کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4916578 1428105 2016 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Electric vehicle charging demand forecasting model based on big data technologies
ترجمه فارسی عنوان
مدل پیش بینی تقاضای شارژ الکتریکی بر اساس تکنولوژی های داده بزرگ
کلمات کلیدی
مدل پیش بینی تقاضای شارژ خودرو، اطلاعات بزرگ، داده های ترافیکی در دنیای واقعی، داده های هواشناسی، آنالیز خوشه ای،
ترجمه چکیده
این مقاله یک مدل پیش بینی برای برآورد تقاضای شارژ الکتریکی بر اساس تکنولوژی های داده بزرگ ارائه می دهد. بیشتر مطالعات قبلی داده های توزیع ترافیکی دنیای واقعی و شرایط آب و هوایی را در پیش بینی تقاضای شارژ وسایل الکتریکی در نظر نمی گیرند. در این مقاله، داده های ترافیکی تاریخی و داده های هواشناسی کره جنوبی برای تشکیل مدل پیش بینی استفاده شد. فرایندهای پیش بینی عبارتند از تجزیه و تحلیل خوشه ای برای طبقه بندی الگوهای ترافیکی، تجزیه و تحلیل رابطه ای برای شناسایی عوامل موثر و درخت تصمیم برای تعیین معیارهای طبقه بندی. متغیرهای مورد بررسی در این مطالعه زمان شروع شارژ تعیین شده توسط الگوهای ترافیکی در دنیای واقعی و وضعیت اولیه باتری است. نمونه هایی از مطالعات موردی برای تقاضای شارژ وسایل نقلیه الکتریکی در روزهای هفته و تعطیلات آخر هفته در تابستان و زمستان ارائه شده است تا پروفیل بار شارژ خودروهای الکتریکی مختلف در سایت های مسکونی و تجاری نشان داده شود. مدل پیش بینی ارائه شده ممکن است به مهندسین قدرت سیستم اجازه دهد که تقاضای شارژ الکتریکی خودرو براساس داده های ترافیکی تاریخی و داده های هواشناسی پیش بینی شود. بنابراین، مدل تقاضای شارژ وسایل نقلیه الکتریکی پیشنهاد شده می تواند پایه ای برای تحقیق در مورد تاثیر شارژ وسایل نقلیه الکتریکی در سیستم قدرت باشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی مهندسی انرژی و فناوری های برق
پیش نمایش مقاله
مدل پیش بینی تقاضای شارژ الکتریکی بر اساس تکنولوژی های داده بزرگ
چکیده انگلیسی
This paper presents a forecasting model to estimate electric vehicle charging demand based on big data technologies. Most previous studies have not considered real-world traffic distribution data and weather conditions in predicting the electric vehicle charging demand. In this paper, the historical traffic data and weather data of South Korea were used to formulate the forecasting model. The forecasting processes include a cluster analysis to classify traffic patterns, a relational analysis to identify influential factors, and a decision tree to establish classification criteria. The considered variables in this study were the charging starting time determined by the real-world traffic patterns and the initial state-of-charge of a battery. Example case studies for electric vehicle charging demand during weekdays and weekends in summer and winter were presented to show the different charging load profiles of electric vehicles in the residential and commercial sites. The presented forecasting model may allow power system engineers to anticipate electric vehicle charging demand based on historical traffic data and weather data. Therefore, the proposed electric vehicle charging demand model can be the foundation for the research on the impact of charging electric vehicles on the power system.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Energy - Volume 183, 1 December 2016, Pages 327-339
نویسندگان
, ,