基于聚类分析的电动汽车充电负荷预测方法
发布时间：2021-02-05 23:37
准确预测电动汽车充电负荷是研究大规模电动汽车接入对电网影响的基础,现有充电负荷预测方法缺乏考虑路况拥堵因素对电动汽车荷电量的影响。提出了一种基于聚类分析的电动汽车充电负荷预测方法,在分析常规充电负荷影响因素并初步建立概率分布模型的基础上,对每段行程的行驶里程和行驶时间构成的二维出行特征数据进行聚类分析。挖掘常规统计数据无法得到的道路拥堵因素,考虑不同路况条件下道路拥堵因素对电动汽车荷电状态的影响并叠加该变量到负荷预测模型中。以北京市为例分别预测并比较分析了工作日、周末、夏季、冬季电动汽车日充电负荷曲线。计算结果表明该方法可在一定程度上提高充电负荷预测的精确度。
【文章来源】：电力系统保护与控制. 2020,48(16)北大核心
【文章页数】：8 页
【部分图文】：
私家车在白天充电时间概率分布图
王睿，等基于聚类分析的电动汽车充电负荷预测方法-39-图2私家车在晚上充电时间概率分布图Fig.2Privatecarchargingtimedistributionatduringnight公交车的起始充电时间为到达充电站的时间，起始充电时间的概率模型为式(4)，其中b1、b2分别为公交车两次起始充电时刻期望值，b1、b2分别为两次起始充电时刻的标准差。22b1b222b1b2()()22bb1b211()ee2π2πttft(4)1.2日行驶里程概率分布日行驶里程是确定充电需求的核心因素之一，日行驶里程与电动汽车耗电量呈正相关、与充电时刻荷电量呈负相关，本节建立日行驶里程分布概率模型并以该模型作为获取充电时刻荷电状态的重要指标。对NHTS数据集进行预处理后，对日行驶里程数据进行函数拟合可知其满足对数正态分布，其概率分布模型如式(5)，其中c13.2为行驶距离期望，c10.8为标准差，图3为日行驶里程分布图。2c12c1(ln)2c1c11()e2πxLtx(5)图3日行驶里程图Fig.3DailymileageccstartendL.PSOCSOCL(6)电动汽车起始充电荷电状态startSOC与日行驶里程cL关系如式(6)，其中endSOC为上一次充电后行驶前的荷电状态，L为电动汽车续航里程，cP为行驶单位公里耗电量。1.3充电负荷预测模型充电负荷量由起始充电时间和电动汽车荷电状态共同决定，充电时间计算如式(7)所示。αstartec(SOCSOC)BTP(7)式中：αSOC为充电后荷电状态，充满电的情况下取值为1；startSOC为起始充电时刻荷电状态；eB为电池容量，单位为kWh；cP为充电功率，单位为kW；为充电效率；T为充电时间，单位为h。起始充电时刻为a
)ee2π2πttft(4)1.2日行驶里程概率分布日行驶里程是确定充电需求的核心因素之一，日行驶里程与电动汽车耗电量呈正相关、与充电时刻荷电量呈负相关，本节建立日行驶里程分布概率模型并以该模型作为获取充电时刻荷电状态的重要指标。对NHTS数据集进行预处理后，对日行驶里程数据进行函数拟合可知其满足对数正态分布，其概率分布模型如式(5)，其中c13.2为行驶距离期望，c10.8为标准差，图3为日行驶里程分布图。2c12c1(ln)2c1c11()e2πxLtx(5)图3日行驶里程图Fig.3DailymileageccstartendL.PSOCSOCL(6)电动汽车起始充电荷电状态startSOC与日行驶里程cL关系如式(6)，其中endSOC为上一次充电后行驶前的荷电状态，L为电动汽车续航里程，cP为行驶单位公里耗电量。1.3充电负荷预测模型充电负荷量由起始充电时间和电动汽车荷电状态共同决定，充电时间计算如式(7)所示。αstartec(SOCSOC)BTP(7)式中：αSOC为充电后荷电状态，充满电的情况下取值为1；startSOC为起始充电时刻荷电状态；eB为电池容量，单位为kWh；cP为充电功率，单位为kW；为充电效率；T为充电时间，单位为h。起始充电时刻为at，充电结束时刻batTt。同时充电功率的大小也影响了充电时间，快速充电的充电电压较高、充电功率较高，因此充电时间相对较短。本文通过日行驶里程、路况拥堵状态、天气因素共同决定起始充电时刻的电动汽车荷电状态。充电负荷的主要影响因素及关联性关系如图4所示，其中起始荷电状态为电动汽车接入充电桩开始充电时的荷电状态。图4充电需求影响因素关系图Fig.4Connectiona
本文编号：3019772
【文章来源】：电力系统保护与控制. 2020,48(16)北大核心
【文章页数】：8 页
【部分图文】：
私家车在白天充电时间概率分布图
王睿，等基于聚类分析的电动汽车充电负荷预测方法-39-图2私家车在晚上充电时间概率分布图Fig.2Privatecarchargingtimedistributionatduringnight公交车的起始充电时间为到达充电站的时间，起始充电时间的概率模型为式(4)，其中b1、b2分别为公交车两次起始充电时刻期望值，b1、b2分别为两次起始充电时刻的标准差。22b1b222b1b2()()22bb1b211()ee2π2πttft(4)1.2日行驶里程概率分布日行驶里程是确定充电需求的核心因素之一，日行驶里程与电动汽车耗电量呈正相关、与充电时刻荷电量呈负相关，本节建立日行驶里程分布概率模型并以该模型作为获取充电时刻荷电状态的重要指标。对NHTS数据集进行预处理后，对日行驶里程数据进行函数拟合可知其满足对数正态分布，其概率分布模型如式(5)，其中c13.2为行驶距离期望，c10.8为标准差，图3为日行驶里程分布图。2c12c1(ln)2c1c11()e2πxLtx(5)图3日行驶里程图Fig.3DailymileageccstartendL.PSOCSOCL(6)电动汽车起始充电荷电状态startSOC与日行驶里程cL关系如式(6)，其中endSOC为上一次充电后行驶前的荷电状态，L为电动汽车续航里程，cP为行驶单位公里耗电量。1.3充电负荷预测模型充电负荷量由起始充电时间和电动汽车荷电状态共同决定，充电时间计算如式(7)所示。αstartec(SOCSOC)BTP(7)式中：αSOC为充电后荷电状态，充满电的情况下取值为1；startSOC为起始充电时刻荷电状态；eB为电池容量，单位为kWh；cP为充电功率，单位为kW；为充电效率；T为充电时间，单位为h。起始充电时刻为a
)ee2π2πttft(4)1.2日行驶里程概率分布日行驶里程是确定充电需求的核心因素之一，日行驶里程与电动汽车耗电量呈正相关、与充电时刻荷电量呈负相关，本节建立日行驶里程分布概率模型并以该模型作为获取充电时刻荷电状态的重要指标。对NHTS数据集进行预处理后，对日行驶里程数据进行函数拟合可知其满足对数正态分布，其概率分布模型如式(5)，其中c13.2为行驶距离期望，c10.8为标准差，图3为日行驶里程分布图。2c12c1(ln)2c1c11()e2πxLtx(5)图3日行驶里程图Fig.3DailymileageccstartendL.PSOCSOCL(6)电动汽车起始充电荷电状态startSOC与日行驶里程cL关系如式(6)，其中endSOC为上一次充电后行驶前的荷电状态，L为电动汽车续航里程，cP为行驶单位公里耗电量。1.3充电负荷预测模型充电负荷量由起始充电时间和电动汽车荷电状态共同决定，充电时间计算如式(7)所示。αstartec(SOCSOC)BTP(7)式中：αSOC为充电后荷电状态，充满电的情况下取值为1；startSOC为起始充电时刻荷电状态；eB为电池容量，单位为kWh；cP为充电功率，单位为kW；为充电效率；T为充电时间，单位为h。起始充电时刻为at，充电结束时刻batTt。同时充电功率的大小也影响了充电时间，快速充电的充电电压较高、充电功率较高，因此充电时间相对较短。本文通过日行驶里程、路况拥堵状态、天气因素共同决定起始充电时刻的电动汽车荷电状态。充电负荷的主要影响因素及关联性关系如图4所示，其中起始荷电状态为电动汽车接入充电桩开始充电时的荷电状态。图4充电需求影响因素关系图Fig.4Connectiona
本文编号：3019772
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3019772.html
教材专著
