一种电动汽车用电需求预测方法、系统、存储介质及充电站与流程

1.本发明涉及电动汽车充电领域，具体为一种电动汽车用电需求预测方法、系统、存储介质及充电站。


背景技术：

2.电动汽车投入市场运行后，需由电网提供电能为电动汽车提供动力。电动汽车的充电是需首要考虑的问题，作为逐渐增长的新能源汽车，电动汽车的大规模投用不可避免会增加电力需求并对电网产生影响，电动汽车负荷所需电量过大，会导致电网因大规模电动汽车接入充电而崩溃。因此，根据电动汽车用户的使用习惯和行驶里程等规律讨论电动汽车的特性，计算电动汽车负荷量具有重要意义。


技术实现要素：

3.为了克服背景技术中电动汽车负荷所需电量过大，导致电网因大规模电动汽车接入充电而崩溃的缺点，本发明的目的在于提供一种。
4.为了达到以上目的，本发明的第一方面，一种电动汽车用电需求预测方法，包括以下步骤：
5.通过电动汽车的空间分布获取电动汽车起始充电时刻；
6.通过电动汽车的时间分布获取电动汽车起始充电电量；
7.根据所述起始充电电量和所述起始充电时刻，计算电动汽车所需的充电负荷。
8.在一些可能的实施方式中，所述“通过电动汽车的空间分布获取电动汽车起始充电时刻”具体包括以下步骤：
9.s1:将区域内的电动汽车划分为有效的三种状态：在居民区、在路上和在办公区，当车主在工作日驾驶电动汽车出行时，任何电动汽车都会经历状态转移过程，所述电动汽车在停车状态下进行充电；
10.s2:获取电动汽车的转移概率矩阵a，公式如下：pn＝p0·an
，其中，n为状态转移的次数，pn为电动汽车处于各状态的概率分布向量，p0为电动汽车初始状态的概率分布向量，p0＝(x
10
，x
20
，x
30
)，x
10
，x
20
，x
30
分别为电动汽车最初分别处于“在居民区”、“在路上”和“在办公区”的概率值；
11.s3:获取电动汽车从状态xi转变为状态xj的概率p
ij
，公式如下：
[0012][0013]
s4:根据车辆处于的状态获取起始充电时刻，公式如下：p
ij
＝p{xn＝xj|x
n-1
＝xi}；其中，xn＝xj表示n时刻车辆处于xj状态，x
n-1
＝xi表示n-1时刻车辆处于xi状态。
[0014]
在一些可能的实施方式中，所述“通过电动汽车的时间分布获取电动汽车起始充
电电量”具体包括以下步骤：
[0015]
获取电动汽车的日行驶里程l；
[0016]
获取电动汽车的开始充电时间t；
[0017]
通过所述电动汽车的日行驶里程l和电动汽车的开始充电时间t得到电动汽车起始充电电量。
[0018]
在一些可能的实施方式中，将所述电动汽车的日行驶里程l近似为对数正态分布，即l～lnn(μ
x
,σ
x2
),其概率密度函数为：
[0019][0020]
其中，μ
x
为概率密度变量x的对数lnx的平均值，μ
x
＝3.20；σ
x
为上述概率密度函数变量x的对数lnx的标准差，σ
x
＝0.88。
[0021]
在一些可能的实施方式中，将所述开始充电时间t近似服从正态分布，即t～n(μ
t
,σ
t2
)，其概率密度函数为：
[0022][0023]
其中，μ
t
为概率密度变量t的对数lnt的平均值，μ
t
＝17.6；σ
t
为上述概率密度函数变量t的对数lnt的标准差，σ
t
＝3.4。
[0024]
在一些可能的实施方式中，s1中，所述状态转移过程为:
[0025]
早上，预期车辆停在家中，行驶一段时间到达办公区，即通过道路将“在居民区”的状态转变为“在办公区”；
[0026]
中午，预期车辆处于“在办公区”状态；傍晚，车主驾车回家，即车辆通过道路将“在办公区”状态转变为“在居民区”的状态；
[0027]
夜晚，预期车辆处于“在居民区”状态。
[0028]
在一些可能的实施方式中，输入系统参数，包括车辆数量，各种类型车辆的电池容量，充电功率；对于充电模式，可以选择两种，包括常规充电和快速充电；对于常规充电，选取起始充电电量，接着计算充电时长，确定起始充电时刻；对于快速充电，在给定时间段内选择起始充电时刻，计算限时充电时间长度，之后选取起始充电电量，计算充电持续时间；之后对两种模式的负荷进行累加，判断是否达到不同类型车辆的样本数，当没有达到时，继续返回累加；当达到时，判断是否收敛，如果不收敛，从0重新计算；如果收敛，计算结束，输出电动汽车所需的充电负荷。
[0029]
本发明的第二方面，一种电动汽车用电需求预测系统，包括
[0030]
起始充电时刻计算模块：获取电动汽车起始充电时刻；
[0031]
起始充电电量计算模块：获取电动汽车起始充电电量；
[0032]
充电负荷计算模块：根据所述起始充电电量和所述起始充电时刻，计算电动汽车
所需的充电负荷。
[0033]
在一些可能的实施方式中，所述“获取电动汽车起始充电时刻”具体为：
[0034]
s1:将区域内的电动汽车划分为有效的三种状态：在居民区、在路上和在办公区，当车主在工作日驾驶电动汽车出行时，任何电动汽车都会经历状态转移过程，所述电动汽车在停车状态下进行充电；
[0035]
s2:获取电动汽车的转移概率矩阵a，公式如下：pn＝p0·an
，其中，n为状态转移的次数，pn为电动汽车处于各状态的概率分布向量，p0为电动汽车初始状态的概率分布向量，p0＝(x
10
，x
20
，x
30
)，x
10
，x
20
，x
30
分别为电动汽车最初分别处于“在居民区”、“在路上”和“在办公区”的概率值；
[0036]
s3:获取电动汽车从状态xi转变为状态xj的概率p
ij
，公式如下：
[0037][0038]
s4:根据车辆处于的状态获取起始充电时刻，公式如下：p
ij
＝p{xn＝xj|x
n-1
＝xi}；其中，xn＝xj表示n时刻车辆处于xj状态，x
n-1
＝xi表示n-1时刻车辆处于xi状态。
[0039]
在一些可能的实施方式中，所述“获取电动汽车起始充电电量”具体为：
[0040]
获取电动汽车的日行驶里程l；
[0041]
获取电动汽车的开始充电时间t；
[0042]
通过所述电动汽车的日行驶里程l和电动汽车的开始充电时间t得到电动汽车起始充电电量。
[0043]
在一些可能的实施方式中，将所述电动汽车的日行驶里程l近似为对数正态分布，即l～lnn(μ
x
,σ
x2
),其概率密度函数为：
[0044][0045]
其中，μ
x
为概率密度变量x的对数lnx的平均值，μ
x
＝3.20；σ
x
为上述概率密度函数变量x的对数lnx的标准差，σ
x
＝0.88。
[0046]
在一些可能的实施方式中，将开始充电时间t近似服从正态分布，即t～n(μ
t
,σ
t2
)，其概率密度函数为：
[0047][0048]
其中，μ
t
为概率密度变量t的对数lnt的平均值，μ
t
＝17.6；σ
t
为上述概率密度函数变量t的对数lnt的标准差，σ
t
＝3.4。
[0049]
在一些可能的实施方式中，s1中，所述状态转移过程为:
[0050]
早上，预期车辆停在家中，行驶一段时间到达办公区，即通过道路将“在居民区”的状态转变为“在办公区”；
[0051]
中午，预期车辆处于“在办公区”状态；傍晚，车主驾车回家，即车辆通过道路将“在办公区”状态转变为“在居民区”的状态；
[0052]
夜晚，预期车辆处于“在居民区”状态。
[0053]
在一些可能的实施方式中，输入系统参数，包括车辆数量，各种类型车辆的电池容量，充电功率；对于充电模式，可以选择两种，包括常规充电和快速充电；对于常规充电，选取起始充电电量，接着计算充电时长，确定起始充电时刻；对于快速充电，在给定时间段内选择起始充电时刻，计算限时充电时间长度，之后选取起始充电电量，计算充电持续时间；之后对两种模式的负荷进行累加，判断是否达到不同类型车辆的样本数，当没有达到时，继续返回累加；当达到时，判断是否收敛，如果不收敛，从0重新计算；如果收敛，计算结束，输出电动汽车所需的充电负荷。
[0054]
本发明的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述一种电动汽车用电需求预测方法或上述一种电动汽车用电需求预测系统。
[0055]
本发明的第四方面，提供一种充电站，包括上述一种电动汽车用电需求预测方法或上述一种电动汽车用电需求预测系统。
[0056]
本发明的有益效果在于：
[0057]
通过电动汽车的空间分布规律和电动汽车的时间分布规律，得到起始充电时刻和起始充电电量，再将起始充电时刻和起始充电电量结合蒙特卡洛模拟法计算得到电动汽车负荷，进行预测，有助于电网提前安排和规划，避免电网因大规模电动汽车接入充电而崩溃。
附图说明
[0058]
图1为本发明实施例中一种电动汽车用电需求预测方法的步骤流程图；
[0059]
图2为本发明实施例中电动汽车状态转移的过程示意图；
[0060]
图3为本发明实施例中获取电动汽车起始充电电量的步骤流程图；
[0061]
图4为本发明实施例中结合蒙特卡洛模拟获取电动汽车所需的充电负荷的步骤流程图；
[0062]
图5为本发明实施例中具体示例居民区的家用电动汽车负荷随时间的变化曲线图；
[0063]
图6为本发明实施例本发明实施例中具体示例办公区的电动汽车负荷随时间的变化曲线图。
具体实施方式
[0064]
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0065]
本实施例提供一种电动汽车用电需求预测系统，包括
[0066]
起始充电时刻计算模块：获取电动汽车起始充电时刻，所述“获取电动汽车起始充
电时刻”具体为：
[0067]
将区域内的电动汽车划分为有效的三种状态：在居民区、在路上和在办公区，当车主在工作日驾驶电动汽车出行时，任何电动汽车都会经历状态转移过程，所述电动汽车在停车状态下进行充电；
[0068]
参照附图2所示，所述状态转移过程为:
[0069]
早上，预期车辆停在家中，行驶一段时间到达办公区，即通过道路将“在居民区”的状态转变为“在办公区”；
[0070]
中午，预期车辆处于“在办公区”状态；傍晚，车主驾车回家，即车辆通过道路将“在办公区”状态转变为“在居民区”的状态；
[0071]
夜晚，预期车辆处于“在居民区”状态。
[0072]
因此，将该区域内的车辆划分为早上与傍晚两个时段。
[0073]
获取电动汽车的转移概率矩阵a，公式如下：pn＝p0·an
，其中，n为状态转移的次数，pn为电动汽车处于各状态的概率分布向量，p0为电动汽车初始状态的概率分布向量，p0＝(x
10
，x
20
，x
30
)，x
10
，x
20
，x
30
分别为电动汽车最初分别处于“在居民区”、“在路上”和“在办公区”的概率值。
[0074]
获取电动汽车从状态xi转变为状态xj的概率p
ij
，公式如下：
[0075][0076]
根据车辆处于的状态获取起始充电时刻，公式如下：p
ij
＝p{xn＝xj|x
n-1
＝xi}；其中，xn＝xj表示n时刻车辆处于xj状态，x
n-1
＝xi表示n-1时刻车辆处于xi状态。
[0077]
起始充电电量计算模块：获取电动汽车起始充电电量，所述“获取电动汽车起始充电电量”具体为：
[0078]
获取电动汽车的日行驶里程l，将所述电动汽车的日行驶里程l近似为对数正态分布，即l～lnn(μ
x
,σ
x2
),其概率密度函数为：
[0079][0080]
其中，μ
x
为概率密度变量x的对数lnx的平均值，μ
x
＝3.20；σ
x
为上述概率密度函数变量x的对数lnx的标准差，σ
x
＝0.88。
[0081]
获取电动汽车的开始充电时间t，将开始充电时间t近似服从正态分布，即t～n(μ
t
,σ
t2
)，其概率密度函数为：
[0082]
[0083]
其中，μ
t
为概率密度变量t的对数lnt的平均值，μ
t
＝17.6；σ
t
为上述概率密度函数变量t的对数lnt的标准差，σ
t
＝3.4。
[0084]
通过所述电动汽车的日行驶里程l和电动汽车的开始充电时间t，得到电动汽车起始充电电量。
[0085]
充电负荷计算模块：根据所述起始充电电量和所述起始起始充电时刻，结合蒙特卡洛模拟法计算电动汽车所需的充电负荷。
[0086]
系统工作流程为：起始充电时刻计算模块通过计算获取电动汽车起始充电时刻，然后将电动汽车起始充电时刻发送到充电负荷计算模块；起始充电电量计算模块通过计算获取电动汽车起始充电电量，然后将电动汽车起始充电电量发送到充电负荷计算模块；充电负荷计算模块对接收到的电动汽车起始充电时刻和电动汽车起始充电电量结合蒙特卡洛模拟计算进行计算，得到电动汽车所需的充电负荷。
[0087]
参见附图1所示，本实施例中提供一种电动汽车用电需求预测方法，包括以下步骤：
[0088]
s1:通过电动汽车的空间分布获取电动汽车起始充电时刻，具体包括以下步骤：
[0089]
s11:先假设一个区域内的电动汽车总数为一固定值，而电动汽车处于不同状态下的数量小于电动汽车总数。将区域内的电动汽车划分为有效的三种状态：在居民区、在路上和在办公区，当车主在工作日驾驶电动汽车出行时，任何电动汽车都会经历状态转移过程，所述电动汽车在停车状态下进行充电。
[0090]
参照附图2所示，所述状态转移过程为:
[0091]
早上，预期车辆停在家中，行驶一段时间到达办公区，即通过道路将“在居民区”的状态转变为“在办公区”；
[0092]
中午，预期车辆处于“在办公区”状态；傍晚，车主驾车回家，即车辆通过道路将“在办公区”状态转变为“在居民区”的状态；
[0093]
夜晚，预期车辆处于“在居民区”状态。
[0094]
因此，将该区域内的车辆划分为早上与傍晚两个时段。
[0095]
s12:获取电动汽车的转移概率矩阵a，公式如下：pn＝p0·an
，其中，n为状态转移的次数，pn为电动汽车处于各状态的概率分布向量，p0为电动汽车初始状态的概率分布向量，p0＝(x
10
，x
20
，x
30
)，x
10
，x
20
，x
30
分别为电动汽车最初分别处于“在居民区”、“在路上”和“在办公区”的概率值，
[0096]
s13:获取电动汽车从状态xi转变为状态xj的概率p
ij
，公式如下：
[0097][0098]
s14:根据车辆处于的状态获取起始充电时刻，公式如下：p
ij
＝p{xn＝xj|x
n-1
＝xi}；其中，xn＝xj表示n时刻车辆处于xj状态，x
n-1
＝xi表示n-1时刻车辆处于xi状态。
[0099]
s2:通过电动汽车的时间分布获取电动汽车起始充电电量；参照附图3所示，具体包括以下步骤：
[0100]
s21:获取电动汽车的日行驶里程l，日行驶里程是影响电动汽车电量及电动汽车
车主的充电行为的一个重要因素，将所述电动汽车的日行驶里程l近似为对数正态分布，即l～lnn(μ
x
,σ
x2
),其概率密度函数为：
[0101][0102]
其中，μ
x
为概率密度变量x的对数lnx的平均值，μ
x
＝3.20；σ
x
为上述概率密度函数变量x的对数lnx的标准差，σ
x
＝0.88。
[0103]
s22:获取电动汽车的开始充电时间t，电动汽车车主的充电行为具有随机性、不确定性，开始充电时间是影响电动汽车充电量的另一个重要因素，将所述开始充电时间t近似服从正态分布，即t～n(μ
t
,σ
t2
)，其概率密度函数为：
[0104][0105]
其中，μ
t
为概率密度变量t的对数lnt的平均值，μ
t
＝17.6；σ
t
为上述概率密度函数变量t的对数lnt的标准差，σ
t
＝3.4。
[0106]
s23:通过所述电动汽车的日行驶里程l和电动汽车的开始充电时间t，得到电动汽车起始充电电量。
[0107]
s3:根据所述起始充电电量和所述起始充电时刻，计算电动汽车所需的充电负荷。
[0108]
根据所述起始充电电量和所述起始充电时刻，采用蒙特卡洛模拟法计算电动汽车负荷计算电动汽车所需的充电负荷。具体如下,参照附图4所示，输入系统参数，包括车辆数量，各种类型车辆的电池容量，充电功率；图中n代表不同类型车辆的样本数。对于充电模式，可以选择两种，包括常规充电和快速充电。对于常规充电，选取起始充电电量，接着计算充电时长，确定起始充电时刻；对于快速充电，在给定时间段内选择起始充电时刻，计算限时充电时间长度，之后选取起始充电电量，计算充电持续时间。之后对两种模式的充电负荷进行累加，判断是否达到不同类型车辆的样本数，当没有达到时，继续返回累加。当达到时，判断是否收敛，如果不收敛，从0重新计算；如果收敛，计算结束，输出总电能需求功率。
[0109]
具体示例：设定所讨论的区域内含有20000辆家用电动汽车，电动汽车最初出现三种状态的概率p0为(1/3，1/3，1/3)。早上，车主驾驶电动汽车上班，电动汽车最多经过两次状态转移即可完成从“在居民区”到“在办公区”状态的转换；同理，傍晚，车主从办公区返回家中，电动汽车最多经过两次状态转移即可完成从“在办公区”到“在居民区”状态的转换。因此，将一天的时间段划分为两部分：居民区域内，8：00-17：00为第一时段，车辆主要向办公区转移，0：00-8：00和17：00-24：00为第二时段，车辆主要向居民区转移；办公区域内，9：00-16：00为第一时段，位于办公区域的车辆较多，0：00-9：00和16：00-24：00为第二时段，位于办公区域的车辆较少。令
[0110][0111][0112]
其中am与ae分别表示早上与傍晚的车辆转移概率矩阵。由此得到起始充电电量和起始充电时刻，结合蒙特卡洛模拟法和matlab仿真获得电动汽车负荷及充电电量，具体如下参照附图4所示，输入系统参数，包括车辆数量，各种类型车辆的电池容量，充电功率；图中n代表不同类型车辆的样本数。对于充电模式，可以选择两种，包括常规充电和快速充电。对于常规充电，选取起始充电电量，接着计算充电时长，确定起始充电时刻；对于快速充电，在给定时间段内选择起始充电时刻，计算限时充电时间长度，之后选取起始充电电量，计算充电持续时间。之后对两种模式的负荷进行累加，判断是否达到不同类型车辆的样本数，当没有达到时，继续返回累加。当达到时，判断是否收敛，如果不收敛，从0重新计算；如果收敛，计算结束，输出总电能需求功率。
[0113]
参照附图4和图5所示的充电负荷曲线的差异主要是由于电动汽车从居民区向办公区移动造成的。上午，大部分电动汽车向工作区域移动，因此工作区域的用电需求比居民区更高，在这种情况下，电动汽车可以将电能从居民区转移到工作区，满足工作区域的用电高峰需求，利用电动汽车的移动性平衡不同区域的用电需求。中午时段，大部分车辆仍停在办公区域，越来越多的电动汽车接入电网进行充电，电动汽车负荷所需电量越来越高，并在12时左右迎来负荷高峰，办公区的负荷高峰最高达到了9000kw，之后迎来了下班高峰，车辆逐渐停止充电活动驶离办公区，办公区电动汽车负荷所需的电量迅速下降。车辆逐渐向居民区移动，居民区的电动汽车数量逐渐增多，大量电动汽车需在居民区充电，电动汽车充电所需电量增大，大约在18时居民区的充电所需电量达到最大值，充电需求超过1200kw。但一些电动汽车充满电后会停止充电，因此居民区电动汽车在经过较长时间的极高电力需求后，电动汽车所需的电量进入了下降状态，并在夜间进入低谷。同样，办公区的大量电动汽车被车主转移到居民区，夜间电力需求明显降低，并在夜间进入低谷，保持在较低水平。除此之外，居民区的峰期电动汽车电力需求和办公区的峰期电力需求有轻微差别，主要是因为居民区的电动汽车数量较多，而在白天，并非所有的电动汽车一定向办公区移动。因此，办公区的电动汽车数量小于居民区的电动汽车数量，这使得居民区电动汽车的高峰用电需求小于办公区的电动汽车高峰用电需求。
[0114]
由附图5和图6所见，无论是在办公区还是在居民区，家用电动汽车结束出行便接入电网充电的行为明显增加了峰期用电负荷，加重了白天的用电压力，电动汽车负荷极容易与中午到下午时段的高峰负荷累加，之后与傍晚的用电高峰重合，用电需求显著加大，电动汽车与常规负荷叠加的总用电需求曲线的峰期持续时间变长，峰值变大。在不干预电动汽车充电行为的条件下，若不对现有电网进行适当扩建，极可能使电网的部分区域处于重载状态。
[0115]
本实施例的又一方面还提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述计程序代码被处理器执行时实现一种电动汽车用电需求预测方法的步骤或执行一种电动汽车用电需求预测系统。
[0116]
其中，处理器还可以称为cpu(central processing unit，中央处理单元)。处理器可能是一种集成电路芯片，具有信号的处理能力。处理器可以是：
[0117]
dsp(digital signal processor，数字信号处理器，数字信号处理器是由大规模或超大规模集成电路芯片组成的用来完成某种信号处理任务的处理器。它是为适应高速实时信号处理任务的需要而逐渐发展起来的。随着集成电路技术和数字信号处理算法的发展，数字信号处理器的实现方法也在不断变化，处理功能不断提高和扩大。)
[0118]
asic(application specific integrated circuit，专用集成电路，即专用集成电路，是指应特定用户要求和特定电子系统的需要而设计、制造的集成电路。
[0119]
fpga(现场可编程门阵列，field programmable gate array)是在pal(programmable array logic，可编程阵列逻辑)、gal(generic array logic，通用阵列逻辑)等可编程器件的基础上进一步发展的产物。它是作为专用集成电路(asic)领域中的一种半定制电路而出现的，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。
[0120]
通用处理器，所述通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0121]
其他可编程逻辑器件、分立门或者晶体管逻辑器件和分立硬件组件等。
[0122]
存储介质存储有能够实现上述所有方法的程序指令，其中，该程序指令可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
[0123]
本实施例的又一方面还提供一种充电站，包括上述一种电动汽车用电需求预测方法或上述一种电动汽车用电需求预测系统。
[0124]
以上实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所做的等效变化或修饰，都应涵盖在本发明的保护范围内。