買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉國網山東省電力公司青島供電公司申請的專利一種電動汽車充電負荷預測方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN113988403B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111241907.3，技術領域涉及：G06Q10/04；該發明授權一種電動汽車充電負荷預測方法及系統是由郭英雷;李延真;周超群;安樹懷;彭博;魏振;楊尚運設計研發完成，并于2021-10-25向國家知識產權局提交的專利申請。

本一種電動汽車充電負荷預測方法及系統在說明書摘要公布了：本公開公開的一種電動汽車充電負荷預測方法及系統，包括：獲取系統中各電源輸出的有功功率；將各電源輸出的有功功率輸入構建的電動汽車充電負荷預測模型中，獲取可接入的電動汽車充電負荷；其中，電動汽車充電負荷預測模型，以各電源初始投資、維護和運行的綜合成本最小、系統功率平衡、各電源輸出有功功率的上下限和所有電動汽車充電功率的上限為約束條件，以接入電動汽車后等效負荷波動最小為目標構建。保證電動汽車接入時等效負荷的波動最小。

本發明授權一種電動汽車充電負荷預測方法及系統在權利要求書中公布了：1.一種電動汽車充電負荷預測方法，其特征在于，包括： 獲取系統中各電源輸出的有功功率； 將各電源輸出的有功功率輸入構建的電動汽車充電負荷預測模型中，獲取可接入的電動汽車充電負荷； 其中，電動汽車充電負荷預測模型，以各電源初始投資、維護和運行的綜合成本最小、系統功率平衡、各電源輸出有功功率的上下限和所有電動汽車充電功率的上限為約束條件，以接入電動汽車后等效負荷波動最小為目標構建； 構建的電動汽車充電負荷預測模型為： 約束條件為： G分布式電源+G機組＝Peq G機組＝P常規負荷 其中，fp為系統負荷波動，為常規發電機組電源有功功率，為各常規發電機組電源i發電費用，和分別是常規機組電源的最大和最小有功功率，Peqi為i時刻的等效負荷；Pav為等效負荷的平均值，和分別是區域光伏功率最大有功功率和區域電動汽車最大充電功率； 系統的功率平衡方程為G分布式電源+G機組＝L常規負荷+L充電負荷+L其他柔性負荷； 當機組變電容量確定時，在不考慮分布式電源對負荷的削減作用時，通過調度電動汽車負荷，確定能接入的電動汽車充電負荷的大小，電動汽車的最大充電功率根據區域內母線所能接入的充換電站的最大充電功率Pmax和區域內充電樁最大數量電動汽車同時充電時的充電功率PEV確定； 其中，充電樁數量根據充電樁所處區域、建筑類別的配建指標和建筑面積確定； 當可接入的電動汽車充電負荷PEV全部作為可中斷負荷參與電網的調控，則電動汽車全部在低谷時段進行充電，則高峰負荷Peq＝P常規負荷；電動汽車接入負荷大小由地區充電樁規劃數量、變壓器和線路容量、負載率、功率因數所決定，具體為： PEV＝n*P充*同時率 Pmax＝βSNcosθks-PH Pmax為10kV母線所能接入的充換電站的最大充電功率；β為變壓器的負載率；SN為變壓器容量；PH為該變壓器所帶常規負荷的有功功率；ks為用戶用電負荷的同時系數；cosθ為功率因數；n為區域充電樁數量，P 充為單臺電動汽車的充電功率；為可接入的電動汽車的最大充電功率； 將獲取的各電源輸出的有功功率輸入構建的電動汽車充電負荷預測模型，進行電動汽車充電負荷預測時，還需要對電動汽車接入時電網的等效負荷進行預測，獲取等效負荷預測值； 獲取可接入的電動汽車充電負荷的具體過程為： 將各電源輸出的有功功率輸入構建的電動汽車充電負荷預測模型中，獲取允許的等效負荷； 將允許的等效負荷Peqi與電動汽車接入時間段的等效負荷預測值做差，獲得可接入的電動汽車充電負荷； 獲取電動汽車接入時間段的等效負荷預測值的具體過程為： 獲取電動汽車接入時間段的平均溫度、平均濕度、節假日天數、所處區域的GDP增速、產業結構、用電結構和飽和負荷密度； 將電動汽車接入時間段的平均溫度、平均濕度、節假日天數、所處區域的GDP增速、產業結構、用電結構和飽和負荷密度輸入訓練好的等效負荷預測模型中，獲取電動汽車充電時的等效負荷預測值； 等效負荷預測模型采用深度神經網絡，深度神經網絡含有多個隱含層的多層感知機；深度神經網絡模型采用混合訓練方式，在逐層訓練的過程中，在待訓練的隱藏層的上面堆疊一層臨時輸出層，然后采用無監督訓練與有監督訓練相結合的混合訓練方法對該層進行訓練，將無監督訓練過程的隱藏層權重的更新值與有監督訓練得到的更新值相加作為權重更新值，無監督的訓練采用徑向基函數，有監督的訓練采用sigmoid函數； 深度神經網絡的學習過程利用信號的正向和反向傳播來實現學習訓練，在正向傳播學習過程時，輸入信息經輸入層之后，在隱含層學習訓練再傳播到輸出層；在輸出層通過誤差變化值又逆向傳播，重新進入隱含層學習，通過正向和反向的反復迭代，當預測結果達到期望值時，將其結果輸出，最終完成學習訓練； 深度神經網絡，輸入為X，隱含層和輸出層的激活值計算公式為： vkx＝∑wkjujx+wk0 式中ujx表示隱含層中第j個節點的輸出，mj表示第j個隱含層節點的中心，||·||表示歐式范數，σj表示節點j的Gauss分布寬度；wkj和wk0分別代表網絡第k層的權重和偏置向量，ykx表示網絡的輸出；深度神經網絡的前向傳播算法利用若干個權重系數矩陣W，偏置向量wk0來和輸入值向量x進行非線性運算和激活運算，從輸入層開始，一層層的向后計算，一直到運算到輸出層，得到輸出結果為止； 在輸入訓練之前，對數據進行歸一化處理，使其處于同一數量級別，加快神經網絡收斂，最后再通過反歸一化處理得到真實的數值；具體為：歸一化方法使數據歸一化為[0,1]，公式為： 反歸一化為： xi＝xmax-xminyi+xmin 其中，xmax、xmin為訓練樣本輸入量的最大、最小值，xi、yi為輸入樣本歸一化前后的值； 深度神經網絡的訓練過程為： 獲取待預測時間段的歷史樣本數據； 將獲取的歷史樣本數據輸入構建的深度神經網絡中，進行部分有監督訓練，獲取訓練好的深度神經網絡； 獲取的歷史樣本數據包括：待預測時間段的平均氣溫、平均濕度、節假日天數、區域的GDP增速、產業結構、用電結構和飽和負荷密度及對應的等效負荷數據。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人國網山東省電力公司青島供電公司，其通訊地址為：266000 山東省青島市市南區劉家峽路17號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。