CN105069251B - 一种基于情景模式仿真的电动汽车集群模型建模方法 - Google Patents
一种基于情景模式仿真的电动汽车集群模型建模方法 Download PDFInfo
- Publication number
- CN105069251B CN105069251B CN201510528794.3A CN201510528794A CN105069251B CN 105069251 B CN105069251 B CN 105069251B CN 201510528794 A CN201510528794 A CN 201510528794A CN 105069251 B CN105069251 B CN 105069251B
- Authority
- CN
- China
- Prior art keywords
- electric automobile
- scene
- msub
- mrow
- soc
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
一种基于情景模式仿真的电动汽车集群模型建模方法,所述方法在确定电动汽车各种可能发生的运行场景基础上,得到电动汽车各场景转换行驶里程分布曲线以及初始SOC0分布,然后采用基于拉丁超立方抽样的方法对电动汽车状态随机抽样,通过情景仿真建立电动汽车充放电负荷时序分布特性的统计模型,进一步建立规模化电动汽车的充放电集群模型。充放电集群模型以24小时为周期体现出规模化电动汽车时序分布特性。该模型能够体现大量的电动汽车广泛随机接入电网的充放电集聚特性。本发明为通过政策引导或是相关的激励措施来实现电动汽车有序充放电奠定了基础。
Description
技术领域
本发明涉及一种电动汽车集群模型建模方法,该方法是以24小时为周期利用情景仿真技术体现规模化电动汽车充放电时序分布特性的建模方法,属于电动汽车建模技术领域。
背景技术
电动汽车作为一种分布式新能源正在受到世界范围内的大力推广和应用。电动汽车作为移动式储能单元可与电网实现能量交互,但随机充放电特性使电动汽车的大规模接入对配电网运行带来严峻的挑战。因此,开展电动汽车充放电负荷建模工作,建立电动汽车充放电集群模型是电动汽车大规模应用的基础工作,对含电动汽车的配电网能量管理技术的进一步发展有着重要意义。
发明内容
本发明的目的在于提供一种基于情景模式仿真的电动汽车集群模型建模方法,该方法是以24小时为周期利用情景仿真技术体现规模化电动汽车充放电时序分布特性的建模方法。
本发明所述问题是以下述技术方案实现的:
一种基于情景模式仿真的电动汽车集群模型建模方法,所述建模方法能够体现大规模的电动汽车广泛随机接入电网的充放电集聚特性。首先定义电动汽车的各种情景,以及各情景间的转换约束;然后采取对电动汽车情景按时序随机抽样的方法,通过情景仿真建立规模化电动汽车时序分布负荷的统计模型,进一步建立规模化电动汽车的充放电集群模型。充放电集群模型以24小时为周期体现出规模化电动汽车时序分布特性。
上述一种基于情景模式仿真的电动汽车集群模型建模方法,所述方法按照以下步骤进行:
1)电池特性
现在市场主流的电动汽车动力电池有铅酸电池、镍基电池、钠硫电池、磷酸铁锂电池、空气电池等,其中,磷酸铁锂(LiFePO4)电池由于使用寿命长、安全性能好、成本低和环境友好将成为电动汽车的理想动力源。磷酸铁锂电池的主要特点如下:
a.超长寿命,其循环寿命可达2000次,是铅酸电池的5倍,镍氢电池的4倍,钴酸锂电池的4倍,锰酸锂电池的4.5倍;
b.安全性高,即使电池内部或外部受到损伤,电池也不燃烧、不爆炸;
c.材料环保且无需贵重的稀有金属;
d.充电速度快,自放电少,无记忆效应;
e.高温时,性能良好。
f.充电特性为:恒流充电阶段很快达到稳定,恒压充电阶段持续很短,充电电流很快衰减到0。
2)磷酸铁锂电池的充放电数学模型
描述磷酸铁锂电池充放电模型的数学方程如下:
公式中Uduan为电池端电压;i为充放电电流(以流出电池方向为电流正方向,故充电电流i<0;放电电流i>0);Q为电池标称容量;R为电池内电阻;K为电池极化常数;E0为电池恒定电势;A、B为电池充电指数段常数;S0为电池初始荷电状态SOC0,表示电池剩余电量。
当采用恒流-恒压充电方式时,磷酸铁锂电池的恒压充电过程较短,在近5h的充电过程中,恒压充电过程相对恒流充电过程来说十分短暂,因此,在研究锂电池充电特性及模型时,可忽略恒压充电过程,只考虑恒流充电过程。设充放电电流i为定值Ic,当电动汽车充电时IC<0,放电时IC>0。则:
a.当Uduan<Uduan_max时,i=IC=常数,代入式(1)、(2)计算得到Uduan;
b.当Uduan≥Uduan_max时,i=0,Uduan=Uduan_max。
充放电过程的电池功率为:
P=-Uduani (3)
对于给定类型的固定标称电压和容量的磷酸铁锂电池,可以根据给定的起始SOC0由公式(1)、(2)和(3)来计算磷酸铁锂电池的充电功率曲线。
上述一种基于情景模式仿真的电动汽车集群模型建模方法,确定各种可能发生的场景的具体方法如下:
在本发明中建立的电动汽车充放电集群模型涉及到多种场景,场景又以工作日和非工作日而不同。在工作日中具体的场景分为:生活区、工作区、餐厅。在非工作日中具体的场景分为:生活区、购物区、娱乐区和郊游。另外,在工作日和非工作日都要考虑一些突发情况,比如驾车去医院、去接待一些顾客等。这些突发情况可以归纳为临时场景。
在具体场景建立后,还应该考虑电动汽车在各种场景内满足的约束条件,以此来模拟实现电动汽车在各种场景间的合理转换。记工作日场景为W,非工作日为X;生活区场景为S、工作区为G、餐厅为C、购物区为M、娱乐区为Y和郊游为J;临时场景为L。
各种场景满足:
W={S,G,C,L} (4)
X={S,M,Y,J,L} (5)
1)工作日W中各种场景满足的约束条件
a.生活区S场景条件约束分析
在工作日从生活区到下一个场景的转换只能是餐厅、工作区和临时场景。根据日常用车情况,早上一般直接从家里出发到上班地点。如果中途停车买早点也是在很短的时间内进行的,并且停车买早点也不会进行充电,则这种情况可以忽略。因此,在工作日车辆在生活区只是向工作区场景转换。这里需要强调的是临时场景的考虑,临时场景作为一种小概率事件具有更高的响应等级,所以如果有突发情况发生,则车辆将由生活区到临时场景进行转换。对于临时场景的发生概率可认为5%。在生活区到下一场景的转换首先需要判断是向工作区还是临时场景转换。
电动汽车从生活区向工作区转移的条件约束为:
Tqj≥TSW (6)
TSW~U(8.55,9.45) (7)
β·SOCt≥SOCS-G (8)
式中:Tqj表示电动汽车抵达当前场景后进行下一场景转移的所停留的时间段;TSW表示电动汽车在生活区所需要停留的时间,停留的时间满足均匀分布,本发明中根据实际情况确定均匀分布的取值范围;β表示当前电动汽车最大可放电的修正系数,SOCt表示当前的荷电状态,SOCS-G表示从生活区到工作区转移所需最小的荷电量。
电动汽车从生活区向临时场景转移的条件约束为:
β·SOCt≥SOCS-L (9)
式中:SOCS-L表示从生活区到临时场景转移所需最小的荷电量。
b.工作区G场景条件约束分析
考虑一般工薪阶层工作日工作时长为8个小时,本发明中按照上午下午各工作4个小时处理。另外,需要考虑上班的时候可能早到或是晚到的情况,则上午或下午的工作时长满足一定的裕度,考虑误差需留出5%的裕度。在工作区可以转移的场景有餐厅、生活区和临时场景。在工作区到下一场景的转换首先需要进行时间判断,判断是上午还是下午。如果是上午则判断是向餐厅还是临时场景转换,如果是下午则需要判断时向餐厅、生活区或临时场景转移。
电动汽车从工作区向餐厅或是生活区转移的条件约束为:
Tqj≥TGW (10)
TGW~U(3.8,4.2) (11)
β·SOCt≥SOCG-C(β·SOCt≥SOCG-S) (12)
式中:TGW表示电动汽车在工作区所需要停留的时间,停留的时间满足均匀分布,本发明中根据实际情况确定均匀分布的取值范围;SOCG-C为从工作区到餐厅转移所需最小的荷电量;SOCG-S为从工作区到生活区转移所需最小的荷电量。
电动汽车从工作区向临时场景转移的条件约束为:
β·SOCt≥SOCG-L (13)
式中:SOCG-L为从工作区到生活区转移所需最小的荷电量。
c.餐厅C场景条件约束分析
电动汽车在餐厅场景可以向工作区、生活区转移。电动汽车在餐厅向其他场景转换首先需要判断时间是上午还是下午。如果时间是上午则电动汽车只能从餐厅向工作区转移,如果时间是下午则只能从餐厅向生活区转换。餐厅向其他场景转换只需要考虑电动汽车荷电状态。
电动汽车从餐厅向工作区场景转移的条件约束为:
β·SOCt≥SOCC-G (14)
电动汽车从餐厅向生活区场景转移的条件约束为:
β·SOCt≥SOCC-S (15)
式中:SOCC-G和SOCC-S分别表示从餐厅向工作区和生活区转换所需最小的荷电量。
d.临时场景L条件约束分析
工作日中电动汽车从临时场景的转换只考虑即到即返的情况。比如从工作区去车站接某位顾客或是从生活区去医院,停留时间比较短可以认为此过程中不需要进行充电,则认为电动汽车只是往返过程,对模型的影响仅仅表现在电量的消耗。则从临时场景的转换只需要判断上一场景,然后直接转移到上一场景。
2)非工作日X中各种场景满足的约束条件
a.生活区S场景条件约束分析
电动汽车从生活区到下一个场景的转换在本发明中简单地分为购物区、娱乐区、郊游和临时场景。这里需要说明的是,在当前的娱乐场所和购物场所一般都包含饮食在内,故本发明中在非工作日的场景转移中不考虑餐厅这一场景。
电动汽车从生活区向购物区、娱乐区和郊游场景转移都需要满足的条件约束为:
Tqj≥TSX (16)
TSX~U(9.5,10.5) (17)
电动汽车从生活区向购物区场景转移的其他条件约束为:
β·SOCt≥SOCS-M (18)
电动汽车从生活区向娱乐区场景转移的其他条件约束为:
β·SOCt≥SOCS-Y (19)
电动汽车从生活区向郊游场景转移的其他条件约束为:
β·SOCt≥SOCS-J (20)
电动汽车从生活区向临时场景转移的其他条件约束为:
β·SOCt≥SOCS-L (21)
式中:Tqj表示电动汽车抵达当前场景后进行下一场景转移的所停留的时间,TSX为非工作日电动汽车在生活区所需要停留的时间,停留的时间满足均匀分布,本发明中根据实际情况确定均匀分布的取值范围;SOCS-M、SOCS-Y、SOCS-J和SOCS-L分别表示从生活区到购物区、娱乐区、郊游和临时场景转换所需最小的荷电量。从生活区向不同的的场景转换要根据人们日常的生活习惯来划分不同的比例。
b.购物区M场景条件约束分析
电动汽车从购物区可能转移的场景有生活区、娱乐区。考虑到顾客在购物区停留一段时间需要消耗大量的体力来进行购物行为,则本发明中认为顾客从购物区返回生活区可认为有80%的概率,转换到娱乐区的概率为20%。
电动汽车从购物区向生活区和娱乐区转移均需要满足的条件约束为:
Tqj≥TMX (22)
电动汽车从购物区向生活区场景转移的其他条件约束为:
β·SOCt≥SOCM-S (24)
电动汽车从购物区向娱乐区场景转移的其他条件约束为:
β·SOCt≥SOCM-Y (25)
式中:TMX为非工作日电动汽车在购物区所需要停留的时间,停留的时间满足正态分布,本发明中根据实际情况确定正态分布的取值范围;SOCM-S、SOCM-Y分别表示从购物区到生活区和娱乐区场景转换所需最小的荷电量。
c.娱乐区Y场景条件约束分析
电动汽车从娱乐区可能转移的场景有生活区、购物区。顾客在娱乐区进行完活动后必然消耗了大量的体力,如果继续进行购物活动显然不符合人类的生理特性。如果进行购物行为,一般讲也是购买一些紧急物品,并且购物停留时间也不会太长。
电动汽车从娱乐区向生活区和购物区转移均需要满足的条件约束为:
Tqj≥TYX (26)
电动汽车从娱乐区向生活区场景转移的其他条件约束为:
β·SOCt≥SOCY-S (28)
电动汽车从娱乐区向购物区场景转移的其他条件约束为:
β·SOCt≥SOCY-M (29)
式中:TYX为非工作日电动汽车在娱乐区所需要停留的时间,停留的时间满足正态分布,本发明中根据实际情况确定正态分布的取值范围;SOCY-S、SOCY-M分别表示从娱乐区到生活区和购物区场景转换所需最小的荷电量。
d.郊游场景J条件约束分析
电动汽车从郊游场景转移可能有购物区和生活区。考虑到郊游场景的环境条件比较复杂,在本发明中认为在郊游场景电动汽车不进行充电。
电动汽车从郊游场景向生活区和购物区转移均需要满足的条件约束为:
Tqj≥TJX (30)
TJX~U(3,6) (31)
电动汽车从郊游场景向生活区场景转移的其他条件约束为:
β·SOCt≥SOCJ-S (32)
电动汽车从郊游场景向购物区场景转移的其他条件约束为:
β·SOCt≥SOCJ-M (33)
式中:TJX为非工作日电动汽车在郊游场景所需要停留的时间,停留的时间满足均匀分布,本发明中根据实际情况确定均匀分布的取值范围;SOCJ-S、SOCJ-M分别表示从郊游场景到生活区和购物区场景转换所需最小的荷电量。
e.临时场景L条件约束分析
非工作日中电动汽车从临时场景的转换同样只考虑即到即返的情况。比如开车拜访亲友或是去医院检查身体等驾驶行为,停留时间比较短可以认为此过程中不需要进行充电,则认为电动汽车只是往返过程,对模型的影响仅仅表现在电量的消耗。则从临时场景的转换只需要判断上一场景,然后直接转移到上一场景。
上述一种基于情景模式仿真的电动汽车集群模型建模方法,确定电动汽车各场景转换行驶里程分布以及初始SOC0分布曲线的具体方法如下:
1)电动汽车各场景转换行驶里程的分布
电动汽车行驶里程满足对数正态分布,其概率密度函数为:
式中:μD和σD的具体参数应该根据具体的场景转换距离来确定。
根据《保定市城市总体规划(2010-2020)》显示,保定市到2015年,中心城区城市人口规模达到141万人,中心城区城市建成区面积达145平方公里。到2020年,中心城市总人口达到350万人左右,建设用地规模达到400平方公里左右。保定市的总体空间布局为:规划形成“两片三组团”集中紧凑型城市结构。
考虑保定市城市总体规划方案,将保定市不同区域抽象为圆形区域模型,设其半径为R,假设保定人口均匀分布,密度为P,把各部分中所有的人到达各分区中心的平均距离作为人们日常生活活动的半径,则
本发明把人们日常出行的活动范围根据保定市的实际规划情况简化成两种模型:大圆型和两圆型。大圆型分为RD和RJ两种类型,两圆型只有RL一种类型。
保定市2020年人们日常出行记为C。则有
C={RD,RJ,RL} (36)
由保定市的实际规划数据可以求得RD、RJ和RL分别为11.0km、30.5km和7.7km。
由于各个场景之间的转换需要满足电动汽车一定荷电状态要求,而电动汽车的荷电状态和电动汽车的行驶里程有着密切的联系。
电动汽车在工作日各场景转换行驶的里程集合记为LW,则
电动汽车在非工作日各种场景转换行驶的里程集合记为LX,则
式中:以及分别代表工作日生活区与工作区、生活区与临时场景、工作区与餐厅以及工作区与临时场景的距离, 以及分别代表非工作日生活区与购物区、生活区与娱乐区、生活区与临时场景、生活区与郊游场景以及购物区与娱乐区的距离。
生活区与郊游场景的距离满足对数正态分布:
l1~FD(RJ,0.88) (39)
工作日和非工作日中生活区与工作区、工作区与餐厅、生活区与购物区、生活区与娱乐区以及购物区与娱乐区的距离也都满足对数正态分布:
l2~FD(RD,0.88) (40)
工作日和非工作日中生活区与临时场景、工作区与临时场景的距离也满足对数正态分布:
l3~FD(RL,0.88) (41)
2)电动汽车行驶里程与电动汽车荷电状态(SOC)之间的关系
在不考虑充电的情况下,电动汽车从一天出行开始至出行结束,SOC以速率vSOC(t)下降。另外考虑电动汽车在规定时间段向电网放电,则在t时刻第n辆电动汽车的荷电状态可以表示为:
式中:tmin为一天中SOC开始下降的时刻;S0为电动汽车从生活区出发时刻的SOC;ΔSn,t为t时刻之前因充电所导致的SOC增加值,SF为电动汽车在规定时间段向电网的放电SOC。
定义γ为SOC下降系数,记为:
由于SOC的下降与汽车的行驶直接相关,假设研究区域所有汽车行驶的平均速度为则第n辆汽车SOC平均下降速度可由下式计算得到
式中:为研究区域所有汽车行驶的平均速度;为第n辆汽车SOC平均下降速度;W100,n为第n辆汽车百公里平均耗电量;Qn为第n辆电动汽车电池容量;为第n辆汽车在tn内行驶的距离;tn为电动汽车行驶时间。
ΔSn,t与电动汽车充放电功率Pn有如下关系
式中:ΔSn,t为电动汽车充放电后荷电状态的变化量;Pn为电动汽车充放电公里;Qn为电池的总容量。
则由公式(1)、(2)、(3)、(42)、(43)、(44)和(45)可以得到电动汽车当前功率。
3)电动汽车场景转换时间的计算
电动汽车每次场景转换所需时间:
式中:TZH为电动汽车每次场景转换所需时间;li为场景之间转换的距离;为研究区域所有汽车行驶的平均速度。
4)初始SOC0分布和电动汽车驾驶行为满足的时间要求
初始SOC0分布与用户的驾驶行为有着很大的关系,可以通过对用户驾驶行为的研究来间接确定SOC0服从的分布。在已有文献中表明:初始SOC0正态分布具有更广的适用性。因此,在本发明中电动汽车初始SOC0也按照满足正态分布处理,正态分布的具体参数根据人们日常的生活习惯来确定。
上述一种基于情景模式仿真的电动汽车集群模型建模方法,采用拉丁超立方抽样方法建立电动汽车集群模型的具体步骤如下:
a.设X1,,X2,…,XN代表N辆电动汽车的参数集,作为N个输入随机变量,Xi为X1,X2,…,XN中的任意一个随机变量。
b.Xi代表电动汽车的参数,Xi=[Li,SOCi]。式中Li表示电动汽车的电池特性参数,SOCi表示电动汽车初始SOC0。
c.参数集中的每一参数均进行抽样,则N辆电动汽车的状态构成了参数集的状态Xi。相应地,N次抽样之后的电动汽车的参数集状态可以记为:
d.电动汽车经过拉丁超立方抽样后进行场景转换的情景仿真。在仿真的过程中电动汽车按照各个场景之间的转换条件进行转换。最终得到电动汽车集群24小时的充放电时序分布特性。
附图说明
图1是基于拉丁超立方抽样的电动汽车集群模型建模流程图。图中Sn(t)表示在t时刻第n辆电动汽车的荷电状态,SF表示电动汽车在规定时间段向电网的放电SOC,TZH表示电动汽车每次场景转换所需时间,SOCmin表示电动汽车需要充电的最小荷电状态。
图2是通过情景模式仿真得到的工作日电动汽车集群充放电时序特性曲线结果。
图3是通过情景模式仿真得到的非工作日电动汽车集群充放电时序特性曲线结果。
具体实施方式
上述一种基于情景模式仿真的电动汽车集群模型建模方法,其具体实施步骤如下:
(1)选取电动汽车的电池参数
1)电池特性
现在市场主流的电动汽车动力电池有铅酸电池、镍基电池、钠硫电池、磷酸铁锂电池、空气电池等,其中,磷酸铁锂(LiFePO4)电池由于使用寿命长、安全性能好、成本低和环境友好将成为电动汽车的理想动力源。
在电动汽车充放电集群模型的建立过程中,电池规格根据中国电动汽车市场情况,选择电池电压Un=316.8V、电池容量Q=180A.h,后文电池均采用同样的参数。
2)磷酸铁锂电池的充放电数学模型
描述磷酸铁锂电池充放电模型的数学方程如下:
公式中Uduan为电池端电压;i为充放电电流(以流出电池方向为电流正方向,故充电电流i<0;放电电流i>0);Q为电池标称容量;R为电池内电阻;K为电池极化常数;E0为电池恒定电势;A、B为电池充电指数段常数;S0为电池初始荷电状态SOC0。
当采用恒流-恒压充电方式时,磷酸铁锂电池的恒压充电过程较短,在近5h的充电过程中,恒压充电过程相对恒流充电过程来说十分短暂,因此,在研究锂电池充电特性及模型时,可忽略恒压充电过程,只考虑恒流充电过程。设充放电电流i为定值Ic,当电动汽车充电时IC<0,放电时IC>0。则锂电池充电功率为:
a.当Uduan<Uduan_max时,i=IC=常数,代入式(48)、(49)计算得到Uduan;
b.当Uduan≥Uduan_max时,i=0,Uduan=Uduan_max。
充放电过程的电池功率为:
P=-Uduani (50)
由于选取的电池类型确定,则公式(48)、(49)中的未知量E0、K、R、A、B可以确定。对于磷酸铁锂电池可以计算:E0=343.22112V,K=0.0099352,A=26.915328,B=0.333678,R=0.0176Ω。根据给定的起始SOC0由公式(48)、(49)和(50)来计算磷酸铁锂电池的充放电功率曲线。
(2)确定各种可能发生的场景
在本发明中建立的电动汽车充放电集群模型涉及到多种场景,场景又以工作日和非工作日而不同。在工作日中具体的场景分为:生活区、工作区、餐厅。在非工作日中具体的场景分为:生活区、购物区、娱乐区和郊游。另外,在工作日和非工作日都要考虑一些突发情况,比如驾车去医院、去接待一些顾客等。这些突发情况可以归纳为临时场景。
在具体场景建立后,还应该考虑电动汽车在各种场景内满足的约束条件,以此来模拟实现电动汽车在各种场景间合理的转换。记工作日场景为W,非工作日为X;生活区场景为S、工作区为G、餐厅为C、购物区为M、娱乐区为Y和郊游为J;临时场景为L。
各种场景满足:
W={S,G,C,L} (51)
X={S,M,Y,J,L} (52)
1)工作日W中各种场景满足的约束条件
a.生活区S场景条件约束分析
在工作日从生活区到下一个场景的转换只能是餐厅、工作区和临时场景。根据日常用车情况,早上一般直接从家里出发到上班地点。如果中途停车买早点也是在很短的时间内进行的,并且停车买早点也不会进行充电,则这种情况可以忽略。因此,在工作日车辆在生活区只是向工作区场景转换。这里需要强调的是临时场景的考虑,临时场景作为一种小概率事件具有更高的响应等级,所以如果有突发情况发生,则车辆将由生活区到临时场景进行转换。对于临时场景的发生概率可认为5%。在生活区到下一场景的转换首先需要判断是向工作区还是临时场景转换。本发明中按照向工作区转移概率95%,向临时场景转移概率5%进行随机抽样。
电动汽车从生活区向工作区转移的条件约束为:
Tqj≥TSW (53)
TSW~U(8.55,9.45) (54)
β·SOCt≥SOCS-G (55)
式中:Tqj表示电动汽车抵达当前场景后进行下一场景转移的所停留的时间段;TSW表示电动汽车在生活区所需要停留的时间,停留的时间满足均匀分布,本发明中根据实际情况确定均匀分布的取值范围;β表示当前电动汽车最大可放电的修正系数;β在这里取值为0.9(按照磷酸锂铁电池充放电效率90%-95%,并留出必要的5%-10%裕度);SOCt表示当前的荷电状态,SOCS-G表示从生活区到工作区转移所需最小的荷电量。
电动汽车从生活区向临时场景转移的条件约束为:
β·SOCt≥SOCS-L (56)
式中:SOCS-L表示从生活区到临时场景转移所需最小的荷电量。
b.工作区G场景条件约束分析
考虑一般工薪阶层工作日工作时长为8个小时,本发明中按照上午下午各工作4个小时处理。另外,需要考虑上班的时候可能早到或是晚到的情况,则上午或下午的工作时长满足一定的裕度,考虑误差需留出5%的裕度。在工作区可以转移的场景有餐厅、生活区和临时场景。考虑到中午下班到下午上班的时间间隔以及经济因素影响,认为从工作区到餐厅的转移概率为20%。考虑现在生活水平的提高和人们思想层次的提高,下午下班从工作区到餐厅场景的转移概率为40%。对于临时场景的发生概率可认为5%。在工作区到下一场景的转换首先需要进行时间判断,判断是上午还是下午。如果是上午则判断是向餐厅还是临时场景转换,如果是下午则需要判断时向餐厅、生活区或临时场景转移。本发明中按照上午向餐厅转移概率20%,下午向餐厅转移概率40%,向临时场景转移概率5%,下午向生活区转移概率55%进行随机抽样。
电动汽车从工作区向餐厅或是生活区转移的条件约束为:
Tqj≥TGW (57)
TGW~U(3.8,4.2) (58)
β·SOCt≥SOCG-C(β·SOCt≥SOCG-S) (59)
式中:TGW表示电动汽车在工作区所需要停留的时间,停留的时间满足均匀分布,本发明中根据实际情况确定均匀分布的取值范围;SOCG-C为从工作区到餐厅转移所需最小的荷电量;SOCG-S为从工作区到生活区转移所需最小的荷电量。
电动汽车从工作区向临时场景转移的条件约束为:
β·SOCt≥SOCG-L (60)
式中:SOCG-L为从工作区到生活区转移所需最小的荷电量。
c.餐厅C场景条件约束分析
电动汽车在餐厅场景可以向工作区、生活区转移。电动汽车在餐厅向其他场景转换首先需要判断时间是上午还是下午。如果时间是上午则电动汽车只能从餐厅向工作区转移,如果时间是下午则只能从餐厅向生活区转换。餐厅向其他场景转换只需要考虑电动汽车荷电状态。
电动汽车从餐厅向工作区场景转移的条件约束为:
β·SOCt≥SOCC-G (61)
电动汽车从餐厅向生活区场景转移的条件约束为:
β·SOCt≥SOCC-S (62)
式中:SOCC-G和SOCC-S分别表示从餐厅向工作区和生活区转换所需最小的荷电量。
d.临时场景L条件约束分析
工作日中电动汽车从临时场景的转换只考虑即到即返的情况。比如从工作区去车站接某位顾客或是从生活区去医院,停留时间比较短可以认为此过程中不需要进行充电,则认为电动汽车只是往返过程,对模型的影响仅仅表现在电量的消耗。则从临时场景的转换只需要判断上一场景,然后直接转移到上一场景。
2)非工作日X中各种场景满足的约束条件
a.生活区S场景条件约束分析
电动汽车从生活区到下一个场景的转换在本发明中简单地分为购物区、娱乐区、郊游和临时场景。这里需要说明的是,在当前的娱乐场所和购物场所一般都包含饮食在内,故本发明中在非工作日的场景转移中不考虑餐厅这一场景。
电动汽车从生活区向购物区、娱乐区和郊游场景转移都需要满足的条件约束为:
Tqj≥TSX (63)
TSX~U(9.5,10.5) (64)
电动汽车从生活区向购物区场景转移的其他条件约束为:
β·SOCt≥SOCS-M (65)
电动汽车从生活区向娱乐区场景转移的其他条件约束为:
β·SOCt≥SOCS-Y (66)
电动汽车从生活区向郊游场景转移的其他条件约束为:
β·SOCt≥SOCS-J (67)
电动汽车从生活区向临时场景转移的其他条件约束为:
β·SOCt≥SOCS-L (68)
式中:Tqj表示电动汽车抵达当前场景后进行下一场景转移的所停留的时间,TSX为非工作日电动汽车在生活区所需要停留的时间,停留的时间满足均匀分布,本发明中根据实际情况确定均匀分布的取值范围;SOCS-M、SOCS-Y、SOCS-J和SOCS-L分别表示从生活区到购物区、娱乐区、郊游和临时场景转换所需最小的荷电量。从生活区向不同的的场景转换时的概率一般要根据人们日常的生活习惯来确定。本发明中确定电动汽车从生活区向购物区转换的概率为20%,向娱乐区转换的概率为40%,向郊游场景转换的概率为10%,向临时场景转换的概率为10%。
b.购物区M场景条件约束分析
电动汽车从购物区可能转移的场景有生活区、娱乐区。考虑到顾客在购物区停留一段时间需要消耗大量的体力来进行购物行为,则本发明中认为顾客从购物区返回生活区可认为有80%的概率,转换到娱乐区的概率为20%。
电动汽车从购物区向生活区和娱乐区转移均需要满足的条件约束为:
Tqj≥TMX (69)
电动汽车从购物区向生活区场景转移的其他条件约束为:
β·SOCt≥SOCM-S (71)
电动汽车从购物区向娱乐区场景转移的其他条件约束为:
β·SOCt≥SOCM-Y (72)
式中:TMX为非工作日电动汽车在购物区所需要停留的时间,停留的时间满足正态分布,本发明中根据实际情况确定正态分布的取值范围;SOCM-S、SOCM-Y分别表示从购物区到生活区和娱乐区场景转换所需最小的荷电量。本发明中选定参数μM=2.5,
c.娱乐区Y场景条件约束分析
电动汽车从娱乐区可能转移的场景有生活区、购物区。顾客在娱乐区进行完活动后必然消耗了大量的体力,如果继续进行购物活动显然不符合人类的生理特性。如果进行购物行为,一般讲也是购买一些紧急物品,并且购物停留时间也不会太长。则在本发明中考虑顾客从娱乐区返回生活区可认为有90%的概率,转换到购物区的概率为10%。
电动汽车从娱乐区向生活区和购物区转移均需要满足的条件约束为:
Tqj≥TYX (73)
电动汽车从娱乐区向生活区场景转移的其他条件约束为:
β·SOCt≥SOCY-S (75)
电动汽车从娱乐区向购物区场景转移的其他条件约束为:
β·SOCt≥SOCY-M (76)
式中:TYX为非工作日电动汽车在娱乐区所需要停留的时间,停留的时间满足正态分布,本发明中根据实际情况确定正态分布的取值范围;SOCY-S、SOCY-M分别表示从娱乐区到生活区和购物区场景转换所需最小的荷电量。本发明中选定参数μY=3,
d.郊游场景J条件约束分析
电动汽车从郊游场景转移可能有购物区和生活区。考虑到郊游场景的环境条件比较复杂,在本发明中认为在郊游场景电动汽车不进行充电。游客郊游返回生活区可认为有90%的概率,转换到购物区的概率为10%。
电动汽车从郊游场景向生活区和购物区转移均需要满足的条件约束为:
Tqj≥TJX (77)
TJX~U(3,6) (78)
电动汽车从郊游场景向生活区场景转移的其他条件约束为:
β·SOCt≥SOCJ-S (79)
电动汽车从郊游场景向购物区场景转移的其他条件约束为:
β·SOCt≥SOCJ-M (80)
式中:TJX为非工作日电动汽车在郊游场景所需要停留的时间,停留的时间满足均匀分布,本发明中根据实际情况确定均匀分布的取值范围;SOCJ-S、SOCJ-M分别表示从郊游场景到生活区和购物区场景转换所需最小的荷电量。
e.临时场景L条件约束分析
非工作日中电动汽车从临时场景的转换同样只考虑即到即返的情况。比如开车拜访亲友或是去医院检查身体等驾驶行为,停留时间比较短可以认为此过程中不需要进行充电,则认为电动汽车只是往返过程,对模型的影响仅仅表现在电量的消耗。则从临时场景的转换只需要判断上一场景,然后直接转移到上一场景。
这里需要说明的是在工作日,临时场景发生的概率为5%;在非工作日,临时场景发生的概率为10%。非工作日临时场景发生概率的取值为10%是因为在非工作日人们的生活状态以休息为主,其中亲友拜访、去医院检查保养身体等随机行为的概率增加许多。
(3)电动汽车各场景转换行驶里程分布以及初始SOC0分布曲线
1)电动汽车各场景转换行驶里程的分布
电动汽车行驶里程满足对数正态分布,其概率密度函数为:
式中:μD和σD的具体参数应该根据具体的场景转换距离来确定。
根据《保定市城市总体规划(2010-2020)》显示,保定市到2015年,中心城区城市人口规模达到141万人,中心城区城市建成区面积达145平方公里。到2020年,中心城市总人口达到350万人左右,建设用地规模达到400平方公里左右。保定市的总体空间布局为:规划形成“两片三组团”集中紧凑型城市结构。
考虑保定市城市总体规划方案,将保定市不同区域抽象为圆形区域模型,设其半径为R,假设保定人口均匀分布,密度为P,把各部分中所有的人到达各分区中心的平均距离作为人们日常生活活动的半径,则
本发明把人们日常出行的活动范围根据保定市的实际规划情况简化成两种模型:大圆型和两圆型。大圆型分为RD和RJ两种类型,两圆型只有RL一种类型。
保定市2020年人们日常出行记为C。则有
C={RD,RJ,RL} (83)
由保定市的实际规划数据可以求得RD、RJ和RL分别为11.0km、30.5km和7.7km。
由于各个场景之间的转换需要满足电动汽车一定荷电状态要求,而电动汽车的荷电状态和电动汽车的行驶里程有着密切的联系。
电动汽车在工作日各场景转换行驶的里程集合记为LW,则
电动汽车在非工作日各种场景转换行驶的里程集合记为LX,则
式中:以及分别代表工作日生活区与工作区、生活区与临时场景、工作区与餐厅以及工作区与临时场景的距离, 以及分别代表非工作日生活区与购物区、生活区与娱乐区、生活区与临时场景、生活区与郊游场景以及购物区与娱乐区的距离。
生活区与郊游场景的距离满足对数正态分布:
l1~FD(RJ,0.88) (86)
工作日和非工作日中生活区与工作区、工作区与餐厅、生活区与购物区、生活区与娱乐区以及购物区与娱乐区的距离都满足对数正态分布
l2~FD(RD,0.88) (87)
工作日和非工作日中生活区与临时场景、工作区与临时场景的距离均满足对数正态分布
l3~FD(RL,0.88) (88)
2)电动汽车行驶里程与电动汽车SOC之间的关系
在不考虑充电的情况下,电动汽车从一天出行开始至出行结束,SOC以速率vSOC(t)下降。另外考虑电动汽车在规定时间段向电网放电,则在t时刻第n辆电动汽车的荷电状态可以表示为:
式中:tmin为一天中SOC开始下降的时刻;S0为电动汽车从生活区出发时刻的SOC;ΔSn,t为t时刻之前因充电所导致的SOC增加值,SF为电动汽车在规定时间段向电网的放电SOC。
定义γ为SOC下降系数,记为:
由于SOC的下降与汽车的行驶直接相关,假设研究区域所有汽车行驶的平均速度为则第n辆汽车SOC平均下降速度可由下式计算得到
式中:为研究区域所有汽车行驶的平均速度;为第n辆汽车SOC平均下降速度;W100,n为第n辆汽车百公里平均耗电量;Qn为第n辆电动汽车电池容量;为第n辆汽车在tn内行驶的距离;tn为电动汽车行驶时间。
ΔSn,t与电动汽车充放电功率Pn有如下关系
式中:ΔSn,t为电动汽车充放电后荷电状态的变化量;Pn为电动汽车充放电公里;Qn电池的总容量。
则由公式(48)、(49)、(50)、(89)、(90)、(91)和(92)可以得到电动汽车当前功率。
3)电动汽车场景转换时间的计算
电动汽车每次场景转换所需时间:
式中:TZH为电动汽车每次场景转换所需时间;li场景之间转换的距离;为研究区域所有汽车行驶的平均速度。
4)初始SOC0分布和电动汽车驾驶行为满足的时间要求
初始SOC0分布与用户的驾驶行为有着很大的关系,可以通过对用户驾驶行为的研究来间接确定SOC0服从的分布。在已有文献中表明:初始SOC0正态分布具有更广的适用性。因此,在本发明中电动汽车初始SOC0也按照满足正态分布处理,正态分布的具体参数根据人们日常的生活习惯来确定。
(4)采用拉丁超立方抽样方法建立电动汽车集群模型。
采用拉丁超立方抽样方法建立电动汽车集群模型的步骤如下:
a.设X1,,X2,...,XN代表N辆电动汽车的参数集,从而形成N个输入随机变量,Xi为X1,X2,...,XN中的任意一个随机变量。
b.Xi代表电动汽车的参数,Xi=[Li,SOCi]。式中Li表示电动汽车的电池特性参数,SOCi表示电动汽车初始SOC分布。
c.参数集中的每一个元件均进行抽样,则N辆电动汽车的状态构成了参数集的状态X。相应地,N次抽样之后的每一辆电动汽车的参数集状态可以记为:
每一个随机变量的采样值排成矩阵的一行,当N个输入随机变量采样结束,所有的采样值形成一个N×N阶的采样矩阵X。采样矩阵X中的行元素代表某一辆电动汽车经过N次随机抽样后形成的参数集合,X中的列元素代表N辆车某一次随机抽样形成的电动汽车参数集合。
实例分析
模拟2020年的保定市电动汽车运行情况,编程进行情景仿真。仿真开始的时间是0:30,根据相关数据概率分布特性,选择场景转换距离和停留时间,电动汽车的初始SOC0,上午出发时间,下午到达时间和晚上到达时间。此后,每半个小时更新电动汽车状态、充电和放电功率。根据约束条件进行场景转换,最后采用拉丁超立方抽样方法进行随机模拟,得到电动汽车集群模型的充放电时序特性曲线。
设置参与仿真的电动汽车的数量为10000辆。仿真开始,输入各种场景数据和电动汽车参数,完成对场景和电动汽车参数初始化后判断电动汽车是否在规定的放电时间段,如果是在规定的放电时间段,则进行电动汽车放电,并进行放电功率的计算。如果不是在规定放电时间段,则随机的抽取下一场景,若满足场景转化条件则进行场景转换并重新调整电动汽车的状态,计算进行场景转换所消耗的电量。当电动汽车场景转换完毕后,判断电动汽车是否需要进行充电,若需要充电则电动汽车进行充电并进行充电功率计算。每隔半个小时更新电动汽车当前状态,当电动汽车运行一个周期后停止计算。
运用拉丁超立方抽样方法对10000辆电动汽车进行随机抽样,并累加所有电动汽车充放电功率曲线,输出结果,仿真结束。
在规定时间段内进行放电的电动汽车数量选择为所有电动汽车的80%或50%。这样做的原因是考虑到在不同情况下电动汽车能够在规定时间段内进行放电的可能性。
图2中,电动汽车在工作日充放电负荷高峰出现三次。第一次充电高峰从21:00持续到次日3:00左右,这是因为人们返回生活区后对电动汽车进行集中充电造成的结果;第二次放电高峰从9:00持续到11:00左右,第三次放电高峰从17:00持续到20:00左右,第二次和第三次放电高峰的出现是因为电动汽车在规定时间段向电网放电造成的结果。
图3中,电动汽车在非工作日充放电负荷高峰出现两次。第一次充电高峰从22:00持续到次日3:00左右,这是因为人们返回生活区后对电动汽车进行集中充电造成的结果,但比工作日持续时间短的原因是因为非工作日汽车使用量减少造成的;第二次放电高峰从18:00持续到21:00,这是因为电动汽车在规定时间段向电网放电造成的结果。
通过图2和图3的比较注意到,50%的电动汽车和80%的电动汽车在规定时间段向电网放电功率的大小不同,80%的电动汽车在规定时间段向电网放电功率更多一些。
通过仿真验证了基于情景模式仿真的电动汽车集群模型可以反映出电动汽车集群充放电的时序特性,基于情景模式仿真的电动汽车集群模型建模方法是合理有效的,从而为通过政策引导或是相关的激励措施来实现电动汽车有序充放电奠定了基础。
Claims (5)
1.一种基于情景模式仿真的电动汽车集群模型建模方法,其特征是,首先定义电动汽车的各种情景,以及各情景间的转换约束;然后采用基于拉丁超立方抽样的方法对电动汽车状态随机抽样,通过情景仿真建立电动汽车充放电负荷时序分布特性的统计模型,进一步建立规模化电动汽车的充放电集群模型;充放电集群模型以24小时为周期体现出规模化电动汽车时序分布特性;该模型能够体现大量的电动汽车广泛随机接入电网的充放电集聚特性。
2.根据权利要求1所述的一种基于情景模式仿真的电动汽车集群模型建模方法,其特征是,所述方法按照以下步骤进行:
a.选取电动汽车的电池参数;
b.确定各种可能发生的场景;
c.确定电动汽车各场景转换行驶里程分布曲线以及初始SOC0分布;
d.采用拉丁超立方抽样方法建立电动汽车集群模型。
3.根据权利要求2所述的一种基于情景模式仿真的电动汽车集群模型建模方法,其特征是,确定各种可能发生的场景的具体步骤如下:
a.在工作日中具体的场景分为:生活区、工作区、餐厅和临时场景;各种场景之间的转换需要满足时间约束和转换所要消耗电量的约束;
b.在非工作日具体的场景分为:生活区、购物区、娱乐区、郊游和临时场景;各种场景的转换需要满足时间约束和转换所要消耗电量的约束,在不同场景之间的转换条件也是不相同的;
c.在工作日和非工作日中,电动汽车在各个场景之间转换要满足以下条件:
Tqj≥TCJ (1)
β·SOCt≥SOCCJ-CJ (2)
式中:Tqj表示电动汽车抵达新场景后进行下一场景转移所停留的时间;TCJ表示电动汽车在新场景所需要停留的时间;β表示当前电动汽车最大可放电的修正系数,取值为0.9,0.9是按照磷酸锂铁电池充放电效率90%-95%,并留出必要的5%-10%裕度确定;SOCt表示当前的荷电状态,SOCCJ-CJ表示从当前场景到转移到下一场景所需最小的荷电量。
4.根据权利要求2所述的一种基于情景模式仿真的电动汽车集群模型建模方法,其特征是,确定电动汽车各场景转换行驶里程分布曲线的具体步骤如下:
a.由城市的具体规划数据把城市简化成圆形模型来研究电动汽车在不同区域之间转换的距离,把各部分中所有的人到达各分区中心的平均距离作为人们日常生活活动的半径,即
<mrow>
<msub>
<mi>R</mi>
<mi>max</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>R</mi>
</msubsup>
<mn>2</mn>
<msup>
<mi>&pi;r</mi>
<mn>2</mn>
</msup>
<mi>P</mi>
<mi>d</mi>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msup>
<mi>&pi;R</mi>
<mn>2</mn>
</msup>
<mi>P</mi>
<mo>=</mo>
<mfrac>
<mn>2</mn>
<mn>3</mn>
</mfrac>
<mi>R</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中:R表示圆的半径;P表示人口密度,这里假设保定人口均匀分布;
b.不同场景之间转换的距离由电动汽车不同的活动半径决定;
电动汽车在工作日各场景转换行驶的里程集合记为LW,则
<mrow>
<msub>
<mi>L</mi>
<mi>W</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>l</mi>
<msub>
<mi>W</mi>
<mrow>
<mi>S</mi>
<mo>-</mo>
<mi>G</mi>
</mrow>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>l</mi>
<msub>
<mi>W</mi>
<mrow>
<mi>S</mi>
<mo>-</mo>
<mi>L</mi>
</mrow>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>l</mi>
<msub>
<mi>W</mi>
<mrow>
<mi>G</mi>
<mo>-</mo>
<mi>C</mi>
</mrow>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>l</mi>
<msub>
<mi>W</mi>
<mrow>
<mi>G</mi>
<mo>-</mo>
<mi>L</mi>
</mrow>
</msub>
</msub>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
电动汽车在非工作日各种场景转换行驶的里程集合记为LX,则
<mrow>
<msub>
<mi>L</mi>
<mi>X</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>l</mi>
<msub>
<mi>X</mi>
<mrow>
<mi>S</mi>
<mo>-</mo>
<mi>M</mi>
</mrow>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>l</mi>
<msub>
<mi>X</mi>
<mrow>
<mi>S</mi>
<mo>-</mo>
<mi>Y</mi>
</mrow>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>l</mi>
<msub>
<mi>X</mi>
<mrow>
<mi>S</mi>
<mo>-</mo>
<mi>L</mi>
</mrow>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>l</mi>
<msub>
<mi>X</mi>
<mrow>
<mi>S</mi>
<mo>-</mo>
<mi>J</mi>
</mrow>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>l</mi>
<msub>
<mi>X</mi>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mi>Y</mi>
</mrow>
</msub>
</msub>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中:以及分别代表工作日生活区与工作区、生活区与临时场景、工作区与餐厅以及工作区与临时场景的转换距离, 以及分别代表非工作日生活区与购物区、生活区与娱乐区、生活区与临时场景、生活区与郊游场景以及购物区与娱乐区的转换距离;
c.生活区与郊游场景的转换距离满足对数正态分布:
l1~FD(RJ,0.88) (6)
工作日和非工作日中生活区与工作区、工作区与餐厅、生活区与购物区、生活区与娱乐区以及购物区与娱乐区的转换距离满足如下的对数正态分布:
l2~FD(RD,0.88) (7)
工作日和非工作日中生活区与临时场景、工作区与临时场景的转换距离满足如下的对数正态分布:
l3~FD(RL,0.88) (8)。
5.根据权利要求2所述的一种基于情景模式仿真的电动汽车集群模型建模方法,其特征是,采用拉丁超立方抽样方法对N辆电动汽车进行随机抽样,抽样完成后对每辆电动汽车在不同场景转换进行情景仿真,得到每辆电动汽车的充放电时序特性曲线,然后对所有电动汽车的充放电负荷曲线进行累加得到电动汽车集群充放电时序特性曲线;
采用拉丁超立方抽样方法建立电动汽车集群模型的步骤如下:
a.设X1,X2,...,XN代表N辆电动汽车的参数集,从而形成N个输入随机变量,Xi为X1,X2,…,XN中的任意一个随机变量;
b.Xi代表电动汽车的参数,Xi=[Li,SOCi],式中Li表示电动汽车的电池特性参数,SOCi表示电动汽车初始SOC0分布;
c.参数集中的每一个元件均进行抽样,则N辆电动汽车的状态构成了参数集的状态X,相应地,N次抽样之后的每一辆电动汽车的参数集状态可以记为:
<mrow>
<mi>X</mi>
<mo>=</mo>
<mo>&lsqb;</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mn>1</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>N</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
每一个随机变量的采样值排成矩阵的一行,当N个输入随机变量采样结束,所有的采样值形成一个N×N阶的采样矩阵X,采样矩阵X中的行元素代表某一辆电动汽车经过N次随机抽样后形成的参数集合,X中的列元素代表N辆车某一次随机抽样形成的电动汽车参数集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510528794.3A CN105069251B (zh) | 2015-08-26 | 2015-08-26 | 一种基于情景模式仿真的电动汽车集群模型建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510528794.3A CN105069251B (zh) | 2015-08-26 | 2015-08-26 | 一种基于情景模式仿真的电动汽车集群模型建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069251A CN105069251A (zh) | 2015-11-18 |
CN105069251B true CN105069251B (zh) | 2018-05-08 |
Family
ID=54498617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510528794.3A Active CN105069251B (zh) | 2015-08-26 | 2015-08-26 | 一种基于情景模式仿真的电动汽车集群模型建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069251B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108964101B (zh) * | 2018-07-05 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种v2b和v2g共存应用场景模型的构建方法及装置 |
CN114389294B (zh) * | 2022-01-06 | 2024-04-30 | 国网江苏省电力有限公司电力科学研究院 | 一种面向降维等效的海量电动汽车集中式控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103499792A (zh) * | 2013-07-18 | 2014-01-08 | 浙江工业大学 | 电动汽车动力电池集群可用容量的预测方法 |
CN103870649A (zh) * | 2014-03-19 | 2014-06-18 | 国家电网公司 | 一种基于分布式智能计算的主动配电网自治化仿真方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012139670A1 (en) * | 2011-04-15 | 2012-10-18 | Vlaamse Instelling Voor Technologisch Onderzoek (Vito) | Method for distributing an energy flow over a predetermined period of time to a cluster of a plurality of devices taking into account constraints relating to the energy to be delivered to the devices, a computer program for performing such a method and a system therefor |
-
2015
- 2015-08-26 CN CN201510528794.3A patent/CN105069251B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103499792A (zh) * | 2013-07-18 | 2014-01-08 | 浙江工业大学 | 电动汽车动力电池集群可用容量的预测方法 |
CN103870649A (zh) * | 2014-03-19 | 2014-06-18 | 国家电网公司 | 一种基于分布式智能计算的主动配电网自治化仿真方法 |
Non-Patent Citations (2)
Title |
---|
Active distribution network integrated planning incorporating distributed generation and load response uncertainties;Vinicius F. Martins, ET AL.;《Power and Energy Society General Meeting, 2012 IEEE》;20121112;第2164-2172页 * |
Study on electric vehicles cluster model considering load response of power grid;Xiaolei Yu, ET AL.;《TENCON 2013 – 2013 IEEE Region 10 Conference》;20140123;第2-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105069251A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tao et al. | Data-driven optimized layout of battery electric vehicle charging infrastructure | |
Van Der Kam et al. | Smart charging of electric vehicles with photovoltaic power and vehicle-to-grid technology in a microgrid; a case study | |
Grahn et al. | PHEV utilization model considering type-of-trip and recharging flexibility | |
Bashash et al. | Plug-in hybrid electric vehicle charge pattern optimization for energy cost and battery longevity | |
CN109711630A (zh) | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 | |
González-Garrido et al. | Full-scale electric vehicles penetration in the Danish Island of Bornholm—Optimal scheduling and battery degradation under driving constraints | |
Lojowska et al. | Stochastic modeling of power demand due to EVs using copula | |
CN104734171B (zh) | 一种用于配电网可靠性评估的电动汽车充电站建模方法及其应用 | |
CN105976108A (zh) | 一种配电网分布式储能规划方法 | |
CN111178619A (zh) | 一种考虑分布式电源和充电站联合规划的多目标优化方法 | |
CN107169273A (zh) | 计及延时和v2g充电模式的电动汽车充电功率预测方法 | |
CN110429596B (zh) | 计及电动汽车时空分布的配电网可靠性评估方法 | |
Valsera-Naranjo et al. | Deterministic and probabilistic assessment of the impact of the electrical vehicles on the power grid | |
CN103840521A (zh) | 基于最优潮流的大规模电动汽车优化充放电系统及方法 | |
CN106485358A (zh) | 结合序列运算和粒子群算法的独立微电网优化配置方法 | |
Bashash et al. | On the aggregate grid load imposed by battery health-conscious charging of plug-in hybrid electric vehicles | |
CN105068419B (zh) | 居民小区电动汽车充放电控制方法 | |
CN106602557A (zh) | 一种含电动汽车的主动配电网多时段优化重构方法 | |
CN103473446A (zh) | 用于有源配电网可靠性评估的负荷削减模型及其实现方法 | |
CN106786977B (zh) | 一种电动汽车充电站的充电调度方法 | |
CN110059843A (zh) | 一种联合风-火合同电量交易的月度电能量市场运行方法 | |
Gao et al. | Charging load forecasting of electric vehicle based on Monte Carlo and deep learning | |
CN107219469A (zh) | 适用于无人机电池的续航电量预测方法 | |
CN105069251B (zh) | 一种基于情景模式仿真的电动汽车集群模型建模方法 | |
CN105262167A (zh) | 区域内电动汽车有序充电控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |