CN116542377A - 一种电动汽车充电站的规划方法 - Google Patents

一种电动汽车充电站的规划方法 Download PDF

Info

Publication number
CN116542377A
CN116542377A CN202310509532.7A CN202310509532A CN116542377A CN 116542377 A CN116542377 A CN 116542377A CN 202310509532 A CN202310509532 A CN 202310509532A CN 116542377 A CN116542377 A CN 116542377A
Authority
CN
China
Prior art keywords
charging
charging station
cost
candidate
node
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.)
Pending
Application number
CN202310509532.7A
Other languages
English (en)
Inventor
宛玉健
李俊松
成新苗
林钟楷
蔡璐莹
郭曙光
胡泽春
陈卓旭
郭清林
晏超颖
郑琼奕
陈�镛
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.)
Guangdong Power Grid Co Ltd
Shantou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Shantou Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd, Shantou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202310509532.7A priority Critical patent/CN116542377A/zh
Publication of CN116542377A publication Critical patent/CN116542377A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Power Engineering (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)

Abstract

本发明公开了一种电动汽车充电站的规划方法。基于目标区域的道路网络拓扑结构获取电动汽车在设定周期内的模拟出行链及充电需求集；初始化多个候选充电站；根据所述充电需求集和所述多个候选充电站确定用户损失信息；基于所述充电需求集、所述多个候选充电站及所述用户损失信息构建充电站优化模型；对所述充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量。本发明实施例提供的电动汽车充电站的规划方法，首先构建充电站优化模型，通过对充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量，以实现对电动汽车充电站的合理规划，降低充电站的建设成本、运行成本、用户损失成本。

Description

一种电动汽车充电站的规划方法
技术领域
本发明实施例涉及充电站技术领域，尤其涉及一种电动汽车充电站的规划方法。
背景技术
随着环境污染的日益严重和温室效应的日益加剧，电动汽车由于其运行过程中不造成排放而得到了国内外的广泛关注。相较于传统的燃油汽车，电动汽车的续航里程较短，随着投入市场的电动汽车数量不断增长，充电基础设施建设水平不充分的问题逐渐凸显，有限的充电资源无法支撑电动汽车产业的进一步发展。因此，为了推广区域电动汽车的规模化应用，提高电动汽车用户满意度，需要推动县域电动汽车充电基础设施的建设。研究区域电动汽车充电站的合理布局优化方法具有重要意义。
对于区域充电站的选址定容优化问题，现有技术存在一定的局限性：一方面，现有技术通过需求点或截流模型产生区域内的用户充电需求，未考虑出入区域车辆的临时充电需求，不能反映实际的充电负荷水平；另一方面，县域低压配变台区的充电容量较小，使用现有技术得到的规划结果将超出可接入充电设施的容量限制。
发明内容
本发明实施例提供一种电动汽车充电站的规划方法，以实现对电动汽车充电站的合理规划，降低充电站的建设成本、运行成本、用户损失成本。
第一方面，本发明实施例提供了一种电动汽车充电站的规划方法，该方法包括：
基于目标区域的道路网络拓扑结构获取电动汽车在设定周期内的模拟出行链及充电需求集；其中，所述道路网络拓扑结构包括节点集和边集，且节点携带有功能类型；所述模拟出行链包括空间链、时间链及能量链；其中，所述设定周期包括多个时段；所述充电需求集中包括多个充电需求，且每个充电需求包括：行程的起始节点、目的节点、出发时间戳及剩余电量；
初始化多个候选充电站；
根据所述充电需求集和所述多个候选充电站确定用户损失信息；
基于所述充电需求集、所述多个候选充电站及所述用户损失信息构建充电站优化模型；
对所述充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量。
本发明实施例提供了一种电动汽车充电站的规划方法，包括：基于目标区域的道路网络拓扑结构获取电动汽车在设定周期内的模拟出行链及充电需求集；初始化多个候选充电站；根据充电需求集和多个候选充电站确定用户损失信息；基于充电需求集、多个候选充电站及用户损失信息构建充电站优化模型；对充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量。本发明实施例提供的电动汽车充电站的规划方法，首先构建充电站优化模型，通过对充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量，以实现对电动汽车充电站的合理规划，降低充电站的建设成本、运行成本、用户损失成本。
附图说明
图1是本发明实施例中的一种电动汽车充电站的规划方法的流程图；
图2是本发明实施例中的一种模拟出行链的示意图；
图3是本发明实施例中的确定电动汽车在设定周期内的模拟出行链及充电需求集的原理图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的一种电动汽车充电站的规划方法的流程图，本实施例可适用于对电动汽车充电站进行规划的情况，该方法可以由电动汽车充电站的规划装置来执行，该装置可由硬件和/或软件组成，并一般可集成在具有电动汽车充电站的规划功能的设备中，该设备可以是服务器、移动终端或服务器集群等电子设备。具体包括如下步骤：
S110，基于目标区域的道路网络拓扑结构获取电动汽车在设定周期内的模拟出行链及充电需求集。
其中，道路网络拓扑结构包括节点集和边集，且节点携带有功能类型；模拟出行链包括空间链、时间链及能量链；其中，设定周期包括多个时段；充电需求集中包括多个充电需求，且每个充电需求包括：行程的起始节点、目的节点、出发时间戳及剩余电量。
本实施例中，道路网络拓扑结构可以表示为G(V，E)，包含节点集V＝{v1，…，vV}和边集每个节点携带有不能的功能类型ty，包含居住区(H)、商业区(C)、办公区(W)、休闲区(R)和外部连接(E)。其中，外部连接节点用于描述区域车流的输入来源和输出去向。基于最短路径算法确定道路网络拓扑结构中两两节点间的最短路径，最短路径对应的距离为该两个节点间的行驶距离。
本实施例中，在获取模拟出行链之前，需要设定区域典型场景数Ω(例如：工作日、节假日等场景)、电动汽车总数N，仿真周期T及时间间隔ΔT。其中，仿真周期T可以设置为一周，时间间隔ΔT可以设置为1小时，则可以将一周划分为168个时间段。
具体的，基于目标区域的道路网络拓扑结构获取电动汽车在设定周期内的模拟出行链的过程可以是：获取电动汽车的车辆参数；对于每个电动汽车，随机抽样所述电动汽车的出发时间戳、起始剩余电量及起始节点；根据所述道路网络拓扑结构的空间转移概率信息及所述起始节点确定目的节点；确定所述起始节点和所述目的节点间的行驶距离；根据所述车辆参数、所述起始剩余电量和所述行驶距离判断所述电动汽车在所述起始节点是否产生充电需求；若产生充电需求，则获取充电时长、充电后的剩余电量及充电需求；确定所述电动汽车到达所述目的节点的到达时间戳及剩余电量；抽样获取所述电动汽车在所述目的节点的停留时长；根据所述到达时间戳和所述停留时长确定所述目的节点的出发时间戳；若所述出发时间戳处于所述设定周期，则将所述目的节点作为新的起始节点，循环执行确定下一个目的节点的出发时间戳和剩余电量的操作，直到超出所述设定周期，获得所述电动汽车的模拟出行链；提取每个电动汽车对应的模拟出行链上的至少一个充电需求，获得充电需求集。
其中，车辆参数包括电池容量emax、行驶速度v、耗电功率P及充电功率Pc。
本实施例中，随机抽样电动汽车的出发时间戳的方式为可以是：获取电动汽车的出发时间概率分布，基于出发时间概率分布随机抽样电动汽车的出发时间戳。
其中，电动汽车的出发时间概率分布呈现正态分布，通过对历史电动汽车的出行记录进行统计，获得电动汽车出发时间的平均值μt0和方差t0，从而基于平均值μt0和方差σt0获得电动汽车的出发时间概率分布：/>最后基于出发时间概率分布进行随机抽样，获得电动汽车的出发时间戳。
本实施例中，随机抽样电动汽车的起始剩余电量的方式可以是：获取电动汽车的起始剩余电量概率分布，根据起始剩余电量概率分布随机抽样电动汽车的起始剩余电量。
其中，剩余电量可以由电池荷电状态(State-of-Charge，SOC)表示。电动汽车的起始剩余电量概率分布呈正态分布：通过对历史电动汽车出行记录中的剩余电量进行统计，获得电动汽车起始剩余电量的平均值μe0和方差σe0，从而基于平均值μe0和方差σe0获得电动汽车的起始剩余电量概率分布：/>最后基于起始剩余电量概率分布进行随机采样，获得电动汽车的起始剩余电量SOC0。
本实施例中，随机抽样所述电动汽车的起始节点的过程可以是：获取电动汽车在各时间段各节点的概率分布，基于电动汽车在各时间段各节点的概率分布及出发时间戳随机抽样电动汽车的起始节点。
其中，获取电动汽车在各时间段各节点的概率分布的方式可以是：通过对历史电动汽车出行记录进行统计，获得电动汽车在各时段各节点的概率分布。具体的，首先根据出发时间戳确定其所处的时间段，然后提取该时间段内各节点的概率分布，最后基于该时间段内各节点的概率分布进行随机抽样，获得电动汽车的起始节点s0。
其中，道路网络拓扑结构的空间转移概率信息表示在时段m内由tyi1类型节点行驶至tyi类型节点的概率，由概率矩阵Pod(tyi-1,tyi|m)表示。空间转移概率信息可以表示为：其中，p(H,H|m)表示在时段m内由居住区(H)类型的节点行驶到居住区(H)类型节点的概率，p(E,H|m)表示在时段m内由外部连接(E)类型的节点行驶到居住区(H)类型节点的概率。矩阵的每一列代表由一种功能类型的节点行驶至其他所有功能类型节点的概率。时段m通过[mΔT,(m+1)ΔT表示。
具体的，根据道路网络拓扑结构的空间转移概率信息、出发时间戳及起始节点确定目的节点的过程可以是：确定出发时间戳所在的时段以及起始节点的功能类型，然后从该时段内的空间转移概率矩阵中提取该功能类型对应的一列空间转移概率向量，基于该空间转移概率向量进行随机抽样，获得目的节点s1。
其中，目的节点s1与起始节点s0不相同，且要满足连通性要求，即目的节点s1与起始节点s0的形式距离小于电动汽车的最大行驶里程。最大行驶里程的计算公式为：dmax＝emaxv/p。
具体的，根据车辆参数、起始剩余电量和行驶距离判断电动汽车在起始节点是否产生充电需求的方式可以是：根据车辆参数和行驶距离确定电动汽车从起始节点到达目的节点所消耗的电量；根据起始剩余电量和消耗的电量确定到达目的节点时的剩余电量；若剩余电量小于设定阈值，则电动汽车在起始节点产生充电需求。
其中，根据车辆参数和行驶距离确定电动汽车从起始节点到达目的节点所消耗的电量的过程可以是：首先根据起始节点和目的节点间的行驶距离d01和行驶速度v确定行驶时长t01，然后根据行驶时长t01、耗电功率P及电池容量emax确定电动汽车从起始节点到达目的节点所消耗的电量SOC01。过程可以表示为：t01＝d01/v，SOC01＝pt01/emax。根据起始剩余电量和消耗的电量确定到达目的节点时的剩余电量可以表示为：SOC1＝SOC0-SOC01。若剩余电量小于设定阈值，则电动汽车在起始节点产生充电需求，充电需求包括起始节点s0、目的节点s1、出发时间戳t0及剩余电量SOC0。
本实施例中，产生充电需求，则获取充电时长、充电电量及充电需求。其中，获取充电电量的方式可以是：对电动汽车的历史充电记录进行统计，获得历史充电电量的平均值及方差，基于历史充电电量的平均值及方差获得充电电量的概率分布，最后基于该概率分布进行随机抽样，获得充电电量SOCc0。获取充电时长的方式可以是：将充电电量SOCc0与充电功率Pc作商，获得充电时长tc0。公式可以表示为：tc0＝SOCc0·emax/Pc。
其中，确定电动汽车到达目的节点的到达时间戳可以表示为：ta1＝t0+tc0+t01。确定电动汽车到达目的节点的剩余电量可以是表示：SOC1＝SOC0+SOCc0-SOC01。
本实施例中，抽样获取电动汽车在目的节点的停留时长的方式可以是：首先获取目的节点的功能类型及达到时间戳所处的时段，然后确定在该时段内该功能类型节点的停留时长概率分布，基于该概率分布进行随机抽样，获得目的节点的停留时长tp1。其中，停留时长概率分布的获取方式可以是：获取电动汽车在历史时段内的在各时段各功能类型节点停留时长的平均值及方差，根据该平均值和方差确定正态分布的停留时长概率分布。停留时长概率分布可以由停留时长概率分布矩阵表示。
具体的，根据到达时间戳和停留时长确定目的节点的出发时间戳可以表示为：t2＝ta1+tp1。
本实施例中，若目的节点的出发时间戳处于设定周期内，则将目的节点作为新的起始节点，按照上述方式循环执行确定下一个目的节点的出发时间戳和剩余电量的操作。即确定目的节点s2的出发时间戳和剩余电量，依次类推，依次确定目的节点s3、s4…si的出发时间戳和剩余电量，直到确定出的目的节点si的出发时间戳超过设定周期，则停止操作，最终形成由多个节点构成的模拟出行链。示例性的，图2是本实施例中的一种模拟出行链的示意图，如图2所示，模拟出行链包括空间链、时间链及能量链。
本实施例中，对于每个电动汽车，按照上述方式确定该电动汽车的模拟出行链，然后从提取每个模拟出行链上的至少一个充电需求，获得充电需求集。
示例性的，图3是本发明实施例中的确定电动汽车在设定周期内的模拟出行链及充电需求集的原理图，如图3所示，该过程包括如下步骤：
1)开始。
2)选择编号w＝1的典型场景。
3)选择编号k＝1的电动汽车。
4)若k大于N，则更新典型场景的编号：w＝w+1。若k小于或等于N，则初始化电动汽车参数：电池容量、行驶速度、耗电功率及充电功率。
5)抽样获取起始节点、出发时间戳、起始剩余电量。
6)根据空间转移概率信息确定目的节点。
7)计算起始节点与目的节点间的行驶距离及消耗电量。
8)若到达目的节点的剩余电量小于设定阈值，则起始节点产生充电需求，获取充电时长及充电后的剩余电量。
9)若到达目的节点的剩余电量大于设定阈值，直接计算到达目的节点的时间戳及剩余电量。
10)根据停留时长概率分布确定在目的节点的停留时长。
11)计算离开目的节点的时间戳。
12)判断离开目的节点的时间戳是否超出设定周期。
13)若离开目的节点的时间戳未超出设定周期，则将目的节点作为新的起始节点，并返回执行步骤6)。
14)若离开目的节点的时间戳超出设定周期，则更新电动汽车编号，继续获取下一个电动汽车的模拟出行链。
S120，初始化多个候选充电站。
本实施例中，根据建设条件，预先确定M个候选充电站。
S130，根据充电需求集和多个候选充电站确定用户损失信息。
其中，用户损失信息由充电电价、充电绕行距离、充电桩数量及充电站周围的兴趣点来确定。
具体的，根据充电需求集和多个候选充电站确定用户损失量化信息的方式可以是：获取各充电站在各时段的充电电价；对于每个充电需求和每个候选充电站，确定充电需求在候选充电站的充电状态；根据充电需求及候选充电站确定充电绕行距离；获取距离候选充电站设定距离内的兴趣点评分集；基于充电电价、充电状态、绕行距离及兴趣点评分集确定充电需求相对于候选充电站的用户损失信息。
其中，充电电价可以是充电站n在时段m的电价，可以表示为pn(m)。
对于充电需求集中的每个充电需求，确定该充电需求q对应的节点达到候选充电站n的行驶时长、到达时间戳、到达剩余电量以及在候选充电站的充电时长及充电电量。然后确定出充电需求q在候选充电站n的充电起始时间和充电结束时间/>然后确定出充电需求q在该候选充电站n的充电状态。充电状态可以表示为：/>其中，zq,n,m＝1表示时段m内充电需求q由充电站n满足。
本实施例中，假设充电需求q的起始节点为Oq，目的节点为Dq，则充电需求q相对于充电站n的充电绕行距离为dq,n＝d(Oq,n)+d(n,Dq)d(Oq,Dq)。
本实施例中，获取距离候选充电站n设定距离范围内的兴趣点集合H，根据兴趣点h的设施种类确定其评分f(h)。
本实施例中，用户损失信息的计算公式可以表示为：
其中，rn为充电站n内充电桩数量，根据后续的充电站优化模型确定，c1、c2、c3、c4分别为充电电价、充电绕行距离、充电桩数量及兴趣点的影响权重，L0为用户损失的基准值，可以预先设置。
S140，基于充电需求集、多个候选充电站及用户损失信息构建充电站优化模型。
本实施例中，充电站优化模型的目标函数为实现充电站建设成本、运行成本与用户损失成本最低，模型的约束条件包括满足用户充电需求、满足配电网容量约束。求解优化模型，得到各待选充电站的建设方案和每个建设充电站中充电桩的数量。
具体的，基于充电需求集、多个候选充电站及用户损失信息构建充电站优化模型的方式为可以是：对于每个候选充电站，获取候选充电站的固定投资成本、可变投资成本及用户损失成本；将固定运行成本、可变运行成本及用户损失成本确定候选充充电站的总成本；将多个候选充电站的总成本进行累加，获得充电站优化模型。
具体的，获取候选充电站的固定投资成本的方式可以是：获取候选充电站的固定土地成本、固定运行成本及设备成本；将固定土地成本、固定运行成本及设备成本进行累加，获得固定投资成本。
其中，固定土地成本可以表示为：其中，/>表示候选充电站n的土地成本单价，Afi表示固定土地使用面积。固定运行成本可以表示为Cfi，设备成本包括设备购置和设备安装成本，可以表示为Cot。则候选充电站n的固定投资成本可以表示为：其中，xn表示是否建设该候选充电站，取值为0或1，xn＝1表示建设该充电站，xn＝0表示不建设该充电站。
具体的，取候选充电站可变投资成本的方式可以是：初始化充电桩数量；获取可变土地成本、充电桩成本及接入电网的容量成本；将可变土地成本、充电桩成本及接入电网的容量成本进行累加，获得充电桩投资成本；将充电桩投资成本与充电桩数量进行相乘，获得候选充电站可变投资成本。
其中，可变土地成本可以表示为： 表示候选充电站n的土地成本单价，Ava表示新增一个充电桩占用的土地面积。可变运行成本可以表示为：Cva；充电桩成本包括充电桩购置及安装成本，可以表示为Cpu；接入电网成本可以表示为：CcaPc，其中，Cca表示接入电网的容量成本，Pc为充电功率。候选充电站可变投资成本可以表示为：其中，rn表充电站n安装的充电桩的数量。
具体的，获取候选充电站的用户损失成本的方式可以是：获取充电需求集相对候选充电站的用户损失信息及用户经济成本；基于用户损失信息和用户经济成本确定用户损失成本。
其中，用户经济成本可以表示为：Csa，则用户损失成本可以为表示为：其中，Q为充电需求集，yq,n表示充电需求q是否由充电桩n满足，取值为0或1，yq,n＝1表示充电需求q由充电桩n满足，yq,n＝0表示充电需求q未由充电桩n满足。
具体的，一个候选充电站的总成本可以表示为：
具体的，充电站优化模型可以表示为：
其中，M表示候选充电站集合。
S150，对充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量。
具体的，对充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量的过程可以是：获取如下多个约束条件：充电桩数量约束、充电需求至多被一个充电站满足、满足用户总充电需求、候选充电站对于充电需求可到达、充电桩的充电能力满足最大充电需求、所有充电站的额定容量小于或等于区域配电网总充电容量；基于多个约束条件对对充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量。
其中，充电桩数量约束可以表示为：其中，/>表示候选充电站n安装充电装的最大数量，xn表示是否建设该候选充电站，取值为0或1。充电需求至多被一个充电站满足可以表示：/>满足用户总充电需求可以表示为：其中，α为充电需求的满足率，Q为充电需求总数量。候选充电站对于充电需求可到达可以理解为从充电需求q的起始节点到达候选充电站n时的剩余电量大于或等于0时，候选充电站n对于充电需求q可到达。即eq,n≥0。候选充电站对于充电需求可到达可以表示为：/>充电桩的充电能力满足最大充电需求可以表示为：其中不等式左侧表示时段m内候选充电站n中的充电的电动汽车总数，β为充电设施的冗余量。所有充电站的额定容量小于或等于区域配电网总充电容量可以表示为：/>其中，η为容量比例，/>为区域配电网充电容量上限。
本实施例中，目标函数和多个约束条件组合的充电站优化模型是一个混合整数线性规划问题，可以使用现有的优化求解器对充电站优化模型进行求解，从而获得充电站最优建设方案和最优充电桩数量。充电站最优建设方案可以理解为哪些候选充电站要建设，哪些不进行建设；最优充电桩数量可以理解为充电站要建设的充电桩数量。其中，优化求解器可以采用CPLEX、GUROBI等，此处不做限定。
其中，目标充电站信息可以理解为要进行建设的候选充电站。
本实施例的技术方案，基于目标区域的道路网络拓扑结构获取电动汽车在设定周期内的模拟出行链及充电需求集；初始化多个候选充电站；根据充电需求集和多个候选充电站确定用户损失信息；基于充电需求集、多个候选充电站及用户损失信息构建充电站优化模型；对充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量。本发明实施例提供的电动汽车充电站的规划方法，首先构建充电站优化模型，通过对充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量，以实现对电动汽车充电站的合理规划，降低充电站的建设成本、运行成本、用户损失成本。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种电动汽车充电站的规划方法，其特征在于，包括：
基于目标区域的道路网络拓扑结构获取电动汽车在设定周期内的模拟出行链及充电需求集；其中，所述道路网络拓扑结构包括节点集和边集，且节点携带有功能类型；所述模拟出行链包括空间链、时间链及能量链；其中，所述设定周期包括多个时段；所述充电需求集中包括多个充电需求，且每个充电需求包括：行程的起始节点、目的节点、出发时间戳及剩余电量；
初始化多个候选充电站；
根据所述充电需求集和所述多个候选充电站确定用户损失信息；
基于所述充电需求集、所述多个候选充电站及所述用户损失信息构建充电站优化模型；
对所述充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量。
2.根据权利要求1所述的方法，其特征在于，基于目标区域的道路网络拓扑结构获取电动汽车在设定周期内的模拟出行链，包括：
获取电动汽车的车辆参数；其中，所述车辆参数包括电池容量、行驶速度、耗电功率及充电功率；
对于每个电动汽车，随机抽样所述电动汽车的出发时间戳、起始剩余电量及起始节点；
根据所述道路网络拓扑结构的空间转移概率信息、所述出发时间戳及所述起始节点确定目的节点；
确定所述起始节点和所述目的节点间的行驶距离；
根据所述车辆参数、所述起始剩余电量和所述行驶距离判断所述电动汽车在所述起始节点是否产生充电需求；
若产生充电需求，则获取充电时长、充电电量及充电需求；
确定所述电动汽车到达所述目的节点的到达时间戳及剩余电量；
抽样获取所述电动汽车在所述目的节点的停留时长；
根据所述到达时间戳和所述停留时长确定所述目的节点的出发时间戳；
若所述出发时间戳处于所述设定周期，则将所述目的节点作为新的起始节点，循环执行确定下一个目的节点的出发时间戳和剩余电量的操作，直到超出所述设定周期，获得所述电动汽车的模拟出行链；
提取每个电动汽车对应的模拟出行链上的至少一个充电需求，获得充电需求集。
3.根据权利要求2所述的方法，其特征在于，随机抽样所述电动汽车的出发时间戳、起始剩余电量及起始节点，包括：
获取电动汽车的出发时间概率分布、起始剩余电量概率分布及在各时间段各节点的概率分布；
基于所述出发时间概率分布随机抽样所述电动汽车的出发时间戳；
根据所述起始剩余电量概率分布随机抽样所述电动汽车的起始剩余电量；
基于所述电动汽车在各时间段各节点的概率分布及所述出发时间戳随机抽样所述电动汽车的起始节点。
4.根据权利要求2所述的方法，其特征在于，根据所述车辆参数、所述起始剩余电量和所述行驶距离判断所述电动汽车在所述起始节点是否产生充电需求，包括：
根据所述车辆参数和所述行驶距离确定所述电动汽车从所述起始节点到达所述目的节点所消耗的电量；
根据所述起始剩余电量和所述消耗的电量确定到达所述目的节点时的剩余电量；
若所述剩余电量小于设定阈值，则所述电动汽车在所述起始节点产生充电需求。
5.根据权利要求1所述的方法，其特征在于，根据所述充电需求集和所述多个候选充电站确定用户损失量化信息，包括：
获取各充电站在各时段的充电电价；
对于每个充电需求和每个候选充电站，确定所述充电需求在所述候选充电站的充电状态；
根据所述充电需求及所述候选充电站确定充电绕行距离；
获取距离所述候选充电站设定距离内的兴趣点评分集；
基于所述充电电价、充电状态、绕行距离及所述兴趣点评分集确定所述充电需求相对于所述候选充电站的用户损失信息。
6.根据权利要求1所述的方法，其特征在于，基于所述充电需求集、所述多个候选充电站及所述用户损失信息构建充电站优化模型，包括：
对于每个候选充电站，获取所述候选充电站的固定投资成本、可变投资成本及用户损失成本；
将所述固定运行成本、可变运行成本及所述用户损失成本确定所述候选充充电站的总成本；
将所述多个候选充电站的总成本进行累加，获得充电站优化模型。
7.根据权利要求6所述的方法，其特征在于，获取所述候选充电站的固定投资成本，包括：
获取所述候选充电站的固定土地成本、固定运行成本及设备成本；
将所述固定土地成本、固定运行成本及设备成本进行累加，获得固定投资成本。
8.根据权利要求6所述的方法，其特征在于，获取所述候选充电站可变投资成本，包括：
初始化充电桩数量；
获取可变土地成本、可变运行成本、充电桩成本及接入电网成本；
将所述可变土地成本、可变运行成本、充电桩成本及接入电网成本进行累加，获得充电桩投资成本；
将所述充电桩投资成本与所述充电桩数量进行相乘，获得所述候选充电站可变投资成本。
9.根据权利要求6所述的方法，其特征在于，获取所述候选充电站的用户损失成本，包括：
获取所述充电需求集相对所述候选充电站的用户损失信息及用户经济成本；
基于所述用户损失信息和所述用户经济成本确定用户损失成本。
10.根据权利要求1所述的方法，其特征在于，对所述充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量，包括：
获取如下多个约束条件：充电桩数量约束、充电需求至多被一个充电站满足、满足用户总充电需求、候选充电站对于充电需求可到达、充电桩的充电能力满足最大充电需求、所有充电站的额定容量小于或等于区域配电网总充电容量；
基于所述多个约束条件对对所述充电站优化模型进行求解，获得目标充电站信息及各目标充电站包含的充电桩数量。
CN202310509532.7A 2023-05-06 2023-05-06 一种电动汽车充电站的规划方法 Pending CN116542377A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310509532.7A CN116542377A (zh) 2023-05-06 2023-05-06 一种电动汽车充电站的规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310509532.7A CN116542377A (zh) 2023-05-06 2023-05-06 一种电动汽车充电站的规划方法

Publications (1)

Publication Number Publication Date
CN116542377A true CN116542377A (zh) 2023-08-04

Family

ID=87451821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310509532.7A Pending CN116542377A (zh) 2023-05-06 2023-05-06 一种电动汽车充电站的规划方法

Country Status (1)

Country Link
CN (1) CN116542377A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117496734A (zh) * 2023-10-19 2024-02-02 南昌大学 一种基于信息物理社会智能的新能源汽车自主行为的决策方法及其系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117496734A (zh) * 2023-10-19 2024-02-02 南昌大学 一种基于信息物理社会智能的新能源汽车自主行为的决策方法及其系统

Similar Documents

Publication Publication Date Title
CN105160428A (zh) 高速公路电动汽车快速充电站的规划方法
CN108074017A (zh) 电动汽车充电负荷预测方法及装置
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
CN111199320B (zh) 基于出行概率矩阵的电动汽车充电负荷时空分布预测方法
CN111523714B (zh) 一种电力充电站选址布局方法及装置
CN114021320B (zh) 群体电动汽车灵活性计算方法、装置、电子设备和存储介质
CN111047120B (zh) 一种路-电耦合网络下电动汽车充电负荷预测方法
Su et al. Forecast of electric vehicle charging demand based on traffic flow model and optimal path planning
CN116542377A (zh) 一种电动汽车充电站的规划方法
CN113077085A (zh) 一种服务于电动汽车的移动充电车驻地规划方法
Zhang et al. The effect of nonlinear charging function and line change constraints on electric bus scheduling
CN109672199B (zh) 一种基于能量平衡的电动汽车削峰填谷能力估计方法
CN112550050B (zh) 一种电动汽车充电方法和系统
CN113067355B (zh) 提升电网可靠性的电动汽车灵活性挖掘与协同调控方法
Akbari et al. Futuristic model of electric vehicle charging queues
Coninx et al. Anticipatory coordination of electric vehicle allocation to fast charging infrastructure
CN110516372B (zh) 计及准动态交通流的电动汽车荷电状态时空分布模拟方法
CN112736941A (zh) 一种基于移动储能电动汽车的可调度容量预测方法及装置
CN109117972A (zh) 一种电动汽车的充电需求确定方法
Du et al. Mobile applications and algorithms to facilitate electric vehicle deployment
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
CN111242403A (zh) 一种充电站充电负荷预测方法、装置设备及存储介质
Morro-Mello et al. Spatial-temporal model to estimate the load curves of charging stations for electric vehicles
He et al. Multi-time simulation of electric taxicabs' charging demand based on residents' travel characteristics
Thorat et al. Performance assessment of distribution network with electric vehicle penetration

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