CN111046576A - 一种考虑双网信息的电动私家车充电负荷预测方法 - Google Patents

Abstract

本发明涉及一种考虑双网信息的电动私家车充电负荷预测方法。将出行链和交通网模型结合起来，把传统出行链中依靠概率分布模型求取行驶里程的过程，改进为通过计算电动汽车在交通网中行驶路径得出，不仅能够考虑用户出行规律，而且将交通网影响因素考虑进来。本发明依据城市交通网模型和用户出行规律进行电动汽车的行驶模拟，结合电动汽车剩余电量进行充电决策，能够相对准确地预测城市区域充电需求时空分布，为配电网充电站规划方案的制定提供指导依据。

Description

一种考虑双网信息的电动私家车充电负荷预测方法

技术领域

本发明涉及电动汽车充电负荷预测领域，特别是一种考虑双网信息的电动私家车充电负荷预测方法。

背景技术

随着电动汽车的普及，未来势必会存在巨大的充电需求，进而对配电网的规划和运行产生不可忽视的影响。因此，目前对于电动汽车的研究主要集中于负荷建模和影响分析两个方面。其中，后者的研究是在前者的基础上进行的，因此对于电动汽车充电负荷特性的准确辨识和科学建模就成为推动其发展的关键所在，它的准确与否关系到后续研究的科学性和合理性。

电动汽车的可移动性使其充电负荷具有时间和空间随机性和动态性，其充电负荷分布不仅与用户出行规律密切相关，也会受城市交通网的道路结构、交通路况、充电设施位置等因素影响。出行链理论是一种有效的模拟用户出行行为的方法，结合交通网模型和蒙特卡洛法能够较为准确地预测电动汽车充电负荷。

发明内容

有鉴于此，本发明的目的是提供一种考虑双网信息的电动私家车充电负荷预测方法，能够相对准确地预测城市区域充电需求时空分布。

本发明采用以下方案实现：一种考虑双网信息的电动私家车充电负荷预测方法，包括以下步骤：

步骤S1：采用图论方法进行交通路网建模，用以刻画需要预测区域的关键交通节点和路段信息；给出各时段下各路段的拥堵程度，利用速度流量模型给出各道路上24小时各时段的车辆行驶速度；

步骤S2：在交通路网基础上，建立交通路网与配电网耦合模型，给出交通路网与配电网的耦合关系；

步骤S3：在交通路网与配电网耦合模型基础上，采用出行链模拟电动私家车用户的出行行为，确定一天中行驶的目的地和行程数量A；根据概率统计函数给出包括行程开始出行时刻、下班时刻和停车时长的信息；采用最短路径法确定行驶路线和行驶里程；

步骤S4：在一段行程中，根据行驶里程、行驶速度、行程出发时刻得到行驶时长和停车时刻；

步骤S5：根据车辆初始电量、能耗、行驶里程，建立电量消耗模型，计算电动私家车实时电量，确定行驶至交通路网节点处的剩余电量；

步骤S6：电动私家车用户的充电需求与车辆实时电量信息有关，通过确定的车辆充电地点、充电方式和充电时长，结合交通路网与配电网耦合模型，将充电负荷映射到配电网节点上去；

步骤S7：在A次行程中，重复步骤S4-S6，获得电动汽车用户一天中的行驶、停车和充电状态；

步骤S8：采用蒙特卡洛法对预测区域内若干电动私家车的行驶目的地、时间信息进行多次抽样，重复步骤S3-S7，计算充电功率，给出电动私家车充电负荷的时空分布结果。

进一步地，所述步骤S1的具体内容为：

交通路网建模：G＝(V,E)表示交通网的图，它由顶点集V、连接边集合E组成；道路权值矩阵D(G)，用于描述每两个顶点之间的距离，d_nm是顶点n和顶点m之间的路段长度；inf表示两顶点不相邻或无直连路段；

速度流量模型为：将一个时间段内不同道路的饱和度设定为统一值，令不同道路的饱和度随时间有一致的变化趋势；t时刻邻近节点n₁、n₂之间路段上车辆行驶速度

处理为：

式中：r(t)为t时刻道路拥堵度；

为t时刻道路(n₁,n₂)的路段流量；

为道路通行能力；j、k、l为自适应系数；

表示相应路段自由速度。

进一步地，步骤S2中所述建立交通路网与配电网耦合模型的具体内容为：

城市交通网和配电网节点在地理上存在耦合关系，采用图论方法，提取配电网与交通网的拓扑，并将其表示为无权无向图G_D,G_R,下标D表示配电网,R表示交通网；G_P＝(V_P,E_P)，V_P＝{1,2,...N}是配电网节点集，E_P＝{e_ij}是其连接边集，路网节点与配电网节点间存在部分一一对应的关系。

进一步地，步骤S3中所述采用出行链模拟电动私家车用户的出行行为的具体内容为：车辆首次出行时刻和下班时刻均满足正态分布，停车休闲时长服从U(1,2)均匀分布；电动汽车用户工作日的首次出行时刻服从μ＝6.92，σ＝1.24的正态分布，下班时刻服从μ＝17.47，σ＝1.80的正态分布，工作日中按简单链和复杂链出行的概率分布为52.8％、47.2％；休息日则考虑休闲-回家的出行结构以及不出行的情况，考虑用户外出的概率为70％，出行时刻部分服从μ₁＝8.92，σ₁＝3.24的正态分布，部分服从μ₂＝16.47，σ₂＝3.41的正态分布。

进一步地，步骤S3中所述采用最短路径法确定路线的行驶里程的具体内容为：

基于Dijkstra算法求出最短路径，进而模拟为行驶最优路线；Dijkstra算法所求的最短路径为任意一个节点到其他各个节点的最短距离；令R(i,j)是加权图G中从i到j的路径，该路径的长度为路径的边权之和，记为w(r)，路径中权最小者称为i到j的最短路径；令已找到最短路径的顶点集合为S，其余顶点属于集合T，f(j)是j的标记，用于标记更新的j点距离。

进一步地，步骤S4中所述确定行驶时长和停车时刻的具体内容为：

由步骤S1中的速度-流量模型得到第i次行程的行驶速度Vⁱ，根据行驶里程

行驶速度Vⁱ、行程出发时刻

得到行驶时长

和停车时刻

式中：g表示第i次行程的路径集合Rⁱ所包含的路段数；d_h表示第h个直连路段的长度；V_h(t)表示第h个直连路段行驶速度；T_mid表示发生中途充电时的停车时长；

进一步地，所述步骤S5中确定电动汽车剩余电量的具体内容为：

电池的耗电量恒定，随着行驶距离X_d的增长，电动汽车实时电量Capt成线性关系衰减，在抵达下一个停车地点之前，电动汽车的荷电状态由下式确定：

式中：

表示第i次行程停车时EV的荷电状态；

表示第i次行程出发时EV的荷电状态；

表示根据最短路径法求出的第i次行程行驶距离；w为单位里程耗电量，单位为kw·h/km；C表示EV电池容量，单位为kw·h。

进一步地，步骤S6中所述确定用户充电需求的具体内容为：当剩余电量Capt不满足下次出行需求时，用户选择充电；当Capt能够满足下次出行需求时，用户可能有充电需求，且Capt与下次行程需求相比越充足，用户的充电需求越弱，采用模糊理论描述上述关系：

定义指标电量充足度U_f来衡量EV当前电量对于下次行程需求的充足程度,电动汽车用户根据电量情况决定是否充电：

式中：

表示电动汽车到达目的地i的电量状态；X_d ⁱ⁺¹为下次行程的行驶里程。

如果M表示有充电需求的模糊集，那么M的隶属度函数由下式

确定：

式中：M(U_f)为U_f的隶属度，值域为[0，1]，表示用户产生充电需求的概率；e为U_f的下界系数，若U_f<e，电量不能满足下次行程，一定有充电需求；u为U_f的上界系数，U_f≥u时，电量对于下次行程是完全充足的，没有充电需求，M值为0；

当满足以下条件时，就近以快充模式充电：

式中Cap_m为SOC达到阈值时的剩余电量，设置阈值在0.2～0.3间均匀分布。

进一步地，所述步骤S8的具体内容为：

在每一次蒙特卡洛仿真中，对P辆电动汽车，步骤S1到S4重复P次，记录每辆车充电需求，并根据交通网和配电网节点耦合关系，将负荷归算至配电网；根据N_b个节点的日充电功率叠加，即得到规划区的总充电负荷P_total(t)，如下所示：

当达到最大仿真次数或满足收敛条件时仿真终止，收敛条件为：

式中：H_t表示t时刻充电功率矩阵H中对应的列向量；

表示第r次蒙特卡洛仿真后各时刻的均值；ε₁是仿真的收敛精度，ε＝0.1，蒙特卡洛最大仿真次数N₁为1000。

与现有技术相比，本发明具有以下有益效果：

本发明根据城市交通网模型和用户出行规律进行电动汽车的行驶模拟，结合用户意愿进行充电决策，能够相对准确地预测城市区域充电需求时空分布，模型中行驶距离参数来源于由最短路径法求得的道路长度，更贴合实际，适用于考虑路网特色的电动汽车充电负荷精细化预测，是对充电设施进行合理规划、研究电动汽车充电负荷对电力系统影响、制定电动汽车充放电策略的基础。

附图说明

图1为本发明的实施例的出行链结构示意图

图2为本发明的实施例中的配电网与交通路网耦合拓扑图。

图3为本发明的实施例中一周仿真期内日充电功率结果图。

图4为本发明的实施例中一周仿真期内节点充电功率变化情况图。

图5为本发明的实施例中配电网各节点的充电需求结果图，其中图5(a)为在典型工作日的充电需求结果图，图5(b)为休息日中的充电需求结果图。

图6为本发明的实施例中不同电动汽车渗透率下的典型日负荷需求结果图，其中图6(a)为工作日需求结果图，图6(b)为休息日需求结果图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本实施例提供一种考虑双网信息的电动私家车充电负荷预测方法，综合考虑交通路网、配电网信息，精确模拟电动私家车在交通路网中的行驶和配电网中的充电行为，以确定区域电动私家车充电负荷时空分布；包括以下步骤：

步骤S1：采用图论方法进行交通路网建模，用以刻画需要预测区域的关键交通节点和路段信息；给出各时段下各路段的拥堵程度，利用速度流量模型给出各道路上24小时各时段的车辆行驶速度；

步骤S2：在交通路网基础上，建立交通路网与配电网耦合模型，给出交通路网与配电网的耦合关系，即部分一一对应关系；

步骤S3：在交通路网与配电网耦合模型基础上，采用出行链模拟电动私家车用户的出行行为，确定一天中行驶的目的地和行程数量A；根据概率统计函数给出包括行程开始出行时刻、下班时刻和停车时长的信息；采用最短路径法确定行驶路线和行驶里程；

步骤S4：在一段行程中，根据行驶里程、行驶速度、行程出发时刻得到行驶时长和停车时刻；

步骤S5：根据车辆初始电量、能耗、行驶里程，建立电量消耗模型，计算电动私家车实时电量，确定行驶至交通路网节点处的剩余电量；

步骤S6：电动私家车用户的充电需求与车辆实时电量信息有关，根据电量充足度进行充电决策，电动汽车电量不满足下次行程需求，那么一定会充电；电量满足下次行程需求，则可能充电，充足度越大则充电的可能性就越小。基于此，判断车辆抵达目的地时是否充电，进一步根据停车时长确定采用慢充还是快充。优先慢充，计算在停车时长内，慢充是否能将电量充满，不能充满才选择快充。那么，通过确定的车辆充电地点、充电方式和充电时长，结合交通路网与配电网耦合模型，将充电负荷映射到配电网节点上去；

步骤S7：在A次行程中，重复步骤S4-S6，获得电动汽车用户一天中的行驶、停车和充电状态；

步骤S8：采用蒙特卡洛法对预测区域内若干电动私家车的行驶目的地、时间信息进行多次抽样，重复步骤S3-S7，计算充电功率，给出电动私家车充电负荷的时空分布结果。

在本实施例中，所述交通路网模型给出交通拓扑结构、路段长度信息，和各时段不同路段的道路拥堵度系数。

在本实施例中，所述交通路网和配电网耦合模型为双网节点部分一一对应关系。

在本实施例中，所述出行链包括简单链和复杂链；概率统计函数基于常用的出行调查数据，数据量大，应用范围广；最短路径法可选用Floyd法或Dijkstra法。

在本实施例中，所述电量消耗模型满足随着行驶距离的增长，车辆实时电量成线性衰减的关系，并满足电量阈值约束。

在本实施例中，所述模糊理论用于描述剩余电量与用户的充电需求的关系：车辆当前电量不满足下次行程需求，用户一定会选择充电；当前电量满足下次行程需求，那么电量越充足，充电需求越小。

在本实施例中，所述步骤S1的具体内容为：

交通路网建模：G＝(V,E)表示交通网的图，它由顶点集V、连接边集合E组成；道路权值矩阵D(G)，用于描述每两个顶点之间的距离，d_nm是顶点n和顶点m之间的路段长度；inf表示两顶点不相邻或无直连路段；

速度流量模型为：将一个时间段内不同道路的饱和度设定为统一值，令不同道路的饱和度随时间有一致的变化趋势；t时刻邻近节点n₁、n₂之间路段上车辆行驶速度

处理为：

式中：r(t)为t时刻道路拥堵度；

为t时刻道路(n₁,n₂)的路段流量；

为道路通行能力；j、k、l为自适应系数；

表示相应路段自由速度。

在本实施例中，步骤S2中所述建立交通路网与配电网耦合模型的具体内容为：

城市交通网和配电网节点在地理上存在耦合关系，采用图论方法，提取配电网与交通网的拓扑，并将其表示为无权无向图G_D,G_R,下标D表示配电网,R表示交通网；G_P＝(V_P,E_P)，V_P＝{1,2,...N}是配电网节点集，E_P＝{e_ij}是其连接边集，路网节点与配电网节点间存在部分一一对应的关系。

在本实施例中，步骤S3中所述采用出行链模拟电动私家车用户的出行行为的具体内容为：出行链理论：出行链是指个人为完成一项或几项活动，在一定时间顺序上不同出行目的的连接形式。在一个区域内，私家车用户在城市交通网的某几个节点间往返，日常出行目的地较为固定，考虑家庭、商业休闲、工作三大地点，车辆在这三类目的地之间行驶，充电行为可能发生在经过的节点处。图1为城市出行中以家为起讫点的简单链和复杂链，图左为简单出行链，该链以家为日行程的起点和终点，显示了“工作-回家”的出行结构；图右为复杂出行链，该链中包括家、工作地和休闲场所。

车辆首次出行时刻和下班时刻均满足正态分布，停车休闲时长服从U(1,2)均匀分布；电动汽车用户工作日的首次出行时刻服从μ＝6.92，σ＝1.24的正态分布，下班时刻服从μ＝17.47，σ＝1.80的正态分布，工作日中按简单链和复杂链出行的概率分布为52.8％、47.2％；休息日则考虑休闲-回家的出行结构以及不出行的情况，考虑用户外出的概率为70％，出行时刻部分服从μ₁＝8.92，σ₁＝3.24的正态分布，部分服从μ₂＝16.47，σ₂＝3.41的正态分布。

在本实施例中，步骤S3中所述采用最短路径法确定路线的行驶里程的具体内容为：

最短路径法：在行驶轨迹中，司机不会绕路远行，每次会选取最短路线驾车行驶，基于Dijkstra算法求出最短路径，进而模拟为行驶最优路线；Dijkstra算法所求的最短路径为任意一个节点到其他各个节点的最短距离；令R(i,j)是加权图G中从i到j的路径，该路径的长度为路径的边权之和，记为w(r)，路径中权最小者称为i到j的最短路径；令已找到最短路径的顶点集合为S，其余顶点属于集合T，f(j)是j的标记，用于标记更新的j点距离。

步骤S4中所述确定行驶时长和停车时刻的具体内容为：

由步骤S1中的简化速度-流量模型得到第i次行程的行驶速度Vⁱ，模型如下：

将一个时间段内不同道路的饱和度设定为统一值，令不同道路的饱和度随时间有一致的变化趋势；t时刻邻近节点n₁、n₂之间路段上车辆行驶速度

处理为：

式中：r(t)为t时刻道路拥堵度；

为t时刻道路(n₁,n₂)的路段流量；

为道路通行能力；j、k、l为自适应系数；

表示相应路段自由速度。

接着，根据行驶里程

行驶速度Vⁱ、行程出发时刻

得到行驶时长

和停车时刻

式中：g表示第i次行程的路径集合Rⁱ所包含的路段数；d_h表示第h个直连路段的长度；V_h(t)表示第h个直连路段行驶速度；T_mid表示发生中途充电时的停车时长；在本实施例中，所述步骤S5中确定电动汽车电量状态方法的具体内容为：

更新电动汽车实时电量信息：电池的耗电量恒定，随着行驶距离X_d的增长，电动汽车实时电量Capt成线性关系衰减，在抵达下一个停车地点之前，电动汽车的荷电状态可由下式确定：

式中：

表示第i次行程停车时EV的荷电状态；

表示第i次行程出发时EV的荷电状态；

表示根据最短路径法求出的第i次行程行驶距离；w为单位里程耗电量，单位为kw·h/km；C表示EV电池容量，单位为kw·h。

在实施例中，步骤S6中所述确定用户充电需求的具体内容为：当剩余电量Capt不满足下次出行需求时，用户选择充电；当Capt能够满足下次出行需求时，用户可能有充电需求，且Capt与下次行程需求相比越充足，用户的充电需求越弱，采用模糊理论描述上述关系：

定义指标电量充足度U_f来衡量EV当前电量对于下次行程需求的充足程度,用户会根据电量情况决定是否充电：

式中：Capi Tp表示电动汽车到达目的地i的电量状态；Xi+1d为下次行程的行驶里程。

如果M表示有充电需求的模糊集，那么M的隶属度函数由下式

确定：

式中：M(U_f)为U_f的隶属度，值域为[0，1]，表示用户产生充电需求的概率；e为U_f的下界系数，若U_f<e，电量不能满足下次行程，一定有充电需求；u的U_f为上界系数，U_f≥u时，电量对于下次行程是完全充足的，没有充电需求，M值为0；

当满足以下条件时，就近以快充模式充电：

式中Cap_m为SOC达到阈值时的剩余电量，设置阈值在0.2～0.3间均匀分布。

较佳的，在本实施例中，确定用户充电意愿，当剩余电量SOC达到阈值时，就近以快充模式充电；抵达目的地后，电动汽车剩余电量满足下次行程不充电，不满足下次行程就根据停车时长选择充电方式，在停车时长内，当慢充无法满足充电需求时则选择快充，确定用户充电时长。

在本实施例中，在每一次蒙特卡洛仿真中，对P辆电动汽车，步骤S3到S7重复P次，模拟出行和充电过程，得到每次出行的开始充电时刻、充电地点、充电功率和充电时长等；记录每辆车充电需求，并根据交通网和配电网节点耦合关系，将负荷归算至配电网。对于配电网节点b，其t时刻的总充电负荷为P_b(t)。根据Nb个节点的日充电功率叠加，即可得到规划区的总充电负荷P_t(t)。完成一次蒙特卡洛仿真后，将总充电负荷P_t(t)存储为配电网充电功率矩阵。当达到最大仿真次数N₁或满足收敛条件时仿真终止。

具体内容为：

计算配电网中总的充电负荷：在每一次蒙特卡洛仿真中，对P辆电动汽车，步骤S3到S7重复P次，记录每辆车充电需求，并根据交通网和配电网节点耦合关系，将负荷归算至配电网；根据N_b个节点的日充电功率叠加，即得到规划区的总充电负荷P_total(t)，如下所示：

当达到最大仿真次数或满足收敛条件时仿真终止，收敛条件为：

式中：H_t表示t时刻充电功率矩阵H中对应的列向量；

表示第r次蒙特卡洛仿真后各时刻的均值；ε₁是仿真的收敛精度，ε＝0.1，蒙特卡洛最大仿真次数N₁为1000。

以图2典型的配电网和交通路网耦合结构为例进行说明，具体包括以下步骤：

1、交通路网建模：G＝(V,E)表示交通网的图，它由顶点集V、连接边集合E组成。道路权值矩阵D(G)，用于描述每两个顶点之间的距离，d_nm是顶点n和顶点m之间的路段长度；inf表示两顶点不相邻或无直连路段。实施例中各道路对应长度如表1所示。

表1道路长度数据

速度流量模型为：将一个时间段内不同道路的饱和度设定为统一值，假定不同道路的饱和度随时间有大体一致的变化趋势。t时刻邻近节点n₁、n₂之间路段上车辆行驶速度

处理为：

式中：r(t)为t时刻道路拥堵度，实施例中r(t)如表2所示；w_n1n2(t)为t时刻道路(n₁,n₂)的路段流量；C_n1n2为道路通行能力；j、k、l为自适应系数；vo n1n2表示相应路段自由速度。

表2道路饱和度参数

2、交通路网和配电网耦合模型：城市交通网和配电网节点在地理上存在耦合关系，采用图论方法，提取配电网与交通网的拓扑，并将其表示为无权无向图G_D,G_R,下标D表示配电网,R表示交通网。G_P＝(V_P，E_P)，V_P＝{1,2,...N}是配电网节点集，E_P＝{e_ij}是其连接边集，实施例中路网节点与配电网节点间存在部分一一对应的关系，如表3所示。

表3配电网节点与交通网节点编号对应表

3、出行链理论：出行链是指个人为完成一项或几项活动，在一定时间顺序上不同出行目的的连接形式。在一个区域内，私家车用户在城市交通网的某几个节点间往返，日常出行目的地较为固定，考虑家庭、商业休闲、工作三大地点，车辆在这三类目的地之间行驶，充电行为可能发生在经过的节点处。

实施例中用户出行规律满足表4所给出行链。

表4出行链在不同类型日的占比

4、最短路径法：在行驶轨迹中，司机不会绕路远行，每次会选取最短路线驾车行驶，基于Dijkstra算法求出最短路径，进而模拟为行驶最优路线。

Dijkstra算法所求的最短路径为任意一个节点到其他各个节点的最短距离。设R(i，j)是加权图G中从i到j的路径，该路径的长度为路径的边权之和，记为w(r)，路径中权最小者称为i到j的最短路径。设已找到最短路径的顶点集合为S，其余顶点属于集合T，f(j)是j的标记，用于标记更新的j点距离。

5、获取出行需求相关信息：假设电动汽车用户每日的首次出行时刻和回家时刻服从正态分布，休闲时长服从U(1,2)均匀分布；

由简化速度-流量模型得到第i次行程的行驶速度Vⁱ，并根据行驶里程Xid、行驶速度Vⁱ、行程出发时刻Tio得到行驶时长Xit和停车时刻Tip：

式中：g表示第i次行程的路径集合Rⁱ所包含的路段数；d_h表示第h个直连路段的长度；V_h(t)表示第h个直连路段行驶速度；T_mid表示发生中途充电时的停车时长。

6、更新电动汽车实时电量信息：电池的耗电量恒定，随着行驶距离X_d的增长，电动汽车实时电量Cap_t成线性关系衰减，在抵达下一个停车地点之前，电动汽车的荷电状态可由下式确定：

式中：Cap_Tp ⁱ表示第i次行程停车时EV的荷电状态；Cap_To ⁱ表示第i次行程出发时EV的荷电状态；X_d ⁱ表示根据最短路径法求出的第i次行程行驶距离；w为单位里程耗电量，单位为kw·h/km；C表示EV电池容量，单位为kw·h。

实施例中所用电动私家车的性能如表5所示。

表5电动汽车性能参数

7、确定用户充电需求：当剩余电量Cap_t不满足下次出行需求时，用户一定选择充电；当Cap_t能够满足下次出行需求时，用户可能有充电需求，且Cap_t与下次行程需求相比越充足，用户的充电需求越弱，采用模糊理论描述上述关系：

如果M表示“有充电需求”的模糊集，那么M的隶属度函数可由下式确定：

式中：M(U_f)为U_f的隶属度，值域为[0，1]，可以表示用户产生充电需求的概率；e为下界系数，若U_f<e，电量不能满足下次行程，一定有充电需求；u为上界系数，Uf≥u时，电量对于下次行程是完全充足的，没有充电需求，M值为0。

当满足以下条件时，就近以快充模式充电：

式中Cap_m为SOC达到阈值时的剩余电量，设置阈值在0.2～0.3间均匀分布。

仿真连续一周中，区域内电动私家车的出行与充电行为，区域内日充电功率如图3所示，节点充电功率变化如图4所示，图4给出了一个工作区节点，一个住宅区节点和一个商业区节点的充电功率结果。

8、计算配电网中总的充电负荷：在每一次蒙特卡洛仿真中，对M辆电动汽车，以上步骤重复M次，记录每辆车充电需求，并根据交通网和配电网节点耦合关系，将负荷归算至配电网。根据N_b个节点的日充电功率叠加，即可得到规划区的总充电负荷P_total(t)，如下所示：

当达到最大仿真次数或满足收敛条件时仿真终止，收敛条件为：

式中：H_t表示t时刻充电功率矩阵H中对应的列向量；UH_t r表示第r次蒙特卡洛仿真后各时刻的均值；ε₁是仿真的收敛精度，文中设定为ε＝0.1，蒙特卡洛最大仿真次数N₁为1000。

该区域配电网各节点在典型工作日、休息日中的充电需求如图5所示。由计算结果可知，需求分布在时间和空间上分布不平衡，不同类型日峰值时刻各不相同。工作日07:00-11:00，充电需求集中在工作区的18-22节点；工作日17:00-21:00，充电需求在居民区和商业区较为集中。休息日08:00-14:00，在居民区较工作日同时段有明显的充电需求，这是由休息日中选择只在上午(约06:00-12:00)出行的EV用户返家后的充电行为产生的。

将充电负荷峰值与基础负荷峰值的比值作为电动汽车渗透率P_EV，上述算例的电动汽车渗透率约为38％。根据充电负荷时空分布模型结果，图6给出了不同电动汽车渗透率下典型日负荷求结果。由计算结果可知，充电负荷与基本负荷叠加形成负荷晚高峰。充电负荷具有明显峰谷差，随着电动汽车渗透率提高，整体负荷峰谷差也逐步加大。休息日午间负荷同工作日相比增长明显。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (9)

1.一种考虑双网信息的电动私家车充电负荷预测方法，其特征在于：包括以下步骤：

步骤S1：采用图论方法进行交通路网建模，用以刻画需要预测区域的关键交通节点和路段信息；给出各时段下各路段的拥堵程度，利用速度流量模型给出各道路上24小时各时段的车辆行驶速度；

步骤S2：在交通路网基础上，建立交通路网与配电网耦合模型，给出交通路网与配电网的耦合关系；

步骤S3：在交通路网与配电网耦合模型基础上，采用出行链模拟电动私家车用户的出行行为，确定一天中行驶的目的地和行程数量A；根据概率统计函数给出包括行程开始出行时刻、下班时刻和停车时长的信息；采用最短路径法确定行驶路线和行驶里程；

步骤S4：在一段行程中，根据行驶里程、行驶速度、行程出发时刻得到行驶时长和停车时刻；

步骤S5：根据车辆初始电量、能耗、行驶里程，建立电量消耗模型，计算电动私家车实时电量，确定行驶至交通路网节点处的剩余电量；

步骤S6：电动私家车用户的充电需求与车辆实时电量信息有关，通过确定的车辆充电地点、充电方式和充电时长，结合交通路网与配电网耦合模型，将充电负荷映射到配电网节点上去；

步骤S7：对一天中的A次行程，重复S4-S6步骤，获得单个电动汽车一天中的行驶、停车和充电状态；

步骤S8：采用蒙特卡洛法对预测区域内若干电动私家车的行驶目的地、时间信息进行多次抽样，重复步骤S3-S7，计算充电功率，给出电动私家车充电负荷的时空分布结果。

2.根据权利要求1所述的一种考虑双网信息的电动私家车充电负荷预测方法，其特征在于：所述步骤S1的具体内容为：

交通路网建模：G＝(V,E)表示交通网的图，它由顶点集V、连接边集合E组成；道路权值矩阵D(G)，用于描述每两个顶点之间的距离，d_nm是顶点n和顶点m之间的路段长度；inf表示两顶点不相邻或无直连路段；

速度流量模型为：将一个时间段内不同道路的饱和度设定为统一值，令不同道路的饱和度随时间有一致的变化趋势；t时刻邻近节点n₁、n₂之间路段上车辆行驶速度

处理为：

式中：r(t)为t时刻道路拥堵度；

为t时刻道路(n₁,n₂)的路段流量；

为道路通行能力；j、k、l为自适应系数；

表示相应路段自由速度。

3.根据权利要求1所述的一种考虑双网信息的电动私家车充电负荷预测方法，其特征在于：步骤S2中所述建立交通路网与配电网耦合模型的具体内容为：

城市交通网和配电网节点在地理上存在耦合关系，采用图论方法，提取配电网与交通网的拓扑，并将其表示为无权无向图G_D,G_R,下标D表示配电网,R表示交通网；G_P＝(V_P,E_P)，V_P＝{1,2,...N}是配电网节点集，E_P＝{e_ij}是其连接边集，路网节点与配电网节点间存在部分一一对应的关系。

4.根据权利要求1所述的一种考虑双网信息的电动私家车充电负荷预测方法，其特征在于：步骤S3中所述采用出行链模拟电动私家车用户的出行行为的具体内容为：

车辆首次出行时刻和下班时刻均满足正态分布，停车休闲时长服从U(1,2)均匀分布；电动汽车用户工作日的首次出行时刻服从μ＝6.92，σ＝1.24的正态分布，下班时刻服从μ＝17.47，σ＝1.80的正态分布，工作日中按简单链和复杂链出行的概率分布为52.8％、47.2％；休息日则考虑休闲-回家的出行结构以及不出行的情况，考虑用户外出的概率为70％，出行时刻部分服从μ₁＝8.92，σ₁＝3.24的正态分布，部分服从μ₂＝16.47，σ₂＝3.41的正态分布。

5.根据权利要求1所述的一种考虑双网信息的电动私家车充电负荷预测方法，其特征在于：步骤S3中所述采用最短路径法确定路线的行驶里程的具体内容为：

基于Dijkstra算法求出最短路径，进而模拟为行驶最优路线；Dijkstra算法所求的最短路径为任意一个节点到其他各个节点的最短距离；令R(i,j)是加权图G中从i到j的路径，该路径的长度为路径的边权之和，记为w(r)，路径中权最小者称为i到j的最短路径；令已找到最短路径的顶点集合为S，其余顶点属于集合T，f(j)是j的标记，用于标记更新的j点距离。

6.根据权利要求1所述的一种考虑双网信息的电动私家车充电负荷预测方法，其特征在于：步骤S4中所述的确定行驶时长和停车时刻的具体内容为：

由步骤S1中的速度-流量模型得到第i次行程的行驶速度V_i，根据行驶里程

行驶速度Vⁱ、行程出发时刻

得到行驶时长

和停车时刻

式中：g表示第i次行程的路径集合Rⁱ所包含的路段数；d_h表示第h个直连路段的长度；V_h(t)表示第h个直连路段行驶速度；T_mid表示发生中途充电时的停车时长。

7.根据权利要求1所述的一种考虑双网信息的电动私家车充电负荷预测方法，其特征在于：所述步骤S5确定电动汽车剩余电量的具体内容为：电池的耗电量恒定，随着行驶距离X_d的增长，电动汽车实时电量Capt成线性关系衰减，在抵达下一个停车地点之前，电动汽车的荷电状态由下式确定：

式中：

表示第i次行程停车时EV的荷电状态；

表示第i次行程出发时EV的荷电状态；

表示根据最短路径法求出的第i次行程行驶距离；w为单位里程耗电量，单位为kw·h/km；C表示EV电池容量，单位为kw·h。

8.根据权利要求1所述的一种考虑双网信息的电动私家车充电负荷预测方法，其特征在于：步骤S6中所述确定用户充电需求的具体内容为：当剩余电量Capt不满足下次出行需求时，用户选择充电；当Capt能够满足下次出行需求时，用户可能有充电需求，且Capt与下次行程需求相比越充足，用户的充电需求越弱，采用模糊理论描述上述关系：

定义指标电量充足度U_f来衡量EV当前电量对于下次行程需求的充足程度,用户会根据电量情况决定是否充电：

式中：

表示电动汽车到达目的地i的电量状态；X_d ⁱ⁺¹为下次行程的行驶里程。

如果M表示有充电需求的模糊集，那么M的隶属度函数由下式确定：

式中：M(U_f)为U_f的隶属度，值域为[0，1]，表示用户产生充电需求的概率；e为U_f的下界系数，若U_f<e，电量不能满足下次行程，一定有充电需求；u为U_f的上界系数，U_f≥u时，电量对于下次行程是完全充足的，没有充电需求，M值为0；当满足以下条件时，就近以快充模式充电：

式中Cap_m为SOC达到阈值时的剩余电量，设置阈值在0.2～0.3间均匀分布。

9.根据权利要求1所述的一种考虑双网信息的电动私家车充电负荷预测方法，其特征在于：所述步骤S8的具体内容为：

在每一次蒙特卡洛仿真中，对P辆电动汽车，步骤S3到步骤S7重复P次，记录每辆车充电需求，并根据交通网和配电网节点耦合关系，将负荷归算至配电网；根据N_b个节点的日充电功率叠加，即得到规划区的总充电负荷P_total(t)，如下所示：

当达到最大仿真次数或满足收敛条件时仿真终止，收敛条件为：

式中：H_t表示t时刻充电功率矩阵H中对应的列向量；

表示第r次蒙特卡洛仿真后各时刻的均值；ε₁是仿真的收敛精度，ε＝0.1，蒙特卡洛最大仿真次数N₁为1000。

Images