Nothing Special   »   [go: up one dir, main page]

CN109460853A - 一种电动汽车充电负荷需求确定方法及系统 - Google Patents

一种电动汽车充电负荷需求确定方法及系统 Download PDF

Info

Publication number
CN109460853A
CN109460853A CN201811145495.1A CN201811145495A CN109460853A CN 109460853 A CN109460853 A CN 109460853A CN 201811145495 A CN201811145495 A CN 201811145495A CN 109460853 A CN109460853 A CN 109460853A
Authority
CN
China
Prior art keywords
electric car
charging
distribution function
charge
day
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.)
Granted
Application number
CN201811145495.1A
Other languages
English (en)
Other versions
CN109460853B (zh
Inventor
钱甜甜
李亚平
江叶峰
栾开宁
熊浩
刘建涛
王珂
郭晓蕊
周竞
毛文博
石飞
王刚
徐鹏
潘玲玲
王礼文
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 Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
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 Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811145495.1A priority Critical patent/CN109460853B/zh
Publication of CN109460853A publication Critical patent/CN109460853A/zh
Application granted granted Critical
Publication of CN109460853B publication Critical patent/CN109460853B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G07CHECKING-DEVICES
    • G07FCOIN-FREED OR LIKE APPARATUS
    • G07F15/00Coin-freed apparatus with meter-controlled dispensing of liquid, gas or electricity
    • G07F15/003Coin-freed apparatus with meter-controlled dispensing of liquid, gas or electricity for electricity
    • G07F15/005Coin-freed apparatus with meter-controlled dispensing of liquid, gas or electricity for electricity dispensed for the electrical charging of vehicles
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (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需求确定方法及系统,所述方法包括:利用预先建立的联合概率分布函数获取电动汽车充电概率;根据所述电动汽车充电概率确定单台电动汽车充电功率需求曲线;利用所述单台电动汽车充电功率需求曲线确定多台电动汽车充电负荷需求分布情况。本发明提供的技术方案统筹兼顾考虑了电动汽车的时空分布特性,又提供了较简便快捷的工程化方法来计算电动汽车充电负荷,为估算电动汽车的可用需求响应潜力及参与电力市场奠定了基础。

Description

一种电动汽车充电负荷需求确定方法及系统
技术领域
本发明涉及电动汽车充电负荷预测领域,具体涉及一种电动汽车充电负荷需求确定方法及系统。
背景技术
电动汽车是新能源汽车的主要发展方向,近年成为国内外汽车产业发展的热点,国家政策导向明显,发展速度日益加快,将逐步迈入产业化阶段。根据国家发展策略及目前示范工程,电动汽车类型主要分为私家车、出租车、公交车。出租车和公交车一般具有较为固定的运营时间和耗电量,充电时间也较为固定,可控性较差,一般等效为固定负荷,而私家车充电特性因为在时空上具有较大的随机性而被重点研究。
私家电动汽车规模化应用将产生大量的充电需求,电动汽车充电负荷对电网产生影响的直接相关因素是充电起始时间、充电时长、充电功率、充电次数以及充电地点。对于电动汽车集群而言,每台电动汽车接入电网的起始时间、时长、次数以及接入地点都是随机的,其会带来时空不确定性。分析电动汽车充电需求的时空分布,对电力系统调度控制、充电设施规划以及未来电动汽车参与需求响应和电力市场运营等具有重要的参考价值,也是当前研究的热点。
对于私家电动汽车的充电需求,现较为通用的方法是蒙特卡洛法,目前研究存在的问题,要么是研究情景过于简单,仅研究了在家充电的情形,给定起始动力电池荷电状态、起始充电时间和日行驶里程的条件下建立简单的模型;要么虽然考虑了电动汽车的时空特性,但是算法较为复杂,而且假定条件太多,与实际情形有一定出入。
发明内容
本发明提供一种电动汽车充电负荷需求确定方法及系统,其目的是利用电动汽车用户主要出行活动数据,通过分析电动汽车在工作日和非工作日在主要停驻地点的启停时间和位置,探索并总结其分布规律,准确分析电动汽车充电负荷需求。
本发明提供的一种电动汽车充电负荷需求确定方法,其改进之处在于,包括:
利用预先建立的联合概率分布函数获取电动汽车充电概率;
根据所述电动汽车充电概率确定单台电动汽车充电功率需求曲线;
利用所述单台电动汽车充电功率需求曲线确定多台电动汽车充电负荷需求分布情况。
优选的,所述预先建立的电动汽车联合概率分布函数的建立过程包括:
获取不同日类型电动汽车的充电场所;
利用不同日类型对应的电动汽车的充电场所的起始充电时间数据和充电时长数据拟合不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数;
基于所述不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数,获取不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数的联合概率分布函数。
进一步的,所述获取不同日类型电动汽车的充电场所,包括:
若日类型为非工作日,则电动汽车的充电场所为家;
若日类型为工作日,当电动汽车未回家前,且电动汽车从家到达工作单位后的荷电状态SOCi,work小于等于阈值时,则电动汽车在工作日的充电场所为工作单位和家;
当电动汽车未回家前,且电动汽车到达工作单位后的荷电状态SOCi,work大于阈值,从工作单位回到家后的荷电状态SOCi,home小于等于阈值时,则电动汽车在工作日的充电场所为工作单位和家;
否则,电动汽车在工作日的充电场所仅为家;
进一步的,所述电动汽车从家到达工作单位后的荷电状态SOCi,work和从工作单位回到家后的荷电状态SOCi,home,按下式计算:
上式中,SOCi,0为电动汽车的初始出行荷电状态,li,k是电动汽车i的第k段行驶里程,ωi,k是电动汽车i在第k段行程的每公里耗电量,Qi是电动汽车i的电池容量。
所述利用不同日类型对应的电动汽车的充电场所的起始充电时间数据和充电时长数据拟合不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数,包括:
通过MATLAB拟合工具箱根据电动汽车充电起始时间统计数据拟合电动汽车的起始充电时间分布函数为:
f(x)=a1*exp(-((x-b1)/c1)^2)
上式中,x表示电动汽车的起始充电时间,若日类型为非工作日电动汽车在家充电,则a1=0.108,b1=16.11,c1=5.36;
若日类型为工作日电动汽车仅在家充电,则a1=0.1976,b1=17.9,c1=2.71;
若日类型为工作日电动汽车既在家也在工作单位充电,则a1=0.2429,b1=7.568,c1=2.163;
通过MATLAB拟合工具箱根据电动汽车充电时长计算数据拟合电动汽车的充电时长分布函数包括:
日类型为非工作日电动汽车在家充电的充电时长分布函数为:
上式中,y表示电动汽车的充电时长,μ=0.0457259,σ=0.965068;
日类型为工作日电动汽车在家充电的充电时长分布函数为:
f(y)=a1*exp(-((y-b1)/c1)^2)
上式中,y表示电动汽车的充电时长,a1=0.3385,b1=1.122,c1=2.209;
日类型为工作日电动汽车既在家也在工作单位充电的充电时长分布函数为:
上式中,y表示电动汽车的充电时长,μ=0.0849862,σ=0.628122。
进一步的,所述电动汽车充电时长计算数据包括:
日类型为非工作日电动汽车在家充电的充电时长ti,h_h,按下式计算:
上式中,li,k是电动汽车i的第k段行驶里程,ωi,k是电动汽车i在第k段行程的每公里耗电量,Phome为电动汽车在家充电的额定充电功率;
日类型为工作日电动汽车仅在家充电的充电时长ti,h_o,按下式计算:
日类型为工作日电动汽车在工作单位的充电时长ti,w,按下式计算:
上式中,pwork为电动汽车在工作单位充电的额定充电功率;
日类型为工作日电动汽车在工作单位充电后回家的充电时长ti,h_b,按下式计算:
优选的,所述利用预先建立的联合概率分布函数获取电动汽车充电概率,包括:
若电动汽车正在充电,则按下式确定电动汽车充电概率P:
P=1-F(s>t,s+tc≤t+24)-F(s+tc<tc)
若电动汽车未充电,则按下式确定电动汽车充电概率P:
P=F(s>t,s+tc≤t+24)+F(s+tc<tc)
上式中,F为电动汽车充电的起始时间分布函数和充电时长分布函数的联合概率分布函数,s为随机变量,t为通过电动汽车充电起始时间分布函数获得的电动汽车充电起始时间,tc为通过电动汽车充电时长分布函数获得电动汽车充电时长。
优选的,所述根据所述电动汽车充电概率确定单台电动汽车充电功率需求曲线,包括:
按下式确定单台电动汽车在一天中时刻t的充电功率需求Pt
Pt=PPc
上式中,P为电动汽车充电概率,Pc为单台电动汽车的额定充电功率;
采用蒙特卡洛随机采样法求解单台电动汽车在不同时刻的充电概率,按照单台电动汽车在时刻t的充电功率需求计算公式得到单台电动汽车的充电功率曲线。
优选的,所述利用所述单台电动汽车充电功率需求曲线确定多台电动汽车充电负荷需求分布情况,包括:
利用所述单台电动汽车充电功率需求曲线,根据中心极限定理获取多台电动汽车充电负荷需求分布曲线;
其中,所述多台电动汽车充电负荷需求分布曲线符合正态分布N(nμ,nσ2),μ为单台电动汽车的充电功率需求期望值,σ为单台电动汽车的充电功率需求标准差值,μ和σ根据单台电动汽车的充电功率曲线统计获得,n为电动汽车的数量。
本发明提供的一种电动汽车充电负荷需求确定系统,其改进之处在于,所述系统包括:
获取模块,用于利用预先建立的联合概率分布函数获取电动汽车充电概率;
第一确定模块,用于根据所述电动汽车充电概率确定单台电动汽车充电功率需求曲线;
第二确定模块,用于利用所述单台电动汽车充电功率需求曲线确定多台电动汽车充电负荷需求分布情况。
与最接近的现有技术比,本发明提供的技术方案具有以下优异效果:
本发明提供了一种电动汽车充电负荷需求确定方法及系统,基于分析电动汽车主要出行活动的时空分布数据,得出单台等效电动汽车的充电模型,并依据该模型快速计算出较大规模的电动汽车充电负荷,既能统筹兼顾电动汽车的时空分布特性,又简便快捷,为计算电动汽车集群的充电负荷和可用需求响应潜力提供技术支撑。
附图说明
图1是本发明提供的电动汽车充电负荷需求确定方法的流程图;
图2是本发明提供的电动汽车充电负荷需求确定系统的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
实施例一
本发明实施例提出一种电动汽车充电负荷需求确定方法,流程图如图1所示,包括:
利用预先建立的联合概率分布函数获取电动汽车充电概率;
根据所述电动汽车充电概率确定单台电动汽车充电功率需求曲线;
利用所述单台电动汽车充电功率需求曲线确定多台电动汽车充电负荷需求分布情况。
具体的,所述预先建立的电动汽车联合概率分布函数的建立过程包括:
获取不同日类型电动汽车的充电场所;
利用不同日类型对应的电动汽车的充电场所的起始充电时间数据和充电时长数据拟合不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数;
基于所述不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数,获取不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数的联合概率分布函数。
具体的,所述获取不同日类型电动汽车的充电场所,包括:
电动汽车的充电行为与其活动事件密切相关,活动事件有两大类:行驶和停驻。居民的日常出行活动一般包含了若干次活动事件。在工作日,电动汽车一般只会在单位、家这些主要目的地进行长时间停留,而在餐馆、学校、娱乐场所等地进行短暂停留,所以会选择在家或工作单位进行充电;在非工作日,私家车的出行较为随意,其出行活动可调节性较大,停驻场所一般为餐饮、购物、娱乐场所等公共场所,这些场所一般为快充(充电功率大于等于20kW),充电成本较高,私家车会比较多的考虑到充电成本,一般会选择在家进行常规充电或慢速充电,其充电时间一般是3-8小时,调查显示,这种充电方式下,一天中约有80%以上的时间都处于与电网相连接的状态,也给电动汽车参与电网的需求响应奠定了良好的基础。
综上,本发明选择的主要充电地点为家和工作单位。按照多数用户的充电习惯,家是主要的充电场所,且本发明情景假定为每天不论是否在外充电,最后一次到家后一定会在家充电。在工作日,电动汽车在工作单位充电的条件为:车辆到达工作单位时的SOC小于等于最低阈值;车辆到达工作单位时的SOC虽大于阈值,但不足以支撑接下来的行驶里程。在非工作日,充电场所仅为家。
若日类型为非工作日,则电动汽车的充电场所为家;
若日类型为工作日,当电动汽车未回家前,且电动汽车从家到达工作单位后的荷电状态SOCi,work小于等于阈值时,则电动汽车在工作日的充电场所为工作单位和家;
当电动汽车未回家前,且电动汽车到达工作单位后的荷电状态SOCi,work大于阈值,从工作单位回到家后的荷电状态SOCi,home小于等于阈值时,则电动汽车在工作日的充电场所为工作单位和家;
否则,电动汽车在工作日的充电场所仅为家;
所述电动汽车从家到达工作单位后的荷电状态SOCi,work和从工作单位回到家后的荷电状态SOCi,home,按下式计算:
上式中,SOCi,0为电动汽车的初始出行荷电状态,li,k是电动汽车i的第k段行驶里程,ωi,k是电动汽车i在第k段行程的每公里耗电量,Qi是电动汽车i的电池容量。
所述利用不同日类型对应的电动汽车的充电场所的起始充电时间数据和充电时长数据拟合不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数,包括:
通过MATLAB拟合工具箱根据电动汽车充电起始时间统计数据拟合电动汽车的起始充电时间分布函数为:
f(x)=a1*exp(-((x-b1)/c1)^2)
上式中,x表示电动汽车的起始充电时间,若日类型为非工作日电动汽车在家充电,则a1=0.108,b1=16.11,c1=5.36;
若日类型为工作日电动汽车仅在家充电,则a1=0.1976,b1=17.9,c1=2.71;
若日类型为工作日电动汽车既在家也在工作单位充电,则a1=0.2429,b1=7.568,c1=2.163;
通过MATLAB拟合工具箱根据电动汽车充电时长计算数据拟合电动汽车的充电时长分布函数包括:
日类型为非工作日电动汽车在家充电的充电时长分布函数为:
上式中,y表示电动汽车的充电时长,μ=0.0457259,σ=0.965068;
日类型为工作日电动汽车在家充电的充电时长分布函数为:
f(y)=a1*exp(-((y-b1)/c1)^2)
上式中,y表示电动汽车的充电时长,a1=0.3385,b1=1.122,c1=2.209;
日类型为工作日电动汽车既在家也在工作单位充电的充电时长分布函数为:
上式中,y表示电动汽车的充电时长,μ=0.0849862,σ=0.628122。
所述电动汽车充电时长计算数据包括:
日类型为非工作日电动汽车在家充电的充电时长ti,h_h,按下式计算:
上式中,li,k是电动汽车i的第k段行驶里程,ωi,k是电动汽车i在第k段行程的每公里耗电量,Phome为电动汽车在家充电的额定充电功率;
日类型为工作日电动汽车仅在家充电的充电时长ti,h_o,按下式计算:
日类型为工作日电动汽车在工作单位的充电时长ti,w,按下式计算:
上式中,pwork为电动汽车在工作单位充电的额定充电功率;
日类型为工作日电动汽车在工作单位充电后回家的充电时长ti,h_b,按下式计算:
具体的,所述利用预先建立的联合概率分布函数获取电动汽车充电概率,包括:
若电动汽车正在充电,则按下式确定电动汽车充电概率P:
P=1-F(s>t,s+tc≤t+24)-F(s+tc<tc)
若电动汽车未充电,则按下式确定电动汽车充电概率P:
P=F(s>t,s+tc≤t+24)+F(s+tc<tc)
上式中,F为电动汽车充电的起始时间分布函数和充电时长分布函数的联合概率分布函数,s为随机变量,t为通过电动汽车充电起始时间分布函数获得的电动汽车充电起始时间,tc为通过电动汽车充电时长分布函数获得电动汽车充电时长。
所述根据所述电动汽车充电概率确定单台电动汽车充电功率需求曲线,包括:
按下式确定单台电动汽车在一天中时刻t的充电功率需求Pt
Pt=PPc
上式中,P为电动汽车充电概率,Pc为单台电动汽车的额定充电功率;
采用蒙特卡洛随机采样法求解单台电动汽车在不同时刻的充电概率,按照单台电动汽车在时刻t的充电功率需求计算公式得到单台电动汽车的充电功率曲线。
所述利用所述单台电动汽车充电功率需求曲线确定多台电动汽车充电负荷需求分布情况,包括:
利用所述单台电动汽车充电功率需求曲线,根据中心极限定理获取多台电动汽车充电负荷需求分布曲线;
其中,所述多台电动汽车充电负荷需求分布曲线符合正态分布N(nμ,nσ2),μ为单台电动汽车的充电功率需求期望值,σ为单台电动汽车的充电功率需求标准差值,μ和σ根据单台电动汽车的充电功率曲线统计获得,n为电动汽车的数量。
实施例二
本发明实施例提出一种电动汽车充电负荷需求确定系统,如图2所示,包括:
获取模块,用于利用预先建立的联合概率分布函数获取电动汽车充电概率;
第一确定模块,用于根据所述电动汽车充电概率确定单台电动汽车充电功率需求曲线;
第二确定模块,用于利用所述单台电动汽车充电功率需求曲线确定多台电动汽车充电负荷需求分布情况。
所述获取模块用于:
获取不同日类型电动汽车的充电场所;
利用不同日类型对应的电动汽车的充电场所的起始充电时间数据和充电时长数据拟合不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数;
基于所述不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数,获取不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数的联合概率分布函数;
所述获取不同日类型电动汽车的充电场所;
其中,若日类型为非工作日,则电动汽车的充电场所为家;
若日类型为工作日,当电动汽车未回家前,且电动汽车从家到达工作单位后的荷电状态SOCi,work小于等于阈值时,则电动汽车在工作日的充电场所为工作单位和家;
当电动汽车未回家前,且电动汽车到达工作单位后的荷电状态SOCi,work大于阈值,从工作单位回到家后的荷电状态SOCi,home小于等于阈值时,则电动汽车在工作日的充电场所为工作单位和家;
否则,电动汽车在工作日的充电场所仅为家;
所述电动汽车从家到达工作单位后的荷电状态SOCi,work和从工作单位回到家后的荷电状态SOCi,home,按下式计算:
上式中,SOCi,0为电动汽车的初始出行荷电状态,li,k是电动汽车i的第k段行驶里程,ωi,k是电动汽车i在第k段行程的每公里耗电量,Qi是电动汽车i的电池容量。
所述利用不同日类型对应的电动汽车的充电场所的起始充电时间数据和充电时长数据拟合不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数;
其中,通过MATLAB拟合工具箱根据电动汽车充电起始时间统计数据拟合电动汽车的起始充电时间分布函数为:
f(x)=a1*exp(-((x-b1)/c1)^2)
上式中,x表示电动汽车的起始充电时间,若日类型为非工作日电动汽车在家充电,则a1=0.108,b1=16.11,c1=5.36;
若日类型为工作日电动汽车仅在家充电,则a1=0.1976,b1=17.9,c1=2.71;
若日类型为工作日电动汽车既在家也在工作单位充电,则a1=0.2429,b1=7.568,c1=2.163;
通过MATLAB拟合工具箱根据电动汽车充电时长计算数据拟合电动汽车的充电时长分布函数包括:
日类型为非工作日电动汽车在家充电的充电时长分布函数为:
上式中,y表示电动汽车的充电时长,μ=0.0457259,σ=0.965068;
日类型为工作日电动汽车在家充电的充电时长分布函数为:
f(y)=a1*exp(-((y-b1)/c1)^2)
上式中,y表示电动汽车的充电时长,a1=0.3385,b1=1.122,c1=2.209;
日类型为工作日电动汽车既在家也在工作单位充电的充电时长分布函数为:
上式中,y表示电动汽车的充电时长,μ=0.0849862,σ=0.628122。
所述电动汽车充电时长计算数据包括:
日类型为非工作日电动汽车在家充电的充电时长ti,h_h,按下式计算:
上式中,li,k是电动汽车i的第k段行驶里程,ωi,k是电动汽车i在第k段行程的每公里耗电量,Phome为电动汽车在家充电的额定充电功率;
日类型为工作日电动汽车仅在家充电的充电时长ti,h_o,按下式计算:
日类型为工作日电动汽车在工作单位的充电时长ti,w,按下式计算:
上式中,pwork为电动汽车在工作单位充电的额定充电功率;
日类型为工作日电动汽车在工作单位充电后回家的充电时长ti,h_b,按下式计算:
基于所述不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数,获取不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数的联合概率分布函数。
所述利用预先建立的联合概率分布函数获取电动汽车充电概率,包括:
若电动汽车正在充电,则按下式确定电动汽车充电概率P:
P=1-F(s>t,s+tc≤t+24)-F(s+tc<tc)
若电动汽车未充电,则按下式确定电动汽车充电概率P:
P=F(s>t,s+tc≤t+24)+F(s+tc<tc)
上式中,F为电动汽车充电的起始时间分布函数和充电时长分布函数的联合概率分布函数,s为随机变量,t为通过电动汽车充电起始时间分布函数获得的电动汽车充电起始时间,tc为通过电动汽车充电时长分布函数获得电动汽车充电时长。
所述第一确定模块,用于:
按下式确定单台电动汽车在一天中时刻t的充电功率需求Pt
Pt=PPc
上式中,P为电动汽车充电概率,Pc为单台电动汽车的额定充电功率;
采用蒙特卡洛随机采样法求解单台电动汽车在不同时刻的充电概率,按照单台电动汽车在时刻t的充电功率需求计算公式得到单台电动汽车的充电功率曲线。
所述第二确定模块,用于:
利用所述单台电动汽车充电功率需求曲线,根据中心极限定理获取多台电动汽车充电负荷需求分布曲线;
其中,所述多台电动汽车充电负荷需求分布曲线符合正态分布N(nμ,nσ2),μ为单台电动汽车的充电功率需求期望值,σ为单台电动汽车的充电功率需求标准差值,μ和σ根据单台电动汽车的充电功率曲线统计获得,n为电动汽车的数量。
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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。

Claims (10)

1.一种电动汽车充电负荷需求确定方法,其特征在于,所述方法包括:
利用预先建立的联合概率分布函数获取电动汽车充电概率;
根据所述电动汽车充电概率确定单台电动汽车充电功率需求曲线;
利用所述单台电动汽车充电功率需求曲线确定多台电动汽车充电负荷需求分布情况。
2.如权利要求1所述的方法,其特征在于,所述预先建立的电动汽车联合概率分布函数的建立过程包括:
获取不同日类型电动汽车的充电场所;
利用不同日类型对应的电动汽车的充电场所的起始充电时间数据和充电时长数据拟合不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数;
基于所述不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数,获取不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数的联合概率分布函数。
3.如权利要求2所述的方法,其特征在于,所述获取不同日类型电动汽车的充电场所,包括:
若日类型为非工作日,则电动汽车的充电场所为家;
若日类型为工作日,当电动汽车未回家前,且电动汽车从家到达工作单位后的荷电状态SOCi,work小于等于阈值时,则电动汽车在工作日的充电场所为工作单位和家;
当电动汽车未回家前,且电动汽车到达工作单位后的荷电状态SOCi,work大于阈值,从工作单位回到家后的荷电状态SOCi,home小于等于阈值时,则电动汽车在工作日的充电场所为工作单位和家;
否则,电动汽车在工作日的充电场所仅为家。
4.如权利要求3所述的方法,其特征在于,所述电动汽车从家到达工作单位后的荷电状态SOCi,work和从工作单位回到家后的荷电状态SOCi,home,按下式计算:
上式中,SOCi,0为电动汽车的初始出行荷电状态,li,k是电动汽车i的第k段行驶里程,ωi,k是电动汽车i在第k段行程的每公里耗电量,Qi是电动汽车i的电池容量。
5.如权利要求2所述的方法,其特征在于,所述利用不同日类型对应的电动汽车的充电场所的起始充电时间数据和充电时长数据拟合不同日类型对应的电动汽车的充电场所的起始充电时间分布函数和充电时长分布函数,包括:
通过MATLAB拟合工具箱根据电动汽车充电起始时间统计数据拟合电动汽车的起始充电时间分布函数为:
f(x)=a1*exp(-((x-b1)/c1)^2)
上式中,x表示电动汽车的起始充电时间,若日类型为非工作日电动汽车在家充电,则a1=0.108,b1=16.11,c1=5.36;
若日类型为工作日电动汽车仅在家充电,则a1=0.1976,b1=17.9,c1=2.71;
若日类型为工作日电动汽车既在家也在工作单位充电,则a1=0.2429,b1=7.568,c1=2.163;
通过MATLAB拟合工具箱根据电动汽车充电时长计算数据拟合电动汽车的充电时长分布函数包括:
日类型为非工作日电动汽车在家充电的充电时长分布函数为:
上式中,y表示电动汽车的充电时长,μ=0.0457259,σ=0.965068;
日类型为工作日电动汽车在家充电的充电时长分布函数为:
f(y)=a1*exp(-((y-b1)/c1)^2)
上式中,y表示电动汽车的充电时长,a1=0.3385,b1=1.122,c1=2.209;
日类型为工作日电动汽车既在家也在工作单位充电的充电时长分布函数为:
上式中,y表示电动汽车的充电时长,μ=0.0849862,σ=0.628122。
6.如权利要求5所述的方法,其特征在于,所述电动汽车充电时长计算数据包括:
日类型为非工作日电动汽车在家充电的充电时长ti,h_h,按下式计算:
上式中,li,k是电动汽车i的第k段行驶里程,ωi,k是电动汽车i在第k段行程的每公里耗电量,Phome为电动汽车在家充电的额定充电功率;
日类型为工作日电动汽车仅在家充电的充电时长ti,h_o,按下式计算:
日类型为工作日电动汽车在工作单位的充电时长ti,w,按下式计算:
上式中,pwork为电动汽车在工作单位充电的额定充电功率;
日类型为工作日电动汽车在工作单位充电后回家的充电时长ti,h_b,按下式计算:
7.如权利要求1所述的方法,其特征在于,所述利用预先建立的联合概率分布函数获取电动汽车充电概率,包括:
若电动汽车正在充电,则按下式确定电动汽车充电概率P:
P=1-F(s>t,s+tc≤t+24)-F(s+tc<tc)
若电动汽车未充电,则按下式确定电动汽车充电概率P:
P=F(s>t,s+tc≤t+24)+F(s+tc<tc)
上式中,F为电动汽车充电的起始时间分布函数和充电时长分布函数的联合概率分布函数,s为随机变量,t为通过电动汽车充电起始时间分布函数获得的电动汽车充电起始时间,tc为通过电动汽车充电时长分布函数获得电动汽车充电时长。
8.如权利要求1所述的方法,其特征在于,所述根据所述电动汽车充电概率确定单台电动汽车充电功率需求曲线,包括:
按下式确定单台电动汽车在一天中时刻t的充电功率需求Pt
Pt=PPc
上式中,P为电动汽车充电概率,Pc为单台电动汽车的额定充电功率;
采用蒙特卡洛随机采样法求解单台电动汽车在不同时刻的充电概率,按照单台电动汽车在时刻t的充电功率需求计算公式得到单台电动汽车的充电功率曲线。
9.如权利要求1所述的方法,其特征在于,所述利用所述单台电动汽车充电功率需求曲线确定多台电动汽车充电负荷需求分布情况,包括:
利用所述单台电动汽车充电功率需求曲线,根据中心极限定理获取多台电动汽车充电负荷需求分布曲线;
其中,所述多台电动汽车充电负荷需求分布曲线符合正态分布N(nμ,nσ2),μ为单台电动汽车的充电功率需求期望值,σ为单台电动汽车的充电功率需求标准差值,μ和σ根据单台电动汽车的充电功率曲线统计获得,n为电动汽车的数量。
10.一种电动汽车充电负荷需求确定系统,其特征在于,所述系统包括:
获取模块,用于利用预先建立的联合概率分布函数获取电动汽车充电概率;
第一确定模块,用于根据所述电动汽车充电概率确定单台电动汽车充电功率需求曲线;
第二确定模块,用于利用所述单台电动汽车充电功率需求曲线确定多台电动汽车充电负荷需求分布情况。
CN201811145495.1A 2018-09-29 2018-09-29 一种电动汽车充电负荷需求确定方法及系统 Active CN109460853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811145495.1A CN109460853B (zh) 2018-09-29 2018-09-29 一种电动汽车充电负荷需求确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811145495.1A CN109460853B (zh) 2018-09-29 2018-09-29 一种电动汽车充电负荷需求确定方法及系统

Publications (2)

Publication Number Publication Date
CN109460853A true CN109460853A (zh) 2019-03-12
CN109460853B CN109460853B (zh) 2021-10-29

Family

ID=65607175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811145495.1A Active CN109460853B (zh) 2018-09-29 2018-09-29 一种电动汽车充电负荷需求确定方法及系统

Country Status (1)

Country Link
CN (1) CN109460853B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110949149A (zh) * 2019-12-12 2020-04-03 海南电网有限责任公司 一种电动汽车充电定位方法及系统
CN111597690A (zh) * 2020-04-26 2020-08-28 湖南省建筑设计院有限公司 电动汽车充电设备需要系数计算模型的建立方法
CN112124135A (zh) * 2020-08-19 2020-12-25 国电南瑞科技股份有限公司 一种电动汽车共享充电需求分析方法及装置
CN114239967A (zh) * 2021-12-20 2022-03-25 深圳供电局有限公司 一种电动汽车负荷预测方法、系统及存储介质
CN115222161A (zh) * 2022-09-19 2022-10-21 国网浙江省电力有限公司宁波供电公司 用于管理电动车辆的需求响应的方法、装置及介质
WO2023193139A1 (zh) * 2022-04-06 2023-10-12 华为技术有限公司 功率控制方法、装置及电动汽车

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123598A (zh) * 2014-08-07 2014-10-29 山东大学 一种基于多目标优化的电动私家车充电模式选择方法
US20150039391A1 (en) * 2011-08-16 2015-02-05 Better Place GmbH Estimation and management of loads in electric vehicle networks
CN105160451A (zh) * 2015-07-09 2015-12-16 上海电力学院 一种含电动汽车的微电网多目标优化调度方法
CN106127339A (zh) * 2016-06-23 2016-11-16 海南电力技术研究院 基于概率模型的电动汽车充电负荷预测方法和装置
CN106682765A (zh) * 2016-12-01 2017-05-17 四川大学 充电站优化布局方法及装置
CN107742038A (zh) * 2017-10-30 2018-02-27 广东电网有限责任公司惠州供电局 电动汽车充电负荷预测方法及装置
CN108133329A (zh) * 2017-12-29 2018-06-08 天津大学 考虑充电反馈效应的电动汽车出行与充电需求分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039391A1 (en) * 2011-08-16 2015-02-05 Better Place GmbH Estimation and management of loads in electric vehicle networks
CN104123598A (zh) * 2014-08-07 2014-10-29 山东大学 一种基于多目标优化的电动私家车充电模式选择方法
CN105160451A (zh) * 2015-07-09 2015-12-16 上海电力学院 一种含电动汽车的微电网多目标优化调度方法
CN106127339A (zh) * 2016-06-23 2016-11-16 海南电力技术研究院 基于概率模型的电动汽车充电负荷预测方法和装置
CN106682765A (zh) * 2016-12-01 2017-05-17 四川大学 充电站优化布局方法及装置
CN107742038A (zh) * 2017-10-30 2018-02-27 广东电网有限责任公司惠州供电局 电动汽车充电负荷预测方法及装置
CN108133329A (zh) * 2017-12-29 2018-06-08 天津大学 考虑充电反馈效应的电动汽车出行与充电需求分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈丽丹 等: "基于出行链的电动汽车充电负荷预测模型", 《电工技术学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110949149A (zh) * 2019-12-12 2020-04-03 海南电网有限责任公司 一种电动汽车充电定位方法及系统
CN110949149B (zh) * 2019-12-12 2022-12-06 海南电网有限责任公司 一种电动汽车充电定位方法及系统
CN111597690A (zh) * 2020-04-26 2020-08-28 湖南省建筑设计院有限公司 电动汽车充电设备需要系数计算模型的建立方法
CN111597690B (zh) * 2020-04-26 2023-04-07 湖南省建筑设计院有限公司 电动汽车充电设备需要系数计算模型的建立方法
CN112124135A (zh) * 2020-08-19 2020-12-25 国电南瑞科技股份有限公司 一种电动汽车共享充电需求分析方法及装置
CN114239967A (zh) * 2021-12-20 2022-03-25 深圳供电局有限公司 一种电动汽车负荷预测方法、系统及存储介质
WO2023193139A1 (zh) * 2022-04-06 2023-10-12 华为技术有限公司 功率控制方法、装置及电动汽车
CN115222161A (zh) * 2022-09-19 2022-10-21 国网浙江省电力有限公司宁波供电公司 用于管理电动车辆的需求响应的方法、装置及介质

Also Published As

Publication number Publication date
CN109460853B (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN109460853A (zh) 一种电动汽车充电负荷需求确定方法及系统
Mobarak et al. Vehicle-directed smart charging strategies to mitigate the effect of long-range EV charging on distribution transformer aging
Jian et al. Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid
CN109501630A (zh) 一种电动汽车充电方案实时推荐方法及系统
CN106515492B (zh) 一种基于cps的电动汽车充电方法
CN104701931B (zh) 一种规模化电动汽车的可放电容量评估方法
CN111160588B (zh) 一种预约充电服务方法及系统
US20210237609A1 (en) A method to plan the optimal construction quantity and site selection scheme of electric vehicle charging stations
CN107169273A (zh) 计及延时和v2g充电模式的电动汽车充电功率预测方法
CN206559061U (zh) 充电装置
CN108944500B (zh) 一种分布式站点联合控制的电动汽车充电调度方法
CN104578293A (zh) 电动汽车充电控制方法和装置
Tuffner et al. Using electric vehicles to mitigate imbalance requirements associated with an increased penetration of wind generation
CN109816417A (zh) 汽车共享费用设定服务器、系统和方法
Guner et al. Impact of car arrival/departure patterns on EV parking lot energy storage capacity
Lindgren et al. Effectiveness of smart charging of electric vehicles under power limitations
CN110232219A (zh) 一种基于数据挖掘的电动汽车可调度容量核定方法
Boulakhbar et al. Electric vehicles arrival and departure time prediction based on deep learning: the case of Morocco
CN109672199B (zh) 一种基于能量平衡的电动汽车削峰填谷能力估计方法
Shepero et al. Modelling charging of electric vehicles using mixture of user behaviours
Liao et al. Load modeling for electric taxi battery charging and swapping stations: Comparison studies
CN108462195A (zh) 一种电动汽车的虚拟储能容量分配方法及系统
CN107332238A (zh) 一种考虑电动汽车接入的居民区变压器容量预测方法
Rahman et al. Hybrid particle swarm and gravitational search optimization techniques for charging plug-in hybrid electric vehicles
CN108215872A (zh) 电动汽车的充电方法、装置、存储介质和处理器

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