【技术实现步骤摘要】
本专利技术属于电动汽车充电负荷预测领域，具体涉及一种基于车辆运行后台数据的城市多场景充电负荷预测方法。
技术介绍
1、近年来，交通领域的电气化被认为是一种有效实现节能减排和提高效能的措施。电动汽车正是交通电气化中的重要一环。然而，电动汽车具有充电功率大，时空分布随机等特点，在未来电动汽车大规模普及的背景下将会加重现有电网负担，对电力系统安全运行提出挑战；另一方面，在当前电池充电技术、续驶里程限制下，充电站的供应短缺也是影响消费者接收电动汽车的一个重要原因，需要我们合理的增加更多充电站以满足用户需求。因此无论是充电站选址或是研究电动汽车充电行为对电网的影响来协助电网运营调度都需要我们能够对规模化电动汽车的充电需求进行预测。
2、目前常用的充电负荷预测方法有两种：(1)基于充电站数据的负荷预测，这种方法通过对发生在一个充电站内的数据进行采集和分析建立预测模型，比较常见的是对充电站的负荷进行时间序列分析，或建立到站充电的交通以及排队模型，模拟到站的行为。这种方法针对一个站点的建模通常较为准确，但是难以在站外区域大规模推广应用，且模型的调整不够灵活。(2)基于电动汽车的行为入手，模拟电动汽车的充电行为来预测充电负荷。但是，模拟的范围小，无法得到更为精准的充电信息。
技术实现思路
1、基于上述问题，本专利技术提出了一种基于车辆运行后台数据的城市多场景充电负荷预测方法。
2、本专利技术的技术方案如下：
3、基于车辆运行后台数据的城市多场景充电负荷预测方法，所
4、获取仿真区域，根据关键分布拟合模块和依赖数据库生成当前仿真用户的出行信息；所述出行信息包括电池容量、首次出行时间、首次出行soc、当日出行次数、h区域编号属性和w区域编号属性；
5、基于当前仿真用户的出行信息，利用双层行程链决策模型确定此次行程的终点信息；所述终点信息包括：目的地类型、区域编号和坐标信息；
6、基于所述终点信息调用导航api计算此次行程的行驶距离、行驶时间和行驶能耗，然后根据车辆平均里程能耗以及电池包容量更新到达soc信息；
7、获取下一段行程信息和需求soc信息，综合做出是否充电的决定，如果进行充电则调用充电仿真模块，如果无需充电则更新预测的下一段行程信息；重复上述过程，再完成所有区域仿真后得到所需充电负荷信息。
8、进一步地，所述关键分布拟合模块通过数据运行处理环节得到的数据基础对仿真所需关键概率分布进行拟合，包括首次出发时间分布、当日出行次数分布、分场所停止时间分布、首次出行soc分布和用户开始充电soc分布。
9、进一步地，所述数据运行处理环节具体为：
10、从企业数据库获取某一城市一定规模数量的用户行驶轨迹数据库；在基础数据库上进行数据字段的转换与扩充；所述数据字段的转换与扩充具体包括：时间戳转换，用户分组时序排列、场所poi类别辨识、行程编码、城市格栅分区编码以及工作日周末切分。
11、进一步地，所述依赖数据库具体包括建立每个区域的典型场所坐标信息数据库，每个区域的用户工作场所区域分布数据库。
12、进一步地，所述双层行程链决策模型包括上层行程链和下层行程链；
13、所述上层行程链采用朴素贝叶斯分类器模型，所述朴素贝叶斯分类器模型的输入参数包括行程起始时间、行程起始场所类型、工作日与周末标签、以及剩余行程次数，所述朴素贝叶斯分类器模型的输出为行程结束场所类型；
14、所述下层行程链采用状态转移矩阵模型，统计全天24小时时段从某一区域出前往其他区域的频次数据，遍历这一过程得到24个区域状态转移矩阵。
15、进一步地，所述是否充电的决定方法为：
16、判断是否为最后一次行程，如果为最后一次行程，则判断行程结束时的电量和充电下限关系，大于则无需充电；小于则执行充电仿真模块，输出对应充电数组；如果不是最后一次行程，首先判断行程结束时的电量和充电下限关系，小于则执行充电仿真模块，输出对应充电数组；大于则继续判断是否满足下次行程行驶需要，满足则无需充电，不满足则执行充电仿真模块，输出充电数组，同时更新下一次行程的行程信息。
17、进一步地，所述充电仿真模块的决策流程为：
18、判断是否是最后一次行程，如果是则执行在家充电的流程，如果不是则执行中间场所充电的流程。
19、本专利技术的技术效果：
20、(1)建立朴素贝叶斯分类器与od矩阵双层行程链生成方式，涵盖行程的类型信息与区域编码信息，在充电负荷信息的结果分析中自由度更高；
21、(2)采用开放地图api代替人工路网建模与通行路程、时间计算，使行程链更为接近真实结果，真实的行驶里程与时间可提升负荷预测的准确性。
22、(3)不再将多个区域节点统一划分为一个区域类型，而是在真实的地理格栅下根据运行数据建立多个场所的坐标信息库，使仿真更接近真实情况。
本文档来自技高网...【技术保护点】
1.基于车辆运行后台数据的城市多场景充电负荷预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于车辆运行后台数据的城市多场景充电负荷预测方法，其特征在于，所述关键分布拟合模块通过数据运行处理环节得到的数据基础对仿真所需关键概率分布进行拟合，包括首次出发时间分布、当日出行次数分布、分场所停止时间分布、首次出行SOC分布和用户开始充电SOC分布。
3.根据权利要求2所述的基于车辆运行后台数据的城市多场景充电负荷预测方法，其特征在于，所述数据运行处理环节具体为：
4.根据权利要求1所述的基于车辆运行后台数据的城市多场景充电负荷预测方法，其特征在于，
5.根据权利要求1所述的基于车辆运行后台数据的城市多场景充电负荷预测方法，其特征在于，所述双层行程链决策模型包括上层行程链和下层行程链；
6.根据权利要求1所述的基于车辆运行后台数据的城市多场景充电负荷预测方法，其特征在于，所述是否充电的决定方法为：
7.根据权利要求6所述的基于车辆运行后台数据的城市多场景充电负荷预测方法，其特征在于，所述充电仿真
...【技术特征摘要】
1.基于车辆运行后台数据的城市多场景充电负荷预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于车辆运行后台数据的城市多场景充电负荷预测方法，其特征在于，所述关键分布拟合模块通过数据运行处理环节得到的数据基础对仿真所需关键概率分布进行拟合，包括首次出发时间分布、当日出行次数分布、分场所停止时间分布、首次出行soc分布和用户开始充电soc分布。
3.根据权利要求2所述的基于车辆运行后台数据的城市多场景充电负荷预测方法，其特征在于，所述数据运行处理环节具体为：...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。