CN105938514A - 基于0-1整数规划模型的充电桩部署选址方法及装置 - Google Patents

Abstract

本发明涉及一种基于0‑1整数规划模型的充电桩部署选址方法，解决了现有技术的不足，技术方案为：一种基于0‑1整数规划模型的充电桩部署选址方法，其特征在于：包括以下步骤：步骤一，采集目标区域的车流量，步骤二，并计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电桩数量，步骤三，根据各个目标区域应该建设的充电桩数量，然后通过0‑1覆盖模型完成基于0‑1整数规划模型的分析，步骤四，根据Y_i的评价值，以从高到低的顺序依次对充电桩进行选址并部署。

Description

基于0-1整数规划模型的充电桩部署选址方法及装置

技术领域

本发明涉及一种充电桩部署选址方法及装置，特别涉及一种基于0-1整数规划模型的充电桩部署选址方法及装置。

背景技术

目前的选址评价方法提出了能够计及地理因素和服务半径的2步筛选法，以此来确定充电站的候选站址，但未综合考虑车流量以及所在相邻区域的相关性。一个区域的重要性不是一个孤立的指标，与其相邻区域的重要性有关，需要考虑以下指标：(1)该区域停车场的容量；(2)该区域在市民出行意愿网络的重要性；(3)周围停车场的数量与相隔距离，近10多年来，随着动力电池技术的发展，电动汽车已在欧美、日本等发达国家初步形成规模市场。中国也提出了到2020年电动汽车(包括混合动力汽车、纯电动汽车、燃料电池汽车等)保有量达到500万辆的发展规划。随着新能源汽车行业的快速发展，充电桩数量有限的瓶颈逐渐显现出来，同时由于充电桩的位置明显不合理而导致其使用率偏低。

发明内容

本发明的目的在于解决上述现有技术由于充电桩的位置明显不合理而导致其使用率偏低的问题，提供了一种基于0-1整数规划模型的充电桩部署选址方法及装置。

本发明解决其技术问题所采用的技术方案是：一种基于聚类的区域出行意愿强度分析方法，包括以下步骤：

一种基于0-1整数规划模型的充电桩部署选址方法，包括以下步骤：

步骤一，采集目标区域的车流量，

步骤二，并计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电桩数量，

步骤三，根据各个目标区域应该建设的充电桩数量，然后通过0-1覆盖模型完成基于0-1整数规划模型的分析，

其中，0-1覆盖模型为：

$Y_i=\underset{j=1}{\overset{A}{\Σ}}{x}_{ij}\×p_j$

式中，

A为人工设定值，

$x_{ij}=\left\{\begin{array}{cc}\mathrm{0,}& a_{ij}>B\\ \mathrm{1,}& a_{ij}\≤B\end{array}\right.,$

a_ij为i点到j点的距离，B为人工设定值，p_j为j点所属类型的权重，Y_i为i点的综合评价指标，其中，j点所属类型的权重和i点的综合评价指标均为人工设定；

步骤四，根据Y_i的评价值，以从高到低的顺序依次对充电桩进行选址并部署。

一个区域的重要性不是一个孤立的指标，与其相邻区域的重要性有关，需要考虑以下指标：(1)该区域停车场的容量；(2)该区域在市民出行意愿网络的重要性；(3)周围停车场的数量与相隔距离。综合考虑一个区域在市民出行意愿中的重要性，微观上考虑该区域建站的可行性，并且考虑了站点的车位容量与充电桩数量。考虑到电动汽车发展的开始阶段电动汽车数量较少，因此本选址方法的目标则为在充电桩建造数量最少的前提下，使得充电桩的覆盖最大，即综合选址评价指标最高。本发明给出的一种科学的充电桩部署数量分析方法，综合考虑了所在相邻区域的相关性，有效避免盲目建站。

作为优选，在步骤一中，只计算目标区域的所有单向流入车流量，电动汽车日均车流量＝电动汽车占有率×0.5×最大时均车流量×24，其中电动汽车占有率为人工设定值。

作为优选，所述步骤二中，充电概率＝日均充电次数×每次充电时间/16。由于人们外出充电时间大多在6-22点之间，故概率只计算此16小时内。

作为优选，在步骤一中，在目标区域采用爬虫技术采集各个目标区域的车流量，在步骤二中，对采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的车流量数据，计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电桩数量。本申请中采用的数据采集技术可以和其他数据采集时通用，结构化形式存储车流量数据后可直接使用车流量数据。

作为优选，A的数值为16，B的数值为500。

作为优选，所述目标区域由基于聚类的区域出行意愿强度分析方法选址确定，基于聚类的区域出行意愿强度分析方法包括

数据采集步骤，采用爬虫技术采集各个意向区域的公交、出租车、自行车或其他公共交通的出行轨迹记录，

数据分拣步骤，对由数据采集步骤采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的出行轨迹记录，

聚类分析步骤，采用聚类算法，对结构化存储的出行轨迹记录进行时空网络分析，得出聚类分析结果，

出行意愿强度分析步骤，根据聚类分析结果计算各个意向区域的出行意愿强度，

当意向区域出行意愿强度大于设定阈值时即为目标区域。

意向区域由人工选择确定，确定之后通过基于聚类的区域出行意愿强度分析方法选址获得有较多出行意愿的区域作为目标区域，目标区域可以进一步通过基于0-1整数规划模型的充电桩部署选址获得更有效率的充电桩地址。

作为优选，在数据分拣步骤中，将采集到的出发时间结构化为出发时间集：sttime[0..n-1]，出发地点经纬度结构化为出发地点集：location[0..n-1]＝{(x0，y0)，(x1，y1)，...，(xn-1，yn-1)}，n为采集到的所有出行轨迹记录的条数，在聚类分析步骤中，以出发地点为维度和出发时间为维度分别进行聚类分析。

作为优选，时间聚类步骤一，首先选取出行轨迹记录出发时间的m个初始中心，记为a[0]＝sttime[0]，a[1]＝sttime[1]，…，a[m-1]＝sttime[m-1](m＜n)；

时间聚类步骤二，将sttime[0]至sttime[n-1]内所有出发时间，分别与a[0]，a[1]至a[m-1]进行比较，sttime[0]至sttime[n-1]内所有出发时间对应有一个最小差值a[i]，并标记为i，对于所有标记为i的点重新计算a[i]＝{所有标记为i的sttime[j]之和}/标记为i的个数；

时间聚类步骤三，重复时间聚类步骤二，直到所有a[i]的变化小于给定的阈值，完成以出发时间为维度的聚类分析；

同时以出发地点为维度的聚类分析包括，

地点聚类步骤一，首先选取出行轨迹记录出发地点的k个初始中心，分别记为b[0]＝location[0]，b[1]＝location[1]，…，b[k-1]＝location[k-1](k＜n)；

地点聚类步骤二，将location[0]至location[n-1]内所有经纬度数据，分别与b[0]，b[1]，至，b[k-1]比较，location[0]至location[n-1]内所有经纬度数据对应有一个最小距离b[i]，并标记为i；对于所有标记为i的点，重新计算b[i]＝{所有标记为i的location[j]之和}/标记为i的个数；

地点聚类步骤三，重复地点聚类步骤二，直到所有b[i]的变化小于给定的阈值，完成以出发地点为维度的聚类分析。

作为优选，根据聚类分析后所得的分类结果，计算出各个意向区域的时间权值和区域权值，时间权值＝所在区域类的出行时间总和/总出行时间总和；区域权值＝所在区域类的记录数/总记录数；意向区域的出行意愿强度为意向区域所属的时间权值与区域权值的乘积。

一种基于0-1整数规划模型的充电桩部署选址装置，其特征在于：适用于如权利要求5所述的基于0-1整数规划模型的充电桩部署选址方法，包括以下器件：

流量采集器，在目标区域采用爬虫技术采集各个目标区域的车流的出行轨迹记录，

数据分拣器，对采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的车流量数据，计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电桩数量，

0-1分析器，根据各个目标区域应该建设的充电桩数量，然后通过0-1覆盖模型完成基于0-1整数规划模型的分析，

其中，0-1覆盖模型为：

$Y_i=\underset{j=1}{\overset{A}{\Σ}}{x}_{ij}\×p_j$

式中，

A为人工设定值，

$x_{ij}=\left\{\begin{array}{cc}0,& a_{ij}>B\\ 1,& a_{ij}\≤B\end{array}\right.,$

a_ij为i点到j点的距离，B为人工设定值，p_j为j点所属类型的权重，Y_i为i点的综合评价指标，其中，j点所属类型的权重和i点的综合评价指标均为人工设定；

选址评价器，根据Y_i的评价值，以从高到低的顺序依次对充电桩进行选址并部署。

一个区域的重要性不是一个孤立的指标，与其相邻区域的重要性有关，需要考虑以下指标：(1)该区域停车场的容量；(2)该区域在市民出行意愿网络的重要性；(3)周围停车场的数量与相隔距离。综合考虑一个区域在市民出行意愿中的重要性，微观上考虑该区域建站的可行性，并且考虑了站点的车位容量与充电桩数量。考虑到电动汽车发展的开始阶段电动汽车数量较少，因此本选址方法的目标则为在充电桩建造数量最少的前提下，使得充电桩的覆盖最大，即综合选址评价指标最高。本发明给出的一种科学的充电桩部署数量分析方法，综合考虑了所在相邻区域的相关性，有效避免盲目建站。

本发明的实质性效果是：一个区域的重要性不是一个孤立的指标，与其相邻区域的重要性有关，需要考虑以下指标：该区域停车场的容量；该区域在市民出行意愿网络的重要性；周围停车场的数量与相隔距离。综合考虑一个区域在市民出行意愿中的重要性，微观上考虑该区域建站的可行性，并且考虑了站点的车位容量与充电桩数量。考虑到电动汽车发展的开始阶段电动汽车数量较少，因此本选址方法的目标则为在充电桩建造数量最少的前提下，使得充电桩的覆盖最大，即综合选址评价指标最高。本发明给出的一种科学的充电桩部署数量分析方法，综合考虑了所在相邻区域的相关性，有效避免盲目建站。

附图说明

图1为本发明中基于0-1整数规划模型的充电桩部署选址装置的一种结构示意图。

图中：1、流量采集器，2、数据分拣器，3、0-1分析器，4、选址评价器。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体说明。

实施例：

一种基于0-1整数规划模型的充电桩部署选址方法，包括以下步骤：

步骤一，采集目标区域的车流量，

步骤二，并计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电桩数量，

步骤三，根据各个目标区域应该建设的充电桩数量，然后通过0-1覆盖模型完成基于0-1整数规划模型的分析，

其中，0-1覆盖模型为：

$Y_i=\underset{j=1}{\overset{16}{\Σ}}{x}_{ij}\×p_j$

式中，

A为人工设定值，

$x_{ij}=\left\{\begin{array}{cc}0,& a_{ij}>500\\ 1,& a_{ij}\≤500\end{array}\right.,$

a_ij为i点到j点的距离，B为人工设定值，p_j为j点所属类型的权重，Y_i为i点的综合评价指标，其中，j点所属类型的权重和i点的综合评价指标均为人工设定；

步骤四，根据Y_i的评价值，以从高到低的顺序依次对充电桩进行选址并部署。

在步骤一中，只计算目标区域的所有单向流入车流量，电动汽车日均车流量＝电动汽车占有率×0.5×最大时均车流量×24，其中电动汽车占有率为人工设定值。

所述步骤二中，充电概率＝日均充电次数×每次充电时间/16。

在步骤一中，在目标区域采用爬虫技术采集各个目标区域的车流量，

在步骤二中，对采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的车流量数据，计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电桩数量。

适用于如上述的基于0-1整数规划模型的充电桩部署选址方法，包括以下器件：流量采集器1，在目标区域采用爬虫技术采集各个目标区域的车流的出行轨迹记录，

数据分拣器2，对采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的车流量数据，计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电桩数量，

0-1分析器3，根据各个目标区域应该建设的充电桩数量，然后通过0-1覆盖模型完成基于0-1整数规划模型的分析，

其中，0-1覆盖模型为：

$Y_i=\underset{j=1}{\overset{A}{\Σ}}{x}_{ij}\×p_j$

式中，

A为人工设定值，

$x_{ij}=\left\{\begin{array}{cc}0,& a_{ij}>B\\ 1,& a_{ij}\≤B\end{array}\right.,$

a_ij为i点到j点的距离，B为人工设定值，p_j为j点所属类型的权重，Y_i为i点的综合评价指标，其中，j点所属类型的权重和i点的综合评价指标均为人工设定；

选址评价器4，根据Y_i的评价值，以从高到低的顺序依次对充电桩进行选址并部署建设。

实施例2：

本实施例中，所述目标区域由基于聚类的区域出行意愿强度分析方法选址确定，基于聚类的区域出行意愿强度分析方法包括数据采集步骤，采用爬虫技术采集各个意向区域的公交、出租车、自行车或其他公共交通的出行轨迹记录，

数据分拣步骤，对由数据采集步骤采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的出行轨迹记录，

聚类分析步骤，采用聚类算法，对结构化存储的出行轨迹记录进行时空网络分析，得出聚类分析结果，

出行意愿强度分析步骤，根据聚类分析结果计算各个意向区域的出行意愿强度，当意向区域出行意愿强度大于设定阈值时即为目标区域。

在数据分拣步骤中，将采集到的出发时间结构化为出发时间集：sttime[0..n-1]，出发地点经纬度结构化为出发地点集：location[0..n-1]＝{(x₀，y₀)，(x₁，y₁)，…，(x_n-1，y_n-1)}，n为采集到的所有出行轨迹记录的条数，

在聚类分析步骤中，以出发地点为维度和出发时间为维度分别进行聚类分析。

时间聚类步骤一，首先选取出行轨迹记录出发时间的m个初始中心，记为a[0]＝sttime[0]，a[1]＝sttime[1]，…，a[m-1]＝sttime[m-1](m＜n)；

时间聚类步骤二，将sttime[0]至sttime[n-1]内所有出发时间，分别与a[0]，a[1]至a[m-1]进行比较，sttime[0]至sttime[n-1]内所有出发时间对应有一个最小差值a[i]，并标记为i，对于所有标记为i的点重新计算a[i]＝{所有标记为i的sttime[j]之和}/标记为i的个数；

时间聚类步骤三，重复时间聚类步骤二，直到所有a[i]的变化小于给定的阈值，完成以出发时间为维度的聚类分析；

同时以出发地点为维度的聚类分析包括，

地点聚类步骤一，首先选取出行轨迹记录出发地点的k个初始中心，分别记为b[0]＝location[0]，b[1]＝location[1]，…，b[k-1]＝location[k-1](k＜n)；

地点聚类步骤二，将location[0]至location[n-1]内所有经纬度数据，分别与b[0]，b[1]，至，b[k-1]比较，location[0]至location[n-1]内所有经纬度数据对应有一个最小距离b[i]，并标记为i；对于所有标记为i的点，重新计算b[i]＝{所有标记为i的location[j]之和}/标记为i的个数；

地点聚类步骤三，重复地点聚类步骤二，直到所有b[i]的变化小于给定的阈值，完成以出发地点为维度的聚类分析。

根据聚类分析后所得的分类结果，计算出各个意向区域的时间权值和区域权值，时间权值＝所在区域类的出行时间总和/总出行时间总和；区域权值＝所在区域类的记录数/总记录数；意向区域的出行意愿强度为意向区域所属的时间权值与区域权值的乘积。

实施例3：

本实施例中，与实施例1基本相同，不同之处在于，本实施例中，根据Y_i的评价值，以从高到低的顺序依次对充电桩进行选址意向区域，将意向区域由基于聚类的区域出行意愿强度分析方法去确定意向区域的出行意愿强度，使用者根据意向区域的出行意愿强度从高到低的顺序依次对充电桩进行选址并部署建设。

本实施例充分考虑其相邻区域的重要性有关，需要考虑以下指标：该区域停车场的容量；该区域在市民出行意愿网络的重要性；周围停车场的数量与相隔距离。综合考虑一个区域在市民出行意愿中的重要性，微观上考虑该区域建站的可行性，并且考虑了站点的车位容量与充电桩数量。考虑到电动汽车发展的开始阶段电动汽车数量较少，因此本选址方法的目标则为在充电桩建造数量最少的前提下，使得充电桩的覆盖最大，即综合选址评价指标最高。本发明给出的一种科学的充电桩部署数量分析方法，综合考虑了所在相邻区域的相关性，有效避免盲目建站。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (10)

1.一种基于0-1整数规划模型的充电桩部署选址方法，其特征在于：包括以下步骤：

步骤一，采集目标区域的车流量，

步骤二，并计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电桩数量，

步骤三，根据各个目标区域应该建设的充电桩数量，然后通过0-1覆盖模型完成基于0-1整数规划模型的分析，

其中，0-1覆盖模型为：

$Y_i=\underset{j=1}{\overset{A}{\Σ}}{x}_{ij}\×p_j$

式中，

A为人工设定值，

$x_{ij}=\left\{\begin{array}{cc}0,& a_{ij}>B\\ 1,& a_{ij}\≤B\end{array}\right.,$

a_ij为i点到j点的距离，B为人工设定值，p_j为j点所属类型的权重，Y_i为i点的综合评价指标，其中，j点所属类型的权重和i点的综合评价指标均为人工设定；

步骤四，根据Y_i的评价值，以从高到低的顺序依次对充电桩进行选址并部署。

2.根据权利要求1所述的基于0-1整数规划模型的充电桩部署选址方法，其特征在于：在步骤一中，只计算目标区域的所有单向流入车流量，电动汽车日均车流量＝电动汽车占有率×0.5×最大时均车流量×24，其中电动汽车占有率为人工设定值。

3.根据权利要求1所述的基于0-1整数规划模型的充电桩部署选址方法，其特征在于：所述步骤二中，充电概率＝日均充电次数×每次充电时间/16。

4.根据权利要求1所述的基于0-1整数规划模型的充电桩部署选址方法，其特征在于：

在步骤一中，在目标区域采用爬虫技术采集各个目标区域的车流量，

在步骤二中，对采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的车流量数据，计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电桩数量。

5.根据权利要求1所述的基于0-1整数规划模型的充电桩部署选址方法，其特征在于：A的数值为16，B的数值为500。

6.根据权利要求5所述的基于0-1整数规划模型的充电桩部署选址方法，其特征在于：所述目标区域由基于聚类的区域出行意愿强度分析方法选址确定，基于聚类的区域出行意愿强度分析方法包括

数据采集步骤，采用爬虫技术采集各个意向区域的公交、出租车、自行车或其他公共交通的出行轨迹记录，

数据分拣步骤，对由数据采集步骤采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的出行轨迹记录，

聚类分析步骤，采用聚类算法，对结构化存储的出行轨迹记录进行时空网络分析，得出聚类分析结果，

出行意愿强度分析步骤，根据聚类分析结果计算各个意向区域的出行意愿强度，

当意向区域出行意愿强度大于设定阈值时即为目标区域。

7.根据权利要求6所述的基于0-1整数规划模型的充电桩部署选址方法，其特征在于：

在数据分拣步骤中，将采集到的出发时间结构化为出发时间集：sttime[0..n-1]，出发地点经纬度结构化为出发地点集：location[0..n-1]＝{(x₀，y₀)，(x₁，y₁)，…，(x_n-1，y_n-1)}，n为采集到的所有出行轨迹记录的条数，在聚类分析步骤中，以出发地点为维度和出发时间为维度分别进行聚类分析。

8.根据权利要求7所述的基于0-1整数规划模型的充电桩部署选址方法，其特征在于：

时间聚类步骤一，首先选取出行轨迹记录出发时间的m个初始中心，记为a[0]＝sttime[0]，a[1]＝sttime[1]，…，a[m-1]＝sttime[m-1](m＜n)；

时间聚类步骤二，将sttime[0]至sttime[n-1]内所有出发时间，分别与a[0]，a[1]至a[m-1]进行比较，sttime[0]至sttime[n-1]内所有出发时间对应有一个最小差值a[i]，并标记为i，对于所有标记为i的点重新计算a[i]＝{所有标记为i的sttime[j]之和}/标记为i的个数；

时间聚类步骤三，重复时间聚类步骤二，直到所有a[i]的变化小于给定的阈值，完成以出发时间为维度的聚类分析；

同时以出发地点为维度的聚类分析包括，

地点聚类步骤一，首先选取出行轨迹记录出发地点的k个初始中心，分别记为b[0]＝location[0]，b[1]＝location[1]，…，b[k-1]＝location[k-1](k＜n)；

地点聚类步骤二，将location[0]至location[n-1]内所有经纬度数据，分别与b[0]，b[1]，至，b[k-1]比较，location[0]至location[n-1]内所有经纬度数据对应有一个最小距离b[i]，并标记为i；对于所有标记为i的点，重新计算b[i]＝{所有标记为i的location[j]之和}/标记为i的个数；地点聚类步骤三，重复地点聚类步骤二，直到所有b[i]的变化小于给定的阈值，完成以出发地点为维度的聚类分析。

9.根据权利要求8所述的基于0-1整数规划模型的充电桩部署选址方法，其特征在于：

根据聚类分析后所得的分类结果，计算出各个意向区域的时间权值和区域权值，时间权值＝所在区域类的出行时间总和/总出行时间总和；区域权值＝所在区域类的记录数/总记录数；意向区域的出行意愿强度为意向区域所属的时间权值与区域权值的乘积。

10.一种基于0-1整数规划模型的充电桩部署选址装置，其特征在于：适用于如权利要求5所述的基于0-1整数规划模型的充电桩部署选址方法，包括以下器件：

流量采集器，在目标区域采用爬虫技术采集各个目标区域的车流的出行轨迹记录，

数据分拣器，对采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的车流量数据，计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电桩数量，

0-1分析器，根据各个目标区域应该建设的充电桩数量，然后通过0-1覆盖模型完成基于0-1整数规划模型的分析，

其中，0-1覆盖模型为：

$Y_i=\underset{j=1}{\overset{A}{\Σ}}{x}_{ij}\×p_j$

式中，

A为人工设定值，

$x_{ij}=\left\{\begin{array}{cc}0,& a_{ij}>B\\ 1,& a_{ij}\≤B\end{array}\right.,$

a_ij为i点到j点的距离，B为人工设定值，p_j为j点所属类型的权重，Y_i为i点的综合评价指标，其中，j点所属类型的权重和i点的综合评价指标均为人工设定；

选址评价器，根据Y_i的评价值，以从高到低的顺序依次对充电桩进行选址并部署。