CN117977543A - 计及用户出行意愿的电动汽车充电负荷预测方法及系统 - Google Patents
计及用户出行意愿的电动汽车充电负荷预测方法及系统 Download PDFInfo
- Publication number
- CN117977543A CN117977543A CN202311726335.7A CN202311726335A CN117977543A CN 117977543 A CN117977543 A CN 117977543A CN 202311726335 A CN202311726335 A CN 202311726335A CN 117977543 A CN117977543 A CN 117977543A
- Authority
- CN
- China
- Prior art keywords
- travel
- electric automobile
- time
- electric vehicle
- energy consumption
- 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 75
- 238000005265 energy consumption Methods 0.000 claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 230000007704 transition Effects 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 11
- 230000005611 electricity Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请公开了一种计及用户出行意愿的电动汽车充电负荷预测方法、系统、设备及介质,面向用户的实际用车场景,通过对电动汽车出行需求、交通路网和出行能耗进行建模,考虑到用户出行意愿对电动汽车充电负荷分布的影响,制定相应的电动汽车充电负荷预测方法。为精细化预测充电负荷分布,基于马尔可夫链构建的电动汽车出行模型通过用户出行意愿预测出行轨迹,动态路阻函数基于道路通行量计算车辆通行时间,出行能耗计算方法充分考虑驱动能耗、空调能耗和低压附件能耗,以提升预测的准确性。本申请提供的方法,考虑了实际使用中用户出行意愿的影响,制定了相应的充电负荷时空分布预测方法,对解决电动汽车充电引导、充电站规划等问题具有重要价值。
Description
技术领域
本申请涉及电动汽车充电负荷预测技术领域,尤其涉及一种计及用户出行意愿的电动汽车充电负荷预测方法、系统、设备及介质。
背景技术
在双碳目标的引导下,居民电动汽车的保有量连年保持高速增长,成为了居民用电的重要组成部分,然而车辆充电负荷具有用电功率高、随机性强等特点,导致电力系统维持平衡的难度增大。为缓解上述问题,电动汽车充电负荷时空分布的预测成为了目前的研究热点,是研究电动汽车充电引导、充电站规划等问题的研究基础。目前研究中,电动汽车的出行路径主要通过出行参数概率统计或出行链模型进行预测,未反映出用户出行意愿的影响。然而实际用车过程中,不同场景下用户出行意愿具有差异,相应的车辆出行路径也会发生变化。同时,目前采用的车辆出行能耗的计算方法为通过出行里程进行计算,再根据用车场景进行修正,相对简单。
发明内容
本申请提供了一种计及用户出行意愿的电动汽车充电负荷预测方法,以解决现有电动汽车充电负荷方法未反映出用户出行意愿、计算方法相对简单,计算结果与实际符合性较差的技术问题,实现精准化预测电动汽车充电负荷的时空分布。
为解决上述技术问题,第一方面,本申请提供了一种计及用户出行意愿的电动汽车充电负荷预测方法,所述方法包括:
根据历史出行数据和历史气象数据,以预测电动汽车的空间状态转移概率;
基于马尔可夫链和所述电动汽车的空间状态转移概率,构建电动汽车出行模型,根据所述电动汽车出行模型,以对电动汽车的出行轨迹进行模拟,并计算电动汽车的出行里程;
基于道路通行流量对道路通行时间的影响,构建动态路阻函数,将所述出行轨迹输入所述动态路阻函数,计算电动汽车的总通行时间;
根据所述出行里程和所述总通行时间,计算电动汽车的出行能耗;
根据所述出行轨迹和所述出行能耗、以及电动汽车的当前电量,以确定电动汽车的充电时间和地点,并根据所述充电时间、所述地点和充电参数,计算电动汽车充电负荷时空分布。
优选的,所述根据历史出行数据和历史气象数据,以预测电动汽车的空间状态转移概率,包括:
将电动汽车的空间状态划分为居民区、工作区和商业区;
获取车辆历史出行数据和历史气象数据,根据所述车辆历史出行数据和所述历史气象数据建立用户出行意愿数据库;
基于空间状态划分结果,根据所述用户出行意愿数据库确定电动汽车的空间状态转移概率。
优选的,所述基于马尔可夫链和所述电动汽车的空间状态转移概率,构建电动汽车出行模型,包括:
基于空间状态划分结果构建电动汽车空间状态概率矩阵,并确定电动汽车初始空间状态概率矩阵;
根据所述电动汽车初始空间状态概率矩阵和所述电动汽车的空间状态转移概率,得到电动汽车空间状态转移过程;
所述电动汽车空间状态转移过程表示为:
其中,St表示t时刻电动汽车空间状态转移矩阵,表示电动汽车在t时刻从a区到b区的概率,/>表示电动汽车在t时刻停留在a区的概率,a,b∈{H,W,S},H表示居民区、W表示工作区,S表示商业区;
基于所述电动汽车空间状态转移过程,构建电动汽车出行模型。
优选的,所述将所述出行轨迹输入所述动态路阻函数,计算电动汽车的总通行时间,包括:
以OD对表示节点O到节点D的路线,并判断所述出行轨迹各路段与OD对之间的从属关系;
根据所述从属关系构建所述出行轨迹各路段和OD对之间的关联矩阵;
根据所述动态路阻函数,计算特定时刻下各路段的通行时间;
根据所述关联矩阵和所述特定时刻下各路段的通行时间,计算特定时刻OD对的总通行时间;
以所述特定时刻OD对的总通行时间表示电动汽车的总通行时间。
优选的,所述出行轨迹各路段与OD对之间的从属关系表示为:
其中,κOD表示OD对之间最短路径所经过路段的集合;
所述关联矩阵表示为:
所述特定时刻下各路段的通行时间的计算公式为:
其中,Ta(t)表示t时刻路段a的通行时间,xa(t)表示t时刻路段a的通行流量;表示路段a的自由通行时间,ca表示路段a的最大通行流量,α和β表示动态路阻函数参数;
所述特定时刻OD对的总通行时间的计算公式为:
其中,cOD(t)表示t时刻OD对的总通行时间,λ是所有路段的集合。
优选的,所述根据所述出行里程和所述总通行时间,计算电动汽车的出行能耗,包括:
将电动汽车的出行能耗划分为行驶能耗、空调能耗和低压附件能耗;
所述行驶能耗的计算公式为:
其中,E1表示车辆出行的总行驶能耗,l表示出行里程,T表示电动汽车的总通行时间,m1-m4为拟合参数;
所述空调能耗的计算公式为:
E2=μ(c)PairT,
其中,μ表示气温c下的空调开启率,n1-n4为拟合系数,E2表示车辆出行的总空调能耗,Pair表示车载空调的运行功率;
所述低压附件能耗的计算公式为:
优选的,所述根据所述出行轨迹和所述出行能耗、以及电动汽车的当前电量,以确定电动汽车的充电时间和地点,包括:
设定电动汽车需要充电的判定条件;
计算电动汽车的当前电量与出行能耗的差值,并将所述差值作为电动汽车的剩余电量;
基于所述电动汽车需要充电的判定条件,根据所述剩余电量判断电动汽车是否需要充电,以及充电的时间和地点。
第二方面,本申请还提供了一种计及用户出行意愿的电动汽车充电负荷预测系统,所述系统包括:
空间状态转移概率预测单元、出行轨迹模拟和出行里程计算单元、通行时间计算单元、出行能耗计算单元和充电负荷时空分布预测单元;
所述空间状态转移概率预测单元,用于根据历史出行数据和历史气象数据,以预测电动汽车的空间状态转移概率;
所述出行轨迹模拟和出行里程计算单元,用于基于马尔可夫链和所述电动汽车的空间状态转移概率,构建电动汽车出行模型,根据所述电动汽车出行模型,以对电动汽车的出行轨迹进行模拟,并计算电动汽车的出行里程;
所述通行时间计算单元,用于基于道路通行流量对道路通行时间的影响,构建动态路阻函数,将所述出行轨迹输入所述动态路阻函数,计算电动汽车的总通行时间;
所述出行能耗计算单元,用于根据所述出行里程和所述总通行时间,计算电动汽车的出行能耗;
所述充电负荷时空分布预测单元,用于根据所述出行轨迹和所述出行能耗、以及电动汽车的当前电量,以确定电动汽车的充电时间和地点,并根据所述充电时间、所述地点和充电参数,计算电动汽车充电负荷时空分布。
第三方面,本申请还提供一种计算机设备,所述计算机设备包括存储器、处理器和收发器,它们之间通过总线连接;存储器用于存储一组计算机程序指令和数据,并将存储的数据传输给处理器,处理器执行存储器存储的程序指令,以执行上述所述的方法。
第四方面,本申请还提供一种计算机可读存储介质,述计算机可读存储介质中存储有计算机程序,当所述计算机程序被运行时,实现上述所述的方法。
本申请提供了一种计及用户出行意愿的电动汽车充电负荷预测方法、系统、设备及介质,所述方法面向用户的实际用车场景,通过对电动汽车出行需求、交通路网和出行能耗进行建模,考虑到用户出行意愿对电动汽车充电负荷分布的影响,构建相应的电动汽车充电负荷预测方法。为精细化预测电动汽车充电负荷分布,提出了基于马尔可夫链的电动汽车出行模型和动态路阻函数、以及出行能耗的计算方法,其中基于马尔可夫链的电动汽车出行模型通过用户出行意愿来预测出行轨迹,动态路阻函数基于道路通行量计算车辆通行时间,出行能耗计算方法考虑了驱动能耗、空调能耗和低压附件能耗,提升预测的准确度。本申请提供的计及用户出行意愿的电动汽车充电负荷预测方法,考虑了实际使用中用户出行意愿的影响,制定了相应的充电负荷时空分布预测方法,对解决电动汽车充电引导、充电站规划等问题具有重要价值。
附图说明
图1是本申请一个优选实施例所提供的一种计及用户出行意愿的电动汽车充电负荷预测方法步骤示意图;
图2是本申请一个优选实施例所提供的电动汽车的空间状态转移概率预测方法步骤示意图;
图3是本申请一个优选实施例所提供的电动汽车出行模块性构建方法步骤示意图;
图4是本申请一个优选实施例所提供的电动汽车的总通行时间获取方法步骤示意图;
图5是本申请一个优选实施例所提供的电动汽车充电时间和地点预测方法步骤示意图;
图6是本申请一个优选实施例所提供的电动汽车充电负荷时空分布图;
图7是本申请一个优选实施例所提供的各时段内进行充电的电动汽车个数图示;
图8是本申请一个优选实施例所提供的一种计及用户出行意愿的电动汽车充电负荷预测系统示意图;
图9是本申请一个优选实施例所提供的一种计算机设备示意图。
具体实施方式
下面结合附图具体阐明本申请的实施方式,实施例的给出仅仅是为了说明目的,并不能理解为对本申请的限定,包括附图仅供参考和说明使用,不构成对本申请专利保护范围的限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为现有电动汽车充电负荷方法未反映出用户出行意愿、计算方法相对简单,计算结果与实际符合性较差的技术问题,本申请实施例提供了一种计及用户出行意愿的电动汽车充电负荷预测方法,实现精准化预测电动汽车充电负荷的时空分布。
请参阅图1,在本申请的实施例中,提供了一种计及用户出行意愿的电动汽车充电负荷预测方法,所述方法包括:
S1、根据历史出行数据和历史气象数据,以预测各气象场景下电动汽车的空间状态转移概率。
S2、基于马尔可夫链,构建电动汽车出行模型,将所述各气象场景下电动汽车的空间状态转移概率输入所述电动汽车出行模型,以对电动汽车的出行轨迹进行模拟,并计算电动汽车的出行里程。
S3、基于道路通行流量对道路通行时间的影响,构建动态路阻函数,将所述出行轨迹输入所述动态路阻函数,计算电动汽车的总通行时间。
S4、根据所述出行里程和所述总通行时间,计算电动汽车的出行能耗。
S5、根据所述出行轨迹和所述出行能耗、以及电动汽车的当前电量,以确定电动汽车的充电时间和地点,并根据所述充电时间、所述地点和充电参数,计算电动汽车充电负荷时空分布。
在本申请中,通过对电动汽车出行需求、出行过程和出行能耗进行建模,考虑到用户出行意愿对出行需求的影响,对各电动汽车的出行轨迹进行模拟,然后精细化计算车辆的出行时间和出行能耗。
用户出行意愿反映出了用户出行的倾向性,会对车辆的出行行为产生影响,因此基于用户出行意愿来预测车辆的出行路径更加合理。
在本申请中,首先获取历史出行数据和历史气象数据,以预测电动汽车的空间状态转移概率,如图2所示,具体包括以下步骤:
S101、将电动汽车的空间状态划分为居民区、工作区和商业区。
S102、获取车辆历史出行数据和历史气象数据,根据所述车辆历史出行数据和所述历史气象数据建立用户出行意愿数据库。
S103、基于空间状态划分结果,根据所述用户出行意愿数据库确定电动汽车的空间状态转移概率。
根据车辆的历史出行数据和历史气象数据,以建立用户出行意愿的数据库,基于统计分析可以得到一天中各个时刻不同场景的电动汽车的空间状态转移概率。
在本申请中,根据城市功能分区,车辆的空间状态可被划分为居民区、工作区和商业区三种状态,分别简写为H、W和S。基于NHTS2017(national household travel survey2017)等公开出行数据,通过实际出行的频率推断出各时刻、各地点的用户出行意愿,即可获得一天中各个时刻不场景的电动汽车的空间状态转移概率。
进一步的,在本申请中,基于马尔可夫链和电动汽车的空间状态转移概率,构建电动汽车出行模型,如图3所述,包括以下步骤:
S201、基于空间状态划分结果构建电动汽车空间状态概率矩阵,并确定电动汽车初始空间状态概率矩阵。
S202、根据所述电动汽车初始空间状态概率矩阵和所述电动汽车的空间状态转移概率,得到电动汽车空间状态转移过程;
所述电动汽车空间状态转移过程表示为:
其中,St表示t时刻电动汽车空间状态转移矩阵,表示电动汽车在t时刻从a区到b区的概率,/>表示电动汽车在t时刻停留在a区的概率,a,b∈{H,W,S},H表示居民区、W表示工作区,S表示商业区。
S203、基于所述电动汽车空间状态转移过程,构建电动汽车出行模型。
基于马尔可夫链,将车辆出行过程看作一个无记忆性的随机过程,某一时刻的空间状态只与前一时刻的空间状态和状态转移概率有关,符合马尔可夫链的要求。实际用车过程中,电动汽车的空间状态转移概率可看作由用户出行意愿决定,以基于用户出行意愿对车辆出行轨迹进行预测。
本申请所提基于马尔可夫链的电动汽车出行模型,认为每一时刻下车辆都会发生转移,转移类型包含前往居民区、前往工作区、前往商业区和不出行四种转移方式,能够同时描述出车辆出行的时间特性和空间特性,无需再单独模拟出行时间、停留时间等时间信息。
电动汽车在t时刻处于不同空间状态的概率可以用向量表示为:
其中,和/>分别表示电动汽车在t时刻处于居民区、工作区和商业区的概率。对于初始的车辆空间状态,假定夜间车辆全部位于居民区,t=0代表凌晨0:00,即
出行过程中,用户的出行意愿和车辆空间状态转移过程如下所示:
其中,Ct表示t时刻区域内的用户出行意愿,表示电动汽车在t时刻从a区到b区的概率,/>表示电动汽车在t时刻停留在a区的概率,a,b∈{H,W,S}。
基于上述电动汽车空间状态转移过程构建电动汽车出行模型,使用蒙特卡洛方法来模拟每一时刻用户的实际出行决策,生成0-1范围内的随机数A,代表用户的出行决定。如果则认为该时刻用户选择不出行;如果/>则认为该时刻用户选择前往居民区;如果/>则认为该时刻用户选择前往工作区;如果则认为该时刻用户选择前往商业区。
通过上述电动汽车出行模型判断过程,可以模拟电动汽车的出行轨迹。进一步的,根据城市道路交通网,计算电动汽车的出行里程。
为了精细化计算车辆出行的行驶时间,基于道路通行流量对道路通行时间的影响,构建动态路阻函数。
路段行驶时间可被看作路段的阻抗作用,主要受到道路状况和拥堵情况影响。道路状态可用自由通行时间和最大通行流量表示,拥堵情况可用通行流量表示,各路段的动态路阻函数表示如下:
其中,Ta(t)表示t时刻路段a的通行时间,xa(t)表示t时刻路段a的通行流量;表示路段a的自由通行时间,ca表示路段a的最大通行流量,α和β是动态路阻函数参数,在本申请中,α和β的值分别为0.15和4。
进一步的,通过动态路阻函数计算特定时刻下各路段的通行时间。
在本申请中,基于动态路阻函数,计算电动汽车的总通行时间,如图4所示,包括以下步骤:
S301、以OD对表示节点O到节点D的路线,并判断所述出行轨迹各路段与OD对之间的从属关系。
S302、根据所述从属关系构建所述出行轨迹各路段和OD对之间的关联矩阵。
S303、根据所述动态路阻函数,计算特定时刻下各路段的通行时间。
S304、根据所述关联矩阵和所述特定时刻下各路段的通行时间,计算特定OD对的总通行时间。
S305、以所述特定时刻OD对的总通行时间表示电动汽车的总通行时间。
在本申请中,提出了OD对的总通行时间,直接建立实时出行时间与OD对之间的对应关系,当模拟大规模车辆出行时间时,计算OD对的总通行时间能够有效加快计算速度,避免重复计算,大幅度提高了计算各车辆出行时间的效率。
交通领域常用的OD矩阵表示各道路节点之间的汽车通行量,其形式如下所示:
式中,表示t时刻从节点O出发到节点D的车辆个数。
假定用户以距离最短为标准选择出行路径,可以构建各路段和OD对之间的关联矩阵其中,/>表示路段a和OD对之间的从属关系,/>的表示如下:
其中,κOD表示OD对之间最短路径所经过路段的集合;
因此,特定时刻OD对的总通行时间如下所示:
其中,表示t时刻OD对的总通行时间,λ是所有路段的集合。
进一步的,在本申请中,为精细化计算电动汽车的出行能耗,将电动汽车的出行能耗分为行驶能耗、空调能耗和低压附件能耗三个部分,基于电动汽车的出行里程和总通行时间进行计算。
电动汽车的行驶能耗与出行里程和总通行时间的关系如下所示:
其中,E1表示车辆出行的总行驶能耗,l出行里程,T表示电动汽车的总通行时间,m1-m4为拟合参数。
在本申请中,城市快速路的m1-m4分别为0.247、-0.004、0.00002992和1.520,主干路的m1-m4分别为-0.179、0.004、0和5.492。
电动汽车的空调能耗主要取决于工作时长,与电动汽车的总通行时间和空调开启率相关,因此空调能耗如下所示:
E2=μ(c)PairT
其中,μ表示气温c下的空调开启率,E2表示车辆出行的总空调能耗,Pair表示车载空调的运行功率,n1-n4为拟合系数。
在本申请中,n1-n4分别为-0.03563、2.254、-40.66和250.4。
电动汽车的低压附件能耗主要包括冷却风扇、水泵等部件,与电动汽车的总通行时间和环境温度相关,如下式所示:
式中,E3车辆出行的总低压附件能耗。
因此,电动汽车的出行能耗E表示如下:
E=E1+E2+E3。
进一步的,在获取电动汽车的出行轨迹和出行能耗的基础上,结合电动汽车的当前电量,以确定电动汽车的充电时间和地点,以对电动汽车充电负荷时空分布进行预测,如图5所示,包括以下步骤:
S501、设定电动汽车需要充电的条件。
S502、计算电动汽车的当前电量与出行能耗的差值,并将所述差值作为电动汽车的剩余电量。
S503、基于所述电动汽车需要充电的条件,根据所述剩余电量判断电动汽车是否需要充电,以及充电的时间和地点。
在本申请中,假定车辆剩余电量低于30%或者不满足下次出行需求时,电动汽车会进行充电,以此作为电动汽车需要充电的判定条件。计算电动汽车的当前电量与出行能耗的差值,并将所述差值作为电动汽车的剩余电量,当剩余电量触及电动汽车需要充电的判定条件时,确定其需要充电,此时所处的时间和地点,即为电动汽车充电的时间和地点。基于电动汽车的充电时间、地点和充电参数,确认电动汽车充电负荷所处的时段和地点,对相同时段和地点的充电负荷进行叠加,进一步求解出电动汽车充电负荷时空分布的预测值。
在本申请实施例中,以区域内共有6.76万辆电动汽车,每辆车对应固定的居民区,30%的车辆具有家用充电桩,家用充电桩和商业充电桩的充电功率分别为7kw和30kw。按照本申请提供的方法进行电动汽车充电负荷预测,如图6为电动汽车充电负荷时空分布图,如图7为各时段内进行充电的电动汽车个数图示。
从图6和图7即可发现,在未实施本申请的技术方案时,电动汽车充电负荷分布在时间和空间上具有明显差异,会增大各区域原有的用电高峰。利用本申请提供的方法进行预测,可以发现居民区中充电负荷在夜间低电价时段内总体较高,并会出现负荷尖峰,工作区中充电负荷在早上上班时段内快速增长,商业区中充电负荷主要集中在下午和晚上时段。同时,对比图6和图7可以发现快充和慢充方式对充电负荷分布也会产生较大的影响,家用充电桩一般充电功率相对小,相同充电车辆个数时充电功率对电网的冲击较小。
相应地,如图8所示,根据计及用户出行意愿的电动汽车充电负荷预测方法,本发明实施例还提供一种计及用户出行意愿的电动汽车充电负荷预测系统,所述系统包括:空间状态转移概率预测单元1、出行轨迹模拟和出行里程计算单元2、通行时间计算单元3、出行能耗计算单元4和充电负荷时空分布预测单元5;
所述空间状态转移概率预测单元1,用于根据历史出行数据和历史气象数据,以预测电动汽车的空间状态转移概率。
所述出行轨迹模拟和出行里程计算单元2,用于基于马尔可夫链和所述电动汽车的空间状态转移概率,构建电动汽车出行模型,根据所述电动汽车出行模型,以对电动汽车的出行轨迹进行模拟,并计算电动汽车的出行里程。
所述通行时间计算单元3,用于基于道路通行流量对道路通行时间的影响,构建动态路阻函数,将所述出行轨迹输入所述动态路阻函数,计算电动汽车的总通行时间。
所述出行能耗计算单元4,用于根据所述出行里程和所述总通行时间,计算电动汽车的出行能耗。
所述充电负荷时空分布预测单元5,用于根据所述出行轨迹和所述出行能耗、以及电动汽车的当前电量,以确定电动汽车的充电时间和地点,并根据所述充电时间、所述地点和充电参数,计算电动汽车充电负荷时空分布。
关于一种计及用户出行意愿的电动汽车充电负荷预测系统的具体限定可以参见上述对于一种计及用户出行意愿的电动汽车充电负荷预测方法的限定,此处不再赘述。本领域普通技术人员可以意识到,结合本申请所公开的实施例描述的各个模块和步骤,能够以硬件、软件或者两者结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
如图9所示,本发明实施例提供的一种计算机设备,包括存储器、处理器和收发器,它们之间通过总线连接;存储器用于存储一组计算机程序指令和数据,并将存储的数据传输给处理器,处理器执行存储器存储的程序指令,以执行上述计及用户出行意愿的电动汽车充电负荷预测方法的步骤。
其中,存储器可以包括易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者;处理器可以是中央处理器、微处理器、特定应用集成电路、可编程逻辑器件或其组合。通过示例性但不是限制性说明,上述可编程逻辑器件可以是复杂可编程逻辑器件、现场可编程逻辑门阵列、通用阵列逻辑或其任意组合。
另外,存储器可以是物理上独立的单元,也可以与处理器集成在一起。
本领域普通技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有相同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,所述存储介质用于存储一个或多个计算机程序,所述一个或多个计算机程序包括程序代码,当所述计算机程序在计算机上运行时,所述程序代码用于执行上述计及用户出行意愿的电动汽车充电负荷预测方法的步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如SSD)等。
本领域技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
本实施例中提供的一种计及用户出行意愿的电动汽车充电负荷预测方法、系统、计算机设备及存储介质,针对现有电动汽车充电负荷方法未反映出用户出行意愿、计算方法相对简单,计算结果与实际符合性较差的技术问题。本申请面向用户的实际用车场景,通过对电动汽车出行需求、交通路网和出行能耗进行建模,考虑到用户出行意愿对电动汽车充电负荷分布的影响,构建相应的电动汽车充电负荷预测方法。为精细化预测电动汽车充电负荷分布,提出了基于马尔可夫链的电动汽车出行模型和动态路阻函数、以及出行能耗的计算方法,其中基于马尔可夫链的电动汽车出行模型通过用户出行意愿来预测出行轨迹,动态路阻函数基于道路通行量计算车辆通行时间,出行能耗计算方法考虑了驱动能耗、空调能耗和低压附件能耗,提升预测的准确度。本申请提供的计及用户出行意愿的电动汽车充电负荷预测方法,考虑了实际使用中用户出行意愿的影响,制定了相应的充电负荷时空分布预测方法,对解决电动汽车充电引导、充电站规划等问题具有重要价值。
以上所述实施例仅表达了本申请的几种优选实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。因此,本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种计及用户出行意愿的电动汽车充电负荷预测方法,其特征在于,所述方法包括:
根据历史出行数据和历史气象数据,以预测电动汽车的空间状态转移概率;
基于马尔可夫链和所述电动汽车的空间状态转移概率,构建电动汽车出行模型,根据所述电动汽车出行模型,以对电动汽车的出行轨迹进行模拟,并计算电动汽车的出行里程;
基于道路通行流量对道路通行时间的影响,构建动态路阻函数,将所述出行轨迹输入所述动态路阻函数,计算电动汽车的总通行时间;
根据所述出行里程和所述总通行时间,计算电动汽车的出行能耗;
根据所述出行轨迹和所述出行能耗、以及电动汽车的当前电量,以确定电动汽车的充电时间和地点,并根据所述充电时间、所述地点和充电参数,计算电动汽车充电负荷时空分布。
2.如权利要求1所述的计及用户出行意愿的电动汽车充电负荷预测方法,其特征在于,所述根据历史出行数据和历史气象数据,以预测电动汽车的空间状态转移概率,包括:
将电动汽车的空间状态划分为居民区、工作区和商业区;
获取车辆历史出行数据和历史气象数据,根据所述车辆历史出行数据和所述历史气象数据建立用户出行意愿数据库;
基于空间状态划分结果,根据所述用户出行意愿数据库确定电动汽车的空间状态转移概率。
3.如权利要求2所述的计及用户出行意愿的电动汽车充电负荷预测方法,其特征在于,所述基于马尔可夫链和所述电动汽车的空间状态转移概率,构建电动汽车出行模型,包括:
基于空间状态划分结果构建电动汽车空间状态概率矩阵,并确定电动汽车初始空间状态概率矩阵;
根据所述电动汽车初始空间状态概率矩阵和所述电动汽车的空间状态转移概率,得到电动汽车空间状态转移过程;
所述电动汽车空间状态转移过程表示为:
其中,St表示t时刻电动汽车空间状态转移矩阵,表示电动汽车在t时刻从a区到b区的概率,/>表示电动汽车在t时刻停留在a区的概率,a,b∈{H,W,S},H表示居民区、W表示工作区,S表示商业区;
基于所述电动汽车空间状态转移过程,构建电动汽车出行模型。
4.如权利要求1所述的计及用户出行意愿的电动汽车充电负荷预测方法,其特征在于,所述将所述出行轨迹输入所述动态路阻函数,计算电动汽车的总通行时间,包括:
以OD对表示节点O到节点D的路线,并判断所述出行轨迹各路段与OD对之间的从属关系;
根据所述从属关系构建所述出行轨迹各路段和OD对之间的关联矩阵;
根据所述动态路阻函数,计算特定时刻下各路段的通行时间;
根据所述关联矩阵和所述特定时刻下各路段的通行时间,计算特定时刻OD对的总通行时间;
以所述特定时刻OD对的总通行时间表示电动汽车的总通行时间。
5.如权利要求1所述的计及用户出行意愿的电动汽车充电负荷预测方法,其特征在于,
所述出行轨迹各路段与OD对之间的从属关系表示为:
其中,κOD表示OD对之间最短路径所经过路段的集合;
所述关联矩阵表示为:
所述特定时刻下各路段的通行时间的计算公式为:
其中,Ta(t)表示t时刻路段a的通行时间,xa(t)表示t时刻路段a的通行流量;表示路段a的自由通行时间,ca表示路段a的最大通行流量,α和β表示动态路阻函数参数;
所述特定时刻OD对的总通行时间的计算公式为:
其中,cOD(t)表示t时刻OD对的总通行时间,λ是所有路段的集合。
6.如权利要求1所述的计及用户出行意愿的电动汽车充电负荷预测方法,其特征在于,所述根据所述出行里程和所述总通行时间,计算电动汽车的出行能耗,包括:
将电动汽车的出行能耗划分为行驶能耗、空调能耗和低压附件能耗;
所述行驶能耗的计算公式为:
其中,E1表示车辆出行的总行驶能耗,l表示出行里程,T表示电动汽车的总通行时间,m1-m4为拟合参数;
所述空调能耗的计算公式为:
E2=μ(c)PairT,
其中,μ表示气温c下的空调开启率,n1-n4为拟合系数,E2表示车辆出行的总空调能耗,Pair表示车载空调的运行功率;
所述低压附件能耗的计算公式为:
7.如权利要求1所述的计及用户出行意愿的电动汽车充电负荷预测方法,其特征在于,所述根据所述出行轨迹和所述出行能耗、以及电动汽车的当前电量,以确定电动汽车的充电时间和地点,包括:
设定电动汽车需要充电的判定条件;
计算电动汽车的当前电量与出行能耗的差值,并将所述差值作为电动汽车的剩余电量;
基于所述电动汽车需要充电的判定条件,根据所述剩余电量判断电动汽车是否需要充电,以及充电的时间和地点。
8.一种计及用户出行意愿的电动汽车充电负荷预测系统,其特征在于,所述系统包括:空间状态转移概率预测单元、出行轨迹模拟和出行里程计算单元、通行时间计算单元、出行能耗计算单元和充电负荷时空分布预测单元;
所述空间状态转移概率预测单元,用于根据历史出行数据和历史气象数据,以预测电动汽车的空间状态转移概率;
所述出行轨迹模拟和出行里程计算单元,用于基于马尔可夫链和所述电动汽车的空间状态转移概率,构建电动汽车出行模型,根据所述电动汽车出行模型,以对电动汽车的出行轨迹进行模拟,并计算电动汽车的出行里程;
所述通行时间计算单元,用于基于道路通行流量对道路通行时间的影响,构建动态路阻函数,将所述出行轨迹输入所述动态路阻函数,计算电动汽车的总通行时间;
所述出行能耗计算单元,用于根据所述出行里程和所述总通行时间,计算电动汽车的出行能耗;
所述充电负荷时空分布预测单元,用于根据所述出行轨迹和所述出行能耗、以及电动汽车的当前电量,以确定电动汽车的充电时间和地点,并根据所述充电时间、所述地点和充电参数,计算电动汽车充电负荷时空分布。
9.一种计算机设备,其特征在于:所述计算机设备包括存储器、处理器和收发器,它们之间通过总线连接;存储器用于存储一组计算机程序指令和数据,并将存储的数据传输给处理器,处理器执行存储器存储的程序指令,以执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被运行时,实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311726335.7A CN117977543A (zh) | 2023-12-14 | 2023-12-14 | 计及用户出行意愿的电动汽车充电负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311726335.7A CN117977543A (zh) | 2023-12-14 | 2023-12-14 | 计及用户出行意愿的电动汽车充电负荷预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117977543A true CN117977543A (zh) | 2024-05-03 |
Family
ID=90848464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311726335.7A Pending CN117977543A (zh) | 2023-12-14 | 2023-12-14 | 计及用户出行意愿的电动汽车充电负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117977543A (zh) |
-
2023
- 2023-12-14 CN CN202311726335.7A patent/CN117977543A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067110B (zh) | 车-路-网模式下电动汽车充电负荷时空预测方法 | |
Fan et al. | Integrated distribution expansion planning considering stochastic renewable energy resources and electric vehicles | |
CN108288112B (zh) | 基于用户出行模拟的区域电动汽车充电站负荷预测方法 | |
CN110929925B (zh) | 基于环境温度与用户行为的电动汽车充电站规划方法 | |
CN112487622B (zh) | 电动汽车充电桩的选址定容方法、装置及终端设备 | |
Pahlavanhoseini et al. | Scenario-based planning of fast charging stations considering network reconfiguration using cooperative coevolutionary approach | |
CN109102155B (zh) | 一种超短期节点边际电价概率预测方法及系统 | |
CN109800917A (zh) | 一种电动汽车停车场的规划方法、装置和计算设备 | |
CN111199320B (zh) | 基于出行概率矩阵的电动汽车充电负荷时空分布预测方法 | |
CN111523714B (zh) | 一种电力充电站选址布局方法及装置 | |
CN110705864A (zh) | 一种充电站选址定容方法 | |
CN115344653A (zh) | 一种基于用户行为的电动汽车充电站选址方法 | |
Cui et al. | Dynamic pricing for fast charging stations with deep reinforcement learning | |
Celli et al. | Optimal multi-objective allocation of fast charging stations | |
CN112036943A (zh) | 一种充电设施选址方法及系统 | |
CN109117972A (zh) | 一种电动汽车的充电需求确定方法 | |
CN117977543A (zh) | 计及用户出行意愿的电动汽车充电负荷预测方法及系统 | |
Helmus et al. | SEVA: A data driven model of electric vehicle charging behavior | |
CN108199895B (zh) | 一种智能卡口优化布置方法及装置 | |
Mahmoudi et al. | Spatial-temporal prediction of electric vehicle charging demand in realistic urban transportation system of a mid-sized city in brazil | |
CN115495701A (zh) | 一种一致性电动汽车充电负荷时空分布预测方法 | |
CN115759779A (zh) | 电动汽车充换电站选址方法、电子设备及存储介质 | |
Li et al. | A spatial-temporal charging load forecasting modelling of electric vehicles considering urban traffic network | |
Huang et al. | Multi-objective optimal scheduling of distribution network with electric vehicle charging load considering time-varying road impedance | |
CN115239004A (zh) | 一种基于充电需求预测的充电停车场选址定容优化方法 |
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 |