CN115339355A - 电动汽车实时充电决策方法、系统、介质、设备及终端 - Google Patents
电动汽车实时充电决策方法、系统、介质、设备及终端 Download PDFInfo
- Publication number
- CN115339355A CN115339355A CN202210549908.2A CN202210549908A CN115339355A CN 115339355 A CN115339355 A CN 115339355A CN 202210549908 A CN202210549908 A CN 202210549908A CN 115339355 A CN115339355 A CN 115339355A
- Authority
- CN
- China
- Prior art keywords
- charging
- time
- vehicle
- owner
- decision
- 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
Images
Classifications
-
- 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
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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
- B60L53/60—Monitoring or controlling charging stations
- B60L53/64—Optimising energy costs, e.g. responding to electricity rates
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/54—Energy consumption estimation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- Mechanical Engineering (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Transportation (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明属于电动汽车充电决策技术领域,公开了一种电动汽车实时充电决策方法、系统、介质、设备及终端,综合分析到达时间、剩余电量和心理安全电量因素,构建电动运营车车主在不同峰谷电价下的充电需求模型;针对运营车车主对到达时间和剩余电量的心理感知差异,建立基于风险偏好的改进累积前景理论异质参考点模型;以运营车累积前景收益为评价指标,对充电决策进行评估。本发明的电动汽车实时充电决策模型可以很好的描述非理性车主的充电决策行为,为大规模电动汽车的充电行为优化提供思路。在不同风险态度下,车主的心理感知价值发生变化,本发明的分析异质车主风险偏好的异质参考点模型拓展原有累积前景理论对风险态度的刻画,提高灵敏度。
Description
技术领域
本发明属于电动汽车充电决策技术领域,尤其涉及一种电动汽车实时充电决策方法、系统、介质、设备及终端。
背景技术
目前,随着电动汽车数量的大规模增长,电动汽车充电行为及充电方式成为研究热点。不同电动汽车用户群体呈现出不同的充电行为特征,如电动运营车车主由于其独特的工作性质,需积极关注电动汽车电量状态,以避免在低电量状态下行驶,出现里程焦虑。现有对电动运营车车主充电行为的研究中多关注对到达时间、剩余电量等客观因素的建模且多假设车主为完全理性人,但事实上,车主并非完全理性,其决策行为由客观因素和主观感知共同决定。期望效用理论(Expected Utility Theory,EUT)假设决策者为完全理性,累积前景理论(Cumulated Prospect Theory,CPT)的提出弥补了EUT对于理性假设的不足,在决策时会综合分析人的风险偏好和心理感知价值(Psychologically Perceived Value,PPV)等因素。
在充电需求模型建立方面,文献(邓昌棉,张勇.基于数据驱动的电动出租车充电站规划方法研究[J].森林工程,2020,36(03):77-85.)、(田晟,曾莉莉. 基于改进核密度估计的电动出租车快速充电行为研究[J].交通运输系统工程与信息,2021,21(04):221-229.)均分析了充电时间、剩余电量等客观因素对充电需求建模,但未分析车主主观感知的影响,无法准确反映车主的实际充电需求。
在充电决策模型建立方面,文献(黄松渝.数据驱动的电动汽车充电行为和充电需求建模分析[D].浙江大学,2020.)从概率建模的角度对电动汽车充电行为进行建模分析,以充电行为的特征变量表征其充电规律性;文献(叶文浩,吕风仪,龙雪梅,等.一种分析时间和电价的电动出租车充电推荐策略[J/OL].电测与仪表:1-8[2022-03-3].)综合分析出租车时间成本和电费成本对车主充电行为的影响,但并未分析车主决策时的不完全理性。
在CPT参考点设置方面,文献(郭赋斌.基于累积前景理论的出行者出行方式选择行为研究[D].湘潭大学,2020.)将等待时间设置为参考点,发现人们出行方式选择会随着参考点的不同发生改变,但未分析人风险态度与参考点设置的关系;文献(徐君翔,张锦.基于累积前景理论的应急物流路径选择模型与案例[J/OL].安全与环境学报:1-12[2022-03-03].)针对运输时间和路段风险度分别设置参考点,构建了基于双参考点的应急物流路径选择模型,提供了参考点设置上的改进思路。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有关电动汽车充电决策行为的分析多假设车主为完全理性人,但事实上车主并非完全理性,且其决策行为受多方影响,该理性假设存在不足。
(2)现有充电需求模型未分析车主主观感知的影响,无法准确反映车主的实际充电需求。
(3)现有技术并未分析车主决策时的不完全理性,且未分析人风险态度与参考点设置的关系。
发明内容
针对现有技术存在的问题,本发明提供了一种电动汽车实时充电决策方法、系统、介质、设备及终端,尤其涉及一种基于改进累积前景理论的电动汽车实时充电决策模型的构建方法。
本发明是这样实现的,一种电动汽车实时充电决策方法,所述电动汽车实时充电决策方法包括:
首先,综合分析到达时间、剩余电量和心理安全电量因素,构建电动运营车车主在不同峰谷电价下的充电需求模型;其次,针对运营车车主对到达时间和剩余电量的心理感知差异,建立基于风险偏好的改进累积前景理论异质参考点模型;最后,以运营车累积前景收益为评价指标,对充电决策进行评估。
进一步,所述电动汽车实时充电决策方法包括以下步骤:
步骤一,充电需求模型构建:将客观因素与车主主观感知相结合,综合分析PSP、到达时间和剩余电量因素,建立运营车车主在不同峰谷电价下的充电需求模型,以确定充电决策的备选方案集以及收益函数;
步骤二,非理性决策模型构建:基于车主的非理性,将CPT应用于车主充电决策建模中,建立ACPT-CDM;累积前景理论将不确定决策过程分为编辑阶段和评估阶段,在编辑阶段确定参考点,将结果转换为相对于参考点的收益或损失;在评估阶段,利用价值函数与权重函数对车主的充电决策进行分析与评估,选择出最佳充电方案;
步骤三,基于风险偏好的异质参考点模型构建:在ACPT-CDM的编辑阶段,以充电需求模型所确定的备选方案集为基础,分析电动运营车车主PPV的差异性,将个人风险态度与心理感知参考点相结合,对累积前景理论的参考点进行改进,建立基于风险偏好的异质参考点模型。
进一步,所述步骤一中的充电需求模型的构建包括:
初始荷电状态B为电动汽车充电时间的关键影响因素,如下式所示:
其中,C为电动汽车电池的额定容量;B为电动车到站的初始荷电状态(即剩余电量);Blea为电动汽车充电完成时的电池荷电状态;PEV为电动汽车的充电功率;θchar为电动汽车的充电效率;Tchar为总充电时间。
运营车的开始充电时间t取决于多种因素,包括车辆的类型和车主的个人行为等。之前的研究将车辆最后一次出行的结束时刻的分布通过极大似然估计近似为正态分布,且将其视为开始充电时间表示为式(2):
其中,μs、σs分别为t的期望和标准差。
进一步,所述步骤一中的充电需求模型的构建还包括:
通过设定三种充电状态进行分类:
状态一:在峰时段到达,且充电时间小于峰时段剩余时间,车主有两种选择,在峰时段充电,或等到平时段时在平时段充电;
状态二:在峰时段到达,且充电时间大于峰时段剩余时间,车主有两种选择,跨时段充电或等到平时段时在平时段充电;
状态三:在平时段到达,车主直接在平时段充电。
充电状态分析中综合分析到达时间、剩余电量、充电时间与充电状态之间的关系;其中,(0,t0)为峰时段,(t0,tmax)为平时段。
当剩余电量为最小电量Bmin,将其充至最大电量Bmax需要Tmax,此为最长充电时间,而当剩余电量为Bmax时,则不需要进行充电。当车主0时刻到达时,最大充电截止时间为Tmax,最小充电截止时间为0直线表示0时刻到达时,剩余电量与充电截止时间的对应关系。同理,对应车主t0-Tmax时刻到达时剩余电量与充电截止时间的对应关系。
设定t0时刻为平时段开始时刻,故将t0时刻作为充电截止时间临界点。当到达时间t∈(0,t0-Tmax)时,向移动,直线簇在剩余电量区间的限定下形成平行四边形区域a0b0c0d0,在所述区域内充电决策为状态一,在峰时段或者平时段充电;当到达时间t∈(t0-Tmax,t0)时,向移动,形成平行四边形区域c0d0e0f0,在所述区域内同时存在状态一和状态二,出现充电状态混合则进行划分;lmn为动态变动直线段,表示不同到达时间下的充电截止曲线,线段和方程分别为:
lmn与直线tend=t0存在交点K,以K点为分界点,K点以上部分车主决策为状态一,K点以下部分车主决策为状态二。
将充电截止时间转换为到达时间,可得直线段方程为:
当车主tM时刻到达时,剩余电量高于BM时为状态一,当剩余电量低于BM时为状态二;同理,在任意时刻均通过直线段将时段内混杂的两种状态分开。
对运营车车主避开运营晚高峰进行建模;当车主到达时刻较晚时,车主将电量充至Bmax耗时较长,大部分车主将电量充至心理安全电量Bsaf则离开充电站。
线段方程为:
以车主tN时刻到达为例,若剩余电量高于BN时,车主可在tmax前将剩余电量充至Bsaf;若剩余电量低于BN,车主充至Bsaf将会错过部分运营高峰期。
针对三种充电状态,设置三种充电方案:
只在峰时段充电:车主峰时刻到达,且充电时间小于峰时段剩余时间;
只在平时段充电:车主峰时刻到达,且充电时间小于峰时段剩余时间或车主平时刻到达;
只在跨时段充电:车主峰时刻到达,但充电时间大于峰时段剩余时间。
车主收益是衡量指标,针对三种充电方案电动运营车的收入函数定义如下:
Y=E-J1-J2;
其中,Y为实际收益,E为全天营业总收益,J1为充电费用,J2为客单损失。
(1)运营车车主选择峰时段充电的收益一:
(2)运营车车主选择平时段充电的收益二:
(3)运营车车主选择跨时段充电的收益三:
其中,p1为峰时段客流量,p2为平时段客流量;T1为峰时段充电时间,T2为平时段充电时间;q1为峰时段平均客单价,q2为平时段平均客单价;S1为峰时段电价,S2为平时段电价。
进一步,所述步骤三中的基于风险偏好的异质参考点模型的构建包括:
(1)基于风险偏好的异质参考点模型
在EUT模型下,运营车主通过比较各项充电决策下收益期望值的大小进行充电决策,车主偏向期望值较大的充电决策。在CPT的计算过程中分析非理性因素,参考点的选择影响着累积前景值的计算,对编辑阶段的参考点进行改进。
1)心理感知参考点
设I0为异质车主选择充电方案的心理参考点,车主预期利润值为:
I0=EU=∑(Yi,Pi);
其中,U(x)为期望效用函数,Yi表示每种充电方案的收益;Pi表示相对应的概率;i=1,2,3。
心理感知价值(PPV)偏差为ΔI,当一天内收获总利润I(x)大于预期利润I0,车主获得正的心理感知ΔI;当一天内收获总利润I(x)小于预期利润I0,车主获得负的心理感知ΔI;
ΔI=I(x)-I0。
(2)构建基于风险偏好的心理感知参考点模型
μ(0<μ<1)为风险偏好因子,在车主决策过程中,0<μ<0.5,车主表现为风险规避型;0.5<μ<1,车主表现为风险追求型;μ=0.5则为风险中立。
在确定参考点时,针对车主不同的PPV,建立基于风险偏好的异质参考点模型;将所得到的心理安全感的极大极小值作为各区域的阈值点,同时引入风险因子μ,通过风险因子μ与极大、极小值差值的乘积与最小值相加,最终获得异质参考点;当决策者持不同风险偏好时,参考点亦在前述极值区间中波动;
I=Imin+(Imax-Imin)μ。
进一步,所述步骤三中的基于风险偏好的异质参考点模型的构建还包括前景值计算,所述前景值计算包括:
(1)价值函数
其中,α、β表示车主对风险的灵敏度,λ为损失规避系数,取α﹦β﹦0.88,λ﹦2.25。
(2)权重函数
当车主面对收益时:
当车主面临损失时:
其中,γ﹦0.61、δ﹦0.69。
CPT的决策权重函数πi +和πi -定义如下:
其中,πij +为正的累积决策权重函数,即决策者面临“收益”时的累积决策权重函数;πij -为负的累积决策权重函数,即决策者面临“损失”时的累积决策权重函数;n为每种充电方案下车主感受到收益时的可能结果;m为每种充电方案下车主感受到损失时的可能结果。ω+和ω-是严格的增函数,且满足:
ω+(0)=ω-(0)=0;
ω+(1)=ω-(1)=1;
(3)累积前景值计算
其中,CPVj +为方案j下的正向累积前景值,CPVj -为方案j下的负向累积前景值;CPVj为实际的综合累积前景值,j=1,2,3,CPV1,CPV2和CPV3分别为方案一,方案二和方案三的综合累积前景值;在做充电决策时,电动车车主通常倾向选择综合累积前景值最大的充电方案作为最优充电选择。
本发明的另一目的在于提供一种应用所述的电动汽车实时充电决策方法的电动汽车实时充电决策系统,所述电动汽车实时充电决策系统包括:
充电需求模型构建模块,用于综合分析到达时间、剩余电量和心理安全电量因素,构建电动运营车车主在不同峰谷电价下的充电需求模型;
异质参考点模型构建模块,用于针对运营车车主对到达时间和剩余电量的心理感知差异,建立基于风险偏好的改进累积前景理论异质参考点模型;
充电决策评估模块,用于以运营车累积前景收益为评价指标,对充电决策进行评估。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
综合分析到达时间、剩余电量和心理安全电量因素,构建电动运营车车主在不同峰谷电价下的充电需求模型;针对运营车车主对到达时间和剩余电量的心理感知差异,建立基于风险偏好的改进累积前景理论异质参考点模型;以运营车累积前景收益为评价指标,对充电决策进行评估。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
综合分析到达时间、剩余电量和心理安全电量因素,构建电动运营车车主在不同峰谷电价下的充电需求模型;针对运营车车主对到达时间和剩余电量的心理感知差异,建立基于风险偏好的改进累积前景理论异质参考点模型;以运营车累积前景收益为评价指标,对充电决策进行评估。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的电动汽车实时充电决策系统。
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
为准确描述电动运营车车主的非理性充电决策行为,本发明建立了基于改进累积前景理论的电动运营车充电决策模型;首先,综合分析到达时间、剩余电量和心理安全电量等因素,构建电动运营车车主在不同峰谷电价下的充电需求模型;其次,针对运营车车主对到达时间和剩余电量的心理感知差异,建立了基于风险偏好的改进累积前景理论异质参考点模型。最后,以运营车累积前景收益为评价指标,对充电决策进行评估。案例结果表明,心理安全电量一定的前提下,心理感知价值较高的车主将提前充电,反之则倾向于延后充电。本发明的模型将风险态度与心理感知价值相结合,可以更准确的反映运营车车主的非理性决策行为,具有重要的理论价值和现实意义。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
(1)本发明提出的基于改进累积前景理论的电动汽车实时充电决策模型可以很好的描述非理性车主的充电决策行为,为大规模电动汽车的充电行为优化提供了一定的思路。
(2)心理安全电量较低时,心理感知价值较高的车主提前充电的选择会整体性前移;心理安全电量较高时,心理感知价值较低的车主推后充电的选择会整体性后移。本发明提供的案例结果表明将风险态度与心理感知价值相结合可以更准确的反映运营车车主的非理性决策行为。
(3)运营车车主日间充电行为集中在运营低谷期,符合充电决策规避运营高峰期的经验性结论,本发明提供的案例结果较好地反映了决策者趋利避害的主动性决策特性。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
(1)本发明的技术方案转化后的预期收益和商业价值为:
本发明通过对电动运营车车主充电行为的模拟可为电动运营车车主提供较为准确的充电行为参考,可使车主提高收益。
(2)本发明的技术方案填补了国内外业内技术空白:
A.现有对电动运营车车主充电需求的研究中多关注到达时间、剩余电量等客观因素,本发明将客观因素与车主主观感知相结合,综合考虑心理安全电量、到达时间和剩余电量等因素,建立运营车车主在不同峰谷电价下的充电需求模型。
B.现有对电动运营车车主充电行为的研究中多假设决策者完全理性,本发明考虑车主的非理性,将累积前景理论应用于车主充电决策建模中,建立了基于改进累积前景理论的电动运营车充电决策模型(ACPT-CDM)。累积前景理论将不确定决策过程分为编辑和评估阶段,在编辑阶段确定参考点,将结果转换为相对于参考点的收益或损失,在评估阶段,利用价值函数与权重函数对车主的充电决策进行分析与评估,选择出最佳充电方案。
C.现有对累积前景理论的研究中在对参考点的设置上忽略了个人风险偏好的影响,本发明在ACPT-CDM的编辑阶段,以充电需求模型所确定的备选方案集为基础,考虑电动运营车车主PPV的差异性,将个人风险偏好与参考点相结合,对累积前景理论的参考点进行改进,建立了考虑风险偏好的异质参考点模型。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的电动汽车实时充电决策方法流程图;
图2是本发明实施例提供的电动汽车实时充电决策系统结构框图;
图3是本发明实施例提供的基于改进累积前景理论的电动运营车充电决策模型框图;
图4是本发明实施例提供的充电状态分析图;
图5是本发明实施例提供的充电状态划分图;
图6是本发明实施例提供的心理安全电量模型示意图;
图7是本发明实施例提供的心理感知参考点模型示意图;
图8是本发明实施例提供的实例示意图;
图9是本发明实施例提供的三种模型下充电决策图;
图9(a)是本发明实施例提供的AUT模型下车主充电决策示意图;
图9(b)是本发明实施例提供的CPT模型下车主充电决策示意图;
图9(c)是本发明实施例提供的ACPT-CDM车主充电决策示意图;
图10(a)是本发明实施例提供的PSP为0.3的车主充电决策示意图;
图10(b)是本发明实施例提供的PSP为0.5的车主充电决策示意图;
图10(c)是本发明实施例提供的PSP为0.7的车主充电决策示意图;
图11是本发明实施例提供的异质风险偏好决策图;
图11(a)是本发明实施例提供的风险规避型车主充电决策示意图;
图11(b)是本发明实施例提供的稳健型车主充电决策示意图;
图11(c)是本发明实施例提供的风险追求型车主充电决策示意图;
图11(d)是本发明实施例提供的CPT模型车主充电决策示意图;
图中:1、充电需求模型构建模块;2、异质参考点模型构建模块;3、充电决策评估模块。
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仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种电动汽车实时充电决策方法、系统、介质、设备及终端,下面结合附图对本发明作详细的描述。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明实施例提供的电动汽车实时充电决策方法包括以下步骤:
S101,综合分析到达时间、剩余电量和心理安全电量因素,构建电动运营车车主在不同峰谷电价下的充电需求模型;
S102,针对运营车车主对到达时间和剩余电量的心理感知差异,建立基于风险偏好的改进累积前景理论异质参考点模型;
S103,以运营车累积前景收益为评价指标,对充电决策进行评估。
如图2所示,本发明实施例提供的电动汽车实时充电决策系统包括:
充电需求模型构建模块1,用于综合分析到达时间、剩余电量和心理安全电量因素,构建电动运营车车主在不同峰谷电价下的充电需求模型;
异质参考点模型构建模块2,用于针对运营车车主对到达时间和剩余电量的心理感知差异,建立基于风险偏好的改进累积前景理论异质参考点模型;
充电决策评估模块3,用于以运营车累积前景收益为评价指标,对充电决策进行评估。
下面结合具体实施例对本发明的技术方案作进一步的说明。
1、发明概述
在描述电动运营车车主的充电决策行为时,目前的技术存在对充电需求建模时多分析客观因素而忽略车主主观感知,在车主充电决策多认为车主完全理性而忽略车主的非理性,以及现有CPT相关研究忽略个人风险偏好对参考点影响的不足。针对这些问题,本发明建立了基于改进累积前景理论的电动运营车充电决策模型(Charging Decision Modelof Operational EV Based on Adapted Cumulated Prospect Theory,ACPT-CDM),其结构框图如图3所示。
(1)充电需求模型
将客观因素与车主主观感知相结合,综合分析PSP、到达时间和剩余电量等因素,建立运营车车主在不同峰谷电价下的充电需求模型,以确定充电决策的备选方案集以及收益函数。
(2)非理性决策模型
分析车主的非理性,将CPT应用于车主充电决策建模中,建立了ACPT-CDM。累积前景理论将不确定决策过程分为编辑阶段和评估阶段,在编辑阶段确定参考点,将结果转换为相对于参考点的收益或损失,在评估阶段,利用价值函数与权重函数对车主的充电决策进行分析与评估,选择出最佳充电方案。
(3)基于风险偏好的异质参考点模型
在ACPT-CDM的编辑阶段,以充电需求模型所确定的备选方案集为基础,分析电动运营车车主PPV的差异性,将个人风险态度与心理感知参考点相结合,对累积前景理论的参考点进行改进,建立了基于风险偏好的异质参考点模型。
2、充电需求模型
电动运营车每天工作时间较长,但由于电池容量的限制,电动运营车一天至少需要充电两次,除晚间一次充电以外,在日间也至少需要充电一次。文中仅分析日间时段运营车的充电情况。
初始荷电状态B为电动汽车充电时间的关键影响因素,如下式所示:
其中,C为电动汽车电池的额定容量;B为电动车到站的初始荷电状态(即剩余电量);Blea为电动汽车充电完成时的电池荷电状态;PEV为电动汽车的充电功率;θchar为电动汽车的充电效率;Tchar为总充电时间。
运营车的开始充电时间t取决于多种因素,包括车辆的类型和车主的个人行为等。之前的研究将车辆最后一次出行的结束时刻的分布通过极大似然估计近似为正态分布,且将其视为开始充电时间表示为式(2):
2.1充电状态划分
综合来看,某一特定时刻电动汽车的充电概率,可能对应不同的剩余电量、到达时间以及车主心理安全电量(Psychological safety power,PSP)等充电条件的组合,所以某一特定时刻的充电选择是不唯一的,本发明通过设定三种充电状态加以分类。
状态一:在峰时段到达,且充电时间小于峰时段剩余时间,此时车主有两种选择,在该峰时段充电,或等到平时段时在平时段充电;
状态二:在峰时段到达,且充电时间大于峰时段剩余时间,此时车主有两种选择,跨时段充电或等到平时段时在平时段充电;
状态三:在平时段到达,此时车主可直接在平时段充电。
文中将车主去标签化,因此充电决策分为当前时刻充电(如:峰时刻到达,决策结果为峰时刻充电)和未来某时刻充电(如:峰时刻到达,决策结果为平时刻充电)。基于上述分析,对任意时刻而言,文中计算的充电行为来自于选择在当前时刻直接充电的车主,而到达但未选择当前时刻充电的车主将在未来某一时刻纳入模型计算,故文中到达时间与开始充电时间等价。
如图4所示,充电状态分析图综合分析了到达时间、剩余电量、充电时间与充电状态之间的关系。其中,(0,t0)为峰时段,(t0,tmax)为平时段。
假设剩余电量为最小电量Bmin,将其充至最大电量Bmax需要Tmax,此为最长充电时间,而当剩余电量为Bmax时,则不需要进行充电。当车主0时刻到达时,最大充电截止时间为Tmax,最小充电截止时间为0,如图4所示,直线表示0 时刻到达时,剩余电量与充电截止时间的对应关系。同理,对应车主t0-Tmax时刻到达时剩余电量与充电截止时间的对应关系。
设定t0时刻为平时段开始时刻,故将其作为充电截止时间临界点。由图4 可知,当到达时间t∈(0,t0-Tmax)时,向移动,此时直线簇在剩余电量区间的限定下形成平行四边形区域a0b0c0d0,在此区域内充电决策为状态一,即在峰时段或者平时段充电。当到达时间t∈(t0-Tmax,t0)时,向移动,形成平行四边形区域c0d0e0f0,但是在此区域内同时存在状态一和状态二,出现了充电状态混合,需将其划分开来。如图4所示,lmn为动态变动直线段,表示不同到达时间下的充电截止曲线,线段和方程分别为:
lmn与直线tend=t0存在交点K,以K点为分界点,K点以上部分车主决策为状态一,K点以下部分车主决策为状态二。
将充电截止时间转换为到达时间,可得图5。
由图5可得直线段方程为:
以M点为例,车主tM时刻到达时,剩余电量高于BM时为状态一,当剩余电量低于BM时为状态二,同理,在任意时刻均可通过该直线段有效地将该时段内混杂的两种状态分开。
图6为心理安全电量模型,对运营车车主避开运营晚高峰进行了建模。当车主到达时刻较晚时,车主将电量充至Bmax耗时较长,为了避免错失晚高峰的大客流,大部分车主将电量充至心理安全电量,大部分车主将电量充至心理安全电量Bsaf,便会离开充电站。
由图6得线段方程为:
以车主tN时刻到达为例,若剩余电量高于BN时,车主可在tmax前将剩余电量充至Bsaf;若剩余电量低于BN,车主充至Bsaf将会错过部分运营高峰期。
对运营车车主避开运营晚高峰进行建模;当车主到达时刻较晚时,车主将电量充至Bmax耗时较长,大部分车主将电量充至心理安全电量Bsaf则离开充电站。
2.2充电方案
针对上面所提及的三种充电状态,本发明设置了三种充电方案:
只在峰时段充电:车主峰时刻到达,且充电时间小于峰时段剩余时间;
只在平时段充电:车主峰时刻到达,且充电时间小于峰时段剩余时间或车主平时刻到达;
只在跨时段充电:车主峰时刻到达,但充电时间大于峰时段剩余时间。
车主的收益是本发明的衡量指标,针对本发明提出的三种充电方案,不失一般性的电动运营车的收入函数可以定义如下:
Y=E-J1-J2 (7)
其中,Y为实际收益,E为全天营业的总收益,J1为充电费用,J2为客单损失。
(1)运营车主选择峰时段充电的收益(收益一):
(2)运营车车主选择平时段充电的收益(收益一):
(3)运营车车主选择跨时段充电的收益(收益三):
其中,p1为峰时段客流量,p2为平时段客流量;T1为峰时段充电时间,T2为平时段充电时间;q1为峰时段平均客单价,q2为平时段平均客单价;S1为峰时段电价,S2为平时段电价。
3、基于改进的累积前景理论的充电决策模型
本发明将对编辑阶段的参考点进行设定并对评估阶段进行描述。首先,对参考点进行改进,其次进行前景值计算。与EUT不同的是,CPT可适用于风险决策和不确定决策,可对违背EUT的非理性情况给出解释。
3.1基于风险偏好的异质参考点模型
在EUT模型下,运营车主通过比较各项充电决策下收益期望值的大小进行充电决策,车主更偏向期望值较大的充电决策。而在CPT的计算过程中,会分析非理性因素。参考点的选择影响着累积前景值的计算,同时也对出行决策有重要的影响。
(1)心理感知参考点
设I0为异质车主选择充电方案的心理参考点,即车主预期利润值。其中, U(x)为期望效用函数,Yi表示每种充电方案的收益;Pi表示相对应的概率;i=1,2,3。
I0=EU=∑(Ui,Pi) (11)
心理感知价值(PPV)偏差为ΔI,当一天内收获总利润I(x)大于预期利润I0,车主获得正的心理感知ΔI;当一天内收获总利润I(x)小于预期利润I0,车主获得负的心理感知ΔI。
ΔI=I(x)-I0 (12)
图7为心理感知参考点模型图。
由于到达时间为(t0-Tmax,t0)区间内存在充电状态混合的情况,故在此参考点模型下,区间的划分参考图5状态分析图。
针对不同的电动车主对自身现状的认知存在差异,对电池的剩余电量和到达时间的敏感性亦不同这一特点,本发明分析了参考点的异质性,根据充电状态的不同划分区间,针对三块区域分别设置参考点,以实现对车主未来决策更为准确的评估。理想情况下,车主的到达时间越早,充电选择越多,其心理安全感越强,反之,到达时间越晚,充电选择越少,其心理安全感越差。同理,剩余电量越多,心理安全感越强;剩余电量越少,心理安全感越差。故在1区间内,a1点为极大值点,d1点为极小值点;在2、3区间内同理。
(2)基于风险偏好的心理感知参考点模型
μ(0<μ<1)为风险偏好因子,在车主决策过程中,0<μ<0.5,车主表现为风险规避型;0.5<μ<1,车主表现为风险追求型;μ﹦0.5则为风险中立。
在确定参考点时,针对车主不同的PPV,建立了基于风险偏好的异质参考点模型(见图7),该模型可以提高ACPT-CDM在不同的PPV下时的灵敏度。
将所得到的心理安全感的极大极小值作为各区域的阈值点,同时引入风险因子μ,通过风险因子μ与极大、极小值差值的乘积与最小值相加,最终获得异质参考点,即当决策者持不同风险偏好时,其参考点亦在前述极值区间中波动。
I=Imin+(Imax-Imin)μ (13)
3.2前景值计算
(1)价值函数
经典价值函数模型为:
其中,α、β表示车主对风险的灵敏度;λ为损失规避系数。通过大量实验数据分析可得,取α﹦β﹦0.88,λ﹦2.25较为合适。
(2)权重函数
本发明采用Yversky和Kahneman提出的权重函数。
当车主面对收益时:
当车主面临损失时:
其中,γ﹦0.61、δ﹦0.69,与经验数据较一致。
CPT的决策权重函数πi +和πi -可以定义如下:
其中,πij +为正的累积决策权重函数,即决策者面临“收益”时的累积决策权重函数;πij -为负的累积决策权重函数,即决策者面临“损失”时的累积决策权重函数;n为每种充电方案下车主感受到收益时的可能结果;m为每种充电方案下车主感受到损失时的可能结果。ω+和ω-是严格的增函数,且满足:
ω+(0)=ω-(0)=0 (19)
ω+(1)=ω-(1)=1 (20)
(3)累积前景值计算
其中,表示方案j下的正向累积前景值,表示方案j下的负向累积前景值。CPVj表示实际的综合累积前景值,j=1,2,3,CPV1,CPV2和CPV3分别表示方案一,方案二和方案三的综合累积前景值,在做充电决策时,电动车车主通常倾向选择综合累积前景值最大的充电方案作为最优充电选择。
4、本发明提出的基于改进累积前景理论的电动汽车实时充电决策模型可以很好的描述非理性车主的充电决策行为,为大规模电动汽车的充电行为优化提供了一定的思路。
心理安全电量较低时,心理感知价值较高的车主提前充电的选择会整体性前移;心理安全电量较高时,心理感知价值较低的车主推后充电的选择会整体性后移。案例结果表明将风险态度与心理感知价值相结合可以更准确的反映运营车车主的非理性决策行为。
运营车车主日间充电行为集中在运营低谷期,符合充电决策规避运营高峰期的经验性结论,案例结果较好地反映了决策者趋利避害的主动性决策特性。
后续分析工作将围绕分时电价下电动汽车充放电对电网端的影响展开进一步工作。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用的应用实施例。
通过对某市电动运营车充电行为的分析研究,验证了本模型的有效性和准确性。
1、将峰平电价倍数设定为三倍,对EUT、CPT和ACPT-CDM三种模型中风险追求型车主在剩余电量B~N(0.5,0.25),到达时间t~N(5,9)条件下的充电决策偏好进行了建模分析。
2、将峰平电价倍数设定为三倍,将ACPT-CDM中的心理安全电量分别设定为0.3、0.5、0.7,比较稳健型车主在剩余电量B~N(0.5,0.25),到达时间t~N(5,9) 条件下的充电决策偏好。
3、将峰平电价倍数设定为三倍,在ACPT-CDM模型中将风险偏好因子分别设定为0.2、0.5、0.8,分析了该模型中车主在Bsaf=0.5,剩余电量 B~N(0.5,0.25),到达时间t~N(5,9)条件下的充电决策偏好,此外,还在相同条件下对CPT模型中运营车车主的充电决策行为进行了建模分析。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
1、案例分析
1.1案例参数设置
按照武汉市峰谷电价时段划分情况,9:00-14:00为峰时段,14:00-17:00为平时段,且武汉市出租车的运营高峰期为:7:00-10:00和17:00-20:00。显然运营车车主会尽量避开电价高峰期和运营高峰期进行充电,本发明将研究时间设定为 9:00-17:00。文中使用试值法确定时间参数,根据仿真结论和市场调研结果,文中最终确定正态分布的均值为14:00,标准差为3。
对于本发明中的时间和电量数据,采用标幺值数据,即0.9代表90%的电量, 9:00记为1。本发明设定剩余电量服从正态分布,即B~N(0.5,0.25),且0.1<B<Bsaf,当电量达到0.9时充电完成;设定到达时间服从正态分布,即t~N(5,9),且t∈(0,8)。
经调研,BYDE6型电动汽车为武汉市常见运营车型号,其电池容量为 45kW·h,且武汉市通用充电桩充电功率为35kW,充电效率θChar为0.95。表1 为对峰、平时段部分参数的设定。其中,平时电价及平均客单价均参照武汉市价格。
表1参数设定
参数带入后可得图8,剩余电量由0.1充至0.9需要1.083时,由0.1充至 0.5需要0.545时;5时刻为峰时段结束时刻。
本发明设计三个案例场景验证模型的有效性,对不同到达时刻下车主的充电决策结果比较分析。车主平时段到达的充电决策较固定,将其作为辅助决策,案例部分将重点研究峰时段到达时车主的决策选择。表2为心理极值点表,用于ACPT-CDM的异质参考点计算。CPT模型下以收益期望值为参考点。
表2心理极值点表
1.2案例分析
(1)模型对比案例
在三倍电价下,风险追求型车主在剩余电量B~N(0.5,0.25),到达时间t~N(5,9)的条件下,对在EUT、CPT和ACPT-CDM三种模型下运营车车主的充电决策偏好进行比较。
由表3可知,在到达时刻较早的区间1与剩余电量较多的区间2,EUT、CPT 和ACPT-CDM中车主的决策相同,均选择方案二平时段充电;在到达时间较晚,且剩余电量较少的区间3,EUT模型下车主充电决策未发生变化,而在CPT模型下,车主决策在4.7时刻发生变化,选择方案三跨时段充电,在ACPT-CDM 中,车主决策在4.4时刻发生变化,选择方案三。
表3模型对比结果
三种模型下充电决策图如图9所示;其中,图9(a)是AUT模型下车主充电决策示意图,图9(b)是CPT模型下车主充电决策示意图,图9(c)是ACPT-CDM 车主充电决策示意图。
由决策结果可以看出,当到达时间较晚且剩余电量相对较少时,三种决策模型下的充电决策会有所不同。在ACPT-CDM中,到达时间越晚,车主心理产生的焦虑感会越强,此时即使面临损失,车主也会选择及时充电。而AUT模型所呈现的理性车主的充电决策始终为方案二在平时段充电。由此可以看出AUT 认为车主为理性人,忽略了心理因素的影响。CPT和ACPT-CDM分析了车主的有限理性,但是CPT没有分析车主的PPV,而ACPT-CDM模型将人的PPV和风险态度纳入分析,能够更好的反映人的非理性决策行为。
(2)不同心理安全电量下的灵敏度分析
峰平电价倍数设定为三倍,稳健型车主在剩余电量B~N(0.5,0.25),到达时间t~N(5,9)的条件下,将ACPT-CDM下的PSP分别设定为0.3、0.5、0.7,比较运营车主的充电决策行为。
由表4可知,当车主到达时间处于区间1和区间2时,三种PSP的车主均选择了方案二平时段充电。当车主在区间3到达时,运营车车主充电时间集中在13:30附近,到达时间较晚且剩余电量较低时,PSP为0.3的车主决策在4.8 时刻发生变化,选择方案三跨时段充电;PSP为0.5的车主决策在4.6时刻发生变化,选择方案三;PSP为0.7的车主决策在4.2时刻发生变化,选择方案三。
灵敏度分析结果显示,到达时间、剩余电量和PSP对车主充电决策行为均有着显著的影响。当车主的PSP越高时,车主安全感越弱,车主到达时间较晚,且剩余电量远低于PSP时,车主产生电量焦虑,急于补充电量,由于峰时段高电价的限制,车主分析充电成本的同时希望更早获取电量,故车主会提前选择充电,但由于剩余电量较低需要跨时段充电;当车主的PSP越低时,车主安全感越强,当剩余电量低于PSP时,由于峰时段的高电价的限制,车主分析到充电成本,会推迟充电。
表4不同心理安全电量决策结果
异质PSP决策图;其中,图10(a)是PSP为0.3的车主充电决策示意图,图 10(b)是PSP为0.5的车主充电决策示意图,图10(c)是PSP为0.7的车主充电决策示意图。
(3)异质风险偏好案例
峰平电价倍数设定为三倍,车主心理安全电量为0.5,在剩余电量 B~N(0.5,0.25),到达时间t~N(5,9)的条件下,ACPT-CDM中将风险因子μ分别设定为0.2、0.5、0.8,比较该模型下三种不同风险态度和CPT模型下运营车主的充电决策行为。
由表5可知,当车主的到达时间处于区间1和区间2时,两种模型下的车主均选择方案二平时段充电。当车主在区间3到达,在ACPT-CDM下,风险规避型车主(μ=0.2)决策在4.8时刻发生变化,选择方案三跨时段充电;稳健型车主 (μ=0.5)决策在4.6时刻发生变化,选择方案三;风险追求型车主(μ=0.8)决策在 4.4时刻发生变化,选择方案三。而在CPT下,车主在4.6时刻始终选择方案三, CPT决策结果出现钝化,但ACPT-CDM的模型较好的拓展了对风险态度的刻画,提高了灵敏度。
表5异质风险偏好决策结果
图11为异质风险态度车主的充电决策;其中,图11(a)是风险规避型车主充电决策示意图,图11(b)是稳健型车主充电决策示意图,图11(c)是风险追求型车主充电决策示意图,图11(d)是CPT模型车主充电决策示意图。
由图11可以看出,在心理安全电量为0.5时,风险追求型车主的心理感知价值较高,他们愿意承担一定的风险以获取更高的收益,故他们会提前地选择在风险较高的峰时段充电,即使很快就会到价格更低的平时段;而风险规避型车主对损失更加敏感,其心理感知价值较低,他们往往规避风险,故他们会在剩余电量可以支撑的情况下尽可能推迟充电;稳健型车主则一方面担心峰时段充电的损失,另一方面期待较高的收益,他们更愿意找一个相对适中的时间点选择跨时段充电。
以张三为例(见图8),张三4.4时刻到达,此时剩余电量为0.3,假设其为风险追求型车主,由于此时剩余电量较低,但由于其心理感知价值较高,其会选择及时充电,更早的以更充足的电量去开启下一阶段接单;假设其为稳健型车主,心理感知价值较低,其会对电价与电量进行综合衡量后再选择充电;假设其为风险规避型车主,他更看重损失,在此时剩余电量不是特别低的情况下,峰时段的高电价会使他更晚进行充电。
在电动运营车实际运营中,异质车主的心理安全电量存在差异,故心理安全电量变化时,不同风险偏好的车主的决策会相应变化。当车主的心理安全电量较低时,风险追求型车主心理感知价值较高,故车主提前充电的选择会整体性前移;当车主的心理安全电量较高时,风险规避型车主心理感知价值较低,故车主推后充电的选择会整体性后移。
案例结果表明,不同心理安全电量下,不同风险偏好的车主将有不同的充电决策,故将,在分析车主的充电决策行为时应综合分析风险态度与心理感知价值的影响。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,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,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种电动汽车实时充电决策方法,其特征在于,所述电动汽车实时充电决策方法包括:
首先,综合分析到达时间、剩余电量和心理安全电量因素,构建电动运营车车主在不同峰谷电价下的充电需求模型;其次,针对运营车车主对到达时间和剩余电量的心理感知差异,建立基于风险偏好的改进累积前景理论异质参考点模型;最后,以运营车累积前景收益为评价指标,对充电决策进行评估。
2.如权利要求1所述电动汽车实时充电决策方法,其特征在于,所述电动汽车实时充电决策方法包括以下步骤:
步骤一,充电需求模型构建:将客观因素与车主主观感知相结合,综合分析PSP、到达时间和剩余电量因素,建立运营车车主在不同峰谷电价下的充电需求模型,以确定充电决策的备选方案集以及收益函数;
步骤二,非理性决策模型构建:基于车主的非理性,将CPT应用于车主充电决策建模中,建立ACPT-CDM;累积前景理论将不确定决策过程分为编辑阶段和评估阶段,在编辑阶段确定参考点,将结果转换为相对于参考点的收益或损失;在评估阶段,利用价值函数与权重函数对车主的充电决策进行分析与评估,选择出最佳充电方案;
步骤三,基于风险偏好的异质参考点模型构建:在ACPT-CDM的编辑阶段,以充电需求模型所确定的备选方案集为基础,分析电动运营车车主PPV的差异性,将个人风险态度与心理感知参考点相结合,对累积前景理论的参考点进行改进,建立基于风险偏好的异质参考点模型。
4.如权利要求2所述电动汽车实时充电决策方法,其特征在于,所述步骤一中的充电需求模型的构建还包括:
通过设定三种充电状态进行分类:
状态一:在峰时段到达,且充电时间小于峰时段剩余时间,车主有两种选择,在峰时段充电,或等到平时段时在平时段充电;
状态二:在峰时段到达,且充电时间大于峰时段剩余时间,车主有两种选择,跨时段充电或等到平时段时在平时段充电;
状态三:在平时段到达,车主直接在平时段充电;
充电状态分析中综合分析到达时间、剩余电量、充电时间与充电状态之间的关系;其中,(0,t0)为峰时段,(t0,tmax)为平时段;
当剩余电量为最小电量Bmin,将其充至最大电量Bmax需要Tmax,此为最长充电时间,而当剩余电量为Bmax时,则不需要进行充电。当车主0时刻到达时,最大充电截止时间为Tmax,最小充电截止时间为0直线表示0时刻到达时,剩余电量与充电截止时间的对应关系。同理,对应车主t0-Tmax时刻到达时剩余电量与充电截止时间的对应关系;
设定t0时刻为平时段开始时刻,故将t0时刻作为充电截止时间临界点;当到达时间t∈(0,t0-Tmax)时,向移动,直线簇在剩余电量区间的限定下形成平行四边形区域a0b0c0d0,在所述区域内充电决策为状态一,在峰时段或者平时段充电;当到达时间t∈(t0-Tmax,t0)时,向移动,形成平行四边形区域c0d0e0f0,在所述区域内同时存在状态一和状态二,出现充电状态混合则进行划分;lmn为动态变动直线段,表示不同到达时间下的充电截止曲线,线段和方程分别为:
lmn与直线tend=t0存在交点K,以K点为分界点,K点以上部分车主决策为状态一,K点以下部分车主决策为状态二;
将充电截止时间转换为到达时间,得直线段方程为:
当车主tM时刻到达时,剩余电量高于BM时为状态一,当剩余电量低于BM时为状态二;同理,在任意时刻均通过直线段将时段内混杂的两种状态分开;
对运营车车主避开运营晚高峰进行建模;当车主到达时刻较晚时,车主将电量充至Bmax耗时较长,大部分车主将电量充至心理安全电量Bsaf则离开充电站;
线段方程为:
以车主tN时刻到达为例,若剩余电量高于BN时,车主可在tmax前将剩余电量充至Bsaf;若剩余电量低于BN,车主充至Bsaf将会错过部分运营高峰期;
针对三种充电状态,设置三种充电方案:
只在峰时段充电:车主峰时刻到达,且充电时间小于峰时段剩余时间;
只在平时段充电:车主峰时刻到达,且充电时间小于峰时段剩余时间或车主平时刻到达;
只在跨时段充电:车主峰时刻到达,但充电时间大于峰时段剩余时间;
车主收益是衡量指标,针对三种充电方案电动运营车的收入函数定义如下:
Y=E-J1-J2;
其中,Y为实际收益,E为全天营业总收益,J1为充电费用,J2为客单损失;
(1)运营车车主选择峰时段充电的收益一:
(2)运营车车主选择平时段充电的收益二:
(3)运营车车主选择跨时段充电的收益三:
其中,p1为峰时段客流量,p2为平时段客流量;T1为峰时段充电时间,T2为平时段充电时间;q1为峰时段平均客单价,q2为平时段平均客单价;S1为峰时段电价,S2为平时段电价。
5.如权利要求2所述电动汽车实时充电决策方法,其特征在于,所述步骤三中的基于风险偏好的异质参考点模型的构建包括:
(1)基于风险偏好的异质参考点模型
在EUT模型下,运营车主通过比较各项充电决策下收益期望值的大小进行充电决策,车主偏向期望值较大的充电决策;在CPT的计算过程中分析非理性因素,参考点的选择影响着累积前景值的计算,对编辑阶段的参考点进行改进;
1)心理感知参考点
设I0为异质车主选择充电方案的心理参考点,车主预期利润值为:
I0=EU=∑(Yi,Pi);
其中,U(x)为期望效用函数,Yi表示每种充电方案的收益;Pi表示相对应的概率;i=1,2,3;
心理感知价值(PPV)偏差为ΔI,当一天内收获总利润I(x)大于预期利润I0,车主获得正的心理感知ΔI;当一天内收获总利润I(x)小于预期利润I0,车主获得负的心理感知ΔI;
ΔI=I(x)-I0;
(2)构建基于风险偏好的心理感知参考点模型
μ(0<μ<1)为风险偏好因子,在车主决策过程中,0<μ<0.5,车主表现为风险规避型;0.5<μ<1,车主表现为风险追求型;μ﹦0.5则为风险中立;
在确定参考点时,针对车主不同的PPV,建立基于风险偏好的异质参考点模型;将所得到的心理安全感的极大极小值作为各区域的阈值点,同时引入风险因子μ,通过风险因子μ与极大、极小值差值的乘积与最小值相加,最终获得异质参考点;当决策者持不同风险偏好时,参考点亦在前述极值区间中波动;
I=Imin+(Imax-Imin)μ。
6.如权利要求2所述电动汽车实时充电决策方法,其特征在于,所述步骤三中的基于风险偏好的异质参考点模型的构建还包括前景值计算,所述前景值计算包括:
(1)价值函数
其中,α、β表示车主对风险的灵敏度,λ为损失规避系数,取α﹦β﹦0.88,λ﹦2.25;
(2)权重函数
当车主面对收益时:
当车主面临损失时:
其中,γ﹦0.61、δ﹦0.69;
CPT的决策权重函数πi +和πi -定义如下:
其中,πij +为正的累积决策权重函数,即决策者面临“收益”时的累积决策权重函数;πij -为负的累积决策权重函数,即决策者面临“损失”时的累积决策权重函数;n为每种充电方案下车主感受到收益时的可能结果;m为每种充电方案下车主感受到损失时的可能结果;ω+和ω-是严格的增函数,且满足:
ω+(0)=ω-(0)=0;
ω+(1)=ω-(1)=1;
(3)累积前景值计算
其中,CPVj +为方案j下的正向累积前景值,CPVj -为方案j下的负向累积前景值;CPVj为实际的综合累积前景值,j=1,2,3,CPV1,CPV2和CPV3分别为方案一,方案二和方案三的综合累积前景值;在做充电决策时,电动车车主通常倾向选择综合累积前景值最大的充电方案作为最优充电选择。
7.一种应用如权利要求1~6任意一项所述的电动汽车实时充电决策方法的电动汽车实时充电决策系统,其特征在于,所述电动汽车实时充电决策系统,包括:
充电需求模型构建模块,用于综合分析到达时间、剩余电量和心理安全电量因素,构建电动运营车车主在不同峰谷电价下的充电需求模型;
异质参考点模型构建模块,用于针对运营车车主对到达时间和剩余电量的心理感知差异,建立基于风险偏好的改进累积前景理论异质参考点模型;
充电决策评估模块,用于以运营车累积前景收益为评价指标,对充电决策进行评估。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
综合分析到达时间、剩余电量和心理安全电量因素,构建电动运营车车主在不同峰谷电价下的充电需求模型;针对运营车车主对到达时间和剩余电量的心理感知差异,建立基于风险偏好的改进累积前景理论异质参考点模型;以运营车累积前景收益为评价指标,对充电决策进行评估。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
综合分析到达时间、剩余电量和心理安全电量因素,构建电动运营车车主在不同峰谷电价下的充电需求模型;针对运营车车主对到达时间和剩余电量的心理感知差异,建立基于风险偏好的改进累积前景理论异质参考点模型;以运营车累积前景收益为评价指标,对充电决策进行评估。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求7所述的电动汽车实时充电决策系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549908.2A CN115339355A (zh) | 2022-05-20 | 2022-05-20 | 电动汽车实时充电决策方法、系统、介质、设备及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549908.2A CN115339355A (zh) | 2022-05-20 | 2022-05-20 | 电动汽车实时充电决策方法、系统、介质、设备及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115339355A true CN115339355A (zh) | 2022-11-15 |
Family
ID=83948854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210549908.2A Pending CN115339355A (zh) | 2022-05-20 | 2022-05-20 | 电动汽车实时充电决策方法、系统、介质、设备及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115339355A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172629A (zh) * | 2023-06-09 | 2023-12-05 | 湖北工业大学 | 一种基于电动运营车充电决策模型的充电方案筛选方法 |
CN117522496A (zh) * | 2023-11-20 | 2024-02-06 | 湖北工业大学 | 基于等效感知跨期的电动运营车充电方案的决策方法 |
-
2022
- 2022-05-20 CN CN202210549908.2A patent/CN115339355A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172629A (zh) * | 2023-06-09 | 2023-12-05 | 湖北工业大学 | 一种基于电动运营车充电决策模型的充电方案筛选方法 |
CN117172629B (zh) * | 2023-06-09 | 2024-04-05 | 湖北工业大学 | 一种基于电动运营车充电决策模型的充电方案筛选方法 |
CN117522496A (zh) * | 2023-11-20 | 2024-02-06 | 湖北工业大学 | 基于等效感知跨期的电动运营车充电方案的决策方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103620907B (zh) | 充放电辅助装置 | |
CN115339355A (zh) | 电动汽车实时充电决策方法、系统、介质、设备及终端 | |
US8527129B2 (en) | Personalized charging management for a vehicle | |
US20180118047A1 (en) | System and method for electric vehicle charging analysis and feedback | |
US11772512B2 (en) | Vehicle power supply system and vehicle dispatch system | |
Schwenk et al. | Integrating battery aging in the optimization for bidirectional charging of electric vehicles | |
De Gennaro et al. | A case study to predict the capacity fade of the battery of electrified vehicles in real-world use conditions | |
Lin et al. | A plug-in hybrid consumer choice model with detailed market segmentation | |
CN105160428A (zh) | 高速公路电动汽车快速充电站的规划方法 | |
JP6672589B2 (ja) | 消費電力量予測装置、消費電力量予測方法、サーバ装置 | |
JP5542284B2 (ja) | 車両利用支援装置 | |
CN110189182B (zh) | 一种基于车联网的里程焦虑管理方法 | |
Dorsey et al. | Fueling alternatives: Gas station choice and the implications for electric charging | |
US20240067039A1 (en) | Server and vehicle management method | |
CN117035357A (zh) | 一种电动出租车队在能源-交通中的充放电调度方法 | |
CN115713168A (zh) | 用车出行时间预测方法、装置、服务器及存储介质 | |
US20230303091A1 (en) | Simulation-based optimization framework for controlling electric vehicles | |
CN109754304B (zh) | 费用设定装置和费用设定方法 | |
Burke et al. | Vehicle Choice Modeling for Light-, Medium-, and Heavy-Duty Zero-Emission Vehicles in California | |
Widmer et al. | Battery health target tracking for HEVs: Closed-loop control approach, simulation framework, and reference trajectory optimization | |
Kochhan | Techno-economic evaluation of battery-electric taxis | |
US20220300838A1 (en) | Behavior prediction device, behavior prediction method, and behavior prediction program | |
US20230417564A1 (en) | Fleet management systems and methods for providing optimized charging paths | |
Fink et al. | How similar is the usage of electric cars and electric bicycles? | |
US20230221132A1 (en) | Information processing apparatus, method, and non-transitory computer readable medium |
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 |