CN116960958B - 一种配电网中电动汽车充电负荷预测方法及装置 - Google Patents
一种配电网中电动汽车充电负荷预测方法及装置 Download PDFInfo
- Publication number
- CN116960958B CN116960958B CN202310907177.9A CN202310907177A CN116960958B CN 116960958 B CN116960958 B CN 116960958B CN 202310907177 A CN202310907177 A CN 202310907177A CN 116960958 B CN116960958 B CN 116960958B
- Authority
- CN
- China
- Prior art keywords
- traffic
- road section
- electric
- charging
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 230000006399 behavior Effects 0.000 claims abstract description 26
- 238000005094 computer simulation Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 238000013439 planning Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000001816 cooling Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001584785 Anavitrinella pampinaria Species 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种配电网中电动汽车充电负荷预测方法及装置,方法具体包括如下步骤:获取预设的交通路网仿真动态模拟模型;结合交通路网仿真动态模拟模型,确定各电动汽车的出行行为,并给出电动汽车的起始及终点矩阵;分析电动汽车的出行代价,基于最小出行成本策略,结合起始及终点矩阵,获取各电动汽车的行驶路径信息;基于各电动汽车的行驶路径信息,分析并确定各电动汽车的充电预期,并结合电动汽车充电站信息,完成配电网中电动汽车充电负荷的预测。通过分析出行行为、出行代价、充电预期及充电站等信息,结合数据驱动和模型驱动,高效、精准的实现了电动汽车在配电网中充电负荷的预测。
Description
技术领域
本发明电力负荷预测的技术领域,具体涉及一种配电网中电动汽车充电负荷预测方法及装置。
背景技术
随着电动汽车用户的激增,电动汽车用户的随机驾驶行为和聚合充电行为将不可避免地同时影响电网和交通网络。电动汽车与交通系统和电力系统的相互作用将成为新的挑战和机遇。
当前,关于电动汽车对配电网负荷影响的研究开始成为热点。如专利CN114861454A给出一种电动汽车充电负荷时空分布预测方法,考虑交叉路口信号灯等导致的时间延误对电动汽车出行路线影响的充电负荷时空分布预测模型,预测模型采用如下步骤:步骤(1)应用Synchro软件辅助建立交通仿真模块及信息初始化;步骤(2)获取预测区域用户出行参数;步骤(3)通过预测区域电动汽车出行及充电行为建立时空信息预测单元;步骤(4)根据时空信息预测结果对配电网中节点计算生成充电功率矩阵。该方案一方面可基于路网结构及历史交通流量数据依据交通系统相关信号优化理论进行交通信号的优化设计;另一方面,解决路网交叉口实际交通信号控制参数难以获取的问题,并且计算所得平均车辆延误时间可实现对交通流量波动性及信号控制下不同转弯路口不同延误的考虑。
还比如专利CN114169615A给出一种电动汽车充电负荷预测系统、方法及存储介质,解决现有的负荷预测不精确导致配电网负荷过高的问题,同时也解决由于大规模电动汽车充电造成交通拥堵的问题,系统包含一个管理平台和四个子系统;其中云监控管理平台:实时接收并显示路网数据管理系统、交通流量预测管理系统、车载数据采集控制系统、用户管理系统的相关数据及运行状态,处理这些数据得出电动汽车充电时空负荷预测信息,并将其传给负荷预测显示界面,该方案对能影响电动汽车充电负荷的各种因素进行了全面的数据挖掘,定量分析各个因素对电动汽车充电负荷的影响,使得该方案方法电动汽车充电负荷预测模型预测更准确。
但是,以上现有技术的预测均存在局限性:一方面,数据驱动预测需要大量多源异构数据支撑训练优化,另一方面,模型驱动假定大量的模型参数来表达复杂的充电行为。
因此,如何设计考虑各种因素且高效、精准的电动汽车充电负荷预测方案,以实现预测准确且模型适用训练是本领域技术人员亟待解决的问题。
发明内容
针对上述现有技术中存在的缺陷,本发明提供了一种配电网中电动汽车充电负荷预测方法及装置,获取预设的交通路网仿真动态模拟模型;确定各电动汽车的出行行为,并给出电动汽车的起始及终点矩阵;分析电动汽车的出行代价,基于最小出行成本策略,结合起始及终点矩阵,获取各电动汽车的行驶路径信息;分析并确定各电动汽车的充电预期,并结合电动汽车充电站信息,完成配电网中电动汽车充电负荷的预测。本发明通过分析出行行为、出行代价、充电预期及充电站等信息,结合数据驱动和模型驱动,高效、精准的实现了电动汽车在配电网中充电负荷的预测。
第一方面,本发明提供一种配电网中电动汽车充电负荷预测方法,具体包括如下步骤:
获取预设的交通路网仿真动态模拟模型;
结合交通路网仿真动态模拟模型,确定各电动汽车的出行行为,并给出电动汽车的起始及终点矩阵;
分析电动汽车的出行代价,基于最小出行成本策略,结合起始及终点矩阵,获取各电动汽车的行驶路径信息;
基于各电动汽车的行驶路径信息,分析并确定各电动汽车的充电预期,并结合电动汽车充电站信息,完成配电网中电动汽车充电负荷的预测。
进一步的,交通路网仿真动态模拟模型的预设,具体包括如下步骤:
结合交通规划信息和区域分布特性,构建地理网格模型;
根据地理网格模型,给出交通路段阻抗模型;
结合地理网格模型和交通路段阻抗模型,构建交通路网仿真动态模拟模型。
进一步的,结合交通规划信息和区域分布特性,构建地理网格模型,具体包括如下步骤:
根据交通规划信息,将交通空间区域划分为多个规则的网格单元;
获取交通路网的基础参数,其中,交通路网的基础参数包括饱和度、道路规划参数、交通灯信号周期、绿信比及路段车辆到达率;
基于区域分布特性,将交通路网的基础参数分配至各个网格单元;
得到各个网格单元的交通路网基础参数,完成地理网格模型的构建。
进一步的,根据地理网格模型,给出交通路段阻抗模型,具体包括如下步骤:
获取交通路段节点信息,并与地理网格模型进行匹配对应;
根据交通路网的基础参数,给出路段节点阻抗子模型以及路段阻抗子模型;
结合路段节点阻抗子模型和路段阻抗子模型,构建交通路段阻抗模型;
交通路段阻抗模型的函数,具体表示如下:
Wij(t)=Cvi(t)+Rvij(t)
其中,Wij(t)为交通路段节点i、j之间的交通路段阻抗模型的函数,Cvi(t)为交通路段节点i的路段节点阻抗子模型的函数,Rvij(t)为交通路段节点i、j之间的路段阻抗子模型的函数,i、j分别为交通路段两端的交通路段节点编号;
路段节点阻抗子模型的函数和路段阻抗子模型的函数,具体表示为:
其中,c为交通路段节点i处的交通信号周期,S为交通路段节点i、j之间的饱和度,λ为绿信比,q为交通路段节点i、j之间路段车辆到达率,t0为交通路段节点i、j之间路段中零流量行程时间,α、β为阻抗影响因子,且α、β的数值由道路规划参数决定。
进一步的,确定各电动汽车的出行行为,并给出电动汽车的起始及终点矩阵,具体包括如下步骤:
获取电动汽车保有量,并基于灰色预测模型,按时间序列给出电动汽车出行数量;
结合地理网格模型,通过预先训练优化的长短期记忆网络深度学习算法,给出各电动汽车的出行行为,并确定各电动汽车出行的起始和终点,形成电动汽车的起始及终点矩阵。
进一步的,分析电动汽车的出行代价,基于最小出行成本策略,结合起始及终点矩阵,获取各电动汽车的行驶路径信息,具体包括如下步骤:
获取各个交通路段的实时车流量及实时车速,结合交通路网的基础参数及交通路段阻抗模型,给出电动汽车的出行代价;
采用动态Dijkstra算法进行最小出行成本的优化路径规划;
结合电动汽车的起始及终点矩阵,获取各电动汽车的行驶路径信息,其中,行驶路径信息包括行驶路线、行驶距离及行驶时间。
进一步的,获取各个交通路段的实时车流量及实时车速,结合交通路网的基础参数及交通路段阻抗模型,给出电动汽车的出行代价,具体包括如下步骤:
获取各个交通路段的实时车流量及实时车速,结合交通路网的基础参数,分析各个交通路段的饱和度,具体表示为:
其中,vij(t)为t时刻电动汽车在交通路段节点i、j之间交通路段的车速,vij,m为交通路段节点i、j之间交通路段的零流车速,Cij为交通路段节点i、j之间交通路段的最大通行能力,qij(t)为t时刻交通路段节点i、j之间交通路段的车流量,S为交通路段节点i、j之间的饱和度,为调整系数,a、b、n为不同道路等级下的自适应系数,i、j分别为交通路段两端的交通路段节点编号;
基于各个交通路段的饱和度,结合交通路段阻抗模型,获取每个交通路段阻抗值,给出电动汽车的出行代价。
进一步的,基于各电动汽车的行驶路径信息,分析并确定各电动汽车的充电预期,并结合电动汽车充电站信息,完成配电网中电动汽车充电负荷的预测,具体包括如下步骤:
结合环境温度和各个交通路段的实时车速,并基于各电动汽车的行驶路径信息,分析在各个交通路段上各电动汽车的电量消耗,具体表示为:
FTp=KTp+E
其中,FTp为电动汽车单位里程耗电总量,KTp为电动汽车以实时车速vij行驶D里程时空调所消耗的电量,E为在实时车速vij下的单位里程耗电量,Tp为环境温度,Tpmax空调制热的温度上限,D为电动汽车行驶的里程,Tpmin空调制冷的温度下限,WL、WR分别为空调制热和空调制冷的功率;
获取交通路网中的电动汽车充电站信息,确定各电动汽车充电站的充电排队时间;
结合各个交通路段上各电动汽车的电量消耗以及各电动汽车充电站的充电排队时间,完成配电网中电动汽车充电负荷的预测。
进一步的,确定各电动汽车充电站的充电排队时间,具体表示为:
其中,Wq为电动汽车充电站的充电排队时间,N为电动汽车充电站中充电桩的总量,k为电动汽车充电站中充电桩的编号,σ为单位时间内电动汽车充电站的充电车辆数量,μ为充电桩在单位时间内可完成充电的车辆数量,ρ为每个充电桩的服务强度。
第二方面,本发明还提供一种配电网中电动汽车充电负荷预测装置,采用如上述配电网中电动汽车充电负荷预测方法,包括:
分析模块,获取预设的交通路网仿真动态模拟模型,确定各电动汽车的出行行为,并给出电动汽车的起始及终点矩阵,分析电动汽车的出行代价,基于最小出行成本策略,结合起始及终点矩阵,获取各电动汽车的行驶路径信息;
预测模块,基于各电动汽车的行驶路径信息,分析并确定各电动汽车的充电预期,并结合电动汽车充电站信息,完成配电网中电动汽车充电负荷的预测。
本发明提供的一种配电网中电动汽车充电负荷预测方法及装置,至少包括如下有益效果:
(1)本发明通过分析出行行为、出行代价、充电预期及充电站等信息,结合数据驱动和模型驱动,高效、精准的实现了电动汽车在配电网中充电负荷的预测。
(2)通过交通路段实时车流量、实时车速等参数,结合仿真动态模拟模型,分析出电动汽车的出行代价,同时考虑到环境温度、车速等参数,给出各电动汽车的充电预期。
(3)结合仿真动态模拟模型中充电站数量、位置等信息,考虑充电排队时间,结合电动汽车耗电量等参数,给出对于配电网的电动汽车充电负荷的预测。
附图说明
图1为本发明提供的一种配电网中电动汽车充电负荷预测方法流程示意图;
图2为本发明提供的预设交通路网仿真动态模拟模型的流程示意图;
图3为本发明提供的根据地理网格模型,给出交通路段阻抗模型的流程示意图;
图4为本发明提供的一种配电网中电动汽车充电负荷预测装置结构图;
图5为本发明提供的一种配电网中电动汽车充电负荷预测装置原理图;
图6为本发明提供的24h内各个配电网节点充电需求的预测结果示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
还需要说明的是,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商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商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,并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
在目前的现有技术中,从方法建模角度而言,电动汽车充电负荷预测,主要有基于模型驱动和基于数据驱动的两种类型的研究。(1)基于模型驱动意味着考虑交通路况,从电动汽车与配电网以及交通之间能量和信息交互的角度,分析掌握电动汽车行驶和充电模式的本质;(2)基于数据驱动意味着采用回归分析、神经网络分析、深度学习等人工智能算法,实现基于历史数据的短期预测或基于趋势的长期预测。
然而,模型驱动的电动汽车充电负荷预测方法需要假定大量模型参数以表达复杂的充电行为,数据驱动的预测方法需要大量多源异构数据支撑训练学习,二者均具有各自的局限性。
因此,如图1所示,本发明提供一种配电网中电动汽车充电负荷预测方法,具体包括如下步骤:
获取预设的交通路网仿真动态模拟模型;
结合交通路网仿真动态模拟模型,确定各电动汽车的出行行为,并给出电动汽车的起始及终点矩阵;
分析电动汽车的出行代价,基于最小出行成本策略,结合起始及终点矩阵,获取各电动汽车的行驶路径信息;
基于各电动汽车的行驶路径信息,分析并确定各电动汽车的充电预期,并结合电动汽车充电站信息,完成配电网中电动汽车充电负荷的预测。
本发明融合模型驱动和数据驱动对配电网-交通网-车网体系的配电网进行电动汽车充电负荷预测。基于模型驱动方法建立动态交通路网仿真模型,基于数据驱动的电动汽车驾驶和充电行为架构模型中,对电动汽车保有量进行预测,通过粒子群优化长短期记忆神经网络等模型预测电动汽车的起始和终点矩阵,以最小出行代价为目标,再结合模型驱动的路网实时车流量,规划电动汽车的行驶路径。根据电动汽车充电预期(即用户用电里程焦虑和到达目的地所有耗电量判别电动汽车是否需要进行充电),再根据充电站信息,最终完成模型驱动与数据驱动的融合,实现对配电网中电动汽车充电负荷需求的预测。
如图2所示,交通路网仿真动态模拟模型的预设,具体包括如下步骤:
结合交通规划信息和区域分布特性,构建地理网格模型;
根据地理网格模型,给出交通路段阻抗模型;
结合地理网格模型和交通路段阻抗模型,构建交通路网仿真动态模拟模型。
结合交通规划信息和区域分布特性,构建地理网格模型,具体包括如下步骤:
根据交通规划信息,将交通空间区域划分为多个规则的网格单元;
获取交通路网的基础参数,其中,交通路网的基础参数包括饱和度、道路规划参数、交通灯信号周期、绿信比及路段车辆到达率;
基于区域分布特性,将交通路网的基础参数分配至各个网格单元;
得到各个网格单元的交通路网基础参数,完成地理网格模型的构建。
交通路网的基础参数的类型为离散的、不连续的轨迹数据。将交通空间区域划分为多个规则的网格单元后,每个网格单元代表一个空间区域,分配至各个空间区域内的车流量、速度和密度等信息,可以用于评估交通路网的拥堵水平。
如图3所示,根据地理网格模型,给出交通路段阻抗模型,具体包括如下步骤:
获取交通路段节点信息,并与地理网格模型进行匹配对应;
根据交通路网的基础参数,给出路段节点阻抗子模型以及路段阻抗子模型;
结合路段节点阻抗子模型和路段阻抗子模型,构建交通路段阻抗模型;
交通路段阻抗模型的函数,具体表示如下:
Wij(t)=Cvi(t)+Rvij(t)
其中,Wij(t)为交通路段节点i、j之间的交通路段阻抗模型的函数,Cvi(t)为交通路段节点i的路段节点阻抗子模型的函数,Rvij(t)为交通路段节点i、j之间的路段阻抗子模型的函数,i、j分别为交通路段两端的交通路段节点编号;
路段节点阻抗子模型的函数和路段阻抗子模型的函数,具体表示为:
其中,c为交通路段节点i处的交通信号周期,S为交通路段节点i、j之间的饱和度,λ为绿信比,q为交通路段节点i、j之间路段车辆到达率,t0为交通路段节点i、j之间路段中零流量行程时间,α、β为阻抗影响因子,且α、β的数值由道路规划参数决定。
基于模型驱动建立是交通路网仿真动态模拟模型,包含依据交通规划信息和区域分布特征的地理网格建模以及考虑交通路段车流量和交通路口信号灯影响的交通路段阻抗模型建模。
在交通路段阻抗模型中,交通路网被视为一个电路网络,其中每个交通路段可以看作一个电阻,这些电阻的值取决于交通路段的属性,如长度、坡度和路面状况等。在该交通路段阻抗模型中,车辆的速度与电路中电流的流动速度相似,而车辆通过道路的时间则类似于电路中电流通过电阻的时间;
出行代价的含义主要用于车辆行驶路径规划中,电动汽车的出行代价可以由每个路段阻抗值的总和来计算,表示车辆在行驶过程中所需克服的总阻力。在规划行驶路径时,会考虑、并结合参照各个路段出行代价的差异。
确定各电动汽车的出行行为,并给出电动汽车的起始及终点矩阵,具体包括如下步骤:
获取电动汽车保有量,并基于灰色预测模型,按时间序列给出电动汽车出行数量;
结合地理网格模型,通过预先训练优化的长短期记忆网络深度学习算法,给出各电动汽车的出行行为,并确定各电动汽车出行的起始和终点,形成电动汽车的起始及终点矩阵。
通过对时间序列电动汽车保有量数据的分析,推断出未来趋势,预测未来的值;将历史数据视为已知数据,将电动汽车保有量作为灰色序列进行建模,可以选择常用的灰色预测模型,如GM(1,1)模型或者其它高阶模型,根据历史数据,确定灰色预测模型中的初始值和参数值,进而计算出未来电动汽车保有量的预测值,同时,对模型进行检验和评估,确保预测结果的准确性和可靠性。
分析交通路网的信息、日类型和天气等多种因素对电动汽车行驶规律的影响,训练一个多输入多输出的粒子群算法优化长短期记忆网络深度学习模型,捕捉电动汽车的出行时间和空间的相对规律,对预测结果进行评估,计算出预测误差、平均绝对误差、均方根误差等指标,以评估模型的预测能力和准确性。通过粒子群算法优化长短期记忆网络深度学习模型,可以获取各个电动汽车的出行行为,并可以根据出行行为给出出行汽车的起始及终点矩阵。
分析电动汽车的出行代价,基于最小出行成本策略,结合起始及终点矩阵,获取各电动汽车的行驶路径信息,具体包括如下步骤:
获取各个交通路段的实时车流量及实时车速,结合交通路网的基础参数及交通路段阻抗模型,给出电动汽车的出行代价;
采用动态Dijkstra算法进行最小出行成本的优化路径规划;
结合电动汽车的起始及终点矩阵,获取各电动汽车的行驶路径信息,其中,行驶路径信息包括行驶路线、行驶距离及行驶时间。
基于电动汽车的出行代价,使用动态Dijkstra算法以最短驾驶时间为目标对电动汽车的驾驶路径进行规划,得到符合电动汽车用户驾驶最高驾驶效率心理的最短行驶路径;输出路径信息,根据终点的路径信息,逆向遍历路径,得到从起点到终点的最短路径信息,包括行驶路线、行驶距离、行驶时间等。
获取各个交通路段的实时车流量及实时车速,结合交通路网的基础参数及交通路段阻抗模型,给出电动汽车的出行代价,具体包括如下步骤:
获取各个交通路段的实时车流量及实时车速,结合交通路网的基础参数,分析各个交通路段的饱和度,具体表示为:
其中,vij(t)为t时刻电动汽车在交通路段节点i、j之间交通路段的车速,vij,m为交通路段节点i、j之间交通路段的零流车速,Cij为交通路段节点i、j之间交通路段的最大通行能力,qij(t)为t时刻交通路段节点i、j之间交通路段的车流量,S为交通路段节点i、j之间的饱和度,为调整系数,a、b、n为不同道路等级下的自适应系数,i、j分别为交通路段两端的交通路段节点编号;
基于各个交通路段的饱和度,结合交通路段阻抗模型,获取每个交通路段阻抗值,给出电动汽车的出行代价。
基于各电动汽车的行驶路径信息,分析并确定各电动汽车的充电预期,并结合电动汽车充电站信息,完成配电网中电动汽车充电负荷的预测,具体包括如下步骤:
结合环境温度和各个交通路段的实时车速,并基于各电动汽车的行驶路径信息,分析在各个交通路段上各电动汽车的电量消耗,具体表示为:
FTp=KTp+E
其中,FTp为电动汽车单位里程耗电总量,KTp为电动汽车以实时车速vij行驶D里程时空调所消耗的电量,E为在实时车速vij下的单位里程耗电量,Tp为环境温度,Tpmax空调制热的温度上限,D为电动汽车行驶的里程,Tpmin空调制冷的温度下限,WL、WR分别为空调制热和空调制冷的功率;
获取交通路网中的电动汽车充电站信息,确定各电动汽车充电站的充电排队时间;
结合各个交通路段上各电动汽车的电量消耗以及各电动汽车充电站的充电排队时间,完成配电网中电动汽车充电负荷的预测。
具体来说,基于各个交通路段中电动汽车需要充电的电量,以及充电的排队时间,可以实时预计配电网为电动汽车补充电量所承载的负荷。
本发明的预测方法引入考虑动态交通信息以及交通路口流量的路段阻抗与路段节点阻抗模型,与考虑环境温度和车辆实时速度的空调能耗模型。
确定各电动汽车充电站的充电排队时间,具体表示为:
其中,Wq为电动汽车充电站的充电排队时间,N为电动汽车充电站中充电桩的总量,k为电动汽车充电站中充电桩的编号,σ为单位时间内电动汽车充电站的充电车辆数量,μ为充电桩在单位时间内可完成充电的车辆数量,ρ为每个充电桩的服务强度。
也可以确定各电动汽车充电站的充电排队长度,具体表示为:
其中,Ls为电动汽车充电站的充电排队长度。
如图4所示,本发明还提供一种配电网中电动汽车充电负荷预测装置,采用如上述配电网中电动汽车充电负荷预测方法,包括:
分析模块,获取预设的交通路网仿真动态模拟模型,确定各电动汽车的出行行为,并给出电动汽车的起始及终点矩阵,分析电动汽车的出行代价,基于最小出行成本策略,结合起始及终点矩阵,获取各电动汽车的行驶路径信息;
预测模块,基于各电动汽车的行驶路径信息,分析并确定各电动汽车的充电预期,并结合电动汽车充电站信息,完成配电网中电动汽车充电负荷的预测。
本发明提供的一种配电网中电动汽车充电负荷预测方法及装置,融合数据驱动和模型驱动(如图5所示),在某个实施例中,得到24h内各个配电网节点充电需求的预测结果(如图6所示)。
本发明给出的一种配电网中电动汽车充电负荷预测方法及装置,至少包括如下有益效果:
(1)本发明通过分析出行行为、出行代价、充电预期及充电站等信息,结合数据驱动和模型驱动,高效、精准的实现了电动汽车在配电网中充电负荷的预测。
(2)通过交通路段实时车流量、车速等参数,结合仿真动态模拟模型,分析出电动汽车的出行代价,同时考虑到环境温度、车速等参数,给出各电动汽车的充电预期。
(3)结合仿真动态模拟模型中充电站数量、位置等信息,考虑充电排队时间,结合电动汽车耗电量等参数,给出对于配电网的电动汽车充电负荷的预测。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种配电网中电动汽车充电负荷预测方法,其特征在于,具体包括如下步骤:
获取预设的交通路网仿真动态模拟模型,其中,交通路网仿真动态模拟模型的预设,具体包括:结合交通规划信息和区域分布特性,构建地理网格模型;根据地理网格模型,给出交通路段阻抗模型;结合地理网格模型和交通路段阻抗模型,构建交通路网仿真动态模拟模型;
结合交通路网仿真动态模拟模型,确定各电动汽车的出行行为,并给出电动汽车的起始及终点矩阵;
分析电动汽车的出行代价,基于最小出行成本策略,结合起始及终点矩阵,获取各电动汽车的行驶路径信息;
结合环境温度和各个交通路段的实时车速,并基于各电动汽车的行驶路径信息,分析在各个交通路段上各电动汽车的电量消耗,具体表示为:
;
其中,为电动汽车单位里程耗电总量,为电动汽车以实时车速行驶D里程时空调所消耗的电量,E为在实时车速下的单位里程耗电量,Tp为环境温度,Tpmax空调制热的温度上限,D为电动汽车行驶的里程,Tpmin空调制冷的温度下限,WL、WR分别为空调制热和空调制冷的功率;
获取交通路网中的电动汽车充电站信息,确定各电动汽车充电站的充电排队时间;
结合各个交通路段上各电动汽车的电量消耗以及各电动汽车充电站的充电排队时间,完成配电网中电动汽车充电负荷的预测。
2.如权利要求1所述配电网中电动汽车充电负荷预测方法,其特征在于,结合交通规划信息和区域分布特性,构建地理网格模型,具体包括如下步骤:
根据交通规划信息,将交通空间区域划分为多个规则的网格单元;
获取交通路网的基础参数,其中,交通路网的基础参数包括饱和度、道路规划参数、交通灯信号周期、绿信比及路段车辆到达率;
基于区域分布特性,将交通路网的基础参数分配至各个网格单元;
得到各个网格单元的交通路网基础参数,完成地理网格模型的构建。
3.如权利要求2所述配电网中电动汽车充电负荷预测方法,其特征在于,根据地理网格模型,给出交通路段阻抗模型,具体包括如下步骤:
获取交通路段节点信息,并与地理网格模型进行匹配对应;
根据交通路网的基础参数,给出路段节点阻抗子模型以及路段阻抗子模型;
结合路段节点阻抗子模型和路段阻抗子模型,构建交通路段阻抗模型;
交通路段阻抗模型的函数,具体表示如下:
;
其中,为交通路段节点i、j之间的交通路段阻抗模型的函数,为交通路段节点i的路段节点阻抗子模型的函数,为交通路段节点i、j之间的路段阻抗子模型的函数,i、j分别为交通路段两端的交通路段节点编号;
路段节点阻抗子模型的函数和路段阻抗子模型的函数,具体表示为:
;
;
其中,c为交通路段节点i处的交通信号周期,S为交通路段节点i、j之间的饱和度,为绿信比,q为交通路段节点i、j之间路段车辆到达率,t0为交通路段节点i、j之间路段中零流量行程时间,α、β为阻抗影响因子,且α、β的数值由道路规划参数决定。
4.如权利要求2所述配电网中电动汽车充电负荷预测方法,其特征在于,确定各电动汽车的出行行为,并给出电动汽车的起始及终点矩阵,具体包括如下步骤:
获取电动汽车保有量,并基于灰色预测模型,按时间序列给出电动汽车出行数量;
结合地理网格模型,通过预先训练优化的长短期记忆网络深度学习算法,给出各电动汽车的出行行为,并确定各电动汽车出行的起始和终点,形成电动汽车的起始及终点矩阵。
5.如权利要求3所述配电网中电动汽车充电负荷预测方法,其特征在于,分析电动汽车的出行代价,基于最小出行成本策略,结合起始及终点矩阵,获取各电动汽车的行驶路径信息,具体包括如下步骤:
获取各个交通路段的实时车流量及实时车速,结合交通路网的基础参数及交通路段阻抗模型,给出电动汽车的出行代价;
采用动态Dijkstra算法进行最小出行成本的优化路径规划;
结合电动汽车的起始及终点矩阵,获取各电动汽车的行驶路径信息,其中,行驶路径信息包括行驶路线、行驶距离及行驶时间。
6.如权利要求5所述配电网中电动汽车充电负荷预测方法,其特征在于,获取各个交通路段的实时车流量及实时车速,结合交通路网的基础参数及交通路段阻抗模型,给出电动汽车的出行代价,具体包括如下步骤:
获取各个交通路段的实时车流量及实时车速,结合交通路网的基础参数,分析各个交通路段的饱和度,具体表示为:
;
其中,为t时刻电动汽车在交通路段节点i、j之间交通路段的车速,为交通路段节点i、j之间交通路段的零流车速,为交通路段节点i、j之间交通路段的最大通行能力,为t时刻交通路段节点i、j之间交通路段的车流量,S为交通路段节点i、j之间的饱和度,为调整系数,a、b、n为不同道路等级下的自适应系数,i、j分别为交通路段两端的交通路段节点编号;
基于各个交通路段的饱和度,结合交通路段阻抗模型,获取每个交通路段阻抗值,给出电动汽车的出行代价。
7.如权利要求1所述配电网中电动汽车充电负荷预测方法,其特征在于,确定各电动汽车充电站的充电排队时间,具体表示为:
;
其中,为电动汽车充电站的充电排队时间,N为电动汽车充电站中充电桩的总量,k为电动汽车充电站中充电桩的编号,为单位时间内电动汽车充电站的充电车辆数量,为充电桩在单位时间内可完成充电的车辆数量,为每个充电桩的服务强度。
8.一种配电网中电动汽车充电负荷预测装置,其特征在于,采用如权利要求1-7任一所述配电网中电动汽车充电负荷预测方法,包括:
分析模块,获取预设的交通路网仿真动态模拟模型,确定各电动汽车的出行行为,并给出电动汽车的起始及终点矩阵,分析电动汽车的出行代价,基于最小出行成本策略,结合起始及终点矩阵,获取各电动汽车的行驶路径信息;
预测模块,基于各电动汽车的行驶路径信息,分析并确定各电动汽车的充电预期,并结合电动汽车充电站信息,完成配电网中电动汽车充电负荷的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907177.9A CN116960958B (zh) | 2023-07-24 | 2023-07-24 | 一种配电网中电动汽车充电负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907177.9A CN116960958B (zh) | 2023-07-24 | 2023-07-24 | 一种配电网中电动汽车充电负荷预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116960958A CN116960958A (zh) | 2023-10-27 |
CN116960958B true CN116960958B (zh) | 2024-08-02 |
Family
ID=88450694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310907177.9A Active CN116960958B (zh) | 2023-07-24 | 2023-07-24 | 一种配电网中电动汽车充电负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116960958B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067110A (zh) * | 2017-04-14 | 2017-08-18 | 天津大学 | 车‑路‑网模式下电动汽车充电负荷时空预测方法 |
CN115292866A (zh) * | 2022-08-24 | 2022-11-04 | 福州大学 | 结合实时交通路网的电动汽车充电站规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895638B (zh) * | 2019-11-22 | 2022-12-06 | 国网福建省电力有限公司 | 考虑电动汽车充电站选址定容的主动配电网模型建立方法 |
-
2023
- 2023-07-24 CN CN202310907177.9A patent/CN116960958B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067110A (zh) * | 2017-04-14 | 2017-08-18 | 天津大学 | 车‑路‑网模式下电动汽车充电负荷时空预测方法 |
CN115292866A (zh) * | 2022-08-24 | 2022-11-04 | 福州大学 | 结合实时交通路网的电动汽车充电站规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116960958A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
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 | |
CN107067110B (zh) | 车-路-网模式下电动汽车充电负荷时空预测方法 | |
CN109747427A (zh) | 估计电动车辆到达目的地时的剩余续驶能力的方法及设备 | |
An et al. | Optimal scheduling of electric vehicle charging operations considering real-time traffic condition and travel distance | |
CN108458716A (zh) | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 | |
CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 | |
US20230139003A1 (en) | Systems and methods for managing velocity profiles | |
CN110929925A (zh) | 基于环境温度与用户行为的电动汽车充电站规划方法 | |
KR20220128051A (ko) | 도시부 도로의 도로망 셀 단위 교통량 변화 시뮬레이션 방법 및 컴퓨터 프로그램 | |
CN114937366A (zh) | 一种基于多尺度交通需求与供给转化的交通流推算方法 | |
JP2023175992A (ja) | エネルギー供給システムおよび情報処理装置 | |
JP2023155476A (ja) | 情報処理システム、情報処理装置、情報処理方法及び情報処理プログラム | |
CN117669993B (zh) | 一种渐进式充电设施规划方法、装置、终端及存储介质 | |
Zhao et al. | Dronesense: Leveraging drones for sustainable urban-scale sensing of open parking spaces | |
CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
Gregurić et al. | The use of cooperative approach in ramp metering | |
CN116960958B (zh) | 一种配电网中电动汽车充电负荷预测方法及装置 | |
CN117764340A (zh) | 一种新能源电动汽车充电引导分级调控方法 | |
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 | |
CN112632382A (zh) | 用于为车辆推荐站点的方法、装置、设备以及存储介质 | |
US20230153742A1 (en) | Methods for shared bicycle delivery and operation area planning in smart cities and internet of things (iot) systems thereof | |
CN113222248B (zh) | 一种自动驾驶出租车充电桩选择方法 | |
CN114118515A (zh) | 一种融合交通路网的电动汽车充电站的确定方法及系统 | |
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 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |