CN114021391A - 基于动态能耗与用户心理的电动汽车充电负荷预测方法 - Google Patents
基于动态能耗与用户心理的电动汽车充电负荷预测方法 Download PDFInfo
- Publication number
- CN114021391A CN114021391A CN202111480681.2A CN202111480681A CN114021391A CN 114021391 A CN114021391 A CN 114021391A CN 202111480681 A CN202111480681 A CN 202111480681A CN 114021391 A CN114021391 A CN 114021391A
- Authority
- CN
- China
- Prior art keywords
- electric automobile
- electric
- charging
- trip
- travel
- 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 79
- 238000005265 energy consumption Methods 0.000 title claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 230000005611 electricity Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 108010074864 Factor XI Proteins 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 101100100125 Mus musculus Traip gene Proteins 0.000 description 55
- 230000000694 effects Effects 0.000 description 15
- 230000009471 action Effects 0.000 description 13
- 238000004873 anchoring Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000007704 transition Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- PFFIDZXUXFLSSR-UHFFFAOYSA-N 1-methyl-N-[2-(4-methylpentan-2-yl)-3-thienyl]-3-(trifluoromethyl)pyrazole-4-carboxamide Chemical compound S1C=CC(NC(=O)C=2C(=NN(C)C=2)C(F)(F)F)=C1C(C)CC(C)C PFFIDZXUXFLSSR-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000009466 transformation 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]
- G06F30/20—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"
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- G06F2119/08—Thermal analysis or thermal 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，包括：设定待预测区域内的电动汽车数量以及起始SOC；构建电动汽车出行模型和实际耗电量模型；根据出行模型，通过马尔可夫动态路径决策模型获取每辆电动汽车的最优策略，根据对应的最优策略模拟每辆电动汽车的出行过程；模拟过程中，对于每辆电动汽车的每个出行道路节点，根据实际耗电量模型和起始SOC，预先计算该电动汽车下一段出行过程的耗电量以及当前SOC，确定该电动汽车在当前出行道路节点的充电需求，累计所有电动汽车在各出行道路节点的充电需求，获得待预测区域内电动汽车充电需求的时空分布。与现有技术相比，本发明具有准确性高、可靠性强等优点。
Description
技术领域
本发明涉及电力系统领域，尤其是涉及一种基于动态能耗与用户心理的电动汽车充电负荷预测方法。
背景技术
由于电动汽车具有低碳、环保的优势，汽车产业发展转型是实现节能减排的重要途径，推动新能源汽车产业的发展是应对气候变化、推动绿色发展的战略举措。大规模电动汽车接入会影响配电网可靠性，精细化的电动汽车充电负荷模型能够保证可靠性评估的准确性。电动汽车作为一种特殊的可转移负荷及储能装置是连接路网交通与城市配网的载体，其本身的可移动性和空间转移的随机性受到用户出行特征与客观城市道路结构的双重影响。因此，建立精细化的电动汽车充电负荷预测模型分析充电负荷的时空分布特性是研究电动汽车充电负荷对配电网影响的关键。
基于现有的研究现状分析，电动汽车充电负荷预测存在以下三个方面的不足：
一、在预测模型上习惯将电池容量认定为一个固定参数并且忽略了EV能耗随环境的变化问题，这给充电负荷预测结果带来了误差；
二、在用户主观意愿方面缺少精细化的研究，用户在实际出行过程中会受到实时路况与用户心理共同作用的影响，在路径选择不会完全按照既定的最短路线出行。因此，电动汽车出行的路径选择不宜局限于最短路径算法，需要对用户出行时的路径决策做进一步细化分析；
三、针对用户主观充电意愿，弱化了用户心理的影响，未从用户本身的用户本身的经济水平、消费能力等用户属性角度考虑，缺少定量分析。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，准确性高，可靠性强。
本发明的目的可以通过以下技术方案来实现：
一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，包括：
设定待预测区域内的电动汽车数量以及各电动汽车的起始SOC；
构建电动汽车的出行模型和实际耗电量模型；
根据电动汽车的出行模型，通过马尔可夫动态路径决策模型获取每辆电动汽车的最优策略，根据对应的最优策略模拟每辆电动汽车的出行过程；
模拟过程中，对于每辆电动汽车的每个出行道路节点，根据实际耗电量模型和起始SOC，预先计算该电动汽车下一段出行过程的耗电量以及当前SOC，根据下一段出行过程的耗电量以及当前SOC确定该电动汽车在当前出行道路节点的充电需求，累计所有电动汽车在各出行道路节点的充电需求，获得待预测区域内电动汽车充电需求的时空分布。
进一步地，所述的实际耗电量模型的表达式为：
其中，Eall,T为环境温度T下电动汽车的总能耗值，Kac为环境温度T下电动汽车的车载空调启停状态，所述的Kac的取值为0或1，所述的Kac＝1表示车载空调开启，所述的Kac＝0表示车载空调关闭，Pac为环境温度T下电动汽车的车载空调功率，n为电动汽车的出行过程总段数，tk和Dk分别为第k段出行过程中的行驶时长和行驶里程，ξt为行驶时长修正系数，Ev为电动汽车以速度v行驶时产生的单位里程能耗，Eo为电动汽车初始单位里程能耗；
进一步地，所述的车载空调启停状态Kac的计算过程包括：
设定冷阈值Tc、热阈值Th以及舒适温度区间，所述的Th>Tc，所述的舒适温度区间介于Tc和Th之间，通过正态分布拟合获得空调启动正态分布函数；
当环境温度T低于冷阈值Tc或者大于热阈值Th，若是则令Kac＝1，否则令Kac＝0，当环境温度T介于Tc和舒适温度区间之间，或舒适温度区间和Th之间时，通过空调启动正态分布函数确定Kac取值。
进一步地，所述的车载空调功率Pac的计算公式为：
Pac(T)＝ω3T3+ω210-5T2+ω1T+ω0
其中，T为环境温度，ω0、ω1、ω2和ω3为函数拟合系数。
进一步地，所述的行驶时长修正系数ξt的获取过程包括：
采集待预测区域内各道路的交通拥堵指数TPI，根据TPI获取ξt；
其中，ξt∈[0,1]，所述的TPI越高，所述的ξt越大。
进一步地，所述的单位里程能耗Ev的获取过程包括：
将待预测区域内的道路分为快速路、主干道和次干道三个等级，每个等级的道路对应一种平均行驶速度；
模拟电动汽车在道路上行驶时，所述的电动汽车以该道路的等级对应的平均行驶速度行驶。
进一步地，其特征在于，所述的电动汽车分为家用电动汽车和出租电动汽车；
所述的家用电动汽车的出行模型的构建过程包括：
基于出行链理论构建家用电动汽车的出行链，根据NHTS2017数据库中的出行数据，通过概率分布拟合分析获得出行链中各节点特征量的变化规律，构成家用电动汽车的出行模型；
所述的出租电动汽车的出行模型的构建过程包括：
基于图论法将道路抽象为路网拓扑图，根据出行订单数据，运用OD分析法获取出租电动汽车的出行起始点分布以及概率转移矩阵，构成出租电动汽车的出行模型。
进一步地，所述的充电需求的确定过程包括以下步骤：
S801、根据电动汽车下一段出行过程的耗电量判断其当前SOC是否满足出行需求，若是则执行步骤S802，否则执行步骤S803；
S802、判断电动汽车在当前出行道路节点的停车时长是否大于慢速充电所需时长，若是则判定电动汽车存在慢速充电需求，否则电动汽车存在快速充电需求，结束；
S803、判断电动汽车用户的电价预期值是否高于实时电价，若是则判定电动汽车存在慢速充电需求，否则判定电动汽车不存在充电需求。
进一步地，所述的电动汽车的电池容量的计算公式为：
CR(T)＝η3T3+η210-5T2+η1T+η0
其中，T为环境温度，CR(T)为环境温度为T时电动汽车的电池相对容量百分数，η0、η1、η2和η3为拟合系数。
进一步地，设定所有电动汽车的起始SOC服从正态分布。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明根据下一段出行过程的耗电量以及当前SOC确定该电动汽车在当前出行道路节点的充电需求，电动汽车的实际耗电量模型综合考虑了环境温度对电池容量的影响、环境温度对车载空调启停能耗的影响以及交通路况对电动汽车里程能耗的影响，使得电动汽车出行模拟过程更加符合实际，建立基于最优策略的马尔可夫动态路径决策模型，使电动汽车用户路径选择不局限于单一最短路径，能更准确地模拟电动汽车动态通勤下的充电需求，提高了电动汽车充电负荷预测的准确性和可靠性；
(2)本发明通过对车载空调使用率曲线分析建立相应的空调开启决策模型，根据车载空调使用率曲线进行正态分布拟合，并设定冷阈值、热阈值以及舒适温度区间，并且通过分段多项式模型量化了充电负荷模拟中日内温度变化对空调能耗的影响，能够准确体现不同的环境温度对车载空调能耗的影响，提高电动汽车出行过程中能耗模拟的准确性，进而提高电动汽车充电负荷预测的准确性和可靠性；
(3)本发明引入行驶时长修正系数ξt调整在不同交通路况下的驾驶时长，行驶时长修正系数ξt根据交通拥堵指数TPI获取，TPI越高，ξt越大，交通拥堵指数TPI用数值方式量化描述道路交通运行状态，提高道路交通运行状态表达精度，考虑了交通拥堵对用户选择意愿的影响，使得模拟电动汽车出行的过程更加符合实际，进而提高电动汽车充电负荷预测的准确性和可靠性；
(4)本发明将待预测区域内的道路分为快速路、主干道和次干道三个等级，每个等级的道路对应一种平均行驶速度，电动汽车的单位里程能耗考虑了道路等级的影响，更加符合实际；
(5)本发明将电动汽车分为家用电动汽车和出租电动汽车，家用电动汽车出行起始位置较为固定且出行具有明确的目的性，适用于出行链理论，而出租电动汽车的出行目的地以及出行订单数由乘客的出行需求决定，因此根据出行订单数据，通过OD分析法对出租电动汽车的出行空间位置分布进行数据挖掘，提高了电动汽车充电负荷预测的准确性和可靠性。
附图说明
图1为车载空调能耗及使用率关于温度的曲线图；
图2为用户充电决策过程示意图；
图3为充电需求计算流程图；
图4为住宅区的电动汽车充电负荷时空分布图；
图5为工作区的电动汽车充电负荷时空分布图；
图6为商业区的电动汽车充电负荷时空分布图；
图7为电动汽车总充电负荷时间分布图；
图8为夏季时基于DEC模型的电动汽车充电负荷的时间分布图；
图9为冬季时基于DEC模型的电动汽车充电负荷的时间分布图；
图10为日订单数量时间分布图；
图11为锂电池相对容量随温度变化的曲线图；
图12为夏、冬季节典型温度变化曲线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，包括：
首先对家用电动汽车和出租车的出行特征进行分析，通过蒙特卡洛法模拟不同类型电动汽车的出行过程；
根据交通拥堵指数引入惩戒系数，建立基于最优策略的马尔可夫动态路径决策模型，使用户路径选择不局限于单一最短路径；
针对不同温度和路况下电动汽车能耗建立出行里程能耗模型，计算不同情景下的实时单位里程动态能耗；
引入锚定效应对用户心理进行分析，建立基于锚定效应的用户充电决策模型；
通过城市路网对所建模型进行验证，预测电动汽车充电需求的时空分布特点。
(一)电动汽车出行时空特征
11)电动汽车出行模型
电动汽车出行以及充电行为的随机性为对充电负荷的时空特性有不确定的影响，同时车辆行驶路径也具有动态不确定性，使得上述变量之间的影响更加复杂。但是，电动汽车出行流量具有一定的规律性和周期性，通过考虑城市属性和不同时空场景下的出行需求，提高与车辆出行相关变量的概率分布函数在时间和空间上的相关性。根据城市不同区域的功能特性以及地理信息，将城市划分为居民区(H)、工作区(W)、商业区(C)以及其他区域(O)。
家用电动汽车出行起始位置较为固定且出行具有明确的目的性，将不同的出行目的按照时间顺序进行连接就构成了家用电动汽车的出行链。，基于出行链理论对用户的日常出行规律进行建模，按照出行时停车节点数量将出行链模式分为简单链和复杂链，出行链中每个节点均包含有开始行驶时刻、停车时长以及停止行驶时刻等出行特征值，两节点之间包含有用户在行驶过程中的行驶里程以及行驶时间等信息，通过对NHTS2017数据库中出行数据进行概率分布拟合分析，从中选择拟合效果最好的一种概率函数代表该特征量的变化规律，特征量的概率分布与参数拟合结果如表1所示：
表1电动汽车出行特征参数设定
根据GAIA计划中提供的脱敏出行数据为基础分析出租电动汽车的出行特征，由于出租电动汽车目的在于为城市中的居民提供便捷的出行服务，出行目的地以及出行订单数由乘客的出行需求决定，如图10所示，选择中国成都市区三环内的订单数据分析出租车在一天内的订单数量需求以及时间分布情况，
针对出租电动汽车出行空间位置分布进行数据挖掘，从出租电动汽车出行订单数据中筛选出起点位置以及终点位置，运用OD分析法获取出租电动汽车的出行起始点分布以及概率转移矩阵。基于图论法将现实中的道路抽象为路网拓扑图，采用OD分析法确定出租电动汽车出行的起讫点分布，通过实际订单行程中接送地点和匹配时间段获取用户出行OD概率转移矩阵。根据不同时间段下的交通路况获取相应的电动汽车路段速度，计算出租电动汽车行驶路径所需时间，将道路邻接矩阵中的道路权值替换为行驶时间，如公式(1)和公式(2)所示：
其中，P(G)为路网中的交通节点集合，节点数量为k，E(G)为路网中任意两节点pi和pj构成的行驶道路集合，ψG为道路行驶时间邻接矩阵，表述各个节点与路段行驶时长tij之间的对应关系。
12)基于最优策略的马尔可夫动态路径决策模型
马尔可夫决策模型主要包括五个关键要素：决策时刻集Γ、状态集S、行动集A、状态转移概率p以及收益目标函数R。在某一决策时刻t(t∈Γ)下，决策者在状态i(i∈Γ)采取行动a(a∈A(i))，决策者选择行动a可获得收益为R(i,a)，在下一个决策时刻t+1(t+1∈Γ)，系统的状态由概率分布为p(j∣i,a)决定。将这五重组{Γ，S，A(i)，p(j∣i,a)，R(i,a)}记作一个马氏决策过程，其中转移概率与收益仅取决于当前的状态与决策者采取的行动，与过去的历史无关。
针对离散时间决策时刻有限阶段的马氏决策问题，选取决策时刻集Γ＝{0,1,…,N-1}，0＜N＜∞，在最后一个决策阶段N时不需要进行决策行为，在进行决策时采取的决策规则序列记为策略π，所有策略的集合称为策略集，记作Π，决策者在每一时刻进行决策时会获取一系列收益，将收益进行累加记为决策模型的效用函数VN，如公式(3)所示：
其中，S(t)和A(t)分别为决策时刻t时的状态与行动，R(S(t),A(t))为t时刻获取的收益，R(S(N),A(N))是过程的终止收益，虽然决策过程已经结束，决策者不需要再进行决策行为，但是仍可以获得系统剩余价值。
如果从策略集Π中选取一个策略π能使得效用函数VN为最优函数，则选取策略π为最优策略解。基于Bellman最优化原理可知，在任意状态下从最优行动集中选取任意行动，对于下一个决策时刻而言剩余的决策规则序列组成的策略集仍为最优策略，因此可以通过收益向后递归的方式得到决策模型的效用函数VN，其递归函数如公式(4)所示：
其中，j为下一个决策时刻t+1时的状态。
用户在道路选择上优先选取道路畅通的路段，对于交通拥堵指数值越高的路段，行驶速度越低，行驶时间越长，用户选择意愿越低。为了保证用户在出行时可以避开拥堵路段，并考虑到实际中用户决策时局部的信息不对称、对路况不熟悉以及自身心理原因，会影响决策时作出“逆向选择”，使用户决策不局限于单一最短路径，引入惩戒系数λ，如公式(5)所示：
其中，λk,t为决策时刻t道路k的惩戒系数，Itpk,t为决策时刻t交通拥堵指数，Itp,max为参考路段交通拥堵指数最大值。
用户出行时的路径决策步骤如下：
用户在出发之前，选定出行目的并将规划好的最短出行路径记为πd，最短出行路径中各路段记为参考路段ld，路网节点中未被选取的路径集合选为备用路径集，记为Ak；
当到达决策状态i，即道路节点i时，用户会以参考路段ld的路段长度Ld、交通拥堵指数Itp,d以及惩戒系数λt,d为参考，消去备用路径集中的交通拥堵指数高于Itp,d的路段；
将备用路径集中的备选路段以路段长度Lk与参考路段长度Ld进行比较，计算各路段惩戒系数对路段的状态转移概率的影响。
各路段状态转移概率pt如公式(6)所示：
其中，jk＝ld表示决策行动按照原计划进行最短路径选择的状态转移概率，jk∈Ak表示决策行动选择备选路段的状态转移概率。
(二)电动汽车动态能耗(DEC)模型
21)电池容量模型
电动汽车在正常行驶过程中受到道路等级、路况交通、车速以及气温等外界客观因素的影响，进而影响充电负荷需求及其日常状况。通过耦合外界客观信息对电动汽车出行里程能耗的影响，建立精细化的电动汽车单位里程能耗模型。同一种电池在不同温度下的容量和充放电特性差别很大，所以采用目前主流的锂电池的实验数据为例，建立了温度与电池容量的关系。
使用美国国家航空航天局(National Aeronautics and Space Administration,NASA)艾姆斯研究中心的锂电池测试数据来分析不同温度以及充放电循环对电池容量的影响。在磷酸铁锂电池的测试中以25℃时的电池容量为基准分析在不同温度下的电池相对容量百分比(relative capacity of battery,CR％)，如图11所示。在高温环境下，CR％略有提高，但提升幅度不明显，在40℃时CR％为106％，当环境温度大于55℃时CR％上升趋势转为下降。在低温环境中，CR％相对于基准容量下降幅度明显，当温度到达-20℃时CR％仅有43％。为了量化充电负载模拟过程中温度对电池容量的影响，采用多项式函数模型拟合温度和CR％之间的关系，如公式(7)所示：
CR(T)＝η3T3+η210-5T2+η1T+η0 (6)
式中：T为环境温度(℃)，η0、η1、η2、η3为函数模型拟合系数，CR为电池相对容量百分数。
22)车载空调启停能耗模型
车载空调系统(包括制冷和制热)作为电动汽车主要耗能电器直接影响了电动汽车充电需求以及续航里程。在不同的环境温度和湿度等天气条件下空调系统的启停和能耗值也会有所差别，如图1所示，根据实验数据分析不同环境温度T下车载空调耗能，并通过车载空调开启时的能耗数据拟合得到空调能耗和空调使用率随环境温度变化。
通过对车载空调使用率曲线分析建立相应的空调开启决策模型，根据车载空调使用率曲线进行正态分布拟合，并设定冷阈值Tc、热阈值Th以及舒适温度区间，介于阈值与舒适温度之间的分段曲线根据MATLAB中的cftool工具箱进行正态分布拟合获得相应的拟合参数得到相应的空调启动正态分布函数，如公式(8)所示：
其中，Kopen(T)为温度T下空调开启概率，μc、δc为制热启动参数的均值与方差，μh、δh为制冷启动参数的均值与方差，当温度低于冷阈值Tc或者大于热阈值Th时用户空调开启概率为1，当温度在舒适温度区间内，开启空调的概率为0，参数值设定如表2所示。
表2车载空调开启概率拟合参数
为了量化充电负荷模拟中日内温度变化对空调能耗的影响，可采用分段多项式模型拟合温度与空调功率之间的关系，如公式(9)所示：
Pac(T)＝ω3T3+ω210-5T2+ω1T+ω0 (9)
其中，Pac为空调功率，ω0、ω1、ω2和ω3为函数拟合系数。
23)2.3基于交通路况的里程能耗模型
电动汽车在正常行驶过程中单位里程能耗主要受不同道路等级以及交通路况的影响最显著。为了消除了各路网络车速与感觉不一致的问题，充分吸取了人们对不同等级道路拥堵的容忍感受，引入交通拥堵指数(transport performance index,TPI)用数值方式量化描述道路交通运行状态，提高道路交通运行状态表达精度。由于车辆以非经济速度行驶，交通拥堵增加了驾驶持续时间和空调服务时间，降低了驾驶效率，这些将显著影响能源消耗和充电需求，引入行驶时长修正系数ζt调整在不同交通路况下的驾驶时长。用户在道路选择上优先选取道路畅通的路段，对于交通拥堵指数值越高的路段，行驶速度越低，行驶时间越长，用户选择意愿越低，具体如表3所示：
表3道路交通拥堵指数等级划分
将道路分为快速路、主干道和次干道三个等级，通过实时交通路况调查获取整体交通路况随时间变化情况，并根据不同时间段内的TPI选取对应的平均速度代入交通能耗因子模型内，如公式(10)所示：
其中，Ev表示电动汽车在不同等级道路中以速度v行驶时产生的单位里程能耗，单位为kWh/km，v1、v2和v3分别为快速路、主干道和次干道三个道路等级下的行车速度，速度取每段道路上的平均行驶速度，单位为km/h。
不同交通拥堵程度下各等级道路行车速度的选取如表4所示：
表4不同交通拥堵程度下各等级道路行车速度
综上所述，电动汽车在不同环境温度T以及交通路况中的实际耗电量可由电池能耗模型精确计算，如公式(11)所示：
其中，Eall,T为电动汽车在环境温度T下的总能耗值，Kac为环境温度T下的空调启停状态，取值为1或者0(表示车在空调开启和关闭状态)，tk、Dk为第k段出行过程中的行驶时长和行驶里程，Eo为电动汽车初始单位里程能耗，ξt为行驶时长修正系数，其取值如表3所示，表示在电动汽车受交通拥堵路况影响，对行驶时间和速度进行修正。
(三)基于用户心理的电动汽车充电需求模型
31)基于锚定效应的用户充电决策
锚定效应(anchoring effect)，是指个体在不确定情境下进行判断时其最后估计结果向该初始值的方向接近而产生偏差。用户在进行充电决策时，分时电价会成为“锚”而影响用户的充电决策行为，不同的锚值会对用户的充电意愿产生不同影响[20]。由于用户的充电行为受到电网分时电价的调控，通过提高峰值电价、降低谷值电价影响电动汽车充电负荷，达到“削峰填谷”的效果。锚定效应通过定义“高锚”与“低锚”的概念去判断用户对电价的接受程度。其中“高锚”是指用户对电价的期望值要高于实际价格，“低锚”是指用户对电价的预期值要低于其实际价格。在充电决策过程中，不同的“锚”会对用户的充电意愿产生不同的影响，与低锚相比，高锚能产生更高的充电意愿。消费者剩余是愿意支付的最高电价与实际分时电价之间的差额。充电决策过程中用户将实时电价与预期支付电价进行比较，通过对消费者剩余的感知进行充电决策，用户充电决策过程如图2所示。
当EV荷电状态(state of charge,SOC)无法满足下一次出行的电量需求时，用户会根据停车时长进行充电模式选择，对于停车时长充裕的用户定义为普通刚性用户，选择慢充方式进行充电；对于停车时长内慢充无法满足下次出行需求的用户定义为紧急刚性用户，选择快充方式进行充电。当电动汽车的SOC充裕且满足下一次出行的电量需求时，充电决策取决于不同锚值设定时产生的消费者剩余，将愿意支付的最高价格高于实时电价的用户定义为高锚弹性用户，根据消费者剩余充裕度，用户会进行充电行为；将实时电价高于用户电价预期值定义为低锚弹性用户，由于消费者无剩余，则不会进行充电行为。出于对电池寿命的考虑，弹性用户在家充电优先使用慢充方式进行充电。
32)充电需求计算
基于不同用户类型、车辆类型的出行特征，在每个路段节点判断电动汽车的进行充电行为，将不同功能区内的充电需求进行叠加，得到电动汽车充电需求的时空分布，如图3所示，具体仿真计算流程如下：
设置温度、交通路况相关参数以及不同类别的电动汽车车辆参数；
根据EV充放电循环次数以及环境温度计算并更新电池容量；
基于出行链理论模拟家用电动汽车的出行，运用蒙特卡洛法随机抽取出行链类型、时间参数以及出行目的地；根据日订单数量时空分布以及OD概率转移矩阵，运用蒙特卡洛法随机抽取日出行次数以及出行起讫点；
通过最优策略的MDP路径决策模型确定行驶路径；在每个出行道路节点，预先计算下一段出行过程产生的耗电量，根据电动汽车的剩余电量是否满足下一段出行的用电需求，对用户的充电决策进行判断；
将各个区域的充电需求按照电动汽车数量进行累加，得到总的电动汽车充电需求时空分布。
(四)算例分析
41)参数设定
设定各类型电动汽车数量以及不同类型家用电动汽车和出租电动汽车的占例，如表5所示：
表5各类型电动汽车数量及参数
电动汽车开始出行时刻的SOC服从正态分布N(0.8,0.12)，充电站的充电模式选择快充和慢充两种充电方式，根据国家推广的电动汽车充电桩类型以及位置分布，设定不同功能区的充电模式以及充电功率，各区域充电模式与充电功率如表6所示：
表6各区域充电模式与充电功率
家用电动汽车出行链类型以及占比设定如表7所示：
表7家用电动汽车出行链出行活动类型及占比
以成都三环区域内的路网为参照形成电动汽车出行路网模型。
42)仿真结果
421)电动汽车充电负荷时空分布
如图4、图5和图6所示，在不同功能区内电动汽车充电负荷特性有一定差异性。以工作日充电负荷为例，充电负荷白天主要集中在工作区，负荷占比高，充电负荷高峰发生在10:27，负荷峰值为8.91MW；夜间则分布在住宅区，在16:00～20:00时段充电负荷较为集中，负荷峰值为4.02MW。商业区充电负荷在工作日充电负荷整体偏小，负荷高峰时段发生在12:00～18:00，负荷峰值为0.23MW。
比较工作日与双休日总充电负荷曲线，各场景电动汽车总充电负荷时间分布如图7所示。工作日总充电负荷从5:18开始逐渐增大，在12:21达到充电负荷高峰，峰值为10.46MW。相比于工作日，双休日充电负荷更加集中，负荷高峰推迟至14:16，负荷峰值为15.61MW，负荷峰值相较于工作日增长了49.25％。由于工作日出行高峰发生在上下班时段，而在双休日出行高峰集中在12:00～17:00，因此充电负荷增加时间段不同。用户在双休日出行活动更加频繁且出行集中在出行高峰，同时在双休日租出车订单数量增多，日间出行量增大，充电需求整体增多。
422)动态能耗模型对充电负荷的影响
如图12所示，选取成都夏季、冬季典型温度变化曲线，基于交通路况与温度因素的影响，确定夏季、冬季电动汽车充电负荷在引入DEC模型前后的结果，并获取不同因素引起的能耗占比，如图8和图9所示，对比分析动态能耗模型对电动汽车充电需求的影响。由DEC模型中各因素引起的额外能耗具体数值如表8所示：
表8引入DEC模型的电动汽车充电负荷变化
结合图8、图9以及表8可知，在夏季高温或者冬季低温的环境中，路况与温度对电动汽车充电负荷影响显著。以夏季工作日为例，夏季8:00～10:00为出行高峰时段，交通拥堵指数高，电动汽车在行驶过程中里程能耗增加，电动汽车充电需求开始激增；在夜间交通畅通时段，由交通路况引起的能耗明显偏低。引入DEC模型后，在出行高峰期受交通路况影响产生的额外充电负荷占总充电负荷的28.17％。随着时间推移，夏季温度逐渐升高，在高温时段10:00～15:00，由温度引起的能耗值持续上升，最大增幅为13.09％。针对不同季节分析，由于在冬季低温环境下车载空调的使用率高于夏季，而且在低温环境中电池容量降低，充电次数更加频繁，导致冬季充电负荷的峰值及充电需求总量高于夏季，冬季温度引起的日充电负荷占总充电负荷的21.17％。仿真结果验证了DEC模型的有效性，符合实际情况。
(五)结论
电动汽车充电负荷时空分布受多源客观因素与用户心理影响，本实施例提出一种基于动态能耗模型与用户心理的电动汽车充电负荷预测模型方法，并以成都三环内的实际路网交通为依托对电动汽车充电负荷进行了时空分布预测，仿真结果表明：
51)充电区域、充电偏好以及时间场景类型会影响充电负荷曲线的大小、峰值时间和曲线形状。不同区域的电动汽车充电负荷在时间分布上存在明显的差异性。工作日充电负荷曲线相对平缓，而双休日充电负荷更加集中，负荷峰值相较于工作日增长了49.25％。
52)考虑道路等级、路况交通、车速以及气温等外界客观因素的影响与未考虑情况下的电动汽车充电负荷曲线在特性和幅值上有很大差异。峰值负荷之差高达21.17％，且出现最大峰值时间会发生偏移现象。受温度影响，冬季电池容量明显缩小，冬季情况下温度过低造成电池容量衰减对充电负荷的影响更大，车载空调开启更加频繁，导致负荷峰值持续升高且峰值持续时间增加，冬季充电负荷充电需求总量远高于夏季。
仿真结果验证了模型的有效性和方法的可靠性，动态能耗模型能够准确获取在不同环境状态下电动汽车的实际能耗，提高负荷预测结果的精度，为配电网的布局配置提供的合理规划依据。
本实施例提出了一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，首先对家用电动汽车和电动汽车的出行特征进行分析，通过蒙特卡洛法模拟不同类型电动汽车的出行过程。根据交通拥堵指数引入惩戒系数，建立基于最优策略的马尔可夫动态路径决策模型，使用户路径选择不局限于单一最短路径。针对不同温度和路况下电动汽车能耗建立出行里程能耗模型，计算不同情景下的实时单位里程动态能耗。引入锚定效应对用户心理进行分析，建立基于锚定效应的用户充电决策模型。最后，通过城市路网对所建模型进行验证，预测电动汽车充电需求的时空分布特点。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，其特征在于，包括：
设定待预测区域内的电动汽车数量以及各电动汽车的起始SOC；
构建电动汽车的出行模型和实际耗电量模型；
根据电动汽车的出行模型，通过马尔可夫动态路径决策模型获取每辆电动汽车的最优策略，根据对应的最优策略模拟每辆电动汽车的出行过程；
模拟过程中，对于每辆电动汽车的每个出行道路节点，根据实际耗电量模型和起始SOC，预先计算该电动汽车下一段出行过程的耗电量以及当前SOC，根据下一段出行过程的耗电量以及当前SOC确定该电动汽车在当前出行道路节点的充电需求，累计所有电动汽车在各出行道路节点的充电需求，获得待预测区域内电动汽车充电需求的时空分布。
2.根据权利要求1所述的一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，其特征在于，所述的实际耗电量模型的表达式为：
其中，Eall,T为环境温度T下电动汽车的总能耗值，Kac为环境温度T下电动汽车的车载空调启停状态，所述的Kac的取值为0或1，所述的Kac＝1表示车载空调开启，所述的Kac＝0表示车载空调关闭，Pac为环境温度T下电动汽车的车载空调功率，n为电动汽车的出行过程总段数，tk和Dk分别为第k段出行过程中的行驶时长和行驶里程，ξt为行驶时长修正系数，Ev为电动汽车以速度v行驶时产生的单位里程能耗，Eo为电动汽车初始单位里程能耗。
3.根据权利要求2所述的一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，所述的车载空调启停状态Kac的计算过程包括：
设定冷阈值Tc、热阈值Th以及舒适温度区间，所述的Th>Tc，所述的舒适温度区间介于Tc和Th之间，通过正态分布拟合获得空调启动正态分布函数；
当环境温度T低于冷阈值Tc或者大于热阈值Th，若是则令Kac＝1，否则令Kac＝0，当环境温度T介于Tc和舒适温度区间之间，或舒适温度区间和Th之间时，通过空调启动正态分布函数确定Kac取值。
4.根据权利要求2所述的一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，所述的车载空调功率Pac的计算公式为：
Pac(T)＝ω3T3+ω210-5T2+ω1T+ω0
其中，T为环境温度，ω0、ω1、ω2和ω3为函数拟合系数。
5.根据权利要求2所述的一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，所述的行驶时长修正系数ξt的获取过程包括：
采集待预测区域内各道路的交通拥堵指数TPI，根据TPI获取ξt；
其中，ξt∈[0,1]，所述的TPI越高，所述的ξt越大。
6.根据权利要求2所述的一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，所述的单位里程能耗Ev的获取过程包括：
将待预测区域内的道路分为快速路、主干道和次干道三个等级，每个等级的道路对应一种平均行驶速度；
模拟电动汽车在道路上行驶时，所述的电动汽车以该道路的等级对应的平均行驶速度行驶。
7.根据权利要求1所述的一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，其特征在于，所述的电动汽车分为家用电动汽车和出租电动汽车；
所述的家用电动汽车的出行模型的构建过程包括：
基于出行链理论构建家用电动汽车的出行链，根据NHTS2017数据库中的出行数据，通过概率分布拟合分析获得出行链中各节点特征量的变化规律，构成家用电动汽车的出行模型；
所述的出租电动汽车的出行模型的构建过程包括：
基于图论法将道路抽象为路网拓扑图，根据出行订单数据，运用OD分析法获取出租电动汽车的出行起始点分布以及概率转移矩阵，构成出租电动汽车的出行模型。
8.根据权利要求1所述的一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，所述的充电需求的确定过程包括以下步骤：
S801、根据电动汽车下一段出行过程的耗电量判断其当前SOC是否满足出行需求，若是则执行步骤S802，否则执行步骤S803；
S802、判断电动汽车在当前出行道路节点的停车时长是否大于慢速充电所需时长，若是则判定电动汽车存在慢速充电需求，否则电动汽车存在快速充电需求，结束；
S803、判断电动汽车用户的电价预期值是否高于实时电价，若是则判定电动汽车存在慢速充电需求，否则判定电动汽车不存在充电需求。
9.根据权利要求1所述的一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，其特征在于，所述的电动汽车的电池容量的计算公式为：
CR(T)＝η3T3+η210-5T2+η1T+η0
其中，T为环境温度，CR(T)为环境温度为T时电动汽车的电池相对容量百分数，η0、η1、η2和η3为拟合系数。
10.根据权利要求1所述的一种基于动态能耗与用户心理的电动汽车充电负荷预测方法，设定所有电动汽车的起始SOC服从正态分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111480681.2A CN114021391A (zh) | 2021-12-06 | 2021-12-06 | 基于动态能耗与用户心理的电动汽车充电负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111480681.2A CN114021391A (zh) | 2021-12-06 | 2021-12-06 | 基于动态能耗与用户心理的电动汽车充电负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114021391A true CN114021391A (zh) | 2022-02-08 |
Family
ID=80067919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111480681.2A Pending CN114021391A (zh) | 2021-12-06 | 2021-12-06 | 基于动态能耗与用户心理的电动汽车充电负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114021391A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611811A (zh) * | 2022-03-21 | 2022-06-10 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及系统 |
| CN114967761A (zh) * | 2022-07-29 | 2022-08-30 | 广东省农业科学院植物保护研究所 | 一种植保无人机作业的智能控制方法及系统 |
| CN117313437A (zh) * | 2023-11-30 | 2023-12-29 | 中汽研汽车检验中心（天津）有限公司 | 交通流对能耗排放影响测试方法、装置、设备与存储介质 |
-
2021
- 2021-12-06 CN CN202111480681.2A patent/CN114021391A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611811A (zh) * | 2022-03-21 | 2022-06-10 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及系统 |
| CN114611811B (zh) * | 2022-03-21 | 2022-10-25 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及系统 |
| CN114967761A (zh) * | 2022-07-29 | 2022-08-30 | 广东省农业科学院植物保护研究所 | 一种植保无人机作业的智能控制方法及系统 |
| CN114967761B (zh) * | 2022-07-29 | 2022-11-01 | 广东省农业科学院植物保护研究所 | 一种植保无人机作业的智能控制方法及系统 |
| CN117313437A (zh) * | 2023-11-30 | 2023-12-29 | 中汽研汽车检验中心（天津）有限公司 | 交通流对能耗排放影响测试方法、装置、设备与存储介质 |
| CN117313437B (zh) * | 2023-11-30 | 2024-02-13 | 中汽研汽车检验中心（天津）有限公司 | 交通流对能耗排放影响测试方法、装置、设备与存储介质 |
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 | |
| CN109034648B (zh) | 一种电动汽车集群需求响应潜力评估方法 | |
| Hao et al. | Seasonal effects on electric vehicle energy consumption and driving range: A case study on personal, taxi, and ridesharing vehicles | |
| Zhang et al. | Energy consumption analysis and prediction of electric vehicles based on real-world driving data | |
| CN114021391A (zh) | 基于动态能耗与用户心理的电动汽车充电负荷预测方法 | |
| CN107392400B (zh) | 计及实时交通与温度的ev充电负荷时空分布预测方法 | |
| CN111311122A (zh) | 面向智慧城市的充电站建设方法 | |
| CN111160639B (zh) | 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 | |
| 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 | |
| CN103605885A (zh) | 一种基于交通路网信息的电动车辆剩余里程估算方法 | |
| CN110232219B (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
| CN110139789A (zh) | 用于优化混合动力车辆的能量消耗的方法 | |
| 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 | |
| CN114282821A (zh) | 一种共享电动汽车的调度方法、系统及设备 | |
| CN109919393B (zh) | 一种电动出租汽车的充电负荷预测方法 | |
| Grahn et al. | Plug-in-vehicle mobility and charging flexibility Markov model based on driving behavior | |
| Zhang et al. | EV charging load forecasting considering urban traffic road network and user psychology under multi-time scenarios | |
| CN115019552B (zh) | 一种基于物联网的智能停车场共享管理系统及方法 | |
| CN109827588A (zh) | 一种处理方法及电子设备 | |
| He et al. | Multi-time simulation of electric taxicabs' charging demand based on residents' travel characteristics | |
| Zhang et al. | Charging time and location recommendation strategy considering taxi user satisfaction | |
| Krogh et al. | Analyzing electric vehicle energy consumption using very large data sets | |
| CN115545303A (zh) | 计及多源信息和决策修正的电动汽车充电站负荷预测方法 |
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 |