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技术方案

本发明专利技术公开了一种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，属于城市公共交通管理中的信息技术领域，包括：S1、出行者行为参数的确定以及轨迹数据的形成：出行者行为参数由概率密度函数确定，概率密度函数利用Python对现有数据进行拟合得到，轨迹数据使用的是NHTS2017的真实调查数据；S2、电动汽车充电选择确定：通过效用理论构建出行者充电选择模型；S3、充电需求分布预测模型：通过出行活动模拟优先的策略，克服在充电桩资源有限的条件下，传统模型决定出行者充电先后顺序上的不足。本发明专利技术充分考虑了充电桩数量的限制以及出行者的异质性偏好；引入充电桩的数量限制使得模型预测结果更加符合实际情况。

【技术实现步骤摘要】
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
本专利技术属于城市公共交通管理中的信息
，特别是涉及一种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。
技术介绍
社会经济以及科学技术的发展催生了一大批新的交通技术，电动汽车作为其中的一种，其主要依靠电力来运转并具有低排放和低使用成本的优点，除了能给交通服务带来便利性，电动汽车还能够有效减少化石能源消耗和气候变暖问题，这将有效缓解全球能源危机问题(Yietal.,2020)。鉴于以上优点，近年来电动汽车越来越多的受到各国政府的关注，随着政府的各项激励政策以及汽车制造商的不断投资，电动汽车正迅猛发展(Linetal.,2019)。过去几年，中国的电动汽车数量一直呈现上升的趋势，并且预计在接下来的几年中电动汽车数量依然会保持一个非常强劲的增长势头(ChinaSocietyofAutomobileEngineers，《全球新能源汽车发展报告2020：汽车百年大变局》)。根据《新能源汽车产业发展规划(2021-2035年)》(TheStateCouncil,2020)的发展愿景，到2025年，中国新能源汽车新车销量达到汽车新车销售总量的20％左右。2019年中国的乘用车的总销量是2568.9万辆(ChinaAssociationofAutomobileManufacturers,2020)，按照目前的销售水平，到2025年中国的新能源汽车销量将达到429万辆，算上本来的保有量届时电动汽车数量将达到一个非常高的水平。许多研究已经表明大量的电动汽车将会产生相当大的电力需求并且增加电网的负载峰值以及需求的波动性，进而增加电网的扩容支出以及运营压力(Arias&Bae,2016；Linetal.,2019；Moonetal.,2018)。因此，建立精确的城市电动汽车充电负荷预测模型对于提升城市充电系统的运营效率，提高用户充电满意度以及减小电网运营压力有着重大的指导意义。总而言之，电动汽车数量的增多将会给充电服务提供商带来巨大挑战，一方面，充电服务提供商需要提供更多的充电基础设施去满足用户的充电需求；另一方面，充电服务提供商在提供充电服务的同时还要兼顾自身的利益问题。如果一味地满足用户对于充电基础设施的需求，而不考虑电网的负载能力，那么电网运营成本将会大大增加从而削减了自身的利益。近年来，针对电动汽车充电需求的预测模型，相关学者进行了大量的研究。现有的文献使用的方法大致可以分为三类：第一类是基于蒙特卡罗模拟的概率模型方法(Suetal.,2019；Yietal.,2020)，但不同的学者考虑的因素不尽相同，一些研究分析对比了不同人口统计学因素的充电需求分布(Zhangetal.,2020)，不同工作日类型下的充电需求分布，还有一些学者研究了道路状况以及温度条件对于充电需求的影响(ChenLDetal.,2015)。第二类是马尔可夫链理论，不同城市功能区的充电需求分布具有差异性，空间马尔科夫链常用来描述电动汽车在不同功能区之间的转移过程(Shepero&Munkhammar,2018；ZhouandWang,2018)，一些研究将电动汽车的运行状态分为三种，包括行驶，停车充电以及停车不充电，通过研究不同状态之间的转移概率来进行仿真实验实现对充电需求的预测(Fotouhietal.,2019)。第三类是基于大数据的相关方法，通过数据挖掘技术识别不同区域，并从点需求特征出发来评估充电负荷对配电网造成的潜在风险(XydasEetal.,2016)，采用概率估计以及聚类分析的方法(MirzaeiMJetal.,2015；Helmusetal.,2020)，JahangirHetal.(JahangirHetal.,2019)基于到达时间、出发时间和出行距离的历史数据，提出了基于神经网络的充电需求预测模型。鉴于以上与充电需求预测以及用户充电选择行为的相关文献中存在的问题与不足，本研究基于出行链数据并结合MAS技术构建一种新型的充电需求分布预测模型，该模型能够刻画以下两个现实情况中的基本条件：一是出行者是异质而非同质的，不同出行者对于出行过程中电动汽车SOC水平的主观感受程度是不一样的。一般来说，一个风险规避型出行者更倾向于使其电动汽车SOC处于较高的水平，一个对风险不是那么敏感的出行者可能不会使其电动汽车总是保持较高水平的SOC。而是出行者是有限理性的，其关于充电选择的决策过程并不是盲目而冲动的，当出行者产生里程焦虑后还会综合考虑电量因素、价格因素以及停车时长等因素。当以上因素被考虑的话，传统的充电需求模型将会显露出诸多不足并且无法扩展到更普遍的情形。
技术实现思路
技术方案，为了解决上述
技术介绍
中的技术问题：目前电动汽车数量的飞速增长，用户用电需求激增，充电需求预测的不确定性增大，电网的运营压力增大的问题。本专利技术的第一目的是提供一种基于智能体仿真的城市电动汽车充电需求预测方法，包括：S1、出行者行为参数的确定以及轨迹数据的形成：所述出行者行为参数由概率密度函数确定，所述概率密度函数利用Python对现有数据进行拟合得到，轨迹数据使用的是NHTS2017的真实调查数据；S2、电动汽车充电选择确定：通过效用理论构建出行者充电选择模型；S3、充电需求分布预测模型：通过出行活动模拟优先的策略，克服在充电桩资源有限的条件下，传统模型决定出行者充电先后顺序上的不足。优选地，在S1中，通过用户出行活动数据生成平台完成出行链分析，确定了与出行链有关的时空特性参数，随后基于已有出行数据对出行的时空特性参数进行拟合得到相应的概率分布；电动汽车在时间和空间上的随机移动被表示成一系列的出行链，该出行链是一系列有序出行的序列，并由到达、停车及出发的位置和时间序列组成；单个Agent的出行链可表示为如下变量的集合：其中，n表示出行者Agent的索引，第n名出行者Agent的出行链由M(n)次个体出行组成，一条出行链的变量可以分为以下2大类：时间变量，包括：td,mn：第n名出行者Agent的第m次出行的出发时间；ta,mn：第n名出行者Agent的第m次出行的到达时间；tp,mn：第n名出行者Agent的第m次出行的停车时间；空间变量，包括：gd,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的出发地点；ga,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的到达地点；dmn：第n名出行者Agent的第m次出行的行驶距离；出行者Agent的出行链变量同时满足以下约束条件：td,(m+1)n＝ta,mn+tp,mn(2)(xd,(m+1)n,yd,(m+1)n)＝(xa,mn,ya,mn)(3)NHTS数据提供了一系列的出行链空间转移数据，基于这些数据并结合MonteCarlo方法，出行者Agent通过强化学习完成出行链时空变量的选择；用户出行活动数据生成过程包括：收集出行数据；<本文档来自技高网...

【技术保护点】
1.一种基于智能体仿真的城市电动汽车充电需求预测方法，其特征在于，包括如下步骤：/nS1、出行者行为参数的确定以及轨迹数据的形成：所述出行者行为参数由概率密度函数确定，所述概率密度函数利用Python对现有数据进行拟合得到，轨迹数据使用的是NHTS2017的真实调查数据；/nS2、电动汽车充电选择确定：通过效用理论构建出行者充电选择模型；/nS3、充电需求分布预测模型：通过出行活动模拟优先的策略，克服在充电桩资源有限的条件下，传统模型决定出行者充电先后顺序上的不足。/n

【技术特征摘要】
1.一种基于智能体仿真的城市电动汽车充电需求预测方法，其特征在于，包括如下步骤：
S1、出行者行为参数的确定以及轨迹数据的形成：所述出行者行为参数由概率密度函数确定，所述概率密度函数利用Python对现有数据进行拟合得到，轨迹数据使用的是NHTS2017的真实调查数据；
S2、电动汽车充电选择确定：通过效用理论构建出行者充电选择模型；
S3、充电需求分布预测模型：通过出行活动模拟优先的策略，克服在充电桩资源有限的条件下，传统模型决定出行者充电先后顺序上的不足。


2.根据权利要求1所述基于智能体仿真的城市电动汽车充电需求预测方法，其特征在于，在S1中，通过用户出行活动数据生成平台完成出行链分析，确定了与出行链有关的时空特性参数，随后基于已有出行数据对出行的时空特性参数进行拟合得到相应的概率分布；
电动汽车在时间和空间上的随机移动被表示成一系列的出行链，该出行链是一系列有序出行的序列，并由到达、停车及出发的位置和时间序列组成；单个Agent的出行链可表示为如下变量的集合：
[td,mn,gd,mn,dmn,ta,mn,ga,mn,tp,mn]n(1)
其中，n表示出行者Agent的索引，第n名出行者Agent的出行链由M(n)次个体出行组成，一条出行链的变量可以分为以下2大类：
时间变量，包括：
td,mn：第n名出行者Agent的第m次出行的出发时间；
ta,mn：第n名出行者Agent的第m次出行的到达时间；
tp,mn：第n名出行者Agent的第m次出行的停车时间；
空间变量，包括：
gd,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的出发地点；
ga,mn＝(xd,mn,yd,mn)：第n名出行者Agent的第m次出行的到达地点；
dmn：第n名出行者Agent的第m次出行的行驶距离；
出行者Agent的出行链变量同时满足以下约束条件：
td,(m+1)n＝ta,mn+tp,mn(2)
(xd,(m+1)n,yd,(m+1)n)＝(xa,mn,ya,mn)(3)
NHTS数据提供了一系列的出行链空间转移数据，基于这些数据并结合MonteCarlo方法，出行者Agent通过强化学习完成出行链时空变量的选择；
用户出行活动数据生成过程包括：
收集出行数据；
获取、维护、整理以及分类出行数据；
对出行数据进行清洗筛选，并通过概率拟合得到用户出行的时间、物理特征；
对用户出行特征的调参以及评估；
用户出行数据的批量预测。


3.根据权利要求2所述基于智能体仿真的城市电动汽车充电需求预测方法，其特征在于，在S2中，运用机器学习模型对出行者的充电数据进行训练学习，并根据得到的模型来预测出行者的充电选择行为；具体为：
引入效用函数来描述用户充电行为选择的过程；该效用函数满足以下几个条件：
(1)当其他时段的充电价格增加时，当前时段用户的效用也随之增加，即其中C-t表示非t时段的充电价格；
(2)当t时段的充电价格增加时，t时段用户的效用随之减少，即其中Ct表示t时段的充电价格；
(3)当用户的里程焦虑水平增加时，相同的充电量对其产生的效用随之增加，即其中Ai表示电动汽车用户i的里程焦虑水平；
记t时间段内到达的出行者i的停车时间为tp(i,t)，电池电量SOCti，电池容量记为CB，充电到最大可允许充电荷电状态的时间为则其有效充电时间为充电荷电状态变化量ΔSOCti：



记t时间段的充电价格为Ct，平均电价记为Ca，下面的效用函数被用作用户充电决策的效用函数：
UC(i,t)(Ct,Ca,ΔSOCti,Ai)＝(1+Ai)ΔSOCtiCBCa-ΔSOCtiCBCt
其中，Ca表示加权平均电价，其表达式如下：
Ca＝(Cp|Spanp|+Cf|Spanf|+Cv|Spanv|)/T
效用函数满足上述3个条件，该效用函数衡量了用户选择充电后所得效用；如果效用函数值为正，则表明用户选择充电后所得的收益是大于0的；若为负，则表明用户选择充电后所得收益小于0。
将电动汽车用户的充电决策机制表示如下：
(11)为了保证车辆能够顺利完成日出行，不论处于什么条件，当下式成立时电动汽车必定发出充电请求：
SOCti-dn+1/R≤0.2
当电动汽车的电量减去下一次出行的耗电量低于20％时，必定要发出充电请求；
(12)除了上述的充电情形外，当下面的条件满足时，出行者Agent也会发出充电请求：
(SOCti≤AiORSOCti-dn+1/R≤Ai)ANDUC(i,t)(Ct,Ca,ΔSOCti,Ai)＞0
该条件表明当出行者发生里程焦虑时由于每一Agent是理性的，此时其并不会立即发出充电请求，此时，Agent会自动学习环境信息并根据环境信息计算出自身的充电效用，如果充电效用大于0则选择充电，否则选择不充电。


4.根据权利要求3所述基于智能体仿真的城市电动汽车充电需求预测方法，其特征在于，充电选择行为优先权确定步骤为：
第一步：假定每一出行者Agent的电池电量都能够支撑其完成日出行活动，在此基础上对其出行链进行仿真并记录每一出行者Agent的出行链相关数据，仿真结束后得到每一出行者Agent的日出行的每次出行的具体数据；
第二步，在第一步获取的数据基础上，根据每一时段到达时间的先后对出行者Agent进行排序，到达时间在前的Agent要比到达时间在后的Agent拥有做出充电选择行为的优先权。


5.一种基于智能体仿真的城市电动汽车充电需求预测系统，其特征在于：包括：
数据模块：出行者行为参数的确定以及轨迹数据的形成：所述出行...

【专利技术属性】
技术研发人员：张剑，魏立勇，王小宇，李媛媛，谢秦，王晨飞，黄子健，韩丹慧，郝爽，李少雄，李硕，宋杰，凌帅，朱翔，
申请(专利权)人：国网天津市电力公司，国家电网有限公司，
类型：发明
国别省市：天津;12