CN103631642B - 基于生态模拟的电动汽车充换电服务网络仿真系统及方法 - Google Patents

Abstract

本发明公开了基于生态模拟的电动汽车充换电服务网络仿真系统及方法，所述方法将电动汽车用户系统模型、充换电服务网络系统模型以及电网系统模型处理为一个生态仿真圈，将电动汽车用户模型视为生态圈的生物种群，采用生态模拟方法，对某一区域电动汽车种群的运行及充换电行为进行仿真模拟，在无中心控制的情况下，由大量遵循简单规则的个体呈现群体智能优化算法，生成最优匹配方案并输出各类指标参数，以此判断充换电设施的服务能力。可以指导充换电设施规划建设，推动电动汽车的发展。

Description

基于生态模拟的电动汽车充换电服务网络仿真系统及方法

技术领域

本发明涉及一种基于生态模拟的电动汽车充换电服务网络仿真系统及方法，属于电力系统规划和仿真领域。

背景技术

电动汽车“以电代油”，可实现低能耗、零排放和无污染，是智能电网和低碳交通的重要内容，引起了全社会的广泛关注。电动汽车充换电站具有城市交通公共服务设施和普通用电设施的双重属性，其规划合理与否不仅影响到电动汽车的推广应用，还会影响到配电系统的电能质量。

电动汽车应用类型多种多样，即使是同一类型的电动汽车，其能源供给方式也可以有很多种，不同类型的能源供给方式会呈现出不同的用电特点。另外，由于电动汽车分布范围广且分散，不同的电动汽车会有不同的行驶特性，其充电在时间和空间上均具有较大的随机性和不确定性，给电动汽车充换电设施的合理规划造成较大困难。目前城市用地紧张，供电质量要求高，电动汽车充换电设施建设投资大，如果规划不合理，事倍功半。因此非常有必要建立一套准确高效的电动汽车充换电服务网络仿真系统及方法，以此来模拟电动汽车充换电设施的服务框架，指导电动汽车充换电设施的规划与建设。

中国发明专利（申请号：201210194873）提出了一种基于智能交通系统的电动汽车充电路径规划方法，这是一种充电路径规划方法，是由交通控制中心根据电动汽车信息判断电动汽车是否需要充电，并制定电动汽车的充电计划。当电动汽车数量达到较大规模后，将对控制中心的计算速度和服务能力提出很高要求，且由控制中心制定充电计划而没有考虑用户的实际需求，在实际中并不可行。

中国发明专利（申请号：201210225059.1）提出了一种电动汽车充换电站布点规划系统及方法，但该系统只描述了一种电动汽车充换电站布点规划的系统，而没有涉及具体算法。

[周洪超,李海锋等.基于博弈论的电动汽车充电站选址优化模型研究，科技和产业，2011年2月]在分析传统项目选址方案评价方法的基础上，提出运用博弈论对电动汽车充电站规划布局方案进行评价，并给出了博弈优化模型和算法，以期达到最优规划，并进行了实例分析。但该方法是针对规划布局待选方案进行比较，模型只能做简单的定性分析。

因此，建立一种准确高效的电动汽车充换电服务网络仿真系统及方法，有效模拟充换电设施的服务，为充换电设施规划提供依据，是本领域技术人员亟待解决的技术问题。

发明内容

为了解决上述问题，本发明提出了一种基于生态模拟的电动汽车充换电服务网络仿真系统及方法，采用智能生态模拟方法，对某一区域的电动汽车、充换电设施以及电网的行为进行仿真模拟，在无中心控制的情况下，通过局部交流“涌现”出来的自组织宏观智能行为，由大量遵循简单规则的个体呈现出群体智能方案，生成最优匹配方案并输出各类指标参数，以此来评估充换电设施的服务能力，并分析其运行对电网的影响，可以指导充换电设施规划建设，推动电动汽车的发展。

本发明采用的技术方案：

基于生态模拟的电动汽车充换电服务网络仿真系统，包括计算机仿真的电动汽车用户系统模型、充换电服务网络系统模型和电网系统模型，三者构成生态仿真圈；所述电动汽车用户系统模型被视为生态圈中的生物种群，所述充换电服务网络系统模型和电网系统模型构成了生物种群生存的外部环境；

所述电动汽车用户系统模型与所述充换电服务网络系统模型通信，用于模拟所有电动汽车用户系统模型中的用户；

所述充换电服务网络系统模型由若干通过计算机仿真的区域充换电服务网络系统模型组成，每个所述区域充换电服务网络系统模型分别与所述电动汽车用户系统模型、电网系统模型和指标分析与结果输出系统通信，用于模拟由充换电设施和相关调度管理部门组成的电动汽车充换电服务网络；

所述电网系统模型，与所述充换电服务网络系统模型通信，用于模拟电动汽车充换电服务网络所接入的电网系统；

所述的指标分析与结果输出系统，与所述充换电服务网络系统模型通信，用于整个仿真系统的指标分析并输出结果。

所述电动汽车用户系统模型，包括：电动汽车通信模块、能量管理模块和充电应用模块；

所述电动汽车通信模块分别与充换电服务网络系统模型中GIS组件的充换电诱导信息发布模块和充换电设施预约服务管理模块进行通信，用于接收来自GIS组件发布的充换电诱导信息，并当电动汽车用户确定充换电方式后，由其向充换电设施预约服务管理模块发送预约请求；

所述能量管理模块，对电池的电压、电流、温度进行实时监测，同时还进行漏电流监测、热管理、电池均衡管理，还根据电池的电压电流及温度控制最大输出功率以获得最大行驶里程，计算剩余续航里程，当电池SOC不足时会发布告警信号告知车主及时补充电量；

所述充电应用模块，用于管理电动汽车的智能充电，当接收到电池SOC不足告警信号后发布充电请求信号，接收到区域充换电服务网络系统模型的充换电诱导信息后，协助车主选择充电方式并将预约信号反馈给区域充换电服务网络系统。

所述充换电服务网络系统模型根据车主GPS位置及充换电类型信息，给出车主当前位置设定距离n公里（n小于剩余续航里程）范围内优化充换电服务信息，车主选定充电方式后，电动汽车用户反馈给区域充换电服务网络系统预约信号，区域充换电服务网络系统模型将信号锁定并记录。

所述充换电服务网络系统模型包括：充换电设施模型和GIS组件；

所述充换电设施模型包括充换电设施通信模块和充换电设施模块；

所述充换电设施通信模块是每个充换电设施的固有模块，与充换电服务管理模块的充换电设施预约服务管理模块和区域调度服务器的区域管理模块通信；

所述充换电设施模块用于模拟区域范围内的电动汽车充换电设施，包括电动汽车充电站、电动汽车充换电站、移动充电站、电池更换站和离散充电桩。

所述GIS组件包括路网服务器、充换电服务管理模块和区域调度服务器；

所述路网服务器包括路网模块；路网服务器是底层服务器，所述路网模块用于为系统提供基础的路网服务，包括道路信息、距离信息的GIS信息，并能够反映实时路况信息；

所述充换电服务管理模块包括充换电诱导信息发布模块和充换电设施预约管理服务模块；所述充换电诱导信息发布模块用于发布电动汽车充换电设施的诱导信息，所述充换电设施预约服务管理模块用于管理电动汽车充换电设施的预约服务；

所述区域调度服务器包括区域管理模块和调度策略库模块，所述区域管理模块用于响应用户系统的充换电请求，生成充电优选方案，记录本区域范围内电动汽车充换电设施的信息，该信息包括静态信息和实时信息，所述静态信息包括设施类型、位置，所述实时信息包括设施的服务情况、实时功率以及充电配对信息；所述调度策略库模块用于存储该区域范围内的充换电设施的调度控制策略。

所述电网系统模型包括电网通信模块、负荷与可再生能源发电预测模块和自动发电控制模块；

所述电网通信模块用于和若干区域充换电服务网络系统模型的交互通信；

所述负荷与可再生能源发电预测模块，用于电网负荷预测、大规模并网风电和光伏发电的预测；

所述自动发电控制模块，用于响应电网负荷的变化，控制调频发电机组的出力以满足用户的电力需求，并使系统处于合适的运行状态。

基于生态模拟的电动汽车充换电服务网络仿真方法，包括以下步骤：

将通过计算机生成的电动汽车用户系统模型、通过计算机生成的充换电服务网络系统模型以及通过计算机生成的电网系统模型处理为一个生态仿真圈，将电动汽车用户视为生态圈的个体，采用生态模拟方法，对某一区域电动汽车种群的运行及充换电行为进行仿真模拟，在无中心控制的情况下，由大量遵循简单规则的个体呈现群体智能优化算法，由通过计算机生成的指标分析与结果输出系统生成最优匹配方案并输出各类参数，以此判断充换电设施的服务能力。

具体实现如下：

步骤（1）：初始化电动汽车生态仿真圈，电动汽车生态仿真圈包括电网系统模型中的电网信息、路网服务器中的交通路网信息、以及充换电设施模块的充换电设施基本信息；

步骤（2）：依据Monte Carlo算法生成电动汽车初始种群，所述初始种群包括电动汽车的规模、电动汽车的类型、电动汽车在路网中的位置、电动汽车电池的SOC，不同的电动汽车会有不同的行驶规则和充换电设施匹配原则；

步骤（3）：种群中每一个个体根据自身特征和行为规则寻优，从而得到该种群的优化充电匹配方案；

步骤（4）：依据种群优化充电匹配方案，分析仿真生物圈的指标参数并输出。

所述步骤（1）中的电动汽车生态仿真圈通过在GIS平台上选取某地区作为电动汽车充换电服务网络运行区域，在GIS平台内对电动汽车充换电服务网络这个小生态圈的各种属性进行配置，GIS平台启动后，GIS平台完成不同运行模式的充换电网络生态圈的运行模拟。

所述步骤（1）的各种属性包括该地区的电网信息、在该地区投放的充换电设施的数量及类型、充电车辆类型及充电方式，还包括不同设备的不同策略，所述电网信息包括配电容量和原有用电负荷曲线，所述电动汽车充换电设施包括充电站、充换电站、移动充电站、电池更换站和离散充电桩，所述电动汽车包括电动出租车、电动公交车、电动私家车、电动公务车、电动游览车，其属性如表所示。

注：变参类型中0代表固有属性,不可修改；1代表在生态模拟平台整个运行中不发生变化，但每次模拟平台启动时该修改配置该参数，使其取不同的数值；2代表该参数在生态模拟平台启动时，配置一个区间范围，在生态平台运行过程中，Agent每次运算或模拟运行中，调用该参数时，会取到该参数在这一区间中的一个数值（或多种属性中的一种），取值方式为随机或符合某种分布算法。I代表输入参数；O代表输出参数。

所述步骤（1）交通路网信息是对电动汽车充换电设施服务区域及道路网络模型以数据的形式对实际的道路属性进行模拟，并存入GIS数据库，根据电动汽车充换电设施服务区域特性和道路网络模型的需求对仿真城市的行政区域进行细分，所述道路网络模型反映城市的交通供应情况，包括各级道路的几何属性、道路等级、各种相关交通设施、公交线路和轨道。

所述步骤（2）中的电动汽车初始种群，包括电动汽车的类型，不同类型的电动汽车会有行驶规则和充换电设施匹配原则。根据调查确定各种类型电动汽车所占的比例，由其时间分布特征和地理分布特征随机生成其状态。

所述时间分布特征是车辆在不同的季节、节假日或工作日有不同的出行特征；

所述地理分布特征是不同的OD对之间的车辆密度有区别，由类型分配模型确定；

所述类型分配模型，出行分配是指将各区域之间的出行量分配到道路网络上，得到路网的模拟交通量。为了取得合理的交通分配量，通过每日交通需求矩阵转换成各子时段的交通量（包括早、晚高峰季平峰各时段）。

在推算未来年高峰时段车辆的出行矩阵后，根据网络通行条件将各区域的出行分配到路网上，最终得到各路段的车辆流量。

交通分配的核心问题是路线选择，不同的路线选择会得出不同的交通分配模式。本发明采用用户平衡（User Equilibrium）分模式：在交通网络中用户了解网络全部状态并且总是选择对自己费用最小的路线。达到平衡状态时，任一OD对间，各条被使用的路线费用相等且不大于未被使用路线的费用。其目标函数如下：

式中：

v表示网络分配流量；

x_a表示附加分配流量；

s_a(v+x_a)比表示网络中某条路段与流量相关的阻抗函数；

表示网络中从路段a₁到路段a₂与流量相关的交叉口转向阻抗函数；

表示网络中所有路段阻抗之和；

表示网络中虽有交叉口转向阻抗之和。

所述步骤（3）中的最优充电匹配方案是指遵循简单规则的个体根据自身行为规则匹配实现整个群体平均充电时间最少的方案。在无中心控制的情况下，通过局部交流“涌现”出来的自组织宏观智能行为。不同类型的电动汽车具有不同的能源补充方式，所述不同的能源补充方式包括电动公交选择充电或者换电、电动出租车选择换电池、电动私家车选择充电、电动公务车选择充电。

所述步骤（4）中，生成仿真生物圈的服务性能参数，是根据步骤（3）的最优充电匹配方案，进行参数分析，所述参数包括充电满足时间、累计充电满足时间、充电满足率、设备利用率、充电站负荷功率因数、充电负荷曲线；根据最优匹配方案进行充电负荷曲线预测、充电潮流分析，输出充换电服务设施的服务性能参数。

其中，对车辆i的充电满足时间为：

t_i＝t_D+t_W+t_C

其中：t_D为行驶时间，是电动车辆到充换电设施行驶路程所占时间，单位：分钟；

t_W为充电等待时间，到达充换电设施后，需要等待的时间，若无需等待，则为0，单位：分钟；

t_C为充电时间，是电动汽车充换电所需要的时间，单位：分钟。

所述累计充电满足时间T为：

N_j为生态圈中第j类电动汽车的数目。

所述充电满足率：假设在一个仿真周期中有M辆电动汽车需要充电，其中在仿真周期结束，能源得到补充的电动汽车数目为m，则充电满足率为：

所述设备利用率是指电动汽车充换电设施的利用效率，假设某设施的年累计利用小时数T_add，则该设备的利用率η为：

电动汽车充电时，充电站i的负荷功率因数F_i为：

其中i=1，2，…，N_EVCS；P_Li和Q_Li分别为i处负荷的有功功率和无功功率。

所述步骤（3）的具体步骤如下：

步骤（3-1）：对种群中的任一个体，能量管理模块判断其电池SOC状态，决定是否需要充电，该C_i视各个体具体情况而定，由用户确定，如果是需要充电就进入步骤（3-2）；如果否就结束；

步骤（3-2）：电动汽车用户模型的充电应用模块通过电动汽车通信模块向区域充换电服务网络模型的GIS组件的充换电设施预约管理服务模块提出充电请求，GIS组件根据电动汽车个体的GPS位置以及调度策略库模块内的调度策略，综合分析路网模块和区域管理模块的数据得到电动汽车个体当前位置n公里内可匹配的充换电设施，其中n小于该个体电池当前剩余续航里程；

步骤（3-3）：对步骤（3-2）获取的可匹配的充电设施中的每一个充换电设施，充换电服务管理模块采用蚁群算法在寻找电动汽车个体到充换电设施的最短充电路径；

步骤（3-4）：根据充换电设施的情况及交通路况信息，计算t_j=t_D+t_W+t_C得充换电设施所花费的时间，其中，t_W充电等待时间，t_C充电时间，t_D电动汽车个体由当前位置行驶到该充换电设施所花费时间；

步骤（3-5）：所有可匹配充换电设施计算完毕后，可得其时间集合{t_j}，充换电诱导信息发布模块向电动汽车个体发布时间集合{t_j}；

步骤（3-6）：电动汽车个体的充电应用模块根据时间集合{t_j}选择充换电方案，并向区域充换电服务网络发送预约请求；

步骤（3-7）：GIS组件的充换电设施预约管理服务模块响应预约请求，将配对充换电设施进行锁定并记录。

所述步骤（3-3）的具体步骤如下：

在GIS道路信息的道路网络进行加工和处理，将道路网络表示为弧段和节点构成的图层，其中弧段为路段，选取的道路都是双向的道路，故道路都采用无向的弧段来表示每个路段，节点表示交叉点，这些数据均从GIS数据库中提取，并采用邻接表的方式存储；

采用人工蚂蚁群体求解，人工蚂蚁能根据道路的局部搜索规则进行判断和选择道路；并且通过释放和感知信息素的方式来达到影响其他蚂蚁的目的；在通过一段时间的蚂蚁活动之后，整个蚂蚁群体能够自然取向最优解；

假设某时刻路段（i,j）上的信息素大小为τ_ij(t)，那么第T只蚂蚁从i点选择道路向j点转移的概率为：

其中allowed意味着蚂蚁k下一步允许所选的所有节点，η_ij为启发函数，η_ij＝1/d_ij表示两节点i，j之间的距离，α与β的相对大小决定了路段信息素和道路长短的偏好；当蚂蚁转移到j点时修改allowed表，即

allowed＝allowed-{j}

当蚂蚁完成一次环游，信息素做如下调整：

τ_ij(t+n)＝(1-ρ)τ_ij(t)+Δτ_ij(t)

其中ρ的值小于1，并且为常数，表示信息素的残留程度，1-ρ表示轨迹衰减度，即信息素的挥发程度；Δτ_ij(t)表示某次循环中路径(i,j)信息量的增加量。Δτ_ij(t)即第k只蚂蚁在本次循环中留在路径(i,j)上的信息量；Δτ_ij(t)的取值使用M.Dorigo提出的ant-cycle system模型中的取值方法，即

其中P是一个常数，代表信息素强度。L_k表示第k只蚂蚁在本次循环中所走的路径长度。如果环境变化，蚂蚁能够调整路径上的信息素的浓度，在经过一段时间的搜索之后，能够找到新的最短路径；

由最短路径，再综合路况和交通信息计算该个体由当前位置行驶到该充换电设施所花费时间t_D。

本发明特点和有益效果是：

1.本发明所研究的电动汽车充换电服务仿真系统，可以输出电动汽车充换电设施的服务性能参数，可指导充换电设施规划、降低建设成本。

2.本发明采用群体智能算法，在无中心控制的情况下，由大量遵循各自规则的电动汽车个体行为呈现出的自组织宏观智能行为，可适应电动汽车分布范围广、充电方式多、随机性大和规模大的特点，避免了常规算法所产生的维数灾、计算量大等问题；

3.本发明可以仿真模拟电动汽车充换电的发展对电网的影响，可以分析电动汽车发展趋势，推动电动汽车的健康发展。

附图说明

图1为基于生态模拟的电动汽车充换电服务网络仿真系统结构图；

图2为基于生态模拟的电动汽车充换电服务网络仿真系统配置架构；

图3为基于生态模拟的电动汽车充换电服务网络仿真系统的技术架构；

图4为电动汽车充换电服务网络方法流程；

图5为个体最优匹配方案生成流程；

图6为某电动公交充电站一天典型的负荷曲线；

图7为在某城市GIS地图上的实现。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，电动汽车充换电服务网络仿真系统包括生态仿真圈和通过计算机生成的指标分析与输出系统，所述生态仿真圈包括通过计算机生成的电动汽车用户系统模型、通过计算机生成的充换电服务网络系统模型和通过计算机生成的电网系统，其中电动汽车用户被视为生态圈中的个体，充换电服务网络和电网构成了个体生存的外部环境；指标分析与结果输出系统，与充换电服务网络系统模型通信，用于整个仿真系统的指标分析并输出结果，以此来评估充换电设施的服务能力或规划建设的合理与否。

如图2所示，EV建模工作台用于电动汽车的建模，会根据不同的电动汽车类型进行建模，且其参数可配置；GIS工作台提供GIS路网服务，提取出系统所需要的可以处理的路网数据，并可配置显示电动汽车及充换电设施信息，可在一定比例尺内进行缩放，可进行路网编辑，并可实现地图信息和GPS位置信息的映射。充换电设施建模工作台用于电动汽车充换电设施的建模，包括充电站、充换电站、移动充电站、电池配送站、离散充电桩。仿真模拟指标工作台则用于仿真模拟指标的分析与输出。各工作台、服务器和现场电动汽车之间通过ERLANG消息中间件进行通信交互。

如图3所示，所述电动汽车用户系统模型包括电动汽车通信模块、能量管理模块和充电应用模块，电动汽车通信模块分别与充换电服务网络系统模型中GIS组件的充换电诱导信息发布模块和充换电设施预约服务管理模块进行通信，用于接收来自GIS组件发布的充换电诱导信息，并当电动汽车用户确定充换电方式后，由其向充换电设施预约服务管理模块发送预约请求；能量管理模块，对电池的电压、电流、温度进行实时监测，同时还进行漏电流监测、热管理、电池均衡管理，还根据电池的电压电流及温度控制最大输出功率以获得最大行驶里程，计算剩余续航里程，当电池SOC不足时会发布告警信号告知车主及时补充电量；充电应用模块，用于管理电动汽车的智能充电，当接收到电池SOC不足告警信号后发布充电请求信号，接收到区域充换电服务网络系统模型的充换电诱导信息后，协助车主选择充电方式并将预约信号反馈给区域充换电服务网络系统。

充换电服务网络系统模型包括充换电设施模型和GIS组件，充换电设施模型包括充换电设施通信模块和充换电设施模块，其中充换电设施通信模块是每个充换电设施的固有模块，与充换电服务管理模块的充换电设施预约服务管理模块和区域调度服务器的区域管理模块通信；充换电设施模块用于模拟区域范围内的电动汽车充换电设施，包括电动汽车充电站、电动汽车充换电站、移动充电站、电池更换站和离散充电桩。所述GIS组件包括路网服务器、充换电管理模块和区域调度服务器，路网服务器是底层服务器，所述路网模块用于为系统提供基础的路网服务，包括道路信息、距离信息的GIS信息，并能够反映实时路况信息；充换电服务管理模块包括充换电诱导信息发布模块和充换电设施预约管理服务模块；充换电诱导信息发布模块用于发布电动汽车充换电设施的诱导信息，所述充换电设施预约服务管理模块用于管理电动汽车充换电设施的预约服务；区域调度服务器包括区域管理模块和调度策略库模块，区域管理模块用于响应用户系统的充换电请求，生成充电优选方案，记录本区域范围内电动汽车充换电设施的信息，该信息包括静态信息和实时信息，所述静态信息包括设施类型、位置，所述实时信息包括设施的服务情况、实时功率以及充电配对信息；所述调度策略库模块用于存储该区域范围内的充换电设施的调度控制策略。

电网系统模型包括电网通信模块、负荷与可再生能源发电预测模块和自动发电控制模块，其中电网通信模块用于和若干区域充换电服务网络系统模型的交互通信；负荷与可再生能源发电预测模块，用于电网负荷预测、大规模并网风电和光伏发电的预测；自动发电控制模块，用于响应电网负荷的变化，控制调频发电机组的出力以满足用户的电力需求，并使系统处于合适的运行状态。

如图4所示，基于生态模拟的电动汽车充换电服务网络仿真方法，包括以下步骤：

步骤（1）：初始化电动汽车生态仿真圈，电动汽车生态仿真圈包括电网系统模型中的电网信息、路网服务器中的交通路网信息、以及充换电设施模块的充换电设施基本信息；

步骤（2）：依据Monte Carlo算法生成电动汽车初始种群，所述初始种群包括电动汽车的规模、电动汽车的类型、电动汽车在路网中的位置、电动汽车电池的SOC，不同的电动汽车会有不同的行驶规则和充换电设施匹配原则；

步骤（3）：种群中每一个个体根据自身特征和行为规则寻优，从而得到该种群的优化充电匹配方案；

步骤（4）：依据种群优化充电匹配方案，分析仿真生物圈的指标参数并输出。

如图5所示，为某个个体i最优匹配方案生成流程，其步骤如下：

步骤（1）：对种群中的任一个体，能量管理模块判断其电池SOC状态，决定是否需要充电，该C_i视各个体具体情况而定，由用户确定，如果是需要充电就进入步骤（2）；如果否就结束；

步骤（2）：电动汽车用户模型的充电应用模块通过电动汽车通信模块向区域充换电服务网络模型的GIS组件的充换电设施预约管理服务模块提出充电请求，GIS组件根据电动汽车个体的GPS位置以及调度策略库模块内的调度策略，综合分析路网模块和区域管理模块的数据得到电动汽车个体当前位置n公里内可匹配的充换电设施，其中n小于该个体电池当前剩余续航里程；

步骤（3）：对步骤（2）获取的可匹配的充电设施中的每一个充换电设施，充换电服务管理模块采用蚁群算法在寻找电动汽车个体到充换电设施的最短充电路径；

在GIS道路信息的道路网络进行加工和处理，将道路网络表示为弧段和节点构成的图层，其中弧段为路段，选取的道路都是双向的道路，故道路都采用无向的弧段来表示每个路段，节点表示交叉点，这些数据均从GIS数据库中提取，并采用邻接表的方式存储；

采用人工蚂蚁群体求解，人工蚂蚁能根据道路的局部搜索规则进行判断和选择道路；并且通过释放和感知信息素的方式来达到影响其他蚂蚁的目的；在通过一段时间的蚂蚁活动之后，整个蚂蚁群体能够自然取向最优解；

假设某时刻路段（i,j）上的信息素大小为τ_ij(t)，那么第T只蚂蚁从i点选择道路向j点转移的概率为：

其中allowed意味着蚂蚁k下一步允许所选的所有节点，η_ij为启发函数，η_ij＝1/d_ij表示两节点i，j之间的距离，α与β的相对大小决定了路段信息素和道路长短的偏好；当蚂蚁转移到j点时修改allowed表，即

allowed＝allowed-{j}

当蚂蚁完成一次环游，信息素做如下调整：

τ_ij(t+n)＝(1-ρ)τ_ij(t)+Δτ_ij(t)

其中ρ的值小于1，并且为常数，表示信息素的残留程度，1-ρ表示轨迹衰减度，即信息素的挥发程度；Δτ_ij(t)表示某次循环中路径(i,j)信息量的增加量。Δτ_ij(t)即第k只蚂蚁在本次循环中留在路径(i,j)上的信息量；Δτ_ij(t)的取值使用M.Dorigo提出的ant-cycle system模型中的取值方法，即

其中P是一个常数，代表信息素强度。L_k表示第k只蚂蚁在本次循环中所走的路径长度。如果环境变化，蚂蚁能够调整路径上的信息素的浓度，在经过一段时间的搜索之后，能够找到新的最短路径；

由最短路径，再综合路况和交通信息计算该个体由当前位置行驶到该充换电设施所花费时间t_D。

步骤（4）：根据充换电设施的情况及交通路况信息，计算t_j=t_D+t_W+t_C得充换电设施所花费的时间，其中，t_W充电等待时间，t_C充电时间，t_D电动汽车个体由当前位置行驶到该充换电设施所花费时间；

步骤（5）：所有可匹配充换电设施计算完毕后，可得其时间集合{t_j}，充换电诱导信息发布模块向电动汽车个体发布{t_j}；

步骤（6）：电动汽车个体的充电应用模块根据{t_j}选择充换电方案，并向区域充换电服务网络发送预约请求；

步骤（7）：GIS组件的充换电设施预约管理服务模块响应预约请求，将配对充换电设施进行锁定并记录。

图6为某电动公交充电站一天典型的负荷曲线。可见由于电动汽车特殊的行驶特性，充电高峰在19：00到次日4：00，中午11:00到13:00会有一个小高峰。

图7即为模拟仿真系统在某城市GIS地图上的实现。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.基于生态模拟的电动汽车充换电服务网络仿真系统，其特征是，包括计算机仿真的电动汽车用户系统模型、充换电服务网络系统模型和电网系统模型，三者构成生态仿真圈；所述电动汽车用户系统模型被视为生态圈中的生物种群，所述充换电服务网络系统模型和电网系统模型构成了生物种群生存的外部环境；

所述电动汽车用户系统模型与所述充换电服务网络系统模型通信，用于模拟所有电动汽车用户系统模型中的用户；

所述充换电服务网络系统模型由若干通过计算机仿真的区域充换电服务网络系统模型组成，每个所述区域充换电服务网络系统模型分别与所述电动汽车用户系统模型、电网系统模型和指标分析与结果输出系统通信，用于模拟由充换电设施和相关调度管理部门组成的电动汽车充换电服务网络，所述充换电服务网络系统模型包括GIS组件；

所述GIS组件包括路网服务器、充换电服务管理模块和区域调度服务器；

所述路网服务器包括路网模块；路网服务器是底层服务器，所述路网模块用于为系统提供基础的路网服务，包括道路信息、距离信息的GIS信息，并能够反映实时路况信息；所述充换电服务管理模块包括充换电诱导信息发布模块和充换电设施预约管理服务模块；所述充换电诱导信息发布模块用于发布电动汽车充换电设施的诱导信息，所述充换电设施预约管理服务模块用于管理电动汽车充换电设施的预约服务；所述区域调度服务器包括区域管理模块和调度策略库模块，所述区域管理模块用于响应用户系统的充换电请求，生成充电优选方案，记录本区域范围内电动汽车充换电设施的信息，该信息包括静态信息和实时信息，所述静态信息包括设施类型、位置，所述实时信息包括设施的服务情况、实时功率以及充电配对信息；所述调度策略库模块用于存储该区域范围内的充换电设施的调度控制策略；

所述电网系统模型，与所述充换电服务网络系统模型通信，用于模拟电动汽车充换电服务网络所接入的电网系统；

所述的指标分析与结果输出系统，与所述充换电服务网络系统模型通信，用于整个仿真系统的指标分析并输出结果。

2.如权利要求1所述的基于生态模拟的电动汽车充换电服务网络仿真系统，其特征是，所述充换电服务网络系统模型根据车主GPS位置及充换电类型信息，给出车主当前位置设定距离范围内优化充换电服务信息，车主选定充电方式后，电动汽车用户反馈给区域充换电服务网络系统预约信号，区域充换电服务网络系统模型将信号锁定并记录。

3.如权利要求1所述的基于生态模拟的电动汽车充换电服务网络仿真系统，其特征是，

所述充换电服务网络系统模型包括：充换电设施模型和GIS组件；

所述充换电设施模型包括充换电设施通信模块和充换电设施模块；

所述充换电设施通信模块是每个充换电设施的固有模块，与充换电服务管理模块的充换电设施预约管理服务模块和区域调度服务器的区域管理模块通信；

所述充换电设施模块用于模拟区域范围内的电动汽车充换电设施，包括电动汽车充电站、电动汽车充换电站、移动充电站、电池更换站和离散充电桩。

4.如权利要求1所述的基于生态模拟的电动汽车充换电服务网络仿真系统，其特征是，

所述电网系统模型包括电网通信模块、负荷与可再生能源发电预测模块和自动发电控制模块；

所述电网通信模块用于和若干区域充换电服务网络系统模型的交互通信；

所述负荷与可再生能源发电预测模块，用于电网负荷预测、大规模并网风电和光伏发电的预测；

所述自动发电控制模块，用于响应电网负荷的变化，控制调频发电机组的出力以满足用户的电力需求，并使系统处于合适的运行状态。

5.如上述任一权利要求所述的系统所采用的仿真方法，其特征是，包括以下步骤：

将通过计算机生成的电动汽车用户系统模型、通过计算机生成的充换电服务网络系统模型以及通过计算机生成的电网系统模型处理为一个生态仿真圈，将电动汽车用户视为生态圈的个体，采用生态模拟方法，对某一区域电动汽车种群的运行及充换电行为进行仿真模拟，在无中心控制的情况下，由大量遵循简单规则的个体呈现群体智能优化算法，由通过计算机生成的指标分析与结果输出系统生成最优匹配方案并输出各类参数，以此判断充换电设施的服务能力。

6.如权利要求5所述的方法，其特征是，具体实现如下：

步骤(1)：初始化电动汽车生态仿真圈，电动汽车生态仿真圈包括电网系统模型中的电网信息、路网服务器中的交通路网信息、以及充换电设施模块的充换电设施基本信息；

步骤(2)：依据Monte Carlo算法生成电动汽车初始种群，所述初始种群包括电动汽车的规模、电动汽车的类型、电动汽车在路网中的位置、电动汽车电池的SOC，不同的电动汽车会有不同的行驶规则和充换电设施匹配原则；

步骤(3)：种群中每一个个体根据自身特征和行为规则寻优，从而得到该种群的优化充电匹配方案；

步骤(4)：依据种群优化充电匹配方案，分析仿真生物圈的指标参数并输出。

7.如权利要求6所述的方法，其特征是，

所述步骤(3)中的优化充电匹配方案是指遵循简单规则的个体根据自身行为规则匹配实现整个群体平均充电时间最少的方案；在无中心控制的情况下，通过局部交流“涌现”出来的自组织宏观智能行为；不同类型的电动汽车具有不同的能源补充方式。

8.如权利要求6或7所述的方法，其特征是，所述步骤(3)的具体步骤如下：

步骤(3-1)：对种群中的任一个体，能量管理模块判断其电池SOC状态，决定是否需要充电，如果是需要充电就进入步骤(3-2)；如果否就结束；

步骤(3-2)：电动汽车用户模型的充电应用模块通过电动汽车通信模块向区域充换电服务网络模型的GIS组件的充换电设施预约管理服务模块提出充电请求，GIS组件根据电动汽车个体的GPS位置以及调度策略库模块内的调度策略，综合分析路网模块和区域管理模块的数据得到电动汽车个体当前位置n公里内可匹配的充换电设施，其中n小于该个体电池当前剩余续航里程；

步骤(3-3)：对步骤(3-2)获取的可匹配的充电设施中的每一个充换电设施，充换电服务管理模块采用蚁群算法在寻找电动汽车个体到充换电设施的最短充电路径；

步骤(3-4)：根据充换电设施的情况及交通路况信息，计算t_j＝t_D+t_W+t_C得充换电设施所花费的时间，其中，t_W充电等待时间，t_C充电时间，t_D电动汽车个体由当前位置行驶到该充换电设施所花费时间；

步骤(3-5)：所有可匹配充换电设施计算完毕后，得其时间集合{t_j}，充换电诱导信息发布模块向电动汽车个体发布时间集合{t_j}；

步骤(3-6)：电动汽车个体的充电应用模块根据时间集合{t_j}选择充换电方案，并向区域充换电服务网络发送预约请求；

步骤(3-7)：GIS组件的充换电设施预约管理服务模块响应预约请求，将配对充换电设施进行锁定并记录。

9.如权利要求8所述的方法，其特征是，所述步骤(3-3)的具体步骤如下：在GIS道路信息的道路网络进行加工和处理，将道路网络表示为弧段和节点构成的图层，其中弧段为路段，选取的道路都是双向的道路，故道路都采用无向的弧段来表示每个路段，节点表示交叉点，这些数据均从GIS数据库中提取，并采用邻接表的方式存储；

采用人工蚂蚁群体求解，人工蚂蚁能根据道路的局部搜索规则进行判断和选择道路；并且通过释放和感知信息素的方式来达到影响其他蚂蚁的目的；在通过一段时间的蚂蚁活动之后，整个蚂蚁群体能够自然取向最优解；

假设某时刻路段(i,j)上的信息素大小为τ_ij(t)，那么第T只蚂蚁从i点选择道路向j点转移的概率为：

$P_{ij}^k\left(t\right)=\left\{\begin{array}{cc}\frac{{\[{\mathrm{\τ}}_{ij}\left(t\right)\]}^{\mathrm{\α}}{\left({\mathrm{\η}}_{ij}\right)}^{\mathrm{\β}}}{\underset{s\∈allowed}{\Σ}{\[{\mathrm{\τ}}_{is}\left(t\right)\]}^{\mathrm{\α}}{\left({\mathrm{\η}}_{is}\right)}^{\mathrm{\β}}},& j\∈allowed\\ 0,& j\∉allowed\end{array}\right.$

其中allowed意味着蚂蚁k下一步允许所选的所有节点，η_ij为启发函数，η_ij＝1/d_ij表示两节点i，j之间的距离，α与β的相对大小决定了路段信息素和道路长短的偏好；当蚂蚁转移到j点时修改allowed表，即

allowed＝allowed-{j}

当蚂蚁完成一次环游，信息素做如下调整：

τ_ij(t+n)＝(1-ρ)τ_ij(t)+Δτ_ij(t)

${\mathrm{\Δ\τ}}_{ij}=\underset{k=1}{\overset{m}{\Σ}}{\mathrm{\Δ\τ}}_{ij}^k\left(t\right)$

其中ρ的值小于1，并且为常数，表示信息素的残留程度，1-ρ表示轨迹衰减度，即信息素的挥发程度；Δτ_ij(t)表示某次循环中路径(i,j)信息量的增加量；Δτ_ij(t)即第k只蚂蚁在本次循环中留在路径(i,j)上的信息量；Δτ_ij(t)的取值使用ant-cycle system模型中的取值方法，即

${\mathrm{\Δ\τ}}_{ij}=\underset{k=1}{\overset{m}{\Σ}}{\mathrm{\Δ\τ}}_{ij}^k\left(t\right)\left\{\begin{array}{cc}p/L_k& i,j\∈L_k\\ 0,& other\end{array}\right.$

其中P是一个常数，代表信息素强度；L_k表示第k只蚂蚁在本次循环中所走的路径长度；如果环境变化，蚂蚁能够调整路径上的信息素的浓度，在经过一段时间的搜索之后，能够找到新的最短路径；

由最短路径，再综合路况和交通信息计算该个体由当前位置行驶到该充换电设施所花费时间t_D。