买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉国网山东省电力公司青岛供电公司申请的专利一种电动汽车充电负荷预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN113988403B 。

龙图腾网通过国家知识产权局官网在2025-08-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111241907.3，技术领域涉及：G06Q10/04；该发明授权一种电动汽车充电负荷预测方法及系统是由郭英雷;李延真;周超群;安树怀;彭博;魏振;杨尚运设计研发完成，并于2021-10-25向国家知识产权局提交的专利申请。

本一种电动汽车充电负荷预测方法及系统在说明书摘要公布了：本公开公开的一种电动汽车充电负荷预测方法及系统，包括：获取系统中各电源输出的有功功率；将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中，获取可接入的电动汽车充电负荷；其中，电动汽车充电负荷预测模型，以各电源初始投资、维护和运行的综合成本最小、系统功率平衡、各电源输出有功功率的上下限和所有电动汽车充电功率的上限为约束条件，以接入电动汽车后等效负荷波动最小为目标构建。保证电动汽车接入时等效负荷的波动最小。

本发明授权一种电动汽车充电负荷预测方法及系统在权利要求书中公布了：1.一种电动汽车充电负荷预测方法，其特征在于，包括： 获取系统中各电源输出的有功功率； 将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中，获取可接入的电动汽车充电负荷； 其中，电动汽车充电负荷预测模型，以各电源初始投资、维护和运行的综合成本最小、系统功率平衡、各电源输出有功功率的上下限和所有电动汽车充电功率的上限为约束条件，以接入电动汽车后等效负荷波动最小为目标构建； 构建的电动汽车充电负荷预测模型为： 约束条件为： G分布式电源+G机组＝Peq G机组＝P常规负荷 其中，fp为系统负荷波动，为常规发电机组电源有功功率，为各常规发电机组电源i发电费用，和分别是常规机组电源的最大和最小有功功率，Peqi为i时刻的等效负荷；Pav为等效负荷的平均值，和分别是区域光伏功率最大有功功率和区域电动汽车最大充电功率； 系统的功率平衡方程为G分布式电源+G机组＝L常规负荷+L充电负荷+L其他柔性负荷； 当机组变电容量确定时，在不考虑分布式电源对负荷的削减作用时，通过调度电动汽车负荷，确定能接入的电动汽车充电负荷的大小，电动汽车的最大充电功率根据区域内母线所能接入的充换电站的最大充电功率Pmax和区域内充电桩最大数量电动汽车同时充电时的充电功率PEV确定； 其中，充电桩数量根据充电桩所处区域、建筑类别的配建指标和建筑面积确定； 当可接入的电动汽车充电负荷PEV全部作为可中断负荷参与电网的调控，则电动汽车全部在低谷时段进行充电，则高峰负荷Peq＝P常规负荷；电动汽车接入负荷大小由地区充电桩规划数量、变压器和线路容量、负载率、功率因数所决定，具体为： PEV＝n*P充*同时率 Pmax＝βSNcosθks-PH Pmax为10kV母线所能接入的充换电站的最大充电功率；β为变压器的负载率；SN为变压器容量；PH为该变压器所带常规负荷的有功功率；ks为用户用电负荷的同时系数；cosθ为功率因数；n为区域充电桩数量，P 充为单台电动汽车的充电功率；为可接入的电动汽车的最大充电功率； 将获取的各电源输出的有功功率输入构建的电动汽车充电负荷预测模型，进行电动汽车充电负荷预测时，还需要对电动汽车接入时电网的等效负荷进行预测，获取等效负荷预测值； 获取可接入的电动汽车充电负荷的具体过程为： 将各电源输出的有功功率输入构建的电动汽车充电负荷预测模型中，获取允许的等效负荷； 将允许的等效负荷Peqi与电动汽车接入时间段的等效负荷预测值做差，获得可接入的电动汽车充电负荷； 获取电动汽车接入时间段的等效负荷预测值的具体过程为： 获取电动汽车接入时间段的平均温度、平均湿度、节假日天数、所处区域的GDP增速、产业结构、用电结构和饱和负荷密度； 将电动汽车接入时间段的平均温度、平均湿度、节假日天数、所处区域的GDP增速、产业结构、用电结构和饱和负荷密度输入训练好的等效负荷预测模型中，获取电动汽车充电时的等效负荷预测值； 等效负荷预测模型采用深度神经网络，深度神经网络含有多个隐含层的多层感知机；深度神经网络模型采用混合训练方式，在逐层训练的过程中，在待训练的隐藏层的上面堆叠一层临时输出层，然后采用无监督训练与有监督训练相结合的混合训练方法对该层进行训练，将无监督训练过程的隐藏层权重的更新值与有监督训练得到的更新值相加作为权重更新值，无监督的训练采用径向基函数，有监督的训练采用sigmoid函数； 深度神经网络的学习过程利用信号的正向和反向传播来实现学习训练，在正向传播学习过程时，输入信息经输入层之后，在隐含层学习训练再传播到输出层；在输出层通过误差变化值又逆向传播，重新进入隐含层学习，通过正向和反向的反复迭代，当预测结果达到期望值时，将其结果输出，最终完成学习训练； 深度神经网络，输入为X，隐含层和输出层的激活值计算公式为： vkx＝∑wkjujx+wk0 式中ujx表示隐含层中第j个节点的输出，mj表示第j个隐含层节点的中心，||·||表示欧式范数，σj表示节点j的Gauss分布宽度；wkj和wk0分别代表网络第k层的权重和偏置向量，ykx表示网络的输出；深度神经网络的前向传播算法利用若干个权重系数矩阵W，偏置向量wk0来和输入值向量x进行非线性运算和激活运算，从输入层开始，一层层的向后计算，一直到运算到输出层，得到输出结果为止； 在输入训练之前，对数据进行归一化处理，使其处于同一数量级别，加快神经网络收敛，最后再通过反归一化处理得到真实的数值；具体为：归一化方法使数据归一化为[0,1]，公式为： 反归一化为： xi＝xmax-xminyi+xmin 其中，xmax、xmin为训练样本输入量的最大、最小值，xi、yi为输入样本归一化前后的值； 深度神经网络的训练过程为： 获取待预测时间段的历史样本数据； 将获取的历史样本数据输入构建的深度神经网络中，进行部分有监督训练，获取训练好的深度神经网络； 获取的历史样本数据包括：待预测时间段的平均气温、平均湿度、节假日天数、区域的GDP增速、产业结构、用电结构和饱和负荷密度及对应的等效负荷数据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人国网山东省电力公司青岛供电公司，其通讯地址为：266000 山东省青岛市市南区刘家峡路17号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。