CN110363332A - 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 - Google Patents

Abstract

本发明涉及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，其特征在于：包括如下步骤：(1)估计该地区未来某一年电动汽车的保有量；(2)对充电站类型进行划分；(3)构造符合电动汽车实际出行规律的出行链；(4)模拟得到电动汽车出行规律；(5)计算电动汽车在出行链中对应的出行目的地停车充电的概率以及充电时的充电方式、充电时长；(6)得到每辆电动汽车充电的负荷分布；(7)得到待预测地区未来某一天的电动汽车充电负荷分布曲线。本发明能够降低充电、停车压力，缓解交通拥挤，能够对电网设施布局作出准确规划的优点。

Description

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

技术领域

本发明属于电网设施规划领域，涉及一种电动汽车充电负荷时空分布预测方法，特别是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。

背景技术

近年来，随着社会能耗需求的不断提高，能源短缺问题已经成为制约世界各国发展的重要因素。在能源短缺、环境污染严重的背景下，电动汽车作为一种低碳环保型 的交通工具受到越来越多人的青睐。但是当电动汽车规模扩大到一定程度，大量电动 汽车作为一种电力负荷接入到配电网时，电力系统负荷水平将局部急增，从而引起输 电线路、变压器等设备过载，对配电网的稳定性、安全性带来负面影响；而且电动汽 车车主不同的行为特性导致电动汽车负荷在时空上分布呈现很强的随机性，如果配套 的充电设施建设不合理，则会给充电需求较高的地区带来停车难、充电难等问题，严 重的话会引起交通拥挤、交通系统瘫痪等；对于充电需求较低的地区，不合理的设施 建设会导致电网规划投资资源的浪费。因此，如何对不同区域电动汽车充电负荷分布 进行比较精确的预测是电网设施规划建设的基础。

现有电动汽车充电负荷预测方法主要分为三大类：基于数学工具的传统预测方法、结合人工智能领域的现代预测方法、基于概率统计的预测方法。但是由于电动汽 车属于新型产业，没有较为齐全的历史数据作为参考，因此前两种预测方法预测结果 的有效性欠妥。蒙特卡洛法是一种以概率和统计理论为基础的随机模拟方法，通过模 拟仿真出车主不同充电行为来预测未来某一日电动汽车的充电负荷时空分布情况。但 是近几年来，在基于概率统计的预测方法研究成果中存在以下问题：在对电动汽车在 不同充电场所充电的随机性考虑不充分；在影响充电行为因素方面的考虑不够完善， 预测模型比较简单，普适性不强。

通过对公开专利文献的检索，并未发现与本专利申请相同的公开专利文献。

发明内容

本发明的目的在于克服现有技术的不足，提供一种能够降低充电、停车压力，缓解交通拥挤，能够对电网设施布局作出准确规划的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。

本发明解决其技术问题是采取以下技术方案实现的：

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，其特征在于：包括如下步骤：

(1)根据某地实际电动汽车发展情况，估计该地区未来某一年电动汽车的保有量；

(2)根据电动汽车车主出行目的地类型以及所处的不同区域对充电站类型进行划分；

(3)根据交通理论中交通出行链的概念，应用离散马尔科夫过程模拟得到电动汽车在不同目的地之间的日常出行规律，构造符合电动汽车实际出行规律的出行链；

(4)根据实测数据对出行链中各个特征量进行建模拟合，模拟得到电动汽车出行规律；

(5)根据出行链中每段行程的统计数据计算电动汽车在出行链中对应的目的地停车充电的概率以及充电时的充电方式、充电时长；

(6)运用蒙特卡洛抽样仿真法对每辆电动汽车进行模拟，得到每辆电动汽车充电的负荷分布；

(7)叠加每一辆电动汽车的负荷预测结果得到待预测地区未来某一天的电动汽车充电负荷分布曲线。

而且，所述步骤(2)中将电动汽车车主出行目的地类型分为：居住区(H)、工作区(W)与商业娱乐区(C)，因此将待预测地区充电站对应分为：居住区充电站、工作区充 电站与商业娱乐区充电站。

而且，所述步骤(4)出行链的特征量包括时间特征量与空间特征量，进行拟合建模，采用正态分布函数、广义极值分布函数和威布尔函数对时间特征量进行拟合；采 用对数正态分布函数对空间特征量中的行驶距离进行拟合；采用Markov概率转移矩 阵对空间特征量中目的地转移特性进行建模。

而且，所述步骤(5)中充电条件为：电动汽车仅在所述的3种充电站中以及应急 快速充电站中进行充电，允许电动汽车一天多次充电，将电动汽车在不同目的地充电 的概率计算分为两类：

电动汽车在出行途中，不包括最后一次回到家，充电与电动汽车最后一次回到家充电。

而且，所述步骤(5)中的充电方式包括快充及慢充，充电时间由出行链中的时 间特征量以及充电方式决定。

而且，所述步骤(7)，利用公式得到不同类型充电站在t时段 的总的电动汽车充电负荷，

其中：P_t,i,n表示t时段目的地i的充电负荷；N表示电动汽车的保有量；P_c表示 电动汽车慢充时充电功率；x_n,t,i表示第n辆电动汽车在t时段目的地i处充电的状态， 如果该辆车在t时段目的地i处正在充电，则x_n,t,i＝1；反之，如果该辆车在t时段 目的地i处没有充电，则x_n,t,i＝0，

因此，待预测地区总的电动汽车充电负荷为：

其中：P_t,n表示t时段待预测地区的充电负荷；P_fast,t,n表示t时段应急快速充电 站充电负荷；P_t,i,n表示t时段目的地i的充电负荷。

本发明的优点和积极效果是：

本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，能够建立更符合实际情况的出行链预测模型；能够更精确的计算出某辆电动汽车在目的地停车充电概 率；能够更加准确的预测出待预测地区不同目的地未来某一天的电动汽车充电负荷分 布情况；通过叠加各个目的地一天的充电负荷曲线得到待预测地区总的充电负荷量。 本发明可以更好地反映出电动汽车用户个体行为的时空随机性，可以更加精确地预测 出电动汽车充电负荷的时空分布情况，为充电设施规划、有序充电等提供有力的支持， 具有非常好的实用性。

附图说明

图1是本发明的流程框图；

图2是本发明电动汽车出行目的占比图；

图3是本发明所涉及的所有可能出行链示意图(H表示居住区充电站、W表示工作区充电站、C表示商业娱乐区充电站)；

图4是本发明蒙特卡洛仿真流程图。

具体实施方式

以下结合附图对本发明的实施例做进一步详述：

如图1所示，图1为本发明方法的整体流程图，本发明的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，其创新之处在于：包括以下步骤：

步骤1：根据某地实际电动汽车发展情况，估计该地区未来某一年电动汽车的保有量；

步骤2：根据电动汽车车主出行目的地以及所处的不同区域对充电站类型进行划分；

在本发明中，如图2所示，将电动汽车目的地类型分为：居住区(H)、工作区(W) 与商业娱乐区(C)，因此将待预测地区充电站对应分为：居住区充电站、工作区充电 站与商业娱乐区充电站。由于电动汽车出行目的也有就餐、接送，但是由于这两类活 动停车时间很短，行程链中这些极短暂的停留目的地视为不可能充电是合理的。因此 本发明不将这两类目的地类型考虑在内。

步骤3：根据交通理论中交通出行链的概念，应用离散马尔科夫过程模拟得到电动汽车在不同目的地之间的日常出行规律，构造符合电动汽车实际出行规律的出行 链；

在本发明中，构造的出行链是从居住区出发最后回到居住区的一个闭环过程链；根据实际数据调查得出：对于私家车来说，平均出行链长度为3.02，行程大于3的 出行链大部分是因中途含有接送某人、就餐等短暂停留的行程。根据步骤2的结果， 本发明构造的出行链长度不超过3。本发明所涉及到的出行链类型如图3所示。

在本发明中，由于用户出行活动的每个目的地之间并不是毫无联系的，每个出行过程只与前一次出行目的地有关，而马尔科夫链的定义是每一次状态的变化只与前一 个状态有关，因此，本发明应用离散马尔科夫过程模拟电动汽车在不同目的地之间的 移动过程。马尔科夫随机过程可以用如下公式表示：

P{X_n+1＝x_n+1|X₀＝x₀,…X_n-1＝x_n-1，X_n＝x_n}＝P{X_n+1＝x_n+1|X_n＝x_n}；

其中：X₀，X₁，X₂…，X_n,X_n+1表示状态。

步骤4：根据实测数据对出行链中各个特征量进行建模拟合，模拟得到电动汽车出行规律；

本发明通过具体实例数据分析，对出行链各个特征量(包括时间特征量与空间特征量)进行拟合建模。出行链中时间特征量包括：首次出行时间、行驶时间、到达目 的地i的时间、停车时间、离开目的地i的时间。空间特征量包括：目的地类型、单 次行驶里程。本发明采用正态分布函数、广义极值分布函数和威布尔函数对时间特征 量进行拟合；采用对数正态分布函数对空间特征量中的单次行驶里程进行拟合；采用 Markov概率转移矩阵对空间特征量中目的地转移特性进行建模。

对首次出行时间T_{s_0}(离开家的时间)通过正态分布函数进行拟合，其模型可表 示为：

其中：f(μ_s,σ_s)为首次出行时间的概率密度函数；μ_s、σ_s分别是均值与标准差。

对在工作区充电站(W)与商业娱乐区充电站(C)处电动汽车停车时间t_{p_i}通过广义极值分布函数进行拟合，其模型可表示为：

其中k代表形状参数；δ代表尺度参数；μ代表位置参数。

对在居住区充电站(H)处电动汽车停车时间t_{p_i}通过威布尔分布函数进行拟合，其模型可表示为：

其中：λ＞0是比例参数；k＞0是形状参数。

对每段行驶里程D_i,j通过对数正态分布函数进行拟合，其模型可表示为：

其中：μ、σ分别代表是均值与标准差。

每段行程行驶时间T_(i,j)与行驶里程有关，综合考虑交通状况，引入交通拥挤系数计算实际情况下每段里程的行驶时间，则可得：

其中：T_(i,j)表示从目的地i到目的地j的行驶时间；表示车主正常行驶下的 平均行驶速度；κ表示交通拥挤系数。

对空间特征量中目的地转移特性应用Markov概率转移矩阵进行建模，具体如下：

设电动汽车从目的地i运动到目的地j这一过程用事件E_i→j表示，则电动汽车在 居住区充电站(H)、工作区充电站(W)、商业娱乐区(C)之间转移的概率用矩阵表示为：

其中：P_i→j表示从目的地i出发转移到目的地j的概率。

从上述矩阵中可以得出下列条件：

步骤5：根据出行链中每段行程的统计数据计算电动汽车在对应目的地停车充电的概率，以及充电时充电方式(快充与慢充)、充电时长等；

在本发明中，假设电动汽车仅在上面所述的3种充电站中以及应急快速充电站中进行充电，允许电动汽车一天多次充电。将电动汽车在不同目的地充电的概率计算分 为两类：电动汽车在出行途中(不包括最后一次回到家)充电与电动汽车最后回到家 充电。

对于第1类充电概率计算方法：本发明采用模糊理论分析电动汽车车主的充电行为，模糊算法输入量：电动汽车的电池荷电状态(SOC)、车主在该类型目的地的停车 时间。利用Mamdani模糊推理方法，得到充电概率。其中，由于快充对电池以及配电 网有一定的伤害，因此假设在上述充电站进行充电都采用慢充，为保证电动汽车安全 行驶以及考虑车主的心理情况，本发明设置电池的阈值为0.2，假设电动汽车在行驶 途中还未到下一目的地，但是电池荷电状态已经低于电动汽车的预设阈值，这时车主 通过到快速充电站进行充电，所以在途车辆采用快充的概率为：

其中：P_fast表示途中电动汽车进行快速充电的概率；SOC_is表示电动汽车在到达 第i目的地时的电池荷电状态；C_battery表示电池容量；P_c表示慢充时充电功率；t_ic表 示在第i目的地时充电时间(分钟)；ω表示每公里耗电量；D_i,j表示目的地i去往目 的地j的行驶里程；SOC_min表示电池的最低阈值。

由于每公里耗电量ω受电池使用年限、交通拥挤程度、环境温度和电池能量管理系统的效率影响较大，本发明计算ω时重点考虑交通情况以及环境温度这两个因素。 其一，每公里耗电量在交通拥挤的时候会变高，其二，环境温度过冷或者过热时，车 主会选择打开空调，因此每公里耗电量会在打开空调后相应变高。由于这两个因素无 法用精确的数学表达式表示，因此本发明用模糊推理理论计算每公里耗电量。模糊算 法输入量为：交通拥挤度和环境温度。利用Mamdani模糊推理方法，得到在不同路况 不同温度影响下的更符合实际情况的每公里耗电量。

对于第2类充电概率计算方法：电动汽车结束最后一次出行时是否充电取决于电池剩余电量是否满足第二天的首次出行，同样，考虑到安全问题以及车主心理因素， 设置电池阈值为0.3,其充电概率计算公式为：

P_home＝P(SOC_homeC_battery-ωD_h,i≤SOC_minC_battery)；

其中：P_home表示最后一次出行回到家后进行充电的概率；SOC_home表示最后一次 出行回到家时电池荷电状态；C_battery表示电池容量；ω表示每公里耗电量；D_h,i表示 第二天首次从家出行去往目的地i的行驶里程；SOC_min表示电池的最低阈值。

本发明中，如果车主到达某一目的地时开始充电，则认为其将会一直充电直到充满为止或者是充到下一个行程开始为止，因此下一次行程开始时的电池荷电状态为：

其中，SOC(T_i)表示离开目的地i时的电池荷电状态；η表示充电效率；

则充电时间为：

本发明假设车主在某个充电站停车行为结束，即使电还没有充满，车主也要结束充电行为，加入下一个行程当中，此假设符合实际情况。

步骤6：运用蒙特卡洛抽样仿真法对某辆电动汽车进行模拟，得到该辆电动汽车充电的负荷分布；

在本发明中，应用蒙特卡洛法对每辆电动汽车进行模拟，具体步骤如下：

(1)输入初始值，包括：电动汽车的保有量N、电动汽车电池容量、充电功率(快 充与慢充)、平均行驶速度；

(2)令n＝1；

(3)抽取首次从家出发的出行时刻；

(4)抽取出行目的地i(首次出发点类型为居住区充电站)；

(5)抽取出行目的地与上一次出行地之间的行驶距离，并计算出行驶时间；

(6)抽取停车时长；

(7)根据充电条件判断是否充电，如果充电，则判断其充电方式(快充或者慢充)，计算充电时长，得到充电时间段；如果不充电，则对应的停车时间充电负荷为0；

(8)判断出行链的长度l≥3或者出行目的地是否为居住区？如果是，则结束行程，返回居住区，转到(10)；如果不是，则继续；

(9)返回(4)，进入循环；

(10)根据电动汽车最后一次回到家时的充电条件判断是否充电，若是，则计算充电时长，得到充电时间段；若不充电，则对应的停车时间充电负荷为0；

(11)判断n＞N？若是，则结束，得到每一辆车未来某一天在不同类型的充电站 充电负荷的分布情况；若不是，则n＝n+1；转到(3)。

步骤7：叠加每一辆电动汽车的负荷预测结果得到待预测地区未来某一天的电动汽车充电负荷分布曲线。

在本发明中，根据步骤6得到每一辆车在不同目的地停车充电的充电负荷分布情况，叠加每一辆电动汽车的负荷预测结果，得到不同类型充电站在t时段的总的电动 汽车充电负荷为：

其中：P_t,i,n表示t时段目的地i的充电负荷；N表示电动汽车的保有量；P_c表示 电动汽车慢充时充电功率；x_n,t,i表示第n辆电动汽车在t时段目的地i处充电的状态， 如果该辆车在t时段目的地i处正在充电，则x_n,t,i＝1；反之，如果该辆车在t时段 目的地i处没有充电，则x_n,t,i＝0。

因此，待预测地区总的电动汽车充电负荷为：

其中：P_t,n表示t时段待预测地区的充电负荷；P_fast,t,n表示t时段应急快速充电 站充电负荷；P_t,i,n表示t时段目的地i的充电负荷。

本发明的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，首先估计待预测地区电动汽车的保有量，并对充电站类型进行划分；然后应用离散马尔科夫过程 模拟得到电动汽车在不同目的地之间的日常出行规律，构造符合电动汽车实际出行规 律的出行链，并进一步对出行链中各个特征量进行建模拟合；接着根据出行链中每段 行程的统计数据计算电动汽车在对应目的地停车充电情况；最后运用蒙特卡洛抽样仿 真法对每辆电动汽车进行模拟，叠加每一辆电动汽车的负荷预测结果得到待预测地区 未来某一天的电动汽车充电负荷分布曲线。与现在技术相比，本发明可以更好地反映 出电动汽车用户个体行为的时空随机性，可以更加精确地预测出电动汽车充电负荷的 时空分布情况，为充电设施规划、有序充电等提供有力的支持，具有非常好的实用性。

尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可 能的，因此，本发明的范围不局限于实施例和附图所公开的内容。

Claims (6)

1.一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，其特征在于：包括如下步骤：

(1)根据某地实际电动汽车发展情况，估计该地区未来某一年电动汽车的保有量；

(2)根据电动汽车车主出行目的地类型以及所处的不同区域对充电站类型进行划分；

(3)根据交通理论中交通出行链的概念，应用离散马尔科夫过程模拟得到电动汽车在不同目的地之间的日常出行规律，构造符合电动汽车实际出行规律的出行链；

(4)根据实测数据对出行链中各个特征量进行建模拟合，模拟得到电动汽车出行规律；

(5)根据出行链中每段行程的统计数据计算电动汽车在出行链中对应的出行目的地停车充电的概率以及充电时的充电方式、充电时长；

(6)运用蒙特卡洛抽样仿真法对每辆电动汽车进行模拟，得到每辆电动汽车充电的负荷分布；

(7)叠加每一辆电动汽车的负荷预测结果得到待预测地区未来某一天的电动汽车充电负荷分布曲线。

2.根据权利要求1所述的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，其特征在于：所述步骤(2)中将电动汽车车主出行目的地类型分为：居住区(H)、工作区(W)与商业娱乐区(C)，因此将待预测地区充电站对应分为：居住区充电站、工作区充电站与商业娱乐区充电站。

3.根据权利要求1所述的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，其特征在于：所述步骤(4)出行链的特征量包括时间特征量与空间特征量，进行拟合建模，采用正态分布函数、广义极值分布函数和威布尔函数对时间特征量进行拟合；采用对数正态分布函数对空间特征量中的行驶距离进行拟合；采用Markov概率转移矩阵对空间特征量中目的地转移特性进行建模。

4.根据权利要求1所述的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，其特征在于：所述步骤(5)中充电条件为：电动汽车仅在所述的3种充电站中以及应急快速充电站中进行充电，允许电动汽车一天多次充电，将电动汽车在不同目的地充电的概率计算分为两类：

电动汽车在出行途中，不包括最后一次回到家，充电与电动汽车最后一次回到家充电。

5.根据权利要求1所述的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，其特征在于：所述步骤(5)中的充电方式包括快充及慢充，充电时间由出行链中的时间特征量以及充电方式决定。

6.根据权利要求1所述的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，其特征在于：所述步骤(7)中待预测地区未来某一天的电动汽车充电负荷在不同时段中的分布情况由以下公式得出：

其中：P_t,n表示t时段待预测地区的充电负荷；P_fast,t,n表示t时段应急快速充电站充电负荷；P_t,i,n表示t时段目的地i的充电负荷。