[发明专利]用于城市电动汽车的时空充电负荷的预测方法

权利要求书

1.一种用于城市电动汽车的时空充电负荷的预测方法，所述的城市电动汽车包括电动家用车、电动出租车和电动公交车，其特征在于，所述预测方法包括以下步骤：

S1、获得电动家用车、电动出租车和电动公交车的充电负荷，具体包括以下步骤：

S11、运用蒙特卡洛对电动家用车在交通道路网中不同出行链类别下的出行轨迹进行模拟，得到电动家用车的时空充电负荷，包括以下子步骤：

S111、将待预测区域划分为住宅区、工作区和商业区，设待预测区域的道路为双向通行道路，用无向图表示道路拓扑结构，则道路拓扑结构G的表达式为：

G＝(U,W)

其中，U表示待预测区域所有道路节点的集合，W表示具有连接关系的道路节点的集合；

S112、根据步骤S111中的道路拓扑图，设待预测区域的道路共有h个节点，将待预测区域的所有道路节点用h*h的邻接矩阵D表示，将待预测区域道路节点的连接权值用ω表示，所述邻接矩阵D中的元素d_ij的赋值表达式为：

其中，ω_ij为待预测区域道路节点中相邻节点i和节点j之间的连接权值；inf表示待预测区域道路节点中两个节点之间不相连，0代表节点i和节点j为用一节点，距离为0；

S113、基于步骤S12中待预测区域交通路网信息的输入，根据电动家用车的三种出行情况得到路径p＝(v₁,v₂,...,v_g,...,v_k')权值的表达式，三种出行情况分别为回家H、工作G和行程A，所述行程A包括社交休闲和购物饮食，路径p＝(v₁,v₂,...,v_g,...,v_k')权值ω(p)的表达式为：

其中，v_g为电动家用车出行情况中路径p经过的第g个节点；

在待预测区域通路中，从节点i到节点j的最短路径的权值σ(i,j)表达式为：

σ(i,j)＝min{ω(p)}

因此，以待预测区域通路中最短路径为目标，采用迪杰斯特拉算法求取在待预测区域通路中的最优路径；

S114、根据电动家用车的出行轨迹和出行数据，对电动家用车的初始出行时刻f_c(t)采用正态分布进行拟合，即：

其中，μ_c是电动家用车起始出行时刻t的期望值；σ_c是起始出行时刻的标准差；μ_c和σ_c的取值分别与电动家用车出行链类别和行程起讫点有关；

S115、在待预测区域通路中，电动家用车用户在不同功能区停留时间s必须大于等于充电时间T_i，若电动家用车从节点i-1到某一功能区节点i后的剩余电量SOC_i0.3时，则在对应的功能区充电，直到充满为止，若不满足，则不选择充电；电动家用车从节点i-1到某一功能区节点i后的剩余电量SOC_i的表达式为：

其中，E_h为电动家用车的电池总容量；α为行驶单位里程的耗电量；l_i-1,i为从待预测区域的通路图i-1节点处到i节点处的行驶里程；

S12、根据电动出租车的运营需求和充电方式，运用蒙特卡洛得到出租车的充电负荷，包括以下子步骤：

S121、根据电动出租车的运营情况和出行历史数据，采用对数正态分布对电动出租车用户每天的行驶里程f_l1(x₁)进行拟合，即：

其中，μ_l1为每一辆电动出租车行驶里程x₁的期望值；σ_l1为每一辆电动出租车行驶里程x₁标准差；μ_l1和σ_l1从对数正态分布公式对电动出租车用户每天行驶里程的真实数据进行拟合以后的数据进行取值；

S122、根据电动出租车的出行轨迹和出行历史数据，采用均匀分布对电动出租车用户的充电起始时间f_s1(t₂)进行拟合，即：

其中，a为电动出租车充电起始时间t₂的最小取值；b为电动出租车充电起始时间t₂的最大取值；a和b从均匀分布公式对电动出租车用户充电起始时间的真实数据进行拟合以后的数据进行取值；

对电动出租车每天的行驶里程进行分析，得到所需充电量，进而结合充电起始时间得到电动出租车充电负荷；

S13、根据电动公交车的运营情况和充电策略，运用蒙特卡洛得到电动公交车的充电负荷，包括以下子步骤：

S131、根据电动公交车的运营情况和出行历史数据，采用对数正态分布对电动公交车用户每天的行驶里程f_l2(x₂)进行拟合，即：

其中，μ_l2为每一辆电动公交车行驶里程x₂的期望值；σ_l2为每一辆电动公交车行驶里程x₂标准差；μ_l2和σ_l2从对数正态分布公式对电动公交车用户每天行驶里程的真实数据进行拟合以后的数据进行取值；

S132、根据电动公交车的出行轨迹和出行历史数据，采用均匀分布对电动公交车用户的充电起始时间f_s2(t₃)进行拟合，即：

其中，a'为电动公交车充电起始时间t₃的最小取值；b'为电动公交车充电起始时间t₃的最大取值；a'和b'从均匀分布公式对电动公交车用户充电起始时间的真实数据进行拟合以后的数据进行取值；

对电动公交车每天的行驶里程进行分析，得到所需充电量，进而结合充电起始时间得到电动公交车充电负荷；

S2、采用BP网络拟合电动家用车、电动出租车和电动公交车的充电负荷与城市电动汽车时空充电负荷的非线性关系：

S21、根据BP网络的非线性拟合，在待预测区域通路中，得到电动家用车、电动出租车和电动公交车的充电负荷与城市电动汽车时空充电负荷的非线性关系中隐含层的第m个节点的输出值o_m为：

其中，net_m为神经网络中隐含层第m个节点的输入；w_mn为神经网络中输入层第n个节点到隐含层第m个节点之间的权值；x_n为神经网络中输入层的第n个节点的输入；θ_m为神经网络中隐含层第m个节点的阈值；φ为神经网络中隐含层的激励函数；

S22、根据BP网络的非线性拟合，在待预测区域通路中，得到电动家用车、电动出租车和电动公交车的充电负荷与城市电动汽车时空充电负荷的非线性关系中输出层第k个节点的输出值o_k为：

式中，net_k为神经网络中输出层第k个节点的输入；w_km为神经网络中隐含层第m个节点到输出层第k个节点的权值；o_m为神经网络中隐含层的第m个节点的输出值；a_k为神经网络中输出层第k个节点的阈值；为神经网络中输出层激励函数；o_k为神经网络中输出层第k个节点的输出；

S23、将步骤S21和S22的正向传播过程得到的BP网络输出值和实际值之间的误差进行反向传播，以实现对BP网络的权值阈值的修正，用于神经网络修正的误差函数定义的表达式为：

式中，o_k为非线性关系中输出层第k个节点的输出，T_k为与o_k相对应的实际值；

S24、对神经网络中输出层的权值和阈值进行修正的表达式为：

式中，Δw_km为神经网络中输出层权值的修正值；η为学习速率；Δa_k为神经网络中输出层阈值的修正值；

S25、对神经网络中隐含层的权值和阈值进行修正的表达式为：

式中，Δw_mn为神经网络中隐含层权值的修正值；η为学习速率；Δθ_m为神经网络中隐含层阈值的修正值；

S26、根据步骤S24和S25不断改进神经网络中的权值阈值，对输出值o_k进行初步预测之后，BP网络非线性拟合的更新过程继续进行，直到误差达到精度要求，获得BP网络的输出值和输入值的非线性关系，从而获得城市电动汽车的时空充电负荷曲线。