CN114492919A - 一种基于交通流量的电动汽车充电负荷预测系统及方法 - Google Patents

一种基于交通流量的电动汽车充电负荷预测系统及方法 Download PDF

Info

Publication number
CN114492919A
CN114492919A CN202111509126.8A CN202111509126A CN114492919A CN 114492919 A CN114492919 A CN 114492919A CN 202111509126 A CN202111509126 A CN 202111509126A CN 114492919 A CN114492919 A CN 114492919A
Authority
CN
China
Prior art keywords
data
road
vehicle
traffic
charging
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
Application number
CN202111509126.8A
Other languages
English (en)
Inventor
龙虹毓
陈芳幸
周游
陈功贵
范子帆
赵文韬
侯炳屹
刘龙
胡娅玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202111509126.8A priority Critical patent/CN114492919A/zh
Publication of CN114492919A publication Critical patent/CN114492919A/zh
Pending legal-status Critical Current

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"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • 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
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/14—Plug-in electric vehicles
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Abstract

本发明公开了一种基于交通流量的电动汽车充电负荷预测系统及方法，涉及电动汽车有序充放电领域，该系统包括云监控管理平台、路网数据管理子系统、交通流量预测管理子系统、车载数据采集控制子系统和用户管理子系统；其中云监控管理平台：实时接收并显示路网数据管理子系统、交通流量预测管理子系统、车载数据采集控制子系统、用户管理子系统的相关数据及运行状态，处理这些数据得出电动汽车充电时空负荷预测信息，并将其传给负荷预测显示界面，本发明对能影响电动汽车充电负荷的各种因素进行了全面的数据挖掘，定量分析各个因素对电动汽车充电负荷的影响，使得电动汽车充电负荷预测模型预测更准确。

Description

一种基于交通流量的电动汽车充电负荷预测系统及方法
技术领域
本发明属于电动汽车有序充放电领域，尤其是涉及一种基于交通流量的电动汽车充电负荷预测系统及方法。
背景技术
随着能源危机与全球气候变暖，为了减少化石燃料的使用、减少汽车尾气排放，由电作为驱动的电动汽车受到全球各国的高度重视。电动汽车不仅能节省化石燃料，它在行驶过程中不像燃油汽车一样产生尾气，可以实现“零排放”，减少汽车尾气对环境的污染。因此，电动汽车的发展是未来汽车的发展趋势，全球各国也相继发布了促进电动汽车发展的相关政策。随着能源行业的发展和环境污染问题的日益严峻，电动汽车作为一种新型交通工具，在减少二氧化碳排放和缓解能源危机方面具有巨大优势，受到了各国政府和学者的关注。根据国务院印发的《节能与新能源汽车产业发展规划》，纯电动汽车和插电式混合动力汽车累计产销量到2020年将超过500万辆。然而，电动汽车的大规模普及将对电力系统运行带来重大影响，同时加剧负荷的峰谷差，增加电网运行优化控制的难度，电动汽车作为交通道路的参与者，它不仅对交通网络产生影响，同时也对电力网络产生着巨大的影响。因此，基于交通流量预测的电动汽车充电负荷预测时空分布，定量分析电动汽车对电网的影响，将为研究电动汽车控制策略模型和促进电力系统安全稳定运行提供重要参考，也为大规模电动汽车入网后充电站的选址布局规划打下坚实的基础。
发明内容
本发明所要解决的技术问题是：解决负荷预测不精确导致配电网负荷过高的问题，同时也解决由于大规模电动汽车充电造成交通拥堵的问题。
本发明采用的技术方案如下：
一种基于交通流量的电动汽车充电负荷预测系统，所述电动汽车充电负荷预测系统包括云监控管理平台、路网数据管理子系统、交通流量预测管理子系统、车载数据采集控制子系统和用户管理子系统：
所述车载数据采集控制子系统，用于采集所述电动汽车参与实时交通的行车数据和路况数据，对所述行车数据和路况数据进行处理，得到第一行车数据和第一路况数据，并将所述第一行车数据和所述第一路况数据上传至所述路网数据管理子系统；
所述路网数据管理子系统，用于接收所述车载数据采集控制子系统发送的所述第一行车数据和所述第一路况数据，并对所述第一行车数据和所述第一路况数据进行处理，得到第二行车数据和第二路况数据，并将所述第二行车数据和所述第二路况数据上传至所述云监控管理平台；
所述交通流量预测管理子系统，用于根据道路交叉口的视频监控采集道路上的交通流量数据，并通过前三个时段的所述交通流量数据采用小波神经网络预测下一时段的预测道路交通流量数，将所述交通流量数据和预测交通流量数上传至所述云监控管理平台，并接收云监控管理平台下发出数据接受成功信号；
所述用户管理子系统，用于采集用户的出行轨迹和出行行为，并结合用户的历史数据，得到用户下一次出行状态转移矩阵，将所述下一次出行状态转移矩阵上传至所述云监控管理平台；
所述云监控管理平台，用于接收并显示所述路网数据管理子系统发送的所述第二行车数据和所述第二路况数据、所述交通流量预测管理子系统发送的所述交通流量数据和预测交通流量数据以及所述用户管理子系统发送的所述下一次出行状态转移矩阵，根据所述电动汽车充电负荷预测方法对所述第二行车数据、所述第二路况数据、所述交通流量数据、预测交通流量数据和所述下一次出行状态转移矩阵进行处理，计算得到并显示电动汽车充电时的充电负荷预测信息，所述充电负荷预测信息包括时间尺度负荷预测曲线和空间尺度负荷预测曲线，并根据所述时间尺度负荷预测曲线和所述空间尺度负荷预测曲线得到用户充电路径选择指令，并将所述用户充电路径选择指令发送至所述用户管理子系统；
所述用户管理子系统，还用于接收所述云监控管理平台发送的所述用户充电路径选择指令，并根据所述用户充电路径选择指令引导电动汽车用户进行充电路径选择。
可选地，所述云监控管理平台包括电动汽车充电负荷预测模块、云监控通信模块、云监控数据库和云监控界面显示模块；
所述云监控通信模块，用于接收所述路网数据管理子系统发送的所述第二行车数据和所述第二路况数据、所述交通流量预测管理子系统发送的所述交通流量数据和预测交通流量数据以及所述用户管理子系统发送的所述下一次出行状态转移矩阵；
所述电动汽车充电负荷预测模块，用于根据所述第二行车数据、所述第二路况数据、所述交通流量数据、预测交通流量数据和所述下一次出行状态转移矩阵，计算得到并显示电动汽车充电时的充电负荷预测信息；所述充电负荷预测信息包括：根据电动汽车充电负荷预测信息得到时间尺度上的预测曲线和空间尺度上的预测曲线，并根据所述时间尺度负荷预测曲线和所述空间尺度负荷预测曲线得到用户充电路径选择指令；
所述云监控界面显示模块，用于显示所述第二行车数据、所述第二路况数据、所述交通流量数据、预测交通流量数据、所述下一次出行状态转移矩阵和所述充电负荷预测信息；
所述云监控通信模块，还用于将所述用户充电路径选择指令发送至所述用户管理子系统。
可选地，所述交通流量预测管理子系统包括道路视频监控模块、交通通信模块、交通流量预测模块、交通界面显示模块；
所述道路视频监控模块，用于根据道路上安装的视频监控采集前三个Δt时刻内的交通流量数据；
所述交通通信模块，用于将前三个Δt时刻内的交通流量数据发送至所述交通流量预测模块；
所述交通流量预测模块，用于根据前三个Δt时刻内的交通流量数据采用小波神经网络预测出下一个Δt的预测道路交通流量数；
所述交通通信模块，还用于将前三个Δt时刻内的交通流量数据和交通流量预测模块中的下一个Δt的预测道路交通流量数发送至所述云监控管理平台。
可选地，车载数据采集控制子系统包括红外检测模块、行车数据采集模块、数据处理及控制模块、通信模块；
所述红外检测模块，用于检测当前电动汽车车舱内的人数；
所述行车数据采集模块，用于采集电动汽车的所述行车数据和所述路况数据，其中，所述行车数据包括当前位置、动力电池剩余电量、电动汽车运行状态及运行参数、车辆位置、车速；
所述数据处理及控制模块，用于根据所述当前位置、所述动力电池剩余电量、所述电动汽车运行状态及运行参数、车辆位置、车速以及所述路况数据计算得到第一行车数据，所述第一行车数据包括电动汽车单位时间做功；
所述通信模块，将所述行车数据、所述路况数据和第一行车数据上传至路网数据管理子系统，然后经过路网数据管理子系统处理后的第二行车数据和第二路况数据传送至所述云监控调度平台。
可选地，还包括若干个设置于车内的第一摄像头、若干个设置于车内的第二摄像头和若干个设置于道路交叉口的视频监控；所述第一摄像头通过CAN总线与所述车载数据处理子系统通信连接，所述第二摄像头通过CAN总线与所述车载数据处理子系统通信连接；所述视频监控通过5G通讯技术与所述车流量监测子系统通信连接；
所述第一摄像头用于获取车主表情历史数据，所述第一摄像头设置于汽车的三角柱上；所述第二摄像头用于车主头部角度历史数据，所述第二摄像头设置于汽车的仪表盘总成上；所述视频监控用于采集道路上的所述交通视频数据；
所述车载数据处理子系统还用于获取若干个车内的里程表剩余电量数据、若干个第一摄像头发送的车主表情历史数据、若干个第一摄像头发送的车主头部角度历史数据，并将所述车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据发送至所述云监控平台。
可选地，所述的路网数据管理子系统包括数据冗余信息处理模块，数据归一化处理模块，路网数据存储模块；
所述数据冗余信息处理模块，采用的是大数据处理技术，将采集到的所述第一行车数据和所述第一路况数据进行处理，处理冗余无用的数据信息，将处理得到的第二行车数据和第二路况数据传给数据归一化处理模块；
所述数据归一化处理模块，采用数据归一化技术，将第一行车数据和第一路况数据进化归一化处理，得到所述第二行车数据和所述第二路况数据；
所述路网数据存储模块，用于将所述第二行车数据和所述第二路况数据存储在数据存储模块中。
可选地，所述用户管理子系统包括用户数据采集模块、用户数据库、用户通信模块、用户数据处理模块；
所述用户数据采集模块，用于采集用户出行的出行轨迹和出行行为，其中，所述出行轨迹包括出行时间、出行地点以及出行目的地，并将出行轨迹和出行行为保存至数据库；
所述用户数据处理模块，根据出行轨迹、出行行为和采集到的历史数据计算出电动汽车用户的下一次出行状态转移矩阵；下一次出行状态转移矩阵为下一次出行目的地状态转移矩阵；
所述用户通信模块，用于将下一次出行状态转移矩阵发送至所述云监控管理平台，为电动汽车的充电负荷预测提供用户的状态数据。
此外，为实现上述目的，本发明一种基于交通流量的电动汽车充电负荷预测方法，所述基于交通流量的电动汽车充电负荷预测方法应用于一种基于交通流量的电动汽车充电负荷预测系统，所述基于交通流量的电动汽车充电负荷预测方法，包括如下步骤：
步骤S10，通过所述交通流量预测管理子系统采用小波神经网络对前三个时段的所述交通流量数据进行处理，预测得到下一时刻Δt内道路上预测的交通流量数；
步骤S20，获取交叉路口红绿灯状态，并根据交叉路口红绿灯状态建立电动汽车道路行驶阻抗模型，并根据所示电动汽车道路行驶阻抗模型得到通行总时间模型；
步骤S30，根据路网图构建邻接矩阵，并根据邻接矩阵对电动汽车进行电动汽车动态路径规划，得到最短时间成本矩阵；
步骤S40，根据下一时刻Δt内道路上预测的交通流量数、通行总时间模型以及最短时间成本矩阵对电动汽车充电负荷预测，得到充电负荷预测信息；
所示步骤S10具体为；
步骤S101初始化小波神经网络的网络参数，将前三个时段的所述交通流量数据作为样本输入小波神经网络中，令q(1,2,....,n)为输入信号的样本，第p个样本的输入值为
Figure BDA0003404572240000061
为第p个样本的网络输出值，
Figure BDA0003404572240000062
为样本的输出目标值，输出层与隐含层、隐含层与输出层之间的额连接权值为Wij、Wkj，设伸缩因子为ai，平移因子为bi，通过
Figure BDA0003404572240000063
进行平移与伸缩
步骤S102，建立小波函数，在HiIbert向量空间中选取一个母小波函数
Figure BDA0003404572240000064
使其满足
Figure BDA0003404572240000065
为
Figure BDA0003404572240000066
的傅里叶变换，通过
Figure BDA0003404572240000067
的伸缩和平移变换产生小波函数基：
Figure BDA0003404572240000068
其中a为伸缩尺度因子，b为平移因子；建立小波神经网络激活函数；
Figure BDA0003404572240000069
其中，xi(i＝1、2...I)为输入层第i个神经元输入信号；yk(k＝1、2...k)为输出层第k个神经元的输出信号；wji为隐含层神经元j和输出层神经元i之间的权值；
Figure BDA0003404572240000071
为输入层神经元j和隐含层结点k之间的权值；aj为第j个隐含层神经元的伸缩尺度因子；bj为第j个隐含层神经元的平移因子；
步骤S103，预测网络的输出、计算误差，向已经初始化后的网络中输入一个训练样本(Pk，Tk)，k∈{1,2,...N},其中N为训练样本个数，Pk为样本输入信号，Tk为网络输出目标值，Pk∈Rm，Tk∈Rm；计算预测误差：
Figure BDA0003404572240000072
步骤S104，网络权值修正，根据
Figure BDA0003404572240000073
的情况利用最速下降法修正小波神经网络的参数wji、
Figure BDA0003404572240000074
aj、bj；
Figure BDA0003404572240000075
Figure BDA0003404572240000076
Figure BDA0003404572240000077
Figure BDA0003404572240000078
Figure BDA0003404572240000079
步骤S105，优化收敛速度；为了加快网络的收敛速度，引入一个网络参数动量因子α，因此权向量的迭代公式为：
Figure BDA00034045722400000710
Figure BDA00034045722400000711
Figure BDA00034045722400000712
Figure BDA00034045722400000713
步骤S106，判断训练是否结束；完成上述步骤，判断
Figure BDA00034045722400000714
是否小于所要求的误差最大值，若已经小于规定的误差最大值，则网络训练结束；若网络训练的次数已经达到规定的训练的最大次数，则训练结束；否则将网络训练次数更新为t＝t+1；重复上述步骤；
步骤S107，经过步骤S101、步骤S102、步骤S103、步骤S104、步骤S105、步骤S106得到输出的下一时刻Δt内道路上预测的交通流量数Xpredict。
可选地，所述步骤S20具体为：
步骤S201，建立道路阻抗模型，根据城市道路交通状态的划分，各类交通状态根据地图路况划分为严重拥堵、拥挤、缓行以及畅通4类，当饱和度y介于0至0.6之间时，交通状态为畅通；当饱和度y介于0.6至0.8时，交通状态为缓行；当饱和度值y介于0.8至1.0之间时，交通状态为拥挤；当饱和度值y为1.0以上，交通状态为严重拥堵；道路阻抗模型为：
T0＝t0(1+α(y))β0≤y≤1
T0＝t0(1+α(2-y))β1<y≤2
Figure BDA0003404572240000081
其中T0为阻抗时间，t0为交通量为零时的路段行程时间(s)；Xpredict实际路段预测出交通量，C为路段通行能力，y为修正饱和度；η1为交叉口间隔影响修正系数，η2非机动车干扰影响修正系数；η3行人干扰影响修正系数，η4车道宽度影响修正系数，α，β为阻抗影响参数；
步骤S202，建立交通结点阻抗模型；根据交叉路口红绿灯状态来建立结点阻抗模型为：
Figure BDA0003404572240000082
Figure BDA0003404572240000083
Figure BDA0003404572240000084
其中T1为结点阻抗时间，c为信号周期，q为该车道车辆到达率，tread为结点处信号灯红灯时间，λ为绿信比；
步骤S203，根据S201，S202，得到总体阻抗模型为：
Figure BDA0003404572240000091
Figure BDA0003404572240000092
Figure BDA0003404572240000093
步骤S204，根据道路自由流状态下的速度得到自由流通行时间模型为：
Figure BDA0003404572240000094
其中Tfree为自由流状态通行时间，L为路段长度，vfree为自由流速度，一般为道路设计的最大速度；
步骤S205，根据步骤步骤S203，步骤S204，得到通行的总时间模型为：
Ttotal＝T+Tfree。
可选地，所述步骤S30具体为：
步骤S301，初始化路网图的邻接矩阵w(0)，i和j之间的时间成本用
Figure BDA0003404572240000095
Ttotal＝T+Tfree表示，若i和j两点不相连，则Ttotal＝∞；
步骤S302，构造w(1)，在i和j之间插入第一个中间结点，计算
Figure BDA0003404572240000096
步骤S303，构造w(2)，在i和j之间插入第二个中间结点，计算
Figure BDA0003404572240000097
步骤S304，根据步骤S301，步骤S302，步骤S303，构造w(n)，计算
Figure BDA0003404572240000098
则w(n)为遍历所有节点后i和j之间的最短路径长度，w(n)则为各点之间的最短时间成本矩阵。
可选地，所述步骤S40具体为：
步骤S401，根据交通流量预测数据，得到的交通流量预测车辆数，计算出道路上的电动汽车数量；
其中，所述大型电动车辆数量NEV(big)的获取方法，具体步骤包括：
根据道路交叉口的视频监控采集道路上的交通视频数据；
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别电动车车牌的颜色、车牌号码长度以及车辆的大小，确定车辆是否为大型电动车，进而确定道路上的大型电动车辆数量；
所述小型电动车辆数量NEV(small)的获取方法，具体步骤包括：
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别电动车车牌的颜色、车牌号码长度以及车辆的大小，确定车辆是否为小型电动车，进而确定道路上的小型电动车辆数量；
所述电动汽车数量NEV的获取方法，具体步骤包括：
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别电动车车牌的颜色以及车牌号码长度，确定车辆是否为电动车，进而确定道路上的电动汽车数量；
所述有充电需求电动汽车数量
Figure BDA0003404572240000101
的获取方法，具体步骤包括：
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
对所述交通视频数据进行读取，得到行驶在监控道路上车辆的车主表情数据、车主头部角度数据；
将车主表情数据、车主头部角度数据输入车辆剩余电量模型中，得到有充电需求电动汽车数量；
所述训练车辆剩余电量模型的具体步骤为：
通过车载数据采集控制子系统获取车内的第一摄像头采集的车主表情历史数据、第二摄像头采集的车主头部角度历史数据以及里程表剩余电量数据；
将车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据通过时间序列进行处理，再将处理后的车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据输入BP神经网络进行训练，计算出车辆剩余电量模型；
步骤S402，判断的电动汽车当前荷电状态，如果当前荷电状态小于容量的30％即用户管理子系统向云监控管理平台发出需要充电指令；同时用户管理子系统统计需要充电的电动汽车数量和位置传送给云监控管理平台，电动汽车充电需求充电模型为:
Figure BDA0003404572240000111
其中
Figure BDA0003404572240000112
为电动汽车起点的荷电状态，Cx为电池容量；
电动汽车在路网中的位置模型为：
Figure BDA0003404572240000113
Figure BDA0003404572240000114
Figure BDA0003404572240000115
Figure BDA0003404572240000116
其中
Figure BDA0003404572240000117
为电动汽车在路网中的初始位置，Xi,j为交通结点的位置，Xi+1,j为横向下一个交通结点位置，Xi,j+1为纵向交通结点位置；
步骤S403，根据阻抗模型数据，结合步骤S10，步骤S20，得到电动汽车到达充电站的荷电状态为
Figure BDA0003404572240000118
其中
Figure BDA0003404572240000119
为电动汽车到达充电站的荷电状态，P为电动汽车在道路上行驶单位时间做功；
到达充电站的时间模型为：
Figure BDA00034045722400001110
其中
Figure BDA00034045722400001111
为到达充电站的时间，
Figure BDA00034045722400001112
为产生充电需求的时间；
步骤S404，根据步骤S10，步骤S20，步骤S30，得到电动汽车充电模型为：
Figure BDA0003404572240000121
Figure BDA0003404572240000122
Figure BDA0003404572240000123
Figure BDA0003404572240000124
其中
Figure BDA0003404572240000125
大型车辆快冲的充电时间，SOCmax充电最大荷电状态，
Figure BDA0003404572240000126
大型车辆慢冲的充电时间，
Figure BDA0003404572240000127
小型车辆快冲的充电时间，
Figure BDA0003404572240000128
小型车辆慢冲的充电时间，Pfast为快充功率，Pslow为慢冲功率；
步骤S405，结合步骤S10，步骤S20，步骤S30得到充电负荷预测模型:
Figure BDA0003404572240000129
Figure BDA00034045722400001210
P(T)Total＝P(T)small+P(T)small
其中P(T)big为大型车充电功率，P(T)small为小型车充电功率；
Figure BDA00034045722400001211
选择慢冲时为1，不选择时为0；
Figure BDA00034045722400001212
选择快冲时为1，不选择时为0；P(T)Total为T时刻总的充电功率；
Figure BDA00034045722400001213
为到充电站充电的大型车数量，
Figure BDA00034045722400001214
为到充电站充电的小型车数量；
步骤S406，充电站位置模型；
Figure BDA00034045722400001215
Figure BDA0003404572240000131
Figure BDA0003404572240000132
Figure BDA0003404572240000133
其中
Figure BDA0003404572240000134
为电动汽车在路网中的初始位置，Xi,j为交通结点的位置，Xi+1,j为横向下一个交通结点位置，Xi,j+1为纵向交通结点位置；
步骤S407，结合步骤S401，步骤S402，步骤S403，步骤S404，步骤S405，步骤S406，得到一天内电动汽车的充电负荷预测曲线，时间间隔为Δt，同时在空间上也可以得到每个充电站一天内充电负荷预测曲线。
本发明的有益效果如下：
1.本发明基于数据规律的方法，对区域充电站进行充电负荷预测，能够避免因用户充电规律、电池充电特性等不确定性数据的影响，提高充电负荷预测的准确率和适用性。
2.本发明可以准确地预测区域电动汽车充电设施的负荷，为研究电动汽车充电设施负荷对电网的影响提供基础，也为电动汽车充电设施规划提供了依据。
3.本发明对能影响电动汽车充电负荷的各种因素进行了全面的数据挖掘，定量分析各个因素对电动汽车充电负荷的影响，使得电动汽车充电负荷预测模型预测更准确。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，本说明书附图中的各个部件的比例关系不代表实际选材设计时的比例关系，其仅仅为结构或者位置的示意图，其中：
图1是本发明的基于交通流量的电动汽车充电负荷预测系统架构图；
图2是本发明的小波神经网络预测流程图；
图3是本发明的总体流程图；
图4是本发明的道路拓扑，电动汽车和充电站为值图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；
实施例1
本发明采用的技术方案如下：
如图1、图4所示，一种基于交通流量的电动汽车充电负荷预测系统，该系统包含一个管理平台和四个子系统：
云监控管理平台：实时接收并显示路网数据管理子系统、交通流量预测管理子系统、车载数据采集控制子系统和用户管理子系统的相关数据及运行状态，处理这些数据得出电动汽车充电时空负荷预测信息，并将其传给负荷预测显示界面，显示时间尺度和空间尺度上的负荷情况，并实时的监控各个子系统的运行情况，若出行异常情况，发出警报以便及时维护；
车载数据采集控制子系统：采集电动汽车参与实时交通路况数据变化，并将处理后的行车数据和路况数据上传至路网数据管理子系统；
路网数据管理子系统：接受来自车载数据采集控制子系统的行车数据和路况数据，对数据进行处理，并将处理后的数据上传到云监控管理平台；
交通流量预测管理子系统：根据道路交叉口的视频监控采集道路上的交通流量数据，数据上传到交通流量预测管理子系统，通过前一时刻的交通流量数据采用小波神经网络预测下个时段的交通流量，经过处理后将处理后的数据上传至云监控管理平台，并接收云监控管理平台下发出数据接受成功信号，表明数据接受成功；
用户管理子系统：采集用户的出行轨迹和记录用户的出行行为，结合历史数据，得到次日用户的出行状态转移概率模型，将处理后的变化数据上传至云监控管理平台，并接受云监控管理平台的指令，引导电动汽车用户进行充电路径选择。
进一步地，所述云监控管理平台包括电动汽车充电负荷预测模块、通信模块、数据库、界面显示模块；
所述电动汽车充电负荷预测模块：根据采集的电动汽车、交通流量、用户出行相关数据，预测出电动汽车负荷变化；所述电动汽车充电负荷预测包括：结合电动汽车负荷预测曲线得到时间尺度上的预测曲线和空间尺度上的预测曲线，达到可望实时化、精确化实现电动汽车集群充电负荷的精确预测。
进一步地，所述交通流量预测管理子系统包括道路视频监控模块、通信模块、交通流量预测模块、界面显示模块；
所述道路视频监控模块：根据道路上安装的视频监控采集前三个Δt时刻内的交通流量数据；
所述交通流量预测模块：通过通信模块的传输，接收来自道路视频监控模块的数据，采用小波神经网络预测出下一个Δt的道路交通流量数，以此达到实时的预测出下一时刻交通流量的目的。
进一步地，车载数据采集控制子系统包括红外检测模块、行车数据采集模块、数据处理及控制模块、通信模块；
所述红外检测模块，检测当前电动汽车车舱内的人数；
所述行车数据采集模块，采集电动汽车的当前位置、动力电池剩余电量、电动汽车运行状态及运行参数、车辆位置、车速、路况信息，计算出电动汽车单位时间做功；
所述通信模块，采用5G网络，将行车数据采集模块采集的电动汽车数据上传至路网数据管理子系统，然后经过路网数据管理子系统处理后将数据传给云监控调度平台。
基于交通流量的电动汽车充电负荷预测系统，还包括若干个设置于车内的第一摄像头、若干个设置于车内的第二摄像头和若干个设置于道路交叉口的视频监控；所述第一摄像头通过CAN总线与所述车载数据处理子系统通信连接，所述第二摄像头通过CAN总线与所述车载数据处理子系统通信连接；所述视频监控通过5G通讯技术与所述车流量监测子系统通信连接；
所述第一摄像头用于获取车主表情历史数据，所述第一摄像头设置于汽车的三角柱上；所述第二摄像头用于车主头部角度历史数据，所述第二摄像头设置于汽车的仪表盘总成上；所述视频监控用于采集道路上的所述交通视频数据；
所述车载数据处理子系统还用于获取若干个车内的里程表剩余电量数据、若干个第一摄像头发送的车主表情历史数据、若干个第一摄像头发送的车主头部角度历史数据，并将所述车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据发送至所述云监控平台。
进一步地，所述的路网数据管理子系统包括数据冗余信息处理模块，数据归一化处理模块，数据存储模块；
所述的数据冗余信息处理模块，采用的是大数据处理技术，将采集到的各种行车数据进行处理，处理冗余无用的数据信息，将处理后的数据传给数据归一化处理模块；
所述的数据归一化处理模块，采用数据归一化技术，将处理过后的行车数据进化归一化处理，将数据统一方便后面计算；
所述的数据处理模块，将处理后的信息存储在数据存储模块中，便于数据的传输与接收。所述的用户管理子系统包括用户数据采集模块，数据库，通信模块，用户数据处理模块；所述的用户数据采集模块，采集用户出行的出行时间，地点，以及出行的目的地并将采集的数据保存到数据库中；所述的用户数据处理模块，结合采集到的历史数据计算出电动汽车用户下一次出行的目的地状态转移矩阵；
所述的通信模块，将用户数据处理模块处理后的数据传给云监控管理平台为电动汽车的充电负荷预测提供用户的状态数据。
如图2、图3所示，一种交通流量的电动汽车充电负荷预测方法包括如下步骤：
步骤S10，进行交通流量预测；
步骤S20，建立电动汽车道路行驶阻抗模型；
步骤S30，进行电动汽车动态路径规划；
步骤S40，对电动汽车充电负荷预测；
其中对步骤S10，进行交通流量预测采用小波函数建模进行；小波神经网络是基于BP神经网络发展而来，把小波基函数作为隐含层的激活函数的一种新型的神经网络，它与BP神经网络最大的不同就是采用的激活函数不一样。因此它与BP神经网络一样也是有反馈的前馈式神经网络，小波变换可以使网络具有很快的学习速度同时也避免了数据陷入局部最小的缺陷，比BP神经网络收敛速度更快，预测精度更高。
步骤S101首先初始化相关参数，令q(1,2,....,n)为输入信号的样本，第p个样本的输入值为
Figure BDA0003404572240000171
为第p个样本的网络输出值，
Figure BDA0003404572240000172
为样本的输出目标值，输出层与隐含层、隐含层与输出层之间的额连接权值为Wij、Wkj，设伸缩因子为ai，平移因子为bi，按照下式进行平移与伸缩，
Figure BDA0003404572240000173
步骤S102，建立小波函数，在HiIbert向量空间中选取一个母小波函数
Figure BDA0003404572240000174
使其满足
Figure BDA0003404572240000175
为
Figure BDA0003404572240000176
的Fourier变换，通过
Figure BDA0003404572240000177
的伸缩和平移变换产生小波函数基：
Figure BDA0003404572240000178
其中a、b分别为伸缩尺度因子和平移因子；建立小波神经网络激活函数；
Figure BDA0003404572240000179
其中，xi(i＝1、2...I)为输入层第i个神经元输入信号；yk(k＝1、2...k)为输出层第k个神经元的输出信号；wji为隐含层神经元j和输出层神经元i之间的权值；
Figure BDA0003404572240000181
为输入层神经元j和隐含层结点k之间的权值；aj为第j个隐含层神经元的伸缩尺度因子；bj为第j个隐含层神经元的平移因子；
步骤S103，预测网络的输出、计算误差，向已经初始化后的网络中输入一个训练样本(Pk，Tk)，k∈{1,2,...N},其中N为训练样本个数，Pk为样本输入信号，Tk为网络输出目标值，Pk∈Rm，Tk∈Rm；计算预测误差：
Figure BDA0003404572240000182
步骤S104，网络权值修正，根据
Figure BDA0003404572240000183
的情况利用最速下降法修正小波神经网络的参数wji、
Figure BDA0003404572240000184
aj、bj；
Figure BDA0003404572240000185
Figure BDA0003404572240000186
Figure BDA0003404572240000187
Figure BDA0003404572240000188
Figure BDA0003404572240000189
步骤S105，优化收敛速度；为了加快网络的收敛速度，引入一个网络参数动量因子α，因此权向量的迭代公式为：
Figure BDA00034045722400001810
Figure BDA00034045722400001811
Figure BDA00034045722400001812
Figure BDA00034045722400001813
步骤S106，判断训练是否结束；完成上述步骤，判断
Figure BDA00034045722400001814
是否小于所要求的误差最大值，若已经小于规定的误差最大值，则网络训练结束；若网络训练的次数已经达到规定的训练的最大次数，则训练结束；否则将网络训练次数更新为t＝t+1；重复上述步骤；
步骤S107，经过步骤S101、步骤S102、步骤S103、步骤S104、步骤S105、步骤S106得到输出的下一时刻Δt内道路上预测的交通流量数Xpredict。
所述步骤S20，电动汽车道路行驶阻抗模型的具体步骤为：
步骤S201，建立道路阻抗模型，根据城市道路交通状态的划分，各类交通状态根据地图路况划分为严重拥堵、拥挤、缓行以及畅通4类，当饱和度y介于0至0.6之间时，交通状态为畅通；当饱和度y介于0.6至0.8时，交通状态为缓行；当饱和度值y介于0.8至1.0之间时，交通状态为拥挤；当饱和度值y为1.0以上，交通状态为严重拥堵；道路阻抗模型为：
T0＝t0(1+α(y))β0≤y≤1
T0＝t0(1+α(2-y))β1<y≤2
Figure BDA0003404572240000191
其中T0为阻抗时间，t0为交通量为零时的路段行程时间(s)；Xpredict实际路段预测出交通量，C为路段通行能力，y为修正饱和度；η1为交叉口间隔影响修正系数，η2非机动车干扰影响修正系数；η3行人干扰影响修正系数，η4车道宽度影响修正系数，α，β为阻抗影响参数；
步骤S202，建立交通结点阻抗模型；根据交叉路口红绿灯状态来建立结点阻抗模型为：
Figure BDA0003404572240000192
Figure BDA0003404572240000193
Figure BDA0003404572240000194
其中T1为结点阻抗时间，c为信号周期，q为该车道车辆到达率，tread为结点处信号灯红灯时间，λ为绿信比；
步骤S203，根据S201，S202，得到总体阻抗模型为：
Figure BDA0003404572240000201
Figure BDA0003404572240000202
Figure BDA0003404572240000203
步骤S204，根据道路自由流状态下的速度得到自由流通行时间模型为：
Figure BDA0003404572240000204
其中Tfree为自由流状态通行时间，L为路段长度，vfree为自由流速度，一般为道路设计的最大速度；
步骤S205，根据步骤步骤S203，步骤S204，得到通行的总时间模型为：
Ttotal＝T+Tfree。
所述步骤S30，电动汽车动态路径规划的具体步骤为：
采取Floyd最短路径算法进行路径规划又称插点法，是一种动态规划算法，其计算简单，可以求解多源点之间的最短路径，是解决任意两点间最短路径问题的有效方法。Floyd算法的主要思想是从任意两点i和j的带权邻接矩阵开始，对任意两点之间的长度进行赋值，若两点不相连，则用无穷大inf表示，每次插入一个新的节点k，然后比较i和j两点间的已知长度与将节点k作为中间过渡点的路径长度，将比较结果较小的值作为新的距离矩阵，然后重复插入新的节点n次，分别得到n个距离矩阵，记为D(1)、D(2)、D(3)…D(n)，则D(n)即为图中各顶点间的最短路径距离信息。
步骤S301，初始化路网图的邻接矩阵w(0)，i和j之间的时间成本用
Figure BDA0003404572240000205
Ttotal＝T+Tfree表示，若i和j两点不相连，则Ttotal＝∞；
步骤S302，构造w(1)，在i和j之间插入第一个中间结点，计算
Figure BDA0003404572240000206
步骤S303，构造w(2)，在i和j之间插入第二个中间结点，计算
Figure BDA0003404572240000211
步骤S304，根据步骤S301，步骤S302，步骤S303，构造w(n)，计算
Figure BDA0003404572240000212
则w(n)为遍历所有节点后i和j之间的最短路径长度，w(n)则为各点之间的最短时间成本矩阵。
所述步骤S40，电动汽车充电负荷预测的具体步骤为：
步骤S401，根据交通流量预测数据，得到的交通流量预测车辆数，计算出道路上的电动汽车数量；
其中，所述大型电动车辆数量NEV(big)的获取方法，具体步骤包括：
根据道路交叉口的视频监控采集道路上的交通视频数据；
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别电动车车牌的颜色、车牌号码长度以及车辆的大小，确定车辆是否为大型电动车，进而确定道路上的大型电动车辆数量；
所述小型电动车辆数量NEV(small)的获取方法，具体步骤包括：
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别电动车车牌的颜色、车牌号码长度以及车辆的大小，确定车辆是否为小型电动车，进而确定道路上的小型电动车辆数量；
所述电动汽车数量NEV的获取方法，具体步骤包括：
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别电动车车牌的颜色以及车牌号码长度，确定车辆是否为电动车，进而确定道路上的电动汽车数量；
所述有充电需求电动汽车数量
Figure BDA0003404572240000213
的获取方法，具体步骤包括：
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
对所述交通视频数据进行读取，得到行驶在监控道路上车辆的车主表情数据、车主头部角度数据；
将车主表情数据、车主头部角度数据输入车辆剩余电量模型中，得到有充电需求电动汽车数量；
所述训练车辆剩余电量模型的具体步骤为：
通过车载数据采集控制子系统获取车内的第一摄像头采集的车主表情历史数据、第二摄像头采集的车主头部角度历史数据以及里程表剩余电量数据；
将车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据通过时间序列进行处理，再将处理后的车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据输入BP神经网络进行训练，计算出车辆剩余电量模型；
步骤S402，判断的电动汽车当前荷电状态，如果当前荷电状态小于容量的30％即用户管理子系统向云监控管理平台发出需要充电指令；同时用户管理子系统统计需要充电的电动汽车数量和位置传送给云监控管理平台，电动汽车充电需求充电模型为:
Figure BDA0003404572240000221
其中
Figure BDA0003404572240000222
为电动汽车起点的荷电状态，Cx为电池容量；
电动汽车在路网中的位置模型为：
Figure BDA0003404572240000223
Figure BDA0003404572240000224
Figure BDA0003404572240000225
Figure BDA0003404572240000226
其中
Figure BDA0003404572240000227
为电动汽车在路网中的初始位置，Xi,j为交通结点的位置，Xi+1,j为横向下一个交通结点位置，Xi,j+1为纵向交通结点位置；
步骤S403，根据阻抗模型数据，结合步骤S10，步骤S20，得到电动汽车到达充电站的荷电状态为
Figure BDA0003404572240000228
其中
Figure BDA0003404572240000231
为电动汽车到达充电站的荷电状态，P为电动汽车在道路上行驶单位时间做功；
到达充电站的时间模型为：
Figure BDA0003404572240000232
其中
Figure BDA0003404572240000233
为到达充电站的时间，
Figure BDA0003404572240000234
为产生充电需求的时间；
步骤S404，根据步骤S10，步骤S20，步骤S30，得到电动汽车充电模型为：
Figure BDA0003404572240000235
Figure BDA0003404572240000236
Figure BDA0003404572240000237
Figure BDA0003404572240000238
其中
Figure BDA0003404572240000239
大型车辆快冲的充电时间，SOCmax充电最大荷电状态，
Figure BDA00034045722400002310
大型车辆慢冲的充电时间，
Figure BDA00034045722400002311
小型车辆快冲的充电时间，
Figure BDA00034045722400002312
小型车辆慢冲的充电时间，Pfast为快充功率，Pslow为慢冲功率；
步骤S405，结合步骤S10，步骤S20，步骤S30得到充电负荷预测模型:
Figure BDA00034045722400002313
Figure BDA00034045722400002314
P(T)Total＝P(T)small+P(T)small
其中P(T)big为大型车充电功率，P(T)small为小型车充电功率；
Figure BDA0003404572240000241
选择慢冲时为1，不选择时为0；
Figure BDA0003404572240000242
选择快冲时为1，不选择时为0；P(T)Total为T时刻总的充电功率；
Figure BDA0003404572240000243
为到充电站充电的大型车数量，
Figure BDA0003404572240000244
为到充电站充电的小型车数量；
步骤S406，充电站位置模型；
Figure BDA0003404572240000245
Figure BDA0003404572240000246
Figure BDA0003404572240000247
Figure BDA0003404572240000248
其中
Figure BDA0003404572240000249
为电动汽车在路网中的初始位置，Xi,j为交通结点的位置，Xi+1,j为横向下一个交通结点位置，Xi,j+1为纵向交通结点位置；
步骤S407，结合步骤S401，步骤S402，步骤S403，步骤S404，步骤S405，步骤S406，可以得到一天内电动汽车的充电负荷预测曲线，时间间隔为Δt，同时在空间上也可以得到每个充电站一天内充电负荷预测曲线。
本发明的工作原理/工作过程为：
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于交通流量的电动汽车充电负荷预测系统，其特征在于，所述电动汽车充电负荷预测系统包括云监控管理平台、路网数据管理子系统、交通流量预测管理子系统、车载数据采集控制子系统和用户管理子系统；
所述车载数据采集控制子系统，用于采集所述电动汽车参与实时交通的行车数据和路况数据，对所述行车数据和路况数据进行处理，得到第一行车数据和第一路况数据，并将所述第一行车数据和所述第一路况数据上传至所述路网数据管理子系统；
所述路网数据管理子系统，用于接收所述车载数据采集控制子系统发送的所述第一行车数据和所述第一路况数据，并对所述第一行车数据和所述第一路况数据进行处理，得到第二行车数据和第二路况数据，并将所述第二行车数据和所述第二路况数据上传至所述云监控管理平台；
所述交通流量预测管理子系统，用于根据道路交叉口的视频监控采集道路上的交通流量数据，并通过前三个时段的所述交通流量数据采用小波神经网络预测下一时段的预测道路交通流量数，将所述交通流量数据和预测交通流量数上传至所述云监控管理平台，并接收云监控管理平台下发出数据接受成功信号；
所述用户管理子系统，用于采集用户的出行轨迹和出行行为，并结合用户的历史数据，得到用户下一次出行状态转移矩阵，将所述下一次出行状态转移矩阵上传至所述云监控管理平台；
所述云监控管理平台，用于接收并显示所述路网数据管理子系统发送的所述第二行车数据和所述第二路况数据、所述交通流量预测管理子系统发送的所述交通流量数据和预测交通流量数据以及所述用户管理子系统发送的所述下一次出行状态转移矩阵，根据所述电动汽车充电负荷预测方法对所述第二行车数据、所述第二路况数据、所述交通流量数据、预测交通流量数据和所述下一次出行状态转移矩阵进行处理，计算得到并显示电动汽车充电时的充电负荷预测信息，所述充电负荷预测信息包括时间尺度负荷预测曲线和空间尺度负荷预测曲线，并根据所述时间尺度负荷预测曲线和所述空间尺度负荷预测曲线得到用户充电路径选择指令，并将所述用户充电路径选择指令发送至所述用户管理子系统；
所述用户管理子系统，还用于接收所述云监控管理平台发送的所述用户充电路径选择指令，并根据所述用户充电路径选择指令引导电动汽车用户进行充电路径选择。
2.根据权利要求1所述的一种基于交通流量的电动汽车充电负荷预测系统，其特征在于，所述云监控管理平台包括电动汽车充电负荷预测模块、云监控通信模块、云监控数据库和云监控界面显示模块；
所述云监控通信模块，用于接收所述路网数据管理子系统发送的所述第二行车数据和所述第二路况数据、所述交通流量预测管理子系统发送的所述交通流量数据和预测交通流量数据以及所述用户管理子系统发送的所述下一次出行状态转移矩阵；
所述电动汽车充电负荷预测模块，用于根据所述第二行车数据、所述第二路况数据、所述交通流量数据、预测交通流量数据和所述下一次出行状态转移矩阵，计算得到并显示电动汽车充电时的充电负荷预测信息；所述充电负荷预测信息包括：根据电动汽车充电负荷预测信息得到时间尺度上的预测曲线和空间尺度上的预测曲线，并根据所述时间尺度负荷预测曲线和所述空间尺度负荷预测曲线得到用户充电路径选择指令；
所述云监控界面显示模块，用于显示所述第二行车数据、所述第二路况数据、所述交通流量数据、预测交通流量数据、所述下一次出行状态转移矩阵和所述充电负荷预测信息；
所述云监控通信模块，还用于将所述用户充电路径选择指令发送至所述用户管理子系统。
3.根据权利要求1所述的一种基于交通流量的电动汽车充电负荷预测系统，其特征在于，所述交通流量预测管理子系统包括道路视频监控模块、交通通信模块、交通流量预测模块、交通界面显示模块；
所述道路视频监控模块，用于根据道路上安装的视频监控采集前三个Δt时刻内的交通流量数据；
所述交通通信模块，用于将前三个Δt时刻内的交通流量数据发送至所述交通流量预测模块；
所述交通流量预测模块，用于根据前三个Δt时刻内的交通流量数据采用小波神经网络预测出下一个Δt的预测道路交通流量数；
所述交通通信模块，还用于将前三个Δt时刻内的交通流量数据和交通流量预测模块中的下一个Δt的预测道路交通流量数发送至所述云监控管理平台。
4.根据权利要求1所述的一种基于交通流量的电动汽车充电负荷预测系统，其特征在于，车载数据采集控制子系统包括红外检测模块、行车数据采集模块、数据处理及控制模块、通信模块；
所述红外检测模块，用于检测当前电动汽车车舱内的人数；
所述行车数据采集模块，用于采集电动汽车的所述行车数据和所述路况数据，其中，所述行车数据包括当前位置、动力电池剩余电量、电动汽车运行状态及运行参数、车辆位置、车速；
所述数据处理及控制模块，用于根据所述当前位置、所述动力电池剩余电量、所述电动汽车运行状态及运行参数、车辆位置、车速以及所述路况数据计算得到第一行车数据，所述第一行车数据包括电动汽车单位时间做功；
所述通信模块，用于将所述行车数据、所述路况数据和第一行车数据上传至路网数据管理子系统，然后经过路网数据管理子系统处理后的第二行车数据和第二路况数据传送至所述云监控调度平台。
5.根据权利要求4所述的一种基于交通流量的电动汽车充电负荷预测系统，其特征在于，还包括若干个设置于车内的第一摄像头、若干个设置于车内的第二摄像头和若干个设置于道路交叉口的视频监控；所述第一摄像头通过CAN总线与所述车载数据处理子系统通信连接，所述第二摄像头通过CAN总线与所述车载数据处理子系统通信连接；所述视频监控通过5G通讯技术与所述车流量监测子系统通信连接；
所述第一摄像头用于获取车主表情历史数据，所述第一摄像头设置于汽车的三角柱上；所述第二摄像头用于车主头部角度历史数据，所述第二摄像头设置于汽车的仪表盘总成上；所述视频监控用于采集道路上的所述交通视频数据；
所述车载数据处理子系统还用于获取若干个车内的里程表剩余电量数据、若干个第一摄像头发送的车主表情历史数据、若干个第一摄像头发送的车主头部角度历史数据，并将所述车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据发送至所述云监控平台。
6.根据权利要求1所述的一种基于交通流量的电动汽车充电负荷预测系统，其特征在于，所述的路网数据管理子系统包括数据冗余信息处理模块，数据归一化处理模块，路网数据存储模块；
所述数据冗余信息处理模块，采用的是大数据处理技术，将采集到的所述第一行车数据和所述第一路况数据进行处理，处理冗余无用的数据信息，将处理得到的第二行车数据和第二路况数据传给数据归一化处理模块；
所述数据归一化处理模块，采用数据归一化技术，将第一行车数据和第一路况数据进化归一化处理，得到所述第二行车数据和所述第二路况数据；
所述路网数据存储模块，用于将所述第二行车数据和所述第二路况数据存储在数据存储模块中；
所述用户管理子系统包括用户数据采集模块、用户数据库、用户通信模块、用户数据处理模块；
所述用户数据采集模块，用于采集用户出行的出行轨迹和出行行为，其中，所述出行轨迹包括出行时间、出行地点以及出行目的地，并将出行轨迹和出行行为保存至数据库；
所述用户数据处理模块，用于根据出行轨迹、出行行为和采集到的历史数据计算出电动汽车用户的下一次出行状态转移矩阵；下一次出行状态转移矩阵为下一次出行目的地状态转移矩阵；
所述用户通信模块，用于将下一次出行状态转移矩阵发送至所述云监控管理平台，为电动汽车的充电负荷预测提供用户的状态数据。
7.一种基于交通流量的电动汽车充电负荷预测方法，其特征在于，所述电动汽车充电负荷预测方法应用于根据权利要求1至6中任一项所述的电动汽车充电负荷预测系统，包括如下步骤：
步骤S10，通过所述交通流量预测管理子系统采用小波神经网络对前三个时段的所述交通流量数据进行处理，预测得到下一时刻Δt内道路上预测的交通流量数；
步骤S20，获取交叉路口红绿灯状态，并根据交叉路口红绿灯状态建立电动汽车道路行驶阻抗模型，并根据所示电动汽车道路行驶阻抗模型得到通行总时间模型；
步骤S30，根据路网图构建邻接矩阵，并根据邻接矩阵对电动汽车进行电动汽车动态路径规划，得到最短时间成本矩阵；
步骤S40，根据下一时刻Δt内道路上预测的交通流量数、通行总时间模型以及最短时间成本矩阵对电动汽车充电负荷预测，得到充电负荷预测信息；
所示步骤S10具体为；
步骤S101初始化小波神经网络的网络参数，将前三个时段的所述交通流量数据作为样本输入小波神经网络中，令q(1,2,....,n)为输入信号的样本，第p个样本的输入值为
Figure FDA0003404572230000051
为第p个样本的网络输出值，
Figure FDA0003404572230000052
为样本的输出目标值，输出层与隐含层、隐含层与输出层之间的额连接权值为Wij、Wkj，设伸缩因子为ai，平移因子为bi，通过
Figure FDA0003404572230000053
进行平移与伸缩
步骤S102，建立小波函数，在HiIbert向量空间中选取一个母小波函数
Figure FDA0003404572230000054
使其满足
Figure FDA0003404572230000055
为
Figure FDA0003404572230000056
的傅里叶变换，通过
Figure FDA0003404572230000057
的伸缩和平移变换产生小波函数基：
Figure FDA0003404572230000061
其中a为伸缩尺度因子，b为平移因子；建立小波神经网络激活函数；
Figure FDA0003404572230000062
其中，xi(i＝1、2...I)为输入层第i个神经元输入信号；yk(k＝1、2...k)为输出层第k个神经元的输出信号；wji为隐含层神经元j和输出层神经元i之间的权值；
Figure FDA0003404572230000063
为输入层神经元j和隐含层结点k之间的权值；aj为第j个隐含层神经元的伸缩尺度因子；bj为第j个隐含层神经元的平移因子；
步骤S103，预测网络的输出、计算误差，向已经初始化后的网络中输入一个训练样本(Pk，Tk)，k∈{1,2,...N},其中N为训练样本个数，Pk为样本输入信号，Tk为网络输出目标值，Pk∈Rm，Tk∈Rm；计算预测误差：
Figure FDA0003404572230000064
步骤S104，网络权值修正，根据
Figure FDA0003404572230000065
的情况利用最速下降法修正小波神经网络的参数wji、
Figure FDA0003404572230000066
aj、bj；
Figure FDA0003404572230000067
Figure FDA0003404572230000068
Figure FDA0003404572230000069
Figure FDA00034045722300000610
Figure FDA00034045722300000611
步骤S105，优化收敛速度；为了加快网络的收敛速度，引入一个网络参数动量因子α，因此权向量的迭代公式为：
Figure FDA00034045722300000612
Figure FDA0003404572230000071
Figure FDA0003404572230000072
Figure FDA0003404572230000073
步骤S106，判断训练是否结束；完成上述步骤，判断
Figure FDA0003404572230000074
是否小于所要求的误差最大值，若已经小于规定的误差最大值，则网络训练结束；若网络训练的次数已经达到规定的训练的最大次数，则训练结束；否则将网络训练次数更新为t＝t+1；重复上述步骤；
步骤S107，经过步骤S101、步骤S102、步骤S103、步骤S104、步骤S105、步骤S106得到输出的下一时刻Δt内道路上预测的交通流量数Xpredict。
8.根据权利要求7所述的一种基于交通流量的电动汽车充电负荷预测方法，其特征在于，所述步骤S20具体为：
步骤S201，建立道路阻抗模型，根据城市道路交通状态的划分，各类交通状态根据地图路况划分为严重拥堵、拥挤、缓行以及畅通4类，当饱和度y介于0至0.6之间时，交通状态为畅通；当饱和度y介于0.6至0.8时，交通状态为缓行；当饱和度值y介于0.8至1.0之间时，交通状态为拥挤；当饱和度值y为1.0以上，交通状态为严重拥堵；道路阻抗模型为：
T0＝t0(1+α(y))β 0≤y≤1
T0＝t0(1+α(2-y))β 1<y≤2
Figure FDA0003404572230000075
其中T0为阻抗时间，t0为交通量为零时的路段行程时间(s)；Xpredict实际路段预测出交通量，C为路段通行能力，y为修正饱和度；η1为交叉口间隔影响修正系数，η2非机动车干扰影响修正系数；η3行人干扰影响修正系数，η4车道宽度影响修正系数，α，β为阻抗影响参数；
步骤S202，建立交通结点阻抗模型；根据交叉路口红绿灯状态来建立结点阻抗模型为：
Figure FDA0003404572230000081
Figure FDA0003404572230000082
Figure FDA0003404572230000083
其中T1为结点阻抗时间，c为信号周期，q为该车道车辆到达率，tread为结点处信号灯红灯时间，λ为绿信比；
步骤S203，根据S201，S202，得到总体阻抗模型为：
Figure FDA0003404572230000084
Figure FDA0003404572230000085
Figure FDA0003404572230000086
步骤S204，根据道路自由流状态下的速度得到自由流通行时间模型为：
Figure FDA0003404572230000087
其中Tfree为自由流状态通行时间，L为路段长度，vfree为自由流速度，一般为道路设计的最大速度；
步骤S205，根据步骤步骤S203，步骤S204，得到通行的总时间模型为：
Ttotal＝T+Tfree。
9.根据权利要求8所述的一种基于交通流量的电动汽车充电负荷预测方法，其特征在于，所述步骤S30具体为：
步骤S301，初始化路网图的邻接矩阵w(0)，i和j之间的时间成本用
Figure FDA0003404572230000088
表示，若i和j两点不相连，则Ttotal＝∞；
步骤S302，构造w(1)，在i和j之间插入第一个中间结点，计算
Figure FDA0003404572230000089
步骤S303，构造w(2)，在i和j之间插入第二个中间结点，计算
Figure FDA0003404572230000091
步骤S304，根据步骤S301，步骤S302，步骤S303，构造w(n)，计算
Figure FDA0003404572230000092
则w(n)为遍历所有节点后i和j之间的最短路径长度，w(n)则为各点之间的最短时间成本矩阵。
10.根据权利要求9所述的一种基于交通流量的电动汽车充电负荷预测方法，其特征在于，所述步骤S40具体为：
步骤S401，根据交通流量预测数据，得到的交通流量预测车辆数，计算出道路上的电动汽车数量；
其中，所述大型电动车辆数量NEV(big)的获取方法，具体步骤包括：
根据道路交叉口的视频监控采集道路上的交通视频数据；
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别电动车车牌的颜色、车牌号码长度以及车辆的大小，确定车辆是否为大型电动车，进而确定道路上的大型电动车辆数量；
所述小型电动车辆数量NEV(small)的获取方法，具体步骤包括：
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别电动车车牌的颜色、车牌号码长度以及车辆的大小，确定车辆是否为小型电动车，进而确定道路上的小型电动车辆数量；
所述电动汽车数量NEV的获取方法，具体步骤包括：
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别电动车车牌的颜色以及车牌号码长度，确定车辆是否为电动车，进而确定道路上的电动汽车数量；
所述有充电需求电动汽车数量
Figure FDA0003404572230000093
的获取方法，具体步骤包括：
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
对所述交通视频数据进行读取，得到行驶在监控道路上车辆的车主表情数据、车主头部角度数据；
将车主表情数据、车主头部角度数据输入车辆剩余电量模型中，得到有充电需求电动汽车数量；
所述训练车辆剩余电量模型的具体步骤为：
通过车载数据采集控制子系统获取车内的第一摄像头采集的车主表情历史数据、第二摄像头采集的车主头部角度历史数据以及里程表剩余电量数据；
将车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据通过时间序列进行处理，再将处理后的车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据输入BP神经网络进行训练，计算出车辆剩余电量模型；
步骤S402，判断的电动汽车当前荷电状态，如果当前荷电状态小于容量的30％即用户管理子系统向云监控管理平台发出需要充电指令；同时用户管理子系统统计需要充电的电动汽车数量和位置传送给云监控管理平台，电动汽车充电需求充电模型为:
Figure FDA0003404572230000101
其中
Figure FDA0003404572230000102
为电动汽车起点的荷电状态，Cx为电池容量；
电动汽车在路网中的位置模型为：
Figure FDA0003404572230000103
Figure FDA0003404572230000104
Figure FDA0003404572230000105
Figure FDA0003404572230000106
其中
Figure FDA0003404572230000107
为电动汽车在路网中的初始位置，Xi,j为交通结点的位置，Xi+1,j为横向下一个交通结点位置，Xi,j+1为纵向交通结点位置；
步骤S403，根据阻抗模型数据，结合步骤S10，步骤S20，得到电动汽车到达充电站的荷电状态为
Figure FDA0003404572230000108
其中
Figure FDA0003404572230000111
为电动汽车到达充电站的荷电状态，P为电动汽车在道路上行驶单位时间做功；
到达充电站的时间模型为：
Figure FDA0003404572230000112
其中
Figure FDA0003404572230000113
为到达充电站的时间，
Figure FDA0003404572230000114
为产生充电需求的时间；
步骤S404，根据步骤S10，步骤S20，步骤S30，得到电动汽车充电模型为：
Figure FDA0003404572230000115
Figure FDA0003404572230000116
Figure FDA0003404572230000117
Figure FDA0003404572230000118
其中
Figure FDA0003404572230000119
大型车辆快冲的充电时间，SOCmax充电最大荷电状态，
Figure FDA00034045722300001110
大型车辆慢冲的充电时间，
Figure FDA00034045722300001111
小型车辆快冲的充电时间，
Figure FDA00034045722300001112
小型车辆慢冲的充电时间，Pfast为快充功率，Pslow为慢冲功率；
步骤S405，结合步骤S10，步骤S20，步骤S30得到充电负荷预测模型:
Figure FDA00034045722300001113
Figure FDA00034045722300001114
P(T)Total＝P(T)small+P(T)small
其中P(T)big为大型车充电功率，P(T)small为小型车充电功率；
Figure FDA0003404572230000121
选择慢冲时为1，不选择时为0；
Figure FDA0003404572230000122
选择快冲时为1，不选择时为0；P(T)Total为T时刻总的充电功率；
Figure FDA0003404572230000123
为到充电站充电的大型车数量，
Figure FDA0003404572230000124
为到充电站充电的小型车数量；
步骤S406，充电站位置模型；
Figure FDA0003404572230000125
Figure FDA0003404572230000126
Figure FDA0003404572230000127
Figure FDA0003404572230000128
其中
Figure FDA0003404572230000129
为电动汽车在路网中的初始位置，Xi,j为交通结点的位置，Xi+1,j为横向下一个交通结点位置，Xi,j+1为纵向交通结点位置；
步骤S407，结合步骤S401，步骤S402，步骤S403，步骤S404，步骤S405，步骤S406，得到一天内电动汽车的充电负荷预测曲线，时间间隔为Δt，同时在空间上得到每个充电站一天内充电负荷预测曲线。
CN202111509126.8A 2021-12-10 2021-12-10 一种基于交通流量的电动汽车充电负荷预测系统及方法 Pending CN114492919A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111509126.8A CN114492919A (zh) 2021-12-10 2021-12-10 一种基于交通流量的电动汽车充电负荷预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111509126.8A CN114492919A (zh) 2021-12-10 2021-12-10 一种基于交通流量的电动汽车充电负荷预测系统及方法

Publications (1)

Publication Number Publication Date
CN114492919A true CN114492919A (zh) 2022-05-13

Family

ID=81491996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111509126.8A Pending CN114492919A (zh) 2021-12-10 2021-12-10 一种基于交通流量的电动汽车充电负荷预测系统及方法

Country Status (1)

Country Link
CN (1) CN114492919A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115528717A (zh) * 2022-11-25 2022-12-27 国网（北京）新能源汽车服务有限公司 虚拟电厂调度方法、系统、电子设备及储存介质
CN116740946A (zh) * 2023-08-14 2023-09-12 山东华夏高科信息股份有限公司 一种公路车流量大数据分析处理方法
CN117227556A (zh) * 2023-11-16 2023-12-15 北京工业大学 一种应用于双向公路中间车道的无线充电车道控制系统
CN117277445A (zh) * 2023-11-21 2023-12-22 国网（北京）新能源汽车服务有限公司 自驾游区域电力调度系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115528717A (zh) * 2022-11-25 2022-12-27 国网（北京）新能源汽车服务有限公司 虚拟电厂调度方法、系统、电子设备及储存介质
CN116740946A (zh) * 2023-08-14 2023-09-12 山东华夏高科信息股份有限公司 一种公路车流量大数据分析处理方法
CN116740946B (zh) * 2023-08-14 2023-11-03 山东华夏高科信息股份有限公司 一种公路车流量大数据分析处理方法
CN117227556A (zh) * 2023-11-16 2023-12-15 北京工业大学 一种应用于双向公路中间车道的无线充电车道控制系统
CN117227556B (zh) * 2023-11-16 2024-02-02 北京工业大学 一种应用于双向公路中间车道的无线充电车道控制系统
CN117277445A (zh) * 2023-11-21 2023-12-22 国网（北京）新能源汽车服务有限公司 自驾游区域电力调度系统
CN117277445B (zh) * 2023-11-21 2024-03-29 国网（北京）新能源汽车服务有限公司 自驾游区域电力调度系统

Similar Documents

Publication Publication Date Title
CN114492919A (zh) 一种基于交通流量的电动汽车充电负荷预测系统及方法
CN105160428B (zh) 高速公路电动汽车快速充电站的规划方法
JP7163099B2 (ja) エネルギー管理装置、モデル管理方法及びコンピュータプログラム
US20100305798A1 (en) System And Method For Vehicle Drive Cycle Determination And Energy Management
CN112734097B (zh) 无人驾驶列车能耗预测方法、系统及存储介质
CN107146013A (zh) 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法
Guo et al. A novel energy consumption prediction model with combination of road information and driving style of BEVs
CN115907076A (zh) 一种山地城市充电负荷概率预测系统及方法
CN116700296A (zh) 基于深度学习的自主充电无人电动车智能规划方法及系统
CN111191824A (zh) 一种动力电池容量衰减预测方法及系统
Sivagnanam et al. Minimizing energy use of mixed-fleet public transit for fixed-route service
CN116341706A (zh) 基于综合能源感知的城市移动负荷概率预测系统与方法
Song et al. A sumo framework for deep reinforcement learning experiments solving electric vehicle charging dispatching problem
Xing et al. Operation Energy Consumption Estimation Method of Electric Bus Based on CNN Time Series Prediction
CN117546218A (zh) 用于交通预测的分布式多任务机器学习
CN114498632A (zh) 基于新能源和充电设施的配电台区负荷预测方法及装置
CN107067130A (zh) 一种基于电动汽车马尔可夫充电需求分析模型的快速充电站容量规划方法
CN114169615A (zh) 一种电动汽车充电负荷预测系统、方法及存储介质
CN111784027A (zh) 计及地理信息的城市范围电动汽车充电需求预测方法
CN116523093A (zh) 基于随机源荷预测的能源系统的网格需求感知系统及方法
CN113222248B (zh) 一种自动驾驶出租车充电桩选择方法
CN113610298B (zh) 考虑用户出行行为的用户出行能耗预测及路径推荐方法
CN115345351A (zh) 一种基于用户行为的电动汽车充电负荷预测方法
Díaz-Parra et al. Editorial for Volume 11 Number 2: Electric School Bus Routing Problem for Smart Cities
CN114492921A (zh) 一种基于智慧交通体系的充电设施规划系统及方法

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