CN109711630A - 一种基于出行概率矩阵的电动汽车快充站选址定容方法 - Google Patents
一种基于出行概率矩阵的电动汽车快充站选址定容方法 Download PDFInfo
- Publication number
- CN109711630A CN109711630A CN201811628272.0A CN201811628272A CN109711630A CN 109711630 A CN109711630 A CN 109711630A CN 201811628272 A CN201811628272 A CN 201811628272A CN 109711630 A CN109711630 A CN 109711630A
- Authority
- CN
- China
- Prior art keywords
- charging station
- electric car
- matrix
- road
- cost
- 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.)
- Pending
Links
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于出行概率矩阵的电动汽车快充站选址定容方法,涉及电动汽车公共充电设施规划技术领域,本发明包括获取规划区域内的路网参数;根据不同类型电动汽车道路交通流量反推获取OD出行矩阵进而得到OD出行概率矩阵;利用蒙特卡洛方法、OD出行概率矩阵及改进速度‑流量模型模拟电动汽车一天中的行驶轨迹,得到一天中的快充需求时空分布矩阵;根据充电站选址定容优化模型对快充需求时空分布矩阵进行分析优化,得到充电站位置和充电机配置数,本发明利用电动汽车快充需求时空分布矩阵,采用Voronoi图划分充电站服务范围,通过改进粒子群算法确定充电站最优位置,利用排队论优化各充电站容量,使电动汽车快速充电站规划结果更为准确和科学。
Description
技术领域
本发明涉及电动汽车公共充电设施规划技术领域,更具体的是涉及一种基于出行概率矩阵的电动汽车快充站选址定容方法。
背景技术
能源危机和全球气候变暖问题日益受到世界各国的重视,电动汽车产业迎来了巨大的发展机遇,预计2020年我国电动汽车保有量将达到500万辆,随着电动汽车渗透率不断增加,未来城市充电设施必将规模化建设。
电动汽车充电站规划是否合理,会直接影响人们的充电满意度,进而影响未来电动汽车产业的发展,由于EV使用特点,用户对于短时间获得电能补充需求很大,有必要对电动汽车快速充电设施进行专项的规划。
在快速充电站规划方面国内外众多学者已经做了很深的研究,但是在对目标区域进行充电站选址定容时,大多将充电需求置于某些特定位置上,主观性太强,忽略了充电需求时空分布的复杂性。
发明内容
本发明的目的在于:为了解决现有的电动汽车充电站的选址主观性太强,没有考虑充电需求时空分布的复杂性,导致充电站分布不合理的问题,本发明提供一种基于出行概率矩阵的电动汽车快充站选址定容方法,通过模拟电动汽车运行规律,得到电动汽车快充需求时空分布矩阵,采用Voronoi图划分充电站服务范围,通过改进粒子群算法确定充电站最优位置,利用排队论优化各充电站容量,使电动汽车快速充电站规划结果更为准确和科学。
本发明为了实现上述目的具体采用以下技术方案:
一种基于出行概率矩阵的电动汽车快充站选址定容方法,包括如下步骤:
S1:获取规划区域内的路网参数,所述路网参数包括路网拓扑结构、道路长度、道路等级、道路容量、一天中不同时段道路饱和度及不同类型电动汽车道路交通流量;
S2:根据不同类型电动汽车道路交通流量反推获取与S1中不同时段对应的OD出行矩阵,由OD出行矩阵计算得到OD出行概率矩阵;
S3:利用蒙特卡洛方法、OD出行概率矩阵及改进速度-流量模型模拟不同类型电动汽车一天中的行驶轨迹,得到一天中的快充需求时空分布矩阵;
S4:根据充电站选址定容优化模型,利用粒子群算法和Voronoi图对快充需求时空分布矩阵进行分析优化,得到最终的充电站位置和对应每一充电站的充电机配置数。
进一步的,所述S1中不同时段分别为:早高峰(07:00-09:00)、上午(09:00-12:00)、午间(12:00-14:00)、晚高峰(17:00-19:00)、晚间(19:00-23:00)和其余时间;不同类型电动汽车包括出租车、私家车和城市功能用车。
进一步的,所述S2具体包括如下步骤:
S2.1:利用OD矩阵反推模型获取OD出行矩阵,所述OD矩阵反推模型为:
其中,Pa_ij为从路网节点i出发,前往路网节点j的车辆,经过路段a的概率;Qa为路段a的实际车流量,pcu/h;n为路段数量;m为道路节点集合;Tij为待求OD出行矩阵中的元素;
S2.2:计算得到OD出行概率矩阵中的元素,计算方法为:
其中,表示T时刻到T+1时刻,从路网节点i出发,到达路网节点j的电动汽车数量;表示从路网节点i出发的总电动汽车数量;表示从路网节点i出发到达路网节点j的电动汽车出行概率。
进一步的,所述S3具体包括如下步骤:
S3.1:根据不同类型电动汽车行驶规律,利用蒙特卡洛方法模拟生成不同类型电动汽车一天中初始出行时刻ts、初始运行电量Cap0和初始位置Oi;
S3.2:根据OD出行概率矩阵,利用随机抽样法生成当前时刻目的地Dj的信息,通过Dijkstra最短路径算法得到初始位置Oi与当前时刻目的地Dj之间的最短路径集合R={i,…e,f…j},通过路网拓扑结构矩阵得到最短路径集合R中各路段距离lOD;
S3.3:利用改进速度-流量模型计算得到第h个路段上的车速Vh(t),进而得到在该路段上的行驶时间和当前时刻电池电量信息,设满足快充条件即在此时刻该地点产生快充需求;
S3.4:到达目的地Dj后将目的地Dj作为新的初始地Oj,并调用此时刻对应OD出行概率矩阵,循环执行S3.2至S3.4,模拟电动汽车一天中的行驶轨迹,得到一天24小时的快充需求时空分布矩阵。
进一步的,所述S3.2中的路网拓扑结构矩阵为利用图论原理描述路网拓扑结构的特征得到的,所述路网拓扑结构矩阵中的元素代表路网节点之间的道路长度。
进一步的,所述S3.3中改进速度-流量模型为:
其中
其中,Vij.m代表路段(i,j)自由流车速,即车辆在完全自由状态下的平均车速;qij(t)代表t时刻路段(i,j)的车流量;Cij代表路段最大交通流量;qij(t)与Cij的比值为t时刻路段饱和度,b、c、n为常数。
进一步的,所述S3.3中当前时刻电池电量信息即t时刻电动汽车剩余电量Capt为:
Capt=Capt-1-△l·△Cap
其中,△l为从t-1时刻到t时刻行驶距离;△Cap为从t-1时刻到t时刻电动汽车电量的变化量;
三种类型电动汽车快充条件分别为:
a、出租车:停车时间短,只能选择快充补充电能,当t时刻剩余电量低于阈值电量Capc时产生快充需求,即Capt≤Capc;考虑到不同用户心理承受能力,设置阈值电量对应的SOC服从[0.15~0.3]之间均匀分布;
b、私家车:停车时间长,充电方式可以自主选择,考虑到如果电池电量低于10%会对电池造成伤害,车主在行驶过程中判断到达目的地后电池电量,低于总电池容量Capr的10%即产生充电需求,即Capt≤0.1Capr;
c、城市功能用车:上班时间要执行工作任务,电池电量低于阈值电量Capc时产生快充需求,与出租车相同。
进一步的,所述充电站选址定容优化模型包括内层目标函数和外层目标函数,S4具体包括如下步骤:
S4.1:根据S3得到的快充需求时空分布矩阵,利用粒子群算法在规划区域内随机产生M个粒子,每一个粒子代表N个充电站的位置,利用Voronoi图划分充电站服务范围,设服务范围内的车辆选择到离自己最近的充电站充电,即可得到每小时前往各充电站接受服务的电动汽车充电需求数;
S4.2:利用内层目标函数,以单位时间内总费用期望值最小为目标,优化各充电站内充电机配置,获得一天中24小时每一小时的充电机最优配置数,并选取最优配置数中的最大值作为该充电站的最终充电机配置数;
S4.3:利用外层目标函数计算每一个粒子的适应度,根据适应度值对粒子进行排序,选出适应度值中的最小值作为全局极值;更新粒子速度和位置,对当前粒子根据适应度值进行排序,选出当前循环中适应度值的最小值作为个体极值,若当前循环的个体极值小于全局极值,将全局极值更新为当前循环的个体极值;
S4.4:若当前迭代次数等于预设的最大迭代次数,输出粒子位置,即为充电站的最优位置。
进一步的,所述总费用为系统服务成本与等待费用之和,所述S4.2中内层目标函数利用M/M/c排队论优化各充电站内充电机配置,具体为:
设电动汽车到达各充电站过程服从负指数分布,以每小时前往充电站接受服务的充电需求数作为参数λ,则系统平均排队等待时间Wq为:
平均队长Ls为:
其中c表示充电站内充电机数量;μ表示每个充电机单位时间服务完成电动汽车数量;ρ表示充电机服务强度,ρ<1;λ表示每小时前往充电站接受服务的电动汽车充电需求数;
单位时间内总费用期望值最小为目标,优化充电机配置为:
min f(c)=CS·c+CW·Ls
其中,CS为单位时间内平均每个充电机的服务成本;CW为电动汽车排队单位时间成本。
进一步的,所述S4.3中外层目标函数以充电站之间的距离和充电机配置数为约束,综合考虑充电站年建设运行成本、电动汽车充电途中总耗时成本和充电站内年排队等待时间成本最小为目标,建立充电站选址定容优化模型,所述外层目标函数为:
min F=β1·Ci1+β2·(Ci2+Ci3)
其中,F为充电站年社会综合成本;Ci1从投资经济性出发,表示充电站年建设运行成本;Ci2和Ci3从充电站服务水平出发,分别表示电动汽车充电途中年耗时成本和电动汽车充电站内年排队等待时间成本;β1和β2为权重系数;
充电站年建设运行成本Ci1为:
f(Nchz)=O+qNchz+eNchz 2
其中,f(Nchz)为充电站总固定投资函数;U(Nchz)为充电站年运行成本函数,按照总固定投资成本f(Nchz)的百分比取值;Nchz为充电站z的充电机数量;r0为贴现率;m为充电站的折旧年限;JCS为规划区域充电站集合;O为充电站固定投资费用,包括营业建筑、道路等的建设费用;q为每台充电机的价格;e为充电站占地面积、电缆、配电变压器等的等效投资系数;
充电途中年耗时成本Ci2为:
其中,△Tij为从需求点到充电站的距离,α为城市出行成本;JCSz为充电站z服务范围内需求点的集合;
充电站内年排队等待时间成本Ci3为:
其中,β为排队等待时间成本;Wqk为k时刻充电站z内的排队等待时间;nk为k时刻充电站z服务范围内充电需求数量。
本发明的有益效果如下:
1、本发明通过构建电动汽车OD出行概率矩阵,模拟电动汽车行驶轨迹,得到电动汽车快充需求时空分布矩阵特征,为电动汽车快速充电站规划提供参考;通过构建快速充电站规划模型,利用粒子群算法和Voronoi图合理规划快速充电站,使全社会综合成本最小,为快速充电设施规划提供了依据,使电动汽车快速充电站规划结果更为准确和科学,解决了因站址不均导致电动汽车发展受限的问题。
附图说明
图1是电动汽车快充需求时空分布矩阵预测流程图。
图2是规划区域主干道路示意图。
图3是电动汽车起始出行位置图。
图4是电动汽车初始出行时刻概率分布图。
图5是电动汽车快充需求数量分布图。
图6是13:00-14:00电动汽车快充需求空间分布图。
图7是电动汽车充电站规划流程图。
图8是建址位置和服务范围划分图。
具体实施方式
为了本技术领域的人员更好的理解本发明,下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1
本实施例提供一种基于出行概率矩阵的电动汽车快充站选址定容方法,如图1所示,首先求取电动汽车快充需求时空分布矩阵,为充电站规划提供参考,然后根据充电站选址定容优化模型,利用粒子群算法和Voronoi图对快充需求时空分布矩阵进行分析优化,合理规划快充站,具体包括如下步骤:
S1:获取规划区域内的路网参数,所述路网参数包括路网拓扑结构、道路长度、道路等级、道路容量、一天中不同时段道路饱和度及不同类型电动汽车道路交通流量,如图2所示,为某区域路网拓扑结构和城市功能区域划分示意图;
本实施例总不同时段分别为:早高峰(07:00-09:00)、上午(09:00-12:00)、午间(12:00-14:00)、晚高峰(17:00-19:00)、晚间(19:00-23:00)和其余时间;
结合我国电动汽车实际发展状况,将电动汽车分为四种类型,如表1所示,但由于电动公交车有固定的行驶路线和停车地点,因此本实施例在充电站规划时未将其考虑进去,因此本实施例中不同类型电动汽车包括出租车、私家车和城市功能用车;
表1
S2:根据不同类型电动汽车道路交通流量反推获取与S1中不同时段对应的OD出行矩阵,由OD出行矩阵计算得到OD出行概率矩阵,具体包括如下步骤:
S2.1:利用OD矩阵反推模型获取OD出行矩阵,所述OD矩阵反推模型为:
其中,Pa_ij为从路网节点i出发,前往路网节点j的车辆,经过路段a的概率,本实施例采用非平衡OD反推模型,Pa_ij为常数,与道路车流量无关;采用Dijkstra最短路径算法,假如经过路段a则Pa_ij为1,否则为0;Qa为路段a的实际车流量,pcu/h;n为路段数量;m为道路节点集合;Tij为待求OD出行矩阵中的元素;
由此可以获得三种类型电动汽车一天24小时的OD出行矩阵B,所述OD出行矩阵B由72个子矩阵组成,表示T至T+1时段三种类型电动汽车的OD出行矩阵;
S2.2:计算得到OD出行概率矩阵中的元素,计算方法为:
其中,表示T时刻到T+1时刻,从路网节点i出发,到达路网节点j的电动汽车数量;表示从路网节点i出发的总电动汽车数量;表示从路网节点i出发到达路网节点j的电动汽车出行概率;
S3:利用蒙特卡洛方法、OD出行概率矩阵及改进速度-流量模型模拟不同类型电动汽车一天中的行驶轨迹,得到一天中的快充需求时空分布矩阵,具体包括如下步骤:
S3.1:根据不同类型电动汽车的行驶规律,包括一天中初始出行时刻、初始位置、初始电池荷电状态和每公里耗电量,利用蒙特卡洛方法模拟生成不同类型电动汽车一天中初始出行时刻ts、初始运行电量Cap0和初始位置Oi,此步骤也可以在求取OD出行概率矩阵之前执行;
如图2所示,根据城市区域主要功能和负荷类型将城市划分为居民区、工作区和商业区,电动汽车一天起始出行位置和区域类型密切相关,私家车主要往返于居民区和工作区,其初始位置集中在居民区;出租车大多在居民区交班,其初始位置在居民区的比例较高;城市功能用车上午一般从工作区发车,其初始位置在工作区数量高于其他地区,图3为本实施例中电动汽车初始出行位置分布;
根据TranCAD中National Cooperative Highway Research Program(NCHRP 187)提供的统计数据经过拟合处理可以得到电动汽车一天起始出行时刻ts概率分布曲线,出租车在早上六点出行概率最大,此时间为夜班和白班交班时刻;私家车和城市功能用车在早上7点出行概率最大,为其开始上班时间,电动汽车初始出行时刻概率分布如图4所示;
电动汽车起始电池荷电状态(SOC)服从正态分布NSOC(0.6,0.12),根据三种类型电动汽车电池容量Capr,并结合初始SOC可得初始电量Cap0;
S3.2:根据初始出行时刻ts对应的OD出行概率矩阵,利用随机抽样法生成当前时刻ts目的地Dj的信息,通过Dijkstra最短路径算法得到初始位置Oi与当前时刻目的地Dj之间的最短路径集合R={i,…e,f…j},通过路网拓扑结构矩阵得到最短路径集合R中各路段距离lOD;所述路网拓扑结构矩阵为利用图论原理描述路网拓扑结构的特征得到的,路网拓扑结构矩阵中的元素代表路网节点之间的道路长度,即路网拓扑结构矩阵是整个规划区域内各路段道路长度的集合,而最短路径集合R是从起始点到终点所经过的路段集合,是路网拓扑结构矩阵的一部分;
S3.3:设集合R中有s个路段,利用改进速度-流量模型计算得到第h个路段上的车速Vh(t),进而得到在该路段上的行驶时间,进而得到Oi至Dj总的行驶时间;
计算经过路段h时的电池电量Capt,设满足快充条件即在此时刻该地点产生快充需求,将充电需求点位置和时间信息存入矩阵G;在城市道路交通网中,车辆行驶速度受实际交通流量和道路通行能力约束,这将影响电动汽车在道路上行驶时间,进而影响充电需求的时空分布,在路阻函数模型的基础上,引入改进速度-流量关系模型为:
其中
其中,Vij.m代表路段(i,j)自由流车速,即车辆在完全自由状态下的平均车速,一般等于路段设计的最大车速;qij(t)代表t时刻路段(i,j)的车流量;Cij代表路段最大交通流量,是路段实际通行能力的体现;qij(t)与Cij的比值为t时刻路段饱和度,a、b、n为常数;对于主干道a、b、n分别取值1.726、3.15和3;对于次干道a、b、n分别取值2.076、2.870和3;
第h个路段行驶时间如下所示:
其中,dh为第h个路段的长度,Vh(t)为车速;
Oi至Dj总的行驶时间:
当前时刻电池电量信息即t时刻电动汽车剩余电量Capt为:
Capt=Capt-1-△l·△Cap
其中,△l为从t-1时刻到t时刻行驶距离;当t时刻电动汽车电池电量满足以下特征时产生快充需求:
a、出租车:停车时间短,只能选择快充补充电能,当t时刻剩余电量低于阈值电量Capc时产生快充需求,即Capt≤Capc;考虑到不同用户心理承受能力,设置阈值电量对应的SOC服从[0.15~0.3]之间均匀分布;
b、私家车:停车时间长,充电方式可以自主选择,考虑到如果电池电量低于10%会对电池造成伤害,车主在行驶过程中判断到达目的地后电池电量,低于总电池容量Capr的10%即产生充电需求,即Capt≤0.1Capr;
c、城市功能用车:上班时间要执行工作任务,电池电量低于阈值电量Capc时产生快充需求,与出租车相同;
S3.4:到达目的地Dj后将目的地Dj作为新的初始地Oj,并调用此时刻对应OD出行概率矩阵,循环执行S3.2至S3.4,模拟电动汽车一天中的行驶轨迹,得到一天24小时的快充需求时空分布矩阵;
S4:如图7所示,根据充电站选址定容优化模型,利用粒子群算法和Voronoi图对快充需求时空分布矩阵进行分析优化,得到最终的充电站位置和对应每一充电站的充电机配置数;
所述充电站选址定容优化模型包括内层目标函数和外层目标函数,S4具体包括如下步骤:
S4.1:根据得到的快充需求时空分布矩阵,外层利用粒子群算法在规划区域内随机产生M个粒子,本实施例中M取值为20,每一个粒子代表N个充电站的位置,利用Voronoi图划分充电站服务范围,设服务范围内的车辆选择到离自己最近的充电站充电,即可得到每小时前往各充电站接受服务的电动汽车充电需求数;
S4.2:内层目标函数利用M/M/c排队论,以单位时间内总费用期望值最小为目标,优化各充电站内充电机配置,获得一天中24小时每一小时的充电机最优配置数,为了满足充电站社会公共服务的功能,选取最优配置数中的最大值作为该充电站的最终充电机配置数;
S4.3:利用外层目标函数计算每一个粒子的适应度,根据适应度值对粒子进行排序,选出适应度值中的最小值作为全局极值;更新粒子速度和位置,对当前粒子根据适应度值进行排序,选出当前循环中适应度值的最小值作为个体极值,若当前循环的个体极值小于全局极值,将全局极值更新为当前循环的个体极值;
S4.4:若当前迭代次数等于预设的最大迭代次数,输出粒子位置,即为规划区域充电站的最优位置。
本实施例中所述总费用为系统服务成本与等待费用之和,所述S4.32内层目标函数利用M/M/c排队论优化各充电站内充电机配置,具体为:
设电动汽车到达各充电站过程服从负指数分布,以每小时前往充电站接受服务的充电需求数作为参数λ,则系统平均排队等待时间Wq为:
平均队长Ls为:
其中c表示充电站内充电机数量;μ表示每个充电机单位时间服务完成电动汽车数量;ρ表示充电机服务强度,ρ<1;λ表示每小时前往充电站接受服务的电动汽车充电需求数;
单位时间内总费用期望值最小为目标,优化充电机配置为:
min f(c)=CS·c+CW·Ls
其中,CS为单位时间内平均每个充电机的服务成本;CW为电动汽车排队单位时间成本;
内层目标函数需要满足如下约束条件:
充电机配置约束:Nch min≤Nchi≤Nch max,其中Nch min、Nch max分别为充电机最小配置数和最大配置数;
排队等候时间约束:Wq≤Wmax,其中Wmax为排队等候时间的最大值;
所述S4.3中外层目标函数以充电站之间的距离和充电机配置数为约束,综合考虑充电站年建设运行成本、电动汽车充电途中总耗时成本和充电站内年排队等待时间成本最小为目标,建立充电站选址定容优化模型,所述外层目标函数为:
min F=β1·Ci1+β2·(Ci2+Ci3)
其中,F为充电站年社会综合成本;Ci1从投资经济性出发,表示充电站年建设运行成本;Ci2和Ci3从充电站服务水平出发,分别表示电动汽车充电途中年耗时成本和电动汽车充电站内年排队等待时间成本;β1和β2为权重系数;
充电站年建设运行成本Ci1为:
f(Nchz)=O+qNchz+eNchz 2
其中,f(Nchz)为充电站总固定投资函数;U(Nchz)为充电站年运行成本函数,按照总固定投资成本f(Nchz)的百分比取值;Nchz为充电站z的充电机数量;r0为贴现率;m为充电站的折旧年限;JCS为规划区域充电站集合;O为充电站固定投资费用,包括营业建筑、道路等的建设费用;q为每台充电机的价格;e为充电站占地面积、电缆、配电变压器等的等效投资系数;
充电途中年耗时成本Ci2为:
其中,△Tij为从需求点到充电站的距离,α为城市出行成本;JCSz为充电站z服务范围内需求点的集合;
充电站内年排队等待时间成本Ci3为:
其中,β为排队等待时间成本;Wqk为k时刻充电站z内的排队等待时间;nk为k时刻充电站z服务范围内充电需求数量;
外层目标函数需满足以下约束条件:
充电站距离约束,为了避免充电站过于集中造成投资的浪费,相邻充电站之间实际距离Dk应满足以下约束:
其中,为充电站服务半径;
应用MATLAB软件编程对图2规划区域进行电动汽车快速充电站规划,假设图2规划区域内有私家车15000辆、出租车5000辆、城市功能用车5000辆;电动出租车电池额定容量Capr=60kW·h;私家车电池额定容量为30kW·h;百公里耗电量为20kW·h;每个充电机一小时能完成2辆电动汽车充电任务;每小时单个充电机服务成本为CS=5.07元;顾客每小时排队成本为CW=17元;充电站内充电机最小数量Nch min为10台,最大数量Nch max为30台;固定投资费O用为100万元;充电机单价q为5万元/台;充电站占地面积、电缆、配电变压器等的等效投资系数e为1万元/台2。充电站年运行成本U(Nchz)为总固定投资费用f(Nchz)的10%;城市出行成本α为30元/小时;排队等待时间成本β为16元/小时;贴现率r0为0.08;折旧年限为20年;最大排队等候时间为10分钟。
利用OD出行矩阵得到电动汽车快充需求时间分布如图5所示:
从图5可以看出电动汽车快充需求数在13:00-14:00达到峰值853辆,在17:00-18:00出现一个次高峰。快充高峰期间空间分布如图6所示,图中黑色圆点代表充电需求点位置,实线代表道路。从图6可知,高峰期间快充需求集中在从居民区前往商业区的道路上。
充电站数量范围设为6~16座,对应充电站年社会综合成本如表2所示:
表2
从表2可以看出,充电站建设数量增多,年建设投资成本、运行成本呈增加趋势,年充电途中耗时成本和年等待时间成本呈减小趋势,这是因为充电站建设数量增多,其Voronoi图划分的服务范围减小,增加了充电的便利程度,减小了用户到达充电站的行驶时间,也减轻了各充电站每小时用户到达数,减小了站内排队等待时间。当充电站数量为9座时,年社会综合成本最小为1950万元,9座充电站即为该区域最优的充电站数量。
假设9座充电站编号为A~I,则各充电站位置和服务范围如图8所示,各充电站成本如表3所示:
表3
从图8中站址分布规律可以看出来:充电站站址分布比较均匀,站间距离合适,能够充分地利用投资;
从表3可以看出充电站C和H内充电机数量最大,这是因为C和H服务区域是居民区到商业区的主干道,也是出租车的主要接客地和城市功能用车的目的地。内层目标函数确定充电站容量的方法,能够将排队等待时间控制在10min内,且有利于减小充电站内的闲置率,增大充电机利用效率。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,本发明的专利保护范围以权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (9)
1.一种基于出行概率矩阵的电动汽车快充站选址定容方法,其特征在于,包括如下步骤:
S1:获取规划区域内的路网参数,所述路网参数包括路网拓扑结构、道路长度、道路等级、道路容量、一天中不同时段道路饱和度及不同类型电动汽车道路交通流量;
S2:根据不同类型电动汽车道路交通流量反推获取与S1中不同时段对应的OD出行矩阵,由OD出行矩阵计算得到OD出行概率矩阵;
S3:利用蒙特卡洛方法、OD出行概率矩阵及改进速度-流量模型模拟不同类型电动汽车一天中的行驶轨迹,得到一天中的快充需求时空分布矩阵;
S4:根据充电站选址定容优化模型,利用粒子群算法和Voronoi图对快充需求时空分布矩阵进行分析优化,得到最终的充电站位置和对应每一充电站的充电机配置数。
2.根据权利要求1所述的一种基于出行概率矩阵的电动汽车快充站选址定容方法,其特征在于,所述S2具体包括如下步骤:
S2.1:利用OD矩阵反推模型获取OD出行矩阵,所述OD矩阵反推模型为:
其中,Pa_ij为从路网节点i出发,前往路网节点j的车辆,经过路段a的概率;Qa为路段a的实际车流量,pcu/h;n为路段数量;m为道路节点集合;Tij为待求OD出行矩阵中的元素;
S2.2:计算得到OD出行概率矩阵中的元素,公式为:
其中,表示T时刻到T+1时刻,从路网节点i出发,到达路网节点j的电动汽车数量;表示从路网节点i出发的总电动汽车数量;表示从路网节点i出发到达路网节点j的电动汽车出行概率。
3.根据权利要求1所述的一种基于出行概率矩阵的电动汽车快充站选址定容方法,其特征在于,所述S3具体包括如下步骤:
S3.1:根据不同类型电动汽车行驶规律,利用蒙特卡洛方法模拟生成不同类型电动汽车一天中初始出行时刻ts、初始运行电量Cap0和初始位置Oi;
S3.2:根据OD出行概率矩阵,利用随机抽样法生成当前时刻目的地Dj的信息,通过Dijkstra最短路径算法得到初始位置Oi与当前时刻目的地Dj之间的最短路径集合R={i,…e,f…j},通过路网拓扑结构矩阵得到最短路径集合R中各路段距离lOD;
S3.3:利用改进速度-流量模型计算得到第h个路段上的车速Vh(t),进而得到在该路段上的行驶时间和当前时刻电池电量信息,设满足快充条件即在此时刻该地点产生快充需求;
S3.4:到达目的地Dj后将目的地Dj作为新的初始地Oj,并调用此时刻对应OD出行概率矩阵,循环执行S3.2至S3.4,模拟电动汽车一天中的行驶轨迹,得到一天24小时的快充需求时空分布矩阵。
4.根据权利要求3所述的一种基于出行概率矩阵的电动汽车快充站选址定容方法,其特征在于,所述S3.2中的路网拓扑结构矩阵为利用图论原理描述路网拓扑结构的特征得到的,所述路网拓扑结构矩阵中的元素代表路网节点之间的道路长度。
5.根据权利要求3所述的一种基于出行概率矩阵的电动汽车快充站选址定容方法,其特征在于:所述S3.3中改进速度-流量模型为:
其中
其中,Vij.m代表路段(i,j)自由流车速,即车辆在完全自由状态下的平均车速;qij(t)代表t时刻路段(i,j)的车流量;Cij代表路段最大交通流量;qij(t)与Cij的比值为t时刻路段饱和度,b、c、n为常数。
6.根据权利要求3所述的一种基于出行概率矩阵的电动汽车快充站选址定容方法,其特征在于,所述S3.3中当前时刻电池电量信息即t时刻电动汽车剩余电量Capt为:
Capt=Capt-1-△l·△Cap
其中,△l为从t-1时刻到t时刻行驶距离;△Cap为从t-1时刻到t时刻电动汽车电量的变化量。
7.根据权利要求1所述的一种基于出行概率矩阵的电动汽车快充站选址定容方法,其特征在于,所述充电站选址定容优化模型包括内层目标函数和外层目标函数,S4具体包括如下步骤:
S4.1:根据S3得到的快充需求时空分布矩阵,利用粒子群算法在规划区域内随机产生M个粒子,每一个粒子代表N个充电站的位置,利用Voronoi图划分充电站服务范围,设服务范围内的车辆选择到离自己最近的充电站充电,即可得到每小时前往各充电站接受服务的电动汽车充电需求数;
S4.2:利用内层目标函数,以单位时间内总费用期望值最小为目标,优化各充电站内充电机配置,获得一天中24小时每一小时的充电机最优配置数,并选取最优配置数中的最大值作为该充电站的最终充电机配置数;
S4.3:利用外层目标函数计算每一个粒子的适应度,根据适应度值对粒子进行排序,选出适应度值中的最小值作为全局极值;更新粒子速度和位置,对当前粒子根据适应度值进行排序,选出当前循环中适应度值的最小值作为个体极值,若当前循环的个体极值小于全局极值,将全局极值更新为当前循环的个体极值;
S4.4:若当前迭代次数等于预设的最大迭代次数,输出粒子位置,即为充电站的最优位置。
8.根据权利要求7所述的一种基于出行概率矩阵的电动汽车快充站选址定容方法,其特征在于,所述总费用为系统服务成本与等待费用之和,所述S4.2中内层目标函数利用M/M/c排队论优化各充电站内充电机配置,具体为:
设电动汽车到达各充电站过程服从负指数分布,以每小时前往充电站接受服务的充电需求数作为参数λ,则系统平均排队等待时间Wq为:
平均队长Ls为:
其中c表示充电站内充电机数量;μ表示每个充电机单位时间服务完成电动汽车数量;ρ表示充电机服务强度,ρ<1;λ表示每小时前往充电站接受服务的电动汽车充电需求数;
单位时间内总费用期望值最小为目标,优化充电机配置为:
min f(c)=CS·c+CW·Ls
其中,CS为单位时间内平均每个充电机的服务成本;CW为电动汽车排队单位时间成本。
9.根据权利要求7所述的一种基于出行概率矩阵的电动汽车快充站选址定容方法,其特征在于,所述S4.3中外层目标函数以充电站之间的距离和充电机配置数为约束,综合考虑充电站年建设运行成本、电动汽车充电途中总耗时成本和充电站内年排队等待时间成本最小为目标,建立充电站选址定容优化模型,所述外层目标函数为:
min F=β1·Ci1+β2·(Ci2+Ci3)
其中,F为充电站年社会综合成本;Ci1从投资经济性出发,表示充电站年建设运行成本;Ci2和Ci3从充电站服务水平出发,分别表示电动汽车充电途中年耗时成本和电动汽车充电站内年排队等待时间成本;β1和β2为权重系数;
充电站年建设运行成本Ci1为:
f(Nchz)=O+qNchz+eNchz 2
其中,f(Nchz)为充电站总固定投资函数;U(Nchz)为充电站年运行成本函数,按照总固定投资成本f(Nchz)的百分比取值;Nchz为充电站z的充电机数量;r0为贴现率;m为充电站的折旧年限;JCS为规划区域充电站集合;O为充电站固定投资费用,包括营业建筑、道路等的建设费用;q为每台充电机的价格;e为充电站占地面积、电缆、配电变压器等的等效投资系数;
充电途中年耗时成本Ci2为:
其中,△Tij为从需求点到充电站的距离,α为城市出行成本;JCSz为充电站z服务范围内需求点的集合;
充电站内年排队等待时间成本Ci3为:
其中,β为排队等待时间成本;Wqk为k时刻充电站z内的排队等待时间;nk为k时刻充电站z服务范围内充电需求数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811628272.0A CN109711630A (zh) | 2018-12-28 | 2018-12-28 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811628272.0A CN109711630A (zh) | 2018-12-28 | 2018-12-28 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109711630A true CN109711630A (zh) | 2019-05-03 |
Family
ID=66258082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811628272.0A Pending CN109711630A (zh) | 2018-12-28 | 2018-12-28 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711630A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070733A (zh) * | 2019-05-30 | 2019-07-30 | 上海海事大学 | 一种车头时距建模方法及一种最小绿灯时间计算方法 |
CN110222907A (zh) * | 2019-06-18 | 2019-09-10 | 国网河北省电力有限公司经济技术研究院 | 电动汽车充电站规划方法及终端设备 |
CN110458332A (zh) * | 2019-07-18 | 2019-11-15 | 天津大学 | 一种基于负荷空间转移的电动汽车快速充电需求调度方法 |
CN110674988A (zh) * | 2019-09-23 | 2020-01-10 | 国网上海市电力公司 | 一种基于电动汽车出行大数据的城区充电站规划方法 |
CN110728421A (zh) * | 2019-08-30 | 2020-01-24 | 山东理工大学 | 一种基于充电需求大数据的路网充电优化方法 |
CN110838243A (zh) * | 2019-11-13 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 车位数据处理方法、装置和计算机可读存储介质 |
CN110929925A (zh) * | 2019-11-15 | 2020-03-27 | 国家电网有限公司 | 基于环境温度与用户行为的电动汽车充电站规划方法 |
CN111055719A (zh) * | 2019-12-30 | 2020-04-24 | 云南电网有限责任公司 | 电动汽车充电站收益最大化决策的方法 |
CN111199320A (zh) * | 2020-01-07 | 2020-05-26 | 国家电网有限公司 | 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 |
CN111523930A (zh) * | 2020-04-17 | 2020-08-11 | 国网上海市电力公司 | 城市电动出租车充电站选址和服务范围划分的规划方法 |
CN111709662A (zh) * | 2020-06-23 | 2020-09-25 | 四川中电启明星信息技术有限公司 | 一种基于大数据的电动汽车充电场站定容方法 |
CN111861022A (zh) * | 2020-07-28 | 2020-10-30 | 国网天津市电力公司滨海供电分公司 | 一种基于大数据分析优化电动汽车充电站选址的方法 |
CN111861017A (zh) * | 2020-07-24 | 2020-10-30 | 辽宁工程技术大学 | 一种基于现网数据的充电站网络优化方法 |
WO2020224544A1 (zh) * | 2019-05-06 | 2020-11-12 | 华为技术有限公司 | 选址方法、装置及计算机可读存储介质 |
CN111931968A (zh) * | 2020-03-12 | 2020-11-13 | 东南大学 | 一种应用手机gps数据来优化公共自行车站点布局的方法 |
CN113435777A (zh) * | 2021-07-13 | 2021-09-24 | 北京交通大学 | 一种电动运营车辆充电站规划方法及系统 |
CN113435790A (zh) * | 2021-07-29 | 2021-09-24 | 广东工业大学 | 一种电动公交车充换电站的设计方法 |
CN113469421A (zh) * | 2021-06-15 | 2021-10-01 | 上海电力大学 | 一种交直流配电网中电动汽车充换储一体站的规划方法 |
CN113553769A (zh) * | 2021-07-27 | 2021-10-26 | 南京工程学院 | 一种考虑充电效能的电动汽车充电设施优化配置方法 |
CN113822463A (zh) * | 2021-08-09 | 2021-12-21 | 武汉理工大学 | 一种基于Voronoi图与改进粒子群算法的电动汽车充电站选址定容方法 |
CN114037175A (zh) * | 2021-11-19 | 2022-02-11 | 电子科技大学 | 一种基于多尺度聚类的大规模公交线网分级优化方法 |
US20220227248A1 (en) * | 2019-10-09 | 2022-07-21 | Carnegie Mellon University | Method for determining optimal placement of electric vehicle chargers |
CN115438840A (zh) * | 2022-08-15 | 2022-12-06 | 北京化工大学 | 一种平均等待时间可控的电动汽车换电站选址优化方法 |
CN116362523A (zh) * | 2023-06-01 | 2023-06-30 | 吉林大学 | 考虑温度适应性的换电站选址与运营策略协同优化方法 |
CN116523087A (zh) * | 2022-01-21 | 2023-08-01 | 广州蔚景科技有限公司 | 一种融合多因素的充电站站址布局优化方法 |
CN116797002A (zh) * | 2023-08-17 | 2023-09-22 | 国网天津市电力公司培训中心 | 电动汽车充电站规划方法、装置及存储介质 |
CN117669993A (zh) * | 2024-01-30 | 2024-03-08 | 南方科技大学 | 一种渐进式充电设施规划方法、装置、终端及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463701A (zh) * | 2014-12-07 | 2015-03-25 | 国网浙江省电力公司电动汽车服务分公司 | 一种配电系统与电动汽车充电网络的协调规划方法 |
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 |
CN106503845A (zh) * | 2016-10-21 | 2017-03-15 | 国网山东省电力公司烟台供电公司 | 一种基于v图和hs算法的充电站布局规划方法 |
CN108805322A (zh) * | 2017-05-02 | 2018-11-13 | 南京理工大学 | 一种私家车的充电负荷时空分布预测方法 |
CN109034465A (zh) * | 2018-07-16 | 2018-12-18 | 河海大学 | 考虑充电站选址与出行路径耦合的充电站两层规划方法 |
-
2018
- 2018-12-28 CN CN201811628272.0A patent/CN109711630A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463701A (zh) * | 2014-12-07 | 2015-03-25 | 国网浙江省电力公司电动汽车服务分公司 | 一种配电系统与电动汽车充电网络的协调规划方法 |
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 |
US20180240047A1 (en) * | 2015-08-19 | 2018-08-23 | Tianjin University | Planning method of electric vehicle fast charging stations on the expressway |
CN106503845A (zh) * | 2016-10-21 | 2017-03-15 | 国网山东省电力公司烟台供电公司 | 一种基于v图和hs算法的充电站布局规划方法 |
CN108805322A (zh) * | 2017-05-02 | 2018-11-13 | 南京理工大学 | 一种私家车的充电负荷时空分布预测方法 |
CN109034465A (zh) * | 2018-07-16 | 2018-12-18 | 河海大学 | 考虑充电站选址与出行路径耦合的充电站两层规划方法 |
Non-Patent Citations (4)
Title |
---|
张晨彧等: "基于交通出行矩阵的私家车充电负荷时空分布预测", 《电工技术学报》 * |
熊虎等: "电动汽车公共充电站布局的最优规划", 《电力系统自动化》 * |
葛少云等: "考虑电量分布及行驶里程的高速公路充电站规划", 《电力自动化设备》 * |
邵尹池等: ""车–路–网"模式下电动汽车充电负荷时空预测及其对配电网潮流的影响", 《中国电机工程学报》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020224544A1 (zh) * | 2019-05-06 | 2020-11-12 | 华为技术有限公司 | 选址方法、装置及计算机可读存储介质 |
CN110070733A (zh) * | 2019-05-30 | 2019-07-30 | 上海海事大学 | 一种车头时距建模方法及一种最小绿灯时间计算方法 |
CN110222907A (zh) * | 2019-06-18 | 2019-09-10 | 国网河北省电力有限公司经济技术研究院 | 电动汽车充电站规划方法及终端设备 |
CN110222907B (zh) * | 2019-06-18 | 2021-10-08 | 国网河北省电力有限公司经济技术研究院 | 电动汽车充电站规划方法及终端设备 |
CN110458332A (zh) * | 2019-07-18 | 2019-11-15 | 天津大学 | 一种基于负荷空间转移的电动汽车快速充电需求调度方法 |
CN110458332B (zh) * | 2019-07-18 | 2023-04-18 | 天津大学 | 一种基于负荷空间转移的电动汽车快速充电需求调度方法 |
CN110728421A (zh) * | 2019-08-30 | 2020-01-24 | 山东理工大学 | 一种基于充电需求大数据的路网充电优化方法 |
CN110728421B (zh) * | 2019-08-30 | 2024-04-19 | 山东理工大学 | 一种基于充电需求大数据的路网充电优化方法 |
CN110674988A (zh) * | 2019-09-23 | 2020-01-10 | 国网上海市电力公司 | 一种基于电动汽车出行大数据的城区充电站规划方法 |
US20220227248A1 (en) * | 2019-10-09 | 2022-07-21 | Carnegie Mellon University | Method for determining optimal placement of electric vehicle chargers |
US20230241995A1 (en) * | 2019-10-09 | 2023-08-03 | Carnegie Mellon University | Method for managing electric vehicles |
US11752892B2 (en) * | 2019-10-09 | 2023-09-12 | Carnegie Mellon University | Method for determining optimal placement of electric vehicle chargers |
CN110838243A (zh) * | 2019-11-13 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 车位数据处理方法、装置和计算机可读存储介质 |
CN110838243B (zh) * | 2019-11-13 | 2021-08-17 | 腾讯科技(深圳)有限公司 | 车位数据处理方法、装置和计算机可读存储介质 |
CN110929925A (zh) * | 2019-11-15 | 2020-03-27 | 国家电网有限公司 | 基于环境温度与用户行为的电动汽车充电站规划方法 |
CN111055719B (zh) * | 2019-12-30 | 2023-09-22 | 云南电网有限责任公司 | 电动汽车充电站收益最大化决策的方法 |
CN111055719A (zh) * | 2019-12-30 | 2020-04-24 | 云南电网有限责任公司 | 电动汽车充电站收益最大化决策的方法 |
CN111199320A (zh) * | 2020-01-07 | 2020-05-26 | 国家电网有限公司 | 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 |
CN111931968B (zh) * | 2020-03-12 | 2023-12-01 | 东南大学 | 一种应用手机gps数据来优化公共自行车站点布局的方法 |
CN111931968A (zh) * | 2020-03-12 | 2020-11-13 | 东南大学 | 一种应用手机gps数据来优化公共自行车站点布局的方法 |
CN111523930A (zh) * | 2020-04-17 | 2020-08-11 | 国网上海市电力公司 | 城市电动出租车充电站选址和服务范围划分的规划方法 |
CN111709662A (zh) * | 2020-06-23 | 2020-09-25 | 四川中电启明星信息技术有限公司 | 一种基于大数据的电动汽车充电场站定容方法 |
CN111861017A (zh) * | 2020-07-24 | 2020-10-30 | 辽宁工程技术大学 | 一种基于现网数据的充电站网络优化方法 |
CN111861022B (zh) * | 2020-07-28 | 2022-05-13 | 国网天津市电力公司滨海供电分公司 | 一种基于大数据分析优化电动汽车充电站选址的方法 |
CN111861022A (zh) * | 2020-07-28 | 2020-10-30 | 国网天津市电力公司滨海供电分公司 | 一种基于大数据分析优化电动汽车充电站选址的方法 |
CN113469421A (zh) * | 2021-06-15 | 2021-10-01 | 上海电力大学 | 一种交直流配电网中电动汽车充换储一体站的规划方法 |
CN113435777A (zh) * | 2021-07-13 | 2021-09-24 | 北京交通大学 | 一种电动运营车辆充电站规划方法及系统 |
CN113553769A (zh) * | 2021-07-27 | 2021-10-26 | 南京工程学院 | 一种考虑充电效能的电动汽车充电设施优化配置方法 |
CN113553769B (zh) * | 2021-07-27 | 2023-12-05 | 南京工程学院 | 一种考虑充电效能的电动汽车充电设施优化配置方法 |
CN113435790A (zh) * | 2021-07-29 | 2021-09-24 | 广东工业大学 | 一种电动公交车充换电站的设计方法 |
CN113822463A (zh) * | 2021-08-09 | 2021-12-21 | 武汉理工大学 | 一种基于Voronoi图与改进粒子群算法的电动汽车充电站选址定容方法 |
CN114037175B (zh) * | 2021-11-19 | 2023-05-05 | 电子科技大学 | 一种基于多尺度聚类的大规模公交线网分级优化方法 |
CN114037175A (zh) * | 2021-11-19 | 2022-02-11 | 电子科技大学 | 一种基于多尺度聚类的大规模公交线网分级优化方法 |
CN116523087A (zh) * | 2022-01-21 | 2023-08-01 | 广州蔚景科技有限公司 | 一种融合多因素的充电站站址布局优化方法 |
CN116523087B (zh) * | 2022-01-21 | 2024-04-02 | 广州蔚景科技有限公司 | 一种融合多因素的充电站站址布局优化方法 |
CN115438840A (zh) * | 2022-08-15 | 2022-12-06 | 北京化工大学 | 一种平均等待时间可控的电动汽车换电站选址优化方法 |
CN116362523A (zh) * | 2023-06-01 | 2023-06-30 | 吉林大学 | 考虑温度适应性的换电站选址与运营策略协同优化方法 |
CN116362523B (zh) * | 2023-06-01 | 2023-09-26 | 吉林大学 | 考虑温度适应性的换电站选址与运营策略协同优化方法 |
CN116797002A (zh) * | 2023-08-17 | 2023-09-22 | 国网天津市电力公司培训中心 | 电动汽车充电站规划方法、装置及存储介质 |
CN116797002B (zh) * | 2023-08-17 | 2023-11-28 | 国网天津市电力公司培训中心 | 电动汽车充电站规划方法、装置及存储介质 |
CN117669993A (zh) * | 2024-01-30 | 2024-03-08 | 南方科技大学 | 一种渐进式充电设施规划方法、装置、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711630A (zh) | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 | |
Ioakimidis et al. | Peak shaving and valley filling of power consumption profile in non-residential buildings using an electric vehicle parking lot | |
Yi et al. | Research on the spatial-temporal distribution of electric vehicle charging load demand: A case study in China | |
Tao et al. | Data-driven optimized layout of battery electric vehicle charging infrastructure | |
CN103241130B (zh) | 一种电动公交车充换电站的能量管理方法及系统 | |
Miao et al. | Autonomous connected electric vehicle (ACEV)-based car-sharing system modeling and optimal planning: A unified two-stage multi-objective optimization methodology | |
CN107169273A (zh) | 计及延时和v2g充电模式的电动汽车充电功率预测方法 | |
CN109447410A (zh) | 一种考虑城市路网交通运行状态的充电站选址方法 | |
CN111400662B (zh) | 一种考虑电动汽车充电需求的空间负荷预测方法 | |
Lin et al. | Optimal planning of intra-city public charging stations | |
CN110189025B (zh) | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 | |
Liu et al. | A multi-objective decision-making approach for the optimal location of electric vehicle charging facilities | |
CN109492791A (zh) | 基于充电引导的城际高速路网光储充电站定容规划方法 | |
CN108596667A (zh) | 一种基于车联网的电动汽车实时充电电价计算方法 | |
Ji et al. | Optimal electric bus fleet scheduling for a route with charging facility sharing | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
CN110232219A (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
Gao et al. | Charging load forecasting of electric vehicle based on Monte Carlo and deep learning | |
CN107704963A (zh) | 一种考虑时空分布的电动汽车充电负荷预测方法 | |
Liu et al. | Building-centric investigation into electric vehicle behavior: A survey-based simulation method for charging system design | |
Jiang et al. | Optimal configuration of electric vehicles for charging stations under the fast power supplement mode | |
CN116362523B (zh) | 考虑温度适应性的换电站选址与运营策略协同优化方法 | |
CN109359784A (zh) | 计及运营商的电动汽车负荷时间预测方法和系统 | |
Falco et al. | Agent-based modelling to evaluate the impact of plug-in electric vehicles on distribution systems | |
Liao et al. | Load modeling for electric taxi battery charging and swapping stations: Comparison studies |
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 |