[發明專利]基于出行概率矩陣的電動汽車充電負荷時空分布預測方法

有效

• 申請號: 202010013815.9
• 申請日: 2020-01-07
• 公開（公告）號: CN111199320B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 張琳娟;許長清;王利利;張平;盧丹;郭璞;周楠;鄭征;邱超;李景麗;楊旭晨
• 申請（專利權）人: 國家電網有限公司;國網河南省電力公司經濟技術研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/067;G06Q50/30
• 代理公司: 鄭州優盾知識產權代理有限公司 41125
• 代理人: 張真真

1.一種基于出行概率矩陣的電動汽車充電負荷時空分布預測方法，其特征在于，其步驟如下：

S1、根據電動汽車充電負荷的影響因素建立影響因素的概率模型；

S2、根據電動汽車的網絡拓撲結構以及電動汽車在城市間的出行建立電動汽車出行概率矩陣；

S3、根據步驟S1中的影響因素的概率模型和步驟S2中的電動汽車出行概率矩陣，利用蒙特卡洛方法預測電動汽車一天的電動汽車充電負荷時空分布；

所述利用蒙特卡洛方法預測電動汽車一天的電動汽車充電負荷時空分布的方法為：

S3.1、設置電動汽車總數量為N，最大迭代次數為M，當前電動汽車為n＝1，設置電動汽車的荷電狀態閾值SOC_th，設置荷電狀態期望值SOC₁，荷電狀態最大值SOC₂；

S3.2、初始化迭代次數m＝1，設置初始荷電狀態為C_apt；

S3.3、設置充電負荷P_C,m＝0，利用起止出行時刻概率模型產生電動汽車n的起始時刻T_s和結束時刻T_e，利用日行駛里程概率模型產生電動汽車n的日總行駛里程D；

S3.4、設置當前行駛里程d_t＝0，當前行駛時刻t＝T_s；

S3.5、根據每個節點的停車概率產生起始節點，并根據起始節點和電動汽車出行概率矩陣產生電動汽車n的行駛目的地；

S3.6、利用Floyd算法計算電動汽車n的最短路徑，并給出路徑總段數count；

S3.7、計算電動汽車n通過路徑h后的行駛里程d_t＝d_t+L_h，行駛時刻t＝t+d_th，當前荷電狀態SOC，其中，L_h為路徑h對應的里程，d_th為電動汽車n通過路徑h的行駛時間；

S3.8、判斷當前荷電狀態SOC是否小于荷電狀態閾值SOC_th，若是，就近充電，更新當前荷電狀態SOC＝SOC+ΔSOC，更新充電負荷P_C,m＝P_C,m+P(t:t)T_c)，否則，執行步驟S3.9，其中，P(t:t)T_c)為充電T_c時間內的充電負荷；

S3.9、路徑h＝h+1，判斷路徑h是否達到路徑總段數count，若是，執行步驟S3.10，否則，返回步驟S3.7；

S3.10、判斷行駛里程d_t是否小于日總行駛里程D，若是，執行步驟S3.11，否則，執行步驟S3.13；

S3.11、判斷行駛時刻t是否小于結束時刻T_e，若是，執行步驟S3.12，否則，執行步驟S3.13；

S3.12、記錄停車時長d_{t_park}，更新行駛時刻t＝t+d_{t_park}，將當前停車地點設為起始節點，返回步驟S3.5；

S3.13、結束電動汽車n的行駛行程，并判斷當前荷電狀態SOC是否達到荷電狀態期望值SOC₁，若是，保留充電負荷P_C,m和當前荷電狀態SOC，且荷電狀態C_apt＝SOC，否則，對電動汽車n進行充電至荷電狀態最大值SOC₂，并更新荷電狀態C_apt＝SOC₂和充電負荷P_C,m＝P_C,m+P(t:t)T_c')，其中，P(t:t)T_c')為充電T_c'時間內的充電負荷；

S3.14、判斷迭代次數m是否達到最大迭代次數為M，若是，計算電動汽車n的M次充電負荷的平均值執行步驟S3.15，否則，記錄迭代次數為m時電動汽車n的充電負荷P_C,m，迭代次數m＝m+1，返回步驟S3.3；

S3.15、判斷電動汽車n是否達到電動汽車總數量N，若是，計算N個電動汽車的充電負荷的平均值完成N輛電動汽車一天的電動汽車充電負荷時空分布的預測，否則，n＝n+1，返回步驟S3.2。