CN115392569A - 一种电动汽车充电站选址定容方法及系统 - Google Patents

Abstract

本发明公开了一种电动汽车充电站选址定容方法及系统，方法包括如下步骤，步骤1：分析规划区域内电动汽车的出行情况，采用蒙特卡洛仿真获得电动汽车充电负荷数据作为样本数据集；步骤2：根据充电负荷样本数据集，使用优化后的随机森林回归模型对电动汽车充电负荷进行预测；步骤3：根据预测结果得到该区域的电动汽车充电负荷分布，采用加权K‑Means聚类算法求解出最优的电动汽车充电站选址定容方案。本发明的优点在于：通过对充电负荷的准确预测进而实现了充电站合理的选址定容，并且满足成本经济等要求，选址定容科学可靠。

Description

一种电动汽车充电站选址定容方法及系统

技术领域

本发明涉及电动汽车充电规划领域，特别涉及一种电动汽车充电站选址定容方法。

背景技术

21世纪以来，能源消耗问题日益凸显，发展以清洁能源为动力的电动汽车成为了解决能源消耗问题的有效途径。随着电动汽车保有量的爆发式增长，考虑到大规模电动汽车接入电网给电网带来的冲击，因此对大规模电动汽车的充电负荷进行预测，电动汽车充电负荷预测将为电动汽车额定续航里程设计、充电设施规划提供重要依据，对推动电动汽车产业发展具有重要意义。现阶段我国电动汽车产业发展存在的一个典型问题，电动汽车与充电基础设施发展不协调，充电站等配套设施建设的不完善或者不合理严重阻碍到电动汽车的发展，多数地区呈现出电动汽车充电难的问题。在电动汽车行业发展过程中，注重车而不注重充电基础设施建设的问题普遍存在，有车无桩和有桩无车的现象并存。

为了解决电动汽车与充电基础设施发展不协调，充电站等配套设施建设的不完善或者不合理问题，电动汽车充电站的选址问题，正逐步成为科学研究的重点及热点问题。科学合理的选址模型能够较为有效地指导充电站的规划与建设，而充电站的合理建设既能够提高充电站本身的运营效率及服务质量，为电动汽车用户的出行提供便利，还能够减少不必要的浪费，进而带来巨大的经济效益。由于电动汽车的充电负荷预测既关系到充电站的规划合理与否又影响到充电站的建设成本。如何对电动汽车负荷的精确预测，进而实现充电站合理的选址定容以及电动汽车充电的便利性、经济性成为亟待解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种电动汽车充电站选址定容方法，用于实现对区域内电动汽车充电站进行选择定容以满足最优的问题。

为了实现上述目的，本发明采用的技术方案为：一种电动汽车充电站选址定容方法，包括如下步骤，

步骤1：分析规划区域内电动汽车的出行情况，采用蒙特卡洛仿真获得电动汽车充电负荷数据作为样本数据集；

步骤2：根据充电负荷样本数据集，使用优化后的随机森林回归模型对电动汽车充电负荷进行预测；

步骤3：根据预测结果得到该区域的电动汽车充电负荷分布，采用加权 K-Means聚类算法求解出最优的电动汽车充电站选址定容方案。

步骤1中，将充电站待选址定容的区域划分为住宅区、工作区和商业区，根据住宅区规模分配其电动汽车保有量，并假设一天内电动汽车初始位置和最终到达都属于住宅区；整个区域内，电动汽车可在3个地块之间行驶；通过构建电动汽车出行链模拟电动汽车的出行，根据概率密度分布函数随机抽取出行链，得到电动汽车的出行轨迹，确定行驶路线后，当车辆到达某一功能用地j 时，根据电池的荷电状态和停车时间，判断是否需要充电，当决定充电，根据抽取充电开始的荷电状态和剩余电量计算充电时间长度，则第n辆电动汽车到达目的地j，在t时段的充电的概率为

F_tjn＝F_sc(T_js≤t,T_js+T_jc≥t)+F_sc(T_js≥t,T_js+T_jc-24≥t)

式中：F_tjn为到达目的地j第_n辆车t时段的充电概率；F_sc为充电开始时间和充电时间长度的联合概率分布函数；T_js为到达目的地j充电开始时间；T_jc为到达目的地j充电时间长度；由此，可得到第_n辆电动汽车到达目的地j的充电负荷概率分布，将t时段到达目的地j每一辆车的充电负荷进行累加，得到t时段目的地j的电动汽车充电负荷为

式中：P_tjn为t时段目的地j充电负荷；N为t时段不同场所的充电车辆数；最后对一天中不同时段的充电负荷进行计算，得到不同功能用地一日整体充电负荷。

将蒙特卡洛仿真提取的充电负荷数据分为训练数据集和测试数据集，从训练数据集中利用bootstrap方法抽取样本进行随机森林模型训练，从不同方面划分数据集的特征属性，实现随机森林的建立，构建电动汽车充电负荷随机森林回归预测模型；最后使用麻雀搜索算法对随机森林回归模型的决策树数目和分裂节点数进行优化和调整，将优化后的随机森林回归模型进行电动汽车充电负荷预测。

根据预测结果得到该区域的电动汽车充电负荷分布，根据电动汽车充电负荷的分布情况设置权重并计算权重大小，形成一个待聚类的电动汽车充电负荷数据点集；以充电站年综合成本为目标函数建立充电站选址定容模型；然后将充电站服务范围、容量和数量作为约束条件，对规划区域内充电负荷分布进行加权K-Means聚类，并基于不同的聚类结果通过计算轮廓系数选取最优的电动汽车充电站选址定容方案。

目标函数为：min C＝C₁+C₂+C₃

式中：C为充电站年综合成本；C₁为充电站年建设成本；C₂为充电站年平均运行维护成本；C₃为用户充电的时间成本；

其中C₁的计算公式如下：

式中：m为充电站折旧年限；r₀为充电站平均折旧率；C_kb为充电站k购置变压器以及其他设备的费用；A_k为充电站k的用地面积；C_L为用地面积的单价；n_k为充电站k的充电桩数量；C_m为充电桩的单价；

其中C₂的计算公式如下：

式中：T_e为充电站每天平均有效工作时间；α为折算至单台充电桩的线路损耗；β为折算至单台充电桩的充电损耗；ε为员工工资以及设备运行维护等费用的折算系数；

其中C₃的计算公式如下：

式中：h为电动汽车每公里平均耗电量；C_h为电动汽车充电电价；k为充电站数量合集，q为充电负荷点数量合集，d_qk为充电负荷点q到充电站k的行驶距离； y_qk为从充电负荷点q处的电动汽车是否去充电站k充电的决策变量，且 y_qk∈{0,1}；p_q为充电负荷点q处的充电负荷。

结合综合成本目标函数，使用加权K-Means聚类算法求解出充电站选址定容方案，分别计算多个满足约束条件的充电站选址定容方案对应的综合成本值和轮廓系数，选取轮廓系数接近1以及综合成本最小的选址定容方案为最优值。

使用加权K-Means聚类算法求解出充电站选址定容方案包括：

(1)首先在q个初始负荷点(x₁,x₂,…,x_q)中随机选择一个负荷点作为第一个充电站的初始位置，再选择距离该点最远的那个点作为第二个充电站的初始位置，其次选择距离前两个点最远的点作为第三个充电站的初始位置，以此类推，直至选出k个负荷点(m₁,m₂,…,m_k)作为k个充电站的初始位置；

(2)依次计算剩余所有负荷点到每个的充电站之间的加权欧式距离

(3)计算出x_y到m_r的最小加权距离，将x_y分配到m_r的服务范围；

(4)根据划分后各充电站的服务范围，计算新的聚类中心

(5)重复步骤(2)到(4)，直到m_r不再变化为止；

(6)选取不同k值会得到多组聚类结果，结合充电站的位置和服务范围对充电站分配容量，最终得到多组充电站选址定容方案。

轮廓系数计算公式：

式中：a_i为群簇的内聚度，表示样本i到同簇其它样本的平均距离；b_i为群簇的分离度，表示计算样本i到其它簇c_j的所有样本的平均距离；a_i越小，表示样本i 越应该被聚类到该簇；b_i越大，表示样本i越不属于其它簇。

约束条件为：

1)充电站服务范围约束

约束相邻两个充电站之间的距离不大于充电站服务半径的两倍；

2)充电站容量约束

充电站容量应满足它服务范围内的充电负荷；

3)充电站数量约束

充电站的数量与总充电负荷以及充电站的建设成本有关，对充电站的数量进行约束。

一种电动汽车充电站选址定容系统，包括云平台，所述云平台包括：

输入模块：用于接收多辆电动汽车的充电负荷信息；

数据获取模块：基于蒙特卡洛仿真的获得该区域的充电负荷数据；

模型获取模块：用于获取基于加权K-Means聚类算法的选址定容模型；

计算模块：用于计算不同选址定容方案的地理位置、定容信息、综合成本以及轮廓系数；

输出模块：将所有方案进行对比，输出最优的电动汽车选址定容方案。

本发明的优点在于：通过对充电负荷的准确预测进而实现了充电站合理的选址定容，并且满足成本经济等要求，选址定容科学可靠。

附图说明

下面对本发明说明书各幅附图表达的内容及图中的标记作简要说明：

图1为本发明实施例提供的一种电动汽车充电站选址定容方法的流程示意图。

图2为本发明实施例提供的一种优化随机森林回归模型的充电负荷预测过程示意图。

图3为本发明实施例提供的加权K-Means聚类算法的求解过程示意图。

图4为本发明实施例提供的一种电动汽车充电站选址定容系统的结构框图。

图5为本发明实施例提供的一种电动汽车充电站选址定容系统的云平台的架构示意图。

具体实施方式

下面对照附图，通过对最优实施例的描述，对本发明的具体实施方式作进一步详细的说明。

本申请主要是针对一定区域内的电动汽车的选址定容做研究给出最优方案，对于电动汽车充电站的规划和设置都有参考意义，具体方案如下：

一种电动汽车充电站选址定容方法，包括如下步骤：

步骤1：分析规划区域内电动汽车的出行情况，采用蒙特卡洛仿真获得电动汽车充电负荷数据作为样本数据集；

步骤2：根据充电负荷样本数据集，使用优化后的随机森林回归模型对电动汽车充电负荷进行预测；

步骤3：根据预测结果得到该区域的电动汽车充电负荷分布，采用加权 K-Means聚类算法求解出最优的电动汽车充电站选址定容方案。

步骤4：建立一个电动汽车选址定容系统及云平台，输出最优的选址定容方案。

步骤1具体内容：以某规划区域为研究对象，将区域分为住宅区、工作区和商业区。按照住宅区规模分配其电动汽车保有量，并假设一天内电动汽车初始位置和最终到达都属于住宅区。整个区域内，电动汽车可在3个地块之间行驶。通过构建电动汽车出行链模拟电动汽车的出行，根据概率密度分布函数随机抽取出行链，得到电动汽车的出行轨迹，确定行驶路线后，当车辆到达某一功能用地j时，根据电池的荷电状态和停车时间，判断是否需要充电，当决定充电，根据抽取充电开始的荷电状态和剩余电量计算充电时间长度，则第n辆电动汽车到达目的地j，在t时段的充电的概率为

F_tjn＝F_sc(T_js≤t,T_js+T_jc≥t)+F_sc(T_js≥t,T_js+T_jc-24≥t)

式中：F_tjn为到达目的地j第_n辆车t时段的充电概率；F_sc为充电开始时间和充电时间长度的联合概率分布函数；T_js为到达目的地j充电开始时间；T_jc为到达目的地j充电时间长度。由此，可得到第_n辆电动汽车到达目的地j的充电负荷概率分布，将t时段到达目的地j每一辆车的充电负荷进行累加，得到t时段目的地j的电动汽车充电负荷为

式中：P_tjn为t时段目的地j充电负荷；N为t时段不同场所的充电车辆数；P_c为充电接口功率。最后对一天中不同时段的充电负荷进行计算，得到不同功能用地一日整体充电负荷。充电负荷指的是电量，也就是电动汽车充电用了多少电；因为可以通过随机抽取出行链模型使用蒙特卡洛仿真得到一天中不同时间不同地区的充电负荷多少，有了这些充电负荷的数据，将这些数据输入预测模型，预测模型输出的是后面一天的不同时间段不同地区的充电负荷，预测结果中含有不确定性，现实中电动汽车的充电也有随机性，因此进行预测。电动汽车在空间上具有移动性，移动过程的不确定性会对电动汽车充电负荷的时空分布产生影响，因此引入出行链描述电动汽车在空间上的转移。将整个区域划分为住宅区(H)、工作区(W)、商业区(E)。因此出行链可分为简单链“H-W/E-H”和复杂链“H-W/E-W/E-H”。电动汽车在一天的行驶中会在不同的地方充电，根据电动汽车的充电功率和充电时间可以计算出该地区该时间段的充电量为多少，这就是该地区该时间段的充电负荷分布。

步骤2具体内容：将蒙特卡洛仿真提取的充电负荷数据分为训练数据集和测试数据集，从训练数据集中利用bootstrap方法抽取样本进行随机森林模型训练，从不同方面划分数据集的特征属性，实现随机森林的建立，构建电动汽车充电负荷随机森林回归预测模型；最后使用麻雀搜索算法对随机森林回归模型的决策树数目和分裂节点数进行优化和调整，将优化后的随机森林回归模型进行电动汽车充电负荷预测。模型预测步骤如下：

1)数据预处理。将模型参数进行初始化处理。

2)初始化麻雀搜索算法的最大迭代次数，空间维度以及种群规模等参数，定义发现者所占种群比例为0.2，设置预警值和预警者数量。

3)定义适应度函数并计算个体适应度值。用种群中的每个个体代表算法中初始的决策树数目和分裂节点数,并利用初始决策树数目和分裂节点数进行随机森林回归模型训练，将预测输出值和实际输出值的误差绝对值求和作为适应度函数，适应度值越小表示误差越小。对适应度值进行排序，找到当前全局最优解并确定对应的位置。

适应度函数为：

式中：d_i为实际输出值；

为预测输出值。

4)进行麻雀位置的更新。在迭代过程中,将适应度值较好的个体作为发现者，发现者会在搜索过程中优先获取食物，并为整个种群提供觅食方向。

5)查看位置更新之后的个体适应度值，并与当前最优适应度值进行比较，达到最大迭代次数之后选择全局最优解；否则，再次进行迭代。

6)将蒙特卡洛仿真提取的充电负荷数据分为训练数据集和测试数据集，从训练数据集中采用bootstrap方法随机有放回从初始样本数据集中抽样，生出n个互不相同且相互独立的样本子集。

7)随机在所有的特征属性中随机抽取一部分特征作为每个节点的分裂特征值，计算每个特征的信息量，选择具有最优分裂能力的特征进行分裂，构建单棵回归决策树。

8)重复步骤6)、7)，建立多棵回归决策树，每棵回归决策树都一直分裂至叶子节点，回归决策树的分裂过程不需要剪枝，使每棵树最大程度地生长，形成森林。

9)将麻雀搜索算法输出的最优解代入随机森林回归模型进行训练，对所有回归决策树的预测结果取平均值得到最终预测结果。

步骤3具体内容：根据预测结果得到该区域的电动汽车充电负荷分布，根据电动汽车充电负荷的分布情况设置权重并计算权重大小，形成一个待聚类的电动汽车充电负荷数据点集；一个区域的充电负荷数据很大，权重相当于一个等比例放缩，可以将充电负荷数据变小，这些负荷数据就变成有权重的一个充电数据，每块区域都有充电数据，为了方便，所有的充电数据的在该区域的分布都在该区域的同一个点上，这个点表示这整块区域的所有充电负荷，每个区域都有一个点，所有区域的点在一起就组成了数据点集。权重的设置也是为了后面的加权K-Means聚类算法，只有具有权重的点才能用这个算法。

以充电站年综合成本为目标函数建立充电站选址定容模型；然后将充电站服务范围、容量和数量作为约束条件，对规划区域内充电负荷分布进行加权 K-Means聚类，并基于不同的聚类结果通过计算轮廓系数选取最优的电动汽车充电站选址定容方案。

权重ω表达式如下：

式中：θ为某区域的充电负荷；P_total为总充电负荷；4500为凑整系数。

目标函数具体为：

min C＝C₁+C₂+C₃

式中：C为充电站年综合成本；C₁为充电站年建设成本；C₂为充电站年平均运行维护成本；C₃为用户充电的时间成本。

其中C₁的计算公式如下：

式中：m为充电站折旧年限；r₀为充电站平均折旧率；C_kb为充电站k购置变压器以及其他设备的费用；A_k为充电站k的用地面积；C_L为用地面积的单价；n_k为充电站k的充电桩数量；C_m为充电桩的单价。

其中C₂的计算公式如下：

式中：T_e为充电站每天平均有效工作时间；α为折算至单台充电桩的线路损耗；β为折算至单台充电桩的充电损耗；ε为员工工资以及设备运行维护等费用的折算系数。

其中C₃的计算公式如下：

式中：h为电动汽车每公里平均耗电量；C_h为电动汽车充电电价；k为充电站数量合集，q为充电负荷点数量合集，d_qk为充电负荷点q到充电站k的行驶距离； y_qk为从充电负荷点q处的电动汽车是否去充电站k充电的决策变量，且 y_qk∈{0,1}；p_q为充电负荷点q处的充电负荷；

约束条件具体为：

1)充电站服务范围约束

为保证充电范围最大程度的覆盖，减小用户的时间成本，约束相邻两个充电站之间的距离不大于充电站服务半径的两倍。

r_k≤S≤2r_k

式中：S为相邻两个充电站之间的距离；r_k为充电站k的服务半径。

2)充电站容量约束

充电站容量应满足它服务范围内的充电负荷,即

P_k≤T_d·p·n_k

式中：P_k为充电站k的充电负荷；T_d为充电桩平均工作时间；p为充电桩功率； n_k为充电站k内充电桩的数量；

3)充电站数量约束

充电站的数量与总充电负荷以及充电站的建设成本有关。因此对充电站的数量进行约束。

N_min≤N≤N_max

式中：P_total为规划区域总充电负荷；N为充电站的建设数量；N_min为充电站的最小建设数量；N_max为充电站的最大建设数量；n_min为单个充电站内充电桩的最小数量；n_max为单个充电站内充电桩的最大数。

结合综合成本目标函数，使用加权K-Means聚类算法求解出充电站选址定容方案，分别计算多个满足约束条件的充电站选址定容方案对应的综合成本值和轮廓系数，选取轮廓系数接近1以及综合成本最小的选址定容方案为最优值。轮廓系数计算公式：

式中：a_i为群簇的内聚度，表示样本i到同簇其它样本的平均距离；b_i为群簇的分离度，表示计算样本i到其它簇c_j的所有样本的平均距离；a_i越小，表示样本i 越应该被聚类到该簇；b_i越大，表示样本i越不属于其它簇。

在本申请中轮廓系数计算公式：

式中：a_q为充电站内充电负荷内聚度，表示充电负荷q到所属充电站其他充电负荷的平均距离；b_q为充电站内充电负荷分离度，表示充电负荷q到除所属充电站以外所有充电站内的充电负荷的平均距离；

步骤4具体内容：建立一个电动汽车选址定容系统，该系统包括云平台和多辆电动汽车，云平台分别与多辆电动汽车通信连接，云平台包括

输入模块：用于接收多辆电动汽车的充电负荷信息；

数据获取模块：基于蒙特卡洛仿真的获得该区域的充电负荷数据；

模型获取模块：用于获取基于加权K-Means聚类算法的选址定容模型；

计算模块：用于计算不同选址定容方案的地理位置，定容信息，综合成本以及轮廓系数；

输出模块：将所有方案进行对比，输出最优的电动汽车选址定容方案。

云平台还包括处理器、机器可读存储介质，所述机器可读存储介质和所述处理器连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现上述的方法。

图1为本发明实施例提供的一种电动汽车充电站选址定容方法的流程示意图。首先以规划区域内电动汽车为研究对象，考虑电动汽车的出行链、电池荷电状态和充电时间并采用蒙特卡洛仿真获得电动汽车充电负荷数据作为样本数据集；然后将蒙特卡洛仿真提取的充电负荷数据分为训练数据集和测试数据集，用训练数据集进行随机森林回归模型训练，并使用麻雀搜索算法对随机森林回归模型进行优化，将优化后的随机森林回归模型进行电动汽车充电负荷预测；其次以充电站年综合成本为目标函数，将充电站服务范围、容量和数量作为约束条件建立充电站选址定容模型；最后根据预测模型的预测结果得到规划区域的电动汽车充电负荷分布使用加权K-Means聚类算法求解电动汽车选址定容模型，并基于不同的聚类结果通过计算轮廓系数选取最优的电动汽车充电站选址定容方案。

图2为本发明实施例提供的一种优化随机森林回归模型的充电负荷预测过程示意图。

随机森林回归模型是以回归决策树为基学习器的集成学习模型,其核心思想是将多个性能较弱的回归决策树经过一定规则组合成一片森林，获得比单个回归决策树更显著的泛化性能和准确性。随机森林通过随机选择样本和特征，降低回归决策树之间的相关性。首先，随机在原始训练数据中有放回地选取等量的数据作为训练样本，其次，在建立回归决策树时，随机地选取一部分特征建立回归决策树。这两种随机使各个回归决策树之间的相关性小，从而减少了回归决策树本身发生过拟合时可能带来的误差，进一步提高模型的准确性。在进行预测时，将需要预测的数据特征输入模型，每一棵回归决策树将生成独立的预测结果，而整个随机森林将以其中包含的所有回归决策树的结果平均值作为最终的预测结果。随机森林回归模型中回归决策树数量和分裂节点数会影响模型性能。回归决策树数量决定预测模型的泛化能力，单棵回归决策树的分裂节点数量影响模型的预测精确度。为了确保预测算法的准确性，避免过拟合的发生，提出使用麻雀搜索算法通过迭代寻优的方式来优化随机森林回归模型中决策树数量和分裂节点数两个参数；然后使用优化后的随机森林回归模型对电动汽车充电负荷进行预测。

图3为本发明实施例提供的加权K-Means聚类算法的求解过程示意图。

(1)首先在q个初始负荷点(x₁,x₂,…,x_q)中随机选择一个负荷点作为第一个充电站的初始位置，再选择距离该点最远的那个点作为第二个充电站的初始位置，其次选择距离前两个点最远的点作为第三个充电站的初始位置，以此类推，直至选出k个负荷点(m₁,m₂,…,m_k)作为k个充电站的初始位置。

(2)依次计算剩余所有负荷点到每个的充电站之间的加权欧式距离

(3)计算出x_y到m_r的最小加权距离，将x_y分配到m_r的服务范围。

(4)根据划分后各充电站的服务范围，计算新的聚类中心

(5)重复步骤(2)到(4)，直到m_r不再变化为止。

(6)选取不同k值会得到多组聚类结果，结合充电站的位置和服务范围对充电站分配容量，最终得到多组充电站选址定容方案。

(7)分别计算出每组充电站选址定容方案的综合成本和轮廓系数，选取轮廓系数接近1以及综合成本最小的选址定容方案为最优值。

图4为本发明实施例提供的一种电动汽车充电站选址定容系统的结构框图。该系统包括云平台和多辆电动汽车，云平台分别与多辆电动汽车通信连接以获取电动汽车的充电负荷数据。

图5为本发明实施例提供的一种电动汽车充电站选址定容系统的云平台的架构示意图，云平台包括输入模块：用于接收多辆电动汽车的充电负荷信息；数据获取模块：基于蒙特卡洛仿真的获得该区域的充电负荷数据；模型获取模块：用于获取基于加权K-Means聚类算法的选址定容模型；计算模块：用于计算不同选址定容方案的地理位置，定容信息，综合成本以及轮廓系数；输出模块：将所有方案进行对比，输出最优的电动汽车选址定容方案。云平台还包括处理器、机器可读存储介质。处理器可以处理与服务请求相关的信息和/或数据以执行本发明中描述的一个或多个功能。在一些实施例中，处理器可以包括一个或多个处理引擎(例如，单核处理器或多核处理器)。机器可读存储介质可以存储获得的数据或资料。机器可读存储介质可以存储供所述云平台执行或使用的数据和/或指令，可以通过执行或使用所述数据和/或指令以实现本发明的发法。机器可读存储介质可以包括大容量存储器、可以移动存储器、挥发性读写内存、只读存储器ROM等或类似或上述举例的任意组合。

本发明提供了一种电动汽车充电站选址定容方法及系统。将电动汽车充电负荷预测与充电站选址定容相结合，根据规划区域内充电负荷预测结果分析充电负荷分布特性，以充电站综合成本最小为目标，考虑充电站的数量、服务半径和充电功率构建充电站选址定容模型，并构建了一个选址定容系统，分别计算出每组充电站选址定容方案的综合成本和轮廓系数并进行对比，输出轮廓系数接近1以及综合成本最小的选址定容方案。本发明不仅保证满足规划区域内电动汽车的充电需求，并且能够减少充电站的综合成本，使规划结果更加科学合理。

显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，均在本发明的保护范围之内。

Claims (10)

1.一种电动汽车充电站选址定容方法，其特征在于：包括如下步骤，

步骤1：分析规划区域内电动汽车的出行情况，采用蒙特卡洛仿真获得电动汽车充电负荷数据作为样本数据集；

步骤2：根据充电负荷样本数据集，使用优化后的随机森林回归模型对电动汽车充电负荷进行预测；

步骤3：根据预测结果得到该区域的电动汽车充电负荷分布，采用加权K-Means聚类算法求解出最优的电动汽车充电站选址定容方案。

2.如权利要求1所述的一种电动汽车充电站选址定容方法，其特征在于：步骤1中，将充电站待选址定容的区域划分为住宅区、工作区和商业区，根据住宅区规模分配其电动汽车保有量，并假设一天内电动汽车初始位置和最终到达都属于住宅区；整个区域内，电动汽车可在3个地块之间行驶；通过构建电动汽车出行链模拟电动汽车的出行，根据概率密度分布函数随机抽取出行链，得到电动汽车的出行轨迹，确定行驶路线后，当车辆到达某一功能用地j时，根据电池的荷电状态和停车时间，判断是否需要充电，当决定充电，根据抽取充电开始的荷电状态和剩余电量计算充电时间长度，则第n辆电动汽车到达目的地j，在t时段的充电的概率为

F_tjn＝F_sc(T_js≤t,T_js+T_jc≥t)+F_sc(T_js≥t,T_js+T_jc-24≥t)

式中：F_tjn为到达目的地j第n辆车t时段的充电概率；F_sc为充电开始时间和充电时间长度的联合概率分布函数；T_js为到达目的地j充电开始时间；T_jc为到达目的地j充电时间长度；由此，可得到第n辆电动汽车到达目的地j的充电负荷概率分布，将t时段到达目的地j每一辆车的充电负荷进行累加，得到t时段目的地j的电动汽车充电负荷为

式中：P_tjn为t时段目的地j充电负荷；N为t时段不同场所的充电车辆数；最后对一天中不同时段的充电负荷进行计算，得到不同功能用地一日整体充电负荷。

3.如权利要求1所述的一种电动汽车充电站选址定容方法，其特征在于：将蒙特卡洛仿真提取的充电负荷数据分为训练数据集和测试数据集，从训练数据集中利用bootstrap方法抽取样本进行随机森林模型训练，从不同方面划分数据集的特征属性，实现随机森林的建立，构建电动汽车充电负荷随机森林回归预测模型；最后使用麻雀搜索算法对随机森林回归模型的决策树数目和分裂节点数进行优化和调整，将优化后的随机森林回归模型进行电动汽车充电负荷预测。

4.如权利要求3所述的一种电动汽车充电站选址定容方法，其特征在于：根据预测结果得到该区域的电动汽车充电负荷分布，根据电动汽车充电负荷的分布情况设置权重并计算权重大小，形成一个待聚类的电动汽车充电负荷数据点集；以充电站年综合成本为目标函数建立充电站选址定容模型；然后将充电站服务范围、容量和数量作为约束条件，对规划区域内充电负荷分布进行加权K-Means聚类，并基于不同的聚类结果通过计算轮廓系数选取最优的电动汽车充电站选址定容方案。

5.如权利要求4所述的一种电动汽车充电站选址定容方法，其特征在于：目标函数为：min C＝C₁+C₂+C₃

式中：C为充电站年综合成本；C₁为充电站年建设成本；C₂为充电站年平均运行维护成本；C₃为用户充电的时间成本；

其中C₁的计算公式如下：

式中：m为充电站折旧年限；r₀为充电站平均折旧率；C_kb为充电站k购置变压器以及其他设备的费用；A_k为充电站k的用地面积；C_L为用地面积的单价；n_k为充电站k的充电桩数量；C_m为充电桩的单价；

其中C₂的计算公式如下：

式中：T_e为充电站每天平均有效工作时间；α为折算至单台充电桩的线路损耗；β为折算至单台充电桩的充电损耗；ε为员工工资以及设备运行维护等费用的折算系数；

其中C₃的计算公式如下：

式中：h为电动汽车每公里平均耗电量；C_h为电动汽车充电电价；k为充电站数量合集，q为充电负荷点数量合集，d_qk为充电负荷点q到充电站k的行驶距离；y_qk为从充电负荷点q处的电动汽车是否去充电站k充电的决策变量，且y_qk∈{0,1}；p_q为充电负荷点q处的充电负荷。

6.如权利要求5所述的一种电动汽车充电站选址定容方法，其特征在于：结合综合成本目标函数，使用加权K-Means聚类算法求解出充电站选址定容方案，分别计算多个满足约束条件的充电站选址定容方案对应的综合成本值和轮廓系数，选取轮廓系数接近1以及综合成本最小的选址定容方案为最优值。

7.如权利要求6所述的一种电动汽车充电站选址定容方法，其特征在于：使用加权K-Means聚类算法求解出充电站选址定容方案包括：

(1)首先在q个初始负荷点(x₁,x₂,…,x_q)中随机选择一个负荷点作为第一个充电站的初始位置，再选择距离该点最远的那个点作为第二个充电站的初始位置，其次选择距离前两个点最远的点作为第三个充电站的初始位置，以此类推，直至选出k个负荷点(m₁,m₂,…,m_k)作为k个充电站的初始位置；

(2)依次计算剩余所有负荷点到每个的充电站之间的加权欧式距离

(3)计算出x_y到m_r的最小加权距离，将x_y分配到m_r的服务范围；

(4)根据划分后各充电站的服务范围，计算新的聚类中心

(5)重复步骤(2)到(4)，直到m_r不再变化为止；

(6)选取不同k值会得到多组聚类结果，结合充电站的位置和服务范围对充电站分配容量，最终得到多组充电站选址定容方案。

8.如权利要求6或7所述的一种电动汽车充电站选址定容方法，其特征在于：

轮廓系数计算公式：

式中：a_i为群簇的内聚度，表示样本i到同簇其它样本的平均距离；b_i为群簇的分离度，表示计算样本i到其它簇c_j的所有样本的平均距离；a_i越小，表示样本i越应该被聚类到该簇；b_i越大，表示样本i越不属于其它簇。

9.如权利要求6或7所述的一种电动汽车充电站选址定容方法，其特征在于：约束条件为：

1)充电站服务范围约束

约束相邻两个充电站之间的距离不大于充电站服务半径的两倍；

2)充电站容量约束

充电站容量应满足它服务范围内的充电负荷；

3)充电站数量约束

充电站的数量与总充电负荷以及充电站的建设成本有关，对充电站的数量进行约束。

10.一种电动汽车充电站选址定容系统，其特征在于：包括云平台，所述云平台包括：

输入模块：用于接收多辆电动汽车的充电负荷信息；

数据获取模块：基于蒙特卡洛仿真的获得该区域的充电负荷数据；

模型获取模块：用于获取基于加权K-Means聚类算法的选址定容模型；

计算模块：用于计算不同选址定容方案的地理位置、定容信息、综合成本以及轮廓系数；

输出模块：将所有方案进行对比，输出最优的电动汽车选址定容方案。

Images