CN107180274B - 一种电动汽车充电设施规划典型场景选取和优化方法 - Google Patents

一种电动汽车充电设施规划典型场景选取和优化方法 Download PDF

Info

Publication number
CN107180274B
CN107180274B CN201710327539.1A CN201710327539A CN107180274B CN 107180274 B CN107180274 B CN 107180274B CN 201710327539 A CN201710327539 A CN 201710327539A CN 107180274 B CN107180274 B CN 107180274B
Authority
CN
China
Prior art keywords
charging
time
typical
planning
road
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710327539.1A
Other languages
English (en)
Other versions
CN107180274A (zh
Inventor
高赐威
梅杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201710327539.1A priority Critical patent/CN107180274B/zh
Publication of CN107180274A publication Critical patent/CN107180274A/zh
Application granted granted Critical
Publication of CN107180274B publication Critical patent/CN107180274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明公开了一种电动汽车充电设施规划典型场景选取和优化方法，包括如下步骤：建立基于改进弗洛伊德算法的电动汽车选址定容模型；建立充电设施规划方案评价体系；基于K‑means聚类算法，分别从时间维度和空间维度对电动汽车充电需求进行聚合，筛选或构造典型日；求取相应充电设施规划方案；根据充电设施规划方案评价体系，对典型日构造进行评价。本发明考虑了道路拥塞等交通因素更全面的反映了现实情况。基于时空双维度K‑means聚类的规划典型日构造方法可以得到最具代表性的一个或多个典型日，反映典型充电需求场景，显著降低规划问题的计算量。通过对聚类中心数量的控制，可以改善规划方案的评价指标，提高用户的满意度。

Description

一种电动汽车充电设施规划典型场景选取和优化方法
技术领域
本发明涉及电动汽车充电设施，特别是涉及一种电动汽车充电设施规划典型场景选取和优化方法。
背景技术
传统电动汽车以石油为燃料，消耗了大量的化石能源，加剧了全球能源危机，且尾气中含有大量二氧化碳和有害气体，带来了气候变暖、城市雾霾等一系列环境问题。汽车保有量正快速增长，2015年全球汽车保有量已达到11.2亿辆，与之相伴的能源与环境问题日益严重。电动汽车作以电动机代替内燃机，将电能作为其动力来源，大大提高了能源利用效率，降低了城市中温室气体和有害气体的排放。因此，电动汽车成为汽车产业发展的新趋势。
电动汽车充电设施的建设将直接影响电动汽车的推广和渗透率的提高。2015年10月，我国发布了《电动汽车充电基础设施发展指南(2015-2020年)》，计划到2020年，新增集中式充换电站超过1.2万座，分散式充电桩超过480万个。
然而，当前我国的电动汽车充放设施建设刚刚起步，相关的规划建设理论仍滞后于实际建设的需要。电动汽车充电设施规划问题的求解需要基于一定的典型日或典型场景，典型场景的选取会显著影响规划的结果，但目前相关研究很少。
发明内容
发明目的：提供一种将改进的弗洛伊德算法和K-means聚类算法运用于典型场景选取和计算中的电动汽车充电设施规划典型场景选取和优化方法。
技术方案：为了实现上述目标，本发明采用如下的技术方案：
一种电动汽车充电设施规划典型场景选取和优化方法，包括如下步骤：
(1)建立基于改进弗洛伊德算法的电动汽车充电设施规划模型；
(2)建立充电设施规划方案评价体系；
(3)基于K-means聚类算法，分别从时间维度和空间维度对电动汽车充电需求进行聚合，筛选或构造典型日；
(4)基于所述电动汽车充电设施规划模型和典型日，求取相应充电设施规划方案；
(5)根据充电设施规划方案评价体系，对典型日构造进行评价；若满足规划方案要求，则完成典型日选取；否则，增加聚类中心个数，返回步骤(3)。
进一步的，所述步骤(1)中，电动汽车充电设施规划模型考虑建设经济性和用户满意度因素，该模型满足以下假设：
(a)以建设运营费用最低和用户综合充电时间最短为目标；
(b)规划结果需满足所有用户的充电需求，即所有电动汽车的综合充电时间均不大于限定值；
(c)电动汽车充电的充电站选择以综合充电时间最短为决策目标，基于改进的弗洛伊德算法选择行进路线，同时考虑了道路拥塞对充电选择的影响；
对弗洛伊德算法的改进包括如下步骤：
(11)道路拥塞系数如下：
Figure BDA0001289719770000021
其中，ρ1为道路在通畅情况下的拥塞系数，ρ2为道路在拥塞情况下的拥塞系数，ρ3为道路在重度拥塞情况下的拥塞系数，v为道路交通流量，c为道路的实际通行能力，β为道路的可靠性系数，取值范围为(0,1)；
12)计算道路折算距离
基于道路拥塞系数，将拥塞度折算入道路长度得到各道路的拥塞折算距离：
l′ab＝γablab
其中，a和b分别为道路两段节点编号，lab和l′ab分别为道路长度和道路拥塞折算距离，γab表示道路ab路段道路拥塞系数。
进一步的，所述步骤(2)包括如下步骤：
(21)对综合充电时间进行表征
电动汽车的综合充电时间是电动汽车某次充电行程的总时间，包括充电行驶时间、站内排队时间和充电时间；计算公式如下：
Ti＝ti drive+ti wait+ti charge
其中，Ti为电动汽车i的综合充电时间，ti drive为电动汽车i的充电行驶时间ti wait为电动汽车i的站内排队时间，ti charge为电动汽车i的充电时间；
(22)对等待时间越限百分比进行表征
等待时间是用户前往充电站的行驶时间和充电站排队时间之和，等待时间越限百分比表征等待时间超过限定最大值的电动汽车数量占总的充电需求的百分比，该指标可以反映电动汽车充电设施对于充电需求的满足比率，计算公式如下：
Figure BDA0001289719770000031
其中，ρ表征等待时间越限百分比，n表征总的充电需求αi是一个二元矩阵，表达式如下：
Figure BDA0001289719770000032
其中，Ti wait和Tlimit分别为电动汽车i的等待时间和电动汽车的等待时间限定值；
(23)对建设和运营成本表征
经济性是电动汽车及其附属设施规划建设考虑的重要指标之一，主要包括建设成本和运营成本；其中，建设成本包含土地成本费用、设备采购费用和配网改造费用，运营成本包含电费、网损费用和设备折旧费用；综合考虑，建设和运营成本可由下式表征：
Ctoatl＝cpile+cland+cdistribution+celectricity
+closs+cdepreciation
式中，cpile表示充电设施采购费用，cland表示土地成本费用，cdistribution表示配网改造费用，celectricity表示电费，closs表示网损费用，cdepreciation表示设备折旧费用。
(24)充电设施利用效率
充电设施利用效率表征充电桩的使用时间与总运营时间的比值，计算公式如下：
Figure BDA0001289719770000033
式中，η和m分别表征设施利用效率和充电桩数量，Tj和
Figure BDA0001289719770000043
分别表征充电桩j的使用时间和总运营时间。
进一步的，所述步骤(3)包含如下步骤：
(31)时间维度聚类
对于备选典型日，将其日内随时间变化的需求数据记为序列：
yi＝{yi(1),yi(2),yi(3),……,yi(p)}
其中，yi(p)表示第i个备选典型日的第p个时刻的充电需求，将l个备选典型日的需求序列构成矩阵：
Figure BDA0001289719770000041
对矩阵Y中的各列分别进行聚类，假设聚类中心均为r个，则聚类结果可记为：
Figure BDA0001289719770000042
矩阵Ycluster中的第r行即为聚类算法得到的第r个典型日的各时刻充电总需求序列，Ycluster即为时间维度的聚类结果，yr′(p)表示第r个聚类典型日的第p个时刻的充电总需求；
(32)空间维度聚类
将空间维度上的备选典型日数据记为序列：
zi＝{zi(1),zi(2),zi(3),……,zi(pnode)}
其中，zi(pnode)表示第i个备选典型日的第pnode个节点的当日充电总需求，将l个备选典型日的充电需求序列构成矩阵：
Figure BDA0001289719770000051
将矩阵Z中的各列分别进行聚类，聚类中心均为1个，则聚类结果可记为：
Zcluster＝[z′(1),z′(2),z′(3),……,z′(pnode)]
矩阵Zcluster为空间维度的聚类结果，z′(pnode)表示第pnode个节点充电总需求；
则各节点充电需求占总需求的权重记为：
Figure BDA0001289719770000052
(33)确定典型日
在电动汽车渗透率较高，即电动汽车数量较多的情况下，将步骤(31)中得到的各个时刻的充电总需求，按照步骤(32)中各个节点所占权重进行分配，可以得到各典型日的充电需求的时空分布情况，即充电站规划问题中的典型日数据；
在电动汽车渗透率不高，即电动汽车数量不多的情况下，按比例分配会出现大量小于1的节点需求，很难处理，故找到一个规划典型日使得下式最小：
Figure BDA0001289719770000053
式中，βtime和βnode分别为时间维度和空间维度的误差权重。
进一步的，所述步骤(4)包括如下步骤：
(41)建立最优化模型
电动汽车充电设施规划模型是一个多目标整数规划问题，可由下式表征：
Figure BDA0001289719770000061
Figure BDA0001289719770000062
其中，f1是所有用户的综合充电时间之和，Ti为电动汽车i的综合充电时间，N为电动汽车数量，f1可表征用户的整体满意度，即综合充电时间之和越小，用户满意度越大；f2是充电设施规划运营费用，Ctoatl为建设费用和运营费用的总成本，f2表征规划方案的经济性，即总成本越小，经济性越优；
Figure BDA0001289719770000063
和
Figure BDA0001289719770000064
分别为两个目标的权重。该问题需满足如下约束：
Ti wait≤Tlimit
其中，Ti wait和Tlimit分别为电动汽车i的等待时间和电动汽车的等待时间限定值；
(42)求取充电设施规划方案
多目标整数规划问题采用一种相对简化的求解方法，包括如下步骤：
(a)计算各支路有效行驶距离，修改Floyd算法中的邻接矩阵；
(b)从备选地址中选择充电站建设地址，确定充电站建设位置；
(c)输入初始充电桩个数为Npile；
(d)将充电桩分配给各个充电站
(e)计算电动汽车整体充电时间TTotal和最大等待时间Tmax；
(f)如果TTotal不是该充电桩个数下的最小整体充电时间，则返回步骤(d)重新分配充电桩；否则，进入下一步；
(g)判断最大等待时间是否大于限定值，若Tmax大于30min，返回步骤(c)，增加充电桩个数；否则，进入下一步；
(h)判断充电站建设成本是否为最小值，若不是，返回步骤(b)，重新选择建设地址；否则，输出规划方案。
进一步的，所述步骤(5)中，根据步骤(2)提出的规划方案评价体系，对典型日构造进行评价，若等待时间越限百分比满足规划方案要求，则完成典型日选取，否则增加聚类中心个数，返回步骤(3)。
有益效果：与现有技术相比，本发明方法充分考虑了典型日选取对电动汽车选址定容的影响，并通过电动汽车充电设施选址定容建模、规划方案评价体系建立和典型日选取或构造等步骤，采用改进的弗洛伊德算法和K-means均值聚类算法等优化算法，极大地提高了典型日选取的科学性。另外，电动汽车规划问题中，考虑道路拥塞等交通因素更全面的反映了现实情况，辅助用户选择最优的充电站和相应的充电行程路径。基于时空双维度K-means聚类的规划典型日构造方法可以得到最具代表性的一个或多个典型日，反映典型充电需求场景，显著降低规划问题的计算量。通过对于聚类中心数量(典型日数量)的控制，可以改善规划方案的评价指标，提高用户的满意度。
附图说明
图1为本发明方法的总流程图；
图2为充电设施规划方案求解的流程图；
图3为交通网络模型图；
图4为一个聚类中心日内充电需求随时间变化曲线图；
图5为一个聚类中心日内各节点总充电需求曲线图；
图6为一个聚类中心100个自然日等待时间越限百分比分布图；
图7为两个聚类中心日内充电需求随时间变化曲线图；
图8为两个聚类中心日内各节点总充电需求；
图9为两个聚类中心100个自然日等待时间越限百分比分布图；
图10为不同聚类中心数量下备选典型日等待时间越限百分比分布图；
图11为不同聚类中心数量下评价指标变化图。
具体实施方式
下面结合附图对本发明方法作进一步描述。
如图1所示，一种电动汽车充电设施规划典型场景选取和优化方法，包括如下步骤：
步骤(1)：建立基于改进弗洛伊德算法的电动汽车充电设施规划模型，即选址定容模型：
充电设施规划主要考虑建设经济性和用户满意度两个因素，该规划模型(即选址定容模型)满足以下假设：
(a)该规划模型以建设运营费用最低和用户综合充电时间最短为目标；
(b)规划结果需满足所有用户的充电需求，即所有电动汽车的综合充电时间均不大于限定值；
(c)电动汽车充电的充电站选择以综合充电时间最短为决策目标，基于弗洛伊德算法选择行进路线，同时考虑了道路拥塞度对充电选择的影响。
弗洛伊德(Floyd)算法的主要思想是从任意两个顶点vi到vj的带权邻接矩阵W开始，每次插入一个顶点vk，然后比较vi到vj已知最短路径与将vk作为中间节点的路径的长度，将较小值作为新的距离矩阵，如此插入顶点n次，分别得到n个距离矩阵，记为D(1),D(2),.....,D(n)，最后得到的矩阵D(n)即记录了图中各定点间的最短距离信息。
弗洛伊德算法可求取任意顶点的路径距离，为待充电电动汽车选取路程最短的充电站以前往充电。本发明中，电动汽车选取充电站和相应路径时，需要考虑道路拥塞的影响，为此对经典的弗洛伊德算法进行改进，将道路拥塞程度折算入各相邻顶点之间的路径长度，即对带权邻接矩阵W中的各元素进行加权。对弗洛伊德算法的改进包括如下步骤：
(11)定义道路拥塞度系数如下：
Figure BDA0001289719770000081
其中，ρ1、ρ2和ρ3分别为路段在通畅、拥塞和重度拥塞情况下的拥塞度系数，v和c分别为道路流量和道路的实际通行能力，β为道路的可靠性系数，取值范围为(0,1)。
(12)计算道路折算距离
基于拥塞度系数，将拥塞度系数折算入道路长度得到各道路的拥塞折算距离：
l′ab＝γablab (2)
其中，a和b分别为道路两段节点编号，lab和l′ab分别为道路长度和道路拥塞折算距离，γab表示道路ab路段道路拥塞系数。
通过上述改进和应用，可以以一种比较简化的方式将道路拥塞考虑进电动汽车充电路径选择模型中去，从而以充电行程时间最短，即满意度最高为目标，为用户的充电站选择和相应路径选择提供有效建议。
步骤(2)建立充电设施规划方案评价体系
(21)对综合充电时间进行表征
电动汽车的综合充电时间是电动汽车某次充电行程的总时间，包括充电行驶时间、站内排队时间和充电时间。计算公式如下：
Ti＝ti drive+ti wait+ti charge (3)
式中，Ti为电动汽车i的综合充电时间，ti drive、ti wait和ti charge分别为电动汽车i的充电行驶时间、站内排队时间和充电时间。
在电动汽车充电行程耗电量较小的情况下，电动汽车充电的经济性受用户充电选择的影响较小，因此可用综合充电时间表征用户充电的满意度，综合充电时间越小，用户满意度越高，反之，用户满意度越低。在某些极端情况下，电动汽车充电设施无法满足所有用户的充电需求，造成某些用户的综合充电时间很大，此时，电动汽车用户的满意度较小，甚至会放弃或者延迟电动汽车的充电行为。
(22)对等待时间越限百分比进行表征
等待时间是用户前往充电站的行驶时间和充电站排队时间之和。等待时间越限百分比表征等待时间超过限定最大值的电动汽车数量占总的充电需求的百分比。计算公式如下：
Figure BDA0001289719770000091
其中，ρ表征等待时间越限百分比，n表征总的充电需求(即待充电的电动汽车数量)，αi是一个二元矩阵，表达式如下：
Figure BDA0001289719770000092
其中，Ti wait和Tlimit分别为电动汽车i的等待时间和电动汽车的等待时间限定值。
该指标可以反映电动汽车充电设施对于充电需求的满足比率。从规划角度来说，满足用户的充电需求是规划的主要目标之一，因此需要将该越限百分比控制在一个较低水平。
(23)对建设和运营成本表征
经济性是电动汽车及其附属设施规划建设考虑的重要指标之一，主要包括建设成本和运营成本。其中，建设成本包含土地费用和设备采购费用，运营成本包含人工成本、电费支出、设备折旧等。对于城市中充电设施的选址定容，不同区位的用地成本有很大区别，市中心的土地费用高昂，应尽量选择车流量较大且土地成本较低的地段。同时，集中充电设施的运营会改变配电网络的负荷分配，对配网造成冲击或增加潮流拥塞和网损，对于容量不足的节点需要考虑扩容和相应的配网改造支出。
综合考虑，建设和运营成本可由下式表征：
Figure BDA0001289719770000101
式中，cpile表示充电设施采购费用，cland表示土地成本，cdistribution表示配网改造费用，celectricity表示电费，closs表示网损费用、cdepreciation表示设备折旧费用。
(24)充电设施利用效率
充电设施利用效率表征充电桩的使用时间与总运营时间的比值。该指标可以反映充电设施的利用效率，规避基于极端场景得到的规划方案中的设备闲置造成的公共资源浪费。计算公式如下：
Figure BDA0001289719770000102
式中，η和m分别表征设施利用效率和充电桩数量，Tj和
Figure BDA0001289719770000103
分别表征充电桩j的使用时间和总运营时间。
步骤(3)：基于K-means算法从时间和空间维度对充电需求进行聚类，选取或构造典型日
采用K-means聚类方法对备选典型日进行聚合运算。时间维度上，采用K-means方法将各时刻的总需求聚为K类，即K个典型日。空间维度上，将各节点需求聚为一类，计算各节点充电需求占总需求的比值。在电动汽车数量较多的情况下，将各时刻的总充电需求按比例折算到各节点，从而得到每个节点各个时刻的充电需求，即各个典型日充电需求时空分布。在电动汽车数量不多的情况下，从备选典型日中选择最接近于聚类结果的作为规划典型日。
典型场景选取与构造流程包括如下几个步骤：
(i)对自然日集或预测日集进行筛选，去除极端情况下的自然日，得到备选典型日集；
(ii)分别基于时间维度和空间维度，对电动汽车充电需求进行聚合，筛选或构造一定数量的聚类典型日；
(iii)基于上述得到的聚类典型日，采用一定的电动汽车充电站选址定容规划模型，得到电动汽车充电站规划方案；
(iv)基于所有的历史自然日，对得到的规划方案进行全时段可行性检验，计算评价指标，若满足规划要求，则完成典型日选取；否则增加聚类中心个数(典型日数量)，返回步骤(ii)。
(31)时间维度聚类
对于备选典型日，将其日内随时间变化的需求数据记为序列：
yi＝{yi(1),yi(2),yi(3),……,yi(p)} (8)
其中，yi(p)表示第i个备选典型日的第p个时刻的充电需求。将l个备选典型日的需求序列构成矩阵：
Figure BDA0001289719770000111
对矩阵Y中的各列分别进行聚类，假设聚类中心均为r个，则聚类结果可记为：
Figure BDA0001289719770000121
矩阵Ycluster中的第r行即为聚类算法得到的第r个典型日的各时刻充电总需求序列。Ycluster即为时间维度的聚类结果，y′r(p)表示第r个聚类典型日的第p个时刻的充电总需求，即矩阵中的各元素记录了各个时刻的充电总需求。
(32)空间维度聚类
采用相同方法，将空间维度上的备选典型日数据(即各节点日内总需求)记为序列：
zi＝{zi(1),zi(2),zi(3),……,zi(pnode)} (11)
其中，zi(pnode)表示第i个备选典型日的第pnode个节点的当日充电总需求。将l个备选典型日的充电需求序列构成矩阵：
Figure BDA0001289719770000122
将矩阵Z中的各列分别进行聚类，聚类中心均为1个，则聚类结果可记为：
Zcluster＝[z′(1),z′(2),z′(3),……,z′(pnode)] (13)
矩阵Zcluster为空间维度的聚类结果，z′(pnode)表示第pnode个节点充电总需求；
则各节点充电需求占总需求的权重记为：
Figure BDA0001289719770000123
(33)确定典型日
在电动汽车渗透率较高，即电动汽车数量较多的情况下，将式(10)中各个时刻的充电总需求，按照式(14)中各个节点所占权重进行分配，可以得到各典型日的充电需求的时空分布情况，即充电站规划问题中的典型日数据。
在电动汽车渗透率不高，即电动汽车数量不多的情况下，按比例分配会出现大量小于1的节点需求，很难处理，故可从备选典型日中挑选最接近于聚类结果的作为规划典型日，即找到一个规划典型日使得下式最小：
Figure BDA0001289719770000131
式中，βtime和βnode分别为时间维度和空间维度的误差权重。
步骤(4)：基于充电设施选址定容模型求取规划方案
(41)建立最优化模型
电动汽车充电设施规划模型是一个多目标整数规划问题，可由下式表征：
Figure BDA0001289719770000132
其中，f1是所有用户的综合充电时间之和，Ti为电动汽车i的综合充电时间，N为电动汽车数量，f1可表征用户的整体满意度，即综合充电时间之和越小，用户满意度越大；f2是充电设施规划运营费用，Ctoatl为建设费用和运营费用的总成本，f2表征规划方案的经济性，即总成本越小，经济性越优；
Figure BDA0001289719770000133
和
Figure BDA0001289719770000134
分别为两个目标的权重。该问题需满足如下约束：
Ti wait≤Tlimit (17)
其中，Ti wait和Tlimit分别为电动汽车i的等待时间和电动汽车的等待时间限定值。
(42)求取充电设施规划方案
多目标整数规划问题一般可采用遗传编码进行求解，本发明采用一种相对简化的求解方法，流程如图2所示，包括如下步骤：
(a)计算各支路有效行驶距离，修改Floyd算法中的邻接矩阵；
(b)从备选地址中选择充电站建设地址，确定充电站建设位置；
(c)输入初始充电桩个数为Npile；
(d)将充电桩分配给各个充电站
(e)计算电动汽车整体充电时间TTotal和最大等待时间Tmax；
(f)如果TTotal不是该充电桩个数下的最小整体充电时间，则返回步骤(d)重新分配充电桩；否则，进入下一步；
(g)判断最大等待时间是否大于限定值，若Tmax大于30min，返回步骤(c)，增加充电桩个数；否则，进入下一步；
(h)判断充电站建设成本是否为最小值，若不是，返回步骤(b)，重新选择建设地址；否则，输出规划方案。
步骤(5)：规划方案的评价与优化
根据步骤(2)提出的规划方案评价体系，对典型日构造进行评价，若等待时间越限百分比满足规划方案要求，则完成典型日选取，否则增加聚类中心个数，返回步骤3)。
实施例：
本实施例选择了一块面积为20km2的区域进行仿真。该区域的配电网络采用了IEEE30节点配网模型，并建立了一个37节点的交通网络模型，如图3所示。交通网络结构图中，细实线支路为通畅路段，虚线支路为繁忙路段，粗实线支路为拥挤路段。假设该规划要求电动汽车等待时间越限百分比均值不大于1.5％。该实施例对采用聚类算法确定规划典型日的方法进行具体说明。
基于Matlab的随机仿真得到了100组备选典型日的充电需求数据，每组数据满足以下分布：
1)电动汽车数量：该区域日内有充电需求的电动汽车为1000辆；
2)初始位置：满足均匀分布；
3)充电行程起始时间：满足均匀分布和正态分布的组合分布；
4)平均速度：满足N(3,1)的正态分布，单位为100米/分钟；
5)初始荷电状态(State of Charge，SOC)：满足(0.2,0.6)的均匀分布；
6)最大电荷状态：满足(0.85,0.95)的均匀分布；
7)充电功率：20kW；
8)电池容量：200辆电池容量为18kWh，200辆为20kWh，200辆为25kWh，400辆为30kWh；
9)最大续航里程：200辆续航里程为120km，200辆为150km，200辆为180km，400辆为200km；
如图4至图6所示为一个聚类中心时的仿真结果图。
图4中，曲线31为100个备选典型日各自的日内充电需求随时间的变化曲线图，曲线32为基于K-means方法得到的聚类中心，曲线33为第56日的充电需求随时间分布情况。图5中，曲线41为100个备选典型日的各节点充电总需求，曲线42为聚类结果，大体呈现水平，略有波动，曲线43为第56日各节点充电需求分布情况。基于式(15)计算综合方差，确定第56天为规划典型日，其综合方差为：
Figure BDA0001289719770000151
(1)规划计算
将第56日充电需求数据作为规划典型日，基于规划模型，计算得到规划方案。选址定容情况如下表1所示。
表1：各节点充电桩数量
序号 1 2 3 4 5 6 7 8
备选节点 2 6 10 11 12 13 19 27
充电桩数 8 0 12 5 7 0 5 12
(2)指标评价
100个自然日等待时间越限百分比分布如图6所示。等待时间越限车辆数最大为103辆，占该日有充电需求的车辆数比例为10.3％，大于10％。总体上看，等待时间越限百分比均值为3.81％，100个自然日中有50天的越限百分比大于3％，显然无法满足规划方案要求，1个聚类中心无法满足规划需要。
图7至图9所示为两个聚类中心的仿真结果图。
图7中，曲线61为100个备选典型日各自的日内充电需求随时间的变化曲线图，曲线62和曲线63分别为基于K-means方法得到的两个聚类中心，曲线64和曲线65分别为第56日和第45日的充电需求随时间分布情况。图8中，曲线71为100个备选典型日的各节点充电总需求，曲线72为聚类结果，曲线73和曲线74分别为第56日和第45日的各节点充电需求分布情况。通过计算综合方差，确定第56日和第45日为分别最接近两个聚类中心的备选典型日，选取为典型日。
(1)规划计算
将第56日和第45日作为规划典型日，基于规划模型，计算得到规划方案。选址定容情况如下表2所示。
表2：各节点充电桩数量
Figure BDA0001289719770000161
(2)指标评价
100个备选典型日等待时间越限百分比分布如图9所示。由图可知，等待时间越限车辆数最大为44辆，占该日有充电需求的车辆数比例为4.4％，小于4.5％。总体上看等待时间越限百分比均值为1.23％，处于一个较低水平。100个备选典型日中有51天的越限车辆数不超过1辆，即该规划方案有51％的概率控制越限车辆占比不超过0.1％；100个自然典型日中有85天的越限车辆数小于等于30辆，即该规划方案有85％的概率控制越限车辆占比不超过3％。因此，当时间维度聚类中心数量增加为2时，可满足规划需求。
如图10和图11所示为不同个数聚类中心结果比较分析。从图10和图11可以看出，当聚类中心数量增加时，等待时间越限百分比均值由3.81％降低为1.23％，降低67.72％；电动汽车的平均等待时间由7.43min降低为5.94min，降低20.05％；充电桩总数从49个增加为57个，增加16.33％。可见，增加聚类中心个数会显著降低备选典型日等待时间越限百分比和电动汽车平均等待时间，对应于电动汽车用户满意度的显著提高，但也会一定程度上影响规划方案的经济性。

Claims (4)

1.一种电动汽车充电设施规划典型场景选取和优化方法，其特征在于，包括如下步骤：
(1)建立基于改进弗洛伊德算法的电动汽车充电设施规划模型；具体的：
电动汽车充电设施规划模型考虑建设经济性和用户满意度因素，该模型满足以下假设：
(a)以建设运营费用最低和用户综合充电时间最短为目标；
(b)规划结果需满足所有用户的充电需求，即所有电动汽车的综合充电时间均不大于限定值；
(c)电动汽车充电的充电站选择以综合充电时间最短为决策目标，基于改进的弗洛伊德算法选择行进路线，同时考虑了道路拥塞对充电选择的影响；
对弗洛伊德算法的改进包括如下步骤：
(11)道路拥塞系数如下：
Figure FDA0002373266250000011
其中，ρ1为道路在通畅情况下的拥塞系数，ρ2为道路在拥塞情况下的拥塞系数，ρ3为道路在重度拥塞情况下的拥塞系数，v为道路交通流量，c为道路的实际通行能力，β为道路的可靠性系数，取值范围为(0,1)；
(12)计算道路折算距离
基于道路拥塞系数，将拥塞度折算入道路长度得到各道路的拥塞折算距离：
l′ab＝γablab
其中，a和b分别为道路两段节点编号，lab和l′ab分别为道路长度和道路拥塞折算距离，γab表示道路ab路段道路拥塞系数；
(2)建立充电设施规划方案评价体系；
(3)基于K-means聚类算法，分别从时间维度和空间维度对电动汽车充电需求进行聚合，筛选或构造典型日；具体的：
(31)时间维度聚类
对于备选典型日，将其日内随时间变化的需求数据记为序列：
yi＝{yi(1),yi(2),yi(3),……,yi(p)}
其中，yi(p)表示第i个备选典型日的第p个时刻的充电需求，将l个备选典型日的需求序列构成矩阵：
Figure FDA0002373266250000021
对矩阵Y中的各列分别进行聚类，假设聚类中心均为r个，则聚类结果可记为：
Figure FDA0002373266250000022
矩阵Ycluster中的第r行即为聚类算法得到的第r个典型日的各时刻充电总需求序列，Ycluster即为时间维度的聚类结果，y′r(p)表示第r个聚类典型日的第p个时刻的充电总需求；
(32)空间维度聚类
将空间维度上的备选典型日数据记为序列：
zi＝{zi(1),zi(2),zi(3),……,zi(pnode)}
其中，zi(pnode)表示第i个备选典型日的第pnode个节点的当日充电总需求，将l个备选典型日的充电需求序列构成矩阵：
Figure FDA0002373266250000031
将矩阵Z中的各列分别进行聚类，聚类中心均为1个，则聚类结果可记为：
Zcluster＝[z′(1),z′(2),z′(3),……,z′(pnode)]
矩阵Zcluster为空间维度的聚类结果，z′(pnode)表示第pnode个节点充电总需求；
则各节点充电需求占总需求的权重记为：
Figure FDA0002373266250000032
(33)确定典型日
在电动汽车渗透率较高，即电动汽车数量较多的情况下，将步骤(31)中得到的各个时刻的充电总需求，按照步骤(32)中各个节点所占权重进行分配，可以得到各典型日的充电需求的时空分布情况，即充电站规划问题中的典型日数据；
在电动汽车渗透率不高，即电动汽车数量不多的情况下，按比例分配会出现大量小于1的节点需求，很难处理，故找到一个规划典型日使得下式最小：
Figure FDA0002373266250000033
式中，βtime和βnode分别为时间维度和空间维度的误差权重；
(4)基于所述电动汽车充电设施规划模型和典型日，求取相应充电设施规划方案；
(5)根据充电设施规划方案评价体系，对典型日构造进行评价；若满足规划方案要求，则完成典型日选取；否则，增加聚类中心个数，返回步骤(3)。
2.根据权利要求1所述的一种电动汽车充电设施规划典型场景选取和优化方法，其特征在于，所述步骤(2)包括如下步骤：
(21)对综合充电时间进行表征
电动汽车的综合充电时间是电动汽车某次充电行程的总时间，包括充电行驶时间、站内排队时间和充电时间；计算公式如下：
Ti＝ti drive+ti wait+ti charge
其中，Ti为电动汽车i的综合充电时间，ti drive为电动汽车i的充电行驶时间ti wait为电动汽车i的站内排队时间，ti charge为电动汽车i的充电时间；
(22)对等待时间越限百分比进行表征
等待时间是用户前往充电站的行驶时间和充电站排队时间之和，等待时间越限百分比表征等待时间超过限定最大值的电动汽车数量占总的充电需求的百分比，等待时间越限百分比反映电动汽车充电设施对于充电需求的满足比率，计算公式如下：
Figure FDA0002373266250000041
其中，ρ表征等待时间越限百分比，n表征总的充电需求αi是一个二元矩阵，表达式如下：
Figure FDA0002373266250000042
其中，Ti wait和Tlimit分别为电动汽车i的等待时间和电动汽车的等待时间限定值；
(23)对建设和运营成本表征
经济性是电动汽车及其附属设施规划建设考虑的重要指标之一，主要包括建设成本和运营成本；其中，建设成本包含土地成本费用、设备采购费用和配网改造费用，运营成本包含电费、网损费用和设备折旧费用；综合考虑，建设和运营成本可由下式表征：
Ctoatl＝cpile+cland+cdistribution+celectricity+closs+cdepreciation
式中，cpile表示充电设施采购费用，cland表示土地成本费用，cdistribution表示配网改造费用，celectricity表示电费，closs表示网损费用，cdepreciation表示设备折旧费用；
(24)充电设施利用效率
充电设施利用效率表征充电桩的使用时间与总运营时间的比值，计算公式如下：
Figure FDA0002373266250000051
式中，η和m分别表征设施利用效率和充电桩数量，Tj和
Figure FDA0002373266250000052
分别表征充电桩j的使用时间和总运营时间。
3.根据权利要求1所述的一种电动汽车充电设施规划典型场景选取和优化方法，其特征在于，所述步骤(4)包括如下步骤：
(41)建立最优化模型
电动汽车充电设施规划模型是一个多目标整数规划问题，可由下式表征：
Figure FDA0002373266250000053
Figure FDA0002373266250000054
其中，f1是所有用户的综合充电时间之和，Ti为电动汽车i的综合充电时间，N为电动汽车数量，f1可表征用户的整体满意度，即综合充电时间之和越小，用户满意度越大；f2是充电设施规划运营费用，Ctoatl为建设费用和运营费用的总成本，f2表征规划方案的经济性，即总成本越小，经济性越优；
Figure FDA0002373266250000055
和
Figure FDA0002373266250000056
分别为两个目标的权重；该问题需满足如下约束：
Ti wait≤Tlimit；
其中，Ti wait和Tlimit分别为电动汽车i的等待时间和电动汽车的等待时间限定值；
(42)求取充电设施规划方案
多目标整数规划问题采用一种相对简化的求解方法，包括如下步骤：
(a)计算各支路有效行驶距离，修改Floyd算法中的邻接矩阵；
(b)从备选地址中选择充电站建设地址，确定充电站建设位置；
(c)输入初始充电桩个数为Npile；
(d)将充电桩分配给各个充电站；
(e)计算电动汽车整体充电时间TTotal和最大等待时间Tmax；
(f)如果TTotal不是该充电桩个数下的最小整体充电时间，则返回步骤(d)重新分配充电桩；否则，进入下一步；
(g)判断最大等待时间是否大于限定值，若Tmax大于30min，返回步骤(c)，增加充电桩个数；否则，进入下一步；
(h)判断充电站建设成本是否为最小值，若不是，返回步骤(b)，重新选择建设地址；否则，输出规划方案。
4.根据权利要求3所述的一种电动汽车充电设施规划典型场景选取和优化方法，其特征在于，所述步骤(5)中，根据步骤(2)提出的规划方案评价体系，对典型日构造进行评价，若等待时间越限百分比满足规划方案要求，则完成典型日选取，否则增加聚类中心个数，返回步骤(3)。
CN201710327539.1A 2017-05-09 2017-05-09 一种电动汽车充电设施规划典型场景选取和优化方法 Active CN107180274B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710327539.1A CN107180274B (zh) 2017-05-09 2017-05-09 一种电动汽车充电设施规划典型场景选取和优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710327539.1A CN107180274B (zh) 2017-05-09 2017-05-09 一种电动汽车充电设施规划典型场景选取和优化方法

Publications (2)

Publication Number Publication Date
CN107180274A CN107180274A (zh) 2017-09-19
CN107180274B true CN107180274B (zh) 2020-04-24

Family

ID=59831143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710327539.1A Active CN107180274B (zh) 2017-05-09 2017-05-09 一种电动汽车充电设施规划典型场景选取和优化方法

Country Status (1)

Country Link
CN (1) CN107180274B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171386A (zh) * 2018-01-11 2018-06-15 成都雅骏新能源汽车科技股份有限公司 一种基于车辆gprs信息的充电站建设优化方法
CN108764634A (zh) * 2018-04-24 2018-11-06 河海大学 一种考虑充电需求增长的电动汽车充电站动态规划方法
CN109617048B (zh) * 2018-11-28 2022-08-05 天津大学 基于多目标线性规划的电网规划典型场景选取方法
CN111275279B (zh) * 2018-12-05 2023-08-15 中衡卓创(重庆)工程设计有限公司 车库充电桩配电箱需要系数调研系统及方法
DE102018222820A1 (de) * 2018-12-21 2020-06-25 Siemens Aktiengesellschaft Verfahren zum Bestimmen einer Verkehrsinfrastruktur, elektronische Recheneinrichtung zum Durchführen eines Verfahrens sowie Computerprogramm und Datenträger
CN110175780A (zh) * 2019-05-28 2019-08-27 广东工业大学 一种电动汽车充电站选址方法、系统及相关装置
CN110363438A (zh) * 2019-07-18 2019-10-22 广州市交通规划研究院 一种电动汽车充电设施建设的选址方法
CN110705864B (zh) * 2019-09-27 2022-05-17 广东电网有限责任公司 一种充电站选址定容方法
CN113344386B (zh) * 2021-06-07 2022-08-19 南京理工大学 电动汽车充电站规划方案量化评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012122310A1 (en) * 2011-03-08 2012-09-13 Trilliant Networks, Inc. System and method for managing load distribution across a power grid
CN103891319A (zh) * 2011-10-13 2014-06-25 诺基亚通信公司 用于确定用于充电站的位置的方法和设备
CN104318357A (zh) * 2014-10-15 2015-01-28 东南大学 电动汽车换电网络协调规划方法
CN104616121A (zh) * 2015-02-28 2015-05-13 南京飞腾电子科技有限公司 一种区域能量综合协调管控系统
CN105160428A (zh) * 2015-08-19 2015-12-16 天津大学 高速公路电动汽车快速充电站的规划方法
CN105938514A (zh) * 2016-04-07 2016-09-14 浙江万马新能源有限公司 基于0-1整数规划模型的充电桩部署选址方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130079964A1 (en) * 2011-09-27 2013-03-28 Saturna Green Systems Inc. Vehicle communication, analysis and operation system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012122310A1 (en) * 2011-03-08 2012-09-13 Trilliant Networks, Inc. System and method for managing load distribution across a power grid
CN103891319A (zh) * 2011-10-13 2014-06-25 诺基亚通信公司 用于确定用于充电站的位置的方法和设备
CN104318357A (zh) * 2014-10-15 2015-01-28 东南大学 电动汽车换电网络协调规划方法
CN104616121A (zh) * 2015-02-28 2015-05-13 南京飞腾电子科技有限公司 一种区域能量综合协调管控系统
CN105160428A (zh) * 2015-08-19 2015-12-16 天津大学 高速公路电动汽车快速充电站的规划方法
CN105938514A (zh) * 2016-04-07 2016-09-14 浙江万马新能源有限公司 基于0-1整数规划模型的充电桩部署选址方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A hierarchical decomposition approach for coordinated dispatch of plug-in electric vehicles;Yao W，Zhao J，Wen F;《IEEE Transactions on Power Systems》;20131231;第2768-2778页 *
交通特性在电动汽车并网研究中的考虑;梅杰，高赐威;《电网技术》;20151205;第39卷(第12期);第3549-3555页 *
基于交通行为的城市电动汽车充电网络规划与运营研究;李正恩;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20141015(第10期);全文 *
电动汽车充换电网络优化调度通用模型研究;陆婷婷，高赐威;《电网技术》;20141005;第38卷(第10期);第2700-2707页 *
电动汽车充电站最优规划的两阶段方法;舒隽，唐刚，韩冰;《电工技术学报》;20170210;第32卷(第3期);第10-17页 *

Also Published As

Publication number Publication date
CN107180274A (zh) 2017-09-19

Similar Documents

Publication Publication Date Title
CN107180274B (zh) 一种电动汽车充电设施规划典型场景选取和优化方法
CN109034465B (zh) 考虑充电站选址与出行路径耦合的充电站两层规划方法
Yi et al. Energy impact evaluation for eco-routing and charging of autonomous electric vehicle fleet: Ambient temperature consideration
CN107067110B (zh) 车-路-网模式下电动汽车充电负荷时空预测方法
CN110222907B (zh) 电动汽车充电站规划方法及终端设备
CN105160428A (zh) 高速公路电动汽车快速充电站的规划方法
CN111311122A (zh) 面向智慧城市的充电站建设方法
CN111523714B (zh) 一种电力充电站选址布局方法及装置
CN111199320B (zh) 基于出行概率矩阵的电动汽车充电负荷时空分布预测方法
CN110543976B (zh) 一种基于遗传算法的充电站布局优化方法
CN111582581B (zh) 考虑随机交通流量偏移的电动汽车换电站鲁棒选址方法
CN108133329B (zh) 考虑充电反馈效应的电动汽车出行与充电需求分析方法
CN111222705B (zh) 一种非线性充电车辆路径优化方法
Qiao et al. Vehicle powertrain connected route optimization for conventional, hybrid and plug-in electric vehicles
CN115222156A (zh) 基于分时对偶路网考虑用户需求响应的汽车充电调度方法
Sivagnanam et al. Minimizing energy use of mixed-fleet public transit for fixed-route service
CN114936666A (zh) 基于车-站-平台系统的电动汽车充电导航方法及系统
CN116358593B (zh) 考虑非线性能耗的电动车辆路径规划方法、装置和设备
CN112115385A (zh) 一种考虑充电时间的单向共享汽车系统选址优化方法
CN115239004A (zh) 一种基于充电需求预测的充电停车场选址定容优化方法
CN115510672A (zh) 一种物联网感知环境下电动微出行车辆换电需求预测方法
CN112993980A (zh) 一种电动汽车充电负荷时空概率分布模型计算方法
CN111429166B (zh) 基于最大轮廓聚类的电动汽车充电需求空间分布预测方法
CN113434990B (zh) 一种基于Agent仿真的电车充电桩收费优化方法
Huang et al. Multi-Objective Optimal Scheduling of Distribution Network with Electric Vehicle Charging Load Considering Time-Varying Road Impedance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant