CN110516372A - 计及准动态交通流的电动汽车荷电状态时空分布模拟方法 - Google Patents

计及准动态交通流的电动汽车荷电状态时空分布模拟方法 Download PDF

Info

Publication number
CN110516372A
CN110516372A CN201910809260.6A CN201910809260A CN110516372A CN 110516372 A CN110516372 A CN 110516372A CN 201910809260 A CN201910809260 A CN 201910809260A CN 110516372 A CN110516372 A CN 110516372A
Authority
CN
China
Prior art keywords
time
traffic flow
matrix
road
distribution
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
Application number
CN201910809260.6A
Other languages
English (en)
Other versions
CN110516372B (zh
Inventor
张谦
王众
朱熠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201910809260.6A priority Critical patent/CN110516372B/zh
Publication of CN110516372A publication Critical patent/CN110516372A/zh
Application granted granted Critical
Publication of CN110516372B publication Critical patent/CN110516372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Chemical & Material Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Analytical Chemistry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种计及准动态交通流的电动汽车荷电状态时空分布模拟方法，属于智能电网领域。该方法包括：S1：将电动汽车出行链划分成出行段；S2：模拟OD矩阵分时段增量分配的准动态交通流；S3：计算准动态交通流模拟下的电动汽车荷电状态时空分布。本发明在静态增量模拟基础上对OD矩阵进行时间区间划分，再进行交通流分配，从而得到时变的路径模拟，实现静态OD矩阵的动态化，因此本发明能够协调出行模拟准确性与提高计算效率。

Description

计及准动态交通流的电动汽车荷电状态时空分布模拟方法
技术领域
本发明属于智能电网技术领域，涉及计及准动态交通流的电动汽车荷电状态时空分布模拟方法。
背景技术
电动汽车作为一种低碳、清洁的交通工具，受到越来越多的关注。目前电动汽车的产业发展主要受到价格、续航里程、充电设施建设等因素的制约。同时，电动汽车荷电状态具有时间和空间上的随机性、间歇性、波动性等不确定特点，给电网规划、安全运行和优化调度带来新的问题。
电动汽车出行，尤其是占电动汽车绝大部分的私家车出行具有典型的链式规律。目前预测电动汽车荷电状态的方式主要考虑了时间变化和空间分布等因素的影响。如文献“Shun T,Kunyu L,Xiangning X,et al.Charging demand for electric vehicle basedon stochastic analysis of trip chain[J].Iet Generation Transmission&Distribution,2016,10(11):2689-2698”中利用出行链理论模型来描述电动汽车的出行，建立了基于出行链的电动汽车出行时间、停车时间、出行里程模型，最后使用蒙特卡洛方法预测了各个区域电动汽车的充电负荷。文献“Tang D,Peng W.Probabilistic Modeling ofNodal Charging Demand Based on Spatial-Temporal Dynamics of Moving ElectricVehicles[J].IEEE Transactions on Smart Grid,2015,7(2):627-636”中，进一步将电动汽车出行链细化，加入了更多的途经地点，并将各种类型的出行链对应到各类型的电动汽车上，通过概率学方法计算了各个电网节点的充电负荷。与此类似，陈丽丹、温剑锋、赵书强等提出采用出行链理论对不同场景下的电动汽充电负荷的时空分布进行预测。上述文献虽然均考虑了在时间和空间分布变化对电动汽车充电负荷的影响，对于空间分布尤其是交通流影响因素，仅考虑了静态交通流对电动汽车充电负荷，静态交通流模拟认为路段的交通拥堵情况不随时间变化，模拟准确性较差，与实际交通情况不符，参考价值不高。
要准确模拟电动汽车在空间的转移情况，最重要的是模拟其在路网当中的行驶行为，包括路径选择与驾驶速度等方面。陈静鹏等人在文献“基于用户出行需求的电动汽车充电站规划[J/OL].电力自动化设备,2016,36(06):34-39”中提出采用最短路径算法模拟了电动汽车的空间行驶分布，即确定了出行的起点和终点后，电动汽车按照物理最近路线行驶。徐青山等在文献“考虑驾驶人行为习惯及出行链的电动汽车充电站站址规划[J].电力系统自动化,2016,40(04):59-65+77”中提出采用最短路径模拟的方式计算电动汽车的行驶路径，并基于蒙特卡洛模拟计算电动汽车充电需求。上述方法中对动态交通流的模拟虽然考虑到了实时变化的交通状况，但是基于现代智能算法的充电站规划往往需要迭代数百甚至上千次，现有的动态交通流方法为了追求模拟的准确性建立了多个非线性方程，需要多次数值迭代才能求解，如果将动态方法直接应用于智能算法中会出现大量的迭代嵌套，由此产生的计算量是无法接受的。因此如何协调出行模拟准确性与计算效率十分关键。
因此，本发明亟需一种计及交通状况随时间的变化情况，计及交通状况随时间的变化情况的电动汽车荷电状态时空分布模拟方法。
发明内容
有鉴于此，本发明的目的在于提供一种计及准动态交通流的电动汽车荷电状态时空分布模拟方法，在静态增量模拟基础上对OD矩阵进行时间区间划分，再进行交通流分配，从而得到时变的路径模拟，实现静态OD矩阵的动态化，从而准确计算实时交通拥堵对电动汽车出行的影响。
为达到上述目的，本发明提供如下技术方案：
一种计及准动态交通流的电动汽车荷电状态时空分布模拟方法，具体包括以下步骤：
S1：将电动汽车出行链划分成出行段；
S2：模拟OD矩阵分时段增量分配的准动态交通流；
S3：计算准动态交通流模拟下的电动汽车荷电状态时空分布。
进一步，所述步骤S1中，将电动汽车出行链划分成出行段，具体包括：假设第i条出行链Ci由j个出行段cij组成；每个出行段c的开始时间ts服从正态概率分布，其概率密度函数为：
其中μ和σ分别为出行时间均值与方差，不同出行段对应不同数值。
进一步，所述步骤S2具体包括以下步骤：
S21：将OD矩阵时段化，具体包括：将一天24小时等间隔划分为N份，时间间隔表示为：假设每个时间间隔period内交通阻抗不变，即同一个时间间隔period内进入路网的电动汽车处于相同的路阻状况中；
每一个时间间隔period内，每个出行段OD矩阵中均有部分汽车进入路网中，该部分记为k表示第k个时间段，即若抽取的出发时刻落在第k个时间段内，则该电动汽车属于且满足：
将所有第k时段的出行段OD矩阵相加，得到第k时段的总出行OD矩阵，称为时段OD矩阵：
并满足：
即表示的是所有第k时间段内出发的汽车；
S22：将OD矩阵按时序增量分配，具体包括：将时段OD矩阵利用静态增量分配法对应其时段，按照时序方式将各时段的电动汽车分配到路网中，并得到各时段的行驶路径；考虑到前期进入路网的汽车到达目的地后会逐渐退出路网，假设前m个进入路网的时段OD矩阵将退出路网，即每一个时间间隔将有一层OD矩阵加入，一层OD矩阵退出，则k时段路段a的交通流量表示为：
其中，表示k时段a道路的交通流量，表示k时段出行OD矩阵分配到道路a的交通流量；
S23：根据步骤S22计算得到一天内各个时间间隔中每条道路的路阻情况，将当天每一层的OD矩阵分配后，得出当天的交通流模拟。
进一步，所述步骤S23中，a路段第k层的路阻采用BPR函数计算，计算公式为：
其中，为a路段第k层的交通阻抗，为a路段第k层的交通流量；t0为零交通流阻抗，即无车辆状态下电动汽车行驶的时间长度；ca为路段a的设计通行流量；α、β为函数固定参数。
进一步，所述步骤S3具体包括以下步骤：
S31：计算电动汽车出行时空分布；
根据准动态交通流分配模型，已知电动汽车的出行链与所在OD矩阵后，进行交通流分配的同时得到各时段出发的电动汽车出行路径；对每辆电动汽车而言，根据出发时间和路径模拟结果，对应各个时间间隔的路阻情况，由BPR函数到各路段的行驶速度(通行时间)，从而得到其时空分布情况，不同出发时间段的电动汽车对应不同的道路阻抗，因而产生随时间变化的路径选择及通行速度；
S32：计算电动汽车荷电状态时空分布；
根据准动态路径模拟模型，若t时刻x位置上电动汽车速度为V(t,x)，单位里程耗电量表示为e(t,V(t,x))，简记为e(t,x)，则电动汽车剩余电量表示为：
ECi＝ECi'-∑L(x)·e(t,x)
其中，ECi为电动汽车i的目前电池剩余电量，ECi'为出行前的剩余电量，L为途经路段长度；由此得到电动汽车在出行中的荷电状态动态时空分布。
本发明的有益效果在于：本发明提出的准动态交通流模拟方法，能够准确计算实时交通拥堵对电动汽车出行的影响，协调出行模拟准确性与计算效率。本发明的对准动态路径与最短路径进行比较，仿真结果表明，在交通拥堵时刻，最短路径的耗时增加，在此情况下，本发明提出的准动态交通流模拟方法可以很好地计算最短耗时路径。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明所述模拟方法框架流程图；
图2为OD矩阵出发时间概率密度曲线图；
图3为规划区域路网；
图4为出行时间比较图；
图5为出行路径比较图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1～图5，图1为一种计及准动态交通流的电动汽车荷电状态时空分布模拟方法，具体包括以下步骤：
S1：将电动汽车出行链划分成出行段；
本实施例通过出行链来描述私家电动汽车的出行行为，如表1所示：
表1 出行链
在出行链的基础上定义出行段：每一条出行链均由若干“出行段”cij组成，下标i表示出行链编号，j表示该出行链下的第j个出行段。以出行链C1为例，出行段可表示为式(1)：
每个出行段c的开始时间ts服从正态概率分布，其概率密度函数如式(2)所示，其中μ和σ分别为出行时间均值与方差，不同出行段对应不同数值。
S2：模拟OD矩阵分时段增量分配的准动态交通流；
S21：将OD矩阵时段化；
电动汽车出发时间服从式(3)所表示的正态分布，该分布实际与出行段OD矩阵对应，即每一个出行段OD矩阵对应一个相应出发时间的正态分布曲线。将一天24小时等间隔划分为N份，时间间隔可表示为：
假设每个时间间隔period内交通阻抗不变，即同一个时间间隔period内进入路网的电动汽车处于相同的路阻状况中。图2表示的是一个出行段OD矩阵对应的出发时间概率密度曲线，在一天中被平均划分为N份，各部分面积代表各时段出发的电动汽车的比例。
每一个时间间隔period内，每个出行段OD矩阵中均有部分汽车进入路网中，该部分记为k表示第几个时间段，即若抽取的出发时刻落在该时间段内，则该电动汽车属于且满足：
将所有第k时段的出行段OD矩阵相加，得到第k时段的总出行OD矩阵，称为时段OD矩阵：
并满足：
即表示的是所有第k时间段内出发的汽车。
S22：将OD矩阵按时序增量分配；
将时段OD矩阵利用静态增量分配法对应其时段，按照时序方式将各时段的电动汽车分配到路网中，并得到各时段的行驶路径。考虑到前期进入路网的汽车到达目的地后会逐渐退出路网，假设前m个进入路网的时段OD矩阵将退出路网，即每一个时间间隔将有一层OD矩阵加入、一层OD矩阵退出，则k时段路段a的交通量可以表示为：
式中表示k时段a道路的交通流量，表示k时段出行OD矩阵分配到道路a的交通量。
上述静态增量分配法为：
在OD矩阵的基础上，以路网的基本通行能力参数为准，将OD矩阵中的出行量划归到路网中，可以得到每条道路的交通流量以及车辆的行驶路径。静态增量分配法是交通规划领域常用的分配计算方法，本质上是对最短路径进行增量分配。首先将OD矩阵分解为N层：OD1-ODN，然后重复N次使用最短路径分配方法，每次分配一层OD矩阵，并且每分配一次，路阻就根据路阻函数修正一次，直到将N层OD矩阵全部分配到路网上。算法如下：
步骤1：将OD矩阵均分为N层，令k＝1,其中k表示层数；
步骤2：计算各路段阻抗，
步骤3：按最短路径分配法将各OD点对的第k层出行交通量分配到它们之间的最短路径上，设为
步骤4：累加各路段从步骤2分配新得到的交通量：
步骤5：如果k＝N则停止计算，否则令k＝k+1，返回到步骤1。
S23：根据步骤S22计算得到一天内各个时间间隔中每条道路的路阻情况，将当天每一层的OD矩阵分配后，得出当天的交通流模拟。
由于日常通勤中时间是影响人们出行的最重要因素，因此交通阻抗的大小常用时间来计量。目前有不同的方法对行驶时间函数进行分析，其中应用最多、形式最简便的是BPR函数，表示为：
其中，为a路段第k层的交通阻抗，为a路段第k层的交通流量；t0为零交通流阻抗，即无车辆状态下电动汽车行驶的时间长度；ca为路段a的设计通行流量；α、β为函数固定参数。
S3：计算准动态交通流模拟下的电动汽车荷电状态时空分布。
S31：计算电动汽车出行时空分布；
根据上述准动态交通流分配模型，已知电动汽车的出行链与所在OD矩阵后，进行交通流分配的同时得到各时段出发的电动汽车出行路径。因此对每辆电动汽车而言，根据出发时间和路径模拟结果，对应各个时间间隔的路阻情况，由BPR函数到各路段的行驶速度(通行时间)，从而得到其时空分布情况，不同出发时间段的电动汽车对应不同的道路阻抗，因而产生随时间变化的路径选择及通行速度；
S32：计算电动汽车荷电状态时空分布；
根据准动态路径模拟模型，若t时刻x位置上电动汽车速度为V(t,x)，单位里程耗电量表示为e(t,V(t,x))，简记为e(t,x)，则电动汽车剩余电量表示为：
ECi＝ECi'-∑L(x)·e(t,x) (9)
其中，ECi为电动汽车i的目前电池剩余电量，ECi'为出行前的剩余电量，L为途经路段长度；由此得到电动汽车在出行中的荷电状态动态时空分布。
实验仿真
(1)仿真参数设置：路网以图3所示的某市城区部分道路为例，包含17个节点、37条边，其中各边所带颜色代表其道路等级，各个节点所属类型如表1所示，同一节点可能具有不同功能属性。出行OD矩阵参考文献的简化方法生成。本节其他主要仿真参数与第1节保持一致，新增仿真参数如表2、表3所示。并设定节点7、14、13包围区域为不可利用区域。
表2 节点所属类型
表3 电动汽车相关参数
参数名称 数值
汽车总量 10324辆
电动汽车渗透率 50％
车主时间成本系数 50元/h
快充电动汽车数量比例 4％
路网曲折系数 1.28
行驶速度 35km/h
电动汽车电池电量 40kWh
(2)准动态路径模拟与最短路径模拟比较
以节点1为起点，节点12为终点的OD为例，仿真过程中某天上午的路径模拟如表4所示，并给出了在不同时段下电动汽车行驶物理最短距离路径与实际准动态模拟路径所消耗的时间，同时绘制于图4中。
表4 准动态路径模拟结果
仿真结果表明，交通相对畅通的非上班高峰期(6:00-7:30和9:30-10:00)最短距离路径同时也是最短时间路径。上班高峰期(7:30-9:30)的到来使得最短距离路径发生拥堵，最短距离路径道路通行时间增加，导致电动汽车选择行驶时间更短的其他道路行驶。两种路径线路如图5所示。
为了准确计算实时交通拥堵对电动汽车出行的影响，本发明提出了准动态交通流模拟方法，可以协调出行模拟准确性与计算效率。通过对准动态路径与最短路径进行比较，仿真结果表明，在交通拥堵时刻，最短路径的耗时增加，在此情况下，准动态交通流模拟方法可以很好地计算最短耗时路径。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种计及准动态交通流的电动汽车荷电状态时空分布模拟方法，其特征在于，该方法具体包括以下步骤：
S1：将电动汽车出行链划分成出行段；
S2：模拟OD矩阵分时段增量分配的准动态交通流；
S3：计算准动态交通流模拟下的电动汽车荷电状态时空分布。
2.根据权利要求1所述的计及准动态交通流的电动汽车荷电状态时空分布模拟方法，其特征在于，所述步骤S1中，将电动汽车出行链划分成出行段，具体包括：假设第i条出行链Ci由j个出行段cij组成；每个出行段c的开始时间ts服从正态概率分布，其概率密度函数为：
其中μ和σ分别为出行时间均值与方差，不同出行段对应不同数值。
3.根据权利要求1所述的计及准动态交通流的电动汽车荷电状态时空分布模拟方法，其特征在于，所述步骤S2具体包括以下步骤：
S21：将OD矩阵时段化，具体包括：将一天24小时等间隔划分为N份，时间间隔表示为：假设每个时间间隔period内交通阻抗不变，即同一个时间间隔period内进入路网的电动汽车处于相同的路阻状况中；
每一个时间间隔period内，每个出行段OD矩阵中均有部分汽车进入路网中，该部分记为k表示第k个时间段，即若抽取的出发时刻落在第k个时间段内，则该电动汽车属于且满足：
将所有第k时段的出行段OD矩阵相加，得到第k时段的总出行OD矩阵，称为时段OD矩阵：
并满足：
即表示的是所有第k时间段内出发的汽车；
S22：将OD矩阵按时序增量分配，具体包括：将时段OD矩阵利用静态增量分配法对应其时段，按照时序方式将各时段的电动汽车分配到路网中，并得到各时段的行驶路径；假设前m个进入路网的时段OD矩阵将退出路网，即每一个时间间隔将有一层OD矩阵加入，一层OD矩阵退出，则k时段路段a的交通流量表示为：
其中，表示k时段a道路的交通流量，表示k时段出行OD矩阵分配到道路a的交通流量；
S23：根据步骤S22计算得到一天内各个时间间隔中每条道路的路阻情况，将当天每一层的OD矩阵分配后，得出当天的交通流模拟。
4.根据权利要求1所述的计及准动态交通流的电动汽车荷电状态时空分布模拟方法，其特征在于，所述步骤S23中，a路段第k层的路阻采用BPR函数计算，计算公式为：
其中，为a路段第k层的交通阻抗，为a路段第k层的交通流量；t0为零交通流阻抗，即无车辆状态下电动汽车行驶的时间长度；ca为路段a的设计通行流量；α、β为函数固定参数。
5.根据权利要求4所述的计及准动态交通流的电动汽车荷电状态时空分布模拟方法，其特征在于，所述步骤S3具体包括以下步骤：
S31：计算电动汽车出行时空分布；
根据准动态交通流分配模型，已知电动汽车的出行链与所在OD矩阵后，进行交通流分配的同时得到各时段出发的电动汽车出行路径；对每辆电动汽车而言，根据出发时间和路径模拟结果，对应各个时间间隔的路阻情况，由BPR函数到各路段的行驶速度，从而得到其时空分布情况，不同出发时间段的电动汽车对应不同的道路阻抗，因而产生随时间变化的路径选择及通行速度；
S32：计算电动汽车荷电状态时空分布；
根据准动态路径模拟模型，若t时刻x位置上电动汽车速度为V(t,x)，单位里程耗电量表示为e(t,V(t,x))，简记为e(t,x)，则电动汽车剩余电量表示为：
ECi＝ECi'-ΣL(x)·e(t,x)
其中，ECi为电动汽车i的目前电池剩余电量，ECi'为出行前的剩余电量，L为途经路段长度；由此得到电动汽车在出行中的荷电状态动态时空分布。
CN201910809260.6A 2019-08-29 2019-08-29 计及准动态交通流的电动汽车荷电状态时空分布模拟方法 Active CN110516372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910809260.6A CN110516372B (zh) 2019-08-29 2019-08-29 计及准动态交通流的电动汽车荷电状态时空分布模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910809260.6A CN110516372B (zh) 2019-08-29 2019-08-29 计及准动态交通流的电动汽车荷电状态时空分布模拟方法

Publications (2)

Publication Number Publication Date
CN110516372A true CN110516372A (zh) 2019-11-29
CN110516372B CN110516372B (zh) 2023-02-17

Family

ID=68629101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910809260.6A Active CN110516372B (zh) 2019-08-29 2019-08-29 计及准动态交通流的电动汽车荷电状态时空分布模拟方法

Country Status (1)

Country Link
CN (1) CN110516372B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112993980A (zh) * 2021-02-23 2021-06-18 国网浙江省电力有限公司电力科学研究院 一种电动汽车充电负荷时空概率分布模型计算方法
CN113435777A (zh) * 2021-07-13 2021-09-24 北京交通大学 一种电动运营车辆充电站规划方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060122846A1 (en) * 2002-08-29 2006-06-08 Jonathan Burr Apparatus and method for providing traffic information
US20090099760A1 (en) * 2007-10-16 2009-04-16 Roger Lederman Method and system for expansion of real-time data on traffic networks
US20140122032A1 (en) * 2012-10-26 2014-05-01 Xerox Corporation Methods, systems and processor-readable media for optimizing intelligent transportation system strategies utilizing systematic genetic algorithms
CN104298832A (zh) * 2014-10-27 2015-01-21 东南大学 一种基于rfid技术的路网交通流分析方法
CN105761492A (zh) * 2016-05-04 2016-07-13 北京大学 一种基于网络流的大范围高速路网动态配流方法
CN107067110A (zh) * 2017-04-14 2017-08-18 天津大学 车‑路‑网模式下电动汽车充电负荷时空预测方法
CN107392400A (zh) * 2017-09-04 2017-11-24 重庆大学 计及实时交通与温度的ev充电负荷时空分布预测方法
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
CN108681795A (zh) * 2018-05-23 2018-10-19 华南理工大学 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
CN108805322A (zh) * 2017-05-02 2018-11-13 南京理工大学 一种私家车的充电负荷时空分布预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060122846A1 (en) * 2002-08-29 2006-06-08 Jonathan Burr Apparatus and method for providing traffic information
US20090099760A1 (en) * 2007-10-16 2009-04-16 Roger Lederman Method and system for expansion of real-time data on traffic networks
US20140122032A1 (en) * 2012-10-26 2014-05-01 Xerox Corporation Methods, systems and processor-readable media for optimizing intelligent transportation system strategies utilizing systematic genetic algorithms
CN104298832A (zh) * 2014-10-27 2015-01-21 东南大学 一种基于rfid技术的路网交通流分析方法
CN105761492A (zh) * 2016-05-04 2016-07-13 北京大学 一种基于网络流的大范围高速路网动态配流方法
CN107067110A (zh) * 2017-04-14 2017-08-18 天津大学 车‑路‑网模式下电动汽车充电负荷时空预测方法
CN108805322A (zh) * 2017-05-02 2018-11-13 南京理工大学 一种私家车的充电负荷时空分布预测方法
CN107392400A (zh) * 2017-09-04 2017-11-24 重庆大学 计及实时交通与温度的ev充电负荷时空分布预测方法
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
CN108681795A (zh) * 2018-05-23 2018-10-19 华南理工大学 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUN XIA ET AL.: "An EV Charging Demand Model for the Distribution System Using Traffic Property", 《IEEE ACCESS》 *
邵尹池 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", 《中国电机工程学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112993980A (zh) * 2021-02-23 2021-06-18 国网浙江省电力有限公司电力科学研究院 一种电动汽车充电负荷时空概率分布模型计算方法
CN113435777A (zh) * 2021-07-13 2021-09-24 北京交通大学 一种电动运营车辆充电站规划方法及系统

Also Published As

Publication number Publication date
CN110516372B (zh) 2023-02-17

Similar Documents

Publication Publication Date Title
CN102044149B (zh) 一种基于时变客流的城市公交运营协调方法与装置
CN110929925B (zh) 基于环境温度与用户行为的电动汽车充电站规划方法
CN110728396A (zh) 一种考虑时空分布的电动汽车充电负荷综合建模方法
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
CN111400662B (zh) 一种考虑电动汽车充电需求的空间负荷预测方法
Jiang et al. Multiple agents and reinforcement learning for modelling charging loads of electric taxis
CN111046576B (zh) 一种考虑双网信息的电动私家车充电负荷预测方法
CN111047120B (zh) 一种路-电耦合网络下电动汽车充电负荷预测方法
CN111199320B (zh) 基于出行概率矩阵的电动汽车充电负荷时空分布预测方法
CN112330025B (zh) 用于城市电动汽车的时空充电负荷的预测方法
CN114418300B (zh) 一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法
CN111199300A (zh) 一种“车-路-网”模式下电动汽车充电负荷时空预测方法
Su et al. Forecast of electric vehicle charging demand based on traffic flow model and optimal path planning
CN110516372B (zh) 计及准动态交通流的电动汽车荷电状态时空分布模拟方法
CN114840984A (zh) 一种考虑出行路径决策的电动汽车充电负荷时空预测方法
CN115222156A (zh) 基于分时对偶路网考虑用户需求响应的汽车充电调度方法
CN113077085A (zh) 一种服务于电动汽车的移动充电车驻地规划方法
CN114707292A (zh) 含电动汽车配电网电压稳定性分析方法
Zhang et al. The effect of nonlinear charging function and line change constraints on electric bus scheduling
CN111861145A (zh) 考虑高速公路路网的服务区电动汽车充电站配置方法
Boulakhbar et al. Electric vehicles arrival and departure time prediction based on deep learning: the case of Morocco
CN116362523B (zh) 考虑温度适应性的换电站选址与运营策略协同优化方法
Mahmoudi et al. Spatial-temporal prediction of electric vehicle charging demand in realistic urban transportation system of a mid-sized city in brazil
CN116542377A (zh) 一种电动汽车充电站的规划方法
CN110674988A (zh) 一种基于电动汽车出行大数据的城区充电站规划方法

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