CN115456180A - 一种基于三链马尔科夫模型的电动汽车数量预测方法 - Google Patents

一种基于三链马尔科夫模型的电动汽车数量预测方法 Download PDF

Info

Publication number
CN115456180A
CN115456180A CN202210987401.5A CN202210987401A CN115456180A CN 115456180 A CN115456180 A CN 115456180A CN 202210987401 A CN202210987401 A CN 202210987401A CN 115456180 A CN115456180 A CN 115456180A
Authority
CN
China
Prior art keywords
matrix
electric automobile
electric
state transition
weather
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.)
Pending
Application number
CN202210987401.5A
Other languages
English (en)
Inventor
黄启帆
刘三明
孙维斌
董浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202210987401.5A priority Critical patent/CN115456180A/zh
Publication of CN115456180A publication Critical patent/CN115456180A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Library & Information Science (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于三链马尔科夫模型的电动汽车数量预测方法，包括：获取电动汽车出行时间、天气、出发地、目的地的信息数据，通过数据预处理筛选出有效数据；将有效数据按照设定时间段划分为多组数据；对多组数据进行统计处理，得到状态转移频数矩阵；求解计算得到总的状态转移概率矩阵，即某一时刻下电动汽车即将到达地点的概率分布情况；构建得到三链马尔科夫模型；根据当前时间段电动汽汽车在不同地点的数量、以及相应的状态转移概率，结合三链马尔科夫模型，计算下一时间段电动汽车的数量。与现有技术相比，本发明充分考虑电动汽车出行时间以及天气对随机路径的影响，通过构建三链马尔科夫模型，能有效提高预测各地点电动汽车数量的精准性。

Description

一种基于三链马尔科夫模型的电动汽车数量预测方法
技术领域
本发明涉及电动汽车虚拟储能技术领域，尤其是涉及一种基于三链马尔科夫模型的电动汽车数量预测方法。
背景技术
随着电动汽车规模化增长，其对电网的影响不断增大，一方面由于电动汽车具有充电间歇性与随机性的特点，当大规模电动汽车接入电网时会产生较大的功率波动与冲击，这必然会给接入的电力***带来巨大的挑战。另一方面由于电动汽车拥有负荷和电源的双重属性，其可作为一种灵活的可平移负荷，这又给接入电力***的调度带来了机遇。在此背景下，作为继有序充电与V2G之后的理念升华与技术升级，电动汽车虚拟储能(EV-VES)得到了一定发展，其中，电动汽车出行地点数量预测是影响电动汽车虚拟储能参与电网优化调度的重要方面。
目前，电动汽出行地点数量主要包括两种预测方法，一种是利用数量预测相关影响因素的历史数据，通过对机器学习算法模型进行训练，再利用训练好的模型对电动汽车的数量进行预测；另一种则是通过构建电动汽车的出行链，以进行预测，比如采用单链马尔科夫模型对出行链进行预测，但由于电动汽车的出行不仅受到了上个时刻所处位置的影响，还受到了其他多种因素的共同影响，例如时间、天气等，导致该方法的预测精度较低，无法保证电动汽车有效参与电网优化调度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于三链马尔科夫模型的电动汽车数量预测方法，通过对单链马尔科夫模型进行改进，建立三链马尔科夫模型，以提升电动汽车随机路径在多种因素共同作用下的预测精度。
本发明的目的可以通过以下技术方案来实现：一种基于三链马尔科夫模型的电动汽车数量预测方法，包括以下步骤：
S1、获取电动汽车出行时间、天气、出发地、目的地的信息数据；
S2、对获取的信息数据进行预处理，筛选出有效数据；
S3、将有效数据按照设定时间段划分为多组数据；
S4、对多组数据进行统计处理，分别统计各组数据中从指定地点、时间、天气到另一指定地点、时间、天气状态下所有电动汽车的数量，进而得到状态转移频数矩阵；
通过求解计算，得到总的状态转移概率矩阵，即得到某一时刻下电动汽车即将到达地点的概率分布情况；
由此构建得到三链马尔科夫模型，所述三链马尔科夫模型考虑了时间和天气对电动汽车出行链的影响；
S5、根据当前时间段电动汽汽车在不同地点的数量、以及相应的状态转移概率，结合三链马尔科夫模型，计算得到下一时间段电动汽车的数量。
进一步地，所述步骤S2具体是采用邻近均值法对获取的信息数据进行预处理，以对数据缺失值和异常值进行补全。
进一步地，所述步骤S3具体是将有效数据划分为对应于一天24个时间段的24组数据。
进一步地，所述步骤S4具体包括以下步骤：
S41、通过对电动汽车每天的出行目的地、时间变化、出行天气数据进行筛选统计，求解出电动汽车的目的地集合、出行时间集合以及出行天气集合；
S42、求解初始状态概率分布，所述初始状态概率分布具体为电动汽车初始出行时的状态概率分布矩阵；
S43、分别求解电动汽车出行时间的状态转移概率矩阵、电动汽车出行天气的状态转移概率矩阵；
S44、求解三链马尔科夫模型t时刻出行路径状态转移概率矩阵。
进一步地，所述步骤S41中电动汽车的目的地集合具体为：
Figure BDA0003802349180000021
其中，SX为电动汽车访问次数超过设定阈值的目的地集合，n为目的地的总数目；
电动汽车的出行时间集合具体为：
Figure BDA0003802349180000022
其中，TY为电动汽车的出行时间集合，m＝24，m为出行时间段的总数目；
电动汽车的出行天气集合具体为：
Figure BDA0003802349180000031
其中，RZ为电动汽车的出行天气集合，K为出行天气的类别总数目。
进一步地，所述步骤S42中初始状态概率分布包括电动汽车初始出行时所处位置的概率分布矩阵、电动汽车初始出行时间的概率分布矩阵、电动汽车初始出行时天气状态的概率分布矩阵。
进一步地，所述电动汽车初始出行时所处位置的概率分布矩阵具体为：
Figure BDA0003802349180000032
其中，π1为电动汽车初始出行时所处位置的概率分布矩阵，
Figure BDA0003802349180000033
为电动汽车初始出行时所处位置
Figure BDA0003802349180000034
的概率；
电动汽车初始出行时间的概率分布矩阵具体为：
Figure BDA0003802349180000035
其中，π2为电动汽车初始出行时间的概率分布矩阵，
Figure BDA0003802349180000036
为电动汽车初始出行时间为Ti 2的概率；
电动汽车初始出行时天气状态的概率分布矩阵具体为：
Figure BDA0003802349180000037
其中，π3为电动汽车初始出行时天气状态的概率分布矩阵，
Figure BDA0003802349180000038
为电动汽车初始出行时天气状态为
Figure BDA0003802349180000039
的概率。
进一步地，所述步骤S43中电动汽车出行时间的状态转移概率矩阵具体为：
Figure BDA00038023491800000310
其中，A2为电动汽车出行时间的状态转移概率矩阵，
Figure BDA00038023491800000311
为电动汽车出行时的时间由Ti 2变成
Figure BDA00038023491800000312
的状态转移概率；
电动汽车出行天气的状态转移概率矩阵具体为：
Figure BDA00038023491800000313
其中，A3为电动汽车出行天气的状态转移概率矩阵，
Figure BDA00038023491800000314
为电动汽车出行时的天气由
Figure BDA00038023491800000315
变成
Figure BDA00038023491800000316
的状态转移概率。
进一步地，所述步骤S44具体包括以下步骤：
S441、建立各个目的地之间各个时间段的状态转移概率集合A1；
S442、根据上个时刻的出行时间状态分布概率矩阵以及上个时刻的出行天气状态分布概率矩阵，分别令矩阵中最大元素值为1、其他元素值为0，以对应得到第一矩阵和第二矩阵；
S443、将状态转移概率集合A1中各个矩阵依次与第一矩阵、第二矩阵相乘，得到新的状态转移矩阵集合
Figure BDA0003802349180000041
S444、根据新的状态转移矩阵集合
Figure BDA0003802349180000042
即可得到t时刻的出行路径状态转移概率矩阵
Figure BDA0003802349180000043
进一步地，所述步骤S441中状态转移概率集合A1具体为：
A1＝[AH→W,AW→H,AW→O,AO→W,AO→H,AH→O]
Figure BDA0003802349180000044
Figure BDA0003802349180000045
Figure BDA0003802349180000046
Figure BDA0003802349180000047
Figure BDA0003802349180000048
所述步骤S443中新的状态转移矩阵集合
Figure BDA0003802349180000049
具体为：
Figure BDA00038023491800000410
所述步骤S444中t时刻的出行路径状态转移概率矩阵
Figure BDA00038023491800000411
具体为：
Figure BDA00038023491800000412
其中，W、H和O分别对应于出行路径中的居家区、工作区和其他区域这三个地点，P为概率。
与现有技术相比，本发明充分考虑电动汽车出行时间以及天气对随机路径的影响，通过引入三个马尔科夫链之间的相关条件概率，以构建得到三链马尔科夫模型，进而提升电动汽车随机路径在其他因素共同作用下的预测精确度，能够准确地对不同地点的电动汽车数量进行预测，有利于后续使电动汽车虚拟储能更好地参与电力网络的优化调度。
本发明通过获取并筛选有效数据，通过对数据进行统计处理，以分别统计各组组数据中从指定地点、时间、天气到另一指定地点、时间、天气状态下所有电动汽车的数量，进而得到状态转移频数矩阵；再通过求解计算得到总的状态转移概率矩阵，得某一时刻电动汽车即将到达地点的概率分布情况。由此可靠保证了构建的三链马尔科夫模型的准确性，即使各地点电动汽车数量的预测更加精准。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种基于三链马尔科夫模型的电动汽车数量预测方法，包括以下步骤：
S1、获取电动汽车出行时间、天气、出发地、目的地的信息数据；
S2、对获取的信息数据进行预处理，筛选出有效数据；
S3、将有效数据按照设定时间段划分为多组数据；
S4、对多组数据进行统计处理，分别统计各组数据中从指定地点、时间、天气到另一指定地点、时间、天气状态下所有电动汽车的数量，进而得到状态转移频数矩阵；
通过求解计算，得到总的状态转移概率矩阵，即得到某一时刻下电动汽车即将到达地点的概率分布情况；
由此构建得到三链马尔科夫模型，所述三链马尔科夫模型考虑了时间和天气对电动汽车出行链的影响；
S5、根据当前时间段电动汽汽车在不同地点的数量、以及相应的状态转移概率，结合三链马尔科夫模型，计算得到下一时间段电动汽车的数量。
本实施例应用上述技术方案，在步骤S2中，具体是采用邻近均值法对获取的信息数据进行预处理，以对数据缺失值和异常值进行补全，通过引入电动汽车在不同的时间、天气状态下各地点数量的数据，并采用邻近均值法对数据进行预处理，对数据缺失值和异常值进行补全，使得获取的数据更加精准有效。
本实施例在步骤S3中，具体是将有效数据划分为对应于一天24个时间段的24组数据。
本实施例考虑到电动汽车的停靠地点很多，有家庭、公司、商场等地方，但充电桩的地点一般可分为居家区、工作区和其他区域这三个地方，因此分别用W、H和O分别对应表示电动汽车出行路径中居家区、工作区和其他区域这三个地点。在执行步骤S4时，主要包括以下内容：
I、求解状态集合SX、TY、RZ，对电动汽车的每天的出行目的地、时间的变化以及出行时的天气状况的数据进行筛选统计。
Figure BDA0003802349180000061
SX表示电动汽车频繁访问目的地的集合，其中频繁访问的目的地的总数目为n；
Figure BDA0003802349180000062
TY表示出行时间集合，m＝24，m为出行时间段的总数目；
Figure BDA0003802349180000063
RZ表示出行天气集合，K为出行天气的类别总数目。
II、求解初始状态概率分布π1、π2、π3。
π1表示电动汽车初始出行时所处位置的概率分布矩阵，
Figure BDA0003802349180000064
表示电动汽车初始出行时所处位置
Figure BDA0003802349180000065
的概率；π2表示电动汽车初始出行时间的概率分布矩阵，
Figure BDA0003802349180000066
表示电动汽车初始出行时间为Ti 2的概率；π3表示电动汽车初始出行时天气状态的概率分布矩阵，
Figure BDA0003802349180000068
表示电动汽车初始出行时天气状态为
Figure BDA0003802349180000069
的概率。
III、求解电动汽车出行时间的状态转移概率矩阵A2以及出行天气的状态转移概率矩阵A3。
Figure BDA00038023491800000610
Figure BDA00038023491800000611
为电动汽车出行时的时间由Ti 2变成
Figure BDA00038023491800000612
的状态转移概率
Figure BDA00038023491800000613
Figure BDA00038023491800000614
为电动汽车出行时的天气由
Figure BDA00038023491800000615
变成
Figure BDA00038023491800000616
的状态转移概率。
IV、求解三链马尔科夫模型t时刻出行路径状态转移概率矩阵
Figure BDA00038023491800000617
的过程为：
首先，建立各个目的地之间各个时间段的状态转移概率集合：
A1＝[AH→W,AW→H,AW→O,AO→W,AO→H,AH→O] (1)
其中：
Figure BDA00038023491800000618
Figure BDA00038023491800000619
Figure BDA00038023491800000620
Figure BDA00038023491800000621
Figure BDA00038023491800000622
接着，根据上个时刻的出行时间状态分布概率矩阵TY，可以表示为：
Figure BDA00038023491800000623
令TY中最大值为1、其他值为0，得到新矩阵L＝[0…1…0]。
然后，令状态转移矩阵集合A1中各个矩阵与矩阵LT相乘，得到新的状态转移矩阵集合
Figure BDA0003802349180000071
可表示为：
Figure BDA0003802349180000072
同理，根据上个时刻的出行天气状态分布概率矩阵RZ，令RZ中最大值为1、其他值为0，得到新矩阵，然后，令状态转移矩阵集合
Figure BDA0003802349180000073
中各个矩阵与其相乘，得到新的状态转移矩阵集合
Figure BDA0003802349180000074
最后，由
Figure BDA0003802349180000075
可得t时刻的状态转移概率矩阵：
Figure BDA0003802349180000076
V、依据公式，通过当前时间段电动汽汽车在不同地点的数量和状态转移概率，计算出下一时间段电动汽车的数量。
综上所述，本技术方案在单链马尔科夫模型的基础上，考虑了电动汽车出行时间以及天气对随机路径的影响，即在建立电动汽车随机路径模型时，考虑了电动汽车出行时间以及天气对随机路径的影响。通过引入三个马尔科夫链之间的相关条件概率，得到了一个三链马尔科夫模型，相比于原单链马尔科夫模型具有更高的精度，使各地点电动汽车数量的预测更加精准。改进的三链马尔科夫模型能更准确地预测某时刻不同地点的的电动汽车数量，能够在一定程度上提升电动汽车虚拟储能可用容量的预测精确度，从而使电动汽车虚拟储能更好地参与电力网络的优化调度，提高电力***的的安全性以及可靠性。而电动汽车数量的预测，有助于电动汽车负荷估算，能够为电动汽车虚拟储能可用容量的估算打下基础，从而缓解大量无序EV并网对电网的冲击，即对电动汽车有序并网、合理参与电力***的优化调度，具有重要的意义。

Claims (10)

1.一种基于三链马尔科夫模型的电动汽车数量预测方法，其特征在于，包括以下步骤：
S1、获取电动汽车出行时间、天气、出发地、目的地的信息数据；
S2、对获取的信息数据进行预处理，筛选出有效数据；
S3、将有效数据按照设定时间段划分为多组数据；
S4、对多组数据进行统计处理，分别统计各组数据中从指定地点、时间、天气到另一指定地点、时间、天气状态下所有电动汽车的数量，进而得到状态转移频数矩阵；
通过求解计算，得到总的状态转移概率矩阵，即得到某一时刻下电动汽车即将到达地点的概率分布情况；
由此构建得到三链马尔科夫模型，所述三链马尔科夫模型考虑了时间和天气对电动汽车出行链的影响；
S5、根据当前时间段电动汽汽车在不同地点的数量、以及相应的状态转移概率，结合三链马尔科夫模型，计算得到下一时间段电动汽车的数量。
2.根据权利要求1所述的一种基于三链马尔科夫模型的电动汽车数量预测方法，其特征在于，所述步骤S2具体是采用邻近均值法对获取的信息数据进行预处理，以对数据缺失值和异常值进行补全。
3.根据权利要求1所述的一种基于三链马尔科夫模型的电动汽车数量预测方法，其特征在于，所述步骤S3具体是将有效数据划分为对应于一天24个时间段的24组数据。
4.根据权利要求3所述的一种基于三链马尔科夫模型的电动汽车数量预测方法，其特征在于，所述步骤S4具体包括以下步骤：
S41、通过对电动汽车每天的出行目的地、时间变化、出行天气数据进行筛选统计，求解出电动汽车的目的地集合、出行时间集合以及出行天气集合；
S42、求解初始状态概率分布，所述初始状态概率分布具体为电动汽车初始出行时的状态概率分布矩阵；
S43、分别求解电动汽车出行时间的状态转移概率矩阵、电动汽车出行天气的状态转移概率矩阵；
S44、求解三链马尔科夫模型t时刻出行路径状态转移概率矩阵。
5.根据权利要求4所述的一种基于三链马尔科夫模型的电动汽车数量预测方法，其特征在于，所述步骤S41中电动汽车的目的地集合具体为：
Figure FDA0003802349170000021
其中，SX为电动汽车访问次数超过设定阈值的目的地集合，n为目的地的总数目；
电动汽车的出行时间集合具体为：
Figure FDA0003802349170000022
其中，TY为电动汽车的出行时间集合，m＝24，m为出行时间段的总数目；
电动汽车的出行天气集合具体为：
Figure FDA0003802349170000023
其中，RZ为电动汽车的出行天气集合，K为出行天气的类别总数目。
6.根据权利要求5所述的一种基于三链马尔科夫模型的电动汽车数量预测方法，其特征在于，所述步骤S42中初始状态概率分布包括电动汽车初始出行时所处位置的概率分布矩阵、电动汽车初始出行时间的概率分布矩阵、电动汽车初始出行时天气状态的概率分布矩阵。
7.根据权利要求6所述的一种基于三链马尔科夫模型的电动汽车数量预测方法，其特征在于，所述电动汽车初始出行时所处位置的概率分布矩阵具体为：
Figure FDA0003802349170000024
其中，π1为电动汽车初始出行时所处位置的概率分布矩阵，
Figure FDA0003802349170000025
为电动汽车初始出行时所处位置
Figure FDA0003802349170000026
的概率；
电动汽车初始出行时间的概率分布矩阵具体为：
Figure FDA0003802349170000027
其中，π2为电动汽车初始出行时间的概率分布矩阵，
Figure FDA0003802349170000028
为电动汽车初始出行时间为Ti 2的概率；
电动汽车初始出行时天气状态的概率分布矩阵具体为：
Figure FDA0003802349170000029
其中，π3为电动汽车初始出行时天气状态的概率分布矩阵，
Figure FDA00038023491700000210
为电动汽车初始出行时天气状态为
Figure FDA00038023491700000211
的概率。
8.根据权利要求7所述的一种基于三链马尔科夫模型的电动汽车数量预测方法，其特征在于，所述步骤S43中电动汽车出行时间的状态转移概率矩阵具体为：
Figure FDA0003802349170000031
其中，A2为电动汽车出行时间的状态转移概率矩阵，
Figure FDA0003802349170000032
为电动汽车出行时的时间由Ti 2变成
Figure FDA0003802349170000033
的状态转移概率；
电动汽车出行天气的状态转移概率矩阵具体为：
Figure FDA0003802349170000034
其中，A3为电动汽车出行天气的状态转移概率矩阵，
Figure FDA0003802349170000035
为电动汽车出行时的天气由
Figure FDA0003802349170000036
变成
Figure FDA0003802349170000037
的状态转移概率。
9.根据权利要求8所述的一种基于三链马尔科夫模型的电动汽车数量预测方法，其特征在于，所述步骤S44具体包括以下步骤：
S441、建立各个目的地之间各个时间段的状态转移概率集合A1；
S442、根据上个时刻的出行时间状态分布概率矩阵以及上个时刻的出行天气状态分布概率矩阵，分别令矩阵中最大元素值为1、其他元素值为0，以对应得到第一矩阵和第二矩阵；
S443、将状态转移概率集合A1中各个矩阵依次与第一矩阵、第二矩阵相乘，得到新的状态转移矩阵集合
Figure FDA0003802349170000038
S444、根据新的状态转移矩阵集合
Figure FDA0003802349170000039
即可得到t时刻的出行路径状态转移概率矩阵
Figure FDA00038023491700000310
10.根据权利要求9所述的一种基于三链马尔科夫模型的电动汽车数量预测方法，其特征在于，所述步骤S441中状态转移概率集合A1具体为：
A1＝[AH→W,AW→H,AW→O,AO→W,AO→H,AH→O]
Figure FDA00038023491700000311
所述步骤S443中新的状态转移矩阵集合
Figure FDA00038023491700000312
具体为：
Figure FDA00038023491700000313
所述步骤S444中t时刻的出行路径状态转移概率矩阵
Figure FDA00038023491700000314
具体为：
Figure FDA0003802349170000041
其中，W、H和O分别对应于出行路径中的居家区、工作区和其他区域这三个地点，P为概率。
CN202210987401.5A 2022-08-17 2022-08-17 一种基于三链马尔科夫模型的电动汽车数量预测方法 Pending CN115456180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210987401.5A CN115456180A (zh) 2022-08-17 2022-08-17 一种基于三链马尔科夫模型的电动汽车数量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210987401.5A CN115456180A (zh) 2022-08-17 2022-08-17 一种基于三链马尔科夫模型的电动汽车数量预测方法

Publications (1)

Publication Number Publication Date
CN115456180A true CN115456180A (zh) 2022-12-09

Family

ID=84299360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210987401.5A Pending CN115456180A (zh) 2022-08-17 2022-08-17 一种基于三链马尔科夫模型的电动汽车数量预测方法

Country Status (1)

Country Link
CN (1) CN115456180A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929950A (zh) * 2019-12-02 2020-03-27 燕山大学 一种电动汽车负荷预测方法及***
CN115953276A (zh) * 2023-03-15 2023-04-11 国网天津市电力公司培训中心 一种人员考核方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929950A (zh) * 2019-12-02 2020-03-27 燕山大学 一种电动汽车负荷预测方法及***
CN110929950B (zh) * 2019-12-02 2023-09-26 燕山大学 一种电动汽车负荷预测方法及***
CN115953276A (zh) * 2023-03-15 2023-04-11 国网天津市电力公司培训中心 一种人员考核方法及装置
CN115953276B (zh) * 2023-03-15 2023-06-16 国网天津市电力公司培训中心 一种人员考核方法及装置

Similar Documents

Publication Publication Date Title
CN115456180A (zh) 一种基于三链马尔科夫模型的电动汽车数量预测方法
CN107766994B (zh) 一种共享自行车调度方法与调度***
Shi et al. Pontryagin’s minimum principle based fuzzy adaptive energy management for hybrid electric vehicle using real-time traffic information
CN109544911B (zh) 一种基于lstm-cnn的城市路网交通状态预测方法
CN110667434A (zh) 一种自适应工况的纯电动汽车行驶里程估计方法及***
CN109501630A (zh) 一种电动汽车充电方案实时推荐方法及***
CN112590598B (zh) 移动充电车优化配置方法和***
CN110674575A (zh) 一种基于时序出行集的电动汽车集群充电需求与放电能力模型建模方法
CN112115385B (zh) 一种考虑充电时间的单向共享汽车***选址优化方法
CN112101637B (zh) 基于分时电价和能耗控制的动态充电优化方法及其应用
CN111833205B (zh) 一种大数据场景下的移动充电桩群体智能调度方法
CN107730048A (zh) 一种风电‑电动汽车联合***随机鲁棒优化调度方法
CN114744662B (zh) 一种基于多类型电动汽车的电网调峰方法及***
CN112097783B (zh) 基于深度强化学习的电动出租车充电导航路径规划方法
CN116700296A (zh) 基于深度学习的自主充电无人电动车智能规划方法及***
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
CN114282821A (zh) 一种共享电动汽车的调度方法、***及设备
CN111680413B (zh) 基于双层算法的有轨电车定时节能运行优化方法及其***
CN114897285B (zh) 一种基于剩余电量的共享汽车调度方法
CN112116125A (zh) 一种基于深度强化学习的电动汽车充电导航方法
CN105774797B (zh) 一种插电式并联混合动力汽车自适应控制方法
CN112550050B (zh) 一种电动汽车充电方法和***
CN112750298B (zh) 一种基于smdp和drl的货车编队动态资源分配方法
CN112736941A (zh) 一种基于移动储能电动汽车的可调度容量预测方法及装置
CN117056765A (zh) 一种车速多时间尺度预测方法、***、设备、介质及终端

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