CN115470985A - 一种电动汽车充电负荷的预测方法及系统 - Google Patents

一种电动汽车充电负荷的预测方法及系统 Download PDF

Info

Publication number
CN115470985A
CN115470985A CN202211113480.3A CN202211113480A CN115470985A CN 115470985 A CN115470985 A CN 115470985A CN 202211113480 A CN202211113480 A CN 202211113480A CN 115470985 A CN115470985 A CN 115470985A
Authority
CN
China
Prior art keywords
charging
driving
electric vehicle
random
random number
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
CN202211113480.3A
Other languages
English (en)
Inventor
王立业
王国君
王丽芳
廖承林
张志刚
赵鸿煜
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.)
Institute of Electrical Engineering of CAS
Original Assignee
Institute of Electrical Engineering 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 Institute of Electrical Engineering of CAS filed Critical Institute of Electrical Engineering of CAS
Priority to CN202211113480.3A priority Critical patent/CN115470985A/zh
Publication of CN115470985A publication Critical patent/CN115470985A/zh
Priority to PCT/CN2023/078374 priority patent/WO2024055526A1/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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G06Q50/40—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (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

本发明涉及一种电动汽车充电负荷的预测方法及系统。该方法包括：获取电动汽车行驶规律，并根据所述电动汽车行驶规律拟合行驶规律概率分布特性参数；根据多辆电动汽车的所述电动汽车行驶规律拟合电动汽车的充电特性；根据所在区域实际电动汽车数量确定电动汽车参数；根据所述电动汽车参数确定随机行驶数据，并将所述随机行驶数据转化为多维正态分布函数，生成含有耦合特性的行驶规律随机数；根据所述电动汽车行驶规律、所述充电特性以及所述含有耦合特性的行驶规律随机数，采用可变带宽核密度函数建立可变带宽核密度估计的仿真模型，确定最佳充电负荷仿真曲线。本发明提高了电动汽车充电负荷的预测精度。

Description

一种电动汽车充电负荷的预测方法及系统
技术领域
本发明涉及电动汽车充电负荷预测领域，特别是涉及一种电动汽车充电负荷的预测方法及系统。
背景技术
如今电动汽车的普遍化应用在很多方面需要与电网的规划、建设和运行相协调。普遍化电动汽车充电就会给电网的规划和运行造成一定的影响。由于电动汽车车主充电行为主观性，电动汽车的充电负荷会在时空上有很强的随机性和不确定性，会给电网的运行带来一定的挑战，如负荷率、增大网络损耗、引入谐波污染、增大电网优化调度难度等，所以通过合理的预测电动汽车的充电负荷，对充电负荷进行合理的引导，会提高电网的运行效益，能够解决人们心中充电不足的担忧，同时能够为碳中和的目标如期实现，打下坚实的基础。
现有的专利和文献基本都是基于蒙特卡洛法进行的确定性概率分布搭建模型，还有部分使用核密度估计，虽说比蒙特卡洛法随机性更强，但是依然会因为核密度的带宽问题影响最终结果的精确度。
发明内容
本发明的目的是提供一种电动汽车充电负荷的预测方法及系统，以解决电动汽车充电负荷预测精度低的问题。
为实现上述目的，本发明提供了如下方案：
一种电动汽车充电负荷的预测方法，包括：
获取电动汽车行驶规律，并根据所述电动汽车行驶规律拟合行驶规律概率分布特性参数；所述行驶规律概率分布特性参数包括每天的起始行驶时间、结束行驶时间、行驶里程的概率分布、充电开始时间以及充电结束时间；
根据多辆电动汽车的所述电动汽车行驶规律拟合电动汽车的充电特性；所述充电特性包括开始充电时间以及结束充电时间；
根据所在区域实际电动汽车数量确定电动汽车参数；所述电动汽车参数包括充电功率、耗电特性以及充电模式；
根据所述电动汽车参数确定随机行驶数据，并将所述随机行驶数据转化为多维正态分布函数，生成含有耦合特性的行驶规律随机数；所述随机行驶数据包括开始充电时间，结束充电时间以及行驶里程；
根据所述电动汽车行驶规律、所述充电特性以及所述含有耦合特性的行驶规律随机数，采用可变带宽核密度函数建立可变带宽核密度估计的仿真模型，确定最佳充电负荷仿真曲线；所述最佳充电负荷仿真曲线用于预测电动汽车充电电荷。
可选的，所述可变带宽核密度函数为：
Figure BDA0003844533230000021
其中，hj为所求的第j个样本点的带宽；
Figure BDA0003844533230000022
为k＝1至k＝M个固定核密度函数的乘积；M为样本点个数；f(Xk)为所选择固定第k个样本点的核密度函数；Xk为第k个样本点的变量值；k为第k个样本点的序号；f(Xj)为所求第j个样本点的核密度函数；Xj为第j个样本点的变量值；j为第j个样本点的序号；α为灵敏因数。
可选的，所述根据所述电动汽车参数确定随机行驶数据，并将所述随机行驶数据转化为多维正态分布函数，生成含有耦合特性的行驶规律随机数，具体包括：
利用公式
Figure BDA0003844533230000023
计算各所述随机行驶数据的边缘分布函数；其中，
Figure BDA0003844533230000024
为边缘分布函数；x为随机行驶数据的随机变量；
Figure BDA0003844533230000025
为随机变量密度函数；
根据所述边缘分布函数，将处理的随机行驶数据生成均匀化的随机数列；
将均匀化的随机数序列转换为标准正态分布随机数序列；
估计正态随机变量的相关度，并根据所述相关度生成多维标准正态分布函数；
利用多维正态分布函数生成相关因子为所述相关度的多元随机数对；
将所述多元随机数对转换为原始类型数据；所述原始类型数据为含有耦合特性的行驶规律随机数。
可选的，所述根据所述电动汽车行驶规律、所述充电特性以及所述含有耦合特性的行驶规律随机数，采用可变带宽核密度函数建立可变带宽核密度估计的仿真模型，确定最佳充电负荷仿真曲线，之后还包括：
根据所述最佳充电负荷仿真曲线对车主充电行为的不确定性进行建模；所述车主充电行为包括充电行为和不充电行为；所述车主充电行为为不确定性行为。
可选的，所述根据所述最佳充电负荷仿真曲线对车主充电行为的不确定性进行建模，具体包括：
集群所述车主充电行为近似服从参数为m，p的二项分布B(m，p)；其中，m为样本总数，p为充电概率。
设定集群充电概率为p，p∈[0，1]，对于第i辆电动汽车，随机生成服从U(0，1)均匀分布的随机数rand；U(0，1)为服从区间[0 1]的均匀分布函数。
当rand<p时，选择充电行为；
当rand≥p时，选择不充电行为。
一种电动汽车充电负荷的预测系统，包括：
行驶规律概率分布特性参数拟合模块，用于获取电动汽车行驶规律，并根据所述电动汽车行驶规律拟合行驶规律概率分布特性参数；所述行驶规律概率分布特性参数包括每天的起始行驶时间、结束行驶时间、行驶里程的概率分布、充电开始时间以及充电结束时间；
充电特性拟合模块，用于根据多辆电动汽车的所述电动汽车行驶规律拟合电动汽车的充电特性；所述充电特性包括开始充电时间以及结束充电时间；
电动汽车参数确定模块，用于根据所在区域实际电动汽车数量确定电动汽车参数；所述电动汽车参数包括充电功率、耗电特性以及充电模式；
行驶规律随机数生成模块，用于根据所述电动汽车参数确定随机行驶数据，并将所述随机行驶数据转化为多维正态分布函数，生成含有耦合特性的行驶规律随机数；所述随机行驶数据包括开始充电时间，结束充电时间以及行驶里程；
最佳充电负荷仿真曲线确定模块，用于根据所述电动汽车行驶规律、所述充电特性以及所述含有耦合特性的行驶规律随机数，采用可变带宽核密度函数建立可变带宽核密度估计的仿真模型，确定最佳充电负荷仿真曲线；所述最佳充电负荷仿真曲线用于预测电动汽车充电电荷。
可选的，所述可变带宽核密度函数为：
Figure BDA0003844533230000041
其中，hj为所求的第j个样本点的带宽；
Figure BDA0003844533230000042
为k＝1至k＝M个固定核密度函数的乘积；M为样本点个数；f(Xk)为所选择固定第k个样本点的核密度函数；Xk为第k个样本点的变量值；k为第k个样本点的序号；f(Xj)为所求第j个样本点的核密度函数；Xj为第j个样本点的变量值；j为第j个样本点的序号；α为灵敏因数。
可选的，所述行驶规律随机数生成模块，具体包括：
边缘分布函数计算单元，用于利用公式
Figure BDA0003844533230000043
计算各所述随机行驶数据的边缘分布函数；其中，
Figure BDA0003844533230000044
为边缘分布函数；x为随机行驶数据的随机变量；
Figure BDA0003844533230000045
为随机变量密度函数；
随机数列生成单元，用于根据所述边缘分布函数，将处理的随机行驶数据生成均匀化的随机数列；
转换单元，用于将均匀化的随机数序列转换为标准正态分布随机数序列；
多维标准正态分布函数生成单元，用于估计正态随机变量的相关度，并根据所述相关度生成多维标准正态分布函数；
多元随机数对生成单元，用于利用多维正态分布函数生成相关因子为所述相关度的多元随机数对；
行驶规律随机数生成单元，用于将所述多元随机数对转换为原始类型数据；所述原始类型数据为含有耦合特性的行驶规律随机数。
可选的，还包括：
建模模块，用于根据所述最佳充电负荷仿真曲线对车主充电行为的不确定性进行建模；所述车主充电行为包括充电行为和不充电行为；所述车主充电行为为不确定性行为。
可选的，所述建模模块，具体包括：
集群单元，用于集群所述车主充电行为近似服从参数为m，p的二项分布B(m，p)；其中，m为样本总数，p为充电概率。
随机数生成单元，用于设定集群充电概率为p，p∈[0，1]，对于第i辆电动汽车，随机生成服从U(0，1)均匀分布的随机数rand；U(0，1)为服从区间[0 1]的均匀分布函数。
充电行为选择单元，用于当rand<p时，选择充电行为；
不充电行为选择单元，用于当rand≥p时，选择不充电行为。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种电动汽车充电负荷的预测方法及系统，针对大量电动汽车经过一定天数的模拟后，利用可变带宽核密度精确的拟合出这一段时间的充电负荷，最终拟合出最佳充电负荷仿真曲线，从而对以后的电动汽车充电负荷进行合理有效的预测，提高电动汽车充电负荷的预测精度，为电网的供电质量提供帮助。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的电动汽车充电负荷的预测方法流程图；
图2为本发明的含有耦合特性的行驶规律随机数生成的计算流程图；
图3为本发明所提供的充电负荷计算流程图；
图4为本发明所提供的电动汽车充电负荷的预测系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种电动汽车充电负荷的预测方法及系统，提高了电动汽车充电负荷的预测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的电动汽车充电负荷的预测方法流程图，如图1所示，一种电动汽车充电负荷的预测方法，包括：
步骤101：获取电动汽车行驶规律，并根据所述电动汽车行驶规律拟合行驶规律概率分布特性参数；所述行驶规律概率分布特性参数包括每天的起始行驶时间、结束行驶时间、行驶里程的概率分布、充电开始时间以及充电结束时间。
在实际应用中，根据车主行驶规律确定行驶规律概率分布特性参数。
例如：通过这些初始充电时间，结束充电时间通过拟合构造出充电仿真曲线图，然后根据行驶里程构造出行驶里程仿真曲线图，更好的刻画出行驶规律的变化，从中可以得到一天充电的高峰期是什么时间，或者可以得到大部分电动汽车一天内的行驶里程范围。
步骤102：根据多辆电动汽车的所述电动汽车行驶规律拟合电动汽车的充电特性；所述充电特性包括开始充电时间以及结束充电时间登。
在实际应用中，根据车主的充电特性以及行驶规律概率分布特性参数拟合充电特性，可以直观地看到充电负荷的各个时间变化。
步骤103：根据所在区域实际电动汽车数量确定电动汽车参数；所述电动汽车参数包括充电功率、耗电特性以及充电模式。
在实际应用中，根据所在区域实际电动汽车数量确定电动汽车的数量N，并确定电动汽车参数；通过确定电动汽车的特性，从而可以拟合出不同电动汽车的充电负荷，也可以得到不同电动汽车的电量损耗。
步骤104：根据所述电动汽车参数确定随机行驶数据，并将所述随机行驶数据转化为多维正态分布函数，生成含有耦合特性的行驶规律随机数；所述随机行驶数据包括开始充电时间，结束充电时间以及行驶里程。
所述步骤104具体包括：利用公式
Figure BDA0003844533230000071
计算各所述随机行驶数据的边缘分布函数；根据所述边缘分布函数，将处理的随机行驶数据生成均匀化的随机数列；将均匀化的随机数序列转换为标准正态分布随机数序列；估计正态随机变量的相关度，并根据所述相关度生成多维标准正态分布函数；利用多维正态分布函数生成相关因子为所述相关度的多元随机数对；将所述多元随机数对转换为原始类型数据；所述原始类型数据为含有耦合特性的行驶规律随机数；其中，
Figure BDA0003844533230000072
为边缘分布函数；x为随机行驶数据的随机变量；
Figure BDA0003844533230000073
为随机变量密度函数。
图2为本发明的含有耦合特性的行驶规律随机数生成的计算流程图，含有耦合特性的行驶规律随机数生成的计算步骤如下：
(1)根据Sklar定理，一个具有累积边缘分布F1，F2,…，FN的N维联合分布函数F，对于xi∈(-∞,+∞)；xi∈(-∞,+∞)为第i个变量；存在一个Copula函数使得：F(x1,x2,...,xN)＝C[F1(x1),F(x2),...,FN(xN)]
(2)采用
Figure BDA0003844533230000074
计算得到的各随机变量的边缘分布函数，将开始时间(T1)结束时间(T2)行驶里程(D)的统计样本均匀化，即转换为区间(0，1)上的随机数序列：UT1＝FT1(T1)，UT2＝FT2(T2)，UD＝FD(D)。
(3)将均匀化的随机数序列开始时间(UT1)、结束时间(UT2)、行驶里程(UD)转换为标准正态分布随机数序列：YT1＝Ф-1(UT1)，YT2＝Ф-1(UT2)，YD＝Ф-1(UD)。
(4)估计YT1,YT2,YD正态随机变量的相关度ρ，并形成相关度为ρ的多维标准正态分布函数；两个随机变量间的相关性表达式如下：
Figure BDA0003844533230000081
其中，
Figure BDA0003844533230000082
分别表示随机变量X，Y的样本均值。
(5)利用多维正态分布函数生成相关因子为ρ的多元随机数对、起始时间、结束时间、行驶里程(yt1，yt2，yd)；
(6)将生成的(yt1，yt2，yd)转换为原始类型的数据t1＝F-1 T1(yt1)，t2＝F-1 T2(yt2)，d＝F-1 D(yd)。
步骤105：根据所述电动汽车行驶规律、所述充电特性以及所述含有耦合特性的行驶规律随机数，采用可变带宽核密度函数建立可变带宽核密度估计的仿真模型，确定最佳充电负荷仿真曲线；所述最佳充电负荷仿真曲线用于预测电动汽车充电电荷。
图3为本发明所提供的充电负荷计算流程图，充电负荷计算流程步骤如下：
(1)利用公式
Figure BDA0003844533230000083
计算可变带宽；hj为所求的第j个样本点的带宽；
Figure BDA0003844533230000084
为k＝1至k＝M个固定核密度函数的乘积；M为样本点个数；f(Xk)为所选择固定第k个样本点的核密度函数；Xk为第k个样本点的变量值；k为第k个样本点的序号；f(Xj)为所求第j个样本点的核密度函数；Xj为第j个样本点的变量值；j为第j个样本点的序号；α为灵敏因数。(2)一般α的取值为0.5，可根据情况在0<α<1调整合适的值，将其带入(1)中计算h；h表示计算得出的可变带宽。
(3)利用可变带宽核密度函数进行拟合汽车行驶规律，得到不同汽车的行驶里程范围。
(4)利用可变带宽核密度函数进行拟合充电开始时间、结束时间等的特性，得到不同时间段的充电负荷；其中，确定性充电行为指当前剩余电量已经无法满足车主距离目的地剩余行驶里程的情况，有正常的行驶规律的行为，例如出租车每日一到两次充电就是确定性充电等。
(5)设定模拟天数，利用判断语句进行重复迭代计算前i辆车的充电负荷，最终得到总的充电负荷。
在实际应用中，可变带宽的核密度估计需要计算合理的带宽h，将计算的h带入核密度公式中应用于充电负荷预测，得到充电负荷曲线。
所述步骤105之后还包括：根据所述最佳充电负荷仿真曲线对车主充电行为的不确定性进行建模；所述车主充电行为包括充电行为和不充电行为；所述车主充电行为为不确定性行为。
所述根据所述最佳充电负荷仿真曲线对车主充电行为的不确定性进行建模，具体包括：集群所述车主充电行为近似服从参数为m，p的二项分布B(m，p)；其中，m为样本总数，p为充电概率。设定集群充电概率为p，p∈[0，1]，对于第i辆电动汽车，随机生成服从U(0，1)均匀分布的随机数rand；U(0，1)为服从区间[0 1]的均匀分布函数。当rand<p时，选择充电行为；当rand≥p时，选择不充电行为。
在实际应用中，本发明包括如下步骤以解决本申请的技术问题。
(1)根据私家电动汽车行驶规律确定行驶规律概率分布特性参数。
(2)根据大量车主的充电规律，拟合其充电特性，包括开始充电时间，结束充电时间等。
(3)确定电动汽车的数量N(根据所在区域的实际电动汽车数量确定)及电动汽车参数，包括电动汽车的耗电特性和电池参数，针对不同耗电特性和电池参数采用分开计算。
(4)根据获取电动汽车的随机行驶数据，将这些随机数据经过函数转化为多维正态分布函数。
(5)利用多维正态分布函数生成相关因子为ρ的包含开始时间、结束时间、行驶里程等多元随机数对(yt1，yt2，yd)。
(6)将生成的多元随机数对(yt1，yt2，yd)转换为原始类型的数据t1＝F-1T1(yt1)，t2＝F-1T2(yt2)，d＝F-1D(yd)。
(7)根据一辆电动汽车的充电特性和行驶规律，用可变带宽核密度函数拟合其当天各个时间段的充电负荷。
(8)根据一辆电动汽车的充电负荷考虑有N辆电动汽车接入后，利用可变带宽核密度的估计法来拟合N辆电动汽车的充电负荷。
(9)针对大量电动汽车经过一定天数的模拟后，利用可变带宽核密度精确的拟合出这一段时间的充电负荷，从而对以后的电动汽车充电负荷进行合理有效的预测。
图4为本发明所提供的电动汽车充电负荷的预测系统结构图，如图4所示，一种电动汽车充电负荷的预测系统，包括：
行驶规律概率分布特性参数拟合模块401，用于获取电动汽车行驶规律，并根据所述电动汽车行驶规律拟合行驶规律概率分布特性参数；所述行驶规律概率分布特性参数包括每天的起始行驶时间、结束行驶时间、行驶里程的概率分布、充电开始时间以及充电结束时间。
充电特性拟合模块402，用于根据多辆电动汽车的所述电动汽车行驶规律拟合电动汽车的充电特性；所述充电特性包括开始充电时间以及结束充电时间。
电动汽车参数确定模块403，用于根据所在区域实际电动汽车数量确定电动汽车参数；所述电动汽车参数包括充电功率、耗电特性以及充电模式。
行驶规律随机数生成模块404，用于根据所述电动汽车参数确定随机行驶数据，并将所述随机行驶数据转化为多维正态分布函数，生成含有耦合特性的行驶规律随机数；所述随机行驶数据包括开始充电时间，结束充电时间以及行驶里程。
所述行驶规律随机数生成模块404，具体包括：边缘分布函数计算单元，用于利用公式
Figure BDA0003844533230000101
计算各所述随机行驶数据的边缘分布函数；随机数列生成单元，用于根据所述边缘分布函数，将处理的随机行驶数据生成均匀化的随机数列；转换单元，用于将均匀化的随机数序列转换为标准正态分布随机数序列；多维标准正态分布函数生成单元，用于估计正态随机变量的相关度，并根据所述相关度生成多维标准正态分布函数；多元随机数对生成单元，用于利用多维正态分布函数生成相关因子为所述相关度的多元随机数对；行驶规律随机数生成单元，用于将所述多元随机数对转换为原始类型数据；所述原始类型数据为含有耦合特性的行驶规律随机数；其中，
Figure BDA0003844533230000111
为边缘分布函数；x为随机行驶数据的随机变量；
Figure BDA0003844533230000112
为随机变量密度函数。
最佳充电负荷仿真曲线确定模块405，用于根据所述电动汽车行驶规律、所述充电特性以及所述含有耦合特性的行驶规律随机数，采用可变带宽核密度函数建立可变带宽核密度估计的仿真模型，确定最佳充电负荷仿真曲线；所述最佳充电负荷仿真曲线用于预测电动汽车充电电荷。
所述可变带宽核密度函数为：
Figure BDA0003844533230000113
其中，hj为所求的第j个样本点的带宽；
Figure BDA0003844533230000114
为k＝1至k＝M个固定核密度函数的乘积；M为样本点个数；f(Xk)为所选择固定第k个样本点的核密度函数；Xk为第k个样本点的变量值；k为第k个样本点的序号；f(Xj)为所求第j个样本点的核密度函数；Xj为第j个样本点的变量值；j为第j个样本点的序号；α为灵敏因数。
本发明还包括：建模模块，用于根据所述最佳充电负荷仿真曲线对车主充电行为的不确定性进行建模；所述车主充电行为包括充电行为和不充电行为；所述车主充电行为为不确定性行为。
所述建模模块，具体包括：集群单元，用于集群所述车主充电行为近似服从参数为m，p的二项分布B(m，p)；其中，m为样本总数，p为充电概率；随机数生成单元，用于设定集群充电概率为p，p∈[0，1]，对于第i辆电动汽车，随机生成服从U(0，1)均匀分布的随机数rand；U(0，1)为服从区间[0 1]的均匀分布函数。充电行为选择单元，用于当rand<p时，选择充电行为；不充电行为选择单元，用于当rand≥p时，选择不充电行为。
本发明采用可变带宽的核密度函数拟合出充电负荷曲线，能够为电网的供电质量提供帮助。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种电动汽车充电负荷的预测方法，其特征在于，包括：
获取电动汽车行驶规律，并根据所述电动汽车行驶规律拟合行驶规律概率分布特性参数；所述行驶规律概率分布特性参数包括每天的起始行驶时间、结束行驶时间、行驶里程的概率分布、充电开始时间以及充电结束时间；
根据多辆电动汽车的所述电动汽车行驶规律拟合电动汽车的充电特性；所述充电特性包括开始充电时间以及结束充电时间；
根据所在区域实际电动汽车数量确定电动汽车参数；所述电动汽车参数包括充电功率、耗电特性以及充电模式；
根据所述电动汽车参数确定随机行驶数据，并将所述随机行驶数据转化为多维正态分布函数，生成含有耦合特性的行驶规律随机数；所述随机行驶数据包括开始充电时间，结束充电时间以及行驶里程；
根据所述电动汽车行驶规律、所述充电特性以及所述含有耦合特性的行驶规律随机数，采用可变带宽核密度函数建立可变带宽核密度估计的仿真模型，确定最佳充电负荷仿真曲线；所述最佳充电负荷仿真曲线用于预测电动汽车充电电荷。
2.根据权利要求1所述的电动汽车充电负荷的预测方法，其特征在于，所述可变带宽核密度函数为：
Figure FDA0003844533220000011
其中，hj为所求的第j个样本点的带宽；
Figure FDA0003844533220000012
为k＝1至k＝M个固定核密度函数的乘积；M为样本点个数；f(Xk)为所选择固定第k个样本点的核密度函数；Xk为第k个样本点的变量值；k为第k个样本点的序号；f(Xj)为所求第j个样本点的核密度函数；Xj为第j个样本点的变量值；j为第j个样本点的序号；α为灵敏因数。
3.根据权利要求1所述的电动汽车充电负荷的预测方法，其特征在于，所述根据所述电动汽车参数确定随机行驶数据，并将所述随机行驶数据转化为多维正态分布函数，生成含有耦合特性的行驶规律随机数，具体包括：
利用公式
Figure FDA0003844533220000021
计算各所述随机行驶数据的边缘分布函数；其中，
Figure FDA0003844533220000022
为边缘分布函数；x为随机行驶数据的随机变量；
Figure FDA0003844533220000023
为随机变量密度函数；
根据所述边缘分布函数，将处理的随机行驶数据生成均匀化的随机数列；
将均匀化的随机数序列转换为标准正态分布随机数序列；
估计正态随机变量的相关度，并根据所述相关度生成多维标准正态分布函数；
利用多维正态分布函数生成相关因子为所述相关度的多元随机数对；
将所述多元随机数对转换为原始类型数据；所述原始类型数据为含有耦合特性的行驶规律随机数。
4.根据权利要求1所述的电动汽车充电负荷的预测方法，其特征在于，所述根据所述电动汽车行驶规律、所述充电特性以及所述含有耦合特性的行驶规律随机数，采用可变带宽核密度函数建立可变带宽核密度估计的仿真模型，确定最佳充电负荷仿真曲线，之后还包括：
根据所述最佳充电负荷仿真曲线对车主充电行为的不确定性进行建模；所述车主充电行为包括充电行为和不充电行为；所述车主充电行为为不确定性行为。
5.根据权利要求4所述的电动汽车充电负荷的预测方法，其特征在于，所述根据所述最佳充电负荷仿真曲线对车主充电行为的不确定性进行建模，具体包括：
集群所述车主充电行为近似服从参数为m，p的二项分布B(m，p)；其中，m为样本总数，p为充电概率；
设定集群充电概率为p，p∈[0，1]，对于第i辆电动汽车，随机生成服从U(0，1)均匀分布的随机数rand；U(0，1)为服从区间[01]的均匀分布函数。
当rand<p时，选择充电行为；
当rand≥p时，选择不充电行为。
6.一种电动汽车充电负荷的预测系统，其特征在于，包括：
行驶规律概率分布特性参数拟合模块，用于获取电动汽车行驶规律，并根据所述电动汽车行驶规律拟合行驶规律概率分布特性参数；所述行驶规律概率分布特性参数包括每天的起始行驶时间、结束行驶时间、行驶里程的概率分布、充电开始时间以及充电结束时间；
充电特性拟合模块，用于根据多辆电动汽车的所述电动汽车行驶规律拟合电动汽车的充电特性；所述充电特性包括开始充电时间以及结束充电时间；
电动汽车参数确定模块，用于根据所在区域实际电动汽车数量确定电动汽车参数；所述电动汽车参数包括充电功率、耗电特性以及充电模式；
行驶规律随机数生成模块，用于根据所述电动汽车参数确定随机行驶数据，并将所述随机行驶数据转化为多维正态分布函数，生成含有耦合特性的行驶规律随机数；所述随机行驶数据包括开始充电时间，结束充电时间以及行驶里程；
最佳充电负荷仿真曲线确定模块，用于根据所述电动汽车行驶规律、所述充电特性以及所述含有耦合特性的行驶规律随机数，采用可变带宽核密度函数建立可变带宽核密度估计的仿真模型，确定最佳充电负荷仿真曲线；所述最佳充电负荷仿真曲线用于预测电动汽车充电电荷。
7.根据权利要求6所述的电动汽车充电负荷的预测系统，其特征在于，所述可变带宽核密度函数为：
Figure FDA0003844533220000031
其中，hj为所求的第j个样本点的带宽；
Figure FDA0003844533220000032
为k＝1至k＝M个固定核密度函数的乘积；M为样本点个数；f(Xk)为所选择固定第k个样本点的核密度函数；Xk为第k个样本点的变量值；k为第k个样本点的序号；f(Xj)为所求第j个样本点的核密度函数；Xj为第j个样本点的变量值；j为第j个样本点的序号；α为灵敏因数。
8.根据权利要求6所述的电动汽车充电负荷的预测系统，其特征在于，所述行驶规律随机数生成模块，具体包括：
边缘分布函数计算单元，用于利用公式
Figure FDA0003844533220000041
计算各所述随机行驶数据的边缘分布函数；其中，
Figure FDA0003844533220000042
为边缘分布函数；x为随机行驶数据的随机变量；
Figure FDA0003844533220000043
为随机变量密度函数；
随机数列生成单元，用于根据所述边缘分布函数，将处理的随机行驶数据生成均匀化的随机数列；
转换单元，用于将均匀化的随机数序列转换为标准正态分布随机数序列；
多维标准正态分布函数生成单元，用于估计正态随机变量的相关度，并根据所述相关度生成多维标准正态分布函数；
多元随机数对生成单元，用于利用多维正态分布函数生成相关因子为所述相关度的多元随机数对；
行驶规律随机数生成单元，用于将所述多元随机数对转换为原始类型数据；所述原始类型数据为含有耦合特性的行驶规律随机数。
9.根据权利要求6所述的电动汽车充电负荷的预测系统，其特征在于，还包括：
建模模块，用于根据所述最佳充电负荷仿真曲线对车主充电行为的不确定性进行建模；所述车主充电行为包括充电行为和不充电行为；所述车主充电行为为不确定性行为。
10.根据权利要求9所述的电动汽车充电负荷的预测系统，其特征在于，所述建模模块，具体包括：
集群单元，用于集群所述车主充电行为近似服从参数为m，p的二项分布B(m，p)；其中，m为样本总数，p为充电概率；
随机数生成单元，用于设定集群充电概率为p，p∈[0，1]，对于第i辆电动汽车，随机生成服从U(0，1)均匀分布的随机数rand；U(0，1)为服从区间[01]的均匀分布函数。
充电行为选择单元，用于当rand<p时，选择充电行为；
不充电行为选择单元，用于当rand≥p时，选择不充电行为。
CN202211113480.3A 2022-09-14 2022-09-14 一种电动汽车充电负荷的预测方法及系统 Pending CN115470985A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211113480.3A CN115470985A (zh) 2022-09-14 2022-09-14 一种电动汽车充电负荷的预测方法及系统
PCT/CN2023/078374 WO2024055526A1 (zh) 2022-09-14 2023-02-27 一种电动汽车充电负荷的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211113480.3A CN115470985A (zh) 2022-09-14 2022-09-14 一种电动汽车充电负荷的预测方法及系统

Publications (1)

Publication Number Publication Date
CN115470985A true CN115470985A (zh) 2022-12-13

Family

ID=84332742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211113480.3A Pending CN115470985A (zh) 2022-09-14 2022-09-14 一种电动汽车充电负荷的预测方法及系统

Country Status (2)

Country Link
CN (1) CN115470985A (zh)
WO (1) WO2024055526A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024055526A1 (zh) * 2022-09-14 2024-03-21 中国科学院电工研究所 一种电动汽车充电负荷的预测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820790B (zh) * 2015-05-25 2019-02-26 国家电网公司 电动汽车充电负荷数据的处理方法和装置
US20180232650A1 (en) * 2017-02-10 2018-08-16 New York University Systems and methods for sparse travel time estimation
CN107609670B (zh) * 2017-08-10 2020-12-01 浙江工业大学 一种基于copula算法电动汽车充电站负荷预测方法
CN115470985A (zh) * 2022-09-14 2022-12-13 中国科学院电工研究所 一种电动汽车充电负荷的预测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024055526A1 (zh) * 2022-09-14 2024-03-21 中国科学院电工研究所 一种电动汽车充电负荷的预测方法及系统

Also Published As

Publication number Publication date
WO2024055526A1 (zh) 2024-03-21

Similar Documents

Publication Publication Date Title
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
US11376981B2 (en) Systems and methods for adaptive EV charging
CN113103905B (zh) 一种电动汽车智能充电分配调节方法、装置、设备及介质
Chen et al. An analysis of the charging characteristics of electric vehicles based on measured data and its application
Li et al. Probabilistic charging power forecast of EVCS: Reinforcement learning assisted deep learning approach
Le Floch et al. Distributed optimal charging of electric vehicles for demand response and load shaping
CN108376985B (zh) 一种电动汽车充电负荷模型建立及节点电压计算方法
CN106786977B (zh) 一种电动汽车充电站的充电调度方法
CN107609670B (zh) 一种基于copula算法电动汽车充电站负荷预测方法
CN115470985A (zh) 一种电动汽车充电负荷的预测方法及系统
Nespoli et al. User behavior clustering based method for ev charging forecast
Chang et al. Charging control of an electric vehicle battery based on reinforcement learning
Hashemipour et al. Uncertainty modeling for participation of electric vehicles in collaborative energy consumption
CN109978236B (zh) 一种基于特征组合的小水电短期功率精细化预测方法
Darabi et al. Extracting probability distribution functions applicable for PHEVs charging load profile
Sunny et al. Forecasting and enhancing the performance of the electric grid: A dynamic mode decomposition approach
Rouhani et al. Soft clustering based probabilistic power flow with correlated inter temporal events
Gharibi et al. Deep learning framework for day-ahead optimal charging scheduling of electric vehicles in parking lot
Khan et al. Comparison of electric vehicle load forecasting across different spatial levels with incorporated uncertainty estimation
CN114862177B (zh) 一种能源互联能源存储分配方法及系统
CN114580251B (zh) 一种配电台区电动汽车充电负荷分析方法及装置
Khwaja et al. Performance analysis of LSTMs for daily individual EV charging behavior prediction
CN114734840A (zh) 一种电动汽车负荷群的需求响应可调潜力预测方法及系统
CN114580789B (zh) 一种基于充电行为的多类型电动汽车负荷预测方法及系统
Somers et al. Individual EV load profiling and smart charging to flatten total electrical demand

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