CN114676885A - 一种电动汽车充放电负荷时空分布预测方法 - Google Patents
一种电动汽车充放电负荷时空分布预测方法 Download PDFInfo
- Publication number
- CN114676885A CN114676885A CN202210205053.1A CN202210205053A CN114676885A CN 114676885 A CN114676885 A CN 114676885A CN 202210205053 A CN202210205053 A CN 202210205053A CN 114676885 A CN114676885 A CN 114676885A
- Authority
- CN
- China
- Prior art keywords
- travel
- time
- road
- node
- space
- 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 64
- 238000007599 discharging Methods 0.000 title description 2
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000012546 transfer Methods 0.000 claims description 43
- 238000005265 energy consumption Methods 0.000 claims description 35
- 230000007704 transition Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Traffic Control Systems (AREA)
Abstract
一种电动汽车充放电负荷时空分布预测方法,包括以下步骤:步骤1:根据电动汽车出行时间、行为方式、充电需求的不同,构建不同的EV出行模型;步骤2:利用马尔可夫决策过程理论,分析EV出行阶段以及EV出行路径决策,建立EV的出行空间模型;步骤3:考虑行驶速度、实际温度,建立动态路况信息模型;步骤4:根据EV的种类,采用步骤1中的EV出行模型,根据步骤2的EV的出行空间模型和步骤3的动态路况信息模型,对EV充电负荷时空分布进行计算。本发明能够全面反映电动汽车车主的出行决策,且电动汽车类型和职能区域会导致充电负荷产生幅值和分布上的明显差异,能更准确和有效的得到区域内EV时空分布和充电负荷接入电站数据。
Description
技术领域
本发明涉及电动汽车(electric vehicle,EV)负荷预测技术领域,具体涉及一种电动汽车充放电负荷时空分布预测方法。
背景技术
电动汽车(electric vehicle,EV)既为经济增长注入强劲新动能,又有助于实现“碳达峰碳中和”目标,新能源产业正进入加速发展的新阶段。但大规模EV充电负荷接入给电网运行安全性和稳定性带来巨大冲击,而降低此负面影响、促进EV与电网互利共赢的基础是研究大规模EV的分布特性和有效预测充电负荷。
综合来看,EV时空负荷预测主要存在以下两点问题:一是考虑了EV的位置分布、出行特点和出行行程等因素对EV时空分布进行建模求解,但缺少对车主出行行为方式及空间动态路况的考虑。二是现有的路况环境模型多是单向对出行链信息输入,而缺乏对路段内EV数量变化改变交通信息的考虑。所以建立动态出行信息模型有助于提高EV时空分布位置、到站信息和充电需求的预测精度。
发明内容
本发明提供一种电动汽车充放电负荷时空分布预测方法,该方法建立一种计及耦合因素动态转移规划的EV充电负荷时空分布预测模型,进而实现对EV的出行路径动态规划、空间位置分布预测和实时电量计算,并根据EV时空分布与充电条件获取EV充电负荷接入电站时刻。本发明能够全面反映电动汽车车主的出行决策,且电动汽车类型和职能区域会导致充电负荷产生幅值和分布上的明显差异,能更准确和有效的得到区域内EV时空分布和充电负荷接入电站数据。
本发明采取的技术方案为:
一种电动汽车充放电负荷时空分布预测方法,包括以下步骤:
步骤1:根据电动汽车出行时间、行为方式、充电需求的不同,构建不同的EV出行模型;
步骤2:利用马尔可夫决策过程理论,分析EV出行阶段以及EV出行路径决策,建立EV的出行空间模型;
步骤3:考虑行驶速度、实际温度,建立动态路况信息模型;
步骤4:根据电动汽车的种类,采用步骤1中的EV出行模型,根据步骤2的EV的出行空间模型和步骤3的动态路况信息模型,对EV充电负荷时空分布进行计算。
所述步骤1中,考虑区域内居民日常出行需求,将EV的出行起讫点根据车主的出行意愿分为五种:回家H(Home)、工作W(Work)、购物用餐SE(Shopping&Eating)、社交休闲SR(Social&Recreation)和其它事务O(Other family/personal errands),在不同类别节点均设有EV充电站,节点间的空间转移即为EV行驶过程。
所述步骤1中,考虑区域内居民日常出行需求,根据EV出行时间、行为方式和充电需求不同,将EV分为私家车、出租车和公交车三种出行模式。针对其不同特点建立三种EV出行模型:
1)私家车出行模型:
私家车出行具有较强的目的性,依据MDP考虑车主的出行体验,建立私家车出行模型。
私家车出行分两种:一类为单一目标出行链,即H-W/SE/SR/O之间;第二类为多目标出行链,即往返于H-W-SE/SR/O或H-SE/SR/O-W之间。EV出行时刻ts与停留时长tp符合正态分布,其概率密度函数为:
式中,μ和σ代表时刻t的均值和方差。通过调整μ和σ确定不同出行链的ts与tp。
2)出租车出行模型:
出租车出行具有极高的随机性,采用轮盘赌算法随机生成其终点,利用MDP决定出行路径。出租车的平均载客时长和平均接客等待时间μtaxi表达式分别为:
设出租车的停车等待时间与私家车tp一样服从正态分布,可根据式(3)代入式(1)得出租车的等待时间的概率密度函数,利用蒙特卡洛抽取EV出租车的接客等待时间。
3)公交车出行模型:
公交车具有固定的出行模型往返于起讫点之间,根据当地居民需求规划出行路线并固定出行时间,公交车出行模型公式为:
f(t)=Tt busTt bus={n1,n2,n3…|n∈N} (4);
式中,Tt bus为公交车出行时间,n1、n2、n3…n为自然数,N为自然数集。
所述步骤2中,基于马尔可夫决策过程理论(markovdecisionprocess,MDP),建立EV出行空间模型,包括如下步骤:
S2.1:采用MDP模拟车主对EV出行路径的决策,将EV出行链分为四个阶段:
①、出行准备阶段:根据出行需求,获取EV出行目的地。
②、行驶阶段:根据温度、道路等级和拥堵情况,计算EV耗能。
③、决策阶段:根据车辆信息即EV荷电量(state of charge,SOC)和历史行驶路径,判断其SOC是否满足转移至下一段路径行驶电量需求,并在剩余路径抉择时删除已行驶路径;若满足需求,根据剩余行程信息采用MDP确定下一段行驶路径;若不满足则在此站点进行充电。
④、目的地:若EV转移至终点,储存自身行驶信息。利用EV历史信息(仅与前一天的行程有关)和SOC阈值判断EV是否有充电需求,如需则驶入电站内。
S2.2:EV出行路径决策:
设EV从r1,1出发,在行驶途中每次可转移节点有n个,经过m-2次抉择到达目的地rm,1。将EV在行驶过程中可能经过的所有路段视为状态集S;EV到达各节点的所有时刻视为决策时刻集T;EV在所有决策时刻做出的路径决策所组成的集合视为行动集A;EV在行驶过程中每段路径的行驶时间视为报酬R。
EV出行具有马尔可夫性,基于EV行驶过程中车主对终点目的性与动态路况的考虑,EV从当前节点rcur转移到下一节点rnex节点的节点间转移概率为P(a|rcur,rnex),如式(5)所示:
式中,N为节点rcur转移至终点所有可行方案数目,M为所有可行路径中下一次转移经过节点rnex方案数目。K为当前方案中节点转移经过的节点数目。Stotaln,k和Spassm,k和分别为在N和M下第k段路径长度,Vtotaln,k和分别为在N和M下第k段路径EV行驶速度。m为路径抉择数,n为相邻节点数。
由式(5)可得EV在当前节点向终点移动时,经过与当前节点相邻节点的转移概率P(a|rcur,rnex)。以单次出行时间为目标,形成一个总概率密度为1的EV节点转移密度函数,即式(5)。再根据蒙特卡洛法,随机生成一个0~1之间的数,看落在总概率密度为1的哪一EV节点转移概率区间内,从而确定EV转移节点。更新转移后的节点后,重复采用蒙特卡洛随机选取EV转移节点这一过程,直至EV转移至终点,据此形成MDP出行链。即在出行链H-W/SE/SR/O、H-W-SE/SR/O或H-SE/SR/O-W的过程中应用马尔科夫决策形成MDP出行链,如式(1)-式(5)。
所述步骤3中,EV时空转移过程中,高温和拥堵等外因素制约着EV的单位里程能耗和出行速度,间接影响出行时长和车主对出行路径的选择,从而改变EV充电负荷的时空分布。考虑对EV交通能耗关键的两个因素行驶速度和实际温度,建立动态路况信息模型。
所述步骤3中,动态路况信息模型包括:
拥堵模型:
区域道路会因某时刻车辆数量出现不同程度拥堵,当EV的渗透不足会导致EV数量不能反映道路内车辆实际拥堵情况。为此,本发明首先基于对区域内车辆历史时空分布,作为路网中拥堵模型内交通流量修正参数数据支撑,采用马尔可夫决策过程理论以电动汽车最短行程时间为目标确定其在每个节点向相邻节点转移概率,基于所得概率密度函数通过蒙特卡洛确定下一转移节点,在每个调度时刻开始时根据车辆时空分布确定每一个调度周期内道路j内EV数量Pt,j。通过道路内实时车辆数量与出行链信息交互对EV出行速度v进行修正,即动态更新v:
本发明所述所有路段bj相同为1,调整路段bj来改变道路拥堵情况,在实际应用中可根据真实路况进行取值,以模拟由于EV渗透率不足带来汽车的拥堵。设一定数量阈值内EV速度相同,通过确定t时刻内道路j内EV出行速度v。
EV单位里程能耗模型:
EV单位里程能耗、道路等级和v表示为:
式中,py是拟合参数,y为自然数,c为当前环境温度。
所述步骤4中,以单次出行最短时间为目标,形成MDP出行链,进而对EV充电负荷时空分布进行计算。
所述步骤4包括以下步骤:
S4.1:载入EV出行时刻、初始SOC值数据;
S4.2:根据耦合场景利用公式(5)-公式(9)进行EV行程规划、计算节点转移耗时以及剩余SOC值,得到EV车辆分布输入场景;
S4.3:判断是否到达终点,若否,则重复S4.2;若是,则记录转移节点、时间、剩余SOC值;
S4.4:判断是否有充电需求,若否,则为出行准备;若是,则为驶入电站;
所述步骤4中,为提高初始信息如:EV出行目的地选择、历史SOC值、拥堵情况等信息的可靠性,通过对同一区域内EV出行模型多次仿真做历史参考数据。计及道路内车辆数随EV的驶入道路变化,在EV每次节点转移后末端时刻重新计算下一时刻;EV车辆分布输入场景中的拥堵等级和温度则在调度时刻△T开始时进行更新。
本发明一种电动汽车充放电负荷时空分布预测方法,技术效果如下:
1)本发明提出的计及多耦合因素的动态规划出行路径,相比其他随机策略能减少单出行链时长的均值,能真实的反映车主在面临实时交通情况时的调整自身出行策略。
2)本发明提出的出行链相比于传统方法的出行链,建立考虑总出行时长的节点转移概率矩阵,能更合理的得到车主在每个道路节点抉择概率。
3)通过不同出行日下不同区域充电负荷预测结果与实际情况相符,验证本发明所提出的方法可以满足不同场景下的负荷预测,具有普适性。
附图说明
图1是本发明电动汽车充放电负荷时空分布预测流程图。
图2是本发明电动汽车出行模型划分图。
图3是本发明电动汽车行驶阶段划分图。
图4是本发明电动汽车行驶过程中节点转移示意图。
图5是本发明电动汽车充电负荷计算流程图。
图6(a)是本发明转移节点数对比图。
图6(b)是本发明转移时长对比图。
图7(a)是本发明工作日区域充电负荷曲线对比图。
图7(b)是本发明非工作日区域充电负荷曲线对比图。
具体实施方式
一种计及耦合因素动态转移规划的电动汽车充电负荷时空分布预测方法。首先,基于出行链技术建立含多类型电动汽车的单体出行模型,继而构建考虑交通流量、行驶路况和温度的单位里程能耗模型;引入马尔可夫决策过程理论,融合单位里程能耗模型动态随机规划电动汽车时空转移路径。并对比分析电动汽车及其充电负荷在不同策略、职能区域和出行日情况下的时空分布。
本发明的流程图如图1所示,包括以下步骤:
步骤1:根据电动汽车(electric vehicle,EV)出行时间、行为方式、充电需求的不同,构建不同EV出行模型;
步骤2:利用马尔可夫决策过程理论(markovdecisionprocess,MDP),分析EV出行阶段及EV出行路径决策,建立EV的出行空间模型;
步骤3:考虑对EV交通能耗关键的两个因素:行驶速度和实际温度,建立动态路况信息模型;
步骤4:将出行模型与动态更新的单位里程能耗模型结合,以单次出行最短时间为目标,形成MDP出行链,进而对EV充电负荷时空分布进行计算。
1.EV出行模型:
将EV的出行起讫点根据车主的出行意愿分为五种:回家H(Home)、工作W(Work)、购物用餐SE(Shopping&Eating)、社交休闲SR(Social&Recreation)和其它事务O(Otherfamily/personal errands),在不同类别节点均设有EV充电站,节点间的空间转移即为EV行驶过程。
考虑区域内居民日常出行需求,根据EV出行时间、行为方式和充电需求不同,将EV分为私家车、出租车和公交车。针对其不同特点建立三种EV出行模型如图2所示。
1.1、公交车出行模型:
公交车具有固定的出行模型往返于起讫点之间,根据当地居民需求规划出行路线并固定出行时间。公式为:
f(t)=Tt bus Tt bus={n1,n2,n3…|n∈N} (1);
式中,Tt bus为公交车出行时间,n1、n2、n3…n为自然数,N为自然数集。
1.2、私家车出行模型:
私家车出行具有较强的目的性,依据MDP考虑车主的出行体验建立私家车出行模型。
私家车出行分两种:一类为单一目标出行链,即H-W/SE/SR/O之间;第二类为多目标出行链,即往返于H-W-SE/SR/O或H-SE/SR/O-W之间。EV出行时刻ts与停留时长tp符合正态分布,其概率密度函数为:
式中,μ和σ代表时刻t的均值和方差。通过调整μ和σ确定不同出行链的ts与tp。
1.3、出租车出行模型:
出租车出行具有极高的随机性,采用轮盘赌算法随机生成其终点,利用MDP决定出行路径。出租车的平均载客时长和平均接客等待时间μtaxi表达式分别为:
假设出租车的停车等待时间与私家车tp一样服从正态分布,可根据式(4)代入式(2)得出租车的等待时间的概率密度函数,利用蒙特卡洛抽取EV出租车的接客等待时间。
2.EV出行阶段划分:
采用MDP模拟车主对EV出行路径的决策。如图3所示,将EV出行链分为四个阶段:
(1)出行准备阶段:根据出行需求获取EV出行目的地。
(2)行驶阶段:根据温度、道路等级和拥堵情况计算EV耗能。
(3)决策阶段:根据车辆信息即EV荷电量(state of charge,SOC)和历史行驶路径,判断其SOC是否满足转移至下一段路径行驶电量需求,并在剩余路径抉择时删除已行驶路径。若满足需求,根据剩余行程信息采用MDP确定下一段行驶路径;若不满足则在此站点进行充电。
(4)目的地:若EV转移至终点,储存自身行驶信息。利用EV历史信息(仅与前一天的行程有关)和SOC阈值判断EV是否有充电需求,如需则驶入电站内。
3.EV出行路径决策:
EV行驶过程中节点转移如图4所示,图4中,rm,n代表第m次抉择时选择第n个相邻节点,a代表EV可选择出行路径。假设EV从r1,1出发,在行驶途中每次可转移节点有n个,经过m-2次抉择到达目的地rm,1。将EV在行驶过程中可能经过的所有路段视为状态集S;EV到达各节点的所有时刻视为决策时刻集T;EV在所有决策时刻做出的路径决策所组成的集合视为行动集A;EV在行驶过程中每段路径的行驶时间视为报酬R。
EV出行具有马尔可夫性,基于EV行驶过程中车主对终点目的性与动态路况的考虑,EV从当前节点rcur转移到下一节点rnex节点的节点间转移概率为P(a|rcur,rnex),如式(5)所示:
式中,N为节点rcur转移至终点所有可行方案数目,M为所有可行路径中下一次转移经过节点rnex方案数目。K为当前方案中节点转移经过的节点数目。Stotaln,k和Spassm,k和分别为在N和M下第k段路径长度,Vtotaln,k和分别为在N和M下第k段路径EV行驶速度。m为路径抉择数,n为相邻节点数。
由式(5)可得EV在当前节点向终点移动时经过与当前节点相邻节点的转移概率P(a|rcur,rnex)。以单次出行时间为目标,形成一个总概率密度为1的EV节点转移密度函数,即式(5),再根据蒙特卡洛选取EV转移节点。更新转移后的节点后,重复采用蒙特卡洛法随机选取EV转移节点这一过程,直至EV转移至终点,据此形成由马尔可夫参与路径决策的MDP出行链。
4.动态路况信息模型:
EV时空转移过程中,高温和拥堵等外因制约着EV的单位里程能耗和出行速度,间接影响出行时长和车主对出行路径的选择,从而改变EV充电负荷的时空分布。
4.1、拥堵模型:
区域道路会因某时刻车辆数量出现不同程度拥堵,当EV的渗透不足会导致EV数量不能反映道路内车辆实际拥堵情况。为此,本发明首先基于对区域内车辆历史时空分布,作为路网中拥堵模型内交通流量修正参数数据支撑,采用马尔可夫决策过程理论以电动汽车最短行程时间为目标确定其在每个节点向相邻节点转移概率,基于所得概率密度函数通过蒙特卡洛确定下一转移节点,在每个调度时刻开始时根据车辆时空分布确定每一个调度周期内道路j内EV数量Pt,j。其次,通过道路内实时车辆数量与出行链信息交互对EV出行速度v进行修正,即动态更新v:
本发明所有路段bj相同为1,调整路段bj来改变道路拥堵情况,在实际应用中可根据真实路况进行取值以模拟由于EV渗透率不足带来汽车的拥堵。假设一定数量阈值内EV速度相同,通过确定t时刻内道路j内EV出行速度v。
4.2、EV单位里程能耗模型:
EV单位里程能耗、道路等级和v可表示为:
EV能耗会随着温度的变化而非线性的变化,温度单位里程能耗Etemc模拟与温度的关系可表示为式(8):
式中,py是拟合参数,y为自然数,c为当前环境温度。
5.EV充电负荷预测:
基于上述的EV出行模型和路况信息模型,对EV充电负荷时空分布进行计算,其流程如图5所示。
根据EV的种类,采取上述的EV公交车、私家车或出租车的出行模型。根据基于MDP的路径模型和动态路况信息模型以及图5,计算EV时空负荷。
为提高初始信息如EV出行目的地选择、历史SOC值、拥堵情况等信息的可靠性,通过对同一区域内EV出行模型多次仿真做历史参考数据。计及道路内车辆数随EV的驶入道路变化,在EV每次节点转移后末端时刻重新计算下一时刻;EV车辆分布输入场景中的拥堵等级和温度则在调度时刻△T开始时进行更新。
通过前文分析可知,本发明提出的计及多耦合因素动态转移规划的电动汽车充电负荷时空分布预测方法,通过马尔可夫决策理论得到的出行链则能体现车主在基于出行行程时长前提下的随机性,其预测模型在上述分析与传统方法优劣对比中更符合车主行为方式,其更符合实际的方案有助于得到更准确的电动汽车及其负荷的时空分布数据,有利于V2G的进行。
如图6(a)、图6(b)所示,为体现采用动态信息的MDP出行链优势性,另设一种典型传统策略与一种无EV与交通信息交互的策略进行对比:
策略一,采用最短路径(dijstra)算法;
策略二,采用本发明出行链但无动态交通信息;
策略三,采用本发明MDP出行链含动态交通信息输入。
对比策略一、策略二与策略三,由图6(a)、图6(b)中可以看出:
策略一所采用的最短路径法在没有考虑到自身车辆聚集会导致道路拥堵的情况下,EV在行程规划中只会做出同一种抉择,相较策略二使得区域单出行链出行时长平均值要低33.87%,但其出行路径抉择方式相较策略二不符合EV出行具有随机性的特点。
对比策略三与策略二,由图6(a)、图6(b)中可以看出:策略三相较策略二节点转移次数降低3.80%,单出行链时长和节点转移时长均值分别降低了5.65%和1.98%,这是由于建立动态信息可以不断更新上述的拥堵模型,使EV在路网中的分布能通过公式(5)影响EV在道路内行驶的速度,进而改变出行链中各节点转移概率,有助于车主根据当前时刻前行道路拥堵情况对下一行驶路径做出抉择,验证了本发明所提的动态交通信息能带给车主更短出行时长的行驶体验;
如图7(a)、图7(b)所示,为工作日与非工作日的EV私家车充电负荷曲线。可见,在工作日工作区的EV私家车充电负荷大于休闲区,非工作日则相反,这是由于对比工作日与非工作日EV出行需求不同,在仿真中减少EV在非工作日出行总EV数量和去往工作区的EV数量,验证本发明所建立的模型,能根据区域车主出行特性预测出符合区域充电特点的EV充电符合曲线。另外,EV私家车的充电行为多集中在返回居民区且晚高峰EV充电需求较大,这是由于车主下班时间较为确定且集中,车主在完成一天行程后,当返家后SOC低于0.2时EV有充电需求,使在居民区充电EV数量大于在其他区域。从图7(a)与图7(b)中可以看出,工作日居民区充电负荷峰值比非工作日高13.95%,峰值时刻滞后至20:00。
Claims (10)
1.一种电动汽车充放电负荷时空分布预测方法,其特征在于包括以下步骤:
步骤1:根据电动汽车出行时间、行为方式、充电需求的不同,构建不同的EV出行模型;
步骤2:利用马尔可夫决策过程理论,分析EV出行阶段以及EV出行路径决策,建立EV的出行空间模型;
步骤3:考虑行驶速度、实际温度,建立动态路况信息模型;
步骤4:根据电动汽车的种类,采用步骤1中的EV出行模型,根据步骤2的EV的出行空间模型和步骤3的动态路况信息模型,对EV充电负荷时空分布进行计算。
2.根据权利要求1所述一种电动汽车充放电负荷时空分布预测方法,其特征在于:所述步骤1中,考虑区域内居民日常出行需求,将EV的出行起讫点根据车主的出行意愿分为五种:回家H(Home)、工作W(Work)、购物用餐SE(Shopping&Eating)、社交休闲SR(Social&Recreation)和其它事务O(Other family/personal errands),在不同类别节点均设有EV充电站,节点间的空间转移即为EV行驶过程。
3.根据权利要求2所述一种电动汽车充放电负荷时空分布预测方法,其特征在于:所述步骤1中,考虑区域内居民日常出行需求,根据EV出行时间、行为方式和充电需求不同,将EV分为私家车、出租车和公交车三种出行模式;针对其不同特点建立三种EV出行模型:
1)私家车出行模型:
私家车出行分两种:一类为单一目标出行链,即H-W/SE/SR/O之间;第二类为多目标出行链,即往返于H-W-SE/SR/O或H-SE/SR/O-W之间;EV出行时刻ts与停留时长tp符合正态分布,其概率密度函数为:
式中,μ和σ代表时刻t的均值和方差;通过调整μ和σ确定不同出行链的ts与tp;
2)出租车出行模型:
出租车的平均载客时长和平均接客等待时间μtaxi表达式分别为:
式中,Ttaxi,t为第t个调度周期△T内出租车的平均载客时长,qx为拟合参数,x为自然数,为出行区域内单出行链平均出行时长;设出租车的停车等待时间与私家车tp一样服从正态分布,能够根据式(1)利用蒙特卡洛抽取EV出租车的接客等待时间;
3)公交车出行模型:
公交车出行模型公式为:
f(t)=Tt bus Tt bus={n1,n2,n3…|n∈N} (4);
式中,Tt bus为公交车出行时间,n为出行时间。
4.根据权利要求1所述一种电动汽车充放电负荷时空分布预测方法,其特征在于:所述步骤2中,基于马尔可夫决策过程理论(markovdecisionprocess,MDP),建立EV出行空间模型,包括如下步骤:
S2.1:采用MDP模拟车主对EV出行路径的决策,将EV出行链分为四个阶段:
①、出行准备阶段:根据出行需求,获取EV出行目的地;
②、行驶阶段:根据温度、道路等级和拥堵情况,计算EV耗能;
③、决策阶段:根据车辆信息即EV荷电量SOC和历史行驶路径,判断其SOC是否满足转移至下一段路径行驶电量需求,并在剩余路径抉择时删除已行驶路径;若满足需求,根据剩余行程信息采用MDP确定下一段行驶路径;若不满足则在此站点进行充电;
④、目的地:若EV转移至终点,储存自身行驶信息;利用EV历史信息和SOC阈值判断EV是否有充电需求,如需则驶入电站内;
S2.2:EV出行路径决策:
设EV从r1,1出发,在行驶途中每次可转移节点有n个,经过m-2次抉择到达目的地rm,1;将EV在行驶过程中可能经过的所有路段视为状态集S;EV到达各节点的所有时刻视为决策时刻集T;EV在所有决策时刻做出的路径决策所组成的集合视为行动集A;EV在行驶过程中每段路径的行驶时间视为报酬R;
EV出行具有马尔可夫性,基于EV行驶过程中车主对终点目的性与动态路况的考虑,EV从当前节点rcur转移到下一节点rnex节点的节点间转移概率为P(a|rcur,rnex),如式(5)所示:
式中,N为节点rcur转移至终点所有可行方案数目,M为所有可行路径中下一次转移经过节点rnex方案数目;K为当前方案中节点转移经过的节点数目;Stotaln,k和Spassm,k和分别为在N和M下第k段路径长度,Vtotaln,k和分别为在N和M下第k段路径EV行驶速度;m为路径抉择数,n为相邻节点数;
由式(5)可得EV在当前节点向终点移动时,经过与当前节点相邻节点的转移概率P(a|rcur,rnex)。
5.根据权利要求4所述一种电动汽车充放电负荷时空分布预测方法,其特征在于:以单次出行时间为目标,形成一个总概率密度为1的EV节点转移密度函数,再根据蒙特卡洛法,随机生成一个0~1之间的数,看落在总概率密度为1的哪一EV节点转移概率区间内,从而确定EV转移节点;更新转移后的节点后,重复采用蒙特卡洛随机选取EV转移节点这一过程,直至EV转移至终点,据此形成MDP出行链。
6.根据权利要求1所述一种电动汽车充放电负荷时空分布预测方法,其特征在于:所述步骤3中,EV时空转移过程中,高温和拥堵等外因素制约着EV的单位里程能耗和出行速度,间接影响出行时长和车主对出行路径的选择,从而改变EV充电负荷的时空分布;考虑对EV交通能耗关键的两个因素行驶速度和实际温度,建立动态路况信息模型。
7.根据权利要求5所述一种电动汽车充放电负荷时空分布预测方法,其特征在于:所述步骤3中,动态路况信息模型包括:
拥堵模型:
首先基于对区域内车辆历史时空分布,作为路网中拥堵模型内交通流量修正参数数据支撑,采用马尔可夫决策过程理论以电动汽车最短行程时间为目标,确定其在每个节点向相邻节点转移概率,基于所得概率密度函数通过蒙特卡洛确定下一转移节点,在每个调度时刻开始时根据车辆时空分布确定每一个调度周期内道路j内EV数量Pt,j;通过道路内实时车辆数量与出行链信息交互对EV出行速度v进行修正,即动态更新v:
8.根据权利要求7所述一种电动汽车充放电负荷时空分布预测方法,其特征在于:所述步骤3中,动态路况信息模型包括:EV单位里程能耗模型:
EV单位里程能耗、道路等级和v表示为:
式中,py是拟合参数,y为自然数,c为当前环境温度;
9.根据权利要求8所述一种电动汽车充放电负荷时空分布预测方法,其特征在于:所述步骤4包括以下步骤:
S4.1:载入EV出行时刻、初始SOC值数据;
S4.2:根据耦合场景利用公式(5)-公式(9)进行EV行程规划、计算节点转移耗时以及剩余SOC值,得到EV车辆分布输入场景;
S4.3:判断是否到达终点,若否,则重复S4.2;若是,则记录转移节点、时间、剩余SOC值;
S4.4:判断是否有充电需求,若否,则为出行准备;若是,则为驶入电站。
10.根据权利要求9所述一种电动汽车充放电负荷时空分布预测方法,其特征在于:所述步骤4中,通过对同一区域内EV出行模型多次仿真做历史参考数据;计及道路内车辆数随EV的驶入道路变化,在EV每次节点转移后末端时刻重新计算下一时刻;EV车辆分布输入场景中的拥堵等级和温度则在调度时刻△T开始时进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210205053.1A CN114676885A (zh) | 2022-03-02 | 2022-03-02 | 一种电动汽车充放电负荷时空分布预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210205053.1A CN114676885A (zh) | 2022-03-02 | 2022-03-02 | 一种电动汽车充放电负荷时空分布预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676885A true CN114676885A (zh) | 2022-06-28 |
Family
ID=82072081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210205053.1A Pending CN114676885A (zh) | 2022-03-02 | 2022-03-02 | 一种电动汽车充放电负荷时空分布预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676885A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115691140A (zh) * | 2022-11-02 | 2023-02-03 | 东南大学 | 一种汽车充电需求时空分布的分析与预测方法 |
-
2022
- 2022-03-02 CN CN202210205053.1A patent/CN114676885A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115691140A (zh) * | 2022-11-02 | 2023-02-03 | 东南大学 | 一种汽车充电需求时空分布的分析与预测方法 |
CN115691140B (zh) * | 2022-11-02 | 2023-08-15 | 东南大学 | 一种汽车充电需求时空分布的分析与预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160428A (zh) | 高速公路电动汽车快速充电站的规划方法 | |
CN109934391B (zh) | 一种纯电动公交车辆的智能调度方法 | |
CN111311122B (zh) | 面向智慧城市的充电站建设方法 | |
CN110751314B (zh) | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 | |
CN111267830B (zh) | 一种混合动力公交车能量管理方法、设备和存储介质 | |
CN108805344A (zh) | 一种考虑时变需求的高速铁路网络列车开行方案优化方法 | |
CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
CN111400662B (zh) | 一种考虑电动汽车充电需求的空间负荷预测方法 | |
CN108932561B (zh) | 一种考虑非线性充电函数的电动汽车充电路径选择方法 | |
CN108562300A (zh) | 考虑目的地导向及下一行程用电需求的电动汽车充电引导方法 | |
CN111046576B (zh) | 一种考虑双网信息的电动私家车充电负荷预测方法 | |
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 | |
CN107845261A (zh) | 一种基于张量融合交通信息的汽车全局工况动态重构方法 | |
CN111199320A (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 | |
Su et al. | Forecast of electric vehicle charging demand based on traffic flow model and optimal path planning | |
CN116513273A (zh) | 基于深度强化学习的列车运行调度优化方法 | |
CN114676885A (zh) | 一种电动汽车充放电负荷时空分布预测方法 | |
Sivagnanam et al. | Minimizing energy use of mixed-fleet public transit for fixed-route service | |
De Martinis et al. | Towards a simulation-based framework for evaluating energy-efficient solutions in train operation | |
CN111199300A (zh) | 一种“车-路-网”模式下电动汽车充电负荷时空预测方法 | |
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 | |
CN110516372B (zh) | 计及准动态交通流的电动汽车荷电状态时空分布模拟方法 | |
CN112149906A (zh) | 一种计及充电时间的电动车出行线路综合优化方法 | |
CN116993031A (zh) | 一种电动车的充电决策优化方法、装置、设备及介质 | |
Schenker et al. | Optimization model for operation of battery multiple units on partly electrified railway lines |
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 |