CN107704963A - 一种考虑时空分布的电动汽车充电负荷预测方法 - Google Patents
一种考虑时空分布的电动汽车充电负荷预测方法 Download PDFInfo
- Publication number
- CN107704963A CN107704963A CN201710952465.0A CN201710952465A CN107704963A CN 107704963 A CN107704963 A CN 107704963A CN 201710952465 A CN201710952465 A CN 201710952465A CN 107704963 A CN107704963 A CN 107704963A
- Authority
- CN
- China
- Prior art keywords
- traffic
- charging
- electric automobile
- trip
- section
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 38
- 238000013277 forecasting method Methods 0.000 title claims abstract description 19
- 230000002123 temporal effect Effects 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 239000003102 growth factor Substances 0.000 claims abstract description 7
- 241001269238 Data Species 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 241000229175 Calotes Species 0.000 claims 1
- 238000013439 planning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑时空分布的电动汽车充电负荷预测方法，包括以下步骤：(1)根据当前交通小区出行发生量和吸引量，采用增长系数法计算未来交通小区出行发生量和吸引量；(2)采用交通分布预测模型计算得到未来各交通小区之间的交通量分布；(3)通过最短路径法将所有交通小区之间的OD矩阵数据覆盖到路网的全部路段上面；计算出路网中所有出行路线上面的交通流量，以及全部路段的交通流量值；(4)输入电动汽车的原始数据，基于各路段交通流量进行电动汽车出行路线模拟仿真，求取充电时电动汽车的充电负荷，生成未来设定时间段内各充电站的充电负荷曲线，从而对充电站的规划和运行提供数据支撑，进而为配电网的空间负荷预测提供依据。
Description
技术领域
本发明涉及一种考虑时空分布的电动汽车充电负荷预测方法，属于电力电网技术领域。
背景技术
电动汽车作为一种低碳、清洁的交通工具，受到越来越多的关注。目前电动汽车的产业发展主要受到价格、续航里程、充电设施建设等因素的制约。同时，电动汽车充电负荷具有时间和空间上的随机性、间歇性、波动性等不确定特点，给电网规划、安全运行和优化调度带来新的问题。
现有负荷预测技术在分析其对于配电网负荷的影响时通常只针对电动汽车充电负荷的时间变化特性。而少有考虑其空间分布规律，且多数预测方法未充分考虑交通流量这一影响因素。
发明内容
针对现有技术存在的不足，本发明目的是提供一种考虑时空分布的电动汽车充电负荷预测方法，将交通预测理论用于模拟电动汽车的出行路线，实时更新电动汽车的车辆位置和荷电状态，从而计算设定时间段内的各充电站的充电负荷。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明的一种考虑时空分布的电动汽车充电负荷预测方法，包括以下几个步骤：
(1)根据当前各交通小区出行发生量和吸引量，采用增长系数法计算未来各交通小区出行发生量和吸引量；
(2)基于步骤(1)中预测的未来各交通小区的出行发生量和吸引量，结合当前各交通小区之间的出行量，采用交通分布预测模型计算预测时间点的各交通小区之间的出行量，即预测时间点的OD矩阵；
(3)通过最短路径法将步骤(2)得到的所有交通小区之间的OD矩阵数据分配到路网的全部路段上面；计算出路网中所有出行路线上面的交通流量，以及全部路段的交通流量值；
(4)输入电动汽车的原始数据，基于步骤(3)中计算得出的各路段交通流量值，采用蒙特卡洛法进行电动汽车出行路线模拟仿真，进而求取充电时电动汽车的充电负荷，最后生成未来设定时间段内各充电站的充电负荷曲线。
步骤(1)中，同时考虑地区人口、经济增长和土地利用情况，采用增长系数法计算未来各交通小区出行发生量和吸引量。
步骤(2)中，采用的是弗雷特交通分布预测模型。
步骤(3)中，采用最短路径法逐一计算步骤(2)中得到的OD矩阵点对之间的最短路线，并分配到出行路线的各路段，最后累加得出各路段的交通流量值。
步骤(3)，所述最短路径法分配交通流量的具体方法如下：
(3-1)取步骤(2)中得出的OD矩阵中的一个点对，计算该点对之间的最短路线；
(3-2)取该点对的值，即当前点对之间的出行量，将其分配到(3-1)计算得出的最短路径上；
(3-3)对所述最短路径上的各路段分配当前点对之间的出行量，得出该点对影响下的各路段的交通流量值；
(3-4)判断该点对是否是最后一个点对，如果是则输出各路段交通流量值，交通分配过程结束；如果不是则取下一点对进入步骤(3-1)。
步骤(4)，所述原始数据包括电动汽车的车辆数、车辆类型、充电方式、电能损耗和路网流量。
步骤(4)，采用蒙特卡洛法进行电动汽车出行路线模拟仿真，具体方法如下：
(4-1)对于当前模拟的车辆，根据当前实际出行情况统计出行概率分布数据，随机抽取出发时间、出发地点和起始SOC；
(4-2)计算当前模拟车辆的汽车位置和电量百分比；
(4-3)判断步骤(4-2)中的电量百分比是否小于设定的阈值，如果是则基于步骤(3)得出各路段的交通流量值，采用最短路径法寻找最近的充电站，否则正常行驶，转入步骤(4-2)；
(4-4)计算需要充电的电动汽车的起始时刻和荷电状态SOC；
(4-5)计算该电动汽车的充电负荷，并累加得到该充电站的负荷曲线；
(4-6)判断是否是最后一辆模拟车辆，如果是仿真结束，否则进入步骤(4-1)。
本发明的一种考虑时空分布的电动汽车充电负荷预测方法，生成城市区域内各充电站在设定时间段内的充电负荷曲线，对电动汽车充电负荷进行时空特征分析，一方面有利于电动汽车充电站的经济运行及能量管理，为城市基础设施规划建设提供参考依据；另一方面有利于电力系统最有潮流，电网经济调度，对电力市场交易及发电机组最优组合研究等有着深远的意义。本发明的电动汽车充电负荷预测方法通过收集交通数据，更加准确地描述其充电行为特性，且将网状的城市交通形态作为路段交通流量值的载体，充分考虑充电负荷的空间特征。
附图说明
图1为本发明的考虑时空分布的电动汽车充电负荷预测方法工作流程图；
图2为电动汽车充电负荷预测方法中的最短路径法工作流程图；
图3为电动汽车充电负荷预测方法中的蒙特卡洛仿真流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明的一种考虑时空分布的电动汽车充电负荷预测方法，该方法充分考虑电动汽车电池特性，充电方式，起始荷电状态(SOC)，交通量分布等因素。
首先根据各交通小区当前出行分布数据，采用增长系数法计算未来交通发生量，吸引量的预测值，进而预测未来各区域之间的交通量分布；再通过最短路径法将已经预测得到的所有交通小区之间的交通量(即OD矩阵)，结合现有路网结构信息根据交通分配模型的规则覆盖到路网的全部路段上面，继而计算出路网中所有出行路线上面的交通流量，以及全部路段的交通流量值；最后基于各路段交通流量，采用蒙特卡洛法进行电动汽车出行路线模拟仿真，在模拟中实时检查电动汽车电量百分比，车辆位置等，进而求取充电时电动汽车的充电负荷，预测一天中各充电站的充电负荷，为电动汽车接入电网的影响分析和调控策略提供理论支持。
本发明采用蒙特卡洛仿真法抽取电动汽车出行时间，出行地点和起始荷电状态SOC，模拟电动汽车出行路线，实时检查电动汽车电量百分比，车辆位置等，进而求取充电时电动汽车的充电负荷，生成各充电站在指定时间段内的充电负荷曲线。
参见图1，本发明实施例的考虑时空分布的电动汽车负荷预测方法包括以下几个步骤：
(1)基于当前各交通小区出行发生量、吸引量，综合考虑地区人口、经济增长和土地利用等因素，采用增长系数法计算未来交通发生量，吸引量的预测值；
(2)基于步骤(1)中预测的未来各交通小区的出行发生量和吸引量，结合当前各交通小区之间的出行量，采用弗雷特交通分布预测模型计算预测时间点的各交通小区之间的出行量，即预测时间点的OD矩阵；
(3)通过最短路径法将步骤(2)得到的所有交通小区之间的OD矩阵数据覆盖分配到路网的全部路段上面；计算出路网中所有出行路线上面的交通流量，以及全部路段的交通流量值；采用最短路径法逐一计算步骤(2)中得到的OD矩阵点对之间的最短路线，并分配到出行路线的各路段，最后累加得出各路段的交通流量值。
(4)输入原始数据，包括电动汽车的车辆数，车辆类型、充电方式、电耗、路网流量等；采用蒙特卡洛法进行电动汽车出行路线模拟仿真，在模拟中实时检查电动汽车电量百分比，车辆位置等，进而求取充电时电动汽车的充电负荷，生成未来某指定时间段内各充电站的充电负荷曲线。
其中步骤(3)的交通分配过程是基于步骤(2)中生成的预测时间的OD矩阵和道路网络矩阵数据，具体包括以下详细步骤，如图2所示：
(3-1)取步骤(2)中得出的OD矩阵中的一个点对，计算该点对之间的最短路线；
(3-2)取该点对的值，即当前点对之间的出行量，将其分配到(3-1)计算得出的最短路径上；
(3-3)对所述最短路径上的各路段分配当前点对之间的出行量，得出该点对影响下的各路段的交通流量值；
(3-4)判断该点对是否是最后一个点对，如果是则输出各路段交通流量值，交通分配过程结束；如果不是则取下一点对进入步骤(3-1)。其中步骤(4)具体包括如下几个详细步骤，如图3所示：
(4-1)对于当前模拟的车辆，根据当前实际出行情况统计出行概率分布数据，随机抽取出发时间、出发地点和起始SOC；
(4-2)计算当前模拟车辆的汽车位置和电量百分比；
(4-3)判断步骤(4-2)中的电量百分比是否小于设定的阈值，如果是则基于步骤(3)得出各路段的交通流量值，采用最短路径法寻找最近的充电站，否则正常行驶，转入步骤(4-2)；
(4-4)计算需要充电的电动汽车的起始时刻和荷电状态SOC；
(4-5)计算该电动汽车的充电负荷，并累加得到该充电站的负荷曲线；
(4-6)判断是否是最后一辆模拟车辆，如果是仿真结束，否则进入步骤(4-1)。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种考虑时空分布的电动汽车充电负荷预测方法，其特征在于，包括以下几个步骤：
(1)根据当前各交通小区出行发生量和吸引量，采用增长系数法计算未来各交通小区出行发生量和吸引量；
(2)基于步骤(1)中预测的未来各交通小区的出行发生量和吸引量，结合当前各交通小区之间的出行量，采用交通分布预测模型计算预测时间点的各交通小区之间的出行量，即预测时间点的OD矩阵；
(3)通过最短路径法将步骤(2)得到的所有交通小区之间的OD矩阵数据分配到路网的全部路段上面；计算出路网中所有出行路线上面的交通流量，以及全部路段的交通流量值；
(4)输入电动汽车的原始数据，基于步骤(3)中计算得出的各路段交通流量值，采用蒙特卡洛法进行电动汽车出行路线模拟仿真，进而求取充电时电动汽车的充电负荷，最后生成未来设定时间段内各充电站的充电负荷曲线。
2.根据权利要求1所述的考虑时空分布的电动汽车充电负荷预测方法，其特征在于，步骤(1)中，同时考虑地区人口、经济增长和土地利用情况，采用增长系数法计算未来各交通小区出行发生量和吸引量。
3.根据权利要求1所述的考虑时空分布的电动汽车充电负荷预测方法，其特征在于，步骤(2)中，采用的是弗雷特交通分布预测模型。
4.根据权利要求1所述的考虑时空分布的电动汽车充电负荷预测方法，其特征在于，步骤(3)中，采用最短路径法逐一计算步骤(2)中得到的OD矩阵点对之间的最短路线，并分配到出行路线的各路段，最后累加得出各路段的交通流量值。
5.根据权利要求1所述的考虑时空分布的电动汽车充电负荷预测方法，其特征在于，步骤(3)，所述最短路径法分配交通流量的具体方法如下：
(3-1)取步骤(2)中得出的OD矩阵中的一个点对，计算该点对之间的最短路线；
(3-2)取该点对的值，即当前点对之间的出行量，将其分配到(3-1)计算得出的最短路径上；
(3-3)对所述最短路径上的各路段分配当前点对之间的出行量，得出该点对影响下的各路段的交通流量值；
(3-4)判断该点对是否是最后一个点对，如果是则输出各路段交通流量值，交通分配过程结束；如果不是则取下一点对进入步骤(3-1)。
6.根据权利要求1所述的考虑时空分布的电动汽车充电负荷预测方法，其特征在于，步骤(4)，所述原始数据包括电动汽车的车辆数、车辆类型、充电方式、电能损耗和路网流量。
7.根据权利要求1所述的考虑时空分布的电动汽车充电负荷预测方法，其特征在于，步骤(4)，采用蒙特卡洛法进行电动汽车出行路线模拟仿真，具体方法如下：
(4-1)对于当前模拟的车辆，根据当前实际出行情况统计出行概率分布数据，随机抽取出发时间、出发地点和起始SOC；
(4-2)计算当前模拟车辆的汽车位置和电量百分比；
(4-3)判断步骤(4-2)中的电量百分比是否小于设定的阈值，如果是则基于步骤(3)得出各路段的交通流量值，采用最短路径法寻找最近的充电站，否则正常行驶，转入步骤(4-2)；
(4-4)计算需要充电的电动汽车的起始时刻和荷电状态SOC；
(4-5)计算该电动汽车的充电负荷，并累加得到该充电站的负荷曲线；
(4-6)判断是否是最后一辆模拟车辆，如果是仿真结束，否则进入步骤(4-1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710952465.0A CN107704963A (zh) | 2017-10-13 | 2017-10-13 | 一种考虑时空分布的电动汽车充电负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710952465.0A CN107704963A (zh) | 2017-10-13 | 2017-10-13 | 一种考虑时空分布的电动汽车充电负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107704963A true CN107704963A (zh) | 2018-02-16 |
Family
ID=61183762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710952465.0A Pending CN107704963A (zh) | 2017-10-13 | 2017-10-13 | 一种考虑时空分布的电动汽车充电负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107704963A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510128A (zh) * | 2018-04-11 | 2018-09-07 | 华南理工大学广州学院 | 一种区域电动汽车充电负荷时空分布预测方法 |
| CN109919393A (zh) * | 2019-03-22 | 2019-06-21 | 国网上海市电力公司 | 一种电动出租汽车的充电负荷预测方法 |
| CN110516372A (zh) * | 2019-08-29 | 2019-11-29 | 重庆大学 | 计及准动态交通流的电动汽车荷电状态时空分布模拟方法 |
| CN111949940A (zh) * | 2020-06-28 | 2020-11-17 | 佰聆数据股份有限公司 | 基于回归模型的台区变压器过载预测方法、系统及存储介质 |
| CN115691140A (zh) * | 2022-11-02 | 2023-02-03 | 东南大学 | 一种汽车充电需求时空分布的分析与预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599390A (zh) * | 2016-11-23 | 2017-04-26 | 国网浙江省电力公司电动汽车服务分公司 | 一种计及电动出租车时空随机特性的充电负荷的计算方法 |
| CN107067110A (zh) * | 2017-04-14 | 2017-08-18 | 天津大学 | 车‑路‑网模式下电动汽车充电负荷时空预测方法 |
-
2017
- 2017-10-13 CN CN201710952465.0A patent/CN107704963A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599390A (zh) * | 2016-11-23 | 2017-04-26 | 国网浙江省电力公司电动汽车服务分公司 | 一种计及电动出租车时空随机特性的充电负荷的计算方法 |
| CN107067110A (zh) * | 2017-04-14 | 2017-08-18 | 天津大学 | 车‑路‑网模式下电动汽车充电负荷时空预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周翀锐: "计及电动汽车接入的配电网负荷预测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510128A (zh) * | 2018-04-11 | 2018-09-07 | 华南理工大学广州学院 | 一种区域电动汽车充电负荷时空分布预测方法 |
| CN109919393A (zh) * | 2019-03-22 | 2019-06-21 | 国网上海市电力公司 | 一种电动出租汽车的充电负荷预测方法 |
| CN109919393B (zh) * | 2019-03-22 | 2023-08-29 | 国网上海市电力公司 | 一种电动出租汽车的充电负荷预测方法 |
| CN110516372A (zh) * | 2019-08-29 | 2019-11-29 | 重庆大学 | 计及准动态交通流的电动汽车荷电状态时空分布模拟方法 |
| CN110516372B (zh) * | 2019-08-29 | 2023-02-17 | 重庆大学 | 计及准动态交通流的电动汽车荷电状态时空分布模拟方法 |
| CN111949940A (zh) * | 2020-06-28 | 2020-11-17 | 佰聆数据股份有限公司 | 基于回归模型的台区变压器过载预测方法、系统及存储介质 |
| CN111949940B (zh) * | 2020-06-28 | 2021-08-13 | 佰聆数据股份有限公司 | 基于回归模型的台区变压器过载预测方法、系统及存储介质 |
| CN115691140A (zh) * | 2022-11-02 | 2023-02-03 | 东南大学 | 一种汽车充电需求时空分布的分析与预测方法 |
| CN115691140B (zh) * | 2022-11-02 | 2023-08-15 | 东南大学 | 一种汽车充电需求时空分布的分析与预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107704963A (zh) | 一种考虑时空分布的电动汽车充电负荷预测方法 | |
| Wu et al. | A novel fast-charging stations locational planning model for electric bus transit system | |
| 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 | |
| Zhang et al. | Reliability assessment of distribution network and electric vehicle considering quasi-dynamic traffic flow and vehicle-to-grid | |
| Tao et al. | Data-driven optimized layout of battery electric vehicle charging infrastructure | |
| Omran et al. | Location-based forecasting of vehicular charging load on the distribution system | |
| 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 | |
| CN107067110A (zh) | 车‑路‑网模式下电动汽车充电负荷时空预测方法 | |
| CN111400662B (zh) | 一种考虑电动汽车充电需求的空间负荷预测方法 | |
| Meng et al. | Sequential construction planning of electric taxi charging stations considering the development of charging demand | |
| Van den Berg et al. | Impact of electric vehicles charging demand on distribution transformers in an office area and determination of flexibility potential | |
| Cao et al. | Location and capacity determination of charging station based on electric vehicle charging behavior analysis | |
| Knapen et al. | Activity based models for countrywide electric vehicle power demand calculation | |
| Xiang et al. | Integrated traffic-power simulation framework for electric vehicle charging stations based on cellular automaton | |
| Bi et al. | A simulation-based heuristic for city-scale electric vehicle charging station placement | |
| CN117035185A (zh) | 基于动态充电需求的电动汽车充电站布局优化方法及系统 | |
| Gao et al. | Charging load forecasting of electric vehicle based on Monte Carlo and deep learning | |
| Ahmed et al. | GIS and genetic algorithm based integrated optimization for rail transit system planning | |
| Wang et al. | Research on multi-objective planning of electric vehicle charging stations considering the condition of urban traffic network | |
| Zhai et al. | Agent–cellular automata model for the dynamic fluctuation of EV traffic and charging demands based on machine learning algorithm | |
| Zhang et al. | An immune algorithm for solving the optimization problem of locating the battery swapping stations | |
| Liu et al. | Fast charging demand forecasting based on the intelligent sensing system of dynamic vehicle under EVs-traffic-distribution coupling | |
| Liu et al. | Electric vehicle charging station layout based on particle swarm simulation | |
| Stevens et al. | An agent-based model for assessing the financial viability of autonomous mobility on-demand systems used as first and last-mile of public transport trips: A case-study in Rotterdam, the Netherlands | |
| CN103886514B (zh) | 一种考虑经济性与安全性的电网发展评估方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |