CN109977527B - 一种城市公共充电站网络的充电桩配置方法 - Google Patents

Abstract

本发明公开了属于电动汽车充电站设置技术领域，特别涉及一种城市公共充电站网络的充电桩配置方法，本方法利用反映用户充电规律的轨迹数据和反映用户出行目的的充电站POI类型数据，基于城市出行环境下人们的出行行为和充电汽车特性，将城市公共充电站建模为一个多通道损失制排队论模型，并在给定运营良好的充电站可接受的最大系统损失概率的条件下，求解了每个充电站在排队论模型下的充电桩数目，并进而求得充电站网络中每个充电站所占的充电桩比例。然后，将给定的充电桩数目按比例分配给了充电站网络中每个充电站。最后，对结果进行了可视化展示，便于实际问题的结果观察；在用户覆盖率和充电桩利用率两个方面都能取得更好的结果。

Description

一种城市公共充电站网络的充电桩配置方法

技术领域

本发明属于电动汽车充电站设置技术领域，特别涉及一种城市公共充电站网络的充电桩配置方法，具体是一种基于多通道损失制排队论的城市公共充电站网络充电桩配置方法。

背景技术

在当前关于充电站中充电桩配置的研究中，都是将充电站中的充电服务建模为一个多通道等待制排队论，而且将充电汽车在充电站的充电时间定义为与已行驶里程相关。显然，在城市出行环境下，随着充电汽车续航里程的增加所导致的“里程焦虑”的消失，以及人们在城市环境下的独特出行特征，这种方法已经不适用。

在城市环境中，电动汽车一般用于短途出行。新能源汽车用户的出行目的一般是以上下班代步和日常家用为主。日常家用包括：接送孩子与家人、看望父母走亲戚、生活娱乐以及中短途旅游等。这些出行具有里程固定或较短的特点，可以很好地将行驶距离控制在新能源汽车的续航里程之内并达到低成本出行的经济目的。

通过对这些出行目的分析，可以看出，这些短途出行行为基本都具有时间敏感性的特点，即在短途出行中，出行人员的时间紧迫性非常强，不会有太多的空余时间。考虑到“里程焦虑”的消失，在建立充电站的充电模型时，应该考虑以下两个问题：在用户想给电动汽车充电时，他们基本不会因为需要等待空闲充电桩而产生排队行为，因为这会耽搁他们的时间；同时，用户的充电时间是与其出行目的相关的，用户在达成出行目的后不会停留更长时间用于电动汽车充电。

目前，随着充电汽车的快速普及发展，充电站的配套建设也在不断扩大规模，然而，在为充电站配置充电桩时，目前仍然采用基于经验的方法或采用将充电站建模为等待制排队论模型的方法，不符合城市环境下的实际情况。因此，不能用于解决城市环境下的充电站网络中的充电桩配置问题。在这里，我们提出一种基于多通道损失制排队论的城市公共充电站网络充电桩配置方法，将城市充电站网络中的每个充电站建模为一个多通道损失制排队论模型，利用该模型来求解在充电桩总数目一定的情况下，每个充电站应该配置的充电桩的数目。

发明内容

本发明的目的是提出一种城市公共充电站网络充电桩配置方法，其特征在于，是一种基于多通道损失制排队论的城市公共充电站网络充电桩配置方法，具体包括步骤：

步骤1：获取和处理与用户出行目的相关的数据；

步骤2：充电站排队论模型构建和求解；

步骤3：充电站网络中的充电桩配置；

步骤4：可视化充电桩配置结果。

所述步骤1包括如下子步骤：

步骤A1：获取和处理充电站位置和类型数据，由于用户前往充电站充电是与其出行目的相关的，所以，充电站所在的POI(Point of Interest，兴趣点)很可能就是用户的出行目的地，将充电站所在的POI类型作为充电站的类型，建在商场的停车场的充电站的类型就可定义为商场，最终的数据集由坐标、POI类型数据记录组成；

步骤A2：获取和处理轨迹数据，主要利用用户的驾车出行规律，因此，需要获取充电站网络区域内一段时间内能够反映用户驾车出行规律的轨迹数据；使用了出租车的轨迹数据，该轨迹数据为订单，每个订单反映了用户的一次出行，包括时间、起点、终点；在利用百度路径规划API(应用程序编程接口)之后，最终的数据形式为：开始时间，路径长度以及包括轨迹起点p1坐标、轨迹点p2坐标、…、轨迹终点pn坐标。

所述步骤2包括如下子步骤：

步骤B1，充电地点选择设置，将每条轨迹当作一辆充电汽车，并且这辆充电汽车只进行一次充电，对于离某条轨迹的距离小于阈值threshold1的充电站，定义这辆充电汽车经过这个充电站，即有可能在该充电站充电；并将此充电行为定义为一个随机行为，即为充电汽车在其经过的充电站中随机选择一个作为其充电位置。

步骤B2，充电服务时间设置。由于充电时间与出行目的相关，因此，定义充电汽车在某个充电站的充电时间只与充电站所在POI类型相关；如果用户将电动汽车停在商场的停车场，那么其出行目的很可能就是逛商场，而逛商场的时间大致为2小时，也即用户的充电时间在2小时内；因此，对于充电站排队模型中的服务规则，假设充电站有n个充电桩，对于在这个充电站充电的用户，其充电时间服从参数为μ的负指数分布，1/μ为人们在充电站所在POI的平均逗留时间。

步骤B3，充电用户流设置，基于多通道等待制排队论的理论，将充电用户的到达时间流看作泊松流，设置用户到达充电站服从参数为λ的泊松分布，每个充电站的用户流的泊松分布的参数λ通过下式求得：

其中，N_t表示该充电站在时间t内到达的充电汽车的总数，T表示时间t的长度，单位为小时。

步骤B4，求解每个充电站对应的充电桩数目，对于每一个充电站，建立多通道损失制排队论模型，根据多通道的损失制排队系统的相关理论，可得以下概率：

其中，

P_k表示系统中有k辆电动汽车正在充电的概率，根据多通道等待制排队论知识可得该充电站的系统损失概率如下：

一个运营良好的充电站应该保证绝大部分充电用户都可以进行充电，也即需要保证较低的系统损失概率，因此，建立了以系统损失概率为约束，基于充电站排队模型的公共充电站充电桩配置模型，如下：

min n st.P_损＜P_损 ^*，n∈Z (5)

其中，P_损 ^*表示一个运营良好的充电站接受的最大系统损失概率，利用式(5)即可求得对应充电站的充电桩数目n。

所述步骤3包括如下子步骤：

步骤C1：求解充电站网络中每个充电站所占的充电桩比例，在利用充电站排队模型求解了每个充电站对应的充电桩数目之后，就可求得每个充电站所建设的充电桩数量占总数量的比例，如下：

其中，n_i表示利用充电站排队模型求得的第i个充电站的充电桩数目，C表示充电站总数，percent_i表示第i个充电站中的充电桩占充电桩总数的比例；

步骤C2：求解充电站网络中每个充电站的充电桩数目，在求得充电站网络中每个充电站所占的充电桩比例之后，对于给定的充电桩总数M，按照下式即可得到第i个充电站应该建设的充电桩数目：

number_i＝M×percent_i (7)

其中，M为给定的充电桩总数，percent_i为第i个充电站中的充电桩占充电桩总数的比例，number_i为充电站网络中第i个充电站应该建设的充电桩数目。

所述步骤4包括如下子步骤：

步骤D1：生成充电桩配置SHP文件，在求解得到充电站网络中每个充电站的充电桩数目之后，利用充电站坐标信息和其中的充电桩数目，生成SHP文件即shape文件，shape文件由美国环境系统研究所(Environment System Research Institute，ESRI)开发，可用于存储地理栅格数据，shape文件包括一个主文件，一个索引文件，和一个dBASE表，其中主文件的后缀就是.shp。

步骤D2：充电桩配置可视化展示；利用ArcMap程序(ArcMap是一个用户桌面组件，具有强大的地图制作，空间分析，空间数据建库等功能。是ESRI于1978年开发的GIS系统)，打开SHP文件，设置充电站图形的大小随其中的充电桩数目而改变，进行可视化展示。

本发明的有益效果是本方法充分考虑了在当前城市出行环境下，充电汽车用户及充电汽车本身的充电规律，将城市充电站网络中的每个充电站建模为一个多通道损失制排队论模型，利用该模型来求解在充电桩总数目一定的情况下，每个充电站应该配置的充电桩的数目；随后，进行了充电站网络中每个充电站中的充电桩数目的可视化展示，通过与传统经验方法在用户覆盖率和充电桩利用率两个方面的对比，本方法都能取得更好的结果。

附图说明

图1为城市公共充电站网络充电桩配置流程图。

图2为实验区域之内的公共停车场充电站分布数据图。

图3为实验区域内北京市区公共停车场充电站分布图。

具体实施方式：

本发明提出了一种城市公共充电站网络充电桩配置方法，是一种基于多通道损失制排队论的城市公共充电站网络充电桩配置方法。本方法利用反映用户充电规律的轨迹数据和反映用户出行目的的充电站POI类型数据，基于排队论和城市出行环境下人们的出行行为和充电汽车特性，将城市公共充电站建模为一个多通道损失制排队论模型，并在给定运营良好的充电站可接受的最大系统损失概率的条件下，求解了每个充电站在排队论模型下的充电桩数目，并进而求得充电站网络中每个充电站所占的充电桩比例。然后，在给定充电站网络中的充电桩总数的情况下，按比例将充电桩分配给了充电站网络中每个充电站。最后，对结果进行了可视化展示，便于实际问题的结果观察。下面结合附图及实施例对本发明作详细说明。

图1所示为城市公共充电站网络充电桩配置流程图。图中具体包括步骤：

步骤1：获取和处理与用户出行目的相关的数据；

步骤2：充电站排队论模型构建和求解；

步骤3：充电站网络中的充电桩配置；

步骤4：可视化充电桩配置结果。

实施例

步骤1：获取和处理与用户出行目的相关的数据。

所述步骤1包括如下子步骤：

步骤A1：获取和处理充电站位置和类型数据。我们从北京市交通委员会运输管理局官方网站获取了实验区域之内的公共停车场数据，并选择了200个公共停车场作为充电站位置。充电站数据中主要包括充电站的坐标、类型(如图2所示，图中黑色圆点表示充电站)。

步骤A2：获取和处理轨迹数据，轨迹数据来源于微软亚洲研究院的公开数据集，为北京市33000辆出租车87天行车轨迹的一个样本，抽取了其中出行时间位于早6点至晚10点之间的数据，共包括268791条出租车订单数据。使用百度路径规划API，将订单起点和终点转化为轨迹数据。

步骤2：充电站排队论模型构建和求解

所述步骤2包括如下子步骤：

步骤B1：充电地点选择设置。我们将threshold1设置为200米，并统计了每条轨迹经过的充电站，将每条轨迹随机分配给了其经过的一个充电站。

步骤B2：充电服务时间设置。对于不同的充电站POI类型，我们设置了不同的平均逗留时间，如下表：

通过上表，即可求得在同一个充电站中充电的充电汽车的充电时间所服从的负指数分布的参数μ，利用参数μ，我们为在同一个充电站充电的充电汽车生成了其充电时间，使其总体满足参数为μ的负指数分布。

步骤B3：充电用户流设置。我们统计了每个充电站中在时间段内的充电汽车的总数目，及在早6点至晚10点在该充电站充电的充电汽车数目，利用式(1)

求得参数λ。

步骤B4：求解每个充电站对应的充电桩数目。我们设置P_损 ^*为0.05，利用数学软件LINGO来求解了式(5)min n st.P_损＜P_损 ^*，n∈Z，

LINGO代码如下，

model：！模型开始；

lp＝1.3034；！每小时平均到达车辆数；

t＝8；！每辆车的平均充电时间；

u＝l/t；

load＝lp/u；

min＝S；！最小化目标函数；

Plost＝@PEL(load，s)；！lingo中损失率计算函数，未充电的电动汽车比例；

Plost＜0.05；！不超过损失率阈值；|

@gin(s)；！限制s为整数；

end！模型结束；

步骤3：充电站网络中的充电桩配置。

所述步骤3包括如下子步骤：

步骤C1：求解充电站网络中每个充电站所占的充电桩比例。基于步骤B4中求得的每个充电站中的充电桩数目，我们利用式(6)

求得了充电站网络中每个充电站所占的充电桩比例。

步骤C2：求解充电站网络中每个充电站的充电桩数目。我们设置充电站网络中的充电桩总数M为2000，即平均每个充电站设置10个充电桩，利用步骤C1求得的比例为每个充电站分配了充电桩。

步骤4：可视化充电桩配置结果。

所述步骤4包括如下子步骤：

步骤D1：生成充电桩配置SHP文件。将最终的充电站网络中每个充电站的配置生成SHP文件。

步骤D2：充电桩配置可视化展示。利用ArcMap程序打开SHP文件，即可查看充电站位置的可视化结果(如图3所示，图中黑色圆点表示充电站)。

Claims (1)

1.一种城市公共充电站网络充电桩配置方法，其特征在于，是一种基于多通道损失制排队论的城市公共充电站网络充电桩配置方法，具体包括步骤：

步骤1：获取和处理与用户出行目的相关的数据；

所述步骤1包括如下子步骤：

步骤A1：获取和处理充电站位置和类型数据，由于用户前往充电站充电是与其出行目的相关的，所以，充电站所在的POI很可能就是用户的出行目的地，将充电站所在的POI类型作为充电站的类型，建在商场的停车场的充电站的类型就可定义为商场，最终的数据集由坐标、POI类型数据记录组成；

步骤A2：获取和处理轨迹数据，主要利用用户的驾车出行规律，因此，需要获取充电站网络区域内一段时间内能够反映用户驾车出行规律的轨迹数据；使用了出租车的轨迹数据，该轨迹数据为订单，每个订单反映了用户的一次出行，包括时间、起点、终点；在利用百度路径规划API之后，最终的数据形式为：开始时间，路径长度以及包括轨迹起点p1坐标、轨迹点p2坐标、…、轨迹终点pn坐标；

步骤2：充电站排队论模型构建和求解；

所述步骤2包括如下子步骤：

步骤B1，充电地点选择设置，将每条轨迹当作一辆充电汽车，并且这辆充电汽车只进行一次充电，对于离某条轨迹的距离小于阈值threshold1的充电站，定义这辆充电汽车经过这个充电站，即有可能在该充电站充电；并将此充电行为定义为一个随机行为，即为充电汽车在其经过的充电站中随机选择一个作为其充电位置；

步骤B2，充电服务时间设置，由于充电时间与出行目的相关，因此，定义充电汽车在某个充电站的充电时间只与充电站所在POI类型相关；对于充电站排队模型中的服务规则，假设充电站有n个充电桩，对于在这个充电站充电的用户，其充电时间服从参数为μ的负指数分布，1/μ为人们在充电站所在POI的平均逗留时间；

步骤B3，充电用户流设置，基于多通道损失制排队论的理论，将充电用户的到达时间流看作泊松流，设置用户到达充电站服从参数为λ的泊松分布，每个充电站的用户流的泊松分布的参数λ通过下式求得：

其中，N_t表示该充电站在时间t内到达的充电汽车的总数，T表示时间t的长度，单位为小时；

步骤B4，求解每个充电站对应的充电桩数目，对于每一个充电站，建立多通道损失制排队论模型，根据多通道的损失制排队系统的相关理论，可得以下概率：

其中，

P_k表示系统中有k辆电动汽车正在充电的概率，根据多通道损失制排队论知识可得该充电站的系统损失概率如下：

一个运营良好的充电站应该保证绝大部分充电用户都可以进行充电，也即需要保证较低的系统损失概率，因此，建立了以系统损失概率为约束，基于充电站排队模型的公共充电站充电桩配置模型，如下：

min n st.P_损＜P_损 ^*，n∈Z (5)

其中，P_损 ^*表示一个运营良好的充电站接受的最大系统损失概率，利用式(5)即可求得对应充电站的充电桩数目n；

步骤3：充电站网络中的充电桩配置；

所述步骤3包括如下子步骤：

步骤C1：求解充电站网络中每个充电站所占的充电桩比例，在利用充电站排队模型求解了每个充电站对应的充电桩数目之后，就可求得每个充电站所建设的充电桩数量占总数量的比例，如下：

其中，n_i表示利用充电站排队模型求得的第i个充电站的充电桩数目，C表示充电站总数，percent_i表示第i个充电站中的充电桩占充电桩总数的比例；

步骤C2：求解充电站网络中每个充电站的充电桩数目，在求得充电站网络中每个充电站所占的充电桩比例之后，对于给定的充电桩总数M，按照下式即可得到第i个充电站应该建设的充电桩数目：

number_i＝M×percent_i (7)

其中，M为给定的充电桩总数，number_i为充电站网络中第i个充电站应该建设的充电桩数目；

步骤4：可视化充电桩配置结果；

所述步骤4包括如下子步骤：

步骤D1：生成充电桩配置SHP文件，在求解得到充电站网络中每个充电站的充电桩数目之后，利用充电站坐标信息和其中的充电桩数目，生成SHP文件即shape文件；

步骤D2：充电桩配置可视化展示；利用ArcMap程序打开SHP文件，设置充电站图形的大小随其中的充电桩数目而改变，进行可视化展示。

Images