CN108334991B - 一种电动汽车充电站规划方法及系统 - Google Patents

一种电动汽车充电站规划方法及系统 Download PDF

Info

Publication number
CN108334991B
CN108334991B CN201810146686.3A CN201810146686A CN108334991B CN 108334991 B CN108334991 B CN 108334991B CN 201810146686 A CN201810146686 A CN 201810146686A CN 108334991 B CN108334991 B CN 108334991B
Authority
CN
China
Prior art keywords
charging
planned
charging station
electric
electric automobile
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
CN201810146686.3A
Other languages
English (en)
Other versions
CN108334991A (zh
Inventor
梅生伟
谢睿
魏韡
陈来军
黄少伟
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN201810146686.3A priority Critical patent/CN108334991B/zh
Publication of CN108334991A publication Critical patent/CN108334991A/zh
Application granted granted Critical
Publication of CN108334991B publication Critical patent/CN108334991B/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
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明实施例提供了一种电动汽车充电站规划方法及系统，通过基于电动汽车性能信息和电动汽车交通行为信息的三批次的蒙特卡诺行程模拟，结合三个预设优化模型得到待规划路线上规划充电站的位置分布、每个规划充电站点中充电桩的种类数、每种充电桩的数量以及每个规划充电站点中电源容量和储能设备容量，考虑了电动汽车性能和交通行为的随机性，无需对电动汽车到达充电站的概率规律进行假设，同时能够对充电站点中电源容量和储能设备容量进行最优规划。

Description

一种电动汽车充电站规划方法及系统
技术领域
本发明实施例涉及电力系统技术领域，更具体地，涉及一种高速公路沿线电动汽车充电站规划方法及系统。
背景技术
环境污染与全球变暖是目前人类面临的两大问题，化石能源的大量使用容易引发环境污染，导致大量碳排放，进而加重温室效应。同时，化石能源的不可再生性也使其不符合当今社会的可持续发展需求。纯电动汽车消耗电能，使用过程中可做到零排放。可在发电环节集中采取措施，减少使用化石能源造成的环境污染。如果从充电电源入手，可大幅提高电动汽车耗能中的可再生能源比例，同时降低碳排放量。基于以上优势，近年来电动汽车在世界范围内受到了广泛关注，电动汽车数量增长迅速。
然而，仍有一些因素制约着电动汽车的发展。第一，电动汽车行驶里程与化石能源汽车相比明显更短。电动汽车行驶里程主要由电池容量与单位里程耗能决定，在这方面存在技术瓶颈。第二，电动汽车的使用需要以充足的配套设施为基础，其中最主要的就是充电设施的建设。建立合理的模型，按规划结果建设充电站，有利于满足更多的充电需求，减少建设成本与运行成本。为了使电动汽车能够得到更广泛的使用，必须让其能够远距离行驶。汽车的远距离行驶常常沿高速公路。短期内电动汽车的行驶里程可能不会有突破性的增长，因此需要在高速公路沿线合理设置电动汽车充电站。目前，国内已在多条高速公路上建设了一些电动汽车充电站，并且计划在将来建造更多的充电站。因此，研究高速公路沿线的充电站规划有重要意义。
电动汽车的充电方式可以分为慢速充电和快速充电，慢速充电时功率较小，因此充电时间长，充满电往往需几个小时。慢速充电的优势是对充电设施的要求较低，所需投资较少。因此慢速充电比较适合作为基础充电方式，用户可以在电动汽车空闲时慢速充电。应用快速充电技术，可以大大缩短充电时间，甚至可在30分钟内将电池荷电状态从10％提升到80％。因此，快速充电的充电功率较大，通常不会低于30kW。因为高速公路沿线充电站供旅程中的电动汽车使用，所以选用快速充电站才能满足实际需求。
充电站可以大致分为离网型与并网型。大多数充电站是并网型，与电网连接，可以从电网获得电能。离网型充电站是一个独立的系统，站内有电源提供电能，常常还有储能设备用于应对负荷的波动性。如果在较偏远的地区，没有足够强壮的电网覆盖，却有充足的可再生能源，就可以考虑建离网型的充电站。电源容量等参数需要通过规划得出，以保证能满足负荷需求，同时最小化成本。
电动汽车充电站规划主要围绕两个问题：选址和定容。现有技术从交通状况和电动汽车性能的角度出发，建立考虑随机性的充电需求时空模型。在选址过程中，对于充电需求的空间分布，利用聚类的方法，得到充电站的布局，据此确定充电桩数量。
虽然以上方法可以用于电动汽车充电站规划，但是仍然存在一些局限性，体现在以下三个方面：第一，由于在选址过程中使用的是聚类方法，所以不能保证选址结果的最优性；第二，对于电动汽车到达充电站概率规律的假设不一定合理，影响充电桩规划结果的说服力；第三，没有针对离网型充电站的情况，给出确定站内电源和储能容量的最优规划方法。
发明内容
本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的电动汽车充电站规划方法及系统。
一方面本发明实施例提供了一种电动汽车充电站规划方法，所述方法包括：
S1，根据多辆电动汽车的性能参数和所述多辆电动汽车的交通行为信息，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到待规划路线上的充电需求点集合；
S2，求解第一预设优化模型，从候选充电站点集合中得到规划充电站点集合，其中，所述第一预设优化模型的目标为使所述规划充电站点集合覆盖的所述充电需求点集合中的充电需求点最多，所述第一预设优化模型的约束条件包括所述规划充电站点集合的建设总成本不超过总预算；
S3，根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息以及所述规划充电站点集合，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电车辆数量的时间分布；
S4，求解第二预设优化模型，得到每个规划充电站中充电桩的种类数和每种充电桩的数量，其中，所述第二预设优化模型的目标为使每个规划充电站的建设总成本最小，所述第二预设优化模型的约束条件包括每个规划充电站中电动汽车的平均等待时间不超过预设时间；
S5，根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息、所述规划充电站点集合、每个规划充电站点中充电桩的种类数以及每种充电桩的数量，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电功率的时间分布；
S6，求解第三预设优化模型，得到每个规划充电站点中电源容量和储能设备容量，其中，所述第三预设优化模型的目标为使所述电源和所述储能设备的建设总成本最小，所述第三预设优化模型的约束条件包括保证每个规划充电站正常运行并满足负荷需求。
另一方面本发明实施例提供了一种电动汽车充电站规划系统，所述系统包括：
第一行程模拟模块，用于根据多辆电动汽车的性能参数和所述多辆电动汽车的交通行为信息，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到待规划路线上的充电需求点集合；
第一优化模块，用于求解第一预设优化模型，从候选充电站点集合中得到规划充电站点集合，其中，所述第一预设优化模型的目标为使所述规划充电站点集合覆盖的所述充电需求点集合中的点最多，所述第一预设优化模型的约束条件包括所述规划充电站点集合的建设总成本不超过总预算；
第二行程模拟模块，用于根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息以及所述规划充电站点集合，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电车辆数量的时间分布；
第二优化模块，用于求解第二预设优化模型，得到每个规划充电站中充电桩的种类数和每种充电桩的数量，其中，所述第二预设优化模型的目标为使每个规划充电站的建设总成本最小，所述第二预设优化模型的约束条件包括每个规划充电站中电动汽车的平均等待时间不超过预设时间；
第三行程模拟模块，根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息、所述规划充电站点集合、每个规划充电站点中充电桩的种类数以及每种充电桩的数量，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电功率的时间分布；
第三优化模块，用于求解第三预设优化模型，得到每个规划充电站点中电源容量和储能设备容量，其中，所述第三预设优化模型的目标为使所述电源和所述储能设备的建设总成本最小，所述第三预设优化模型的约束条件包括保证每个规划充电站正常运行并满足负荷需求。
第三方面本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述方法。
第四方面本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述方法。
本发明实施例提供的一种电动汽车充电站规划方法及系统，通过基于电动汽车性能信息和电动汽车交通行为信息的三批次的蒙特卡诺行程模拟，结合三个预设优化模型得到待规划路线上规划充电站的位置分布、每个规划充电站点中充电桩的种类数、每种充电桩的数量以及每个规划充电站点中电源容量和储能设备容量，考虑了电动汽车性能和交通行为的随机性，无需对电动汽车到达充电站的概率规律进行假设，同时能够对充电站点中电源容量和储能设备容量进行最优规划。
附图说明
图1为本发明实施例提供的一种电动汽车充电站规划方法的流程图；
图2为本发明实施例中充电站内的能量流动模型；
图3为本发明实施例中步骤S1中行程模拟的流程示意图；
图4为本发明实施例中步骤S3中行程模拟的流程示意图；
图5为本发明实施例中步骤S5中行程模拟的流程示意图；
图6为本发明实施例提供的一种电动汽车充电站规划方法的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种电动汽车充电站规划方法的流程图，如图1所示，所述方法包括：
S1，根据多辆电动汽车的性能参数和所述多辆电动汽车的交通行为信息，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到待规划路线上的充电需求点集合；
S2，求解第一预设优化模型，从候选充电站点集合中得到规划充电站点集合，其中，所述第一预设优化模型的目标为使所述规划充电站点集合覆盖的所述充电需求点集合中的充电需求点最多，所述第一预设优化模型的约束条件包括所述规划充电站点集合的建设总成本不超过总预算；
S3，根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息以及所述规划充电站点集合，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电车辆数量的时间分布；
S4，求解第二预设优化模型，得到每个规划充电站中充电桩的种类数和每种充电桩的数量，其中，所述第二预设优化模型的目标为使每个规划充电站的建设总成本最小，所述第二预设优化模型的约束条件包括每个规划充电站中电动汽车的平均等待时间不超过预设时间；
S5，根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息、所述规划充电站点集合、每个规划充电站点中充电桩的种类数以及每种充电桩的数量，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电功率的时间分布；
S6，求解第三预设优化模型，得到每个规划充电站点中电源容量和储能设备容量，其中，所述第三预设优化模型的目标为使所述电源和所述储能设备的建设总成本最小，所述第三预设优化模型的约束条件包括保证每个规划充电站正常运行并满足负荷需求。
其中，在步骤S2中，构建第一预设优化模型过程中，设充电需求点集合是SCP，共有NCP个元素。设候选站点集合是SCS，共有NCS个元素。由候选站点位置、充电需求点位置和产生该充电需求点时电动汽车还能继续行驶的路程，可以判定该充电需求点能否被候选站点服务区域覆盖。由此可以得到候选站点对充电需求点的覆盖关系矩阵R(NCS×NCP维0-1矩阵)，其中当且仅当候选站点i能覆盖充电需求点j时Rij＝1，否则Rij＝0。设候选站点的建站成本向量是c(NCS维列向量)，总预算是c0。
用NCS维0-1变量向量z表示候选站点i是否建站，即zi＝1当且仅当候选站点i建充电站。用下式定义NCP维向量d：
Figure BDA0001579006890000071
对任意充电需求点j，{i:Rij＝1}是能覆盖充电需求点j的候选站点标号集合，当且仅当这个集合中存在候选站点建站时，充电需求点j能被覆盖。由此易见dj取值范围是{0,1}，dj＝1表示j能被覆盖，dj＝0表示j不能被覆盖。因此，向量d表示充电需求点被充电站覆盖的情况。
第一预设优化模型的构建思路是在成本不超过总预算的限制下，最大化能覆盖的充电需求点数量，其表达式如下：
Figure BDA0001579006890000072
Figure BDA0001579006890000073
cTz≤c0
zi∈{0,1},i＝1,2,…,NCS
在求解第一预设优化模型时，将第一预设优化模型转化为等价的整数线性规划模型并写成矩阵形式：
Figure BDA0001579006890000074
Figure BDA0001579006890000075
d≤RTz
cTz≤c0
zi∈{0,1},i＝1,2,…,NCS
其中
Figure BDA0001579006890000076
代表1乘NCP维的全1行向量，
Figure BDA0001579006890000077
代表NCP乘1维的全1列向量。
整数线性规划问题可以用商业求解器求出最优解，常用的商业求解器有CPLEX、MOSEK、GUROBI等。
在步骤S4中，构建第二预设优化模型过程中，考虑每台电动汽车充电时需占用一台充电桩，而且电动汽车可能对充电桩的种类有要求。如果需要充电服务的电动汽车到达充电站时没有空闲可用的充电桩，那么该电动汽车需要等待。充电站为电动汽车提供服务时，先到达充电站的电动汽车先接受服务。
对于每一个充电站，需要规划各种充电桩的数量，在电动汽车平均等待时间不超过某给定数值的约束下，最小化充电桩总成本。
设SCF是充电桩种类集合，NCF是充电桩种类总数，PrCF是各种充电桩单台成本向量(NCF维列向量)。设
Figure BDA0001579006890000081
是电动汽车平均等待时间上限。用NCF维列向量nCF表示各种充电桩数量，tw表示电动汽车平均等待时间，则第二预设优化模型的表达式如下：
min(PrCF)TnCF
Figure BDA0001579006890000082
Figure BDA0001579006890000083
其中，
Figure BDA0001579006890000084
是自然数集合。
在求解第二预设优化模型时，步骤S3已得到各充电站的日充电需求信息，包括电动汽车到达充电站的时间、充电时长以及对充电桩种类的要求。
采用模拟的方式来获取tw和nCF的关系。将一天分为24个小时，作为24个时间段。在所有时间段中选择需充电电动汽车数量最小的时间段，以它的结束时间为起点，假定此时充电桩为空闲初始状态。给定nCF，即可从时间起点开始模拟一天的充电状况。
如图5所示，每当一辆需充电电动汽车到达充电站，检查是否有该车可用的空闲充电桩，如果有则让该车占用一台相应的充电桩开始充电，否则将其放入等待队列中。每当一辆电动汽车完成充电，检查等待队列中是否有能用该充电桩充电的车辆，如果有，在其中选择最早到达充电站的一辆开始充电，否则将该充电桩设为空闲状态。
为了求解充电桩数量规划问题，先通过模拟求出各种充电桩数量的上界，即电动汽车不等待的情况下需要设置多少充电桩。因为充电桩数量只能取自然数值，因此取值范围集合是有限的。对该集合中的每一种取值情况都做一次模拟，检查tw是否满足要求，记录目标函数值。最后，找出可行解中使目标函数值最小的方案，得到每个规划充电站中充电桩的种类数和每种充电桩的数量。
在步骤S6中，构建第三预设优化模型过程中，首先，构建站内能量流动模型，如图2所示，对于一个计划配备电源和储能设备的离网型充电站，要求充电站能正常运行并满足所有充电负荷。因此，发电功率可以流向负荷或者储能，储能可从发电吸收功率或向负荷提供功率。设xRG是电源容量，xES是储能容量，ξC(t)是时间段t的负荷功率，pF1(t)表示时间段t从电源流向负荷的功率，pF2(t)表示时间段t从电源流向储能的功率，pF3(t)表示时间段t从储能流向负荷的功率。
然后，设PrRG是单位容量电源的成本，PrES是单位容量储能设备的成本。此处成本均包含建设成本和折算后的运行维护成本。设wh和wl分别是储能设备荷电状态的上下限，η1和η2分别是储能设备充放电效率。设Δt是时间段长度(1小时)，T是时间段总数(24)，ξC是充电负荷功率(T维列向量)。变量包括电源容量xRG、储能容量xES、日初始储能能量w0、从电源流向负荷的功率pF1、从电源流向储能的功率pF2、从储能流向负荷的功率pF3。第三预设优化模型的优化目标是最小化电源和储能设备的成本，约束保证充电站能正常运行并满足负荷需求，其表达式如下：
Figure BDA0001579006890000101
其中，第三预设优化模型的约束部分第一行是电源和储能容量的非负约束，以及初始储能能量需满足的荷电状态上下界约束。第二行是流动功率的非负约束，规定功率流动不能反向。第三行保持储能的荷电状态在各个时间段都在可接受的范围内。第四行要求储能的每日初始和终止能量相等，以保证储能设备工作的可持续性。第五行和第六行是能量流动约束。第五行表示从电源流向储能和负荷的功率之和不超过电源容量。第六行表示从电源和储能流向负荷的功率之和不小于负荷功率。
在求解第三预设优化模型时，由于该优化模型是线性规划，可用多项式时间算法求出最优解。
具体地，根据多辆电动汽车的性能参数和所述多辆电动汽车的交通行为信息，采用蒙特卡诺方法对每辆汽车进行行程模拟，整个充电站规划过程中，一共进行了三个批次的行程模拟。
第一批次的行程模拟获得了待规划路线上的充电需求点集合；第二批次的行程模拟相对于第一批次的行程模拟，确定了待规划路线上规划充电站的具体位置，第二批次的行程模拟获得了每个规划充电站充电车辆数量的时间分布；第三批次的行程模拟相对于第二批次的行程模拟，确定了每个规划充电站点中充电桩的种类数以及每种充电桩的数量，第三批次的行程模拟获得了每个规划充电站充电功率的时间分布。三批次的行程模拟逐次增加确定因素，每一批次的模拟获取不同的结果，再根据三批次行程模拟获取的结果结合三个预设优化模型即可规划出待规划路线上规划充电站的位置分布、每个规划充电站点中充电桩的种类数、每种充电桩的数量以及每个规划充电站点中电源容量和储能设备容量。
本发明实施例提供的一种电动汽车充电站规划方法，通过基于电动汽车性能信息和电动汽车交通行为信息的三批次的蒙特卡诺行程模拟，结合三个预设优化模型得到待规划路线上规划充电站的位置分布、每个规划充电站点中充电桩的种类数、每种充电桩的数量以及每个规划充电站点中电源容量和储能设备容量，考虑了电动汽车性能和交通行为的随机性，无需对电动汽车到达充电站的概率规律进行假设，同时能够对充电站点中电源容量和储能设备容量进行最优规划。
基于上述实施例，在步骤S1之前，所述方法还包括：
获取所述待规划路线的地理信息和在售电动汽车性能参数，并根据所述待规划路线的地理信息和所述电动汽车性能参数建立预设电动汽车模型和预设电动汽车交通行为模型。
具体地，首先，获取所述待规划路线的地理信息和在售电动汽车性能参数；然后，根据所述待规划路线的地理信息和所述电动汽车性能参数建立预设电动汽车模型和预设电动汽车交通行为模型。
其中，预设电动汽车模型的构建过程包括：电动汽车分类、电池容量建模、荷电状态建模、行驶里程建模以及行驶速度与充电功率建模。具体实现过程如下：
电动汽车分类包括：按实际情况，根据用途、车型等将电动汽车分为几类，记录每种类型占比。
电池容量建模包括：对同类型电动汽车，用上下界约束的正态分布描述电池容量Cap。在蒙特卡诺模拟中，对每辆电动汽车，根据类型按照以下正态分布概率密度函数产生Cap。如果超过了预先指定的上下界，则重新产生Cap直至满足要求。
Figure BDA0001579006890000111
其中，μ和σ是正态分布的参数，它们只与电动汽车的类型有关。
荷电状态建模包括：电池荷电状态SOC是一个百分数，表示电池电量与电池容量的比例。考虑到电动汽车电池的主流技术、使用寿命和充电效率，假定电池充电完成后的荷电状态SOCc服从15％-30％的均匀分布，电池恰好需要充电时的荷电状态SOCi服从80％-90％的均匀分布。
行驶里程建模包括：电池容量是决定电动汽车最大行驶里程Ranmc的主要因素。用多项式拟合的方式，由Cap与Ranmc的数据组集合得到两者之间的关系，从而根据Cap计算Ranmc。假设SOC随行驶路程线性变化，从充满电到需要充电的行驶里程Ranac、到达需要充电状态后能继续行驶的里程Ransc分别用以下两个公式计算：
Ranac＝ηd(SOCi-SOCc)Ranmc
Ransc＝ηdSOCcRanmc
其中ηd是效率参数，用于计入电动汽车加速减速过程中的能量损耗。
行驶速度与充电功率建模包括：类似电池容量建模，行驶平均速度vEV由上下界约束的正态分布得到。依分布生成电动汽车要求的充电桩类型，进而得到充电平均功率pEV。根据充电电量与功率，按下式求出充电时长tEV：
Figure BDA0001579006890000121
其中ηEV是电动汽车电池充电效率参数。
预设电动汽车交通行为模型的构建过程包括：行驶路线建模和其他参数建模。具体实现过程如下：
行驶路线建模包括：使用概率OD矩阵(Origin-Destination matrix)描述行程起点与终点的分布。设高速公路沿线共有Ne个出入口，定义矩阵ODNe×Ne，其中ODij等于出入口i为起点且出入口j为终点的概率。已知起点和终点，在电动汽车选择最短路线的假设下，即可用图论中非负加权图找两点间最短路径的算法(如Dijkstra算法、Floyd算法等)得到行驶路线。
其他参数建模包括：根据数据统计得出行程起始时间的分布，再依分布生成行程起始时间ts。类似处理初始荷电状态SOCb和终点最低荷电状态SOCe，产生SOCb和SOCe时以SOCi为上界，以SOCc为下界。
基于上述实施例，在步骤S1之前，所述方法还包括：
利用预设电动汽车模型获取所述多辆电动汽车的性能参数，利用预设交通行为模型获取所述多辆电动汽车的交通行为信息。
基于上述实施例，步骤S1具体包括：
根据每辆电动汽车的性能参数，获取每辆电动汽车从充满电到需要充电的第一行驶里程、每辆电动汽车到达需要充电状态后能继续行驶的第二里程以及每辆电动汽车从需要充电状态充电至充满电状态所需的充电时长；根据每辆电动汽车的交通行为信息，获取每辆电动汽车在所述待规划路线上行程的起点、终点、出发时刻、起点荷电状态以及终点荷电状态；
根据每辆电动汽车的所述第一行驶里程、所述第二行驶里程、所述充电时长、所述起点、所述终点、所述出发时刻、所述起点荷电状态以及所述终点荷电状态，采用蒙特卡诺方法进行行程模拟，并记录每辆电动汽车在所述待规划路线上的充电需求点；
分别对所述多辆电动汽车进行多次上述操作，得到所述待规划路线上的充电需求点集合。
具体地，如图3所示，根据电动汽车模型和交通行为模型，用蒙特卡诺方法模拟大量行程，对每次行程得出充电需求，最终得出总体充电需求的近似时空分布。
蒙特卡诺过程的每次循环模拟一次行程，并且每次循环分三步进行。
第一步，利用电动汽车模型产生电动汽车性能参数，做法是依分布产生电动汽车类型，然后根据类型依分布产生电池容量Cap、电池荷电状态SOCi和SOCc、行驶平均速度vEV、充电平均功率pEV。计算从充满电到需要充电的行驶里程Ranac和到达需要充电状态后能继续行驶的里程Ransc，计算充电时长tEV。
第二步，利用交通行为模型产生电动汽车交通行为信息。根据概率OD矩阵产生行程起点与终点，进而得出行驶路线。依分布生成行程起始时间ts、初始荷电状态SOCb和终点最低荷电状态SOCe。
第三步，模拟行程产生充电需求。假设电动汽车达到需要充电的状态立即充电，即可利用以上参数取得这次行程的充电需求信息，包括时间、地点、充电功率。
以上三步中，第一步和第二步可并列进行。由蒙特卡诺过程得到的数据是一组充电需求点，每个充电需求点的信息包括充电位置、充电开始时间、充电结束时间、充电功率，以及对充电桩的要求。
模拟一天的充电需求时，将蒙特卡诺过程的循环次数设为一天的行程总数。
基于上述实施例，步骤S3具体包括：
根据每辆电动汽车的性能参数，获取每辆电动汽车从充满电到需要充电的第一行驶里程、每辆电动汽车到达需要充电状态后能继续行驶的第二里程以及每辆电动汽车从需要充电状态充电至充满电状态所需的充电时长；根据每辆电动汽车的交通行为信息，获取每辆电动汽车在所述待规划路线上行程的起点、终点、出发时刻、起点荷电状态以及终点荷电状态；
根据每辆电动汽车的所述第一行驶里程、所述第二行驶里程、所述充电时长、所述起点、所述终点、所述出发时刻、所述起点荷电状态、所述终点荷电状态以及所述规划充电站点集合，采用蒙特卡诺方法进行行程模拟，并记录每个规划充电站充电车辆数量的时间分布。
具体地，根据步骤S2得到的充电站选址，再次使用蒙特卡诺方法进行行程模拟，得到各充电站充电需求的时间分布。
与步骤S1中蒙特卡诺行程模拟过程的区别在于，步骤S3的模拟中考虑了充电站的选址。假设电动汽车的充电策略是必须充电时才充电，每次充电直至完成(即荷电状态达到SOCi)。必须充电的情况包括，剩余路径中有下一充电站且不充电无法到达下一充电站，以及剩余路径中没有下一充电站且不充电无法以至少SOCe的荷电状态到达终点。行程模拟流程如图4所示。假定用户在开始行程前已根据充电站位置制定了充电计划。如果行程不能完成，用户将改用其他交通方式或更换车辆出行。
基于上述实施例，步骤S5具体包括：
根据每辆电动汽车的性能参数，获取每辆电动汽车从充满电到需要充电的第一行驶里程、每辆电动汽车到达需要充电状态后能继续行驶的第二里程以及每辆电动汽车从需要充电状态充电至充满电状态所需的充电时长；根据每辆电动汽车的交通行为信息，获取每辆电动汽车在所述待规划路线上行程的起点、终点、出发时刻、起点荷电状态以及终点荷电状态；
根据每辆电动汽车的所述第一行驶里程、所述第二行驶里程、所述充电时长、所述起点、所述终点、所述出发时刻、所述起点荷电状态、所述终点荷电状态、所述规划充电站点集合、每个规划充电站点中充电桩的种类数以及每种充电桩的数量，采用蒙特卡诺方法进行行程模拟，记录每个规划充电站充电功率的时间分布。
具体地，如图5所示，在步骤S5中的行程模拟中，与步骤S3的区别在于，进一步确定了每个规划充电站点中充电桩的种类数、每种充电桩的数量，再采用蒙特卡诺方法进行模拟。
图6为本发明实施例提供的一种电动汽车充电站规划系统的结构框图，如图6所示，所述系统包括：第一行程模拟模块1、第一优化模块2、第二行程模拟模块3、第二优化模块4、第三行程模拟模块5和第三优化模块6。其中：
第一行程模拟模块1用于根据多辆电动汽车的性能参数和所述多辆电动汽车的交通行为信息，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到待规划路线上的充电需求点集合。第一优化模块2用于求解第一预设优化模型，从候选充电站点集合中得到规划充电站点集合，其中，所述第一预设优化模型的目标为使所述规划充电站点集合覆盖的所述充电需求点集合中的充电需求点最多，所述第一预设优化模型的约束条件包括所述规划充电站点集合的建设总成本不超过总预算。第二行程模拟模块3用于根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息以及所述规划充电站点集合，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电车辆数量的时间分布。第二优化模块4用于求解第二预设优化模型，得到每个规划充电站中充电桩的种类数和每种充电桩的数量，其中，所述第二预设优化模型的目标为使每个规划充电站的建设总成本最小，所述第二预设优化模型的约束条件包括每个规划充电站中电动汽车的平均等待时间不超过预设时间。第三行程模拟模块5根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息、所述规划充电站点集合、每个规划充电站点中充电桩的种类数以及每种充电桩的数量，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电功率的时间分布。第三优化模块6用于求解第三预设优化模型，得到每个规划充电站点中电源容量和储能设备容量，其中，所述第三预设优化模型的目标为使所述电源和所述储能设备的建设总成本最小，所述第三预设优化模型的约束条件包括保证每个规划充电站正常运行并满足负荷需求。
具体地，本发明实施例中各模块的作用与操作流程与上述方法类实施例是一一对应的，在此不再赘述。
本发明实施例提供的一种电动汽车充电站规划系统，通过基于电动汽车性能信息和电动汽车交通行为信息的三批次的蒙特卡诺行程模拟，结合三个预设优化模型得到待规划路线上规划充电站的位置分布、每个规划充电站点中充电桩的种类数、每种充电桩的数量以及每个规划充电站点中电源容量和储能设备容量，考虑了电动汽车性能和交通行为的随机性，无需对电动汽车到达充电站的概率规律进行假设，同时能够对充电站点中电源容量和储能设备容量进行最优规划。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：根据多辆电动汽车的性能参数和所述多辆电动汽车的交通行为信息，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到待规划路线上的充电需求点集合；求解第一预设优化模型，从候选充电站点集合中得到规划充电站点集合，其中，所述第一预设优化模型的目标为使所述规划充电站点集合覆盖的所述充电需求点集合中的充电需求点最多，所述第一预设优化模型的约束条件包括所述规划充电站点集合的建设总成本不超过总预算；根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息以及所述规划充电站点集合，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电车辆数量的时间分布；求解第二预设优化模型，得到每个规划充电站中充电桩的种类数和每种充电桩的数量，其中，所述第二预设优化模型的目标为使每个规划充电站的建设总成本最小，所述第二预设优化模型的约束条件包括每个规划充电站中电动汽车的平均等待时间不超过预设时间；根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息、所述规划充电站点集合、每个规划充电站点中充电桩的种类数以及每种充电桩的数量，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电功率的时间分布；求解第三预设优化模型，得到每个规划充电站点中电源容量和储能设备容量，其中，所述第三预设优化模型的目标为使所述电源和所述储能设备的建设总成本最小，所述第三预设优化模型的约束条件包括保证每个规划充电站正常运行并满足负荷需求。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：根据多辆电动汽车的性能参数和所述多辆电动汽车的交通行为信息，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到待规划路线上的充电需求点集合；求解第一预设优化模型，从候选充电站点集合中得到规划充电站点集合，其中，所述第一预设优化模型的目标为使所述规划充电站点集合覆盖的所述充电需求点集合中的充电需求点最多，所述第一预设优化模型的约束条件包括所述规划充电站点集合的建设总成本不超过总预算；根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息以及所述规划充电站点集合，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电车辆数量的时间分布；求解第二预设优化模型，得到每个规划充电站中充电桩的种类数和每种充电桩的数量，其中，所述第二预设优化模型的目标为使每个规划充电站的建设总成本最小，所述第二预设优化模型的约束条件包括每个规划充电站中电动汽车的平均等待时间不超过预设时间；根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息、所述规划充电站点集合、每个规划充电站点中充电桩的种类数以及每种充电桩的数量，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电功率的时间分布；求解第三预设优化模型，得到每个规划充电站点中电源容量和储能设备容量，其中，所述第三预设优化模型的目标为使所述电源和所述储能设备的建设总成本最小，所述第三预设优化模型的约束条件包括保证每个规划充电站正常运行并满足负荷需求。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种电动汽车充电站规划方法，其特征在于，所述方法包括：
S1，根据多辆电动汽车的性能参数和所述多辆电动汽车的交通行为信息，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到待规划路线上的充电需求点集合；
S2，求解第一预设优化模型，从候选充电站点集合中得到规划充电站点集合，其中，所述第一预设优化模型的目标为使所述规划充电站点集合覆盖的所述充电需求点集合中的充电需求点最多，所述第一预设优化模型的约束条件包括所述规划充电站点集合的建设总成本不超过总预算；
S3，根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息以及所述规划充电站点集合，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电车辆数量的时间分布；
S4，求解第二预设优化模型，得到每个规划充电站中充电桩的种类数和每种充电桩的数量，其中，所述第二预设优化模型的目标为使每个规划充电站的建设总成本最小，所述第二预设优化模型的约束条件包括每个规划充电站中电动汽车的平均等待时间不超过预设时间；
S5，根据所述多辆电动汽车的性能参数、所述多辆电动汽车的电动汽车交通行为信息、所述规划充电站点集合、每个规划充电站点中充电桩的种类数以及每种充电桩的数量，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电功率的时间分布；
S6，求解第三预设优化模型，得到每个规划充电站点中电源容量和储能设备容量，其中，所述第三预设优化模型的目标为使所述电源和所述储能设备的建设总成本最小，所述第三预设优化模型的约束条件包括保证每个规划充电站正常运行并满足负荷需求。
2.根据权利要求1所述方法，其特征在于，在步骤S1之前，所述方法还包括：
获取所述待规划路线的地理信息和在售电动汽车性能参数，并根据所述待规划路线的地理信息和所述在售电动汽车性能参数建立预设电动汽车模型和预设电动汽车交通行为模型。
3.根据权利要求2所述方法，其特征在于，在步骤S1之前，所述方法还包括：
利用预设电动汽车模型获取所述多辆电动汽车的性能参数，利用预设交通行为模型获取所述多辆电动汽车的交通行为信息。
4.根据权利要求1所述方法，其特征在于，步骤S1具体包括：
根据每辆电动汽车的性能参数，获取每辆电动汽车从充满电到需要充电的第一行驶里程、每辆电动汽车到达需要充电状态后能继续行驶的第二里程以及每辆电动汽车从需要充电状态充电至充满电状态所需的充电时长；根据每辆电动汽车的交通行为信息，获取每辆电动汽车在所述待规划路线上行程的起点、终点、出发时刻、起点荷电状态以及终点荷电状态；
根据每辆电动汽车的所述第一行驶里程、所述第二行驶里程、所述充电时长、所述起点、所述终点、所述出发时刻、所述起点荷电状态以及所述终点荷电状态，采用蒙特卡诺方法进行行程模拟，并记录每辆电动汽车在所述待规划路线上的充电需求点；
分别对所述多辆电动汽车中的每一辆电动汽车进行多次蒙特卡诺方法进行行程模拟，得到所述待规划路线上的充电需求点集合。
5.根据权利要求1所述方法，其特征在于，步骤S3具体包括：
根据每辆电动汽车的性能参数，获取每辆电动汽车从充满电到需要充电的第一行驶里程、每辆电动汽车到达需要充电状态后能继续行驶的第二里程以及每辆电动汽车从需要充电状态充电至充满电状态所需的充电时长；根据每辆电动汽车的交通行为信息，获取每辆电动汽车在所述待规划路线上行程的起点、终点、出发时刻、起点荷电状态以及终点荷电状态；
根据每辆电动汽车的所述第一行驶里程、所述第二行驶里程、所述充电时长、所述起点、所述终点、所述出发时刻、所述起点荷电状态、所述终点荷电状态以及所述规划充电站点集合，采用蒙特卡诺方法进行行程模拟，并记录每个规划充电站充电车辆数量的时间分布。
6.根据权利要求1所述方法，其特征在于，步骤S5具体包括：
根据每辆电动汽车的性能参数，获取每辆电动汽车从充满电到需要充电的第一行驶里程、每辆电动汽车到达需要充电状态后能继续行驶的第二里程以及每辆电动汽车从需要充电状态充电至充满电状态所需的充电时长；根据每辆电动汽车的交通行为信息，获取每辆电动汽车在所述待规划路线上行程的起点、终点、出发时刻、起点荷电状态以及终点荷电状态；
根据每辆电动汽车的所述第一行驶里程、所述第二行驶里程、所述充电时长、所述起点、所述终点、所述出发时刻、所述起点荷电状态、所述终点荷电状态、所述规划充电站点集合、每个规划充电站点中充电桩的种类数以及每种充电桩的数量，采用蒙特卡诺方法进行行程模拟，记录每个规划充电站充电功率的时间分布。
7.一种电动汽车充电站规划系统，其特征在于，所述系统包括：
第一行程模拟模块，用于根据多辆电动汽车的性能参数和所述多辆电动汽车的交通行为信息，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到待规划路线上的充电需求点集合；
第一优化模块，用于求解第一预设优化模型，从候选充电站点集合中得到规划充电站点集合，其中，所述第一预设优化模型的目标为使所述规划充电站点集合覆盖的所述充电需求点集合中的点最多，所述第一预设优化模型的约束条件包括所述规划充电站点集合的建设总成本不超过总预算；
第二行程模拟模块，用于根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息以及所述规划充电站点集合，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电车辆数量的时间分布；
第二优化模块，用于求解第二预设优化模型，得到每个规划充电站中充电桩的种类数和每种充电桩的数量，其中，所述第二预设优化模型的目标函数为使每个规划充电站的建设总成本最小，所述第二预设优化模型的约束条件包括每个规划充电站中电动汽车的平均等待时间不超过预设时间；
第三行程模拟模块，根据所述多辆电动汽车的性能参数、所述多辆电动汽车的交通行为信息、所述规划充电站点集合、每个规划充电站点中充电桩的种类数以及每种充电桩的数量，采用蒙特卡诺方法分别对每辆汽车进行行程模拟，得到每个规划充电站充电功率的时间分布；
第三优化模块，用于求解第三预设优化模型，得到每个规划充电站点中电源容量和储能设备容量，其中，所述第三预设优化模型的目标为使所述电源和所述储能设备的建设总成本最小，所述第三预设优化模型的约束条件包括保证每个规划充电站正常运行并满足负荷需求。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一项所述的方法。
CN201810146686.3A 2018-02-12 2018-02-12 一种电动汽车充电站规划方法及系统 Active CN108334991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810146686.3A CN108334991B (zh) 2018-02-12 2018-02-12 一种电动汽车充电站规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810146686.3A CN108334991B (zh) 2018-02-12 2018-02-12 一种电动汽车充电站规划方法及系统

Publications (2)

Publication Number Publication Date
CN108334991A CN108334991A (zh) 2018-07-27
CN108334991B true CN108334991B (zh) 2020-06-09

Family

ID=62929348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810146686.3A Active CN108334991B (zh) 2018-02-12 2018-02-12 一种电动汽车充电站规划方法及系统

Country Status (1)

Country Link
CN (1) CN108334991B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492791B (zh) * 2018-09-27 2021-10-08 西南交通大学 基于充电引导的城际高速路网光储充电站定容规划方法
CN109670674B (zh) * 2018-11-19 2023-04-07 浙江大学 一种考虑交通网-配电网耦合的电动汽车时空分布充电调度方法
CN109840635B (zh) * 2019-01-29 2023-06-02 三峡大学 基于电压稳定性和充电服务质量的电动汽车充电站规划方法
CN109977527B (zh) * 2019-03-21 2021-04-16 华北电力大学 一种城市公共充电站网络的充电桩配置方法
CN110705745B (zh) * 2019-08-27 2022-08-05 北京交通大学 一种电动公交车充电站优化规划与有序退出方法
CN110751368B (zh) * 2019-09-18 2021-12-24 清华大学 一种考虑充电负荷灵活性的电动汽车储充站规划方法
CN110826801B (zh) * 2019-11-06 2023-04-18 万帮数字能源股份有限公司 电动车充电站分布式电能管理方法
CN112990525B (zh) * 2019-12-16 2024-07-19 中信科智联科技有限公司 电动汽车的控制方法、装置、网联汽车服务器及电动汽车
CN111311158B (zh) * 2020-03-04 2023-08-18 西华大学 一种有限充电设施条件下的电动物流车路径规划方法
CN111342481B (zh) * 2020-03-11 2021-01-26 佛山科学技术学院 一种基于储能的充电站配电变压器过载保护方法及系统
CN111476563B (zh) * 2020-04-03 2023-08-25 山东理工大学 电动汽车应急电源共享方法
CN113673069B (zh) * 2020-05-14 2023-11-03 南京行者易智能交通科技有限公司 一种新能源公交车充电模型的设计方法、装置及移动端设备
CN113033911A (zh) * 2021-04-13 2021-06-25 上海电机学院 一种充换电站设施配置及成本优化方法
CN113705914B (zh) * 2021-09-01 2024-05-14 国创移动能源创新中心(江苏)有限公司 利用区块链的电动车充电站管理方法
CN114580251B (zh) * 2022-03-15 2023-10-20 国网江苏省电力有限公司泰州供电分公司 一种配电台区电动汽车充电负荷分析方法及装置
CN118171495B (zh) * 2024-05-14 2024-07-26 山东交通学院 一种开放型公交车充电站定容的方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106295860A (zh) * 2016-07-29 2017-01-04 国网山东省电力公司经济技术研究院 一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法
CN106875075A (zh) * 2015-12-14 2017-06-20 贵州电网有限责任公司电力科学研究院 一种基于出行行为学的电动汽车充电站布点方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106875075A (zh) * 2015-12-14 2017-06-20 贵州电网有限责任公司电力科学研究院 一种基于出行行为学的电动汽车充电站布点方法
CN106295860A (zh) * 2016-07-29 2017-01-04 国网山东省电力公司经济技术研究院 一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张节谭、谢睿、梅生伟.基于混合整数二阶锥优化的高速路沿线充电设施网-站协调规划方法.《电工电能新技术》.2017,第37卷1-9. *

Also Published As

Publication number Publication date
CN108334991A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
CN108334991B (zh) 一种电动汽车充电站规划方法及系统
An et al. Battery-swapping facility planning for electric buses with local charging systems
Iacobucci et al. Optimization of shared autonomous electric vehicles operations with charge scheduling and vehicle-to-grid
Xie et al. Planning fully renewable powered charging stations on highways: A data-driven robust optimization approach
US11087422B2 (en) Method and device for determining a configuration for deployment of a public transportation system
Yang et al. Deploying battery swap stations for shared electric vehicles using trajectory data
Li et al. Price incentive-based charging navigation strategy for electric vehicles
James Two-stage request scheduling for autonomous vehicle logistic system
CN103915869B (zh) 一种基于移动设备的电动汽车智能充电系统及方法
Ghamami et al. Planning charging infrastructure for plug-in electric vehicles in city centers
Ou et al. Investigating wireless charging and mobility of electric vehicles on electricity market
Pal et al. Placement of public fast-charging station and solar distributed generation with battery energy storage in distribution network considering uncertainties and traffic congestion
Atallah et al. Optimal supercharge scheduling of electric vehicles: Centralized versus decentralized methods
CN110084520A (zh) 基于公交线路与网格化ap算法的充电站选址方法及装置
CN114169609A (zh) 一种考虑光伏耦合的电动汽车充电站规划方法
Shen et al. Integrated optimization of electric vehicles charging location and allocation for valet charging service
Xiang et al. Integrated traffic-power simulation framework for electric vehicle charging stations based on cellular automaton
Iacobucci et al. Cascaded model predictive control for shared autonomous electric vehicles systems with V2G capabilities
Li et al. Dynamic charging scheduling for electric vehicles considering real-time traffic flow
Sheng et al. Emission-concerned coordinated dispatching of electrified autonomous mobility-on-demand system and power system incorporating heterogeneous spatiotemporal scales
Ramezani et al. A simulation environment for smart charging of electric vehicles using a multi-objective evolutionary algorithm
Ruiz et al. An optimal battery charging and schedule control strategy for electric bus rapid transit
Yang et al. A hybrid genetic algorithm for battery swap stations location and inventory problem
Wang et al. Modeling and optimization of multiaction dynamic dispatching problem for shared autonomous electric vehicles
Iacobucci et al. Model predictive control of a shared autonomous electric vehicles system with charge scheduling and electricity price response

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