CN108830414A - 一种电动汽车商用充电区的负荷预测方法 - Google Patents

Abstract

本发明提供一种电动汽车商用充电区的负荷预测方法，包括以下步骤：基于路阻函数建立路况模型，并根据实时路况进行选择；归一化处理训练极限学习机的历史数据，并提取出与预测日相似的特征数据；将提取的特征数据送入基于极限学习机的预测模型，训练出路阻函数参数；将实时路况信息代入步骤三中训练好的路阻函数，结合步骤一中路况信息模型，计算出路况结构中各路段所需花费时间；再以此计算出各个充电点服务车辆的概率，结合充电点的充电功率算出负荷。本发明基于实时路况信息，避开商用充电区中的预测难点；利用实时预测方法、结合实时信息提高了预测结果的有效性；并将大量经过特征筛选的历史数据用于极限学习机的训练，提高了预测准确性。

Description

一种电动汽车商用充电区的负荷预测方法

技术领域

本发明属于电动汽车充电技术领域，特别涉及一种利用实时路况信息对电动汽车在商用充电区域进行负荷预测的方法。

背景技术

由于日趋严重的环境污染以及能源危机等问题，电动汽车的发展越来越受到重视，其市场化率也逐年攀升。正是由于电动汽车规模日益增大，其充电行为对配电网配置、经济运行的影响不容忽视，而大多数研究中并没有考虑电动汽车这种波动性较大负荷对电网经济调度的影响。因此，研究电动汽车充电负荷预测及经济调度具有重要意义。

国内外对电动汽车的充电负荷预测已经开展了大量的研究，主要根据电动汽车的种类、电动汽车的时空分布特性、电动汽车充电状态以及充电方式进行统计预测或模拟预测。如有研究通过将电动汽车类别划分为公务车、出租车、私家车以及公共汽车等几大类，分别进行其充电预测；有的着重考虑电动汽车时空分布特性对充电负荷进行统计预测；部分研究通过分析电动汽车的停车需求，将停车场地依据功能划分为居住区、办公区以及商业区等进行预测；还有些学者则着重通过研究电动汽车的充电方式以及充电时的状态对充电量的影响来预测充电负荷；大多数研究通过蒙特卡罗模拟电动汽车的停泊和充电概率，将电动汽车的充电行为完全视为概率事件，对其进行预测。上述研究方案多数是利用历史数据统计分析电动汽车的行为模式和充电规律，对其进行预测，忽略了实时路况对电动汽车行为选择的直接影响，为此，预测的实时性及准确性难以得到保障。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种电动汽车商用充电区的负荷预测方法，该方法基于路况信息建立计及网络拓扑结构和通行时长的道路交通模型，并通过大量数据筛选以及充电行为的研究将电动汽车充电模型进行简化；并基于上述模型，利用极限学习机智能预测各路段所需通过时间；并以此为依据，研究构建服务车辆占总车辆的比例模型；最终预测出充电点的负荷。本发明所要解决的技术问题是针对利用实时路况信息对电动汽车商用充电区的负荷进行预测，提出了一个利用极限学习机提高预测准确率的方法。

为实现以上目的，本发明采用以下技术方案：

本发明提供了一种电动汽车商用充电区的负荷预测方法，包括以下步骤：

S1：基于路阻函数建立路况模型，并根据实时路况进行选择；

S2：归一化处理训练极限学习机的历史数据，并提取出与预测日相似的特征数据；

S3：将步骤S2提取的特征数据送入基于极限学习机的预测模型，训练出路阻函数参数；

S4：将实时路况信息代入步骤S3中训练好的路阻函数，结合步骤S1中路况信息模型，计算出路况结构中各路段所需花费时间；再以此计算出各个充电点服务车辆的概率，结合充电点的充电功率算出负荷。

进一步地，步骤S1所述的路况模型中，车辆从各个区发出寻找合适的充电点进行充电，n个不同的充电点所能服务的区域也不同，其所服务的车辆数是计及不同区域可能到达的车辆的总和；若各区域电动汽车总量为Q_j、j＝1,2,...,m，共有m个不同区域，n个不同路段上的充电点，因此要分别计算从j区域到达第i个充电点所需的t^j _ai，i＝1,2,...,n，j＝1,2,...,m：

其中，和分别为路上行驶时间和服务等待时间。

进一步地，步骤S1所述的路况模型中，路上行驶时间t^j _li由美国路阻函数给出：

其中，为电动汽车从j区域到达第i个充电点的理论时间，为当时通过该路口的交通量，单位：辆/h；为路口的实际通行能力，单位：辆/h；J和r为模型待定参数。

进一步地，所述的表达式为：

其中，为从j区域到达第i个充电点的路段长度，为该路段理论平均车速。

进一步地，步骤S1所述的路况模型中，服务等待时间由上一时刻充电点的停车N决定，如果N小于充电点的每小时能服务的电动车数量h，则若N大于h且N/h>2，则充电点在服务完现有车辆前不予考虑，否则

进一步地，步骤S2中所述归一化的处理公式为：

进一步地，步骤S3中极限学习机的预测模型中给定N个训练样本对于隐含层节点数为L，激活函数为g_i(a_j,b_j,O_i)的SLFN数学模型可以表示成：

式中：a_j∈R^N和b_j∈R(j＝1,2,...,L)分别为第j个隐含层节点的输入权值和偏置，λ_j为隐含层与输出层之间的输出权值，y_i为网络输出值；SLFN数学模型在激活函数的作用下以零误差逼近任意目标样本，即：

则存在a_j，b_j和λ_j使得：

上述公式矩阵形式表示为：

Hλ＝T；

式中：H为极限学习的隐含层输出矩阵，为隐含层输出权值矩阵，为目标输出矩阵，其中：

当数据权值和隐含层偏置被随机确定之后，则其解为：

式中：表示隐含层输出矩阵H的摩尔—彭洛斯广义逆。

进一步地，步骤S4中根据之前步骤计算出的i＝1,2,...,n,j＝1,2,...,m；以此为依据，计算从第j个区域到达第i个充电点概率为：

式中：n_j为能够为第j个区域提供服务的充电点总和，为从第j个区域到达第i个充电点服务车辆，第i个充电点总服务车辆为：

式中：m_i为第i个充电点所服务的区域总和。

进一步地，在步骤S2前需采用均值法对数据进行预处理，所述均值法的数学公式为：

式中：Z_i(t)∈{Δt,q,e}，ΔT为采样周期。

与已有技术相比，本发明具有如下有益效果：

本发明从实时路况信息入手，避开了电动汽车在商用充电区中汽车类型多、车辆时空分布复杂的预测难点；利用实时的预测方法、结合实时信息提高了预测结果的有效性；并将大量经过特征筛选的历史数据用于极限学习机的训练，提高了预测准确性。

附图说明

图1是本发明电动汽车商用充电区的负荷预测方法流程图；

图2是本发明实施例的简单树形结构路况模型示意图；

图3是本发明实施例的极限学习机网络结构图；

图4是本发明实施例的每时刻发出车辆数随时间变化示意图；

图5是本发明实施例的路口交通量随时间变化示意图；

图6是本发明实施例的预测结果示意图。

具体实施方式

下面结合附图和具体的实施方式对本发明作进一步详细的说明。所述实施例的示例在附图中示出，在下述本发明的实施方式中描述的具体的实施例仅作为本发明的具体实施方式的示例性说明，旨在用于解释本发明，而不构成为对本发明的限制。

本发明提供了一种电动汽车商用充电区的负荷预测方法，如图1所示，包括以下步骤：

步骤S1：基于路阻函数(BRP)建立两种路况模型，并根据实时路况进行选择。

路况模型中，有简单和复杂两种路况，简单路况是复杂路况中的一种，只有一个出发区和一个目的地的特殊形式。本发明实施例以一种包含三个路段的简单情况为代表用于直观具体的解释本发明，图2是本发明实施例的简单树形结构路况模型，图中示出，车辆从1区出发去往2区的路上共A、B、C共三种可供选择的充电路径，总量为Q车辆从1区发出到达目的地2有三种路径和充电地点供选择，到达3个不同的充电点所需用时不同，对电动汽车的吸引度则不同。到达用时的t_ai，i＝1,2,3的计算公式为：

t_ai＝t_li+t_pi；

式中，t_li和t_pi分别为路上行驶时间和服务等待时间，路上行驶时间t_li由美国路阻函数(BRP)给出：

式中，Δt_i为电动汽车到达第i个路径上的充电点的理论时间，主要由距离决定；Δt_i＝d_i/u_i，d_i为从到达第i个路径上的充电点的路段长度，u_i为该路段理论平均车速；q_i为当时通过该路口的交通量，单位：辆/h；e_i为路口的实际通行能力，单位：辆/h；J和r为模型待定参数，其取值视具体情况而随机变化，若J和r取值不当对计算结果的正确性影响很大。

服务等待时间由上一时刻充电点的停车N决定，如果N小于充电点的每小时能服务的电动车数量h，则若N大于h且N/h>2，则充电点在服务完现有车辆前不予考虑，否则

步骤S2：归一化处理训练极限学习机的历史数据，并提取出与预测日相似的特征数据。极限学习机的网络结构图详见图3，归一化处理训练极限学习机的历史数据并提取出与预测日相似的特征数据之前要对数据进行预处理。Δt、q和e作为输入变量，而这些数据中常常含有无效值，需要通过均值法进行替换，降低其对预测造成的不良影响。均值法的数学公式如下所述：

式中：Z_i(t)∈{Δt,q,e}；ΔT为采样周期。

归一化处理公式为：

从历史数据中提取出与预测日相似的特征数据构成训练样本可以剔除无关变量的影响，提高预测的精度。为此首要思想是找出影响电动汽车变化的天气和节假日因素，选取其中的主要天气和节假日因素构成一个特征向量，用来描述电动汽车行为特征；其后，用聚类的方法将相似的特征进行归类，采用某种相似度判别标准选取与待预测日相似的历史日所对应的数据；最后将这些数据构成训练集并送入预测模型进行预测。

步骤S3：将步骤S2提取的特征数据送入基于极限学习机的预测模型，训练出路阻函数(BRP)参数。

极限学习机的预测模型是基于传统单隐含层前馈神经网络(Single-hiddenLayer Feed-forward Neural Networks,SLFNN)改进的一种新型快速学习算法。给定N个训练样本对于隐含层节点数为L，激活函数为g_i(a_j,b_j,O_i)的SLFN数学模型可以表示成：

式中a_j∈R^N和b_j∈R(j＝1,2,...,L)分别为第j个隐含层节点的输入权值和偏置；λ_j为隐含层与输出层之间的输出权值；y_i为网络输出值。在ELM中认为SLFN能在激活函数的作用下以零误差逼近任意目标样本，即：

那么就存在a_j，b_j和λ_j使得：

上述公式可以用矩阵形式表示为：

Hλ＝T

式中H为极限学习的隐含层输出矩阵；为隐含层输出权值矩阵；为目标输出矩阵。

根据ELM算法，一旦数据权值和隐含层偏置被随机确定之后，则其解为：

其中表示隐含层输出矩阵H的摩尔—彭洛斯(Moore-Penrose)广义逆。

步骤S4：将实时路况信息代入步骤S3中训练好的路阻函数，结合步骤S1中路况信息模型，计算出路况结构中各路段所需花费时间；再以此计算出各个充电点服务车辆的概率，结合充电点的充电功率算出负荷。

根据之前步骤计算出的i＝1,2,...,n,j＝1,2,...,m；以此为依据，计算从第j个区域到达第i个充电点概率为：

其中n_j为能够为第j个区域提供服务的充电点总和.

则从第j个区域到达第i个充电点服务车辆为第i个充电点总服务车辆为:

其中m_i为第i个充电点所服务的区域总和，依据充电区均是短时快充的特性，则利用所求车辆数和充电点的快充功率即可预测出该点的负荷。

图6是本发明实施例的预测结果示意图，图中可以看出A、B、C三条路径的负荷预测结果的峰谷形状与图4每时刻出发车辆的总数峰谷形状类似，总体上成正比关系；而与图5中的三条路径的路口交通量总体上成反比例关系，由此可知，本发明所提出的预测方法，其结果实时匹配路况信息，使得预测结果的实时性与有效性得到充分保障。

本发明基于路况信息建立计及网络拓扑结构和通行时长的道路交通模型，并通过大量数据筛选以及充电行为的研究将电动汽车充电模型进行简化；并基于上述模型，利用极限学习机智能预测各路段所需通过时间；并以此为依据，研究构建服务车辆占总车辆的比例模型；最终预测出商用区充电点的负荷。本发明提供的预测方法从实时路况信息入手，避开了电动汽车在商用充电区中汽车类型多、车辆时空分布复杂的预测难点；利用实时的预测方法、结合实时信息提高了预测结果的有效性；并将大量经过特征筛选的历史数据用于极限学习机的训练，提高了预测准确性。

应该注意的是，上述实施例是对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，单词“包含”不排除存在未列在权利要求中的数据或步骤。

Claims (9)

1.一种电动汽车商用充电区的负荷预测方法，其特征在于，包括以下步骤：

S1：基于路阻函数建立路况模型，并根据实时路况进行选择；

S2：归一化处理训练极限学习机的历史数据，并提取出与预测日相似的特征数据；

S3：将步骤S2提取的特征数据送入基于极限学习机的预测模型，训练出路阻函数参数；

S4：将实时路况信息代入步骤S3中训练好的路阻函数，结合步骤S1中路况信息模型，计算出路况结构中各路段所需花费时间；再以此计算出各个充电点服务车辆的概率，结合充电点的充电功率算出负荷。

2.根据权利要求1所述的一种电动汽车商用充电区的负荷预测方法，其特征在于：步骤S1所述的路况模型中，车辆从各个区发出寻找合适的充电点进行充电，n个不同的充电点所能服务的区域也不同，其所服务的车辆数是计及不同区域可能到达的车辆的总和；若各区域电动汽车总量为Q_j、j＝1,2,...,m，共有m个不同区域，n个不同路段上的充电点，因此要分别计算从j区域到达第i个充电点所需的t^j _ai，i＝1,2,...,n，j＝1,2,...,m：

其中，和分别为路上行驶时间和服务等待时间。

3.根据权利要求2所述的一种电动汽车商用充电区的负荷预测方法，其特征在于：步骤S1所述的路况模型中，路上行驶时间t^j _li由美国路阻函数给出：

其中，为电动汽车从j区域到达第i个充电点的理论时间，为当时通过该路口的交通量，单位：辆/h；为路口的实际通行能力，单位：辆/h；J和r为模型待定参数。

4.根据权利要求3所述的一种电动汽车商用充电区的负荷预测方法，其特征在于：所述的表达式为：

其中，为从j区域到达第i个充电点的路段长度，为该路段理论平均车速。

5.根据权利要求2所述的一种电动汽车商用充电区的负荷预测方法，其特征在于：步骤S1所述的路况模型中，服务等待时间由上一时刻充电点的停车N决定，如果N小于充电点的每小时能服务的电动车数量h，则若N大于h且N/h>2，则充电点在服务完现有车辆前不予考虑，否则

6.根据权利要求1所述的一种电动汽车商用充电区的负荷预测方法，其特征在于：步骤S2中所述归一化的处理公式为：

7.根据权利要求1所述的一种电动汽车商用充电区负的荷预测方法，其特征在于：步骤S3中极限学习机的预测模型中给定N个训练样本对于隐含层节点数为L，激活函数为g_i(a_j,b_j,O_i)的SLFN数学模型可以表示成：

式中：a_j∈R^N和b_j∈R(j＝1,2,...,L)分别为第j个隐含层节点的输入权值和偏置，λ_j为隐含层与输出层之间的输出权值，y_i为网络输出值；SLFN数学模型在激活函数的作用下以零误差逼近任意目标样本，即：

则存在a_j，b_j和λ_j使得：

上述公式矩阵形式表示为：

Hλ＝T；

式中：H为极限学习的隐含层输出矩阵，为隐含层输出权值矩阵，为目标输出矩阵，其中：

当数据权值和隐含层偏置被随机确定之后，则其解为：

式中：表示隐含层输出矩阵H的摩尔—彭洛斯广义逆。

8.根据权利要求1所述的一种电动汽车商用充电区的负荷预测方法，其特征在于：步骤S4中根据之前步骤计算出的i＝1,2,...,n,j＝1,2,...,m；以此为依据，计算从第j个区域到达第i个充电点概率为：

式中：n_j为能够为第j个区域提供服务的充电点总和，为从第j个区域到达第i个充电点服务车辆，第i个充电点总服务车辆为：

式中：m_i为第i个充电点所服务的区域总和。

9.根据权利要求1所述的一种电动汽车商用充电区的负荷预测方法，其特征在于：在步骤S2前需采用均值法对数据进行预处理，所述均值法的数学公式为：

式中：Z_i(t)∈{△t,q,e}，△T为采样周期。