CN113435777A - 一种电动运营车辆充电站规划方法及系统 - Google Patents
一种电动运营车辆充电站规划方法及系统 Download PDFInfo
- Publication number
- CN113435777A CN113435777A CN202110790581.3A CN202110790581A CN113435777A CN 113435777 A CN113435777 A CN 113435777A CN 202110790581 A CN202110790581 A CN 202110790581A CN 113435777 A CN113435777 A CN 113435777A
- Authority
- CN
- China
- Prior art keywords
- data
- electric
- track
- charging
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004140 cleaning Methods 0.000 claims abstract description 73
- 239000002245 particle Substances 0.000 claims abstract description 35
- 238000010276 construction Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 49
- 230000029305 taxis Effects 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 230000008901 benefit Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000001154 acute effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 231100000716 Acceptable daily intake Toxicity 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000001698 laser desorption ionisation Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及一种电动运营车辆充电站规划方法及系统,该方法包括对采集的轨迹数据进行清洗和修改处理后,提取OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合,并根据OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合模拟电动出租车的运营,根据模拟电动出租车的运营建立电动出租车充电需求时空分布模型;基于充电站年建设运行成本、电动汽车用户从充电需求点到充电站年耗时成本和电动汽车用户年排队等待时间成本,构建充电站选址定容规划模型的目标函数;根据电动出租车充电需求时空分布模型,采用粒子群算法求解目标函数,确定充电站位置和各充电站中充电机的配置数量,本发明提高了充电站选址定容的准确性。
Description
技术领域
本发明涉及充电站规划技术领域,特别是涉及一种电动运营车辆充电站规划方法及系统。
背景技术
为缓解严峻的能源和环境问题,发展电动汽车已成为全球共识。出租车作为城市交通网络中的重要交通工具,单辆日行驶里程通常超过300公里,据计算,每当一辆燃油出租车换成纯电动汽车,每年就能减少5万吨的碳排放。因此,以出租车、物流车等运营行业实现全面电动化是大势所趋,给社会环境带来的效益也是显而易见的。制定切实可行的充电设施部署方案是运营车辆行业电动化的重要前提和基础。不合理的充电站规划不仅会影响充电站运营商的收益,还会造成用户充电便利性差的问题,不利于电动汽车产业的推广。因此,提出兼顾用户充电便利性与运营商收益的电动汽车充电站规划方法是现阶段仍需解决的问题。
充电站的选址定容优化问题受多种因素制约,受城市土地建设、交通流量、城市人口分布等多方面的影响。现有的充电站规划研究多从充电站和用户二者的利益均衡角度出发,对充电站的选址定容进行优化,但是并未对城市电动汽车充电需求的时空分布状态进行详细建模,一般假设为已知或通过给定的OD需求简单得出。没有准确可靠的充电需求时空分布,就不能精确定位到达每个充电点的行驶时间和排队时间,难以确保充电站选址定容结果的准确性。
发明内容
本发明的目的是提供一种电动运营车辆充电站规划方法及系统,提高了充电站选址定容的准确性。
为实现上述目的,本发明提供了如下方案:
一种电动运营车辆充电站规划方法,包括:
采集出租车订单的轨迹数据;所述轨迹数据包括多个轨迹点;
对所述轨迹数据进行异常数据删除,获得第一处理轨迹数据;
对所述第一处理轨迹数据中偏离点进行修正,获得第二处理轨迹数据;所述偏离点为与交通路网中道路的距离在第一设定距离外的轨迹点;
根据所述第二处理轨迹数据,获得OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合;
根据所述OD点对出行集合、所述车辆通行速度集合和所述车辆行驶轨迹集合,模拟电动出租车的运营,根据所述模拟电动出租车的运营建立电动出租车充电需求时空分布模型;
基于充电站年建设运行成本、电动汽车用户从充电需求点到充电站年耗时成本和电动汽车用户年排队等待时间成本,构建充电站选址定容规划模型的目标函数;
根据所述电动出租车充电需求时空分布模型,采用粒子群算法求解所述目标函数,确定充电站位置和各充电站中充电机的配置数量。
可选地,所述对所述轨迹数据进行异常数据删除,获得第一处理轨迹数据,具体包括:
以订单为单位,将所述轨迹数据按照时间序列排列为轨迹集合;
删除所述轨迹集合中不在设定区域范围内的数据,获得第一清洗数据;
删除所述第一清洗数据中同一订单在第二设定距离内的重复轨迹数据,获得第二清洗数据;
删除所述第二清洗数据中瞬时速度超过120公里/小时的轨迹数据,获得第三清洗数据;
删除所述第三清洗数据中异常偏移点,获得第四清洗数据;所述异常偏移点与上一时刻轨迹点的连线和与下一时刻轨迹点的连线之间的夹角为锐角;
删除所述第四清洗数据中订单中轨迹点少于10、订单时长小于1分钟或者订单距离小于800米的订单数据,获得所述第一处理轨迹数据。
可选地,所述对所述第一处理轨迹数据中偏离点进行修正,获得第二处理轨迹数据,具体包括:
选取所述交通路网中各道路与所述偏离点的距离最短的4-6条道路为第一待确认路段集;
将所述偏离点作为临时线段的起点,下一时刻的轨迹点作为临时线段的终点,从所述待确认路段集中筛选出与所述临时线段的斜率绝对值之差最小的两条道路作为第二待确认路段集;
从所述第二待确认路段集中选择与所述偏离点距离最短的道路作为所述偏离点的归属道路;
将所述偏离点垂直投影到所述归属道路的位置作为所述偏离点的修正位置。
可选地,所述根据所述第二处理轨迹数据,获得OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合,具体包括:
根据所述第二处理轨迹数据计算每个轨迹点的瞬时速度,获得各道路不同时刻的车辆通行速度,各道路不同时刻的车辆通行速度构成所述车辆通行速度集合;
提取所述第二处理轨迹数据中每个订单的出发位置和终点位置,获得OD点对出行集合;
基于地图匹配方法进行车辆轨迹识别,提取所述第二处理轨迹数据中每个订单出发位置和终点位置之间所有交通节点的集合,所述订单出发位置和终点位置之间所有交通节点的集合构成所述车辆行驶轨迹集合。
可选地,所述根据所述OD点对出行集合、所述车辆通行速度集合和所述车辆行驶轨迹集合,模拟电动出租车的运营,根据所述模拟电动出租车的运营建立电动出租车充电需求时空分布模型,具体包括:
初始化电动出租车的参数;所述电动出租车的参数包括电动出租车总数、一班制或两班制工作模式下每个班的电动出租车数目、各电动出租车的开始工作时刻和结束工作时刻以及各电动出租车的初始电量;
初始化电动出租车充电需求集合;
按照各电动出租车的开始工作时刻对各电动出租车进行编号;所述编号用j表示;
对第j辆电动出租车的运营进行模拟;
根据当前时刻第j辆电动出租车的电池电量判断第j辆电动出租车是否产生充电需求;
若第j辆电动出租车产生充电需求,则将充电需求产生的时刻和位置加入所述电动出租车充电需求集合,使第j辆电动出租车在第一设定时间内停止运营,令j值加1,返回步骤“对第j辆电动出租车的运营进行模拟”;
若第j辆电动出租车没有产生充电需求,则使第j辆电动出租车在所述交通路网中巡游,直到接到订单;
提取订单中的起点和终点,第j辆电动出租车前往所述起点接乘客;
当第j辆电动出租车接到乘客后,删除所述OD点对出行集合当前订单的OD点对,记录当前时刻、当前时刻电池电量和当前时刻位置,将当前订单的在所述车辆行驶轨迹集合中的历史行驶轨迹作为当前行驶轨迹,提取所述车辆通行速度集合中与所述当前行驶轨迹对应的道路通行速度,根据当前行驶轨迹和对应的道路通行速度计算当前订单的行驶时间;
当当前订单到达终点后,更新当前时刻、当前时刻电池电量和当前时刻位置;
判断第j辆电动出租车是否到达结束工作时刻;
若第j辆电动出租车到达结束工作时刻,则第j辆电动出租车第二设定时间内停止运营,判断j是否等于所述电动出租车总数;
若第j辆电动出租车没有到达结束工作时刻,则判断j是否等于所述电动出租车总数;
若j不等于所述电动出租车总数,则令j值加1,返回步骤“对第j辆电动出租车的运营进行模拟”;
若j等于所述电动出租车总数,则模拟运营结束;
根据电动出租车充电需求集合确定电动出租车充电需求时空分布模型。
可选地,所述充电站选址定容规划模型的目标函数表示为:
minF=αF1+β(F2+F3)nyear;
其中,F为年综合成本;F1为所述充电站年建设运行成本;F2为所述电动汽车用户从充电需求点到充电站年耗时成本;F3为所述用户年排队等待时间成本;nyear为充电站规划年限,α为第一权衡利益系数,β为第二权衡利益系数;
N为规划的充电站数量;Qi为第i号充电站内充电机数量;r0为贴现率;m为充电站的折旧年限,C(Qi)为第i号充电站建设投资成本函数;U(Qi)为第i号充电站年运行成本函数;
J为充电需求点集合,为选择第i号充电站进行充电的充电需求点集合;为选择第i号充电站进行充电的第j号充电需求用户前往第i号充电站充电途中所经过的道路集合;φ为经过道路系数,dk为k号道路长度;vkt为t时刻k号道路的车辆通行速度;fw为电动汽车用户时间成本折算系数;
可选地,所述根据所述电动出租车充电需求时空分布模型,采用粒子群算法求解所述目标函数,确定充电站位置和各充电站中充电机的配置数量,具体包括:
根据所述电动出租车充电需求时空分布模型,采用改进自适应惯性权值的粒子群算法求解所述目标函数,确定充电站位置和各充电站中充电机的配置数量
本发明还公开了一种电动运营车辆充电站规划系统,包括:
数据采集模块,用于采集出租车订单的轨迹数据;所述轨迹数据包括多个轨迹点;
数据清洗模块,用于对所述轨迹数据进行异常数据删除,获得第一处理轨迹数据;
数据修正模块,用于对所述第一处理轨迹数据中偏离点进行修正,获得第二处理轨迹数据;所述偏离点为与交通路网中道路的距离在第一设定距离外的轨迹点;
数据集合提取模块,用于根据所述第二处理轨迹数据,获得OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合;
电动出租车充电需求时空分布模型构建模块,用于根据所述OD点对出行集合、所述车辆通行速度集合和所述车辆行驶轨迹集合,模拟电动出租车的运营,根据所述模拟电动出租车的运营建立电动出租车充电需求时空分布模型;
充电站选址定容规划模型的目标函数构建模块,用于基于充电站年建设运行成本、电动汽车用户从充电需求点到充电站年耗时成本和电动汽车用户年排队等待时间成本,构建充电站选址定容规划模型的目标函数;
充电站选址定容规划确定模块,用于根据所述电动出租车充电需求时空分布模型,采用粒子群算法求解所述目标函数,确定充电站位置和各充电站中充电机的配置数量。
可选地,所述数据清洗模块,具体包括:
轨迹集合获取单元,用于以订单为单位,将所述轨迹数据按照时间序列排列为轨迹集合;
第一清洗数据获取单元,用于删除所述轨迹集合中不在设定区域范围内的数据,获得第一清洗数据;
第二清洗数据获取单元,用于删除所述第一清洗数据中同一订单在第二设定距离内的重复轨迹数据,获得第二清洗数据;
第三清洗数据获取单元,用于删除所述第二清洗数据中瞬时速度超过120公里/小时的轨迹数据,获得第三清洗数据;
第四清洗数据获取单元,用于删除所述第三清洗数据中异常偏移点,获得第四清洗数据;所述异常偏移点与上一时刻轨迹点的连线和与下一时刻轨迹点的连线之间的夹角为锐角;
第一处理轨迹数据获取单元,用于删除所述第四清洗数据中订单中轨迹点少于10、订单时长小于1分钟或者订单距离小于800米的订单数据,获得所述第一处理轨迹数据。
可选地,所述数据修正模块,具体包括:
第一待确认路段集获取单元,用于选取所述交通路网中各道路与所述偏离点的距离最短的4-6条道路为第一待确认路段集;
第二待确认路段集获取单元,用于将所述偏离点作为临时线段的起点,下一时刻的轨迹点作为临时线段的终点,从所述待确认路段集中筛选出与所述临时线段的斜率绝对值之差最小的两条道路为第二待确认路段集;
归属道路确定单元,用于从所述第二待确认路段集中选择与所述偏离点距离最短的道路作为所述偏离点的归属道路;
修正位置确定单元,用于所述偏离点垂直投影到所述归属道路的位置为所述偏离点的修正位置。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明对采集的轨迹数据进行清洗和修改处理后,提取OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合,并根据OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合模拟电动出租车的运营,根据模拟电动出租车的运营建立电动出租车充电需求时空分布模型;基于充电站年建设运行成本、电动汽车用户从充电需求点到充电站年耗时成本和电动汽车用户年排队等待时间成本,构建充电站选址定容规划模型的目标函数;根据电动出租车充电需求时空分布模型,采用粒子群算法求解目标函数,确定充电站位置和各充电站中充电机的配置数量,本发明通过构建电动出租车充电需求时空分布模型,将充电行为模拟和数学优化模型相结合,提高了充电站位置定位及充电站内的充电机配置的准确性。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种电动运营车辆充电站规划方法流程示意图一;
图2为本发明一种电动运营车辆充电站规划方法流程示意图二;
图3为本发明各功能区出租车出发时刻、到达时刻的概率分布图;
图4为本发明电动出租车充电需求时空分布模型构建流程图;
图5为本发明实施例充电需求分布结果示意图;
图6为本发明实施例中改进粒子群算法流程示意图;
图7为本发明规划不同数量充电站的总成本;
图8为本发明实施例充电站规划结果示意图;
图9为本发明一种电动运营车辆充电站规划系统结构示意图。
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,都属于本发明保护的范围。
本发明的目的是提供一种电动运营车辆充电站规划方法及系统,提高了充电站选址定容的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种电动运营车辆充电站规划方法流程示意图,如图1所示,一种电动运营车辆充电站规划方法包括以下步骤:
步骤101:采集出租车订单的轨迹数据;轨迹数据包括多个轨迹点。
轨迹点为GPS轨迹点。
步骤102:对轨迹数据进行数据清洗,获得第一处理轨迹数据。
步骤103:对第一处理轨迹数据中偏离点进行修正,获得第二处理轨迹数据;偏离点为与交通路网中道路的距离在第一设定距离外的轨迹点。
其中,步骤103中距离为偏离点与交通路网中道路的最短距离。
交通路网包括各个道路构成的拓扑结构,其中,道路与道路的交叉点定义为交通节点。
步骤104:根据第二处理轨迹数据,获得OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合。
OD点对中O表示出行的出发地点,D表示出行的目的地。
步骤105:根据OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合,模拟电动出租车的运营,根据模拟电动出租车的运营建立电动出租车充电需求时空分布模型。
步骤106:基于充电站年建设运行成本、电动汽车用户从充电需求点到充电站年耗时成本和电动汽车用户年排队等待时间成本,构建充电站选址定容规划模型的目标函数。
步骤107:根据电动出租车充电需求时空分布模型,采用粒子群算法求解目标函数,确定充电站位置和各充电站中充电机的配置数量。
其中,步骤102具体包括:
以订单为单位,将轨迹数据按照时间序列排列为轨迹集合。
删除轨迹集合中不在设定区域范围内的数据,获得第一清洗数据。
删除第一清洗数据中同一订单在第二设定距离内的重复轨迹数据,获得第二清洗数据。
删除第二清洗数据中瞬时速度超过120公里/小时的轨迹数据(轨迹点),获得第三清洗数据。
当轨迹点k是行程起点时,瞬时速度的计算公式为:
当轨迹点k是行程中间点时,瞬时速度的计算公式为:
当轨迹点k是行程终点时,瞬时速度的计算公式为:
其中,vk表示轨迹点k的瞬时速度,xk表示轨迹点k的经度坐标,yk表示轨迹点k的纬度坐标,tk表示轨迹点k对应时间。
删除第三清洗数据中异常偏移点,获得第四清洗数据;异常偏移点与上一时刻轨迹点的连线和与下一时刻轨迹点的连线之间的夹角为锐角。
删除第四清洗数据中订单中轨迹点少于10、订单时长小于1分钟或者订单距离小于800米的订单数据,获得第一处理轨迹数据。
其中,步骤103具体包括:
选取交通路网中各道路与偏离点的距离最短的4-6条道路作为第一待确认路段集。具体为:将交通路网中各道路与偏离点的距离(最短距离)从小到大进行排序,取前4-6条道路作为第一待确认路段集。
将偏离点作为临时线段的起点,下一时刻的轨迹点作为临时线段的终点,从待确认路段集中筛选出与临时线段的斜率绝对值之差最小的两条道路作为第二待确认路段集。
从第二待确认路段集中选择与偏离点距离最短的道路作为偏离点的归属道路。
将偏离点垂直投影到归属道路的位置作为偏离点的修正位置。
其中,步骤104具体包括:
根据第二处理轨迹数据计算每个轨迹点的瞬时速度,获得各道路不同时刻的车辆通行速度,各道路不同时刻的车辆通行速度构成车辆通行速度集合。
提取第二处理轨迹数据中每个订单的出发位置和终点位置,获得OD点对出行集合。
基于地图匹配方法进行车辆轨迹识别,提取第二处理轨迹数据中每个订单出发位置和终点位置之间所有交通节点的集合,订单出发位置和终点位置之间所有交通节点的集合构成车辆行驶轨迹集合。
其中,步骤105具体包括:
初始化电动出租车的参数,电动出租车的参数包括电动出租车总数、一班制或两班制工作模式下每个班的电动出租车数目、各电动出租车的开始工作时刻和结束工作时刻以及各电动出租车的初始电量。
初始化电动出租车充电需求集合。
按照各电动出租车的开始工作时刻对各电动出租车进行编号;编号用j表示。
对第j辆电动出租车的运营进行模拟。
根据当前时刻第j辆电动出租车的电池电量判断第j辆电动出租车是否产生充电需求。
若第j辆电动出租车产生充电需求,则将充电需求产生的时刻和位置加入电动出租车充电需求集合,使第j辆电动出租车在第一设定时间内停止运营,令j值加1,返回步骤“对第j辆电动出租车的运营进行模拟”。
若第j辆电动出租车没有产生充电需求,则使第j辆电动出租车在交通路网中巡游,直到接到订单。
提取订单中的起点和终点,第j辆电动出租车前往起点接乘客。
当第j辆电动出租车接到乘客后,删除OD点对出行集合当前订单的OD点对,记录当前时刻、当前时刻电池电量和当前时刻位置,将当前订单在车辆行驶轨迹集合中的历史行驶轨迹作为当前行驶轨迹,提取车辆通行速度集合中与当前行驶轨迹对应的道路通行速度,根据当前行驶轨迹和对应的道路通行速度计算当前订单的行驶时间。
当当前订单到达终点后,更新当前时刻、当前时刻电池电量和当前时刻位置。
判断第j辆电动出租车是否到达结束工作时刻。
若第j辆电动出租车到达结束工作时刻,则第j辆电动出租车在第二设定时间内停止运营,判断j是否等于电动出租车总数。
若第j辆电动出租车没有到达结束工作时刻,则判断j是否等于电动出租车总数。
若j不等于电动出租车总数,则令j值加1,返回步骤“对第j辆电动出租车的运营进行模拟”。
若j等于电动出租车总数,则模拟运营结束。
根据电动出租车充电需求集合确定电动出租车充电需求时空分布模型。
充电站选址定容规划模型的目标函数表示为:
minF=αF1+β(F2+F3)nyear;
其中,F为年综合成本;F1为充电站年建设运行成本;F2为电动汽车用户从充电需求点到充电站年耗时成本;F3为用户年排队等待时间成本;nyear为充电站规划年限,α为第一权衡利益系数,β为第二权衡利益系数;
N为规划的充电站数量;Qi为第i号充电站内充电机数量;r0为贴现率;m为充电站的折旧年限,C(Qi)为第i号充电站建设投资成本函数;U(Qi)为第i号充电站年运行成本函数;
J为充电需求点集合,为选择第i号充电站进行充电的充电需求点集合;为选择第i号充电站进行充电的第j号充电需求用户前往第i号充电站充电途中所经过的道路集合;φ为经过道路系数,dk为k号道路长度;vkt为t时刻k号道路的车辆通行速度;fw为电动汽车用户时间成本折算系数;
为第i号充电站在t时刻内的充电排队等待时间;为第i号充电站在t时刻内充电的电动出租车数量;t∈[t0,te]表示模拟电动出租车一天内的运营时段,t0表示运营开始时间,te表示运营开始时间,具体为t∈[8,22],指早八点-晚22点的运营时段。
其中,步骤107具体包括:
根据电动出租车充电需求时空分布模型,采用改进自适应惯性权值的粒子群算法求解目标函数,确定充电站位置和各充电站中充电机的配置数量。
下面详细说明一种电动运营车辆充电站规划方法,包括以下步骤:
步骤S1:数据挖掘
出租车平台的订单司机轨迹数据作为基础数据,其单日轨迹数量为千万级,订单数量为十万级,规模庞大,研究价值极高,数据包括脱敏化的司机ID和订单ID、时间戳、经度和纬度。由于原始数据规模过于庞大,存在部分不能利用或者不能直接利用的轨迹数据,需要对原始数据进行相关清洗和处理。
(1)数据清洗和处理主要包括以下工作:
1)以订单为单位,将单日数据分为若干集合。原始轨迹数据具有严重的无序性,需要对其进行处理,生成以订单为单位、按照时间序列排列的轨迹集合,降低后续研究的复杂度。
2)删除经纬度不在研究区域范围内的数据。某出现平台在提取开放数据时,仅用经纬度指标对数据进行分割,部分经纬度数据无法在交通路网中形成有效回路,需要删除。
3)删除同一订单中在短距离内的多条重复数据。该情形可能是因为司机、乘客个人原因或交通状况等因素导致车辆未正常行驶,同时GPS设备正常向终端上传位置信息,因此出现重复数据。
4)删除瞬时速度超过120公里/小时的轨迹数据。
当轨迹点k是行程起点时,瞬时速度的计算公式为:
当轨迹点k是行程中间点时,瞬时速度的计算公式为:
当轨迹点k是行程终点时,瞬时速度的计算公式为:
速度超过120公里/小时即意味着该点与邻近前后两点距离很远,不符合常规,该情形大概率是GPS设备故障导致。
5)删除异常偏移数据。部分GPS数据存在较严重的位置偏移现象,轨迹点C、E与轨迹点D形成了锐角,则定义轨迹点D为异常偏移数据点。计算行驶过程中的每一个GPS点与相邻两个时刻GPS点之间的夹角,若夹角小于90度,则认为该点为异常偏移点;考虑到GPS数据大多是2-3秒更新一次位置信息,不需要用中间点做替换,简单删去即可。
6)删除轨迹数量小于10、订单时长小于1分钟或订单距离小于800米的订单数据。轨迹数量小于10、订单时长小于1分钟或订单距离小于800米的订单数据不具备研究意义,该情形可能是GPS设备故障或乘客上车后因为某些原因提前终止了本次乘车行为。
(2)地图匹配:
受车辆GPS精度、人为因素或电磁干扰等外界因素和坐标系转换算法精度的影响,即使将GPS轨迹和路网模型置于同一坐标系中,仍存在GPS轨迹点偏离路网的情况。因此需要进行地图匹配,对偏离路网的GPS轨迹点进行修正。
对于与道路距离在一定范围外的GPS点:
1)路段归属:遍历交通路网中所有道路与GPS轨迹点构成的线段的最短距离,选取距离最短的4-6条路段作为待确认路段集。求GPS轨迹点与道路构成的线段的距离。将该GPS轨迹点作为起点,下一时刻的GPS轨迹点作为线段终点,筛选出与该线段斜率绝对值最接近的两条路段,选择与GPS轨迹点距离最短的路段作为该GPS轨迹点的所属路段。
2)位置归属:确定GPS轨迹点的路段归属后,轨迹点垂直投影到所属路段的位置即是轨迹点进行地图匹配后的具体位置。
(3)基于出租车GPS数据,使用数据挖掘技术,得到城市居民打车需求OD出行集、路网车辆通行速度集和实际行驶轨迹集。
1)路网通行数据集
利用地图经纬度拾取器获取道路重要节点的经纬度信息,结合Open Street Map开源网站获取所选区域路网矢量图,采用图论分析方法描述交通路网拓扑结构。
式中,G是整个交通网道路拓扑结构,由N、E、D和V四部分组成;N为道路节点集合;E为连边集合;D为与边对应的长度集合;V为与边对应的速度集合;n为道路节点个数;m为道路数;vij为道路eij的车辆通行速度。通过计算每个GPS轨迹点的瞬时速度,得到不同时刻路段中车辆通行速度信息。其中道路节点为路段与路段之间的交叉点,相当于十字路口。
2)OD点对出行集
将出租车轨迹数据按照时间序列进行排列,提取每个订单的上车点和下车点,得到OD点对数据g={LO,TO,LD,TD},其中,LO是起点位置,TO是出发时间,LD是订单终点位置,TD是到达时间。遍历所有订单,得到OD出行集G={g1,g2,…,gn},其中n是该天有效出行数量。
3)车辆行驶轨迹集
S2:充电需求时空分布预测:
将OD点对出行集合作为城市居民打车需求,模拟电动出租车的运营,建立电动出租车充电需求时空分布预测模型。
(1)初始化电动出租车参数,包括:电动出租车总数N、一班制/两班制工作模式的车辆数目、开始/结束工作时刻、换班时刻和初始电量。
(2)按工作开始时间对电动出租车编号。
(3)进行第j辆电动出租车的出行模拟,判断是否产生充电需求。若是,记录充电需求产生的时刻和位置,并加入电动出租车充电需求集合,计算充电时长在时段内停止运营,令j=j+1,返回(3);反之,直接进入下一步骤。
(4)进入寻客过程,设定出租车以一定速度(寻客速度)在路网中巡游,直至接单,提取该订单需求的起点和终点,前往起始点接乘客。订单OD点对需满足如下公式:
式中,to为该OD点对的起点时刻;LO为该OD点对的起点位置;LD为OD点对的终点位置。即该出行需求产生的时间要早于当前时刻,且需求产生点与出租车距离在1km以内。
(5)司机接单,更新订单需求,即在订单需求库中删除该需求。
(8)判断j是否等于设定数量N。若是,结束;反之,令j=j+1,进入步骤(3)。
S3:电动出租车充电站规划:
基于上述流程建立了电动出租车充电需求时空分布模型,为充电站规划的建模提供了必要的输入数据。对于人口相对稳定、道路基础设施发达的城市,城市内出行模式、运输系统将趋于一致并保持稳定。在可预测的未来情况下,可根据电动汽车市场渗透率,利用现有的出租车轨迹来估计充电时空分布的演化状况,对充电站网络进行改造或扩建,具体包括:
(1)充电站年建设运行成本
该成本主要包括前期建设时的土建、电网设施、充电机及相关保护设备等费用和投入运营后的设备日常维护、人力费用等。充电站的建设配套设施成本、设备护和人工成本均和充电站规模息息相关,而充电站内充电机的数量决定了充电站的规模,因此将建设投资成本和年运行成本定义为关于充电机数量的函数,具体为:
式中,N为规划的充电站数量;Qi为i号充电站内充电机数量;r0为贴现率;m为充电站的折旧年限;C(Qi)为充电站建设投资成本函数;U(Qi)为充电站年运行成本函数,在该实施例中取充电站建设投资成本的10%;O为建设充电站土建费用;q为充电机的单价;e为充电机配套设施费用的等效系数。
(2)电动汽车用户从充电需求点到充电站年耗时成本
该成本可表示为下式:
式中,J为充电需求点集合,JCSi为选择i号充电站进行充电的充电需求点集合,即集合内的电动汽车用户均选择i号充电站充电;EJCSi为选择i号充电站进行充电的j号充电需求用户前往充电站充电途中所经过的路径集合;φ为经过道路系数,φ=1表示行驶过该道路全程,φ=0.5表示仅行驶过该道路半程;dk为k号道路长度;vkt为t时刻k号道路的车辆通行速度。
(3)电动汽车用户年排队等待时间成本
电动汽车用户在充电过程中可能会遇到排队等待现象,公共充电站内电动汽车用户到达时间间隔服从负指数分布,充电时长服从多高斯分布,符合M/G/k排队模型。M/G/k排队模型中的顾客到达服从符合参数为λ的泊松分布,服务时长为一般分布G,一般分布G的期望为ET,方差为VT,那么M/G/k排队模型的平均等待时长的近似计算公式为:
式中,k为充电机数量;λ为单位时间内到达充电站的电动汽车数量。
电动汽车用户等待时间年成本表示为:
约束条件为:
本发明假设电动汽车用户充电时无二次选择行为,即不会选择换站充电,因此必须保证电动汽车用户的排队等待时长在一定范围以内,Wmax为电动汽车用户对排队等待的最大忍耐时间。
本发明使用充电站建设运行成本描述运营商侧利益,从充电需求点到充电站耗时成本和充电过程中的排队等待时间成本用以描述电动汽车用户侧利益,以总成本和最低为目标,建立充电站最优选址定容规划模型,目标函数为:
min F=αF1+β(F2+F3)nyear;
式中:F为年综合成本;F1为充电站年建设运行成本;F2为用户从充电需求点到目标充电站途中年耗时成本;F3为用户年排队等待时间成本;nyear为充电站规划年限,α,β为权衡双方利益的系数,该实施例更重视充电站的公共服务功能,因此向用户侧利益稍加倾斜,取α=0.8,β=1.2。
S4:优化求解:本发明使用一种改进自适应惯性权值的粒子群算法,分析粒子的速度和位置变化,结合自适应值对惯性权重进行动态调整,使得最优结果能在全局和局部之间达到良好的平衡。粒子群算法中,惯性权值对算法的优化性能有很大的影响,基于此,将惯性权值ω做适当调整,先保持ω处于较大值,当粒子搜索到最优点附近时,减小ω,通过不停地改变惯性权值ω的大小来平衡全局和局部搜索能力。每次迭代都对当前粒子的移动效果进行定性评估,表示为:
式中,Δh为适应度的变化量;vx为粒子在x轴的速度分量。
当θ较大时,粒子在离最优解较远的地方聚集,给予较大的惯性权值;当θ较小时,粒子在最优解附近聚集,给予较小的惯性权值,从而形成改进的自适应惯性权值方法。通过以上分析,发现BP神经元的sigmoid非线性函数与要求较为符合,sigmoid非线性函数的公式为:
若粒子群的群体规模为N,搜索空间为d维,第i(i=1,2,…,N)个粒子的速度为vi=(vi1,vi2,…,vid),改进的自适应惯性权值粒子群算法的迭代公式为:
式中,ωid为动态自适应惯性权值,每个粒子在每次迭代时的惯性权值均不同;c1是粒子在其历史搜寻中所找到的最佳值的权重系数,它是粒子对本身的认知,其值通常为2,c2是粒子在群体中搜寻中所找到的最佳值的权重系数,它是粒子对整个集群的认知,通常被设置为2,r1和r2是分布在[0,1]区间上的随机数;α为变化系数,取1;Δh为粒子当次迭代函数适应度值和上次迭代函数的适应度值的差值,Vid表示i粒子的飞行速度,表示第k次迭代时的飞行速度,表示在第k次迭代时每个粒子目前所搜索到的最优位置,表示第i个粒子的位置,表示第k次迭代时粒子全局搜索到的最优位置。
下面以具体实施例说明一种电动运营车辆充电站规划方法。
本实施例选取西安市部分核心区域为研究对象,经度108°54′2″-108°59′53″,纬度34°12′29″-34°16′41″,长约8600米,宽约7000米。选取某出行平台公布的西安市部分区域2016年10月和11月的某出行平台的订单司机轨迹数据作为基础数据。
本发明一种电动运营车辆充电站规划方法具体为一种基于出租车GPS数据的电动汽车充电站规划方法。
如图2所示,本发明一种电动运营车辆充电站规划方法,具体步骤如下:
(1)通过对订单数据集进行数据清洗及处理,获取研究范围、路网通行数据集合、OD点对出行集合、行驶轨迹集合等一系列衍生数据。其中,数据清洗过程具体内容为:
1)对原始GPS数据进行处理,删除经纬度不在研究区域内的数据,以及同一订单中在短距离内的多条重复数据,删除瞬时速度超过120公里/小时的轨迹数据,删除异常偏移数据,删除轨迹数量小于10、订单时长小于1分钟或者订单距离小于800米的订单数据。
2)对于与道路节点距离在一定范围外的GPS点,基于车辆GPS轨迹点的行驶角度、道路所在直线的斜率和GPS轨迹点到道路线段的距离确定该GPS轨迹点的路段归属,然后利用垂直投影确定GPS轨迹点在路段中的位置归属。
数据清洗后,进行数据挖掘,具体内容为:
利用处理后的GPS轨迹数据,结合该城区功能区分布特点,统计并总结出出租车在各功能区的出发时刻、到达时刻的概率分布情况,如图3所示,图3中横坐标表示时间,纵坐标表示概率。城区功能区分区包括居民区、商业区、工业区、公共服务区、绿地与广场区、混合区和无数据区,图3中给出了居民区、商业区、工业区、公共服务区和绿地与广场区的工作日出发时刻、工作日到达时刻、非工作日出发时刻和非工作日到达时刻的概率曲线图。
(2)依据订单信息,模拟出租车运营状态,流程如图4所示,建立电动出租车充电需求时空分布模型。图5为某工作日在充电需求最多时段内的充电需求点分布。
(3)按照充电站选址定容规划模型,应用改进粒子群算法求解最优站址及站内的充电机数量配置,算法流程如图6所示。本实例基本参数设置如表1所示,当充电站个数为3-17时,综合成本变化趋势如图7所示。区域内充电站最优规划结果如图8所示,各规划充电站的详细信息如表2所示。
表1充电站基本参数
表2充电站最优规划结果
图9为本发明一种电动运营车辆充电站规划系统结构示意图,如图9所示,一种电动运营车辆充电站规划系统包括:
数据采集模块201,用于采集出租车订单的轨迹数据;轨迹数据包括多个轨迹点;
数据清洗模块202,用于对轨迹数据进行数据清洗,获得第一处理轨迹数据;
数据修正模块203,用于对第一处理轨迹数据中偏离点进行修正,获得第二处理轨迹数据;偏离点为与交通路网中道路的距离在第一设定距离外的轨迹点;
数据集合提取模块204,用于根据第二处理轨迹数据,获得OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合;
电动出租车充电需求时空分布模型构建模块205,用于根据OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合,模拟电动出租车的运营,根据模拟电动出租车的运营建立电动出租车充电需求时空分布模型;
充电站选址定容规划模型的目标函数构建模块206,用于基于充电站年建设运行成本、电动汽车用户从充电需求点到充电站年耗时成本和电动汽车用户年排队等待时间成本,构建充电站选址定容规划模型的目标函数;
充电站选址定容规划确定模块207,用于根据电动出租车充电需求时空分布模型,采用粒子群算法求解目标函数,确定充电站位置和各充电站中充电机的配置数量。
数据清洗模块202,具体包括:
轨迹集合获取单元,用于以订单为单位,将轨迹数据按照时间序列排列为轨迹集合。
第一清洗数据获取单元,用于删除轨迹集合中不在设定区域范围内的数据,获得第一清洗数据。
第二清洗数据获取单元,用于删除第一清洗数据中同一订单在第二设定距离内的重复轨迹数据,获得第二清洗数据。
第三清洗数据获取单元,用于删除第二清洗数据中瞬时速度超过120公里/小时的轨迹数据,获得第三清洗数据。
第四清洗数据获取单元,用于删除第三清洗数据中异常偏移点,获得第四清洗数据;异常偏移点与上一时刻轨迹点的连线和与下一时刻轨迹点的连线之间的夹角为锐角。
第一处理轨迹数据获取单元,用于删除第四清洗数据中订单中轨迹点少于10、订单时长小于1分钟或者订单距离小于800米的订单数据,获得第一处理轨迹数据。
数据修正模块203,具体包括:
第一待确认路段集获取单元,用于选取交通路网中各道路与偏离点的距离最短的4-6条道路作为第一待确认路段集。
第二待确认路段集获取单元,用于将偏离点作为临时线段的起点,下一时刻的轨迹点作为临时线段的终点,从待确认路段集中筛选出与临时线段的斜率绝对值之差最小的两条道路作为第二待确认路段集。
归属道路确定单元,用于从第二待确认路段集中选择与偏离点距离最短的道路作为偏离点的归属道路。
修正位置确定单元,用于将偏离点垂直投影到归属道路的位置作为偏离点的修正位置。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应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 (10)
1.一种电动运营车辆充电站规划方法,其特征在于,包括:
采集出租车订单的轨迹数据;所述轨迹数据包括多个轨迹点;
对所述轨迹数据进行数据清洗,获得第一处理轨迹数据;
对所述第一处理轨迹数据中偏离点进行修正,获得第二处理轨迹数据;所述偏离点为与交通路网中道路的距离在第一设定距离外的轨迹点;
根据所述第二处理轨迹数据,获得OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合;
根据所述OD点对出行集合、所述车辆通行速度集合和所述车辆行驶轨迹集合,模拟电动出租车的运营,根据所述模拟电动出租车的运营建立电动出租车充电需求时空分布模型;
基于充电站年建设运行成本、电动汽车用户从充电需求点到充电站年耗时成本和电动汽车用户年排队等待时间成本,构建充电站选址定容规划模型的目标函数;
根据所述电动出租车充电需求时空分布模型,采用粒子群算法求解所述目标函数,确定充电站位置和各充电站中充电机的配置数量。
2.根据权利要求1所述的电动运营车辆充电站规划方法,其特征在于,所述对所述轨迹数据进行数据清洗,获得第一处理轨迹数据,具体包括:
以订单为单位,将所述轨迹数据按照时间序列排列为轨迹集合;
删除所述轨迹集合中不在设定区域范围内的数据,获得第一清洗数据;
删除所述第一清洗数据中同一订单在第二设定距离内的重复轨迹数据,获得第二清洗数据;
删除所述第二清洗数据中瞬时速度超过120公里/小时的轨迹数据,获得第三清洗数据;
删除所述第三清洗数据中异常偏移点,获得第四清洗数据;所述异常偏移点与上一时刻轨迹点的连线和与下一时刻轨迹点的连线之间的夹角为锐角;
删除所述第四清洗数据中订单中轨迹点少于10、订单时长小于1分钟或者订单距离小于800米的订单数据,获得所述第一处理轨迹数据。
3.根据权利要求1所述的电动运营车辆充电站规划方法,其特征在于,所述对所述第一处理轨迹数据中偏离点进行修正,获得第二处理轨迹数据,具体包括:
选取所述交通路网中各道路与所述偏离点的距离最短的4-6条道路作为第一待确认路段集;
将所述偏离点作为临时线段的起点,下一时刻的轨迹点作为临时线段的终点,从所述待确认路段集中筛选出与所述临时线段的斜率绝对值之差最小的两条道路作为第二待确认路段集;
从所述第二待确认路段集中选择与所述偏离点距离最短的道路作为所述偏离点的归属道路;
将所述偏离点垂直投影到所述归属道路的位置作为所述偏离点的修正位置。
4.根据权利要求1所述的电动运营车辆充电站规划方法,其特征在于,所述根据所述第二处理轨迹数据,获得OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合,具体包括:
根据所述第二处理轨迹数据计算每个轨迹点的瞬时速度,获得各道路不同时刻的车辆通行速度,各道路不同时刻的车辆通行速度构成所述车辆通行速度集合;
提取所述第二处理轨迹数据中每个订单的出发位置和终点位置,获得OD点对出行集合;
基于地图匹配方法进行车辆轨迹识别,提取所述第二处理轨迹数据中每个订单出发位置和终点位置之间所有交通节点的集合,所述订单出发位置和终点位置之间所有交通节点的集合构成所述车辆行驶轨迹集合。
5.根据权利要求1所述的电动运营车辆充电站规划方法,其特征在于,所述根据所述OD点对出行集合、所述车辆通行速度集合和所述车辆行驶轨迹集合,模拟电动出租车的运营,根据所述模拟电动出租车的运营建立电动出租车充电需求时空分布模型,具体包括:
初始化电动出租车的参数;所述电动出租车的参数包括电动出租车总数、一班制或两班制工作模式下每个班的电动出租车数目、各电动出租车的开始工作时刻和结束工作时刻以及各电动出租车的初始电量;
初始化电动出租车充电需求集合;
按照各电动出租车的开始工作时刻对各电动出租车进行编号;所述编号用j表示;
对第j辆电动出租车的运营进行模拟;
根据当前时刻第j辆电动出租车的电池电量判断第j辆电动出租车是否产生充电需求;
若第j辆电动出租车产生充电需求,则将充电需求产生的时刻和位置加入所述电动出租车充电需求集合,使第j辆电动出租车在第一设定时间内停止运营,令j值加1,返回步骤“对第j辆电动出租车的运营进行模拟”;
若第j辆电动出租车没有产生充电需求,则使第j辆电动出租车在所述交通路网中巡游,直到接到订单;
提取订单中的起点和终点,第j辆电动出租车前往所述起点接乘客;
当第j辆电动出租车接到乘客后,删除所述OD点对出行集合当前订单的OD点对,记录当前时刻、当前时刻电池电量和当前时刻位置,将当前订单在所述车辆行驶轨迹集合中的历史行驶轨迹作为当前行驶轨迹,提取所述车辆通行速度集合中与所述当前行驶轨迹对应的道路通行速度,根据当前行驶轨迹和对应的道路通行速度计算当前订单的行驶时间;
当当前订单到达终点后,更新当前时刻、当前时刻电池电量和当前时刻位置;
判断第j辆电动出租车是否到达结束工作时刻;
若第j辆电动出租车到达结束工作时刻,则第j辆电动出租车在第二设定时间内停止运营,判断j是否等于所述电动出租车总数;
若第j辆电动出租车没有到达结束工作时刻,则判断j是否等于所述电动出租车总数;
若j不等于所述电动出租车总数,则令j值加1,返回步骤“对第j辆电动出租车的运营进行模拟”;
若j等于所述电动出租车总数,则模拟运营结束;
根据电动出租车充电需求集合确定电动出租车充电需求时空分布模型。
6.根据权利要求1所述的电动运营车辆充电站规划方法,其特征在于,所述充电站选址定容规划模型的目标函数表示为:
min F=αF1+β(F2+F3)nyear;
其中,F为年综合成本;F1为所述充电站年建设运行成本;F2为所述电动汽车用户从充电需求点到充电站年耗时成本;F3为所述用户年排队等待时间成本;nyear为充电站规划年限,α为第一权衡利益系数,β为第二权衡利益系数;
N为规划的充电站数量;Qi为第i号充电站内充电机数量;r0为贴现率;m为充电站的折旧年限,C(Qi)为第i号充电站建设投资成本函数;U(Qi)为第i号充电站年运行成本函数;
J为充电需求点集合,为选择第i号充电站进行充电的充电需求点集合;为选择第i号充电站进行充电的第j号充电需求用户前往第i号充电站充电途中所经过的道路集合;φ为经过道路系数,dk为k号道路长度;vkt为t时刻k号道路的车辆通行速度;fw为电动汽车用户时间成本折算系数;
7.根据权利要求1所述的电动运营车辆充电站规划方法,其特征在于,所述根据所述电动出租车充电需求时空分布模型,采用粒子群算法求解所述目标函数,确定充电站位置和各充电站中充电机的配置数量,具体包括:
根据所述电动出租车充电需求时空分布模型,采用改进自适应惯性权值的粒子群算法求解所述目标函数,确定充电站位置和各充电站中充电机的配置数量。
8.一种电动运营车辆充电站规划系统,其特征在于,包括:
数据采集模块,用于采集出租车订单的轨迹数据;所述轨迹数据包括多个轨迹点;
数据清洗模块,用于对所述轨迹数据进行数据清洗,获得第一处理轨迹数据;
数据修正模块,用于对所述第一处理轨迹数据中偏离点进行修正,获得第二处理轨迹数据;所述偏离点为与交通路网中道路的距离在第一设定距离外的轨迹点;
数据集合提取模块,用于根据所述第二处理轨迹数据,获得OD点对出行集合、车辆通行速度集合和车辆行驶轨迹集合;
电动出租车充电需求时空分布模型构建模块,用于根据所述OD点对出行集合、所述车辆通行速度集合和所述车辆行驶轨迹集合,模拟电动出租车的运营,根据所述模拟电动出租车的运营建立电动出租车充电需求时空分布模型;
充电站选址定容规划模型的目标函数构建模块,用于基于充电站年建设运行成本、电动汽车用户从充电需求点到充电站年耗时成本和电动汽车用户年排队等待时间成本,构建充电站选址定容规划模型的目标函数;
充电站选址定容规划确定模块,用于根据所述电动出租车充电需求时空分布模型,采用粒子群算法求解所述目标函数,确定充电站位置和各充电站中充电机的配置数量。
9.根据权利要求8所述的电动运营车辆充电站规划系统,其特征在于,所述数据清洗模块,具体包括:
轨迹集合获取单元,用于以订单为单位,将所述轨迹数据按照时间序列排列为轨迹集合;
第一清洗数据获取单元,用于删除所述轨迹集合中不在设定区域范围内的数据,获得第一清洗数据;
第二清洗数据获取单元,用于删除所述第一清洗数据中同一订单在第二设定距离内的重复轨迹数据,获得第二清洗数据;
第三清洗数据获取单元,用于删除所述第二清洗数据中瞬时速度超过120公里/小时的轨迹数据,获得第三清洗数据;
第四清洗数据获取单元,用于删除所述第三清洗数据中异常偏移点,获得第四清洗数据;所述异常偏移点与上一时刻轨迹点的连线和与下一时刻轨迹点的连线之间的夹角为锐角;
第一处理轨迹数据获取单元,用于删除所述第四清洗数据中订单中轨迹点少于10、订单时长小于1分钟或者订单距离小于800米的订单数据,获得所述第一处理轨迹数据。
10.根据权利要求8所述的电动运营车辆充电站规划系统,其特征在于,所述数据修正模块,具体包括:
第一待确认路段集获取单元,用于选取所述交通路网中各道路与所述偏离点的距离最短的4-6条道路作为第一待确认路段集;
第二待确认路段集获取单元,用于将所述偏离点作为临时线段的起点,下一时刻的轨迹点作为临时线段的终点,从所述待确认路段集中筛选出与所述临时线段的斜率绝对值之差最小的两条道路作为第二待确认路段集;
归属道路确定单元,用于从所述第二待确认路段集中选择与所述偏离点距离最短的道路作为所述偏离点的归属道路;
修正位置确定单元,用于将所述偏离点垂直投影到所述归属道路的位置作为所述偏离点的修正位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790581.3A CN113435777B (zh) | 2021-07-13 | 2021-07-13 | 一种电动运营车辆充电站规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790581.3A CN113435777B (zh) | 2021-07-13 | 2021-07-13 | 一种电动运营车辆充电站规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435777A true CN113435777A (zh) | 2021-09-24 |
CN113435777B CN113435777B (zh) | 2024-06-28 |
Family
ID=77760129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110790581.3A Active CN113435777B (zh) | 2021-07-13 | 2021-07-13 | 一种电动运营车辆充电站规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435777B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021795A (zh) * | 2021-10-27 | 2022-02-08 | 北京交通大学 | 一种考虑电动汽车充电需求的充电站规划方法及系统 |
CN114462892A (zh) * | 2022-04-09 | 2022-05-10 | 北京阿帕科蓝科技有限公司 | 一种基于车辆流入流出推荐车站的方法及系统 |
WO2023173817A1 (zh) * | 2022-03-16 | 2023-09-21 | 广东电网有限责任公司东莞供电局 | 一种配电网分布式储能规划方法及系统 |
CN117635220A (zh) * | 2024-01-26 | 2024-03-01 | 南京邮电大学 | 一种电动出租车充电成本优化方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699950A (zh) * | 2013-09-07 | 2014-04-02 | 国家电网公司 | 一种考虑交通网络流量的电动汽车充电站规划方法 |
CN109447410A (zh) * | 2018-09-25 | 2019-03-08 | 华南理工大学 | 一种考虑城市路网交通运行状态的充电站选址方法 |
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 |
CN110111564A (zh) * | 2019-04-15 | 2019-08-09 | 同济大学 | 一种基于多元数据的充电桩布置方法 |
CN110378724A (zh) * | 2019-06-19 | 2019-10-25 | 国网电动汽车服务(福建)有限公司 | 一种考虑用户充电需求转移的充电站选址定容策略 |
CN110458589A (zh) * | 2019-02-01 | 2019-11-15 | 吉林大学 | 基于轨迹大数据的路侧式出租车停靠站选址优选方法 |
CN110458329A (zh) * | 2019-07-11 | 2019-11-15 | 南京邮电大学 | 一种电动汽车充电站选址定容方法 |
CN110516372A (zh) * | 2019-08-29 | 2019-11-29 | 重庆大学 | 计及准动态交通流的电动汽车荷电状态时空分布模拟方法 |
US20200072627A1 (en) * | 2018-09-04 | 2020-03-05 | Zf Friedrichshafen Ag | Device, method and system for route planing for an electric vehicle |
CN111695942A (zh) * | 2020-06-17 | 2020-09-22 | 云南省设计院集团有限公司 | 一种基于时间可靠性的电动汽车充电站选址方法 |
CN112613659A (zh) * | 2020-12-23 | 2021-04-06 | 东南大学 | 基于三维时空网络的新能源货运充电站选址-路径优化方法 |
-
2021
- 2021-07-13 CN CN202110790581.3A patent/CN113435777B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699950A (zh) * | 2013-09-07 | 2014-04-02 | 国家电网公司 | 一种考虑交通网络流量的电动汽车充电站规划方法 |
US20200072627A1 (en) * | 2018-09-04 | 2020-03-05 | Zf Friedrichshafen Ag | Device, method and system for route planing for an electric vehicle |
CN109447410A (zh) * | 2018-09-25 | 2019-03-08 | 华南理工大学 | 一种考虑城市路网交通运行状态的充电站选址方法 |
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 |
CN110458589A (zh) * | 2019-02-01 | 2019-11-15 | 吉林大学 | 基于轨迹大数据的路侧式出租车停靠站选址优选方法 |
CN110111564A (zh) * | 2019-04-15 | 2019-08-09 | 同济大学 | 一种基于多元数据的充电桩布置方法 |
CN110378724A (zh) * | 2019-06-19 | 2019-10-25 | 国网电动汽车服务(福建)有限公司 | 一种考虑用户充电需求转移的充电站选址定容策略 |
CN110458329A (zh) * | 2019-07-11 | 2019-11-15 | 南京邮电大学 | 一种电动汽车充电站选址定容方法 |
CN110516372A (zh) * | 2019-08-29 | 2019-11-29 | 重庆大学 | 计及准动态交通流的电动汽车荷电状态时空分布模拟方法 |
CN111695942A (zh) * | 2020-06-17 | 2020-09-22 | 云南省设计院集团有限公司 | 一种基于时间可靠性的电动汽车充电站选址方法 |
CN112613659A (zh) * | 2020-12-23 | 2021-04-06 | 东南大学 | 基于三维时空网络的新能源货运充电站选址-路径优化方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021795A (zh) * | 2021-10-27 | 2022-02-08 | 北京交通大学 | 一种考虑电动汽车充电需求的充电站规划方法及系统 |
WO2023173817A1 (zh) * | 2022-03-16 | 2023-09-21 | 广东电网有限责任公司东莞供电局 | 一种配电网分布式储能规划方法及系统 |
CN114462892A (zh) * | 2022-04-09 | 2022-05-10 | 北京阿帕科蓝科技有限公司 | 一种基于车辆流入流出推荐车站的方法及系统 |
CN114462892B (zh) * | 2022-04-09 | 2022-07-08 | 北京阿帕科蓝科技有限公司 | 一种基于车辆流入流出推荐车站的方法及系统 |
CN117635220A (zh) * | 2024-01-26 | 2024-03-01 | 南京邮电大学 | 一种电动出租车充电成本优化方法及系统 |
CN117635220B (zh) * | 2024-01-26 | 2024-05-24 | 南京邮电大学 | 一种电动出租车充电成本优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113435777B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435777A (zh) | 一种电动运营车辆充电站规划方法及系统 | |
Tu et al. | Optimizing the locations of electric taxi charging stations: A spatial–temporal demand coverage approach | |
CN110288212B (zh) | 基于改进的mopso的电动出租车新建充电站选址方法 | |
CN107045673B (zh) | 基于堆模型融合的公共自行车流量变化量预测方法 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
CN111653088A (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN112784000B (zh) | 基于出租车轨迹数据的寻客方法 | |
CN104318324A (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
CN114021795A (zh) | 一种考虑电动汽车充电需求的充电站规划方法及系统 | |
CN112700029B (zh) | 一种基于仿真优化框架的定制公交规划方法 | |
CN110728305A (zh) | 基于网格信息熵聚类算法的出租车载客热点区域挖掘方法 | |
Zhang et al. | pCruise: Reducing cruising miles for taxicab networks | |
CN113191523A (zh) | 基于数据驱动方式和行为决策理论的城市电动汽车快充需求预测方法和装置 | |
CN112991743A (zh) | 基于行驶路径的实时交通风险ai预测方法及其系统 | |
Bachechi et al. | Implementing an urban dynamic traffic model | |
CN114676917B (zh) | 一种空驶出租汽车空间分布评估方法及系统 | |
Zwick et al. | Impact of service design on urban ridepooling systems | |
JP2023175992A (ja) | エネルギー供給システムおよび情報処理装置 | |
CN109754606B (zh) | 一种基于出租车定位预测道路拥堵情况的方法 | |
CN113343358B (zh) | 一种考虑道路信息的电动汽车充电负荷时空分布建模方法 | |
CN110674990A (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
CN112598896B (zh) | 一种基于gps数据的工业园区物流关键路段识别方法 | |
CN115345351A (zh) | 一种基于用户行为的电动汽车充电负荷预测方法 | |
CN115759347A (zh) | 一种基于特征数据的电动公交车行程能耗快速预测方法 |
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 |