CN117522496A - 基于等效感知跨期的电动运营车充电方案的决策方法 - Google Patents
基于等效感知跨期的电动运营车充电方案的决策方法 Download PDFInfo
- Publication number
- CN117522496A CN117522496A CN202311560550.4A CN202311560550A CN117522496A CN 117522496 A CN117522496 A CN 117522496A CN 202311560550 A CN202311560550 A CN 202311560550A CN 117522496 A CN117522496 A CN 117522496A
- Authority
- CN
- China
- Prior art keywords
- charging
- vehicle
- electric
- time
- decision
- 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 40
- 230000008901 benefit Effects 0.000 claims abstract description 42
- 230000008447 perception Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000005611 electricity Effects 0.000 claims description 12
- 230000003340 mental effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000000638 stimulation Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 230000004800 psychological effect Effects 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 108700007397 Arg(B31)- insulin Proteins 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 208000003251 Pruritus Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002161 passivation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于等效感知跨期的电动运营车充电方案的决策方法,包括:构建面向任意时段的电动运营车运营场景收益框架;构建动态充电方案集并在运营场景收益框架下计算出不同方案的收益;通过韦伯‑费希纳定律建立心理量表,结合跨期决策理论,建立综合方案收益及时间成本的电动运营车等效感知跨期决策充电模型;根据充电需求,从动态充电方案集中筛选出多个备选方案,根据每个备选方案的时间和收益通过心理量表计算得到韦伯费希纳算子,将韦伯费希纳算子代入到电动运营车等效感知跨期决策充电模型中进行计算,从而从多个备选方案中选择出最佳充电方案。考虑到车主心理效应的变化对充电行为的影响,筛选出最适合车主且收益最高的充电方案。
Description
技术领域
本发明属于电动运营车充电决策的技术领域,具体涉及一种基于等效感知跨期的电动运营车充电方案的决策方法。
背景技术
近年来,电动汽车(electric vehicle,EV)成为了各界关注的焦点,因其“以电代油”、环保清洁、低排放和高效率等特性而备受推崇。由于充电时间通常与居民日常用电高峰期重叠,这将导致电力系统负载峰值的增加,进一步增加峰谷负荷差。此外,负荷峰期也是电价高峰期,这会导致用户充电费用过高,增加了电动汽车的使用成本,不利于新能源汽车的推广。因此研究电动车充电行为对缓解电动汽车无序充电现状,提高电网运行安全和降低用户充电成本具有重要意义。
在对电动汽车充电行为建模方面,现有研究多通过随机生成和仿真的方式模拟电动汽车的充电行为,陈浩然等人探究了基于蒙特卡罗方法模拟电动汽车出行数据来研究如何优化电动汽车充电行为从而平滑电网负荷。王海玲等人利用蒙特卡罗法模拟电动汽车出行特征,提出一种考虑气温影响的电动汽车负荷计算方法,使充电需求预测更加精确。严弈遥等人引入了状态转移矩阵,预测了电动汽车的时空分布特性,但所有充电行拟合模型均为正态分布,与实际的随机情形存在偏差。尽管上述研究都对电动汽车充电行为进行了建模,但由于缺乏电动汽车实际运营数据,因此无法全面了解电动汽车用户充电行为机理。
为了权衡每个时间点的决策对后续时间点结果的影响,需要对分布在多时间点上的决策问题建模,Ericson K M M等人将时间因素引入常规价值函数模型,通过设置不同的权重系数,建立了均衡考虑时间和收益的Intertemporal Choice Heuristics Model(ITCHModel)模型;文献[7]指出,相较效用贴现模型,ITCH模型能够更好地解释跨期决策中时间-收益的权衡问题。上述研究均对两个或多个选项中的收益大小以及获益时间的远近进行充分的考虑,以挑选出一个能够使自身获益更大的选项。但现有文献鲜有将跨期决策应用于电动运营车充电方案选择的研究。根据韦伯-费希纳定律,人类对外界刺激的感官强度可以被等级化,所以部分文献会对车主的心理效应进行量化,但仅作为优化调度模型的约束条件,而忽略了车主心理效应的变化对于充电行为和收益的影响。
发明内容
本发明的目的在于针对现有技术的不足之处,提供一种一种基于等效感知跨期的电动运营车充电方案的决策方法,该方法考虑到车主心理效应的变化对充电行为的影响,筛选出最适合车主且收益最高的充电方案。
为解决上述技术问题,本发明采用如下技术方案:
一种基于等效感知跨期的电动运营车充电方案的决策方法,包括如下步骤:
步骤1、对电动运营车的日运营数据进行特征分析,提取运营事件特征和运营收益特征,并在此基础上构建面向任意时段的电动运营车运营场景收益框架;
步骤2、综合充电的多因素计算动态心理安全电量,根据动态心理安全电量和峰平电价划分的多个充电决策区间构建动态充电方案集,并在运营场景收益框架下计算出不同方案的收益;
步骤3、通过韦伯-费希纳定律建立心理量表,结合跨期决策理论,建立综合方案收益及时间成本的电动运营车等效感知跨期决策充电模型;
步骤4、根据充电需求,从动态充电方案集中筛选出多个备选方案,根据每个备选方案的时间和收益通过心理量表计算得到韦伯费希纳算子,将韦伯费希纳算子代入到电动运营车等效感知跨期决策充电模型中进行计算,从而从多个备选方案中选择出最佳充电方案。
进一步地,提取运营事件特征为:
对电动运营车运营状态进行分析,得到空载、载客两个基本状态,将其定义独立事件mi,j∈M,其中i∈{0,1},0表示空载,1表示载客,j∈{10,20,30...,k×10},j表示该事件持续时长(分钟),k×10是事件最大持续时长,M是事件集合;
对电动运营车运营情况进行分析得到电动运营车的运营场景s,s是独立事件mi,j的可重复排列组合得到的一个运营场景,s中所有独立事件的持续时长j的和Σj等于运营场景时长。
进一步地,提取运营收益特征为:
电动运营车在充电决策时,面临在当前时刻t1与未来某时刻t2的选择:
(1)在t1充电,获得t2时刻等效充电时长Tc的运营收益;
(2)在t2充电,获取t1时刻等效充电时长Tc的运营收益;
据上得到充电时长Tc即为运营时长。
进一步地,根据运营事件特征和运营收益特征构建的面向任意时段的电动运营车运营场景收益框架为:
假设某时刻运营时长Tc包含n个运营场景{s1,…,sn},每一场景sl包含zl个独立事件,其中,l=1,2…n,对应的总期望收益J为:
J=P(Qn×kIΤ)
其中P为运营场景概率向量,Qn×k为n个运营场景k个载客事件组成的事件频次矩阵,I为某时间段内的k个载客事件平均客单收益向量。
进一步地,场景概率向量P的计算方法为:
对于场景sl中第h个事件ml_h i,j发生的时刻Th,h=1,…,zl,从日运营数据中统计出2k个事件在Th时刻各自发生的频次;定义fh_sum为Th时刻所有事件发生的总频次,fh为事件ml_h i,j在Th发生的频次,fh_larger为Th时刻持续时间大于当前场景剩余时间的事件的频次之和,则事件ml_h i,j发生的概率:
场景sl发生的总概率为:
遍历所有场景,得到各个场景的发生概率,得到概率向量P:
P=(p1 … pn),其中,pn为场景sn发生的概率。
进一步地,步骤2中具体实现方法包括:
综合考虑到达时间、剩余电量和警戒电量,确定心理安全电量Bsaf,当剩余电量BN低于Bsaf时,根据峰电价和平电价的时段将全天分成多个充电决策区间,结合到达充电站时刻选择合适的充电决策区间,在充电决策区间中给出多个充电方案,从而构建动态充电方案集。
进一步地,通过韦伯-费希纳定律建立心理量表的方法为:
首先,根据韦伯-费希纳定律构建车主身体的反应等级α与客观刺激量的关系:
式中,是心理量表阈值,c是比例常数,/>是能够感受到的最小物理强度;
根据上述公式得到:
其次,根据运营数据确定车主的反应等级α,并从运营数据的客单收益中筛选出收益最低的客单imin和收益最高的客单imax,并令α=0时的为收益最低的客单imin,收益最高的客单imax为最高反应等级α_max对应的/>,进而求出比例常数c;
最后,在获得比例常数c后,根据上述公式计算获得各等级α下的,即得到各等级α对应收益区间的运营车主心理量表。
进一步地,根据跨期决策理论确定充电方案的方法为:
对动态充电方案集中的备选充电方案u和充电方案v,运营车车主面临在tu和tv两时刻进行充电的选择:在tu时刻充电,获得收益xu;在tv时刻充电,获得收益xv,其中,tv>tu,xv>xu;
在面临多个备选充电方案时,构建车主充电选择的跨期概率P(LL):
其中,P(LL)为选择收益较大、充电时刻较晚的选项的概率,L(·)=1/(1+e-·)是平均值为0、方差为1的逻辑分布的累积分布函数,β1,βxA,βxB,βtA,βtR分别为各项的权重系数;
当P(LL)的值大于设定值时,选择充电方案v;当P(LL)的小于设定值时,选择充电方案u。
进一步地,电动运营车等效感知跨期决策充电模型的构建方法为:
根据心理量表中的阈值得到韦伯费希纳算子,公式为:/>
其中,x为充电时长Tc内的收益;
将韦伯费希纳算子代入上述构建的车主充电选择的跨期概率P(LL)中,得到:
当P(LL)的值大于设定值时,选择充电方案v;当P(LL)的小于设定值时,选择充电方案u。
进一步地,设定值为0.5。
与现有技术相比,本发明的有益效果为:本发明考虑了车主心理效应的变化对于充电行为和收益的影响,补全跨期决策在电动运营车充电决策领域的应用研究,考虑运营车充电方案之间的时间成本对决策的影响,量化充电决策的等效收益,削弱即时效应心理,让车主在决策中获得更多的实际收益,且现有技术会忽略不同车主对于收益的感知程度不同这一现象,本发明引入心理量表和韦伯-费希纳算子量化感知价值,划分不同车主对运营收益的感知程度,表现出不同群体间感知价值的异质性。
附图说明
图1为本发明实施例基于等效感知跨期的电动运营车充电方案的决策方法的流程图;
图2为本发明实施例中充电决策区间9:00-10:00的充电方案划分图;
图3为本发明实施例中基于韦伯费希纳的等效感知跨期决策充电模型流程图;
图4为本发明实施例α=7的心理量表;
图5为本发明实施例期望效用理论-跨期决策模型-等效感知跨期决策模型最终方案决策比较图
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述,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作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明,但不作为本发明的限定。
如图1所示,本发明实施例公开了一种基于等效感知跨期的电动运营车充电方案的决策方法,包括如下步骤:
步骤1、对电动运营车的日运营数据进行特征分析,提取运营事件特征和运营收益特征,并在此基础上构建面向任意时段的电动运营车运营场景收益框架;
在该步骤中,首先获取电动运营车的日运营数据,对日运营数据进行分析以提取运营事件特征,具体地,电动运营车的运营过程可分为空载、载客两个基本状态,定义独立事件mi,j∈M,其中i∈{0,1},0表示空载,1表示载客,j∈{10,20,30...,k×10},j表示该事件持续时长(分钟),k×10是事件最大持续时长,M是事件集合,2k表示事件mi,j的总数。
定义电动运营车的运营场景s,s是独立事件mi,j的可重复排列组合得到的一个运营场景。s中所有独立事件的持续时长j的和Σj等于运营场景时长。
对运营数据进行分析提取运营收益特征,得到电动运营车在充电决策时,面临在当前时刻t1与未来某时刻t2的选择:(1)在t1充电,获得t2时刻等效充电时长Tc的运营收益;(2)在t2充电,获取t1时刻等效充电时长Tc的运营收益。因此,对决策者而言,需评价t1、t2两个充电时刻的等效运营收益,故充电时长Tc即为运营时长。
在获得运营事件特征和运营收益特征后,在此基础上构建面向任意时段的电动运营车运营场景收益框架,方法如下:
假设某时刻运营时长Tc包含n个运营场景{s1,…,sn},每一场景sl(l=1,2…n)包含zl个事件,对应的总期望收益J为:
J=P(Qn×kIΤ) (1)
其中P为场景概率向量,Qn×k为n个场景k个载客事件组成的事件频次矩阵,I为该时间段内的k个载客事件平均客单收益向量;
其中,事件频次矩阵Qn×k可表示为:
其中,qn,k表示第n个场景下第k个载客事件发生的频次;
载客事件平均客单收益向量I可表示为:
I=(i1 … ik) (3)
其中,ik为运营时间内发生的第k种载客事件在数据集中相应时段产生的平均收益;
场景概率向量P获得方式为:
场景sl中第h个事件ml_h i,j发生的时刻为Th(h=1,…,zl),可以从典型日运营数据中统计出2k个事件在Th时刻各自发生的频次。定义fh_sum为Th时刻所有事件发生的总频次,fh为事件ml_h i,j在Th发生的频次,fh_larger为Th时刻持续时间大于当前场景剩余时间的事件(即当前场景已不可能发生的事件)的频次之和。则事件ml_h i,j发生的概率:
场景sl发生的总概率为:
遍历所有场景,得到各个场景的发生概率,得到概率向量P:
P=(p1 … pn) (6)
式中,pn为场景sn发生的概率;
步骤2、综合充电的多因素计算动态心理安全电量,根据动态心理安全电量和峰平电价划分的多个充电决策区间构建动态充电方案集,并在运营场景收益框架下计算出不同方案的收益;
由于电动运营车通常由白班司机和夜班司机共同运营,且电动运营车电池的容量有限,一般会出现在一天内多次充电的情况。考虑到夜晚充电行为相对单一,本实施例只关注日间时段运营车的充电情况。
电动汽车充电时长Tc如下:
式中,B为电动汽车电池的额定容量;E为到站时初始荷电状态(即剩余电量);Elea为充电完成时电池荷电状态;PEV为电动汽车的充电功率;θc为电动汽车的充电效率。
定义心理安全电量Bsaf是每个运营车车主对其剩余电量的心理预期值,警戒电量Bmin是车主选择立刻充电的最低电量。当到达时的剩余电量BN高于Bsaf时,车主选择不充电;低于Bsaf时,车主会选择充电,并将电量充到足以跑至交班时间且大于警戒电量Bmin的值。在车主的日常运营中,心理安全电量会随时间段的不同而变化。建立心理安全电量Bsaf的计算关系如下:
Bsaf=BN+Tc*Vc (8)
式中,Vc为电动车平均充电速度。
当运营车车主产生充电需求时,充电时间可表示为:
式中,Td为当天开始运营时刻至交班时刻的分钟数,Ta为车主到达充电站的时间,Vr为电动车平均放电速度,W为电动汽车电池容量。若计算出充电结束的剩余电量后小于Bsaf,则需要继续充电,直至达到Bsaf为止。
可见,充电时长与充电开始时刻、充电时剩余电量及心里安全电量有关,而持有不同Bsaf偏好的决策者将选择不同的充电时长。
峰平电价也是一个重要影响因素。根据峰电价和平电价的时段将全天分成多个充电决策区间(后文将电价峰时段简称为峰时段,将电价平时段简称为平时段)。结合到达充电站时刻选择合适的充电决策区间,在充电决策区间中给出多个充电方案,从而构建动态充电方案集。
根据峰平电价划分的充电决策区间9:00-10:00为例,此时间段对应的充电方案如图2所示。AIJ区域的剩余电量高于此时的动态心理安全电量,车主不会产生充电想法。ABHI、BCFGH、CDEF区域的剩余电量低于此时的动态心理安全电量,结合不同的到达充电站时刻,产生三个不同的充电方案(BN-Ta面为三维图的投影):
方案一:对应ABHI区域,峰时段产生充电想法后立即充电;
方案二:对应BCFGH区域,峰时段产生充电想法后暂不充电,等到下一个平时段充电;
方案三:对应CDEF区域,峰时段产生充电想法后暂不充电,等到电量接近警戒电量时充电。
由于充电时刻与产生充电想法的时间间隔逐渐增大,满足剩余里程的目标电量会逐渐低于Bsaf,为了将电量补足到Bsaf需要进行充电时间延伸,故BCFGH和CDEF区域会产生转折面。
步骤3、通过韦伯-费希纳定律建立心理量表,结合跨期决策理论,建立综合方案收益及时间成本的电动运营车等效感知跨期决策充电模型;
跨期决策是对不同时间点的价值进行成本和收益权衡的过程,动态充电方案集包含的方案时刻、充电时长、充电电费及期望收益,为跨期决策提供了不同时间点的价值。对于一辆在城市道路中行驶的电动运营车而言,在何时选择充电直接影响车主当天的收益,综合衡量动态充电方案集中收益与时间的关系是典型的跨期决策问题。
3.1、电动运营车充电的跨期决策
在充电决策区间中任选两个备选充电方案u和v,运营车车主面临在tu和tv两时刻进行充电的选择:在tu时刻充电,获得收益xu;在tv时刻充电,获得收益xv,其中tv>tu,xv>xu。在tu时刻完成事件,时间较早,收益较少。在tv时刻完成时间,时间较晚但收益较高,那么车主面临在两时刻之间进行跨期选择的问题。
定义车主选择在区间u充电时的收益xu是区间v内获得的客单收益与可规避的区间v内充电费用D之和,既车主选择在tu时刻的区间u充电,在区间v时段获取收益xu。区间u和区间v的收益xu,xv为:
xu=Jv+Dv (10)
xv=Ju+Du (11)
式中,Ju和Jv总分别表示区间u和区间v的期望客单收益,Du,Dv分别表示区间u、区间v的充电费用。
定义车主充电选择的跨期概率P(LL):
其中,P(LL)为选择收益较大、充电时刻较晚的选项的概率,L(·)=1/(1+e-·)是平均值为0、方差为1的逻辑分布的累积分布函数,β1,βxA,βxB,βtA,βtR分别为各项的权重系数。本实施例定义当P(LL)的值大于设定值(设定值=0.5)时,选择时间较晚收益较高的选项;当P(LL)的小于0.5时,选择时间较早收益较少的选项。
3.2、韦伯-费希纳感知理论
韦伯-费希纳定律是表明心理量和物理量之间关系的定律,能够体现出决策者的非线性感知特征。对于中等程度的刺激,人身体的反应等级α与客观刺激量的对数成正比。
其中是心理量表阈值,c是比例常数,/>是能够感受到的最小物理强度。在电动运营车日常运营中,车主对于货币价值变化量的敏感程度是不同的,不同车主对同一笔运营收入/>的心理反应等级α是不同的,导致不同车主产生不同的判断,产生多种决策。心理反应等级α的量化一般借助心理量表表示,心理量表是一种测量个体心理反应强烈程度的辅助工具,根据式(16)得到心理量表阈值/>为:
根据运营数据确定车主的反应等级α,并从运营数据的客单收益中筛选出收益最低的客单imin和收益最高的客单imax,并令α=0时的为收益最低的客单imin,收益最高的客单imax为最高反应等级α_max对应的/>进而根据公式(17)求出比例常数c;
最后,在获得比例常数c后,根据上述公式(17)计算获得各等级α下的,即得到各等级α对应收益区间的运营车主心理量表。
3.3、等效感知跨期决策充电模型
由于车主对运营收益的感知钝化,车主对充电决策的收益x可以用心理量表阈值为界限进行分段感知处理。等效感知跨期决策充电模型流程图如图3所示,根据心理量表中的阈值得到韦伯费希纳算子为:
其中,x为充电时长Tc内的收益。
将根据心理量表中的阈值得到韦伯费希纳算子计算的结果代入式(12)得:
计算结果P(LL)的值,值大于0.5时,选择在区间u充电,当P(LL)的值小于0.5时,选择在区间v充电。
步骤4、对任意车主,根据其充电需求从峰平电价划分的充电决策区间中选择合适的充电决策区间,并从动态充电方案集获得该充电决策区间对应的多个充电方案,选择其中两个充电方案,根据其时间和收益通过心理量表计算得到韦伯费希纳算子,将韦伯费希纳算子代入到电动运营车等效感知跨期决策充电模型中进行计算,选择P(LL)的值大于0.5的充电方案,再重复上述方法将选出的方案与剩下充电方案一一进行上述计算,最终从充电决策区间对应的多个充电方案中选择出最佳充电方案。
下面以具体的案例进行进一步说明。本案列参考南方某市峰谷电价对时段进行划分,将研究时间设定为9:00-16:00共7个小时,根据峰平电价划分的充电决策区间为:9:00-10:00为平时段T1,10:00-12:00为峰时段T2,12:00-14:00为平时段T3,14:00-16:00为峰时段T4。在每个充电决策区间可供车主选择的充电方案如下:
表1充电方案划分表
本实施例不同时段的心理安全电量的参数设定如下表2所示,心理安全电量为保证在各时段内存在多种可选择方案的最低电量。
表2心理安全电量的参数设定
经调研,BYDE6型电动汽车为该市常见运营车型号,其电池容量为45kW·h,且该市通用充电桩充电功率为35kW,充电效率θc为0.95。为了便于计算和直观展示,将本实施例所讨论的9:00-16:00等效为0-7时刻,对于电量数据,将其记为小数形式,即0.5代表50%的电量。
在构建心理量表时,设定α=7的心理量表,从日运营数据中得到最大客单收益为137,最小客单收益为10。根据公式(17)即可求得各等级α对应的收益区间,从而得到运营车主心理量表,见图4。
在计算等效感知跨期决策充电模型(下述对比例中跨期决策模型也采用同意的默认参数)时,默认参数设置为β1,βxA,βxB,βtA,βtR;
表5.3跨期决策参数设定
电动运营车客单收益计算根据南方某市电动运营车收费标准,可得计费公式如下:
式中,Rprice为客单费用,G为该客单的实际行驶里程,客单收益的单位为元,运营里程的单位为米。
为了说明本实施例的效果,对期望效用理论、跨期决策模型以及等效感知跨期决策充电模型下车主充电方案进行了比较,结果如图5所示。从图5可以看到,在9:00-10:00时间段,期望效用理论下的车主选择先获得即时收益而后充电,选择方案的优先级为:方案3>方案2>方案1,且剩余电量BN的增长对选择的影响不大;由于跨期决策模型考虑了方案间的时间成本,相较于期望效用理论,跨期决策模型下的车主会更倾向于选择等效收益更高的充电方案,选择方案1的机率会逐渐增大,且随着剩余电量BN的增长效果会逐渐明显;等效感知跨期决策模型中的韦伯-费希纳算子将期望收益之间的差异等级化,突出电费对决策的影响,相较于跨期决策模型,等效感知跨期决策模型会更倾向于选择平均电价更低等效感知收益更高的充电方案。在10:00-14:00时间段,由于此时段方案的收益随着时间的增加而显著减小,故都会选择在时间近收益大的方案1时刻充电,期望效用理论、跨期决策模型以及等效感知跨期决策模型下的车主决策并无差异;
结论:(1)期望效用理论下的车主由于即时效应心理,会更倾向于选择先获得即时收益而后充电的方案,且剩余电量BN的增长对选择的影响不大;
(2)跨期决策模型考虑了方案间的时间成本,相较于期望效用理论,跨期决策模型削弱了即时效应的影响,使车主更倾向于选择等效收益更高的充电方案,且随着电量的增长,对即时效应的削弱效果会逐渐明显;
(3)等效感知跨期决策模型使车主对收益的感知出现钝化分级,更倾向于选择等效感知收益更高的充电方案,体现了车主感知收益的异质性。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种基于等效感知跨期的电动运营车充电方案的决策方法,其特征在于,包括如下步骤:
步骤1、对电动运营车的日运营数据进行特征分析,提取运营事件特征和运营收益特征,并在此基础上构建面向任意时段的电动运营车运营场景收益框架;
步骤2、综合充电的多因素计算动态心理安全电量,根据动态心理安全电量和峰平电价划分的多个充电决策区间构建动态充电方案集,并在运营场景收益框架下计算出不同方案的收益;
步骤3、通过韦伯-费希纳定律建立心理量表,结合跨期决策理论,建立综合方案收益及时间成本的电动运营车等效感知跨期决策充电模型;
步骤4、根据充电需求,从动态充电方案集中筛选出多个备选方案,根据每个备选方案的时间和收益通过心理量表计算得到韦伯费希纳算子,将韦伯费希纳算子代入到电动运营车等效感知跨期决策充电模型中进行计算,从而从多个备选方案中选择出最佳充电方案。
2.根据权利要求1所述的基于等效感知跨期的电动运营车充电方案的决策方法,其特征在于,提取运营事件特征为:
对电动运营车运营状态进行分析,得到空载、载客两个基本状态,将其定义独立事件mi,j∈M,其中i∈{0,1},0表示空载,1表示载客,j∈{10,20,30...,k×10},j表示该事件持续时长(分钟),k×10是事件最大持续时长,M是事件集合;
对电动运营车运营情况进行分析得到电动运营车的运营场景s,s是独立事件mi,j的可重复排列组合得到的一个运营场景,s中所有独立事件的持续时长j的和Σj等于运营场景时长。
3.根据权利要求1所述的基于等效感知跨期的电动运营车充电方案的决策方法,其特征在于,提取运营收益特征为:
电动运营车在充电决策时,面临在当前时刻t1与未来某时刻t2的选择:
(1)在t1充电,获得t2时刻等效充电时长Tc的运营收益;
(2)在t2充电,获取t1时刻等效充电时长Tc的运营收益;
据上得到充电时长Tc即为运营时长。
4.根据权利要求2所述的基于等效感知跨期的电动运营车充电方案的决策方法,其特征在于,根据运营事件特征和运营收益特征构建的面向任意时段的电动运营车运营场景收益框架为:
假设某时刻运营时长Tc包含n个运营场景{s1,…,sn},每一场景sl包含zl个独立事件,其中,l=1,2…n,对应的总期望收益J为:
J=P(Qn×kIΤ)
其中,P为运营场景概率向量,Qn×k为n个运营场景k个载客事件组成的事件频次矩阵,I为某时间段内的k个载客事件平均客单收益向量。
5.根据权利要求4所述的基于等效感知跨期的电动运营车充电方案的决策方法,其特征在于,场景概率向量P的计算方法为:
对于场景sl中第h个事件ml_h i,j发生的时刻Th,h=1,…,zl,从日运营数据中统计出2k个事件在Th时刻各自发生的频次;定义fh_sum为Th时刻所有事件发生的总频次,fh为事件ml_h i,j在Th发生的频次,fh_larger为Th时刻持续时间大于当前场景剩余时间的事件的频次之和,则事件ml_h i,j发生的概率:
场景sl发生的总概率为:
遍历所有场景,得到各个场景的发生概率,得到概率向量P:
P=(p1 … pn),其中,pn为场景sn发生的概率。
6.根据权利要求1所述的基于等效感知跨期的电动运营车充电方案的决策方法,其特征在于,步骤2中具体实现方法包括:
综合考虑到达时间、剩余电量和警戒电量,确定心理安全电量Bsaf,当剩余电量BN低于Bsaf时,根据峰电价和平电价的时段将全天分成多个充电决策区间,结合到达充电站时刻选择合适的充电决策区间,在充电决策区间中给出多个充电方案,从而构建动态充电方案集。
7.根据权利要求1所述的基于等效感知跨期的电动运营车充电方案的决策方法,其特征在于,通过韦伯-费希纳定律建立心理量表的方法为:
首先,根据韦伯-费希纳定律构建车主身体的反应等级α与客观刺激量φ的关系:
式中,是心理量表阈值,c是比例常数,/>是能够感受到的最小物理强度;
根据上述公式得到:
其次,根据运营数据确定车主的反应等级α,并从运营数据的客单收益中筛选出收益最低的客单imin和收益最高的客单imax,并令α=0时的为收益最低的客单imin,收益最高的客单imax为最高反应等级α_max对应的/>进而求出比例常数c;
最后,在获得比例常数c后,根据上述公式计算获得各等级α下的即得到各等级α对应收益区间的运营车主心理量表。
8.根据权利要求1所述的基于等效感知跨期的电动运营车充电方案的决策方法,其特征在于,根据跨期决策理论确定充电方案的方法为:
对动态充电方案集中的备选充电方案u和充电方案v,运营车车主面临在tu和tv两时刻进行充电的选择:在tu时刻充电,获得收益xu;在tv时刻充电,获得收益xv,其中,tv>tu,xv>xu;
在面临多个备选充电方案时,构建车主充电选择的跨期概率P(LL):
其中,P(LL)为选择收益较大、充电时刻较晚的选项的概率,L(·)=1/(1+e-·)是平均值为0、方差为1的逻辑分布的累积分布函数,β1、βxA、βxB、βtA、βtR分别为各项的权重系数;
当P(LL)的值大于设定值时,选择充电方案v;当P(LL)的小于设定值时,选择充电方案u。
9.根据权利要求8所述的基于等效感知跨期的电动运营车充电方案的决策方法,其特征在于,电动运营车等效感知跨期决策充电模型的构建方法为:
根据心理量表中的阈值得到韦伯费希纳算子,公式为:/>
其中,x为充电时长Tc内的收益;
将韦伯费希纳算子代入上述构建的车主充电选择的跨期概率P(LL)中,得到:
当P(LL)的值大于设定值时,选择充电方案v;当P(LL)的小于设定值时,选择充电方案u。
10.根据权利要求9所述的基于等效感知跨期的电动运营车充电方案的决策方法,其特征在于,设定值为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311560550.4A CN117522496A (zh) | 2023-11-20 | 2023-11-20 | 基于等效感知跨期的电动运营车充电方案的决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311560550.4A CN117522496A (zh) | 2023-11-20 | 2023-11-20 | 基于等效感知跨期的电动运营车充电方案的决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117522496A true CN117522496A (zh) | 2024-02-06 |
Family
ID=89766013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311560550.4A Pending CN117522496A (zh) | 2023-11-20 | 2023-11-20 | 基于等效感知跨期的电动运营车充电方案的决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117522496A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110474319A (zh) * | 2019-07-05 | 2019-11-19 | 湖北工业大学 | 基于多智能体的含可再生能源孤岛微电网协调控制的方法 |
CN111091224A (zh) * | 2019-10-30 | 2020-05-01 | 武汉大学 | 一种基于区块链技术的电动汽车充电电能交易方法 |
CN113609693A (zh) * | 2021-08-13 | 2021-11-05 | 湖北工业大学 | 基于改进累积前景理论的异质性车主充电行为建模方法 |
CN113852073A (zh) * | 2021-09-29 | 2021-12-28 | 福州大学 | 一种基于激励-响应充电决策估计的日前优化调度方法 |
US20220188946A1 (en) * | 2020-12-04 | 2022-06-16 | Totalenergies Se | Customer-centric method and system for pricing options and pricing/charging co-optimization at multiple plug-in electric vehicle charging stations |
CN114845245A (zh) * | 2022-07-06 | 2022-08-02 | 华北电力大学 | 一种基于无人机的移动数据采集方法、装置和终端 |
CN115339355A (zh) * | 2022-05-20 | 2022-11-15 | 湖北工业大学 | 电动汽车实时充电决策方法、系统、介质、设备及终端 |
CN116674411A (zh) * | 2023-06-06 | 2023-09-01 | 福州大学 | 基于充能决策预测的电-氢复合充能站优化调度策略 |
-
2023
- 2023-11-20 CN CN202311560550.4A patent/CN117522496A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110474319A (zh) * | 2019-07-05 | 2019-11-19 | 湖北工业大学 | 基于多智能体的含可再生能源孤岛微电网协调控制的方法 |
CN111091224A (zh) * | 2019-10-30 | 2020-05-01 | 武汉大学 | 一种基于区块链技术的电动汽车充电电能交易方法 |
US20220188946A1 (en) * | 2020-12-04 | 2022-06-16 | Totalenergies Se | Customer-centric method and system for pricing options and pricing/charging co-optimization at multiple plug-in electric vehicle charging stations |
CN113609693A (zh) * | 2021-08-13 | 2021-11-05 | 湖北工业大学 | 基于改进累积前景理论的异质性车主充电行为建模方法 |
CN113852073A (zh) * | 2021-09-29 | 2021-12-28 | 福州大学 | 一种基于激励-响应充电决策估计的日前优化调度方法 |
CN115339355A (zh) * | 2022-05-20 | 2022-11-15 | 湖北工业大学 | 电动汽车实时充电决策方法、系统、介质、设备及终端 |
CN114845245A (zh) * | 2022-07-06 | 2022-08-02 | 华北电力大学 | 一种基于无人机的移动数据采集方法、装置和终端 |
CN116674411A (zh) * | 2023-06-06 | 2023-09-01 | 福州大学 | 基于充能决策预测的电-氢复合充能站优化调度策略 |
Non-Patent Citations (1)
Title |
---|
乔杰: "市场环境下考虑电动汽车需求响应的虚拟电厂优化调度方法研究", 万方, 2 October 2023 (2023-10-02), pages 1 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | The effects of public subsidies on emerging industry: An agent-based model of the electric vehicle industry | |
CN110570014B (zh) | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 | |
Debnath et al. | Quantifying economic benefits of second life batteries of gridable vehicles in the smart grid | |
White et al. | Using vehicle-to-grid technology for frequency regulation and peak-load reduction | |
Neubauer et al. | Sensitivity of plug-in hybrid electric vehicle economics to drive patterns, electric range, energy management, and charge strategies | |
CN109177802B (zh) | 一种基于无线通信的电动汽车有序充电系统及其方法 | |
CN107169273A (zh) | 计及延时和v2g充电模式的电动汽车充电功率预测方法 | |
CN107292488A (zh) | 含优化运行策略的用户侧分布式储能价值评估方法与系统 | |
CN107180272B (zh) | 基于能耗控制的电动汽车停车场充电方法 | |
CN110098437A (zh) | 一种新能源汽车动力电池老化分析系统 | |
CN109934403A (zh) | 基于数学模型的电动汽车居民区域充电负荷分析预测方法 | |
CN107719164A (zh) | 基于topsis排序的居民区电动汽车有序充电方法 | |
CN109840640B (zh) | 一种电动汽车充电桩的选址方法和系统 | |
CN106952004B (zh) | 一种电动汽车社区充电实时优化调度方法 | |
CN112498164A (zh) | 充电策略的处理方法和装置 | |
CN109615260A (zh) | 确定充电桩的安装地址的方法 | |
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 | |
Liu et al. | Load characteristics forecasting of Hubei power grid up to year 2030 with the development of electric vehicles | |
CN111967686B (zh) | 一种基于用电概率分布函数的随机负荷预测方法 | |
CN117522496A (zh) | 基于等效感知跨期的电动运营车充电方案的决策方法 | |
CN117220281A (zh) | 一种电动汽车接入电网调节能力量化评估方法及系统 | |
CN116502964A (zh) | 电动汽车碳排放时空分布监测建模方法及装置 | |
Preis et al. | Assessing the incorporation of battery degradation in vehicle-to-grid optimization models | |
CN112632374B (zh) | 一种考虑定制公交的居民出行方式选择分析方法 | |
CN114841451A (zh) | 一种司机出行补贴方法、装置和存储介质 |
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 |