CN115271268B - 一种电动汽车充电站选址规划方法、装置及终端设备 - Google Patents
一种电动汽车充电站选址规划方法、装置及终端设备 Download PDFInfo
- Publication number
- CN115271268B CN115271268B CN202211181834.8A CN202211181834A CN115271268B CN 115271268 B CN115271268 B CN 115271268B CN 202211181834 A CN202211181834 A CN 202211181834A CN 115271268 B CN115271268 B CN 115271268B
- Authority
- CN
- China
- Prior art keywords
- preset
- hot spot
- addressing area
- charging station
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007613 environmental effect Effects 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 10
- 230000003137 locomotive effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/04—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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种电动汽车充电站选址规划方法、装置及终端设备,选址规划方法包括:根据热点场所,划定用于设置所述充电站的至少一个预设选址区域;将预设数量的所述充电站随机分布于所述预设选址区域;使用神经网络模型对环境因素统计信息进行处理,计算离开所述热点场所的目标电动汽车的数量ne,筛选目的地为所述充电站的所述目标电动汽车;记录所有所述目标电动汽车从所述热点场所前往所述充电站的里程数Sq,并相加得到总里程数S;以总里程数S最小作为优化目标,使用预设优化算法对所述充电站在各个所述预设选址区域中的分布情况进行调整,直至算法收敛为止。本发明有效解决电动汽车的充电设施不完善,充电站选址不合理的问题。
Description
技术领域
本发明涉及电动汽车充电站规划领域,尤其涉及一种电动汽车充电站选址规划方法、装置及终端设备。
背景技术
随着城市居民生活水平的日益提高和经济的快速发展,私家车的拥有率与日剧增。而电动汽车作为新型能源汽车,以低排放、噪音低的特点迅速进入大众视野,受到人们越来越多的关注,电动汽车的数量和电动汽车在私家车中的占比也逐渐提高。但是,电动汽车的充电设施不完善,充电站选址不合理等问题也日益凸显,导致电动车外出充电不便,无法满足电动汽车用户的充电需求,也不便于电动汽车产业的推进。但是,目前的电动汽车充电站选址方法往往是由规划人员根据自己的经验进行人工选址,极难得到最优的选址方案,仍存在上述问题。
发明内容
因此,本发明提供一种电动汽车充电站选址规划方法、装置及终端设备,解决的问题是充电设施不完善,充电站选址不合理。
一方面,本发明实施例提供的一种电动汽车充电站选址规划方法,包括:根据热点场所,划定用于设置所述充电站的至少一个预设选址区域;将预设数量的所述充电站随机分布于所述预设选址区域;使用神经网络模型对环境因素统计信息进行处理,计算离开所述热点场所的目标电动汽车的数量ne,筛选目的地为所述充电站的所述目标电动汽车;记录所有所述目标电动汽车从所述热点场所前往所述充电站的里程数Sq,并相加得到总里程数S;以总里程数S最小作为优化目标,使用预设优化算法对所述充电站在各个所述预设选址区域中的分布情况进行调整,直至算法收敛为止;其中,所述使用神经网络模型对环境因素统计信息进行处理,包括:从预设的数据库中获取训练样本集合,所述训练样本集合包括多个训练样本,每个所述训练样本包括一个所述预设选址区域的统计信息和所有所述目标电动汽车的总里程数S;使用所述训练样本集合对所述神经网络模型进行训练,在训练过程中,将各个所述训练样本中的环境因素统计信息作为输入,以所有所述目标电动汽车的总里程数S作为目标输出。
与现有技术相比,采用该技术方案后所达到的技术效果:根据热点场所选定所述预设选址区域,可以初步确定便于所述热点场所的电动机车充电的充电站位置,减少后续充电站选址的计算量;对充电站进行随机分布,可以快速确立充电站选址方案,并尽可能地枚举足够多的充电站选址方案通过神经网络模型进行训练,从而得到总里程数S最小的方案;总里程数S可以直接反映该充电站选址方案下,电动机车充电的便捷程度,以总里程数S最小作为优化目标,调整充电站的分布情况,直至算法收敛,能够获得预设数量下,充电站最佳的选址方案。
进一步的,所述根据热点场所,划定用于设置所述充电站的至少一个预设选址区域,包括:划定相互套设的多个圈层,所述多个圈层由外到内依次为第三圈层、第二圈层和第一圈层;其中,所述第三圈层和所述第二圈层之间为第三预设选址区域,所述第三预设选址区域囊括所述预设选址区域内c%的所述热点场所,所述第二圈层和所述第一圈层之间为第二预设选址区域,所述第二预设选址区域囊括所述预设选址区域内b%的所述热点场所,所述第一圈层内为第一预设选址区域,所述第一预设选址区域囊括所述预设选址区域内a%的所述热点场所。
采用该技术方案后所达到的技术效果:按照所述热点场所的数量设立多个相互套设的圈层,将预设选址区域划分为第一预设选址区域、第二预设选址区域、第三预设选址区域,便于根据所述热点场所的密集程度对充电站的数量进行调整,从而在所述热点场所密集区域设立更多的充电站以满足需求,在所述热点场所稀疏区域设立较少充电站避免浪费。
进一步的,第三预设选址区域的面积为C,第二预设选址区域的面积为B,第一预设选址区域的面积为A,其中,a%/A>b%/B>c%/C。
采用该技术方案后所达到的技术效果:所述预设选址区域中热点场所的密集程度由外到内逐渐增加,便于在第一预设选址区域、第二预设选址区域、第三预设选址区域中设置不同密集程度的充电站。
进一步的,所述将预设数量的所述充电站随机分布于所述预设选址区域,包括:将n1数量的所述充电站随机分布于所述第一预设选址区域;将n2数量的所述充电站随机分布于所述第二预设选址区域;将n3数量的所述充电站随机分布于所述第三预设选址区域;其中,n1/a%>n2/b%>n3/c%,和/或n1/A>n2/B>n3/C。
采用该技术方案后所达到的技术效果:满足n1/A>n2/B>n3/C时,即预设选址区域的充电站密集程度由外到内逐渐增加,以便于所述热点场所密集区域的充电站能够满足充电需求;由于所述预设选址区域的中心位置区域往往是车流量最大的区域,例如从所述第三预设选址区域的一侧至另一侧也需要经过所述第二预设选址区域和所述第一预设选址区域,因此需要进一步提高所述预设选址区域中心位置的充电站数量,当满足n1/a%>n2/b%>n3/c%时,单位热点场所对应的充电站的数量更多,便于满足中心位置例如所述第一预设选址区域的充电需求。
进一步的,所述将预设数量的所述充电站随机分布于所述预设选址区域,还包括:以所述第一预设选址区域、所述第二预设选址区域、所述第三预设选址区域的每一个所述热点场所为中心,周侧划定多个单元区域,对所述第一预设选址区域、所述第二预设选址区域、所述第三预设选址区域内的所述单元区域分别按顺序标记,生成随机编号,当所述随机编号与所述单元区域的标记符合时,将所述充电站设于所述单元区域。
采用该技术方案后所达到的技术效果:以所述热点场所为中心划定多个单元区域,在所述单元区域设立充电站,便于在所述热点场所的就近位置进行充电;根据计算机生成的随机编号确定所述充电站的设置位置,便于对充电站的随机分布情况进行统计,相比物理性随机编号,简化了随机编号生成步骤,加快了充电站选址的流程。
进一步的,所述使用神经网络模型对环境因素统计信息进行处理,计算离开所述
热点场所的目标电动汽车的数量ne,筛选目的地为所述充电站的目标电动汽车,包括:所述
第一预设选址区域内的所述热点场所的种类为M1种,依次标记为K01、K02、K03…K0M1,其中,所
述第一预设选址区域内的第K0个种类的所述热点场所的数量占所述第一预设选址区域内
的所述热点场所总数的比例为p(K0),计算所述第一预设选址区域内的所述热点场所的第
一信息熵;所述第二预设选址区域内的所述热点场
所的种类为M2种,依次标记为K11、K12、K13…K1M2,其中,所述第一预设选址区域内的第K1个种
类的所述热点场所的数量占所述第一预设选址区域内的所述热点场所总数的比例为p
(K1),计算所述第一预设选址区域内的所述热点场所的第二信息熵;所述第三预设选址区域内的所述热点场所的
种类为M3种依次标记为K21、K22、K23…K2M3,其中,所述第一预设选址区域内的第K2个种类的所
述热点场所的数量占所述第一预设选址区域内的所述热点场所总数的比例为p(K2),计算
所述第一预设选址区域内的所述热点场所的第三信息熵;使用预设的神经网络模型对环境因素统计信息
进行处理,包括对所述第一信息熵、所述第二信息熵、所述第三信息熵进行处理,得到所述
第一预设选址区域、所述第二预设选址区域、所述第三预设选址区域中离开所述热点场所
的所述目标电动汽车的数量ne。
采用该技术方案后所达到的技术效果:所述使用神经网络模型对环境因素统计信息进行处理,能够把对环境因素统计信息产生影响的非数字化因素产生的信息量用熵的形式进行度量,即通过信息熵的方式将非数字化因素与用户驾驶电动汽车进出所述热点场所的情况之间的关联程度以数值的形式进行表示,该过程完全不受用户主观因素的影响,因而能够对所述第一预设选址区域、所述第二预设选址区域、所述第三预设选址区域中离开所述热点场所的所述目标电动汽车的数量ne进行客观准确地分析;而所述第一预设选址区域、所述第二预设选址区域、所述第三预设选址区域的热点场所的环境因素统计信息不同,举例来说,环境因素统计信息例如包括平均房价、道路长度、充电站数量等,因此所述第一预设选址区域、所述第二预设选址区域、所述第三预设选址区域的信息熵也不同,分别计算三者的信息熵能够更准确反映电动汽车进出热点场所的情况。
进一步的,所述记录所有所述目标电动汽车从所述热点场所前往所述充电站的里
程数Sq,并相加得到总里程数S,包括:选取离所述热点场所最近的Q个所述充电站;计算前
往离所述热点场所最近的Q个所述充电站的所述目标电动汽车的总里程数,其中,Q个所述充电站中,前往第q个所述充
电站需要经过R个路口,xqr为第r个路口的目标路径转向概率,ni为所述预设选址区域内所
述热点场所的数量。
采用该技术方案后所达到的技术效果:对于离开所述热点场所来说,若需要进行充电,优先选择距离最近的充电站,若距离最近的充电站里的电动汽车已达到负荷量,则选择距离次之的充电站;结合统计得到每个路口的目标路径转向概率xqr,相乘可以得到前往充电站的电动汽车数量,以及各电动汽车前往充电站的里程数,根据总里程数S的大小,得出电动车选址方案的便携程度;其中,设置Q个充电站,避免少量充电站的总负荷量不能够满足热点场所的电动汽车的充电需求,而当Q个充电站能够满足充电需求时,多余的充电站对应的目标路径上,电动汽车的转向概率可以设置为0,因此也能够避免充电站过多带来的计算误差。
进一步的,所述记录所有所述目标电动汽车从所述热点场所前往所述充电站的里程数Sq,并相加得到总里程数S,还包括:离所述热点场所最近的Q个所述充电站中,至少一个所述充电站位于相邻的其余所述预设选址区域中,所述目标电动汽车离开所述热点场所并跨越相邻的所述圈层进入其余所述预设选址区域的所述充电站,此时,所述电动汽车的里程数Sq计入所述热点场所所在的所述预设选址区域的所述目标电动汽车的总里程数S。
采用该技术方案后所达到的技术效果:位于相邻的所述预设选址区域的充电站,其反映的也是热点场所所在的所述预设选址区域的充电需求,因此计入所述热点场所所在的所述预设选址区域的所述目标电动汽车的总里程数S,便于根据所述热点场所的实际充电需求调节充电站的选址。
另一方面,本发明实施例还提供一种电动汽车充电站选址规划装置,用于实现如上述任一实施例提供的电动汽车充电站选址规划方法,所述电动汽车充电站选址规划装置包括:划定模块,用于根据热点场所,划定用于设置所述充电站的至少一个预设选址区域;随机分布模块,用于将预设数量的所述充电站随机分布于所述预设选址区域;第一计算模块,用于使用神经网络模型对环境因素统计信息进行处理,计算离开所述热点场所的目标电动汽车的数量ne,筛选目的地为所述充电站的所述目标电动汽车;第二计算模块,用于记录所有所述目标电动汽车从所述热点场所前往所述充电站的里程数Sq,并相加得到总里程数S;调整模块,用于以所述总里程数S最小作为优化目标,使用预设优化算法对所述充电站在各个所述预设选址区域中的分布情况进行调整,直至算法收敛为止;其中,所述使用神经网络模型对环境因素统计信息进行处理,包括:从预设的数据库中获取训练样本集合,所述训练样本集合包括多个训练样本,每个所述训练样本包括一个所述预设选址区域的统计信息和所有所述目标电动汽车的总里程数S;使用所述训练样本集合对所述神经网络模型进行训练,在训练过程中,将各个所述训练样本中的环境因素统计信息作为输入,以所有所述目标电动汽车的总里程数S作为目标输出。
采用该技术方案后所达到的技术效果:所述电动汽车充电站选址规划装置能够在预设选址区域中随机分布预设数量的充电站,通过神经网络模型对环境因素统计信息进行处理,从而得到目的地为所述充电站的所述目标电动汽车,根据计算得到所述目标电动汽车的总里程数S对所述充电站的选址进行优化,从而实现充电站的合理选址。
另一方面,本发明实施例还提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一实施例提供的电动汽车充电站选址规划方法。
采用该技术方案后所达到的技术效果:所述终端设备用于所述电动汽车充电站选址规划方法的存储和运行,实现充电站的合理选址。
综上所述,本申请上述各个实施例可以具有如下一个或多个优点或有益效果:i)根据热点场所选定所述预设选址区域,可以初步确定便于所述热点场所的电动机车充电的充电站位置,减少后续充电站选址的计算量;ii)对充电站进行随机分布,可以快速确立充电站选址方案,并尽可能地枚举足够多的充电站选址方案通过神经网络模型进行训练,从而得到总里程数S最小的方案;iii)总里程数S可以直接反映该充电站选址方案下,电动机车充电的便捷程度,以总里程数S最小作为优化目标,调整充电站的分布情况,直至算法收敛,能够获得预设数量下,充电站最佳的选址方案;iv)通过信息熵的方式将非数字化因素与用户驾驶电动汽车进出所述热点场所的情况之间的关联程度以数值的形式进行表示,该过程完全不受用户主观因素的影响,因而能够对所述第一预设选址区域、所述第二预设选址区域、所述第三预设选址区域中离开所述热点场所的所述目标电动汽车的数量ne进行客观准确地分析;v)所述第一预设选址区域、所述第二预设选址区域、所述第三预设选址区域的热点场所的环境因素统计信息不同,分别计算信息熵能够更准确反映电动汽车进出所述热点场所的情况;根据离开所述热点场所的所述目标电动汽车的数量ne和转向概率xqr,可以更准确地预估前往充电站的电动汽车的数量,从而反映热点场所的充电需求,便于根据所述热点场所的实际充电需求调节充电站的选址。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明第一实施例提供的一种电动汽车充电站选址规划方法的流程图;
图2为本发明第二实施例提供的一种电动汽车充电站选址规划装置的结构示意图。
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作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。
【第一实施例】
参见图1,其为本发明第一实施例提供一种电动汽车充电站选址规划方法,包括:
步骤S1:根据热点场所,划定用于设置充电站的至少一个预设选址区域;
步骤S2:将预设数量的充电站随机分布于预设选址区域;
步骤S3:使用神经网络模型对环境因素统计信息进行处理,计算离开热点场所的目标电动汽车的数量ne,筛选目的地为充电站的目标电动汽车;
步骤S4:记录所有目标电动汽车从热点场所前往充电站的里程数Sq,并相加得到总里程数S;
步骤S5:以总里程数S最小作为优化目标,使用预设优化算法对充电站在各个预设选址区域中的分布情况进行调整,直至算法收敛为止。
其中,使用神经网络模型对环境因素统计信息进行处理,包括:从预设的数据库中获取训练样本集合,训练样本集合包括多个训练样本,每个训练样本包括一个预设选址区域的统计信息和所有目标电动汽车的总里程数S;使用训练样本集合对神经网络模型进行训练,在训练过程中,将各个训练样本中的环境因素统计信息作为输入,以所有目标电动汽车的总里程数S作为目标输出。
需要说明的是,对于任意一个训练样本而言,环境因素统计信息经过所述神经网络模型的处理之后得到初始输出值,此时计算所述初始输出值与所述目标输出的偏差,当所有训练样本的偏差计算出来后,将所有偏差的绝对值相加得到总偏差,将所述总偏差与总偏差阈值进行比较,若所述总偏差小于等于所述总偏差阈值,则输出的总里程数S相对准确,当所述总偏差大于所述总偏差阈值,则需要调整神经网络模型的参数重新训练,以提高目标输出的精度。
在本实施例中,根据热点场所选定预设选址区域,可以初步确定便于热点场所的电动机车充电的充电站位置,减少后续充电站选址的计算量;对充电站进行随机分布,可以快速确立充电站选址方案,并尽可能地枚举足够多的充电站选址方案通过神经网络模型进行训练,从而得到总里程数S最小的方案;总里程数S可以直接反映该充电站选址方案下,电动机车充电的便捷程度,以总里程数S最小作为优化目标,调整充电站的分布情况,直至算法收敛,能够获得预设数量下,充电站最佳的选址方案。
在一个具体的实施例中,步骤S1:根据热点场所,划定用于设置充电站的至少一个预设选址区域,例如包括:划定相互套设的多个圈层,多个圈层由外到内依次为第三圈层、第二圈层和第一圈层;其中,第三圈层和第二圈层之间为第三预设选址区域,第三预设选址区域囊括预设选址区域内c%的热点场所,第二圈层和第一圈层之间为第二预设选址区域,第二预设选址区域囊括预设选址区域内b%的热点场所,第一圈层内为第一预设选址区域,第一预设选址区域囊括预设选址区域内a%的热点场所。
需要说明的是,按照热点场所的数量设立多个相互套设的圈层,将预设选址区域划分为第一预设选址区域、第二预设选址区域、第三预设选址区域,便于根据热点场所的密集程度对充电站的数量进行调整,从而在热点场所密集区域设立更多的充电站以满足需求,在热点场所稀疏区域设立较少充电站避免浪费。其中,a%、b%、c%均可以取20%、25%、30%、33%、40%等参数,且满足a%、b%、c%≤100%
优选的,预设选址区域可以是一个市辖区、至少一个镇或商圈等,也可以是第三圈层、第二圈层和第一圈层的形状可以是任意的平面几何形状,例如方形、圆形等,此处不做限定。
优选的,第三圈层内还可以设置依次套设的第四圈层、第五圈层等,以形成第三预设选址区域、第四预设选址区域等,此处不做限定。
在一个具体的实施例中,第三预设选址区域的面积为C,第二预设选址区域的面积为B,第一预设选址区域的面积为A,其中,a%/A>b%/B>c%/C。其中,预设选址区域中热点场所的密集程度由外到内逐渐增加,便于在第一预设选址区域、第二预设选址区域、第三预设选址区域中设置不同密集程度的充电站。
在一个具体的实施例中,步骤S2:将预设数量的充电站随机分布于预设选址区域,例如包括:将n1数量的充电站随机分布于第一预设选址区域;将n2数量的充电站随机分布于第二预设选址区域;将n3数量的充电站随机分布于第三预设选址区域;其中,n1/a%>n2/b%>n3/c%,和/或n1/A>n2/B>n3/C。
需要说明的是,满足n1/A>n2/B>n3/C时,即预设选址区域的充电站密集程度由外到内逐渐增加,以便于热点场所密集区域的充电站能够满足充电需求;由于预设选址区域的中心位置区域往往是车流量最大的区域,例如从第三预设选址区域的一侧至另一侧也需要经过第二预设选址区域和第一预设选址区域,因此需要进一步提高预设选址区域中心位置的充电站数量,当满足n1/a%>n2/b%>n3/c%时,单位热点场所对应的充电站的数量更多,便于满足中心位置例如第一预设选址区域的充电需求。
在一个具体的实施例中,步骤S2:将预设数量的充电站随机分布于预设选址区域,例如还包括:以第一预设选址区域、第二预设选址区域、第三预设选址区域的每一个热点场所为中心,周侧划定多个单元区域,对第一预设选址区域、第二预设选址区域、第三预设选址区域内的单元区域分别按顺序标记,生成随机编号,当随机编号与单元区域的标记符合时,将充电站设于单元区域。
举例来说,第一预设选址区域、第二预设选址区域、第三预设选址区域内的单元区域分为为T1个、T2个、T3个,计算机生成随机数,随机数根据T1、T2、T3的至进行求余,余数即随机编号。
需要说明的是,以热点场所为中心划定多个单元区域,在单元区域设立充电站,便于在热点场所的就近位置进行充电;根据计算机生成的随机编号确定充电站的设置位置,便于对充电站的随机分布情况进行统计,相比物理性随机编号,简化了随机编号生成步骤,加快了充电站选址的流程。
在一个具体的实施例中,步骤S3:使用神经网络模型对环境因素统计信息进行处
理,计算离开热点场所的目标电动汽车的数量ne,筛选目的地为充电站的目标电动汽车,例
如包括:第一预设选址区域内的热点场所的种类为M1种,依次标记为K01、K02、K03…K0M1,其
中,第一预设选址区域内的第K0个种类的热点场所的数量占第一预设选址区域内的热点场
所总数的比例为p(K0),计算第一预设选址区域内的热点场所的第一信息熵;第二预设选址区域内的热点场所的种类为M2
种,依次标记为K11、K12、K13…K1M2,其中,第一预设选址区域内的第K1个种类的热点场所的数
量占第一预设选址区域内的热点场所总数的比例为p(K1),计算第一预设选址区域内的热
点场所的第二信息熵;第三预设选址区域内的热
点场所的种类为M3种依次标记为K21、K22、K23…K2M3,其中,第一预设选址区域内的第K2个种类
的热点场所的数量占第一预设选址区域内的热点场所总数的比例为p(K2),计算第一预设
选址区域内的热点场所的第三信息熵;使用预设的
神经网络模型对环境因素统计信息进行处理,包括对第一信息熵、第二信息熵、第三信息熵
进行处理,得到第一预设选址区域、第二预设选址区域、第三预设选址区域中离开热点场所
的目标电动汽车的数量ne。
需要说明的是,使用神经网络模型对环境因素统计信息进行处理,能够把对环境因素统计信息产生影响的非数字化因素产生的信息量用熵的形式进行度量,即通过信息熵的方式将非数字化因素与用户驾驶电动汽车进出热点场所的情况之间的关联程度以数值的形式进行表示,该过程完全不受用户主观因素的影响,因而能够对第一预设选址区域、第二预设选址区域、第三预设选址区域中离开热点场所的目标电动汽车的数量ne进行客观准确地分析;而第一预设选址区域、第二预设选址区域、第三预设选址区域的热点场所的环境因素统计信息不同,举例来说,环境因素统计信息例如包括平均房价、道路长度、充电站数量等,因此第一预设选址区域、第二预设选址区域、第三预设选址区域的信息熵也不同,分别计算三者的信息熵能够更准确反映电动汽车进出热点场所的情况。
在一个具体的实施例中,记录所有目标电动汽车从热点场所前往充电站的里程数
Sq,并相加得到总里程数S,包括:选取离热点场所最近的Q个充电站;计算前往离热点场所
最近的Q个充电站的目标电动汽车的总里程数,其中,Q
个充电站中,前往第q个充电站需要经过R个路口,xqr为第r个路口的目标路径转向概率,ni
为预设选址区域内热点场所的数量。
需要说明的是,对于离开热点场所来说,若需要进行充电,优先选择距离最近的充
电站,若距离最近的充电站里的电动汽车已达到负荷量,则选择距离次之的充电站;结合统
计得到每个路口的目标路径转向概率xqr,相乘可以得到前往充电站的电动汽车数量为,以及各电动汽车前往充电站的里程数,根据总里程数S的大小,得
出电动车选址方案的便携程度;其中,设置Q个充电站,避免少量充电站的总负荷量不能够
满足热点场所的电动汽车的充电需求,而当Q个充电站能够满足充电需求时,多余的充电站
对应的目标路径上,电动汽车的转向概率可以设置为0,因此也能够避免充电站过多带来的
计算误差。
其中,上述路口包括交错的主干路形成的路口,也包括主干路连接内部道路的路口。
在一个具体的实施例中,记录所有目标电动汽车从热点场所前往充电站的里程数Sq,并相加得到总里程数S,还包括:离热点场所最近的Q个充电站中,至少一个充电站位于相邻的其余预设选址区域中,目标电动汽车离开热点场所并跨越相邻的圈层进入其余预设选址区域的充电站,此时,电动汽车的里程数Sq计入热点场所所在的预设选址区域的目标电动汽车的总里程数S。
需要说明的是,位于相邻的预设选址区域的充电站,其反映的也是热点场所所在的预设选址区域的充电需求,因此计入热点场所所在的预设选址区域的目标电动汽车的总里程数S,便于根据热点场所的实际充电需求调节充电站的选址。
在一个具体的实施例中,步骤S5:以总里程数S最小作为优化目标,使用预设优化算法对充电站在各个预设选址区域中的分布情况进行调整,直至算法收敛为止,例如包括:使用模拟退火算法对充电站在各个预设选址区域中的分布情况进行调整,在调整的过程中,以目标电动汽车的总里程数S最小作为优化目标。
【第二实施例】
参见图2,本发明第二实施例还提供一种电动汽车充电站选址规划装置,用于实现如上述任一具体实施例提供的电动汽车充电站选址规划方法,电动汽车充电站选址规划装置包括:划定模块,用于根据热点场所,划定用于设置充电站的至少一个预设选址区域;随机分布模块,用于将预设数量的充电站随机分布于预设选址区域;第一计算模块,用于使用神经网络模型对环境因素统计信息进行处理,计算离开热点场所的目标电动汽车的数量ne,筛选目的地为充电站的目标电动汽车;第二计算模块,用于记录所有目标电动汽车从热点场所前往充电站的里程数Sq,并相加得到总里程数S;调整模块,用于以总里程数S最小作为优化目标,使用预设优化算法对充电站在各个预设选址区域中的分布情况进行调整,直至算法收敛为止;其中,使用神经网络模型对环境因素统计信息进行处理,包括:从预设的数据库中获取训练样本集合,训练样本集合包括多个训练样本,每个训练样本包括一个预设选址区域的统计信息和所有目标电动汽车的总里程数S;使用训练样本集合对神经网络模型进行训练,在训练过程中,将各个训练样本中的环境因素统计信息作为输入,以所有目标电动汽车的总里程数S作为目标输出。
需要说明的是,电动汽车充电站选址规划装置能够在预设选址区域中随机分布预设数量的充电站,通过神经网络模型对环境因素统计信息进行处理,从而得到目的地为充电站的目标电动汽车,根据计算得到目标电动汽车的总里程数S对充电站的选址进行优化,从而实现充电站的合理选址。
【第三实施例】
本发明第三实施例还提供一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述任一实施例提供的电动汽车充电站选址规划方法。
需要说明的是,终端设备用于电动汽车充电站选址规划方法的存储和运行,实现充电站的合理选址。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种电动汽车充电站选址规划方法,其特征在于,包括:
根据热点场所,划定用于设置所述充电站的至少一个预设选址区域;
将预设数量的所述充电站随机分布于所述预设选址区域;
使用神经网络模型对环境因素统计信息进行处理,计算离开所述热点场所的目标电动汽车的数量ne,筛选目的地为所述充电站的所述目标电动汽车;
记录所有所述目标电动汽车从所述热点场所前往所述充电站的里程数Sq,并相加得到总里程数S;
以所述总里程数S最小作为优化目标,使用预设优化算法对所述充电站在各个所述预设选址区域中的分布情况进行调整,直至算法收敛为止;
其中,所述使用神经网络模型对环境因素统计信息进行处理,包括:从预设的数据库中获取训练样本集合,所述训练样本集合包括多个训练样本,每个所述训练样本包括一个所述预设选址区域的统计信息和所有所述目标电动汽车的总里程数S;使用所述训练样本集合对所述神经网络模型进行训练,在训练过程中,将各个所述训练样本中的环境因素统计信息作为输入,以所有所述目标电动汽车的总里程数S作为目标输出;
所述根据热点场所,划定用于设置所述充电站的至少一个预设选址区域,包括:划定相互套设的多个圈层,所述多个圈层由外到内依次为第三圈层、第二圈层和第一圈层;其中,所述第三圈层和所述第二圈层之间为第三预设选址区域,所述第三预设选址区域囊括所述预设选址区域内c%的所述热点场所,所述第二圈层和所述第一圈层之间为第二预设选址区域,所述第二预设选址区域囊括所述预设选址区域内b%的所述热点场所,所述第一圈层内为第一预设选址区域,所述第一预设选址区域囊括所述预设选址区域内a%的所述热点场所;
所述使用神经网络模型对环境因素统计信息进行处理,计算离开所述热点场所的目标电动汽车的数量ne,筛选目的地为所述充电站的目标电动汽车,包括:
所述第一预设选址区域内的所述热点场所的种类为M1种,依次标记为K01、K02、K03…K0M1,
其中,所述第一预设选址区域内的第K0个种类的所述热点场所的数量占所述第一预设选址
区域内的所述热点场所总数的比例为p(K0),计算所述第一预设选址区域内的所述热点场
所的第一信息熵;
所述第二预设选址区域内的所述热点场所的种类为M2种,依次标记为K11、K12、K13…K1M2,
其中,所述第一预设选址区域内的第K1个种类的所述热点场所的数量占所述第一预设选址
区域内的所述热点场所总数的比例为p(K1),计算所述第一预设选址区域内的所述热点场
所的第二信息熵;
所述第三预设选址区域内的所述热点场所的种类为M3种依次标记为K21、K22、K23…K2M3,
其中,所述第一预设选址区域内的第K2个种类的所述热点场所的数量占所述第一预设选址
区域内的所述热点场所总数的比例为p(K2),计算所述第一预设选址区域内的所述热点场
所的第三信息熵;
使用预设的神经网络模型对环境因素统计信息进行处理,包括对所述第一信息熵、所述第二信息熵、所述第三信息熵进行处理,得到所述第一预设选址区域、所述第二预设选址区域、所述第三预设选址区域中离开所述热点场所的所述目标电动汽车的数量ne。
2.根据权利要求1所述的电动汽车充电站选址规划方法,其特征在于,第三预设选址区域的面积为C,第二预设选址区域的面积为B,第一预设选址区域的面积为A,其中,a%/A>b%/B>c%/C,和/或n1/A>n2/B>n3/C。
3.根据权利要求2所述的电动汽车充电站选址规划方法,其特征在于,所述将预设数量的所述充电站随机分布于所述预设选址区域,包括:
将n1数量的所述充电站随机分布于所述第一预设选址区域;
将n2数量的所述充电站随机分布于所述第二预设选址区域;
将n3数量的所述充电站随机分布于所述第三预设选址区域;
其中,n1/a%>n2/b%>n3/c%。
4.根据权利要求3所述的电动汽车充电站选址规划方法,其特征在于,所述将预设数量的所述充电站随机分布于所述预设选址区域,还包括:
以所述第一预设选址区域、所述第二预设选址区域、所述第三预设选址区域的每一个所述热点场所为中心,划定单元区域,对所述第一预设选址区域、所述第二预设选址区域、所述第三预设选址区域内的所述单元区域分别按顺序标记,生成随机编号,当所述随机编号与所述单元区域的标记符合时,将所述充电站设于所述单元区域。
6.根据权利要求5所述的电动汽车充电站选址规划方法,其特征在于,所述记录所有所述目标电动汽车从所述热点场所前往所述充电站的里程数Sq,并相加得到总里程数S,还包括:
离所述热点场所最近的Q个所述充电站中,至少一个所述充电站位于相邻的其余所述预设选址区域中,所述目标电动汽车离开所述热点场所并跨越相邻的所述圈层进入其余所述预设选址区域的所述充电站,此时,所述电动汽车的里程数Sq计入所述热点场所所在的所述预设选址区域的所述目标电动汽车的总里程数S。
7.一种电动汽车充电站选址规划装置,用于实现如权利要求1-6任一项所述的电动汽车充电站选址规划方法,其特征在于,所述电动汽车充电站选址规划装置包括:
划定模块,用于根据热点场所,划定用于设置所述充电站的至少一个预设选址区域;
随机分布模块,用于将预设数量的所述充电站随机分布于所述预设选址区域;
第一计算模块,用于使用神经网络模型对环境因素统计信息进行处理,计算离开所述热点场所的目标电动汽车的数量ne,筛选目的地为所述充电站的所述目标电动汽车;
第二计算模块,用于记录所有所述目标电动汽车从所述热点场所前往所述充电站的里程数Sq,并相加得到总里程数S;
调整模块,用于以所述总里程数S最小作为优化目标,使用预设优化算法对所述充电站在各个所述预设选址区域中的分布情况进行调整,直至算法收敛为止;
其中,所述使用神经网络模型对环境因素统计信息进行处理,包括:从预设的数据库中获取训练样本集合,所述训练样本集合包括多个训练样本,每个所述训练样本包括一个所述预设选址区域的统计信息和所有所述目标电动汽车的总里程数S;使用所述训练样本集合对所述神经网络模型进行训练,在训练过程中,将各个所述训练样本中的环境因素统计信息作为输入,以所有所述目标电动汽车的总里程数S作为目标输出。
8.一种终端设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述电动汽车充电站选址规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211181834.8A CN115271268B (zh) | 2022-09-27 | 2022-09-27 | 一种电动汽车充电站选址规划方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211181834.8A CN115271268B (zh) | 2022-09-27 | 2022-09-27 | 一种电动汽车充电站选址规划方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115271268A CN115271268A (zh) | 2022-11-01 |
CN115271268B true CN115271268B (zh) | 2023-01-13 |
Family
ID=83756263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211181834.8A Active CN115271268B (zh) | 2022-09-27 | 2022-09-27 | 一种电动汽车充电站选址规划方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115271268B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153893A (zh) * | 2017-05-19 | 2017-09-12 | 东南大学 | 一种基于城市停车数据的电动汽车充电站选址规划方法 |
CN107403267A (zh) * | 2017-07-21 | 2017-11-28 | 清华大学 | 一种高速路网中的电动汽车充电站规划方法 |
CN109572479A (zh) * | 2018-11-19 | 2019-04-05 | 浙江大学 | 一种城市配电网络中电动汽车快速充电站的优化选址方法 |
CN110175780A (zh) * | 2019-05-28 | 2019-08-27 | 广东工业大学 | 一种电动汽车充电站选址方法、系统及相关装置 |
CN110232584A (zh) * | 2019-04-11 | 2019-09-13 | 深圳市城市交通规划设计研究中心有限公司 | 停车场选址方法、装置、计算机可读存储介质及终端设备 |
KR102057649B1 (ko) * | 2018-12-13 | 2019-12-19 | 주식회사 알고리고 | 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법 |
CN110705864A (zh) * | 2019-09-27 | 2020-01-17 | 广东电网有限责任公司 | 一种充电站选址定容方法 |
CN111861192A (zh) * | 2020-07-16 | 2020-10-30 | 云南电网有限责任公司 | 一种电动汽车充电站的选址方法及装置 |
CN111861022A (zh) * | 2020-07-28 | 2020-10-30 | 国网天津市电力公司滨海供电分公司 | 一种基于大数据分析优化电动汽车充电站选址的方法 |
CN112036943A (zh) * | 2020-08-27 | 2020-12-04 | 全球能源互联网研究院有限公司 | 一种充电设施选址方法及系统 |
CN112487622A (zh) * | 2020-11-23 | 2021-03-12 | 国网河北省电力有限公司经济技术研究院 | 电动汽车充电桩的选址定容方法、装置及终端设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046753B (zh) * | 2019-03-29 | 2020-08-28 | 江苏大学 | 一种电动汽车充电站最优建设数量和选址方案规划方法 |
-
2022
- 2022-09-27 CN CN202211181834.8A patent/CN115271268B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153893A (zh) * | 2017-05-19 | 2017-09-12 | 东南大学 | 一种基于城市停车数据的电动汽车充电站选址规划方法 |
CN107403267A (zh) * | 2017-07-21 | 2017-11-28 | 清华大学 | 一种高速路网中的电动汽车充电站规划方法 |
CN109572479A (zh) * | 2018-11-19 | 2019-04-05 | 浙江大学 | 一种城市配电网络中电动汽车快速充电站的优化选址方法 |
KR102057649B1 (ko) * | 2018-12-13 | 2019-12-19 | 주식회사 알고리고 | 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법 |
CN110232584A (zh) * | 2019-04-11 | 2019-09-13 | 深圳市城市交通规划设计研究中心有限公司 | 停车场选址方法、装置、计算机可读存储介质及终端设备 |
CN110175780A (zh) * | 2019-05-28 | 2019-08-27 | 广东工业大学 | 一种电动汽车充电站选址方法、系统及相关装置 |
CN110705864A (zh) * | 2019-09-27 | 2020-01-17 | 广东电网有限责任公司 | 一种充电站选址定容方法 |
CN111861192A (zh) * | 2020-07-16 | 2020-10-30 | 云南电网有限责任公司 | 一种电动汽车充电站的选址方法及装置 |
CN111861022A (zh) * | 2020-07-28 | 2020-10-30 | 国网天津市电力公司滨海供电分公司 | 一种基于大数据分析优化电动汽车充电站选址的方法 |
CN112036943A (zh) * | 2020-08-27 | 2020-12-04 | 全球能源互联网研究院有限公司 | 一种充电设施选址方法及系统 |
CN112487622A (zh) * | 2020-11-23 | 2021-03-12 | 国网河北省电力有限公司经济技术研究院 | 电动汽车充电桩的选址定容方法、装置及终端设备 |
Non-Patent Citations (2)
Title |
---|
Dynamic Pricing at Electric Vehicle Charging Stations for Queueing Delay Reduction;Peng Xu 等;《2017 IEEE 37th International Conference on Distributed Computing Systems (ICDCS)》;20170608;全文 * |
电动汽车充电桩选址定容方法;段庆 等;《电力系统保护与控制》;20170614;第45卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115271268A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | A bi-objective model for location planning of electric vehicle charging stations with GPS trajectory data | |
CN110232584B (zh) | 停车场选址方法、装置、计算机可读存储介质及终端设备 | |
CN111814079B (zh) | 结合聚类与cmab的群智感知车联网用户筛选方法 | |
CN110085027B (zh) | 一种大规模路网群体车流诱导任务的分解方法 | |
CN105930914A (zh) | 基于起讫点距离的城市公交最优收费结构的收费确定方法 | |
CN110490393B (zh) | 结合经验与方向的出租车寻客路线规划方法、系统及介质 | |
Andrenacci et al. | Determination of the level of service and customer crowding for electric charging stations through fuzzy models and simulation techniques | |
CN111126799B (zh) | 基于二分图的共享网络司乘匹配方法 | |
CN107729938A (zh) | 一种基于公交接驳辐射区特征的轨道站点分类方法 | |
CN110909434A (zh) | 一种低碳导向下的城市公共交通干线网络设计方法 | |
CN107832779A (zh) | 一种轨道站点分类系统 | |
CN112347596A (zh) | 一种城市公交线网优化方法 | |
CN105844334B (zh) | 一种基于径向基神经网络的温度插值方法 | |
CN115146946A (zh) | 基于多源数据的汽车充电设施选择及规划方法 | |
CN108564810B (zh) | 一种车位共享系统及其方法 | |
CN115271268B (zh) | 一种电动汽车充电站选址规划方法、装置及终端设备 | |
CN111582601A (zh) | 一种公交站点选址方法及装置 | |
CN114912717A (zh) | 基于物联网的智慧城市保障住房申请风险评估方法和系统 | |
Sun et al. | A multi-objective model for cordon-based congestion pricing schemes with nonlinear distance tolls | |
CN111460598A (zh) | 一种基于机器学习的公交干线网生成方法 | |
Si et al. | Modeling the congestion cost and vehicle emission within multimodal traffic network under the condition of equilibrium | |
CN105608315A (zh) | 公交停靠站安全服务水平定量评价方法及系统 | |
CN115713206A (zh) | 一种公交个体出行决策模型 | |
Park et al. | Multiobjective approach to the transit network design problem with variable demand considering transit equity | |
CN115204513A (zh) | 一种考虑双边利益的电动汽车充电多目标引导方法 |
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 |