1.本发明涉及一种基于城市区域的电动汽车充电需求预测方法及装置，属于电动汽车充电负荷预测领域。
背景技术：2.随着世界能源产业结构的调整，人们对环境问题也越发重视，从而促进了新能源汽车的飞速发展和广泛应用。而近年来，交通系统的电气化也已经成为人类社会可持续发展的一个重要目标。在电力系统中，电动汽车作为一类特殊负荷，存在时间、空间及行为三维的随机不确定性；即：电动汽车的充电时间不确定、充电位置不确定以及行驶特性不确定；且电动汽车主要分布在城区，城市路网拓扑结构等因素对电动汽车充电特性具有较大影响。
3.然而，城市区域建设用地的交通条件与社会经济条件不同，导致其充电需求会有明显差异。现有计及城市功能区划分的研究通常只涉及较少类型的区域，例如只划分为居民区、商业区、工业区，缺乏对不同功能区的区域特性的综合考虑。因此，在考虑城市功能区域差异性的前提下建立准确的电动汽车充电需求时空分布模型，对研究电动汽车负荷接入电网的影响具有重要意义。
技术实现要素：4.本发明的目的在于提供一种基于城市区域的电动汽车充电需求预测方法及装置，从城市功能区域划分层面出发，考虑路网结构、行驶路径、交通等因素的影响，预测充电需求时空分布。
5.为达到上述目的，本发明采用的技术方案如下：
6.本发明提供一种基于城市区域的电动汽车充电需求预测方法，包括：
7.对城市区域进行网格划分，并确定网格所属的功能区域属性；
8.将城市区域各网格功能区域属性结果与城市区域路网相结合，得到可行驶的网格；
9.以可行驶的网格为基础，采用基于agent-元胞自动机的充电需求时空分布动态演化模型，对电动汽车充电需求进行预测，并规划充电路径；
10.所述基于agent-元胞自动机的充电需求时空分布动态演化模型以电动汽车和燃油车为agent，以网格为元胞，采用基于a*的最短路径规划方法确定agent下一步所选择的网格；
11.所述agent在网格内按照预设的道路行驶规则行驶。
12.进一步的，所述对城市区域进行网格划分，包括：
13.将城市区域按照300m*300m的标准进行网格划分。
14.进一步的，所述确定网格所属的功能区域属性，包括：
15.基于百度地图开放平台获取研究区域内的poi数据，并将poi数据分为住宅小区、
商业金融、公共服务、公司企业、教育科研、休闲风景和交通枢纽七大类；
16.对poi类别进行权重赋值，并基于权重计算各poi类别在所处网格内的频率密度占比，以频率密度占比最高的poi类别来定义该网格所属的功能区域属性。
17.进一步的，
18.所述基于权重计算各poi类别在所处网格内的频率密度占比，如下：
[0019][0020][0021]
其中，ci为网格内poi类别i的频率密度占比，di为poi类别i在所处网格内的频率密度和，d是网格内各poi类别的频率密度总和，αi为poi类别i的权重，ni为poi类别i在所处网格内的数量，s为网格面积。
[0022]
进一步的，还包括，
[0023]
当电动汽车电量低于预设值时，产生充电需求，基于以下规则做出充电决策：
[0024]
当电动汽车剩余电量足以到达目的地时，到达目的地后再进行充电；
[0025]
当剩余电量不足以到达目的地时，采用基于agent-元胞自动机的充电需求时空分布动态演化模型规划行驶路径，选择距离最短的充电站进行充电。
[0026]
进一步的，所述预设的道路行驶规则，包括：
[0027]
汽车agent在网格内按以下方式进行位置更新：
[0028]mn
(t+1)＝mn+vn(t+1)；
[0029]
其中，mn为第n辆汽车agent在t时刻所处的位置，vn(t+1)表示第n辆汽车agent在t+1时刻的速度；
[0030]
vn(t+1)根据网格所属的功能区域属性，以及路况确定如下：
[0031]
在网格内在路况允许的情况下总是以最大速度行驶：vn(t+1)＝min{vn(t)+1,v
max
}；当车速达到该网格的最大行驶速度时，车辆将保持匀速行驶：vn(t+1)＝vn(t)；
[0032]
在受路况限制下采用减速行驶：vn(t+1)＝min{vn(t),gapn(t)}；
[0033]
由于各种不确定因素按一定的随机慢化概率减速行驶：vn(t+1)＝max{vn(t)-1,0}；
[0034]
其中，vn表示第n辆汽车agent在t时刻的速度，v
max
表示汽车agent最大速度，gapn(t)表示第n辆汽车agent在t时刻与前方紧邻车辆的间距。
[0035]
进一步的，还包括：
[0036]
各类功能区域的最大行驶速度不同，汽车agent在穿过各类功能区域时会产生加速与减速，且电动汽车agent的加速速率为燃油车agent的1.5倍。
[0037]
进一步的，基于网格所属的功能区域属性，汽车agent最大行驶速度、随机慢化概率和耗电量设置如下：
[0038][0039]
本发明还提供一种基于城市区域的电动汽车充电需求预测装置，包括：
[0040]
初始化模块，用于对城市区域进行网格划分，并确定网格所属的功能区域属性；
[0041]
网络规划模块，用于将城市区域各网格功能区域属性结果与城市区域路网相结合，得到可行驶的网格；
[0042]
以及，
[0043]
预测模块，用于以可行驶的网格为基础，采用基于agent-元胞自动机的充电需求时空分布动态演化模型，对电动汽车充电需求进行预测，并规划充电路径；
[0044]
所述基于agent-元胞自动机的充电需求时空分布动态演化模型以电动汽车和燃油车为agent，以网格为元胞，采用基于a*的最短路径规划方法确定agent下一步所选择的网格；
[0045]
所述agent在网格内按照预设的道路行驶规则行驶。
[0046]
进一步的，所述初始化模块具体用于，
[0047]
将城市区域按照300m*300m的标准进行网格划分；
[0048]
基于百度地图开放平台获取研究区域内的poi数据，并将poi数据分为住宅小区、商业金融、公共服务、公司企业、教育科研、休闲风景和交通枢纽七大类；
[0049]
对poi类别进行权重赋值，并基于权重计算各poi类别在所处网格内的频率密度占比，以频率密度占比最高的poi类别来定义该网格所属的功能区域属性。
[0050]
进一步的，所述预测模块具体用于，
[0051]
当电动汽车电量低于预设值时，产生充电需求，基于以下规则做出充电决策：
[0052]
当电动汽车剩余电量足以到达目的地时，到达目的地后再进行充电；
[0053]
当剩余电量不足以到达目的地时，采用基于agent-元胞自动机的充电需求时空分布动态演化模型规划行驶路径，选择距离最短的充电站进行充电；
[0054]
以及，预设道路行驶规则，如下：
[0055]
汽车agent在网格内按以下方式进行位置更新：
[0056]mn
(t+1)＝mn+vn(t+1)；
[0057]
其中，mn为第n辆汽车agent在t时刻所处的位置，vn(t+1)表示第n辆汽车agent在t+1时刻的速度；
[0058]
vn(t+1)根据网格所属的功能区域属性，以及路况确定如下：
[0059]
在网格内在路况允许的情况下总是以最大速度行驶：vn(t+1)＝min{vn(t)+1,v
max
}；当车速达到该网格的最大行驶速度时，车辆将保持匀速行驶：vn(t+1)＝vn(t)；
[0060]
在受路况限制下采用减速行驶：vn(t+1)＝min{vn(t),gapn(t)}；
[0061]
由于各种不确定因素按一定的随机慢化概率减速行驶：vn(t+1)＝max{vn(t)-1,
0}；
[0062]
其中，vn表示第n辆汽车agent在t时刻的速度，v
max
表示汽车agent最大速度，gapn(t)表示第n辆汽车agent在t时刻与前方紧邻车辆的间距。
[0063]
本发明的有益效果为：
[0064]
本发明设计的考虑精细化分区的电动汽车充电需求时空分布动态演化模型能够兼顾考虑城市建设用地的差异性对电动汽车驾驶的影响，既可以作为实时充电服务费的制定依据引导电动汽车用户有序充电，也可以与常规负荷的空间预测结合进行充电站的选址定容规划。
附图说明
[0065]
图1为本发明实施例中城市研究区域功能区划分结果；
[0066]
图2为本发明实施例中结合功能区域的路网图；
[0067]
图3为标准二维ca邻居类型示例。
具体实施方式
[0068]
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0069]
本发明一个实施例提供一种基于城市区域的电动汽车充电需求预测方法，具体实现过程如下：
[0070]
1)对城市研究区域进行功能区域划分
[0071]
本实施例选取西安二环区域为研究区域，并基于百度地图开放平台获取该研究区域内的poi对象，包括点名、类型、地址、所在区域、坐标、一级类别、二级类别等公开属性，其中一级类别表示功能区种类，二级类别表示功能区实体内容。原始poi数据使用的是百度坐标系，而本实施例采用的是wgs84坐标系，对原始poi数据进行坐标转换，并删除一些对功能区划分无用的数据，如公交站、道路、河流、湖泊等。参考《城市用地分类与规划建设用地标准》(gb 50137—2011)，并结合研究区域的实际用地情况，将poi数据分为住宅小区、商业金融、公共服务、公司企业、教育科研、休闲风景、交通枢纽七大类。具体如表1所示。同时将研究区域按照300m*300m的标准进行网格划分，一共得到901个区域。计算单元网格内不同类型poi数据的频数密度占比，从而研究城市功能区域的划分。
[0072]
表1poi数据重分类
[0073][0074]
对一些重要交通枢纽(火车站、飞机场)、大型商场(购物中心、商业大厦等)、大学(国内本科高校)、医院(国家二级及以上医院)、政府机构(市委市政府及以上单位，各国大使馆等)、风景名胜(风景区、古迹、公园等)等地标poi赋予一定的权重，如表1所示。根据poi的权重来增加其数量，例如某大型医院原有1个poi，而大型医院的权重为10，则该大型商场现在poi的数量为10个。
[0075]
表2地标性poi权重
[0076][0077]
通过计算每个网格内各类poi的密度占比，以密度占比最高的poi类别来定义该网格所属的功能区域属性，计算公式：
[0078][0079]
式中，ci为网格内第i类poi数据频率密度和与网格内所有poi数据频率密度和的比值，d是网格内各类poi数据频率密度总和，di为网格内第i类poi数据在该网格的频率密度和，计算公式为：
[0080][0081]
式中，αi为第i类poi数据的权重，ni为该网格内第i类poi数据的数量，s为网格面积。
[0082]
得到功能区划分结果之后将划分结果与研究区域路网相结合，以某城市二环区域为例，图1为功能区划分结果，图2为结合后路网图，其中中间灰色部分为可行驶的道路，1代表车辆无法通行的区域。
[0083]
2)建立基于agent-元胞自动机的充电需求时空分布动态演化模型
[0084]
本实施例提出了一种基于agent-元胞自动机的充电需求时空分布动态演化模型，该模型通过考虑城市路况的二维状况、不同车辆(汽油车、电动车)不同的特点，以及考虑到车辆的车速不同、换道概率不同、不同城市区域加速、通行规律的不同，对研究区域的充电需求分布进行预测。
[0085]
研究区域场景包含了道路、负荷集中区域等区域模型，以及电动汽车和燃油车等交通参与模型。因此，定义每个网格为一个元胞，定义汽车agent包含电动汽车和燃油车两大类。
[0086]
在局部空间范围内影响到中心元胞下一时刻状态的元胞被定义为中心元胞的邻居元胞。本实施例采用如图3所示的扩展moore型。
[0087]
本实施例有两类agent，分别为“电动汽车”与“燃油车”。其中电动汽车产生充电需求和路网负荷，燃油车只产生路网负荷。两类agent都以最快到达目的地为目标。且电动汽车由于其电机特性，加速普遍快于燃油车，因此设计电动汽车加速速率为燃油车的1.5倍。
[0088]
燃油车agent具有两种基本属性——出发地、目的地，以及两种可变属性——当前位置、速度；电动汽车agent具有三种基本属性——出发地、目的地、初始soc，以及四种可变属性——当前位置、速度、耗电量参数和当前soc。其中，出发地、目的地、初始soc、都是由概率统计分布随机抽取生成，不会在演化过程中发生改变；当前位置、速度由演化计算得到。
[0089]
需要说明的是，本实施例虽然是针对电动汽车的充电需求预测，但现实情况下道路上行驶的车辆不单单是电动汽车，也有燃油车。且燃油车由于加速度等特性不同于电动汽车，实际情况下道路上的燃油车会对电动汽车的驾驶行为产生影响，使电动汽车更频繁的出现加速和减速行为，从而影响电动汽车的soc状态。因此，在模型中引入燃油车是必不可少的。
[0090]
同时，假定该区域电动汽车的渗透率为40％，电池容量为24kwh，出行soc处于正态分布n[0.4，0.1632]。本实施例假设所有的目的地都是具备基础充电设施的，因此当电动汽车电量低于10kwh会产生充电需求，此时用户会做出充电行为决策，即决定是否进行路途中的快充以及充电站的选择；当剩余电量足以到达目的地时，用户决定到达目的地后再进行充电；当剩余电量不足以到达目的地时，用户会产生快充需求且剩余电量无法到达目的地时，汽车agent会做出选择行驶到充电站所耗费的距离最短的充电站的充电行为决策。
[0091]
从我国公安部2002年公布的相关标准来看，我国相关交通管理部门对城市道路交通状态的量化定义主要运用主干道上的机动车平均速度大小来描述其拥挤程度。因此，本实施例中选取了平均车速来描述外部因素影响之和。但实际生活中，不同区域由于不同时间段下交通拥堵状况的不同，其平均车速也不同，如早上8点为上班早高峰，大部分车辆都是从住宅小区出发前往自己的上班地点，此时住宅小区的平均车速一定会低于其他功能区域。因此，给不同的功能区域设置不同的参数，可以使预测结果更符合实际情况。
[0092]
结合功能区域划分结果，由于每个区域网格的大小是相等的，汽车驶过每个区域的行驶距离也就是相等的，但同时因为不同类别的功能区域交通状况不同，电动汽车驶过每个区域所耗费的电量也不同。
[0093]
综上，设置不同功能区域的参数如表3所示。
[0094]
表3不同功能区域的参数设置
[0095][0096]
汽车agent移动时会基于好的行车路径进行移动，具体的道路行驶规则设定如下：
[0097]
(a)加速，行驶规则如式(3)所示，表示司机在路况允许的情况下总是期望以最大安全速度行驶，
[0098]
vn(t+1)＝min{vn(t)+1,v
max
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0099]
式中：vn表示第n辆车在t时刻的速度，v
max
表示最大速度。
[0100]
(b)减速，行驶规则如式(4)所示，表示司机受路况限制不得不减速行驶，
[0101]
vn(t+1)＝min{vn(t),gapn(t)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0102]
式中：gapn(t)表示第n辆车在t时刻与前方紧邻车辆的间距。
[0103]
(c)匀速，行驶规则如式(5)所示，表示司机在缓行的路况下以匀速行驶，
[0104]
vn(t+1)＝vn(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0105]
(d)随机慢化，行驶规则如式(6)所示，表示由于各种不确定因素而造成的车辆减速，
[0106]
vn(t+1)＝max{vn(t)-1,0}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0107]
汽车agent按照上述规则在道路上行驶，位置不断更新迭代：
[0108]mn
(t+1)＝mn+vn(t+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0109]
式中：mn为第n辆车在t时刻所处的位置。
[0110]
由于各类区域的最大行驶速度不同，车辆在穿过各类区域的时候会产生加速与减速行为，当车速达到该区域的最大行驶速度时，车辆将保持匀速行驶，同时，车辆在行驶过程中由于各种不确定因素有一定几率会减速，即随机慢化，需要说明的是各类区域由于路网情况差异，导致车辆发生随机慢化的概率也不一样。
[0111]
本实施例选择基于a*的最短路径规划方法来解决汽车agent的路径规划问题，通过式(8)来计算每个节点的优先级，
[0112]
f(x)＝g(x)+h(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0113]
式中:f(x)是路网节点x的综合优先级，g(x)表示从起点到当前路网节点x的实际移动距离，即从起点移动到当前点x所花费的移动代价，h(x)表示从当前路网节点x到终点或目标点的估算距离，即对当前点x移动到终点的估算移动代价(采用曼哈顿距离，即只允许上下左右四个方向移动)。当选择下一个要遍历的节点时，总会选取综合优先级最高(值最小)的节点。这也就是a*算法的启发函数。
[0114]
a*算法在运算过程中，每次从优先队列(即当前节点的上下左右四个网格)中选取f(x)值最小(优先级最高)的网格节点作为下一个待遍历的节点。
[0115]
最后，设定特定场景下的汽车出行总数，以及每辆车的出发地和目的地。以工作日早8：00为例，设置汽车出行总数为1000，此场景下大多数用户都是从家出发前往工作地点，
因此出发地和目的地分布设置如表3。
[0116][0117]
本发明另一个实施例提供一种基于城市区域的电动汽车充电需求预测装置，包括：
[0118]
初始化模块，用于对城市区域进行网格划分，并确定网格所属的功能区域属性；
[0119]
网络规划模块，用于将城市区域各网格功能区域属性结果与城市区域路网相结合，得到可行驶的网格；
[0120]
以及，
[0121]
预测模块，用于以可行驶的网格为基础，采用基于agent-元胞自动机的充电需求时空分布动态演化模型，对电动汽车充电需求进行预测，并规划充电路径；
[0122]
所述基于agent-元胞自动机的充电需求时空分布动态演化模型以电动汽车和燃油车为agent，以网格为元胞，采用基于a*的最短路径规划方法确定agent下一步所选择的网格；
[0123]
所述agent在网格内按照预设的道路行驶规则行驶。
[0124]
本实施例中，初始化模块具体用于，
[0125]
将城市区域按照300m*300m的标准进行网格划分；
[0126]
基于百度地图开放平台获取研究区域内的poi数据，并将poi数据分为住宅小区、商业金融、公共服务、公司企业、教育科研、休闲风景和交通枢纽七大类；
[0127]
对poi类别进行权重赋值，并基于权重计算各poi类别在所处网格内的频率密度占比，以频率密度占比最高的poi类别来定义该网格所属的功能区域属性。
[0128]
本实施例中，预测模块具体用于，
[0129]
当电动汽车电量低于预设值时，产生充电需求，基于以下规则做出充电决策：
[0130]
当电动汽车剩余电量足以到达目的地时，到达目的地后再进行充电；
[0131]
当剩余电量不足以到达目的地时，采用基于agent-元胞自动机的充电需求时空分布动态演化模型规划行驶路径，选择距离最短的充电站进行充电；
[0132]
以及，预设道路行驶规则，如下：
[0133]
汽车agent在网格内按以下方式进行位置更新：
[0134]mn
(t+1)＝mn+vn(t+1)；
[0135]
其中，mn为第n辆汽车agent在t时刻所处的位置，vn(t+1)表示第n辆汽车agent在t+1时刻的速度；
[0136]
vn(t+1)根据网格所属的功能区域属性，以及路况确定如下：
[0137]
在网格内在路况允许的情况下总是以最大速度行驶：vn(t+1)＝min{vn(t)+1,v
max
}；当车速达到该网格的最大行驶速度时，车辆将保持匀速行驶：vn(t+1)＝vn(t)；
[0138]
在受路况限制下采用减速行驶：vn(t+1)＝min{vn(t),gapn(t)}；
[0139]
由于各种不确定因素按一定的随机慢化概率减速行驶：vn(t+1)＝max{vn(t)-1,0}；
[0140]
其中，vn表示第n辆汽车agent在t时刻的速度，v
max
表示汽车agent最大速度，gapn(t)表示第n辆汽车agent在t时刻与前方紧邻车辆的间距。
[0141]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0142]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0143]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0144]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0145]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
技术特征：1.一种基于城市区域的电动汽车充电需求预测方法，其特征在于，包括：对城市区域进行网格划分，并确定网格所属的功能区域属性；将城市区域各网格功能区域属性结果与城市区域路网相结合，得到可行驶的网格；以可行驶的网格为基础，采用基于agent-元胞自动机的充电需求时空分布动态演化模型，对电动汽车充电需求进行预测，并规划充电路径；所述基于agent-元胞自动机的充电需求时空分布动态演化模型以电动汽车和燃油车为agent，以网格为元胞，采用基于a*的最短路径规划方法确定agent下一步所选择的网格；所述agent在网格内按照预设的道路行驶规则行驶。2.根据权利要求1所述的一种基于城市区域的电动汽车充电需求预测方法，其特征在于，所述对城市区域进行网格划分，包括：将城市区域按照300m*300m的标准进行网格划分。3.根据权利要求2所述的一种基于城市区域的电动汽车充电需求预测方法，其特征在于，所述确定网格所属的功能区域属性，包括：基于百度地图开放平台获取研究区域内的poi数据，并将poi数据分为住宅小区、商业金融、公共服务、公司企业、教育科研、休闲风景和交通枢纽七大类；对poi类别进行权重赋值，并基于权重计算各poi类别在所处网格内的频率密度占比，以频率密度占比最高的poi类别来定义该网格所属的功能区域属性。4.根据权利要求3所述的一种基于城市区域的电动汽车充电需求预测方法，其特征在于，所述基于权重计算各poi类别在所处网格内的频率密度占比，如下：所述基于权重计算各poi类别在所处网格内的频率密度占比，如下：其中，c
i
为网格内poi类别i的频率密度占比，d
i
为poi类别i在所处网格内的频率密度和，d是网格内各poi类别的频率密度总和，α
i
为poi类别i的权重，n
i
为poi类别i在所处网格内的数量，s为网格面积。5.根据权利要求1所述的一种基于城市区域的电动汽车充电需求预测方法，其特征在于，还包括，当电动汽车电量低于预设值时，产生充电需求，基于以下规则做出充电决策：当电动汽车剩余电量足以到达目的地时，到达目的地后再进行充电；当剩余电量不足以到达目的地时，采用基于agent-元胞自动机的充电需求时空分布动态演化模型规划行驶路径，选择距离最短的充电站进行充电。6.根据权利要求1所述的一种基于城市区域的电动汽车充电需求预测方法，其特征在于，所述预设的道路行驶规则，包括：汽车agent在网格内按以下方式进行位置更新：m
n
(t+1)＝m
n
+v
n
(t+1)；其中，m
n
为第n辆汽车agent在t时刻所处的位置，v
n
(t+1)表示第n辆汽车agent在t+1时刻的速度；
v
n
(t+1)根据网格所属的功能区域属性，以及路况确定如下：在网格内在路况允许的情况下总是以最大速度行驶：v
n
(t+1)＝min{v
n
(t)+1,v
max
}；当车速达到该网格的最大行驶速度时，车辆将保持匀速行驶：v
n
(t+1)＝v
n
(t)；在受路况限制下采用减速行驶：v
n
(t+1)＝min{v
n
(t),gap
n
(t)}；由于各种不确定因素按一定的随机慢化概率减速行驶：v
n
(t+1)＝max{v
n
(t)-1,0}；其中，v
n
表示第n辆汽车agent在t时刻的速度，v
max
表示汽车agent最大速度，gap
n
(t)表示第n辆汽车agent在t时刻与前方紧邻车辆的间距。7.根据权利要求6所述的一种基于城市区域的电动汽车充电需求预测方法，其特征在于，还包括：各类功能区域的最大行驶速度不同，汽车agent在穿过各类功能区域时会产生加速与减速，且电动汽车agent的加速速率为燃油车agent的1.5倍。8.根据权利要求7所述的一种基于城市区域的电动汽车充电需求预测方法，其特征在于，基于网格所属的功能区域属性，汽车agent最大行驶速度、随机慢化概率和耗电量设置如下：如下：9.一种基于城市区域的电动汽车充电需求预测装置，其特征在于，包括：初始化模块，用于对城市区域进行网格划分，并确定网格所属的功能区域属性；网络规划模块，用于将城市区域各网格功能区域属性结果与城市区域路网相结合，得到可行驶的网格；以及，预测模块，用于以可行驶的网格为基础，采用基于agent-元胞自动机的充电需求时空分布动态演化模型，对电动汽车充电需求进行预测，并规划充电路径；所述基于agent-元胞自动机的充电需求时空分布动态演化模型以电动汽车和燃油车为agent，以网格为元胞，采用基于a*的最短路径规划方法确定agent下一步所选择的网格；所述agent在网格内按照预设的道路行驶规则行驶。10.根据权利要求9所述的一种基于城市区域的电动汽车充电需求预测装置，其特征在于，所述初始化模块具体用于，将城市区域按照300m*300m的标准进行网格划分；基于百度地图开放平台获取研究区域内的poi数据，并将poi数据分为住宅小区、商业金融、公共服务、公司企业、教育科研、休闲风景和交通枢纽七大类；对poi类别进行权重赋值，并基于权重计算各poi类别在所处网格内的频率密度占比，以频率密度占比最高的poi类别来定义该网格所属的功能区域属性。11.根据权利要求9所述的一种基于城市区域的电动汽车充电需求预测装置，其特征在于，所述预测模块具体用于，
当电动汽车电量低于预设值时，产生充电需求，基于以下规则做出充电决策：当电动汽车剩余电量足以到达目的地时，到达目的地后再进行充电；当剩余电量不足以到达目的地时，采用基于agent-元胞自动机的充电需求时空分布动态演化模型规划行驶路径，选择距离最短的充电站进行充电；以及，预设道路行驶规则，如下：汽车agent在网格内按以下方式进行位置更新：m
n
(t+1)＝m
n
+v
n
(t+1)；其中，m
n
为第n辆汽车agent在t时刻所处的位置，v
n
(t+1)表示第n辆汽车agent在t+1时刻的速度；v
n
(t+1)根据网格所属的功能区域属性，以及路况确定如下：在网格内在路况允许的情况下总是以最大速度行驶：v
n
(t+1)＝min{v
n
(t)+1,v
max
}；当车速达到该网格的最大行驶速度时，车辆将保持匀速行驶：v
n
(t+1)＝v
n
(t)；在受路况限制下采用减速行驶：v
n
(t+1)＝min{v
n
(t),gap
n
(t)}；由于各种不确定因素按一定的随机慢化概率减速行驶：v
n
(t+1)＝max{v
n
(t)-1,0}；其中，v
n
表示第n辆汽车agent在t时刻的速度，v
max
表示汽车agent最大速度，gap
n
(t)表示第n辆汽车agent在t时刻与前方紧邻车辆的间距。
技术总结本发明公开了一种基于城市区域的电动汽车充电需求预测方法及装置，该方法通过对百度地图开放平台的原始兴趣点POI数据进行挖掘与融合，得到城市研究区域的功能区域划分结果；其次，根据各功能区域的区域特性制定不同的参数及道路行驶规则；最后，通过Agent-元胞自动机理论电动汽车时空分布动态演化模型，预测充电需求分布。本发明能够兼顾考虑城市建设用地的差异性对电动汽车驾驶的影响，能够引导电动汽车用户有序充电。汽车用户有序充电。汽车用户有序充电。
技术研发人员：王明深 袁晓冬 甘海庆 阮文骏 杨毅 王晨清 易文飞 郑明忠 罗飞
受保护的技术使用者：国网江苏省电力有限公司
技术研发日：2022.04.20
技术公布日：2022/7/5
