下载掌阅APP，畅读海量书库
立即打开
城市化的快速进程导致了日益增长的能源消耗，这需要能够感知城市规模的能源成本、改善能源基础设施以及节约能源的技术。
Zhang等人 [166-167] 提出了一种使用出租车作为传感器，及时估计每个加油站内车辆数量的方法。这样的信息不仅可以向驾驶员推荐等待时间较短的加油站，还可以更有效地帮助规划加油站的位置。直观地说，在某个地区加油站建设过多而加油车辆较少的情况下，我们可以减少一些加油站的运营时间（例如，每天只开放半天）。此外，根据城市车辆燃油箱容量的统计数据，这些信息可以估算在某个时间段内车辆加了多少升汽油。
在提出的方法中，首先从出租车的GPS轨迹中检测到加油站加油事件，如图2.14所示。出租车在加油站加油所花费的时间用于估计队伍长度（等待加油），然后估算加油站的车辆数量。随后，提出了一种情境感知的张量分解方法，用于估计那些最近没有出租车去加过油的加油站的车辆数量。
图2.14 利用配备GPS的出租车对城市加油行为进行人群感知（见彩插）
Shang等人 [126] 利用来自样本车辆（例如出租车）的GPS轨迹，即时推断在某个时间槽内城市道路网络上行驶的车辆的汽油消耗和排放情况，如图2.15a所示。这些知识不仅可以用来建议成本效益高的驾驶路线，还可以识别在哪些道路段有大量的汽油浪费。同时，对车辆污染排放的即时估算可以触发污染警报，并从长远来看，可以帮助诊断空气污染的根本原因。
为了实现这个目标，他们首先使用最近接收到的GPS轨迹计算每个道路段的行驶速度。由于许多道路段没有车辆行驶过，不存在轨迹数据（即数据稀疏性），提出了一种基于情境感知矩阵分解方法的行驶速度估计模型。该模型利用从其他数据源（例如地图数据和历史轨迹）学习的特征来处理数据稀疏性问题。随后，提出了一种交通量推断（TVI）模型来推断每分钟通过每个道路段的车辆数量。TVI是一个无监督的动态贝叶斯网络，它结合了多个因素，如行驶速度、天气条件以及道路的地理特征。给定道路段的行驶速度和交通量，它可以根据现有的环境理论计算汽油消耗和排放。
图2.15 根据稀疏轨迹推断车辆的汽油消耗和污染排放（见彩插）
图2.15b展示了在三天不同的时间点，中关村周边地区的汽油消耗和CO排放情况。这个区域是一个混合区域，有许多公司和娱乐场所。在下午3点～4点的时间段，即晚高峰之前，工作日这个地区的汽油消耗量比周末和节假日要少，因为人们还在室内工作。在周末和节假日，许多人会因为这个区域的娱乐活动（例如购物或看电影）而前来，导致更多的能源消耗和CO排放。一个电影院、一个超市和两个购物中心位于由虚曲线标记的区域。
有效地整合可再生能源，并满足因车辆电气化和供暖增加而日益增长的电力需求，对于电力的可持续使用至关重要。为了优化居民能源使用，需要智能的需求响应机制，将能源使用转移到需求较低的时期，或者可再生能源供应充足的时期。智能算法，无论是在设备级别还是社区/变压器级别实施，都使得设备能够满足单个设备和用户政策的要求，同时保持在社区分配的能源使用限额之内。
在文献 [44] 中，社区内的每辆电动汽车（EV）都由一个强化学习代理控制，并得到短期负荷预测算法 [98] 的支持。每个代理的局部目标是最小化充电价格（这是动态的，直接与当前能源需求成正比）并满足用户期望的效用（例如，确保电动汽车的电池在出发前充至80%）。每个代理还希望将社区变压器的负荷保持在目标限额以下（例如，通过最小化高峰期间充电的车辆数量）。如果实时监控显示实际需求与预测需求有偏差，将动态地重新预测需求。
Galvan-Lopez等人 [51] 提出了一种替代方法，其中不是每个车辆代理单独做出决策，而是由一个全局最优的充电计划通过遗传算法适应需求，并与其他电动汽车进行通信。在文献 [62] 中，变压器级别的智能设置点控制算法向可控制设备（例如电动汽车或电热水器）发送信号，指示它们用来在特定时刻确定是否应该充电/开启的概率，或者指示每个设备的可变功率充电器应该开启的程度。这实现了对设备需求的细粒度控制，以填补不可控电力负荷与目标变压器负荷之间的空隙，从而平衡整体能源需求。
Momtazpour等人 [102] 提出了一个框架，以支持电动汽车的充电和存储基础设施设计。他们提出了协调聚类技术，与城市环境的网络模型一起使用，以帮助确定充电站的位置和支持电动汽车的部署。已经考虑的问题包括：（1）根据电动汽车车主的活动预测电动汽车的充电需求；（2）预测不同城市地点的电动汽车充电需求以及电动汽车电池的可用充电量；（3）设计分布式机制，管理电动汽车向不同充电站的移动；（4）优化电动汽车的充电周期，在满足用户要求的同时最大化车辆到电网的利润。