CN112070334A - 基于多智能理论的充换电站协调规划的方法及系统 - Google Patents
基于多智能理论的充换电站协调规划的方法及系统 Download PDFInfo
- Publication number
- CN112070334A CN112070334A CN202010439995.7A CN202010439995A CN112070334A CN 112070334 A CN112070334 A CN 112070334A CN 202010439995 A CN202010439995 A CN 202010439995A CN 112070334 A CN112070334 A CN 112070334A
- Authority
- CN
- China
- Prior art keywords
- station
- battery
- charging
- agent
- battery replacement
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000006399 behavior Effects 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 14
- 230000005611 electricity Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 230000002354 daily effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于多智能理论的充换电站协调规划的方法及系统,其中所述方法包括:通过分析地区总体充电需求确定大型集中充电站Agent的数量和换电站Agent的数量;将所述地区总体分割成一系列土地空间网格单元,并分析各区域换电需求;通过计算得到征地费用和电池运输成本;通过计算得到电动车行驶到所述换电站所消耗的能源费用;将所述换电站的服务半径对所述换电站Agent进行约束;根据所述大型集中充电站Agent、所述换电站Agent和用户Agent的决策行为进行计算,得到协调规划的结果。在本发明实施中,有利于加快电动汽车的普及速度。
Description
技术领域
本发明涉及充换电站协调规划的技术领域,尤其涉及一种基于多智能 理论的充换电站协调规划的方法及系统。
背景技术
电动车充换电站的布局规划具有重要的意义。充换电站协调规划不仅 要考虑充电站和换电站单独的规划特点,还要考虑两者的相互联系。同时, 土地价格和交通便利程度等环境要素会对充换电站的规划产生重要影响。 因此,亟需一种充电站协调规划的方法将充电站和换电站规划用不同的智 能体来描述,并通过综合决策智能体将二者有机结合起来,构建充电站协 调规划模型,有利于加快电动汽车的普及速度。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于多智 能理论的充换电站协调规划的方法及系统,构建充电站协调规划模型,有 利于加快电动汽车的普及速度。
为了解决上述技术问题,本发明实施例提供了一种基于多智能理论的 充换电站协调规划的方法,所述方法包括:
通过分析地区总体充电需求确定大型集中充电站Agent的数量和换电 站Agent的数量;
将所述地区总体分割成一系列土地空间网格单元,并分析各区域换电 需求;
通过计算得到征地费用和电池运输成本;
通过计算得到电动车行驶到所述换电站所消耗的能源费用;
将所述换电站的服务半径对所述换电站Agent进行约束;
根据所述大型集中充电站Agent、所述换电站Agent和用户Agent的决 策行为进行计算,得到协调规划的结果。
可选的,所述将所述地区总体分割成一系列土地空间网格单元,并分 析各区域换电需求包括:
根据该区域内下属各镇、街道的电动车保有量和该区域的生产总值, 通过估算得到各区域的电动汽车保有量;
根据所述各区域的电动汽车保有量,通过计算得到各区域换电需求;
将所述地区总体分割成一系列土地空间网格单元,并将所述各区域换 电需求分布到所述各个土地空间网格单元中;
对所述各区域换电需求进行分析。
可选的,所述一系列土地空间网格单元构成充电站协调规划模型的运 行环境,其具体公式如下:
C=(c1,1,…,ci,j,…,cn,n);
其中,C表示空间网格单元集合、i表示行号、j表示列号、Cn,n表示第 n行和第n列的空间网格单元集合。
可选的,所述征地费用通过选址所决定,所述征地费用的具体计算公 式如下:
其中,Ce表示征地费用,NC表示大型集中充电站的数量,k表示第k 个大型集中充电站,Sk表示第k个大型集中充电站的占地面积,Pk表示第k 个大型集中充电站的土地价格。
可选的,所述电池运输成本通过交通便利程度所决定,所述电池运输 成本的具体计算公式如下:
其中,Ct表示电池运输成本,n为地区内换电站数量,Li为第i个换电 站到大型集中充电站的距离,Ni为第i个换电站每天要运送的电池数量,Y 为大型集中充电站的使用年限,T为每块电池运送单位长度的成本。
可选的,所述大型集中充电站Agent的决策行为包括所述大型集中充 电站Agent对电网峰谷差的补偿作用、所述大型集中充电站Agent的建设成 本、所述大型集中充电站Agent的运营成本和运营收入。
可选的,所述所述换电站Agent的决策行为包括所述换电站Agent的服 务半径、所述换电站Agent的电池运输成本。
可选的,所述用户Agent的决策行为包括所述用户Agent所选择的换电 站。
另外,本发明实施例还提供了一种基于多智能理论的充换电站协调规 划的系统,所述系统包括:
数量确定模块:用于通过分析地区总体充电需求确定大型集中充电站 Agent的数量和换电站Agent的数量;
需求分析模块:用于将所述地区总体分割成一系列土地空间网格单元, 并分析各区域换电需求;
计算模块:用于通过计算得到征地费用和电池运输成本;还用于通过 计算得到电动车行驶到所述换电站所消耗的能源费用;
约束模块:用于将所述换电站的服务半径对所述换电站Agent进行约 束;
结果生成模块:用于根据所述大型集中充电站Agent、所述换电站Agent 和用户Agent的决策行为进行计算,得到协调规划的结果。
在本发明实施中,根据充电桩、充电站和换电站的服务特点、适宜场 合、补给速度、建设成本、运行成本以及优点和缺点,提出了“大型集中 充电站-换电站-充电桩”的网络结构规划;通过运用多智能体理论,分析了 大型集中充电站Agent、换电站Agent和用户Agent的决策行为,以及环境 要素的影响,建立了基于多智能体理论的充换电站协调规划模型;该模型 考虑了总体充电需求、各区域换电需求、征地费用、电池运输成本和用户 换电能耗的因素,有利于加快电动汽车的普及速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对 实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的, 下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员 来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附 图。
图1是本发明实施例中的基于多智能理论的充换电站协调规划的方法 的流程示意图;
图2是本发明实施例中的基于多智能理论的充换电站协调规划的系统 的结构组成示意图;
图3是本发明实施例中的多智能体模型框架图;
图4是本发明实施例中的空间网格单元划分的示意图;
图5是本发明实施例中的充换电站协调规划结果的示意图;
图6是本发明实施例中的降低征地费用权重结果的示意图;
图7是本发明实施例中的降低电池运输成本权重结果的示意图;
图8是本发明实施例中的降低电动汽车换电行驶成本权重结果的示意 图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进 行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例, 而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没 有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的 范围。
实施例一
请参阅图1,图1是本发明实施例中的基于多智能理论的充换电站协调 规划的方法的流程示意图。
如图1所示,一种基于多智能理论的充换电站协调规划的方法,所述 方法包括:
S11:通过分析地区总体充电需求确定大型集中充电站Agent的数量和 换电站Agent的数量;
在本发明具体实施过程中,根据地区总体的汽车数量和该地区的经济 发展程度,分析地区总体充电需求,从而确定大型集中充电站Agent的数 量和换电站Agent的数量。
S12:将所述地区总体分割成一系列土地空间网格单元,并分析各区域 换电需求;
在本发明具体实施过程中,所述将所述地区总体分割成一系列土地空 间网格单元,并分析各区域换电需求包括:根据该区域内下属各镇、街道 的电动车保有量和该区域的生产总值,通过估算得到各区域的电动汽车保 有量;根据所述各区域的电动汽车保有量,通过计算得到各区域换电需求; 将所述地区总体分割成一系列土地空间网格单元,并将所述各区域换电需 求分布到所述各个土地空间网格单元中;对所述各区域换电需求进行分析。
具体的,所述一系列土地空间网格单元构成充电站协调规划模型的运 行环境,其具体公式如下:
C=(c1,1,…,ci,j,…,cn,n);
其中,C表示空间网格单元集合、i表示行号、j表示列号、Cn,n表示第 n行和第n列的空间网格单元集合。另外,每个单元都包含环境状态信息 Si,j,其具体公式如下:
Si,j=(si,j,1,si,j,2,…,ai,j,n);
其中,式中,si,j,1,si,j,2,…,si,j,n为环境要素层的各个要素,n为要素 个数。
需要说明的是,所述充电站协调规划模型的运行环境即充电站协调规 划模型的环境要素层,环境要素层是指多智能体所处的自然环境和社会环 境,在本模型中主要包括区域类型层、交通通达层和土地价格层;区域类 型在很大程度上限制了充换电站的区位选择,如繁华商业区和居民生活密 集区不适宜建设大型集中充电站;土地价格层是建设充换电站成本高低的 不确定因素,具有较大的波动性;越靠近商业中心的位置,土地价格越高;反之,土地价格越低;交通通达层体现了交通的方便程度,在模型中采用 运输成本来表示其对位置的空间吸引力。
S13:通过计算得到征地费用和电池运输成本;
具体的,所述征地费用通过选址所决定,所述征地费用的具体计算公 式如下:
其中,Ce表示征地费用,NC表示大型集中充电站的数量,k表示第k 个大型集中充电站,Sk表示第k个大型集中充电站的占地面积,Pk表示第k 个大型集中充电站的土地价格。
具体的,所述电池运输成本通过交通便利程度所决定,所述电池运输 成本的具体计算公式如下:
其中,Ct表示电池运输成本,n为地区内换电站数量,Li为第i个换电 站到大型集中充电站的距离,Ni为第i个换电站每天要运送的电池数量,Y 为大型集中充电站的使用年限,T为每块电池运送单位长度的成本。
S14:通过计算得到电动车行驶到所述换电站所消耗的能源费用;
在本发明具体实施过程中,根据各区域电动汽车保有量和空间单元网 格划分,通过计算得到各个单元网格区域的电动汽车保有量,从而通过计 算得到电动车行驶到所述换电站所消耗的能源费用。
S15:将所述换电站的服务半径对所述换电站Agent进行约束;
在本发明具体实施过程中,电动汽车动力电池的理论单次充电行驶里 程在150~200km左右,实际上,考虑电池的寿命老化、交通拥堵等现实因 素,从保证电动汽车使用者连续行驶角度出发,公路干线上换电站的服务 半径应以电动汽车单次充电行驶里程100km左右计算,而在城市区域,电 动汽车较为集中,换电站的服务半径在10km左右,与加油站相当,只有这 样才能有效保障电动汽车的持续行驶能力。
S16:根据所述大型集中充电站Agent、所述换电站Agent和用户Agent 的决策行为进行计算,得到协调规划的结果。
在本发明具体实施过程中,所述大型集中充电站Agent的决策行为包 括所述大型集中充电站Agent对电网峰谷差的补偿作用、所述大型集中充 电站Agent的建设成本、所述大型集中充电站Agent的运营成本和运营收入; 所述所述换电站Agent的决策行为包括所述换电站Agent的服务半径、所述 换电站Agent的电池运输成本;所述用户Agent的决策行为包括所述用户Agent所选择的换电站。
具体的,Agent是在虚拟环境中具有自主能力、可以进行有关决策的实 体,这些实体可以代表动物、人或机构等;本模型中建立了三类Agent:大 型集中充电站Agent、换电站Agent和用户Agent;
(1)大型集中充电站Agent及其决策行为:
设规划区域内所有电动汽车的一天的电能消耗总量为D,可由下式求 得:
D=μLNEVW/L (0-1)
式中,μL为电动汽车日行驶里程期望,NEV为该地区电动汽车总量,W 为电动汽车电池总能量,L为电动汽车最大行驶里程;
大型集中充电站一天的充电能力为C,则需要建设大型集中充电站的 数量为:
NC=floor(C/D) (0-2)
大型集中充电站Agent的决策行为主要基于以下几个方面:
1)对电网峰谷差的补偿作用:
大型集中充电站的显著优点就是便于对电池进行统一管理,集中在夜 间负荷低谷集中充电,不仅可以补偿电网的峰谷差,同时也降低了充电成 本。补偿电网峰谷差的现实意义主要是减小了电网对于调峰服务的需求, 提高了电网运行的经济性;
设大型集中充电站的使用年限为Y年,在夜间充电可以减小峰谷差Q (MW),每MW的调峰费用为I(元),则用调峰费用对其经济性进行量化, 经济效益Pe为:
Pe=365×Y×I×Q(元) (0-3)
华东区域并网发电厂辅助服务管理实施细则中有偿调峰的补偿规定, 燃气火电机组根据电力调度指令要求在24小时内完成启停调峰一次,按每 兆瓦机组容量补偿260元的标准进行补偿。结合该地区的用电负荷特性, 可对电动汽车集中充电所起到的削峰填谷的作用进行经济量化;
2)建设成本:
大型集中充电站的建设成本包括基础设施投资Ci、配套设施投资Cf和 征地费用Ce;其中基础设施投资和配套设施投资不随选址的变化而变化, 而征地费用与选址密切相关;设地区内有NC个大型集中充电站,第k个大 型集中充电站的占地面积为Sk(平方米),土地价格为Pk(元/平方米),则 征地费用为:
3)运营成本和运营收入:
大型集中充电站的运营成本包括员工工资Cp和充电成本Cc,主要取决 于人力资源费用和电能价格;运营收入Po主要取决于该地区内电动汽车的 充换电总需求;这些均为常数,与大型集中充电站的选址无关;
(2)换电站Agent及其决策行为:
设规划区域内所有电动汽车的一天的电能消耗总量为D,换电站一天 的换电能力为S,则需要建设换电站的数量为:
NS=floor(S/D) (0-5)
换电站Agent的决策行为主要基于以下几个方面:
1)服务半径:
电动汽车换电站的分布可以参考建设部《城市道路交通规划设计规范》 (1995)中的加油站服务半径规定,结合电动汽车自身的运行特点以及各 区域的计算服务半径按实际需要设定;由于各交通区域的交通密度不一样, 反映换电站网点密度的服务半径也各不相同;
2)电池运输成本:
大型集中充电站是区域内电动汽车能量补给中心,附近的换电站均需 把耗尽电量的电池运送到大型集中充电站,同时将充满电量的电池运回换 电站,交通便利程度决定了电池运输成本。设将每块电池运送单位长度(km) 的成本是T(元),则电池运输成本为:
式中,n为地区内换电站数量,Li为第i个换电站到大型集中充电站的 距离(km),Ni为第i个换电站每天要运送的电池数量,Y为大型集中充电 站的使用年限;
(3)用户Agent及其决策行为:
对于电动汽车用户而言,换电站提供的服务、产品和价格并无差别, 用户分布于市场中,所有用户Agent均选择到距离最近的换电站更换电池, 这将吸引换电站向电动汽车换电需求较为集中的区域分布,用所有需要更 换电池的电动汽车行驶到换电站所消耗的能源费用来衡量这一因素的影响;
式中,E为所有需要更换电池的电动汽车行驶到换电站所消耗的能源费 用,m为地区内单元网格总数,Nj为单元网格j的电动汽车保有量,μL为电 动汽车日行驶里程期望,dj为单元网格j到最近换电站的距离,L为电动汽 车最大行驶里程,W为电动汽车电池总能量,p为电价,Y为使用年限;
该多智能体模型框架如图3所示,总结上文所述,大型集中充电站和 换电站选址的总收益函数为:
B=α1Pe+α2Po-α3Ce-α4Ct-α5E-α6Ci-α7Cf-α8Cp-α9Cc (0-8)
式中,α1、α2、…、α9为权重系数,一般情况下取值为1;大型集中充 电站Agent和换电站Agent将在总收益B最大的地点选址;则目标函数为:
max B=max(α1Pe+α2Po-α3Ce-α4Ct-α5E-α6Ci-α7Cf-α8Cp-α9Cc) (0-9)
式中,Pe、Po、Ci、Cf、Cp和Cc不随充换电站选址的变化而变化,则 上式可写成:
max B=α1Pe+α2Po+max(-α3Ce-α4Ct-α5E)-α6Ci-α7Cf-α8Cp-α9Cc (0-10)
则目标函数可转化为:
min(α3Ce+α4Ct+α5E) (0-11)
在本发明实施中,根据充电桩、充电站和换电站的服务特点、适宜场 合、补给速度、建设成本、运行成本以及优点和缺点,提出了“大型集中 充电站-换电站-充电桩”的网络结构规划;通过运用多智能体理论,分析了 大型集中充电站Agent、换电站Agent和用户Agent的决策行为,以及环境 要素的影响,建立了基于多智能体理论的充换电站协调规划模型;该模型 考虑了总体充电需求、各区域换电需求、征地费用、电池运输成本和用户 换电能耗的因素,有利于加快电动汽车的普及速度。
实施例二
请参阅图2,图2是本发明实施例中的基于多智能理论的充换电站协调 规划的系统的结构组成示意图。
如图2所示,一种基于多智能理论的充换电站协调规划的系统,所述 系统包括:
数量确定模块11:用于通过分析地区总体充电需求确定大型集中充电 站Agent的数量和换电站Agent的数量;
需求分析模块12:用于将所述地区总体分割成一系列土地空间网格单 元,并分析各区域换电需求;
计算模块13:用于通过计算得到征地费用和电池运输成本;还用于通 过计算得到电动车行驶到所述换电站所消耗的能源费用;
约束模块14:用于将所述换电站的服务半径对所述换电站Agent进行 约束;
结果生成模块15:用于根据所述大型集中充电站Agent、所述换电站 Agent和用户Agent的决策行为进行计算,得到协调规划的结果。
具体地,本发明实施例的系统相关功能模块的工作原理可参见方法实 施例一的相关描述,这里不再赘述。
在本发明实施中,根据充电桩、充电站和换电站的服务特点、适宜场 合、补给速度、建设成本、运行成本以及优点和缺点,提出了“大型集中 充电站-换电站-充电桩”的网络结构规划;通过运用多智能体理论,分析了 大型集中充电站Agent、换电站Agent和用户Agent的决策行为,以及环境 要素的影响,建立了基于多智能体理论的充换电站协调规划模型;该模型 考虑了总体充电需求、各区域换电需求、征地费用、电池运输成本和用户 换电能耗的因素,有利于加快电动汽车的普及速度。
实施例三
具体实施中,以我国南方某地区为例进行算例分析;
(1)总体充电需求分析
有研究表明,每个地区的汽车数量和该地区的经济发展程度成正相关 性。由于没有充足数据,这里假设每个地区的电动汽车保有量和该地区的 生产总值成正比。2011年该地区实现生产总值915亿元人民币。按照该地 区的社会经济发展规划推测出2020年其电动汽车保有量为4006辆。
同样,以NHTS在2009年的调查结果作为参考,得到电动汽车日行驶 里程的分布规律。进行指数分布拟合后得出电动汽车日行驶的概率密度函 数为:
式中,自变量x为电动汽车日行驶里程,μL为指数分布的期望,对于 工作日和非工作日同时拟合得出的μL为27.70。
以丰田RAV4EV为例,该车的最大行驶里程为160km。电动汽车电池 总能量为W=288V×95Ah=27.36kWh。将相关数据代入式(5-3)可求出该 地区所有电动汽车的一天的充电需求总量D为18975kWh。
文献《集中型充电站容量规划模型研究》中对大型集中充电站进行了 研究,提出大型集中充电站可提供的充电总容量为1204kW,则一天的充电 能力为28896kWh。根据式(5-4)可知到2020年该地区至少需建设大型集 中充电站一座。
厦门市在湖滨西、会展中心、机场建设了3座典型的电动汽车换电站, 为纯电动汽车提供换电服务,每个站的服务能力为120车次/天。由上可知, 电动汽车电池的总能量为27.36kWh,则换电站一天的换电能力为 3283.2kWh。根据式(5-7)可知到2020年该地区至少需建设换电站五座。
(2)各区域换电需求分析
该规划区域内下属各镇、街道的换电需求将影响换电站的分布位置和 密度。假设各镇、街道的电动汽车保有量和该区域的生产总值成正比,由 此可估算出各区域的电动汽车保有量,进而计算出换电需求。各区域换电 需求表如下表1所示:
表1各区域换电需求
将地区总体分割成一系列土地空间网格单元,并将各区域换电需求分 布到各个空间网格单元中,如图4所示。
(3)征地费用和电池运输成本
该地区住宅小区的容积率一般在2左右,参考各区域住宅小区的房屋 均价,可以推算出各区域的土地价格,如下表2所示。参考国内外建成的 充电站,占地面积多在2000平方米左右,则由式(5-6)此可估算出建设充 电站的征地费用。
表2各区域房价和地价
区域 | 房价(元/平方米) | 地价(元/平方米) |
A镇 | 13860 | 27720 |
B镇 | 11000 | 22000 |
C工业区 | 11000 | 22000 |
D镇 | 15800 | 31600 |
E镇 | 18980 | 37960 |
F镇 | 15750 | 31500 |
G镇 | 18250 | 36500 |
H镇 | 13000 | 26000 |
I镇 | 12000 | 24000 |
J街道 | 18500 | 37000 |
参考国内主要运输公司的收费,运输成本可合理假设为将每块电池运 送单位长度(km)的成本是0.2元,则由式(5-8)可以估算运输成本。
(4)计算电动汽车行驶到换电站所消耗的能源费用
根据各区域电动汽车保有量和空间单元网格划分,可以求出各个单元 网格区域的电动汽车保有量,电动汽车日行驶里程期望为27.7km,最大行 驶里程取160km,电池总能量为27.36kWh。充电电价参考上海市的分时电 价,即峰时(6:00~22:00)电价0.617元,谷时(22:00~次日6:00)电价 0.307元。将数据代入式(5-9)可计算出电动汽车行驶到换电站所消耗的能 源费用。
(5)换电站服务半径对换电站Agent的约束
目前,电动汽车动力电池的理论单次充电行驶里程在150~200km左右, 实际上,考虑电池的寿命老化、交通拥堵等现实因素,从保证电动汽车使 用者连续行驶角度出发,公路干线上换电站的服务半径应以电动汽车单次 充电行驶里程100km左右计算,而在城市区域,电动汽车较为集中,换电 站的服务半径在10km左右,与加油站相当,只有这样才能有效保障电动汽 车的持续行驶能力。
(6)按照大型集中充电站Agent、换电站Agent和用户Agent的决策 行为编程运算,得到协调规划结果,如图5所示,星形代表集中充电站, 圆形代表换电站;
降低征地费用的权重,取式(5-13)中α3的值为0.2,得到的结果如图 6所示。可以看出大型集中充电站Agent将更加倾向于向电动汽车保有量较 高的区域选址,即使该区域的土地价格较高。
降低电池运输成本的权重,取式(5-13)中α4的值为0.2,得到的结果 如图7所示。可以看出换电站Agent将更加倾向于向换电负荷集中的区域 选址,而导致换电站与大型集中充电站之间的距离增大。
降低电动汽车行驶到换电站所消耗能源费用的权重,取式(5-13)中α5的值为0.2,得到的结果如图8所示。可以看出换电站Agent将更加倾向于 向靠近大型集中充电站的区域选址,而导致换电站与换电负荷中心之间的 距离增大。
在本发明实施中,根据充电桩、充电站和换电站的服务特点、适宜场 合、补给速度、建设成本、运行成本以及优点和缺点,提出了“大型集中 充电站-换电站-充电桩”的网络结构规划;通过运用多智能体理论,分析了 大型集中充电站Agent、换电站Agent和用户Agent的决策行为,以及环境 要素的影响,建立了基于多智能体理论的充换电站协调规划模型;该模型 考虑了总体充电需求、各区域换电需求、征地费用、电池运输成本和用户 换电能耗的因素,有利于加快电动汽车的普及速度。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分 步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算 机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘 等。
另外,以上对本发明实施例所提供的一种基于多智能理论的充换电站 协调规划的方法及系统进行了详细介绍,本文中应采用了具体个例对本发 明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本 发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发 明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本 说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于多智能理论的充换电站协调规划的方法,其特征在于,所述方法包括:
通过分析地区总体充电需求确定大型集中充电站Agent的数量和换电站Agent的数量;
将所述地区总体分割成一系列土地空间网格单元,并分析各区域换电需求;
通过计算得到征地费用和电池运输成本;
通过计算得到电动车行驶到所述换电站所消耗的能源费用;
将所述换电站的服务半径对所述换电站Agent进行约束;
根据所述大型集中充电站Agent、所述换电站Agent和用户Agent的决策行为进行计算,得到协调规划的结果。
2.根据权利要求1所述的基于多智能理论的充换电站协调规划的方法,其特征在于,所述将所述地区总体分割成一系列土地空间网格单元,并分析各区域换电需求包括:
根据该区域内下属各镇、街道的电动车保有量和该区域的生产总值,通过估算得到各区域的电动汽车保有量;
根据所述各区域的电动汽车保有量,通过计算得到各区域换电需求;
将所述地区总体分割成一系列土地空间网格单元,并将所述各区域换电需求分布到所述各个土地空间网格单元中;
对所述各区域换电需求进行分析。
3.根据权利要求2所述的基于多智能理论的充换电站协调规划的方法,其特征在于,所述一系列土地空间网格单元构成充电站协调规划模型的运行环境,其具体公式如下:
C=(c1,1,…,ci,j,…,cn,n);
其中,C表示空间网格单元集合、i表示行号、j表示列号、Cn,n表示第n行和第n列的空间网格单元集合。
6.根据权利要求1所述的基于多智能理论的充换电站协调规划的方法,其特征在于,所述大型集中充电站Agent的决策行为包括所述大型集中充电站Agent对电网峰谷差的补偿作用、所述大型集中充电站Agent的建设成本、所述大型集中充电站Agent的运营成本和运营收入。
7.根据权利要求1所述的基于多智能理论的充换电站协调规划的方法,其特征在于,所述所述换电站Agent的决策行为包括所述换电站Agent的服务半径、所述换电站Agent的电池运输成本。
8.根据权利要求1所述的基于多智能理论的充换电站协调规划的方法,其特征在于,所述用户Agent的决策行为包括所述用户Agent所选择的换电站。
9.一种基于多智能理论的充换电站协调规划的系统,其特征在于,所述系统包括:
数量确定模块:用于通过分析地区总体充电需求确定大型集中充电站Agent的数量和换电站Agent的数量;
需求分析模块:用于将所述地区总体分割成一系列土地空间网格单元,并分析各区域换电需求;
计算模块:用于通过计算得到征地费用和电池运输成本;还用于通过计算得到电动车行驶到所述换电站所消耗的能源费用;
约束模块:用于将所述换电站的服务半径对所述换电站Agent进行约束;
结果生成模块:用于根据所述大型集中充电站Agent、所述换电站Agent和用户Agent的决策行为进行计算,得到协调规划的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010439995.7A CN112070334A (zh) | 2020-05-22 | 2020-05-22 | 基于多智能理论的充换电站协调规划的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010439995.7A CN112070334A (zh) | 2020-05-22 | 2020-05-22 | 基于多智能理论的充换电站协调规划的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070334A true CN112070334A (zh) | 2020-12-11 |
Family
ID=73656068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010439995.7A Withdrawn CN112070334A (zh) | 2020-05-22 | 2020-05-22 | 基于多智能理论的充换电站协调规划的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070334A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379607A (zh) * | 2021-01-18 | 2021-02-19 | 中联重科股份有限公司 | 模拟运行方法及装置、数量规划方法、装置及系统 |
CN113434990A (zh) * | 2021-06-29 | 2021-09-24 | 浙江大学 | 一种基于Agent仿真的电车充电桩收费优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631642A (zh) * | 2013-12-13 | 2014-03-12 | 国家电网公司 | 基于生态模拟的电动汽车充换电服务网络仿真系统及方法 |
CN108376291A (zh) * | 2017-11-28 | 2018-08-07 | 国网甘肃省电力公司电力科学研究院 | 一种基于微电网的电动汽车充换电站选址定容方法 |
-
2020
- 2020-05-22 CN CN202010439995.7A patent/CN112070334A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631642A (zh) * | 2013-12-13 | 2014-03-12 | 国家电网公司 | 基于生态模拟的电动汽车充换电服务网络仿真系统及方法 |
CN108376291A (zh) * | 2017-11-28 | 2018-08-07 | 国网甘肃省电力公司电力科学研究院 | 一种基于微电网的电动汽车充换电站选址定容方法 |
Non-Patent Citations (2)
Title |
---|
艾学勇: "电动汽车充电负荷预测及充换电站协调规划研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
郑恩泽 等: "基于多智能体系统的电动汽车充换电站协调规划", 《电器与能效管理技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379607A (zh) * | 2021-01-18 | 2021-02-19 | 中联重科股份有限公司 | 模拟运行方法及装置、数量规划方法、装置及系统 |
CN112379607B (zh) * | 2021-01-18 | 2021-04-13 | 中联重科股份有限公司 | 模拟运行方法及装置、数量规划方法、装置及系统 |
CN113434990A (zh) * | 2021-06-29 | 2021-09-24 | 浙江大学 | 一种基于Agent仿真的电车充电桩收费优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A novel fast-charging stations locational planning model for electric bus transit system | |
Borge-Diez et al. | Combined vehicle to building (V2B) and vehicle to home (V2H) strategy to increase electric vehicle market share | |
Shepero et al. | Spatial Markov chain model for electric vehicle charging in cities using geographical information system (GIS) data | |
Qian et al. | Economic optimization and potential analysis of fuel cell vehicle-to-grid (FCV2G) system with large-scale buildings | |
Ghodusinejad et al. | Optimal site selection and sizing of solar EV charge stations | |
CN106530180A (zh) | 一种高寒地区充电服务网络规划方法 | |
Liu et al. | A multi-objective decision-making approach for the optimal location of electric vehicle charging facilities | |
Lin et al. | Optimal planning of intra-city public charging stations | |
Hamed et al. | Random parameters modeling of charging-power demand for the optimal location of electric vehicle charge facilities | |
Yamagata et al. | Proposal for a local electricity‐sharing system: a case study of Yokohama city, Japan | |
Gong et al. | Integrated planning of BEV public fast-charging stations | |
CN112070334A (zh) | 基于多智能理论的充换电站协调规划的方法及系统 | |
Iravani | A multicriteria GIS-based decision-making approach for locating electric vehicle charging stations | |
Li et al. | Economical planning of fuel cell vehicle-to-grid integrated green buildings with a new hybrid optimization algorithm | |
Golla et al. | Vehicle scheduling and refueling of hydrogen buses with on-site electrolysis | |
Lin et al. | Optimal siting and sizing of public charging stations in urban area | |
Beyazıt et al. | Electric vehicle charging through mobile charging station deployment in coupled distribution and transportation networks | |
Sheng et al. | Emission-concerned coordinated dispatching of electrified autonomous mobility-on-demand system and power system incorporating heterogeneous spatiotemporal scales | |
He et al. | Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation | |
CN112613682A (zh) | 一种电动汽车充电负荷预测方法 | |
CN115907227B (zh) | 一种高速公路固定与移动充电设施双层协同优化方法 | |
Guo et al. | Optimal path planning method of electric vehicles considering power supply | |
Zuo | Prediction and distribution of Ev charging stations | |
da Paixão et al. | EV fast charging microgrid on highways: A hierarchical analysis for choosing the installation site | |
Lesser | Short Circuit: The High Cost of Electric Vehicle Subsidies |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201211 |