CN106130110B - 基于分层概率选择出行地的电动出租车充电站定容方法 - Google Patents

Abstract

本发明属于电动出租车充电站容量规划技术领域，涉及一种基于分层概率选择建模电动出租车出行目的地的运营过程，并通过充电需求预测确定电动出租车充电站容量的规划方法。将电动出租车的有效运营区域划分为若干大小相同的基本小区单元；将相似小区单元合并为大区，对各小区单元及其对应的大区赋予人口流动的吸引度，实现分层概率选择确定电动出租车出行目的地；根据电动出租车运行中对各充电站的充电需求，按照概率满足要求确定充电站的规划容量。本方法不仅能提高电动出租车出行目的地的选择效率，而且按照区域特点进行分层选择更符合人的决策习惯，避免了精细颗粒度过细、运算复杂度高、计算结果有效性低等问题，增强了实际运用的便捷性。

Description

基于分层概率选择出行地的电动出租车充电站定容方法

技术领域

本发明属于电动出租车充电站容量规划技术领域，涉及一种基于分层概率选择建模电动出租车出行目的地的运营过程，并通过充电需求预测确定电动出租车充电站容量的规划方法。

背景技术

为推动电动汽车普及，科技部、财政部、发改委、工信部等四部委于2009年共同启动“十城千辆”工程，在当时充电设施刚刚起步、能源供给网络还未成形的情况下，借助财政补贴，快速建立了一批公共快速充电站。如今，随着电动汽车技术不断完善、政策鼓励，电动汽车数量逐年迅猛增加，电动公交车和电动出租车等绿色公共交通车辆大量投入使用。与此同时，私家电动汽车巡航能力大幅提高，如TeslaRoadster巡航里程可达350公里，完全可以满足城市居民日常出行需求；而夜间电价低廉、充电时间充足，促使私人电动车主更倾向于在家庭停车场的充电桩采用慢充补电，可以预见，今后一段时期内，已建的快速充电站主要服务对象将变成以电动出租车为代表的出行随机性强、行驶里程长的公共交通服务车辆。因此，建立电动出租车运行仿真系统，对充电需求进行仿真分析与预测，为更好地开展电动汽车充电设施规划提供决策依据。

基于上述思想，本专利首先建立基于分层选择出行目的地的电动出租车运营模型，再根据系统仿真运行确定充电需求，最后根据充电需求的概率满足要求确定充电站配置容量。

在建立电动出租车运行模型时，首先需要通过概率模型计算每辆出租车的出行目的地。由于现实运行过程中，电动出租车与乘客分布散乱，若区域划分过粗略，则模型误差较大，无法实用；其次，如果运营区域范围过大，区域数目过于庞大，则出行目的地选择的概率计算结果有效性会降低；此外，出行目的地选择采用的区域遍历的相对概率计算模型，过程复杂且运行效率低。有鉴于此，本专利提出一种基于分层选择出行目的地的策略。

首先，将电动出租车的有效运营区域划分为若干大小相同的基本小区单元；将相似小区单元合并为大区，并通过实际交通流数据的统计结果对各小区单元及其对应的大区赋予人口流动的吸引度；按照先选大区、后选小区单元的策略，实现分层概率选择确定电动出租车出行目的地；根据规划区域内电动出租车运行过程中各充电站的充电需求，按照概率满足要求确定充电站的规划容量。本方法不仅能有效提高电动出租车出行目的地的选择效率，而且按照区域特点进行分层选择更符合人的决策习惯，避免了精细颗粒度过细、运算复杂度高、计算结果有效性低等问题，增强了实际运用的便捷性，为电动出租车充电站容量规划研究、相关政策分析、交通运输管理政策分析等应用提供了支撑。

发明内容

为了解决上述问题，本发明提供了一种基于分层概率选择出行地的电动出租车充电站定容方法，包括：

步骤1、电动出租车有效运营区域等级划分

步骤1.1、将电动出租车的有效运营区域按精度要求划分为若干大小相同的小区单元；

步骤1.2、根据小区单元的功能特点设定各小区的人口流动的等级，在不同时段，同一个小区人口流动等级可以不同，此处，等级表示某时段该小区单元对人口流动的吸引程度；

步骤1.3、在不同的时段按照区域功能特点，将功能相近的若干小区合并为一个功能大区；

步骤1.4、根据大区中各小区单元的功能及其在不同时段对人口流动的吸引程度设定大区等级；

步骤2、建立电动出租车运营目的地分层选择模型

步骤2.1、以电动出租车的载客率为依据确定电动汽车是否空载，若载客则执行步骤2.2，若空载在执行步骤2.4；

步骤2.2、统计不同时段各个大区之间的出行分布，以起始点所在大区去往各大区的人数作为各大区的吸引度，再通过轮盘赌概率选择当前出租车的载客目的地大区；

步骤2.3、根据被选中的大区中的每个小区的等级值、起始点距离，计算该大区内每个小区单元的吸引度，再通过轮盘赌概率选择方式确定该出租车的载客目的地小区，执行步骤2.7；

步骤2.4、将目标区域划分为普通区域和繁华区域，繁华区域由若干吸引圈构成，代表出行需求相对旺盛且集中的小区单元集合；若空驶出租车选择目的地在吸引圈内，转步骤2.5；若其选择目的地在吸引圈外，则转步骤2.6；

步骤2.5、运用Logit模型与极大似然估计原理计算空驶目的地选择概率，通过轮盘赌方式确定空驶目的地，执行步骤2.7；

步骤2.6、以出租车运行区域左下角为坐标原点，连接起始点小区中心点与各吸引圈中心点，结合与各吸引圈中心点的距离及吸引圈等级，构建吸引度函数，通过轮盘赌方式选择空驶目的地，其被选概率由其等级决定，执行步骤2.7；

步骤2.7、根据上述选择模型最终确定电动出租车出行目的地所在的小区单元，并将选择模型得到的结果作为电动出租车运行、充电的仿真模型；

步骤3、根据充电需求确定充电站定容

步骤3.1、结合充电站的位置，设置模型仿真时钟周期，通过电动出租车运行、充电的仿真模型，模拟电动出租车的行驶和充电行为，假设各充电站服务能力无限，可通过电动出租车运行、充电的仿真模型收集到各站各时段的充电需求信息；

步骤3.2、将上述电动出租车运行、充电的仿真模型运行一段时间，统计各充电站每天、每个时段充电出租车的数量M_kj，获得该站的充电需求，并取平均值作为该充电站在该时段k的预测充电需求负荷YC_k；

步骤3.3、结合充电站S_i各时段中充电汽车数量最大值以满足90％电动出租车充电需求计算置信区间，获得该充电站满足服务水平的最小充电桩数量，以此作为该充电站的理想容量。

所述大区等级包括一个权重值，通过打车软件的大数据分析获得各个大区在各个时段打车请求的平均次数，再结合打车软件实时的打车请求数据，计算出潜在打车人群的数量作为权值。

所述步骤2.1中的电动出租车的载客率的计算过程为：

设乘客对出租车的出行需求满足泊松分布，表达式如下：

m＝λt

λ＝v₁·rank_i+v₂

式中rank_i为小区单元i的等级值；t为每个计数周期持续时间；P(x)为计数周期t期间有x位乘客需要乘坐出租车的概率；λ为平均乘车率；m为持续时间周期内平均需要乘坐出租车的人数；v₁,v₂为权重系数，根据出行分布统计数据设定；电动出租车的载客率ZP的计算式如下：

所述轮盘赌选择具体包括：

1)以起始点所在某区去往各区的人数作为各区的吸引度A＝[n₁,n₂,…,n_m]，n_m为第m个区的吸引度；

2)建立概率区间

3)生成随机数rand∈[0,1]；

4)若rand∈[P_i,P_j]，则载客目的地选择第i区。

所述每个小区单元的吸引度Q_i由下式计算：

式中，L为起始点距离，rank_i为小区单元i的等级值，a为人们选择乘坐出租车的最短距离；b为人们选择乘坐出租车的最远距离；c为目标区域最远距离；τ,γ,δ为权重系数，权重系数根据载客目的地选择的统计分析设定。

所述计算空驶目的地选择概率的计算式为：

其中，P_i为选择小区单元i的概率；h₀、h₁、h₂为最小二乘法确定的权重系数；V_i为小区单元i的道路拥挤度，道路拥挤程度数据通过地图软件实时获取。

所述吸引度函数W计算式为：

其中，IK为吸引圈小区单元集合，L为起始点距离，rank_i为小区单元i的等级。

本发明的有益效果在于：

本发明提出的一种基于概率的大、小区分层选择电动汽车出行目的地的选择策略，并以此仿真获得充电需求，进而确定出电动出租车充电站的容量，可以有效克服已有方法网格划分精细情况下计算效率低下、计算精度不足的问题。在模型建立时可以根据实际精度需要划分区域的大小，避免出现区域划分过大带来的模型准确性问题、以及区域划分过小计算复杂度；当需要计算的有效区域过大，分区数量过多时，先选择大区再选择大区内小区单元的分层选择方法能够有效降低模型的计算复杂度、提升仿真效率。因此本方法广泛适用于需要进行分区选择的模型中，如电动汽车充电站规划、运输模型等。

附图说明

附图1为基于概率的大小区分区选择方法流程图。

附图2为运营区域小区划分图。

附图3为不同时段被选择的大区图。

附图4为算例充电站负荷变化曲线图。

具体实施方式

下面结合附图，详细说明实施方案。

采用这种方法对中国某城市充电站的定容问题进行分析。如图1所示，具体方法步骤如下：

步骤1.1、运营区域划分小区单元

将电动出租车的有效运营区域分为若干个大小相同的小区域，小区域依次进行编号。小区域的划分要求是按照整个运营区域均匀划分的，并且分区大小要合适，分区过大可能影响模型运算的精确性，过小则导致模型分析计算量的成倍增加。

该市四环面积约为400km²，包括住宅区、商业区、办公区等区域，分别以西四环和南四环为Y、X轴，将四环区域划分为一个个面积约为1平方公里的小区，依次编号，并平均(长5个小区，宽4个小区)分为20个大区。现已决定在10个位置建设电动出租车充电站，需对充电站进行定容研究，具体平面位置分布图见附图2所示，区域信息见附表1所示。

附表1小区区域信息表

步骤1.2、划分小区单元等级

首先，根据小区的功能特点划分各小区单元等级，如商场、批发市场、住宅区、景点等。根据规则，在不同时段、不同功能区设定不同等级值，以展现不同时段、不同功能区对人流的吸引度。根据精度要求调整划分等级数量。

将小区按照其功能属性进行等级值划分，此算例中等级值分为1-5五个等级，代表区域被选择概率的大小；一天分为4个时段：7:00-10:00、10:00-18:00、18:00-22:00、22:00-7:00，其中根据每个小区的特点在不同的时间段对其赋予不一样的等级值。小区单元等级划分见附表2所示。

附表2公共区域不同时段的等级值表

	7:00-10:00	10:00-18:00	18:00-22:00	22:00-7:00
					商场	2	3	4	1
批发市场	1	5	3	1
					酒吧	1	1	1	4
住宅区	4	3	4	2
					车站	3	5	3	2
景点	2	4	2	1
					办公区	4	5	4	2

步骤1.3、小区单元合并为大区

按照区域功能特点，将功能相近的若干小区单元合并为一个功能大区。在不同的时间段每个小区的功能特点会有相应的变化，大区的范围也会相应做出调整。

步骤1.4、划分大区等级

根据大区中各小区的功能及其在不同时间段对人流的吸引度划分大区等级。根据精度要求调整划分等级值数量。大区的等级值还可以增加一个权重值，通过打车软件的大数据的分析可以获得各个大区在各个时段打车请求的平均次数，再结合打车软件实时的打车请求数据，计算出潜在打车人群的数量，并将此参数作为等级值的一个计算参数。

步骤2.1、选择出租车是否空载

利用最小二乘法对载客统计数据进行曲线拟合，可得载客率表达式中参数为0.0275和0.0891，拟合误差接近0。由于载客率比较低，因此选择出租车空载的情况，进入步骤2.4。

步骤2.4：空驶目的地分层选择

以大区1为例，统计和收集大区1的居民出行分布，如在1000次乘出租车出行中有132次选择大区6作为目的地，载客目的地选择大区6的概率为0.132；无人去往大区20，则选择大区20的概率为0；人们选择乘坐出租车的最短距离设为3，选择乘坐出租车的最远距离设为15，目标区域最远距离为40。结合出行统计数据，τ,γ,δ分别设为0.6，0.8，0.3；当出租车位于吸引圈内时，结合空驶统计数据，通过牛顿拉夫逊法确定权重系数h₁，h₂，h₃分别为﹣0.95，﹣0.21和0.05。得到的不同时段的空驶圈如附图3所示。

在选择了空驶圈，即大区后，再通过轮盘赌选择的方法来选择空驶的小区目的地，分层选择完成，用得到的结果作为电动出租汽车运营模型。

步骤3：充电站定容

将电动出租车运营模型仿真时间设置为1年，运行模型，当模型时钟达到1年结束仿真，可得到如附图4所示曲线。以38号充电站为例，假设38号充电站容量为无穷，在1到24个时刻中，充电站的预测负荷分别为：11，7，3，3，5，6，6，5，4，6，7，6，5，3，3，5，7，9，9，7，6，7，10，13，其中在24时负荷最大，有13辆电动出租车在同时充电。因此将38号充电站的容量设置为13台充电桩时，可实现24小时无需排队充电，至此完成电动出租车充电站容量规划。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于分层概率选择出行地的电动出租车充电站定容方法，其特征在于，包括：

步骤1、电动出租车有效运营区域等级划分

步骤1.1、将电动出租车的有效运营区域按精度要求划分为若干大小相同的小区单元；

步骤1.2、根据小区单元的功能特点设定各小区的人口流动的等级，在不同时段，同一个小区人口流动等级可以不同，此处，等级表示某时段该小区单元对人口流动的吸引程度；

步骤1.3、在不同的时段按照区域功能特点，将功能相近的若干小区合并为一个功能大区；

步骤1.4、根据大区中各小区单元的功能及其在不同时段对人口流动的吸引程度设定大区等级；

步骤2、建立电动出租车运营目的地分层选择模型

步骤2.1、以电动出租车的载客率为依据确定电动汽车是否空载，若载客则执行步骤2.2，若空载在执行步骤2.4；

步骤2.2、统计不同时段各个大区之间的出行分布，以起始点所在大区去往各大区的人数作为各大区的吸引度，再通过轮盘赌概率选择当前出租车的载客目的地大区；

步骤2.3、根据被选中的大区中的每个小区的等级值、起始点距离，计算该大区内每个小区单元的吸引度，再通过轮盘赌概率选择确定该出租车的载客目的地小区，执行步骤2.7；

步骤2.4、将目标区域划分为普通区域和繁华区域，繁华区域由若干吸引圈构成，代表出行需求相对旺盛且集中的小区单元集合；若空驶出租车选择目的地在吸引圈内，转步骤2.5；若其选择目的地在吸引圈外，则转步骤2.6；

步骤2.5、运用Logit模型与极大似然估计原理计算空驶目的地选择概率，通过轮盘赌概率选择确定空驶目的地，执行步骤2.7；

步骤2.6、以出租车运行区域左下角为坐标原点，连接起始点小区中心点与各吸引圈中心点，结合与各吸引圈中心点的距离及吸引圈等级，构建吸引度函数，通过轮盘赌概率选择空驶目的地，其被选概率由其等级决定，执行步骤2.7；

步骤2.7、根据上述选择模型最终确定电动出租车出行目的地所在的小区单元，并将选择模型得到的结果作为电动出租车运行、充电的仿真模型；

步骤3、根据充电需求确定充电站定容

步骤3.1、结合充电站的位置，设置模型仿真时钟周期，通过电动出租车运行、充电的仿真模型，模拟电动出租车的行驶和充电行为，假设各充电站服务能力无限，可通过电动出租车运行、充电的仿真模型收集到各站各时段的充电需求信息；

步骤3.2、将上述电动出租车运行、充电的仿真模型运行一段时间，统计各充电站每天、每个时段充电出租车的数量M_kj，获得该站的充电需求，并取平均值作为该充电站在该时段k的预测充电需求负荷YC_k；

步骤3.3、结合充电站S_i各时段中充电汽车数量最大值以满足90％电动出租车充电需求计算置信区间，获得该充电站满足服务水平的最小充电桩数量，以此作为该充电站的理想容量。

2.根据权利要求1所述方法，其特征在于，所述大区等级包括一个权重值，通过打车软件的大数据分析获得各个大区在各个时段打车请求的平均次数，再结合打车软件实时的打车请求数据，计算出潜在打车人群的数量作为权值。

3.根据权利要求1所述方法，其特征在于，所述步骤2.1中的电动出租车的载客率的计算过程为：

设乘客对出租车的出行需求满足泊松分布，表达式如下：

m＝λt

λ＝v₁·rank_i+v₂

式中rank_i为小区单元i的等级值；t为每个计数周期持续时间；P(x)为计数周期t期间有x位乘客需要乘坐出租车的概率；λ为平均乘车率；m为持续时间周期内平均需要乘坐出租车的人数；v₁,v₂为权重系数，根据出行分布统计数据设定；电动出租车的载客率ZP的计算式如下：

4.根据权利要求1所述方法，其特征在于，所述轮盘赌概率选择具体包括：

1)以起始点所在某区去往各区的人数作为各区的吸引度A＝[n₁,n₂,…,n_m]，n_m为第m个区的吸引度；

2)建立概率区间

3)生成随机数rand∈[0,1]；

4)若rand∈[P_i,P_j]，则载客目的地选择第i区。

5.根据权利要求1所述方法，其特征在于，所述每个小区单元的吸引度Q_i由下式计算：

式中，L为起始点距离，rank_i为小区单元i的等级值，a为人们选择乘坐出租车的最短距离；b为人们选择乘坐出租车的最远距离；c为目标区域最远距离；τ,γ,δ为权重系数，权重系数根据载客目的地选择的统计分析设定。

6.根据权利要求1所述方法，其特征在于，所述计算空驶目的地选择概率的计算式为：

其中，P_i为选择小区单元i的概率；h₀、h₁、h₂为最小二乘法确定的权重系数；V_i为小区单元i的道路拥挤度，道路拥挤程度数据通过地图软件实时获取。

7.根据权利要求1所述方法，其特征在于，所述吸引度函数W计算式为：

其中，IK为吸引圈小区单元集合，L为起始点距离，rank_i为小区单元i的等级。