一种基于电动汽车出行轨迹特征的充电负荷预测方法技术

本发明专利技术涉及一种基于电动汽车出行轨迹特征的充电负荷预测方法。该发明专利技术首先把地理区域按照功能划分为若干个具有特定功能的子区域，接着搭建了路网拓扑数学模型；之后根据电动汽车出行轨迹时空特征和每段行程起始时刻的拟合结果，构建了电动汽车的出行轨迹模型；最后，根据上述模型对电动汽车的充电负荷和充电持续时间进行了预测。优点在于，考虑了交通信息的时变特性，所建立模型符合城市路网的基本特征，考虑了各功能区充电负荷的差异和充电负荷时间分布不均匀。与现有技术相比，本发明专利技术具有预测精度高、时效性好等优点，可为后续电动汽车需求响应策略制定提供模型基础。车需求响应策略制定提供模型基础。车需求响应策略制定提供模型基础。

【技术实现步骤摘要】
一种基于电动汽车出行轨迹特征的充电负荷预测方法


[0001]本专利技术涉及一种基于电动汽车出行轨迹特征的充电负荷预测方法，属于电动汽车充电负荷预测


技术介绍

[0002]随着电池技术及电动汽车的发展，大量电动汽车充电负荷接入将会对电力系统的运行与规划产生影响，因此研究电动汽车负荷预测具有重要的意义。电动汽车充电负荷既有一般电力负荷的特性，又符合交通载具出行的统计性规律，且电动汽车用户的居住地大多为城区，城市路网的拓扑结构等因素会对电动汽车的充电行为产生影响，不同功能区内电动汽车的充放电规律也存在着较大差异。为了使得预测方法更为实用和准确，应充分考虑电动汽车所在区域的出行规律和交通实际情况。现有关于电动汽车充电负荷预测的专利中，基于出行链方法未考虑电动汽车的充电行为与下一次出行目的地之间的联系，基于状态转移概率的模型则未对出行目的地的功能区进行划分，所以现有的方法对电动汽车充电负荷预测都不够精确。

技术实现思路

[0003]本专利技术的目的在于提供一种全新的充电负荷预测方法来解决上述问题。
[0004]本专利技术采用如下技术手段实现：一种基于电动汽车出行轨迹特征的充电负荷预测方法，所述预测方法包括：
[0005]步骤1：搭建基于图论的交通路网模型；
[0006]步骤2：采用三参数Weibull概率函数对电动汽车每段行程起始时刻进行拟合；
[0007]步骤3，搭建电动汽车的出行轨迹模型；
[0008]步骤4，预测电动汽车的充电负荷；
[0009]步骤5，预测电动汽车的充电持续时间，
[0010]步骤1中搭建基于图论的交通路网模型包括以下步骤：
[0011]步骤1
‑
1：根据城市区域功能划分的图论，将城市区域按交通路网划分成5种特定功能子区域，分别为住宅小区H、工作区W、购物吃饭区SE、社交休闲区SR、其他功能区O；
[0012]步骤1
‑
2：搭建路网拓扑数学模型；
[0013]所述的路网拓扑数学模型包括以下集合：
[0014][0015]其中，G为交通路网；E表示G中所有功能区的集合；U表示G中所有路段节点的集合；L表示G中每个路段距离的集合；V表示G中每个路段平均时速的集合；
[0016]步骤1
‑
3：基于云平台的城市轨道交通线网综合指挥调度系统，获取交通路网拓扑数学模型数据。
[0017]所述的步骤2中每段行程起始时刻拟合函数具体为：
[0018][0019]其中，x为随机变量，k为形状参数，c为尺度参数，γ为位置参数。
[0020]步骤3中所述的电动汽车出行轨迹模型包括以下步骤：
[0021]步骤3
‑
1：建立包含n个功能区的交通OD矩阵，具体为：
[0022][0023]其中，F
OD
为n阶OD方阵，矩阵中的元素是指从一个交通区行驶至另一个交通区的出行量，OD
ij
为研究时段内由起点i到终点j的行驶记录条数；
[0024]步骤3
‑
2：基于云平台的城市轨道交通线网综合指挥调度系统，获取OD矩阵数据；
[0025]步骤3
‑
3：建立电动汽车出行链模型；
[0026]步骤3
‑
4：基于马尔科夫理论，建立电动汽车从一个目的地行驶到另一个目的地转移概率矩阵；
[0027]步骤3
‑
5：根据当地居民出行调研数据统计确定转移概率矩阵参数；
[0028]步骤3
‑
6：估计电动汽车的行驶距离，
[0029]步骤3
‑
7：根据各路段的距离和平均时速计算出行的行驶总时间，进而估计电动汽车的结束出行时刻。
[0030]步骤3
‑
3中所述的电动汽车出行链模型具体为：
[0031]根据电动汽车的出行规律，建立6种主要的出行链模型，具体包括：
[0032]H
→
W
→
H；
[0033]H
→
SE
→
H；
[0034]H
→
SR
→
H；
[0035]H
→
W
→
SE/SR/O
→
H；
[0036]H
→
SR
→
W/SE/O
→
H；
[0037]H
→
O
→
W/SE/SR
→
H.
[0038]其中，
“→”
代表是各段的行程；
[0039]步骤3
‑
4中所述的电动汽车从一个目的地行驶到另一个目的地转移概率矩阵具体为：
[0040]记P
ij
为从状态E
i
转变为E
j
的状态转移概率，针对本文研究的5类功能区，即可能状
态为：EH，EW，ESE，ESR，EO，马尔科夫链概率矩阵取n＝5，建立电动汽车从一个目的地行驶到另一个目的地转移概率矩阵，具体为：
[0041]P＝
[0042][0043]其中，P
ij
满足规范性和归一性两个条件，具体为：
[0044][0045]步骤3
‑
6具体为：
[0046]假设私家车起始位置为第i功能区，根据私家车OD矩阵可知，第i功能区对应的OD向量为OD
i
＝(OD
i1
,OD
i2
,
…
,OD
in
)，根据出行链概率矩阵可以得到此时的出行链转移概率向量为P
i
＝(P
i1
,P
i2
,
…
,P
in
)；
[0047]终点节点由起始功能区i对应的OD
i
向量和出行链转移概率向量P
i
决定，可表示为：
[0048][0049]其中，D
i
为终点节点判定向量，取D
i
中的最大元素记为D
ij
，终点位置则为第j功能区；
[0050]私家车出行路径以路径距离最短为原则，本文采用实时Dijkstra算法进行路径引导，若本次为第n次行程，起始位置为第i功能区，终点位置为第j功能区，行程中经过的路段节点为所以本次出行行驶距离可表示为：
[0051][0052]其中，L
n
为第n次以i功能区为起点，j功能区为终点的出行行驶距离；
[0053]步骤3
‑
7具体为：
[0054][0055]其中，Δt
n
为本次行程的出行总时长；
[0056]电动汽车结束出行时刻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电动汽车出行轨迹特征的充电负荷预测方法，其特征在于，所述预测方法包括：步骤1：搭建基于图论的交通路网模型；步骤2：采用三参数Weibull概率函数对电动汽车每段行程起始时刻进行拟合；步骤3，搭建电动汽车的出行轨迹模型；步骤4，预测电动汽车的充电负荷；步骤5，预测电动汽车的充电持续时间，步骤1中搭建基于图论的交通路网模型包括以下步骤：步骤1
‑
1：根据城市区域功能划分的图论，将城市区域按交通路网划分成5种特定功能子区域，分别为住宅小区H、工作区W、购物吃饭区SE、社交休闲区SR、其他功能区O；步骤1
‑
2：搭建路网拓扑数学模型；所述的路网拓扑数学模型包括以下集合：其中，G为交通路网；E表示G中所有功能区的集合；U表示G中所有路段节点的集合；L表示G中每个路段距离的集合；V表示G中每个路段平均时速的集合；步骤1
‑
3：基于云平台的城市轨道交通线网综合指挥调度系统，获取交通路网拓扑数学模型数据。2.根据权利要求1所述的基于电动汽车出行轨迹特征的充电负荷预测方法，其特征在于，所述的步骤2中每段行程起始时刻拟合函数具体为：其中，x为随机变量，k为形状参数，c为尺度参数，γ为位置参数。3.根据权利要求1所述的基于电动汽车出行轨迹特征的充电负荷预测方法，其特征在于，步骤3中所述的电动汽车出行轨迹模型包括以下步骤：步骤3
‑
1：建立包含n个功能区的交通OD矩阵，具体为：其中，F
OD
为n阶OD方阵，矩阵中的元素是指从一个交通区行驶至另一个交通区的出行
量，OD
ij
为研究时段内由起点i到终点j的行驶记录条数；步骤3
‑
2：基于云平台的城市轨道交通线网综合指挥调度系统，获取OD矩阵数据；步骤3
‑
3：建立电动汽车出行链模型；步骤3
‑
4：基于马尔科夫理论，建立电动汽车从一个目的地行驶到另一个目的地转移概率矩阵；步骤3
‑
5：根据当地居民出行调研数据统计确定转移概率矩阵参数；步骤3
‑
6：估计电动汽车的行驶距离，步骤3
‑
7：根据各路段的距离和平均时速计算出行的行驶总时间，进而估计电动汽车的结束出行时刻。4.根据权利要求3所述的基于电动汽车出行轨迹特征的充电负荷预测方法，其特征在于，步骤3
‑
3中所述的电动汽车出行链模型具体为：根据电动汽车的出行规律，建立6种主要的出行链模型，具体包括：H
→
W
→
H；H
→
SE
→
H；H
→
SR
→
H；H
→
W
→
SE/SR/O
→
H；H
→
SR
→
W/SE/O
→
H；H
→
O
→
W/SE/SR
→
H.其中，
“→”
代表是各段的行程；步骤3
‑
4中所述的电动汽车从一个目的地行驶到另一个目的地转移概率矩阵具体为：记P
ij
为从状态E
i
转变为E
j
的状态转移概率，针对本文研究的5类功能区，即可能状态为：EH，EW，ESE，ESR，EO，马尔科夫链概...

【专利技术属性】
技术研发人员：钱欣，王宁，陆州兵，司双，徐成，韩少华，王玮，王晗雯，孙萌，
申请(专利权)人：伊犁师范大学国网江苏省电力有限公司宿迁供电分公司，
类型：发明
国别省市：