CN117350519B - 基于新能源乘用车充电需求预测的充电站规划方法及*** - Google Patents
基于新能源乘用车充电需求预测的充电站规划方法及*** Download PDFInfo
- Publication number
- CN117350519B CN117350519B CN202311645475.1A CN202311645475A CN117350519B CN 117350519 B CN117350519 B CN 117350519B CN 202311645475 A CN202311645475 A CN 202311645475A CN 117350519 B CN117350519 B CN 117350519B
- Authority
- CN
- China
- Prior art keywords
- charging
- vehicle
- time
- battery
- energy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005265 energy consumption Methods 0.000 claims abstract description 73
- 238000010586 diagram Methods 0.000 claims abstract description 35
- 238000009826 distribution Methods 0.000 claims description 67
- 238000004422 calculation algorithm Methods 0.000 claims description 57
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 230000015556 catabolic process Effects 0.000 claims description 10
- 238000006731 degradation reaction Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了基于新能源乘用车充电需求预测的充电站规划方法及***,首先对新能源乘用车的运行数据进行采集处理并构建时空轨迹图,通过时空轨迹图提取得到车辆的充电和行驶相关信息;然后针对新能源乘用车的电池容量衰减情况,对新能源乘用车的运行数据进行数据重构;接着构建车辆行程能耗预测模型和车辆充电能量预测模型,获取车辆能耗预测结果和车辆电池充电能量的预测结果,对目标区域的充电需求进行时空预测;最后构建基于交通网络和充电需求的双阶段快速选址方案,根据充电需求时空预测结果,得到充电站的最佳选址,根据用户历史充电习惯和充电需求峰值数据,完成对充电站的充电桩规格和数量的规划。
Description
技术领域
本发明属于新能源技术领域,涉及一种充电站的规划方法及***。
背景技术
新能源汽车工业在关键技术领域内有了巨大的突破,新能源汽车的渗透率稳步提高,随着新能源汽车的市场占有率逐步提升,所配套的充电站基础设施也需要逐步完善。
新能源汽车的充电站虽然已经大规模建设,但现存的充电站基础设施仍然存在很多问题,比如充电桩数量少,寻站时间长,充电桩分布不合理,充电设施利用率低等缺点。归其根本,还是因为充电设施的规划不合理。因此,结合计算机技术来提高充电设施的规划布局,可以大大解决此类问题的发生。
现有的充电需求预测主要是通过站内充电历史数据出发,通过历史运营数据对地区充电需求分布的预测研究,这种不适用于未建站的充电站选址。或是结合现有汽车保有量,从宏观角度实现充电需求预测,但是这不适用于具体的充电站规划。常用的还有一种基于用户出行规律的角度出发,对地区车辆充电需求分布进行研究,但这种方法建模时多基于模拟数据,考虑因素较少,最终结果往往与实际结果有较大偏差。另外,充电站选址问题目前多是以充电需求为核心,结合交通枢纽、城市各区域特点和用户出行偏好里面的一个或两个因素,且目前的选址求解算法复杂度较高,对计算性能要求比较大。
发明内容
为解决背景技术中所述的问题,本发明提供了基于新能源乘用车充电需求预测的充电站规划方法及***。
本发明的方法包括以下步骤:
步骤一、采集目标区域的新能源乘用车的运行数据并剔除其中的异常数据,得到车辆运行数据,依据车辆运行数据结合新能源乘用车的充放电逻辑构建新能源乘用车的时空轨迹图,通过时空轨迹图提取得到车辆的充电开始时间、充电完成时间、日均充电频次、充电持续时间、行驶路径信息;
步骤二、针对新能源乘用车的电池容量衰减情况,假设电池退化符合截断式正态分布,对目标区域内的车辆运行数据进行数据重构,得到新能源乘用车的重构运行数据;
步骤三、依据车辆的充电开始时间、充电完成时间数据信息、日均充电频次、充电持续时间、行驶路径信息、电池容量衰减情况以及新能源乘用车的重构运行数据组成的时间信息区间化后的行驶数据集,结合CatBoost算法和XGBoost算法构建车辆行程能耗预测模型,得到车辆行程能耗预测结果;
步骤四、构建基于 Stacking 融合框架的车辆充电能量预测模型,在模型里利用贝叶斯高斯混合算法对异常充电能量值标记并删除,得到车辆电池充电能量的预测结果;
步骤五、结合基于行程能耗预测的车辆能耗预测结果和车辆电池充电能量的预测结果,对目标区域的充电需求进行时空预测;
步骤六、根据充电需求时空预测结果,针对目标区域构建基于交通网络和充电需求的双阶段快速选址方案,第一阶段结合热力分布筛选出最符合地区分布和出行特性的区域作为充电站候选区域;第二阶段的输入为第一阶段得到的充电站候选区域,利用 K-means 算法对地区充电需求进行迭代计算得到充电需求发生时到充电站的距离均值,得到充电站的最佳选址;
步骤七、首先设置充电时长和停车时长指标,根据时空轨迹图提取得到车辆的历史充电习惯,确定充电类型,规划所属站点中充电桩规格;然后根据目标区域的充电需求时空预测结果,以小时为单位整合目标区域充电需求峰值数据,并依照时间节点构建各功率充电桩数量的最优匹配方案,完成对充电站的充电桩规格和数量的规划。
进一步地,所述步骤一中,所述新能源乘用车的运行数据包括车辆编号、数据采集时间、车辆状态、充电状态、车辆车速、行驶里程、总电压、总电流、车辆电量、电池单体最高电压、电池单体最低电压、最高温度值、最低温度值、车辆行驶的经度、车辆行驶的纬度;所述异常数据包括缺失数据、跳变数据和状态标记错误数据;所述车辆的历史充电习惯为时空轨迹图中车辆的充电类型;所述车辆的充电开始时间为时空轨迹图中车辆在充电站的停留开始时间;所述车辆的充电完成时间为时空轨迹图中车辆在充电站的停留结束时间;所述车辆的日均充电频次为时空轨迹图中车辆在充电站的停留次数;所述车辆的充电持续时间为时空轨迹图中车辆在充电站的停留总时长;所述车辆的行驶路径信息为时空轨迹图中车辆行驶的经度、车辆行驶的纬度的汇总。
更进一步地,所述步骤二中,数据重构过程为: 首先完成充电属性辨识确定充电桩是否为公共充电桩,然后分析新能源乘用车的电池容量和电池容量衰减情况,借助机器学习算法和寻优算法,完成对车辆电池状态评估,完成充电属性辨识与车辆电池状态的数据重构;所述充电属性辨识是根据乘用车充电行为、位置区域和充电功率,确定充电桩的属性是公共充电桩还是私人充电桩。所述车辆电池状态的数据重构结合电池退化符合的截断式正态分布和电池状态,完成车辆行程能耗预测模型对新能源乘用车电池容量的耦合,使样本数据更加贴合真实车辆电池状态分布。
所述截断式正态分布表示如下:
,
,
其中,为正态分布的概率密度函数,/>为正态分布的概率分布函数,/>和/>分别表示均值和标准差,/>和/>分别表示随机变量的取值上下界。
更进一步地,所述步骤三中,车辆行程能耗预测模型包括路径行驶状态预测模型和核心能耗预测模型;所述路径行驶状态预测模型的构建方法为:利用数据挖掘方法构建多方面能耗因子,结合皮尔逊相关系数和随机森林相结合的方式共同对车辆特征进行分类与筛选,将其分为车辆状态特征和路况动态特征,所述车辆状态特征为包括车辆当前时刻的行驶里程、经纬度的车辆使用静态信息和包括当前电池容量、当前电池 SOC、当前电池SOH在内的车辆当下电池信息,所述路况动态特征是指车辆在当前路段行驶的电池平均电流、平均车速;构建Boosting集成算法框架下CatBoost算法的路径行驶状态预测模型,以车辆状态特征和路况动态特征为输入,预测得到路径车辆能耗;所述核心能耗预测模型的构建方法为:利用区间映射能耗估计法计算车辆行驶中的实际能耗,整合路径行驶状态预测模型的输出和车辆状态特征作为输入,使用Boosting集成算法框架下的XGBoost算法,建立核心能耗预测模型,输出车辆能耗预测结果。
进一步地,所述步骤四中,车辆充电能量预测模型的构建方法为:
首先利用贝叶斯高斯混合算法对车辆充电能量中异常充电能量值进行标记并删除,并对删除异常充电能量值之后的车辆充电能量进分布统计,使得车辆充电能量整体分布近似服从正态分布,将其作为车辆充电能量预测模型的输入;
所述车辆充电能量的计算表示如下:
,
,
其中,和/>分别为当前时刻与开始充电时刻的SOC值,/>为库伦效率,/>和/>分别为电池充电电流和电池的容量;/>为前k个充电时刻累计充电能量,/>和/>分别是当前时刻的车辆的充电电压和充电电流;
然后选用 Embedded 嵌入法中适合于线性模型的随机森林与 L1 正则化的方式进行特征筛选,所述特征包括电池SOC、电池容量值、电池平均温度值、电池一致性、充电功率等级、充电平均电流、充电开始时间,从中筛选出的特征包括电池SOC、容量值、充电平均电流;
将基于Bagging的RandomFrost 和基于Boosting的LGBM作为Stacking的基模型,Lasso作为Stacking的元模型,建立 Stacking融合框架下的充电能量预测模型,对车辆的电池充电能量进行预测。
进一步地,所述步骤五中,对目标区域的充电需求进行时空预测的具体方法为:首先通过车辆行程能耗预测模型完成充电行为决策,获取充电需求,流程为:首先根据当前剩余SOC值进行判断,当SOC值小于某一阈值时,判定为需要充电,当SOC值大于某一阈值且停车时长大于40min时,判定为存在潜在的充电需求;同时将当前剩余SOC值输入到行程能耗预测模型中,获得下一个行程剩余SOC值,判断下一行程起始SOC值是否小于0,当小于0时判定其为需要充电,反之判定为不需要充电;
通过充电需求预测结果,完成对车辆充电需求的确定,对有需求的点位进行时空统计,获取充电高峰时期需求时间分布;结合充电需求决策结果和充电能量预测模型,对四个充电功率等级分别进行充电需求量测算,求得日均峰值负荷充电量预测值。
进一步地,所述步骤六中,第一阶段的具体方法为:以车辆出行停驻情况与地区分布为导向,从交通网络拥挤程度、车辆停驻热点分布、周边 POI 热点分布多角度出发,对需要建站的地区进行评估排序,挑选出最符合地区分布与出行特性的区域作为充电站候选区域;第二阶段的具体方法为:选用机器学习聚类算法中的 K-means 算法,将第一阶段得到充电站候选区域作为 K-means 算法的初始数据,结合前文的充电需求预测结果,迭代计算需求到站距离均值,直至每个站点满足95%的充电需求,结束计算,输出最终的选址结果。
本发明提出了基于新能源乘用车充电需求预测的充电站规划***,包括数据采集获取模块、数据重构模块、车辆行程能耗预测模块、车辆充电能量预测模块、充电需求的时空预测模块、充电站的选址模块、充电站规划模块。
所述数据采集获取模块用于采集目标区域的新能源乘用车的运行数据并剔除其中的异常数据,得到车辆运行数据,依据车辆运行数据结合新能源乘用车的充放电逻辑构建新能源乘用车的时空轨迹图,通过时空轨迹图提取得到车辆的充电开始时间、充电完成时间、日均充电频次、充电持续时间、行驶路径信息。
所述数据重构模块针对新能源乘用车的电池容量衰减情况,假设电池退化符合截断式正态分布,对采集到的目标区域内新能源乘用车的运行数据进行数据重构,得到新能源乘用车的重构运行数据。
所述车辆行程能耗预测模块依据车辆的充电开始时间、充电完成时间数据信息、日均充电频次、充电持续时间、行驶路径信息、电池容量衰减情况以及新能源乘用车的重构运行数据组成的时间信息区间化后的行驶数据集,结合CatBoost算法和XGBoost算法构建车辆行程能耗预测模型,得到车辆行程能耗预测结果;
所述车辆充电能量预测模块用于构建基于 Stacking 融合框架的车辆充电能量预测模型,在模型里利用贝叶斯高斯混合算法对异常充电能量值标记并删除,得到车辆电池充电能量的预测结果。
所述充电需求的时空预测模块结合基于行程能耗预测的车辆能耗预测结果和车辆电池充电能量的预测结果,对目标区域的充电需求进行时空预测。
所述充电站的选址模块针对目标区域构建基于交通网络和充电需求的双阶段快速选址方案,第一阶段结合热力分布筛选出最符合地区分布和出行特性的区域作为充电站候选区域;第二阶段的输入为第一阶段得到的充电站候选区域,利用 K-means 算法对地区充电需求进行迭代计算得到充电需求发生时到充电站的距离均值,得到充电站的最佳选址。
所述充电站规划模块首先设置充电时长和停车时长指标,根据时空轨迹图提取得到车辆的历史充电习惯,确定充电类型,规划所属站点中充电桩规格;然后根据目标区域的充电需求时空预测结果,以小时为单位整合目标区域充电需求峰值数据,并依照时间节点构建各功率充电桩数量的最优匹配方案,完成对充电站的充电桩规格和数量的规划。
本发明还提出了基于新能源乘用车充电需求预测的充电站规划的计算机设备,其包括存储器、处理器和存储在存储器中可供处理器运行的程序指令,其中所述处理器执行所述程序指令以实现上述所述方法中的步骤和上述所述的***。
本发明还提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述所述方法中的步骤和上述所述的***。
本发明与现有技术相比,首先对新能源乘用车的运行数据进行采集处理并构建时空轨迹图,通过时空轨迹图提取得到车辆的充电和行驶相关信息;然后针对新能源乘用车的电池容量衰减情况,对新能源乘用车的运行数据进行数据重构;接着构建车辆行程能耗预测模型和车辆充电能量预测模型,获取车辆能耗预测结果和车辆电池充电能量的预测结果,对目标区域的充电需求进行时空预测;最后构建基于交通网络和充电需求的双阶段快速选址方案,根据充电需求时空预测结果,得到充电站的最佳选址,根据用户历史充电习惯和充电需求峰值数据,完成对充电站的充电桩规格和数量的规划。本发明考虑到车辆电池容量衰减对充电需求的影响,对车辆的运行数据进行数据重构,大大提高了充电需求的预测准确度;本发明同时兼顾电池状态和车辆实际运行状态,分别构建车辆行程能耗预测模型和车辆充电能量预测模型,基于预测结果对目标区域的充电需求进行时空预测,完成充电站的最佳选址的准确预测,再依据用户需求对充电站的充电桩规格和数量进行规划,最大程度上缩短了用户的寻站距离以及提高了充电站的使用率。
附图说明
图1为本发明的方法流程图。
图2为车辆行程能耗预测模型的构建流程图。
图3为充电行为决策的流程图。
图4为双阶段快速选址方案的流程图
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
基于新能源乘用车充电需求预测的充电站规划方法的流程图如图1所示,具体内容如下所述。
步骤一、采集目标区域的新能源乘用车的运行数据并剔除其中的异常数据,得到车辆运行数据,依据车辆运行数据结合新能源乘用车的充放电逻辑构建新能源乘用车的时空轨迹图,通过时空轨迹图提取得到车辆的充电开始时间、充电完成时间、日均充电频次、充电持续时间、行驶路径信息。
具体地,新能源乘用车的运行数据包括车辆编号、数据采集时间、车辆状态、充电状态、车辆车速、行驶里程、总电压、总电流、车辆电量、电池单体最高电压、电池单体最低电压、最高温度值、最低温度值、车辆行驶的经度、车辆行驶的纬度。
异常数据包括缺失数据、跳变数据和状态标记错误数据。缺失数据主要出现在车辆行驶的经度和车辆行驶的纬度数据中,跳变数据主要出现在行驶里程数据中,状态标记错误数据主要出现在车辆状态和充电状态数据中。
车辆的历史充电习惯为时空轨迹图中车辆的充电类型。
车辆的充电开始时间为时空轨迹图中车辆在充电站的停留开始时间。
车辆的充电完成时间为时空轨迹图中车辆在充电站的停留结束时间。
车辆的日均充电频次为时空轨迹图中车辆在充电站的停留次数。
车辆的充电持续时间为时空轨迹图中车辆在充电站的停留总时长。
车辆的行驶路径信息为时空轨迹图中车辆行驶的经度、车辆行驶的纬度的汇总。
步骤二、针对新能源乘用车的电池容量衰减情况,假设电池退化符合截断式正态分布,对目标区域内的车辆运行数据进行数据重构,得到新能源乘用车的重构运行数据。
具体地,数据重构过程为: 首先完成充电属性辨识确定充电桩是否为公共充电桩,然后分析新能源乘用车的电池容量和电池容量衰减情况,借助机器学习算法和寻优算法,完成对车辆电池状态评估,完成充电属性辨识与车辆电池状态的数据重构。
充电属性辨识是根据乘用车充电行为、位置区域和充电功率,确定充电桩的属性是公共充电桩还是私人充电桩。
车辆电池状态的数据重构结合电池退化符合的截断式正态分布和电池状态,完成车辆行程能耗预测模型对新能源乘用车电池容量的耦合,使样本数据更加贴合真实车辆电池状态分布。
截断式正态分布表示如下:
,
,
其中,为正态分布的概率密度函数,/>为正态分布的概率分布函数,/>和/>分别表示均值和标准差,/>和/>分别表示随机变量的取值上下界。
步骤三、依据车辆的充电开始时间、充电完成时间数据信息、日均充电频次、充电持续时间、行驶路径信息、电池容量衰减情况以及新能源乘用车的重构运行数据组成的时间信息区间化后的行驶数据集,结合CatBoost算法和XGBoost算法构建车辆行程能耗预测模型,得到车辆行程能耗预测结果。
具体地,车辆行程能耗预测模型由路径行驶状态预测模型和核心能耗预测模型构成,其构建流程图如图2所示。
路径行驶状态预测模型的构建方法为:利用数据挖掘方法构建多方面能耗因子,结合皮尔逊相关系数(Pearson)和随机森林(RF-OOB)相结合的方式共同对车辆特征进行分类,将其分为车辆状态特征和路况动态特征。车辆状态特征为包括车辆当前时刻的行驶里程、经纬度的车辆使用静态信息和包括当前电池容量、当前电池 SOC、当前电池SOH在内的车辆当下电池信息,路况动态特征是指车辆在当前路段行驶的电池平均电流、平均车速。构建Boosting集成算法框架下CatBoost算法的路径行驶状态预测模型,以车辆状态特征和路况动态特征为输入,预测得到路径车辆能耗。
核心能耗预测模型的构建方法为:利用区间映射能耗估计法计算车辆行驶中的实际能耗,整合路径行驶状态预测模型的输出和车辆状态特征作为输入,使用Boosting集成算法框架下的XGBoost算法,建立核心能耗预测模型,输出车辆能耗预测结果。
步骤四、构建基于 Stacking 融合框架的车辆充电能量预测模型,在模型里利用贝叶斯高斯混合算法对异常充电能量值标记并删除,得到车辆电池充电能量的预测结果。
具体地,车辆充电能量预测模型的构建方法为:
首先利用贝叶斯高斯混合算法对车辆充电能量中异常充电能量值进行标记并删除,并对删除异常充电能量值之后的车辆充电能量进分布统计,使得车辆充电能量整体分布近似服从正态分布,将其作为车辆充电能量预测模型的输入。
车辆充电能量的计算表示如下:
,
,
其中,和/>分别为当前时刻与开始充电时刻的SOC值,/>为库伦效率,/>和/>分别为电池充电电流和电池的容量;/>为前k个充电时刻累计充电能量,/>和/>分别是当前时刻的车辆的充电电压和充电电流。
然后选用 Embedded 嵌入法中适合于线性模型的随机森林与 L1 正则化的方式进行特征筛选,这些特征包括电池SOC、电池容量值、电池平均温度值、电池一致性、充电功率等级、充电平均电流、充电开始时间,从中筛选出的特征包括电池SOC、容量值、充电平均电流;
最后将基于Bagging的RandomFrost 和基于Boosting的LGBM作为Stacking的基模型,Lasso作为Stacking的元模型,建立 Stacking融合框架下的充电能量预测模型,对车辆的电池充电能量进行预测。
步骤五、结合基于行程能耗预测的车辆能耗预测结果和车辆电池充电能量的预测结果,对目标区域的充电需求进行时空预测。
具体地,对目标区域的充电需求进行时空预测的具体方法为:首先通过车辆行程能耗预测模型完成充电行为决策,获取充电需求,充电行为决策的流程图如图3所示,具体为:首先根据当前剩余SOC值进行判断,当SOC值小于某一阈值时,判定为需要充电,当SOC值大于某一阈值且停车时长大于40min时,判定为存在潜在的充电需求;同时将当前剩余SOC值输入到行程能耗预测模型中,获得下一个行程剩余SOC值,判断下一行程起始SOC值是否小于0,当小于0时判定其为需要充电,反之判定为不需要充电。
通过充电需求预测结果,完成对车辆充电需求的确定,对有需求的点位进行时空统计,获取充电高峰时期需求时间分布;结合充电需求决策结果和充电能量预测模型,对四个充电功率等级分别进行充电需求量测算,求得日均峰值负荷充电量预测值。
步骤六、根据充电需求时空预测结果,针对目标区域构建基于交通网络和充电需求的双阶段快速选址方案,第一阶段结合热力分布筛选出最符合地区分布和出行特性的区域作为充电站候选区域;第二阶段的输入为第一阶段得到的充电站候选区域,利用 K-means 算法对地区充电需求进行迭代计算得到充电需求发生时到充电站的距离均值,得到充电站的最佳选址。
双阶段快速选址方案的流程图具体如图4所示。
第一阶段的具体方法为:以车辆出行停驻情况与地区分布为导向,从交通网络拥挤程度、车辆停驻热点分布、周边 POI 热点分布多角度出发,对需要建站的地区进行评估排序,挑选出最符合地区分布与出行特性的区域作为充电站候选区域。
第二阶段的具体方法为:选用机器学习聚类算法中的 K-means 算法,将第一阶段得到充电站候选区域作为 K-means 算法的初始数据,结合前文的充电需求预测结果,迭代计算需求到站距离均值,直至每个站点满足95%的充电需求,结束计算,输出最终的选址结果。
步骤七、首先设置充电时长和停车时长指标,根据时空轨迹图提取得到车辆的历史充电习惯,确定充电类型,规划所属站点中充电桩规格;然后根据目标区域的充电需求时空预测结果,以小时为单位整合目标区域充电需求峰值数据,并依照时间节点构建各功率充电桩数量的最优匹配方案,完成对充电站的充电桩规格和数量的规划。
本发明还提出了基于新能源乘用车充电需求预测的充电站规划***,由数据采集获取模块、数据重构模块、车辆行程能耗预测模块、车辆充电能量预测模块、充电需求的时空预测模块、充电站的选址模块、充电站规划模块构成。
数据采集获取模块用于采集目标区域的新能源乘用车的运行数据并剔除其中的异常数据,得到车辆运行数据,依据车辆运行数据结合新能源乘用车的充放电逻辑构建新能源乘用车的时空轨迹图,通过时空轨迹图提取得到车辆的充电开始时间、充电完成时间、日均充电频次、充电持续时间、行驶路径信息。
数据重构模块针对新能源乘用车的电池容量衰减情况,假设电池退化符合截断式正态分布,对采集到的目标区域内新能源乘用车的运行数据进行数据重构,得到新能源乘用车的重构运行数据。
车辆行程能耗预测模块依据车辆的充电开始时间、充电完成时间数据信息、日均充电频次、充电持续时间、行驶路径信息、电池容量衰减情况以及新能源乘用车的重构运行数据组成的时间信息区间化后的行驶数据集,结合CatBoost算法和XGBoost算法构建车辆行程能耗预测模型,得到车辆行程能耗预测结果。
车辆充电能量预测模块用于构建基于 Stacking 融合框架的车辆充电能量预测模型,在模型里利用贝叶斯高斯混合算法对异常充电能量值标记并删除,得到车辆电池充电能量的预测结果。
充电需求的时空预测模块结合基于行程能耗预测的车辆能耗预测结果和车辆电池充电能量的预测结果,对目标区域的充电需求进行时空预测。
充电站的选址模块针对目标区域构建基于交通网络和充电需求的双阶段快速选址方案,第一阶段结合热力分布筛选出最符合地区分布和出行特性的区域作为充电站候选区域;第二阶段的输入为第一阶段得到的充电站候选区域,利用 K-means 算法对地区充电需求进行迭代计算得到充电需求发生时到充电站的距离均值,得到充电站的最佳选址。
充电站规划模块首先设置充电时长和停车时长指标,根据时空轨迹图提取得到车辆的历史充电习惯,确定充电类型,规划所属站点中充电桩规格;然后根据目标区域的充电需求时空预测结果,以小时为单位整合目标区域充电需求峰值数据,并依照时间节点构建各功率充电桩数量的最优匹配方案,完成对充电站的充电桩规格和数量的规划。
该***中各个模块的具体运行方法件上述方法中步骤所述,此处不再赘述。
本发明还提出了基于新能源乘用车充电需求预测的充电站规划的计算机设备,其包括存储器、处理器和存储在存储器中可供处理器运行的程序指令,该处理器执行所述程序指令以实现上述所述方法中的步骤和上述所述的***。
本发明还提出了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述所述方法中的步骤和上述所述的***。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (9)
1.基于新能源乘用车充电需求预测的充电站规划方法,其特征在于,包括以下步骤:
步骤一、采集目标区域的新能源乘用车的运行数据并剔除其中的异常数据,得到车辆运行数据,依据车辆运行数据结合新能源乘用车的充放电逻辑构建新能源乘用车的时空轨迹图,通过时空轨迹图提取得到车辆的充电类型、充电开始时间、充电完成时间、日均充电频次、充电持续时间、行驶路径信息;
步骤二、针对新能源乘用车的电池容量衰减情况,假设电池退化符合截断式正态分布,对目标区域内的车辆运行数据进行数据重构,得到新能源乘用车的重构运行数据;
数据重构过程为:首先完成充电属性辨识确定充电桩是否为公共充电桩,然后分析新能源乘用车的电池容量和电池容量衰减情况,借助机器学习算法和寻优算法,完成对车辆电池状态评估,完成充电属性辨识与车辆电池状态的数据重构;
所述充电属性辨识是根据乘用车充电行为、位置区域和充电功率,确定充电桩的属性是公共充电桩还是私人充电桩;
所述车辆电池状态的数据重构结合电池退化符合的截断式正态分布和电池状态,完成车辆行程能耗预测模型对新能源乘用车电池容量的耦合,使样本数据更加贴合真实车辆电池状态分布;
所述截断式正态分布表示如下:
其中,为正态分布的概率密度函数,/>为正态分布的概率分布函数,/>和/>分别表示均值和标准差,a和b分别表示随机变量的取值上下界;
步骤三、依据车辆的充电开始时间、充电完成时间数据信息、日均充电频次、充电持续时间、行驶路径信息、电池容量衰减情况以及新能源乘用车的重构运行数据组成的时间信息区间化后的行驶数据集,结合CatBoost算法和XGBoost算法构建车辆行程能耗预测模型,得到车辆行程能耗预测结果;
步骤四、构建基于Stacking融合框架的车辆充电能量预测模型,在模型里利用贝叶斯高斯混合算法对异常充电能量值标记并删除,得到车辆电池充电能量的预测结果;
步骤五、结合基于行程能耗预测的车辆能耗预测结果和车辆电池充电能量的预测结果,对目标区域的充电需求进行时空预测;
步骤六、根据充电需求时空预测结果,针对目标区域构建基于交通网络和充电需求的双阶段快速选址方案,第一阶段结合热力分布筛选出最符合地区分布和出行特性的区域作为充电站候选区域;第二阶段的输入为第一阶段得到的充电站候选区域,利用K-means算法对地区充电需求进行迭代计算得到充电需求发生时到充电站的距离均值,得到充电站的最佳选址;
步骤七、首先设置充电时长和停车时长指标,根据时空轨迹图提取得到车辆的历史充电习惯,确定充电类型,规划所属站点中充电桩规格;然后根据目标区域的充电需求时空预测结果,以小时为单位整合目标区域充电需求峰值数据,并依照时间节点构建各功率充电桩数量的最优匹配方案,完成对充电站的充电桩规格和数量的规划。
2.根据权利要求1所述的基于新能源乘用车充电需求预测的充电站规划方法,其特征在于:所述步骤一中,所述新能源乘用车的运行数据包括车辆编号、数据采集时间、车辆状态、充电状态、车辆车速、行驶里程、总电压、总电流、车辆电量、电池单体最高电压、电池单体最低电压、最高温度值、最低温度值、车辆行驶的经度、车辆行驶的纬度;
所述异常数据包括缺失数据、跳变数据和状态标记错误数据;
所述车辆的充电开始时间为时空轨迹图中车辆在充电站的停留开始时间;
所述车辆的充电完成时间为时空轨迹图中车辆在充电站的停留结束时间;
所述车辆的日均充电频次为时空轨迹图中车辆在充电站的停留次数;
所述车辆的充电持续时间为时空轨迹图中车辆在充电站的停留总时长;
所述车辆的行驶路径信息为时空轨迹图中车辆行驶的经度、车辆行驶的纬度的汇总。
3.根据权利要求2所述的基于新能源乘用车充电需求预测的充电站规划方法,其特征在于:所述步骤三中,车辆行程能耗预测模型包括构建路径行驶状态预测模型和核心能耗预测模型;
所述路径行驶状态预测模型的构建方法为:利用数据挖掘方法构建多方面能耗因子,结合皮尔逊相关系数和随机森林相结合的方式共同对车辆特征进行分类与筛选,将其分为车辆状态特征和路况动态特征,所述车辆状态特征为包括车辆当前时刻的行驶里程、经纬度的车辆使用静态信息和包括当前电池容量、当前电池SOC、当前电池SOH在内的车辆当下电池信息,所述路况动态特征是指车辆在当前路段行驶的电池平均电流、平均车速;构建Boosting集成算法框架下CatBoost算法的路径行驶状态预测模型,以车辆状态特征和路况动态特征为输入,预测得到路径车辆能耗;
所述核心能耗预测模型的构建方法为:利用区间映射能耗估计法计算车辆行驶中的实际能耗、整合路径行驶状态预测模型的输出和车辆状态特征作为输入,使用Boosting集成算法框架下的XGBoost算法,建立核心能耗预测模型,输出车辆能耗预测结果。
4.根据权利要求1所述的基于新能源乘用车充电需求预测的充电站规划方法,其特征在于:所述步骤四中,车辆充电能量预测模型的构建方法为:
首先利用贝叶斯高斯混合算法对车辆充电能量中异常充电能量值进行标记并删除,并对删除异常充电能量值之后的车辆充电能量进分布统计,使得车辆充电能量整体分布近似服从正态分布,将其作为车辆充电能量预测模型的输入;
所述车辆充电能量的计算表示如下:
其中,SOC(t)和SOC(t0)分别为当前时刻与开始充电时刻的SOC值,ηc(t)为库伦效率,I(t)和Cn分别为电池充电电流和电池的容量;C_energy为前k个充电时刻累计充电能量,T表示前k个充电时刻的总充电时间,U(t)和I(t)分别是当前时刻的车辆的充电电压和充电电流;
然后选用Embedded嵌入法中适合于线性模型的随机森林与L1正则化的方式进行特征筛选,所述特征包括电池SOC、电池容量值、电池平均温度值、电池一致性、充电功率等级、充电平均电流、充电开始时间,从中筛选出的特征包括电池SOC、容量值、充电平均电流;
将基于Bagging的RandomFrost和基于Boosting的LGBM作为Stacking的基模型,Lasso作为Stacking的元模型,建立Stacking融合框架下的充电能量预测模型,对车辆的电池充电能量进行预测。
5.根据权利要求1所述的基于新能源乘用车充电需求预测的充电站规划方法,其特征在于:所述步骤五中,对目标区域的充电需求进行时空预测的具体方法为:首先通过车辆行程能耗预测模型完成充电行为决策,获取充电需求,流程为:首先根据当前剩余SOC值进行判断,当SOC值小于某一阈值时,判定为需要充电,当SOC值大于某一阈值且停车时长大于40min时,判定为存在潜在的充电需求;同时将当前剩余SOC值输入到行程能耗预测模型中,获得下一个行程剩余SOC值,判断下一行程起始SOC值是否小于0,当小于0时判定其为需要充电,反之判定为不需要充电;
通过充电需求预测结果,完成对车辆充电需求的确定,对有需求的点位进行时空统计,获取充电高峰时期需求时间分布;结合充电需求决策结果和充电能量预测模型,对四个充电功率等级分别进行充电需求量测算,求得日均峰值负荷充电量预测值。
6.根据权利要求5所述的基于新能源乘用车充电需求预测的充电站规划方法,其特征在于:所述步骤六中,第一阶段的具体方法为:以车辆出行停驻情况与地区分布为导向,从交通网络拥挤程度、车辆停驻热点分布、周边POI热点分布多角度出发,对需要建站的地区进行评估排序,挑选出最符合地区分布与出行特性的区域作为充电站候选区域;
第二阶段的具体方法为:选用机器学习聚类算法中的K-means算法,将第一阶段得到充电站候选区域作为K-means算法的初始数据,结合充电需求预测结果,迭代计算需求到站距离均值,直至每个站点满足95%的充电需求,结束计算,输出最终的选址结果。
7.基于新能源乘用车充电需求预测的充电站规划***,其特征在于:包括数据采集获取模块、数据重构模块、车辆行程能耗预测模块、车辆充电能量预测模块、充电需求的时空预测模块、充电站的选址模块、充电站规划模块;
所述数据采集获取模块用于采集目标区域的新能源乘用车的运行数据并剔除其中的异常数据,得到车辆运行数据,依据车辆运行数据结合新能源乘用车的充放电逻辑构建新能源乘用车的时空轨迹图,通过时空轨迹图提取得到车辆的充电类型、充电开始时间、充电完成时间、日均充电频次、充电持续时间、行驶路径信息;
所述数据重构模块针对新能源乘用车的电池容量衰减情况,假设电池退化符合截断式正态分布,对采集到的目标区域内新能源乘用车的运行数据进行数据重构,得到新能源乘用车的重构运行数据;数据重构过程为:首先完成充电属性辨识确定充电桩是否为公共充电桩,然后分析新能源乘用车的电池容量和电池容量衰减情况,借助机器学习算法和寻优算法,完成对车辆电池状态评估,完成充电属性辨识与车辆电池状态的数据重构;
所述充电属性辨识是根据乘用车充电行为、位置区域和充电功率,确定充电桩的属性是公共充电桩还是私人充电桩;
所述车辆电池状态的数据重构结合电池退化符合的截断式正态分布和电池状态,完成车辆行程能耗预测模型对新能源乘用车电池容量的耦合,使样本数据更加贴合真实车辆电池状态分布;
所述截断式正态分布表示如下:
其中,为正态分布的概率密度函数,/>为正态分布的概率分布函数,/>和/>分别表示均值和标准差,a和b分别表示随机变量的取值上下界;
所述车辆行程能耗预测模块依据车辆的充电开始时间、充电完成时间数据信息、日均充电频次、充电持续时间、行驶路径信息、电池容量衰减情况以及新能源乘用车的重构运行数据组成的时间信息区间化后的行驶数据集,结合CatBoost算法和XGBoost算法构建车辆行程能耗预测模型,得到车辆行程能耗预测结果;
所述车辆充电能量预测模块用于构建基于Stacking融合框架的车辆充电能量预测模型,在模型里利用贝叶斯高斯混合算法对异常充电能量值标记并删除,得到车辆电池充电能量的预测结果;
所述充电需求的时空预测模块结合基于行程能耗预测的车辆能耗预测结果和车辆电池充电能量的预测结果,对目标区域的充电需求进行时空预测;
所述充电站的选址模块针对目标区域构建基于交通网络和充电需求的双阶段快速选址方案,第一阶段结合热力分布筛选出最符合地区分布和出行特性的区域作为充电站候选区域;第二阶段的输入为第一阶段得到的充电站候选区域,利用K-means算法对地区充电需求进行迭代计算得到充电需求发生时到充电站的距离均值,得到充电站的最佳选址;
所述充电站规划模块首先设置充电时长和停车时长指标,根据时空轨迹图提取得到车辆的历史充电习惯,确定充电类型,规划所属站点中充电桩规格;然后根据目标区域的充电需求时空预测结果,以小时为单位整合目标区域充电需求峰值数据,并依照时间节点构建各功率充电桩数量的最优匹配方案,完成对充电站的充电桩规格和数量的规划。
8.基于新能源乘用车充电需求预测的充电站规划的计算机设备,包括存储器、处理器和存储在存储器中可供处理器运行的程序指令,其特征在于:所述处理器执行所述程序指令以实现权利要求1至6中任一项所述方法中的步骤和权利要求7所述的***。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法中的步骤和权利要求7所述的***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311645475.1A CN117350519B (zh) | 2023-12-04 | 2023-12-04 | 基于新能源乘用车充电需求预测的充电站规划方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311645475.1A CN117350519B (zh) | 2023-12-04 | 2023-12-04 | 基于新能源乘用车充电需求预测的充电站规划方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117350519A CN117350519A (zh) | 2024-01-05 |
CN117350519B true CN117350519B (zh) | 2024-05-17 |
Family
ID=89365296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311645475.1A Active CN117350519B (zh) | 2023-12-04 | 2023-12-04 | 基于新能源乘用车充电需求预测的充电站规划方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350519B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10065517B1 (en) * | 2016-01-22 | 2018-09-04 | State Farm Mutual Automobile Insurance Company | Autonomous electric vehicle charging |
CN111064181A (zh) * | 2019-11-20 | 2020-04-24 | 国网浙江省电力有限公司杭州供电公司 | 基于充电负荷空间可调度特性的电源与充电站配置方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN113191523A (zh) * | 2021-01-27 | 2021-07-30 | 国电南瑞南京控制***有限公司 | 基于数据驱动方式和行为决策理论的城市电动汽车快充需求预测方法和装置 |
WO2022135473A1 (zh) * | 2020-12-22 | 2022-06-30 | 国网上海市电力公司 | 城市配电网对电动汽车的接纳能力评估方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9132742B2 (en) * | 2012-02-23 | 2015-09-15 | International Business Machines Corporation | Electric vehicle (EV) charging infrastructure with charging stations optimumally sited |
WO2019023324A1 (en) * | 2017-07-26 | 2019-01-31 | Via Transportation, Inc. | SYSTEMS AND METHODS FOR MANAGING AND ROUTING COOPERATING VEHICLES |
US20220410750A1 (en) * | 2021-06-09 | 2022-12-29 | MOEV, Inc. | System and method for smart charging management of electric vehicle fleets |
CN114943362A (zh) * | 2022-03-22 | 2022-08-26 | 上海电力大学 | 一种基于可调分级充电服务费的快充负荷充电引导方法 |
-
2023
- 2023-12-04 CN CN202311645475.1A patent/CN117350519B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10065517B1 (en) * | 2016-01-22 | 2018-09-04 | State Farm Mutual Automobile Insurance Company | Autonomous electric vehicle charging |
CN111064181A (zh) * | 2019-11-20 | 2020-04-24 | 国网浙江省电力有限公司杭州供电公司 | 基于充电负荷空间可调度特性的电源与充电站配置方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
WO2022135473A1 (zh) * | 2020-12-22 | 2022-06-30 | 国网上海市电力公司 | 城市配电网对电动汽车的接纳能力评估方法 |
CN113191523A (zh) * | 2021-01-27 | 2021-07-30 | 国电南瑞南京控制***有限公司 | 基于数据驱动方式和行为决策理论的城市电动汽车快充需求预测方法和装置 |
Non-Patent Citations (4)
Title |
---|
到点式服务模式电动汽车电池需求预测;王森;郭萌;聂规划;徐尚英;代四广;;数学的实践与认识(10);全文 * |
城市电动汽车充电站选址规划研究;朱柯羽;;科技展望(08);全文 * |
数据驱动的新能源公交车能耗预测;胡杰等;机械科学与技术;全文 * |
电动汽车动力电池充电能量的预测方法;胡杰;蔡世杰;黄腾飞;王成;杜常清;;机械科学与技术(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117350519A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103745111B (zh) | 纯电动乘用车续驶里程预测方法 | |
CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN107146013A (zh) | 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法 | |
CN112381313B (zh) | 充电桩地址的确定方法和装置 | |
CN103745110B (zh) | 纯电动公交车营运续驶里程估算方法 | |
Guo et al. | A novel energy consumption prediction model with combination of road information and driving style of BEVs | |
CN111523714B (zh) | 一种电力充电站选址布局方法及装置 | |
CN111199320B (zh) | 基于出行概率矩阵的电动汽车充电负荷时空分布预测方法 | |
CN114493191B (zh) | 一种基于网约车数据的驾驶行为建模分析方法 | |
CN115063184A (zh) | 电动汽车充电需求建模方法、***、介质、设备及终端 | |
CN114707292A (zh) | 含电动汽车配电网电压稳定性分析方法 | |
CN110659774B (zh) | 大数据方法驱动的停车需求预测方法 | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
CN110738356A (zh) | 一种基于sdn增强网络的电动汽车充电智能调度方法 | |
CN117350519B (zh) | 基于新能源乘用车充电需求预测的充电站规划方法及*** | |
CN114707239B (zh) | 电能资源分配规划方法、装置和电子设备 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN109117972A (zh) | 一种电动汽车的充电需求确定方法 | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及*** | |
CN106845727A (zh) | 考虑配网潮流约束的高速公路快速充电站启发式规划方法 | |
CN111784027A (zh) | 计及地理信息的城市范围电动汽车充电需求预测方法 | |
CN112406874B (zh) | 一种电动汽车远距离充电辅助决策方法 | |
CN113902209A (zh) | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 | |
Ahn et al. | Remaining Driving Range Estimation of Medium-Duty Electric Trucks During Delivery |
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 |