CN110929925A - 基于环境温度与用户行为的电动汽车充电站规划方法 - Google Patents
基于环境温度与用户行为的电动汽车充电站规划方法 Download PDFInfo
- Publication number
- CN110929925A CN110929925A CN201911122669.7A CN201911122669A CN110929925A CN 110929925 A CN110929925 A CN 110929925A CN 201911122669 A CN201911122669 A CN 201911122669A CN 110929925 A CN110929925 A CN 110929925A
- Authority
- CN
- China
- Prior art keywords
- charging
- charging station
- time
- electric
- road
- 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
Links
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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Abstract
本发明公开了一种基于环境温度与用户行为的电动汽车充电站规划方法,包括如下步骤:S1.构建电动汽车的电池剩余电量计算模型;S2.计算电动汽车的行驶速度;S3.获取电动汽车从初始位置到目的地的最短路径;S4.若电动汽车行驶一段时间后的剩余电量小于阈值,则需要充电;S5.统计充电站的充电需求数量;S6.配置充电站内充电桩数量;S7.构建充电站规划模型;S8.根据充电站规划模型,得到充电站的位置和容量。本发明的基于环境温度与用户行为的电动汽车充电站规划方法,能够合理地配置电动汽车充电站的位置和容量,避免了资源的浪费,使得充电站建设更加准确,进而满足电动汽车高速发展的需求,保证用户方便地获得充电服务。
Description
技术领域
本发明涉及电动汽车领域,具体涉及一种基于环境温度与用户行为的电动汽车充电站规划方法。
背景技术
随着经济的不断发展,能源枯竭愈演愈烈,能源危机已成为众多国家面临的紧迫问题。而大量消耗化石能源,也会进一步加剧环境污染。当前依靠电能作为主要驱动源的电动汽车,相比燃油汽车,更经济、更环保。因此为了应对能源危机和环境污染,大规模推广应用电动汽车成为一种必然趋势,与之配套的充电设施建设也必须与电动汽车的发展情况相适应。然而由于电动汽车充放电行为在时间和空间上都有极大的不确定性,这就为电动汽车充电站的选址定容带来了严峻挑战。
目前,有许多关于电动汽车充电站选址定容方法的研究,主要分为以下两类:第一类研究主要考虑充电站自身参数限制,将充电站服务半径、充电站服务能力作为权重筛选充电站候选站址;第二类研究在充电站选址中考虑了电动汽车交通特性,基于历史车辆行驶数据、速度流量关系模型以及交通起止分析法等模拟电动汽车行驶过程,综合考虑充电站成本,从而对充电站进行规划。
现有研究中,第一类研究忽略了电动汽车交通特性,由于电动汽车作为交通工具的首要用途是满足用户出行需求,因此这些方法对电动汽车充电行为的研究是缺少实际意义的。尽管第二类研究考虑了交通特性,但对电动汽车充电需求的刻画仍然不够完善。
因此,为解决以上问题,需要一种基于环境温度与用户行为的电动汽车充电站规划方法,能够合理地配置电动汽车充电站的位置和容量,避免了资源的浪费,使得充电站建设更加准确,进而满足电动汽车高速发展的需求,保证用户方便地获得充电服务。
发明内容
有鉴于此,本发明的目的是克服现有技术中的缺陷,提供基于环境温度与用户行为的电动汽车充电站规划方法,能够合理地配置电动汽车充电站的位置和容量,避免了资源的浪费,使得充电站建设更加准确,进而满足电动汽车高速发展的需求,保证用户方便地获得充电服务。
本发明的基于环境温度与用户行为的电动汽车充电站规划方法,包括如下步骤:
S1.构建基于环境温度以及电池耗电状态的电动汽车的电池剩余电量计算模型Pe;
S2.基于电动汽车行驶时的道路容量以及实际交通流量,计算电动汽车的行驶速度V;
S3.设定电动汽车初始出行位置,确定电动汽车的目的地,并从电动汽车的初始出行位置到达目的地的路径中筛选出最短路径R;
S4.基于电动汽车的电池剩余电量计算模型Pe,计算电动汽车在最短路径R上以速度V行驶t时刻时的剩余电量Capt,将电动汽车剩余电量Capt与设定的充电阈值Capc进行比较,如果Capt≤Capc,则电动汽车需要充电,进入步骤S5;
S5.以电动汽车从产生充电需求的位置前往充电站以及充电之后前往目的地的两者时间之和最短为目标,模拟所有电动汽车选择前往的充电站位置以及到达充电站的时刻,统计得到充电站在t时刻需要满足的电动汽车充电需求数量λ;
S6.根据充电站在t时刻需要满足的电动汽车充电需求数量λ,以充电站的单位时间总费用最小为目标,配置充电站内充电桩数量cn;
S7.基于配置的充电站内充电桩数量cn,对充电站的建设运行以及用户的充电使用体验进行分析,构建充电站规划模型Mb;
S8.调整充电站规划模型Mb中各参数值,使该充电站规划模型取得最小值,得到充电站位置以及充电站内充电桩的数量。
进一步,步骤S1中,根据如下公式确定电动汽车的电池剩余电量计算模型Pe:
Capt=Capt-1-ΔlΔCap-ΔlMω;
其中,Capω为场景ω下的电池容量;Cap25℃为环境温度为25℃时的电池容量;Zω为场景ω的不同温度下的相对电池容量百分比;Cap0为初始电池电量;SOC0为初始荷电状态;Pω为场景ω下的空调平均耗电功率;Mω为电动汽车在场景ω下以速度v行驶1公里时的空调耗电量;Capt为t时刻的剩余电量;Capt-1为t-1时刻的剩余电量;Δl为t-1时刻到t时刻的行驶距离;ΔCap为电动汽车行驶1公里的耗电量。
进一步,步骤S2中,电动汽车的行驶速度V表示为t时刻在直连路段(i,j)上的车速Vij(t):
其中,Vmax为直连路段(i,j)上车辆自由行驶状态下的车速;qij(t)为t时刻直连路段(i,j)上的车流量;TFij为直连路段(i,j)上的最大设计交通流量;的计算公式为ε、δ以及ρ为道路的自适应系数;直连路段(i,j)为以道路节点i为起点,以道路节点为j终点的连通道路路段;i以及j均为标识符号,取值均为不大于道路总节点数的正整数。
进一步,步骤S3中,根据如下步骤确定电动汽车的目的地:
S31.确定不同类型电动汽车的初始出行时刻t的概率密度函数f(t):
其中,A1以及A2均为高斯单峰概率密度函数曲线上波峰对应的峰值增益系数;μ1以及μ2均为高斯单峰概率密度函数曲线上波峰对应的平均值系数;δ1以及δ2均为高斯单峰概率密度函数曲线上波峰对应的均方差系数;
S32.对不同类型电动汽车的概率密度函数f(t)进行程序化处理,生成时刻计算程序,将电动车的类型输入到时刻计算程序中,得到该类型电动汽车的初始出行时刻t;
S34.对不同类型电动汽车的出行概率矩阵G进行程序化处理,生成目的地计算程序,将电动车的类型、初始出行时刻以及初始出行位置输入到目的地计算程序中,得到该类型电动汽车的目的地。
a.对交通道路网中的交通出行量进行分析,以交通网络支路集合中支路的预测车流量与实际车流量的差值的平方和最小值为目标,构建车流量差异最小化模型Mτ:
其中,Pa_ij为从道路节点i出发,前往道路节点j的车辆经过路段a的概率;bij为从道路节点i到道路节点j的电动汽车数量;qa为电动汽车在路段a的实际车流量;m为交通网络道路节点数;γ为交通网络支路数;i以及j均为标识符号,取值均为1,2,...,m;
b.调整车流量差异最小化模型Mτ中各参数值,使得车流量差异最小化模型Mτ取得最小值,得到从道路节点i到道路节点j的电动汽车数量bij;
c.将从道路节点i到道路节点j的电动汽车数量bij作为矩阵第i行第j列的元素,得到电动汽车的出行矩阵B;
进一步,步骤S5中,根据如下公式确定从产生充电需求的位置前往充电站和充电之后前往目的地两者时间之和最短的函数FT:
其中,R1为从充电需求位置到充电站的最短路径集合;R2为从充电站到目的地的最短路径集合;ΔTh1为在路段h1上所需的行驶时间;ΔTh1的计算公式为dh1为路段h1的长度;Vlm(t)为t时刻在路段h1上的车速;l为路段h1的起点;m为路段h1的终点;△Th2为在路段h2上所需的行驶时间;△Th2的计算公式为dh2为路段h2的长度;Vuv(t)为t时刻在路段h2上的车速;u为路段h2的起点;v为路段h2的终点。
进一步,步骤S6中,根据如下公式确定配置充电站内充电桩数量cn的数学模型Mc:
其中,fn为单位时间的系统服务成本与用户排队等待成本之和;CS为单位时间的平均每个充电桩的服务成本;cn为充电站n内充电桩的数量;n为充电站的标记符号,取值为1,2,...,N;CW为单位时间的排队等待成本;T为一天被分割的时间段个数;为场景ω下的平均排队队长;π(ω)为场景ω所占权重;为在t时刻场景ω下充电站的充电需求数量;μ为充电桩服务强度;为为在t时刻场景ω下充电桩全部空闲的概率;k为标记符号,取值为0,1,2,...,cn-1。
进一步,步骤S7中,根据如下公式确定充电站规划模型Mb:
minF=β1Ci1+β2(E1+E2),
其中,F为充电站年社会综合成本;Ci1为年建设运行成本;β1为对应于年建设运行成本的权重系数;E1为用户从充电需求点前往充电站途中年耗时成本期望;E2为充电站内用户接受充电服务年等待时间成本期望;β2为对应于成本期望的权重系数;U(cn)为充电站n的年运行成本函数;h(cn)为充电站n的总建设成本函数;n为充电站的标记符号,取值为1,2,...,N;r0为贴现率;u0为充电站的折旧年限;JCS为规划区域的充电站集合;O为充电站固定投资费用;η1为每台充电桩的价格;η2为充电站占地面积、电缆以及配电变压器的等效投资系数;π(ω)为场景ω所占权重;α为城市单位时间出行成本;JCSn为前往充电站n的车辆集合;k为汽车的标记符号;T为一天被分割的时间段个数;为第k辆电动汽车在t时刻场景ω下从充电需求点到充电站所需时间;为第k辆电动汽车在t时刻场景ω下从充电需求点到充电站的最短路径集合;ΔTh,ω为在场景ω下行驶过h路段所需的时间;CW为单位时间的排队等待成本;为t时刻场景ω下充电站n内平均排队等待时间;为t时刻场景ω下充电站n内平均行驶时间;为t时刻场景ω下充电站的充电需求数量;μ为充电桩服务强度;为为在t时刻场景ω下充电桩全部空闲的概率;τ为相关性系数;cmin为充电站n内充电桩的最小配置数;cmax为充电站n内充电桩的最大配置数;Wmax为用户能接受的最大排队时间。
本发明的有益效果是:本发明公开的一种基于环境温度与用户行为的电动汽车充电站规划方法,通过分析环境温度对电动汽车电池容量和耗电情况的影响,得到考虑环境温度的电池剩余电量计算模型,结合道路交通状况,建立考虑用户行为的充电站需求模型,在充电站需求模型的基础上,对充电站进行规划分析,构建电动汽车充电站规划模型,确定最优的充电站选址和容量,从而使得充电站的建设更准确、更合理。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的方法流程示意图;
图2为本发明的某场景不同温度下的相对电池容量曲线;
图3为本发明的某路网拓扑结构图;
图4为本发明的电动汽车初始出行时刻概率分布曲线;
图5为本发明的用户选择更顺路的充电站示意图;
图6为本发明的考虑堵塞情况的电动汽车行驶示意图;
图7为本发明的某城市区域道路网络示意图;
图8为本发明的电动汽车初始出行位置分布曲线。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明,如图所示:
本发明的基于环境温度与用户行为的电动汽车充电站规划方法,包括如下步骤:
S1.构建基于环境温度以及电池耗电状态的电动汽车的电池剩余电量计算模型Pe;
S2.基于电动汽车行驶时的道路容量以及实际交通流量,计算电动汽车的行驶速度V;
S3.设定电动汽车初始出行位置,确定电动汽车的目的地,并从电动汽车的初始出行位置到达目的地的路径中筛选出最短路径R;
S4.基于电动汽车的电池剩余电量计算模型Pe,计算电动汽车在最短路径R上以速度V行驶t时刻时的剩余电量Capt,将电动汽车剩余电量Capt与设定的充电阈值Capc进行比较,如果Capt≤Capc,则电动汽车需要充电,进入步骤S5;
S5.以电动汽车从产生充电需求的位置前往充电站以及充电之后前往目的地的两者时间之和最短为目标,模拟所有电动汽车选择前往的充电站位置以及到达充电站的时刻,统计得到充电站在t时刻需要满足的电动汽车充电需求数量λ;
S6.根据充电站在t时刻需要满足的电动汽车充电需求数量λ,以充电站的单位时间总费用最小为目标,配置充电站内充电桩数量cn;
S7.基于配置的充电站内充电桩数量cn,对充电站的建设运行以及用户的充电使用体验进行分析,构建充电站规划模型Mb;
S8.调整充电站规划模型Mb中各参数值,使该充电站规划模型取得最小值,得到充电站位置以及充电站内充电桩的数量。
本实施例中,步骤S1中,设立多场景如表1所示,分场景模拟电动汽车行驶过程中环境温度对电动汽车电池容量、电池耗电情况的影响。
表1
1.环境温度对电池容量的影响:
由于电动汽车使用的磷酸铁锂电池性能受环境温度影响大,低温会明显降低电池容量,因此有必要考虑环境温度会对电池容量的影响。环境温度直接影响初始电池电量如下所示:
Capω=ZωCap25℃ (1)
Cap0=CapωSOC0 (2)
其中,Capω为场景ω下的电池容量;Cap25℃为环境温度为25℃时的电池容量;Zω为场景ω的不同温度下的相对电池容量比例,如图2所示;Cap0为初始电池电量;SOC0为初始荷电状态,服从正态分布。
2.环境温度对电池耗电情况的影响:
环境温度的高低决定空调耗电量的多少,空调作为电动汽车中第二大耗能设备,对电动汽车耗电情况有明显影响。用平均功率计算电动汽车行驶过程中的空调耗电量,进而计算t时刻电动汽车剩余电量,计算如下:
Capt=Capt-1-ΔlΔCap-ΔlMω (4)
其中,Pω为场景ω下的空调平均耗电功率;Mω为电动汽车在场景ω下以速度v行驶1公里时的空调耗电量;Capt为t时刻的剩余电量;Capt-1为t-1时刻的剩余电量;Δl为t-1时刻到t时刻的行驶距离;ΔCap为电动汽车行驶1公里的耗电量;t-1时刻为t时刻的前一时刻,t-1时刻与t时刻之间相差的时间可根据使用场景进行设置。
若某时刻电动汽车电池电量低于充电阈值,即产生充电需求,具体判断如下:
Capt≤Capc (5)
Capc=Capω·SOCc (6)
其中,Capc为充电阀值;SOCc为产生充电需求时的荷电状态。
本实施例中,步骤S2中,对规划区域范围内的交通路网结构进行分析,即引入图论方法描述交通路网的拓扑结构特征。以图3的道路网络为例,其路网拓扑结构矩阵D按式(8)赋值为:
其中,lij为道路节点i与j之间的直连路段长度;inf表示两节点之间没有直连路段;道路节点为道路交通线路上道路的交叉点。
在城市道路上,车辆行驶速度会受到道路容量和实际交通流量的影响,则根据上述路网拓扑结构矩阵D,引入如下速度流量模型:
其中,Vij(t)为t时刻在直连路段(i,j)上的车速;Vmax为直连路段(i,j)上车辆自由行驶状态下的车速;qij(t)为t时刻直连路段(i,j)上的车流量;TFij为直连路段(i,j)上的最大设计交通流量;的计算公式为ε、δ以及ρ为道路的自适应系数;直连路段(i,j)为以道路节点i为起点,以道路节点为j终点的连通道路路段;i以及j均为标识符号,取值均为不大于道路总节点数的正整数。
本实施例中,步骤S3中,对规划区域范围内所有的电动汽车进行统计,得到以道路上不同的交通节点作为初始出行位置的不同类型的电动汽车的数量,并生成初始出行位置(实际上为道路交通节点)对应的不同类型的电动汽车数量曲线图(如图8),根据该曲线图,可以得到以某个道路节点作为初始出行位置的某种类型的电动汽车的数量,比如以道路节点k作为初始出行位置的出租车有100辆,私家车有200辆,其他功能用车有300辆,也就是说,这些车辆的初始出行位置均为道路节点k;这里将电动汽车分为三种类型,分别是出租车、私家车以及其他功能用车。
根据National Cooperative Highway Research Program(NCHRP 187)提供的统计数据经过拟合处理可以得到电动汽车一天初始出行时刻t的概率分布曲线,如图4所示。利用MATLAB进行曲线拟合得到电动汽车初始出行时刻t的概率密度函数f(t):
其中,A1以及A2均为高斯单峰概率密度函数曲线上波峰对应的峰值增益系数;μ1以及μ2均为高斯单峰概率密度函数曲线上波峰对应的平均值系数;δ1以及δ2均为高斯单峰概率密度函数曲线上波峰对应的均方差系数;高斯单峰概率密度函数(现有的)为:该高斯单峰概率密度函数对应服从一个位置参数为μ0、尺度参数为δ0的概率分布。
不同类型电动汽车对应的初始出行时刻概率密度函数公式结构相同,但各种系数取值不同,则就会有各自对应的初始出行时刻概率密度函数;对于私家车和其他功能用车,A1=0.749,μ1=7.046,δ1=0.768,A2=1.131,μ2=15.610,δ2=6.836;则可以得到这两种类型电动汽车各自对应的初始出行时刻概率密度函数;对于出租车,A1=0.542,μ1=6.026,δ1=0.718,A2=0.452,μ2=11.750,δ2=1.179;则可以得到该类型电动汽车对应的初始出行时刻概率密度函数。
对不同类型电动汽车的初始出行时刻t的概率密度函数f(t)进行程序化处理,生成时刻计算程序,该计算程序采用现有的语言,比如C++,JAVA等语言编写,只需要将不同类型电动汽车的时刻概率密度包含即可,程序的编写采用现有即可,得到程序模型M,该程序模型M根据输入的电动汽车类型,查找该类型电动汽车对应的初始出行时刻概率分布,通过概率分布随机输出某个时刻值作为初始出行时刻;即当往程序模型M中输入一辆类型为出租车的电动汽车时,该程序模型M能够随机输出该类型电动车的初始出行时刻ts;则对于以道路节点k作为初始出行位置的100辆出租车、200辆私家车以及300辆其他功能用车,可以通过程序模型M得到这些车辆分别对应的初始出行时刻。
构建电动汽车的出行矩阵B,出行矩阵B是指交通路网中所有起点(Origin)到终点(Destination)的交通出行量的矩阵,矩阵的行代表各起点的交通发生量,列代表各终点交通吸引量,常用在道路规划和交通仿真领域。根据出行矩阵B可以对各类电动汽车在路网出行特征进行刻画,即不同类型的电动汽车对应各自的出行矩阵B。通过交通部门实际测得各类电动汽车在各路段的交通流量,反推获取各类电动车各自对应的出行矩阵B,如下所示:
其中,Pa_ij为从道路节点i出发,前往道路节点j的车辆经过路段a的概率,假如最短路径经过路段a则Pa_ij为1,否则为0;qa为电动汽车在路段a的实际车流量(单位:pcu/h);m为交通网络道路节点数;γ为交通网络支路数;i以及j均为标识符号,取值均为1,2,...,m;bij为待求出行矩阵B中第i行第j列的元素,表示从道路节点i到道路节点j的电动汽车数量。
如果将一天分成T个时段,那么出行矩阵B将由T个子矩阵构成,如式(13)所示,则每个时段的出行概率矩阵Gt,t+1中的元素通过式(14)计算,表示了电动汽车在t t+1时间段上从道路节点i出发,将道路节点j作为目的地的概率。其中,t+1时刻为t时刻的后一时刻,t+1时刻与t时刻之间相差的时间可根据使用场景进行设置。
通过上述方式,可以求得各类电动汽车在t t+1时间段上的出行概率矩阵Gt,t+1,同理,可以求得各类电动汽车在其他时间段上的出行概率矩阵,进而得到各类电动汽车一天24小时的出行概率矩阵G;对出行概率矩阵G进行编程化处理,生成目的地计算程序,该目的地计算程序采用现有的语言,比如C++,JAVA等语言编写,只需要将不同类型车辆的出行概率矩阵包含即可,程序的编写采用现有即可,得到程序模型L,该程序模型L根据输入的电动汽车类型,查找该类型电动汽车对应的子出行概率矩阵Ga,基于子出行概率矩阵Ga,根据输入的初始出行时刻,查找该初始出行时刻落入的时间段tx~tx+1所对应的子出行概率矩阵基于子出行概率矩阵根据输入的初始出行位置,查找以该初始出行位置为出发点到各个目的地的概率分布b(概率分布b为以出行概率为元素,包含从道路节点i出发到任意能达到的道路节点的各种可能的概率),并以概率分布b随机输出一个地址作为目的地;即当往程序模型L中输入一辆以道路节点i作为初始出行位置,以ti作为初始出行时刻的出租车时,该程序模型L能够随机输出该类型电动车要到达的目的地p;则对于以道路节点k作为初始出行位置的100辆出租车、200辆私家车以及300辆其他功能用车,通过向程序模型L中输入电动汽车类型、各自对应的初始出行位置以及各自对应的初始出行时刻,可以得到这些车辆分别对应的目的地。采用Dijkstra最短路径算法可以计算出道路交通网络中电动汽车从初始出行位置起点Oi到目的地Dj的总路程最短的路线所经过的节点集合R={i,...e,f...,j}。
步骤S4中,根据统计数据得到的初始荷电状态概率分布生成电动汽车初始荷电状态,根据最短路径节点集合R读取道路拓扑结构矩阵D中道路长度d,结合式子(1)、(2)、(3)以及(4)计算电动汽车在最短路径上以速度Vij(t)行驶t时刻时的剩余电量Capt,依据式子(5)与(6),判断电动汽车是否需要充电,如果需要充电,则进入步骤S5,如果不需要充电,则沿当前路线前往目的地。
本实施例中,步骤S5中,上述考虑了电动汽车交通特性,可得到电动汽车充电需求在城市交通网络中的时空分布,但是用户行为将会决定满足该负荷的充电站,这将对充电站需求产生关键性的影响。因此,为了准确得到充电站需求,进行充电站建设,需要进一步考虑用户行为的影响。
当产生充电需求时,用户会倾向于选择更快的充电路线,即从当前位置前往充电站和充电之后前往目的地两者时间之和最短的路线,这就要求行驶路径短,同时避免车流量过大而引起阻塞,行驶速度快,如图5以及图6所示。则基于Dijkstra最短路径算法和速度流量模型,得到一种充电站需求模型:
其中,R1为从充电需求位置到充电站的最短路径集合;R2为从充电站到目的地的最短路径集合;dh是路段h的长度;ΔTh是在路段h所需的行驶时间;i与j分别对应路段h的起点和终点;ΔTh1为在路段h1上所需的行驶时间;ΔTh1的计算公式可由式子(16)得到,即为dh1为路段h1的长度;Vlm(t)为t时刻在路段h1上的车速;l为路段h1的起点;m为路段h1的终点;△Th2为在路段h2上所需的行驶时间;同理,△Th2的计算公式为dh2为路段h2的长度;Vuv(t)为t时刻在路段h2上的车速;u为路段h2的起点;v为路段h2的终点。
对每辆电动汽车重复以上步骤,计算规划区域内所有电动汽车选择前往的充电站位置及到达充电站的时刻,统计得到每个充电站每个时间段需要满足的电动汽车充电需求。
本实施例中,步骤S6中,充电桩的数量体现充电站规模大小,应该与所在区域电动汽车充电需求数量相适应。本发明基于M/M/c排队论的充电桩配置方法,首先根据充电站n的系统单位时间总费用(用户排队等待费用与系统服务成本之和)fn最小为目标,配置充电站n内的充电桩数量cn,即:
其中,fn为系统服务成本和等待时间成本之和;CS为单位时间平均每个充电桩的服务成本;cn为充电站n内充电桩的数目;CW为单位时间的排队等待成本;T为一天被分割的时间段个数;π(ω)为场景ω所占权重;为场景ω下的平均排队队长。
本实施例中,步骤S7中,电动汽车充电站规划涉及充电站选址优化和容量优化。选址优化有利于建立完善的电动汽车充电服务网络,是推进电动汽车产业发展的关键环节和重要手段。充电站容量优化是指在满足电动汽车快速充电需求的前提下,充分利用投资,兼顾投资者运营成本和用户充电便利性,合理配置快速充电桩数量。
结合实际情况,基于M/M/c排队论,得到电动汽车在充电站内行驶时间的计算方法,综合考虑充电站建设成本、用户前往充电耗时成本、充电站内等待充电服务花费时间成本,并考虑充电桩配置约束、排队等待时间约束,建立充电站规划模型。
1).接受充电服务等待时间
本发明指出电动汽车到达充电站后接受充电服务等待时间,应包括排队等待时间的和电动汽车在充电站内行驶花费的时间。
对于电动汽车在充电站内的排队时间,由于电动汽车进入充电站充电的过程,具有很大的随机性,本发明使用M/M/c排队论模型模拟该过程。根据M/M/c排队论,设每小时前往充电站接受服务的充电需求数为λ,则该过程服从参数为λ的泊松分布,电动汽车充电的平均队长Ls和排队等待时间W可表示为:
其中,c为一个充电站内充电桩的数量;μ为充电桩服务强度;P0为充电桩全部空闲的概率。
对于电动汽车站内行驶时间,本发明提出将用户在充电站内道路行驶花费的时间Q与充电站规模直接相关,可计算为:
Q=τc (23)
其中,τ为相关性系数。
2).目标函数
电动汽车快速充电站具有社会公共服务的功能,其规划既要考虑充电站建设运行成本,也要兼顾用户的充电使用体验,综合考虑充电站建设运行成本、车主前往充电站途中耗时成本和排队等待时间成本,目标函数可表示为:
minF=β1Ci1+β2(E1+E2) (24)
其中,F为充电站年社会综合成本;Ci1从投资经济性出发,代表充电站年建设运行成本;E1和E2从充电站服务水平出发,考虑实际中的多场景情况下,分别表示用户从充电需求点前往充电站途中年耗时成本和充电站内用户接受充电服务年等待时间成本的期望值;β1和β2为权重系数,可以根据投资经济性和用户充电便利性两者的重要性进行选取;考虑到充电站社会公共服务的功能,本发明取β2=0.8,β2=1.2。
1.充电站年建设运行成本
充电站年建设运行成本包括年建设投资成本和年运行成本,建设投资成本主要包括充电桩、配电变压器、站内建筑等建设费用;运行成本主要包括设备维护费用和人员工资等。年建设运行成本可以表示为:
h(cn)=O+η1cn+η2(cn)2 (26)
其中,h(cn)为充电站n总建设成本函数;n为充电站的标记符号,取值为1,2,...,N;U(cn)为充电站n的年运行成本函数;r0为贴现率;u0为充电站的折旧年限;JCS为规划区域的充电站集合;O为充电站固定投资费用;η1为每台充电桩的价格;η2为充电站占地面积、电缆以及配电变压器的等效投资系数;
2.前往充电站途中耗时成本期望
该耗时成本期望是在考虑多场景下,电动汽车沿考虑用户行为的最优路径前往充电站充电所花费的时间成本期望。本发明设置多场景考虑环境温度对耗时成本如下:
其中,π(ω)为场景ω所占权重;α为城市单位时间出行成本;JCSn为前往充电站n的车辆集合;k为汽车的标记符号;为第k辆电动汽车在t时刻场景ω下从充电需求点到充电站所需时间;为第k辆电动汽车在t时刻场景ω下从充电需求点到充电站的最短路径集合;ΔTh,ω为在场景ω下行驶过h路段所需的时间。
3.接受充电服务年等待时间成本期望
其中,CW为单位时间的排队等待成本;T为一天被分割的时间段个数;为t时刻场景ω下充电站n内平均排队等待时间;为t时刻场景ω下充电站n内平均行驶时间;为t时刻场景ω下充电站的充电需求数量;μ为充电桩服务强度;为为在t时刻场景ω下充电桩全部空闲的概率;τ为相关性系数。
3).约束条件
1.充电桩配置约束
为了避免资源浪费同时满足使用需求,充电站内充电桩的数量应保持在合理范围内:
cmin≤cn≤cmax (32)
其中,cmin为充电站n内充电桩的最小配置数;cmax为充电站n内充电桩的最大配置数。
2.排队等待时间约束
为了避免过长的排队时间影响用户的使用体验,充电站内最大排队等待时间设置为:
其中,Wmax为经过统计的用户通常情况下能接受的最大排队时间。
步骤S8中,本发明采用遗传算法对上述充电站规划模型进行求解,求解步骤如下:
前置条件:首先输入相应初始化值:给定充电站数量,算法最大迭代次数,交叉算子发生概率,变异算子发生概率;
S82.根据式子(17)计算系统单位时间总费用fn,并得到配置的充电桩数量cn,根据式子(25)-(31)计算各成本期望值,根据式子(24)充电站规划的年综合社会成本F,并将年综合社会成本F作为适应值函数;
S83.从父代种群(第一次求解运算时的父代种群为初始种群,第二次起(包括第二次)的求解运算时的父代种群为上一次遗传变异产生的种群)中随机挑选一对父代染色体,根据交叉概率和变异概率,生成随机数判断是否执行交叉操作和变异操作得到子代染色体,将子代染色体加入到子代种群中。通过交叉变异产生了新种群,在新种群中保留适应值较好的个体,淘汰适度值较差的个体;
S84.判断种群进化次数是否达到最大迭代次数,如果达到,则输出最大迭代次数内的适应值最好的个体作为最优解(最优解为年综合社会成本F最小的选址定容方案,包括充电站建设位置、配置充电桩数量);如果没有达到,则执行选择算子,将保留下来的染色体形成一个新的父代种群,转到步骤S82,并继续执行。
下面结合具体的实施方案,进一步说明:
本发明将图7中的城市交通网络作为规划区域,验证了所提发明的可行性与有效性。该交通网络共有29个节点和49条道路,分为商业区、居民和工作区。假设规划区域的电动汽车有3000辆出租车,9000辆私家车,3000辆其他功能用车。三种类型电动汽车参数如表2所示,电动汽车的初始出行位置分布曲线如图8所示,初始出行时刻概率分布曲线如图4所示,电动汽车初始荷电状态服从正态分布NSOC(0.6,0.12)。为了考虑环境温度对电动汽车的影响,按季节设置多场景,参数如表3所示。
表2三种电动汽车参数设置
说明:SOCc在0.15之间0.3均匀分布;
表3考虑环境温度的多场景参数设置
规划结果及分析:
1)充电站数量优化
规划区域充电站数量范围设置为7~14座。充电站年综合社会成本规划结果如表4所示。可以看出,随着充电站数量的增加,充电站年建设运行成本Ci1稳步增加,同时前往充电站途中耗时成本期望E1和接受充电服务年等待时间成本期望E2逐渐下降。当充电站建设数量增加时,总的充电站建筑成本、占用土地成本、分配设施成本、充电桩成本都相应上升。另一方面,充电站越多,用户获取充电服务的时间成本减低,用户使用起来就越方便。可以看出,所提模型综合考虑了充电站建设和用户使用成本,使充电站年综合社会成本最低,最低为4254万元,充电站最优数量为10座。
表4年社会综合成本优化结果(万元)
2)充电站位置和容量优化
充电站建设节点位置、站内配置充电桩数量及各充电站相关费用优化结果见表5。根据结果可以看出,充电站多集中在商业区节点上,如节点22、24、25、26、28等,而在其他区域分布较为均匀。节点5、13、24、25、28处充电站充电桩数量相对较多,原因是这些充电站都位于商业区或从居民区到工作区的主干道上。可以看出,上述节点的充电需求较大,需要相应地配置更多的充电桩来满足充电需求;而其他充电站的充电桩数量相对较少,避免了资源的浪费。同时,前往充电站途中耗时成本和等待接受充电服务时间成本都相对均衡,没有出现特别大的值,可以保证用户可以方便地获得充电服务。
表5充电站最优规划结果(万元)
根据实验结果可以看出,该规划方法能够保证满足整个区域的充电需求,同时实现了充电站年综合社会成本最低。综上所述,本发明提出的基于环境温度与用户行为的电动汽车充电站规划方法,使充电站建设更加准确,保证了充电站建设能够满足电动汽车高速发展的要求,并合理分配资源,使社会综合成本最低。因此,本发明可为电动汽车充电设施建设规划提供技术支撑。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于环境温度与用户行为的电动汽车充电站规划方法,其特征在于:包括如下步骤:
S1.构建基于环境温度以及电池耗电状态的电动汽车的电池剩余电量计算模型Pe;
S2.基于电动汽车行驶时的道路容量以及实际交通流量,计算电动汽车的行驶速度V;
S3.设定电动汽车初始出行位置,确定电动汽车的目的地,并从电动汽车的初始出行位置到达目的地的路径中筛选出最短路径R;
S4.基于电动汽车的电池剩余电量计算模型Pe,计算电动汽车在最短路径R上以速度V行驶t时刻时的剩余电量Capt,将电动汽车剩余电量Capt与设定的充电阈值Capc进行比较,如果Capt≤Capc,则电动汽车需要充电,进入步骤S5;
S5.以电动汽车从产生充电需求的位置前往充电站以及充电之后前往目的地的两者时间之和最短为目标,模拟所有电动汽车选择前往的充电站位置以及到达充电站的时刻,统计得到充电站在t时刻需要满足的电动汽车充电需求数量λ;
S6.根据充电站在t时刻需要满足的电动汽车充电需求数量λ,以充电站的单位时间总费用最小为目标,配置充电站内充电桩数量cn;
S7.基于配置的充电站内充电桩数量cn,对充电站的建设运行以及用户的充电使用体验进行分析,构建充电站规划模型Mb;
S8.调整充电站规划模型Mb中各参数值,使该充电站规划模型取得最小值,得到充电站位置以及充电站内充电桩的数量。
2.根据权利要求1所述的基于环境温度与用户行为的电动汽车充电站规划方法,其特征在于:步骤S1中,根据如下公式确定电动汽车的电池剩余电量计算模型Pe:
Capt=Capt-1-ΔlΔCap-ΔlMω;
其中,Capω为场景ω下的电池容量;Cap25℃为环境温度为25℃时的电池容量;Zω为场景ω的不同温度下的相对电池容量百分比;Cap0为初始电池电量;SOC0为初始荷电状态;Pω为场景ω下的空调平均耗电功率;Mω为电动汽车在场景ω下以速度v行驶1公里时的空调耗电量;Capt为t时刻的剩余电量;Capt-1为t-1时刻的剩余电量;Δl为t-1时刻到t时刻的行驶距离;ΔCap为电动汽车行驶1公里的耗电量。
4.根据权利要求1所述的基于环境温度与用户行为的电动汽车充电站规划方法,其特征在于:步骤S3中,根据如下步骤确定电动汽车的目的地:
S31.确定不同类型电动汽车的初始出行时刻t的概率密度函数f(t):
其中,A1以及A2均为高斯单峰概率密度函数曲线上波峰对应的峰值增益系数;μ1以及μ2均为高斯单峰概率密度函数曲线上波峰对应的平均值系数;δ1以及δ2均为高斯单峰概率密度函数曲线上波峰对应的均方差系数;
S32.对不同类型电动汽车的概率密度函数f(t)进行程序化处理,生成时刻计算程序,将电动车的类型输入到时刻计算程序中,得到该类型电动汽车的初始出行时刻t;
S34.对不同类型电动汽车的出行概率矩阵G进行程序化处理,生成目的地计算程序,将电动车的类型、初始出行时刻以及初始出行位置输入到目的地计算程序中,得到该类型电动汽车的目的地。
a.对交通道路网中的交通出行量进行分析,以交通网络支路集合中支路的预测车流量与实际车流量的差值的平方和最小值为目标,构建车流量差异最小化模型Mτ:
其中,Pa_ij为从道路节点i出发,前往道路节点j的车辆经过路段a的概率;bij为从道路节点i到道路节点j的电动汽车数量;qa为电动汽车在路段a的实际车流量;m为交通网络道路节点数;γ为交通网络支路数;i以及j均为标识符号,取值均为1,2,...,m;
b.调整车流量差异最小化模型Mτ中各参数值,使得车流量差异最小化模型Mτ取得最小值,得到从道路节点i到道路节点j的电动汽车数量bij;
c.将从道路节点i到道路节点j的电动汽车数量bij作为矩阵第i行第j列的元素,得到电动汽车的出行矩阵B;
6.根据权利要求1所述的基于环境温度与用户行为的电动汽车充电站规划方法,其特征在于:步骤S5中,根据如下公式确定从产生充电需求的位置前往充电站和充电之后前往目的地两者时间之和最短的函数FT:
8.根据权利要求1所述的基于环境温度与用户行为的电动汽车充电站规划方法,其特征在于:步骤S7中,根据如下公式确定充电站规划模型Mb:
minF=β1Ci1+β2(E1+E2),
其中,F为充电站年社会综合成本;Ci1为年建设运行成本;β1为对应于年建设运行成本的权重系数;E1为用户从充电需求点前往充电站途中年耗时成本期望;E2为充电站内用户接受充电服务年等待时间成本期望;β2为对应于成本期望的权重系数;U(cn)为充电站n的年运行成本函数;h(cn)为充电站n的总建设成本函数;n为充电站的标记符号,取值为1,2,...,N;r0为贴现率;u0为充电站的折旧年限;JCS为规划区域的充电站集合;O为充电站固定投资费用;η1为每台充电桩的价格;η2为充电站占地面积、电缆以及配电变压器的等效投资系数;π(ω)为场景ω所占权重;α为城市单位时间出行成本;JCSn为前往充电站n的车辆集合;k为汽车的标记符号;T为一天被分割的时间段个数;为第k辆电动汽车在t时刻场景ω下从充电需求点到充电站所需时间;为第k辆电动汽车在t时刻场景ω下从充电需求点到充电站的最短路径集合;ΔTh,ω为在场景ω下行驶过h路段所需的时间;CW为单位时间的排队等待成本;为t时刻场景ω下充电站n内平均排队等待时间;为t时刻场景ω下充电站n内平均行驶时间;为t时刻场景ω下充电站的充电需求数量;μ为充电桩服务强度;为为在t时刻场景ω下充电桩全部空闲的概率;τ为相关性系数;cmin为充电站n内充电桩的最小配置数;cmax为充电站n内充电桩的最大配置数;Wmax为用户能接受的最大排队时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911122669.7A CN110929925B (zh) | 2019-11-15 | 2019-11-15 | 基于环境温度与用户行为的电动汽车充电站规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911122669.7A CN110929925B (zh) | 2019-11-15 | 2019-11-15 | 基于环境温度与用户行为的电动汽车充电站规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929925A true CN110929925A (zh) | 2020-03-27 |
CN110929925B CN110929925B (zh) | 2022-11-29 |
Family
ID=69853114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911122669.7A Active CN110929925B (zh) | 2019-11-15 | 2019-11-15 | 基于环境温度与用户行为的电动汽车充电站规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929925B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861145A (zh) * | 2020-06-29 | 2020-10-30 | 东南大学 | 考虑高速公路路网的服务区电动汽车充电站配置方法 |
CN112234600A (zh) * | 2020-09-01 | 2021-01-15 | 中南大学 | 一种基于用户体验度的智能电网控制系统的控制方法 |
CN113386770A (zh) * | 2021-06-10 | 2021-09-14 | 武汉理工大学 | 基于充电站数据共享的电动汽车充电路径动态规划方法 |
CN113393109A (zh) * | 2021-06-07 | 2021-09-14 | 杭州电子科技大学 | 电动汽车充电负荷计算方法 |
CN113553769A (zh) * | 2021-07-27 | 2021-10-26 | 南京工程学院 | 一种考虑充电效能的电动汽车充电设施优化配置方法 |
CN117521938A (zh) * | 2024-01-08 | 2024-02-06 | 广东车卫士信息科技有限公司 | 电动车辆运营管理方法、系统及存储介质 |
CN117521938B (zh) * | 2024-01-08 | 2024-05-14 | 广东车卫士信息科技有限公司 | 电动车辆运营管理方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034465A (zh) * | 2018-07-16 | 2018-12-18 | 河海大学 | 考虑充电站选址与出行路径耦合的充电站两层规划方法 |
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 |
CN110222907A (zh) * | 2019-06-18 | 2019-09-10 | 国网河北省电力有限公司经济技术研究院 | 电动汽车充电站规划方法及终端设备 |
-
2019
- 2019-11-15 CN CN201911122669.7A patent/CN110929925B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034465A (zh) * | 2018-07-16 | 2018-12-18 | 河海大学 | 考虑充电站选址与出行路径耦合的充电站两层规划方法 |
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 |
CN110222907A (zh) * | 2019-06-18 | 2019-09-10 | 国网河北省电力有限公司经济技术研究院 | 电动汽车充电站规划方法及终端设备 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861145A (zh) * | 2020-06-29 | 2020-10-30 | 东南大学 | 考虑高速公路路网的服务区电动汽车充电站配置方法 |
CN112234600A (zh) * | 2020-09-01 | 2021-01-15 | 中南大学 | 一种基于用户体验度的智能电网控制系统的控制方法 |
CN112234600B (zh) * | 2020-09-01 | 2022-05-20 | 中南大学 | 一种基于用户体验度的智能电网控制系统的控制方法 |
CN113393109A (zh) * | 2021-06-07 | 2021-09-14 | 杭州电子科技大学 | 电动汽车充电负荷计算方法 |
CN113386770A (zh) * | 2021-06-10 | 2021-09-14 | 武汉理工大学 | 基于充电站数据共享的电动汽车充电路径动态规划方法 |
CN113386770B (zh) * | 2021-06-10 | 2024-03-26 | 武汉理工大学 | 基于充电站数据共享的电动汽车充电路径动态规划方法 |
CN113553769A (zh) * | 2021-07-27 | 2021-10-26 | 南京工程学院 | 一种考虑充电效能的电动汽车充电设施优化配置方法 |
CN113553769B (zh) * | 2021-07-27 | 2023-12-05 | 南京工程学院 | 一种考虑充电效能的电动汽车充电设施优化配置方法 |
CN117521938A (zh) * | 2024-01-08 | 2024-02-06 | 广东车卫士信息科技有限公司 | 电动车辆运营管理方法、系统及存储介质 |
CN117521938B (zh) * | 2024-01-08 | 2024-05-14 | 广东车卫士信息科技有限公司 | 电动车辆运营管理方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110929925B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929925B (zh) | 基于环境温度与用户行为的电动汽车充电站规划方法 | |
Bie et al. | Optimization of electric bus scheduling considering stochastic volatilities in trip travel time and energy consumption | |
CN109034465B (zh) | 考虑充电站选址与出行路径耦合的充电站两层规划方法 | |
Shao et al. | Electric vehicle‐routing problem with charging demands and energy consumption | |
Li et al. | Public charging station location determination for electric ride-hailing vehicles based on an improved genetic algorithm | |
Pal et al. | Placement of public fast-charging station and solar distributed generation with battery energy storage in distribution network considering uncertainties and traffic congestion | |
CN112990648B (zh) | 一种轨道交通网络运营稳定性评估方法 | |
Abdalrahman et al. | PEV charging infrastructure siting based on spatial–temporal traffic flow distribution | |
CN110826841A (zh) | 考虑用户充电体验和配电网运行风险的充电站规划方法 | |
CN111582750B (zh) | 一种轨道交通反向乘客识别及乘车班次确定方法及系统 | |
CN106875075A (zh) | 一种基于出行行为学的电动汽车充电站布点方法 | |
CN108021686A (zh) | 一种快速匹配电子地图中公交线路与道路网络的方法 | |
CN110909434A (zh) | 一种低碳导向下的城市公共交通干线网络设计方法 | |
Tran et al. | A user equilibrium-based fast-charging location model considering heterogeneous vehicles in urban networks | |
CN115344653A (zh) | 一种基于用户行为的电动汽车充电站选址方法 | |
CN111582581A (zh) | 考虑随机交通流量偏移的电动汽车换电站鲁棒选址方法 | |
Chen et al. | Online eco-routing for electric vehicles using combinatorial multi-armed bandit with estimated covariance | |
CN112418514B (zh) | 一种运用蚁群系统优化校园公交线路规划的方法 | |
CN110084520A (zh) | 基于公交线路与网格化ap算法的充电站选址方法及装置 | |
Shen et al. | Integrated optimization of electric vehicles charging location and allocation for valet charging service | |
Zhao et al. | Robust Optimization of Mixed-Load School Bus Route Based on Multi-Objective Genetic Algorithm. | |
Shen et al. | A MultiObjective optimization approach for integrated timetabling and vehicle scheduling with uncertainty | |
Moradipari et al. | Pricing differentiated services in an electric vehicle public charging station network | |
CN115239004A (zh) | 一种基于充电需求预测的充电停车场选址定容优化方法 | |
Morro-Mello et al. | Spatial-temporal model to estimate the load curves of charging stations for electric vehicles |
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 |