电动汽车充电负荷时空分布预测方法及系统技术方案

本发明专利技术涉及一种电动汽车充电负荷时空分布预测方法及系统。本发明专利技术贴合实际情况先将路网、车辆、用户等信息汇总，并根据蒙特卡洛方法，模拟EV的初始位置、初始荷电状态以及用户居住地、工作地、出行链分布等信息；再合理地构建适用于多阶段的交通网与电网交互建模过程的半动态交通网模型和能耗模型，并通过分析电价、气候和季节这些多源因素和用户心理对交通网交通流、各车型能耗情况、各车型用户出行意愿、充电需求以及出行时间与路径选择的影响对各模型进行修正来提高预测的精度；最后将汇总的信息输入程序进行仿真，得到道路交通流和EV充电负荷时空分布的预测结果。本发明专利技术能够帮助分析EV大量推广后对城市交通网与电网建设带来的影响。来的影响。来的影响。

【技术实现步骤摘要】
电动汽车充电负荷时空分布预测方法及系统


[0001]本专利技术涉及电动汽车充电负荷预测领域，具体来说，提出了一种电动汽车充电负荷时空分布预测方法及系统。

技术介绍

[0002]目前不同场景下对电动汽车充电负荷预测精度的要求不够统一，同时现有充电负荷预测方法的侧重点各有不同，未全面分析电价、气候和季节等外部因素对交通网交通流、各车型能耗情况、用户出行意愿以及充电需求的影响。这会导致一些EV充电负荷预测方法本身缺乏一定的合理性，无法满足实际场景下对负荷预测精度的要求，其本身也缺乏一定的合理性。截至目前，缺乏综合考虑电价、气候和季节这些多源信息和用户心理的EV充电负荷时空分布预测方法，这既不利于深入分析EV大量推广后对城市交通网与电网建设带来的影响，又难以为电网企业后续工作提供有效的数据支撑。
[0003]EV充电负荷时空分布预测的前提是构建交通网模型和EV电池的能耗模型，其核心是充分合理的分析用户的出行需求和充电选择。两者相互影响，出行链和OD矩阵分别模拟用户的出行需求和接单行为，再基于交通流采用Dijkstra算法提供最短路径，反过来用户非绝对理性选择的出行路径也会影响道路的交通流变化。在这个过程中，EV的储能下降，用户可能会产生充电需求，其充电开始时刻、充电站的选择同样也受到交通流情况的影响，这进而也会影响EV充电负荷时空分布情况。当然为了提高对EV充电负荷时空分布预测的合理性与准确性，本专利技术构建了半动态交通网模拟交通流变化情况，并且在构建半动态交通网模型、能耗模型以及分析用户出行需求时，也需要考虑电价、气候和季节等多源因素和用户心理下决策并非绝对理性的影响。

技术实现思路

[0004]针对现有预测方法的不足，本专利技术的目的是提供一种考虑多源信息和用户心理的电动汽车充电负荷时空分布预测方法。本专利技术贴合实际情况先将路网、车辆、用户等信息汇总，并根据蒙特卡洛方法，模拟EV的初始位置、初始荷电状态以及用户居住地、工作地、出行链分布等信息；再合理地构建适用于多阶段的交通网与电网交互建模过程的半动态交通网模型和能耗模型，并通过分析电价、气候和季节这些多源因素和用户心理对交通网交通流、各车型能耗情况、各车型用户出行意愿以及充电需求的影响对各模型进行修正来提高预测的精度；最后将汇总的信息输入程序进行仿真，得到道路交通流和EV充电负荷时空分布的预测结果。这些预测结果即能够帮助分析EV大量推广后对城市交通网与电网建设带来的影响，同时为电网企业的电网规划和充电站建设、交管部门城市交通网设计、对用户出行时间和充电功率进行引导以及后续车
‑
路
‑
网交互研究等提供参考。
[0005]本专利技术的技术方案如下：
[0006]一种考电动汽车充电负荷时空分布预测方法，包括以下步骤：
[0007]步骤1：导入路网结构、初始交通流、车辆信息、用户信息以及当前时刻电价、气候
温度及季节信息，并且将仿真时间k初始化，进入步骤2；
[0008]步骤2：依据用户信息判断第j辆EV产生出行需求的时间T
j
是否在时段[T
o
+15(k
‑
1),T0+15k]内，其中T0表示仿真开始的时刻，若是，则直接跳至步骤4；若否，则依据车辆类型，由计及用户出行意愿的出行链和OD矩阵分别模拟私家车出行需求和出租车接单行为，并考虑用户心理选择出行路径，进入步骤3；
[0009]步骤3：更新车辆和路况信息；包括：第j辆EV所在位置、道路的拥挤程度和考虑气候影响下各道路的实际通行时间、第j辆EV荷电状态、计及电价的充电需求判定；
[0010]步骤4：若j+1不大于仿真车辆的总数N，则进行第j+1辆汽车出行需求的判别，返回至步骤2，重复步骤2与步骤3；否则直接进入步骤5；
[0011]步骤5：若k+1不大于仿真时段的总数，则进入下一时段k+1，更新该时段内充电站信息及下一时段的电价、气候温度及季节信息，返回至步骤2，重复步骤2至步骤4；否则直接进入步骤6；
[0012][0013]式中，P
h,t
为t时刻第h个充电站的充电负荷情况；
[0014]步骤6：输出预测时间内交通网各道路堵塞情况S
ij,t
与充电负荷时空分布情况P
h,t
。
[0015]作为优选，初始路况信息根据以下公式获取
[0016][0017][0018][0019]式中，为道路ij的自由通行时间；D
ij
为道路ij的容量；S
ij,0
、x
ij,0
分别为初始道路ij的拥挤程度与车辆数；O
i
'
j,0
为初始考虑气候影响下道路ij的实际通行时间；K
c
为气候系数；T
t
反映实时气候温度的变化；T
min
和T
max
为适宜温度区间的上下限值，设定为22℃和26℃。
[0020]作为优选，基于蒙特卡洛模拟用户产生出行需求的时间和初始荷电状态；
[0021]T
j
～Ν(1080,60)
[0022]SOC
j
～U(0.2,1)
[0023]式中，T
j
为第j辆EV产生出行需求的时间；SOC
j
为第j辆EV的初始荷电状态。
[0024]作为优选，计及用户出行意愿的私家车工作日出行链基于定义：出行的目的地为W、H、M，分别代表公司、家、娱乐场所，K
l
为决策系数；
[0025][0026][0027]式中，K
m
为电价系数；V
t
为实时的电价；V
n
为电价的基准值，设定为0.6元/度电。
[0028]作为优选，OD矩阵基于以下公式获取
[0029][0030]式中，b为时段k内以i为起始，以j为目的的出行行为数量；为时段k内以i为起始，以j为目的D的出租车接单点的概率分布情况，以概率选定出租车的行驶目的地。
[0031]作为优选，考虑用户心理选择出行路径
[0032][0033][0034]式中，为t时刻出行uv间的用户选择路径p的前景值；为路径p自由通行时间，其根据设置的出行路径参考点计算得到；为路径p实际通行时间，其也是根据出行路径参考点计算得到；为明确多组参考点的情况下，理性情况下用户选择路径p
s
的概率；λ为损失规避系数，设定为2.25；γ、δ为风险敏感系数，均设定为0.88；
[0035][0036]式中，w(pe)为用户主观感知的概率；pe为理性情况下选择的概率；α和β为“S”型决策权重函数曲线的曲率，分别设置为0.61和0.69；依据w(pe)这个概率值，选择第j辆在时段k内的出行时刻和出行路径。
[0037]作为优选，根据确定的第j辆EV的出行时刻和出行路径，由道路通行时间模型计算第j本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.电动汽车充电负荷时空分布预测方法，其特征在于，包括步骤1：导入路网结构、初始交通流、车辆信息、用户信息以及当前时刻电价、气候温度及季节信息，并且将仿真时间k初始化，进入步骤2；步骤2：依据用户信息判断第j辆EV产生出行需求的时间T
j
是否在时段[T
o
+15(k
‑
1),T0+15k]内，其中T0表示仿真开始的时刻，若是，则直接跳至步骤4；若否，则依据车辆类型，由计及用户出行意愿的出行链和OD矩阵分别模拟私家车出行需求和出租车接单行为，并考虑用户心理选择出行路径，进入步骤3；步骤3：更新车辆和路况信息；包括：第j辆EV所在位置、道路的拥挤程度和考虑气候影响下各道路的实际通行时间、第j辆EV荷电状态、计及电价的充电需求判定；步骤4：若j+1不大于仿真车辆的总数N，则进行第j+1辆汽车出行需求的判别，返回至步骤2，重复步骤2与步骤3；否则直接进入步骤5；步骤5：若k+1不大于仿真时段的总数，则进入下一时段k+1，更新该时段内充电站信息及下一时段的电价、气候温度及季节信息，返回至步骤2，重复步骤2至步骤4；否则直接进入步骤6；式中，P
h,t
为t时刻第h个充电站的充电负荷情况；步骤6：输出预测时间内交通网各道路堵塞情况S
ij,t
与充电负荷时空分布情况P
h,t
。2.根据权利要求1所述的电动汽车充电负荷时空分布预测方法，其特征在于，初始路况信息根据以下公式获取信息根据以下公式获取信息根据以下公式获取式中，为道路ij的自由通行时间；D
ij
为道路ij的容量；S
ij,0
、x
ij,0
分别为初始道路ij的拥挤程度与车辆数；O
i
'
j,0
为初始考虑气候影响下道路ij的实际通行时间；K
c
为气候系数；T
t
反映实时气候温度的变化；T
min
和T
max
为适宜温度区间的上下限值，设定为22℃和26℃。3.根据权利要求1所述的电动汽车充电负荷时空分布预测方法，其特征在于，基于蒙特卡洛模拟用户产生出行需求的时间和初始荷电状态；T
j
～N(1080,60)SOC
j
～U(0.2,1)式中，T
j
为第j辆EV产生出行需求的时间；SOC
j
为第j辆EV的初始荷电状态；计及用户出行意愿的私家车工作日出行链基于定义：出行的目的地为W、H、M，分别代表公司、家、娱乐场所，K
l
为决策系数；
式中，K
m
为电价系数；V
t
为实时的电价；V
n
为电价的基准值，设定为0.6元/度电。4.根据权利要求1所述的电动汽车充电负荷时空分布预测方法，其特征在于，OD矩阵基于以下公式获取式中，b为时段k内以i为起始，以j为目的出行行为数量；为时段k内以i为起始，以j为目的D的出租车接单点的概率分布情况，以概率选定出租车的行驶目的地。5.根据权利要求1所述的电动汽车充电负荷时空分布预测方法，其特征在于，考虑用户心理选择出行路径心理选择出行路径式中，为t时刻出行uv间的用户选择路径p的前景值；为路径p自由通行时间，其根据设置的出行路径参考点计算得到；为路径p实际通行时间，其也是根据出行路径参考点计算得到；为明确多组参考点的情况下，理性情况下用户选择路径p
s
的概率；λ为损失规避系数，设定为2.25；γ、δ为风险敏感系数，均设定为0.88；式中，w(pe)为用户主观感知的概率；pe为理性情况下选择的概率；α和β为“S”型决策权重函数曲线的曲率，分别设置为0.61和0.69；依据w(pe)这个概率值，选择第j辆在时段k内的出行时刻和出行路径。6.根据权利要求1所述的电动汽车充电负荷时空分布预测方法，其特征在于，根据确定的第j辆EV的出行时刻和出行路径，由道路通行时间模型计算第j辆EV在出行路径上各道路上的停留时间，并更新各道路各时刻的车辆数x
ij,t
。7.根据权利要求1所述的电动汽车充电负荷时空分布预测方法，其特征在于，道路的拥挤程度和考虑气候影响下各道路的实际通行时间，根据以下公式获取挤程度和考虑气候影响下各道路的实际通行时间，根据以下公式获取式中，为道路ij的自由通行时间；D
ij<...

【专利技术属性】
技术研发人员：魏攀，丁乐言，张帆，宋海龙，柯松，钱斌，陈显超，施兴烨，林晓明，冯成洪，杨军，唐建林，刘永浩，宋敏，梁莉莉，
申请(专利权)人：武汉大学南方电网科学研究院有限责任公司，
类型：发明
国别省市：