一种基于三链马尔科夫模型的电动汽车数量预测方法

1.本发明涉及电动汽车虚拟储能技术领域，尤其是涉及一种基于三链马尔科夫模型的电动汽车数量预测方法。


背景技术：

2.随着电动汽车规模化增长，其对电网的影响不断增大，一方面由于电动汽车具有充电间歇性与随机性的特点，当大规模电动汽车接入电网时会产生较大的功率波动与冲击，这必然会给接入的电力系统带来巨大的挑战。另一方面由于电动汽车拥有负荷和电源的双重属性，其可作为一种灵活的可平移负荷，这又给接入电力系统的调度带来了机遇。在此背景下，作为继有序充电与v2g之后的理念升华与技术升级，电动汽车虚拟储能(ev-ves)得到了一定发展，其中，电动汽车出行地点数量预测是影响电动汽车虚拟储能参与电网优化调度的重要方面。
3.目前，电动汽出行地点数量主要包括两种预测方法，一种是利用数量预测相关影响因素的历史数据，通过对机器学习算法模型进行训练，再利用训练好的模型对电动汽车的数量进行预测；另一种则是通过构建电动汽车的出行链，以进行预测，比如采用单链马尔科夫模型对出行链进行预测，但由于电动汽车的出行不仅受到了上个时刻所处位置的影响，还受到了其他多种因素的共同影响，例如时间、天气等，导致该方法的预测精度较低，无法保证电动汽车有效参与电网优化调度。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于三链马尔科夫模型的电动汽车数量预测方法，通过对单链马尔科夫模型进行改进，建立三链马尔科夫模型，以提升电动汽车随机路径在多种因素共同作用下的预测精度。
5.本发明的目的可以通过以下技术方案来实现：一种基于三链马尔科夫模型的电动汽车数量预测方法，包括以下步骤：
6.s1、获取电动汽车出行时间、天气、出发地、目的地的信息数据；
7.s2、对获取的信息数据进行预处理，筛选出有效数据；
8.s3、将有效数据按照设定时间段划分为多组数据；
9.s4、对多组数据进行统计处理，分别统计各组数据中从指定地点、时间、天气到另一指定地点、时间、天气状态下所有电动汽车的数量，进而得到状态转移频数矩阵；
10.通过求解计算，得到总的状态转移概率矩阵，即得到某一时刻下电动汽车即将到达地点的概率分布情况；
11.由此构建得到三链马尔科夫模型，所述三链马尔科夫模型考虑了时间和天气对电动汽车出行链的影响；
12.s5、根据当前时间段电动汽汽车在不同地点的数量、以及相应的状态转移概率，结合三链马尔科夫模型，计算得到下一时间段电动汽车的数量。
13.进一步地，所述步骤s2具体是采用邻近均值法对获取的信息数据进行预处理，以对数据缺失值和异常值进行补全。
14.进一步地，所述步骤s3具体是将有效数据划分为对应于一天24个时间段的24组数据。
15.进一步地，所述步骤s4具体包括以下步骤：
16.s41、通过对电动汽车每天的出行目的地、时间变化、出行天气数据进行筛选统计，求解出电动汽车的目的地集合、出行时间集合以及出行天气集合；
17.s42、求解初始状态概率分布，所述初始状态概率分布具体为电动汽车初始出行时的状态概率分布矩阵；
18.s43、分别求解电动汽车出行时间的状态转移概率矩阵、电动汽车出行天气的状态转移概率矩阵；
19.s44、求解三链马尔科夫模型t时刻出行路径状态转移概率矩阵。
20.进一步地，所述步骤s41中电动汽车的目的地集合具体为：
[0021][0022]
其中，s
x
为电动汽车访问次数超过设定阈值的目的地集合，n为目的地的总数目；
[0023]
电动汽车的出行时间集合具体为：
[0024][0025]
其中，ty为电动汽车的出行时间集合，m＝24，m为出行时间段的总数目；
[0026]
电动汽车的出行天气集合具体为：
[0027][0028]
其中，rz为电动汽车的出行天气集合，k为出行天气的类别总数目。
[0029]
进一步地，所述步骤s42中初始状态概率分布包括电动汽车初始出行时所处位置的概率分布矩阵、电动汽车初始出行时间的概率分布矩阵、电动汽车初始出行时天气状态的概率分布矩阵。
[0030]
进一步地，所述电动汽车初始出行时所处位置的概率分布矩阵具体为：
[0031][0032]
其中，π1为电动汽车初始出行时所处位置的概率分布矩阵，为电动汽车初始出行时所处位置的概率；
[0033]
电动汽车初始出行时间的概率分布矩阵具体为：
[0034][0035]
其中，π2为电动汽车初始出行时间的概率分布矩阵，为电动汽车初始出行时间为t
i2
的概率；
[0036]
电动汽车初始出行时天气状态的概率分布矩阵具体为：
[0037][0038]
其中，π3为电动汽车初始出行时天气状态的概率分布矩阵，为电动汽车初始出
行时天气状态为的概率。
[0039]
进一步地，所述步骤s43中电动汽车出行时间的状态转移概率矩阵具体为：
[0040][0041]
其中，a2为电动汽车出行时间的状态转移概率矩阵，为电动汽车出行时的时间由t
i2
变成的状态转移概率；
[0042]
电动汽车出行天气的状态转移概率矩阵具体为：
[0043][0044]
其中，a3为电动汽车出行天气的状态转移概率矩阵，为电动汽车出行时的天气由变成的状态转移概率。
[0045]
进一步地，所述步骤s44具体包括以下步骤：
[0046]
s441、建立各个目的地之间各个时间段的状态转移概率集合a1；
[0047]
s442、根据上个时刻的出行时间状态分布概率矩阵以及上个时刻的出行天气状态分布概率矩阵，分别令矩阵中最大元素值为1、其他元素值为0，以对应得到第一矩阵和第二矩阵；
[0048]
s443、将状态转移概率集合a1中各个矩阵依次与第一矩阵、第二矩阵相乘，得到新的状态转移矩阵集合
[0049]
s444、根据新的状态转移矩阵集合即可得到t时刻的出行路径状态转移概率矩阵
[0050]
进一步地，所述步骤s441中状态转移概率集合a1具体为：
[0051]
a1＝[ah→w,aw→h,aw→o,ao→w,ao→h,ah→o]
[0052][0053][0054][0055][0056][0057]
所述步骤s443中新的状态转移矩阵集合具体为：
[0058][0059]
所述步骤s444中t时刻的出行路径状态转移概率矩阵具体为：
[0060][0061]
其中，w、h和o分别对应于出行路径中的居家区、工作区和其他区域这三个地点，p
为概率。
[0062]
与现有技术相比，本发明充分考虑电动汽车出行时间以及天气对随机路径的影响，通过引入三个马尔科夫链之间的相关条件概率，以构建得到三链马尔科夫模型，进而提升电动汽车随机路径在其他因素共同作用下的预测精确度，能够准确地对不同地点的电动汽车数量进行预测，有利于后续使电动汽车虚拟储能更好地参与电力网络的优化调度。
[0063]
本发明通过获取并筛选有效数据，通过对数据进行统计处理，以分别统计各组组数据中从指定地点、时间、天气到另一指定地点、时间、天气状态下所有电动汽车的数量，进而得到状态转移频数矩阵；再通过求解计算得到总的状态转移概率矩阵，得某一时刻电动汽车即将到达地点的概率分布情况。由此可靠保证了构建的三链马尔科夫模型的准确性，即使各地点电动汽车数量的预测更加精准。
附图说明
[0064]
图1为本发明的方法流程示意图。
具体实施方式
[0065]
下面结合附图和具体实施例对本发明进行详细说明。
[0066]
实施例
[0067]
如图1所示，一种基于三链马尔科夫模型的电动汽车数量预测方法，包括以下步骤：
[0068]
s1、获取电动汽车出行时间、天气、出发地、目的地的信息数据；
[0069]
s2、对获取的信息数据进行预处理，筛选出有效数据；
[0070]
s3、将有效数据按照设定时间段划分为多组数据；
[0071]
s4、对多组数据进行统计处理，分别统计各组数据中从指定地点、时间、天气到另一指定地点、时间、天气状态下所有电动汽车的数量，进而得到状态转移频数矩阵；
[0072]
通过求解计算，得到总的状态转移概率矩阵，即得到某一时刻下电动汽车即将到达地点的概率分布情况；
[0073]
由此构建得到三链马尔科夫模型，所述三链马尔科夫模型考虑了时间和天气对电动汽车出行链的影响；
[0074]
s5、根据当前时间段电动汽汽车在不同地点的数量、以及相应的状态转移概率，结合三链马尔科夫模型，计算得到下一时间段电动汽车的数量。
[0075]
本实施例应用上述技术方案，在步骤s2中，具体是采用邻近均值法对获取的信息数据进行预处理，以对数据缺失值和异常值进行补全，通过引入电动汽车在不同的时间、天气状态下各地点数量的数据，并采用邻近均值法对数据进行预处理，对数据缺失值和异常值进行补全，使得获取的数据更加精准有效。
[0076]
本实施例在步骤s3中，具体是将有效数据划分为对应于一天24个时间段的24组数据。
[0077]
本实施例考虑到电动汽车的停靠地点很多，有家庭、公司、商场等地方，但充电桩的地点一般可分为居家区、工作区和其他区域这三个地方，因此分别用w、h和o分别对应表示电动汽车出行路径中居家区、工作区和其他区域这三个地点。在执行步骤s4时，主要包括
以下内容：
[0078]
i、求解状态集合s
x
、ty、rz，对电动汽车的每天的出行目的地、时间的变化以及出行时的天气状况的数据进行筛选统计。s
x
表示电动汽车频繁访问目的地的集合，其中频繁访问的目的地的总数目为n；
[0079]
ty表示出行时间集合，m＝24，m为出行时间段的总数目；
[0080]rz
表示出行天气集合，k为出行天气的类别总数目。
[0081]
ii、求解初始状态概率分布π1、π2、π3。
[0082]
π1表示电动汽车初始出行时所处位置的概率分布矩阵，表示电动汽车初始出行时所处位置的概率；π2表示电动汽车初始出行时间的概率分布矩阵，表示电动汽车初始出行时间为t
i2
的概率；π3表示电动汽车初始出行时天气状态的概率分布矩阵，表示电动汽车初始出行时天气状态为的概率。
[0083]
iii、求解电动汽车出行时间的状态转移概率矩阵a2以及出行天气的状态转移概率矩阵a3。
[0084][0085]
为电动汽车出行时的时间由t
i2
变成的状态转移概率
[0086][0087]
为电动汽车出行时的天气由变成的状态转移概率。
[0088]
iv、求解三链马尔科夫模型t时刻出行路径状态转移概率矩阵的过程为：
[0089]
首先，建立各个目的地之间各个时间段的状态转移概率集合：
[0090]
a1＝[ah→w,aw→h,aw→o,ao→w,ao→h,ah→o]
ꢀꢀꢀ
(1)
[0091]
其中：
[0092][0093][0094][0095][0096][0097]
接着，根据上个时刻的出行时间状态分布概率矩阵ty，可以表示为：
[0098][0099]
令ty中最大值为1、其他值为0，得到新矩阵l＝[0
…1…
0]。
[0100]
然后，令状态转移矩阵集合a1中各个矩阵与矩阵l
t
相乘，得到新的状态转移矩阵集
合可表示为：
[0101][0102]
同理，根据上个时刻的出行天气状态分布概率矩阵rz，令rz中最大值为1、其他值为0，得到新矩阵，然后，令状态转移矩阵集合中各个矩阵与其相乘，得到新的状态转移矩阵集合
[0103]
最后，由可得t时刻的状态转移概率矩阵：
[0104][0105]
v、依据公式，通过当前时间段电动汽汽车在不同地点的数量和状态转移概率，计算出下一时间段电动汽车的数量。
[0106]
综上所述，本技术方案在单链马尔科夫模型的基础上，考虑了电动汽车出行时间以及天气对随机路径的影响，即在建立电动汽车随机路径模型时，考虑了电动汽车出行时间以及天气对随机路径的影响。通过引入三个马尔科夫链之间的相关条件概率，得到了一个三链马尔科夫模型，相比于原单链马尔科夫模型具有更高的精度，使各地点电动汽车数量的预测更加精准。改进的三链马尔科夫模型能更准确地预测某时刻不同地点的的电动汽车数量，能够在一定程度上提升电动汽车虚拟储能可用容量的预测精确度，从而使电动汽车虚拟储能更好地参与电力网络的优化调度，提高电力系统的的安全性以及可靠性。而电动汽车数量的预测，有助于电动汽车负荷估算，能够为电动汽车虚拟储能可用容量的估算打下基础，从而缓解大量无序ev并网对电网的冲击，即对电动汽车有序并网、合理参与电力系统的优化调度，具有重要的意义。