CN112364293A - 考虑城市职能区的电动汽车所需充电量预测方法和装置 - Google Patents

考虑城市职能区的电动汽车所需充电量预测方法和装置 Download PDF

Info

Publication number
CN112364293A
CN112364293A CN202011093997.1A CN202011093997A CN112364293A CN 112364293 A CN112364293 A CN 112364293A CN 202011093997 A CN202011093997 A CN 202011093997A CN 112364293 A CN112364293 A CN 112364293A
Authority
CN
China
Prior art keywords
electric
time
functional area
area
functional
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
CN202011093997.1A
Other languages
English (en)
Other versions
CN112364293B (zh
Inventor
陈良亮
杨凤坤
张卫国
顾琳琳
周材
邵军军
孙季泽
陈嘉栋
余洋
孙广明
赵明宇
罗雯茜
董晓霄
袁越
李强
吴盛军
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
State Grid Jiangsu Electric Power Co Ltd
Hohai University HHU
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
State Grid Electric Power Research Institute
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Hohai University HHU
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
State Grid Electric Power Research Institute
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, State Grid Jiangsu Electric Power Co Ltd, Hohai University HHU, NARI Group Corp, Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd, State Grid Electric Power Research Institute filed Critical State Grid Corp of China SGCC
Priority to CN202011093997.1A priority Critical patent/CN112364293B/zh
Publication of CN112364293A publication Critical patent/CN112364293A/zh
Application granted granted Critical
Publication of CN112364293B publication Critical patent/CN112364293B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种考虑城市职能区的电动汽车所需充电量预测方法和装置，根据城市职能区之间的交通阻抗和吸引系数计算出用于表示各职能区各时刻的电动汽车到达率的出行矩阵；将出行矩阵的数值乘各时刻进入电网的电动汽车数量，得到各时刻各职能区进入电网的电动汽车数量，根据车辆的已行驶距离计算出车辆的所需充电量，进而得出各职能区各时刻电动汽车所需充电量。通过该方法，可预测城市电动汽车所需充电量的时空分布，有助于城市充电桩的合理规划以及电动汽车大规模入网调度。

Description

考虑城市职能区的电动汽车所需充电量预测方法和装置
技术领域
本发明属于电动汽车技术领域，具体涉及一种考虑城市职能区的电动汽车所需充电量预测方法和装置。
背景技术
电动汽车所需充电量的时空分布预测就是预测城市内各个区域在各个时刻内电动汽车接入电网的所需充电量。
在化石燃料资源日益紧缺、环境问题显著的当下，相较于传统汽车而言，电动汽车在节约能源、环境保护等方面具有无可比拟的优势。据现有研究显示，近年来电动汽车产量与销售量逐年稳步递增，在可以预见的将来，接入电网的电动汽车负荷将持续增多。然而，大规模电动汽车无序充电将使电网波动性增加，电能质量下降。电动汽车充电负荷接入电网的位置和容量的不同将会给电网带来不同程度的影响。
因此，预测电动汽车充电所需充电量空间分布，对研究电动汽车负荷接入电网的影响以及电动汽车充电桩的规划具有重要意义。然而，现今的各类工作仍在起步阶段，存在许多不足，现有的预测模型大多未考虑城市不同职能区的具体特性。近年来计及城市职能区划分的研究均较为局限，只涉及某个具体的场景，导致预测结果不准确。
发明内容
为了克服现有技术的不足，本发明提出一种考虑城市职能区的电动汽车所需充电量预测方法和装置，解决了现有预测电动汽车充电所需充电量时空分布只涉及某个具体场景导致预测结果不准确的问题。
技术方案：一种考虑城市职能区的电动汽车所需充电量预测方法，包括步骤：
根据城市职能区之间的交通阻抗和吸引系数计算出用于表示各职能区各时刻的电动汽车到达率的出行矩阵；
将出行矩阵的数值乘各时刻进入电网的电动汽车数量，得到各时刻各职能区进入电网的电动汽车数量，根据车辆的已行驶距离计算出车辆的所需充电量，进而得出各职能区各时刻电动汽车所需充电量。
进一步的，所述出行矩阵为：
Figure BDA0002723066010000011
式中，
Figure BDA0002723066010000012
是在t时刻电动汽车到达第j个职能区的到达率；
Figure BDA0002723066010000021
式中，N为城市划分的职能区个数，
Figure BDA0002723066010000022
为t时刻以i职能区为起点的电动汽车到达终点j职能区的概率：
Figure BDA0002723066010000023
式中，
Figure BDA0002723066010000024
为与
Figure BDA0002723066010000025
相对应的调整系数，Fij为职能区i和j之间的交通阻抗函数，
Figure BDA0002723066010000026
为t时刻j职能区的吸引系数。
进一步的，职能区i和j之间的交通阻抗函数为：
Figure BDA0002723066010000027
式中，lij为区域i到区域j的距离，f1()为电动汽车日行驶里程的概率密度函数，μ1是电动汽车出行里程分布的均值，σ1是电动汽车出行里程分布的标准差；
Figure BDA0002723066010000028
满足下式：
Figure BDA0002723066010000029
式中，i是汽车出发地的职能区域序号，j是汽车到达地的职能区域序号，范围均为1～N。
进一步的，各时刻各职能区进入电网的电动汽车数量
Figure BDA00027230660100000210
为：
Figure BDA00027230660100000211
式中，
Figure BDA00027230660100000212
为职能区域j在t时刻进入电网的电动汽车数量，Nt为各个时刻进入电网的电动汽车数量。
进一步的，各职能区各时刻电动汽车所需充电量为：
Figure BDA00027230660100000213
其中，St,j为t时刻职能区j电动汽车的总充电需求电量，St,j,v为t时刻到达职能区j的第v辆汽车的充电需求电量；
St,j,v＝(1-SSOC,tjv)cmax
Figure BDA0002723066010000031
dt,j,v为t时刻到达区域j的第v辆汽车的行驶里程，dm为电动汽车的标准续航里程，cmax为电动汽车的电池容量。
一种考虑城市职能区的电动汽车所需充电量预测装置，包括：
出行矩阵计算模块，用于根据城市职能区之间的交通阻抗和吸引系数计算出用于表示各职能区各时刻的电动汽车到达率的出行矩阵；
所需电量预测模块，用于将出行矩阵的数值乘各时刻进入电网的电动汽车数量，得到各时刻各职能区进入电网的电动汽车数量，根据车辆的已行驶距离计算出车辆的所需充电量，进而得出各职能区各时刻电动汽车所需充电量。
进一步的，所述出行矩阵为：
Figure BDA0002723066010000032
式中，
Figure BDA0002723066010000033
是在t时刻电动汽车到达第j个职能区的到达率；
Figure BDA0002723066010000034
式中，N为城市划分的职能区个数，
Figure BDA0002723066010000035
为t时刻以i职能区为起点的电动汽车到达终点j职能区的概率：
Figure BDA0002723066010000036
式中，
Figure BDA0002723066010000037
为与
Figure BDA0002723066010000038
相对应的调整系数，Fij为职能区i和j之间的交通阻抗函数，
Figure BDA0002723066010000039
为t时刻j职能区的吸引系数。
进一步的，职能区i和j之间的交通阻抗函数为：
Figure BDA00027230660100000310
式中，lij为区域i到区域j的距离，f1()为电动汽车日行驶里程的概率密度函数，μ1是电动汽车出行里程分布的均值，σ1是电动汽车出行里程分布的标准差；
Figure BDA0002723066010000041
满足下式：
Figure BDA0002723066010000042
式中，i是汽车出发地的职能区域序号，j是汽车到达地的职能区域序号，范围均为1～N。
进一步的，各时刻各职能区进入电网的电动汽车数量
Figure BDA0002723066010000043
为：
Figure BDA0002723066010000044
式中，
Figure BDA0002723066010000045
为职能区域j在t时刻进入电网的电动汽车数量，Nt为各个时刻进入电网的电动汽车数量。
进一步的，各职能区各时刻电动汽车所需充电量为：
Figure BDA0002723066010000046
其中，St,j为t时刻职能区j电动汽车的总充电需求电量，St,j,v为t时刻到达区域j的第v辆汽车的充电需求电量；
St,j,v＝(1-SSOC,tjv)cmax
Figure BDA0002723066010000047
dt,j,v为t时刻到达区域j的第v辆汽车的行驶里程，dm为电动汽车的标准续航里程，cmax为电动汽车的电池容量。
有益效果：
本发明考虑不同城市职能区的特性，对电动汽车所需充电量时空分布进行研究，对城市进行职能区的划分，使得研究更有针对性；针对不同城市可选择不同的参数，适应性强，地域吸引系数不是一成不变的参数，其数值随着各个时刻动态变化。
本发明可预测城市电动汽车所需充电量的时空分布，有助于城市充电桩的合理规划以及电动汽车大规模入网调度。
附图说明
图1为本发明具体实施方式中预测的各职能区电动汽车所需充电量分布图；
图2为本发明具体实施方式的预测方法流程图；
图3为本发明具体实施方式中城市职能区划分示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1：
一种考虑城市职能区的电动汽车所需充电量预测方法，包括步骤：
步骤1，根据城市地块的不同功能，将城市划分为不同职能区；职能区包括：商业区、居民区、办公区、公共设施区、公园和工业区等；
步骤2，根据职能区之间的交通阻抗和吸引系数计算出用于表示各职能区各时刻的电动汽车到达率的出行矩阵；
具体方法，包括步骤：
引入出行矩阵来描绘各职能区各时刻的电动汽车到达率(该时刻进入电网的电动汽车以该区域为终点的概率)，出行矩阵
Figure BDA0002723066010000051
为：
Figure BDA0002723066010000052
式中，
Figure BDA0002723066010000053
是在t时刻电动汽车到达第j个职能区的到达率，计算方式如下：
Figure BDA0002723066010000054
式中，N为城市划分的职能区个数。
Figure BDA0002723066010000055
为t时刻以i职能区为起点的电动汽车到达终点j职能区的概率：
Figure BDA0002723066010000056
式中，
Figure BDA0002723066010000057
为与
Figure BDA0002723066010000058
相对应的调整系数，Fij为职能区i和j之间的交通阻抗函数，
Figure BDA0002723066010000059
为t时刻j职能区的吸引系数。本方法采用动态的吸引系数，即一个地区的吸引系数在不同时刻有所变化，例如住宅区在傍晚至晚上的吸引系数较高(回家晚高峰)，进一步增加该预测方法的准确性。因此吸引系数
Figure BDA00027230660100000510
由城市职能区类型以及时刻决定，为已知量。
由于电动汽车行驶里程分布满足对数正态分布，其概率密度函数可由下式表述：
Figure BDA00027230660100000511
式中，x为电动汽车日行驶里程，f1(x)为电动汽车日行驶里程的概率密度函数，μ1是电动汽车出行里程分布的均值，σ1是电动汽车出行里程分布的标准差。根据对美国交通部对私家车进行的大规模调查数据(NHTS2009)中行驶里程的概率分布拟合可得，μ1＝2.78km，σ1＝0.82km。
研究表明，居民的出行意愿与两地之间的距离成反比，因此各职能区域之间的交通阻抗函数Fij可用下式表述：
Figure BDA0002723066010000061
式中，lij为区域i到区域j的距离。由于电动汽车由区域i出发，以各个区域为终点的概率之和为1，因此
Figure BDA0002723066010000062
满足下式：
Figure BDA0002723066010000063
式中，i是汽车出发地的区域序号，j是汽车到达地的区域序号。由于
Figure BDA0002723066010000064
与Fij数值均已知，由上述等式即可计算出调整系数
Figure BDA0002723066010000065
的值，以此求出
Figure BDA0002723066010000066
的值，从而得到
Figure BDA0002723066010000067
计算出各区域各时刻的出行矩阵，体现电动汽车入网的空间分布。
步骤3，将出行矩阵的数值乘各时刻进入电网的电动汽车数量，得到各时刻各区域入网的电动汽车数量，结合车辆的已行驶距离计算出车辆的所需充电量，进而得出各区域各时刻电动汽车所需充电量；
具体方法，包括步骤：
为了简化电动汽车接入电网的过程，将停泊在停车场的电动汽车均视为接入电网，因此电动汽车的入网时刻即为其最后一次出行的结束时间。电动汽车最后一次出行结束时间服从正态分布规律：
电动汽车最后一次出行结束时间分布f2(t)满足正态分布：
Figure BDA0002723066010000068
式中：t为一天内的各时刻，f2(t)为电动汽车最后一次出行结束时间分布的概率密度函数，体现电动汽车进入电网的时间分布。μ2是电动汽车最后一次出行结束时间分布均值，σ2是电动汽车最后一次出行结束时间分布的标准差。其中，根据NHTS2009中结束当日出行时刻的概率分布拟合可得μ2＝17.9h，σ2＝3.4h。
由于城市内电动汽车总数一定，因此由电动汽车出行结束时间的分布可确定全市各个时刻入网的电动汽车数量Nt，从而各地区各个时刻入网的电动汽车数量
Figure BDA0002723066010000071
Figure BDA0002723066010000072
式中，
Figure BDA0002723066010000073
为职能区域j在t时刻进入电网的电动汽车数量。
单辆电动汽车动力电池的剩余电量情况(SOC，state of charge)与已行驶距离的关系如下：
Figure BDA0002723066010000074
式中，
Figure BDA0002723066010000075
为电动汽车动力电池的剩余电量与电池容量的比值，d为电动汽车上次充电后已行驶的路程，dm为电动汽车的标准续航里程。
单辆电动汽车的充电需求电量S即为：
Figure BDA0002723066010000076
cmax为电动汽车的电池容量，由f1(x)电动汽车日行驶里程的概率密度函数可求出电动汽车的行驶里程分布，令t时刻到达区域j的第v辆汽车的行驶里程为dt,j,v，则可根据上式求得t时刻到达区域j的第v辆汽车的充电需求电量St,j,v。
St,j,v＝(1-SSOC,tjv)cmax
Figure BDA0002723066010000077
t时刻区域j电动汽车的总充电需求电量St,j：
Figure BDA0002723066010000078
至此，求得了各个区域各个时刻的电动汽车的总充电需求电量，即为全市电动汽车所需充电量的时空分布。
实施例2：
一种考虑城市职能区的电动汽车所需充电量预测装置，包括：
出行矩阵计算模块，用于根据城市职能区之间的交通阻抗和吸引系数计算出用于表示各职能区各时刻的电动汽车到达率的出行矩阵；
所需电量预测模块，用于将出行矩阵的数值乘各时刻进入电网的电动汽车数量，得到各时刻各职能区进入电网的电动汽车数量，根据车辆的已行驶距离计算出车辆的所需充电量，进而得出各职能区各时刻电动汽车所需充电量。
进一步的，所述出行矩阵为：
Figure BDA0002723066010000081
式中，
Figure BDA0002723066010000082
是在t时刻电动汽车到达第j个职能区的到达率；
Figure BDA0002723066010000083
式中，N为城市划分的职能区个数，
Figure BDA0002723066010000084
为t时刻以i职能区为起点的电动汽车到达终点j职能区的概率：
Figure BDA0002723066010000085
式中，
Figure BDA0002723066010000086
为与
Figure BDA0002723066010000087
相对应的调整系数，Fij为职能区i和j之间的交通阻抗函数，
Figure BDA0002723066010000088
为t时刻j职能区的吸引系数。
进一步的，职能区i和j之间的交通阻抗函数为：
Figure BDA0002723066010000089
式中，lij为区域i到区域j的距离，f1()为电动汽车日行驶里程的概率密度函数，μ1是电动汽车出行里程分布的均值，σ1是电动汽车出行里程分布的标准差；
Figure BDA00027230660100000810
满足下式：
Figure BDA00027230660100000811
式中，i是汽车出发地的职能区域序号，j是汽车到达地的职能区域序号，范围均为1～N。
进一步的，各时刻各职能区进入电网的电动汽车数量
Figure BDA0002723066010000091
为：
Figure BDA0002723066010000092
式中，
Figure BDA0002723066010000093
为职能区域j在t时刻进入电网的电动汽车数量，Nt为各个时刻进入电网的电动汽车数量。
进一步的，各职能区各时刻电动汽车所需充电量为：
Figure BDA0002723066010000094
其中，St,j为t时刻职能区j电动汽车的总充电需求电量，St,j,v为t时刻到达区域j的第v辆汽车的充电需求电量；
St,j,v＝(1-SSOC,tjv)cmax
Figure BDA0002723066010000095
dt,j,v为t时刻到达区域j的第v辆汽车的行驶里程，dm为电动汽车的标准续航里程，cmax为电动汽车的电池容量。
实施例3：
如图2所示，假设A市拥有电动汽车10000辆。将一天24小时分为48个时刻，每个时刻相隔0.5小时，第一个时刻为当日00:00，最后一个时刻为当日23:30。单个充电桩的充电功率P视为常数8kW，单辆电动汽车的电池容量cmax为80kW·h，续航里程dm为400km。
一种考虑城市职能区的电动汽车所需充电量预测方法，包括步骤：
步骤1，根据城市地块的不同功能，将城市划分为不同职能区；
A市区域的划分如图3所示。
步骤2，采用改进的重力模型计算出出行矩阵；
A市各区域之间的距离如下：
表1A市各区域之间的距离(km)
Figure BDA0002723066010000096
Figure BDA0002723066010000101
由上述数值可求出A市各区域之间的出行阻抗函数Fij的数值如下：
表2 A市各区域之间的出行阻抗函数
Figure BDA0002723066010000102
根据调查统计，设定A市各时刻各类职能区吸引系数
Figure BDA0002723066010000103
如下：
表3不同城市职能区各时刻的地区吸引系数(×10-2)
Figure BDA0002723066010000111
由各地区之间交通阻抗函数的数值与各地区各时刻的吸引系数可求出出行矩阵。
步骤3，将出行矩阵的数值乘各时刻城市入网的车辆数，得到各时刻各地区入网的电动汽车车辆，结合车辆的已行驶距离可计算出车辆的所需充电量，由此可以得出全市各职能区各时刻的电动汽车所需充电量的时空分布；
假设A市拥有10万量电动汽车，将出行矩阵的数值乘各时刻城市入网的车辆数，得到各时刻各地区入网的电动汽车车辆如下：
表4 A市各地区各时刻的入网电动汽车车辆
Figure BDA0002723066010000121
Figure BDA0002723066010000131
已知电动汽车的行驶里程分布，由电动汽车的里程分布可确定电动汽车的行驶里程，从而计算出单量电动车所需充电电量，结合电动车入网数量可确定A各地区各时刻入网的充电功率分布，如图1所示。由图1可以看出，同属于居民区的A2、A3、A4、A9、A10、A12的所需充电量曲线变化趋势相似，同属于办公区的A1、A6的所需充电量曲线变化趋势相似，其余各地域的曲线均有较大的差异。说明不同类型城市职能区的充电所需充电量差别较大，与该类别的参数有关。工业区A8充电功率较低且较为平缓，办公区在上午时段的充电功率较高，公园A7与商业区A5的充电功率主要集中在午后至傍晚的休闲时段，居民区主要集中在傍晚至夜晚的返家时段。其中公共设施区主要指公共停车场、公共充电桩等区域，其深夜与中午时段为充电高峰，与电动的士等车辆的工作时刻相符。
在居民区中，A2、A4、A9、A12地区的充电功率比A3与A10更低。这是由于地理位置差异所致，相较于其他居民区，A3与A10的位置更为中心，道路阻抗函数更小，更容易被选为出行终点。在同为办公区的前提下，相较于A6地区，A1的地理位置偏离地理中心远，因此充电功率整体较低。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种考虑城市职能区的电动汽车所需充电量预测方法，其特征在于，包括步骤：
根据城市职能区之间的交通阻抗和吸引系数计算出用于表示各职能区各时刻的电动汽车到达率的出行矩阵；
将出行矩阵的数值乘各时刻进入电网的电动汽车数量，得到各时刻各职能区进入电网的电动汽车数量，根据车辆的已行驶距离计算出车辆的所需充电量，进而得出各职能区各时刻电动汽车所需充电量。
2.根据权利要求1所述的一种考虑城市职能区的电动汽车所需充电量预测方法，其特征在于，所述出行矩阵为：
Figure FDA0002723064000000011
式中，
Figure FDA0002723064000000012
是在t时刻电动汽车到达第j个职能区的到达率；
Figure FDA0002723064000000013
式中，N为城市划分的职能区个数，
Figure FDA0002723064000000014
为t时刻以i职能区为起点的电动汽车到达终点j职能区的概率：
Figure FDA0002723064000000015
式中，
Figure FDA0002723064000000016
为与
Figure FDA0002723064000000017
相对应的调整系数，Fij为职能区i和j之间的交通阻抗函数，
Figure FDA0002723064000000018
为t时刻j职能区的吸引系数。
3.根据权利要求2所述的一种考虑城市职能区的电动汽车所需充电量预测方法，其特征在于，职能区i和j之间的交通阻抗函数为：
Figure FDA0002723064000000019
式中，lij为区域i到区域j的距离，f1()为电动汽车日行驶里程的概率密度函数，μ1是电动汽车出行里程分布的均值，σ1是电动汽车出行里程分布的标准差；
Figure FDA00027230640000000110
满足下式：
Figure FDA0002723064000000021
式中，i是汽车出发地的职能区域序号，j是汽车到达地的职能区域序号，范围均为1～N。
4.根据权利要求2所述的一种考虑城市职能区的电动汽车所需充电量预测方法，其特征在于，各时刻各职能区进入电网的电动汽车数量
Figure FDA0002723064000000022
为：
Figure FDA0002723064000000023
式中，
Figure FDA0002723064000000024
为职能区域j在t时刻进入电网的电动汽车数量，Nt为各个时刻进入电网的电动汽车数量。
5.根据权利要求4所述的一种考虑城市职能区的电动汽车所需充电量预测方法，其特征在于，各职能区各时刻电动汽车所需充电量为：
Figure FDA0002723064000000025
其中，St,j为t时刻职能区j电动汽车的总充电需求电量，St,j,v为t时刻到达职能区j的第v辆汽车的充电需求电量；
St,j,v＝(1-SSOC,tjv)cmax
Figure FDA0002723064000000026
dt,j,v为t时刻到达区域j的第v辆汽车的行驶里程，dm为电动汽车的标准续航里程，cmax为电动汽车的电池容量。
6.一种考虑城市职能区的电动汽车所需充电量预测装置，其特征在于，包括：
出行矩阵计算模块，用于根据城市职能区之间的交通阻抗和吸引系数计算出用于表示各职能区各时刻的电动汽车到达率的出行矩阵；
所需电量预测模块，用于将出行矩阵的数值乘各时刻进入电网的电动汽车数量，得到各时刻各职能区进入电网的电动汽车数量，根据车辆的已行驶距离计算出车辆的所需充电量，进而得出各职能区各时刻电动汽车所需充电量。
7.根据权利要求6所述的一种考虑城市职能区的电动汽车所需充电量预测装置，其特征在于，所述出行矩阵为：
Figure FDA0002723064000000031
式中，
Figure FDA0002723064000000032
是在t时刻电动汽车到达第j个职能区的到达率；
Figure FDA0002723064000000033
式中，N为城市划分的职能区个数，
Figure FDA0002723064000000034
为t时刻以i职能区为起点的电动汽车到达终点j职能区的概率：
Figure FDA0002723064000000035
式中，
Figure FDA0002723064000000036
为与
Figure FDA0002723064000000037
相对应的调整系数，Fij为职能区i和j之间的交通阻抗函数，
Figure FDA0002723064000000038
为t时刻j职能区的吸引系数。
8.根据权利要求7所述的一种考虑城市职能区的电动汽车所需充电量预测装置，其特征在于，职能区i和j之间的交通阻抗函数为：
Figure FDA0002723064000000039
式中，lij为区域i到区域j的距离，f1()为电动汽车日行驶里程的概率密度函数，μ1是电动汽车出行里程分布的均值，σ1是电动汽车出行里程分布的标准差；
Figure FDA00027230640000000310
满足下式：
Figure FDA00027230640000000311
式中，i是汽车出发地的职能区域序号，j是汽车到达地的职能区域序号，范围均为1～N。
9.根据权利要求7所述的一种考虑城市职能区的电动汽车所需充电量预测装置，其特征在于，各时刻各职能区进入电网的电动汽车数量
Figure FDA00027230640000000312
为：
Figure FDA00027230640000000313
式中，
Figure FDA00027230640000000314
为职能区域j在t时刻进入电网的电动汽车数量，Nt为各个时刻进入电网的电动汽车数量。
10.根据权利要求9所述的一种考虑城市职能区的电动汽车所需充电量预测装置，其特征在于，各职能区各时刻电动汽车所需充电量为：
Figure FDA0002723064000000041
其中，St,j为t时刻职能区j电动汽车的总充电需求电量，St,j,v为t时刻到达区域j的第v辆汽车的充电需求电量；
St,j,v＝(1-SSOC,tjv)cmax
Figure FDA0002723064000000042
dt,j,v为t时刻到达区域j的第v辆汽车的行驶里程，dm为电动汽车的标准续航里程，cmax为电动汽车的电池容量。
CN202011093997.1A 2020-10-14 2020-10-14 考虑城市职能区的电动汽车所需充电量预测方法和装置 Active CN112364293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011093997.1A CN112364293B (zh) 2020-10-14 2020-10-14 考虑城市职能区的电动汽车所需充电量预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011093997.1A CN112364293B (zh) 2020-10-14 2020-10-14 考虑城市职能区的电动汽车所需充电量预测方法和装置

Publications (2)

Publication Number Publication Date
CN112364293A true CN112364293A (zh) 2021-02-12
CN112364293B CN112364293B (zh) 2024-04-12

Family

ID=74506645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011093997.1A Active CN112364293B (zh) 2020-10-14 2020-10-14 考虑城市职能区的电动汽车所需充电量预测方法和装置

Country Status (1)

Country Link
CN (1) CN112364293B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139763A (zh) * 2021-10-18 2022-03-04 港华能源投资有限公司 预测电动汽车数量的方法及装置
CN114580194A (zh) * 2022-03-16 2022-06-03 国网江苏省电力有限公司苏州供电分公司 一种规模化电动汽车接入负荷边界方法及系统
CN117833240B (zh) * 2024-02-29 2024-05-31 江苏米特物联网科技有限公司 一种面向酒店场景的电动汽车充电负荷预测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150052965A (ko) * 2013-11-07 2015-05-15 현대자동차주식회사 전기자동차의 배터리 충전량 결정 방법
KR101570302B1 (ko) * 2014-10-27 2015-11-19 성균관대학교산학협력단 전력 계통 관리를 위한 전기차 충전 수요 예측 방법 및 시스템
JP2016134160A (ja) * 2015-01-22 2016-07-25 株式会社東芝 電気自動車の充電電力管理システム、方法およびプログラム
CN108510128A (zh) * 2018-04-11 2018-09-07 华南理工大学广州学院 一种区域电动汽车充电负荷时空分布预测方法
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
CN109711870A (zh) * 2018-12-13 2019-05-03 江苏中科瀚星数据科技有限公司 一种居民区电动汽车充电负载预测与配置方法
CN110264000A (zh) * 2019-06-19 2019-09-20 国网能源研究院有限公司 电动汽车对城市配电网影响量化分析的方法
CN110674575A (zh) * 2019-09-20 2020-01-10 华北电力大学（保定） 一种基于时序出行集的电动汽车集群充电需求与放电能力模型建模方法
DE102018210766A1 (de) * 2018-06-29 2020-01-16 Volkswagen Aktiengesellschaft Generierung einer Treibstoffbedarfslandkarte unter Nutzung einer Fahrzeugrestreichweite
CN111199300A (zh) * 2018-10-31 2020-05-26 国网江苏省电力有限公司南京供电分公司 一种“车-路-网”模式下电动汽车充电负荷时空预测方法
CN111400662A (zh) * 2020-03-17 2020-07-10 国网上海市电力公司 一种考虑电动汽车充电需求的空间负荷预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150052965A (ko) * 2013-11-07 2015-05-15 현대자동차주식회사 전기자동차의 배터리 충전량 결정 방법
KR101570302B1 (ko) * 2014-10-27 2015-11-19 성균관대학교산학협력단 전력 계통 관리를 위한 전기차 충전 수요 예측 방법 및 시스템
JP2016134160A (ja) * 2015-01-22 2016-07-25 株式会社東芝 電気自動車の充電電力管理システム、方法およびプログラム
CN108510128A (zh) * 2018-04-11 2018-09-07 华南理工大学广州学院 一种区域电动汽车充电负荷时空分布预测方法
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
DE102018210766A1 (de) * 2018-06-29 2020-01-16 Volkswagen Aktiengesellschaft Generierung einer Treibstoffbedarfslandkarte unter Nutzung einer Fahrzeugrestreichweite
CN111199300A (zh) * 2018-10-31 2020-05-26 国网江苏省电力有限公司南京供电分公司 一种“车-路-网”模式下电动汽车充电负荷时空预测方法
CN109711870A (zh) * 2018-12-13 2019-05-03 江苏中科瀚星数据科技有限公司 一种居民区电动汽车充电负载预测与配置方法
CN110264000A (zh) * 2019-06-19 2019-09-20 国网能源研究院有限公司 电动汽车对城市配电网影响量化分析的方法
CN110674575A (zh) * 2019-09-20 2020-01-10 华北电力大学（保定） 一种基于时序出行集的电动汽车集群充电需求与放电能力模型建模方法
CN111400662A (zh) * 2020-03-17 2020-07-10 国网上海市电力公司 一种考虑电动汽车充电需求的空间负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈丽丹;张尧;ANTONIO FIGUEIREDO;: "融合多源信息的电动汽车充电负荷预测及其对配电网的影响", 电力自动化设备, no. 12 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139763A (zh) * 2021-10-18 2022-03-04 港华能源投资有限公司 预测电动汽车数量的方法及装置
CN114580194A (zh) * 2022-03-16 2022-06-03 国网江苏省电力有限公司苏州供电分公司 一种规模化电动汽车接入负荷边界方法及系统
CN114580194B (zh) * 2022-03-16 2024-03-29 国网江苏省电力有限公司苏州供电分公司 一种规模化电动汽车接入负荷边界方法及系统
CN117833240B (zh) * 2024-02-29 2024-05-31 江苏米特物联网科技有限公司 一种面向酒店场景的电动汽车充电负荷预测方法

Also Published As

Publication number Publication date
CN112364293B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN107067110B (zh) 车-路-网模式下电动汽车充电负荷时空预测方法
CN103915869B (zh) 一种基于移动设备的电动汽车智能充电系统及方法
CN107153893B (zh) 一种基于城市停车数据的电动汽车充电站选址规划方法
Yao et al. Comparison of electric vehicle’s energy consumption factors for different road types
CN109447410A (zh) 一种考虑城市路网交通运行状态的充电站选址方法
CN107169605B (zh) 基于车辆定位信息的城市电动汽车充电站选址方法
CN105303882A (zh) 基于时空维度动态停车收费策略的停车管理系统及方法
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
CN112487622B (zh) 电动汽车充电桩的选址定容方法、装置及终端设备
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
CN103295074A (zh) 具有最佳定位的充电站的电动车辆（ev）充电基础设施的方法和系统
CN111523714B (zh) 一种电力充电站选址布局方法及装置
CN110674575A (zh) 一种基于时序出行集的电动汽车集群充电需求与放电能力模型建模方法
CN112364293B (zh) 考虑城市职能区的电动汽车所需充电量预测方法和装置
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
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
CN108062591A (zh) 电动汽车充电负荷时空分布预测方法
CN108133329B (zh) 考虑充电反馈效应的电动汽车出行与充电需求分析方法
CN109389310B (zh) 基于蒙特卡洛模拟的电动汽车充电设施成熟度评价方法
CN112736941A (zh) 一种基于移动储能电动汽车的可调度容量预测方法及装置
CN112115385A (zh) 一种考虑充电时间的单向共享汽车系统选址优化方法
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
CN115907128A (zh) 一种高速公路年尺度用电负荷预测方法及装置
CN115759347A (zh) 一种基于特征数据的电动公交车行程能耗快速预测方法
CN112785070A (zh) 一种电动汽车停车充电的负荷预测方法及装置

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