CN115495701A - 一种一致性电动汽车充电负荷时空分布预测方法 - Google Patents

一种一致性电动汽车充电负荷时空分布预测方法 Download PDF

Info

Publication number
CN115495701A
CN115495701A CN202211205998.XA CN202211205998A CN115495701A CN 115495701 A CN115495701 A CN 115495701A CN 202211205998 A CN202211205998 A CN 202211205998A CN 115495701 A CN115495701 A CN 115495701A
Authority
CN
China
Prior art keywords
electric automobile
charging
destination
travel
soc
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
CN202211205998.XA
Other languages
English (en)
Inventor
刘艳丽
刘珂
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202211205998.XA priority Critical patent/CN115495701A/zh
Publication of CN115495701A publication Critical patent/CN115495701A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开一种一致性电动汽车充电负荷时空分布预测方法，包括如下步骤：数据采集及信息生成模块，根据采集的交通网络参数及历史数据和电动汽车性能及出行数据生成含电动汽车在内的车辆出行信息；交通网络模型建立及初始化模块，建立交通网络模型并初始化路段和转向流量/饱和度状态；交通阻抗信息计算模块，基于当前交通状态获取路段、转向和电动汽车单位里程能耗等交通阻抗信息；随机交通分配模块，基于随机用户均衡理论、电动汽车出行链和充电模型，采用MDK‑SP算法计算电动汽车及剩余车辆的出行信息，获取当前交通阻抗信息下电动汽车的出行和充电行为；交通状态更新模块，采用指定公式更新交通网络模型的路段和转向流量状态；收敛测试模块，判断交通网络模型路段和转向饱和度是否满足收敛公式，若满足则输出电动汽车充电负荷的时空分布和匹配的交通流量/饱和度；该方可以通过迭代计算实现匹配交通状态下电动汽车出行和充电行为的有效预测。

Description

一种一致性电动汽车充电负荷时空分布预测方法
技术领域：
本发明属于电动汽车充电预测的技术领域，尤其涉及一种一致性电动汽车充电负荷时空分布预测方法。
背景技术：
电动汽车(EV)有助于实现碳达峰、碳中和的目标。根据国际能源署(IEA)的调查，2021年全球电动汽车市场渗透率接近10％，比2019年高出约4倍，且在IEA公布的承诺场景(APS)下，2030年全球电动汽车市场渗透率将占30％以上。一方面，电动汽车渗透率的提高加深了电力和交通系统的耦合，电动汽车电力需求的急剧上升影响了电网的规划和运行。另一方面，电动汽车的灵活储能可以为电网提供辅助服务。而准确的电动汽车充电负荷时空分布预测对电力系统和电力-交通系统耦合研究都至关重要。
当前实现电动汽车充电负荷准确预测的方法主要包括数据驱动法和蒙特卡洛法。
1)数据驱动法
数据驱动的理想方法是使用智能算法基于大量实测负荷时序数据来预测电动汽车充电负荷。然而，由于测量设备的普及性、测量稳定性和数据保密性等限制，难以获取足够可靠的数据。然后，考虑到交通数据与电动汽车行驶和充电行为之间的相关性，一些工作通过预测流量和GPS等交通数据来间接预测充电负荷。然而，交通数据与负荷间的转换模型通常过于简化，无法保证预测结果的可靠性。此外，数据驱动法中使用的大多数智能算法都是通过挖掘输入数据本身的特征并迭代训练数据传输网络来实现预测的。由此得到的预测模型就像一个存储了许多不可见数据特征的黑箱，不具备完整的数学解析公式。因此，难以实现影响因素的定量分析。
2)蒙特卡洛法
基于蒙特卡洛法的预测是通过对受车辆性能、交通网络、充电设施和用户出行习惯等因素影响的电动汽车出行和充电活动建模来实现的。通常情况下，模型的有效性将决定预测的准确性。在电动汽车充电行为建模中，已有工作建立了考虑用户出行需求的慢速充电优先和快速充电应急的充电选择机制。此外，还有工作考虑了工作和非工作用户的不同充电习惯或目的地停留时间对充电时间和模式的影响。但在实际中，电动汽车的充电模式选择不仅受到充电习惯和出行时间的影响，还受到交通网络结构、充电设施布局、感知的充电时间成本等的影响。可以反映出行时间和空间耦合关系的出行链模型常被用来模拟电动汽车的出行行为。然而，基础的出行链模型很难直接反映电动汽车的充电状态(SOC)和充电特征。此外，在大多数研究中，用户的出行计划和计算都是独立进行的，这使得在电动汽车电池容量限制下，用户出行的可达性得不到充分保证。因此，有必要开发更有效的模型来反映电动汽车在电池容量和充电限制下的出行和充电行为。更重要的是，电动汽车出行与交通流等交通状态之间存在着交互关系。并且这种交互关系还将随着电动汽车渗透率的提高而加深。然而，现有的电动汽车充电负荷预测主要是根据已知和设定的历史交通流量进行的，使得预测的电动汽车出行和充电结果与实际匹配的交通状态下的相同信息不一致。而这种一致性也是分析交通故障和电动汽车渗透率提高等实际难以获取的交通场景的关键。此外，由于没有明确的目标和解析公式，蒙特卡洛法的计算稳定性依赖于大量随机场景的叠加，预测结果的准确性难以验证。因此，在有效模拟电动汽车出行和充电行为的前提下，开发一种具有明确系统稳定性目标和解析表达式并能保证预测结果一致性的更准确的电动汽车充电负荷预测方法是非常必要的。
忽略车辆行程和交通流量之间的交互作用会导致电动汽车出行模拟与实际交通状态间的不匹配。在交通分配问题(TAP)中，这种交互被描述为分配车辆行驶需求以在交通网络中形成均衡交通流的过程。作为智能交通系统的经典研究之一，TAP已经建立了较清晰的系统均衡目标和对应数学模型。通常，基于用户路径选择的不同假设，TAP可以分为确定性用户均衡(UE)和随机用户均衡(SUE)。根据Wardrop第一定理，UE假设所有用户在完全了解交通网出行成本的情况下选择最佳路线行驶。迄今为止，它已被用于充电站规划和电力交通系统的耦合分析。然而，在现实中用户拥有完美信息的假设很难实现。而由于信息不完备或测量失败导致的感知误差，用户将试图选择感知出行时间最短的行程，由此导致的交通流特征为SUE。采用多项logit(MNL)模型表征用户在不同路径中选择的基于logit的SUE常被采用。目前，已有充电站规划研究对SUE进行了考虑。然而，其对用户出行和充电的简化使其不适用于进行准确的负荷预测。此外，传统的TAP通常关注考虑路段流量和对应行驶阻抗等运行状态的交通网络。然而研究表明，在交叉口交通信号控制下转向造成的延误也会影响用户的出行路径选择。并且道路维修、交通事故和自然灾害等也可能导致交通拥堵和交叉口的额外延误。因此，为了适应现代交通控制和运行场景，SUE必须针对具有交叉口转向流量和延误阻抗的更详细的交通网络进行扩展。
发明内容：
针对上述现有技术存在的问题，本发明提出了一种一致性电动汽车充电负荷时空分布预测方法。该方法具有明确的系统优化目标和准确的解析表达式，可以通过稳定的迭代计算实现对电动汽车行驶和充电行为的有效模拟，并保证预测结果与实际匹配交通状态下相同信息的一致性，还可基于此实现对多个实际难以获取场景的影响的量化分析。
本发明解决其现实问题是采取以下技术方案实现的：
1、一种一致性电动汽车充电负荷时空分布预测方法，所述方法基于随机用户均衡理论进行一致性负荷预测，所述基于随机用户均衡理论的一致性负荷预测包括数据采集及信息生成模块、交通网络模型建立及初始化模块、交通阻抗信息计算模块、随机交通分配模块、交通状态更新模块和收敛测试模块，包括如下步骤：
数据采集及信息生成模块，根据采集的交通网络参数及历史数据和电动汽车性能及出行数据生成含电动汽车在内的车辆出行信息；
交通网络模型建立及初始化模块，建立交通网络模型并初始化路段和转向流量/饱和度状态；
交通阻抗信息计算模块，基于当前交通状态获取路段、转向和电动汽车单位里程能耗等交通阻抗信息；
随机交通分配模块，基于随机用户均衡理论、电动汽车出行链和充电模型，采用MDK-SP算法计算电动汽车及剩余车辆的出行信息，获取当前交通阻抗信息下电动汽车的出行和充电行为；
交通状态更新模块，采用如下公式更新交通网络模型的路段和转向流量状态：
Figure BDA0003873788770000031
Figure BDA0003873788770000032
其中，n为迭代次数；
Figure BDA0003873788770000033
和
Figure BDA0003873788770000034
分别为第n次迭代中t时段(i,j)的路段流量和路段附加流量；
Figure BDA0003873788770000035
和
Figure BDA0003873788770000036
分别为第n次迭代中t时段(i,j,l)的交叉口转向流量和交叉口转向附加流量；
收敛测试模块，判断交通网络模型路段和转向饱和度是否满足如下收敛公式，若满足则输出电动汽车充电负荷的时空分布和匹配的交通流量/饱和度：
Figure BDA0003873788770000037
或n≥最大迭代次数
TEST(t)＝max{COL(t),COT(t)}
Figure BDA0003873788770000038
Figure BDA0003873788770000039
其中，
Figure BDA00038737887700000310
为第n次迭代中t时段(i,j)的路段饱和度；
Figure BDA00038737887700000311
为第n次迭代中t时段(i,j,l)的交叉口转向饱和度；
2、进一步，所述随机交通分配模块包括电动汽车出行链单元、电动汽车可达性和充电单元，所述随机交通分配模块基于随机用户均衡理论、电动汽车出行链和充电单元，采用MDK-SP算法计算电动汽车及剩余车辆的出行信息，获取当前交通阻抗信息下电动汽车的出行和充电行为；
所述电动汽车出行链单元基于空间链、时间链和充电状态链，计算电动汽车的出行信息；
所述电动汽车可达性和充电单元根据电动汽车的出行数据信息修正电动汽车的出行计划并计算其充电信息；
进一步，所述随机交通分配模块根据电动汽车出行和充电信息，计算交通网络模型中所有车辆的每小时附加流量，包括如下步骤：
基于所有电动汽车的出行信息，统计得到其每小时出行需求OD矩阵；
计算得到剩余车辆每小时出行需求OD矩阵并按照如下公式进行随机流量分配获得剩余车辆每小时附加流量，从而得到路网整体所有车辆的每小时附加流量，包括路段附加流量
Figure BDA0003873788770000041
和交叉口转向附加流量
Figure BDA0003873788770000042
Figure BDA0003873788770000043
Figure BDA0003873788770000044
其中，
Figure BDA0003873788770000045
是从OD对(r,s)的可行路径集Krs中选择路径k的概率；qrs为(r,s)的出行需求；如果(r,s)的第k条路径经过路段(i,j)或交叉口转向(i,j,l)，
Figure BDA0003873788770000046
或
Figure BDA0003873788770000047
否则，
Figure BDA0003873788770000048
或
Figure BDA0003873788770000049
3、进一步，所述电动汽车出行链单元基于空间链、时间链和充电状态链，计算电动汽车的出行信息：
3.1、所述空间链中节点代表用户的出行起始地或目的地，两节点间的连线代表用户的行驶路径，起始地r到目的地s的行驶里程为mrs，r＝s-1(s>1)；其中：
提取各电动汽车的初始出行计划；
采用MDK-SP算法计算起始地r和目的地s间的可行路径集；
各电动汽车依据路径选择概率在可行路径集中随机选择起始地目的地间的行驶路径；其对应行驶里程mrs可计算如下：
Figure BDA00038737887700000410
其中，p代表从r到s的选定路径；lij为路段(i,j)的长度；如果该起始地目的地OD对(r,s)的第p条路径经过路段(i,j)，
Figure BDA00038737887700000411
否则，
Figure BDA00038737887700000412
所述电动汽车路径选择概率为：
Figure BDA00038737887700000413
其中，
Figure BDA00038737887700000414
是从OD对(r,s)的可行路径集Krs中选择路径k的概率；
Figure BDA00038737887700000415
是路径h∈Krs的出行成本；θ是反映司机对出行成本感知的综合衡量参数；
3.2、所述时间链中节点代表时刻，两节点间的连线代表时间段；
Figure BDA0003873788770000051
和
Figure BDA0003873788770000052
分别代表每日行程的开始时间和结束时间；
Figure BDA0003873788770000053
和
Figure BDA0003873788770000054
分别表示到达目的地s和离开起始地r的时间；
Figure BDA0003873788770000055
表示从起始地r到目的地s的出行时间成本。
Figure BDA0003873788770000056
代表在目的地s的停留时间。其中：
提取各电动汽车日行程开始时间
Figure BDA0003873788770000057
计算各电动汽车从各r到s的路径的实际出行时间成本
Figure BDA0003873788770000058
Figure BDA0003873788770000059
其中，ta(xij)为路段(i,j)的出行时间成本；tn(yijl)为交叉口转向(i,j,l)的延误时间成本；
计算各电动汽车到达各目的地时间
Figure BDA00038737887700000510
Figure BDA00038737887700000511
计算各电动汽车离开各起始地时间
Figure BDA00038737887700000512
Figure BDA00038737887700000513
其中，W是工作区节点集。
Figure BDA00038737887700000514
和
Figure BDA00038737887700000515
分别是各电动汽车在工作区和非工作区节点的停留时间；
3.3、所述充电状态(SOC)链中节点代表电动汽车的SOC，两节点间的连线代表SOC的变化值；
Figure BDA00038737887700000516
和
Figure BDA00038737887700000517
分别表示每日行程的开始SOC和结束SOC；
Figure BDA00038737887700000518
和
Figure BDA00038737887700000519
分别表示到达目的地s和离开起始地r的SOC；
Figure BDA00038737887700000520
表示从起始地r到目的地s的SOC消耗。
Figure BDA00038737887700000521
表示目的地s处的充电SOC。其中：
获取各电动汽车日行程开始SOC
Figure BDA00038737887700000522
可根据用户习惯或相关统计报告获取；
计算各电动汽车各目的地间的出行SOC成本：电动汽车从r行驶到s所消耗的百分比电量
Figure BDA00038737887700000523
可以计算如下：
Figure BDA00038737887700000524
其中，wij是电动汽车行驶1公里的耗电量；B是电动汽车电池容量；
计算各电动汽车到达各目的地SOC
Figure BDA00038737887700000525
Figure BDA00038737887700000526
计算各电动汽车离开各起始地SOC
Figure BDA00038737887700000527
(r>1)：
Figure BDA0003873788770000061
4、进一步，所述电动汽车可达性和充电单元根据电动汽车的出行数据信息修正电动汽车的出行计划并计算其充电信息；
4.1、基于电动汽车出行计划可达性单元修正各电动汽车各起始地目的地对；
为确保电动汽车的出行计划可达，从r到s选定路径的SOC消耗
Figure BDA0003873788770000062
必须满足以下条件：
Figure BDA0003873788770000063
否则，需对电动汽车的该次出行起始地和目的地进行如下修正：
(r,s)→(r,s′)∪(s′,s)
其中，s′是(r,s)所选路径中离r最远并满足公式
Figure BDA00038737887700000612
的节点；
4.2、基于充电可达性和充电单元计算各电动汽车各起始地目的地对中的充电信息；
(1)对于各起始地目的地对，当起始地为工作区节点时，电动汽车就地慢充并依据如下公式更新充电信息：
在满足用户下一次出行需求的情况下，电动汽车在起始地r的最小和最大慢充持续时间可计算如下：
Figure BDA0003873788770000064
Figure BDA0003873788770000065
其中，
Figure BDA0003873788770000066
和
Figure BDA0003873788770000067
分别是起始地r处电动汽车的最小和最大慢充持续时间；SOCSC为慢充目标SOC，PSC为慢充功率；
电动汽车慢充持续时间
Figure BDA0003873788770000068
可计算如下：
Figure BDA0003873788770000069
其中，middle(·)代表取一组数字的中间值；
在目的地s-1的停留时间及充电SOC需要更新如下：
Figure BDA00038737887700000610
Figure BDA00038737887700000611
然后，直接前往目的地并更新起始地目的地间的出行链信息；
(2)判断电动汽车是否满足充电条件：
若SOC满足如下条件，则用户需对电动汽车充电：
Figure BDA0003873788770000071
其中，SOCD是剩余SOC的安全阈值；
不满足则直接前往目的地并更新起始地目的地间的出行链信息；
(3)判断是否满足起始地快充条件：
若满足条件节点r∈F，电动汽车直接在起始地r快充并依据如下公式更新充电信息：其中，F是快速充电点集合；
用户在起始地r的就地快充持续时间
Figure BDA0003873788770000072
停留时间
Figure BDA0003873788770000073
和充电SOC
Figure BDA0003873788770000074
可计算如下：
Figure BDA0003873788770000075
Figure BDA0003873788770000076
Figure BDA0003873788770000077
然后，直接前往目的地并更新起始地目的地间的出行链信息；
(4)基于电动汽车充电可达性单元判断电动汽车非起始地快充可行性：
非起始地快充电动汽车必须满足如下条件，否则，电动汽车就地慢充并更新充电信息，然后，直接前往目的地并更新起始地目的地间的出行链信息：
Figure BDA0003873788770000078
Figure BDA0003873788770000079
其中，f是电动汽车感知出行时间成本最低的快速充电点；
(5)判断电动汽车是否满足目的地快充条件：
当满足条件s＝f或s′＝f时，电动汽车不充电直接前往目的地并更新起始地目的地间的出行链信息；
(6)判断电动汽车是否满足异地快充条件：
异地快充电动汽车需满足条件
Figure BDA00038737887700000710
若满足则电动汽车前往f异地快充并依据如下公式更新充电信息；其中，
Figure BDA00038737887700000711
和
Figure BDA00038737887700000712
分别为异地快充和本地慢充后到达目的地s的时间：
用户在快充点f的异地快充持续时间
Figure BDA00038737887700000713
停留时间
Figure BDA00038737887700000714
和充电SOC
Figure BDA00038737887700000715
可计算如下：
Figure BDA00038737887700000716
Figure BDA00038737887700000717
Figure BDA00038737887700000718
其中，SOCFC是快充目标SOC，PFC是快速充电功率；
否则电动汽车就地慢充并依据如下公式更新充电信息：
在满足用户下一次出行需求的情况下，电动汽车在起始地r的最小和最大慢充持续时间可计算如下：
Figure BDA0003873788770000081
Figure BDA0003873788770000082
其中，
Figure BDA0003873788770000083
和
Figure BDA0003873788770000084
分别是起始地r处电动汽车的最小和最大慢充持续时间。SOCSC为慢充目标SOC，PSC为慢充功率。
电动汽车慢充持续时间
Figure BDA0003873788770000085
可计算如下：
Figure BDA0003873788770000086
其中，middle(·)代表取一组数字的中间值。
在目的地s-1的停留时间及充电SOC需要更新如下：
Figure BDA0003873788770000087
Figure BDA0003873788770000088
然后，直接前往目的地并更新起始地目的地间的出行链信息。
有益效果：
1)首次提出基于SUE和出行链的一致性电动汽车充电负荷预测框架，能够有效反映匹配交通状态下电动汽车的实际行为；
2)提出了扩展的基于logit的SUE和等效数学模型，以获得更详细的交叉口转向流量和延误等交通状态；
3)建立了改进的电动汽车出行链和充电模型，以表征电动汽车的SOC的同时确保用户出行路径的可达性和实际充电选择的多样性；
4)对连续平均法(MSA)和基于Dijkstra的K最短路算法进行了改进并结合，以稳定收敛的方式迭代求解所提出的框架。
附图说明：
图1是本发明一种一致性电动汽车充电负荷时空分布预测方法流程图；
图2是本发明一种一致性电动汽车充电负荷时空分布预测方法中电动汽车出行链单元结构示意图。
具体实施方式
下面结合附图对本发明做出详细地说明：
如图1所示，本发明提供基于随机用户均衡的一致性电动汽车充电负荷时空分布预测方法，包括如下步骤：
步骤1生成出行信息
基于交通网络参数、历史交通数据、电动汽车性能参数和用户出行调查数据，生成区域所有车辆的出行信息。
步骤1.1获取全网每日每小时出行需求
在没有实际OD矩阵的情况下，可根据历史交通数据采用交通仿真软件TransCAD中的OD矩阵估计模块获取全网每日每小时出行需求。
步骤1.2获取所有电动汽车初始出行信息
步骤1.2.1获取所有电动汽车初始出行时间特征
根据美国家庭出行调查(NHTS)的最新统计数据，可以提取用户每日出行时间特征。采用具有更好多分布适应能力的非参数核密度估计(KDE)方法，可得到日行程开始时间、工作区/非工作区目的地停留时间等特征的分布。依据分布随机抽取，可得到所有电动汽车对应的出行时间特征。
步骤1.2.2获取所有电动汽车初始出行计划
对于所有电动汽车，通过基于活动的抽样方法获得其出行计划。首先，根据私人用户平日出行特点，将住宅区设置为用户日常出行的起点和终点，出行目的地包括工作区、商场、医院、住宅区(即中途返家)和景区。然后，变量活动的统计概率用于对电动汽车的行程安排进行抽样。值得注意的是，如果包括工作区域，则应放置在第一个位置，如果用户在一天中途返回家中，则应放置在除开始和结束之外的随机位置。其余目的地可以随机安排。最后通过均匀抽样确定实际的目的节点。
步骤2初始化
步骤2.1建立详细交通网络模型
考虑交叉口转向流量和延误，详细的交通网络可用有向图G(N,A,T)表示。N、A和T分别代表节点、路段和交叉口转向集合。节点i∈N到节点j∈N的路段用(i,j)∈A表示，路段流量定义为xij。从路段(i,j)∈A到(j,l)∈A的交叉口转向用(i,j,l)∈T表示，转向流量定义为yijl。
步骤2.2初始化交通状态
使用历史每小时路段和交叉口转向流量/饱和度来初始化预测区域的交通状态。
步骤3更新出行阻抗
基于区域交通状态，更新每小时路段、转向和电动汽车SOC的阻抗(为保证行文简洁，该部分公式省略所有时间变量t)。
步骤3.1更新路段阻抗
采用如公式(1)所示的美国道路局(BPR)模型计算路段(i,j)的出行时间成本ta(xij)。
Figure BDA0003873788770000101
tij,0＝lij/vij,0 (2)
Figure BDA0003873788770000102
其中，tij,0为(i,j)的自由流出行成本，其等于道路长度lij除以设计速度vij,0；
Figure BDA0003873788770000103
为(i,j)的饱和度，它等于(i,j)的路段流量xij除以通行能力Capij；αij和βij为不同道路等级下的自适应系数。步骤3.2更新交叉口转向阻抗
交叉口转向(i,j,l)的延误时间成本tn(yijl)可通过如公式(4)所示的Webster延误模型计算。
tn(yijl)＝PF·t′n(yijl)+t″n(yijl) (4)
Figure BDA0003873788770000104
Figure BDA0003873788770000105
Figure BDA0003873788770000106
其中，PF是考虑交叉口协调或控制器类型的进步系数；t′n(yijl)代表由公式(5)计算的均匀延误成本，Cijl和gijl分别为(i,j,l)的信号周期时长和有效绿灯时长；如公式(7)所示，
Figure BDA0003873788770000107
为(i,j,l)的饱和度，其等于(i,j,l)的转向流量yijl除以通行能力Capijl；t″n(yijl)代表由公式(6)计算的增量延误成本，△T为分析时长，k和I分别为增量延误系数和上游过滤系数。
步骤3.3更新电动汽车SOC阻抗
如公式(8)所示，电动汽车的单位里程能耗为出行时间成本ta(xij)的函数，可依据区域实测数据提取得到。
Figure BDA0003873788770000108
其中，wij是电动汽车行驶1公里的耗电量，
Figure BDA0003873788770000109
代表(i,j)的道路等级。
步骤4随机交通分配
在随机用户均衡网络中，没有司机可以通过单方面改变路线来改善他/她的感知出行时间。然而传统的SUE模型忽略了实际交通网络中的交叉口转向流量和延误。而对于考虑交叉口状态的详细交通网络，扩展的基于logit的SUE(EL-SUE)的条件应表述为
Figure BDA0003873788770000111
Figure BDA0003873788770000112
Figure BDA0003873788770000113
Figure BDA0003873788770000114
其中，(r,s)是一组OD对，其出行需求qrs在路径集Krs中分配；
Figure BDA0003873788770000115
是路径k∈Krs的流量；如果该OD对的第k条路径经过路段(i,j)或交叉口转向(i,j,l)，
Figure BDA0003873788770000116
或
Figure BDA0003873788770000117
否则，
Figure BDA0003873788770000118
或
Figure BDA0003873788770000119
公式(9)描述了路径流量和OD需求之间的关系，而公式(10)-(11)描述了路段流量或转向流量与路径流量间的关系。注意，路段流量和转向流量将依据路径流量同时确定。而公式(12)是路径流量的非负性约束。
对于给定的OD出行矩阵和网络参数，具有简单数学结构的MNL模型被选择以将随机的车辆行程分配到交通网络中。路径选择概率如下所示
Figure BDA00038737887700001110
Figure BDA00038737887700001111
其中，
Figure BDA00038737887700001112
是从OD对(r,s)的可行路径集Krs中选择路径k的概率。
Figure BDA00038737887700001113
是路径h∈Krs的出行成本。θ是反映司机对出行成本感知的综合衡量参数。
然后，随机流量分配可以基于下式实现：
Figure BDA00038737887700001114
Figure BDA00038737887700001115
为满足上述条件，在Sheffi和Powell所提传统SUE模型的等效公式基础上，对考虑交叉口状态的EL-SUE模型的等价公式需扩展如下：
Figure BDA00038737887700001116
Figure BDA00038737887700001117
Figure BDA00038737887700001118
其中，Srs是表示(r,s)的期望感知出行成本的满意度函数。
Figure BDA00038737887700001119
是路径k从r到s的感知出行成本，其由确定项
Figure BDA0003873788770000121
和随机误差项
Figure BDA0003873788770000122
组成。对于logit模型，
Figure BDA0003873788770000123
遵循Gumbel分布，因此Srs可由公式(20)给出。
Figure BDA0003873788770000124
步骤4.1基于改进的考虑SOC的电动汽车出行链计算各电动汽车的出行信息
如图2所示，在改进的出行链模型中加入了一个SOC链以表征电动汽车的SOC特征。其所涉及的变量和公式如下所示：
1)空间链：节点代表用户的出行起始地或目的地，两节点间的连线代表用户的行驶路径，起始地r到目的地s的行驶里程为mrs，r＝s-1(s>1)。
2)时间链：节点代表时刻，两节点间的连线代表时间段。
Figure BDA0003873788770000125
和
Figure BDA0003873788770000126
分别代表每日行程的开始时间和结束时间。
Figure BDA0003873788770000127
和
Figure BDA0003873788770000128
分别表示到达目的地s和离开起始地r的时间。虚线和对应的
Figure BDA0003873788770000129
表示从起始地r到目的地s的出行时间成本。实线和对应的
Figure BDA00038737887700001210
代表在目的地s的停留时间。
3)SOC链：节点代表电动汽车的SOC，两节点间的连线代表SOC的变化值。
Figure BDA00038737887700001211
和
Figure BDA00038737887700001212
分别表示每日行程的开始SOC和结束SOC。
Figure BDA00038737887700001213
和
Figure BDA00038737887700001214
分别表示到达目的地s和离开起始地r的SOC。虚线和对应的
Figure BDA00038737887700001215
表示从起始地r到目的地s的SOC消耗。实线和对应的
Figure BDA00038737887700001216
表示目的地s处的充电SOC。
步骤4.1.1计算各电动汽车的空间链信息
步骤4.1.1.1提取各电动汽车的初始出行计划
步骤4.1.1.2计算各电动汽车各对起始地目的地(r,s)间的路径和行驶里程
1)计算起始地r和目的地s间的可行路径集
对于EL-SUE模型，用户可行路径的计算必须同时考虑路段行驶成本和交叉口转向延误。
因此提出如下所示的改进的基于Dijkstra的K最短路径(MDK-SP)算法实现可行路径集的计算。
Figure BDA00038737887700001217
Figure BDA0003873788770000131
Figure BDA0003873788770000132
Figure BDA0003873788770000141
2)各电动汽车依据公式(13)所得概率在可行路径集中随机选择起始地目的地间的行驶路径。其对应行驶里程mrs可计算如下：
Figure BDA0003873788770000151
其中，p代表从r到s的选定路径。
步骤4.1.2计算各电动汽车的时间链信息
步骤4.1.2.1提取各电动汽车日行程开始时间
Figure BDA0003873788770000152
步骤4.1.2.2计算各电动汽车各目的地间出行时间成本
Figure BDA0003873788770000153
用户选定的从r到s的路径的实际出行时间成本
Figure BDA0003873788770000154
可依据公式(14)计算。
步骤4.1.2.3计算各电动汽车到达各目的地时间
Figure BDA0003873788770000155
Figure BDA0003873788770000156
步骤4.1.2.4计算各电动汽车离开各起始地时间
Figure BDA0003873788770000157
Figure BDA0003873788770000158
其中，W是工作区节点集。
Figure BDA0003873788770000159
和
Figure BDA00038737887700001510
分别是各电动汽车在工作区和非工作区节点的停留时间。
步骤4.1.3计算各电动汽车的SOC链信息
步骤4.1.3.1获取各电动汽车日行程开始SOC
Figure BDA00038737887700001511
可根据用户习惯或相关统计报告获取各电动汽车日行程开始SOC
Figure BDA00038737887700001512
步骤4.1.3.2计算各电动汽车各目的地间的出行SOC成本
电动汽车从r行驶到s所消耗的百分比电量
Figure BDA00038737887700001513
可以计算如下：
Figure BDA00038737887700001514
其中，B是电动汽车电池容量。
步骤4.1.3.3计算各电动汽车到达各目的地SOC
Figure BDA00038737887700001515
Figure BDA00038737887700001516
步骤4.1.3.4计算各电动汽车离开各起始地SOC
Figure BDA00038737887700001517
Figure BDA00038737887700001518
步骤4.2基于多因素限制的电动汽车可达性和充电模型修正各电动汽车的出行计划并计算其充电信息
步骤4.2.1基于电动汽车出行计划可达性模型修正各电动汽车各起始地目的地对
为确保电动汽车的出行计划可达，从r到s选定路径的SOC消耗
Figure BDA00038737887700001519
必须满足以下条件：
Figure BDA0003873788770000161
否则，需对电动汽车的该次出行起始地和目的地进行如下修正：
(r,s)→(r,s′)∪(s′,s) (28)
其中，s′是(r,s)所选路径中离r最远并满足公式(27)的节点。
步骤4.2.2假设所有地点都可以进行慢速充电，并且只有部分地点具有快速充电点，基于充电可达性模型和充电模型计算各电动汽车各起始地目的地对中的充电信息
步骤4.2.2.1对于各起始地目的地对，当起始地为工作区节点时，电动汽车就地慢充并依据公式(29)-(33)更新充电信息，然后前往步骤4.2.2.7
在满足用户下一次出行需求的情况下，电动汽车在起始地r的最小和最大慢充持续时间可计算如下：
Figure BDA0003873788770000162
Figure BDA0003873788770000163
其中，
Figure BDA0003873788770000164
和
Figure BDA0003873788770000165
分别是起始地r处电动汽车的最小和最大慢充持续时间。SOCSC为慢充目标SOC，PSC为慢充功率。
电动汽车慢充持续时间
Figure BDA0003873788770000166
可计算如下：
Figure BDA0003873788770000167
其中，middle(·)代表取一组数字的中间值。
在目的地s-1的停留时间及充电SOC需要更新如下：
Figure BDA0003873788770000168
Figure BDA0003873788770000169
步骤4.2.2.2判断电动汽车是否满足充电条件
若SOC满足条件(34)，则用户需对电动汽车充电，不满足则前往步骤4.2.2.7。
Figure BDA00038737887700001610
其中，SOCD是剩余SOC的安全阈值。
步骤4.2.2.3判断是否满足起始地快充条件
若满足条件(35)，电动汽车直接在起始地r快充并依据公式(36)-(38)更新充电信息，然后前往步骤4.2.2.7。
节点r∈F (35)
其中，F是快速充电点集合。
用户在起始地r的就地快充持续时间
Figure BDA0003873788770000171
停留时间
Figure BDA0003873788770000172
和充电SOC
Figure BDA0003873788770000173
可计算如下：
Figure BDA0003873788770000174
Figure BDA0003873788770000175
Figure BDA0003873788770000176
步骤4.2.2.4基于电动汽车充电可达性模型判断电动汽车非起始地快充可行性
非起始地快充电动汽车必须满足条件(39)-(40)，否则，电动汽车就地慢充并依据公式(29)-(33)更新充电信息，然后前往步骤4.2.2.7。
Figure BDA0003873788770000177
Figure BDA0003873788770000178
其中，f是电动汽车感知出行时间成本最低的快速充电点。
步骤4.2.2.5判断电动汽车是否满足目的地快充条件
当满足条件(41)时，电动汽车不充电直接前往步骤4.2.2.7。
s＝f或s′＝f (41)
步骤4.2.2.6判断电动汽车是否满足异地快充条件
异地快充电动汽车需满足条件(42)，若满足则电动汽车前往f异地快充并依据公式(43)-(45)更新充电信息；否则电动汽车就地慢充并依据公式(29)-(33)更新充电信息。
Figure BDA0003873788770000179
其中，
Figure BDA00038737887700001710
和
Figure BDA00038737887700001711
分别为异地快充和本地慢充后到达目的地s的时间。
用户在快充点f的异地快充持续时间
Figure BDA00038737887700001712
停留时间
Figure BDA00038737887700001713
和充电SOC
Figure BDA00038737887700001714
可计算如下：
Figure BDA00038737887700001715
Figure BDA00038737887700001716
Figure BDA00038737887700001717
其中，SOCFC是快充目标SOC，PFC是快速充电功率。
步骤4.2.2.7直接前往目的地，并依据公式(21)-(26)更新起始地目的地间的出行链信息
步骤4.3计算路网整体所有车辆的每小时附加流量
步骤4.3.1所有电动汽车各起始地目的地对信息计算完成后，统计得到所有电动汽车的每小时出行需求OD矩阵及电动汽车每小时附加流量
步骤4.3.2计算得到剩余车辆每小时出行需求OD矩阵，并基于公式(15)-(16)进行随机流量分配，获得剩余车辆每小时附加流量，从而得到路网整体所有车辆的每小时附加流量，包括路段附加流量
Figure BDA0003873788770000181
和交叉口转向附加流量
Figure BDA0003873788770000182
步骤5更新路段和转向流量
基于公式(46)-(47)更新每小时路网的路段流量和交叉口转向流量。
Figure BDA0003873788770000183
Figure BDA0003873788770000184
步骤6收敛测试
若满足条件(48)，计算终止并统计得到电动汽车充电负荷的时空分布和匹配的交通流量/饱和度；否则，令迭代次数n＝n+1，并返回步骤3。
Figure BDA0003873788770000185
TEST(t)＝max{COL(t),COT(t)} (49)
Figure BDA0003873788770000186
Figure BDA0003873788770000187
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (4)

1.一种一致性电动汽车充电负荷时空分布预测方法，所述方法基于随机用户均衡理论进行一致性负荷预测，其特征在于：所述基于随机用户均衡理论的一致性负荷预测包括数据采集及信息生成模块、交通网络模型建立及初始化模块、交通阻抗信息计算模块、随机交通分配模块、交通状态更新模块和收敛测试模块，包括如下步骤：
数据采集及信息生成模块，根据采集的交通网络参数及历史数据和电动汽车性能及出行数据生成含电动汽车在内的车辆出行信息；
交通网络模型建立及初始化模块，建立交通网络模型并初始化路段和转向流量/饱和度状态；
交通阻抗信息计算模块，基于当前交通状态获取路段、转向和电动汽车单位里程能耗等交通阻抗信息；
随机交通分配模块，基于随机用户均衡理论、电动汽车出行链和充电模型，采用MDK-SP算法计算电动汽车及剩余车辆的出行信息，获取当前交通阻抗信息下电动汽车的出行和充电行为；
交通状态更新模块，采用如下公式更新交通网络模型的路段和转向流量状态：
Figure FDA0003873788760000011
Figure FDA0003873788760000012
其中，n为迭代次数；
Figure FDA0003873788760000013
和
Figure FDA0003873788760000014
分别为第n次迭代中t时段(i,j)的路段流量和路段附加流量；
Figure FDA0003873788760000015
和
Figure FDA0003873788760000016
分别为第n次迭代中t时段(i,j,l)的交叉口转向流量和交叉口转向附加流量；
收敛测试模块，判断交通网络模型路段和转向饱和度是否满足如下收敛公式，若满足则输出电动汽车充电负荷的时空分布和匹配的交通流量/饱和度：
Figure FDA0003873788760000017
或n≥最大迭代次数
TEST(t)＝max{COL(t),COT(t)}
Figure FDA0003873788760000018
Figure FDA0003873788760000019
其中，
Figure FDA00038737887600000110
为第n次迭代中t时段(i,j)的路段饱和度；
Figure FDA00038737887600000111
为第n次迭代中t时段(i,j,l)的交叉口转向饱和度。
2.根据权利要求所述的一种一致性电动汽车充电负荷时空分布预测方法，其特征在于：所述随机交通分配模块包括电动汽车出行链单元、电动汽车可达性和充电单元，所述随机交通分配模块基于随机用户均衡理论、电动汽车出行链和充电单元，采用MDK-SP算法计算电动汽车及剩余车辆的出行信息，获取当前交通阻抗信息下电动汽车的出行和充电行为；
所述电动汽车出行链单元基于空间链、时间链和充电状态链，计算电动汽车的出行信息；
所述电动汽车可达性和充电单元根据电动汽车的出行数据信息修正电动汽车的出行计划并计算其充电信息；
所述随机交通分配模块根据电动汽车出行和充电信息，计算交通网络模型中所有车辆的每小时附加流量，包括如下步骤：
基于所有电动汽车的出行信息，统计得到其每小时出行需求OD矩阵；
计算得到剩余车辆每小时出行需求OD矩阵并按照如下公式进行随机流量分配获得剩余车辆每小时附加流量，从而得到路网整体所有车辆的每小时附加流量，包括路段附加流量
Figure FDA0003873788760000021
和交叉口转向附加流量
Figure FDA0003873788760000022
Figure FDA0003873788760000023
Figure FDA0003873788760000024
其中，
Figure FDA0003873788760000025
是从OD对(r,s)的可行路径集Krs中选择路径k的概率；qrs为(r,s)的出行需求；如果(r,s)的第k条路径经过路段(i,j)或交叉口转向(i,j,l)，
Figure FDA0003873788760000026
或
Figure FDA0003873788760000027
否则，
Figure FDA0003873788760000028
或
Figure FDA0003873788760000029
3.根据权利要求2所述的一种一致性电动汽车充电负荷时空分布预测方法，其特征在于：所述电动汽车出行链单元基于空间链、时间链和充电状态链，计算电动汽车的出行信息：
3.1、所述空间链中节点代表用户的出行起始地或目的地，两节点间的连线代表用户的行驶路径，起始地r到目的地s的行驶里程为mrs，r＝s-1(s>1)；其中：
提取各电动汽车的初始出行计划；
采用MDK-SP算法计算起始地r和目的地s间的可行路径集；
各电动汽车依据路径选择概率在可行路径集中随机选择起始地目的地间的行驶路径；其对应行驶里程mrs可计算如下：
Figure FDA00038737887600000210
其中，p代表从r到s的选定路径；lij为路段(i,j)的长度；如果该起始地目的地OD对(r,s)的第p条路径经过路段(i,j)，
Figure FDA00038737887600000211
否则，
Figure FDA00038737887600000212
所述电动汽车路径选择概率为：
Figure FDA0003873788760000031
其中，
Figure FDA0003873788760000032
是从OD对(r,s)的可行路径集Krs中选择路径k的概率；
Figure FDA0003873788760000033
是路径h∈Krs的出行成本；θ是反映司机对出行成本感知的综合衡量参数；
3.2、所述时间链中节点代表时刻，两节点间的连线代表时间段；
Figure FDA0003873788760000034
和
Figure FDA0003873788760000035
分别代表每日行程的开始时间和结束时间；
Figure FDA0003873788760000036
和
Figure FDA0003873788760000037
分别表示到达目的地s和离开起始地r的时间；
Figure FDA0003873788760000038
表示从起始地r到目的地s的出行时间成本；
Figure FDA0003873788760000039
代表在目的地s的停留时间；其中：
提取各电动汽车日行程开始时间
Figure FDA00038737887600000310
计算各电动汽车从各r到s的路径的实际出行时间成本
Figure FDA00038737887600000311
Figure FDA00038737887600000312
其中，ta(xij)为路段(i,j)的出行时间成本；tn(yijl)为交叉口转向(i,j,l)的延误时间成本；
计算各电动汽车到达各目的地时间
Figure FDA00038737887600000313
Figure FDA00038737887600000314
计算各电动汽车离开各起始地时间
Figure FDA00038737887600000315
Figure FDA00038737887600000316
其中，W是工作区节点集。
Figure FDA00038737887600000317
和
Figure FDA00038737887600000318
分别是各电动汽车在工作区和非工作区节点的停留时间；
3.3、所述充电状态(SOC)链中节点代表电动汽车的SOC，两节点间的连线代表SOC的变化值；
Figure FDA00038737887600000319
和
Figure FDA00038737887600000320
分别表示每日行程的开始SOC和结束SOC；
Figure FDA00038737887600000321
和
Figure FDA00038737887600000322
分别表示到达目的地s和离开起始地r的SOC；
Figure FDA00038737887600000323
表示从起始地r到目的地s的SOC消耗。
Figure FDA00038737887600000324
表示目的地s处的充电SOC。其中：
获取各电动汽车日行程开始SOC
Figure FDA00038737887600000325
可根据用户习惯或相关统计报告获取；
计算各电动汽车各目的地间的出行SOC成本：电动汽车从r行驶到s所消耗的百分比电量
Figure FDA00038737887600000326
可以计算如下：
Figure FDA00038737887600000327
其中，wij是电动汽车行驶1公里的耗电量；B是电动汽车电池容量；
计算各电动汽车到达各目的地SOC
Figure FDA0003873788760000041
Figure FDA0003873788760000042
计算各电动汽车离开各起始地SOC
Figure FDA0003873788760000043
Figure FDA0003873788760000044
。
4.根据权利要求2所述的一种一致性电动汽车充电负荷时空分布预测方法，其特征在于：所述电动汽车可达性和充电单元根据电动汽车的出行数据信息修正电动汽车的出行计划并计算其充电信息；
4.1、基于电动汽车出行计划可达性单元修正各电动汽车各起始地目的地对；
为确保电动汽车的出行计划可达，从r到s选定路径的SOC消耗
Figure FDA0003873788760000045
必须满足以下条件：
Figure FDA0003873788760000046
否则，需对电动汽车的该次出行起始地和目的地进行如下修正：
(r,s)→(r,s′)∪(s′,s)
其中，s′是(r,s)所选路径中离r最远并满足公式
Figure FDA0003873788760000047
的节点；
4.2、基于充电可达性和充电单元计算各电动汽车各起始地目的地对中的充电信息；
(1)对于各起始地目的地对，当起始地为工作区节点时，电动汽车就地慢充并依据如下公式更新充电信息：
在满足用户下一次出行需求的情况下，电动汽车在起始地r的最小和最大慢充持续时间可计算如下：
Figure FDA0003873788760000048
Figure FDA0003873788760000049
其中，
Figure FDA00038737887600000410
和
Figure FDA00038737887600000411
分别是起始地r处电动汽车的最小和最大慢充持续时间；SOCSC为慢充目标SOC，PSC为慢充功率；
电动汽车慢充持续时间
Figure FDA00038737887600000412
可计算如下：
Figure FDA00038737887600000413
其中，middle(·)代表取一组数字的中间值；
在目的地s-1的停留时间及充电SOC需要更新如下：
Figure FDA0003873788760000051
Figure FDA0003873788760000052
然后，直接前往目的地并更新起始地目的地间的出行链信息；
(2)判断电动汽车是否满足充电条件：
若SOC满足如下条件，则用户需对电动汽车充电：
Figure FDA0003873788760000053
其中，SOCD是剩余SOC的安全阈值；
不满足则直接前往目的地并更新起始地目的地间的出行链信息；
(3)判断是否满足起始地快充条件：
若满足条件节点r∈F，电动汽车直接在起始地r快充并依据如下公式更新充电信息：其中，F是快速充电点集合；
用户在起始地r的就地快充持续时间
Figure FDA0003873788760000054
停留时间
Figure FDA0003873788760000055
和充电SOC
Figure FDA0003873788760000056
可计算如下：
Figure FDA0003873788760000057
Figure FDA0003873788760000058
Figure FDA0003873788760000059
然后，直接前往目的地并更新起始地目的地间的出行链信息；
(4)基于电动汽车充电可达性单元判断电动汽车非起始地快充可行性：
非起始地快充电动汽车必须满足如下条件，否则，电动汽车就地慢充并更新充电信息，然后，直接前往目的地并更新起始地目的地间的出行链信息：
Figure FDA00038737887600000510
Figure FDA00038737887600000511
其中，f是电动汽车感知出行时间成本最低的快速充电点；
(5)判断电动汽车是否满足目的地快充条件：
当满足条件s＝f或s′＝f时，电动汽车不充电直接前往目的地并更新起始地目的地间的出行链信息；
(6)判断电动汽车是否满足异地快充条件：
异地快充电动汽车需满足条件
Figure FDA00038737887600000512
若满足则电动汽车前往f异地快充并依据如下公式更新充电信息；其中，
Figure FDA0003873788760000061
和
Figure FDA0003873788760000062
分别为异地快充和本地慢充后到达目的地s的时间：
用户在快充点f的异地快充持续时间
Figure FDA0003873788760000063
停留时间
Figure FDA0003873788760000064
和充电SOC
Figure FDA0003873788760000065
可计算如下：
Figure FDA0003873788760000066
Figure FDA0003873788760000067
Figure FDA0003873788760000068
其中，SOCFC是快充目标SOC，PFC是快速充电功率；
否则电动汽车就地慢充并依据如下公式更新充电信息：
在满足用户下一次出行需求的情况下，电动汽车在起始地r的最小和最大慢充持续时间可计算如下：
Figure FDA0003873788760000069
Figure FDA00038737887600000610
其中，
Figure FDA00038737887600000611
和
Figure FDA00038737887600000612
分别是起始地r处电动汽车的最小和最大慢充持续时间。SOCSC为慢充目标SOC，PSC为慢充功率。
电动汽车慢充持续时间
Figure FDA00038737887600000613
可计算如下：
Figure FDA00038737887600000614
其中，middle(·)代表取一组数字的中间值。
在目的地s-1的停留时间及充电SOC需要更新如下：
Figure FDA00038737887600000615
Figure FDA00038737887600000616
然后，直接前往目的地并更新起始地目的地间的出行链信息。
CN202211205998.XA 2022-09-30 2022-09-30 一种一致性电动汽车充电负荷时空分布预测方法 Pending CN115495701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211205998.XA CN115495701A (zh) 2022-09-30 2022-09-30 一种一致性电动汽车充电负荷时空分布预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211205998.XA CN115495701A (zh) 2022-09-30 2022-09-30 一种一致性电动汽车充电负荷时空分布预测方法

Publications (1)

Publication Number Publication Date
CN115495701A true CN115495701A (zh) 2022-12-20

Family

ID=84472915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211205998.XA Pending CN115495701A (zh) 2022-09-30 2022-09-30 一种一致性电动汽车充电负荷时空分布预测方法

Country Status (1)

Country Link
CN (1) CN115495701A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117833240A (zh) * 2024-02-29 2024-04-05 江苏米特物联网科技有限公司 一种面向酒店场景的电动汽车充电负荷预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117833240A (zh) * 2024-02-29 2024-04-05 江苏米特物联网科技有限公司 一种面向酒店场景的电动汽车充电负荷预测方法

Similar Documents

Publication Publication Date Title
Alder Chinese roads in India: The effect of transport infrastructure on economic development
CN110428117B (zh) 城市轨道交通多场景下客流精准诱导方法及系统
TWI638328B (zh) 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置
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
Zhou et al. Dynamic micro-assignment modeling approach for integrated multimodal urban corridor management
CN110782070A (zh) 一种城市轨道交通突发事件客流时空分布预测方法
Chen et al. The α-reliable path problem in stochastic road networks with link correlations: A moment-matching-based path finding algorithm
CN104464310A (zh) 城市区域多交叉口信号协同优化控制方法及系统
Chen et al. Reliable shortest path finding in stochastic time-dependent road network with spatial-temporal link correlations: A case study from Beijing
CN109612488B (zh) 基于大数据微服务的混合出行方式路径规划系统及方法
CN111046576B (zh) 一种考虑双网信息的电动私家车充电负荷预测方法
Ziat et al. Joint prediction of road-traffic and parking occupancy over a city with representation learning
Bourbonnais et al. Transit network design using a genetic algorithm with integrated road network and disaggregated O–D demand data
JP2023175992A (ja) エネルギー供給システムおよび情報処理装置
CN115495701A (zh) 一种一致性电动汽车充电负荷时空分布预测方法
Tang et al. Modeling parking search on a network by using stochastic shortest paths with history dependence
Grubwinkler et al. A modular and dynamic approach to predict the energy consumption of electric vehicles
Hou et al. Towards efficient vacant taxis cruising guidance
Liu et al. Stochastic user equilibrium based spatial-temporal distribution prediction of electric vehicle charging load
Liu et al. Stochastic one-way carsharing systems with dynamic relocation incentives through preference learning
Ning et al. Robust and resilient equilibrium routing mechanism for traffic congestion mitigation built upon correlated equilibrium and distributed optimization
JP2020027023A (ja) 情報処理装置、情報処理方法及びコンピュータプログラム
Hasnine et al. Mode shift impacts of optimal time-dependent congestion pricing in large networks: A simulation-based case study in the greater toronto area
El Esawey et al. Calibration and validation of micro-simulation models of medium-size networks.
CN110674990A (zh) 设置滑动窗口更新机制的即时配送路径选择方法及系统

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