CN115660501A - 电动汽车充电负荷可调裕度评估方法 - Google Patents
电动汽车充电负荷可调裕度评估方法 Download PDFInfo
- Publication number
- CN115660501A CN115660501A CN202211392609.9A CN202211392609A CN115660501A CN 115660501 A CN115660501 A CN 115660501A CN 202211392609 A CN202211392609 A CN 202211392609A CN 115660501 A CN115660501 A CN 115660501A
- Authority
- CN
- China
- Prior art keywords
- road
- time
- electric vehicle
- load
- electric
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种电动汽车充电负荷可调裕度评估方法,具体按照以下步骤实施:基于电动汽车充电站的负荷数据,建立价差响应模型;评估基于时空特性分析的电动汽车空间转移行程,确定下一段行程的耗电量;基于用户需求响应构建电动汽车负荷可调裕度评估模型;通过电动汽车负荷可调裕度评估模型估计电动汽车充电负荷可调裕度;本发明方法能够提高电力系统的运行调度时,电动汽车充电站中负荷可调量评估结果精确度,使电动汽车负荷调节量满足实际调峰需求。
Description
技术领域
本发明属于电力负荷可调裕度评估技术领域,具体涉及电动汽车充电负荷可调裕度评估方法。
背景技术
随着经济社会的不断发展和城市规模的不断扩大,人类对以石油为代表的资源需求与日俱增,能源危机和环境问题日益凸显。交通领域构成了石油消费的主要份额,目前占石油消费量的一半以上。和其他领域相比,交通领域的温室气体排放量增速明显。近年来随着汽车保有量近乎指数级的增长,节能减排压力巨大。截至2020年底,我国水电工程、风力发电、光伏发电、高品质发电量各自持续16、11、6、3年稳居世界第一。2010 年至今,中国新能源汽车持续增长,销售量占全球新能源汽车的50%之上。现阶段,中国也是世界新能源汽车拥有量数最多的国家。电动汽车产业化能有效解决环境污染和能源消耗的问题。大规模电动汽车的随机性充电需求对于电力系统安全和稳定是一个巨大的挑战。
考虑到在未来几年随着电动汽车数量的进一步膨胀式增长,对充电需求的扩大以及充电时段的集中性,将会给电网的安全稳定运行带来新的挑战。然而由于电动汽车作为分布式储能单元具备灵活的可调配性,又被认为是未来可预见的理想调峰资源。因此,针对电动汽车作为响应资源进行削峰填谷的潜力评估也是亟需解决的问题。目前,电动汽车可调裕度评估的主要考虑因素为充电电价,很少有考虑到用户的出行约束。这样会导致评估结果偏大,影响电动汽车负荷参与削峰填谷。
发明内容
本发明的目的是提供电动汽车充电负荷可调裕度评估方法,能够更准确的为电网调峰过程提供电动汽车聚合商可参与削减的负荷容量,提高电网灵活性和安全性。
本发明所采用的技术方案是,电动汽车充电负荷可调裕度评估方法,具体按照以下步骤实施:
步骤1、基于电动汽车充电站的负荷数据,建立价差响应模型;
步骤2、评估基于时空特性分析的电动汽车空间转移行程,确定下一段行程的耗电量;
步骤3、基于用户需求响应构建电动汽车负荷可调裕度评估模型;
步骤4、通过电动汽车负荷可调裕度评估模型估计电动汽车充电负荷可调裕度。
本发明的特点还在于:
步骤1具体过程为:以1小时为步长,电动汽车充电站的负荷数据作为一个样本,提取过去半年内的电动汽车充电站的负荷数据形成样本集,对样本集中样本聚类,得到k个初始聚类中心;以每个初始聚类中心作为一个场景日,绘制负荷变化曲线,根据负荷大小确定电动汽车充电站中用户数,对每个场景日根据电价划分时段,根据从电价峰时段与电价谷时段用户数之比,建立电动汽车用户电价差的响应定量模型,表示为:
式中:Δpfg表示峰谷电价差,λfg表示用户需求响应度,λmax是最大的需求响应度,lfg为用户需求响应启动阈值,即只有当峰谷电价差大于lfg时用户才会参与到电价需求响应中,小于lfg的区域称为死区,hfg为用户需求响应饱和阈值,即当峰谷电价差大于hfg时,需求响应度不再增大,进入饱和区,在lfg和hfg之间的区域是线性区。
对样本集中样本聚类具体过程为:对样本集中随机选取一个样本作为第一个聚类初始中心,计算剩余样本xi距离聚类初始中心的距离,记录下其中的最短距离d(x);
步骤2具体过程为:
步骤2.1、采用图论方法绘制交通路网的拓扑结构;由样本分析建立空间转移概率矩阵,确定下一时段的目的地类型;
步骤2.2、根据交通出行量分析电动汽车出发地i和目的地j,根据最短路径分析法建立路径选择模型;
步骤2.3、对车辆行驶过程引入速度-流量模型,在确定下一目的地类型后,结合路径选择模型确定行驶时长最短的路径,结合速度-流量模型和道路拓扑结构,评估电动汽车空间转移行程,确定下一段行程的耗电量。
步骤2.1具体过程为:
用G(V,E)表示路网的图,其中:E为边集,即路网中路段的集合;V为顶点集{1,2,…n},即路网中路段的端点或多个路段交叉点的集合;假设所有道路均为双行道,矩阵D为道路权值的邻接矩阵,用于描述各路段长度以及节点连接关系;D中元素dij的赋值规则如下式所示,
其中:lij是节点i和节点j之间的路段长度;inf表示两节点之间无直连路段,因此道路拓扑图对应的矩阵D为:
生成矩阵D后,由样本分析建立空间转移概率矩阵,确定下一时段的目的地类型。
步骤2.2中具体过程为:
假设在交通出行量分析中,司机均选择最短路径行驶,i和j间的最短行驶路径集合R={i,…,e,f,…,j}和行驶总里程lij;
设集合R中包含s个直连路段,第h个直连路段行驶速度Vh(t),其行驶时间ΔTh,路径选择模型表示为:
其中,dh表示路径;
因此,i和j间行驶总时间表示为:
步骤2.3中对车辆行驶过程引入速度-流量模型过程为:
t时刻以i、j为端点的直连路段(i,j)上车辆行驶速度vij(t),表示为:
式中:vij-m表示直连路段(i,j)的零流速度;Cij为道路(i,j)的通行能力,与道路等级有关;qij(t)为t时刻道路(i,j)的路段流量;qij(t)与Cij的比值为t 时刻道路饱和度;a、b、n为不同道路等级下的自适应系数;将道路分为主干道(I)和次干道(II),对主干道,a、b、n分别取值1.742、3.13和3;对次干道,a、b、n分别取值2.042、2.901和3。
步骤3具体过程为:
步骤3.1、以空间转移概率矩阵为基础,预测电动汽车用户受电价影响而延迟充电后将要到达的下一个目的地,考虑道路和车流因素,结合道路交通模型评估此时行驶所需的最低电量,从而得到用户受电价影响而参与响应延迟充电时,电动汽车的行驶最低电量约束,结合行驶最低电量约束与不影响电池寿命的最低电量约束,得到出行需求转移意愿模型如下:
Smin=Sxmin+Sm (7)
式中:RS(t1,t)为出行需求转移意愿;S(i)为电动汽车i时电池电量;Sm为不损害电池寿命的最低电量;Sxmin为电动汽车到达下一目的地行驶过程所需最低电量,Sen为满足电量裕度需求的SOC阈值;
步骤3.2、根据时间特征和空间特征的交互影响,建立一天完整交通出行链,根据出行链评估电动汽车所需电量;
步骤3.3、以价差转移率反映单用户考虑时段电价差后的充电时间转移概率,并考虑t1时段用户响应度的电动汽车i可调容量,建立电动汽车负荷可调裕度评估模型。
步骤3.2具体过程为:
时间特征量是描述用户出行在时间上的变化规律的变量,包括起始出行时刻,行驶时长,停车时长;假设首次出行的起始出行时刻ts1,第i次行程的行驶时长ttri,第i次行程的停车时长tdi,则得出第i次行程到达目的地的时刻tai和第i+1次行程的起始出行时刻ts(i+1),则有:
tai=tsi+ttri (9)
ts(i+1)=tsi+ttri+tdi (10)
空间特征量是描述用户出行在空间上变化规律的变量,包括目的地类型和行驶里程,可选取第i次行程出发地Pi、目的地Qi,和第i次行驶里程di;
用户第一次行程由首次出行时刻ts1和起始地点P1开始,选择下一个目的地Q1,根据起讫点P1、Q1确定行驶时长ttr1,根据行驶时长ttr1确定行驶里程d1,到达目的地Q1后确定停车时长td1,第一次行程结束,再根据公式计算得到第二次行程的出行起始时刻ts1,以此类推,得到一天完整交通出行链,根据出行链评估电动汽车所需电量。
步骤3.3具体过程为:
根据评估电动汽车所需电量计算用户的转移意愿,得到电动汽车充电时间从时段t1转移的电量转移概率为:
pz(t1)=pp(t1)×RS(t1) (11)
式中,pp(t1)为价差转移意愿;RS(t1)为出行需求转移意愿;
而t1时段考虑用户响应度的电动汽车i可调容量pcharge1_i(t1)为:
pcharge_i(t1)=pz(t1)×pq(t1) (12)
式中,pq(t1)为t1时段该电动汽车充电电量;
可调度的负荷容量应等于各充电站中所有参与调度的电动汽车可调度容量之和,电动汽车负荷可调裕度评估模型为:
本发明有益效果是:
本发明通过建立较高精度的电动汽车充电负荷可调裕度评估方法,更准确的为电网调峰过程提供电动汽车聚合商可参与削减的负荷容量,提高电网灵活性和安全性。
附图说明
图1为本发明电动汽车充电负荷可调裕度评估方法流程图;
图2是本发明中建立的电动汽车用户响应度定量模型示意图;
图3是本发明中采用的空间道路拓扑图;
图4是电动汽车电量变化计算流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明中电动汽车充电负荷可调裕度评估方法。该方法考虑了日期类型、充电电价、充电功率,充电站位置和周围充电站历史负荷充电电价等,通过分析不同电价下的充电用户比例建立电动汽车用户价差响应模型,同时建立道路拓扑结构,通过统筹时空特征变量,研究电动汽车时空变量的耦合联系关系,获得电动汽车空间转移概率矩阵。判断在不影响用户正常行驶的条件下电价调整对负荷所产生的影响。高精度的电动汽车用户价差响应分析,结合用户的交通行为,为充电站充电负荷可调裕度评估提供依据。
本发明电动汽车充电负荷可调裕度评估方法,如图1所示,具体按照以下步骤实施:
电动汽车价差响应曲线反映的是电动汽车用户总体在相同的峰谷价差下做出的不同选择。峰谷电价差会影响到用户需求响应比例。用户不是在电价变化所有范围内都愿意改变充电方式,进行电价需求响应。仅有电价改变超出一定范围用户才会改变自己的用电习惯,即为用户响应有上限和下限。在此基础上给出用户需求响应的量化模型曲线如图2所示。
基于电动汽车充电站的负荷数据,建立价差响应模型;具体过程为:以 1小时为步长,电动汽车充电站的负荷数据作为一个样本,提取过去半年内的电动汽车充电站的负荷数据形成样本集,对样本集中随机选取一个样本作为第一个聚类初始中心,计算剩余样本xi距离聚类初始中心的距离,记录下其中的最短距离d(x);
以每个初始聚类中心作为一个场景日,绘制负荷变化曲线,根据负荷大小确定电动汽车充电站中用户数,对每个场景日根据电价划分时段,根据从电价峰时段与电价谷时段用户数之比,建立电动汽车用户电价差的响应定量模型,表示为:
式中:Δpfg表示峰谷电价差,λfg表示用户需求响应度,λmax是最大的需求响应度,lfg为用户需求响应启动阈值,即只有当峰谷电价差大于lfg时用户才会参与到电价需求响应中,小于lfg的区域称为死区,hfg为用户需求响应饱和阈值,即当峰谷电价差大于hfg时,需求响应度不再增大,进入饱和区,在lfg和hfg之间的区域是线性区。
步骤2、评估基于时空特性分析的电动汽车空间转移行程,确定下一段行程的耗电量;具体过程为:
步骤2.1、根据城市中各建筑功能性的定位以及空间区域内大部分电动汽车负荷的特征,将城市灵活划分为居民区、娱乐区、商业区和工作区,结合道路拓扑结构,得到清晰的空间道路拓扑图如图3所示。采用图论方法绘制交通路网的拓扑结构;由样本分析建立空间转移概率矩阵,确定下一时段的目的地类型;具体过程为:
用G(V,E)表示路网的图,其中:E为边集,即路网中路段的集合;V为顶点集{1,2,…n},即路网中路段的端点或多个路段交叉点的集合;假设所有道路均为双行道,矩阵D为道路权值的邻接矩阵,用于描述各路段长度以及节点连接关系;D中元素dij的赋值规则如下式所示,
其中:lij是节点i和节点j之间的路段长度;inf表示两节点之间无直连路段,因此道路拓扑图对应的矩阵D为:
生成矩阵D后,由样本分析建立空间转移概率矩阵,确定下一时段的目的地类型。
步骤2.2、根据交通出行量分析电动汽车出发地i和目的地j,但通常情况下在i、j间有多条道路可供选择,假设在交通出行量分析中,司机均选择最短路径行驶,i和j间的最短行驶路径集合R={i,…,e,f,…,j}和行驶总里程lij,可由Floyd最短路径法求得;
设集合R中包含s个直连路段,第h个直连路段行驶速度Vh(t),其行驶时间ΔTh,路径选择模型表示为:
其中,dh表示路径;
因此,i和j间行驶总时间表示为:
步骤2.3、在城市交通系统中,汽车行驶速度主要受道路容量和车流量的影响。为模拟车辆行驶过程,对车辆行驶过程引入速度-流量模型,在确定下一目的地类型后,结合路径选择模型确定行驶时长最短的路径,结合速度-流量模型和道路拓扑结构,评估电动汽车空间转移行程,确定下一段行程的耗电量。
对车辆行驶过程引入速度-流量模型过程为:
t时刻以i、j为端点的直连路段(i,j)上车辆行驶速度vij(t),表示为:
式中:vij-m表示直连路段(i,j)的零流速度;Cij为道路(i,j)的通行能力,与道路等级有关;qij(t)为t时刻道路(i,j)的路段流量;qij(t)与Cij的比值为t 时刻道路饱和度;a、b、n为不同道路等级下的自适应系数;将道路分为主干道(I)和次干道(II),对主干道,a、b、n分别取值1.742、3.13和3;对次干道,a、b、n分别取值2.042、2.901和3。
步骤3、基于用户需求响应构建电动汽车负荷可调裕度评估模型;具体过程为:
步骤3.1、以空间转移概率矩阵为基础,预测电动汽车用户受电价影响而延迟充电后将要到达的下一个目的地,考虑道路和车流因素,结合道路交通模型评估此时行驶所需的最低电量,从而得到用户受电价影响而参与响应延迟充电时,电动汽车的行驶最低电量约束,结合行驶最低电量约束与不影响电池寿命的最低电量约束,得到出行需求转移意愿模型如下:
Smin=Sxmin+Sm (7)
式中:RS(t1,t)为出行需求转移意愿;S(i)为电动汽车i时电池电量;Sm为不损害电池寿命的最低电量;Sxmin为电动汽车到达下一目的地行驶过程所需最低电量,Sen为满足电量裕度需求的SOC阈值;此时为70%。
步骤3.2、汽车交通行为为一定时间和空间坐标的改变。为了完整的描述交通行为,需要时间与空间两个特征变量。汽车的时间和空间变化是随机的,并没有相对性固定的路线和时间段。因而需要分析大量交通数据信息,利用连续的时间和空间特征变量交互的交通行为特征变量对汽车的交通行为进行建模。
时间特征量是描述用户出行在时间上的变化规律的变量,包括起始出行时刻,行驶时长,停车时长;假设首次出行的起始出行时刻ts1,第i次行程的行驶时长ttri,第i次行程的停车时长tdi,则得出第i次行程到达目的地的时刻tai和第i+1次行程的起始出行时刻ts(i+1),则有:
tai=tsi+ttri (9)
ts(i+1)=tsi+ttri+tdi (10)
空间特征量是描述用户出行在空间上变化规律的变量,包括目的地类型和行驶里程,可选取第i次行程出发地Pi、目的地Qi,和第i次行驶里程di;根据城市实际功能区划分,可分若干区域,用Di表示。空间特征量之间的转换由在该时刻下的空间转移概率决定。
用户在交通出行时,由于用户行为特征会随着不同时间和不同地点而变化,因此时间特征量和空间特征量是交互影响的。用户第一次行程由首次出行时刻ts1和起始地点P1开始,选择下一个目的地Q1,根据起讫点P1、Q1确定行驶时长ttr1,根据行驶时长ttr1确定行驶里程d1,到达目的地Q1后确定停车时长td1,第一次行程结束,再根据公式计算得到第二次行程的出行起始时刻ts1,以此类推,得到一天完整交通出行链,根据出行链评估电动汽车所需电量。
步骤3.3、以价差转移率反映单用户考虑时段电价差后的充电时间转移概率,并考虑t1时段用户响应度的电动汽车i可调容量,建立电动汽车负荷可调裕度评估模型。具体过程为:
电动汽车用户参与需求响应,进行充电时段转移,主要受各时段电价差激励、出行需求、电池荷电状态SOC(State Of Charge)等的约束。可以基于消费者心理,以用户整体从高电价时段向低电价时段转移的用户数占比描述用户对电价的响应度。基于此,以价差转移率反映单用户考虑时段电价差后的充电时间转移概率,同时考虑电动汽车的出行特性,以不影响用户正常行驶为前提,综合上述约束考察用户的转移意愿,得到电动汽车充电时间从时段t1转移的电量转移概率为:
pz(t1)=pp(t1)×RS(t1) (11)
式中,pp(t1)为价差转移意愿;RS(t1)为出行需求转移意愿;
而t1时段考虑用户响应度的电动汽车i可调容量pcharge1_i(t1)为:
pcharge_i(t1)=pz(t1)×pq(t1) (12)
式中,pq(t1)为t1时段该电动汽车充电电量;
对电网而言,单辆电动汽车可调度潜力容量微不足道,可调度的负荷容量应等于各充电站中所有参与调度的电动汽车可调度容量之和,电动汽车负荷可调裕度评估模型为:
步骤4、将待评估地区的电动汽车保有量、当地路径数据(指地图、路程长短等)建立到了的拓扑结构、负荷历史数据得到的电价价差响应度等参数输入通过电动汽车负荷可调裕度评估模型估计电动汽车充电负荷可调裕度。
实施例
输入某一典型充电站的电动汽车充电数量每日平均保持在170辆,输入其一日典型负荷曲线数据,参考当地路径信息,以整体负荷高峰时段 9:00-12:00和17:00-20:00为例,分别以两种可调裕度评估方法得到该电站可调容量评估结果见表1。法1:仅考虑用户的电价响应进行可调容量评估;法2:同时考虑用户的电价响应及其出行特性进行可调容量评估(即为本发明中方法)。
表1
时间 | 充电站负荷/kW | 法1可调量评估结果/kW | 法2可调量评估结果/kW |
9:00 | 374.40 | 126.80 | 89.27 |
10:00 | 185.40 | 67.41 | 52.47 |
11:00 | 328.32 | 126.33 | 91.93 |
12:00 | 935.54 | 373.96 | 205.82 |
17:00 | 300.00 | 108.94 | 62.00 |
18:00 | 180.00 | 69.36 | 49.80 |
19:00 | 563.22 | 223.30 | 153.33 |
20:00 | 379.44 | 150.44 | 68.30 |
由以上两种方法的可调容量评估结果可以看出,本发明所提考虑用户出行特性的评估方法所得结果较低,是因为考虑了用户的实际出行需求,可以更准确地向调度部门反映此充电站负荷调节能力。若根据法1的评估结果分配给此充电站负荷调节任务,很可能超出其可调范围,因此本发明方能够更准确的为电网调峰过程提供电动汽车聚合商可参与削减的负荷容量,提高电网灵活性和安全性。
通过上述方式,本发明电动汽车充电负荷可调裕度评估方法,基于时空特性分析的适用于现阶段电动汽车发展的充电负荷可调裕度的评估方法。该方法考虑了日期类型、充电电价、充电功率,充电站位置和周围充电站历史负荷充电电价等,通过分析不同电价下的充电用户比例建立电动汽车用户价差响应模型,同时建立道路拓扑结构,通过统筹时空特征变量,研究电动汽车时空变量的耦合联系关系,获得电动汽车空间转移概率矩阵。判断在不影响用户正常行驶的条件下电价调整对负荷所产生的影响。高精度的电动汽车用户价差响应分析,结合用户的交通行为,为充电站充电负荷可调裕度评估提供依据。
Claims (10)
1.电动汽车充电负荷可调裕度评估方法,其特征在于,具体按照以下步骤实施:
步骤1、基于电动汽车充电站的负荷数据,建立价差响应模型;
步骤2、评估基于时空特性分析的电动汽车空间转移行程,确定下一段行程的耗电量;
步骤3、基于用户需求响应构建电动汽车负荷可调裕度评估模型;
步骤4、通过电动汽车负荷可调裕度评估模型估计电动汽车充电负荷可调裕度。
2.根据权利要求1所述电动汽车充电负荷可调裕度评估方法,其特征在于,步骤1具体过程为:以1小时为步长,电动汽车充电站的负荷数据作为一个样本,提取过去半年内的电动汽车充电站的负荷数据形成样本集,对样本集中样本聚类,得到k个初始聚类中心;以每个初始聚类中心作为一个场景日,绘制负荷变化曲线,根据负荷大小确定电动汽车充电站中用户数,对每个场景日根据电价划分时段,根据从电价峰时段与电价谷时段用户数之比,建立电动汽车用户电价差的响应定量模型,表示为:
式中:Δpfg表示峰谷电价差,λfg表示用户需求响应度,λmax是最大的需求响应度,lfg为用户需求响应启动阈值,即只有当峰谷电价差大于lfg时用户才会参与到电价需求响应中,小于lfg的区域称为死区,hfg为用户需求响应饱和阈值,即当峰谷电价差大于hfg时,需求响应度不再增大,进入饱和区,在lfg和hfg之间的区域是线性区。
4.根据权利要求1所述电动汽车充电负荷可调裕度评估方法,其特征在于,步骤2具体过程为:
步骤2.1、采用图论方法绘制交通路网的拓扑结构;由样本分析建立空间转移概率矩阵,确定下一时段的目的地类型;
步骤2.2、根据交通出行量分析电动汽车出发地i和目的地j,根据最短路径分析法建立路径选择模型;
步骤2.3、对车辆行驶过程引入速度-流量模型,在确定下一目的地类型后,结合路径选择模型确定行驶时长最短的路径,结合速度-流量模型和道路拓扑结构,评估电动汽车空间转移行程,确定下一段行程的耗电量。
8.根据权利要求1所述电动汽车充电负荷可调裕度评估方法,其特征在于,步骤3具体过程为:
步骤3.1、以空间转移概率矩阵为基础,预测电动汽车用户受电价影响而延迟充电后将要到达的下一个目的地,考虑道路和车流因素,结合道路交通模型评估此时行驶所需的最低电量,从而得到用户受电价影响而参与响应延迟充电时,电动汽车的行驶最低电量约束,结合行驶最低电量约束与不影响电池寿命的最低电量约束,得到出行需求转移意愿模型如下:
Smin=Sxmin+Sm (7)
式中:RS(t1,t)为出行需求转移意愿;S(i)为电动汽车i时电池电量;Sm为不损害电池寿命的最低电量;Sxmin为电动汽车到达下一目的地行驶过程所需最低电量,Sen为满足电量裕度需求的SOC阈值;
步骤3.2、根据时间特征和空间特征的交互影响,建立一天完整交通出行链,根据出行链评估电动汽车所需电量;
步骤3.3、以价差转移率反映单用户考虑时段电价差后的充电时间转移概率,并考虑t1时段用户响应度的电动汽车i可调容量,建立电动汽车负荷可调裕度评估模型。
9.根据权利要求8所述电动汽车充电负荷可调裕度评估方法,其特征在于,步骤3.2具体过程为:
时间特征量是描述用户出行在时间上的变化规律的变量,包括起始出行时刻,行驶时长,停车时长;假设首次出行的起始出行时刻ts1,第i次行程的行驶时长ttri,第i次行程的停车时长tdi,则得出第i次行程到达目的地的时刻tai和第i+1次行程的起始出行时刻ts(i+1),则有:
tai=tsi+ttri (9)
ts(i+1)=tsi+ttri+tdi (10)
空间特征量是描述用户出行在空间上变化规律的变量,包括目的地类型和行驶里程,可选取第i次行程出发地Pi、目的地Qi,和第i次行驶里程di;
用户第一次行程由首次出行时刻ts1和起始地点P1开始,选择下一个目的地Q1,根据起讫点P1、Q1确定行驶时长ttr1,根据行驶时长ttr1确定行驶里程d1,到达目的地Q1后确定停车时长td1,第一次行程结束,再根据公式计算得到第二次行程的出行起始时刻ts1,以此类推,得到一天完整交通出行链,根据出行链评估电动汽车所需电量。
10.根据权利要求8所述电动汽车充电负荷可调裕度评估方法,其特征在于,步骤3.3具体过程为:
根据评估电动汽车所需电量计算用户的转移意愿,得到电动汽车充电时间从时段t1转移的电量转移概率为:
pz(t1)=pp(t1)×RS(t1) (11)
式中,pp(t1)为价差转移意愿;RS(t1)为出行需求转移意愿;
而t1时段考虑用户响应度的电动汽车i可调容量pcharge1_i(t1)为:
pcharge_i(t1)=pz(t1)×pq(t1) (12)
式中,pq(t1)为t1时段该电动汽车充电电量;
可调度的负荷容量应等于各充电站中所有参与调度的电动汽车可调度容量之和,电动汽车负荷可调裕度评估模型为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211392609.9A CN115660501A (zh) | 2022-11-08 | 2022-11-08 | 电动汽车充电负荷可调裕度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211392609.9A CN115660501A (zh) | 2022-11-08 | 2022-11-08 | 电动汽车充电负荷可调裕度评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660501A true CN115660501A (zh) | 2023-01-31 |
Family
ID=85015585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211392609.9A Pending CN115660501A (zh) | 2022-11-08 | 2022-11-08 | 电动汽车充电负荷可调裕度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660501A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116572799A (zh) * | 2023-07-13 | 2023-08-11 | 四川轻化工大学 | 基于深度学习的动力电池荷电续航预测方法、系统及终端 |
CN117937570A (zh) * | 2024-03-18 | 2024-04-26 | 南方电网科学研究院有限责任公司 | 一种分布式充电设施的可调节裕度优化方法及系统 |
-
2022
- 2022-11-08 CN CN202211392609.9A patent/CN115660501A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116572799A (zh) * | 2023-07-13 | 2023-08-11 | 四川轻化工大学 | 基于深度学习的动力电池荷电续航预测方法、系统及终端 |
CN116572799B (zh) * | 2023-07-13 | 2023-09-05 | 四川轻化工大学 | 基于深度学习的动力电池荷电续航预测方法、系统及终端 |
CN117937570A (zh) * | 2024-03-18 | 2024-04-26 | 南方电网科学研究院有限责任公司 | 一种分布式充电设施的可调节裕度优化方法及系统 |
CN117937570B (zh) * | 2024-03-18 | 2024-06-11 | 南方电网科学研究院有限责任公司 | 一种分布式充电设施的可调节裕度优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034648B (zh) | 一种电动汽车集群需求响应潜力评估方法 | |
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 | |
Yi et al. | Energy impact evaluation for eco-routing and charging of autonomous electric vehicle fleet: Ambient temperature consideration | |
Xing et al. | Charging demand forecasting model for electric vehicles based on online ride-hailing trip data | |
CN107392400B (zh) | 计及实时交通与温度的ev充电负荷时空分布预测方法 | |
CN107067110B (zh) | 车-路-网模式下电动汽车充电负荷时空预测方法 | |
CN102044149B (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
CN115660501A (zh) | 电动汽车充电负荷可调裕度评估方法 | |
CN108681795B (zh) | 城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法 | |
Kim et al. | Idle vehicle relocation strategy through deep learning for shared autonomous electric vehicle system optimization | |
CN112487560B (zh) | 基于ev车主意愿的电力交通耦合系统协调博弈调度方法 | |
CN110084640B (zh) | 一种两阶段主从博弈的共享电动汽车补贴与定价方法 | |
Borysova et al. | Priorities of marketing, competitiveness, and innovative development of transport service providers under sustainable urban development | |
CN111667114A (zh) | 一种基于时空大数据融合的智能路线规划推荐方法 | |
CN108062591A (zh) | 电动汽车充电负荷时空分布预测方法 | |
Chen et al. | The charging characteristics of large-scale electric vehicle group considering characteristics of traffic network | |
Sheng et al. | Emission-concerned coordinated dispatching of electrified autonomous mobility-on-demand system and power system incorporating heterogeneous spatiotemporal scales | |
Falco et al. | Agent-based modelling to evaluate the impact of plug-in electric vehicles on distribution systems | |
CN113112097A (zh) | 一种电动汽车负荷预测及充电设施布局优化方法 | |
Guo et al. | Optimal path planning method of electric vehicles considering power supply | |
He et al. | Multi-time simulation of electric taxicabs' charging demand based on residents' travel characteristics | |
CN111815017B (zh) | 一种基于出行数据的电动汽车充电负荷预测方法 | |
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 | |
CN113268709A (zh) | 基于智能体仿真的城市电动汽车充电需求预测方法及系统 | |
Shu et al. | Locational Price Driven Electric Bus Fleet Operation and Charging Demand Management |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230423 Address after: No. 669, Hangtian Middle Road, Xi'an national civil aerospace industry base, Shaanxi 710100 Applicant after: Electric Power Research Institute of State Grid Shaanxi Electric Power Co.,Ltd. Address before: 710199 no.669 Hangtian Middle Road, Chang'an District, Xi'an City, Shaanxi Province Applicant before: STATE GRID SHAANXI ELECTRIC POWER Research Institute |