行之知识产权综合服务平台

1.一种基于效能最大化原则的电动汽车负荷预测方法，其特征在于， 包括： S1，构建电动汽车时空分布模型；首先对用户的出行目的分类，并考 虑用户驾驶情况，将出行链结构分为简单链和复杂链两种；然后对电动汽 车用户的起始出发时间，停车时间需求、空间转移、行驶距离和停车分布 位置数据进行调研分析，得出电动汽车在一天内的时空分布模型； S2，建立电动汽车充电站充电行为选择模型；以行驶距离、充电价格、 排队时间最小为目标函数，考虑不同用户的充电习惯，实现电动汽车对充 电站的选择； S3，电动汽车充电行为分析，分析电动汽车充电条件和充电时长；定 义充电条件有两个：一个是电动汽车电池现有剩余电量是否足以完成下一 段行程的行驶，为确保安全还需考虑10％的剩余电量；另一个是当用户到达 目的地后，若电动汽车剩余电量不满30％，用户也会选择充电；充电时长以 电动汽车从当前荷电量到充满电的时间； S4，基于S1、S2、S3进行电动汽车时空负荷预测：首先，基于出行链 建立电动汽车的时空分布模型，分析电动汽车起始出发时间、行驶目的地、 行驶距离、停车时间信息，得出电动汽车充电时空分布；然后基于效用最 大化原则选择对用户最有利的充电站进行充电，最终给出电动汽车充电负 荷的时间和空间分布。

2.根据权利要求1所述的一种基于效能最大化原则的电动汽车负荷预 测方法，其特征在于，所述S1中基于出行链的车辆出行时空模型基于以下 定义： 出行链是描述居民在一定时空间范围内为完成一系列的活动而产生的 时空间的变化过程，这个过程包含有出行者的时间、空间、活动目的、交 通方式等信息；电动汽车用户日常出行行为包括行驶目的地、出发时间、 行驶距离、停车时间其他信息；对电动汽车的出行行为调查分析，得出电 动汽车一天内的出行链；考虑到由于目前电动汽车处于试运行和逐步推广 阶段，电动汽车用户出行特征相关的、可靠的历史数据较为缺乏，定义电 动汽车具有与传统燃油汽车相似的出行特征： S1.1出行链结构：以家为车辆一天往返行程的起讫点；将出行目的分 为工作、购物娱乐、其他事务；在一个区域内，区域之间的车辆流动基本 可以忽略；因车辆在这四大类行程目的地之间行驶，充电行为发生在这四 大目的地；仅包含最长含3个行驶目的地的情况，将出行链结构可分为两 种模式：①简单链，以家为起讫点，只有一个出行目的；②复杂链，以家 为起讫点，有两个出行目的，共9种； S1.2出行链的时间特征：出行链中都有相应的链点，链点包含了电动 汽车上一次出行的到达时间和下一次出行的出发时间信息；从起始出发时 间和停车时间分析电动汽车出行链的时间特征； (1)起始出发时间；电动汽车起始出发时间主要集中在上午 7:00-9:00，采用对数正太分布函数对电动汽车其实出发时间进行拟合； f ( x ) = 1 2 Π σ x e ( ln x - μ ) 2 2 σ 2 x > 0 0 x ≤ 0 ]]> 式中，参数μ和σ²根据当地居民出行调研数据统计确定； (2)停车时间分布；电动汽车用户在城市不同目的地会具有不同的选 择行为；由于停车持续时间与下一次目的地出发时间密切相关，本用来 表示电动汽车在位置τ1时t时刻中的停车需求概率，式中τ1＝H,W,SR,O表示 电动汽车当前所在位置；则电动汽车的停车概率矩阵可表示为 Q τ 1 = [ q t τ 1 ] = q 1 H ... q 24 H q 1 W ... q 24 W q 1 S R ... q 24 S R q 1 O ... q 24 O ]]> 对t时刻到达目的地τ1的电动汽车进行MonteCarlo可以计算出电动汽 车在目的地τ1停车时长 S1.3出行链的空间特征，包括： (1)空间转移：马尔科夫过程是用于描述具有无后效性的随机过程： 若每次状态的转移只与前一刻的状态有关而与过去的状态无关，离散马尔 科夫过程称为马尔科夫链；记当前时刻的状态为E_i，下一时刻的状态为E_j， 则马尔科夫链可用条件概率表示 P(E_i→E_j)＝P(E_j/E_i)＝P_ij 若将每个行驶目的地视为一个状态，根据马尔科夫理论，车辆下一个 状态即由当前状态决定；记为p_ij从状态E_i转为状态E_j的状态转移概率，则其 一步状态转移概率可写成矩阵形式为, 其中p_ij满足如下条件： 0 < p i j < 1 i , j = 1 , 2 ... n Σ j = 1 n p i j = 1 i = 1 , 2 ... n ]]> 依据上式就表示出电动汽车从一个目的地行驶到另一个目的地的一步 转移概率为 式中，p_ij可根据当地居民出行调研数据统计确定； (2)行驶距离：电动汽车的出发地和目的地不同，行驶距离分布就不 相同，记当前位置状态E_i转移下一时刻位置状态E_j的转移距离为l_ij，与电动 汽车空间转移概率不同的是，l_ij是满足参数为(μ_ij，)的正态分布函数f_ij；按 照电动汽车空间转移矩阵形式，这里也给出转移距离矩阵 其中，f_ij满足如下条件： f i j = 0 i = j f i j = f j i i , j = 1 , 2 ... n ]]> 式中，f_ij根据当地居民出行调研数据统计确定； (3)分布位置：电动汽车在出行目的地分布位置是实现对充电站的选 择的重要信息，由于电动汽车的分布位置不易统计，来表示电动汽车 在目的地τ1中以(x,y)为中心点半径为r的区域停车概率，式中τ1＝H,W,SR,O。

3.根据权利要求1所述的一种基于效能最大化原则的电动汽车负荷预 测方法，其特征在于，所述S2中，电动汽车充电站充电行为选择模型基于 以下定义：定义用户做出的选择会使自身利益最大化即用户趋向选择行驶 距离短、充电价格低、排队时间短的充电站对电动汽车进行充电；可表示 为 min ( λ 1 T j d + λ 2 T j w + λ 3 C j ) ]]> 式中，表示电动汽车到充电站j的行驶时间；表示电动汽车到达充 电站j后的排队时长；C_j表示电动汽车在充电站j的充电消费；λ₁、λ₂和λ₃分 别表示用户对行驶时长、排队时长和充电费用的权衡度，不同用户的充电 习惯不同，对效能的理解和选择野不完全相同，因此λ₁、λ₂和λ₃应根据用户 的效能需求确定。

4.根据权利要求1所述的一种基于效能最大化原则的电动汽车负荷预 测方法，其特征在于，电动汽车充电行为分析基于充电条件和充电时长的 获取： S4.1,充电条件：考虑较多的为一天一充的情况，实际上用户行驶到某 个目的地时是否会充电往往取决于电动汽车电池现有剩余电量是否足以完 成下一段行程的行驶，为确保安全还需考虑10％的剩余电量；另根据用户充 电习惯，当用户到达目的地后，若电动汽车剩余电量不满30％，用户也会选 择充电；电动汽车行驶到目的地i时的充电条件如下 S_iC-Wl_ij＜0.1C S_i＜0.3 式中，S_i表示电动汽车行驶到目的地i时的荷电状态；C指电池容量；W 是电动汽车平均每公里耗电量；l_ij表示电动汽车从目的地i转移到目的地j时 的转移距离； S4.2,充电时长：电动汽车充电持续时间由电池容量、起始荷电状态和 充电功率水平等因素共同决定；车辆若需在充电站m充电，则其充电时长可 估计为 T c m = ( 1 - S m ) C ηP c ]]> 式中，表示车辆在充电站m的充电时长，S_m表示电动汽车到达充电 站m的荷电量；η为充电效率；P_c为电动汽车平均充电功率。

5.根据权利要求1所述的一种基于效能最大化原则的电动汽车负荷预 测方法，其特征在于，所述S4的具体方法是：循环N次，求出该辆电动汽 车期望充电曲线；对所有的电动汽车都执行步骤S4.1至S4.11，最终得出 各充电站曲线； S4.1：初始化电动汽车出发t₁和出行链长度r； S4.2：以家d₁为起讫点，根据状态转移概率矩阵生成电动汽车下一个 转移目的地d₂，根据电动汽车转移距离矩阵，生成电动汽车转移距离l_1,2， 并计算电动汽车到达目的地d₂的时间t₂，和SOC₂； S4.3：判断r＝2；如果相等，则电动汽车第三个转移目的地d₃是家， 可以根据之前的转移距离，计算SOC₃，转S4.4；如果不相等，则根据状态 转移概率矩阵生成电动汽车下一个转移目的地d₃，生成转移距离l_2,3，计算 SOC₃，并根据到达第二个目的地的时间t₂和目的地d₂的停车特性，生成电 动汽车停车时间结合转移距离l_2,3，更新到达目的地d₃的时间t₃，转 S4.7； S4.4：判断SOC₂＜0.3或SOC₃＜0.1；如果满足其中任何一个条件，则电 动汽车在目的地d₂充电；根据目的地d₂生成电动汽车当前具体位置(x,y)， 根据当电动汽车时空分布，计算电动汽车到各个充电站能效，求出能效最 大充电站S₂；根据电动汽车到S₂的距离及排队时间，更新电动汽车SOC₂和 t₂，根据电动汽车充电特性生成充电曲线，并更新SOC₂，SOC₃；如果不满 足任何一个条件，直接转S4.5； S4.5：电动汽车到达第三个转移目的地家d₃一定充电，根据到达第二 个目的地的时间t₂和目的地d₂的停车特性，生成电动汽车停车时间结 合转移距离l_2,3(l_2,3＝l_1,2)，更新到达目的地家d₃的时间t₃；根据目的地d₃生 成电动汽车当前具体位置(x,y)，计算电动汽车到各个充电站能效，求出能 效最大充电站S₃；根据电动汽车到S₃的距离及排队时间，更新电动汽车SOC₃和t₃，根据电动汽车充电特性生成充电曲线；结束电动汽车出行，转S4.11； S4.7：判断SOC₂＜0.3或SOC₃＜0.1；如果满足其中任何一个条件，则电 动汽车在目的地d₂充电；根据目的地d₂生成电动汽车当前具体位置(x,y)， 根据当电动汽车时空分布，计算电动汽车到各个充电站能效，求出能效最 大充电站S₂；根据电动汽车到S_max的距离及排队时间，更新电动汽车SOC₂和 t₂，根据电动汽车充电特性生成充电曲线，并更新SOC₃；如果不满足其中 任何一个条件，直接转S4.8； S4.8：如果电动汽车不在目的地d₂充电，则由于电动汽车第四个转移 目的地d₄是家，生成l_3,4，计算SOC₄，同时根据到达第三个目的地的时间t₃和 目的地d₃的停车特性，生成电动汽车停车时间结合转移距离l_3,4，更新 到达目的地家d₄的时间t₄； S4.9：判断SOC₃＜0.3或SOC₄＜0.1；如果满足其中任何一个条件；根据 目的地d₃生成电动汽车当前具体位置(x,y)计算电动汽车到各个充电站能 效，求出能效最大充电站S₃；根据电动汽车到S₃的距离及排队时间，更新 电动汽车SOC₃和t₃，根据电动汽车充电特性生成充电曲线，并更新SOC₄； 如果不满足其中任何一个条件，直接转S4.10； S4.10：电动汽车到达第四个转移目的地家d₄充电；最后根据目的地d₄生成电动汽车当前具体位置(x,y)计算电动汽车到各个充电站能效，求出能 效最大充电站S₄；根据电动汽车到S₄的距离及排队时间，更新电动汽车 SOC和t₄，根据电动汽车充电特性生成充电曲线； S4.11：结束，给出各充电站充电负荷曲线。

1.一种基于效能最大化原则的电动汽车负荷预测方法，其特征在于， 包括： S1，构建电动汽车时空分布模型；首先对用户的出行目的分类，并考 虑用户驾驶情况，将出行链结构分为简单链和复杂链两种；然后对电动汽 车用户的起始出发时间，停车时间需求、空间转移、行驶距离和停车分布 位置数据进行调研分析，得出电动汽车在一天内的时空分布模型； S2，建立电动汽车充电站充电行为选择模型；以行驶距离、充电价格、 排队时间最小为目标函数，考虑不同用户的充电习惯，实现电动汽车对充 电站的选择； S3，电动汽车充电行为分析，分析电动汽车充电条件和充电时长；定 义充电条件有两个：一个是电动汽车电池现有剩余电量是否足以完成下一 段行程的行驶，为确保安全还需考虑10％的剩余电量；另一个是当用户到达 目的地后，若电动汽车剩余电量不满30％，用户也会选择充电；充电时长以 电动汽车从当前荷电量到充满电的时间； S4，基于S1、S2、S3进行电动汽车时空负荷预测：首先，基于出行链 建立电动汽车的时空分布模型，分析电动汽车起始出发时间、行驶目的地、 行驶距离、停车时间信息，得出电动汽车充电时空分布；然后基于效用最 大化原则选择对用户最有利的充电站进行充电，最终给出电动汽车充电负 荷的时间和空间分布。

2.根据权利要求1所述的一种基于效能最大化原则的电动汽车负荷预 测方法，其特征在于，所述S1中基于出行链的车辆出行时空模型基于以下 定义： 出行链是描述居民在一定时空间范围内为完成一系列的活动而产生的 时空间的变化过程，这个过程包含有出行者的时间、空间、活动目的、交 通方式等信息；电动汽车用户日常出行行为包括行驶目的地、出发时间、 行驶距离、停车时间其他信息；对电动汽车的出行行为调查分析，得出电 动汽车一天内的出行链；考虑到由于目前电动汽车处于试运行和逐步推广 阶段，电动汽车用户出行特征相关的、可靠的历史数据较为缺乏，定义电 动汽车具有与传统燃油汽车相似的出行特征： S1.1出行链结构：以家为车辆一天往返行程的起讫点；将出行目的分 为工作、购物娱乐、其他事务；在一个区域内，区域之间的车辆流动基本 可以忽略；因车辆在这四大类行程目的地之间行驶，充电行为发生在这四 大目的地；仅包含最长含3个行驶目的地的情况，将出行链结构可分为两 种模式：①简单链，以家为起讫点，只有一个出行目的；②复杂链，以家 为起讫点，有两个出行目的，共9种； S1.2出行链的时间特征：出行链中都有相应的链点，链点包含了电动 汽车上一次出行的到达时间和下一次出行的出发时间信息；从起始出发时 间和停车时间分析电动汽车出行链的时间特征； (1)起始出发时间；电动汽车起始出发时间主要集中在上午 7:00-9:00，采用对数正太分布函数对电动汽车其实出发时间进行拟合； f ( x ) = 1 2 Π σ x e ( ln x - μ ) 2 2 σ 2 x > 0 0 x ≤ 0 ]]> 式中，参数μ和σ²根据当地居民出行调研数据统计确定； (2)停车时间分布；电动汽车用户在城市不同目的地会具有不同的选 择行为；由于停车持续时间与下一次目的地出发时间密切相关，本用来 表示电动汽车在位置τ1时t时刻中的停车需求概率，式中τ1＝H,W,SR,O表示 电动汽车当前所在位置；则电动汽车的停车概率矩阵可表示为 Q τ 1 = [ q t τ 1 ] = q 1 H ... q 24 H q 1 W ... q 24 W q 1 S R ... q 24 S R q 1 O ... q 24 O ]]> 对t时刻到达目的地τ1的电动汽车进行MonteCarlo可以计算出电动汽 车在目的地τ1停车时长 S1.3出行链的空间特征，包括： (1)空间转移：马尔科夫过程是用于描述具有无后效性的随机过程： 若每次状态的转移只与前一刻的状态有关而与过去的状态无关，离散马尔 科夫过程称为马尔科夫链；记当前时刻的状态为E_i，下一时刻的状态为E_j， 则马尔科夫链可用条件概率表示 P(E_i→E_j)＝P(E_j/E_i)＝P_ij 若将每个行驶目的地视为一个状态，根据马尔科夫理论，车辆下一个 状态即由当前状态决定；记为p_ij从状态E_i转为状态E_j的状态转移概率，则其 一步状态转移概率可写成矩阵形式为, 其中p_ij满足如下条件： 0 < p i j < 1 i , j = 1 , 2 ... n Σ j = 1 n p i j = 1 i = 1 , 2 ... n ]]> 依据上式就表示出电动汽车从一个目的地行驶到另一个目的地的一步 转移概率为 式中，p_ij可根据当地居民出行调研数据统计确定； (2)行驶距离：电动汽车的出发地和目的地不同，行驶距离分布就不 相同，记当前位置状态E_i转移下一时刻位置状态E_j的转移距离为l_ij，与电动 汽车空间转移概率不同的是，l_ij是满足参数为(μ_ij，)的正态分布函数f_ij；按 照电动汽车空间转移矩阵形式，这里也给出转移距离矩阵 其中，f_ij满足如下条件： f i j = 0 i = j f i j = f j i i , j = 1 , 2 ... n ]]> 式中，f_ij根据当地居民出行调研数据统计确定； (3)分布位置：电动汽车在出行目的地分布位置是实现对充电站的选 择的重要信息，由于电动汽车的分布位置不易统计，来表示电动汽车 在目的地τ1中以(x,y)为中心点半径为r的区域停车概率，式中τ1＝H,W,SR,O。

3.根据权利要求1所述的一种基于效能最大化原则的电动汽车负荷预 测方法，其特征在于，所述S2中，电动汽车充电站充电行为选择模型基于 以下定义：定义用户做出的选择会使自身利益最大化即用户趋向选择行驶 距离短、充电价格低、排队时间短的充电站对电动汽车进行充电；可表示 为 min ( λ 1 T j d + λ 2 T j w + λ 3 C j ) ]]> 式中，表示电动汽车到充电站j的行驶时间；表示电动汽车到达充 电站j后的排队时长；C_j表示电动汽车在充电站j的充电消费；λ₁、λ₂和λ₃分 别表示用户对行驶时长、排队时长和充电费用的权衡度，不同用户的充电 习惯不同，对效能的理解和选择野不完全相同，因此λ₁、λ₂和λ₃应根据用户 的效能需求确定。

4.根据权利要求1所述的一种基于效能最大化原则的电动汽车负荷预 测方法，其特征在于，电动汽车充电行为分析基于充电条件和充电时长的 获取： S4.1,充电条件：考虑较多的为一天一充的情况，实际上用户行驶到某 个目的地时是否会充电往往取决于电动汽车电池现有剩余电量是否足以完 成下一段行程的行驶，为确保安全还需考虑10％的剩余电量；另根据用户充 电习惯，当用户到达目的地后，若电动汽车剩余电量不满30％，用户也会选 择充电；电动汽车行驶到目的地i时的充电条件如下 S_iC-Wl_ij＜0.1C S_i＜0.3 式中，S_i表示电动汽车行驶到目的地i时的荷电状态；C指电池容量；W 是电动汽车平均每公里耗电量；l_ij表示电动汽车从目的地i转移到目的地j时 的转移距离； S4.2,充电时长：电动汽车充电持续时间由电池容量、起始荷电状态和 充电功率水平等因素共同决定；车辆若需在充电站m充电，则其充电时长可 估计为 T c m = ( 1 - S m ) C ηP c ]]> 式中，表示车辆在充电站m的充电时长，S_m表示电动汽车到达充电 站m的荷电量；η为充电效率；P_c为电动汽车平均充电功率。

5.根据权利要求1所述的一种基于效能最大化原则的电动汽车负荷预 测方法，其特征在于，所述S4的具体方法是：循环N次，求出该辆电动汽 车期望充电曲线；对所有的电动汽车都执行步骤S4.1至S4.11，最终得出 各充电站曲线； S4.1：初始化电动汽车出发t₁和出行链长度r； S4.2：以家d₁为起讫点，根据状态转移概率矩阵生成电动汽车下一个 转移目的地d₂，根据电动汽车转移距离矩阵，生成电动汽车转移距离l_1,2， 并计算电动汽车到达目的地d₂的时间t₂，和SOC₂； S4.3：判断r＝2；如果相等，则电动汽车第三个转移目的地d₃是家， 可以根据之前的转移距离，计算SOC₃，转S4.4；如果不相等，则根据状态 转移概率矩阵生成电动汽车下一个转移目的地d₃，生成转移距离l_2,3，计算 SOC₃，并根据到达第二个目的地的时间t₂和目的地d₂的停车特性，生成电 动汽车停车时间结合转移距离l_2,3，更新到达目的地d₃的时间t₃，转 S4.7； S4.4：判断SOC₂＜0.3或SOC₃＜0.1；如果满足其中任何一个条件，则电 动汽车在目的地d₂充电；根据目的地d₂生成电动汽车当前具体位置(x,y)， 根据当电动汽车时空分布，计算电动汽车到各个充电站能效，求出能效最 大充电站S₂；根据电动汽车到S₂的距离及排队时间，更新电动汽车SOC₂和 t₂，根据电动汽车充电特性生成充电曲线，并更新SOC₂，SOC₃；如果不满 足任何一个条件，直接转S4.5； S4.5：电动汽车到达第三个转移目的地家d₃一定充电，根据到达第二 个目的地的时间t₂和目的地d₂的停车特性，生成电动汽车停车时间结 合转移距离l_2,3(l_2,3＝l_1,2)，更新到达目的地家d₃的时间t₃；根据目的地d₃生 成电动汽车当前具体位置(x,y)，计算电动汽车到各个充电站能效，求出能 效最大充电站S₃；根据电动汽车到S₃的距离及排队时间，更新电动汽车SOC₃和t₃，根据电动汽车充电特性生成充电曲线；结束电动汽车出行，转S4.11； S4.7：判断SOC₂＜0.3或SOC₃＜0.1；如果满足其中任何一个条件，则电 动汽车在目的地d₂充电；根据目的地d₂生成电动汽车当前具体位置(x,y)， 根据当电动汽车时空分布，计算电动汽车到各个充电站能效，求出能效最 大充电站S₂；根据电动汽车到S_max的距离及排队时间，更新电动汽车SOC₂和 t₂，根据电动汽车充电特性生成充电曲线，并更新SOC₃；如果不满足其中 任何一个条件，直接转S4.8； S4.8：如果电动汽车不在目的地d₂充电，则由于电动汽车第四个转移 目的地d₄是家，生成l_3,4，计算SOC₄，同时根据到达第三个目的地的时间t₃和 目的地d₃的停车特性，生成电动汽车停车时间结合转移距离l_3,4，更新 到达目的地家d₄的时间t₄； S4.9：判断SOC₃＜0.3或SOC₄＜0.1；如果满足其中任何一个条件；根据 目的地d₃生成电动汽车当前具体位置(x,y)计算电动汽车到各个充电站能 效，求出能效最大充电站S₃；根据电动汽车到S₃的距离及排队时间，更新 电动汽车SOC₃和t₃，根据电动汽车充电特性生成充电曲线，并更新SOC₄； 如果不满足其中任何一个条件，直接转S4.10； S4.10：电动汽车到达第四个转移目的地家d₄充电；最后根据目的地d₄生成电动汽车当前具体位置(x,y)计算电动汽车到各个充电站能效，求出能 效最大充电站S₄；根据电动汽车到S₄的距离及排队时间，更新电动汽车 SOC和t₄，根据电动汽车充电特性生成充电曲线； S4.11：结束，给出各充电站充电负荷曲线。