CN110222907A - 电动汽车充电站规划方法及终端设备 - Google Patents

电动汽车充电站规划方法及终端设备 Download PDF

Info

Publication number
CN110222907A
CN110222907A CN201910527983.7A CN201910527983A CN110222907A CN 110222907 A CN110222907 A CN 110222907A CN 201910527983 A CN201910527983 A CN 201910527983A CN 110222907 A CN110222907 A CN 110222907A
Authority
CN
China
Prior art keywords
station
electric car
initial charge
section
indicate
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.)
Granted
Application number
CN201910527983.7A
Other languages
English (en)
Other versions
CN110222907B (zh
Inventor
王涛
赵阳
安佳坤
邵华
凌云鹏
胡诗尧
刘雪飞
王宁
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.)
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
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 Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Priority to CN201910527983.7A priority Critical patent/CN110222907B/zh
Publication of CN110222907A publication Critical patent/CN110222907A/zh
Application granted granted Critical
Publication of CN110222907B publication Critical patent/CN110222907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明适用于城市规划技术领域，提供了一种电动汽车充电站规划方法及终端设备，所述方法包括：根据目标路网中第一交叉路口对应的各个路段的介数指标及车流关系，建立电动汽车的充电需求数量计算模型，并预测各个路段在第一时刻具有充电需求的电动汽车数量；获取初始充电站选址方案，以确定各个初始充电站内的最优充电桩数量；根据初始充电站选址方案、最优充电桩数量及预设目标函数，确定最优充电站规划方案。本发明通过建立充电需求数量计算模型，能够得到各个路段的充电需求分布，从而实现电动汽车站址、站容的优化，不需要针对单个电动汽车进行仿真，能够缩短规划方案的计算时间，从而有利于电动汽车充电站规划方法的推广及应用。

Description

电动汽车充电站规划方法及终端设备
技术领域
本发明属于城市规划技术领域，尤其涉及一种电动汽车充电站规划方法及终端设备。
背景技术
随着经济的高速发展，环境和能源问题日益突出。为了减少二氧化碳等温室气体的排放，降低化石燃料的消耗，近年来我国开始大力发展电动汽车产业，未来可能逐步替代传统燃油汽车。电动汽车充电站能够为电动汽车提供充电、维修等服务，是发展电动汽车产业必不可少的设施。因此，电动汽车充电站的合理规划是保障电动汽车拥有者所能受到的服务质量、出行成本和出行便捷性的重要因素，对于推广电动汽车产业具有重大的现实意义，也是目前有关电动汽车规划的重要研究方向。
在电动汽车充电站规划中，为了对电动汽车的充电需求进行准确预测，现有研究提出了基于动态交通仿真的需求预测方法。该方法主要是根据电动汽车用户的起始位置O和目的地D对电动汽车的行驶路径进行模拟仿真，依此得到电动汽车充电需求的时间和空间分布。然而，基于动态交通仿真的电动汽车需求预测方法需要对每一辆电动汽车的行为进行仿真，所需的计算时间较长。随着电动汽车的推广普及，电动汽车的数量将会不断增加，未来基于动态交通仿真的需求预测方法将难以适用。
发明内容
有鉴于此，本发明实施例提供了一种电动汽车充电站规划方法及终端设备，以解决现有技术中基于动态交通仿真的电动汽车需求预测方法计算效率低下的问题。
本发明实施例的第一方面提供了一种电动汽车充电站规划方法，包括：
根据目标路网中第一交叉路口对应的各个路段的介数指标及车流关系，建立电动汽车的充电需求数量计算模型，并根据所述充电需求数量计算模型，预测各个路段在第一时刻具有充电需求的电动汽车数量，所述第一交叉路口为所述目标路网中的任一交叉路口；
获取初始充电站选址方案，并根据各个路段在第一时刻具有充电需求的电动汽车数量及各个初始充电站的服务范围，确定各个初始充电站内的最优充电桩数量；
根据所述初始充电站选址方案、各个初始充电站内的最优充电桩数量及预设目标函数，确定最优充电站规划方案。
本发明实施例的第二方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述电动汽车充电站规划方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述电动汽车充电站规划方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例首先根据目标路网中第一交叉路口对应的各个路段的介数指标及车流关系，建立电动汽车的充电需求数量计算模型，并根据所述充电需求数量计算模型，预测各个路段在第一时刻具有充电需求的电动汽车数量；然后获取初始充电站选址方案，并根据各个路段在第一时刻具有充电需求的电动汽车数量及各个初始充电站的服务范围，确定各个初始充电站内的最优充电桩数量；最后根据所述初始充电站选址方案、各个初始充电站内的最优充电桩数量及预设目标函数，确定最优充电站规划方案。本发明实施例通过建立充电需求数量计算模型，能够得到各个路段的充电需求分布，从而实现电动汽车站址、站容的优化，不需要针对单个电动汽车进行仿真，能够缩短规划方案的计算时间，从而有利于电动汽车充电站规划方法的推广及应用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的电动汽车充电站规划方法的流程示意图；
图2是本发明实施例提供的图1中S101的实现流程示意图；
图3是本发明实施例提供的图2中S203的实现流程示意图；
图4是本发明实施例提供的图1中S102的实现流程示意图；
图5是本发明实施例提供的图1中S103的实现流程示意图；
图6是本发明实施例提供的电动汽车充电站规划装置的结构示意图；
图7是本发明实施例提供的终端设备的示意图；
图8是十字交叉路口模型的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例1：
图1示出了本发明一实施例所提供的电动汽车充电站规划方法的实现流程图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图1所示，本发明实施例所提供的一种电动汽车充电站规划方法，本实施例的流程主体为终端设备，包括：
S101：根据目标路网中第一交叉路口对应的各个路段的介数指标及车流关系，建立电动汽车的充电需求数量计算模型，所述第一交叉路口为所述目标路网中的任一交叉路口。
在本实施例中，目标路网中车辆的移动使得电动汽车的充电需求也将随车辆的运动轨迹在空间分布中产生变化，同时车辆运动也导致电动汽车的电量状态发生变化，导致不同的充电需求。为了对电动汽车的充电需求进行预测，本发明首先针对十字交叉路口各路段的车流关系进行建模，并结合目标路网的介数指标对电动汽车的运动轨迹进行预测，其次，针对电动汽车充电需求产生的概率进行建模，得到充电需求数量计算模型。
S102：根据所述充电需求数量计算模型，预测各个路段在第一时刻具有充电需求的电动汽车数量。
在本实施例中，充电需求数量计算模型为根据电动汽车的充电需求及电动汽车的转移概率建立的模型，用于预测目标路网的各个路段在第一时刻具有充电需求的电动汽车数量。
S103：获取初始充电站选址方案，并根据各个路段在第一时刻具有充电需求的电动汽车数量及各个初始充电站的服务范围，确定各个初始充电站内的最优充电桩数量。
在本实施例中，首先向终端设备输入初始充电站选址方案，初始充电站选址方案可以为根据专家经验设置的方案，也可以为随机选取的方案。初始充电站选址方案包括一组携带地址的初始充电站，然后选取多个充电需求产生点，求解每一个充电需求产生点分别到各个初始充电站的实际距离，从而确定初始充电站的服务范围。
S104：根据所述初始充电站选址方案、各个初始充电站内的最优充电桩数量及预设目标函数，确定最优充电站规划方案。
从上述实施例可知，本发明实施例首先根据目标路网中第一交叉路口对应的各个路段的介数指标及车流关系，建立电动汽车的充电需求数量计算模型，并根据所述充电需求数量计算模型，预测各个路段在第一时刻具有充电需求的电动汽车数量；然后获取初始充电站选址方案，并根据各个路段在第一时刻具有充电需求的电动汽车数量及各个初始充电站的服务范围，确定各个初始充电站内的最优充电桩数量；最后根据所述初始充电站选址方案、各个初始充电站内的最优充电桩数量及预设目标函数，确定最优充电站规划方案。本发明实施例通过建立充电需求数量计算模型，能够得到各个路段的充电需求分布，从而实现电动汽车站址、站容的优化，不需要针对单个电动汽车进行仿真，能够缩短规划方案的计算时间，从而有利于电动汽车充电站规划方法的推广及应用。
在本发明的一个实施例中，如图2所示，图2示出了图1中S101的具体实现流程，其过程详述如下：
S201：根据所述目标路网中第一交叉路口对应的各路段的车流关系，建立交叉路口模型。
在本实施例中，对于T时刻任一路段中行驶的电动汽车，其剩余电量将随着电动汽车的移动产生变化，并在其他路段产生充电需求。为了对道路上的车流运动轨迹进行预测，本发明建立了交叉路口模型，交叉路口模型可以为十字交叉路口模型，如图8所示，图8示出了一种十字交叉路口模型，十字交叉路口模型包括四个输入端H1、H2、H3和H4，还包括四个输出端O1、O2、O3和O4，在道路的每个输入端均设置左转、右转和直行三个专用车道，其中输入端的车流量Hij表示从i到j的车流量，例如，H11表示从输入端H1转入输出端O1的车流量，即1路口中进行右转的车流量，H13代表进行左转的车流量，H14代表直行的车流量。据此可得到各路口输出量与输入量间的关系如式(1)所示：
S202：根据所述目标路网的路网参数，确定所述目标路网中各个路段的介数指标,
在本实施例中，为了对该路口车辆选择直行、左转和右转的概率进行准确预测，本发明借鉴图论的相关知识，引入了介数指标。介数是连通图中表征节点或边重要程度的指标之一。其中，边eij的介数指标Bij的定义可表述为(2)：
式中，Nlm表示节点vi与节点vj之间最短路径的条数，Nlm(eij)表示节点vi与节点vj之间最短路径经过边eij的条数。
基于上述原理，针对十字交叉路口模型，可以根据目标路网的路网参数，得到目标路网各个路段的介数指标。
S203：根据所述交叉路口模型及各个路段的介数指标，确定所述第一交叉路口的电动汽车转移概率。
在本实施例中，根据交叉路口模型，确定十字交叉路口的相关路段的介数指标，从而确定第一交叉路口的电动汽车转移概率。电动汽车的转移概率为电动汽车从一个输入端通过十字交叉路口选择直行、左转和右转的概率。
S204：根据所述第一交叉路口的电动汽车转移概率及所述交叉路口模型，建立充电需求数量计算模型。
在本发明的一个实施例中，如图3所示，图3示出了图2中S203的具体实现流程，其过程详述如下：
S301：计算第一输入端对应的驶离路段的介数指标之和，所述第一输入端为所述第一交叉路口的任一输入端；
S302：将第一驶离路段的介数指标除以所述介数指标之和，得到从所述第一输入端通过所述第一交叉路口并进入所述第一驶离路段的电动汽车转移概率，所述第一驶离路段为第一输入端对应的驶离路段中的任一路段。
在本实施例中，第一输入端对应的驶离路段为电动汽车从第一输入端进入第一交叉路口，然后通过直行、左转或右转从输出端驶离第一交叉路口后能够进入的路段。
在本实施例中，以第一交叉路口模型的输入端H1为例，确定电动汽车选择直行、左转和右转的概率的计算公式如式(3)所示。
式(3)中，P11、P14和P13分别表示进入输入端H1中车辆选择右转、直行和左转的概率，BO1、BO4和BO3则表示输出端O1、O4和O3路段的介数指标。
在本发明的一个实施例中，充电需求数量计算模型如式(4)所示：
式(4)中，nij,T+1表示T+1时刻路段eij的车流量，nij,T表示T时刻路段eij的车流量，vEV表示电动汽车的平均行驶速度，e表示目标路网中的道路集合，lij表示道路eij的长度，表示从路段eij驶入i节点并从路段eik驶离的概率，表示从路段eij驶入j节点并从路段ekj驶离的概率，表示从路段eik驶入i节点并从路段eij驶离的概率，表示从路段ekj驶入j节点并从路段eij驶离的概率。
式(4)中k为目标路网e中除i,j外的任意一个节点，
在本实施例中，通过公式(3)，结合十字交叉路口模型，可以得到十字交叉路口中输入端与输出端的关系如式(5)所示。
式(5)中，Pij表示进入输入端Hi的车辆选择从输出端Oj驶离的概率。
根据式(5)中十字交叉路口输入端与输出端的关系，递推可以得到式(4)，若假设T时刻每条道路eij上的车流量nij,T，通过递推可得到T+1时刻道路上的车流量nij,T+1，从而预测各个路段在第一时刻具有充电需求的电动汽车数量。
在本发明的一个实施例中，如图4所示，图4示出了图1中S102的具体实现流程，其过程详述如下：
S401：建立电动汽车的充电需求产生概率模型。
在本实施例中，为了对目标路网内各道路段中电动汽车的充电需求进行预测，本实施例首先对电动汽车的充电需求产生行为进行分析。现有研究提出，在实际生活中电动汽车的充电需求与电动汽车的荷电状态间存在着紧密的联系。当电动汽车的荷电状态(State of Charge,SOC)低于用户所能接受的最低电量阈值时，用户一定会选择充电，即非弹性充电需求；而当电动汽车的荷电状态高于该阈值时，用户的充电需求将存在一定的不确定性，即弹性充电需求。同时电动汽车荷电状态越高，用户的弹性充电需求越低。据此可建立充电需求产生概率模型如式(6)所示：
式(6)中，Asoc表示SOC的充足度；SOCT表示T时刻电动汽车的电量，CEV表示电动汽车的电池容量；m为弹性系数，表示用户所能接受的最低电量状态；F(ASOC)表示电动汽车充电需求产生的概率；M(ASOC)表示模糊集M的隶属函数。
S402：根据所述充电需求产生概率模型和所述充电需求数量计算模型，预测各个路段在第一时刻具有充电需求的电动汽车数量。
在本实施例中，基于用户的充电需求产生模型，若假设任一时刻各道路上电动汽车的SOC概率函数Pij,T(soc)符合正态分布Φ(μij,T,δij,T)，结合式(3)即可得到各时刻任一一条道路eij上的充电需求Qi,T如式(7)所示：
式(7)中，Qtan,i,T表示T时刻的电动汽车的弹性充电需求，Qnce,i,T表示T时刻电动汽车的非弹性充电需求，nij,T表示T时刻eij路段上的车流量。
基于上述式(7)，推导出任一时刻下道路eij上具有充电需求的电动汽车数量Nij,T的计算公式如式(8)所示：
在本发明的一个实施例中，如图5所示，图5示出了图1中S103的具体实现流程，其过程详述如下：
S501：根据充电需求产生点到各个初始充电站的实际距离，确定各个初始充电站的服务范围。
在本实施例中，假设每个充电需求产生点处的电动汽车都将前往与该点实际距离最近的初始充电站进行充电，因此集合插点(Floyd)算法和维诺(Voronoi)图算法对各初始充电站的服务范围进行划分。具体步骤如下：
1)根据道路节点，生成目标路网各道路节点的距离矩阵D，矩阵的元素dij表示道路节点i和节点j间的距离，若两个节点间存在直接相连的道路，则认为dij为该两点间道路的长度；若两点间不存在直接相连的道路，dij则为无穷大；
2)对于任意两个道路节点i和j，判断是否存在中间节点s，使得节点i经由节点s到节点j间的距离小于dij，若存在，则采用这一距离替换元素更新dij，并更新距离矩阵D；
3)重复步骤2)，直至距离矩阵不再发生变化为止；
4)根据各节点间的距离矩阵D，确定各节点分别到各电动汽车充电站的实际距离，根据Voronoi图算法划分各充电站的服务范围，即充电站服务范围内的任一节点到该站的实际距离应小于该点到其他任一充电站的实际距离。
S502：根据第一初始充电站的服务范围及各个路段在第一时刻具有充电需求的电动汽车数量，确定所述第一初始充电站内电动汽车的概率分布信息，所述第一初始充电站为初始充电站选址方案中的任一初始充电站。
在本实施例中，采用M/M/C排队论模型对电动汽车充电站的充电桩数量配置问题进行优化。即当初始充电站内等待的电动汽车数量服从参数为λ的泊松分布，电动汽车进行充电所需的服务时间服从参数为μ的负指数分布。λ和μ可根据电动汽车供电范围内的具有充电需求的电动汽车数量(式(7))及充电需求(式(8))拟合得到。当充电站内共配置Mr个充电桩时，充电站内的平均服务率为Mrμ。
S503：根据所述第一初始充电站内电动汽车的概率分布信息，建立容量配置计算模型，并根据所述容量配置计算模型，确定所述第一初始充电站内的最优充电桩数量。
在本发明的一个实施例中，图5中S502的具体实现流程包括式(9)：
根据
确定所述第一初始充电站内电动汽车的概率分布信息；
式(9)中，其中Pn表示所述第一初始充电站内有n辆电动汽车的概率，n表示第一时刻的所述第一初始充电站内等待充电的电动汽车数量，ρ表示充电桩的服务强度，λ表示所述第一初始充电站内等待充电的电动汽车服从的泊松分布的参数，μ表示所述第一初始充电站内等待充电的电动汽车服从的负指数分布的参数，Mr表示所述第一初始充电站内的充电桩数量，P0表示所述第一初始充电站内各个充电桩都闲置的概率，且P0的计算公式如式(10)所示。
式(10)中，b表示变量，b的取值从0至Mr-1。
在本发明的一个实施例中，容量配置计算模型如式(11)所示：
式(11)中，Lq表示所述第一初始充电站的平均排队长度，Wq表示所述第一初始充电站内的充电汽车的平均等待时间，ρ表示充电桩的服务强度，λ表示所述第一初始充电站内等待充电的电动汽车服从的泊松分布的参数，μ表示所述第一初始充电站内等待充电的电动汽车服从的负指数分布的参数，Mr表示所述第一初始充电站内的充电桩数量，P0表示所述第一初始充电站内各个充电桩都闲置的概率，Pn表示所述第一初始充电站内有n辆电动汽车的概率，n表示第一时刻的所述第一初始充电站内等待充电的电动汽车数量，Mmax、Mmin分别表示初始充电站内配置的最大充电桩数量和最小充电桩数量，Wmax表示第一初始充电站内的平均等待时间的最大值。
在本发明的一个实施例中，所述最优充电站规划方案包括最优站址规划方案和最优配置规划方案，图1中的S103的具体实现流程包括：
基于遗传算法，将初始充电站选址方案和各个初始充电站内的最优充电桩数量输入预设目标函数，迭代计算得到最优站址规划方案和最优配置规划方案。
在本实施例中，电动汽车充电规划的预设目标函数主要包括充电站的年建设投资成本、运行维护成本。同时，由于电动汽车充电站做为一种公共服务设施，在选址规划过程中还应该考虑用户到充电站的时间成本。为此，基于全社会效益最大化，可建立电动汽车充电站规划的预设目标函数如式(12)所示
在本发明的一个实施例中，预设目标函数如式(12)所示：
式(12)中，C1表示第一初始充电站的年建设投资成本，C2表示第一初始充电站的年维护成本，C3表示电动汽车前往初始充电站的充电路程中产生的成本，Tr和CT分别表示第一初始充电站配置的变压器数目和变压器单价，Mr和CM分别表示第一初始充电站内配置的充电桩数目和充电桩单价，CP表示变压器扩容费用折算到单台变压器的费用系数，Ar和CA分别表示第一初始充电站的用地面积和单位用地面积的土地费用，Br表示第一初始充电站的基础设施投资费用，ε表示第一初始充电站的设备维护、折旧费用的折算系数，p表示电动汽车的单位千米耗电量，Cε表示电动汽车的充电电价，dqr表示充电需求产生点q与第一初始充电站间的距离，yqr表示充电需求产生点q处的电动汽车是否前往第一初始充电站充电，Nq表示充电需求产生点q处需要充电的电动汽车数量，a表示设备的寿命周期，r0表示贴现率。
在本实施例中，通过遗传算法，将初始充电站选址方案和各个初始充电站内的最优充电桩数量输入预设目标函数，进行迭代计算，直至达到终止条件，输出最优解。
如未达到终止条件，则根据遗传算法，本次输入的充电站选址方案及充电站内的最优充电桩数量，生成新的充电站选址的种群，并根据新的种群作为下一次的充电站选址方案，重复充电站服务范围划分、充电站内最优充电桩数量计算及代入预设目标函数的计算过程，直至达到终止条件，输出最优充电站规划方案。
具体地，终止条件可以包括设置迭代次数，或设置minC的阈值。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
如图6所示，本发明的一个实施例提供的电动汽车充电站规划装置100，用于执行图1所对应的实施例中的方法步骤，其包括：
充电需求概率模型建立模块110，用于根据目标路网中第一交叉路口对应的各个路段的介数指标及车流关系，建立电动汽车的充电需求数量计算模型，所述第一交叉路口为所述目标路网中的任一交叉路口；
电动汽车充电数量计算模块120，用于根据所述充电需求数量计算模型，预测各个路段在第一时刻具有充电需求的电动汽车数量；
最优充电桩数量获取模块130，用于获取初始充电站选址方案，并根据各个路段在第一时刻具有充电需求的电动汽车数量及各个初始充电站的服务范围，确定各个初始充电站内的最优充电桩数量；
最优充电站规划方案获取模块140，用于根据所述初始充电站选址方案、各个初始充电站内的最优充电桩数量及预设目标函数，确定最优充电站规划方案。
从上述实施例可知，本发明实施例首先根据目标路网中第一交叉路口对应的各个路段的介数指标及车流关系，建立电动汽车的充电需求数量计算模型，并根据所述充电需求数量计算模型，预测各个路段在第一时刻具有充电需求的电动汽车数量；然后获取初始充电站选址方案，并根据各个路段在第一时刻具有充电需求的电动汽车数量及各个初始充电站的服务范围，确定各个初始充电站内的最优充电桩数量；最后根据所述初始充电站选址方案、各个初始充电站内的最优充电桩数量及预设目标函数，确定最优充电站规划方案。本发明实施例通过建立充电需求数量计算模型，能够得到各个路段的充电需求分布，从而实现电动汽车站址、站容的优化，不需要针对单个电动汽车进行仿真，能够缩短规划方案的计算时间，从而有利于电动汽车充电站规划方法的推广及应用。
在本发明的一个实施例中，图6所对应的实施例中的充电需求概率模型建立模块110还包括用于执行图2所对应的实施例中的方法步骤的结构，其包括：
交叉路口模型建立单元，用于根据所述目标路网中第一交叉路口对应的各路段的车流关系，建立交叉路口模型；
介数指标计算单元，用于根据所述目标路网的路网参数，确定所述目标路网中各个路段的介数指标；
转移概率计算单元，用于根据所述交叉路口模型及各个路段的介数指标，确定所述第一交叉路口的电动汽车转移概率；
充电需求概率模型建立单元，用于根据所述第一交叉路口的电动汽车转移概率及所述交叉路口模型，建立充电需求数量计算模型。
在本发明的一个实施例中，充电需求数量计算模型如式(4)所示：
式(4)中，nij,T+1表示T+1时刻路段eij的车流量，nij,T表示T时刻路段eij的车流量，vEV表示电动汽车的平均行驶速度，e表示目标路网中的道路集合，lij表示道路eij的长度，表示从路段eij驶入i节点并从路段eik驶离的概率，表示从路段eij驶入j节点并从路段ekj驶离的概率，表示从路段eik驶入i节点并从路段eij驶离的概率，表示从路段ekj驶入j节点并从路段eij驶离的概率。
在本发明的一个实施例中，转移概率计算单元还包括用于执行图3所对应的实施例中的方法步骤的结构，其包括：
介数指标之和计算子单元，用于计算第一输入端对应的驶离路段的介数指标之和，所述第一输入端为所述第一交叉路口的任一输入端；
转移概率计算子单元，用于将第一驶离路段的介数指标除以所述介数指标之和，得到从所述第一输入端通过所述第一交叉路口并进入所述第一驶离路段的电动汽车转移概率，所述第一驶离路段为第一输入端对应的驶离路段中的任一路段。
在本发明的一个实施例中，电动汽车充电数量计算模块120还包括用于执行图4所对应的实施例中的方法步骤的结构，其包括：
电动汽车需求产生概率模型建立单元，用于建立电动汽车的充电需求产生概率模型；
电动汽车充电数量计算单元，用于根据所述充电需求产生概率模型和所述充电需求数量计算模型，预测各个路段在第一时刻具有充电需求的电动汽车数量。
在本发明的一个实施例中，最优充电桩数量获取模块130还包括用于执行图5所对应的实施例中的方法步骤的结构，其包括：
服务范围获取单元，用于根据充电需求产生点到各个初始充电站的实际距离，确定各个初始充电站的服务范围；
概率分布计算单元，用于根据第一初始充电站的服务范围及各个路段在第一时刻具有充电需求的电动汽车数量，确定所述第一初始充电站内电动汽车的概率分布信息，所述第一初始充电站为初始充电站选址方案中的任一初始充电站；
最优充电桩数量计算单元，用于根据所述第一初始充电站内电动汽车的概率分布信息，建立容量配置计算模型，并根据所述容量配置计算模型，确定所述第一初始充电站内的最优充电桩数量。
在本发明的一个实施例中，概率分布计算单元具体包括式(9)：
在本发明的一个实施例中，图5中S502的具体实现流程包括式(9)：
根据
确定所述第一初始充电站内电动汽车的概率分布信息；
式(9)中，Pn表示所述第一初始充电站内有n辆电动汽车的概率，n表示第一时刻的所述第一初始充电站内等待充电的电动汽车数量，ρ表示充电桩的服务强度，λ表示所述第一初始充电站内等待充电的电动汽车服从的泊松分布的参数，μ表示所述第一初始充电站内等待充电的电动汽车服从的负指数分布的参数，Mr表示所述第一初始充电站内的充电桩数量，P0表示所述第一初始充电站内各个充电桩都闲置的概率，且P0的计算公式如式(10)所示。
在本发明的一个实施例中，容量配置计算模型如式(11)所示：
式(11)中，Lq表示所述第一初始充电站的平均排队长度，Wq表示所述第一初始充电站内的充电汽车的平均等待时间，ρ表示充电桩的服务强度，λ表示所述第一初始充电站内等待充电的电动汽车服从的泊松分布的参数，μ表示所述第一初始充电站内等待充电的电动汽车服从的负指数分布的参数，Mr表示所述第一初始充电站内的充电桩数量，P0表示所述第一初始充电站内各个充电桩都闲置的概率，Pn表示所述第一初始充电站内有n辆电动汽车的概率，n表示第一时刻的所述第一初始充电站内等待充电的电动汽车数量，Mmax、Mmin分别表示初始充电站内配置的最大充电桩数量和最小充电桩数量，Wmax表示第一初始充电站内的平均等待时间的最大值。
在本发明的一个实施例中，最优充电站规划方案获取模块140具体包括：
基于遗传算法，将初始充电站选址方案和各个初始充电站内的最优充电桩数量输入预设目标函数，迭代计算得到最优站址规划方案和最优配置规划方案。
在本发明的一个实施例中，预设目标函数如式(12)所示：
式(12)中，C1表示第一初始充电站的年建设投资成本，C2表示第一初始充电站的年维护成本，C3表示电动汽车前往初始充电站的充电路程中产生的成本，Tr和CT分别表示第一初始充电站配置的变压器数目和变压器单价，Mr和CM分别表示第一初始充电站内配置的充电桩数目和充电桩单价，CP表示变压器扩容费用折算到单台变压器的费用系数，Ar和CA分别表示第一初始充电站的用地面积和单位用地面积的土地费用，Br表示第一初始充电站的基础设施投资费用，ε表示第一初始充电站的设备维护、折旧费用的折算系数，p表示电动汽车的单位千米耗电量，Cε表示电动汽车的充电电价，dqr表示充电需求产生点q与第一初始充电站间的距离，yqr表示充电需求产生点q处的电动汽车是否前往第一初始充电站充电，Nq表示充电需求产生点q处需要充电的电动汽车数量，a表示设备的寿命周期，r0表示贴现率。
在一个实施例中，电动汽车充电站规划装置100还包括其他功能模块/单元，用于实现实施例1中各实施例中的方法步骤。
图7是本发明一实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个电动汽车充电站规划方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块110至140的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (11)

1.一种电动汽车充电站规划方法，其特征在于，包括：
根据目标路网中第一交叉路口对应的各个路段的介数指标及车流关系，建立电动汽车的充电需求数量计算模型，并根据所述充电需求数量计算模型，预测各个路段在第一时刻具有充电需求的电动汽车数量，所述第一交叉路口为所述目标路网中的任一交叉路口；
获取初始充电站选址方案，并根据各个路段在第一时刻具有充电需求的电动汽车数量及各个初始充电站的服务范围，确定各个初始充电站内的最优充电桩数量；根据所述初始充电站选址方案、各个初始充电站内的最优充电桩数量及预设目标函数，确定最优充电站规划方案。
2.如权利要求1所述的电动汽车充电站规划方法，其特征在于，所述根据目标路网中第一交叉路口对应的各个路段的介数指标及车流关系，建立电动汽车的充电需求数量计算模型，包括：
根据所述目标路网中第一交叉路口对应的各路段的车流关系，建立交叉路口模型；
根据所述目标路网的路网参数，确定所述目标路网中各个路段的介数指标；
根据所述交叉路口模型及各个路段的介数指标，确定所述第一交叉路口的电动汽车转移概率；
根据所述第一交叉路口的电动汽车转移概率及所述交叉路口模型，建立充电需求数量计算模型。
3.如权利要求2所述的电动汽车充电站规划方法，其特征在于，所述根据所述交叉路口模型及各个路段的介数指标，确定所述第一交叉路口的电动汽车转移概率，包括：
计算第一输入端对应的驶离路段的介数指标之和，所述第一输入端为所述第一交叉路口的任一输入端；
将第一驶离路段的介数指标除以所述介数指标之和，得到从所述第一输入端通过所述第一交叉路口并进入所述第一驶离路段的电动汽车转移概率，所述第一驶离路段为所述第一输入端对应的驶离路段中的任一路段。
4.如权利要求2所述的电动汽车充电站规划方法，其特征在于，所述充电需求数量计算模型为：
其中，nij,T+1表示T+1时刻路段eij的车流量，nij,T表示T时刻路段eij的车流量，vEV表示电动汽车的平均行驶速度，e表示目标路网中的道路集合，lij表示道路eij的长度，表示从路段eij驶入i节点并从路段eik驶离的概率，表示从路段eij驶入j节点并从路段ekj驶离的概率，表示从路段eik驶入i节点并从路段eij驶离的概率，表示从路段ekj驶入j节点并从路段eij驶离的概率。
5.如权利要求1所述的电动汽车充电站规划方法，其特征在于，所述根据所述充电需求数量计算模型，预测各个路段在第一时刻具有充电需求的电动汽车数量，包括：
建立电动汽车的充电需求产生概率模型；
根据所述充电需求产生概率模型和所述充电需求数量计算模型，预测各个路段在第一时刻具有充电需求的电动汽车数量。
6.如权利要求1所述的电动汽车充电站规划方法，其特征在于，所述根据各个路段在第一时刻具有充电需求的电动汽车数量及各个初始充电站的服务范围，确定各个初始充电站内的最优充电桩数量，包括：
根据充电需求产生点到各个初始充电站的实际距离，确定各个初始充电站的服务范围；
根据第一初始充电站的服务范围及各个路段在第一时刻具有充电需求的电动汽车数量，确定所述第一初始充电站内电动汽车的概率分布信息，所述第一初始充电站为初始充电站选址方案中的任一初始充电站；
根据所述第一初始充电站内电动汽车的概率分布信息，建立容量配置计算模型，并根据所述容量配置计算模型，确定所述第一初始充电站内的最优充电桩数量。
7.如权利要求6所述的电动汽车充电站规划方法，其特征在于，所述根据第一初始充电站的服务范围及各个路段在第一时刻具有充电需求的电动汽车数量，确定所述第一初始充电站内充电桩的平均利用概率，包括：
根据
确定所述第一初始充电站内电动汽车的概率分布信息；
其中Pn表示所述第一初始充电站内有n辆电动汽车的概率，n表示第一时刻的所述第一初始充电站内等待充电的电动汽车数量，ρ表示充电桩的服务强度，λ表示所述第一初始充电站内等待充电的电动汽车服从的泊松分布的参数，μ表示所述第一初始充电站内等待充电的电动汽车服从的负指数分布的参数，Mr表示所述第一初始充电站内的充电桩数量，P0表示所述第一初始充电站内各个充电桩都闲置的概率，且
。
8.如权利要求6所述的电动汽车充电站规划方法，其特征在于，所述容量配置计算模型为：
其中，Lq表示所述第一初始充电站的平均排队长度，Wq表示所述第一初始充电站内的充电汽车的平均等待时间，ρ表示充电桩的服务强度，λ表示所述第一初始充电站内等待充电的电动汽车服从的泊松分布的参数，μ表示所述第一初始充电站内等待充电的电动汽车服从的负指数分布的参数，Mr表示所述第一初始充电站内的充电桩数量，P0表示所述第一初始充电站内各个充电桩都闲置的概率，Pn表示所述第一初始充电站内有n辆电动汽车的概率，n表示第一时刻的所述第一初始充电站内等待充电的电动汽车数量，Mmax、Mmin分别表示初始充电站内配置的最大充电桩数量和最小充电桩数量，Wmax表示第一初始充电站内的平均等待时间的最大值。
9.如权利要求1至8任一项所述的电动汽车充电站规划方法，其特征在于，所述预设目标函数包括：
其中，C1表示第一初始充电站的年建设投资成本，C2表示第一初始充电站的年维护成本，C3表示电动汽车前往初始充电站的充电路程中产生的成本，Tr和CT分别表示第一初始充电站配置的变压器数目和变压器单价，Mr和CM分别表示第一初始充电站内配置的充电桩数目和充电桩单价，CP表示变压器扩容费用折算到单台变压器的费用系数，Ar和CA分别表示第一初始充电站的用地面积和单位用地面积的土地费用，Br表示第一初始充电站的基础设施投资费用，ε表示第一初始充电站的设备维护、折旧费用的折算系数，p表示电动汽车的单位千米耗电量，Cε表示电动汽车的充电电价，dqr表示充电需求产生点q与第一初始充电站间的距离，yqr表示充电需求产生点q处的电动汽车是否前往第一初始充电站充电，Nq表示充电需求产生点q处需要充电的电动汽车数量，a表示设备的寿命周期，r0表示贴现率。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述方法的步骤。
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述方法的步骤。
CN201910527983.7A 2019-06-18 2019-06-18 电动汽车充电站规划方法及终端设备 Active CN110222907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910527983.7A CN110222907B (zh) 2019-06-18 2019-06-18 电动汽车充电站规划方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910527983.7A CN110222907B (zh) 2019-06-18 2019-06-18 电动汽车充电站规划方法及终端设备

Publications (2)

Publication Number Publication Date
CN110222907A true CN110222907A (zh) 2019-09-10
CN110222907B CN110222907B (zh) 2021-10-08

Family

ID=67817566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910527983.7A Active CN110222907B (zh) 2019-06-18 2019-06-18 电动汽车充电站规划方法及终端设备

Country Status (1)

Country Link
CN (1) CN110222907B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111628496A (zh) * 2020-05-19 2020-09-04 南京工程学院 一种电动汽车充电站选址和最大充电负荷确定方法
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
CN112200471A (zh) * 2020-10-15 2021-01-08 国网北京市电力公司 充电桩的数量配置方法、装置和充电桩的分布系统
CN112542831A (zh) * 2020-04-10 2021-03-23 深圳优地科技有限公司 充电桩数量确定方法、装置、设备及存储介质
CN112668792A (zh) * 2020-12-31 2021-04-16 广州极飞科技有限公司 补给规划方法、作业方法及相关装置
CN112990733A (zh) * 2021-03-29 2021-06-18 厦门金龙联合汽车工业有限公司 一种移动换电设备的换电地点选址方法
CN113326883A (zh) * 2021-06-03 2021-08-31 中创三优（北京）科技有限公司 充电站功率利用率预测模型的训练方法、装置及介质
CN114550073A (zh) * 2022-04-24 2022-05-27 南通电发新能源科技有限公司 一种新能源汽车充电桩的监控系统
CN115424470A (zh) * 2022-08-31 2022-12-02 苏州智能交通信息科技股份有限公司 一种城市级智能停车系统、整合分析方法以及终端
CN115829633A (zh) * 2023-02-16 2023-03-21 中测智联(深圳)科技有限公司 基于大数据城市新能源载具分布的充电桩设计系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6650948B1 (en) * 2000-11-28 2003-11-18 Applied Generics Limited Traffic flow monitoring
CN103440764A (zh) * 2013-08-19 2013-12-11 同济大学 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法
CN104331743A (zh) * 2014-10-11 2015-02-04 清华大学 一种基于多目标优化的电动车辆出行规划方法
CN105046956A (zh) * 2015-06-24 2015-11-11 银江股份有限公司 一种基于转向系数的交通流模拟及预测方法
CN108921366A (zh) * 2018-03-24 2018-11-30 北京工业大学 一种基于PageRank算法的路网重要路段筛选方法
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
CN109447410A (zh) * 2018-09-25 2019-03-08 华南理工大学 一种考虑城市路网交通运行状态的充电站选址方法
CN109711630A (zh) * 2018-12-28 2019-05-03 郑州大学 一种基于出行概率矩阵的电动汽车快充站选址定容方法
CN109840708A (zh) * 2019-02-01 2019-06-04 国网河北省电力有限公司经济技术研究院 一种充电站建设的规划方法、系统及终端设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6650948B1 (en) * 2000-11-28 2003-11-18 Applied Generics Limited Traffic flow monitoring
CN103440764A (zh) * 2013-08-19 2013-12-11 同济大学 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法
CN104331743A (zh) * 2014-10-11 2015-02-04 清华大学 一种基于多目标优化的电动车辆出行规划方法
CN105046956A (zh) * 2015-06-24 2015-11-11 银江股份有限公司 一种基于转向系数的交通流模拟及预测方法
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
CN108921366A (zh) * 2018-03-24 2018-11-30 北京工业大学 一种基于PageRank算法的路网重要路段筛选方法
CN109447410A (zh) * 2018-09-25 2019-03-08 华南理工大学 一种考虑城市路网交通运行状态的充电站选址方法
CN109711630A (zh) * 2018-12-28 2019-05-03 郑州大学 一种基于出行概率矩阵的电动汽车快充站选址定容方法
CN109840708A (zh) * 2019-02-01 2019-06-04 国网河北省电力有限公司经济技术研究院 一种充电站建设的规划方法、系统及终端设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
葛少云，冯亮，刘洪，王龙: "考虑车流信息与配电网络容量约束的充电站规划", 《电网技术》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112542831A (zh) * 2020-04-10 2021-03-23 深圳优地科技有限公司 充电桩数量确定方法、装置、设备及存储介质
CN112542831B (zh) * 2020-04-10 2023-09-08 深圳优地科技有限公司 充电桩数量确定方法、装置、设备及存储介质
CN111628496A (zh) * 2020-05-19 2020-09-04 南京工程学院 一种电动汽车充电站选址和最大充电负荷确定方法
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
CN112200471A (zh) * 2020-10-15 2021-01-08 国网北京市电力公司 充电桩的数量配置方法、装置和充电桩的分布系统
CN112200471B (zh) * 2020-10-15 2023-11-21 国网北京市电力公司 充电桩的数量配置方法、装置和充电桩的分布系统
CN112668792A (zh) * 2020-12-31 2021-04-16 广州极飞科技有限公司 补给规划方法、作业方法及相关装置
CN112990733B (zh) * 2021-03-29 2022-05-17 厦门金龙联合汽车工业有限公司 一种移动换电设备的换电地点选址方法
CN112990733A (zh) * 2021-03-29 2021-06-18 厦门金龙联合汽车工业有限公司 一种移动换电设备的换电地点选址方法
CN113326883B (zh) * 2021-06-03 2022-08-30 中创三优（北京）科技有限公司 充电站功率利用率预测模型的训练方法、装置及介质
CN113326883A (zh) * 2021-06-03 2021-08-31 中创三优（北京）科技有限公司 充电站功率利用率预测模型的训练方法、装置及介质
CN114550073A (zh) * 2022-04-24 2022-05-27 南通电发新能源科技有限公司 一种新能源汽车充电桩的监控系统
CN114550073B (zh) * 2022-04-24 2022-07-05 南通电发新能源科技有限公司 一种新能源汽车充电桩的监控系统
CN115424470A (zh) * 2022-08-31 2022-12-02 苏州智能交通信息科技股份有限公司 一种城市级智能停车系统、整合分析方法以及终端
CN115424470B (zh) * 2022-08-31 2023-12-08 苏州智能交通信息科技股份有限公司 一种城市级智能停车系统、整合分析方法以及终端
CN115829633A (zh) * 2023-02-16 2023-03-21 中测智联(深圳)科技有限公司 基于大数据城市新能源载具分布的充电桩设计系统

Also Published As

Publication number Publication date
CN110222907B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN110222907A (zh) 电动汽车充电站规划方法及终端设备
Lin et al. An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC
Liu et al. Rule-corrected energy management strategy for hybrid electric vehicles based on operation-mode prediction
CN107180274B (zh) 一种电动汽车充电设施规划典型场景选取和优化方法
CN105787600A (zh) 基于自适应量子遗传算法的电动出租车充电站规划方法
CN105644548A (zh) 混合动力汽车的能量控制方法及装置
Guo et al. A novel energy consumption prediction model with combination of road information and driving style of BEVs
Kim et al. Idle vehicle relocation strategy through deep learning for shared autonomous electric vehicle system optimization
Xu et al. Research on double fuzzy control strategy for parallel hybrid electric vehicle based on GA and DP optimisation
CN111523714B (zh) 一种电力充电站选址布局方法及装置
Qiu et al. Multi-service provision for electric vehicles in power-transportation networks towards a low-carbon transition: A hierarchical and hybrid multi-agent reinforcement learning approach
CN107832891A (zh) 一种城市快速路口的充电站规划方法
Liu et al. A hybrid genetic algorithm for the electric vehicle routing problem with time windows
CN112417604A (zh) 一种基于多目标优化的电动汽车配送任务自适应分配方法
CN110633847B (zh) 一种基于模块分割式电池换电站的充电策略控制方法
CN110598904B (zh) 市场环境下考虑可再生能源消纳的车网能量交互优化方法
Ben Abbes et al. Route planning for electric vehicles
Diaz-Cachinero et al. An enhanced delivery route operational planning model for electric vehicles
CN110497816A (zh) 用于管理车辆充电的方法及装置
CN112115385B (zh) 一种考虑充电时间的单向共享汽车系统选址优化方法
Li et al. Connectivity supported dynamic routing of electric vehicles in an inductively coupled power transfer environment
Caspari et al. Optimal eco-routing for hybrid vehicles with powertrain model embedded
Lin et al. AER adaptive control strategy via energy prediction for PHEV
Li et al. Data-driven bi-level predictive energy management strategy for fuel cell buses with algorithmics fusion
Shen et al. Integrated optimization of electric vehicles charging location and allocation for valet charging service

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