本文關(guān)鍵詞：基于改進核密度估計和拉丁超立方抽樣的電動汽車負荷模型，，由筆耕文化傳播整理發(fā)布。

【摘要】：電動汽車作為新一代的交通工具,具有低能耗、低污染的巨大優(yōu)勢,在可預(yù)見的未來將迎來飛速的發(fā)展。和傳統(tǒng)電力系統(tǒng)負荷不一樣的是,電動汽車是可移動負荷,因此其在時間和空間上的分布具有很強的不確定性。建立更為精確的電動汽車充電負荷模型,能夠為研究電動汽車對電網(wǎng)影響、充電基礎(chǔ)設(shè)施規(guī)劃以及電網(wǎng)規(guī)劃與運行提供更為準確的數(shù)據(jù)支撐,有著非常重要的意義。目前國內(nèi)外關(guān)于電動汽車負荷模型的研究中大都采用傳統(tǒng)參數(shù)估計法對隨機變量進行概率建模,導(dǎo)致最終所得負荷模型存在精度低、適應(yīng)性差等缺點,針對以上不足,本文主要完成了以下三部分的工作:(1)提出了一種采用邊界核的自適應(yīng)非參數(shù)核密度估計概率建模方法。針對常規(guī)非參數(shù)核密度估計方法存在的邊界偏差和缺乏局部適應(yīng)性問題進行改進,將邊界核與自適應(yīng)帶寬有效結(jié)合,從而解決了常規(guī)非參數(shù)核密度估計方法存在的不足,進一步提高了概率建模的精度。此外該方法有效保留了常規(guī)非參數(shù)核密度估計方法的優(yōu)點,即不依賴于概率分布模型假設(shè),能有效挖掘樣本數(shù)據(jù)中的統(tǒng)計信息,可以避免傳統(tǒng)參數(shù)估計方法存在的精度低、適應(yīng)性差等缺陷。最后分別應(yīng)用傳統(tǒng)參數(shù)估計方法、非參數(shù)核密度估計法以及改進非參數(shù)核密度估計法對起始充電時間和起始荷電狀態(tài)進行概率建模,通過分析對比計算精度,驗證了改進算法的準確性。(2)提出了一種結(jié)合三次樣條插值法的改進拉丁超立方抽樣法。針對常規(guī)拉丁超立方抽樣法不能直接應(yīng)用于非參數(shù)核密度估計抽樣的問題進行改進,將三次樣條插值法與常規(guī)拉丁超立方抽樣法結(jié)合,彌補了常規(guī)拉丁超立方抽樣法的局限性。此外該方法有效保留了常規(guī)拉丁超立方抽樣法的優(yōu)點,相比目前廣泛應(yīng)用于非參數(shù)核密度估計抽樣的舍選法在抽樣精度和計算時間方面具有顯著優(yōu)勢。最后分別應(yīng)用舍選法、改進拉丁超立方抽樣法對起始充電時間和起始荷電狀態(tài)進行樣本抽樣,通過分析對比抽樣時間和精度,驗證了所提算法的準確性和高效性。(3)建立了電動客車的綜合負荷需求模型。以某充電站實測數(shù)據(jù)為基礎(chǔ),結(jié)合改進非參數(shù)核密度估計算法和改進拉丁超立方抽樣算法,建立電動客車的充電負荷模型。并且,將仿真結(jié)果與傳統(tǒng)參數(shù)估計方法所得的電動客車的充電負荷模型以及實測數(shù)據(jù)進行對比分析計算,驗證了本文所提方法的有效性和準確性。
【關(guān)鍵詞】：電動汽車 充電負荷 核密度估計 拉丁超立方
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U491.8;TM714
【目錄】：

• 中文摘要3-4
• 英文摘要4-8
• 1 緒論8-16
• 1.1 選題背景和研究意義8-9
• 1.2 電動汽車發(fā)展現(xiàn)狀9-11
• 1.3 電動汽車負荷模型11-15
• 1.3.1 電動汽車負荷建模方法11-12
• 1.3.2 起始充電時間和起始SOC的概率分布模型12-13
• 1.3.3 起始充電時間和起始SOC的抽樣方法13-15
• 1.4 本文的主要內(nèi)容15-16
• 2 基于核密度估計的電動汽車隨機變量概率分布模型16-30
• 2.1 引言16
• 2.2 電動汽車隨機變量分布模型的非參數(shù)核密度估計16-18
• 2.2.1 非參數(shù)核密度估計的概念16-17
• 2.2.2 非參數(shù)核密度估計存在的問題17-18
• 2.3 采用邊界核的自適應(yīng)非參數(shù)核密度估計算法18-20
• 2.3.1 采用邊界核的非參數(shù)核密度估計算法18-19
• 2.3.2 自適應(yīng)非參數(shù)核密度估計算法19-20
• 2.3.3 基于邊界核的自適應(yīng)非參數(shù)核密度估計算法20
• 2.4 仿真結(jié)果及分析20-29
• 2.4.1 電動客車充電負荷數(shù)據(jù)20-21
• 2.4.2 擬合性能評估21-24
• 2.4.3 直方圖和理論概率分布之間的對比24-29
• 2.5 本章小結(jié)29-30
• 3 結(jié)合三次樣條插值法的改進拉丁超立方抽樣算法30-42
• 3.1 引言30
• 3.2 抽樣算法原理30-33
• 3.2.1 舍選法抽樣30-32
• 3.2.2 拉丁超立方抽樣32-33
• 3.3 結(jié)合三次樣條插值法的改進拉丁超立方抽樣算法33-36
• 3.3.1 三次樣條插值法34-35
• 3.3.2 改進拉丁超立方抽樣算法35-36
• 3.4 仿真結(jié)果及分析36-41
• 3.4.1 三次樣條插值法曲線擬合37
• 3.4.2 改進拉丁超立方抽樣算法和舍選法的抽樣精度對比37-38
• 3.4.3 改進拉丁超立方抽樣算法和舍選法的抽樣效率對比38-40
• 3.4.4 改進拉丁超立方抽樣算法和舍選法的相關(guān)性驗證40-41
• 3.5 本章小結(jié)41-42
• 4 基于改進核密度估計和拉丁超立方抽樣的電動客車負荷模型42-47
• 4.1 引言42
• 4.2 電動客車充電負荷模型42-44
• 4.3 電動客車充電日負荷曲線的仿真結(jié)果分析44-46
• 4.3.1 仿真對象及仿真條件44
• 4.3.2 仿真分析44-46
• 4.4 本章小結(jié)46-47
• 5 總結(jié)與展望47-50
• 5.1 本文的主要結(jié)論47-48
• 5.2 有待于進一步研究的問題48-50
• 致謝50-51
• 參考文獻51-55
• 附錄55
• A. 作者在攻讀碩士學(xué)位期間發(fā)表的論文55
• B. 作者在攻讀碩士學(xué)位期間參與的科研項目55

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 鄧乾旺;文文;;基于拉丁超立方抽樣的薄板裝配誤差分析[J];中國機械工程;2012年08期

2 蔣水華;李典慶;周創(chuàng)兵;;基于拉丁超立方抽樣的邊坡可靠度分析非侵入式隨機有限元法[J];巖土工程學(xué)報;2013年S2期

3 吳雄;王秀麗;;新能源組合出力的置信區(qū)間估計[J];電力系統(tǒng)自動化;2013年16期

4 屈志堅;劉明光;劉靖;曹洪睿;楊罡;劉鐵;;鐵道供電系統(tǒng)信息流延時的拉丁超立方抽樣蒙特卡洛模擬[J];中國鐵道科學(xué);2012年05期

5 李傳奇;王帥;王薇;龔潔;;LHS-MC方法在漫壩風(fēng)險分析中的應(yīng)用[J];水力發(fā)電學(xué)報;2012年01期

6 趙剛云;向天宇;徐騰飛;占玉林;;鋼-混凝土組合梁收縮徐變效應(yīng)的隨機分析[J];計算力學(xué)學(xué)報;2014年01期

7 ;[J];;年期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 田明月;單純形上的拉丁超立方抽樣及其改進[D];蘇州大學(xué);2016年

2 繆鵬彬;基于改進核密度估計和拉丁超立方抽樣的電動汽車負荷模型[D];重慶大學(xué);2016年

  本文關(guān)鍵詞：基于改進核密度估計和拉丁超立方抽樣的電動汽車負荷模型，由筆耕文化傳播整理發(fā)布。

本文編號：437732