CN114742118A - 电动汽车集群充放电负荷组合预测方法 - Google Patents

电动汽车集群充放电负荷组合预测方法 Download PDF

Info

Publication number
CN114742118A
CN114742118A CN202011539148.4A CN202011539148A CN114742118A CN 114742118 A CN114742118 A CN 114742118A CN 202011539148 A CN202011539148 A CN 202011539148A CN 114742118 A CN114742118 A CN 114742118A
Authority
CN
China
Prior art keywords
charging
discharging
vehicle
load
electric automobile
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
CN202011539148.4A
Other languages
English (en)
Other versions
CN114742118B (zh
Inventor
黄玉萍
邓艺璇
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.)
Guangzhou Institute of Energy Conversion of CAS
Original Assignee
Guangzhou Institute of Energy Conversion of CAS
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 Guangzhou Institute of Energy Conversion of CAS filed Critical Guangzhou Institute of Energy Conversion of CAS
Priority to CN202011539148.4A priority Critical patent/CN114742118B/zh
Publication of CN114742118A publication Critical patent/CN114742118A/zh
Application granted granted Critical
Publication of CN114742118B publication Critical patent/CN114742118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10Technologies relating to charging of electric vehicles
    • Y02T90/16Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (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)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (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)
  • Probability & Statistics with Applications (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开一种电动汽车集群充放电组合预测方法,基于电动汽车的驾驶行为数据和充电行为数据,结合区域实时用能情况,通过梯度提升分类算法能够自主识别充放电行为,更准确地对电动汽车操作进行分类。同时挖掘影响电动汽车充放电行为决策的特征因素,建立电动汽车充放电负荷预测模型。本发明分类效率高、预测准确度高,为实施充放电负荷预测提供准确的负荷类型识别,为V2G模式下车辆并网调度、参与移峰填谷的电力服务提供新的预测方法。

Description

电动汽车集群充放电负荷组合预测方法
技术领域
本发明涉及能源需求侧管理负荷预测技术领域,尤其涉及一种电动汽车集群充放电负荷组合预测方法。
背景技术
随着电动汽车规模化的快速增长,车辆用电量不断增长,电动汽车充电将成为未来用电负荷增长的重要推动力之一,对发电侧、输电侧、配电侧与供电侧均带来挑战。电动汽车充电的随机性会造成本地充电需求与负荷峰值发生较大波动,任由电动汽车进行无序充电而不采取任何需求侧管理措施,可能让规划未来配变容量变得更加困难。因此,有必要优先考虑电动汽车与电网协同措施,通过需求管理手段,让电动汽车能够更友好地接入电网。
电动汽车充电行为所涉及的因素非常复杂,研究人员对各种影响因素综合考虑会形成不同的充电负荷预测模型和预测结果。传统的方法是基于概率模型进行实时模拟,目前已有越来越多的研究人员采用机器学习方法来预测电动汽车短期充电负荷。而在实际应用中,没有哪一种预测技术能够全面客观的对预测现象及其所处的环境进行模拟。负荷预测方法在建模过程中一般会受到两方面的限制:一是所建立的模型中未辨别各影响因素的重要性程度,因此不可能包含所有的重要影响因素,二是各个参数之间的内在关系也比较复杂,通常难以确定。
发明内容
针对上述问题,本发明提出一种电动汽车集群充放电负荷组合预测方法,基于梯度提升决策树分类算法建立分类模型,对电动汽车的充放电状态进行分类,并基于重要特征因素的概率密度函数,利用蒙特卡洛模拟建立电动汽车充放电负荷预测模型,最后计算多种调度策略下的电动汽车集群的充放电负荷,主要解决背景技术的问题。
为解决上述技术问题,本发明的技术方案如下:
一种电动汽车集群充放电负荷组合预测方法,包括以下步骤:
收集电动汽车的历史数据及用户充放电意愿,生成特征数据集;
将特征数据集带入梯度提升决策树分类模型,对电动汽车的充放电行为进行分类;
根据梯度提升决策树分类模型中对各特征因素重要性程度的判断结果,选取影响电动汽车充放电分类的特征因素,并拟合概率密度分布;
利用蒙特卡洛模拟建立电动汽车充放电负荷预测模型;
计算多种调度策略下电动汽车的日充放电负荷,并绘制负荷分布曲线。
本发明的有益效果为:基于梯度提升算法的电动汽车充放电行为分类模型,区分V2G调度计划时段内电动汽车的充放电行为,为实施充放电负荷预测提供准确的负荷类型识别。再有,相较于传统负荷预测,本发明采用的组合预测方法对不同负荷类型获得更精准的预测结果,解决V2G负荷分类不清,体量不明的问题。
附图说明
图1为本发明实施例中公开的电动汽车集群充放电负荷组合预测方法的框架示意图;
图2为本发明实施例中公开的梯度提升决策树分类模型的特征因素重要性雷达图;
图3为本发明实施例中公开的无序充电与有序充电日负荷曲线对比图;
图4为本发明实施例中公开的无序充电与双向充放电日负荷曲线对比图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,下面结合附图和具体实施方式对本发明的内容做进一步详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
如图1所示,本实施例提出了一种电动汽车集群充放电负荷组合预测方法,包括以下步骤:
步骤1,收集电动汽车的历史数据及用户充放电意愿,生成特征数据集;
历史数据指车辆的驾驶行为数据和充电行为数据,包括车辆到达时间Atimei、车辆出发前的荷电状态
Figure BDA0002854404920000021
车辆驶离时间Dtimei、车辆驶离时的荷电状态
Figure BDA0002854404920000022
日行驶里程di、最大续航里程
Figure BDA0002854404920000023
电池容量Capi、充电桩的充电功率
Figure BDA0002854404920000024
和放电功率
Figure BDA0002854404920000025
历史数据用于计算车辆到达时的荷电状态SOCstart和历史充电时长Ti,其中,i=1,2,...,N,N为该区域参与电网调度的电动汽车数量;
Figure BDA0002854404920000026
Figure BDA0002854404920000027
通过式(3)计算得到车辆停驶时间
Figure BDA0002854404920000028
Figure BDA0002854404920000029
用户充放电意愿包括用户可接受的放电后最低荷电状态
Figure BDA00028544049200000210
用户期望的开始充电时最低荷电状态
Figure BDA0002854404920000031
用户期望的充电单价
Figure BDA0002854404920000032
和用户期望的放电收益
Figure BDA0002854404920000033
通过式(4)和式(5)分别计算得到车辆充电时长
Figure BDA0002854404920000034
和放电时长
Figure BDA0002854404920000035
通过式(6)计算得到车辆充电/放电所需时间
Figure BDA0002854404920000036
Figure BDA0002854404920000037
Figure BDA0002854404920000038
Figure BDA0002854404920000039
当前时刻车辆是否放电由用户充放电意愿结合历史数据确定:当且仅当限定条件
Figure BDA00028544049200000310
Figure BDA00028544049200000311
同时成立,则车辆放电(类S1),否则车辆不放电(类S0),将限定条件中涉及的所有特征因素增加到特征数据集。
步骤2,将特征数据集带入梯度提升决策树分类模型,对电动汽车的充放电行为进行分类;
特征数据集分为训练集和测试集,利用训练集在调度中心大数据平台训练梯度提升决策树分类模型,然后将测试集数据带入梯度提升决策树分类模型,计算梯度提升决策树分类模型的分类准确度和精确度;根据分类后的不同类别,结合车辆自身荷电状态,给予每辆电动汽车类别标签和相应的调度指令,类别标签包括“参与放电调度”和“不参与放电调度”两种,调度指令包括“立刻充电”、“立刻放电”和“空闲”三种,在后续的负荷预测过程中,电动汽车将按照调度指令进行充放电活动,并持续至调度指令时间结束。
步骤3,根据梯度提升决策树分类模型中对各特征因素重要性程度的判断结果,选取影响电动汽车充放电分类的特征因素,并拟合概率密度分布;
各特征因素重要性程度的判断结果具体为:计算各特征因素在梯度提升决策树分类模型中的贡献度,对特征重要性进行排序,然后根据排序结果,筛选出影响电动汽车充放电分类的重要特征,重要特征作为梯度提升决策树分类模型的特征输入参数,利用历史数据拟合特征输入参数的概率密度函数,并更新分类模型,图2为本实施例中特征因素重要性雷达图。
步骤4,利用蒙特卡洛模拟建立电动汽车充放电负荷预测模型;
利用蒙特卡洛模拟建立电动汽车充放电负荷预测模型具体为:利用蒙特卡洛法随机抽取每辆电动汽车的驾驶行为数据,对电动汽车集群连接至调度中心大数据平台时的状态数据进行仿真,状态数据包括车辆到达时间Atimei、车辆到达时的荷电状态SOCstart、车辆驶离时间Dtimei、车辆驶离时的荷电状态
Figure BDA00028544049200000312
用户可接受的放电后最低荷电状态
Figure BDA00028544049200000313
用户期望的开始充电时最低荷电状态
Figure BDA00028544049200000413
电池容量Capi、充电桩的充电功率
Figure BDA0002854404920000041
和放电功率
Figure BDA0002854404920000042
然后利用式(7)和式(8)分别计算每辆电动汽车每小时内的充电负荷和放电负荷:
Figure BDA0002854404920000043
Figure BDA0002854404920000044
其中,i=1,2,...,N,N为该区域参与电网调度的电动汽车数量,j=1,2,...,24,单位:小时;
Figure BDA0002854404920000045
为第i辆车在第j时段内的充电时长,
Figure BDA0002854404920000046
为第i辆车在第j时段内的放电时长,
Figure BDA0002854404920000047
为第i辆车在第j时段内的充电负荷,
Figure BDA0002854404920000048
为第i辆车在第j时段内的放电负荷。
步骤5,计算多种调度策略下电动汽车的日充放电负荷,并绘制负荷分布曲线;
调度策略包括有序充电和V2G调度下的双向充放电,有序充电是指在满足电动汽车充电需求的前提下,通过调度中心智能控制措施优化调整电动汽车充电时序,且电动汽车遵守调度中心指令,在规定的时间内进行充电;双向充放电是指在满足电动汽车充电需求的前提下,将电动汽车视作储能设施,当电网负荷或本地负荷过高时,由电动汽车向电网或本地负荷馈电,当电网负荷或本地负荷过低时,通过有序充电,调整本地负荷的峰谷差;
结合不同调度策略,利用式(9)和式(10)分别计算电动汽车集群每小时内的充电负荷和放电负荷,并绘制负荷分布曲线,如图3、图4所示;
Figure BDA0002854404920000049
Figure BDA00028544049200000410
其中,
Figure BDA00028544049200000411
为电动汽车集群在第j时段内的充电总负荷,
Figure BDA00028544049200000412
为电动汽车集群在第j时段内的放电总负荷。
结果表明,提出的基于梯度提升算法的分类模型对电动汽车充放电分类的准确度为0.92,精确度为0.93,分类效果较好。
在本次模拟中,车辆无序充电和有序充电总负荷均为2316.26kW,V2G模式下车辆的充电总负荷为2343.07kW,车辆的放电总负荷为1083.30kW。由图3可见,相较于无序充电,有序充电策略下车优化调整了电动汽车集群的充电时序,避免造成“峰上加峰”。由图4可见,相较于无序充电,有序充电、V2G都能够调整电动汽车的充电时序,减小无序充电给电网负荷和本地负荷造成的冲击。另外,V2G模式下部分车辆首先放电,调整本地负荷的峰值,放电结束后再进行有序充电,实现“移峰填谷”。
本发明基于梯度提升算法的电动汽车充放电行为分类模型,区分V2G调度计划时段内电动汽车的充放电行为,为实施充放电负荷预测提供准确的负荷类型识别。再有,相较于传统负荷预测,本发明采用的组合预测方法对不同负荷类型获得更精准的预测结果,解决V2G负荷分类不清,体量不明的问题。
下表1为本发明涉及的参数释义说明。
表1参数说明
Figure BDA0002854404920000051
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。

Claims (8)

1.一种电动汽车集群充放电负荷组合预测方法,其特征在于,包括以下步骤:
收集电动汽车的历史数据及用户充放电意愿,生成特征数据集;
将所述特征数据集带入梯度提升决策树分类模型,对电动汽车的充放电行为进行分类;
根据所述梯度提升决策树分类模型中对各特征因素重要性程度的判断结果,选取影响电动汽车充放电分类的特征因素,并拟合概率密度分布;
利用蒙特卡洛模拟建立电动汽车充放电负荷预测模型;
计算多种调度策略下电动汽车的日充放电负荷,并绘制负荷分布曲线。
2.如权利要求1所述的电动汽车集群充放电负荷组合预测方法,其特征在于,所述历史数据指车辆的驾驶行为数据和充电行为数据,包括车辆到达时间Atimei、车辆出发前的荷电状态
Figure FDA0002854404910000011
车辆驶离时间Dtimei、车辆驶离时的荷电状态
Figure FDA0002854404910000012
日行驶里程di、最大续航里程
Figure FDA0002854404910000013
电池容量Capi、充电桩的充电功率
Figure FDA0002854404910000014
和放电功率
Figure FDA0002854404910000015
3.如权利要求2所述的电动汽车集群充放电负荷组合预测方法,其特征在于,所述历史数据用于计算车辆到达时的荷电状态SOCstart和历史充电时长Ti,其中,i=1,2,...,N,N为该区域参与电网调度的电动汽车数量;
Figure FDA0002854404910000016
Figure FDA0002854404910000017
通过式(3)计算得到车辆停驶时间
Figure FDA0002854404910000018
Figure FDA0002854404910000019
4.如权利要求3所述的电动汽车集群充放电负荷组合预测方法,其特征在于,所述用户充放电意愿包括用户可接受的放电后最低荷电状态
Figure FDA00028544049100000110
用户期望的开始充电时最低荷电状态
Figure FDA00028544049100000111
用户期望的充电单价
Figure FDA00028544049100000112
和用户期望的放电收益
Figure FDA00028544049100000113
通过式(4)和式(5)分别计算得到车辆充电时长
Figure FDA00028544049100000114
和放电时长
Figure FDA00028544049100000115
通过式(6)计算得到车辆充电/放电所需时间
Figure FDA00028544049100000116
Figure FDA00028544049100000117
Figure FDA00028544049100000118
Figure FDA00028544049100000119
当前时刻车辆是否放电由所述用户充放电意愿结合所述历史数据确定:当且仅当限定条件
Figure FDA0002854404910000021
同时成立,则车辆放电,否则车辆不放电,将所述限定条件中涉及的所有特征因素增加到所述特征数据集。
5.如权利要求1所述的电动汽车集群充放电负荷组合预测方法,其特征在于,所述特征数据集分为训练集和测试集,利用所述训练集在调度中心大数据平台训练梯度提升决策树分类模型,然后将所述测试集数据带入所述梯度提升决策树分类模型,计算所述梯度提升决策树分类模型的分类准确度和精确度;根据分类后的不同类别,结合车辆自身荷电状态,给予每辆电动汽车类别标签和相应的调度指令,所述类别标签包括“参与放电调度”和“不参与放电调度”两种,所述调度指令包括“立刻充电”、“立刻放电”和“空闲”三种,在后续的负荷预测过程中,电动汽车将按照所述调度指令进行充放电活动,并持续至所述调度指令时间结束。
6.如权利要求1所述的电动汽车集群充放电负荷组合预测方法,其特征在于,所述各特征因素重要性程度的判断结果具体为:计算各特征因素在所述梯度提升决策树分类模型中的贡献度,对特征重要性进行排序,然后根据排序结果,筛选出影响电动汽车充放电分类的重要特征,所述重要特征作为所述梯度提升决策树分类模型的特征输入参数,利用所述历史数据拟合特征输入参数的概率密度函数,并更新分类模型。
7.如权利要求1所述的电动汽车集群充放电负荷组合预测方法,其特征在于,所述利用蒙特卡洛模拟建立电动汽车充放电负荷预测模型具体为:利用蒙特卡洛法随机抽取每辆电动汽车的驾驶行为数据,对电动汽车集群连接至调度中心大数据平台时的状态数据进行仿真,所述状态数据包括车辆到达时间Atimei、车辆到达时的荷电状态SOCstart、车辆驶离时间Dtimei、车辆驶离时的荷电状态
Figure FDA0002854404910000022
用户可接受的放电后最低荷电状态
Figure FDA0002854404910000023
用户期望的开始充电时最低荷电状态
Figure FDA0002854404910000024
电池容量Capi、充电桩的充电功率
Figure FDA0002854404910000025
和放电功率
Figure FDA0002854404910000026
然后利用式(7)和式(8)分别计算每辆电动汽车每小时内的充电负荷和放电负荷:
Figure FDA0002854404910000027
Figure FDA0002854404910000028
其中,i=1,2,...,N,N为该区域参与电网调度的电动汽车数量,j=1,2,...,24,单位:小时;
Figure FDA0002854404910000029
为第i辆车在第j时段内的充电时长,
Figure FDA00028544049100000210
为第i辆车在第j时段内的放电时长,
Figure FDA00028544049100000211
为第i辆车在第j时段内的充电负荷,
Figure FDA00028544049100000212
为第i辆车在第j时段内的放电负荷。
8.如权利要求7所述的电动汽车集群充放电负荷组合预测方法,其特征在于,所述调度策略包括有序充电和V2G调度下的双向充放电,所述有序充电是指在满足电动汽车充电需求的前提下,通过调度中心智能控制措施优化调整电动汽车充电时序,且电动汽车遵守调度中心指令,在规定的时间内进行充电;所述双向充放电是指在满足电动汽车充电需求的前提下,将电动汽车视作储能设施,当电网负荷或本地负荷过高时,由电动汽车向电网或本地负荷馈电,当电网负荷或本地负荷过低时,通过有序充电,调整本地负荷的峰谷差;
结合不同调度策略,利用式(9)和式(10)分别计算电动汽车集群每小时内的充电负荷和放电负荷,并绘制负荷分布曲线;
Figure FDA0002854404910000031
Figure FDA0002854404910000032
其中,
Figure FDA0002854404910000033
为电动汽车集群在第j时段内的充电总负荷,
Figure FDA0002854404910000034
为电动汽车集群在第j时段内的放电总负荷。
CN202011539148.4A 2020-12-23 2020-12-23 电动汽车集群充放电负荷组合预测方法 Active CN114742118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011539148.4A CN114742118B (zh) 2020-12-23 2020-12-23 电动汽车集群充放电负荷组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011539148.4A CN114742118B (zh) 2020-12-23 2020-12-23 电动汽车集群充放电负荷组合预测方法

Publications (2)

Publication Number Publication Date
CN114742118A true CN114742118A (zh) 2022-07-12
CN114742118B CN114742118B (zh) 2023-10-27

Family

ID=82274259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011539148.4A Active CN114742118B (zh) 2020-12-23 2020-12-23 电动汽车集群充放电负荷组合预测方法

Country Status (1)

Country Link
CN (1) CN114742118B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115465141A (zh) * 2022-09-16 2022-12-13 上海挚达科技发展有限公司 电动汽车充放电控制方法、装置、电子设备及存储介质
CN118036789A (zh) * 2023-06-21 2024-05-14 中国科学院广州能源研究所 一种混合电动汽车负荷分类预测方法及相关设备
CN118036789B (zh) * 2023-06-21 2024-09-10 中国科学院广州能源研究所 一种混合电动汽车负荷分类预测方法及相关设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160159239A1 (en) * 2013-12-02 2016-06-09 State Grid Chongqing Electric Power Co. Electric Power Research Institute System and Method for Controlling Charging and Discharging of Electric Vehicle
CN105868942A (zh) * 2016-06-07 2016-08-17 北京交通大学 电动汽车的有序充电调度方法
CN107169273A (zh) * 2017-05-05 2017-09-15 河海大学 计及延时和v2g充电模式的电动汽车充电功率预测方法
CN109242220A (zh) * 2018-11-16 2019-01-18 国家电网有限公司 充电站交易电量预测方法、装置、电子设备及存储介质
CN109508826A (zh) * 2018-11-13 2019-03-22 合肥工业大学 基于梯度提升决策树的电动汽车集群可调度容量预测方法
CN109558975A (zh) * 2018-11-21 2019-04-02 清华大学 一种电力负荷概率密度多种预测结果的集成方法
CN109878369A (zh) * 2019-03-11 2019-06-14 三峡大学 一种基于模糊pid实时电价的电动汽车充放电优化调度方法
CN110509788A (zh) * 2019-08-21 2019-11-29 三峡大学 深化调峰的电动汽车群组合优化充放电方法
CN110570014A (zh) * 2019-08-07 2019-12-13 浙江大学 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
CN110852494A (zh) * 2019-10-25 2020-02-28 上海电力大学 一种计及需求响应的电动汽车概率负荷预测方法
CN111476435A (zh) * 2020-04-30 2020-07-31 国核电力规划设计研究院有限公司 基于密度峰值的充电桩负荷预测方法
US20200254896A1 (en) * 2019-02-08 2020-08-13 California Institute Of Technology Systems and Methods for Adaptive EV Charging

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160159239A1 (en) * 2013-12-02 2016-06-09 State Grid Chongqing Electric Power Co. Electric Power Research Institute System and Method for Controlling Charging and Discharging of Electric Vehicle
CN105868942A (zh) * 2016-06-07 2016-08-17 北京交通大学 电动汽车的有序充电调度方法
CN107169273A (zh) * 2017-05-05 2017-09-15 河海大学 计及延时和v2g充电模式的电动汽车充电功率预测方法
CN109508826A (zh) * 2018-11-13 2019-03-22 合肥工业大学 基于梯度提升决策树的电动汽车集群可调度容量预测方法
CN109242220A (zh) * 2018-11-16 2019-01-18 国家电网有限公司 充电站交易电量预测方法、装置、电子设备及存储介质
CN109558975A (zh) * 2018-11-21 2019-04-02 清华大学 一种电力负荷概率密度多种预测结果的集成方法
US20200254896A1 (en) * 2019-02-08 2020-08-13 California Institute Of Technology Systems and Methods for Adaptive EV Charging
CN109878369A (zh) * 2019-03-11 2019-06-14 三峡大学 一种基于模糊pid实时电价的电动汽车充放电优化调度方法
CN110570014A (zh) * 2019-08-07 2019-12-13 浙江大学 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
CN110509788A (zh) * 2019-08-21 2019-11-29 三峡大学 深化调峰的电动汽车群组合优化充放电方法
CN110852494A (zh) * 2019-10-25 2020-02-28 上海电力大学 一种计及需求响应的电动汽车概率负荷预测方法
CN111476435A (zh) * 2020-04-30 2020-07-31 国核电力规划设计研究院有限公司 基于密度峰值的充电桩负荷预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MARIZ B. ARIAS 等: "Prediction of electric vehicle charging-power demand in realistic urban traffic networks", 《APPLIED ENERGY》, vol. 195, pages 738 - 753, XP029971919, DOI: 10.1016/j.apenergy.2017.02.021 *
MEIQIN MAO 等: "Schedulable capacity forecasting for electric vehicles based on big data analysis", 《JOURNAL OF MODERN POWER SYSTEMS AND CLEAN ENERGY》, pages 1651 - 1662 *
岳友: "基于大数据的电动汽车集群可调度容量多时间尺度预测方法的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2017, pages 042 - 559 *
邓艺璇 等: "基于随机森林算法的电动汽车充放电容量预测", 《电力系统自动化》, vol. 45, no. 21, pages 181 - 188 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115465141A (zh) * 2022-09-16 2022-12-13 上海挚达科技发展有限公司 电动汽车充放电控制方法、装置、电子设备及存储介质
CN118036789A (zh) * 2023-06-21 2024-05-14 中国科学院广州能源研究所 一种混合电动汽车负荷分类预测方法及相关设备
CN118036789B (zh) * 2023-06-21 2024-09-10 中国科学院广州能源研究所 一种混合电动汽车负荷分类预测方法及相关设备

Also Published As

Publication number Publication date
CN114742118B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN105868942B (zh) 电动汽车的有序充电调度方法
CN103241130B (zh) 一种电动公交车充换电站的能量管理方法及系统
CN110570014A (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
CN107169273A (zh) 计及延时和v2g充电模式的电动汽车充电功率预测方法
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN109508826B (zh) 基于梯度提升决策树的电动汽车集群可调度容量预测方法
CN108791270A (zh) 一种混合动力车辆基于工况预测的动力部件工作点调控方法
CN110929920A (zh) 一种基于工况识别的混合动力列车能量管理方法
CN113541168A (zh) 一种电动汽车集群可调控能力确定方法、调度方法及系统
CN110232219B (zh) 一种基于数据挖掘的电动汽车可调度容量核定方法
CN106096773A (zh) 一种电动汽车充当储能的多目标优化调度方法
CN114039370B (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
CN114580251B (zh) 一种配电台区电动汽车充电负荷分析方法及装置
CN114707292B (zh) 含电动汽车配电网电压稳定性分析方法
CN115860185A (zh) 一种考虑极端高温天气下多类型电动汽车充电方式的电网负荷预测方法
CN107067130A (zh) 一种基于电动汽车马尔可夫充电需求分析模型的快速充电站容量规划方法
CN114282821A (zh) 一种共享电动汽车的调度方法、系统及设备
CN114742118B (zh) 电动汽车集群充放电负荷组合预测方法
CN110472841B (zh) 一种电动汽车快速充电站的储能配置方法
CN110852378A (zh) 一种基于导航系统的道路工况运动学片断提取方法
Huang et al. The impact of electric vehicle development on grid load power and electricity consumption
Ge et al. EV Charging Behavior Simulation and Analysis Using Real-World Charging Load Data
CN114819656B (zh) 基于多阶段延迟接受算法的电动汽车-快充站匹配方法
CN111682550B (zh) 接入高渗透率电源及电动汽车的配电网可靠性评估方法

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