[發明專利]基于用戶出行時空分布特性的電動汽車充電負荷預測方法

有效

• 申請號: 201911332196.3
• 申請日: 2019-12-21
• 公開（公告）號: CN111160639B
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 羅平;樊星馳;程晟;高慧敏
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F17/18
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

1.基于用戶出行時空分布特性的電動汽車充電負荷預測方法，其特征在于，該方法具體包括以下步驟：

步驟1、建立Bass回歸分析模型對未來N年電動汽車保有量進行預估；

步驟2、根據私家車出行目的地的性質不同，將規劃區分為五大類，分別為住宅區、教學區，辦公區，商業區和其他區域，并將住宅區視為用戶默認出發地；

將所有功能區的幾何中心作為功能區的節點，各個功能區域之間以節點相連，為了更好描述各個功能區之間的連接關系，將節點之間的連接線段定義為規劃區的道路；

將國內的道路類型分為4個等級，各個道路等級r_ij如式(1)所示；

式中，r_i,j∈R，r_i,j為節點i，j之間的道路等級；

利用圖論方法提取道路交通網絡中的道路長度、道路連接關系、道路擁堵系數這些拓撲信息構建多源信息融合的道路模型，具體描述如式(2)；

式中，V(G)為規劃區中的節點集合；n為道路節點的個數；E(G)為規劃區中的道路路段集合；兩節點之間的距離即為道路距離u_i,j；為節點之間的連接關系矩陣，若區域之間不存在道路連接關系則用inf表示；

假設規劃區中所有的連接道路均為雙向的道路，因此u_i,j如式(3)所示；

式中，i，j分別為節點；d_i,j為區域節點i，j之間的距離；inf為無窮大；在不融合多源信息的情況下，初始d_i,j由式(4)表示；

關于城市道路的擁堵程度用區域之間的平均行駛時間和自由行駛時間確定的道路擁堵系數來表達，具體函數關系式如式(5)；

式中，C_i,j(t)為t時刻節點i和j之間道路的擁堵系數，系數值越大表示路段越擁擠，T_i,j(t)表示電動汽車在t時刻節點i和j之間道路的平均行駛時間；T₀為每條道路的自由行駛時間，且均為定值；

由以上道路長度，路網擁堵程度和道路等級加權以后即得到的等效道路長度，等效道路長度D_i,j(t)表示為：

D_i,j(t)＝d_i,j+d_i,jC_i,j(t)+d_i,j/r_i,j (6)

步驟3、利用Dijkstra算法尋找等效道路中的最短路徑，并將此尋優的路徑作為用戶出行的出行鏈；

定義用戶出行鏈分為簡單鏈和復雜鏈，根據實際情況，用戶出發的始發地和日出行終點均為住宅區，因此用戶的出行路徑構成一個閉環；用戶一天內兩次的出行路徑為簡單鏈，超過兩次的路徑記為復雜鏈；

用戶在一天的行程中會前往一個或者多個功能區活動，因此用戶日出行空間特性由一系列中間駐留點構成的出行鏈來表示，如式(7)所示；

Q＝{q₁(x₁,y₁),q₂(x₂,y₂),...,q_s(x_s,y_s),...} (7)

式中，Q為出行鏈對應駐留功能區的集合；s為駐留功能區的序號；q₁為出行鏈出發點；q_s為出行過程中的駐留點，(x_s,y_s)為功能區幾何中心的坐標位置；

出行鏈包含的路徑集合由式(8)表示；

Π＝{ψ(q₁,q₂),ψ(q₂,q₃),...,ψ(q_s,q_s+1),...} (8)

設p_a為兩個連續駐留點間的最短路徑，p_a∈ψ(q_s,q_s+1)為一個出行鏈對應的一條路徑，Π為出行鏈對應的路徑集合；

步驟4、根據歷史數據設定概率分布，得到每臺電動汽車不同的出行特征量，此特征量包括首次出發時刻、電動汽車初始蓄電池荷電狀態、電動汽車功能區駐留時長和日出行次數；

假設每個用戶的出發時間近似為正態分布，其概率密度函數如式(9)所示；

式中，σ_D為用戶出行用車的始發時間標準差；μ_D為期望值；

每個區域電動汽車的駐留時間也通過正態分布來描述；概率密度關系如式(10)表示；

式中，和分別為用戶在每個功能區因個人原因駐留時長的標準差和期望值，并有i＝2,3,…s…；

用戶每日在出行時電池的荷電狀態并不全是滿充的狀態，假設用戶每日首次用車時的電池電量服從正態分布，具體表達式由式(11)表示；

式中，為第n臺電動汽車的初始電池荷電狀態，n∈N，N為規劃區用戶電動汽車總臺數，即步驟1的預估數量；σ_soc和μ_soc分別為電動汽車初始荷電狀態的標準差和期望值；

忽略出行鏈內途經的所有區域的駐留時長，用戶日出行次數滿足以下概率密度函數；

式中，I為用戶日出行次數；σ_I和μ_I分別為出行次數標準差和期望值；

步驟5、電動汽車在行至目的地的過程中，途經所有功能區內的充電站對電動汽車此時的荷電狀態進行評估；通過充電模式選擇條件判斷電動汽車是否在此充電站選擇充電服務；若需要充電則進行步驟6，否則執行步驟7；

為了保證電動汽車能夠順利行駛至目的地，用戶在途中會監測電池電量，而電池剩余電量通過實時荷電狀態反映，從而判斷在哪個功能區進行充電；EVSOC_n電動汽車到達下一個功能區時蓄電池荷電狀態通過式(13)表示；

式中，S₁₀₀為電動汽車行駛每百公里電池損耗量；E_EV為其蓄電池的額定容量；

將第n臺電動汽車荷電狀態與到達功能區的最小荷電狀態SOCMIN_arrive相比較，判斷電動汽車在第i個區域是否需要選擇充電模式，具體如下；

用戶出行最終回到住宅區后，對電動汽車蓄電池荷電狀態采用式(15)的判斷條件確定是否充電；

式中，為前一日電動汽車停泊住宅區時的蓄電池荷電狀態；為到達終點住宅區充電最小荷電狀態，低于此值的電動汽車需在住宅區充電；

步驟6、電動汽車在此功能區充電站進行充電，待充電至最大荷電狀態時充電結束，并駛離此功能區；

充電時期存在慢充P_slow和快充P_fast的區別，充電期間電動汽車蓄電池荷電狀態的變化如式(16)表示；

式中，為在t+1時刻下第n臺電動汽車在第i個充電站內充電的荷電狀態；和分別為充電狀態(0,1)變量，并且

電動汽車一旦停泊充電，默認車輛需要充電充滿至荷電狀態上限EVSOC_max可停止充電，繼而駛離充電站，由此得出每臺汽車從停泊至駛離過程中充電的時長具體如式(17)；

步驟7、行駛至出行鏈中的下一功能區，跳回循環執行步驟五，直至電動汽車順利行駛至此次出行的目的地；

步驟8、統計規劃區內各功能區在每個時刻的充電負荷量、各功能區日充電負荷總量和規劃區日充電負荷總量；

步驟9、利用蒙特卡洛法對規劃區充電負荷進行多次預測，采用非參數核密度估計算法對預測結果進行概率密度計算，在此基礎上采用高斯擬合得到概率密度函數關系式；

步驟10：將步驟9中得到的工作日和休息日充電負荷概率密度函數關系式中對應出現概率最高的充電負荷值分布作為工作日和休息日的預測充電負荷值。