电动汽车碳排放时空分布监测建模方法及装置与流程

1.本发明实施例件涉及计算机技术领域，尤其涉及一种电动汽车碳排放时空分布监测建模方法及装置。


背景技术：

2.数据报告显示，2018至2020年这三年来我国新能源汽车的生产数量以及销售数额均居于世界第一。ev具有灵活性以及集群后的储能特性，在电网中既可以作为用户侧的柔性负荷，也可作为分布式电源设备，ev合理充电策略不仅可帮助缓解电网用电负荷及削峰填谷，还可为电网提供调频和备用等辅助服务。然而，如何进行合理的电动汽车充电负荷及碳排放监测有效建模，是当前ev发展面临的一个重要前提。
3.在电动汽车充电负荷的时间分布建模方面，根据ev的不同使用方式将ev进行分类分析产生不同的充电功率，利用蒙特卡洛方法抽取ev的起始荷电状态(state of charges，soc)、起始充电时间，从时间尺度上实现电动汽车的充电负荷计算。现有技术则利用蒙特卡洛方法在时间尺度上计算充电负荷，通过引入用户的出行特性将用户的充电时间细分为三类，使得ev充电负荷模型更贴近实际。电动汽车出行数据较少的情况下，根据统计所得的传统燃油汽车出行数据来模拟ev的出行行为，并对部分随机因素进行概率模拟，利用蒙特卡洛方法得到多台ev的充电需求，弥补了关于电动汽车调研数据较少的缺陷，但其主观性过强。
4.此外，另一现有技术将ev的充电行为分为无序家庭充电、无序非负荷高峰时刻的家庭充电、“智能”家庭充电和无序公共场所充电，分别计算四种情况下的ev充电负荷。还有现有技术则采用了排队理论来解决电动汽车充电负荷计算问题，将求解电动汽车的充电负荷问题的聚焦点由ev本身转移到集中式充电站上。此外，还有现有技术基于ev的初始soc以及ev到达充电站的时间，提出两阶段泊松分布ev充电站集中模型。另一现有技术基于高速公路流量统计，计算出ev在高速公路充电站的充电负荷。上述两方法适用于集中式充电负荷计算。还有现有技术则在ev规模预测基础上，结合车辆出行行为特征构建了车辆规模推演与行为仿真交替的私家车充电负荷时空分布模型。
5.在电动汽车充电负荷和碳排放的空间分布模拟方面，现有技术用到了交通起止点(origin destination,od)分析方法，即智能交通研究中的出发地-目的地分析，对电动汽车在空间位置上的随机性进行建模研究。另一现有技术在od矩阵分析的基础上，建立交通流量分析，形成正反馈，不断精细化模拟电动汽车的位置分布概率。还有现有技术将城市的道路分成不同的区域，再使用od分析法模拟电动汽车的出行特性，其结果显示ev的充电负荷受到交通道路网络的约束，同时也有受到不同区域的影响。另一现有技术引入出行链理论来模拟ev一天之内的出行特性，使得ev的充电负荷在空间上的分布更为精细化。至于电动汽车的碳排放监测，主要通过电动汽车充电负荷及该地区电力行业碳排放因子相乘进行测算。
6.目前较多的ev充电负荷及碳排放建模工作都是在时间尺度上进行的，导致ev负荷
及碳排放时空建模的准确性较低。


技术实现要素：

7.本发明的目的在于提供一种电动汽车碳排放时空分布监测建模方法及装置，旨在解决现有技术中的上述问题。
8.本发明提供一种电动汽车碳排放时空分布监测建模方法，包括：
9.步骤1，基于后悔理论对用户的充电需求决策进行模拟，构建充电需求决策模型；
10.步骤2，基于出行链理论对用户的出行随机特性进行分析，构建用户出行行为模型；
11.步骤3，基于所述充电需求决策模型和所述用户出行行为模型，采用蒙特卡洛方法进行随机抽样，获取单辆电动汽车的充电负荷时空分布，叠加所有电动汽车充电负荷，获取某时间空间范围内的电动汽车总充电负荷，结合电动汽车总充电负荷与该地区电力行业平均碳排放因子，计算电动汽车碳排放时空分布及排放总量。
12.本发明提供一种电动汽车碳排放时空分布监测系统，包括：
13.充电需求决策模块，用于基于后悔理论对用户的充电需求决策进行模拟，构建充电需求决策模型；
14.用户出行行为模块，用于基于出行链理论对用户的出行随机特性进行分析，构建用户出行行为模型；
15.处理模块，用于基于所述充电需求决策模型和所述用户出行行为模型，采用蒙特卡洛方法进行随机抽样，获取单辆电动汽车的充电负荷时空分布，叠加所有电动汽车充电负荷，获取某时间空间范围内的电动汽车总充电负荷，结合电动汽车总充电负荷与该地区电力行业平均碳排放因子，计算电动汽车碳排放时空分布及排放总量。
16.本发明实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述电动汽车碳排放时空分布监测建模方法的步骤。
17.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述电动汽车碳排放时空分布监测建模方法的步骤。
18.采用本发明实施例，采用后悔理论来模拟用户的充电行为决策，使得建模的用户的每一次充电行为更加贴近实际。基于后悔理论构建用户充电决策模型更加符合用户选择时的不完全理性的特征，更符合实际情况。仿真结果较好验证了建模方法的合理性。
附图说明
19.为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
20.图1是本发明实施例的电动汽车碳排放时空分布监测建模方法的流程图；
21.图2是本发明实施例的电动汽车充电负荷时空分布建模框架的示意图；
22.图3是本发明实施例的停驻时长概率分布的示意图；
23.图4是本发明实施例的单次行驶里程概率分布的示意图；
24.图5是本发明实施例的区域电动汽车充电功率时间分布的示意图；
25.图6是本发明实施例的各区域内电动汽车充电负荷期望的示意图；
26.图7是本发明实施例的两种数量电动汽车充电负荷期望的示意图；
27.图8是本发明实施例的2500辆电动汽车充电负荷的示意图；
28.图9是本发明实施例的不同方法预测的电动汽车充电负荷的示意图；
29.图10是本发明实施例的电动汽车碳排放时空分布监测建模装置的示意图；
30.图11是本发明实施例的电子设备的示意图。
具体实施方式
31.为了更好地模拟ev在一日内的出行特性，本发明实施例选取能够完整模拟ev出行行为的出行链理论来研究。在用户行为习惯方面，目前主要是基于现有统计数据来模拟，在未来电动汽车高速发展的大势所趋下，用户的行为决策将是影响ev充电负荷及碳排放建模的重要因素，因而本发明实施例采用后悔理论来模拟用户的充电行为决策，使得用户的每一次充电行为更加贴近实际。
32.为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明实施例件的保护范围。
33.目前较多的ev充电负荷及碳排放建模工作都是在时间尺度上进行的，而在空间尺度上的研究相对不足，导致ev负荷及碳排放时空建模的准确性较低。然而准确对ev负荷及碳排放时空建模是评估ev无序充电特性以及实现科学调度和碳减排的重要基础。基于上述发现，本技术提出了一种电动汽车碳排放时空分布监测方法，以改善上述问题，下面对此方法进行详细阐述。
34.方法实施例
35.根据本发明实施例，提供了一种电动汽车碳排放时空分布监测建模方法，图1是本发明实施例的电动汽车碳排放时空分布监测建模方法的流程图，如图1所示，根据本发明实施例的电动汽车碳排放时空分布监测建模方法具体包括：
36.步骤101，基于后悔理论对用户的充电需求决策进行模拟，构建充电需求决策模型；步骤101具体包括：
37.步骤11，抽取当前辆电动汽车的出行链，获取该辆电动汽车的基本出行信息，根据所述基本出行信息计算该辆电动汽车的起始荷电状态soc，其中，所述基本出行信息具体包括：电动汽车起始出发点，起始出发时间，出行链停驻点信息，终点位置，包括终点在内的停驻点个数n；具体地：可以基于公式1，根据所述基本出行信息计算该辆电动汽车的起始荷电状态soc：
[0038][0039]
其中，μ为起始soc的平均值；σ为标准差；
[0040]
步骤12，设置后悔度初始值；
[0041]
步骤13，计算后悔度：计算该辆电动汽车当前时刻的soc，读取当前时刻的电价，计算该辆电动汽车充电至充满所需的充电时间，以及该辆电动汽车充电至满足用户心理预期电量所需的充电时间，读取该辆电动汽车在该停驻点的停驻时间，根据后悔度函数，计算电动汽车在t时刻在驻点n进行充电决策的后悔度值ru(n,t)；其中，计算该辆电动汽车当前时刻的soc具体包括：
[0042]
根据公式2计算电动汽车抵达当前停驻点的soc：
[0043][0044]
其中，为从上一个停驻点出发的时间；为到达当前停驻点的时间；ωd为从停驻点s-1到停驻点s之间路段的每公里耗量；ld为从停驻点s-1到停驻点s之间路段的行驶距离；eb为电池的荷电总量。
[0045]
步骤14，对后悔度值进行比较：如果电动汽车在t时刻在驻点n进行充电决策的后悔度值小于rumin，则使用该后悔度值替换rumin，否则转到下一个驻点，并执行步骤13，其中，rumin表示当前的最小后悔度值。
[0046]
步骤102，基于出行链理论对用户的出行随机特性进行分析，构建用户出行行为模型；
[0047]
步骤103，基于所述充电需求决策模型和所述用户出行行为模型，采用蒙特卡洛方法进行随机抽样，获取单辆电动汽车的充电负荷时空分布，叠加所有电动汽车充电负荷，获取某时间空间范围内的电动汽车总充电负荷，结合电动汽车总充电负荷与该地区电力行业平均碳排放因子，计算电动汽车碳排放时空分布及排放总量。。步骤103具体包括：
[0048]
步骤31，设定电动汽车总量；
[0049]
步骤32，读取第j辆电动汽车的数据信息，其中，所述数据信息包括该辆电动汽车所处的地块位置以及行程开始的时刻；
[0050]
步骤33，基于所述用户出行行为模型，通过蒙特卡洛方法抽取第j辆电动汽车的出行链，读取出行链信息；
[0051]
步骤34，当电动汽车达到第h个停驻点时，基于所述充电需求决策模型判断当前停驻点是否需要充电，如果决策信息为需要充电，则更新车辆的剩余soc信息以及更新车辆充电时所属地块的充电负荷信息，如果决策信息为不需要充电，则该辆电动汽车的剩余soc信息不变，车辆停驻点所在地块充电负荷信息保持不变；
[0052]
步骤35，在车辆去往下一个停驻点时，重复步骤34，直至车辆行程结束回到出行链的终点所在地块，整个出行行为结束后，根据用户最后基于所设定的soc阈值进行是否需要充电决策判断，更新车辆荷电状态信息soc，更新该地块充电负荷信息；
[0053]
步骤36，读取下一辆电动汽车的信息，重复步骤32到步骤35，直至模拟完所有电动
汽车的充电行为；
[0054]
步骤37，统计各地块的电动汽车总充电负荷；
[0055]
步骤38，将所述电动汽车总充电负荷乘以各地区电力行业碳排放因子，得到各地块的电动汽车碳排放量。
[0056]
以下对本发明实施例的上述技术方案进行详细说明。
[0057]
1、后悔理论：用户的充电行为受多种因素影响，比如电动汽车在当前时刻的荷电状态、当前时刻的电价以及用户在当前位置的驻留时间等。为了更好的模拟未来电动汽车充分发展之后的情形，本发明实施例假定任意位置充电桩均充裕，即用户的充电行为不受充电桩位置的影响。
[0058]
由于用户对于当前是否需要充电的决策是非理性的，因此本发明实施例引入后悔理论来建立电动汽车的充电决策模型。后悔理论是经济学中的常用理论，主要研究当前不确定情况下及存在风险的情况下用户的心理及方案的选择,并在电网优化调度、风险评估等领域取得了较好的应用。将后悔理论运用到电动汽车的用户心理时，后悔理论认为出行者当下对于充电这个行为的决策不仅取决于被选择方案的效益，还取决于其他没有被选择方案的效益，如另一个时间点在另一处选择充电的可能性会影响到当前时刻是否需要充电的判断。如果未被选择的方案b比现在已选择的方案a效用更低，则用户会感到欣喜，否则会感到后悔，而后悔度会因为所选方案a带来的效益与所放弃的方案带来的效益差值呈现相关性。根据出行者的主观感受，当所选方案a带来的效益优于弃选方案时，后悔值为负数，当所选方案a带来的效益劣于弃选方案时，后悔值为正数，方案间的效益差越大，后悔值的绝对值越大。因此后悔值可将用户的主观感受量化，成为方案选择的依据。
[0059]
为了有效选择方案，需要对后悔值进行计算。计算各种方案效益的绝对差值，比较绝对值来模拟后悔值的高低。用户选择在某时某地充电时，其方案选择受到车辆当前的荷电状态、充电时长、实时电价的影响。此时，用户期望效用可表示为：
[0060][0061]
式中：pa为所选方案的选择概率；u(ta)为效用函数，表达所选方案体现的效用，u(ta)可以有多种表达形式。效用函数u(ta)的指数形式如下：
[0062]
u(ta)＝[1-exp(θta)]/θ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0063]
其中，θ是风险厌恶参数。线性效用函数表现形式如下：
[0064]
u(ta)＝αta+βca+χda+ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0065]
式中：α，β，χ分别为充电时长、当前电动汽车荷电状态以及实时电价的系数；ε是一个无量纲的参数，后悔的感觉用后悔效用函数ru(t)来表示，如式(4)所示：
[0066][0067]
2、基于后悔理论的充电需求判断
[0068]
用户在当前时刻的充电需求判断受到电动汽车在当前时刻的荷电状态、当前时刻的电价和用户在当前位置驻留时间的影响。当前时刻电动汽车的荷电状态越低，用户焦虑度越高，充电需求越大，对于选择充电方案的后悔度越低，反之后悔度越高。用户在当前位
置当前时刻的充电时长和用户在当前位置的停驻时间也会影响用户选择充电方案的后悔度，充电时长过长，后悔度越高，反之越低。当前充电时刻的电价越高，用户选择充电行为的后悔度越高，反之越低。
[0069]
电动汽车的初始荷电状态服从高斯正态分布：
[0070][0071]
式中：μ为起始soc的平均值；σ为标准差。
[0072]
电动汽车抵达当前停驻点的荷电状态为：
[0073][0074]
式中：为从上一个停驻点出发的时间；为到达当前停驻点的时间；ωd为从停驻点s-1到停驻点s之间路段的每公里耗量；ld为从停驻点s-1到停驻点s之间路段的行驶距离；eb为电池的荷电总量。
[0075]
用户当次充电时长：
[0076][0077]
式中：为用户到当前达停驻点时的电动汽车的荷电量；为用户离开当前停驻点时的电池荷电量；为充电功率；η为充电效率。用户在某个停驻点的单次充电时长需要小于停驻时间，即
[0078]
基于用户想要节约充电成本的心理需求，充电电价会直接影响到用户的充电决策，峰谷电价与平均电价下用户的充电决策不同。当考虑平均电价时，电价不在影响用户充电决策的范围之内，当考虑峰谷电价时，电价对于用户充电决策的影响如下：
[0079]
α
i,t
＝max{0,β
i,t
(y
i,t-y
i+1,t
′
)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0080]
β
i,t
＝-(1-k
soc,t
)c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0081]
式中：α
i,t
为选择t时刻并且在i驻留点进行充电会产生的与电价有关的后悔值影响因子；y
i,t
和y
i+1,t
′
分别为在t时刻在停驻点i的充电电价和在t
′
时刻在停驻点i+1处充电的电价。β
i,t
为与t时刻电动汽车荷电状态soc相关的反应电价属性重要程度的参数。
[0082]
对于潜在的可充电点，计算后悔值，基于后悔最小化原则，选择可充电点充后悔值最小的停驻点充电。
[0083]
基于后悔理论的单辆电动汽车充电需求判断步骤如下：
[0084]
(1)抽取出行路径：抽取该辆电动汽车的出行链，得到该辆电动汽车的基本出行信息，包括电动汽车起始出发点，起始出发时间，出行链停驻点信息，终点位置，包括终点在内的停驻点个数n，根据式(5)计算该辆电动汽车的起始soc。
[0085]
(2)设置后悔度初始值：选取1000作为后悔度的初始值，整个运算过程是为了获得最小后悔度，因此后悔度的初值不能设置过小，否则会影响判断结果。
[0086]
(3)计算后悔度：计算该辆电动汽车当前时刻的soc，读取当前时刻的电价，计算该辆电动汽车充电至充满所需的充电时间，以及该辆电动汽车充电至满足用户心理预期电量所需的充电时间，读取该辆电动汽车在该停驻点的停驻时间，然后根据后悔度函数，计算电动汽车在t时刻在驻点n进行充电决策的后悔度值ru(n,t)。
[0087]
(4)对后悔度值进行比较：如果电动汽车在t时刻在驻点n进行充电决策的后悔度值小于rumin，则进行替换，否则转到下一个驻点，进行步骤(3)的计算。
[0088]
后悔理论可较好地与日常充电决策联系起来，对后悔进行定量的表象，能把用户可能会感到充电决策的后悔程度以数据的形式定量直观地展现出来，更符合实际。另外其参数较少、计算相对简单，可适合较大规模的充电模拟分析。
[0089]
3、考虑用户行为决策的ev充电负荷及碳排放时空建模。
[0090]
电动汽车的充电负荷分布取决用户的出行行为和充电行为，基于前面后悔论的用户充电行为决策模型及其各个影响因素，并结合出行链的用户出行行为模型，采用蒙特卡洛方法进行随机抽样，从而得到单辆电动汽车的充电负荷时空分布，然后对所有电动汽车充电负荷进行叠加，得到某时间空间范围内的电动汽车充电负荷，最后通过电动汽车充电负荷及该地区电力行业碳排放因子相乘，得到该地区电动汽车碳排放量，实现对电动汽车的碳排放监测。
[0091]
区域内所有电动汽车的充电功率可用式(10)表示。
[0092][0093]
如图2所示，其分析主要步骤如下：
[0094]
(1)设定电动汽车总量，该数据可采用相关机构所提供的统计数据及预测数据，或者政府的规划数据，该数据也可通过数学方法预测得到，在验证模型时，也可直接设定一个指定值。
[0095]
(2)读取第j辆电动汽车的数据信息，包括该辆电动汽车所处的地块位置以及行程开始的时刻。
[0096]
(3)通过蒙特卡洛方法抽取第j辆电动汽车的出行链，读取出行链信息。
[0097]
(4)当电动汽车达到第h个停驻点时，采用基于后悔理论的充电决策判断方法判断当前停驻点是否需要充电。如果决策信息为需要充电，则更新车辆的剩余soc信息以及更新车辆充电时所属地块的充电负荷信息。如果决策信息为不需要充电，则该辆电动汽车的剩余soc信息不变，车辆停驻点所在地块充电负荷信息保持不变。
[0098]
(5)车辆去往下一个停驻点，重复步骤(4)，直至车辆行程结束回到出行链的终点所在地块。整个出行行为结束后，用户最后基于所设定的soc阈值进行是否需要充电决策判断，更新车辆荷电状态信息soc，更新该地块充电负荷信息。
[0099]
(6)读取下一辆电动汽车的信息，重复步骤(2)到步骤(5)，直至模拟完所有电动汽车的充电行为。
[0100]
(7)然后统计各地块的电动汽车充电负荷。
[0101]
(7)最后乘以各地区电力行业碳排放因子，得到各地块的电动汽车碳排放量。
[0102]
仿真与结果分析：
[0103]
1参数设置及其拟合分析
[0104]
本发明实施例主要利用美国交通部2009nhts居民出行调研统计数据开展仿真分析，将出行链的驻留点按出行活动目的命名为回家(home，h)工作(work，w)，及其他事务(other，o)。出行链中的单行程包括六种，由家到工作地“h-w”，由工作地去往家“w-h”，由家去往其他活动所在位置“h-o”，由其他活动位置去往家所在位置“o-h”，由工作地去往其他活动所在位置“w-o”，由其他活动位置去往工作地“o-w”。行程“h-w”和行程“w-h”受一般工作时间约束相对较为集中可采用正态分布进行拟合。其他行程受到用户自发行为的影响，行程开始时间相对分散，分别用正态分布、weibull分布、gamma分布去拟合，通过决定系数r及校正决定系数r
′
来选择拟合效果最佳的分布形式，结果如表1。
[0105]
表1单行程开始时间拟合效果
[0106][0107]
行驶时长概率分布参数设置过程如下。考虑疲劳驾驶要求的用户连续驾驶时间应小于两个小时，因此本发明实施例假设单次驾驶时长不超过120分钟。行驶时长概率分布曲线可采用对数正态分布函数进行拟合，概率密度函数为：
[0108][0109]
拟合得到参数μ＝3.040，σ＝0.761。
[0110]
不同区域驻留时长概率分布参数设置过程如下。根据用户的行为习惯，电动汽车在不同的区域内停驻时长不同，而电动汽车的停驻时长影响着电动汽车充电时间的长短。电动汽车停驻时长概率分布如图3所示。
[0111]
由电动汽车在不同区域内的停驻时长概率分布图可见，电动汽车的停驻时间概率分布不明确，因此采用决定系数r及校正决定系数r
′
来评价不同分布形式拟合效果。
[0112]
表2不同区域电动汽车停驻时长拟合效果
[0113][0114]
可见电动汽车在h区域内的停驻时长概率分布采用weibull分布效果最佳：
[0115][0116]
经拟合得参数k＝1.156，λ＝198.343。
[0117]
w区域内电动汽车的停驻时长采用广义极值分布拟合效果较好：
[0118][0119]
经拟合得参数σ＝168.784，μ＝439.467，ξ＝0.234。
[0120]
o区域内电动汽车的停驻时长采用广义极值分布拟合效果较好，拟合参数为σ＝45.678，μ＝69.568，ξ＝0.644。
[0121]
行驶里程是影响电动汽车耗电量的关键因素，电动汽车单次行驶里程概率分布近似为正态分布，如图4所示：
[0122][0123]
其拟合参数μ＝52.456，σ＝2.341。
[0124]
电动汽车的电池容量直接影响到电动汽车的续航以及充电电量。本发明实施例根据市场的销售数据，将市场现有的电动汽车分为3类：第一类电动汽车电池容量大、充电时间较长；第二类电动汽车电池容量较大、续航较为持久，充电时间较长；第三类电动汽车电池容量较小，续航时间短。参数设置如表3。
[0125]
表3电动汽车占比与电池容量
[0126][0127]
2仿真结果
[0128]
为了方便分析，本发明实施例设区域内电动汽车总量为1000辆。根据本发明实施例方法，该区域电动汽车的充电负荷时间分布曲线如图5。由于基于蒙特卡洛电动汽车充电负荷建模每次运行抽样结果存在差异，仿真得到的ev充电负荷曲线不是一条确定的曲线，本发明实施例给出了充电负荷上下限带状区域及平均负荷曲线。为了使得仿真结果更清晰，本发明实施例后续的仿真结果中仅保留平均充电功率曲线。
[0129]
由各区域内电动汽车充电负荷期望曲线如图6所示，可看出，不同的功能区域内电动汽车的充电负荷特征不同。h区域即居住地的充电负荷主要集中在傍晚至次日凌晨，16时以后，电动汽车的充电负荷开始急剧上升，在21时左右达到负荷高峰。w区域即工作区域内电动汽车的充电负荷主要集中在白天，9时到14时之间工作区域内电动汽车的充电负荷处于高峰阶段，这与用户的日常工作时间相符合，用户到达工作地点后将电动汽车停入停车场开始充电。o区域则包含了多种可能，随机性较大，在o区域的充电负荷没有明显的高峰时间段。由充电总负荷曲线可以看出，充电负荷的主高峰仍然集中在傍晚至次日凌晨，同时由于用户使用电动汽车达到工作区域w后，在该区域充电一定时间以备从工作区域返回家，导致上午8时至下午14时这个时间段内另一个较小充电负荷高峰，这与实际情况相吻合，模型合理。
[0130]
为分析区域内电动汽车保有量的影响，将电动汽车的数量设置为2500辆，其它参数不变，对比结果如图7、图8所示。
[0131]
图7、图8可知，由于电动汽车的数量发生了改变，充电负荷整体大幅上升，但1000辆和2500辆电动汽车对应的两条曲线充电负荷期望仍总体相似，充电负荷峰谷出现的时间基本吻合。大量电动汽车入网将加大电网负荷峰谷差。
[0132]
然后，将本发明实施例模型得到的充电负荷预测结果与现有技术中所用方法得到的充电负荷预测结果进行比较，同样是1000辆电动汽车，对比结果如图9所示。两种方法所得到的负荷曲线具有相似性，负荷曲线在14时左右具有相似的上升趋势，负荷高峰出现的时间及负荷峰值接近。本发明实施例方法得到的负荷曲线在8时到11时之间存在负荷高峰，而现有技术的方法没有，这是由于本发明实施例基于出行链理论考虑了电动汽车在中间停驻点的充电行为，本发明实施例所建立的模型更加符合实际。此外，该结果与现有技术中研究得到某典型区域的电动汽车充电负荷时空分布总体相似，这也反映本发明实施例结果的合理性。
[0133]
最后，将电动汽车充电负荷及该地区电力行业碳排放因子相乘，得到电动汽车碳排放日曲线，其曲线形状与电动汽车充电负荷形状相似。电网排放因子为0.5810tco2/mwh，上述案例电动汽车碳排放量为62.75吨。将该曲线对时间进行积分，即可得到电动汽车碳排放总量。
[0134]
综上所述，对电动汽车负荷及碳排放时空特性进行精确建模已成为大规模电动汽车与电网进行有效互动的重要基础。本发明实施例主要考虑用户行为决策影响对电动汽车充电负荷及碳排放时空分布进行建模。首先引入后悔理论对用户的充电需求决策进行模拟，然后引入出行链理论对用户的出行随机特性进行分析，再运用蒙特卡洛方法对不确定参数进行随机抽取，获得电动汽车的充电负荷时空分布，最后乘以该地区电力行业平均碳排放因子，得到电动汽车碳排放时空分布及排放总量。相比于认为人能够完全理性地从众多方案中选择最佳充电方案，基于后悔理论构建用户充电决策模型更加符合用户选择时的
不完全理性的特征，更符合实际情况。仿真结果较好验证了建模方法的合理性。
[0135]
系统实施例
[0136]
根据本发明实施例，提供了一种电动汽车碳排放时空分布监测建模系统，图10是本发明实施例的电动汽车碳排放时空分布监测建模系统的示意图，如图10所示，根据本发明实施例的电动汽车碳排放时空分布监测建模系统具体包括：
[0137]
充电需求决策模块100，用于基于后悔理论对用户的充电需求决策进行模拟，构建充电需求决策模型；
[0138]
用户出行行为模块110，用于基于出行链理论对用户的出行随机特性进行分析，构建用户出行行为模型；具体用于：
[0139]
步骤11，抽取当前辆电动汽车的出行链，获取得到该辆电动汽车的基本出行信息，根据所述基本出行信息计算该辆电动汽车的起始荷电状态soc，其中，所述基本出行信息具体包括：电动汽车起始出发点，起始出发时间，出行链停驻点信息，终点位置，包括终点在内的停驻点个数n；具体地：可以基于公式1，根据所述基本出行信息计算该辆电动汽车的起始荷电状态soc：
[0140][0141]
其中，μ为起始soc的平均值；σ为标准差；
[0142]
步骤12，设置后悔度初始值；
[0143]
步骤13，计算后悔度：计算该辆电动汽车当前时刻的soc，读取当前时刻的电价，计算该辆电动汽车充电至充满所需的充电时间，以及该辆电动汽车充电至满足用户心理预期电量所需的充电时间，读取该辆电动汽车在该停驻点的停驻时间，根据后悔度函数，计算电动汽车在t时刻在驻点n进行充电决策的后悔度值ru(n,t)；其中，计算该辆电动汽车当前时刻的soc具体包括：
[0144]
根据公式2计算电动汽车抵达当前停驻点的soc：
[0145][0146]
其中，为从上一个停驻点出发的时间；为到达当前停驻点的时间；ωd为从停驻点s-1到停驻点s之间路段的每公里耗量；ld为从停驻点s-1到停驻点s之间路段的行驶距离；eb为电池的荷电总量。
[0147]
步骤14，对后悔度值进行比较：如果电动汽车在t时刻在驻点n进行充电决策的后悔度值小于rumin，则使用该后悔度值替换rumin，否则转到下一个驻点，并执行步骤13，其中，rumin表示当前的最小后悔度值。
[0148]
处理模块120，用于基于所述充电需求决策模型和所述用户出行行为模型，采用蒙特卡洛方法进行随机抽样，获取单辆电动汽车的充电负荷时空分布，叠加所有电动汽车充电负荷，获取某时间空间范围内的电动汽车总充电负荷，结合电动汽车总充电负荷与该地区电力行业平均碳排放因子，计算电动汽车碳排放时空分布及排放总量。具体用于：
[0149]
步骤31，设定电动汽车总量；
[0150]
步骤32，读取第j辆电动汽车的数据信息，其中，所述数据信息包括该辆电动汽车所处的地块位置以及行程开始的时刻；
[0151]
步骤33，基于所述用户出行行为模型，通过蒙特卡洛方法抽取第j辆电动汽车的出行链，读取出行链信息；
[0152]
步骤34，当电动汽车达到第h个停驻点时，基于所述充电需求决策模型判断当前停驻点是否需要充电，如果决策信息为需要充电，则更新车辆的剩余soc信息以及更新车辆充电时所属地块的充电负荷信息，如果决策信息为不需要充电，则该辆电动汽车的剩余soc信息不变，车辆停驻点所在地块充电负荷信息保持不变；
[0153]
步骤35，在车辆去往下一个停驻点时，重复步骤34，直至车辆行程结束回到出行链的终点所在地块，整个出行行为结束后，根据用户最后基于所设定的soc阈值进行是否需要充电决策判断，更新车辆荷电状态信息soc，更新该地块充电负荷信息；
[0154]
步骤36，读取下一辆电动汽车的信息，重复步骤32到步骤35，直至模拟完所有电动汽车的充电行为；
[0155]
步骤37，统计各地块的电动汽车总充电负荷；
[0156]
步骤38，将所述电动汽车总充电负荷乘以各地区电力行业碳排放因子，得到各地块的电动汽车碳排放量。
[0157]
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
[0158]
装置实施例一
[0159]
本发明实施例提供一种电子设备，如图11所示，包括：存储器110、处理器112及存储在所述存储器110上并可在所述处理112上运行的计算机程序，所述计算机程序被所述处理器112执行时实现如方法实施例中所述的步骤。
[0160]
装置实施例二
[0161]
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器112执行时实现如方法实施例中所述的步骤。
[0162]
本实施例所述计算机可读存储介质包括但不限于为：rom、ram、磁盘或光盘等。
[0163]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种电动汽车碳排放时空分布监测建模方法，其特征在于，包括：步骤1，基于后悔理论对用户的充电需求决策进行模拟，构建充电需求决策模型；步骤2，基于出行链理论对用户的出行随机特性进行分析，构建用户出行行为模型；步骤3，基于所述充电需求决策模型和所述用户出行行为模型，采用蒙特卡洛方法进行随机抽样，获取单辆电动汽车的充电负荷时空分布，叠加所有电动汽车充电负荷，获取某时间空间范围内的电动汽车总充电负荷，结合电动汽车总充电负荷与该地区电力行业平均碳排放因子，计算电动汽车碳排放时空分布及排放总量。2.根据权利要求1所述的方法，其特征在于，步骤1具体包括：步骤11，抽取当前辆电动汽车的出行链，获取该辆电动汽车的基本出行信息，根据所述基本出行信息计算该辆电动汽车的起始荷电状态soc，其中，所述基本出行信息具体包括：电动汽车起始出发点，起始出发时间，出行链停驻点信息，终点位置，包括终点在内的停驻点个数n；步骤12，设置后悔度初始值；步骤13，计算该辆电动汽车当前时刻的soc，读取当前时刻的电价，计算该辆电动汽车充电至充满所需的充电时间，以及该辆电动汽车充电至满足用户心理预期电量所需的充电时间，读取该辆电动汽车在该停驻点的停驻时间，根据后悔度函数，计算电动汽车在t时刻在驻点n进行充电决策的后悔度值ru(n,t)；步骤14，如果电动汽车在t时刻在驻点n进行充电决策的后悔度值小于rumin，则使用该后悔度值替换rumin，否则转到下一个驻点，并执行步骤13，其中，rumin表示当前的最小后悔度值。3.根据权利要求2所述的方法，其特征在于，根据所述基本出行信息计算该辆电动汽车的起始荷电状态soc具体包括：基于公式1，根据所述基本出行信息计算该辆电动汽车的起始荷电状态soc：其中，μ为起始soc的平均值；σ为标准差；计算该辆电动汽车当前时刻的soc具体包括：根据公式2计算电动汽车抵达当前停驻点的soc：其中，为从上一个停驻点出发的时间；为到达当前停驻点的时间；ω
d
为从停驻点s-1到停驻点s之间路段的每公里耗量；l
d
为从停驻点s-1到停驻点s之间路段的行驶距离；e
b
为电池的荷电总量。4.根据权利要求1所述的方法，其特征在于，步骤3具体包括：步骤31，设定电动汽车总量；步骤32，读取第j辆电动汽车的数据信息，其中，所述数据信息包括该辆电动汽车所处
的地块位置以及行程开始的时刻；步骤33，基于所述用户出行行为模型，通过蒙特卡洛方法抽取第j辆电动汽车的出行链，读取出行链信息；步骤34，当电动汽车达到第h个停驻点时，基于所述充电需求决策模型判断当前停驻点是否需要充电，如果决策信息为需要充电，则更新车辆的剩余soc信息以及更新车辆充电时所属地块的充电负荷信息，如果决策信息为不需要充电，则该辆电动汽车的剩余soc信息不变，车辆停驻点所在地块充电负荷信息保持不变；步骤35，在车辆去往下一个停驻点时，重复步骤34，直至车辆行程结束回到出行链的终点所在地块，整个出行行为结束后，根据用户最后基于所设定的soc阈值进行是否需要充电决策判断，更新车辆荷电状态信息soc，更新该地块充电负荷信息；步骤36，读取下一辆电动汽车的信息，重复步骤32到步骤35，直至模拟完所有电动汽车的充电行为；步骤37，统计各地块的电动汽车总充电负荷；步骤38，将所述电动汽车总充电负荷乘以各地区电力行业碳排放因子，得到各地块的电动汽车碳排放量。5.一种电动汽车碳排放时空分布监测建模系统，其特征在于，包括：充电需求决策模块，用于基于后悔理论对用户的充电需求决策进行模拟，构建充电需求决策模型；用户出行行为模块，用于基于出行链理论对用户的出行随机特性进行分析，构建用户出行行为模型；处理模块，用于基于所述充电需求决策模型和所述用户出行行为模型，采用蒙特卡洛方法进行随机抽样，获取单辆电动汽车的充电负荷时空分布，叠加所有电动汽车充电负荷，获取某时间空间范围内的电动汽车总充电负荷，结合电动汽车总充电负荷与该地区电力行业平均碳排放因子，计算电动汽车碳排放时空分布及排放总量。6.根据权利要求5所述的系统，其特征在于，所述充电需求决策模块具体用于：步骤11，抽取当前辆电动汽车的出行链，获取该辆电动汽车的基本出行信息，根据所述基本出行信息计算该辆电动汽车的起始荷电状态soc，其中，所述基本出行信息具体包括：电动汽车起始出发点，起始出发时间，出行链停驻点信息，终点位置，包括终点在内的停驻点个数n；步骤12，设置后悔度初始值；步骤13，计算该辆电动汽车当前时刻的soc，读取当前时刻的电价，计算该辆电动汽车充电至充满所需的充电时间，以及该辆电动汽车充电至满足用户心理预期电量所需的充电时间，读取该辆电动汽车在该停驻点的停驻时间，根据后悔度函数，计算电动汽车在t时刻在驻点n进行充电决策的后悔度值ru(n,t)；步骤14，如果电动汽车在t时刻在驻点n进行充电决策的后悔度值小于rumin，则使用该后悔度值替换rumin，否则转到下一个驻点，并执行步骤13其中，rumin表示当前的最小后悔度值。7.根据权利要求6所述的系统，其特征在于，所述充电需求决策模块具体用于：基于公式1，根据所述基本出行信息计算该辆电动汽车的起始荷电状态soc：
其中，μ为起始soc的平均值；σ为标准差；根据公式2计算电动汽车抵达当前停驻点的soc：其中，为从上一个停驻点出发的时间；为到达当前停驻点的时间；ω
d
为从停驻点s-1到停驻点s之间路段的每公里耗量；l
d
为从停驻点s-1到停驻点s之间路段的行驶距离；e
b
为电池的荷电总量。8.根据权利要求5所述的系统，其特征在于，所述处理模块具体用于：步骤31，设定电动汽车总量；步骤32，读取第j辆电动汽车的数据信息，其中，所述数据信息包括该辆电动汽车所处的地块位置以及行程开始的时刻；步骤33，基于所述用户出行行为模型，通过蒙特卡洛方法抽取第j辆电动汽车的出行链，读取出行链信息；步骤34，当电动汽车达到第h个停驻点时，基于所述充电需求决策模型判断当前停驻点是否需要充电，如果决策信息为需要充电，则更新车辆的剩余soc信息以及更新车辆充电时所属地块的充电负荷信息，如果决策信息为不需要充电，则该辆电动汽车的剩余soc信息不变，车辆停驻点所在地块充电负荷信息保持不变；步骤35，在车辆去往下一个停驻点时，重复步骤34，直至车辆行程结束回到出行链的终点所在地块，整个出行行为结束后，根据用户最后基于所设定的soc阈值进行是否需要充电决策判断，更新车辆荷电状态信息soc，更新该地块充电负荷信息；步骤36，读取下一辆电动汽车的信息，重复步骤32到步骤35，直至模拟完所有电动汽车的充电行为；步骤37，统计各地块的电动汽车总充电负荷；步骤38，将所述电动汽车总充电负荷乘以各地区电力行业碳排放因子，得到各地块的电动汽车碳排放量。9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的电动汽车碳排放时空分布监测建模方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至4中任一项所述的电动汽车碳排放时空分布监测建模方法的步骤。

技术总结
本说明书实施例提供了一种电动汽车碳排放时空分布监测方法及装置，其中，方法包括：基于后悔理论对用户的充电需求决策进行模拟，构建充电需求决策模型；基于出行链理论对用户的出行随机特性进行分析，构建用户出行行为模型；基于所述充电需求决策模型和所述用户出行行为模型，采用蒙特卡洛方法进行随机抽样，获取单辆电动汽车的充电负荷时空分布，叠加所有电动汽车充电负荷，获取某时间空间范围内的电动汽车总充电负荷，结合电动汽车总充电负荷与该地区电力行业平均碳排放因子，计算电动汽车碳排放时空分布及排放总量。碳排放时空分布及排放总量。碳排放时空分布及排放总量。


技术研发人员：贾德香 傅成程 周春雷 吕干云 刘键烨 尹莞婷 宣东海 张贻红 陈建 黄宇腾 何东 张澄心 严家祥 王嘉琦
受保护的技术使用者：国家电网有限公司大数据中心 国网浙江省电力有限公司信息通信分公司
技术研发日：2023.02.14
技术公布日：2023/8/1