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 PDF

Info

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
Application number
CN202211237384.XA
Other languages
English (en)
Other versions
CN115330267B (zh
Inventor
林建新
张栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202211237384.XA priority Critical patent/CN115330267B/zh
Publication of CN115330267A publication Critical patent/CN115330267A/zh
Application granted granted Critical
Publication of CN115330267B publication Critical patent/CN115330267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

基于需求行为的充换电设施布局方法、装置、设备及介质
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：
将所述电动汽车一天内任意时刻的所述出行状态定义为
Figure M_220923144356321_321145001
，并将下一所述出行状态定义为
Figure M_220923144356367_367997002
，其中，w表征所述电动汽车的类别，当w=1时，表征私人电动汽车，w=2时，表征非私人电动汽车，所述
Figure M_220923144356399_399244003
仅与所述
Figure M_220923144356414_414871004
相关；
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：
根据所述电动汽车的电荷容量分别除以快速充电和慢速充电的功率，得到快速充电和慢速充电对应的充换电时长，其中，当所述出行状态为快速充电时，w类型车辆的所述充换电时长
Figure M_220923144356445_445653001
表示为：
Figure M_220923144356476_476926001
当所述出行状态为慢速充电时，w类型车辆的所述充换电时长
Figure M_220923144356541_541327001
表示为：
Figure M_220923144356572_572591001
当所述出行状态为换电时，w类型车辆的所述充换电时长
Figure M_220923144356619_619472001
表示为：
Figure M_220923144356635_635151001
其中，
Figure M_220923144356683_683415001
表示w类型下第k辆车的电池容量，
Figure M_220923144356699_699524002
表示慢速充电桩充电功率，
Figure M_220923144356730_730856003
表示快速充电桩充电功率；
根据所述充换电时长，确定选择与所述出行状态对应的所述出行决策的概率
Figure M_220923144356762_762068001
。
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；
基于所述第一分布函数和所述第二分布函数，构建所述状态转移概率函数，所述状态转移概率函数以
Figure M_220923144356855_855786001
表示，
Figure M_220923144356889_889457001
；
式中，
Figure M_220923144357392_392899001
表示w类别的所述电动汽车的所述概率的密度，
Figure M_220923144357424_424163002
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，
Figure M_220923144357455_455416003
表示w类别的所述电动汽车采取换电决策的所述概率，
Figure M_220923144357519_519858004
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，
Figure M_220923144357566_566273005
w类别的所述电动汽车采取慢速充电决策的所述概率；
根据所述电动汽车的当前荷电状态
Figure M_220923144357613_613603001
和不同所述出行决策下的荷电变化量，确定下一所述出行状态下所述电动汽车的荷电状态
Figure M_220923144357629_629233002
为：
Figure M_220923144357660_660483001
其中，
Figure M_220923144357772_772318001
表示百公里行驶耗电量，
Figure M_220923144357803_803550002
表示i状态到j状态之间的电动汽车行驶距离。
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：
针对不同类别的所述电动汽车的出行数据，将一天内出行时间离散化，分别统计各出行时段下出行目的地的用地性质，构建以所述电动汽车类型w，所述用地性质m，所述出行时段为n的出行目的地转移概率矩阵
Figure M_220923144357834_834786001
；
Figure M_220923144357866_866071001
式中，
Figure M_220923144357976_976915001
表示w类型车辆在t j-1 到t j 时间段内所述电动汽车的所述出行目的地的所述用地性质为i的概率；
通过充电功率、充换电等待时间和
Figure M_220923144358023_023765001
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
Figure M_220923144358055_055032002
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；
Figure P_220923144358087_087201001
式中，
Figure M_220923144358181_181482001
表示第k辆车在所述充换电等待时间下对应的充电功率，
Figure M_220923144358212_212715002
表示所述电动汽车的所述最大电池容量，取常数1，
Figure M_220923144358243_243969003
表示所述电动汽车k在tj时间段后的荷电状态，在所述换电需求下，所述
Figure M_220923144358290_290861004
为常数1；
累计计算K辆所述电动汽车在t j-1 到t j 时间段内总充电需求，得到总充电需求
Figure M_220923144358316_316233001
。
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：
第一目标函数：
Figure M_220923144358378_378750001
第二目标函数：
Figure M_220923144358409_409998001
第三目标函数：
Figure M_220923144358472_472511001
第四目标函数：
Figure M_220923144358567_567698001
第五目标函数：
Figure M_220923144358630_630260001
第六目标函数：
Figure M_220923144358709_709815001
第七目标函数：
Figure M_220923144358772_772295001
第一约束条件：
Figure M_220923144358883_883140001
第二约束条件：
Figure M_220923144358946_946112001
第三约束条件：
Figure M_220923144358992_992992001
第四约束条件：
Figure M_220923144359040_040023001
第五约束条件：
Figure M_220923144359088_088192001
第六约束条件：
Figure M_220923144359135_135573001
第七约束条件：
Figure M_220923144359182_182455001
第八约束条件：
Figure P_220923144359229_229326001
第九约束条件：
Figure P_220923144359260_260571001
第十约束条件：
Figure M_220923144359310_310397001
第十一约束条件：
Figure M_220923144359357_357272001
第十二约束条件：
Figure M_220923144359388_388529001
第十三约束条件：
Figure M_220923144359435_435395001
，
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
Figure M_220923144359501_501309001
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
Figure M_220923144359516_516946002
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；
式中，
Figure M_220923144359548_548210001
表示充换电需求点集合，
Figure M_220923144359579_579436002
；
Figure M_220923144359610_610665001
表示充电设施备选点集合，
Figure M_220923144359626_626294002
；
Figure M_220923144359657_657552001
表示换电站备选点集合，
Figure M_220923144359689_689781002
；
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；
Figure M_220923144359705_705892001
表示不同服务能力的换电站，g=1~4；S表示换电需求；
N表示各级用地性质集合,
Figure M_220923144359737_737157001
表示商业用地，
Figure M_220923144359768_768378002
表示居住用地，
Figure M_220923144359799_799699003
表示办公用地；
U表示将一天内时间进行离散化形成时间间隔，
Figure M_220923144359815_815255001
；
Figure M_220923144359846_846541001
表示不同类型电动汽车出行者，
Figure M_220923144359910_910478002
表示私人电动汽车出行者，
Figure M_220923144359972_972994003
表示非私人电动汽车出行者；
Figure M_220923144359988_988606001
表示在u时刻下，
Figure M_220923144400035_035504002
类电动汽车出行者在用地性质
Figure M_220923144400066_066717003
内i点的
Figure M_220923144400102_102857004
类充电需求；
Figure M_220923144400118_118490001
表示在u时刻下，
Figure M_220923144400149_149747002
类电动汽车出行者在用地性质
Figure M_220923144400181_181004003
内i点的s类换电需求；
Figure M_220923144400212_212270001
表示g服务能力下换电站面积；
Figure M_220923144400227_227883002
表示m备选点在用地性质n上单位土地单价；
Figure M_220923144400259_259129001
表示g服务能力下，换电电池的数量；
Figure M_220923144400291_291804001
表示单个k类设施维护费用；
Figure M_220923144400325_325484001
表示g服务能力下s类设施建设与维护费用；
Figure M_220923144400341_341633001
表示k类型充电桩单价；
Figure M_220923144400372_372879001
表示换电电池单价；
Figure M_220923144400404_404143001
表示充换电设施运行年限；
Figure M_220923144400435_435391001
表示贴现率；
Figure M_220923144400466_466627002
表示运营成本与建设成本间折算系数；
Figure M_220923144400510_510073001
表示一年内天数；
Figure M_220923144400556_556953001
表示换电单位价格；
Figure M_220923144400892_892119001
表示在u时刻下的充电价格；
Figure M_220923144400908_908569001
表示单位距离消耗电量；
Figure M_220923144400940_940279001
表示单位距离电量成本；
Figure M_220923144400971_971512001
表示n区域i需求点
Figure M_220923144401002_002764002
类换电电动汽车车辆数；
Figure M_220923144401018_018379001
表示需求点i与备选点m的距离；
Figure M_220923144401049_049664001
表示出行者寻找换电站最大心理距离；
Figure M_220923144401083_083787001
表示电动汽车在市区内行驶平均速度；
Figure M_220923144401115_115580001
表示时间成本系数，取值依据城市发展水平；
Figure M_220923144401146_146833001
表示
Figure M_220923144401178_178084002
类型充电桩充电功率；
Figure M_220923144401209_209340001
表示设备故障的备用系数；
Figure M_220923144401224_224924001
表示分别为需求点
Figure M_220923144401271_271833002
，备选站
Figure M_220923144401289_289839003
的纵坐标；
Figure M_220923144401321_321629001
表示分别为需求点
Figure M_220923144401352_352888002
，备选站
Figure M_220923144401384_384142003
的横坐标；
Figure M_220923144401399_399763001
表示向上取整；
Figure M_220923144401431_431012001
表示非直线性系数；
Figure M_220923144401462_462223001
表示n区域i需求点
Figure M_220923144401494_494442002
类电动汽车车辆每天换电次数；
Figure M_220923144401510_510591001
表示k类型充电设施服务能力；
Figure M_220923144401541_541870001
表示g类换电站服务能力；
Figure M_220923144401573_573143001
表示换电站服务能力为g最大建设数量；
Figure M_220923144401604_604353001
表示换电站服务能力为g最小建设数量；
Figure M_220923144401635_635589001
表示整数变量，在j备选点建立k类充电设施数量；
Figure M_220923144401666_666843001
表示0-1变量，在m备选点是否建立g类换电站，0表示否，1表示是；
Figure M_220923144401699_699549001
表示需求点i中
Figure M_220923144401730_730810002
类需求被分配到j点的分配比例；
Figure M_220923144401746_746421001
表示需求点i中s类需求被分配到m点g类换电站的分配比例。
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：
构建充电需求不确定集
Figure M_220923144401777_777177001
；
Figure M_220923144401808_808918001
通过
Figure M_220923144401887_887727001
表示在u时刻下，
Figure M_220923144401920_920259002
类电动汽车出行者在用地性质
Figure M_220923144401951_951508003
内i点的
Figure M_220923144401967_967163004
类型的不确定充电需求，且
Figure M_220923144401998_998348005
，其中
Figure M_220923144402060_060876006
为u时刻下，
Figure M_220923144402093_093066007
类电动汽车出行者在用地性质
Figure M_220923144402124_124872008
内i点的
Figure M_220923144402156_156098009
类型的充电需求，
Figure M_220923144402171_171736010
为扰动量，
Figure M_220923144402203_203005011
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，
Figure M_220923144402234_234209012
为充电需求不确定集
Figure M_220923144402265_265439013
中任意
Figure M_220923144402298_298181014
类电动汽车出行者在用地性质
Figure M_220923144402313_313798015
内i点的
Figure M_220923144402345_345063016
类型的充电需求；
构建换电需求不确定集
Figure M_220923144402376_376284001
；
Figure M_220923144402391_391916001
；
通过
Figure M_220923144402470_470050001
表示在u时刻下，
Figure M_220923144402504_504231002
类电动汽车出行者在用地性质
Figure M_220923144402519_519860003
内i点的s类型的不确定换电需求，且
Figure M_220923144402551_551115004
，其中
Figure M_220923144402613_613596005
为u时刻下，
Figure M_220923144402644_644867006
类电动汽车出行者在用地性质
Figure M_220923144402660_660484007
内i点的
Figure M_220923144402692_692674008
类型的换电需求，
Figure M_220923144402724_724464009
为其扰动量，
Figure M_220923144402755_755703010
为换电需求不确定集
Figure M_220923144402786_786955011
中任意
Figure M_220923144402818_818210012
类电动汽车出行者在用地性质
Figure M_220923144402833_833833013
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：
Figure P_220923144402865_865070001
。
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：
将所述电动汽车一天内任意时刻的所述出行状态定义为
Figure M_220923144402960_960789001
，并将下一所述出行状态定义为
Figure M_220923144402992_992024002
，其中，w表征所述电动汽车的类别，当w=1时，表征私人电动汽车，w=2时，表征非私人电动汽车，所述
Figure M_220923144403023_023285003
仅与所述
Figure M_220923144403054_054514004
相关；
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
Figure M_220923144403087_087693001
，以表示w类型电动汽车的当前状态，而下一状态记为
Figure M_220923144403150_150718002
，为表达简洁记为
Figure M_220923144403181_181952003
，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：
Figure M_220923144403213_213228001
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
Figure M_220923144403260_260120001
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：
根据所述电动汽车的电荷容量分别除以快速充电和慢速充电的功率，得到快速充电和慢速充电对应的充换电时长，其中，当所述出行状态为快速充电时，w类型车辆的所述充换电时长
Figure M_220923144403292_292284001
表示为：
Figure M_220923144403324_324065001
当所述出行状态为慢速充电时，w类型车辆的所述充换电时长
Figure M_220923144403370_370950001
表示为：
Figure M_220923144403402_402188001
当所述出行状态为换电时，w类型车辆的所述充换电时长
Figure M_220923144403509_509116001
表示为：
Figure M_220923144403540_540353001
其中，
Figure M_220923144403587_587251001
表示w类型下第k辆车的电池容量，
Figure M_220923144403618_618508002
表示慢速充电桩充电功率，
Figure M_220923144403649_649740003
表示快速充电桩充电功率；
根据所述充换电时长，确定选择与所述出行状态对应的所述出行决策的概率
Figure M_220923144403681_681936001
。
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：
Figure M_220923144403776_776228001
Figure M_220923144403823_823080001
Figure M_220923144403869_869963001
式中，
Figure M_220923144403918_918304001
——w类型车辆充换电时长；
Figure M_220923144403949_949578001
——w类型下第k辆车的电池容量(kW·h)；
Figure M_220923144403996_996419001
——慢速充电桩充电功率(kW)；
Figure M_220923144404027_027682001
——快速充电桩充电功率(kW)；
Figure M_220923144404058_058935001
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；
Figure M_220923144404114_114584002
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；
Figure M_220923144404458_458828003
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，
Figure M_220923144404491_491015004
，充换电时长在区间
Figure M_220923144404538_538402005
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
Figure M_220923144404585_585298006
所示。
式中，
Figure M_220923144404679_679049001
——换电方式，取值为常数1；
当w类型车辆的充换电时长为上述对应区间时，可选择相应的充换电方式。式
Figure M_220923144404696_696109001
用快慢充方式用充电功率
Figure M_220923144404774_774749002
、
Figure M_220923144404805_805970003
表示，换电方式无充电功率，因此选择常数表示。
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；
基于所述第一分布函数和所述第二分布函数，构建所述状态转移概率函数，所述状态转移概率函数以
Figure M_220923144404837_837237001
表示，
Figure M_220923144404868_868483001
；
式中，
Figure M_220923144405057_057981001
表示w类别的所述电动汽车的所述概率的密度，
Figure M_220923144405107_107255002
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，
Figure M_220923144405138_138515003
表示w类别的所述电动汽车采取换电决策的所述概率，
Figure M_220923144405185_185400004
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，
Figure M_220923144405247_247882005
w类别的所述电动汽车采取慢速充电决策的所述概率；
根据所述电动汽车的当前荷电状态
Figure M_220923144405296_296286001
和不同所述出行决策下的荷电变化量，确定下一所述出行状态下所述电动汽车的荷电状态
Figure M_220923144405328_328924002
为：
Figure M_220923144405360_360679001
其中，
Figure M_220923144405470_470057001
表示百公里行驶耗电量，
Figure M_220923144405504_504726002
表示i状态到j状态之间的电动汽车行驶距离。
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
Figure M_220923144405535_535975001
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：
Figure M_220923144405567_567256001
式中，
Figure M_220923144405757_757208001
——w类型车辆充换电时长概率密度；
Figure M_220923144405804_804035001
——w类型车辆单次出行距离概率密度；
Figure M_220923144405835_835339001
——w类型车辆采取换电的概率；
Figure M_220923144405884_884091001
——w类型车辆采取快充的概率；
Figure M_220923144405931_931483001
——w类型车辆采取慢充的概率；
电动汽车荷电状态时空变化由任意时刻
Figure M_220923144405994_994002001
下w类型电动汽车的当前状态
Figure M_220923144406025_025273002
与不同充换电决策可得到下一状态的
Figure M_220923144406056_056487003
，
Figure M_220923144406088_088680004
具体数学表达式为：
Figure M_220923144406120_120479001
式中
Figure M_220923144406229_229815001
——百公里行驶耗电量(kW·h)；
Figure M_220923144406261_261111001
——i状态到j状态之间的电动汽车行驶距离(km)；
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
Figure M_220923144406294_294727001
为当前状态
Figure M_220923144406326_326512002
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
Figure M_220923144406357_357752003
为当前状态
Figure M_220923144406389_389023004
与充电时间内的充电电量之和；若下一状态为行驶(u=0)后
Figure M_220923144406420_420253005
，计算方式为当前状态
Figure M_220923144406451_451526006
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
Figure M_220923144406483_483702007
，该状态下取值不变，为
Figure M_220923144406515_515507008
。
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：
针对不同类别的所述电动汽车的出行数据，将一天内出行时间离散化，分别统计各出行时段下出行目的地的用地性质，构建以所述电动汽车类型w，所述用地性质m，所述出行时段为n的出行目的地转移概率矩阵
Figure M_220923144406546_546754001
；
Figure M_220923144406593_593602001
式中，
Figure M_220923144406705_705390001
表示w类型车辆在t j-1 到t j 时间段内所述电动汽车的所述出行目的地的所述用地性质为i的概率；
通过充电功率、充换电等待时间和
Figure M_220923144406752_752298001
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
Figure M_220923144406783_783551002
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；
Figure P_220923144406814_814807001
式中，
Figure M_220923144406926_926143001
表示第k辆车在所述充换电等待时间下对应的充电功率，
Figure M_220923144406957_957378002
表示所述电动汽车的所述最大电池容量，取常数1，
Figure M_220923144407035_035474003
表示所述电动汽车k在tj时间段后的荷电状态，在所述换电需求下，所述
Figure M_220923144407108_108743004
为常数1；
累计计算K辆所述电动汽车在t j-1 到t j 时间段内总充电需求，得到总充电需求
Figure M_220923144407155_155633001
。
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
Figure M_220923144407218_218143001
；
Figure M_220923144407249_249367001
式中，
Figure M_220923144407375_375839001
——w类型车辆在t j-1 到t j 时间段内电动汽车出行目的地的用地性质为i的概率；
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
Figure P_220923144407407_407093001
式中，
Figure M_220923144407509_509623001
——w类型车辆在t j-1 到t j 时间段内电动汽车出行目的地的用地性质为i的概率；
Figure M_220923144407572_572133001
——第k辆车充换电等待时长对应的快慢充充电功率(kW)；
Figure M_220923144407603_603373001
——电动汽车车辆最大荷电状态，取常数值1；
Figure M_220923144407650_650233001
——电动汽车车辆k在tj时间段后的荷电状态；
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
Figure M_220923144407905_905135001
为常数1。由公式
Figure M_220923144407936_936383002
，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，
Figure M_220923144408014_014514001
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
Figure M_220923144408061_061403001
决定充换电行为，再通过式
Figure M_220923144408141_141970002
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
Figure M_220923144408251_251321003
决定充换电行为，在通过式
Figure M_220923144408330_330390004
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。
(5)依据公式
Figure P_220923144408439_439765001
、
Figure M_220923144408534_534983001
计算w类型电动汽车在各用地性质下的一天充电需求。
(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
Figure T_220923144408566_566229002
表3 电动汽车出行特征分布
Figure T_220923144408675_675615003
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
Figure T_220923144408930_930002004
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
Figure T_220923144409140_140518005
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1.42GW
Figure SYM_220923144356001
h，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：
第一目标函数：
Figure M_220923144409265_265492001
第二目标函数：
Figure M_220923144409314_314771001
第三目标函数：
Figure M_220923144409377_377280001
第四目标函数：
Figure M_220923144409471_471018001
第五目标函数：
Figure M_220923144409550_550624001
第六目标函数：
Figure M_220923144409628_628750001
第七目标函数：
Figure M_220923144409693_693663001
第一约束条件：
Figure M_220923144409819_819167001
第二约束条件：
Figure M_220923144409898_898742001
第三约束条件：
Figure M_220923144409976_976908001
第四约束条件：
Figure M_220923144410023_023770001
第五约束条件：
Figure M_220923144410087_087708001
第六约束条件：
Figure M_220923144410135_135117001
第七约束条件：
Figure M_220923144410197_197656001
第八约束条件：
Figure P_220923144410244_244468001
第九约束条件：
Figure P_220923144410311_311363001
第十约束条件：
Figure M_220923144410376_376283001
第十一约束条件：
Figure M_220923144410423_423189001
第十二约束条件：
Figure M_220923144410470_470038001
第十三约束条件：
Figure M_220923144410535_535005001
，
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
Figure M_220923144410675_675636001
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
Figure M_220923144410708_708361002
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；
式中，
Figure M_220923144410739_739581001
表示充换电需求点集合，
Figure M_220923144410786_786485002
；
Figure M_220923144410833_833347001
表示充电设施备选点集合，
Figure M_220923144410881_881190002
；
Figure M_220923144410912_912914001
表示换电站备选点集合，
Figure M_220923144410959_959799002
；
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；
Figure M_220923144411006_006701001
表示不同服务能力的换电站，g=1,…4；S表示换电需求；
N表示各级用地性质集合,
Figure M_220923144411037_037951001
表示商业用地，
Figure M_220923144411086_086714002
表示居住用地，
Figure M_220923144411134_134141003
表示办公用地；
U表示将一天内时间进行离散化形成时间间隔，
Figure M_220923144411180_180982001
；
Figure M_220923144411227_227830001
表示不同类型电动汽车出行者，
Figure M_220923144411588_588214002
表示私人电动汽车出行者，
Figure M_220923144411619_619480003
表示非私人电动汽车出行者；
Figure M_220923144411650_650719001
表示在u时刻下，
Figure M_220923144411699_699062002
类电动汽车出行者在用地性质
Figure M_220923144411745_745946003
内i点的
Figure M_220923144411792_792792004
类充电需求；
Figure M_220923144411824_824063001
表示在u时刻下，
Figure M_220923144411870_870925002
类电动汽车出行者在用地性质
Figure M_220923144411903_903644003
内i点的s类换电需求；
Figure M_220923144411950_950518001
表示g服务能力下换电站面积；
Figure M_220923144411997_997417002
表示m备选点在用地性质n上单位土地单价；
Figure M_220923144412044_044270001
表示g服务能力下，换电电池的数量；
Figure M_220923144412092_092057001
表示单个k类设施维护费用；
Figure M_220923144412124_124841001
表示g服务能力下s类设施建设与维护费用；
Figure M_220923144412171_171752001
表示k类型充电桩单价；
Figure M_220923144412218_218586001
表示换电电池单价；
Figure M_220923144412249_249391001
表示充换电设施运行年限；
Figure M_220923144412302_302114001
表示贴现率；
Figure M_220923144412348_348972002
表示运营成本与建设成本间折算系数；
Figure M_220923144412380_380200001
表示一年内天数；
Figure M_220923144412427_427070001
表示换电单位价格；
Figure M_220923144412458_458348001
表示在u时刻下的充电价格；
Figure M_220923144412507_507184001
表示单位距离消耗电量；
Figure M_220923144412538_538438001
表示单位距离电量成本；
Figure M_220923144412585_585291001
表示n区域i需求点
Figure M_220923144412632_632164002
类换电电动汽车车辆数；
Figure M_220923144412679_679021001
表示需求点i与备选点m的距离；
Figure M_220923144412713_713707001
表示出行者寻找换电站最大心理距离；
Figure M_220923144412760_760599001
表示电动汽车在市区内行驶平均速度；
Figure M_220923144412791_791839001
表示时间成本系数，取值依据城市发展水平；
Figure M_220923144412838_838707001
表示
Figure M_220923144412886_886544002
类型充电桩充电功率；
Figure M_220923144412918_918300001
表示设备故障的备用系数；
Figure M_220923144412965_965180001
表示分别为需求点
Figure M_220923144413012_012035002
，备选站
Figure M_220923144413043_043287003
的纵坐标；
Figure M_220923144413094_094042001
表示分别为需求点
Figure M_220923144413141_141440002
，备选站
Figure M_220923144413188_188318003
的横坐标；
Figure M_220923144413219_219573001
表示向上取整；
Figure M_220923144413266_266448001
表示非直线性系数；
Figure M_220923144413301_301590001
表示n区域i需求点
Figure M_220923144413348_348468002
类电动汽车车辆每天换电次数；
Figure M_220923144413379_379716001
表示k类型充电设施服务能力；
Figure M_220923144413426_426592001
表示g类换电站服务能力；
Figure M_220923144413457_457856001
表示换电站服务能力为g最大建设数量；
Figure M_220923144413506_506205001
表示换电站服务能力为g最小建设数量；
Figure M_220923144413553_553088001
表示整数变量，在j备选点建立k类充电设施数量；
Figure M_220923144413584_584340001
表示0-1变量，在m备选点是否建立g类换电站，0表示否，1表示是；
Figure M_220923144413631_631188001
表示需求点i中
Figure M_220923144413662_662426002
类需求被分配到j点的分配比例；
Figure M_220923144413710_710761001
表示需求点i中s类需求被分配到m点g类换电站的分配比例。
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
Figure M_220923144413742_742027001
——充换电需求点集合，
Figure M_220923144413788_788924002
；
Figure M_220923144413835_835763001
——充电设施备选点集合，
Figure M_220923144413867_867008002
；
Figure M_220923144413915_915837001
——换电站备选点集合，
Figure M_220923144413962_962715002
；
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；
Figure M_220923144413993_993985001
——不同服务能力的换电站，g=1,…4，数字越大换电站服务能力越强；
S——换电需求；
N——各级用地性质集合,
Figure M_220923144414040_040848001
表示商业用地，
Figure M_220923144414087_087987002
表示居住用地，
Figure M_220923144414151_151689003
表示办公用地；
U——将一天内时间进行离散化形成时间间隔，
Figure M_220923144414229_229829001
；
Figure M_220923144414261_261097001
——不同类型电动汽车出行者，
Figure M_220923144414296_296665002
表示私人电动汽车出行者，
Figure M_220923144414344_344083003
表示非私人电动汽车出行者；
（2）参数
Figure M_220923144414375_375317001
——在u时刻下，
Figure M_220923144414422_422239002
类电动汽车出行者在用地性质
Figure M_220923144414468_468612003
内i点的
Figure M_220923144414500_500323004
类充电需求；
Figure M_220923144414547_547203001
——在u时刻下，
Figure M_220923144414594_594065002
类电动汽车出行者在用地性质
Figure M_220923144414625_625333003
内i点的s类换电需求；
Figure M_220923144414672_672196001
——g服务能力下换电站面积；
Figure M_220923144414722_722985001
——m备选点在用地性质n上单位土地单价；
Figure M_220923144414769_769855001
——g服务能力下，换电电池的数量；
Figure M_220923144414818_818642001
——单个k类设施维护费用，包括基建设备，安全监控等;
Figure M_220923144415256_256651001
——g服务能力下s类设施建设与维护费用，包括基建设备，安全监控等;
Figure M_220923144415305_305503001
——k类型充电桩单价;
Figure M_220923144415350_350906001
——换电电池单价;
Figure M_220923144415397_397795001
——充换电设施运行年限（受寿命影响）；
Figure M_220923144415444_444675001
——贴现率；
Figure M_220923144415475_475907001
——运营成本与建设成本间折算系数；
Figure M_220923144415524_524739001
——一年内天数；
Figure M_220923144415555_555990001
——换电单位价格；
Figure M_220923144415602_602848001
——在u时刻下的充电价格;
Figure M_220923144415634_634110001
——单位距离消耗电量;
Figure M_220923144415681_681921001
——单位距离电量成本；
Figure M_220923144415713_713722001
——n区域i需求点
Figure M_220923144415760_760621002
类换电电动汽车车辆数；
Figure M_220923144415807_807440001
——需求点i与备选点m的距离；
Figure M_220923144415854_854336001
——出行者寻找换电站最大心理距离；
Figure M_220923144415887_887484001
——电动汽车在市区内行驶平均速度；
Figure M_220923144415919_919253001
——时间成本系数，取值依据城市发展水平；
Figure M_220923144415966_966164001
——
Figure M_220923144416013_013027002
类型充电桩充电功率；
Figure M_220923144416044_044265001
——设备故障的备用系数；
Figure M_220923144416091_091400001
——分别为需求点
Figure M_220923144416123_123865002
，备选站
Figure M_220923144416170_170746003
的纵坐标；
Figure M_220923144416217_217610001
——分别为需求点
Figure M_220923144416248_248854002
，备选站
Figure M_220923144416298_298182003
的横坐标；
Figure M_220923144416329_329440001
——向上取整；
Figure M_220923144416360_360665001
——非直线性系数；
Figure M_220923144416407_407563001
——n区域i需求点
Figure M_220923144416454_454428002
类电动汽车车辆每天换电次数；
Figure M_220923144416488_488076001
——k类型充电设施服务能力；
Figure M_220923144416535_535470001
——g类换电站服务能力；
Figure M_220923144416566_566721001
——换电站服务能力为g最大建设数量；
Figure M_220923144416613_613594001
——换电站服务能力为g最小建设数量；
（3）变量
Figure M_220923144416660_660490001
——整数变量，在j备选点建立k类充电设施数量；
Figure M_220923144416709_709821001
——0-1变量，在m备选点是否建立g类换电站；
Figure M_220923144416756_756662001
——需求点i中
Figure F_220923144350448_448564002
类需求被分配到j点的分配比例；
Figure M_220923144416803_803538001
——需求点i中s类需求被分配到m点g类换电站的分配比例；
确定需求下充换电设施规划模型由以下函数构成：
第一目标函数：
Figure M_220923144416850_850436001
第二目标函数：
Figure M_220923144416914_914888001
第三目标函数：
Figure M_220923144416977_977386001
第四目标函数：
Figure M_220923144417086_086764001
第五目标函数：
Figure M_220923144417164_164876001
第六目标函数：
Figure M_220923144417258_258636001
第七目标函数：
Figure M_220923144417323_323086001
第一约束条件：
Figure M_220923144417448_448063001
第二约束条件：
Figure M_220923144417512_512064001
第三约束条件：
Figure M_220923144417590_590167001
第四约束条件：
Figure M_220923144417637_637059001
第五约束条件：
Figure M_220923144417755_755715001
第六约束条件：
Figure M_220923144417818_818190001
第七约束条件：
Figure M_220923144417865_865066001
第八约束条件：
Figure P_220923144417915_915856001
第九约束条件：
Figure P_220923144417993_993966001
第十约束条件：
Figure M_220923144418040_040852001
第十一约束条件：
Figure M_220923144418104_104347001
第十二约束条件：
Figure M_220923144418151_151203001
第十三约束条件：
Figure M_220923144418229_229382001
，
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
Figure M_220923144418293_293260001
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
Figure M_220923144418550_550649002
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
Figure M_220923144418597_597495001
表示在u时刻下，
Figure M_220923144418660_660433002
类电动汽车出行者在用地性质
Figure M_220923144418695_695121003
内i点的
Figure M_220923144418742_742536004
类型的不确定充电需求，且
Figure M_220923144418789_789408001
，
其中
Figure M_220923144418867_867499001
为u时刻下，
Figure M_220923144418917_917318002
类电动汽车出行者在用地性质
Figure M_220923144418948_948548003
内i点的
Figure M_220923144418995_995479004
类型的充电需求，
Figure M_220923144419041_041861005
为其扰动量，充电需求不确定集为
Figure M_220923144419090_090516001
，
Figure M_220923144419185_185895001
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，
Figure M_220923144419232_232752002
为充电需求不确定集
Figure M_220923144419280_280557003
中任意
Figure M_220923144419312_312384004
类电动汽车出行者在用地性质
Figure M_220923144419359_359216005
内i点的
Figure M_220923144419390_390455006
类型的充电需求。
同理构建换电需求不确定集，用
Figure M_220923144419437_437361001
表示在u时刻下，
Figure M_220923144419468_468592002
类电动汽车出行者在用地性质
Figure M_220923144419516_516938003
内i点的s类型的不确定换电需求，且
Figure M_220923144419548_548172001
，
其中
Figure M_220923144419626_626313001
为u时刻下，
Figure M_220923144419673_673202002
类电动汽车出行者在用地性质
Figure M_220923144419721_721508003
内i点的
Figure F_220923144350719_719561003
类型的换电需求，
Figure M_220923144419768_768385004
为其扰动量，
Figure M_220923144419799_799671005
为换电需求不确定集
Figure M_220923144419877_877757006
中任意
Figure M_220923144419910_910512007
类电动汽车出行者在用地性质
Figure M_220923144419957_957833008
内i点的s类型的不确定换电需求，换电需求不确定集为
Figure M_220923144420004_004730001
。
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：
Figure P_220923144420083_083782001
。
对式该式进行等式变换，得到
Figure P_220923144420209_209305001
表示最小化充换电设施选址最坏条件下的系统总成本。随后对确定需求模型中式
Figure M_220923144420321_321582001
和式
Figure M_220923144420415_415866002
进行鲁棒变换，公式如下所示：
Figure P_220923144420462_462720001
，
Figure P_220923144420528_528639001
，
式
Figure P_220923144420591_591155001
表示最坏条件下电动汽车车辆的充电需求也不能超过充电设施的最大服务能力。式
Figure P_220923144420653_653651002
表示最坏条件下电动汽车车辆的换电需求也不能超过换电站的最大服务能力。
上述建立的鲁棒优化模型为难求解的非线性模型，本申请实施例通过鲁棒对等转换，将难求解的非线性模型转换成混合整数规划模型。首先引入辅助变量
Figure P_220923144420719_719074001
对式
Figure P_220923144420765_765959001
中非线性模型部分进行替换，结果如下所示：
Figure P_220923144420875_875341001
随后通过引入对偶变量
Figure M_220923144420971_971024001
对辅助变量
Figure P_220923144421033_033542001
进行转换：
Figure P_220923144421081_081833001
，
Figure P_220923144421129_129228001
，
针对充换电服务能力约束即式
Figure P_220923144421191_191733001
和式
Figure P_220923144421286_286908001
根据强对偶性，引入对偶变量
Figure M_220923144421381_381200001
对内层最大化问题进行转换：
Figure P_220923144421443_443686001
；
Figure P_220923144421491_491991001
；
Figure P_220923144421555_555005001
；
Figure P_220923144421601_601882001
；
Figure P_220923144421648_648758001
。
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：
Figure M_220923144421697_697579001
式中，
Figure M_220923144421760_760088001
——需求点
Figure F_220923144350909_909523004
是否属于第K个簇，是则取值1，否则取值0；
Figure M_220923144421806_806956001
——第K个簇的中心；
Figure M_220923144421853_853827001
——需求点i；
Figure M_220923144422100_100418001
——各充电需求的空间映射值，取值范围大小受研究区域面积影响；
Figure P_220923144422147_147294001
式中，
Figure M_220923144422193_193697001
——需求点
Figure F_220923144351034_034502005
中换电需求最大值；
Figure M_220923144422241_241050001
——需求点
Figure F_220923144351190_190792006
中换电需求最小值；
Figure M_220923144422307_307464001
——空间映射集中最大值；
Figure M_220923144422338_338705001
——空间映射集中最小值；
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
Figure P_220923144422401_401227001
和式
Figure P_220923144422463_463719002
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
Figure M_220923144422512_512033001
，CH值越高，表明聚类效果越好，从而确定K的取值。
式中，
Figure M_220923144422574_574546001
——训练集样本数；
Figure M_220923144422621_621414001
——类别数；
Figure M_220923144422668_668323001
——类别之间的协方差矩阵；
Figure M_220923144422716_716627001
——类别内部数据的协方差矩阵；
Figure M_220923144422779_779137001
——矩阵的迹；
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：
（1）通过式
Figure P_220923144422826_826032001
和式
Figure P_220923144422906_906111002
能够得出K取值范围，随后利用式
Figure M_220923144422968_968183001
求得对应K值下CH最高值，确定K的取值与聚类中心；
（2）利用式
Figure M_220923144423062_062383001
和式
Figure P_220923144423126_126825001
计算所给数据各个点到各个初始聚类中心的聚类距离，然后根据聚类标准将所有点分配给各个初始聚类中心，就形成了K个簇；
（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
Figure F_220923144351348_348495007
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：
将所述电动汽车一天内任意时刻的所述出行状态定义为
Figure M_220923144423173_173658001
，并将下一所述出行状态定义为
Figure M_220923144423236_236174002
，其中，w表征所述电动汽车的类别，当w=1时，表征私人电动汽车，w=2时，表征非私人电动汽车，所述
Figure M_220923144423284_284473003
仅与所述
Figure M_220923144423316_316252004
相关；
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：
根据所述电动汽车的电荷容量分别除以快速充电和慢速充电的功率，得到快速充电和慢速充电对应的充换电时长，其中，当所述出行状态为快速充电时，w类型车辆的所述充换电时长
Figure M_220923144423363_363123001
表示为：
Figure M_220923144423410_410002001
当所述出行状态为慢速充电时，w类型车辆的所述充换电时长
Figure M_220923144423472_472498001
表示为：
Figure M_220923144423521_521330001
当所述出行状态为换电时，w类型车辆的所述充换电时长
Figure M_220923144423583_583822001
表示为：
Figure M_220923144423615_615110001
其中，
Figure M_220923144423677_677582001
表示w类型下第k辆车的电池容量，
Figure M_220923144423725_725928002
表示慢速充电桩充电功率，
Figure M_220923144423772_772784003
表示快速充电桩充电功率；
根据所述充换电时长，确定选择与所述出行状态对应的所述出行决策的概率
Figure M_220923144423804_804039001
。
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；
基于所述第一分布函数和所述第二分布函数，构建所述状态转移概率函数，所述状态转移概率函数以
Figure M_220923144423915_915836001
表示，
Figure M_220923144423962_962721001
；
式中，
Figure M_220923144424167_167308001
表示w类别的所述电动汽车的所述概率的密度，
Figure M_220923144424229_229824002
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，
Figure M_220923144424276_276678003
表示w类别的所述电动汽车采取换电决策的所述概率，
Figure M_220923144424340_340642004
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，
Figure M_220923144424403_403170005
w类别的所述电动汽车采取慢速充电决策的所述概率；
根据所述电动汽车的当前荷电状态
Figure M_220923144424465_465216001
和不同所述出行决策下的荷电变化量，确定下一所述出行状态下所述电动汽车的荷电状态
Figure M_220923144424501_501308002
为：
Figure M_220923144424548_548386001
其中，
Figure M_220923144424673_673168001
表示百公里行驶耗电量，
Figure M_220923144424705_705889002
表示i状态到j状态之间的电动汽车行驶距离。
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：
针对不同类别的所述电动汽车的出行数据，将一天内出行时间离散化，分别统计各出行时段下出行目的地的用地性质，构建以所述电动汽车类型w，所述用地性质m，所述出行时段为n的出行目的地转移概率矩阵
Figure M_220923144424752_752773001
；
Figure M_220923144424846_846526001
式中，
Figure M_220923144424974_974454001
表示w类型车辆在t j-1 到t j 时间段内所述电动汽车的所述出行目的地的所述用地性质为i的概率；
通过充电功率、充换电等待时间和
Figure M_220923144425021_021307001
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
Figure M_220923144425068_068214002
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；
Figure P_220923144425118_118000001
式中，
Figure M_220923144425226_226882001
表示第k辆车在所述充换电等待时间下对应的充电功率，
Figure M_220923144425293_293776002
表示所述电动汽车的所述最大电池容量，取常数1，
Figure M_220923144425338_338185003
表示所述电动汽车k在tj时间段后的荷电状态，在所述换电需求下，所述
Figure M_220923144425625_625325004
为常数1；
累计计算K辆所述电动汽车在t j-1 到t j 时间段内总充电需求，得到总充电需求
Figure M_220923144425672_672226001
。
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：
第一目标函数：
Figure M_220923144425737_737635001
第二目标函数：
Figure M_220923144425800_800138001
第三目标函数：
Figure M_220923144425878_878271001
第四目标函数：
Figure M_220923144425990_990575001
第五目标函数：
Figure M_220923144426068_068706001
第六目标函数：
Figure M_220923144426165_165393001
第七目标函数：
Figure M_220923144426227_227876001
第一约束条件：
Figure M_220923144426369_369968001
第二约束条件：
Figure M_220923144426432_432457001
第三约束条件：
Figure M_220923144426510_510560001
第四约束条件：
Figure M_220923144426573_573096001
第五约束条件：
Figure M_220923144426635_635628001
第六约束条件：
Figure M_220923144426700_700034001
第七约束条件：
Figure M_220923144426778_778164001
第八约束条件：
Figure P_220923144426840_840668001
第九约束条件：
Figure P_220923144426888_888951001
第十约束条件：
Figure M_220923144426967_967627001
第十一约束条件：
Figure M_220923144427030_030111001
第十二约束条件：
Figure M_220923144427076_076987001
第十三约束条件：
Figure M_220923144427142_142913001
，
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
Figure M_220923144427221_221036001
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
Figure M_220923144427267_267939002
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；
式中，
Figure M_220923144427319_319179001
表示充换电需求点集合，
Figure M_220923144427381_381704002
；
Figure M_220923144427428_428535001
表示充电设施备选点集合，
Figure M_220923144427475_475436002
；
Figure M_220923144427539_539434001
表示换电站备选点集合，
Figure M_220923144427601_601919002
；
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；
Figure M_220923144427648_648776001
表示不同服务能力的换电站，g=1~4；S表示换电需求；
N表示各级用地性质集合,
Figure M_220923144427697_697127001
表示商业用地，
Figure M_220923144427744_744015002
表示居住用地，
Figure M_220923144427790_790867003
表示办公用地；
U表示将一天内时间进行离散化形成时间间隔，
Figure M_220923144427837_837731001
；
Figure M_220923144427885_885542001
表示不同类型电动汽车出行者，
Figure M_220923144427932_932927002
表示私人电动汽车出行者，
Figure M_220923144427979_979820003
表示非私人电动汽车出行者；
Figure M_220923144428026_026685001
表示在u时刻下，
Figure M_220923144428073_073558002
类电动汽车出行者在用地性质
Figure M_220923144428122_122402003
内i点的
Figure M_220923144428153_153638004
类充电需求；
Figure M_220923144428200_200514001
表示在u时刻下，
Figure M_220923144428247_247413002
类电动汽车出行者在用地性质
Figure M_220923144428297_297650003
内i点的s类换电需求；
Figure M_220923144428391_391929001
表示g服务能力下换电站面积；
Figure M_220923144428454_454427002
表示m备选点在用地性质n上单位土地单价；
Figure M_220923144428504_504220001
表示g服务能力下，换电电池的数量；
Figure M_220923144428551_551106001
表示单个k类设施维护费用；
Figure M_220923144428597_597991001
表示g服务能力下s类设施建设与维护费用；
Figure M_220923144428644_644876001
表示k类型充电桩单价；
Figure M_220923144428693_693176001
表示换电电池单价；
Figure M_220923144428740_740547001
表示充换电设施运行年限；
Figure M_220923144428771_771829001
表示贴现率；
Figure M_220923144428818_818711002
表示运营成本与建设成本间折算系数；
Figure M_220923144428865_865548001
表示一年内天数；
Figure M_220923144428916_916348001
表示换电单位价格；
Figure M_220923144428978_978830001
表示在u时刻下的充电价格；
Figure M_220923144429291_291789001
表示单位距离消耗电量；
Figure M_220923144429339_339179001
表示单位距离电量成本；
Figure M_220923144429386_386066001
表示n区域i需求点
Figure M_220923144429432_432936002
类换电电动汽车车辆数；
Figure M_220923144429481_481249001
表示需求点i与备选点m的距离；
Figure M_220923144429528_528645001
表示出行者寻找换电站最大心理距离；
Figure M_220923144429575_575545001
表示电动汽车在市区内行驶平均速度；
Figure M_220923144429622_622407001
表示时间成本系数，取值依据城市发展水平；
Figure M_220923144429669_669287001
表示
Figure M_220923144429719_719085002
类型充电桩充电功率；
Figure M_220923144429750_750327001
表示设备故障的备用系数；
Figure M_220923144429797_797223001
表示分别为需求点
Figure M_220923144429859_859712002
，备选站
Figure M_220923144429892_892374003
的纵坐标；
Figure M_220923144429939_939788001
表示分别为需求点
Figure M_220923144429986_986648002
，备选站
Figure M_220923144430049_049191003
的横坐标；
Figure M_220923144430097_097476001
表示向上取整；
Figure M_220923144430128_128758001
表示非直线性系数；
Figure M_220923144430191_191257001
表示n区域i需求点
Figure M_220923144430238_238128002
类电动汽车车辆每天换电次数；
Figure M_220923144430286_286444001
表示k类型充电设施服务能力；
Figure M_220923144430334_334759001
表示g类换电站服务能力；
Figure M_220923144430382_382177001
表示换电站服务能力为g最大建设数量；
Figure M_220923144430429_429038001
表示换电站服务能力为g最小建设数量；
Figure M_220923144430475_475921001
表示整数变量，在j备选点建立k类充电设施数量；
Figure M_220923144430525_525724001
表示0-1变量，在m备选点是否建立g类换电站，0表示否，1表示是；
Figure M_220923144430572_572587001
表示需求点i中
Figure M_220923144430619_619450002
类需求被分配到j点的分配比例；
Figure M_220923144430666_666335001
表示需求点i中s类需求被分配到m点g类换电站的分配比例。
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：
构建充电需求不确定集
Figure M_220923144430714_714665001
；
Figure M_220923144430761_761523001
通过
Figure M_220923144430855_855319001
表示在u时刻下，
Figure M_220923144430907_907061002
类电动汽车出行者在用地性质
Figure M_220923144430953_953938003
内i点的
Figure M_220923144431000_000817004
类型的不确定充电需求，且
Figure M_220923144431063_063306005
，其中
Figure M_220923144431142_142926006
为u时刻下，
Figure M_220923144431189_189768007
类电动汽车出行者在用地性质
Figure M_220923144431236_236676008
内i点的
Figure M_220923144431284_284477009
类型的充电需求，
Figure M_220923144431331_331857010
为扰动量，
Figure M_220923144431378_378752011
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，
Figure M_220923144431425_425607012
为充电需求不确定集
Figure M_220923144431488_488366013
中任意
Figure M_220923144431536_536472014
类电动汽车出行者在用地性质
Figure M_220923144431583_583349015
内i点的
Figure M_220923144431630_630242016
类型的充电需求；
构建换电需求不确定集
Figure M_220923144431677_677068001
；
Figure M_220923144431725_725459001
；
通过
Figure M_220923144431803_803536001
表示在u时刻下，
Figure M_220923144431850_850413002
类电动汽车出行者在用地性质
Figure M_220923144431961_961777003
内i点的s类型的不确定换电需求，且
Figure M_220923144432008_008631004
，其中
Figure M_220923144432087_087684005
为u时刻下，
Figure M_220923144432134_134631006
类电动汽车出行者在用地性质
Figure M_220923144432181_181967007
内i点的
Figure M_220923144432228_228838008
类型的换电需求，
Figure M_220923144432275_275726009
为其扰动量，
Figure M_220923144432325_325501010
为换电需求不确定集
Figure M_220923144432388_388043011
中任意
Figure M_220923144432483_483692012
类电动汽车出行者在用地性质
Figure M_220923144432779_779166013
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：
Figure P_220923144432872_872919001
。
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。
2.根据权利要求1所述的方法，其特征在于，所述构建针对电动汽车的出行状态集合，包括：
将所述电动汽车一天内任意时刻的所述出行状态定义为
Figure M_220923144335852_852391001
，并将下一所述出行状态定义为
Figure M_220923144335941_941766002
，其中，w表征所述电动汽车的类别，当w=1时，表征私人电动汽车，w=2时，表征非私人电动汽车，所述
Figure M_220923144335988_988636003
仅与所述
Figure M_220923144336035_035498004
相关；
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。
3.根据权利要求2所述的方法，其特征在于，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：
根据所述电动汽车的电荷容量分别除以快速充电和慢速充电的功率，得到快速充电和慢速充电对应的充换电时长，其中，当所述出行状态为快速充电时，w类型车辆的所述充换电时长
Figure M_220923144336083_083789001
表示为：
Figure M_220923144336115_115572001
当所述出行状态为慢速充电时，w类型车辆的所述充换电时长
Figure M_220923144336256_256182001
表示为：
Figure M_220923144336571_571125001
当所述出行状态为换电时，w类型车辆的所述充换电时长
Figure M_220923144336618_618006001
表示为：
Figure M_220923144336649_649269001
其中，
Figure M_220923144336697_697574001
表示w类型下第k辆车的电池容量，
Figure M_220923144336728_728919002
表示慢速充电桩充电功率，
Figure M_220923144336775_775769003
表示快速充电桩充电功率；
根据所述充换电时长，确定选择与所述出行状态对应的所述出行决策的概率
Figure M_220923144336806_806972001
。
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；
基于所述第一分布函数和所述第二分布函数，构建所述状态转移概率函数，所述状态转移概率函数以
Figure M_220923144336919_919285001
表示，
Figure M_220923144336950_950516001
；
式中，
Figure M_220923144337156_156086001
表示w类别的所述电动汽车的所述概率的密度，
Figure M_220923144337187_187326002
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，
Figure M_220923144337218_218595003
表示w类别的所述电动汽车采取换电决策的所述概率，
Figure M_220923144337265_265527004
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，
Figure M_220923144337304_304513005
w类别的所述电动汽车采取慢速充电决策的所述概率；
根据所述电动汽车的当前荷电状态
Figure M_220923144337367_367065001
和不同所述出行决策下的荷电变化量，确定下一所述出行状态下所述电动汽车的荷电状态
Figure M_220923144337398_398263002
为：
Figure M_220923144337413_413907001
其中，
Figure M_220923144337544_544264001
表示百公里行驶耗电量，
Figure M_220923144337575_575524002
表示i状态到j状态之间的电动汽车行驶距离。
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：
针对不同类别的所述电动汽车的出行数据，将一天内出行时间离散化，分别统计各出行时段下出行目的地的用地性质，构建以所述电动汽车类型w，所述用地性质m，所述出行时段为n的出行目的地转移概率矩阵
Figure M_220923144337606_606763001
；
Figure M_220923144337669_669295001
式中，
Figure M_220923144337781_781088001
表示w类型车辆在t j-1 到t j 时间段内所述电动汽车的所述出行目的地的所述用地性质为i的概率；
通过充电功率、充换电等待时间和
Figure M_220923144337843_843592001
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
Figure M_220923144337874_874841002
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；
Figure P_220923144337912_912421001
式中，
Figure M_220923144338006_006190001
表示第k辆车在所述充换电等待时间下对应的充电功率，
Figure M_220923144338037_037468002
表示所述电动汽车的所述最大电池容量，取常数1，
Figure M_220923144338086_086456003
表示所述电动汽车k在tj时间段后的荷电状态，在所述换电需求下，所述
Figure M_220923144338119_119005004
为常数1；
累计计算K辆所述电动汽车在t j-1 到t j 时间段内总充电需求，得到总充电需求
Figure M_220923144338150_150247001
。
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：
第一目标函数：
Figure M_220923144338197_197148001
第二目标函数：
Figure M_220923144338243_243977001
第三目标函数：
Figure M_220923144338308_308437001
第四目标函数：
Figure M_220923144338402_402182001
第五目标函数：
Figure M_220923144338464_464678001
第六目标函数：
Figure M_220923144338577_577014001
第七目标函数：
Figure M_220923144338639_639492001
第一约束条件：
Figure M_220923144338755_755227001
第二约束条件：
Figure M_220923144338849_849430001
第三约束条件：
Figure M_220923144338924_924643001
第四约束条件：
Figure M_220923144338971_971509001
第五约束条件：
Figure M_220923144339018_018416001
第六约束条件：
Figure M_220923144339081_081833001
第七约束条件：
Figure M_220923144339113_113586001
第八约束条件：
Figure P_220923144339176_176116001
第九约束条件：
Figure P_220923144339292_292280001
第十约束条件：
Figure M_220923144339355_355304001
第十一约束条件：
Figure M_220923144339402_402201001
第十二约束条件：
Figure M_220923144339433_433431001
第十三约束条件：
Figure M_220923144339481_481749001
，
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
Figure M_220923144339560_560382001
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
Figure M_220923144339607_607264002
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；
式中，
Figure M_220923144339638_638527001
表示充换电需求点集合，
Figure M_220923144339669_669770002
；
Figure M_220923144339737_737626001
表示充电设施备选点集合，
Figure M_220923144340248_248361002
；
Figure M_220923144340281_281051001
表示换电站备选点集合，
Figure M_220923144340312_312819002
；
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；
Figure M_220923144340352_352385001
表示不同服务能力的换电站，g=1~4；S表示换电需求；
N表示各级用地性质集合,
Figure M_220923144340383_383644001
表示商业用地，
Figure M_220923144340414_414902002
表示居住用地，
Figure M_220923144340446_446137003
表示办公用地；
U表示将一天内时间进行离散化形成时间间隔，
Figure M_220923144340477_477369001
；
Figure M_220923144340528_528162001
表示不同类型电动汽车出行者，
Figure M_220923144340559_559408002
表示私人电动汽车出行者，
Figure M_220923144340590_590656003
表示非私人电动汽车出行者；
Figure M_220923144340637_637542001
表示在u时刻下，
Figure M_220923144340668_668761002
类电动汽车出行者在用地性质
Figure M_220923144340700_700052003
内i点的
Figure M_220923144340715_715662004
类充电需求；
Figure M_220923144340746_746914001
表示在u时刻下，
Figure M_220923144340778_778200002
类电动汽车出行者在用地性质
Figure M_220923144340809_809400003
内i点的s类换电需求；
Figure M_220923144340840_840654001
表示g服务能力下换电站面积；
Figure M_220923144340888_888301002
表示m备选点在用地性质n上单位土地单价；
Figure M_220923144340920_920726001
表示g服务能力下，换电电池的数量；
Figure M_220923144340951_951998001
表示单个k类设施维护费用；
Figure M_220923144340983_983251001
表示g服务能力下s类设施建设与维护费用；
Figure M_220923144341030_030118001
表示k类型充电桩单价；
Figure M_220923144341061_061356001
表示换电电池单价；
Figure M_220923144341095_095020001
表示充换电设施运行年限；
Figure M_220923144341126_126791001
表示贴现率；
Figure M_220923144341158_158037002
表示运营成本与建设成本间折算系数；
Figure M_220923144341189_189274001
表示一年内天数；
Figure M_220923144341220_220534001
表示换电单位价格；
Figure M_220923144341251_251810001
表示在u时刻下的充电价格；
Figure M_220923144341300_300618001
表示单位距离消耗电量；
Figure M_220923144341331_331865001
表示单位距离电量成本；
Figure M_220923144341363_363128001
表示n区域i需求点
Figure M_220923144341394_394374002
类换电电动汽车车辆数；
Figure M_220923144341409_409981001
表示需求点i与备选点m的距离；
Figure M_220923144341441_441234001
表示出行者寻找换电站最大心理距离；
Figure M_220923144341472_472481001
表示电动汽车在市区内行驶平均速度；
Figure M_220923144341509_509122001
表示时间成本系数，取值依据城市发展水平；
Figure M_220923144341556_556000001
表示
Figure M_220923144341587_587258002
类型充电桩充电功率；
Figure M_220923144341618_618524001
表示设备故障的备用系数；
Figure M_220923144341649_649761001
表示分别为需求点
Figure M_220923144341682_682414002
，备选站
Figure M_220923144341714_714193003
的纵坐标；
Figure M_220923144341761_761055001
表示分别为需求点
Figure M_220923144341792_792343002
，备选站
Figure M_220923144341823_823574003
的横坐标；
Figure M_220923144341854_854822001
表示向上取整；
Figure M_220923144341887_887982001
表示非直线性系数；
Figure M_220923144341919_919762001
表示n区域i需求点
Figure M_220923144341950_950998002
类电动汽车车辆每天换电次数；
Figure M_220923144341982_982269001
表示k类型充电设施服务能力；
Figure M_220923144342013_013509001
表示g类换电站服务能力；
Figure M_220923144342044_044748001
表示换电站服务能力为g最大建设数量；
Figure M_220923144342092_092574001
表示换电站服务能力为g最小建设数量；
Figure M_220923144342124_124371001
表示整数变量，在j备选点建立k类充电设施数量；
Figure M_220923144342171_171217001
表示0-1变量，在m备选点是否建立g类换电站，0表示否，1表示是；
Figure M_220923144342202_202471001
表示需求点i中
Figure M_220923144342233_233739002
类需求被分配到j点的分配比例；
Figure M_220923144342265_265009001
表示需求点i中s类需求被分配到m点g类换电站的分配比例。
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：
构建充电需求不确定集
Figure M_220923144342302_302128001
；
Figure M_220923144342333_333859001
通过
Figure M_220923144342427_427578001
表示在u时刻下，
Figure M_220923144342474_474472002
类电动汽车出行者在用地性质
Figure M_220923144342507_507161003
内i点的
Figure M_220923144342554_554037004
类型的不确定充电需求，且
Figure M_220923144342585_585291005
，其中
Figure M_220923144342647_647787006
为u时刻下，
Figure M_220923144342678_678573007
类电动汽车出行者在用地性质
Figure M_220923144342713_713220008
内i点的
Figure M_220923144342838_838235009
类型的充电需求，
Figure M_220923144342869_869475010
为扰动量，
Figure M_220923144342919_919753011
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，
Figure M_220923144342951_951046012
为充电需求不确定集
Figure M_220923144342982_982269013
中任意
Figure M_220923144343013_013539014
类电动汽车出行者在用地性质
Figure M_220923144343044_044836015
内i点的
Figure M_220923144343094_094533016
类型的充电需求；
构建换电需求不确定集
Figure M_220923144343126_126290001
；
Figure M_220923144343157_157579001
；
通过
Figure M_220923144343220_220056001
表示在u时刻下，
Figure M_220923144343315_315743002
类电动汽车出行者在用地性质
Figure M_220923144343425_425119003
内i点的s类型的不确定换电需求，且
Figure M_220923144343781_781096004
，其中
Figure M_220923144343843_843582005
为u时刻下，
Figure M_220923144343874_874861006
类电动汽车出行者在用地性质
Figure M_220923144343910_910986007
内i点的
Figure M_220923144343942_942221008
类型的换电需求，
Figure M_220923144343973_973469009
为其扰动量，
Figure M_220923144344004_004741010
为换电需求不确定集
Figure M_220923144344036_036011011
中任意
Figure M_220923144344067_067219012
类电动汽车出行者在用地性质
Figure M_220923144344102_102381013
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：
Figure P_220923144344133_133624001
。
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。
CN202211237384.XA 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 Active CN115330267B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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