CN109636008A - 一种电动公交快充站服务费定价获取方法 - Google Patents

Abstract

本发明涉及一种电动公交快充站服务费定价获取方法，该方法将采集的电动公交车原始参数数据导入鸡群算法中；设置充电服务费收取方案，构建双层规划模型；以运营商的运行年收益作为上层目标函数，设置成本约束，计算上层目标函数，得到初始充电服务费定价；利用鸡群算法进行寻优，将初始化后得到的各时段的充电服务费作为控制变量，以电动公交充电站日充电成本最小为目标函数，计算下层目标函数；根据下层目标函数的寻优结果获取电动公交车的充电方法，并反馈给上层；上层规划模型根据下层的反馈进行电价调整，获取双层规划模型全局最优快充站充电服务费定价。与现有技术相比，本发明具有保证运营商收益最大化、鲁棒性好等优点。

Description

一种电动公交快充站服务费定价获取方法

技术领域

本发明涉及电动公交快充站服务技术领域，尤其是涉及一种电动公交快充站服务费定价获取方法。

背景技术

随着能源短缺和环境污染的问题日益严峻，电动汽车的发展已势不可挡。电动公交既能缓解交通压力又可以实现零排放，必将成为城市交通的主力军。与传统私家车不同，公交车具有固定行驶路线及发车计划，可通过集中管理优化充电负荷的时空分布。所以制定一个运营商与公交公司双方共赢的充电电价的收费模式与充电策略对电动公交车的发展有着重大的实际意义。

现有的收费模式存在以下问题：目前运营商普遍采用固定充电电价的收费模式，公交公司无需考虑电价机制对充电成本的影响，普遍采用即到即充的充电模式。为了减小充电负荷大规模接入对电网的影响，可通过充电电价的调节作用引导充电负荷的合理分布。目前我国充换电服务收费模式缺乏充足的理论依据，故亟需对收费模式进行研究，为相关决策者制定科学的收费政策提供参考。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种电动公交快充站服务费定价获取方法。

本发明的目的可以通过以下技术方案来实现：

一种电动公交快充站服务费定价获取方法，该方法包括以下步骤：

S1：采集电动公交车原始参数数据，并将其导入鸡群算法中。

S2：设置电动公交快充站充电服务费收取方案，构建双层规划模型。

电动公交快充站充电服务费决策方案包括：

方案一：使用分时服务费定价方案。在实施分时服务费后，以平时段的服务费为固定服务费。峰、谷时段服务费分别为：

S₁＝(1+k₂)·S₂

S₃＝(1+k₃)·S₂

方案二：使用全日固定充电服务费方案。

S₁＝S₂＝S₃

其中：S₁，S₂，S₃分别为峰平谷时段的分时服务费，k₂为峰时段的服务费变化率，k₃为谷时段的服务费变化率。

S3：对鸡群算法进行初始化赋值并对鸡群进行初始化。

S4：以运营商的运行年收益作为上层目标函数，设置成本约束，考虑电池残值收入，计算上层目标函数，得到初始充电服务费定价。

上层目标函数为：

I_0pe＝I_sell-C_con-C_buy

其中，I_0pe表示运营商的运行年收益，I_sell表示运营商向公交公司收取的年售电收益，C_buy为运营商向电力公司支付的年购电成本；C_con为运营商投资建站的等年值费用。I_sell的计算公式为：

其中：P_l为充电站第l时的耗电量。

C_buy为运营商向电力公司支付的年购电成本，其数学计算公式为：

其中：C_l为某地区第l时的分时电价；C_cap为需量电费。

C_con为运营商投资建站的等年值费用，其数学计算公式为：

C_con＝C_bui+C_opm

其中：C_bui为一次建设成本，C_opm为二次运营成本。

C_bui为一次建设成本，其数学计算公式为：

其中：C_lsup为供电站系统设备购置的等年值费用，C_lcha为充电系统设备购置的等年值费用，C_lmon为监视系统设备购置的等年值费用，C_lels为其他成本，r为贴现率，s为运营年限。

C_opm为二次运营成本，其数学计算公式为：

C_opm＝C_2wag+C_2mai

其中：C_2wag为人工成本，C_2mai为设备维护费。

优选地，步骤S4的约束条件为：

C_gbus≥C_ebus

其中：C_gbus为传统燃气车的使用成本，C_ebus为纯电动公交车的使用成本。

C_gbus的数学计算公式为：

C_gbus＝C_buyg+C_comg+C_rig

其中：C_buyg为购车成本、C_comg为能耗费用、C_rig为经营权使用费用。

C_ebus的数学计算公式为：

C_ebus＝C_buye+C_chae-C_res

其中：C_buye为购车成本、C_chae为充电电费、C_res为电动公交残值收入。

S5：将初始化后得到的各时段的充电服务费作为控制变量，以电动公交充电站日充电成本最小为目标函数，同时考虑充电桩数量约束、充电站配电变压器容量约束、充电容量约束、快速充电连续性约束、公交运营模式约束和供需平衡等式约束，计算下层目标函数。

目标函数的表达式为：

其中，F为电动公交充电站日充电成本，C_a为某地区的分时电价，S_a为某地区的分时服务费，P_c为充电机的额定充电功率；X_nt表示第n辆电动公交在t时刻时的充电状态，“0”、“1”分别表示该电动公交为“未充电”、“充电”状态；△t表示电动公交的单位充电时间。

充电桩数量约束为：

其中：N为电动公交充电站电动公交的数量。

充电站配电变压器容量约束为：

其中，P_t为地区充电站的常规负荷，D_N为变压器的额定功率，μ为变压器的额定功率因数，一般取0.95；β为变压器的负载率。取决于变压器的内部参数，考虑变压器的经济运行，在实际工作中，当设备容量和负荷已定的条件下，变压器可以在负载率为0.2～1的范围内使用。

充电容量约束为：

其中：a_n(n＝1，2，3，4，···，N)为电动公交在T时段中的停靠次数，χ_nj为每辆公交车的进站时间段，ψ_nj为每辆公交车的出站时间段(1≤j≤α_n，且1≤χ_nj，ψ_nj≤T)，B_m(m＝1，2，3，4，···，N)为电池总电量，SOC_ave为电动公交往返消耗的平均电量，SOC_min为电动公交的剩余电量百分比。

荷电状态连续性约束为：

快速充电连续性约束为：

(Y_on,n(t-1)-T_on,n)(X_n,t-1-X_nt)≥0

其中：Y_on,n(t-1)为第n辆电动公交已经连续充电时间；T_on,n为第n辆电动公交最小充电时间。

公交运营模式约束为：

X_nt＝0,n＝1,2,3,4,…,N(t∈{1,2,…χ_n1}∪{ψ_n2,…,χ_n2-1}∪…∪{ψ_nt,…,288})

供需平衡等式约束为：

S6：根据下层目标函数的寻优结果获取电动公交车的充电方法，包括电动公交车的日充电起始、终止时刻，并将其反馈给上层；

S7：上层规划模型根据下层的反馈进行电价调整，进而获取双层规划模型全局最优快充站充电服务费定价。

步骤S7利用鸡群算法进行迭代寻优，公鸡更新公式为：

其中：为第i只公鸡的在j维第k次迭代的位置值；randn(0,σ²)为一个随机数，并服从正态分布。

其中：g为随机选择的另一只公鸡，f_g为第g只公鸡的适应度值。

母鸡更新公式为：

其中：g₁、g₂为[0，1]之间的某两个随机数，f_g1、f_g2分别为第i只母鸡的伙伴公鸡g₁、g₂的适应度值。

小鸡更新公式为：

其中：为该小鸡母亲的在j维第k次迭代的位置值；E为跟随系数，一般取值范围为(0，2)。

与现有技术相比，本发明具有以下优点：

(1)本发明根据电动公交车的运行数据，以成本和收益为目标建立了电动公交运行的双层规划模型，利用双层目标函数求解后，不仅保证运营商收益最大化，还明显降低公交公司的运营成本，实现运营商和公交公司的双赢；

(2)本发明利用鸡群算法进行寻优，鸡群优化算法可以多次跳出局部最优解，全局搜索能力较强，在寻优过程中鲁棒性较好；

(3)本发明提出的双层优化模型能反映相关利益者之间的博弈关系，该模型考虑了电动公交充电策略与价格之间的相关性，能有效平抑电动公交接入后的充电负荷波动。

附图说明

图1为实施例中一种电动公交快充站服务费定价获取方法的流程示意图；

图2为实施例中充电负荷曲线图；

图3为实施例中在不同充电情形下的充电负荷曲线图；

图4为实施例中采用粒子群算法、遗传算法、鸡群算法等三种算法的收敛曲线图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，本发明涉及一种电动公交快充站服务费定价获取方法，该方法包括下列步骤：

步骤一、采集电动公交车原始参数的数据，并导入到鸡群算法中。电动公交车原始参数的数据包括电动公交车的运行时间、运行路线等数据。电动公交车原始参数的数据来源于电动公交车公司。

本实施例运用鸡群算法，并结合双层规划得到最优方案。采集电动公交车原始参数的数据包括电动车的运行时间与运行路线等数据，并导入到鸡群算法中，运行数据如表1所示。

表1某公交快充站运营模式

步骤二、设置电动公交快充站充电服务费决策方案，将方案数据进行处理，导入到鸡群算法中。设置电动公交快充站充电服务费决策方案，包括两种方案，方案一使用分时服务费定价，方案二使用全日固定充电服务费方案。

设置电动公交快充站充电服务费决策方案，电价如表2所示。

表2 1-10kV电压等级分时电价参数

步骤三、对鸡群算法进行初始化赋值并对鸡群进行初始化。分别设置母鸡、公鸡、小鸡以个体的形式设置在平面坐标系下的坐标。个体的形式为每个电动公交车在平面坐标系下的位置坐标。

步骤四、以运营商的运行年收益作为上层目标函数，设置成本约束，并考虑到电池残值收入，计算上层目标函数，得到初始服务费定价。

以运营商的运行年收益作为上层目标函数，设置成本约束，并考虑到电池残值收入，计算上层目标函数，得到初始服务费定价方案。

目标函数为：

I_0pe＝I_sell-C_con-C_buy

其中：I_0pe表示运营商的运行年收益，I_sell表示运营商向公交公司收取的年售电收益，其数学计算公式为：

式中，P_i为充电站第l时的耗电量。

C_buy为运营商向电力公司支付的年购电成本；C_con为运营商投资建站的等年值费用。运行成本分为运营商向电力公司支付的年购电成本和运营商投资建站的等年值费用成本两部分，运营商向电力公司支付的年购电成本数学计算公式分别为：

式中：C_i为某地区第l时的分时电价；C_cap为需量电费。

运营商投资建站的等年值费用成本包含一次建设成本C_bui以及二次运营成本C_opm，其计算公式为：

C_con＝C_bui+C_opm

式中：C_bui为一次建设成本，C_opm为二次运营成本。一次建设成本C_bui主要包括：供电站系统设备购置的等年值费用C_lsup、充电系统设备购置的等年值费用C_lcha、监视系统设备购置的等年值费用C_lmon以及其他成本C_lels。一次建设成本C_bui的计算公式为：

式中：r为贴现率，s为运营年限。

二次运营成本C_opm包括人工成本C_2wag以及设备维护费C_2mai，二次运营成本的计算公式为：

C_opm＝C_2wag+C_2mai

成本等数据如表3所示。

表3某快充站一次、二次建设投资成本

步骤五、将初始化后得到的各时段的充电服务费作为控制变量以电动公交充电站日充电成本最小为目标函数，同时考虑充电桩数量约束、充电站配电变压器容量约束、充电容量约束、快速充电连续性约束、公交运营模式约束、供需平衡等式约束，计算下层目标函数。

计算优化目标函数需要对个体进行不断更新，得到适应度即目标函数最大的个体。CSO算法中鸡群的层级关系由适应度值的好坏决定，适应度值最好一类的当作公鸡，优先获取食物；适应度值最差一类当作小鸡，获取食物能力最弱；其余看作母鸡。整个鸡群按照公鸡的数量分为若干个群组，每组由一个公鸡、一些母鸡和小鸡组成，其中伴侣关系和母子关系随机产生。不同组之间存在竞争关系，不同的鸡遵循不同的运动规律。

其中，公鸡位置更新公式如下：

其中：为第i只公鸡在j维第k次迭代的位置值；randn(0，σ²)为一个随机数，并服从正态分布；g为随机选择的另一只公鸡；f_g为第g只公鸡的适应度值值。

母鸡位置更新公式如下：

其中：g₁、g₂为[0，1]之间的某两个随机数；f_g1、f_g2分别为第i只母鸡的伙伴公鸡g₁、g₂的适应度值。

小鸡位置更新公式如下：

其中：为该小鸡母亲的在j维第k次迭代的位置值；F为跟随系数，一般取值范围为(0，2)。

步骤六、根据下层目标函数的寻优结果得到电动公交车的充电策略，即电动公交车的日充电起始、终止时刻，并反馈给上层。

步骤七、上层规划模型再根据下层传递的信号调整电价方案并做出新的决策，从而实现上下层之间的迭代，进而求得双层规划模型全局最优方案。

上层规划模型再根据下层传递的信号调整电价方案并做出新的决策，从而实现上下层之间的迭代，进而求得双层规划模型全局最优方案。其中有序、无序优化结果如表4所示。

表4优化前后对比

服务费定价方案一使用分时服务费定价方案，方案二则使用全日固定充电服务费方案。在实施分时服务费后，以平时段的服务费为基准。利用双层优化模型求解最优服务费，优化结果如表5所示。

表5充电服务费求解结果

为验证鸡群优化算法的优越性，将其与遗传算法(GA，Genetic Algorithm)、粒子群算法(PSO，Particle Swarm Optimization)进行比较，比较结果如表6所示。

表6三种算法参数

利用双层规划模型根据输入信息得到从早晨7:00至未来24h内的充电需求，如图2实例充电负荷图，为优化得到有序充电负荷结果，并与无序充电方式下电动公交快充站的负荷曲线进行对比，如图3所示，可以发现：1)电动公交有序充电的日充电成本较无序充电方式降低了约24.77％，在经济性上较优化前有了明显改善。2)无序充电策略由于充电负荷集中在了9:00-20:00时段而不是电价低谷时段，增大了负荷峰谷差，达到了498kW，充电负荷波动大且负荷峰值可能会超出变压器最大容量限制。有序充电将充电负荷集中到了夜间电价低谷时段，充电负荷峰谷差较无序充电方式降低了138kW，在削峰的同时平抑了充电负荷的波动。

对比上述方案，就公交公司而言，方案一谷时段服务费相对方案二抬高了0.09元，但平、峰服务费分别降低了0.20、0.29元，故对公交公司而言更易于接受方案一。在实行电价引导方案后由于谷时段充电价格较低，公交公司会选择在谷时段进行充电，如表4所示，其日充电成本为1814元，降低了运行成本。就运营商而言，方案一中运营商通过抬高充电负荷体量大的谷时段充电服务费来增加日运营收入，如表5所示，方案一运营商日收入较方案二提高了15.32％，较现行方案提高了42.89％，实现其收益最大化。

三种算法的收敛特性曲线如图4所示。从图4中可看出，CSO算法(Chicken SwarmOptimization，鸡群算法)具有更好的收敛特性。粒子群算法收敛最快，但易陷入局部最优，无法适用于多变量非线性的复杂优化模型；遗传算法因交叉和变异随机找寻下个最优解，故寻优过程中可能会需要更多的迭代次数，效率较低，且易陷入早熟收敛；鸡群优化算法可以多次跳出局部最优解，全局搜索能力较强，在寻优过程中鲁棒性较好。

以上所述，仅为本发明的具体实施方式，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工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改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以权利要求的保护范围为准。

Claims (10)

1.一种电动公交快充站服务费定价获取方法，其特征在于，该方法包括以下步骤：

1)采集电动公交车原始参数数据，并将其导入鸡群算法中；

2)设置电动公交快充站充电服务费收取方法，构建双层规划模型；

3)对鸡群算法进行初始化赋值并对鸡群进行初始化；

4)以运营商的运行年收益作为上层目标函数，设置成本约束，考虑电池残值收入，计算上层目标函数，得到初始充电服务费定价；

5)将初始化后得到的各时段的充电服务费作为控制变量，以电动公交充电站日充电成本最小为目标函数，同时考虑充电桩数量约束、充电站配电变压器容量约束、充电容量约束、快速充电连续性约束、公交运营模式约束和供需平衡等式约束，计算下层目标函数；

6)根据下层目标函数的寻优结果获取电动公交车的充电方法，包括电动公交车的日充电起始、终止时刻，并将其反馈给上层；

7)上层规划模型根据下层的反馈进行电价调整，进而获取双层规划模型全局最优快充站充电服务费定价。

2.根据权利要求1所述的一种电动公交快充站服务费定价获取方法，其特征在于，所述的上层目标函数的表达式为：

I_0pe＝I_sell-C_con-C_buy

其中，I_0pe为运营商的运行年收益，I_sell为运营商向公交公司收取的年售电收益，C_buy为运营商向电力公司支付的年购电成本，C_con为运营商投资建站的等年值费用。

3.根据权利要求1所述的一种电动公交快充站服务费定价获取方法，其特征在于，所述的成本约束的条件为：

C_gbus≥C_ebus

其中，C_gbus为传统燃气车的使用成本，C_ebus为纯电动公交车的使用成本。

4.根据权利要求1所述的一种电动公交快充站服务费定价获取方法，其特征在于，所述的下层目标函数的表达式为：

其中，F为电动公交充电站日充电成本，C_a为某地区的分时电价，S_a为某地区的分时服务费，P_c为充电机的额定充电功率，X_nt为第n辆电动公交在t时刻时的充电状态，“0”、“1”分别为该电动公交为“未充电”、“充电”状态，Δt为电动公交的单位充电时间。

5.根据权利要求4所述的一种电动公交快充站服务费定价获取方法，其特征在于，所述的充电桩数量约束的条件为：

其中，N为电动公交充电站电动公交的数量。

6.根据权利要求5所述的一种电动公交快充站服务费定价获取方法，其特征在于，所述的充电站配电变压器容量约束的条件为：

其中，P_t为地区充电站的常规负荷，D_N为变压器的额定功率，μ为变压器的额定功率因数，β为变压器的负载率。

7.根据权利要求6所述的一种电动公交快充站服务费定价获取方法，其特征在于，所述的充电容量约束的条件为：

其中，a_n(n＝1，2，3，4，···，N)为电动公交在T时段中的停靠次数，χ_nj为每辆公交车的进站时间段，ψ_nj为每辆公交车的出站时间段(1≤j≤α_n，且1≤χ_nj，ψ_nj≤T)，B_m(m＝1，2，3，4，···，N)为电池总电量，SOC_ave为电动公交往返消耗的平均电量，SOC_min为电动公交的剩余电量百分比。

8.根据权利要求7所述的一种电动公交快充站服务费定价获取方法，其特征在于，所述的快速充电连续性约束的条件为：

(Y_on,n(t-1)-T_on,n)(X_n,t-1-X_nt)≥0

其中，Y_on,n(t-1)为第n辆电动公交已经连续充电时间，T_on,n为第n辆电动公交最小充电时间。

9.根据权利要求8所述的一种电动公交快充站服务费定价获取方法，其特征在于，所述的公交运营模式约束的条件为：

X_nt＝0,n＝1,2,3,4,…,N(t∈{1,2,…χ_n1}∪{ψ_n2,…,χ_n2-1}∪…∪{ψ_nt,…,288})

10.根据权利要求9所述的一种电动公交快充站服务费定价获取方法，其特征在于，所述的供需平衡等式约束的条件为：