考虑区域差异性的电动私家车网格化充电需求预测

文欣; 黄学良; 高山; 刘宇; 顾雅茹

doi:10.7500/AEPS20231207002

您当前的位置：

首页 >

文章列表页 >

考虑区域差异性的电动私家车网格化充电需求预测

学术研究 | 更新时间：2025-06-16

- 考虑区域差异性的电动私家车网格化充电需求预测
- Grid Charging Demand Forecasting for Private Electric Vehicles Considering Regional Differences
- 电力系统自动化 2025年49卷第7期页码：158-168
- 作者机构：
  
  东南大学电气工程学院，江苏省南京市 210096
- 作者简介：
  
  文欣(1998—)，女，硕士，主要研究方向：电动汽车与电网互动技术。E-mail：220213059@seu.edu.cn
  黄学良(1969—)，男，通信作者，博士，教授，博士生导师，主要研究方向：电动汽车与电网互动技术、分布式发电及其接入电网、智能用电技术、无线电能传输技术。E-mail：xlhuang@seu.edu.cn
  高山(1973—)，男，博士，副教授，博士生导师，主要研究方向：电力系统运行与控制、电网规划、分布式发电协调控制、智能调度、主动配电网。E-mail：shangao@seu.edu.cn
- 基金信息：
  
  江苏省碳达峰碳中和科技创新专项资金资助项目(BE2022030-2);国家重点研发计划资助项目(2021YFB2501600)
- DOI：10.7500/AEPS20231207002
  中图分类号：
- 收稿：2023-12-07，
  
  修回：2024-11-28，
  
  网络出版：2025-02-06，
  
  纸质出版：2025-04-10
- 稿件说明：
移动端阅览
文欣,黄学良,高山等.考虑区域差异性的电动私家车网格化充电需求预测[J].电力系统自动化,2025,49(7):158-168.

WEN Xin,HUANG Xueliang,GAO Shan,et al.Grid Charging Demand Forecasting for Private Electric Vehicles Considering Regional Differences[J].Automation of Electric Power Systems,2025,49(7):158-168.
文欣,黄学良,高山等.考虑区域差异性的电动私家车网格化充电需求预测[J].电力系统自动化,2025,49(7):158-168. DOI： 10.7500/AEPS20231207002.

WEN Xin,HUANG Xueliang,GAO Shan,et al.Grid Charging Demand Forecasting for Private Electric Vehicles Considering Regional Differences[J].Automation of Electric Power Systems,2025,49(7):158-168. DOI： 10.7500/AEPS20231207002.

摘要

地理区域位置的不同与区域网格功能属性的差别都在一定程度上造成了各网格内部电动汽车充电负荷的差异较大。针对目前电动汽车充电需求预测研究中未能充分考虑到电动汽车动态充电负荷分布差异性的不足，文中提出考虑地理区域差异性与用户行程多样性的数据驱动的电动私家车网格化充电需求预测方法。首先，对电动私家车用户出行轨迹与城市交通网络等类型数据进行数据挖掘并建立数学模型，获取电动私家车用户多段行程起讫点信息与用户出行基本规律。其次，基于地理信息系统平台将各类兴趣点（POI）经纬度坐标映射至地理网络中，将地理区域网格内结合用户日常出行目的的各类POI数量集分类处理，并采取自然分级法对所研究的地理区域实施精确的网格划分，功能区网格包含工作区、商业区、生活区、住宅区和混合区5种类别，建立多个时段下各功能区间的起讫点信息概率矩阵。结合得到的电动私家车在各网格内的分布结果，建立了基于蒙特卡洛法的电动汽车充电负荷预测模型，获取电动汽车在网格间转移的电量连续变化状况。基于中国苏州市实际电动汽车历史数据，以该市某区域为应用环境，完成各功能区域内的电动私家车充电需求预测仿真。仿真结果验证了区域网格划分的合理性及充电需求预测的准确性。

Abstract

To a certain extent

the difference in the location of geographical regions and functional attributes of regional grids result in the great difference in electric vehicle charging load within each grid. Aiming at the insufficient consideration of the difference in dynamic charging load distribution of electric vehicles in current research on electric vehicle charging demand forecasting

this paper proposes a data-driven grid charging demand forecasting method for private electric vehicles considering the differences of geographical regions and the diversity of user trips. Firstly

data mining on the travel tracks of private electric vehicle users

the urban traffic network

and other data types is conducted. Mathematical models are constructed to obtain the origin-destination information of multi-stage trips and the basic travel patterns of private electric vehicle users. Secondly

the latitude and longitude coordinates of each point of interest (POI) are mapped to the geographic network based on the geographic information system platform. Various POI quantity sets combined with users’ daily travel purposes in the geographical region grid are classified. The natural classification method is adopted to implement accurate grid division of the studied geographical region. The functional-area grid includes five categories: the work area

the business area

the living area

the residential area

and the mixed area. An origin-destination information probability matrix for each functional area is established during multiple periods. Combined with the obtained distribution results of private electric vehicles in each grid

this paper establishes an electric vehicle charging load forecasting model based on the Monte Carlo method to capture the continuous changes of electric vehicle electricity amount transferred between grids. Based on the actual historical data of electric vehicles in Suzhou

China

and taking a region of Suzhou as the application environment

the simulation of charging demand forecasting for private electric vehicles in each functional region is completed. The simulation results verify the rationality of regional grid division and the accuracy of charging demand forecasting.

关键词

Keywords

references

魏泓屹，卓振宇，张宁，等 . 中国电力系统碳达峰·碳中和转型路径优化与影响因素分析［J］. 电力系统自动化， 2022 ， 46 （ 19 ）： 1 - 12 .

WEI Hongyi ， ZHUO Zhenyu ， ZHANG Ning ， et al . Transition path optimization and influencing factor analysis of carbon emission peak and carbon neutrality for power system of China ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 19 ）： 1 - 12 .

黄学良，刘永东，沈斐，等 . 电动汽车与电网互动：综述与展望［J］. 电力系统自动化， 2024 ， 48 （ 7 ）： 3 - 23 .

HUANG Xueliang ， LIU Yongdong ， SHEN Fei ， et al . Vehicle to grid： review and prospect ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 7 ）： 3 - 23 .

郑远硕，李峰，董九玲，等 . “车-路-网” 模式下电动汽车充放电时空灵活性优化调度策略［J］. 电力系统自动化， 2022 ， 46 （ 12 ）： 88 - 97 .

ZHENG Yuanshuo ， LI Feng ， DONG Jiuling ， et al . Optimal dispatch strategy of spatio-temporal flexibility for electric vehicle charging and discharging in vehicle-road-grid mode ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 12 ）： 88 - 97 .

GAO T ， HUANG X L ， YANG Z X ， et al . A grouping strategy and day-ahead scheduling method of electric vehicles for peak shaving ［C］// 2022 IEEE 5th International Electrical and Energy Conference （CIEEC）， May 27-29 ， 2022 ， Nanjing， China .

刘勇，李全优，戴朝华 . 电动汽车充电负荷时空分布建模研究综述［J］. 电测与仪表， 2022 ， 59 （ 8 ）： 1 - 9 .

LIU Yong ， LI Quanyou ， DAI Chaohua . Review on the spatiotemporal distribution modeling of electric vehicle charging load ［J］. Electrical Measurement & Instrumentation ， 2022 ， 59 （ 8 ）： 1 - 9 .

黄南天，刘德宝，蔡国伟，等 . 基于多相关日场景生成的电动汽车充电负荷区间预测［J］. 中国电机工程学报， 2021 ， 41 （ 23 ）： 7980 - 7990 .

HUANG Nantian ， LIU Debao ， CAI Guowei ， et al . Interval prediction of electric vehicle charging load based on scene generation with multiple correlation days ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 23 ）： 7980 - 7990 .

BUZNA L ， DE FALCO P ， FERRUZZI G ， et al . An ensemble methodology for hierarchical probabilistic electric vehicle load forecasting at reg-ular charging stations ［J］. Applied Energy ， 2021 ， 283 ： 116337 .

周思佳，高赟鹏，陈知琨，等 . 基于出行链及轨迹大数据的综合商业体充电站选址规划［J］. 电工技术， 2023 （ 12 ）： 165 - 168 .

ZHOU Sijia ， GAO Yunpeng ， CHEN Zhikun ， et al . Charging station location planning for integrated commercial complexes based on travel chain and trajectory big data ［J］. Electric Engineering ， 2023 （ 12 ）： 165 - 168 .

IVERSEN E B ， MOLLER J K ， MORALES J M ， et al . Inhomogeneous Markov models for describing driving patterns ［J］. IEEE Transactions on Smart Grid ， 2017 ， 8 （ 2 ）： 581 - 588 .

周椿奇，向月，童话，等 . 轨迹数据驱动的电动汽车充电需求及V2G可调控容量估计［J］. 电力系统自动化， 2022 ， 46 （ 12 ）： 46 - 55 .

ZHOU Chunqi ， XIANG Yue ， TONG Hua ， et al . Trajectory-data-driven estimation of electric vehicle charging demand and vechicle-to-grid regulable capacity ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 12 ）： 46 - 55 .

张谦，王众，谭维玉，等 . 基于MDP随机路径模拟的电动汽车充电负荷时空分布预测［J］. 电力系统自动化， 2018 ， 42 （ 20 ）： 59 - 66 .

ZHANG Qian ， WANG Zhong ， TAN Weiyu ， et al . Spatial-temporal distribution prediction of charging load for electric vehicle based on MDP random path simulation ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 20 ）： 59 - 66 .

邵尹池，穆云飞，余晓丹，等 . “车-路-网” 模式下电动汽车充电负荷时空预测及其对配电网潮流的影响［J］. 中国电机工程学报， 2017 ， 37 （ 18 ）： 5207 - 5219 .

SHAO Yinchi ， MU Yunfei ， YU Xiaodan ， et al . A spatial-temporal charging load forecast and impact analysis method for distribution network using EVs-traffic-distribution model ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 18 ）： 5207 - 5219 .

杨锦 . 基于数据驱动的电动汽车快充需求预测及充电站规划研究［D］. 北京：北京交通大学， 2021 .

YANG Jin . Research on demand prediction and charging station planning of electric vehicle fast charging based on data drive ［D］. Beijing ： Beijing Jiaotong University ， 2021 .

刘欢，马灏，戴浩然，等 . 基于整体统计特征和局部空间特征的色彩映射［J］. 中国科技论文， 2023 ， 18 （ 7 ）： 746 - 752 .

LIU Huan ， MA Hao ， DAI Haoran ， et al . A color mapping method based on global statistical and local spacial characteristics ［J］. China Sciencepaper ， 2023 ， 18 （ 7 ）： 746 - 752 .

宋媛媛 . 基于行驶工况的纯电动汽车能耗建模及续驶里程估算研究［D］. 北京：北京交通大学， 2014 .

SONG Yuanyuan . Research on energy consumption modeling and driving range estimation of pure electric vehicles based on driving conditions ［D］. Beijing ： Beijing Jiaotong University ， 2014 .

陈旭，陆丽丽，曹祖平，等 . 道路阻抗函数研究综述［J］. 交通运输研究， 2020 ， 6 （ 2 ）： 30 - 39 .

CHEN Xu ， LU Lili ， CAO Zuping ， et al . Review of studies on road impedance functions ［J］. Transport Research ， 2020 ， 6 （ 2 ）： 30 - 39 .

易小泉 . 出租车最优路径Floyd算法求解［J］. 计算机产品与流通， 2020 （ 6 ）： 134 - 136 .

YI Xiaoquan . The optimal taxi path is solved by Floyd algorithm ［J］. Computer Products and Distribution ， 2020 （ 6 ）： 134 - 136 .

市政府办公室关于印发苏州市“十四五”电动汽车公共充换电设施规划的通知［EB/OL］.（ 2022-05-30 ）［ 2023-11-20 ］. https：//www.suzhou.gov.cn/szsrmzf/zfbgswj/202206/b9152963df214b2b8ba02ad07ab8a80d.shtml https://www.suzhou.gov.cn/szsrmzf/zfbgswj/202206/b9152963df214b2b8ba02ad07ab8a80d.shtml .

Notice of Municipal Government Office on the issuance of the “14th Five-Year Plan” for public charging and swapping facilities for electric vehicles in Suzhou ［EB/OL］. （ 2022-05-30 ）［ 2023-11-20 ］. https：//www.suzhou.gov.cn/szsrmzf/zfbgswj/202206/b9152963df214b2b8ba02ad07ab8a80d.shtml https://www.suzhou.gov.cn/szsrmzf/zfbgswj/202206/b9152963df214b2b8ba02ad07ab8a80d.shtml .

陈丽丹，聂涌泉，钟庆 . 基于出行链的电动汽车充电负荷预测模型［J］. 电工技术学报， 2015 ， 30 （ 4 ）： 216 - 225 .

CHEN Lidan ， NIE Yongquan ， ZHONG Qing . A model for electric vehicle charging load forecasting based on trip chains ［J］. Transactions of China Electrotechnical Society ， 2015 ， 30 （ 4 ）： 216 - 225 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于EMD-模糊熵和集成学习的电动汽车充电需求预测

基于移相控制与模式切换的双向无线电能传输系统效率优化方法

面向电力-交通系统协同运行的建模、求解与应用评述