CN110543976B - 一种基于遗传算法的充电站布局优化方法 - Google Patents
一种基于遗传算法的充电站布局优化方法 Download PDFInfo
- Publication number
- CN110543976B CN110543976B CN201910747641.6A CN201910747641A CN110543976B CN 110543976 B CN110543976 B CN 110543976B CN 201910747641 A CN201910747641 A CN 201910747641A CN 110543976 B CN110543976 B CN 110543976B
- Authority
- CN
- China
- Prior art keywords
- charging
- demand
- station
- point
- points
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims 1
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于遗传算法的充电站布局优化方法,包括地图匹配,将充电需求对应在路网图中;预测城市充电需求,确定充电热区;调整充电热区,确定充电站候选区域;确定充电站候选区域内的充电桩数量;利用遗传算法实现最优布局。本发明以遗传算法作为主体框架,结合历史数据对算法模型不断训练,使充电站分布与充电需求的分布一致,有利于形成满足城市充电需求的布局,从而推动电动汽车产业快速、健康、高效发展。
Description
技术领域
本发明涉及电动汽车的充电站布局领域,具体涉及一种基于遗传算法的充电站布局优化方法。
背景技术
随着经济的发展,人们逐渐开始重视能源和环境问题。现有的汽车使用汽油于引擎内进行燃烧而产生行驶动力,并会直接排放大量废气,这是空气污染与温室效应的一大主凶,而电动汽车使用电能代替了原本的汽油,使用过程可以实现零排放并且具有较高的能源利用率,因此电动汽车的推广将是符合环保意识的趋势。因此,近年来,电动汽车作为一种替代当前基于化石燃料的运输设备得到了很大的发展。
然而充电站基础设施尚未完善,经常会给司机造成里程焦虑等问题。目前,我国一些城市已经开始了电动汽车充电基础设施建设,截至2015年初,北京市已建成200余座充换电站,6000余根充电桩,日均服务能力达到2万车次,形成了中心城区平均服务半径5公里的充电网络。但在充电设施布局与配置过程中,往往以经验为主,主观性和随意性较大,缺乏严谨的科学原理可以遵循。因此结合城市车辆的行驶特点和分布规律的大数据,设计合理的充电站布局方案显得尤为重要。
发明内容
本发明提供了一种基于遗传算法的充电站布局优化方法,包括:
(1)地图匹配,将充电需求对应在路网图中;
(2)预测城市充电需求,确定充电热区;
(3)调整充电热区,确定充电站候选区域;
(4)确定充电站候选区域内的充电桩数量;
(5)利用遗传算法实现最优布局。
上述步骤(1)将充电需求对应在路网图中,路网图为二维平面,充电需求由车辆产生,根据充电需求产生的地址将其对应到路网图中的点,该点称为需求点;
由于电动汽车具有充电时间长的特征,因此所述需求点可以从城市中车辆停留时间较长的位置产生,包括以下信息:充电需求产生的地址、充电需求产生的时间、预估的充电时长和车辆剩余行驶里程。
上述步骤(2)预测城市充电需求、确定充电热区是使用基于区域充电需求量的聚类算法实现的,具体步骤如下:
(2.1)数据清洗,由于会出现多个充电需求对应到同一需求点的情况,需要统计每个充电需求中预估的充电时长,之后计算每个需求点的平均预估的充电时长作为该需求点的需求分数,公式如下:
其中SCp表示需求点p的需求分数,STi表示对应到需求点p的第i个充电需求中的预估充电时长,n表示历史记录中对应到该点的需求个数;
(2.2)删除需求分数过低的需求点,根据预先设置的阈值,删除需求分数低于阈值的需求点;
(2.3)使用K-means算法将需求点进行聚类,得到不同密度的簇,即充电热区,其代表着有一定充电需求的区域,但充电热区的大小和数量不一定合理,不适合直接在充电热区部署充电站,因此需要对充电热区作进一步调整。
上述步骤(2.3)中使用K-means算法将候选点进行聚类,聚类个数使用肘部法则来确定,将各个簇内的样本点到所在簇质心的距离平方和(SSE)作为性能度量,在簇数量与SSE之间寻求一个平衡点,具体步骤如下:
(2.3.1)指定一个i值,即可能的最大类簇数;
(2.3.2)然后将类簇数从1开始递增,一直到i,计算出i个SSE,公式如下:
其中,μk是第k个质心的位置;
(2.3.3)通过画出K-SSE曲线,找出下降途中的拐点,即可较好的确定K值。
上述步骤(3)调整充电热区,确定充电站候选区域的方法为融合较小的簇、分割较大的簇,具体步骤如下:
(3.1)计算充电热区的半径和充电热区之间的距离矩阵;
(3.2)若某一充电热区和其他充电热区的距离小于r,则以半径r合并充电热区,其中r与电动汽车充满电的续航里程相关;
(3.3)若充电热区的半径大于阈值r,则在该热区内再次运行K-means算法划分新的充电热区,重复步骤(3.1);
(3.4)得到充电站候选区域集合。
上述步骤(4)确定充电站候选区域内的充电桩数量,考虑各个候选区域内一天内的最大充电需求,对充电桩数量进行估计,具体步骤如下:
(4.1)需求点和时间段具有多对多的关系,假设充电需求可以立刻得到满足,那么需求点将会在预估充电时间段内存在,因此可以统计每个时间段的需求点数量(每小时为1个时间段);
(4.2)将各个时间段的需求点数量进行排序,最大的数量即为候选区域在一天内的最大充电需求量,其中每个候选区域参考的时间段不一定相同;
(4.3)考虑到建站的负担,无需满足候选区域在一天内的最大充电需求量,实际的充电桩数量可以由以下公式求得:
SP=α×Rm (3)
其中Rm表示候选区域一天内的最大充电需求,S表示候选区域内应该建设的充电桩数量,α为参数。
上述步骤(5)利用遗传算法实现最优布局,具体步骤如下:
(5.1)创建初始种群,在遗传算法中,使用固定长度的二进制串来表示群体中的个体,将n个候选点编号为1到n,并根据是否设置充电站,将染色体上的基因进行编码,由{0,1}组成,0表示不设置充电站,1表示设置充电站;
(5.2)设置种群的个体适应度函数,个体适应度函数是布局目标的数学表达,考虑两个因素——用户和管理者因素,具体为用户的时间费用(平均行驶时间、充电排队时间)和管理者的建站费用(充电站的个数),公式如下:
其中,Ci表示产生充电需求的车辆集合,tj1表示车辆j的行驶时间,tj2表示车辆j的排队时间,S_num表示充电站的个数,λ1和λ2代表用户时间费用和管理者建站费用的系数,通过实验得出,因此,布局目标是用户到达最近充电站的耗时和充电站个数最少;
(5.3)执行遗传算子不断迭代得到最终解。
本发明的有益效果:发明以遗传算法作为主体框架,结合历史数据对算法模型不断训练,使充电站分布与充电需求的分布一致,有利于形成满足城市道路充电请求的布局,从而推动电动汽车产业快速、健康、高效发展。
附图说明
图1是本发明的算法流程图;
图2是本发明的候选点示意图;
图3是本发明的候选区域调整图;
图4是本发明的遗传算法流程图。
具体实施方式
如图1所示,一种基于遗传算法的充电站布局优化方法,包括以下几个步骤:
(1)地图匹配,将充电需求对应在路网图中;
(2)预测城市充电需求,确定充电热区;
(3)调整充电热区,确定充电站候选区域;
(4)确定充电站候选区域内的充电桩数量;
(5)利用遗传算法实现最优布局。
其中,步骤(1)将充电需求对应在路网图中,路网图为二维平面,充电需求由车辆产生,根据充电需求产生的地址将其对应到路网图中的点,该点称为需求点。
由于电动汽车具有充电时间长的特征,因此所述需求点可以从城市中车辆停留时间较长的位置产生,包括以下信息:充电需求产生的地址、充电需求产生的时间、预估的充电时长和车辆剩余行驶里程。
其中,步骤(2)预测城市充电需求、确定充电热区是使用基于区域停留概率的聚类算法实现的,具体步骤如下:
(2.1)数据清洗,由于会出现多个充电需求对应到同一需求点的情况,需要统计每个充电需求中预估的充电时长,之后计算每个需求点的平均预估的充电时长作为该需求点的需求分数,公式如下:
其中SCp表示需求点p的需求分数,STi表示对应到需求点p的第i个充电需求中的预估充电时长,n表示历史记录中对应到该点的需求个数;
(2.2)删除需求分数过低的需求点,根据预先设置的阈值,删除需求分数低于阈值的需求点;
(2.3)使用改进的K-means算法将需求点进行聚类,得到不同密度的簇,即充电热区,其代表着有一定充电需求的区域,但充电热区的大小和数量不一定合理,不适合直接在充电热区部署充电站,因此需要对充电热区作进一步调整。
其中,步骤(2.3)中使用肘部法则来确定聚类个数K的值,将各个簇内的样本点到所在簇质心的距离平方和(SSE)作为性能度量,越小则说明各个类簇越收敛。但不是SSE越小越好,肘部法则就是在类簇数量与SSE之间寻求一个平衡点,具体步骤如下:
(2.3.1)指定一个i值,即可能的最大类簇数;
(2.3.2)然后将类簇数从1开始递增,一直到i,计算出i个SSE,公式如下:
其中,μk是第k个质心的位置;
(2.3.3)通过画出K-SSE曲线,找出下降途中的拐点,即可较好的确定K值。
其中,步骤(3)调整充电热区,确定充电站候选区域的方法为融合较小的簇、分割较大的簇,具体步骤如下:
(3.1)计算充电热区的半径和充电热区之间的距离矩阵;
(3.2)若某一充电热区和其他充电热区的距离小于r,则以半径r合并充电热区,如图3所示,虚线表示合并之前的热区,实线表示合并之后的热区,其中r与电动汽车充满电的续航里程相关;
r是为了保证电动汽车的剩余电量可以支撑其行驶到充电站,根据历史数据中电动汽车在该区域的平均剩余电量,可以利用现有方法估算行驶里程l,则r=l;
(3.3)若充电热区的半径大于阈值r则在该热区内再次运行K-means算法划分新的充电热区,重复步骤(3.1);
(3.4)得到充电站候选区域集合。
其中,所述步骤(4)确定充电站候选区域内的充电桩数量,考虑各个候选区域内一天内的最大充电需求,对充电桩数量进行估计,具体步骤如下:
(4.1)需求点和时间段具有多对多的关系,假设充电需求可以立刻得到满足,那么需求点将会在预估充电时间段内存在,因此可以统计每个时间段的需求点数量(每小时为1个时间段);
(4.2)将各个时间段的需求点数量进行排序,最大的数量即为候选区域在一天内的最大充电需求量,其中每个候选区域参考的时间段不一定相同;
(4.3)考虑到建站的负担,无需满足候选区域在一天内的最大充电需求量,实际的充电桩数量可以由以下公式求得:
S=α×Rm (3)
其中Rm表示候选区域一天内的最大充电需求,S表示候选区域内应该建设的充电桩数量,α为参数。
其中,所述步骤(5)利用遗传算法实现最优布局,具体步骤如下:
(5.1)创建初始种群,在遗传算法中,使用固定长度的二进制串来表示群体中的个体,将n个候选点编号为1到n,并根据是否设置充电站,将染色体上的基因进行编码,由{0,1}组成,0表示不设置充电站,1表示设置充电站;
(5.2)设置种群的个体适应度函数,个体适应度函数是布局目标的数学表达,考虑两个因素——用户和管理者因素,具体为用户的时间费用(平均行驶时间、充电排队时间)、管理者的建站费用(充电站的个数),公式如下:
其中,Ci表示产生充电需求的车辆集合,tj1表示车辆j的行驶时间,tj2表示车辆j的排队时间,S_num表示充电站的个数,λ1和λ2代表用户时间费用和管理者建站费用的系数,通过实验得出,因此,布局目标是用户到达最近充电站的耗时和充电站个数最少;
(5.3)执行遗传算子不断迭代得到最终解。
Claims (6)
1.一种基于遗传算法的充电站布局优化方法,其特征在于,包括:
(1)地图匹配,将充电需求对应在路网图中;
(2)预测城市充电需求,确定充电热区;
(3)调整充电热区,确定充电站候选区域;
(4)确定充电站候选区域内的充电桩数量;
(5)利用遗传算法实现最优布局;
所述步骤(2)预测城市充电需求、确定充电热区是使用基于区域充电需求量的聚类算法实现的,具体步骤如下:
(2.1)数据清洗,由于会出现多个充电需求对应到同一需求点的情况,需要统计每个充电需求中预估的充电时长,之后计算每个需求点的平均预估的充电时长作为该需求点的需求分数,公式如下:
其中SCp表示需求点p的需求分数,STi表示对应到需求点p的第i个充电需求中的预估充电时长,n表示历史记录中对应到该点的需求个数;
(2.2)删除需求分数过低的需求点,根据预先设置的阈值,删除需求分数低于阈值的需求点;
(2.3)使用K-means算法将需求点进行聚类,得到不同密度的簇,即充电热区,其代表着有一定充电需求的区域。
2.根据权利要求1所述的一种基于遗传算法的充电站布局优化方法,其特征在于,所述步骤(1)将充电需求对应在路网图中,路网图为二维平面,充电需求由车辆产生,根据充电需求产生的地址将其对应到路网图中的点,所述点称为需求点;
所述需求点从城市中车辆停留时间较长的位置产生,包括以下信息:充电需求产生的地址、充电需求产生的时间、预估的充电时长和车辆剩余行驶里程。
4.根据权利要求1所述的一种基于遗传算法的充电站布局优化方法,其特征在于,所述步骤(3)调整充电热区,确定充电站候选区域的方法为融合较小的簇、分割较大的簇,具体步骤如下:
(3.1)计算充电热区的半径和充电热区之间的距离矩阵;
(3.2)若某一充电热区和其他充电热区的距离小于r,则以半径r合并充电热区,其中r与电动汽车充满电的续航里程相关;
(3.3)若充电热区的半径大于阈值r,则在充电热区内再次运行K-means算法划分新的充电热区,重复步骤(3.1);
(3.4)得到充电站候选区域集合。
5.根据权利要求1所述的一种基于遗传算法的充电站布局优化方法,其特征在于,所述步骤(4)确定充电站候选区域内的充电桩数量,考虑各个候选区域内一天内的最大充电需求,对充电桩数量进行估计,具体步骤如下:
(4.1)需求点和时间段具有多对多的关系,假设充电需求立刻得到满足,那么需求点将会在预估充电时间段内存在,统计每个时间段的需求点数量;
(4.2)将各个时间段的需求点数量进行排序,最大的数量即为候选区域在一天内的最大充电需求量,其中每个候选区域参考的时间段不一定相同;
(4.3)考虑到建站的负担,无需满足候选区域在一天内的最大充电需求量,实际的充电桩数量由以下公式求得:
S=α×Rm (3)
其中Rm表示候选区域一天内的最大充电需求,S表示候选区域内应该建设的充电桩数量,α为参数。
6.根据权利要求1所述的一种基于遗传算法的充电站布局优化方法,其特征在于,所述步骤(5)利用遗传算法实现最优布局,具体步骤如下:
(5.1)创建初始种群,在遗传算法中,使用固定长度的二进制串来表示群体中的个体,将n个候选点编号为1到n,并根据是否设置充电站,将染色体上的基因进行编码,由{0,1}组成,0表示不设置充电站,1表示设置充电站;
(5.2)设置种群的个体适应度函数,个体适应度函数是布局目标的数学表达,考虑两个因素,具体为用户的时间费用和管理者的建站费用,公式如下:
其中,Ci表示产生充电需求的车辆集合,tj1表示车辆j的行驶时间,tj2表示车辆j的排队时间,S_num表示充电站的个数,λ1和λ2代表用户时间费用和管理者建站费用的系数,布局目标是用户到达最近充电站的耗时和充电站个数最少;
(5.3)执行遗传算子不断迭代得到最终解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910747641.6A CN110543976B (zh) | 2019-08-14 | 2019-08-14 | 一种基于遗传算法的充电站布局优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910747641.6A CN110543976B (zh) | 2019-08-14 | 2019-08-14 | 一种基于遗传算法的充电站布局优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110543976A CN110543976A (zh) | 2019-12-06 |
CN110543976B true CN110543976B (zh) | 2022-08-16 |
Family
ID=68710818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910747641.6A Active CN110543976B (zh) | 2019-08-14 | 2019-08-14 | 一种基于遗传算法的充电站布局优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543976B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139150B (zh) * | 2021-04-02 | 2022-11-08 | 清华大学深圳国际研究生院 | 改进电动汽车充电设施布局的方法及计算机可读存储介质 |
CN112926894A (zh) * | 2021-04-07 | 2021-06-08 | 河北师范大学 | 一种基于遗传算法建立出租车站点的方法 |
CN114103707B (zh) * | 2021-12-06 | 2024-01-26 | 黄淮学院 | 基于人工智能与物联网的智慧能源控制方法及系统 |
CN117557069B (zh) * | 2024-01-10 | 2024-03-26 | 长峡数字能源科技(湖北)有限公司 | 一种充电桩选址方法及系统、电子设备、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787600A (zh) * | 2016-03-03 | 2016-07-20 | 国家电网公司 | 基于自适应量子遗传算法的电动出租车充电站规划方法 |
CN106503845A (zh) * | 2016-10-21 | 2017-03-15 | 国网山东省电力公司烟台供电公司 | 一种基于v图和hs算法的充电站布局规划方法 |
CN107871184A (zh) * | 2017-11-16 | 2018-04-03 | 南京邮电大学 | 一种面向区域充电设施的电动汽车充电站的选址方法 |
CN109886468A (zh) * | 2019-01-22 | 2019-06-14 | 河海大学 | 基于改进的自适应遗传算法的充电站规划方法 |
-
2019
- 2019-08-14 CN CN201910747641.6A patent/CN110543976B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787600A (zh) * | 2016-03-03 | 2016-07-20 | 国家电网公司 | 基于自适应量子遗传算法的电动出租车充电站规划方法 |
CN106503845A (zh) * | 2016-10-21 | 2017-03-15 | 国网山东省电力公司烟台供电公司 | 一种基于v图和hs算法的充电站布局规划方法 |
CN107871184A (zh) * | 2017-11-16 | 2018-04-03 | 南京邮电大学 | 一种面向区域充电设施的电动汽车充电站的选址方法 |
CN109886468A (zh) * | 2019-01-22 | 2019-06-14 | 河海大学 | 基于改进的自适应遗传算法的充电站规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110543976A (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543976B (zh) | 一种基于遗传算法的充电站布局优化方法 | |
CN111311122B (zh) | 面向智慧城市的充电站建设方法 | |
Ip et al. | Optimization for allocating BEV recharging stations in urban areas by using hierarchical clustering | |
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 | |
CN108053058B (zh) | 一种基于大数据的电动出租车充电桩选址方法 | |
CN103241130B (zh) | 一种电动公交车充换电站的能量管理方法及系统 | |
CN111523714B (zh) | 一种电力充电站选址布局方法及装置 | |
CN110516870B (zh) | 一种基于协同进化的多回收站点垃圾收运方法 | |
CN115547052B (zh) | 改进自适应大邻域算法的动态需求响应电动公交调度方法 | |
CN110189025A (zh) | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 | |
Luo et al. | Location and capacity model of charging station for electric vehicles based on commuting demand | |
Hu et al. | Data driven optimization for electric vehicle charging station locating and sizing with charging satisfaction consideration in urban areas | |
Wang et al. | Cost-oriented optimization of the location and capacity of charging stations for the electric Robotaxi fleet | |
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 | |
Farhadi et al. | Data-driven multi-objective optimization for electric vehicle charging infrastructure | |
CN111861527A (zh) | 一种电动汽车充电站的确定方法、装置及存储介质 | |
Dong et al. | Optimal placement of charging stations for electric taxis in urban area with profit maximization | |
CN117408429A (zh) | 基于改进蚁群和深度强化学习的车辆充电决策方法及系统 | |
CN112115385A (zh) | 一种考虑充电时间的单向共享汽车系统选址优化方法 | |
CN111401786A (zh) | 一种基于路况信息考虑双边利益权衡的电动汽车充电调度方法 | |
CN115049272A (zh) | 一种基于电池交换进行中间站充电的电动公交调度方法 | |
CN113361789A (zh) | 一种基于层次化博弈的充电站服务定价方法 | |
CN111429166B (zh) | 基于最大轮廓聚类的电动汽车充电需求空间分布预测方法 | |
Tian et al. | A SITING URBAN TAXI STATIONS MODEL BASED ON SPATIAL-TEMPORAL ORIGIN-DESTINATION DATA | |
CN109858676A (zh) | 基于聚类算法的电动汽车充换电服务需求模型预测方法 |
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 |