CN103241130A - 一种电动公交车充换电站的能量管理方法及系统 - Google Patents

Abstract

本发明涉及电动公交车领域，提供了一种电动公交车充换电站的能量管理方法及系统；该方法包括建立充电负荷需求预测模型；根据模型计算充电负荷需求并对充电机工作状态进行优化调度。本发明提供的能量管理方法中，充电负荷需求预测模型包括逐小时换电车辆数预测模型、充电起始时刻预测模型、换电前行驶里程模型和充电时长模型和充电负荷模型；充电负荷需求模型更符合实际情况使得负荷预测精度高；且采用单目标优化函数和多目标优化函数使得充电调度模型优化目标多样化，灵活性好，便于操作。本发明提供的能量管理系统包括充换电站调度优化模块以及分别连接在充换电站调度优化模块的输入端的容量配置模块、充电负荷需求预测模块和外部电网电价模块。

Description

一种电动公交车充换电站的能量管理方法及系统

技术领域

本发明属于电动公交车领域，更具体地，涉及一种电动公交车充换电站的能量管理方法及系统。

背景技术

能源与环境已成为当前全球最为关注的问题，能源是经济的基础，而环境是制约经济和社会发展的重要因素。节能和环保的客观需求促使公交车朝电动化方向发展，随之也推动了服务于大规模电动公交车的充换电站等基础设施的建设。现阶段，我国国内充换电站的服务对象以公交车、出租车、公务车等群体用户为主。然而，充换电站在运营管理过程中，由于不能准确把握新能源发电出力、充电负荷需求、换电需求的变化规律和趋势，充、换环节都处于无序状态，致使整体的经济性运行得不到很好的保障。

目前，有少量机构已经着眼于电动车充换电站有序充电管理技术研究，然而仍存在诸多的不足和缺陷。已有技术中所考虑的充换电站服务公交车数量少，站内备用电池多，这显然不符合充换电站建设和运营的经济性要求；在充电负荷建模中，充换电站服务的公交车普遍规模小，普遍利用公交车发车规则计算换电需求，负荷需求建模简单，而实际运行中公交车的发车规则会随机灵活调动，易受交通状况、天气、电池容量及司机驾驶习惯的影响；此外现有技术中关于充电优化调度多采用固定的充电优化模型，且充换电站规模较小，对充电负荷需求预测较简单。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种电动公交车充换电站的能量管理方法，旨在解决充电负荷需求模型简单导致负荷预测精度低的问题。

本发明提供了一种电动公交车充换电站的能量管理方法，包括下述步骤：

S1：建立充电负荷需求预测模型；

所述充电负荷需求预测模型包括逐小时换电车辆数预测模型、充电起始时刻预测模型、换电前行驶里程模型、充电时长模型和充电负荷模型；

S2：根据充电负荷需求预测模型计算充电负荷需求；

S3：根据充电负荷需求对充电机工作状态进行优化调度。

更进一步地，所述逐小时换电车辆数预测模型S_t(i+1)＝f(X(i+1)，S_t(i))的建立方法具体为：

(1)对历史数据中电动公交车每日每时段的换电次数和换电星期类型进行抽取；

(2)利用反传播神经网络建立预测网络，所述预测网络的输入量S_t(i)为预报前日i逐小时换电车辆数，所述预测网络的输入量X(i+1)为预报日(i+1)的星期类型指数；所述预测网络的目标量S_t(i+1)为预报日(i+1)逐小时换电车辆数；

(3)对步骤(1)中抽取的历史数据进行归一化处理后再对所述预测网络进行训练得到预测模型S_t(i+1)＝f(X(i+1)，S_t(i))；

(4)将预报前日i逐小时换电车辆数S_t(i)和预报日(i+1)的星期类型X(i+1)进行归一化处理后代入所述预测模型中，并对预测模型的输出结果进行反归一化处理得到预报日逐小时换电车辆数S_t(i+1)；

其中，i表示预报前日，(i+1)表示预报日，S_t(i+1)为预报日逐小时换电车辆数，X(i+1)为预报日的星期类型指数，S_t(i)为预报前日逐小时换电车辆数，t表示小时时段的序号。

更进一步地，所述充电起始时刻预测模型T₀ ^t，j～U[t，t+1]是根据充电起始时刻T₀服从均匀分布获得的，其概率密度函数为：

其中，T₀ ^t为第t个时段至第t+1个时段之间的充电起始时刻，j为第t个时段至第t+1个时段之间的逐小时换电车辆数的序号，j∈{1，2…S_t(i+1)}，T₀ ^t，j为在第t个时段至第t+1个时段之间的第j辆车电池箱的充电起始时刻；U[]表示均匀分布。

更进一步地，所述换电前行驶里程模型

是根据历史数据中换电前行驶里程的统计结果服从混合高斯分布获得；

其中， $\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_r=1,$ $p_r\left(d\right|{\mathrm{\θ}}_r)=\frac{1}{\sqrt{2{\mathrm{\π\σ}}_r^2}}{e}^{-\frac{{(d-{\mathrm{\μ}}_r)}^2}{2{\mathrm{\σ}}_r^2}},$ m为混合高斯分布的分类，r为类别号，密度参数Θ＝(α₁，α₂…α_m，θ₁，θ₂…θ_m)，α_r为第r个成分所占比例，θ_r＝{μ_rσ_r ²}为第r个单高斯的参数，μ_r为第r个单高斯的均值，σ_r ²为第r个单高斯的方差。

更进一步地，所述充电时长模型

建立的方法具体为：

(1)根据换电前行驶里程数据d确定电池充电的初始荷电状态 ${{\mathrm{SOC}}_0}^n=1-\frac{d_n{\mathrm{\η}}_{\mathrm{veh}}}{{C_b}^n};$

(2)根据电池充电的初始荷电状态及电池充电特性获得充电时长 ${T_c}^n=\frac{d_n{\mathrm{\η}}_{\mathrm{veh}}}{P_N};$

其中，SOC₀ ⁿ为第n辆车电池箱换电前的初始荷电状态(initial state ofcharge，SOC₀)，C_b ⁿ为第n辆车电池箱的额定总容量；n为按充电起始时间由小到大排序后的车辆序号；n∈{1，2…N(i+1)}，N(i+1)为预报日车辆换电总数；T_c ⁿ为第n辆车的充电时长，d_n为第n辆车换电前的行驶里程，η_veh为行驶能耗比，P_N为充电机的额定功率。

更进一步地，所述充电负荷模型

建立的方法具体为：

(1)根据充电机额定的充电功率累加可得第n辆车换电电池箱在u时段充电功率

(2)根据第u时段充电功率P_n，u获得充电负荷需求

n∈{1，2…N(i+1)}，N(i+1)为预报日车辆换电总数，

其中，u表示分钟时段的序号；将所有小时时段内多个T₀ ^t，j按充电起始时间由小到大进行排序，

为排序后的序列中的第n个充电起始时刻。

更进一步地，在步骤S3中采用单目标优化函数

或多目标优化函数 $\min {\mathrm{\λ}}_1\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{\left(\underset{n=1}{\overset{N(i+1)}{\mathrm{\Σ}}}{P}_{N}f(n,u)\right)}^2+(1-{\mathrm{\λ}}_1)\underset{n=1}{\overset{N(i+1)}{\mathrm{\Σ}}}\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{P}_N{p}_e\left(u\right)f(n,u)\mathrm{\Δu}$ 对充电机工作状态f(n，u)进行优化调度；

其中，n为按充电起始时间由小到大排序后的车辆序号；n∈{1，2…N(i+1)}，N(i+1)为预报日车辆换电总数，u表示分钟时段的序号，U为分钟时段的总时段数，P_N为充电机的额定功率，p_e(u)为第u个分钟时段的电网售电价格，f(n，u)为决策变量，表示与第n辆车卸下的电池组连接的充电机在第u个时段的工作状态，Δu为分钟时间间隔；λ₁为负荷波动所占的权重。

更进一步地，单目标优化函数的约束条件包括充电时长约束和同时工作的充电机台数约束；

所述充电时长约束为：在T_open～T_close-th+1时间段内，

$\underset{u=1}{\overset{{u_0}^n}{\mathrm{\Σ}}}f(n,u)=0,$ $\underset{u={u_1}^n}{\overset{U}{\mathrm{\Σ}}}f(n,u)=0;$ 在T_close-th+1～T_close时间段内，

$\underset{u=1}{\overset{{u_0}^n}{\mathrm{\Σ}}}f(n,u)=0,$ $\underset{u={u_1}^n}{\overset{U}{\mathrm{\Σ}}}f(n,u)=0;$

其中，T_open为电站运营的起始时刻；T_close为电站运营的结束时刻，th为电池组从换电结束到再次使用的时间间隔，

u₀ ⁿ为可充电的起始分钟时段的序号，u₁ ⁿ为电池组充满电再次换电的分钟时段的序号，T_swap换电所需时间，N_batt为充换电站备用电池组数目，S_s为服务工位；

所述同时工作的充电机台数约束为：

其中，n_min为允许同时工作充电机的台数的最小值，n_max为允许同时工作充电机的台数的最大值，

P_line为线路容量，C_T为充换电站变压器容量，P_d-o为电网调峰指令；

所述多目标优化函数的约束条件包括：充电时长约束、同时工作的充电机台数约束和二次函数分段线性化约束；

所述二次函数分段线性化约束为：分段负荷和等于该时段的总充电负荷L为第u分钟时段至第u+1分钟时段之间的分段数，l为第u分钟时段至第u+1分钟时段之间的分段序号，δ_l(u)为线性化之后第u时段中第l段负荷的大小， $0\≤{\mathrm{\δ}}_l\left(u\right)\≤\frac{n_{\max }{P}_N}{L}.$

本发明提供的电动公交车充换电站的能量管理方法中，充电负荷需求预测模型包括逐小时换电车辆数预测模型、充电起始时刻预测模型、换电前行驶里程模型和充电时长模型和充电负荷模型；充电负荷需求模型更符合实际情况使得负荷预测精度高；且采用单目标优化函数和多目标优化函数使得充电调度模型优化目标多样化，灵活性好，便于操作。

本发明还提供了一种电动公交车充换电站的能量管理系统，包括充换电站调度优化模块以及分别连接在所述充换电站调度优化模块的输入端的容量配置模块、充电负荷需求预测模块和外部电网电价模块；所述充换电站调度优化模块的输出端用于连接充电调度输出模块；所述容量配置模块用于配置充换电站的基本信息；所述充电负荷需求预测模块用于根据历史数据建立充电负荷需求预测模型；所述外部电网电价模块用于输入当日配网实时电价信息；所述充换电站调度优化模块用于根据容量配置模块的输出、充电负荷需求预测模块的输出和外部电网电价模块的输出对目标充电优化模型进行计算获得充电机的工作状态。

更进一步地，所述充电负荷需求预测模块包括：逐小时换电车辆数预测模块、充电起始时刻预测模块、换电前行驶里程模块、充电时长计算模块和充电负荷计算模块；所述逐小时换电车辆数预测模块的输出端分别连接所述充电起始时刻预测模块的输入端与所述换电前行驶里程模块的输入端，所述换电前行驶里程模块的输出端连接至所述充电时长计算模块的输入端，所述充电起始时刻预测模块的输出端和所述充电时长计算模块的输出端连接至所述充电负荷计算模块的输入；所述逐小时换电车辆数预测模块用于获得预测逐小时换电车辆数及换电总车辆数，所述充电起始时刻预测模块根据所述逐小时换电车辆数预测模块的输出建立充电起始时刻序列，所述换电前行驶里程模块根据所述逐小时换电车辆数预测模块的输出获取换电前行驶里程序列，所述充电时长计算模块根据所述换电前行驶里程模块的输出计算得到充电时长序列，所述充电负荷计算模块根据所述充电起始时刻预测模块和充电时长计算模块的输出对充电负荷进行计算，得到充电负荷需求。

本发明提供的能量管理系统适用于大型充换电站，该大型充换电站具有可服务大规模电动公交车充换电和站内备用电池少的特点；根据充换电站的历史运营数据建立了充换电负荷需求预测模型，该模型考虑了影响电动公交车运行的实际因素如：天气、交通状况、司机驾驶习惯、电池容量等；而后其输出作为优化调度模块的输入，建立了两种充电优化调度模型，分别为充电成本最小单目标充电优化模型、经济及负荷波动的多目标充电优化模型，充换电站经营者根据需求进行充电优化调度方案的选取；本电动公交车充换电站的能量管理方法及系统可以实现电动公交车充换电的经济运营，可为充换电站的运营提供指导。

附图说明

图1是本发明实施例提供的电动公交车充换电站的能量管理方法实现流程图；

图2是本发明实施例提供的电动公交车充换电站每日每时段换电车辆数预测模型；

图3是本发明实施例提供的电动公交车充换电站车辆换电前行驶里程模型流程图；

图4是本发明实施例提供的电动公交车充换电站充电负荷需求预测程序流程框图；

图5是本发明实施例提供的单目标充电优化模型优化结果图；

图6是本发明实施例提供的多目标充电优化模型优化结果图；

图7是本发明实施例提供的电动公交车充换电站功能示意图；

图8是本发明实施例提供的电动公交车充换电站能量管理系统流程框图；

图9是本发明实施例提供的能量管理系统充电负荷需求模块的具体结构。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

本发明提供的电动公交车充换电站的能量管理方法，如图1所示，具体包括下述步骤：

S1：建立充电负荷需求预测模型；

S2：根据模型计算充电负荷需求；

S3：根据充电负荷需求对充电机工作状态进行优化调度。

在步骤S1中，充电负荷需求预测模型包括：逐小时换电车辆数预测模型、充电起始时刻预测模型、换电前行驶里程模型、充电时长模型和充电负荷模型。

(1)逐小时换电车辆数预测模型的建立方法包括下述步骤：

(1.1)对历史数据中电动公交车每日每小时时段的换电次数和换电星期类型进行抽取；其中，历史数据包括电动公交车每日每小时时段的换电次数、换电时刻、换电前行驶里程及换电星期类型等数据；

(1.2)利用反传播(back propagation，BP)神经网络建立预测网络，如图2所示，预测网络的输入量S_t(i)为预报前日i逐小时换电车辆数，输入量X(i+1)为预报日(i+1)的星期类型指数，目标量S_t(i+1)为预报日(i+1)逐小时换电车辆数，t表示小时时段的序号，t的取值范围为1，2，...，24，预测网络是指逐小时换电车辆预测网络。

(1.3)对步骤(1.1)中抽取的历史数据进行归一化处理后使得预测网络的输入量和目标量数据属于[0，1]，再对所述预测网络进行训练得到预测模型；其中，训练方法中BP神经网络隐含层的激活函数采用Sigmoid的非线性函数，BP神经网络隐含层的训练函数为Bayes规范化函数，隐含层神经元的个数需要根据网络性能的优劣确定，需要不断的筛选。最终确定了模型的参数，输入节点为25个，输出节点为24个，隐含层节点个数为30。训练结束后输出数据与输入数据形成了固定的函数关系为：(预测模型为逐小时换电车辆预测模型S_t(i+1)＝f(X(i+1)，S_t(i))。

(1.4)将预报前日逐小时换电车辆数S_t(i)和预报日的星期类型X(i+1)进行归一化处理后代入预测模型S_t(i+1)＝f(X(i+1)，S_t(i))中；再对预测模型的输出结果进行反归一化处理得到预报日逐小时换电车辆数S_t(i+1)。

(2)充电起始时刻T₀抽取模型的建立方法包括下述步骤：

假设电池上架时刻即电池可充电的起始时刻T₀，假设电池换电结束的时刻T₀服从均匀分布T₀ ^t，j～U[t，t+1]，U[]表示服从均匀分布，其概率密度函数为：

其中，其中，T₀ ^t为第t个时段至第t+1个时段之间的充电起始时刻，j为第t个时段至第t+1个时段之间的逐小时换电车辆数的序号，j∈{1，2…S_t(i+1)}，T₀ ^t，j为在第t个时段至第t+1个时段之间的第j辆车电池箱的充电起始时刻；U[]表示均匀分布，此处由于车辆换电结束时刻主要是受充换电站的服务能力限制，换电机器人的换电所需时间比较均匀，因而选用均匀分布描述。

(3)换电前行驶里程d模型的建立方法如下：

如图3所示，对历史数据中的换电前行驶里程进行统计，统计结果服从混合高斯分布(Gaussian mixture model，GMM)，得到换电前行驶里程(d)模型为： $p\left(d\right|\mathrm{\Θ})=\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_r{p}_r\left(d\right|{\mathrm{\θ}}_r),$ $\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_r=1,$ $p_r\left(d\right|{\mathrm{\θ}}_r)=\frac{1}{\sqrt{2{\mathrm{\π\σ}}_r^2}}{e}^{-\frac{{(d-{\mathrm{\μ}}_r)}^2}{2{\mathrm{\σ}}_r^2}};$ 式中：m为GMM的分类，r为类别号，密度参数Θ＝(α₁，α₂…α_m，θ₁，θ₂…θ_m)，α_r为每个成分所占比例，参数θ_r＝{μ_r σ_r ²}为每个单高斯的参数，μ_r为第r个单高斯的均值，σ_r ²为第r个单高斯的方差。

对上述密度参数进行估计的步骤如下：

(3.1)对历史数据中换电前行驶里程数据集合d进行分析，d＝{d₁，d₂…d_W}，总计有W个数据，w∈{1，2…W}；初步确定分类的类别数m，r∈{1，2…m}；

(3.2)由K均值聚类算法对换电前行驶里程数据d进行聚类，利用m类的均值作为μ_r0，并计算标准差σ_r0；α_r0为每类换电前行驶里程数据样本数占m类总样本数的比例；参数Θ⁰＝(α₁ ⁰，α₂ ⁰…α_m ⁰，θ₁ ⁰，θ₂ ⁰…θ_m ⁰)作为最大期望算法(expectation maximization，EM)的初始值。

(3.3)采用EM算法对满足GMM模型的参数进行参数估计，EM算法如下：

A、估计步骤(expectation step，E步)，计算出数据项d_W产生于成分y_W的后验概率分布： $\begin{array}{c}p(y_w=r|d_w,{\mathrm{\Θ}}^g)=\frac{p\left(d_w\right|y_w=r,{\mathrm{\Θ}}^g)p(y_w=r|{\mathrm{\Θ}}^g)}{p\left(d_w\right|{\mathrm{\Θ}}^g)}\\ =\frac{{\mathrm{\α}}_r^g{p}_r\left(d_w\right|{\mathrm{\θ}}_r^g)}{\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_r^g{p}_r\left(d_w\right|{\mathrm{\θ}}_r^g)}={\mathrm{\Ψ}}_{\mathrm{wr}}\end{array}$

式中：Ψ_wr可看成是混合成分r对数据项d_W的响应，或是d_W对混合成分r的贡献，第g次的估计值为Θ^g。

B、最大化步骤(maximization step，M步)，对E步计算得到的完整似然函数的期望值求极大值，得到参数新的估计值，更新权值：

${\mathrm{\α}}_r^{g+1}=\frac{\underset{w=1}{\overset{W}{\mathrm{\Σ}}}{\mathrm{\Ψ}}_{\mathrm{wr}}}{W},$ ${\mathrm{\μ}}_r^{g+1}=\frac{\underset{w=1}{\overset{W}{\mathrm{\Σ}}}{\mathrm{\Ψ}}_{\mathrm{wr}}{d}_w}{\underset{w=1}{\overset{W}{\mathrm{\Σ}}}{\mathrm{\Ψ}}_{\mathrm{wr}}},$ ${\mathrm{\σ}}_r^{g+1}=\frac{\underset{w=1}{\overset{W}{\mathrm{\Σ}}}{\mathrm{\Ψ}}_{\mathrm{wr}}{(d_w-{\mathrm{\μ}}_r^{g+1})}^2}{\underset{w=1}{\overset{W}{\mathrm{\Σ}}}{\mathrm{\Ψ}}_{\mathrm{wr}}};$ 式中：W为行驶里程d的样本总数。

C、收敛条件：不断迭代E和M步骤，重复更新M步的三个参数即Θ^g+1，直到高斯密度参数不再发生显著变化，即|Θ^g+1-Θ^g|＜ε，通常ε＝10^-5。

图3为GMM参数估计的流程，关于初值选取本文采用K均值方法，初步设置为7类，，计算过程中选取迭代步G＝120步，迭代门限值ε＝10^-5。通过上述步骤，最终得到密度参数Θ，确定了

的表达式。

(4)充电时长T_c模型的建立方法如下：

根据换电前行驶里程数据d确定电池充电的初始荷电状态(initial stateof charge，SOC₀)：

SOC₀ ⁿ为第n辆车电池箱换电前的SOC₀，d_n为第n辆车换电前的行驶里程，η_veh为行驶能耗比，kWh/km；C_b ⁿ为第n辆车电池箱的额定总容量，单位为kWh；n为按充电起始时间由小到大排序后的车辆序号；n∈{1，2…N(i+1)}，N(i+1)为预报日车辆换电总数。

电池在充电过程对端电压的影响较小，电池在充电过程中可以看作恒功率充电。此外虽然充电机效率η会随充电负荷变化而发生细微变化，但电池充电功率绝大部分时间维持在恒功率附近。

第n辆车的电池充电时长T_c ⁿ为：

P_N为充电机的额定功率，kW。将 ${{\mathrm{SOC}}_0}^n=1-\frac{d_n{\mathrm{\η}}_{\mathrm{veh}}}{{C_b}^n}$ 代入上式可得： ${T_c}^n=\frac{d_n{\mathrm{\η}}_{\mathrm{veh}}}{P_N},$ 可以看出充电时长与电池箱的容量C_b ⁿ无关。

(5)充换电站充电负荷P_u建模的建立方法如下：

按照即充的原则，根据充电机额定的充电功率累加可得充电负荷功率曲线。充电负荷计算以天为单位，全天24h平均划分为U个时段，U可以取24的倍数，此处取值为U＝96，每个时间段为15分钟。P_n，u为第n辆车换电电池箱在u时段充电功率，kW，取值范围为

将所有小时时段内多个T₀ ^t，j按充电起始时间由小到大进行排序，

为排序后的序列中的第n个充电起始时刻；由于T₀ ⁿ与T_c ⁿ单位都是小时，因此需要变为分钟后，再换算到15分钟时段内，

代表向上取整，u表示分钟时段的序号。则第u时段总充电负荷P_u为所有电池此刻充电功率之和，充电负荷需求可表示为：

n∈{1，2…N(i+1)}，N(i+1)为预报日车辆换电总数，

在本发明实施例中，步骤S2根据模型计算充电负荷需求P_u具体包括下述步骤：

S21：采用蒙特卡洛方法计算充电负荷需求，如图4所示，将充换电站的配置信息，如双向充电机功率P_N，时段总数U，行驶能耗比η_veh等作为负荷需求预测计算系统的输入参数，而后调用逐小时换电车辆数预测模型得出预报日逐时换电序列S_t(i+1)，总数为N(i+1)；而后抽取N(i+1)个服从均匀分布换电结束时刻及服从GMM分布的换电前行驶里程。而后计算电池的充电时长，根据充电的起始时刻以及充电时长，计算得出总充电负荷。而后利用方差系数作为评判蒙特卡洛方法模拟精度：

β_τ，u为第u时段充换电站充电负荷的方差系数，h_τ，u、σ_τ，u分别为第u时段累计τ次迭代时充换电站充电负荷的期望及标准差，τ为当前迭代次数。

以各时间点中方差最大值作为判断依据。若满足迭代约束则停止计算，否则继续，收敛结束需要满足：max(β_τ)≤β。其中，β_τ为τ次迭代所有时刻的方差系数组成的数组，即β_τ＝{β_τ，1，β_τ，2…β_τ，U}。β是收敛阈值，此处选取方差系数不能超过0.05％。

S22：采用每天平均绝对误差百分比DMAPE(daily mean absolutepercentage error，DMAPE)和均方根误差RMSE(root mean square error，RMSE)对充电负荷需求预测结果评估，DMAPE评估模型的预测能力，

RMSE评估整个系统预测值的离散程度，

式中：P_fu和P_u分别为实际和预测的充电负荷需求；P_s为额定充换电站充电功率，由充换电站充电机台数及单台充电机额定功率决定。

在本发明实施例中，步骤S3根据充电负荷需求P_u对充电机工作状态f(n，u)进行优化具体包括：

所述的充换电站运行调度优化模型，在预报前日根据负荷需求预测P_u、电网电价的信息p_e及站内电站配置的约束，实现充换电站内部充电优化运行。其中所述的对电动公交车充电需求进行协调控制的操作具体包括：

(1)设置充换电站的基本参数，如：充换电站的备用电池数目、服务工位数S_s、机器人换电时长T_swap、充电机充电功率P_N、变压器容量C_T、外部电网电价p_e。

(2)将负荷需求预测模型的输出P_u组成的U×1矩阵作为充换电优化调度模型的输入；U为总时段数；

(3)基于电池均衡使用的原则，根据电池充电时长的限制，确定从电池上架到再次使用前的时长，并获得控制充电的起始时间和充电结束时间的理论值：

$\mathrm{th}=\frac{T_{\mathrm{swap}}{N}_{\mathrm{batt}}}{60S_s};$ 式中：u₀ ⁿ为可充电的起始分钟时段的序号，u₁ ⁿ为电池组充满电再次换电的分钟时段的序号。th为电池组从换电结束到再次使用的时间间隔，单位为小时；T_swap换电所需时间，单位为分钟，N_batt为充换电站备用电池组数目，S_s为服务工位。

(4)建立了两种充电优化调度模型可供充换电站的运营者根据实际需求选取，基于充电成本最小建立了单目标充电优化模型，基于经济及负荷波动的建立了多目标充电优化模型。

(4-1)根据充换电站充电成本最小，确定单目标优化函数

P_N为额定充电功率，kW；p_e(u)为第u个时段的电网售电价格，￥/kWh；U个p_e(u)组成的序列称为电网电价信息p_e；f(n，u)为决策变量；f(n，u)表示与第n辆车卸下的电池组连接的充电机在第u时段的工作状态，f(n，u)＝1，表示充电机在第u时段的工作；f(n，u)＝0，表示充电机不工作。所有换电电池组的每时刻的充电状态构成决策矩阵为F_N(i+1)，U，其中f(n，u)为其中的一个元素；Δu为时间间隔。

单优化调度模型表示充换电站在U个时间段中，对N(i+1)组电池组充电成本最小，以此作为优化调度模块中的一个控制目标，供上层用户选择。

(4-2)此外电动公交车充换电站还需对电网负责，应在追求经济利益的同时，减小充电负荷波动，因此引入了多目标优化函数： $\min {\mathrm{\λ}}_1\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{\left(\underset{n=1}{\overset{N(i+1)}{\mathrm{\Σ}}}{P}_{N}f(n,u)\right)}^2+(1-{\mathrm{\λ}}_1)\underset{n=1}{\overset{N(i+1)}{\mathrm{\Σ}}}\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{P}_N{p}_e\left(u\right)f(n,u)\mathrm{\Δu};$ 其中λ₁负荷波动所占的权重。表示充换电站在U个时间段中，N(i+1)组电池组的充电成本和充电负荷波动最小，以此作为优化调度模块中另一个控制目标，供上层用户选择。

(5)确定单目标优化函数和多目标优化函数的约束条件：

(5.1)充电时长约束：

(5.1.1)当换电结束时刻u₀ ⁿ，在T_open～T_close-th+1时间段内，决策变量f(n，u)满足如下约束；其中T_open为电站运营的起始时刻，min；T_close为电站运营的结束时刻，min；

$\underset{u=1}{\overset{{u_0}^n}{\mathrm{\Σ}}}f(n,u)=0,$ $\underset{u={u_1}^n}{\overset{U}{\mathrm{\Σ}}}f(n,u)=0;$

(5.1.2)当换电结束时刻u₀ ⁿ，在T_close-th+1～T_close时间段内，决策变量f(n，u)满足如下约束：

$\underset{u=1}{\overset{{u_0}^n}{\mathrm{\Σ}}}f(n,u)=0,$ $\underset{u={u_1}^n}{\overset{U}{\mathrm{\Σ}}}f(n,u)=0;$ 式中：表示各个电池组均需要在规定的充电时间段内完成充电，使得电池充电水平达到充电所需求的最终充电水平，以备下次轮换使用。

(5.2)同时工作的充电机台数约束： $n_{\min }\≤\underset{n=1}{\overset{N(i+1)}{\mathrm{\Σ}}}f(n,u)\≤n_{\max };$ n_min为允许同时工作充电机的台数的最小值，n_max为允许同时工作充电机的台数的最大值，

P_line为线路容量，C_T为充换电站变压器容量，P_d-o为电网调峰指令。

(5.3)步骤(4-2)中可以看出多目标优化函数的第一项为一个二次函数，则多目标函数变换为二次整数规划问题。对于大型充换电站而言，由于决策变量数目较大，会使得计算时间和规模急剧增大，为了加快求解速度，采用二次函数分段线性化约束将多目标函数线性化。第u时段负荷的平方可表示为： ${\left(\underset{n=1}{\overset{N(i+1)}{\mathrm{\Σ}}}{P}_{N}f(n,u)\right)}^2=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\α}}_l\left(u\right){\mathrm{\δ}}_l\left(u\right);$ L为第u分钟时段至第u+1分钟时段之间的分段数，l为第u分钟时段至第u+1分钟时段之间的分段序号，α_l(u)为线性化之后第u时段的第l段负荷的斜率，计算式为：

n_max为系统最大允许同时工作充电机的台数，δ_l(u)为线性化之后第u时段第l段负荷的大小，取值范围为：

分段负荷和必须等于该时段的总充电负荷：

二次函数分段线性化约束可使多目标函数由二次混合整数规划问题转换为一次混合整数规划问题，使得求解更加简单容易。

其中单目标充电优化函数服从(5.1)-(5.2)的约束；多目标充电优化函数服从(5.1)-(5.3)的约束。

(6)求解上述优化问题，优化时段是从预报日早上电站运营起始时刻T_open-预测第二天早上T_open，求解电池组对应的充电机充电状态矩阵F_{N(i+1)， U}，由上层调度指令向电池组所对应的充电机发出控制信号，控制充电机的运行状态，综上所述得到优化后的充电机工作状态。

本发明在建立充电负荷需求预测的基础上，建立了两种大规模充换电站的充电优化模型可供电动公交车充换电站经营者选取。图5和图6分别为单目标及多目标优化模型的优化充电图。图中红色曲线为采用图2得出的逐小时换电车辆数预测模型的输出，作为图4的输入计算得出的充电负荷需求P_u；绿色曲线表示的是电网电价p_e。采用充电成本 $\underset{n=1}{\overset{N(i+1)}{\mathrm{\Σ}}}\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{P}_N{p}_e\left(u\right)f(n,u)\mathrm{\Δu}$ 和负荷波动 ${\mathrm{\λ}}_1\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{\left(\underset{n=1}{\overset{N(i+1)}{\mathrm{\Σ}}}{P}_{N}f(n,u)\right)}^2$ 两个指标评估优化模型，表一为单目标、多目标优化结果与优化前的充电负荷需求的对比。

方案	充电成本(￥)	负荷波动(kW2)
			优化前	37924.826	474006400
单目标	32688.7673	513461200
			多目标	34126.830	410061400

表一

从表一中可以发现单目标优化的充电成本最低，但是负荷波动却是最大的。而多目标优化在λ₁＝10^-4时，充电成本较单目标略多，但依然比优化前的充电成本小，且负荷波动也是最小的。从结果看两种优化目标各有好处，可以运营者可以根据上级电网的要求进行相应方案的选取。

本发明提出的能量管理方法综合考虑了影响电动公交车负荷需求预测的实际因素，如：公交车的发车规则、交通状况、客流量、天气情况、电池容量及司机驾驶习惯等影响，提出了一种较通用的可适用于大规模电动公交车充换电站负荷需求预测的方法，而后根据充电优化调度的目标不同，提出了两种调度充电优化模型供充换电站经营者选择。

本发明的优点在于充换电站服务对象规模较大，服务的电动公交路线多，且站内备用电池少；根据充换电站的历史运营数据建立了充换电负荷需求预测模型，该模型考虑了影响电动公交车运行的实际因素如：天气、交通状况、司机驾驶习惯、电池容量等；而后其输出作为优化调度模块的输入，建立了两种充电优化调度模型，分别为充电成本最小单目标充电优化模型、经济及负荷波动的多目标充电优化模型，充换电站经营者根据需求进行充电优化调度方案的选取。本电动公交车充换电站的能量管理方法及系统可以实现电动公交车充换电的经济运营，可为充换电站的运营提供指导。

本发明涉及电动公交车充换电站能量管理系统，特别是涉及一种服务多条公交路线的备用电池有限的充换电站进行实时监控、预测、控制和管理的电动公交车充换电站能量管理系统。本发明提供的电动公交车充换电站能量管理系统是由负荷预测和充放电优化调度两部分组成。其中负荷预测是通过对电动公交车到站换电的运行规律进行建模，建立换电电池充电起始时刻、初始荷电状态(SOC₀)、功率，该模型充分考虑了随机因素对电动公交车运行的影响。此外在建立充电负荷需求预测模型的基础上，可以为充换电站的有序控制提供基础。充换电站在为电动公交车用户提供充换电服务时，应当充分考虑电网负载状况，电网电价以及用户的需求，在保证系统运行安全和最大充电限度服务电动公交车用户的同时，力争提高一体化电站的运营经济效益，则充换电站的优化运行与调度控制策略主要分为以下几个部分：优化目标的选取、约束条件的确定以及调度控制策略的筛选。

图7为本发明应用的对象的运营模式示意图，电网、车辆、电池、太阳能电池板阵列(photovoltaic array，PV)、PV逆变器、双向充电机等将其功率、数据信息上传到电动汽车充换电站能量管理中心。车载终端将电池信息、车辆地理位置、运行里程等信息发送到能量管理中心，能量管理中心可根据这些数据在适当的时候给出返回站内换电的指令，一般司机根据其驾驶经验、线路特征、公交发车规则决定何时返回站内换电。当车辆进入充换电站的换电工位时，由充换电站的能量管理中心可下达指令给换电机器人，换电机器人将电动汽车的电池箱卸载后，转移到电池架上；而后机器人根据指令，装载选定的满电电池箱装入电动汽车上。能量管理中心可下发指令到双向充电机，从而对卸载到电池架上的电池进行充电。由于库存电池有限，并非集中到深夜充电，而是电池箱卸载上架后分散充电，该种充电模式减小了充换电站的配电容量，且电池箱及充电装置的利用率也得到提高。

图8示出了本发明实施例提供的电动公交车充换电站能量管理系统的原理框图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

能量管理系统包括：容量配置模块1、充电负荷需求预测模块2、外部电网电价模块3和充换电站调度优化模块4；容量配置模块1、充电负荷需求预测模块2和外部电网电价模块3分别连接在充换电站调度优化模块4的输入端，充换电站调度优化模块4的输出端用于连接充电调度输出模块5；容量配置模块1用于配置充换电站的基本信息；充电负荷需求预测模块2用于根据历史数据建立充电负荷需求预测模型；外部电网电价模块3用于输入当日配网实时电价信息；充换电站调度优化模块4用于根据容量配置模块1的输出、充电负荷需求预测模块2的输出和外部电网电价模块3的输出对目标充电优化模型进行计算获得充电机的工作状态。

其中，在电动公交车充换电站能量管理系统初始化阶段，使用者通过容量配置模块1输入充换电站的基本信息，该基本信息主要包括充电站的充电机数量N_c，每台充电机充电功率大小P_N，服务工位数S_s，换电时间T_swap，线路容量P_line，变压器的最大容量C_T，电网调峰指令P_d-O，充换电站备用电池组数目N_batt，每小时换电站服务能力S_bus，电站运营的起始时刻T_open，电站运营的结束时刻T_close，进而确定电池组再次使用的时间间隔th。

在每次计算开始调用充电负荷需求预测模块2，利用历史运营数据建立的负荷预测模块，将预报日的星期类型、前日车辆换电次数序列输入充电负荷需求预测模块2。充电负荷需求预测模块2每次执行以下操作：1)调用逐小时换电车辆数预测模块：预报前日逐小时换电车辆数和预报日的星期类型代入逐小时换电车辆预测模型计算预报日逐小时换电车辆数；2)基于1)模块的输出调用充电起始时刻预测模型，抽取预报日逐小时换电车辆的电池箱上架充电起始时刻；3)抽取预报逐小时换电车辆总数个的行驶里程；4)调用充电时长计算模块，计算出每组电池充电时长；5)调用充电负荷需求计算模块，计算方法采用蒙特卡洛方法，具体内容如图4所示。

调用电网信息时，通过外部电网电价模块3输入当日配网负载信息以及当日电价信息输入。

充换电站调度优化模块4包括单目标充电优化模型或多目标充电优化模型，建立了两种充电优化调度模型可供充换电站的运营者根据实际需求选取，基于充电成本最小建立了单目标充电优化模型基于经济及负荷波动的建立了多目标充电优化模型 $\min {\mathrm{\λ}}_1\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{\left(\underset{n=1}{\overset{N(i+1)}{\mathrm{\Σ}}}{P}_{N}f(n,u)\right)}^2+(1-{\mathrm{\λ}}_1)\underset{n=1}{\overset{N(i+1)}{\mathrm{\Σ}}}\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{P}_N{p}_e\left(u\right)f(n,u)\mathrm{\Δu}.$ 信息初始化之后，充换电站调度优化模块4根据充电模型的类型选取对应的约束条件，最终计算最优协调充电策略。约束条件包含充电时长约束、同时工作的充电机台数约束和二次函数分段线性化约束。

充电调度输出模块5根据充换电站调度优化模块4计算得到的充电机的工作状态发送给对应的充电机，并将充换电站调度优化结果以图表的结果展示，给预报日充换电站的运营提供日前的指导。

在本发明实施例中，如图9所示，充电负荷需求预测模块2包括：逐小时换电车辆数预测模块21、充电起始时刻预测模块22、换电前行驶里程模块23、充电时长计算模块24和充电负荷计算模块25。逐小时换电车辆数预测模块21的输出分别连接充电起始时刻预测模块22与换电前行驶里程模块23的输入，换电前行驶里程模块23连接到充电时长计算模块24的输入，最后充电起始时刻预测模块22和充电时长计算模块24连接到充电负荷计算模块25的输入。逐小时换电车辆数预测模块21用于获得预测逐小时换电车辆数及换电总车辆数，充电起始时刻预测模块22根据逐小时换电车辆数预测模块21的输出建立充电起始时刻序列，换电前行驶里程模块23根据逐小时换电车辆数预测模块21的输出获取换电前行驶里程序列，充电时长计算模块24根据换电前行驶里程模块23的输出计算得到充电时长序列，充电负荷计算模块25根据计算电起始时刻预测模块22和充电时长计算模块24的输出对充电负荷进行计算，得到充电负荷需求。

本发明提供的电动公交车充换电站的能量管理系统适用于充换电站的经济化运行，解决充换电无序的问题。本发明具有确保公交车辆的运营服务，同时提高电站整体运行经济性，可平滑电网的负荷波动，提前对运行策略进行预演和评估，能为电站的运营提供更好地决策支持与参考，提高电站运行效率；可以实现负荷预测和充电优化控制的功能，适用于电动汽车充换电站管理。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电动公交车充换电站的能量管理方法，其特征在于，包括下述步骤：

S1：建立充电负荷需求预测模型；

所述充电负荷需求预测模型包括逐小时换电车辆数预测模型、充电起始时刻预测模型、换电前行驶里程模型、充电时长模型和充电负荷模型；

S2：根据充电负荷需求预测模型计算充电负荷需求；

S3：根据充电负荷需求对充电机工作状态进行优化调度。

2.如权利要求1所述的方法，其特征在于，所述逐小时换电车辆数预测模型S_t(i+1)=f(X(i+1),S_t(i))的建立方法具体为：

（1）对历史数据中电动公交车每日每时段的换电次数和换电星期类型进行抽取；

（2）利用反传播神经网络建立预测网络，所述预测网络的输入量S_t（i）为预报前日i逐小时换电车辆数，所述预测网络的输入量X（i+1）为预报日（i+1）的星期类型指数；所述预测网络的目标量S_t（i+1）为预报日（i+1）逐小时换电车辆数；

（3）对步骤（1）中抽取的历史数据进行归一化处理后再对所述预测网络进行训练得到预测模型S_t(i+1)=f(X(i+1),S_t(i))；

（4）将预报前日i逐小时换电车辆数S_t（i）和预报日（i+1）的星期类型X（i+1）进行归一化处理后代入所述预测模型中，并对预测模型的输出结果进行反归一化处理得到预报日逐小时换电车辆数S_t（i+1）；

其中，i表示预报前日，（i+1）表示预报日，S_t（i+1）为预报日逐小时换电车辆数，X（i+1）为预报日的星期类型指数，S_t（i）为预报前日逐小时换电车辆数，t表示小时时段的序号。

3.如权利要求1所述的方法，其特征在于，所述充电起始时刻预测模型T₀ ^t,j～U[t，t+1]是根据充电起始时刻T₀服从均匀分布获得的，其概率密度函数为：

其中，T₀ ^t为第t个时段至第t+1个时段之间的充电起始时刻，j为第t个时段至第t+1个时段之间的逐小时换电车辆数的序号，j∈{1，2…S_t（i+1）}，T₀ ^t，j为在第t个时段至第t+1个时段之间的第j辆车电池箱的充电起始时刻；U[]表示均匀分布。

4.如权利要求1所述的方法，其特征在于，所述换电前行驶里程模型

是根据历史数据中换电前行驶里程的统计结果服从混合高斯分布获得；

其中， $\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_r=1,$ $p_r\left(d\right|\mathrm{\θ})=\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_r^2}}{e}^{-\frac{{(d-{\mathrm{\μ}}_r)}^2}{2{\mathrm{\σ}}_r^2}},$ m为混合高斯分布的分类，r为类别号，密度参数Θ=(α₁,α₂…α_m,θ₁,θ₂…θ_m)，α_r为第r个成分所占比例，θ_r={μ_rσ_r ²}为第r个单高斯的参数，μ_r为第r个单高斯的均值，σ_r ²为第r个单高斯的方差。

5.如权利要求1所述的方法，其特征在于，所述充电时长模型

建立的方法具体为：

（1）根据换电前行驶里程数据d确定电池充电的初始荷电状态 ${{\mathrm{SOC}}_0}^n=1-\frac{d_n{\mathrm{\η}}_{\mathrm{veh}}}{{C_b}^n};$

（2）根据电池充电的初始荷电状态及电池充电特性获得充电时长

${T_c}^n=\frac{d_n{\mathrm{\η}}_{\mathrm{veh}}}{P_N};$

其中，SOC₀ ⁿ为第n辆车电池箱换电前的初始荷电状态，C_b ⁿ为第n辆车电池箱的额定总容量；n为按充电起始时间由小到大排序后的车辆序号；n∈{1，2…N（i+1）}，N（i+1）为预报日车辆换电总数；T_c ⁿ为第n辆车的充电时长，d_n为第n辆车换电前的行驶里程，η_veh为行驶能耗比，P_N为充电机的额定功率。

6.如权利要求1所述的方法，其特征在于，所述充电负荷模型

建立的方法具体为：

（1）根据充电机额定的充电功率累加可得第n辆车换电电池箱在u时段充电功率

（2）根据第u时段充电功率P_n,u获得充电负荷需求

n∈{1，2…N（i+1）}，N（i+1）为预报日车辆换电总数，

其中，u表示分钟时段的序号；将所有小时时段内多个T₀ ^t,j按充电起始时间由小到大进行排序，

为排序后的序列中的第n个充电起始时刻。

7.如权利要求1所述的方法，其特征在于，在步骤S3中采用单目标优化函数

或多目标优化函数 $\min {\mathrm{\λ}}_1\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{\left(\underset{n=1}{\overset{N(i+1)}{\mathrm{\Σ}}}{p}_{N}f(n,u)\right)}^2+(1-{\mathrm{\λ}}_1)\underset{n=1}{\overset{N(i+1)}{\mathrm{\Σ}}}\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{P}_N{p}_e\left(u\right)f(n,u)\mathrm{\Δu}$ 对充电机工作状态f（n,u）进行优化调度；

其中，n为按充电起始时间由小到大排序后的车辆序号；n∈{1，2…N（i+1）}，N（i+1）为预报日车辆换电总数，u表示分钟时段的序号，U为分钟时段的总时段数，P_N为充电机的额定功率，p_e(u)为第u个分钟时段的电网售电价格，f（n,u）为决策变量，表示与第n辆车卸下的电池组连接的充电机在第u个时段的工作状态，Δu为分钟时间间隔；λ₁为负荷波动所占的权重。

8.如权利要求7所述的方法，其特征在于，单目标优化函数的约束条件包括充电时长约束和同时工作的充电机台数约束；

所述充电时长约束为：在T_open～T_close-th+1时间段内，

$\underset{u=1}{\overset{{u_0}^n}{\mathrm{\Σ}}}f(n,u)=0,$ $\underset{u={u_1}^n}{\overset{U}{\mathrm{\Σ}}}f(n,u)=0;$ 在T_close-th+1～T_close时间段内，

$\underset{u=1}{\overset{{u_0}^n}{\mathrm{\Σ}}}f(n,u)=0,$ $\underset{u={u_1}^n}{\overset{U}{\mathrm{\Σ}}}f(n,u)=0;$

其中，T_open为电站运营的起始时刻；T_close为电站运营的结束时刻，th为电池组从换电结束到再次使用的时间间隔，

u₀ ⁿ为可充电的起始分钟时段的序号，u₁ ⁿ为电池组充满电再次换电的分钟时段的序号，T_swap换电所需时间，N_batt为充换电站备用电池组数目，S_s为服务工位；

所述同时工作的充电机台数约束为：

其中，n_min为允许同时工作充电机的台数的最小值，n_max为允许同时工作充电机的台数的最大值，

P_line为线路容量，C_T为充换电站变压器容量，P_d-o为电网调峰指令；

所述多目标优化函数的约束条件包括：充电时长约束、同时工作的充电机台数约束和二次函数分段线性化约束；

所述二次函数分段线性化约束为：分段负荷和等于该时段的总充电负荷

L为第u分钟时段至第u+1分钟时段之间的分段数，l为第u分钟时段至第u+1分钟时段之间的分段序号，δ_l(u)为线性化之后第u时段中第l段负荷的大小，

9.一种电动公交车充换电站的能量管理系统，其特征在于，包括充换电站调度优化模块以及分别连接在所述充换电站调度优化模块的输入端的容量配置模块、充电负荷需求预测模块和外部电网电价模块；

所述充换电站调度优化模块的输出端用于连接充电调度输出模块；所述容量配置模块用于配置充换电站的基本信息；所述充电负荷需求预测模块用于根据历史数据建立充电负荷需求预测模型；所述外部电网电价模块用于输入当日配网实时电价信息；所述充换电站调度优化模块用于根据容量配置模块的输出、充电负荷需求预测模块的输出和外部电网电价模块的输出对目标充电优化模型进行计算获得充电机的工作状态。

10.如权利要求9所述的能量管理系统，其特征在于，所述充电负荷需求预测模块包括：逐小时换电车辆数预测模块、充电起始时刻预测模块、换电前行驶里程模块、充电时长计算模块和充电负荷计算模块；

所述逐小时换电车辆数预测模块的输出端分别连接所述充电起始时刻预测模块的输入端与所述换电前行驶里程模块的输入端，所述换电前行驶里程模块的输出端连接至所述充电时长计算模块的输入端，所述充电起始时刻预测模块的输出端和所述充电时长计算模块的输出端连接至所述充电负荷计算模块的输入；

所述逐小时换电车辆数预测模块用于获得预测逐小时换电车辆数及换电总车辆数，所述充电起始时刻预测模块根据所述逐小时换电车辆数预测模块的输出建立充电起始时刻序列，所述换电前行驶里程模块根据所述逐小时换电车辆数预测模块的输出获取换电前行驶里程序列，所述充电时长计算模块根据所述换电前行驶里程模块的输出计算得到充电时长序列，所述充电负荷计算模块根据所述充电起始时刻预测模块和充电时长计算模块的输出对充电负荷进行计算，得到充电负荷需求。

Images