CN115330267A - 基于需求行为的充换电设施布局方法、装置、设备及介质 - Google Patents
基于需求行为的充换电设施布局方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115330267A CN115330267A CN202211237384.XA CN202211237384A CN115330267A CN 115330267 A CN115330267 A CN 115330267A CN 202211237384 A CN202211237384 A CN 202211237384A CN 115330267 A CN115330267 A CN 115330267A
- Authority
- CN
- China
- Prior art keywords
- charging
- battery
- demand
- facility
- time
- 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 63
- 230000006399 behavior Effects 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 67
- 230000006870 function Effects 0.000 claims description 136
- 230000007704 transition Effects 0.000 claims description 62
- 238000010276 construction Methods 0.000 claims description 55
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 230000008859 change Effects 0.000 claims description 39
- 238000006243 chemical reaction Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 26
- 150000001875 compounds Chemical class 0.000 claims description 24
- 230000005611 electricity Effects 0.000 claims description 23
- 238000005315 distribution function Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000011161 development Methods 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 10
- 238000004088 simulation Methods 0.000 description 9
- 239000000047 product Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013515 script Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请提供了一种基于需求行为的充换电设施布局方法、装置、设备及介质,该方法包括:通过对不同类型电动汽车的使用者进行分类,确定了影响电动汽车充换电决策行为的因素,在此基础上构建充换电时空需求模型,获取不同出行者到达各用地区域的充换电需求,并对充换电时空需求添加约束以及不同程度的扰动比例,得到不确定需求下充换电设施鲁棒优化模型,基于不确定需求下充换电设施鲁棒优化模型对充换电设施的布局进行求解;本申请能够将充换电设施分配到合理的位置,并匹配相应的规模,解决充换电设施布局与电动汽车用户充换电时空需求供需失衡问题,提高电动汽车用户出行便捷性与设施布局的鲁棒性。
Description
技术领域
本申请涉及新能源技术领域,尤其涉及基于需求行为的充换电设施布局方法、装置、设备及介质。
背景技术
近年来,随着城镇化的不断推进,居民收入增高,消费不断升级,我国在汽车领域的消费需求还存在较大的潜力空间。汽车工业的快速发展使得人们对石油的需求不断增加,由此引发的环境与能源问题也日益加剧。为降低化石燃料对环境的不利影响以及石油能源紧缺,电动汽车(electric vehicle,EV)因以电为动力源,具有清洁环保和能源效率高等优点,故其作为新兴的交通工具、交通出行模式和能源消费结构应运而生并实现快速增长。伴随中国电动汽车产业迅速发展,居民购买电动汽车的意愿大大提高,电动汽车保有量实现快速增长,自2015年以来我国新能源车辆销量、保有量居世界首位。
尽管电动汽车具有零污染的优点,但相对燃油车,电动汽车存在续航短、受气候影响大,充电时间长等不足,它的快速增长对充换电设施布局规划提出了更高的要求。基于此,大力发展和完善充换电设施的规划建设和使用,将成为未来一段时期的主要发展趋势与目标。
电动汽车充换电时空需求分布是优化充换电设施选址布局的关键。由于电动汽车续航里程较燃油车短,在使用电动汽车的过程中存在较长的充电时长并需进行多次充换电行为以满足出行距离。除了燃油汽车驾驶者出行所受城市交通路网特征影响因素外,电动汽车驾驶者出行还受到电动汽车自身行驶特性影响,如电动汽车荷电状态,电动汽车续航里程和充换电时长等影响因素。因此电动汽车出行者在出行中需进行充换电时空需求判别和充换电设施类型选择等充换电决策行为。而电动汽车出行者的充换电决策行为是电动汽车出行者出行行为决策的重要组成部分,故对电动汽车出行者时空需求行为分析是准确预测充换电时空需求的基础。
充换电设施作为服务电动汽车补充电能的重要服务载体,是保障电动汽车随时随地进行便利充电的重要媒介,对提高电动汽车在道路行驶中的高效性具有重要作用。我国充换电基础设施蓬勃发展,电动汽车与充电桩数量比(以下简称“车桩比”)从2015年的6.5:1下降到2020年的3:1。尽管充电桩在数量上得到了快速增加,但也带了充电设施的无序增长导致“有桩无车”、“僵尸桩”、“有车无桩”等现象突出,与此同时由于我国换电技术处于起步发展阶段。与此同时,换电需求也在不断增高,显现出换电站数量存在不足等,这些现象反应了现阶段充换电设施发展存在规划设计中结构性供需失衡问题。
综上所述,将充换电设施分配到合适的位置,并匹配相应的规模,解决充换电设施布局与电动汽车用户充换电时空需求供需失衡问题,提高电动汽车用户出行便捷性与设施布局的鲁棒性,是目前亟待研究的问题,因此,现有技术中缺少对充换电设施布局规划的方案。
发明内容
有鉴于此,本申请实施例提供了一种基于需求行为的充换电设施布局方法、装置及电子设备,能够将充换电设施分配到合适的位置,并匹配相应的规模,解决充换电设施布局与电动汽车用户充换电时空需求供需失衡问题,提出充换电设施的选址布局方法,提高电动汽车用户出行便捷性与设施布局的鲁棒性。
本申请实施例的技术方案是这样实现的:
第一方面,本申请实施例提供一种基于需求行为的充换电设施布局方法,包括以下步骤:
构建针对电动汽车的出行状态集合,其中,所述电动汽车的类别包括私人电动汽车和非私人电动汽车,所述出行状态集合包括换电、快速充电、慢速充电、行驶和停驶,所述快速充电表征以第一功率的直流电进行充电,所慢速充电表征使用第二功率的恒压恒流的交流电进行充电;
针对所述出行状态集合中的所述快速充电、所述慢速充电和所述换电,确定对应出行状态的充换电时长;
基于所述出行状态集合和所述充换电时长,构建所述电动汽车在所述出行状态集合中任意两相邻的出行状态间发生转移的状态转移概率函数,以及完成所述出行状态的转移后所述电动汽车的荷电状态时空变化函数;
基于所述出行状态集合、充换电时长、状态转移概率和荷电状态时空变化,构建充换电时空需求模型,其中,所述充换电时空需求模型表征所述电动汽车在出行过程中产生的充换电需求在时间和空间上的分布情况;
基于所述充换电时空需求模型,以充换电设施运营方支出与用户方成本最小为目标,以充换电设施服务能力、充换电设施规模大小和心理寻站最大距离为约束,构建确定需求下充换电设施选址模型,并对所述确定需求下充换电设施选址模型添加不同程度的扰动比例,构建不确定需求下充换电设施鲁棒优化模型;
将目标数据输入所述不确定需求下充换电设施鲁棒优化模型,对所述不确定需求下充换电设施鲁棒优化模型求解,得到目标结果。
在一种可能的实施方式中,所述构建针对电动汽车的出行状态集合,包括:
基于所述出行状态集合,确定与所述出行状态对应的出行决策u,其中,当所述出行决策u=3时表示换电决策、当所述出行决策u=2时表示快速充电决策、当所述出行决策u=1时表示慢速充电决策和共五种决策、当所述出行决策u=0时表示行驶决策、当所述出行决策u=-1时表示驻车且不充电。
在一种可能的实施方式中,所述针对所述出行状态集合中的所述快速充电、所述慢速充电和所述换电,确定对应出行状态的充换电时长,包括:
在一种可能的实施方式中,所述基于所述出行状态集合和所述充换电时长,构建所述电动汽车在所述出行状态集合中任意两相邻的出行状态间发生转移的状态转移概率函数,以及完成所述出行状态的转移后所述电动汽车的荷电状态时空变化函数,包括:
将所述概率与所述概率的密度之积求积分,得到第一分布函数,对所述出行状态为所述行驶下的不同类别的所述电动汽车构建单次出行距离密度函数并积分,得到所述单次出行距离的第二分布函数;
式中,表示w类别的所述电动汽车的所述概率的密度,表示w类别的所述电动汽车的所述单次出行距离密度函数,表示w类别的所述电动汽车采取换电决策的所述概率,表示w类别的所述电动汽车采取快速充电决策的所述概率, w类别的所述电动汽车采取慢速充电决策的所述概率;
在一种可能的实施方式中,所述基于所述出行状态集合、充换电时长、状态转移概率和荷电状态时空变化,构建所述充换电时空需求模型,其中,所述充换电时空需求模型表征所述电动汽车在出行过程中产生的充换电需求在时间和空间上的分布情况,包括:
通过充电功率、充换电等待时间和的积得到第k辆w类型的所述电动汽车在不同用地性质i下t k-1 到t k 时段对应的充电需求,通过最大电池容量与当前出行状态下所述电动汽车荷电状态之差与电池容量和的积得到换电需求,其中,充电功率包括慢速充电桩充电功率和快速充电桩充电功率;
在一种可能的实施方式中,所述基于所述充换电时空需求模型,以充换电设施运营方支出与所述用户方成本最小为目标,以充换电设施服务能力、充换电设施规模大小和心理寻站最大距离为约束,构建确定需求下充换电设施选址模型,包括:
构建以下目标函数至少之一:
其中,所述第一目标函数表示运营方和用户方成本最低,由所述第二目标函数至所述第七目标函数中至少一个求和构成;所述第二目标函数表示换电站的购地成本;所述第三目标函数表示充电设施和换电站年均建设成本;所述第四目标函数表示充电设施和换电站年均运营成本;所述第五目标函数表示用户方寻站成本;所述第六目标函数表示用户方快充时等候成本;所述第七目标函数表示用户充换电时用电成本;所述第一约束条件表示被分配到j点的k类需求不能超过起其对应充电设施数量的最大服务能力;所述第二约束条件表示被分配到m点g类换电站的s类需求不能超过起应换电设施的最大服务能力;所述第三约束条件表示一个换电地点最多建立一类换电站;所述第四约束条件表示不会有换电需求分配到未选中的换电站候选点;所述第五约束条件表示不会有充电需求分配到未选中的充点设施候选点;所述第六约束条件表示各需求点分配的不同类型换电需求由各换电站完成;所述第七约束条件表示各需求点分配的不同类型充电需求由各备选充电设施完成;所述第八约束条件表示换电站的最大建设数量;所述第九约束条件表示换电站的最小建设数量;所述第十约束条件表示需求点到备选换电站m的距离;所述第十一约束条件表示单位距离电量成本;所述第十二约束条件表示需求点到备选换电站m的距离不大于寻站心理最大距离;所述第十三约束条件表示各变量的取值范围;
K表示不同类别充电需求,k=1表示慢充需求,k=2表示快充需求;
在一种可能的实施方式中,所述对所述确定需求下充换电设施选址模型添加不同程度的扰动比例,构建不确定需求下充换电设施鲁棒优化模型,包括:
通过表示在u时刻下,类电动汽车出行者在用地性质内i点的类型的不确定充电需求,且,其中为u时刻下,类电动汽车出行者在用地性质内i点的类型的充电需求,为扰动量,表示所述不确定集合的不确定水平,用于衡量约束条件的保守程度,体现决策者的风险偏好程度,值越大表征决策者的风险偏好程度越低,为充电需求不确定集中任意类电动汽车出行者在用地性质内i点的类型的充电需求;
通过表示在u时刻下,类电动汽车出行者在用地性质内i点的s类型的不确定换电需求,且,其中为u时刻下,类电动汽车出行者在用地性质内i点的类型的换电需求,为其扰动量,为换电需求不确定集中任意类电动汽车出行者在用地性质内i点的s类型的不确定换电需求,
基于所述确定需求下充换电设施选址模型,通过所述充电需求不确定集和所述换电需求不确定集,构建所述不确定需求下充换电设施鲁棒优化模型,所述不确定需求下充换电设施鲁棒优化模型为:
在一种可能的实施方式中,所述将目标数据输入所述不确定需求下充换电设施鲁棒优化模型,对所述不确定需求下充换电设施鲁棒优化模型求解,得到目标结果,包括:
通过K-means聚类算法或分支定界算法对所述不确定需求下充换电设施鲁棒优化模型求解。
第二方面,本申请实施例还提供一种基于需求行为的充换电设施布局装置,所述装置包括:
第一构建模块,用于构建针对电动汽车的出行状态集合,其中,所述电动汽车的类别包括私人电动汽车和非私人电动汽车,所述出行状态集合包括换电、快速充电、慢速充电、行驶和停驶,所述快速充电表征以第一功率的直流电进行充电,所慢速充电表征使用第二功率的恒压恒流的交流电进行充电;
确定模块,用于针对所述出行状态集合中的所述快速充电、所述慢速充电和所述换电,确定对应出行状态的充换电时长;
第二构建模块,用于基于所述出行状态集合和所述充换电时长,构建所述电动汽车在所述出行状态集合中任意两相邻的出行状态间发生转移的状态转移概率函数,以及完成所述出行状态的转移后所述电动汽车的荷电状态时空变化函数;
第三构建模块,用于基于所述出行状态集合、充换电时长、状态转移概率和荷电状态时空变化,构建充换电时空需求模型,其中,所述充换电时空需求模型表征所述电动汽车在出行过程中产生的充换电需求在时间和空间上的分布情况;
第四构建模块,用于基于所述充换电时空需求模型,以充换电设施运营方支出与用户方成本最小为目标,以充换电设施服务能力、充换电设施规模大小和心理寻站最大距离为约束,构建确定需求下充换电设施选址模型,并对所述确定需求下充换电设施选址模型添加不同程度的扰动比例,构建不确定需求下充换电设施鲁棒优化模型;
计算模块,用于将目标数据输入所述不确定需求下充换电设施鲁棒优化模型,对所述不确定需求下充换电设施鲁棒优化模型求解,得到目标结果。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行第一方面任一项所述的基于需求行为的充换电设施布局方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行第一方面任一项所述的基于需求行为的充换电设施布局方法。
本申请实施例具有以下有益效果:
(1)通过不同充换电决策行为特征,将换电时长纳入充电时长概率分布最终形成充换电时长概率分布函数,在取值区间上,新充换电时长具有连续性。通过充换电时长决定三种充换电决策行为,弥补换电时空需求在预测方面的空缺。
(2)考虑不同类型电动汽车用户到达多种用地性质需求点的充换电时空需求,针对充换电需求单一静态化的不足,相比于将点需求假定为静态已有的充电设施选址模型,更贴近实际意义。
(3)基于不确定充换电时空需求,构建充换电一体设施布局鲁棒优化模型。根据鲁棒优化理论,研究在经典设施选址理论的基础上,引入充电需求和换电需求添加扰动比例,构建充换电设施鲁棒优化模型,实现对不同情景的充换电选址总量和比例的布局优化,研究各充换电设施在不同扰动比例下鲁棒性,既为充换电设施决策者简化了决策流程也对未来在城市内布设充换电设施提供了借鉴。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本申请实施例提供的步骤S101-S106的流程示意图;
图2是本申请实施例提供的基于出行条件下的充换电需求流程图;
图3是本申请实施例提供的私人电动汽车载荷状态转移过程示意图;
图4是本申请实施例提供的电动汽车充换电模拟仿真流程图;
图5是本申请实施例提供的不同时间下私人电动汽车各类电量需求图;
图6是本申请实施例提供的非私人电动汽车电量需求分布图;
图7是本申请实施例提供的确定需求下充换电设施选址模型构建图;
图8是本申请实施例提供的K-means聚类算法流程图;
图9是本申请实施例提供的基于需求行为的充换电设施布局装置的结构示意图。
图10是本申请实施例提供的电子设备的组成结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语是为了描述本申请实施例的目的,不是在限制本申请。
参见图1,图1位本申请实施例提供的基于需求行为的充换电设施布局方法步骤S101-106的流程示意图,将结合图1示出的步骤S101-S106进行说明。
步骤S101、构建针对电动汽车的出行状态集合,其中,所述电动汽车的类别包括私人电动汽车和非私人电动汽车,所述出行状态集合包括换电、快速充电、慢速充电、行驶和停驶,所述快速充电表征以第一功率的直流电进行充电,所慢速充电表征使用第二功率的恒压恒流的交流电进行充电;
步骤S102、针对所述出行状态集合中的所述快速充电、所述慢速充电和所述换电,确定对应出行状态的充换电时长;
步骤S103、基于所述出行状态集合和所述充换电时长,构建所述电动汽车在所述出行状态集合中任意两相邻的出行状态间发生转移的状态转移概率函数,以及完成所述出行状态的转移后所述电动汽车的荷电状态时空变化函数;
步骤S104、基于所述出行状态集合、充换电时长、状态转移概率和荷电状态时空变化,构建所述充换电时空需求模型,其中,所述充换电时空需求模型表征所述电动汽车在出行过程中产生的充换电需求在时间和空间上的分布情况;
步骤S105、基于所述充换电时空需求模型,以充换电设施运营方支出与所述用户方成本最小为目标,以充换电设施服务能力、充换电设施规模大小和心理寻站最大距离为约束,构建确定需求下充换电设施选址模型,并对所述确定需求下充换电设施选址模型添加不同程度的扰动比例,构建不确定需求下充换电设施鲁棒优化模型;
步骤S106、将目标数据输入所述不确定需求下充换电设施鲁棒优化模型,对所述不确定需求下充换电设施鲁棒优化模型求解,得到目标结果。
上述基于需求行为的充换电设施布局方法,具有以下有益效果:
(1)通过不同充换电决策行为特征,将换电时长纳入充电时长概率分布最终形成充换电时长概率分布函数,在取值区间上,新充换电时长具有连续性。通过充换电时长决定三种充换电决策行为,弥补换电时空需求在预测方面的空缺。
(2)考虑不同类型电动汽车用户到达多种用地性质需求点的充换电时空需求,针对充换电需求单一静态化的不足,相比于将点需求假定为静态已有的充电设施选址模型,更贴近实际意义。
(3)基于不确定充换电时空需求,构建充换电一体设施布局鲁棒优化模型。根据鲁棒优化理论,研究在经典设施选址理论的基础上,同时引入充电需求和换电需求添加扰动比例,构建充换电设施鲁棒优化模型,实现对不同情景的充换电选址总量和比例的布局优化,研究各充换电设施在不同扰动比例下鲁棒性,既为充换电设施决策者简化了决策流程也对未来在城市内布设充换电设施提供了借鉴。
下面分别对本申请实施例的上述示例性的各步骤进行说明。
参见图2,图2是本申请实施例提供的基于出行条件下的充换电需求流程图。对充换电需求的精准预测是充换电设施布局规划的关键,因此需形成系统的充换电需求预测流程,对组合需求下的时空分布情况进行描述。梳理影响用户出行特征是构建充换电时空需求模型的重要前提,其主要包括出行时间、车辆行驶里程以及充换电等待时间等,如图2所示。但在实际中,用户不仅仅为单一的通勤驾驶者(主要为私人电动车辆用户),还存在其他不以通勤为目的类型的出行者,如电动出租用户或顺风车用户,这类电动汽车用户的出行特征与通勤驾驶者存在较大差异,进而影响到电动汽车用户的充换电决策以及后续的充换电需求。
在步骤S101中,构建针对电动汽车的出行状态集合,其中,所述电动汽车的类别包括私人电动汽车和非私人电动汽车,所述出行状态集合包括换电、快速充电、慢速充电、行驶和停驶,所述快速充电表征以第一功率的直流电进行充电,所慢速充电表征使用第二功率的恒压恒流的交流电进行充电。
在一些实施例中,针对问题描述中提到的不同类型的电动汽车人群,论文结合实际情况,将电动汽车用户分为两大类:非电动私家车用户和电动私家车用户,其中非电动私家车包括电动出租车用户以及电动网约车用户。
电动出租车用户具有出行灵活、全天工作的形式特性。在充电方式上,若无特殊情况,运营范围一般只处于城市区域内部,且采取全时段运营的模式。在运营里程上出租车一天一般行驶形式350-500km,目前的电动出租车一次充电不能满足全天的行驶需要,需要多次充电,并且白天乘客数量较多,受时间影响,为提高载客效率,多选择快充或换电,而夜晚乘客数量处于低谷,同时受充电价格影响,则会选择慢速充电。综上,可以发现快速充电和换电是出租车用户重要的能源补充方式。
随着信息技术的不断发展,网约车也逐渐在交通出行中占据重要比例。较电动出租车用户相比,电动网约车用户出行灵活且工作时间也灵活多变,目前的网约车公司没有固定的工作时间要求。依据网约车司机是否全职,电动网约车用户分为专职与非全职。在充电方式上,若专职或全职的网约车用户,在白天与出租车用户模式则相差无几,为了时间的节约,在乘客出行低谷期进行快充补充。若非全职,时间自由安排的网约车用户,可能在一次充电的续航能力消耗结束后就结束工作,则拥有丰富时间进行慢速充电迎接下一次的工作;若出行一次较为短途以上的出行,一次充电无法满足该次出行的来回,则用户在到达终点时候回选择快速充电以能够回到起点。在充电时间上,存在若自由工作时间的网约车用户,大多选择的是夜晚的长时间慢速充电;专职的网约车用户在白天的快速充电时间和出租车模式相似,上下班高峰期来临之前则会进行快充或换电以迎接乘客高峰。
私人电动车辆用户主要特征是较为固定的通勤出行,如工作、学习、居所等都是固定通勤目的地,在充电方式选择上可以选择慢速充电、快速充电或换电等方式,在充电时间上,用户通常在到达出行目的地后进行能源补充。
依据上述三种不同类型出行的总结,论文假设电动私家车用户在充换电决策中可选择既有的全部充换电方式,包括快速充电方式、慢速充电方式、换电方式,而非电动私家车用户的充换电决策仅可选择快速充电方式和换电方式。
在一些实施例中,所述构建针对电动汽车的出行状态集合,包括:
基于所述出行状态集合,确定与所述出行状态对应的出行决策u,其中,当所述出行决策u=3时表示换电决策、当所述出行决策u=2时表示快速充电决策、当所述出行决策u=1时表示慢速充电决策和共五种决策、当所述出行决策u=0时表示行驶决策、当所述出行决策u=-1时表示驻车且不充电。
作为示例,基于马尔可夫过程理论,在考虑不同用户出行特征的基础上将电动汽车一天内任意时刻出行状态记为,以表示w类型电动汽车的当前状态,而下一状态记为,为表达简洁记为,w=1时,记为私人电动汽车用户,w=2时,记为非私人电动汽车用户。依据马尔可夫链的无记忆性可知电动汽车出行下一状态仅与当前状态相关,故也只需考虑两状态之间的转移概率。
在前后出行状态之间的转移之前,不同类型的电动汽车用户需进行决策。根据对不同出行者充电决策的总结,结合实际出行情况,本文将出行者在出行过程中的出行决策u划分为停驶决策、行驶决策、快速充电决策、慢速充电决策和换电决策共五种决策,具体出行决策u数学表达为:
在一些实施例中,参见图3,图3是本申请实施例提供的私人电动汽车载荷状态转移过程示意图。在实际中电动汽车任意时刻的出行状态同时受主观上的个人风险偏好态度和客观上的电动汽车出行规律影响,而个人出行风险偏好态度需进行大量的调查数据,实行难度较高,故本申请实施例以电动汽车的任意时刻的荷电状态作为分析对象,以此从客观角度并符合电动汽车出行规律的基础上构建充换电时空需求模型。私人电动汽车汽车用户的车辆荷电状态转移示意图如图3所示。以图3中线条为例,S 0 为电动汽车初始时刻荷电状态,u=0表示电动汽车车辆进行行驶的出行决策,实线表示在该决策下的荷电转移,S i 表示电动汽车的进行行驶后的荷电状态,u=3表示电动汽车车辆进行换电的出行决策,随后电动汽车的荷电状态用S j 表示,虚线表示在S j 在状态下也可能存在继续行驶决策行为;对状态S j 进行判别是否为本次出行的最终状态Sn,若不为最终状态,进行u=0的行驶决策,到达下一行驶后的车辆荷电状态S j+1 ,其中点划线表示不为最终状态,下一步出行者可能进行的决策行为。非私人电动汽车用户减去慢速充电决策u=1后的流程即为非私人电动汽车载荷状态转移过程。
在步骤S102中,针对所述出行状态集合中的所述快速充电、所述慢速充电和所述换电,确定对应出行状态的充换电时长。
在一些实施例中,所述针对所述出行状态集合中的所述快速充电、所述慢速充电和所述换电,确定对应出行状态的充换电时长,包括:
作为示例,不同的充换电决策行为下的充换电时间也各有不同,而充电时长与快速充电桩和慢速充电桩的充电功率相关,换电时长短于快速充电设施充电时间,因此利用车辆的电荷容量除以不同的快慢充电功率得到相应充电时长。假设电动汽车的电荷变化范围在[0.2,1]区间,得到各充换电时长为:
表示慢速充电时长区间,慢充最长时长由w类型下第k辆车的电池容量除以慢充功率得到,慢充最短时长由w类型下第k辆车的20%的电池容量除以慢充功率得到;表示快充速充电时长区间,该区间范围同理慢充最短和最长时长方程;表示快充速充电时长,换电等待最长时间定义为小于快充最短时长,最短时长大于0;设置快充功率为慢充功率的5倍时,,充换电时长在区间内连续。通过三类充换电时间上的不同,进行充换电决策行为的判别,如式所示。
在步骤S103中,基于所述出行状态集合和所述充换电时长,构建所述电动汽车在所述出行状态集合中任意两相邻的出行状态间发生转移的状态转移概率函数,以及完成所述出行状态的转移后所述电动汽车的荷电状态时空变化函数。
在一些实施例中,所述基于所述出行状态集合和所述充换电时长,构建所述电动汽车在所述出行状态集合中任意两相邻的出行状态间发生转移的状态转移概率函数,以及完成所述出行状态的转移后所述电动汽车的荷电状态时空变化函数,包括:
将所述概率与所述概率的密度之积求积分,得到第一分布函数,对所述出行状态为所述行驶下的不同类别的所述电动汽车构建单次出行距离密度函数并积分,得到所述单次出行距离的第二分布函数;
式中,表示w类别的所述电动汽车的所述概率的密度,表示w类别的所述电动汽车的所述单次出行距离密度函数,表示w类别的所述电动汽车采取换电决策的所述概率,表示w类别的所述电动汽车采取快速充电决策的所述概率, w类别的所述电动汽车采取慢速充电决策的所述概率;
作为示例,在已知判别充换电决策的基础上,构建不同类型出行者下相邻状态转移概率分布函数,以表示。用对应决策的充换电时长概率与充换电时长的概率密度之积得到相应分布函数;同样对进行行驶状态下的不同类型出行者构建单次出行距离密度函数并积分,得到出行距离的分布函数;停驶状态假设为1,具体数学表达式为:
式中,当充换电决策为换电时(u=3),根据实际电动汽车更换电池情况,假设电动汽车的下一荷电状态取值设为1;当充换电决策为快充时(u=2),下一状态为当前状态与充电时间内的充电电量之和;同理,当充换电决策为慢充时(u=1),下一状态为当前状态与充电时间内的充电电量之和;若下一状态为行驶(u=0)后,计算方式为当前状态与行驶距离耗电量百分比之差;若下一状态为驻车且不行驶(u=-1)后,该状态下取值不变,为。
在步骤S104中,基于所述出行状态集合、充换电时长、状态转移概率和荷电状态时空变化,构建充换电时空需求模型,其中,所述充换电时空需求模型表征所述电动汽车在出行过程中产生的充换电需求在时间和空间上的分布情况。
在一些实施例中,所述基于所述出行状态集合、充换电时长、状态转移概率和荷电状态时空变化,构建所述充换电时空需求模型,其中,所述充换电时空需求模型表征所述电动汽车在出行过程中产生的充换电需求在时间和空间上的分布情况,包括:
通过充电功率、充换电等待时间和的积得到第k辆w类型的所述电动汽车在不同用地性质i下t k-1 到t k 时段对应的充电需求,通过最大电池容量与当前出行状态下所述电动汽车荷电状态之差与电池容量和的积得到换电需求,其中,充电功率包括慢速充电桩充电功率和快速充电桩充电功率;
作为示例,参见图4,图4是本申请实施例提供的电动汽车充换电模拟仿真流程图。利用不同类型电动汽车出行数据,将一天出行时间离散化,分别统计各相应时段出行目的地的用地性质,构建以电动汽车类型w,用地性质m,出行时段为n的出行目的地转移概率矩阵;
由于充电需求的计算和换电需求的计算不尽相同,因此通过充换电时间不同进行分类计算,得到
利用充电功率和充电等待时间之积得到第k辆w类型电动汽车在不同用地性质i下t k-1 到t k 时段对应的充电需求。换电需求通过最大电池容量与当前状态下电动荷电状态之差与电池容量之积得到,此时的为常数1。由公式,可知充换电方式的具体选择。最后计算累计K辆电动汽车在t j-1 到t j 时间段内总充电需求,
在已知电动汽车用户的充换电决策行为、出行特征充换电时长、荷电状态转移的基础上,可预测一辆w类电动汽车一天的电动汽车时空需求量。
(1)首先依据建立的概率密度函数,抽取w类型电动汽车出行数据中电动汽车特征量,首次出行时间t0和出行时刻电动汽车荷电状态SOC0
(2)依据单次出行距离密度函数f(l) w 抽取单次出行距离特征量,依据平均速度得出结束时间t以及结束时刻电动汽车荷电状态SOC。
(3)再次抽取单次出行距离,判断此刻电动汽车荷电状态SOC是否小于0.2。若不能满足,则随机抽取充换电时长,依据式决定充换电行为,再通过式得出下一状态的SOC以及相应结束时间t,并推出出行时间及该出行时间下此次充换电决策在用地性质上的分布情况;若能满足,出行者既能充电,也能驻车不充电,如果决策为充换电则随机抽取充换电时长,依据式决定充换电行为,在通过式得出下一状态的SOC以及相应结束时间t,如果驻车不充电则进行,则停车时长依据单次停车时长概率密度函数f(t p ) w 抽取特征量。
(4)由(3)步骤得到的电动汽车荷电状态SOC与此次出行结束时间t,判断下一步的决策行为,方法为步骤(3),记录该种决策下的SOC和此次出行结束时间t,判断此次出行结束时间t是否为一天出行的最后时刻tend,若否继续进行(3)步骤,若是,确定用户最终所处目的地用地性质及判断是否进行充换电行为并记录相应时长。
(6)判断电动汽车车辆数序号是否大于K个,若否返回步骤(1),若是结束循环。
在一些实施例中,选取城市区域作为算例,为简化计算将电动出租车与顺风车归为一类即非私人电动汽车,常见电动汽车类型参数如表1所示。假设电动汽车车辆类型均为纯电动电动汽车,车辆数为4000辆,充电功率恒定,两类电动汽车电池容量相同且恒定,参考表1得到电动汽车参数设置如表2所示。私人电动汽车出行特征量由美国家庭出行调查数据(NHTS)中出行参数分布,如表2所示,其中充换电时长t c 、首次出行时刻t 0 与日最后一次出行返回时刻t end 出行特征量为正态分布,单次停车时长t p 与单次出行距离l特征量为对数正态分布。由于非私人电动汽车出行特性随机性较高难以进行准确的概率拟合,除充换电时长、载客行驶距离属于正态分布不变外,本文假设对该类出行特征量设为均匀分布,特征量如表2所示。设电动汽车荷电状态为1,即SOC0为1。
表1 常见电动汽车类型参数
电动汽车型号 | 电池容量 /k W · h | 续航里程 /km |
特斯拉 Model3 | 55 | 468 |
宏光 MINI EV | 9.2 | 120 |
比亚迪秦 EV | 53.1 | 421 |
欧拉 R 1 | 33 | 351 |
埃安 AionS | 58.8 | 460 |
蔚来 ES6 | 70 | 420 |
平均值 | 4 6.52 | 3 73.33 |
表2 电动汽车参数设置
表3 电动汽车出行特征分布
私人电动汽车受目的地用地性质与出行时间影响,本申请实施例根据城市建设用地类型将用地性质划分为三类(按出行目的地的用地性质划分):居住用地、商业服务业设施用地(简称商业用地)、公共管理与公共服务设施用地(公共/办公用地),以此根据NHTS数据统计建立不同时间下用户到不同类型用地的出行概率,如表3所示。非私人电动汽车由于出行目的的随机性较强,因此设置在不同出行时间到三类用地性质下的出行概率相同。
表4 各类型电动汽车在不同时间下到各用地性质下概率
输入表4中各类型出行者出行参数,通过仿真流程,求得不同时间下私人电动汽车各类电量需求,如图5所示,图5是本申请实施例提供的不同时间下私人电动汽车各类电量需求图。图中私人电动汽车快充需求分布呈现先增高后降低趋势,相较于其他类型需求,其峰值最高,出现时刻为15时。而私人电动汽车慢充需求分布3至19时为低位波动运行,21时至次日2时慢充需求处500kWh高位运行趋势,私人换电需求呈现多峰值运行状态,18时为换电需求最高值596kWh,9时、19时与峰值相接近,上述时段与通勤者达到目的地时段基本接近(2020年北京交通发展研究院数据显示北京市私人小汽车到达时间分布主要集中在上午8:00-12:00和17:00-20:00),私人用户采用夜晚的长时间慢速充电,符合私家车出行规律。
由图6所示的非私人电动汽车电量需求分布图可知,非私家车充换电需求分布规律大致相似,呈现双峰特征,二者最高峰均出现在23时至次日1时,其中非私家车快充需求量高于换电需求,次高峰出现在午间12时至14时,其余各时段需求呈波动运行。分析认为,非私人电动汽车在充换电需求上出现双峰主要由电动汽车续航里程以及日均出行里程相关,非私人电动汽车在白天利用午间空闲时间进行快充或换电来补充电量上午损耗,而在夜间还车时进行补能,避免在时间上的浪费,从而满足第二天半天的出行,除电动汽车电池电量过低必须进行能源补充外,充换电时间上也受乘客通勤需求较大影响。在用电需求量大小上,虽然非私人电动汽车车辆数少于私人,但在电动汽车电量需求上高于私人电动汽车,主要是由非私人电动汽车出行里程高、乘客需求量大并且单次停车时长低所导致。
统计私人电动汽车在三类用地下不同时段的充换电需求量,居住用地在一天时间中17时至次日1时充换电需求量高,而办公用地的充换电需求多集中在8时至17时,商业用地的充换电需求集中于10时至20时,三者各自需求集中时间受私人电动汽车用户一天出行时间及出行目的地影响,整体呈现处居住用地与其他两类互补,办公用地集中时间早于商业用地。
为验证建立充换电需求模型有效性,设置相同参数,并选取相同案例进行仿真模拟对比。案例情况如下:案例1为9.5万辆私人电动汽车,5千辆非私人电动汽车;案例2为10万辆私人电动汽车;对比案例为模拟的10万辆私人电动汽车,仿真结果如表5所示。
表5 案例对比分析
在模拟电动汽车车辆类型与数量情景下,经计算,案例2与对比案例误差仅为0.858%,证明了模拟需求量的准确性。而在不同用地区域上,案例2与对比案例在商业用地区域模拟上大小接近一致,而办公区域预测少于对比案例。案例1为引入非私人电动汽车类型,仿真后发现,电量需求达1.42GWh,高于案例2中车辆类型全为私人电动汽车下情景电量需求,这与非私人电动汽车出行相关。在各用地占比方面,引入非私人电动汽车类型后,案例1居住用地下用电占比仅为54%,而在案例2和对比案例中居住区域占比近60%,下降6%左右,案例1中商业用地用电量占比相较于案例2提高达3.43%,办公区域增加2.98%,故得出非私人电动汽车用电需求主要集中办公用地和商业用地。
在步骤S105中,基于所述充换电时空需求模型,以充换电设施运营方支出与所述用户方成本最小为目标,以充换电设施服务能力、充换电设施规模大小和心理寻站最大距离为约束,构建确定需求下充换电设施选址模型,并对所述确定需求下充换电设施选址模型添加不同程度的扰动比例,构建不确定需求下充换电设施鲁棒优化模型。
在一些实施例中,参见图7,图7是本申请实施例提供的确定需求下充换电设施选址模型构建图。在开展充换电设施布局优化前,需对充换电设施进行界定。我国现有的充电基础设施主要分为分散式充电桩和集中式充电站。集中式充电站占地面积大,多建设在高速公路服务区或郊区,难以在城市密度较高区域内建设,而分散式充电设施以停车场为建设场地,通过对区域内的停车车位加以改建,在保证配电网稳定运行的情况下,可在各停车地点安装任意数量设施进行使用,具有较强的便利性与经济性,于此同时,随着换电技术的不断增强以及政府政策上的支持与运营商对换电站的不断投资建设,换电站的普及与应用也为电动汽车出行用户提供更高的服务质量。基于此,论文选取充电基础设施中分散式充电桩与换电站作为城市内充换电设施选址的研究对象。
充换电设施布局优化是提高电动汽车用户出行便利的重要举措,也是城市实现基础设施精细化管理的重要内容。充换电时空需求作为充换电设施布局优化的重要前提,在电动汽车用户到达出行目的地时产生充换电时空需求点,该需求点在城市内位置固定,可将充换电设施布局优化问题归类于点需求设施选址决策问题。对充换电设施布局优化的影响因素分类可主要分为用户方和运营方两类,电动汽车用户方考虑使用快速充电设施充电时产生的等候成本、换电需求用户产生的寻站成本和各类需求下产生的用电成本等;从充换电设施运营方角度,考虑三种设施建设的设施成本以及所对应运营成本,依据换电站的特性产生的购地成本等,如图7所示。将上述成本作为充换电设施布局总目标,以设施的服力能力、规模大小和心理寻站最大距离等为约束条件以此建立数学模型。此时充换电设施选址模型只是以满足当前充换电需求为目标,而在实际中,充换电时空需求量在一定范围内存在变化且现阶段电动汽车保有量增速高,区域内的车辆数在很短时间发生变化概率更高,上述原因增加了充换电需求的不确定性。因此,如何建立合理的充换电设施选址布局满足需求量的变化的同时模型具有较强的鲁棒性是亟待解决的问题。
在充电设施布局研究中,充电需求的增大将导致需求点配电设施电力增容等问题,因此充换电设施布局优化是考虑电力容量与充电需求匹配下的充电选址问题,而在国内外研究中,假设上述条件成立,故论文对此不作深入展开。综上所述,问题描述可简要概括为:在各类型出行者产生的充换电时空需求不确定条件下,如何根据有限条件,进行不同类型充换电设施的选址决策,使得系统总成本最低。
在一些实施例中,所述基于所述充换电时空需求模型,以充换电设施运营方支出与所述用户方成本最小为目标,以充换电设施服务能力、充换电设施规模大小和心理寻站最大距离为约束,构建确定需求下充换电设施选址模型,包括:
构建以下目标函数至少之一:
其中,所述第一目标函数表示运营方和用户方成本最低,由所述第二目标函数至所述第七目标函数中至少一个求和构成;所述第二目标函数表示换电站的购地成本;所述第三目标函数表示充电设施和换电站年均建设成本;所述第四目标函数表示充电设施和换电站年均运营成本;所述第五目标函数表示用户方寻站成本;所述第六目标函数表示用户方快充时等候成本;所述第七目标函数表示用户充换电时用电成本;所述第一约束条件表示被分配到j点的k类需求不能超过起其对应充电设施数量的最大服务能力;所述第二约束条件表示被分配到m点g类换电站的s类需求不能超过起应换电设施的最大服务能力;所述第三约束条件表示一个换电地点最多建立一类换电站;所述第四约束条件表示不会有换电需求分配到未选中的换电站候选点;所述第五约束条件表示不会有充电需求分配到未选中的充点设施候选点;所述第六约束条件表示各需求点分配的不同类型换电需求由各换电站完成;所述第七约束条件表示各需求点分配的不同类型充电需求由各备选充电设施完成;所述第八约束条件表示换电站的最大建设数量;所述第九约束条件表示换电站的最小建设数量;所述第十约束条件表示需求点到备选换电站m的距离;所述第十一约束条件表示单位距离电量成本;所述第十二约束条件表示需求点到备选换电站m的距离不大于寻站心理最大距离;所述第十三约束条件表示各变量的取值范围;
K表示不同类别充电需求,k=1表示慢充需求,k=2表示快充需求;
作为示例,为简化模型运算,在建立模型前,做出如下假设:
(1)各充电需求点和换电备选点满足配电网支路最大电流约束和节点电压约束;
(2)出行者出行过程中的单次充换电方式不因其它影响因素发生转换;
(3)各充电地点均由停车场改建而来;
(4)换电站内换电电池具有统一型号;
(5)假设案例区域快、慢充设施功率恒定;
(6)假设单次出行目的地为充换电需求生成地;
(7)假设所有电动汽车均有快充,慢充,换电一体功能;
设置模型参数与变量:
(1)集合
K——不同类别充电需求,k=1表示慢充需求,k=2表示快充需求;
S——换电需求;
(2)参数
(3)变量
确定需求下充换电设施规划模型由以下函数构成:
其中,所述第一目标函数表示运营方和用户方成本最低,由所述第二目标函数至所述第七目标函数中至少一个求和构成;所述第二目标函数表示换电站的购地成本;所述第三目标函数表示充电设施和换电站年均建设成本;所述第四目标函数表示充电设施和换电站年均运营成本;所述第五目标函数表示用户方寻站成本;所述第六目标函数表示用户方快充时等候成本;所述第七目标函数表示用户充换电时用电成本;所述第一约束条件表示被分配到j点的k类需求不能超过起其对应充电设施数量的最大服务能力;所述第二约束条件表示被分配到m点g类换电站的s类需求不能超过起应换电设施的最大服务能力;所述第三约束条件表示一个换电地点最多建立一类换电站;所述第四约束条件表示不会有换电需求分配到未选中的换电站候选点;所述第五约束条件表示不会有充电需求分配到未选中的充点设施候选点;所述第六约束条件表示各需求点分配的不同类型换电需求由各换电站完成;所述第七约束条件表示各需求点分配的不同类型充电需求由各备选充电设施完成;所述第八约束条件表示换电站的最大建设数量;所述第九约束条件表示换电站的最小建设数量;所述第十约束条件表示需求点到备选换电站m的距离;所述第十一约束条件表示单位距离电量成本;所述第十二约束条件表示需求点到备选换电站m的距离不大于寻站心理最大距离;所述第十三约束条件表示各变量的取值范围;
在一些实施例中,在实际充电站选址中,由于各用地性质需求点的充电需求具有不确定性,因此通过不同性质出行者出行特征模拟的充换电需求仅能作为各用地性质下的需求大概值。本申请实施例选取具有线性结构,能较好控制不确定度,易于求解的多面体不确定集合建立鲁棒优化模型。模型中用表示在u时刻下,类电动汽车出行者在用地性质内i点的类型的不确定充电需求,且
表示该多面体不确定集合的不确定水平,用以衡量约束条件的保守程度,体现决策者的风险偏好程度,该值越大说明决策者的风险偏好程度越低,为充电需求不确定集中任意类电动汽车出行者在用地性质内i点的类型的充电需求。
在确定需求的选址模型基础上,构建不确定需求下鲁棒优化模型。具体建立鲁棒选址模型构建如下:
对式该式进行等式变换,得到
针对充换电服务能力约束即式
和式
在步骤S106中,将目标数据输入所述不确定需求下充换电设施鲁棒优化模型,对所述不确定需求下充换电设施鲁棒优化模型求解,得到目标结果。
在一些实施例中,采用K-means聚类算法进行换电备选站选址规划。聚类是数据挖掘中一个很重要的概念,是指将所给总数据以一定的规则划分为若干类,K-means聚类算法作为其中迭代算法的一种,以某种距离为划分规则,将数据划分成给定的K类。作为硬聚类算法,K-means聚类算法以数据目标点与聚类中心点距离最小为优化目标函数,实现数据的最优分类,其具有算法快速简单、可伸缩、对大数据集分类高效的特点。
将聚类算法与适用性较强的遗传算法和粒子群算法进行对比,遗传算法是对生物进化论的简单模拟,根据个体的适应度选择优秀个体遗传到下一代,最终解码输出结果,而粒子群算法是通过群体的信息和个体自身经验来完善自身的行为策略,通过搜索当前最优值来寻全局最优,与前两者相比,聚类算法是通过更新聚类中心位置以达到全局效果最优,前两者算法更多的是寻求个体最优,而且聚类算法拥有三者中最简单明了的运算法则,更能够贴近充电站选址模型特性,是能够考虑更全局的算法。因此对比之下选择K-means聚类算法进行模型求解。
但在实际中仅考虑聚类距离最优忽略了换电需求点需求大小对备选站的影响。因此区别于传统的K-means聚类算法对备选站点直接根据距离聚类生成,本文结合充电需求点的需求大小对算法进行改进。考虑换电需求大小对站点距离二者数值量级的差异性,改进后的聚类算法确定充电站备选点位置,通过备选点的位置与需求点距离与该点的充电需求大小的加权值作为目标函数进行求解。K-means聚类算法需给定确定的K值,将数据特征聚类为K个簇。本研究中选取点之间的欧式距离与需求点需求量的加权值进行聚类,目标函数为:
在K-means聚类算法中,其初始K值是必须在算法运行前手动给出的,若在初始数据量庞大的情况下,K值很难人工估计的很准确,必须尝试多次运算反过来确定最佳K值。在本次充电站选址模型求解中,K值的含义为换电站的建站数量,通过式和式能够得出其范围值,随后选取Calinski-harabaz分数作为评价指标,依据不同K值下CH值的大小,确定备选站数量,计算公式为,CH值越高,表明聚类效果越好,从而确定K的取值。
在初始聚类中心确定中,初始聚类中心因数据繁杂,并且数据没有具体含义的时候,可选择利用算法随机选取。在本次模型求解中,聚类中心表示换电站建站的位置,所以根据规划区域内基本情况,在确定建站数量范围后,根据大概情况选取初始建站位置,并作为初始聚类中心,再进行迭代计算选取最优位置。
参见图8,图8是本申请实施例提供的K-means聚类算法流程图,具体算法流程如下:
(3)再次重新计算每个簇的质心,重新分配聚类中心;
(4)重复以上步骤,直到聚类中心的位置不再改变或者满足设置的迭代次数,最终确定最终所有簇的聚类中心;
本申请实施例选址算法是在MATLAB环境下运行,在选址算法运行后将得到选址的位置、需求点分配情况、需求点到站距离等相关数据;结合相关数据进行目标成本函数的计算。计算成本之后结合选址、成本、实际情况进行对比筛选,最终选取最佳方案。
亦可通过分支定界算法进行求解,分支定界算法首先确定一个最优解,随后对约束条件中构成的可行域进行空间搜索,进而证明这一最优解的最优性。分支定界算法主要分为分支和定界两步骤,分支过程是将可行域不断进行分割形成细化的子集,定界过程是计算分割后子集内的上界和下界。在算法迭代过程中,对子集的下界删除应不小于对应子集上界可行域,该过程称为子集区域剪枝。随着迭代过程中的不断剪枝,下界与上界逐渐接近,当二者之差不大于设定误差时,算法终止,此时对应结果为求解目标最优值。
鉴于建立的鲁棒优化模型能够转化成易求解的混合整数规划模型,可在确定时间内求解,因此可调用现有的数学求解器进行求解。LINGO,CPLEX Optimization Studio等为求解整数规划的建模系统,在数据量较大时,可自自行编写数学模型与脚本运行程序,在降低编程的复杂性同时提高了求解效率。研究选用CPLEX Optimization Studio软件采用分支定界算法对建立的鲁棒优化模型进行编译并求解。
综上所述,通过本申请实施例具有以下有益效果:
(1)通过不同充换电决策行为特征,将换电时长纳入充电时长概率分布最终形成充换电时长概率分布函数,在取值区间上,新充换电时长具有连续性。通过充换电时长决定三种充换电决策行为,弥补换电时空需求在预测方面的空缺。
(2)考虑不同类型电动汽车用户到达多种用地性质需求点的充换电时空需求,针对充换电需求单一静态化的不足,相比于将点需求假定为静态已有的充电设施选址模型,更贴近实际意义。
(3)基于不确定充换电时空需求,构建充换电一体设施布局鲁棒优化模型。根据鲁棒优化理论,研究在经典设施选址理论的基础上,同时引入充电需求和换电需求添加扰动比例,构建充换电设施鲁棒优化模型,实现对不同情景的充换电选址总量和比例的布局优化,研究各充换电设施在不同扰动比例下鲁棒性,既为充换电设施决策者简化了决策流程也对未来在城市内布设充换电设施提供了借鉴。
基于同一发明构思,本申请实施例中还提供了与第一实施例中基于需求行为的充换电设施布局方法对应的基于需求行为的充换电设施布局装置,由于本申请实施例中的装置解决问题的原理与上述基于需求行为的充换电设施布局方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
如图9所示,图9是本申请实施例提供的基于需求行为的充换电设施布局装置900的结构示意图。基于需求行为的充换电设施布局装置900包括:
第一构建模块901,用于构建针对电动汽车的出行状态集合,其中,所述电动汽车的类别包括私人电动汽车和非私人电动汽车,所述出行状态集合包括换电、快速充电、慢速充电、行驶和停驶,所述快速充电表征以第一功率的直流电进行充电,所慢速充电表征使用第二功率的恒压恒流的交流电进行充电;
确定模块902,用于针对所述出行状态集合中的所述快速充电、所述慢速充电和所述换电,确定对应出行状态的充换电时长;
第二构建模块903,用于基于所述出行状态集合和所述充换电时长,构建所述电动汽车在所述出行状态集合中任意两相邻的出行状态间发生转移的状态转移概率函数,以及完成所述出行状态的转移后所述电动汽车的荷电状态时空变化函数;
第三构建模块904,用于基于所述出行状态集合、充换电时长、状态转移概率和荷电状态时空变化,构建充换电时空需求模型,其中,所述充换电时空需求模型表征所述电动汽车在出行过程中产生的充换电需求在时间和空间上的分布情况;
第四构建模块905,用于基于所述充换电时空需求模型,以充换电设施运营方支出与用户方成本最小为目标,以充换电设施服务能力、充换电设施规模大小和心理寻站最大距离为约束,构建确定需求下充换电设施选址模型,并对所述确定需求下充换电设施选址模型添加不同程度的扰动比例,构建不确定需求下充换电设施鲁棒优化模型;
计算模块906,用于将目标数据输入所述不确定需求下充换电设施鲁棒优化模型,对所述不确定需求下充换电设施鲁棒优化模型求解,得到目标结果。
本领域技术人员应当理解,图9所示的基于需求行为的充换电设施布局装置900中的各单元的实现功能可参照前述基于需求行为的充换电设施布局方法的相关描述而理解。图9所示的基于需求行为的充换电设施布局装置900中的各单元的功能可通过运行于处理器上的程序而实现,也可通过具体的逻辑电路而实现。
在一种可能的实施方式中,第一构建模块901构建针对电动汽车的出行状态集合,包括:
基于所述出行状态集合,确定与所述出行状态对应的出行决策u,其中,当所述出行决策u=3时表示换电决策、当所述出行决策u=2时表示快速充电决策、当所述出行决策u=1时表示慢速充电决策和共五种决策、当所述出行决策u=0时表示行驶决策、当所述出行决策u=-1时表示驻车且不充电。
在一种可能的实施方式中,确定模块902针对所述出行状态集合中的所述快速充电、所述慢速充电和所述换电,确定对应出行状态的充换电时长,包括:
在一种可能的实施方式中,第二构建模块903基于所述出行状态集合和所述充换电时长,构建所述电动汽车在所述出行状态集合中任意两相邻的出行状态间发生转移的状态转移概率函数,以及完成所述出行状态的转移后所述电动汽车的荷电状态时空变化函数,包括:
将所述概率与所述概率的密度之积求积分,得到第一分布函数,对所述出行状态为所述行驶下的不同类别的所述电动汽车构建单次出行距离密度函数并积分,得到所述单次出行距离的第二分布函数;
式中,表示w类别的所述电动汽车的所述概率的密度,表示w类别的所述电动汽车的所述单次出行距离密度函数,表示w类别的所述电动汽车采取换电决策的所述概率,表示w类别的所述电动汽车采取快速充电决策的所述概率, w类别的所述电动汽车采取慢速充电决策的所述概率;
在一种可能的实施方式中,第三构建模块904基于所述出行状态集合、充换电时长、状态转移概率和荷电状态时空变化,构建所述充换电时空需求模型,其中,所述充换电时空需求模型表征所述电动汽车在出行过程中产生的充换电需求在时间和空间上的分布情况,包括:
通过充电功率、充换电等待时间和的积得到第k辆w类型的所述电动汽车在不同用地性质i下t k-1 到t k 时段对应的充电需求,通过最大电池容量与当前出行状态下所述电动汽车荷电状态之差与电池容量和的积得到换电需求,其中,充电功率包括慢速充电桩充电功率和快速充电桩充电功率;
在一种可能的实施方式中,第四构建模块905基于所述充换电时空需求模型,以充换电设施运营方支出与所述用户方成本最小为目标,以充换电设施服务能力、充换电设施规模大小和心理寻站最大距离为约束,构建确定需求下充换电设施选址模型,包括:
构建以下目标函数至少之一:
其中,所述第一目标函数表示运营方和用户方成本最低,由所述第二目标函数至所述第七目标函数中至少一个求和构成;所述第二目标函数表示换电站的购地成本;所述第三目标函数表示充电设施和换电站年均建设成本;所述第四目标函数表示充电设施和换电站年均运营成本;所述第五目标函数表示用户方寻站成本;所述第六目标函数表示用户方快充时等候成本;所述第七目标函数表示用户充换电时用电成本;所述第一约束条件表示被分配到j点的k类需求不能超过起其对应充电设施数量的最大服务能力;所述第二约束条件表示被分配到m点g类换电站的s类需求不能超过起应换电设施的最大服务能力;所述第三约束条件表示一个换电地点最多建立一类换电站;所述第四约束条件表示不会有换电需求分配到未选中的换电站候选点;所述第五约束条件表示不会有充电需求分配到未选中的充点设施候选点;所述第六约束条件表示各需求点分配的不同类型换电需求由各换电站完成;所述第七约束条件表示各需求点分配的不同类型充电需求由各备选充电设施完成;所述第八约束条件表示换电站的最大建设数量;所述第九约束条件表示换电站的最小建设数量;所述第十约束条件表示需求点到备选换电站m的距离;所述第十一约束条件表示单位距离电量成本;所述第十二约束条件表示需求点到备选换电站m的距离不大于寻站心理最大距离;所述第十三约束条件表示各变量的取值范围;
K表示不同类别充电需求,k=1表示慢充需求,k=2表示快充需求;
在一种可能的实施方式中,第四构建模块905对所述确定需求下充换电设施选址模型添加不同程度的扰动比例,构建不确定需求下充换电设施鲁棒优化模型,包括:
通过表示在u时刻下,类电动汽车出行者在用地性质内i点的类型的不确定充电需求,且,其中为u时刻下,类电动汽车出行者在用地性质内i点的类型的充电需求,为扰动量,表示所述不确定集合的不确定水平,用于衡量约束条件的保守程度,体现决策者的风险偏好程度,值越大表征决策者的风险偏好程度越低,为充电需求不确定集中任意类电动汽车出行者在用地性质内i点的类型的充电需求;
通过表示在u时刻下,类电动汽车出行者在用地性质内i点的s类型的不确定换电需求,且,其中为u时刻下,类电动汽车出行者在用地性质内i点的类型的换电需求,为其扰动量,为换电需求不确定集中任意类电动汽车出行者在用地性质内i点的s类型的不确定换电需求,
基于所述确定需求下充换电设施选址模型,通过所述充电需求不确定集和所述换电需求不确定集,构建所述不确定需求下充换电设施鲁棒优化模型,所述不确定需求下充换电设施鲁棒优化模型为:
在一种可能的实施方式中,计算模块906将目标数据输入所述不确定需求下充换电设施鲁棒优化模型,对所述不确定需求下充换电设施鲁棒优化模型求解,得到目标结果,包括:
通过K-means聚类算法或分支定界算法对所述不确定需求下充换电设施鲁棒优化模型求解。
上述基于需求行为的充换电设施布局装置能够将充换电设施分配到合适的位置,并匹配相应的规模,解决充换电设施布局与电动汽车用户充换电时空需求供需失衡问题,提高电动汽车用户出行便捷性与设施布局的鲁棒性。
如图10所示,图10为本申请实施例提供的电子设备1000的组成结构示意图,所述电子设备1000,包括:
处理器1001、存储介质1002和总线1003,所述存储介质1002存储有所述处理器1001可执行的机器可读指令,当电子设备1000运行时,所述处理器1001与所述存储介质1002之间通过总线1003通信,所述处理器1001执行所述机器可读指令,以执行本申请实施例所述的基于需求行为的充换电设施布局方法的步骤。
实际应用时,所述电子设备1000中的各个组件通过总线1003耦合在一起。可理解,总线1003用于实现这些组件之间的连接通信。总线1003除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图10中将各种总线都标为总线1003。
上述电子设备能够将充换电设施分配到合适的位置,并匹配相应的规模,解决充换电设施布局与电动汽车用户充换电时空需求供需失衡问题,提高电动汽车用户出行便捷性与设施布局的鲁棒性。
本申请实施例还提供了一种计算机可读存储介质,所述存储介质存储有可执行指令,当所述可执行指令被至少一个处理器1001执行时,实现本申请实施例所述的基于需求行为的充换电设施布局方法。
在一些实施例中,存储介质可以是磁性随机存取存储器(FRAM,FerromagneticRandom Access Memory)、只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,ErasableProgrammable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM,ElectricallyErasable Programmable Read-Only Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory)等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,HyperTextMarkupLanguage)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
上述计算机可读存储介质能够将充换电设施分配到合适的位置,并匹配相应的规模,解决充换电设施布局与电动汽车用户充换电时空需求供需失衡问题,提高电动汽车用户出行便捷性与设施布局的鲁棒性。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和电子设备,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,平台服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于需求行为的充换电设施布局方法,其特征在于,包括以下步骤:
构建针对电动汽车的出行状态集合,其中,所述电动汽车的类别包括私人电动汽车和非私人电动汽车,所述出行状态集合包括换电、快速充电、慢速充电、行驶和停驶,所述快速充电表征以第一功率的直流电进行充电,所慢速充电表征使用第二功率的恒压恒流的交流电进行充电;
针对所述出行状态集合中的所述快速充电、所述慢速充电和所述换电,确定对应出行状态的充换电时长;
基于所述出行状态集合和所述充换电时长,构建所述电动汽车在所述出行状态集合中任意两相邻的出行状态间发生转移的状态转移概率函数,以及完成不同所述出行状态的转移后所述电动汽车的荷电状态时空变化函数;
基于所述出行状态集合、充换电时长、状态转移概率和荷电状态时空变化,构建充换电时空需求模型,其中,所述充换电时空需求模型表征所述电动汽车在出行过程中产生的充换电需求在时间和空间上的分布情况;
基于所述充换电时空需求模型,以充换电设施运营方支出与用户方成本最小为目标,以充换电设施服务能力、充换电设施规模大小和心理寻站最大距离为约束,构建确定需求下充换电设施选址模型,并对所述确定需求下充换电设施选址模型添加不同程度的扰动比例,构建不确定需求下充换电设施鲁棒优化模型;
将目标数据输入所述不确定需求下充换电设施鲁棒优化模型,对所述不确定需求下充换电设施鲁棒优化模型求解,得到目标结果。
4.根据权利要求3所述的方法,其特征在于,所述基于所述出行状态集合和所述充换电时长,构建所述电动汽车在所述出行状态集合中任意两相邻的出行状态间发生转移的状态转移概率函数,以及完成所述出行状态的转移后所述电动汽车的荷电状态时空变化函数,包括:
将所述概率与所述概率的密度之积求积分,得到第一分布函数,对所述出行状态为所述行驶下的不同类别的所述电动汽车构建单次出行距离密度函数并积分,得到所述单次出行距离的第二分布函数;
式中,表示w类别的所述电动汽车的所述概率的密度,表示w类别的所述电动汽车的所述单次出行距离密度函数,表示w类别的所述电动汽车采取换电决策的所述概率,表示w类别的所述电动汽车采取快速充电决策的所述概率, w类别的所述电动汽车采取慢速充电决策的所述概率;
5.根据权利要求4所述的方法,其特征在于,所述基于所述出行状态集合、充换电时长、状态转移概率和荷电状态时空变化,构建所述充换电时空需求模型,其中,所述充换电时空需求模型表征所述电动汽车在出行过程中产生的充换电需求在时间和空间上的分布情况,包括:
通过充电功率、充换电等待时间和的积得到第k辆w类型的所述电动汽车在不同用地性质i下t k-1 到t k 时段对应的充电需求,通过最大电池容量与当前出行状态下所述电动汽车荷电状态之差与电池容量和的积得到换电需求,其中,充电功率包括慢速充电桩充电功率和快速充电桩充电功率;
6.根据权利要求1所述的方法,其特征在于,所述基于所述充换电时空需求模型,以充换电设施运营方支出与所述用户方成本最小为目标,以充换电设施服务能力、充换电设施规模大小和心理寻站最大距离为约束,构建确定需求下充换电设施选址模型,包括:
构建以下目标函数至少之一:
其中,所述第一目标函数表示运营方和用户方成本最低,由所述第二目标函数至所述第七目标函数中至少一个求和构成;所述第二目标函数表示换电站的购地成本;所述第三目标函数表示充电设施和换电站年均建设成本;所述第四目标函数表示充电设施和换电站年均运营成本;所述第五目标函数表示用户方寻站成本;所述第六目标函数表示用户方快充时等候成本;所述第七目标函数表示用户充换电时用电成本;所述第一约束条件表示被分配到j点的k类需求不能超过起其对应充电设施数量的最大服务能力;所述第二约束条件表示被分配到m点g类换电站的s类需求不能超过起应换电设施的最大服务能力;所述第三约束条件表示一个换电地点最多建立一类换电站;所述第四约束条件表示不会有换电需求分配到未选中的换电站候选点;所述第五约束条件表示不会有充电需求分配到未选中的充点设施候选点;所述第六约束条件表示各需求点分配的不同类型换电需求由各换电站完成;所述第七约束条件表示各需求点分配的不同类型充电需求由各备选充电设施完成;所述第八约束条件表示换电站的最大建设数量;所述第九约束条件表示换电站的最小建设数量;所述第十约束条件表示需求点到备选换电站m的距离;所述第十一约束条件表示单位距离电量成本;所述第十二约束条件表示需求点到备选换电站m的距离不大于寻站心理最大距离;所述第十三约束条件表示各变量的取值范围;
K表示不同类别充电需求,k=1表示慢充需求,k=2表示快充需求;
7.根据权利要求6所述的方法,其特征在于,所述对所述确定需求下充换电设施选址模型添加不同程度的扰动比例,构建不确定需求下充换电设施鲁棒优化模型,包括:
通过表示在u时刻下,类电动汽车出行者在用地性质内i点的类型的不确定充电需求,且,其中为u时刻下,类电动汽车出行者在用地性质内i点的类型的充电需求,为扰动量,表示所述不确定集合的不确定水平,用于衡量约束条件的保守程度,体现决策者的风险偏好程度,值越大表征决策者的风险偏好程度越低,为充电需求不确定集中任意类电动汽车出行者在用地性质内i点的类型的充电需求;
通过表示在u时刻下,类电动汽车出行者在用地性质内i点的s类型的不确定换电需求,且,其中为u时刻下,类电动汽车出行者在用地性质内i点的类型的换电需求,为其扰动量,为换电需求不确定集中任意类电动汽车出行者在用地性质内i点的s类型的不确定换电需求,
基于所述确定需求下充换电设施选址模型,通过所述充电需求不确定集和所述换电需求不确定集,构建所述不确定需求下充换电设施鲁棒优化模型,所述不确定需求下充换电设施鲁棒优化模型为:
8.根据权利要求7所述的方法,其特征在于,所述将目标数据输入所述不确定需求下充换电设施鲁棒优化模型,对所述不确定需求下充换电设施鲁棒优化模型求解,得到目标结果,包括:
通过K-means聚类算法或分支定界算法对所述不确定需求下充换电设施鲁棒优化模型求解。
9.一种基于需求行为的充换电设施布局装置,其特征在于,所述装置包括:
第一构建模块,用于构建针对电动汽车的出行状态集合,其中,所述电动汽车的类别包括私人电动汽车和非私人电动汽车,所述出行状态集合包括换电、快速充电、慢速充电、行驶和停驶,所述快速充电表征以第一功率的直流电进行充电,所慢速充电表征使用第二功率的恒压恒流的交流电进行充电;
确定模块,用于针对所述出行状态集合中的所述快速充电、所述慢速充电和所述换电,确定对应出行状态的充换电时长;
第二构建模块,用于基于所述出行状态集合和所述充换电时长,构建所述电动汽车在所述出行状态集合中任意两相邻的出行状态间发生转移的状态转移概率函数,以及完成所述出行状态的转移后所述电动汽车的荷电状态时空变化函数;
第三构建模块,用于基于所述出行状态集合、充换电时长、状态转移概率和荷电状态时空变化,构建充换电时空需求模型,其中,所述充换电时空需求模型表征所述电动汽车在出行过程中产生的充换电需求在时间和空间上的分布情况;
第四构建模块,用于基于所述充换电时空需求模型,以充换电设施运营方支出与用户方成本最小为目标,以充换电设施服务能力、充换电设施规模大小和心理寻站最大距离为约束,构建确定需求下充换电设施选址模型,并对所述确定需求下充换电设施选址模型添加不同程度的扰动比例,构建不确定需求下充换电设施鲁棒优化模型;
计算模块,用于将目标数据输入所述不确定需求下充换电设施鲁棒优化模型,对所述不确定需求下充换电设施鲁棒优化模型求解,得到目标结果。
10.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至8任一项所述的基于需求行为的充换电设施布局方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211237384.XA CN115330267B (zh) | 2022-10-11 | 2022-10-11 | 基于需求行为的充换电设施布局方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211237384.XA CN115330267B (zh) | 2022-10-11 | 2022-10-11 | 基于需求行为的充换电设施布局方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330267A true CN115330267A (zh) | 2022-11-11 |
CN115330267B CN115330267B (zh) | 2023-04-07 |
Family
ID=83915075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211237384.XA Active CN115330267B (zh) | 2022-10-11 | 2022-10-11 | 基于需求行为的充换电设施布局方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330267B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759779A (zh) * | 2022-11-28 | 2023-03-07 | 华北电力大学 | 电动汽车充换电站选址方法、电子设备及存储介质 |
CN116432844A (zh) * | 2023-04-12 | 2023-07-14 | 北京航空航天大学 | 一种新能源车用锂电池故障更换备件需求预测方法及系统 |
CN117236613A (zh) * | 2023-09-18 | 2023-12-15 | 清华大学 | 电动汽车的能源站规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100004905A1 (en) * | 2008-07-07 | 2010-01-07 | Aldajani Mansour A | Facilities optimization method |
CN103646295A (zh) * | 2013-11-28 | 2014-03-19 | 东南大学 | 基于服务站通用模型的电动汽车充换电网络一体化调度方法 |
CN109840635A (zh) * | 2019-01-29 | 2019-06-04 | 三峡大学 | 基于电压稳定性和充电服务质量的电动汽车充电站规划方法 |
CN113902182A (zh) * | 2021-09-29 | 2022-01-07 | 大连理工大学 | 考虑能耗不确定性的电动公交车队鲁棒充电优化方法 |
-
2022
- 2022-10-11 CN CN202211237384.XA patent/CN115330267B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100004905A1 (en) * | 2008-07-07 | 2010-01-07 | Aldajani Mansour A | Facilities optimization method |
CN103646295A (zh) * | 2013-11-28 | 2014-03-19 | 东南大学 | 基于服务站通用模型的电动汽车充换电网络一体化调度方法 |
CN109840635A (zh) * | 2019-01-29 | 2019-06-04 | 三峡大学 | 基于电压稳定性和充电服务质量的电动汽车充电站规划方法 |
CN113902182A (zh) * | 2021-09-29 | 2022-01-07 | 大连理工大学 | 考虑能耗不确定性的电动公交车队鲁棒充电优化方法 |
Non-Patent Citations (1)
Title |
---|
张栋: "面向多个电动汽车换电站的有序充电控制", 《应用科技》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759779A (zh) * | 2022-11-28 | 2023-03-07 | 华北电力大学 | 电动汽车充换电站选址方法、电子设备及存储介质 |
CN116432844A (zh) * | 2023-04-12 | 2023-07-14 | 北京航空航天大学 | 一种新能源车用锂电池故障更换备件需求预测方法及系统 |
CN116432844B (zh) * | 2023-04-12 | 2024-04-02 | 北京航空航天大学 | 一种新能源车用锂电池故障更换备件需求预测方法及系统 |
CN117236613A (zh) * | 2023-09-18 | 2023-12-15 | 清华大学 | 电动汽车的能源站规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115330267B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Erdelić et al. | A survey on the electric vehicle routing problem: variants and solution approaches | |
CN115330267B (zh) | 基于需求行为的充换电设施布局方法、装置、设备及介质 | |
Li et al. | Public charging station location determination for electric ride-hailing vehicles based on an improved genetic algorithm | |
Zhang et al. | Charging infrastructure demands of shared-use autonomous electric vehicles in urban areas | |
Zhou et al. | Optimal battery electric vehicles range: A study considering heterogeneous travel patterns, charging behaviors, and access to charging infrastructure | |
Lin et al. | An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC | |
Li et al. | Prediction of electric bus energy consumption with stochastic speed profile generation modelling and data driven method based on real-world big data | |
CN103745111B (zh) | 纯电动乘用车续驶里程预测方法 | |
Yao et al. | Hybrid operations of human driving vehicles and automated vehicles with data-driven agent-based simulation | |
Borysova et al. | Priorities of marketing, competitiveness, and innovative development of transport service providers under sustainable urban development | |
CN116307647B (zh) | 电动汽车充电站选址定容优化方法、装置及存储介质 | |
Mehdizadeh et al. | A systematic review of the agent-based modelling/simulation paradigm in mobility transition | |
Zhang et al. | An immune algorithm for solving the optimization problem of locating the battery swapping stations | |
Jiang et al. | Optimal configuration of electric vehicles for charging stations under the fast power supplement mode | |
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 | |
Shrestha et al. | Measures to resolve range anxiety in electric vehicle users | |
Kim et al. | A machine learning method for ev range prediction with updates on route information and traffic conditions | |
Zwick et al. | Shifts in perspective: Operational aspects in (non-) autonomous ride-pooling simulations | |
Farhadi et al. | Data-driven multi-objective optimization for electric vehicle charging infrastructure | |
CN109919393A (zh) | 一种电动出租汽车的充电负荷预测方法 | |
Guo et al. | An electric vehicle charging load prediction model for different functional areas based on multithreaded acceleration | |
CN111967686B (zh) | 一种基于用电概率分布函数的随机负荷预测方法 | |
Zuo | Prediction and distribution of Ev charging stations | |
Mei et al. | Does the one-size-fits-all setting meet the demand? Assessment of setting EV–charging-capable parking spaces in public parking lots based on agent simulation | |
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 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20221111 Assignee: Hangzhou City brain Co.,Ltd. Assignor: Beijing University of Civil Engineering and Architecture Contract record no.: X2023980042800 Denomination of invention: Layout methods, devices, equipment, and media for charging and swapping facilities based on demand behavior Granted publication date: 20230407 License type: Common License Record date: 20230928 |