技术领域
[0001] 本
发明涉及电动汽车运行调度和电
力系统负荷分析领域，尤其涉及一种考虑用户有限理性的电动汽车充电需求分析方法。
背景技术
[0002] 电动汽车作为一种绿色出行工具，替代
燃料汽车成为未来主要交通工具已经成为了时代发展的趋势。然而，大规模电动汽车的出行及充放电势必给城市交通和
电网的协调发展带来巨大挑战。不仅会造成交通堵塞，还可能带来
电能质量、电网
稳定性恶化等影响。因此，准确把握电动汽车
时空行为和充电需求变化是满足城市居民的出行需求和保证电网安全经济运行的
基础。
[0003] 国内外针对电动汽车时空行为和充电需求建模已经做了初步研究，主要集中在集计统计学分析方法、仿真分析方法和完全理性假设分析。在集计统计学分析方法上，根据统计调查数据或
跟踪测量数据对电动汽车出行和充电行为的特征量进行了拟合分析；在仿真分析上，采用基于Agent-元胞自动机或模糊推演的方法对电动汽车充电需求的时空分布进行动态演化分析；在完全理性假设分析上，基于效用最大化原则提出电动汽车充电消费决策模型。这些研究工作均没有考虑实际情况中电动汽车用户的充电、出行等行为的不完全理性，将影响对电动汽车充电负荷的精确建模。
发明内容
[0004] 本发明要解决的技术问题在于针对
现有技术中的
缺陷，提供一种考虑用户有限理性的电动汽车充电需求分析方法，相比于统计分析法不仅能够得到更具有普遍适用性的结论，同时能够揭示影响电动汽车充电需求变化的内在原因；相比于基于完全理性假设的电动汽车行为和充电需求分析方法更具有合理性。
[0005] 本发明解决其技术问题所采用的技术方案是：
[0006] 本发明提供一种考虑用户有限理性的电动汽车充电需求分析方法，该方法包括以下步骤：
[0007] S1、利用时间地理学中的活动-分析法将出行者的日活动-出行行为分为活动-出行链间的转移关系和在活动-出行链上的转移规律，通过对活动属性分析，并根据活动属性判断当前条件下该活动发生的概率，建立出行者的活动-出行链间的转移关系；
[0008] S2、基于累积前景理论对有限理性出行者的
感知效用进行建模，同时考虑出行方式、出行路径以及出发时刻的参考点设置，得到出行者的活动-出行链上的出行选择概率模型；
[0009] S3、考虑交通网络的动态特性，结合有限理性出行者的出行选择概率模型和动态交通均衡模型建立动态交通网络的均衡过程，得到出行者在活动-出行链上的转移规律和电动汽车在活动-出行链上的充电规律；
[0010] S4、通过分析出行者日活动-出行链间的转移关系得到的出行者每日出行次数，结合出行者每日出行次数和每条活动-出行链上电动汽车充电规律，获得电动汽车的日充电需求。
[0011] 进一步地，本发明的步骤S2中的有限理性出行者表示实际出行者，实际出行者因认知能力有限不能掌握交通网的所有信息以及因计算能力有限不能完全找到最优决策表现出有限理性。
[0012] 进一步地，本发明的步骤S1中通过对活动属性分析，并根据活动属性判断当前条件下该活动发生的概率，建立出行者的活动-出行链间的转移关系的具体步骤包括：
[0013] S11、基于活动分析法将出行者日活动和出行采用活动-出行链连接起来，系统反映出行的活动和出行安排之间的内部联系，描述所有出行之间相互依赖关系以及活动出行的时空约束；
[0014] S12、根据出行者日活动和出行约束，将出行者的时空转移特性分为活动-出行链间的时空转移关系和在活动-出行链上的时空转移特性；
[0015] S13、根据关于人的活动需求研究，将个体参与的活动分为必要活动和灵活选择活动两大类，其中必要活动发生的概率为1，当在当前环境条件下灵活选择活动出行者考虑所有出行方式和出行路径的最早达到活动地点的时刻小于活动开始期望时刻时，该灵活选择活动按照一定的条件概率发生，否则不发生。
[0016] 进一步地，本发明的步骤S2中得到出行者的活动-出行链上的出行选择概率模型的具体步骤包括：
[0017] S21、根据累计前景理论将出行者的选择决策行为分为编辑和评价两个阶段；
[0018] S22、在编辑阶段，出行者基于对当前路网信息的认知进行编译，综合各种约束条件设定该次出行的参考点，根据不同出行的属性将其相对于参考点定义为“收益”和“损失”，并且形成关于“收益”和“损失”的主观概率权重或决策权重；
[0019] S23、在评价阶段，出行者将“收益”和“损失”与主观概率权重相结合形成对不同出行选择的感知效用；
[0020] S24、出行者得到不同决策感知效用，采用选择概率的方法进行出行选择中不能完全找到最优决策的选择行为描述。
[0021] 进一步地，本发明的步骤S22中出行者基于对当前路网信息的认知进行编译，综合各种约束条件设定该次出行的参考点的具体步骤包括：
[0022] 根据大量实际数据分析，出行者的活动出行存在“活动开始时间”和“可以接受的最早到达时刻”，出行者在这两个时刻间到达活动地点将获得“收益”，否则为“损失”，故将这两个时刻作为出行者出发时刻选择的参考点；
[0023] 在到达获得“收益”的时间段之间存在一个“期望的最佳到达时刻”，出行者在这个时刻到达获得“收益”最大，故将该时刻作为路径选择的参考点；
[0024] 出行者进行出行选择的最重要准则是行程时间，且出行者更倾向于选择更具有可靠性的出行方式，故可将出行时间预算设定为出行方式的参考点。
[0025] 进一步地，本发明的步骤S3中得到出行者在活动-出行链上的转移规律和电动汽车在活动-出行链上的充电规律的具体步骤包括：
[0026] S31、考虑实际交通系统中公共交通线路固定且具有专用车道，其转移规律与私家车的转移规律分别计算，且公共交通的行程时间通过路程与平均速度得到；
[0027] S32、将私家车的行程时间分为充电时间和路径行驶时间，其中充电时间计算时考虑两种充
电场景，在行程中当剩余电量无法满足剩余里程行驶要求和在活动地点电动汽车剩余电量低于
阈值选择充电，得到电动汽车的充电时间，私家车的路径行驶时间采用与路段流量和路段容量相关的函数进行描述；
[0028] S33、建立私家车动态交通均衡模型，即任何时刻某一个出行需求分配给某一条路径上的流量等于该出行需求总量依次乘以选择该时刻该条路径出行的私家车比例，同时考虑路径流量守恒约束、非负约束、电动汽车里程焦虑心理以及充电站充电桩数量约束。
[0029] 进一步地，本发明的步骤S4中获得电动汽车的日充电需求的具体步骤包括：
[0030] 采用当地出行者日参与的典型活动，从早工作出行到工作归家活动依次进行电动汽车在活动-出行链上的充电需求计算、活动-出行链间的转移关系计算，得到电动汽车日参与出行次数和日充电需求。
[0031] 进一步地，本发明的步骤S1中建立的出行者的活动-出行链间的转移关系具体为：
[0032] 个人i一天的活动安排次数为n，活动-出行模式表示为ATPi，其公式为：
[0033] ATPi＝fin＝(gi1,gi2,…,gin)
[0034] 其中，gij为第i个出行者参与的第j个活动的特征集合；fin表示一整天的活动-出行模式；
[0035] 若出行者的第j个活动为必要类活动，则该活动发生的概率为：
[0036] P[gij|fi,j-1]＝1
[0037] 其中，fi,j-1为出行者i参加第j个活动前的历史活动-出行模式；
[0038] 若出行者的第j个活动为非必要类活动，假设出行者i对所要参与的该活动的到达时间可接受上限为Tj，出行者可供选择的出行方式有m类，出行者选用第k类出行方式出行到达活动地点的最早时刻、最早时刻
置信度为θ的上限分别为Tjk、Tjkθ；
[0039] P{Tjk≤Tjkθ}＝θ
[0040] 则出行者所有出行方式的最早到达时间上限最小值为Tjmin，有Tjmin＝min{Tjkθ,k∈m}，那么该活动发生的概率为：
[0041]
[0042] 出行者参与第j项活动，即第j条活动-出行链产生的概率为：
[0043] P(gij)＝P(fi,j-1)·P(gij|fi,j-1)。
[0044] 进一步地，本发明的步骤S2中的选择概率模型具体为：
[0045]
[0046] 其中， 和μw(t)分别为时刻t出行者选择出行方式k、选择路径p及选择出行的概率；行程时间为连续分布下，时刻t在p路径上选择出行方式k的前景 时刻t第k种出行方式选择路径p的前景 早到前景 和晚到前景 其中早到和晚到前景统称为到达前景
[0047] 进一步地，本发明的步骤S3中动态交通均衡模型具体表示：
[0048]
[0049] 其中， 为可用路径p上的流量，Dw为出行需求量； 和μw(t)分别为时刻t出行者选择出行方式k、选择路径p及选择出行的概率。
[0050] 本发明产生的有益效果是：本发明的考虑用户有限理性的电动汽车充电需求分析方法，1、由于考虑了出行者在出行决策过程中的有限理性，更加符合实际规律，所得到的电动汽车时空行为和充电需求更准确。2、由于从电动汽车产生充电需求的根本原因出发，从原理上剖析出行者的决策过程和行驶、充电行为，能够揭示影响电动汽车充电需求变化的内在因素，进而制定引导电动汽车出行和充电的有效措施。
附图说明
[0051] 下面将结合附图及
实施例对本发明作进一步说明，附图中：
[0052] 图1是本发明实施例提供的一种考虑用户有限理性的电动汽车充电需求分析方法和技术实施
流程图。
具体实施方式
[0053] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0054] 如图1所示，为本发明实施例提供的一种考虑用户有限理性的电动汽车充电需求分析方法，所述方法包括：
[0055] 步骤S1，利用时间地理学中的活动-分析法的思想将出行者的日活动-出行行为分为活动-出行链间的转移关系和在活动-出行链上的转移规律，通过对活动属性分析以及根据活动属性判断当前条件下该活动发生的概率，建立出行者的活动-出行链间的转移关系。
[0056] 具体过程为根据出行者活动行为的三维时空表达，出行者的活动出行行为在时空上均是连续的，每条活动-出行链的起点和活动时间必受历史活动-出行链的影响。对每位活动者，描述其一天的行为属性包括参与活动的次数、活动类型、活动地点、出发时刻、活动持续时间及活动的出行时间和出行方式。如果个人i一天的活动安排次数为n，活动-出行模式表示为ATPi，有：
[0057] ATPi＝fin＝(gi1,gi2,...,gin) (1)
[0058] 其中，gij为第i个出行者参与的第j个活动的特征集合；fin表示一整天的活动-出行模式。
[0059] 根据研究者们对人的活动需求研究，个体参与的活动分为必要活动和灵活选择活动两大类，如工作出行为必要活动，购物、交友为灵活选择活动。考虑到出行者的ATP每天都在变化，各种不同的模式都可能以一定的概率出现。从概率论的
角度，每项活动发生的概率等于之前发生活动的条件概率。
[0060] 若出行者的第j个活动为第一类活动，则该活动发生的概率为：
[0061] P[gij|fi,j-1]＝1 (2)
[0062] 上式中fi,j-1为出行者i参加第j个活动前的历史活动-出行模式。
[0063] 若出行者的第j个活动为第二类活动，假设出行者i对所要参与的该活动的到达时间可接受上限为Tj，出行者可供选择的出行方式有m类，出行者选用第k类出行方式出行到达活动地点的最早时刻、最早时刻置信度为θ的上限分别为Tjk、Tjkθ。
[0064] P{Tjk≤Tjkθ}＝θ (3)
[0065] 则出行者所有出行方式的最早到达时间上限最小值为Tjmin，有Tjmin＝min{Tjkθ,k∈m}，那么该活动发生的概率为：
[0066]
[0067] 根据贝叶斯理论及式(2)、(4)可知，出行者参与第j项活动(第j条活动-出行链产生)的概率为：
[0068] P(gij)＝P(fi,j-1)·P(gij|fi,j-1) (5)
[0069] 步骤S2，考虑到实际出行者因认知能力有限不能掌握交通网的所有信息以及因计算能力有限不能完全找到最优决策的有限理性，基于累积前景理论对有限理性出行者的感知效用进行建模，得到有限理性出行者在出行方式、出行路径以及出发时刻的选择概率模型，具体步骤为：
[0070] 出行者在活动-出行链上的时空转移取决于其对出行方式、出发时刻、出行路径的选择。有限理性指的是一方面由于人的认知能力有限，决策者不可能掌握全部信息，仅能根据掌握的部分信息对结果进行感知；另一方面，决策者由于计算能力有限在决策中往往追求“满意”标准，而非最优标准。
[0071] 累计前景理论考虑人的有限理性，将出行者的选择决策行为分为编辑和评价两个阶段。在编辑阶段出行者基于对当前路网信息的认知进行编译，综合各种约束条件设定该次出行的参考点，根据不同出行的属性将其相对于参考点定义为“收益”和“损失”，并且形成关于“收益”和“损失”的主观概率权重(或决策权重)；在评价阶段，出行者将“收益”和“损失”与主观概率权重相结合形成对不同出行选择的感知效用。该过程体现了用户有限理性的第一个方面。
[0072] 设一种选择的前景Pro出现结果xi的概率为pi，用户制定参考点x0的概率为p0。将可能出现的结果xi按照升序排列为x-r≤x-(r-1)≤…≤x-1≤x0≤x1≤…≤xq-1≤xq。则累计前景理论的模型可表示为：
[0073]
[0074] 式(6)中，VPro为出行者的感知效用，g(xi)为结果xi的价值函数；w+(﹒)，w-(﹒)分别为收益和损失的概率权重函数。
[0075] 考虑到结果xi发生概率的连续性，将选择结果的概率分布函数F(x)引入到模型(6)中，出行者的感知效用，即累计前景如式(7)所示。
[0076]
[0077] 根据经济学研究者对价值函数和决策权重的研究，在参考点附近人们的
风险偏好会发生逆转，面对收益倾向于风险厌恶，面对损失倾向于风险追求；面对同等等额的收益和损失，对损失的规避程度大于对收益的偏爱程度；越远离参考点，收益或损失的边际变化对人们心理影响越小；人们往往高估小概率事件，低估大概率事件。由此得出了描述决策者有限理性的“S”型价值函数和倒“S”型的决策函数。且价值函数和决策权重可表示为：
[0078]
[0079]
[0080] 上式中，α、β和λ(0<α,β<1,λ≥1)反映了出行者对风险的偏好
水平，值越大表示决策者对于风险(收益或损失)的敏感性递减程度越小，决策者对风险越敏感；参数ζ和δ决定了倒“S”型决策函数的弯曲程度；pob为选择结果发生的客观概率。
[0081] 通过式(6)～(9)可描述决策者对某一选择的感知效用。
[0082] 参考点选取是影响感知效用的重要参数之一，而实际中出行者在出行方式、出发时刻和出行路径的选择上相互制约，故在进行参考点选取时必须同时考虑三者的影响。在一些研究者基于前景理论研究工作出行的出发时刻选择问题时，提出了以“可以接受的最早到达时刻TE”和“工作开始时刻TW”作为价值函数的两个参考点，出行者在这两个参照点之间到达将获得“收益”，否则为“损失”；在两个参考点之间存在一个“期望的最佳到达时刻TO”，出行者在TO到达获得“收益”最大。
[0083] 在此基础上建立三个参考点设立规则：1)将TE和TW作为出发时刻选择的参考点；2)将T0作为路径选择的参考点，到达时刻离T0越近收益越大；3)由大量文献研究可知，出行者进行出行选择的最重要准则是行程时间，且出行者更倾向于选择更具有可靠性的出行方式，故可将出行时间预算设定为出行方式的参考点：
[0084]
[0085]
[0086] 其中， 和 分别表示t时刻路径p上选用第k种出行方式的行程时间、出行时间预算及行程时间参考点； 和 分别为 的期望和标准差；w为所有起讫点(Origin and Destination,OD)对集合；ρ为置信度；μ体现了活动出行者对风险的偏好程度。
[0087] 将三参考点带入式(8)可得出行方式选择、路径选择、早到和晚到的价值函数。进而由式(7)可得行程时间为连续分布下，时刻t在p路径上选择出行方式k的前景 时刻t第k种出行方式选择路径p的前景 早到前景 和晚到前景 其中早到和晚到前景可统称为到达前景
[0088] 活动者在出行过程中将根据不同出行方式、出发时刻及出行路径前景进行出行选择。为了更好地体现出行者有限理性的第二个方面，采用选择概率的方法进行出行选择描述。设 和μw(t)分别为时刻t出行者选择出行方式k、选择路径p及选择出行的概率，则出行者的选择行为可表示为：
[0089]
[0090] 式(12)中Rw为所有可用路径集合。
[0091] 步骤S3，考虑交通网络的动态特性，结合有限理性出行者的出行选择概率模型和动态交通均衡模型建立动态交通网络的均衡过程，得到出行者在活动-出行链上的转移规律和电动汽车在活动-出行链上的充电规律的具体步骤为：
[0092] 通过分析三参考点下的出行选择价值函数和决策权重函数可知，出行方式、路径、出发时刻的选择前景均为行程时间的函数，为此需对不同选择下的行程时间进行求解。考虑实际中主要出行方式有公共交通、私家车和出租车，且当用户选用出租车时用户决策行为与私家车类似，故可将出租车归为私家车进行研究。
[0093] 私家车包含燃油私家车和电动私家车，设燃油私家车、电动汽私家车以及公共交通分别为第1、2、3种出行方式。由于公共交通路线固定且有专用车道，受其他交通工具影响较小，其行程时间可通过路程与平均速度得到。
[0094] 定义电动汽车的可用路径为：一条不包括环，且可无需充电或通过中途充电到达目的地的路径。
[0095] 对于私家车根据交通领域经典模型建立路段行驶时间：
[0096]
[0097] 式中，Tad,k(t)为t时刻私家车在路段a上的行驶时间，k＝1为燃油汽车，k＝2为电动汽车； 为路段a的自由行驶时间；Ca为路段a的通行能力；xa(t)为时刻t路段a上的流量。
[0098] 计及电动汽车的充电时间，私家车路径行程时间(行驶时间与充电时间之和)可表示为：
[0099]
[0100] 式中， 为电动汽车e在
节点i上的充电时间； 为充电相关系数，若充电其值为1，反之为0。相似地，路径行程时间的期望和方差可以采用行驶时间和充电时间的期望及方差进行表示。
[0101] 同时，路段行驶时间和充电时间方差采用变异系数描述：
[0102]
[0103] 式中，τad,k(t)和(σad,k(t))2分别为私家车t时刻在路段a上的行驶时间期望和方差； 和 分别为电动汽车e在节点i上的充电时间期望和方差；为变异系数。
[0104] 一般地，电动汽车通常在三种情况下产生充电行为：1)在行程中，当剩余电量无法满足剩余里程行驶要求；2)在活动地点电动汽车剩余电量低于阈值；3)最后一次日活动结束归家后选择充满电。
[0105] 则t时刻电动汽车e在路径p上的节点i处的充电时间期望为：
[0106]
[0107] 式中， 为t时刻电动汽车e的剩余电量； 为其充电完成后的电量；Ce为电动汽车e的
电池容量，其充电功率可视为定值Pe。
[0108] 考虑电动汽车用户的里程焦虑心理，在每个充电节点i上，电动汽车充电电量应满足：
[0109]
[0110] 式中，me为电动汽车e的焦虑里程；ce为电动汽车的耗电率；在路径p上，与节点i相邻的下一个充电节点或路径终点为j，两节点间的距离为di,j。
[0111] 电动汽车同时在节点i上的充电数量应不大于充电桩数目，设节点i处的充电桩数为Ci，有：
[0112]
[0113] 电动汽车在活动地点产生充电需求的条件为：
[0114]
[0115] 式中，Ф为电动汽车在活动地点产生充电需求的阈值。
[0116] 在活动地点充电后，电动汽车的剩余电量为：
[0117]
[0118] 式中， 为电动汽车充满电所需要的时间；ATej为电动汽车e的用户参与活动j的持续时间。
[0119] 电动汽车的行程时间包括充电时间和行驶时间，且其行驶时间是路径流量的函数，故需要对私家车在交通网中的流量分配进行研究。建立动态交通均衡模型：
[0120]
[0121] 式(21)中fpw(t)为可用路径p上的流量，Dw为出行需求量。需要满足如下约束条件：
[0122]
[0123]
[0124] 式(22)和(23)分别为流量守恒和非负约束条件。
[0125] 通过式(12)～(23)建立了考虑活动出行者在出行方式、出行路径及出发时刻选择有限理性下的时空分布模型和充电需求模型。
[0126] 步骤S4，所述结合通过分析出行者日活动-出行链间的转移关系得到的出行者每日出行次数和每条活动-出行链上电动汽车充电规律，获得电动汽车的日充电需求的具体步骤包括：
[0127] 采用当地出行者日参与的典型活动，从早工作出行到工作归家活动依次重复以上进行电动汽车在活动-出行链上的充电需求计算、活动-出行链间的转移关系计算，得到电动汽车日参与出行次数和日充电需求。
[0128] 应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附
权利要求的保护范围。
