CN113343358A - 一种考虑道路信息的电动汽车充电负荷时空分布建模方法 - Google Patents
一种考虑道路信息的电动汽车充电负荷时空分布建模方法 Download PDFInfo
- Publication number
- CN113343358A CN113343358A CN202110710366.8A CN202110710366A CN113343358A CN 113343358 A CN113343358 A CN 113343358A CN 202110710366 A CN202110710366 A CN 202110710366A CN 113343358 A CN113343358 A CN 113343358A
- Authority
- CN
- China
- Prior art keywords
- time
- road
- electric automobile
- node
- electric vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种考虑道路信息的电动汽车充电负荷时空分布建模方法,该方法为:利用图论建立道路交通网络模型;综合考虑道路限速信息和动态流量信息,采用改进的Floyd算法规划电动汽车的行驶路径;根据电动汽车的统计信息,设置初始电动汽车规模,并从时间、空间和充电状态三个方面描述电动汽车的出行特性,对电动汽车充电负荷进行建模。本发明考虑实际道路的种类与速度限制、各道路的动态交通流量变化,由此计算各电动汽车的实时行驶速度,得到更符合实际的路径规划过程,使充电负荷的时空分布更加准确。
Description
技术领域
本发明涉及电力系统领域,特别是电动汽车充电负荷的时空分布建模方法。
背景技术
不断增长的电动汽车正成为有关电力系统的重要负荷,电动汽车充电负荷预测也逐渐成为一个更加受到广泛关注的研究问题。分析和预测电动汽车充电需求的时空分布是确定充电设施位置和容量的基础,研究电动汽车充电负荷接入对电力系统的影响,合理指导电动汽车充放电,并制定相关激励政策和措施。对于电动汽车用户而言,有效的电动汽车路径规划策略有助于他们平衡出行需求和充电需求,也有利于充电负荷在时空分布上的建模。
发明内容
本发明主要解决的技术问题是提供一种考虑道路信息的电动汽车充电负荷时空分布建模方法。
本发明采用以下技术方案:
步骤1)利用图论建立道路交通网络模型;
步骤2)基于步骤1)的模型,综合考虑道路限速信息和动态流量信息,采用改进的Floyd算法规划耗时最少的行驶路径,模拟每辆电动汽车的行驶轨迹;
步骤3)根据电动汽车的统计信息,设置初始电动汽车规模,并从时间、空间和充电状态三个方面描述电动汽车的出行特性,基于步骤2)的方法模拟每辆电动汽车的行驶轨迹,获取电动汽车全天出行分布特征;
步骤4)基于步骤3)得到的每辆电动汽车的全天出行分布特征对电动汽车充电负荷进行建模。
上述技术方案中,进一步地,步骤1)具体包括以下步骤:
选择某各交通网络作为对象,利用图论建立道路交通网络模型;
G(V,E,A)表示交通网络的拓扑结构,其中V为交通网络的道路路口集合,代表图G中的节点;E为交通网络中的道路集合,代表图G中的边;A用来描述图中节点之间的连接关系,是交通网络中道路权重值集合,;
式中,i、j为交通网络节点;lij为节点i和j之间的长度,inf表示这两个节点不相邻;
电动汽车在道路(i,j)上的行驶时间Tij可根据BPR模型计算,考虑动态流量信息和道路的限速信息后,得到如下改进公式:
Tij(Sij)=tij0[1+α(Sij)β] (13)
式中,tij0为节点i到j之间的零流量行驶时间;Sij为节点i到j之间的道路交通饱和度;α、β为模型参数,通常分别设置为0.15和4;
将道路分为饱和(0≤S≤0.6)、缓慢(0.6≤S≤0.8)、拥挤(0.8≤S≤1.0)和严重拥堵(1.0≤S≤2);交通网络是动态变化的,所以Sij随时间而变化;
其中Qij为道路(i,j)的车流,随时间变化;Cij为道路(i,j)上的最大车流量;
将道路分为高架道路、城市高速公路和普通道路,其零流量行驶限速分别为100km/h、80km/h和60km/h;
tij0可由式(4)计算:
式中vij,m为道路(i,j)的零流量行驶速度。
进一步地,所述的步骤2)具体包括以下步骤:
Ω(u,v)是图中节点u,v之间的路径集,L(R(u,v))表示电动汽车在某路径R(u,v)上行驶时间之和:
式中Π(u,v)为R(u,v)中道路的集合,考虑道路实时流量变化和不同道路组,计算电动汽车行驶时间;
路径规划问题表示为在Ω(u,v)中找到一条使目标值L(R(u,v))最小的路径R(u,v),得到L(R0(u,v)),如下式所示:
进一步地,所述的步骤3)具体包括以下步骤:
根据电动汽车的统计信息,设置初始电动汽车规模;
电动汽车的出行特性从时间、空间和荷电状态三个方面进行描述;所述的时间包括出发时间、出行时间、停车时间和结束时间,所述的空间包括出发地、目的地和充电站位置,所述的荷电状态包括初始荷电状态和t时刻的荷电状态;
用户的出发时间为早上7:00-9:00,使用高斯分布函数拟合电动汽车的出发时间:
其中μ和σ是根据当地居民的旅游调查数据统计确定的;
利用蒙特卡罗采样方法抽取每辆电动汽车的出发时间;
道路节点被选为OD对的概率通过计算其节点权重来描述;
道路节点周围的建筑按社区、学校、商场、医院、餐厅、酒店、酒店、写字楼、公园九大类进行统计,其节点权重按式(8)所示的方法计算;
其中Wi为道路节点i的节点权重;Nk为第k类目标的个数;wk为第k类目的地的累积权值;θi,j,k是一个二进制变量;
根据节点权重,得到节点作为原点的概率;根据节点的综合权值,得到节点作为目标的概率;
采用轮盘赌算法得到各个节点作为起点或目的地的概率,通过蒙特卡罗采样得到电动汽车某一次出行的OD对;
基于步骤2)中的方法模拟电动汽车的行驶轨迹;
电动汽车出行过程中,充电所需时间与开始充电时的SOC、电池容量Cap、行驶距离dh、每公里耗电量Δu有关:
Si表示到达目的地i时剩余的SOC;Si-1表示从前一个目的地出发时的SOC;η为充电效率;P为电动汽车充电功率;tc为充电时间。
进一步地,所述的步骤4)具体为:
基于每辆电动汽车的出行特性,计算t时刻节点i的总充电负荷,建立电动汽车充电负荷模型,得到电动汽车充电负荷的时空分布;
设定时间间隔为1分钟,共1440个时间点;对于节点i,t时刻的充电负荷表示为
本发明具有以下有益效果:
本发明提供的考虑道路信息的电动汽车充电负荷时空分布建模方法,提出了一种考虑道路限速信息和动态交通信息的电动汽车充电负荷时空分布模型。本发明考虑实际道路的种类与速度限制、各道路的动态交通流量变化,由此计算各电动汽车的实时行驶速度,得到更符合实际的路径规划过程,使充电负荷的时空分布更加准确。
附图说明
图1为考虑道路信息的电动汽车充电负荷时空分布建模方法流程图。
具体实施方式
为更好地理解本发明的目的、技术方案以及技术效果,以下结合附图对本发明进行进一步的讲解说明。
本发明提出了一种考虑道路信息的电动汽车充电负荷时空分布建模方法,其实施流程包括如下详细步骤:
1、道路交通网络模型的建立
选择某各交通网络作为对象,利用图论建立道路交通网络模型;
G(V,E,A)表示交通网络的拓扑结构,其中V为交通网络的道路路口集合,代表图G中的节点;E为交通网络中的道路集合,代表图G中的边;A用来描述图中节点之间的连接关系,是交通网络中道路权重值集合;
式中,i、j为交通网络节点;lij为节点i和j之间的长度,inf表示这两个节点不相邻;
电动汽车在道路(i,j)上的行驶时间Tij可根据BPR模型计算,考虑动态流量信息和道路的限速信息后,得到如下改进公式:
Tij(Sij)=tij0[1+α(Sij)β](24)式中,tij0为节点i到j之间的零流量
行驶时间;Sij为节点i到j之间的道路交通饱和度;α、β为模型参数,通常分别设置为0.15和4;
将道路分为饱和(0≤S≤0.6)、缓慢(0.6≤S≤0.8)、拥挤(0.8≤S≤1.0)和严重拥堵(1.0≤S≤2);交通网络是动态变化的,所以Sij随时间而变化;
其中Qij为道路(i,j)的车流,随时间变化;Cij为道路(i,j)上的最大车流量;
将道路分为高架道路、城市高速公路和普通道路,其零流量行驶限速分别为100km/h、80km/h和60km/h;
tij0可由式(4)计算:
式中vij,m为道路(i,j)的零流量行驶速度。
2、基于道路交通信息的路径规划方法
Ω(u,v)是图中节点u,v之间的路径集。L(R(u,v))表示电动汽车在某路径R(u,v)上行驶时间之和:
式中Π(u,v)为R(u,v)中道路的集合,考虑道路实时流量变化和不同道路组,可计算电动汽车行驶时间。
路径规划问题表示为在Ω(u,v)中找到一条使目标值L(R(u,v))最小的路径R(u,v),得到L(R0(u,v)),如下式所示:
结合道路交通信息,采用Floyd算法规划耗时最少的行驶路径,模拟每辆电动汽车的行驶轨迹。
3、考虑时空分布的电动汽车出行行为模型的建立
根据电动汽车的统计信息,设置初始电动汽车规模;
电动汽车的出行特性从时间、空间和荷电状态三个方面进行描述;所述的时间包括出发时间、出行时间、停车时间和结束时间,所述的空间包括出发地、目的地和充电站位置,所述的荷电状态包括初始荷电状态和t时刻的荷电状态;
用户的出发时间为早上7:00-9:00,使用高斯分布函数拟合电动汽车的出发时间:
其中μ和σ是根据当地居民的旅游调查数据统计确定的;
利用蒙特卡罗采样方法抽取每辆电动汽车的出发时间;
道路节点被选为OD对的概率通过计算其节点权重来描述;
道路节点周围的建筑按社区、学校、商场、医院、餐厅、酒店、酒店、写字楼、公园九大类进行统计,其节点权重按式(8)所示的方法计算;
其中Wi为道路节点i的节点权重;Nk为第k类目标的个数;wk为第k类目的地的累积权值;θi,j,k是一个二进制变量;
根据节点权重,得到节点作为原点的概率;根据节点的综合权值,得到节点作为目标的概率;
采用轮盘赌算法得到各个节点作为起点或目的地的概率,通过蒙特卡罗采样得到电动汽车某一次出行的OD对;
基于步骤2)中的方法模拟电动汽车的行驶轨迹;
电动汽车出行过程中,充电所需时间与开始充电时的SOC、电池容量Cap、行驶距离dh、每公里耗电量Δu有关:
Si表示到达目的地i时剩余的SOC;Si-1表示从前一个目的地出发时的SOC;η为充电效率;P为电动汽车充电功率;tc为充电时间。
4、电动汽车充电负荷建模
基于每辆电动汽车的出行特性,计算t时刻节点i的总充电负荷,建立电动汽车充电负荷模型,得到电动汽车充电负荷的时空分布。
设定电动汽车充电负荷预测模型为前24小时,时间间隔为1分钟,共1440个时间点。对于节点i,t时刻的充电负荷可表示为
Claims (5)
1.一种考虑道路信息的电动汽车充电负荷时空分布建模方法,其特征在于,包括以下步骤:
步骤1)利用图论建立道路交通网络模型;
步骤2)基于步骤1)的模型,综合考虑道路限速信息和动态流量信息,采用改进的Floyd算法规划耗时最少的行驶路径,模拟每辆电动汽车的行驶轨迹;
步骤3)根据电动汽车的统计信息,设置初始电动汽车规模,并从时间、空间和充电状态三个方面描述电动汽车的出行特性,基于步骤2)中的方法模拟每辆电动汽车的行驶轨迹,获取电动汽车全天出行分布特征;
步骤4)基于步骤3)得到的每辆电动汽车的全天出行分布特征对电动汽车充电负荷进行建模。
2.根据权利要求1所述的考虑道路信息的电动汽车充电负荷时空分布建模方法,其特征在于,步骤1)具体包括以下步骤:
选择某各交通网络作为对象,利用图论建立道路交通网络模型;
G(V,E,A)表示交通网络的拓扑结构,其中V为交通网络的道路路口集合,代表图G中的节点;E为交通网络中的道路集合,代表图G中的边;A用来描述图中节点之间的连接关系,是交通网络中道路权重值集合,;
式中,i、j为交通网络节点;lij为节点i和j之间的长度,inf表示这两个节点不相邻;
电动汽车在道路(i,j)上的行驶时间Tij可根据BPR模型计算,考虑动态流量信息和道路的限速信息后,得到如下改进公式:
Tij(Sij)=tij0[1+α(Sij)β] (2)
式中,tij0为节点i到j之间的零流量行驶时间;Sij为节点i到j之间的道路交通饱和度;α、β为模型参数,通常分别设置为0.15和4;
将道路分为饱和(0≤S≤0.6)、缓慢(0.6≤S≤0.8)、拥挤(0.8≤S≤1.0)和严重拥堵(1.0≤S≤2);交通网络是动态变化的,所以Sij随时间而变化;
其中Qij为道路(i,j)的车流,随时间变化;Cij为道路(i,j)上的最大车流量;
将道路分为高架道路、城市高速公路和普通道路,其零流量行驶限速分别为100km/h、80km/h和60km/h;
tij0可由式(4)计算:
式中vij,m为道路(i,j)的零流量行驶速度。
4.根据权利要求1所述的考虑道路信息的电动汽车充电负荷时空分布建模方法,其特征在于,所述的步骤3)具体包括以下步骤:
根据电动汽车的统计信息,设置初始电动汽车规模;
电动汽车的出行特性从时间、空间和荷电状态三个方面进行描述;所述的时间包括出发时间、出行时间、停车时间和结束时间,所述的空间包括出发地、目的地和充电站位置,所述的荷电状态包括初始荷电状态和t时刻的荷电状态;
用户的出发时间为早上7:00-9:00,使用高斯分布函数拟合电动汽车的出发时间:
其中μ和σ是根据当地居民的旅游调查数据统计确定的;
利用蒙特卡罗采样方法抽取每辆电动汽车的出发时间;
道路节点被选为OD对的概率通过计算其节点权重来描述;
道路节点周围的建筑按社区、学校、商场、医院、餐厅、酒店、酒店、写字楼、公园九大类进行统计,其节点权重按式(8)所示的方法计算;
其中Wi为道路节点i的节点权重;Nk为第k类目标的个数;wk为第k类目的地的累积权值;θi,j,k是一个二进制变量;
根据节点权重,得到节点作为原点的概率;根据节点的综合权值,得到节点作为目标的概率;
采用轮盘赌算法得到各个节点作为起点或目的地的概率,通过蒙特卡罗采样得到电动汽车某一次出行的OD对;
基于步骤2)中的方法模拟电动汽车的行驶轨迹;
电动汽车出行过程中,充电所需时间与开始充电时的SOC、电池容量Cap、行驶距离dh、每公里耗电量Δu有关:
Si表示到达目的地i时剩余的SOC;
Si-1表示从前一个目的地出发时的SOC;η为充电效率;P为电动汽车充电功率;tc为充电时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710366.8A CN113343358B (zh) | 2021-06-25 | 2021-06-25 | 一种考虑道路信息的电动汽车充电负荷时空分布建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710366.8A CN113343358B (zh) | 2021-06-25 | 2021-06-25 | 一种考虑道路信息的电动汽车充电负荷时空分布建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343358A true CN113343358A (zh) | 2021-09-03 |
CN113343358B CN113343358B (zh) | 2023-04-18 |
Family
ID=77478743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110710366.8A Active CN113343358B (zh) | 2021-06-25 | 2021-06-25 | 一种考虑道路信息的电动汽车充电负荷时空分布建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343358B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117833240A (zh) * | 2024-02-29 | 2024-04-05 | 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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599390A (zh) * | 2016-11-23 | 2017-04-26 | 国网浙江省电力公司电动汽车服务分公司 | 一种计及电动出租车时空随机特性的充电负荷的计算方法 |
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 |
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 |
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 |
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 |
CN107067110B (zh) * | 2017-04-14 | 2020-07-10 | 天津大学 | 车-路-网模式下电动汽车充电负荷时空预测方法 |
-
2021
- 2021-06-25 CN CN202110710366.8A patent/CN113343358B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599390A (zh) * | 2016-11-23 | 2017-04-26 | 国网浙江省电力公司电动汽车服务分公司 | 一种计及电动出租车时空随机特性的充电负荷的计算方法 |
CN107067110B (zh) * | 2017-04-14 | 2020-07-10 | 天津大学 | 车-路-网模式下电动汽车充电负荷时空预测方法 |
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 |
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 |
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 |
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 (2)
Title |
---|
ZIHAN WANG等: "Optimal bidding strategy for virtual power plants considering the feasible region of vehicle-to-grid", 《ENERGY CONVERSION AND ECONOMICS》 * |
邵尹池等: ""车–路–网"模式下电动汽车充电负荷时空预测及其对配电网潮流的影响", 《中国电机工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117833240A (zh) * | 2024-02-29 | 2024-04-05 | 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 |
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 |
---|---|
CN113343358B (zh) | 2023-04-18 |
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 | |
CN107832882A (zh) | 一种基于马尔科夫决策过程的出租车寻客策略推荐方法 | |
CN110288212B (zh) | 基于改进的mopso的电动出租车新建充电站选址方法 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN111275965B (zh) | 一种基于互联网大数据的实时交通仿真分析系统与方法 | |
CN110174117A (zh) | 一种电动汽车充电路线规划方法 | |
CN103678917A (zh) | 一种基于模拟退火算法的公交实时到站时间预测方法 | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN102708698A (zh) | 基于车联网的车辆最优路径导航方法 | |
CN109686091A (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN111046576B (zh) | 一种考虑双网信息的电动私家车充电负荷预测方法 | |
Zhao et al. | Agent-based model (ABM) for city-scale traffic simulation: A case study on San Francisco | |
CN114021795A (zh) | 一种考虑电动汽车充电需求的充电站规划方法及系统 | |
CN111397620A (zh) | 快充/慢充模式下的电动汽车充电导航方法及系统 | |
CN115344653A (zh) | 一种基于用户行为的电动汽车充电站选址方法 | |
Zwick et al. | Impact of service design on urban ridepooling systems | |
CN112364293A (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 | |
CN113343358B (zh) | 一种考虑道路信息的电动汽车充电负荷时空分布建模方法 | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
CN110245774A (zh) | 一种根据员工家庭住址进行班车线路优化的方法 | |
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 | |
CN109447352B (zh) | 一种公交出行od矩阵反推的组合方法 | |
CN109583708B (zh) | 多智能体微观交通配流模型的建立方法 | |
CN110263783A (zh) | 基于深度学习的多特征充电选址影响因素分析方法及系统 |
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 |