考虑实时动态能耗的电动汽车充电路径规划

由于电动汽车在行驶途中电量耗尽的风险较大,亟须研究一种有利于减轻用户出行焦虑的电动汽车充电路径规划方法。文中通过选取能够准确反映实际道路中用户驾驶特性的行驶工况特征参数,分析各特征参数与耗电量之间的相关性以及特征之间的相关性强弱,采用主成分分析对特征进行降维,基于信息熵模糊聚类方法对行驶工况进行分类,构建电动汽车行驶途中的动态能耗模型。并基于此考虑路径选择及电池剩余电量约束,建立以出行总距离、总时间及充电价格三者权值之和最小为目标的电动汽车充电路径规划模型。以某市实际交通路网规划18 km×18 km区域,分析采用实时能耗对充电路径规划的影响以及不同优化目标对用户充电路径优化结果的影响,验证了所提规划方法的可行性及有效性。     

基于时空耦合特性的充电站运行状态预测

提出一种基于时空耦合特性和深度学习模型的充电站运行状态预测方法。首先,基于充电站历史运行数据和所在区域的交通通行速度数据集,利用k-means聚类方法将充电站划分为不同类型,分析充电站运行状态在时间上的特性;建立单个充电站的"偏移量-交通-时间"三维矩阵模型,深度挖掘充电站运行状态与周边交通状况在时间和空间上的耦合相关性。其次,将充电站状态与交通状况的时间滞后相关特性进行空间重构,利用卷积神经网络进行特征提取,通过长短期记忆网络进行时间序列预测,构建基于Keras深度学习框架的充电站运行状态多步预测模型。最后,以20个充电站的真实运行数据进行验证,并与多种预测算法进行对比,结果表明,所提方法具有较高的预测精度。     

多信息耦合下的充电站信息预测方法研究

为解决电动汽车用户在有充电需求时“充电站难寻”及充电时间等待问题,文章提出了多信息互联耦合下的电动汽车充电站运营状态预测方法,首先利用高德地图及e充网基于Python爬虫技术收集预测区域内的交通路况信息及充电站信息,分析所在地气象状况及周边交通状况与充电桩忙闲状态之间的相关性。最后采用深度信念网络预测模型对充电站的运营状态进行预测,以某充电站实际数据进行算例分析,结果表明所提出的预测模型能够更准确地对充电站内充电桩的使用数目进行预测,并验证该预测结果可为用户在未来短期时间段内的可用充电站提供依据,均衡充电站之间的设备利用率。     

基于用户驾驶行为特性的电动汽车有序充电策略

电动汽车用户重点关注充电的便利性,但用户在享受便利的同时往往会对电网产生不良的影响。因此,在充电过程中如何同时兼顾用户的便利性和电网的安全性,成为亟待解决的问题。针对上述问题,提出基于用户驾驶行为特性的电动汽车有序充电策略。采用主成分分析和模糊聚类相结合的方法研究用户的驾驶行为特性,预测电动汽车的续驶里程。据此计算车辆每次充电的充电量,同时根据局域配电网负荷曲线,对电动汽车充电进行调度。通过模拟群体电动汽车用户的出行行为,对比分析了电动汽车在无序充电和不同用户响应率下有序充电时的配电网负荷曲线,结果表明所提策略可以有效地减少配电网负荷的峰谷差,提高用户对有序充电策略的积极性。     

基于GPS轨迹挖掘的电动出租车充电站规划

针对现有充电站的规划布局不能充分考虑电动汽车动态充电需求分布和用户充电排队问题的不足,提出了一种基于全球定位系统(GPS)轨迹挖掘的电动出租车充电站规划方法。通过对出租车的GPS轨迹数据和城市交通态势数据进行数据处理,挖掘城市居民打车需求的起屹点(OD)分布特征;设计电动出租车的充电仿真算法,模拟实际场景中电动出租车的接单行为、行驶行为及充电行为,建立电动出租车的充电需求时空分布预测模型;在此基础上,综合考虑充电站建设运行成本、电动出租车到站时间成本及充电等待时间成本,建立充电站规划模型。通过实际算例验证了所提规划模型的有效性,并进一步分析了充电站的建设成本系数、电动出租车的时间成本折算系数、权重系数大小等参数对规划结果的灵敏度。结果表明：居民打车需求的OD分布决定了电动出租车的充电需求时空分布情况;在进行充电站规划时,充电机数量受充电站数量的变化影响较大,且电动出租车时间成本的变化对总成本的影响相对较明显。     

基于动态哈夫模型及双边匹配的电动汽车充电引导策略

由于充电站中充电桩数目有限且电动汽车充电耗时长,陆续产生充电需求的各电动汽车用户存在对充电站资源的竞争。这不仅增加了用户排队概率,降低了充电站收益和利用率,而且使得用户在充电站规模、价格、评价等方面的个性化需求得不到充分满足。为此,提出了一种动态哈夫模型与双边匹配方法相结合的电动汽车充电引导策略。首先,对充电站客流、充电订单和充电桩详情等真实数据集进行大数据挖掘,分析公共充电站用户的充电站选择偏好和充电行为特征;然后,基于动态哈夫模型,结合用户充电站选择偏好量化不同区域用户前往不同充电站的概率,并生成充电站推荐列表;最后,将前景理论与双边匹配策略相结合,进行充电引导。算例分析表明,所提策略大幅降低了用户的排队概率,在满足用户个性化充电需求的同时,保障了充电站利益。     

基于时空耦合特性的充电站运行状态预测

提出一种基于时空耦合特性和深度学习模型的充电站运行状态预测方法。首先,基于充电站历史运行数据和所在区域的交通通行速度数据集,利用k-means聚类方法将充电站划分为不同类型,分析充电站运行状态在时间上的特性;建立单个充电站的"偏移量-交通-时间"三维矩阵模型,深度挖掘充电站运行状态与周边交通状况在时间和空间上的耦合相关性。其次,将充电站状态与交通状况的时间滞后相关特性进行空间重构,利用卷积神经网络进行特征提取,通过长短期记忆网络进行时间序列预测,构建基于Keras深度学习框架的充电站运行状态多步预测模型。最后,以20个充电站的真实运行数据进行验证,并与多种预测算法进行对比,结果表明,所提方法具有较高的预测精度。