CN118313517A - 基于5g通信的电动汽车车联网电力优化分配方法 - Google Patents
基于5g通信的电动汽车车联网电力优化分配方法 Download PDFInfo
- Publication number
- CN118313517A CN118313517A CN202410712989.2A CN202410712989A CN118313517A CN 118313517 A CN118313517 A CN 118313517A CN 202410712989 A CN202410712989 A CN 202410712989A CN 118313517 A CN118313517 A CN 118313517A
- Authority
- CN
- China
- Prior art keywords
- data
- charging
- power grid
- power
- time
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000009826 distribution Methods 0.000 title claims abstract description 43
- 230000006855 networking Effects 0.000 title claims description 19
- 238000005457 optimization Methods 0.000 claims abstract description 98
- 230000035945 sensitivity Effects 0.000 claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000005065 mining Methods 0.000 claims abstract description 12
- 230000005611 electricity Effects 0.000 claims description 163
- 238000010248 power generation Methods 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 38
- 238000012544 monitoring process Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 35
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 28
- 230000005856 abnormality Effects 0.000 claims description 25
- 238000013439 planning Methods 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000004146 energy storage Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 241000937908 Pricea Species 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 15
- 239000002699 waste material Substances 0.000 description 10
- 238000013178 mathematical model Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009440 infrastructure construction Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000026280 response to electrical stimulus Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明涉及车联网技术领域,尤其涉及一种基于5G通信的电动汽车车联网电力优化分配方法。该方法包括以下步骤:利用5G网络以及车载传感器采集电动汽车的车辆实时状态数据以及电网实时运行数据;对车辆实时状态数据进行聚类特征挖掘,从而得到用户充电特征数据;对电网实时运行数据进行电网综合特征分析,从而得到电网综合特征数据;根据用户充电特征数据以及电网综合特征数据对汽车的充电需求与电网的供电能力进行数学关系建模,从而得到汽车‑电网关系模型。本发明对用户电功率敏感度进行个性化评估,实现不同敏感度用户的个性化充电指导建议。
Description
技术领域
本发明涉及车联网技术领域,尤其涉及一种基于5G通信的电动汽车车联网电力优化分配方法。
背景技术
基于5G通信的电动汽车车联网(Vehicle-to-Everything,V2X)技术是未来智能交通系统的重要组成部分。通过5G技术,可以实现电动汽车与其他车辆、基础设施、行人、网络等的实时通信,提升交通效率、安全性和驾驶体验。通过车联网,车辆能够实时获取路况、充电桩信息、车辆状态等数据,为驾驶员提供更智能的导航和服务,同时也为车辆管理和能源优化提供了更多可能性。在这一背景下,5G通信以其高速、低时延、大连接性的特点,为车辆之间及车辆与能源中心之间的实时数据传输提供了先进的技术支持。这种实时通信能力为电动汽车的电力优化分配带来了全新的机遇。但用户的消费习惯与认知存在差异,传统的电动汽车车联网电力优化分配方法往往无法满足不同用户的用户体验。
发明内容
基于此,本发明有必要提供一种基于5G通信的电动汽车车联网电力优化分配方法,以解决至少一个上述技术问题。
为实现上述目的,一种基于5G通信的电动汽车车联网电力优化分配方法,包括以下步骤:
步骤S1:利用5G网络以及车载传感器采集电动汽车的车辆实时状态数据以及电网实时运行数据;
步骤S2:对车辆实时状态数据进行聚类特征挖掘,从而得到用户充电特征数据;对电网实时运行数据进行电网综合特征分析,从而得到电网综合特征数据;根据用户充电特征数据以及电网综合特征数据对汽车的充电需求与电网的供电能力进行数学关系建模,从而得到汽车-电网关系模型;
步骤S3:基于汽车-电网关系模型对不同时间段内的充电需求和供电模式进行匹配模拟,从而得到动态优化方案数据;
步骤S4:获取电网充电桩数据;根据电网充电桩数据对充电桩节点进行负荷波动监测,从而得到负荷波动监测数据;根据负荷波动监测数据对充电桩节点进行异常检测处理,并进行智能电力调整,从而得到电网电力调整数据;
步骤S5:根据电网电力调整数据对动态优化方案数据进行负荷限制优化,从而得到负荷优化方案数据;根据负荷优化方案数据对电动汽车进行动态调度控制,从而得到动态充电控制方案。
本发明通过5G网络和车载传感器,可以实时获取电动汽车的车辆状态数据,如电池电量、充电状态等。同时,也可以获取电网实时运行数据,如电网负荷、电网频率以及电压指标等。这些实时数据可以作为后续步骤的输入,帮助进行精确的充电需求和供电能力分析。通过对车辆实时状态数据进行聚类特征挖掘,可以识别出不同用户的充电特征数据,例如充电时间、充电量等。同时,通过对电网实时运行数据进行综合特征分析,可以获取电网的综合特征数据,例如负荷波动程度、供电能力等。建立汽车-电网关系模型,将用户充电特征数据和电网综合特征数据进行数学关系建模。这个模型建立电价影响模型对用户电功率敏感度进行个性化评估,针对不同用户给予定制化的充电指导建议,提高用户体验;还可以帮助理解汽车充电需求与电网供电能力之间的关系,为后续的优化提供基础。这些分析和建模结果可以为充电系统提供准确的数据和模型,用于后续的动态优化和充电控制。利用汽车-电网关系模型,可以对不同时间段内的充电需求和电网供电模式进行匹配模拟。通过模拟分析,可以得到动态优化方案数据,即在不同时间段内如何最优地匹配充电需求和电网供电能力。这些动态优化方案数据可以帮助系统实现最高效的充电调度,减少电网负荷波动和能源浪费,提高电网的稳定性和可靠性。获取电网充电桩数据,可以包括充电桩的位置、功率、使用情况等信息。通过对充电桩节点进行负荷波动监测和异常检测处理,可以及时发现充电桩节点的异常情况,并进行智能电力调整,以保证电网的稳定运行。这些电网电力调整数据可以帮助系统实时监测和调整充电桩节点的负荷,避免超负荷运行和电网故障,提高电网的可靠性和安全性。利用电网电力调整数据,对动态优化方案数据进行负荷限制优化。通过考虑电网的电力调整情况,可以进一步优化充电系统的负荷分配,以避免电网超负荷运行。根据负荷优化方案数据,对电动汽车进行动态调度控制,即根据实时情况调整充电桩的使用和充电速度,以最大限度地满足用户的充电需求,并保证电网的供电能力。这些负荷优化方案和动态充电控制方案可以实现充电系统的智能化和优化运行,提高充电效率,减少能源浪费,同时保证电网的稳定性和可靠性。通过实时数据采集和特征分析,能够准确了解电动汽车的充电需求和电网的供电能力,为后续优化提供准确的数据基础。通过建立数学模型,可以理解汽车充电需求与电网供电能力之间的关系,为系统优化提供基础。通过模拟分析和匹配,得到动态优化方案数据,帮助实现最高效的充电调度和能源利用。通过监测和处理充电桩节点的负荷波动和异常情况,保证电网的稳定运行。通过智能电力调整,实时监测和调整充电桩节点的负荷,提高电网的可靠性和安全性。通过负荷优化方案和动态充电控制方案,实现充电系统的智能化和优化运行,提高充电效率,减少能源浪费,保证电网的稳定性和可靠性。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明基于5G通信的电动汽车车联网电力优化分配方法的步骤流程示意图;
图2为图1中步骤S1的详细步骤流程示意图;
图3为图1中步骤S2的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供了一种基于5G通信的电动汽车车联网电力优化分配方法,所述方法包括以下步骤:
步骤S1:利用5G网络以及车载传感器采集电动汽车的车辆实时状态数据以及电网实时运行数据;
步骤S2:对车辆实时状态数据进行聚类特征挖掘,从而得到用户充电特征数据;对电网实时运行数据进行电网综合特征分析,从而得到电网综合特征数据;根据用户充电特征数据以及电网综合特征数据对汽车的充电需求与电网的供电能力进行数学关系建模,从而得到汽车-电网关系模型;
步骤S3:基于汽车-电网关系模型对不同时间段内的充电需求和供电模式进行匹配模拟,从而得到动态优化方案数据;
步骤S4:获取电网充电桩数据;根据电网充电桩数据对充电桩节点进行负荷波动监测,从而得到负荷波动监测数据;根据负荷波动监测数据对充电桩节点进行异常检测处理,并进行智能电力调整,从而得到电网电力调整数据;
步骤S5:根据电网电力调整数据对动态优化方案数据进行负荷限制优化,从而得到负荷优化方案数据;根据负荷优化方案数据对电动汽车进行动态调度控制,从而得到动态充电控制方案。
本发明实施例中,参考图1所述,为本发明一种基于5G通信的电动汽车车联网电力优化分配方法的步骤流程示意图,在本实例中,所述的基于5G通信的电动汽车车联网电力优化分配方法包括以下步骤:
步骤S1:利用5G网络以及车载传感器采集电动汽车的车辆实时状态数据以及电网实时运行数据;
本发明实施例5G网络提供高速通信能力,车载传感器用于采集电动汽车的各种参数数据。通过在电动汽车上安装传感器,并与5G网络进行通信,可以实时获取车辆状态数据(如电池电量、充电状态、位置、车速以及温度)和电网运行数据(如电网负荷、电网频率、电网电压)。确保电动汽车上的传感器能够采集所需的车辆状态数据,并通过5G网络将数据传输到服务器或云平台。
步骤S2:对车辆实时状态数据进行聚类特征挖掘,从而得到用户充电特征数据;对电网实时运行数据进行电网综合特征分析,从而得到电网综合特征数据;根据用户充电特征数据以及电网综合特征数据对汽车的充电需求与电网的供电能力进行数学关系建模,从而得到汽车-电网关系模型;
本发明实施例对车辆实时状态数据和电网实时运行数据进行特征分析和建模,以建立汽车-电网关系模型。对车辆实时状态数据进行聚类分析,将相似的车辆状态归为一类,并提取充电相关的特征数据。对电网实时运行数据进行综合特征分析,包括电网负荷、频率、电压等指标的统计分析和特征提取。基于聚类特征数据和电网综合特征数据,建立数学模型来描述汽车的充电需求与电网的供电能力之间的关系。
步骤S3:基于汽车-电网关系模型对不同时间段内的充电需求和供电模式进行匹配模拟,从而得到动态优化方案数据;
本发明实施例根据汽车-电网关系模型,模拟不同时间段内的充电需求和供电模式,并得到动态优化方案数据。基于已建立的汽车-电网关系模型,将不同时间段内的车辆充电需求与电网供电能力进行匹配模拟。对于每个时间段,根据当前的充电需求和供电能力,确定最优的充电策略,包括充电起始时间、充电速度等。模拟不同时间段内的动态优化方案,并记录相关数据,如充电桩的使用情况、充电量等。
步骤S4:获取电网充电桩数据;根据电网充电桩数据对充电桩节点进行负荷波动监测,从而得到负荷波动监测数据;根据负荷波动监测数据对充电桩节点进行异常检测处理,并进行智能电力调整,从而得到电网电力调整数据;
本发明实施例该步骤主要是监测充电桩节点的负荷波动情况,进行异常检测和智能电力调整,从而得到电网电力调整数据。获取电网充电桩数据,包括充电桩的位置、数量、类型等信息。对充电桩节点进行负荷波动监测,监测充电桩节点的电力需求、负荷变化等情况,并记录负荷波动监测数据。根据负荷波动监测数据进行异常检测,识别出异常的充电桩节点。对异常的充电桩节点进行智能电力调整,调整充电桩的供电能力,以平衡电网负荷,得到电网电力调整数据。
步骤S5:根据电网电力调整数据对动态优化方案数据进行负荷限制优化,从而得到负荷优化方案数据;根据负荷优化方案数据对电动汽车进行动态调度控制,从而得到动态充电控制方案。
本发明实施例根据电网电力调整数据,对动态优化方案数据进行负荷限制优化,并对电动汽车进行动态调度控制,得到动态充电控制方案。根据电网电力调整数据,对动态优化方案数据进行负荷限制优化,以满足电网的供电能力要求。根据负荷优化方案数据,对电动汽车进行动态调度控制,包括充电起始时间、充电速度等参数的调整,以实现动态充电控制方案。
本发明通过5G网络和车载传感器,可以实时获取电动汽车的车辆状态数据,如电池电量、充电状态等。同时,也可以获取电网实时运行数据,如电网负荷、电网频率以及电压指标等。这些实时数据可以作为后续步骤的输入,帮助进行精确的充电需求和供电能力分析。通过对车辆实时状态数据进行聚类特征挖掘,可以识别出不同用户的充电特征数据,例如充电时间、充电量等。同时,通过对电网实时运行数据进行综合特征分析,可以获取电网的综合特征数据,例如负荷波动程度、供电能力等。建立汽车-电网关系模型,将用户充电特征数据和电网综合特征数据进行数学关系建模。这个模型建立电价影响模型对用户电功率敏感度进行个性化评估,针对不同用户给予定制化的充电指导建议,提高用户体验;还可以帮助理解汽车充电需求与电网供电能力之间的关系,为后续的优化提供基础。这些分析和建模结果可以为充电系统提供准确的数据和模型,用于后续的动态优化和充电控制。利用汽车-电网关系模型,可以对不同时间段内的充电需求和电网供电模式进行匹配模拟。通过模拟分析,可以得到动态优化方案数据,即在不同时间段内如何最优地匹配充电需求和电网供电能力。这些动态优化方案数据可以帮助系统实现最高效的充电调度,减少电网负荷波动和能源浪费,提高电网的稳定性和可靠性。获取电网充电桩数据,可以包括充电桩的位置、功率、使用情况等信息。通过对充电桩节点进行负荷波动监测和异常检测处理,可以及时发现充电桩节点的异常情况,并进行智能电力调整,以保证电网的稳定运行。这些电网电力调整数据可以帮助系统实时监测和调整充电桩节点的负荷,避免超负荷运行和电网故障,提高电网的可靠性和安全性。利用电网电力调整数据,对动态优化方案数据进行负荷限制优化。通过考虑电网的电力调整情况,可以进一步优化充电系统的负荷分配,以避免电网超负荷运行。根据负荷优化方案数据,对电动汽车进行动态调度控制,即根据实时情况调整充电桩的使用和充电速度,以最大限度地满足用户的充电需求,并保证电网的供电能力。这些负荷优化方案和动态充电控制方案可以实现充电系统的智能化和优化运行,提高充电效率,减少能源浪费,同时保证电网的稳定性和可靠性。通过实时数据采集和特征分析,能够准确了解电动汽车的充电需求和电网的供电能力,为后续优化提供准确的数据基础。通过建立数学模型,可以理解汽车充电需求与电网供电能力之间的关系,为系统优化提供基础。通过模拟分析和匹配,得到动态优化方案数据,帮助实现最高效的充电调度和能源利用。通过监测和处理充电桩节点的负荷波动和异常情况,保证电网的稳定运行。通过智能电力调整,实时监测和调整充电桩节点的负荷,提高电网的可靠性和安全性。通过负荷优化方案和动态充电控制方案,实现充电系统的智能化和优化运行,提高充电效率,减少能源浪费,保证电网的稳定性和可靠性。
优选地,步骤S1包括以下步骤:
步骤S11:建立基于5G网络的V2X通信网络,利用V2X通信网络以及车载传感器采集电动汽车在实时运行过程中的电池电量、充电状态、位置、车速以及温度参数,从而得到车辆状态原始数据;
步骤S12:利用V2X通信网络采集电网的电网负荷、电网频率、电网电压的指标,从而得到电网运行原始数据;
步骤S13:对车辆状态原始数据以及电网运行原始数据进行数据预处理,从而得到车辆实时状态数据以及电网实时运行数据。
作为本发明的一个实施例,参考图2所示,为图1中步骤S1的详细步骤流程示意图,在本发明实施例中步骤S1包括以下步骤:
步骤S11:建立基于5G网络的V2X通信网络,利用V2X通信网络以及车载传感器采集电动汽车在实时运行过程中的电池电量、充电状态、位置、车速以及温度参数,从而得到车辆状态原始数据;
本发明实施例利用基于5G网络的V2X通信网络和车载传感器,采集电动汽车实时运行过程中的各种参数数据。建立基于5G网络的V2X通信网络,确保电动汽车以及相关设备能够与网络连接并进行数据通信。在电动汽车上安装相应的车载传感器,例如电池电量传感器、充电状态传感器、位置传感器、车速传感器和温度传感器。通过V2X通信网络,实时采集车载传感器获取的数据,包括电池电量、充电状态、位置、车速和温度等参数,以得到车辆状态原始数据。
步骤S12:利用V2X通信网络采集电网的电网负荷、电网频率、电网电压的指标,从而得到电网运行原始数据;
本发明实施例利用V2X通信网络,采集电网实时运行过程中的电网负荷、电网频率和电网电压等指标数据。在电网关键节点或电网设备上部署相应的传感器,用于采集电网负荷、电网频率和电网电压等指标数据。建立基于5G网络的V2X通信网络,确保电网传感器能够与网络连接并进行数据通信。通过V2X通信网络,实时采集电网传感器获取的数据,包括电网负荷、电网频率和电网电压等指标,以得到电网运行原始数据。
步骤S13:对车辆状态原始数据以及电网运行原始数据进行数据预处理,从而得到车辆实时状态数据以及电网实时运行数据。
本发明实施例对车辆状态原始数据和电网运行原始数据进行预处理,以得到可用于分析的车辆实时状态数据和电网实时运行数据。对车辆状态原始数据进行数据清洗和去噪处理,去除异常或无效的数据点,确保数据的准确性和可靠性。进行数据插值或补全处理,填充可能存在的缺失数据,以保证数据的完整性和连续性。对电网运行原始数据进行类似的数据清洗和处理步骤,确保数据的质量和可用性。根据需求,进行数据聚合、降采样或滤波等处理,以得到适合分析和建模的车辆实时状态数据和电网实时运行数据。
本发明通过建立基于5G网络的V2X通信网络,实现车辆与车辆之间以及车辆与基础设施之间的高速通信。利用V2X通信网络和车载传感器,可以实时采集电动汽车在运行过程中的各种参数,包括电池电量、充电状态、位置、车速以及温度等信息。这些车辆状态原始数据能够提供电动汽车实时运行过程中的详细信息,为后续的数据处理和分析提供基础。利用V2X通信网络,可以实时获取电网的运行指标,如电网负荷、电网频率和电网电压等。这些电网运行原始数据提供了电网实时运行状态的关键信息,为后续的数据处理和分析提供基础。对车辆状态原始数据进行数据预处理,包括数据清洗、去噪、缺失值处理、数据转换等步骤,以获得可用于后续分析的车辆实时状态数据。对电网运行原始数据进行数据预处理,包括数据清洗、去噪、缺失值处理、数据转换等步骤,以获得可用于后续分析的电网实时运行数据。数据预处理能够提高数据的质量和可用性,为后续的数据分析和建模提供准确的输入。车辆实时状态数据和电网实时运行数据可以用于后续步骤中的特征挖掘、关系建模和优化方案设计。过建立基于5G网络的V2X通信网络,实现电动汽车和电网之间的高速数据交换,可以获取实时的车辆状态和电网运行数据。利用V2X通信网络和车载传感器,实时采集电动汽车在运行过程中的各种参数,为后续的分析和优化提供准确的数据基础。车辆状态原始数据和电网运行原始数据提供了更详细和全面的信息,可以更准确地描述电动汽车和电网的状态和性能。对原始数据进行预处理,可以提高数据的质量和可用性,为后续的数据分析和建模提供准确的输入。经过数据预处理,得到车辆实时状态数据和电网实时运行数据,可以进行特征挖掘、关系建模和优化方案设计,实现电动汽车和电网的智能化管理和优化。
优选地,步骤S2包括以下步骤:
步骤S21:对车辆实时状态数据进行时间序列特征提取,从而得到车辆时序数据;
步骤S22:根据车辆实时状态数据对车辆时序数据进行关键事件统计,从而得到时间频次数据;
步骤S23:对车辆实时状态数据进行充电站点的高频词汇提取,从而得到关键充电站点数据;
步骤S24:根据车辆时序数据对电动汽车的行驶轨迹进行特征提取,从而得到行驶轨迹特征数据;
步骤S25:根据关键充电站点数据对用户的充电行为偏好进行聚类挖掘,从而得到用户偏好特征数据;
步骤S26:将行驶轨迹特征数据以及用户偏好特征数据合并为用户充电特征数据;
步骤S27:对电网实时运行数据进行电网综合特征分析,从而得到电网综合特征数据;
步骤S28:根据用户充电特征数据以及电网综合特征数据对汽车的充电需求与电网的供电能力进行数学关系建模,从而得到汽车-电网关系模型。
作为本发明的一个实施例,参考图3所示,为图1中步骤S2的详细步骤流程示意图,在本发明实施例中步骤S2包括以下步骤:
步骤S21:对车辆实时状态数据进行时间序列特征提取,从而得到车辆时序数据;
本发明实施例从车辆实时状态数据中提取时间序列特征,以获得描述车辆时序变化的数据。对车辆实时状态数据进行时间戳排序,确保数据按时间顺序排列。根据时间戳,计算与时间相关的特征,例如时间间隔、时间段等。提取时间序列特征,例如平均值、最大值、最小值、标准差等,以描述车辆状态在时间上的变化。
步骤S22:根据车辆实时状态数据对车辆时序数据进行关键事件统计,从而得到时间频次数据;
本发明实施例根据车辆实时状态数据,统计并分析关键事件在时间上的频次。识别车辆实时状态数据中的关键事件,例如充电开始、充电结束、速度变化等。统计关键事件在时间上的出现频次,例如每小时充电次数、每天速度变化次数等,以得到时间频次数据。
步骤S23:对车辆实时状态数据进行充电站点的高频词汇提取,从而得到关键充电站点数据;
本发明实施例从车辆实时状态数据中提取与充电站点相关的高频词汇,以获得关键充电站点数据。从车辆实时状态数据中提取位置信息,例如经纬度、地理位置等。对位置信息进行聚类分析或频次统计,识别出高频出现的位置,即关键充电站点。提取关键充电站点的相关信息,例如充电站点名称、充电桩数量等,以得到关键充电站点数据。
步骤S24:根据车辆时序数据对电动汽车的行驶轨迹进行特征提取,从而得到行驶轨迹特征数据;
本发明实施例从车辆时序数据中提取与行驶轨迹相关的特征,以获得描述行驶轨迹的数据。根据车辆时序数据中的位置信息,计算行驶距离、行驶时间等轨迹相关特征。提取行驶轨迹特征,例如起始位置、结束位置、平均速度、最大速度等,以描述车辆的行驶轨迹。
步骤S25:根据关键充电站点数据对用户的充电行为偏好进行聚类挖掘,从而得到用户偏好特征数据;
本发明实施例根据关键充电站点数据,对用户的充电行为进行聚类分析,以获得用户偏好特征数据。根据关键充电站点数据中的用户充电记录,提取充电行为特征,例如充电频次、充电时长等。运用聚类算法,将用户充电行为进行聚类,识别出不同类型的用户偏好特征数据。
步骤S26:将行驶轨迹特征数据以及用户偏好特征数据合并为用户充电特征数据;
本发明实施例将行驶轨迹特征数据和用户偏好特征数据进行合并,形成描述用户充电特征的数据。将行驶轨迹特征数据和用户偏好特征数据按用户进行关联,确保数据对应正确。将行驶轨迹特征数据和用户偏好特征数据进行合并,形成用户充电特征数据集。确保合并后的数据集包含足够的特征,以描述用户的充电行为和偏好。
步骤S27:对电网实时运行数据进行电网综合特征分析,从而得到电网综合特征数据;
本发明实施例对电网实时运行数据进行综合特征分析,以获得描述电网运行状况的数据。收集电网实时运行数据,例如电网负荷、电压、频率等。对电网实时运行数据进行分析,提取电网综合特征,例如负荷波动程度、电压稳定性等。
步骤S28:根据用户充电特征数据以及电网综合特征数据对汽车的充电需求与电网的供电能力进行数学关系建模,从而得到汽车-电网关系模型。
本发明实施例基于用户充电特征数据和电网综合特征数据,建立数学模型来描述汽车的充电需求与电网的供电能力之间的关系。分析用户充电特征数据和电网综合特征数据之间的关联性和相关性。选择适当的数学模型,例如回归模型、优化模型等,来建立汽车-电网关系模型。根据选定的数学模型,进行参数估计和模型验证,确保模型能够准确描述汽车的充电需求与电网的供电能力之间的关系。
本发明从车辆实时状态数据中提取时间序列特征,例如电池电量随时间的变化、车速随时间的变化等。车辆时序数据提供了关于车辆行为和性能随时间变化的详细信息,为后续的分析和建模提供基础。对车辆时序数据进行统计分析,识别和计算关键事件的发生频次,例如充电次数、行驶次数等。时间频次数据可以提供关键事件发生的频率和分布信息,帮助理解车辆的使用模式和行为习惯。通过对车辆实时状态数据进行分析,提取充电站点的高频词汇,例如充电站点的名称、位置等。关键充电站点数据可以帮助了解充电需求的分布和充电站点的使用情况,为后续的充电策略和规划提供参考。从车辆时序数据中提取行驶轨迹的特征,例如行驶距离、行驶时间、停留时间等。行驶轨迹特征数据提供了关于车辆行驶模式和行为习惯的信息,有助于分析和优化车辆的行驶效率和能源利用。根据关键充电站点数据,对用户的充电行为进行聚类分析,发现充电行为的模式和偏好。用户偏好特征数据可以提供关于用户的充电偏好、充电时段、充电站点偏好等信息,有助于个性化的充电服务和推荐系统的设计。将行驶轨迹特征数据和用户偏好特征数据进行合并,构建用户充电特征数据集。用户充电特征数据集综合考虑了行驶轨迹和用户偏好的信息,可以作为后续建模和分析的输入,用于充电需求预测和优化。对电网实时运行数据进行分析,提取电网的综合特征,如电网负荷、电网稳定性、能源供应等指标。电网综合特征数据提供了对电网运行状态和性能的综合评估,有助于理解电网的容量和供电能力,为充电需求管理和电网规划提供参考。基于用户充电特征数据和电网综合特征数据,建立数学模型来描述汽车的充电需求和电网的供电能力之间的关系。汽车-电网关系模型可以用于预测和优化充电需求,帮助平衡汽车充电需求和电网的供电能力,提高充电效率和电网的稳定性。
优选地,步骤S27包括以下步骤:
步骤S271:获取历史电价数据以及历史可再生能源数据;
本发明实施例通过收集历史电价数据和历史可再生能源数据来获取相关数据。从电力市场或相关能源机构获取历史电价数据和历史可再生能源数据,确保数据包含时间戳和相应的电价或可再生能源生成量。
步骤S272:对历史电价数据以及历史可再生能源数据进行时间序列排序,并利用滑动窗口进行变化波动提取,从而得到电价变化数据以及可再生能源波动数据;
本发明实施例对历史电价数据和历史可再生能源数据进行预处理,提取变化波动信息。将历史电价数据和历史可再生能源数据按时间序列进行排序,确保数据按时间顺序排列。利用滑动窗口方法,计算电价和可再生能源数据在窗口内的变化波动情况,例如标准差、方差等。
步骤S273:对电价变化数据进行不同时间段电价均值和波动程度的统计,并进行电价多时段类型识别,从而得到电力交易特征数据;
本发明实施例对电价变化数据进行统计分析,提取不同时间段的电价特征。将电价变化数据按不同时间段进行分组,例如按小时、按日等。对每个时间段内的电价数据进行统计,计算均值、标准差等电价特征。根据电价特征,识别不同时间段的电价类型,例如高峰时段、低谷时段等,形成电力交易特征数据。
步骤S274:根据可再生能源波动数据对主要发电单元的贡献率进行统计,并对总体发电量进行周期提取,从而得到发电特征数据;
本发明实施例利用可再生能源波动数据分析发电单元的贡献率和总体发电量的周期性。分析可再生能源波动数据与发电单元的关联性,确定主要受可再生能源影响的发电单元。统计每个发电单元对总体发电量的贡献率,即可再生能源对发电的影响程度。对总体发电量进行周期提取,例如按小时、按日等,以揭示发电量的周期性特征,形成发电特征数据。
步骤S275:利用主成分分析法根据电力交易特征数据以及发电特征数据进行电网综合特征分析,从而得到电网综合特征数据。
本发明实施例利用主成分分析法综合考虑电力交易特征和发电特征,提取电网的综合特征。将电力交易特征数据和发电特征数据进行数据标准化,确保数据具有相同的尺度。运用主成分分析方法,对标准化后的数据进行降维处理,提取能够解释电网综合特征的主成分。分析主成分的贡献率和特征向量,以确定哪些特征对于电网综合特征的解释最为重要。根据主成分的贡献率和特征向量,得到电网综合特征数据,可以用于电网运行状态评估、市场分析等应用。
本发明获取历史电价数据和历史可再生能源数据,这些数据记录了过去一段时间内电价的变动情况以及可再生能源的产生情况。历史电价数据和历史可再生能源数据提供了过去电力市场价格和可再生能源供应的信息,为后续的分析和建模提供基础。对历史电价数据和历史可再生能源数据进行时间序列排序,并利用滑动窗口的方法提取电价和可再生能源的变化波动情况。电价变化数据和可再生能源波动数据提供了电价和可再生能源的波动性和不确定性信息,有助于理解电力市场的价格变动和可再生能源的波动特征。对电价变化数据进行统计分析,计算不同时间段的电价均值和波动程度,并进行电价多时段类型的识别。电力交易特征数据提供了不同时间段电价的平均水平和波动情况,帮助理解电力市场的价格形态和特征,为电力交易决策和市场参与者提供参考。根据可再生能源波动数据,统计分析主要发电单元的贡献率,并提取总体发电量的周期性特征。发电特征数据提供了主要发电单元的贡献情况和总体发电量的周期性变化信息,有助于理解电力系统的发电结构和发电量的变化趋势。利用主成分分析法综合考虑电力交易特征数据和发电特征数据,进行电网的综合特征分析。电网综合特征数据提供了对电力交易和发电特征的综合评估,有助于理解电网的运行状态、市场供需关系和可再生能源的利用情况。通过以上步骤,可以对历史电价数据、历史可再生能源数据和电力交易特征数据进行分析和建模,从而帮助理解电力市场的运行规律、可再生能源的波动性以及电网的综合特征。这些信息对于电力市场参与者、能源规划者和电网运营商等,都具有重要的参考价值。通过深入了解电力市场的价格变动、可再生能源的波动情况和电网的综合特征,可以支持决策制定、市场分析、能源规划和电网运营等方面的工作。
优选地,步骤S28包括以下步骤:
步骤S281:对用户充电特征数据进行用户的充电需求量分布规律分析,从而得到用户充电需求数据;
本发明实施例分析用户充电特征数据,了解用户的充电需求量分布规律。收集用户的充电特征数据,包括充电时间、充电时长、充电功率等信息。对充电特征数据进行统计分析,如计算充电需求量的平均值、方差、分布等。通过分析得出用户充电需求量的分布规律,例如高峰时段的充电需求量较大,低谷时段的充电需求量较小。
步骤S282:根据电网综合特征数据对电网发电、负荷以及储能资源进行电网供电能力评估,从而得到电网供电数据;
本发明实施例利用电网综合特征数据评估电网的供电能力,包括发电能力、负荷情况和储能资源利用情况。分析电网综合特征数据,了解电网的发电情况、负荷情况和储能资源的利用情况。对电网的发电能力进行评估,包括考虑可再生能源发电量、传统能源发电量等因素。对电网的负荷情况进行评估,包括考虑用户用电需求、行业用电需求等因素。对储能资源的利用情况进行评估,包括考虑储能装置的充放电效率、容量等因素。综合评估得出电网的供电能力,即电网能够满足的充电需求量。
步骤S283:根据用户充电需求数据以及电网供电数据进行充电成本与供应风险分析,建立电价决定式;
本发明实施例利用用户充电需求数据和电网供电数据分析充电成本和供应风险,建立电价决定式。结合用户充电需求数据和电网供电数据,计算充电成本,包括能源成本、储能成本、供电设备成本等。分析供应风险,即电网供电能力与用户充电需求之间的匹配程度,包括供电不足风险和供电过剩风险。建立电价决定式,将充电成本和供应风险考虑进去,以确定合理的电价水平。
步骤S284:根据用户充电需求数据以及电网供电数据对用户进行电价敏感度评估,从而得到用户-电价敏感度数据;
本发明实施例分析用户充电需求数据和电网供电数据,评估用户对电价的敏感度。结合用户充电需求数据和电网供电数据,计算不同电价水平下用户的充电量。根据充电量的变化情况,评估用户对不同电价的敏感度,例如计算弹性系数或充电弹性曲线。
步骤S285:基于电价决定式以及用户-电价敏感度数据进行数学关系建模,从而得到汽车-电网关系模型。
本发明利用电价决定式和用户-电价敏感度数据建立数学关系模型,描述汽车与电网之间的关系。将电价决定式和用户-电价敏感度数据作为输入。根据数学建模的方法,例如回归分析、优化算法等,建立汽车-电网关系模型。汽车-电网关系模型可以是一个数学方程、模拟模型或者其他形式的数学描述。通过该模型,可以预测在不同电价水平下用户的充电行为,以及电网的供电情况。
本发明对用户的充电特征数据进行分析,探索用户充电需求的分布规律,了解用户的充电行为和需求量。通过了解用户充电需求数据,可以为电力系统规划和充电基础设施建设提供依据,确保满足用户的充电需求,优化电力系统的供需匹配。利用电网综合特征数据对电网的发电能力、负荷情况以及储能资源进行评估,了解电网的供电能力。电网供电数据提供了电网的供电能力信息,为电力系统的运行和管理提供依据,帮助实现电力供应的可靠性和稳定性。基于用户充电需求数据和电网供电数据,进行充电成本和供应风险的分析,建立电价决定式,即确定电价与充电需求和供电能力之间的关系。电价决定式可以为制定合理的电价策略和优化充电调度提供依据,平衡用户的需求和电网的供应,降低充电成本和供应风险,促进电力系统的可持续发展。根据用户充电需求数据和电网供电数据,评估用户对电价的敏感程度,得到用户-电价敏感度数据,即了解用户对电价变动的反应程度。用户-电价敏感度数据可以帮助电力系统运营者和电力市场参与者理解用户的需求响应特征,制定差异化的电价策略,提高电力市场的效率和用户满意度。基于电价决定式和用户-电价敏感度数据,建立数学关系模型,描述汽车充电需求和电网供电之间的关系。汽车-电网关系模型可以为充电调度和电力市场运营提供决策支持,优化充电策略和资源配置,实现电力系统的高效运行和可持续发展。通过以上步骤,可以对用户充电需求、电网供电能力、电价决定和用户-电价敏感度进行分析和建模,帮助理解用户的充电行为、优化电力系统的供需匹配,制定合理的电价策略,并建立汽车与电网的关系模型。这些模型和分析结果对于电力系统规划、充电基础设施建设、充电调度和市场运营等方面都具有重要的参考价值。通过深入了解用户充电需求、电网供电能力和电价敏感度,可以实现电力供应的可靠性、经济性和可持续性,提高用户满意度和电力系统的效率。
优选地,步骤S284中的电价敏感度评估采用如下公式:
式中,为电价对应的用户电价敏感度,为总时间段参数,为时间段对应的电价,为影响用户基础电价敏感程度的因子,为描述电价对用户敏感度影响的凹凸程度,为低电价区间用户敏感度的基数项系数,为电价的取值范围内的一个具体电价点,为电价决定式中电价区间最小值,为电价决定式中电价区间最大值,为用户整体敏感度随时间积分项的指标值,为电价区间内电价对敏感度影响程度的指标值,为用户整体敏感度随电价积分项的指标值,为自然常数。
本发明通过构建一个电价敏感度评估公式用于根据用户充电需求数据以及电网供电数据对用户进行电价敏感度评估,从而得到用户-电价敏感度数据;该公式充分考虑到了为电价对应的用户电价敏感度;为总时间段参数,它是一个关于时间的函数;为时间段对应的电价,它定义了评估的时间范围;为影响用户基础电价敏感程度的因子,表示用户对基础电价的敏感程度;为描述电价对用户敏感度影响的凹凸程度,决定了用户对电价变化的敏感度;为低电价区间用户敏感度的基数项系数,表示用户对低电价区间的敏感度;为电价的取值范围内的一个具体电价点,为电价决定式中电价区间最小值,为电价决定式中电价区间最大值,为用户整体敏感度随时间积分项的指标值,反映了用户对电价变化的积极程度;为电价区间内电价对敏感度影响程度的指标值,描述了电价在特定区间内对用户敏感度的影响程度;为用户整体敏感度随电价积分项的指标值,表示用户对电价变化的综合敏感度;为自然常数,约等于2.71828。该公式通过数学模型将用户对电价的敏感度量化,并将其表示为一个关于时间的函数。这有助于理解用户对不同电价情况下的响应程度,提供了衡量用户对电价变化敏感程度的指标。该公式中的参数考虑了不同的因素对用户电价敏感度的影响。通过调整这些参数的值,可以更好地描述用户对电价的响应特征,提高模型的准确性。该公式中的两个积分项分别考虑了时间和电价的积分。这使得模型能够捕捉到用户在不同时间段和电价区间内的敏感度变化,更准确地反映用户对电价的感知和响应。通过计算用户的电价敏感度,可以为电力系统运营者和市场参与者提供决策支持。基于敏感度评估结果,可以制定差异化的电价策略,优化充电调度和资源配置,提高电力市场的效率和用户满意度。综上所述,以上公式通过量化用户对电价的敏感度,并考虑多个因素的影响和电价变化的动态性,为电力系统运营和市场决策提供了有益的评估工具和决策支持。
本发明,步骤S3包括以下步骤:
步骤S31:基于汽车-电网关系模型将充电需求细化到时间单元格,并进行时段划分,从而得到需电峰谷分段数据;
本发明实施例利用汽车-电网关系模型将充电需求细化到时间单元格,并根据需求特征进行时段划分。根据汽车-电网关系模型,将用户的充电需求细化到较小的时间单元格,例如按小时或按15分钟划分。根据充电需求的特征(如充电功率、充电时长等),将时间单元格划分为不同的时段,例如高峰时段、平峰时段和低谷时段。将充电需求按时段进行分类,得到需电峰谷分段数据,即每个时段内的充电需求量。
步骤S32:对需电峰谷分段数据进行变化周期分析,并进行未来时段电力需求预测,从而得到电力需求预测数据;
本发明实施例分析需电峰谷分段数据的变化周期,并利用该周期进行未来时段的电力需求预测。分析需电峰谷分段数据的变化规律和周期性,例如通过时间序列分析方法或周期性分析方法。基于需电峰谷分段数据的变化周期,预测未来时段内的电力需求量。考虑其他影响因素,如节假日、天气等,对电力需求进行修正和调整,得到更准确的电力需求预测数据。
步骤S33:基于电网综合特征数据对不同时段内电网的供电能力进行评估,从而得到供电能力评估数据;
本发明实施例利用电网综合特征数据对不同时段内电网的供电能力进行评估,以了解供电能力的变化情况。收集电网综合特征数据,包括发电能力、负荷情况和储能资源利用情况等。分析电网综合特征数据,评估不同时段内电网的供电能力,如考虑可再生能源发电量、传统能源发电量、负荷波动情况等因素。得到供电能力评估数据,即不同时段内电网能够提供的电力供应量。
步骤S34:对电力需求预测数据以及供电能力评估数据进行时间片充电需求和供给匹配,从而得到时间片匹配数据;
本发明实施例将电力需求预测数据和供电能力评估数据进行时间片匹配,以确定每个时间片内的充电需求和供给情况。将电力需求预测数据和供电能力评估数据按时间片进行匹配,即将相同时间片的数据进行对应。比较每个时间片内的电力需求和供给情况,判断是否存在供需匹配问题,如供电不足或供电过剩。根据匹配结果,得到时间片匹配数据,即每个时间片内的充电需求量和供给量。
步骤S35:根据时间片匹配数据对电动汽车的充电需求进行最优充电路径规划,从而得到最优充电路径数据;
本发明实施例基于时间片匹配数据,对电动汽车的充电需求进行最优充电路径规划,以实现高效和可靠的充电。根据时间片匹配数据,获取每个时间片内的充电需求量以及充电设备的可用情况。运用路径规划算法,如最短路径算法或遗传算法,考虑充电设备的容量、充电速度、距离等因素,规划出每辆电动汽车的最优充电路径。考虑充电设备的排队情况、充电设备的可用性等因素,优化充电路径,以提高充电效率和用户满意度。得到最优充电路径数据,即每辆电动汽车在不同时间片内的充电设备选择和充电顺序。
步骤S36:基于电价决定式对时间片匹配数据中的时间单元进行电价权重赋予,从而得到时间价值数据。
本发明实施例根据电价决定式,对时间片匹配数据中的时间单元进行电价权重赋予,以反映时间的电价价值。根据电力市场的电价决定式,计算每个时间单元的电价权重,即该时间单元内的电价相对于其他时间单元的价值。将电价权重与时间片匹配数据中的时间单元对应,为每个时间单元赋予相应的电价权重。得到时间价值数据,即每个时间单元的电价权重,用于后续的充电策略制定和决策分析。
本发明通过建立汽车-电网关系模型,将充电需求根据时间进行细化和划分,得到需电峰谷分段数据。这一步骤能够更准确地了解充电需求在不同时间段的分布情况,识别出高峰和低谷时段,为后续的电力需求预测和供给匹配提供基础数据。对需电峰谷分段数据进行变化周期分析,识别出电力需求的周期性变化规律,并进行未来时段的电力需求预测。这一步骤能够预测未来时段的电力需求趋势,为电力系统规划和资源调度提供参考,帮助平衡供需关系,提高电网运行的效率和稳定性。基于电网综合特征数据,对不同时间段内电网的供电能力进行评估,包括电源容量、输电线路状况、负荷情况等。这一步骤能够评估电网在不同时间段内的供电能力,即电网的可靠性和稳定性,为后续的供需匹配和充电路径规划提供依据。将电力需求预测数据和供电能力评估数据进行匹配,确定每个时间片段内的充电需求和供给情况。这一步骤能够将充电需求与供给进行精确匹配,为后续的最优充电路径规划和电价权重赋予提供基础数据。根据时间片匹配数据,利用优化算法对电动汽车的充电需求进行路径规划,确定最优的充电策略和充电路径。这一步骤能够最大程度地满足电动汽车的充电需求,提高充电效率,减少充电时间和能源浪费,同时优化电力系统的负荷分布。根据电价决定式,为时间片匹配数据中的每个时间单元赋予电价权重,得到时间价值数据。这一步骤能够考虑电价对充电需求的影响,根据电价的高低调整充电策略,实现经济性和效益性的充电安排,促进电力市场的合理运行和资源利用。总体而言,以上步骤通过细化充电需求、预测电力需求、评估供电能力、匹配充电需求和供给、规划最优充电路径,以及考虑电价影响,实现了充电需求与电力系统供需的优化匹配。这些步骤提供了决策支持和指导,能够提高电力系统的运行效率、降低能源消耗、优化充电资源配置,同时提升用户的充电体验和满意度。
优选地,步骤S35包括以下步骤:
步骤S351:根据时间片匹配数据确定时间单元内的充电需求量和供电能力量,从而得到充电需求-供电能力矩阵;
步骤S352:根据车辆实时状态数据中的剩余总电量确定车辆的最低充电需求量和最高充电需求量,从而得到充电需求范围数据;
步骤S353:根据车辆实时状态数据中的剩余总电量进行汽车行驶最长里程进行计算,从而得到续航里程数据;
步骤S354:基于充电需求-供电能力矩阵根据充电需求范围数据以及续航里程数据进行最优充电路径规划,从而得到最优充电路径数据。
本发明根据时间片匹配数据,确定每个时间单元内的充电需求量和供电能力量,并将其组合成充电需求-供电能力矩阵。这一步骤提供了充电需求和供给之间的详细信息,为后续的充电需求范围确定和最优充电路径规划提供基础数据。根据车辆实时状态数据中的剩余总电量,确定车辆的最低充电需求量和最高充电需求量,从而得到充电需求的范围数据。这一步骤确定了车辆充电的最低和最高要求,帮助规划充电路径时考虑车辆的实际需求,确保充电量能够满足车辆的行驶需求。根据车辆实时状态数据中的剩余总电量,通过计算车辆行驶的最长里程,得到续航里程数据。这一步骤提供了车辆的续航里程信息,帮助规划充电路径时考虑车辆的行驶需求和充电补充,确保车辆能够顺利到达目的地。基于充电需求-供电能力矩阵、充电需求范围数据和续航里程数据,进行最优充电路径规划,确定最佳的充电策略和充电路径。这一步骤根据充电需求、供给和车辆的实际情况,规划最优的充电路径,实现充电效率的最大化和充电时间的最小化,提高充电的便捷性和效果。总体而言,以上步骤通过确定充电需求和供给的关系、车辆的充电需求范围和续航里程,以及基于这些信息进行最优充电路径规划,能够满足车辆的充电需求,提高充电效率,减少充电时间和能源浪费。这些步骤为充电系统的智能化和优化提供了基础,提升了充电体验和用户满意度,同时优化了电力系统的负荷分布和资源利用。
优选地,步骤S4包括以下步骤:
步骤S41:获取电网充电桩数据;
本发明实施例收集和获取关于电网充电桩的相关数据,以便进行后续的负荷波动监测和异常检测处理。确定需要获取的电网充电桩数据,如充电桩的位置信息、充电功率、充电状态等。通过数据采集设备或者与充电桩系统进行数据交互,获取电网充电桩数据。对获取的数据进行存储和整理,以便后续的数据分析和处理。
步骤S42:根据电网充电桩数据对充电桩节点进行负荷波动监测,从而得到负荷波动监测数据;
本发明实施例基于电网充电桩数据,对充电桩节点的负荷波动进行监测和分析,以获取负荷波动的相关数据。利用电网充电桩数据中的充电功率信息,对不同充电桩节点的负荷情况进行实时监测。分析充电桩节点的负荷数据,如负荷曲线、负荷变化率等,以了解充电桩节点的负荷波动情况。根据负荷波动监测结果,得到负荷波动监测数据,如负荷波动的幅度、频率等。
步骤S43:根据负荷波动监测数据对充电桩节点进行异常检测处理,并对异常节点进行识别以及定位,从而得到异常检测处理数据;
本发明实施例基于负荷波动监测数据,对充电桩节点进行异常检测和处理,识别和定位异常节点,并生成异常检测处理数据。对负荷波动监测数据进行异常检测,通过统计学方法、机器学习算法等分析数据的偏离程度和异常情况。根据异常检测结果,识别和定位异常的充电桩节点,即确定出负荷异常的具体充电桩。生成异常检测处理数据,包括异常节点的标识、异常的类型和程度等信息,以便后续的电力调整和负荷平衡。
步骤S44:根据异常检测处理数据对异常的充电桩节点进行电力调节和负荷平衡,从而得到电网电力调整数据。
本发明实施例根据异常检测处理数据,对异常的充电桩节点进行电力调节和负荷平衡,以实现电网电力的调整和优化。根据异常检测处理数据中的异常节点信息,对异常的充电桩节点进行电力调节,即调整充电功率或停止充电等措施。通过电力调节,使异常节点的负荷趋于稳定,减小负荷波动对电网的影响。在调节异常节点的同时,对其他正常节点进行负荷平衡,以实现整体电网负荷的均衡分配。得到电网电力调整数据,包括异常节点的负荷调节情况、负荷平衡的结果等。
本发明获取电网充电桩的数据,包括充电桩的位置、属性、状态和接入电网的信息。这一步骤建立了充电桩的数据库,为后续的负荷波动监测、异常检测处理和电力调节提供了基础数据。根据电网充电桩的数据,对充电桩节点进行负荷波动监测,记录充电桩的负荷变化情况,得到负荷波动监测数据。这一步骤提供了充电桩节点的负荷波动信息,帮助了解充电桩的负荷变化情况,为后续的异常检测处理和电力调节提供依据。根据负荷波动监测数据,对充电桩节点进行异常检测处理,识别出负荷异常的节点,并进行定位,得到异常检测处理数据。这一步骤提供了对负荷异常节点的识别和定位,帮助快速发现和解决充电桩负荷异常的问题,保障充电系统的稳定运行。根据异常检测处理数据,对异常的充电桩节点进行电力调节和负荷平衡,以保持充电系统的稳定运行,并得到电网电力调整数据。这一步骤针对异常的充电桩节点进行电力调节和负荷平衡,优化电力系统的负荷分布和资源利用,保证充电系统的可靠性和稳定性。总体而言,以上步骤通过获取电网充电桩数据、进行负荷波动监测、异常检测处理和电力调节,能够及时发现和解决充电桩节点的负荷异常问题,保障充电系统的稳定运行,优化电力系统的负荷分布和资源利用。这些步骤提高了充电系统的可靠性和效率,减少了能源浪费,同时改善了用户的充电体验和满意度。
优选地,步骤S5包括以下步骤:
步骤S51:根据电网电力调整数据计算充电桩节点的最大允许负荷和最小允许负荷,从而负荷限制数据;
本发明实施例基于电网电力调整数据,计算充电桩节点的最大允许负荷和最小允许负荷,以确定负荷的上下限。分析电网电力调整数据,了解电网的电力供需状况。根据电力调整数据和充电桩节点的特性,计算每个充电桩节点的最大允许负荷和最小允许负荷。得到负荷限制数据,其中包括每个充电桩节点的最大允许负荷和最小允许负荷。
步骤S52:根据负荷限制数据对动态优化方案数据进行限制优化,从而得到负荷优化方案数据;
本发明实施例基于负荷限制数据,对动态优化方案数据进行限制优化,以得到符合负荷限制的负荷优化方案。考虑负荷限制数据和其他相关约束条件,如充电桩的供电能力、车辆的充电需求等。根据这些约束条件,对动态优化方案数据进行优化,使其满足负荷限制要求。得到负荷优化方案数据,其中包括充电桩节点的负荷分配方案,以及满足负荷限制的充电桩和车辆之间的匹配关系等信息。
步骤S53:根据负荷优化方案数据对电动汽车进行动态调度控制,从而得到动态充电控制方案。
本发明实施例基于负荷优化方案数据,对电动汽车进行动态调度控制,以实现负荷的优化和充电的控制。根据负荷优化方案数据中的负荷分配方案,确定各个充电桩节点的负荷控制策略,如充电功率调整、充电时段控制等。根据充电桩和车辆之间的匹配关系,制定电动汽车的动态调度策略,包括充电开始时间、充电结束时间等。实施电动汽车的动态调度控制,根据实时的电力供需状况和充电桩节点的负荷情况,调整充电桩和车辆的充电行为,实现负荷的优化和充电的控制。得到动态充电控制方案,包括充电桩和车辆的充电策略、调度安排等。
本发明根据电网电力调整数据,计算充电桩节点的最大允许负荷和最小允许负荷,从而确定负荷的限制范围。这一步骤为后续的负荷优化和动态调度提供了负荷限制数据,确保充电桩节点的负荷在合理范围内,避免电力系统负荷过载和不稳定的问题。根据负荷限制数据,对动态优化方案数据进行限制优化,调整充电桩节点的负荷分配,得到负荷优化方案数据。这一步骤通过限制优化,确保负荷在允许范围内,优化充电桩节点的负荷分布,提高电力系统的负荷均衡性和资源利用效率。根据负荷优化方案数据,对电动汽车进行动态调度控制,即根据充电桩节点的负荷情况,调整充电车辆的充电策略和充电时间,得到动态充电控制方案。这一步骤根据负荷优化方案数据,实现对充电车辆的动态调度控制,避免充电桩节点负荷过载,优化充电效率和时间,提高充电系统的可靠性和效率。总体而言,以上步骤通过计算负荷限制、限制优化和动态调度控制,能够实现对充电桩节点负荷的合理管理和优化,提高电力系统的负荷均衡性和资源利用效率。同时,通过动态充电控制方案,能够根据负荷情况灵活调整充电策略,提高充电效率,减少充电时间和能源浪费。这些步骤有助于优化充电系统的运行,提高用户的充电体验和满意度,同时改善电力系统的负荷分布和资源利用。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于5G通信的电动汽车车联网电力优化分配方法,其特征在于,包括以下步骤:
步骤S1:利用5G网络以及车载传感器采集电动汽车的车辆实时状态数据以及电网实时运行数据;
步骤S2:对车辆实时状态数据进行聚类特征挖掘,从而得到用户充电特征数据;对电网实时运行数据进行电网综合特征分析,从而得到电网综合特征数据;根据用户充电特征数据以及电网综合特征数据对汽车的充电需求与电网的供电能力进行数学关系建模,从而得到汽车-电网关系模型;
步骤S3:基于汽车-电网关系模型对不同时间段内的充电需求和供电模式进行匹配模拟,从而得到动态优化方案数据;
步骤S4:获取电网充电桩数据;根据电网充电桩数据对充电桩节点进行负荷波动监测,从而得到负荷波动监测数据;根据负荷波动监测数据对充电桩节点进行异常检测处理,并进行智能电力调整,从而得到电网电力调整数据;
步骤S5:根据电网电力调整数据对动态优化方案数据进行负荷限制优化,从而得到负荷优化方案数据;根据负荷优化方案数据对电动汽车进行动态调度控制,从而得到动态充电控制方案。
2.根据权利要求1所述的基于5G通信的电动汽车车联网电力优化分配方法,其特征在于,步骤S1包括以下步骤:
步骤S11:建立基于5G网络的V2X通信网络,利用V2X通信网络以及车载传感器采集电动汽车在实时运行过程中的电池电量、充电状态、位置、车速以及温度参数,从而得到车辆状态原始数据;
步骤S12:利用V2X通信网络采集电网的电网负荷、电网频率、电网电压的指标,从而得到电网运行原始数据;
步骤S13:对车辆状态原始数据以及电网运行原始数据进行数据预处理,从而得到车辆实时状态数据以及电网实时运行数据。
3.根据权利要求2所述的基于5G通信的电动汽车车联网电力优化分配方法,其特征在于,步骤S2包括以下步骤:
步骤S21:对车辆实时状态数据进行时间序列特征提取,从而得到车辆时序数据;
步骤S22:根据车辆实时状态数据对车辆时序数据进行关键事件统计,从而得到时间频次数据;
步骤S23:对车辆实时状态数据进行充电站点的高频词汇提取,从而得到关键充电站点数据;
步骤S24:根据车辆时序数据对电动汽车的行驶轨迹进行特征提取,从而得到行驶轨迹特征数据;
步骤S25:根据关键充电站点数据对用户的充电行为偏好进行聚类挖掘,从而得到用户偏好特征数据;
步骤S26:将行驶轨迹特征数据以及用户偏好特征数据合并为用户充电特征数据;
步骤S27:对电网实时运行数据进行电网综合特征分析,从而得到电网综合特征数据;
步骤S28:根据用户充电特征数据以及电网综合特征数据对汽车的充电需求与电网的供电能力进行数学关系建模,从而得到汽车-电网关系模型。
4.根据权利要求3所述的基于5G通信的电动汽车车联网电力优化分配方法,其特征在于,步骤S27包括以下步骤:
步骤S271:获取历史电价数据以及历史可再生能源数据;
步骤S272:对历史电价数据以及历史可再生能源数据进行时间序列排序,并利用滑动窗口进行变化波动提取,从而得到电价变化数据以及可再生能源波动数据;
步骤S273:对电价变化数据进行不同时间段电价均值和波动程度的统计,并进行电价多时段类型识别,从而得到电力交易特征数据;
步骤S274:根据可再生能源波动数据对主要发电单元的贡献率进行统计,并对总体发电量进行周期提取,从而得到发电特征数据;
步骤S275:利用主成分分析法根据电力交易特征数据以及发电特征数据进行电网综合特征分析,从而得到电网综合特征数据。
5.根据权利要求4所述的基于5G通信的电动汽车车联网电力优化分配方法,其特征在于,步骤S28包括以下步骤:
步骤S281:对用户充电特征数据进行用户的充电需求量分布规律分析,从而得到用户充电需求数据;
步骤S282:根据电网综合特征数据对电网发电、负荷以及储能资源进行电网供电能力评估,从而得到电网供电数据;
步骤S283:根据用户充电需求数据以及电网供电数据进行充电成本与供应风险分析,建立电价决定式;
步骤S284:根据用户充电需求数据以及电网供电数据对用户进行电价敏感度评估,从而得到用户-电价敏感度数据;
步骤S285:基于电价决定式以及用户-电价敏感度数据进行数学关系建模,从而得到汽车-电网关系模型。
6.根据权利要求5所述的基于5G通信的电动汽车车联网电力优化分配方法,其特征在于,步骤S284中的电价敏感度评估采用如下公式:
式中,为电价对应的用户电价敏感度,为总时间段参数,为时间段对应的电价,为影响用户基础电价敏感程度的因子,为描述电价对用户敏感度影响的凹凸程度,为低电价区间用户敏感度的基数项系数,为电价的取值范围内的一个具体电价点,为电价决定式中电价区间最小值,为电价决定式中电价区间最大值,为用户整体敏感度随时间积分项的指标值,为电价区间内电价对敏感度影响程度的指标值,为用户整体敏感度随电价积分项的指标值,为自然常数。
7.根据权利要求6所述的基于5G通信的电动汽车车联网电力优化分配方法,动态优化方案数据包括最优充电路径数据以及时间价值数据,其特征在于,步骤S3包括以下步骤:
步骤S31:基于汽车-电网关系模型将充电需求细化到时间单元格,并进行时段划分,从而得到需电峰谷分段数据;
步骤S32:对需电峰谷分段数据进行变化周期分析,并进行未来时段电力需求预测,从而得到电力需求预测数据;
步骤S33:基于电网综合特征数据对不同时段内电网的供电能力进行评估,从而得到供电能力评估数据;
步骤S34:对电力需求预测数据以及供电能力评估数据进行时间片充电需求和供给匹配,从而得到时间片匹配数据;
步骤S35:根据时间片匹配数据对电动汽车的充电需求进行最优充电路径规划,从而得到最优充电路径数据;
步骤S36:基于电价决定式对时间片匹配数据中的时间单元进行电价权重赋予,从而得到时间价值数据。
8.根据权利要求7所述的基于5G通信的电动汽车车联网电力优化分配方法,其特征在于,步骤S35包括以下步骤:
步骤S351:根据时间片匹配数据确定时间单元内的充电需求量和供电能力量,从而得到充电需求-供电能力矩阵;
步骤S352:根据车辆实时状态数据中的剩余总电量确定车辆的最低充电需求量和最高充电需求量,从而得到充电需求范围数据;
步骤S353:根据车辆实时状态数据中的剩余总电量进行汽车行驶最长里程进行计算,从而得到续航里程数据;
步骤S354:基于充电需求-供电能力矩阵根据充电需求范围数据以及续航里程数据进行最优充电路径规划,从而得到最优充电路径数据。
9.根据权利要求8所述的基于5G通信的电动汽车车联网电力优化分配方法,其特征在于,其特征在于,步骤S4包括以下步骤:
步骤S41:获取电网充电桩数据;
步骤S42:根据电网充电桩数据对充电桩节点进行负荷波动监测,从而得到负荷波动监测数据;
步骤S43:根据负荷波动监测数据对充电桩节点进行异常检测处理,并对异常节点进行识别以及定位,从而得到异常检测处理数据;
步骤S44:根据异常检测处理数据对异常的充电桩节点进行电力调节和负荷平衡,从而得到电网电力调整数据。
10.根据权利要求9所述的基于5G通信的电动汽车车联网电力优化分配方法,其特征在于,步骤S5包括以下步骤:
步骤S51:根据电网电力调整数据计算充电桩节点的最大允许负荷和最小允许负荷,从而负荷限制数据;
步骤S52:根据负荷限制数据对动态优化方案数据进行限制优化,从而得到负荷优化方案数据;
步骤S53:根据负荷优化方案数据对电动汽车进行动态调度控制,从而得到动态充电控制方案。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118313517A true CN118313517A (zh) | 2024-07-09 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11136008B2 (en) | Systems and methods for managing exchangeable energy storage device stations | |
TWI638328B (zh) | 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置 | |
CN101728868B (zh) | 遥测电力负荷特性的分类和预测方法 | |
CN109993343A (zh) | 预测可交换式能源储存装置的需求的系统与方法 | |
EP3104323A1 (en) | Electric power business profit and loss calculation system and electric power business profit and loss calculation method | |
Kong et al. | Refined peak shaving potential assessment and differentiated decision-making method for user load in virtual power plants | |
Xiong et al. | An integrated and personalized traveler information and incentive scheme for energy efficient mobility systems | |
CN117595391A (zh) | 一种电网系统的协调控制方法 | |
CN113674524A (zh) | 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及系统 | |
Kim et al. | A scenario-based stochastic programming approach for the public charging station location problem | |
CN117495056A (zh) | 一种用电数据监测和优化方法及系统 | |
Khwaja et al. | Performance analysis of LSTMs for daily individual EV charging behavior prediction | |
Hüttel et al. | Mind the gap: Modelling difference between censored and uncensored electric vehicle charging demand | |
Elhattab et al. | Leveraging real-world data sets for qoe enhancement in public electric vehicles charging networks | |
CN118313517A (zh) | 基于5g通信的电动汽车车联网电力优化分配方法 | |
CN112560325B (zh) | 换电业务的预测方法、系统、设备及存储介质 | |
Cañigueral et al. | Assessment of electric vehicle charging hub based on stochastic models of user profiles | |
Kumar et al. | Enhancing EV charging predictions: a comprehensive analysis using K-nearest neighbours and ensemble stack generalization | |
Shekari et al. | Recognition of electric vehicles charging patterns with machine learning techniques | |
Huber | Engineering user-centric smart charging systems | |
CN117649027B (zh) | 基于智慧车站的数据处理方法及系统 | |
CN117934202A (zh) | 一种虚拟电厂调度封装模型的构建方法 | |
Cao et al. | Application and machine learning methods for dynamic load point controls of electric vehicles (xEVs) | |
CN117932519B (zh) | 一种新能源汽车充电站监控系统 | |
Almaghrebi | Data-Driven Framework for Predicting and Scheduling Household Charging of EVs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |