CN110111564B - 一种基于多元数据的充电桩布置方法 - Google Patents

一种基于多元数据的充电桩布置方法 Download PDF

Info

Publication number
CN110111564B
CN110111564B CN201910300160.0A CN201910300160A CN110111564B CN 110111564 B CN110111564 B CN 110111564B CN 201910300160 A CN201910300160 A CN 201910300160A CN 110111564 B CN110111564 B CN 110111564B
Authority
CN
China
Prior art keywords
data
charging
charging pile
array
travel
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
Application number
CN201910300160.0A
Other languages
English (en)
Other versions
CN110111564A (zh
Inventor
骆晓
李晔
叶浩楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201910300160.0A priority Critical patent/CN110111564B/zh
Publication of CN110111564A publication Critical patent/CN110111564A/zh
Application granted granted Critical
Publication of CN110111564B publication Critical patent/CN110111564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于多元数据的充电桩布置方法，包括步骤：接收浮动车数据，收集浮动车出行的OD数据，得到出行起点分布数据A，出行终点分布数据B，根据行车速度和距离，得到道路车辆拥堵数据C；接收居民手机信令数据，得到居民活动分布数据D；接收分时租赁汽车的出行数据E；通过所述出行起点分布数据A、出行终点分布数据B、道路车辆拥堵数据C、居民活动分布数据D、分时租赁汽车出行数据E，得到充电桩总体需求分布模型F。

Description

一种基于多元数据的充电桩布置方法
技术领域
本发明属于电动汽车技术领域，特别涉及一种基于多元数据的充电桩布置方法。
背景技术
充电桩设施对于现有的电动汽车的使用至关重要，然而由于电动汽车的电池充电时间长，而公共充电桩资源却很有限，长时间在外运行的电动汽车会出现何时前往何地充电的路径规划问题。同时对于如何布置充电桩，在那些地点布置，布置多少充电桩也是需要重点考虑的问题。
在已有的算法中，有的对电动汽车的充电路径规划问题给出了基于“Dijkstra+模拟退火”的路径规划算法，保证在当前时间段内路径规划最短，同时采用“模糊+精确”两段式计算，以缓解充电桩的排队问题。另外，对于充电桩布置算法中，也有的构建了以规划期内充电站的总成本净现值和顾客流失数量最小为目标的电动汽车充电站选址和充电桩配置优化模型。
在样本数据来源多元化之后，数据的多样性对充电桩布置策略的优化问题，成为目前急需解决的问题。
浮动车数据技术作为近年来快速发展的交通数据采集技术，由于其数据的数据量大，时效性强，准确性高，和相对的客观性等优点，在交通数据的采集中应用越来越广。手机数据的发展也为时代的发展提供很多信息，其中手机信令，作为大样本数据有条件提供整个城市范围内居民的活动信息。另外该类信息具有两个重要特点：
第一是非自愿性。手机信令数据，最长隔1-2个小时，基站会发信令确认这个手机是否正常，是一种被动参与的调查，所以真实反映了居民活动的时空变化；第二个是连续性和动态性，每个人每天从早到晚全部手机活动信令都将记录下来，是个基本连续动态记录。所以通过这个数据可以研究人的行为和空间环境之间相互作用的特征。通过手机信令可以研究居民时空特征，间接反映建成环境和城市空间结构。
发明内容
本发明的目的在于提供一种基于多元数据的充电桩布置方法，目的在于通过多元数据优化对于充电桩的布置规划设计。
本发明的实施例之一，一种基于多元数据的充电桩布置方法，包括以下步骤：
接收浮动车数据，收集浮动车出行的OD数据，得到出行起点分布数据A，出行终点分布数据B，根据行车速度和距离，得到道路车辆拥堵数据C；
接收居民手机信令数据，得到居民活动分布数据D；
接收分时租赁汽车的出行数据E；
通过所述出行起点分布数据A、出行终点分布数据B、道路车辆拥堵数据C、居民活动分布数据D、分时租赁汽车出行数据E，得到充电桩总体需求分布模型F；
通过分布模型F，确定充电桩站，抽象模型为“已知确定充电桩站”，最小化充电需求；
利用cdq+二维树状数组求解上述问题，对cdq+二维树状数组时间复杂度进行优化，由于数据量较大，磁盘和内存的发展使得存储空间的进展，用空间换时间，计算结果；
得出最后的结果。
本发明的有益效果包括：
1.在布置充电桩时，选取了浮动车数据、手机信令数据、分时租赁等多元数据，无论从自主性还多样性上，对数据的准备度有所优势；
2.对问题进行模型的抽象，提出一种以二维cdq+二维树状数组作为决策手段的模型，是一种全新的解决该类问题的方式；
3.使用多元的数据来提供整体需求，对于整个需求的准确度大大提高。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1根据本发明具体实施例之一的充电桩布置方法流程图
图2根据本发明实施例之一的数字地图栅格化例图。
图3根据本发明实施例之一的充电桩总体需求分布F示意图。
图4是根据本发明实施例之一中的模型抽象例图。
具体实施方式
根据一个或者多个实施例，如图1所示。一种基于多元数据的充电桩布置方法，基于出租车浮动车数据、手机信令数据、分时租赁的出行数据，以充电桩使用效率最大为效用函数，分别采集出租车浮动车数据、手机信令数据、分时租赁的出行数据，包括以下步骤：
(1)收集并处理浮动车的数据，收集出行的始终点。对于出租车的GPS数据进行研究和处理，以此来获得OD点信息，得到出行起点分布A，出行终点分布B。收集行车过程中的速度、距离等，得到每条道路的拥堵，道路的车辆情况C；
(2)收集并处理手机信令，通过手机信令数据，得到居民的活动分布D；
(3)收集并得到分时租赁汽车的出行数据E；
(4)通过所述出行起点分布数据A(数字表示)、出行终点分布数据B(数字表示)、道路车辆拥堵数据C(数字表示)、居民活动分布数据D(数字表示)、分时租赁汽车出行数据E(数字表示)，将ABCDE分别存在相同维度的二位数组中，将所有分布数据累加(加权累加)得到充电桩总体需求分布模型F，即
F[i,j]＝aA[i,j]+bB[i,j]+cC[i,j]+dD[i,j]+eE[i,j]；其中abcde为确定值
(5)通过分布模型F，确定充电桩站，抽象模型为“已知确定充电桩站”，最小化充电需求，即：将分布F看作一个二位数组，数组F中存放的值为充电需求，若干个充电桩T看作一个大小远远小于F数组的数组，当充电桩部署在F的某个位置时，能够减小该数组中的值，结果为最小化F数组的和。
(6)利用cdq+二维树状数组求解上述最小化问题；
(7)对cdq+二维树状数组时间复杂度进行优化，由于数据量较大，磁盘和内存的发展使得存储空间的进展，用空间换时间，计算结果；
(8)利用上述步骤，得出最后的充电桩应该部署的位置，即对应数组T在数组F中下表位置。
其中，对于步骤(5)，如图2所示，以百度地图为底图，用500*500m的栅格进行网格化。对于出租车浮动车数据、手机信令数据、分时租赁的出行数据，分别利用上面的栅格化，每个栅格都抽化为一个数字点，则上面的地图可以得到一个二维表，如表1所示：
表1栅格化数据表
C\R R1 Ri RM
C1 Grid(1,1) Grid(1,i) Grid(1,M)
Cj Grid(j,1) Grid(j,i) Grid(j,M)
CN Grid(N,1) Grid(N,i) Grid(N,M)
上述每个数据分布都得到一个栅格化过后的数据表，则总体分布模型F如图3所示。
对于步骤(6)，cdq+二维树状数组模型假设包括：
1，假设已知确定充电桩“站”的数目K，此数量为定值(充电桩“站”的意思为包含或拥有多个充电桩的充电站)；
2，假设每个充电站的充电站为Ki，是可调整的参数；
3，假设每个充电站的影响范围确定，影响范围为了便于计算area为一个正方形，边长根据参考资料确定设为S；
4，每个充电站的影响需求的力度，在范围S之内，由影响因子alpha根据设立距离逐渐减小；
5，假设每个充电桩可减小需求量，在中心范围的影响力为M(单位记为m)；
6，假设每个减小的需求量必须与整体分布F有映射关系map(F，m)。
根据上述假设，可以得到模型如图4所示。每个正方形(灰色部分)可减小需求F表中的值，利用已知数量的正方形，得到需求表F的最小值。
值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (1)

1.一种基于多元数据的充电桩布置方法，其特征在于，包括以下步骤：
接收浮动车数据，收集浮动车出行的OD数据，得到出行起点分布数据A，出行终点分布数据B，根据行车速度和距离，得到道路车辆拥堵数据C；
接收居民手机信令数据，得到居民活动分布数据D；
接收分时租赁汽车的出行数据E；
通过所述出行起点分布数据A的数字表示、出行终点分布数据B的数字表示、道路车辆拥堵数据C的数字表示、居民活动分布数据D的数字表示、分时租赁汽车出行数据E的数字表示，将A、B、C、D、E分别存在相同维度的二维数组中，将所有分布数据加权累加，得到充电桩总体需求分布模型F，即，
F[i,j]＝aA[i,j]+bB[i,j]+cC[i,j]+dD[i,j]+eE[i,j]；其中a、b、c、d、e为确定值；
根据“已知确定充电桩“站””模型，通过分布模型F，确定需要设置的充电桩站，最小化充电需求，即：
将分布模型F看作一个二维数组，数组F中存放的值为充电需求，若干个充电桩T看作一个大小远远小于F数组的数组，当充电桩部署在F的某个位置时，能够减小该数组中的值，结果为最小化F数组的和，
其中，最小化充电需求的计算模型，采用了cdq算法结合所述分布模型F的二维数组求解最小化充电需求，其中，对该计算模型的假设包括：
(1)假设已知确定充电站的数目K，此数量为定值，充电站拥有多个充电桩；
(2)假设每个充电站的充电桩为Ki，是可调整的参数；
(3)假设每个充电站的影响范围确定，影响范围为了便于计算设为一个正方形，边长设为S；
(4)每个充电站的影响需求的力度，在范围S之内，由影响因子alpha根据设立距离逐渐减小；
(5)假设每个充电桩可减小需求量，在中心范围的影响力为M；
(6)假设每个减小的需求量必须与整体分布F有映射关系map(F，M)，
根据所述假设，得到最小化充电需求，并且进一步的，根据时间复杂度进行优化，得出充电桩需要部署的位置。
CN201910300160.0A 2019-04-15 2019-04-15 一种基于多元数据的充电桩布置方法 Active CN110111564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910300160.0A CN110111564B (zh) 2019-04-15 2019-04-15 一种基于多元数据的充电桩布置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910300160.0A CN110111564B (zh) 2019-04-15 2019-04-15 一种基于多元数据的充电桩布置方法

Publications (2)

Publication Number Publication Date
CN110111564A CN110111564A (zh) 2019-08-09
CN110111564B true CN110111564B (zh) 2021-09-07

Family

ID=67485400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910300160.0A Active CN110111564B (zh) 2019-04-15 2019-04-15 一种基于多元数据的充电桩布置方法

Country Status (1)

Country Link
CN (1) CN110111564B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012073979A (ja) * 2010-09-30 2012-04-12 Hitachi Automotive Systems Ltd Ｅｖ車の配車・運行管理システム
CN103935259A (zh) * 2014-03-31 2014-07-23 同济大学 基于耗电量的电动汽车最优路径查找方法
CN104181900A (zh) * 2014-09-04 2014-12-03 徐雪松 一种多能源介质分层动态调控方法
CN109117486A (zh) * 2017-06-23 2019-01-01 南京理工大学 一种电动汽车充电站最优规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190106088A1 (en) * 2017-10-11 2019-04-11 Leonard Hayet Quick battery exchange system for electric vehicles

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012073979A (ja) * 2010-09-30 2012-04-12 Hitachi Automotive Systems Ltd Ｅｖ車の配車・運行管理システム
CN103935259A (zh) * 2014-03-31 2014-07-23 同济大学 基于耗电量的电动汽车最优路径查找方法
CN104181900A (zh) * 2014-09-04 2014-12-03 徐雪松 一种多能源介质分层动态调控方法
CN109117486A (zh) * 2017-06-23 2019-01-01 南京理工大学 一种电动汽车充电站最优规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Integration of Plug-in Hybrid and Electric Vehicles: Experience from China;Yonghua Song 等;《IEEE》;20101231;第1-6页 *
Optimal planning of plug-in hybrid electric vehicle charging station in distribution network considering demand response programs and uncertainties;Saeed Shojaabadi 等;《IET Generation, Transmission & Distribution》;20161231;第1-11页 *
基于RMQ的一种优化动态规划算法_以ACM邮局选址问题为例;邹玉金;《湖北民族学院学报( 自然科学版)》;20141231;第32卷(第4期);第430-435页 *
基于分区需求系数的电动汽车充电设施规划;杨俊 等;《电力建设》;20150731;第36卷(第7期);第52-60页 *
数据驱动的电动汽车充电站选址方法;杨珍珍 等;《交通运输系统工程与信息》;20181031;第18卷(第5期);第143-150页 *

Also Published As

Publication number Publication date
CN110111564A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN104239556B (zh) 基于密度聚类的自适应轨迹预测方法
CN107767659B (zh) 基于arima模型的共享单车吸引量和发生量预测方法
CN107766994B (zh) 一种共享自行车调度方法与调度系统
CN101426206B (zh) 一种通信网络话务分布网格化的方法及系统
CN109447410A (zh) 一种考虑城市路网交通运行状态的充电站选址方法
CN102332210A (zh) 基于手机定位数据的实时城市道路交通流数据提取方法
CN109544690B (zh) 共享单车出行影响因素识别方法、系统及存储介质
CN112069573B (zh) 一种基于元胞自动机的城市群空间模拟方法、系统及设备
CN104320789B (zh) 一种基于博弈论的车联网rsu最优配置方法
CN105938514A (zh) 基于0-1整数规划模型的充电桩部署选址方法及装置
CN112487622B (zh) 电动汽车充电桩的选址定容方法、装置及终端设备
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
CN108230020A (zh) 一种基于多维时间粒度时空频繁区域挖掘的方法
CN102333274A (zh) 一种基于手机信号数据处理通勤信息的方法及装置
CN110111564B (zh) 一种基于多元数据的充电桩布置方法
CN111523714A (zh) 一种电力充电站选址布局方法及装置
CN113077085A (zh) 一种服务于电动汽车的移动充电车驻地规划方法
CN113420458A (zh) 一种风场数据精细化处理方法、装置、终端及介质
CN114548811A (zh) 一种机场可达性的检测方法、装置、电子设备及存储介质
CN109389310B (zh) 基于蒙特卡洛模拟的电动汽车充电设施成熟度评价方法
CN111428154A (zh) 基于四叉树划分优化的单车gps数据多视图可视交互分析方法
Kahlen et al. Optimal prepositioning and fleet sizing to maximize profits for one-way transportation companies
CN105096589B (zh) 一种选取交通道路中代表性节点的方法、系统及客户端
CN106130110A (zh) 基于分层概率选择出行地的电动出租车充电站定容方法
Song Infrastructure and Urban development: Evidence from Chinese cities

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