CN110968837A - 电动汽车充电站选址定容的方法 - Google Patents

电动汽车充电站选址定容的方法 Download PDF

Info

Publication number
CN110968837A
CN110968837A CN201911164301.7A CN201911164301A CN110968837A CN 110968837 A CN110968837 A CN 110968837A CN 201911164301 A CN201911164301 A CN 201911164301A CN 110968837 A CN110968837 A CN 110968837A
Authority
CN
China
Prior art keywords
charging
charging station
electric vehicle
electric
site selection
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
CN201911164301.7A
Other languages
English (en)
Other versions
CN110968837B (zh
Inventor
万佑红
曹卫涛
王鲁
徐长城
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201911164301.7A priority Critical patent/CN110968837B/zh
Publication of CN110968837A publication Critical patent/CN110968837A/zh
Application granted granted Critical
Publication of CN110968837B publication Critical patent/CN110968837B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201Market modelling; Market analysis; Collecting market data
    • G06Q30/0204Market segmentation
    • G06Q30/0205Location or geographical consideration
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/60Other road transportation technologies with climate change mitigation effect
    • Y02T10/70Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供了一种电动汽车充电站选址定容的方法,包括以下步骤:确定充电需求点的位置与电动汽车的数量,建立电动汽车充电概率计算模型,确定待规划地充电负荷分布情况;以用户出行成本为目标函数,得到充电站的初始选址库;以电动汽车车主出行成本与运营商利益的双向成本为目标函数,对初始选址库中的所有方案进行一一计算,将得到的最优方案作为充电站选址定容的结果。相比与现有技术,本发明充分考虑电动汽车车主的充电习惯、用地地价对充电站选址的影响、充电站盈利情况等因素,兼顾电动汽车车主出行成本与运营商利益的双向成本,使得选址定容方案更加符合待规划地的实际情况,具有非常好的实用性与适用性。

Description

电动汽车充电站选址定容的方法
技术领域
本发明涉及一种电动汽车充电站选址定容的方法,属于电动汽车充电站选址定容领域。
背景技术
随着全球环境的不断恶化以及能源短缺问题的日益凸显,电动汽车作为一种环境友好型的出行工具越来越受到大众的青睐,相比于传统的燃油车,电动汽车具有零排放、充电成本低、噪声小等优点,同时世界各国也都在出台一些政策以支持电动汽车及相关产业的发展。随着电动汽车数量的不断增长,充电设施的基础建设便成为了影响电动汽车发展的关键因素,因此电动汽车充电站的选址定容问题便成为了当前研究的热点。
目前,在电动汽车充电站的选址定容的研究方法上,主要分为以下三类:(1)根据城市规划、电网现状、路网规划、服务半径等影响因素,确定充电站的选址,并从经济性因素考虑,建立充电站成本最低的目标函数,通过启发性搜索算法求解出最优的充电站容量配置;(2)从车主方面考虑,根据路网上电动汽车车主的充电需求点,建立车主充电成本最低的目标函数,通过具体的算法求解出充电站的初始选址,形成初始选址库,并以车主出行成本与充电站建设成本最低为目标函数,在初始选址库中确定最优的最终选址方案以及充电站的配置容量;(3)从求解算法方面考虑,对优化算法进行改进,使得搜索算法可以在全局快速收敛,比如:鲶鱼粒子群算法、改进后的遗传算法等等。但是,目前的研究方法存在着许多缺陷,比如对路口节点处电动汽车的充电概率计算不够准确、忽略了充电站用地地价对其选址定容的影响、忽略了充电站的盈利情况、没有考虑选址定容的实际情况等。
有鉴于此,确有必要提出一种电动汽车充电站选址定容的方法,以解决上述问题。
发明内容
本发明的目的在于提供一种电动汽车充电站选址定容的方法,以兼顾电动汽车车主出行成本与运营商利益。
为实现上述目的,本发明提供了一种电动汽车充电站选址定容的方法,包括以下步骤:
步骤S1、确定充电需求点的位置与电动汽车的数量,建立电动汽车充电概率计算模型,确定待规划地充电负荷分布情况;
步骤S2、以用户出行成本为目标函数,得到充电站的初始选址库;
步骤S3、以电动汽车车主出行成本与运营商利益的双向成本为目标函数,对初始选址库中的所有方案进行一一计算,将得到的最优方案作为充电站选址定容的结果。
可选的,步骤S1进一步包括以下步骤:
步骤S11、将该地区待规划地划分为居民区用地、工作区用地和商业娱乐区用地;
步骤S12、采用路口节点法,根据待规划地的实际路网情况,确定各区域充电需求点的位置与电动汽车的数量;
步骤S13、综合考虑影响电动汽车充电概率的因素,建立电动汽车充电概率计算模型;
步骤S14、根据蒙特卡洛抽样算法,进行模拟仿真实验,得到各个区域的电动汽车的充电负荷分布情况。
可选的,步骤S13中所述电动汽车充电概率计算模型为:
Figure BDA0002286977820000021
其中,PSOC、PL分别表示电动汽车当前电池荷电状态与车主的下一次出行里程对充电概率的影响,SOCmin表示电动汽车的电池荷电状态的最小阈值,C表示电池容量,ω表示每公里耗电量,L表示下一段行驶里程,a、b为影响因子。
可选的,所述电动汽车当前电池荷电状态对充电概率的影响计算公式为:
Figure BDA0002286977820000031
所述车主的下一次出行里程对充电概率的影响计算公式为:
Figure BDA0002286977820000032
其中,l1与l2为根据实测数据确定的常数。
可选的,步骤S2进一步包括以下步骤:
步骤S21、根据步骤S14中得到的电动汽车的充电负荷分布情况,可以得到待规划地内电动汽车的总充电需求容量,并估算充电站的数量范围;
步骤S22、根据待规划地的实际的土地用途、经济水平等区域特性将待规划地划分为M个子区域,在子区域内根据车流量密度、路网规划、城市规划等确定充电站的初始选址;
步骤S23、以初始选址作为生长核,以相同的速度向外扩张,直到彼此相遇在平面上形成图形,得到维诺图,根据维诺图,对原M个子区域进一步重新划分;
步骤S24、根据步骤S23划分后的区域,将充电站的选址坐标作为待优化的变量,从用户角度出发,以车主到充电站的出行成本损耗最低作为选址模型进行优化,并且综合考虑用地地价对选址的影响,建立目标函数以及约束条件;
步骤S25、求解步骤S24中建立的目标函数,得到初始选址库。
可选的,步骤S21中,估算充电站的数量范围的公式为:
Figure BDA0002286977820000041
其中,Nmin表示充电站的最小数量,Nmax表示充电站的最大数量,待规划地内电动汽车的总充电需求容量为Q,充电站最小容量为Smin,最大容量为Smax,因此,待规划地的充电站的数量N范围为Nmin≤N≤Nmax
可选的,步骤S25中通过遗传算法求解步骤S24中建立的目标函数。
可选的,步骤S3具体包括以下步骤:
步骤S31、将初始选址库中的每一种方案中的选址坐标作为新的生长核点,基于维诺图重新划分服务区域,计算出步骤S24提出的目标函数的最优值。
步骤S32、兼顾电动汽车车主出行成本与运营商利益的双向成本,以所需配置的容量作为优化变量,综合考虑充电站得盈利情况,建立总的目标函数:
步骤S33、对初始选址库里面的方案一一进行计算,将得到的最优方案作为充电站选址定容的结果。
可选的,步骤S32中,总的目标函数为:
Figure BDA0002286977820000042
其中,F1i为用户出行年成本,F2i为充电站i建设运行维护年费用,F3i为充电站i网损年费用,F4i为充电站年收益费用,α、β、γ、δ为权重因子。
可选的,步骤S32中,充电站的年盈利费用为:
F4i=(p-h)·Qi·365,
其中,p为充电站i的售电电价,h为充电站i的购电电价,Qi为充电站i服务范围内电动汽车一天的总的充电需求。
本发明的有益效果是:本发明充分考虑电动汽车车主的充电习惯、用地地价对充电站选址的影响、充电站盈利情况等因素,兼顾电动汽车车主出行成本与运营商利益的双向成本,使得选址定容方案更加符合待规划地的实际情况,具有非常好的实用性与适用性。
附图说明
图1为本发明电动汽车充电站选址定容的方法的流程图。
图2为不同区域的电动汽车的充电负荷分布图。
图3为本发明电动汽车充电站选址定容的方法根据初始选址生成的维诺图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,本发明提供了一种电动汽车充电站选址定容的方法,主要包括以下步骤:
步骤S1、采用路口节点法确定充电需求点的位置与电动汽车的数量,综合考虑影响电动汽车充电概率的因素,建立电动汽车充电概率计算模型,利用蒙特卡洛抽样算法确定待规划地充电负荷分布情况;
步骤S2、从用户角度出发,综合考虑用地地价对选址的影响,以用户出行成本为目标函数,得到充电站的初始选址库;
步骤S3、以电动汽车车主出行成本与运营商利益的双向成本为目标函数,综合考虑充电站的盈利情况,对初始选址库中的所有方案进行一一计算,将得到的最优方案作为充电站选址定容的结果。
以下将对步骤S1-S3进行详细说明。
步骤S1具体包括以下步骤:
步骤S11、将待规划地划分为不同的功能区,考虑到车主在不同功能用地的出行数据不一样,因此在本发明中根据待规划地的实际用地情况和土地用途的不同,将该地区待规划地划分为居民区用地、工作区用地和商业娱乐区用地;
步骤S12、采用路口节点法,根据待规划地的实际路网情况,确定各区域充电需求点的位置与电动汽车的数量,通过实测数据,统计出各个路口在T时间段的电动汽车的流量密度,其中路口节点即为充电需求点;
步骤S13、综合考虑影响电动汽车充电概率的因素,建立电动汽车充电概率计算模型;电动汽车充电概率由车主个人行为习惯决定,而影响电动汽车车主充电行为习惯的因素有很多,比如:电动汽车当前的电池荷电状态(SOC)、车主的下一次出行里程、电动汽车车主的出行时间价值、充电站配备的充电桩的数量等等,其中,电动汽车当前的电池荷电状态与车主的下一次出行里程是影响车主充电行为的主要因素,因此,本发明综合考虑这两个因素,建立了一种电动汽车充电概率计算模型:
Figure BDA0002286977820000061
其中,PSOC、PL分别表示当前电动汽车的电池荷电状态与车主的下一次出行里程对充电概率的影响,SOCmin表示电动汽车的电池荷电状态的最小阈值,C表示电池容量,ω表示每公里耗电量,L表示下一段行驶里程,a、b为影响因子。
本发明中,假设电动汽车的当前电量不足以支撑车主的下一次出行,则车主必定需要充电,并且为了保证安全性,电动汽车的电池荷电状态需留有一定的阈值。因此,在满足上述假设的情况下,车主充电概率为1,即:Pcharge=1。
综合考虑了电动汽车当前的电池荷电状态与车主的下一次出行里程对充电概率的影响,可以得出结论:电动汽车当前电池荷电状态越低,充电概率越高,且下一次行驶里程越短,充电概率越低。将这一结论分别用Z型与S型函数来描述,而根据实际数据分析可知,电动汽车当前的电池荷电状态分布基本符合正态分布,下一次行驶里程基本符合对数正态分布,不同功能区的参数拟合得到的结果不同。因此,通过考虑不同的影响因素可以得到,电动汽车当前电池荷电状态对充电概率的影响计算公式:
Figure BDA0002286977820000071
以及,车主的下一次出行里程对充电概率的影响计算公式:
Figure BDA0002286977820000072
其中,l1与l2为根据实测数据确定的常数,在本发明中一般取l1=5km,l2=40km。
而a、b作为影响因子,代表电动汽车当前的电池荷电状态与车主的下一次出行里程这两个影响因素所占的权重,在本发明中电动汽车的当前电池荷电状态对电动汽车是否进行充电影响较大,因此,取a=0.65,b=0.35。
步骤S14、根据蒙特卡洛抽样算法,进行模拟仿真实验,得到各个区域的电动汽车的充电负荷分布情况;
如图2所示,为各个区域的电动汽车的充电负荷分布图,根据步骤S12,可得出电动汽车的数量,然后根据步骤S13的计算公式,运用蒙特卡洛抽样算法对每一辆电动汽车充电情况进行模拟仿真实验,最后将每一辆电动汽车的充电负荷叠加,以得到该区域总的电动汽车的充电负荷分布图。
步骤S2具体包括以下步骤:
步骤S21、根据步骤S14中模拟仿真实验得到的电动汽车的充电负荷分布情况,可以得到待规划地内电动汽车的总充电需求容量Q,并且充电站最小容量为Smin,最大容量为Smax,可以估算充电站的数量范围,如下式:
Figure BDA0002286977820000081
其中,Nmin表示充电站的最小数量,Nmax表示充电站的最大数量,因此,待规划地的充电站的数量N范围为Nmin≤N≤Nmax
步骤S22、根据待规划地的实际的土地用途、经济水平等区域特性将待规划地划分为M个子区域,Nmin≤M≤Nmax,在子区域内根据车流量密度、路网规划、城市规划等确定充电站的初始选址;
如图3所示,将待规划地划分为9个子区域,并根据该地区的规划特点,确定初始选址,并生成维诺图。
步骤S23、以初始选址作为生长核,以相同的速度向外扩张,直到彼此相遇在平面上形成图形,得到维诺(Voronoi)图,根据维诺图,对原M个子区域进一步重新划分;
根据充电站的服务范围进行划分是进行充电站选址定容配置的前提,本发明根据维诺图可以自动划分服务区域并且具有生成速度快的优点。当电动汽车在路口节点处有充电需求时,会选择距离最近的充电站进行充电,这一点正好符合维诺图的特点:每个子区域内的充电需求点到该区域的生长核点的距离小于它到其他任一子区域的生长核点的距离,即设
P={P1,P2,P3,…Pm},3≤m≤∞,
为初始选址的坐标集合,则根据维诺图的性质可知:
d(x,Pi)≤d(x,Pj);x∈V(Pi),
其中,x表示子区域i内的充电需求点,d表示x到子区域的生长核点的距离。
步骤S24、根据步骤S23划分后的区域,充电站的选址坐标作为待优化的变量,从用户角度出发,以车主到充电站的出行成本损耗最低作为选址模型进行优化,并且综合考虑用地地价对选址的影响,建立目标函数以及约束条件;
电动汽车用户在充电路途中的损耗成本主要包括:电动汽车空驶电量损耗成本与用户在去往充电站的途中损耗的时间成本。
电动汽车空驶电量损耗年成本计算公式如下:
Figure BDA0002286977820000091
其中,dij表示充电需求点j到充电站i的直线距离,λij表示充电需求点j到充电站i的曲折系数,mj表示充电需求点j每天需要到充电站充电的电动汽车的数量,p表示用户充电电价,l表示单位电量下电动汽车的行驶里程。
电动汽车在去往充电站的途中损耗的年时间成本计算如下:
Figure BDA0002286977820000092
其中,c表示用户单位出行时间价值,v表示电动汽车的平均行驶速度。
由于用地地价对充电站选址有很大影响,因此引入伸缩系数ki作为选址优化的影响因子,
Figure BDA0002286977820000093
Pi表示充电站i的用地地价,
Figure BDA0002286977820000094
表示待规划地的用地平均地价;当充电站i所在用地地价高于平均地价时,ki>1,否则0<ki<1。
综上,目标函数如下:
Figure BDA0002286977820000095
在充电站选址时,如果相邻充电站距离太近,则服务区域会有很大重叠,造成资源浪费;而如果充电站与充电需求点的距离太远,则电动汽车得剩余电量不能支撑其到达充电站。因此,从这两方面考虑以下约束:
Figure BDA0002286977820000096
其中,dmax表示充电需求点到充电站的最大距离,Dij表示充电站i到充电站j的直线距离,Dmin表示充电站i到充电站j的最小距离。
步骤S25、求解步骤S24中建立的目标函数,由于步骤S24中建立的目标函数为非线性优化模型,因此可以采用遗传算法进行求解。
根据步骤S21确定的充电站数量范围,依次对不同数量的充电站从步骤S21-步骤S25重新进行计算,得到初始选址库,初始选址库里包含两个参数:充电站的数量M与M个充电站的初始选址坐标。
步骤S3具体包括以下步骤:
步骤S31、将初始选址库中的每一种方案中的选址坐标作为新的生长核点,基于维诺图重新划分服务区域,计算出步骤S24提出的目标函数的最优值。
步骤S32、兼顾电动汽车车主出行成本与运营商利益的双向成本,以所需配置的容量作为优化变量,综合考虑充电站得盈利情况,建立总的目标函数:
Figure BDA0002286977820000101
其中,F1i为用户出行年成本,F2i为充电站i建设运行维护年费用,F3i为充电站i网损年费用,F4i为充电站年收益费用,α、β、γ、δ为权重因子。
充电站i建设年成本为:
Figure BDA0002286977820000102
其中,ei为充电站i配置的变压器数量,a为变压器的单价,mi为充电站i配置的充电机数量,b为充电机单价,ci为充电站的基建费用,r0为贴现率,z为运行年限。
充电站i的运行维护费用包括:设备运行损耗费用、设备检修费用、工作人员工资等。具体的运行维护费用可以按照充电站建设初期成本的百分比计算,设比例因子为σ,则充电站i的年运行维护费用为:
f2i=(eia+mib+ci)σ,
F2i=f1i+f2i
充电站i的网损年费用为:
F3i=ei·Ce·T·365·h+mi·Cm·T·365·h,
其中,Ce为变压器的损耗,T为充电站平均每天的有效充电时间,Cm为单台充电机线路损耗与充电损耗,h为充电站i的购电电价。
同时,将充电站的盈利情况也考虑在内,充电站的年盈利费用为:
F4i=(p-h)·Qi·365,
其中,p为充电站i的售电电价,h为充电站i的购电电价,Qi为充电站i服务范围内电动汽车一天的总的充电需求。
步骤S33、对初始选址库里面的方案一一进行计算,将得到的最优方案作为充电站选址定容的结果。
综上所述,本发明充分考虑电动汽车车主的充电习惯、用地地价对充电站选址的影响、充电站盈利情况等因素,兼顾电动汽车车主出行成本与运营商利益的双向成本,使得选址定容方案更加符合待规划地的实际情况,具有非常好的实用性与适用性。
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精神和范围。

Claims (10)

1.一种电动汽车充电站选址定容的方法,其特征在于,包括以下步骤:
步骤S1、确定充电需求点的位置与电动汽车的数量,建立电动汽车充电概率计算模型,确定待规划地充电负荷分布情况;
步骤S2、以用户出行成本为目标函数,得到充电站的初始选址库;
步骤S3、以电动汽车车主出行成本与运营商利益的双向成本为目标函数,对初始选址库中的所有方案进行一一计算,将得到的最优方案作为充电站选址定容的结果。
2.根据权利要求1所述的电动汽车充电站选址定容的方法,其特征在于:步骤S1进一步包括以下步骤:
步骤S11、将该地区待规划地划分为居民区用地、工作区用地和商业娱乐区用地;
步骤S12、采用路口节点法,根据待规划地的实际路网情况,确定各区域充电需求点的位置与电动汽车的数量;
步骤S13、综合考虑影响电动汽车充电概率的因素,建立电动汽车充电概率计算模型;
步骤S14、根据蒙特卡洛抽样算法,进行模拟仿真实验,得到各个区域的电动汽车的充电负荷分布情况。
3.根据权利要求2所述的电动汽车充电站选址定容的方法,其特征在于:步骤S13中所述电动汽车充电概率计算模型为:
Figure FDA0002286977810000011
其中,PSOC、PL分别表示电动汽车当前电池荷电状态与车主的下一次出行里程对充电概率的影响,SOCmin表示电动汽车的电池荷电状态的最小阈值,C表示电池容量,ω表示每公里耗电量,L表示下一段行驶里程,a、b为影响因子。
4.根据权利要求3所述的电动汽车充电站选址定容的方法,其特征在于:所述电动汽车当前电池荷电状态对充电概率的影响计算公式为:
Figure FDA0002286977810000021
所述车主的下一次出行里程对充电概率的影响计算公式为:
Figure FDA0002286977810000022
其中,l1与l2为根据实测数据确定的常数。
5.根据权利要求4所述的电动汽车充电站选址定容的方法,其特征在于:步骤S2进一步包括以下步骤:
步骤S21、根据步骤S14中得到的电动汽车的充电负荷分布情况,可以得到待规划地内电动汽车的总充电需求容量,并估算充电站的数量范围;
步骤S22、根据待规划地的实际的土地用途、经济水平等区域特性将待规划地划分为M个子区域,在子区域内根据车流量密度、路网规划、城市规划等确定充电站的初始选址;
步骤S23、以初始选址作为生长核,以相同的速度向外扩张,直到彼此相遇在平面上形成图形,得到维诺图,根据维诺图,对原M个子区域进一步重新划分;
步骤S24、根据步骤S23划分后的区域,将充电站的选址坐标作为待优化的变量,从用户角度出发,以车主到充电站的出行成本损耗最低作为选址模型进行优化,并且综合考虑用地地价对选址的影响,建立目标函数以及约束条件;
步骤S25、求解步骤S24中建立的目标函数,得到初始选址库。
6.根据权利要求5所述的电动汽车充电站选址定容的方法,其特征在于:步骤S21中,估算充电站的数量范围的公式为:
Figure FDA0002286977810000031
其中,Nmin表示充电站的最小数量,Nmax表示充电站的最大数量,待规划地内电动汽车的总充电需求容量为Q,充电站最小容量为Smin,最大容量为Smax,因此,待规划地的充电站的数量N范围为Nmin≤N≤Nmax
7.根据权利要求5所述的电动汽车充电站选址定容的方法,其特征在于:步骤S25中通过遗传算法求解步骤S24中建立的目标函数。
8.根据权利要求5所述的电动汽车充电站选址定容的方法,其特征在于:步骤S3具体包括以下步骤:
步骤S31、将初始选址库中的每一种方案中的选址坐标作为新的生长核点,基于维诺图重新划分服务区域,计算出步骤S24提出的目标函数的最优值。
步骤S32、兼顾电动汽车车主出行成本与运营商利益的双向成本,以所需配置的容量作为优化变量,综合考虑充电站得盈利情况,建立总的目标函数:
步骤S33、对初始选址库里面的方案一一进行计算,将得到的最优方案作为充电站选址定容的结果。
9.根据权利要求8所述的电动汽车充电站选址定容的方法,其特征在于:步骤S32中,总的目标函数为:
Figure FDA0002286977810000032
其中,F1i为用户出行年成本,F2i为充电站i建设运行维护年费用,F3i为充电站i网损年费用,F4i为充电站年收益费用,α、β、γ、δ为权重因子。
10.根据权利要求8所述的电动汽车充电站选址定容的方法,其特征在于:步骤S32中,充电站的年盈利费用为:
F4i=(p-h)·Qi·365,
其中,p为充电站i的售电电价,h为充电站i的购电电价,Qi为充电站i服务范围内电动汽车一天的总的充电需求。
CN201911164301.7A 2019-11-25 2019-11-25 电动汽车充电站选址定容的方法 Active CN110968837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911164301.7A CN110968837B (zh) 2019-11-25 2019-11-25 电动汽车充电站选址定容的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911164301.7A CN110968837B (zh) 2019-11-25 2019-11-25 电动汽车充电站选址定容的方法

Publications (2)

Publication Number Publication Date
CN110968837A true CN110968837A (zh) 2020-04-07
CN110968837B CN110968837B (zh) 2023-04-18

Family

ID=70031418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911164301.7A Active CN110968837B (zh) 2019-11-25 2019-11-25 电动汽车充电站选址定容的方法

Country Status (1)

Country Link
CN (1) CN110968837B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523930A (zh) * 2020-04-17 2020-08-11 国网上海市电力公司 城市电动出租车充电站选址和服务范围划分的规划方法
CN111667202A (zh) * 2020-07-16 2020-09-15 云南电网有限责任公司 一种电动汽车充电站的选址方法及装置
CN111861192A (zh) * 2020-07-16 2020-10-30 云南电网有限责任公司 一种电动汽车充电站的选址方法及装置
CN111968005A (zh) * 2020-06-29 2020-11-20 法能(中国)能源技术有限公司 区域能源系统潜力评估方法及实现该方法的系统
CN112446539A (zh) * 2020-11-24 2021-03-05 南方电网调峰调频发电有限公司 一种充电站的选址方法、装置、计算机设备和存储介质
CN112488505A (zh) * 2020-11-30 2021-03-12 深圳供电局有限公司 一种电动汽车充电站业扩接入规划方法及系统
CN113837663A (zh) * 2021-10-29 2021-12-24 国网江苏省电力有限公司扬州供电分公司 一种电动汽车充电桩选址方法和装置
CN113971484A (zh) * 2021-10-20 2022-01-25 朱珈汛 基于critic法和非合作博弈的电动汽车充电站的规划方法
CN116307647A (zh) * 2023-05-24 2023-06-23 国网山西省电力公司太原供电公司 电动汽车充电站选址定容优化方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880921A (zh) * 2012-10-16 2013-01-16 山东电力集团公司电力科学研究院 一种电动汽车充电站选址优化方法
CN105160428A (zh) * 2015-08-19 2015-12-16 天津大学 高速公路电动汽车快速充电站的规划方法
CN110059937A (zh) * 2019-03-29 2019-07-26 四川大学 一种集成电动汽车全轨迹空间的负荷建模方法
CN110163445A (zh) * 2019-05-28 2019-08-23 广东工业大学 一种电动汽车充电站选址方法、系统及相关装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880921A (zh) * 2012-10-16 2013-01-16 山东电力集团公司电力科学研究院 一种电动汽车充电站选址优化方法
CN105160428A (zh) * 2015-08-19 2015-12-16 天津大学 高速公路电动汽车快速充电站的规划方法
CN110059937A (zh) * 2019-03-29 2019-07-26 四川大学 一种集成电动汽车全轨迹空间的负荷建模方法
CN110163445A (zh) * 2019-05-28 2019-08-23 广东工业大学 一种电动汽车充电站选址方法、系统及相关装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LILI.GONG等: "Load Modeling Method for EV Charging Station Based on Trip Chain", 《2017 IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION》 *
李锰等: "基于蒙特卡洛法的EV充电负荷多目标随机规划", 《电源技术》 *
段庆等: "电动汽车充电桩选址定容方法", 《电力系统保护与控制》 *
马瑞等: "高速公路电动汽车充电站日充电负荷随机模糊建模", 《长沙理工大学学报(自然科学版)》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523930A (zh) * 2020-04-17 2020-08-11 国网上海市电力公司 城市电动出租车充电站选址和服务范围划分的规划方法
CN111968005A (zh) * 2020-06-29 2020-11-20 法能(中国)能源技术有限公司 区域能源系统潜力评估方法及实现该方法的系统
CN111968005B (zh) * 2020-06-29 2023-10-13 法能(中国)能源技术有限公司 区域能源系统潜力评估方法及实现该方法的系统
CN111667202A (zh) * 2020-07-16 2020-09-15 云南电网有限责任公司 一种电动汽车充电站的选址方法及装置
CN111861192A (zh) * 2020-07-16 2020-10-30 云南电网有限责任公司 一种电动汽车充电站的选址方法及装置
CN112446539A (zh) * 2020-11-24 2021-03-05 南方电网调峰调频发电有限公司 一种充电站的选址方法、装置、计算机设备和存储介质
CN112488505A (zh) * 2020-11-30 2021-03-12 深圳供电局有限公司 一种电动汽车充电站业扩接入规划方法及系统
CN112488505B (zh) * 2020-11-30 2024-03-29 深圳供电局有限公司 一种电动汽车充电站业扩接入规划方法及系统
CN113971484A (zh) * 2021-10-20 2022-01-25 朱珈汛 基于critic法和非合作博弈的电动汽车充电站的规划方法
CN113837663A (zh) * 2021-10-29 2021-12-24 国网江苏省电力有限公司扬州供电分公司 一种电动汽车充电桩选址方法和装置
CN116307647A (zh) * 2023-05-24 2023-06-23 国网山西省电力公司太原供电公司 电动汽车充电站选址定容优化方法、装置及存储介质
CN116307647B (zh) * 2023-05-24 2023-08-15 国网山西省电力公司太原供电公司 电动汽车充电站选址定容优化方法、装置及存储介质

Also Published As

Publication number Publication date
CN110968837B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110968837B (zh) 电动汽车充电站选址定容的方法
Falchetta et al. Electric vehicle charging network in Europe: An accessibility and deployment trends analysis
Li et al. Public charging station location determination for electric ride-hailing vehicles based on an improved genetic algorithm
Bilal et al. Electric vehicles in a smart grid: a comprehensive survey on optimal location of charging station
Mozaffari et al. Joint expansion planning studies of EV parking lots placement and distribution network
Rajabi-Ghahnavieh et al. Optimal zonal fast-charging station placement considering urban traffic circulation
Tao et al. Data-driven optimized layout of battery electric vehicle charging infrastructure
CN110288212B (zh) 基于改进的mopso的电动出租车新建充电站选址方法
Ji et al. Optimizing the locations and sizes of solar assisted electric vehicle charging stations in an urban area
Lin et al. Optimal planning of intra-city public charging stations
Aljaidi et al. Optimal placement and capacity of electric vehicle charging stations in urban areas: Survey and open challenges
Pan et al. Deploying public charging stations for electric taxis: A charging demand simulation embedded approach
Almutairi et al. Load profile modeling of plug-in electric vehicles: Realistic and ready-to-use benchmark test data
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
Majhi et al. Assessment of dynamic wireless charging based electric road system: A case study of Auckland motorway
Bayram et al. Could petrol stations play a key role in transportation electrification? a gis-based coverage maximization of fast ev chargers in urban environment
CN114943362A (zh) 一种基于可调分级充电服务费的快充负荷充电引导方法
Ghamami et al. Electric Vehicle Charger Placement Optimization in Michigan: Phase I-Highways
Mudiyanselage et al. A multi-agent framework for electric vehicles charging power forecast and smart planning of urban parking lots
Mei et al. Does the one-size-fits-all setting meet the demand? Assessment of setting EV–charging-capable parking spaces in public parking lots based on agent simulation
Arya et al. Strategic Placement of Electric Vehicle Charging Stations Using Grading Algorithm
CN115936214A (zh) 基于经济性的电动汽车快速充电站选址定容方法
Zhang et al. Fast charging load guidance strategy based on adjustable charging service fee
Huang et al. Multi-objective optimal scheduling of distribution network with electric vehicle charging load considering time-varying road impedance
Pourgholamali et al. Facilitating electric-propulsion of autonomous vehicles through effcient design of a charging-facility network

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