一种私家车的充电负荷时空分布预测方法技术

本发明专利技术公开了一种私家车的充电负荷时空分布预测方法。包括以下步骤：步骤1、监测道路流量，反推小区的交通吸引量，动态预测不同地点的停车概率以及新增车辆数；步骤2、在选择充电方式时，根据快充、慢充特点，制定用户心理到快充概率之间的转换规则，并在规则中引入云模型确定用户快充概率，体现用户决策的随机性和模糊性；步骤3、利用蒙特卡洛法分析计算出不同充电地点的负荷时间曲线，预测电动汽车充电负荷的时空分布特性。本发明专利技术的方法能够方便、有效地计算出各小区充电负荷的时空分布情况，其预测结果为充电站规划、负荷调度等研究提供了依据。

【技术实现步骤摘要】
一种私家车的充电负荷时空分布预测方法
本专利技术属于智能电网领域，特别涉及一种私家车充电负荷时空分布预测方法。
技术介绍
近年来，城市机动车数量快速增长，使得环境、能源问题日益突出，电动汽车因其良好的环保和节能特性成为最有发展前景的交通工具。然而，电动汽车大规模接入电网必然会对现有电力系统的运行和规划形成冲击，已有学者对这些问题进行了大量研究，内容涉及压降、线路网损、电压稳定裕度、谐波畸变率等多个方面；同时，为了消除或抑制电动汽车无序充电带来的负面影响，电动汽车的有序充电以及优化充电策略也是研究的热点。作为这些研究的基础，如何准确地预测电动汽车充电负荷的时空分布，对后续研究的精确性以及结论的合理性有着深远的影响。但是以往的负荷预测模型多采用固定停车概率分布，并缺乏合理的计算快充负荷的依据。
技术实现思路
本专利技术所解决的技术问题是提供了一种私家车充电负荷时空分布预测方法，通过交通出行矩阵计算出不同时刻的停车区域分布概率，通过云模型确定用户快充概率，并用蒙特卡洛方法对负荷进行模拟预测。实现本专利技术目的的技术解决方案为：一种私家车充电负荷时空分布预测方法，包括以下步骤：步骤一、监测道路流量，反推小区的交通吸引量，动态预测不同地点的停车概率以及新增车辆数。采集足够的交通信息，通过粒子群算法求解路段交通量最优模型，反推获得交通出行矩阵(OD矩阵)，进而计算出不同时刻的停车区域分布概率。通过高斯混合模型计算充电开始时间分布概率，在充电设施足够时，认为新增充电车辆分布区域概率和停车区域分布概率相等，计算出小区新增车辆数量。步骤二、在选择充电方式时，根据快充、慢充特点，制定用户心理到快充概率之间的转换规则，并在规则中引入云模型确定用户快充概率，体现用户决策的模糊性。为了能定量分析慢充方式能否满足充电需求，构造出考虑充电时长分布、初始SOC分布、出行距离分布等信息的慢充失效度Dem，进而转化为用户选择充电方式的规则。当Dem处于中间段，用户对充电方式的决策具有很强的模糊性。引入云模型期望Ex、熵En和超熵He三个数字来整体表征一个不确定性概念，采用一维对数正态X条件半升云对单个车辆选择快充的概率进行估计。步骤三、利用蒙特卡洛法分析计算出不同充电地点的负荷时间曲线，预测电动汽车充电负荷的时空分布特性。根据各小区的电动汽车辆数、充电时长分布、车辆比例等数据，采集交通实时信息，通过蒙特卡洛模拟抽取车型、充电时长、初始soc、再次出行距离等来预测电动汽车负荷时空分布。对于选择快充的车辆，设定充电目标为满容量的80％，需要重新计算其充电时长，而对所有选择慢充的车辆，将根据之前抽取的充电时长，计算其充电结束时刻。每隔15min重新采集交通信息，计算新增充电车辆数量、充电功率，实现充电负荷时空分布的动态预测。本专利技术与现有技术相比，其显著优点为：1)本专利技术的方法能动态计算充电地点的停车概率，能够更加准确地预测充电负荷的时空分布；2)本专利技术模糊预测用户的充电方式，从而避免了以往的弊端；3)本专利技术的方法能够方便、有效地计算出各小区充电负荷的时空分布情况，其预测结果为充电站规划、负荷调度等研究提供了依据；4)本专利技术的基于交通出行矩阵和云模型的充电负荷时空分布预测方法。能够方便、有效地计算出各小区充电负荷的时空分布情况，其预测结果为充电站规划、负荷调度等研究提供了依据。附图说明图1是一种私家车充电负荷时空分布预测方法流程图。图2是电动汽车充电负荷时空分布预测结构图。图3是充电时长分布曲线。图4是基于蒙特卡洛模拟的电动汽车充电负荷时空分布预测流程图。图中编号所代表的含义为：1为动态预测不同地点的停车概率以及各区域新增充电车辆数量，2为建立云模型确定用户快充概率，3为使用蒙特卡洛法获得电动汽车充电负荷的时空分布。具体实施方式本专利技术提出一种私家车充电负荷时空分布预测方法，包括以下步骤：步骤一、采集足够的交通信息，利用道路流量反推的方法获得交通出行矩阵，进而计算出不同时刻的停车区域分布概率Pi′(t)。步骤二、根据充电开始时间分布概率、总电动汽车保有量以及Pi′(t)，计算出小区i在特定时间段内新增充电车辆数量N′i(t)。步骤三、根据充电时长分布、初始SOC分布、出行距离分布等信息计算慢充失效度Dem，进而使用云模型法计算出单个车辆选择快充的概率步骤四、使用蒙特卡洛法获得电动汽车充电负荷的时空分布。进一步，步骤一中，将区域总体划分为n个小区，并将工作日划分为若干个间隔为Δt的时间段。停车区域分布概率Pi′(t)是指车辆在[t-Δt,t]期间到达小区i区停车的平均概率，可以通过交通出行矩阵(OD矩阵)求得。所谓OD矩阵，是指交通网络中所有起点(Origin)与终点(Destination)之间出行交换数量的表格，描述了特定时间段内一个交通网络中所有起点到终点的交通出行量。OD矩阵是用于交通网络中动态起点-迄点矩阵估计的一种实用算法。其形式见表1。表1OD矩阵表1中：Tij为从i区到j区的交通量；Oi是i区的发生交通量；Dj是j区的吸引交通量；T是该区的总交通量。停车区域分布概率Pi′(t)可按下式计算：本专利技术通过路段交通量反推的方法获取OD矩阵，具体为采用粒子群算法对下述寻优模型求取近似解。式中，Pa_ij为路段选取概率，是指从i区出发到达j区的车辆经过a路段的概率；Qa为a路段的道路交通量，pcu/h；m为路段数；E为所有路段交通量估计偏差平方和；Tij为待求变量。当E最小，求得的Tij最接近真实情况。进一步，步骤二中，私家车主要用于城市内短途驾驶，因此其充电开始时间具有周期性。据统计，电动汽车充电开始时刻的概率密度可用高斯混合模型近似表示为式中，αi为每个分布的权重系数；βi为分布的期望；γi为分布的方差。设待测区域电动汽车总数为Nu，私家车每日平均充电次数为ξ，则小区i在[t-Δt,t]时间段内新增充电车辆数为式中，Pi(t)为[t-Δt,t]期间新增充电车辆分布在i区的概率。充电设施足够时，认为Pi(t)＝Pi′(t)。进一步，步骤三中，从用户心理的角度出发，当用户充电需求并非“紧急”时，优先考虑慢充的充电方式，并假设一次性充满；反之，则优先考虑快充。本专利技术构造出慢充失效度Dem来定量表征慢充方式能否满足用户充电需求：式中，d为预期再次出行距离，km；W为车辆每百公里耗电量；C为电池容量；soc为充电前私家车剩余荷电状态；PW为慢充功率；Δt为预期充电时长，min。其中，soc、Δt、d为相互独立的随机变量，其取值可以根据相关统计曲线获得。Dem的分子表征预期即将需要的电能，分母表征预期本次充电后可以获得的电能。因此，Dem值越大，情况越“紧急”，用户选择慢充方式的可能性越低，随Dem值变化，用户充电需求的紧急程度也随之变化，可以分为以下三个阶段：1)当0≤Dem≤DEMthe时，用户充电需求程度为“不紧急”，其中DEMthe为待定阈值常数。在这一阶段，慢充方式能充分满足用户下一次出行需求，用户优先选择慢充，个体差异不影响充电方式的决策。2)当DEMthe<Dem<1时，用户充电需求程度为“比较紧急”。在这一阶段，慢充方式仍能满足下一次出行需求，但不能留出足够的心理安全余量。随着Dem值增大，紧急充电的心理需求本文档来自技高网...

【技术保护点】
1.一种私家车的充电负荷时空分布预测方法，其特征在于，包括以下步骤：步骤1、监测道路流量，通过该流量确定小区的交通吸引量，动态预测不同地点的停车概率以及新增车辆数；步骤2、根据快充、慢充的特性，制定用户心理到快充概率之间的转换规则，并在规则中引入云模型确定用户快充概率；步骤3、根据充电时长分布、初始SOC分布、出行距离分布等信息计算慢充失效度Dem，进而使用云模型法确定单个车辆选择快充的概率

【技术特征摘要】
1.一种私家车的充电负荷时空分布预测方法，其特征在于，包括以下步骤：步骤1、监测道路流量，通过该流量确定小区的交通吸引量，动态预测不同地点的停车概率以及新增车辆数；步骤2、根据快充、慢充的特性，制定用户心理到快充概率之间的转换规则，并在规则中引入云模型确定用户快充概率；步骤3、根据充电时长分布、初始SOC分布、出行距离分布等信息计算慢充失效度Dem，进而使用云模型法确定单个车辆选择快充的概率步骤4、利用蒙特卡洛法确定不同充电地点的负荷时间曲线，通过该曲线确定电动汽车充电负荷的时空分布。2.如权利要求1所述的私家车的充电负荷时空分布预测方法，其特征在于，步骤1中动态预测不同地点的停车概率以及新增车辆数具体为：将区域总体划分为n个小区，并将工作日划分为若干个间隔为△t的时间段；停车区域分布概率Pi′(t)是指车辆在[t-△t,t]期间到达小区i区停车的平均概率，通过交通出行矩阵即OD矩阵求得；所述OD矩阵是指交通网络中所有起点与终点之间出行交换数量的表格，描述了特定时间段内一个交通网络中所有起点到终点的交通出行量；OD矩阵的形式见表1：表1OD矩阵表中，Tij为从i区到j区的交通量；Oi是i区的发生交通量；Dj是j区的吸引交通量；T是该区的总交通量；停车区域分布概率Pi′(t)按下式计算：通过路段交通量反推法获取OD矩阵，具体是采用粒子群算法对下述寻优模型求取近似解：式中，Pa_ij为路段选取概率，是指从i区出发到达j区的车辆经过a路段的概率；Qa为a路段的道路交通量，pcu/h；m为路段数；E为所有路段交通量估计偏差平方和；Tij为...

【专利技术属性】
技术研发人员：袁健，李超，张丹丹，王森，朱建威，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32