一种基于盲数理论的电动汽车充电负荷预测方法与流程

本发明涉及一种基于盲数理论的电动汽车充电负荷预测方法，属于电力调度与控制技术领域。

背景技术：

随着城市化和工业化进程不断加快，汽车工业迅速发展，全球气候变暖日益明显。在此背景下，以节能减排为宗旨的新能源汽车技术不断取得突破，并逐步形成以能源、机电新技术为支撑，新能源为动力，包括新能源汽车整车、配套零部件、专用储能材料及相关服务在内的，具有巨大市场潜力的新兴产业。

随着电动汽车的日趋普及、保有量不断增长，电动汽车的充电需求将对电网带来影响。考虑到人们在车辆使用习惯和使用时间上的不确定性，势必导致电动汽车充电时间和充电方式的不确定性，从而对电动汽车充电负荷的预测准确性带来不利的影响。

现有研究中主要通过概率分析的方法确定电动汽车充电分布函数，本质上已在一定的置信度上确定了电动汽车的充电规律，将某一类不确定性问题转化为确定问题进行分析，得到相应的电动汽车充电负荷预测结果。由于电动汽车充电过程中存在诸多的不确定性因素，而对于多种不确定性因素的综合考虑，现有方法仍存在一定的局限性。

因此，有必要针对充电过程中存在的诸多不确定性因素进行分析，研究不同组合的可信度，针对可信度较高的情况计算得到相应的电动汽车充电负荷预测结果，作为电动汽车充电设施建设布局以及相关电网规划建设的指导依据。

技术实现要素：

目的：为了克服现有技术中存在的不足，本发明提供一种基于盲数理论的电动汽车充电负荷预测方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于盲数理论的电动汽车充电负荷预测方法，包括如下步骤：

步骤一：基于盲数理论以不同类型的电动汽车充电起始荷电状态，对不同类型的电动汽车充电时的电池SOC可信度值进行评价，得到不同类型电动汽车充电时刻电池SOC值的盲数模型；

步骤二：对不同类型电动汽车的电池荷电状态进行盲数运算，得到不同情况下的可信度计算值，并根据可信度计算值对各类情况进行排序；

步骤三：选取总可信度排序前10位中任意一位的电池SOC情况对各类电动汽车充电负荷进行预测。

作为优选方案，步骤一中所述不同类型电动汽车充电时刻电池SOC值的盲数模型如下：

电动公交车充电时刻SOC值盲数表达式为

大型客车充电时刻SOC值盲数表达式为

出租车充电时刻SOC值盲数表达式为

私家车充电时刻SOC值盲数表达式为

专用车充电时刻SOC值盲数表达式为

其他车辆充电时刻SOC值盲数表达式为

作为优选方案，所述步骤二包括：

2-1：依次从各电动汽车类型盲数模型中取一个可信度值进行组合，共有6⁶种可信度值组合；

2-2：将每一组可信度值相乘得到总可信度值，按总可信度数值大小进行排序；

2-3：取排名前十的总可信度值，组成不同电动汽车充电时刻SOC所处的灰度区间，如表1所示：

表1总可信度前十位电动汽车充电时刻SOC灰度区间表。

作为优选方案，所述步骤三包括：

3-1：分别统计出各类型电动汽车数量；

3-2：将各类型电动汽车数量折算为标准电动汽车的数量；

3-3：预测各类电动汽车全天充电负荷，以15分钟为一个时间窗，将全天分为96个时间段对电动汽车充电负荷进行预测。

作为优选方案，所述3-2中，各类电动汽车与标准车折算关系，如表2所示：

表2各类电动汽车与标准车折算关系表。

作为优选方案，所述步骤3-3包括：

3-3-1：结合表3各类电动汽车数量充电时间分布规律，确定每一时间段不同类型汽车要充电的数量；从t＝0时刻起，确定t＝t+0.25h时段内具备充电条件的各类电动汽车标准车数量n；

表3各类时段具备充电条件电动汽车所占比例

3-3-2：设置各类电动汽车标准车为变量i，i＝i+1,从i＝0开始；设第i台电动汽车的起始荷电状态为[0,1]区间内服从平均分布的随机数，根据表1中总可信度排序任意1位的电池SOC情况，判断第i台电动汽车起始荷电状态是否在该灰度区间内或小于灰度区间的值，若是则转到3-3-3，否则，进入3-3-6；

3-3-3：根据表4电动汽车类型与充电时段判断第i台电动汽车是选择快充还是慢充；

表4各类型电动汽车各时段充电方式

3-3-4：计算第i台电动汽车充电时长ΔT，并确定电动汽车的充电负荷P_i；

当该车选择快充充电时，则计算该车快充充电时长ΔT_Q为：

ΔT_Q＝(1-SOC)×T_Q(单位：小时)

T_Q＝0.25h，h为小时，电动汽车充电时长ΔT＝ΔT_Q，快充充电功率P_i＝P_Q＝120kW；

当该车选择慢充充电时，则计算该车慢充充电时长ΔT_S为：

ΔT_S＝(1-SOC)×T_S(单位：小时)

T_S＝2h，h为小时，电动汽车充电时长ΔT＝ΔT_S，慢充充电功率P_i＝P_S＝15kW；

3-3-5：将t＝t+ΔT时间内的充电负荷P_i值累加入日充电负荷曲线值L_EV中；

3-3-6：将计数变量i加1，判断已计算电动汽车数量是否大于t时刻具备充电条件的电动汽车标准车数量n，若是，则时间变量t加0.25小时，转到3-3-7，若否，则转回3-3-2；

3-3-7：判断时间变量t是否等于24小时，若否，则转回3-3-2；若是，则计算过程结束，输出该可信度排序情况下日最大充电负荷、日充电负荷曲线预测结果。

作为优选方案，根据表1中总可信度排序前3位的电池SOC情况，分别作为各类电动汽车起始荷电状态的判断标准。

有益效果：本发明提供的一种基于盲数理论的电动汽车充电负荷预测方法，能够对电动汽车充电过程中存在的诸多不确定性因素进行分析，能够得到可信度较高的不确定性因素的组合。针对可信度较高的不确定性因素的组合对电动汽车充电负荷进行预测。在充电负荷预测过程中可对比较关心的因素或对电动汽车充电负荷影响较大的因素进行着重分析；针对不同不确定性因素的组合，同样可以选择可信度较高的情况进行着重分析。本发明对影响电动汽车充电负荷预测过程中多种不确定性因素的考虑更为简便快捷，结果可信度更高。对电动汽车充电设施的建设布局以及相关电网的规划建设具有很好的指导作用。

附图说明

图1为本发明电动汽车充电负荷预测流程图；

图2为各类电动汽车充电时间分布图；

图3为预测得到的电动汽车充电负荷曲线。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，一种基于盲数理论的电动汽车充电负荷预测方法，包括如下步骤：

步骤一：基于盲数理论以不同类型的电动汽车充电起始荷电状态(state of charge,SOC)为例，结合使用者心理，对不同类型的电动汽车充电时的电池SOC可信度值进行评价，得到不同类型电动汽车充电时刻电池SOC值的盲数模型如下：

电动公交车充电时刻SOC值盲数表达式为

大型客车充电时刻SOC值盲数表达式为

出租车充电时刻SOC值盲数表达式为

私家车充电时刻SOC值盲数表达式为

专用车充电时刻SOC值盲数表达式为

其他车辆充电时刻SOC值盲数表达式为

以电动公交车为例，其盲数模型表示，电动公交车SOC值在[100％85％)充电的可信度为0.0323；SOC值在[85％70％)充电的可信度为0.0968；SOC值在[70％55％)充电的可信度为0.1613；SOC值在[55％40％)充电的可信度为0.1935；SOC值在[40％20％)充电的可信度为0.2903；SOC值在[20％0％)充电的可信度为0.2258。当SOC值在[40％20％)充电的可信度最高，表示电动公交车在SOC值达到[40％20％)充电的可能性最大。其他类型电动汽车的盲数模型依次类推。

步骤二：对不同类型电动汽车的电池荷电状态进行盲数运算，得到不同情况下的可信度计算值，并根据可信度计算值对各类情况进行排序。

2a：依次从各电动汽车类型盲数模型中取一个可信度值进行组合，共有6⁶种可信度值组合。

2b：将每一组可信度值相乘得到总可信度值，按总可信度数值大小进行排序。

2c：取排名前十的总可信度值，组成不同电动汽车充电时刻SOC所处的灰度区间，如表1所示。

表1总可信度前十位电动汽车充电时刻SOC灰度区间表

步骤三：选取表1中总可信度排序前3位的电池SOC情况对各类电动汽车充电负荷进行预测。

3a：分别统计出各类型电动汽车数量；

3b：将各类型电动汽车数量折算为标准电动汽车的数量。

如表2所示，各类电动汽车与标准车折算关系表：

表2各类电动汽车与标准车折算关系表

实施例1，假设某市电动汽车保有量为6000辆，其中电动公交车占15％，大型客车占15％，电动出租车占20％，电动专用车占15％，电动私家车约占30％，其他车辆约占5％。根据各类电动汽车能源消耗规律，结合五部委联合下发的《关于“十三五”新能源汽车充电基础设施奖励政策及加强新能源汽车推广应用的通知》(财建[2016]7号文)，将不同类型的电动汽车转化为标准电动汽车。

3c：预测各类电动汽车全天充电负荷，以15分钟为一个时间窗，将全天分为96个时间段对电动汽车充电负荷进行预测。

3c1：如图2所示，结合表3各类电动汽车充电数量时间分布规律，确定每一时间段不同类型汽车要充电的数量；从t＝0时刻起，确定t＝t+0.25h时段内具备充电条件的各类电动汽车标准车数量n；

表3各类时段具备充电条件电动汽车所占比例

3c2：设置各类电动汽车标准车为变量i，i＝i+1,从i＝0开始；设第i台电动汽车的起始荷电状态为[0,1]区间内服从平均分布的随机数，根据表1中总可信度排序第1位的电池SOC情况，判断第i台电动汽车起始荷电状态是否在排序第1位灰度区间内或小于灰度区间的值，若是则转到3c3，否则，进入3c6；

3c3：根据表4电动汽车类型与充电时段判断第i台电动汽车是选择快充还是慢充；

表4各类型电动汽车各时段充电方式

3c4：计算第i台电动汽车充电时长ΔT，并确定电动汽车的充电负荷P_i；

当该车选择快充充电时，则计算该车快充充电时长ΔT_Q为：

ΔT_Q＝(1-SOC)×T_Q(单位：小时)

T_Q＝0.25h，电动汽车充电时长ΔT＝ΔT_Q，快充充电功率P_i＝P_Q＝120kW；

当该车选择慢充充电时，则计算该车慢充充电时长ΔT_S为：

ΔT_S＝(1-SOC)×T_S(单位：小时)

T_S＝2h，电动汽车充电时长ΔT＝ΔT_S，慢充充电功率P_i＝P_S＝15kW；

3c5：将t＝t+ΔT时间内的充电负荷P_i值累加入日充电负荷曲线值L_EV；

3c6：将计数变量i加1，判断已计算电动汽车数量是否大于t时刻具备充电条件的电动汽车标准车数量n，若是，则时间变量t加0.25小时，转到3c7，若否，则转回3c2；

3c7：判断时间变量t是否等于24小时，若否，则转回3c2；若是，则计算过程结束，输出可信度排序第1位情况下日最大充电负荷、日充电负荷曲线预测结果。

如图3所示，分别以表1中总可信度排序第2、3位的电池SOC情况为断判标，重复步骤3c1-3c7，得到表5可信度排序第2、3位情况下日最大充电负荷、日充电负荷曲线预测结果。

表5最大充电负荷计算结果表(可信度前三)

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。