CN116797002B - 电动汽车充电站规划方法、装置及存储介质 - Google Patents
电动汽车充电站规划方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116797002B CN116797002B CN202311035307.0A CN202311035307A CN116797002B CN 116797002 B CN116797002 B CN 116797002B CN 202311035307 A CN202311035307 A CN 202311035307A CN 116797002 B CN116797002 B CN 116797002B
- Authority
- CN
- China
- Prior art keywords
- charging
- charging station
- representing
- station
- 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 71
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 86
- 239000002245 particle Substances 0.000 claims abstract description 60
- 238000010586 diagram Methods 0.000 claims abstract description 38
- 230000014509 gene expression Effects 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims description 44
- 238000010276 construction Methods 0.000 claims description 40
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 25
- 230000005611 electricity Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010348 incorporation Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000004513 sizing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012876 topography 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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及公开了一种电动汽车充电站规划方法、装置及存储介质。首先,本发明对规划区域内电动汽车的充电需求和充电桩数量进行分析,并设计对应的数学表达式。然后,基于Voronoi图对充电站的服务范围进行划分,符合用户就近选择充电站的原则。并利用Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离,使充电路径的选择更加合理。其次,综合考虑充电站运营商和用户的经济成本,构建了计及充电站运营商和用户成本最小的充电站规划模型。最后,针对所构建的充电站规划模型,提出了一种基于自适应惯性权重的粒子群算法进行求解,以验证所提模型及方法的有效性。
Description
技术领域
本发明涉及充电站规划技术领域,特别涉及一种电动汽车充电站规划方法、装置及存储介质。
背景技术
为了有效降缓解一次能源紧张,从交通行业的角度来看,研发与推广清洁、节能、高效的电动汽车是十分有必要的。而随着电动汽车数量的持续上升,消费者对于充电站的实际需求也在不断增加,因此亟需同步推进充电基础设施的建设进程。
随着电动汽车领域的迅猛发展,目前关于电动汽车充电站选址定容研究已取得了一定的成果。公开号CN112561322A的专利:一种基于机器学习的充电桩选址方法,未能将用户的充电便捷程度纳入到目标模型总,以至于用户的充电满意度较低;公开号CN114611783A的专利:一种区域范围内电动汽车充电桩选址算法及系统,在设计充电站选址方案时未能将交通流量信息要素考虑在内,分析的不够全面,致使所得方案的实用性不高;公开号CN109800940A的专利:一种充电桩选址方法及装置,采用网格法+停车场法来进行充电站的规划,虽然能够取得较好效果,但受区域划分影响严重,同时实践较为困难;以往研究大部分从各自的角度提出了不同的规划模型,但仍然存在未能在充电基础设施规划过程中考虑周全、充电基础设施的配置情况不合理。因此,亟需细化充电站规划过程中的影响要素,分析用户的最佳充电路径,进而设计一种更加全面、更加有效的充电站规划方案。
发明内容
针对上述问题,本发明在兼顾道路交通流量信息以及用户充电路径的基础上,提出了电动汽车充电站规划方法、装置及存储介质,目的是在分析充电站规划多元要素的基础上,设计用户的便捷充电路径,提升方案的实用性以及可行性。
电动汽车充电站规划方法,所述方法包括:
对规划区域内电动汽车的充电需求和充电桩数量进行分析,并设计对应的数学表达式;
基于Voronoi图在符合用户就近选择充电站的原则下对充电站的服务范围进行划分,并利用Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离;
以充电站运营商成本和用户成本,根据所述分析和实际最短距离为优化目标构建充电站选址定容优化模型,并结合实际情况设置相应的约束条件;
利用基于自适应惯性权重的粒子群算法对所述充电站选址定容优化模型进行求解,获取服务范围内的电动汽车充电站规划方案。
进一步的,所述对规划区域内电动汽车的充电需求和充电桩数量进行分析,具体包括:
对规划区域内电动汽车充电需求的分析以及充电站站内充电桩数量的分析,同时还包含两者数学表达式的构建。
进一步的,所述对规划区域内电动汽车充电需求的分析以及充电站站内充电桩数量的分析,同时还包含两者数学表达式的构建,具体包括:
假设有Mi个路段直接连接到交叉口节点i,使用来表示与交叉口节点i相连的第m个路段中每单位时间的交通流量;因此,交叉口节点i处的单位时间的车流量/>的计算如式(1)所示:
;
式中: i代表交叉口节点名称;
假设η1为电动汽车在交通流量中的占比,η2为电动汽车流量中需要充电的电动汽车数量的占比,因此,在交叉口节点i单位时间内需要充电的电动汽车数量Ni可以表示为:
;
假设充电站a为q个路口节点提供充电服务,单位时间内该充电站需要服务的电动汽车数量表示为:
。
进一步的,所述对规划区域内电动汽车充电需求的分析以及充电站站内充电桩数量的分析,同时还包含两者数学表达式的构建,具体还包括:
充电桩数量的设置原则为:在每个充电站覆盖的服务范围内满足单位时间用户的最大充电需求,充电站a内配置的充电桩数量表示为:
;
式中: Cap代表电动汽车电池的平均容量;ρ代表电动汽车的充电损耗比;t1代表充电站的运行时间;P代表充电站内充电桩的充电功率;η3代表充电桩的充电效率;η4代表站内充电桩的充电同时率;[]为取整符号。
进一步的,所述基于Voronoi图在符合用户就近选择充电站的原则下对充电站的服务范围进行划分,并利用Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离,具体包括:
联络2个邻接点段的垂直平分线构成的多边形称为Voronoi图,从多边形中的任何点到多边形生成器的距离始终小于与相邻多边形生成器的距离;假设平面上的点集为H={h1,h2,...hc},c>3,则Voronoi图定义为:
;
式中:hc代表多边形c的生成元素;x代表多边形中的任何点;d(x,hc)代表从多边形中任意点到生成器的欧几里得距离;d(x,he)代表从多边形c中的任何点到多边形的e生成元素的欧几里得距离。
进一步的,所述基于Voronoi图在符合用户就近选择充电站的原则下对充电站的服务范围进行划分,并利用Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离,具体还包括:
路网拓扑结构由图论原理进行描述,路网拓扑结构表示为G=(M,I),其中M为路网中路段集合,I为路网中的交叉点集合;依据路网拓扑图获得路网拓扑矩阵D,元素dzk的值在矩阵中表示为:
;
式中:z、k分别代表两个节点;lzk代表节点z和k之间路径的实际距离;
在获得路网拓扑矩阵D后,利用Dijkstra最短路径算法得到任意两个交点之间的最短路径长度;
将集合M划分为2组,其中第1组是已经获得最短路径的顶点集合,用S进行表征,初始化过程S里仅包含s节点,被称为源点;在后续过程中,每次获得1个点的最短路径,就把其纳入至S里,直至所有顶点都纳入至S里或获得目标点的最短路径,算法执行结束;第二组则是剩下没有获得最短路径的顶点集合,用U进行表征;依据最短路径长度大小顺序把U中所有节点纳入至S里,在纳入阶段要一直维持从源点至S里所有顶点的最短路径长度小于等于S至U里所有顶点的最短路径长度;另外,各个顶点均对应一条路径,S里顶点路径即为s至该顶点的最短路径,U里顶点路径即为从s至该顶点同时涵盖S里节点当作中间节点的最短路径长度;算法步骤包括:
1)算法初始化过程中,S仅涵盖源点,也就是S={s},此时s的距离是0;U中涵盖除了s以外的所有顶点,也就是U={其余顶点};如果s和U里的顶点u存在边,那么<u,s>具备正常的有权值,如果u并非s的出边相接点,那么<u,s>的权值是∞;
2)从U里挑选1个距M最近的顶点n,将n纳入至S里,此确定的距离即为s至n的最短路径长度;
3)以n为新考虑的中间点,修改U中各顶点的距离;若从源点经过顶点n到顶点u的距离比原来不经过顶点n距离短,则修改顶点u的距离值,修改后的距离值的顶点n的距离加上边上的权;
4)重复上述步骤2)与3),直至全部顶点都纳入到S里。
进一步的,以充电站运营商成本和用户成本,根据所述分析和实际最短距离为优化目标构建充电站选址定容优化模型,并结合实际情况设置相应的约束条件,具体包括:
优化目标的目标函数表示为:
;
式中:C1代表充电站的年度建设成本,C2代表充电站的年运维成本;C3代表充电站的营业收入;C4代表用户开车到充电站的等效成本;C5代表用户在充电站的排队成本;C6代表用户的充电成本。
进一步的,所述充电站的年度建设成本,以充电桩数量的函数表示为
;
式中:A代表充电站的数量;代表充电站a有/>个充电桩时的固定建设成本;α代表贴现率;β代表充电站的投资回收期。
进一步的,所述对充电站的年运维成本,以充电桩数量的函数表示为:
;
式中:γ代表转换系数;A代表充电站的数量;代表充电站a有个充电桩时的固定建设成本;α代表贴现率;β代表充电站的投资回收期。
进一步的,所述对充电站的营业收入
来自于向电网买电与售电给电动汽车用户之间的差额,表述如下式:
;
式中:g1代表充电站向用户出售的电价;g2代表充电站向上级电网购买的电价;I代表充电需求点数量;t1代表充电站的运行时间;P代表充电站内充电桩的充电功率;η3代表充电桩的充电效率;η4代表站内充电桩的充电同时率;Ni代表在交叉口节点i单位时间内需要充电的电动汽车数量。
进一步的,所述对用户开车到充电站的等效具体
表示如下式:
;
式中:g3代表电动汽车在前往目标充电站过程中单位行驶距离的损失;g4代表用户的单位时间价值;v代表电动汽车的平均速度;A代表充电站的集合;d(i,a)代表第i个充电需求点距离充电站a的实际距离;I代表充电需求点数量;Ni代表在交叉口节点i单位时间内需要充电的电动汽车数量。
进一步的,所述对用户在充电站的排队成本具体
表示如下式:
;
式中:Ta代表用户在第a个充电站站内充电时的排队等待时间;g4代表用户的单位时间价值;A代表充电站的数量;I代表充电需求点数量;Ni代表在交叉口节点i单位时间内需要充电的电动汽车数量。
进一步的,所述对用户的充电成本具体表示如下式:;
式中:g1代表充电站向用户出售的电价;Cap代表电动汽车电池的平均容量;I代表充电需求点数量;Ni代表在交叉口节点i单位时间内需要充电的电动汽车数量。
进一步的,构建充电站选址定容优化模型,具体包括:
构建充电需求点与充电站之间的距离约束、站内充电桩数量约束以及充电站建设间距约束。
进一步的,所述充电需求点与充电站之间的距离约束,具体包括:
第i个充电需求点距离充电站a的实际距离与充电站的有效服务半径R的的关系为:
。
进一步的,所述对站内充电桩数量约束具体
表示如下式:
;
式中:代表充电桩数量的最小值;/>代表充电站a内配置的充电桩数量;/>代表充电桩数量的最大值。
进一步的,所述对充电站建设间距约束,具体包括:
充电站的有效服务半径和相邻充电站的实际距离遵守以下约束条件:
;
式中:d(a,a+1)代表第a个充电站和第a+1个充电站之间的实际距离。
进一步的,利用基于自适应惯性权重的粒子群算法对所述充电站选址定容优化模型进行求解,获取服务范围内的电动汽车充电站规划方案,具体包括:
利用基于自适应惯性权重的粒子群算法对所述充电站选址定容优化模型进行求解,获取服务范围内的电动汽车充电站规划方案,求解的详细表达式如下:
;
式中:ω代表改进后粒子群算法的惯性权重;ωmax、ωmin分别代表惯性权重的上下限;F代表粒子的适应值;Fav代表每代粒子的平均适应值;Fmax代表粒子群里最大的适应值;
求解的详细步骤如下:
(1)模型参数输入:输入充电站模型的相关参数,包括规划区域的地形图、充电的电动汽车占比、电池平均容量、充电效率、充电同时率参数;
(2)算法初始化:初始化算法的相关参数,在允许范围内随机产生初始搜索点的位置与速度,同时把产生的J个充电站的坐标视为粒子群的初始位置;基于Voronoi图绘制每个充电站的充电服务区域;并根据Dijkstra最短路径算法来确定各个用户到充电站的实际距离;
(3)适应度值计算:计算各个粒子的适应度值;根据公式来计算各个粒子的适应度值,其中:代表优化目标的目标函数;C1代表充电站的年度建设成本;C2代表充电站的年运维成本;C3代表充电站的营业收入;C4代表用户开车到充电站的等效成本;C5代表用户在充电站的排队成本;C6代表用户的充电成本;
(4)粒子的惯性权重、速度和位置更新:更新所有粒子的惯性权重、速度与位置参数,同时形成充电站的新坐标集合;
(5)判断是否符合迭代终止条件:如果符合,那么直接输出结果;如果不符合,那么将返回继续执行步骤(2),直到超过最大迭代次数。
电动汽车充电站规划装置,包括:充电需求分析单元、服务范围和充电路径规划单元、目标和约束条件构建单元,以及计算单元;
充电需求分析单元,用于对规划区域里电动汽车充电需求和充充电桩数量进行分析,并设计对应的数学表达式;
服务范围和充电路径规划单元,用于基于Voronoi图在符合用户就近选择充电站的原则下对充电站的服务范围进行划分,并利用Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离;
目标和约束条件构建单元,用于以充电站运营商成本和用户成本,根据所述分析和实际最短距离为优化目标构建充电站选址定容优化模型,并结合实际情况设置相应的约束条件;
计算单元,用于利用基于自适应惯性权重的粒子群算法对所述充电站选址定容优化模型进行求解,获取服务范围内的电动汽车充电站规划方案。
一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述的电动汽车充电站规划方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的电动汽车充电站规划方法。
本发明至少具备以下有益效果:
本发明在前人研究的基础上,考虑了道路交通流量信息、全年社会总成本、用户充电路径选择多元要素,提出了一种基于各路段交通流量信息和全年社会总成本的电动汽车充电站位置和容量模型。为了使所得充电站选址方案更加合理,本发明对规划区域内电动汽车的充电需求和充电站站内的充电桩数量进行了分析,有助于降低系统的总运行成本。另外,为了保证用户充电的便捷性,本发明基于Voronoi图来确定充电站的服务范围,并利用Dijkstra最短路径算法来计算各个用户到充电站的实际路径距离。针对所建立的充电站选址定容模型,提出一种考虑自适应惯性权重的粒子群算法对其进行求解,以验证所提模型及方法的有效性。
本发明在考虑道路交通流量、充电需求、用户充电便捷程度、总运行成本要素的基础上,提出了一种充电站选址定容优化策略,既能够使得规划区域内充电站的分布以及站内充电容量的配置更加合理,同时也能够有效保证用户就近选择充电站的原则,提升用户充电时的满意程度,在降低系统总成本的同时,也使所得充电站规划方案更加合理、经济。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明实施例充电站规划方法流程图;
图2为路网拓扑结构图;
图3为电动汽车充电站规划方案求解流程;
图4为本发明实施例充电站规划装置结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术中,关于充电站规划方法已经取得了一定的成果。然而,以往研究大部分从各自的角度提出了不同的规划模型,但仍然存在未能在充电基础设施规划过程中考虑周全、充电基础设施的配置情况不合理的情况。因此,亟需细化充电站规划过程中的影响要素,分析用户的最佳充电路径,进而设计一种更加全面、更加有效的充电站规划方案。
为此,如图1至图4所示,本发明提出了(考虑多要素的)电动汽车充电站规划方法、装置及存储介质,包括电动汽车充电站规划方法、电动汽车充电站规划装置、一种电子设备和一种计算机可读存储介质。
本发明在前人研究的基础上,考虑了道路交通流量信息、全年社会总成本、用户充电路径选择多元要素,提出了一种基于各路段交通流量信息和全年社会总成本的电动汽车充电站位置和容量模型。为了使所得充电站选址方案更加合理,本发明对规划区域内电动汽车的充电需求和充电站站内的充电桩数量进行了分析,有助于降低系统的总运行成本。另外,为了保证用户充电的便捷性,本发明基于Voronoi图来确定充电站的服务范围,并利用Dijkstra来计算各个用户到充电站的实际路径距离。针对所建立的充电站选址定容模型,提出一种考虑自适应惯性权重的粒子群算法对其进行求解,以验证所提模型及方法的有效性。
第一方面,如图1所示,本发明提出了电动汽车充电站规划方法,特别是考虑道路交通信息、用户充电路径选择以及充电站总成本的充电站规划策略,该方法所包含的步骤流程如下:
首先,分析了规划区域内电动汽车的充电需求和充电桩数量,同时设计了对应的数学表达式;
其次,基于Voronoi图对充电站的服务范围进行了有效划分,符合用户就近选择充电站的原则。同时基于Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离,使用户的充电路径选择更加合理;
然后,以充电站运营商成本和用户成本为优化目标构建了充电站选址定容优化模型,并结合实际情况设置了相应的约束条件;
最后,提出了一种基于自适应惯性权重的粒子群算法,并设计了基于自适应惯性权重的粒子群算法的充电站选址定容优化策略求解流程。
下面结合附图对本发明的具体实施方式和步骤作进一步的详细说明。
步骤1分析了规划区域内电动汽车的充电需求和充电桩数量,同时设计了对应的数学表达式;
(1)电动汽车充电需求分析
电动汽车充电站的总充电需求与规划区域内的电动汽车数量和车载电池容量息息相关;然而由于各个路段的交通流是不对称、双向的,因此本发明统一选择流出节点的交通流;假设有Mi个路段直接连接到交叉口节点i,使用来表示与交叉口节点i相连的第m个路段中每单位时间的交通流量;因此,交叉口节点i处的单位时间的车流量/>的计算如式(1)所示:
;
式中:Mi代表和交叉口节点i相连的路段数量;i代表交叉口节点名称;代表与交叉口节点i相连的第m个路段中单位时间的交通流量;/>代表交叉口节点i处的单位时间的车流量,为了方便后续充电需求的计算,本发明将每个路段产生的充电需求等价于各个路口节点产生的充电需求,因此交叉口节点也是充电需求点。
假设η1为电动汽车在交通流量中的占比,η2为电动汽车流量中需要充电的电动汽车数量的占比,因此,在交叉口节点i单位时间内需要充电的电动汽车数量Ni可以表示为:
;
式中:η1代表电动汽车在交通流量中的占比;η2代表电动汽车流量中需要充电的电动汽车数量的占比;Ni代表交叉口节点i单位时间内需要充电的电动汽车数量。
假设充电站a为q个路口节点提供充电服务,单位时间内该充电站需要服务的电动汽车数量可以表示为:
;
式中:q代表充电站需要服务的路口交叉口节点数;Nua代表单位时间内第a个充电站需要服务的电动汽车数量。
(2)充电桩数量分析
充电桩数量的设置原则为在每个充电站覆盖的服务范围内满足单位时间用户的最大充电需求,因此,充电站a内配置的充电桩数量可以表示为:
;
式中:代表充电站内配置的充电桩数量;Cap代表电动汽车电池的平均容量;ρ代表电动汽车的充电损耗比;t1代表充电站的运行时间;P代表充电站内充电桩的充电功率;η3代表充电桩的充电效率;η4代表站内充电桩的充电同时率;[]为取整符号。
步骤2基于Voronoi图对充电站的服务范围进行了有效划分,符合用户就近选择充电站的原则;同时基于Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离,使用户的充电路径选择更加合理;
(1)充电站服务范围划分
联络2个邻接点段的垂直平分线构成的多边形称为Voronoi图,其主要特点为从多边形中的任何点到多边形生成器的距离始终小于与相邻多边形生成器的距离。假设平面上的点集为H={h1,h2,...hc},c>3,则Voronoi图可以定义为:
;
式中:hc代表多边形c的生成元素;x代表多边形中的任何点;d(x,hc)代表从多边形中任意点到生成器的欧几里得距离;d(x,he)代表从多边形c中的任何点到多边形e的生成元素的欧几里得距离。
在本发明中,Voronoi图被用来分割服务区域,其中把充电站的候选点集合当作点集,把需求点当作其中的个体,也就是每一个点。将充电站候选点的集合看作生长点来绘制Voronoi图,由其特点可以得到,某个充电站服务区域内的需求点至此站的距离小于其至别的充电站的距离,故满足用户就近选择充电站的原则。传统Voronoi图以欧氏距离为划分标准,为了更好地满足实际情况,本发明利用需求点与充电站之间的实际距离来划分服务范围。为了得到需求点与充电站之间的实际最短距离,本发明利用Dijkstra最短路径算法进行求解。
(2)充电路径的选择
1)路网拓扑结构
路网拓扑结构由图论原理进行描述,路网拓扑结构常常表示为G=(M,I),其中M为路网中路段集合,I为路网中的交叉点集合。依据路网拓扑图就能够获得路网拓扑矩阵D,元素dzk的值在矩阵中可以表示为:
;
式中:z、k分别代表两个节点;lzk代表节点z和k之间路径的实际距离。
以图2的路网拓扑结构为例,路网拓扑矩阵D如表1所示。
表1 路网拓扑矩阵
在获得路网拓扑矩阵D后,利用Dijkstra最短路径算法可以得到任意两个交点之间的最短路径长度。
(3)Dijkstra最短路径算法
Dijkstra算法是由Dijkstra在1959年所提出的,主要应用于分析幂图中的最短路径难题。Dijkstra算法即为把某个起点当做中心向别的节点进行扩散,其核心思想为每延伸一个新的距离即会显露出1个最短距离的点。上述即为Dijkstra算法里最具代表性的最短路径路算法,该种算法正是基于Dijkstra算法实现最短距离为出发点得以实现的。
该算法核心思路为在有向图G=(M,I)里,将集合M划分为2组,其中第1组是已经获得最短路径的顶点集合,用S进行表征,初始化过程S里仅包含s节点,被称为源点。在后续过程中,每次获得1个点的最短路径,就把其纳入至S里,直至所有顶点都纳入至S里或获得目标点的最短路径,算法执行结束。第二组则是剩下没有获得最短路径的顶点集合,用U进行表征。依据最短路径长度大小顺序把U中所有节点纳入至S里,在纳入阶段要一直维持从源点至S里所有顶点的最短路径长度小于等于s至U里所有顶点的最短路径长度。另外,各个顶点均对应一条路径,S里顶点路径即为s至该顶点的最短路径,U里顶点路径即为从s至该顶点同时涵盖S里节点当作中间节点的最短路径长度。算法步骤如下所示:
1)算法初始化过程中,S仅涵盖源点,也就是S={s},此时s的距离是0。U中涵盖除了s以外的所有顶点,也就是U={其余顶点}。如果s和U里的顶点u存在边,那么<u,s>具备正常的有权值,如果u并非s的出边相接点,那么<u,s>的权值是∞。
2)从U里挑选1个距s最近的顶点n,将n纳入至S里,此确定的距离即为s至n的最短路径长度。
3)以n为新考虑的中间点,修改U中各顶点的距离;若从源点经过顶点n到顶点u的距离比原来不经过顶点n距离短,则修改顶点u的距离值,修改后的距离值的顶点n的距离加上边上的权。
4)重复上述步骤2)与3),直至全部顶点都纳入到S里。
步骤3以充电站运营商成本和用户成本为优化目标构建了充电站选址定容优化模型,并结合实际情况设置了相应的约束条件;
(1)目标函数
经济成本显著影响了充电站的建设以及用户对目标充电站的选择。本发明从充电站和用户的经济成本入手,以两者总成本最小为目标来确定充电站的规划模型。目标函数可以表示为:
;
式中:C1代表充电站的年度建设成本,C2代表充电站的年运维成本;C3代表充电站的营业收入;C4代表用户开车到充电站的等效成本;C5代表用户在充电站的排队成本;C6代表用户的充电成本。
1)充电站的年建设成本
所述充电站的年度建设成本,以充电桩数量的函数表示为:
;
式中:A代表充电站的数量;代表充电站a有/>个充电桩时的固定建设成本;α代表贴现率;β代表充电站的投资回收期。
2)充电站的年运维成本
然而土地、充电桩、配电系统、监控系统的运维成本与站内充电桩的数量有关,可以看作是充电桩数量的函数,因此充电站的运维成本可以表示为:
;
式中:γ代表转换系数。
3)充电站的营业收入
充电站的营业收入主要来自于向电网买电与售电给电动汽车用户之间的差额,可以表述如下:
;
式中:g1代表充电站向用户出售的电价;g2代表充电站向上级电网购买的电价;I代表充电需求点数量。
4)用户充电成本
用户充电成本(即用户开车到充电站的等效成本)包含了用户从原路线行驶至目标充电站的交通费用、在充电站站内排队等待的费用以及充电时的电费。用户行驶至目标充电站的费用可以表示如下:
;
式中:g3代表电动汽车在前往目标充电站过程中单位行驶距离的损失;g4代表用户的单位时间价值;v代表电动汽车的平均速度;A代表充电站的集合;d(i,a)代表第i个充电需求点距离充电站a的实际距离。
用户在充电站站内排队的成本/费用可以表示如下:
;
式中:Ta代表用户在第a个充电站站内充电时的排队等待时间。
电动汽车用户在充电站站内的充电费用可以表示为:
;
(2)约束条件
1)充电需求点与充电站之间的距离约束
为了保证充电站的服务质量,最大化用户的充电满意度,第i个充电需求点距离充电站a的实际距离d(i,a)与充电站的有效服务半径R的关系为:
;
式中:d(i,a)代表第i个充电需求点距离充电站a的有效距离;R为充电站的有效服务半径。
2)站内充电桩数量约束
充电站中充电桩数量的限制可以表示为:
;
式中:代表充电桩数量的最小值;/>代表充电桩数量的最大值。
3)充电站建设间距约束
充电站的有效服务半径R和相邻充电站的实际距离应遵守以下约束条件:
;
式中:d(a,a+1)代表第a个充电站和第a+1个充电站之间的实际距离。
步骤4提出了一种基于自适应惯性权重的粒子群算法,并设计了基于自适应惯性权重的粒子群算法的充电站选址定容优化策略求解流程;
(1)基于自适应惯性权重的粒子群算法
粒子群算法具有结构简单、可塑性强、优化效果较好、容易利用编程实现、求解精度较高的优点,在多个领域的研究中应用广泛。对于传统粒子群算法而言,惯性权重对该算法的搜索性能影响重大。较大的惯性权重可以加强粒子群算法的全局搜索能力,而较小的惯性权重则能加强粒子群算法的局部搜索能力。基本的粒子群算法可以看作惯性权重等于1。因此,惯性权重的选择将直接关系算法的收敛性,其是影响粒子群算法行为和性能的关键所在,为了有效提升粒子群算法的全局收敛性,消除在算法末期粒子容易在全局最优解周围表现出“振荡”的情形,本发明对算法中的惯性权重加以改进,设置惯性权重随着适应值的变化来自动调整,详细表达式如下所示:
;
式中:ω代表改进后粒子群算法的惯性权重;ωmax、ωmin分别代表惯性权重的上下限;F代表粒子的适应值;Fav代表每代粒子的平均适应值;Fmax代表粒子群里最大的适应值。
(2)电动汽车充电站规划方案求解流程
利用本发明所提出的基于自适应惯性权重粒子群算法对充电站规划模型进行求解,求解流程详见图3,详细步骤如下所示:
1)模型参数输入:输入充电站模型的相关参数,包括规划区域的地形图、充电的电动汽车占比、电池平均容量、充电效率以及充电同时率参数。
2)算法初始化:初始化算法的相关参数,在允许范围内随机产生初始搜索点的位置与速度,同时把产生的J个充电站的坐标视为粒子群的初始位置。基于Voronoi图绘制每个充电站的充电服务区域。并根据Dijkstra算法来确定各个用户到充电站的实际距离。
3)适应度值计算:计算各个粒子的适应度值。根据前述公式(7)来计算各个粒子的适应度值。
4)粒子的惯性权重、速度和位置更新:更新所有粒子的惯性权重、速度与位置参数,同时形成充电站的新坐标集合。
5)判断是否符合迭代终止条件:如果符合,那么直接输出结果;如果不符合,那么将返回继续执行步骤2),直到超过最大迭代次数。
第二方面,如图4所示,本发明提出了一种电动汽车充电站规划装置,包括:充电需求分析单元、服务范围和充电路径规划单元、目标和约束条件构建单元,以及计算单元;
充电需求分析单元,用于对规划区域里电动汽车充电需求以及各个充电站站内充电桩数量分析;
服务范围和充电路径规划单元,用于基于Voronoi图在符合用户就近选择充电站的原则下对充电站的服务范围进行划分,并利用Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离,以获得更加合理的充电路径;
目标和约束条件构建单元,用于以充电站运营商成本和用户成本,根据所述分析和实际最短距离为优化目标构建充电站选址定容优化模型,并结合实际情况设置相应的约束条件;
计算单元,用于利用基于自适应惯性权重的粒子群算法对所述充电站选址定容优化模型进行求解,获取服务范围内的电动汽车充电站规划方案。
具体实施时,本发明电动汽车充电站规划方法和电动汽车充电站规划装置的实现过程一一对应,在此就不赘述。
第三方面,本发明提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述的电动汽车充电站规划方法。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的电动汽车充电站规划方法。
该计算机可读存储介质可以是上述实施例中描述的设备/装置中所包含的;也可以是单独存在,而未装配入该设备/装置中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
本发明在考虑道路交通流量、充电需求、用户充电便捷程度、总运行成本要素的基础上,提出了一种充电站选址定容优化策略,既能够使得规划区域内充电站的分布以及站内充电容量的配置更加合理,同时也能够有效保证用户就近选择充电站的原则,提升用户充电时的满意程度,在降低系统总成本的同时,也使所得充电站规划方案更加合理、经济。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.电动汽车充电站规划方法,其特征在于,所述方法包括:
对规划区域内电动汽车的充电需求和充电桩数量进行分析,并设计对应的数学表达式;
基于Voronoi图在符合用户就近选择充电站的原则下对充电站的服务范围进行划分,并利用Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离;
以充电站运营商成本和用户成本,根据所述分析和实际最短距离为优化目标构建充电站选址定容优化模型,并结合实际情况设置相应的约束条件;
利用基于自适应惯性权重的粒子群算法对所述充电站选址定容优化模型进行求解,获取服务范围内的电动汽车充电站规划方案;
所述对规划区域内电动汽车的充电需求和充电桩数量进行分析,具体包括:
对规划区域内电动汽车充电需求的分析以及充电站站内充电桩数量的分析,同时还包含两者数学表达式的构建;
所述对规划区域内电动汽车充电需求的分析以及充电站站内充电桩数量的分析,同时还包含两者数学表达式的构建,具体包括:
假设有Mi个路段直接连接到交叉口节点i,使用fi,m来表示与交叉口节点i相连的第m个路段中每单位时间的交通流量;因此,交叉口节点i处的单位时间的车流量fi的计算如式(1)所示:
假设η1为电动汽车在交通流量中的占比,η2为电动汽车流量中需要充电的电动汽车数量的占比,因此,在交叉口节点i单位时间内需要充电的电动汽车数量Ni表示为:
Ni=fiη1η2 (2)
假设充电站a为q个路口节点提供充电服务,单位时间内该充电站需要服务的电动汽车数量表示为:
所述对规划区域内电动汽车充电需求的分析以及充电站站内充电桩数量的分析,同时还包含两者数学表达式的构建,具体还包括:
充电桩数量的设置原则为:在每个充电站覆盖的服务范围内满足单位时间用户的最大充电需求,充电站a内配置的充电桩数量表示为:
式中:Cap代表电动汽车电池的平均容量;ρ代表电动汽车的充电损耗比;t1代表充电站的运行时间;P代表充电站内充电桩的充电功率;η3代表充电桩的充电效率;η4代表站内充电桩的充电同时率;[]为取整符号;
以充电站运营商成本和用户成本,根据所述分析和实际最短距离为优化目标构建充电站选址定容优化模型,并结合实际情况设置相应的约束条件,具体包括:
优化目标的目标函数表示为:
minf=C1+C2-C3+C4+C5+C6 (7)
式中:C1代表充电站的年度建设成本;C2代表充电站的年运维成本;C3代表充电站的营业收入;C4代表用户开车到充电站的等效成本;C5代表用户在充电站的排队成本;C6代表用户的充电成本;
所述充电站的年度建设成本,以充电桩数量的函数表示为:
式中:A代表充电站的数量;fa(numa)代表充电站a有numa个充电桩时的固定建设成本;α代表贴现率;β代表充电站的投资回收期;
所述充电站的年运维成本,以充电桩数量的函数表示为:
式中:γ代表转换系数;A代表充电站的数量;fa(numa)代表充电站a有numa个充电桩时的固定建设成本;α代表贴现率;β代表充电站的投资回收期;
所述充电站的营业收入来自于向电网买电与售电给电动汽车用户之间的差额,表述如下式:
式中:g1代表充电站向用户出售的电价;g2代表充电站向上级电网购买的电价;I代表充电需求点数量;t1代表充电站的运行时间;P代表充电站内充电桩的充电功率;η3代表充电桩的充电效率;η4代表站内充电桩的充电同时率;Ni代表在交叉口节点i单位时间内需要充电的电动汽车数量;
所述用户开车到充电站的等效成本具体表示如下式:
式中:g3代表电动汽车在前往目标充电站过程中单位行驶距离的损失;g4代表用户的单位时间价值;v代表电动汽车的平均速度;A代表充电站的数量;d(i,a)代表第i个充电需求点距离充电站a的实际距离;I代表充电需求点数量;Ni代表在交叉口节点i单位时间内需要充电的电动汽车数量;
所述用户在充电站的排队成本具体表示如下式:
式中:Ta代表用户在第a个充电站站内充电时的排队等待时间;g4代表用户的单位时间价值;A代表充电站的数量;I代表充电需求点数量;Ni代表在交叉口节点i单位时间内需要充电的电动汽车数量;
所述用户的充电成本具体表示如下式:
式中:g1代表充电站向用户出售的电价;Cap代表电动汽车电池的平均容量;I代表充电需求点数量;Ni代表在交叉口节点i单位时间内需要充电的电动汽车数量;
构建充电站选址定容优化模型,具体包括:
构建充电需求点与充电站之间的距离约束、站内充电桩数量约束以及充电站建设间距约束;
所述构建充电需求点与充电站之间的距离约束,具体包括:
第i个充电需求点距离充电站a的实际距离d(i,a)与充电站的有效服务半径R的关系为:
d(i,a)≤R (14);
所述站内充电桩数量约束具体表示如下式:
nummin≤numa≤nummax (15)
式中:nummin代表充电桩数量的最小值;numa代表充电站a内配置的充电桩数量;nummax代表充电桩数量的最大值;
所述充电站建设间距约束,具体包括:
充电站的有效服务半径R和相邻充电站的实际距离遵守以下约束条件:
R≤d(a,a+1)≤2R (16)
式中:d(a,a+1)代表第a个充电站和第a+1个充电站之间的实际距离。
2.根据权利要求1所述的电动汽车充电站规划方法,其特征在于,
所述基于Voronoi图在符合用户就近选择充电站的原则下对充电站的服务范围进行划分,并利用Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离,具体包括:
联络2个邻接点段的垂直平分线构成的多边形称为Voronoi图,从多边形中的任何点到多边形生成器的距离始终小于与相邻多边形生成器的距离;假设平面上的点集为H={h1,h2,...hc},c>3,则Voronoi图定义为:
V(hc)={x∈V(hc)|d(x,hc)≤d(x,he)} (5)
式中:hc代表多边形c的生成元素;x代表多边形中的任何点;d(x,hc)代表从多边形中任意点到生成器的欧几里得距离;d(x,he)代表从多边形c中的任何点到多边形e的生成元素的欧几里得距离。
3.根据权利要求1所述的电动汽车充电站规划方法,其特征在于,
所述基于Voronoi图在符合用户就近选择充电站的原则下对充电站的服务范围进行划分,并利用Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离,具体还包括:
路网拓扑结构由图论原理进行描述,路网拓扑结构表示为G=(M,I),其中M为路网中路段集合,I为路网中的交叉点集合;依据路网拓扑图获得路网拓扑矩阵D,元素dzk的值在矩阵中表示为:
式中:z、k分别代表两个节点;lzk代表节点z和k之间路径的实际距离;
在获得路网拓扑矩阵D后,利用Dijkstra最短路径算法得到任意两个交点之间的最短路径长度;
将集合M划分为2组,其中第1组是已经获得最短路径的顶点集合,用S进行表征,初始化过程S里仅包含s节点,被称为源点;在后续过程中,每次获得1个点的最短路径,就把其纳入至S里,直至所有顶点都纳入至S里或获得目标点的最短路径,算法执行结束;第二组则是剩下没有获得最短路径的顶点集合,用U进行表征;依据最短路径长度大小顺序把U中所有节点纳入至S里,在纳入阶段要一直维持从源点至S里所有顶点的最短路径长度小于等于S至U里所有顶点的最短路径长度;另外,各个顶点均对应一条路径,S里顶点路径为s至该顶点的最短路径,U里顶点路径为从s至该顶点同时涵盖S里节点当作中间节点的最短路径长度;算法步骤包括:
1)算法初始化过程中,S仅涵盖源点,也就是S={s},此时s的距离是0;U中涵盖除了s以外的所有顶点,也就是U={其余顶点};如果s和U里的顶点u存在边,那么<u,s>具备正常的有权值,如果u并非s的出边相接点,那么<u,s>的权值是∞;
2)从U里挑选1个距s最近的顶点n,将n纳入至S里,此确定的距离为s至n的最短路径长度;
3)以n为新考虑的中间点,修改U中各顶点的距离;若从源点经过顶点n到顶点u的距离比原来不经过顶点n距离短,则修改顶点u的距离值,修改后的距离值的顶点n的距离加上边上的权;
4)重复上述步骤2)与3),直至全部顶点都纳入到S里。
4.根据权利要求1所述的电动汽车充电站规划方法,其特征在于,
利用基于自适应惯性权重的粒子群算法对所述充电站选址定容优化模型进行求解,获取服务范围内的电动汽车充电站规划方案,具体包括:
求解的详细表达式如下:
式中:ω代表改进后粒子群算法的惯性权重;ωmax、ωmin分别代表惯性权重的上下限;F代表粒子的适应值;Fav代表每代粒子的平均适应值;Fmax代表粒子群里最大的适应值;
求解的详细步骤如下:
(1)模型参数输入:输入充电站模型的相关参数,包括规划区域的地形图、充电的电动汽车占比、电池平均容量、充电效率、充电同时率参数;
(2)算法初始化:初始化算法的相关参数,在允许范围内随机产生初始搜索点的位置与速度,同时把产生的J个充电站的坐标视为粒子群的初始位置;基于Voronoi图绘制每个充电站的充电服务区域;并根据Dijkstra最短路径算法来确定各个用户到充电站的实际距离;
(3)适应度值计算:计算各个粒子的适应度值;根据公式minf=C1+C2-C3+C4+C5+C6来计算各个粒子的适应度值,其中:minf代表优化目标的目标函数;C1代表充电站的年度建设成本;C2代表充电站的年运维成本;C3代表充电站的营业收入;C4代表用户开车到充电站的等效成本;C5代表用户在充电站的排队成本;C6代表用户的充电成本;
(4)粒子的惯性权重、速度和位置更新:更新所有粒子的惯性权重、速度与位置参数,同时形成充电站的新坐标集合;
(5)判断是否符合迭代终止条件:如果符合,那么直接输出结果;如果不符合,那么将返回继续执行步骤(2),直到超过最大迭代次数。
5.电动汽车充电站规划装置,其特征在于,包括:充电需求分析单元、服务范围和充电路径规划单元、目标和约束条件构建单元,以及计算单元;
充电需求分析单元,用于对规划区域里电动汽车充电需求和充电桩数量进行分析,并设计对应的数学表达式;
服务范围和充电路径规划单元,用于基于Voronoi图在符合用户就近选择充电站的原则下对充电站的服务范围进行划分,并利用Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离;
目标和约束条件构建单元,用于以充电站运营商成本和用户成本,根据所述分析和实际最短距离为优化目标构建充电站选址定容优化模型,并结合实际情况设置相应的约束条件;
计算单元,用于利用基于自适应惯性权重的粒子群算法对所述充电站选址定容优化模型进行求解,获取服务范围内的电动汽车充电站规划方案;
所述对规划区域内电动汽车的充电需求和充电桩数量进行分析,具体包括:
对规划区域内电动汽车充电需求的分析以及充电站站内充电桩数量的分析,同时还包含两者数学表达式的构建;
所述对规划区域内电动汽车充电需求的分析以及充电站站内充电桩数量的分析,同时还包含两者数学表达式的构建,具体包括:
假设有Mi个路段直接连接到交叉口节点i,使用fi,m来表示与交叉口节点i相连的第m个路段中每单位时间的交通流量;因此,交叉口节点i处的单位时间的车流量fi的计算如式(18)所示:
假设η1为电动汽车在交通流量中的占比,η2为电动汽车流量中需要充电的电动汽车数量的占比,因此,在交叉口节点i单位时间内需要充电的电动汽车数量Ni表示为:
Ni=fiη1η2 (19)
假设充电站a为q个路口节点提供充电服务,单位时间内该充电站需要服务的电动汽车数量表示为:
所述对规划区域内电动汽车充电需求的分析以及充电站站内充电桩数量的分析,同时还包含两者数学表达式的构建,具体还包括:
充电桩数量的设置原则为:在每个充电站覆盖的服务范围内满足单位时间用户的最大充电需求,充电站a内配置的充电桩数量表示为:
式中:Cap代表电动汽车电池的平均容量;ρ代表电动汽车的充电损耗比;t1代表充电站的运行时间;P代表充电站内充电桩的充电功率;η3代表充电桩的充电效率;η4代表站内充电桩的充电同时率;[]为取整符号;
以充电站运营商成本和用户成本,根据所述分析和实际最短距离为优化目标构建充电站选址定容优化模型,并结合实际情况设置相应的约束条件,具体包括:
优化目标的目标函数表示为:
minf=C1+C2-C3+C4+C5+C6 (24)
式中:C1代表充电站的年度建设成本;C2代表充电站的年运维成本;C3代表充电站的营业收入;C4代表用户开车到充电站的等效成本;C5代表用户在充电站的排队成本;C6代表用户的充电成本;
所述充电站的年度建设成本,以充电桩数量的函数表示为:
式中:A代表充电站的数量;fa(numa)代表充电站a有numa个充电桩时的固定建设成本;α代表贴现率;β代表充电站的投资回收期;
所述充电站的年运维成本,以充电桩数量的函数表示为:
式中:γ代表转换系数;A代表充电站的数量;fa(numa)代表充电站a有numa个充电桩时的固定建设成本;α代表贴现率;β代表充电站的投资回收期;
所述充电站的营业收入来自于向电网买电与售电给电动汽车用户之间的差额,表述如下式:
式中:g1代表充电站向用户出售的电价;g2代表充电站向上级电网购买的电价;I代表充电需求点数量;t1代表充电站的运行时间;P代表充电站内充电桩的充电功率;η3代表充电桩的充电效率;η4代表站内充电桩的充电同时率;Ni代表在交叉口节点i单位时间内需要充电的电动汽车数量;
所述用户开车到充电站的等效成本具体表示如下式:
式中:g3代表电动汽车在前往目标充电站过程中单位行驶距离的损失;g4代表用户的单位时间价值;v代表电动汽车的平均速度;A代表充电站的数量;d(i,a)代表第i个充电需求点距离充电站a的实际距离;I代表充电需求点数量;Ni代表在交叉口节点i单位时间内需要充电的电动汽车数量;
所述用户在充电站的排队成本具体表示如下式:
式中:Ta代表用户在第a个充电站站内充电时的排队等待时间;g4代表用户的单位时间价值;A代表充电站的数量;I代表充电需求点数量;Ni代表在交叉口节点i单位时间内需要充电的电动汽车数量;
所述用户的充电成本具体表示如下式:
式中:g1代表充电站向用户出售的电价;Cap代表电动汽车电池的平均容量;I代表充电需求点数量;Ni代表在交叉口节点i单位时间内需要充电的电动汽车数量;
构建充电站选址定容优化模型,具体包括:
构建充电需求点与充电站之间的距离约束、站内充电桩数量约束以及充电站建设间距约束;
所述构建充电需求点与充电站之间的距离约束,具体包括:
第i个充电需求点距离充电站a的实际距离d(i,a)与充电站的有效服务半径R的关系为:
d(i,a)≤R (31);
所述站内充电桩数量约束具体表示如下式:
nummin≤numa≤nummax (32)
式中:nummin代表充电桩数量的最小值;numa代表充电站a内配置的充电桩数量;nummax代表充电桩数量的最大值;
所述充电站建设间距约束,具体包括:
充电站的有效服务半径R和相邻充电站的实际距离遵守以下约束条件:
R≤d(a,a+1)≤2R (33)
式中:d(a,a+1)代表第a个充电站和第a+1个充电站之间的实际距离。
6.根据权利要求5所述的电动汽车充电站规划装置,其特征在于,
所述基于Voronoi图在符合用户就近选择充电站的原则下对充电站的服务范围进行划分,并利用Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离,具体包括:
联络2个邻接点段的垂直平分线构成的多边形称为Voronoi图,从多边形中的任何点到多边形生成器的距离始终小于与相邻多边形生成器的距离;假设平面上的点集为H={h1,h2,...hc},c>3,则Voronoi图定义为:
V(hc)={x∈V(hc)|d(x,hc)≤d(x,he)} (22)
式中:hc代表多边形c的生成元素;x代表多边形中的任何点;d(x,hc)代表从多边形中任意点到生成器的欧几里得距离;d(x,he)代表从多边形c中的任何点到多边形e的生成元素的欧几里得距离。
7.根据权利要求5所述的电动汽车充电站规划装置,其特征在于,
所述基于Voronoi图在符合用户就近选择充电站的原则下对充电站的服务范围进行划分,并利用Dijkstra最短路径算法来获取充电需求点与目标充电站之间的实际最短距离,具体还包括:
路网拓扑结构由图论原理进行描述,路网拓扑结构表示为G=(M,I),其中M为路网中路段集合,I为路网中的交叉点集合;依据路网拓扑图获得路网拓扑矩阵D,元素dzk的值在矩阵中表示为:
式中:z、k分别代表两个节点;lzk代表节点z和k之间路径的实际距离;
在获得路网拓扑矩阵D后,利用Dijkstra最短路径算法得到任意两个交点之间的最短路径长度;
将集合M划分为2组,其中第1组是已经获得最短路径的顶点集合,用S进行表征,初始化过程S里仅包含s节点,被称为源点;在后续过程中,每次获得1个点的最短路径,就把其纳入至S里,直至所有顶点都纳入至S里或获得目标点的最短路径,算法执行结束;第二组则是剩下没有获得最短路径的顶点集合,用U进行表征;依据最短路径长度大小顺序把U中所有节点纳入至S里,在纳入阶段要一直维持从源点至S里所有顶点的最短路径长度小于等于S至U里所有顶点的最短路径长度;另外,各个顶点均对应一条路径,S里顶点路径为s至该顶点的最短路径,U里顶点路径为从s至该顶点同时涵盖S里节点当作中间节点的最短路径长度;算法步骤包括:
1)算法初始化过程中,S仅涵盖源点,也就是S={s},此时s的距离是0;U中涵盖除了s以外的所有顶点,也就是U={其余顶点};如果s和U里的顶点u存在边,那么<u,s>具备正常的有权值,如果u并非s的出边相接点,那么<u,s>的权值是∞;
2)从U里挑选1个距s最近的顶点n,将n纳入至S里,此确定的距离为s至n的最短路径长度;
3)以n为新考虑的中间点,修改U中各顶点的距离;若从源点经过顶点n到顶点u的距离比原来不经过顶点n距离短,则修改顶点u的距离值,修改后的距离值的顶点n的距离加上边上的权;
4)重复上述步骤2)与3),直至全部顶点都纳入到S里。
8.根据权利要求5所述的电动汽车充电站规划装置,其特征在于,
利用基于自适应惯性权重的粒子群算法对所述充电站选址定容优化模型进行求解,获取服务范围内的电动汽车充电站规划方案,具体包括:
求解的详细表达式如下:
式中:ω代表改进后粒子群算法的惯性权重;ωmax、ωmin分别代表惯性权重的上下限;F代表粒子的适应值;Fav代表每代粒子的平均适应值;Fmax代表粒子群里最大的适应值;
求解的详细步骤如下:
(1)模型参数输入:输入充电站模型的相关参数,包括规划区域的地形图、充电的电动汽车占比、电池平均容量、充电效率、充电同时率参数;
(2)算法初始化:初始化算法的相关参数,在允许范围内随机产生初始搜索点的位置与速度,同时把产生的J个充电站的坐标视为粒子群的初始位置;基于Voronoi图绘制每个充电站的充电服务区域;并根据Dijkstra最短路径算法来确定各个用户到充电站的实际距离;
(3)适应度值计算:计算各个粒子的适应度值;根据公式minf=C1+C2-C3+C4+C5+C6来计算各个粒子的适应度值,其中:minf代表优化目标的目标函数;C1代表充电站的年度建设成本;C2代表充电站的年运维成本;C3代表充电站的营业收入;C4代表用户开车到充电站的等效成本;C5代表用户在充电站的排队成本;C6代表用户的充电成本;
(4)粒子的惯性权重、速度和位置更新:更新所有粒子的惯性权重、速度与位置参数,同时形成充电站的新坐标集合;
(5)判断是否符合迭代终止条件:如果符合,那么直接输出结果;如果不符合,那么将返回继续执行步骤(2),直到超过最大迭代次数。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4中任一项所述的电动汽车充电站规划方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的电动汽车充电站规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311035307.0A CN116797002B (zh) | 2023-08-17 | 2023-08-17 | 电动汽车充电站规划方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311035307.0A CN116797002B (zh) | 2023-08-17 | 2023-08-17 | 电动汽车充电站规划方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116797002A CN116797002A (zh) | 2023-09-22 |
CN116797002B true CN116797002B (zh) | 2023-11-28 |
Family
ID=88048224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311035307.0A Active CN116797002B (zh) | 2023-08-17 | 2023-08-17 | 电动汽车充电站规划方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797002B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077985B (zh) * | 2023-10-16 | 2024-04-09 | 浙江优能电力设计有限公司 | 根据充电需求的电动车充电桩规划方法及系统 |
CN117669993A (zh) * | 2024-01-30 | 2024-03-08 | 南方科技大学 | 一种渐进式充电设施规划方法、装置、终端及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117486A (zh) * | 2017-06-23 | 2019-01-01 | 南京理工大学 | 一种电动汽车充电站最优规划方法 |
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 |
WO2020199558A1 (zh) * | 2019-03-29 | 2020-10-08 | 江苏大学 | 一种电动汽车充电站最优建设数量和选址方案规划方法 |
CN112016745A (zh) * | 2020-08-25 | 2020-12-01 | 广东电网有限责任公司 | 一种电动汽车充电站规划方法 |
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 |
CN113822463A (zh) * | 2021-08-09 | 2021-12-21 | 武汉理工大学 | 一种基于Voronoi图与改进粒子群算法的电动汽车充电站选址定容方法 |
CN114297809A (zh) * | 2021-12-20 | 2022-04-08 | 上海电机学院 | 一种电动汽车充电站选址定容方法 |
CN116307647A (zh) * | 2023-05-24 | 2023-06-23 | 国网山西省电力公司太原供电公司 | 电动汽车充电站选址定容优化方法、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11878602B2 (en) * | 2019-11-22 | 2024-01-23 | 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 |
-
2023
- 2023-08-17 CN CN202311035307.0A patent/CN116797002B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117486A (zh) * | 2017-06-23 | 2019-01-01 | 南京理工大学 | 一种电动汽车充电站最优规划方法 |
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 |
WO2020199558A1 (zh) * | 2019-03-29 | 2020-10-08 | 江苏大学 | 一种电动汽车充电站最优建设数量和选址方案规划方法 |
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 |
CN112016745A (zh) * | 2020-08-25 | 2020-12-01 | 广东电网有限责任公司 | 一种电动汽车充电站规划方法 |
CN113822463A (zh) * | 2021-08-09 | 2021-12-21 | 武汉理工大学 | 一种基于Voronoi图与改进粒子群算法的电动汽车充电站选址定容方法 |
CN114297809A (zh) * | 2021-12-20 | 2022-04-08 | 上海电机学院 | 一种电动汽车充电站选址定容方法 |
CN116307647A (zh) * | 2023-05-24 | 2023-06-23 | 国网山西省电力公司太原供电公司 | 电动汽车充电站选址定容优化方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
电动汽车充电站规划布局与选址方案的优化方法;葛少云等;中国电力;第45卷(第11期);96-101 * |
Also Published As
Publication number | Publication date |
---|---|
CN116797002A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116797002B (zh) | 电动汽车充电站规划方法、装置及存储介质 | |
CN111238521B (zh) | 一种无人驾驶车辆的路径规划方法及系统 | |
CN110530388B (zh) | 多agv的路径规划方法及系统 | |
CN104020665B (zh) | 基于多目标粒子群算法的机械臂最小跃度轨迹优化方法 | |
CN105841702A (zh) | 一种基于粒子群优化算法的多无人机航路规划方法 | |
CN113593228B (zh) | 一种高速公路瓶颈区域自动驾驶协同控制方法 | |
CN105989737B (zh) | 一种停车诱导方法 | |
CN112013829A (zh) | 基于多目标优化的多uav/ugv协同长时作业路径规划方法 | |
CN109862532B (zh) | 轨道交通状态监测多传感器节点布局优化方法及系统 | |
An et al. | Optimal scheduling of electric vehicle charging operations considering real-time traffic condition and travel distance | |
CN112101676B (zh) | 一种乘车路径规划方法、装置、计算机设备及存储介质 | |
CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 | |
CN107730049A (zh) | 电动汽车快速充电最优位置选择方法 | |
CN106228265A (zh) | 基于改进粒子群优化的总拖期运输计划调度算法 | |
CN114399125B (zh) | 车队最优轨迹控制方法、装置、电子设备及存储介质 | |
Dong et al. | Double ant colony algorithm based on dynamic feedback for energy-saving route planning for ships | |
CN112947480A (zh) | 一种移动机器人路径规划方法、存储介质及系统 | |
CN115222156A (zh) | 基于分时对偶路网考虑用户需求响应的汽车充电调度方法 | |
CN112488358B (zh) | 一种电动汽车充电路径规划方法和存储介质 | |
CN112016745A (zh) | 一种电动汽车充电站规划方法 | |
CN116542003A (zh) | 基于强化学习的新能源充电站的优化布置方法 | |
CN115392143A (zh) | 一种基于深度强化学习的移动储能充放电时空规划方法 | |
CN112884229B (zh) | 基于差分进化算法的大型公共场所人流引导路径规划方法 | |
CN110738848A (zh) | 一种考虑时变路阻信息的电动汽车导航方法 | |
Zhu et al. | Real-Time parking guidance model based on stackelberg game |
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 |