CN113191523A - 基于数据驱动方式和行为决策理论的城市电动汽车快充需求预测方法和装置 - Google Patents
基于数据驱动方式和行为决策理论的城市电动汽车快充需求预测方法和装置 Download PDFInfo
- Publication number
- CN113191523A CN113191523A CN202110107261.3A CN202110107261A CN113191523A CN 113191523 A CN113191523 A CN 113191523A CN 202110107261 A CN202110107261 A CN 202110107261A CN 113191523 A CN113191523 A CN 113191523A
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- charging station
- vehicle
- formula
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开一种城市电动汽车快充需求预测方法和装置,方法包括:获取待预测区域内的居民历史出行数据、电动汽车数据、交通路网数据和电网数据;进行居民历史出行数据分析,得到居民出行规律特征数据;基于居民出行规律特征数据、电动汽车数据、交通路网数据和电网数据,建立电动汽车行驶行为模型和充电行为模型;基于电动汽车行驶行为模型和充电行为模型,利用预先构建的快充站推荐模型,得到电动汽车在指定预测时段内的推荐快充站;根据快充站推荐结果,计算待预测区域内各快充站在指定预测时段内的充电需求数据。本发明基于数据驱动方式和行为决策理论预测城市快充站的充电需求负荷时空分布,能够较为真实的模拟车主充电行为决策心理,提高城市快充需求的预测结果可靠性。
Description
技术领域
本发明涉及电动汽车与电网和交通网互动技术领域,特别是一种基于数据驱动方式和行为决策理论的城市电动汽车快充需求预测方法和装置。
背景技术
电动汽车依据其高效清洁、低碳环保的特点,可以提高能源战略安全以及减缓温室气体排放,符合我国未来能源需求以及电网系统与交通系统可持续发展定位,并将逐步取代传统的燃油汽车,成为汽车行业未来发展的重要趋势。而规模化电动汽车在城市内网的行驶行为和充电行为必然和交通网与电网产生能量与信息的交互。居民出行规律、城市路网结构以及充电设施分布等会影响车辆出行分布和充电选择,而车辆电池特性、行驶路径选择以及人类行为决策等则会影响交通路网畅通程度和电网运行状态。因此,建立准确的电动汽车充电需求模型刻画充电负荷时空分布特征是分析电动汽车与电网和交通网互动的前提和基础。
目前许多研究从电动汽车与交通系统和电网系统协作机理出发建立了充电需求预测模型。虽然综合考虑了交通因素和电网因素以刻画电动汽车动态行驶过程和随机充电行为,建立的充电需求模型更符合电动汽车移动负荷的特征,但均从仿真建模层面进行剖析研究,未采用实测数据进行理论验证。另一方面,以数据驱动技术和行为建模方法相结合的充电需求预测模型取得了一定优势,但行驶行为和充电行为决策属于行为决策理论范畴,在路径选择和充电决策中默认车主完全理性心理追求既定目标最大化,未综合考虑人类行为决策的主观心理感受和综合因素的干扰,因此还存在着充电需求预测结果不够可靠的缺陷。
发明内容
本发明的目的是提供一种城市电动汽车快充需求预测方法和装置,基于数据驱动方式和行为决策理论预测城市快充站的充电需求负荷时空分布,能够较为真实的模拟车主充电行为决策心理,提高城市快充需求的预测结果可靠性。本发明采用的技术方案如下。
一方面,本发明提供一种城市电动汽车快充需求预测方法,包括:
获取待预测区域内的居民历史出行数据;
基于居民历史出行数据进行分析,得到待预测区域的居民出行规律特征数据;
获取待预测区域的电动汽车数据;
基于所述居民出行规律特征数据以及电动汽车数据,建立电动汽车行驶行为模型;
获取待预测区域的交通路网数据和电网数据;
基于电动汽车数据、交通路网数据和电网数据,建立电动汽车充电行为模型;
基于已建立的电动汽车行驶行为模型和充电行为模型,利用预先构建的快充站推荐模型,得到电动汽车在指定预测时段内的推荐快充站;
根据电动汽车在指定预测时段内的推荐快充站,计算待预测区域内各快充站在指定预测时段内的充电需求数据。
本发明旨在研究城市电动汽车的快充需求时空分布特征,因此上述待预测区域为城市区域,预测得到的结果可为指定城市在特定时段的负荷分布结果,如某城市在平日和周末,或者在平日或周末的某一日内的特定时段的充电需求分布。
可选的,所述基于居民历史出行数据进行分析,为基于待预测城市中预先指定区域范围内的网约车历史行程轨迹数据进行分析。考虑到居民通过网约车出行大都集中在城市中心区域,且出行路程多以中短途为主,因此本发明在进行数据挖掘和融合时,预先指定行程热点核心区域,超出该区域的行程轨迹数据不予考虑,由此可减少待挖掘数据的体量,降低数据处理的维度。
可选的,基于所述网约车历史行程轨迹数据进行分析包括:
S2.1,筛选预先指定区域范围内的网约车历史行程轨迹数据,获取网约车历史订单轨迹的时间和空间特征信息;
S2.2,将获取到的特征信息映射到平面范围区域,映射后的每条订单轨迹表示为下式:
S2.3,统计所有订单轨迹,得到包含起讫点位置和时间的交通OD矩阵集合,表示为下式:
式中:So表示起点O的矩阵集合,Sd表示终点D的矩阵集合;
S2.4,统计居民出行路线:
用下式表示交通路网模型:
式中:G表示交通路网;V表示G中所有交通节点vi的集合;E表示G中所有有向弧段即路段vij的集合;W表示路段权值wij的集合,即道路路阻;其中路段权值可采用路段长度、行程时间以及出行费用等进行量化研究;
式中:Pj表示第j个订单行驶轨迹的交通节点集合,即出行路线;
则起点O与终点D之间的路线表示为下式:
Rod(m)=∑Pj(m)+∑Qk(m) (6)
式中:Rod(m)表示OD间的第m条路线,Pj(m)表示第j个订单起止节点为OD的第m条路线,即OD间直接行驶路线;Qk(m)表示第k个订单包含起止节点OD的第m条路线,即车辆途径OD的路线。
以上方案所得到的交通OD矩阵集合及出行路线统计结果,即作为待预测区域的出行规律特征数据。
可选的,所述待预测区域的电动汽车数据包括:电动汽车的类型及数量、电池参数和单位里程耗电量;
所述交通路网数据包括待预测区域交通路网中各道路的等级及车速数据;
所述电网数据包括待预测区内的快充站、站内充电桩及其历史充电数据。
可选的,所述电动汽车行驶行为模型的建立方法包括:
S4.1,为待预测区域的每辆电动汽车分配OD矩阵:
采用蒙特卡洛随机抽样方法从OD集合So和Sd中为第i辆电动汽车Ev(i)分配出发时刻 to(i)和出发位置Do(i)以及目的地位置Dd(i):
式中:i表示电动汽车的编号,i=1,2,3,…ne,ne为待预测区域的电动汽车数量;
S4.3,在行驶模拟过程中,记录车辆充电需求触发时刻tr(i)和位置Dr(i),将目的地位置 Dd(i)更改为推荐的充电站位置k表示快充站的编号,k=1,2,3,…ns,ns为快充站的数量;充电完成再将目的地位置更换为Dd(i),则得到实际行驶路线表示为Pe(i):
式中:γ(i)表示车辆充电需求标志位,触发时γ(i)=1,否则γ(i)=0,ta(i)表示车辆抵达推荐快充站的时刻,tf(i)表示车辆离开快充站的时刻,td(i)表示车辆最终到达目的地的时刻;
Le(i)=l(vod)+γ(i){l(vrs)+l(vsd)-l(vrd)} (11)
式中:l(vxy)表示位置x和位置y之间实际行驶路线max{Rxy(m)}的路段距离;
S4.4,重复步骤S4.1至S4.4,为新的Ev(i)选取新的路线进行行驶模拟,直至完成全天的出行轨迹模拟,得到各电动汽车全天的出行轨迹模拟数据,作为各电动汽车的行驶行为模型。
可选的,所述充电行为模型的构建包括:
S5.1,确定各类型电动汽车的电池参数,所述电池参数包括电池容量和续航里程;
S5.3,建立行驶途中的充电需求判断模型,当满足以下不等式,充电需求标志位γ(i)为1:
Ct(i)≤ε·Cp(i) (14)
式中:ε表示车主的里程焦虑系数,ε服从均匀分布U[0.15,3];Cp(i)为电动汽车电池剩余容量;Ct(i)为电动汽车在t时刻剩余电量,表示为:
式中:ψjk表示路段决策变量值,当车辆在实际路线Pe(i)的交通路段vjk上行驶时,ψjk=1,否则ψjk=0,l(vjk)为交通路段vjk的长度;
S5.4,建立快充站充电模型,快充站充电模型包括车辆排队模型、车辆等待时长模型、车辆充电时长模型、车辆充电费用模型。
上述步骤S5.1中,针对不同类型电动汽车电池容量差异,选择典型车辆作为各类型电动汽车的仿真车型,例如:通勤私家车选择北汽E150,电池容量为25.6kW·h,续航里程为180 km;出租车选择比亚迪E6,电池容量为60kW·h,续航里程280km;其他公用车选择众泰 5008EV,电池容量为32kW·h,续航里程180km。
可选的,步骤S5.4包括:
S5.4.1,建立车辆排队模型,包括:
S5.4.2,建立车辆等待时长模型。包括:
式中:nk表示Ev(i)抵达充电站k时的在站车辆数,包括正在充电和充电等待车辆,由下式求得:
S5.4.3,建立车辆充电时长模型,包括:
假设电动汽车在充电结束时的SOC值fc服从N(0.85,0.3)的正态分布,则Ev(i)的快速充电时长Tf(i)为:
S5.4.4,建立车辆充电费用模型,表示为Ic(i):
Ic(i)=[Cp(i)fc(i)-Ca(i)]ω(t) (24)
式中:ω(t)表示充电服务分时电价,可根据待预测区域的实际峰谷电价措施进行设置,如设置为:高峰时段(8:00-12:00、14:30-17:00-21:00与17:00-21:00)设置为2元/(kW·h),平峰时段(12:00-14:30与21:00-24:00)设置为1.5元/(kW·h),低谷时段(00:00-08:00)设置为0.5元 /(kW·h)。
可选的,所述快充站推荐模型的构建方法包括:
S6.1,确定后悔函数,表示为:
式中:Ui表示选择方案i的随机后悔值;Fi表示选择方案i产生的确定后悔值,反映决策者对方案的感知能力;ξa表示属性a的估计参数,反映决策者对属性a的偏重;xja、xia分别表示方案i和方案j的属性值a,na为方案的属性数量;σi表示选择方案i的随机后悔误差,σi服从独立同分布;Pu(i)表示选择方案i的概率;
S6.2,将待预测区域内的全部快充站作为方案集,将选择方案集中各快充站产生的充电时间T和充电费用I作为方案的属性,建立快充站推荐模型为:
可选的,所述利用预先构建的快充站推荐模型,得到电动汽车在指定预测时段内的推荐快充站为:
基于公式(27)、(28),求得使方案随机后悔值Ui最小的方案,作为向车主推荐的快充站。根据后悔理论,当(xja-xia)保持中间状态,即方案折衷时,能取到Ui的最小值,因此求得使随机后悔值Ui最小的快充站推荐结果即为折衷方案。
可选的,根据电动汽车在指定预测时段内的推荐快充站,通过以下公式计算待预测区域内各快充站在指定预测时段内的充电需求数据:
第二方面,本发明提供一种城市电动汽车快充需求预测装置,包括:
数据获取模块,被配置用于获取待预测区域内的居民历史出行数据、电动汽车数据、交通路网数据和电网数据;
出行规律特征分析模块,被配置用于基于居民历史出行数据进行分析,得到待预测区域的居民出行规律特征数据;
行驶行为分析模块,被配置用于基于所述居民出行规律特征数据以及电动汽车数据,建立电动汽车行驶行为模型;
充电行为分析模块,被配置用于基于电动汽车数据、交通路网数据和电网数据,建立电动汽车充电行为模型;
充电站选择分析模块,被配置用于基于已建立的电动汽车行驶行为模型和充电行为模型,利用预先构建的快充站推荐模型,得到电动汽车在指定预测时段内的推荐快充站;
以及,快充负荷分布特性分析模块,被配置用于根据电动汽车在指定预测时段内的推荐快充站,计算待预测区域内各快充站在指定预测时段内的充电需求数据。
有益效果
本发明基于待预测城市区域的居民出行历史数据、电动汽车数据、交通路网数据和电网数据,利用数据驱动技术进行分析得到居民出行规律特征,并描述电动汽车的行驶行为和充电行为,解决了电动汽车与电网和交通网互动研究方向缺乏实测数据的问题,通过基于实测数据的仿真建模能够提高电动汽车充电需求预测的准确性。同时,本发明利用行为决策理论分析车主的充电行为和行驶行为,考虑了车主在互动系统中的主导作用,更加符合车主的主观心理和选择特点,因此能够更加贴合车主的实际选择结果,即能够进一步提高快充需求预测结果的准确性。
本发明全面研究了城市快充站充电需求时空分布特征和影响因素,可为后续的快充站部署、充电引导和充电影响评估提供支撑。
附图说明
图1所示为本发明城市电动汽车快充需求预测方法的技术构思示意图;
图2所示为快充需求车辆的时间分布示意图;
图3所示为高峰时段充电需求车辆的空间分布示意图;
图4所示为工作日充电需求负荷分布示意图;
图5所述为双休日充电需求负荷分布示意图。
具体实施方式
电动汽车作为交通工具和移动负荷的载体,与交通网之间主要以信息交互的形式驱动车辆行驶行为互动,与电网之间主要以能量交互的形式驱动车辆充电行为互动,电网和交通网通过充电站以信息交互的形式实现网络节点耦合,而人类行为决策则是行驶行为和充电行为的源头和导向。同时,“电动汽车-电网-交通网”相互关联和影响,是一个多网融合(车网-路网-电网)、多主体互动(车主-交通部门-电力部门)以及多系统交互(能量交互-信息交互)的架构。
因此,本发明的技术构思为,以电动汽车、电网、交通网数据作为基础数据,利用数据驱动技术分析待预测城市区域的居民出行特征、电动汽车行驶行为和充电行为,利用行为决策理论为电动汽车推荐快充站,最终得到更加符合车主主观心理和选择特点的城市快充需求时空分布。提高快充需求预测结果的准确性,为快充站部署以及后续的充电引导和充电影响评估提供支撑。
以下结合附图和具体实施例进一步描述。
实施例1
参考图1所示,本实施例介绍一种城市电动汽车快充需求预测方法,包括:
获取待预测区域内的居民历史出行数据;
基于居民历史出行数据进行分析,得到待预测区域的居民出行规律特征数据;
获取待预测区域的电动汽车数据;
基于所述电动汽车出行规律特征数据以及电动汽车数据,建立电动汽车行驶行为模型;
获取待预测区域的交通路网数据和电网数据;
基于电动汽车数据、交通路网数据和电网数据,建立电动汽车充电行为模型;
基于已建立的电动汽车行驶行为模型和充电行为模型,利用预先构建的快充站推荐模型,得到电动汽车在指定预测时段内的推荐快充站;
根据电动汽车在指定预测时段内的推荐快充站,计算待预测区域内各快充站在指定预测时段内的充电需求数据。
本发明旨在研究城市电动汽车的快充需求时空分布特征,因此上述待预测区域为城市区域,预测得到的结果可为指定城市在特定时段的负荷分布结果,如某城市在平日和周末,或者在平日或周末的某一日内的特定时段的充电需求分布。
本实施例要实现基于数据驱动技术和行为决策理论的快充需求预测,所需的基础数据中,待预测区域的电动汽车数据包括:电动汽车的类型及数量、电池参数和单位里程耗电量;交通路网数据包括待预测区域交通路网中各道路的等级及车速数据;电网数据包括待预测区内的快充站、站内充电桩及其历史充电数据。以下具体说明本实施例所涉及的内容。
一、获取待预测区域内的居民历史出行数据
行程范围筛选:居民通过网约车出行大都集中在城市中心区域,且出行路程多以中短途为主。同时,由于数据体量较为庞大,为了降低数据处理的维度,只选择行程热点核心区域进行分析,超过该区域的行程轨迹数据不予考虑。
二、分析待预测区域的居民出行规律特征
S2.1,从筛选得到的网约车历史行程轨迹数据中,获取网约车历史订单轨迹的时间和孔建特征信息,主要包含出行的时间和空间特征信息。
对于筛选得到的数据可再进行数据清洗,清除异常数据。
S2.2,数据轨迹数据映射
将清洗后的轨迹数据,通过坐系转换映射到平面范围区域内,则每条轨迹数据表示如下:
S2.3,筛选出轨迹数据集Ωj所有上车点和下车点数据,即可得到包含起讫点位置和时间的交通OD矩阵集合:
式中:So表示起点(O点)矩阵集合,Sd表示终点(D点)矩阵集合。
S2.4,统计居民出行路线
居民出行和车辆行驶都以交通路网为载体,因此通过交通路网建模可以形象地刻画交通动态演变过程。通过OpenStreetMap开源网站(https://www.openstreetmap.org)可以获取所选行程范围区域路网基本信息,并采用图论分析法对交通路网进行建模描述:
式中:G表示交通路网;V表示G中所有节点vi的集合,即交通节点集合;E表示G中所有有向弧段vij的集合,即交通路网中路段集合;W表示路段权值wij的集合,即道路路阻;其中路段权值可采用路段长度、行程时间以及出行费用等进行量化研究。
式中:Pj表示第j个订单行驶轨迹的交通节点集合,即出行路线。
统计起止位置OD之间的路线为:
Rod(m)=∑Pj(m)+∑Qk(m) (6)
式中:Rod(m)表示OD间的第m条路线,Pj(m)表示第j个订单起止节点为OD的第m条路线;即OD间直接行驶路线;Qk(m)表示第k个订单包含起止节点OD的第m条路线,即车辆途径OD的路线。
以上方案所得到的交通OD矩阵集合及出行路线统计结果,即作为待预测区域的出行规律特征数据。
三、获取待预测区域的电动汽车数据,主要包括预测区域内电动汽车的类型及数量,电动汽车的电池参数和单位里程耗电量。
以某城市为例,分析电动汽车发展规模和车辆类型,目前总共引入23780辆电动汽车, 其中私家车11890辆、出租车7134辆和其他公用车4756辆。由于公交车具有专门的行驶路线和固有的充电车位,因此不对其进行分析研究。
电动汽车的类型主要有以下几种:
通勤私家车:该类型车辆主要以居民通勤上班为主,工作日主要往返于居民区与工业区之间,双休日主要用于居民的娱乐和商业活动,活动范围在所有的功能区域。因此,该类型车辆工作日主要分配兴趣点POI为居民区和工业区的OD矩阵,双休日为全部功能区的OD 矩阵;
出租车:该类型车辆主要以营运为主,活动范围不限工作日与双休日。因此,该类型车辆分配POI为全部功能区的OD矩阵;
其他公用车:该类型车辆包括公务车、商务车以及功能用车(环卫车和物流车)等,功能用途主要以商务和公务出行为主。因此,该类型车辆主要分配除POI为居民区以外全部功能区的OD矩阵。
针对不同类型电动汽车的电池容量差异,本实施例选择典型车辆作为各类型电动汽车的仿真车型,确定各类电动汽车的电池参数和单位里程耗电量等,如:通勤私家车选择北汽 E150,电池容量为25.6kW·h,续航里程为180km;出租车选择比亚迪E6,电池容量为60kW·h,续航里程280km;其他公用车选择众泰5008EV,电池容量为32kW·h,续航里程180km。
四、电动汽车行驶行为模型的建立
本实施例采用OD分析方法,基于电动汽车出行规律特征数据以及电动汽车数据,建立车辆的动态出行和随机行驶行为模型,具体如下。
S4.1,为预测区域内划入第三部分考虑范围的每辆电动汽车分配OD矩阵。
采用蒙特卡洛随机抽样从OD集合So和Sd中为第i辆电动汽车Ev(i)分配出发时刻to(i)和位置Do(i)以及目的地位置Dd(i):
式中:i表示电动汽车的编号,i=1,2,3,…ne,ne=11890。
S4.3,在行驶模拟过程中,当充电需求未触发时,初始规划路线即为实际行驶路线;否则,记录车辆充电需求触发时刻tr(i)和位置Dr(i),将目的地位置Dd(i)更改为推荐的充电站位置k表示快充站的编号,k=1,2,3,…ns,ns为快充站的数量,参考图2所示,本实施例中ns=14。这里充电站推荐可采用现有的推荐算法,或者本发明后续将要介绍的快充站推荐模型。
充电完成再将目的地位置更换为Dd(i),则实际行驶路线表示为Pe(i):
式中:γ(i)表示车辆充电需求标志位,触发时γ(i)=1;否则γ(i)=0,ta(i)表示车辆抵达推荐快充站的时刻,tf(i)表示车辆离开快充站的时刻,td(i)表示车辆最终到达目的地的时刻。
Le(i)=l(vod)+γ(i){l(vrs)+l(vsd)-l(vrd)} (11)
式中:l(vxy)表示位置x和位置y之间实际行驶路线max{Rxy(m)}的路段距离。
S4.4,当Ev(i)抵达目的地Dd(i)后,重复上述步骤S4.1至S4.4,抽取新的出行与返程矩阵,直至完成车辆全天出行轨迹的模拟跟踪,得到各电动汽车全天的出行轨迹模拟数据,作为各电动汽车的行驶行为模型。
五、充电行为模型的建立
本实施例基于电动汽车数据、交通路网数据和电网数据,建立电动汽车充电行为模型,具体包括以下内容。
S5.1,确定各类型电动汽车的电池参数,所述电池参数包括电池容量和续航里程,具体如前面第三部分所述。
假设电动汽车首次出行时刻的荷电状态(State of Charge,SOC)服从正态分布N(0.8,0.1),因此集合电池容量Cp可得Ev(i)的初始电池容量CO(i)。
S5.3充电需求判断
式中:ψjk表示路段决策变量值,当车辆在实际路线Pe(i)的交通路段vjk上行驶时,ψjk=1,否则ψjk=0,l(vjk)为交通路段vjk的长度。
针对在行驶途中具有紧急需求的车辆进行快充需求建模,可根据车主的里程焦虑程度生成充电需求γ(i),即,当满足以下不等式,则置充电需求γ(i)为1:
Ct(i)≤ε·Cp(i) (15)
式中:ε表示车主的里程焦虑系数,ε服从均匀分布U[0.15,3]。
以上快充需求建模同样可用于本实施例第四部分的S4.3的行驶模拟中,用于确定行驶模拟过程中的充电需求。
S5.4,建立快充站充电模型,快充站充电模型包括车辆排队模型、车辆等待时长模型、车辆充电时长模型、车辆充电费用模型。
S5.4.1,车辆排队模型的建立
当车辆有充电需求触发时,前往推荐的快充站进行电能补给,聚集充电行为符合排队系统先到先服务(First Come First Service,FCFS)理论,车辆通过充电等待和充电排队接受充电服务,因此,排队模型具体步骤如下:
S5.4.2,车辆等待时长模型的建立
式中:nk表示Ev(i)抵达充电站k时的在站车辆数,包括正在充电和充电等待车辆,可由下式求得:
S5.4.3,车辆充电时长模型的建立
在快充站接受充电服务时,综合考虑充电费用和充电时间等因素,并非所有车主选择电池充满状态,结束时的SOC值fc服从N(0.85,0.3)的正态分布,因此,Ev(i)快速充电时长Tf(i) 为:
式中:ηc表示充电效率,取值范围:0.8~0.9,Ca(i)表示车辆抵达充电站k的电池容量。表示充电桩λ的充电功率,根据QC/T 841-2010《电动汽车传导式充电接口》,设置为(L3 级)70kW。
S5.4.4,车辆充电费用模型的建立
车主根据不同时段充电价格向充电服务商支付充电费用Ic(i):
Ic(i)=[Cp(i)fc(i)-Ca(i)]ω(t) (24)
式中:ω(t)表示充电服务分时电价,可根据待预测区域的实际峰谷电价措施进行设置,如采用:高峰时段(8:00-12:00、14:30-17:00-21:00与17:00-21:00)设置为2元/(kW·h),平峰时段(12:00-14:30与21:00-24:00)设置为1.5元/(kW·h),低谷时段(00:00-08:00)设置为0.5元 /(kW·h)。
六、快充站推荐模型的构建
本实施例基于电动汽车行驶行为模型和充电行为模型,利用快充站推荐模型,得到电动汽车在指定预测时段内的推荐快充站,快充站推荐模型的构建涉及以下内容。
S6.1确定后悔函数
后悔理论基本原理:后悔理论依据人类行为在离散事件选择时存在的后悔规避心理,描述决策者在方案抉择时同时关注所选方案和备选方案所带来的效用。当所选方案效用要优于其他方案时会产生欣喜体验,反之,会产生后悔体验。这种人类情感状态可以采用后悔函数进行量化:
式中:Ui表示选择方案i的随机后悔值;Fi表示选择方案i产生的确定后悔值,反映决策者对方案的感知能力;ξa表示属性a的估计参数,反映决策者对属性a的偏重;xja、xia分别表示方案i和方案j的属性值a;σi表示选择方案i的随机后悔误差,σi服从独立同分布;Pu(i) 表示选择方案i的概率。
由式(24)可知,后悔理论决策规则实质为:备选方案集有多个方案供选择时,通过反复权衡不同方案属性值之间的效用差(xja-xia)当(xja-xia)保持中间状态时,可使得最终所选方案后悔值最小,方案概率最大,即,决策者倾向选择具有折衷效应的方案。因此,这种后悔规避心理选择行为更符合人类真实的思维习惯。
S6.2快充站推荐模型
后悔理论为分析人类选择行为提供了一种有效的分析工具,因此本节基于该理论建立快充站推荐模型,将全部的时间消耗T以及充电费用花费I作为属性值,方案集为全部充电站,则快充站推荐模型如下:
利用公式(27)、(28),求得使方案随机后悔值Ui最小的方案,作为向车主推荐的快充站。根据后悔理论,当(xja-xia)保持中间状态,即方案折衷时,能取到Ui的最小值,因此求得使随机后悔值Ui最小的快充站推荐结果即为折衷方案。
利用本发明以上方法,可实现以1h为时间间隔,预测得到工作日下各充电站平均充电需求车辆数时间分布情况,图2示出了本实施例14个快充站中,快速充电需求车辆的时间分布,其中快充站推荐模型中时间消耗估计参数ξ1和充电费用估计参数ξ2统一设置为-1,即假设决策者对两个属性偏重程度相同。
由图2可知,整体上,受工作日交通出行流量影响,平均快充需求车辆数在时间上分布不均衡,充电需求高峰时段集中在中午12:00-13:00时段,达到321.23辆,以及晚上17:00-18:00 时段达到265.32辆。其中服务车辆数最多的快充站为CS1,该站主要分布在城市中心区域,引导充电需求车辆数最多,为23.15辆,而由于快充站CS12位于城市边缘区域,服务车辆数最少,仅为12.23辆。
图3给出了高峰时段(12:00-13:00)充电需求车辆空间分布情况,由图3可知,快充需求为途中紧急充电方式,车辆充电需求触发位置主要集中在交通道路上,且城市中心区域多于边缘区域。而充电需求热点路段为:路段234-281、路段270-374、路段311-315以及路段469-489,上述路段充电需求车辆均超过30辆,由POI检索可知该路段所属区域主要为商业区。
在利用本发明方法得到预测结果的基础上,以15min为仿真步长,分别计算工作日和双休日各充电站平均充电需求负荷分布,可得结果如图4所示。
由图4可知,由于居民出行需求主要集中在白天时段,因此工作日和双休日白天时段的充电需求负荷均大于晚上时段,且各快充站负荷峰谷差波动较大。
工作日:平均充电需求负荷最大快充站为CS1,在11:45时刻达到负荷峰值,为1.56MW,负荷低谷出现在02:15时刻,为0.14MW,该站负荷峰谷差为1.42MW。最小充电需求负荷快充站为CS11,在12:15时达到负荷峰值,为0.96MW,负荷低谷出现在02:30时刻,仅为0.07MW,负荷峰谷差降为0.89MW。
双休日:平均充电需求负荷较于工作日有明显降低。负荷需求最大的站依旧为CS1,负荷峰值和低谷分别为1.42MW和0.06MW,负荷峰谷差为1.36MW。负荷需求最小的站为CS12,负荷峰值和低谷分别为0.93MW和0.06MW,负荷峰谷差为0.87MW。
经后续验证,利用本发明预测方法得到的各充电站的快充负荷需求更加符合实际情况,即实现了负荷需求预测结果可靠性的提高,同时也能够为后续的城市快充站部署、充电引导、电力调度和充电影响评估等提供支撑。
实施例2
与实施例基于相同的发明构思,本实施例介绍一种城市电动汽车快充需求预测装置,包括:
数据获取模块,被配置用于获取待预测区域内的居民历史出行数据、电动汽车数据、交通路网数据和电网数据;
出行规律特征分析模块,被配置用于基于居民历史出行数据进行分析,得到待预测区域的居民出行规律特征数据;
行驶行为分析模块,被配置用于基于所述电动汽车出行规律特征数据以及电动汽车数据,建立电动汽车行驶行为模型;
充电行为分析模块,被配置用于基于电动汽车数据、交通路网数据和电网数据,建立电动汽车充电行为模型;
充电站选择分析模块,被配置用于基于已建立的电动汽车行驶行为模型和充电行为模型,利用预先构建的快充站推荐模型,得到电动汽车在指定预测时段内的推荐快充站;
以及,快充负荷分布特性分析模块,被配置用于根据电动汽车在指定预测时段内的推荐快充站,计算待预测区域内各快充站在指定预测时段内的充电需求数据。
以上各模块的具体功能实现,参考实施例1中的相关内容。
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。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (11)
1.一种城市电动汽车快充需求预测方法,其特征是,包括:
获取待预测区域内的居民历史出行数据;
基于居民历史出行数据进行分析,得到待预测区域的居民出行规律特征数据;
获取待预测区域的电动汽车数据;
基于所述居民出行规律特征数据以及电动汽车数据,建立电动汽车行驶行为模型;
获取待预测区域的交通路网数据和电网数据;
基于电动汽车数据、交通路网数据和电网数据,建立电动汽车充电行为模型;
基于已建立的电动汽车行驶行为模型和充电行为模型,利用预先构建的快充站推荐模型,得到电动汽车在指定预测时段内的推荐快充站;
根据电动汽车在指定预测时段内的推荐快充站,计算待预测区域内各快充站在指定预测时段内的充电需求。
2.根据权利要求1所述的方法,其特征是,所述基于居民历史出行数据进行分析,为基于待预测城市中预先指定区域范围内的网约车历史行程轨迹数据进行分析。
3.根据权利要求2所述的方法,其特征是,基于所述网约车历史行程轨迹数据进行分析包括:
S2.1,筛选预先指定区域范围内的网约车历史行程轨迹数据,获取网约车历史订单轨迹的时间和空间特征信息;
S2.2,将获取到的特征信息映射到平面范围区域,映射后的每条订单轨迹表示为下式:
S2.3,统计所有订单轨迹,得到包含起讫点位置和时间的交通OD矩阵集合,表示为下式:
式中:So表示起点O的矩阵集合,Sd表示终点D的矩阵集合;
S2.4,统计居民出行路线:
用下式表示交通路网模型:
式中:G表示交通路网;V表示G中所有交通节点vi的集合;E表示G中所有路段vij的集合;W表示路段权值wij的集合;
式中:Pj表示第j个订单行驶轨迹的交通节点集合;
则起点O与终点D之间的全部路线表示为下式:
Rod(m)=∑Pj(m)+∑Qk(m) (6)
式中:Rod(m)表示OD间的第m条路线,Pj(m)表示第j个订单起止节点为OD的第m条路线;Qk(m)表示第k个订单包含起止节点OD的第m条路线。
4.根据权利要求3所述的方法,其特征是,所述待预测区域的电动汽车数据包括:电动汽车的类型及数量、电池参数和单位里程耗电量;
所述交通路网数据包括待预测区域交通路网中各道路的等级及车速数据;
所述电网数据包括待预测区内的快充站、站内充电桩及其历史充电数据。
5.根据权利要求4所述的方法,其特征是,所述电动汽车行驶行为模型的构建方法包括:
S4.1,为待预测区域的每辆电动汽车分配OD矩阵:
采用蒙特卡洛随机抽样方法从OD集合So和Sd中为第i辆电动汽车Ev(i)分配出发时刻to(i)和出发位置Do(i)以及目的地位置Dd(i):
式中:i表示电动汽车的编号,i=1,2,3,…ne,ne为待预测区域的电动汽车数量;
S4.3,在行驶模拟过程中,记录车辆充电需求触发时刻tr(i)和位置Dr(i),将目的地位置Dd(i)更改为推荐的充电站位置k表示快充站的编号,k=1,2,3,…ns,ns为快充站的数量;充电完成再将目的地位置更换为Dd(i),则得到实际行驶路线表示为Pe(i):
式中:γ(i)表示车辆充电需求标志位,触发时γ(i)=1,否则γ(i)=0,ta(i)表示车辆抵达推荐快充站的时刻,tf(i)表示车辆离开快充站的时刻,td(i)表示车辆最终到达目的地的时刻;
Le(i)=l(vod)+γ(i){l(vrs)+l(vsd)-l(vrd)} (11)
式中:l(vxy)表示位置x和位置y之间实际行驶路线max{Rxy(m)}的路段距离;
S4.4,重复步骤S4.1至S4.4,为新的Ev(i)选取新的路线进行行驶模拟,直至完成全天的出行轨迹模拟,得到各电动汽车全天的出行轨迹模拟数据,作为各电动汽车的行驶行为模型。
6.根据权利要求5所述的方法,其特征是,所述充电行为模型的构建包括:
S5.1,确定各类型电动汽车的电池参数,所述电池参数包括电池容量和续航里程;
S5.3,建立行驶途中的充电需求判断模型,当满足以下不等式,充电需求标志位γ(i)为1:
Ct(i)≤ε·Cp(i) (14)
式中:ε表示车主的里程焦虑系数,ε服从均匀分布U[0.15,3];Cp(i)为电动汽车电池剩余容量;Ct(i)为电动汽车在t时刻剩余电量,表示为:
式中:ψjk表示路段决策变量值,当车辆在实际路线Pe(i)的交通路段vjk上行驶时,ψjk=1,否则ψjk=0,l(vjk)为交通路段vjk的长度;
S5.4,建立快充站充电模型,快充站充电模型包括车辆排队模型、车辆等待时长模型、车辆充电时长模型、车辆充电费用模型。
7.根据权利要求6所述的方法,其特征是,步骤S5.4包括:
S5.4.1,建立车辆排队模型,包括:
S5.4.2,建立车辆等待时长模型。包括:
式中:nk表示Ev(i)抵达充电站k时的在站车辆数,包括正在充电和充电等待车辆,由下式求得:
S5.4.3,建立车辆充电时长模型,包括:
假设电动汽车在充电结束时的SOC值fc服从N(0.85,0.3)的正态分布,则Ev(i)的快速充电时长Tf(i)为:
S5.4.4,建立车辆充电费用模型,表示为Ic(i):
Ic(i)=[Cp(i)fc(i)-Ca(i)]ω(t) (24)
式中:ω(t)表示充电服务分时电价
8.根据权利要求7所述的方法,其特征是,所述快充站推荐模型的构建方法包括:
S6.1,确定后悔函数,表示为:
式中:Ui表示选择方案i的随机后悔值;Fi表示选择方案i产生的确定后悔值,反映决策者对方案的感知能力;ξa表示属性a的估计参数,反映决策者对属性a的偏重;xja、xia分别表示方案i和方案j的属性值a,na为方案的属性数量;σi表示选择方案i的随机后悔误差,σi服从独立同分布;Pu(i)表示选择方案i的概率;
S6.2,将待预测区域内的全部快充站作为方案集,将选择方案集中各快充站产生的充电时间T和充电费用I作为方案的属性,建立快充站推荐模型为:
式中:jc=ic=k表示选择快充站的具体方案。
9.根据权利要求8所述的方法,其特征是,所述利用预先构建的快充站推荐模型,得到电动汽车在指定预测时段内的推荐快充站为:
基于公式(27)、(28),求得使方案随机后悔值Ui最小的方案,作为向车主推荐的快充站。
11.一种城市电动汽车快充需求预测装置,其特征是,包括:
数据获取模块,被配置用于获取待预测区域内的居民历史出行数据、电动汽车数据、交通路网数据和电网数据;
出行规律特征分析模块,被配置用于基于居民历史出行数据进行分析,得到待预测区域的居民出行规律特征数据;
行驶行为分析模块,被配置用于基于所述居民出行规律特征数据以及电动汽车数据,建立电动汽车行驶行为模型;
充电行为分析模块,被配置用于基于电动汽车数据、交通路网数据和电网数据,建立电动汽车充电行为模型;充电站选择分析模块,被配置用于基于已建立的电动汽车行驶行为模型和充电行为模型,利用预先构建的快充站推荐模型,得到电动汽车在指定预测时段内的推荐快充站;
以及,快充负荷分布特性分析模块,被配置用于根据电动汽车在指定预测时段内的推荐快充站,计算待预测区域内各快充站在指定预测时段内的充电需求数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110107261.3A CN113191523A (zh) | 2021-01-27 | 2021-01-27 | 基于数据驱动方式和行为决策理论的城市电动汽车快充需求预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110107261.3A CN113191523A (zh) | 2021-01-27 | 2021-01-27 | 基于数据驱动方式和行为决策理论的城市电动汽车快充需求预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191523A true CN113191523A (zh) | 2021-07-30 |
Family
ID=76972669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110107261.3A Pending CN113191523A (zh) | 2021-01-27 | 2021-01-27 | 基于数据驱动方式和行为决策理论的城市电动汽车快充需求预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191523A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114148213A (zh) * | 2021-11-30 | 2022-03-08 | 西安理工大学 | 一种电网和电动车电网互动协调综合控制处理方法和系统 |
CN114384823A (zh) * | 2022-03-23 | 2022-04-22 | 智能网联汽车(山东)协同创新研究院有限公司 | 基于智能网联汽车的模拟道路仿真测试系统 |
CN114565148A (zh) * | 2022-02-23 | 2022-05-31 | 广州市城市规划勘测设计研究院 | 一种充电需求预测方法及装置 |
CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN116353399A (zh) * | 2023-05-09 | 2023-06-30 | 湖北国网华中科技开发有限责任公司 | 充电桩的动态运行方法、装置、设备及可读存储介质 |
CN117350519A (zh) * | 2023-12-04 | 2024-01-05 | 武汉理工大学 | 基于新能源乘用车充电需求预测的充电站规划方法及系统 |
CN117350519B (zh) * | 2023-12-04 | 2024-05-17 | 武汉理工大学 | 基于新能源乘用车充电需求预测的充电站规划方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392400A (zh) * | 2017-09-04 | 2017-11-24 | 重庆大学 | 计及实时交通与温度的ev充电负荷时空分布预测方法 |
CN111046576A (zh) * | 2019-12-24 | 2020-04-21 | 国网福建省电力有限公司 | 一种考虑双网信息的电动私家车充电负荷预测方法 |
-
2021
- 2021-01-27 CN CN202110107261.3A patent/CN113191523A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392400A (zh) * | 2017-09-04 | 2017-11-24 | 重庆大学 | 计及实时交通与温度的ev充电负荷时空分布预测方法 |
CN111046576A (zh) * | 2019-12-24 | 2020-04-21 | 国网福建省电力有限公司 | 一种考虑双网信息的电动私家车充电负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
邢强等: ""基于数据驱动方式和行为决策的电动汽车快充需求预测模型"", 《电网技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114148213A (zh) * | 2021-11-30 | 2022-03-08 | 西安理工大学 | 一种电网和电动车电网互动协调综合控制处理方法和系统 |
CN114148213B (zh) * | 2021-11-30 | 2024-03-01 | 西安理工大学 | 一种电网和电动车电网互动协调综合控制处理方法和系统 |
CN114565148A (zh) * | 2022-02-23 | 2022-05-31 | 广州市城市规划勘测设计研究院 | 一种充电需求预测方法及装置 |
CN114565148B (zh) * | 2022-02-23 | 2022-11-15 | 广州市城市规划勘测设计研究院 | 一种充电需求预测方法及装置 |
CN114384823A (zh) * | 2022-03-23 | 2022-04-22 | 智能网联汽车(山东)协同创新研究院有限公司 | 基于智能网联汽车的模拟道路仿真测试系统 |
CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN116353399A (zh) * | 2023-05-09 | 2023-06-30 | 湖北国网华中科技开发有限责任公司 | 充电桩的动态运行方法、装置、设备及可读存储介质 |
CN116353399B (zh) * | 2023-05-09 | 2023-11-03 | 湖北国网华中科技开发有限责任公司 | 充电桩的动态运行方法、装置、设备及可读存储介质 |
CN117350519A (zh) * | 2023-12-04 | 2024-01-05 | 武汉理工大学 | 基于新能源乘用车充电需求预测的充电站规划方法及系统 |
CN117350519B (zh) * | 2023-12-04 | 2024-05-17 | 武汉理工大学 | 基于新能源乘用车充电需求预测的充电站规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191523A (zh) | 基于数据驱动方式和行为决策理论的城市电动汽车快充需求预测方法和装置 | |
Xing et al. | Charging demand forecasting model for electric vehicles based on online ride-hailing trip data | |
Ma et al. | Optimal fast charging station locations for electric ridesharing with vehicle-charging station assignment | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
Zhang et al. | Models, algorithms, and evaluation for autonomous mobility-on-demand systems | |
Brandstätter et al. | Overview of optimization problems in electric car-sharing system design and management | |
Croce et al. | Sustainable mobility and energy resources: A quantitative assessment of transport services with electrical vehicles | |
CN102044149B (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
CN108776852A (zh) | 无桩车辆调度方法和系统 | |
Fiedler et al. | Impact of mobility-on-demand on traffic congestion: Simulation-based study | |
Hamadneh et al. | Potential travel time reduction with autonomous vehicles for different types of travellers | |
Hörl | Implementation of an autonomous taxi service in a multi-modal traffic simulation using MATSim | |
CN111046576B (zh) | 一种考虑双网信息的电动私家车充电负荷预测方法 | |
Jakob et al. | Macroscopic modeling of on-street and garage parking: Impact on traffic performance | |
Liu et al. | Shared autonomous taxi system and utilization of collected travel-time information | |
JP2019046106A (ja) | 経路推定装置、経路推定方法およびコンピュータプログラム | |
Li et al. | Trajectory-driven planning of electric taxi charging stations based on cumulative prospect theory | |
Wang et al. | Large-scale intelligent taxicab scheduling: A distributed and future-aware approach | |
Wang et al. | Towards accessible shared autonomous electric mobility with dynamic deadlines | |
Uribe et al. | Discrete event simulation for battery-swapping station sizing for hybrid and electric motorcycles | |
JP2020027023A (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
JP2023155476A (ja) | 情報処理システム、情報処理装置、情報処理方法及び情報処理プログラム | |
CN109583708B (zh) | 多智能体微观交通配流模型的建立方法 | |
Poliziani et al. | Supply and demand analysis of a free floating bike sharing system | |
Kutlimuratov et al. | Impact of stops for bus delays on routes |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |
|
RJ01 | Rejection of invention patent application after publication |