CN115860185A - 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 - Google Patents

Abstract

本发明公开了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，首先，采集极端高温天气下的电动汽车充电特性和车主的出行信息，根据采集到的信息对电动车进行分类；采用蒙特卡洛抽样的方法模拟极端高温天气下的电动汽车的出行规律；考虑市场分时电价政策以及极端高温天气下电动汽车空调负荷的增长两方面因素对每一类电动汽车在高温天气下的充电行为进行模拟；最后，采用相似日法与神经网络相结合的方法来预测极端高温天气下的电动汽车负荷，计算不同类型电动汽车接入电网的总负荷。本发明的方法能够准确的预测各类电动汽车的充电负荷，有利于电动汽车充电站的经济运行及能量管理，也有利于帮助电网调峰调频实现稳定运行。

Description

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

技术领域

本发明涉及电力系统负荷预测和规划技术领域，具体是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。

背景技术

如今，环境污染问题和能源紧张问题日益凸显，电动汽车凭借其在节能减排方面具有燃油车不可比拟的优势，在未来电动汽车代替燃油车已成趋势。为了应对资源和环境问题。我国政府非常重视电动汽车的发展，并且已经出台了很多政策来扶持和推动电动汽车产业的发展。随着电动汽车的普及，大规模电动汽车将接入电网，将对电力系统的运行和规划产生不可忽视的影响。

电动汽车规模化接入电网会影响原配电网的运行。因此了解多类型电动汽车充电负荷特性，尤其是极端高温天气下多类型电动汽车的充电负荷特性，可以发挥其在配电网系统中削峰填谷、消纳可再生能源等积极关键的作用。

目前考虑电动汽车负荷预测方的方法大多没有区分不同类型的电动汽车充电负荷特性，未充分考虑到极端高温天气下不同类型电动汽车充电特性对充电负荷的影响，无法准确预测极端高温下电动汽车的充电负荷，不利于电动汽车充电站的经济运行及能量管理，制定电动汽车和电网的互动策略，也不利于帮助电网调峰调频实现稳定运行。

发明内容

基于此，为了精准进行大量电动汽车接入电网的负荷预测，本发明提供了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，该方法将电动汽车分为四类，考虑市场分时电价政策以及极端高温天气下电动汽车空调负荷增长两方面因素，采用相似日法和神经网络法相结合的方式，来预测极端天气下各类型电动汽车的充电负荷。

为了实现上述目的，本发明是通过以下技术方案来实现的：

本发明是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，包括如下步骤：

步骤1，采集极端高温天气下的电动汽车充电特性和车主的出行信息，根据电动汽车的充电特性和出行信息进行分类；

步骤2，采用蒙特卡洛抽样的方法模拟极端天气下电动汽车的出行规律；

步骤3，根据步骤2中得到的电动汽车的出行规律结果，并考虑市场分时电价政策以及极端高温天气下电动汽车空调负荷的增长两方面因素，对每一类电动汽车在极端高温天气下的充电行为进行模拟；

步骤4，根据步骤3的电动汽车充电行为模拟结果，采用相似日法和神经网络相结合的方法来预测极端高温天气下的各类型电动汽车充电负荷，叠加得到各类型电动汽车接入电网的总负荷。

本发明的进一步改进在于：所述步骤1中，将电动汽车分为4类，分别为：电动私家车、电动公交车、电动出租车和电动公务车；采集各类型车主的出行信息，具体包括：车辆的出发时间和出发地点、车辆的行驶路线和车辆的到达时间和到达地点。

本发明的进一步改进在于：所述蒙特卡洛抽样方法的过程为：

根据出行时间、出行地点和出行路线，建立电动私家车、电动公交车、电动出租车和电动公务车的n*n个位置的位置矩阵L为：

表示位置矩阵中第φ行第/>

列的地点位置。当/>

时，位置矩阵L中元素/>

表示电动汽车的出发地点。当/>

时，位置矩阵L中的元素/>

表示电动汽车的到达地点。

电动汽车出现在某个位置的概率矩阵P为：

概率矩阵P中元素

表示电动汽车出现在位置/>

处的概率。用距离矩阵D表示出发地点和到达地点之间的距离。距离矩阵D为：

距离矩阵D中元素d_δγ表示出发地点与到达地点之间的距离。δ表示出发地点，γ表示到达地点。

根据精度要求，确定模拟次数N，根据概率矩阵P产生新的随机数；将产生的新的随机数带入建立的概率矩阵P中。各类型电动汽车分别模拟N次，各产生N个样本值。对样本值进行统计分析，得到各类型电动汽车的出行规律。

本发明的进一步改进在于：步骤3中，每一类电动汽车在极端高温天气下的充电时长的计算公式为：

式中，T_ev为各类型电动汽车的日行驶里程，D_ev为各类型电动汽车的每公里消耗的电量，α为每个充电桩的充电效率，P_ev为各类型电动汽车的充电效率；

其中，各类型电动汽车的日行驶里程T_ev的计算公式为：

式中，x为采集到的各类型电动汽车历史数据的日行驶里程，δ_ev和β_ev分别是日行驶里程x的对数lnx的期望和方差，不同类型电动汽车的δ_ev和β_ev取值不同。

本发明的进一步改进在于：考虑市场分时电价政策下，各类型电动汽车车主的充电行为会发生变化。出租车和公交车公司为了考虑经济效益，会采用换电模式对电动车进行充电。换下来的电池在电价低谷期进行统一充电。其中，采用换电模式进行充电的电动车充电开始时间服从均匀分布，其概率密度函数为：

式中，b为低谷电价结束时刻的时间，a为低谷电价开始时刻的时间；

非换电模式进行充电的电动车的开始充电时间均服从正态分布，其概率密度函数为：

式中，μ表示起始充电时间服从正态分布的均值，标准差σ决定了其分布的幅度。

本发明的进一步改进在于：所述步骤4的具体操作为：

步骤4.1，获取大量的充电桩历史数据，包括电动车充电开始时间，充电开始时刻电动车的剩余电量和电动车单次充电时长。结合相似度评价函数对相似度进行量化，筛选出相似度达标即与预测日欧氏距离最小的历史日各类型电动汽车的充电桩历史数据，作为相似日的数据。

步骤4.2，确定神经网络的隐含层节点数，将筛选出来相似日的历史数据作为样本输入网络进行训练；

步骤4.3，得到预测日各类型电动汽车在极端高温下的充电负荷，将各类型电动汽车的充电负荷叠加，得到各类型电动汽车接入电网的总负荷。

P_alli＝P_allsi+P_allbi+P_allti+P_alloi,i＝1,2,3...T

式中，P_alli为第i时刻所有电动汽车的总负荷；P_allsi为第i时刻电动私家车的总负荷；P_allbi第i时刻电动公交车的总负荷；P_allti为第i时刻电动出租车的总负荷；P_alloi为第i时刻电动公务车的总负荷；将一天划分为T个时间段。

式中，P_si为第i时刻电动私家车的负荷，N_s为电动私家车的数量；P_bi为第i时刻电动公交车车的负荷，N_b为电动公交车的数量；P_ti为第i时刻电动出租车的负荷，N_t为电动出租车的数量；P_oi为第i时刻电动公务车的负荷，N_o为电动私家车的数量。

本发明的进一步改进在于：所述相似日计算的具体步骤为：设每日的气象特征向量为

式中，T_gmax、

T_gmin为第g日的最高气温、平均气温、最低气温；

记Y_g为预测日的气象特征向量，Y_j为与其日类型、季节类型相同的历史日，其气象特征向量为：

用欧式距离d_gj来描述这两天气象因素总体的差异度，欧式距离d_gj表达式为：

式中，k为特征向量的序号，m为特征向量的个数，通过上式计算出与预测日相似度最高(欧氏距离最小)的历史日。采用相似度最高的历史日作为预测日的相似日。

本发明的有益效果是：本发明的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，将电动汽车细分为四类分别进行负荷预测。采用蒙特卡洛抽样的方法，得到不同类型电动汽车在极端高温天气下的出行规律。在此基础上，综合考虑不同类型电动汽车的充电效率、充电时长、市场电价和剩余电量SOC四个方面因素，对每一类电动汽车在极端高温天气下的充电行为进行模拟。通过相似日法和神经网络法相结合的方法来预测极端高温天气下的电动汽车的负荷。采用该方法预测电动汽车的充电负荷比传统方法更加准确，不仅有利于电动汽车充电站的经济运行及能量管理，制定电动汽车和电网的互动策略，也有利于帮助电网调峰调频实现稳定运行。

附图说明

图1为多类型电动汽车负荷预测的流程图；

图2为蒙特卡洛模拟的流程图；

图3为全连接神经网络拓扑。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细说明。

图1为本发明方法的流程图；本发明的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包括以下步骤：

步骤1，采集极端高温天气下的电动汽车EV充电特性和车主的出行信息，根据电动汽车EV的充电特性和出行信息进行分类；

步骤2，采用蒙特卡洛抽样的方法模拟极端天气下电动汽车的出行规律；

步骤3，根据步骤2中得到的电动汽车的出行规律结果并考虑市场电价分时电价政策以及极端高温天气下电动汽车空调负荷的增长两方面因素，对每一类电动汽车在极端高温天气下的充电行为进行模拟；

步骤4，根据步骤3的电动汽车充电行为模拟结果，采用相似日法和神经网络相结合的方法来预测极端高温天气下的各类型电动汽车充电负荷。叠加得到各类型电动汽车接入电网的总负荷。步骤1中，将电动汽车类型分为4类，分别为：电动私家车、电动公交车、电动出租车和电动公务车；采集车主的出行信息，具体包括：车辆的出发时间和出发地点、车辆的行驶路线和车辆的到达时间和到达地点。

步骤2中的出行规律决定车主的充电行为，得到了电动汽车的充电行为后，将电动汽车的充电行为结合电动汽车的充电功率即可得到充电负荷，采用相似日法和神经网络相结合的方法可以使负荷预测结果更准确。图2为蒙特卡洛模拟的流程图。步骤2用蒙特卡洛抽样的方法模拟极端天气下电动汽车的出行规律，其过程为：

建立概率统计模型，具体为：

根据出行时间、出行地点和出行路线，建立电动私家车、电动公交车、电动出租车和电动公务车的n*n个位置的位置矩阵L为：

表示位置矩阵中第φ行第/>

列的地点位置。当/>

时，位置矩阵L中元素/>

表示电动汽车的出发地点。当/>

时，位置矩阵L中的元素/>

表示电动汽车的到达地点。

电动汽车出现在某个位置的概率矩阵P为：

概率矩阵P中元素

表示电动汽车出现在位置/>

处的概率。用距离矩阵D表示出发地点和到达地点之间的距离。距离矩阵D为：

距离矩阵D中元素d_dγ表示出发地点与到达地点之间的距离。δ表示出发地点，γ表示到达地点。

根据精度要求，确定模拟次数N，根据概率矩阵P产生新的随机数；将产生的新的随机数带入建立的概率矩阵P中。各类型电动汽车分别模拟N次，各产生N个样本值。对样本值进行统计分析，得到各类型电动汽车的出行规律。

步骤3中，每一类电动汽车在极端高温天气下的充电行为包括充电时长，充电时长t_ev计算公式为：

式中，T_ev为各类型电动汽车的日行驶里程。D_ev为各类型电动汽车的每公里消耗的电量。α为每个充电桩的充电效率。P_ev为各类型电动汽车的充电效率。

其中各类型电动汽车的日行驶里程T_ev的计算公式为：

式中，x为采集到的各类型电动汽车历史数据的日行驶里程。δ_ev和β_ev分别是日行驶里程x的对数lnx的期望和方差。不同类型电动汽车的δ_ev和β_ev取值不同。

考虑市场分时电价政策下，各类型电动汽车车主的充电行为会发生变化，主要影响的是车主的充电时间段。采集充电数据，对不同类型电动汽车的在市场分时电价政策下的充电时间进行统计分析。出租车和公家车为了考虑经济效益，会采用换电模式对电动车进行充电，换下来的电池在电价低谷期进行统一充电。其中，采用换电模式进行充电的电动车其充电开始时间服从均匀分布，其概率密度

函数为：

式中，b为低谷电价结束时刻的时间，a为低谷电价开始时刻的时间。

除了采用换电模式进行充电的车主，其余车主的开始充电时间均服从正态分布。其概率密度函数为：4

式中，μ表示起始充电时间服从正态分布的均值，标准差σ决定了其分布的幅度。

图3为全连接神经网络拓扑，所述步骤4的具体操作为：

步骤4.1，获取大量的充电桩历史数据，包括电动车充电开始时间，充点开始时刻电动车的剩余电量和电动车单次充电时长。结合相似度评价函数对相似度进行量化，筛选出相似度达标的历史日极端高温天气下的电动车充电桩的历史数据作为相似日的历史数据；

步骤4.2，确定神经网络的隐含层节点数，将筛选出来相似日的历史数据作为样本输入网络进行训练；

步骤4.3，得到预测日各类型电动汽车在极端高温下的充电负荷，将各类型电动汽车的充电负荷叠加，得到各类型电动汽车接入电网的总负荷。

P_alli＝P_allsi+P_allbi+P_allti+P_alloi,i＝1,2,3...T (8)

式中，P_alli为第i时刻所有电动汽车的总负荷；P_allsi为第i时刻电动私家车的总负荷；P_allbi第i时刻电动公交车的总负荷；P_allti为第i时刻电动出租车的总负荷；P_alloi为第i时刻电动公务车的总负荷；将一天划分为T个时间段。

式中P_si为第i时刻电动私家车的负荷，N_s为电动私家车的数量；P_bi为第i时刻电动公交车车的负荷，N_b为电动公交车的数量；P_ti为第i时刻电动出租车的负荷，N_t为电动出租车的数量；P_oi为第i时刻电动公务车的负荷，N_o为电动私家车的数量；

所述的相似日计算的具体步骤为：设每日的气象特征向量为：

式中，T_gmax、

T_gmin为第g日的最高气温、平均气温、最低气温；

记_Yg为预测日的气象特征向量，Y_j为与其日类型、季节类型相同的历史日，其气象特征向量为：

用欧式距离d_gj来描述这两天气象因素总体的差异度，欧式距离d_gj表达式为：

式中，k为特征向量的序号，m为特征向量的个数。通过式(11)计算出与相似度最高(欧氏距离最小)的历史日。采用相似度最高的历史日作为预测日的相似日。

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说明，所属领域的普通技术人员应当理解：依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本权利要求范围当中。

Claims (7)

1.一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，其特征在于：包括如下步骤：

步骤1，采集极端高温天气下的电动汽车充电特性和车主的出行信息，根据电动汽车的充电特性和出行信息对电动汽车进行分类；

步骤2，采用蒙特卡洛抽样的方法模拟极端天气下电动汽车的出行规律；

步骤3，根据步骤2中得到的电动汽车的出行规律结果，并考虑市场分时电价政策以及极端高温天气下电动汽车空调负荷的增长两方面因素，对每一类电动汽车在极端高温天气下的充电行为进行模拟；

步骤4，根据步骤3的电动汽车充电行为模拟结果，采用相似日法和神经网络相结合的方法来预测极端高温天气下的各类型电动汽车充电负荷，叠加得到各类型电动汽车接入电网的总负荷。

2.根据权利要求1所述的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，其特征在于：所述步骤1中，将电动汽车分为4类，分别为：电动私家车、电动公交车、电动出租车和电动公务车；采集各类型车主的出行信息，具体包括：车辆的出发时间和出发地点、车辆的行驶路线和车辆的到达时间和到达地点。

3.根据权利要求1所述的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，其特征在于：所述步骤2中，蒙特卡洛抽样方法的过程为：根据出行时间、出行地点和出行路线，建立电动私家车、电动公交车、电动出租车和电动公务车的n*n个位置的位置矩阵L为：

表示位置矩阵中第φ行第/>

列的地点位置，当/>

时，位置矩阵L中元素/>

表示电动汽车的出发地点，当/>

时，位置矩阵L中的元素/>

表示电动汽车的到达地点；

电动汽车出现在某个位置的概率矩阵P为：

概率矩阵P中元素

表示电动汽车出现在位置/>

处的概率，用距离矩阵D表示出发地点和到达地点之间的距离，距离矩阵D为：/>

距离矩阵D中元素d_δγ表示出发地点与到达地点之间的距离，δ表示出发地点，γ表示到达地点；

根据精度要求，确定模拟次数N，根据概率矩阵P产生新的随机数；将产生的新的随机数带入概率矩阵P中；各类型电动汽车分别模拟N次，各产生N样本值；对样本值进行统计分析，得到各类型电动汽车的出行规律。

4.根据权利要求1所述的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，其特征在于：步骤3中，每一类电动汽车在极端高温天气下的充电时长的计算公式为：

式中，ev表示电动汽车，T_ev为各类型电动汽车的日行驶里程，D_ev为各类型电动汽车的每公里消耗的电量，α为每个充电桩的充电效率，P_ev为各类型电动汽车的充电效率；

其中，各类型电动汽车的日行驶里程T_ev的表达式为：

式中，x为采集到的各类型电动汽车历史数据的日行驶里程，δ_ev和β_ev分别是日行驶里程x的对数lnx的期望和方差，不同类型电动汽车的δ_ev和β_ev取值不同。

5.根据权利要求4所述的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，其特征在于：考虑市场分时电价政策下，各类型电动汽车车主的充电行为会发生变化，为了考虑经济效益，电动出租车和电动公交车采用换电模式对电动车进行充电，换下来的电池在电价低谷期进行统一充电，其中，采用换电模式进行充电的电动车，充电开始时间服从均匀分布，其概率密度函数为：

式中，b为低谷电价结束时刻的时间，a为低谷电价开始时刻的时间；

非换电模式进行充电的电动车的开始充电时间均服从正态分布，其概率密度函数为：

式中，μ表示起始充电时间服从正态分布的均值，标准差σ决定了其分布的幅度。

6.根据权利要求1所述的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，其特征在于：所述步骤4的具体操作为：

步骤4.1，获取大量的充电桩历史数据，包括电动车充电开始时间，充电开始时刻电动车的剩余电量和电动车单次充电时长，结合相似度评价函数对相似度进行量化，筛选出相似度达标的历史日各类型电动汽车的充电桩历史数据作为预测日的相似日的数据；

步骤4.2，确定神经网络的隐含层节点数，将筛选出来相似日的历史数据作为样本输入网络进行训练；

步骤4.3，得到预测日各类型电动汽车在极端高温下的充电负荷，将各类型电动汽车的充电负荷叠加，得到各类型电动汽车接入电网的总负荷，表达式为：

P_alli＝P_allsi+P_allbi+P_allti+P_alloi,i＝1,2,3...T

式中，P_alli为第i时刻所有电动汽车的总负荷；P_allsi为第i时刻电动私家车的总负荷；P_allbi第i时刻电动公交车的总负荷；P_allti为第i时刻电动出租车的总负荷；P_alloi为第i时刻电动公务车的总负荷；将一天划分为T个时间段。

式中，P_si为第i时刻电动私家车的负荷，N_s为电动私家车的数量；P_bi为第i时刻电动公交车车的负荷，N_b为电动公交车的数量；P_ti为第i时刻电动出租车的负荷，N_t为电动出租车的数量；P_oi为第i时刻电动公务车的负荷，N_o为电动私家车的数量。

7.根据权利要求6所述的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，其特征在于：所述步骤4.1中，筛选相似日的具体步骤为：设每日的气象特征向量为：

式中，T_gmax、

T_gmin为第g日的最高气温、平均气温、最低气温；

记Y_g为预测日的气象特征向量，Y_j为与其日类型、季节类型相同的历史日，其气象特征向量为：

用欧式距离d_gj来描述这两天气象因素总体的差异度，欧式距离d_gj表达式为：

式中，k为特征向量序号，m为特征向量个数，通过上式计算出与预测日欧氏距离最小的历史日，采用该历史日作为预测日的相似日。

Images