CN117172080A - 考虑用户出行差异与充电决策偏好的ev充电站规划方法 - Google Patents
考虑用户出行差异与充电决策偏好的ev充电站规划方法 Download PDFInfo
- Publication number
- CN117172080A CN117172080A CN202311329288.2A CN202311329288A CN117172080A CN 117172080 A CN117172080 A CN 117172080A CN 202311329288 A CN202311329288 A CN 202311329288A CN 117172080 A CN117172080 A CN 117172080A
- Authority
- CN
- China
- Prior art keywords
- travel
- charging
- charging station
- soc
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 239000002245 particle Substances 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 17
- 230000005611 electricity Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000005251 gamma ray Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 241000764238 Isis Species 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000011437 continuous method Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 3
- 239000000047 product Substances 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 101100100125 Mus musculus Traip gene Proteins 0.000 description 9
- 238000011160 research Methods 0.000 description 4
- 239000003054 catalyst Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种考虑用户出行差异与充电决策偏好的EV充电站规划方法，其步骤为：首先，考虑到不同性质车辆的出行特点，在交通拥堵系数的基础上建立出行需求响应模型；其次，根据用户当前状态与选择偏好建立充电决策模型，并结合出行模型对充电站负荷进行预测；最后，以各候选站最大并行服务量为基础，建立以用户经济损失与充电站建设运营成本最小为目标的充电站规划模型，并采用连续化方法改进离散粒子群算法进行求解。本发明以充电站年化总经济成本最低为目标，使用CSOPSO算法避免种群陷入局部最优并有效改善了模型的求解质量；所提选址定容策略能够保证用户与建设运营双方经济利益最大化，可用于城区EV充电站规划。
Description
技术领域
本发明涉及充电站规划技术领域，特别是指一种考虑用户出行差异与充电决策偏好的EV充电站规划方法。
背景技术
电动汽车(electric vehicle，EV)依靠清洁能源作为动力，其能量呈现来源广、可再生、绿色环保等特点。EV作为一类特殊负荷，存在时间、空间及行为随机性，当EV群体无序接入电网时可能导致电网负荷急剧增加，不仅给交通系统带来压力，还会影响配电网的安全稳定运行。
目前，国内外针对EV充电负荷的时空分布预测已经展开了很多研究。许多学者综合考虑用户出行与交通网络等多重因素，建立了源点-终点预测模型、马尔科夫决策模型和多源信息模型等多种充电负荷预测模型。文献[周凌锋,王杰.基于时空分布负荷预测的EV充电优化[J].现代电力,2018,35(05):10-16.]考虑多场景下天气和温度等客观因素对EV转移过程的影响，建立了EV实时耗电模型；文献[宋雨浓,林舜江,唐智强,等.基于动态车流的EV充电负荷时空分布概率建模[J].电力系统自动化,2020,44(23):47-56.]考虑道路交通与能耗之间的关系，建立了车网实时信息交互模型。但上述研究多以出行客观个体与外界信息进行实时交互，忽视了出行需求对不同性质车辆充电负荷时空分布的影响。
在充电站规划的研究中，文献[麻秀范,王皓,李颖,等.基于变权Voronoi图和混合粒子群算法的EV充电站规划[J].电工技术学报,2017,32(19):160-169.]引入随充电站服务能力改变权重的Voronoi图，结合混合算法建立选址定容模型；文献[Duan X Y,Chen HM,Song Y W,et al.Planning of plug-in electric vehicle fast-charging stationsconsidering charging queuing impacts[J].IET Smart Grid,2020,3(6):786-793.]综合考虑用户充电转移过程和站内排队等待时间的影响，建立以充电站建设运营成本最小为目标的选址定容模型；文献[曹昉,胡佳彤,罗进奔,等.基于路网动态模型下EV路径模拟的快速充电站容量配置[J].电力自动化设备,2022,42(10):107-115.]基于交通网络路阻模型，以最短耗时为目标模拟EV行驶路径，针对不同性质EV建立充电站容量配置模型。上述研究以最短路程与耗时建立确定性充电选择模型，然而，在实际生活中用户通常不会仅依据距离耗时来选择充电站，不同状态下用户的充电路径选择偏好有所不同，若在规划时简单的认为用户对充电站的选择结果唯一，则可能会导致实际使用过程中充电设施使用失衡、负荷高峰时部分用户充电难等问题。
发明内容
大规模电动汽车的出行一般具有规律性，但其充电负荷的分布受到用户出行主观意愿的影响，因此，本发明提出了一种考虑用户出行差异与充电决策偏好的EV充电站规划方法，首先，考虑到不同性质车辆的出行特点，在交通拥堵系数的基础上建立出行需求响应模型；根据用户当前状态与选择偏好建立充电决策模型，并结合出行模型对充电站负荷进行预测；以各候选站最大并行服务量为基础，建立以用户经济损失与充电站建设运营成本最小为目标的充电站规划模型，并采用连续化方法改进离散粒子群算法进行求解；最后，通过路网验证所提规划方法的合理性与有效性。
本发明的技术方案是这样实现的：
一种考虑用户出行差异与充电决策偏好的EV充电站规划方法，其步骤如下：
步骤一：考虑到不同性质车辆的出行特点，在交通拥堵系数的基础上建立出行需求响应模型；
步骤二：根据用户当前状态与选择偏好建立充电决策模型，并结合出行模型对充电站负荷进行预测；
步骤三：以各候选站最大并行服务量为基础，建立以用户经济损失与充电站建设运营成本最小为目标的充电站规划模型，并采用连续化方法改进离散粒子群算法进行求解。
所述不同性质车辆包括营运性质车辆和非营运性质车辆；
S1.1：针对营运性质车辆
营运性质EV的出行活动跟随乘客的需求移动，针对乘客的出行需求响应过程，将营运EV的转移过程与乘客的出行需求解耦，依据营运EV对乘客出行需求的响应过程建立出行模型，并将其分为出行需求侧与乘用提供侧；
S1.1.1：需求侧出行模拟：
针对乘客出行特点构建出行链，使用EV首次出行起始时间概率密度函数fst(t)抽取乘客首次出行时间tf，以表示乘客i的出行链，表达式为：
式中：D为的目的地集合；di为出行目的地，di∈D；length(D)为D的大小；
使用各功能区停泊模拟函数fP(x)确定di的停留时间并存入停留时间中，表示为：
式中：为di的停留时间；
将重组，通过引入di的停留时间将乘客出行过程转化为出行需求矩阵MPD：
式中：出行需求矩阵MPD的行向量表示乘客i的出行信息；为重组后的出行单链，由相邻的两目的地组成；为对应的停留时间；
出行矩阵迭代，按照下式将出行需求矩阵MPD以出行时间进行排序：
MPD＝sortt(MPD)；
S1.1.2：乘用提供侧出行模拟：
生成营运EV初始信息：使用不同用户出行起始SOC概率密度函数fsoc(x)生成营运EV起始SOC，由充电起始SOC模拟函数fE(x)确定充电起始SOC，将上述信息存入营运EV信息矩阵MTI：
MTI＝[LC SC]；
式中：LC为营运EV位置信息；SC为营运EV的SOC信息；
构建营运EV服务链：定义营运EV的实时状态在待客、接客、载客三个过程之间转移；
营运EV载客能力评估：当居民产生出行需求时，通常选择线上平台预约出行，将待客时刻满足居民出行时刻的营运EV信息放入营运EV响应矩阵MTR中：
式中：为符合接客条件的营运EV待客时刻，为该EV的位置信息，为其SOC信息，为该营运EV与乘客的距离；
依据车辆状态以及运营情况对营运EV的载客能力进行评估，采用贪心思想选择综合评分最为合适的营运EV完成乘客接送任务；
S1.2：针对非营运性质车辆
生成私家车行驶参数：针对单辆私家车，由fst(t)生成起始出行时间tp，使用fsoc(x)与fE(x)生成起始SOC和充电起始SOC，通过各功能区停泊模拟函数fP(x)生成各功能区的停留时间；
确定出行信息：通过位置状态转移矩阵确定各时刻私家车的转移概率，以轮盘赌法抽取对应时刻位置确定私家车出行链；t时刻状态转移概率矩阵为：
式中：为车辆状态由A转变为B的概率，A,B∈{H W C}；H为居民区，W为工作区，C为商业区；
状态更新：以出行链对依据现实对私家车出行的模拟，私家车在目的地后停留一段时间后向出行链中下一目标点前进，直至结束出行活动。
所述EV首次出行起始时间概率密度函数fst(t)表示为：
式中：t为出行起始时刻；k为形状参数；μ为位置参数；δ为尺度参数；
各功能区停泊模拟函数fP(x)表示为：
式中：β为形状参数；η为缩放因子；ε为形状参数；H为居民区，W为工作区，C为商业区；
不同用户出行起始SOC概率密度函数fsoc(x)符合正态分布：
式中：μsoc为EV首次出行时电池的SOC均值；σsoc为EV出行起始SOC的标准差；
充电起始SOC模拟函数fE(x)表示为：
fE(x)＝Slim-LR·rand()；
式中：Slim为充电触发下限；LR为波动范围；rand()为随机数生成函数。
所述充电决策模型得构建方法为：
用户对充电路径的选择过程是考虑到下一目的地、充电站位置、SOC状态多方因素限制下的行为决策；
在用户的出行过程中，依据等效道路长度Di',j(t)计算行驶里程Li'，求出第i'辆EV的实时SOC和剩余电量Ei'd，其电量模型如下式：
△E＝Li'·e0；
Ei'd＝E0-△E；
式中：△E为当前总耗电量；e0为EV每公里的平均耗电量；Ei'd为电池的剩余电量；E0为初始电量，即起始SOC与电池容量Bev的乘积；Si'd为第i'辆EV的实时SOC；
EV的SOC临界值由fE(x)确定；t时刻处于行驶状态的车辆SOC低于时，考虑用户出行偏好选择最优的充电路径前往充电站补电；
规定非营运性质EV的充电路径选择具有Pg1、Pg2两个优先级，如下式所示：
式中：Chi0为第i0个充电站；I为充电站集合；Dext为用户从充电需求点A行驶至Chi0，完成补电后到达目的地B的总距离；为充电需求点A与Chi0之间的距离；为充电站Chi0与目的地B之间的距离；DE为EV剩余续航里程；令距离最短的Dext表示为min(Dext)，若DE>min(Dext)，则将充电站Chi0放入Pg1中，DE≤min(Dext)的充电站Chi0放入Pg2；
在电量相对富余的情况下，用户更偏好于前往Pg1中Dext更小的充电站补电；否则，用户会选择第二优先级Pg2中的充电站；
营运性质EV在充电路径的选择上偏向于经济损失更小的充电路径，以整体出行费用最低作为标准选择合适的充电路径，充电站Chi0的整体出行费用如下式所示：
式中：为每公里成本折算系数；γ为行驶时间成本折算系数；为道路拥挤系数矩阵所规定的行驶速度。
所述充电站规划模型为：
其中，为充电站i0的平均年耗资金；为候选充电站i0的占地总面积；为该区域的土地成交价；为建设规模；为负荷容量；CC为单位容量造价；m为预计运行年数；r0为投资回报率；为运营充电站i0的平均年耗资金；为t时刻从电网的购电价格；为向用户的售电价格；为人工成本；为维护花费；为平均年耗资金，为正则表示充电站i0的运营未盈利，当其为负值时，可看作充电站i0的年均运行收益；为t时内充电站因充电消耗的总电量，RE为EV总续航里程数；为充电需求点n到充电站i0之间使用Dijkstra算法得到的最短距离；Qn为充电需求点n对应车辆的SOC；为t时内能够到达充电站i0的充电需求点集合；为用户在充电途中的行驶成本，θ为EV用户行驶成本折算系数；
充电站规划模型的约束条件如下：
式中：γi0为充电站i0的充电需求不满足率；为充电站i0在单位时间内的最大并行服务量；为充电站i0的充电桩个数；γ为充电需求不满足率上限；ζi0为充电站i0的充电需求不可达率；为t时内选择充电站i0进行充电的充电需求点集合；ζ为充电需求不可达率上限；为充电站i0的充电桩上限；k为该地区EV增长率。
所述采用连续化方法改进离散粒子群算法进行求解的方法为：
S3.1：数据初始化：依据目标城市的道路交通拓扑结构得到该城市的路网图，并生成邻接矩阵；设置算法初始参数并输入路网拓扑矩阵NT、粒子数imax和迭代次数nmax；
S3.2：充电站负荷预测：接入充电站负荷预测并统计各候选站单位时间内最大并行服务量以结合充电站优化约束选定合适的充电站等级建设方案
S3.3：以适应度函数计算每个选址方案的适应度值：
F(x)＝-Fcost-e1γn-e2ζn；
式中：γn为充电需求不满足率；ζn为充电需求不可达率；e1、e2为惩罚因子；
S3.4：迭代优化：更新完所有粒子状态后，返回步骤S3.2继续循环，达到最大迭代次数时，返回最优适应值对应的方案。
粒子更新方法为：
定义路网拓扑矩阵NT中未赋予节点映射关系的元素为盲点，当算法寻至盲点时则触发优化事件EO；当EO为变异事件时，从求解空间变换中确定新粒子替换劣势粒子，为延伸事件时依据速度方向在盲点一侧进行局部搜索，如下式：
式中：t为迭代次数；为最大迭代次数。
所述求解空间变换是指：以单位距离Du确定各节点在路网拓扑矩阵NT中的映射信息，通过模拟各节点之间的邻接关系连续化离散节点；
求解空间变换为路网拓扑矩阵NT，其映射关系及不同方向节点距离满足下式：
ni＝NT(xi,yi)；
2Du>X(nj-nk)>Du；
2Du>Y(nj-nk)>Du；
式中：n为路网节点；X(nj-nk)、Y(nj-nk)为不同维度下两节点的距离。
与现有技术相比，本发明产生的有益效果为：
本发明基于用户需求响应建立EV出行模型，考虑EV用户的出行偏好并结合改进的DSOPSO算法对充电站规划方法展开研究，具有以下优势：
1)提出的基于用户需求响应的EV出行模型，反映了出行需求侧与服务供应侧的紧密关系，对EV出行的模拟更具一般性；相对传统充电负荷预测办法，对大范围规划区的适应性更强。
2)建立的考虑EV用户出行偏好的充电路径决策模型以用户实时SOC及出行信息为依据优化充电负荷分布，此方法可适用于不同车型，对于缓解用户的“里程焦虑”具有重要意义。
3)提出的EV充电站规划策略，以充电站年化总经济成本最低为目标，使用CSOPSO算法避免种群陷入局部最优并有效改善了模型的求解质量；所提选址定容策略能够保证用户与建设运营双方经济利益最大化，可用于城区EV充电站规划。
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简单地介绍，显而易见地，下面描述中的附图仅仅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为典型出行链结构。
图2为本发明基于出行需求响应的充电站负荷预测流程图。
图3为本发明的模型求解流程图。
图4为规划区内土地功能分布图。
图5为不同区域充电需求分布；其中，a)居民区充电车辆需求分布；b)工作区充电车辆需求分布；c)商业区充电车辆需求分布；d)规划区充电车辆总需求分布。
图6为各站址社会成本分析。
图7为充电站负荷大小分布；其中，a)考虑用户出行偏好；b)考虑最短距离。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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付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。
本发明实施例提供了一种考虑用户出行差异与充电决策偏好的EV充电站规划方法，首先，考虑到不同性质车辆的出行特点，在交通拥堵系数的基础上建立出行需求响应模型；其次，根据用户当前状态与选择偏好建立充电决策模型，并结合出行模型对充电站负荷进行预测；最后，以各候选站最大并行服务量为基础，建立以用户经济损失与充电站建设运营成本最小为目标的充电站规划模型，并采用连续化方法改进离散粒子群算法进行求解。
EV用户的出行特性包含时间、空间两个维度。为了详细刻画负荷需求在时间与空间维度的动态特性，本发明结合个体荷电状态(state of charge,SOC)数据构建EV负荷需求的时空动态特性指标体系，如表1所示。
表1 EV负荷需求时空动态特征指标体系
EV首次出行起始时间概率密度函数fst(t)表示为：
式中：t为出行起始时刻；k为形状参数；μ为位置参数；δ为尺度参数。
城市道路拥挤系数矩阵由路拥堵系数Ci,j(t)组成，如下式：
Ci,j(t)＝(Ti,j(t)-Ti,j,0(t))/Ti,j,0(t) (3)
Di,j(t)＝di,j+di,jCi,j(t) (4)
式中：N表示路网交通节点集合，i、j∈N；Ti,j,0(t)为道路行驶时间；Ti,j(t)为道路实际行驶时间；Di,j(t)为等效道路长度。
本发明将城区按照所承担的功能划分为居民区、工作区和商业区(H、W、C)，通过各功能区停泊模拟函数fP(x)确定EV用户因为个人原因在目的地d的停驻时间：
式中：β为形状参数；η为缩放因子；ε为形状参数。
不同用户出行起始SOC概率密度函数fsoc(x)符合正态分布：
式中：μsoc为EV首次出行时电池的SOC均值；σsoc为EV出行起始SOC的标准差。
不同用户对于电池剩余电量的容忍程度不同。规定充电起始SOC由充电起始SOC模拟函数fE(x)确定，如下式：
fE(x)＝Slim-LR·rand() (7)
式中：Slim为充电触发下限；LR为波动范围；rand()为随机数生成函数。
基于出行需求响应的EV出行模型：EV的时空转移源于具有出行需求的用户侧。为了准确预测充电站负荷，本发明将EV划分为营运性质车辆与非营运性质车辆，针对其出行特点分别建立出行模型。
针对营运性质EV出行分析
营运性质EV的出行活动跟随乘客的需求移动，传统随机模型难以描述其复杂的出行过程。以营运性质车辆中所占比例最大的出租车为例，本发明针对乘客的出行需求响应过程，将出租车的转移过程与乘客的出行需求解耦，依据出租车对乘客出行需求的响应过程建立出行模型，并将其分为出行需求侧(乘客)与乘用提供侧(出租车)以简化问题。对于出行需求侧，通过以下步骤进行处理。
1)需求侧出行模拟：居民的日常出行活动符合出行链的基本模式，针对乘客出行特点构建出行链，使用EV首次出行起始时间概率密度函数fst(t)抽取乘客首次出行时间tf，以表示乘客i的出行链，表达式为：
式中：D为的目的地集合；di为出行目的地，di∈D；length(D)为D的大小。
使用各功能区停泊模拟函数fP(x)确定di的停留时间并存入停留时间中，表示为：
式中：为di的停留时间。
2)生成出行需求矩阵。考虑到链式结构信息提取的复杂性，将重组，通过引入di的停留时间将乘客出行过程转化为出行需求矩阵MPD：
式中：出行需求矩阵MPD的行向量表示乘客i的出行信息；为重组后的出行单链，由相邻的两目的地组成；为对应的停留时间。
3)出行矩阵迭代，出行需求矩阵MPD中包含乘客出行信息，如式(13)所示，将所有信息以出行时间进行排序，完成位置转移的出行向量依据对应乘客的下一次出行信息进行更新，并将MPD按时间重新排序；若某位乘客完成今日出行活动，则对应的出行向量为空。
MPD＝sortt(MPD) (13)
对于乘用提供侧，其行为本质上是为了满足需求侧的出行需求，据此，构建出租车服务集群模拟乘用提供侧。
1)生成出租车初始信息。目前，出租车的运营主要是双班制，假设司机每24h换班，使用不同用户出行起始SOC概率密度函数fsoc(x)生成营运EV起始SOC，由充电起始SOC模拟函数fE(x)确定充电起始SOC，将上述信息存入营运EV信息矩阵MTI：
MTI＝[LC SC] (14)
式中：LC为营运EV位置信息；SC为营运EV的SOC信息。
2)构建出租车服务链：为了描述出租车在一天中的运营状态，定义出租车服务链为出租车待客、接客、载客(Await、Receive、Serve)的过程，出租车的实时状态在Await、Receive、Serve三个过程之间转移。
3)出租车载客能力评估：当居民产生出行需求时，通常选择线上平台预约出行，这种新型出行方式使得出租车的运力调度成为了可能。构建出租车响应矩阵MTR，依据车辆状态以及运营情况对营运EV的载客能力进行评估，采用贪心思想选择综合评分最为合适的营运EV完成乘客接送任务，响应矩阵MTR如下式：
式中：为符合接客条件的营运EV待客时刻，为该EV的位置信息，为其SOC信息，为该营运EV与乘客的距离。
非营运性质EV出行分析：非营运性质的乘用车多为私家车，其出行过程所具有的随机性可通过出行链进行分析。如图1所示，出行链的研究对象为用户在一天中的空间转移过程，其具有的随机性和离散型满足马尔科夫原理，符合EV出行统计规律，可通过以下步骤建立出行模型。
1)生成私家车行驶参数：针对单辆私家车，由fst(t)生成起始出行时间tp，使用fsoc(x)与fE(x)生成起始SOC和充电起始SOC，通过各功能区停泊模拟函数fP(x)生成各功能区的停留时间。
2)确定出行信息：通过位置状态转移矩阵确定各时刻私家车的转移概率，以轮盘赌法抽取对应时刻位置确定私家车出行链；t时刻状态转移概率矩阵为：
式中：为车辆状态由A转变为B的概率，A,B∈{H W C}；H为居民区，W为工作区，C为商业区。
3)状态更新：以出行链对依据现实对私家车出行的模拟，私家车在目的地后停留一段时间后向出行链中下一目标点前进，直至结束出行活动。
考虑用户充电决策偏好的路径选择模型：用户对充电路径的选择过程并不是简单的距离排序，而是考虑到下一目的地、充电站位置、SOC状态等多方因素限制下的行为决策。
在用户的出行过程中，依据等效道路长度Di',j(t)计算行驶里程Li'，求出第i'辆EV的实时SOC和剩余电量Ei'd，其电量模型如下式：
△E＝Li'·e0 (16)
Ei'd＝E0-△E (17)
式中：△E为当前总耗电量；e0为EV每公里的平均耗电量；Ei'd为电池的剩余电量；E0为初始电量，即起始SOC与电池容量Bev的乘积；Si'd为第i'辆EV的实时SOC。
EV的SOC临界值由fE(x)确定；t时刻处于行驶状态的车辆SOC低于时，考虑用户出行偏好选择最优的充电路径前往充电站补电。
规定非营运性质EV的充电路径选择具有Pg1、Pg2两个优先级，如下式所示：
式中：Chi0为第i0个充电站；I为充电站集合；Dext为用户从充电需求点A行驶至Chi0，完成补电后到达目的地B的总距离；为充电需求点A与Chi0之间的距离；为充电站Chi0与目的地B之间的距离；DE为EV剩余续航里程；令距离最短的Dext表示为min(Dext)，若DE>min(Dext)，则将充电站Chi0放入Pg1中，DE≤min(Dext)的充电站Chi0放入Pg2。
在电量相对富余的情况下，用户更偏好于前往Pg1中Dext更小的充电站补电；否则，用户会选择第二优先级Pg2中的充电站。
营运性质EV在充电路径的选择上偏向于经济损失更小的充电路径，对于出租车，以整体出行费用最低作为标准选择合适的充电路径，充电站Chi0的整体出行费用如下式所示：
式中：为每公里成本折算系数；γ为行驶时间成本折算系数；为道路拥挤系数矩阵所规定的行驶速度。
基于出行需求响应模型及充电路径决策模型，充电站负荷预测流程如图2所示，Nvnc为非营运EV的数量。
充电站规划策略：考虑到用户使用的便捷性，和充电站建设的经济性，本发明以用户侧与投资侧年均综合成本最低为目标，建立数学模型，如式(22)所示：
其中，为充电站i0的平均年耗资金；如式(23)所示：
式中：为候选充电站i0的占地总面积；为该区域的土地成交价；为建设规模；为负荷容量；CC为单位容量造价；m为预计运行年数；r0为投资回报率。
为运营充电站i0的平均年耗资金；如式(24)所示：
式中：为t时刻从电网的购电价格；为向用户的售电价格；为人工成本；为维护花费；为平均年耗资金，为正则表示充电站i0的运营未盈利，当其为负值时，可看作充电站i0的年均运行收益；为t时内充电站因充电消耗的总电量，如式(25)所示：
式中：RE为EV总续航里程数；为充电需求点n到充电站i0之间使用Dijkstra算法得到的最短距离；Qn为充电需求点n对应车辆的SOC；为t时内能够到达充电站i0的充电需求点集合。
为用户在充电途中的行驶成本，如式(26)所示：
式中：θ为EV用户行驶成本折算系数，不同营运性质的EV所取θ值略有差异。
约束条件
充电站i0的充电需求不满足率指的是已到达充电站但没有空闲充电桩的车辆占比，如式(27)所示：
式中：为充电站i0在单位时间内的最大并行服务量；为充电站i0的充电桩个数；γ为充电需求不满足率上限。
充电站i0的充电需求不可达率指的是需要充电但剩余电量无法支撑到达充电站的车辆占比，如式(28)所示：
式中：为t时内选择充电站i0进行充电的充电需求点集合；ζ为充电需求不可达率上限。
为了满足未来EV用户的充电需求但又不产生浪费，使用对充电站i0的充电桩个数进行限制，如下式：
式中：为充电站i0的充电桩上限；k为该地区EV增长率。
离散目标连续化的粒子群算法：粒子群算法(PSO)在具体应用的过程中存在着收敛难、易陷入局部最优等诸多问题。为了使粒子群算法适应本发明所建立的选址定容优化模型，提出一种离散目标连续化的粒子群算法(Particle Swarm Optimization Algorithmfor Continuation of Discrete Objects，CDOPSO)来解决本发明的寻优问题。
1)超拉丁方初始化
粒子群优化算法的结果受粒子初始值的影响比较大，使用拉丁超立方采样将粒子xi的定义域划分成H个相等的区间，以较低的重复次数获取更多的信息，尽可能的分散初始赋值。
2)求解空间变换
以单位距离Du确定各节点在路网拓扑矩阵NT中的映射信息，通过模拟各节点之间的邻接关系连续化离散节点。此时求解空间变换为路网拓扑矩阵NT，其映射关系及不同方向节点距离满足下式：
ni＝NT(xi,yi) (31)
2Du>X(nj-nk)>Du (32)
2Du>Y(nj-nk)>Du (33)
式中：n为路网节点；X(nj-nk)、Y(nj-nk)为不同维度下两节点的距离。
3)盲点优化
定义路网拓扑矩阵NT中未赋予节点映射关系的元素为盲点，当算法寻至盲点时则触发优化事件EO。当EO为变异事件(Mutation)时，从求解空间中确定新粒子替换劣势粒子，为延伸事件(Strech)时依据速度方向在盲点一侧进行局部搜索，如下式：
式中：t为迭代次数；为最大迭代次数。
本发明建立的混合整数非线性规划问题的求解流程如图3所示。
1)数据初始化：依据目标城市的道路交通拓扑结构得到该城市的路网图，并生成邻接矩阵；设置算法初始参数并输入路网拓扑矩阵NT、粒子数imax和迭代次数nmax。
2)充电站负荷预测：接入充电站负荷预测并统计各候选站单位时间内最大并行服务量以结合充电站优化约束选定合适的充电站等级建设方案
3)以适应度函数计算每个选址方案的适应度值：
F(x)＝-Fcost-e1γn-e2ζn (36)
式中：γn为充电需求不满足率；ζn为充电需求不可达率；e1、e2为惩罚因子。
4)迭代优化：更新完所有粒子状态后，返回步骤2继续循环，达到最大迭代次数时，返回最优适应值对应的方案。
为验证本发明所提方法的有效性，选取某市总面积为52.6km2的规划区，东西跨度约8.73km，南北跨度为6.02km，人口总量达20万，如图4所示，以主要道路为界将路网划分为商业区、住宅区和工作区。
依据报告[中华人民共和国公安部.全国私家车保有量首次突破2亿辆，66个城市汽车保有量超过百万辆[EB/OL].]，考虑到新能源汽车在城市中的渗透情况，共引入EV10000辆，其中私家车8000辆，出租车2000辆。电动汽车的出行信息数据由上海市新能源汽车公共数据采集与检测研究中心提供，设备备选充电站的基本参数见表2。依据不同时段道路交通的实际情况，各个功能区道路拥堵系数的波动范围如表3所示。
表2充电站基本参数
表3不同功能区各个时段道路拥堵系数波动范围
表4充电站容量配置及综合社会成本
以EV需求响应模型为基础，对充电站负荷进行预测，结合CDOPSO算法求解充电站规划模型，得出最优选址定容方案。图5为各区域充电需求分布图。总体来看，营运性质车辆在空间上的转移更为频繁，表现为规划区内营运性质车辆的充电需求量大于非营运性质车辆；其中，商业区的充电需求车辆数最多，高峰期车辆数为113辆；居民区需求仅次于商业区，高峰时期为105辆；工作区的充电需求较低，最高峰82辆。
观察各区域充电需求高峰可以发现，居民区充电高峰主要出现在19:00–20:00时段、23:00–24:00时段；工作区的充电需求则集中于上班时间，即8:00–11:00；商业区偏向于娱乐休闲，出行活动主要发生在上午以及傍晚，充电需求高峰滞后于出行高峰，因此商业区充电需求集中于9:00–11:00和22:00–24:00时段。
依据约束条件设置充电需求不可达率上限ζ及充电需求不满足率上限γ，基于充电站负荷预测数据，使用式(28)求出候选站址的充电需求不可达率取ζ＝0.2，当时则表示该候选站位置偏离了负荷中心，难以满足用户的充电需求，以式(36)对该站址方案进行惩罚。
对于满足ζ约束的站址方案，以充电需求不满足率对其建站等级进行优化。结合最大并行服务量及式(27)求出不同容量等级下的充电需求不满足率取γ＝0.2；若则表明该容量等级无法满足用户的充电需求。
实际使用中，不同等级充电站的日服务能力有限，配置充电站等级时，在满足未来EV用户充电需求的情况下，其充电桩数应小于且其充电需求不满足率要满足需求不满足率上限γ。结合规划区内EV保有量以及参数取值，经过初步筛选设置5～9座充电站。以上述步骤对各方案充电站等级进行配置，其结果如表4所示。由于备选充电站的等级、用地性质、占地规模不同，其投资建设成本呈现不同的趋势。
当充电站数量为5座时，为了尽可能满足规划区内充电需求，其充电站的选址多分布于负荷聚集中心区域，征地成本高，用户大量集中导致所需容量等级较大，故其年投资建设成本较高，与5座充电站相比，建设6座充电站的投资建设成本反而更小；随着充电站数量增加，各充电站分担的负荷相对减少，运营收益略有上升；当建设7座充电站时年化社会成本最低，与6座建站方案相比，充电站建设数量增加了一座但投资建设成本却降低了125.28万元；当充电站数量大于7座后，其投资建设成本逐渐追平运营收益，方案提供的充电服务能力大于用户的充电需求，在实际使用过程中，容量等级较高的充电站在负荷低谷期可能会出现充电设施闲置现象。
从用户的角度出发，规划不同数量的充电站时用户在充电过程中的路途成本有所不同。当充电站为5座时，用户与充电站之间的距离相对较远，偏离负荷中心区域的用户难以到达充电站，损失部分用户的同时用户年充电转移成本要高于其他方案；增加充电站数量，用户的充电需求不可达率下降，到站充电的用户数量有所上升，但充电途中所消耗的时间距离下降，用户年充电转移成本呈现下降趋势。
充电站建设数量为7座时，各个站址充电站等级、建设成本和用户成本如表5所示，对各站址社会成本进行分析得到图6，结合图7(a)可得到充电站的分布情况。各充电站位置分布较为均匀，其中，C位于三个功能区交界位置，E则位于居民区较为密集的区域，因此C、E处的充电站等级较高。
表5各站址规划成本
基于本发明提出的方法，当建站数目为7座时分别使用考虑用户出行偏好的充电路径决策模型与最短路径决策模型对充电站负荷进行预测。图7为充电站负荷分布图，节点上的气泡大小表示该节点充电负荷的需求量，每种颜色对应不同的充电站，左图考虑用户出行偏好的影响，由于用户在行驶过程中产生充电需求时，并非单纯的选择距离自己最近的充电站，而是偏向于前往目的地的途中充电，在电量达到阈值前，用户会综合考虑剩余电量与目的地的远近，选择更合适的充电站，因此在相同的节点充电负荷选择的充电站站址可能不同，即表现为不同颜色负荷在同一节点的叠加；右图用户只选择距离自己最近的充电站，各节点负荷分布较为集中且并无负荷叠加。
以上所述仅为本发明的较佳实施例而已，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 (8)
1.一种考虑用户出行差异与充电决策偏好的EV充电站规划方法，其特征在于，其步骤如下：
步骤一：考虑到不同性质车辆的出行特点，在交通拥堵系数的基础上建立出行需求响应模型；
步骤二：根据用户当前状态与选择偏好建立充电决策模型，并结合出行模型对充电站负荷进行预测；
步骤三：以各候选站最大并行服务量为基础，建立以用户经济损失与充电站建设运营成本最小为目标的充电站规划模型，并采用连续化方法改进离散粒子群算法进行求解。
2.根据权利要求1所述的考虑用户出行差异与充电决策偏好的EV充电站规划方法，其特征在于，所述不同性质车辆包括营运性质车辆和非营运性质车辆；
S1.1：针对营运性质车辆
营运性质EV的出行活动跟随乘客的需求移动，针对乘客的出行需求响应过程，将营运EV的转移过程与乘客的出行需求解耦，依据营运EV对乘客出行需求的响应过程建立出行模型，并将其分为出行需求侧与乘用提供侧；
S1.1.1：需求侧出行模拟：
针对乘客出行特点构建出行链，使用EV首次出行起始时间概率密度函数fst(t)抽取乘客首次出行时间tf，以表示乘客i的出行链，表达式为：
式中：D为的目的地集合；di为出行目的地，di∈D；length(D)为D的大小；
使用各功能区停泊模拟函数fP(x)确定di的停留时间并存入停留时间中，表示为：
式中：为di的停留时间；
将重组，通过引入di的停留时间将乘客出行过程转化为出行需求矩阵MPD：
式中：出行需求矩阵MPD的行向量表示乘客i的出行信息；为重组后的出行单链，由相邻的两目的地组成；为对应的停留时间；
出行矩阵迭代，按照下式将出行需求矩阵MPD以出行时间进行排序：
MPD＝sortt(MPD)；
S1.1.2：乘用提供侧出行模拟：
生成营运EV初始信息：使用不同用户出行起始SOC概率密度函数fsoc(x)生成营运EV起始SOC，由充电起始SOC模拟函数fE(x)确定充电起始SOC，将上述信息存入营运EV信息矩阵MTI：
MTI＝[LC SC]；
式中：LC为营运EV位置信息；SC为营运EV的SOC信息；
构建营运EV服务链：定义营运EV的实时状态在待客、接客、载客三个过程之间转移；营运EV载客能力评估：当居民产生出行需求时，通常选择线上平台预约出行，将待客时刻满足居民出行时刻的营运EV信息放入营运EV响应矩阵MTR中：
式中：为符合接客条件的营运EV待客时刻，为该EV的位置信息，为其SOC信息，为该营运EV与乘客的距离；
依据车辆状态以及运营情况对营运EV的载客能力进行评估，采用贪心思想选择综合评分最为合适的营运EV完成乘客接送任务；
S1.2：针对非营运性质车辆
生成私家车行驶参数：针对单辆私家车，由fst(t)生成起始出行时间tp，使用fsoc(x)与fE(x)生成起始SOC和充电起始SOC，通过各功能区停泊模拟函数fP(x)生成各功能区的停留时间；
确定出行信息：通过位置状态转移矩阵确定各时刻私家车的转移概率，以轮盘赌法抽取对应时刻位置确定私家车出行链；t时刻状态转移概率矩阵为：
式中：为车辆状态由A转变为B的概率，A,B∈{H W C}；H为居民区，W为工作区，C为商业区；
状态更新：以出行链对依据现实对私家车出行的模拟，私家车在目的地后停留一段时间后向出行链中下一目标点前进，直至结束出行活动。
3.根据权利要求2所述的考虑用户出行差异与充电决策偏好的EV充电站规划方法，其特征在于，所述EV首次出行起始时间概率密度函数fst(t)表示为：
式中：t为出行起始时刻；k为形状参数；μ为位置参数；δ为尺度参数；
各功能区停泊模拟函数fP(x)表示为：
式中：β为形状参数；η为缩放因子；ε为形状参数；H为居民区，W为工作区，C为商业区；
不同用户出行起始SOC概率密度函数fsoc(x)符合正态分布：
式中：μsoc为EV首次出行时电池的SOC均值；σsoc为EV出行起始SOC的标准差；
充电起始SOC模拟函数fE(x)表示为：
fE(x)＝Slim-LR·rand()；
式中：Slim为充电触发下限；LR为波动范围；rand()为随机数生成函数。
4.根据权利要求1所述的考虑用户出行差异与充电决策偏好的EV充电站规划方法，其特征在于，所述充电决策模型得构建方法为：
用户对充电路径的选择过程是考虑到下一目的地、充电站位置、SOC状态多方因素限制下的行为决策；
在用户的出行过程中，依据等效道路长度Di',j(t)计算行驶里程Li'，求出第i'辆EV的实时SOC和剩余电量Ei'd，其电量模型如下式：
△E＝Li'·e0；
Ei'd＝E0-△E；
式中：△E为当前总耗电量；e0为EV每公里的平均耗电量；Ei'd为电池的剩余电量；E0为初始电量，即起始SOC与电池容量Bev的乘积；Si'd为第i'辆EV的实时SOC；
EV的SOC临界值由fE(x)确定；t时刻处于行驶状态的车辆SOC低于时，考虑用户出行偏好选择最优的充电路径前往充电站补电；
规定非营运性质EV的充电路径选择具有Pg1、Pg2两个优先级，如下式所示：
式中：Chi0为第i0个充电站；I为充电站集合；Dext为用户从充电需求点A行驶至Chi0，完成补电后到达目的地B的总距离；为充电需求点A与Chi0之间的距离；为充电站Chi0与目的地B之间的距离；DE为EV剩余续航里程；令距离最短的Dext表示为min(Dext)，若DE>min(Dext)，则将充电站Chi0放入Pg1中，DE≤min(Dext)的充电站Chi0放入Pg2；在电量相对富余的情况下，用户更偏好于前往Pg1中Dext更小的充电站补电；否则，用户会选择第二优先级Pg2中的充电站；
营运性质EV在充电路径的选择上偏向于经济损失更小的充电路径，以整体出行费用最低作为标准选择合适的充电路径，充电站Chi0的整体出行费用如下式所示：
式中：为每公里成本折算系数；γ为行驶时间成本折算系数；为道路拥挤系数矩阵所规定的行驶速度。
5.根据权利要求1所述的考虑用户出行差异与充电决策偏好的EV充电站规划方法，其特征在于，所述充电站规划模型为：
其中，为充电站i0的平均年耗资金；为候选充电站i0的占地总面积；为该区域的土地成交价；为建设规模；为负荷容量；CC为单位容量造价；m为预计运行年数；r0为投资回报率；为运营充电站i0的平均年耗资金；为t时刻从电网的购电价格；为向用户的售电价格；为人工成本；为维护花费；为平均年耗资金，为正则表示充电站i0的运营未盈利，当其为负值时，可看作充电站i0的年均运行收益；为t时内充电站因充电消耗的总电量，RE为EV总续航里程数；为充电需求点n到充电站i0之间使用Dijkstra算法得到的最短距离；Qn为充电需求点n对应车辆的SOC；为t时内能够到达充电站i0的充电需求点集合；为用户在充电途中的行驶成本，θ为EV用户行驶成本折算系数；
充电站规划模型的约束条件如下：
式中：为充电站i0的充电需求不满足率；为充电站i0在单位时间内的最大并行服务量；为充电站i0的充电桩个数；γ为充电需求不满足率上限；为充电站i0的充电需求不可达率；为t时内选择充电站i0进行充电的充电需求点集合；ζ为充电需求不可达率上限；为充电站i0的充电桩上限；k为该地区EV增长率。
6.根据权利要求5所述的考虑用户出行差异与充电决策偏好的EV充电站规划方法，其特征在于，所述采用连续化方法改进离散粒子群算法进行求解的方法为：
S3.1：数据初始化：依据目标城市的道路交通拓扑结构得到该城市的路网图，并生成邻接矩阵；设置算法初始参数并输入路网拓扑矩阵NT、粒子数imax和迭代次数nmax；
S3.2：充电站负荷预测：接入充电站负荷预测并统计各候选站单位时间内最大并行服务量以结合充电站优化约束选定合适的充电站等级建设方案
S3.3：以适应度函数计算每个选址方案的适应度值：
F(x)＝-Fcost-e1γn-e2ζn；
式中：γn为充电需求不满足率；ζn为充电需求不可达率；e1、e2为惩罚因子；
S3.4：迭代优化：更新完所有粒子状态后，返回步骤S3.2继续循环，达到最大迭代次数时，返回最优适应值对应的方案。
7.根据权利要求6所述的考虑用户出行差异与充电决策偏好的EV充电站规划方法，其特征在于，粒子更新方法为：
定义路网拓扑矩阵NT中未赋予节点映射关系的元素为盲点，当算法寻至盲点时则触发优化事件EO；当EO为变异事件时，从求解空间变换中确定新粒子替换劣势粒子，为延伸事件时依据速度方向在盲点一侧进行局部搜索，如下式：
式中：t为迭代次数；为最大迭代次数。
8.根据权利要求7所述的考虑用户出行差异与充电决策偏好的EV充电站规划方法，其特征在于，所述求解空间变换是指：以单位距离Du确定各节点在路网拓扑矩阵NT中的映射信息，通过模拟各节点之间的邻接关系连续化离散节点；
求解空间变换为路网拓扑矩阵NT，其映射关系及不同方向节点距离满足下式：
ni＝NT(xi,yi)；
2Du>X(nj-nk)>Du；
2Du>Y(nj-nk)>Du；
式中：n为路网节点；X(nj-nk)、Y(nj-nk)为不同维度下两节点的距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311329288.2A CN117172080A (zh) | 2023-10-13 | 2023-10-13 | 考虑用户出行差异与充电决策偏好的ev充电站规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311329288.2A CN117172080A (zh) | 2023-10-13 | 2023-10-13 | 考虑用户出行差异与充电决策偏好的ev充电站规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117172080A true CN117172080A (zh) | 2023-12-05 |
Family
ID=88945216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311329288.2A Pending CN117172080A (zh) | 2023-10-13 | 2023-10-13 | 考虑用户出行差异与充电决策偏好的ev充电站规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172080A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993581A (zh) * | 2024-04-07 | 2024-05-07 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑天气影响的电动汽车充电负荷预测方法 |
-
2023
- 2023-10-13 CN CN202311329288.2A patent/CN117172080A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993581A (zh) * | 2024-04-07 | 2024-05-07 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑天气影响的电动汽车充电负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109034465B (zh) | 考虑充电站选址与出行路径耦合的充电站两层规划方法 | |
| CN111178619B (zh) | 一种考虑分布式电源和充电站联合规划的多目标优化方法 | |
| Dong et al. | Planning of fast EV charging stations on a round freeway | |
| CN109711630A (zh) | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 | |
| CN109523051A (zh) | 一种电动汽车充电实时优化调度方法 | |
| CN111667086B (zh) | 一种车辆共乘路径寻优方法及系统 | |
| CN106875075A (zh) | 一种基于出行行为学的电动汽车充电站布点方法 | |
| CN114912736A (zh) | 一种电动公交协调优化调度方法 | |
| Liu et al. | A multi-objective decision-making approach for the optimal location of electric vehicle charging facilities | |
| CN106965688A (zh) | 一种电网和交通网协同环境下的电动汽车充电方法 | |
| CN111046576B (zh) | 一种考虑双网信息的电动私家车充电负荷预测方法 | |
| 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 | |
| CN117172080A (zh) | 考虑用户出行差异与充电决策偏好的ev充电站规划方法 | |
| CN112381398B (zh) | 考虑用户有限理性出行的电动汽车充电站选址方法及系统 | |
| CN110189025A (zh) | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 | |
| CN114186754B (zh) | 含有不同类型充电桩的电动汽车充电站选址定容优化方法 | |
| CN112865149A (zh) | 一种基于代理商与区域分时电价的车网多时空互动方法 | |
| CN115510672A (zh) | 一种物联网感知环境下电动微出行车辆换电需求预测方法 | |
| CN116054316A (zh) | 一种基于混沌麻雀优化算法的电动汽车有序充放电方法 | |
| Uribe et al. | Discrete event simulation for battery-swapping station sizing for hybrid and electric motorcycles | |
| Shen et al. | Integrated optimization of electric vehicles charging location and allocation for valet charging service | |
| Mei et al. | Optimizing the configuration of electric vehicle charging piles in public parking lots based on a multi-agent model | |
| CN114077972B (zh) | 一种基于深度强化学习的移动充电车服务调度方法 | |
| CN114329783A (zh) | 一种多目标电动汽车充电网络规划方法 | |
| CN114548564A (zh) | 电池配送路径优化方法、装置、计算机设备及存储介质 |
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 |