CN106875075A - 一种基于出行行为学的电动汽车充电站布点方法 - Google Patents

Abstract

本发明涉及一种基于出行行为学的电动汽车充电站布点方法，包括以下几个步骤：步骤S1：分析电动汽车用户的行为特性；步骤S2：对区域地图进行网格化处理，确定最优路线；步骤S3：建立电动汽车用户的空间行为特性模型，判断有无充电需求；步骤S4：利用遗传算法进行电动汽车充电站站址优化；步骤S5：基于Voronoi思想划分充电站服务区域，确定充电站能量需求。本发明通过建立电动汽车用户出行空间行为模型，并绘制出电动汽车空间充电需求图，为电动汽车充电站布点提供参考依据，实现充电站站址合理规划，提高充电站服务收益，从而解决了电动汽车因充电站站址分布不均而普及发展受限的问题。

Description

一种基于出行行为学的电动汽车充电站布点方法

技术领域

本发明属于电动汽车充电预测和充电站布点技术领域，具体是一种基于出行行为学的电动汽车充电站布点方法。

背景技术

随着我国能源紧缺和环境污染问题日益加剧，电动汽车作为新能源应用和智能电网的重要组成部分，其发展趋势已经势不可挡。电动汽车因为动力电池容量的限制，其荷电量成为了抑制电动汽车发展的关键问题之一。电动汽车充电站则是配合支撑电动汽车运营所必须的重要的配套基础设施，为电动汽车运行提供能源补给及维修等服务。而目前发展情况来看，电动汽车充电站建设发展相对滞后，无疑成为制约电动汽车行业发展的瓶颈。迅速建立充电站对于电动汽车发展的推广和普及具有重要的意义。而充电站建设首先需要考虑其选址问题，选址是否合理将直接影响电动汽车的普及与推广，同样也会直接影响充电站服务范围和服务率从而影响充电站的运营效益、服务质量、运营安全性。所以对于充电站选址问题的研究迫在眉睫。

2010年7月，北京市质量技术监督局率先制定出了国内首个电动汽车充电站标准，即《电动汽车电能供给与保障技术规范：充电站》，标准提出了充电站建设选址布局的原则、充电站的基本类型、充电站的构成以及充电站建设相关的技术要求等，并明确了电动汽车充电站的施工标准和验收指标等。另外，在充电站服务设施建设方面，从2010年开始全国电动车基础设施建设规划开始出现了超快速发展，国家电网、南方电网、中石油、中石化、中海油等大型国企集团都纷纷发布电动汽车充电设施建设规划或建设意向。

在电动汽车充电站选址、布局方面，国内外已有许多学者在做相关的研究，虽然这些文献对充电站站址规划做了一定的思考，但考虑的仅是部分选址原则、电力约束、经济性等因素，并没有充分地考虑用户需求的问题。

发明内容

针对现有技术存在的不足，本发明目的是提供一种基于出行行为学的电动汽车充电站布点方法，充分地考虑了用户需求，因此提高了电动汽车运行的普及性和经济性。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本发明的一种基于出行行为学的电动汽车充电站布点方法，包括以下几个步骤：

S1：分析电动汽车用户的行为特性获得电动汽车初始荷电状态soc_ini；根据电动汽车用户出行概率分布图确定用户出行终点类型；基于出行链，根据所述用户出行终点类型确定用户出行起点类型；根据用户出行距离模型确定用户出行起点和用户出行终点；

S2：对区域地图进行网格划分，根据实际的路况信息，对各个网格进行赋值用于表示通过该网格的时间，并根据用户出行起点和用户出行终点确定最优行驶路线，所述最优行驶路线以通过时间最短作为判断依据；

S3：根据电动汽车初始荷电状态soc_ini、用户出行起点和用户出行终点，建立电动汽车用户出行空间行为模型；根据用户出行起点和用户出行终点在区域网格中的具体位置计算得到出行距离和电动汽车出行所需荷电状态soc_dem，当soc_ini-soc_dem＜soc_set则产生充电需求，并绘制电动汽车空间充电需求图，从而为电动汽车充电站布点提供参考；

S4：利用遗传算法进行电动汽车充电站站址优化，即确定目标函数和约束条件，从而使充电站满足电动汽车用户充电需求最大，且使有充电需求的电动汽车到充电站距离最小；

S5：使用加权Voronoi方法计算充电站的中心点控制范围，从而对电动汽车充电站位置进行服务范围划分，得到电动汽车充电站布点图；然后，计算充电站的覆盖率；最后，由服务范围内每辆车辆所需电量得到每个充电站一天的能量需求。

步骤S1中，所述用户出行距离模型表达式如下：

式中，x为平面上任意点，μ_D为出行距离的期望值，δ_D为出行距离的标准差。

步骤S2中，将区域地图划分为多个区域，并设置每个区域的地况系数，将每个区域划分为多个子区域，并设置每个子区域的类型系数，所述类型系数和地况系数定义如下：

C_t＝t/t_b (2)

C_d＝t₁/t_c

其中，t为通过该子区域实际所用时间，t_b为通过标准子区域所用时间，所述标准子区域指不拥堵且正常行驶的子区域，t₁为通过该区域所用时间，t_c为正常通过该区域且不发生拥堵情况下所用时间,C_t为类型系数，C_d地况系数。

步骤S2中，根据用户出行起点和用户出行终点基于蚁群算法(现有技术)确定最优行驶路线。

步骤S3中，利用蒙特卡洛方法(现有技术)建立电动汽车用户出行空间行为模型。

步骤S4中，所述遗传算法具体的方法步骤如下：

A.种群初始化，因为遗传算法不能直接处理问题空间的参数，因此必须通过编码把要求问题的可行解表示成遗传空间的染色体或者个体；实数编码不需要进行数值转换，可以直接在解的表现型上进行遗传算法操作，因此用该方法编码，每个染色体为一个实数向量；

B.适应度函数是用来区分群体中个体好坏的标准；此处适应度函数即为目标函数；

C.选择操作从旧群体中以设定概率选择优良个体组成新的种群，以得到下一代个体，个体被选中的概率与适应度有关，个体适应度越高，被选中概率越大；

其中，F_i为个体i的适应度值；N，为种群个体数目；

D.交叉操作是指从种群中随机选择两个个体，通过两个染修色体的交叉组合，把父串的特征遗传给淄川，从而产生新的优秀个体；由于个体采用实数编码，所以交叉操作采用实数交叉法，第k个染色体a_k和第l个染色体a_l在j位的交叉操作方法为

a_kj＝a_ik(1-b)+a_ljb

a_lj＝a_lj(1-b)+a_kjb (10)

其中，b是[0,1]区间的随机数；

E.变异操作的目的是维持种群多样性；变异操作从种群中随机选取一个个体，选择个体中的一点进行变异以产生更优秀的个体；第i个个体的第j个基因a_ij进行变异的操作方法为

其中，a_max是基因a_ij的上界；a_min是基因a_ij的下界；f(g)＝r₂(1-g/G_max)²，r₂是一个随机数，g是当前迭代次数，G_max最大进化次数，r是[0,1]区间上的随机数。

步骤S4中，所述目标函数如下所示：

所述约束条件如下所示：

z_ij≤h_j(i∈N)(j∈M_i) (5)

Z_ij,h_j∈{0,1},(i∈N)(j∈M_i) (7)

d_ij≤s (8)

其中，i为有充电需求点；j为快速充电站站点；N为有充电需求点的集合；M_i为被选为充电站的点的集合；d_ij为从充电需求点i到离它最近的充电站j的距离；a_i为i点的充电需求量；Z_ij为0-1变量，表示用户和物流中心的服务需求分配关系，当z_ij＝1，表示需求点i的需求量由配送中心j供应，否则z_ij＝0；h_j为0-1变量，当h_j＝1时，表示点j被选为配送中心，否则，则没有被选上；s为需求点到充电站的距离上限，p为规定的充电站数量。

步骤S5中，所述充电站的中心点控制范围采用以下公式计算：

其中，d(p_i,p_j)点p_i和p_j间的欧式距离；p_i≠p_j，i≠j，i,j∈{1,2,…,n}，n为点的总个数；x为平面上任意点，W_i为p_i的权重；

所述充电站的覆盖率计算方法如下：

其中，F_s为充电站能够服务的电动汽车车辆数；F_t为有充电需求的电动汽车总数；

每个充电站一天的能量需求计算方法如下：

其中，E_re为区域内总充电需求，N为区域内有充电需求的电动汽车的辆数，SOC_i为第i辆有充电需求的电动汽车的电池荷电量，E_max为电池容量(它是输入量，根据算例中不同电池而不同，一般情况可取32)。

本发明通过建立电动汽车用户出行空间行为模型，并绘制出电动汽车空间充电需求图，为电动汽车充电站布点提供参考依据，实现充电站站址合理规划，提高充电站服务收益，从而解决了电动汽车因充电站站址分布不均而普及发展受限的问题。

附图说明

图1为本发明的基于出行行为学的电动汽车充电站布点方法工作流程图；

图2为出行目的分布图；

图3为出行链示意图；

图4为区域网格地图；

图5为电动汽车空间充电需求图；

图6为遗传算法的工作流程图；

图7为电动汽车充电站布点图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参见图1，本发明的一种基于出行行为学的电动汽车充电站布点方法，具体包括以下几个步骤：

步骤S1：分析电动汽车用户的行为特性；分析电动汽车出行目的类型概率分布、出行起点概率类型分布、出行距离以及起始荷电状态(SOC)。

步骤S2：对区域地图进行网格化处理，确定最优路线；结合实际的路况信息，对网格地图进行赋值表示通过网格的时间长短。根据具体的出行起点和终点确定最优行驶路线。

步骤S3：建立电动汽车用户的空间行为特性模型，根据电动汽车起始soc和活动所需soc，判断有无充电需求，绘制充电需求空间特性分布图。

步骤S4：利用遗传算法进行电动汽车充电站站址优化，使充电站满足电动汽车用户充电需求最大，且使有充电需求的电动汽车到充电站距离最小。

步骤S5：基于Voronoi思想划分充电站服务区域，确定充电站能量需求；

特别地，本实例所用的统计数据是基于美国NHTS(national house hold travel survey)调查结果以及国内电动汽车示范项目的统计数据。

在本实施例中，步骤S1进一步包括以下步骤：

步骤S11：根据步骤S1中电动汽车用户出行概率分布确定用户出行终点类型。根据2012年居民出行入户调查的得到出行者出行概率，将其分析汇总得到以商业区、学校、工作区、住宅区、景区五类的出行概率图，如图2所示。

步骤S12：基于出行链，根据用户出行终点类型确定用户起点类型。

出行链式的方法可以将出行者一天的出行活动进行进程处理，与人们的日常生活规律基本一致，出行链示意图如图3所示，基于出行链对居民行为决策影响因素的分析，出行者的出行都具有一定的惯性。根据出行目的地，概率性地确定出行起始地类型，电动汽车从一个地点转移到另一地点的概率如表1所示：

表1 出发地示意图

步骤S13：根据用户出行距离模型确定用户出行起点和终点的具体位置。出行距离模型表达式如下：

式中，μ_D：出行距离的期望值，μ_D＝3.2；δ_D：出行距离的标准差，δ_D＝0.88。

步骤S2进一步包括以下步骤：

步骤S21：将实际地图进行区域网格划分。

步骤S22：将北京地区分为28*32个网格，根据五环、四环、三环、二环将北京地区分为5部分，根据实际拥堵情况，分别给五个地区设置了地况系数，如表2所示。北京地区景区、居民区、工作区、学校区、商业区的类型不同，其路况也相应不同，所以在此也相应设置了类型系数，如表格3所示。电动汽车的行为特性一般没有规律，只是电动出租车的根据乘车人的需要进行安排，因此，用研究出行者的行为特性代替电动出租车的行为特性。设置一个空载系数，即电动汽车总行驶路程与搭载乘客实际行驶路程之比，用以平衡电动出租车在空载时的行驶状况和行驶距离。出租车的空载系数为1.5。北京地区网格划分图如图4所示：

表2 地况参数

表3 类型系数

步骤S23：利用蚁群算法进行路径寻优，以通过时间最短判断路径的最优。

步骤S3进一步包括以下步骤：

步骤S31：根据电动汽车用户行为特性获得电动汽车初始soc、用户出行起点和终点。算例以电动出租车以比亚迪E6为代表，详细参数如表4所示。出租车每天由两个出租车司机轮班驾驶，出租车每天出车大约17个小时，不计午饭和晚饭的休息时间，基本都处于行驶状态，所以其soc量较一般的电动汽车少，本文假设SOC处于正态分布N[0.4,0.163²]，当电动出租车电量少于10kwh即产生充电需求。

表4 电动出租车参数

步骤S32：根据出行起点和终点在区域网格中的具体位置确定出行距离和电动汽车所需soc，根据soc_ini-soc_dem＜soc_set判断是否产生充电需求。其中，soc_ini为初始soc，soc_dem用户出行所需soc，soc_set为soc最低阀值。

步骤S33：利用蒙特卡洛方法建立用户出行空间行为模型,并绘制充电需求分布图,如图5所示。

步骤S4进一步包括以下步骤：

步骤S41：遗传算法进行充电站站址规划寻优，目标函数及约束条件如下所示：

约束条件为：

z_ij≤h_j(i∈N)(j∈M_i) (5)

Z_ij,h_j∈{0,1},(i∈N)(j∈M_i) (7)

d_ij≤s (8)

其中，i是有充电需求点；j，快速充电站站点；d_ij：从充电需求点i到离它最近的充电站j的距离；a_i：i点的充电需求量；ω_i：有充电需求点的数量；Z_ij为0-1变量，表示用户和物流中心的服务需求分配关系，当z_ij＝1，表示需求点i的需求量由配送中心j供应，否则z_ij＝0；h_j是0-1变量，当h_j＝1时，表示点j被选为配送中心，否则，则没有被选上。s为需求点到充电站的距离上限。

步骤S4中，所述遗传算法具体的方法步骤如下：

A.种群初始化，因为遗传算法不能直接处理问题空间的参数，因此必须通过编码把要求问题的可行解表示成遗传空间的染色体或者个体。实数编码不需要进行数值转换，可以直接在解的表现型上进行遗传算法操作，因此用该方法编码，每个染色体为一个实数向量。

B.适应度函数是用来区分群体中个体好坏的标准。此处适应度函数即为目标函数。

C.选择操作从旧群体中以一定概率选择优良个体组成新的种群，以得到下一代个体，个体被选中的概率与适应度有关，个体适应度越高，被选中概率越大。

其中，F_i为个体i的适应度值；N，为种群个体数目；

D.交叉操作是指从种群中随机选择两个个体，通过两个染修色体的交叉组合，把父串的特征遗传给淄川，从而产生新的优秀个体。由于个体采用实数编码，所以交叉操作采用实数交叉法，第k个染色体a_k和第l个染色体a_l在j位的交叉操作方法为

a_kj＝a_ik(1-b)+a_ljb

a_lj＝a_lj(1-b)+a_kjb (10)

其中，b是[0,1]区间的随机数。

E.变异操作的主要目的是维持种群多样性。变异操作从种群中随机选取一个个体，选择个体中的一点进行变异以产生更优秀的个体。第i个个体的第j个基因a_ij进行变异的操作方法为

其中，a_max是基因a_ij的上界；a_min是基因a_ij的下界；f(g)＝r₂(1-g/G_max)²，r₂是一个随机数，g是当前迭代次数，G_max最大进化次数，r是[0,1]区间上的随机数。

遗传算法流程图如图6所示，具体遗传算法参数选择如表5所示。

表5 遗传算法参数

步骤S5进一步包括以下步骤：

步骤S51：使用加权Voronoi方法分析充电站的控制范围，结合空间充电需求特性对电动汽车充电站进行定容。其中心点控制范围可以用以下公式计算：

其中，d(p_i,p_j)点p_i和p_j间的欧式距离；p_i≠p_j，i≠j，i,j∈{1,2,…,n}；x为平面上任意点。W_i为p_i的权重。

应用MATLAB软件编程对电动汽车充电站位置进行服务范围划分，如图7所示

所述充电站的覆盖率计算方法如下：

其中，F_s为充电站能够服务的电动汽车车辆数；F_t为有充电需求的电动汽车总数；

步骤S53：由服务范围内车辆的所需电量可以得到每个充电站一天的能量需求：

其中，E_re为区域内总充电需求，N为区域内有充电需求的电动汽车的辆数，SOC_i为第i辆有充电需求的电动汽车的电池荷电量。

结果如表格6所示：

表6 充电站选址结果

Claims (8)

1.一种基于出行行为学的电动汽车充电站布点方法，其特征在于，包括以下几个步骤：

S1：分析电动汽车用户的行为特性获得电动汽车初始荷电状态soc_ini；根据电动汽车用户出行概率分布图确定用户出行终点类型；基于出行链，根据所述用户出行终点类型确定用户出行起点类型；根据用户出行距离模型确定用户出行起点和用户出行终点；

S2：对区域地图进行网格划分，根据实际的路况信息，对各个网格进行赋值用于表示通过该网格的时间，并根据用户出行起点和用户出行终点确定最优行驶路线，所述最优行驶路线以通过时间最短作为判断依据；

S3：根据电动汽车初始荷电状态soc_ini、用户出行起点和用户出行终点，建立电动汽车用户出行空间行为模型；根据用户出行起点和用户出行终点在区域网格中的具体位置计算得到出行距离和电动汽车出行所需荷电状态soc_dem，当soc_ini-soc_dem＜soc_set则产生充电需求，并绘制电动汽车空间充电需求图，从而为电动汽车充电站布点提供参考；

S4：利用遗传算法进行电动汽车充电站站址优化，即确定目标函数和约束条件，从而使充电站满足电动汽车用户充电需求最大，且使有充电需求的电动汽车到充电站距离最小；

S5：使用加权Voronoi方法计算充电站的中心点控制范围，从而对电动汽车充电站位置进行服务范围划分，得到电动汽车充电站布点图；然后，计算充电站的覆盖率；最后，由服务范围内每辆车辆所需电量得到每个充电站一天的能量需求。

2.根据权利要求1所述的基于出行行为学的电动汽车充电站布点方法，其特征在于，步骤S1中，所述用户出行距离模型表达式如下：

$f_D\left(x\right)=\frac{1}{{\mathrm{x\δ}}_D\sqrt{2\mathrm{\π}}}\exp \[-\frac{{(\ln x-{\mathrm{\μ}}_D)}^2}{2{\mathrm{\δ}}_D^2}\]---\left(1\right)$

式中，x为平面上任意点，μ_D为出行距离的期望值，δ_D为出行距离的标准差。

3.根据权利要求1所述的基于出行行为学的电动汽车充电站布点方法，其特征在于，步骤S2中，将区域地图划分为多个区域，并设置每个区域的地况系数，将每个区域划分为多个子区域，并设置每个子区域的类型系数，所述类型系数和地况系数定义如下：

C_t＝t/t_b

(2)

C_d＝t₁/t_c

其中，t为通过该子区域实际所用时间，t_b为通过标准子区域所用时间，所述标准子区域指不拥堵且正常行驶的子区域，t₁为通过该区域所用时间，t_c为正常通过该区域且不发生拥堵情况下所用时间,C_t为类型系数，C_d地况系数。

4.根据权利要求1所述的基于出行行为学的电动汽车充电站布点方法，其特征在于，步骤S2中，根据用户出行起点和用户出行终点基于蚁群算法确定最优行驶路线。

5.根据权利要求1所述的基于出行行为学的电动汽车充电站布点方法，其特征在于，步骤S3中，利用蒙特卡洛方法建立电动汽车用户出行空间行为模型。

6.根据权利要求1所述的基于出行行为学的电动汽车充电站布点方法，其特征在于，步骤S4中，所述遗传算法具体的方法步骤如下：

A.种群初始化，因为遗传算法不能直接处理问题空间的参数，因此必须通过编码把要求问题的可行解表示成遗传空间的染色体或者个体；实数编码不需要进行数值转换，可以直接在解的表现型上进行遗传算法操作，因此用该方法编码，每个染色体为一个实数向量；

B.适应度函数是用来区分群体中个体好坏的标准；此处适应度函数即为目标函数；

C.选择操作从旧群体中以设定概率选择优良个体组成新的种群，以得到下一代个体，个体被选中的概率与适应度有关，个体适应度越高，被选中概率越大；

$p_i=\frac{F_i}{\underset{j=1}{\overset{N}{\Σ}}{F}_j}---\left(9\right)$

其中，F_i为个体i的适应度值；N，为种群个体数目；

D.交叉操作是指从种群中随机选择两个个体，通过两个染修色体的交叉组合，把父串的特征遗传给淄川，从而产生新的优秀个体；由于个体采用实数编码，所以交叉操作采用实数交叉法，第k个染色体a_k和第l个染色体a_l在j位的交叉操作方法为

a_kj＝a_ik(1-b)+a_ljb

a_lj＝a_lj(1-b)+a_kjb (10)

其中，b是[0,1]区间的随机数；

E.变异操作的目的是维持种群多样性；变异操作从种群中随机选取一个个体，选择个体中的一点进行变异以产生更优秀的个体；第i个个体的第j个基因a_ij进行变异的操作方法为

$a_{ij}=\left\{\begin{array}{c}{a}_{ij}+(a_{ij}-a_{max})*f\left(g\right),r\&GreaterEqual;0.5\\ a_{ij}+(a_{\min }-a_{ij})*f\left(g\right),r<0.5\end{array}\right.---\left(11\right)$

其中，a_max是基因a_ij的上界；a_min是基因a_ij的下界；f(g)＝r₂(1-g/G_max)²，r₂是一个随机数，g是当前迭代次数，G_max最大进化次数，r是[0,1]区间上的随机数。

7.根据权利要求1所述的基于出行行为学的电动汽车充电站布点方法，其特征在于，步骤S4中，所述目标函数如下所示：

$\min F=\underset{i\&Element;N}{\&Sigma;}\underset{j\&Element;M_i}{\&Sigma;}{d}_{ij}{a}_i{z}_{ij}---\left(3\right)$

所述约束条件如下所示：

$\underset{j\&Element;M_i}{\&Sigma;}{z}_{ij}=1(i\&Element;N)---\left(4\right)$

z_ij≤h_j(i∈N)(j∈M_i) (5)

$\underset{j\&Element;M_j}{\&Sigma;}{h}_j=p---\left(6\right)$

Z_ij,h_j∈{0,1},(i∈N)(j∈M_i) (7)

d_ij≤s (8)

其中，i为有充电需求点；j为快速充电站站点；N为有充电需求点的集合；M_i为被选为充电站的点的集合；d_ij为从充电需求点i到离它最近的充电站j的距离；a_i为i点的充电需求量；Z_ij为0-1变量，表示用户和物流中心的服务需求分配关系，当z_ij＝1，表示需求点i的需求量由配送中心j供应，否则z_ij＝0；h_j为0-1变量，当h_j＝1时，表示点j被选为配送中心，否则，则没有被选上；s为需求点到充电站的距离上限，p为规定的充电站数量。

8.根据权利要求1所述的基于出行行为学的电动汽车充电站布点方法，其特征在于，步骤S5中，所述充电站的中心点控制范围采用以下公式计算：

$V(p_i,W_i)=\{x\&Element;V(p_i,W_i)|\frac{d(x,p_i)}{W_i}<\frac{d(x,p_j)}{W_j}\}---\left(12\right)$

其中，d(p_i,p_j)点p_i和p_j间的欧式距离；p_i≠p_j，i≠j，i,j∈{1,2,…,n}，n为点的总个数；x为平面上任意点，W_i为p_i的权重；

所述充电站的覆盖率计算方法如下：

$Fg=\frac{F_s}{F_t}---\left(13\right)$

其中，F_s为充电站能够服务的电动汽车车辆数；F_t为有充电需求的电动汽车总数；

每个充电站一天的能量需求计算方法如下：

$E_{re}=\underset{n=1}{\overset{N}{\&Sigma;}}{E}_{max}(1-{\mathrm{SOL}}_i)---\left(14\right)$

其中，E_re为区域内总充电需求，N为区域内有充电需求的电动汽车的辆数，SOC_i为第i辆有充电需求的电动汽车的电池荷电量，E_max为电池容量。