CN113268709A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113268709A CN113268709A CN202110427920.1A CN202110427920A CN113268709A CN 113268709 A CN113268709 A CN 113268709A CN 202110427920 A CN202110427920 A CN 202110427920A CN 113268709 A CN113268709 A CN 113268709A
- Authority
- CN
- China
- Prior art keywords
- charging
- traveler
- agent
- trip
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004088 simulation Methods 0.000 title claims abstract description 41
- 101100100125 Mus musculus Traip gene Proteins 0.000 claims abstract description 174
- 230000000694 effects Effects 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 230000003542 behavioural effect Effects 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 57
- 230000006399 behavior Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 22
- 208000019901 Anxiety disease Diseases 0.000 claims description 21
- 230000036506 anxiety Effects 0.000 claims description 21
- 230000005611 electricity Effects 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 239000003795 chemical substances by application Substances 0.000 description 114
- 238000012549 training Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种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，属于城市公共交通管理中的信息技术领域，包括：S1、出行者行为参数的确定以及轨迹数据的形成：出行者行为参数由概率密度函数确定，概率密度函数利用Python对现有数据进行拟合得到，轨迹数据使用的是NHTS2017的真实调查数据；S2、电动汽车充电选择确定：通过效用理论构建出行者充电选择模型；S3、充电需求分布预测模型：通过出行活动模拟优先的策略，克服在充电桩资源有限的条件下，传统模型决定出行者充电先后顺序上的不足。本发明充分考虑了充电桩数量的限制以及出行者的异质性偏好；引入充电桩的数量限制使得模型预测结果更加符合实际情况。
Description
技术领域
本发明属于城市公共交通管理中的信息技术领域，特别是涉及一种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。
背景技术
社会经济以及科学技术的发展催生了一大批新的交通技术，电动汽车作为其中的一种，其主要依靠电力来运转并具有低排放和低使用成本的优点，除了能给交通服务带来便利性，电动汽车还能够有效减少化石能源消耗和气候变暖问题，这将有效缓解全球能源危机问题(Yi et al.,2020)。鉴于以上优点，近年来电动汽车越来越多的受到各国政府的关注，随着政府的各项激励政策以及汽车制造商的不断投资，电动汽车正迅猛发展(Lin etal.,2019)。过去几年，中国的电动汽车数量一直呈现上升的趋势，并且预计在接下来的几年中电动汽车数量依然会保持一个非常强劲的增长势头(China Society ofAutomobileEngineers，《全球新能源汽车发展报告2020：汽车百年大变局》)。根据《新能源汽车产业发展规划(2021-2035年)》(The State Council,2020)的发展愿景，到2025年，中国新能源汽车新车销量达到汽车新车销售总量的20％左右。2019年中国的乘用车的总销量是2568.9万辆(ChinaAssociation ofAutomobile Manufacturers,2020)，按照目前的销售水平，到2025年中国的新能源汽车销量将达到429万辆，算上本来的保有量届时电动汽车数量将达到一个非常高的水平。许多研究已经表明大量的电动汽车将会产生相当大的电力需求并且增加电网的负载峰值以及需求的波动性，进而增加电网的扩容支出以及运营压力(Arias&Bae,2016；Lin et al.,2019；Moon et al.,2018)。因此，建立精确的城市电动汽车充电负荷预测模型对于提升城市充电系统的运营效率，提高用户充电满意度以及减小电网运营压力有着重大的指导意义。总而言之，电动汽车数量的增多将会给充电服务提供商带来巨大挑战，一方面，充电服务提供商需要提供更多的充电基础设施去满足用户的充电需求；另一方面，充电服务提供商在提供充电服务的同时还要兼顾自身的利益问题。如果一味地满足用户对于充电基础设施的需求，而不考虑电网的负载能力，那么电网运营成本将会大大增加从而削减了自身的利益。
近年来，针对电动汽车充电需求的预测模型，相关学者进行了大量的研究。现有的文献使用的方法大致可以分为三类：第一类是基于蒙特卡罗模拟的概率模型方法(Su etal.,2019；Yi et al.,2020)，但不同的学者考虑的因素不尽相同，一些研究分析对比了不同人口统计学因素的充电需求分布(Zhang et al.,2020)，不同工作日类型下的充电需求分布，还有一些学者研究了道路状况以及温度条件对于充电需求的影响(Chen LD et al.,2015)。第二类是马尔可夫链理论，不同城市功能区的充电需求分布具有差异性，空间马尔科夫链常用来描述电动汽车在不同功能区之间的转移过程(Shepero&Munkhammar,2018；Zhou and Wang,2018)，一些研究将电动汽车的运行状态分为三种，包括行驶，停车充电以及停车不充电，通过研究不同状态之间的转移概率来进行仿真实验实现对充电需求的预测(Fotouhi et al.,2019)。第三类是基于大数据的相关方法，通过数据挖掘技术识别不同区域，并从点需求特征出发来评估充电负荷对配电网造成的潜在风险(Xydas E et al.,2016)，采用概率估计以及聚类分析的方法(Mirzaei MJ et al.,2015；Helmus et al.,2020)，Jahangir H et al.(Jahangir H et al.,2019)基于到达时间、出发时间和出行距离的历史数据，提出了基于神经网络的充电需求预测模型。
鉴于以上与充电需求预测以及用户充电选择行为的相关文献中存在的问题与不足，本研究基于出行链数据并结合MAS技术构建一种新型的充电需求分布预测模型，该模型能够刻画以下两个现实情况中的基本条件：一是出行者是异质而非同质的，不同出行者对于出行过程中电动汽车SOC水平的主观感受程度是不一样的。一般来说，一个风险规避型出行者更倾向于使其电动汽车SOC处于较高的水平，一个对风险不是那么敏感的出行者可能不会使其电动汽车总是保持较高水平的SOC。而是出行者是有限理性的，其关于充电选择的决策过程并不是盲目而冲动的，当出行者产生里程焦虑后还会综合考虑电量因素、价格因素以及停车时长等因素。当以上因素被考虑的话，传统的充电需求模型将会显露出诸多不足并且无法扩展到更普遍的情形。
发明内容
技术方案，为了解决上述背景技术中的技术问题：目前电动汽车数量的飞速增长，用户用电需求激增，充电需求预测的不确定性增大，电网的运营压力增大的问题。
本发明的第一目的是提供一种基于智能体仿真的城市电动汽车充电需求预测方法，包括：
S1、出行者行为参数的确定以及轨迹数据的形成：所述出行者行为参数由概率密度函数确定，所述概率密度函数利用Python对现有数据进行拟合得到，轨迹数据使用的是NHTS2017的真实调查数据；
S2、电动汽车充电选择确定：通过效用理论构建出行者充电选择模型；
S3、充电需求分布预测模型：通过出行活动模拟优先的策略，克服在充电桩资源有限的条件下，传统模型决定出行者充电先后顺序上的不足。
优选地，在S1中，通过用户出行活动数据生成平台完成出行链分析，确定了与出行链有关的时空特性参数，随后基于已有出行数据对出行的时空特性参数进行拟合得到相应的概率分布；
电动汽车在时间和空间上的随机移动被表示成一系列的出行链，该出行链是一系列有序出行的序列，并由到达、停车及出发的位置和时间序列组成；单个Agent的出行链可表示为如下变量的集合：
其中，n表示出行者Agent的索引，第n名出行者Agent的出行链由M(n)次个体出行组成，一条出行链的变量可以分为以下2大类：
时间变量，包括：
td,mn：第n名出行者Agent的第m次出行的出发时间；
ta,mn：第n名出行者Agent的第m次出行的到达时间；
tp,mn：第n名出行者Agent的第m次出行的停车时间；
空间变量，包括：
gd,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的出发地点；
ga,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的到达地点；
dmn：第n名出行者Agent的第m次出行的行驶距离；
出行者Agent的出行链变量同时满足以下约束条件：
td,(m+1)n＝ta,mn+tp,mn (2)
(xd,(m+1)n,yd,(m+1)n)＝(xa,mn,ya,mn) (3)
NHTS数据提供了一系列的出行链空间转移数据，基于这些数据并结合MonteCarlo方法，出行者Agent通过强化学习完成出行链时空变量的选择；
用户出行活动数据生成过程包括：
收集出行数据；
获取、维护、整理以及分类出行数据；
对出行数据进行清洗筛选，并通过概率拟合得到用户出行的时间、物理特征；
对用户出行特征的调参以及评估；
用户出行数据的批量预测。
优选地，在S2中，运用机器学习模型对出行者的充电数据进行训练学习，并根据得到的模型来预测出行者的充电选择行为；具体为：
引入效用函数来描述用户充电行为选择的过程；该效用函数满足以下几个条件：
(1)当其他时段的充电价格增加时，当前时段用户的效用也随之增加，即
其中C-t表示非t时段的充电价格；
(2)当t时段的充电价格增加时，t时段用户的效用随之减少，即
其中Ct表示t时段的充电价格；
(3)当用户的里程焦虑水平增加时，相同的充电量对其产生的效用随之增加，即
其中Ai表示电动汽车用户i的里程焦虑水平；
记t时间段内到达的出行者i的停车时间为tp (i,t)，电池电量SOCt i，电池容量记为CB，充电到最大可允许充电荷电状态的时间为
则其有效充电时间为
充电荷电状态变化量ΔSOCt i：
记t时间段的充电价格为Ct，平均电价记为Ca，下面的效用函数被用作用户充电决策的效用函数：
UC (i,t)(Ct,Ca,ΔSOCt i,Ai)＝(1+Ai)ΔSOCt iCBCa-ΔSOCt iCBCt
其中，Ca表示加权平均电价，其表达式如下：
Ca＝(Cp|Spanp|+Cf|Spanf|+Cv|Spanv|)/T
效用函数满足上述3个条件，该效用函数衡量了用户选择充电后所得效用；如果效用函数值为正，则表明用户选择充电后所得的收益是大于0的；若为负，则表明用户选择充电后所得收益小于0。
将电动汽车用户的充电决策机制表示如下：
(11)为了保证车辆能够顺利完成日出行，不论处于什么条件，当下式成立时电动汽车必定发出充电请求：
SOCt i-dn+1/R≤0.2
当电动汽车的电量减去下一次出行的耗电量低于20％时，必定要发出充电请求；
(12)除了上述的充电情形外，当下面的条件满足时，出行者Agent也会发出充电请求：
(SOCt i≤Ai OR SOCt i-dn+1/R≤Ai)AND UC (i,t)(Ct,Ca,ΔSOCt i,Ai)＞0
该条件表明当出行者发生里程焦虑时由于每一Agent是理性的，此时其并不会立即发出充电请求，此时，Agent会自动学习环境信息并根据环境信息计算出自身的充电效用，如果充电效用大于0则选择充电，否则选择不充电。
优选地，充电选择行为优先权确定步骤为：
第一步：假定每一出行者Agent的电池电量都能够支撑其完成日出行活动，在此基础上对其出行链进行仿真并记录每一出行者Agent的出行链相关数据，仿真结束后得到每一出行者Agent的日出行的每次出行的具体数据；
第二步，在第一步获取的数据基础上，根据每一时段到达时间的先后对出行者Agent进行排序，到达时间在前的Agent要比到达时间在后的Agent拥有做出充电选择行为的优先权。
本发明的第二目的是提供一种基于智能体仿真的城市电动汽车充电需求预测系统，包括：
数据模块：出行者行为参数的确定以及轨迹数据的形成：所述出行者行为参数由概率密度函数确定，所述概率密度函数利用Python对现有数据进行拟合得到，轨迹数据使用的是NHTS2017的真实调查数据；
模型构建模块：电动汽车充电选择确定：通过效用理论构建出行者充电选择模型；
预测模块：充电需求分布预测模型：通过出行活动模拟优先的策略，克服在充电桩资源有限的条件下，传统模型决定出行者充电先后顺序上的不足。
优选地，在数据模块中，通过用户出行活动数据生成平台完成出行链分析，确定了与出行链有关的时空特性参数，随后基于已有出行数据对出行的时空特性参数进行拟合得到相应的概率分布；
电动汽车在时间和空间上的随机移动被表示成一系列的出行链，该出行链是一系列有序出行的序列，并由到达、停车及出发的位置和时间序列组成；单个Agent的出行链可表示为如下变量的集合：
[td,mn,gd,mn,dmn,ta,mn,ga,mn,tp,mn]n (1)
其中，n表示出行者Agent的索引，第n名出行者Agent的出行链由M(n)次个体出行组成，一条出行链的变量可以分为以下2大类：
时间变量，包括：
td,mn：第n名出行者Agent的第m次出行的出发时间；
ta,mn：第n名出行者Agent的第m次出行的到达时间；
tp,mn：第n名出行者Agent的第m次出行的停车时间；
空间变量，包括：
gd,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的出发地点；
ga,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的到达地点；
dmn：第n名出行者Agent的第m次出行的行驶距离；
出行者Agent的出行链变量同时满足以下约束条件：
td,(m+1)n＝ta,mn+tp,mn (2)
(xd,(m+1)n,yd,(m+1)n)＝(xa,mn,ya,mn) (3)
NHTS数据提供了一系列的出行链空间转移数据，基于这些数据并结合MonteCarlo方法，出行者Agent通过强化学习完成出行链时空变量的选择；
用户出行活动数据生成过程包括：
收集出行数据；
获取、维护、整理以及分类出行数据；
对出行数据进行清洗筛选，并通过概率拟合得到用户出行的时间、物理特征；
对用户出行特征的调参以及评估；
用户出行数据的批量预测。
优选地，在模型构建模块中，运用机器学习模型对出行者的充电数据进行训练学习，并根据得到的模型来预测出行者的充电选择行为；具体为：
引入效用函数来描述用户充电行为选择的过程；该效用函数满足以下几个条件：
(1)当其他时段的充电价格增加时，当前时段用户的效用也随之增加，即
其中C-t表示非t时段的充电价格；
(2)当t时段的充电价格增加时，t时段用户的效用随之减少，即
其中Ct表示t时段的充电价格；
(3)当用户的里程焦虑水平增加时，相同的充电量对其产生的效用随之增加，即
其中Ai表示电动汽车用户i的里程焦虑水平；
记t时间段内到达的出行者i的停车时间为tp (i,t)，电池电量SOCt i，电池容量记为CB，充电到最大可允许充电荷电状态的时间为
则其有效充电时间为
充电荷电状态变化量ΔSOCt i：
记t时间段的充电价格为Ct，平均电价记为Ca，下面的效用函数被用作用户充电决策的效用函数：
UC (i,t)(Ct,Ca,ΔSOCt i,Ai)＝(1+Ai)ΔSOCt iCBCa-ΔSOCt iCBCt
其中，Ca表示加权平均电价，其表达式如下：
Ca＝(Cp|Spanp|+Cf|Spanf|+Cv|Spanv|)/T
效用函数满足上述3个条件，该效用函数衡量了用户选择充电后所得效用；如果效用函数值为正，则表明用户选择充电后所得的收益是大于0的；若为负，则表明用户选择充电后所得收益小于0。
将电动汽车用户的充电决策机制表示如下：
(11)为了保证车辆能够顺利完成日出行，不论处于什么条件，当下式成立时电动汽车必定发出充电请求：
SOCt i-dn+1/R≤0.2
当电动汽车的电量减去下一次出行的耗电量低于20％时，必定要发出充电请求；
(12)除了上述的充电情形外，当下面的条件满足时，出行者Agent也会发出充电请求：
(SOCt i≤Ai OR SOCt i-dn+1/R≤Ai)AND UC (i,t)(Ct,Ca,ΔSOCt i,Ai)＞0
该条件表明当出行者发生里程焦虑时由于每一Agent是理性的，此时其并不会立即发出充电请求，此时，Agent会自动学习环境信息并根据环境信息计算出自身的充电效用，如果充电效用大于0则选择充电，否则选择不充电。
优选地，充电选择行为优先权确定步骤为：
第一步：假定每一出行者Agent的电池电量都能够支撑其完成日出行活动，在此基础上对其出行链进行仿真并记录每一出行者Agent的出行链相关数据，仿真结束后得到每一出行者Agent的日出行的每次出行的具体数据；
第二步，在第一步获取的数据基础上，根据每一时段到达时间的先后对出行者Agent进行排序，到达时间在前的Agent要比到达时间在后的Agent拥有做出充电选择行为的优先权。
本专利的第三发明目的是提供一种实现上述基于智能体仿真的城市电动汽车充电需求预测方法的计算机程序。
本专利的第四发明目的是提供一种实现上述基于智能体仿真的城市电动汽车充电需求预测方法的信息数据处理终端。
本专利的第五发明目的是提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的基于智能体仿真的城市电动汽车充电需求预测方法。
本发明的优点及积极效果为：
通过采用上述技术方案，本发明具有如下的技术效果：
本发明可用来预测某一确定的城市区域的电动汽车充电需求。具体步骤是：电动汽车充电需求预测模型以出行者的行为参数以及城市充电环境参数作为输入，城市充电环境参数包括充电价格，充电桩数量，城市道路速度限制等。出行者的行为参数包括出行出发时间、出行距离、里程焦虑等。通过建立出行链模型，模拟得到电动汽车的日出行活动轨迹；通过建立充电选择模型，可确定出行者到达目的地时的充电决定；每一时间点根据电动汽车的到达时间先后决定充电的顺序，这需要首先完整模拟完所有电动汽车的日出行轨迹之后再对每一时间点进行排序，这一点上与传统的电动汽车充电需求预测模型有很大的不同。本预测模型研究了两种不同充电模式下的充电需求分布：(1)不变电价下的充电需求分布，不变电价下，出行者的充电选择模型可进行相应转化，使得充电价格不再是出行者考虑的一个因素，这时也称为无序充电模式下的充电需求分布；(2)分时电价下的充电需求分布，分时电价主要分为三个时期，高峰期，平时期以及谷时期，高峰期时的充电价格最高，其次是平时段，谷时段的充电价格最低，这时充电价格将会影响出行者的充电选择。
附图说明
图1为本发明优选实例中出行者出行行为选择过程；
图2为本发明优选实例中充电需求分布预测整体流程图；
图3为本发明优选实例中序列图；
图4为本发明优选实例中各时段速度时变数据图。
图5为本发明优选实例中用户出行链数据生成平台构架图；
图6为本发明优选实例中充电选择预估平台构架图；
图7为本发明优选实例中充电需求分布预测平台构架图；
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
请参阅图1至图7，具体方案为：
针对传统的充电需求预测模型，本发明充分考虑了充电桩数量的限制以及出行者的异质性偏好；引入充电桩的数量限制使得模型预测结果更加符合实际情况，所有出行者在同一条件下做出的充电选择都是异质性的，这使得模型预测的结果更加准确。
一种基于智能体仿真的城市电动汽车充电需求预测方法，包含下列步骤：
a、出行者行为参数的确定以及轨迹数据的形成方面：出行者的行为参数由相应的概率密度函数确定，概率密度函数利用Python对现有数据进行拟合得到，轨迹数据使用的是NHTS2017的真实调查数据。
本方法在实施过程中需要确定出行者的行为参数与环境参数，各参数可取值如下：
Range＝180km，C＝32kWh，P＝7kW，SOCM＝0.8，NH＝10000，NW＝1500，NO＝2000，高峰价格Cp＝1.0436(RMB/kWh)，平时价格Cf＝0.6768(RMB/kWh)，低谷价格Cv＝0.3923(RMB/kWh)。各时段速度时变数据如图4所示：
b、电动汽车充电选择确定方面：通过效用理论来构建出行者充电选择模型，体现了用户的有限理性以及偏好的异质性；
c、充电需求分布预测模型方面：通过出行活动模拟优先的策略，而不是充电选择和出行活动模拟并行的策略来克服在充电桩资源有限的条件下，传统模型决定出行者充电先后顺序上的不足。其中：
在步骤a中，通过用户出行活动数据生成平台完成出行链分析，确定了与出行链有关的时空特性参数，随后基于已有出行数据对出行的时空特性参数进行拟合得到相应的概率分布。
电动汽车在时间和空间上的随机移动可被表示成一系列的出行链。出行链是一系列有序出行的序列，并由到达、停车及出发的位置和时间序列组成。如图3所示，某个Agent的出行链可表示为如下变量的集合：
[td,mn,gd,mn,dmn,ta,mn,ga,mn,tp,mn]n (1)
其中n表示出行者Agent的索引。第n名出行者Agent的出行链由M(n)次个体出行组成。如前所述，一条出行链的变量可以分为以下2大类：
时间变量，包括：
td,mn：第n名出行者Agent的第m次出行的出发时间；
ta,mn：第n名出行者Agent的第m次出行的到达时间；
tp,mn：第n名出行者Agent的第m次出行的停车时间；
空间变量，包括：
gd,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的出发地点；
ga,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的到达地点；
dmn：第n名出行者Agent的第m次出行的行驶距离。
出行者Agent的出行链变量同时满足以下约束条件：
td,(m+1)n＝ta,mn+tp,mn (2)
(xd,(m+1)n,yd,(m+1)n)＝(xa,mn,ya,mn) (3)
NHTS数据提供了一系列的出行链空间转移数据，基于这些数据并结合MonteCarlo方法，出行者Agent通过强化学习完成出行链时空变量的选择。出行行为选择过程见附录。
用户出行活动数据生成平台包括5个层次：出行数据收集层、出行活动数据库、数据探索层、调研平台以及用户出行活动预测平台。出行数据收集层主要负责用户出行数据的采集并将数据分发给数据库模块，数据库模块主要负责出行数据的维护、整理以及分类等功能。数据探索层对出行数据进行清洗筛选并通过概率拟合得到用户出行的时间、物理特征。调研平台负责对用户出行特征的调参以及评估等功能，主要借助于机器学习领域的相关算法。最后，用户出行活动预测平台根据前述几个层次的结果实现用户出行数据的批量预测。
在步骤b中，提出了电动汽车用户的充电选择模型，充电选择模型涉及到用户的效用函数以及里程焦虑。
出行者的充电选择行为受到诸多因素的影响，并且在实际情况中不同出行者在充电行为的选择上也表现出了许多差异。这种个体之间的差异反映出了出行者间的异质性，目前的研究中大多没有考虑到出行者间具有异质性的情况，这会在一定程度上降低充电需求预测的精度。将出行者的个体偏好加入到其充电行为的选择过程中进一步完善了充电需求预测模型。
运用机器学习模型对出行者的充电数据进行训练学习，并根据得到的模型来预测出行者的充电选择行为。本研究引入效用函数来描述用户充电行为选择的过程。我们需要找到满足以下几个条件的效用函数U：
当其他时段的充电价格增加时，当前时段用户的效用也随之增加，即
其中C-t表示非t时段的充电价格。
当t时段的充电价格增加时，t时段用户的效用随之减少，即
其中Ct表示t时段的充电价格。
当用户的里程焦虑水平增加时，相同的充电量对其产生的效用随之增加，即
其中Ai表示电动汽车用户i的里程焦虑水平。
记t时间段内到达的出行者i的停车时间为tp (i,t)，电池电量SOCt i，电池容量记为CB，充电到最大可允许充电荷电状态的时间为
则其有效充电时间为
充电荷电状态变化量ΔSOCt i：
记t时间段的充电价格为Ct，平均电价记为Ca，下面的效用函数被用作用户充电决策的效用函数：
UC (i,t)(Ct,Ca,ΔSOCt i,Ai)＝(1+Ai)ΔSOCt iCBCa-ΔSOCt iCBCt
其中，Ca表示加权平均电价，其表达式如下：
Ca＝(Cp|Spanp|+Cf|Spanf|+Cv|Spanv|)/T
容易证明，效用函数满足上述3个条件，该效用函数衡量了用户选择充电后所得效用。如果效用函数值为正，则表明用户选择充电后所得的收益是大于0的；若为负，则表明用户选择充电后所得收益小于0。
综上所述，我们将电动汽车用户的充电决策机制表示如下：
(1)为了保证车辆能够顺利完成日出行，不论处于什么条件，当下式成立时电动汽车必定发出充电请求：
SOCt i-dn+1/R≤0.2
这表明当电动汽车的电量减去下一次出行的耗电量低于20％时必定要发出充电请求，这也与目前电动汽车电池的保护系统相一致。
(2)除了上述的充电情形外，当下面的条件满足时，出行者Agent也会发出充电请求：
(SOCt i≤Ai OR SOCt i-dn+1/R≤Ai)AND UC (i,t)(Ct,Ca,ΔSOCt i,Ai)＞0
该条件表明当出行者发生里程焦虑时由于每一Agent是理性的，此时其并不会立即发出充电请求，这个时候Agent会自动学习环境信息并根据环境信息计算出自身的充电效用，如果充电效用大于0则选择充电，否则选择不充电。
充电选择预估平台主要包括3个层次：数据维护层、数据探索层以及充电预估平台。数据维护层主要负责对收集到的用户充电数据进行维护并提供相关数据库服务功能，数据探索层主要运用机器学习方法对用户充电数据进行训练、测试以及评估，其训练结果将传递给充电预估平台用于预测给定出行活动下用户的充电行为选择。平台架构图见附录。
传统模型大多是在出行者Agent出行链仿真过程中就决定其在每一目的地的充电选择行为，这一点与实际中Agent的运行是相一致的。但由于实际情况下不同出行者Agent到达目的地的时间有先后顺序，因此在决定充电选择行为时需要依据到达时间的先后顺序进行仿真，而这一点在传统模型中却被忽略了。因出行者Agent在传统模型中的仿真具有先后顺序，所以造成的后果是最先模拟的电动汽车不管其到达时间在前还是在后都会自发的让其优先决定充电行为。显然上述情况与实际中是不相符合的，尤其是当仿真模型中存在充电桩限制时，因不同出行者Agent之间会存在抢夺充电桩资源问题的存在，传统模型的预测准确性将更加受到影响。
本充电需求分布预测平台在处理出行者Agent的学习机制模块时并没有使每一出行者Agent在每一目的地决定其充电行为，而是将出行者Agent的出行链选择与其充电行为选择剥离开来。该过程大致分为两步：第一步，假定每一出行者Agent的电池电量都能够支撑其完成日出行活动，在此基础上对其出行链进行仿真并记录每一出行者Agent的出行链相关数据，仿真结束后可以得到每一出行者Agent的日出行的每次出行的具体数据。第二步，在第一步获取的数据基础上，根据每一时段到达时间的先后对出行者Agent进行排序，到达时间在前的Agent要比到达时间在后的Agent拥有做出充电选择行为的优先权。通过以上两步即可解决传统模型在充电选择行为优先权上的不足，值得一提的是，本研究中的模型还可以扩展到不同充电桩配置下充电需求分布的预测，这对于评估不同充电桩配置下充电系统的性能表现有很大的启发意义。充电需求分布预测模型流程见附录。
本方法包括以下几个子平台：用户出行链数据生成平台、充电选择预估平台、充电需求分布预测平台。具体实施中这三个平台需要依次实施，用户出行链数据生成平台为充电选择预估平台提供数据支撑，充电选择预估平台在用户出行链数据生成平台提供数据的基础上生成每一出行者在目的地的充电选择。充电选择预估平台提供的充电选择为充电需求分布预测平台提供决策依据，充电需求分布预测平台依据充电选择预估平台提供的结果计算出行者的充电选择对电网造成的负载，随后将所有出行者在各时段对电网造成的负载进行集成得到整体充电需求预测结果。
用户出行链数据生成平台
该平台包括5个层次：出行数据收集层、出行活动数据库、数据探索层、调研平台以及用户出行活动预测平台。出行数据收集层主要负责用户出行数据的采集并将数据分发给数据库模块，数据库模块主要负责出行数据的维护、整理以及分类等功能。数据探索层对出行数据进行清洗筛选并通过概率拟合得到用户出行的时间、物理特征。调研平台负责对用户出行特征的调参以及评估等功能，主要借助于机器学习领域的相关算法。最后，用户出行活动预测平台根据前述几个层次的结果实现用户出行数据的批量预测。该平台的架构图5如下：
充电选择预估平台
该平台主要包括3个层次：数据维护层、数据探索层以及充电预估平台。数据维护层主要负责对收集到的用户充电数据进行维护并提供相关数据库服务功能，数据探索层主要运用机器学习方法对用户充电数据进行训练、测试以及评估，其训练结果将传递给充电预估平台用于预测给定出行活动下用户的充电行为选择。该平台的结构图6如下：
充电需求分布预测平台
该平台主要负责集成充电行为预测平台以及用户出行活动预测平台的数据，并在此基础上通过主机服务器运算得到充电需求分布数据，数据可视化平台接收充电需求分布数据，并对数据进行分类、指标计算最终将结果实时展示在终端上。该平台的架构图7如下：
一种基于智能体仿真的城市电动汽车充电需求预测系统，包括：
数据模块：出行者行为参数的确定以及轨迹数据的形成：所述出行者行为参数由概率密度函数确定，所述概率密度函数利用Python对现有数据进行拟合得到，轨迹数据使用的是NHTS2017的真实调查数据；
模型构建模块：电动汽车充电选择确定：通过效用理论构建出行者充电选择模型；
预测模块：充电需求分布预测模型：通过出行活动模拟优先的策略，克服在充电桩资源有限的条件下，传统模型决定出行者充电先后顺序上的不足。
优选地，在数据模块中，通过用户出行活动数据生成平台完成出行链分析，确定了与出行链有关的时空特性参数，随后基于已有出行数据对出行的时空特性参数进行拟合得到相应的概率分布；
电动汽车在时间和空间上的随机移动被表示成一系列的出行链，该出行链是一系列有序出行的序列，并由到达、停车及出发的位置和时间序列组成；单个Agent的出行链可表示为如下变量的集合：
[td,mn,gd,mn,dmn,ta,mn,ga,mn,tp,mn]n (1)
其中，n表示出行者Agent的索引，第n名出行者Agent的出行链由M(n)次个体出行组成，一条出行链的变量可以分为以下2大类：
时间变量，包括：
td,mn：第n名出行者Agent的第m次出行的出发时间；
ta,mn：第n名出行者Agent的第m次出行的到达时间；
tp,mn：第n名出行者Agent的第m次出行的停车时间；
空间变量，包括：
gd,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的出发地点；
ga,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的到达地点；
dmn：第n名出行者Agent的第m次出行的行驶距离；
出行者Agent的出行链变量同时满足以下约束条件：
td,(m+1)n＝ta,mn+tp,mn (2)
(xd,(m+1)n,yd,(m+1)n)＝(xa,mn,ya,mn) (3)
NHTS数据提供了一系列的出行链空间转移数据，基于这些数据并结合MonteCarlo方法，出行者Agent通过强化学习完成出行链时空变量的选择；
用户出行活动数据生成过程包括：
收集出行数据；
获取、维护、整理以及分类出行数据；
对出行数据进行清洗筛选，并通过概率拟合得到用户出行的时间、物理特征；
对用户出行特征的调参以及评估；
用户出行数据的批量预测。
在模型构建模块中，运用机器学习模型对出行者的充电数据进行训练学习，并根据得到的模型来预测出行者的充电选择行为；具体为：
引入效用函数来描述用户充电行为选择的过程；该效用函数满足以下几个条件：
(1)当其他时段的充电价格增加时，当前时段用户的效用也随之增加，即
其中C-t表示非t时段的充电价格；
(2)当t时段的充电价格增加时，t时段用户的效用随之减少，即
其中Ct表示t时段的充电价格；
(3)当用户的里程焦虑水平增加时，相同的充电量对其产生的效用随之增加，即
其中Ai表示电动汽车用户i的里程焦虑水平；
记t时间段内到达的出行者i的停车时间为tp (i,t)，电池电量SOCt i，电池容量记为CB，充电到最大可允许充电荷电状态的时间为
则其有效充电时间为
充电荷电状态变化量ΔSOCt i：
记t时间段的充电价格为Ct，平均电价记为Ca，下面的效用函数被用作用户充电决策的效用函数：
UC (i,t)(Ct,Ca,ΔSOCt i,Ai)＝(1+Ai)ΔSOCt iCBCa-ΔSOCt iCBCt
其中，Ca表示加权平均电价，其表达式如下：
Ca＝(Cp|Spanp|+Cf|Spanf|+Cv|Spanv|)/T
效用函数满足上述3个条件，该效用函数衡量了用户选择充电后所得效用；如果效用函数值为正，则表明用户选择充电后所得的收益是大于0的；若为负，则表明用户选择充电后所得收益小于0。
将电动汽车用户的充电决策机制表示如下：
(11)为了保证车辆能够顺利完成日出行，不论处于什么条件，当下式成立时电动汽车必定发出充电请求：
SOCt i-dn+1/R≤0.2
当电动汽车的电量减去下一次出行的耗电量低于20％时，必定要发出充电请求；
(12)除了上述的充电情形外，当下面的条件满足时，出行者Agent也会发出充电请求：
(SOCt i≤Ai OR SOCt i-dn+1/R≤Ai)AND UC (i,t)(Ct,Ca,ΔSOCt i,Ai)＞0
该条件表明当出行者发生里程焦虑时由于每一Agent是理性的，此时其并不会立即发出充电请求，此时，Agent会自动学习环境信息并根据环境信息计算出自身的充电效用，如果充电效用大于0则选择充电，否则选择不充电。
充电选择行为优先权确定步骤为：
第一步：假定每一出行者Agent的电池电量都能够支撑其完成日出行活动，在此基础上对其出行链进行仿真并记录每一出行者Agent的出行链相关数据，仿真结束后得到每一出行者Agent的日出行的每次出行的具体数据；
第二步，在第一步获取的数据基础上，根据每一时段到达时间的先后对出行者Agent进行排序，到达时间在前的Agent要比到达时间在后的Agent拥有做出充电选择行为的优先权。
一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的基于智能体仿真的城市电动汽车充电需求预测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (10)
1.一种基于智能体仿真的城市电动汽车充电需求预测方法，其特征在于，包括如下步骤：
S1、出行者行为参数的确定以及轨迹数据的形成：所述出行者行为参数由概率密度函数确定，所述概率密度函数利用Python对现有数据进行拟合得到，轨迹数据使用的是NHTS2017的真实调查数据；
S2、电动汽车充电选择确定：通过效用理论构建出行者充电选择模型；
S3、充电需求分布预测模型：通过出行活动模拟优先的策略，克服在充电桩资源有限的条件下，传统模型决定出行者充电先后顺序上的不足。
2.根据权利要求1所述基于智能体仿真的城市电动汽车充电需求预测方法，其特征在于，在S1中，通过用户出行活动数据生成平台完成出行链分析，确定了与出行链有关的时空特性参数，随后基于已有出行数据对出行的时空特性参数进行拟合得到相应的概率分布；
电动汽车在时间和空间上的随机移动被表示成一系列的出行链，该出行链是一系列有序出行的序列，并由到达、停车及出发的位置和时间序列组成；单个Agent的出行链可表示为如下变量的集合：
[td,mn,gd,mn,dmn,ta,mn,ga,mn,tp,mn]n (1)
其中，n表示出行者Agent的索引，第n名出行者Agent的出行链由M(n)次个体出行组成，一条出行链的变量可以分为以下2大类：
时间变量，包括：
td,mn：第n名出行者Agent的第m次出行的出发时间；
ta,mn：第n名出行者Agent的第m次出行的到达时间；
tp,mn：第n名出行者Agent的第m次出行的停车时间；
空间变量，包括：
gd,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的出发地点；
ga,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的到达地点；
dmn：第n名出行者Agent的第m次出行的行驶距离；
出行者Agent的出行链变量同时满足以下约束条件：
td,(m+1)n＝ta,mn+tp,mn (2)
(xd,(m+1)n,yd,(m+1)n)＝(xa,mn,ya,mn) (3)
NHTS数据提供了一系列的出行链空间转移数据，基于这些数据并结合Monte Carlo方法，出行者Agent通过强化学习完成出行链时空变量的选择；
用户出行活动数据生成过程包括：
收集出行数据；
获取、维护、整理以及分类出行数据；
对出行数据进行清洗筛选，并通过概率拟合得到用户出行的时间、物理特征；
对用户出行特征的调参以及评估；
用户出行数据的批量预测。
3.根据权利要求2所述基于智能体仿真的城市电动汽车充电需求预测方法，其特征在于，在S2中，运用机器学习模型对出行者的充电数据进行训练学习，并根据得到的模型来预测出行者的充电选择行为；具体为：
引入效用函数来描述用户充电行为选择的过程；该效用函数满足以下几个条件：
(1)当其他时段的充电价格增加时，当前时段用户的效用也随之增加，即
其中C-t表示非t时段的充电价格；
(2)当t时段的充电价格增加时，t时段用户的效用随之减少，即
其中Ct表示t时段的充电价格；
(3)当用户的里程焦虑水平增加时，相同的充电量对其产生的效用随之增加，即
其中Ai表示电动汽车用户i的里程焦虑水平；
记t时间段内到达的出行者i的停车时间为tp (i,t)，电池电量SOCt i，电池容量记为CB，充电到最大可允许充电荷电状态的时间为
则其有效充电时间为
充电荷电状态变化量ΔSOCt i：
记t时间段的充电价格为Ct，平均电价记为Ca，下面的效用函数被用作用户充电决策的效用函数：
UC (i,t)(Ct,Ca,ΔSOCt i,Ai)＝(1+Ai)ΔSOCt iCBCa-ΔSOCt iCBCt
其中，Ca表示加权平均电价，其表达式如下：
Ca＝(Cp|Spanp|+Cf|Spanf|+Cv|Spanv|)/T
效用函数满足上述3个条件，该效用函数衡量了用户选择充电后所得效用；如果效用函数值为正，则表明用户选择充电后所得的收益是大于0的；若为负，则表明用户选择充电后所得收益小于0。
将电动汽车用户的充电决策机制表示如下：
(11)为了保证车辆能够顺利完成日出行，不论处于什么条件，当下式成立时电动汽车必定发出充电请求：
SOCt i-dn+1/R≤0.2
当电动汽车的电量减去下一次出行的耗电量低于20％时，必定要发出充电请求；
(12)除了上述的充电情形外，当下面的条件满足时，出行者Agent也会发出充电请求：
(SOCt i≤Ai OR SOCt i-dn+1/R≤Ai)AND UC (i,t)(Ct,Ca,ΔSOCt i,Ai)＞0
该条件表明当出行者发生里程焦虑时由于每一Agent是理性的，此时其并不会立即发出充电请求，此时，Agent会自动学习环境信息并根据环境信息计算出自身的充电效用，如果充电效用大于0则选择充电，否则选择不充电。
4.根据权利要求3所述基于智能体仿真的城市电动汽车充电需求预测方法，其特征在于，充电选择行为优先权确定步骤为：
第一步：假定每一出行者Agent的电池电量都能够支撑其完成日出行活动，在此基础上对其出行链进行仿真并记录每一出行者Agent的出行链相关数据，仿真结束后得到每一出行者Agent的日出行的每次出行的具体数据；
第二步，在第一步获取的数据基础上，根据每一时段到达时间的先后对出行者Agent进行排序，到达时间在前的Agent要比到达时间在后的Agent拥有做出充电选择行为的优先权。
5.一种基于智能体仿真的城市电动汽车充电需求预测系统，其特征在于：包括：
数据模块：出行者行为参数的确定以及轨迹数据的形成：所述出行者行为参数由概率密度函数确定，所述概率密度函数利用Python对现有数据进行拟合得到，轨迹数据使用的是NHTS2017的真实调查数据；
模型构建模块：电动汽车充电选择确定：通过效用理论构建出行者充电选择模型；
预测模块：充电需求分布预测模型：通过出行活动模拟优先的策略，克服在充电桩资源有限的条件下，传统模型决定出行者充电先后顺序上的不足。
6.根据权利要求5所述基于智能体仿真的城市电动汽车充电需求预测系统，其特征在于，在数据模块中，通过用户出行活动数据生成平台完成出行链分析，确定了与出行链有关的时空特性参数，随后基于已有出行数据对出行的时空特性参数进行拟合得到相应的概率分布；
电动汽车在时间和空间上的随机移动被表示成一系列的出行链，该出行链是一系列有序出行的序列，并由到达、停车及出发的位置和时间序列组成；单个Agent的出行链可表示为如下变量的集合：
[td,mn,gd,mn,dmn,ta,mn,ga,mn,tp,mn]n (1)
其中，n表示出行者Agent的索引，第n名出行者Agent的出行链由M(n)次个体出行组成，一条出行链的变量可以分为以下2大类：
时间变量，包括：
td,mn：第n名出行者Agent的第m次出行的出发时间；
ta,mn：第n名出行者Agent的第m次出行的到达时间；
tp,mn：第n名出行者Agent的第m次出行的停车时间；
空间变量，包括：
gd,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的出发地点；
ga,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的到达地点；
dmn：第n名出行者Agent的第m次出行的行驶距离；
出行者Agent的出行链变量同时满足以下约束条件：
td,(m+1)n＝ta,mn+tp,mn (2)
(xd,(m+1)n,yd,(m+1)n)＝(xa,mn,ya,mn) (3)
NHTS数据提供了一系列的出行链空间转移数据，基于这些数据并结合MonteCarlo方法，出行者Agent通过强化学习完成出行链时空变量的选择；
用户出行活动数据生成过程包括：
收集出行数据；
获取、维护、整理以及分类出行数据；
对出行数据进行清洗筛选，并通过概率拟合得到用户出行的时间、物理特征；
对用户出行特征的调参以及评估；
用户出行数据的批量预测。
7.根据权利要求5所述基于智能体仿真的城市电动汽车充电需求预测系统，其特征在于，在模型构建模块中，运用机器学习模型对出行者的充电数据进行训练学习，并根据得到的模型来预测出行者的充电选择行为；具体为：
引入效用函数来描述用户充电行为选择的过程；该效用函数满足以下几个条件：
当其他时段的充电价格增加时，当前时段用户的效用也随之增加，即
其中C-t表示非t时段的充电价格；
当t时段的充电价格增加时，t时段用户的效用随之减少，即
其中Ct表示t时段的充电价格；
当用户的里程焦虑水平增加时，相同的充电量对其产生的效用随之增加，即
其中Ai表示电动汽车用户i的里程焦虑水平；
记t时间段内到达的出行者i的停车时间为tp (i,t)，电池电量SOCt i，电池容量记为CB，充电到最大可允许充电荷电状态的时间为
则其有效充电时间为
充电荷电状态变化量ΔSOCt i：
记t时间段的充电价格为Ct，平均电价记为Ca，下面的效用函数被用作用户充电决策的效用函数：
UC (i,t)(Ct,Ca,ΔSOCt i,Ai)＝(1+Ai)ΔSOCt iCBCa-ΔSOCt iCBCt
其中，Ca表示加权平均电价，其表达式如下：
Ca＝(Cp|Spanp|+Cf|Spanf|+Cv|Spanv|)/T
效用函数满足上述3个条件，该效用函数衡量了用户选择充电后所得效用；如果效用函数值为正，则表明用户选择充电后所得的收益是大于0的；若为负，则表明用户选择充电后所得收益小于0。
将电动汽车用户的充电决策机制表示如下：
(11)为了保证车辆能够顺利完成日出行，不论处于什么条件，当下式成立时电动汽车必定发出充电请求：
SOCt i-dn+1/R≤0.2
当电动汽车的电量减去下一次出行的耗电量低于20％时，必定要发出充电请求；
(12)除了上述的充电情形外，当下面的条件满足时，出行者Agent也会发出充电请求：
(SOCt i≤Ai OR SOCt i-dn+1/R≤Ai)AND UC (i,t)(Ct,Ca,ΔSOCt i,Ai)＞0
该条件表明当出行者发生里程焦虑时由于每一Agent是理性的，此时其并不会立即发出充电请求，此时，Agent会自动学习环境信息并根据环境信息计算出自身的充电效用，如果充电效用大于0则选择充电，否则选择不充电。
8.根据权利要求5所述基于智能体仿真的城市电动汽车充电需求预测系统，其特征在于，充电选择行为优先权确定步骤为：
第一步：假定每一出行者Agent的电池电量都能够支撑其完成日出行活动，在此基础上对其出行链进行仿真并记录每一出行者Agent的出行链相关数据，仿真结束后得到每一出行者Agent的日出行的每次出行的具体数据；
第二步，在第一步获取的数据基础上，根据每一时段到达时间的先后对出行者Agent进行排序，到达时间在前的Agent要比到达时间在后的Agent拥有做出充电选择行为的优先权。
9.一种实现权利要求1-4任一项所述基于智能体仿真的城市电动汽车充电需求预测方法的信息数据处理终端。
10.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-4任一项所述的基于智能体仿真的城市电动汽车充电需求预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110427920.1A CN113268709A (zh) | 2021-04-21 | 2021-04-21 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110427920.1A CN113268709A (zh) | 2021-04-21 | 2021-04-21 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113268709A true CN113268709A (zh) | 2021-08-17 |
Family
ID=77229049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110427920.1A Pending CN113268709A (zh) | 2021-04-21 | 2021-04-21 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113268709A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109523051A (zh) * | 2018-09-18 | 2019-03-26 | 国网浙江省电力有限公司经济技术研究院 | 一种电动汽车充电实时优化调度方法 |
| CN110728396A (zh) * | 2019-09-25 | 2020-01-24 | 国网山西省电力公司经济技术研究院 | 一种考虑时空分布的电动汽车充电负荷综合建模方法 |
| 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 |
| 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 |
| CN111784027A (zh) * | 2020-06-04 | 2020-10-16 | 国网上海市电力公司 | 计及地理信息的城市范围电动汽车充电需求预测方法 |
-
2021
- 2021-04-21 CN CN202110427920.1A patent/CN113268709A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109523051A (zh) * | 2018-09-18 | 2019-03-26 | 国网浙江省电力有限公司经济技术研究院 | 一种电动汽车充电实时优化调度方法 |
| CN110728396A (zh) * | 2019-09-25 | 2020-01-24 | 国网山西省电力公司经济技术研究院 | 一种考虑时空分布的电动汽车充电负荷综合建模方法 |
| 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 |
| 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 |
| CN111784027A (zh) * | 2020-06-04 | 2020-10-16 | 国网上海市电力公司 | 计及地理信息的城市范围电动汽车充电需求预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110728396B (zh) | 一种考虑时空分布的电动汽车充电负荷综合建模方法 | |
| Wu et al. | A stochastic flow-capturing model to optimize the location of fast-charging stations with uncertain electric vehicle flows | |
| Li et al. | Public charging station location determination for electric ride-hailing vehicles based on an improved genetic algorithm | |
| TWI638328B (zh) | 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置 | |
| Yi et al. | Data-driven optimal charging decision making for connected and automated electric vehicles: A personal usage scenario | |
| Zhang et al. | Driving cycles construction for electric vehicles considering road environment: A case study in Beijing | |
| Yan et al. | EV charging load simulation and forecasting considering traffic jam and weather to support the integration of renewables and EVs | |
| Yang et al. | EV charging behaviour analysis and modelling based on mobile crowdsensing data | |
| CN103745110B (zh) | 纯电动公交车营运续驶里程估算方法 | |
| CN104442825A (zh) | 一种电动汽车剩余行驶里程的预测方法和系统 | |
| Li et al. | The effects of dynamic traffic conditions, route characteristics and environmental conditions on trip-based electricity consumption prediction of electric bus | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| Tang et al. | Online operations of automated electric taxi fleets: An advisor-student reinforcement learning framework | |
| 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 | |
| CN112949931B (zh) | 数据驱动和模型混合的充电站数据的预测方法和装置 | |
| Li et al. | Trajectory-driven planning of electric taxi charging stations based on cumulative prospect theory | |
| Abdelaty et al. | A framework for BEB energy prediction using low-resolution open-source data-driven model | |
| Miao et al. | Highly Automated Electric Vehicle (HAEV)-based mobility-on-demand system modeling and optimization framework in restricted geographical areas | |
| Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
| JP2020171077A (ja) | エネルギー供給システム、情報処理装置、およびエネルギー供給装置 | |
| JP2020135231A (ja) | 交通需要予測装置及び交通需要予測システム | |
| Cui et al. | Dynamic pricing for fast charging stations with deep reinforcement learning | |
| CN117035185A (zh) | 基于动态充电需求的电动汽车充电站布局优化方法及系统 | |
| Ling et al. | Prediction of charging requirements for electric vehicles based on multiagent intelligence | |
| CN115660501A (zh) | 电动汽车充电负荷可调裕度评估方法 |
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 |