CN110751564B - 一种基于博弈论的电动汽车充电站建设方法及系统 - Google Patents
一种基于博弈论的电动汽车充电站建设方法及系统 Download PDFInfo
- Publication number
- CN110751564B CN110751564B CN201910831563.8A CN201910831563A CN110751564B CN 110751564 B CN110751564 B CN 110751564B CN 201910831563 A CN201910831563 A CN 201910831563A CN 110751564 B CN110751564 B CN 110751564B
- Authority
- CN
- China
- Prior art keywords
- station
- electric vehicle
- charging station
- investment
- income
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 110
- 230000014509 gene expression Effects 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 239000000446 fuel Substances 0.000 claims description 30
- 238000004088 simulation Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 239000000295 fuel oil Substances 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Technology Law (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于博弈论的电动汽车充电站建设方法及系统。该方法包括:获取消费者类型和投资站类型,得到电动汽车充电站建设模型;其中,电动汽车充电站建设模型包括演化博弈表达式集合和支付矩阵;基于电动汽车充电站建设模型,计算得到投资站点的综合期望收益;基于演化博弈表达式集合和综合期望收益,计算得到演化博弈结果;对综合期望收益增加基于费米演化规则的演化更新算法,得到具有自动演化更新规则的电动汽车充电站期望收益预测更新模型,并输出投资收益结果。本发明实施例通过基于博弈论建设电动汽车充电站建设模型,输出预期收益投资结果,有效地帮助投资者进行决策和推动电动汽车充电站的建设。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种基于博弈论的电动汽车充电站建设方法及系统。
背景技术
随着社会经济发展,化石能源危机加剧,环境保护日益重要,推动清洁可再生的能源消费方式是目前发展建设的主流思想。比如说,传统燃油汽车排放大量尾气,严重影响空气质量,电动汽车逐渐进入大众视野,随着近年来电动汽车技术发展迅速,人们对电动汽车的接收程度大幅提高。然而,随着电动汽车产量和社会购买量的增加,电动汽车充电站的建设却数量不足,导致人们在使用电动汽车时的不便。
然而,目前在我国推动电动汽车充电站的建设仍面临不少障碍,主要总结为:(1)目前电动汽车充电站建设成本较传统加油站高出许多,包括充电机,配电箱,电缆等等;(2)电动汽车购买量较传统燃油汽车仍较少,虽然近年来增量迅猛,但是由于传统燃油汽车发展时间久,从总量上仍远远高于电动汽车,因此投资者更倾向于投资加油站而不是电动汽车充电站;(3)电动汽车的生产消费与消费者偏好紧密相关,消费者购买意愿是否变化对电动汽车产业影响巨大,进而影响了电动汽车充电站投资建设的积极性。
但由于电动汽车的清洁优势,且发展潜力巨大,随着城市电动汽车保有量的进一步提升,对电动汽车充电站的需求日益提高,具有极大的投资潜力和盈利空间,因此研究城市电动汽车充电站建设的主要影响因素,分析其演化过程,有利于推动绿色城市建设,影响城市交通发展格局,意义重大,影响深远。
因此,提出一种促进电动汽车充电站的建设的方法是非常重要的。
发明内容
本发明实施例提供一种基于博弈论的电动汽车充电站建设方法及系统,用以解决现有技术中对电动汽车充电站没有足够的支持数据,及收益预测模型来指导其建设的缺陷。
第一方面,本发明实施例提供一种基于博弈论的电动汽车充电站建设方法,包括:
获取消费者类型和投资站类型,基于所述消费者类型和所述投资站类型得到电动汽车充电站建设模型;其中,所述电动汽车充电站建设模型包括演化博弈表达式集合和支付矩阵;
基于所述电动汽车充电站建设模型,计算得到投资站点的综合期望收益;
基于所述演化博弈表达式集合和所述综合期望收益,计算得到演化博弈结果;
对所述综合期望收益增加基于费米演化规则的演化更新算法,得到具有自动演化更新规则的电动汽车充电站期望收益预测更新模型,并输出投资收益结果,以供投资者进行电动汽车充电站投资建设使用。
第二方面,本发明实施例提供一种基于博弈论的电动汽车充电站建设方法,包括:
获取模块,用于获取消费者类型和投资站类型,基于所述消费者类型和所述投资站类型得到电动汽车充电站建设模型;其中,所述电动汽车充电站建设模型包括演化博弈表达式集合和支付矩阵;
第一计算模块,用于基于所述电动汽车充电站建设模型,计算得到投资站点的综合期望收益;
第二计算模块,用于基于所述演化博弈表达式集合和所述综合期望收益,计算得到演化博弈结果;
演化更新模块,用于对所述综合期望收益增加基于费米演化规则的演化更新算法,得到具有自动演化更新规则的电动汽车充电站期望收益预测更新模型,并输出投资收益结果,以供投资者进行电动汽车充电站投资建设使用。
第三方面,本发明实施例提供一种电子设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述一种基于博弈论的电动汽车充电站建设方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现任一项所述一种基于博弈论的电动汽车充电站建设方法的步骤。
本发明实施例提供的一种基于博弈论的电动汽车充电站建设方法及系统,通过基于博弈论建设电动汽车充电站建设模型,输出预期收益投资结果,有效地帮助投资者进行决策和推动电动汽车充电站的建设。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于博弈论的电动汽车充电站建设方法流程图;
图2为本发明实施例提供的电动汽车充电站建设演化博弈方法的结构示意图;
图3为本发明实施例提供的电动汽车充电站建设投资比例受消费者类型中电动汽车购买者比例影响的分析示意图;
图4为本发明实施例提供的电动汽车充电站建设投资比例受消费者类型中Type3类型购买者比例影响的分析示意图;
图5为本发明实施例提供的电动汽车充电站建设投资比例受电动汽车充电站分布位置和关系网络紧密度影响的分析示意图;
图6为本发明实施例提供的电动汽车充电站建设投资比例受电动汽车充电站投资成本影响的分析示意图;
图7为本发明实施例提供的一种基于博弈论的电动汽车充电站建设系统结构图;
图8为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
演化博弈论是在博弈论的基础上发展起来的一种理论。演化理论是一种生命科学理论,该理论以达尔文的生物进化论和拉马克的遗传基因理论为思想基础的。传统博弈理论通常认为,参与人是完全理性的,且参与人是在完全信息条件下进行博弈的,但对现实经济生活中的参与人来讲,参与人的完全理性与完全信息的情景是无法满足的。在企业之间的竞争中,不同的参与人有差别性,外界环境和博弈问题本身的复杂性引起的信息不充分和参与人的有限理性问题,事实上是完全存在的。鉴于投资者和消费者作为现实经济中的群体,不具备完全理性,故采用演化博弈方法对电动汽车充电站推动建设问题进行研究具有合理性。
考虑电动汽车充电站建设受位置及周围其他充电站建设情况影响大,故考虑其网络结构,在完全竞争市场下利用小世界网络对其进行刻画。其次,通过对投资者的投资行为分析,对其进行数学描述,并分析并统一量化其收益值,将复杂的演化博弈问题等效为数学模型问题,并分析在不同的消费者类型下该博弈问题的演化结果,可实现对电动汽车充电站建设演化过程的模拟。本发明可推进我国电动汽车充电站建设,具有应用性强的优点,可解决诸多社会实际问题。
图1为本发明实施例提供的一种基于博弈论的电动汽车充电站建设方法流程图,如图1所示,包括:
S1,获取消费者类型和投资站类型,基于所述消费者类型和所述投资站类型得到电动汽车充电站建设模型;其中,所述电动汽车充电站建设模型包括演化博弈表达式集合和支付矩阵;
S2,基于所述电动汽车充电站建设模型,计算得到投资站点的综合期望收益;
S3,基于所述演化博弈表达式集合和所述综合期望收益,计算得到演化博弈结果;
S4,对所述综合期望收益增加基于费米演化规则的演化更新算法,得到具有自动演化更新规则的电动汽车充电站期望收益预测更新模型,并输出投资收益结果,以供投资者进行电动汽车充电站投资建设使用。
具体地,在步骤S1中,收集大量的用户数据,包括消费者类型,例如是电动汽车消费者还是燃油车消费者等,准备建设的投资站类型,例如是电动汽车充电站还是加油站等,基于上述获得的用户数据,建立电动汽车充电站建设模型,该模型体现了各种用户行为的演化博弈问题,并具体包含了基于用户数据建立的支付矩阵以及演化博弈计算的表达式集合。
在步骤S2中,基于步骤S1得到的电动汽车充电站建设模型,计算得到建设不同类型投资站点的综合期望收益。
在步骤S3中,将构建的表达式集合和得到的综合期望收益作进一步地演化,得到演化博弈结果。
在步骤S4中,对综合期望收益增加基于费米演化规则的演化更新算法,得到具有自动演化更新规则的电动汽车充电站期望收益预测更新模型,最终输出投资收益结果,以供投资者进行电动汽车充电站投资时进行参考,并做出投资决策。
本发明实施例通过基于博弈论建设电动汽车充电站建设模型,输出预期收益投资结果,有效地帮助投资者进行决策和推动电动汽车充电站的建设。
在上述实施例的基础上,该方法还包括:
构建小世界网络模型,采用蒙特卡洛方法对所述投资收益结果进行验证;其中所述小世界网络模型是基于复杂网络中,各站点及所述各站点周围有联系的站点之间的连接关系构建。
具体地,潜在的投资站点的决策行为和收益由与周围其他邻站进行博弈得到,演化博弈的过程基于反复的比较和改变策略,在多次迭代后最终达到均衡,这里采用了小世界网络模型在复杂网络中将各站点及各站点周围有联系的站点之间的连接关系构建。同时为了消除计算的随机性,本发明实施例利用蒙特卡洛方法每次迭代生成了一定的数据进行平均,政策和消费者类型的影响通过支付矩阵的收益体现,然后结合仿真数据对结果验证均衡的存在性和数值正确性。这里为对前述实施例的补充验证过程,整体的结构示意图如图2所示。
本发明实施例通过进一步构建小世界网络模型,采用蒙特卡洛方法对模型得到的投资收益结果进行迭代平均,较为准确地验证了演化博弈模型的计算有效性,有效提高工程经济性。
在上述实施例的基础上,所述获取消费者类型和投资站类型,基于所述消费者类型和所述投资站类型得到电动汽车充电站建设模型;其中,所述电动汽车充电站建设模型包括演化博弈表达式集合和支付矩阵,具体包括:
对投资者和消费者的决策特性进行分析,并对所述决策特性进行数学描述,分析并统一量化所述决策特性的收益值,并得到所述支付矩阵;
基于所述支付矩阵,确定所述演化博弈表达式集合。
具体地,对投资者和消费者的决策特性分析,对其进行数学描述,并分析并统一量化其收益值,将复杂的演化博弈问题等效为数学模型问题,并得到该演化博弈问题的支付矩阵。
投资者可选择将潜在投资站建设为电动汽车站或者是加油站,消费者的类型倾向分为三种,分别是Type1:电动汽车购买者,Type2:燃油汽车购买者,和Type3:随环境改变策略的购买者,即当附近电动汽车充电站数量多时选择购买电动汽车,不同决策下的收益由支付矩阵中的数值表达。各潜在投资站之前存在网络结构联系,在完全竞争市场下,各站点间的关系可以用小世界网络刻画,各站点可得到周围有联系站点的信息,从而进行比较得到各点的收益,以潜在投资站i为分析主体,记与其有关联的站点为潜在投资站j,设站点i选择为充电站的比例为x,设站点i的邻居站点j选择为充电站的比例为yi,设潜在消费者倾向于购买电动车的比例为z。该问题的博弈支付矩阵如下,对应关系如表1所示:
表1
基于表1中的支付矩阵,确定对应的表达式,具体如下:
当站点i为电动汽车充电站,站点j也为充电站,消费者类型为电动汽车购买者时,所有的电动车消费者平均地分配到各个充电站,对应站点i和j的收益为(ai,aj):
其中,be为电动车充电的售价,ce为电动车充电的成本,ω为站点i附近车辆数,p1为每辆电动车年充电量,C1为充电站建设的年平均成本,C2为充电站年维护费;
假设车辆在全区域范围内均匀分布,则站点i附近的车辆数为站点附近车辆总数Mi除以站点i附近有关联站点总数Ni,也等于全区域内车辆总数除以站点总数;
充电站建设的年平均成本由初始投资年化分摊所得,即
其中,Ccs为充电站建设初始投资,r为贴现率,Lcs为充电站设备寿命;
当站点i为电动汽车充电站,站点j也为充电站,消费者类型为燃油车购买者时,则由于周围都是充电站,部分消费者将转而购买电动汽车进行消费,即Type3类型消费者,设该比例为β,并均匀到各个充电站进行充电,则对应站点i和j的收益为(bi,bj):
当站点i为电动汽车充电站,站点j为加油站,消费者类型为电动汽车购买者时,则站点i附近的车辆都将前往站点i充电,从而电站i获得全部收益,对应站点i和j的收益为(ci,cj):
其中,C3和C4分别是建设加油站的年平均投资成本和年维护费;
加油站建设的年平均成本由初始投资年化分摊所得,即
其中,Cgs为充电站建设初始投资,Lgs为充电站设备寿命;
当站点i为电动汽车充电站,站点j为加油站,消费者类型为燃油车购买者时,则站点i附近的车辆都将前往站点j加油,从而加油站获得收益,对应站点i和j的收益为(di,dj):
其中,bg为加油站加油的售价,cg为加油站加油的成本,q1为每辆燃油车年加油量。
当站点i为加油站,站点j为充电站,消费者类型为电动汽车购买者时,对应站点i和j的收益为(ei,ej):
当站点i为加油站,站点j为充电站,消费者类型为燃油车购买者时,、对应站点i和j的收益为(fi,fj):
当站点i为加油站,站点j为加油站,消费者类型为电动车购买者时,则站点附近部分消费者会因为就近转而购买燃油车,对应站点i和j的收益为(gi,gj):
当站点i为加油站,站点j为加油站,消费者类型为燃油车购买者时,则消费者均匀分配到各个站点,对应站点i和j的收益为(hi,hj):
在上述实施例的基础上,所述基于所述电动汽车充电站建设模型,计算得到投资站点的综合期望收益,具体包括:
计算得到潜在投资站点i成为电动汽车充电站能获得的充电站期望收益;
计算得到潜在投资站点i成为加油站能获得的加油站期望收益;
基于所述充电站期望收益和所述加油站期望收益,计算得到所述综合期望收益。
在上述实施例的基础上,所述基于所述演化博弈表达式集合和所述综合期望收益,计算得到演化博弈结果,具体包括:
根据所述站点i选择为充电站的比例,并基于所述演化博弈表达式集合和所述综合期望收益,计算得到所述演化博弈结果。
进一步地,利用费米规则作为演化更新的更新规则,即,
其中,πi和πj为站点i和j的收益,k为决策强度,本发明实施例取为0.1。
基于上述得到的更新概率,利用随机函数产生0-1之间的随机数,若大于P(i→j),则i的策略不变,反之,则i学习j的策略。
在上述实施例的基础上,所述构建小世界网络模型,采用蒙特卡洛方法对所述投资收益结果进行验证;其中所述小世界网络模型是基于复杂网络中,各站点及所述各站点周围有联系的站点之间的连接关系构建,具体包括:
获取电动汽车充电站建设网络结构,基于所述电动汽车充电站建设网络结构中所述各站点及所述各站点周围有联系的站点,构建所述小世界网络模型;
基于所述小世界网络模型,对所述具有自动演化更新规则的电动汽车充电站期望收益预测更新模型进行结果模拟,得到模拟预测收益结果;
基于所述模拟预测收益结果,对所述投资收益结果进行验证。
具体地,构建小世界网络模型,基于各潜在投资站之前存在网络结构联系,在完全竞争市场下,各站点间的关系可以用小世界网络刻画,各站点可得到周围有联系站点的信息,通过小世界网络生长规则,取N=100,形成小世界网络结构,设定初值,并随机给定节点的决策,根据前述实施例确定的演化博弈模型和确定的演化更新规则进行模拟。
假设潜在投资站点成为充电站的初始比例为0.2,消费者类型中倾向于购买电动车的比例为0.3,各站点车辆数分布均值为200,站点总数为100,其他各参数设置如表2所示:
表2
将各参数值代入前述步骤中的进行计算,并对每一步重复生成20组数据进行平均,消除随机性造成的影响,得到各场景下对应的演化过程曲线。电动汽车充电站建设投资比例受消费者类型中电动汽车购买者比例影响如图3所示;电动汽车充电站建设投资比例受消费者类型中Type3类型购买者比例影响如图4所示;电动汽车充电站建设投资比例受电动汽车充电站分布位置和关系网络紧密度影响如图5所示;电动汽车充电站建设投资比例受电动汽车充电站投资成本影响如图6所示。
本发明实施例通过基于博弈论建设电动汽车充电站建设模型,输出预期收益投资结果,并对结果进行补充验证,有效地帮助投资者进行决策和推动电动汽车充电站的建设。
图7为本发明实施例提供的一种基于博弈论的电动汽车充电站建设系统结构图,如图7所示,包括:获取模块71、第一计算模块72、第二计算模块73和演化更新模块74;其中:
获取模块71用于获取消费者类型和投资站类型,基于所述消费者类型和所述投资站类型得到电动汽车充电站建设模型;其中,所述电动汽车充电站建设模型包括演化博弈表达式集合和支付矩阵;第一计算模块72用于基于所述电动汽车充电站建设模型,计算得到投资站点的综合期望收益;第二计算模块73用于所述演化博弈表达式集合和所述综合期望收益,计算得到演化博弈结果;演化更新模块74用于对所述综合期望收益增加基于费米演化规则的演化更新算法,得到具有自动演化更新规则的电动汽车充电站期望收益预测更新模型,并输出投资收益结果,以供投资者进行电动汽车充电站投资建设使用。
本发明实施例通过基于博弈论建设电动汽车充电站建设模型,输出预期收益投资结果,有效地帮助投资者进行决策和推动电动汽车充电站的建设。
在上述实施例的基础上,还包括验证模块75,验证模块75具体用于构建小世界网络模型,采用蒙特卡洛方法对所述投资收益结果进行验证;其中所述小世界网络模型是基于复杂网络中,各站点及所述各站点周围有联系的站点之间的连接关系构建。
在上述实施例的基础上,获取模块71具体包括:分析描述子模块711和确定子模块712;其中:
分析描述子模块711用于对投资者和消费者的决策特性进行分析,并对所述决策特性进行数学描述,分析并统一量化所述决策特性的收益值,并得到所述支付矩阵;确定子模块712用于基于所述支付矩阵,确定所述演化博弈表达式集合。
在上述实施例的基础上,分析描述子模块711具体用于:
将投资站设为i,与投资站i的邻居投资站点设为j,所述支付矩阵具体设为:
其中(ai,aj)表示当站点i为电动汽车充电站,站点j也为充电站,所述消费者类型为电动汽车购买者时,则所有的电动汽车消费者平均地分配到各个充电站时,对应站点i和站点j的收益;
(bi,bj)表示当站点i为电动汽车充电站,站点j也为充电站,所述消费者类型为燃油车购买者时,部分消费者将转而购买电动汽车进行消费,并均匀到各个充电站进行充电,对应站点i和站点j的收益;
(ci,cj)表示当站点i为电动汽车充电站,站点j为加油站,所述消费者类型为电动汽车购买者时,则站点i附近的车辆都将前往站点i充电,从而站点i获得全部收益,对应站点i和j的收益;
(di,dj)表示当站点i为电动汽车充电站,站点j为加油站,所述消费者类型为燃油车购买者时,则站点i附近的车辆都将前往站点j加油,从而加油站获得收益,对应站点i和j的收益;
(ei,ej)表示当站点i为加油站,站点j为充电站,所述消费者类型为电动汽车购买者时,则站点i附近的车辆都将前往站点j充电,从而站点j获得全部收益,对应站点i和j的收益;
(fi,fj)表示当站点i为加油站,站点j为充电站,所述消费者类型为燃油车购买者时,则站点i附近的车辆都将前往站点i加油,从而加油站获得收益,对应站点i和j的收益;
(gi,gj)表示当站点i为加油站,站点j为加油站,所述消费者类型为电动车购买者时,则站点附近部分消费者全部转为购买燃油车,对应站点i和j的收益;
(hi,hj)表示当站点i为加油站,站点j为加油站,所述消费者类型为燃油车购买者时,则所有的燃油车消费者均匀分配到各个站点,对应站点i和j的收益。
在上述实施例的基础上,第一计算模块72具体用于:
计算得到潜在投资站点i成为电动汽车充电站能获得的充电站期望收益;
计算得到潜在投资站点i成为加油站能获得的加油站期望收益;
基于所述充电站期望收益和所述加油站期望收益,计算得到所述综合期望收益。
在上述实施例的基础上,第二计算模块73具体用于:
根据所述站点i选择为充电站的比例,并基于所述演化博弈表达式集合和所述综合期望收益,计算得到所述演化博弈结果。
在上述实施例的基础上,验证模块75具体用于:
获取电动汽车充电站建设网络结构,基于所述电动汽车充电站建设网络结构中所述各站点及所述各站点周围有联系的站点,构建所述小世界网络模型;
基于所述小世界网络模型,对所述具有自动演化更新规则的电动汽车充电站期望收益预测更新模型进行结果模拟,得到模拟预测收益结果;
基于所述模拟预测收益结果,对所述投资收益结果进行验证。
本发明实施例通过基于博弈论建设电动汽车充电站建设模型,输出预期收益投资结果,并对结果进行补充验证,有效地帮助投资者进行决策和推动电动汽车充电站的建设。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行如下方法:获取消费者类型和投资站类型,基于所述消费者类型和所述投资站类型得到电动汽车充电站建设模型;其中,所述电动汽车充电站建设模型包括演化博弈表达式集合和支付矩阵;基于所述电动汽车充电站建设模型,计算得到投资站点的综合期望收益;基于所述演化博弈表达式集合和所述综合期望收益,计算得到演化博弈结果;对所述综合期望收益增加基于费米演化规则的演化更新算法,得到具有自动演化更新规则的电动汽车充电站期望收益预测更新模型,并输出投资收益结果,以供投资者进行电动汽车充电站投资建设使用。
此外,上述的存储器830中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取消费者类型和投资站类型,基于所述消费者类型和所述投资站类型得到电动汽车充电站建设模型;其中,所述电动汽车充电站建设模型包括演化博弈表达式集合和支付矩阵;基于所述电动汽车充电站建设模型,计算得到投资站点的综合期望收益;基于所述演化博弈表达式集合和所述综合期望收益,计算得到演化博弈结果;
对所述综合期望收益增加基于费米演化规则的演化更新算法,得到具有自动演化更新规则的电动汽车充电站期望收益预测更新模型,并输出投资收益结果,以供投资者进行电动汽车充电站投资建设使用。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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。
Claims (7)
1.一种基于博弈论的电动汽车充电站建设方法,其特征在于,包括:
获取消费者类型和投资站类型,基于所述消费者类型和所述投资站类型得到电动汽车充电站建设模型;其中,所述电动汽车充电站建设模型包括演化博弈表达式集合和支付矩阵;
基于所述电动汽车充电站建设模型,计算得到投资站点的综合期望收益;
基于所述演化博弈表达式集合和所述综合期望收益,计算得到演化博弈结果;
对所述综合期望收益增加基于费米演化规则的演化更新算法,得到具有自动演化更新规则的电动汽车充电站期望收益预测更新模型,并输出投资收益结果,以供投资者进行电动汽车充电站投资建设使用;
所述获取消费者类型和投资站类型,基于所述消费者类型和所述投资站类型得到电动汽车充电站建设模型;其中,所述电动汽车充电站建设模型包括演化博弈表达式集合和支付矩阵,具体包括:
对投资者和消费者的决策特性进行分析,并对所述决策特性进行数学描述,分析并统一量化所述决策特性的收益值,并得到所述支付矩阵;
基于所述支付矩阵,确定所述演化博弈表达式集合;
其中,所述对投资者和消费者的决策特性进行分析,并对所述决策特性进行数学描述,分析并统一量化所述决策特性的收益值,并得到所述支付矩阵,具体包括:
将投资站设为i,与投资站i的邻居投资站点设为j,所述支付矩阵具体设为:
其中,设站点i选择为充电站的比例为x,设站点i的邻居站点j选择为充电站的比例为yi,设潜在消费者倾向于购买电动车的比例为z;
当站点i为电动汽车充电站,站点j也为充电站,消费者类型为电动汽车购买者时,所有的电动车消费者平均地分配到各个充电站,对应站点i和j的收益为(ai,aj):
其中,be为电动车充电的售价,ce为电动车充电的成本,ω为站点i附近车辆数,p1为每辆电动车年充电量,C1为充电站建设的年平均成本,C2为充电站年维护费;
假设车辆在全区域范围内均匀分布,则站点i附近的车辆数为站点附近车辆总数Mi 除以站点i附近有关联站点总数Ni ,也等于全区域内车辆总数除以站点总数;
充电站建设的年平均成本由初始投资年化分摊所得,即
其中,Ccs为充电站建设初始投资,r为贴现率,Lcs为充电站设备寿命;
当站点i为电动汽车充电站,站点j也为充电站,消费者类型为燃油车购买者时,则由于周围都是充电站,部分消费者将转而购买电动汽车进行消费,即Type3类型消费者,设所述Type3类型消费者比例为β,并均匀到各个充电站进行充电,则对应站点i和j的收益为(bi,bj):
当站点i为电动汽车充电站,站点j为加油站,消费者类型为电动汽车购买者时,则站点i附近的车辆都将前往站点i充电,从而电站i获得全部收益,对应站点i和j的收益为(ci,cj):
其中,C3和C4分别是建设加油站的年平均投资成本和年维护费;
加油站建设的年平均成本由初始投资年化分摊所得,即
其中,Cgs为充电站建设初始投资,Lgs为充电站设备寿命;
当站点i为电动汽车充电站,站点j为加油站,消费者类型为燃油车购买者时,则站点i附近的车辆都将前往站点j加油,从而加油站获得收益,对应站点i和j的收益为(di,dj):
其中,bg为加油站加油的售价,cg为加油站加油的成本,q1为每辆燃油车年加油量;
当站点i为加油站,站点j为充电站,消费者类型为电动汽车购买者时,对应站点i和j的收益为(ei,ej):
当站点i为加油站,站点j为充电站,消费者类型为燃油车购买者时,对应站点i和j的收益为(fi,fj):
当站点i为加油站,站点j为加油站,消费者类型为电动车购买者时,则站点附近部分消费者会因为就近转而购买燃油车,对应站点i和j的收益为(gi,gj):
当站点i为加油站,站点j为加油站,消费者类型为燃油车购买者时,则消费者均匀分配到各个站点,对应站点i和j的收益为(hi,hj):
所述基于所述电动汽车充电站建设模型,计算得到投资站点的综合期望收益,具体包括:
计算得到潜在投资站点i成为电动汽车充电站能获得的充电站期望收益;
计算得到潜在投资站点i成为加油站能获得的加油站期望收益;
基于所述充电站期望收益和所述加油站期望收益,计算得到所述综合期望收益;
2.根据权利要求1所述的一种基于博弈论的电动汽车充电站建设方法,其特征在于,还包括:
构建小世界网络模型,采用蒙特卡洛方法对所述投资收益结果进行验证;其中所述小世界网络模型是基于复杂网络中,各站点及所述各站点周围有联系的站点之间的连接关系构建。
3.根据权利要求1所述的一种基于博弈论的电动汽车充电站建设方法,其特征在于,所述基于所述演化博弈表达式集合和所述综合期望收益,计算得到演化博弈结果,具体包括:
根据所述站点i选择为充电站的比例,并基于所述演化博弈表达式集合和所述综合期望收益,计算得到所述演化博弈结果。
4.根据权利要求2所述的一种基于博弈论的电动汽车充电站建设方法,其特征在于,所述构建小世界网络模型,采用蒙特卡洛方法对所述投资收益结果进行验证;其中所述小世界网络模型是基于复杂网络中,各站点及所述各站点周围有联系的站点之间的连接关系构建,具体包括:
获取电动汽车充电站建设网络结构,基于所述电动汽车充电站建设网络结构中所述各站点及所述各站点周围有联系的站点,构建所述小世界网络模型;
基于所述小世界网络模型,对所述具有自动演化更新规则的电动汽车充电站期望收益预测更新模型进行结果模拟,得到模拟预测收益结果;
基于所述模拟预测收益结果,对所述投资收益结果进行验证。
5.一种基于博弈论的电动汽车充电站建设系统,其特征在于,包括:
获取模块,用于获取消费者类型和投资站类型,基于所述消费者类型和所述投资站类型得到电动汽车充电站建设模型;其中,所述电动汽车充电站建设模型包括演化博弈表达式集合和支付矩阵;
第一计算模块,用于基于所述电动汽车充电站建设模型,计算得到投资站点的综合期望收益;
第二计算模块,用于基于所述演化博弈表达式集合和所述综合期望收益,计算得到演化博弈结果;
演化更新模块,用于对所述综合期望收益增加基于费米演化规则的演化更新算法,得到具有自动演化更新规则的电动汽车充电站期望收益预测更新模型,并输出投资收益结果,以供投资者进行电动汽车充电站投资建设使用;
所述获取模块具体包括:分析描述子模块和确定子模块;其中:
分析描述子模块用于对投资者和消费者的决策特性进行分析,并对所述决策特性进行数学描述,分析并统一量化所述决策特性的收益值,并得到所述支付矩阵;
确定子模块用于基于所述支付矩阵,确定所述演化博弈表达式集合;
所述分析描述子模块具体用于:
将投资站设为i,与投资站i的邻居投资站点设为j,所述支付矩阵具体设为:
其中,设站点i选择为充电站的比例为x,设站点i的邻居站点j选择为充电站的比例为yi,设潜在消费者倾向于购买电动车的比例为z;
当站点i为电动汽车充电站,站点j也为充电站,消费者类型为电动汽车购买者时,所有的电动车消费者平均地分配到各个充电站,对应站点i和j的收益为(ai,aj):
其中,be为电动车充电的售价,ce为电动车充电的成本,ω为站点i附近车辆数,p1为每辆电动车年充电量,C1为充电站建设的年平均成本,C2为充电站年维护费;
假设车辆在全区域范围内均匀分布,则站点i附近的车辆数为站点附近车辆总数Mi 除以站点i附近有关联站点总数Ni ,也等于全区域内车辆总数除以站点总数;
充电站建设的年平均成本由初始投资年化分摊所得,即
其中,Ccs为充电站建设初始投资,r为贴现率,Lcs为充电站设备寿命;
当站点i为电动汽车充电站,站点j也为充电站,消费者类型为燃油车购买者时,则由于周围都是充电站,部分消费者将转而购买电动汽车进行消费,即Type3类型消费者,设所述Type3类型消费者比例为β,并均匀到各个充电站进行充电,则对应站点i和j的收益为(bi,bj):
当站点i为电动汽车充电站,站点j为加油站,消费者类型为电动汽车购买者时,则站点i附近的车辆都将前往站点i充电,从而电站i获得全部收益,对应站点i和j的收益为(ci,cj):
其中,C3和C4分别是建设加油站的年平均投资成本和年维护费;
加油站建设的年平均成本由初始投资年化分摊所得,即
其中,Cgs为充电站建设初始投资,Lgs为充电站设备寿命;
当站点i为电动汽车充电站,站点j为加油站,消费者类型为燃油车购买者时,则站点i附近的车辆都将前往站点j加油,从而加油站获得收益,对应站点i和j的收益为(di,dj):
其中,bg为加油站加油的售价,cg为加油站加油的成本,q1为每辆燃油车年加油量;
当站点i为加油站,站点j为充电站,消费者类型为电动汽车购买者时,对应站点i和j的收益为(ei,ej):
当站点i为加油站,站点j为充电站,消费者类型为燃油车购买者时,对应站点i和j的收益为(fi,fj):
当站点i为加油站,站点j为加油站,消费者类型为电动车购买者时,则站点附近部分消费者会因为就近转而购买燃油车,对应站点i和j的收益为(gi,gj):
当站点i为加油站,站点j为加油站,消费者类型为燃油车购买者时,则消费者均匀分配到各个站点,对应站点i和j的收益为(hi,hj):
所述基于所述电动汽车充电站建设模型,计算得到投资站点的综合期望收益,具体包括:
计算得到潜在投资站点i成为电动汽车充电站能获得的充电站期望收益;
计算得到潜在投资站点i成为加油站能获得的加油站期望收益;
基于所述充电站期望收益和所述加油站期望收益,计算得到所述综合期望收益;
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至4任一项所述一种基于博弈论的电动汽车充电站建设方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述一种基于博弈论的电动汽车充电站建设方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910831563.8A CN110751564B (zh) | 2019-09-04 | 2019-09-04 | 一种基于博弈论的电动汽车充电站建设方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910831563.8A CN110751564B (zh) | 2019-09-04 | 2019-09-04 | 一种基于博弈论的电动汽车充电站建设方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751564A CN110751564A (zh) | 2020-02-04 |
CN110751564B true CN110751564B (zh) | 2020-11-03 |
Family
ID=69276038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910831563.8A Active CN110751564B (zh) | 2019-09-04 | 2019-09-04 | 一种基于博弈论的电动汽车充电站建设方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751564B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861424B (zh) * | 2021-01-11 | 2023-07-18 | 中山大学 | 一种基于博弈论的在线协同无线充电方法 |
CN113643153A (zh) * | 2021-08-13 | 2021-11-12 | 南京工程学院 | 一种以企业为主体的电能替代扩散分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819771A (zh) * | 2012-08-14 | 2012-12-12 | 广东电网公司电力调度控制中心 | 基于博弈论电网年度购电计划制定方法和系统 |
CN107025518A (zh) * | 2017-03-20 | 2017-08-08 | 中国电力科学研究院 | 一种电动汽车充电站规划方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8874477B2 (en) * | 2005-10-04 | 2014-10-28 | Steven Mark Hoffberg | Multifactorial optimization system and method |
US20100317423A1 (en) * | 2009-06-11 | 2010-12-16 | John Osborne | System and method for scratch card implementations on mobile devices |
CN108512837A (zh) * | 2018-03-16 | 2018-09-07 | 西安电子科技大学 | 一种基于攻防演化博弈的网络安全态势评估的方法及系统 |
CN109034559A (zh) * | 2018-07-06 | 2018-12-18 | 中国南方电网有限责任公司 | 充电站配电规划方法、装置和计算机设备 |
-
2019
- 2019-09-04 CN CN201910831563.8A patent/CN110751564B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819771A (zh) * | 2012-08-14 | 2012-12-12 | 广东电网公司电力调度控制中心 | 基于博弈论电网年度购电计划制定方法和系统 |
CN107025518A (zh) * | 2017-03-20 | 2017-08-08 | 中国电力科学研究院 | 一种电动汽车充电站规划方法及装置 |
Non-Patent Citations (2)
Title |
---|
"基于博弈论的电动汽车充电站选址优化模型研究;周洪超等;《科技和产业》;20110228;第11卷(第2期);第51-54页 * |
第12讲复杂网络上的博弈演化;liyulongjiayou;《https://wenku.baidu.com/view/6e541064a300a6c30c229fb1.html》;20150315;第1-44页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110751564A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pereira et al. | A decision support system for generation expansion planning in competitive electricity markets | |
CN111612252B (zh) | 大规模应急设施的自动选址方法、装置及可读存储介质 | |
CN110751564B (zh) | 一种基于博弈论的电动汽车充电站建设方法及系统 | |
Lezama et al. | 2017 IEEE competition on modern heuristic optimizers for smart grid operation: Testbeds and results | |
Huang et al. | Electric vehicle charging station diffusion: an agent-based evolutionary game model in complex networks | |
CN107527145A (zh) | 基于偏差考核的用户侧市场化电量结算计算方法及装置 | |
CN114662877A (zh) | 一种基于复功率潮流的碳流排放追踪评级方法 | |
CN111598719A (zh) | 一种现货电力市场新能源卖方交易方法及系统 | |
CN111861661A (zh) | 一种电动汽车充电交易方法及装置 | |
Han et al. | Three‐stage electric vehicle scheduling considering stakeholders economic inconsistency and battery degradation | |
CN112465208A (zh) | 计及区块链技术的虚拟电厂随机自适应鲁棒优化调度方法 | |
CN113381417A (zh) | 一种配电网台区三相负荷不平衡优化方法、装置及终端 | |
Zhao et al. | Research on emergency distribution optimization of mobile power for electric vehicle in photovoltaic-energy storage-charging supply chain under the energy blockchain | |
Zhao et al. | A secure intra-regional-inter-regional peer-to-peer electricity trading system for electric vehicles | |
Ding et al. | Pareto optimality of centralized procurement based on genetic algorithm | |
CN114169916A (zh) | 一种适应新型电力系统的市场成员报价策略制定方法 | |
CN112329230A (zh) | 一种多微网主体非合作博弈交易方法 | |
Jin et al. | Optimal EV scheduling and voltage security via an online bi-layer steady-state assessment method considering uncertainties | |
CN112039111A (zh) | 一种新能源微电网参与电网调峰能力的方法及系统 | |
CN116014773A (zh) | 一种基于深度强化学习的两阶段电动汽车协调配网辅助服务的调度方法 | |
CN113379533A (zh) | 一种循环贷款提额方法、装置、设备及存储介质 | |
Šantaras | A review of voltage and reactive power control algorithms in medium voltage distribution networks | |
CN116644900A (zh) | 基于数字化平台的供电策略确定方法、装置及系统 | |
CN115660765A (zh) | 一种分布式资源p2p交易方法及系统 | |
CN114493917A (zh) | 一种可再生能源发电站建设方法及系统 |
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 |