CN108074017A - 电动汽车充电负荷预测方法及装置 - Google Patents

电动汽车充电负荷预测方法及装置 Download PDF

Info

Publication number
CN108074017A
CN108074017A CN201711442196.XA CN201711442196A CN108074017A CN 108074017 A CN108074017 A CN 108074017A CN 201711442196 A CN201711442196 A CN 201711442196A CN 108074017 A CN108074017 A CN 108074017A
Authority
CN
China
Prior art keywords
charging
destination
electric vehicle
electric automobile
travel
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
Application number
CN201711442196.XA
Other languages
English (en)
Inventor
曾爽
朱洁
徐惠
刘谦
刘秀兰
金渊
李香龙
赵宇彤
陈艳霞
杨军
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.)
State Grid Corp of China SGCC
Wuhan University WHU
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Wuhan University WHU
State Grid Beijing Electric Power 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 State Grid Corp of China SGCC, Wuhan University WHU, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201711442196.XA priority Critical patent/CN108074017A/zh
Publication of CN108074017A publication Critical patent/CN108074017A/zh
Pending legal-status Critical Current

Links

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)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种电动汽车充电负荷预测方法及装置，其中，该方法包括：采集电动汽车出行的数据；根据采集的数据模拟电动汽车的出行规律；根据所述出行规律对电动汽车充电行为进行模拟；根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理，解决了相关技术中电动汽车充电站容量规划方法的不足的问题，基于电动汽车出行规律对充电负荷进行预测，实现了快速规划电动汽车充电站的效果。

Description

电动汽车充电负荷预测方法及装置
技术领域
本发明涉及通信领域，具体而言，涉及一种电动汽车充电负荷预测方法及装置。
背景技术
随着经济的快速发展，资源匮乏和环境污染的问题越来越严重。目前庞大的汽车市场正在加剧资源的耗费，同时也为城市环境增添了更多的压力。而电动汽车因为其具有节能环保的特点正在成为汽车工业的主要发展方向。随着国家的政策支持和各大汽车厂商的积极参与，电动汽车的技术水平正日益提高。目前，己有一部分电动汽车的产品己经成型并投入示范运行，产业化和商业化的模式也在逐步完善。随着普及程度的增大，电动汽车的充电将会成为电网承担的又一重要负荷，对电网的影响也不可小视。作为电动汽车的基础配套，充电站必须先行进行规划和建设。而电动汽车的充电需求具有很强的随机性和不确定性，只有基于准确的电动汽车充电需求分析，才能够做好电动汽车充电站的规划问题。
针对相关技术中电动汽车充电站容量规划方法的不足的问题，尚未提出解决方案。
发明内容
本发明实施例提供了一种电动汽车充电负荷预测方法及装置，以至少解决相关技术中电动汽车充电站容量规划方法的不足的问题。
根据本发明的一个实施例，提供了一种电动汽车充电负荷预测方法，包括：
采集电动汽车出行的数据；
根据采集的数据模拟电动汽车的出行规律；
根据所述出行规律对电动汽车充电行为进行模拟；
根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理。
可选地，根据采集的数据模拟电动汽车的出行规律包括：
基于蒙特卡洛模拟法生成特征量，对出行规律进行模拟。
可选地，根据采集的数据模拟电动汽车的出行规律包括：
通过高斯分布函数对电动汽车的起始出发位置以及起始出发时间进行拟合；
根据所述起始出发位置、所述起始出发时间以及预先确定的电动汽车从一个目的地行驶到另外一个目的地的转移概率确定电动汽车的行驶距离；
根据电动汽车的行驶距离确定电动汽车的停车分布。
可选地，根据采集的数据模拟电动汽车的出行规律包括：
确定模拟电动汽车的总数N，并对每辆电动汽车进行编号；
获取每辆电动汽车首次起始出发时间；
根据所述转移概率生成目的地i，并预生成下一目的地i+1；
获取到所述目的地i的行驶距离li，以及到目的地i+1的行驶距离li+1；
根据行驶距离li以及行驶距离li+1计算电动汽车在所述目的地i的剩余电量SOCi和在所述目的地i+1的剩余电量SOCi+1；
计算到达、离开所述目的地i和所述目的地i+1的时刻，模拟停车。
可选地，根据所述出行规律对电动汽车充电行为进行模拟包括：
在所述SOCi<0.3或所述SOCi+1<0.1的情况下，在所述目的地i模拟充电过程；
生成充电时长；
根据所述充电时长确定充电功率；
将所述充电功率在对应充电时间段和充电区域内进行叠加。
可选地，通过以下方式生成充电时长：
其中，表示车辆在目的地i的充电时长，Si-1表示电动汽车到i-1地的荷电量，C表示电池容量，Pc为电动汽车平均充电功率，η为充电效率。
可选地，在将所述充电功率在对应充电时间段和充电区域内进行叠加之后，所述方法还包括：
判断所述目的地i+1是否为最后出行目的地；
在判断结果为是的情况下，模拟充电，生成充电时长，将充电功率在对应充电时间段和充电区域进行叠加。
可选地，在判断所述目的地i+1是否为最后出行目的地之后，所述方法还包括：
在判断结果为否的情况下，根据停车需求计算停车时长，根据电动汽车的行驶速度计算行驶时长；
根据计算得到的行驶时长确定到达下一目的地的时刻；
根据已生成的目的地i，预生成下一目的地i+1。
可选地，根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理包括：
将各充电区域的充电功率曲线进行叠加，得到充电总功率曲线。
根据本发明的另一个实施例，还提供了一种电动汽车充电负荷预测装置，包括：
采集模块，用于采集电动汽车出行的数据；
第一模拟模块，用于根据采集的数据模拟电动汽车的出行规律；
第二模拟模块，用于根据所述出行规律对电动汽车充电行为进行模拟；
预测处理模块，用于根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述任一项所述的方法。
根据本发明的又一个实施例，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一项所述的方法。
通过本发明，采集电动汽车出行的数据；根据采集的数据模拟电动汽车的出行规律；根据所述出行规律对电动汽车充电行为进行模拟；根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理，解决了相关技术中电动汽车充电站容量规划方法的不足的问题，基于电动汽车出行规律对充电负荷进行预测，实现了快速规划电动汽车充电站的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的电动汽车充电负荷预测方法的移动终端的硬件结构框图；
图2是根据本发明实施例的电动汽车充电负荷预测方法的流程图；
图3是根据本发明实施例的基于家为出行起点的典型出行情况的示意图；
图4是根据本发明实施例的基于概率图模型的电动汽车空间转移的示意图；
图5是根据本发明实施例的基于MonteCarlo模拟的场景匹配充电负荷计算的流程图；
图6是根据本发明实施例的电动汽车充电负荷预测装置的框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的电动汽车充电负荷预测方法的移动终端的硬件结构框图，如图1所示，移动终端10可以包括一个或两个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的数据传输方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者两个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
基于上述的移动终端，本发明实施例，提供了一种电动汽车充电负荷预测方法，图2是根据本发明实施例的电动汽车充电负荷预测方法的流程图，如图2所示，包括：
步骤S202，采集电动汽车出行的数据；
步骤S204，根据采集的数据模拟电动汽车的出行规律；
步骤S206，根据所述出行规律对电动汽车充电行为进行模拟；
步骤S208，根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理。
可选地，根据采集的数据模拟电动汽车的出行规律包括：基于蒙特卡洛模拟法生成特征量，对出行规律进行模拟。
可选地，根据采集的数据模拟电动汽车的出行规律包括：
通过高斯分布函数对电动汽车的起始出发位置以及起始出发时间进行拟合；根据所述起始出发位置、所述起始出发时间以及预先确定的电动汽车从一个目的地行驶到另外一个目的地的转移概率确定电动汽车的行驶距离；根据电动汽车的行驶距离确定电动汽车的停车分布。
可选地，根据采集的数据模拟电动汽车的出行规律包括：确定模拟电动汽车的总数N，并对每辆电动汽车进行编号；获取每辆电动汽车首次起始出发时间；根据所述转移概率生成目的地i，并预生成下一目的地i+1；获取到所述目的地i的行驶距离li，以及到目的地i+1的行驶距离li+1；根据行驶距离li以及行驶距离li+1计算电动汽车在所述目的地i的剩余电量SOCi和在所述目的地i+1的剩余电量SOCi+1；计算到达、离开所述目的地i和所述目的地i+1的时刻，模拟停车。
可选地，根据所述出行规律对电动汽车充电行为进行模拟包括：在所述SOCi<0.3或所述SOCi+1<0.1的情况下，在所述目的地i模拟充电过程；生成充电时长；根据所述充电时长确定充电功率；将所述充电功率在对应充电时间段和充电区域内进行叠加。
可选地，通过以下方式生成充电时长：
其中，表示车辆在目的地i的充电时长，Si-1表示电动汽车到i-1地的荷电量，C表示电池容量，Pc为电动汽车平均充电功率，η为充电效率。
可选地，在将所述充电功率在对应充电时间段和充电区域内进行叠加之后，所述方法还包括：判断所述目的地i+1是否为最后出行目的地；在判断结果为是的情况下，模拟充电，生成充电时长，将充电功率在对应充电时间段和充电区域进行叠加。
可选地，在判断所述目的地i+1是否为最后出行目的地之后，所述方法还包括：在判断结果为否的情况下，根据停车需求计算停车时长，根据电动汽车的行驶速度计算行驶时长；根据计算得到的行驶时长确定到达下一目的地的时刻；根据已生成的目的地i，预生成下一目的地i+1。
可选地，根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理包括：将各充电区域的充电功率曲线进行叠加，得到充电总功率曲线。
基于出行规律模拟的电动汽车充电负荷预测模型
A.用户出行规律结构
居民在一天中的出行规律通常包含时间上和空间上的变化过程，这个过程包含出行者的出行时间、空间分布、活动目的、交通方式等信息。电动汽车用户日常出行规律包括行驶目的地、出发时间、行驶距离、停车时间等信息。考虑到由于目前电动汽车处于试运行和逐步推广阶段，电动汽车用户出行特征相关的、可靠的历史数据较为缺乏，因此，本项目假设电动汽车与传统燃油汽车具有相似的出行特征。
电动公交车、电动专用车具有固定的行驶路径和充电模式，所以具有较为固定的充换电需求，然而电动出租车、电动公务车及私人乘用车的出行具有很强的随机性，所以非常有必要对其出行规律的空间特征进行研究，进一步得到其匹配的充换电需求。
本发明实施例以家为车辆一天往返行程的起讫点。本发明实施例考虑最可能发生充电行为的主要目的地，对于中途有短暂停留的次要目的地不做考虑，比如接送孩子时前往学校。将出行的主要目的地分为家(Home,简称为H)、工作(Work，简称为W)、购物娱乐(Shop Recreational，简称为SR)。考虑到在一个大的范围内，区域内的车辆流动基本可以忽略，因此，车辆可以认为在三大类行程目的地之间行驶，充电行为可能发生在这三大目的地。考虑到电动汽车用户出行目的地不同，本发明实施例忽略次要的出行目的，考虑最长含3个行驶目的地的情况，图3是根据本发明实施例的基于家为出行起点的典型出行情况的示意图，如图3所示，将出行规律的结构分为两种模式：(1)简单出行，以家为起讫点，只有一个出行目的。(2)复杂出行，以家为起讫点，有两个出行目的。一共4种出行情况。
用户在一天中的出行通常有若干次，在每次出行的过程中均是由出发地和目的地构成的。描述出行规律的特征量从时间和空间进行分类，可分为两类。
(1)出行时间特征量，该特征量用于描述用户在一天出行当中，在时间上的变化规律。主要包括的信息有：当天的首次出发时刻Ts_0，到达第i次出行目的地时刻Ta_i，第i次出行的行驶时长tx(i-1,i)，在第i个出行目的地的停留时长Tp_i，离开目的地i的时刻Ts_i。
(2)出行空间特征量，该特征量用于描述用户一天当中的出行在空间区域上的转移。主要包括：
a.出行目的地类型。用户出行的目的地可以用集合{D1,D2,...,DU}来表示，U为出行目的类型总数，type(i)＝Dk表示当日第i次出行的目的地类型为Dk。
b.用户从当天第i-1个目的地出发，去往第i个目的地的行驶里程用l(i-1,i)表示。
若能够模拟上述的特征量，则能够比较完整的反映出用户在一天中的出行规律。本发明实施例基于蒙特卡洛模拟的方法生成相关特征量，从而对出行规律进行模拟。
B.出行链特征分析
出行链中都有相应的链点，链点包含了电动汽车上一次出行的到达时间和下一次出行的出发时间等信息。了解用户所有的出发时间和到达时间对电动汽车负荷预测有重要意义。由于用户下一次出发时间等于上一次到达时间与停车时间之和，因此本发明实施例从起始出发时间和停车时间分析电动汽车出行链的时间特征。
(1)起始出发时间
电动汽车起始出发时间主要集中在上午7:00-9:00，因此本发明实施例采用高斯分布函数对电动汽车起始出发时间进行拟合。
(2)停车时间分布
电动汽车用户在城市不同目的地停车的停车时长具有明显差异。停车持续时间的时长在一定范围内有不同的比例。本发明实施例用(式中τ1＝H,W,SR)来表示电动汽车在目的地τ1时，在t1区间时段范围内的停车时长的概率。则电动汽车的停车时长在不同目的地和不同时间范围内的停车时长概率矩阵可表示为：
(3)空间转移
利用概率图模型在不确定性知识表示和推理方面的良好性质，来描述电动汽车空间位置的转移，贝叶斯网是一种重要的概率图模型，贝叶斯网表示为G＝(V,E)，G是一个有向无环图，随机变量集V＝(V1,V2…Vn)构成G中的节点，每一个节点对应一个随机变量，节点的状态对应随机变量的值。有向边表示结点间的条件依赖关系，如果存在从节点Vi指向结点Vj(i≠j)的有向边，称Vi是Vj的一个父节点，变量Vj在图G中的父节点集用Pa(Vj)表示。每个节点都有一张CPT，表示Vj对其父节点集Pa(Vj)的条件概率p(Vi|Pa(Vi))，用以量化父节点集对该节点的影响。图4是根据本发明实施例的基于概率图模型的电动汽车空间转移的示意图，因此基于概率图模型的电动汽车空间转移图如图4所示。
记当前时刻的状态为Ei，下一时刻的状态为Ej，则马尔科夫链可用条件概率表示：
P(Ei→Ej)＝P(Ej/Ei)＝Pij
若将每个行驶目的地视为一个状态，根据贝叶斯网络理论，车辆下一个状态(目的地)即由当前状态决定。记为Pij从状态Ei转为状态Ej的状态转移概率，则其一步状态转移概率可写成矩阵形式为：
其中Pij满足如下条件：
针对本项目研究的4大场所，依据上式就可以表示出电动汽车从一个目的地行驶到另一个目的地的一步转移概率为：
式中，pij可根据当地居民出行调研数据统计确定。
(4)行驶距离
电动汽车的出发地和目的地不同，行驶距离分布就不相同，记当前位置状态Ei转移下一时刻位置状态Ej的转移距离为lij，与电动汽车空间转移概率不同的是，lij是满足参数为的正态分布函数fij。按照电动汽车空间转移矩阵形式，这里也给出转移距离矩阵。
其中，fij满足如下条件：
式中，fij根据当地居民出行调研数据统计确定。
(5)停车分布位置
电动汽车在出行目的地分布位置是实现对充电站的选择的重要信息，由于电动汽车的分布位置不易统计，用停车区域概率来表示电动汽车的分布位置。
电动汽车充电需求预测，包括：
(1)充电条件
用户行驶到某个目的地时是否会充电往往取决于电动汽车电池现有剩余电量是否足以完成下一段行程的行驶，为确保安全还需考虑10％的剩余电量；另根据用户充电习惯，当用户到达目的地后，若电动汽车剩余电量不满30％，用户也会选择充电。本发明实施例假设电动汽车行驶到目的地i时的充电条件如下：
SiC-Wlij<0.1C
Si<0.3
式中，Si表示电动汽车行驶到目的地i时的荷电状态。C指电池容量。W是电动汽车平均每公里耗电量。lij表示电动汽车从目的地i转移到目的地j时的转移距离。
(2)充电时长
电动汽车充电持续时间由电池容量、起始荷电状态和充电功率水平等因素共同决定。车辆若需在目的地m充电，则其充电时长可估计为：
式中，表示车辆在目的地i的充电时长，Si-1表示电动汽车到i-1地的荷电量，C表示电池容量，Pc为电动汽车平均充电功率，η为充电效率。假设在在居民区采用慢充模式，在工作区和商业区采用快充模式，两种模式的显著差异是平均充电功率的大小不同。
(3)负荷计算流程分析
当车辆抵达某个目的地i时，计算到此地时的剩余电量，若判断当前剩余电量不足30％或者不能满足在抵达下一个目的地时有不少于10％的剩余电量，那么在目的地i需要进行充电，反之则不需要充电。本发明实施例中假设最后一次行程的结束地点是居民区，在最后一次行程结束后都需要进行充电。为得到精确的预测数据，将一天划分为1440分钟进行仿真计算。匹配不同场景，将一天中的各个场所的每一辆电动汽车充电功率在对应充电时间段内进行累加，可以得到各个功能区在一天中的电动汽车充电负荷需求。
本发明实施例中针对单个用户的出规律模拟过程包括：抽取当天首次出行的起始时间；抽取出行目的地。定义首次的出发地均为居民区，目的地的抽取通过对应出发时刻的转移概率矩阵进行抽取。通过抽取的出行目的地，来抽取行驶里程。不同目的地之间的行驶里程满足不同参数的对数正态分布。抽取行驶速度，本发明实施例中，假设车辆的时速在每时每刻均为随机变量，不同时段的速度服从正态分布。由行驶里程和行驶速度可以得到行驶时间，抽取停车时长。依据上述抽取得到的目的地，抽取在该目的地下的停车时长。抽取下一次出行的目的地，由下一次出行目的地抽取行驶距离。
本发明实施例中的充电条件的判断包括：在到达出行目的地后，预抽取下一次出行目的地及下一次行驶距离，判断是否在该目的地进行充电，如果在此目的地进行充电，则通过公式计算充电时长，确定充电的起始时刻，在对应的时间尺度和区域进行功率的叠加，如果在此目的地抽取的停车时长大于充电时长，则认为实际的停车时长为抽取的停车时车，否则认为实际的停车时长等于充电时长。如果不在第一次到达的目的地充电，判断下一次出行目的地是否到家，若是，则结束一天的行程，对下一辆车进行同样的模拟。
图5是根据本发明实施例的基于MonteCarlo模拟的场景匹配充电负荷计算的流程图，如图5所示，包括：
步骤S50，出行规律输入；
其中，步骤S50具体包括以下步骤：
步骤S501，输入出行目的转移概率矩阵；
步骤S502，输入首次出发时的概率密度函数；
步骤S503，输入行驶里程概率密度函数；
步骤S504，输入停车时长概率密度函数；
步骤S505，输入行驶速度概率密度函数。
步骤S51，根据输入的出行规律进行出行规律的模拟；
其中，步骤S51具体包括以下步骤：
步骤S511，确定模拟总车辆数N；
步骤S512，对车辆进行编号n＝1；
步骤S513，抽取每辆车首次出行时刻；
步骤S514，根据车辆转移概率生成目的地i，并预生成下一目的地i+1；
步骤S515，抽取第i次出行目的地的行驶距离li，以及下一次出行距离li+1；
步骤S516，计算电动汽车在i目的地的soci和在i+1目的地的soci+1；
步骤S517，计算到达、离开目的地时刻，模拟停车；
步骤S52，根据出行规律进行充电行为模拟。
其中，步骤S52具体包括：
步骤S521，判断SOCi<0.3或SOCi+1<0.1是否成立，在判断结果为是的情况下，执行步骤S522；在判断结果为否的情况下，执行步骤S524；
步骤S522，在i目的地模拟充电过程；
步骤S523，生成充电时长，将功率在对应充电时间段和区域内进行叠加
步骤S524，判断目的地i+1是否是最后出行目的地，在判断结果为是的情况下，执行步骤S526；在判断结果为否的情况下，执行步骤S525；
步骤S525，根据停车需求计算停车时长，根据行驶速度计算行驶时长，得到到达下一目的地的时刻，之后执行步骤S518、步骤S519，根据已生成的目的地i，预生成下一个目的地i+1，之后循环执行步骤S515。
步骤S526，匹配场景模拟充电；
步骤S527，生成充电时长，将功率在对应充电时间段进行叠加；
步骤S528，判断n＝N是否成立？在判断结果为是的情况下，执行步骤S529，在判断结果为否的情况下，执行步骤S5110，之后循环执行S513；
步骤S529，将各区的功率曲线叠加得到总功率曲线。
实施例2
根据本发明的另一个实施例，还提供了一种电动汽车充电负荷预测装置，图6是根据本发明实施例的电动汽车充电负荷预测装置的框图，如图6所示，包括：
采集模块62，用于采集电动汽车出行的数据；
第一模拟模块64，用于根据采集的数据模拟电动汽车的出行规律；
第二模拟模块66，用于根据所述出行规律对电动汽车充电行为进行模拟；
预测处理模块68，用于根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理。
实施例3
本发明的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述任一项所述的方法。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
S11，采集电动汽车出行的数据；
S12，根据采集的数据模拟电动汽车的出行规律；
S13，根据所述出行规律对电动汽车充电行为进行模拟；
S14，根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
实施例4
本发明的实施例还提供了一种处理器，该处理器用于运行程序，其中，该程序运行时执行上述任一项方法中的步骤。
可选地，在本实施例中，上述程序用于执行以下步骤：
S21，采集电动汽车出行的数据；
S22，根据采集的数据模拟电动汽车的出行规律；
S23，根据所述出行规律对电动汽车充电行为进行模拟；
S24，根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在两个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的两个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种电动汽车充电负荷预测方法，其特征在于，包括：
采集电动汽车出行的数据；
根据采集的数据模拟电动汽车的出行规律；
根据所述出行规律对电动汽车充电行为进行模拟；
根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理。
2.根据权利要求1所述的方法，其特征在于，根据采集的数据模拟电动汽车的出行规律包括：
基于蒙特卡洛模拟法生成特征量，对出行规律进行模拟。
3.根据权利要求2所述的方法，其特征在于，根据采集的数据模拟电动汽车的出行规律包括：
通过高斯分布函数对电动汽车的起始出发位置以及起始出发时间进行拟合；
根据所述起始出发位置、所述起始出发时间以及预先确定的电动汽车从一个目的地行驶到另外一个目的地的转移概率确定电动汽车的行驶距离；
根据电动汽车的行驶距离确定电动汽车的停车分布。
4.根据权利要求3所述的方法，其特征在于，根据采集的数据模拟电动汽车的出行规律包括：
确定模拟电动汽车的总数N，并对每辆电动汽车进行编号；
获取每辆电动汽车首次起始出发时间；
根据所述转移概率生成目的地i，并预生成下一目的地i+1；
获取到所述目的地i的行驶距离li，以及到目的地i+1的行驶距离li+1；
根据行驶距离li以及行驶距离li+1计算电动汽车在所述目的地i的剩余电量SOCi和在所述目的地i+1的剩余电量SOCi+1；
计算到达、离开所述目的地i和所述目的地i+1的时刻，模拟停车。
5.根据权利要求4所述的方法，其特征在于，根据所述出行规律对电动汽车充电行为进行模拟包括：
在所述SOCi<0.3或所述SOCi+1<0.1的情况下，在所述目的地i模拟充电过程；
生成充电时长；
根据所述充电时长确定充电功率；
将所述充电功率在对应充电时间段和充电区域内进行叠加。
6.根据权利要求5所述的方法，其特征在于，通过以下方式生成充电时长：
<mrow> <msubsup> <mi>T</mi> <mi>c</mi> <mi>i</mi> </msubsup> <mo>=</mo> <mfrac> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>S</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> <mi>C</mi> <mo>+</mo> <msub> <mi>E</mi> <mi>p</mi> </msub> <msub> <mi>l</mi> <mi>i</mi> </msub> </mrow> <mrow> <msub> <mi>&amp;eta;P</mi> <mi>c</mi> </msub> </mrow> </mfrac> </mrow>
其中，表示车辆在目的地i的充电时长，Si-1表示电动汽车到i-1地的荷电量，C表示电池容量，Pc为电动汽车平均充电功率，η为充电效率。
7.根据权利要求5所述的方法，其特征在于，在将所述充电功率在对应充电时间段和充电区域内进行叠加之后，所述方法还包括：
判断所述目的地i+1是否为最后出行目的地；
在判断结果为是的情况下，模拟充电，生成充电时长，将充电功率在对应充电时间段和充电区域进行叠加。
8.根据权利要求7所述的方法，其特征在于，在判断所述目的地i+1是否为最后出行目的地之后，所述方法还包括：
在判断结果为否的情况下，根据停车需求计算停车时长，根据电动汽车的行驶速度计算行驶时长；
根据计算得到的行驶时长确定到达下一目的地的时刻；
根据已生成的目的地i，预生成下一目的地i+1。
9.根据权利要求7所述的方法，其特征在于，根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理包括：
将各充电区域的充电功率曲线进行叠加，得到充电总功率曲线。
10.一种电动汽车充电负荷预测装置，其特征在于，包括：
采集模块，用于采集电动汽车出行的数据；
第一模拟模块，用于根据采集的数据模拟电动汽车的出行规律；
第二模拟模块，用于根据所述出行规律对电动汽车充电行为进行模拟；
预测处理模块，用于根据对电动汽车充电行为的模拟结果对电动汽车的充电负荷进行预测处理。
11.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行权利要求1至9中任一项所述的方法。
12.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至9中任一项所述的方法。
CN201711442196.XA 2017-12-26 2017-12-26 电动汽车充电负荷预测方法及装置 Pending CN108074017A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711442196.XA CN108074017A (zh) 2017-12-26 2017-12-26 电动汽车充电负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711442196.XA CN108074017A (zh) 2017-12-26 2017-12-26 电动汽车充电负荷预测方法及装置

Publications (1)

Publication Number Publication Date
CN108074017A true CN108074017A (zh) 2018-05-25

Family

ID=62156047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711442196.XA Pending CN108074017A (zh) 2017-12-26 2017-12-26 电动汽车充电负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN108074017A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034498A (zh) * 2018-08-31 2018-12-18 国网上海市电力公司 考虑用户充电频率和充电功率变化的电动汽车充电负荷预测方法
CN109542208A (zh) * 2018-12-10 2019-03-29 广州知弘科技有限公司 一种基于网约车服务的低耗能监控方法
CN109727338A (zh) * 2018-12-14 2019-05-07 珠海格力电器股份有限公司 电动车辆控制方法、装置、存储介质、电动车辆及服务器
CN109803341A (zh) * 2018-09-29 2019-05-24 江苏开放大学（江苏城市职业学院） 无线传感器网络中的自适应路径规划方法
CN110363332A (zh) * 2019-06-21 2019-10-22 国网天津市电力公司电力科学研究院 一种基于个体行为特性的电动汽车充电负荷时空分布预测方法
CN110599050A (zh) * 2019-09-18 2019-12-20 广东工业大学 一种电动汽车与共享车位匹配方法和装置
CN111815017A (zh) * 2020-05-29 2020-10-23 国网山东省电力公司经济技术研究院 一种基于出行数据的电动汽车充电负荷预测方法
CN112001521A (zh) * 2020-06-05 2020-11-27 浙江图盛输变电工程有限公司温州科技分公司 一种基于多峰高斯分布拟合的电动汽车充电需求预测方法
CN112434463A (zh) * 2020-10-27 2021-03-02 中北大学 一种车辆复合电源能量管理系统
CN113268709A (zh) * 2021-04-21 2021-08-17 国网天津市电力公司 基于智能体仿真的城市电动汽车充电需求预测方法及系统
CN113748044A (zh) * 2019-04-27 2021-12-03 道依茨股份公司 用于对电驱动的陆运、水运、空运交通工具和/或作业机械和/或电池进行充电的快速充电站和方法
CN117494882A (zh) * 2023-11-01 2024-02-02 吉林大学 基于车辆运行后台数据的城市多场景充电负荷预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719030A (zh) * 2016-03-29 2016-06-29 武汉大学 一种基于效能最大化原则的电动汽车负荷预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719030A (zh) * 2016-03-29 2016-06-29 武汉大学 一种基于效能最大化原则的电动汽车负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林晓言: "《北京交通发展研究报告 2014版》", 31 August 2016 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034498A (zh) * 2018-08-31 2018-12-18 国网上海市电力公司 考虑用户充电频率和充电功率变化的电动汽车充电负荷预测方法
CN109803341A (zh) * 2018-09-29 2019-05-24 江苏开放大学（江苏城市职业学院） 无线传感器网络中的自适应路径规划方法
CN109542208A (zh) * 2018-12-10 2019-03-29 广州知弘科技有限公司 一种基于网约车服务的低耗能监控方法
CN109727338A (zh) * 2018-12-14 2019-05-07 珠海格力电器股份有限公司 电动车辆控制方法、装置、存储介质、电动车辆及服务器
CN113748044A (zh) * 2019-04-27 2021-12-03 道依茨股份公司 用于对电驱动的陆运、水运、空运交通工具和/或作业机械和/或电池进行充电的快速充电站和方法
CN110363332A (zh) * 2019-06-21 2019-10-22 国网天津市电力公司电力科学研究院 一种基于个体行为特性的电动汽车充电负荷时空分布预测方法
CN110599050A (zh) * 2019-09-18 2019-12-20 广东工业大学 一种电动汽车与共享车位匹配方法和装置
CN110599050B (zh) * 2019-09-18 2022-01-11 广东工业大学 一种电动汽车与共享车位匹配方法和装置
CN111815017A (zh) * 2020-05-29 2020-10-23 国网山东省电力公司经济技术研究院 一种基于出行数据的电动汽车充电负荷预测方法
CN112001521A (zh) * 2020-06-05 2020-11-27 浙江图盛输变电工程有限公司温州科技分公司 一种基于多峰高斯分布拟合的电动汽车充电需求预测方法
CN112434463A (zh) * 2020-10-27 2021-03-02 中北大学 一种车辆复合电源能量管理系统
CN112434463B (zh) * 2020-10-27 2023-04-07 中北大学 一种车辆复合电源能量管理系统
CN113268709A (zh) * 2021-04-21 2021-08-17 国网天津市电力公司 基于智能体仿真的城市电动汽车充电需求预测方法及系统
CN117494882A (zh) * 2023-11-01 2024-02-02 吉林大学 基于车辆运行后台数据的城市多场景充电负荷预测方法
CN117494882B (zh) * 2023-11-01 2024-05-24 吉林大学 基于车辆运行后台数据的城市多场景充电负荷预测方法

Similar Documents

Publication Publication Date Title
CN108074017A (zh) 电动汽车充电负荷预测方法及装置
Fischer et al. Electric vehicles’ impacts on residential electric local profiles–A stochastic modelling approach considering socio-economic, behavioural and spatial factors
Das et al. Charging scheduling of electric vehicle incorporating grid-to-vehicle and vehicle-to-grid technology considering in smart grid
Anand et al. Probabilistic reliability evaluation of distribution systems considering the spatial and temporal distribution of electric vehicles
Wang et al. Modeling of plug-in electric vehicle travel patterns and charging load based on trip chain generation
Shun et al. Charging demand for electric vehicle based on stochastic analysis of trip chain
Lojowska et al. Stochastic modeling of power demand due to EVs using copula
Liu et al. Electric vehicles en-route charging navigation systems: Joint charging and routing optimization
Yang et al. EV charging behaviour analysis and modelling based on mobile crowdsensing data
Yi et al. Spatiotemporal energy demand models for electric vehicles
Grahn et al. PHEV utilization model considering type-of-trip and recharging flexibility
Cerna et al. Optimal delivery scheduling and charging of EVs in the navigation of a city map
CN105160428A (zh) 高速公路电动汽车快速充电站的规划方法
Guner et al. Stochastic energy storage capacity model of EV parking lots
CN103745110B (zh) 纯电动公交车营运续驶里程估算方法
CN107392336A (zh) 智能交通中基于预约的分布式电动汽车充电调度方法
CN109934403A (zh) 基于数学模型的电动汽车居民区域充电负荷分析预测方法
Darabi et al. Plug-in hybrid electric vehicles: Charging load profile extraction based on transportation data
Su et al. Forecast of electric vehicle charging demand based on traffic flow model and optimal path planning
Wang et al. Mobile electric vehicles
CN105262167A (zh) 区域内电动汽车有序充电控制方法
CN113077085A (zh) 一种服务于电动汽车的移动充电车驻地规划方法
Zhang et al. Deploying public charging stations for battery electric vehicles on the expressway network based on dynamic charging demand
Haque et al. Stochastic methods for prediction of charging and discharging power of electric vehicles in vehicle‐to‐grid environment
Plagowski et al. Impact of electric vehicle charging–An agent‐based approach

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
CB03 Change of inventor or designer information

Inventor after: Zeng Shuang

Inventor after: Yang Jun

Inventor after: Zhu Jie

Inventor after: Xu Hui

Inventor after: Liu Qian

Inventor after: Liu Xiulan

Inventor after: Jin Yuan

Inventor after: Li Xianglong

Inventor after: Zhao Yutong

Inventor after: Chen Yanxia

Inventor before: Zeng Shuang

Inventor before: Yang Jun

Inventor before: Zhu Jie

Inventor before: Xu Hui

Inventor before: Liu Qian

Inventor before: Liu Xiulan

Inventor before: Jin Yuan

Inventor before: Li Xianglong

Inventor before: Zhao Yutong

Inventor before: Chen Yanxia

CB03 Change of inventor or designer information
RJ01 Rejection of invention patent application after publication

Application publication date: 20180525

RJ01 Rejection of invention patent application after publication