住宅小区电动汽车有序充电潜力评估

电动汽车的充电管理方式影响充电设施配电容量的规划设计,对住宅小区电动汽车进行有序充电,可实现削峰填谷,提高配变利用率,增加充电设施接入容量。结合住宅小区住户充电行为习惯,建立住宅小区充电负荷概率模型,并提出充电负荷同时率和叠加率两个关键参数表征充电负荷变化特性。在此基础上,建立电动汽车充电负荷与居民用电负荷规划计算模型,并通过数学解析法得出配变负载率与住宅小区电动汽车最大渗透率之间的关系,对住宅小区电动汽车有序充电潜力进行定量评估。该研究可为住宅小区充电负荷精益管理、充电设施配电容量合理配置提供科学参考。     

小区电动汽车充电负荷实测分析

通过在电动汽车用户住宅配置充电设施和数据采集装置,对参与测试的电动汽车用户的充电行为跟踪记录,获得了私人电动汽车在住宅充电的数据,为电动汽车充电设施规划建设和电动汽车充电负荷特性研究提供了一定依据,并对私人电动汽车在住宅区的充电特性进行了分析,结果表明住宅区电动汽车充电负荷的积聚会造成负荷曲线恶化。     

基于充电行为分析的电动汽车充电负荷预测

本文基于南方某市的电动汽车充电数据,得出各类型电动汽车在不同日期类型的充电开始时间、充电电量、充电功率的分布规律,采用蒙特卡洛算法模拟计算了该市2021年各类型电动汽车工作日与休息日的充电负荷情况,结果表明,电动私家车在休息日的午间和凌晨充电负荷要高于工作日;该市电动出租车在工作日与休息日的充电负荷占比分别为60.42%,58.55%,在三类型车中始终最大。电动私家车工作日与休息日充电负荷曲线有较大差异。电网总负荷会在19点达到最高峰,本文验证了电动汽车的大规模引入会增加电网的峰值和峰谷差,同时将充电行为数据拟合为公式,旨在为未来的电网扩容建设和对电动汽车的有序充电控制提供帮助。     

基于LSTM网络学习的电动汽车实时能量管理优化策略

对电动汽车负荷进行有序控制可以改善地区电网的负荷特性,降低充电成本.由于无法预测未来电动汽车的准确接入时间及充电需求,故无法对电动汽车的接入进行全局最优安排.针对该问题,提出基于深度长短期记忆神经网络的电动汽车实时能量管理系统及优化策略.首先构建了包括电网层、区域能量管理系统和充电站能量管理系统的电动汽车3层管理架构,对大规模电动汽车进行分层分区管理;然后提出了基于深度长短期记忆神经网络的区-站两级交互策略,利用历史负荷信息求解出的历史最优解训练学习网络,用以指导新的实时优化;提出的策略在保证用户充电需求的前提下,能够进一步降低充电成本,改善区域负荷峰谷特性.最后,通过仿真算例验证了提出的分层架构及管理策略的有效性及优越性.     

住宅小区电动汽车充电负荷分期管理策略

为进一步提高电动汽车有序充电用户参与度,降低峰期电动汽车充电负荷,延缓配电变压器过载,结合住宅小区电动汽车停留时段,综合考虑用户充电意愿及峰谷分时电价时段划分,设置中长期有序充电和长期有序充电两种管理模式,满足不同充电需求的用户参与有序充电。其中,中长期管理模式根据住宅小区居民负荷曲线变化特征,采用倒序法选取充电开始时刻,达到削峰、移峰的效果;长期管理模式采用最小值最大法选取充电开始时刻,达到填谷的效果。仿真结果表明,通过协调控制不同管理模式的用户参与度,可进一步降低负荷峰谷差,减小负荷方差,降低充电费用,所提策略为用户提供更多样的选择。     

基于电动汽车充电负荷需求预测的电网调度优化*

现有的电网调度方法对电动汽车充电负荷需求的预测效果较差,预测的负荷变化趋势与实际情况相差较大,因此基于电动汽车充电负荷需求预测提出电网调度优化方法。根据电动汽车到达充电站的起始和终止时间,计算得到充电时长,电网调度再根据此时间段执行充放电活动。对历史负荷数据标记季节和假期属性,得到属性相似的初步样本,使用充电负荷数据的最值和平均值作为负荷属性,经过AP算法聚类后,利用CNN模型对样本负荷进行预测,其通道值分别为负荷值、温度和车流量,输出充电负荷需求值。根据充电负荷预测信息和剩余容量确定电网调度优化目标和调度约束条件,改变电动汽车的充电时刻,实现电网负荷优化。测试结果表明,该设计方法使用有序的充电策略保证了良好的优化调度效果,满足充电负荷需求。     

基于实测数据的多类型电动汽车充电负荷分析

本文基于某电动汽车公司的实测数据,对多类型电动汽车跟踪数据进行统计分析。首先设定条件对数据进行预处理,删除异常数据并采用拉格朗日插值法补充部分数据;然后,文中借助K–S检验和J-B检验等方法,验证电动汽车集群数据是否符合规律分布;再采用蒙特卡洛法对电动汽车充电负荷进行仿真,形成多类型电动汽车充电负荷曲线;最后,结合日用电负荷,分析了无序充电情况下电动汽车负荷对电网的影响。结果表明,电动私家车与电动出租车具有较大的负荷调度潜力,但无序充电下会产生“峰上加峰”现象。     

基于马尔科夫链理论的电动汽车集群充电负荷建模及可调能力评估

针对电动汽车（electric vehicle, EV）用户单体功率小、电池容量异质性、出行行为差异大等问题,提出面向控制、考虑用户出行链的EV集群充电负荷建模方法,能够让EV集群更好地参与电网调度运行。首先,对EV用户行为的马尔科夫特性进行了分析,在划分EV多状态荷电状态区间的基础上,推导了其充电与出行状态区间内的一步转移概率,建立了基于马尔科夫链理论考虑出行特征的EV集群充电负荷模型;然后,设计了EV集群可调能力评估流程,构建了EV集群可调能力评估方法;最后,对EV集群模型及可调能力评估方法进行了仿真验证,与多种方法进行对比,结果表明,所提聚合模型和评估方法更准确、有效。     

基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法

随着电动汽车的大规模发展,公共充电桩运行数量和充电量逐年增长。然而,充电桩运行始终存在故障频发、运维难度大和维修成本高等问题,并且传统故障检测方法效率低下。因此提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合网络电动汽车充电桩运行状态预测方法,可以实现对电动汽车充电桩运行状况的综合评估。在特征数据输入阶段,对充电桩运行状态的关键指标进行分析,通过CNN提取运行状态影响因素的特征量,再利用LSTM判断和预测充电桩运行状态,从而实现对充电桩潜在故障的预警。试验结果表明,该方法预测准确率高、实用性强,能较准确地反映和预测充电桩的运作状态,可实际用于充电桩故障预测与运维检修。     

人工智能技术支撑的集群电动汽车实时优化调度策略

电动汽车(electric vehicle,EV)在近年来得到了广泛的应用与部署,针对入网EV的充放电优化已成为研究热点.然而,传统的基于优化模型的EV优化调度方法在实际应用上面临模型参数难以准确获得和计算压力大的挑战.为了解决该问题,基于K-means聚类算法与长短期记忆神经网络(long short-term me...     

电动汽车充电负荷与调度控制策略综述

电动汽车的普及已成为一种趋势,将会对电力系统运行产生深刻影响。电动汽车充电控制将成为系统运行控制的重要手段,不仅能够限制充电负荷的不利影响,而且能够实现负荷削峰填谷,促进可再生能源吸纳,发挥负荷调度的作用。该文介绍了近年来充电负荷、充电控制领域内的研究成果,涉及充电负荷仿真分析模型、充电控制效益、充电控制策略研究等方面;同时指出了尚未解决的问题和可能的研究方向。     

基于出行模拟的电动汽车充电负荷预测模型及V2G评估

提出一种交通路网约束下用户出行模拟的电动汽车充电负荷时空预测模型。首先,建立计及交通道路网络拓扑,道路—阻抗函数关系和区域功能特性的交通道路模型。其次,构建不同复杂程度的出行链模型模拟用户出行特性,运用Dijkstra算法选择耗时最短的行驶路径,进而采用蒙特卡洛方法模拟区域交通路网和出行链双重约束下,家用电动汽车充电负荷工作日1 d内的时空分布特性;然后,基于电动汽车负荷时空分布结果、综合荷电状态、停驻时间和电价3种特征因素,利用模糊算法计算电动汽车入网(V2G)可响应的功率和容量,并分析荷电状态对响应结果的影响。最后,以某区域为例,仿真获取电动汽车充电需求时空分布,进行V2G响应评估,结果验证了所提模型和方法的有效性。     

基于ISSA-CNN-GRU模型的电动汽车充电负荷预测方法

电动汽车用户充电行为的随机性,给电动汽车充电站充电负荷的短期预测带来极大挑战。针对在多因素影响下电动汽车充电站充电负荷短期预测精度低的问题,提出一种基于改进麻雀搜索算法-卷积神经网络-门控循环神经网络(improved sparrow search algorithm-convolutional neural network-gated recurrent unit neural network, ISSA- CNN-GRU)模型的电动汽车充电站充电负荷短期预测方法。首先,构建包含气温、日期类型、节假日3种充电负荷显著影响因素与历史充电负荷的输入特征矩阵。然后,融合CNN在特征提取、数据降维和GRU神经网络在时间序列预测上的优势,搭建CNN-GRU混合神经网络模型,使用基于混合策略的ISSA算法优化混合神经网络模型的超参数。最后,在优化后的CNN-GRU模型中输入特征矩阵实现充电站充电负荷的短期预测。以美国ANN-DATA公开数据集中充电站的历史负荷数据作为实际算例,与随机森林、CNN、GRU神经网络、CNN-GRU模型以及分别用贝叶斯优化、粒子群优化、标准麻雀优化算法进行超参数调优的CNN-GRU模型相比,实验结果表明所提方法具有更好的预测效果。     

基于融合注意力机制改进双向长短时记忆网络在电动汽车充电负荷中的预测研究

电动汽车的规模化发展以及充电设施的持续建设将给电网带来重要影响,严重威胁到了电力系统频率稳定性。结合电动汽车充电负荷数据特点,在深度学习方法的基础上提出基于融合注意力机制（attention mechanism,AM）改进的双向长短时记忆网络模型（long short-term memory network, LSTM）,实现对电动汽车的优化调度。通过使用实测电动汽车充电负荷数据,比较了所提方法与已有方法的性能。结果表明,在LSTM和（bidirectional long short-term memory network, BiLSTM）分别添加了注意力机制的（long short-term memory attention network,LSTMA）和（bidirectional long short-term memory attention network,BiLSTMA）模型相对于已有方法,在预测结果评价指标上都有明显的提升,证明了注意力机制在电动汽车充电负荷序列预测上的有效性。     

基于SSA-Bi-LSTM神经网络的母线负荷预测方法

为了提高母线负荷预测精度,针对长短期记忆(long short term memory, LSTM)神经网络在母线负荷预测时存在对负荷规律提取不足导致精度下降、超参数设置依赖经验等问题,首先构建LSTM神经网络的变体网络——双向长短期记忆(Bi-directional LSTM,Bi-LSTM)神经网络,捕获时间序列未来可用的信息。然后采用麻雀搜索算法(sparrow search algorithm, SSA)搜索最优超参数,得到最优学习率、隐层神经元数目和迭代次数等。以实际10 kV母线数据对SSA-Bi-LSTM神经网络模型进行验证,并与Bi-LSTM神经网络和BP神经网络进行对比,结果表明SSA-Bi-LSTM神经网络模型的预测效果更佳。     

电动汽车充电行为对电网负荷曲线的影响

为了探讨电动汽车大规模充电行为给电网负荷造成的影响及其对解决负荷的峰谷差可能带来的机遇,考虑了电动汽车的充电方式、电价政策、电网和非电网运营机构的充电模式等因素,将电动汽车的充电行为分为四种情景,利用蒙特卡洛方法来评估不同规模的电动汽车对广州市电网日负荷曲线产生的影响.结果表明,要减轻电动汽车大规模应用给电网带来的负担,电网公司必须出台相应的引导政策,例如峰谷电价和高峰电价政策;实施这些政策或者直接控制全网电动汽车的充电行为,才能使其充电负荷起到比较好的“填谷”效果.     

含有耦合特性的电动汽车充电负荷计算方法

基于核密度函数改进了含有耦合特性的电动汽车充电负荷计算模型。模型中,采用核密度函数代替确定性的概率分布函数拟合电动汽车的行驶规律,采用多维概率分布函数生成含有耦合特性的行驶规律随机数,采用充电概率表示不确定的充电行为。通过与示范运行电动汽车充电负荷数据对比,验证了该方法的优越性。基于改进模型,预测了未来规模化居民私家电动汽车的充电负荷情况,研究发现:不确定充电行为对电动汽车充电负荷的影响很大,随着充电概率的减小充电负荷峰值的降低很大,峰值变化范围及充电持续时间均增大,并给电网负荷造成不确定的影响。     

电动汽车充电负荷预测模型及对城市 负荷影响研究

电动汽车充电站或充电设备集群的负荷变化情况受具体车流量、电池充电时长、电池起始荷电状态(state of charge,SOC)、充电设备数量等多种因素的影响,变化规律复杂,各个充电站的负荷曲线形态差异很大,难以从本质上表征负荷的一般性规律。从影响充电负荷变化规律的进站车流量入手,研究电动车辆进站流量、充电时长、充电站充电能力等对充电负荷的具体影响,提出适用于充电站负荷快速计算的简化公式和计及多种影响因素的仿真方法。以西北某市为算例,结果表明,该方法能够方便、有效地预测电动汽车充电负荷的时空分布特性,为分析其对电网的影响及充电设施规划等提供依据。     

电动汽车随机充电对城市负荷曲线的影响

由于电动汽车充电行为具有随机性,当一定规模的电动汽车同时充电可能会对电网造成影响。结合广州市电动汽车发展现状和规划以及电动汽车的充电规律,采用高斯混合模型对电动汽车的起始荷电状态以及起始充电时间进行拟合,得到其概率密度函数;然后根据广州市电动汽车的保有量,采用蒙特卡洛模拟法得到各类电动汽车的充电负荷;最后分析在不同渗透率下电动汽车随机充电对电网负荷曲线的影响。分析结果表明:未来充电负荷主要受到私家车充电负荷的影响,随着电动私家车渗透率的提高,私家车充电负荷可能导致电网在晚上出现新的高峰负荷。