考虑用户行为的电动汽车区域充电负荷超短期预测方法技术

本发明专利技术公开了一种考虑用户行为的电动汽车区域充电负荷超短期预测方法，包括获取待预测区域的电动汽车EV出行历史数据，然后建立神经网络并进行训练，再基于神经网络模型进行EV在时间点t的到达数量的滚动预测，并引入实时修正来修正预测结果；最根据预测得到电动汽车到达数量，得到充电负荷预测结果。本发明专利技术采用神经网络来进行数据挖掘，提高了预测准确度。本发明专利技术利用交替方向乘子法对神经网络进行训练，且神经网络参数可以并行独立更新，有效避免了局部最优和其他极端条件的出现。本发明专利技术在滚动预测基础上，引入数据修正公式，对预测结果进行修正，改善了数据驱动模型难以拟合预测时间的真实情况的缺点，减少预测误差，提高预测精度。

【技术实现步骤摘要】

本专利技术涉及电动汽车充电负荷的准确预测在电网中保证系统安全稳定运行的领域，提出了一种考虑用户行为的电动汽车区域充电负荷超短期预测方法，更好地预测电动汽车充电负荷，有效降低预测误差，保障电网安全稳定运行。

技术介绍

1、电动汽车(ev)的数量正在迅速增长，预计到2030年，中国的电动汽车数量将达到6000万辆。然而，由于电动汽车的充电负荷在时间和空间上具有不确定性，当大量电动汽车在一天内接入电网进行充电时，可能会给电网带来巨大的负荷冲击。这对于电网的安全、经济和稳定运行提出了严峻挑战。因此，为了满足电网调度需求并实现电动汽车充电负荷的有序控制，对电动汽车充电负荷的预测研究至关重要。电动汽车充电负荷与电动汽车的到达时间和荷电状态(state ofcharge，soc)密切相关。目前的研究已在电动汽车行驶和soc状态预测方面展开了相关工作。

2、基于高斯分布的蒙特卡罗抽样方法是一种广泛应用的预测方法。通过对大量电动汽车历史行驶数据进行拟合，可以得到电动汽车行驶模式的概率密度函数。利用基于概率密度分布函数的蒙特卡罗抽样方法，可以对电动汽车进行预测。预本文档来自技高网...

【技术保护点】

1.一种考虑用户行为的电动汽车区域充电负荷超短期预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述的步骤S1中，EV的出行历史数据包括：

3.根据权利要求2所述的方法，其特征在于，所述的步骤S2中，建立神经网络包括：

4.根据权利要求3所述的方法，其特征在于，所述的步骤S2中，采用ADMM方法对模型进行训练的过程包括：

5.根据权利要求1所述的方法，其特征在于，所述的步骤S3包括：

6.根据权利要求5所述的方法，其特征在于，所述的步骤S3.1和步骤S3.2中，时刻t之前一小时中包括4个时刻，即一...

【技术特征摘要】

1.一种考虑用户行为的电动汽车区域充电负荷超短期预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述的步骤s1中，ev的出行历史数据包括：

3.根据权利要求2所述的方法，其特征在于，所述的步骤s2中，建立神经网络包括：

4.根据权利要求3所述的方法，其特征在于，所述的步骤s2中，采用ad...

【专利技术属性】
技术研发人员：彭清文，卢新星，陈超强，赵林坤，李俊雄，李泳键，赵子鋆，吴东琳，胡湘伟，吴俊，蒋斌，
申请(专利权)人：国网湖南省电力有限公司，
类型：发明
国别省市：