一种电动汽车充电功率计算方法与流程

1.本发明一种电动汽车充电功率计算方法，属于电动汽车领域，涉及能源设施规划与运行，特别涉及一种兼顾用户出行规律和电池自身状态的电动汽车充电功率计算方法。


背景技术：

2.电动汽车作为双碳背景下缓解能源危机与环境污染问题的重要途径，近年来得到了迅猛的发展。电动汽车的普及将引发大量充电需求，但电动汽车用户的出行特性以及日常充电行为习惯存在差异，大规模的电动汽车充电功率在时空分布上将具有高度的随机性和分散性，势必将对配电网的安全稳定运行带来更加严峻的挑战。准确预估电动汽车充电功率的时空分布不仅是研究电动汽车对配电网影响的基础，也是推进充电设施优化规划、电动汽车充放电功率有序调度研究的必要前提。
3.目前已有不少国内外学者针对电动汽车充电功率预估展开了研究，主要是通过统计模型分析电动汽车充电负荷的时空特性，模拟电动汽车用户出行规律，考虑不同影响因素下电动汽车用户充电行为的差异，对电动汽车充电功率进行预估。但大都忽略了电池状态与用户对潜在行程的焦虑心理对充电功率时空分布的影响，随着电动汽车使用年限的增加，电动汽车的动力电池的容量将逐渐降低，内阻逐渐升高，同样数值的电池荷电状态值对应的电量将变少。伴随着电量的不足，电动汽车用户可能产生里程焦虑心理，将会选择把电池的荷电状态值保持在一个更高的水平。因此需要将电动汽车的电池状态与用户对潜在行程的焦虑心理作为影响电动汽车用户充电决策的关键因素，提出更为实际合理的电动汽车充电功率预估方法。


技术实现要素：

4.本发明目的在于解决现有技术中缺点与不足，提出一种兼顾用户出行规律和电池自身状态的电动汽车充电功率计算方法，将电动汽车的电池状态与用户对潜在行程的焦虑心理作为影响电动汽车用户充电决策的关键因素，建立充电功率决策模型，实现电动汽车单日内的充电功率准确预估与计算。
5.本发明解决其技术问题通过采取如下技术方案达到：
6.一种电动汽车充电功率计算方法，所述方法包括如下步骤：
7.s1、根据电动汽车用户出行特征，利用车联网数据库数据对出行链中的时空特征参量进行统计分析综合并建立数学模型以模拟用户出行规律；
8.s2、针对电动汽车用户充电习惯的不同，构造不同的概率分布函数对电动汽车用户的单个充电行为特性进行实况模拟；
9.s3、将电动汽车电池状态与用户对潜在行程的焦虑心理作为影响电动汽车用户充电功率决策的关键因素，确定充电的功率大小与充电的持续时间长度；
10.s4、运用计算机抽样模拟与实况仿真方法模拟每辆电动汽车的出行习惯与充电习惯，进而对单辆电动汽车每日内的充电功率进行预估计算；
11.s5、叠加每辆电动汽车经过考虑自身状态修正后的充电功率预估计算结果，得到单日内电动汽车充电功率时空分布曲线。
12.在上述的电动汽车充电功率计算方法，所述步骤s1中基于车联网数据库的出行链中的时空特征参量包括日出行个数、首次离家出发时刻、在途单次行程时长、驻留时间长度、单次行程出发目的地以及在途单次行程距离。
13.在上述的电动汽车充电功率计算方法，所述步骤s1中基于车联网数据库数据的出行链中的时空特征参量统计分析综合并建立数学模型的方式为：通过对数正态分布概率密度函数对日出行个数、在途单次行程时长、在途单次行程距离进行统计分析综合并建立数学模型；采用正态分布概率密度函数对首次离家出发时刻进行统计分析综合并建立数学模型；将电动汽车用户单次行程出发地和目的地类型分为居民小区、办公区、商务区与文化娱乐区四类，通过空间状态转移矩阵对单次行程出发地和目的地的转移特性进行建模；依据单次行程出发地和目的地类型将驻留时间长度按居民小区、办公区和其他区三类进行划分，采用威布尔分布与广义极值分布分别对居民小区与办公区和其他区的驻留时间长度进行统计分析综合并建立数学模型。
14.在上述的电动汽车充电功率计算方法，所述步骤s2中考虑的用户充电习惯相关特征包括电动汽车用户日行程中的理想充电电池荷电状态值soce、用户日行程中首次离家出行电池荷电状态值socf和表征电动汽车用户小功率充电起始充电的电池荷电状态值soc
l
；
15.在上述的一种兼顾用户出行规律和电池自身状态的电动汽车充电功率计算方法，所述步骤s2中采用均匀分布概率密度函数对电动汽车用户日行程中的理想充电电池荷电状态值soce进行统计分析综合并建立数学模型，并将抽样过程中的soc
exp
赋给soc1；
16.在上述的电动汽车充电功率计算方法，所述步骤s2中采用正态分布概率密度函数对电动汽车用户小功率充电起始充电的电池荷电状态值soc
l
进行统计分析综合并建立数学模型。
17.在上述的电动汽车充电功率计算方法，所述步骤s3中电池状态以刻画电动汽车电池实际容量与额定容量的比值，服从均匀分布u(0.8,1)。
18.在上述的电动汽车充电功率计算方法，所述步骤s3中的用户对潜在行程的焦虑心理通过用户对里程的焦虑系数η来刻画。
19.在上述的电动汽车充电功率计算方法，所述步骤s3中电池状态与用户对潜在行程的焦虑心理满足下式：
[0020][0021]
式中，η为刻画用户里程焦虑的里程焦虑系数，sob为电池状态。
[0022]
在上述的电动汽车充电功率计算方法，所述步骤s3中的电动汽车用户对是否充电以及充电功率的大小的选择满足下式：
[0023][0024]
式中，0代表充电功率为零，亦即不充电；soc
r，i
为电动汽车到达单次行程出发目的地di的剩余电池荷电状态值；q为电动汽车电池的实际容量，单位为kw h；ω为电动汽车每公里的耗电量，单位为kw h/km；d
i+1
为第i+1次出行的在途单次行程距离，单位为km；pf为大功率充电功率，p
l
为小功率充电功率，单位为kw；t
p，i
为电动汽车在单次行程出发目的地di的驻留时间长度，单位为s。
[0025]
在上述的一种兼顾用户出行规律和电池自身状态的电动汽车充电功率计算方法，所述步骤s3中的充电的持续时间长度满足下式：
[0026][0027]
式中，pi为电动汽车在单次行程出发目的地di时选择的充电功率。
[0028]
本发明相对于现有技术具有的优点与积极效果是：
[0029]
本发明考虑了用户日出行个数，构建了更为详细的电动汽车出行预估模型；将用户充电倾向、电动汽车电池状态和用户对潜在行程的焦虑心理考虑在内，建立了更为真实的用户充电决策模型，能够更加实际准确地预估单日内电动汽车的充电功率的时空分布。
附图说明
[0030]
图1是本发明的流程框图；
[0031]
图2是本发明的出行链示意图；
[0032]
图3是本发明的电动汽车单日内充电功率预估计算流程图。
具体实施方式
[0033]
以下结合附图与实施例对本发明做进一步详细描述：
[0034]
如图1所示，图1为本发明方法的整体流程框图，本发明是一种兼顾用户出行规律和电池自身状态的电动汽车充电功率计算方法，其创新之处在于，包括以下步骤：
[0035]
s1、根据电动汽车用户出行特征，利用车联网数据库数据对出行链中的时空特征参量进行统计分析综合并建立数学模型以模拟用户出行规律；
[0036]
本发明中，基于车联网数据库的出行链中的电动汽车用户的时空特征参量如图2所示，图中虚线表示电动汽车的行程中的行驶过程，实线表示电动汽车行程中的停车驻留过程，黑色实心圆表示电动汽车开始和结束行程的时刻，空心圆表示电动汽车用户行程目的地各自对应的到达以及离开时刻；电动汽车用户的时空特征参量包括独立特征参量：日出行个数m、首次离家出发时刻t
s，1
、在途单次行程时长t
r，i
、驻留时间长度t
p，i
、单次行程出发目的地di以及在途单次行程距离di，以及非独立特征参量：到达时刻t
a，i
和下一行程开始时刻t
s，i+1
；非独立参量由下式计算得到：
[0037][0038]
本发明中，通过对数正态分布概率密度函数对日出行个数m、在途单次行程时长tr、在途单次行程距离d进行统计分析综合并建立数学模型；采用正态分布概率密度函数对首次离家出发时刻t
s，1
进行统计分析综合并建立数学模型；将电动汽车用户单次行程出发目的地di类型分为居民小区、办公区、商务区与文化娱乐区四类，通过空间状态转移矩阵对单次行程出发目的地di的转移特性进行建模；将驻留时间长度t
p
依据单次行程出发地和目的地的特点划分居民小区、办公区和其他区三类进行拟合，采用威布尔分布与广义极值分布分别对居民小区与办公区和其他区的驻留时间长度进行统计分析综合并建立数学模型；同时认为电动汽车用户首次行程出发地均为居民小区；
[0039]
本发明中，对日出行个数m通过对数正态分布进行统计分析综合并建立数学模型，其概率密度函数如下式：
[0040][0041]
式中，μ
l
和σ
l
，由具体车联网数据库数据确定；
[0042]
本发明中，对首次离家出发时刻t
s，1
采用正态分布进行统计分析综合并建立数学模型，其概率密度函数如下式：
[0043][0044]
式中，μ
t
和σ
t
由具体车联网数据库数据确定；
[0045]
本发明中，对在途单次行程时长tr采用对数正态分布进行统计分析综合并建立数学模型，其概率密度函数如下式：
[0046][0047]
式中，μ
t
和σ
t
由具体车联网数据库数据确定；
[0048]
本发明中，根据单次行程出发地和目的地类型确定驻留时间长度，统计分析综合并建立数学模型过程中，可对不同单次行程出发目的地类型选择不同的概率分布函数，包括威布尔分布、广义极值分布等。具体的分布函数选择根据对具体车联网数据库数据的统计分析综合并建立数学模型效果来确定；
[0049]
本发明中，认为当前行程出发目的地与当前所在地和行程出发时刻之间存在一定关联性，考虑以15min作为时间间隔，将一天离散化成96个子时段，统计分析每个子时段内用户在各区域之间的转移情况；本发明单次行程出发地有四种可能，单次行程出发目的地有四种可能，则t子时段内建立的空间转移概率矩阵规模为4
×
4，具体形式如下式所示：
[0050][0051]
式中，代表第t个子时段内用户单次行程出发地为di，单次行程出发目的地
为dj的概率，并且应满足考虑到现实中区域覆盖范围比较广，存在用户驾车在同一块区域内进行转移的情况，矩阵中的对角线元素不一定为零，即p
t,k,k
≠0；
[0052]
本发明中，认为在途单次行程距离d服从在途单次行程时长tr条件下的正态分布，具体条件概率密度函数如公式下式所示：
[0053][0054]
式中，μd(tr)和σd(tr)由具体车联网数据库数据确定。
[0055]
s2、针对电动汽车用户充电习惯的不同，构造不同的概率分布函数对电动汽车用户的单个充电行为特性进行实况模拟；
[0056]
本发明中，考虑的用户充电习惯相关特征包括电动汽车用户日行程中的理想充电电池荷电状态值soce、用户日行程中首次离家出行电池荷电状态值socf和表征电动汽车用户小功率充电起始充电的电池荷电状态值soc
l
；
[0057]
本发明中，认为电动汽车用户日行程中的理想充电电池荷电状态值soce服从均匀分布u(0.8,1)，并将抽样过程中的soce赋给socf；
[0058]
本发明中，认为电动汽车用户小功率充电起始充电的电池荷电状态值soc
l
服从正态分布n(0.5,0.1)。
[0059]
s3、将电动汽车电池状态与用户对潜在行程的焦虑心理作为影响电动汽车用户充电功率决策的关键因素，确定充电的功率大小与充电的持续时间长度；
[0060]
本发明中，电池状态(state of battery，sob)用以刻画电动汽车电池实际容量与额定容量的比值，服从均匀分布u(0.8,1)，用户对潜在行程的焦虑心理通过用户对里程的焦虑系数η来刻画，电池状态与用户对潜在行程的焦虑心理满足下式：
[0061][0062]
式中，η为刻画用户里程焦虑的里程焦虑系数，sob为电池状态；
[0063]
本发明中，电动汽车用户对是否充电以及充电功率的大小的选择满足下式：
[0064][0065]
式中，0代表充电功率为零，亦即不充电；soc
r，i
为电动汽车到达单次行程出发目的地di的剩余电池荷电状态值；q为电动汽车电池的实际容量，单位为kw h；ω为电动汽车每公里的耗电量，单位为kw h/km；d
i+1
为第i+1次出行的在途单次行程距离，单位为km；pf为大功率充电功率，p
l
为小功率充电功率，单位为kw；t
p，i
为电动汽车在单次行程出发目的地di的驻留时间长度，单位为s。
[0066]
本发明中，用户进行选择充电的持续时间长度满足下式：
[0067][0068]
式中，pi为电动汽车在单次行程出发目的地di时选择的充电功率。
[0069]
s4、运用计算机抽样模拟与实况仿真方法模拟每辆电动汽车的出行习惯与充电习惯，进而对单辆电动汽车单日内的充电功率进行预估计算；
[0070]
本发明中，单辆电动汽车单日内的充电功率预估过程如图3所示，其步骤如下：
[0071]
s401、根据概率密度函数，抽取电动汽车电池状态sob；
[0072]
s402、根据电动汽车电池状态sob计算电动汽车电池实际容量；
[0073]
s403、根据电动汽车电池状态sob计算用户对里程的焦虑系数；
[0074]
s404、考虑电动汽车用户充电行为习惯，抽取理想充电电池荷电状态值和用户小功率充电起始充电的电池荷电状态值，并计算首次离家出行电池荷电状态值；
[0075]
s405、首次出行以居民小区为行程出发地，抽取日出行个数；
[0076]
s406、根据空间状态转移矩阵抽取行程出发目的地；
[0077]
s407、根据此次行程出发地与目的地抽取在途单次行程时长；
[0078]
s408、根据在途单次行程时长抽取在途单次行程距离；
[0079]
s409、根据行程出发地和目的地类型抽取驻留时间长度；
[0080]
s4010、进行充电功率的决策；
[0081]
s411、根据充电功率计算实际充电的持续时间长度，记录电动汽车充电功率、位置与时段；
[0082]
s412、判断电动汽车是否是最后一次出行，若是则结束一天出行，否则转入步骤s406，重复步骤s406-s411。
[0083]
s5、叠加每辆电动汽车经过考虑自身状态修正后的充电功率预估计算结果，得到单日内电动汽车充电功率时空分布曲线。
[0084]
本发明将用户充电行为习惯、电动汽车电池状态和用户对潜在行程的焦虑心理考虑在内，建立了更为真实的用户充电决策模型，能够更加实际准确地预估单日内电动汽车的充电功率的时空分布，具有较强的实用性。
[0085]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。