CN111815017A - 一种基于出行数据的电动汽车充电负荷预测方法 - Google Patents

一种基于出行数据的电动汽车充电负荷预测方法 Download PDF

Info

Publication number
CN111815017A
CN111815017A CN202010472973.0A CN202010472973A CN111815017A CN 111815017 A CN111815017 A CN 111815017A CN 202010472973 A CN202010472973 A CN 202010472973A CN 111815017 A CN111815017 A CN 111815017A
Authority
CN
China
Prior art keywords
vehicle
charging
travel
data
node
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
CN202010472973.0A
Other languages
English (en)
Other versions
CN111815017B (zh
Inventor
李雪亮
孙东磊
李文升
赵龙
刘晓明
曹相阳
牟颖
刘冬
韩学山
张利
丁肇豪
郭今冉
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.)
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Shandong Electric Power 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 State Grid Corp of China SGCC, Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010472973.0A priority Critical patent/CN111815017B/zh
Publication of CN111815017A publication Critical patent/CN111815017A/zh
Application granted granted Critical
Publication of CN111815017B publication Critical patent/CN111815017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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"
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供了一种基于出行数据的电动汽车充电负荷预测方法，包括获取车辆出行的历史数据；对历史数据进行预处理，得到有效数据集；将研究范围划分为若干出行区域；采用随机抽样法确定车辆的出行规律；采用Dijkstra最短路径算法建立路径选择模型，确定车辆的出行路线；区分车辆类型，并划分不同类车辆的充电模式和充电特性；根据不同类车辆的特性，建立车辆充电负荷预测模型，利用该预测模型得到该区域电动汽车充电负荷曲线。本发明采用实际出行的数据分析车辆的出行规律和分布情况。与模拟数据相比，能更好地反映真实出行情况和出行需求，同时避免了数据冗余，提出的充电负荷预测模型能准确预测未来负荷。

Description

一种基于出行数据的电动汽车充电负荷预测方法
技术领域
本发明涉及电气工程技术领域，尤其是一种基于出行数据的电动汽车充电负荷预测方法。
背景技术
随着能源行业的发展和环境污染问题的日益严峻，电动汽车作为一种新型交通工具，在减少二氧化碳排放和缓解能源危机方面具有巨大优势，受到了各国政府和学者的关注。根据国务院印发的《节能与新能源汽车产业发展规划》，纯电动汽车和插电式混合动力汽车累计产销量到2020年将超过500万辆。然而，电动汽车的大规模普及将对电力系统运行带来重大影响，同时加剧负荷的峰谷差，增加电网运行优化控制的难度。因此，预测充电需求的时空分布，定量分析电动汽车对电网的影响，将为研究电动汽车控制策略模型和促进电力系统安全稳定运行提供重要参考。
专利号为CN201910725799.3的中国专利“一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法”，提出了一种电动汽车充电负荷曲线的预测方法，该方法考虑了不同的车辆类型对充电模式的影响，并利用蒙特卡洛法确定车辆参数，采用深度学习的方法对历史负荷曲线进行学习和预测。但其车辆特征的建立主要根据经验进行假设，并没有基于现实数据进行分析。
发明内容
本发明提供了一种基于出行数据的电动汽车充电负荷预测方法，用于解决现有负荷预测不够准确的问题。
为实现上述目的，本发明采用下述技术方案：
本发明第一方面提供了一种基于出行数据的电动汽车充电负荷预测方法，所述方法包括以下步骤：
获取车辆出行的历史数据，所述历史数据包括车辆的出行时间、出行位置和行程耗时；
对所述历史数据进行预处理，得到有效数据集；
将研究范围划分为若干出行区域；
采用随机抽样法确定车辆的出行规律；
采用Dijkstra最短路径算法建立路径选择模型，确定车辆的出行路线；
区分车辆类型，并划分不同类车辆的充电模式和充电特性；
根据不同类车辆的特性，建立车辆充电负荷预测模型，利用该预测模型得到该区域电动汽车充电负荷曲线。
进一步地，所述对历史数据进行预处理包括：
删除原始数据中的无效数据；
根据研究范围，选择起止位置在该研究范围内的出行数据；
删除出行时间小于设定时间阈值的出行数据；
将原始数据建立日数据模块，根据日期类型的差异对出行数据进行分别存储。
进一步地，采用蒙特卡洛随机抽样法确定车辆出行规律，具体过程为：
根据所述历史数据，得到车辆出行的起止时间和起止点位置信息；
根据所述起止点位置的经纬度判断起止点所在的区域，建立车辆出发数据集和到达数据集；
利用蒙特卡洛随机抽样法，从所述出发数据集和到达数据集中得到每个车辆的出行规律。
进一步地，采用Dijkstra最短路径算法建立路径选择模型，确定车辆的出行路线的具体过程为：
a.确定初始节点、目标节点、未访问节点集合和已访问节点集合，为每个节点分配一个初始距离，设初始节点为当前节点；
b.计算未访问节点集合中所有未访问的相邻节点与当前节点的距离，比较计算的距离值与所述初始距离的大小，得到最小距离值；
c.将当前节点归入已访问节点集合，并将其从未访问节点集合中移除；
d.判断目标节点是否属于已访问节点集合，若是，则算法完成；
e.若否，选择所述最小距离值对应的未访问节点，并将其设为当前节点，返回步骤b。
进一步地，所述车辆类型包括私家车、出租车和公务车。
进一步地，所述建立车辆充电负荷预测模型的具体过程为：
设车辆出行时负荷状态随行驶距离的变化为
Figure BDA0002514930450000031
式中，
Figure BDA0002514930450000032
为车辆x在到达目的地时的荷电状态，
Figure BDA0002514930450000033
为车辆在出发时的荷电状态，Dx为车辆x行驶的距离，w每千米消耗的电能，Cx为车辆的电池容量；
车辆行驶过程中的充电约束条件为
Figure BDA0002514930450000034
式中，λm为不同车辆类型的里程焦虑系数；
车辆在不满足上述充电约束条件时，充电模型为
Figure BDA0002514930450000035
Figure BDA0002514930450000036
Figure BDA0002514930450000037
式中，
Figure BDA0002514930450000038
为车辆x在出发地iO快速充电所花费的时间，
Figure BDA0002514930450000039
为车辆x在出发地iO慢速充电所花费的时间，ηC为车辆的充电效率；Pfast为车辆的快充功率，Pslow为车辆的慢充功率，P为私家车的集合，T为出租车的集合，V为公务车的集合。
进一步地，所述车辆充电负荷预测模型还包括：
车辆在到达目的地的充电约束条件为
Figure BDA0002514930450000041
式中，SOCmin为车辆最小荷电状态；
车辆在不满足上述约束条件时，充电模型为
Figure BDA0002514930450000042
Figure BDA0002514930450000043
式中，SOCmax为车辆最大荷电状态；
Figure BDA0002514930450000044
为车辆x在到达地iD快速充电所花费的时间；
Figure BDA0002514930450000045
为车辆x在到达地iD慢速充电所花费的时间。
进一步地，所述充电负荷曲线为：
Figure BDA0002514930450000046
式中，Pi(t)为区域i在t时刻的充电功率。
Figure BDA0002514930450000047
表示时刻t电动汽车x在区域i是否选择快速充电方式，其在是的时候取值为1；
Figure BDA0002514930450000048
表示时刻t电动汽车x在区域i是否选择慢速充电方式，其在是的时候取值为1。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明采用滴滴出行的数据分析车辆的出行规律和分布情况。与模拟数据相比，能更好地反映真实出行情况和出行需求，同时避免了数据冗余；本发明考虑出行过程中的出发位置、目的地位置和出行时间信息，结合路线选择方法，利用历史数据分析得到符合实际情况的出行规律，提出的充电负荷预测模型能准确预测未来负荷。
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，对于本领域普通技术人员而言，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是本发明所述方法的流程示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示，本发明于出行数据的电动汽车充电负荷预测方法，方法包括以下步骤：
S1,获取车辆出行的历史数据，所述历史数据包括车辆的出行时间、出行位置和行程耗时；
S2,对所述历史数据进行预处理，得到有效数据集；
S3,将研究范围划分为若干出行区域；
S4采用随机抽样法确定车辆的出行规律；
S5,采用Dijkstra最短路径算法建立路径选择模型，确定车辆的出行路线；
S6,区分车辆类型，并划分不同类车辆的充电模式和充电特性；
S7,根据不同类车辆的特性，建立车辆充电负荷预测模型，利用该预测模型得到该区域电动汽车充电负荷曲线。
步骤S1中，历史数据可通过滴滴出行“盖亚”数据开放计划获取，包括每个订单的起止时间。起止点经纬度等信息。
步骤S2中，对历史数据进行预处理包括：
删除原始数据中的无效数据；
根据研究范围，选择起止位置在该研究范围内的出行数据；
删除出行时间小数设定时间阈值的出行数据；
将原始数据建立日数据模块，根据日期类型的差异对出行数据进行分别存储。分为工作日和周末。此后对车辆出行规律的预测也分为工作日和周末两类情况处理。
步骤S3中，由于原始出行位置较为离散，不易进行大规模的计算和应用，因此考虑将出行位置划分为几个范围适度的区域，并在划分的区域维度进行以下分析。划分区域时应注意区域的范围不能过小，防止每个区域的出行数量过少，导致无效数据冗杂和计算量过大。但也要防止区域范围过大，导致区域之间的出行路线和时间难以统计。划分区域划分好的区域编号方式如下所示。
Figure BDA0002514930450000061
式中，R(I)为区域网格的集合；R(i)表示每个区域具体位置，即所在区域经纬度的范围；i为每个区域的编号；I为区域网格的总个数。
步骤S4中，利用历史数据，对车辆的起始时间和起始点位置进行统计，从而得到车辆的出行规律。每个车辆订单的起止时间和起始点位置的统计结果可以由如下集合表示：
Figure BDA0002514930450000062
式中，n为订单序号，N为订单总个数，
Figure BDA0002514930450000063
分别表示第n个订单的起点纬度、起点经度、终点纬度、终点经度和出发时间和到达时间。
根据订单起止位置的经纬度判断其起止点所在的区域，并建立车辆出发数据集和到达数据集，具体如下所示：
Figure BDA0002514930450000064
Figure BDA0002514930450000071
式中，O为订单出发信息集合，D为订单到达信息的集合,
Figure BDA0002514930450000072
为第n个订单的出发位置所在区域,
Figure BDA0002514930450000073
为第n个订单的到达位置所在区域；
根据对历史出行信息的统计，得到车辆出行的历史规律，再利用蒙特卡洛随机抽样法，从出发数据集和到达数据集中为每个车辆分配其出行信息，如下所示：
Figure BDA0002514930450000074
Figure BDA0002514930450000075
式中，Ox为车辆x出发信息，Dx为车辆x到达信息，
Figure BDA0002514930450000076
为车辆x出发位置所在区域，
Figure BDA0002514930450000077
为车辆x到达位置所在区域，
Figure BDA0002514930450000078
为车辆x出发时间，
Figure BDA0002514930450000079
为车辆x到达时间。
步骤S5中，采用图论的方法对交通网络进行建模，交通网络的模型包含区域和区域之间的距离，采用矩阵的方式对其进行描述。交通网络矩阵如下所示：
Figure BDA00025149304500000710
式中，dij为区域i与区域j之间的路程距离，其中当两个区域之间不相邻或是没有直接的道路时，两者之间的距离设为无穷大。
从原点到终点的行程可以看作是从一个区域节点到另一个区域节点。然而，在两个区域网格之间通常有多个路径。为了减少出行距离，采用Dijkstra最短路径算法建立路径选择模型，确定车辆的出行路线，其具体过程为：
a.确定初始节点、目标节点、未访问节点集合和已访问节点集合，为每个节点分配一个初始距离，设初始节点为当前节点；
b.计算未访问节点集合中所有未访问的相邻节点与当前节点的距离，比较计算的距离值与所述初始距离的大小，得到最小距离值；
c.将当前节点归入已访问节点集合，并将其从未访问节点集合中移除；
d.判断目标节点是否属于已访问节点集合，若是，则算法完成；
e.若否，选择所述最小距离值对应的未访问节点，并将其设为当前节点，返回步骤b。
步骤S6中，根据充电速率，将充电模式分为快速充电模式和慢速充电模式；根据出行特征将车辆进行分类，包括私家车、出租车和公务车三种。
私家车:在工作日，该种车辆主要用于工作和通勤，出行时间有很强的规律性，多集中于早晚高峰时期，且车辆在到达目的地后，有较长时间进行充电。在双休日，该类车辆多用于私人出游，出行时间不太固定。
出租车:根据电动出租车的商业特性，其出行时间较为离散，出行路线比较灵活，且由于其商业需求，该类车辆需尽快完成充电行为。
公务车:根据其社会需求，该类车辆的起始点相对固定，并且提前规划其出行路线。此外，该类车辆到达目的地时具有较多时间进行充电，可采用慢充模式。
步骤S7中，根据不同类车辆的特性，建立车辆充电负荷预测模型。
根据电池容量的统计数据，车辆初始荷电状态服从正态分布，如下所示：
Figure BDA0002514930450000081
其中，
Figure BDA0002514930450000082
为车辆x的初始荷电状态；X为所有车辆的集合；μ为正态分布的平均值；σ为正态分布的标准差。
此外，假设车辆出行时荷电状态随行驶距离的变化如下所示：
Figure BDA0002514930450000083
式中，
Figure BDA0002514930450000084
为车辆x在到达目的地时的荷电状态，
Figure BDA0002514930450000085
为车辆在出发时的荷电状态，Dx为车辆x行驶的距离，w每千米消耗的电能，Cx为车辆的电池容量。
根据车辆荷电状态判断何时进行充电行为。由于社会经济属性的不同，不同类型的电动汽车可以选择不同的充电方式。对于所有类型的电动汽车，电池容量需确保车辆可以完成整个行程。因此，如果行程开始时车辆荷电状态不能满足交通需求，将触发充电设置，数学公式如下所示：
Figure BDA0002514930450000091
式中，λm为不同车辆类型的里程焦虑系数。
若车辆此时的状态不满足上式的约束条件，私家车和出租车会立即选择就近的充电站在快速充电模式下充电，而公务车则将选择在慢速充电模式下充电，直至电量满足接下来的出行需求或是充满电。具体如下所示：
Figure BDA0002514930450000092
Figure BDA0002514930450000093
Figure BDA0002514930450000094
式中，
Figure BDA0002514930450000095
为车辆x在出发地iO快速充电所花费的时间，
Figure BDA0002514930450000096
为车辆x在出发地iO慢速充电所花费的时间，ηC为车辆的充电效率；Pfast为车辆的快充功率，Pslow为车辆的慢充功率，P为私家车的集合，T为出租车的集合，V为公务车的集合。
当电动汽车到达终点时，车辆荷电状态下降到某个阈值，电动汽车将选择在目的地充电，相关约束如下：
Figure BDA0002514930450000097
式中，SOCmin为车辆最小荷电状态。
若车辆此时的状态不满足上式，私家车和公务车会立即选择就近的充电站在慢速充电模式下充满电，而出租车则将选择在快速充电模式下充电。具体如下所示：
Figure BDA0002514930450000098
Figure BDA0002514930450000101
式中，SOCmax为车辆最大荷电状态；
Figure BDA0002514930450000102
为车辆x在到达地iD快速充电所花费的时间；
Figure BDA0002514930450000103
为车辆x在到达地iD慢速充电所花费的时间。
利用充电负荷预测模型得到该区域电动汽车充电负荷曲线，各区域电网的总充电负荷的表达式为：
Figure BDA0002514930450000104
式中，Pi(t)为区域i在t时刻的充电功率。
Figure BDA0002514930450000105
表示时刻t电动汽车x在区域i是否选择快速充电方式，其在是的时候取值为1；
Figure BDA0002514930450000106
表示时刻t电动汽车x在区域i是否选择慢速充电方式，其在是的时候取值为1。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种基于出行数据的电动汽车充电负荷预测方法，其特征是，所述方法包括以下步骤：
获取车辆出行的历史数据，所述历史数据包括车辆的出行时间、出行位置和行程耗时；
对所述历史数据进行预处理，得到有效数据集；
将研究范围划分为若干出行区域；
采用随机抽样法确定车辆的出行规律；
采用Dijkstra最短路径算法建立路径选择模型，确定车辆的出行路线；
区分车辆类型，并划分不同类车辆的充电模式和充电特性；
根据不同类车辆的特性，建立车辆充电负荷预测模型，利用该预测模型得到该区域电动汽车充电负荷曲线。
2.根据权利要求1所述基于出行数据的电动汽车充电负荷预测方法，其特征是，对所述历史数据进行预处理包括：
删除原始数据中的无效数据；
根据研究范围，选择起止位置在该研究范围内的出行数据；
删除出行时间小于设定时间阈值的出行数据；
将原始数据建立日数据模块，根据日期类型的差异对出行数据进行分别存储。
3.根据权利要求1所述基于出行数据的电动汽车充电负荷预测方法，其特征是，采用蒙特卡洛随机抽样法确定车辆出行规律，具体过程为：
根据所述历史数据，得到车辆出行的起止时间和起止点位置信息；
根据所述起止点位置的经纬度判断起止点所在的区域，建立车辆出发数据集和到达数据集；
利用蒙特卡洛随机抽样法，从所述出发数据集和到达数据集中得到每个车辆的出行规律。
4.根据权利要求1所述基于出行数据的电动汽车充电负荷预测方法，其特征是，采用Dijkstra最短路径算法建立路径选择模型，确定车辆的出行路线的具体过程为：
a.确定初始节点、目标节点、未访问节点集合和已访问节点集合，为每个节点分配一个初始距离，设初始节点为当前节点；
b.计算未访问节点集合中所有未访问的相邻节点与当前节点的距离，比较计算的距离值与所述初始距离的大小，得到最小距离值；
c.将当前节点归入已访问节点集合，并将其从未访问节点集合中移除；
d.判断目标节点是否属于已访问节点集合，若是，则算法完成；
e.若否，选择所述最小距离值对应的未访问节点，并将其设为当前节点，返回步骤b。
5.根据权利要求1所述基于出行数据的电动汽车充电负荷预测方法，其特征是，所述车辆类型包括私家车、出租车和公务车。
6.根据权利要求5所述基于出行数据的电动汽车充电负荷预测方法，其特征是，所述建立车辆充电负荷预测模型的具体过程为：
设车辆出行时负荷状态随行驶距离的变化为
Figure FDA0002514930440000021
式中，
Figure FDA0002514930440000022
为车辆x在到达目的地时的荷电状态，
Figure FDA0002514930440000023
为车辆在出发时的荷电状态，Dx为车辆x行驶的距离，w每千米消耗的电能，Cx为车辆的电池容量；
车辆行驶过程中的充电约束条件为
Figure FDA0002514930440000024
式中，λm为不同车辆类型的里程焦虑系数；
车辆在不满足上述充电约束条件时，充电模型为
Figure FDA0002514930440000031
Figure FDA0002514930440000032
Figure FDA0002514930440000033
式中，
Figure FDA0002514930440000034
为车辆x在出发地iO快速充电所花费的时间，
Figure FDA0002514930440000035
为车辆x在出发地iO慢速充电所花费的时间，ηC为车辆的充电效率；Pfast为车辆的快充功率，Pslow为车辆的慢充功率，P为私家车的集合，T为出租车的集合，V为公务车的集合。
7.根据权利要求6所述基于出行数据的电动汽车充电负荷预测方法，其特征是，所述车辆充电负荷预测模型还包括：
车辆在到达目的地的充电约束条件为
Figure FDA0002514930440000036
式中，SOCmin为车辆最小荷电状态；
车辆在不满足上述约束条件时，充电模型为
Figure FDA0002514930440000037
Figure FDA0002514930440000038
式中，SOCmax为车辆最大荷电状态；
Figure FDA0002514930440000039
为车辆x在到达地iD快速充电所花费的时间；
Figure FDA00025149304400000310
为车辆x在到达地iD慢速充电所花费的时间。
8.根据权利要求1所述基于出行数据的电动汽车充电负荷预测方法，其特征是，所述充电负荷曲线为：
Figure FDA00025149304400000311
式中，Pi(t)为区域i在t时刻的充电功率；
Figure FDA00025149304400000312
表示时刻t电动汽车x在区域i是否选择快速充电方式，其在是的时候取值为1；
Figure FDA00025149304400000313
表示时刻t电动汽车x在区域i是否选择慢速充电方式，其在是的时候取值为1。
CN202010472973.0A 2020-05-29 2020-05-29 一种基于出行数据的电动汽车充电负荷预测方法 Active CN111815017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010472973.0A CN111815017B (zh) 2020-05-29 2020-05-29 一种基于出行数据的电动汽车充电负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010472973.0A CN111815017B (zh) 2020-05-29 2020-05-29 一种基于出行数据的电动汽车充电负荷预测方法

Publications (2)

Publication Number Publication Date
CN111815017A true CN111815017A (zh) 2020-10-23
CN111815017B CN111815017B (zh) 2021-07-30

Family

ID=72848274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010472973.0A Active CN111815017B (zh) 2020-05-29 2020-05-29 一种基于出行数据的电动汽车充电负荷预测方法

Country Status (1)

Country Link
CN (1) CN111815017B (zh)

Cited By (1)

* 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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355290A (zh) * 2016-09-21 2017-01-25 四川大学 一种基于马尔科夫链的电动汽车充电负荷预测方法及系统
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
CN108074017A (zh) * 2017-12-26 2018-05-25 国网北京市电力公司 电动汽车充电负荷预测方法及装置
EP3563334A1 (en) * 2016-12-30 2019-11-06 Vito NV State of charge estimation of energy storage systems
CN111047120A (zh) * 2020-01-17 2020-04-21 东南大学 一种路-电耦合网络下电动汽车充电负荷预测方法
CN111160639A (zh) * 2019-12-21 2020-05-15 杭州电子科技大学 基于用户出行时空分布特性的电动汽车充电负荷预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355290A (zh) * 2016-09-21 2017-01-25 四川大学 一种基于马尔科夫链的电动汽车充电负荷预测方法及系统
EP3563334A1 (en) * 2016-12-30 2019-11-06 Vito NV State of charge estimation of energy storage systems
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
CN108074017A (zh) * 2017-12-26 2018-05-25 国网北京市电力公司 电动汽车充电负荷预测方法及装置
CN111160639A (zh) * 2019-12-21 2020-05-15 杭州电子科技大学 基于用户出行时空分布特性的电动汽车充电负荷预测方法
CN111047120A (zh) * 2020-01-17 2020-04-21 东南大学 一种路-电耦合网络下电动汽车充电负荷预测方法

Cited By (1)

* 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

Also Published As

Publication number Publication date
CN111815017B (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
Amirgholy et al. Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach
Yi et al. Research on the spatial-temporal distribution of electric vehicle charging load demand: A case study in China
Yi et al. Energy impact evaluation for eco-routing and charging of autonomous electric vehicle fleet: Ambient temperature consideration
Ma et al. Optimal fast charging station locations for electric ridesharing with vehicle-charging station assignment
Han et al. Ordered charge control considering the uncertainty of charging load of electric vehicles based on Markov chain
JP6399928B2 (ja) 電気自動車ネットワークにおける負荷の推定および管理
Yuan et al. p^ 2charging: Proactive partial charging for electric taxi systems
Fiedler et al. The impact of ridesharing in mobility-on-demand systems: Simulation case study in Prague
CN105160428A (zh) 高速公路电动汽车快速充电站的规划方法
CN102884401A (zh) 用于将电池操作的运输装置引导至重整站的方法和引导单元
CN111047120B (zh) 一种路-电耦合网络下电动汽车充电负荷预测方法
Kim et al. Idle vehicle relocation strategy through deep learning for shared autonomous electric vehicle system optimization
EP3919318A1 (en) Intelligent charging method and system for electric vehicle on highway
CN110491158A (zh) 一种基于多元数据融合的公交车到站时间预测方法及系统
CN108062591A (zh) 电动汽车充电负荷时空分布预测方法
CN103366224A (zh) 一种基于公交网络的乘客需求预测系统和方法
CN111199320A (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
Zhang et al. Stochastic modeling and analysis of public electric vehicle fleet charging station operations
Kumar et al. S2RC: A multi-objective route planning and charging slot reservation approach for electric vehicles considering state of traffic and charging station
CN115660501A (zh) 电动汽车充电负荷可调裕度评估方法
Sivagnanam et al. Minimizing energy use of mixed-fleet public transit for fixed-route service
Zhou et al. Design and optimization of solar-powered shared electric autonomous vehicle system for smart cities
CN111815017B (zh) 一种基于出行数据的电动汽车充电负荷预测方法
Chen et al. Online eco-routing for electric vehicles using combinatorial multi-armed bandit with estimated covariance
Zhou et al. Design and optimization of electric autonomous vehicles with renewable energy source for smart cities

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