CN113434990B - 一种基于Agent仿真的电车充电桩收费优化方法 - Google Patents
一种基于Agent仿真的电车充电桩收费优化方法 Download PDFInfo
- Publication number
- CN113434990B CN113434990B CN202110725767.0A CN202110725767A CN113434990B CN 113434990 B CN113434990 B CN 113434990B CN 202110725767 A CN202110725767 A CN 202110725767A CN 113434990 B CN113434990 B CN 113434990B
- Authority
- CN
- China
- Prior art keywords
- charging
- price
- parking
- vehicle
- parking lot
- 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 230000000694 effects Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 7
- 239000006126 MAS system Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000008844 regulatory mechanism Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 41
- 230000035945 sensitivity Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 230000002860 competitive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F15/00—Coin-freed apparatus with meter-controlled dispensing of liquid, gas or electricity
- G07F15/003—Coin-freed apparatus with meter-controlled dispensing of liquid, gas or electricity for electricity
- G07F15/005—Coin-freed apparatus with meter-controlled dispensing of liquid, gas or electricity for electricity dispensed for the electrical charging of vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Chemical & Material Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Analytical Chemistry (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于Agent仿真的电车充电桩收费优化方法。本发明首先构建道路、汽车、停车场Agent系统,进行仿真系统的参数设定及系统初始化。然后生成车辆投入路网,进行停车场选择、停车位选择等具体的用户决策行为,完成具体仿真流程,得到仿真结果。最后利用仿真结果绘制社会总效用对充电价格的敏感型曲线,得到总效用最大时的最适同均价定价。基于最适同均价价格,通过迭代法优化不同充电站的定价策略。分别采用现有策略和优化策略对于系统进行仿真模拟,通过效用值和充电站使用情况等不同参数,对比现有定价策略和优化定价策略在模型中的适用效果。
Description
技术领域
本发明涉及基于Agent仿真的电车充电站收费价格优化方法,属于智能交通技术领域。
背景技术
近些年来,电动汽车的市场热度逐渐升高,其环保及利用可再生能源的属性得到政府推崇及车辆使用者的喜爱。目前,我国的新能源车主要有纯电动汽车和非纯电动汽车两种,而这两类新能源汽车都需要通过充电或者换电池的方法补充能量,基于我国换电模式实现较为困难,充电则成为了新能源汽车补充能量最普遍的选择。
一辆新能源汽车充满电至少需要数小时的时间,能量补给时间远超燃油加注时间,因此电动汽车充电站的运营比传统汽车加油站更为复杂。一方面,充电桩的设置灵活多样,可将传统停车改造加装充电桩、单独修建充电桩、利用私人停车位加装充电桩,充电桩既可自用也可共享,导致其运营方式多样化,运营商、成本、收费定价、收费权属都不尽相同;另一方面,电动汽车的充电时间较长,在充电过程中涉及停车问题,在传统汽车在停车位已满而充电位置较多时是否可以花更高的价格停放在停车位上等。
发明内容
本发明针对现有技术的不足,提出了一种基于Agent仿真的电车充电站收费价格优化方法,该方法包含以下步骤:
C1、道路、汽车、停车场Agent参数设置
C11道路Agent参数设定,具体过程包括:
将路网进行拓扑结构简化,包括起始节点集合O、终止节点集合D、停车场节点集合P、交叉口节点C和路段集合S,用邻接矩阵的方式记载各个路段地基础信息,具体过程为:
C111加载路网基本属性。根据实际调查或惯例,将初始化路段信息:道路长度l、道路通行能力Cs、道路连接性(邻接矩阵表示)、道路间距离(邻接矩阵数值表示)、道路最大流量(邻接矩阵表示)、自由流速度v0 s(一个一维数组表示)输入Agent系统。道路初始流量、BPR函数参数、通行能力等按照规范或惯例选取。
C112加载初始流量Volume_initial。根据流量调查结果,加载不参与充电或停车的过境交通作为道路上的路阻,路段Agent的实际行程速度和该段长度的运行时间分别为
其中,vf(i)为第i个路段的自由流速度,q(i)为第i个路段的初始流量,C(i)为第i各路段的通行能力,α和β分别是BPR函数的参数。
C113根据BPR函数,路网Agent在实际仿真过程中实时计算路网上的总车流量,以此反馈最新的速度和行驶时间信息。
C12停车场(充电站)Agent参数设定。具体过程包括:
C121设定停车场(充电站)充电桩个数和停车容量。以三组数组分别存储普通停车位数量Capacity_P、快充充电桩数量Capacity_FP和慢充充电桩数量 Capacity_SP,以此作为各停车场的容量。
C122设定充电站成本Stat_Cost、快充电价TOU_FP、慢充电价TOU_SP,充电成本根据工业用电电价确定,快充电价进行实地调查记录,慢充电价进行实地调查记录,停车场(充电站)充电桩余量Remain_EP和普通停车余量Remain_P,快速充电累计排队pa、慢速充电累计排队pb、电动汽车不充电排队pc、普通汽车停车累计排队pd。
C123充电单位价格及调整机制。充电单位价格由充电基础费率fareif和充电浮动费率fareiv组成,具体的计算为:
其中,fareif为该充电站的固定费率,fareiv为该充电站的浮动费率,为所有充电站上一期总价格的均值,farei (-1)为该充电站上一期的总价格。U为浮动区间上限,L为浮动区间下限,为某种车位/充电桩的占有率。
C124充电站效用。以充电站在仿真周期中的利润作为效用函数。
其中,E(i)为第i辆车停车时的充电电量,cos t为商业电价。
C13汽车Agent参数设定。具体过程包括:
C131确定电动汽车比例PEC。按照以下方法确定具体电动汽车比例PEC,其余部分作为普通汽车参与仿真。
其中UEC是电动汽车最大比例,LEC为0(即电动汽车失去竞争优势),Cg为传统内燃汽车的使用成本,Ce为电动汽车的使用成本。UEC参考当年电动汽车的占有率。
每个车辆个体的OD,按照OD占比进行随机分配;电动汽车初始电量SOC(i)、车辆停车时长PT(i)、车辆使用者时间价值TV(i)。
C132车辆停车效用函数Ucar(i)。车辆的停车效用取停车总成本的负数:
Ucar(i)=-(Ut+Uchg+Up+Utr)
其中,Ut为由于停车场或充电站饱和存在排队的时间成本,若充电站或停车场存在空位,该项为0;Uchg为充电费用,若车辆为普通汽车则该项为0;Up为停车费用,Utr为转移充电消耗的效用,包括考虑多花的步行时间在内的总费用,若车辆选择排队而不是转移停车则该项为0。
C133路网基准流量及车辆在不同时间内的生成概率。根据一天时间内不同的交通需求对上述最大生成流量根据不同时间进行折减,以函数估计一天内各个时间段内车辆生成的比例。
C2、具体仿真流程
C21初始化路网Agent、停车场(充电站)Agent、汽车Agent。按照C1中的方法设置三套Agent系统的参数,以此实现系统的初始化,设定模拟时长为 1440分钟(24小时),即模拟一天的运行结果。
C22生成停车/充电车辆。判断系统中已生成的汽车数量,若未达到汽车生成比例,按照C13中的方法随机生成车辆,车辆的OD按照C132的概率进行随机分配。
C23用户决策过程。参照图4均价优化MAS框架,当考虑充电价格浮动区间变化和迭代法求优化价格时则参照图5流程图。具体过程包括:
C231停车场选择。更新路网内汽车的位置及状态,判断车辆是否到达目的停车场,若到达停车场则判断停车场的排队长度,排队长度过长则转移至其他停车场,否则选择该停车场停车;若汽车还未到达目的停车场,则判断车辆电量是否小于最小的阈值SOC_min,电量过低则寻找就近停车场停车,电量足够则按照原路径继续行驶。
C232停车位选择。汽车决定在停车时,判断汽车电量是否超过上限电量 SOC_max,汽车电量足够则选择普通停车位停车,否则还需判断停车时间是否超过充电时间,若停车时间较长则选择慢速充电停车位,若停车时间短则选择快速停车位。当考虑充电价格浮动区间变化和迭代法优化价格时,车辆在到达停车场未发生排队时,需要按照效用分析判断是否需要转换停车场。
C233每分钟遍历车辆状态(位置)。若车辆遇到停车场充电排队过长的问题,则选取目的地附近的3个停车场,通过车辆效用函数计算等待排队和转移至其他3个停车场的效用,选择最优效用结果。判断从目前停车场转移至其他停车场行驶的距离,采用Dijkstra算法计算得到。
C234每分钟更新停车场状态和道路状态。若有车辆完成停车,停车场的效用将根据车辆缴费和电价确定并增加容量。每分钟还需根据车辆生成比例图在路网上纳入新的车辆,调整路网的平均行驶速度。
C235迭代结束。当时间达到24小时后,即停止迭代,完成仿真。
C3、确定最适同均价无浮动价格
设同均价的上限与步长,模拟各个均价条件下充电桩运行一天的结果,得到各均价条件下对应的汽车Agent效用值和充电站Agent效用值,绘制汽车Agent 效用对价格的敏感型曲线以及充电站收益对价格的敏感性曲线。叠加汽车Agent 和充电站Agent两者效用,绘制社会总效用对充电价格的敏感性曲线,取社会效用最大值对应的同均价价格Po。
C4、优化定价
C41优化浮动价格区间估计。采用考虑车辆价格转移的MAS系统框架,设定0至两倍均价Po的仿真区间,设置仿真步长Pwid,分别得到电动汽车效用值与定价浮动之间的关系图、充电站效用与定价浮动之间的关系图,取电动汽车效用值分段点顶端附近的充电价格区间范围作为充电价格的上下限LU。
C42迭代法优化定价策略求解。固定均价仍为Po,设定浮动价格区间LU,将每次经过模拟后的各个充电站的充电价格作为下次迭代的起点进行模拟,设定每个停车场每次模拟的浮动价格确定区间,按照总体浮动区间上限(或下限)与本次迭代后的均价的差的绝对值的两倍作为下次迭代该停车场的价格浮动空间,迭代仿真直至迭代收敛,设定所有充电站前后迭代的充电价格之差不超过0.5元时即认为迭代价格稳定,即可得到停车场(快充停车场、慢充停车场)、迭代次数与充电价格之间的关系图。从关系图中选取经过数次迭代后各个充电站稳定的定价结果。
C5、优化效果对比
对定价优化前后的系统进行比较评价。
评价内容包括:
(1)效用值对比:电动汽车效用值、所有车辆总效用值、充电站总效用值
(2)充电站使用情况:充电站使用率时间序列、充电排队现象和电动汽车转移充电时间发生的累计频数
本发明的有益效果:本发明通过仿真优化手段,对城市中电动汽车充电站收费价格进行优化,考虑时间价值和充电费用成本等为社会总效用为目标函数,建立电动汽车-充电站-路网Agent模型,得到充电站的适用充电均价和最优的充电价格浮动范围,通过价格优化提高电车充电站的社会效用,促进电动汽车充电市场更加灵活、开放。
附图说明
图1为实例Agent拓扑结构;
图2为武林商圈实际路网示意图;
图3为OD一天时间内车辆生成比例;
图4为均价优化MAS运行框架;
图5为区间优化和价格迭代MAS运行框架;
图6为汽车Agent效用对充电价格的敏感性曲线;
图7为充电站Agent效用对充电价格的敏感性曲线;
图8社会总效用对充电价格的敏感性曲线;
图9电动汽车效用随价格浮动相对范围变化图;
图10充电站效用随价格浮动相对范围变化图;
图11快充充电站定价迭代;
图12慢充充电站定价迭代;
图13各充电站迭代价格汇总图;
图14电动汽车效用值对比;
图15所有汽车效用值对比;
图16充电站效用值对比;
图17优化价格快充使用率;
图18原有价格快充使用率;
图19优化价格慢充使用率;
图20原有价格慢充使用率;
图21快充排队车辆数随时间变化;
图22慢充排队车辆数随时间变化;
图23电动车不充电排队随时间变化;
图24普通车排队随时间变化;
图25快充转移随时间变化;
图26慢充转移随时间变化;
图27电动车不充电转移随时间变化;
图28普通车转移随时间变化。
具体实施方式
以图1和图2所示的路网和停车场布局示意图为例,实施充电站定价优化方法。
1、构建路网Agent。
(1)所有车辆始发点O点为固定的4个点,所有车辆的到达点D点为另外4个固定点,18个交叉口,9个路外停车场,54个路段。根据实际调查或惯例,在Agent系统中输入各路段初始信息,包括道路连接性、道路间的距离、道路最大流量、自由流速度。
各交叉口连通情况如矩阵表1所示,矩阵中0表示不相邻,具体数值表示相邻交叉口的编号,路段上数字为路段编号,各路段的长度如矩阵表2所示,数值表示路段相邻交互口之间的长度。0表示两个交叉口不相邻,在最短路径计算算法中。
表1 交叉口连接情况
表2 路段长度
(2)根据流量调查结果,加载不参与充电或停车的过境交通流作为道路上的路阻。此时,路段Agent的实际行程速度和该段长度的运行时间将分别为:
其中,vf(i)为第i个路段的自由流速度,q(i)为第i个路段的初始流量,C(i)为第i个路段的通行能力,α和β分别是BPR函数的参数。
表3 路段初始流量加载
(3)实时反馈更新
根据BPR函数,路网Agent将在实际仿真过程中实时计算路网上的总车流量,以此反馈最新的速度和行驶时间信息。
2、构建充电站Agent
(1)设定充电站充电桩个数和停车容量。停车场的分布如路网结构出现的位置所示,停车场共有9个。以三组数组,分别存储普通停车位数量、快充充电桩数量和慢充充电桩数量,作为各停车场的容量。设定的充电桩个数以及停车容量分别为:设定停车场(充电站)充电桩个数和停车容量。
Capacity_P=[182,164,136,145,164,136,136,182,182];Capacity_FP=[6,5,5,5,5,5,5,6,6]; Capacity_SP=[12,11,9,10,11,9,9,12,12]。
表4 充电站容量设定
(2)成本函数。考虑电动汽车充电时的商业电费,作为充电站成本函数以一个数组进行存储,根据杭州市基本商业电价,考虑热门停车场峰值用电较高,设定充电站的用电成本为1.5元/kwh。
(3)充电单位价格及调整机制。充电单位价格由充电基础费率和充电浮动费率组成。其中,基础费率是每个停车场固定的费率,浮动费率是根据停车场使用率确定的价格区间内的一个值,具体计算方法为:
其中,fareif为该充电站的固定费率,fareiv为该充电站的浮动费率,为所有充电站上一期总价格的均值,farei (-1)为该充电站上一期的总价格。U为浮动区间上限,L为浮动区间下限,为某种车位/充电桩的占有率。
(4)充电站效用
以充电站在仿真周期中的利润作为效用函数。
其中,E(i)为第i辆车停车时的充电电量,cost为商业电价。
3、构建汽车Agent
(1)确定电动车比例。具体比例的确定根据如下方法进行:
其中UEC是电动汽车最大比例,LEC为0(即电动汽车失去竞争优势),Cg为传统内燃车的使用成本,Ce为电动汽车的使用成本。UEC的确定方法为,假设电动汽车的占有率为10%。当电动汽车充电价格与燃油汽车加油成本相同时,认为长期电动汽车将失去竞争优势。当充电价格在免费到加油成本区间内变化时,假设电动汽车占有率据此线性变化。
(2)每个车辆个体的OD。分别使用两个列向量表示车辆的OD。具体分配车辆 OD时,对于生成的每一辆车,按照下式的OD占比(即某一OD的概率)随机分配。
(3)电动汽车的电量。每辆电动汽车之间是相互独立的,采用如下的分布生成电动汽车的初始电量:
S(j)~N(0.3,0.25)
SOC(i)=S(j),0<S(j)<1
其中S(j)为服从均值为30%,方差为0.25正态分布的随机变量,若每次生成的 S(j)满足电量约束条件,则记为SOC(i)=S(j),否则重新生成。
(4)车辆停车时长。由于武林商圈附近并非固定工作场所,大部分车辆均为娱乐消费或者出差办事停车,因此假设停车时长服从如下的正态分布:
PT(i)~N(120,80)
(5)车辆使用者时间价值。假设用户家庭年收入为24万元以上的用户可以拥有一辆或多辆电动汽车。按每年的工作时间2080小时计算,车辆使用者的时间价值服从如下的正态分布:
TV(i)~N(1.92,3.70)
(6)车辆其他固定参数。其他固定参数是指按照统一标准设定的固定值,主要有使用者步行速度、电动汽车在寻找充电站时巡航所用电量、普通汽车寻找充电站时巡航所使用的油费等。
(7)车辆停车效用函数。车辆的停车效用取停车总成本的负数:
Ucar(i)=-(Ut+Uchg+Up+Utr)
其中,Ut为由于停车场或充电站饱和存在排队的时间成本,若充电站或停车场存在空位,该项为0;Uchg为充电费用,若车辆为普通汽车则该项为0;Up为停车费用,Utr为转移充电消耗的效用,包括考虑多花的步行时间在内的总费用,若车辆选择排队而不是转移停车则该项为0。
(8)路网基准流量及车辆在不同时间内的生成概率。取全网最大生成流量为2600pcu/h,即在OD表中高峰小时流量为2600pcu。对于武林商圈的公共停车场,一天时间内随着早晚高峰迎来充电高峰和充电低峰(工作结束,车辆驶离武林商圈),因此图3即为一天时间内车辆生成的比例。设车辆出现相对速度的函数为 f(x),则假设f(x)的解析式为:
当时间为500分钟左右时,出现早高峰即停车/充电高峰,当时间为900分钟左右时,出现晚高峰即驶离/结束停车高峰,此时车辆出现的概率是小的;当时间为1100分钟左右时,武林商圈将迎来晚间购物娱乐高峰,直到1440分钟时一天结束开始下一周期。
4、三套Agent系统初始化。
在仿真开始前,路网具有一定的初始流量,充电站具有一定的初始价格(探讨优化均价时事先固定),车辆Agent暂未生成。Agent系统模拟一天的运行结果,设定模拟时长为1440分钟(24小时)
(1)根据时间和车辆生成比例生成停车/充电车辆。判断系统中已诞生汽车数量,未达到车辆生成比例时,按照PEC的确定方法随机生成车辆,且其OD按照 OD表概率进行随机分配。至此,车辆已经进入路网,模拟仿真车辆上限为20000 辆。
(2)每分钟遍历车辆状态(位置)。汽车Agent根据图4给出的逻辑框架做出下一步决策。其中,车辆若遇到某停车场充电排队过长的问题,则选取其目的地附近的3个停车场,按车辆停车效用函数分别计算等待排队和转移至3个停车场的效用,取最优值进行选择。判断从目前停车场转移至其他停车场行驶的距离,采用Dijkstra算法计算得到。
(3)每分钟更新停车场状态和道路状态。车辆更新完毕后,对停车场和道路状态进行更新。若有车辆完成停车,停车场的效用将根据车辆缴费和电价确定,并且容量将增加。每分钟路网还要通过图3纳入新车辆,调整路网平均速度等。
(4)迭代结束。当时间到达24小时时,停止迭代,仿真完成。
(5)当考虑充电价格浮动区间变化和迭代法求优化价格时,车辆在到达停车场未发生排队时,需要按照效用分析判断是否需要转换停车场。此时,系统运行的 MAS逻辑框图如图5。
5、确定最适同均价无浮动价格
(1)汽车Agent敏感性分析。假设同均价的上限为4元/千瓦时,按照步长0.2 元计算,利用上述均价优化Agent运行框架模拟各个均价条件下武林商圈充电桩一天的运行结果,分别可以得到对应均价下的汽车Agent效用值的大小。绘制该效用对该价格的敏感性曲线如图6所示,消费者对于价格的最适区间为2元/千瓦时~4元/千瓦时,最适价格为3元/千瓦时。
(2)充电站Agent敏感性分析。设同均价的上限为4元/千瓦时,按照步长0.2 元计算,利用上述均价优化Agent运行框架模拟各个均价条件下武林商圈充电桩一天的运行结果,绘制充电站收益(充电站Agent)对价格的敏感性曲线如图7 所示,充电站的盈亏止损点为1.7元/千瓦时,效用(利润最大化点)为2.85元/ 千瓦时。故最适同均价价格区间为1.7~4元,最优价格为2.85元。
(3)确定最适均价。叠加二者的效用,如图8所示,可以取最适均价为3.077 元/千瓦时,此时的社会总效用值为5951470。
6、优化定价
每次系统仿真结束后,都将生成一个最后状态下的停车场定价。将该定价作为下次迭代的起点,并结合同样的浮动区间,继续进行下次迭代,如此往复,直到两次迭代得到的定价策略之差小于固定阈值时即得到优化价格。
(1)优化浮动价格区间估计。通过将浮动区间从完全固定价格到完全浮动价格,以0.2元为步长进行分析,就可以得到优化浮动价格区间。并分别对电动汽车用户和充电站进行浮动价格区间讨论。
(2)汽车Agent浮动价格区间分析。采用仿真区间从0元(无浮动价格区间) 到6.154元(完全浮动,在均价3.077元的情况下最低免费充电,最高为均价2 倍)以步长0.3元进行多次仿真,且采用图5考虑车辆价格转移的MAS系统框架。仅考虑电动汽车的效用,那么经过多次模拟,可以绘制图9。
(3)充电站浮动价格区间分析。采用和(2)一样的仿真条件,对充电站浮动价格收益进行分析,可图10,占有率高的充电站每车利润率高且充电车辆多,占有率低的充电站每车虽亏损但充电车辆少,由于充电站总体数量和容量都是固定值,因此每次模拟形成的效用值离散程度比较小。
(4)确定浮动价格区间。具体区间可以充分考虑充电汽车效用的分段性质,在3.077元均值的条件下,设置的最优价格弹性为
L=0.827元/千瓦时
U=5.327元/千瓦时
即确定充电价格的上下限LU分别为0.827元和5.327元。
(5)迭代法优化定价策略求解。固定均价为3.077元,设定浮动价格区间 0.827-5.327元,将每次经过模拟后的各个充电站的充电价格作为下次迭代的起点进行模拟,而由于浮动价格上下区间已经确定,因此设定每个停车场每次模拟的浮动价格确定区间,按照总体浮动区间上限(或下限)与本次迭代后的均价的差的绝对值的两倍作为下次迭代该停车场的价格浮动空间。在上述规则约束下,迭代仿真直至迭代收敛,即可得到优化定价模型。设定所有充电站前后迭代的充电价格之差不超过0.5元时即认为迭代价格稳定。经迭代后,停车场、迭代次数与充电价格之间的关系如图11、12所示,取迭代稳定后的结果形成图13,得到 9个充电站的快充/慢充定价。
6、优化效果对比
调查结果中武林商圈的各个充电站采用的充电价格均为1.6元/千瓦时,属于固定定价且充电站之间没有价格差异。
(1)电动汽车效用值
分别采用现有策略和优化策略对于系统进行仿真模拟,得到电动汽车效用值如图14,当价格为1.6元时,路网中电动汽车的比例为12%,模拟路网中的12%说明电动汽车会被武林商圈相对较低的价格吸引前来充电,因此实际电动汽车比例还比10%高,这就导致排队现象十分明显,优化价格虽然提升了电动车主充电的费用,但是可以减少车辆过多涌入武林商圈充电,减少排队成本,提升车辆的总体效用。
(2)所有汽车总效用值。对比所有汽车用户的效用之和,绘制两种策略下全部车辆效用的图表如图15所示:优化价格跟现在价格相比在充电费用上带来了更高的花费,但是车辆的总体效用是得到了提升的,且提升幅度达5.3%。
(3)充电站总效用值。绘制两种策略下全部停车场效用的图,如图16所示:充电站适当提升充电价格,对于企业利润的提升幅度是十分明显的。
(4)充电站使用率时间序列。以同种车辆和路网条件下根据不同收费策略下不同停车场使用率的时间序列为分析对象,模拟两种价格策略下停车场使用不均衡性的问题是否得到缓解。如图17-20所示,为两种策略下模拟一天停车场使用率的变化情况。
图17、图19为优化定价策略下的两种充电桩使用情况对比,图18、图20 为未采用优化定价策略下的两种充电桩使用情况对比,即使采用看似较为夸张的充电定价机制(即最高价格超过5元/千瓦时),通过价格机制调节充电站使用不均衡的效果仍然较差。从慢充的使用率来看,优化价格策略的使用率相比采用现有策略的慢充使用率来说均衡性得到了一定程度的提升。
(5)充电排队现象和电动汽车转移充电时间发生的累计频数。两种策略下模拟一天停车场使用率的变化情况。图21-28分别反映了预期使用快充、慢充、或者电动车剩余电量超过阈值仅需普通停车、或其他普通汽车进行普通停车时,优化策略和现有策略在车辆排队和因排队或价格过高做出转移决策的数量。
图21、图22和图23说明电动汽车在优化策略下的排队情况相较于现有策略大幅降低。图24表明优化策略下电动汽车使用成本提高,车主会选择普通汽车前往武林商圈的概率变大,普通汽车的排队数量略微升高,但即使在这样的情况下,其升高的比例并不算高(11.5%),且社会的总体效用提高。因此以普通汽车排队少量增加为代价,提升总体效用,是值得实施的。
图24-27表明电动汽车在优化策略下主动转换停车场的概率大幅提高,符合资源配置优化的流动性特点。在这样的条件下,路网流量可能会更大,但是本模型考虑到了路网流量增加带来的行驶时间增长,而最后总效用并未降低,说明电动汽车转移带来的正收益大于因路网流量增加带来的负收益,该方案值得推行。
图28表明由于普通汽车的转移策略与充电价格无关,二者具有很高的相似性,说明仿真采用比较静态思路进行分析时变量变化得到控制的严密性。
Claims (1)
1.一种基于Agent仿真的电车充电站收费价格优化方法,其特征在于该方法包含以下步骤:
C1、道路、汽车、停车场Agent参数初始化
C11道路Agent参数设定,具体过程包括:
将路网进行拓扑结构简化,包括起始节点集合O、终止节点集合D、停车场节点集合P、交叉口节点C和路段集合S,在实际存储中采用邻接矩阵的方式记载各个路段地基础信息,具体过程为:
C111加载路网基本属性;根据实际调查或惯例,将初始化路段信息:道路长度l、道路通行能力Cs、道路连接性、道路间距离、道路最大流量、自由流速度v0 s输入Agent系统;
C112加载初始流量Volume_initial;根据流量调查结果,加载不参与充电或停车的过境交通作为道路上的路阻,路段Agent的实际行程速度和该段长度的运行时间分别为
其中,vf(i)为第i个路段的自由流速度,q(i)为第i个路段的初始流量,C(i)为第i各路段的通行能力,α和β分别是BPR函数的参数;
C12停车场的充电站Agent参数设定;具体过程包括:
C121设定停车场充电站充电桩个数和停车容量;以三组数组分别存储普通停车位数量Capacity_P、快充充电桩数量Capacity_FP和慢充充电桩数量Capacity_SP,以此作为各停车场的容量;
C122设定充电站成本Stat_Cost、快充电价TOU_FP、慢充电价TOU_SP,停车场的充电站充电桩余量Remain_EP和普通停车余量Remain_P,快速充电累计排队pa、慢速充电累计排队pb、电动汽车不充电排队pc、普通汽车停车累计排队pd;
C123充电单位价格及调整机制;充电单位价格由充电基础费率fareif和充电浮动费率fareiv组成,具体的计算为:
其中,fareif为该充电站的固定费率,fareiv为该充电站的浮动费率,为所有充电站上一期总价格的均值,farei (-1)为该充电站上一期的总价格;U为浮动区间上限,L为浮动区间下限,为某种车位/充电桩的占有率;
C124充电站效用;以充电站在仿真周期中的利润作为效用函数;
其中,E(i)为第i辆车停车时的充电电量,cost为商业电价;
C13汽车Agent参数设定;具体过程包括:
C131确定电动汽车比例PEC;按照以下方法确定具体电动汽车比例PEC,其余部分作为普通汽车参与仿真;
其中UEC是电动汽车最大比例,LEC为0,Cg为传统内燃汽车的使用成本,Ce为电动汽车的使用成本;UEC参考当年电动汽车的占有率;
每个车辆个体的OD,按照OD占比进行随机分配;电动汽车初始电量SOC(i)、车辆停车时长PT(i)、车辆使用者时间价值TV(i);
C132车辆停车效用函数Ucar(i);车辆的停车效用取停车总成本的负数:
其中,Ut为由于停车场或充电站饱和存在排队的时间成本,若充电站或停车场存在空位,该项为0;Uchg为充电费用,若车辆为普通汽车则该项为0;Up为停车费用,Utr为转移充电消耗的效用,包括考虑多花的步行时间在内的总费用,若车辆选择排队而不是转移停车则该项为0;
C133路网基准流量及车辆在不同时间内的生成概率;根据一天时间内不同的交通需求对最大生成流量根据不同时间进行折减,按照函数估计一天内各个时间段内车辆生成的比例;
C2、具体仿真流程:
C21初始化路网Agent、停车场的充电站Agent、汽车Agent;按照C1中的方法设置三套Agent系统的参数;
C22生成停车/充电车辆;判断系统中已生成的汽车数量,若未达到汽车生成比例,按照C13中的方法随机生成车辆,车辆的OD按照C132的概率进行随机分配;
C23用户决策过程;具体过程包括:
C231停车场选择;判断路网内汽车的位置及状态,判断车辆是否到达目的停车场,若到达停车场则判断停车场的排队长度,排队长度过长则转移至其他停车场,否则选择该停车场停车;若汽车还未到达目的停车场,则判断车辆电量是否小于最小的阈值SOC_min,电量过低则寻找就近停车场停车,电量足够则按照原路径继续行驶;
C232停车位选择;汽车决定在停车时,判断汽车电量是否超过上限电量SOC_max,汽车电量足够则选择普通停车位停车,否则还需判断停车时间是否超过充电时间,若停车时间较长则选择慢速充电停车位,若停车时间短则选择快速停车位;当考虑充电价格浮动区间变化和迭代法优化价格时,车辆在到达停车场未发生排队时,需要按照效用分析判断是否需要转换停车场;
C233每分钟遍历车辆状态;若车辆遇到停车场充电排队过长的问题,则选取目的地附近的3个停车场,通过车辆效用函数计算等待排队和转移至其他3个停车场的效用,选择最优效用结果;判断从目前停车场转移至其他停车场行驶的距离,采用Dijkstra算法计算得到;
C234每分钟更新停车场状态和道路状态;若有车辆完成停车,停车场的效用将根据车辆缴费和电价确定并增加容量;每分钟还需根据车辆生成比例图在路网上纳入新的车辆,调整路网的平均行驶速度;
C235迭代结束;当时间达到24小时后,即停止迭代,完成仿真;
C3、确定最适同均价无浮动价格
采用考虑车辆价格转移的MAS系统框架,设定0至两倍均价Po的仿真区间,设置仿真步长,分别得到电动汽车效用值与定价浮动之间的关系图、充电站效用与定价浮动之间的关系图,取电动汽车效用值分段点顶端附近的充电价格区间范围作为充电价格的上下限LU;
C4、优化定价
C41优化浮动价格区间估计;采用考虑车辆价格转移的MAS系统框架,设定0至两倍均价Po的仿真区间,以Pwid元为步长进行,分别得到电动汽车效用值与定价浮动之间的关系图、充电站效用与定价浮动之间的关系图,取电动汽车效用值分段点顶端附近的充电价格区间范围作为充电价格的上下限LU;
C42迭代法优化定价策略求解;固定均价仍为Po,设定浮动价格区间LU,将每次经过模拟后的各个充电站的充电价格作为下次迭代的起点进行模拟,设定每个停车场每次模拟的浮动价格确定区间,按照总体浮动区间上限或下限与本次迭代后的均价的差的绝对值的两倍作为下次迭代该停车场的价格浮动空间,迭代仿真直至迭代收敛,设定所有充电站前后迭代的充电价格之差不超过0.5元时即认为迭代价格稳定,即可得到停车场、迭代次数与充电价格之间的关系图;从关系图中选取经过数次迭代后各个充电站稳定的定价结果;
C5、优化效果对比;对定价优化前后的系统进行比较评价;
评价内容包括:
(1)效用值对比:电动汽车效用值、所有车辆总效用值、充电站总效用值
(2)充电站使用情况:充电站使用率时间序列、充电排队现象和电动汽车转移充电时间发生的累计频数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110725767.0A CN113434990B (zh) | 2021-06-29 | 2021-06-29 | 一种基于Agent仿真的电车充电桩收费优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110725767.0A CN113434990B (zh) | 2021-06-29 | 2021-06-29 | 一种基于Agent仿真的电车充电桩收费优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434990A CN113434990A (zh) | 2021-09-24 |
CN113434990B true CN113434990B (zh) | 2022-04-12 |
Family
ID=77757560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110725767.0A Active CN113434990B (zh) | 2021-06-29 | 2021-06-29 | 一种基于Agent仿真的电车充电桩收费优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434990B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458332A (zh) * | 2019-07-18 | 2019-11-15 | 天津大学 | 一种基于负荷空间转移的电动汽车快速充电需求调度方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108417031B (zh) * | 2018-03-15 | 2020-04-24 | 浙江大学 | 一种基于Agent仿真的智能停车泊位预约策略优化方法 |
US11878602B2 (en) * | 2019-11-22 | 2024-01-23 | State Grid Fujian Electric Power Co., Ltd. | Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station |
US20210183175A1 (en) * | 2019-12-12 | 2021-06-17 | Explication Automation, Llc | System of privacy oriented automated electric vehicle miles traveled usage fee assessment and settlement using utility smart grid communication network |
CN112070334A (zh) * | 2020-05-22 | 2020-12-11 | 广西电网有限责任公司 | 基于多智能理论的充换电站协调规划的方法及系统 |
CN112507506B (zh) * | 2020-09-18 | 2024-02-02 | 长安大学 | 基于遗传算法的共享汽车定价规划模型的多目标优化方法 |
-
2021
- 2021-06-29 CN CN202110725767.0A patent/CN113434990B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458332A (zh) * | 2019-07-18 | 2019-11-15 | 天津大学 | 一种基于负荷空间转移的电动汽车快速充电需求调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113434990A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034465B (zh) | 考虑充电站选址与出行路径耦合的充电站两层规划方法 | |
CN109784558B (zh) | 一种基于蚁群算法的电动汽车充电调度优化方法 | |
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 | |
CN110674575A (zh) | 一种基于时序出行集的电动汽车集群充电需求与放电能力模型建模方法 | |
CN111160639B (zh) | 基于用户出行时空分布特性的电动汽车充电负荷预测方法 | |
CN111310966A (zh) | 含电动汽车充电站的微电网选址及优化配置方法 | |
CN112347615A (zh) | 一种计及光储快充一体站的配电网混合优化调度方法 | |
CN111619391B (zh) | 基于合作博弈与动态分时电价的电动汽车有序充放电方法 | |
CN115953104B (zh) | 一种基于蜣螂优化算法的混合车队调度方法 | |
CN111400662A (zh) | 一种考虑电动汽车充电需求的空间负荷预测方法 | |
CN109615260A (zh) | 确定充电桩的安装地址的方法 | |
CN111222705B (zh) | 一种非线性充电车辆路径优化方法 | |
CN114021391A (zh) | 基于动态能耗与用户心理的电动汽车充电负荷预测方法 | |
CN115510672A (zh) | 一种物联网感知环境下电动微出行车辆换电需求预测方法 | |
CN115660501A (zh) | 电动汽车充电负荷可调裕度评估方法 | |
CN112507506A (zh) | 基于遗传算法的共享汽车定价规划模型的多目标优化方法 | |
CN110084522A (zh) | 基于随机粒子群算法的ev充电站位置生成方法及装置 | |
CN113434990B (zh) | 一种基于Agent仿真的电车充电桩收费优化方法 | |
CN117543581A (zh) | 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用 | |
CN112865149A (zh) | 一种基于代理商与区域分时电价的车网多时空互动方法 | |
Helmus et al. | SEVA: A data driven model of electric vehicle charging behavior | |
CN114285063B (zh) | 一种基于短期碳排放因子的电动汽车减碳智能充电方法 | |
CN113067355A (zh) | 提升电网可靠性的电动汽车灵活性挖掘与协同调控方法 | |
CN115330043A (zh) | 一种城市充电站的选址规划方法及系统 | |
CN114077972A (zh) | 一种基于深度强化学习的移动充电车服务调度方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |