CN115907227A - 一种高速公路固定与移动充电设施双层协同优化方法 - Google Patents

一种高速公路固定与移动充电设施双层协同优化方法 Download PDF

Info

Publication number
CN115907227A
CN115907227A CN202211726231.1A CN202211726231A CN115907227A CN 115907227 A CN115907227 A CN 115907227A CN 202211726231 A CN202211726231 A CN 202211726231A CN 115907227 A CN115907227 A CN 115907227A
Authority
CN
China
Prior art keywords
tmc
charging
model
optimization model
optimization
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
CN202211726231.1A
Other languages
English (en)
Other versions
CN115907227B (zh
Inventor
贾宏杰
何克成
穆云飞
余晓丹
董晓红
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202211726231.1A priority Critical patent/CN115907227B/zh
Publication of CN115907227A publication Critical patent/CN115907227A/zh
Application granted granted Critical
Publication of CN115907227B publication Critical patent/CN115907227B/zh
Priority to US18/391,662 priority patent/US12005802B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/64—Optimising energy costs, e.g. responding to electricity rates
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • 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"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2200/00—Type of vehicles
    • B60L2200/40—Working vehicles
    • B60L2200/44—Industrial trucks or floor conveyors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种高速公路固定与移动充电设施双层协同优化方法，方法包括：构建优化模型框架，所述优化模型框架包括：上层协同选址优化模型和下层协同容量优化模型；所述上层协同选址优化模型以优化充电站的位置，并确定部署TMC的充电需求的位置和时间；所述下层协同容量优化模型优化候选站点的TMC和FC的容量，提高FC的利用率；采用大M法将非线性问题进行等价线性化处理并转化为混合整数线性规划模型，采用目标级联分析实现上下两层之间的数据交换过程。本发明提升了高速公路充电设施的利用率，并增强充电设施的灵活性，可以有效获取TMC和FC的充电需求时空分布，完成充电设施的协同优化，为充电站运营商和电动汽车用户提供了新的选择。

Description

一种高速公路固定与移动充电设施双层协同优化方法
技术领域
本发明涉及充电设施优化技术领域，尤其涉及一种高速公路固定与移动充电设施双层协同优化方法，本发明增强了充电设施的灵活性，为充电站运营商和电动汽车用户提供了新的选择。
背景技术
随着电池技术的飞速发展，电动汽车(EV)已成为未来电气化和可持续交通的一个有前景的解决方案。据统计，2030年全球EV将达到2.5亿辆，其中中国预计将达到1亿辆[1]。但是，目前EV的发展仍然面临里程焦虑和充电设施可用性差的问题。EV用户在高速公路长途出行时的充电设施不足，而充电站运营商所建设的传统固定充电器(FC)的利用率又存在两极分化的现象，大量存在的“僵尸桩”进一步降低了FC的利用率和经济性，同时影响了EV用户的消费体验[2][3]。
高速公路充电设施优化的研究通常假设EV参数满足一定的概率统计特征，运用蒙特卡洛模拟(MCS)仿真单个EV负荷并累加得到总体的充电负荷，这类方法便于研究用户个体的充电行为。文献[4]提出一种基于动态交通仿真的高速公路电动汽车充电站优化方法。文献[5][6]通过对单车交通选择行为的模拟建立了高速公路充电负荷时空分布模型，文献[6][7]基于M/M/c排队理论以充电峰值时段用户的最大到达率确定FC的容量，所得优化结果充电桩的利用率较低。此外，以上研究都没有涉及卡车式移动充电器(TMC)。
TMC作为一种新型充电方式，相对于FC其时空灵活性更强，且更易于扩展。TMC的工作原理类似于充电宝，与小容量便携式移动充电器(PC)不同，TMC的容量更大，一般用于响应过载的FC，或设置临时充电地点等。在TMC的研究方面，少数学者关注了TMC与FC的优化和运行问题，但是很少涉及高速公路充电场景。文献[8]采用用户均衡模型和流量加油位置模型刻画城市交通拥堵对EV路径选择的影响，并求解了TMC的选址优化问题。文献[9]在给定城市住宅区和商业区FC的位置和容量的情况下对TMC的容量进行优化，且作者直接给定了FC和TMC的充电需求。文献[10]将充电需求建模为均匀分布，利用不动点定理求解了TMC与FC的协同优化问题。然而，高速公路充电负荷具有典型的潮汐特性，传统的FC优化研究可能造成低利用率，而现有的TMC研究往往基于给定的FC优化结果而单独优化TMC[11]。
参考文献
[1]IEA.Global EV outlook 2022[EB/OL].[2022-06-29].https：
//www.iea.org/reports/global-ev-outlook-2022.
[2]2022年中国主要城市充电基础设施监测报告[EB/OL].[2022-06-20].
https://www.caupd.com,Accessed on Jun.20,2022.
[3]Yi T,Zhang C,Lin T,et al.Research on the spatial-temporaldistribution of electricvehicle charging load demand:A case study in China[J].Journal of Cleaner Production,2020,242:118457.
[4]葛少云,朱林伟,刘洪,等.基于动态交通仿真的高速公路电动汽车充电站规划[J].电工技术学报,2018,33(13):11.
[5]Xie R,Wei W,Khodayar ME et al.Planning fully renewable poweredcharging stations onhighways:a data driven robust optimization approach.IEEETransactions on TransportationElectrification,2018,:817-830.
[6]穆云飞,贾宏杰,董晓红,等.高速公路电动汽车快速充电站的规划方法,中国授权发明专利，CN105160428B，授权日：2018.04.06.
[7]Yao W,Zhao J,Wen F,et al.A Multi-Objective Collaborative PlanningStrategy forIntegrated Power Distribution and Electric Vehicle ChargingSystems[J].IEEE Transactions onPower Systems,2014,29(4):1811-1821.
[8]Wang F,Chen R,Miao L,et al.Location Optimization of ElectricVehicle MobileCharging Stations Considering Multi-Period Stochastic UserEquilibrium[J].Sustainability,2019,11,5841
[9]Hayajneh H S,Zhang X.Logistics Design for Mobile Battery EnergyStorageSystems[J].Energies,2020,13(5):1157.
[10]Cw A,Xi L B,Fang H A,et al.Hybrid of fixed and mobile chargingsystems forelectric vehicles:System design and analysis[J].TransportationResearch Part C:EmergingTechnologies,2021,126:103068.
[11]Peng T A,HB Fang,Xi L A,et al.Online-to-offline mobile chargingsystem forelectric vehicles:Strategic planning and online operation[J].Transportation Research Part D:Transport and Environment,2020,87:102522.
发明内容
本发明提供了一种高速公路固定与移动充电设施双层协同优化方法，本发明提升了高速公路充电设施的利用率，并增强充电设施的灵活性，可以有效获取TMC和FC的充电需求时空分布，完成充电设施的协同优化，为充电站运营商和电动汽车用户提供了新的选择，详见下文描述：
一种高速公路固定与移动充电设施双层协同优化方法，所述方法包括：
构建优化模型框架，所述优化模型框架包括：上层协同选址优化模型和下层协同容量优化模型；
所述上层协同选址优化模型以优化充电站的位置，并确定部署TMC的充电需求的位置和时间；
所述下层协同容量优化模型优化候选站点的TMC和FC的容量，提高FC的利用率；
采用大M法将非线性问题进行等价线性化处理并转化为混合整数线性规划模型，采用目标级联分析实现上下两层之间的数据交换过程。
其中，所述上层协同选址优化模型由EV模型、改进收入模型、TMC选址优化模型、FC选址优化模型和TMC仓库优化模型组成。
进一步地，所述下层模型由TMC容量优化模型和FC容量优化模型组成。
其中，所述EV模型为：
当满足如下收敛条件或达到最大仿真次数时仿真结束，得到了充电需求的时空分布：
Figure BDA0004030083770000031
式中：
Figure BDA0004030083770000032
是高速路网各路段的充电需求；M和ε1为常数。
进一步地，所述改进收入模型为：TMC或FC充电的概率分别如下所示：
Figure BDA0004030083770000033
Figure BDA0004030083770000034
式中：
Figure BDA0004030083770000035
和
Figure BDA0004030083770000036
分别为用户i在节点z选择TMC或FC充电时的成本。
其中，所述TMC选址优化模型为：
Figure BDA0004030083770000037
Figure BDA0004030083770000038
其中，
Figure BDA0004030083770000041
是t时刻在候选位置z选择TMC充电的EVs总数；
Figure BDA0004030083770000042
和
Figure BDA0004030083770000043
为TMC的开始和结束服务时间；
Figure BDA0004030083770000044
是功率加权系数；
利用率约束为：
Figure BDA0004030083770000045
其中，
Figure BDA0004030083770000046
为单位时间充电站z的利用率，由CCO模型确定，δ,υ为考虑TMC经济性的利用率下限。
其中，所述TMC仓库优化模型为：以建设和运营成本最小为依据优化TMC仓库的位置：
Figure BDA0004030083770000047
Figure BDA0004030083770000048
Figure BDA0004030083770000049
其中，向量xD由布尔变量组成，如果在位置y设置TMC仓库，则xy＝1，
Figure BDA00040300837700000410
否则xy＝0；r0为折现率；q为优化周期；向量
Figure BDA00040300837700000411
由布尔变量组成，表示站点z处的TMC是否被分配到仓库y；
Figure BDA00040300837700000412
是由当地可再生能源和配电网相关条件确定的容量约束。
本发明提供的技术方案的有益效果是：
1)本发明提出的优化方法，提高了固定充电设施的利用率和灵活性；
2)本发明可作为固定充电设施的有效补充，为充电站运营商和电动汽车用户提供了新的选择；
3)本发明为充电设施的快速扩展提供了一种新的解决方案，并有潜力进一步提升运营商的利润。
附图说明
图1为一种高速公路固定与移动充电设施双层协同优化方法的架构图；
图2为TMC的运行状态示意图；
图3为一种高速公路固定与移动充电设施双层协同优化方法的流程图；
图4为场景1和场景2的站址配置结果的示意图；
图5为各站点负荷的时-空分布的示意图；
其中，(a)为场景1的FC的示意图；(b)为场景1的TMC的示意图；(c)为场景2的FC的示意图；(d)为被排除的TMC的示意图。
图6为各站点EVs的时-空分布的示意图；
其中，(a)为场景1的FC的示意图；(b)为场景2的FC的示意图；(c)为场景1的TMC的示意图。
图7为场景1和场景2的容量配置结果的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
本发明实施例设计的优化模型框架包括：上层协同选址优化(CLO)模型和下层协同容量优化(CCO)模型，其中上层模型由EV模型、改进收入(IIA)模型、TMC选址优化模型、FC选址优化模型和TMC仓库选址优化模型组成；下层模型由TMC容量优化模型和FC容量优化模型组成，如图1所示。
根据不同类型EVs的用能特性获取其电量分布规律，根据历史交通数据获得EVs出行规律，得到路网的起讫点(OD)分布和EVs出发时刻的概率分布；进而采用OD分析和Floyd算法确定行程信息，结合MCS获取EVs的充电信息，得到充电需求的时-空分布。
用户的时间价值被用来估计其等待成本，引入价值驱动策略模拟用户选择TMC和FC的概率。此外，确定高强度充电需求的位置和持续时间，以确定TMC的部署位置和服务时间。
更新充电需求的时空分布
Figure BDA0004030083770000051
并优化FC和TMC仓库的选址。以最小化充电站数量优化FC的选址，以建设和运营成本最小优化TMC仓库的选址。
以繁忙时段的平均负荷优化每个候选站址的TMC/FC数量
Figure BDA0004030083770000052
和TMC的电池容量
Figure BDA0004030083770000053
同时，以峰值充电负荷作为服务质量的约束条件：
Wqzm＝Lqzm/λzm≤Wqmax (1)
式中：λzm,Lqzm和Wqzm分别是峰值时段的到达率，队长和排队时间，Wqmax是EV用户可接受的最长排队时间。
每个站点的TMC利用率
Figure BDA0004030083770000061
需要满足一定的利用率约束，进而更新TMC的选址
Figure BDA0004030083770000062
将每个站点的平均排队时间
Figure BDA0004030083770000063
代入IIA模型，以生成TMC和FC的充电需求分布。
Figure BDA0004030083770000064
式中：
Figure BDA0004030083770000065
是由CCO模型确定的TMC单位时间利用率；
Figure BDA0004030083770000066
和
Figure BDA0004030083770000067
为TMCz充电服务的开始和结束时间；δ,υ为TMC的利用率下限，
Figure BDA0004030083770000068
为TMC候选站址的集合。
基于目标级联分析技术(ATC)，每个候选站址的TMC充电负荷
Figure BDA0004030083770000069
在双层优化模型的上层和下层之间进行交换，直至满足收敛判据：
Figure BDA00040300837700000610
式中：
Figure BDA00040300837700000611
和
Figure BDA00040300837700000612
是第k次迭代后，每个TMC候选站址在时刻t的负荷；ε2是收敛系数；
Figure BDA00040300837700000613
是TMC的位置集合。
本发明实施例提出一种高速公路固定与移动充电设施的双层协同优化方法以提升充电的灵活性。上层开发的CLO模型以优化充电站的位置，并确定部署TMC的高强度充电需求的位置和时间。进而，在下层制定CCO模型优化候选站点的TMC和FC的容量，以提高FC的利用率。在CLO模型中，采用OD分析、Floyd算法和蒙特卡洛模拟(MCS)生成基于历史数据的充电需求的时-空分布。本发明实施例开发了IIA模型以很好地捕获EV用户充电行为的异质性。EV用户的等待成本由其时间价值(VOT)估计，这有助于在TMC和FC之间做出更好的选择。为了求解双层优化模型，采用大M法将非线性问题进行等价线性化处理并转化为混合整数线性规划(MILP)模型。同时，采用目标级联分析(ATC)技术来实现上下两层之间的数据交换过程。
一、协同选址优化模型
(1)EVs模型
根据四类EVs的用能特性得到其电池容量分布。根据当地的交通统计数据得到EVs出发时刻ts的分布，其他相关参数满足表1所示的截断正态分布。进而可以得到电动汽车充电前的行驶距离ranac和最大剩余里程ransc。
表1EVs的行程参数分布
Figure BDA0004030083770000071
其中，socsi为EVi进入高速路网时的电池荷电状态(SOC)；socci为用户认为需要充电时的SOC；dri为离开高速路网后的剩余行程。
此外，由OD分析得到EV在高速路网的起-终点，由Floyd算法得到EV的行驶路径。如果电动汽车i在途中需要充电，根据SOC数据和剩余行程，采用MCS生成充电信息矩阵L，其包括：虚拟充电点(loci)和充电后的SOC(soci)，考虑到实际中用户行程时间、电池寿命等因素，EVs的目标充电量以满足行程需求即可，即soci一般不大于0.8，进而生成到达时间(τi)、充电容量(mci)和充电时间(si)。根据大数定律，当满足式(4)收敛条件或达到最大仿真次数(J)时仿真结束，得到了充电需求的时空分布。
Figure BDA0004030083770000072
式中：
Figure BDA0004030083770000073
是高速路网各路段的充电需求；M和ε1为常数。
(2)IIA模型
对EVs的每个充电请求，协同充电设施提供两种选择：TMC或FC充电，二者均在候选充电站内提供充电服务。用户i在节点z的不同充电模式下的充电成本分别如式(5)和式(6)所示：
Figure BDA0004030083770000074
Figure BDA0004030083770000075
上式的第一项为充电费用，第二项为时间成本。度电价格
Figure BDA0004030083770000076
且繁忙时段的平均排队时间
Figure BDA0004030083770000077
这体现了TMC和FC的成本及服务水平的差异。β表示考虑用户心理的时间价值增长系数，主要与累积充电等待时间有关；等待时间价值(VOTi)与用户i的收入呈强相关性，考虑到EV用户充电行为的异质性，根据出行调查数据拟合所在地区居民收入范围的分布。
VOTi＝INCi/Tm (7)
式中，INCi为通过收入分布函数得到的用户i的月收入，Ti为月平均工作时间。因此，用户i将衡量充电过程产生的效用，该效用包括“收益”(等待时间成本的节省)或“损失”(充电费用的增加)，根据随机效用最大化理论，其选择TMC或FC充电的概率分别为式(8)和式(9)所示。
Figure BDA0004030083770000081
Figure BDA0004030083770000082
(3)TMC模型
TMC由一定数量的充电桩和锂离子电池组组成，集成在卡车携带的集装箱中。它移动到预定的仓库，在能源需求低谷期间从当地的可再生能源和配电网充电；此外，每个TMC在预定的时间到达指定地点并提供充电服务。TMC仓库可以建设在其服务地点附近可再生能源富集的地区，例如：高速公路沿线的分布式光伏或风电厂附近(如图2所示)。因此，TMC模型确定了其充电服务的位置和时间段，以响应高强度的充电需求，并最小化其数量以节约投资成本。
构建充电点覆盖矩阵Γtmc，对每一个
Figure BDA0004030083770000083
(具有ptmc个元素的虚拟充电点集合
Figure BDA0004030083770000084
)，若用户i在满足行程约束和最大剩余里程ransc的条件下能够到达某个候选站址
Figure BDA0004030083770000085
(具有ctmc个元素的候选站址集合
Figure BDA0004030083770000086
根据地理条件预先确定)，则称z可以覆盖i：
Figure BDA0004030083770000087
构造由布尔变量组成的向量xtmc，如果在位置z配置TMC，则其元素xz＝1，
Figure BDA0004030083770000088
否则xz＝0。因此TMC的选址优化问题可以表述为：
Figure BDA0004030083770000089
Figure BDA00040300837700000810
Figure BDA00040300837700000811
Figure BDA00040300837700000812
其中，
Figure BDA0004030083770000091
是t时刻在候选位置z充电的EVs总数；
Figure BDA0004030083770000092
和
Figure BDA0004030083770000093
为TMC的开始和结束服务时间；
Figure BDA0004030083770000094
是功率加权系数。
约束(11b)确保所有充电需求都可以被满足，(11c)-(11d)确定高强度充电需求的持续时间。同时，为了确保TMC的经济性，需要满足一定的利用率约束。
Figure BDA0004030083770000095
其中，ρzt T为单位时间(1h)充电站z的利用率，由CCO模型确定，δ,υ为考虑TMC经济性的利用率下限。
(4)FC模型和TMC仓库模型
在上层的CLO模型中，高速路网的充电需求由EVs模型得到。TMC的服务地点和持续时间由IIA和TMC模型确定。同时，其余的充电需求将由FC提供服务。与TMC模型类似，本发明实施例设定充电点覆盖矩阵Γfc，并通过最小化候选站点的数量来优化FC的安装位置。
Figure BDA0004030083770000096
Figure BDA0004030083770000097
Figure BDA0004030083770000098
其中，向量xfc由布尔变量组成，如果在位置z配置FC，则xz＝1，
Figure BDA0004030083770000099
否则xz＝0；
Figure BDA00040300837700000910
分别是考虑其经济性和EV里程限制的站点距离约束。
在确定了所有的候选充电站位置后，同时得到了TMC和FC在每个站点的充电需求的时-空分布。此外，以建设和运营成本最小为依据优化TMC仓库的位置：
Figure BDA00040300837700000911
Figure BDA00040300837700000912
Figure BDA00040300837700000913
其中，向量xD由布尔变量组成，如果在位置y设置TMC仓库，则xy＝1，
Figure BDA00040300837700000914
否则xy＝0；r0为折现率；q为优化周期。向量
Figure BDA00040300837700000915
由布尔变量组成，表示站点z处的TMC是否被分配到仓库y；
Figure BDA00040300837700000916
是由当地可再生能源和配电网相关条件确定的容量约束。
式(14a)中的第一、第二和第三项分别代表TMC仓库的投资成本、固定运维成本和可变成本。式(14b)确保每个TMC只能被分配到一个仓库。式(14c)确保仓库的可用容量满足当地可再生能源和配电网容量要求。引入由布尔变量组成的向量x，采用大M方法对上述非线性约束进行等价线性化：
x＝xyxyz (15a)
x≤xy (15b)
x≤xyz (15c)
x≥xy+xyz-1 (15d)
其中，(15b)-(15d)为辅助约束。
二、协同容量优化模型
不同于文献[6][7]中由峰值负荷确定FC容量的方法，由于TMC分担了繁忙时段的部分负荷，本发明实施例根据繁忙时段的平均负荷确定TMC和FC的容量，并将充电峰值时段的负荷作为约束条件。根据CLO模型所得结果，下面以节点z处的充电站为例说明CCO模型的求解过程。
根据M/M/c/∞/∞排队论，EV用户以参数为λ的泊松流到达充电站z，充电时间满足参数为μ的负指数分布。假设用户i到达z的时刻为τi，繁忙时段的充电总人数为Nz，用户排队等待时间ωi如式(16)所示，平均到达率λz和平均服务率μz如式(17)-(18)所示：
Figure BDA0004030083770000101
Figure BDA0004030083770000102
Figure BDA0004030083770000103
式中，ti是用户相继到达的间隔时间。假设所有充电桩的额定功率相同，进而优化各TMC的充电桩数量及其电池容量：
min{Cs·ξz+VOT·Lsz} (19a)
s.t.Lsz＝Lqz+λz/μz (19b)
Figure BDA0004030083770000104
Figure BDA0004030083770000105
Wqzm＝Lqzm/λzm≤Wqmax (19e)
Figure BDA0004030083770000111
Figure BDA0004030083770000112
Figure BDA0004030083770000113
Figure BDA0004030083770000114
Figure BDA0004030083770000115
其中：Cs代表折算到单个充电桩的单位时间成本，Lsz是平均EVs数量，Lqz是站z的平均队长，ρz＝λz/(ξzμz)是平均利用率；P0z是状态概率，λzm,Lqzm和Wqzm分别是峰值时段的到达率，队长和排队时间，Wqmax是EVs的最大排队时间。m为成本类型，κ1,κ2,κ3分别为投资成本、固定成本和可变成本，r是单位时间的折现率，ζ为总时间范围。γ是考虑到往返效率和电池老化后的放电深度；ftmc和
Figure BDA0004030083770000116
分别为候选站以及TMC的总数；
Figure BDA0004030083770000117
为权重系数；
Figure BDA0004030083770000118
是充电C桩的成本；cbt是锂离子电池组的成本；
Figure BDA0004030083770000119
和
Figure BDA00040300837700001110
分别为折算到单个充电桩的卡车与集装箱成本、仓库成本、员工工资以及维护成本；
Figure BDA00040300837700001111
是电力成本；
Figure BDA00040300837700001112
是与能源损耗相对应的效率参数；D0是每年的运营天数；dyz是TMC z到仓库y的往返距离；
Figure BDA00040300837700001113
是TMC每公里的能耗；
Figure BDA00040300837700001114
是TMC仓库位置的集合。
式(19a)为服务成本和用户等待成本之和；式(19e)确保峰值时段的排队时间满足服务质量约束；摊销成本由式(19f)得到。进而，各FC的充电桩数量由以下优化模型确定：
min{Cs·ξz+VOT·Lsz} (20a)
s.t.(19b)-(19f) (20b)
Figure BDA00040300837700001115
Figure BDA00040300837700001116
Figure BDA00040300837700001117
Figure BDA00040300837700001118
Figure BDA00040300837700001119
式中：
Figure BDA0004030083770000121
是由配电网相关约束确定的FC功率/容量上限；cis,z为安装成本，ces,z为建设成本。式(20c)-(20d)确保峰值充电功率和可用容量满足配电网约束条件，若不满足时电网运营商需要对配电网进行相应扩展改造。由于TMC减轻了繁忙时段对电网的压力，且其部署独立于电网，因此有利于提高电力系统的灵活性并降低扩容改造成本。2020年锂离子电池的价格已降至140美元/千瓦时，并且正在加速下降。考虑到TMC移动性的技术要求比FC更加严格，这使得
Figure BDA0004030083770000122
和
Figure BDA0004030083770000123
高于
Figure BDA0004030083770000124
和
Figure BDA0004030083770000125
由于TMC通常在能源需求低谷期间从当地的可再生能源和配电网充电，因此
Figure BDA0004030083770000126
低于
Figure BDA0004030083770000127
三、双层模型的求解
上层和下层之间的数据交换过程是基于ATC技术实现的。在第k次迭代中，上下两层的目标函数需要更新，如式(21)和(22)所示。此外，收敛条件如式(23)所示。
Figure BDA0004030083770000128
Figure BDA0004030083770000129
Figure BDA00040300837700001210
其中，式(21)和(22)中的第一项和第二项代表初始函数和惩罚函数；
Figure BDA00040300837700001211
和
Figure BDA00040300837700001212
是第k次迭代后时刻t的每个候选站点的TMC负载；u1和u2是大于0的系数；ε2是收敛系数；
Figure BDA00040300837700001213
是TMC的位置集合。
CLO和CCO模型均采用MATLAB环境下的YALMIP工具箱进行编码，并调用Cplex12.8.0进行求解。图3为优化方法流程图，当满足收敛条件或达到最大迭代次数(K)时仿真结束。
四、实施例
对于本发明的实施例，以文献[4]中的环形高速路网进行算例验证。该高速路网共有5个出入口，总里程为465km。其中1,2,4为大城市的出入口，而3,5为小城市的出入口，这种拓扑结构在现代化城市群中具有典型代表性。EV出发时刻ts分布和OD矩阵如图4，图5所示。根据京津冀地区居民出行调查数据，由IIA模型得到的电动车用户月收入分布如图6所示。
以2030年15％EV渗透率为优化目标，即工作日有40958辆EV在环形路网上行驶。将充电站候选位置
Figure BDA0004030083770000131
设置在节点1-9的两侧以及路段上每隔20km的道路两侧，即ctmc＝cfc＝44。假设每个TMC最大可承载3MWh电池，其他参数见表2。为了验证本发明实施例的有效性，算例构建以下两种场景，并比较了相应的优化结果。
场景1：基于所提的双层优化方法求取协同充电网络的优化方案。
场景2：根据文献[5]中提出的模型确定传统FC的位置，基于文献[6]中提出的定容模型得到FC的容量方案。
表2其他仿真参数
Figure BDA0004030083770000132
场景1和场景2的选址优化结果如图4。可见两种场景下的FC选址结果相同，此外，场景1中还得到了7个TMC的选址及其服务时间。候选位置4,6,11,13-15和17的TMC因为不满足利用率约束而被排除。TMC仓库位于节点5,10和12。
图5和图6分别为充电负荷和EV数量的时-空分布。可见，场景1中FC的充电负荷和EV数量分布比场景2更加均匀。TMC的服务时间主要分布在10-21点之间，明显分担了FC在繁忙时段的部分负荷，部分TMC由于较低的利用率而被排除。注意位置3、7和18处的TMC运行方式不同，虽然TMC18的EV数量较少，但由于用户的充电容量较大，所以负荷相对较高。而TMC3和7的大多数EV由于已接近目的地，充电容量相对较低。
场景1和场景2的容量优化结果见图7和表3。与文献[6]中的定容模型相比，本发明实施例所提CCO模型的充电桩总数减少了72个，占场景2的17.1％。场景1中高峰时段FC的平均排队时间约为10分钟，这对大多数用户来说是可以接受的。对于一些高VOT的用户，将选择TMC进行充电。场景2中7个充电站中的82个低利用率的FC被7个TMC的62个充电桩所取代，这使得场景1中FC的平均利用率提高了13.75％。
表3场景1和场景2的优化结果对比
Figure BDA0004030083770000141
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种高速公路固定与移动充电设施双层协同优化方法，其特征在于，所述方法包括：
构建优化模型框架，所述优化模型框架包括：上层协同选址优化模型和下层协同容量优化模型；
所述上层协同选址优化模型以优化充电站的位置，并确定部署TMC的充电需求的位置和时间；
所述下层协同容量优化模型优化候选站点的TMC和FC的容量，提高FC的利用率；
采用大M法将非线性问题进行等价线性化处理并转化为混合整数线性规划模型，采用目标级联分析实现上下两层之间的数据交换过程。
2.根据权利要求1所述的一种高速公路固定与移动充电设施双层协同优化方法，其特征在于，所述上层协同选址优化模型由EV模型、改进收入模型、TMC选址优化模型、FC选址优化模型和TMC仓库优化模型组成。
3.根据权利要求1所述的一种高速公路固定与移动充电设施双层协同优化方法，其特征在于，所述下层模型由TMC容量优化模型和FC容量优化模型组成。
4.根据权利要求2所述的一种高速公路固定与移动充电设施双层协同优化方法，其特征在于，所述EV模型为：
当满足如下收敛条件或达到最大仿真次数时仿真结束，得到了充电需求的时空分布：
Figure FDA0004030083760000011
式中：
Figure FDA0004030083760000012
是高速路网各路段的充电需求；M和ε1为常数。
5.根据权利要求2所述的一种高速公路固定与移动充电设施双层协同优化方法，其特征在于，所述改进收入模型为：TMC或FC充电的概率分别如下所示：
Figure FDA0004030083760000013
Figure FDA0004030083760000014
式中：
Figure FDA0004030083760000015
和
Figure FDA0004030083760000016
分别为用户i在节点z选择TMC或FC充电时的成本。
6.根据权利要求2所述的一种高速公路固定与移动充电设施双层协同优化方法，其特征在于，所述TMC选址优化模型为：
Figure FDA0004030083760000021
Figure FDA0004030083760000022
其中，
Figure FDA0004030083760000023
是t时刻在候选位置z选择TMC充电的EVs总数；
Figure FDA0004030083760000024
和
Figure FDA0004030083760000025
为TMC的开始和结束服务时间；
Figure FDA0004030083760000026
是功率加权系数；
利用率约束为：
Figure FDA0004030083760000027
其中，
Figure FDA0004030083760000028
为单位时间充电站z的利用率，由CCO模型确定，δ,υ为考虑TMC经济性的利用率下限。
7.根据权利要求2所述的一种高速公路固定与移动充电设施双层协同优化方法，其特征在于，所述TMC仓库优化模型为：以建设和运营成本最小优化TMC仓库的位置：
Figure FDA0004030083760000029
Figure FDA00040300837600000210
Figure FDA00040300837600000211
其中，向量xD由布尔变量组成，如果在位置y设置TMC仓库，则xy＝1，
Figure FDA00040300837600000212
否则xy＝0；r0为折现率；q为优化周期；向量
Figure FDA00040300837600000213
由布尔变量组成，表示站点z处的TMC是否被分配到仓库y；
Figure FDA00040300837600000214
是由当地可再生能源和配电网相关条件确定的容量约束。
CN202211726231.1A 2022-12-30 2022-12-30 一种高速公路固定与移动充电设施双层协同优化方法 Active CN115907227B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211726231.1A CN115907227B (zh) 2022-12-30 2022-12-30 一种高速公路固定与移动充电设施双层协同优化方法
US18/391,662 US12005802B1 (en) 2022-12-30 2023-12-21 Bilevel coordinated optimization method for fixed and mobile charging facilities on highways

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211726231.1A CN115907227B (zh) 2022-12-30 2022-12-30 一种高速公路固定与移动充电设施双层协同优化方法

Publications (2)

Publication Number Publication Date
CN115907227A true CN115907227A (zh) 2023-04-04
CN115907227B CN115907227B (zh) 2023-07-28

Family

ID=86488294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211726231.1A Active CN115907227B (zh) 2022-12-30 2022-12-30 一种高速公路固定与移动充电设施双层协同优化方法

Country Status (2)

Country Link
US (1) US12005802B1 (zh)
CN (1) CN115907227B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523481A (zh) * 2023-05-09 2023-08-01 山东理工大学 上层零售商定价与下层微网独立决策的双层协同优化方法
CN116934040A (zh) * 2023-07-28 2023-10-24 天津大学 一种移动充电站日前协同优化调度方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110993A (zh) * 2019-04-30 2019-08-09 广州大学 一种为电动汽车提供充电服务的调度系统
CN111027807A (zh) * 2019-11-12 2020-04-17 国网河北省电力有限公司经济技术研究院 一种基于潮流线性化的分布式发电选址定容方法
CN111126712A (zh) * 2019-12-30 2020-05-08 长安大学 一种面向通勤廊道的停车充电换乘系统规划方法
US20210155111A1 (en) * 2019-11-22 2021-05-27 State Grid Fujian Electric Power Co., Ltd. Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station
CN113869678A (zh) * 2021-09-15 2021-12-31 国网青海省电力公司经济技术研究院 一种共享储能模式下电动汽车充电系统容量规划方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11615883B2 (en) 2018-04-05 2023-03-28 Cheyenne Mountain Software, Llc Patient transport and triage
KR102679052B1 (ko) 2019-03-27 2024-07-01 삼성전자주식회사 플로팅 팩토리, 제조 서비스 장치의 동작 방법, 및 플로팅 팩토리와 제조 서비스 장치를 포함하는 통합 제품 관리 시스템
US11783435B2 (en) 2020-04-27 2023-10-10 Hitachi Energy Switzerland Ag Power grid resource allocation
US11524600B2 (en) * 2020-07-08 2022-12-13 Kyndryl, Inc. Electronic vehicle charge regulation
CN112590598B (zh) * 2020-12-11 2023-11-07 合肥工业大学 移动充电车优化配置方法和系统
CN113904372B (zh) * 2021-10-15 2024-02-27 华北电力大学 考虑5g基站接入的主动配电网多目标优化运行方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110993A (zh) * 2019-04-30 2019-08-09 广州大学 一种为电动汽车提供充电服务的调度系统
CN111027807A (zh) * 2019-11-12 2020-04-17 国网河北省电力有限公司经济技术研究院 一种基于潮流线性化的分布式发电选址定容方法
US20210155111A1 (en) * 2019-11-22 2021-05-27 State Grid Fujian Electric Power Co., Ltd. Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station
CN111126712A (zh) * 2019-12-30 2020-05-08 长安大学 一种面向通勤廊道的停车充电换乘系统规划方法
CN113869678A (zh) * 2021-09-15 2021-12-31 国网青海省电力公司经济技术研究院 一种共享储能模式下电动汽车充电系统容量规划方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523481A (zh) * 2023-05-09 2023-08-01 山东理工大学 上层零售商定价与下层微网独立决策的双层协同优化方法
CN116934040A (zh) * 2023-07-28 2023-10-24 天津大学 一种移动充电站日前协同优化调度方法
CN116934040B (zh) * 2023-07-28 2024-03-19 天津大学 一种移动充电站日前协同优化调度方法

Also Published As

Publication number Publication date
US12005802B1 (en) 2024-06-11
CN115907227B (zh) 2023-07-28
US20240217372A1 (en) 2024-07-04

Similar Documents

Publication Publication Date Title
Xie et al. Planning fully renewable powered charging stations on highways: A data-driven robust optimization approach
Iacobucci et al. Optimization of shared autonomous electric vehicles operations with charge scheduling and vehicle-to-grid
Wu et al. A novel fast-charging stations locational planning model for electric bus transit system
Moradzadeh et al. A new MILP formulation for renewables and energy storage integration in fast charging stations
CN115907227B (zh) 一种高速公路固定与移动充电设施双层协同优化方法
CN110880054B (zh) 一种电动网约车充换电路径的规划方法
CN108573317B (zh) 一种换电站充放电策略优化控制的方法
CN109492791B (zh) 基于充电引导的城际高速路网光储充电站定容规划方法
Pal et al. Planning of EV charging station with distribution network expansion considering traffic congestion and uncertainties
Jia et al. A novel approach for urban electric vehicle charging facility planning considering combination of slow and fast charging
CN106875075A (zh) 一种基于出行行为学的电动汽车充电站布点方法
CN110826841A (zh) 考虑用户充电体验和配电网运行风险的充电站规划方法
CN112507506B (zh) 基于遗传算法的共享汽车定价规划模型的多目标优化方法
Zhang et al. Deploying public charging stations for battery electric vehicles on the expressway network based on dynamic charging demand
CN111861145A (zh) 考虑高速公路路网的服务区电动汽车充电站配置方法
Zhou et al. Design and optimization of solar-powered shared electric autonomous vehicle system for smart cities
He et al. Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation
Grigorev et al. How will electric vehicles affect traffic congestion and energy consumption: an integrated modelling approach
Wang et al. Optimal aggregated charging analysis for PEVs based on driving pattern model
CN116362523A (zh) 考虑温度适应性的换电站选址与运营策略协同优化方法
da Paixão et al. EV fast charging microgrid on highways: A hierarchical analysis for choosing the installation site
Xu et al. Prediction of Electric Vehicle Charging Demand in Rural Areas Based on Driving Track Data
CN115204594A (zh) 一种基于电动汽车的充电桩与充换电站联合规划方法
He et al. Coordinated Planning of Fixed and Mobile Charging Facilities for Electric Vehicles on Highways
CN109146135B (zh) 一种共享电动自行车站点车桩配备的优化方法

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