CN108304977A - 一种基于截流模型的充电站选址方法 - Google Patents

Abstract

本发明公开一种基于截流模型的充电站选址方法，应用于运筹学及新能源技术领域，针对新能源汽车充电站选址问题，本发明充分考虑车辆可能偏离预设路径的问题，加入车流量对车辆路径选择的影响，并控制充电站的平均排队时间，有效地提升了充电站网络对车流量的捕获率，同时也使车流量在整个网络中分布更均衡。

Description

一种基于截流模型的充电站选址方法

技术领域

本发明属于运筹学及新能源技术领域，具体涉及一种基于截流模型充电站选址技术。

背景技术

随着气候变化、能源危机以及环境污染的问题日益严峻，尤其是汽车排放所引起的空气污染是大城市环境治理的一个主要难题，全世界范围内对电动汽车的研究与投入也越来越多。继英法德等欧洲国家宣布将在2040年宣布停产及停止销售传统汽油汽车后，中国也宣布将制订我国停止生产和销售传统能源汽车的时间表。

而伴随着电动汽车高速发展的却是充电设施不完善、覆盖率低的问题。目前我国车桩比(充电桩)只有3.5：1，在中小型城市电动汽车车主面临的充电问题尤为严峻。与此同时，较之普通燃油车，较长的充电时间以及由此可能引发的排队问题也会成为消费者的顾虑。因此，一种能提高车辆覆盖率、保证设施利用率与车辆充电排队时间的充电站选址方法，对于降低充电站网络运行成本、提高设施利用效率及用户体验度等方面都具有重要的意义。

充电站选址方法根据充电需求表达方式的不同主要分为两大类，基于节点需求的选址算法与基于车流的选址算法：第一类更注重电动汽车前往某个特定点进行充电，以带权重节点来体现充电需求，适用于一个较小的场景。第二类则考虑在车流路径上来体现充电需求，即车流中车辆在行驶过程中顺路前往路径上的某个充电站而不是专门前往某个特定的充电站，因此适用于一些较大的场景。

发明内容

为解决上述技术问题，本发明提出一种基于截流模型的充电站选址方法，充分考虑在最大可容忍偏离距离内车辆偏离预设路径的情况，并加入车流量对车辆路径选择的影响，有效地提升了充电站网络对车流量的捕获率以及充电站的利用率，也使车流量在整个网络中分布更均衡；同时基于排队论将充电站的平均排队时间控制在阈值之下，以提升未来充电站的用户体验。

本发明采用的技术方案为：一种基于截流模型的充电站选址方法，包括：

R1、计算车流的潜在路径；

所述潜在路径包括：车流所在的最短路径与可偏离路径；

R2、计算车流所在最短路径偏向某潜在路径的概率；

R3、计算所有潜在路径的有效充电站集合；

R4、计算各充电站的平均排队时间；

R5、根据各条车流对应的潜在路径集合、各条车流偏向某潜在路径的概率、各潜在路径对应的有效充电站集合以及各充电站的平均排队时间，基于截流模型并利用遗传算法确定选址方案；

R6、对选址方案的充电站进行充电桩分配。

进一步地，所述步骤R1具体为：采用KSP算法计算得到某条车流的k条潜在路径，从而得到该条车流的潜在路径集合；所述k条潜在路径包括：最短路径以及与最短路径偏移距离不超过最大可容忍偏移距离最大值的可偏移路径。

进一步地，所述步骤R2具体为：计算潜在路径集合中任意潜在路径对车流所在的最短路径上车辆的吸引力；根据某潜在路径对应的吸引力计算从车流所在的最短路径偏向该潜在路径的概率。

更进一步地，所述潜在路径对应的吸引力的计算式为：

其中，q为车流，f_q为q上的车流量，r为潜在路径，Path_r为经过r的车流量，d为从q所在的最短路径偏向r的偏移距离，α、β和γ为影响因子。

更进一步地，所述某条车流偏向某潜在路径的概率计算式为：

其中，p_qr表示q偏向r的概率，i表示潜在路径集合中的任意潜在路径。

进一步地，所述步骤R3具体包括以下分步骤：

S1、将某路径上所有节点的每一种组合作为该路径的一个潜在充电站集合；该路径上的所有潜在充电站集合组成一个潜在集合；

S2、遍历当前潜在集合中的各潜在充电站集合；

S3、对于当前潜在充电站集合；车辆从路径起始点出发，若起始点有充电站，令车辆可行驶距离等于车辆最大行驶距离；若起始点没有充电站，令车辆可行驶距离为最大行驶距离的一半；

S4、移动到该条路径的下一个节点，并从可行驶距离中减去已行驶距离；若剩余可行驶距离小于0，则移除当前潜在充电站集合，并回到步骤S3开始检查下一潜在充电站集合；否则执行步骤S5；

S5、判断当前节点是否有充电站，若有则令剩余可行驶距离为最大行驶距离并前往步骤S6，否则执行步骤S6；

S6、判断当前节点是否为起点，若是则保留当前潜在充电站集合，然后执行步骤S7；否则执行步骤S4；

S7、判断是否已遍历完当前潜在集合中的所有潜在充电站集合，若是则执行步骤S8；否则回到步骤S3开始检查下一潜在充电站集合；

S8、若剩余的所有潜在充电站集合中存在某一集合为另一集合的超集，则将所有超集移除；最后余下的集合组成该条路径的有效充电站集合的集合。

进一步地，步骤R4所述的排队时间计算式为：

其中，λ_k表示节点k的电动汽车平均每小时到达率，P₀为平稳状态下充电站内没有车辆的概率，m表示充电站同时服务的充电桩数量，ρ为充电站的服务强度，！为阶乘符号。

进一步地，步骤R5具体包括以下分步骤：

T1、对所有的充电站点分配m根充电桩；

所述m取值为使当前充电站满足排队时间W_q≤T的最小值，T是最大可容忍排队时间；

T2、若剩余费用至少还能再建一根充电桩，则执行步骤T3；若剩余费用已经不能再建一根充电桩，则结束；

T3、计算对每个充电站增加一根充电桩后，充电站减少的平均排队时间r_k，将充电桩添加在r_k最大的那个充电站，更新当前选址费用并前往步骤T2。

本发明的有益效果：本发明的一种基于截流模型的充电站选址方法，在控制充电站平均排队时间的同时，考虑了车辆偏离预设路径这种更普遍的情况，有效地提升了充电站网络对车流量的捕获率，同时也使车流量在整个网络中分布更均衡。

附图说明

图1为本发明实施提供的方法流程图；

图2为本发明实施提供的有效充电站集合筛选算法流程图；

图3为本发明实施提供的路径节点示意图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

为了便于理解，对以下术语进行解释：

1、车流

截流模型以O-D对(Origin-Destination)体现车流，在一个有N个节点的网络中存在C² _N个O-D对。O-D对的车流在预设路径上行驶，即起点与终点的最短路径上。考虑到电动汽车有限的行驶距离，往往需要不止一个充电站才能满足一条车流的充电需求，因此以充电站的集合为单位来满足车流的充电需求，能满足车流充电需求的充电站集合为该车流的有效充电站集合。当一个O-D对所在的路径上至少有一个有效的充电站集合，则称该O-D对的车流被充电站网络捕获。

2、偏移距离

本申请中将从车流所在路径偏向另一潜在路径需要多行驶的距离称为偏移距离；最大可容忍偏移距离为预先设定的阈值，规定了最大偏移距离。

如图1所示，本发明的技术方案为：一种基于截流模型的充电站选址方法，包括：

R1、计算车流的潜在路径，车流q的潜在路径集合记为R_q；

所述潜在路径包括：原路径与可偏离路径；原路径表示车流当前所在路径。

R2、计算车流所在的最短路径偏向某潜在路径的概率，车流q偏向潜在路径r的概率记为p_qr；

R3、计算所有潜在路径的有效充电站集合，路径r的有效充电站集合的集合记为H_r；

R4、计算各充电站的平均排队时间W_k；

R5、根据各条车流对应的潜在路径集合、各条车流偏向某潜在路径的概率、各潜在路径对应的有效充电站集合以及各充电站的平均排队时间，基于截流模型并利用遗传算法确定选址方案；

R6、对选址方案的充电站进行充电桩分配。

步骤R1具体为：采用KSP算法计算得到某条车流的k条潜在路径，从而得到该条车流的潜在路径集合；所述k条潜在路径包括：最短路径以及与最短路径偏移距离不超过最大可容忍偏移距离最大值的可偏移路径。最大可容忍偏移距离根据实际情况确定。

步骤R2具体为：计算潜在路径集合中任意潜在路径对车流所在最短路径上车辆的吸引力，根据各潜在路径对应的吸引力计算从车流所在最短路径偏向某条潜在路径的概率。

潜在路径对应的吸引力的计算式为：

其中，q为车流，f_q为q上的车流量，r为潜在路径，Path_r为经过r的车流量，d为从q所在的最短路径偏向r的偏移距离，α、β和γ为影响因子。

某条车流偏向某潜在路径的概率计算式为：

其中，p_qr表示q偏向r的概率，i表示潜在路径集合中的任一潜在路径。

如图2所示，步骤R3具体包括以下分步骤：

S1、将某路径上所有节点的每一种组合作为该路径的一个潜在充电站集合；该路径上的所有潜在终点站集合组成一个潜在集合；

S2、遍历当前潜在集合中的各潜在充电站集合；

S3、对于当前潜在充电站集合；车辆从路径起始点出发，若起始点有充电站，令车辆可行驶距离等于车辆最大行驶距离；若起始点没有充电站，令车辆可行驶距离为最大行驶距离的一半；

S4、移动到该条路径的下一个节点，并从可行驶距离中减去已行驶距离；若剩余可行驶距离小于0，则移除当前潜在充电站集合，并回到步骤S3开始检查下一潜在充电站集合；否则执行步骤S5；

S5、判断当前节点是否有充电站，若有则令剩余可行驶距离为最大行驶距离并前往步骤S6，否则执行步骤S6；

S6、判断当前节点是否为起点，若是则保留当前潜在充电站集合，然后执行步骤S7；否则执行步骤S4；

S7、判断是否已遍历完当前潜在集合中的所有潜在充电站集合，若是则执行步骤S8；否则回到步骤S3开始检查下一潜在充电站集合；

S8、若剩余的所有潜在充电站集合中存在某一集合为另一集合的超集，则将所有超集移除；最后余下的集合组成该条路径的有效充电站集合的集合。

如图3所示，起点A(OriginA)，终点B(DestinationB)，设电动汽车最大行驶距离为400。

S1、得到充电站集合的集合H_q＝{{A}，{B}，{C}，{D}，{A,B}，{A,C}，{A,D}，{B,C}，{B,D}，{C,D}，{A,B,C}，{A,B,D}，{A,C,D}，{B,C,D}，{A,B,C,D}}。

S2、依次遍历潜在集合中的各潜在充电站集合；

以潜在充电站集合{A}为例，其执行过程为：

S3、得到当前充电站集合为{A}，在起点A有充电站，因此车可行驶距离设为400；

S4、车移动到B，更新可行驶距离：在A点的可行驶距离400减去A-B的距离50，则当前可行驶距离为350，可行驶距离不小于0；

S5、B点无充电站；

S6、B点不是起点，返回步骤S4。

S4、车移动到C，更新可行驶距离：在B点的可行驶距离350减去B-C的距离150，则当前可行驶距离为200，可行驶距离不小于0；

S5、C点无充电站；

S6、C点不是起点，返回步骤S4。

S4、车移动到D，更新可行驶距离：在C点的可行驶距离200减去C-D的距离300，则当前可行驶距离为-100，可行驶距离小于0，当前充电站集合无效，从H_q中删除，H_q＝{{B}，{C}，{D}，{A,B}，{A,C}，{A,D}，{B,C}，{B,D}，{C,D}，{A,B,C}，{A,B,D}，{A,C,D}，{B,C,D}，{A,B,C,D}}。并回到S2开始检查下一组合{B}。

再以潜在充电站集合{C,D}为例，其执行过程为：

S3、更新当前充电站集合为{C,D}，在起点A没有充电站，因此车可行驶距离设为200；

S4、车移动到B，更新可行驶距离：在A点的可行驶距离200减去A-B的距离50，则当前可行驶距离为150，可行驶距离不小于0；

S5、B点无充电站；

S6、B点不是起点，返回步骤S4。

S4、车移动到C，更新可行驶距离：在B点的可行驶距离150减去B-C的距离150，则当前可行驶距离为0，可行驶距离不小于0；

S5、C点有充电站，将可行驶距离恢复为400(充电)；

S6、因为C点不是起点，因此再次执行S4；

S4、车移动到D，更新可行驶距离：在C点的可行驶距离400减去C-D的距离300，则当前可行驶距离为100，可行驶距离不小于0；

S5、又在D点有充电站，将可行驶距离恢复为400(充电)；

S6、因为D点不是起点，因此再次执行S4。

重复此过程一直到车成功回到起点A(因为是往返行程)，保留{C,D}在H_q中并回到S2开始检查下一充电站集合。

步骤R4所述的排队时间需先确定充电站的排队模型，一般需根据顾客到达的间隔时间的分布、充电桩服务时间的分布、充电桩的个数以及充电桩服务规则选择合适的模型。具有普适性地，本实施例中以充电站的排队系统为M/M/n型为例进行说明。以充电站排队系统为M/M/n型为例，此时充电站的电动汽车到达数量服从参数为λ的泊松分布，排队规则为FIFO，充电桩的充电服务时间服从参数为μ的指数分布，充电站有m各充电桩同时服务。排队时间计算式为：

其中，λ_k表示节点k的电动汽车平均每小时到达率，λ_k根据实际交通流量统计得出，P₀为平稳状态下充电站内没有车辆的概率，m表示充电站同时服务的充电桩数量，ρ为充电站的服务强度，！为阶乘符号。

λ_k的计算式为：

λ_k＝ωF_k (4)

其中，ω为峰值流量占总流量的比例；F_k为当节点k的充电站所服务路径车流量之和；

ρ的计算式为：

ρ＝λ_k/mμ (5)

P₀的计算式为：

步骤R5具体包括以下分步骤：

T1、对所有的充电站点分配m根充电桩；

所述m取值为使当前充电站满足排队时间W_q≤T的最小值，T是最大可容忍排队时间；这里的最大可容忍排队时间根据实际情况设定。

T2、若剩余费用至少还能再建一根充电桩，则执行步骤T3；若剩余费用已经不能再建一根充电桩，则结束；

T3、计算对每个充电站增加一根充电桩后，充电站减少的平均排队时间r_k，将充电桩添加在r_k最大的那个充电站，更新当前选址费用并前往步骤T2。

步骤R5的数学模型为：

MAX∑_q∑_rf_qg_qry_qr (7)

Subject to

∑_k∈K(c₁+c₂m_k)≤B (11)

其中，Q为车流q的集合，K为所有节点的集合；y_qr为决策变量，若车流q所在路径偏向路径r的部分车流能被捕获，则为1，否则为0；v_h为决策变量，若充电站集合h中所有充电站都已建设，则为1，否则为0；x_k为决策变量，若在k点建有充电站，则为1，否则为0；c₁与c₂分别为充电站固定成本与充电桩成本，m_k为充电站k的充电桩个数；式(8)用于确保当路径r上车流能被捕获时，至少有一个有效充电站集合在路径r上；式(9)保证若v_h为1，则充电站集合h中所有的充电站都已建设；式(10)用于充电桩的分配，保证充电站平均排队时间小于最大可容忍排队时间T；式(11)使总成本低于预算。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (7)

1.一种基于截流模型的充电站选址方法，其特征在于，包括：

R1、计算车流的潜在路径；

所述潜在路径包括：车流所在的最短路径与可偏离路径；

R2、计算车流所在最短路径偏向某潜在路径的概率；

R3、计算所有潜在路径的有效充电站集合；

R4、计算各充电站的平均排队时间；

R5、根据各条车流对应的潜在路径集合、各条车流偏向某潜在路径的概率、各潜在路径对应的有效充电站集合以及各充电站的平均排队时间，基于截流模型并利用遗传算法确定选址方案；

R6、对选址方案的充电站进行充电桩分配。

2.根据权利要求1所述的一种基于截流模型的充电站选址方法，其特征在于，所述步骤R1具体为：采用KSP算法计算得到某条车流的k条潜在路径，从而得到该条车流的潜在路径集合；所述k条潜在路径包括：最短路径以及与最短路径偏移距离不超过最大可容忍偏移距离最大值的可偏移路径。

3.根据权利要求1所述的一种基于截流模型的充电站选址方法，其特征在于，所述步骤R2具体为：计算潜在路径集合中任意潜在路径对车流所在的最短路径上车辆的吸引力；根据某潜在路径对应的吸引力计算从车流所在的最短路径偏向该潜在路径的概率。

4.根据权利要求3所述的一种基于截流模型的充电站选址方法，其特征在于，所述潜在路径对应的吸引力的计算式为：

其中，q为车流，f_q为q上的车流量，r为潜在路径，Path_r为经过r的车流量，d为从q所在的最短路径偏向r的偏移距离，α、β和γ为影响因子。

5.根据权利要求4所述的一种基于截流模型的充电站选址方法，其特征在于，所述某条车流偏向某潜在路径的概率计算式为：

其中，p_qr表示q偏向r的概率，i表示潜在路径集合中的任意潜在路径。

6.根据权利要求1所述的一种基于截流模型的充电站选址方法，其特征在于，所述步骤R3具体包括以下分步骤：

S1、将某路径上所有节点的每一种组合作为该路径的一个潜在充电站集合；该路径上的所有潜在充电站集合组成一个潜在集合；

S2、遍历当前潜在集合中的各潜在充电站集合；

S3、对于当前潜在充电站集合；车辆从路径起始点出发，若起始点有充电站，令车辆可行驶距离等于车辆最大行驶距离；若起始点没有充电站，令车辆可行驶距离为最大行驶距离的一半；

S4、移动到该条路径的下一个节点，并从可行驶距离中减去已行驶距离；若剩余可行驶距离小于0，则移除当前潜在充电站集合，并回到步骤S3开始检查下一潜在充电站集合；否则执行步骤S5；

S5、判断当前节点是否有充电站，若有则令剩余可行驶距离为最大行驶距离并前往步骤S6，否则执行步骤S6；

S6、判断当前节点是否为起点，若是则保留当前潜在充电站集合，然后执行步骤S7；否则执行步骤S4；

S7、判断是否已遍历完当前潜在集合中的所有潜在充电站集合，若是则执行步骤S8；否则回到步骤S3开始检查下一潜在充电站集合；

S8、若剩余的所有潜在充电站集合中存在某一集合为另一集合的超集，则将所有超集移除；最后余下的集合组成该条路径的有效充电站集合的集合。

7.根据权利要求1所述的一种基于截流模型的充电站选址方法，其特征在于，步骤R5具体包括以下分步骤：

T1、对所有的充电站点分配m根充电桩；

所述m取值为使当前充电站满足排队时间W_q≤T的最小值，T是最大可容忍排队时间；

T2、若剩余费用至少还能再建一根充电桩，则执行步骤T3；若剩余费用已经不能再建一根充电桩，则结束；

T3、计算对每个充电站增加一根充电桩后，充电站减少的平均排队时间r_k，将充电桩添加在r_k最大的那个充电站，更新当前选址费用并前往步骤T2。