CN115510672A - 一种物联网感知环境下电动微出行车辆换电需求预测方法 - Google Patents
一种物联网感知环境下电动微出行车辆换电需求预测方法 Download PDFInfo
- Publication number
- CN115510672A CN115510672A CN202211248941.8A CN202211248941A CN115510672A CN 115510672 A CN115510672 A CN 115510672A CN 202211248941 A CN202211248941 A CN 202211248941A CN 115510672 A CN115510672 A CN 115510672A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- battery
- power
- station
- time
- 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 29
- 230000008447 perception Effects 0.000 title claims description 14
- 230000008859 change Effects 0.000 claims abstract description 84
- 238000006243 chemical reaction Methods 0.000 claims abstract description 40
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 8
- 230000005611 electricity Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 21
- 238000005265 energy consumption Methods 0.000 claims description 6
- 208000019901 Anxiety disease Diseases 0.000 claims description 4
- 230000036506 anxiety Effects 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 101100459912 Caenorhabditis elegans ncs-1 gene Proteins 0.000 claims 2
- 238000010835 comparative analysis Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 230000035699 permeability Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种物联网感知环境下电动微出行车辆换电需求预测方法,包括以下步骤:基于居民出行调查数据,提取电动车出行链,建立车辆行驶行为模型;基于待预测区域的交通路网数据,构建路网拓扑模型;基于电动车电池参数,出行特性,建立电动车每公里耗电量模型;基于后悔理论,建立考虑时间消耗和换电费用的换电站选择决策模型;最后,基于电动车出行数据、交通路网、换电站信息和用户决策等多源信息,采用蒙特卡洛仿真方法建立电动车换电需求预测框架,并在集中式和分散式换电站下进行对比分析。本发明能够精准预测电动车换电需求的时空分布,为电动车换电站布局及电网规划提供重要技术支撑。
Description
技术领域
本发明涉及电动车需求预测领域,具体涉及一种物联网感知环境下电动微出 行车辆换电需求预测方法。
背景技术
全球越来越多的城市正在将电动微出行车辆作为实现其净零碳排放目标的 可行选择。包括电动自行车、电动轻便摩托车和电动摩托车在内的电动车非常适 合满足城市居民中短途旅行的需求。充电设施不足或损坏,充电桩周转率低,导 致电动车用户充电困难,间接导致自行操作充电,如拉线或拆电池充电,容易引 发火灾事故,存在较大安全隐患。在这背景下,电动车智能换电技术应运而生。 换电技术可以实现“人电分离”和“车电分离”,有效提高电池充电安全系数,同时 降低用户里程焦虑和出行成本。因此,电动车换电符合当前的交通电气化可持续 发展定位,未来电动车充电将是传统充电与智能换电共生。推动电动车从单一充 电向充换电集成发展是解决充电难题的有效途径。
物联网感知环境下,电动车智能化、网联化技术应用也正在快速发展,这为 智能换电技术的发展提供了良好平台。规划化的电动车在城市道路上行驶,势必 会和交通网、换电站网络产生电能与信息的深度交融。电动车用户出行规律、城 市道路网络结构、城市功能区布局和电动车用户的换电决策等会影响电动车出行 分布和换电选择。多种信息交互和电动车用户选择行为的不确定性使得换电需求 在时空上表现出很强的随机性和无序性。因此,有必要综合考虑物联网感知环境 下的多源信息交互和电动车用户的行为决策对换电需求时空分布特征的影响。
发明内容
本发明目的:在于提供一种物联网感知环境下电动微出行车辆换电需求预测 方法,结合物联网感知环境下的多源信息和用户换电行为决策,对不同渗透率下 电动车换电需求的时空分布进行预测。
为实现以上功能,本发明设计一种物联网感知环境下电动微出行车辆换电需 求预测方法,针对目标城市区域中的电动车,执行如下步骤S1-步骤S5,完成目 标城市区域中电动车换电需求的预测:
步骤S1:分别针对目标城市区域中的各电动车,根据各电动车的起始地、 目的地、出行轨迹、出行时间,构建出行链,并将各电动车的起始地、目的地进 行分类,根据各电动车的出行链、初始电池电量,基于概率密度函数,进一步构 建各电动车分别所对应表征电动车出行特征的电动车驾驶行为模型;
步骤S2:根据目标城市区域的交通道路网络中各路段的关系、长度、道路 阻抗,构建表征交通道路网络路况特征的交通路网拓扑模型;
步骤S3:基于各电动车的电池参数、行驶里程、载客情况、剩余电量,构 建各电动车分别所对应电动车每公里耗电量模型;
步骤S4:基于目标城市区域中各换电站位置,结合前面几个模型,计算选 择各电动车分别由其实时所在位置到各换电站所对应的电动车换电成本,根据后 悔理论,构建各电动车分别所对应以电动车换电成本最小为目标的换电站选择决 策模型;
步骤S5:根据电动车驾驶行为模型、交通路网拓扑模型、电动车每公里耗 电量模型、换电站选择决策模型,采用蒙特卡洛仿真方法,分别基于换电站的分 散模式和集中模式,完成目标城市区域中电动车换电需求的预测。
作为本发明的一种优选技术方案:步骤S1的具体步骤如下:
步骤S11:采集目标城市区域中的各电动车的出行数据,包括起始地、目的 地、出行轨迹、出行时间,分别构建各电动车的出行链;
步骤S12:将电动车的目的地分为居民区、办公区、商业区三种类型,针对 起始地为居民区,目的地为非居民区的电动车,根据各电动车的出行链、目的地 所属类型、初始电池电量,基于概率密度函数,构建电动车驾驶行为模型如下式:
电动车首次出行时间:
式中,f(t0)为电动车首次出行时间的概率密度函数,t0为电动车首次出行时 间,σ0=1.35,μ0=6.53;
电动车出行距离:
式中,f(l)为电动车出行距离的概率密度函数,l为电动车出行距离, μl=5.35,σl=2.4;
电动车停车时长:
电动车初始电池电量:
式中,f(cp)为电动车初始电池电量的概率密度函数,cp为电动车初始电池 电量,μp=0.5,σp=0.1。
作为本发明的一种优选技术方案:步骤S2的具体步骤如下:
步骤S21:构建交通路网拓扑模型如下式:
式中,GT为交通道路网络,V表示交通道路网络中所有节点的集合,其中vi表 示节点i,集合中节点总数为n;E表示交通道路网络中所有路段的集合,其中vij表 示节点i和节点j之间的路段;K表示划分的时间段集合,k表示集合中的时间 段,集合中时间段总数为m;W为各路段的路段阻力的集合,其中wij k表示k时 间段中节点i和节点j之间的路段阻力;
步骤S22:交通道路网络中所有路段为双向可达,则构建交通道路网络的邻 接矩阵ψG如下式:
式中,inf表示两节点之间没有道路相连接,dij表示节点i和节点j之间的路 段长度;
步骤S23:计算t时刻交通路网拓扑模型wij k(t)如下式:
wij k(t)=Cvi(t)+Rvij(t)
其中:
Cvi(t)=tz(1+αxβ)
式中,Cvi(t)为节点阻抗模型,Rvij(t)为路段阻抗模型,tz为零流量行程时 间,x为饱和度,α、β为阻影响因子,c为信号周期,λ为绿信比,q为路段车辆 到达率。
作为本发明的一种优选技术方案:步骤S3的具体步骤如下:
步骤S31:设置电动车电池的初始容量Cp(i),将更换后的新电池容量设置为 电池容量的0.8~0.9;
步骤S32:构建电动车每公里耗电量模型如下式:
式中,L为行驶里程,Q为电池容量,U为电池电压,We为能耗,f为牵引 力,α为摩擦系数,G为总重量,Gv为电动车自重,Gd为驾驶员重量,Gc为乘客 重量,xc为乘客载客率,ω为每公里耗电量,ω0为无客载时每公里耗电量,μ为 客载后的耗电量因子;
步骤S33:计算t时刻电动车v的剩余电量Ct(v)如下式:
Ct(v)=η(Ct-1(v)-Δl·ω)
式中,η为能耗系数,其取值范围为0.9~1;Ct-1(v)为t-1时刻电动车v的剩 余电量,Δl为t-1时刻到t时刻电动车v的行驶距离;
步骤S34:设置换电需求阈值ch(v)如下式:
Ct(v)≤ε·ch(v)
式中,ε为车主里程焦虑系数,服从均匀分布U[0.15,3],电动车剩余电量Ct(v) 小于或等于ε·ch(v)时,电动车选择距离最近的换电站更换电池。
作为本发明的一种优选技术方案:步骤S4中所述电动车换电成本包括时间 成本、换电行驶消耗电量、换电费用,根据后悔理论,分别计算时间成本、换电 行驶消耗电量、换电费用的后悔值如下:
时间成本后悔值:
αw,t(wa,t,wb,t)=max{0,βw,t(wb,t-wa,t)}
Tdrive,a,t=wb,t
式中,αw,t(wa,t,wb,t)为t时刻,相对于换电站a,电动车选择换电站b所产 生的时间成本后悔值,wa,t、wb,t分别为电动车行驶至换电站a、换电站b的行驶 时间;βw,t为时间价值的负值;Tdrive,a,t为电动车行驶至换电站a的最小行驶时 间;
换电行驶消耗电量后悔值:
αx,t(xa,t,xb,t)=max{0,βx,t(xb,t-xa,t)}
式中,αx,t(xa,t,xb,t)为t时刻,相对于换电站a,电动车选择换电站b所产 生的换电行驶消耗电量后悔值,xa,t、xb,t分别为电动车行驶至换电站a、换电站 b所消耗的电池电量,βx,t为单位电价的负值;
换电费用后悔值:
αy,t(ya,t,yb,t)=max{0,βx,t(yb,t-ya,t)}
yt=yout,t-yin,t
式中,αy,t(ya,t,yb,t)为t时刻,相对于换电站a,电动车选择换电站b所产 生的换电费用后悔值,ya,t、yb,t分别为电动车行驶至换电站a、换电站b所取得 的电池电量差额,βx,t为单位电价的负值,yt为t时刻电动车去换电站的电池差 额,yout,t为换电后的电池电量,yin,t为换电前的电池电量;
根据下式计算t时刻,相对于换电站a,电动车选择换电站b的总后悔值Ra,b,t:
Ra,b,t=αw,t(wa,t,wb,t)+αx,t(xa,t,xb,t)+αy,t(ya,t,yb,t)
基于总后悔值Ra,b,t,构建以电动车换电成本最小为目标的换电站选择决策 模型如下式:
式中,Ncs为可用的换电站的数量。
作为本发明的一种优选技术方案:步骤S5中所述的换电站的分散模式为电 动车所更换的电池在换电站内就地充电,集中模式为换电站收集电动车所更换的 电池,并转移到集中充电站进行充电,采用蒙特卡洛仿真方法,分别基于换电站 的分散模式和集中模式,对目标城市区域中电动车换电需求进行预测的具体步骤 如下:
步骤S51:基于matlab仿真软件,输入电动车总数、交通路网拓扑模型、电 动车驾驶行为模型中的参数,初始化仿真时间和初始电动车功率;
步骤S52:根据电动车每公里耗电量模型,基于最短路算法规划电动车行驶 路径,在电动车剩余电量低于换电需求阈值时启动换电模式,基于换电站选择决 策模型,根据后悔理论计算电动车到各个换电站进行电池交换的后悔值,并选择 最优的换电站;
步骤S53:分别设置换电站为分散模式和集中模式,分别模拟换电站的两种 换电场景,记录每个换电站一天内的换电需求,通过聚合完成总体换电需求的时 空预测。
有益效果:相对于现有技术,本发明的优点包括:
本发明设计了一种物联网感知环境下电动微出行车辆换电需求预测方法,结 合物联网感知环境下的多源信息和用户换电行为决策,利用蒙特卡罗方法建立了 电动车换电需求预测的模型框架。可以解决当前没有电动车实际行驶数据的情况 下,对不同渗透率下电动车换电需求的时空分布进行精准预测。同时,本发明考 虑了物联网感知下多源信息造成电动车用户换电行为决策的非理性,这有助于提 高需求预测的准确性,也有利于合理布局换电设施,为解决电动车充电难题提供 技术支持。
附图说明
图1是根据本发明实施例提供的物联网感知环境下电动微出行车辆换电需 求预测方法的流程图;
图2是根据本发明实施例提供的出行链的时空分布示意图;
图3是根据本发明实施例提供的换电成本后悔值计算流程图;
图4是根据本发明实施例提供的换电需求预测流程图;
图5是根据本发明实施例提供的某城市功能区域图;
图6是根据本发明实施例提供的换电需求的时空分布示意图;
图7是根据本发明实施例提供的换电需求的实际分布示意图;
图8是根据本发明实施例提供的不同渗透率下的换电需求示意图;
图9是根据本发明实施例提供的两种换电站模式的换电需求示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本 发明的技术方案,而不能以此来限制本发明的保护范围。
参照图1,本发明实施例提供的一种物联网感知环境下电动微出行车辆换电 需求预测方法,针对目标城市区域中的电动车,电动车包括电动两轮车、电动自 行车、电动轻便摩托车、电动摩托车,执行如下步骤S1-步骤S5,完成目标城市 区域中电动车换电需求的预测:
步骤S1:参照图2,分别针对目标城市区域中的各电动车,根据各电动车的 起始地、目的地、出行轨迹、出行时间,构建出行链,并将各电动车的起始地、 目的地进行分类,根据各电动车的出行链、初始电池电量,基于概率密度函数, 进一步构建各电动车分别所对应表征电动车出行特征的电动车驾驶行为模型;
步骤S11:采集目标城市区域中的各电动车的出行数据,包括起始地、目的 地、出行轨迹、出行时间,分别将起始地、目的地、出行轨迹按出行时间连接, 构建各电动车的出行链;
步骤S12:将电动车的目的地分为居民区、办公区、商业区三种类型,针对 起始地为居民区,目的地为非居民区的电动车,根据各电动车的出行链、目的地 所属类型、初始电池电量,基于概率密度函数,构建电动车驾驶行为模型如下式:
电动车首次出行时间服从正态分布,具体如下式:
式中,f(t0)为电动车首次出行时间的概率密度函数,t0为电动车首次出行时 间,σ0=1.35,μ0=6.53;
电动车出行距离服从对数正态分布,具体如下式:
式中,f(l)为电动车出行距离的概率密度函数,l为电动车出行距离, μl=5.35,σl=2.4;
电动车停车时长服从广义极值分布,具体如下式:
电动车初始电池电量服从正态分布,具体如下式:
式中,f(cp)为电动车初始电池电量的概率密度函数,cp为电动车初始电池 电量,μp=0.5,σp=0.1。
步骤S2:根据目标城市区域的交通道路网络中各路段的关系、长度、道路 阻抗,构建表征交通道路网络路况特征的交通路网拓扑模型;
步骤S2的具体步骤如下:
步骤S21:构建交通路网拓扑模型如下式:
式中,GT为交通道路网络,V表示交通道路网络中所有节点的集合,其中vi表 示节点i,集合中节点总数为n;E表示交通道路网络中所有路段的集合,其中vij表 示节点i和节点j之间的路段;K表示划分的时间段集合,k表示集合中的时间 段,集合中时间段总数为m;W为各路段权重的集合,即各路段的路段阻力的集 合,其中wij k表示k时间段中节点i和节点j之间的路段阻力,以时间、速度、 行驶成本量化;
步骤S22:交通道路网络中所有路段为双向可达,则构建交通道路网络的邻 接矩阵ψG如下式:
式中,inf表示两节点之间没有道路相连接,dij表示节点i和节点j之间的路 段长度;
步骤S23:电动车在非机动车道行驶,因此忽略交通流量和拥堵的影响,在 道路节点,交叉路口会造成行驶时间的延误;计算t时刻交通路网拓扑模型 wij k(t)如下式:
wij k(t)=Cvi(t)+Rvij(t)
其中:
Cvi(t)=tz(1+αxβ)
式中,Cvi(t)为节点阻抗模型,Rvij(t)为路段阻抗模型,因交通道路网络近 似平衡,每条路段的权重就是路段的长度,tz为零流量行程时间,x为饱和度,α、β 为阻影响因子,c为信号周期,λ为绿信比,q为路段车辆到达率。
步骤S3:基于各电动车的电池参数、行驶里程、载客情况、剩余电量,构 建各电动车分别所对应电动车每公里耗电量模型;
步骤S3的具体步骤如下:
步骤S31:电动车的初始荷电状态(SOC)服从正态分布。结合电动车电池容 量,设置电动车电池的初始容量Cp(i),将更换后的新电池容量设置为电池容量 的0.8~0.9,以防止电池过充电的影响;
步骤S32:电动车的每公里耗电量与环境温度、负载能力、路况和行驶特性 (频繁制动)有关,因此每公里耗电量ω不是固定的。本专利在计算ω时,主要考 虑了负载能力(如出行链中接送孩子上学)对ω的影响,不考虑其他因素的影响。 构建电动车每公里耗电量模型如下式:
式中,L为行驶里程,Q为电池容量,U为电池电压,We为能耗,f为牵引 力,α为摩擦系数,G为总重量,Gv为电动车自重,Gd为驾驶员重量,Gc为乘客 重量,xc为乘客载客率,ω为每公里耗电量,ω0为无客载时每公里耗电量,μ为 客载后的耗电量因子;
步骤S33:计算t时刻电动车v的剩余电量Ct(v)如下式:
Ct(v)=η(Ct-1(v)-Δl·ω)
式中,η为能耗系数,其取值范围为0.9~1;Ct-1(v)为t-1时刻电动车v的剩 余电量,Δl为t-1时刻到t时刻电动车v的行驶距离;
步骤S34:设置换电需求阈值ch(v)如下式:
Ct(v)≤ε·ch(v)
式中,ε为车主里程焦虑系数,服从均匀分布U[0.15,3],电动车剩余电量Ct(v) 小于或等于ε·ch(v)时,电动车选择距离最近的换电站更换电池。
步骤S4:参照图3,基于目标城市区域中各换电站位置,结合前面几个模型, 计算选择各电动车分别由其实时所在位置到各换电站所对应的电动车换电成本, 根据后悔理论,构建各电动车分别所对应以电动车换电成本最小为目标的换电站 选择决策模型;
步骤S4中所述电动车换电成本包括时间成本、换电行驶消耗电量、换电费 用,根据后悔理论,分别计算时间成本、换电行驶消耗电量、换电费用的后悔值;
所述后悔理论为:
对不同选项属性值之间的效用差(xJB-xIB)进行反复加权,当(xJB-xIB)保 持在中间状态时,使最终选择的选项的后悔值最小,选项概率最大,即决策者倾 向于选择具有折衷效果的选项。
式中RI,J,t为选项I的随机后悔值;FI为选项I产生的确定性后悔值,反映决策者 对该选项的感知能力;ξB表示属性B的估计参数,反映了决策者对属性B的偏 好;xJB,xIB分别表示选项I和选项J的属性值;σI表示选择第I项的随机后悔误 差,σI服从独立的Pu(I)表示选择第I项的概率;Prob表示离散函数解的表达式, A为换电站可用于更换的电池数。
用户选择换电站的综合成本包括时间成本、电池电量消耗成本和换电成本, 为统一量纲,需将电池电量消耗量和时间均转化为成本。根据后悔理论,分别计 算时间成本、换电行驶消耗电量、换电费用的后悔值如下:
首先是用户的时间成本。在电动车决定要换电的时刻t,通过与路网和换电 站的信息交互获取前往换电站a的最小行驶时间Tdrive,a,t,由于换电所需的时间很 短,且基本不存在排队现象,因此不考虑排队等待时间。计算时间成本时,利用 收入法来量化用户的时间价值,时间成本后悔值:
αw,t(wa,t,wb,t)=max{0,βw,t(wb,t-wa,t)}
Tdrive,a,t=wb,t
式中,αw,t(wa,t,wb,t)为t时刻,相对于换电站a,电动车选择换电站b所产 生的时间成本后悔值,wa,t、wb,t分别为电动车行驶至换电站a、换电站b的行驶 时间;βw,t为时间价值的负值;Tdrive,a,t为电动车行驶至换电站a的最小行驶时 间;
换电行驶消耗电量表示电动车从产生换电需求位置至换电站的行驶过程中 消耗电量产生的电量成本,换电行驶消耗电量后悔值计算如下式:
αx,t(xa,t,xb,t)=max{0,βx,t(xb,t-xa,t)}
式中,αx,t(xa,t,xb,t)为t时刻,相对于换电站a,电动车选择换电站b所产 生的换电行驶消耗电量后悔值,xa,t、xb,t分别为电动车行驶至换电站a、换电站 b所消耗的电池电量,βx,t为单位电价的负值;
换电费用的大小与从换电站取得的新电池的电量与旧电池电量的差值有关, 换电费用后悔值:
αy,t(ya,t,yb,t)=max{0,βx,t(yb,t-ya,t)}
yt=yout,t-yin,t
式中,αy,t(ya,t,yb,t)为t时刻,相对于换电站a,电动车选择换电站b所产 生的换电费用后悔值,ya,t、yb,t分别为电动车行驶至换电站a、换电站b所取得 的电池电量差额,βx,t为单位电价的负值,yt为t时刻电动车去换电站的电池差 额,yout,t为换电后的电池电量,yin,t为换电前的电池电量;
忽略电动车决策后的驾驶时间和电价的重新变化,考虑时间成本和电力成本, 根据下式计算t时刻,相对于换电站a,电动车选择换电站b的总后悔值Ra,b,t:
Ra,b,t=αw,t(wa,t,wb,t)+αx,t(xa,t,xb,t)+αy,t(ya,t,yb,t)
选择换电站a的电动车出行者的后悔值Ra,t等于该换电站与所有其他换电站 比较结果的最大值。根据后悔值最小化原则,在所有可选换电站中,选择后悔度 值Rt最小的换电站作为电动车的换电位置。
基于总后悔值Ra,b,t,构建以电动车换电成本最小为目标的换电站选择决策 模型如下式:
式中,Ncs为可用的换电站的数量。
步骤S5:根据电动车驾驶行为模型、交通路网拓扑模型、电动车每公里耗 电量模型、换电站选择决策模型,采用蒙特卡洛仿真方法,分别基于换电站的分 散模式和集中模式,完成目标城市区域中电动车换电需求的预测。
步骤S5中所述的换电站的分散模式为电动车所更换的电池在换电站内就地 充电,因此每个换电站内都要安装充电设施,正常来说,一块电池在30%左右的 电量时需要更换,新换的电池电量在90%左右。自主充电时间需要3h左右。在 这期间,充电电池将不能被使用。
集中模式为换电站收集电动车所更换的电池,并转移到集中充电站进行充电, 一旦充满电,它们将根据自己的需求分配到换电站,这一做法可以保障换电站充 满电电池的充足供应。本专利的应用场景中,每个换电站的电池供应都能满足换 电需求。
采用蒙特卡洛仿真方法,分别基于换电站的分散模式和集中模式,对两种运 营模式分别进行仿真,模拟两种换电站运营模式下的换电需求情况。
步骤S5中,分别假设两种模式下的性能参数。首先,假设换电站的电池在 一天开始时都充满了电。
步骤S5中,在分散模式下,用户更换的没电电池在换电站独立充电,直到 充满电后再供下一个用户使用。假设换电站更换的电池电量至少为60%,才能提 供换电服务。并且在换电站以恒定的速率给电池充电,电量从30%到90%需要 3h。
步骤S5中,在集中模式下,电池不需要在换电站充电,而是由卡车运输到 附近的集中充电站,并随时补充到各换电站。在这种模式下,换电站运行成本会 显著增加,但可以满足较大换电需求的应用场景。
参照图4,对目标城市区域中电动车换电需求进行预测的具体步骤如下:
步骤S51:基于matlab仿真软件,输入电动车总数、交通路网拓扑模型、电 动车驾驶行为模型中的参数,初始化仿真时间和初始电动车功率;
步骤S52:根据电动车每公里耗电量模型,基于最短路算法规划电动车行驶 路径,在电动车剩余电量低于换电需求阈值时启动换电模式,基于换电站选择决 策模型,根据后悔理论计算电动车到各个换电站进行电池交换的后悔值,并选择 最优的换电站;
步骤S53:分别设置换电站为分散模式和集中模式,分别模拟换电站的两种 换电场景,记录每个换电站一天内的换电需求,通过聚合完成总体换电需求的时 空预测。
本实施例以某城市城区部分区域和道路为例,对该区域电动车换电需求进行 仿真分析。面积约50km2,主要路网包含56个道路节点和98条道路,如图5 所示。城市区域划分为11个家庭区(H)、9个工作区(W)、6个娱乐区(E)。设置 了两种换电站场景(集中式和分散式),假设两种模式下目标区域都有16个换电 站,每个交换站有30个电池。假设目标区域有15000辆电动汽车,具有电池更 换功能的电动汽车渗透率分布为15%,35%和50%。电机功率400w(48v),电池 容量37Ah。所有道路网络都被视为城市道路,非机动道路的速度限制为25公里 /小时。道路路段长度和节点长度是主要障碍。
图6和图7给出了分散模式下换电渗透率为35%时的电动车换电需求的时空 分布。可见换电需求在时间上总体分布呈现3个高峰,上午7:00-9:00,中午12:00 左右,下午17:00-19:00。空间上,电动车换电需求的分布更加随机。然而,居 住区和工作区的换电需求比商业区大得多,这与电动车发生换电需求的位置有关。
图8显示了分散模式下不同换电渗透率的换电需求。不同渗透率的换电需求 随时间的变化规律是一致的,但在数量级上存在较大差异。图9显示了集中和分 散模式下,35%渗透率时换电需求的热力图。其中,左侧为分散模式下电动车换 电需求的热力图,右侧为集中模式下电动车换电需求的热力图,横坐标为不同编 号的换电站,可以看出居住区换电需求的早高峰时间要早于工作区和商业区。在 时间轴上,两种操作模式的需求互换趋势大致相同。上午7:00-9:00和下午 17:00-19:00出现两个明显的高峰,集中模式的峰值强度比分散模式的峰值强度 大18%,而其他低高峰时段的换电需求差异不大。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述 实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明 宗旨的前提下做出各种变化。
Claims (6)
1.一种物联网感知环境下电动微出行车辆换电需求预测方法,其特征在于,针对目标城市区域中的电动车,执行如下步骤S1-步骤S5,完成目标城市区域中电动车换电需求的预测:
步骤S1:分别针对目标城市区域中的各电动车,根据各电动车的起始地、目的地、出行轨迹、出行时间,构建出行链,并将各电动车的起始地、目的地进行分类,根据各电动车的出行链、初始电池电量,基于概率密度函数,进一步构建各电动车分别所对应表征电动车出行特征的电动车驾驶行为模型;
步骤S2:根据目标城市区域的交通道路网络中各路段的关系、长度、道路阻抗,构建表征交通道路网络路况特征的交通路网拓扑模型;
步骤S3:基于各电动车的电池参数、行驶里程、载客情况、剩余电量,构建各电动车分别所对应电动车每公里耗电量模型;
步骤S4:基于目标城市区域中各换电站位置,结合前面几个模型,计算选择各电动车分别由其实时所在位置到各换电站所对应的电动车换电成本,根据后悔理论,构建各电动车分别所对应以电动车换电成本最小为目标的换电站选择决策模型;
步骤S5:根据电动车驾驶行为模型、交通路网拓扑模型、电动车每公里耗电量模型、换电站选择决策模型,采用蒙特卡洛仿真方法,分别基于换电站的分散模式和集中模式,完成目标城市区域中电动车换电需求的预测。
2.根据权利要求1所述的一种物联网感知环境下电动微出行车辆换电需求预测方法,其特征在于,步骤S1的具体步骤如下:
步骤S11:采集目标城市区域中的各电动车的出行数据,包括起始地、目的地、出行轨迹、出行时间,分别构建各电动车的出行链;
步骤S12:将电动车的目的地分为居民区、办公区、商业区三种类型,针对起始地为居民区,目的地为非居民区的电动车,根据各电动车的出行链、目的地所属类型、初始电池电量,基于概率密度函数,构建电动车驾驶行为模型如下式:
电动车首次出行时间:
式中,f(t0)为电动车首次出行时间的概率密度函数,t0为电动车首次出行时间,σ0=1.35,μ0=6.53;
电动车出行距离:
式中,f(l)为电动车出行距离的概率密度函数,l为电动车出行距离,μl=5.35,σl=2.4;
电动车停车时长:
电动车初始电池电量:
式中,f(cp)为电动车初始电池电量的概率密度函数,cp为电动车初始电池电量,μp=0.5,σp=0.1。
3.根据权利要求2所述的一种物联网感知环境下电动微出行车辆换电需求预测方法,其特征在于,步骤S2的具体步骤如下:
步骤S21:构建交通路网拓扑模型如下式:
式中,GT为交通道路网络,V表示交通道路网络中所有节点的集合,其中vi表示节点i,集合中节点总数为n;E表示交通道路网络中所有路段的集合,其中vij表示节点i和节点j之间的路段;K表示划分的时间段集合,k表示集合中的时间段,集合中时间段总数为m;W为各路段的路段阻力的集合,其中wij k表示k时间段中节点i和节点j之间的路段阻力;
步骤S22:交通道路网络中所有路段为双向可达,则构建交通道路网络的邻接矩阵ψG如下式:
式中,inf表示两节点之间没有道路相连接,dij表示节点i和节点j之间的路段长度;
步骤S23:计算t时刻交通路网拓扑模型wij k(t)如下式:
wij k(t)=Cvi(t)+Rvij(t)
其中:
Cvi(t)=tz(1+αxβ)
式中,Cvi(t)为节点阻抗模型,Rvij(t)为路段阻抗模型,tz为零流量行程时间,x为饱和度,α、β为阻影响因子,c为信号周期,λ为绿信比,q为路段车辆到达率。
4.根据权利要求3所述的一种物联网感知环境下电动微出行车辆换电需求预测方法,其特征在于,步骤S3的具体步骤如下:
步骤S31:设置电动车电池的初始容量Cp(i),将更换后的新电池容量设置为电池容量的0.8~0.9;
步骤S32:构建电动车每公里耗电量模型如下式:
式中,L为行驶里程,Q为电池容量,U为电池电压,We为能耗,f为牵引力,α为摩擦系数,G为总重量,Gv为电动车自重,Gd为驾驶员重量,Gc为乘客重量,xc为乘客载客率,ω为每公里耗电量,ω0为无客载时每公里耗电量,μ为客载后的耗电量因子;
步骤S33:计算t时刻电动车v的剩余电量Ct(v)如下式:
Ct(v)=η(Ct-1(v)-Δl·ω)
式中,η为能耗系数,其取值范围为0.9~1;Ct-1(v)为t-1时刻电动车v的剩余电量,Δl为t-1时刻到t时刻电动车v的行驶距离;
步骤S34:设置换电需求阈值ch(v)如下式:
Ct(v)≤ε·ch(v)
式中,ε为车主里程焦虑系数,服从均匀分布U[0.15,3],电动车剩余电量Ct(v)小于或等于ε·ch(v)时,电动车选择距离最近的换电站更换电池。
5.根据权利要求4所述的一种物联网感知环境下电动微出行车辆换电需求预测方法,其特征在于,步骤S4中所述电动车换电成本包括时间成本、换电行驶消耗电量、换电费用,根据后悔理论,分别计算时间成本、换电行驶消耗电量、换电费用的后悔值如下:
时间成本后悔值:
αw,t(wa,t,wb,t)=max{0,βw,t(wb,t-wa,t)}
Tdrive,a,t=wb,t
式中,αw,t(wa,t,wb,t)为t时刻,相对于换电站a,电动车选择换电站b所产生的时间成本后悔值,wa,t、wb,t分别为电动车行驶至换电站a、换电站b的行驶时间;βw,t为时间价值的负值;Tdrive,a,t为电动车行驶至换电站a的最小行驶时间;
换电行驶消耗电量后悔值:
αx,t(xa,t,xb,t)=max{0,βx,t(xb,t-xa,t)}
式中,αx,t(xa,t,xb,t)为t时刻,相对于换电站a,电动车选择换电站b所产生的换电行驶消耗电量后悔值,xa,t、xb,t分别为电动车行驶至换电站a、换电站b所消耗的电池电量,βx,t为单位电价的负值;
换电费用后悔值:
αy,t(ya,t,yb,t)=max{0,βx,t(yb,t-ya,t)}
yt=yout,t-yin,t
式中,αy,t(ya,t,yb,t)为t时刻,相对于换电站a,电动车选择换电站b所产生的换电费用后悔值,ya,t、yb,t分别为电动车行驶至换电站a、换电站b所取得的电池电量差额,βx,t为单位电价的负值,yt为t时刻电动车去换电站的电池差额,yout,t为换电后的电池电量,yin,t为换电前的电池电量;
根据下式计算t时刻,相对于换电站a,电动车选择换电站b的总后悔值Ra,b,t:
Ra,b,t=αw,t(wa,t,wb,t)+αx,t(xa,t,xb,t)+αy,t(ya,t,yb,t)
基于总后悔值Ra,b,t,构建以电动车换电成本最小为目标的换电站选择决策模型如下式:
Ra,t=max{Ra,1,t,Ra,2,t,…,Ra,Ncs-1,t}
Rt=min{R1,t,R2,t,…,RNcs-1,t}
式中,Ncs为可用的换电站的数量。
6.根据权利要求5所述的一种物联网感知环境下电动微出行车辆换电需求预测方法,其特征在于,步骤S5中所述的换电站的分散模式为电动车所更换的电池在换电站内就地充电,集中模式为换电站收集电动车所更换的电池,并转移到集中充电站进行充电,采用蒙特卡洛仿真方法,分别基于换电站的分散模式和集中模式,对目标城市区域中电动车换电需求进行预测的具体步骤如下:
步骤S51:基于matlab仿真软件,输入电动车总数、交通路网拓扑模型、电动车驾驶行为模型中的参数,初始化仿真时间和初始电动车功率;
步骤S52:根据电动车每公里耗电量模型,基于最短路算法规划电动车行驶路径,在电动车剩余电量低于换电需求阈值时启动换电模式,基于换电站选择决策模型,根据后悔理论计算电动车到各个换电站进行电池交换的后悔值,并选择最优的换电站;
步骤S53:分别设置换电站为分散模式和集中模式,分别模拟换电站的两种换电场景,记录每个换电站一天内的换电需求,通过聚合完成总体换电需求的时空预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248941.8A CN115510672A (zh) | 2022-10-12 | 2022-10-12 | 一种物联网感知环境下电动微出行车辆换电需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248941.8A CN115510672A (zh) | 2022-10-12 | 2022-10-12 | 一种物联网感知环境下电动微出行车辆换电需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115510672A true CN115510672A (zh) | 2022-12-23 |
Family
ID=84509307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211248941.8A Pending CN115510672A (zh) | 2022-10-12 | 2022-10-12 | 一种物联网感知环境下电动微出行车辆换电需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510672A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362523A (zh) * | 2023-06-01 | 2023-06-30 | 吉林大学 | 考虑温度适应性的换电站选址与运营策略协同优化方法 |
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 |
-
2022
- 2022-10-12 CN CN202211248941.8A patent/CN115510672A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362523A (zh) * | 2023-06-01 | 2023-06-30 | 吉林大学 | 考虑温度适应性的换电站选址与运营策略协同优化方法 |
CN116362523B (zh) * | 2023-06-01 | 2023-09-26 | 吉林大学 | 考虑温度适应性的换电站选址与运营策略协同优化方法 |
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 |
CN117833240B (zh) * | 2024-02-29 | 2024-05-31 | 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 |
---|---|---|
CN109034465B (zh) | 考虑充电站选址与出行路径耦合的充电站两层规划方法 | |
Li et al. | Price incentive-based charging navigation strategy for electric vehicles | |
CN115510672A (zh) | 一种物联网感知环境下电动微出行车辆换电需求预测方法 | |
CN106599390B (zh) | 一种计及电动出租车时空随机特性的充电负荷的计算方法 | |
CN111311122B (zh) | 面向智慧城市的充电站建设方法 | |
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 | |
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 | |
CN110388932A (zh) | 一种电动汽车充电导航方法 | |
CN112381398B (zh) | 考虑用户有限理性出行的电动汽车充电站选址方法及系统 | |
Zhang et al. | Deploying public charging stations for battery electric vehicles on the expressway network based on dynamic charging demand | |
Uribe et al. | Discrete event simulation for battery-swapping station sizing for hybrid and electric motorcycles | |
CN114943362A (zh) | 一种基于可调分级充电服务费的快充负荷充电引导方法 | |
Zeng et al. | Exploring the ridesharing efficiency of taxi services | |
CN116362523B (zh) | 考虑温度适应性的换电站选址与运营策略协同优化方法 | |
CN117172080A (zh) | 考虑用户出行差异与充电决策偏好的ev充电站规划方法 | |
CN112016745A (zh) | 一种电动汽车充电站规划方法 | |
CN113222248B (zh) | 一种自动驾驶出租车充电桩选择方法 | |
CN114725967A (zh) | 一种基于车网互动v2g的电动汽车充放电效益优化方法 | |
CN114840984A (zh) | 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 | |
CN115204594A (zh) | 一种基于电动汽车的充电桩与充换电站联合规划方法 | |
CN114485702A (zh) | 一种电动汽车充电路径规划方法及系统 | |
CN109146135B (zh) | 一种共享电动自行车站点车桩配备的优化方法 | |
CN112581313A (zh) | 一种光伏充电站资源的分配调节方法和系统 | |
Mei et al. | Optimizing the configuration of electric vehicle charging piles in public parking lots based on a multi-agent model |
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 |