CN111784027A - 计及地理信息的城市范围电动汽车充电需求预测方法 - Google Patents

计及地理信息的城市范围电动汽车充电需求预测方法 Download PDF

Info

Publication number
CN111784027A
CN111784027A CN202010498183.XA CN202010498183A CN111784027A CN 111784027 A CN111784027 A CN 111784027A CN 202010498183 A CN202010498183 A CN 202010498183A CN 111784027 A CN111784027 A CN 111784027A
Authority
CN
China
Prior art keywords
trip
charging
travel
electric automobile
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.)
Pending
Application number
CN202010498183.XA
Other languages
English (en)
Inventor
方陈
刘泽宇
王皓靖
张宇
冯冬涵
陆启宇
周云
时珊珊
桂强
魏晓川
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.)
Shanghai Jiaotong University
State Grid Shanghai Electric Power Co Ltd
East China Power Test and Research Institute Co Ltd
Original Assignee
Shanghai Jiaotong University
State Grid Shanghai Electric Power Co Ltd
East China Power Test and Research Institute Co Ltd
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 Shanghai Jiaotong University, State Grid Shanghai Electric Power Co Ltd, East China Power Test and Research Institute Co Ltd filed Critical Shanghai Jiaotong University
Priority to CN202010498183.XA priority Critical patent/CN111784027A/zh
Publication of CN111784027A publication Critical patent/CN111784027A/zh
Pending legal-status Critical Current

Links

Images

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"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B60L53/665—Methods related to measuring, billing or payment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • 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
    • 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
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Mechanical Engineering (AREA)
  • Primary Health Care (AREA)
  • Transportation (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种计及地理信息的城市范围电动汽车充电需求预测方法。基于大规模汽车出行统计数据，提取电动汽车的行驶和充电行为特性，并通过蒙特卡洛模拟的方法对电动汽车的行驶进行模拟，分析城市范围内大规模电动汽车的充电需求特征。本发明提出的充电需求预测方法能够为电网的调度运行提供参考信息，并对电动汽车充电基础设施的运营商的运营策略具有较高的参考价值。

Description

计及地理信息的城市范围电动汽车充电需求预测方法
技术领域
本发明涉及新能源汽车充电负荷预测技术领域，尤其是涉及一种计及地理信息的城市范围电动汽车充电需求预测方法。
背景技术
当前，电动汽车及充电基础设施正在快速发展。由于电动汽车的充电具有较强的随机性，大规模无序充电会给电网运行带来风险。因此，需要对电动汽车充电负荷进行大规模范围内的预测，从而为充电基础设施建设、充电设施运营、电网扩容等提出参考。当前现有的技术中，多限于对路网的建模，因此无法处理广域范围内的电动汽车充电负荷预测；或需要较多的历史数据，在电动汽车的快速发展期缺少可操作性。
申请(专利)号:CN201911075075.5名称:充电站负荷预测方法、装置、计算机设备和存储介质公开了一种上述充电站负荷预测方法、装置、计算机设备和存储介质，根据历史数据分析出每天的到站充电电动汽车数量比例关系，进而再预估出当天到站充电的电动汽车总量，根据电动汽车到站时刻的概率分布函数，细化预测每个小时到站充电电动汽车数量，根据电动汽车每日行驶里程的概率分布函数，预估每台电动汽车到站的剩余荷电状态，再根据上述两组数据，预测充电站每小时的充电负荷数据。在上述处理过程，基于历史数据采用概率分布函数的方式准确预测出每小时到站充电电动汽车数量以及对应的剩余荷电状态，可以准确预测出充电站每小时的充电负荷数据。但是，其负荷预测是针对单个的充电站进行的，对充电站充电负荷的预测主要依赖于充电站运行过程中的历史数据(包括车辆历史到站数量、类型比例、到站时刻等)、电动汽车行驶里程分布函数。
申请(专利)号:CN201611046903.9名称:一种计及电动出租车时空随机特性的充电负荷的计算方法，公开了一种计及电动出租车时空随机特性的充电负荷的计算方法,具体包括如下步骤：(1)通过对城市交通路网进行网格划分,确定该城市内国家电网公司所运营的座充/换电站在网格中的位置；(2)根据步骤(1)划分的网格化的交通路网,基于蒙特卡洛模拟分别构建电动出租车的行驶模型、电动出租车的行驶目的地与路径选择模型、电动出租车的充/换电行为模型以及充/换电站充电负荷计算模型；(3)将步骤(2)建立的模型在步骤(1)划分的城市交通路网中进行基于蒙特卡洛抽样的EV时空行为模拟，获得一天中各充/换电站的EV充电负荷。本发明考虑了电动出租车的时空随机特性因素，使得计算结果更贴近实际情况。该在先技术单纯考虑电动出租车，且将地理坐标网格化，精细程度较为粗糙。
基于动态交通信息的电动汽车充电负荷时空分布预测[J].电力系统保护与控制,2020,48(01):117-125.李晓辉,李磊,刘伟东,赵新,谢秦，主要考虑路网模型，但其所能够处理的范围很小，仅仅是一个简单的虚拟路网案例。对电动汽车的行驶路径采用Dijkstra算法进行模拟选择，因此所需要的时间长，且无法处理过于复杂的路网。
本发明要解决的技术问题体现在以下几点。
1.为了对大规模范围(如整个城市或市内某行政区划的范围)充电设施完善程度与服务能力、电网承载能力等问题进行研究，因此需要对大规模范围内的电动汽车充电负荷进行预测的方法。
2.由于电动汽车产业正在发展期，没有过多历史数据等经验，且由于发展迅速，历史数据的适用性有限。因此需要研究对历史数据依赖较少的充电负荷预测方法，实现广域范围的电动汽车负荷预测。
发明内容
本发明的目的在于克服上述现有技术中的缺陷，提供一种计及地理信息的城市范围电动汽车充电需求预测方法。
本发明的技术解决方案如下：
步骤1：基于大规模汽车出行统计数据(例如：2017年全美家庭出行调查(NHTS)统计数据)进行分析，获取电动汽车汽车出行的特征。
其中，步骤1包括如下步骤：
步骤1.1：读取当前出行记录的数据。
步骤1.2：将出行链中的各个地点按照目的类型分为五类：住宅(H)、工作(W)、购物与杂务(SE)、社交与休闲(SR)和其他(O)，并根据各个地点的组合关系将出行链分为H-W-H,H-SE-H,H-SR-H,H-O-H四类简单链，以及H-W-SE-H,H-W-SR-H,H-W-O-H,H-SE-W-H,H-SE-SR-H,H-SE-O-H,H-SR-W-H,H-SR-SE-H,H-SR-O-H,H-O-W-H,H-O-SE-H,H-O-SR-H十二类复杂链；
当所读取的出行记录形成了一条闭合的出行链时，根据每条记录中的出行目的，找到当前出行链对应的出行链类型，将这条出行链中每一段行程的行程开始和结束的时刻、路程长度等数据添加到对应的出行链类型的数据集中；
步骤1.3：将数据集中各类行程链的每次行程的数据视为对同一事件的多次测量，采用核密度估计的方法对上述数据集进行概率密度函数的拟合。
步骤1.4：通过上述步骤处理，获得以下与电动汽车行程链相关的概率统计结果：
(1)每一类型的出行链的开始/结束时间分布、出行时间分布、出行距离分布、平均速度分布；
(2)所有类型的出行链在每一个站的中途停留时间的分布；
(3)每一种出行链的比例。
步骤2：基于步骤1中得到的电动汽车出行特征和地理信息，通过蒙特卡洛模拟的方法对城市范围内大批量的电动汽车出行行为进行模拟，将这些电动汽车的充电负荷叠加起来，得到各个时段全市(或部分行政区划)范围内各个地点(POI,point of interest)的充电负荷。
其中，步骤2包含以下步骤：
步骤2.1：筛选地理信息中的住宅点，为各个住宅点分配模拟的电动汽车的数量。根据电动汽车车主调查统计数据，得到拥有私有桩的车主比例。
步骤2.2：对于每辆模拟的电动汽车，按照统计数据中各类出行链的比例，随机抽取本次出行的出行链类型(出行目的)。如果用户拥有私有充电桩，则初始电池荷电状态(state of charge,SOC)设置为1，如果用户没有私有桩，则在[0.5，1]中设置一个随机值。
步骤2.3：按照对应出行链类型，抽样获取此出行链的第一段行程的结束时刻。
步骤2.4：根据步骤1中得到的电动汽车出行特征中当前出行链类型的第一段行程的路程长度和平均速度的随机分布，抽样获取该电动汽车的第一段行程的路程长度和平均速度。据此可以得到第一段行程的耗时。
步骤2.5：根据步骤2.4中得到的第一段行程的路程长度，在地理信息列表中选取目标点(即出行链中的第一个到达地点)。其特征在于，在所有可能的目标点中，从电动汽车所在的住宅点行驶到所选取的目标点是最接近抽样得到的第一段行程的路程长度的。如果所选目标点表示的是工作地点，则在该电动汽车以后的模拟中保持工作地点不变。
步骤2.6：根据步骤1中得到的电动汽车出行特征中当前出行链类型的中间停留点的停留时间的随机分布，抽样获取该电动汽车出行链的中间停留点的停留时间。当电动汽车到达中途停留点时，如果剩余电量不足以使得下一段行程结束时仍有一定的安全裕量s(例如下一段行程结束后剩余20％以上的电量)，则设定为在此中途停留点需要充电。即，判断在某地需要充电的条件为：
SOCn-uln/C≤s (2)
其中，SOCn是电动汽车在出行链中到达第n个地点时的电池荷电状态，u是单位里程的耗电量，ln是第n段行程的路程，C是电池容量，s是安全裕量，根据一般的行驶习惯，通常取s∈[0.05,0.3]。
该电动汽车在第n个地点的电池荷电状态可以由下式计算：
SOCn＝SOCn-1-uln-1/C (3)
当电动汽车在某个地点充电时，将电动汽车在充电过程中的充电功率叠加到该地点的充电负荷中。充电时间Tcharge,n是电动汽车在此地的停留时间Tstay和充满所需充电时间之间的最小值。
Tcharge,n＝min{Tstay,(1-SOCn)·C/p} (4)
其中p是充电功率。
步骤2.7：如果该电动汽车的行程尚未结束，则重复步骤2.4、步骤2.5、步骤2.6，直至该电动汽车的行程全部模拟完。最终，将回到住宅点后的充电功率叠加到该住宅点的充电负荷曲线上。
步骤2.8：对于每一辆电动汽车，重复步骤2.2-2.7完成其出行模拟，获得所有地点的全天充电负荷预测值。
步骤3：根据步骤2中获得的所有地点的全天充电负荷预测值，用核密度估计方法进行平滑，对充电负荷进行热力分析，获得对应范围内的充电负荷需求的预测结果。
与现有技术相比，本发明的有益效果是：
1)可以对大规模电动汽车群在广域范围内的充电负荷进行预测，其结果对充电设施建设、运营和电网运行均具有较高的参考价值。
2)由于弱化了交通信息中的路网模型，使得负荷预测中的模拟复杂度大大下降，使得大规模模拟具有可操作性。
3)由于该预测方法无需大量历史数据，因此对于正在发展阶段的电动汽车及充电设施建设而言更具有可实践性。
附图说明
图1是现有出行链类型图
图2是本发明计及地理信息的城市范围电动汽车充电需求预测方法预测方法流程图
图3是蒙特卡洛模拟流程图
图4经核密度估计方法拟合的电动汽车出行特性(以行程1结束时刻的概率密度函数为例)
图5充电负荷热力分析结果示意图(以上海市黄浦区为例)
具体实施方式
下面结合附图及具体实施例对本发明方案进行进一步的详细说明，但不应以此限制本发明的保护范围。
S1、对大规模电动汽车出行统计数据进行分析，得到电动汽车出行特性，其中包含各类出行链的比例、每段行程的长度、平均速度、结束时刻等各类参数。由于这些参数都是具有随机性的，因此用概率密度函数来描述其特征。图4是以行程1结束时刻的概率密度函数为例，展示所得到的出行特性的概率密度函数的示例。
S2、以上海市为例，根据图3所表述的蒙特卡洛模拟方法对大规模电动汽车的行驶情况进行模拟，并计算充电负荷。
S21、为每个住宅点分配100辆电动汽车，设拥有私有桩的比例为0.5。
S22、对于每辆模拟的电动汽车，按照统计数据中各类出行链的比例，随机抽取本次出行的出行链类型。如果用户拥有私有充电桩，则初始电池荷电状态设置为1，如果用户没有私有桩，则在[0.5，1]中设置一个随机值。
S23、按照对应出行链类型，抽样获取此出行链的第一段行程的结束时刻。
S24、抽样获取该电动汽车的第一段行程的路程长度和平均速度。据此可以得到第一段行程的耗时。
S25、根据S24中得到的第一段行程的路程长度，在地理信息列表中选取目标点。如果所选目标点表示的是工作地点，则在该电动汽车以后的模拟中保持工作地点不变。
S26、抽样获取该电动汽车出行链的中间停留点的停留时间。当电动汽车到达中途停留点时，如果剩余电量不足以使得下一段行程结束时仍有剩余20％以上的安全电量，则设定为在此中途停留点需要充电。如果需要充电，则将电动汽车在充电过程中的充电功率添加到该地点的充电负荷中。充电时间是电动汽车在此地的停留时间和充满所需充电时间之间的最小值。
S27、如果该电动汽车的行程尚未结束，则重复S24、S25、S26，直至该电动汽车的行程全部模拟完。最终，将回到住宅点后的充电功率叠加到该住宅点的充电负荷曲线上。
S28、对于每一辆电动汽车，重复S22-S27完成其出行模拟，获得所有地点的全天充电负荷预测值。
S3、基于S2中获得的所有地点的充电负荷，可以获得上海市范围内的充电负荷总量的预测结果。此外，可以用核密度估计方法进行平滑，对充电负荷进行热力分析，把握充电负荷的热力特征。其中，根据本方法得到的上海市黄浦区的充电负荷热力图如图5所示。

Claims (4)

1.一种计及地理信息的城市范围电动汽车充电需求预测方法，其特征在于，该方法包括如下步骤：
步骤1：根据大规模汽车出行统计数据进行分析，获取电动汽车出行特征，包含各类出行链的比例、每段行程的长度、平均速度和结束时刻；
步骤2：通过蒙特卡洛模拟法，结合电动汽车出行特征和地理信息，对电动汽车出行行为进行模拟，得到一定时段一定范围内各地点的充电负荷；
步骤3：根据步骤2中获得的所有地点的充电负荷，获得对应范围内的充电负荷需求的预测结果。
2.根据权利要求1所述的计及地理信息的城市范围电动汽车充电需求预测方法，其特征在于，所述步骤1获取电动汽车汽车出行的特征，具体包括如下步骤：
步骤1.1：读取当前出行记录的数据，包含该次出行的目的、行程开始和结束的时刻、路程长度；
步骤1.2：将出行链中的各个地点按照目的类型分为五类：住宅(H)、工作(W)、购物与杂务(SE)、社交与休闲(SR)和其他(O)，并根据各个地点的组合关系将出行链分为H-W-H,H-SE-H,H-SR-H,H-O-H四类简单链，以及H-W-SE-H,H-W-SR-H,H-W-O-H,H-SE-W-H,H-SE-SR-H,H-SE-O-H,H-SR-W-H,H-SR-SE-H,H-SR-O-H,H-O-W-H,H-O-SE-H,H-O-SR-H十二类复杂链；
当所读取的出行记录形成了一条闭合的出行链时，根据每条记录中的出行目的，找到当前出行链对应的出行链类型，将这条出行链中每一段行程的行程开始和结束的时刻、路程长度等数据添加到对应的出行链类型的数据集中；
步骤1.3：将数据集中各类行程链的每次行程的数据视为对同一事件的多次测量，采用核密度估计方法对上述数据集进行概率密度函数的拟合，获得与电动汽车行程链相关的概率统计结果，包括(1)每一类型的出行链的开始/结束时间分布、出行时间分布、出行距离分布、平均速度分布；(2)所有类型的出行链在每一个站的中途停留时间的分布；(3)每一种出行链的比例。
3.根据权利要求1所述的计及地理信息的城市范围电动汽车充电需求预测方法，其特征在于，所述步骤2包含以下步骤：
步骤2.1：筛选地理信息中的住宅点，为各个住宅点分配模拟的电动汽车的数量，根据电动汽车车主调查统计数据，得到拥有私有桩的车主比例；
步骤2.2：对于每辆模拟的电动汽车，按照统计数据中各类出行链的比例，随机抽取本次出行的出行链类型：如果用户拥有私有充电桩，则初始电池荷电状态设置为1，如果用户没有私有桩，则在[0.5，1]中设置一个随机值；
步骤2.3：按照对应出行链类型，抽样获取此出行链的第一段行程的结束时刻；
步骤2.4：根据步骤1中得到的电动汽车出行特征中当前出行链类型的第一段行程的路程长度和平均速度的随机分布，抽样获取该电动汽车的第一段行程的路程长度和平均速度，得到第一段行程的耗时；
步骤2.5：根据步骤2.4中得到的第一段行程的路程长度，在地理信息列表中选取目标点(即出行链中的第一个到达地点)，在所有可能的目标点中，从电动汽车所在的住宅点行驶到所选取的目标点是最接近抽样得到的第一段行程的路程长度的，如果所选目标点表示的是工作地点，则在该电动汽车以后的模拟中保持工作地点不变；
步骤2.6：根据步骤1中得到的电动汽车出行特征中当前出行链类型的中间停留点的停留时间的随机分布，抽样获取该电动汽车出行链的中间停留点的停留时间，当电动汽车到达中途停留点时，如果剩余电量不足以使得下一段行程结束时仍有一定的安全裕量s，则设定为在此中途停留点需要充电；即，判断在某地需要充电的条件为：
SOCn-uln/C≤s (2)
其中，SOCn是电动汽车在出行链中到达第n个地点时的电池荷电状态，u是单位里程的耗电量，ln是第n段行程的路程，C是电池容量，s是安全裕量，根据一般的行驶习惯，取s∈[0.05,0.3]；
该电动汽车在第n个地点的电池荷电状态由下式计算：
SOCn＝SOCn-1-uln-1/C (3)
当电动汽车在某个地点充电时，将电动汽车在充电过程中的充电功率叠加到该地点的充电负荷中，充电时间Tcharge,n是电动汽车在此地的停留时间Tstay和充满所需充电时间之间的最小值；
Tcharge,n＝min{Tstay,(1-SOCn)·C/p} (4)
其中p是充电功率；
步骤2.7：如果该电动汽车的行程尚未结束，则重复步骤2.4、步骤2.5、步骤2.6，直至该电动汽车的行程全部模拟完；最终，将回到住宅点后的充电功率叠加到该住宅点的充电负荷曲线上；
步骤2.8：对于每一辆电动汽车，重复步骤2.2-2.7完成其出行模拟，获得所有地点的全天充电负荷预测值。
4.根据权利要求1所述的计及地理信息的城市范围电动汽车充电需求预测方法，其特征在于，所述的地理信息包含城市全部POI,point of interest信息的列表。
CN202010498183.XA 2020-06-04 2020-06-04 计及地理信息的城市范围电动汽车充电需求预测方法 Pending CN111784027A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010498183.XA CN111784027A (zh) 2020-06-04 2020-06-04 计及地理信息的城市范围电动汽车充电需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010498183.XA CN111784027A (zh) 2020-06-04 2020-06-04 计及地理信息的城市范围电动汽车充电需求预测方法

Publications (1)

Publication Number Publication Date
CN111784027A true CN111784027A (zh) 2020-10-16

Family

ID=72753335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010498183.XA Pending CN111784027A (zh) 2020-06-04 2020-06-04 计及地理信息的城市范围电动汽车充电需求预测方法

Country Status (1)

Country Link
CN (1) CN111784027A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435053A (zh) * 2020-11-13 2021-03-02 睿驰电装(大连)电动系统有限公司 电动汽车充电行为的预测方法、装置和电子设备
CN113268709A (zh) * 2021-04-21 2021-08-17 国网天津市电力公司 基于智能体仿真的城市电动汽车充电需求预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140304025A1 (en) * 2011-10-28 2014-10-09 Viridity Energy, Inc. Managing energy assets associated with transport operations
CN108288112A (zh) * 2018-01-30 2018-07-17 广西电网有限责任公司柳州供电局 基于用户出行模拟的区域电动汽车充电站负荷预测方法
CN111211564A (zh) * 2020-01-17 2020-05-29 南京东博智慧能源研究院有限公司 一种考虑电动汽车充电负荷时空分布的需求响应方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140304025A1 (en) * 2011-10-28 2014-10-09 Viridity Energy, Inc. Managing energy assets associated with transport operations
CN108288112A (zh) * 2018-01-30 2018-07-17 广西电网有限责任公司柳州供电局 基于用户出行模拟的区域电动汽车充电站负荷预测方法
CN111211564A (zh) * 2020-01-17 2020-05-29 南京东博智慧能源研究院有限公司 一种考虑电动汽车充电负荷时空分布的需求响应方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
周凌锋;王杰;: "基于时空分布负荷预测的电动汽车充电优化", 现代电力, no. 05 *
张宇威;杨军;吴赋章;詹祥澎;龙雪梅;张俊;徐箭;: "基于电网-交通网耦合的充电站故障传播分析框架", 电力建设, no. 01 *
温剑锋;陶顺;肖湘宁;骆晨;廖坤玉;: "基于出行链随机模拟的电动汽车充电需求分析", 电网技术, no. 06 *
陈丽丹;聂涌泉;钟庆;: "基于出行链的电动汽车充电负荷预测模型", 电工技术学报, no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435053A (zh) * 2020-11-13 2021-03-02 睿驰电装(大连)电动系统有限公司 电动汽车充电行为的预测方法、装置和电子设备
CN113268709A (zh) * 2021-04-21 2021-08-17 国网天津市电力公司 基于智能体仿真的城市电动汽车充电需求预测方法及系统

Similar Documents

Publication Publication Date Title
Bi et al. Estimating remaining driving range of battery electric vehicles based on real-world data: A case study of Beijing, China
Ji et al. Trip energy consumption estimation for electric buses
Zhang et al. Driving cycles construction for electric vehicles considering road environment: A case study in Beijing
Wang et al. Modeling of plug-in electric vehicle travel patterns and charging load based on trip chain generation
Padmarajan et al. Blended rule-based energy management for PHEV: System structure and strategy
Yi et al. Data-driven optimal charging decision making for connected and automated electric vehicles: A personal usage scenario
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
CN103745111B (zh) 纯电动乘用车续驶里程预测方法
CN103745110B (zh) 纯电动公交车营运续驶里程估算方法
CN111400662B (zh) 一种考虑电动汽车充电需求的空间负荷预测方法
Li et al. The effects of dynamic traffic conditions, route characteristics and environmental conditions on trip-based electricity consumption prediction of electric bus
Yi et al. Effects of environmental factors on electric vehicle energy consumption: a sensitivity analysis
Bi et al. Residual range estimation for battery electric vehicle based on radial basis function neural network
Kim et al. Idle vehicle relocation strategy through deep learning for shared autonomous electric vehicle system optimization
Fraile-Ardanuy et al. Using mobility information to perform a feasibility study and the evaluation of spatio-temporal energy demanded by an electric taxi fleet
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
CN114048920A (zh) 充电设施建设的选址布局方法、装置、设备及存储介质
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
Abdelaty et al. A framework for BEB energy prediction using low-resolution open-source data-driven model
Pan et al. Development of an energy consumption prediction model for battery electric vehicles in real-world driving: A combined approach of short-trip segment division and deep learning
Miao et al. Highly Automated Electric Vehicle (HAEV)-based mobility-on-demand system modeling and optimization framework in restricted geographical areas
NaitMalek et al. On the use of machine learning for state-of-charge forecasting in electric vehicles
CN114498632A (zh) 基于新能源和充电设施的配电台区负荷预测方法及装置
CN109919393A (zh) 一种电动出租汽车的充电负荷预测方法
Zhao et al. Path-forecasting for HEV optimal energy management (POEM)

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201016