CN111523930A - 城市电动出租车充电站选址和服务范围划分的规划方法 - Google Patents

城市电动出租车充电站选址和服务范围划分的规划方法 Download PDF

Info

Publication number
CN111523930A
CN111523930A CN202010306958.9A CN202010306958A CN111523930A CN 111523930 A CN111523930 A CN 111523930A CN 202010306958 A CN202010306958 A CN 202010306958A CN 111523930 A CN111523930 A CN 111523930A
Authority
CN
China
Prior art keywords
charging station
charging
electric taxi
cost
formula
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.)
Pending
Application number
CN202010306958.9A
Other languages
English (en)
Inventor
夏敏浩
曹伟斌
李俊颖
陈贤磊
朱坚
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.)
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai Electric Power Co Ltd
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 State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN202010306958.9A priority Critical patent/CN111523930A/zh
Publication of CN111523930A publication Critical patent/CN111523930A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G06Q30/0284—Time or distance, e.g. usage of parking meters or taximeters
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种城市电动出租车充电站选址和服务范围划分的规划方法，包括以下步骤：S1：分析电动出租车行驶和充电行为特性；S2：生成基于充电桩数目的充电站建造年维护成本和基于排队理论的用户年充电成本；S3：对充电站建造年维护成本和用户年充电成本进行加权，得到充电站全社会综合成本，并以电网安全运行为约束，构建电动出租车充电站站址规划模型；S4：用混合离散二进制粒子群算法和Voronoi图法相结合对步骤S3所建立的模型进行求解，实现充电站站址的最优规划和充电站服务范围的自动寻优。本发明的规划方法实用性较强，强化了充电站选址规划的局部搜索能力，为城市电动出租车充电站站址规划提供了一个新的思路。

Description

城市电动出租车充电站选址和服务范围划分的规划方法
技术领域
本发明涉及电动汽车充电站规划技术领域，具体地说是一种考虑智能算法的城市电动出租车充电站选址和服务范围划分的规划方法。
背景技术
出租车作为城市交通通勤最为频繁的车辆，常年来的尾气排放对城市环境造成了巨大伤害。新能源汽车的引进可以有效减少石油资源的消耗，被看成是一种调整能源结构、改善城市环境以及可持续发展的重要方法。现阶段存在的一个典型问题是电动出租车与充电基础服务设施发展不协调。电动汽车存在续航里程短、充电时间长等目前难以解决的问题，导致充电站出现排队现象。充电设施配置不完善正严重阻碍电动出租车正常有序的发展。另外，部分地区的充电站建设布局不合理、通用性差，充电利用率低。因此，对电动出租车充电站进行科学合理的规划，不仅关系到充电站服务质量、运营收益，也影响到用户出行的便利程度。
电动汽车充电站规划属于高维非线性规划问题，目前国内外对电动汽车充电站选址定容问题常见的模型求解方法大致可以分为遗传算法、粒子群算法、模拟退火法、禁忌搜索法的智能算法，以及Voronoi图法、线性规划和非线性规划等数学优化算法。这些算法可以得到大规模选址定容问题的最优解，但容易造成后期收敛速度慢、局部搜索能力差等问题。
发明内容
本发明的目的是针对现有技术存在的问题，提供一种考虑智能算法的城市电动出租车充电站选址和服务范围划分的规划方法。
本发明的目的是通过以下技术方案解决的：
一种城市电动出租车充电站选址和服务范围划分的规划方法，包括以下步骤：
S1：分析电动出租车行驶和充电行为特性；
S2：生成基于充电桩数目的充电站建造年维护成本和基于排队理论的用户年充电成本；
S3：对充电站建造年维护成本和用户年充电成本进行加权，得到充电站全社会综合成本，并以电网安全运行为约束，构建电动出租车充电站站址规划模型；
S4：用混合离散二进制粒子群算法和Voronoi图法相结合对步骤S3所建立的模型进行求解，实现充电站站址的最优规划和充电站服务范围的自动寻优。
所述步骤S1中的电动出租车行驶和充电行为特性包括电动出租车的出行时间和行驶里程的日平均值以及交班时间。
所述步骤S2中的充电站建造年维护成本Fsh通过式(1)得到：
Figure BDA0002456124270000021
式(1)中：r为充电站运营年限；d为贴现率；Nby,k为变压器数目，a为变压器单价；Ncd,k为充电桩数目，b为充电桩单价；Cd,k为充电站k的基建成本；η为维护成本折算因子；p为当地电价；PLoss为配电系统网络年损耗；xi表示节点i是否接入充电站，1为接入、0为不接入；Psi、Qsi为i节点所建的充电站的有功、无功容量。
所述步骤S2中的用户年充电成本Fyh通过式(2)得到：
Figure BDA0002456124270000022
式(2)中，C1为用户前往充电站的年成本，C2为用户等待充电的年成本。q为用户单位时间成本；ni为交通节点i需充电的出租车数量；ti,k为交通节点i去往充电站k所需要的时间；Wk为充电站k的平均等待时间；M为充电站集；Ak为应前往k充电站接受服务的交通节点集合。
所述步骤S2中的排队理论所涉及到的用户的平均排队时长
Figure BDA0002456124270000025
和平均等待时间
Figure BDA0002456124270000026
通过式(3)、(4)得到：
Figure BDA0002456124270000023
Figure BDA0002456124270000024
式(3)、(4)中，出租车排队充电符合排队理论的M/G/c模型；输入过程服从泊松分布，期望为λ；服务时间服从正态分布，其期望是μ、方差是VT；ρ＝λμ，ρ为排队系统的服务强度；c是充电桩数；式(3)、(4)成立的条件是：c＞λ。
所述步骤S3中的充电站全社会综合成本Fv由式(5)表示：
Fv＝ν1Fsh+ν2Fyh (5)
式(5)中，ν1、ν2分别为充电站建造年维护成本和用户年充电成本的权重系数，ν1+ν2＝1。
所述步骤S3中的电网安全运行约束条件由式(6)-式(11)表示：
S31：系统潮流平衡方程：
Figure BDA0002456124270000031
Figure BDA0002456124270000032
式(6)、(7)中，Pi、Qi分别为节点i的有功、无功功率；Ui、Uj为节点i、j电压幅值；Gij、Bij分别为支路i、j的电导与电纳；θij为节点i、j之间的电压相角差；
S32：变电站容量约束：
Sk≤Skmax (8)
式(8)中，Sk为充电站k所在的变电站负载；Skmax为该变电站可达到的最大负载；
S33：电动出租车最大充电功率约束：
Figure BDA0002456124270000033
式(9)中，PC,k为充电站k的充电功率；
Figure BDA0002456124270000034
是配电网能够接入的最大充电功率；
S34：节点电压幅值的上下限约束：
Figure BDA0002456124270000035
式(10)中，Ui为配电网节点i的电压幅值；
Figure BDA0002456124270000036
分别为此节点电压幅值的上下限；m为配电网的总节点数；
S35：馈线最大电流约束：
|Iij|≤Iij,max，i,j＝1,2,…,m (11)
式(11)中，Iij和Iij,max分别是配电网中馈线ij的电流与允许通过的最大电流。
所述步骤S4中的混合离散二进制粒子群算法中，xi表示第i个粒子的位置，每一个粒子代表步骤S3所建立的模型的一个可行解，即充电站的选址，即：
xi＝[xi1,xi2,xi3,…,xiN] (12)
式(12)中，N表示粒子维数，即表示充电站的数目；xix取值分别为0和1，分别表示第i个粒子是否选择第x个充电站；
用vi表示粒子速度，则vix表示粒子xix的速度；此时vix的更新公式为：
vix＝ωvix+c1rand(pix-xix)+c2rand(pgx-xix) (13)
式(13)中，ω为自身惯性权重；pix为粒子的历史最佳位置；Pgx为全局历史最佳位置；c1和c2均为学习因子，范围在0-4；
令vi通过sigmoid函数映射为xix取1的概率，并用S(vix)表示为：
Figure BDA0002456124270000041
Figure BDA0002456124270000042
t次迭代后粒子位置发生改变的概率p(t)为：
p(t)＝[1-S(vix(t-1))]S(vix(t))+S(vix(t-1))[1-S(vix(t-1))] (16)
假设t和t-1速度不变，调整式(16)为：
p(t)＝2[1-S(vix(t))]S(vix(t)) (17)
对式(14)-(15)进行改进，获得式(18)-(20)：
Figure BDA0002456124270000043
vix≤0时，
Figure BDA0002456124270000044
vix＞0时，
Figure BDA0002456124270000045
若iter<γ·Max iter，则使用式(14)-(17)；否则采用式(18)-(20)；其中iter为当前迭代次数，γ为所取的参数，范围在0-1，Max iter为能够达到的最大迭代次数。
本发明相比现有技术有如下优点：
本发明的规划方法基于权重系数的综合充电站建造年维护成本和用户年充电成本的充电站全社会综合成本目标函数，以网络安全运行为约束构建电动出租车充电站站址规划模型；利用改进后的混合离散二进制粒子群算法结合Voronoi图法求解模型，实现充电站站址的最优规划和充电站服务范围的自动寻优；为城市电动出租车充电站站址规划提供了一个新的思路，能够作为当前充电站规划的一个有益补充。
本发明的规划方法综合考虑了城市电动出租车充电站运营的社会成本，在考虑了充电站社会服务的属性，对建造维护成本和用户充电成本加权，通过部分让利给用户，提高了电动出租车目标用户更换、使用电动出租车的积极性；通过兼顾普通PSO算法前期全局搜索能力强的同时，改善PSO算法后期随机性强、易造成结果不收敛的缺陷，构造了混合离散二进制粒子群算法，并与Voronoi图法相结合，实现充电站站址的最优规划和充电站服务范围的自动寻优，进行电动出租车充电站站址规划模型的求解，能够有效的抑制PSO算法后期容易不收敛的问题，强化了充电站选址规划的局部搜索能力。
附图说明
附图1是本发明的城市电动出租车充电站选址和服务范围划分的规划方法的流程图；
附图2是本发明的HBPSO-Voronoi算法流程图；
附图3是本发明的算例规划区域的交通路网和配电网节点图；
附图4是不同充电站数目下的充电站年最小成本；
附图5是本发明利用HBPSO-Voronoi算法生成的划分结果；
附图6是本发明的采用算法的适应度函数收敛曲线。
具体实施方式
下面结合附图与实施例对本发明作进一步的说明。
如图1所示：一种城市电动出租车充电站选址和服务范围划分的规划方法，包括以下步骤：
S1：分析电动出租车行驶和充电行为特性，该特性包括电动出租车的出行时间和行驶里程的日平均值以及交班时间，上述数据可由电动出租车代理商收集。
S2：生成基于充电桩数目的充电站建造年维护成本和基于排队理论的用户年充电成本。
其中充电站建造年维护成本Fsh通过式(1)得到：
Figure BDA0002456124270000051
式(1)中：r为充电站运营年限；d为贴现率；Nby,k为变压器数目，a为变压器单价；Ncd,k为充电桩数目，b为充电桩单价；Cd,k为充电站k的基建成本；η为维护成本折算因子；p为当地电价；PLoss为配电系统网络年损耗；xi表示节点i是否接入充电站，1为接入、0为不接入；Psi、Qsi为i节点所建的充电站的有功、无功容量；
用户年充电成本Fyh通过式(2)得到：
Figure BDA0002456124270000061
式(2)中，C1为用户前往充电站的年成本，C2为用户等待充电的年成本。q为用户单位时间成本；ni为交通节点i需充电的出租车数量；ti,k为交通节点i去往充电站k所需要的时间；Wk为充电站k的平均等待时间；M为充电站集；Ak为应前往k充电站接受服务的交通节点集合。
另外需要补充的是，排队理论所涉及到的用户的平均排队时长
Figure BDA0002456124270000064
和平均等待时间
Figure BDA0002456124270000065
通过式(3)、(4)得到：
Figure BDA0002456124270000062
Figure BDA0002456124270000063
式(3)、(4)中，出租车排队充电符合排队理论的M/G/c模型；输入过程服从泊松分布，期望为λ；服务时间服从正态分布，其期望是μ、方差是VT；ρ＝λμ，ρ为排队系统的服务强度；c是充电桩数；式(3)、(4)成立的条件是：c＞λ；
S3：对充电站建造年维护成本和用户年充电成本进行加权，得到充电站全社会综合成本，并以电网安全运行为约束，构建电动出租车充电站站址规划模型。
具体为：充电站全社会综合成本Fv由式(5)表示：
Fv＝ν1Fsh+ν2Fyh (5)
式(5)中，ν1、ν2分别为充电站建造年维护成本和用户年充电成本的权重系数，ν1+ν2＝1；可根据不同的规划目标设置不同的权重系数，来区分两个成本间的侧重程度；
电网安全运行约束条件由式(6)-式(11)表示，分为等式约束和不等式约束：
S31：系统潮流平衡方程：
Figure BDA0002456124270000071
Figure BDA0002456124270000072
式(6)、(7)中，Pi、Qi分别为节点i的有功、无功功率；Ui、Uj为节点i、j电压幅值；Gij、Bij分别为支路i、j的电导与电纳；θij为节点i、j之间的电压相角差；
S32：变电站容量约束：
Sk≤Skmax (8)
式(8)中，Sk为充电站k所在的变电站负载；Skmax为该变电站可达到的最大负载；
S33：电动出租车最大充电功率约束：
Figure BDA0002456124270000073
式(9)中，PC,k为充电站k的充电功率；
Figure BDA0002456124270000074
是配电网能够接入的最大充电功率；
S34：节点电压幅值的上下限约束：
Figure BDA0002456124270000075
式(10)中，Ui为配电网节点i的电压幅值；
Figure BDA0002456124270000076
分别为此节点电压幅值的上下限；m为配电网的总节点数；
S35：馈线最大电流约束：
|Iij|≤Iij,max，i,j＝1,2,…,m (11)
式(11)中，Iij和Iij,max分别是配电网中馈线ij的电流与允许通过的最大电流。
S4：用混合离散二进制粒子群算法(HBPSO算法)和Voronoi图法相结合对步骤S3所建立的模型进行求解，实现充电站站址的最优规划和充电站服务范围的自动寻优。
在步骤S4中，混合离散二进制粒子群算法(HBPSO算法)采用xi表示第i个粒子的位置，每一个粒子代表步骤S3所建立的模型的一个可行解，即充电站的选址，即：
xi＝[xi1,xi2,xi3,…,xiN] (12)
式(12)中，N表示粒子维数，即表示充电站的数目；xix取值分别为0和1，分别表示第i个粒子是否选择第x个充电站；
用vi表示粒子速度，则vix表示粒子xix的速度；此时vix的更新公式为：
vix＝ωvix+c1rand(pix-xix)+c2rand(pgx-xix) (13)
式(13)中，ω为自身惯性权重；pix为粒子的历史最佳位置；Pgx为全局历史最佳位置；c1和c2均为学习因子，范围在0-4；
令vi通过sigmoid函数映射为xix取1的概率，并用S(vix)表示为：
Figure BDA0002456124270000081
Figure BDA0002456124270000082
t次迭代后粒子位置发生改变的概率p(t)为：
p(t)＝[1-S(vix(t-1))]S(vix(t))+S(vix(t-1))[1-S(vix(t-1))] (16)
假设t和t-1速度不变，调整式(16)为：
p(t)＝2[1-S(vix(t))]S(vix(t)) (17)
算法可以做到全局搜索能力很好，但也造成了随机性较强，在站址规划中容易造成结果的不收敛；HBPSO算法以BPSO算法为基础，进行相应改进获得式(18)-(20)：
Figure BDA0002456124270000083
vix≤0时，
Figure BDA0002456124270000084
vix＞0时，
Figure BDA0002456124270000085
若iter<γ·Max iter，则使用式(14)-(17)；否则采用式(18)-(20)；其中iter为当前迭代次数，γ为所取的参数，范围在0-1，Max iter为能够达到的最大迭代次数。改进后的HBPSO算法，改善了局部搜索能力。
下面以一个具体实施例来进一步阐述本发明的方案。
步骤1：首先利用上海市交通路网相关信息，分析电动出租车行驶及充电行为分析。一线城市的出租车日行驶里程大约在300-500km之间，分白班和夜班两班。以上海市正在运营的荣威Ei5电动出租车为例，其满电行驶里程约在260km-270km，一天必须两次充电才能满足出行要求。考虑效益，电动出租车充电时间可以设置在交班时间段。假设在2:00-6:00和14:00-18:00两个时间段完成交班，中间休息时间一般很短，所以可以仅考虑在两个时间段各完成一次快速充电。
步骤2：针对本文所提出的优化方法，为简便计算，更好突出此方法的理论利用价值，选取图3所示地区进行分析。图3中包含36节点交通路网以及33配电网节，以IEEE-33节点系统拓扑和负荷参数为标准。规划区域用共25个方格表示，每个方格表示一块地块。计划在此处建造4-10个充电站，该区域预计有500辆电动出租车正在运营。不失一般性，假设该区域内出租车均为荣威Ei5。利用所设计的模型及求解方法，对算例进行求解。
步骤3：首先考虑该区域共应设置的充电站站数。将Nmin和Nmax设置为4和10。在matlab环境下运行仿真，获得各充电站数量下的充电站社会年最小成本，并进行比较。获得成本曲线图如图4所示，表明在规划区域建设5座充电站时，全社会耗费成本最低。
步骤4：如图1规划流程所示，输入各交通节点配电网数据和交通流量数据以及规划充电站数目，建立规划区域的规划模型。利用HBPSO-Voronoi算法对模型求解，算法流程图如图2所示，实现充电站站址和服务范围的自动寻优。生成的站址分布Voronoi图如图5所示，图5中，A-E表示充电站站址，虚线表示各充电站服务范围。图6表示混合离散二进制粒子群算法的适应度收敛曲线，由图6可知，混合离散二进制粒子群算法做到了前期收敛速度快、搜索能力强，后期有助于避免结果不收敛，局部搜索强的要求。规划结果中，充电站分布均匀，服务范围明确。验证了本规划方法的有效性和可行性，对目前亟需的充电站建设规划具有实际性的指导意义。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内；本发明未涉及的技术均可通过现有技术加以实现。

Claims (8)

1.一种城市电动出租车充电站选址和服务范围划分的规划方法，其特征在于：包括以下步骤：
S1：分析电动出租车行驶和充电行为特性；
S2：生成基于充电桩数目的充电站建造年维护成本和基于排队理论的用户年充电成本；
S3：对充电站建造年维护成本和用户年充电成本进行加权，得到充电站全社会综合成本，并以电网安全运行为约束，构建电动出租车充电站站址规划模型；
S4：用混合离散二进制粒子群算法和Voronoi图法相结合对步骤S3所建立的模型进行求解，实现充电站站址的最优规划和充电站服务范围的自动寻优。
2.根据权利要求1所述的城市电动出租车充电站选址和服务范围划分的规划方法，其特征在于：所述步骤S1中的电动出租车行驶和充电行为特性包括电动出租车的出行时间和行驶里程的日平均值以及交班时间。
3.根据权利要求1所述的城市电动出租车充电站选址和服务范围划分的规划方法，其特征在于：所述步骤S2中的充电站建造年维护成本Fsh通过式(1)得到：
Figure FDA0002456124260000011
式(1)中：r为充电站运营年限；d为贴现率；Nby,k为变压器数目，a为变压器单价；Ncd,k为充电桩数目，b为充电桩单价；Cd,k为充电站k的基建成本；η为维护成本折算因子；p为当地电价；PLoss为配电系统网络年损耗；xi表示节点i是否接入充电站，1为接入、0为不接入；Psi、Qsi为i节点所建的充电站的有功、无功容量。
4.根据权利要求3所述的城市电动出租车充电站选址和服务范围划分的规划方法，其特征在于：所述步骤S2中的用户年充电成本Fyh通过式(2)得到：
Figure FDA0002456124260000012
式(2)中，C1为用户前往充电站的年成本，C2为用户等待充电的年成本。q为用户单位时间成本；ni为交通节点i需充电的出租车数量；ti,k为交通节点i去往充电站k所需要的时间；Wk为充电站k的平均等待时间；M为充电站集；Ak为应前往k充电站接受服务的交通节点集合。
5.根据权利要求1或4所述的城市电动出租车充电站选址和服务范围划分的规划方法，其特征在于：所述步骤S2中的排队理论所涉及到的用户的平均排队时长
Figure FDA0002456124260000013
和平均等待时间Wq G通过式(3)、(4)得到：
Figure FDA0002456124260000021
Figure FDA0002456124260000022
式(3)、(4)中，出租车排队充电符合排队理论的M/G/c模型；输入过程服从泊松分布，期望为λ；服务时间服从正态分布，其期望是μ、方差是VT；ρ＝λμ，ρ为排队系统的服务强度；c是充电桩数；式(3)、(4)成立的条件是：c＞λ。
6.根据权利要求4所述的城市电动出租车充电站选址和服务范围划分的规划方法，其特征在于：所述步骤S3中的充电站全社会综合成本Fv由式(5)表示：
Fv＝ν1Fsh+ν2Fyh (5)
式(5)中，ν1、ν2分别为充电站建造年维护成本和用户年充电成本的权重系数，ν1+ν2＝1。
7.根据权利要求1所述的城市电动出租车充电站选址和服务范围划分的规划方法，其特征在于：所述步骤S3中的电网安全运行约束条件由式(6)-式(11)表示：
S31：系统潮流平衡方程：
Figure FDA0002456124260000023
Figure FDA0002456124260000024
式(6)、(7)中，Pi、Qi分别为节点i的有功、无功功率；Ui、Uj为节点i、j电压幅值；Gij、Bij分别为支路i、j的电导与电纳；θij为节点i、j之间的电压相角差；
S32：变电站容量约束：
Sk≤Skmax (8)
式(8)中，Sk为充电站k所在的变电站负载；Skmax为该变电站可达到的最大负载；
S33：电动出租车最大充电功率约束：
Figure FDA0002456124260000025
式(9)中，PC,k为充电站k的充电功率；
Figure FDA0002456124260000031
是配电网能够接入的最大充电功率；
S34：节点电压幅值的上下限约束：
Figure FDA0002456124260000032
式(10)中，Ui为配电网节点i的电压幅值；
Figure FDA0002456124260000033
分别为此节点电压幅值的上下限，m为配电网的总节点数；
S35：馈线最大电流约束：
|Iij|≤Iij,max，i,j＝1,2,…,m (11)
式(11)中，Iij和Iij,max分别是配电网中馈线ij的电流与允许通过的最大电流。
8.根据权利要求1所述的城市电动出租车充电站选址和服务范围划分的规划方法，其特征在于：所述步骤S4中的混合离散二进制粒子群算法中，xi表示第i个粒子的位置，每一个粒子代表步骤S3所建立的模型的一个可行解，即充电站的选址，即：
xi＝[xi1,xi2,xi3,…,xiN] (12)
式(12)中，N表示粒子维数，可以表示充电站的数目；xix取值分别为0和1，分别表示第i个粒子是否选择第x个充电站；
用vi表示粒子速度，则vix表示粒子xix的速度；此时vix的更新公式为：
vix＝ωvix+c1rand(pix-xix)+c2rand(pgx-xix) (13)
式(13)中，ω为自身惯性权重；pix为粒子的历史最佳位置；Pgx为全局历史最佳位置；c1和c2均为学习因子，范围在0-4；
令vi通过sigmoid函数映射为xix取1的概率，并用S(vix)表示为：
Figure FDA0002456124260000034
Figure FDA0002456124260000035
t次迭代后粒子位置发生改变的概率p(t)为：
p(t)＝[1-S(vix(t-1))]S(vix(t))+S(vix(t-1))[1-S(vix(t-1))] (16)
假设t和t-1速度不变，调整式(16)为：
p(t)＝2[1-S(vix(t))]S(vix(t)) (17)
对式(14)-(15)进行改进，获得式(18)-(20)：
Figure FDA0002456124260000041
vix≤0时，
Figure FDA0002456124260000042
vix＞0时，
Figure FDA0002456124260000043
若iter<γ·Max iter，则使用式(14)-(17)；否则采用式(18)-(20)；其中iter为当前迭代次数，γ为所取的参数，范围在0-1，Max iter为能够达到的最大迭代次数。
CN202010306958.9A 2020-04-17 2020-04-17 城市电动出租车充电站选址和服务范围划分的规划方法 Pending CN111523930A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010306958.9A CN111523930A (zh) 2020-04-17 2020-04-17 城市电动出租车充电站选址和服务范围划分的规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010306958.9A CN111523930A (zh) 2020-04-17 2020-04-17 城市电动出租车充电站选址和服务范围划分的规划方法

Publications (1)

Publication Number Publication Date
CN111523930A true CN111523930A (zh) 2020-08-11

Family

ID=71903875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010306958.9A Pending CN111523930A (zh) 2020-04-17 2020-04-17 城市电动出租车充电站选址和服务范围划分的规划方法

Country Status (1)

Country Link
CN (1) CN111523930A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112097783A (zh) * 2020-08-14 2020-12-18 广东工业大学 基于深度强化学习的电动出租车充电导航路径规划方法
CN112115385A (zh) * 2020-08-25 2020-12-22 北京交通大学 一种考虑充电时间的单向共享汽车系统选址优化方法
CN113222241A (zh) * 2021-05-08 2021-08-06 天津大学 考虑充电服务引导与客户需求的出租车快充电站规划方法
CN116029329A (zh) * 2023-02-15 2023-04-28 武汉工程大学 一种焦虑里程值预测方法、装置、系统以及存储介质
CN117119469A (zh) * 2023-10-18 2023-11-24 国网江苏省电力有限公司信息通信分公司 基于改进粒子群算法的电力无线专网基站选址方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
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
CN106951978A (zh) * 2017-02-20 2017-07-14 国网天津市电力公司 一种基于改进K‑means算法的城市集中型充电站规划方法
CN107392350A (zh) * 2017-06-08 2017-11-24 国网宁夏电力公司电力科学研究院 含分布式能源及充电站的配电网扩展规划综合优化方法
CN109117486A (zh) * 2017-06-23 2019-01-01 南京理工大学 一种电动汽车充电站最优规划方法
CN109687432A (zh) * 2018-12-04 2019-04-26 国家电网有限公司 一种基于多阶段协同的配电终端选址定型方法和系统
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
CN109949085A (zh) * 2019-03-11 2019-06-28 西安交通大学 基于结构洞理论的城市道路网电动汽车充电站部署方法
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
CN110968837A (zh) * 2019-11-25 2020-04-07 南京邮电大学 电动汽车充电站选址定容的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
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
CN106951978A (zh) * 2017-02-20 2017-07-14 国网天津市电力公司 一种基于改进K‑means算法的城市集中型充电站规划方法
CN107392350A (zh) * 2017-06-08 2017-11-24 国网宁夏电力公司电力科学研究院 含分布式能源及充电站的配电网扩展规划综合优化方法
CN109117486A (zh) * 2017-06-23 2019-01-01 南京理工大学 一种电动汽车充电站最优规划方法
CN109687432A (zh) * 2018-12-04 2019-04-26 国家电网有限公司 一种基于多阶段协同的配电终端选址定型方法和系统
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
CN109949085A (zh) * 2019-03-11 2019-06-28 西安交通大学 基于结构洞理论的城市道路网电动汽车充电站部署方法
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
CN110968837A (zh) * 2019-11-25 2020-04-07 南京邮电大学 电动汽车充电站选址定容的方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112097783A (zh) * 2020-08-14 2020-12-18 广东工业大学 基于深度强化学习的电动出租车充电导航路径规划方法
CN112097783B (zh) * 2020-08-14 2022-05-20 广东工业大学 基于深度强化学习的电动出租车充电导航路径规划方法
CN112115385A (zh) * 2020-08-25 2020-12-22 北京交通大学 一种考虑充电时间的单向共享汽车系统选址优化方法
CN112115385B (zh) * 2020-08-25 2024-04-12 北京交通大学 一种考虑充电时间的单向共享汽车系统选址优化方法
CN113222241A (zh) * 2021-05-08 2021-08-06 天津大学 考虑充电服务引导与客户需求的出租车快充电站规划方法
CN113222241B (zh) * 2021-05-08 2022-04-01 天津大学 考虑充电服务引导与客户需求的出租车快充电站规划方法
CN116029329A (zh) * 2023-02-15 2023-04-28 武汉工程大学 一种焦虑里程值预测方法、装置、系统以及存储介质
CN117119469A (zh) * 2023-10-18 2023-11-24 国网江苏省电力有限公司信息通信分公司 基于改进粒子群算法的电力无线专网基站选址方法及装置
CN117119469B (zh) * 2023-10-18 2024-01-05 国网江苏省电力有限公司信息通信分公司 基于改进粒子群算法的电力无线专网基站选址方法及装置

Similar Documents

Publication Publication Date Title
Luo et al. Charging scheduling strategy for different electric vehicles with optimization for convenience of drivers, performance of transport system and distribution network
CN111523930A (zh) 城市电动出租车充电站选址和服务范围划分的规划方法
CN106951978B (zh) 一种基于改进K-means算法的城市集中型充电站规划方法
CN112467722B (zh) 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法
Liu et al. A planning strategy considering multiple factors for electric vehicle charging stations along German motorways
CN108573317B (zh) 一种换电站充放电策略优化控制的方法
CN109840635B (zh) 基于电压稳定性和充电服务质量的电动汽车充电站规划方法
CN114297809A (zh) 一种电动汽车充电站选址定容方法
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
CN105787600A (zh) 基于自适应量子遗传算法的电动出租车充电站规划方法
CN110705864B (zh) 一种充电站选址定容方法
CN107453381A (zh) 基于两阶段交叉控制的电动汽车集群功率调节方法及系统
Pal et al. Planning of EV charging station with distribution network expansion considering traffic congestion and uncertainties
Sheng et al. A potential security threat and its solution in coupled urban power-traffic networks with high penetration of electric vehicles
CN116029453A (zh) 一种电动汽车充电桩配置方法、记录媒体及系统
Yang et al. Recent advances of optimal sizing and location of charging stations: A critical overview
CN110059869B (zh) 一种基于交通流量的充电站与配电网协调规划方法
Zhou et al. Intelligent path planning strategy for electric vehicles combined with urban electrified transportation network and power grid
Soares et al. Electric vehicles local flexibility strategies for congestion relief on distribution networks
Yi et al. Two-stage optimal allocation of charging stations based on spatiotemporal complementarity and demand response: A framework based on MCS and DBPSO
CN109389310B (zh) 基于蒙特卡洛模拟的电动汽车充电设施成熟度评价方法
CN114936666A (zh) 基于车-站-平台系统的电动汽车充电导航方法及系统
He et al. Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation
Viswanath et al. Vehicle-to-Grid (V2G) Optimization for Grid Peak Demand Reduction and Decarbonization: A State-of-the-Art Review
CN116961057A (zh) 一种考虑电动汽车的多时段配电网故障恢复方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200811