CN109919393A - 一种电动出租汽车的充电负荷预测方法 - Google Patents
一种电动出租汽车的充电负荷预测方法 Download PDFInfo
- Publication number
- CN109919393A CN109919393A CN201910222194.2A CN201910222194A CN109919393A CN 109919393 A CN109919393 A CN 109919393A CN 201910222194 A CN201910222194 A CN 201910222194A CN 109919393 A CN109919393 A CN 109919393A
- Authority
- CN
- China
- Prior art keywords
- charging
- taxi
- electric
- electric taxi
- data
- 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.)
- Granted
Links
- 238000013277 forecasting method Methods 0.000 title abstract 2
- 230000005611 electricity Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 42
- 230000006399 behavior Effects 0.000 claims description 38
- 230000029305 taxis Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000005265 energy consumption Methods 0.000 claims description 13
- 238000010438 heat treatment Methods 0.000 claims description 12
- 238000005057 refrigeration Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004378 air conditioning Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000009825 accumulation Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种电动出租汽车的充电负荷预测方法,包含:S1、数据预处理,对传统出租汽车的GPS定位行驶轨迹中的数据缺失、数据异常进行调整;S2、充电行为判定,构建电动出租汽车的耗电行为模型、充电行为模型和充电决策优化模型,并求解充电决策优化模型,判定电动出租汽车在何时选择何处充电站进行充电;S3、充电负荷计算,根据电动出租汽车的充电行为,计算各充电站的日充电负荷,及城市日总充电负荷。本发明以传统出租汽车的GPS定位行驶轨迹数据为基础,数据积累充足且易于获得;同时兼顾车辆耗电特性、车辆载客状态、车辆行驶轨迹、车主经济效益及分时充电电价等因素,对城市电动出租汽车充电负荷的时间及空间分布做出准确预测。
Description
技术领域
本发明涉及一种充电负荷预测方法,具体是指一种电动汽车(尤其是电动出租汽车)的充电负荷预测方法,属于电力系统规划的技术领域。
背景技术
由于环境污染及温室效应等问题,电动汽车在近年来得到了广泛关注。如北京、深圳、太原等城市已率先试点电动出租汽车,而其他许多城市也拟在未来3到5年内试行电动出租汽车。由于出租汽车高强度运行的特性,若某城市出租汽车全部由电动汽车取代,其充电行为将在电网侧产生显著的用电负荷增量。电动出租汽车没有固定的行驶路线,也没有统一的停运时间规律,这使得电动出租汽车充电行为随机性极高。对于电动出租汽车群体,其充电负荷呈现时间和空间上的高度差异,部分地区部分时段充电负荷高度聚集将严重影响配电网的安全经济运行。因此,在大规模部署电动出租汽车前,需要预测未来电动出租汽车充电负荷及其时空分布,以此为依据评估电网承载能力,并对未来配电网及充电设施规划提供指导。
目前,在电动汽车的充电负荷预测方面,已有的研究大多着重分析电动私家车,针对电动出租汽车的讨论较为简略。但是,电动私家车的行为模式、充电模式与电动出租汽车相比,具有较大差异,因此其充电负荷预测方法并不适用于电动出租汽车。也有个别研究专门分析电动出租汽车的充电需求,但这些研究采用城市内已有的电动出租汽车的历史行驶数据进行分析,这种选择存在明显的问题。对于大多数拟推广电动出租汽车的城市,现阶段出租汽车全部为常规能源汽车。若以其他城市电动出租汽车的历史运行数据进行分析,则由于地理背景不同,分析结果对本地规划的指导价值十分有限。若先在本地部署少量试点电动出租汽车,提取行为特征用以后续评估,则存在样本较少、代表性差的问题。
基于上述,本发明提出一种电动出租汽车的充电负荷预测方法,以解决现有技术中存在的缺点和限制。
发明内容
本发明的目的是提供一种电动出租汽车的充电负荷预测方法,以传统出租汽车的GPS定位行驶轨迹数据为基础,数据积累充足且易于获得;同时兼顾车辆耗电特性、车辆载客状态、车辆行驶轨迹、车主经济效益及分时充电电价等因素,对城市电动出租汽车充电负荷的时间及空间分布做出准确预测。
为达到上述目的,本发明提出一种电动出租汽车的充电负荷预测方法,包含以下步骤:
S1、数据预处理,对传统出租汽车的GPS定位行驶轨迹中的数据缺失、数据异常进行调整;
S2、充电行为判定,构建电动出租汽车的耗电行为模型、充电行为模型和充电决策优化模型,并对该充电决策优化模型进行求解,判定得到电动出租汽车在何时选择何处充电站进行充电;
S3、充电负荷计算,根据判定得到的电动出租汽车的充电行为,计算各个充电站的日充电负荷,以及城市日总充电负荷。
所述的S1中,GPS数据缺失包括经、纬度坐标缺失和运营状态信息缺失;
对于GPS数据中缺失的经、纬度坐标,采用线性插值法进行补全;
记GPS定位行驶轨迹中的数据的经、纬度坐标的时间序列为:
{X}=[x(1),x(2),...,x(k),w(1),w(2),...,w(m),x(k+m+1),...,x(n)]
其中,w(1),w(2),...,w(m)为缺失数据;
计算缺失数据与上、下已知值之间的斜率为:
则缺失数据表示为:w(i)=Δx·i+x(k);i=1,2,…,m;
对于GPS数据中缺失的运营状态信息,若缺失数据的上、下已知值是相等的,则采用该上、下已知值对缺失数据进行填充;
若缺失数据的上、下已知值是不相等的,则将缺失数据按居中位置划分为前后两部分,前半部分采用上已知值进行填充,后半部分采用下已知值进行填充。
所述的S1中,对输入的传统出租汽车的GPS数据中的异常数据进行剔除,包括剔除异常经、纬度坐标及剔除异常运营状态;
在GPS数据的经、纬度坐标的时间序列中,对于每个序列值x(i),将其与前后各k个序列值的均值进行比较,若偏差大于预设阈值,则认为该序列值存在数据异常的情况,将该数据剔除,并采用前后各k个序列值的均值进行替代,具体为:
其中,ε为预设阈值;
在GPS数据的运营状态时间序列中,如果某个序列值x(i)的前后各k个序列值均相同,且与该序列值x(i)不相同,则认为序列值x(i)存在数据异常,剔除异常数据并采用前后各k个序列值进行替代,具体为:
if x(i-1)=x(i-2)=...=x(i-k)=x(i+1)=x(i+2)=...=x(i+k)=c≠x(i)
then x(i)=c。
所述的S2中,具体包含以下步骤:
S21、构建电动出租汽车的耗电行为模型;
设定电动出租汽车沿传统出租汽车的GPS定位轨迹行驶,根据车辆性能参数,更新电动出租汽车的荷电状态,具体为:
其中,SOCi,t表示电动出租汽车i在时刻t的荷电状态;表示电动出租汽车i的电池容量;Ei,t表示电动出租汽车i在时刻t的电量消耗,其由动力能耗与空调能耗叠加构成;
S22、构建电动出租汽车的充电行为模型;
设定电动出租汽车于t0时刻进入充电状态,本次充电允许停泊的最大时间为tmax,计算电动出租汽车在充电期间的荷电状态,具体为:
其中,Pch表示电动出租汽车充电功率,其恒为常数;SOCi,exp表示电动出租汽车i的司机期望达到的荷电状态;
计算本次充电的持续时间,具体为:
其中,τ表示本次充电的总耗时。
S23、构建电动出租汽车的充电决策优化模型,具体为:
其中,n表示电动出租汽车一日内的所有合理充电时段数量;δi为决策变量,表示该电动出租汽车是否在第i个合理充电时段充电,如是δi取1,如否δi取0;pi表示第i个合理充电时段的电价;poff表示非工作时段在驻地充电的价格;Wi表示第i个合理充电时段需要补充的电量;c表示单位时间成本;ti (1)表示驱车前往充电站额外耗费的时间;
该车主充电决策优化模型的约束条件为:电动出租汽车的全天荷电状态处在荷电状态阈值之上;
S24、采用遗传算法求解电动出租汽车的充电决策优化模型;
在遗传算法中,染色体定义为决策变量δi构成的0、1序列,构成适应度函数,具体为:
取荷电状态阈值为0.1,构建惩罚函数为:
其中,min{SOCt}表示全天荷电状态最小值;当荷电状态SOC始终大于0.1时惩罚项为0;当最低荷电状态小于0.1时惩罚项为负。
所述的S21中,电动出租汽车i在时刻t的动力能耗为:
其中,vi,t表示电动出租汽车i在时刻t的速度;Δt表示时间间隔;mi,t表示电动出租汽车i的总质量;αroad表示路况系数;αroad·mi,t表示电动出租汽车i匀速行驶需要的牵引力;ηb表示电池效率,ηpe表示电动出租汽车的电力电子设备效率,ηm表示电机效率,ηa表示附加载荷系数。
所述的S21中,电动出租汽车i在时刻t的空调能耗为:
其中,表示制冷能耗;表示制热能耗;Δt表示时间间隔;T(t)、T(AC)、T(HT)分别表示当前环境温度、制冷启动温度、制热启动温度;βAC、βHT分别表示单位温度变化引起的制冷、制热电耗增量;分别表示制冷、制热功能基础电耗量。
所述的S3中,具体为:根据判定得到的电动出租汽车的充电行为,得出每一辆传统出租汽车被电动出租汽车替代后的充电行为,包括充电起始时间及地点、充电时间长度、每次充电电量,计算得到各个充电站的所有车辆充电行为累加后的日充电负荷曲线,并计算得到城市内所有充电站的日充电负荷类加后的日总充电负荷曲线。
综上所述,本发明所述的电动出租汽车的充电负荷预测方法,适用于城市海量电动出租汽车的充电负荷预测,以城市内现有传统出租汽车的GPS定位行驶轨迹数据为基础进行分析,数据积累充足且易于获得,克服其他电动出租汽车充电负荷预测方法中样本数据少、数据难获得的缺陷;能够统筹兼顾车辆耗电特性、车辆载客状态、车辆行驶轨迹、车主经济效益及分时充电电价等多方因素,对城市电动出租汽车充电负荷的时间及空间分布做出准确预测。
附图说明
图1为本发明中的电动出租汽车的充电负荷预测方法的流程示意图;
图2为本发明中的电动出租汽车的充电负荷预测方法中的充电行为判定环节的示意图。
具体实施方式
以下结合图1~图2,通过优选实施例对本发明的技术内容、构造特征、所达成目的及功效予以详细说明。
如图1所示,为本发明提供的电动出租汽车的充电负荷预测方法,包含以下步骤:
S1、数据预处理,对传统出租汽车(具体为本市已经存在的传统能源出租汽车)的GPS定位行驶轨迹中的数据缺失、数据异常进行合理调整;
S2、充电行为判定,构建电动出租汽车的耗电行为模型、充电行为模型和充电决策优化模型,并对该充电决策优化模型进行求解,判定得到电动出租汽车在何时何地选择何处充电站进行充电;
S3、充电负荷计算,根据判定得到的电动出租汽车的充电行为,计算各个充电站的日充电负荷,以及城市日总充电负荷。
所述的S1中,由于受通信干扰等因素的影响,GPS数据可能出现短时数据缺失,包括经、纬度坐标缺失和运营状态信息缺失,因此需要对输入的传统出租汽车的GPS数据中的这两类数据缺失进行补全;
对于GPS数据中缺失的经、纬度坐标(连续量),采用线性插值法进行补全;
记GPS定位行驶轨迹中的数据的经、纬度坐标的时间序列为:
{X}=[x(1),x(2),...,x(k),w(1),w(2),...,w(m),x(k+m+1),...,x(n)]
其中,w(1),w(2),...,w(m)为缺失数据;
计算缺失数据与上、下已知值之间的斜率为:
则缺失数据表示为:w(i)=Δx·i+x(k);i=1,2,…,m;
对于GPS数据中缺失的运营状态信息(离散量),若缺失数据的上、下已知值是相等的,则采用该上、下已知值对缺失数据进行填充,即x(k)=w(1)=w(2)=...=w(m)=x(k+m+1);
若缺失数据的上、下已知值是不相等的,则将缺失数据按居中位置划分为前后两部分,前半部分采用上已知值进行填充,后半部分采用下已知值进行填充,即x(k)=w(1)=w(2)=…=w([m/2]);w([m/2]+1)=…=w(m)=x(k+m+1);其中[m/2]表示对m/2进行取整运算。
所述的S1中,由于传统出租汽车的GPS数据中的异常可能会对后续的充电负荷预测方法的各个步骤造成较为严重干扰,因此需要对这些异常数据进行剔除;
例如,某车主停车后前去用餐,车辆在40分钟的用餐时间里保持空车状态,这种情况下,本发明方法很可能将该时间段视为合理的充电时段;但如果这段40分钟的空车状态中错误的出现了一条显示运营状态为“载客”的GPS记录,而被分割后的前后两段空车状态的持续时间可能难以满足充电需求,那么这段40分钟的时间将不能被本发明方法识别为合理充电时段。又例如,某条GPS记录中的经、纬度坐标误差过大,从而导致无法形成连续的行驶轨迹;基于这些可能出现的异常数据,则需要预先进行剔除处理;
在GPS数据的经、纬度坐标的时间序列中,对于每个序列值x(i),将其与前后各k个序列值的均值进行比较,若偏差大于预设阈值,则认为该序列值存在数据异常的情况,将该数据剔除,并采用前后各k个序列值的均值进行替代,具体为:
其中,ε为预设阈值;
在GPS数据的运营状态时间序列中,如果某个序列值x(i)的前后各k个序列值均相同,且与该序列值x(i)不相同,则认为序列值x(i)存在数据异常,剔除异常数据并采用前后各k个序列值进行替代,具体为:
if x(i-1)=x(i-2)=...=x(i-k)=x(i+1)=x(i+2)=...=x(i+k)=c≠x(i)
then x(i)=c。
所述的S2中,基于传统出租汽车的GPS定位行驶轨迹,可以分析得出车辆在何时、何地处于空车状态,而只有处于空车状态的车辆才可能选择充电。假设电动出租汽车按传统出租汽车的GPS定位行驶轨迹进行行驶,同时载客与空车状态的切换点不变,本步骤首先对车辆耗电、充电过程中荷电状态(当前电量百分比)的动态变化进行建模,之后构建电动出租汽车的充电决策优化模型,在每辆出租汽车一日内的若干个空车时间段内选择最为合理的时间区间进行电量补充,使得车辆日续航要求得以满足,同时司机效益最大化。
通过求解上述充电决策优化模型可以得到:电动出租汽车在何时何地选择何处充电站进行充电,具体如图2所示。图2中给出了某辆电动出租汽车的GPS定位行驶轨迹以及充电站位置。该电动出租汽车的充电行为判定环节在若干个空车状态起始点(由载客状态切换到空车)中找到最适合前去充电的空车状态起始点,称为充电需求产生点。将各个充电需求产生点对应到最邻近的充电站,根据空车状态持续时间确定最大可行充电时间,更新充电负荷。
所述的S2中,具体包含以下步骤:
S21、构建电动出租汽车的耗电行为模型;
设定电动出租汽车沿传统出租汽车的GPS定位轨迹行驶,根据车辆性能参数、车速及载重因素逐点计算车辆耗电量,更新电动出租汽车的荷电状态,具体为:
其中,SOCi,t表示电动出租汽车i在时刻t的荷电状态(State Of Charge);表示电动出租汽车i的电池容量;Ei,t表示电动出租汽车i在时刻t的电量消耗,其由动力能耗与空调能耗叠加构成;
S22、构建电动出租汽车的充电行为模型;
设定电动出租汽车于t0时刻进入充电状态,本次充电允许停泊的最大时间为tmax,计算电动出租汽车在充电期间的荷电状态,具体为:
其中,Pch表示电动出租汽车充电功率,准确计算Pch需参考动力电池及充电设施特性并根据当前荷电状态SOCi,t-1进一步确定,但一般可认为某充电设施的Pch为常数;SOCi,exp表示电动出租汽车i的司机期望达到的荷电状态,达到该荷电状态即停止充电;
在设定电动出租汽车充电功率Pch恒为常数时,计算本次充电的持续时间,具体为:
其中,τ表示本次充电的总耗时。
S23、构建电动出租汽车的充电决策优化模型;
在电动出租汽车的充电行为中,必须遵循以下的一些规则,例如:当电动出租汽车载有乘客时必须按乘客指定路径行驶,不得中途充电。一次充电行为的完整耗时包括前往充电站用时t(1)、实际充电耗时t(2)、出站寻客耗时t(3);当空车时间较短时也来不及完成充电,只有处在连续空载状态超过一定时间阈值Tmin时,才可能在期间进行充电。因此需要定义“合理充电时段”为连续保持空载状态超过Tmin的时间段,一般可取Tmin=20min。根据电动出租汽车的运营状态时间序列,找到其一日内所有合理充电时段。
车主将在所有合理充电时段中选择效用最大化的组合进行充电,而车主方面的效用体现在充电价格与时间成本,因此充电决策优化模型表示为:
其中,n表示电动出租汽车一日内的所有合理充电时段数量;δi表示该电动出租汽车是否在第i个合理充电时段充电,如是δi取1,如否δi取0;pi表示第i个合理充电时段的电价;poff表示非工作时段在驻地充电的价格;Wi表示第i个合理充电时段需要补充的电量;c表示单位时间成本;表示驱车前往充电站额外耗费的时间;该车主充电决策优化模型的决策变量为δi,属于0-1规划;
该车主充电决策优化模型的约束条件为:电动出租汽车的全天荷电状态处在某一安全合理的阈值之上,低于该阈值将可能导致车辆动力不足或损伤动力电池。因此,在给定的约束条件下,车辆全天的荷电状态动态变化可根据耗电行为模型及充电决策优化模型实时计算;
S24、采用遗传算法求解电动出租汽车的充电决策优化模型;
在遗传算法中,染色体定义为决策变量δi构成的0、1序列,将约束条件作为惩罚项与司机成本最小化目标相结合,共同构成适应度函数,具体为:
取荷电状态阈值为0.1,构建惩罚函数为:
其中,min{SOCt}表示全天荷电状态最小值;当荷电状态SOC始终大于0.1时惩罚项为0;当最低荷电状态小于0.1时惩罚项为负,并随着荷电状态的降低其绝对值迅速增大,导致适应度迅速降低。
实际上,出租汽车在运行期间连续保持数十分钟以上空车状态的情况较为少见,因此通过枚举法找到最合理的充电安排也是可行的。可先假设电动出租汽车每天只充电一次,找到最优充电时段,若不能满足荷电状态阈值约束时,再考虑两次充电的情形,以此类推。
所述的S21中,电动出租汽车i在时刻t的动力能耗为:
其中,vi,t表示电动出租汽车i在时刻t的速度;Δt表示时间间隔;mi,t表示电动出租汽车i的总质量(包括净重与载荷);αroad表示路况系数;αroad·mi,t表示电动出租汽车i匀速行驶需要的牵引力;分母中各个参数表示各个环节的能量转化效率,ηb表示电池效率,ηpe表示电动出租汽车的电力电子设备效率,ηm表示电机效率,ηa表示附加载荷系数。
所述的S21中,电动出租汽车i在时刻t的空调能耗为:
上式中,采用线性模型表示温度与空调能耗的关系;其中,表示制冷能耗;表示制热能耗;Δt表示时间间隔;T(t)、T(AC)、T(HT)分别表示当前环境温度、制冷启动温度、制热启动温度;βAC、βHT分别表示单位温度变化引起的制冷、制热电耗增量;分别表示制冷、制热功能基础电耗量。
所述的S3中,根据判定得到的电动出租汽车的充电行为,得出每一辆传统出租汽车被电动出租汽车替代后的充电行为,包括充电起始时间及地点、充电时间长度、每次充电电量,最终计算得到各个充电站的所有车辆充电行为累加后的日充电负荷曲线,并计算得到城市内所有充电站的日充电负荷类加后的日总充电负荷曲线。
若城市尚未规划适用于电动出租汽车的充电站,则可以将充电需求产生点视为充电行为的发生点。将城市各辖区(如乡镇级行政区)内所有充电需求产生点的充电电量进行累加,除以区域面积,可以得到单位面积充电需求密度,该指标反映未来充电需求的空间分布,可为充电站规划提供重要指导。
综上所述,本发明所述的电动出租汽车的充电负荷预测方法,适用于城市海量电动出租汽车的充电负荷预测,假设电动出租汽车按上述轨迹进行行驶,空车、载客状态切换点保持不变,对行驶过程中的耗电行为进行动态模拟,考虑运营效益模拟司机的充电行为决策,得出每辆电动出租汽车将在何时、何地进行充电,并最终获得城市电动出租汽车充电负荷及其时空分布。
本发明所述的电动出租汽车的充电负荷预测方法,应用对象明确,与现有的充电负荷预测方法相比,具有以下优点:以城市内现有传统出租汽车的GPS定位行驶轨迹数据为基础进行分析,数据积累充足且易于获得,克服其他电动出租汽车充电负荷预测方法中样本数据少、数据难获得的缺陷;能够统筹兼顾车辆耗电特性、车辆载客状态、车辆行驶轨迹、车主经济效益及分时充电电价等多方因素,对城市电动出租汽车充电负荷的时间及空间分布做出准确预测。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1.一种电动出租汽车的充电负荷预测方法,其特征在于,包含以下步骤:
S1、数据预处理,对传统出租汽车的GPS定位行驶轨迹中的数据缺失、数据异常进行调整;
S2、充电行为判定,构建电动出租汽车的耗电行为模型、充电行为模型和充电决策优化模型,并对该充电决策优化模型进行求解,判定得到电动出租汽车在何时选择何处充电站进行充电;
S3、充电负荷计算,根据判定得到的电动出租汽车的充电行为,计算各个充电站的日充电负荷,以及城市日总充电负荷。
2.如权利要求1所述的电动出租汽车的充电负荷预测方法,其特征在于,所述的S1中,GPS数据缺失包括经、纬度坐标缺失和运营状态信息缺失;
对于GPS数据中缺失的经、纬度坐标,采用线性插值法进行补全;
记GPS定位行驶轨迹中的数据的经、纬度坐标的时间序列为:
{X}=[x(1),x(2),...,x(k),w(1),w(2),...,w(m),x(k+m+1),...,x(n)]
其中,w(1),w(2),...,w(m)为缺失数据;
计算缺失数据与上、下已知值之间的斜率为:
则缺失数据表示为:w(i)=Δx·i+x(k);i=1,2,…,m;
对于GPS数据中缺失的运营状态信息,若缺失数据的上、下已知值是相等的,则采用该上、下已知值对缺失数据进行填充;
若缺失数据的上、下已知值是不相等的,则将缺失数据按居中位置划分为前后两部分,前半部分采用上已知值进行填充,后半部分采用下已知值进行填充。
3.如权利要求2所述的电动出租汽车的充电负荷预测方法,其特征在于,所述的S1中,对输入的传统出租汽车的GPS数据中的异常数据进行剔除,包括剔除异常经、纬度坐标及剔除异常运营状态;
在GPS数据的经、纬度坐标的时间序列中,对于每个序列值x(i),将其与前后各k个序列值的均值进行比较,若偏差大于预设阈值,则认为该序列值存在数据异常的情况,将该数据剔除,并采用前后各k个序列值的均值进行替代,具体为:
其中,ε为预设阈值;
在GPS数据的运营状态时间序列中,如果某个序列值x(i)的前后各k个序列值均相同,且与该序列值x(i)不相同,则认为序列值x(i)存在数据异常,剔除异常数据并采用前后各k个序列值进行替代,具体为:
if x(i-1)=x(i-2)=...=x(i-k)=x(i+1)=x(i+2)=...=x(i+k)=c≠x(i)
then x(i)=c。
4.如权利要求1所述的电动出租汽车的充电负荷预测方法,其特征在于,所述的S2中,具体包含以下步骤:
S21、构建电动出租汽车的耗电行为模型;
设定电动出租汽车沿传统出租汽车的GPS定位轨迹行驶,根据车辆性能参数,更新电动出租汽车的荷电状态,具体为:
其中,SOCi,t表示电动出租汽车i在时刻t的荷电状态;表示电动出租汽车i的电池容量;Ei,t表示电动出租汽车i在时刻t的电量消耗,其由动力能耗与空调能耗叠加构成;
S22、构建电动出租汽车的充电行为模型;
设定电动出租汽车于t0时刻进入充电状态,本次充电允许停泊的最大时间为tmax,计算电动出租汽车在充电期间的荷电状态,具体为:
其中,Pch表示电动出租汽车充电功率,其恒为常数;SOCi,exp表示电动出租汽车i的司机期望达到的荷电状态;
计算本次充电的持续时间,具体为:
其中,τ表示本次充电的总耗时。
S23、构建电动出租汽车的充电决策优化模型,具体为:
其中,n表示电动出租汽车一日内的所有合理充电时段数量;δi为决策变量,表示该电动出租汽车是否在第i个合理充电时段充电,如是δi取1,如否δi取0;pi表示第i个合理充电时段的电价;poff表示非工作时段在驻地充电的价格;Wi表示第i个合理充电时段需要补充的电量;c表示单位时间成本;表示驱车前往充电站额外耗费的时间;
该车主充电决策优化模型的约束条件为:电动出租汽车的全天荷电状态处在荷电状态阈值之上;
S24、采用遗传算法求解电动出租汽车的充电决策优化模型;
在遗传算法中,染色体定义为决策变量δi构成的0、1序列,构成适应度函数,具体为:
取荷电状态阈值为0.1,构建惩罚函数为:
其中,min{SOCt}表示全天荷电状态最小值;当荷电状态SOC始终大于0.1时惩罚项为0;当最低荷电状态小于0.1时惩罚项为负。
5.如权利要求4所述的电动出租汽车的充电负荷预测方法,其特征在于,所述的S21中,电动出租汽车i在时刻t的动力能耗为:
其中,vi,t表示电动出租汽车i在时刻t的速度;Δt表示时间间隔;mi,t表示电动出租汽车i的总质量;αroad表示路况系数;αroad·mi,t表示电动出租汽车i匀速行驶需要的牵引力;ηb表示电池效率,ηpe表示电动出租汽车的电力电子设备效率,ηm表示电机效率,ηa表示附加载荷系数。
6.如权利要求4所述的电动出租汽车的充电负荷预测方法,其特征在于,所述的S21中,电动出租汽车i在时刻t的空调能耗为:
其中,表示制冷能耗;表示制热能耗;Δt表示时间间隔;T(t)、T(AC)、T(HT)分别表示当前环境温度、制冷启动温度、制热启动温度;βAC、βHT分别表示单位温度变化引起的制冷、制热电耗增量;分别表示制冷、制热功能基础电耗量。
7.如权利要求4所述的电动出租汽车的充电负荷预测方法,其特征在于,所述的S3中,具体为:根据判定得到的电动出租汽车的充电行为,得出每一辆传统出租汽车被电动出租汽车替代后的充电行为,包括充电起始时间及地点、充电时间长度、每次充电电量,计算得到各个充电站的所有车辆充电行为累加后的日充电负荷曲线,并计算得到城市内所有充电站的日充电负荷类加后的日总充电负荷曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910222194.2A CN109919393B (zh) | 2019-03-22 | 2019-03-22 | 一种电动出租汽车的充电负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910222194.2A CN109919393B (zh) | 2019-03-22 | 2019-03-22 | 一种电动出租汽车的充电负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919393A true CN109919393A (zh) | 2019-06-21 |
CN109919393B CN109919393B (zh) | 2023-08-29 |
Family
ID=66966340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910222194.2A Active CN109919393B (zh) | 2019-03-22 | 2019-03-22 | 一种电动出租汽车的充电负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919393B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866686A (zh) * | 2019-11-07 | 2020-03-06 | 广州供电局有限公司 | 充电负荷评估方法、装置、计算机设备和存储介质 |
CN113298298A (zh) * | 2021-05-10 | 2021-08-24 | 国核电力规划设计研究院有限公司 | 一种充电桩短期负荷预测方法及其系统 |
CN115424443A (zh) * | 2022-09-20 | 2022-12-02 | 安徽江淮汽车集团股份有限公司 | 一种基于行驶数据的车辆异常监控方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013045449A2 (en) * | 2011-09-29 | 2013-04-04 | Nec Europe Ltd. | Method and system for charging electric vehicles |
KR20160037308A (ko) * | 2014-09-26 | 2016-04-06 | 한국전기연구원 | 전기 자동차의 충전 장소를 고려한 도시별 일부하 곡선 산출 방법 |
CN106203719A (zh) * | 2016-07-15 | 2016-12-07 | 东南大学 | 一种电动汽车接入电网的负荷预测方法 |
CN107704963A (zh) * | 2017-10-13 | 2018-02-16 | 国电南瑞科技股份有限公司 | 一种考虑时空分布的电动汽车充电负荷预测方法 |
-
2019
- 2019-03-22 CN CN201910222194.2A patent/CN109919393B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013045449A2 (en) * | 2011-09-29 | 2013-04-04 | Nec Europe Ltd. | Method and system for charging electric vehicles |
KR20160037308A (ko) * | 2014-09-26 | 2016-04-06 | 한국전기연구원 | 전기 자동차의 충전 장소를 고려한 도시별 일부하 곡선 산출 방법 |
CN106203719A (zh) * | 2016-07-15 | 2016-12-07 | 东南大学 | 一种电动汽车接入电网的负荷预测方法 |
CN107704963A (zh) * | 2017-10-13 | 2018-02-16 | 国电南瑞科技股份有限公司 | 一种考虑时空分布的电动汽车充电负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
罗卓伟 等: ""电动汽车充电负荷计算方法"", 《电力系统自动化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866686A (zh) * | 2019-11-07 | 2020-03-06 | 广州供电局有限公司 | 充电负荷评估方法、装置、计算机设备和存储介质 |
CN113298298A (zh) * | 2021-05-10 | 2021-08-24 | 国核电力规划设计研究院有限公司 | 一种充电桩短期负荷预测方法及其系统 |
CN113298298B (zh) * | 2021-05-10 | 2023-12-29 | 国核电力规划设计研究院有限公司 | 一种充电桩短期负荷预测方法及其系统 |
CN115424443A (zh) * | 2022-09-20 | 2022-12-02 | 安徽江淮汽车集团股份有限公司 | 一种基于行驶数据的车辆异常监控方法 |
CN115424443B (zh) * | 2022-09-20 | 2024-04-26 | 安徽江淮汽车集团股份有限公司 | 一种基于行驶数据的车辆异常监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109919393B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570014B (zh) | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 | |
Ji et al. | Trip energy consumption estimation for electric buses | |
CN107392400B (zh) | 计及实时交通与温度的ev充电负荷时空分布预测方法 | |
CN104442825B (zh) | 一种电动汽车剩余行驶里程的预测方法和系统 | |
Omran et al. | Location-based forecasting of vehicular charging load on the distribution system | |
CN104260724B (zh) | 一种车辆智能预测控制系统及其方法 | |
Han et al. | Ordered charge control considering the uncertainty of charging load of electric vehicles based on Markov chain | |
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 | |
Li et al. | Prediction of electric bus energy consumption with stochastic speed profile generation modelling and data driven method based on real-world big data | |
CN111267827B (zh) | 一种混合动力汽车能量管理方法和系统 | |
US20220410750A1 (en) | System and method for smart charging management of electric vehicle fleets | |
CN109919393A (zh) | 一种电动出租汽车的充电负荷预测方法 | |
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 | |
CN111400662A (zh) | 一种考虑电动汽车充电需求的空间负荷预测方法 | |
CN110232219B (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
CN111391692A (zh) | 基于车舱温度差异控制的电动汽车有序充放电系统及方法 | |
CN114282821A (zh) | 一种共享电动汽车的调度方法、系统及设备 | |
CN114021391A (zh) | 基于动态能耗与用户心理的电动汽车充电负荷预测方法 | |
CN115330267A (zh) | 基于需求行为的充换电设施布局方法、装置、设备及介质 | |
CN115860185A (zh) | 一种考虑极端高温天气下多类型电动汽车充电方式的电网负荷预测方法 | |
Kim et al. | A machine learning method for ev range prediction with updates on route information and traffic conditions | |
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 | |
CN113222248B (zh) | 一种自动驾驶出租车充电桩选择方法 | |
Rezvanizanian et al. | A mobility performance assessment on plug-in EV battery | |
He et al. | Multi-time simulation of electric taxicabs' charging demand based on residents' travel characteristics |
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 |