CN110929950B - 一种电动汽车负荷预测方法及*** - Google Patents
一种电动汽车负荷预测方法及*** Download PDFInfo
- Publication number
- CN110929950B CN110929950B CN201911212935.5A CN201911212935A CN110929950B CN 110929950 B CN110929950 B CN 110929950B CN 201911212935 A CN201911212935 A CN 201911212935A CN 110929950 B CN110929950 B CN 110929950B
- Authority
- CN
- China
- Prior art keywords
- individuals
- state
- electric automobile
- charging
- electric
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电动汽车负荷预测方法及***。该方法包括:对目标区域的电动汽车保有量进行预测;对目标区域的电动汽车的随机路径进行预测;基于保有量和随机路径,对一天内电动汽车的负荷分布情况进行预测;基于车辆与电网的电能交互关系对负荷分布情况进行优化,得到优化后的电动汽车负荷分布。本发明能够实现针对某个地区的电动汽车负荷的预测。
Description
技术领域
本发明涉及负荷预测领域,特别是涉及一种电动汽车负荷预测方法及***。
背景技术
在全球资源紧张、全球变暖的情况下,推动电动汽车的发展能够缓解全球的资源和气候的压力,使得电动汽车备受人们的关注。但随着电动汽车保有量的提升,电动汽车规模化地接入电网,对电网的产生的影响也是不可忽视的。一个地区电动汽车的保有量对这个地区的电动汽车的充电负荷有较大的影响,而每年电动汽车保有量的增长的影响因素也有很多的影响因子。对电动汽车的充电负荷影响因素在主要是在空间和时间上。在电动汽车充电的空间因素的影响下,电动汽车每天的行使路线的不同,随机性很大。在考虑不周全的情况下,电动汽车的日负荷预测有很大的难度,也有很大的不准确性,电动汽车的行驶路线、天气、时间和个人的意愿都有一定的影响。电动汽车充电的时间因素对电动汽车的充电负荷也有很大的影响。空间的影响大多都体现在电动汽车的空间路径上。而在同一时间段电动汽车大规模地接入电网,对电网的峰值影响很大,使得电网的稳定性受到一定的影响。因此,对电动汽车的负荷预测就成为现阶段的关键的技术的难题。
目前针对电动汽车的负荷预测问题通常有以下两种预测的方法:(1)直接使用历史的数据通过神经网络进行负荷预测;(2)使用国外统计的日行使里程的数据进行预测。前者和后者的预测方法都过于不具有代表性,不能准确说明某个地区的电动汽车的负荷预测情况,从而无法基于电动汽车对电网的影响进行针对性的调节。
发明内容
本发明的目的是提供一种电动汽车负荷预测方法及***,实现针对某个地区的电动汽车负荷的预测。
为实现上述目的,本发明提供了如下方案:
一种电动汽车负荷预测方法,包括:
对目标区域的电动汽车保有量进行预测;
对目标区域的电动汽车的随机路径进行预测;
基于所述保有量和所述随机路径,对一天内电动汽车的负荷分布情况进行预测;
基于车辆与电网的电能交互关系对所述负荷分布情况进行优化,得到优化后的电动汽车负荷分布。
可选的,所述对目标区域的电动汽车保有量进行预测,具体包括:
建立保有量影响因素与保有量之间关系的神经网络模型;
获取各所述保有量影响因素的值;
将各所述保有量影响因素的值输入所述神经网络模型得到目标区域的电动汽车保有量。
可选的,所述对目标区域的电动汽车的随机路径进行预测,具体包括:
将目的地作为影响随机路径的第一因素建立主链;
将天气作为影响随机路径的第二因素建立主辅链;
将日期作为影响随机路径的第三因素建立次辅链;所述主链当前时刻的状态受所述主链上一时刻的状态以及所述主辅链上一时刻的状态的影响,所述主辅链当前时刻的状态受所述主辅链上一时刻的状态以及所述次辅链上一时刻的状态的影响;所述次辅链当前时刻的状态受所述次辅链上一时刻的状态的影响;
计算所述主辅链为任一状态时所述主链受所述主辅链影响下各个状态之间的转移概率,得到第一转移概率矩阵;
计算所述次辅链为任意状态时所述主辅链受所述次辅链影响下各个状态之间的转移概率,得到第二转移概率矩阵;
利用所述第一转移概率矩阵和所述第二转移概率矩阵对电动汽车的随机路径进行模拟,得到目标区域电动汽车的随机路径。
可选的,所述基于所述保有量和所述随机路径,对一天内电动汽车的负荷分布情况进行预测,具体包括:
当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地为家时,确定该电动汽车的充电方式为慢充;
当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地不为家时,确定该电动汽车的充电方式为快充;
当电动汽车的荷电状态高于所述第一荷电阈值且低于第二核电阈值时,确定该电动汽车的充电方式为慢充;
当电动汽车的荷电状态高于所述第二荷电阈值时,确定该电动汽车不充电;
根据各个电动汽车的充电方式确定任意时刻处于充电状态的所有电动汽车的充电功率,得到一天内的负荷曲线。
可选的,所述基于车辆与电网的电能交互关系对所述负荷分布情况进行优化,得到优化后的电动汽车负荷分布,具体包括:
根据车辆与电网的电能交互关系,确定以收益最大且负荷峰谷差最小为目标函数,以放电功率的限制条件和电池剩余电荷大于最小剩余电荷量为约束条件对负荷分布情况进行优化,将优化后的解初始化为种群个体;
初始化迭代次数;
求取各个种群个体的目标函数,得到各个解的适应度值;
根据所述适应度值进行个体选择,并将选择出的个体进行交叉和变异,得到子代个体;
计算所述子代个体以及选择出的个体的拥挤距离,并对各所述拥挤距离进行非劣分层,得到非劣个体;
对所述非劣个体进行pareto排序,得到排序后的个体;
将所述排序后的个体按照先后顺序分为四个部分,并求中间两个部分的个体的反向解,得到中间两部分的新个体;
计算中间两部分的新个体的拥挤距离,并对中间两部分的新个体的拥挤距离进行非劣分层,得到二次分层后的非劣个体;
对第一部分的个体和所述二次分层后的非劣个体进行pareto排序,得到二次排序后的个体;
筛选所述二次排序后的个体中的前N个个体,并判断当前迭代次数是否大于或等于最大迭代次数,得到判断结果;
若所述判断结果表示否,则令迭代次数加1,并将种群个体更新为筛选的前N个个体,并返回步骤“求取各个种群个体的目标函数,得到各个解的适应度值”;
若所述判断结果表示是,则将筛选的前N个个体作为最优解。
一种电动汽车负荷预测***,包括:
保有量预测模块,用于对目标区域的电动汽车保有量进行预测;
路径预测模块,用于对目标区域的电动汽车的随机路径进行预测;
负荷分布预测模块,用于基于所述保有量和所述随机路径,对一天内电动汽车的负荷分布情况进行预测;
优化模块,用于基于车辆与电网的电能交互关系对所述负荷分布情况进行优化,得到优化后的电动汽车负荷分布。
可选的,所述保有量预测模块包括:
神经网络模型建立单元,用于建立保有量影响因素与保有量之间关系的神经网络模型;
输入量获取单元,用于获取各所述保有量影响因素的值;
神经网络预测单元,用于将各所述保有量影响因素的值输入所述神经网络模型得到目标区域的电动汽车保有量。
可选的,所述路径预测模块包括:
主链建立单元,用于将目的地作为影响随机路径的第一因素建立主链;
主辅链建立单元,用于将天气作为影响随机路径的第二因素建立主辅链;
次辅链建立单元,用于将日期作为影响随机路径的第三因素建立次辅链;所述主链当前时刻的状态受所述主链上一时刻的状态以及所述主辅链上一时刻的状态的影响,所述主辅链当前时刻的状态受所述主辅链上一时刻的状态以及所述次辅链上一时刻的状态的影响;所述次辅链当前时刻的状态受所述次辅链上一时刻的状态的影响;
第一转移概率矩阵计算单元,用于计算所述主辅链为任一状态时所述主链受所述主辅链影响下各个状态之间的转移概率,得到第一转移概率矩阵;
第二转移概率矩阵计算单元,用于计算所述次辅链为任意状态时所述主辅链受所述次辅链影响下各个状态之间的转移概率,得到第二转移概率矩阵;
随机路径模拟单元,用于利用所述第一转移概率矩阵和所述第二转移概率矩阵对电动汽车的随机路径进行模拟,得到目标区域电动汽车的随机路径。
可选的,所述负荷分布预测模块包括:
第一充电方式确定单元,用于当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地为家时,确定该电动汽车的充电方式为慢充;
第二充电方式确定单元,用于当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地不为家时,确定该电动汽车的充电方式为快充;
第三充电方式确定单元,用于当电动汽车的荷电状态高于所述第一荷电阈值且低于第二核电阈值时,确定该电动汽车的充电方式为慢充;
第四充电方式确定单元,用于当电动汽车的荷电状态高于所述第二荷电阈值时,确定该电动汽车不充电;
负荷曲线构建单元,用于根据各个电动汽车的充电方式确定任意时刻处于充电状态的所有电动汽车的充电功率,得到一天内的负荷曲线。
可选的,所述优化模块包括:
优化解计算单元,用于根据车辆与电网的电能交互关系,确定以收益最大且负荷峰谷差最小为目标函数,以放电功率的限制条件和电池剩余电荷大于最小剩余电荷量为约束条件对负荷分布情况进行优化,将优化后的解初始化为种群个体;
迭代初始化单元,用于初始化迭代次数;
适应度值计算单元,用于求取各个种群个体的目标函数,得到各个解的适应度值;
遗传单元,用于根据所述适应度值进行个体选择,并将选择出的个体进行交叉和变异,得到子代个体;
第一非劣分层单元,用于计算所述子代个体以及选择出的个体的拥挤距离,并对各所述拥挤距离进行非劣分层,得到非劣个体;
第一排序单元,用于对所述非劣个体进行pareto排序,得到排序后的个体;
反向解计算单元,用于将所述排序后的个体按照先后顺序分为四个部分,并求中间两个部分的个体的反向解,得到中间两部分的新个体;
第二非劣分层单元,用于计算中间两部分的新个体的拥挤距离,并对中间两部分的新个体的拥挤距离进行非劣分层,得到二次分层后的非劣个体;
第二排序单元,用于对第一部分的个体和所述二次分层后的非劣个体进行pareto排序,得到二次排序后的个体;
筛选与判断单元,用于筛选所述二次排序后的个体中的前N个个体,并判断当前迭代次数是否大于或等于最大迭代次数,得到判断结果;
更新返回单元,用于若所述判断结果表示否,则令迭代次数加1,并将种群个体更新为筛选的前N个个体,并返回所述适应度值计算单元;
最优解确定单元,用于若所述判断结果表示是,则将筛选的前N个个体作为最优解。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明的电动汽车负荷预测方法及***,通过对目标区域的电动汽车保有量和电动汽车路径进行预测,进而实现对目标区域电动汽车负荷的预测。因此,本发明能够实现针对某个地区的电动汽车负荷的预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1的电动汽车负荷预测方法的方法流程图;
图2为多链的马尔科夫模型的状态转移图;
图3为本发明实施例3的电动汽车负荷预测***的***结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
图1为本发明实施例1的电动汽车负荷预测方法的方法流程图。
参见图1,该电动汽车负荷预测方法,包括:
步骤101:对目标区域的电动汽车保有量进行预测。
该步骤101具体包括:
建立保有量影响因素与保有量之间关系的神经网络模型;
获取各所述保有量影响因素的值;
将各所述保有量影响因素的值输入所述神经网络模型得到目标区域的电动汽车保有量。
步骤102:对目标区域的电动汽车的随机路径进行预测。
该步骤102具体包括:
将目的地作为影响随机路径的第一因素建立主链;
将天气作为影响随机路径的第二因素建立主辅链;
将日期作为影响随机路径的第三因素建立次辅链;所述主链当前时刻的状态受所述主链上一时刻的状态以及所述主辅链上一时刻的状态的影响,所述主辅链当前时刻的状态受所述主辅链上一时刻的状态以及所述次辅链上一时刻的状态的影响;所述次辅链当前时刻的状态受所述次辅链上一时刻的状态的影响;
计算所述主辅链为任一状态时所述主链受所述主辅链影响下各个状态之间的转移概率,得到第一转移概率矩阵;
计算所述次辅链为任意状态时所述主辅链受所述次辅链影响下各个状态之间的转移概率,得到第二转移概率矩阵;
利用所述第一转移概率矩阵和所述第二转移概率矩阵对电动汽车的随机路径进行模拟,得到目标区域电动汽车的随机路径。
步骤103:基于所述保有量和所述随机路径,对一天内电动汽车的负荷分布情况进行预测。
该步骤103具体包括:
当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地为家时,确定该电动汽车的充电方式为慢充;
当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地不为家时,确定该电动汽车的充电方式为快充;
当电动汽车的荷电状态高于所述第一荷电阈值且低于第二核电阈值时,确定该电动汽车的充电方式为慢充;
当电动汽车的荷电状态高于所述第二荷电阈值时,确定该电动汽车不充电;
根据各个电动汽车的充电方式确定任意时刻处于充电状态的所有电动汽车的充电功率,得到一天内的负荷曲线。
步骤104:基于车辆与电网的电能交互关系对所述负荷分布情况进行优化,得到优化后的电动汽车负荷分布。
该步骤104具体包括:
根据车辆与电网的电能交互关系,确定以收益最大且负荷峰谷差最小为目标函数,以放电功率的限制条件和电池剩余电荷大于最小剩余电荷量为约束条件对负荷分布情况进行优化,将优化后的解初始化为种群个体;
初始化迭代次数;
求取各个种群个体的目标函数,得到各个解的适应度值;
根据所述适应度值进行个体选择,并将选择出的个体进行交叉和变异,得到子代个体;
计算所述子代个体以及选择出的个体的拥挤距离,并对各所述拥挤距离进行非劣分层,得到非劣个体;
对所述非劣个体进行pareto排序,得到排序后的个体;
将所述排序后的个体按照先后顺序分为四个部分,并求中间两个部分的个体的反向解,得到中间两部分的新个体;
计算中间两部分的新个体的拥挤距离,并对中间两部分的新个体的拥挤距离进行非劣分层,得到二次分层后的非劣个体;
对第一部分的个体和所述二次分层后的非劣个体进行pareto排序,得到二次排序后的个体;
筛选所述二次排序后的个体中的前N个个体,并判断当前迭代次数是否大于或等于最大迭代次数,得到判断结果;
若所述判断结果表示否,则令迭代次数加1,并将种群个体更新为筛选的前N个个体,并返回步骤“求取各个种群个体的目标函数,得到各个解的适应度值”;
若所述判断结果表示是,则将筛选的前N个个体作为最优解。
实施例2:
该实施例2为实施例1的一种更加具体的实施例。
该实施例2的基本原理如下:基于BP神经网络预测电动汽车的保有量,建立多链电动汽车路径的马尔科夫模型,使用蒙特卡洛预测一天的负荷的分布。在对预测的负荷的峰值使用V2G(Vehicle-to-grid,车辆到电网)进行优化。
该实施例2的步骤如下:
(1)对影响电动汽车保有量的因素进行分类,建立BP神经网络模型预测电动汽车保有量。
(2)建立电动汽车随机路径模型,把影响随机路径的因素分为主要因素和次要因素,通过建立多链的马尔科夫模型进行模拟建模。
一个地区电动汽车的随机路径的主要的影响因素为天气,而次要的影响因素为时间,并且其主要的影响因素和次要的影响因素之间存在一定的相互影响,通过建立一个随机路径的模型,对电动汽车在一个地区一天内的路径进行预测。
(3)通过对目标区域预测的保有量和目标地区的电动汽车的随机路径的模拟结果采用蒙特卡洛仿真预测一天内的电动汽车的负荷分布情况。
通过判断电动汽车的SOC(stateofcharge,荷电状态)的状态是否需要充电和选择充电的方式去计算在各时刻的充电的功率进而实现建模预测。
(4)由建立的一天内的电动汽车的负荷分布情况,可以看出在电动汽车负荷分布的峰谷差较大,通过V2G对峰谷差实现优化,实现削峰填谷的作用。
以用户获得最大收益同时实现削峰填谷为目标函数进行优化,在实现削峰填谷的同时能够提高电网的稳定性。
上述步骤(1)的具体方案:
电动汽车保有量的影响因素很多,其中最为主要的是人口的数量和经济的水平以及政府的支持力度,这几种主要的影响因素与电动汽车的保有量存在十分密切的关系。在综合考虑的电动汽车的保有量的诸多的影响因素下,选取人口、充电桩的分布、人均的国内生产总值、城市的财政收入、公路客运量作为重要的影响指标,选取上述5个因子作为电动汽车保有量预测模型的输入指标。
基于BP神经网络的电动汽车的保有量的预测模型建立过程为:
输入层的样本数据为
X=(x1,x2,…,xI) (1)
其中x1表示电动汽车保有量的第1个相关影响指标;x2表示电动汽车保有量的第2个相关影响指标;xi表示电动汽车保有量的第i个相关影响指标;xI表示电动汽车保有量的第I个相关影响指标。
预测模型中输入层对应的输出层
Y=y (2)
隐含层各个单元的输入为
其中ωij表示为输入层至隐含层连接权重,θj表示为隐含层单元的阈值,J表示为隐含层的个数,j为隐含层各单元的编号。
转移函数采用sigmoid函数
则隐含层单元输出为
输出层单元的输入为
Lχ为输出层单元的输入。χ为输出层的单元。
输出层单元的输出为
其中c为输出层单元的输出,vjχ表示为隐含层到输出层的链接权重,γχ为输出层单元的阈值。
上述步骤(2)的具体方案:
定义1:电动汽车随机路径的马尔科夫过程是指在电动汽车路径选择的t时刻的状态仅由t-1时刻的状态所决定。该特性称为电动汽车随机路径的马尔科夫性,可以表示为
Pr{Xt+1=it+1|X1=i1,X2=i2,...,Xt=it}=Pr{Xt+1=it+1|Xt=it} (8)
上式中:Pr为条件概率,Xt、Xt+1分别表示t时刻和t+1时刻电动汽车的状态变量,it、it+1分别为Xt、Xt+1所对应的具体状态。
而本实施例2是将基于定义1的单链的马尔科夫转化为多链的马尔科夫从而对随机路径进行模拟,并建立随即路径的模型,具体过程如下:
如图2所示多链马尔科夫中的X1,X2,...Xt表示马尔科夫主链在1-t时的状态,Y1,Y2,...,Yt表示马尔科夫的主辅链在1-t时的状态,Z1,Z2,...,Zt表示马尔科夫的次辅链在1-t时的状态。马尔科夫的主链在t时刻的状态不仅受到主链在t-1时刻状态的影响,还受到主辅链t-1时刻状态的影响。同理,当马尔科夫的主辅链在t时刻的状态不仅受到主辅链在t-1时刻状态的影响,还受到次辅链t-1时刻状态的影响,而次辅链t时刻只受到次辅链在t-1时刻状态的影响。本实施例2以电动汽车路径的选择为主链,天气为主辅链,日期为次辅链构建多链的马尔科夫模型。
S1={家,公司,商场,其它};
S2={晴天,阴天,下雨天,下雪天,其它};
S3={星期一,星期二,星期三,星期四,星期五,星期六,星期日};
S1,S2,S3分别表示马尔科夫主链N个状态集合,马尔科夫主辅链的M个状态集合,马尔科夫次辅链的K个状态集合。
初始状态概率矩阵π1,π2,π3分别表示主链、主辅链、次辅链的初始时刻t=1的概率矩阵。
状态转移概率矩阵集合包括A和B。A包含A1,A2,...AM等M个状态转移概率矩阵,其中A中的元素Am表示马尔科夫主辅链状态为m时,马尔科夫主链N个状态之间的转移概率。集合B包含B1,B2,...BK等K个状态转移概率矩阵,其中Bk表示马尔科夫次辅链状态为k时,马尔科夫主辅链M个状态之间的转移概率。
对秦皇岛3个月内的电动汽车(私家车)的路径的选择、天气和时间的历史数据的采集和处理后,得到的3组数据,分别将路径的选择、天气和时间历史数据划分为N、M、K个,将路径的选择、天气和时间序列映射为状态的集合S1,S2,S3。
在数据充足的情况下,以频率代替概率,计算各个状态转移概率P,可以表示为:
式中Am中的元素pdf表示路径的选择从状态d转置状态f的概率,Bk中的元素pgh表示路径的选择从状态g转置状态h的概率,0≤pdf≤1,0≤pgh≤1,
将X、Y、Z分别作为路径的选择、天气和时间的序列得到多链的马尔科夫的主链Xt和主辅链Yt还有次辅链Zt,将其进行数据统计得到状态转移矩阵Am,Bk,分别表示天气对路径选择的m步的状态转移矩阵和时间对天气的k步状态转移矩阵。
主链受到影响的总状态转移矩阵的计算过程为:
1、计算次辅链自身的状态转移矩阵,记为矩阵L1。
2、计算次辅链对主辅链影响的状态转移矩阵,记为矩阵L2。
3、计算主辅链自身的状态转移矩阵,记为矩阵L3。
4、将L1、L2和L3联合运算得到主辅链总体转移矩阵L4。
5、计算主链自身转移矩阵(记为矩阵L5)以及主辅链对主链影响的状态转移矩阵(记为矩阵L6)。
6、L4、L5和L6相乘得到主链受到影响的总状态转移矩阵。
上述步骤(3)的具体方案:
随机抽取电动汽车的起始的电池的容量和出行的时刻,对电动汽车的路径进行模拟。
通过判断电池容量的状态对电动汽车进行选择性的充电:
SOCt<SOC*30% (11)
SOC*30%<SOCt<SOC*80% (12)
SOC*80%<SOCt (13)
SOCt为时刻t时的电动汽车荷电状态;SOC为电动汽车的满荷电量的状态。
当电动汽车的荷电状态满足式(11)且路径的终点为家时,充电方式选择为慢充;当电动汽车的荷电状态满足式(11)且路径的终点为不是家时,充电的方式选择为快充。当电动汽车的荷电状态满足式(12)时,充电的方式选择为慢充。当电动汽车的荷电状态满足式(13)时,充电的方式选择为不充电。
最后,计算充电的时间,然后可以计算出在t刻的充电的功率,得到的一天内的负荷曲线。
上述步骤(4)的具体方案:
电动汽车有很强的灵活性可以通过电网充电,也可以在用电的高峰时向电网放电,实现用户的有序的充放电进而起到削峰填谷的作用,使得用户和电网实现双赢。本实施例2假定有45%的电动汽车用户与电网签订协议,参与用户侧放电的调度。用户参与放电会满足用户在实现最大的收益的同时使得电动汽车的负荷曲线的峰谷差最小,同时考虑都到放电的功率的限制和电池剩余荷电不低于20%的情况。
目标函数和约束条件为
上式中:Pimax为日负荷的最大值;Pimin为日负荷的最小值;Pddt放电的功率;Pcct为充电的功率;pricedt为放电时刻的电价;pricect为充电时刻的电价;η电池充放电的效率;EVloss为电动汽车电池的损耗;EVsoc电动汽车电池的剩余电量;EVMAXSOC电动汽车的总的电池容量;Pddtmax为最大的放电功率;Pddt为放电的功率。
采用NSGA2(非支配排序遗传算法II,Non-dominated Sorting GeneticAlgorithm II)对公式(14)的计算结果进行优化。采用二进制对染色体进行编码,电网与电动汽车连接只有两种状态(充电和放电),本文采用逐线编码的方法。当基因值为1时表示电动汽车处于充电的状态;相反当基因值为0时表示电动汽车处于放电的状态。染色体的长度相当于一天内接入电网的时间长度。
具体的优化过程如下:
初始化迭代次数;
求取各个种群个体的目标函数,得到各个解的适应度值;
根据所述适应度值进行个体选择,并将选择出的个体进行交叉和变异,得到子代个体;
计算所述子代个体以及选择出的个体的拥挤距离,并对各所述拥挤距离进行非劣分层,得到非劣个体;
对所述非劣个体进行pareto排序,得到排序后的个体;
将所述排序后的个体按照先后顺序分为四个部分,并求中间两个部分的个体的反向解,得到中间两部分的新个体;
反向解的计算公式为:
其中Xi,d为待求反向解的个体,为反向解。/>为排序后的最优个体,即拥挤距离最大的个体,/>为排序后的最劣个体,即拥挤距离最小的个体。
μ∈[0,1],由于搜索的边界是动态移动,当反向解超过搜索的边界时,令rand()为随机取值函数。/>
计算中间两部分的新个体的拥挤距离,并对中间两部分的新个体的拥挤距离进行非劣分层,得到二次分层后的非劣个体;
对第一部分的个体和所述二次分层后的非劣个体进行pareto排序,得到二次排序后的个体;
筛选所述二次排序后的个体中的前N个个体,并判断当前迭代次数是否大于或等于最大迭代次数,得到判断结果;
若所述判断结果表示否,则令迭代次数加1,并将种群个体更新为筛选的前N个个体,并返回步骤“求取各个种群个体的目标函数,得到各个解的适应度值”;
若所述判断结果表示是,则将筛选的前N个个体作为最优解。
实施例3:
图3为本发明实施例3的电动汽车负荷预测***的***结构图。
参见图3,该电动汽车负荷预测***,包括:
保有量预测模块301,用于对目标区域的电动汽车保有量进行预测;
路径预测模块302,用于对目标区域的电动汽车的随机路径进行预测;
负荷分布预测模块303,用于基于所述保有量和所述随机路径,对一天内电动汽车的负荷分布情况进行预测;
优化模块304,用于基于车辆与电网的电能交互关系对所述负荷分布情况进行优化,得到优化后的电动汽车负荷分布。
可选的,所述保有量预测模块301包括:
神经网络模型建立单元,用于建立保有量影响因素与保有量之间关系的神经网络模型;
输入量获取单元,用于获取各所述保有量影响因素的值;
神经网络预测单元,用于将各所述保有量影响因素的值输入所述神经网络模型得到目标区域的电动汽车保有量。
可选的,所述路径预测模块302包括:
主链建立单元,用于将目的地作为影响随机路径的第一因素建立主链;
主辅链建立单元,用于将天气作为影响随机路径的第二因素建立主辅链;
次辅链建立单元,用于将日期作为影响随机路径的第三因素建立次辅链;所述主链当前时刻的状态受所述主链上一时刻的状态以及所述主辅链上一时刻的状态的影响,所述主辅链当前时刻的状态受所述主辅链上一时刻的状态以及所述次辅链上一时刻的状态的影响;所述次辅链当前时刻的状态受所述次辅链上一时刻的状态的影响;
第一转移概率矩阵计算单元,用于计算所述主辅链为任一状态时所述主链受所述主辅链影响下各个状态之间的转移概率,得到第一转移概率矩阵;
第二转移概率矩阵计算单元,用于计算所述次辅链为任意状态时所述主辅链受所述次辅链影响下各个状态之间的转移概率,得到第二转移概率矩阵;
随机路径模拟单元,用于利用所述第一转移概率矩阵和所述第二转移概率矩阵对电动汽车的随机路径进行模拟,得到目标区域电动汽车的随机路径。
可选的,所述负荷分布预测模块303包括:
第一充电方式确定单元,用于当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地为家时,确定该电动汽车的充电方式为慢充;
第二充电方式确定单元,用于当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地不为家时,确定该电动汽车的充电方式为快充;
第三充电方式确定单元,用于当电动汽车的荷电状态高于所述第一荷电阈值且低于第二核电阈值时,确定该电动汽车的充电方式为慢充;
第四充电方式确定单元,用于当电动汽车的荷电状态高于所述第二荷电阈值时,确定该电动汽车不充电;
负荷曲线构建单元,用于根据各个电动汽车的充电方式确定任意时刻处于充电状态的所有电动汽车的充电功率,得到一天内的负荷曲线。
可选的,所述优化模块304包括:
优化解计算单元,用于根据车辆与电网的电能交互关系,确定以收益最大且负荷峰谷差最小为目标函数,以放电功率的限制条件和电池剩余电荷大于最小剩余电荷量为约束条件对负荷分布情况进行优化,将优化后的解初始化为种群个体;
迭代初始化单元,用于初始化迭代次数;
适应度值计算单元,用于求取各个种群个体的目标函数,得到各个解的适应度值;
遗传单元,用于根据所述适应度值进行个体选择,并将选择出的个体进行交叉和变异,得到子代个体;
第一非劣分层单元,用于计算所述子代个体以及选择出的个体的拥挤距离,并对各所述拥挤距离进行非劣分层,得到非劣个体;
第一排序单元,用于对所述非劣个体进行pareto排序,得到排序后的个体;
反向解计算单元,用于将所述排序后的个体按照先后顺序分为四个部分,并求中间两个部分的个体的反向解,得到中间两部分的新个体;
第二非劣分层单元,用于计算中间两部分的新个体的拥挤距离,并对中间两部分的新个体的拥挤距离进行非劣分层,得到二次分层后的非劣个体;
第二排序单元,用于对第一部分的个体和所述二次分层后的非劣个体进行pareto排序,得到二次排序后的个体;
筛选与判断单元,用于筛选所述二次排序后的个体中的前N个个体,并判断当前迭代次数是否大于或等于最大迭代次数,得到判断结果;
更新返回单元,用于若所述判断结果表示否,则令迭代次数加1,并将种群个体更新为筛选的前N个个体,并返回所述适应度值计算单元;
最优解确定单元,用于若所述判断结果表示是,则将筛选的前N个个体作为最优解。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明的电动汽车负荷预测方法及***,通过对目标区域的电动汽车保有量和电动汽车路径进行预测,进而实现对目标区域电动汽车负荷的预测。因此,本发明能够实现针对某个地区的电动汽车负荷的预测。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种电动汽车负荷预测方法,其特征在于,包括:
对目标区域的电动汽车保有量进行预测;
对目标区域的电动汽车的随机路径进行预测;
基于所述保有量和所述随机路径,对一天内电动汽车的负荷分布情况进行预测;
基于车辆与电网的电能交互关系对所述负荷分布情况进行优化,得到优化后的电动汽车负荷分布;
其中,对目标区域的电动汽车的随机路径进行预测,具体包括:
将目的地作为影响随机路径的第一因素建立主链;
将天气作为影响随机路径的第二因素建立主辅链;
将日期作为影响随机路径的第三因素建立次辅链;所述主链当前时刻的状态受所述主链上一时刻的状态以及所述主辅链上一时刻的状态的影响,所述主辅链当前时刻的状态受所述主辅链上一时刻的状态以及所述次辅链上一时刻的状态的影响;所述次辅链当前时刻的状态受所述次辅链上一时刻的状态的影响;
计算所述主辅链为任一状态时所述主链受所述主辅链影响下各个状态之间的转移概率,得到第一转移概率矩阵;
计算所述次辅链为任意状态时所述主辅链受所述次辅链影响下各个状态之间的转移概率,得到第二转移概率矩阵;
利用所述第一转移概率矩阵和所述第二转移概率矩阵对电动汽车的随机路径进行模拟,得到目标区域电动汽车的随机路径。
2.根据权利要求1所述的电动汽车负荷预测方法,其特征在于,所述对目标区域的电动汽车保有量进行预测,具体包括:
建立保有量影响因素与保有量之间关系的神经网络模型;
获取各所述保有量影响因素的值;
将各所述保有量影响因素的值输入所述神经网络模型得到目标区域的电动汽车保有量。
3.根据权利要求1所述的电动汽车负荷预测方法,其特征在于,所述基于所述保有量和所述随机路径,对一天内电动汽车的负荷分布情况进行预测,具体包括:
当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地为家时,确定该电动汽车的充电方式为慢充;
当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地不为家时,确定该电动汽车的充电方式为快充;
当电动汽车的荷电状态高于所述第一荷电阈值且低于第二荷电阈值时,确定该电动汽车的充电方式为慢充;
当电动汽车的荷电状态高于所述第二荷电阈值时,确定该电动汽车不充电;
根据各个电动汽车的充电方式确定任意时刻处于充电状态的所有电动汽车的充电功率,得到一天内的负荷曲线。
4.根据权利要求1所述的电动汽车负荷预测方法,其特征在于,所述基于车辆与电网的电能交互关系对所述负荷分布情况进行优化,得到优化后的电动汽车负荷分布,具体包括:
根据车辆与电网的电能交互关系,确定以收益最大且负荷峰谷差最小为目标函数,以放电功率的限制条件和电池剩余电荷大于最小剩余电荷量为约束条件对负荷分布情况进行优化,将优化后的解初始化为种群个体;
初始化迭代次数;
求取各个种群个体的目标函数,得到各个解的适应度值;
根据所述适应度值进行个体选择,并将选择出的个体进行交叉和变异,得到子代个体;
计算所述子代个体以及选择出的个体的拥挤距离,并对各所述拥挤距离进行非劣分层,得到非劣个体;
对所述非劣个体进行pareto排序,得到排序后的个体;
将所述排序后的个体按照先后顺序分为四个部分,并求中间两个部分的个体的反向解,得到中间两部分的新个体;
计算中间两部分的新个体的拥挤距离,并对中间两部分的新个体的拥挤距离进行非劣分层,得到二次分层后的非劣个体;
对第一部分的个体和所述二次分层后的非劣个体进行pareto排序,得到二次排序后的个体;
筛选所述二次排序后的个体中的前N个个体,并判断当前迭代次数是否大于或等于最大迭代次数,得到判断结果;
若所述判断结果表示否,则令迭代次数加1,并将种群个体更新为筛选的前N个个体,并返回步骤“求取各个种群个体的目标函数,得到各个解的适应度值”;
若所述判断结果表示是,则将筛选的前N个个体作为最优解。
5.一种电动汽车负荷预测***,其特征在于,包括:
保有量预测模块,用于对目标区域的电动汽车保有量进行预测;
路径预测模块,用于对目标区域的电动汽车的随机路径进行预测;
负荷分布预测模块,用于基于所述保有量和所述随机路径,对一天内电动汽车的负荷分布情况进行预测;
优化模块,用于基于车辆与电网的电能交互关系对所述负荷分布情况进行优化,得到优化后的电动汽车负荷分布;
其中,所述路径预测模块包括:
主链建立单元,用于将目的地作为影响随机路径的第一因素建立主链;
主辅链建立单元,用于将天气作为影响随机路径的第二因素建立主辅链;
次辅链建立单元,用于将日期作为影响随机路径的第三因素建立次辅链;所述主链当前时刻的状态受所述主链上一时刻的状态以及所述主辅链上一时刻的状态的影响,所述主辅链当前时刻的状态受所述主辅链上一时刻的状态以及所述次辅链上一时刻的状态的影响;所述次辅链当前时刻的状态受所述次辅链上一时刻的状态的影响;
第一转移概率矩阵计算单元,用于计算所述主辅链为任一状态时所述主链受所述主辅链影响下各个状态之间的转移概率,得到第一转移概率矩阵;
第二转移概率矩阵计算单元,用于计算所述次辅链为任意状态时所述主辅链受所述次辅链影响下各个状态之间的转移概率,得到第二转移概率矩阵;
随机路径模拟单元,用于利用所述第一转移概率矩阵和所述第二转移概率矩阵对电动汽车的随机路径进行模拟,得到目标区域电动汽车的随机路径。
6.根据权利要求5所述的电动汽车负荷预测***,其特征在于,所述保有量预测模块包括:
神经网络模型建立单元,用于建立保有量影响因素与保有量之间关系的神经网络模型;
输入量获取单元,用于获取各所述保有量影响因素的值;
神经网络预测单元,用于将各所述保有量影响因素的值输入所述神经网络模型得到目标区域的电动汽车保有量。
7.根据权利要求5所述的电动汽车负荷预测***,其特征在于,所述负荷分布预测模块包括:
第一充电方式确定单元,用于当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地为家时,确定该电动汽车的充电方式为慢充;
第二充电方式确定单元,用于当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地不为家时,确定该电动汽车的充电方式为快充;
第三充电方式确定单元,用于当电动汽车的荷电状态高于所述第一荷电阈值且低于第二荷电阈值时,确定该电动汽车的充电方式为慢充;
第四充电方式确定单元,用于当电动汽车的荷电状态高于所述第二荷电阈值时,确定该电动汽车不充电;
负荷曲线构建单元,用于根据各个电动汽车的充电方式确定任意时刻处于充电状态的所有电动汽车的充电功率,得到一天内的负荷曲线。
8.根据权利要求5所述的电动汽车负荷预测***,其特征在于,所述优化模块包括:
优化解计算单元,用于根据车辆与电网的电能交互关系,确定以收益最大且负荷峰谷差最小为目标函数,以放电功率的限制条件和电池剩余电荷大于最小剩余电荷量为约束条件对负荷分布情况进行优化,将优化后的解初始化为种群个体;
迭代初始化单元,用于初始化迭代次数;
适应度值计算单元,用于求取各个种群个体的目标函数,得到各个解的适应度值;
遗传单元,用于根据所述适应度值进行个体选择,并将选择出的个体进行交叉和变异,得到子代个体;
第一非劣分层单元,用于计算所述子代个体以及选择出的个体的拥挤距离,并对各所述拥挤距离进行非劣分层,得到非劣个体;
第一排序单元,用于对所述非劣个体进行pareto排序,得到排序后的个体;
反向解计算单元,用于将所述排序后的个体按照先后顺序分为四个部分,并求中间两个部分的个体的反向解,得到中间两部分的新个体;
第二非劣分层单元,用于计算中间两部分的新个体的拥挤距离,并对中间两部分的新个体的拥挤距离进行非劣分层,得到二次分层后的非劣个体;
第二排序单元,用于对第一部分的个体和所述二次分层后的非劣个体进行pareto排序,得到二次排序后的个体;
筛选与判断单元,用于筛选所述二次排序后的个体中的前N个个体,并判断当前迭代次数是否大于或等于最大迭代次数,得到判断结果;
更新返回单元,用于若所述判断结果表示否,则令迭代次数加1,并将种群个体更新为筛选的前N个个体,并返回所述适应度值计算单元;
最优解确定单元,用于若所述判断结果表示是,则将筛选的前N个个体作为最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212935.5A CN110929950B (zh) | 2019-12-02 | 2019-12-02 | 一种电动汽车负荷预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212935.5A CN110929950B (zh) | 2019-12-02 | 2019-12-02 | 一种电动汽车负荷预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929950A CN110929950A (zh) | 2020-03-27 |
CN110929950B true CN110929950B (zh) | 2023-09-26 |
Family
ID=69848136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911212935.5A Active CN110929950B (zh) | 2019-12-02 | 2019-12-02 | 一种电动汽车负荷预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929950B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111983480B (zh) * | 2020-08-19 | 2023-02-28 | 华晟(青岛)智能装备科技有限公司 | 一种基于马氏过程的agv电量状态预测方法及*** |
CN114611811B (zh) * | 2022-03-21 | 2022-10-25 | 特斯联科技集团有限公司 | 基于ev负荷参与度的低碳园区优化调度方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105591433A (zh) * | 2016-01-15 | 2016-05-18 | 国家电网公司 | 基于电动汽车充电功率动态分布的电动汽车充电负荷优化方法 |
CN108944531A (zh) * | 2018-07-24 | 2018-12-07 | 河海大学常州校区 | 一种电动汽车有序充电控制方法 |
CN110363332A (zh) * | 2019-06-21 | 2019-10-22 | 国网天津市电力公司电力科学研究院 | 一种基于个体行为特性的电动汽车充电负荷时空分布预测方法 |
CN115456180A (zh) * | 2022-08-17 | 2022-12-09 | 上海电机学院 | 一种基于三链马尔科夫模型的电动汽车数量预测方法 |
-
2019
- 2019-12-02 CN CN201911212935.5A patent/CN110929950B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105591433A (zh) * | 2016-01-15 | 2016-05-18 | 国家电网公司 | 基于电动汽车充电功率动态分布的电动汽车充电负荷优化方法 |
CN108944531A (zh) * | 2018-07-24 | 2018-12-07 | 河海大学常州校区 | 一种电动汽车有序充电控制方法 |
CN110363332A (zh) * | 2019-06-21 | 2019-10-22 | 国网天津市电力公司电力科学研究院 | 一种基于个体行为特性的电动汽车充电负荷时空分布预测方法 |
CN115456180A (zh) * | 2022-08-17 | 2022-12-09 | 上海电机学院 | 一种基于三链马尔科夫模型的电动汽车数量预测方法 |
Non-Patent Citations (2)
Title |
---|
Fenglei Li.Optimal Scheduling Strategy of Distribution Network Based on Electric Vehicle Forecasting.electronics.2019,全文. * |
康树祝.基于改进NSGA2 的临近空间通信网络优化设计.《计算机工程与应用》.2018,第203-210页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110929950A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178619B (zh) | 一种考虑分布式电源和充电站联合规划的多目标优化方法 | |
CN111311122B (zh) | 面向智慧城市的充电站建设方法 | |
CN103745110B (zh) | 纯电动公交车营运续驶里程估算方法 | |
CN110929950B (zh) | 一种电动汽车负荷预测方法及*** | |
CN113222463B (zh) | 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法 | |
CN108493969B (zh) | 电动汽车充电站智能规划方法 | |
CN107194605B (zh) | 能源消耗估计***及方法 | |
CN113780665B (zh) | 一种基于增强循环神经网络的私家车停留位置预测方法和*** | |
CN111626492B (zh) | 一种电动汽车充电网络模糊多目标机会约束规划方法 | |
CN105262167A (zh) | 区域内电动汽车有序充电控制方法 | |
Tadayon‐Roody et al. | Multi‐objective locating of electric vehicle charging stations considering travel comfort in urban transportation system | |
CN115239032A (zh) | 计及能源自洽率的高速公路服务区微电网规划方法及*** | |
CN114139794A (zh) | 基于停车大数据的区域公共停车场充电需求预测方法 | |
CN114444802A (zh) | 基于图神经网络强化学习的电动汽车充电引导优化方法 | |
CN113672857A (zh) | 一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法 | |
CN109740825A (zh) | 一种考虑交通拥堵因素下的电动汽车充放电方法 | |
Erdoğan et al. | Finding an energy efficient path for plug-in electric vehicles with speed optimization and travel time restrictions | |
CN109117972A (zh) | 一种电动汽车的充电需求确定方法 | |
Zhao et al. | Robust Optimization of Mixed-Load School Bus Route Based on Multi-Objective Genetic Algorithm. | |
CN110674988A (zh) | 一种基于电动汽车出行大数据的城区充电站规划方法 | |
Ma et al. | An agent-based training system for optimizing the layout of AFVs' initial filling stations | |
CN115239004A (zh) | 一种基于充电需求预测的充电停车场选址定容优化方法 | |
CN115713206A (zh) | 一种公交个体出行决策模型 | |
CN116702404A (zh) | 计及目标优先级的模糊双目标电动汽车充电站规划优化方法 | |
Pourvaziri et al. | Planning of electric vehicle charging stations: An integrated deep learning and queueing theory approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |