CN111199320B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111199320B CN111199320B CN202010013815.9A CN202010013815A CN111199320B CN 111199320 B CN111199320 B CN 111199320B CN 202010013815 A CN202010013815 A CN 202010013815A CN 111199320 B CN111199320 B CN 111199320B
- Authority
- CN
- China
- Prior art keywords
- charge
- travel
- time
- electric vehicle
- electric
- 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.)
- Active
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003864 performance function Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提出了一种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,其步骤为:首先,根据电动汽车充电负荷的影响因素建立影响因素的概率模型;其次,根据电动汽车的网路拓扑结构以及电动汽车在城市间的出行建立电动汽车出行概率矩阵;最后,根据影响因素的概率模型和电动汽车出行概率矩阵,利用蒙特卡洛方法预测电动汽车一天的电动汽车充电负荷时空分布。本发明结合网络拓扑结构,建立的影响因素概率模型和出行概率矩阵,利用蒙特卡洛算法预测单辆电动汽车的充电负荷,降低了时空分布下电动汽车充电负荷预测误差。
Description
技术领域
本发明涉及时空分布下的电动汽车负荷预测技术领域,特别是指一种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。
背景技术
随着石油消费增加,能源资源危机日益严重,同时环保呼声不断高涨,电动汽车以可再生的电能为燃料,在减少对化石能源的依赖和降低温室气体排放方面起到了重要的作用,近年来得到了人们的青睐。但是电动汽车具有充电功率大、随机性强等特点,在未来电动汽车大规模普及的情景下,无序的电动汽车充电负荷会给配电网带来电压下降、线路过载、电网负荷峰值、网络损耗等一系列问题。因此,有必要研究大规模电动汽车充电负荷预测模型,为电动汽车发展对电网影响、参与电网互动能力、充放电有序控制策略等研究提供一定的理论依据。
目前,大量学者对电动汽车充电负荷预测开展了相关研究工作并取得了显著的成果,主要是以统计预测模型为基础建立电动汽车充电负荷预测模型。如有研究将电动汽车分为公交车、公务车、出租车、私家车几类,对影响充电负荷的汽车类型、电池容量、起始充电时刻、充电功率、充电方式等因素进行分析,采用蒙特卡洛模拟方法建立了电动汽车充电负荷模型;有的针对小范围内电动汽车规模少的特点,提出了基于电动汽车发展不均衡的电动汽车充电需求计算方法,通过蒙特卡洛方法给出了充电负荷预测模型,对较小区域内电动汽车充电负荷预测提供了计算依据;有的提出了基于充电时刻概率的负荷预测方法,以日行驶里程代替主观给定的起始荷电状态,利用概率统计学和蒙特卡洛模拟方法建立了充电负荷预测模型。考虑到电动汽车主要分布在主城区,电动汽车行驶行为与城市交通路网息息相关,建立电动汽车的时空分布负荷预测模型需要考虑具体城市路网结构,另外电动汽车起始SOC同前一次仿真结束时SOC值相同更符合现实情况,上述均未考虑城市路网的影响和仿真时起始SOC连续性的问题。
发明内容
针对上述背景技术中存在的不足,本发明提出了一种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,解决了现有时空分布下电动汽车充电负荷预测误差较大的技术问题。
本发明的技术方案是这样实现的:
一种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,其步骤如下:
S1、根据电动汽车充电负荷的影响因素建立影响因素的概率模型;
S2、根据电动汽车的网络拓扑结构以及电动汽车在城市间的出行建立电动汽车出行概率矩阵;
S3、根据步骤S1中的影响因素的概率模型和步骤S2中的电动汽车出行概率矩阵,利用蒙特卡洛方法预测电动汽车一天的电动汽车充电负荷时空分布。
所述影响因素的概率模型包括日行驶里程概率模型、起止出行时刻概率模型、单次停车时长概率模型、充电时长概率模型。
所述日行驶里程概率模型为:
其中,s为电动汽车的日行驶里程,f(s)为日行驶里程s的概率函数,μ1为日行驶里程s的均值,σ1为日行驶里程s的标准差。
所述起止出行时刻概率模型为:
其中,t为电动汽车的起止出行时刻,f(t)为起止出行时刻t的概率函数,μ2为起止出行时刻t的均值,σ2为起止出行时刻t的标准差。
所述充电时长概率模型为:
其中,Tc为电动汽车的充电时长,ESOC为电池期望的充电目标荷电状态;ISOC为电池的起始荷电状态,E为电池容量,Pc为充电功率,η为充电效率。
所述步骤S2中电动汽车出行概率矩阵的构建方法为:
S2.1、设置电动汽车的数量,并根据网络拓扑结构中节点的数量计算每个节点的停车概率,采集节点之间线路的车流量;
S2.2、利用TransCAD对步骤S21中的车流量进行处理得到电动汽车出行概率矩阵。
所述利用蒙特卡洛方法预测电动汽车一天的电动汽车充电负荷时空分布的方法为:
S3.1、设置电动汽车总数量为N,最大迭代次数为M,当前电动汽车为n=1,设置电动汽车的荷电状态阈值SOCth,设置荷电状态期望值SOC1,荷电状态最大值SOC2;
S3.2、初始化迭代次数m=1,设置初始荷电状态为Capt;
S3.3、设置充电负荷PC,m=0,利用起止出行时刻概率模型产生电动汽车n的起始时刻Ts和结束时刻Te,利用日行驶里程概率模型产生电动汽车n的日总行驶里程D;
S3.4、设置当前行驶里程dt=0,当前行驶时刻t=Ts;
S3.5、根据每个节点的停车概率产生起始节点,并根据起始节点和电动汽车出行概率矩阵产生电动汽车n的行驶目的地;
S3.6、利用Floyd算法计算电动汽车n的最短路径,并给出路径总段数count;
S3.7、计算电动汽车n通过路径h后的行驶里程dt=dt+Lh,行驶时刻t=t+dth,当前荷电状态SOC,其中,Lh为路径h对应的里程,dth为电动汽车n通过路径h的行驶时间;
S3.8、判断当前荷电状态SOC是否小于荷电状态阈值SOCth,若是,就近充电,更新当前荷电状态SOC=SOC+ΔSOC,更新充电负荷PC,m=PC,m+P(t:t+Tc),否则,执行步骤S3.9,其中,P(t:t+Tc)为充电Tc时间内的充电负荷;
S3.9、路径h=h+1,判断路径h是否达到路径总段数count,若是,执行步骤S3.10,否则,返回步骤S3.7;
S3.10、判断行驶里程dt是否小于日总行驶里程D,若是,执行步骤S3.11,否则,执行步骤S3.13;
S3.11、判断行驶时刻t是否小于结束时刻Te,若是,执行步骤S3.12,否则,执行步骤S3.13;
S3.12、记录停车时长dt_park,更新行驶时刻t=t+dt_park,将当前停车地点设为起始节点,返回步骤S3.5;
S3.13、结束电动汽车n的行驶行程,并判断当前荷电状态SOC是否达到荷电状态期望值SOC1,若是,保留充电负荷PC,m和当前荷电状态SOC,且荷电状态Capt=SOC,否则,对电动汽车n进行充电至荷电状态最大值SOC2,并更新荷电状态Capt=SOC2和充电负荷PC,m=PC,m+P(t:t+Tc'),其中,P(t:t+Tc')为充电Tc'时间内的充电负荷;
S3.14、判断迭代次数m是否达到最大迭代次数为M,若是,计算电动汽车n的M次充电负荷的平均值执行步骤S3.15,否则,记录迭代次数为m时电动汽车n的充电负荷PC,m,迭代次数m=m+1,返回步骤S3.3;
S3.15、判断电动汽车n是否达到电动汽车总数量N,若是,计算N个电动汽车的充电负荷的平均值完成N辆电动汽车一天的电动汽车充电负荷时空分布的预测,否则,n=n+1,返回步骤S3.2。
本技术方案能产生的有益效果:本发明通过建立的影响因素概率模型和出行概率矩阵与蒙特卡洛算法相结合,能够预测单辆电动汽车一天的电动汽车充电负荷时空分布,降低了时空分布下电动汽车充电负荷预测误差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例规划区域主干道路示意图;
图2为本发明实施例电动私家车起始出行位置;
图3为本发明的预测电动汽车充电负荷时空分布的流程图;
图4为本发明的充电负荷时空分布图;
图5为本发明实施例测试区域总负荷需求;
图6为本发明实施例各区域充电负荷。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种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,具体步骤如下:
S1、根据电动汽车充电负荷的影响因素建立影响因素的概率模型;所述影响因素的概率模型包括日行驶里程概率模型、起止出行时刻概率模型、单次停车时长概率模型、充电时长概率模型。采用TranCAD中National Cooperative Highway Research Program(NCHRP187)所提供的典型工作日各类电动汽车初始出行时刻Ts和返程时刻Te概率分布曲线据此生成电动汽车初始出行时刻。本发明采用美国交通部NHTS2009居民调查数据库作为分析车辆日行驶里程出行行为的数据来源。这些模型及参数通过对现实情况的数据进行拟合处理得到,利用蒙特卡洛方法反复抽取能够获得符合该模型的出行数据,比较符合实际。
所述日行驶里程概率模型为:
其中,s为电动汽车的日行驶里程,f(s)为日行驶里程s的概率函数,μ1为日行驶里程s的均值,σ1为日行驶里程s的标准差。
所述起止出行时刻概率模型为:
其中,t为电动汽车的起止出行时刻,f(t)为起止出行时刻t的概率函数,μ2为起止出行时刻t的均值,σ2为起止出行时刻t的标准差。
所述充电时长概率模型为:
其中,Tc为电动汽车的充电时长,ESOC为电池期望的充电目标荷电状态;ISOC为电池的起始荷电状态,E为电池容量,Pc为充电功率,η为充电效率。
S2、根据电动汽车的网路拓扑结构以及电动汽车在城市间的出行建立电动汽车出行概率矩阵;所述电动汽车出行概率矩阵的构建方法为:
S2.1、设置电动汽车的数量,并根据网络拓扑结构中节点的数量计算每个节点的停车概率,采集节点之间线路的车流量;
S2.2、利用TransCAD对步骤S21中的车流量进行处理得到电动汽车出行概率矩阵。
出行概率矩阵(Origin Destination,OD)分析是一种广泛应用于道路规划和交通仿真的方法,进行OD分析需要的信息主要包括所研究区域的地理信息与不同类型电动汽车的出行信息,OD矩阵是OD分析的核心,对于城市网络,通过交通部门历史数据可获取不同类型电动汽车的路段交通量,根据大型交通网络OD矩阵推算方法由路段交通量反推到各时段的OD矩阵B,根据OD矩阵B可以对各类电动汽车在城市道路网络中的出行特性进行刻画。
OD矩阵是基于TransCAD软件的,TransCAD是一个用于交通数据管理和分析的专业交通规划软件,是一个将地理信息系统(GIS)和交通分析功能完全整合的软件包。TransCAD可以用来储存、显示、管理和分析交通数据,提供了其他GIS或交通模型软件所不能及的综合分析及表现功能。TransCAD中的OD矩阵反推程序考虑了路段调查量的随机性,并可以采用任一种分配方法,通过交通分配与矩阵估算之间的多次迭代实现矩阵推算功能。OD矩阵反推程序需要的输入包括:路网中路段的断面观测交通量、种子(初始)OD矩阵,和所选交通分配方法所需的输入参数。OD矩阵反推流程为:
(1)断面交通量数据调查和收集,若不能获得所有路段数据则根据路段选取原则选择路段数据;
(2)根据交通特征将交通小区划分为工作区、商业区和居民区;
(3)初始种子OD矩阵,种子OD矩阵获得方法为:历史或过期的OD矩阵;根据交通产生量和吸引量,利用重力模型计算得到;通过交通小区之间出行阻抗推算得到;OD矩阵所有单元赋值为1;
(4)构建包括节点和路径的网络拓扑结构;采集路段断面交通量数据;
(5)打开种子OD矩阵,将网络拓扑结构输入种子OD矩阵;
(6)利用TransCAD软件中的Planning-OD Matrix Estimation对话框并选择分配方法进行分配,TransCAD产生一个对路网断面交通量有最优匹配的OD矩阵,即出行概率矩阵。
S3、根据步骤S1中的影响因素的概率模型和步骤S2中的电动汽车出行概率矩阵,利用蒙特卡洛方法预测单辆电动汽车一天的电动汽车充电负荷时空分布;如图3所示,利用蒙特卡洛方法预测电动汽车一天的电动汽车充电负荷时空分布的方法为:
S3.1、设置电动汽车总数量为N=13000,最大迭代次数为M=1000,当前电动汽车为n=1,设置电动汽车的荷电状态阈值SOCth=0.2,设置荷电状态期望值SOC1=0.6,荷电状态最大值SOC2=1;
S3.2、初始化迭代次数m=1,设置初始荷电状态为Capt,初始荷电状态Capt是根据概率分布函数随机抽取得到,且满足正态分布Capt~N(0.5,0.01);
S3.3、设置充电负荷PC,m=0,利用起止出行时刻概率模型产生电动汽车n的起始时刻Ts和结束时刻Te,利用日行驶里程概率模型产生电动汽车n的日总行驶里程D;
S3.4、设置当前行驶里程dt=0,当前行驶时刻t=Ts;
S3.5、根据每个节点的停车概率产生起始节点,并根据起始节点和电动汽车出行概率矩阵产生电动汽车n的行驶目的地;
S3.6、利用Floyd算法计算电动汽车n的最短路径,并给出路径总段数count;
Floyd算法是一种典型的基于动态规划的多源最短路径算法,又称为插点法,是一种用于寻找给定的加权图中多源点之间最短路径的算法,主要特点是需要用邻接矩阵来储存边的权重,并通过考虑最佳子路径来得到最佳路径。从两点最短路径的可能性思考,两点间最短路径有两种情况:(1)两点直接到达的距离最短;(2)两点之间通过1个或1个以上节点连接到达的距离最短。如果是第一种情况,则可以在邻接矩阵D中直接获取,如果是第二种情况,则需要判断依次以每个点为中间点连接起点和终点的最短距离,如果需要中间点的个数大于1,则将问题继续划分为其它终点和起点的问题。
Floyd算法流程:
S3.6.1、建立两个二维矩阵D和P,矩阵D记录顶点间的最小路径,初始化矩阵D为邻接矩阵,矩阵P记录顶点间最小路径上的点,初始化P为P[v][w]=w;
S3.6.2、三重循环,以k为中转点,v为起点,w为终点,循环比较D[v][w]和D[v][k]+D[k][w],如果D[v][w]>D[v][k]+D[k][w],则令D[v][w]=D[v][k]+D[k][w],同时更新P[v][w]=P[v][k],循环结束得到最终的D矩阵和P矩阵;
S3.6.3、任意两点间的最短路径为D[v][w],确定最短路径上的点,若P[v][w]=m,m为中转点,P[m][w]=n,n为中转点,若P[n][w]=w,则路径为v-m-n-w,否则依次类推直到确定P[r][w]=w,最短路径为v-m-n-...-w。
本发明需要计算任意两节点间最短路径,路网节点较多,dijkstra及常用的Bellman-Ford、SPFA均是在求单源最短路径的问题中有着较为理想的时间复杂度(<=O(n2)),但若是求图1中任意两点间的距离,尤其是图比较稠密时,Floyd算法(时间复杂度O(n3))更具有优势,另外Floyd算法编程思想简单,容易实现,故选用Floyd算法。
S3.7、计算电动汽车n通过路径h后的行驶里程dt=dt+Lh,行驶时刻t=t+dth,当前荷电状态SOC,其中,Lh为路径h对应的里程,dth为电动汽车n通过路径h的行驶时间;
S3.8、判断当前荷电状态SOC是否小于荷电状态阈值SOCth,若是,就近充电,更新当前荷电状态SOC=SOC+ΔSOC,更新充电负荷PC,m=PC,m+P(t:t+Tc),否则,执行步骤S3.9,其中,P(t:t+Tc)为充电Tc时间内的充电负荷;
S3.9、路径h=h+1,判断路径h是否达到路径总段数count,若是,执行步骤S3.10,否则,返回步骤S3.7;
S3.10、判断行驶里程dt是否小于日总行驶里程D,若是,执行步骤S3.11,否则,执行步骤S3.13;
S3.11、判断行驶时刻t是否小于结束时刻Te,若是,执行步骤S3.12,否则,执行步骤S3.13;
S3.12、记录停车时长dt_park,更新行驶时刻t=t+dt_park,将当前停车地点设为起始节点,返回步骤S3.5;
S3.13、结束电动汽车n的行驶行程,并判断当前荷电状态SOC是否达到荷电状态期望值SOC1,若是,保留充电负荷PC,m和当前荷电状态SOC,且荷电状态Capt=SOC,否则,对电动汽车n进行充电至荷电状态最大值SOC2,并更新荷电状态Capt=SOC2和充电负荷PC,m=PC,m+P(t:t+Tc'),其中,P(t:t+Tc')为充电Tc'时间内的充电负荷;
S3.14、判断迭代次数m是否达到最大迭代次数为M,若是,计算电动汽车n的M次充电负荷的平均值执行步骤S3.15,否则,记录迭代次数为m时电动汽车n的充电负荷PC,m,迭代次数m=m+1,返回步骤S3.3;
S3.15、判断电动汽车n是否达到电动汽车总数量N,若是,计算N个电动汽车的充电负荷的平均值完成N辆电动汽车一天的电动汽车充电负荷时空分布的预测,否则,n=n+1,返回步骤S3.2。
为了验证本发明的效果,以某市为例,根据该市电动汽车的目前保有量和新能源汽车发展方案,对其电动汽车发展规模进行估算,合理设置电动汽车的充电行为参数如表1所示,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计算得出电动汽车充电负荷曲线。如图1所示为某区域路网拓扑结构和城市功能区域划分示意图,根据城市区域主要功能和负荷类型将城市划分为居民区、工作区和商业区。假设如图规划区域中电动私家车数量总数为N=13000辆,根据电动私家车特性,其主要往返于居民区和工作区,初始位置集中在在居民区,其初始位置分布如图2所示。
表1电动汽车充电行为参数
通过仿真计算,得到如图4所示的该测试区域的各个节点的日充电负荷分布情况。可以看出节点15、17、19、20的负荷较为集中,这些节点主要对应居民区和商业区的连接枢纽,是电动汽车的主要目的地。
图5为该测试区域的基础负荷及计及电动汽车充电负荷的分布情况。可以看出,在19:00-21:00期间,电动汽车的充电负荷与基础负荷叠加形成负荷高峰,电动汽车充电负荷使得峰值由15.59MW增加到21.81MW,增加了39.89%,电动汽车的充电行为使得出现“峰上加峰”的现象,对线路的安全运行造成不良的影响。
图6给出了工作区、商业区、居民区等各个区域的电动汽车充电负荷需求曲线,可以看出,居民区的充电负荷主要集中在夜间,对于商业区和工作区而言,在日间营业期间和工作时段的充电负荷较高,这一充电负荷分布情况与实际情况较为符合。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种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,其特征在于,其步骤如下:
S1、根据电动汽车充电负荷的影响因素建立影响因素的概率模型;
S2、根据电动汽车的网络拓扑结构以及电动汽车在城市间的出行建立电动汽车出行概率矩阵;
S3、根据步骤S1中的影响因素的概率模型和步骤S2中的电动汽车出行概率矩阵,利用蒙特卡洛方法预测电动汽车一天的电动汽车充电负荷时空分布;
所述利用蒙特卡洛方法预测电动汽车一天的电动汽车充电负荷时空分布的方法为:
S3.1、设置电动汽车总数量为N,最大迭代次数为M,当前电动汽车为n=1,设置电动汽车的荷电状态阈值SOCth,设置荷电状态期望值SOC1,荷电状态最大值SOC2;
S3.2、初始化迭代次数m=1,设置初始荷电状态为Capt;
S3.3、设置充电负荷PC,m=0,利用起止出行时刻概率模型产生电动汽车n的起始时刻Ts和结束时刻Te,利用日行驶里程概率模型产生电动汽车n的日总行驶里程D;
S3.4、设置当前行驶里程dt=0,当前行驶时刻t=Ts;
S3.5、根据每个节点的停车概率产生起始节点,并根据起始节点和电动汽车出行概率矩阵产生电动汽车n的行驶目的地;
S3.6、利用Floyd算法计算电动汽车n的最短路径,并给出路径总段数count;
S3.7、计算电动汽车n通过路径h后的行驶里程dt=dt+Lh,行驶时刻t=t+dth,当前荷电状态SOC,其中,Lh为路径h对应的里程,dth为电动汽车n通过路径h的行驶时间;
S3.8、判断当前荷电状态SOC是否小于荷电状态阈值SOCth,若是,就近充电,更新当前荷电状态SOC=SOC+ΔSOC,更新充电负荷PC,m=PC,m+P(t:t)Tc),否则,执行步骤S3.9,其中,P(t:t)Tc)为充电Tc时间内的充电负荷;
S3.9、路径h=h+1,判断路径h是否达到路径总段数count,若是,执行步骤S3.10,否则,返回步骤S3.7;
S3.10、判断行驶里程dt是否小于日总行驶里程D,若是,执行步骤S3.11,否则,执行步骤S3.13;
S3.11、判断行驶时刻t是否小于结束时刻Te,若是,执行步骤S3.12,否则,执行步骤S3.13;
S3.12、记录停车时长dt_park,更新行驶时刻t=t+dt_park,将当前停车地点设为起始节点,返回步骤S3.5;
S3.13、结束电动汽车n的行驶行程,并判断当前荷电状态SOC是否达到荷电状态期望值SOC1,若是,保留充电负荷PC,m和当前荷电状态SOC,且荷电状态Capt=SOC,否则,对电动汽车n进行充电至荷电状态最大值SOC2,并更新荷电状态Capt=SOC2和充电负荷PC,m=PC,m+P(t:t)Tc'),其中,P(t:t)Tc')为充电Tc'时间内的充电负荷;
S3.14、判断迭代次数m是否达到最大迭代次数为M,若是,计算电动汽车n的M次充电负荷的平均值执行步骤S3.15,否则,记录迭代次数为m时电动汽车n的充电负荷PC,m,迭代次数m=m+1,返回步骤S3.3;
S3.15、判断电动汽车n是否达到电动汽车总数量N,若是,计算N个电动汽车的充电负荷的平均值完成N辆电动汽车一天的电动汽车充电负荷时空分布的预测,否则,n=n+1,返回步骤S3.2。
2.根据权利要求1所述的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,其特征在于,所述影响因素的概率模型包括日行驶里程概率模型、起止出行时刻概率模型、单次停车时长概率模型、充电时长概率模型。
3.根据权利要求2所述的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,其特征在于,所述日行驶里程概率模型为:
其中,s为电动汽车的日行驶里程,f(s)为日行驶里程s的概率函数,μ1为日行驶里程s的均值,σ1为日行驶里程s的标准差。
4.根据权利要求2所述的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,其特征在于,所述起止出行时刻概率模型为:
其中,t为电动汽车的起止出行时刻,f(t)为起止出行时刻t的概率函数,μ2为起止出行时刻t的均值,σ2为起止出行时刻t的标准差。
5.根据权利要求2所述的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,其特征在于,所述充电时长概率模型为:
其中,Tc为电动汽车的充电时长,ESOC为电池期望的充电目标荷电状态;ISOC为电池的起始荷电状态,E为电池容量,Pc为充电功率,η为充电效率。
6.根据权利要求1所述的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,其特征在于,所述步骤S2中电动汽车出行概率矩阵的构建方法为:
S2.1、设置电动汽车的数量,并根据网络拓扑结构中节点的数量计算每个节点的停车概率,采集节点之间线路的车流量;
S2.2、利用TransCAD对步骤S21中的车流量进行处理得到电动汽车出行概率矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013815.9A CN111199320B (zh) | 2020-01-07 | 2020-01-07 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013815.9A CN111199320B (zh) | 2020-01-07 | 2020-01-07 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111199320A CN111199320A (zh) | 2020-05-26 |
CN111199320B true CN111199320B (zh) | 2023-07-28 |
Family
ID=70747086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010013815.9A Active CN111199320B (zh) | 2020-01-07 | 2020-01-07 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199320B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036624B (zh) * | 2020-08-21 | 2022-10-18 | 上海电力大学 | 一种基于区域内电动汽车充电负荷预测的电网调度方法 |
CN112550050B (zh) * | 2020-12-15 | 2022-04-26 | 深圳供电局有限公司 | 一种电动汽车充电方法和系统 |
CN113435663A (zh) * | 2021-07-15 | 2021-09-24 | 国网冀北电力有限公司唐山供电公司 | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 |
CN114049007B (zh) * | 2021-11-15 | 2024-07-12 | 东南大学 | 一种城市电网对电动汽车承载能力的计算方法 |
CN116911461B (zh) * | 2023-07-20 | 2024-08-20 | 东北大学 | 一种电动汽车充电负荷预测方法、系统及预测终端 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062591A (zh) * | 2016-11-05 | 2018-05-22 | 南京理工大学 | 电动汽车充电负荷时空分布预测方法 |
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 |
US10706720B2 (en) * | 2017-09-16 | 2020-07-07 | Tata Consultancy Services Limited | Predicting vehicle travel times by modeling heterogeneous influences between arterial roads |
CN109711630A (zh) * | 2018-12-28 | 2019-05-03 | 郑州大学 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
CN110189025B (zh) * | 2019-05-30 | 2023-10-10 | 国网上海市电力公司 | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 |
-
2020
- 2020-01-07 CN CN202010013815.9A patent/CN111199320B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111199320A (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Jian et al. | Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid | |
CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
CN108573317B (zh) | 一种换电站充放电策略优化控制的方法 | |
CN111311122A (zh) | 面向智慧城市的充电站建设方法 | |
CN108932561B (zh) | 一种考虑非线性充电函数的电动汽车充电路径选择方法 | |
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 | |
CN110429596B (zh) | 计及电动汽车时空分布的配电网可靠性评估方法 | |
CN111915150A (zh) | 一种电动公交系统规划方法 | |
CN114707292B (zh) | 含电动汽车配电网电压稳定性分析方法 | |
Gong et al. | Load modeling method for EV charging stations based on trip chain | |
CN108062591A (zh) | 电动汽车充电负荷时空分布预测方法 | |
CN111382912B (zh) | 一种交通网层能量最优分配策略确定方法及系统 | |
CN111199300A (zh) | 一种“车-路-网”模式下电动汽车充电负荷时空预测方法 | |
CN113067355B (zh) | 提升电网可靠性的电动汽车灵活性挖掘与协同调控方法 | |
CN112928766B (zh) | 一种基于多影响因素的配电网接纳电动汽车能力评估方法 | |
Wan et al. | A prediction method for EV charging load based on fuzzy inference algorithm | |
Hill et al. | Deviations in Markov chain modeled electric vehicle charging patterns from real world data | |
CN109572479A (zh) | 一种城市配电网络中电动汽车快速充电站的优化选址方法 | |
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 | |
CN116542377A (zh) | 一种电动汽车充电站的规划方法 | |
CN113094852B (zh) | 一种电动汽车充电负荷时-空分布计算方法 | |
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 | |
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 | |
CN115600712A (zh) | 一种基于截流选址模型的快充站选址定容方法及系统 |
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 |