CN107274008B - 电动汽车充换电需求量预测方法、存储设备及系统 - Google Patents

电动汽车充换电需求量预测方法、存储设备及系统 Download PDF

Info

Publication number
CN107274008B
CN107274008B CN201710385905.9A CN201710385905A CN107274008B CN 107274008 B CN107274008 B CN 107274008B CN 201710385905 A CN201710385905 A CN 201710385905A CN 107274008 B CN107274008 B CN 107274008B
Authority
CN
China
Prior art keywords
probability distribution
time period
charging
demand
electric vehicle
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
Application number
CN201710385905.9A
Other languages
English (en)
Other versions
CN107274008A (zh
Inventor
陈炯
张建兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NIO Co Ltd
Original Assignee
NIO Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NIO Co Ltd filed Critical NIO Co Ltd
Priority to CN201710385905.9A priority Critical patent/CN107274008B/zh
Publication of CN107274008A publication Critical patent/CN107274008A/zh
Application granted granted Critical
Publication of CN107274008B publication Critical patent/CN107274008B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07F—COIN-FREED OR LIKE APPARATUS
    • G07F15/00—Coin-freed apparatus with meter-controlled dispensing of liquid, gas or electricity
    • G07F15/003—Coin-freed apparatus with meter-controlled dispensing of liquid, gas or electricity for electricity
    • G07F15/005—Coin-freed apparatus with meter-controlled dispensing of liquid, gas or electricity for electricity dispensed for the electrical charging of vehicles

Abstract

本发明涉及一种电动汽车充换电需求量预测方法、存储设备及系统。本发明提出的预测方法，根据实际充/换电需求量的历史统计数据，用泊松分布来拟合目标区域在设定细分时段的电动汽车数量，进而构建充/换电需求量的概率分布模型；基于充/换电需求量的概率分布模型，计算充/换电需求量的预测值。本发明的预测准确度计算方法，利用K‑L散度来评估预测结果的准确度，进而得到充/换电需求量预测的置信系数，应用到实际调度算法中。本发明的预测方法，无需车主、区域代理提前申报，能够大幅度节约人力物力和时间成本，提高了预测的效率和用户体验。

Description

电动汽车充换电需求量预测方法、存储设备及系统
技术领域
本发明涉及电动汽车领域，具体涉及一种电动汽车充换电需求量预测方法、存储设备及系统。
背景技术
充/换电设施(给电动汽车充电或更换动力电池)的运营效率直接关系到用户体验和充/换电设施的投入、产出和经济效益。充/换电需求受多种因素的影响，在时间和空间上都具有较大的随机性。充/换电设施的运营方如果可以准确、合理、及时地预测用户的充/换电需求，则可以根据需求对充/换电设施和资源进行合理的调度分配，从而最大限度地利用充/换电设施，并通过减少用户充/换电等待时间、在允许范围内提高备用电池的充电度数等方式，提高用户体验。
进一步的，由于充/换电设施中的充电部分会接入电网，更换下来的动力电池连同充放电机可以组成一个分布式储能节点。因此，对充/换电需求的有效预测还能为电网的削峰填谷等提供有效信息，可以增加换电设施参与电网互动的能力。
申请号为201410730212.5的专利文件(发明名称：基于时空双尺度的电动汽车有序充换电分层分区调度方法，公布日：2015.02.25)提出了由车主根据次日电动汽车的使用情况向所在区域基层代理进行日前申报，再由各区域基层代理向总调度机构进行申报的方法。这种方法，虽然也能为预测下一日的充换电情况提供数据，但是需要车主提前一日进行申报，用户体验较差。
发明内容
为了解决现有技术中的上述问题，本发明提出了一种电动汽车充换电需求量预测方法、存储设备及系统，提高了充/换电需求预测的效率，并且有效改善了用户体验。
本发明提出一种电动汽车充换电需求量预测方法，适于在计算机设备中执行，利用所构建的电动汽车充/换电需求量的概率分布模型，预测目标区域特定细分时段中电动汽车充/换电需求量；
其中，所述电动汽车充/换电需求量的概率分布模型，包括目标区域设定时间周期内与各设定细分时段一一对应的第一概率分布函数；
所述第一概率分布函数，为目标区域设定时间周期内各设定细分时段中电动汽车充/换电需求量的概率分布函数，由第二概率分布函数乘以每辆电动汽车的平均充/换电概率得到；
所述第二概率分布函数，为目标区域设定时间周期内各设定细分时段中电动汽车数量的概率分布函数，基于历史统计数据，采用特定概率分布，用基于样本的参数估计的方法来拟合；
所述特定细分时段，与所述设定时间周期内各设定细分时段之一对应。
优选地，所述特定概率分布为泊松分布。
优选地，根据所述电动汽车充/换电需求量的概率分布模型，预测目标区域特定细分时段中电动汽车充/换电需求量，其方法为：
取对应的所述第一概率分布函数的最大值，或生成一个服从对应的所述第一概率分布函数的随机数，或生成预设数量的服从对应的所述第一概率分布函数的随机数，取所生成的预设数量随机数的平均值，作为目标区域特定细分时段中电动汽车充/换电需求量的预测值。
优选地，所述电动汽车充/换电需求量的概率分布模型的构建方法，包括以下步骤：
步骤S1，根据目标区域在所述历史时间周期内，各设定细分时段中电动汽车数量及充/换电需求量的统计数据，拟合所述第二概率分布函数，并计算所述每辆电动汽车的平均充/换电概率；
步骤S2，根据步骤S1中得到的所述第二概率分布函数、所述每辆电动汽车的平均充/换电概率，构建所述第一概率分布函数；
步骤S3，将步骤S2中所得到的所述第一概率分布函数与设定时间周期内所述各设定细分时段一一对应，构建所述电动汽车充/换电需求量的概率分布模型。
优选地，还包括对所述电动汽车充/换电需求量的概率分布模型进行更新的方法：每得到一个所述设定时间周期内各设定细分时段中电动汽车充/换电需求量的实际统计信息，则依据该实际统计信息对所述电动汽车充/换电需求量的概率分布模型进行迭代更新。
优选地，所述每辆电动汽车的平均充/换电概率为预设值，或根据目标区域历史时间周期内，各设定细分时段中电动汽车充/换电需求量除以电动汽车数量计算得到。
优选地，所述设定时间周期为一个自然日，并均匀划分为所述各设定细分时段。
优选地，若待预测的区域包含多个目标区域，则分别构建对应于各目标区域的所述电动汽车充/换电需求量的概率分布模型。
优选地，目标区域设定时间周期内各设定细分时段中电动汽车数量，包括：停车位上的电动汽车数量和行车道路上的电动汽车数量。
优选地，待预测的区域中，各目标区域的所述第二概率分布函数为：
Figure BDA0001306350290000031
其中，m,n为确定该目标区域具体位置的变量，t为细分时间段的序号，λm,n,t为该目标区域内电动汽车数量泊松分布的参数，λm,n,t＝λ1+λ2，λ1为该目标区域内所述停车位上的电动汽车数量泊松分布的参数，λ2为该目标区域内所述行车道路上的电动汽车数量泊松分布的参数；k为该目标区域中设定时间周期内第t个时段电动汽车的数量，k＝1,2,3,...。
优选地，待预测的区域中，各目标区域的所述第一概率分布函数为：
Figure BDA0001306350290000032
其中，m,n为确定该目标区域具体位置的变量，t为细分时间段的序号，λm,n,t为该目标区域内电动汽车数量泊松分布的参数，λm,n,t＝λ1+λ2，λ1为该目标区域内所述停车位上的电动汽车数量泊松分布的参数，λ2为该目标区域内所述行车道路上的电动汽车数量泊松分布的参数；Pt为每辆电动汽车在第t个时间段发起充/换电的概率；k为该目标区域中设定时间周期内第t个时段电动汽车的数量，k＝1,2,3,...。
优选地，计算拟合的概率分布和实测数据得到的直方图分布之间的K-L散度：
Figure BDA0001306350290000041
其中，p(x)为拟合的概率分布，q(x)实测数据得到的直方图分布；
根据预设的反比例函数和所述K-L散度，计算充/换电需求量预测值的准确度。
本发明同时提出一种存储设备，其中存储有计算机程序，所述程序适于由处理器加载并执行时实现上面所述的电动汽车充换电需求量预测方法的步骤。
本发明同时提出一种电动汽车充换电需求量预测系统，包括：处理器和存储设备；
所述存储设备，用于存储计算机程序；
所述处理器，加载并执行所述程序时实现上面所述的电动汽车充换电需求量预测方法的步骤。
本发明提出的电动汽车充/换电需求量预测方法，用泊松分布来拟合目标区域在不同时间段的电动汽车数量，符合人类活动的自然规律；通过对目标区域划分详细的时间段，提高了概率分布模型的精度；通过统计实际充/换电数据对概率分布模型进行迭代更新，使得预测结果的准确度，随着时间推移越来越高。
基于上述方法所构建的充/换电需求量概率分布模型，根据目标区域的地理位置和待预测的时间段，计算得到充/换电需求量的预测值。对比申请号为201410730212.5的文件，本发明所提出的充/换电需求量预测方法，在保证预测准确度的基础上，无需车主、区域代理提前申报，能够大幅度节约人力物力和时间成本，提高了预测的效率和用户体验。
方案1、一种电动汽车充换电需求量预测方法，适于在计算机设备中执行，其特征在于，利用所构建的电动汽车充/换电需求量的概率分布模型，预测目标区域特定细分时段中电动汽车充/换电需求量；
其中，所述电动汽车充/换电需求量的概率分布模型，包括目标区域设定时间周期内与各设定细分时段一一对应的第一概率分布函数；
所述第一概率分布函数，为目标区域设定时间周期内各设定细分时段中电动汽车充/换电需求量的概率分布函数，由第二概率分布函数乘以每辆电动汽车的平均充/换电概率得到；
所述第二概率分布函数，为目标区域设定时间周期内各设定细分时段中电动汽车数量的概率分布函数，基于历史统计数据，采用特定概率分布，用基于样本的参数估计的方法来拟合；
所述特定细分时段，与所述设定时间周期内各设定细分时段之一对应。
方案2、根据方案1所述的方法，其特征在于，所述特定概率分布为泊松分布。
方案3、根据方案1所述的方法，其特征在于，根据所述电动汽车充/换电需求量的概率分布模型，预测目标区域特定细分时段中电动汽车充/换电需求量，其方法为：
取对应的所述第一概率分布函数的最大值，或
生成一个服从对应的所述第一概率分布函数的随机数，或
生成预设数量的服从对应的所述第一概率分布函数的随机数，取所生成的预设数量随机数的平均值，
作为目标区域特定细分时段中电动汽车充/换电需求量的预测值。
方案4、根据方案1所述的方法，其特征在于，所述电动汽车充/换电需求量的概率分布模型的构建方法，包括以下步骤：
步骤S1，根据目标区域在所述历史时间周期内，各设定细分时段中电动汽车数量及充/换电需求量的统计数据，拟合所述第二概率分布函数，并计算所述每辆电动汽车的平均充/换电概率；
步骤S2，根据步骤S1中得到的所述第二概率分布函数、所述每辆电动汽车的平均充/换电概率，构建所述第一概率分布函数；
步骤S3，将步骤S2中所得到的所述第一概率分布函数与设定时间周期内所述各设定细分时段一一对应，构建所述电动汽车充/换电需求量的概率分布模型。
方案5、根据方案4所述的方法，其特征在于，还包括对所述电动汽车充/换电需求量的概率分布模型进行更新的方法：每得到一个所述设定时间周期内各设定细分时段中电动汽车充/换电需求量的实际统计信息，则依据该实际统计信息对所述电动汽车充/换电需求量的概率分布模型进行迭代更新。
方案6、根据方案4所述的方法，其特征在于，所述每辆电动汽车的平均充/换电概率为预设值，或
根据目标区域历史时间周期内，各设定细分时段中电动汽车充/换电需求量除以电动汽车数量计算得到。
方案7、根据方案1-6中任一项所述的方法，其特征在于，所述设定时间周期为一个自然日，并均匀划分为所述各设定细分时段。
方案8、根据方案7所述的方法，其特征在于，若待预测的区域包含多个目标区域，则分别构建对应于各目标区域的所述电动汽车充/换电需求量的概率分布模型。
方案9、根据方案8所述的方法，其特征在于，目标区域设定时间周期内各设定细分时段中电动汽车数量，包括：停车位上的电动汽车数量和行车道路上的电动汽车数量。
方案10、根据方案9所述的方法，其特征在于，待预测的区域中，各目标区域的所述第二概率分布函数为：
Figure BDA0001306350290000061
其中，m,n为确定该目标区域具体位置的变量，t为细分时间段的序号，λm,n,t为该目标区域内电动汽车数量泊松分布的参数，λm,n,t＝λ1+λ2，λ1为该目标区域内所述停车位上的电动汽车数量泊松分布的参数，λ2为该目标区域内所述行车道路上的电动汽车数量泊松分布的参数；k为该目标区域中设定时间周期内第t个时段电动汽车的数量，k＝1,2,3,...。
方案11、根据方案10所述的方法，其特征在于，待预测的区域中，各目标区域的所述第一概率分布函数为：
Figure BDA0001306350290000071
其中，m,n为确定该目标区域具体位置的变量，t为细分时间段的序号，λm,n,t为该目标区域内电动汽车数量泊松分布的参数，λm,n,t＝λ1+λ2，λ1为该目标区域内所述停车位上的电动汽车数量泊松分布的参数，λ2为该目标区域内所述行车道路上的电动汽车数量泊松分布的参数；Pt为每辆电动汽车在第t个时段发起充/换电的概率；k为该目标区域中设定时间周期内第t个时段电动汽车的数量，k＝1,2,3,...。
方案12、根据方案11所述的方法，其特征在于，计算拟合的概率分布和实测数据得到的直方图分布之间的K-L散度：
Figure BDA0001306350290000072
其中，p(x)为拟合的概率分布，q(x)实测数据得到的直方图分布；
根据预设的反比例函数和所述K-L散度，计算充/换电需求量预测值的准确度。
方案13、一种存储设备，其中存储有计算机程序，其特征在于，所述程序适于由处理器加载并执行时实现方案1-12中任一项所述的电动汽车充换电需求量预测方法的步骤。
方案14、一种电动汽车充换电需求量预测系统，包括：处理器和存储设备，其特征在于：
所述存储设备，用于存储计算机程序；
所述处理器，加载并执行所述程序时实现方案1-12中任一项所述的电动汽车充换电需求量预测方法的步骤。
附图说明
图1为本实施例中，充/换电需求量概率分布模型的构建方法流程示意图；
图2为本实施例中，同一停车位上在一个自然日中不同时间段的停车概率分布示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明提出一种电动汽车充换电需求量预测方法，用来预测目标区域内在特定时间段有多少量电动汽车需要充电或者换电，以便为充、换电站的集中调度提供依据。其初始输入为目标区域的车位数、道路平均车流量等数据，实际运行过程中统计每次充/换电需求发生的时间和地理位置，作为大数据集，用来构建电动汽车充/换电需求量概率分布模型；利用得到的概率分布模型，计算目标区域的充/换电需求量概率分布，进而进行下一个自然日的预测，并在得到下一个自然日的实际数据后迭代更新概率分布模型。
本发明提出的电动汽车充换电需求量预测方法，适于在计算机设备中执行，利用所构建的电动汽车充/换电需求量的概率分布模型，预测目标区域特定细分时段中电动汽车充/换电需求量。
其中，所述电动汽车充/换电需求量的概率分布模型，包括目标区域设定时间周期内与各设定细分时段一一对应的第一概率分布函数。
所述第一概率分布函数，为目标区域设定时间周期内各设定细分时段中电动汽车充/换电需求量的概率分布函数，由第二概率分布函数乘以每辆电动汽车的平均充/换电概率得到。
所述第二概率分布函数，为目标区域设定时间周期内各设定细分时段中电动汽车数量的概率分布函数，基于历史统计数据，采用特定概率分布，用基于样本的参数估计的方法来拟合。
所述特定细分时段，与所述设定时间周期内各设定细分时段之一对应。
本实施例中，所述特定概率分布，为泊松分布；还可以选用正态分布、均匀分布、多项式分布、拉普拉斯分布、x2分布等。
本实施例中，根据所述电动汽车充/换电需求量的概率分布模型，预测目标区域特定细分时段中电动汽车充/换电需求量，其方法为：
取对应的所述第一概率分布函数的最大值，或生成一个服从对应的所述第一概率分布函数的随机数，或生成预设数量的服从对应的所述第一概率分布函数的随机数，取所生成的预设数量随机数的平均值，作为目标区域特定细分时段中电动汽车充/换电需求量的预测值。
本实施例中，所述电动汽车充/换电需求量的概率分布模型的构建方法，如图1所示，包括以下步骤：
步骤S1，根据目标区域在所述历史时间周期内，各设定细分时段中电动汽车数量及充/换电需求量的统计数据，拟合所述第二概率分布函数，并计算所述每辆电动汽车的平均充/换电概率；
步骤S2，根据步骤S1中得到的所述第二概率分布函数、所述每辆电动汽车的平均充/换电概率，构建所述第一概率分布函数；
步骤S3，将步骤S2中所得到的所述第一概率分布函数与设定时间周期内所述各设定细分时段一一对应，构建所述电动汽车充/换电需求量的概率分布模型。
本实施例中，还包括对所述电动汽车充/换电需求量的概率分布模型进行更新的方法：每得到一个所述设定时间周期内各设定细分时段中电动汽车充/换电需求量的实际统计信息，则依据该实际统计信息对所述电动汽车充/换电需求量的概率分布模型进行迭代更新。
本实施例中，所述每辆电动汽车的平均充/换电概率为预设值(可以按照经验值设置)，或根据目标区域历史时间周期内，各设定细分时段中电动汽车充/换电需求量除以电动汽车数量计算得到。
本实施例中，所述设定时间周期为一个自然日，并均匀划分为所述各设定细分时段。
本实施例中，若待预测的区域包含多个目标区域，如M×N个方形小块，把一个自然日的时间细分成预设数量的时间段，假设第(m,n)个目标区域，在第t时间段的充/换电需求为S(m,n,t)个，充/换电需求量预测问题即为预测S(m,n,t)这个三维随机变量在每一组(m,n,t)上的取值。其中，m＝1,2,3,...,M，n＝1,2,3,...,N。
用泊松分布拟合各目标区域内电动汽车数量的概率分布，对随机变量S(m,n,t)进行概率分布的建模，然后用实际充/换电需求量的统计数据估算概率分布模型中的参数，并利用此模型预测下一自然日的充/换电需求量。
本实施例中，各目标区域内的电动汽车数量，包括：停车位上的电动汽车数量和行车道路上的电动汽车数量。下面详细介绍概率分布模型的构建思路及其使用方法：
一、对停车位上电动汽车数量进行估计：
假设目标区域(m,n)内有l个电动汽车停车位，设定时间周期为一个自然日，则每个停车位上的停车概率在一个自然日内是一个比较确定的分布。以15分钟为一个时间段，把一个自然日细分成96个时间段，每个细分时间段的概率分布如图2所示，针对每个时间段，每个车位上的停车概率为一个二项伯努利分布。初步假设每个停车位上停车概率p都相同，则该目标区域内停车位上的每个时间段内电动汽车数量为k的概率，如公式(1)所示：
Figure BDA0001306350290000101
其中，k＝0,1,...,l；根据泊松定理，当l很大时，该分布逼近泊松分布，如公式(2)所示：
Figure BDA0001306350290000102
其中，λ1是需要估计的泊松分布的参数，与l和p有关。也就是说，该目标区域内停车位上的电动汽车数量服从泊松分布，与车位数l及停车概率p有关。简单可以认为，λ1与l和p的关系如公式(3)所示：
λ1＝l*p (3)
二、对道路上电动车数量进行估计：
一般而言，某个时间段内道路上通过的电动汽车的数量也可以用泊松分布来描述，而这一数据可以通过道路流量乘以电动汽车比例来估计。
三、估计泊松分布的参数：
在实际运营过程中，统计各目标区域内在各时间段的充/换电需求量的历史数据，在D天的时间尺度内，得到停车车位和道路上发起充/换电需求的次数，分别记为：
从第1天到第D天车位上的电动汽车数量为：[A1...AD]；
从第1天到第D天道路上的电动汽车数量为：[B1...BD]；
如果假设电动汽车数量仅由车位和道路上组成，则总的电动汽车数量为：[A1+B1...AD+BD]。
车位上停车数量的泊松分布的参数λ1的最大似然估计，如公式(4)所示：
Figure BDA0001306350290000111
其中，
Figure BDA0001306350290000112
为D天内停车位上电动汽车数量的平均值，Ai为第i天时停车位上的电动汽车数量，i＝1,2,...,D。
道路上行车数量的泊松分布参数λ2的最大似然估计，如公式(5)所示：
Figure BDA0001306350290000113
其中，
Figure BDA0001306350290000114
为D天内道路上电动汽车数量的平均值，Bi为第i天时道路上的电动汽车数量，i＝1,2,...,D。
本实施例中，λ1和λ2还可以采用矩估计法得到。
四、构建概率分布模型：
根据泊松定理，两个独立同分布的泊松分布的和仍然为泊松分布，则该目标区域内电动汽车总数量Total(m,n,t)的分布服从参数为λm,n,t＝λ1+λ2的泊松分布。该目标区域设定时间周期内各设定细分时段中电动汽车数量的概率分布函数(即第二概率分布函数)，如公式(6)所示：
Figure BDA0001306350290000115
其中，k为该目标区域中设定时间周期内第t个时段电动汽车的数量，k＝1,2,3,...。
设每辆电动汽车的平均充/换电概率为Pt，可以按照经验值设置，或根据目标区域历史时间周期内各设定细分时段中电动汽车充/换电实际需求量除以电动汽车总数量计算得到。
于是，我们得到该目标区域(m,n)设定时间周期内各设定细分时段中电动汽车充/换电需求量的概率分布函数(即第一概率分布函数)，如公式(7)所示：
Figure BDA0001306350290000121
其中，m,n为确定该目标区域具体位置的变量，t为细分时间段的序号，λm,n,t为该目标区域内电动汽车总数泊松分布的参数，λm,n,t＝λ1+λ2，λ1为该目标区域内所述停车位上的电动汽车数量泊松分布的参数，λ2为该目标区域内所述行车道路上的电动汽车数量泊松分布的参数；Pt为每辆电动汽车在第t个时间段发起充/换电的概率，k为该目标区域中设定时间周期内第t个时段电动汽车的数量，k＝1,2,3,...。
与各个细分时段一一对应的第一概率分布函数，构成了所述电动汽车充/换电需求量的概率分布模型。
五、举例说明概率分布模型的使用方法：
如果我们想要针对某个区域，预测该区域在第二天上午6点～7点之间(即6:00:00～6:59:59)的充/换电需求量，已知该区域内包含4×4个目标区域，且这4个目标区域均已分别构建了对应的概率分布模型，则按照上面所说的每15分钟划分为一个时间段，那就要分别预测这16个目标区域内第21～第24个时间段的充/换电需求量。根据如公式(7)所示的第一概率分布函数，对于第(1,1)个目标区域，可以分别取该目标区域内第21～第24个时间段的最大概率值，作为该目标区域内第21～第24个时间段电动汽车充/换电需求量的预测值，将这4个预测值加起来，得到该目标区域内6点～7点的充/换电需求量的预测值；同理，分别计算出另外15个目标区域内6点～7点的充/换电需求量的预测值；把上述16个目标区域的预测值加起来，就得到这个待预测区域在第二天上午6点～7点之间的充/换电需求量的预测值。
本实施例中，针对每个目标区域，还可以采用随机数生成的方法，生成一个服从对应的第一概率分布函数的随机数，作为该目标区域内每个细分时间段的预测值；还可以生成预设数量的服从对应的第一概率分布函数的随机数，然后取这些随机数的平均值，作为该目标区域内每个细分时间段的预测值。
本实施例中，在实际运营过程中统计每次充/换电需求发生的时间和地理位置，加入大数据集，对所述电动汽车充/换电需求量的概率分布模型进行更新；利用更新后的所述电动汽车充/换电需求量的概率分布模型，预测下一个自然日的对应充/换电需求量；在得到第D+1天的实际数据后，可以把相应的值增加到公式(5)、(6)中，对λ1和λ2的估计值进行更新，进而根据更新后的λ1和λ2将公式(7)进行更新，得到更新后的概率分布模型。
本实施例中，为了评估概率分布预测结果的准确程度，引入K-L散度(Kullback–Leibler divergence，又称相对熵，是描述两个概率分布差异的一种方法)来衡量实测的概率分布和用泊松分布拟合的概率分布之间的差异。
假设拟合得到的概率分布为p(x)，也就是公式(7)求得的第一概率分布函数S(m,n,t)，实测数据得到的直方图分布为q(x)，这里用归一化的直方图分布，即实测数据的频度来代替概率分布，得到p(x)与q(x)之间的K-L散度，如公式(8)所示：
Figure BDA0001306350290000131
当计算出的KL值越小时，说明拟合度越高，对D+1天的换电需求量的预测就越准，反之则越不准。根据KL值，利用反比例函数计算出充换电需求量预测准确度，如公式(9)所示：
y＝k/x (9)
其中，k为经验值，x为公式(8)得到的KL值，y为预测准确度。在实际的充/换电调度算法中，可以根据这个准确度来设置预测值的置信系数。
本发明同时提出一种存储设备，其中存储有计算机程序，所述程序适于由处理器加载并执行时实现上面所述的电动汽车充换电需求量预测方法的步骤。
本发明同时提出一种电动汽车充换电需求量预测系统，包括：处理器和存储设备。
所述存储设备，用于存储计算机程序。
所述处理器，加载并执行所述程序时实现上面所述的电动汽车充换电需求量预测方法的步骤。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (13)

1.一种电动汽车充换电需求量预测方法，适于在计算机设备中执行，其特征在于，利用所构建的电动汽车充/换电需求量的概率分布模型，预测目标区域特定细分时段中电动汽车充/换电需求量；
其中，所述电动汽车充/换电需求量的概率分布模型，包括目标区域设定时间周期内与各设定细分时段一一对应的第一概率分布函数；
所述第一概率分布函数，为目标区域设定时间周期内各设定细分时段中电动汽车充/换电需求量的概率分布函数，由第二概率分布函数乘以每辆电动汽车的平均充/换电概率得到；
所述第二概率分布函数，为目标区域设定时间周期内各设定细分时段中电动汽车数量的概率分布函数，基于历史统计数据，采用特定概率分布，用基于样本的参数估计的方法来拟合；
所述特定细分时段，与所述设定时间周期内各设定细分时段之一对应；
所述利用所构建的电动汽车充/换电需求量的概率分布模型，预测目标区域特定细分时段中电动汽车充/换电需求量，具体包括：取对应的所述第一概率分布函数的最大值，或生成一个服从对应的所述第一概率分布函数的随机数，或生成预设数量的服从对应的所述第一概率分布函数的随机数，取所生成的预设数量随机数的平均值，作为目标区域特定细分时段中电动汽车充/换电需求量的预测值。
2.根据权利要求1所述的方法，其特征在于，所述特定概率分布为泊松分布。
3.根据权利要求1所述的方法，其特征在于，所述电动汽车充/换电需求量的概率分布模型的构建方法，包括以下步骤：
步骤S1，根据目标区域在历史时间周期内，各设定细分时段中电动汽车数量及充/换电需求量的统计数据，拟合所述第二概率分布函数，并计算所述每辆电动汽车的平均充/换电概率；
步骤S2，根据步骤S1中得到的所述第二概率分布函数、所述每辆电动汽车的平均充/换电概率，构建所述第一概率分布函数；
步骤S3，将步骤S2中所得到的所述第一概率分布函数与设定时间周期内所述各设定细分时段一一对应，构建所述电动汽车充/换电需求量的概率分布模型。
4.根据权利要求3所述的方法，其特征在于，还包括对所述电动汽车充/换电需求量的概率分布模型进行更新的方法：每得到一个所述设定时间周期内各设定细分时段中电动汽车充/换电需求量的实际统计信息，则依据该实际统计信息对所述电动汽车充/换电需求量的概率分布模型进行迭代更新。
5.根据权利要求3所述的方法，其特征在于，所述每辆电动汽车的平均充/换电概率为预设值，或
根据目标区域历史时间周期内，各设定细分时段中电动汽车充/换电需求量除以电动汽车数量计算得到。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述设定时间周期为一个自然日，并均匀划分为所述各设定细分时段。
7.根据权利要求6所述的方法，其特征在于，若待预测的区域包含多个目标区域，则分别构建对应于各目标区域的所述电动汽车充/换电需求量的概率分布模型。
8.根据权利要求7所述的方法，其特征在于，目标区域设定时间周期内各设定细分时段中电动汽车数量，包括：停车位上的电动汽车数量和行车道路上的电动汽车数量。
9.根据权利要求8所述的方法，其特征在于，待预测的区域中，各目标区域的所述第二概率分布函数为：
Figure FDA0002457644340000021
其中，m,n为确定该目标区域具体位置的变量，t为细分时间段的序号，λm,n,t为该目标区域内电动汽车数量泊松分布的参数，λm,n,t＝λ1+λ2，λ1为该目标区域内所述停车位上的电动汽车数量泊松分布的参数，λ2为该目标区域内所述行车道路上的电动汽车数量泊松分布的参数；k为该目标区域中设定时间周期内第t个时段电动汽车的数量，k＝1,2,3,...。
10.根据权利要求9所述的方法，其特征在于，待预测的区域中，各目标区域的所述第一概率分布函数为：
Figure FDA0002457644340000031
其中，Pt为每辆电动汽车在第t个时段发起充/换电的概率。
11.根据权利要求10所述的方法，其特征在于，在“利用所构建的电动汽车充/换电需求量的概率分布模型，预测目标区域特定细分时段中电动汽车充/换电需求量”的步骤之后，所述方法还包括：
计算拟合的第一概率分布函数S(m,n,t)和实测数据得到的直方图分布之间的K-L散度：
Figure FDA0002457644340000032
其中，p(x)为拟合的第一概率分布函数S(m,n,t)，q(x)实测数据得到的直方图分布；
根据预设的反比例函数和所述K-L散度，计算充/换电需求量预测值的准确度。
12.一种存储设备，其中存储有计算机程序，其特征在于，所述程序适于由处理器加载并执行时实现权利要求1-11中任一项所述的电动汽车充换电需求量预测方法的步骤。
13.一种电动汽车充换电需求量预测系统，包括：处理器和存储设备，其特征在于：
所述存储设备，用于存储计算机程序；
所述处理器，加载并执行所述程序时实现权利要求1-11中任一项所述的电动汽车充换电需求量预测方法的步骤。
CN201710385905.9A 2017-05-26 2017-05-26 电动汽车充换电需求量预测方法、存储设备及系统 Active CN107274008B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710385905.9A CN107274008B (zh) 2017-05-26 2017-05-26 电动汽车充换电需求量预测方法、存储设备及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710385905.9A CN107274008B (zh) 2017-05-26 2017-05-26 电动汽车充换电需求量预测方法、存储设备及系统

Publications (2)

Publication Number Publication Date
CN107274008A CN107274008A (zh) 2017-10-20
CN107274008B true CN107274008B (zh) 2020-06-30

Family

ID=60065329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710385905.9A Active CN107274008B (zh) 2017-05-26 2017-05-26 电动汽车充换电需求量预测方法、存储设备及系统

Country Status (1)

Country Link
CN (1) CN107274008B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182537B (zh) * 2017-12-30 2022-03-18 国网天津市电力公司电力科学研究院 基于排队论的电动出租车快速充电站服务特性分析方法
CN112560325A (zh) * 2019-09-25 2021-03-26 奥动新能源汽车科技有限公司 换电业务的预测方法、系统、设备及存储介质
CN115171291B (zh) * 2022-06-27 2024-05-03 合肥美的智能科技有限公司 智能柜的控制方法及装置、存储介质、智能柜
CN115660223B (zh) * 2022-12-12 2023-04-11 佛山隆深机器人有限公司 一种基于大数据的加氢调度系统及方法
CN116777517A (zh) * 2023-07-27 2023-09-19 苏州德博新能源有限公司 一种电池箱位置确定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968551A (zh) * 2012-10-24 2013-03-13 中国电力科学研究院 一种电动汽车运行特性建模分析方法
CN105809278A (zh) * 2016-03-03 2016-07-27 华北电力大学（保定） 一种基于排队论算法的电动汽车换电站选址规划方法
CN105868865A (zh) * 2016-04-13 2016-08-17 华北电力大学 基于多元线性回归与比例替代法的电动汽车保有量预测方法
CN106127339A (zh) * 2016-06-23 2016-11-16 海南电力技术研究院 基于概率模型的电动汽车充电负荷预测方法和装置
CN106295860A (zh) * 2016-07-29 2017-01-04 国网山东省电力公司经济技术研究院 一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9626823B2 (en) * 2014-04-11 2017-04-18 Nissan North America, Inc. System and method of predicting future demand of a charging station

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968551A (zh) * 2012-10-24 2013-03-13 中国电力科学研究院 一种电动汽车运行特性建模分析方法
CN105809278A (zh) * 2016-03-03 2016-07-27 华北电力大学（保定） 一种基于排队论算法的电动汽车换电站选址规划方法
CN105868865A (zh) * 2016-04-13 2016-08-17 华北电力大学 基于多元线性回归与比例替代法的电动汽车保有量预测方法
CN106127339A (zh) * 2016-06-23 2016-11-16 海南电力技术研究院 基于概率模型的电动汽车充电负荷预测方法和装置
CN106295860A (zh) * 2016-07-29 2017-01-04 国网山东省电力公司经济技术研究院 一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Advanced Data Driven Model for Residential Electric Vehicle Charging Demand;Xiaochen Zhang;《2015 IEEE Power&Engrgy Society General Meeting》;20150730;全文 *
电动汽车充换电站选址规划布局研究;周利梅;《中国优秀硕士学位论文全文数据库（工程科技II辑）》;20130215(第2期);全文 *

Also Published As

Publication number Publication date
CN107274008A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
CN107274008B (zh) 电动汽车充换电需求量预测方法、存储设备及系统
Chen et al. Managing truck arrivals with time windows to alleviate gate congestion at container terminals
Chiş et al. Reinforcement learning-based plug-in electric vehicle charging with forecasted price
Henri et al. A supervised machine learning approach to control energy storage devices
Zeng et al. Antithetic method‐based particle swarm optimization for a queuing network problem with fuzzy data in concrete transportation systems
Nghiem et al. Receding-horizon supervisory control of green buildings
KR20140043184A (ko) 에너지 소비량 예측 장치 및 방법
CN109461091B (zh) 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统
CN111126740A (zh) 共享汽车充电调度方法、电子设备及存储介质
CN105243502A (zh) 一种基于径流区间预测的水电站调度风险评估方法及系统
CN109800917A (zh) 一种电动汽车停车场的规划方法、装置和计算设备
CN113672846A (zh) 网约车调度方法、装置、电子设备及存储介质
CN109978241B (zh) 一种电动汽车充电负荷的确定方法及装置
CN108205713A (zh) 一种区域风电功率预测误差分布确定方法和装置
Zhou et al. Electric bus charging facility planning with uncertainties: Model formulation and algorithm design
CN111833205A (zh) 一种大数据场景下的移动充电桩群体智能调度方法
WO2020090949A1 (ja) 蓄電素子評価装置、コンピュータプログラム、蓄電素子評価方法、学習方法及び生成方法
Leithon et al. Task scheduling strategies for utility maximization in a renewable-powered IoT node
Yamaguchi et al. Real-time prediction for future profile of car travel based on statistical data and greedy algorithm
Catalão et al. Short-term wind power forecasting using a hybrid evolutionary intelligent approach
CN116804711A (zh) 基于预测的使用模式来提供设备电池组的预测健康状态的方法和装置
CN115808922B (zh) 商用电动车辆能耗预测方法、装置和计算机设备
CN116562427A (zh) 充电站的充电负荷预测方法及装置、存储介质、设备
CN115759779A (zh) 电动汽车充换电站选址方法、电子设备及存储介质
Baker et al. Transferable Energy Storage Bidder

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant