CN115545303A - 计及多源信息和决策修正的电动汽车充电站负荷预测方法 - Google Patents

计及多源信息和决策修正的电动汽车充电站负荷预测方法 Download PDF

Info

Publication number
CN115545303A
CN115545303A CN202211210825.7A CN202211210825A CN115545303A CN 115545303 A CN115545303 A CN 115545303A CN 202211210825 A CN202211210825 A CN 202211210825A CN 115545303 A CN115545303 A CN 115545303A
Authority
CN
China
Prior art keywords
charging station
vehicle
charging
decision
traffic characteristic
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
CN202211210825.7A
Other languages
English (en)
Inventor
金涛
庄致远
郑熙东
陈梓行
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202211210825.7A priority Critical patent/CN115545303A/zh
Publication of CN115545303A publication Critical patent/CN115545303A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出计及多源信息和决策修正的电动汽车充电站负荷预测方法，包括以下步骤；步骤一、首先模拟地区内用户可收集到的多源信息；步骤二、在用户遭遇低电量并做出前往充电站的决策时，通过前景理论进行模拟；步骤三、在用户充电过程中，依据实时信息变化，通过前景理论进行决策修正，通过对决策的修正，使地区区域内的充电站负荷分配更均匀并符合用户用车实际需求的预测；本发明针对路网内收集到的多源信息，提出多种影响电动汽车车主决策的交通特性值，构建前景理论决策模型模拟车主决策，并在特殊节点根据实时信息变化进行决策修正，使得在电动汽车负荷预测的应用场景中更加拟合实际的车主用车情况。

Description

计及多源信息和决策修正的电动汽车充电站负荷预测方法
技术领域
本发明涉及电动汽车充电站负荷预测技术领域，尤其是计及多源信息和决策修正的电动汽车充电站负荷预测方法。
背景技术
伴随着新能源汽车配套产业链逐步培育完善，电动汽车在私家车、城市交通、物流等领域越来越受到认可。电动汽车综合续航里程的提升使得大功率的直流充电桩实用度提高，60kW、120kW乃至480kW的高功率充电桩正逐步投入使用。充电耗时短、电量损耗小，使得如今充电桩规模拓展布局中直流充电桩占主流。
然而电动汽车的充电负荷具有一定的波动性和随机性。当电网线路接入电动汽车充电站后，大功率的充电负荷将导致线路负载率及负载损耗率增加，伴随导致空载损耗率减少。同时，同一区域内电动汽车的渗透率过大，或在同时刻下充电车辆过多、充电功率过大时，末端节点电压将急剧下降，严重时甚至将发生越下限情况。因此，如何对电动汽车负荷做出预测以设置措施应对，是重要的研究方向。
目前，电动汽车负荷预测的场景可依据是否有历史数据分为两类：一类是在充电站已有历史数据的情况下的预测，常用于已建成的充电站场景下基于未来天气、日类型等因素依据历史数据对未来数据进行预测；另一类则是在无历史数据可进行验证与模型训练时，通过分析用户特性、电动汽车渗透率等因素，用于区域内的充电站位置选择、充电桩规模规划等场景。
同时，随着车联网技术的发展，电动汽车车主可通过手机app等途径更加直观获得出行前与驾驶途中的各类信息。这些信息会对电动汽车车主选择充电地点的具体决策产生很大影响，从而在一定程度上影响充电电荷的分布。
基于上述背景，本发明提出计及多源信息和决策修正的电动汽车充电站负荷预测方法。
发明内容
本发明提出计及多源信息和决策修正的电动汽车充电站负荷预测方法，针对路网内收集到的多源信息，提出多种影响电动汽车车主决策的交通特性值，构建前景理论决策模型模拟车主决策，并在特殊节点根据实时信息变化进行决策修正，使得在电动汽车负荷预测的应用场景中更加拟合实际的车主用车情况。
本发明采用以下技术方案。
计及多源信息和决策修正的电动汽车充电站负荷预测方法，包括以下步骤；
步骤一、首先模拟地区内用户可收集到的多源信息；
步骤二、在用户遭遇低电量并做出前往充电站的决策时，通过前景理论进行模拟；
步骤三、在用户充电过程中，依据实时信息变化，通过前景理论进行决策修正，通过对决策的修正，使地区区域内的充电站负荷分配更均匀并符合用户用车实际需求的预测。
步骤一具体分为以下步骤；
步骤S1：将用户的出行模型分为私家车与出租车，通过出行链模型与OD矩阵进行出行链生成；
步骤S2：收集路网内用户可获得的多源信息，如路况、天气、充电站排队情况；
步骤S3：统计路网内各道路车流量，依据Greenshield交通流拟合模型对路网速度进行生成，从而得到各道路车辆的行驶速度，进而得到行驶距离与能耗；
步骤S4：依据预测的气温判断车辆空调的开启状态，判断其工况是冷风、暖风还是关闭，从而计算车辆空调所耗能耗；在车辆电量中扣除每时刻所耗电量；步骤二、步骤三具体分为以下步骤；
步骤S5：针对出租车，当车辆电量低于车主预期电量时，使用前景理论对当前场景下可前往的路网内各充电站充电进行评估，得到最优的充电站，作出前往该充电站进行充电的决策；
步骤S6：每当电量低的车辆在前往充电站过程中抵达路网中节点或路口时，跳转至步骤S5进行充电站选择的重新评估；若最优充电站有变，则修改充电决策中欲前往的充电站目的地；若结果未变，则继续前往充电站；
步骤S7：车辆抵达充电站后，进入排队状态，在经历排队进入充电状态后，依据车辆所存留电量的范围，使用不同预估的充电功率对车辆所充电量进行估计；
步骤S8：将各时刻、各车辆在各充电站所充电量分别进行全日时刻累加，得到各充电站在单日内的充电负荷。
所述步骤S5中具体包括以下步骤：
步骤S51：考虑电价、前往充电站所需时间、充电站排队情况这三个因素，归纳计算3个对应的交通特性值，即付费成本、时间成本与期望收益；
步骤S52：计算各充电站对应的前景值。
所述步骤S51具体包括以下步骤：
步骤S511：计算付费成本，即预计的排队时间后，充电所需的电费；计算方法为：
Figure BDA0003875064460000031
其中Wcharging(t)为t时刻车辆所充电量；Eprice(t)为充电站t时刻的分时电价；tEVCS为车辆经过预估排队时间后开始充电的时间；tcharging为预估充电时长；
步骤S512：计算时间成本，即考虑车主依据各充电枪对应SOC状态与充电站排队情况计算出等待充电时长后，转化成的收入损失；计算方法为：x2＝(tqueue+tcharging)·vave·ε公式二，
其中tqueue为排队所需时间；vave为由步骤S3拟合的路网内所有道路速度平均值；ε为每公里预估盈利额；
步骤S513：期望收益，计及营运电动汽车车主后续候客接单难易程度、预计订单目的地。计算方法为：
Figure BDA0003875064460000032
其中numdest为充电站所覆盖的区域个数；ODdest为前往对应目的地的OD矩阵概率；twait为在当前区域需要停留的时间。
所述步骤S52具体包括以下步骤：
步骤S521：定义原始决策矩阵，公式为
Figure BDA0003875064460000041
其中，xt,ij即为车辆在t时刻前往第i个充电站的第j个交通特性值，即车主需要考虑的多方面因素，并将它们转化为损益值的量，已于步骤S51中计算得到；
步骤S522：遍历所有充电站所得到的各类前景值，分别从有益到无益排列，命名为xc1,xc2,…,xc,TCV_Valid，计算得到车主所能接受的交通特性值标准值，公式为
Figure BDA0003875064460000042
其中，部分充电站可能由于电动车续航不足的原因无法到达，TCVValid为可到达充电站个数；s1、s2为权重间隔区间，计算公式为s1＝floor(TCVValid/3)-1、
s2＝TCVValid-[floor(TCVValid/3)+1] 公式六；
floor为向下取整。
步骤S523：计算k车在t时刻针对第j项交通特性值选择充电站i的前景价值函数，公式为
Figure BDA0003875064460000043
其中α与β分别为风险敏感系数，λ为损失规避系数，dkij为在k车选择充电站i进行充电的交通特性值j与车主内心衡量标准的差值，车主内心衡量标准即通过步骤S522计算所得的S；
步骤S524：通过层次分析法确定影响车主进行决策的各交通特性值所占比重；
步骤S525：计算得到车主面对收益与损失的权重函数，公式为
Figure BDA0003875064460000044
其中γ为风险收益态度系数，δ为风险损失态度系数，ωtj为第j项交通特性值的权重；
步骤S526：计算k车在t时刻选择第i个充电站的前景值，公式为：
Figure BDA0003875064460000051
所述步骤S524具体包括以下步骤：
步骤S5241：列出步骤S51中两两交通特性值的重要性关联程度，列出矩阵A，以1表示两种交通特性值同等重要，2表示一种交通特性值较另一种明显重要，3表示一种交通特性值较另一种非常重要；各数的倒数即为相反含义；
步骤S5242：设j为交通特性值的个数，计算矩阵A中，每一行元素相乘之积开j次方的值W；
步骤S5243：将W进行归一化，得到W*；
步骤S5244：求解最大特征值，
Figure BDA0003875064460000052
其中，W* i为矩阵W*的第i行；
步骤S5245：进行一致性检验，计算
Figure BDA0003875064460000053
特别地，j＝3时此处取RI为0.58；若CR>1则不符合要求，说明需要重新考虑重要性关联程度。
本发明涉及一种计及多源信息与决策修正的电动汽车充电站负荷预测方法，由于当在电动汽车负荷预测场景中对用户决策进行模拟时，现实情况的任何变化都将对用户的决策产生影响，因此本发明针对传统电动汽车充电站负荷预测中存在的问题，对用户决策模拟过程进行改进。首先模拟地区内用户可收集到的多源信息，然后在用户遭遇低电量时做出前往充电站的决策通过前景理论进行模拟，同时在前往充电站途中依据实时信息变化通过前景理论进行决策修正。在决策修正的情况下，可以达到区域内充电站负荷分配更加均匀，更加符合用户实际用车需求的预测。
与现有技术相比，本发明具有以下两个突出优点。
1、本发明通过对电动汽车用户行为进行模拟，可对电动汽车充电站进行负荷预测，且可以估算最佳的充电桩/车配比。
2、本发明利用提出的方法，可通过模拟电动汽车用户对实时信息进行获取并做出综合考虑，进行更加精确的决策及决策修正，得到更加准确的电动汽车充电站负荷预测效果。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1为私家车行为流程框图；
附图2为出租车行为流程及电动汽车充电站负荷预测框图。
具体实施方式
如图所示，计及多源信息和决策修正的电动汽车充电站负荷预测方法，包括以下步骤；
步骤一、首先模拟地区内用户可收集到的多源信息；
步骤二、在用户遭遇低电量并做出前往充电站的决策时，通过前景理论进行模拟；
步骤三、在用户充电过程中，依据实时信息变化，通过前景理论进行决策修正，通过对决策的修正，使地区区域内的充电站负荷分配更均匀并符合用户用车实际需求的预测。
步骤一具体分为以下步骤；
步骤S1：将用户的出行模型分为私家车与出租车，通过出行链模型与OD矩阵进行出行链生成；
步骤S2：收集路网内用户可获得的多源信息，如路况、天气、充电站排队情况；
步骤S3：统计路网内各道路车流量，依据Greenshield交通流拟合模型对路网速度进行生成，从而得到各道路车辆的行驶速度，进而得到行驶距离与能耗；
步骤S4：依据预测的气温判断车辆空调的开启状态，判断其工况是冷风、暖风还是关闭，从而计算车辆空调所耗能耗；在车辆电量中扣除每时刻所耗电量；步骤二、步骤三具体分为以下步骤；
步骤S5：针对出租车，当车辆电量低于车主预期电量时，使用前景理论对当前场景下可前往的路网内各充电站充电进行评估，得到最优的充电站，作出前往该充电站进行充电的决策；
步骤S6：每当电量低的车辆在前往充电站过程中抵达路网中节点或路口时，跳转至步骤S5进行充电站选择的重新评估；若最优充电站有变，则修改充电决策中欲前往的充电站目的地；若结果未变，则继续前往充电站；
步骤S7：车辆抵达充电站后，进入排队状态，在经历排队进入充电状态后，依据车辆所存留电量的范围，使用不同预估的充电功率对车辆所充电量进行估计；
步骤S8：将各时刻、各车辆在各充电站所充电量分别进行全日时刻累加，得到各充电站在单日内的充电负荷。
所述步骤S5中具体包括以下步骤：
步骤S51：考虑电价、前往充电站所需时间、充电站排队情况这三个因素，归纳计算3个对应的交通特性值，即付费成本、时间成本与期望收益；
步骤S52：计算各充电站对应的前景值。
所述步骤S51具体包括以下步骤：
步骤S511：计算付费成本，即预计的排队时间后，充电所需的电费；计算方法为：
Figure BDA0003875064460000071
其中Wcharging(t)为t时刻车辆所充电量；Eprice(t)为充电站t时刻的分时电价；tEVCS为车辆经过预估排队时间后开始充电的时间；tcharging为预估充电时长；
步骤S512：计算时间成本，即考虑车主依据各充电枪对应SOC状态与充电站排队情况计算出等待充电时长后，转化成的收入损失；计算方法为：x2＝(tqueue+tcharging)·vave·ε公式二，
其中tqueue为排队所需时间；vave为由步骤S3拟合的路网内所有道路速度平均值；ε为每公里预估盈利额；
步骤S513：期望收益，计及营运电动汽车车主后续候客接单难易程度、预计订单目的地。计算方法为：
Figure BDA0003875064460000072
其中numdest为充电站所覆盖的区域个数；ODdest为前往对应目的地的OD矩阵概率；twait为在当前区域需要停留的时间。
所述步骤S52具体包括以下步骤：
步骤S521：定义原始决策矩阵，公式为
Figure BDA0003875064460000081
其中，xt,ij即为车辆在t时刻前往第i个充电站的第j个交通特性值，即车主需要考虑的多方面因素，并将它们转化为损益值的量，已于步骤S51中计算得到；
步骤S522：遍历所有充电站所得到的各类前景值，分别从有益到无益排列，命名为xc1,xc2,…,xc,TCV_Valid，计算得到车主所能接受的交通特性值标准值，公式为
Figure BDA0003875064460000082
其中，部分充电站可能由于电动车续航不足的原因无法到达，TCVValid为可到达充电站个数；s1、s2为权重间隔区间，计算公式为s1＝floor(TCVValid/3)-1、
s2＝TCVValid-[floor(TCVValid/3)+1] 公式六；
floor为向下取整。
步骤S523：计算k车在t时刻针对第j项交通特性值选择充电站i的前景价值函数，公式为
Figure BDA0003875064460000083
其中α与β分别为风险敏感系数，λ为损失规避系数，dkij为在k车选择充电站i进行充电的交通特性值j与车主内心衡量标准的差值，车主内心衡量标准即通过步骤S522计算所得的S；
步骤S524：通过层次分析法确定影响车主进行决策的各交通特性值所占比重；
步骤S525：计算得到车主面对收益与损失的权重函数，公式为
Figure BDA0003875064460000091
其中γ为风险收益态度系数，δ为风险损失态度系数，ωtj为第j项交通特性值的权重；
步骤S526：计算k车在t时刻选择第i个充电站的前景值，公式为：
Figure BDA0003875064460000092
所述步骤S524具体包括以下步骤：
步骤S5241：列出步骤S51中两两交通特性值的重要性关联程度，列出矩阵A，以1表示两种交通特性值同等重要，2表示一种交通特性值较另一种明显重要，3表示一种交通特性值较另一种非常重要；各数的倒数即为相反含义；
步骤S5242：设j为交通特性值的个数，计算矩阵A中，每一行元素相乘之积开j次方的值W；
步骤S5243：将W进行归一化，得到W*；
步骤S5244：求解最大特征值，
Figure BDA0003875064460000093
其中，W* i为矩阵W*的第i行；
步骤S5245：进行一致性检验，计算
Figure BDA0003875064460000094
特别地，j＝3时此处取RI为0.58；若CR>1则不符合要求，说明需要重新考虑重要性关联程度。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.计及多源信息和决策修正的电动汽车充电站负荷预测方法，其特征在于：包括以下步骤；
步骤一、首先模拟地区内用户可收集到的多源信息；
步骤二、在用户遭遇低电量并做出前往充电站的决策时，通过前景理论进行模拟；
步骤三、在用户充电过程中，依据实时信息变化，通过前景理论进行决策修正，通过对决策的修正，使地区区域内的充电站负荷分配更均匀并符合用户用车实际需求的预测。
2.根据权利要求1所述的计及多源信息和决策修正的电动汽车充电站负荷预测方法，其特征在于：步骤一具体分为以下步骤；
步骤S1：将用户的出行模型分为私家车与出租车，通过出行链模型与OD矩阵进行出行链生成；
步骤S2：收集路网内用户可获得的多源信息，如路况、天气、充电站排队情况；
步骤S3：统计路网内各道路车流量，依据Greenshield交通流拟合模型对路网速度进行生成，从而得到各道路车辆的行驶速度，进而得到行驶距离与能耗；
步骤S4：依据预测的气温判断车辆空调的开启状态，判断其工况是冷风、暖风还是关闭，从而计算车辆空调所耗能耗；在车辆电量中扣除每时刻所耗电量；
步骤二、步骤三具体分为以下步骤；
步骤S5：针对出租车，当车辆电量低于车主预期电量时，使用前景理论对当前场景下可前往的路网内各充电站充电进行评估，得到最优的充电站，作出前往该充电站进行充电的决策；
步骤S6：每当电量低的车辆在前往充电站过程中抵达路网中节点或路口时，跳转至步骤S5进行充电站选择的重新评估；若最优充电站有变，则修改充电决策中欲前往的充电站目的地；若结果未变，则继续前往充电站；
步骤S7：车辆抵达充电站后，进入排队状态，在经历排队进入充电状态后，依据车辆所存留电量的范围，使用不同预估的充电功率对车辆所充电量进行估计；
步骤S8：将各时刻、各车辆在各充电站所充电量分别进行全日时刻累加，得到各充电站在单日内的充电负荷。
3.根据权利要求2所述的计及多源信息和决策修正的电动汽车充电站负荷预测方法，其特征在于：所述步骤S5中具体包括以下步骤：
步骤S51：考虑电价、前往充电站所需时间、充电站排队情况这三个因素，归纳计算3个对应的交通特性值，即付费成本、时间成本与期望收益；
步骤S52：计算各充电站对应的前景值。
4.根据权利要求2或3所述的计及多源信息和决策修正的电动汽车充电站负荷预测方法，其特征在于：所述步骤S51具体包括以下步骤：
步骤S511：计算付费成本，即预计的排队时间后，充电所需的电费；计算方法为：
Figure FDA0003875064450000021
其中Wcharging(t)为t时刻车辆所充电量；Eprice(t)为充电站t时刻的分时电价；tEVCS为车辆经过预估排队时间后开始充电的时间；tcharging为预估充电时长；
步骤S512：计算时间成本，即考虑车主依据各充电枪对应SOC状态与充电站排队情况计算出等待充电时长后，转化成的收入损失；计算方法为：
x2＝(tqueue+tcharging)·vave·ε 公式二，
其中tqueue为排队所需时间；vave为由步骤S3拟合的路网内所有道路速度平均值；ε为每公里预估盈利额；
步骤S513：期望收益，计及营运电动汽车车主后续候客接单难易程度、预计订单目的地。计算方法为：
Figure FDA0003875064450000022
其中numdest为充电站所覆盖的区域个数；ODdest为前往对应目的地的OD矩阵概率；twait为在当前区域需要停留的时间。
5.根据权利要求2或3所述的计及多源信息和决策修正的电动汽车充电站负荷预测方法，其特征在于：所述步骤S52具体包括以下步骤：
步骤S521：定义原始决策矩阵，公式为
Figure FDA0003875064450000023
其中，xt,ij即为车辆在t时刻前往第i个充电站的第j个交通特性值，即车主需要考虑的多方面因素，并将它们转化为损益值的量，已于步骤S51中计算得到；
步骤S522：遍历所有充电站所得到的各类前景值，分别从有益到无益排列，命名为xc1,xc2,…,xc,TCV_Valid，计算得到车主所能接受的交通特性值标准值，公式为
Figure FDA0003875064450000031
其中，部分充电站可能由于电动车续航不足的原因无法到达，TCVValid为可到达充电站个数；s1、s2为权重间隔区间，计算公式为s1＝floor(TCVValid/3)-1、
s2＝TCVValid-[floor(TCVValid/3)+1] 公式六；
floor为向下取整。
步骤S523：计算k车在t时刻针对第j项交通特性值选择充电站i的前景价值函数，公式为
Figure FDA0003875064450000032
其中α与β分别为风险敏感系数，λ为损失规避系数，dkij为在k车选择充电站i进行充电的交通特性值j与车主内心衡量标准的差值，车主内心衡量标准即通过步骤S522计算所得的S；
步骤S524：通过层次分析法确定影响车主进行决策的各交通特性值所占比重；
步骤S525：计算得到车主面对收益与损失的权重函数，公式为
Figure FDA0003875064450000033
其中γ为风险收益态度系数，δ为风险损失态度系数，ωtj为第j项交通特性值的权重；
步骤S526：计算k车在t时刻选择第i个充电站的前景值，公式为：
Figure FDA0003875064450000041
6.根据权利要求5所述的计及多源信息和决策修正的电动汽车充电站负荷预测方法，其特征在于：所述步骤S524具体包括以下步骤：
步骤S5241：列出步骤S51中两两交通特性值的重要性关联程度，列出矩阵A，以1表示两种交通特性值同等重要，2表示一种交通特性值较另一种明显重要，3表示一种交通特性值较另一种非常重要；各数的倒数即为相反含义；
步骤S5242：设j为交通特性值的个数，计算矩阵A中，每一行元素相乘之积开j次方的值W；
步骤S5243：将W进行归一化，得到W*；
步骤S5244：求解最大特征值，
Figure FDA0003875064450000042
其中，W* i为矩阵W*的第i行；
步骤S5245：进行一致性检验，计算
Figure FDA0003875064450000043
特别地，j＝3时此处取RI为0.58；若CR>1则不符合要求，说明需要重新考虑重要性关联程度。
CN202211210825.7A 2022-09-30 2022-09-30 计及多源信息和决策修正的电动汽车充电站负荷预测方法 Pending CN115545303A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211210825.7A CN115545303A (zh) 2022-09-30 2022-09-30 计及多源信息和决策修正的电动汽车充电站负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211210825.7A CN115545303A (zh) 2022-09-30 2022-09-30 计及多源信息和决策修正的电动汽车充电站负荷预测方法

Publications (1)

Publication Number Publication Date
CN115545303A true CN115545303A (zh) 2022-12-30

Family

ID=84731976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211210825.7A Pending CN115545303A (zh) 2022-09-30 2022-09-30 计及多源信息和决策修正的电动汽车充电站负荷预测方法

Country Status (1)

Country Link
CN (1) CN115545303A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
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

Cited By (2)

* Cited by examiner, † Cited by third party
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

Similar Documents

Publication Publication Date Title
CN110126841B (zh) 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法
CN110728396B (zh) 一种考虑时空分布的电动汽车充电负荷综合建模方法
CN107067110B (zh) 车-路-网模式下电动汽车充电负荷时空预测方法
CN105160428B (zh) 高速公路电动汽车快速充电站的规划方法
CN106326992A (zh) 一种基于电量匹配的app预约租车系统及方法
CN106599390A (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
CN106296355A (zh) 一种基于电量匹配的web门户预约租车系统及方法
Guo et al. A novel energy consumption prediction model with combination of road information and driving style of BEVs
CN115345451A (zh) 一种基于充电站推荐策略的电动汽车充电引导方法
CN112330013A (zh) 一种基于动态路-电耦合网络的电动汽车充电引导和定价方法
CN116187161A (zh) 一种智能网联环境下混合动力客车智能能量管理方法及系统
CN115545303A (zh) 计及多源信息和决策修正的电动汽车充电站负荷预测方法
CN114021391A (zh) 基于动态能耗与用户心理的电动汽车充电负荷预测方法
CN113627814B (zh) 基于电动汽车动态充电请求的移动并行充电系统
CN113609693B (zh) 基于改进累积前景理论的异质性车主充电行为建模方法
CN115222156A (zh) 基于分时对偶路网考虑用户需求响应的汽车充电调度方法
CN111915150A (zh) 一种电动公交系统规划方法
CN115545337A (zh) 一种考虑线-网互动的电动汽车充电决策优化方法
Feng et al. Review of electric vehicle charging demand forecasting based on multi-source data
CN114936666A (zh) 基于车-站-平台系统的电动汽车充电导航方法及系统
Cui et al. Dynamic pricing for fast charging stations with deep reinforcement learning
Sadhukhan et al. Optimal placement of electric vehicle charging stations in a distribution network
CN116968767A (zh) 基于多维数据融合的新能源汽车充电路径规划方法及系统
CN110516372A (zh) 计及准动态交通流的电动汽车荷电状态时空分布模拟方法
CN109117972A (zh) 一种电动汽车的充电需求确定方法

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