CN116050677B - 一种电动汽车充电负荷可调容量预测方法 - Google Patents

一种电动汽车充电负荷可调容量预测方法 Download PDF

Info

Publication number
CN116050677B
CN116050677B CN202310341441.7A CN202310341441A CN116050677B CN 116050677 B CN116050677 B CN 116050677B CN 202310341441 A CN202310341441 A CN 202310341441A CN 116050677 B CN116050677 B CN 116050677B
Authority
CN
China
Prior art keywords
charging
user
day
charging load
predicted
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
CN202310341441.7A
Other languages
English (en)
Other versions
CN116050677A (zh
Inventor
杨烨
王文
刘明光
刘敦楠
张晓晴
李培军
加鹤萍
杜熠伯
奚悦
李曜
高诗巧
侯旭哲
石天琛
边鹏飞
徐玉杰
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.)
State Grid Smart Internet Of Vehicles Technology Co ltd
North China Electric Power University
Original Assignee
State Grid Smart Internet Of Vehicles Technology Co ltd
North China Electric Power University
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 State Grid Smart Internet Of Vehicles Technology Co ltd, North China Electric Power University filed Critical State Grid Smart Internet Of Vehicles Technology Co ltd
Priority to CN202310341441.7A priority Critical patent/CN116050677B/zh
Publication of CN116050677A publication Critical patent/CN116050677A/zh
Application granted granted Critical
Publication of CN116050677B publication Critical patent/CN116050677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/40—The network being an on-board power network, i.e. within a vehicle
    • H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (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可调容量预测方法，包括：采集电动汽车用户历史日期的充电行为数据，构建充电负荷预测模型，得到各用户在预测日的充电负荷曲线；基于用户可削减比例与所述各用户在预测日的充电负荷曲线，获取各用户预测日充电负荷可调容量随时间变化的曲线，进一步获取预测日集群电动汽车充电负荷可调容量随时间变化曲线，完成电动汽车充电负荷可调容量预测。本发明基于电动汽车用户历史充电行为的特征数据，构建了决策树模型，能够对预测日集群电动汽车充电负荷可调容量进行准确预测，完成对电动汽车的精准调控，保障电网的安全经济运行以及电动汽车用户的充电体验。

Description

一种电动汽车充电负荷可调容量预测方法
技术领域
本发明涉及电力系统自动控制技术领域，特别是涉及一种电动汽车充电负荷可调容量预测方法。
背景技术
随着双碳目标的不断推进，电动汽车的市场份额不断增长，带来了可观的生态效益，与此同时，大规模电动汽车接入电网产生的充电负荷，也给电网带来了新的问题。由于电动汽车充电的时空无序性，大规模电动汽车接入电网后，会造成电网峰谷差进一步增加，减少电网运行的经济性与安全性。因此，电网及电动汽车聚合商都希望实现电动汽车有序充电，以减小电动汽车接入对电网产生的负面影响。
有序充电是指在满足电动汽车充电需求的前提下，通过引导、控制电动汽车用户的充电行为，实现错峰用电，对电网负荷曲线进行削峰填谷，而实现电动汽车有序充电的关键就是对电动汽车充电负荷可调容量进行预测，进而根据预测结果，对电动汽车进行精准调控，保障电网的安全经济运行以及电动汽车用户的充电体验。
目前，对于电动汽车充电负荷可调容量预测的研究较少，大部分研究集中在电动汽车充电负荷的预测上，并且很少考虑到用户的充电行为对电动汽车充电负荷可调容量的影响。
发明内容
本发明的目的是提出一种电动汽车充电负荷可调容量预测方法，充分考虑假日与否、天气状况、用户属性以及用户的历史充电行为，并采用大数据分析的方式，实现对电动汽车充电负荷可调容量的准确预测。
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可调容量预测方法，包括：
采集电动汽车用户历史日期的充电行为数据，构建充电负荷预测模型，得到各用户在预测日的充电负荷曲线，其中，所述充电负荷预测模型包括私家车充电负荷预测模型和公共服务车辆充电负荷预测模型；
基于用户可削减比例与所述各用户在预测日的充电负荷曲线，获取各用户预测日充电负荷可调容量随时间变化的曲线，基于所述各用户预测日充电负荷可调容量随时间变化曲线，获取预测日集群电动汽车充电负荷可调容量随时间变化曲线，完成电动汽车充电负荷可调容量预测。
进一步地，所述电动汽车用户历史多个日期的充电行为数据包括：用户类型、用户充电所用充电桩类型、用户历史多个日期的充电起止时刻、充电功率、对应日期的天气状况、对应假日与否、对应日期充电桩空闲率、用户对应日期是否充电。
进一步地，构建所述私家车充电负荷预测模型包括：预测私家车用户在预测日的充电概率，结合私家车用户历史充电行为数据，得到所述私家车用户在预测日的充电负荷曲线：
Figure SMS_1
其中，
Figure SMS_2
为所述私家车用户/>
Figure SMS_3
个预测日的相似日的充电负荷曲线；/>
Figure SMS_4
为所述私家车用户历史数据中预测日的相似日天数；/>
Figure SMS_5
为所述私家车用户在预测日的相似日中充电的天数；/>
Figure SMS_6
为所述私家车用户历史充电行为在时间上的分布情况。
进一步地，预测所述私家车用户在预测日的充电概率包括：
基于所述私家车用户历史充电行为数据构建决策树模型，采集所述预测日的私家车用户的特征数据，将所述特征数据输入所述决策树模型，得到所述私家车用户在预测日的充电概率。
进一步地，构建所述决策树模型，包括：
将所述私家车用户历史充电行为数据划分为训练数据集和测试数据集，对数据集进行预处理，基于所述训练数据集构建所述决策树模型，通过所述测试数据集对所述决策树模型进行验证；
所述训练数据集和测试数据集均包括特征数据集和结果数据集；所述特征数据集为采集日数为行数，特征数据数为列数的矩阵，所述结果数据集为采集日数为行数的一维列向量。
进一步地，所述特征数据集包括：私家车用户充电所用充电桩类型、对应日期充电桩空闲率、对应日期的天气状况、对应假日与否、对应日期超额未充电时间；所述结果数据集包括用户对应日期是否充电。
进一步地，构建所述公共服务车辆充电负荷预测模型包括：基于所述公共服务车辆的历史充电行为数据，确定公共服务车辆的充电概率，选取预测日前三十天的公共服务车辆日均负荷曲线作为公共服务车辆预测日的充电负荷曲线。
进一步地，获取所述各用户预测日充电负荷可调容量随时间变化曲线包括：通过用户可削减比例与所述各用户在预测日的充电负荷曲线的乘积，得到各用户预测日充电负荷可调容量随时间变化曲线；
获取所述预测日集群电动汽车充电负荷可调容量随时间变化曲线包括：通过各用户预测日充电负荷可调容量随时间变化曲线相加，得到预测日集群电动汽车充电负荷可调容量随时间变化曲线。
进一步地，所述预测日集群电动汽车充电负荷可调容量随时间变化曲线为：
Figure SMS_7
其中，
Figure SMS_8
为第/>
Figure SMS_9
辆电动汽车在预测日的充电负荷曲线；/>
Figure SMS_10
为第/>
Figure SMS_11
辆电动汽车在预测日是否充电，充电为1，不充电为0；/>
Figure SMS_12
为第/>
Figure SMS_13
辆电动汽车用户的可削减比例。
本发明的有益效果为：
本发明基于电动汽车用户历史充电行为的特征数据，构建了决策树模型，能够通过使用决策树模型或统计方法对单个用户充电行为进行分析，得到其预测日充电概率,确定预测日的充电负荷曲线，进而得到参与充电负荷削减的的电动汽车用户的充电负荷可调容量随时间变化的曲线，完成对预测日集群电动汽车充电负荷可调容量的准确预测，能够对电动汽车进行精准调控，保障电网的安全经济运行以及电动汽车用户的充电体验。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的方法流程图；
图2为本发明实施例中的决策树模型的结果图；
图3为本发明实施例中的区域内非私家车预测日的充电负荷曲线；
图4为本发明实施例中的区域内其中一个私家车用户预测日的充电负荷曲线；
图5为本发明实施例中的区域内私家车用户充电负荷可调容量之和预测值和实际值对比；
图6为本发明实施例中的预测日区域内电动汽车充电负荷可调容量预测曲线。
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。
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。
本发明实施例提供一种电动汽车充电负荷可调容量预测方法，方法流程如图1所示，包括：
（1）从车联网平台采集电动汽车用户历史多个日期的充电行为数据，包括用户类型（私家车、公交车、出租车、环卫车、物流车）、用户充电所用的充电桩类型（私人桩、公共桩或专用桩）、用户历史上多个日期的充电起止时刻、充电功率、对应日期的天气状况（极端天气或非极端天气）、对应假日与否（节假日或工作日）、对应日期充电桩空闲率、用户对应日期是否充电。
（2）基于私家车用户的历史多个日期的充电行为数据构建决策树模型并训练，用以后续预测私家车用户预测日的充电概率，步骤如下：
（a）将采集到的数据制作为数据集，取前80%的日期作为训练数据集，用于训练决策树模型；后20%的日期作为测试数据集，用于评估模型预测的准确度。训练数据集和测试数据集都包含特征数据集和结果数据集两部分，特征数据集包含该用户每个日期对应的超额未充电时间、假日与否、天气状况，结果数据集包含该用户对应日期是否充电。
将以上日期属性进行标签化处理，将充电桩类型Charges pile type分为私人桩和公共桩，分别记为1和2。针对私人桩用户，将假日与否Holiday or not分为工作日和节假日，分别记为1和2；将天气状况Weather分为极端天气和非极端天气（沙尘暴、大雨、大雪、气温过高或过低）和非极端天气（除极端天气以外的情况），分别记为1和2；将超额未充电时间Excess no charging time按天数记为数字n，如-3表示该日至上次充电日的间隔天数较充电日之间的平均间隔少了3天；针对公共桩用户还需额外考虑充电站的充电桩空闲率的影响，将充电桩空闲率Idle rate分为高和低，分别记为1和2。
特征数据集是一个采集日数为行数，特征数据数为列数的矩阵，记为
Figure SMS_15
，其中，训练集记为/>
Figure SMS_19
；测试集记为/>
Figure SMS_21
；结果数据集是一个采集日数为行数的一维列向量，记为/>
Figure SMS_16
，
Figure SMS_17
为0时表示该日没有充电；/>
Figure SMS_18
为1时表示该日充电。其中训练集记为/>
Figure SMS_20
；测试集记为/>
Figure SMS_14
。
（b）单一私家车用户的决策树模型所需数据已准备好，接着调用Python的SK-learn库，读取训练数据集
Figure SMS_22
和/>
Figure SMS_23
对模型进行训练，得到训练好的决策树模型。将测试数据集的特征数据/>
Figure SMS_24
输入集训练好的模型，即可输出该电动汽用户测试数据集中各日期对应充电与否/>
Figure SMS_25
。
（c）将
Figure SMS_26
和/>
Figure SMS_27
进行对比，若差异度过高说明模型有可能过拟合，则需要进行剪枝操作，使得基尼系数不要太小，选取基尼系数合适的决策树为最终决策树模型，基尼系数计算公式如下：
Figure SMS_28
其中
Figure SMS_29
代表给定的决策树节点，/>
Figure SMS_30
代表标签的任意分类，/>
Figure SMS_31
代表标签分类/>
Figure SMS_32
在节点/>
Figure SMS_33
上所占的比例。
（3）采集预测日的特征数据，记为
Figure SMS_34
，包括用户类型、用户充电所用的充电桩类型、充电桩功率、充电桩空闲率、假日与否，天气状况，计算得到连续未充电时间和超额未充电时间。
（4）若用户为私家车用户，则将预测日的特征数据
Figure SMS_35
输入构建好的决策树模型中，即可输出该私家车用户预测日的充电概率；
若用户为公共服务车辆，则充电概率视为定值，根据历史数据统计得出。
结合上述私家车和公共服务车辆的充电概率，得到区域内所有电动汽车用户充电概率，记为
Figure SMS_36
。
Figure SMS_37
其中，
Figure SMS_38
为电动汽车用户编号。用户为私家车时，/>
Figure SMS_39
为该私家车用户历史数据中预测日的相似日天数，/>
Figure SMS_40
为该用户在预测日的相似日中充电的天数；用户为公共服务车辆时，/>
Figure SMS_41
为该公共服务车辆历史数据的总天数，/>
Figure SMS_42
为该公共服务车辆史数据的总天数中充电的天数。
（5）对电动汽车用户的历史充电起止时刻进行统计分析，得到该用户充电行为在时间上的分布情况
Figure SMS_43
，并结合其充电功率和/>
Figure SMS_44
对该电动汽车用户预测日的充电负荷进行预测，即该用户在预测日的充电曲线有/>
Figure SMS_45
概率为/>
Figure SMS_46
，有/>
Figure SMS_47
概率为0（不充电）。
Figure SMS_48
其中，
Figure SMS_49
为该电动汽车用户/>
Figure SMS_50
个预测日的相似日的充电负荷曲线。
由于公共服务车辆的充电概率视为定值，因此可直接根据公共服务车辆的历史充电行为数据，选取预测日前三十天的公共服务车辆日均负荷曲线，作为公共服务车辆预测日的充电负荷曲线。
（6）对区域内所有用户进行步骤（1）、步骤（2）、步骤（3）、步骤（4）、步骤（5）的分析过程，得到各用户预测日充电负荷随时间变化的曲线。
（7）与电动汽车聚合商签订了有序充电协议的用户参与充电负荷削减，按照协议中约定的可削减比例对充电功率进行降低。用户可削减比例与其预测日充电负荷随时间变化曲线的乘积即为该用户预测日充电负荷可调容量随时间变化的曲线，将所有参与有序充电的用户的充电负荷可调容量随时间变化曲线相加，得到预测日集群电动汽车充电负荷可调容量随时间变化的曲线。
Figure SMS_51
其中，
Figure SMS_52
表示第/>
Figure SMS_56
辆电动汽车的预测日的充电负荷曲线；/>为第/>
Figure SMS_53
辆电动汽车在预测日是否充电，充电则/>
Figure SMS_55
为1，不充电则/>
Figure SMS_57
为0；/>
Figure SMS_59
为第/>
Figure SMS_54
辆电动汽车用户的可削减比例。
本实施例中以某区域电动汽车聚合平台调度为例，对所提出的预测方法进行进一步实施。
该区域电动汽车有公交车、环卫车、物流车共20辆，出租车30辆，私家车50辆。公交车、环卫车和物流车均有固定充电时间段，出租车和私家车无固定充电时间段。其充电参数如表1所示。
表1
Figure SMS_60
由于公交车、环卫车、物流车、出租车有每天固定充电时间段，故选取其预测日前三十天的日均负荷曲线作为典型负荷曲线，并作为公交车、环卫车、物流车、出租车预测日的充电负荷曲线，如图3所示。
由于私家车充电行为较为复杂，故采取决策树算法对单个私家车用户预测日的充电概率进行预测，而其日充电负荷曲线则取预测日前三十天内相似日的日均负荷曲线，其中，预测日的相似日为日期属性与预测日完全相同的日子。
以某私家车用户为例，对该用户预测日的充电概率进行预测，并选取其预测日的充电负荷曲线。该用户的历史充电行为数据如表2所示。
表2
Figure SMS_61
以该用户6月1日至6月30日的充电行为数据为训练集，训练决策树模型，对7月1日的充电概率进行预测。
可以看出，7月1日的日期属性Excess no charging time=1，Holiday or not=1，Weather=1，Charges pile type=1，Charging or not为所需预测的充电概率。训练好的决策树模型如图2所示，可以看出，和6月1日至6月30日间，日期属性和7月1日完全相同的日子（即7月1日的相似日）有7天，其中6天（6月5日、6月9日、6月17日、6月20日、6月26日）没有充电，1天（6月2日）进行了充电，则7月1日充电概率计算式如下：
Figure SMS_62
得到7月1日充电的概率为
Figure SMS_63
，不充电的概率为/>
Figure SMS_64
。
选取7月1日的相似日中进行了充电的日子（即6月2日）的充电负荷曲线均值作为7月1日的充电负荷曲线
Figure SMS_65
，如图4所示。
对区域内所有的私家车用户进行预测，可得到预测日各用户的充电概率及充电负荷曲线，进而用下式计算得到私家车用户预测日的总充电负荷可调容量曲线，预测结果及当日实际结果如图5所示，可以看出预测值与实际值偏差并不大。
Figure SMS_66
其中，
Figure SMS_67
表示第/>
Figure SMS_71
辆电动汽车的预测日的充电曲线；/>
Figure SMS_74
为第/>
Figure SMS_69
辆电动汽车在预测日是否充电，充电则/>
Figure SMS_70
为1，不充电则/>
Figure SMS_72
为0；/>
Figure SMS_73
为第/>
Figure SMS_68
辆电动汽车用户的可削减比例。
将区域内公交车、环卫车、物流车合计20辆，出租车30辆，私家车50辆的预测日负荷可调容量曲线相加，如图6所示，得到该区域内预测日的电动汽车充电负荷可调容量曲线。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种电动汽车充电负荷可调容量预测方法，其特征在于，包括：
采集电动汽车用户历史日期的充电行为数据，构建充电负荷预测模型，得到各用户在预测日的充电负荷曲线，其中，所述充电负荷预测模型包括私家车充电负荷预测模型和公共服务车辆充电负荷预测模型；
基于用户可削减比例与所述各用户在预测日的充电负荷曲线，获取各用户预测日充电负荷可调容量随时间变化的曲线，基于所述各用户预测日充电负荷可调容量随时间变化曲线，获取预测日集群电动汽车充电负荷可调容量随时间变化曲线，完成电动汽车充电负荷可调容量预测；
构建所述私家车充电负荷预测模型包括：预测私家车用户在预测日的充电概率；以及结合私家车用户历史充电行为数据，得到所述私家车用户在预测日的充电负荷曲线：
Figure QLYQS_1
其中，/>
Figure QLYQS_2
为所述私家车用户在预测日的充电负荷曲线；/>
Figure QLYQS_3
为所述私家车用户历史数据中预测日的相似日天数；/>
Figure QLYQS_4
为所述私家车用户在预测日的相似日中充电的天数；/>
Figure QLYQS_5
为所述私家车用户在预测日的相似日中充电日期s的充电负荷曲线；
预测所述私家车用户在预测日的充电概率包括：
基于所述私家车用户历史充电行为数据构建决策树模型，采集所述预测日的私家车用户的特征数据，将所述特征数据输入所述决策树模型，得到所述私家车用户在预测日的充电概率；
所述基于用户可削减比例与所述各用户在预测日的充电负荷曲线，获取所述各用户预测日充电负荷可调容量随时间变化曲线具体包括：通过用户可削减比例、预测日各用户是否充电与所述各用户在预测日的充电负荷曲线的乘积，得到各用户预测日充电负荷可调容量随时间变化曲线。
2.根据权利要求1所述的电动汽车充电负荷可调容量预测方法，其特征在于，所述电动汽车用户历史多个日期的充电行为数据包括：用户类型、用户充电所用充电桩类型、用户历史多个日期的充电起止时刻、充电功率、对应日期的天气状况、对应假日与否、对应日期充电桩空闲率、用户对应日期是否充电。
3.根据权利要求1所述的电动汽车充电负荷可调容量预测方法，其特征在于，构建所述决策树模型，包括：
将所述私家车用户历史充电行为数据划分为训练数据集和测试数据集，对数据集进行预处理，基于所述训练数据集构建所述决策树模型，通过所述测试数据集对所述决策树模型进行验证；
所述训练数据集和测试数据集均包括特征数据集和结果数据集；所述特征数据集为采集日数为行数，特征数据数为列数的矩阵，所述结果数据集为采集日数为行数的一维列向量。
4.根据权利要求3所述的电动汽车充电负荷可调容量预测方法，其特征在于，所述特征数据集包括：私家车用户充电所用充电桩类型、对应日期充电桩空闲率、对应日期的天气状况、对应假日与否、对应日期超额未充电时间；所述结果数据集包括用户对应日期是否充电。
5.根据权利要求1所述的电动汽车充电负荷可调容量预测方法，其特征在于，构建所述公共服务车辆充电负荷预测模型包括：基于所述公共服务车辆的历史充电行为数据，确定公共服务车辆的充电概率，选取预测日前三十天的公共服务车辆日均负荷曲线作为公共服务车辆预测日的充电负荷曲线。
6.根据权利要求1所述的电动汽车充电负荷可调容量预测方法，其特征在于，获取所述预测日集群电动汽车充电负荷可调容量随时间变化曲线包括：通过各用户预测日充电负荷可调容量随时间变化曲线相加，得到预测日集群电动汽车充电负荷可调容量随时间变化曲线。
7.根据权利要求6所述的电动汽车充电负荷可调容量预测方法，其特征在于，所述预测日集群电动汽车充电负荷可调容量随时间变化曲线为：
Figure QLYQS_6
其中，/>
Figure QLYQS_7
为第/>
Figure QLYQS_8
辆电动汽车在预测日的充电负荷曲线；/>
Figure QLYQS_9
为第/>
Figure QLYQS_10
辆电动汽车在预测日是否充电，充电为1，不充电为0；/>
Figure QLYQS_11
为第/>
Figure QLYQS_12
辆电动汽车用户的可削减比例。
CN202310341441.7A 2023-04-03 2023-04-03 一种电动汽车充电负荷可调容量预测方法 Active CN116050677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310341441.7A CN116050677B (zh) 2023-04-03 2023-04-03 一种电动汽车充电负荷可调容量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310341441.7A CN116050677B (zh) 2023-04-03 2023-04-03 一种电动汽车充电负荷可调容量预测方法

Publications (2)

Publication Number Publication Date
CN116050677A CN116050677A (zh) 2023-05-02
CN116050677B true CN116050677B (zh) 2023-07-14

Family

ID=86125978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310341441.7A Active CN116050677B (zh) 2023-04-03 2023-04-03 一种电动汽车充电负荷可调容量预测方法

Country Status (1)

Country Link
CN (1) CN116050677B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1080062A (ja) * 1996-09-05 1998-03-24 Fuji Electric Co Ltd 日負荷曲線予測方法
KR20150038767A (ko) * 2013-09-30 2015-04-09 한국전력공사 전기 자동차의 충전 제어장치 및 그 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636010B (zh) * 2018-11-23 2022-12-02 国网湖北省电力有限公司 基于相关因素矩阵的省级电网短期负荷预测方法及系统
CN110751314B (zh) * 2019-09-16 2022-05-31 上海电力大学 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置
CN115169630A (zh) * 2022-04-21 2022-10-11 国网江苏省电力有限公司电力科学研究院 一种电动汽车充电负荷预测方法及装置
CN115759418A (zh) * 2022-11-16 2023-03-07 重庆电力交易中心有限公司 一种电力零售用户的可调容量预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1080062A (ja) * 1996-09-05 1998-03-24 Fuji Electric Co Ltd 日負荷曲線予測方法
KR20150038767A (ko) * 2013-09-30 2015-04-09 한국전력공사 전기 자동차의 충전 제어장치 및 그 방법

Also Published As

Publication number Publication date
CN116050677A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110555990B (zh) 一种基于lstm神经网络的有效停车时空资源预测方法
CN105868942B (zh) 电动汽车的有序充电调度方法
CN109359389A (zh) 基于典型负荷动态博弈的城市电动汽车充电决策方法
CN112258251B (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
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
CN109871981A (zh) 一种计及分布式电源和电动汽车影响的负荷特性预测方法
CN112001564B (zh) 基于长短期记忆网络的用户离家时间预测方法
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
CN115700717A (zh) 一种基于电动汽车用电需求的配电分析方法
CN116050677B (zh) 一种电动汽车充电负荷可调容量预测方法
CN110489893B (zh) 一种基于可变权值的母线负荷预测方法及系统
CN112330017A (zh) 电力负荷预测方法、装置、电子设备和存储介质
CN116384550A (zh) 一种年度微电网负荷预测方法
CN113837486B (zh) 一种基于rnn-rbm的配网馈线长期负荷预测方法
CN112949948B (zh) 电动汽车分时段换电需求区间预测的集成学习方法及系统
Charbonnier et al. Home electricity data generator (HEDGE): An open-access tool for the generation of electric vehicle, residential demand, and PV generation profiles
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
CN115764855A (zh) 一种电动汽车快充站实时可调节能力及可用电量预测方法
CN112766533A (zh) 一种基于多策略改进gwo_bp神经网络的共享单车需求预测方法
CN117634931B (zh) 一种考虑充电行为的电动汽车调节能力预测方法及系统
CN118144621B (zh) 一种充电站充电任务调配方法
CN118246696B (zh) 基于能量路由器的快充站资源聚合与互动调控方法
CN115204512B (zh) 多场景下基于数据驱动的车辆充电行为预测模型构建方法
CN116979522A (zh) 一种适应虚拟电厂优化调度的电动汽车充电负荷预测方法
CN117498408A (zh) 一种电动汽车需求响应潜力预测方法

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