CN109840640B - 一种电动汽车充电桩的选址方法和系统 - Google Patents
一种电动汽车充电桩的选址方法和系统 Download PDFInfo
- Publication number
- CN109840640B CN109840640B CN201910167083.6A CN201910167083A CN109840640B CN 109840640 B CN109840640 B CN 109840640B CN 201910167083 A CN201910167083 A CN 201910167083A CN 109840640 B CN109840640 B CN 109840640B
- Authority
- CN
- China
- Prior art keywords
- charging
- grid
- random
- determining
- event
- 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
Links
Images
Abstract
本发明公开一种电动汽车充电桩的选址方法和系统。本发明根据地域类型对各个潜在充电事件数据进行分类,根据各地域类型对应的各潜在充电事件数据,采用核密度估计方法确定空间网格地图中与地域类型对应的每一网格中,起始时刻在[t,t+1)的随机充电事件的充电时长。根据随机充电事件确定每个网格单格充电满足率最高时的单格充电桩数量。判断各网格的单格充电桩数量之和是否小于或等于充电桩预设总和;若是,根据各个单格充电桩数量确定电动汽车充电桩的位置,否则,将桩数梯度最小的网格的单格充电桩数量减1,使充电桩数量满足要求的前提下,获得随机充电事件满足率最大的充电桩布设位置,实现随机充电事件满足率和充电桩使用率最优的目标。
Description
技术领域
本发明涉及充电桩技术领域,特别是涉及一种电动汽车充电桩的选址方法和系统。
背景技术
为了缓解传统机动车所带来的空气污染、能源消耗等问题,电动汽车作为未来汽车行业发展的主导方向,具有广阔的发展前景。然而,电动汽车充电设施不配套、充电不便利极大地阻碍了电动汽车的发展。一方面,充电设施建设步伐落后于电动汽车保有量增长,造成需求缺口;另一方面,由于缺乏合理布局,部分已建成的充电设施未能得到有效利用,即电动汽车充电设施的“排队”与“闲置”现象同时存在。
如果放任充电需求长期缺口的存在,会导致电动汽车需求得不到满足,进而限制电动汽车的推广。而如果盲目大量布局充电站,会造成充电桩无法得到充分利用,进而导致公共资源的大量浪费。因此,如何合理布局充电桩,成为本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的是提供一种电动汽车充电桩的选址方法和系统,在充电桩数量满足要求的前提下,获得随机充电事件满足率最大的充电桩布设位置,实现随机充电事件满足率和充电桩使用率最优的目标。
为实现上述目的,本发明提供了如下方案:
一种电动汽车充电桩的选址方法,所述选址方法包括:
获取目标地区的地图、人口密度分布数据、信息点数据和多个潜在充电事件数据,所述潜在充电事件数据包括停车时长大于停车阈值的停车事件的停车位置和停车起止时刻;
对所述地图进行网格化处理,获得网格地图;
根据所述信息点数据确定所述网格地图中各网格的地域类型;
将所述人口密度分布数据、各个所述潜在充电事件数据、各网格的地域类型和所述网格地图关联,获得所述目标地区的空间网格地图;
根据地域类型对各个潜在充电事件数据进行分类,获得每一所述地域类型对应的各个潜在充电事件数据;
根据每一地域类型对应的各个潜在充电事件数据,采用核密度估计方法确定所述空间网格地图中与所述地域类型对应的每一网格中,起始时刻在[t,t+1)时刻的随机充电事件的充电时长,其中,t表示时间;
根据随机充电事件的充电时长、停车位置和停车起始时刻确定每个网格的单格充电满足率最高时的单格充电桩数量;
判断各个网格的单格充电桩数量之和是否小于或者等于充电桩预设总和;
若是,根据各个所述单格充电桩数量确定电动汽车充电桩的分布;
若否,将桩数梯度最小的网格的单格充电桩数量减1,返回“判断各个网格的单格充电桩数量之和是否小于或者等于充电桩预设总和”。
可选的,所述根据每一地域类型对应的各个潜在充电事件数据,采用核密度估计方法确定所述空间网格地图中与所述地域类型对应的每一网格中,起始时刻在[t,t+1)时刻的随机充电事件的充电时长,具体包括:
根据公式:确定起始时刻在[t,t+1)时间段内的随机充电事件停车时长为x的概率密度函数,其中,t=0,1,2,···23,t≤x<t+1,表示概率密度函数,h表示窗宽,K(x′)表示核函数,x′表示核函数自变量,Xi表示第i个样本,样本为所述网格对应的地域类型中停车起始时刻在[t,t+1)的各潜在充电事件数据中的停车时长,n表示样本数量;
根据所述概率密度函数确定随机充电事件起始时刻x对应的时间段的停车时长的累积分布函数;
采用随机函数生成随机数;
根据所述随机数和所述累积分布函数确定随机充电事件的起始时刻为[t,t+1)时刻的充电时长。
可选的,所述根据充电时长确定每个网格的单格充电满足率最高时的单格充电桩数量,具体包括:
获取所述目标地区的人口密度Pop、电车汽车拥有率εEV和电动汽车日均充电次数Tcharge;
根据公式:N=Pop×εEV×Tcharge,确定所述目标地区的日随机充电事件总数N;
根据公式:Ni=N×ωi,确定第i个网格的日随机充电事件总数Ni,其中,ωi表示第i个网格内的人口数量占总人口的百分比;
根据第i个网格的日随机充电事件总数Ni和起始时刻为[t,t+1)时刻的随机充电事件的频率比确定第i个网格内随机充电事件起始时刻在[t,t+1)时刻的随机充电事件总数;
根据各个所述充电时长确定第i个网格内各充电桩的一日工作时间;
根据所述一日工作时间确定充电桩使用率;
获取各个时间段的随机充电事件不满足数量;
将各个时间段的随机充电事件不满足数量求和,获得随机充电事件不满足总数;
根据所述随机充电事件不满足总数和各个时间段的随机充电事件总数确定随机充电事件满足度;
根据所述充电桩使用率和所述随机充电事件满足度确定第i个网格的单格充电满足率;
根据所述单格充电满足率确定单格充电满足率最高时的单格充电桩数量。
一种电动汽车充电桩的选址系统,所述选址系统包括:
数据获取模块,用于获取目标地区的地图、人口密度分布数据、信息点数据和多个潜在充电事件数据,所述潜在充电事件数据包括停车时长大于停车阈值的停车事件的停车位置和停车起止时刻;
网格化处理模块,用于对所述地图进行网格化处理,获得网格地图;
地域类型确定模块,用于根据所述信息点数据确定所述网格地图中各网格的地域类型;
关联模块,用于将所述人口密度分布数据、各个所述潜在充电事件数据、各网格的地域类型和所述网格地图关联,获得所述目标地区的空间网格地图;
分类模块,用于根据地域类型对各个潜在充电事件数据进行分类,获得每一所述地域类型对应的各个潜在充电事件数据;
核密度估计模块,用于根据每一地域类型对应的各个潜在充电事件数据,采用核密度估计方法确定所述空间网格地图中与所述地域类型对应的每一网格中,起始时刻在[t,t+1)时刻的随机充电事件的充电时长,其中,t表示时间;
单格充电桩确定模块,用于根据随机充电事件的充电时长、停车位置和停车起始时刻确定每个网格的单格充电满足率最高时的单格充电桩数量;
判断模块,用于判断各个网格的单格充电桩数量之和是否小于或者等于充电桩预设总和;
充电桩分布确定模块,用于当各个网格的单格充电桩数量之和小于或者等于充电桩预设总和时,根据各个所述单格充电桩数量确定电动汽车充电桩的分布;
充电桩数量更新模块,用于当各个网格的单格充电桩数量之和大于充电桩预设总和时,将桩数梯度最小的网格的单格充电桩数量减1。
可选的,所述核密度估计模块包括:
概率密度确定单元,用于根据公式:确定起始时刻在[t,t+1)时间段内的随机充电事件停车时长为x的概率密度函数,其中,t=0,1,2,···23,t≤x<t+1,表示概率密度函数,h表示窗宽,K(x′)表示核函数,x′表示核函数自变量,Xi表示第i个样本,样本为所述网格对应的地域类型中停车起始时刻在[t,t+1)的各潜在充电事件数据中的停车时长,n表示样本数量;
累积分布确定单元,用于根据所述概率密度函数确定随机充电事件起始时刻x对应的时间段的停车时长的累积分布函数;
随机数生成单元,用于采用随机函数生成随机数;
充电时长确定单元,用于根据所述随机数和所述累积分布函数确定起始时刻为[t,t+1)时刻的随机充电事件的充电时长。
可选的,所述单格充电桩确定模块包括:
数据获取单元,用于获取所述目标地区的人口密度Pop、电车汽车拥有率εEV和电动汽车日均充电次数Tcharge;
日随机充电事件总数确定单元,用于根据公式:N=Pop×εEV×Tcharge,确定所述目标地区的日随机充电事件总数N;
单格日随机充电事件总数确定单元,用于根据公式:Ni=N×ωi,确定第i个网格的日随机充电事件总数Ni,其中,ωi表示第i个网格内的人口数量占总人口的百分比;
随机充电事件总数确定单元,用于根据第i个网格的日随机充电事件总数Ni和起始时刻为[t,t+1)时刻的随机充电事件的频率比确定第i个网格内随机充电事件起始时刻在[t,t+1)时刻的随机充电事件总数;
日工作时间确定单元,用于根据各个所述充电时长确定第i个网格内各充电桩的一日工作时间;
使用率确定单元,用于根据所述一日工作时间确定充电桩使用率;
不满足数量获取单元,用于获取各个时间段的随机充电事件不满足数量;
不满足总数确定单元,用于将各个时间段的随机充电事件不满足数量求和,获得随机充电事件不满足总数;
满足度确定单元,用于根据所述随机充电事件不满足总数和各个时间段的随机充电事件总数确定随机充电事件满足度;
单格满足率确定单元,用于根据所述充电桩使用率和所述随机充电事件满足度确定第i个网格的单格充电满足率;
单格充电桩数量确定单元,用于根据所述单格充电满足率确定单格充电满足率最高时的单格充电桩数量。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种电动汽车充电桩的选址方法和系统,对目标地区的地图进行网格化处理,获得网格地图;根据所述信息点数据确定网格地图中各网格的地域类型;将人口密度分布数据、各个潜在充电事件数据、各网格的地域类型和网格地图关联,获得目标地区的空间网格地图。根据地域类型对各个潜在充电事件数据进行分类,获得每一地域类型对应的各个潜在充电事件数据。根据每一地域类型对应的各个潜在充电事件数据,采用核密度估计方法确定空间网格地图中与所述地域类型对应的每一网格中,随机充电事件的起始时刻为[t,t+1)时刻的充电时长。根据随机充电事件的充电时长、停车位置和停车起始时刻确定每个网格的单格充电满足率最高时的单格充电桩数量。判断各个网格的单格充电桩数量之和是否小于或者等于充电桩预设总和;若是,则根据各个单格充电桩数量确定电动汽车充电桩的分布,否则,将桩数梯度最小的网格的单格充电桩数量减1后,继续判断各个网格的单格充电桩数量之和是否小于或者等于充电桩预设总和,在充电桩数量满足要求的前提下,获得随机充电事件满足率最大的充电桩布设位置,实现随机充电事件满足率和充电桩使用率最优的目标。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种电动汽车充电桩的选址方法的流程图;
图2为本发明实施例提供的一种电动汽车充电桩的选址系统的结构框图;
图3为本发明实施例提供的各地域类型的随机充电事件开始时刻频率分布图;
图4为本发明实施例提供的不同地域类型的停车时长-起始时刻散点图;
图5为本发明实施例提供的不同地域类型、不同起始时间段内充电时长密度分布图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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。
本发明的目的是提供一种电动汽车充电桩的选址方法和系统,在充电桩数量满足要求的前提下,获得随机充电事件满足率最大的充电桩布设位置,实现随机充电事件满足率和充电桩使用率最优的目标。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的一种电动汽车充电桩的选址方法的流程图。如图1所示,一种电动汽车充电桩的选址方法,所述选址方法包括:
步骤11:获取目标地区的地图、人口密度分布数据、信息点(Point of Interest,POI)数据和多个潜在充电事件数据,所述潜在充电事件数据包括停车时长大于停车阈值的停车事件的停车位置和停车起止时刻。本实施例中,停车阈值为20分钟。
步骤12:对所述地图进行网格化处理,获得网格地图。
步骤13:根据所述信息点数据确定所述网格地图中各网格的地域类型。
步骤14:将所述人口密度分布数据、各个所述潜在充电事件数据、各网格的地域类型和所述网格地图关联,获得所述目标地区的空间网格地图。
步骤15:根据地域类型对各个潜在充电事件数据进行分类,获得每一所述地域类型对应的各个潜在充电事件数据。
步骤16:根据每一地域类型对应的各个潜在充电事件数据,采用核密度估计方法确定所述空间网格地图中与所述地域类型对应的每一网格中,起始时刻在[t,t+1)时刻的随机充电事件的充电时长,其中,t表示时间。本实施例中,所述核函数为高斯分布函数。
步骤16具体包括:
根据公式:确定[t,t+1)时间段内,随机充电事件起始时刻为x的停车时长的概率密度函数,其中,t=0,1,2,···23,t≤x≤t+1,表示概率密度函数,h表示窗宽,K(x′)表示核函数,x′表示核函数自变量,Xi表示第i个样本,样本为所述网格对应的地域类型中各潜在充电事件数据中的停车起始时刻,n表示所述网格对应的地域类型及停车起始时刻的样本数量;
根据所述概率密度函数确定随机充电事件起始时刻x对应的时间段的停车时长的累积分布函数;
采用随机函数生成随机数;
根据所述随机数和所述累积分布函数确定随机充电事件的起始时刻为[t,t+1)时刻的充电时长。
步骤17:根据随机充电事件的充电时长、停车位置和停车起始时刻确定每个网格的单格充电满足率最高时的单格充电桩数量。步骤17具体包括以下步骤:
获取所述目标地区的人口密度Pop、电车汽车拥有率εEV和电动汽车日均充电次数Tcharge;
根据公式:N=Pop×εEV×Tcharge,确定所述目标地区的日随机充电事件总数N;
根据公式:Ni=N×ωi,确定第i个网格的日随机充电事件总数Ni,即所述Ni个随机充电事件的停车位置为第i个网格,其中,ωi表示第i个网格内的人口数量占总人口的百分比;
根据第i个网格的日随机充电事件总数Ni和起始时刻为[t,t+1)时刻的随机充电事件的频率比确定第i个网格内随机充电事件起始时刻为[t,t+1)时刻的随机充电事件总数,即第i个网格内随机充电事件的停车起始时刻;
根据各个所述充电时长确定第i个网格内各充电桩的一日工作时间;
根据所述一日工作时间确定充电桩使用率;
获取各个时间段的随机充电事件不满足数量;
将各个时间段的随机充电事件不满足数量求和,获得随机充电事件不满足总数;
根据所述随机充电事件不满足总数和各个时间段的随机充电事件总数确定随机充电事件满足度;
根据所述充电桩使用率和所述随机充电事件满足度确定第i个网格的单格充电满足率;
根据所述单格充电满足率确定单格充电满足率最高时的单格充电桩数量。
步骤18:判断各个网格的单格充电桩数量之和是否小于或者等于充电桩预设总和。
若是,执行步骤19。
若否,执行步骤20后,返回步骤18。
步骤19:根据各个所述单格充电桩数量确定电动汽车充电桩的分布。
步骤20:将桩数梯度最小的网格的单格充电桩数量减1。
图2为本发明实施例提供的一种电动汽车充电桩的选址系统的结构框图。如图2所示,一种电动汽车充电桩的选址系统,所述选址系统包括:
数据获取模块21,用于获取目标地区的地图、人口密度分布数据、信息点数据和多个潜在充电事件数据,所述潜在充电事件数据包括停车时长大于停车阈值的停车事件的停车位置和停车起止时刻;
网格化处理模块22,用于对所述地图进行网格化处理,获得网格地图;
地域类型确定模块23,用于根据所述信息点数据确定所述网格地图中各网格的地域类型;
关联模块24,用于将所述人口密度分布数据、各个所述潜在充电事件数据、各网格的地域类型和所述网格地图关联,获得所述目标地区的空间网格地图;
分类模块25,用于根据地域类型对各个潜在充电事件数据进行分类,获得每一所述地域类型对应的各个潜在充电事件数据;
核密度估计模块26,用于根据每一地域类型对应的各个潜在充电事件数据,采用核密度估计方法确定所述空间网格地图中与所述地域类型对应的每一网格中,随机充电事件的起始时刻为[t,t+1)时刻的充电时长,其中,t表示时间;
单格充电桩确定模块27,用于根据充电时长确定每个网格的单格充电满足率最高时的单格充电桩数量;
判断模块28,用于判断各个网格的单格充电桩数量之和是否小于或者等于充电桩预设总和;
充电桩分布确定模块29,用于当各个网格的单格充电桩数量之和小于或者等于充电桩预设总和时,根据各个所述单格充电桩数量确定电动汽车充电桩的位置;
充电桩数量更新模块30,用于当各个网格的单格充电桩数量之和大于充电桩预设总和时,将桩数梯度最小的网格的单格充电桩数量减1。
本实施例中,所述核密度估计模块26包括:
概率密度确定单元,用于根据公式:确定[t,t+1)时间段内,随机充电事件起始时刻为x的停车时长的概率密度函数,其中,t=0,1,2,···23,t≤x≤t+1,表示概率密度函数,h表示窗宽,K(x′)表示核函数,x′表示核函数自变量,Xi表示第i个样本,样本为所述网格对应的地域类型中各潜在充电事件数据中的停车起始时刻,n表示所述网格对应的地域类型的样本数量;
累积分布确定单元,用于根据所述概率密度函数确定随机充电事件起始时刻x对应的时间段的停车时长的累积分布函数。本实施例中,对所述概率密度函数求积分,获得累积分布函数。
随机数生成单元,用于采用随机函数生成随机数;
充电时长确定单元,用于根据所述随机数和所述累积分布函数确定随机充电事件的起始时刻为[t,t+1)时刻的充电时长。
所述单格充电桩确定模块27包括:
数据获取单元,用于获取所述目标地区的人口密度Pop、电车汽车拥有率εEV和电动汽车日均充电次数Tcharge;
日随机充电事件总数确定单元,用于根据公式:N=Pop×εEV×Tcharge,确定所述目标地区的日随机充电事件总数N;
单格日随机充电事件总数确定单元,用于根据公式:Ni=N×ωi,确定第i个网格的日随机充电事件总数Ni,其中,ωi表示第i个网格内的人口数量占总人口的百分比;
随机充电事件总数确定单元,用于根据第i个网格的日随机充电事件总数Ni和起始时刻为[t,t+1)时刻的随机充电事件的频率比确定第i个网格内随机充电事件起始时刻在[t,t+1)时刻的随机充电事件总数;
日工作时间确定单元,用于根据各个所述充电时长确定第i个网格内各充电桩的一日工作时间;
使用率确定单元,用于根据所述一日工作时间确定充电桩使用率;
不满足数量获取单元,用于获取各个时间段的随机充电事件不满足数量;
不满足总数确定单元,用于将各个时间段的随机充电事件不满足数量求和,获得随机充电事件不满足总数;
满足度确定单元,用于根据所述随机充电事件不满足总数和各个时间段的随机充电事件总数确定随机充电事件满足度;
单格满足率确定单元,用于根据所述充电桩使用率和所述随机充电事件满足度确定第i个网格的单格充电满足率;
单格充电桩数量确定单元,用于根据所述单格充电满足率确定单格充电满足率最高时的单格充电桩数量。
本发明提供的一种电动汽车充电桩的选址系统的实施过程如下:
1、提取潜在充电事件
将上海市作为目标地区,获取上海市2015-2016年间340辆新能源车累计750个月的行车记录,运用MATLAB提取停车状态(超过20min)下所处经纬度、起止时刻,作为一次潜在充电事件。进行数据清洗,以解决仪器记录存在的经纬度偏移误差、遗漏片段等问题。
2、划分地域类型
本实施例中,地域类型划分是基于ArcGIS软件实现的。首先对上海市地图进行网格化处理,获得网格地图。将高分辨度的人口密度分布数据与网格地图关联。从高德地图平台获取上海市空间信息点数据,与地图关联。将城市划分为商业区、工作区、住宅区、其他四种地域类型。
根据经纬度信息将潜在充电事件导入ArcGIS软件,与包含人口密度、地域类型信息的上海市地图关联,获得每个事件的空间信息。
3、刻画充电需求
根据地域类型将潜在充电事件进行划分,获得如图3所示的各地域类型的随机充电事件开始时刻频率分布图,以探究随机充电事件在不同时间段、不同区域下的分布规律。其中,图3的(a)部分为地域类型为商业区的潜在充电事件开始时刻频率分布图,图3的(b)部分为地域类型为工作区的潜在充电事件开始时刻频率分布图,图3的(c)部分为地域类型为住宅区的潜在充电事件开始时刻频率分布图,图3的(a)部分为其他地域类型的潜在充电事件开始时刻频率分布图。如图3所示,四种地域类型中随机充电事件分布整体趋势相近,但均具有各自代表性的特征性差异。例如8点到9点商业区和工作区随机充电事件频率突跃,住宅区未发生显著偏离;16点到19点商业区和工作区发生随机充电事件频率稳定,而住宅区数据存在明显攀升。这与市民通常上下班时间规律相吻合。
为进一步探究停车时长与停车起始时刻的关系,绘制如图4所示的不同地域类型的停车时长-起始时刻散点图。其中,图4的(a)部分为商业区的停车时长-起始时刻散点图,图4的(b)部分为工作区的停车时长-起始时刻散点图,图4的(c)部分为住宅区的停车时长-起始时刻散点图,图4的(d)部分为其他地域类型的停车时长-起始时刻散点图,横轴为起始时刻,单位为s;纵轴为停车时长,单位为h。由图4的(a)~(d)部分可见,散点均主要分布在两个三角形区域中,并非简单的函数关系。因此,传统的回归模型无法合理刻画起始时刻与停车时长的关系。本发明采用核密度估计方法,由数据获得分布,以准确刻画各时段各地域类型充电时长的概率关系。
核密度估计高度依赖于所有样本,如图5所示,不同地域类型、不同起始时间段内充电时长密度分布存在明显差异。其中,图5的(a)部分为起始时间段为[0,1)的商业区的充电时长密度分布,图5的(b)部分为起始时间段为[0,1)的工作区的充电时长密度分布,图5的(c)部分为起始时间段为[0,1)的住宅区的充电时长密度分布,图5的(d)部分为起始时间段为[12,13)的商业区的充电时长密度分布,图5的(e)部分为起始时间段为[12,13)的工作区的充电时长密度分布,图5的(f)部分为起始时间段为[12,13)的住宅区的充电时长密度分布,图5的(g)部分为起始时间段为[20,21)的商业区的充电时长密度分布,图5的(h)部分为起始时间段为[20,21)的工作区的充电时长密度分布,图5的(i)部分为起始时间段为[20,21)的住宅区的充电时长密度分布。因此,对于4种地域类型和24个可能的充电开始时间(0-23h),共计算出4×24=96个核密度函数模拟实际充电需求。对于发生在某地域某时刻的随机充电事件,可以依据概率分布求解实际充电时长。
虽然不同城市地理位置不同,具有不同的空间发展特征,但根据区域功能都可按“商业区、工作区、住宅区、其他”的分类标准划分。另一方面,获取每个城市电动汽车的实际出行数据困难重重,但可认为充电行为在相同功能区内服从相似规律。
4、建立模型
在优化调整充电桩分配方案时,本模型采用了启发式算法的方法进行充电桩分配。首先由上海市人口密度Pop、上海市平均电动汽车拥有率εEV、电动汽车日均充电次数Tcharge得出总随机事件数N,N即为上海市一日内电动汽车充电总次数的理论值,N=Pop×εEV×Tcharge。
按照人口密度比例,计算每个网格内随机充电事件的数量Ni,Ni=N×ωi。
根据公式:Ni,t=Ni×fi,t,确定第i个网格内随机充电事件起始时刻为[t,t+1)时刻的随机充电事件总数,其中,Ni,t表示第i个网格内随机充电事件起始时刻为[t,t+1)时刻的随机充电事件总数,fi,t表示起始时刻为[t,t+1)时刻的随机充电事件的频率比,即随机充电事件起始时刻为[t,t+1)时刻的随机充电事件总数与全天潜在充电事件数的比值。
本发明利用启发式算法对充电桩布设方案进行调整。在确定随机充电事件满足度、充电桩利用率在单格满足度中所占比例(rate,0-100%)后,对于随机充电事件确定的单个网格,分别计算出单格中布设充电桩数目为1~M时的单格满足率及桩数梯度,M为使得该网格的单格满足率最高的充电桩数量,桩数梯度为充电桩数目减少1引起的单格满足率的下降值。具体实现过程如下:
首先计算各个网格内单格满足率最高的充电桩数量,作为充电桩的初始位置;计算当前位置下个网格的单格充电满足率和桩数梯度,将所有网格按桩数梯度排序,将桩数梯度最小网格的充电桩数目减少1,生成新的充电桩位置;判断各个网格的单格充电桩数量之和是否小于或者等于充电桩预设总和;若是,根据各个所述单格充电桩数量确定电动汽车充电桩的位置;若否,将桩数梯度最小的网格的单格充电桩数量减1,继续判断各个网格的单格充电桩数量之和是否小于或者等于充电桩预设总和。如此循环,直到所有网格内充电桩数目之和等于充电桩预设总数为止。若充电桩预设总数超过所有网格的充电桩数量之和,发出警告“充电桩总数过多”的提示,并根据当前各网格的充电桩数量确定充电桩的位置,完成充电桩的布设。
其中,充电桩使用率ν等于充电桩一日工作时间与24小时的比值;随机充电事件满足度为:其中,R表示随机充电事件满足度,m表示随机充电事件总数,m′表示随机充电事件不满足总数,一件随机充电事件不满足是指当该事件发生时,所在网格没有可利用的充电桩;单格满足率Ri=rate×ν+(100%-rate)×R。其中,rate表示权重系数,是输入变量之一。
本实施例中,单格满足率最高的充电桩数量的确定方法如下:
遍历所有网格,对每个网格来说,从0开始分配充电桩,计算单格充电满足率,充电桩依次增加1,并分别计算单格充电满足率,直到出现拐点,即充电桩增加时单格充电满足率不增加,此时充电桩数量即为单格满足率最高的充电桩数量。
本发明运用大量实际用户充电数据开展分析,区分地域类型与发生时刻,根据核密度估计原理对充电需求进行准确刻画。应用本发明提供的一种电动汽车充电桩的选址方法和系统,将充电桩预设总数作为约束条件,在定量化评估充电需求的基础上可进一步调整各个地区快充桩和慢充桩的布局分配,利用启发式算法搜索最优方案,实现总充电满足率(随机充电事件满足率、充电桩使用率)最大化的目标。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种电动汽车充电桩的选址方法,其特征在于,所述选址方法包括:
获取目标地区的地图、人口密度分布数据、信息点数据和多个潜在充电事件数据,所述潜在充电事件数据包括停车时长大于停车阈值的停车事件的停车位置和停车起止时刻;
对所述地图进行网格化处理,获得网格地图;
根据所述信息点数据确定所述网格地图中各网格的地域类型;
将所述人口密度分布数据、各个所述潜在充电事件数据、各网格的地域类型和所述网格地图关联,获得所述目标地区的空间网格地图;
根据地域类型对各个潜在充电事件数据进行分类,获得每一所述地域类型对应的各个潜在充电事件数据;
根据每一地域类型对应的各个潜在充电事件数据,采用核密度估计方法确定所述空间网格地图中与所述地域类型对应的每一网格中,起始时刻在[t,t+1)时间段内的随机充电事件的充电时长,其中,t表示时间;
根据随机充电事件的充电时长、停车位置和停车起始时刻确定每个网格的单格充电满足率最高时的单格充电桩数量;单格充电满足率Ri为:Ri=rate×v+(100%-rate)×R,其中rate表示权重系数,v表示充电使用率,其中,R表示随机充电事件满足度,m表示随机充电事件总数,m′表示随机充电事件不满足总数;
判断各个网格的单格充电桩数量之和是否小于或者等于充电桩预设总和;
若是,根据各个所述单格充电桩数量确定电动汽车充电桩的分布;
若否,将桩数梯度最小的网格的单格充电桩数量减1,返回“判断各个网格的单格充电桩数量之和是否小于或者等于充电桩预设总和”。
2.根据权利要求1所述的选址方法,其特征在于,所述根据每一地域类型对应的各个潜在充电事件数据,采用核密度估计方法确定所述空间网格地图中与所述地域类型对应的每一网格中,起始时刻在[t,t+1)时间段内的随机充电事件的充电时长,具体包括:
根据公式:确定起始时刻在[t,t+1)时间段内的随机充电事件停车时长为x的概率密度函数,其中,t=0,1,2,…23,t≤x<t+1,表示概率密度函数,h表示窗宽,K(x′)表示核函数,x′表示核函数自变量,Xi表示第i个样本,样本为所述网格对应的地域类型中停车起始时刻在[t,t+1)时间段内的各潜在充电事件数据中的停车时长,n表示样本数量;
根据所述概率密度函数确定随机充电事件起始时刻x对应的时间段的停车时长的累积分布函数;
采用随机函数生成随机数;
根据所述随机数和所述累积分布函数确定随机充电事件的起始时刻在[t,t+1)时间段内的充电时长。
3.根据权利要求2所述的选址方法,其特征在于,所述根据充电时长确定每个网格的单格充电满足率最高时的单格充电桩数量,具体包括:
获取所述目标地区的人口密度Pop、电动汽车拥有率εEV和电动汽车日均充电次数Tcharge;
根据公式:N=Pop×εEV×Tcharge,确定所述目标地区的日随机充电事件总数N;
根据公式:Ni=N×ωi,确定第i个网格的日随机充电事件总数Ni,其中,ωi表示第i个网格内的人口数量占总人口的百分比;
根据第i个网格的日随机充电事件总数Ni和起始时刻在[t,t+1)时间段内的随机充电事件的频率比确定第i个网格内随机充电事件起始时刻在[t,t+1)时间段内的随机充电事件总数;
根据各个所述充电时长确定第i个网格内各充电桩的一日工作时间;
根据所述一日工作时间确定充电桩使用率;
获取各个时间段的随机充电事件不满足数量;
将各个时间段的随机充电事件不满足数量求和,获得随机充电事件不满足总数;
根据所述随机充电事件不满足总数和各个时间段的随机充电事件总数确定随机充电事件满足度;
根据所述充电桩使用率和所述随机充电事件满足度确定第i个网格的单格充电满足率;
根据所述单格充电满足率确定单格充电满足率最高时的单格充电桩数量。
4.一种电动汽车充电桩的选址系统,其特征在于,所述选址系统包括:
数据获取模块,用于获取目标地区的地图、人口密度分布数据、信息点数据和多个潜在充电事件数据,所述潜在充电事件数据包括停车时长大于停车阈值的停车事件的停车位置和停车起止时刻;
网格化处理模块,用于对所述地图进行网格化处理,获得网格地图;
地域类型确定模块,用于根据所述信息点数据确定所述网格地图中各网格的地域类型;
关联模块,用于将所述人口密度分布数据、各个所述潜在充电事件数据、各网格的地域类型和所述网格地图关联,获得所述目标地区的空间网格地图;
分类模块,用于根据地域类型对各个潜在充电事件数据进行分类,获得每一所述地域类型对应的各个潜在充电事件数据;
核密度估计模块,用于根据每一地域类型对应的各个潜在充电事件数据,采用核密度估计方法确定所述空间网格地图中与所述地域类型对应的每一网格中,起始时刻在[t,t+1)时间段内的随机充电事件的充电时长,其中,t表示时间;
单格充电桩确定模块,用于根据随机充电事件的充电时长、停车位置和停车起始时刻确定每个网格的单格充电满足率最高时的单格充电桩数量;单格充电满足率Ri为:Ri=rate×v+(100%-rate)×R,其中rate表示权重系数,v表示充电使用率,其中,R表示随机充电事件满足度,m表示随机充电事件总数,m′表示随机充电事件不满足总数;
判断模块,用于判断各个网格的单格充电桩数量之和是否小于或者等于充电桩预设总和;
充电桩分布确定模块,用于当各个网格的单格充电桩数量之和小于或者等于充电桩预设总和时,根据各个所述单格充电桩数量确定电动汽车充电桩的分布;
充电桩数量更新模块,用于当各个网格的单格充电桩数量之和大于充电桩预设总和时,将桩数梯度最小的网格的单格充电桩数量减1。
5.根据权利要求4所述的选址系统,其特征在于,所述核密度估计模块包括:
概率密度确定单元,用于根据公式:确定起始时刻在[t,t+1)时间段内的随机充电事件停车时长为x的概率密度函数,其中,t=0,1,2,…23,t≤x<t+1,表示概率密度函数,h表示窗宽,K(x′)表示核函数,x′表示核函数自变量,Xi表示第i个样本,样本为所述网格对应的地域类型中停车起始时刻在[t,t+1)时间段内的各潜在充电事件数据中的停车时长,n表示样本数量;
累积分布确定单元,用于根据所述概率密度函数确定随机充电事件起始时刻x对应的时间段的停车时长的累积分布函数;
随机数生成单元,用于采用随机函数生成随机数;
充电时长确定单元,用于根据所述随机数和所述累积分布函数确定起始时刻在[t,t+1)时间段内的随机充电事件的充电时长。
6.根据权利要求5所述的选址系统,其特征在于,所述单格充电桩确定模块包括:
数据获取单元,用于获取所述目标地区的人口密度Pop、电动汽车拥有率εEV和电动汽车日均充电次数Tcharge;
日随机充电事件总数确定单元,用于根据公式:N=Pop×εEV×Tcharge,确定所述目标地区的日随机充电事件总数N;
单格日随机充电事件总数确定单元,用于根据公式:Ni=N×ωi,确定第i个网格的日随机充电事件总数Ni,其中,ωi表示第i个网格内的人口数量占总人口的百分比;
随机充电事件总数确定单元,用于根据第i个网格的日随机充电事件总数Ni和起始时刻在[t,t+1)时间段内的随机充电事件的频率比确定第i个网格内随机充电事件起始时刻在[t,t+1)时间段内的随机充电事件总数;
日工作时间确定单元,用于根据各个所述充电时长确定第i个网格内各充电桩的一日工作时间;
使用率确定单元,用于根据所述一日工作时间确定充电桩使用率;
不满足数量获取单元,用于获取各个时间段的随机充电事件不满足数量;
不满足总数确定单元,用于将各个时间段的随机充电事件不满足数量求和,获得随机充电事件不满足总数;
满足度确定单元,用于根据所述随机充电事件不满足总数和各个时间段的随机充电事件总数确定随机充电事件满足度;
单格满足率确定单元,用于根据所述充电桩使用率和所述随机充电事件满足度确定第i个网格的单格充电满足率;
单格充电桩数量确定单元,用于根据所述单格充电满足率确定单格充电满足率最高时的单格充电桩数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910167083.6A CN109840640B (zh) | 2019-03-06 | 2019-03-06 | 一种电动汽车充电桩的选址方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910167083.6A CN109840640B (zh) | 2019-03-06 | 2019-03-06 | 一种电动汽车充电桩的选址方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840640A CN109840640A (zh) | 2019-06-04 |
CN109840640B true CN109840640B (zh) | 2021-01-12 |
Family
ID=66885268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910167083.6A Active CN109840640B (zh) | 2019-03-06 | 2019-03-06 | 一种电动汽车充电桩的选址方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840640B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418585B (zh) * | 2019-08-23 | 2024-04-19 | 北京京东乾石科技有限公司 | 充电桩有效充电时长的计算方法、装置、存储介质及设备 |
CN112308313B (zh) * | 2020-10-29 | 2023-06-16 | 中国城市规划设计研究院 | 一种学校连续点选址方法、装置、介质及计算机设备 |
CN112446609B (zh) * | 2020-11-25 | 2024-04-26 | 北京理工新源信息科技有限公司 | 一种基于大数据的充电场站建站方法及系统 |
CN116166863B (zh) * | 2023-04-25 | 2023-07-18 | 佰聆数据股份有限公司 | 基于bim实现充电站布局的可视化展示方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180272A (zh) * | 2017-04-28 | 2017-09-19 | 华南理工大学 | 基于能耗控制的电动汽车停车场充电方法 |
CN108053058A (zh) * | 2017-11-29 | 2018-05-18 | 东南大学 | 一种基于大数据的电动出租车充电桩选址方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140074523A1 (en) * | 2012-08-29 | 2014-03-13 | Optimization Technologies, Inc. | Reservation systems for electric vehicle charging stations |
CN104346535A (zh) * | 2014-11-10 | 2015-02-11 | 国网重庆市电力公司电力科学研究院 | 电动私家车起始充电时刻的概率建模方法 |
CN106295898A (zh) * | 2016-08-15 | 2017-01-04 | 万马联合新能源投资有限公司 | 一种设置充电桩的方法 |
CN107153893B (zh) * | 2017-05-19 | 2020-06-30 | 东南大学 | 一种基于城市停车数据的电动汽车充电站选址规划方法 |
CN107886186A (zh) * | 2017-10-16 | 2018-04-06 | 清华大学 | 一种基于行车数据及维诺图划分区域的充电桩设置方法 |
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 |
-
2019
- 2019-03-06 CN CN201910167083.6A patent/CN109840640B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180272A (zh) * | 2017-04-28 | 2017-09-19 | 华南理工大学 | 基于能耗控制的电动汽车停车场充电方法 |
CN108053058A (zh) * | 2017-11-29 | 2018-05-18 | 东南大学 | 一种基于大数据的电动出租车充电桩选址方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109840640A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840640B (zh) | 一种电动汽车充电桩的选址方法和系统 | |
Helmus et al. | A data driven typology of electric vehicle user types and charging sessions | |
CN110570014B (zh) | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 | |
DE102013202059B4 (de) | LADEINFRASTRUKTUR FÜR ELEKTROFAHRZEUGE (EVs) MIT OPTIMALER STANDORTWAHL FÜR LADESTATIONEN | |
CN111967698B (zh) | 基于移动充电桩调度的电动汽车充电系统及装置 | |
CN109934403A (zh) | 基于数学模型的电动汽车居民区域充电负荷分析预测方法 | |
CN103745110B (zh) | 纯电动公交车营运续驶里程估算方法 | |
CN112487622B (zh) | 电动汽车充电桩的选址定容方法、装置及终端设备 | |
Desai et al. | A pattern analysis of daily electric vehicle charging profiles: Operational efficiency and environmental impacts | |
CN104751249A (zh) | 一种空间负荷预测方法 | |
CN106295860A (zh) | 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 | |
CN111400662A (zh) | 一种考虑电动汽车充电需求的空间负荷预测方法 | |
CN110232219B (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
CN112016771B (zh) | 基于电动汽车需求预测的移动充电桩调度方法及系统 | |
CN112348404A (zh) | 一种村庄规划实施评估系统 | |
CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
CN115063184A (zh) | 电动汽车充电需求建模方法、系统、介质、设备及终端 | |
CN112446609A (zh) | 一种基于大数据的充电场站建站方法及系统 | |
CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
CN115496275A (zh) | 城市交通碳排放预测方法、装置、电子设备和存储介质 | |
Goebel et al. | Forecasting driving behavior to enable efficient grid integration of plug-in electric vehicles | |
CN109359784A (zh) | 计及运营商的电动汽车负荷时间预测方法和系统 | |
CN111784027A (zh) | 计及地理信息的城市范围电动汽车充电需求预测方法 | |
CN117035185A (zh) | 基于动态充电需求的电动汽车充电站布局优化方法及系统 | |
CN115470985A (zh) | 一种电动汽车充电负荷的预测方法及系统 |
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 |