CN114418300A - 一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法 - Google Patents
一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法 Download PDFInfo
- Publication number
- CN114418300A CN114418300A CN202111542188.9A CN202111542188A CN114418300A CN 114418300 A CN114418300 A CN 114418300A CN 202111542188 A CN202111542188 A CN 202111542188A CN 114418300 A CN114418300 A CN 114418300A
- Authority
- CN
- China
- Prior art keywords
- charging
- resident
- electric vehicle
- travel
- electric automobile
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法,包括以下步骤:S1:调查获取城市规划区域历史居民电动汽车出行行为数据;S2:将城市规划区域按照区域功能不同分为四种功能区;S3、获得每种居民电动汽车出行链类型每段行程的行程参数概率分布函数;S4、建立完整的规划用居民电动汽车出行行为数据集;S5、建立跨功能区的单辆电动汽车充放电模型;S6、建立多时空尺度功能区内充电设施集群与变电站集群的功率交互模型;S7、建立停车位物理约束;S8、以充电设施建设运营成本和年用户充电成本最小为目标函数建立优化模型。有益效果是用于城市电动汽车充电设施总体布局规划。
Description
【技术领域】
本发明涉及电力系统信息化技术领域,具体涉及一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法。
【背景技术】
发展新能源汽车对促进能源结构转型、推动节能减排、保障能源安全及防治大气污染有重要意义。近年,燃油车补贴政策逐渐收紧,我国新能源汽车市场逐渐进入趋于理性的“后补贴时代”。补贴退坡后,新能源汽车的实用性、性价比将成为其市场占比提升的关键。目前阶段,消费者在新能源汽车使用过程中普遍存在着“里程焦虑”,即担忧车辆的续航里程较短、沿途电能补给设施不足,导致无法完成预期行程。要消除潜在购买者的里程焦虑,除提升动力电池能量密度以增加电动汽车续航里程外,最为有效的措施就是完善充电设施网络的建设。
实际充电设施规划往往基于规划人员的工作经验,缺乏精准有针对性的选址方法,造成充电设施与电动汽车充电需求时空上的错位。因此必须探索更加适合城市不同类型区域的电动汽车充电设施配置方法,提高各类充电设施的配置效率。
公开号为CN112950034A的发明专利利用GPS导航系统对短期电动汽车的出行数据进行统计,从而得出电动汽车充电设施规划方案;但是不能完整刻画电动汽车的全年不同时段不同地点的出行行为特性,并且该专利不考虑充电设施建立和运营的经济性,也不能结合不同城市功能分区充电设施建设特点和要求进行规划。
蒙特卡洛法也称统计模拟法、统计试验法,是把概率现象作为研究对象的数值模拟方法,是按抽样调查法求取统计值来推定未知特性量的计算方法。蒙特卡洛法的基本思想是:为了求解问题,首先建立一个概率模型或随机过程,使它的参数或数字特征等于问题的解,然后通过对模型或过程的观察或抽样试验来计算这些参数或数字特征,最后给出所求解的近似值。
本发明针对上述现有技术中的缺陷,对城市充电设施配置规划方法进行了技术改进。
【发明内容】
本发明的目的是,提出一种应用于城市电动汽车充电设施总体布局规划,基于城市,结合城市居民出行大数据,进行城市功能区块内多类型电动汽车充电设施规划的方法。
为实现上述目的,本发明采取的技术方案是一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法,包括以下步骤:
S1:调查获取城市规划区域历史居民电动汽车出行行为数据;
S2:将城市规划区域按照区域功能不同分为四种功能区,分别是居住功能区、工作功能区、商业功能区和其他功能区,各种功能区按照建筑设施功能独立成片原则划分地块、获得地块编号,以居住功能区为中心节点形成封闭链的模式划分居民电动汽车出行链类型,任一所述居民电动汽车出行链包括多段行程,任一段行程的居民电动汽车出行行为特性由行程参数描述;
S3、对步骤S1获取的城市规划区域历史居民电动汽车出行行为数据进行分析,统计获得每种居民电动汽车出行链类型每段行程的行程参数概率分布函数;
S4、确定城市规划区域居民电动汽车数量,通过蒙特卡洛法抽取居民电动汽车出行链类型,根据抽取的居民电动汽车出行链每段行程的行程参数概率分布函数,通过蒙特卡洛法抽取获得居民电动汽车出行行程参数和轨迹,建立完整的规划用居民电动汽车出行行为数据集;
S5、结合居民电动汽车出行行为特性和功能区特点,建立跨功能区的单辆电动汽车充放电模型;
S6、建立多时空尺度功能区内充电设施集群与变电站集群的功率交互模型;
S7、调查各功能区域内有效停车位数量,通过停车状态变量,建立停车位物理约束;
S8、以充电设施建设运营成本和年用户充电成本最小为目标函数建立优化模型,得到城市规划区域多类型电动汽车充电设施规划结果。
优选地,上述的一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法:
步骤S1历史居民电动汽车出行行为数据包括一天内车辆途经地点信息、离开和到达时间信息、路程长度信息、电动汽车初始电池荷电状态SOC信息、车型平均耗电量信息;
步骤S2居民电动汽车出行链类型包括居住地块工作地块间往返行程类型、居住地块商业地块间往返行程类型和居住地块其他地块间往返行程类型,每种居民电动汽车出行链类型由第一段行程和第二段行程组成,所述行程参数包括出发时间、结束时间、持续时长、路程长度和平均速度。
优选地,步骤S4结合功能区信息对规划区域内居民电动汽车出行行为的蒙特卡洛模拟仿真抽样,具体步骤如下:
S41、确定规划区域内居民电动汽车起始分布;
S42、对于模拟仿真的每辆居民电动汽车,按照历史居民电动汽车出行行为数据中各类居民电动汽车出行链的比例,随机抽取居民电动汽车出行链类型,随机设定居民电动汽车初始电池荷电状态;
S43、对于模拟仿真的每辆居民电动汽车,根据步骤S42抽取的居民电动汽车出行链类型,抽取居民电动汽车出行行程参数;
S44、对于模拟仿真的每辆居民电动汽车,由步骤S43获取的居民电动汽车出行行程参数,匹配确定停留的功能区地块编号、即停留点地块编号。
优选地,上述的一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法:
步骤S41根据规划区域内居住地块初始面积分配模拟仿真的初始居民电动汽车数量;
步骤S42对于模拟仿真的每辆居民电动汽车,如果居民拥有私有充电桩、则初始居民电动汽车电池荷电状态设置为[0.8,1]间的随机值,如果居民没有私有充电桩、则初始居民电动汽车电池荷电状态设置为[0.5,1]间的随机值;
步骤S43对于模拟仿真的每辆居民电动汽车,根据居民电动汽车出行链第一段行程的结束时间概率分布函数,抽样获取居民电动汽车出行第一段行程的结束时间;根据居民电动汽车出行链第一段行程的路程长度和平均速度概率分布函数,抽样获取居民电动汽车出行链第一段行程的路程长度和平均速度,据此得到第一段行程的持续时长和出发时间;根据步骤S42抽取的居民电动汽车出行链类型,抽取中间停留点的停留时间,得到居民电动汽车出行链第二段行程的出发时间,根据居民电动汽车出行链第二段行程的路程长度和平均速度概率分布函数,抽样获取居民电动汽车出行链第二段行程的路程长度和平均速度,据此得到第二段行程的结束时间;
步骤S44取居民电动汽车出行链第一段行程和第二段行程中较短路程长度X作为居住地块到停留点地块的路程,在规划区域中按照电动汽车从居住地块中心行驶到目标功能区地块中心路程最接近X选取目标功能区地块,确定停留点地块编号;
循环执行步骤S41至S43通过蒙特卡洛模拟仿真抽样得到规划区域内电动汽车出行行为数据集,包括离开居住地块时间、到达停留点地块时间、离开停留点地块时间、返回居住地块时间、各段行程路程长度、居住地块编号和停留点地块编号。
优选地,上述步骤S5至S8优化模型基本设置如下:
将一天24小时划分为96时段,每时段15分钟,充电桩的控制状态可以在每个时段划分点进行调整,时段区间内的充放电功率及充放电状态保持一致;
每辆电动汽车的放电过程即在路程中行驶耗电的过程;每辆电动汽车的充电过程被拆分为两段分别设置变量和建模,这两段分别是居家时居住地块充电时段和停留点地块充电时段;
假设每天的居民电动汽车出行行为保持一致,当天行程结束后在家中居住地块内的充电过程会涉及第二天,将0点过后的充电负荷叠加至当天出行前的时段。
优选地,上述步骤S5至S8优化模型基本设置还包括:电动汽车在居住地块的停留时间较长,居民会选择慢充这种电动汽车电能补给方式;电动汽车在工作地块或商业地块,居民会选择快充这种电动汽车电能补给方式;在居住地块设置慢充桩,非居住地块设置快充桩和/或慢充桩。
优选地,上述步骤S5建立跨功能区的单辆电动汽车充放电模型,具体包括:
S51、建立充电功率约束:
S52、通过快充桩、或者慢充桩充电选择一种充电方式约束:
S53、电动汽车在非途经的居住区块或者停留点区块充电的充电状态约束:
其中,ts1、te1为第i辆电动汽车车出行链第一段行程的出发时间和结束时间,ts2、te2为第i辆电动汽车车出行链第二段行程的出发时间和结束时间;
S54、设定电动汽车荷电状态的最低和最高值的荷电状态约束,通过以下公式表征充放电功率与电动汽车荷电状态间的关系:
其中Sev为电动汽车动力电池容量,wi为第i辆电动汽车的每小时耗电量,vi1、vi2为居民电动汽车出行链第一段行程、第二段行程的平均速度。
S55、行驶习惯约束,包括判断在某地块需要进行电动汽车充电的条件:
其中,u是电动汽车单位里程的耗电量,ln是第n段行程的路程,Sev是电动汽车电池容量,s是安全裕量,取s∈[0.05,0.3];
电动汽车0点过后的充电行为将被叠加至第二天出发前;
当电动汽车第二天起步时,剩余电量需大于设定的初始电量最小值sinitial:
其中,sinitial取0.5。
优选地,上述步骤S6建立功率交互模型,一个变电站台区覆盖一个或者多个功能区地块,具体包括:
S61、计算功能区内部电动汽车充电总功率:
其中,Ih,n为居住地块n辆电动汽车车辆编号集合,Im,n为停留点地块n辆电动汽车车辆编号集合,Pev(n,t)为功能区内部n辆电动汽车在时间t的充电总功率;
S62、建立功能区与变电站之间的耦合关系:
优选地,上述步骤S7建立停车位物理约束,具体包括:
S71、调查各功能区域内有效停车位数量;
S72、建立充电状态变量与新能源车位占用状态变量间的关联约束:
其中,为表征时段t第i辆电动汽车在居住地块、停留点地块的新能源车位占用状态变量,用0或者1表示;为第i辆电动汽车车出行链第一段行程的出发时间和结束时间,为第i辆电动汽车车出行链第二段行程的出发时间和结束时间。
S73、通过以下约束条件保证在编号为n的区块内,规划的充电桩数小于区块内允许的充电桩数量:
优选地,上述步骤S8所述目标函数是:
minC=CI+CO+Cev
其中,CI表示年平均充电桩建设成本,CO表示年平均充电桩运维成本,Cev表示该区域内所有用户的年充电费用;
本发明一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法有如下有益效果:1、对城市充电设施进行优化配置,能够对未来充电设施建设起到指导作用,提高公共充电设施利用率,增强电动汽车车主充电便利性,减缓电动汽车车主的里程焦虑;2、在满足充电需求的基础上,有效降低充电设施规划的复杂度;将大型城市中充电设施总体规划问题拆解为各个功能区块中多类型充电设施数量配置问题,同时利用基于出行链的蒙特卡洛方法,充分考虑电动汽车的出行行为特征;3、充分贴合实际,综合考虑多种因素影响;考虑目的地充电和居家充电两种情形,同时考虑充电完毕依然占用停车位的情形,考虑电网络限制和停车位限制,并对私家车充电行为进行了精细化建模,使用全局优化模型处理规划问题,规划结果可靠。
【附图说明】
图1是一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法流程示意图。
图2是上海某区域规划范围内居民电动汽车不同出行链第一段行程结束时间的概率分布曲线图。
【具体实施方式】
下面结合实施例并参照附图对本发明作进一步描述。
实施例1
本实施例实现一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法。
本实施例一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法集中解决以下几点技术问题:
1、考虑居民区、商业区、工作区等不同功能区域的电动汽车的出行行为,结合城市分区特征进行电动汽车充电设施规划。
2、考虑充电完毕的电动汽车依然会占用充电停车位的情况,建立考虑停车占用情形的电动汽车规划模型。
3、考虑不同类型充电设施对电网造成的影响,将电力容量限制纳入优化模型。
本实施例面向私家车充电需求,分析私家电动汽车出行特性,首先通过出行链理论分析居民区、商业区、工作区的到达时间、离开时间等出行行为参数的概率分布,并通过蒙特卡洛抽样建立完整的规划用电动汽车出行数据集。考虑配电网容量、停车位等物理容量限制,以年均充电设施建设运营成本和年用户充电成本最小为目标函数,建立考虑城市不同功能区特点充电设施规划模型。
图1是一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法流程示意图。如附图1所示,本实施例一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法:
首先调查获取居民出行情况大数据,数据包含一天内车辆途经的地点,离开和到达的时间,每段路程的长度等。
接着将城市不同功能区域分为4类,分别为居住地、工作地、购物休闲地、其他。由于对于家用电动汽车,车主的居住地是电动汽车定期到达的地方,因此每辆电动汽车的行程可以被人为地以电动汽车回到居住地为节点分开。故,电动汽车的行程形成封闭链,其中必然包括车主的居住地。进一步,将电动汽车行程划分为几种类型,分别为居住地工作地间往返行程、居住地购物休闲地往返行程、居住地其他地点往返行程。在每一类出行模式下,车辆的出行过程都由2段行程组成,其中每一段行程都具有出发时间、结束时间、持续时长、路程长度、平均速度等多项行程参数,通过这些参数即可描述电动汽车的行为特性。
然后采用第一步获取的私家车出行大数据进行分析,获取每类出行链每项参数的概率分布。结合功能区信息对选定区域内进行私家电动汽车出行行为的蒙特卡洛模拟仿真。暂只考虑简单链,具体流程如下:
步骤1:私家电动汽车起始分布确定。对属性为居住区的区域,根据初始面积分配仿真的初始电动汽车数量。
步骤2:设定起始荷电状态。对于每辆参与模拟的电动汽车,按照统计数据中各类出行链的比例,随机抽取本次出行的出行链类型。如果用户拥有私有充电桩,则初始电池荷电状态(state of charge,SOC)设置为[0.8,1]间的随机值,如果用户没有私有桩,则在[0.5,1]中设置一个随机值。
步骤3:抽取电动汽车出行数据。按照对应出行链类型,抽样获取此出行链的第一段行程的结束时间。根据电动汽车出行统计特征中当前出行链类型的第一段行程的路程长度和平均速度的随机分布,抽样获取该电动汽车的第一段行程的路程长度和平均速度。据此可以得到第一段行程的耗时和出发时间。根据当前出行链类型,抽取中间停留点的停留时间,从而得到第二段行程的出发时间,抽样获取该电动汽车的第二段行程的路程长度和平均速度,从而得到第二段行程的结束时间。
步骤4:确定停留区块编号。取步骤3中得到的第一段和第二段行程路程长度中较短的作为居民区到停留区的路程,在区块地理信息列表中选取目标区域,目标区域特征为从电动汽车所在的住宅区域中心行驶到目标区域中心最接近居民区到停留区的路程。
至此,选定区域内私家电动汽车的时空行为已经完全抽样模拟得到,规划用到的时空行为数据包括:离家时间、到达停留点时间、离开停留点时间、到家时间、各段路程长度、家和停留点的位置。
下面建立考虑出行规律的分区城市电动汽车充电设施配置优化模型。
分区城市电动汽车充电设施配置优化模型基本设置如下:
1、将一天24小时划分为96时段,每时段15分钟。充电桩的控制状态可以在每个时段划分点进行调整,时段区间内的充放电功率及充放电状态保持一致。
2、每辆车的放电过程即在路程中行驶耗电的过程。每辆车的充电过程被拆分为两段分别设置变量和建模,这两段分别是是居家充电时段和停留点充电时段。由于电动汽车在居住点的停留时间较长,考虑到快充对电动汽车电池的不良影响,车主通常会选择慢充这种电能补给方式;而在工作区或商业区,车辆停留时间较短且出行不规律,一部分车辆会有快充需求。因此,模型考虑在居民区设置公共慢充桩,非居民区可设置公共慢充桩或快充桩。
3、由于当天行程结束后在家中的充电过程会涉及第二天,本实施例假设车辆每天的出行行为保持一致,将零点过后的充电负荷叠加至当天出行前的时段。
单辆电动汽车充放电模型
首先结合电动汽车行为特性和功能区特点,建立跨功能区的单辆电动汽车充放电模型。
1、建立充电功率约束:
2、快慢充择一约束:
3、电动汽车在非对应地点的充电状态约束
4、荷电状态约束
为延长动力电池的使用寿命,下式设定电动汽车荷电状态的最低和最高值。
上式表征充放电功率与电动汽车荷电状态间的关系,其中Sev为电动汽车动力电池容量,wi为第i辆车的每小时耗电量,vi1、vi2为第一、二段路程的行驶速度。
5、行驶习惯约束
当EV到达中途停留点时,如果剩余电量不足以使得下一次行程结束时仍有一定的安全裕量s(例如下一段行程结束后剩余20%以上的电量),则设定为在此处需要充电。即,判断在某地需要充电的条件为:
其中,u是单位里程的耗电量,ln是第n段行程的路程,Sev是电池容量,s是安全裕量,根据一般的行驶习惯,通常取s∈[0.05,0.3]。
0点过后的充电行为将被叠加至出发前。为保证第二天电量充裕,当EV第二天起步时,剩余电量需大于设定的初始电量最小值sinitial,本实施例中取0.5。
多时空尺度功能区内充电设施集群与变电站集群的功率交互模型
首先通过下式定义功能区内部电动汽车充电总功率:
其中,Ih,n为出发地为n的车辆编号集合,Im,n为停留地为n的车辆编号集合。Pev(n,t)为编号为n的功能区的电动汽车在时间t的充电总功率。
接着建立功能区与变电站之间的耦合关系:
停车位物理约束
首先调查各功能区域内有效停车位数量。
接着建立充电状态变量与新能源车位占用状态变量间的关联约束
最后通过以下约束保证在编号为n的区块内,规划的充电桩数小于区块内充电桩数量:
目标函数
目标函数从充电桩运营商和车主两个角度考虑,充电桩运营商的成本包括年平均充电桩建设成本和年平均充电桩运营成本两部分,其中年平均充电桩建设成本包括充电桩材料成本、充电桩安装成本,年平均充电桩运维成本包括充电软件和硬件维护成本;模型假设充电行为服从于出行行为,因此并不产生额外的等待成本,故模型中车主成本主要为充电成本,包括电价和服务费两部分。
minC=CI+CO+Cev
其中,CI表示年平均充电桩建设成本,CO表示年平均充电桩运维成本,Cev表示该区域内所有用户的年充电费用。
实施例2
本实施例实现一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法。本实施例是实施例1的具体应用,以上海某区域作为规划对象为例,进行算例分析验证方法的有效性。
调查获取居民出行情况大数据,数据包含一天内车辆途经地点信息、离开和到达时间信息、路程长度信息、电动汽车初始电池荷电状态SOC信息、车型平均耗电量信息。统计以上数据,获取以上数据的概率分布。
选取上海某区域作为规划对象,将规划区域划分为居民区、工作区、商业区、其他这四类功能区,功能区划分结果图中一般用黄色表示居民区,蓝色表示工作区,红色表示商业区,绿色表示其他区(景点、公园等)。
规划范围内电动汽车总数为5600辆。图2是上海某区域规划范围内居民电动汽车不同出行链第一段行程结束时间的概率分布曲线图。如附图2所示,由居民出行情况大数据获得的每类出行链的出行时间、出行距离等出行参数的概率分布函数,获得不同出行链第一段行程结束时间的概率分布曲线。
通过蒙特卡洛仿真,抽取每一辆电动汽车的出行链类型、离开和到达时间信息、路程长度信息、电动汽车初始电池荷电状态SOC信息。由获取的电动汽车路程长度,通过距离匹配确定每一辆电动汽车途经的功能区编号。
快充桩功率上限为120kW,慢充桩功率上限为7kW,充电桩充电效率为95%。电动汽车电池容量为60MW,电动汽车电池荷电状态的上下限分别为0.1和1。建立单量电动汽车的充放电模型。
变电站台区归属图中标明功能区和变电站的关系,其中功能区色块和标注编号一致的即归属同一个变电站,一个变电站台区包含1个或多个功能区,调查得到各功能区域的基础负荷叠加电动汽车充电负荷,建立充电设施与变电站的功率交互模型。
调查得到各区块的有效停车位数量,建立停车位物理约束。
调查得到快充桩建设成本为10万元/桩,慢充桩建设成本为1.8万元/桩,使用年限为10年,贴现率为5%,安装费用为1000元/桩。快充桩运维成本为200元/年,慢充桩运维成本为100元/年。电动汽车充电价格由电费和服务费两部分组成,遵循峰谷平电价,具体标准如表1分时电动汽车充电价格表所示。
表1分时电动汽车充电价格表
时段 | 电价/元 | 服务费/元 | 总价/元 |
6:00-8:00,11:00-18:00 | 0.56 | 0.70 | 1.26 |
8:00-11:00,18:00-22:00 | 0.91 | 0.50 | 1.41 |
22:00-次日6:00 | 0.27 | 0.70 | 0.96 |
基于上述参数建立目标函数。该模型为混合整数线性规划问题。在matlab平台中建立模型,并通过gurobi求解器(gurobi是由美国Gurobi公司开发的新一代大规模数学规划优化器)求解,最终根据求解结果获得各区块充电桩密度规划结果图,图中用区块颜色深浅表示规划所得各区块内充电桩总密度疏密。
以及具体快充桩和慢充桩的配置数量规划结果,即获得各区块慢充桩规划结果图和各区块快充桩规划结果图。
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Acess Memory,RAM)等。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (10)
1.一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法,其特征在于包括以下步骤:
S1:调查获取城市规划区域历史居民电动汽车出行行为数据;
S2:将城市规划区域按照区域功能不同分为四种功能区,分别是居住功能区、工作功能区、商业功能区和其他功能区,各种功能区按照建筑设施功能独立成片原则划分地块、获得地块编号,以居住功能区为中心节点形成封闭链的模式划分居民电动汽车出行链类型,任一所述居民电动汽车出行链包括多段行程,任一段行程的居民电动汽车出行行为特性由行程参数描述;
S3、对步骤S1获取的城市规划区域历史居民电动汽车出行行为数据进行分析,统计获得每种居民电动汽车出行链类型每段行程的行程参数概率分布函数;
S4、确定城市规划区域居民电动汽车数量,通过蒙特卡洛法抽取居民电动汽车出行链类型,根据抽取的居民电动汽车出行链每段行程的行程参数概率分布函数,通过蒙特卡洛法抽取获得居民电动汽车出行行程参数和轨迹,建立完整的规划用居民电动汽车出行行为数据集;
S5、结合居民电动汽车出行行为特性和功能区特点,建立跨功能区的单辆电动汽车充放电模型;
S6、建立多时空尺度功能区内充电设施集群与变电站集群的功率交互模型;
S7、调查各功能区域内有效停车位数量,通过停车状态变量,建立停车位物理约束;
S8、以充电设施建设运营成本和年用户充电成本最小为目标函数建立优化模型,得到城市规划区域多类型电动汽车充电设施规划结果。
2.根据权利要求1所述的一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法,其特征在于:
步骤S1历史居民电动汽车出行行为数据包括一天内车辆途经地点信息、离开和到达时间信息、路程长度信息、电动汽车初始电池荷电状态SOC信息、车型平均耗电量信息;
步骤S2居民电动汽车出行链类型包括居住地块工作地块间往返行程类型、居住地块商业地块间往返行程类型和居住地块其他地块间往返行程类型,每种居民电动汽车出行链类型由第一段行程和第二段行程组成,所述行程参数包括出发时间、结束时间、持续时长、路程长度和平均速度。
3.根据权利要求2所述的一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法,其特征在于步骤S4结合功能区信息对规划区域内居民电动汽车出行行为的蒙特卡洛模拟仿真抽样,具体步骤如下:
S41、确定规划区域内居民电动汽车起始分布;
S42、对于模拟仿真的每辆居民电动汽车,按照历史居民电动汽车出行行为数据中各类居民电动汽车出行链的比例,随机抽取居民电动汽车出行链类型,随机设定居民电动汽车初始电池荷电状态;
S43、对于模拟仿真的每辆居民电动汽车,根据步骤S42抽取的居民电动汽车出行链类型,抽取居民电动汽车出行行程参数;
S44、对于模拟仿真的每辆居民电动汽车,由步骤S43获取的居民电动汽车出行行程参数,匹配确定停留的功能区地块编号、即停留点地块编号。
4.根据权利要求3所述的一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法,其特征在于:
步骤S41根据规划区域内居住地块初始面积分配模拟仿真的初始居民电动汽车数量;
步骤S42对于模拟仿真的每辆居民电动汽车,如果居民拥有私有充电桩、则初始居民电动汽车电池荷电状态设置为[0.8,1]间的随机值,如果居民没有私有充电桩、则初始居民电动汽车电池荷电状态设置为[0.5,1]间的随机值;
步骤S43对于模拟仿真的每辆居民电动汽车,根据居民电动汽车出行链第一段行程的结束时间概率分布函数,抽样获取居民电动汽车出行第一段行程的结束时间;根据居民电动汽车出行链第一段行程的路程长度和平均速度概率分布函数,抽样获取居民电动汽车出行链第一段行程的路程长度和平均速度,据此得到第一段行程的持续时长和出发时间;根据步骤S42抽取的居民电动汽车出行链类型,抽取中间停留点的停留时间,得到居民电动汽车出行链第二段行程的出发时间,根据居民电动汽车出行链第二段行程的路程长度和平均速度概率分布函数,抽样获取居民电动汽车出行链第二段行程的路程长度和平均速度,据此得到第二段行程的结束时间;
步骤S44取居民电动汽车出行链第一段行程和第二段行程中较短路程长度X作为居住地块到停留点地块的路程,在规划区域中按照电动汽车从居住地块中心行驶到目标功能区地块中心路程最接近X选取目标功能区地块,确定停留点地块编号;
循环执行步骤S41至S43通过蒙特卡洛模拟仿真抽样得到规划区域内电动汽车出行行为数据集,包括离开居住地块时间、到达停留点地块时间、离开停留点地块时间、返回居住地块时间、各段行程路程长度、居住地块编号和停留点地块编号。
5.根据权利要求4所述的一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法,其特征在于所述步骤S5至S8优化模型基本设置如下:
将一天24小时划分为96时段,每时段15分钟,充电桩的控制状态可以在每个时段划分点进行调整,时段区间内的充放电功率及充放电状态保持一致;
每辆电动汽车的放电过程即在路程中行驶耗电的过程;每辆电动汽车的充电过程被拆分为两段分别设置变量和建模,这两段分别是居家时居住地块充电时段和停留点地块充电时段;
假设每天的居民电动汽车出行行为保持一致,当天行程结束后在家中居住地块内的充电过程会涉及第二天,将0点过后的充电负荷叠加至当天出行前的时段。
6.根据权利要求5所述的一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法,其特征在于所述步骤S5至S8优化模型基本设置还包括:电动汽车在居住地块的停留时间较长,居民会选择慢充这种电动汽车电能补给方式;电动汽车在工作地块或商业地块,居民会选择快充这种电动汽车电能补给方式;在居住地块设置慢充桩,非居住地块设置快充桩和/或慢充桩。
7.根据权利要求6所述的一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法,其特征在于步骤S5建立跨功能区的单辆电动汽车充放电模型,具体包括:
S51、建立充电功率约束:
S52、通过快充桩、或者慢充桩充电选择一种充电方式约束:
S53、电动汽车在非途经的居住区块或者停留点区块充电的充电状态约束:
其中,ts1、te1为第i辆电动汽车车出行链第一段行程的出发时间和结束时间,ts2、te2为第i辆电动汽车车出行链第二段行程的出发时间和结束时间;
S54、设定电动汽车荷电状态的最低和最高值的荷电状态约束,通过以下公式表征充放电功率与电动汽车荷电状态间的关系:
其中Sev为电动汽车动力电池容量,wi为第i辆电动汽车的每小时耗电量,vi1、vi2为居民电动汽车出行链第一段行程、第二段行程的平均速度。
S55、行驶习惯约束,包括判断在某地块需要进行电动汽车充电的条件:
其中,u是电动汽车单位里程的耗电量,ln是第n段行程的路程,Sev是电动汽车电池容量,s是安全裕量,取s∈[0.05,0.3];
电动汽车0点过后的充电行为将被叠加至第二天出发前;
当电动汽车第二天起步时,剩余电量需大于设定的初始电量最小值sinitial:
其中,sinitial取0.5。
8.根据权利要求7所述的一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法,其特征在于步骤S6建立功率交互模型,一个变电站台区覆盖一个或者多个功能区地块,具体包括:
S61、计算功能区内部电动汽车充电总功率:
其中,Ih,n为居住地块n辆电动汽车车辆编号集合,Im,n为停留点地块n辆电动汽车车辆编号集合,Pev(n,t)为功能区内部n辆电动汽车在时间t的充电总功率;
S62、建立功能区与变电站之间的耦合关系:
9.根据权利要求8所述的一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法,其特征在于步骤S7建立停车位物理约束,具体包括:
S71、调查各功能区域内有效停车位数量;
S72、建立充电状态变量与新能源车位占用状态变量间的关联约束:
其中,为表征时段t第i辆电动汽车在居住地块、停留点地块的新能源车位占用状态变量,用0或者1表示;为第i辆电动汽车车出行链第一段行程的出发时间和结束时间,为第i辆电动汽车车出行链第二段行程的出发时间和结束时间。
S73、通过以下约束条件保证在编号为n的区块内,规划的充电桩数小于区块内允许的充电桩数量:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542188.9A CN114418300A (zh) | 2021-12-16 | 2021-12-16 | 一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542188.9A CN114418300A (zh) | 2021-12-16 | 2021-12-16 | 一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114418300A true CN114418300A (zh) | 2022-04-29 |
Family
ID=81267335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111542188.9A Pending CN114418300A (zh) | 2021-12-16 | 2021-12-16 | 一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418300A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115544704A (zh) * | 2022-11-28 | 2022-12-30 | 小米汽车科技有限公司 | 充电桩拓扑确定方法、装置及存储介质 |
CN116118532A (zh) * | 2022-11-15 | 2023-05-16 | 北京交通大学 | 一种基于交通出行链的充电桩网络布设与功率协同方法 |
CN117669993A (zh) * | 2024-01-30 | 2024-03-08 | 南方科技大学 | 一种渐进式充电设施规划方法、装置、终端及存储介质 |
-
2021
- 2021-12-16 CN CN202111542188.9A patent/CN114418300A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116118532A (zh) * | 2022-11-15 | 2023-05-16 | 北京交通大学 | 一种基于交通出行链的充电桩网络布设与功率协同方法 |
CN116118532B (zh) * | 2022-11-15 | 2024-03-08 | 北京交通大学 | 一种基于交通出行链的充电桩网络布设与功率协同方法 |
CN115544704A (zh) * | 2022-11-28 | 2022-12-30 | 小米汽车科技有限公司 | 充电桩拓扑确定方法、装置及存储介质 |
CN115544704B (zh) * | 2022-11-28 | 2023-03-24 | 小米汽车科技有限公司 | 充电桩拓扑确定方法、装置及存储介质 |
CN117669993A (zh) * | 2024-01-30 | 2024-03-08 | 南方科技大学 | 一种渐进式充电设施规划方法、装置、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114418300A (zh) | 一种基于城市功能分区和居民出行大数据的多类型电动汽车充电设施规划方法 | |
Huang et al. | The design of electric vehicle charging network | |
Guo et al. | Optimal site selection of electric vehicle charging station by using fuzzy TOPSIS based on sustainability perspective | |
CN109711630A (zh) | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 | |
CN110288212B (zh) | 基于改进的mopso的电动出租车新建充电站选址方法 | |
CN107886186A (zh) | 一种基于行车数据及维诺图划分区域的充电桩设置方法 | |
CN110968837B (zh) | 电动汽车充电站选址定容的方法 | |
Lin et al. | Optimal planning of intra-city public charging stations | |
CN111861022B (zh) | 一种基于大数据分析优化电动汽车充电站选址的方法 | |
CN107958610A (zh) | 一种基于泊位共享的功能混合用地停车位预估方法 | |
CN106532686A (zh) | 基于电动汽车充电配置的片区配电网负荷预测方法 | |
CN109460937B (zh) | 评价轨道站点周边慢行交通系统接驳水平的流程与方法 | |
Xing et al. | Modelling driving and charging behaviours of electric vehicles using a data-driven approach combined with behavioural economics theory | |
CN104751249A (zh) | 一种空间负荷预测方法 | |
Morro-Mello et al. | Fast charging stations placement methodology for electric taxis in urban zones | |
CN110189025A (zh) | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 | |
CN117035185A (zh) | 基于动态充电需求的电动汽车充电站布局优化方法及系统 | |
CN114186754A (zh) | 含有不同类型充电桩的电动汽车充电站选址定容优化方法 | |
CN113077085A (zh) | 一种服务于电动汽车的移动充电车驻地规划方法 | |
Ji et al. | A spatial-temporal model for locating electric vehicle charging stations | |
Bayram et al. | Could petrol stations play a key role in transportation electrification? a gis-based coverage maximization of fast ev chargers in urban environment | |
CN116362523B (zh) | 考虑温度适应性的换电站选址与运营策略协同优化方法 | |
CN110674988A (zh) | 一种基于电动汽车出行大数据的城区充电站规划方法 | |
CN111784027A (zh) | 计及地理信息的城市范围电动汽车充电需求预测方法 | |
CN116187541A (zh) | 一种电动汽车充电设施与配电网协同优化建设方法 |
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 |