基于高阶马尔可夫链的纯电重卡集群负荷预测方法.pdf

上传人:梁腾 文档编号:14337502 上传时间:2024-02-19 格式:PDF 页数:24 大小:2.54MB
收藏 版权申诉 举报 下载
基于高阶马尔可夫链的纯电重卡集群负荷预测方法.pdf_第1页
第1页 / 共24页
基于高阶马尔可夫链的纯电重卡集群负荷预测方法.pdf_第2页
第2页 / 共24页
基于高阶马尔可夫链的纯电重卡集群负荷预测方法.pdf_第3页
第3页 / 共24页
文档描述:

《基于高阶马尔可夫链的纯电重卡集群负荷预测方法.pdf》由会员分享,可在线阅读,更多相关《基于高阶马尔可夫链的纯电重卡集群负荷预测方法.pdf(24页完成版)》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202311146717.2(22)申请日 2023.09.07(71)申请人 国网河北省电力有限公司邯郸供电分公司地址 056002 河北省邯郸市丛台区中华北大街48号 申请人 南京国电南自电网自动化有限公司华北电力大学(保定)(72)发明人 刘航李遵守申皓田志杰纪陵徐庆华钟永洁马明禹李靖霞董宇卢思远陈雷陈嘉瑞余洋范明康(74)专利代理机构 天津盛理知识产权代理有限公司 12209专利代理师 陈娟(51)Int.Cl.G06Q 10/047(2023.01)G06Q 50/06(2012.01)。

2、G06F 18/20(2023.01)H02J 3/00(2006.01)(54)发明名称一种基于高阶马尔可夫链的纯电重卡集群负荷预测方法(57)摘要本发明提供了一种基于高阶马尔可夫链的纯电重卡集群负荷预测方法,首先,在考虑软时间窗约束实现纯电重卡路径规划的基础上,通过分析纯电重卡行驶特性预测其开始充电时间,以获取各时刻纯电重卡充电数量;其次,对纯电重卡的荷电状态区间进行模糊双层离散化分区处理,将每个大区间进一步细分为n个小区间,提高预测精度;之后,在求取纯电重卡荷电状态多步转移概率基础上,采用高阶马尔可夫链建立集群负荷预测模型,实现更为精确的负荷预测。本发明构建的负荷预测模型较准确地预测了纯。

3、电重卡集群功率,同时减小了普通马尔科夫链方法的预测误差。权利要求书5页 说明书14页 附图4页CN 117132008 A2023.11.28CN 117132008 A1.一种基于高阶马尔可夫链的纯电重卡集群负荷预测方法,其特征在于,首先,在考虑软时间窗约束实现纯电重卡路径规划的基础上,通过分析纯电重卡行驶特性预测其开始充电时间,以获取各时刻纯电重卡充电数量;其次,对纯电重卡的荷电状态区间进行模糊双层离散化分区处理,将每个大区间进一步细分为n个小区间;最后,在求取纯电重卡荷电状态多步转移概率基础上,采用高阶马尔可夫链建立集群负荷预测模型,实现负荷预测。2.根据权利要求1所述的方法,其特征在于。

4、,具体包括以下步骤:采集并处理纯电重卡行驶特性数据及其运行区域路网数据;描述纯电重卡集群配送网络道路拓扑结构;通过软时间窗约束实现纯电重卡配送最优路径规划;分析纯电重卡行驶特性数据预测其开始充电时间,统计得到各时刻开始充电的纯电重卡数量;采用泊松分布的方法对比预测纯电重卡各时刻到达充电站开始充电的数量;对纯电重卡的荷电状态进行模糊分区;在模糊分区的基础上,继续进行第二层离散化,将每个大区间细分为n个小区间;求解高阶马尔可夫链需要的两个重要参数,转移概率矩阵和权重值;根据所得转移概率矩阵和权重值建立纯电重卡集群充电负荷聚合模型;输出负荷预测数据到调度管控平台,用于制定日前调度计划。3.根据权利要。

5、求2所述的方法,其特征在于,所述纯电重卡集群配送网络道路拓扑结构采用无向图表示,道路图表示为G(F,E),其中F表示无向图中道路节点的集合,E表示所有道路,用邻接矩阵表示加权图时,G(F,E)对应一个矩阵D,用表示道路网络的权值函数,邻接矩阵D中元素d的赋值规则为:其中,为道路节点和节点之间的权值;表示2个节点间没有直连的路线;以节点和节点为端点的直连路段,纯电重卡从出发行驶到所用的时间,用路段总延误函数表示为:T_(L_+I_)60其中,T_为路段和交叉路口总的延误时间;I_为交叉路口延误时间;L_为路段延误时间;I_计算式表示为:其中,I0为交叉路口自由流行驶时间;X为路段通行能力;P1、。

6、P2、P3、P4分别为交叉路口的自适应系数;L_计算式表示为:权利要求书1/5 页2CN 117132008 A2其中,L0为路段自由流行驶时间;q为每小时通过该路段的纯电重卡数量;c表示路段通行能力;c1、c2、c3、c4为不同道路等级下的自适应系数。4.根据权利要求3所述的方法,其特征在于,所述纯电重卡配送最优路径规划方法为:路径(1,2,n)的权值表示起始点1至目的地n所经过路段的权值和,即:道路节点至节点最短路径的权值定义为_,写为:其中,路段的权值采用流量延误函数进行描述,表示为()T_;所述软时间窗约束指的是客户只要求将货物尽量在时间窗内配送,允许早到或者晚到,但需要物流企业支付一。

7、定的惩罚费用,表示为:其中,为车辆o到达服务节点时产生的惩罚费用;e、d分别为早到与晚到的惩罚系数;分别表示最早到达时刻与最晚到达时刻;To表示车辆o到达节点的时刻;以行驶成本及惩罚费用最小为目标选取最优配送路径,建立目标函数如下:其中,为总成本,为行驶成本;通过遗传算法求解目标函数,能够规划获取每辆纯电重卡的最优配送路径。5.根据权利要求4所述的方法,其特征在于,根据测量的交通数据建立了速度和能量消耗模型,对于不同的道路等级,将单位里程的纯电重卡功率消耗表示为:其中,为不同道路等级下纯电重卡单位里程的耗电量;an为道路等级系数;为t时刻在道路l上行驶的纯电重卡平均速度;假设t时刻有N辆纯电重。

8、卡在道路l上行驶,那么交通密度表示为:写为:其中,V0为进入道路l的初始速度;在t0,tn期间道路l上纯电重卡的实时位置和剩余电量分别写为:权利要求书2/5 页3CN 117132008 A3其中,和分别为tn和t0时刻当前位置与起始位置的距离;和分别为tn和t0时刻纯电重卡的剩余电量;当t时刻纯电重卡剩余电量St低于初始设置阈值或不能到达目的地时,产生充电需求:其中,为充电阈值,即当纯电重卡的剩余电量低于时产生充电需求;为当前位置与目的地间的距离,充电后电量的范围设置为0.80.9;充电开始时间和结束时间分别计算为:ta_ots_o+tx_otd_ota_o+Tc_o其中,ta_o为第o辆纯。

9、电重卡充电开始时间;ts_o为出发起始时间;tx_o为纯电重卡行驶时间;td_o为充电结束时间;Tc_o为充电所需时间;Tc_o计算如下:其中,Sr_o为充电结束时纯电重卡电量;St_o为充电开始时纯电重卡电量;c为充电效率;Pc为充电功率;若纯电重卡下一个物流订单的要求送达时间小于纯电重卡充至满电的结束时间,则充电至规定时间内到达客户目的地所需电量即可:taa_otd_oSr_oS_o其中,taa_o为物流订单规定送达时间;S_o为规定时间内到达客户目的地所需电量。6.根据权利要求5所述的方法,其特征在于,泊松分布的方法为:考虑将每辆纯电重卡的到达作为一个事件,令第i个到达充电站的时间记为i。

10、,其中i1,2,3,4.,记Nt为t时刻为止进入充电站进行充电服务的纯电重卡的总数量,服从参数为的泊松分布:其中,参数表示单位时间内纯电重卡到达充电站的次数;按照泊松过程的特性生成第n个单位时间段内到达充电站进行充电服务的纯电重卡的序列Sn,S(t)为总时间段内纯电重卡到达的数量,则由此随机生成时间片段内的到达车辆数序列表示为:其中,n为总时间段内单位时间片段个数;Tinterval为单位时间段长度;Ttotal为总时间段的长度,假设车辆进入充电站后无需排队,可立即进行充电服务,此时纯电重卡到达充电站的时间即为充电开始时间,充电开始时间计算式为:权利要求书3/5 页4CN 117132008 。

11、A4其中,n为时间段序号,Sn为第n个时间片段内到达充电站的纯电重卡数量;m为第n个时间段到达的车辆序号。7.根据权利要求6所述的方法,其特征在于,对纯电重卡的荷电状态进行模糊分区为0,20、20,40、40,60、60,80、80,100五个大区间。8.根据权利要求7所述的方法,其特征在于,在五个大区间的基础上继续进行第二层离散化,将每个大区间细分为n个小区间,用Sdown(i+1)表示第i+1个大区间的荷电状态下限值,用Sdown(i,j)表示第i个大区间中第j个小区间的荷电状态下限值,荷电状态经过上述两层离散化过程,纯电重卡的充电过程被描述为一个马尔可夫链过程。9.根据权利要求8所述的方。

12、法,其特征在于,求解高阶马尔可夫链需要的两个重要参数的方法如下:令荷电状态序列在h步内从状态区间i到状态区间j的转移频数构成的矩阵为:由Fh得到的估计,记为其具体表达式为:其中,设荷电状态序列收敛到平稳分布x,通过计算序列中每个状态出现的比例,记为作为平稳分布x的估计,得到参数h的估计方法:其中,|表示向量的无穷大范数,参数h满足和h0这两个条件。10.根据权利要求9所述的方法,其特征在于,采用高阶马尔可夫链方法建立负荷预测模型:权利要求书4/5 页5CN 117132008 A5式中:xc(t)xc(t,1),xc(t,2),xc(t,5)T,为5维列向量;xc(t+1)表示t+1时刻充电站。

13、内纯电重卡负荷量;L为马尔可夫链的阶数;xc(th+1)表示th+1时刻充电站内纯电重卡负荷量;yc(t)表示t时刻纯电重卡集群的输出功率;Cc为输出矩阵,为5维单位行向量;vc(t)为外部因素引起的负荷变化量,与xc(t)结构相同。权利要求书5/5 页6CN 117132008 A6一种基于高阶马尔可夫链的纯电重卡集群负荷预测方法技术领域0001本发明涉及电动车充电负荷预测领域,具体涉及一种基于高阶马尔可夫链的纯电重卡集群负荷预测方法。技术背景0002相比于普通电动汽车,纯电重卡具有更高的充电功率、更大的电池容量和更可观的调度潜力,同时受货物重量、物流特性及行驶路径等诸多因素影响,其充电负荷。

14、呈现更大的随机性。以三一纯电重卡为例,其常见纯电重卡充电功率为200kW,电池容量为300kWh,分别是小型电动汽车快速充电功率和电池容量的4倍和3.75倍。未经管理的纯电重卡集群的大量渗透,会对输配电网络产生负面影响,如抬高负荷峰值,增大电力波动,恶化电能质量等。同时,纯电重卡集群比普通纯电重卡充电功率更高、电池容量更大,是一类优良的柔性负荷资源,能为电网调度提供更为可观的调度潜力。但是,纯电重卡集群由于充电负荷功率相对普通纯电重卡更大,更易对电网造成冲击,此外,作为货物运输车辆,纯电重卡集群充电负荷需求受货物重量、物流特性及运货运输路径等不可控因素影响,呈现出更高的随机性和更强的波动性,因。

15、此,预测其充电数量,并建立准确的纯电重卡集群负荷预测模型,掌握其负荷功率变化趋势,是研究纯电重卡集群用电负荷规律并引导其有序充电的重要前提。0003现有技术对于纯电重卡研究缺乏针对性,未考虑到纯电重卡的物流特性是影响其充电特性的关键因素,从而使负荷预测结果不贴合实际值、准确度较低,且现有模型由于状态空间维数过高导致计算过于繁琐。发明内容0004本发明的目的在于克服现有技术的不足,提供一种基于高阶马尔可夫链的纯电重卡集群负荷预测方法,减少模型状态空间的维数,避免维数灾的问题,提高负荷预测准确度。0005实现本发明目的的技术方案为:0006本发明提出了一种基于高阶马尔可夫链的纯电重卡集群负荷预测方。

16、法,该方法在考虑软时间窗约束实现纯电重卡路径规划的基础上,通过分析纯电重卡行驶特性预测其开始充电时间,以获取各时刻纯电重卡充电数量;其次,对纯电重卡的荷电状态区间进行模糊双层离散化分区处理,将每个大区间进一步细分为n个小区间,提高预测精度;之后,在求取纯电重卡荷电状态多步转移概率基础上,采用高阶马尔可夫链建立集群负荷预测模型,实现更为精确的负荷预测,最后通过仿真验证该方法的有效性。0007本发明采用技术方案:基于高阶马尔可夫链的纯电重卡集群负荷预测方法,包括以下步骤:0008(1)采集并处理纯电重卡行驶特性数据及其运行区域路网数据;0009(2)描述纯电重卡集群配送网络道路拓扑;说明书1/14。

17、 页7CN 117132008 A70010(3)在道路拓扑基础上,考虑软时间窗约束实现纯电重卡配送最优路径规划;0011(4)分析纯电重卡行驶特性预测其开始充电时间,进一步统计得到各时刻开始充电的纯电重卡数量;0012(5)采用泊松分布的方法对比预测纯电重卡各时刻到达充电站开始充电的数量;0013(6)对纯电重卡的荷电状态进行模糊分区;0014(7)在模糊分区的基础上,继续进行第二层离散化,将每个大区间细分为n个小区间,实现荷电状态双层离散化;0015(8)求解高阶马尔可夫链需要的两个重要参数,转移概率矩阵和权重值;0016(9)根据所得参数建立纯电重卡集群充电负荷聚合模型并进行仿真;001。

18、7(10)输出负荷预测数据到调度管控平台,用于制定日前调度计划。0018所述步骤(1)中,采集并处理纯电重卡行驶特性数据及其运行区域路网数据方法如下:0019对于数据中的异常值和噪声,可以采用统计方法或数据挖掘技术进行检测和剔除。例如,可以使用离群点检测算法(如Zscore、箱线图等)来剔除与其他数据点相比明显偏离的异常值;对于缺失数据,可以考虑使用插值方法进行填补;对于存在突变的数据,可以使用滑动窗口平均、指数平滑等方法来平滑数据;对于一些短时间范围内的缺失数据,可以使用数据差值方法进行估计。例如,可以使用前后时间点的负荷值进行线性插值来填补缺失值。0020纯电重卡配送网络主要由配送中心、客。

19、户点、充电站以及供纯电重卡行驶的线路组成。纯电重卡配送过程为:纯电重卡从配送中心出发,遍历所有客户点,完成客户要求后返回配送中心,每个时间段内可能有多辆纯电重卡在配送或充电,形成纯电重卡集群配送网络。纯电重卡集群在配送过程中要满足一系列约束,例如电量约束、货物承重约束、物流订单完成时间约束等。0021所述步骤(2)中,描述纯电重卡集群配送网络道路拓扑方法如下:0022描述纯电重卡配送网络的道路拓扑,假设供纯电重卡集群行驶区域的道路均为双向,其拓扑结构采用无向图表示。道路图表示为G(F,E),其中F表示无向图中道路节点的集合;E表示所有道路。用邻接矩阵表示加权图时,G(F,E)对应一个矩阵D。用。

20、表示道路网络的权值函数,即路阻函数。邻接矩阵D中元素d的赋值规则为:00230024其中,为道路节点和节点之间的权值;表示2个节点间没有直连的路线。0025以节点和节点为端点的直连路段,纯电重卡从出发行驶到所用的时间,用路段总延误函数表示为:0026T_(L_+I_)600027其中,T_为路段和交叉路口总的延误时间;I_为交叉路口延误时间;L_为路段延误时间。0028I_计算式写为:说明书2/14 页8CN 117132008 A800290030其中,I0为交叉路口自由流行驶时间;X为路段通行能力;P1、P2、P3、P4分别为交叉路口的自适应系数,与是否有红绿灯有关。0031与此同时,L_。

21、计算式也可表示为:00320033其中,L0为路段自由流行驶时间;q为每小时通过该路段的纯电重卡数量,可通过人工观测或者交通流量仪得到;c表示路段通行能力;c1、c2、c3、c4为不同道路等级下的自适应系数,与道路等级有关。0034所述步骤(3)中,考虑软时间窗约束实现纯电重卡配送最优路径规划方法如下:0035根据道路拓扑模型对纯电重卡的配送路径进行寻优,考虑了软时间窗约束,使其配送路径选择更贴合实际。0036路径(1,2,n)的权值表示起始点1至目的地n所经过路段的权值和,即:00370038道路节点至节点最短路径的权值定义为_,写为:00390040其中,路段的权值采用流量延误函数进行描述。

22、,即()T_。0041针对纯电重卡运货特点,考虑软时间窗约束,即客户只要求将货物尽量在时间窗内配送,允许早到或者晚到,但需要物流企业支付一定的惩罚费用,即:00420043其中,为车辆o到达服务节点时产生的惩罚费用;e、d分别为早到与晚到的惩罚系数;分别表示最早到达时刻与最晚到达时刻;To表示车辆o到达节点的时刻。0044以行驶成本及惩罚费用最小为目标选取最优配送路径,建立目标函数如下:00450046其中,为总成本,为行驶成本。0047进一步通过遗传算法求解目标函数,可规划获取每辆纯电重卡的最优配送路径。与普通电动汽车的路径优化相比,通过增加软时间窗约束,解决了在实际物流配送过程中配送时间不。

23、确定和可变性的问题,使路径优化更具针对性地适应纯电重卡。0048所述步骤(4)中,分析纯电重卡行驶特性预测其开始充电时间,进一步统计得到各时刻开始充电的纯电重卡数量方法如下:说明书3/14 页9CN 117132008 A90049通过考虑纯电重卡行驶特性来预测纯电重卡充电开始时间,并进一步统计得到各时刻开始充电的纯电重卡数量。0050交通拥堵会导致车辆频繁启动和制动,从而增加额外的功耗。根据测量的交通数据建立了速度和能量消耗模型,即对于不同的道路等级,将单位里程的纯电重卡功率消耗表示为:00510052其中,为不同道路等级下纯电重卡单位里程的耗电量;an为道路等级系数;为t时刻在道路l上行驶。

24、的纯电重卡平均速度。0053假设t时刻有N辆纯电重卡在道路l上行驶,那么交通密度可以表示为:00540055写为:00560057其中,V0为进入道路l的初始速度。0058在t0,tn期间道路l上纯电重卡的实时位置和剩余电量可分别写为:005900600061其中,和分别为tn和t0时刻当前位置与起始位置的距离;和St0分别为tn和t0时刻纯电重卡的剩余电量。0062当t时刻纯电重卡剩余电量St低于初始设置阈值或不能到达目的地时,产生充电需求:00630064其中,为充电阈值,即当纯电重卡的剩余电量低于时产生充电需求;为当前位置与目的地间的距离。为减少过充对电池的损耗,充电后电量的范围设置为0。

25、.80.9。0065充电开始时间和结束时间可分别计算为:0066ta_ots_o+tx_o0067td_ota_o+Tc_o0068其中,ta_o为第o辆纯电重卡充电开始时间;ts_o为出发起始时间;tx_o为纯电重卡行驶时间;td_o为充电结束时间;Tc_o为充电所需时间。0069Tc_o计算如下:00700071其中,Sr_o为充电结束时纯电重卡电量;St_o为充电开始时纯电重卡电量;c为充电效率;Pc为充电功率。0072若纯电重卡下一个物流订单的要求送达时间小于纯电重卡充至满电的结束时间,则充电至规定时间内到达客户目的地所需电量即可:说明书4/14 页10CN 117132008 A10。

26、0073taa_otd_o0074Sr_oS_o0075其中,taa_o为物流订单规定送达时间;S_o为规定时间内到达客户目的地所需电量。0076所述步骤(5)中,采用泊松分布的方法对比预测纯电重卡各时刻到达充电站开始充电的数量方法如下:0077考虑将每辆纯电重卡的到达作为一个事件,令第i个到达充电站的时间记为i,其中i1,2,3,40。记Nt为t时刻为止进入充电站进行充电服务的纯电重卡的总数量,服从参数为的泊松分布:00780079其中,参数表示单位时间内纯电重卡到达充电站的次数,决定了纯电重卡到达充电站的频数。0080按照泊松过程的特性生成第n个单位时间段内到达充电站进行充电服务的纯电重卡。

27、的序列Sn,S(t)为总时间段内纯电重卡到达的数量,则由此随机生成时间片段内的到达车辆数序列可表示为:00810082其中,n为总时间段内单位时间片段个数;Tinterval为单位时间段长度;Ttotal为总时间段的长度。假设车辆进入充电站后无需排队,可立即进行充电服务,此时纯电重卡到达充电站的时间即为充电开始时间,充电开始时间计算式为:00830084其中,n为时间段序号,Sn为第n个时间片段内到达充电站的纯电重卡数量;m为第n个时间段到达的车辆序号。0085所述步骤(6)中,对纯电重卡的荷电状态进行模糊分区方法如下:0086将电池荷电状态多少作为一个模糊概念,则荷电状态百分比0,100即为。

28、论域,将其五等分为0,20、20,40、40,60、60,80、80,100五个大区间U1U5。0087所述步骤(7)中,实现荷电状态双层离散化方法如下:0088纯电重卡的荷电状态区间若只有单层划分,少量离散的荷电状态区间无法进行高精度的建模。因此,对电池荷电状态采用两层嵌套离散化方法。在五个大区间的基础上继续进行第二层离散化,将每个大区间细分为n个小区间,用Sdown(i+1)表示第i+1个大区间的荷电状态下限值,用Sdown(i,j)表示第i个大区间中第j个小区间的荷电状态下限值。荷电状态经过上述两层离散化过程,纯电重卡的充电过程可以被描述为一个马尔可夫链过程。0089所述步骤(8)中,求。

29、解高阶马尔可夫需要的两个参数方法如下:0090令荷电状态序列在h步内从状态区间i到状态区间j的转移频数构成的矩阵为:说明书5/14 页11CN 117132008 A1100910092由Fh得到的估计,记为其具体表达式为:00930094其中,00950096设荷电状态序列收敛到平稳分布x。通过计算序列中每个状态出现的比例,记为作为平稳分布x的估计。那么,可以得到参数h的估计方法:00970098其中,|表示向量的无穷大范数,参数h满足和h0这两个条件。0099所述步骤(9)中,根据所得参数建立纯电重卡集群充电负荷聚合模型,方法如下:0100当给定现在的状态和所有过去的状态,其未来状态的条件。

30、概率分布只取决于现在的状态时,一个随机过程具有马尔科夫特性;换句话说,给定现在的状态,它有条件地与过去的状态无关。设X(t),t1是一个随机过程,那么可以表示为:0101P(Xt|X0,X1,0,Xt1)P(Xt|Xt1),t1,2,0102具有马尔可夫性的随机序列称为马尔可夫链。高阶马尔可夫链是马尔可夫链的扩展,对于L阶马尔可夫链,可以认为t+1时刻的状态与t时刻、t1时刻、tL+1时刻共L个邻近时刻的状态有关,而与tL+1时刻之前的状态无关。01030104上式为L阶马尔可夫链模型。其中,参数h0为高阶马尔可夫链模型的系数且Ph为h步转移概率矩阵。0105结合步骤(8)所求参数,可得纯电重。

31、卡集群充电负荷聚合模型:01060107其中:xc(t)xc(t,1),xc(t,2),xc(t,5)T为5维列向量;xc(t+1)表示t+1时刻说明书6/14 页12CN 117132008 A12充电站内纯电重卡负荷量;L为马尔可夫链的阶数;xc(th+1)表示th+1时刻充电站内纯电重卡负荷量;yc(t)表示t时刻纯电重卡集群的输出功率;Cc为输出矩阵,为5维单位行向量;vc(t)为外部因素引起的负荷变化量,与xc(t)结构相同。0108所述步骤(10)中,输出负荷预测数据到调度管控平台,用于制定日前调度计划方法如下:0109根据预测的纯电重卡集群负荷值,制定日前调度计划。根据实际需求考。

32、虑供需平衡、发电成本、能源利用效率等因素,确定电力供应方案、发电机组调度方案、降低负荷需求的方案等。将制定的日前调度计划实施到调度管控平台,监测实际负荷与预测负荷的差异。根据实际运行情况进行调整和优化,根据实时负荷数据进行动态调度、更新模型参数等。实施调度计划后,持续监测负荷的变化和实际运行状况。根据监测结果反馈到模型中,进行模型迭代和改进,以提升预测准确性和调度效果。0110本发明的优点和有益效果:0111本发明在考虑软时间窗约束实现纯电重卡路径规划的基础上,通过分析纯电重卡行驶特性预测其开始充电时间,以获取各时刻纯电重卡充电数量,解决后续建模中外部影响因素;在此基础上,对纯电重卡集群的荷电。

33、状态状态进行双层离散化处理,第一层利用模糊分区可以清晰定义充电站中各个纯电重卡的充放电状态,第二层在模糊分区的基础上将每个区间继续细分,实现双层离散化,减少了状态空间的维数,避免了维数灾的问题,利用高阶马尔可夫链方法建立充电站纯电重卡集群负荷预测模型,不仅考虑到当前状态对未来状态的影响,还考虑了历史状态对未来状态的影响,更贴合实际情况。附图说明0112图1为本发明方法的流程图;0113图2为纯电重卡集群配送网络示意图;0114图3为荷电状态双层离散化图;0115图4为纯电重卡配送网络拓扑图;0116图5为纯电重卡集群充电开始时间分布图;0117图6为纯电重卡集群充电数量预测及比较图;0118图。

34、7为纯电重卡集群充电负荷预测对比图;具体实施方式0119下面通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。0120本发明提出了基于高阶马尔可夫链的纯电重卡集群负荷预测方法,附图1为本发明的流程图,其实施流程包括如下详细步骤。0121步骤1采集并处理纯电重卡行驶特性数据及其运行区域路网数据方法如下:0122对于数据中的异常值和噪声,可以采用统计方法或数据挖掘技术进行检测和剔除。例如,可以使用离群点检测算法(如Zscore、箱线图等)来剔除与其他数据点相比明显偏离的异常值;对于缺失数据,可以考虑使用插值方法进行填补;对于存在突变的数据,可以。

35、使用滑动窗口平均、指数平滑等方法来平滑数据;对于一些短时间范围内的缺失数据,可说明书7/14 页13CN 117132008 A13以使用数据差值方法进行估计。例如,可以使用前后时间点的负荷值进行线性插值来填补缺失值。0123步骤2描述纯电重卡集群配送网络道路拓扑方法如下:0124纯电重卡配送网络主要由配送中心、客户点、充电站以及供纯电重卡行驶的线路组成。纯电重卡配送过程为:纯电重卡从配送中心出发,遍历所有客户点,完成客户要求后返回配送中心,每个时间段内可能有多辆纯电重卡在配送或充电,形成纯电重卡集群配送网络。纯电重卡集群在配送过程中要满足一系列约束,例如电量约束、货物承重约束、物流订单完成时。

36、间约束等,图2为纯电重卡集群配送网络示意图。0125假设供纯电重卡集群行驶区域的道路均为双向,其拓扑结构采用无向图表示。道路图表示为G(F,E),其中F表示无向图中道路节点的集合;E表示所有道路。用邻接矩阵表示加权图时,G(F,E)对应一个矩阵D。用表示道路网络的权值函数,即路阻函数。邻接矩阵D中元素d的赋值规则为:01260127其中,为道路节点和节点之间的权值;表示2个节点间没有直连的路线。0128以节点和节点为端点的直连路段,纯电重卡从出发行驶到所用的时间,用路段总延误函数表示为:0129T_(L_+I_)600130其中,T_为路段和交叉路口总的延误时间;I_为交叉路口延误时间;L_为。

37、路段延误时间。0131I_计算式写为:01320133其中,I0为交叉路口自由流行驶时间;X为路段通行能力;P1、P2、P3、P4分别为交叉路口的自适应系数,与是否有红绿灯有关。0134与此同时,L_计算式也可表示为:01350136其中,L0为路段自由流行驶时间;q为每小时通过该路段的纯电重卡数量,可通过人工观测或者交通流量仪得到;c表示路段通行能力;c1、c2、c3、c4为不同道路等级下的自适应系数,与道路等级有关。0137步骤3考虑软时间窗约束实现纯电重卡配送最优路径规划方法如下:0138根据道路拓扑模型对纯电重卡的配送路径进行寻优,考虑了软时间窗约束,使其配送路径选择更贴合实际。013。

38、9路径(1,2,n)的权值表示起始点1至目的地n所经过路段的权值和,即:说明书8/14 页14CN 117132008 A1401400141道路节点至节点最短路径的权值定义为_,写为:01420143其中,路段的权值采用流量延误函数进行描述,即()T_。0144针对纯电重卡运货特点,考虑软时间窗约束,即客户只要求将货物尽量在时间窗内配送,允许早到或者晚到,但需要物流企业支付一定的惩罚费用,即:01450146其中,为车辆o到达服务节点时产生的惩罚费用;e、d分别为早到与晚到的惩罚系数;分别表示最早到达时刻与最晚到达时刻;To表示车辆o到达节点的时刻。0147以行驶成本及惩罚费用最小为目标选取。

39、最优配送路径,建立目标函数如下:01480149其中,为总成本,为行驶成本。0150进一步通过遗传算法求解目标函数,可规划获取每辆纯电重卡的最优配送路径。与普通电动汽车的路径优化相比,通过增加软时间窗约束,解决了在实际物流配送过程中配送时间不确定和可变性的问题,使路径优化更具针对性地适应纯电重卡。0151步骤4分析纯电重卡行驶特性预测其开始充电时间,进一步统计得到各时刻开始充电的纯电重卡数量方法如下:0152通过考虑纯电重卡行驶特性来预测纯电重卡充电开始时间,并进一步统计得到各时刻开始充电的纯电重卡数量。0153交通拥堵会导致车辆频繁启动和制动,从而增加额外的功耗。根据测量的交通数据建立了速度。

40、和能量消耗模型,即对于不同的道路等级,将单位里程的纯电重卡功率消耗表示为:01540155其中,为不同道路等级下纯电重卡单位里程的耗电量;an为道路等级系数;为t时刻在道路l上行驶的纯电重卡平均速度。0156假设t时刻有N辆纯电重卡在道路l上行驶,那么交通密度可以表示为:01570158写为:01590160其中,V0为进入道路l的初始速度。说明书9/14 页15CN 117132008 A150161在t0,tn期间道路l上纯电重卡的实时位置和剩余电量可分别写为:016201630164其中,和分别为tn和t0时刻当前位置与起始位置的距离;Stn和St0分别为tn和t0时刻纯电重卡的剩余电量。

41、。0165当t时刻纯电重卡剩余电量St低于初始设置阈值或不能到达目的地时,产生充电需求:01660167其中,为充电阈值,即当纯电重卡的剩余电量低于时产生充电需求;为当前位置与目的地间的距离。为减少过充对电池的损耗,充电后电量的范围设置为0.80.9。0168充电开始时间和结束时间可分别计算为:0169ta_ots_o+tx_o0170td_ota_o+Tc_o0171其中,ta_o为第o辆纯电重卡充电开始时间;ts_o为出发起始时间;tx_o为纯电重卡行驶时间;td_o为充电结束时间;Tc_o为充电所需时间。0172Tc_o计算如下:01730174其中,Sr_o为充电结束时纯电重卡电量;S。

42、t_o为充电开始时纯电重卡电量;c为充电效率;Pc为充电功率。0175若纯电重卡下一个物流订单的要求送达时间小于纯电重卡充至满电的结束时间,则充电至规定时间内到达客户目的地所需电量即可:0176taa_otd_o0177Sr_oS_o0178其中,taa_o为物流订单规定送达时间;S_o为规定时间内到达客户目的地所需电量。0179进一步,将获取的充电开始时间和充电结束时间按从早到晚排序,遍历充电开始时间和充电结束时间列表,每当遇到一个充电开始时间,计数加1;每当遇到一个充电结束时间,计数减1。遍历结束后即可统计得到各时刻开始充电的纯电重卡数量及后续纯电重卡集群负荷预测所需外部因素引起的负荷变化。

43、量,即t时刻进入的纯电重卡数量、t时刻离开的纯电重卡数量、t时刻充电站内正在充电的纯电重卡总数。0180步骤5采用泊松分布的方法对比预测纯电重卡各时刻到达充电站开始充电的数量方法如下:0181考虑将每辆纯电重卡的到达作为一个事件,令第i个到达充电站的时间记为i,其中i1,2,3,4。记Nt为t时刻为止进入充电站进行充电服务的纯电重卡的总数量,服从参数为的泊松分布:0182说明书10/14 页16CN 117132008 A160183其中,参数表示单位时间内纯电重卡到达充电站的次数,决定了纯电重卡到达充电站的频数。0184按照泊松过程的特性生成第n个单位时间段内到达充电站进行充电服务的纯电重卡。

44、的序列Sn,S(t)为总时间段内纯电重卡到达的数量,则由此随机生成时间片段内的到达车辆数序列可表示为:01850186其中,n为总时间段内单位时间片段个数;Tinterval为单位时间段长度;Ttotal为总时间段的长度。假设车辆进入充电站后无需排队,可立即进行充电服务,此时纯电重卡到达充电站的时间即为充电开始时间,充电开始时间计算式为:01870188其中,n为时间段序号,Sn为第n个时间片段内到达充电站的纯电重卡数量;m为第n个时间段到达的车辆序号。0189步骤6对纯电重卡的荷电状态进行模糊分区方法如下:0190模糊集合是用来描述概念模糊、信息不明确的集合,是由特定模糊性质对象组成的全体。。

45、模糊集合定义:给定某一非空论域U,设A为U到0,1的任一映射,即0191A:U0,1,xA(x)0192那么称A为U中的某个模糊子集,A为A的隶属度函数,A(x)为x对A的隶属度。A(x)越靠近1表示x属于A的程度越高;A(x)越靠近0说明x属于A的程度越低。0193将电池荷电状态(荷电状态)多少作为一个模糊概念,则荷电状态百分比0,100即为论域,将其五等分为0,20、20,40、40,60、60,80、80,100五个元素U1U5。分别对应电池容量很少A1、电池容量少A2、电池容量正常A3、电池容量多A4、电池容量很多A5五个模糊集。0194步骤7实现荷电状态双层离散化方法如下:0195纯。

46、电重卡的荷电状态区间若只有单层划分,少量离散的荷电状态区间无法进行高精度的建模。因此,对电池荷电状态采用两层嵌套离散化方法。在五个大区间的基础上继续进行第二层离散化,将每个大区间细分为n个小区间,用Sdown(i+1)表示第i+1个大区间的荷电状态下限值,用Sdown(i,j)表示第i个大区间中第j个小区间的荷电状态下限值。荷电状态经过上述两层离散化过程,纯电重卡的充电过程可以被描述为一个马尔可夫链过程。图3为荷电状态双层离散化过程图。0196步骤8求解高阶马尔可夫需要的两个参数方法如下:0197令荷电状态序列在h步内从状态区间i到状态区间j的转移频数构成的矩阵为:01980199由Fh得到的。

47、估计,记为其具体表达式为:说明书11/14 页17CN 117132008 A1702000201其中,02020203设荷电状态序列收敛到平稳分布x。通过计算序列中每个状态出现的比例,记为作为平稳分布x的估计。那么,可以得到参数h的估计方法:02040205其中,|表示向量的无穷大范数,参数h满足和h0这两个条件。0206步骤9根据所得参数建立纯电重卡集群充电负荷聚合模型,方法如下:0207当给定现在的状态和所有过去的状态,其未来状态的条件概率分布只取决于现在的状态时,一个随机过程具有马尔科夫特性;换句话说,给定现在的状态,它有条件地与过去的状态无关。设X(t),t1是一个随机过程,那么可以。

48、用下式来表示:0208P(Xt|X0,X1,Xt1)P(Xt|Xt1),t1,2,0209具有马尔可夫性的随机序列称为马尔可夫链。高阶马尔可夫链是马尔可夫链的扩展,对于L阶马尔可夫链,可以认为t+1时刻的状态与t时刻、t1时刻、tL+1时刻共L个邻近时刻的状态有关,而与tL+1时刻之前的状态无关。02100211上式为L阶马尔可夫链模型。其中,参数h0为高阶马尔可夫链模型的系数且Ph为h步转移概率矩阵。0212纯电重卡充电是电池从低充电状态到高充电状态的动态变化,是电池从低充电状态到高充电状态的动态变化过程。其离散时间的递推公式可以表示为:02130214其中:S(t+1)和S(tL+1)分别。

49、表示t+1时刻和tL+1时刻的充电状态;Pc表示充电功率;c表示充电效率;CB是电池的实际容量;t是时间间隔。0215根据递推公式,电池荷电状态可看作一个离散的随机过程,且满足如下性质:S(t+1)的概率分布不只取决于t时刻的状态,还与邻近时刻的状态有关,符合高阶马尔可夫链。0216结合步骤8所求参数,可得纯电重卡集群充电负荷聚合模型:说明书12/14 页18CN 117132008 A1802170218其中:xc(t)xc(t,1),xc(t,2),xc(t,5)T为5维列向量;xc(t+1)表示t+1时刻充电站内纯电重卡负荷量;L为马尔可夫链的阶数;xc(th+1)表示th+1时刻充电站。

50、内纯电重卡负荷量;yc(t)表示t时刻纯电重卡集群的输出功率;Cc为输出矩阵,为5维单位行向量;vc(t)为外部因素引起的负荷变化量,与xc(t)结构相同。02190220其中,和是t时刻插入和取出的纯电重卡数量;Nev(t)是t时刻内充电站的纯电重卡总数。0221步骤10输出负荷预测数据到调度管控平台,用于制定日前调度计划方法如下:0222根据预测的纯电重卡集群负荷值,制定日前调度计划。根据实际需求考虑供需平衡、发电成本、能源利用效率等因素,确定电力供应方案、发电机组调度方案、降低负荷需求的方案等。将制定的日前调度计划实施到调度管控平台,监测实际负荷与预测负荷的差异。根据实际运行情况进行调整。

展开阅读全文
内容关键字: 基于 高阶马尔可夫链 纯电重卡 集群 负荷 预测 方法
关于本文
本文标题:基于高阶马尔可夫链的纯电重卡集群负荷预测方法.pdf
链接地址:https://www.zhuanlichaxun.net/pdf/14337502.html
关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备2021068784号-1 
 


收起
展开