摘要：为了降低电动汽车大规模接入配电网后产生的负荷波动和网损,提出了基于粒子群优化(PSO)算法的电动汽车规模化充电接入配电网柔性负荷多目标优化控制方法。首先,建立交通网-配电网耦合模型,并结合出行链模型分析用户的充电需求,搭建接入电动汽车能量状态预测模型;其次,以最小化配电网负荷波动标准差和网损作为优化目标,设计电动汽车规模化充电接入配电网柔性负荷多目标优化函数,同时引入分布熵设计惯性权重更新策略,优化PSO算法;最后,采用改进的PSO算法在函数约束条件的基础上实现配电网的柔性负荷控制。测试结果表明,所提出的方法可准确分析用户的充电需求,降低配电网负荷波动峰值及网损。

摘要：为提高电动汽车充电负荷预测的准确性,设计了一种基于轻量级梯度提升机(LightGBM)算法和出行链理论的电动汽车充电负荷多时间尺度预测模型。利用出行链描述用户出行过程,采用蒙特卡洛法抽取时空数据,计算不同区域出行和停留时间的概率密度函数,采用牛顿法划分多时间尺度充电概率,明确驾驶时空分布与充电状况,并运用模糊数学定理与LightGBM分类充电负荷数据,构建了多季节多时段预测模型。采用LightGBM高效并行计算模式,明确充电负荷变化规律,实现了多时间尺度预测。试验结果表明:所建立的模型在不同季节和电动汽车数量条件下,预测误差低于100 kW,预测空报率低于3%,可准确展现充电负荷的变化规律。

摘要：为消除空间分布不确定性对电动汽车充电负荷超短期预测准确性的影响,提出一种基于充电桩利用率的电动汽车充电负荷超短期预测方法。首先,从海量充电交易数据中提取形成区域内各充电桩充电负荷功率,编码后得到充电桩利用率的量化值;然后,将充电桩利用率以及充电负荷功率数据融合,得到长短期记忆神经网络的训练样本和测试集,形成电动汽车充电负荷超短期预测的深度学习模型,时间分辨率可达0.5 h;最后,在不同规模充电负荷的场景下验证了所提方法的有效性和准确性。结果表明,相比无优化的长短记忆神经网络负荷预测方法,所提方法得到的预测值平均绝对百分比误差提高了约5%,可为未来车网互动下的配电网调度优化运行提供重要支撑。