中：Ts1、Ts2、Ts3、Ts4分别为居民区、办公区、商业区和其他区充电开始时间；μs1、σs1分别代表Ts1服从正态分布的均值和方差；μs2、σs2分别代表Ts2服从正态分布的均值和方差；
式中：
Figure BDA0003439376520000154
maxTs3＝22，minTs3＝9；maxTs4＝22，minTs4＝8。
电动汽车日行驶里程d的概率密度函数如下所示：
Figure BDA0003439376520000153
式中：μd＝3.2，σd＝0.88。
参见附图3，建立考虑气象因素的电动汽车短期充电负荷预测模型，首先计算电动汽车r的车载空调耗电量QKT与车载电池容量Er,i；其次计算电动汽车r当前时刻的SOCr，i，具体计算模型如下所示：
Figure BDA0003439376520000161
式中：SOCr,0为电动汽车r的初始荷电状态；Qr，H为第r辆电动汽车动力能耗耗电量，QKT为第r辆电动汽车的空调耗电量；Er,i为电动汽车r的各时刻i温度值Ti下对应的车载电池容量；
Figure BDA0003439376520000162
式中：d0为电动汽车最大续航里程；dr为第r辆电动汽车动力日行驶里程；Er,i为电动汽车r的各时刻i温度值Ti下对应的车载电池容量；当SOCr，i<0.9时电动汽车r进行充电，当SOCr，i<0.2时选择常规充电模式，其余选择慢充模式；由此计算充电时长Tc与充电结束时间Te。
由电动汽车当前荷电状态(SOC，State of Charge)SOC值选择电动汽车的充电状态以及充电模式，由此可确定电动汽车的充电功率，由此可计算出电动汽车的充电时长，结合各功能区电动汽车的充电开始时间，可得到不同区域的电动汽车充电负荷分布情况。
下面通过仿真验证对本发明做进一步的说明；
一、仿真试验的参数和条件如下：
(1)设定以上海市浦东新区为例，将区域在空间上划分为居民区、办公区、商业区、其他区四个功能区；
(2)假设该地区内共有10000辆电动汽车；
(3)每辆电动汽车均从居民区出发开始一天的行程，在当天行程结束后均返回居民区；
(4)每辆电动汽车车载电池最大容量E0为45kW·h，最大续航里程d0为350km。
(5)依据电动汽车出行规律，假设车主日常出行选择常规充和慢充两种模式，常规充模式下充电功率pc1为7kW，慢充模式下充电功率pc2为3.5kW；
(6)电动汽车起始荷电状态(State of Charge，SOC)小于0.9时，EV进行充电；当SOC<0.2时，EV选择常规模式充电，其余情况选择慢充；
(7)电动汽车出行行为与充电行为所服从分布及参数设置如表1所示；
表1
Figure BDA0003439376520000163
Figure BDA0003439376520000171
(8)电动汽车车载空调负荷计算模型的部分参数如表2所示；
表2
参数 PP-AV/(W/人) L/m n/人 a ρFS Gc/(m3/h/人) Gd/(m3/h/m) η
设定值 116 38 2 0.89 0.08 20 10 10
(9)取上海市2019年夏至日各时刻温度值T1与冬至日各时刻温度值T2分别代表高温和低温环境，如表3所示；
表3
t 1 2 3 4 5 6 7 8 9 10 11 12
T1 28 27 27 25 25 26 27 29 29 31 31 31
T2 6 6 6 6 6 6 7 8 8 9 10 10
t 13 14 15 16 17 18 19 20 21 22 23 24
T1 31 32 32 32 31 31 30 30 29 29 29 28
T2 11 12 12 12 13 12 11 10 10 7 7 6
(10)随机抽取18-25℃范围内的温度值，分别设置为高温、低温环境下车室适宜温度T01、T02；
(11)车室得热量转换为车载空调制冷负荷的传递函数系数取值如表4所示。
表4
Figure BDA0003439376520000172
二、仿真试验结果：
如图4所示，其中，电动汽车动力能耗负荷是指在适宜气象条件下电动汽车的基础充电负荷，即不考虑气象环境对电动汽车充电需求的影响。
由图4可知，与电动汽车动力能耗负荷相比，受气象因素影响下的电动汽车充电负荷在各功能区都出现明显地增加，尤其体现在居民区。电动汽车的集中充电行为在居民区较为显著，故导致居民区电动汽车充电负荷出现较大涨幅。
之后，分别叠加各功能区电动汽车在不同气象条件下充电负荷的分布情况，得到某地区所有电动汽车充电负荷的分布情况，如图5所示。
由图5可知，全区域内高温、低温下电动汽车充电负荷与电动汽车动力能耗负荷相比，出现大幅增量。由此说明电动汽车出行与充电行为均受到气象因素不同程度的影响。与此同时，可以看出相较于高温环境，低温环境下电动汽车充电负荷增长更大，主要是由于低温环境下电动汽车车载空调耗电严重，且气温较低时车载电池容量会有明显的下降，导致电动汽车续航里程的大幅度减少，从而通过增加车主充电频次及改变车主充电时段的选择，影响电动汽车的充电电量与充电行为，最终表现为在低温环境下电动汽车充电负荷出现较大增长。
由此说明，本发明所提出的考虑气象环境的电动汽车短期充电负荷预测方法可以有效反映电动汽车充电负荷的分布情况，且可以刻画出电动汽车充电负荷受气象环境影响下的变化情况。
以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

Claims (5)

1.一种考虑气象因素的电动汽车短期充电负荷的预测方法，其特征在于，包括以下步骤：
步骤1：根据电动汽车的车载空调工作原理，并基于影响空调风量输出的因素，建立车载空调耗电模型，并将所述车载空调耗电模型储存至储存器中；具体包括以下步骤：
步骤1.1：定义电动汽车车室内部的得热量为Q1，所述电动汽车车室内部的得热量具体如下式所示：
Q1＝QA+QB+QC+QD+QE+QP；
式中：QA为电动汽车车身的非透明部分的传入热量；QB为电动汽车的玻璃传入热量；QC为新风量带入电动汽车车室内的热量；QD为泄漏风量带入电动汽车车室内的热量；QE为电动汽车车内设备所散发的热量；QP为乘车人员所散发的热量；
步骤1.2：输入参数：电动汽车各部位的传热系数K以及表面积S、颜色，预测当天车室外各时刻温度值TW，电动汽车所在经纬度，电动汽车的乘车人数n，车内设置的适宜温度T0，太阳辐射强度It，太阳辐射对车玻璃的透入系数η，车玻璃对太阳辐射的吸收系数ρFS，车身内表面对流换热系数αn；车身外表面对流换热系数αw；车玻璃表面积SB，人体卫生标准每人每小时所需空气量Gc，车身缝隙总长L，单位长度每小时进入车室的泄漏空气量Gd；利用上述参数计算出QA、QB、QC、QD、QE、QP的具体热量值；
步骤1.3：将Q1中以对流形式传递的得热量定义为Q1-DL，并将其直接转换为车载空调对流制冷负荷，定义为QL-DL；将Q1中以辐射形式传递的得热量定义为Q1-FS；并将Q1-FS转换为车载空调辐射制冷负荷QL-FS；车载空调制冷负荷QL具体计算模型如下：
Figure FDA0004203804970000011
式中：G(z)为z变换传递系数；vj、ωj为传递函数系数，反映车体不同部分得热量转换区别；
步骤1.4：车载空调制热负荷QR的计算模型如下：
QR＝QA+QB+QC+QD-QE-QP；
式中：QA为电动汽车车身的非透明部分的传入热量；QB为电动汽车的玻璃传入热量；QC为新风量带入电动汽车车室内的热量；QD为泄漏风量带入电动汽车车室内的热量；QE为电动汽车车内设备所散发的热量；QP为乘车人员所散发的热量；
步骤1.5：基于蒙特卡洛法抽取每辆电动汽车的首次出行时间TCXr、最后返程时间TFCr和日行驶时长txsr；根据txsr、TCXr与TFCr判断电动汽车的出行时间段，结合各时刻环境温度分布与车载空调工作负荷QL或QR计算电动汽车形式过程中的车载空调耗电量QKT，具体如下式所示：
Figure FDA0004203804970000021
式中：TCXr为首次出行时刻，TFCr为行程结束返回时刻；txsr为日行驶时长；
步骤2：根据电动汽车的车载电池的最大容量以及用于表示电池容量随温度变化的温度系数，并基于不同的温度建立车载电池容量计算模型，并将所述车载电池容量计算模型储存至储存器中；其中，车载电池容量计算模型具体如下：
Figure FDA0004203804970000022
式中：Er,i为电动汽车r的各时刻i温度值Ti下对应的车载电池容量；i代表各时刻，取值为1、2、…、24；xT为环境温度系数，表征电动汽车电池容量随温度变化情况；TW为外界环境各时刻温度值；
步骤3：基于蒙特卡洛随机抽样与马尔科夫出行链原理建立电动汽车的短期充电负荷时空预测模型，并将所述短期充电负荷时空预测模型储存至储存器中；具体包括以下步骤：
步骤3.1：定义电动汽车的数量为NCAR；采用蒙特卡洛法抽取单辆电动汽车r的日行驶里程d、首次出行时刻TCXr、行程结束返回时刻TFCr，其中r代表电动汽车的编号，r＝1、2、3…NCAR；将电动汽车的形式区域划分为不同的功能区：居民区、办公区、商业区和其他区，共四个区域；
步骤3.2：初始化数据，令r＝1；
步骤3.3：由马尔科夫出行链与电动车转移概率P的矩阵计算得到电动汽车起点到终点的OD出行矩阵；
步骤3.4：令电动汽车初始载荷量SOCr，0＝1；结合OD矩阵判断电动汽车r的充电开始时刻Ts；具体如下式所示：
Figure FDA0004203804970000031
式中：Ts1、Ts2、Ts3、Ts4分别为居民区、办公区、商业区和其他区充电开始时间；μs1、σs1分别代表Ts1服从正态分布的均值和方差；μs2、σs2分别代表Ts2服从正态分布的均值和方差；
步骤3.5：计算电动汽车r的当前时刻的荷电状态；具体如下：
Figure FDA0004203804970000032
式中：SOCr，i为电动汽车r当前时刻的荷电状态；SOCr,0为电动汽车r的初始荷电状态；E0为电动汽车初始电量；Qr，H为第r辆电动汽车动力能耗耗电量；计算公式如下所示：
Figure FDA0004203804970000033
/>
式中：d0为电动汽车最大续航里程；dr为第r辆电动汽车动力日行驶里程；
当SOCr，i<0.9时电动汽车r进行充电，当SOCr，i<0.2时选择常规充电模式，当SOCr，i不满足以上条件时选择慢充模式；
步骤3.6：循环步骤3.1至步骤3.5，且在第一次循环后的后续每次循环中r的值均需要在前一次的基础上加1；所有车辆计算完毕后，对同一时段内所有充电车辆的充电功率进行叠加；输出电动汽车短期充电负荷时空预测曲线；
步骤4：调用储存器中的车载空调耗电模型和车载电池容量计算模型，输入入参计算得到车载空调耗电量以及车载电池的当前容量；调用储存器中的短期充电负荷时空预测模型，将车载空调耗电量以及车载电池的当前容量代入到短期充电负荷时空预测模型中，进行训练输出考虑气象因素的电动汽车短期充电负荷预测曲线。
2.根据权利要求1所述的一种考虑气象因素的电动汽车短期充电负荷的预测方法，其特征在于，步骤1中所述的车载空调耗电模型包括空调制冷耗电模型和空调制热耗电模型。
3.根据权利要求1所述的一种考虑气象因素的电动汽车短期充电负荷的预测方法，其特征在于，所述步骤4包括以下步骤：
步骤4.1：在电动汽车短期充电负荷时空预测模型的基础上，输入当天各时刻温度值Ti、电动汽车r的乘车人数nr；
步骤4.2：根据步骤1中所述的车载空调耗电模型计算电动汽车r的车载空调耗电量QKT；
步骤4.3：根据步骤2中所述的车载电池容量计算模型，计算电动汽车r的各时刻温度值Ti下对应的车载电池容量Er,i；
步骤4.4：计算电动汽车r当前时刻的荷电状态SOCr，i，如下所示：
Figure FDA0004203804970000041
式中：SOCr,0为电动汽车r的初始荷电状态；Qr，H为第r辆电动汽车动力能耗耗电量，QKT为第r辆电动汽车的空调耗电量；Er,i为电动汽车r的各时刻i温度值Ti下对应的车载电池容量；
步骤4.5：循环步骤4.1到步骤4.4，直至所有的电动汽车的短期充电负荷计算完毕，对同一时间段内所有充电车辆的充电功率进行叠加；输出考虑气象因素的电动汽车短期充电负荷预测曲线。
4.根据权利要求1所述的一种考虑气象因素的电动汽车短期充电负荷的预测方法，其特征在于，所述电动汽车车身的非透明部分的传入热量QA的计算模型如下：
QA(i)＝∑K(i)SA(i)(TZ(i)-T0)；
式中：i代表各时刻，取值为1、2、…、24；SA为车身非透明部分所对应的面积；K为传热系数；T0为车内设置的温度；TZ为室外综合温度，是一个假象值，不能代表外界的真实温度；
所述电动汽车的玻璃传入热量QB包括对流传入热量QB1和太阳辐射传入热量QB2；其中对流传入热量QB1采用QA的计算公式，并替换对应的车玻璃的传热系数与表面积后进行QB1的计算；太阳辐射传入热量QB2的计算模型如下：
Figure FDA0004203804970000042
/>
式中：i代表各时刻，取值为1、2、…、24；q为单位面积太阳辐射传入热量；It为太阳辐射强度；η为太阳辐射对车玻璃的透入系数；ρFS为车玻璃对太阳辐射的吸收系数；αn为车身内表面对流换热系数；αw为车声外表面对流换热系数；SB为车玻璃表面积；
所述新风量带入电动汽车车室内的热量QC的计算模型如下：
QC＝0.278n·ρ·cSHC·Gc·(TZ-T0)；
式中：n为乘车人员数量；ρ为空气密度；cSHC为比热容；Gc为按人体卫生标准每人每小时所需空气量；TZ为室外综合温度；T0为车内设置的温度；
所述泄漏风量带入电动汽车车室内的热量QD的计算模型如下所示：
QD＝0.278n·ρ·L·cSHC·Gd·(TZ-T0)；
式中：n为乘车人员数量；ρ为空气密度；L为车身缝隙总长；cSHC为比热容；Gd为单位长度每小时进入车室的泄漏空气量；TZ为室外综合温度；T0为车内设置的温度；
所述电动汽车车内设备所散发的热量QE包括车内电气设备散热及发动器散热所产生的热量，采用实测数据进行计算；
所述乘车人员所散发的热量QP的计算模型如下所示：
QP＝anPP-AV；
式中：n为乘车人员数量；PP-AV为正常成年男子的平均散发热量；a为群集系数。
5.根据权利要求1所述的一种考虑气象因素的电动汽车短期充电负荷的预测方法，其特征在于，所述电动汽车行驶过程中的车载空调耗电量基于电动汽车的出行规律进行计算，所述电动汽车的出行规律为：电动汽车首次出行时刻TCXr、行程结束返回时刻TFCr服从正态分布，日行驶时长txsr服从对数正态分布，具体如下式所示：
Figure FDA0004203804970000051
式中：TCXr、TFCr分别为电动汽车首次出行时刻、行程结束返回时刻；txsr为电动汽车日行驶时长；μCXr、σCXr分别代表TCXr服从正态分布的均值和方差；μFCr、σFCr分别代表TFCr服从正态分布的均值和方差；μxsr、σxsr分别代表txsr服从对数正态分布的均值和方差。
CN202111624775.2A 2021-12-28 2021-12-28 一种考虑气象因素的电动汽车短期充电负荷的预测方法 Active CN114282377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111624775.2A CN114282377B (zh) 2021-12-28 2021-12-28 一种考虑气象因素的电动汽车短期充电负荷的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111624775.2A CN114282377B (zh) 2021-12-28 2021-12-28 一种考虑气象因素的电动汽车短期充电负荷的预测方法

Publications (2)

Publication Number Publication Date
CN114282377A CN114282377A (zh) 2022-04-05
CN114282377B true CN114282377B (zh) 2023-06-06

Family

ID=80877332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111624775.2A Active CN114282377B (zh) 2021-12-28 2021-12-28 一种考虑气象因素的电动汽车短期充电负荷的预测方法

Country Status (1)

Country Link
CN (1) CN114282377B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932558A (zh) * 2018-05-18 2018-12-04 国网江苏省电力有限公司徐州供电分公司 一种对外开放型电动公交充电站负荷预测方法
CN111400662A (zh) * 2020-03-17 2020-07-10 国网上海市电力公司 一种考虑电动汽车充电需求的空间负荷预测方法
CN111626514A (zh) * 2020-05-29 2020-09-04 深圳供电局有限公司 一种电动汽车充电负荷预测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6634854B2 (ja) * 2015-03-05 2020-01-22 株式会社Ｇｓユアサ 蓄電素子管理装置、蓄電素子管理方法、蓄電素子モジュール、蓄電素子管理プログラム及び移動体
CN107392400B (zh) * 2017-09-04 2020-10-16 重庆大学 计及实时交通与温度的ev充电负荷时空分布预测方法
CN108510128B (zh) * 2018-04-11 2022-04-15 华南理工大学广州学院 一种区域电动汽车充电负荷时空分布预测方法
CN110728396B (zh) * 2019-09-25 2022-05-31 国网山西省电力公司经济技术研究院 一种考虑时空分布的电动汽车充电负荷综合建模方法
CN112633571B (zh) * 2020-12-18 2023-09-29 浙江大学 源网荷互动环境下基于lstm的超短期负荷预测方法
CN113379141B (zh) * 2021-06-23 2023-04-18 国网四川省电力公司电力科学研究院 一种兼顾电网负载均衡性与用户体验的电动汽车充电路径优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932558A (zh) * 2018-05-18 2018-12-04 国网江苏省电力有限公司徐州供电分公司 一种对外开放型电动公交充电站负荷预测方法
CN111400662A (zh) * 2020-03-17 2020-07-10 国网上海市电力公司 一种考虑电动汽车充电需求的空间负荷预测方法
CN111626514A (zh) * 2020-05-29 2020-09-04 深圳供电局有限公司 一种电动汽车充电负荷预测方法及装置

Also Published As

Publication number Publication date
CN114282377A (zh) 2022-04-05

Similar Documents

Publication Publication Date Title
CN110728396B (zh) 一种考虑时空分布的电动汽车充电负荷综合建模方法
CN110570014B (zh) 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法
Wang et al. Modeling of plug-in electric vehicle travel patterns and charging load based on trip chain generation
Ashtari et al. PEV charging profile prediction and analysis based on vehicle usage data
Lee et al. Synthesis of real-world driving cycles and their use for estimating PHEV energy consumption and charging opportunities: Case study for Midwest/US
Kambly et al. Geographical and temporal differences in electric vehicle range due to cabin conditioning energy consumption
CN108288112B (zh) 基于用户出行模拟的区域电动汽车充电站负荷预测方法
CN111400662B (zh) 一种考虑电动汽车充电需求的空间负荷预测方法
Gan et al. A probabilistic evaluation method of household EVs dispatching potential considering users’ multiple travel needs
CN109934403A (zh) 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
CN107609670B (zh) 一种基于copula算法电动汽车充电站负荷预测方法
Karan et al. Integrating building and transportation energy use to design a comprehensive greenhouse gas mitigation strategy
Bizzarri et al. Electric vehicles state of charge and spatial distribution forecasting: A high-resolution model
Croce et al. Energy consumption of electric vehicles: Models’ estimation using big data (FCD)
Bhatti et al. Development and analysis of electric vehicle driving cycle for hilly urban areas
Thorgeirsson et al. An investigation into key influence factors for the everyday usability of electric vehicles
Sagaama et al. Evaluation of the energy consumption model performance for electric vehicles in SUMO
CN114282377B (zh) 一种考虑气象因素的电动汽车短期充电负荷的预测方法
Boulakhbar et al. Electric vehicles arrival and departure time prediction based on deep learning: the case of Morocco
CN113435663A (zh) 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法
CN113147506A (zh) 基于大数据的车与车互学习充电剩余时间预测方法和装置
CN109117972A (zh) 一种电动汽车的充电需求确定方法
CN110826813A (zh) 基于家用电动汽车用户充电差异性需求的电网优化方法
CN114655074B (zh) 一种基于贝叶斯回归的电动汽车实际行驶能耗估计方法
Eissa et al. An Efficient Hybrid Deep Learning Approach for Accurate Remaining EV Range Prediction

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