CN110084520A - 基于公交线路与网格化ap算法的充电站选址方法及装置 - Google Patents

Abstract

本发明涉及一种基于公交线路与网格化AP算法的充电站选址方法及装置，其中方法包括：步骤S1：基于公交线路始末站与停保场位置获取地理信息图，并在地理信息图中标记公交线路始末站与停保场的位置；步骤S2：对地理信息图划分网格；步骤S3：计算各网格的权重，并基于得到的权重设置亲和度矩阵；步骤S4：采用AP算法进行聚类得到多个聚类中心，并基于得到的聚类中心选择充电站选址。与现有技术相比，本发明根据站点以及电气信息设计公交始末站点权重，提高选址的效果。

Description

基于公交线路与网格化AP算法的充电站选址方法及装置

技术领域

本发明涉及一种计算机技术，尤其是涉及一种基于公交线路与网格化AP算法的充电站选址方法及装置。

背景技术

随着电动汽车的逐渐推广，目前在政策的指引下，电动汽车已经被大部分车主接受，然而，由于电动汽车充电设施尚不够完善，无法完全解决车主的“里程担忧”问题。因此很多学者设计了充电设施的优化布局方案。

充电设施的规划主要包括选址、定容2个方面，由于充电站的建设会对城市配电网产生影响，因此国内外已经展开了大量研究，考虑了电力系统、交通网络以及充电设备费用和运行期间购买电能费用，建立了集中型充电站选址定容模型。考虑了建设成本、运行成本、充电成本和电动汽车数量分布，提出了收益最大化多等级充电站选址模型。利用排队论的方法寻求顾客与充电站暇务设置之间的平衡点，保证充电站具有最佳的服务效率和最合理的配置。基于城市交通网络的动态信息，给出两步搜索的电动汽车充电站选址定容的分析方法。此类方法多是针对公共充电站规划，可以为拥有特殊规律性的公交充电站规划提供参考。

AP算法(Affinity Propagation Clustering Algorithm)通过输入原始数据亲和度矩阵，可以在较短的时间内计算出数据聚类信息，非常适合处理数据点数较少的公交充电站规划问题。AP算法已经被初步应用于公交充电站规划中，然而并不能全面地考虑其对电力系统的影响。

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基于公交线路与网格化AP算法的充电站选址方法及装置。

本发明的目的可以通过以下技术方案来实现：

一种基于公交线路与网格化AP算法的充电站选址方法，包括：

步骤S1：基于公交线路始末站与停保场位置获取地理信息图，并在地理信息图中标记公交线路始末站与停保场的位置；

步骤S2：对地理信息图划分网格；

步骤S3：计算各网格的权重，并基于得到的权重设置亲和度矩阵；

步骤S4：采用AP算法进行聚类得到多个聚类中心，并基于得到的聚类中心选择充电站选址。

所述步骤S4具体为：通过改变亲和度矩阵中参考度的基准值，采用AP算法进行多次聚类得到多次聚类结果，并基于每一次聚类结果中的聚类中心得到充电站选址。

网格的权重包括供电网络负荷裕度权重、接线改造成本权重，网格站点规模权重，网格土地成本权重，网格充电需求权重；

所述供电网络负荷裕度权重具体为：

其中：μ_load为供电网络负荷裕度权重，λ_load为供电网络负荷裕度因素的经验调节系数，P_max为历史最高有功功率，P_out为母线出线功率，

所述接线改造成本权重具体为：

其中：μ_line为接线改造成本权重，λ_line为接线改造成本因素的经验调节系数，c_pre为预设参考接线费用，c_line为实际接线价格，

所述网格站点规模权重具体为：

其中：θ_scale为网格站点规模权重，λ_scale为网格站点规模因素的经验调节系数，n_scale为网格内站点合计公交车数量，n_pre为预设参考公交车数量，

所述网格土地成本权重具体为：

其中：θ_price为网格土地成本权重，λ_price为网格土地成本因素的经验调节系数，p_price为土地价格，p_pre为预设参考土地价格，

所述网格充电需求权重具体为：

其中：θ_demand为网格充电需求权重，λ_demand为网格充电需求因素的经验调节系数，N_c为总计充电次数需求，N_pre为预设充电次数需求。

所述总计充电次数需求具体为：

其中：n_l为线路每天需要往返的次数，d_l为从起始站点前往终点站的路程，d_l'为从终点站返回起始站点的路程，Δd_l为从终点站到充电站间的距离，d_max为满电时电动公交能行驶的距离，[·]为向下取整。

所述亲和度矩阵的阶数与网格的个数一致，且其对角线元素具体为：

s(k,k)＝-step·(μ_loadμ_lineθ_scaleθ_priceθ_demand)

其中：s(k,k)为亲和度矩阵中第k行第k列的元素，表示网格k作为充电站的可能性大小，step为参考度的基准值。

所述步骤S4中，每一次聚类中，R值的迭代表达式为：

其中：r(i,k)为网格k作为网格i的簇中心的吸引度，s(i,k)为网格i和网格k互相作为簇中心的适合程度，a(i,k')为点k被点i选择作为簇中心的适合程度，s(i,k')为网格i和网格k'互相作为簇中心的归属度。

所述步骤S4中，每一次聚类中，A值的迭代表达式为：

所述基于每一次聚类结果中的聚类中心得到充电站选址，具体包括：

优先选择基准值大的聚类结果作为选址地点，

优先选择与停保场重合的聚类结果作为选址地点。

一种基于公交线路与网格化AP算法的充电站选址装置，包括存储器，处理器，以及存储于存储器中并由所述处理器执行的程序，所述处理器执行所述程序时实现以下步骤：

步骤S1：基于公交线路始末站与停保场位置获取地理信息图，并在地理信息图中标记公交线路始末站与停保场的位置；

步骤S2：对地理信息图划分网格；

步骤S3：计算各网格的权重，并基于得到的权重设置亲和度矩阵；

步骤S4：采用AP算法进行聚类得到多个聚类中心，并基于得到的聚类中心选择充电站选址。

与现有技术相比，本发明具有以下有益效果：

1)通过网格划分充电站选址提供分区，将公交首末站与停保场作为备选充电站选址，并产生新充电站位置，并根据站点以及电气信息设计公交始末站点权重，提高选址的效果。

2)确定以公交线路的始末站点与停保场作为电动公交充电站的备选区域。

3)提出网格化的AP算法，可以应用于公交冲的站选址。

4)通过具体20条公交线路的仿真，确定了算法的有效性，可以提供充电站建设的先后顺序。

附图说明

图1为本发明方法的主要步骤流程示意图；

图2为车站及停保场位置分布图；

图3为发明实施例的流程框架图；

图4为充电站选址位置分布图。

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。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明考虑实际公交线路完全电动化的充电需求，通过基于实际公交车始末站以及停保场站点以及电气信息，设计充电站选址的权重设置方法，并进一步通过网格化AP聚类算法，粗块化公交站点的信息数据。提供除停保场外的新充电站选址，并依据聚类点集的规模大小确定每个充电站的容量。由此完成电动公交的选址定容工作。

蓄电池荷电状态SOC(State of Charge)描述电动汽车电池在使用一段时间或之后的剩余可放电电量与其完全充电状态的电量的比值，常用百分数表示。当SOC＝0时表示电池放电完全，当SOC＝100％时表示电池完全充满。

在规划时考虑电动公交需要充电需求的影响因素为公交线路距离、与充电设施距离、汽车类型等有关。可以认为电动汽车电池容量与行驶里程成线性关系，同时注意到公交在到达终点站前是不能进行充电的，而且电动公交的充电时间直接与完成始末终点站间行驶的次数有关：

其中，n表示该公交车已经完成的始末站点间往返次数；d_l和d_l'分别表示从起始站点前往终点站以及从终点站返回起始站点的路程；Δd表示从终点站到充电站间的距离；d_max表示满电时电动公交能行驶的距离。T_c为充电时间；C_capacity表示电池总容量；η表示充电效率；P_c表示充电功率。

一种基于公交线路与网格化AP算法的充电站选址方法，以计算机程序的形式，由选址装置，包括存储器，处理器，以及存储于存储器中并由处理器执行的程序，如图1和图3所示，处理器执行程序时实现以下步骤：

步骤S1：基于公交线路始末站与停保场位置获取地理信息图，并在地理信息图中标记公交线路始末站与停保场的位置；

步骤S2：对地理信息图划分网格通过对于现有的公交始末站点与停保场进行权重配置，可以将站点信息转化成数据形式参与AP聚类算法完成充电站选址；

步骤S3：计算各网格的权重，并基于得到的权重设置亲和度矩阵；

步骤S4：采用AP算法进行聚类得到多个聚类中心，并基于得到的聚类中心选择充电站选址。

步骤S4具体为：通过改变亲和度矩阵中参考度的基准值，采用AP算法进行多次聚类得到多次聚类结果，并基于每一次聚类结果中的聚类中心得到充电站选址。

网格的权重包括供电网络负荷裕度权重、接线改造成本权重，网格站点规模权重，网格土地成本权重，网格充电需求权重；

供电网络负荷裕度权重具体为：

其中：μ_load为供电网络负荷裕度权重，λ_load为供电网络负荷裕度因素的经验调节系数，P_max为历史最高有功功率，P_out为母线出线功率，

接线改造成本权重具体为：

其中：μ_line为接线改造成本权重，λ_line为接线改造成本因素的经验调节系数，c_pre为预设参考接线费用，c_line为实际接线价格，

网格站点规模权重具体为：

其中：θ_scale为网格站点规模权重，λ_scale为网格站点规模因素的经验调节系数，n_scale为网格内站点合计公交车数量，n_pre为预设参考公交车数量，

网格土地成本权重具体为：

其中：θ_price为网格土地成本权重，λ_price为网格土地成本因素的经验调节系数，p_price为土地价格，p_pre为预设参考土地价格，

网格充电需求权重具体为：

其中：θ_demand为网格充电需求权重，λ_demand为网格充电需求因素的经验调节系数，N_c为总计充电次数需求，N_pre为预设充电次数需求。

电动公交车每天开始工作时都处于满电状态，因此不计入每晚的夜间充电时间，可以确定电动公交每天的充电次数，总计充电次数需求具体为：

其中：n_l为线路每天需要往返的次数，d_l为从起始站点前往终点站的路程，d_l'为从终点站返回起始站点的路程，Δd_l为从终点站到充电站间的距离，d_max为满电时电动公交能行驶的距离，[·]为向下取整。

AP聚类算法是基于数据点间的"信息传递"的一种聚类算法。与k-均值算法或k中心点算法不同，AP算法不需要在运行算法之前确定聚类的个数。AP算法寻找的“examplars”即聚类中心点是数据集合中实际存在的点，作为每类的代表。

在算法中，亲和度矩阵表现初始点集的权重关系。需要在算法开始时进行初始化。亲和度矩阵的阶数与网格的个数一致，其对角线元素s(k,k)被称为“preferences”，表示给出的站点作为充电站的可能性大小，通过更改其数值可以产生不同个数的簇，也即产生不同个数的充电站选址。同时，preference的绝对值越大，越有可能被选为簇中心。将权值设置于s(k,k)如下：

s(k,k)＝-step·(μ_loadμ_lineθ_scaleθ_priceθ_demand)

其中：s(k,k)为亲和度矩阵中第k行第k列的元素，表示网格k作为充电站的可能性大小，step为参考度的基准值。而s(i,k)则表示站间互相作为簇中心的适合程度：

s(i,k)＝-||i-k||²

其中，||i-k||表示i和k间距离。此外，在任何阶段，每个点都要决定与哪个点作为簇中心相关联，并且每个其他的点它都属于某个簇中心。为此需要吸引信息以及归属信息。

r(i,k)被称为“responsibility”，从点i传递消息到候选的簇中心点k,反映点k作为点i的簇中心的适合程度。其迭代公式为：

其中：r(i,k)为网格k作为网格i的簇中心的吸引度，s(i,k)为网格i和网格k互相作为簇中心的适合程度，a(i,k')为点k被点i选择作为簇中心的适合程度，s(i,k')为网格i和网格k'互相作为簇中心的归属度。

a(i,k)被称为“availability”，从候选簇中心点k传递消息到点i，反映了点k被点i选择作为它的簇中心的适合程度。其迭代公式为：

其中的i’选择于不同于i和k的所有其余点。

进行迭代，当决策经过若干次迭代之后保持不变或者迭代次数超过预设值之后，便可退出循环，得出最终结果。

基于每一次聚类结果中的聚类中心得到充电站选址，具体包括：优先选择基准值大的聚类结果作为选址地点，优先选择与停保场重合的聚类结果作为选址地点。

通过对某地区的20条公交线路进行网格化AP算法仿真。其中的始末车站与停保场位置如图2中圆点所示，以两公里为间隔对地图进行网格划，控制网格权值设置在1～10之间。

分别取step为5和10进行两次AP聚类，得到两次簇中心数量分别为17和8的不同结果。两次结果分别如图4中黑色与斜条纹网格所示。其中step为5产生的斜条纹部分充电站选址完全包含了step为10产生的黑色部分。

算例中两个停保场中有一个被选为了充电站，因为停保场每天都会有较大量的公交车停放，作为充电站选址是合理的。而另一个停保场则因为附近网格内有大规模停车站，因此该停保场没有被选为充电站建设处。

通过改变step的值，可以区分充电站选址的重要性，当step较小时，选择的充电站地址较多，而当step较大时，选择的充电站则较少，此时的选址也比较重要。由此可以确定充电站建设的先后，如图4所示，可以先建设黑色地区的充电站，后续再增设斜条纹区域的充电站。

Claims (10)

1.一种基于公交线路与网格化AP算法的充电站选址方法，其特征在于，包括：

步骤S1：基于公交线路始末站与停保场位置获取地理信息图，并在地理信息图中标记公交线路始末站与停保场的位置；

步骤S2：对地理信息图划分网格；

步骤S3：计算各网格的权重，并基于得到的权重设置亲和度矩阵；

步骤S4：采用AP算法进行聚类得到多个聚类中心，并基于得到的聚类中心选择充电站选址。

2.根据权利要求1所述的一种基于公交线路与网格化AP算法的充电站选址方法，其特征在于，所述步骤S4具体为：通过改变亲和度矩阵中参考度的基准值，采用AP算法进行多次聚类得到多次聚类结果，并基于每一次聚类结果中的聚类中心得到充电站选址。

3.根据权利要求1或2所述的一种基于公交线路与网格化AP算法的充电站选址方法，其特征在于，网格的权重包括供电网络负荷裕度权重、接线改造成本权重，网格站点规模权重，网格土地成本权重，网格充电需求权重；

所述供电网络负荷裕度权重具体为：

其中：μ_load为供电网络负荷裕度权重，λ_load为供电网络负荷裕度因素的经验调节系数，P_max为历史最高有功功率，P_out为母线出线功率，

所述接线改造成本权重具体为：

其中：μ_line为接线改造成本权重，λ_line为接线改造成本因素的经验调节系数，c_pre为预设参考接线费用，c_line为实际接线价格，

所述网格站点规模权重具体为：

其中：θ_scale为网格站点规模权重，λ_scale为网格站点规模因素的经验调节系数，n_scale为网格内站点合计公交车数量，n_pre为预设参考公交车数量，

所述网格土地成本权重具体为：

其中：θ_price为网格土地成本权重，λ_price为网格土地成本因素的经验调节系数，p_price为土地价格，p_pre为预设参考土地价格，

所述网格充电需求权重具体为：

其中：θ_demand为网格充电需求权重，λ_demand为网格充电需求因素的经验调节系数，N_c为总计充电次数需求，N_pre为预设充电次数需求。

4.根据权利要求3所述的一种基于公交线路与网格化AP算法的充电站选址方法，其特征在于，所述总计充电次数需求具体为：

其中：n_l为线路每天需要往返的次数，d_l为从起始站点前往终点站的路程，d_l'为从终点站返回起始站点的路程，Δd_l为从终点站到充电站间的距离，d_max为满电时电动公交能行驶的距离，[·]为向下取整。

5.根据权利要求3所述的一种基于公交线路与网格化AP算法的充电站选址方法，其特征在于，所述亲和度矩阵的阶数与网格的个数一致，且其对角线元素具体为：

s(k,k)＝-step·(μ_loadμ_lineθ_scaleθ_priceθ_demand)

其中：s(k,k)为亲和度矩阵中第k行第k列的元素，表示网格k作为充电站的可能性大小，step为参考度的基准值。

6.根据权利要求5所述的一种基于公交线路与网格化AP算法的充电站选址方法，其特征在于，所述步骤S4中，每一次聚类中，R值的迭代表达式为：

其中：r(i,k)为网格k作为网格i的簇中心的吸引度，s(i,k)为网格i和网格k互相作为簇中心的适合程度，a(i,k')为点k被点i选择作为簇中心的适合程度，s(i,k')为网格i和网格k'互相作为簇中心的归属度。

7.根据权利要求6所述的一种基于公交线路与网格化AP算法的充电站选址方法，其特征在于，所述步骤S4中，每一次聚类中，A值的迭代表达式为：

8.根据权利要求2所述的一种基于公交线路与网格化AP算法的充电站选址方法，其特征在于，所述基于每一次聚类结果中的聚类中心得到充电站选址，具体包括：

优先选择基准值大的聚类结果作为选址地点，

优先选择与停保场重合的聚类结果作为选址地点。

9.一种基于公交线路与网格化AP算法的充电站选址装置，其特征在于，包括存储器，处理器，以及存储于存储器中并由所述处理器执行的程序，所述处理器执行所述程序时实现以下步骤：

步骤S1：基于公交线路始末站与停保场位置获取地理信息图，并在地理信息图中标记公交线路始末站与停保场的位置；

步骤S2：对地理信息图划分网格；

步骤S3：计算各网格的权重，并基于得到的权重设置亲和度矩阵；

步骤S4：采用AP算法进行聚类得到多个聚类中心，并基于得到的聚类中心选择充电站选址。

10.根据权利要求9所述的一种基于公交线路与网格化AP算法的充电站选址装置，其特征在于，所述步骤S4具体为：通过改变亲和度矩阵中参考度的基准值，采用AP算法进行多次聚类得到多次聚类结果，并基于每一次聚类结果中的聚类中心得到充电站选址。