1.一种电动汽车充电负荷预测的方法,其特征在于,所述电动汽车充电负荷预测的方法主要包括:步骤S1,将电动汽车出行目的地分为四大类,统计电动汽车的每日出行数据以得到电动汽车的出行特征,并建立电动汽车的出行模型;
步骤S2,建立交通网络拓扑模型,并从NHTS 2017中筛选出行时间落在城市发生拥堵时间段内的数据集;
步骤S3,根据筛选出的数据建立行驶时间与其他变量的多元线性回归模型;
步骤S4,根据以上建立电动汽车的出行模型和多元线性回归模型,对某区域内电动汽车充电负荷进行预测。
2.根据权利要求1所述的电动汽车充电负荷预测的方法,其特征在于:步骤S1具体包括:步骤S11,将所述目的地划分为生活区、工作区、商业区和娱乐区;
步骤S12,由NHTS 2017数据集,拟合得到电动汽车在休息日与工作日的出行特征;
步骤S13,由上一步骤的拟合结果,结合电动汽车出行基本模型,建立电动汽车工作日与休息日的出行模型。
3.根据权利要求2所述的电动汽车充电负荷预测的方法,其特征在于:步骤S12中,所述出行特征为电动汽车的出发起始地、目的地、在目的地的停留时间。
4.根据权利要求2所述的电动汽车充电负荷预测的方法,其特征在于:步骤S12中所述电动汽车在休息日与工作日的首次出行时刻以及电动汽车不同日期类型下在不同地区的停留时间满足正态分布:其中的μ0、σ0由NHTS 2017中的数据集进行拟合得到。
5.根据权利要求2所述的电动汽车充电负荷预测的方法,其特征在于:电动汽车出行的所述基本模型包括行驶时间、第i次行程到达目的地的时刻和第i+1次行程的起始出行时刻、电动汽车剩余电量、电动汽车的充电概率模型;
行驶时间则如下式所示:
其中,Lij表示目的地i与目的地j之间的实际距离,V表示电动汽车的平均行驶速度;
则第i次行程到达目的地的时刻tdi和第i+1次行程的起始出行时刻to(i+1)如下:tdi=toi+T
to(i+1)=toi+tpi+T
其中,T为行驶时长,tpi为第i次行程的停车时长;
充电时的电池剩余电量需要根据上一段行驶里程来计算,计算公式如下所示:其中,L为上一段行驶里程,SOCend上一段行驶里程结束后的电池剩余电量,SOCbefore为上一段旅程开始之前的电池电池剩余电量,Lmax为满电状态下电动汽车最大行驶里程。
6.根据权利要求1所述的电动汽车充电负荷预测的方法,其特征在于:步骤S2具体包括:步骤S21,基于图论对路网模型进行建模,并对城市道路交通高峰时间段进行假设;
步骤S22,从NHTS 2017数据集中筛选出处于城市道路交通高峰时间段的数据集,分为工作日早高峰、工作日晚高峰、休息日早高峰、休息日晚高峰。
7.根据权利要求1所述的电动汽车充电负荷预测的方法,其特征在于:步骤S3具体包括:步骤S31,对数据集进行预处理;
步骤S32,对处理完成的数据进行描述,观察数据集的特征,判断是否使用此数据集进行多元线性回归;
步骤S33,建立多元线性回归模型,并进行参数的最小二乘估计,得到行驶时间与其他变量的线性回归方程,并进行显著性检验。
8.根据权利要求7所述的电动汽车充电负荷预测的方法,其特征在于:步骤S31中,需将得到的数据集进一步的处理,删除对建立多元线性回归模型无用的数据段。
9.根据权利要求7所述的电动汽车充电负荷预测的方法,其特征在于,步骤S32中,利用回归模型进行数据分析,若误差项不满足正态性假定,给定参数λ值,对被解释变量做Box‑Cox变换:其中,参数λ采用极大似然估计来确定。
10.根据权利要求7所述的电动汽车充电负荷预测的方法,其特征在于,步骤S33中,令其中,Y为电动汽车出行的行驶时间,X为对电动汽车行驶时间影响较大的自变量,β为模型的参数,ε为误差项,反映除了X外,对因变量Y取值变异产生影响的其他因素;
则多元线性回归模型可以表示为:
Y=Xβ+ε
建立的多元线性回归模型的参数β0,β1,…βk是未知的,需要利用样本估计量进行估计,得到了估计的多元回归方程:其中 表示电动汽车行驶时间的估计, 表示当自变量X2,X3,...,Xk不变时,X1每变动一个单位,电动汽车行驶时间平均变动 个单位, 表示当自变量X1,X3,...,Xk不变时,X2每变动一个单位,电动汽车行驶时间平均变动 个单位,......, 表示当自变量X1,X3,...,Xk‑1不变时,Xk每变动一个单位,电动汽车行驶时间平均变动 个单位;
采用最小二乘法估计多元线性回归模型中的参数:
通过如下方程组求使得Q达到最小的
多元线性回归模型中,随机误差项ε方差的估计量为