CN113393109A - 电动汽车充电负荷计算方法 - Google Patents
电动汽车充电负荷计算方法 Download PDFInfo
- Publication number
- CN113393109A CN113393109A CN202110633449.1A CN202110633449A CN113393109A CN 113393109 A CN113393109 A CN 113393109A CN 202110633449 A CN202110633449 A CN 202110633449A CN 113393109 A CN113393109 A CN 113393109A
- Authority
- CN
- China
- Prior art keywords
- user
- charging
- time
- charging station
- information
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims description 13
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000006399 behavior Effects 0.000 claims abstract description 16
- 230000005611 electricity Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims 1
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种电动汽车充电负荷计算方法,包括以下步骤:S1,将用户充电时段根据交通状态以及用电状态划分为不同的用户充电时段;S2,统计电动汽车用户日常充电行为的意愿;S3,根据调度中心信息统计用户的充电信息及充电站运营信息,并建立相应信息库;S4,用户发起充电需求,调度中心获得当前时间、用户位置、用户EV电池电量,并给用户推荐包括用户花费时间最短方案、充电站距离用户最近方案以及用户充电成本最低方案;S5,判断S4中推荐方案是否有解,如果无解则说明没有满足约束条件,进入S6,如果是则进入S9;S6,判断约束条件是否为电池电量约束条件不满足,如果是则进入S7,如果否,说明电网侧约束不满足进入S8。
Description
技术领域
本发明属于电动汽车充电技术领域,具体涉及一种电动汽车充电负荷计算方法。
背景技术
近年来各国更加注重生态问题,绿色可持续发展已经成为发展的主旋律。电动汽车(Electric Vehicle,EV)是典型的新能源汽车,EV环保节能,能有效缓解资源紧缺及环境污染问题。但是,大规模EV充电负荷的接入可能造成电网电压偏移、负荷过高等问题,准确的计算EV充电负荷是保证电网安全可靠运行的基础,且对进一步研究充电站选址定容有很好的参考价值。
现有的EV充电负荷计算,研究人员考虑到了交通拥堵、天气等影响因素,但是大多缺乏对用户行为的研究,没有考虑到用户的决策行为,研究用户在充电过程中的决策可以更加真实描述用户的充电行为,更加准确的计算充电负荷。此外,在研究中城市交通数据难以获得,特别是中小城市的交通数据更难获取。
发明内容
鉴于以上存在的技术问题,本发明用于提供一种电动汽车充电负荷计算方法,用于克服现有技术中忽略用户决策行为的影响,考虑用户决策偏好。
为解决上述技术问题,本发明采用如下的技术方案:
一种电动汽车充电负荷计算方法,包括以下步骤:
S1,将用户充电时段根据交通状态以及用电状态划分为不同的用户充电时段;
S2,统计电动汽车用户日常充电行为的意愿;
S3,根据调度中心信息统计用户的充电信息及充电站运营信息,并建立相应信息库;
S4,用户发起充电需求,调度中心获得当前时间、用户位置、用户EV电池电量,并给用户推荐包括用户花费时间最短方案、充电站距离用户最近方案以及用户充电成本最低方案;
S5,判断S4中推荐方案是否有解,如果无解则说明没有满足约束条件,进入S6,如果是则进入S9;
S6,判断约束条件是否为电池电量约束条件不满足,如果是则进入S7,如果否,说明电网侧约束不满足进入S8;
S7,用户电池电量过低,剩余电量不足以到达任意一个充电站,用户需要呼叫移动充电车救援充电;
S8,当前区域内电网压力过大,为保证电网安全运行,调度中心扩大推荐范围,或调动移动充电车为用户充电,判断当前距离约束条件是否为d≤2.5,如果是,返回S4将距离约束条件更新为2.5<d≤5,为用户重新推荐方案;如果否,调度中心调动移动充电车按照普通充电价格为用户充电,并反馈信息给电网,当前位置附近区域需要重新规划,电网需要升级换代;
S9,判断当前时间段是否为用电峰段,如果是则进入S10,如果否则进入S13;
S10,判断用户电量可续航里程是否大于用户日均出行距离,如果是则进入S11,否则进入S13;
S11,用户EV电量较为充足,计算用户可节省成本引导用户延迟充电;
S12,用户决策是否延迟充电计划,用户坚持充电计划则进入S13;
S13,用户根据S2中获得的当前时段的充电偏好,从三种选择充电方案中选择一种方案;
S14,用户进行两次决策决定自己是否在一个充电站充电;用户将当前可接受排队时间与预估排队时间做比较,进行第一次决策。如果用户可接受排队时间小于或等于预估排队时间,用户前往该充电站,否则用户放弃排队,在用户到达充电站后,用户根据当前排队人数进行第二次决策,如果队列长度在用户接受范围内,用户排队充电并进入S15,否则用户放弃排队。选择时间花费最短方案的用户中途退出,则用户放弃充电;其他用户中途退出则返回S4,重新为用户推荐充电方案;
S15,用户前往相应充电站进行充电;
S16,修正用户充电行为信息,充电站服务信息;
S17,统计各充电站每个时刻的充电负荷,、区域内每个时刻的充电负荷总量,用以研究分析EV充电负荷。
优选地,S1中,将用户充电时段定义为交通高峰、用电平段的第一用户时段;交通高峰、用电峰段的第二用户时段;交通正常、用电峰段的第三用户时段;交通正常、用电平段的第四用户时段。
优选地,将城市网络划分为一定大小的多个网格,对各网格单独分析,在地图应用获取各网格内一天24时刻含有路况信息的地图图片,然后将图像的RGB色彩空间转换到HSV色彩空间,通过对图片色调、饱和度、明度的筛选调整,保留路况信息,根据处理后的图片RGB值,使用K-means算法把各时刻图片分为交通高峰和交通正常两类,从而获得交通高峰时段以及交通正常时段。
优选地,S2中统计电动汽车用户日常充电行为的意愿包括用户接受电网调度的意愿、用户接受调度期望节省的金额ra、不同充电时段用户充电站选择偏好、可接受充电排队时间tw1的信息,对获得信息进行整理,获得用户对于调查的接受率β,使用核密度估计方法拟合ra、tw1的概率分布。
优选地,S3中根据调度中心信息统计用户的充电信息及充电站运行信息包括各时段用户出现充电需求时的电量soca、用户开始充电电量socs、用户结束充电时的电量soce、充电时间tc、用户结束充电后在充电站逗留时间tp、用户可接受充电排队时间tw1的信息,并核密度估计方法拟合拟合这些信息的概率分布,统计各充电站在各时段的单位时间内平均到达的用户数λ、单个充电桩的平均服务率μ以及各用户的日出行距离。
优选地,S4中,用户时间花费最短方案具体表示如式(1)所示:
Ci,1=min(td1,i+tq,i) (1)
其中,td1,t为用户到达充电站所需时间;tq,i为用户充电排队时间,用户到达充电站所需时间td1,t,基于多元信息融合道路模型使用Dijkstra算法规划用户路径获得,具体表示方法如下所示:
Di,j(t)=di,j+di,jCi,j(t)+di,j/ri,j (3)
其中Di,j(t)为t时刻节点i,j之间的等效距离;∑Di,j(t)为用户前往充电站经过的所有路段等效距离之和;v为EV行驶速度;di,j为区域节点i,j之间的距离;Ci,j(t)为t时刻节点i和j之间道路的拥堵系数,系数值越大表示路段越拥挤;ri,j为节点i,j之间的道路等级;Ti,j(t)表示电动汽车在t时刻节点i和j之间道路的平均行驶时间;T0为每条道路的自由行驶时间;
根据排队论用户的排队时间可由式(5)计算:
其中,k表示充电站的充电桩数目;ρ=λ/μ表示充电设施利用率,即单位时间***为用户服务的比例;λ表示单位时间内平均到达的用户数;μ表示单个充电桩的平均服务率;p0表示充电桩闲置概率。
优选地,S4中,用户前往充电站距离最近方案具体表示如式(7)所示:
其中,di表示前往第i个充电站的距离,dp表示基于Dijkstra算法得到的前往第i个充电站的每段道路距离。
优选地,S4中,用户充电成本最低方案具体表示如式子(8)所示:
Ci,3==min[a(td1,i+tq,i)+pc1(soce,i-socs,i)E] (8)
其中,a为用户单位时间成本;td1,t为用户到达充电站所需时间;tq,i为用户充电排队时间;pc1为峰时充电价格;soce,i为用户结束充电时的电量;socs,i为用户开始充电时的电量;E为电动汽车电池容量。
优选地,S5中,满足电网侧约束、电池电量约束具体为:
电网的网损率r1、电压偏移率r2都应在正常范围内,以此两指标构成电网侧约束条件,具体表示如式(9)、式(10):
其中,ploss为网络损失功率;ps为网络注入功率;u为节点的实际电压;un为***的额定电压;
当用户抵达充电站时电动汽车电量应大于0以保证用户可以到达充电站,以此构成电池电量约束,具体表示如式(11)所示:
其中socs为用户到达充电站的电量;socr为用户发起充电需求时的电量;Dp为用户前往充电站第p段道路的等效长度;So为电动汽车百公里耗电量;E为电动汽车电池容量。
采用本发明具有如下的有益效果:
(1)本发明考虑不同时间段用户的充电行为偏好的差异。根据交通高峰、普通时段以及用电峰谷时段将一天24小时划分为4种类型,使建立的模型更加贴合实际情况。
(2)本发明考虑基于图像RGB值对区域不同时刻地图图像进行聚类分析,获得交通拥堵与畅通时段。由于可以获取如交通拥堵系数等交通数据的地区十分有限,基于此方法可以研究难以获得交通数据的区域交通情况。
(3)由于一般城市区域较大,各局部地区、不同道路的交通情况在时间尺度上也有差异,本发明将区域网络进一步划分为小网格,以获得更加准确、符合真实情况的交通信息。
(4)本发明考虑了信息缺失的排队模型,并且考虑了用户在排队过程中的两次决策行为。用户在前往充电站这段时间由于信息的延迟性和不确定性无法获得准确排队情况。用户第一次根据信息决定是否前往充电站充电,第二次到达充电站后根据最新信息决定是否继续在该充电站排队充电。该排队模型可以更加真实的表示用户在排队过程中的决策行为。
(5)本发明在用户完成充电后,收集用户充电信息以及充电站的运营情况。将新数据加入到信息库中,增大数据样本重新拟合修正相关信息概率模型,使得模型在使用过程中会更加精确。
附图说明
图1为本发明实施例的本发明实施例的电动汽车充电负荷计算方法的步骤流程图;
图2为区域地图处理后的效果比较图;
图3为用户进行两次决策过程的流程示意图。
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。
本发明实施例假定用户同调度中心间交互信息,当用户有充电需求时对调度中心发出信息,调度中心为用户推荐充电方案,用户根据推荐方案做出决策并选择方案。本发明考虑不同时段下用户充电行为的差异性,在不同的情况下同一个用户可能有不同的决策偏好。EV的充电行为对电网、交通网都有影响,故综合考虑交通网、电网运行特点划分时段。考虑到交通拥堵系数通常难以获得,基于地图应用上的路况拥堵信息,即道路的颜色,根据区域不同时刻地图图像的RGB值采用K-means聚类方法划分交通拥堵与畅通时段。根据区域分时电价划分用电的峰平谷时段。本发明考虑排队模型信息延迟性、不准确性对用户决策的影响,用户前往充电站的过程中无法得知同时间有多少其他用户前往充电站以及他们的到达时间。因此用户进行两次决策决定是否充电,当用户接到调度中心推荐信息后,用户根据推荐方案预估排队时间与自己内心的预期排队时间进行比较,决定是否前往充电站充电。用户抵达充电站时会根据最新的队列信息,估计排队时长再一次做出决策是否继续排队。此外本发明综合考虑用户需求以及电网安全稳定运行为用户提供充电推荐方案,包括充电成本最低、花费时间最短以及前往充电站距离最近三种充电方案,以及在用电高峰期引导电量较高用户延迟充电。
参见图1,所示为本发明实施例的电动汽车充电负荷计算方法的步骤流程图,包括以下步骤:
S1,将用户充电时段根据交通状态以及用电状态划分为不同的用户充电时段;
S2,统计电动汽车用户日常充电行为的意愿;
S3,根据调度中心信息统计用户的充电信息及充电站运营信息,并建立相应信息库;
S4,用户发起充电需求,调度中心获得当前时间、用户位置、用户EV电池电量,并给用户推荐包括用户花费时间最短方案、充电站距离用户最近方案以及用户充电成本最低方案;
S5,判断S4中推荐方案是否有解,如果无解则说明没有满足约束条件,进入S6,如果是则进入S9;
S6,判断约束条件是否为电池电量约束条件不满足,如果是则进入S7,如果否,说明电网侧约束不满足进入S8;
S7,用户电池电量过低,剩余电量不足以到达任意一个充电站,用户需要呼叫移动充电车救援充电;
S8,当前区域内电网压力过大,为保证电网安全运行,调度中心扩大推荐范围,或调动移动充电车为用户充电,判断当前距离约束条件是否为d≤2.5,如果是,返回S4将距离约束条件更新为2.5<d≤5,为用户重新推荐方案;如果否,调度中心调动移动充电车按照普通充电价格为用户充电,并反馈信息给电网,当前位置附近区域需要重新规划,电网需要升级换代;
S9,判断当前时间段是否为用电峰段,如果是则进入S10,如果否则进入S13;
S10,判断用户电量可续航里程是否大于用户日均出行距离,如果是则进入S11,否则进入S13;
S11,用户EV电量较为充足,计算用户可节省成本引导用户延迟充电;
S12,用户决策是否延迟充电计划,用户坚持充电计划则进入S13;
S13,用户根据S2中获得的当前时段的充电偏好,从三种选择充电方案中选择一种方案;
S14,用户进行两次决策决定自己是否在一个充电站充电;用户将当前可接受排队时间与预估排队时间做比较,进行第一次决策。如果用户可接受排队时间小于或等于预估排队时间,用户前往该充电站,否则用户放弃排队,在用户到达充电站后,用户根据当前排队人数进行第二次决策,如果队列长度在用户接受范围内,用户排队充电并进入S15,否则用户放弃排队。选择时间花费最短方案的用户中途退出,则用户放弃充电;其他用户中途退出则返回S4,重新为用户推荐充电方案;
S15,用户前往相应充电站进行充电;
S16,修正用户充电行为信息,充电站服务信息;
S17,统计各充电站每个时刻的充电负荷,、区域内每个时刻的充电负荷总量,用以研究分析EV充电负荷。
具体应用实例中,S1,将用户充电时段根据交通状态以及用电状态划分为不同的用户充电时段具体包括:
实际情况中各城市、地区以及具体道路交通高峰出现时间均有差异。考虑将城市网络划分为一定大小的网格,如每个网格大小为2.5km*2.5km,对各网格单独分析。
在地图应用获取各网格内一天24时刻含有路况信息的地图图片,然后将图像的RGB色彩空间转换到HSV(Hue&Saturation&Value)色彩空间。通过对图片色调、饱和度、明度的筛选调整,保留路况信息滤除其他无用信息。滤除效果如图2所示,其中左侧为未经过处理的原图片,右侧为处理后的图片。根据处理后的图片RGB值,使用K-means算法把各时刻图片分为交通拥堵和交通畅通两类,从而获得交通拥堵时段以及交通畅通时段。
在各网格内综合交通时段划分以及峰谷电价时段划分,将用户充电时段划分为以下4种时段如表1所示:
表1时段划分表
用户充电时段 | 说明 |
第一用户时段 | 交通高峰、用电平段 |
第二用户时段 | 交通高峰、用电峰段 |
第三用户时段 | 交通正常、用电峰段 |
第四用户时段 | 交通正常、用电平段 |
具体应用实例中,S2,使用调查问卷的方式,统计电动汽车用户日常充电行为的意愿。
统计包括用户接受电网调度的意愿、如果用户接受调度期望节省的金额ra、S1中不同时间段用户充电站选择偏好、可接受充电排队时间tw1等信息。对获得信息进行整理,获得用户对于调查的接受率β,使用核密度估计方法拟合ra、tw1的概率分布。
具体应用实例中,S3,根据调度中心信息统计用户的充电信息及充电站运营信息,并建立相应信息库具体包括:
分别统计S1中各时段用户出现充电需求时的电量soca、用户开始充电电量socs、用户结束充电时的电量soce、充电时间tc、用户结束充电后在充电站逗留时间tp、用户可接受充电排队时间tw1等信息。并使用核密度估计方法拟合这些信息的概率分布。统计各充电站在各时段的单位时间内平均到达的用户数λ、单个充电桩的平均服务率μ以及各用户的日出行距离Dav。
具体应用实例中,S4中,用户花费时间最短方案具体表示如式(1)所示:
Ci,1=min(td1,i+tq,i) (1)
其中,td1,t为用户到达充电站所需时间;tq,i为用户充电排队时间。用户到达充电站所需时间td1,t,基于多元信息融合道路模型使用Dijkstra算法规划用户路径可以获得。具体表示方法如下所示:
Di,j(t)=di,j+di,jCi,j(t)+di,j/ri,j (3)
其中Di,j(t)为t时刻节点i,j之间的等效距离;∑Di,j(t)为用户前往充电站经过的所有路段等效距离之和;v为EV行驶速度;di,j为区域节点i,j之间的距离;Ci,j(t)为t时刻节点i和j之间道路的拥堵系数,系数值越大表示路段越拥挤;ri,j为节点i,j之间的道路等级;Ti,j(t)表示电动汽车在t时刻节点i和j之间道路的平均行驶时间;T0为每条道路的自由行驶时间;
根据排队论用户的排队时间可由式(5)计算:
其中,k表示充电站的充电桩数目;ρ=λ/μ表示充电设施利用率,即单位时间***为用户服务的比例;λ表示单位时间内平均到达的顾客数;μ表示单个充电桩的平均服务率;p0表示充电桩闲置概率。
具体应用实例中,用户前往充电站距离最近方案具体表示如式(7)所示:
其中,di表示前往第i个充电站的距离,dp表示基于Dijkstra算法得到的前往第i个充电站的每段道路距离。
具体应用实例中,用户充电成本最低方案,具体表示如式(8)所示:
Ci,3=min[a(td1,i+tq,i)+pc1(soce,i-socs,i)E] (8)
其中,a为用户单位时间成本;td1,t为用户到达充电站所需时间;tq,i为用户充电排队时间;pc1为峰时充电价格;soce,i为用户结束充电时的电量;socs,i为用户开始充电时的电量;E为电动汽车电池容量。
具体应用实例中,调度中心在为用户推荐充电方案时还需要满足电网侧约束、电池电量约束。电网的网损率r1、电压偏移率r2都应在正常范围内,以此两指标构成电网侧约束条件,具体表示如式(9)、式(10)。此外为了降低计算复杂度,考虑到不少大城市充电站服务半径已经小于2km的现状及未来发展情况,优先为用户推荐2.5km范围内的充电站,以此构成距离约束,其具体表示如式(11)。
d≤2.5 (11)
其中,ploss为网络损失功率;ps为网络注入功率;u为节点的实际电压;un为***的额定电压;d为用户前往充电站的距离。
当用户抵达充电站时电动汽车电量应大于0以保证用户可以到达充电站,以此构成电池电量约束。具体表示如式(12)所示:
其中socs为用户到达充电站的电量;socr为用户发起充电需求时的电量;Dp为用户前往充电站第p段道路的等效长度;So为电动汽车百公里耗电量;E为电动汽车电池容量。
具体应用实例中,调度中心为用户推荐充电方案时使用混合蛙跳算法求解。混合蛙跳算法主要原理为初始化种群并把种群分组,找到种群最优解xg、每个子种群最差解xw与最优解xb,并按照式(13)、(14)更新最差解。
li=rand(0,1)*(xb-xw) (13)
xw=xw+li (14)
更新后的解如果优于之前,则使用更新后的解代替xw;否则用xg代替xb,按照式(12)、(13)重新更新;如果更新后的解优于之前,则使用更新后的解代替xw;否则随机产生一个解代替xw。当一轮更新完成,种群重新分组更新最差解,直到结束。
具体应用实例,S10中,电池可续航里程dc计算如式(15)所示:
其中,soc为EV电量值;So为电动汽车百公里耗电量;E为电动汽车电池容量。
具体应用实例中,S11中,计算用户谷时充电的可能最低成本Ci,4如式(16)所示:
Ci,4=atd2,i+pc2(soce,i-socs,i)c (16)
其中,a为用户单位时间成本;td2,i为用户到达距离最近充电站所需时间;pc2为谷时充电价格;soce,i为用户结束充电时的电量;socs,i为用户开始充电时的电量;ci为电动汽车电池容量。计算当前充电最低成本Ci,3,并计算用户可节省成本cm=Ci,4-Ci,3。
具体应用实例,S12中,当cm≥ra时用户以接受延迟充电并暂时放弃充电,cm<ra时用户坚持充电则进入步骤13。
具体应用实例中,S15中,用户进行两次决策过程如图3所示,其中,tav为用户平均充电时间,由步骤2中获得;tw1为用户在前往充电站时可接受排队预期时间,不同用户的可接受排队时间服从相应的概率分布,概率分布由步骤2中获得;td为用户前往充电站花费时间。
具体应用实例中,S15中,用户在充电站的充电时长可由式(17)表示:
其中,n为充电站当前排队用户人数;tj为第j个用户的充电时间;soce,j为第j个用户结束充电电量;socs为第j个用户开始充电电量;cj为第j个用户电动汽车电池容量;p为充电桩充电功率,η为充电桩充电效率;tp为用户充电超时占用充电设施时间(当soce,j小于1时,为0)。
具体应用实例中,S16中,用户充电完成后,用户中心将新收集到用户生充电需求的电量soca、起充电量soce、充电时间tc,j等用户信息以及单位时间内平均到达的顾客数λ、单个充电桩的平均服务率μ等充电站信息添加到步骤2)中的信息库,修正相关概率模型,以获得更精确模型。
具体应用实例中,S17中,统计各充电站每个时刻的充电负荷pi,s、区域内每个时刻的充电负荷总量Pi,用以研究分析EV充电负荷。pi,s、Pi具体表示如式(18)、(19)所示。
其中,k为充电站充电桩数量;pi,j为i时刻正在使用的第j个充电桩的充电功率;n为区域内充电站的数量。
应当理解,本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例,本领域普通技术人员应当理解,在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下,可以做出各种形式和细节的改变。
Claims (9)
1.一种电动汽车充电负荷计算方法,其特征在于,包括以下步骤:
S1,将用户充电时段根据交通状态以及用电状态划分为不同的用户充电时段;
S2,统计电动汽车用户日常充电行为的意愿;
S3,根据调度中心信息统计用户的充电信息及充电站运营信息,并建立相应信息库;
S4,用户发起充电需求,调度中心获得当前时间、用户位置、用户EV电池电量,并给用户推荐包括用户花费时间最短方案、充电站距离用户最近方案以及用户充电成本最低方案;
S5,判断S4中推荐方案是否有解,如果无解则说明没有满足约束条件,进入S6,如果是则进入S9;
S6,判断约束条件是否为电池电量约束条件不满足,如果是则进入S7,如果否,说明电网侧约束不满足进入S8;
S7,用户电池电量过低,剩余电量不足以到达任意一个充电站,用户需要呼叫移动充电车救援充电;
S8,当前区域内电网压力过大,为保证电网安全运行,调度中心扩大推荐范围,或调动移动充电车为用户充电,判断当前距离约束条件是否为d≤2.5,如果是,返回S4将距离约束条件更新为2.5<d≤5,为用户重新推荐方案;如果否,调度中心调动移动充电车按照普通充电价格为用户充电,并反馈信息给电网,当前位置附近区域需要重新规划,电网需要升级换代;
S9,判断当前时间段是否为用电峰段,如果是则进入S10,如果否则进入S13;
S10,判断用户电量可续航里程是否大于用户日均出行距离,如果是则进入S11,否则进入S13;
S11,用户EV电量较为充足,计算用户可节省成本引导用户延迟充电;
S12,用户决策是否延迟充电计划,用户坚持充电计划则进入S13;
S13,用户根据S2中获得的当前时段的充电偏好,从三种选择充电方案中选择一种方案;
S14,用户进行两次决策决定自己是否在一个充电站充电;用户将当前可接受排队时间与预估排队时间做比较,进行第一次决策;如果用户可接受排队时间小于或等于预估排队时间,用户前往该充电站,否则用户放弃排队,在用户到达充电站后,用户根据当前排队人数进行第二次决策;如果队列长度在用户接受范围内,用户排队充电并进入S15,否则用户放弃排队;选择时间花费最短方案的用户中途退出,则用户放弃充电;其他用户中途退出则返回S4,重新为用户推荐充电方案;
S15,用户前往相应充电站进行充电;
S16,修正用户充电行为信息,充电站服务信息;
S17,统计各充电站每个时刻的充电负荷,、区域内每个时刻的充电负荷总量,用以研究分析EV充电负荷。
2.如权利要求1所述的电动汽车充电负荷计算方法,其特征在于,S1中,将用户充电时段定义为交通高峰、用电平段的第一用户时段;交通高峰、用电峰段的第二用户时段;交通正常、用电峰段的第三用户时段;交通正常、用电平段的第四用户时段。
3.如权利要求2所述的电动汽车充电负荷计算方法,其特征在于,将城市网络划分为一定大小的多个网格,对各网格单独分析,在地图应用获取各网格内一天24时刻含有路况信息的地图图片,然后将图像的RGB色彩空间转换到HSV色彩空间,通过对图片色调、饱和度、明度的筛选调整,保留路况信息,根据处理后的图片RGB值,使用K-means算法把各时刻图片分为交通高峰和交通正常两类,从而获得交通高峰时段以及交通正常时段。
4.如权利要求1至3任一所述的电动汽车充电负荷计算方法,其特征在于,S2中统计电动汽车用户日常充电行为的意愿包括用户接受电网调度的意愿、用户接受调度期望节省的金额ra、不同充电时段用户充电站选择偏好、可接受充电排队时间tw1的信息,对获得信息进行整理,获得用户对于调查的接受率β,使用核密度估计方法拟合ra、tw1的概率分布。
5.如权利要求1至3任一所述的电动汽车充电负荷计算方法,其特征在于,S3中根据调度中心信息统计用户的充电信息及充电站运行信息包括各时段用户出现充电需求时的电量soca、用户开始充电电量socs、用户结束充电时的电量soce、充电时间tc、用户结束充电后在充电站逗留时间tp、用户可接受充电排队时间tw1的信息,并核密度估计方法拟合拟合这些信息的概率分布,统计各充电站在各时段的单位时间内平均到达的用户数λ、单个充电桩的平均服务率μ以及各用户的日出行距离。
6.如权利要求1至3任一所述的电动汽车充电负荷计算方法,其特征在于,S4中,用户时间花费最短方案具体表示如式(1)所示:
Ci,1=min(td1,i+tq,i) (1)
其中,td1,t为用户到达充电站所需时间;tq,i为用户充电排队时间,用户到达充电站所需时间td1,t,基于多元信息融合道路模型使用Dijkstra算法规划用户路径获得,具体表示方法如下所示:
Di,j(t)=di,j+di,jCi,j(t)+di,j/ri,j (3)
其中Di,j(t)为t时刻节点i,j之间的等效距离;∑Di,j(t)为用户前往充电站经过的所有路段等效距离之和;v为EV行驶速度;di,j为区域节点i,j之间的距离;Ci,j(t)为t时刻节点i和j之间道路的拥堵系数,系数值越大表示路段越拥挤;ri,j为节点i,j之间的道路等级;Ti,j(t)表示电动汽车在t时刻节点i和j之间道路的平均行驶时间;T0为每条道路的自由行驶时间;
根据排队论用户的排队时间可由式(5)计算:
其中,k表示充电站的充电桩数目;ρ=λμ表示充电设施利用率,即单位时间***为用户服务的比例;λ表示单位时间内平均到达的用户数;μ表示单个充电桩的平均服务率;p0表示充电桩闲置概率。
8.如权利要求1至3任一所述的电动汽车充电负荷计算方法,其特征在于,S4中,用户充电成本最低方案具体表示如式子(8)所示:
Ci,3==min[a(td1,i+tq,i)+pc1(soce,i-socs,i)E] (8)
其中,a为用户单位时间成本;td1,t为用户到达充电站所需时间;tq,i为用户充电排队时间;pc1为峰时充电价格;soce,i为用户结束充电时的电量;socs,i为用户开始充电时的电量;E为电动汽车电池容量。
9.如权利要求1或2所述的电动汽车充电负荷计算方法,其特征在于,S5中,满足电网侧约束、电池电量约束具体为:
电网的网损率r1、电压偏移率r2都应在正常范围内,以此两指标构成电网侧约束条件,具体表示如式(9)、式(10):
其中,ploss为网络损失功率;ps为网络注入功率;u为节点的实际电压;un为***的额定电压;
当用户抵达充电站时电动汽车电量应大于0以保证用户可以到达充电站,以此构成电池电量约束,具体表示如式(11)所示:
其中socs为用户到达充电站的电量;socr为用户发起充电需求时的电量;Dp为用户前往充电站第p段道路的等效长度;So为电动汽车百公里耗电量;E为电动汽车电池容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633449.1A CN113393109B (zh) | 2021-06-07 | 2021-06-07 | 电动汽车充电负荷计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633449.1A CN113393109B (zh) | 2021-06-07 | 2021-06-07 | 电动汽车充电负荷计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393109A true CN113393109A (zh) | 2021-09-14 |
CN113393109B CN113393109B (zh) | 2022-06-21 |
Family
ID=77618464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110633449.1A Active CN113393109B (zh) | 2021-06-07 | 2021-06-07 | 电动汽车充电负荷计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393109B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350485A (zh) * | 2023-09-27 | 2024-01-05 | 广东电网有限责任公司 | 基于数据挖掘模型的电力市场管控方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108162771A (zh) * | 2017-11-09 | 2018-06-15 | 贵州电网有限责任公司电力科学研究院 | 一种电动汽车智能充电导航方法 |
CN108390421A (zh) * | 2018-01-19 | 2018-08-10 | 上海电力学院 | 计及用户满意度的电动汽车双尺度充电引导方法及*** |
CN109523051A (zh) * | 2018-09-18 | 2019-03-26 | 国网浙江省电力有限公司经济技术研究院 | 一种电动汽车充电实时优化调度方法 |
CN110929925A (zh) * | 2019-11-15 | 2020-03-27 | 国家电网有限公司 | 基于环境温度与用户行为的电动汽车充电站规划方法 |
US20200269717A1 (en) * | 2019-02-27 | 2020-08-27 | Sap Se | Controlling electric vehicle charging infrastructure |
CN112308309A (zh) * | 2020-10-28 | 2021-02-02 | 国网福建省电力有限公司 | 一种基于路径优化的电动汽车充电智能导引方法 |
-
2021
- 2021-06-07 CN CN202110633449.1A patent/CN113393109B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108162771A (zh) * | 2017-11-09 | 2018-06-15 | 贵州电网有限责任公司电力科学研究院 | 一种电动汽车智能充电导航方法 |
CN108390421A (zh) * | 2018-01-19 | 2018-08-10 | 上海电力学院 | 计及用户满意度的电动汽车双尺度充电引导方法及*** |
CN109523051A (zh) * | 2018-09-18 | 2019-03-26 | 国网浙江省电力有限公司经济技术研究院 | 一种电动汽车充电实时优化调度方法 |
US20200269717A1 (en) * | 2019-02-27 | 2020-08-27 | Sap Se | Controlling electric vehicle charging infrastructure |
CN110929925A (zh) * | 2019-11-15 | 2020-03-27 | 国家电网有限公司 | 基于环境温度与用户行为的电动汽车充电站规划方法 |
CN112308309A (zh) * | 2020-10-28 | 2021-02-02 | 国网福建省电力有限公司 | 一种基于路径优化的电动汽车充电智能导引方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350485A (zh) * | 2023-09-27 | 2024-01-05 | 广东电网有限责任公司 | 基于数据挖掘模型的电力市场管控方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN113393109B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034648B (zh) | 一种电动汽车集群需求响应潜力评估方法 | |
CN103473620B (zh) | 综合客运枢纽多交通方式预测方法及*** | |
US20180240047A1 (en) | Planning method of electric vehicle fast charging stations on the expressway | |
CN106779176B (zh) | 电动出租车快充站内充电设施配置及定容方法 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN111582670B (zh) | 一种电动汽车充电站选址定容方法 | |
CN108269008B (zh) | 考虑用户满意度和配网可靠性的充电设施优化规划方法 | |
CN112418610B (zh) | 基于soc信息与路网电网信息融合的充电优化方法 | |
CN107392336A (zh) | 智能交通中基于预约的分布式电动汽车充电调度方法 | |
CN108074017A (zh) | 电动汽车充电负荷预测方法及装置 | |
CN112700029B (zh) | 一种基于仿真优化框架的定制公交规划方法 | |
CN109087127A (zh) | 一种电动汽车充电用户的行为特征分析方法及装置 | |
CN112507506B (zh) | 基于遗传算法的共享汽车定价规划模型的多目标优化方法 | |
CN110053508B (zh) | 基于车联网平台的能源互联网集群运行调度方法及*** | |
CN111667114A (zh) | 一种基于时空大数据融合的智能路线规划推荐方法 | |
CN108876064B (zh) | 基于客流量的城市轨道交通网络关键车站识别方法 | |
CN114039370A (zh) | 基于v2g模式的电动汽车与智能充放电站的资源优化方法 | |
CN113393109B (zh) | 电动汽车充电负荷计算方法 | |
Zhang et al. | Deploying public charging stations for battery electric vehicles on the expressway network based on dynamic charging demand | |
CN114066503A (zh) | 一种基于构建虚拟服务片区进行出租车需求预测的方法 | |
CN112907153B (zh) | 一种混合场景下考虑用户多种需求的电动汽车调度方法 | |
CN112613682A (zh) | 一种电动汽车充电负荷预测方法 | |
CN110991856B (zh) | 一种考虑用户有限理性的电动汽车充电需求分析方法 | |
CN111244990B (zh) | 一种配电网v2g辅助服务日前调度方法 | |
CN117172861A (zh) | 基于用户负荷差异与空间约束的移动充电动态定价方法 |
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 |