CN111523714B - 一种电力充电站选址布局方法及装置 - Google Patents

Abstract

本申请公开了一种电力充电站选址布局方法及装置，方法包括：S1：根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的城区小网格地图；S2：通过电力充电站的预置服务半径估算城区小网格地图中的最佳电力充电站数量；S3：结合曼哈顿距离算法和K‑Means算法确定每一个电力充电站在城区小网格地图中的最佳位置，得到电力充电站布局网络；S4：通过预置Logistic模型对电动汽车未来的发展规模进行预测，得到电动汽车发展数据；S5：根据数量占比和增长率更新最佳电力充电站数量，重复步骤S3，得到更新的电力充电站布局网络。本申请提供了一种大规模的电力充电站的选址布局方案。

Description

一种电力充电站选址布局方法及装置

技术领域

本申请涉及充电站布局技术领域，尤其涉及一种电力充电站选址布局方法及装置。

背景技术

目前，化石燃料和环境保护已成为世界上最热门的问题。世界上主要的运输方式是以化石石油为基础，这种运输方式对环境造成了严重的污染。由于化石燃料的资源有限且对环境污染巨大，因此，能源燃料向更清洁的能源过渡是不可避免的，为了实现这一目标，在21世纪以新能源汽车为代表的电动汽车已被公认为我国汽车转型的主要发展方向。

众所周知，电动汽车具有效率高、噪音低、几乎零污染的特点。电动汽车的优点是显而易见的，因此，它在世界各地得到了广泛的应用。无论是从国家公布的数据，还是从汽车厂商调查情况得出的一个结论：充电桩的不足和分布不均衡严重影响了电动汽车的发展和普及，现有的充电站基本只满足了少量电动汽车的需求；为了促进电动汽车的大规模发展，必须改进相应的基础设施；充电站作为电动汽车设施建设的重要组成部分，对整个电动汽车行业的发展至关重要。需要在哪里和多少个地方建造充电站？因为选择正确的位置和估计充电站的数量是非常重要的。而电动汽车充电站的大规模化也将对电动汽车的扩容产生巨大的影响。

发明内容

本申请提供了一种电力充电站选址布局方法及装置，用于提供一种大规模的电力充电站的选址布局方案，并兼顾了电动汽车的发展规模对充电站布局的影响。

有鉴于此，本申请第一方面提供了一种电力充电站选址布局方法，包括：

S1：根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的城区小网格地图；

S2：通过电力充电站的预置服务半径估算所述城区小网格地图中的最佳电力充电站数量；

S3：结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在所述城区小网格地图中的最佳位置，得到电力充电站布局网络；

S4：通过预置Logistic模型对电动汽车未来的发展规模进行预测，得到电动汽车发展数据，所述电动汽车发展数据包括数量占比和增长率；

S5：根据所述数量占比和所述增长率更新所述最佳电力充电站数量，重复步骤S3，得到更新的电力充电站布局网络。

优选地，步骤S1，之前还包括：

对目标地区的初始地图进行网格化处理，得到大网格地图；

根据所述大网格地图中的预置人口密度和预置人均GDP进行最小二乘法拟合，得到目标地区的所述预置空间小网格地图。

优选地，步骤S3，具体包括：

根据预置改进畸变函数计算所述城区小网格地图中各网格的质心，所述预置改进畸变函数为：

J(c,μ)＝max_i||x⁽ⁱ⁾-μ_c(i)||_∞；

所述预置改进畸变函数通过结合曼哈顿距离公式和K-Means算法的畸变函数得到，x⁽ⁱ⁾为电动汽车样本点，μ_c(i)为所述质心，c为所选网格；

根据所述质心确定每一个电力充电站的所述最佳位置，得到电力充电站布局网络。

优选地，步骤S1，还包括：

根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的乡村网格地图；

根据预置公式计算所述乡村网格地图中的最优电力充电站数量，所述预置公式为：

其中，n_village为村庄数量，L为村庄之间的道路长度，D_CR为预置间隔距离。

优选地，步骤S5，还包括：

根据预置评价函数判断目标地区是否具备按照所述更新的电力充电站布局网络建设充电站网络的综合能力，所述预置评价函数为：

f(x)＝(ax+b)-pde^kt；

其中，a为每一辆电动汽车可产生的利润，x为电动汽车的数量，b为目标地区可承担的建设费用，p为所述电力充电站的饱和数量，d为每个所述电力充电站的建设价格，k为电动汽车增长比例参数，f(x)≥0时表示目标地区具备所述综合能力。

本申请第二方面提供了一种电力充电站选址布局装置，包括：

重定义模块，用于根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的城区小网格地图；

数量确定模块，用于通过电力充电站的预置服务半径估算所述城区小网格地图中的最佳电力充电站数量；

位置确定模块，用于结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在所述城区小网格地图中的最佳位置，得到电力充电站布局网络；

预测模块，用于通过预置Logistic模型对电动汽车未来的发展规模进行预测，得到电动汽车发展数据，所述电动汽车发展数据包括数量占比和增长率；

更新模块，用于根据所述数量占比和所述增长率更新所述最佳电力充电站数量，触发所述位置确定模块，得到更新的电力充电站布局网络。

优选地，还包括：

预处理模块，用于对目标地区的初始地图进行网格化处理，得到大网格地图；

根据所述大网格地图中的预置人口密度和预置人均GDP进行最小二乘法拟合，得到目标地区的所述预置空间小网格地图。

优选地，所述位置确定模块，具体包括：

质心子模块，用于根据预置改进畸变函数计算所述城区小网格地图中各网格的质心，所述预置改进畸变函数为：

J(c,μ)＝max_i||x⁽ⁱ⁾-μ_c(i)||_∞；

所述预置改进畸变函数通过结合曼哈顿距离公式和K-Means算法的畸变函数得到，x⁽ⁱ⁾为电动汽车样本点，μ_c(i)为所述质心，c为所选网格；

位置子模块，用于根据所述质心确定每一个电力充电站的所述最佳位置，得到电力充电站布局网络。

优选地，还包括：

乡村布局模块，用于根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的乡村网格地图；

根据预置公式计算所述乡村网格地图中的最优电力充电站数量，所述预置公式为：

其中，n_village为村庄数量，L为村庄之间的道路长度，D_CR为预置间隔距离。

优选地，还包括：

判断模块，用于根据预置评价函数判断目标地区是否具备按照所述更新的电力充电站布局网络建设充电站网络的综合能力，所述预置评价函数为：

f(x)＝(ax+b)-pde^kt；

其中，a为每一辆电动汽车可产生的利润，x为电动汽车的数量，b为目标地区可承担的建设费用，p为所述电力充电站的饱和数量，d为每个所述电力充电站的建设价格，k为电动汽车增长比例参数，f(x)≥0时表示目标地区具备所述综合能力。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中，提供了一种电力充电站选址布局方法，包括：S1：根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的城区小网格地图；S2：通过电力充电站的预置服务半径估算城区小网格地图中的最佳电力充电站数量；S3：结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在城区小网格地图中的最佳位置，得到电力充电站布局网络；S4：通过预置Logistic模型对电动汽车未来的发展规模进行预测，得到电动汽车发展数据，电动汽车发展数据包括数量占比和增长率；S5：根据数量占比和增长率更新最佳电力充电站数量，重复步骤S3，得到更新的电力充电站布局网络。

本申请提供的电力充电站选址布局方法，对选定的目标区域首先划出城区地图，因为经济发展到一定阶段，才能具备一定的电动汽车需求，电动汽车具备一定的分布密度才能使安装电力充电站具有意义；根据充电站能够服务的半径估算目标地区中的最佳电力充电站是在保证目标地区中的电动汽车尽可能都可以找到充电站的同时，还能达到建设的充电站数量最小，不会造成资源的浪费；结合曼哈顿距离算法和K-Means算法可以确定目标地区中每一个电力充电站的最佳安装位置，使得充电站的服务范围既不会过多重叠，也不会因为分布不平衡导致无法找到，影响服务质量；而Logistic模型则可以预测未来的电动汽车的发展规模，例如在机动车中的占比，增长的速率等，用这些数据影响充电站的服务半径，更新计算就可以得到发展变化过程中的充电站布局网络。因此，本申请提供了一种大规模的电力充电站的选址布局方案，并兼顾了电动汽车的发展规模对充电站布局的影响。

附图说明

图1为本申请实施例提供的一种电力充电站选址布局方法的一个流程示意图；

图2为本申请实施例提供的一种电力充电站选址布局方法的另一个流程示意图；

图3为本申请实施例提供的一种电力充电站选址布局装置的一个结构示意图；

图4为本申请实施例提供的电动汽车的数量占比变化趋势图；

图5为本申请实施例提供的电动汽车的增长率变化趋势图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

为了便于理解，请参阅图1，本申请提供的一种电力充电站选址布局方法的实施例一，包括：

步骤101、根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的城区小网格地图。

需要说明的是，预置地区信息数据包括地域归类，例如港口、住宅、景点和行政，还包括潜在充电时间，这个与政府推行电动汽车发展政策和地区规划发展政策有关；需要对预置地区信息数据进行量化处理才能使用。将目标地区的地图网格化更能量化充电站的布局研究，而确定目标地区的地图中的地域类型则是因为电动汽车根据地域类型的不同，其分布密度存在很大的差别，因此，需要进行差别化分析，城区中的电动汽车具有一定的规模，建设充电站不论从经济意义还是交通发展意义而言都是很有必要的，而偏远乡村或者郊区的电动汽车分布密度就相对较少；鉴于经济发展与时俱进，城区与乡村的发展需要更新，不可能一成不变，所以需要重新定义，具体的定义方法就是根据地区的地域类型和发展情况更新。

步骤102、通过电力充电站的预置服务半径估算城区小网格地图中的最佳电力充电站数量。

需要说明的是，预置服务半径对于充电站基本都一致，且与电动车充一次电可以行使的最大距离有关；由于地图是网格化的，因此，根据预置服务半径确定填满整个目标地区需要的电力充电站数量，但并不意味着直接均匀分布于整个目标地区中，而是需要进一步选定每个充电站的安装位置，实现电力充电站布局的最优化。

步骤103、结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在城区小网格地图中的最佳位置，得到电力充电站布局网络。

需要说明的是，考虑到实际情况中，电动汽车无法走直线直接到达电力充电站，所以选择的曼哈顿距离算法更加符合实际需求，结合K-Means算法中的畸变函数就可以得到最小化的畸变函数值，根据该值就可以定义出电力充电站的具体位置，每一个充电站均可以找到最佳的选址位置，从而形成电力充电站网络。

步骤104、通过预置Logistic模型对电动汽车未来的发展规模进行预测，得到电动汽车发展数据，电动汽车发展数据包括数量占比和增长率。

需要说明的是，建设的电力充电站的使用周期相对较长，但是电动汽车的发展速度却相对较快，想要建设完成的电力充电站获得更加长久的使用意义，那么实际的充电站的选址布局就不能仅考虑眼前的发展，需要结合电动汽车的发展趋势，甚至发展规模，调整电力充电站的布局网络；Logistic模型能够较为准确的预测出电动汽车的发展规模，基于传染病模型的考虑，电动汽车在一个地区所占市场比例越高，往往对当地电动汽车数量的发展存在积极的反馈作用，也就是电动汽车随时间变化的市场占有率，即数量占比与当前市场占比有关。根据这些关系就可以预测得到电动汽车的发展数据，主要是数量占比和增长率。

步骤105、根据数量占比和增长率更新最佳电力充电站数量，重复步骤103，得到更新的电力充电站布局网络。

需要说明的是，最佳电力充电站数量改变，那么充电站布局也将改变，电动汽车的发展规模就是通过这种方式影响电力充电站的建设与布局，从而使得更新的电力充电站布局网络更加科学，适用性更强，且随着电动汽车的发展，该充电站网络能够发挥更加长久的作用。

本实施例提供的电力充电站选址布局方法，对选定的目标区域首先划出城区地图，因为经济发展到一定阶段，才能具备一定的电动汽车需求，电动汽车具备一定的分布密度才能使安装电力充电站具有意义；根据充电站能够服务的半径估算目标地区中的最佳电力充电站是在保证目标地区中的电动汽车尽可能都可以找到充电站的同时，还能达到建设的充电站数量最小，不会造成资源的浪费；结合曼哈顿距离算法和K-Means算法可以确定目标地区中每一个电力充电站的最佳安装位置，使得充电站的服务范围既不会过多重叠，也不会因为分布不平衡导致无法找到，影响服务质量；而Logistic模型则可以预测未来的电动汽车的发展规模，例如在机动车中的占比，增长的速率等，用这些数据影响充电站的服务半径，更新计算就可以得到发展变化过程中的充电站布局网络。因此，本实施例提供了一种大规模的电力充电站的选址布局方案，且兼顾了电动汽车的发展规模对充电站布局的影响。

为了便于理解，请参阅图2，本申请实施例中提供了一种电力充电站选址布局方法的实施例二，包括：

步骤201、对目标地区的初始地图进行网格化处理，得到大网格地图。

步骤202、根据大网格地图中的预置人口密度和预置人均GDP进行最小二乘法拟合，得到目标地区的预置空间小网格地图。

需要说明的是，网格化处理能够量化电力充电站的布局研究，将问题转化为网格的处理形式既能顾全整体的布局，又便于细节的分析，网格化处理还能将充电站的服务半径量化为正方形边长的形式，便于规划计算。人口密度和人均GDP最能够反映不同地域的发展情况，能够拟合得到不同的预置空间小网格地图，增强研究便利性。

步骤203、根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的乡村网格地图。

步骤204、根据预置公式计算乡村网格地图中的最优电力充电站数量，预置公式为：

其中，n_village为村庄数量，L为村庄之间的道路长度，D_CR为预置间隔距离。

需要说明的是，预置地区信息数据可以将预置空间小网格地图进行地域划分，包括城区和乡村，这其中的城区又可以划分为市区和城郊，不同的地区其充电站的布局是不一样的，很显然，市区的充电站分布密度比城郊大，城郊的充电站分布密度比乡村大，处理乡村的充电站布局比较简单，由于一个村庄的半径一般小于3公里，因此，设定一个村庄建设一个电力充电站，而村庄之间的道路上按照预置间隔距离建设充电站，这个预置间隔距离可以根据实际情况设定，即电动汽车的分布密度情况。

步骤205、根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的城区小网格地图。

需要说明的是，预置地区信息数据包括地域归类，例如港口、住宅、景点和行政，还包括潜在充电时间，这个与政府推行电动汽车发展政策和地区规划发展政策有关；需要对预置地区信息数据进行量化处理才能使用。将目标地区的地图网格化更能量化充电站的布局研究，而确定目标地区的地图中的地域类型则是因为电动汽车根据地域类型的不同，其分布密度存在很大的差别，因此，需要进行差别化分析，城区中的电动汽车具有一定的规模，建设充电站不论从经济意义还是交通发展意义而言都是很有必要的，而偏远乡村或者郊区的电动汽车分布密度就相对较少；鉴于经济发展与时俱进，城区与乡村的发展需要更新，不可能一成不变，所以需要重新定义，具体的定义方法就是根据地区的地域类型和发展情况更新。

步骤206、通过电力充电站的预置服务半径估算城区小网格地图中的最佳电力充电站数量。

需要说明的是，城区包括市区和城郊，不同区域的预置服务半径是不同的，那么得到的最佳电力充电站数量也是不一样的，首先可以根据如下公式粗略计算电力充电站的服务半径：

r_Rough＝D_EVMax*PCT_EV；

其中，D_EVMax为电动汽车充电一次最大的行驶距离，PCT_EV为电动汽车前往充电站所需的最少电量百分比；将这哥粗略的服务半径作为所有区域的最大服务半径，可以更加精确的表示市区和城郊的预置服务半径，具体的公式如下：

r_urban,r_suburban≤r_Rough；

其中，r_urban、r_suburban分别为市区电力充电站最大服务半径和城郊电力充电站最大服务半径；ρ_urban、ρ_suburban分别为市区人口密度和城郊人口密度；v_urban、v_suburban分别为市区人均电动汽车拥有数量和城郊人均电动汽车拥有数量；

为目标地区人均国内生产总值；C_urban、C_suburban分别为市区地域类型常数和城郊地域类型常数，具体的C_urban、C_suburban是网格地图内地域类型常数或者地域政策，地域类型可以划分为购物中心、景点和港口等，地域政策可以划分为政府政策推行电动汽车发展、地区规划发展等，在实际应用中，通过已完成的充电网络估算C_urban，而C_suburban则有C_urban和市区规模与城郊大小、市区居民和城郊居民的比率计算得到，公式如下：

其中，S_urban、S_suburban分别为市区总面积和城郊总面积。依据实际情况中城市规划格局以及算法推论，市区中的建筑通常为正方格分布，同时假设地图中的汽车密度均匀分布时，电力充电站服务区域的形状应当接近正方形，而不是圆形，那么就可以设置长度参数为50公里的正方形，那么根据数量预置公式就可以计算得到最佳电力充电站数量：

其中，n_50×50为50×50平方公里内的充电站数目；y为电动汽车每天平均充电次数，g为电动汽车的数量占比，r为预置服务半径。其中长度参数可以根据实际情况设置，不作限定。通过以上推导计算，可以得到目标地区总的电力充电站数量为：

步骤207、根据预置改进畸变函数计算城区小网格地图中各网格的质心。

需要说明的是，曼哈顿距离公式为：

此处的p，q指代研究的样本点，传统的K-Means聚类的目的是最小化畸变函数，即：

结合以上两种函数的计算方法就可以得到预置改进畸变函数：

J(c,μ)＝max_i||x⁽ⁱ⁾-μ_c(i)||_∞；

其中，x⁽ⁱ⁾为电动汽车样本点，μ_c(i)为质心，c为所选网格；重新定义了距离函数和畸变函数，保证在J(c,μ)＜r时，电动汽车总能在r公里内找到最近的车站。

步骤208、根据质心确定每一个电力充电站的最佳位置，得到电力充电站布局网络。

需要说明的是，求得质心即为优化函数得到的结果，可以认定优化后的算法生成的质心为电力充电站的最优位置，全部的电力充电站部署完成，就可以得到目标地区的电力充电站布局网络。网格化的分块分析，存在相差不大的各种网格，网格中的质心即电力充电站的最佳位置。另外，在目标区域还存在特例区域，那就是国道和高速公路，在国道或者高速公路上建设电力充电站主要就是考虑加油站这样可以提供休息场所的地方，能够确保司机的休息时间，因此可以根据国道或者高速公路的长度设定预置间隔距离，这样就能够得到电力充电站的所需数量。

步骤209、通过预置Logistic模型对电动汽车未来的发展规模进行预测，得到电动汽车发展数据，电动汽车发展数据包括数量占比和增长率。

需要说明的是，建设的电力充电站的使用周期相对较长，但是电动汽车的发展速度却相对较快，想要建设完成的电力充电站获得更加长久的使用意义，那么实际的充电站的选址布局就不能仅考虑眼前的发展，需要结合电动汽车的发展趋势，甚至发展规模，调整电力充电站的布局网络；Logistic模型能够较为准确的预测出电动汽车的发展规模，基于传染病模型的考虑，电动汽车在一个地区所占市场比例越高，往往对当地电动汽车数量的发展存在积极的反馈作用，也就是电动汽车随时间变化的市场占有率，即数量占比与当前市场占比有关：

实际情况是电动汽车的占比不可能到达100％，因此，R<1；求解方程可以得到：

R为电动汽车的数量占比，ψ为电动汽车市场占有率常系数，将当前年份的电动汽车的数据量占比代入上式，就可得到该常系数ψ，而其中的电动汽车占有率增长速度比例k有近年数据反向推导得到。实际中电动汽车的增长速度在市区、城郊和乡村依次递减，根据这些关系就可以预测得到电动汽车的发展数据，主要是数量占比和增长率。具体请参阅图4和图5，可以看出电动汽车数量占比变化趋势和电动汽车的增长率变化趋势。

步骤210、根据数量占比和增长率更新最佳电力充电站数量，重复步骤208-209，得到更新的电力充电站布局网络。

需要说明的是，最佳电力充电站数量改变，那么充电站布局也将改变，电动汽车的发展规模就是通过这种方式影响电力充电站的建设与布局，从而使得更新的电力充电站布局网络更加科学，适用性更强，且随着电动汽车的发展，该充电站网络能够发挥更加长久的作用。

步骤211、根据预置评价函数判断目标地区是否具备按照更新的电力充电站布局网络建设充电站网络的综合能力。

需要说明的是，不同的地区有着不同的地理情况、经济情况和文华差异，这都会直接或者间接的影响电动汽车的推广，要完全普及电动汽车，仅仅建设充电站是远远不够的，因此需要设置一些指标来量化某些地区是否具备建设充电站的能力，所以提出了预置评价函数，预置评价函数为：

f(x)＝(ax+b)-pde^kt；

其中，a为每一辆电动汽车可产生的利润，x为电动汽车的数量，b为目标地区可承担的建设费用，p为电力充电站的饱和数量，d为每个电力充电站的建设价格，k为电动汽车增长比例参数，f(x)≥0时，说明目标地区具备综合能力，特别是在f(x)＝0时，称为f(x)的停滞点；当g(x)＞(x)的时候，则认为该地区的综合能力不足以建设大规模的充电站网络，应该优先发展经济。

为了便于理解，请参阅图3，本申请中还提供了一种电力充电站选址布局装置的实施例，包括：

重定义模块301，用于根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的城区小网格地图；

数量确定模块302，用于通过电力充电站的预置服务半径估算城区小网格地图中的最佳电力充电站数量；

位置确定模块303，用于结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在城区小网格地图中的最佳位置，得到电力充电站布局网络；

预测模块304，用于通过预置Logistic模型对电动汽车未来的发展规模进行预测，得到电动汽车发展数据，电动汽车发展数据包括数量占比和增长率；

更新模块305，用于根据数量占比和增长率更新最佳电力充电站数量，触发位置确定模块303，得到更新的电力充电站布局网络。

进一步地，还包括：

预处理模块306，用于对目标地区的初始地图进行网格化处理，得到大网格地图；

根据大网格地图中的预置人口密度和预置人均GDP进行最小二乘法拟合，得到目标地区的预置空间小网格地图。

进一步地，位置确定模块303，具体包括：

质心子模块3031，用于根据预置改进畸变函数计算城区小网格地图中各网格的质心，预置改进畸变函数为：

J(c,μ)＝max_i||x⁽ⁱ⁾-μ_c(i)||_∞；

预置改进畸变函数通过结合曼哈顿距离公式和K-Means算法的畸变函数得到，x⁽ⁱ⁾为电动汽车样本点，μ_c(i)为质心，c为所选网格；

位置子模块3032，用于根据质心确定每一个电力充电站的最佳位置，得到电力充电站布局网络。

进一步地，还包括：

乡村布局模块307，用于根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的乡村网格地图；

根据预置公式计算乡村网格地图中的最优电力充电站数量，预置公式为：

其中，n_village为村庄数量，L为村庄之间的道路长度，D_CR为预置间隔距离。

进一步地，还包括：

判断模块308，用于根据预置评价函数判断目标地区是否具备按照更新的电力充电站布局网络建设充电站网络的综合能力，预置评价函数为：

f(x)＝(ax+b)-pde^kt；

其中，a为每一辆电动汽车可产生的利润，x为电动汽车的数量，b为目标地区可承担的建设费用，p为电力充电站的饱和数量，d为每个电力充电站的建设价格，k为电动汽车增长比例参数，f(x)≥0时表示目标地区具备综合能力。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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，在本申请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，本申请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全部或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，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请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(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (8)

1.一种电力充电站选址布局方法，其特征在于，包括：

S1：根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的城区小网格地图，所述预置地区信息数据包括地域归类和潜在充电时间；

S2：通过电力充电站的预置服务半径估算所述城区小网格地图中的最佳电力充电站数量，所述预置服务半径根据所述地域类型和电动车一次充电的最大行驶距离确定；

S3：根据预置改进畸变函数计算所述城区小网格地图中各网格的质心，所述预置改进畸变函数为：

J(c,μ)＝max_i||x⁽ⁱ⁾-μ_c(j)||_∞；

所述预置改进畸变函数通过结合曼哈顿距离公式和K-Means算法的畸变函数得到，x⁽ⁱ⁾为第i个电动汽车样本点，μ_c(j)为第j个所述质心，c为所选网格，根据所述质心确定每一个电力充电站的最佳位置，得到电力充电站布局网络；

S4：通过预置Logistic模型对电动汽车未来的发展规模进行预测，得到电动汽车发展数据，所述电动汽车发展数据包括数量占比和增长率；

S5：根据所述数量占比和所述增长率更新所述最佳电力充电站数量，重复步骤S3，得到更新的电力充电站布局网络。

2.根据权利要求1所述的电力充电站选址布局方法，其特征在于，步骤S1，之前还包括：

对目标地区的初始地图进行网格化处理，得到大网格地图；

根据所述大网格地图中的预置人口密度和预置人均GDP进行最小二乘法拟合，得到目标地区的所述预置空间小网格地图。

3.根据权利要求1所述的电力充电站选址布局方法，其特征在于，步骤S1，还包括：

根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的乡村网格地图；

根据预置公式计算所述乡村网格地图中的最优电力充电站数量，所述预置公式为：

其中，n_village为村庄数量，L为村庄之间的道路长度，D_CR为预置间隔距离。

4.根据权利要求1所述的电力充电站选址布局方法，其特征在于，步骤S5，还包括：

根据预置评价函数判断目标地区是否具备按照所述更新的电力充电站布局网络建设充电站网络的综合能力，所述预置评价函数为：

f(x)＝(ax+b)-pde^kt；

其中，a为每一辆电动汽车可产生的利润，x为电动汽车的数量，b为目标地区可承担的建设费用，p为所述电力充电站的饱和数量，d为每个所述电力充电站的建设价格，k为电动汽车增长比例参数，f(x)≥0时表示目标地区具备所述综合能力。

5.一种电力充电站选址布局装置，其特征在于，包括：

重定义模块，用于根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的城区小网格地图；

数量确定模块，用于通过电力充电站的预置服务半径估算所述城区小网格地图中的最佳电力充电站数量；

位置确定模块，用于根据预置改进畸变函数计算所述城区小网格地图中各网格的质心，所述预置改进畸变函数为：

J(c,μ)＝max_i||x⁽ⁱ⁾-μ_c(j)||_∞；

所述预置改进畸变函数通过结合曼哈顿距离公式和K-Means算法的畸变函数得到，x⁽ⁱ⁾为第i个电动汽车样本点，μ_c(j)为第j个所述质心，c为所选网格，根据所述质心确定每一个电力充电站的最佳位置，得到电力充电站布局网络；

预测模块，用于通过预置Logistic模型对电动汽车未来的发展规模进行预测，得到电动汽车发展数据，所述电动汽车发展数据包括数量占比和增长率；

更新模块，用于根据所述数量占比和所述增长率更新所述最佳电力充电站数量，触发所述位置确定模块，得到更新的电力充电站布局网络。

6.根据权利要求5所述的电力充电站选址布局装置，其特征在于，还包括：

预处理模块，用于对目标地区的初始地图进行网格化处理，得到大网格地图；

根据所述大网格地图中的预置人口密度和预置人均GDP进行最小二乘法拟合，得到目标地区的所述预置空间小网格地图。

7.根据权利要求5所述的电力充电站选址布局装置，其特征在于，还包括：

乡村布局模块，用于根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型，得到重新定义的乡村网格地图；

根据预置公式计算所述乡村网格地图中的最优电力充电站数量，所述预置公式为：

其中，n_village为村庄数量，L为村庄之间的道路长度，D_CR为预置间隔距离。

8.根据权利要求5所述的电力充电站选址布局装置，其特征在于，还包括：

判断模块，用于根据预置评价函数判断目标地区是否具备按照所述更新的电力充电站布局网络建设充电站网络的综合能力，所述预置评价函数为：

f(x)＝(ax+b)-pde^kt；

其中，a为每一辆电动汽车可产生的利润，x为电动汽车的数量，b为目标地区可承担的建设费用，p为所述电力充电站的饱和数量，d为每个所述电力充电站的建设价格，k为电动汽车增长比例参数，f(x)≥0时表示目标地区具备所述综合能力。

Images