CN115907076A - 一种山地城市充电负荷概率预测系统及方法 - Google Patents
一种山地城市充电负荷概率预测系统及方法 Download PDFInfo
- Publication number
- CN115907076A CN115907076A CN202211212868.9A CN202211212868A CN115907076A CN 115907076 A CN115907076 A CN 115907076A CN 202211212868 A CN202211212868 A CN 202211212868A CN 115907076 A CN115907076 A CN 115907076A
- Authority
- CN
- China
- Prior art keywords
- charging
- vehicle
- power consumption
- electric automobile
- 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
Classifications
-
- 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
Landscapes
- Navigation (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请提供了一种山地城市充电负荷概率预测系统及方法,该系统包括:道路侧摄像头模块,采集过往车辆的车辆图片;道路侧GPS定位模块,获取过往车辆的实时位置;道路侧温度采集模块,采集过往车辆所处环境的实时环境温度;云平台数据中心,存储充电站位置数据、山地城市的道路数据、历史充电信息、历史空调使用数据、单位里程行驶功耗参数、车载设备的功耗参数和电池充电功率参数;云处理平台,根据上述信息确定电动汽车的驾驶员里程焦虑度,计算电动汽车的出行耗电量、设备耗电量、充电概率、电动汽车到达目标充电站的最短耗时,根据电池充电功率参数和目标充电站的充电方式数据确定充电负荷值,生成电动汽车的充电负荷预测结果。
Description
技术领域
本申请涉及电动汽车充电技术领域,尤其是涉及到一种山地城市电动汽车的充电负荷概率预测系统和山地城市电动汽车的充电负荷概率预测方法。
背景技术
电动汽车充电负荷预测是开展电动汽车的接入对电网的影响分析、配电网规划与控制运行、电动汽车与电网双向互动及电动汽车与其他能源、交通等系统协调研究的基础。由于电动汽车的充电行为具有时间上和空间上的随机性,充电负荷和概率的预测涉及十分复杂的影响因素,不同的考虑角度将形成不同的负荷预测模型和结果。为了城市电网能正常可靠运行,应准确预测出未来电动汽车的充电负荷和概率,形成电网与电动汽车协调发展的适应性方案,从而更有效促进新能源电动汽车的推广和应用。
目前对电动汽车的负荷和概率预测方法,包括电力系统短期负荷预测方法、蒙特卡洛模拟法以及其他新型电动汽车负荷预测方法。但从目前的研究方法来看,其中并没有考虑驾驶员“里程焦虑”、山地城市道路特点对负荷的影响,导致电动汽车耗电量计算的不准确,进而导致对电动汽车充电概率和负荷的预测的不准确。
发明内容
有鉴于此,本申请提供了一种山地城市充电负荷概率预测系统和山地城市充电负荷概率预测方法,将客观现实的车辆剩余电量与主观意愿的车主里程焦虑度相结合,使负荷预测更贴合现实实际,且考虑了山地城市的道路特性,对山地城市的电动汽车负荷预测更为准确。
第一方面,本申请实施例提供了一种山地城市的电动汽车的充电负荷概率预测系统,该系统包括:
道路侧摄像头模块,部署在各交通道路上,用于采集交通道路上过往车辆的车辆图片;
道路侧GPS定位模块,安装于道路侧摄像头模块,用于获取过往车辆的实时位置;
道路侧温度采集模块,部署在各交通道路上,用于采集过往车辆所处环境的实时环境温度;
云平台数据中心,用于存储充电站位置数据、充电站的充电方式数据、山地城市的道路数据、历史充电信息、历史空调使用数据,以及不同车型对应的单位里程行驶功耗参数、车载设备的功耗参数和电池充电功率参数;
云处理平台,与道路侧摄像头模块、道路侧GPS定位模块、道路侧温度采集模块和云平台数据中心通信连接,云处理平台用于:
对过往车辆的车辆图片进行图像处理,识别出过往车辆中的电动汽车以及电动汽车的驾驶员的脸部信息,并根据驾驶员的脸部信息确定驾驶员里程焦虑度;
根据电动汽车的车型数据,在云平台数据中心中查找电动汽车的车型对应的单位里程行驶功耗参数、车载设备的功耗参数以及电池充电功率参数,以及在云平台数据中心中获取电动汽车对应记录的历史充电信息、充电站位置数据和充电站的充电方式数据,并获取电动汽车的实时信息,实时信息包括实时位置和实时环境温度;
根据实时位置、历史充电信息、云平台数据中心中的山地城市的道路数据、单位里程行驶功耗参数以及出行耗电量公式,计算电动汽车在山地城市中的出行耗电量,以及根据实时环境温度和云平台数据中心中的环境数据与山地城市的历史空调使用数据的对应关系,预测电动汽车的车辆空调使用数据,并根据历史充电信息、车辆空调使用数据、车载设备的功耗参数以及设备耗电量公式,计算电动汽车的设备耗电量;
根据出行耗电量、设备耗电量、历史充电信息中的上次脱离充电站的电池荷电状态,计算电动汽车的电池剩余电量,以及根据电池剩余电量、驾驶员里程焦虑度,得到电动汽车的充电概率;
根据实时信息中的实时位置、充电站位置数据,以实时位置的最近的充电站为目的地,以路径最短为目标函数,输入路径寻优算法数学模型中,输出电动汽车的最近的目标充电站、电动汽车到达目标充电站的最优路径,并计算电动汽车到达目标充电站的最短耗时;
根据电池充电功率参数和目标充电站的充电方式数据,确定电动汽车的充电负荷值;
生成电动汽车的充电负荷预测结果,充电负荷预测结果包括:电动汽车的车牌号、充电概率、目标充电站、电动汽车到达目标充电站的最短耗时、电动汽车的充电负荷值。
第二方面,本申请实施例提供了一种山地城市的电动汽车的充电负荷概率预测方法,该方法包括:
通过设置于交通道路上的道路侧摄像头模块获取交通道路上过往车辆的车辆图片,通过通过设置于道路侧摄像头模块上的道路侧GPS定位模块获取过往车辆的实时位置,以及通过设置于交通道路上的道路侧温度采集模块获取过往车辆所处环境的实时环境温度;
对过往车辆的车辆图片进行图像处理,识别出过往车辆中的电动汽车以及电动汽车的驾驶员的脸部信息,并根据驾驶员的脸部信息确定驾驶员里程焦虑度;
根据电动汽车的车型数据,在电动汽车数据库中查找电动汽车的车型对应的单位里程行驶功耗参数、车载设备的功耗参数以及电池充电功率参数,以及在充电数据库中获取电动汽车对应记录的历史充电信息,以及在充电站数据库中获取充电站位置数据和充电站的充电方式数据;
根据电动汽车的实时位置、历史充电信息、交通路网数据库中的山地城市的道路数据、单位里程行驶功耗参数以及出行耗电量公式,计算电动汽车在山地城市中的出行耗电量,以及根据实时环境温度和空调数据库中的环境数据与山地城市的历史空调使用数据的对应关系,预测电动汽车的车辆空调使用数据,并根据历史充电信息、车辆空调使用数据、车载设备的功耗参数以及设备耗电量公式,计算电动汽车的设备耗电量;
根据出行耗电量、设备耗电量、历史充电信息中的上次脱离充电站的电池荷电状态,计算电动汽车的电池剩余电量,以及根据电池剩余电量、驾驶员里程焦虑度,得到电动汽车的充电概率;
根据实时位置、充电站位置数据,以实时位置的最近的充电站为目的地,以路径最短为目标函数,输入路径寻优算法数学模型中,输出电动汽车的最近的目标充电站、电动汽车到达目标充电站的最优路径,并计算电动汽车到达目标充电站的最短耗时;
根据电池充电功率参数和目标充电站的充电方式数据,确定电动汽车的充电负荷值;
生成电动汽车的充电负荷预测结果,充电负荷预测结果包括:电动汽车的车牌号、充电概率、目标充电站、电动汽车到达目标充电站的最短耗时、电动汽车的充电负荷值。
本发明的山地城市的电动汽车的充电负荷预测方案,将客观现实的车辆剩余电量与主观意愿的车主里程焦虑相结合,且将电力网、交通网、信息网三网联合,使负荷预测更贴合现实实际,且考虑了山地城市的道路特性,对山地城市的电动汽车负荷预测更为准确。并且,预测结果更数值化,给出每辆电动汽车车牌号、充电概率、目标充电站、预计达到的目标充电站的时间、充电负荷的具体大小,能更方便地得出各个充电站未来负荷的预测增长曲线,便于后续进行电网经济调度、潮流优化等。
另外,对于电动汽车采用非侵入式检测的方式,不需要与车内设备发生关联,从外部采集数据信息,避免影响车主情绪造成预测结果较大误差。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例的基于非侵入式检测的山地城市的电动汽车的充电负荷概率预测系统的结构框图;
图2示出了本申请实施例的基于非侵入式检测的山地城市的电动汽车的充电负荷概率预测方法的流程示意图;
图3示出了本申请实施例的云处理平台的处理工作的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的山地城市的电动汽车的充电负荷预测系统和山地城市的电动汽车的充电负荷预测方法进行详细地说明。
实施例一
本申请实施例提供了一种山地城市的电动汽车的充电负荷概率预测系统,如图1所示,该充电负荷概率预测系统包括电动汽车数据采集计算系统、云平台数据中心以及云处理平台。其中,电动汽车数据采集计算系统包括:
道路侧摄像头模块,部署在各交通道路上,用于采集交通道路上过往车辆的车辆图片;
道路侧GPS定位模块,安装于道路侧摄像头模块,用于获取过往车辆的实时位置;
道路侧温度采集模块,部署在各交通道路上,用于采集过往车辆所处环境的实时环境温度;
边缘服务器计算模块,用于对道路侧摄像头模块、道路侧GPS定位模块、道路侧温度采集模块采集的信息进行预处理;
电动汽车通信模块,用于将预处理后的信息发送至云处理平台。
云平台数据中心,用于存储充电站位置数据、充电站的充电方式数据、山地城市的道路数据、历史充电信息、历史空调使用数据,以及不同车型对应的单位里程行驶功耗参数、车载设备的功耗参数和电池充电功率参数;
云处理平台,与电动汽车数据采集计算系统和云平台数据中心通信连接,云处理平台用于:对过往车辆的车辆图片进行图像处理,识别出过往车辆中的电动汽车以及电动汽车的驾驶员的脸部信息,并根据驾驶员的脸部信息确定驾驶员里程焦虑度;根据电动汽车的车型数据,在云平台数据中心中查找电动汽车的车型对应的单位里程行驶功耗参数、车载设备的功耗参数以及电池充电功率参数,以及在云平台数据中心中获取电动汽车对应记录的历史充电信息、充电站位置数据和充电站的充电方式数据,并获取电动汽车的实时信息,实时信息包括实时位置和实时环境温度;根据实时位置、历史充电信息、云平台数据中心中的山地城市的道路数据、单位里程行驶功耗参数以及出行耗电量公式,计算电动汽车在山地城市中的出行耗电量,以及根据实时环境温度和云平台数据中心中的环境数据与山地城市的历史空调使用数据的对应关系,预测电动汽车的车辆空调使用数据,并根据历史充电信息、车辆空调使用数据、车载设备的功耗参数以及设备耗电量公式,计算电动汽车的设备耗电量;根据出行耗电量、设备耗电量、历史充电信息中的上次脱离充电站的电池荷电状态,计算电动汽车的电池剩余电量,以及根据电池剩余电量、驾驶员里程焦虑度,得到电动汽车的充电概率;根据实时信息中的实时位置、充电站位置数据,以实时位置的最近的充电站为目的地,以路径最短为目标函数,输入路径寻优算法数学模型中,输出电动汽车的最近的充电站、电动汽车到达目标充电站的最优路径,并计算电动汽车到达目标充电站的最短耗时;根据电池充电功率参数和目标充电站的充电方式数据,确定电动汽车的充电负荷值;生成电动汽车的充电负荷预测结果,充电负荷预测结果包括:电动汽车的车牌号、充电概率、目标充电站、电动汽车到达目标充电站的最短耗时、电动汽车的充电负荷值。
在本发明的一个实施例中,道路侧摄像头模块包括:交通摄像头,用于拍摄过往车辆的车辆图片;第一通信模块,与图像处理模块和边缘服务器计算模块通信连接,用于将根据车辆图片得到的数据上传至边缘服务器计算模块进行预处理。
道路侧GPS定位模块包括:定位模块,用于定位过往车辆的实时位置;第二通信模块,与定位模块和边缘服务器计算模块通信连接,将过往车辆的实时位置上传至边缘服务器计算模块进行预处理。
道路侧温度采集模块包括:温度传感器,部署在各交通道路上,用于采集过往车辆所处环境的实时环境温度;第三通信模块,与温度传感器和边缘服务器计算模块通信连接,将实时环境温度上传至边缘服务器计算模块进行预处理。
最后,由边缘服务器计算模块将预处理后的数据经电动汽车通信模块上传至所述云处理平台。
在本发明的一个实施例中,云平台数据中心包括:电动汽车数据库,用于存储不同车型对应的单位里程行驶功耗参数、车载设备的功耗参数和电池充电功率参数;充电数据库,用于存储各种电动汽车的历史充电信息;充电站数据库,用于存储充电站位置数据和充电站的充电方式数据;交通路网数据库,用于存储山地城市的道路数据;空调数据库,用于存储山地城市的历史空调使用数据;第四通信模块,与云处理平台通信连接,将不同车型对应的单位里程行驶功耗参数、车载设备的功耗参数和电池充电功率参数,以及各种电动汽车的历史充电信息、充电站位置数据、充电站的充电方式数据、山地城市的道路数据、山地城市的历史空调使用数据上传至云处理平台。
在本发明的一个实施例中,如图1所示,云处理平台包括:图像识别模块,用于根据车辆图片识别过往车辆中的电动汽车和电动汽车的驾驶员的脸部信息;充电概率预测模块,用于计算电动汽车的充电概率;充电负荷值预测模块,用于计算电动汽车的充电负荷值;路径寻优模块,用于计算距离电动汽车最近的目标充电站和电动汽车到达目标充电站的最短耗时;第五通信模块,与道路侧摄像头模块、道路侧GPS定位模块、道路侧温度采集模块、云平台数据中心通信连接。
实施例二
本申请实施例提供了一种山地城市的电动汽车的充电负荷概率预测方法,如图2所示,该方法包括:
通过道路侧摄像头模块采集交通道路上过往车辆的车辆图片,根据车辆图片识别车牌信息;根据车牌信息判断过往车辆是否为电动汽车;
若为电动汽车,则对车辆图片进行图像处理,利用OCR识别模型提取出电动汽车的驾驶员的脸部信息,利用综合评价函数数学模型,根据驾驶员的脸部信息确定驾驶员里程焦虑度;获取实时位置、历史充电信息、云平台数据中心中的山地城市的道路数据、单位里程行驶功耗参数、实时环境温度、历史充电信息、车载设备的功耗参数、车辆空调使用数据、车载设备的功耗参数,利用出行耗电量模型计算电动汽车在山地城市中的出行耗电量,以及利用设备耗电量模型计算电动汽车的设备耗电量;计算电动汽车的电池剩余电量。再进行充电概率预测模型的训练与计算,并利用神经网络训练自适应模型,最后预测出电动汽车的充电概率。
以及获取实时位置、充电站位置数据、城市道路网数据;利用路径寻优算法,确定目标充电站位置和达到目标充电站的最短耗时;并获取目标充电站提供的充电方式数据和电动汽车的电池充电功率参数,计算电动汽车的充电负荷值。
最后,输出电动汽车的车牌号、充电概率、目标充电站、电动汽车到达目标充电站的最短耗时、电动汽车的充电负荷值。
最后,对前往同一充电站的所有电动汽车的充电负荷预测结果进行聚类分析,给出每个充电站的充电负荷增长预测曲线。并且,返回第一步,实现滚动预测,不断更新预测曲线。
本申请的一个实施例中,电动汽车的充电负荷概率预测方法具体包括:
通过设置于交通道路上的道路侧摄像头模块获取交通道路上过往车辆的车辆图片,通过通过设置于道路侧摄像头模块上的道路侧GPS定位模块获取过往车辆的实时位置,以及通过设置于交通道路上的道路侧温度采集模块获取过往车辆所处环境的实时环境温度;对过往车辆的车辆图片进行图像处理,识别出过往车辆中的电动汽车以及电动汽车的驾驶员的脸部信息,并根据驾驶员的脸部信息确定驾驶员里程焦虑度;根据电动汽车的车型数据,在电动汽车数据库中查找电动汽车的车型对应的单位里程行驶功耗参数、车载设备的功耗参数以及电池充电功率参数,在充电数据库中获取电动汽车对应记录的历史充电信息,以及在充电站数据库中获取充电站位置数据和充电站的充电方式数据;根据电动汽车的实时位置、历史充电信息、交通路网数据库中的山地城市的道路数据、单位里程行驶功耗参数以及出行耗电量公式,计算电动汽车在山地城市中的出行耗电量,以及根据实时环境温度和空调数据库中的环境数据与山地城市的历史空调使用数据的对应关系,预测电动汽车的车辆空调使用数据,并根据历史充电信息、车辆空调使用数据、车载设备的功耗参数以及设备耗电量公式,计算电动汽车的设备耗电量;根据出行耗电量、设备耗电量、历史充电信息中的上次脱离充电站的电池荷电状态,计算电动汽车的电池剩余电量,以及根据电池剩余电量、驾驶员里程焦虑度,得到电动汽车的充电概率;根据实时位置、充电站位置数据,以实时位置的最近的充电站为目的地,以路径最短为目标函数,输入路径寻优算法数学模型中,输出电动汽车的最近的目标充电站、电动汽车到达目标充电站的最优路径,并计算电动汽车到达目标充电站的最短耗时;根据电池充电功率参数和目标充电站的充电方式数据,确定电动汽车的充电负荷值;生成电动汽车的充电负荷预测结果,充电负荷预测结果包括:电动汽车的车牌号、充电概率、目标充电站、电动汽车到达目标充电站的最短耗时、电动汽车的充电负荷值。
其中,还可获取电动汽车的其他实时信息,例如实时车速、实时时间、实时运动轨迹等,上述历史充电信息包括:上次脱离充电站的时间、上次脱离充电站的充电站位置、上次脱离充电站时电池荷电状态、以及上次脱离充电站至电动汽车的实时位置时的所有行程数据,行程数据包括车速、时间、位置、温度、运动轨迹,环境数据包括:季节、天气、时间、温湿度等数据。
如图3所示,云处理平台的处理工作包括里程焦虑度计算、剩余电量计算、充电概率计算、最近充电站路径寻优以及充电负荷预测。以下给出每个处理工作的具体内容:
一.里程焦虑度计算
1.交通道路沿路安装交通摄像头,记录道路中车辆行驶情况。利用机器视觉技术,筛选出电动汽车,识别电动汽车的车牌号、驾驶人脸部信息,记录至云存储数据库,供剩余电量计算所用。
利用交通道路沿路安装的交通摄像头记录的车辆大数据作为训练集,使用基于YOLOv3的目标检测模型,设计损失函数:
Lcls=-logpu
Lcls表示车辆分类损失的loss-cls代价函数、Lloc表示预测框回归损失的loss-bbox代价函数、p表示predict预测的类别、u表示真实的类别、t表示预测框的坐标信息、v表示真实框的坐标信息、i表示一张图片中每一台车的遍历下标、g表示gradient梯度权重,用于把预测的车辆位置信息作权重削弱。通过损失函数计算预测数据与测试集数据的误差,并通过梯度下降法迭代更新YOLOv3目标检测模型中的所有权重参数,“梯度下降法”是通过计算当前网络权重参数所对应的梯度大小和方向,按照设定的步长往梯度的反方向更新网络参数,经过多次迭代训练后能得到一个使损失函数误差最小的网络参数。
在利用YOLOv3目标检测模型,加载训练好的网络参数后,输入记录的车辆图片,经过模型预测计算,输出车牌区域和驾驶员人脸区域。
2.在得到车牌区域和驾驶员人脸区域后,使用OCR识别模型,提取车牌信息和脸部微表情信息,根据时间序列记录脸部微表情信息,构造综合评价函数,将脸部微表情信息代入综合评价函数中,计算出驾驶员里程焦虑模拟值。综合评价函数为:
其中,score表示驾驶员里程焦虑模拟值,ai表示第i个脸部微表情关键点的权重值,Zi表示第i个脸部微表情关键点坐标,n表示脸部微表情关键点的数量。
再利用转换公式,对驾驶员里程焦虑模拟值进行转换,得到驾驶员里程焦虑的主成分风险值。转换公式为:
risk_value=[score+abs(min(score))]×10
其中,risk_value表示驾驶员里程焦虑的主成分风险值,score表示驾驶员里程焦虑模拟值。
二.剩余电量计算
1.交通道路沿路安装的交通摄像头,记录道路中车辆行驶情况。利用机器视觉技术,筛选出电动汽车,识别电动汽车的车牌信息,比对电动汽车数据库中车型数据,调用该车型使用的电池的单位里程行驶功耗参数、车载设备(主要是空调)的功耗参数和电池充电功率参数,并将实时车速、实时时间、实时位置、实时位置附近的实时环境温度、运动轨迹(包含行驶方向)记录至云存储数据库。
2.以电动汽车的车牌信息为检索关键词,在充电数据库中提取该电动汽车对应记录的历史充电信息,该历史充电信息为链表信息,链表是一种存储方式,例如用车牌号为链头,后面的链结信息全是这个车牌号对应的信息,方便检索。历史充电信息包括上次脱离充电站的时间、上次脱离充电站的充电站位置、上次脱离充电站时电池荷电状态、以及上次脱离充电站至电动汽车的实时位置时的所有行程数据(行程数据包括车速、时间、位置、温度、运动轨迹)。
3.依据实时信息和历史充电信息,再结合交通路网数据库的山地城市的道路数据(主要是根据过往记录的车辆时间、位置、运动轨迹,以上次脱离充电站的充电站位置为起始点、实时位置为目的地,模拟出电动汽车的完整行驶路径),利用电池的出行耗电量公式,计算出该行驶路径下电池的出行耗电量(需用到过往行驶轨迹中每段路程的车速、时间、交通路网数据库中的道路长度和坡度、电池的单位里程行驶功耗参数)。
平原城市中,电动汽车的出行耗电量可由两点间的水平距离计算得到,计算公式为:
式中,QO,D为电动汽车由起始点出发前往目的地的出行耗电量,L为由起始点前往目的地的行驶路径,i,j为行驶路径L上的两个相邻节点,X'i,j为相邻两点i、j之间的水平距离,NR代表城市路网集合,ps为电池的单位里程行驶功耗参数。
考虑到山地城市中道路相对高度的问题,电动汽车的出行耗电量不仅取决于水平方向上的耗电量,还与其在垂直方向上克服重力做功有关。同时,考虑到山地城市中崎岖的地形和起伏的道路,两点间的行驶路径不再是一条平滑的直线,而是具有一定坡度的斜线道路。最终应使用的电动汽车在山地城市中的出行耗电量为:
其中,EO,为出行耗电量,ps为电动汽车的单位里程行驶功耗参数,L为电动汽车的行驶路径,X'i,j为行驶路径上相邻两点i,j的行驶里程,i,j∈NR,NR为城市路网集合,Hi,j为相邻两点i,j在垂直方向上的相对高度差,Hi,j=hj-hi,hi为i点的高度,hj为j点的高度,当Hi,j<0时,路径[i,j]为下坡路段,当Hi,j>0时,路径[i,j]为上坡路段,αi,j为电动汽车在单位相对高度中克服重力做功的爬坡系数或能量回收效率系数,单位为m/kWh。
ps∑i,j∈LXi,j表示在平地上行驶的耗电,是单位里程行驶功耗参数×行驶里程;∑i,j∈Lαi,jHi,j是考虑山地城市特性,道路很多不是平地,会产生上坡额外耗电量或下坡回收电量所增加。
αi,j的计算公式为:
其中,αc为爬坡系数,αd为能量回收效率系数。当电动汽车行驶在上坡路段时,需要克服重力做功,则αi,j为爬坡系数αc,当电动汽车行驶在下坡路段时,由于制动状态可以获得一部分的能量恢复,则αi,j为能量回收效率系数αd。
电动汽车在下坡制动运行状态时,电动机将转化为发电机运行状态,能够辅助车载电池回收部分能量,能够有效提升能量利用效率,增加电动汽车的续航里程。但电动汽车的运行过程一般包含了加速、行驶、减速和制动等状态,且能量回收与制动时长、加速度和行驶速度等指标有关,很难精确计算和搜集其在一次出行中的运行状态,因此,在使用数学公式进行计算时假设αd是一个恒定的平均常数,其值可由电动出租车日常运营时测得。具体地,可由电动汽车在日常运行时,以不同车速经过各种路段所测得的耗能数据,减去这些路段对应的平地上相同长度、相同车速的计算耗能,得出这些路段的上坡额外耗能或下坡能量回收,再利用上坡额外耗能或下坡能量回收除以高度差,即得到同一路段的不同车速对应的爬坡系数αc或能量回收效率系数αd。
建立存储各种路段的爬坡系数αc和能量回收效率系数αd与不同车速的对应关系的数据库,当电动汽车中的电动汽车经过上坡路段或下坡路段时,在数据库中查找与电动汽车的实时车速对应的爬坡系数αc或能量回收效率系数αd。
另外,路径[i,j]的爬坡系数αc由路径中每一段的实际道路坡度等级确定。
例如,爬坡系数αc为:
其中,vmax为市内允许的车辆最大行驶速度,lv表示动力电池的能量转换效率,vn为电动汽车正常行驶速度,Mv为一有效表征道路坡度等级的参数,其值越大表明道路延绵起伏更加剧烈,道路的每一次起伏坡度更陡,相反则表明道路更平缓。由于实际交通路网中的道路十分复杂,详细刻画十分困难,因此,可将不同的道路坡度角大小,一一对应设定Mv为一个定值。
比如某一段为上坡路段,先把上坡路段当作平地计算,先计算出如果是正常平地行驶会用多少电,再用上坡路段对应的高度乘以爬坡系数,计算得出该上坡路段相比正常平地行驶,需要额外再加上多少耗电。如果是下坡路段,∑i,j∈Lαi,jHi,j计算结果就是负数,最终平地路段耗电减去下坡回收的电能,得出下坡路实际耗电。
综上,数学公式中所有参数均给出后,可以计算出电动汽车的出行耗电量EO,。
4.依据实时信息和历史充电信息,结合空调数据库中的季节、天气、时间、温湿度等数据的不同参数值所对应的车辆空调使用数据,也即,空调设备使用情况,利用设备耗电量公式,计算出电动汽车的设备耗电量。空调设备使用情况,例如,夏季-晴天-14:00-39摄氏度下的平均空调开启概率为98%用户开启空调,空调开启概率大于一定阈值即认为空调开启。
确定在车辆过往行驶路径(以上次脱离电网的充电站位置为起始点、实时位置为目的地)中,哪些路段开启了空调,这些开启了空调的路段里程之和为多少。想要知道车辆过往行驶的每条路段是否开启了空调,就要用到过往记录的车辆在每条路段行驶时的时间、温度数据,再依据大数据统计出的时间、温度、天气、季节与空调开启概率之间的公式,综合考虑这些因素得出每条路段空调开启的概率。将所有过往路段连起来,模拟出电动汽车在行驶路径中空调开启的情况,由这个模拟情况,得出开启空调的行驶路程,代入设备耗电量公式计算设备耗电量。
电动汽车的空调的耗电量全部由电池供应,而空调启动概率与温度之间的统计学数学公式为:
其中,Pac为空调启动概率,T为温度。相应地,季节、天气、时间、湿度可以使用类似的统计学数学公式,在各个因素综合考虑下得出电动汽车行驶过程中的空调启动概率,根据空调启动概率进行设备耗电量的计算。
由于空调耗电量受车型空间大小、车身隔热性等因素的影响,因此不能准确定义空调耗电量随温度的变化,只能根据大量统计数据,分析各种电动汽车类型的空调平均耗电量与环境温度的联系。不同类型的电动汽车空调开启情况(主要是时长)区别较大,例如,大部分出租车正常拉客时、正常投运电动公交车在行驶途中都全程开启空调,汽车按需开启,在设置模拟情况时可以先考虑车型因素(也即,车载设备的功耗参数),再考虑外界的季节、天气、温度、时间因素。
实际运行道路中,电动汽车有各种各样的类型、型号,不同型号又有不同的参数,在计算设备电耗量时需调用对应的车载设备的功耗参数。如吉利帝豪EV4的标定续航里程为0km,电池容量为52kWh,空调在开启制冷前后的百公里耗电量分别为13.12kWh与19.06kWh,在开启空调制热前后的百公里耗电量分别为13.12kWh与.73kWh。设备耗电量的数学公式为:
其中,ET为电动汽车从起始点到目的地的设备耗电量,L.为电动汽车开启空调的行驶路径,Xi,j为开启空调的行驶路径上相邻两点i,j的行驶里程,Xi,j为根据山地城市的车辆空调使用数据所确定,i,j∈NR,NR为城市路网集合,ER/L为电动汽车在空调制热/制冷情况下的百公里功耗参数,E0为电动汽车在空调未开启情况下的百公里功耗参数。
其中,ER/L和E0为车载设备的功耗参数,与车型有关。
5.依据出行耗电量、设备耗电量、上次脱离充电站的电池荷电状态(也即起始电量),计算得出当下实时的电池的剩余电量。剩余电量的计算公式为:
EZ=ES-EO,D-ET
其中,EZ为剩余电量,ES为起始电量,EO,D为出行耗电量,ET为设备耗电量。
三.充电概率计算
将剩余电量、里程焦虑度作为输入变量,利用概率论知识,训练充电需求的联合分布函数或概率密度函数,即预测得到电动汽车的驾驶员在不同的剩余电量、里程焦虑度所对应的充电概率。
预测方法在投用早期可以使用现有的研究成果模型,在积累足够多的历史数据后,可以利用神经网络算法训练出山地城市条件下独有的、适用更强的联合分布函数或联合概率密度函数。
示例性地,假定剩余电量拟合正态分布,里程焦虑度拟合对数正态分布,剩余电量的边缘概率密度函数为:
其中,f(EZ)为电池剩余电量对应的充电概率,EZ为电池剩余电量,u=17.6,σ=3.4。
里程焦虑度的边缘概率密度函数为:
其中,f(S)为驾驶员里程焦虑度对应的充电概率,S为驾驶员里程焦虑度,u=3.2,σ=0.88。
假定剩余电量和里程焦虑度相互独立,其联合概率密度函数为:
f(EZ,S)=f(EZ)f(S)。
其中,f(EZ,S)为所述电动汽车的充电概率。
四.最近充电站路径寻优
依据当前电动汽车的实时位置,结合交通路网数据,以实时位置附近最近充电站为目的地,以路径最短或耗时最短为目标函数,输入路径寻优算法数学模型中,输出到达最近的充电站的最优路径、最短耗时。
Dijkstra算法是以初始节点为出发点,以距离的严格递增方式进行节点的搜索,当搜索完所有节点,算法结束。Dijkstra算法是求解最短路问题中非常有代表性的算法,该算法执行的前提是图的所有边中不存在负数权值,路网能够满足这一条件。当选择路网中的某一节点为参考点后,它会按照与参考点的路径距离依次递增的顺序搜索其余节点,在实际操作中,不必搜索出路网中的其余节点全部,可令搜索到目标节点为算法提前停止条件。
令电动汽车的实时位置为V0,实时位置附近充电站为其他节点,建立一个数组Dis,数组Dis的元素的序号与节点号对应,数组Dis中每个元素存储的值为对应节点与V0的路径长度,将已经找到其到V0最短路径的节点按照先后顺序存储到一个数组S中,将已经找到的节点的所有后继节点存储到一个数组T中。以V0为初始节点的最短路径规划,路径寻优算法数学模型的具体执行顺序如下:
(1)将V0的后继节点尽数移至数组T中,将节点与V0的路径长度的值存储到数组Dis相应的元素中;
(2)将数组T中与V0之间的路径长度最小的节点移动到数组S中,设此节点为Vi;
(3)若Vi为目标节点,则执行步骤(6);
(4)拓展Vi,将其不属于数组S和数组T的所有后继节点新增到数组T中,计算它们与V0之间的路径长度并存储到数组Dis相应的元素中,若某一后继节点之前已经位于数组T中,则将此后继节点与V0之间的新的路径长度与数组Dis中已经存在的路径长度进行比较,如果新的路径长度更小,则更新数组Dis元素中的值,若后继节点之前已经位于数组S中,则跳过;
(5)若数组T中不存在节点,则算法结束,表示V0与目标节点之间不存在可通行路径,否则,转到步骤(2)继续执行;
(6)找到V0与目标节点之间的最优路径Xmin,并将目标节点设为最近的充电站Vmin,算法结束。
根据最近的充电站Vmin与附近充电站的对应关系和交通路网数据,得出最近的充电站Vmin的具体位置。并以实时车速v为该电动汽车前往最近的充电站Vmin的平均车速,计算耗时则预计到达充电站时间可用实时时间顺延Δt得出。
最近的目标充电站与电动汽车产生充电需求位置之间的距离小于或等于电动汽车的续航里程,约束条件为:
0≤xtotal(t)≤Mi(t)
其中,xtotal(t)表示目标充电站与电动汽车产生充电需求位置之间的距离,Mi(t)表示第i辆电动汽车的续航里程;
电动汽车到达目标充电站的最短耗时为:
其中,t0表示电动汽车产生充电需求的时间,t1表示电动汽车接入目标充电站的最短耗时,V0表示电动汽车的行驶平均速度,X”表示从出发地到目的地的路径,L'i,j表示路径中相邻两点的距离,H'i,j表示路径中相邻两点在垂直方向上的相对高度差。
五.确定充电负荷值
调出电动汽车的车型对应的电池充电功率参数,根据上述路径寻优算法预测出的目的地充电站,调用这个充电站能够提供的充电方式数据(也即,该充电站建设提供的充电桩是慢充还是快充),最后根据电池充电功率参数和充电方式数据,确定充电负荷大小。
电动汽车的充电负荷值的约束条件为:
六.充电负荷预测
给出一辆电动汽车的最终的充电负荷预测结果,包括:电动汽车的车牌号、充电概率、目标充电站、电动汽车到达目标充电站的最短耗时、电动汽车的充电负荷值。例如:预测车牌号“xxxxxx”的电动汽车,将有85%的概率,于13:00到达朝天门来福士地下停车场充电站进行充电,充电功率大小为7kw。
最后,需要说明的是,电动汽车出行轨迹取决于车主(也即驾驶员)的驾驶决策,不同车主的充电决策各有不同,使得电动汽车充电行为本身具有随机性,因此未来的充电负荷预测是概率性的预测;同时,基于非侵入式检测的方法采集图像数据,并进行图像数据隐含的充电需求挖掘与分析,该方法本身受到图像数据与车主真实充电决策耦合紧密程度大小的影响,使得分析处理结果与未来真实充电行为有拟合偏差,因此基于非侵入式检测的充电负荷预测方法是一种概率预测方法。
实施例三
对前往同一充电站的所有电动汽车的充电负荷预测结果进行聚类分析,给出每个充电站未来的充电负荷增长预测曲线,该曲线可用于后续规划调度人员进行潮流优化、机组组合、经济调度等。
其中,电动汽车充放电后出网的电量要满足客户需求,出网的电量的约束条件为:
其中,表示电动汽车接入充电桩期间的充电电量,表示电动汽车接入充电桩期间的放电电量,表示电动汽车用户预期充电电量,表示电动汽车接入充电桩时的初始电量,ηcha表示电动汽车的充电效率,ηdis表示电池的放电效率,Bi第i辆电动汽车的电池容量,εbat表示电动汽车电池损耗系数;
接入充电桩的电动汽车是否满足时间约束条件为:
在充电负荷增长预测曲线应用于工作人员进行电网调度的过程中,一种电动汽车柔性空调负荷平抑变电站过载的调度方法,最小温控计划调度偏差模型为:
调度约束条件为变电站不能过载,即变电站负荷不能超过变电站容量,其公式表示为:
其中,表示t时刻区域内电网的基础负荷,表示t时刻区域内新加入的电动汽车充电负荷,表示t时刻线路网损,表示t时刻房间空调负荷的削减量,表示t时刻电动汽车的放电功率,SN表示变压器的额定功率,cosψ表示变压器的功率因素。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种山地城市充电负荷概率预测系统,其特征在于,所述系统包括:
道路侧摄像头模块,部署在各交通道路上,用于采集交通道路上过往车辆的车辆图片;
道路侧GPS定位模块,安装于所述道路侧摄像头模块,用于获取所述过往车辆的实时位置;
道路侧温度采集模块,部署在各交通道路上,用于采集过往车辆所处环境的实时环境温度;
云平台数据中心,用于存储充电站位置数据、充电站的充电方式数据、山地城市的道路数据、历史充电信息、历史空调使用数据,以及不同车型对应的单位里程行驶功耗参数、车载设备的功耗参数和电池充电功率参数;
云处理平台,与所述道路侧摄像头模块、所述道路侧GPS定位模块、所述道路侧温度采集模块和所述云平台数据中心通信连接,所述云处理平台用于:
对所述过往车辆的车辆图片进行图像处理,识别出所述过往车辆中的电动汽车以及所述电动汽车的驾驶员的脸部信息,并根据所述驾驶员的脸部信息确定驾驶员里程焦虑度;
根据所述电动汽车的车型数据,在所述云平台数据中心中查找所述电动汽车的车型对应的单位里程行驶功耗参数、车载设备的功耗参数以及电池充电功率参数,以及在所述云平台数据中心中获取所述电动汽车对应记录的历史充电信息、充电站位置数据和充电站的充电方式数据,并获取所述电动汽车的实时信息,所述实时信息包括实时位置和实时环境温度;
根据所述实时位置、所述历史充电信息、所述云平台数据中心中的山地城市的道路数据、所述单位里程行驶功耗参数以及出行耗电量公式,计算所述电动汽车在山地城市中的出行耗电量,以及根据所述实时环境温度和所述云平台数据中心中的环境数据与所述山地城市的历史空调使用数据的对应关系,预测所述电动汽车的车辆空调使用数据,并根据所述历史充电信息、所述车辆空调使用数据、所述车载设备的功耗参数以及设备耗电量公式,计算所述电动汽车的设备耗电量;
根据所述出行耗电量、所述设备耗电量、所述历史充电信息中的上次脱离充电站的电池荷电状态,计算所述电动汽车的电池剩余电量,以及根据所述电池剩余电量、所述驾驶员里程焦虑度,得到所述电动汽车的充电概率;
根据所述实时信息中的实时位置、所述充电站位置数据,以所述实时位置的最近的充电站为目的地,以路径最短为目标函数,输入路径寻优算法数学模型中,输出所述电动汽车的最近的目标充电站、所述电动汽车到达所述目标充电站的最优路径,并计算所述电动汽车到达所述目标充电站的最短耗时;
根据所述电池充电功率参数和所述目标充电站的充电方式数据,确定所述电动汽车的充电负荷值;
生成所述电动汽车的充电负荷预测结果,所述充电负荷预测结果包括:所述电动汽车的车牌号、所述充电概率、所述目标充电站、所述电动汽车到达所述目标充电站的最短耗时、所述电动汽车的充电负荷值。
2.根据权利要求1所述的系统,其特征在于,所述道路侧摄像头模块包括:
交通摄像头,用于拍摄所述过往车辆的车辆图片;
第一通信模块,与所述图像处理模块通信连接,用于将根据车辆图片得到的数据上传至所述云处理平台;
所述道路侧GPS定位模块包括:
定位模块,用于定位所述过往车辆的实时位置;
第二通信模块,与所述定位模块通信连接,将所述过往车辆的实时位置上传至所述云处理平台;
所述道路侧温度采集模块包括:
温度传感器,部署在各交通道路上,用于采集过往车辆所处环境的实时环境温度;
第三通信模块,与所述温度传感器通信连接,将所述实时环境温度上传至所述云处理平台。
3.根据权利要求1所述的系统,其特征在于,所述云平台数据中心包括:
电动汽车数据库,用于存储不同车型对应的单位里程行驶功耗参数、车载设备的功耗参数和电池充电功率参数;
充电数据库,用于存储各种电动汽车的历史充电信息;
充电站数据库,用于存储充电站位置数据和充电站的充电方式数据;
交通路网数据库,用于存储山地城市的道路数据;
空调数据库,用于存储所述山地城市的历史空调使用数据;
第四通信模块,与所述云处理平台通信连接,将所述不同车型对应的单位里程行驶功耗参数、车载设备的功耗参数和电池充电功率参数,以及各种电动汽车的历史充电信息、充电站位置数据、充电站的充电方式数据、山地城市的道路数据、所述山地城市的历史空调使用数据上传至所述云处理平台。
4.根据权利要求1所述的系统,其特征在于,所述云处理平台包括:
图像识别模块,用于根据所述车辆图片识别所述过往车辆中的电动汽车和所述电动汽车的驾驶员的脸部信息;
充电概率预测模块,用于计算所述电动汽车的充电概率;
充电负荷值预测模块,用于计算所述电动汽车的充电负荷值;
路径寻优模块,用于计算距离所述电动汽车最近的所述目标充电站和所述电动汽车到达所述目标充电站的最短耗时;
第五通信模块,与所述道路侧摄像头模块、所述道路侧GPS定位模块、所述道路侧温度采集模块、所述云平台数据中心通信连接。
5.一种山地城市充电负荷概率预测方法,其特征在于所述方法包括:
通过设置于交通道路上的道路侧摄像头模块获取交通道路上过往车辆的车辆图片,通过设置于道路侧摄像头模块上的道路侧GPS定位模块获取所述过往车辆的实时位置,以及通过设置于交通道路上的道路侧温度采集模块获取所述过往车辆所处环境的实时环境温度;
对所述过往车辆的车辆图片进行图像处理,识别出所述过往车辆中的电动汽车以及所述电动汽车的驾驶员的脸部信息,并根据所述驾驶员的脸部信息确定驾驶员里程焦虑度;
根据所述电动汽车的车型数据,在电动汽车数据库中查找所述电动汽车的车型对应的单位里程行驶功耗参数、车载设备的功耗参数以及电池充电功率参数,在充电数据库中获取所述电动汽车对应记录的历史充电信息,以及在充电站数据库中获取充电站位置数据和充电站的充电方式数据;
根据所述电动汽车的实时位置、所述历史充电信息、交通路网数据库中的山地城市的道路数据、所述单位里程行驶功耗参数以及出行耗电量公式,计算所述电动汽车在山地城市中的出行耗电量,以及根据所述实时环境温度和空调数据库中的环境数据与所述山地城市的历史空调使用数据的对应关系,预测所述电动汽车的车辆空调使用数据,并根据所述历史充电信息、所述车辆空调使用数据、所述车载设备的功耗参数以及设备耗电量公式,计算所述电动汽车的设备耗电量;
根据所述出行耗电量、所述设备耗电量、所述历史充电信息中的上次脱离充电站的电池荷电状态,计算所述电动汽车的电池剩余电量,以及根据所述电池剩余电量、所述驾驶员里程焦虑度,得到所述电动汽车的充电概率;
根据所述实时位置、所述充电站位置数据,以所述实时位置的最近的充电站为目的地,以路径最短为目标函数,输入路径寻优算法数学模型中,输出所述电动汽车的最近的目标充电站、所述电动汽车到达所述目标充电站的最优路径,并计算所述电动汽车到达所述目标充电站的最短耗时;
根据所述电池充电功率参数和所述目标充电站的充电方式数据,确定所述电动汽车的充电负荷值;
生成所述电动汽车的充电负荷预测结果,所述充电负荷预测结果包括:所述电动汽车的车牌号、所述充电概率、所述目标充电站、所述电动汽车到达所述目标充电站的最短耗时、所述电动汽车的充电负荷值。
6.根据权利要求5所述的方法,其特征在于,所述对所述过往车辆的车辆图片进行图像处理,识别出所述过往车辆中的电动汽车以及所述电动汽车的驾驶员的脸部信息,并根据所述驾驶员的脸部信息确定驾驶员里程焦虑度,包括:
将所述车辆图片输入至已训练的YOLOv3目标检测模型中,输出所述过往车辆的车牌区域和驾驶员人脸区域;
利用已训练的OCR识别模型,提取所述车牌区域内的车牌信息、所述驾驶员人脸区域内的脸部微表情信息,并根据所述车牌信息确定所述过往车辆中的电动汽车,以及将所述脸部微表情信息输入综合评价函数,计算出驾驶员里程焦虑模拟值,再利用转换公式,对所述驾驶员里程焦虑模拟值进行转换,得到驾驶员里程焦虑的主成分风险值;
所述综合评价函数的公式为:
其中,score表示所述驾驶员里程焦虑模拟值,ai表示第i个脸部微表情关键点的权重值,Zi表示第i个脸部微表情关键点坐标,n表示脸部微表情关键点的数量;
所述转换公式为:
risk_value=[score+abs(min(score))]×10
其中,risk_value表示所述驾驶员里程焦虑的主成分风险值,score表示所述驾驶员里程焦虑模拟值。
7.根据权利要求5所述的方法,其特征在于,
所述出行耗电量公式为:
其中,EO,D为所述出行耗电量,ps为所述电动汽车的单位里程行驶功耗参数,L为所述电动汽车的行驶路径,X'i,j为行驶路径上相邻两点i,j的行驶里程,i,j∈NR,NR为城市路网集合,Hi,j为相邻两点i,j在垂直方向上的相对高度差,Hi,j=hj-hi,hi为i点的高度,hj为j点的高度,当Hi,j<0时,路径[i,j]为下坡路段,当Hi,j>0时,路径[i,j]为上坡路段,αi,j为所述电动汽车在单位相对高度中克服重力做功的爬坡系数或能量回收效率系数;
αi,j的计算公式为:
其中,αc为爬坡系数,αd为能量回收效率系数;
所述设备耗电量公式为:
其中,ET为所述电动汽车的设备耗电量,L.为所述电动汽车开启空调的行驶路径,Xi,j为开启空调的行驶路径上相邻两点i,j的行驶里程,Xi,j为根据所述山地城市的车辆空调使用数据所确定,i,j∈NR,NR为城市路网集合,ER/L为所述电动汽车在空调制热/制冷情况下的百公里功耗参数,E0为所述电动汽车在空调未开启情况下的百公里功耗参数;
所述剩余电量的计算公式为:
EZ=ES-EO,D-ET
其中,EZ为剩余电量,ES为起始电量,EO,D为出行耗电量,ET为设备耗电量。
8.根据权利要求5所述的方法,其特征在于,
所述目标充电站与所述电动汽车产生充电需求位置之间的距离小于或等于所述电动汽车的续航里程,约束条件为:
0≤xtotal(t)≤Mi(t)
其中,xtotal(t)表示所述目标充电站与所述电动汽车产生充电需求位置之间的距离,Mi(t)表示第i辆所述电动汽车的续航里程;
所述电动汽车到达所述目标充电站的最短耗时为:
其中,t0表示所述电动汽车产生充电需求的时间,t1表示所述电动汽车接入所述目标充电站的最短耗时,V0表示所述电动汽车的行驶平均速度,X”表示从出发地到目的地的路径,L'i,j表示所述路径中相邻两点的距离,H'i,j表示路径中相邻两点在垂直方向上的相对高度差;
所述电动汽车的充电负荷值的约束条件为:
9.根据权利要求5所述的方法,其特征在于,还包括:
对前往同一所述充电站的所有电动汽车的充电负荷预测结果进行聚类分析,给出每个所述充电站的充电负荷增长预测曲线;
其中,所述电动汽车充放电后出网的电量要满足客户需求,所述出网的电量的约束条件为:
其中,表示所述电动汽车接入充电桩期间的充电电量,表示所述电动汽车接入充电桩期间的放电电量,表示所述电动汽车用户预期充电电量,表示所述电动汽车接入充电桩时的初始电量,ηcha表示所述电动汽车的充电效率,ηdis表示电池的放电效率,Bi第i辆所述电动汽车的电池容量,εbat表示所述电动汽车电池损耗系数;
接入充电桩的电动汽车是否满足时间的约束条件为:
10.根据权利要求5所述的方法,其特征在于,
山地城市的电动汽车的充电负荷预测,与图像数据、驾驶员的充电决策耦合相关,为概率预测方法;
在山地城市采集到大量的电动汽车数据、大量电动汽车充电行为数据后,利用神经网络算法,训练山地城市自用的电动汽车的充电概率预测模型,所述充电概率预测模型用于预测所述电动汽车的充电概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211212868.9A CN115907076A (zh) | 2022-09-30 | 2022-09-30 | 一种山地城市充电负荷概率预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211212868.9A CN115907076A (zh) | 2022-09-30 | 2022-09-30 | 一种山地城市充电负荷概率预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907076A true CN115907076A (zh) | 2023-04-04 |
Family
ID=86487357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211212868.9A Pending CN115907076A (zh) | 2022-09-30 | 2022-09-30 | 一种山地城市充电负荷概率预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907076A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090675A (zh) * | 2023-04-10 | 2023-05-09 | 成都信息工程大学 | 基于区块链与神经网络联合的短时充电调度方法 |
CN116945907A (zh) * | 2023-09-19 | 2023-10-27 | 江西五十铃汽车有限公司 | 一种新能源电动汽车里程计算方法及系统 |
CN117273181A (zh) * | 2023-11-17 | 2023-12-22 | 天津平高易电科技有限公司 | 一种电动汽车充电调度方法和系统 |
CN117371635A (zh) * | 2023-11-16 | 2024-01-09 | 浙江快哥新能源科技有限公司 | 基于人工智能的移动换电储能数据分析管理系统及方法 |
CN117273181B (zh) * | 2023-11-17 | 2024-04-26 | 天津平高易电科技有限公司 | 一种电动汽车充电调度方法和系统 |
-
2022
- 2022-09-30 CN CN202211212868.9A patent/CN115907076A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090675A (zh) * | 2023-04-10 | 2023-05-09 | 成都信息工程大学 | 基于区块链与神经网络联合的短时充电调度方法 |
CN116090675B (zh) * | 2023-04-10 | 2023-06-09 | 成都信息工程大学 | 基于区块链与神经网络联合的短时充电调度方法 |
CN116945907A (zh) * | 2023-09-19 | 2023-10-27 | 江西五十铃汽车有限公司 | 一种新能源电动汽车里程计算方法及系统 |
CN116945907B (zh) * | 2023-09-19 | 2024-01-26 | 江西五十铃汽车有限公司 | 一种新能源电动汽车里程计算方法及系统 |
CN117371635A (zh) * | 2023-11-16 | 2024-01-09 | 浙江快哥新能源科技有限公司 | 基于人工智能的移动换电储能数据分析管理系统及方法 |
CN117371635B (zh) * | 2023-11-16 | 2024-03-22 | 浙江快哥新能源科技有限公司 | 基于人工智能的移动换电储能数据分析管理系统及方法 |
CN117273181A (zh) * | 2023-11-17 | 2023-12-22 | 天津平高易电科技有限公司 | 一种电动汽车充电调度方法和系统 |
CN117273181B (zh) * | 2023-11-17 | 2024-04-26 | 天津平高易电科技有限公司 | 一种电动汽车充电调度方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115907076A (zh) | 一种山地城市充电负荷概率预测系统及方法 | |
CN108806021B (zh) | 基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法 | |
CN110174117B (zh) | 一种电动汽车充电路线规划方法 | |
CN105185115B (zh) | 一种交通预测方法和预测系统 | |
CN108761509B (zh) | 一种基于历史数据的汽车行驶轨迹及里程预测方法 | |
CN110816549B (zh) | 能源管理装置、模型管理方法以及计算机程序 | |
CN104260724B (zh) | 一种车辆智能预测控制系统及其方法 | |
CN116341706A (zh) | 基于综合能源感知的城市移动负荷概率预测系统与方法 | |
CN114819305B (zh) | 一种基于碳排放度量尺度下的路径规划方法 | |
CN107886188B (zh) | 液化天然气公交尾气排放预测方法 | |
CN108510129B (zh) | 一种无人驾驶车辆实时电量智慧预测方法及装置 | |
Fotouhi et al. | Electric vehicle energy consumption estimation for a fleet management system | |
CN114492919A (zh) | 一种基于交通流量的电动汽车充电负荷预测系统及方法 | |
CN108364464A (zh) | 一种基于概率模型的公交车辆旅行时间建模方法 | |
JP3981067B2 (ja) | 走行速度データ分類装置、走行速度パターン推定装置、及びハイブリッド車両の駆動制御装置 | |
Paľo et al. | The comparison of automatic traffic counting and manual traffic counting | |
CN111063204A (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
CN108510130B (zh) | 一种智能无人驾驶车辆极限里程智能多源评估方法及装置 | |
CN116700296A (zh) | 基于深度学习的自主充电无人电动车智能规划方法及系统 | |
CN112860782A (zh) | 一种基于大数据分析的纯电动车续驶里程估计方法 | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
Kim et al. | A machine learning method for ev range prediction with updates on route information and traffic conditions | |
CN116523093A (zh) | 基于随机源荷预测的能源系统的网格需求感知系统及方法 | |
CN108846571A (zh) | 一种网联化电动汽车宏观能量消耗估计方法 | |
CN109919393B (zh) | 一种电动出租汽车的充电负荷预测方法 |
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 |