[發明專利]用于城市電動汽車的時空充電負荷的預測方法

有效

• 申請號: 202011229334.8
• 申請日: 2020-11-06
• 公開（公告）號: CN112330025B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 王宇飛;張婧;郭俊超;杜桐;孫鑫;李彥斌;傅義;趙海軍;張飛;王冬生;楊麗君
• 申請（專利權）人: 國網冀北電力有限公司張家口供電公司;國家電網有限公司;燕山大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F30/27;G06N3/04;G06N3/08;G06F111/04;G06F119/12
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 韓燕

1.一種用于城市電動汽車的時空充電負荷的預測方法，所述的城市電動汽車包括電動家用車、電動出租車和電動公交車，其特征在于，所述預測方法包括以下步驟：

S1、獲得電動家用車、電動出租車和電動公交車的充電負荷，具體包括以下步驟：

S11、運用蒙特卡洛對電動家用車在交通道路網中不同出行鏈類別下的出行軌跡進行模擬，得到電動家用車的時空充電負荷，包括以下子步驟：

S111、將待預測區域劃分為住宅區、工作區和商業區，設待預測區域的道路為雙向通行道路，用無向圖表示道路拓撲結構，則道路拓撲結構G的表達式為：

G＝(U,W)

其中，U表示待預測區域所有道路節點的集合，W表示具有連接關系的道路節點的集合；

S112、根據步驟S111中的道路拓撲圖，設待預測區域的道路共有h個節點，將待預測區域的所有道路節點用h*h的鄰接矩陣D表示，將待預測區域道路節點的連接權值用ω表示，所述鄰接矩陣D中的元素d_ij的賦值表達式為：

其中，ω_ij為待預測區域道路節點中相鄰節點i和節點j之間的連接權值；inf表示待預測區域道路節點中兩個節點之間不相連，0代表節點i和節點j為用一節點，距離為0；

S113、基于步驟S12中待預測區域交通路網信息的輸入，根據電動家用車的三種出行情況得到路徑p＝(v₁,v₂,...,v_g,...,v_k')權值的表達式，三種出行情況分別為回家H、工作G和行程A，所述行程A包括社交休閑和購物飲食，路徑p＝(v₁,v₂,...,v_g,...,v_k')權值ω(p)的表達式為：

其中，v_g為電動家用車出行情況中路徑p經過的第g個節點；

在待預測區域通路中，從節點i到節點j的最短路徑的權值σ(i,j)表達式為：

σ(i,j)＝min{ω(p)}

因此，以待預測區域通路中最短路徑為目標，采用迪杰斯特拉算法求取在待預測區域通路中的最優路徑；

S114、根據電動家用車的出行軌跡和出行數據，對電動家用車的初始出行時刻f_c(t)采用正態分布進行擬合，即：

其中，μ_c是電動家用車起始出行時刻t的期望值；σ_c是起始出行時刻的標準差；μ_c和σ_c的取值分別與電動家用車出行鏈類別和行程起訖點有關；

S115、在待預測區域通路中，電動家用車用戶在不同功能區停留時間s必須大于等于充電時間T_i，若電動家用車從節點i-1到某一功能區節點i后的剩余電量SOC_i0.3時，則在對應的功能區充電，直到充滿為止，若不滿足，則不選擇充電；電動家用車從節點i-1到某一功能區節點i后的剩余電量SOC_i的表達式為：

其中，E_h為電動家用車的電池總容量；α為行駛單位里程的耗電量；l_i-1,i為從待預測區域的通路圖i-1節點處到i節點處的行駛里程；

S12、根據電動出租車的運營需求和充電方式，運用蒙特卡洛得到出租車的充電負荷，包括以下子步驟：

S121、根據電動出租車的運營情況和出行歷史數據，采用對數正態分布對電動出租車用戶每天的行駛里程f_l1(x₁)進行擬合，即：

其中，μ_l1為每一輛電動出租車行駛里程x₁的期望值；σ_l1為每一輛電動出租車行駛里程x₁標準差；μ_l1和σ_l1從對數正態分布公式對電動出租車用戶每天行駛里程的真實數據進行擬合以后的數據進行取值；

S122、根據電動出租車的出行軌跡和出行歷史數據，采用均勻分布對電動出租車用戶的充電起始時間f_s1(t₂)進行擬合，即：

其中，a為電動出租車充電起始時間t₂的最小取值；b為電動出租車充電起始時間t₂的最大取值；a和b從均勻分布公式對電動出租車用戶充電起始時間的真實數據進行擬合以后的數據進行取值；

對電動出租車每天的行駛里程進行分析，得到所需充電量，進而結合充電起始時間得到電動出租車充電負荷；

S13、根據電動公交車的運營情況和充電策略，運用蒙特卡洛得到電動公交車的充電負荷，包括以下子步驟：

S131、根據電動公交車的運營情況和出行歷史數據，采用對數正態分布對電動公交車用戶每天的行駛里程f_l2(x₂)進行擬合，即：

其中，μ_l2為每一輛電動公交車行駛里程x₂的期望值；σ_l2為每一輛電動公交車行駛里程x₂標準差；μ_l2和σ_l2從對數正態分布公式對電動公交車用戶每天行駛里程的真實數據進行擬合以后的數據進行取值；

S132、根據電動公交車的出行軌跡和出行歷史數據，采用均勻分布對電動公交車用戶的充電起始時間f_s2(t₃)進行擬合，即：

其中，a'為電動公交車充電起始時間t₃的最小取值；b'為電動公交車充電起始時間t₃的最大取值；a'和b'從均勻分布公式對電動公交車用戶充電起始時間的真實數據進行擬合以后的數據進行取值；

對電動公交車每天的行駛里程進行分析，得到所需充電量，進而結合充電起始時間得到電動公交車充電負荷；

S2、采用BP網絡擬合電動家用車、電動出租車和電動公交車的充電負荷與城市電動汽車時空充電負荷的非線性關系：

S21、根據BP網絡的非線性擬合，在待預測區域通路中，得到電動家用車、電動出租車和電動公交車的充電負荷與城市電動汽車時空充電負荷的非線性關系中隱含層的第m個節點的輸出值o_m為：

其中，net_m為神經網絡中隱含層第m個節點的輸入；w_mn為神經網絡中輸入層第n個節點到隱含層第m個節點之間的權值；x_n為神經網絡中輸入層的第n個節點的輸入；θ_m為神經網絡中隱含層第m個節點的閾值；φ為神經網絡中隱含層的激勵函數；

S22、根據BP網絡的非線性擬合，在待預測區域通路中，得到電動家用車、電動出租車和電動公交車的充電負荷與城市電動汽車時空充電負荷的非線性關系中輸出層第k個節點的輸出值o_k為：

式中，net_k為神經網絡中輸出層第k個節點的輸入；w_km為神經網絡中隱含層第m個節點到輸出層第k個節點的權值；o_m為神經網絡中隱含層的第m個節點的輸出值；a_k為神經網絡中輸出層第k個節點的閾值；為神經網絡中輸出層激勵函數；o_k為神經網絡中輸出層第k個節點的輸出；

S23、將步驟S21和S22的正向傳播過程得到的BP網絡輸出值和實際值之間的誤差進行反向傳播，以實現對BP網絡的權值閾值的修正，用于神經網絡修正的誤差函數定義的表達式為：

式中，o_k為非線性關系中輸出層第k個節點的輸出，T_k為與o_k相對應的實際值；

S24、對神經網絡中輸出層的權值和閾值進行修正的表達式為：

式中，Δw_km為神經網絡中輸出層權值的修正值；η為學習速率；Δa_k為神經網絡中輸出層閾值的修正值；

S25、對神經網絡中隱含層的權值和閾值進行修正的表達式為：

式中，Δw_mn為神經網絡中隱含層權值的修正值；η為學習速率；Δθ_m為神經網絡中隱含層閾值的修正值；

S26、根據步驟S24和S25不斷改進神經網絡中的權值閾值，對輸出值o_k進行初步預測之后，BP網絡非線性擬合的更新過程繼續進行，直到誤差達到精度要求，獲得BP網絡的輸出值和輸入值的非線性關系，從而獲得城市電動汽車的時空充電負荷曲線。