CN109583632B - 基于网联数据的电动汽车充电行为预测方法 - Google Patents
基于网联数据的电动汽车充电行为预测方法 Download PDFInfo
- Publication number
- CN109583632B CN109583632B CN201811363410.7A CN201811363410A CN109583632B CN 109583632 B CN109583632 B CN 109583632B CN 201811363410 A CN201811363410 A CN 201811363410A CN 109583632 B CN109583632 B CN 109583632B
- Authority
- CN
- China
- Prior art keywords
- charging
- charging behavior
- chain
- trip
- behavior
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000006855 networking Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims 19
- 230000000694 effects Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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—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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本专利公开了一种基于网联数据的电动汽车充电行为预测方法,包括:步骤一、对历史网联数据进行预处理;步骤二、提取电动汽车出行链信息;步骤三、分析电动汽车充电行为的潜在影响因素;步骤四:确定影响电动汽车充电行为的显著因素;步骤五、基于显著影响因素建立充电行为预测模型;步骤六、对电动汽车的充电行为进行预测。
Description
技术领域
本发明涉及一种基于网联数据的电动汽车充电行为预测方法,属于电动汽车充电行为预测领域。
背景技术
随着我国经济的快速发展,城市机动车辆的保有量持续增长,据国家统计局发布的信息,截止2016年底,全国机动车保有量达2.9亿辆。巨大的机动车辆保有量和快速的机动车保有量增长速度,给机动车燃料供应带来极大的挑战。全国机动车每年的燃料消耗已经超过1.6亿吨,随之而来的交通污染问题越发严峻,以北京为例,机动车尾气排放对大气污染的贡献率已经超过四分之一。
在这样的背景下,大力发展电动汽车成为了解决这一问题的有效手段,也成为了我国的国家战略。近年来,在国家政策的支持和推动下,我国电动汽车年销售量突破50万辆,电动汽车保有量迅速增加。然而,由于电动汽车充电设施不足,充电桩排队和充电时间过长等原因,导致充电行为极易受阻,严重影响电动汽车的推广应用。因此,研究电动汽车充电行为并对其进行预测十分必要。
发明内容
本发明的目的是为了克服大规模电动汽车充电具有时间和空间上的随机性、间歇性和波动性等不确定特点,提供一种基于网联数据的电动汽车充电行为预测方法,根据电动汽车的历史车联网数据,从实际情况出发,考虑基于出行链的电动汽车充电行为的多种潜在影响因素,统筹兼顾天气、旅程开始时间、出行链时长、出行链距离、旅程速度、起始核电状态、上一次出行链充电状态等,通过模型分析确定充电行为的显著影响因素,基于显著性影响因素建立相应预测模型,对出行链的充电行为进行预测。
本发明提出的一种基于网联数据的电动汽车充电行为预测方法,包括以下步骤:
步骤一:对历史网联数据进行预处理。对车联网采集到的行车数据信息进行预处理,规范数据格式,填补缺失数据,剔除错误信息。
步骤二:提取电动汽车出行链信息。出行链一般描述居民从家出发再返回家的过程,根据经验将数据中晚上使用常规充电的充电地点视为家的所在地,对充放电过程进行匹配,以家为起讫点构建车辆出行链模型。由此从原始数据提取出所要研究的出行链信息,同时记录单条出行链充电的次数、旅程起始点、总距离、总时间、旅行速度、起始电池核电量,以及每次快速充电的起始点、时长、充电量等。
步骤三:分析电动汽车充电行为的潜在影响因素。通过对电动汽车出行链信息的研究和分析得到,影响出行链充电行为的潜在影响因素可能包括天气、旅程开始时间、出行链时长、出行链距离等。
步骤四:确定影响电动汽车充电行为的显著因素。为了确定显著影响因素,使用标准二项Logistic回归方法对潜在影响因素进行分析,对上述提到的潜在影响因素数字化,基于SPSS软件分析获得各个影响因素的显著性水平(P-value),显著性水平小于0.05的确定为电动汽车充电行为的显著影响因素。
步骤五:基于显著影响因素建立充电行为预测模型。由于电动汽车是否进行充电是一个二分类的变量,因此选择Logistic回归分析方法建立预测模型。
(1)用数字“0”来代表无充电行为,用数字“1”来代表有充电行为,。那么出行链的充电行为模型可以表示为:
其中,πi代表了第i条出行链有充电行为的概率,1-πi代表第i条出行链没有充电行为的概率;相应的与分别代表采用最大似然估计法得出的计算有充电行为概率的截距及系数矩阵;Xi=(x1i,x2i,…,xki)代表影响第i条出行链是否充电的各类参数,xk,i代表影响充电行为的第k种潜在因素变量。
(2)将上述公式进行变形,可以得到目标出行链有充电行为的概率计算方法:
其中,Yi代表第i条出行链的充电行为,如果车辆i有充电行为,则Yi=1。
步骤六:对电动汽车的充电行为进行预测。将预测集的各显著因素变量代入概率计算公式中,得到目标出行链有充电行为的概率pi,则:
y=bool(pi>n)
其中,函数y=bool(x)为布尔函数,n介于0到1之间,根据实际情况确定,最终判定当pi>n时,x为真,y=1,即出行链有充电行为;否则y=0,则出行链无充电行为。
本发明具有的优点如下:
(1)本发明从实际出发,利用历史网联数据,针对电动汽车充电行为不确定性,引入出行链的概念,基于出行链提出预测电动汽车充电行为的方法,使预测结果更贴近真实情况。
(2)本发明充分利用历史网联数据,统筹考虑天气、旅程开始时间、出行链时长、出行链距离、旅程速度、起始核电状态、上一次出行链充电状态等多种影响因素,分析更全面。
(3)本发明基于显著影响因素建立电动汽车充电行为预测模型,可以有效的对单一电动汽车某一出行链的充电行为进行预测,对电动汽车充电行为的实时优化有进一步改善。
附图说明
图1为本发明方法的流程图;
具体实施方式
下面结合本发明的流程框图,基于北京市电动汽车得历史车联网数据,选区2015年8月部分车辆,对本发明在具体实施时的技术方法进行清楚、完整的描述。
步骤一:对历史网联数据进行预处理。北京市电动汽车的历史网联数据内容主要包括终端编号、充放电状态、续驶里程、动力电池SOC、放电电流、经度、纬度、里程和采集时间等,每组行车数据的时间间隔为10s。对采集到的行车数据信息进行预处理,规范数据格式,填补缺失数据,剔除错误信息。
步骤二:提取电动汽车出行链信息。出行链一般描述居民从家出发再返回家的过程,根据经验将数据中晚上使用常规充电的充电地点视为家的所在地,对充放电过程进行匹配,以家为起讫点构建车辆出行链模型。由此从120辆电动汽车15天左右的原始数据中提取出3003条出行链信息,同时记录每条出行链充电的次数、旅程起始点、总距离、总时间、旅行速度、起始电池核电量,以及每次快速充电的起始点、时长、充电量等。
步骤三:分析电动汽车充电行为的潜在影响因素。通过对电动汽车出行链信息的研究和分析得到,影响出行链充电行为的潜在影响因素主要包括天气、旅程开始时间、出行链时长、出行链距离、旅程速度、初始核电量、上一次充电状态。
步骤四:确定影响电动汽车充电行为的显著因素。为了确定显著影响因素,使用标准二项Logistic回归方法对潜在影响因素进行分析,对上述得到的潜在影响因素数字化,基于SPSS软件分析获得各个影响因素的显著性水平(P-value),旅程开始时间、出行链时长、出行链距离、初始核电量、上一次充电状态,这5个因素的显著性水平小于0.05,确定为电动汽车充电行为的显著影响因素。
步骤五:基于显著影响因素建立充电行为预测模型。由于电动汽车是否进行充电是一个二分类的变量,因此选择Logistic回归分析方法建立预测模型。
(1)用数字“0”来代表无充电行为,用数字“1”来代表有充电行为,。那么出行链的充电行为模型可以表示为:
其中,πi代表了第i条出行链有充电行为的概率,1-πi代表第i条出行链没有充电行为的概率;相应的与分别代表采用最大似然估计法得出的计算有充电行为概率的截距及系数矩阵;Xi=(x1i,x2i,…,xki)代表影响第i条出行链是否充电的各类参数,xk,i代表影响充电行为的第k种潜在因素变量。
(2)将上述公式进行变形,可以得到目标出行链有充电行为的概率计算方法:
其中,Yi代表第i条出行链的充电行为,如果车辆i有充电行为,则Yi=1。
(3)利用SPSS软件读取上述确定的具有显著性影响的因素变量,得到各显著影响因素的因素变量系数分别为:旅程开始时间0.030,出行链时长0.001,出行链距离0.022,初始核电量-0.052,上一次充电状态1.120,以及常量系数-1.704。确定电动汽车充电行为的预测模型为:
步骤六:对电动汽车的充电行为进行预测。将预测集的各显著因素变量代入概率计算公式中,得到目标出行链有充电行为的概率pi,最终判定pi>0.5为有充电行为的出行链:
y=bool(pi>0.5)
其中,函数y=bool(x)为布尔函数,当x为真时,y=1,即出行链有充电行为;否则y=0,则出行链无充电行为。
对预测模型实现的效果进行验证,该模型对充电行为整体的预测准确率达到84.77%,表示模型对出行链是否充电的行为识别度较高,预测效果较好。
Claims (2)
1.一种基于网联数据的电动汽车充电行为预测方法,其特征在于,包括以下步骤:
步骤一、对历史网联数据进行预处理
对车联网采集到的行车数据信息进行预处理,规范数据格式,填补缺失数据,剔除错误信息;
步骤二、提取电动汽车出行链信息
将出行链描述为居民从家出发再返回家的过程;将数据中晚上使用常规充电的充电地点视为家的所在地,对充放电过程进行匹配,以家为起讫点构建车辆出行链模型;从历史网联数据中提取基于上述出行链模型的出行链信息,同时记录单条出行链充电的次数、旅程起始点、总距离、总时间、旅行速度、起始电池电量,以及每次快速充电的起始点、时长、充电量;
步骤三、分析电动汽车充电行为的潜在影响因素
通过对电动汽车出行链信息的研究和分析得到影响出行链充电行为的潜在影响因素;
步骤四:确定影响电动汽车充电行为的显著因素
使用标准二项Logistic回归方法对潜在影响因素进行分析,分析获得各个影响因素的显著性水平,显著性水平小于0.05的确定为电动汽车充电行为的显著影响因素;
步骤五、基于显著影响因素建立充电行为预测模型
选择Logistic回归分析方法建立预测模型;其具体包括
S501用数字“0”来代表无充电行为,用数字“1”来代表有充电行为,出行链的充电行为模型可以表示为:其中,πi代表了第i条出行链有充电行为的概率,1-πi代表第i条出行链没有充电行为的概率;相应的与分别代表采用最大似然估计法得出的计算有充电行为概率的截距及系数矩阵;Xi=(x1i,x2i,…,xki)代表影响第i条出行链是否充电的各类参数,xki代表影响充电行为的第k种潜在因素变量;
步骤六、对电动汽车的充电行为进行预测
将预测集的各显著因素变量代入概率计算公式中,得到目标出行链有充电行为的概率pi,则:y=bool(pi>n)其中,函数y=bool(x)为布尔函数,n介于0到1之间,根据实际情况确定,最终判定当pi>n时,x为真,y=1,即出行链有充电行为;否则y=0,则出行链无充电行为。
2.根据权利要求1所述的一种基于网联数据的电动汽车充电行为预测方法,其特征在于,其中潜在影响因素包括天气、旅程开始时间、出行链时长、出行链距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811363410.7A CN109583632B (zh) | 2018-11-16 | 2018-11-16 | 基于网联数据的电动汽车充电行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811363410.7A CN109583632B (zh) | 2018-11-16 | 2018-11-16 | 基于网联数据的电动汽车充电行为预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583632A CN109583632A (zh) | 2019-04-05 |
CN109583632B true CN109583632B (zh) | 2021-02-26 |
Family
ID=65922721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811363410.7A Expired - Fee Related CN109583632B (zh) | 2018-11-16 | 2018-11-16 | 基于网联数据的电动汽车充电行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583632B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112498132B (zh) * | 2020-11-24 | 2022-07-05 | 北京车和家信息技术有限公司 | 车辆充电意图确定方法、装置及车辆 |
CN116861199B (zh) * | 2023-09-04 | 2024-01-02 | 中汽研汽车检验中心(天津)有限公司 | 一种燃油清净增效剂的减排测评方法、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103633645A (zh) * | 2013-11-28 | 2014-03-12 | 清华大学 | 一种基于单辆电动汽车充电预测的电动汽车实时充电方法 |
US20140136232A1 (en) * | 2006-11-21 | 2014-05-15 | MedAssets Performance Management Solutions, Inc. | System and method for benchmarking hospital supply expenses |
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN107985096A (zh) * | 2017-11-28 | 2018-05-04 | 于志超 | 一种电动车物流系统中电动车的充电提示方法及装置 |
CN108053053A (zh) * | 2017-11-21 | 2018-05-18 | 东南大学 | 基于空间自回归模型的电动自行车非通勤出行预测方法 |
-
2018
- 2018-11-16 CN CN201811363410.7A patent/CN109583632B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140136232A1 (en) * | 2006-11-21 | 2014-05-15 | MedAssets Performance Management Solutions, Inc. | System and method for benchmarking hospital supply expenses |
CN103633645A (zh) * | 2013-11-28 | 2014-03-12 | 清华大学 | 一种基于单辆电动汽车充电预测的电动汽车实时充电方法 |
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN108053053A (zh) * | 2017-11-21 | 2018-05-18 | 东南大学 | 基于空间自回归模型的电动自行车非通勤出行预测方法 |
CN107985096A (zh) * | 2017-11-28 | 2018-05-04 | 于志超 | 一种电动车物流系统中电动车的充电提示方法及装置 |
Non-Patent Citations (3)
Title |
---|
PEV charging profile prediction and analysis based on vehicle usage data;ASHTARI A etal.;《IEEE Transactions on Smart Grid》;20121231;第3卷(第1期);第341-350页 * |
基于出行链的居民行为决策影响因素分析;赵莹 等;《城市发展研究》;20101231;第17卷(第10期);第96-101页 * |
基于数据驱动的物流电动汽车充电行为分析;毕军 等;《交通运输系统工程与信息》;20170228;第17卷(第1期);第106-111页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109583632A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610260B (zh) | 行车能耗预测系统、方法、存储介质和设备 | |
CN111452619B (zh) | 电动车辆在线能耗预测方法及系统 | |
Xing et al. | Energy oriented driving behavior analysis and personalized prediction of vehicle states with joint time series modeling | |
Lee et al. | Synthesis of real-world driving cycles and their use for estimating PHEV energy consumption and charging opportunities: Case study for Midwest/US | |
CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
Zhang et al. | Driving cycles construction for electric vehicles considering road environment: A case study in Beijing | |
CN110738855B (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
CN110395245B (zh) | 一种基于固定路线驾驶信息的混动汽车能量管理系统 | |
CN109583632B (zh) | 基于网联数据的电动汽车充电行为预测方法 | |
CN113222385B (zh) | 一种电动汽车行驶工况构建与评价方法 | |
CN112258251A (zh) | 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统 | |
CN113642768A (zh) | 一种基于工况重构的车辆行驶能耗预测方法 | |
CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
CN114332825B (zh) | 基于深度学习的道路地形分布识别方法、设备和存储介质 | |
CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
CN112860782A (zh) | 一种基于大数据分析的纯电动车续驶里程估计方法 | |
CN109919393B (zh) | 一种电动出租汽车的充电负荷预测方法 | |
CN115700717A (zh) | 一种基于电动汽车用电需求的配电分析方法 | |
Xu et al. | Interpretable bus energy consumption model with minimal input variables considering powertrain types | |
CN111784027A (zh) | 计及地理信息的城市范围电动汽车充电需求预测方法 | |
CN116702996A (zh) | 一种基于典型工况识别的电动公交车辆能量预测方法 | |
CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
Xu et al. | Research on estimation method of mileage power consumption for electric vehicles | |
CN114655074B (zh) | 一种基于贝叶斯回归的电动汽车实际行驶能耗估计方法 | |
Peng et al. | Construction of engine emission test driving cycle of city transit buses |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210226 Termination date: 20211116 |