CN116523087B - 一种融合多因素的充电站站址布局优化方法 - Google Patents
一种融合多因素的充电站站址布局优化方法 Download PDFInfo
- Publication number
- CN116523087B CN116523087B CN202210072764.6A CN202210072764A CN116523087B CN 116523087 B CN116523087 B CN 116523087B CN 202210072764 A CN202210072764 A CN 202210072764A CN 116523087 B CN116523087 B CN 116523087B
- Authority
- CN
- China
- Prior art keywords
- charging
- charging station
- station
- time
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 230000005611 electricity Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 231100001263 laboratory chemical safety summary Toxicity 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims 3
- 238000003062 neural network model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种融合多因素的充电站站址布局优化方法,是针对现有电动汽车充电站选址不科学和用户获取充电服务满意度不佳,充电站布局优化算法不精准的技术问题。其要点是该方法首先通过获取电动汽车的出行轨迹,挖掘不同充电时间段下交通状态的时空分布规律;再获取每一个充电时间段用户的充电行为模式,最小化充电站负载不均衡度,覆盖交通流量最大化,及排队时间最小化;最后,构造目标函数,实现站点选址优化,上述充电时间段划分为四个,获取每一个充电时间段用户的充电行为模式,计算四个充电时间段的充电用户占比,构造目标函数,实现站点选址优化,保证用户行驶到充电站。该方法将用户充电偏好尽量细化,采用不同充电时间段独立计算。
Description
技术领域
本发明涉及电动汽车充电站站址布局优化方法,是一种融合多因素的充电站站址布局优化方法。
背景技术
目前,电动汽车充电站选址是一个多目标、多因素影响、动态性的问题,科学的电动汽车充电站选址能降低用户的交通成本,方便用户获取充电业务,提升用户满意度。如何合理布局充电站,引导交通流量、降低用户交通成本和排队成本,是当前公共策略制定者面临的重要问题。为此,如中国专利文献中披露的申请号202010294587.7,申请公布日2020.08.11,发明名称“一种电力充电站选址布局方法及装置”,该方法结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在城区小网格地图中的最佳位置;再如中国专利文献中披露的申请号202111066707.9,申请公布日2021.12.10,发明名称“基于双层规划模型的电动汽车充电站布局方法及电子设备”;该方法基于偏好模型计算出每个充电站的24时刻充电需求分布,建立下层模型的第二目标函数、第二约束条件以及第二罚函数,基于粒子群优化算法对双层规划模型进行求解,并根据求解结果,输出电动汽车充电站的布局方案。但上述方法存在充电站选址不科学和用户获取充电服务满意度不佳等问题,较少基于交通流量、用户充电时空需求、电动汽车行驶里程和充电负荷偏好的因素,提出一种充电站负载解决不均衡控制在一定的容忍范围内、覆盖交通流量最大、排队时间最短为目标的充电站布局。
发明内容
为克服上述不足,本发明的目的是向本领域提供一种融合多因素的充电站站址布局优化方法,使其主要解决现有电动汽车充电站选址不科学和用户获取充电服务满意度不佳,充电站布局优化算法不精准的技术问题。其目的是通过如下技术方案实现的。
一种融合多因素的充电站站址布局优化方法,该方法基于交通流量、用户充电时空需求、电动汽车行驶里程和充电负荷偏好,及不同充电时间段采用大数据方法统计用户的充电偏好,实现各个充电时间段累加的电站负载不均衡控制在一定的容忍范围内、覆盖交通流量最大、排队时间最短目标优化;其特征在于该方法首先通过获取电动汽车的出行轨迹,挖掘不同充电时间段下交通状态的时空分布规律;再获取每一个充电时间段用户的充电行为模式,最小化充电站负载不均衡度,覆盖交通流量最大化,及排队时间最小化;最后,构造目标函数,实现站点选址优化。
所述充电时间段划分为四个:充电时间划分在早高峰(8点-10点)、白天闲时(10点-17点)、晚高峰(17点-21点)、晚上闲时(21点-第二天早上8点)。
所述获取电动汽车的出行轨迹,挖掘不同充电时间段下交通状态的时空分布规律,先通过电动汽车的GPS点获取各路段交通状态的速度获取GPS点的信息,提取电动汽车的出行时间、出行地点、行驶时长数据,将上述数据转化为不同充电时间段的路段平均速度v;再通过电动汽车的GPS点获取各路段交通密度,结合GPS点的信息,计算不同充电时间段路段的车辆数N,结合路段的长度L,计算每一个路段的交通密度;接着结合平均速度和交通密度,计算交通路段在各个充电时间段的交通流量;Q=KV(公式2);再接着结合速度和路段长度,计算交通路段在各个充电时间段的路段通行时间;最后采用BP神经网络构建交通状态判别模型。
所述获取每一个充电时间段用户的充电行为模式,先计算四个充电时间段,充电用户的占比p;
接着结合充电车停留的时间长度和充电站的地理位置,采用LCSS算法的方法获取用户的充电地点,下面公式时基于每一个充电时间段计算的;比如早高峰这个充电时间段内,车辆在充电站内充电地点表示为:
其中,△T为精度(一般设为半个小时),δ(Li(u),Lj(v))是一个重合性公式,当用户与充电站的位置重合时,值为1,否则为0(Lj(v)表示充电站j的地理位置);
某一个站点在某一个时刻的充电时长,对于即将建设的充电站来说,充电时长采用别的城市的充电大数据,假设用户充电的时长偏好一致,计算每一个充电时间段的充电时长:
其中,C表示某个充电时间段充电结束时n个用户电池的平均容量;η时充电桩的充电效率,Pc是充电桩的平均功率;表示平均剩余电量;
车辆行驶里程借助所述GPS点的信息计算车辆行驶里程du(t);
车辆开始充电的平均剩余电量通过电动汽车剩余电量与日行驶距离成反比:Qr,u(t)=Q0,u-du(t)wu(公式6);
其中,Q0,u其实电池电量,Qr,u(t)充电前一个时刻的剩余电量;
再通过大数据的方法,统计每一周每一个时刻(以半小时为一个统计周期)某一个充电站的所有电动汽车充电前一个时刻的平均剩余电量:
最后电动汽车电池的剩余电量计算,在充电模式下,电动汽车剩余电量与日行驶距离:
Qr,u(t)=Q0,u-du(t)wu (公式8);
其中,Q0,u其实电池电量,Qr,u(t)充电前一个时刻的剩余电量。
所述最小化充电站负载不均衡度,用决策向量X={xi|i=1,2,...,n}表示某一个候选位置是否最终选择为充电站;计算每个候选充电站中的不同类型充电桩的利用率
其中,表示候选充电站xi中的某种类型(有快充和慢充两种类型)充电桩r的已占用的数量,/>表示候选充电站xi中的所有类型充电桩r的数量总和,i为不大于所述候选充电站的总数的正整数,r为不大于所述候选充电站的充电桩种类的总数的正整数;
根据以下公式计算系统资源平均利用率:
其中,m表示所述候选充电站的各种类型充电桩的总数(如果有快充、慢充两种类型,m为2),n表示所述候选充电站的总数;
根据以下公式充电站负载不均衡度:
所述覆盖交通流量最大化,基于上述交通流量的计算方式,将从r到s的路段的累计交通流量加起来表示从一段路到另外一路段的交通流量Qrs;用Yrs表示从r到s的路段的累计交通流量是否被覆盖(Yrs取值0或者1);充电站选址模型其实就是从候选充电站中生成一个充电站位置列表,用决策向量X={xi|i=1,2,...,n}表示某一个候选位置是否最终选择为充电站;被覆盖的范围都是以充电站为中心,以半径为R进行画圆,圆圈所覆盖的路段就是被覆盖的路段;为了覆盖最大交通流量,使得更多的道路上行驶的汽车被覆盖,需要最大化覆盖交通流量,交通流量的表示方法为:max B=∑r,sYrsQrs (公式12);
所述排队时间最小化根据充电站的排队系统,通常用充电桩的数量ρ来表示某个充电站的服务强度:ρ=κT(t) (公式13);
其中,κ表示到达某一个充电站的充电车数量;
并根据M/N/c/∞/∞的理论,要求车辆的平均到达率小于充电站的平均服务率,充电站的平均服务率为:
其中,m表示某个充电站充电桩的数量,为了实现服务系统的平衡,ρc<1;
根据公式(4)得到的每一个候选点的潜在充电需求λ,结合公式(6)汽车充电前一个时刻的平均剩余电量,计算某一个充电站的充电实际需求λa,得到用户平均等待时间:
所述构造目标函数,实现站点选址优化,采用以下公式计算得出:
上述目标函数就是为了实现整个充电系统的所有充电站在各个充电时间段覆盖交通流量最大化,用户排队等待时间最小化;约束1表示至少有一个站址需要建设;约束2表示不均衡度小于0.2,保证所有的站点都可能被选择;充电时剩余的电量应该大于其实电量的百分之二十,以保证用户行驶到充电站充电。
本发明的建模方式科学、精准,是一种充电站负载不均衡控制在一定的容忍范围内、覆盖交通流量最大、排队时间最短为目标的充电站布局优化算法,具有科学性、高效性、高精度性;其适合作为充电站站址布局优化,及其同类方法的技术改进。
具体实施方式
现通过具体实施步骤进一步对本发明进行具体描述。
该方法的具体步骤如下:
(1)获取电动汽车的出行轨迹,挖掘不同充电时间段下交通状态的时空分布规律。
为了更有效描述用户的充电行为,将一天的充电时间段分为四个:早高峰(8点-10点)、白天闲时(10点-17点)、晚高峰(17点-21点)、晚上闲时(21点-第二天早上8点)。
1、通过电动汽车的GPS点获取各路段交通状态的速度获取GPS点的信息,提取电动汽车的出行时间、出行地点、行驶时长数据,将上述数据转化为不同充电时间段的路段平均速度v。
2、通过电动汽车的GPS点获取各路段交通密度,结合GPS点的信息,计算不同充电时间段路段的车辆数N,结合路段的长度L,计算每一个路段的交通密度;
3、结合平均速度和交通密度,计算交通路段在各个充电时间段的交通流量;Q=KV(公式2);
4、结合速度和路段长度,计算交通路段在各个充电时间段的路段通行时间;
5、采用BP神经网络构建交通状态判别模型;
在某一个充电时间段内,比如早高峰,路段平均速度、交通流量、通行时间输入到BP神经网络中,以交通状态(拥堵、中度拥堵、畅通三种状态)为输出,训练BP神经网络模型,每一个充电时间段构建一个BP神经网络模型;在完成训练模型的构建后,能够实时判断每一个时刻的各路段交通状态,实现交通状态的时空分布规律的提取。
(2)获取每一个充电时间段用户的充电行为模式。
为了获取用户的充电行为模式,需要获取用户的充电时空需求(包括充电的时间、充电时长和充电地点)、电动汽车行驶里程、充电偏好(电池剩余容量达到多少时才开始充电)、充电负荷需求的因素。
1、为了更有效提取用户的充电行为模式,将用户的充电时间划分在早高峰(8点-10点)、白天闲时(10点-17点)、晚高峰(17点-21点)、晚上闲时(21点-第二天早上8点)内,计算四个充电时间段,充电用户的占比p。
2、结合充电车停留的时间长度和充电站的地理位置,采用LCSS算法的方法获取用户的充电地点,下面公式时基于每一个充电时间段计算的;比如早高峰这个充电时间段内,车辆在充电站内充电地点表示为:
其中,△T为精度(一般设为半个小时),δ(Li(u),Lj(v))是一个重合性公式,当用户与充电站的位置重合时,值为1,否则为0(Lj(v)表示充电站j的地理位置)。如果COL大于1/5,那么说明电动汽车在充电站内进行充电。假设有n个用户在某个△T为精度内充电。基于COL,就计算每一个充电时间段的充电车在每一个候选点的潜在充电需求λ。
3、某一个站点在某一个时刻的充电时长,对于即将建设的充电站来说,充电时长不能直接获取,采用别的城市的充电大数据,假设用户充电的时长偏好一致,计算每一个充电时间段的充电时长:
其中,C表示某个充电时间段充电结束时n个用户电池的平均容量;η时充电桩的充电效率,Pc是充电桩的平均功率;表示平均剩余电量。
4、车辆行驶里程,借助步骤(1)的GPS点的信息计算车辆行驶里程du(t)。
5、车辆开始充电的平均剩余电量通过剩余电量与日行驶距离成反比:
Qr,u(t)=Q0,u-du(t)wu (公式6);
其中,Q0,u其实电池电量,Qr,u(t)充电前一个时刻的剩余电量;
再通过大数据的方法,统计每一周每一个时刻(以半小时为一个统计周期)某一个充电站的所有电动汽车充电前一个时刻的平均剩余电量:
6、电动汽车的电池剩余电量计算,在充电模式下,电动汽车剩余电量与日行驶距离:
Qr,u(t)=Q0,u-du(t)wu (公式8);
其中,Q0,u其实电池电量,Qr,u(t)充电前一个时刻的剩余电量。那么通过大数据的方法,统计每一周每一个时刻(以半小时为一个统计周期)某一个充电站的所有电动汽车充电前一个时刻的平均剩余电量。
截止到目前为止,已经计算获取到整个城市领域的用户在充电前一刻的行驶里程数量、充电时长、充电前一刻的剩余电量、充电开始时间、充电结束时间以及充电地点。为了更有效分析用户的充电行为,将上述的数据按照不同的充电时间段划分,按照不同场景的充电地点,分为大型购物中心、公共停车场、居住小区、可停车路边地四类充电场景。
(3)最小化充电站负载不均衡度。
用决策向量X={xi|i=1,2,...,n}表示某一个候选位置是否最终选择为充电站;计算每个候选充电站中的不同类型充电桩的利用率
其中,表示候选充电站xi中的某种类型(有快充和慢充两种类型)充电桩r的已占用的数量,/>表示候选充电站xi中的所有类型充电桩r的数量总和,i为不大于所述候选充电站的总数的正整数,r为不大于所述候选充电站的充电桩种类的总数的正整数;
根据以下公式计算系统资源平均利用率:
其中,m表示所述候选充电站的各种类型充电桩的总数(如果有快充、慢充两种类型,m为2),n表示所述候选充电站的总数;
根据以下公式充电站负载不均衡度:
(4)覆盖交通流量最大化。
基于上述交通流量的计算方式,将从r到s的路段的累计交通流量加起来表示从一段路到另外一路段的交通流量Qrs;用Yrs表示从r到s的路段的累计交通流量是否被覆盖(Yrs取值0或者1);充电站选址模型其实就是从候选充电站中生成一个充电站位置列表,用决策向量X={xi|i=1,2,...,n}表示某一个候选位置是否最终选择为充电站;被覆盖的范围都是以充电站为中心,以半径为R进行画圆,圆圈所覆盖的路段就是被覆盖的路段;为了覆盖最大交通流量,使得更多的道路上行驶的汽车被覆盖,需要最大化覆盖交通流量,交通流量的表示方法为:max B=∑r,sYrsQrs (公式12);
(5)排队时间最小化。
充电站的排队系统,通常用充电桩的数量ρ来表示某个充电站的服务强度:ρ=κT(t) (公式13);
其中,κ表示到达某一个充电站的充电车数量。
表示某一个充电时间段(早高峰(8点-10点)、白天闲时(10点-17点)、晚高峰(17点-21点)、晚上闲时(21点-第二天早上8点))的繁忙程度。
并根据M/N/c/∞/∞的理论,要求车辆的平均到达率小于充电站的平均服务率,充电站的平均服务率为:
其中,m表示某个充电站充电桩的数量,为了实现服务系统的平衡,ρc<1。
根据公式(4)得到的每一个候选点的潜在充电需求λ,结合公式(6)汽车充电前一个时刻的平均剩余电量,计算某一个充电站的充电实际需求λa,得到用户平均等待时间:
(6)构造目标函数,实现站点选址优化。
上述目标函数就是为了实现整个充电系统(所有充电站)各个充电时间段(取了四个充电时间段)覆盖交通流量最大化,用户排队等待时间最小化;约束1表示至少有一个站址需要建设;约束2表示不均衡度小于0.2,保证所有的站点都可能被选择;充电时剩余的电量应该大于其实电量的百分之二十,以保证用户行驶到充电站充电。
综上所述,该方法基于交通流量、用户充电时空需求、电动汽车行驶里程、充电负荷偏好的因素,提出一种充电站负载不均衡控制在一定的容忍范围内、覆盖交通流量最大、排队时间最短为目标的充电站布局优化算法。同时,该方法基于不同充电时间段采用大数据方法统计用户的充电偏好,实现各个充电时间段累加的电站负载不均衡控制在一定的容忍范围内、覆盖交通流量最大、排队时间最短目标优化。因为各个充电时间段用户的偏好是不一样的,传统的泊松分布或者随机理论的方式都不能反映一个城市用户的充电偏好的真实情况。因此,该方法将用户充电偏好尽量细化,采用不同充电时间段进行独立计算,得到的结果更加具有可信度。
上述LCSS算法能解决不同的采样率、在不同区域出现的相似的运动轨迹、异常点、不同的长度、效率的一个变式。现有一些路网处理方法中首先通过高德路网和OSM的路网整体进行R树索引的建立;接着对高德路网中的没有道路名称的道路,求解其MBR;然后进行R树查询查找到与其相交的OSM路网的道路,遍历上述求交后的结果,利用LCSS算法,求出匹配的道路。
Claims (5)
1.一种融合多因素的充电站站址布局优化方法,该方法基于交通流量、用户充电时空需求、电动汽车行驶里程和充电负荷偏好,及不同充电时间段采用大数据方法统计用户的充电偏好,实现各个充电时间段累加的电站负载不均衡控制在容忍范围内、覆盖交通流量最大、排队时间最短目标优化;其特征在于该方法首先通过获取电动汽车的出行轨迹,挖掘不同充电时间段下交通状态的时空分布规律;再获取每一个充电时间段用户的充电行为模式,最小化充电站负载不均衡度,覆盖交通流量最大化,及排队时间最小化;最后,构造目标函数,实现站点选址优化;
所述充电时间段划分为四个:充电时间划分在早高峰8点-10点、白天闲时10点-17点、晚高峰17点-21点、晚上闲时21点-第二天早上8点;
所述获取电动汽车的出行轨迹,挖掘不同充电时间段下交通状态的时空分布规律,先通过电动汽车的GPS点获取各路段交通状态的速度获取GPS点的信息,提取电动汽车的出行时间、出行地点、行驶时长数据,将上述数据转化为不同充电时间段的路段平均速度v;再通过电动汽车的GPS点获取各路段交通密度,结合GPS点的信息,计算不同充电时间段路段的车辆数N,结合路段的长度L,计算每一个路段的交通密度;接着结合平均速度和交通密度,计算交通路段在各个充电时间段的交通流量;Q=KV(公式2);再接着结合速度和路段长度,计算交通路段在各个充电时间段的路段通行时间;/>最后采用BP神经网络构建交通状态判别模型;
所述获取每一个充电时间段用户的充电行为模式,先计算四个充电时间段,充电用户的占比p;
接着结合充电车停留的时间长度和充电站的地理位置,采用LCSS算法的方法获取用户的充电地点,下面公式时基于每一个充电时间段计算的;早高峰这个充电时间段内,车辆在充电站内充电地点表示为:
其中,△T为精度(设为半个小时),δ(Li(u),Lj(v))是一个重合性公式,当用户与充电站的位置重合时,值为1,否则为0(Lj(v)表示充电站j的地理位置);
某一个站点在某一个时刻的充电时长,对于即将建设的充电站来说,充电时长采用别的城市的充电大数据,假设用户充电的时长偏好一致,计算每一个充电时间段的充电时长:
其中,C表示某个充电时间段充电结束时n个用户电池的平均容量;η时充电桩的充电效率,Pc是充电桩的平均功率;表示平均剩余电量;
车辆行驶里程借助所述GPS点的信息计算车辆行驶里程du(t);
车辆开始充电的平均剩余电量通过电动汽车剩余电量与日行驶距离成反比:
Qr,u(t)=Q0,u-du(t)wu(公式6);
其中,Q0,u其实电池电量,Qr,u(t)充电前一个时刻的剩余电量;
再通过大数据的方法,统计每一周每一个时刻(以半小时为一个统计周期)某一个充电站的所有电动汽车充电前一个时刻的平均剩余电量:
最后电动汽车电池的剩余电量计算,在充电模式下,电动汽车剩余电量与日行驶距离:
Qr,u(t)=Q0,u-du(t)wu(公式8);
其中,Q0,u其实电池电量,Qr,u(t)充电前一个时刻的剩余电量。
2.根据权利要求1所述的融合多因素的充电站站址布局优化方法,其特征在于所述最小化充电站负载不均衡度,用决策向量X={xi|i=1,2,...,n}表示某一个候选位置是否最终选择为充电站;计算每个候选充电站中的不同类型充电桩的利用率 其中,/>表示候选充电站xi中的某种类型(有快充和慢充两种类型)充电桩r的已占用的数量,/>表示候选充电站xi中的所有类型充电桩r的数量总和,i为不大于所述候选充电站的总数的正整数,r为不大于所述候选充电站的充电桩种类的总数的正整数;
根据以下公式计算系统资源平均利用率:
其中,m表示所述候选充电站的各种类型充电桩的总数(如果有快充、慢充两种类型,m为2),n表示所述候选充电站的总数;
根据以下公式充电站负载不均衡度:
3.根据权利要求2所述的融合多因素的充电站站址布局优化方法,其特征在于所述覆盖交通流量最大化,基于上述交通流量的计算方式,将从r到s的路段的累计交通流量加起来表示从一段路到另外一路段的交通流量Qrs;用Yrs表示从r到s的路段的累计交通流量是否被覆盖,Yrs取值0或者1;充电站选址模型其实就是从候选充电站中生成一个充电站位置列表,用决策向量X={xi|i=1,2,...,n}表示某一个候选位置是否最终选择为充电站;被覆盖的范围都是以充电站为中心,以半径为R进行画圆,圆圈所覆盖的路段就是被覆盖的路段;为了覆盖最大交通流量,使得更多的道路上行驶的汽车被覆盖,需要最大化覆盖交通流量,交通流量的表示方法为:maxB=∑r,sYrsQrs(公式12)。
4.根据权利要求3所述的融合多因素的充电站站址布局优化方法,其特征在于所述排队时间最小化根据充电站的排队系统,充电桩的数量ρ来表示某个充电站的服务强度:
ρ=κT(t) (公式13);
其中,κ表示到达某一个充电站的充电车数量;
并根据M/N/c/∞/∞的理论,要求车辆的平均到达率小于充电站的平均服务率,充电站的平均服务率为:
其中,m表示某个充电站充电桩的数量,为了实现服务系统的平衡,ρc<1;
根据公式(4)得到的每一个候选点的潜在充电需求λ,结合公式(6)汽车充电前一个时刻的平均剩余电量,计算某一个充电站的充电实际需求λa,得到用户平均等待时间:
5.根据权利要求4所述的融合多因素的充电站站址布局优化方法,其特征在于所述构造目标函数,实现站点选址优化,采用以下公式计算得出:
上述目标函数就是为了实现整个充电系统的所有充电站在各个充电时间段覆盖交通流量最大化,用户排队等待时间最小化;约束1表示至少有一个站址需要建设;约束2表示不均衡度小于0.2,保证所有的站点都可能被选择;充电时剩余的电量应该大于其实电量的百分之二十,以保证用户行驶到充电站充电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210072764.6A CN116523087B (zh) | 2022-01-21 | 2022-01-21 | 一种融合多因素的充电站站址布局优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210072764.6A CN116523087B (zh) | 2022-01-21 | 2022-01-21 | 一种融合多因素的充电站站址布局优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523087A CN116523087A (zh) | 2023-08-01 |
CN116523087B true CN116523087B (zh) | 2024-04-02 |
Family
ID=87401693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210072764.6A Active CN116523087B (zh) | 2022-01-21 | 2022-01-21 | 一种融合多因素的充电站站址布局优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523087B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711630A (zh) * | 2018-12-28 | 2019-05-03 | 郑州大学 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
CN110674988A (zh) * | 2019-09-23 | 2020-01-10 | 国网上海市电力公司 | 一种基于电动汽车出行大数据的城区充电站规划方法 |
CN112434084A (zh) * | 2020-12-02 | 2021-03-02 | 电信科学技术第十研究所有限公司 | 基于geohash和LCSS的轨迹相似度匹配方法及装置 |
CN112613659A (zh) * | 2020-12-23 | 2021-04-06 | 东南大学 | 基于三维时空网络的新能源货运充电站选址-路径优化方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
-
2022
- 2022-01-21 CN CN202210072764.6A patent/CN116523087B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711630A (zh) * | 2018-12-28 | 2019-05-03 | 郑州大学 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
CN110674988A (zh) * | 2019-09-23 | 2020-01-10 | 国网上海市电力公司 | 一种基于电动汽车出行大数据的城区充电站规划方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN112434084A (zh) * | 2020-12-02 | 2021-03-02 | 电信科学技术第十研究所有限公司 | 基于geohash和LCSS的轨迹相似度匹配方法及装置 |
CN112613659A (zh) * | 2020-12-23 | 2021-04-06 | 东南大学 | 基于三维时空网络的新能源货运充电站选址-路径优化方法 |
Non-Patent Citations (1)
Title |
---|
考虑排队时间和里程约束的竞争充电站选址问题;邵赛;关伟;毕军;;交通运输系统工程与信息;20161215(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116523087A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291920B (zh) | 一种考虑多因素多场景的电动汽车充电站推荐方法 | |
CN108932561B (zh) | 一种考虑非线性充电函数的电动汽车充电路径选择方法 | |
CN106599390B (zh) | 一种计及电动出租车时空随机特性的充电负荷的计算方法 | |
RU2501088C2 (ru) | Определение экономного маршрута транспортного средства | |
CN110174117A (zh) | 一种电动汽车充电路线规划方法 | |
CN107392336A (zh) | 智能交通中基于预约的分布式电动汽车充电调度方法 | |
CN105654622B (zh) | 充电桩管理方法及系统 | |
CN106326992A (zh) | 一种基于电量匹配的app预约租车系统及方法 | |
CN111397620B (zh) | 快充/慢充模式下的电动汽车充电导航方法及系统 | |
CN112330013B (zh) | 一种基于动态路-电耦合网络的电动汽车充电引导和定价方法 | |
CN106296355A (zh) | 一种基于电量匹配的web门户预约租车系统及方法 | |
CN107038886A (zh) | 一种基于轨迹数据的出租车巡游路径推荐方法和系统 | |
CN108944500B (zh) | 一种分布式站点联合控制的电动汽车充电调度方法 | |
CN111680930A (zh) | 一种基于特征可达圈的电动汽车充电站选址评估方法 | |
CN207611484U (zh) | 一种车型查询管理装置 | |
CN116523087B (zh) | 一种融合多因素的充电站站址布局优化方法 | |
CN104596534A (zh) | 一种计算最优行车路径的方法 | |
CN106130110A (zh) | 基于分层概率选择出行地的电动出租车充电站定容方法 | |
Trippe et al. | Mobility model for the estimation of the spatiotemporal energy demand of battery electric vehicles in Singapore | |
CN113947245B (zh) | 一种基于订单累积量的多乘客多司机共乘匹配方法及系统 | |
CN115091975A (zh) | 一种基于交通三网融合的电动汽车充电优化方法 | |
CN109146135B (zh) | 一种共享电动自行车站点车桩配备的优化方法 | |
CN114485702A (zh) | 一种电动汽车充电路径规划方法及系统 | |
CN109508828B (zh) | 一种区内出行距离的确定方法 | |
CN110797866A (zh) | 电动汽车参与电网调频/调压的动态路径规划方法 |
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 |