城市交通路网和用户出行链约束下的电动汽车充电负荷时空
预测方法
技术领域
本发明涉及电动汽车充电负荷预测技术领域,具体涉及一种城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法。
背景技术
电动汽车作为一种有效减少二氧化碳排放的绿色交通出行方式,在近几年里得到了广泛的关注和支持。受用户行为不确定性和电动汽车电池容量,充电设施等因素的影响,电动汽车充电负荷表现出时间和空间上的随机性,波动性。未来电动汽车充电负荷预测,需要充分考虑交通道路网络和出行目的约束下的用电行为分布,并将电动汽车作为一种灵活资源,评估其可调容量和时段,为制定调控策略减少大规模电动汽车的接入对电网的影响提供理论支撑。
现有的研究在电动汽车充电负荷预测方面,主要基于电动汽车数量,电池容量,充电功率水平,充电频率等状态,提出电动汽车充电负荷计算方法[陈丽丹,聂涌泉,钟庆.基于出行链的电动汽车充电负荷预测模型[J].电工技术学报,2015,30(4):216-225],或者基于电动汽车用户用电的不确定行为,提出了考虑充电需求不确定性的电动汽车充电功率预测方法[Yongquan Nie,C.Y.Chung,N.Z.Xu,System State Estimation Considering EVPenetration With Unknown Behavior Using Quasi-Newton Method[J].IEEETransactions on Power Systems,2016,31(6):4605-4615],或者基于交通网和配电网信息,提出大规模电动汽车的最优充电路径规划策略,使电动汽车充电行为对配电网和交通网的影响达到整体的最小化[严弈遥,罗禹贡,朱陶,等.融合电网和交通网信息的电动车辆最优充电路径推荐策略[J].中国电机工程学报,2015,35(2):310-318],或者采用蒙特卡洛法模拟电动汽车的出行时间,起止地点,交通路线,分析电动汽车大规模接入对电网负荷的影响[H.Huang,C.Y.Chung,K.W.Chan,H.Chen.Quasi-Monte Carlo based probabilisticsmall signal stability analysis for power systems with plug-in electricvehicle and wind power integration[J].IEEE Transactions on Power Systems,2013,28(3):3335-3343],或者基于城市路网中电动汽车的行驶情况,给出“车–路–网”模式下电动汽车充电负荷时空预测模型整体框架[邵尹池,穆云飞,余晓丹,等.“车–路–网”模式下电动汽车充电负荷时空预测及其对配电网潮流的影响[J].中国电机工程学报,2017,37(18):5207-5217]。电动汽车充电负荷的研究已涉及交通路网,但对交通路网模型的建立较为简单未考虑道路等级,交叉路口红绿灯,用户出行链等多种因素对电动汽车用户充电需求的综合影响。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法。
本发明的目的可以通过采取如下技术方案达到:
一种城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法,所述的电动汽车充电负荷时空预测方法包括下列步骤:
S1、获取路网拓扑信息、区域交通信息和出行信息,构建区域交通道路模型,包括:
S1-1、表示道路拓扑结构;
以G=(V,E)表示道路拓扑图,其中V表示图中节点的集合,即道路的起止点或交叉点,以1,2,3……|V|的形式编号,E表示顶点之间的关系,即表示区域交通系统中的道路,所有交通道路均为双向道路,以邻接矩阵D表示加权图,图G=(V,E)对应一个|V|×|V|的邻接矩阵D,ω表示道路网络的权值函数,即路阻函数,邻接矩阵D中元素dij的赋值规则如式(1)所示:
其中:ωij表示道路节点i和节点j之间的权值,ω∈[0,inf),inf表示两节点之间无直连路段,邻接矩阵D如式(2)所示:
S1-2、建立路阻函数模型;
采用基于Logit的流量延误函数来表示道路的路阻模型,以i,j为端点的直连路段,利用式(3)计算车辆从节点i出发行驶到节点j所用的时间:
T(i,j)=(L(i,j)+I(i,j))*60 (3)
其中,T(i,j)表示延误时间总和,以分钟为单位,L(i,j)表示路段延误时间,以小时为单位,如式(4)所示:
其中,L0表示路段自由流行驶时间,以小时为单位,qi,j表示交通流量,单位为Veh/h,Veh表示汽车数量,即每小时通过该路段的汽车数量,Ci,j表示路段通行能力,单位Veh/h,c1,c2,c3,c4为路段的自适应系数,分别取值为0.9526,1,3,3;
I(i,j)表示交叉路口延误时间,以小时为单位,考虑红绿灯因素;如式(5)所示:
其中,I0表示交叉路口自由流行驶时间,以小时为单位,Xij表交叉路口通行能力,单位为Veh/h,与是否有红绿灯有关,p1,p2,p3,p4为交叉路口的自适应系数,分别取值为0.0405,500,3,3;
S1-3、选择耗时最短的行驶路径,计算从出发点v0到目的地vk所经过的路径p=(v0,v1,v2,…,vk)的权值ω(p),如式(6)所示:
采用所述的路阻函数模型计算行驶时间;
以行程时间最短为目标,利用Dijkstra最短路径算法,获得耗时最短的行驶路径并计算路径距离;
S2、构建车辆出行时空模型,包括:
S2-1、按功能划分区域;
按照地块功能和负荷类型的区别,将区域分为住宅区(Home)、工作区(Work)和商业区(Else);按照住宅区规模大小分配其电动汽车保有量,一天内电动汽车初始位置和最终到达的区域都属于住宅区,电动汽车可以在这三种功能区域之间行驶,每个区域地块都包含有足够的充电设施,电动汽车的充电行为可以发生在其中任意地方;
S2-2、建立出行链结构模型;
采用出行链结构表示电动汽车用户的出行时间、出行目的、活动数量以及发生的顺序;按照步骤S2-1中划分的区域,将出行目的分为三类:回家H(Home)、工作W(Work),其他E(Else),分别对应步骤S2-1中的住宅区、工作区和商业区,根据活动数量及发生顺序,将出行链结构分为简单链和复杂链两种模式,其中简单链包含两个出行目的,电动汽车用户从住宅区出发,抵达工作区或者商业区,再返回住宅区;复杂链包含三个出行目的,电动汽车用户从住宅区出发,先抵达工作区或者商业区,再出发去商业区或者工作区,最后返回住宅区;
S2-3、获取电动汽车在出行链结构的各目的地的出行时刻概率分布。
S3、建立电动汽车充电负荷时空预测模型,包括:
S3-1、获取电动汽车的状态参数,所述的状态参数包括:电动汽车电池容量E
h、每公里耗电量w、最低电量阈值ξ、电动汽车位置i、电动汽车在i处的荷电状态SOC
i、充电效率η、从i处到下一处的行驶里程l
i,i+1、在i处的充电时间
在i处的充电功率
S3-2、判断电动汽车是否需充电;
电动汽车位于起始位置时为满电,读取电动汽车位于i处的荷电状态SOCi;如果SOCi≤ξ,电动汽车需要在i处充电,更新电动汽车的荷电状态;如果SOCi>ξ,计算从i处到i+1处的行驶里程li,i+1,如果SOCi·Eh-wli,i+1≤ξEh,则需要在i处充电,更新电动汽车的荷电状态;如果SOCi·Eh-wli,i+1>ξEh,计算电动汽车到达i+1处的荷电状态SOCi+1;
S3-3、计算电动汽车充电负荷时空分布;
S4、通过区域交通道路模型和车辆出行时空模型,获得电动汽车的整体出行轨迹,出行时间,停驻时间,充电次数以及荷电状态,即获得电动汽车的时空分布信息;然后利用充电负荷计算模型,得到该区域一天内各时段每个功能地块的电动汽车充电负荷数据,具体过程如下:
首先根据步骤S1读取区域交通路网信息,获得各道路节点坐标,道路等级,交叉路口红绿灯数量,建立区域交通道路模型;
计算步骤S2的路阻函数,获得区域道路拓扑的行驶时间权值矩阵T和行驶距离权值矩阵D;
读取区域地块数量N,获得每个地块的电动汽车保有量EVNUM;
对于第j辆电动汽车,随机抽取该辆车的出行链,获得行程总数n;
利用步骤S3-2判断第j辆电动汽车到达某一段行程的终点是否需要充电,若需要充电,则在H处为慢充,充电功率为Pchs,在W和E处均为快充,充电功率为Pchf;
更新充电后电动汽车状态参数,计算停驻时间,继续下一段行程,直至完成第j电动汽车的出行链结构;
重复上述步骤直至j等于该地块电动汽车保有量,继续下一个地块的仿真,直至完成所有地块的仿真,以分钟为单位,累计各地块充电负荷的充电负荷Pi(t)和所有地块总的充电负荷PT(t),如式(7)和(8)所示:
本发明相对于现有技术具有如下的优点及效果:
1)、本发明综合考虑区域交通路网道路等级,道路速度,红绿灯分布等因素,充分考虑路网复杂特性;
2)、本发明根据交通道路模型,采用基于Logit的流量延误函数来表示道路的路阻模型,以耗时最短最为电动汽车选择路径的目标,更贴合实际情况;
3)、本发明采用出行链结构分析不同区域功能限制下的用户出行目的,充分考虑电动汽车充电需求的时空特性;
4)、对于不同复杂程度的路网拓扑,都可以通过本发明中的预测模型,得到相应的预测结果。
附图说明
图1是城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法的整体框架图;
图2是本发明实施例中区域交通网络示意图;
图3(a)是简单出行链结构示意图;
图3(b)是复杂出行链结构示意图;
图4是判断电动汽车是否需要充电的流程图;
图5是一次蒙特卡洛仿真计算电动汽车充电负荷时空分布的流程图;
图6是三种场景下的电动汽车一天内的充电负荷分布示意图;
图7是场景1中,不同电动汽车渗透率下的充电负荷分布示意图;
图8(a)是场景1中住宅区一天内的负荷分布示意图;
图8(b)是场景1中工作区一天内的负荷分布示意图;
图8(c)是场景1中商业区一天内的负荷分布示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1,一种城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法,包含以下步骤:
步骤S1、获取路网拓扑信息、区域交通信息和出行信息;
步骤S1-1、获取图2所示的区域道路网络拓扑信息,包括道路节点数量,坐标,连接等,以G=(V,E)表示道路拓扑图,其中V表示图中节点的集合,即道路的起止点或交叉点,以1,2,3……|V|的形式编号,E表示顶点之间的关系,即表示区域交通系统中的道路,假设该区域所有交通道路均为双向道路;以邻接矩阵表示加权图,图G=(V,E)对应一个|V|×|V|的矩阵D;ω表示道路网络的权值函数,即路阻函数。邻接矩阵D中元素dij的赋值规则如式(1)所示:
其中:ωij表示道路节点i和节点j之间的权值,ω∈[0,inf);inf表示两节点之间无直连路段;邻接矩阵如式(2)所示:
步骤S1-2、获取图2所示区域的交通信息,包括道路等级,速度限制,交叉路口,红绿灯数量。
电动汽车在某一路段的行驶时间主要受该路段道路等级,红绿灯数量,自由流行驶速度等因素的限制,本发明中采用基于Logit的流量延误函数来计算电动汽车的行驶时间,计算车辆从节点i出发行驶到节点j所用的时间,表达式如式(3):
T(i,j)=(L(i,j)+I(i,j))*60 (3)
其中,T(i,j)表示延误时间总和,以分钟为单位;
L(i,j)表示路段延误时间,以小时为单位,如式(4)所示:
其中,L0表示路段自由流行驶时间,以小时为单位,其数值等于该路段行驶距离与该路段自由流速度的比值,对于快速道路,自由流速度取值为55.6km/h;对于普通道路,自由流速度取值为45.8km/h。qi,j表示交通流量,单位为Veh/h,Veh表示汽车数量,即每小时通过该路段的汽车数量,Ci,j表示路段通行能力,单位为Veh/h,c1,c2,c3,c4为路段的自适应系数,分别取值为0.9526,1,3,3;
I(i,j)表示交叉路口延误时间,以小时为单位,主要考虑红绿灯因素;如式(5)所示:
其中,I0表示交叉路口自由流行驶时间,以小时为单位。
Xi,j表示交通流量,单位为Veh/h,Veh表示汽车数量,即每小时通过该路段的汽车数量,Ci,j表示路段通行能力Xi,j表交叉路口通行能力,单位为Veh/h,与是否有红绿灯有关,p1,p2,p3,p4为交叉路口的自适应系数,分别取值为0.0405,500,3,3;
步骤S1-3、获取出行信息,包括区域功能,电动汽车出行目的,出行时间;
步骤S1-3-1、按照地块功能和负荷类型的区别,将区域分为住宅区(Home),工作区(Work)和商业区(Else);将出行目的分为三类,回家H(Home),工作W(Work),其他E(Else),分别对应以上三个区域。按照电动汽车用户的出行目的,出行顺序,将出行结构分为如图3(a)和图3(b)中所示的简单链和复杂链。
按照住宅区规模大小分配其电动汽车保有量,一天内电动汽车初始位置和最终到达的区域都属于住宅区,电动汽车可以在这三种功能区域之间行驶,每个区域地块都包含有足够的充电设施,电动汽车的充电行为可以发生在其中任意地方;
步骤S1-3-2、获得不同出行目的的电动汽车出行时刻概率分布;
根据交通部对电动汽车出行数据的统计,获得电动汽车出行时刻的概率分布,并进行拟合。
步骤S2、获取电动汽车状态参数和充电设施信息,计算电动汽车充电需求时空分布。
步骤S2-1、获取电动汽车的状态参数,具体包括:
步骤S2-2、如图4中的流程所示,判断电动汽车在i处是否需充电;
步骤S2-2-1、假设电动汽车位于起始位置时都为满电,计算电动汽车到达i处的荷电状态SOCi,如式(6)所示:
SOCi·Eh=SOCi-1·Eh-ωli-1,i (6)
其中,li-1,i是从i-1处到i处的行驶里程;
步骤S2-2-2、判断i处的荷电状态;如果SOCi≤ξ,电动汽车需要在i处充电,更新电动汽车的荷电状态;如果SOCi>ξ,计算从i处到i+1处的行驶里程li,i+1,继续步骤2-3;
步骤S2-2-3、判断,如果SOCi·Eh-wli,i+1≤ξEh,则仍需要在i处充电,更新电动汽车的荷电状态;如果SOCi·Eh-wli,i+1>ξEh,计算电动汽车到达i+1处的荷电状态SOCi+1。
步骤S3、如图5中的流程所示,计算电动汽车充电负荷时空分布;
步骤S3-1、根据步骤S1获得图2区域的交通道路的行驶时间矩阵T和行驶距离矩阵D,读取区域地块数量N;
步骤S3-2、对于第i个地块,获取该地块的电动汽车保有量EVNUMi;
步骤S3-3、对于该地块的第j辆车,随机抽取该辆车的出行链,获得行程总数n;
步骤S3-4、以行程时间最短为目标,利用Dijkstra最短路径算法,获得第ii段行程耗时最短的行驶路径并计算行驶距离;
步骤S3-5、利用步骤S2判断第j辆电动汽车到达某一段行程的终点是否需要充电,若需要充电,则在H处为慢充,充电功率为Pchs,在W和E处为快充,充电功率为Pchf,更新充电后电动汽车状态参数;
若不需要充电,直接进行步骤S3-5;
步骤S3-6、计算停驻时间,继续下一段行程,ii=ii+1,返回步骤S3-4,直至完成第j辆电动汽车的出行链结构;
步骤S3-7、j=j+1,返回步骤3-3,直至完成该地块所有电动汽车的仿真;
步骤S3-8、i=i+1,返回步骤3-2,直至完成所有地块的仿真;
步骤S3-9、以分钟为单位,累计各地块充电负荷的充电负荷Pi(t)和所有地块总的充电负荷PT(t),如式(7)和(8)所示:
步骤S3-10、重复上述步骤,直至完成蒙特卡洛仿真,最大蒙特卡洛仿真次数为1000。
下面结合一个算例来介绍本发明的实施方法和实际效果。以图2所示区域为例,信息应用说明如下:
区域面积为25km×25km,共包含72个道路节点,122条道路。
该区域由50个地块组成,其中18个H(Home)区,18个W(Work)区,13个E(Else),1个M区,其中M区代表该区域非电动汽车出行目的的地块。各地块分布有对应的道路节点。为模拟实际情况,各功能地块没有明显的分界线,以小范围聚集大范围分散的方式分布在该区域。
该区域道路分为两个等级,深色线的表示快速道路,浅色线表示的普通道路。快速道路自由流速度vf=55.6km/h,普通道路自由流速度vs=45.8km/h。红绿灯主要分布在普通道路的交叉路口。
该区域一共有10000辆上班用私家车,其初始和最终位置全都位于H区,每个H地块含有的电动车数量为200-600。
为研究区域路网对电动汽车充电负荷的影响,分为以下三种仿真场景:
场景1:标准场景,即有包含道路等级和红绿灯的复杂交通路网;
场景2:区域面积不变,有包含道路等级和红绿灯的复杂交通路网,由34个地块组成,其中14个H(Home)区,13个W(Work)区,7个E(Else)。
场景3:区域面积不变,区域分地块数量不变,无复杂交通路网,即不包含道路等级和红绿灯,以行驶距离最短作为路径选择的依据。
以1分钟为步长,图6给出了场景1中不同电动汽车渗透率下的充电负荷曲线,图7给出不同复杂程度的区域路网场景下,该区域一天内电动汽车充电负荷需求曲线。电动汽车充电负荷具有明显的“双峰”特性和时间分布特性,叠加电网晚高峰,且随着渗透率的提高,整体负荷水平增大。考虑复杂路网区域功能之后,电动汽车充电需求远高于未考虑复杂路网时,这是由于在道路等级和红绿灯的影响下,用户选择的耗时最短的行驶距离可能会大于未考虑这些因素时;验证了本发明路网模型想有效性;
图8(a)、图8(b)、图8(c)分别给出了考虑复杂路网情况下住宅区,工作区和商业区各地块一天内的负荷需求曲线。各功能地块电动汽车充电负荷规律与该地区总充电负荷相匹配,主要充电高峰发生的时刻基本相同。主要由于电动汽车充电行为大部分发生在到达工作区的时刻和回到家中的时刻。其他功能区的充电负荷持续时间较长且较为分散,主要由于电动汽车用户前往其他功能区域的行为具有随机性和不确定性。
总充电负荷第一个高峰的幅值小于第二个高峰幅值,主要由于部分电动汽车到达工作区后,其SOC可以满足下部分行程,而选择不充电,而返回家中时,大部分电动汽车SOC以接近阈值或小于阈值,故充电需求增多,这与实际情况相同,也验证了本文方法的有效。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。