CN115169630A - 一种电动汽车充电负荷预测方法及装置 - Google Patents
一种电动汽车充电负荷预测方法及装置 Download PDFInfo
- Publication number
- CN115169630A CN115169630A CN202210421766.1A CN202210421766A CN115169630A CN 115169630 A CN115169630 A CN 115169630A CN 202210421766 A CN202210421766 A CN 202210421766A CN 115169630 A CN115169630 A CN 115169630A
- Authority
- CN
- China
- Prior art keywords
- charging
- electric automobile
- load
- attribute
- energy storage
- 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 28
- 238000004146 energy storage Methods 0.000 claims abstract description 35
- 230000006399 behavior Effects 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 33
- 238000013145 classification model Methods 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (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)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种电动汽车充电负荷预测方法及装置,以电动汽车起始充电时刻、充电时长、储能容量、季节、气温和节假日期为指标,基于TAN分类器与模糊集理论相结合,对电动汽车充电行为分布需求进行分类,再按类型对电动汽车充电负荷进行预测,可得到更为准确的分类结果,有效提高负荷预测精度。
Description
技术领域
本发明属于电动汽车负荷预测技术领域,具体为一种电动汽车充电负荷预测方法及装置。
背景技术
根据2021年4月29日国际能源署分布《2021年全球电动汽车展望》报告。尽管2020年全球汽车行业受到疫情沉重打击,但电动汽车却逆势上扬。预计未来十年将显著增长。去年新注册电动汽车数量达300万辆,较2019年同比增长41%,汽车销量下降16%。现有政策下,预计到2030年,全球电动汽车数量可达1.45亿辆。如果各国政府加大减排力度,到2030年这一数字可能还将提升至2.3亿辆。
随着动力储能电池技术的长足发展,电动汽车开始逐步走向实用,特别是混合动力电动汽车,己在国外实现市场化销售,被认为是中长期内最可行的新能源汽车,并将逐渐占据汽车市场的大部分份额。与此相对应的是,电动汽车充电负荷的广泛接入将对电网的运行产生较大影响。为了定量分析电动汽车接入电网影响进行,或进行配电网规划、定容选址、控制策略研究,都需要对电动汽车充电负荷进行预测。
经调研,目前对充电负荷的广泛计算策略是先对车辆进行3-4类划分,再按类型寻找停车充电模型进行计算,但该方法分类粗略,预测误差较大,同种类型的车辆通常具有不同的充电特性。
发明内容
本发明的目的在于提供一种电动汽车充电负荷预测方法及装置,基于TAN分类器与模糊集理论相结合,对电动汽车充电行为分布需求进行分类,再按类型对电动汽车充电负荷进行预测,可得到更为准确的分类结果,有效提高负荷预测精度。
为达到上述目的,本发明采用的技术方案如下:
本发明提供一种电动汽车充电负荷预测方法,包括:
获取电动汽车的充电功率、起始充电时刻及储能容量,计算电动汽车充电时长;
以电动汽车充电时长、起始充电时刻、储能容量、当前季节、气温和节假日期为输入,输入训练好的混合分类模型,得到电动汽车在当前的充电行为需求类;
根据电动汽车充电时长、充电功率、起始充电时刻和所属的充电行为需求类,计算电动汽车各时刻的充电负荷;
将每一个充电行为需求类的电动汽车充电负荷进行叠加,得到该类电动汽车的日充电负荷曲线;将所有类的日负荷曲线进行叠加得到所有电动汽车类型的日充电负荷曲线。
进一步的,还包括,训练混合分类模型如下:
获取电动汽车充电行为历史数据建立训练样本;所述电动汽车充电行为历史数据包括电动汽车起始充电时刻、充电时长、储能容量、季节、气温和节假日期;
采用TAN分类器对训练样本进行训练,得到电动汽车随环境而变化的充电行为需求类。
进一步的,所述训练过程中,采用具有最大似然估计值的属性条件概率作为分类依据。
进一步的,所述充电行为需求类决策如下:
以电动汽车起始充电时刻、充电时长、储能容量、季节、气温和节假日期为属性指标,每个属性指标根据物理意义设置多个属性值,依据属性指标和属性值将电动汽车充电行为需求分成若干类。
进一步的,所述属性指标的属性值设置如下:
设置0~3表示属性值的不同物理意义;
对于气温,0表示寒冷、1表示低温、2表示中等适宜温度、3表示高温,;
对于起始充电时刻,0表示0-6时、1表示7-12时、2表示13-18时、3表示19-24时;
对于充电时长,0表示0-2时、1表示2-4时、2表示4-6时、3表示6时以上;
对于储能容量,0表示10-25kwh、1表示25-40kwh、2表示40-55kwh、3表示55kwh以上;
对于节假日期,0表示工作日,1表示周末,2表示节假日;
对于季节,0-3分别表示春、夏、秋、冬;
另外,设置“*”表示信息意外缺失。
本发明还提供一种电动汽车充电负荷预测装置,包括:
数据获取模块,用于获取电动汽车的充电功率、起始充电时刻及储能容量,计算电动汽车充电时长;
分类模块,用于以电动汽车充电时长、起始充电时刻、储能容量、当前季节、气温和节假日期为输入,输入训练好的混合分类模型,得到电动汽车在当前的充电行为需求类;
计算模块,用于根据电动汽车充电时长、充电功率、起始充电时刻和所属的充电行为需求类,计算电动汽车各时刻的充电负荷;以及,
将每一个充电行为需求类的电动汽车充电负荷进行叠加,得到该类电动汽车的日充电负荷曲线;将所有类的日负荷曲线进行叠加得到所有电动汽车类型的日充电负荷曲线。
进一步的,还包括,
训练模块,用于,
获取电动汽车充电行为历史数据建立训练样本;所述电动汽车充电行为历史数据包括电动汽车起始充电时刻、充电时长、储能容量、季节、气温和节假日期;
采用TAN分类器对训练样本进行训练,得到电动汽车随环境而变化的充电行为需求类。
进一步的,所述训练模块具体用于,采用具有最大似然估计值的属性条件概率作为分类依据。
进一步的,所述训练模块还用于,
设置充电行为需求类决策如下:
以电动汽车起始充电时刻、充电时长、储能容量、季节、气温和节假日期为属性指标,每个属性指标根据物理意义设置多个属性值,依据属性指标和属性值将电动汽车充电行为需求分成若干类;
各属性指标的属性值设置如下:
设置0~3表示属性值的不同物理意义;
对于气温,0表示寒冷、1表示低温、2表示中等适宜温度、3表示高温,;
对于起始充电时刻,0表示0-6时、1表示7-12时、2表示13-18时、3表示19-24时;
对于充电时长,0表示0-2时、1表示2-4时、2表示4-6时、3表示6时以上;
对于储能容量,0表示10-25kwh、1表示25-40kwh、2表示40-55kwh、3表示55kwh以上;
对于节假日期,0表示工作日,1表示周末,2表示节假日;
对于季节,0-3分别表示春、夏、秋、冬;
另外,设置“*”表示信息意外缺失。
本发明达到的有益效果为:
本发明提供了一种电动汽车充电负荷预测方法,采用模糊集理论和TAN分类器相结合的方式对充电行为分布需求进行分类,可得到更为准确的分类结果,针对电动汽车进行负荷预测更为准确。
附图说明
图1为本发明实施例提供的一种电动汽车充电负荷预测流程图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明实施例提供一种电动汽车充电负荷预测方法,参见图1,具体实现过程如下:
获取单位车辆的充电功率、车辆起始充电时刻及储能容量,计算单位车辆充电时长;
以车辆充电时长、车辆起始充电时刻、储能容量以及当前季节、气温、节假日期为输入,输入训练好的混合分类模型,得到电动汽车在当前的充电行为需求类;
将每一个充电行为需求类的电动汽车充电负荷进行叠加,得到该类电动汽车的日充电负荷曲线;将所有类的日负荷曲线进行叠加得到所有电动汽车类型的日充电负荷曲线。
本领域技术人员应该知道,根据单位车辆起始充电时刻以及单位车辆的储能容量以及充电功率和起始荷电状态即可计算充电时长。
本领域技术人员应该知道,根据充电时长、充电功率、充电起始时刻等已知量则可得到计算得到该条件下某一时刻的充电负荷。
具体的,混合分类模型训练如下:
获取电动汽车充电行为历史数据建立训练样本;
采用TAN分类器对训练样本进行训练,得到电动汽车随环境而变化的充电行为需求类。充电行为需求是指满足该充电功率、车辆起始充电时刻及储能容量的车辆在所设定的季节、气温、节假日期的充电需求。
本实施例中,根据大数据库提供的充电基本信息选取属性指标,作为训练样本。属性指标的选取以影响负荷曲线时间分布变化最明显的因素为准;本实施例中属性指标包括电动汽车起始充电时刻、充电时长、储能容量、季节、气温和节假日期。
本实施例中,采用TAN分类器对训练样本进行训练,TAN分类器分为父节点和子节点,TAN分类器呈树状结构,加强了NB分类器属性间的相互联系。若以权重弧I来表示两属性元素间的联系程度,各属性指标为Xi,充电行为需求类集合为C,则有:
采用具有最大似然估计值的属性条件概率作为分类依据,则有:
本实施例中,分类决策如表1所示,X1,X2,X3,X4,X5,X6分别表示起始充电时刻、充电时长、储能容量、季节、气温和节假日期六个属性指标。每个属性指标包含多个属性值,依据属性指标和属性值可将充电行为分布需求分成若干类。
以气温属性为例,0~3表示属性值的不同物理意义,0表示寒冷。1表示低温,2表示中等适宜温度,3表示高温,“*”表示信息意外缺失;
对于起始充电时刻,0表示0-6时、1表示7-12时、2表示13-18时、3表示19-24时;
对于充电时长,0表示0-2时、1表示2-4时、2表示4-6时、3表示6时以上;
对于储能容量,0表示10-25kwh、1表示25-40kwh、2表示40-55kwh、3表示55kwh以上;
对于节假日期,0表示工作日,1表示周末(非假节日),2表示节假日;
对于季节,0-3分别表示春、夏、秋、冬。
粗糙集对属性元素的约简是根据可辨识矩阵M对属性集合进行提取的,如表1中的属性集{X1,X2,X5,X6}和{X1,X2,X6}的分类辨识效果一致,则后者为前者的一个约简;若混合分类仅需{X1,X2}进行父节点的先验概率及子节点的条件概率计算,就可以达到分类精度,则{X1,X2}成为最佳约简的核属性集,此时,即使测试样本的其他属性元素信息缺失,也不会影响分类器对充电行为的分类。
表1分类决策表
本实施例中,计算各时刻所对应的充电负荷如下:
其中,Pni(t)表示第i个充电行为需求类电动汽车n在t时刻的充电负荷,k表示充电行为需求类总数,N表示第i个充电行为需求类的电动汽车总数。
累加全天各时间点的充电负荷,可得到日总充电负荷:
本发明另一个实施例提供一种电动汽车充电负荷预测装置,包括:
数据获取模块,用于获取电动汽车的充电功率、起始充电时刻及储能容量,计算电动汽车充电时长;
分类模块,用于以电动汽车充电时长、起始充电时刻、储能容量、当前季节、气温和节假日期为输入,输入训练好的混合分类模型,得到电动汽车在当前的充电行为需求类;
计算模块,用于根据电动汽车充电时长、充电功率、起始充电时刻和所属的充电行为需求类,计算电动汽车各时刻的充电负荷;以及,
将每一个充电行为需求类的电动汽车充电负荷进行叠加,得到该类电动汽车的日充电负荷曲线;将所有类的日负荷曲线进行叠加得到所有电动汽车类型的日充电负荷曲线。
本实施例中,还包括训练模块,用于,
获取电动汽车充电行为历史数据建立训练样本;所述电动汽车充电行为历史数据包括电动汽车起始充电时刻、充电时长、储能容量、季节、气温和节假日期;
采用TAN分类器对训练样本进行训练,得到电动汽车随环境而变化的充电行为需求类。
本实施例中,训练模块具体用于,采用具有最大似然估计值的属性条件概率作为分类依据。
本实施例中,训练模块还用于,
设置充电行为需求类决策如下:
以电动汽车起始充电时刻、充电时长、储能容量、季节、气温和节假日期为属性指标,每个属性指标根据物理意义设置多个属性值,依据属性指标和属性值将电动汽车充电行为需求分成若干类;
各属性指标的属性值设置如下:
设置0~3表示属性值的不同物理意义;
对于气温,0表示寒冷、1表示低温、2表示中等适宜温度、3表示高温,;
对于起始充电时刻,0表示0-6时、1表示7-12时、2表示13-18时、3表示19-24时;
对于充电时长,0表示0-2时、1表示2-4时、2表示4-6时、3表示6时以上;
对于储能容量,0表示10-25kwh、1表示25-40kwh、2表示40-55kwh、3表示55kwh以上;
对于节假日期,0表示工作日,1表示周末,2表示节假日;
对于季节,0-3分别表示春、夏、秋、冬;
另外,设置“*”表示信息意外缺失。
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 (9)
1.一种电动汽车充电负荷预测方法,其特征在于,包括:
获取电动汽车的充电功率、起始充电时刻及储能容量,计算电动汽车充电时长;
以电动汽车充电时长、起始充电时刻、储能容量、当前季节、气温和节假日期为输入,输入训练好的混合分类模型,得到电动汽车在当前的充电行为需求类;
根据电动汽车充电时长、充电功率、起始充电时刻和所属的充电行为需求类,计算电动汽车各时刻的充电负荷;
将每一个充电行为需求类的电动汽车充电负荷进行叠加,得到该类电动汽车的日充电负荷曲线;将所有类的日负荷曲线进行叠加得到所有电动汽车类型的日充电负荷曲线。
2.根据权利要求1所述的一种电动汽车充电负荷预测方法,其特征在于,还包括,训练混合分类模型如下:
获取电动汽车充电行为历史数据建立训练样本;所述电动汽车充电行为历史数据包括电动汽车起始充电时刻、充电时长、储能容量、季节、气温和节假日期;
采用TAN分类器对训练样本进行训练,得到电动汽车随环境而变化的充电行为需求类。
3.根据权利要求2所述的一种电动汽车充电负荷预测方法,其特征在于,所述训练过程中,采用具有最大似然估计值的属性条件概率作为分类依据。
4.根据权利要求2所述的一种电动汽车充电负荷预测方法,其特征在于,所述充电行为需求类决策如下:
以电动汽车起始充电时刻、充电时长、储能容量、季节、气温和节假日期为属性指标,每个属性指标根据物理意义设置多个属性值,依据属性指标和属性值将电动汽车充电行为需求分成若干类。
5.根据权利要求4所述的一种电动汽车充电负荷预测方法,其特征在于,所述属性指标的属性值设置如下:
设置0~3表示属性值的不同物理意义;
对于气温,0表示寒冷、1表示低温、2表示中等适宜温度、3表示高温,;
对于起始充电时刻,0表示0-6时、1表示7-12时、2表示13-18时、3表示19-24时;
对于充电时长,0表示0-2时、1表示2-4时、2表示4-6时、3表示6时以上;
对于储能容量,0表示10-25kwh、1表示25-40kwh、2表示40-55kwh、3表示55kwh以上;
对于节假日期,0表示工作日,1表示周末,2表示节假日;
对于季节,0-3分别表示春、夏、秋、冬;
另外,设置“*”表示信息意外缺失。
6.一种电动汽车充电负荷预测装置,其特征在于,包括:
数据获取模块,用于获取电动汽车的充电功率、起始充电时刻及储能容量,计算电动汽车充电时长;
分类模块,用于以电动汽车充电时长、起始充电时刻、储能容量、当前季节、气温和节假日期为输入,输入训练好的混合分类模型,得到电动汽车在当前的充电行为需求类;
计算模块,用于根据电动汽车充电时长、充电功率、起始充电时刻和所属的充电行为需求类,计算电动汽车各时刻的充电负荷;以及,
将每一个充电行为需求类的电动汽车充电负荷进行叠加,得到该类电动汽车的日充电负荷曲线;将所有类的日负荷曲线进行叠加得到所有电动汽车类型的日充电负荷曲线。
7.根据权利要求6所述的一种电动汽车充电负荷预测装置,其特征在于,还包括,
训练模块,用于,
获取电动汽车充电行为历史数据建立训练样本;所述电动汽车充电行为历史数据包括电动汽车起始充电时刻、充电时长、储能容量、季节、气温和节假日期;
采用TAN分类器对训练样本进行训练,得到电动汽车随环境而变化的充电行为需求类。
8.根据权利要求7所述的一种电动汽车充电负荷预测装置,其特征在于,所述训练模块具体用于,采用具有最大似然估计值的属性条件概率作为分类依据。
9.根据权利要求7所述的一种电动汽车充电负荷预测装置,其特征在于,所述训练模块还用于,
设置充电行为需求类决策如下:
以电动汽车起始充电时刻、充电时长、储能容量、季节、气温和节假日期为属性指标,每个属性指标根据物理意义设置多个属性值,依据属性指标和属性值将电动汽车充电行为需求分成若干类;
各属性指标的属性值设置如下:
设置0~3表示属性值的不同物理意义;
对于气温,0表示寒冷、1表示低温、2表示中等适宜温度、3表示高温,;
对于起始充电时刻,0表示0-6时、1表示7-12时、2表示13-18时、3表示19-24时;
对于充电时长,0表示0-2时、1表示2-4时、2表示4-6时、3表示6时以上;
对于储能容量,0表示10-25kwh、1表示25-40kwh、2表示40-55kwh、3表示55kwh以上;
对于节假日期,0表示工作日,1表示周末,2表示节假日;
对于季节,0-3分别表示春、夏、秋、冬;
另外,设置“*”表示信息意外缺失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210421766.1A CN115169630A (zh) | 2022-04-21 | 2022-04-21 | 一种电动汽车充电负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210421766.1A CN115169630A (zh) | 2022-04-21 | 2022-04-21 | 一种电动汽车充电负荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169630A true CN115169630A (zh) | 2022-10-11 |
Family
ID=83484164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210421766.1A Pending CN115169630A (zh) | 2022-04-21 | 2022-04-21 | 一种电动汽车充电负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169630A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050677A (zh) * | 2023-04-03 | 2023-05-02 | 国网智慧车联网技术有限公司 | 一种电动汽车充电负荷可调容量预测方法 |
-
2022
- 2022-04-21 CN CN202210421766.1A patent/CN115169630A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050677A (zh) * | 2023-04-03 | 2023-05-02 | 国网智慧车联网技术有限公司 | 一种电动汽车充电负荷可调容量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113096388B (zh) | 一种基于梯度提升决策树的短时交通流量预测方法 | |
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
Meng et al. | A two-stage short-term traffic flow prediction method based on AVL and AKNN techniques | |
CN112258251A (zh) | 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统 | |
CN112215497B (zh) | 一种纯电动汽车运行风险预警方法 | |
CN113715629B (zh) | 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法 | |
CN110555989A (zh) | 一种基于Xgboost算法的交通量预测方法 | |
CN114493191B (zh) | 一种基于网约车数据的驾驶行为建模分析方法 | |
Nespoli et al. | User behavior clustering based method for EV charging forecast | |
CN111695623B (zh) | 基于模糊聚类的大规模电池储能系统成组建模方法、系统、设备及可读存储介质 | |
Montazeri-Gh et al. | Driving condition recognition for genetic-fuzzy HEV control | |
Qiu et al. | A Clustering-Based optimization method for the driving cycle construction: A case study in fuzhou and Putian, China | |
CN115700717A (zh) | 一种基于电动汽车用电需求的配电分析方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN115169630A (zh) | 一种电动汽车充电负荷预测方法及装置 | |
CN112036602A (zh) | 一种集成人机智能的5g电动汽车充电预测方法和系统 | |
CN113379318A (zh) | 公共交通系统运营服务质量评价方法、装置和计算机设备 | |
CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
CN110119891B (zh) | 一种适于大数据的交通安全影响因素辨识方法 | |
Gao et al. | Control strategy for PHEB based on actual driving cycle with driving style characteristic | |
CN116008815A (zh) | 一种电芯内短路检测方法、装置、设备、存储介质及车辆 | |
CN114005100B (zh) | 一种基于聚类分析的路侧停车位分类方法 | |
CN114239388A (zh) | 一种融合测试与车联网的电池剩余寿命预测方法及系统 | |
CN114820036A (zh) | 面向大数据和回归分析预测算法的充电市场分析系统 | |
Nguyen et al. | Analysing the driving load on electric vehicles using unsupervised segmentation models as enabler to determine the time of battery replacement and assess driving mileage |
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 | ||
CB02 | Change of applicant information |
Address after: No.1, Powell Road, Jiangning District, Nanjing, Jiangsu Province, 210000 Applicant after: JIANGSU ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd. Applicant after: STATE GRID JIANGSU ELECTRIC POWER COMPANY Research Institute Address before: No. 1, Jiangning District, Jiangning District, Nanjing, Jiangsu Applicant before: STATE GRID JIANGSU ELECTRIC POWER COMPANY Research Institute Applicant before: JIANGSU ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd. |
|
CB02 | Change of applicant information |