开题报告论文题目：电动汽车充电负荷计算方法一、论文选题的目的和意义1.1 电动汽车的现状电动汽车作为一种新兴的交通工具，已经在潜移默化之间改变了原有依赖于汽油的普通汽车市场。

如今，中国已经出台许多政策扶持和推动电动汽车产业的快速发展，近几年在北京、上海、广州、深圳等城市已经建成多座电动汽车充电站，电动汽车的推广应用进入了关键时期。

电动汽车区别于普通汽车用汽油作为主要动力来源，而是利用电力来驱动汽车的行驶。

电动汽车之所以能被大力推广，从能源层面来讲，化石燃料的日益减少是人们不可否认的事实，所以人类的发展越来越依赖于新能源的发展；从环境层面来讲，大量化石燃料的燃烧导致的全球气候变暖甚至已经开始影响了地球的生态。

相比于传统汽车，电动汽车其对于环境的友好性不言而喻。

1.2 电动汽车对于电力系统的影响电力汽车的主要能源来源于安装在车上的蓄电池。

蓄电池都有一个容量限度，当蓄电池的能量耗尽时，配套的即时充电装置是维持电动汽车长时间运行的必要配套设施。

电动汽车的充电依赖于固定的充电桩，一般来说，电动汽车对于充电桩的需求等同于普通汽车对于加油站的需求，而充电需求的不确定性，也导致了充电桩必须的大量分布于各个地区。

充电桩作为一种高能耗设施，他对于电网的影响一方面是功率的消耗，另一方面还有对电网稳定性的考验也是不可避免的。

一旦充电桩大量存在，也就意味着在电网之中，它将立足于一个举足轻重的地位。

1.3 负荷预测的重要性科学的预测是正确决策的依据和保证。

电动汽车充电桩的设立，取决于对于电动汽车负荷消耗的预测。

只有一个较为准确的预测，才能更加完善的安排充电桩的地理位置选择以及容量大小选择，才能保证电动汽车充电的完善性，才能使得电动汽车真正走进我们的生活。

所以，负荷预测作为制定配电计划和电力系统发展规划的基础，必须处于一个核心研究地位。

现阶段，有许多不同的对负荷的预测方式，每一种都有一定的长处但是也存在着一定的不足。

随着国民经济的发展，为了适应电网管理现代化、科学化的要求，减轻电力需求预测人员进行的数据整理、加工和计算工作，为了准确地预测市场对电力这一商品的需求，为了保证数据的可继承性和做到与其他部门信息共享，找到一个更加全面的负荷预测方式，就显得尤为可贵。

二、国内外关于该论题的研究现状和发展趋势2.1 经典算法2.1.1 回归分析法回归分析预测方法是根据历史数据的变化规律和影响负荷变化的因素，寻找自变量与因变量之间的相关关系及其回归方程式，确定模型参数，据此推断将来时刻的负荷值。

回归分析法的优点是计算原理较为简单，预测速度快，对于新情况有较好的预测。

但是存在的不足是对数据要求较高，对于复杂模型时，线性方法的局限性导致精度较低。

2.1.2时间序列法电力负荷的历史数据是按一定时间间隔进行采样和记录下来的有序集合，时间序列方法是目前电力系统短期负荷预测中发展较为成熟的算法：根据负荷的历史数据，建立描述电力负荷随时间变化的数学模型，在该模型的基础上确立负荷预测的表达式，并对未来负荷进行预测。

时间序列法的优点是对数据的需求较低，计算速度较快，反映了负荷近期变化的连续性。

但是存在的不足是建模过程复杂，需要较高的理论知识，同时只适用于负荷变化均匀的短期预测，对不确定因素的考虑不足。

2.2 传统算法2.2.1 负荷求导法对于负荷序列,负荷求导法的预测公式为：其中, 为对第i +1点的负荷预测值；为第i点的负荷实际值；为第i点的负荷变化率的预测值。

其中：D为选用过去负荷的天数；为第j天的合适因子，为第j 天的第i点。

负荷求导法的优点是比较直观清晰，但是要求负荷具有规律性，同时负荷的预测因为累计的原因，不够精确。

2.2.2 相似日法对与待预测日相似的某些日的负荷进行修正，从而得出预测日的负荷，即为相似日法，相似日法首先采用某种差异评价函数，寻找与预测日负荷最相似的某些天，根据待测负荷日的参数进行修正。

相似日法的原理简单，效果较好，但是为了精度考虑，必须找到找到相似日并进行适当的修正。

2.2.3 卡尔曼滤波法卡尔曼滤波法又称为状态空间法，其指导思想是：把负荷分解为确定分量和随机分量，确定分量一般用一阶线性模型描述和预测，随机分量可用状态变量表示。

通过建立状态空间模型进行负荷预报。

卡尔曼滤波的实质是由量测值重构系统的状态向量。

卡尔曼滤波法由于其组合性，使其能够让预测模型获得更多的信息，从而得到更加准确的预测值。

但是卡尔曼滤波法不足之处是实际应用中难以估计出噪音的统计特性。

2.2.4指数平滑法指数平滑法是一种新的技术，是利用过去同类型的数据组成一组有序数组，对该数组进行加权平均之后，得到预测时段的负荷值，其迭代的公式为：其中：为t +1时刻的负荷值；α =1/ n ，n为所有数据积累的个数。

指数平滑法的优点在于方法简单，但是难以预测众多客观因素所带来的影响。

2.2.5灰色预测法灰色预测是一种对含有不确定因素的系统进行预测的方法，用灰色模型（GM）的微分方程作为电力系统单一指标（如负荷）的预测时，求解微分方程的时间响应函数表达式即为所求的灰色预测模型，对模型的精度和可信度进行校验并修正后，即可据此模型预测未来的负荷，适用于少量信息条件下的分析和预测。

灰色系统理论的优点是适用于各种非线性变化的负荷预测，同时对数据量的要求较低，运算方便且精确比较理想。

但是要求负荷具有指数变化趋势，当离散程度较大时，预算精度较差。

2.3智能预测法2.3.1 专家系统法专家系统法是基于知识的程序设计方法建立起来的计算机系统，拥有某一领域内的专家知识和经验，并能像专家那样运用这些知识和经验，通过推理对未来进行预测。

专家系统的优点是能够综合多因素的影响，可靠性好，工作效率高，可以避开复杂的数值计算并得到较准确的预测结果。

其不足是在预测过程中容易出现人为差错，且其预测结果没有普遍适应性，只能针对特定对象。

2.3.2 人工神经网络法人工神经网络法选取过去一段时间的负荷作为训练样本，构建适宜的网络结构，用某种训练算法对网络进行训练，使其满足精度要求之后，此神经网络作为负荷预测模型，实践证明人工神经网络短期预测有较好的精度。

人工神经网络的优点是具有很好的自适应能力，具有信息记忆，自主学习的特点，但是其缺点是学习速度慢且难以科学的确定网络结构。

2.3.3 综合模型预测法在实际应用中，由于历史负荷数据的复杂性和随机性，单一模型预测一般难以达到准确和可靠的效果，因此，根据各种算法的优点和不足，将几种算法有机地组合起来，可以提高预测精度。

这些方法的优点是克服了单一算法的不足之处，使得优势互补，提高预测精度，但是会降低计算速度，增加建模和实际应用的困难。

2.3.4 小波分析法小波分析理论是一种时域—频域分析方法，能将各种交织在一起的不同频率组成的混合信号，分解成不同频带上的块信号，对负荷序列进行小波变换，可以将负荷序列分别投影到不同的尺度上，各个尺度上的子序列分别代表了原序列中不同频域的分量，可以清楚地表现出负荷序列的周期性。

小波分析法的预测精度较高，但是缺点是诸多客观因素对负荷的影响，而且预测结果与小波基的选择有很大关系。

2.4短期负荷预测新方法2.4.1 混沌理论混沌是确定性非线性系统中不需要附加任何随机因素亦可出现的随机行为。

自1980年,Packard提出重构相空间理论证明可以找到一个合适的嵌入维以来，人们开始用时间序列研究混沌。

混沌时间序列预测的基础是从一维观测数据中构造系统的重构相空间，Takens定理给出了利用混沌时间序列进行短期负荷预测的理论基础。

复杂的电力负荷曲线具有明显的混沌现象，作为一种新兴的研究非周期、不规则现象的方法,混沌的引人为这一领域的研究提供了新的思路。

2.4.2 支持向量机支持向量机是建立在统计学习理论、VC维理论和结构风险最小化原理基础上的机器学习方法。

这种方法的缺点是是对于数据量的需求较大，并且有很难的操作性。

对于预测负荷曲线较平滑的系统，效果比较理想，但是，对于随机波动性较强的中小型电网，其预测效果相对较差。

2.5 小结通过对现有的所有负荷预测方法的描述和优缺点的评价可以看出，现有的负荷预测手段的主要缺陷一般在于三大主要方面，一是对数据的要求高，需要符合某种特定的规律才能进行预测，二是对数据的量要求很大，需要大量数据的积累才能获得一个较为可靠的结果，三是对人工要求很高，即预测的操作难度较大。

总体来说，并没有一个方法能够完全的满足我们对于负荷预测的需求，只是在一定程度上能够大致对负荷进行不精确预测。

一种更为全面，更加准确的预测方式有待于人们再去思考。

三、论文的主攻方向、主要内容、研究方法及技术路线论文主要采用Matlab仿真的形式，以蒙特克罗算法为基础，进行电动汽车负荷的预测。

本文的主要内容有：概述电动汽车充电负荷预测的基本方法，建立其数学模型，分析影响充电汽车充电负荷的不同影响因素。

在此基础上根据相关的发展趋势与相应的电动汽车数据进行负荷预测，并通过MATLAB对设计结果进行仿真、总结。

四、论文工作进度安排1、2014.1.15—2014.3.15 查阅相关文献，了解目前研究常用的方法2、2014.3.16－2014.3.28 了解蒙特卡洛算法3、2014.3.29－2014.4.11 对现有的预测方法进行分析、比较和完善4、2014.4.12－2014.4.25 改进充电负荷预测模型5、2014.4.26－2014.5.01 学习MATLAB仿真，并代入数据得到结果6、2014.5.02—2014.6.01 撰写论文五、论文主要参考文献[1] 康重庆，夏清，张伯明. 电力系统负荷预测研究综述与发展方向的探讨[J]. 电力系统自动化，2004，28（17）：1-11.[2] 叶瑰昀，罗耀华，刘勇，等. 基于ARMA 模型的电力负荷预测方法研究[J]. 信息技术，2002，6：74-76.[3] 张振高，杨正瓴. 短期负荷预测中的负荷求导法及天气因素的使用[J]. 电力系统及其自动化学报，2006，18（5）：79-83.[4] 王捷，吴国忠，李艳昌. 蚁群灰色神经网络组合模型在电力负荷预测中的应用[J]. 电力系统保护与控制，2009，37（2）：48-52.[5] 邰能灵，侯志俭. 基于小波模糊神经网络在电力系统短期负荷预测中的应用[J]. 中国电机工程学报，2004，24（1）：24-29.[6] 丁军威, 孙雅明.基于混沌学习算法的神经网络短期负荷预测[J],电力系统自动化,2000,24(2):32-35[7] 谢华. 一种电力系统非线性模型的混沌特性研究[J ].电子科技大学学报,2001 ,30 (3) :223 - 226[8] OHTA H ,UEDA Y. Unstable limit cycles in electric power system and basin boundary of voltage collapse[J ] .Chaos ,So2litions andFractals ,2001 ,12 (1) :159 - 172[9] 权先璋,蒋传文,张勇传. 电力负荷的混沌预测方法[J ] .华中理工大学学报,2000 ,28 (7) ,92 - 94[10] 杨正瓴，王渭巍，曹东波，等. 短期负荷预测的Ensemble混沌预测方法[J]. 电力系统自动化，2007，31（23）：34-37.[11] 郑永康，陈维荣，戴朝华. 小波支持向量机与相空间重构结合的短期负荷预测研究[J]. 继电器，2008，36（7）：29-33.[12] 雷绍兰，孙才新. 电力短期负荷的多变量混沌预测方法[J]. 高电压技术，2005，31（12）：69-72.[13] 魏俊，周步祥，林楠，等. 基于蚁群支持向量机的短期负荷预测[J]. 电力系统保护与控制，2009，37（4）：36-40.[14] 杨孝纶.电动汽车技术发展趋势及前景 [J]. 汽车科技, 2007.（6）:10-13.[15] 孙逢春. 电动汽车发展现状及趋势[J]. 科学中国人, 2006. 8: 44-47.[16] 于大洋. 可再生能源发电并网协调策略的研究[D]. 济南: 山东大学.2010[17] 高赐威, 张亮. 电动汽车充电对电网影响的综述[J]. 电网技术,2011(02): 127-131.[18] CLEMENT-NYNS, Kristien, Haesen, et al. The impact of vehicle-to-grid on the distribution grid[M]. Vol. 81. 2011, Amsterdam, PAYS-BAS: Elsevier.8.[19] Hadley, S.W. and A.A. Tsvetkova. Potential Impacts of Plug-in Hybrid Electric Vehicles on Regional Power Generation[J]. The Electricity Journal, 2009. 22(10):56-68.[20] Kempton W, T.J. Vehicle-to-grid power implementation:from stabilizing the grid to supporting large-scale renewable energy[J]. Journal of Power Sources, 2005.144(1): 280-294.[21] 黄少芳. 电动汽车充电机（站）谐波问题的研究[D]. 北京交通大学. 2008[22] 赵俊华, 文福拴, 杨爱民,等. 电动汽车对电力系统的影响及其调度与控制问题[J]. 电力系统自动化, 2011(14): 20-29.[23] 曹秉刚, 张传伟, 白志峰,等. 电动汽车技术进展和发展趋势[J]. 西安交通大学学报, 2004(01): 1-5.[20] 陈清泉, 孙逢春, 祝嘉光. 现代电动汽车技术[M]. 2002: 北京理工大学出版社.[21] 胡兴军. 电动汽车充电模式、特点及技术要求[J].家电检修技术，2010（23）：43-44.[22] 杜成刚, 张华, 李瑾,等. 电动汽车入网技术在智能电网中的应用[J]. 华东电力, 2010(04): 557-560.[23] 邰能灵，侯志俭. 基于小波模糊神经网络在电力系统短期负荷预测中的应用[J]. 中国电机工程学报，2004，24（1）：24-29.指导教师签名：年月日。