CN111861527A - 一种电动汽车充电站的确定方法、装置及存储介质 - Google Patents
一种电动汽车充电站的确定方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111861527A CN111861527A CN201910364243.6A CN201910364243A CN111861527A CN 111861527 A CN111861527 A CN 111861527A CN 201910364243 A CN201910364243 A CN 201910364243A CN 111861527 A CN111861527 A CN 111861527A
- Authority
- CN
- China
- Prior art keywords
- distance
- charging
- determining
- charging demand
- clustering
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明实施例提供一种电动汽车充电站的确定方法、装置及存储介质。其中,方法包括:通过获取处于第一规划区域内的电动汽车的行驶数据;利用获取的行驶数据,结合蒙特卡洛方法,得到所述处于第一规划区域内的电动汽车可用电池容量能行驶的第一距离和对应的初始点与目的地之间的第二距离;根据第一距离和第二距离之间的整数倍关系,确定所述第一规划区域内的充电需求点的数量;并根据第一距离、第二距离及电动汽车的行驶位置确定所述第一规划区域内的充电需求点的位置;利用确定的充电需求点的数量和位置,结合聚类方法,确定待建设的充电站的数量及位置。本发明实施例能够为待规划区域提供合理的电动汽车充电站的建设数量和位置。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种电动汽车充电站的确定方法、装置及存储介质。
背景技术
随着电力技术的不断发展,电动汽车必将代替燃油汽车,这也是全球汽车发展的一个重要的趋势,对于全球的节能减排也有着举足轻重的地位。电动汽车不仅可以提高能源利用率,减少环境污染和温室气体的排放,还可以通过与间歇性可再生资源发电的协同作用来提高电力系统运行的安全性与经济性。
然而可再生资源的高效利用依赖于电动汽车充电站的合理选址,相关技术中不合理的充电站选址会导致某些充电站充电过度拥挤,而某些充电站覆盖到的充电车辆较少的问题。
发明内容
有鉴于此,本发明实施例提供一种电动汽车充电站的确定方法、装置及存储介质,能够为待规划区域提供合理的电动汽车充电站的建设数量和位置。
本发明实施例提供一种电动汽车充电站的确定方法,所述方法包括:
获取处于第一规划区域内的电动汽车的行驶数据;
利用获取的行驶数据,结合蒙特卡洛方法,得到所述处于第一规划区域内的电动汽车可用电池容量能行驶的第一距离和对应的初始点与目的地之间的第二距离;
根据第一距离和第二距离之间的整数倍关系,确定所述第一规划区域内的充电需求点的数量;并根据第一距离、第二距离及电动汽车的行驶位置确定所述第一规划区域内的充电需求点的位置;
利用确定的充电需求点的数量和位置,结合聚类方法,确定待建设的充电站的数量及位置。
上述方案中,所述根据第一距离和第二距离之间的整数倍关系,确定所述第一规划区域内的充电需求点的数量,包括:
对第一距离与第二距离求商,得到求商结果;
截取所述求商结果中的整数部分的数值;
将所述整数部分的数值作为所述第一规划区域内的充电需求点的数量。
上述方案中,所述利用确定的充电需求点的数量和位置,结合聚类方法,确定待建设的充电站的数量及位置,包括:
利用确定的充电需求点的数量和位置,结合K均值K-means聚类方法,确定待建设的充电站的数量及位置。
上述方案中,所述利用确定的充电需求点的数量和位置,结合K-means聚类方法,确定待建设的充电站的数量及位置,包括:
步骤A,对变量进行初始化;其中,所述变量包括:充电需求点位置,充电需求点的数量,迭代次数;
步骤B,利用初始化的变量,确定充电站的建设数量K;
步骤C,在所述充电需求点中随机设定K个点作为初始确定的聚类中心;
步骤D,计算各充电需求点到确定的各聚类中心的距离,重新划分聚类族;
步骤E,对聚类目标函数进行计算,当聚类目标函数值小于第一预设阈值或所聚类目标函数值相对于上次聚类目标函数值的变化量小于第二预设阈值则算法结束,否则重新确定聚类中心,并转到步骤D。
上述方案中,获取地图信息;
利用地图信息的位置坐标信息确定满足预设条件的区域;将满足预设条件的区域作为所述第一规划区域;所述第一规划区域上未建设充电站。
本发明实施例还提供了一种电动汽车充电站的规划装置,包括:
获取单元,用于获取处于第一规划区域内的电动汽车的行驶数据;
第一确定单元,用于利用获取的行驶数据,结合蒙特卡洛方法,得到所述处于第一规划区域内的电动汽车可用电池容量能行驶的第一距离和对应的初始点与目的地之间的第二距离;
第二确定单元,根据第一距离和第二距离之间的整数倍关系,确定所述第一规划区域内的充电需求点的数量;并根据第一距离、第二距离及电动汽车的行驶位置确定所述第一规划区域内的充电需求点的位置;
第三确定单元,用于利用确定的充电需求点的数量和位置,结合聚类方法,确定待建设的充电站的数量及位置。
上述装置中,所述第二确定单元具体用于,
对第一距离与第二距离求商,得到求商结果;
截取所述求商结果中的整数部分的数值;
将所述整数部分的数值作为所述第一规划区域内的充电需求点的数量。
上述装置中,所述第三确定单元具体用于利用确定的充电需求点的数量和位置,结合K-means聚类方法,确定充电站的建设数量及位置。
本发明实施例又提供了一种电动汽车充电站的规划装置,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器;
其中,所述处理器配置为运行所述计算机程序时,执行权利要求1至5任一项所述方法的步骤。
本发明实施例还提供了一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
本发明实施例所提供的电动汽车充电站的确定方法、装置及存储介质。其中,方法包括:通过获取处于第一规划区域内的电动汽车的行驶数据;利用获取的行驶数据,结合蒙特卡洛方法,得到所述处于第一规划区域内的电动汽车可用电池容量能行驶的第一距离和对应的初始点与目的地之间的第二距离;根据第一距离和第二距离之间的整数倍关系,确定所述第一规划区域内的充电需求点的数量;并根据第一距离、第二距离及电动汽车的行驶位置确定所述第一规划区域内的充电需求点的位置;利用确定的充电需求点的数量和位置,结合聚类方法,确定待建设的充电站的数量及位置。本发明实施例以待规划区域的实际行驶数据为依据,因此得到的充电需求真实、可靠,再将所有的充电需求点进行聚类处理,通过聚类方法实现对充电站覆盖充电需求点的均衡调控,如此能够为待规划区域提供合理地电动汽车充电站的建设数量和位置,从而在一定程度上缓解了某些充电站充电过度拥挤,而某些充电站覆盖到的充电车辆较少的问题。
附图说明
图1为本发明实施例电动汽车充电站的确定方法的流程示意图;
图2为本发明实施例获取第一规划区域充电站需求点的方法流程示意图;
图3为本发明实施例K-means算法流程示意图;
图4为本发明实施例聚类结果示意图;
图5为本发明实施例电动汽车充电站的确定装置的结构示意图;
图6为本发明实施例电动汽车充电站的确定装置的硬件结构示意图。
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,对发明的具体技术方案做进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如前所述,电动汽车的充电站的正确规划非常重要,相关技术中,有以下几种规划方式:
第一种,考虑到电动汽车充电站的城市交通公共服务属性以及其接入到电网中对于配电网的影响,以电动汽车充电逻辑为约束,实现了一种基于容量等级的多级充电选址定容方案。
第二种,考虑到充电站建设成本、运输能耗和用户用电需求的基础,规划制定符合城区建设要求的选址模型,以计算换电站内最佳设施数目,将换电站预计中型充电站(变电站)作为整体研究对象,构建以运营成本和运输成本最小化为目标的最优模型,最后利用该模型实现电动汽车换电站的选址规划。
第三种,考虑到电动汽车充电需求点具体位置,比传统的电动汽车充电站的位置更能满足电动汽车的实际充电需求,采集日常高速公路上电动汽车行驶数据来获得电动汽车的充电需求点,计算电动汽车到达预定电量时能够行驶的距离作为充电站的服务半径,先将服务区建立充电站,排除已建充电站服务半径内充电需求点,之后再利用共享型最邻近算法确定充电站的位置。
从上面的描述可以看出,相关技术中,虽然考虑到电网投资运行的经济性,但是没有考虑到电动汽车自身的充电需求,可能会造成有些电动汽车充电站需要等待充电的电动汽车过多造成严重的排队现象,另外有些充电站可能会造成前来充电的电动汽车过少的现象。虽然从电动汽车用户角度来考虑运输能耗问题,然后从现有的充电站候选点中选址最优的候选点成为需要建设的充电站,但是没有结合实际运输线路上去考虑电动汽车需要充电的具体位置(即充电需求点)来规划充电站。
总而言之,相关技术中,大多将充电站建设在服务区内,没有充分考虑到电动汽车布局情况,也还没有完整的、系统的针对充电站建设的具体位置进行研究。相关技术中的电动汽车充电站选址的方案,大多是通过电动汽车续航里程和交通网络来粗略的估算充电站需要建立的位置,有的方案先在规划区域的所有加油站内建设充电站,仅是将去除掉已有充电站所覆盖的充电需求点外的充电需求点的位置作为待建立充电站的位置。这些方案中获得的充电需求点不够贴合实际,并且加入加油站、服务区等一系列其他位置因子的考虑,由此确定的待建立建设充电站会存在某些充电站充电过度拥挤,而某些充电站覆盖到的充电车辆较少的问题。
基于此,本发明的各种实施例在规划区域内,根据所规划区域内电动汽车数据包括电动汽车电量以及需要达到的地点,利用蒙特卡洛方法得到所在规划区内的充电需求点的数量和位置,利用聚类算法对所在规划区内的充电需求点进行聚类,最后得到待建设的电动汽车充电站的数量和位置。
本发明实施例提供一种电动汽车充电站的确定方法,如图1所示,包括以下步骤:
S101:获取处于第一规划区域内的电动汽车的行驶数据;
S102:利用获取的行驶数据,结合蒙特卡洛方法,得到所述处于第一规划区域内的电动汽车可用电池容量能行驶的第一距离和对应的初始点与目的地之间的第二距离;
S103:根据第一距离和第二距离之间的整数倍关系,确定所述第一规划区域内的充电需求点的数量;并根据第一距离、第二距离及电动汽车的行驶位置确定所述第一规划区域内的充电需求点的位置;
S104:利用确定的充电需求点的数量和位置,结合聚类方法,确定待建设的充电站的数量及位置。
在步骤S101中,所述第一规划区域可以未建设充电站。
这里,实际应用时,所述第一规划区域的获取方式为:获取地图信息;利用地图信息的位置坐标信息确定满足预设条件的区域;将满足预设条件的区域作为所述第一规划区域。举个例子来说,可以根据某充电站的位置信息,确定出一个未设置充电站的区域,然后基于确定的区域确定一个中心,确定将该中心预设半径(例如,400km等)内的区域作为第一规划区域。
所述电动汽车的行驶数据包括电动汽车数据和交通数据;其中,
实际应用时,所述电动汽车数据可以包括电动汽车类型、每类电动汽车类型的电池容量的概率密度函数、每类电动汽车类型的电池容量的上下边界、每类电动汽车类型的电池容量与其续航里程的数学关系。实际应用时,可根据欧盟电动汽车数据库统计分析将电动汽车分为四类:载重在400kg到550kg之间的四轮货车(L7e),8座位的四轮客车(M1),载重最大为3500kg货车(N1),载重在3500-12000kg的货车(N2)。这里需要采集处于第一规划区域内所有电动汽车的类型统计数据,如在第一规划区域内车型(L7e,M1,N1,N2)的比例分别是:10%,84%,3%,3%,然后按照该比例随机产生某一待分析电动汽车的车型。
所述交通数据可以包括第一规划区域内电动汽车出入高速公路数据和高速公路基本信息。其中,第一规划区域内电动汽车出入高速公路数据包括每天进入高速公路的电动汽车的平均数量,每天从高速出入口i进入高速公路的电动汽车的平均数量等;所述高速公路基本信息包括出入口个数,出入口编号,出入口坐标,出入口之间的距离等。
实际应用时,可以对处于第一规划区域内的电动汽车进行编号以便于区分每辆不同的电动汽车。
实际应用时,处于第一规划区域内的电动汽车的行驶数据可以通过交通部门的相关数据库来获取。
在步骤S102中,利用以下方式计算电动汽车可用电池容量能行驶的第一距离:
如图2所示,根据第i辆电动汽车的编号确定其出发点,利用蒙特卡洛方法确定第i辆电动汽车的电动汽车类型根据确定的电动汽车类型和该类电动汽车类型的电池容量的概率密度函数;
根据上述确定的第i辆电动汽车的电动汽车类型、电池容量Cap和对应的该类电动汽车类型的电池容量与其续航里程的数学关系,利用蒙特卡洛方法确定第i辆电动汽车的最大行驶范围Ranmc;再根据SOCi、SOCc、Ranmc,可以由公式(1)确定第i辆电动汽车的可用电池容量能行驶的第一距离,这里用Ranmc来表示第一距离。
Ranac=η×(SOCi-SOCc)×Ranmc (1)
其中,η是能量效率系数,表示引入这个系数考虑到由加速和减速过程引起的电动汽车的能量损失。Ranmc表示电动汽车行驶到的最大范围,电动汽车出厂时提供的不同电量可以行驶不同的路程。
实际应用时,利用蒙特卡洛方法确定第i辆电动汽车的电池容量Cap;并设置进入高速公路时的初始电池状态SOCi以及需要充电时的电池状态SOCc,根据相关经验,仿真算例中,SOCi取0.8~0.9,SOCc取0.15~0.3。
利用以下方式计算电动汽车初始点与目的地之间的第二距离:
如图2所示,通过上述获得的交通数据,得到第一规划区域内高速公路出入口交通起止点矩阵Am×m,使用Am×m矩阵来分析电动汽车的行驶过程,其中m为第一规划区域上所有的收费站的个数(即入口或者出口个数)。矩阵Am×m中的元素aij(1≤i≤m,1≤j≤m)表示从初始点i到目的地j之间的电动汽车的数量。可以由公式(2)、(3)、(4)确定第i辆电动汽车初始点与目的地之间的第二距离,这里用Dod来表示第二距离。
其中,m表示高速公路出入口数量,aij表示每天从高速出入口i到高速出入口j汽车的平均数量,Pm×m中的元素Pij表示电动汽车从初始地i到目的地j的概率,Bi表示从i进入第一规划区域的电动汽车数量,Bt表示在第一规划区域上所有电动汽车的数量。
实际应用时,对第一规划区域的所有电动汽车,均按照上述方式,确定相应的所述第一规划区域内的电动汽车可用电池容量能行驶的第一距离和电动汽车初始点与目的地之间的第二距离。
在步骤S103中,利用以下方式确定所述第一规划区域内的充电需求点的数量:
如图2所示,电动车行驶过程中是否需要充电取决于第一距离和第二距离之间的关系。当第一距离大于第二距离时,电动汽车可以完成电动汽车的行程而无需充电。当第一距离小于第二距离时,电动汽车需要至少一个充电过程才可以到达电动汽车行程的目的地。这里,当第一距离小于第二距离时,对第二距离与第一距离求商,得到求商结果;截取所述求商结果中的整数部分的数值;确定所述整数部分的数值为所述第一规划区域内的充电需求点的数量。第i辆电动汽车充电需求点数量可由公式(5)确定。
其中,num表示第i辆电动汽车充电需求点数量,Ranac表示第i辆电动汽车可用电池容量能行驶的第一距离,Dod表示第i辆电动汽车初始点与目的地之间的第二距离,fix()表示一种取整函数、截断函数,取整规则是向最靠近零取整。
实际应用时,对第一规划区域的所有电动汽车,均按照上述方式,确定相应的所述第一规划区域内的充电需求点的数量。
利用以下方式,确定所述第一规划区域内的充电需求点的位置:
如图2所示,当第一距离小于第二距离时,根据第一距离、第二距离及电动汽车的行驶位置可以确定所述第一规划区域内的充电需求点的位置。这里的行驶位置可以用第i辆电动汽车的具体行驶的坐标来表征。第i辆电动汽车可用电池容量能行驶的距离Ranac的整数倍(这里的整数倍指1,2,…,num(num表示第i辆电动汽车充电需求点数量))的行驶位置即为第i辆电动汽车充电需求点的位置。
实际应用时,对第一规划区域的所有电动汽车,均按照上述方式,确定相应的所述第一规划区域内的充电需求点的位置(对应图2中,从i=1开始,并且当i≤Bi时,循环执行对第i辆电动汽车计算充电需求点位置的相应流程,直到>Bi时,完成了对第一规划区域的所有电动汽车的充电需求点的计算,此时结束流程)。
需要说明的是,由于电动汽车充电需求点的位置可能存在相同的情况,当采用位置坐标表等方式来表达第一规划区域内的充电需求点时,需要对充电需求点的位置相同的点进行相应的数量标注。
由于获得的第一规划区域内的充电需求点数据是一些相对于离散的数据,在步骤S104中,利用确定的充电需求点的数量和位置,结合聚类方法,确定充电站的建设数量及位置。
这里,聚类方法包括K-means聚类算法。如图3所示,所述利用确定的充电需求点的数量和位置,结合K-means聚类算法,确定充电站的建设数量及位置的具体步骤如下:
步骤a,对变量进行初始化;其中,所述变量包括:充电需求点位置,充电需求点的数量,迭代次数;
这里由于K-means聚类算法是一个不断计算和优化的过程,因此会存在多次迭代的情况。一般迭代次数越多,计算结果越准确,但过多的迭代次数会带来繁重计算负担,因此这里需要根据经验值确定一个迭代次数。
步骤b,利用初始化的变量,确定充电站的建设数量K;
步骤c,在所述充电需求点中随机设定K个点作为初始确定的聚类中心;
步骤d,计算各充电需求点到确定的各聚类中心的距离,重新划分聚类族;
步骤e,对聚类目标函数进行计算,当聚类目标函数值小于第一预设阈值或所聚类目标函数值相对于上次聚类目标函数值的变化量小于第二预设某个阈值则算法结束,否则重新确定聚类中心,并转到步骤D。
这里,K即为待建设的充电站的建设位置,算法结束时的各聚类中心即为待建设的充电站的位置。
具体实施时,所述利用确定的充电需求点的数量和位置,结合K-means聚类算法,确定充电站的建设数量及位置的具体实现方式为:利用K-means聚类算法把m个充电需求点位置信息分为K个簇,并求每个簇的聚类中心,使得聚类目标函数达到最小值。具体步骤如下:
步骤a,根据已获得的第一规划区域内的充电需求点,令充电需求点集中的充电需求点个数为m,令迭代次数为R,确定充电站的建设数量K;
步骤b,将第一规划区域内的充电需求点随机分成K个簇,随机选取K个充电需求点分别作为所述K个簇的聚类中心,第r次迭代的第f个簇的中心为Mf(r),其中f=1,2,…,K;r=1,2,…,R;
步骤c,计算每个充电需求点Ne(e=1,2,…,m)与每个聚类中心Mf(r)的最小距离D(Ne,Mf(r)),如果充电需求点Ne到簇Zf的距离最小,则充电需求点属于簇Zf;
这里,可以通过公式(6)来完成充电需求点对于簇的重新划分。
D(Ne,Mf(r))=min{D(N1,Mf(r)),D(N2,Mf(r)),...,D(Nm,Mf(r))},则Ne∈Mf(r)(6)
步骤d,根据公式(6)得到聚类目标函数的值,如果聚类目标函数值小于某个确定的阈值或它相对于上次聚类目标函数值的变化量小于某个阈值,则算法停止;否则根据公式(10)重新计算聚类中心,并转到步骤c,执行步骤c及之后的步骤。
其中,Z(c1,...,ck)表示聚类目标函数,xi表示簇Zf中第i个充电需求点的位置信息,cj表示第j个聚类中心的位置信息,表示xi到所在cj距离的平方,uij表示第i个充电需求点是否到达第j个聚类中心充电的标志,SUMj表示第j个簇内的充电需求点总数量。
这里,K即为待建设的充电站的建设位置,算法结束时的各聚类中心即为待建设的充电站的建设位置。实际应用时,可以使用Matlab进行编程和仿真,经过多次迭代计算出使得聚类目标函数收敛或者达到迭代次数以获得第一规划区域内的充电站的建设数量及位置。如图4为实际应用时得到某规划区域待建设充电站的聚类结果。
本发明实施例提供一种电动汽车充电站的确定方法,通过本发明实施例所提供的电动汽车充电站的确定方法、装置及存储介质。其中,方法包括:通过获取处于第一规划区域内的电动汽车的行驶数据;利用获取的行驶数据,结合蒙特卡洛方法,得到所述处于第一规划区域内的电动汽车可用电池容量能行驶的第一距离Ranmc和对应的初始点与目的地之间的第二距离Dod;根据第一距离Ranmc和第二距离Dod之间的整数倍关系,确定所述第一规划区域内的充电需求点的数量;并根据第一距离Ranmc、第二距离Dod及电动汽车的行驶位置确定所述第一规划区域内的充电需求点的位置;利用确定的充电需求点的数量和位置,结合聚类方法,确定待建设的充电站的数量及位置。本发明实施例以待规划区域的实际行驶数据为依据,因此得到的充电需求真实、可靠,再将所有的充电需求点进行聚类处理,通过聚类方法实现对充电站覆盖充电需求点的均衡调控,如此能够为待规划区域提供合理地电动汽车充电站的建设数量和位置,从而在一定程度上缓解了某些充电站充电过度拥挤,而某些充电站覆盖到的充电车辆较少的问题。
为了实现本发明实施例的方法,本发明实施例还提供一种电动汽车充电站的确定装置,图5为本发明实施例装置的组成结构示意图,如图5所示,所述装置500包括:
获取单元501,用于获取处于第一规划区域内的电动汽车的行驶数据;
第一确定单元502,用于利用获取的行驶数据,结合蒙特卡洛方法,得到所述处于第一规划区域内的电动汽车可用电池容量能行驶的第一距离和对应的初始点与目的地之间的第二距离;
第二确定单元503,用于根据第一距离和第二距离之间的整数倍关系,确定所述第一规划区域内的充电需求点的数量;并根据第一距离、第二距离及电动汽车的行驶位置确定所述第一规划区域内的充电需求点的位置;
第三确定单元504,用于利用确定的充电需求点的数量和位置,结合聚类方法,确定待建设的充电站的数量及位置。
在一实施例中,所述第二确定单元503具体用于,
对第一距离与第二距离求商,得到求商结果;
截取所述求商结果中的整数部分的数值;
将所述整数部分的数值作为所述第一规划区域内的充电需求点的数量。
在一实施例中,所述第三确定单元504具体用于,利用确定的充电需求点的数量和位置,结合K-means聚类方法,确定待建设的充电站的数量及位置。
在一实施例中,所述第三确定单元504具体用于,
步骤A,对变量进行初始化;其中,所述变量包括:充电需求点位置,充电需求点的数量,迭代次数;
步骤B,利用初始化的变量,确定充电站的建设数量K;
步骤C,在所述充电需求点中随机设定K个点作为初始确定的聚类中心;
步骤D,计算各充电需求点到确定的各聚类中心的距离,重新划分聚类族;
步骤E,对聚类目标函数进行计算,当聚类目标函数值小于第一预设阈值或所聚类目标函数值相对于上次聚类目标函数值的变化量小于第二预设阈值则算法结束,否则重新确定聚类中心,并转到步骤D。
在一实施例中,所述装置还包括第四确定单元,用于,
获取地图信息;
利用地图信息的位置坐标信息确定满足预设条件的区域;将满足预设条件的区域作为所述第一规划区域;所述第一规划区域上未建设充电站。
实际应用时,获取单元501、第一确定单元502、第二确定单元503、第三确定单元504以及第四确定单元可由电动汽车充电站的确定装置中的处理器实现。
需要说明的是:上述实施例提供的电动汽车充电站的确定装置在进行电动汽车充电站在所规划区域内的建设数量和位置的确定时,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述处理分配由不同的程序模块完成,即将装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分处理。另外,上述实施例提供的电动汽车充电站的确定装置与电动汽车充电站的确定方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
基于上述程序模块的硬件实现,且为了实现本发明实施例的方法,本发明实施例提供一种电动汽车充电站的确定装置,如图6所示,所述装置600包括:处理器601和用于为存储能够在处理器上运行的计算机程序的存储器602,其中:
所述处理器601用于为执行上述一个或多个技术方案提供的方法。
实际应用时,如图6所示,所述装置600中的各个组件通过总线系统603耦合在一起。可理解,总线系统603用于实现这些组件之间的连接通信。总线系统603除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图6中将各种总线都标为总线系统603。
在示例性实施例中,本发明实施例还提供了一种存储介质,具体是计算机可读存储介质,例如包括计算机程序的存储器602,上述计算机程序可由电动汽车充电站的确定装置600的处理器601执行,以完成前述方法所述步骤。计算机可读存储介质可以是磁性随机存取存储器(FRAM,ferromagnetic random access memory)、只读存储器(ROM,Read OnlyMemory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM,Electrically Erasable Programmable Read-Only Memory)、快闪存储器(FlashMemory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory)等存储器。
为了更好地说明本发明实施例的方案能够同时在一定程度上缓解了某些充电站充电过度拥挤,而某些充电站覆盖到的充电车辆较少的问题,进行了相应的仿真实验。
实验条件是:在本发明的应用情景(情景一)的基础上,构造一个对比情景(情景一)。
情景一:在所规划区域内新建充电站(所规划区域内未建设充电站),首先根据相应的电动汽车数据计算所有的充电需求点位置,利用K-means算法将重新获得的充电需求点进行聚类,获得所规划区域充电站建设数量和位置。
情景二:首先在规划区域的所有加油站内建设充电站,之后利用本发明所描述的方法,即在已建的充电设施基础上增加充电站,首先根据已有充电需求点,然后获得未被已建的充电站覆盖的充电需求点,利用K-means算法将重新获得的充电需求点进行聚类,获得所规划区域充电站建设数量和位置。
在本发明K-means算法的基础上,进一步得到每个建设的充电站覆盖的充电需求点数和平均每个充电站排队情况,情景一的实验结果如表1所示,情景二的实验结果如表2所示。
表1
表2
由表1和表2的实验结果可以看出,在情景一与情景二建设充电站数量相同的情况下,代表本发明应用的情景一建设的电动汽车充电站的等待充电的总排队情况有所减少,且覆盖的总充电需求点数更多。因此,本发明实施例的方案能够同时在一定程度上缓解了某些充电站充电过度拥挤,而某些充电站覆盖到的充电车辆较少的问题。
需要说明的是:需要说明的是:“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
另外,本发明实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种电动汽车充电站的确定方法,其特征在于,所述方法包括:
获取处于第一规划区域内的电动汽车的行驶数据;
利用获取的行驶数据,结合蒙特卡洛方法,得到所述处于第一规划区域内的电动汽车可用电池容量能行驶的第一距离和对应的初始点与目的地之间的第二距离;
根据第一距离和第二距离之间的整数倍关系,确定所述第一规划区域内的充电需求点的数量;并根据第一距离、第二距离及电动汽车的行驶位置确定所述第一规划区域内的充电需求点的位置;
利用确定的充电需求点的数量和位置,结合聚类方法,确定待建设的充电站的数量及位置。
2.根据权利要求1所述的方法,其特征在于,所述根据第一距离和第二距离之间的整数倍关系,确定所述第一规划区域内的充电需求点的数量,包括:
对第一距离与第二距离求商,得到求商结果;
截取所述求商结果中的整数部分的数值;
将所述整数部分的数值作为所述第一规划区域内的充电需求点的数量。
3.根据权利要求1所述的方法,其特征在于,所述利用确定的充电需求点的数量和位置,结合聚类方法,确定待建设的充电站的数量及位置,包括:
利用确定的充电需求点的数量和位置,结合K均值K-means聚类方法,确定待建设的充电站的数量及位置。
4.根据权利要求3所述的方法,其特征在于,所述利用确定的充电需求点的数量和位置,结合K-means聚类方法,确定待建设的充电站的数量及位置,包括:
步骤A,对变量进行初始化;其中,所述变量包括:充电需求点位置,充电需求点的数量,迭代次数;
步骤B,利用初始化的变量,确定充电站的建设数量K;
步骤C,在所述充电需求点中随机设定K个点作为初始确定的聚类中心;
步骤D,计算各充电需求点到确定的各聚类中心的距离,重新划分聚类族;
步骤E,对聚类目标函数进行计算,当聚类目标函数值小于第一预设阈值或所聚类目标函数值相对于上次聚类目标函数值的变化量小于第二预设阈值则算法结束,否则重新确定聚类中心,并转到步骤D。
5.根据权利要求1所述的方法,其特征在于,
获取地图信息;
利用地图信息的位置坐标信息确定满足预设条件的区域;将满足预设条件的区域作为所述第一规划区域;所述第一规划区域上未建设充电站。
6.一种电动汽车充电站的规划装置,其特征在于,所述装置包括:
获取单元,用于获取处于第一规划区域内的电动汽车的行驶数据;
第一确定单元,用于利用获取的行驶数据,结合蒙特卡洛方法,得到所述处于第一规划区域内的电动汽车可用电池容量能行驶的第一距离和对应的初始点与目的地之间的第二距离;
第二确定单元,根据第一距离和第二距离之间的整数倍关系,确定所述第一规划区域内的充电需求点的数量;并根据第一距离、第二距离及电动汽车的行驶位置确定所述第一规划区域内的充电需求点的位置;
第三确定单元,用于利用确定的充电需求点的数量和位置,结合聚类方法,确定待建设的充电站的数量及位置。
7.根据权利要求6所述的装置,其特征在于,所述第二确定单元具体用于,
对第一距离与第二距离求商,得到求商结果;
截取所述求商结果中的整数部分的数值;
将所述整数部分的数值作为所述第一规划区域内的充电需求点的数量。
8.根据权利要求6所述的装置,其特征在于,所述第三确定单元具体用于,利用确定的充电需求点的数量和位置,结合K-means聚类方法,确定充电站的建设数量及位置。
9.一种电动汽车充电站的确定装置,其特征在于,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器;
其中,所述处理器用于运行所述计算机程序时,执行权利要求1至5任一项所述方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364243.6A CN111861527A (zh) | 2019-04-30 | 2019-04-30 | 一种电动汽车充电站的确定方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364243.6A CN111861527A (zh) | 2019-04-30 | 2019-04-30 | 一种电动汽车充电站的确定方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861527A true CN111861527A (zh) | 2020-10-30 |
Family
ID=72965280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910364243.6A Pending CN111861527A (zh) | 2019-04-30 | 2019-04-30 | 一种电动汽车充电站的确定方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861527A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673883A (zh) * | 2021-08-24 | 2021-11-19 | 广东电网有限责任公司 | 基于可视化电网地图的充电桩选址方法 |
CN113704639A (zh) * | 2021-07-20 | 2021-11-26 | 一汽解放汽车有限公司 | 劣质加油站位置判断方法、装置、计算机设备及存储介质 |
CN114611017A (zh) * | 2022-03-03 | 2022-06-10 | 飞循智航(成都)科技有限公司 | 一种无人机蜂巢交互方法、系统、智能终端及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871184A (zh) * | 2017-11-16 | 2018-04-03 | 南京邮电大学 | 一种面向区域充电设施的电动汽车充电站的选址方法 |
-
2019
- 2019-04-30 CN CN201910364243.6A patent/CN111861527A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871184A (zh) * | 2017-11-16 | 2018-04-03 | 南京邮电大学 | 一种面向区域充电设施的电动汽车充电站的选址方法 |
Non-Patent Citations (1)
Title |
---|
曹彬: "基于区域充电设施的充电服务优化策略的研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113704639A (zh) * | 2021-07-20 | 2021-11-26 | 一汽解放汽车有限公司 | 劣质加油站位置判断方法、装置、计算机设备及存储介质 |
CN113704639B (zh) * | 2021-07-20 | 2023-07-14 | 一汽解放汽车有限公司 | 劣质加油站位置判断方法、装置、计算机设备及存储介质 |
CN113673883A (zh) * | 2021-08-24 | 2021-11-19 | 广东电网有限责任公司 | 基于可视化电网地图的充电桩选址方法 |
CN114611017A (zh) * | 2022-03-03 | 2022-06-10 | 飞循智航(成都)科技有限公司 | 一种无人机蜂巢交互方法、系统、智能终端及存储介质 |
CN114611017B (zh) * | 2022-03-03 | 2023-01-13 | 飞循智航(成都)科技有限公司 | 一种无人机蜂巢交互方法、系统、智能终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Electric vehicle routing problem: A systematic review and a new comprehensive model with nonlinear energy recharging and consumption | |
CN105160428B (zh) | 高速公路电动汽车快速充电站的规划方法 | |
Bibak et al. | A comprehensive analysis of Vehicle to Grid (V2G) systems and scholarly literature on the application of such systems | |
Vosooghi et al. | Shared autonomous electric vehicle service performance: Assessing the impact of charging infrastructure | |
Miao et al. | Autonomous connected electric vehicle (ACEV)-based car-sharing system modeling and optimal planning: A unified two-stage multi-objective optimization methodology | |
Ghamami et al. | Planning charging infrastructure for plug-in electric vehicles in city centers | |
Ip et al. | Optimization for allocating BEV recharging stations in urban areas by using hierarchical clustering | |
CN110288212B (zh) | 基于改进的mopso的电动出租车新建充电站选址方法 | |
CN111861527A (zh) | 一种电动汽车充电站的确定方法、装置及存储介质 | |
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 | |
Hsu et al. | The depot and charging facility location problem for electrifying urban bus services | |
CN113486262B (zh) | 一种电动汽车充电站选址方法、系统和可读存储介质 | |
CN114169609A (zh) | 一种考虑光伏耦合的电动汽车充电站规划方法 | |
Tulpule et al. | A statistical approach to assess the impact of road events on PHEV performance using real world data | |
Bischoff et al. | Current and future dynamic passenger transport services—Modeling, simulation, and optimization in a sustainable transport system | |
Cao et al. | An autonomous electric vehicle based charging system: Matching and charging strategy | |
CN112613682A (zh) | 一种电动汽车充电负荷预测方法 | |
Sadhukhan et al. | Optimal placement of electric vehicle charging stations in a distribution network | |
CN112736941A (zh) | 一种基于移动储能电动汽车的可调度容量预测方法及装置 | |
CN112070334A (zh) | 基于多智能理论的充换电站协调规划的方法及系统 | |
CN111881548B (zh) | 一种智能交通的计算机仿真方法 | |
Lu et al. | Data analytics for optimizing extreme fast charging: a survey | |
Alhazmi | Planning model for implementing electric vehicle charging infrastructure in distribution system | |
CN111429166A (zh) | 基于最大轮廓聚类的电动汽车充电需求空间分布预测方法 | |
Csonka | Optimization of Static and Dynamic Charging Infrastructure for Electric Buses. Energies 2021, 14, 3516 |
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 |
Application publication date: 20201030 |
|
WD01 | Invention patent application deemed withdrawn after publication |