CN117833240A - 一种面向酒店场景的电动汽车充电负荷预测方法 - Google Patents
一种面向酒店场景的电动汽车充电负荷预测方法 Download PDFInfo
- Publication number
- CN117833240A CN117833240A CN202410226383.8A CN202410226383A CN117833240A CN 117833240 A CN117833240 A CN 117833240A CN 202410226383 A CN202410226383 A CN 202410226383A CN 117833240 A CN117833240 A CN 117833240A
- Authority
- CN
- China
- Prior art keywords
- hotel
- area
- time
- travel
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 22
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 235000006629 Prosopis spicigera Nutrition 0.000 claims description 2
- 240000000037 Prosopis spicigera Species 0.000 claims description 2
- 125000003275 alpha amino acid group Chemical group 0.000 claims 1
- 150000001875 compounds Chemical class 0.000 claims 1
- 230000005484 gravity Effects 0.000 abstract description 5
- 238000010276 construction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提出一种面向酒店场景的电动汽车充电负荷预测方法,包括:获取酒店区域内电动汽车基本信息;计算酒店所在城市各职能区之间的交通阻抗及各区域在不同时刻的出行力与吸引力;计算酒店所在城市各区域出行矩阵;基于蒙特卡洛模拟法生成酒店区域内电动汽车的预测出行链;计算各时刻酒店区域内电动汽车充电需求;计算各时刻酒店区域内电动汽车充电负荷。本发明基于改进重力模型和蒙特卡洛方法对酒店区域内的电动汽车未来一段时间的出行链进行预测,从而计算各时刻酒店区域内电动汽车的充电需求,实现面向酒店场景的电动汽车负荷预测,为酒店充电桩容量配置提供参考。
Description
技术领域
本发明涉及电动汽车充电技术领域,尤其涉及一种面向酒店场景的电动汽车负荷预测方法。
背景技术
新能源汽车产业是全世界竞相追逐的战略性新兴产业之一。相对于传统汽车,电动汽车具有节能减排的特点且充电费用远低于燃油价格,展现出了独特的优势。随着消费者市场对私家车需求的扩大以及电动汽车产业核心技术的发展,电动汽车在中国的销售量逐年提高。可以预计,未来一段时间我国电动汽车的保有量仍将不断攀升。
电动汽车的快速发展对配套充电基础设施的建设提出了要求,不合理不充足的充电桩配置将会影响电动汽车用户的充电体验。为了提升酒店的服务水平,满足部分酒店客户的电动汽车充电需求,需要为酒店配备一定的电动汽车充电桩。合理的充电设施配置需要在满足用户需求的基础上减少资源闲置,因此有必要对酒店区域内的电动汽车充电负荷进行预测。
充分分析电动汽车的充电需求是计算电动汽车充电负荷的基础。于是提出了一种面向酒店场景的电动汽车负荷预测方法。
发明内容
本发明的目的在于提供一种面向酒店场景的电动汽车负荷预测方法,通过充分考虑城市区域特性,基于改进重力模型对出行矩阵进行计算,结合出行链思想对电动汽车出行情况进行描述并通过核密度估计的方法计算出行链特征量的概率分布,最后通过蒙特卡洛模拟获得酒店区域内电动汽车的出行数据,在充分分析其充电需求的基础上实现对酒店区域内电动汽车充电负荷的预测,为酒店的充电设施建设提供参考,以解决上述背景技术中提出的问题。
为实现上述目的,本发明的技术方案为:一种面向酒店场景的电动汽车负荷预测方法,包括以下步骤:
步骤(S1):获取酒店区域内电动汽车基本信息和酒店所在城市的车辆出行历史数据;
步骤(S2):计算酒店所在城市各职能区之间的交通阻抗及各区域在不同时刻的出行力与吸引力;
步骤(S3):计算酒店所在城市各区域出行矩阵;
步骤(S4):基于蒙特卡洛模拟法生成酒店区域内电动汽车的预测出行链;
步骤(S5):计算各时刻酒店区域内电动汽车充电需求;
步骤(S6):计算各时刻酒店区域内电动汽车充电负荷。
优选的,步骤(S1)中,所述酒店区域内电动汽车基本信息包括酒店旺季典型日各时刻到达及驶离的电动汽车数量、初始SOC值以及停驻时间;所述酒店所在城市的车辆出行历史数据包括车辆离开起始地的时间、到达目的地的时间以及车辆的行驶里程。
优选的,步骤(S2)中,所述酒店所在城市各职能区之间的交通阻抗的计算公式如下:;式(1)中,/>为区域i,j之间的交通阻抗,l ij 为区域i到区域j的距离,/>为区域间距离的概率密度函数,e为自然常数,/>是均值,/>是标准差,设置参数/>。优选的,步骤(S2)中,各区域在不同时刻的出行力与吸引力的计算公式如下:/>式(2)—(3)中,N为数据中行驶在道路上的车辆的总数,k为功能区类别,/>为t时刻从功能区k出发的车辆总数,/>为t时刻到达功能区k的车辆总数/>为t时刻功能区k的地区出行力,/>为t时刻功能区k的地区吸引力。
优选的,步骤(S3)中,酒店所在城市各区域出行矩阵中元素的计算公式如下:
式(4)中,/>是t时刻到达区域j的到达率,/>为t时刻以区域i为起点的电动汽车到达终点区域j的概率。
优选的,由区域i至区域j的车流量的计算公式为:/>式(5)中,/>为t时刻的待定调整系数;/>为t时刻区域i的地区出行力;/>为t时刻区域j的地区吸引力,/>为区域i,j之间的交通阻抗。
优选的,由i区域出发,以各个区域为终点的概率之和为1,J为区域总数,因此待定的调整系数的值可由如下公式进行计算:/>。
优选的,步骤(S4)中酒店区域内电动汽车的预测出行链是具有时序性的位置序列,包含时间特征量和空间特征量;所述出行链的时间特征量包括出发时刻t s、行驶时长t d、停车时间 t p和停车时长t l,所述出行链的空间特征量包括行程的起点、途经点和终点;特征量停车时间t p与其余特征量的关系式如下:式(7)—(9)中,/>代表行程i的行车时长,d l,i 代表行程i的行驶里程,/>代表在行程i之前的停车时长,/>代表行程i的起始时间,/>为该行程内行驶的平均速度。
优选的,步骤(S5)中各时刻酒店区域内电动汽车充电需求的计算公式如下:
;式(10)中,/>为电动汽车在t时刻的充电需求,/>代表在t时刻电动汽车的荷电状态,/>代表电动汽车的期望电量,在数值上满足能够支撑车辆接下来的行程并且在行程结束后剩余电量,/>为电动汽车的电池容量。
优选的,步骤(S6)中各时刻酒店区域内电动汽车充电负荷的计算公式如下:
;式(11)中,/>为t时刻全市区域内的电动汽车总充电功率,N in,t 代表酒店区域内在t时刻进行充电的电动汽车总数,/>代表车辆j在t时刻的充电功率。
本发明考虑了城市不同职能区的具体特性,引入出行矩阵来描述各职能区各时刻的电动汽车到达率,基于蒙特卡洛模拟法并结合酒店区域内的电动汽车的基本信息来预测车辆未来一段时间的出行链,从而对电动汽车的充电需求进行预测,最终实现对酒店区域内电动汽车的充电负荷预测。
附图说明
图1为本发明的方法流程图;
图2为本发明系统的框架图。
具体实施方式
下面将结合本发明实施例中的附图,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做出创造性劳动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。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1:请参阅图1,本实施例提出一种面向酒店场景的电动汽车充电负荷预测方法,包括以下步骤:
步骤(S1):获取酒店区域内电动汽车基本信息和酒店所在城市的车辆出行历史数据;
本实施例中,所述酒店区域内电动汽车基本信息包括酒店旺季典型日各时刻到达及驶离的电动汽车数量、初始SOC值以及停驻时间;
所述酒店所在城市的车辆出行历史数据包括车辆离开起始地的时间、到达目的地的时间以及车辆的行驶里程。
步骤(S2):计算酒店所在城市各职能区之间的交通阻抗及各区域在不同时刻的出行力与吸引力;
所述酒店所在城市各职能区之间的交通阻抗的计算公式如下:
;式(1)中,/>为区域i,j之间的交通阻抗,l ij 为区域i到区域j的距离,/>为区域间距离的概率密度函数,e为自然常数,/>是均值,/>是标准差,设置参数/>。
优选的,步骤(S2)中,各区域在不同时刻的出行力与吸引力的计算公式如下:
式(2)—(3)中,N为数据中行驶在道路上的车辆的总数,k为功能区类别,/>为t时刻从功能区k出发的车辆总数,/>为t时刻到达功能区k的车辆总数,/>为t时刻功能区k的地区出行力,/>为t时刻功能区k的地区吸引力。
优选的,步骤(S3):计算酒店所在城市各区域出行矩阵;
酒店所在城市各区域出行矩阵中元素的计算公式如下:
式(4)中,/>是t时刻到达区域j的到达率,/>为t时刻以区域i为起点的电动汽车到达终点区域j的概率;由区域i至区域j的车流量/>的计算公式为:/>式(5)中,/>为t时刻的待定调整系数;/>为t时刻区域i的地区出行力;/>为t时刻区域j的地区吸引力,/>为区域i,j之间的交通阻抗;由i区域出发,以各个区域为终点的概率之和为1,J为区域总数,因此待定的调整系数/>的值可由如下公式进行计算:/>步骤(S4):基于蒙特卡洛模拟法生成酒店区域内电动汽车的预测出行链;优选的,步骤(S4)中酒店区域内电动汽车的预测出行链是具有时序性的位置序列,包含时间特征量和空间特征量;所述出行链的时间特征量包括出发时刻t s、行驶时长t d、停车时间 t p和停车时长t l,所述出行链的空间特征量包括行程的起点、途经点和终点;特征量停车时间t p与其余特征量的关系式如下:
式(7)—(9)中,/>代表行程i的行车时长,d l,i 代表行程i的行驶里程,由该段行程的起止点所在区域决定,/>代表在行程i之前的停车时长,/>代表行程i的起始时间,/>为该行程内行驶的平均速度。
步骤(S5):计算各时刻酒店区域内电动汽车充电需求;所述各时刻酒店区域内电动汽车的充电需求的计算公式如下:
式(10)中,/>为电动汽车在t时刻的充电需求,/>代表在t时刻电动汽车的荷电状态,/>代表电动汽车的期望电量,在数值上满足能够支撑车辆接下来的行程并且在行程结束后剩余电量,/>为电动汽车的电池容量。
步骤(S6):计算各时刻酒店区域内电动汽车充电负荷;
所述各时刻酒店区域内电动汽车充电负荷的计算公式如下:
式(11)中,/>为t时刻全市区域内的电动汽车总充电功率,N in,t 代表酒店区域内在t时刻进行充电的电动汽车总数,/>代表车辆j在t时刻的充电功率。
本发明考虑了城市不同职能区的具体特性,引入出行矩阵来描述各职能区各时刻的电动汽车到达率,基于蒙特卡洛模拟法并结合酒店区域内的电动汽车的基本信息来预测车辆未来一段时间的出行链,从而对电动汽车的充电需求进行预测,最终实现对酒店区域内电动汽车的充电负荷预测。
实施例2:本实施例提出一种面向酒店场景的电动汽车充电负荷预测方法,基于改进重力模型对出行矩阵进行计算,设置随时间变化的交通区出行力与地区吸引力参与,从而规避了传统重力模型参数为静态的缺点,采用蒙特卡洛模拟法来预测电动汽车未来一段时间的出行链,在分析电动汽车充电需求的基础上,最终实现对酒店区域内电动汽车的充电负荷预测。
所述基于蒙特卡洛模拟法的电动汽车出行模型包括以下步骤:
步骤(A-1):对酒店所在城市的车辆历史出行数据进行处理分析,获得各地区在不同时段的地区出行力和吸引力;
步骤(A-2):将计算所得参数代入改进重力模型,从而计算各地区的出行矩阵;
步骤(A-3):采用核密度估计来计算车辆的启停时间及其对应起止点在各区域的概率分布特征。当x1, x2,……xn为独立分布F的n个样本点,设函数为密度函数f(x)的核密度估计,核密度估计/>可由如下公式进行计算:
式(12)中,/>为核密度估计,n为随机变量的样本数量,K(·)是核函数,h为平滑参数;步骤(A-4):假设典型日内酒店共有n辆电动汽车,从第一辆汽车开始,抽取其当天的出行链;
步骤(A-5):由电动汽车的出行起止点确定电动汽车的行驶里程;
步骤(A-6):对下一辆电动汽车进行抽样,直到完成全部n辆电动汽车的出行抽样。
实施例3:请参阅图2,本实施例提出一种面向酒店场景的电动汽车充电负荷预测系统,包括数据采集模块、出行矩阵计算模块以及充电负荷预测模块。
在具体实施过程中,数据采集模块包括酒店区域内电动汽车基本信息和酒店所在城市的车辆出行历史数据;出行矩阵计算模块包括对酒店所在城市各职能区之间的交通阻抗及各区域在不同时刻的出行力与吸引力的计算,进而获得酒店所在城市各职能区各时刻的电动汽车到达率;充电负荷预测模块在预测电动汽车的出行路线的基础上计算电动汽车的充电需求并进一步实现酒店区域内电动汽车的充电负荷预测。
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种面向酒店场景的电动汽车充电负荷预测方法,其特征在于,包括以下步骤:
步骤(S1):获取酒店区域内电动汽车基本信息和酒店所在城市的车辆出行历史数据;
步骤(S2):计算酒店所在城市各职能区之间的交通阻抗及各区域在不同时刻的出行力与吸引力;
步骤(S3):计算酒店所在城市各区域出行矩阵;
步骤(S4):基于蒙特卡洛模拟法生成酒店区域内电动汽车的预测出行链;
步骤(S5):计算各时刻酒店区域内电动汽车充电需求;
步骤(S6):计算各时刻酒店区域内电动汽车充电负荷。
2.根据权利要求1所述的一种面向酒店场景的电动汽车充电负荷预测方法,其特征在于,步骤(S1)中,所述酒店区域内电动汽车基本信息包括酒店旺季典型日各时刻到达及驶离的电动汽车数量、初始SOC值以及停驻时间;所述酒店所在城市的车辆出行历史数据包括车辆离开起始地的时间、到达目的地的时间以及车辆的行驶里程。
3.根据权利要求1所述的一种面向酒店场景的电动汽车充电负荷预测方法,其特征在于,步骤(S2)中,所述酒店所在城市各职能区之间的交通阻抗的计算公式如下:
;式(1)中,/>为区域i,j之间的交通阻抗,l ij 为区域i到区域j的距离,/>为区域间距离的概率密度函数,e为自然常数,/>是均值,是标准差,设置参数/>。
4.根据权利要求1所述的一种面向酒店场景的电动汽车充电负荷预测方法,其特征在于,步骤(S2)中,各区域在不同时刻的出行力与吸引力的计算公式如下:式(2)—(3)中,N为数据中行驶在道路上的车辆的总数,k为功能区类别,/>为t时刻从功能区k出发的车辆总数,/>为t时刻到达功能区k的车辆总数,/>为t时刻功能区k的地区出行力,/>为t时刻功能区k的地区吸引力。
5.根据权利要求1所述的一种面向酒店场景的电动汽车充电负荷预测方法,其特征在于,步骤(S3)中,酒店所在城市各区域出行矩阵中元素的计算公式如下:
;式(4)中,/>是t时刻到达区域j的到达率,/>为t时刻以区域i为起点的电动汽车到达终点区域j的概率。
6.根据权利要求5所述的一种面向酒店场景的电动汽车充电负荷预测方法,其特征在于,由区域i至区域j的车流量的计算公式为:
;式(5)中,/>为t时刻的待定调整系数;/>为t时刻区域i的地区出行力;/>为t时刻区域j的地区吸引力,/>为区域i,j之间的交通阻抗。
7.根据权利要求6所述的一种面向酒店场景的电动汽车充电负荷预测方法,其特征在于,由i区域出发,以各个区域为终点的概率之和为1,J为区域总数,因此待定的调整系数的值可由如下公式进行计算:
。
8.根据权利要求1所述的一种面向酒店场景的电动汽车充电负荷预测方法,其特征在于,步骤(S4)中酒店区域内电动汽车的预测出行链是具有时序性的位置序列,包含时间特征量和空间特征量;所述出行链的时间特征量包括出发时刻t s、行驶时长t d、停车时间 t p和停车时长t l,所述出行链的空间特征量包括行程的起点、途经点和终点;特征量停车时间t p与其余特征量的关系式如下:
式(7)—(9)中,/>代表行程i的行车时长,d l,i 代表行程i的行驶里程,/>代表在行程i之前的停车时长,/>代表行程i的起始时间,/>为该行程内行驶的平均速度。
9.根据权利要求1所述的一种面向酒店场景的电动汽车充电负荷预测方法,其特征在于,步骤(S5)中各时刻酒店区域内电动汽车充电需求的计算公式如下:;式(10)中,/>为电动汽车在t时刻的充电需求,代表在t时刻电动汽车的荷电状态,/>代表电动汽车的期望电量,在数值上满足能够支撑车辆接下来的行程并且在行程结束后剩余电量,/>为电动汽车的电池容量。
10.根据权利要求1所述的一种面向酒店场景的电动汽车充电负荷预测方法,其特征在于,步骤(S6)中各时刻酒店区域内电动汽车充电负荷的计算公式如下:;
式(11)中,为t时刻全市区域内的电动汽车总充电功率,N in,t 代表酒店区域内在t时刻进行充电的电动汽车总数,/>代表车辆j在t时刻的充电功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410226383.8A CN117833240B (zh) | 2024-02-29 | 一种面向酒店场景的电动汽车充电负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410226383.8A CN117833240B (zh) | 2024-02-29 | 一种面向酒店场景的电动汽车充电负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117833240A true CN117833240A (zh) | 2024-04-05 |
CN117833240B CN117833240B (zh) | 2024-05-31 |
Family
ID=
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681795A (zh) * | 2018-05-23 | 2018-10-19 | 华南理工大学 | 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 |
CN110119841A (zh) * | 2019-04-28 | 2019-08-13 | 广东工业大学 | 一种基于用户多选择的充电站负荷预测方法 |
CN111160639A (zh) * | 2019-12-21 | 2020-05-15 | 杭州电子科技大学 | 基于用户出行时空分布特性的电动汽车充电负荷预测方法 |
CN113343358A (zh) * | 2021-06-25 | 2021-09-03 | 国网山西省电力公司经济技术研究院 | 一种考虑道路信息的电动汽车充电负荷时空分布建模方法 |
CN114819345A (zh) * | 2022-04-25 | 2022-07-29 | 重庆大学 | 基于车-路-站-网融合的电动汽车充电负荷时空分布预测方法 |
CN115495701A (zh) * | 2022-09-30 | 2022-12-20 | 天津大学 | 一种一致性电动汽车充电负荷时空分布预测方法 |
CN115510672A (zh) * | 2022-10-12 | 2022-12-23 | 东南大学 | 一种物联网感知环境下电动微出行车辆换电需求预测方法 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681795A (zh) * | 2018-05-23 | 2018-10-19 | 华南理工大学 | 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 |
CN110119841A (zh) * | 2019-04-28 | 2019-08-13 | 广东工业大学 | 一种基于用户多选择的充电站负荷预测方法 |
CN111160639A (zh) * | 2019-12-21 | 2020-05-15 | 杭州电子科技大学 | 基于用户出行时空分布特性的电动汽车充电负荷预测方法 |
CN113343358A (zh) * | 2021-06-25 | 2021-09-03 | 国网山西省电力公司经济技术研究院 | 一种考虑道路信息的电动汽车充电负荷时空分布建模方法 |
CN114819345A (zh) * | 2022-04-25 | 2022-07-29 | 重庆大学 | 基于车-路-站-网融合的电动汽车充电负荷时空分布预测方法 |
CN115495701A (zh) * | 2022-09-30 | 2022-12-20 | 天津大学 | 一种一致性电动汽车充电负荷时空分布预测方法 |
CN115510672A (zh) * | 2022-10-12 | 2022-12-23 | 东南大学 | 一种物联网感知环境下电动微出行车辆换电需求预测方法 |
Non-Patent Citations (5)
Title |
---|
CHENKE HE: "Optimal Planning of Electric Vehicle Battery Centralized Charging Station Based on EV Load Forecasting", IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS, vol. 58, no. 5, 28 June 2022 (2022-06-28), pages 6557 - 6575, XP011920723, DOI: 10.1109/TIA.2022.3186870 * |
XIANG GAO 等: "Spatial Load Prediction Considering Spatiotemporal Distribution of Electric Vehicle Charging Load", 2021 INTERNATIONAL CONFERENCE ON POWER SYSTEM AND ENERGY INTERNET (POSEI2021), 31 December 2021 (2021-12-31), pages 1 - 6 * |
庞培川;曾成;杨彪;张谦;: "蒙特卡洛模拟法计算电动汽车充电负荷", 通信电源技术, vol. 33, no. 01, 25 January 2016 (2016-01-25), pages 155 - 158 * |
李含玉 等: "基于出行模拟的电动汽车充电负荷预测模型及V2G评估", 电力系统自动化, vol. 43, no. 21, 10 November 2019 (2019-11-10), pages 88 - 102 * |
李磊;赵新;李晓辉;刘伟东;刘小琛;冯炜;: "基于动态交通信息的电动汽车充电需求预测模型及其对配网的影响分析", 电网与清洁能源, vol. 36, no. 03, 25 March 2020 (2020-03-25), pages 107 - 128 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hao et al. | Seasonal effects on electric vehicle energy consumption and driving range: A case study on personal, taxi, and ridesharing vehicles | |
CN111311122B (zh) | 面向智慧城市的充电站建设方法 | |
CN102884401A (zh) | 用于将电池操作的运输装置引导至重整站的方法和引导单元 | |
CN108932561B (zh) | 一种考虑非线性充电函数的电动汽车充电路径选择方法 | |
CN111400662A (zh) | 一种考虑电动汽车充电需求的空间负荷预测方法 | |
CN111523714B (zh) | 一种电力充电站选址布局方法及装置 | |
CN111553530B (zh) | 一种城际网约车包车出行运力预测与出行推荐方法及系统 | |
CN110210664B (zh) | 多个个体车辆使用行为短时预测的深度学习方法 | |
CN112507506B (zh) | 基于遗传算法的共享汽车定价规划模型的多目标优化方法 | |
CN108062591A (zh) | 电动汽车充电负荷时空分布预测方法 | |
CN112446609A (zh) | 一种基于大数据的充电场站建站方法及系统 | |
CN108133329B (zh) | 考虑充电反馈效应的电动汽车出行与充电需求分析方法 | |
CN110232219A (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
CN110543976A (zh) | 一种基于遗传算法的充电站布局优化方法 | |
CN110033155A (zh) | 行驶能量分配系统、行驶能量分配方法及行驶能量分配程序 | |
CN115660501A (zh) | 电动汽车充电负荷可调裕度评估方法 | |
CN109919393B (zh) | 一种电动出租汽车的充电负荷预测方法 | |
Sivagnanam et al. | Minimizing energy use of mixed-fleet public transit for fixed-route service | |
CN112364293B (zh) | 考虑城市职能区的电动汽车所需充电量预测方法和装置 | |
CN117833240B (zh) | 一种面向酒店场景的电动汽车充电负荷预测方法 | |
CN117833240A (zh) | 一种面向酒店场景的电动汽车充电负荷预测方法 | |
CN111784027A (zh) | 计及地理信息的城市范围电动汽车充电需求预测方法 | |
CN111401786A (zh) | 一种基于路况信息考虑双边利益权衡的电动汽车充电调度方法 | |
CN110674988A (zh) | 一种基于电动汽车出行大数据的城区充电站规划方法 | |
CN115907128A (zh) | 一种高速公路年尺度用电负荷预测方法及装置 |
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 |