[发明专利]一种一致性电动汽车充电负荷时空分布预测方法

说明书

本发明公开一种一致性电动汽车充电负荷时空分布预测方法，包括如下步骤：数据采集及信息生成模块，根据采集的交通网络参数及历史数据和电动汽车性能及出行数据生成含电动汽车在内的车辆出行信息；交通网络模型建立及初始化模块，建立交通网络模型并初始化路段和转向流量/饱和度状态；交通阻抗信息计算模块，基于当前交通状态获取路段、转向和电动汽车单位里程能耗等交通阻抗信息；随机交通分配模块，基于随机用户均衡理论、电动汽车出行链和充电模型，采用MDK‑SP算法计算电动汽车及剩余车辆的出行信息，获取当前交通阻抗信息下电动汽车的出行和充电行为；交通状态更新模块，采用指定公式更新交通网络模型的路段和转向流量状态；收敛测试模块，判断交通网络模型路段和转向饱和度是否满足收敛公式，若满足则输出电动汽车充电负荷的时空分布和匹配的交通流量/饱和度；该方可以通过迭代计算实现匹配交通状态下电动汽车出行和充电行为的有效预测。

技术领域：

本发明属于电动汽车充电预测的技术领域，尤其涉及一种一致性电动汽车充电负荷时空分布预测方法。

背景技术：

电动汽车(EV)有助于实现碳达峰、碳中和的目标。根据国际能源署(IEA)的调查，2021年全球电动汽车市场渗透率接近10％，比2019年高出约4倍，且在IEA公布的承诺场景(APS)下，2030年全球电动汽车市场渗透率将占30％以上。一方面，电动汽车渗透率的提高加深了电力和交通系统的耦合，电动汽车电力需求的急剧上升影响了电网的规划和运行。另一方面，电动汽车的灵活储能可以为电网提供辅助服务。而准确的电动汽车充电负荷时空分布预测对电力系统和电力-交通系统耦合研究都至关重要。

当前实现电动汽车充电负荷准确预测的方法主要包括数据驱动法和蒙特卡洛法。

1)数据驱动法

数据驱动的理想方法是使用智能算法基于大量实测负荷时序数据来预测电动汽车充电负荷。然而，由于测量设备的普及性、测量稳定性和数据保密性等限制，难以获取足够可靠的数据。然后，考虑到交通数据与电动汽车行驶和充电行为之间的相关性，一些工作通过预测流量和GPS等交通数据来间接预测充电负荷。然而，交通数据与负荷间的转换模型通常过于简化，无法保证预测结果的可靠性。此外，数据驱动法中使用的大多数智能算法都是通过挖掘输入数据本身的特征并迭代训练数据传输网络来实现预测的。由此得到的预测模型就像一个存储了许多不可见数据特征的黑箱，不具备完整的数学解析公式。因此，难以实现影响因素的定量分析。

2)蒙特卡洛法

基于蒙特卡洛法的预测是通过对受车辆性能、交通网络、充电设施和用户出行习惯等因素影响的电动汽车出行和充电活动建模来实现的。通常情况下，模型的有效性将决定预测的准确性。在电动汽车充电行为建模中，已有工作建立了考虑用户出行需求的慢速充电优先和快速充电应急的充电选择机制。此外，还有工作考虑了工作和非工作用户的不同充电习惯或目的地停留时间对充电时间和模式的影响。但在实际中，电动汽车的充电模式选择不仅受到充电习惯和出行时间的影响，还受到交通网络结构、充电设施布局、感知的充电时间成本等的影响。可以反映出行时间和空间耦合关系的出行链模型常被用来模拟电动汽车的出行行为。然而，基础的出行链模型很难直接反映电动汽车的充电状态(SOC)和充电特征。此外，在大多数研究中，用户的出行计划和计算都是独立进行的，这使得在电动汽车电池容量限制下，用户出行的可达性得不到充分保证。因此，有必要开发更有效的模型来反映电动汽车在电池容量和充电限制下的出行和充电行为。更重要的是，电动汽车出行与交通流等交通状态之间存在着交互关系。并且这种交互关系还将随着电动汽车渗透率的提高而加深。然而，现有的电动汽车充电负荷预测主要是根据已知和设定的历史交通流量进行的，使得预测的电动汽车出行和充电结果与实际匹配的交通状态下的相同信息不一致。而这种一致性也是分析交通故障和电动汽车渗透率提高等实际难以获取的交通场景的关键。此外，由于没有明确的目标和解析公式，蒙特卡洛法的计算稳定性依赖于大量随机场景的叠加，预测结果的准确性难以验证。因此，在有效模拟电动汽车出行和充电行为的前提下，开发一种具有明确系统稳定性目标和解析表达式并能保证预测结果一致性的更准确的电动汽车充电负荷预测方法是非常必要的。