CN114840984A - 一种考虑出行路径决策的电动汽车充电负荷时空预测方法 - Google Patents

Abstract

本发明公开了一种考虑出行路径决策的电动汽车充电负荷时空预测方法，将出行链理论与交通路网相结合，利用中值拉丁超立方采样对用户的起始出行时刻和起始荷电状态进行抽样。考虑用户的不确定性充电需求，利用模糊综合评价法以剩余荷电状态、停驶时长以及充电时长三种评价指标构建用户的充电行为模型。考虑道路交通状况对用户出行路径的影响，根据logit模型构建路阻函数模型，利用动态Floyd算法获取用户的出行路径，通过蒙特卡罗模拟得到电动汽车充电需求的时空分布。本发明能够有效地模拟用户的实际出行轨迹，在路径规划、载客量的影响以及模型精度上均具有优势，对电动汽车充电桩的选址定容以及配电网的规划、运行等具有重要的参考价值。

Description

一种考虑出行路径决策的电动汽车充电负荷时空预测方法

技术领域

本发明属于智能电网领域，具体涉及一种考虑出行路径决策的电动汽车充电负荷时空预测方法。

背景技术

随着电力需求的持续增长、资源短缺与环境污染问题的日益突出，国家大力提倡发展清洁能源，电动汽车(electric vehicle,EV)作为清洁能源使用的一大门户，其发展获得了广泛支持。电动汽车具有高能效、低污染、环境友好等多方面的优点，可以有效地解决机动车排放污染、化石能源短缺等问题，为我国节能减排措施的开展提供了保障。然而，大量的电动汽车充电需求势必引发新一轮的用电负荷增长，造成配电线路的“阻塞”，因此，电力企业除了从供给侧对电力系统进行规划与调度外，也着力于从需求侧提高电动汽车充电负荷的预测水平。

发明内容

本发明所解决的技术问题是提供了一种考虑出行路径决策的电动汽车充电负荷时空预测方法，能够有效地模拟用户的实际出行轨迹，在路径规划、载客量的影响以及模型精度上均具有优势，可用于电动汽车充电桩的选址定容，也可为电动汽车接入配电网的调度与运行提供模型基础。

为了解决上述技术问题，本发明提供一种考虑出行路径决策的电动汽车充电负荷时空预测方法，包括以下步骤：

分别建立交通路网拓扑图、空间转移概率矩阵、路阻函数模型以及电动汽车的充电行为模型；

确定电动汽车初始参数，利用动态Floyd算法获取用户的出行路径，

通过蒙特卡罗模拟得到电动汽车充电需求的时空分布。

优选地，根据电动汽车出行目的地的功能性不同，将城市待规划区分为四类，分别为住宅区、工作区、商业区以及其他功能区，并采用图论的方法得到待规划区的交通路网拓扑图。

优选地，获得交通路网拓扑图的具体方法为：

将所有功能区的几何中心作为功能区的节点，并将各个功能区域之间以节点相连的线段定义为规划区的道路；

将路径长度、行驶速度或行驶时间作为道路权值；

用有向图和无向图分别表示单行道和双行道；

设道路图为G＝(U,E)，U为节点集合，E为顶点之间的关系，用邻接矩阵D表示相邻顶点的连通关系以及顶点间有向边的长度，其元素d_ij定义如下：

式中，ω_ij为道路节点i和j之间的权值，inf表示两节点间无直接连接关系。

优选地，建立的路阻函数模型为：

式中，t₀为道路零流行驶时间，c₁，c₂，c₃，c₄为不同道路等级下自适应系数，I_t表示交叉路口延迟，I₀表示交叉路口零流行驶时间，p₁，p₂，p₃，p₄为信号路口自适应系数，λ_L为道路饱和度，R_t为路段延误。

优选地，建立电动汽车的充电行为模型的具体方法为：

基于模糊数学理论，建立综合评价的因素集和评价集；

采用三种隶属度函数描述每种评价指标对应的充电意愿；

根据相应的隶属度函数构建评价矩阵。

优选地，综合评价的因素集和评价集如下：

(1)EV充电模式的评价指标因素集：剩余荷电状态x₁，停驶时长x₂和充电时长x₃。

(2)用户的充电评价集：慢充V₁、快充V₂、不充电V₃。

优选地，关于评价指标x₁，x₂，x₃对应的隶属度函数如下：

x₁的隶属度函数

x₂的隶属度函数

x₃的隶属度函数

表中，x₁为剩余SOC，为使x₂在[0,1]内，x₂取值为充电时长与停驶时长的比值，x₃为充电时长，单位为小时，出租车与私家车类似，取A₂(x)＝A₁(x)，A₁(x)＝0即可。

优选地，确定电动汽车初始参数，利用动态Floyd算法获取用户的出行路径，通过蒙特卡罗模拟得到电动汽车充电需求的时空分布的具体步骤为：

确认电动汽车类型、电动汽车数量N、电池容量、单位公里能耗、总时间T，中值拉丁超立方抽样总次数M；

设置起始MLHS抽样次数k＝1，起始电动汽车数量i＝1；

随机抽取起始功能区以及起始节点，并基于MLHS抽取起始荷电状态、起始出行时刻t，判断该车是否为私家车，若为私家车则转至步骤六，否则转至步骤七；

步骤六：设置私家车的出行链初始长度j为1，当前电动汽车测试数量i＝1；

根据建立的空间转移概率矩阵确定目的地功能区以及目的地节点；

采用动态Floyd算法得到最优行驶路径、行驶里程以及行驶时间；

通过建立的充电行为模型判断私家车充电情况，若是快充或者慢充，则更新SOC，若需要充电，则跳过更新SOC的步骤；

判断出行目的地是否为家，若为是，则转至步骤八；若为否，则判断目前出行链长度是否小于3，若等于3，则判断为目的地是住宅，根据动态F1oyd法确定出行路径，在居住地充电，更新SOC，并转至步骤八；若小于3，则判断为目的地不是住宅，令出行链长度加1，重新建立空间转移概率矩阵，转至步骤六，；

步骤七：针对出租车出行路径决策，设置当前出租车测试数量i＝1；

根据转移概率矩阵确定目的地功能区以及目的地节点，并采用和步骤六中相同的动态F1oyd算法得到出租车的最优出行路径、行驶里程、剩余SOC和路段总数s，并设置当前出行路段数h为1；

通过充电行为模型判断其充电情况，若出租车若需要充电，则默认其选择在目的地进行快充，并在目的地节点重新采用动态Floyd算法进行路径选择，确定行驶路径、行驶里程、剩余SOC以及出行起始时间t，若t＜T，则转至步骤七中根据空间转移概率矩阵确定目的地功能区以及目的地节点，若t＝T，则转至步骤八；若不需要充电，则判断当前出行路段数h是否小于路段总数s，若小于，则h＝h+1，并转至步骤七中采用动态Floyd算法进行路径选择，若不小于，则转至步骤七中根据动态Floyd算法得到下一次出行起始时间t。

步骤八：对于结束了步骤六的私家车，判断当前私家车测试的数量i是否小于电动汽车测试总数N，若是，则令i＝i+1，转至步骤六；若否，则判断当前抽样次数k是否小于设定的中值拉丁超立方抽样总次数M，若k＜M，则令k＝k+1，转至步骤六，若k＝M，则结束电动汽车充电负荷的时空预测；

对于结束了步骤七的出租车而言，判断当前出租车测试的数量i是否小于电动汽车测试总数N，若是，则令i＝i+1，转至步骤七；若否，则判断当前抽样次数k是否小于设定的中值拉丁超立方抽样总次数M，若k＜M，则令k＝k+1，转至步骤七，若k＝M，则结束电动汽车充电负荷的时空预测。

本发明与现有技术相比，其显著优点在于：(1)本发明的用户充电行为模型采用模糊综合评价法，以三种评价指标进行划分，避免了特定阈值对充电行为的局限性，保证了用户充电意愿的连续性。(2)本发明通过最优路径规划法获取用户的出行路径，不仅考虑了道路交通延迟对用户出行路径决策的影响，而且所选路径并未造成大规模的绕路情况，更符合用户的实际出行习惯。(3)本发明应用场景灵活，既可用于电动汽车充电桩的选址定容，也可为电动汽车接入配电网的调度与运行提供模型基础。

附图说明

图1是一种考虑出行路径决策的EV充电负荷预测方法的流程图。

图2是交通路网拓扑结构。

图3是中值拉丁超立方抽样流程图。

图4是动态Floyd算法流程图。

图5是测试区域内私家车的充电数量和充电负荷分布图。

图6是测试区域内出租车的充电数量和充电负荷分布图。

具体实施方式

本发明提出一种考虑出行路径决策的电动汽车充电负荷时空预测方法，包括以下步骤：

步骤一、首先根据电动汽车出行目的地的功能性不同，将城市待规划区分为四类，分别为住宅区、工作区、商业区以及其他功能区，并采用图论的方法得到待规划区的交通路网拓扑图。

具体获取交通路网拓扑结构图的方法包括：

(1)将所有功能区的几何中心作为功能区的节点，并将各个功能区域之间以节点相连的线段定义为规划区的道路；

(2)路径长度、行驶速度或行驶时间等作为道路权值；

(3)用有向图和无向图分别表示单行道和双行道；

(4)设道路图为G＝(U,E)，U为节点集合，E为顶点之间的关系，用邻接矩阵D表示相邻顶点的连通关系以及顶点间有向边的长度，其元素d_ij定义如下：

式中，ω_ij为道路节点i和j之间的权值，inf表示两节点间无直接连接关系。

交通路网拓扑及各功能划分区域如图2所示，包括主干道(如5-8)和次干道(如1-4)。

步骤二、基于马尔科夫链理论研究电动汽车出行情况。首先假定私家车的出行链长度最长为3，均从住宅区出发回到住宅区；出租车采用大班运营模式，每24h倒一次班，2:00～5:00休息约3h，休息时间进行常规充电，运营期间采用快充方式。然后，将一天内的不同时刻值ti作为自变量，某时刻去一个目的地的空间转移概率pij作为因变量，对现有交通出行的统计数据进行拟合，可以得到各时刻空间转移概率pij，建立空间转移概率矩阵，从而确定一天内各时刻从某功能区节点去往目的地功能区节点的概率。

步骤三、建立考虑交通流量的路阻函数模型。由于电动汽车选取路径受道路交通流量以及交叉路口的影响，由此产生的道路阻抗时间成本是选取出行路径的关键因素，需要用道路阻抗函数来度量。因此建立一个基于logit模型的流量延误函数，其包括路段时间延误和信号交叉路口延误，分别代表路段阻抗和节点阻抗，设R_t为路段延误，I_t为信号交叉路口延误，表达式如下：

式中，t₀为道路零流行驶时间，c₁，c₂，c₃，c₄为不同道路等级下自适应系数，I_t表示交叉路口延迟，I₀表示交叉路口零流行驶时间，p₁，p₂，p₃，p₄为信号路口自适应系数，λ_L为道路饱和度。

通过该路阻函数模型计算，可以得到两个节点在一天中各个时间段的行驶速度，路段延迟以及交叉路口延迟数据，步骤六、七中使用的动态Floyed算法的过程中需要用这些路阻函数模型的数据分别对获取的前N条线路进行行驶时间计算，从而可以得到考虑了交通流量因素的行驶时间最短的路径。

步骤四、建立电动汽车的充电行为模型。首先基于模糊数学理论，建立综合评价的因素集和评价集如下：

(1)EV充电模式的评价指标因素集：剩余荷电状态x₁，停驶时长x₂和充电时长x₃。

(2)用户的充电评价集：慢充V₁、快充V₂、不充电V₃。

不同评价指标对用户充电行为的影响不同，需要构造不同的隶属度函数。本发明采用三种隶属度函数描述每种评价指标对应的充电意愿，分别为k次抛物线型、Γ型和三角函数型，其中，三角函数型表达式如下：

式中，x为评价指标，A(x)为隶属度程度。具体关于评价指标x₁，x₂，x₃对应的隶属度函数如下：

表1 x₁的隶属度函数

表2 x₂的隶属度函数

表3 x₃的隶属度函数

表中，x₁为剩余SOC，为使x₂在[0,1]内，x₂取值为充电时长与停驶时长的比值，x₃为充电时长，单位为小时，出租车与私家车类似，取A₂(x)＝A₁(x)，A₁(x)＝0即可。

由于各评价指标对不同的充电意愿具有不同的隶属度函数，根据相应的隶属度函数构建评价矩阵如下：

式中，a_ij表示第i个评价集中第j个评价因素的隶属度程度。

评价指标的权重由层次分析法确定，在本发明中通过层次分析法可以得到三种评价指标对应的权重矩阵为B＝(0.6480，0.2298，0.1222)，然后根据模糊数学中的最大隶属度原则，每次可以代入一辆电动汽车的评价指标到各自的隶属度函数中去，得到评价矩阵，结合权重矩阵，根据评价矩阵中最大的项所对应的充电评价判断用户目前选择快充、慢充还是不充电。

步骤五、确认电动汽车类型、电动汽车数量N、电池容量、单位公里能耗、总时间T为24小时，中值拉丁超立方抽样(MLHS)总次数M等参数。设置起始MLHS抽样次数k＝1，起始电动汽车数量i＝1。然后随机抽取起始功能区以及起始节点，并基于MLHS抽取起始荷电状态(起始SOC)、起始出行时刻t(t＝1,2,……,24)。此时判断该车是否为私家车，若为私家车则转至步骤六，否则转至步骤七。

其中，选用的中值拉丁超立方抽样法(MLHS)，是通过对用户的起始出行时刻和起始荷电状态依次进行采样、排序，得出起始出行时刻和起始荷电状态的样本矩阵。采样具体步骤如图3所示，在获得K×N样本矩阵后，采用Cholesky分解对样本矩阵进行重新排序。

步骤六、针对私家车出行路径决策，设置私家车的出行链初始长度j为1，当前电动汽车测试数量i＝1。首先根据建立的空间转移概率矩阵确定目的地功能区以及目的地节点。然后采用一种动态F1oyd法得到最优行驶路径、行驶里程以及行驶时间，该动态F1oyd法具体步骤如图4所示。接下来通过步骤四中建立的充电行为模型判断其充电情况，若是快充或者慢充，则更新SOC，若需要充电，则跳过更新SOC的步骤。此时再判断出行目的地是否为家，若为是，则转至步骤八；若为否，则判断目前出行链长度是否小于3，若等于3，则判断为目的地是住宅，根据动态F1oyd法确定出行路径，在居住地充电，更新SOC，并转至步骤八；若小于3，则判断为目的地不是住宅，令出行链长度加1，并转至步骤六，重新建立空间转移概率矩阵。

步骤七、针对出租车出行路径决策，设置当前出租车测试数量i＝1。首先根据转移概率矩阵确定目的地功能区以及目的地节点，并采用和步骤六中相同的动态F1oyd法得到出租车的最优出行路径、行驶里程、剩余SOC和路段总数s，并设置当前出行路段数h为1。然后通过步骤四的充电行为模型判断其充电情况，不同于私家车的充电选择模式，若出租车若需要充电，则默认其选择在目的地进行快充，并在目的地节点重新采用动态Floyd算法进行路径选择，确定行驶路径、行驶里程、剩余SOC以及出行起始时间t，若t＜T，则转至步骤七中根据空间转移概率矩阵确定目的地功能区以及目的地节点，若t＝T，则转至步骤八。若不需要充电，则判断当前出行路段数h是否小于路段总数s，若小于，则h＝h+1，并转至步骤七中采用动态Floyd算法进行路径选择，若不小于，则转至步骤七中根据动态Floyd算法得到下一次出行起始时间t。

步骤八、对于结束了步骤六的私家车，判断当前私家车测试的数量i是否小于电动汽车测试总数N，若是，则令i＝i+1，转至步骤六；若否，则判断当前抽样次数k是否小于设定的中值拉丁超立方抽样总次数M，若k＜M，则令k＝k+1，转至步骤六，若k＝M，则结束电动汽车充电负荷的时空预测。

同理，对于结束了步骤七的出租车而言，判断当前出租车测试的数量i是否小于电动汽车测试总数N，若是，则令i＝i+1，转至步骤七；若否，则判断当前抽样次数k是否小于设定的中值拉丁超立方抽样总次数M，若k＜M，则令k＝k+1，转至步骤七，若k＝M，则结束电动汽车充电负荷的时空预测。图5为对测试区域各节点私家车充电数量以及充电负荷的时空分布预测结果。图6为对测试区域各节点出租车充电数量以及充电负荷的时空分布预测结果。

Claims (8)

1.一种考虑出行路径决策的电动汽车充电负荷时空预测方法，其特征在于，包括以下步骤：

分别建立交通路网拓扑图、空间转移概率矩阵、路阻函数模型以及电动汽车的充电行为模型；

确定电动汽车初始参数，利用动态Floyd算法获取用户的出行路径，

通过蒙特卡罗模拟得到电动汽车充电需求的时空分布。

2.根据权利要求1所述的考虑出行路径决策的电动汽车充电负荷时空预测方法，其特征在于，根据电动汽车出行目的地的功能性不同，将城市待规划区分为四类，分别为住宅区、工作区、商业区以及其他功能区，并采用图论的方法得到待规划区的交通路网拓扑图。

3.根据权利要求2所述的考虑出行路径决策的电动汽车充电负荷时空预测方法，其特征在于，获得交通路网拓扑图的具体方法为：

将所有功能区的几何中心作为功能区的节点，并将各个功能区域之间以节点相连的线段定义为规划区的道路；

将路径长度、行驶速度或行驶时间作为道路权值；

用有向图和无向图分别表示单行道和双行道；

设道路图为G＝(U,E)，U为节点集合，E为顶点之间的关系，用邻接矩阵D表示相邻顶点的连通关系以及顶点间有向边的长度，其元素d_ij定义如下：

式中，ω_ij为道路节点i和j之间的权值，inf表示两节点间无直接连接关系。

4.根据权利要求1所述的考虑出行路径决策的电动汽车充电负荷时空预测方法，其特征在于，建立的路阻函数模型为：

式中，t₀为道路零流行驶时间，c₁，c₂，c₃，c₄为不同道路等级下自适应系数，I_t表示交叉路口延迟，I₀表示交叉路口零流行驶时间，p₁，p₂，p₃，p₄为信号路口自适应系数，λ_L为道路饱和度，R_t为路段延误。

5.根据权利要求1所述的考虑出行路径决策的电动汽车充电负荷时空预测方法，其特征在于，建立电动汽车的充电行为模型的具体方法为：

基于模糊数学理论，建立综合评价的因素集和评价集；

采用三种隶属度函数描述每种评价指标对应的充电意愿；

根据相应的隶属度函数构建评价矩阵。

6.根据权利要求5所述的考虑出行路径决策的电动汽车充电负荷时空预测方法，其特征在于，综合评价的因素集和评价集如下：

(1)EV充电模式的评价指标因素集：剩余荷电状态x₁，停驶时长x₂和充电时长x₃。

(2)用户的充电评价集：慢充V₁、快充V₂、不充电V₃。

7.根据权利要求6所述的考虑出行路径决策的电动汽车充电负荷时空预测方法，其特征在于，关于评价指标x₁，x₂，x₃对应的隶属度函数如下：

x₁的隶属度函数

x₂的隶属度函数

x₃的隶属度函数

表中，x₁为剩余SOC，为使x₂在[0,1]内，x₂取值为充电时长与停驶时长的比值，x₃为充电时长，单位为小时，出租车与私家车类似，取A₂(x)＝A₁(x)，A₁(x)＝0即可。

8.根据权利要求1所述的考虑出行路径决策的电动汽车充电负荷时空预测方法，其特征在于，确定电动汽车初始参数，利用动态Floyd算法获取用户的出行路径，通过蒙特卡罗模拟得到电动汽车充电需求的时空分布的具体步骤为：

确认电动汽车类型、电动汽车数量N、电池容量、单位公里能耗、总时间T，中值拉丁超立方抽样总次数M；

设置起始MLHS抽样次数k＝1，起始电动汽车数量i＝1；

随机抽取起始功能区以及起始节点，并基于MLHS抽取起始荷电状态、起始出行时刻t，判断该车是否为私家车，若为私家车则转至步骤六，否则转至步骤七；

步骤六：设置私家车的出行链初始长度j为1，当前电动汽车测试数量i＝1；

根据建立的空间转移概率矩阵确定目的地功能区以及目的地节点；

采用动态Floyd算法得到最优行驶路径、行驶里程以及行驶时间；

通过建立的充电行为模型判断私家车充电情况，若是快充或者慢充，则更新SOC，若需要充电，则跳过更新SOC的步骤；

判断出行目的地是否为家，若为是，则转至步骤八；若为否，则判断目前出行链长度是否小于3，若等于3，则判断为目的地是住宅，根据动态F1oyd法确定出行路径，在居住地充电，更新SOC，并转至步骤八；若小于3，则判断为目的地不是住宅，令出行链长度加1，重新建立空间转移概率矩阵，转至步骤六；

步骤七：针对出租车出行路径决策，设置当前出租车测试数量i＝1；

根据转移概率矩阵确定目的地功能区以及目的地节点，并采用和步骤六中相同的动态F1oyd算法得到出租车的最优出行路径、行驶里程、剩余SOC和路段总数s，并设置当前出行路段数h为1；

通过充电行为模型判断其充电情况，若出租车若需要充电，则默认其选择在目的地进行快充，并在目的地节点重新采用动态Floyd算法进行路径选择，确定行驶路径、行驶里程、剩余SOC以及出行起始时间t，若t＜T，则转至步骤七中根据空间转移概率矩阵确定目的地功能区以及目的地节点，若t＝T，则转至步骤八；若不需要充电，则判断当前出行路段数h是否小于路段总数s，若小于，则h＝h+1，并转至步骤七中采用动态Floyd算法进行路径选择，若不小于，则转至步骤七中根据动态Floyd算法得到下一次出行起始时间t；

步骤八：对于结束了步骤六的私家车，判断当前私家车测试的数量i是否小于电动汽车测试总数N，若是，则令i＝i+1，转至步骤六；若否，则判断当前抽样次数k是否小于设定的中值拉丁超立方抽样总次数M，若k＜M，则令k＝k+1，转至步骤六，若k＝M，则结束电动汽车充电负荷的时空预测；

对于结束了步骤七的出租车而言，判断当前出租车测试的数量i是否小于电动汽车测试总数N，若是，则令i＝i+1，转至步骤七；若否，则判断当前抽样次数k是否小于设定的中值拉丁超立方抽样总次数M，若k＜M，则令k＝k+1，转至步骤七，若k＝M，则结束电动汽车充电负荷的时空预测。

Images