CN117592607A - 充电场站的选址定容方法、装置、设备、介质 - Google Patents
充电场站的选址定容方法、装置、设备、介质 Download PDFInfo
- Publication number
- CN117592607A CN117592607A CN202311598491.XA CN202311598491A CN117592607A CN 117592607 A CN117592607 A CN 117592607A CN 202311598491 A CN202311598491 A CN 202311598491A CN 117592607 A CN117592607 A CN 117592607A
- Authority
- CN
- China
- Prior art keywords
- road network
- network node
- target
- vehicle
- charging
- 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 57
- 238000004513 sizing Methods 0.000 title claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 106
- 238000005265 energy consumption Methods 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000007704 transition Effects 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 230000015654 memory Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 8
- 238000009434 installation Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000003826 tablet Substances 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"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种充电场站的选址定容方法、装置、设备、介质。该方法包括:获取目标区域内历史车辆动态分布数量和车辆状态;基于马尔科夫状态转移模型,对历史车辆动态分布数量和车辆状态进行处理,得到目标路径;根据历史车辆动态分布数量、目标路径和车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗;根据初始充电资源、多个路网节点与第二目标路网节点之间的距离和预计单位里程能耗,得到服务范围;根据服务范围、历史车辆动态分布数量和车辆状态,生成候选充电资源;以及基于目标优化模型,对候选充电资源、历史车辆动态分布数量和车辆状态进行处理,得到用于建设目标充电场站的第三目标路网节点和目标充电资源。
Description
技术领域
本发明涉及数据处理技术领域,具体新能源技术领域,更具体地涉及一种充电场站的选址定容方法、装置、设备、介质。
背景技术
随着电动汽车的普及,城市充电基础设施的建设和优化布局已成为电动汽车规模化发展的重要支撑。目前,传统的交流慢充和一般的直流快充已经不能满足用户的充电需求。
但是,由于电动汽车对充电场站以及不同功率的充电桩的选择具有一定的随机性和差异性,因此,如何确定用于建设电动汽车的充电场站地址以及充电场站内的具体充电资源的配置,是目前亟需解决的问题。
发明内容
鉴于上述问题,本发明提供了一种充电场站的选址定容方法、装置、设备、介质。
根据本发明的第一个方面,提供了一种充电场站的选址定容方法,包括:获取目标区域内历史车辆动态分布数量和车辆状态,其中,目标区域内包括按照预设规则排布的多个路网节点和与多个路网节点对应的多个配电网节点;基于马尔科夫状态转移模型,对历史车辆动态分布数量和车辆状态进行处理,得到目标路径,其中,目标路径包括多个第一目标路网节点,车辆由起始路网节点向多个第一目标路网节点的转移概率大于第一预定阈值;根据第一目标路网节点上的历史车辆动态分布数量、目标路径和车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗,其中,第二路网节点表征车辆状态小于第二预定阈值的路网节点;根据多个路网节点的初始充电资源、多个路网节点与第二目标路网节点之间的距离和预计单位里程能耗,得到用于建设候选充电场站的路网节点的服务范围;其中,服务范围包括位于第二路网节点的车辆;第二路网节点的车辆选择候选充电场站的概率大于位于其他路网节点处的充电场站;根据服务范围、历史车辆动态分布数量和车辆状态,生成候选充电场站内的候选充电资源;以及基于目标优化模型,对候选充电资源、历史车辆动态分布数量和车辆状态进行处理,得到用于建设目标充电场站的第三目标路网节点和目标充电场站内的目标充电资源,其中,目标优化模型是根据多个路网节点与多个配电网节点之间的关联关系构建的。
根据本发明的实施例,第一目标路网节点包括M个,M为大于1的整数;根据第一目标路网节点上的历史车辆动态分布数量、目标路径和车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗,包括:
根据目标路径,确定第m个第一目标路径节点与第m+1个第一目标路径节点之间的距离,m为大于等于1且小于等于M-1的整数;根据第一目标路网节点上的历史车辆动态分布数量,确定在第m个第一目标路径节点与第m+1个第一目标路径节点之间的道路上的第t时刻的车辆数量,t为大于1的整数;根据第t时刻的车辆数量、初始车辆数量和距离,得到第t时刻单位距离内的车辆数量;以及根据第t时刻单位距离内的车辆数量和车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗。
根据本发明的实施例,根据第t时刻单位距离内的车辆数量和车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗,包括:根据t时刻单位距离内的车辆数量,确定拥堵等级;根据拥堵等级,确定在道路上第t时刻车辆的行驶速度;根据第t时刻车辆的行驶速度和当前温度,得到车辆从第m个第一目标路网节点行驶至第m+1个第一目标路网节点的预计单位里程能耗;根据预计单位里程能耗、距离和车辆在第m个第一目标路网节点的车辆状态,得到车辆在第m+1个第一目标路网节点的车辆状态;响应于车辆在第m+1个第一目标路网节点的车辆状态小于第二预定阈值,确定第m+1个第一目标路网节点为第二目标路网节点。
根据本发明的实施例,根据第t时刻车辆的行驶速度和当前温度,得到车辆从第m个第一目标路网节点行驶至第m+1个第一目标路网节点的预计单位里程能耗,包括:
根据第t时刻车辆的行驶速度,得到车辆在道路上的第一单位里程能耗;基于能耗与行驶温度的预定拟合关系,根据当前温度,得到第二单位里程能耗;根据第一单位里程能耗和第二单位里程能耗,得到预计单位里程能耗。
根据本发明的实施例,根据多个路网节点的初始充电资源、多个路网节点与第二目标路网节点之间的距离和预计单位里程能耗,得到用于建设候选充电场站的路网节点的服务范围,包括:
针对每一个路网节点,根据每一个路网节点的初始充电资源,得到车辆到每一个路网节点进行充电的吸引力指数;根据每一个路网节点与第二目标路网节点之间的距离和预计单位里程能耗,得到车辆到每一个路网节点进行充电的阻碍指数;根据吸引力指数和阻碍指数,得到车辆的选择概率;以及基于车辆的选择概率,得到用于建设候选充电场站的路网节点的服务范围。
根据本发明的实施例,根据服务范围、历史车辆动态分布数量和车辆状态,生成候选充电场站内的候选充电资源,包括:根据服务范围和历史车辆动态分布数量,确定第t时刻到达候选充电场站的车辆,t为大于1的整数;根据第t时刻到达候选充电场站的车辆和车辆状态,生成候选充电场站内的候选充电资源。
根据本发明的实施例,上述方法还包括:响应于第三路网节点的数量大于第三预定阈值的情况下,对与每一个第三路网节点对应的目标充电资源和多个路网节点的排布位置进行处理,得到位于每一个第三路网节点的供需比;根据供需比和车辆的选择概率,得到车辆到达与每一个第三路网节点对应的目标充电场站进行充电的可达性指数;根据可达性指数,从第三路网节点中确定用于建设目标充电场站的路网节点。
本发明的第二方面提供了一种充电场站的选址定容装置,包括:获取模块、第一处理模块、第一获得模块、第二获得模块、生成模块和第三获得模块。
获取模块,用于获取目标区域内历史车辆动态分布数量和车辆状态,其中,目标区域内包括按照预设规则排布的多个路网节点和与多个路网节点对应的多个配电网节点。
第一处理模块,用于基于马尔科夫状态转移模型,对历史车辆动态分布数量和车辆状态进行处理,得到目标路径,其中,目标路径包括多个第一目标路网节点,车辆由起始路网节点向多个第一目标路网节点的转移概率大于第一预定阈值。
第一获得模块,用于根据第一目标路网节点上的历史车辆动态分布数量、目标路径和车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗,其中,第二路网节点表征车辆状态小于第二预定阈值的路网节点。
第二获得模块,用于根据多个路网节点的初始充电资源、多个路网节点与第二目标路网节点之间的距离和预计单位里程能耗,得到用于建设候选充电场站的路网节点的服务范围;其中,服务范围包括位于第二路网节点的车辆;第二路网节点的车辆选择候选充电场站的概率大于位于其他路网节点处的充电场站。
生成模块,用于根据服务范围、历史车辆动态分布数量和车辆状态,生成候选充电场站内的候选充电资源。
第三获得模块,用于基于目标优化模型,对候选充电资源、历史车辆动态分布数量和车辆状态进行处理,得到用于建设目标充电场站的第三目标路网节点和目标充电场站内的目标充电资源,其中,目标优化模型是根据多个路网节点与多个配电网节点之间的关联关系构建的。
本发明的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述充电场站的选址定容方法。
本发明的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述充电场站的选址定容方法。
本发明的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述充电场站的选址定容方法。
根据本发明的实施例,基于马尔科夫状态转移模型根据目标区域内的历史车辆动态分布和车辆属性较为准确的预测车辆在路网节点上的动态转移情况,从而确定具有充电需求的车辆所在的路网节点。再将每一个路网节点均作为候选充电桩,基于候选充电桩的初始充电资源和车辆到达候选充电场站的预计能耗,精准地确定针对每一个候选充电场站可以服务的路网节点的范围。解决了相关技术中能以预测车辆实际充电需求和充电功率的问题。最后结合路网节点与配电网的对应关系构建的目标优化模型,对候选充电桩的选址进一步优化,得到用于建设目标充电场站的路网节点以及目标充电桩的路网节点的充电资源。提高了确定目标充电场站的地址和目标充电场站内的充电资源配置的预测准确度。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本发明实施例的充电场站的选址定容方法、装置、设备、介质的应用场景图;
图2示意性示出了根据本发明实施例的充电场站的选址定容方法的流程图;
图3示意性示出了基于马尔科夫状态转移模型的节点转移示意图;
图4示意性示出了目标区域的配电网与交通网耦合示意图;
图5示意性示出了根据本发明实施例的充电场站的选址定容装置的结构框图;以及
图6示意性示出了根据本发明实施例的适于实现充电场站的选址定容方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
现有研究主要存在以下三点问题:一是充电场站内充电桩类型多样且配套设施结构复杂,不同类型的充电设施面向不同的电动汽车用户,考虑到用户行为的差异性和随机性,难以保证不同类型充电负荷的预测精准性;二是超大功率充电的服务对象不明确,应用场景不清晰,导致难以准确预测超大功率充电的充电需求及充电功率,造成超大功率充换电站选址定容困难;三是超大功率对配电网的影响机理不清晰,影响因素中有充电需求、充电功率等大量随机变量,导致难以构建精确的综合评价体系,无法准确衡量超大功率充电的投资成本与运行效益,限制了超大功率充换电设施与配电网的协同规划建设。
在本发明的技术方案中,所涉及的用户(包括但不限于用户个人、用户图像、用户设备,例如位置等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的和数据,并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关国家和地区的相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
本发明的实施例提供了一种充电场站的选址定容方法,基于马尔科夫状态转移模型根据目标区域内的历史车辆动态分布和车辆属性较为准确的预测车辆在路网节点上的动态转移情况,从而确定具有充电需求的车辆所在的路网节点。再将每一个路网节点均作为候选充电桩,基于候选充电桩的初始充电资源和车辆到达候选充电场站的预计能耗,精准地确定针对每一个候选充电场站可以服务的路网节点的范围。解决了相关技术中能以预测车辆实际充电需求和充电功率的问题。最后结合路网节点与配电网的对应关系构建的目标优化模型,对候选充电桩的选址进一步优化,得到用于建设目标充电场站的路网节点以及目标充电桩的路网节点的充电资源。提高了确定目标充电场站的地址和目标充电场站内的充电资源配置的预测准确度。
图1示意性示出了根据本发明实施例的充电场站的选址定容方法、装置、设备、介质的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、、或数据等)反馈给终端设备。
需要说明的是,本发明实施例所提供的充电场站的选址定容方法一般可以由服务器105执行。相应地,本发明实施例所提供的充电场站的选址定容装置一般可以设置于服务器105中。本发明实施例所提供的充电场站的选址定容方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本发明实施例所提供的充电场站的选址定容装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图4对公开实施例的充电场站的选址定容方法进行详细描述。
图2示意性示出了根据本发明实施例的充电场站的选址定容方法的流程图。
如图2所示,该充电场站的选址定容方法200包括操作S210~操作S260。
在操作S210,获取目标区域内历史车辆动态分布数量和车辆状态,其中,目标区域内包括按照预设规则排布的多个路网节点和与多个路网节点对应的多个配电网节点。
在操作S220,基于马尔科夫状态转移模型,对历史车辆动态分布数量和车辆状态进行处理,得到目标路径。
在操作S230,根据第一目标路网节点上的历史车辆动态分布数量、目标路径和车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗。
在操作S240,根据多个路网节点的初始充电资源、多个路网节点与第二目标路网节点之间的距离和预计单位里程能耗,得到用于建设候选充电场站的路网节点的服务范围。
在操作S250,根据服务范围、历史车辆动态分布数量和车辆状态,生成候选充电场站内的候选充电资源。
在操作S260,基于目标优化模型,对候选充电资源、历史车辆动态分布数量和车辆状态进行处理,得到用于建设目标充电场站的第三目标路网节点和目标充电场站内的目标充电资源。
根据本发明的实施例,历史车辆动态分布数量可以表征在历史时段内每个时刻行驶在目标区域的每一个路网节点上的车辆数量。目标区域内多个路网节点的排布规则可以是目前交通网的排布规则,相邻路网节点之间的线段表示用于车辆行驶的道路。
根据本发明的实施例,车辆交通网上的动态行驶过程,可以简化为在路网节点之间的转移。
图3示意性示出了基于马尔科夫状态转移模型的节点转移示意图。
如图3所示,在该节点转移示意图300中,车辆从路网节点r1,1出发,在行驶途中每次可转移路网节点有n个,经过m-2次抉择到达目的地rm,1。由于车辆在路网节点之间转移符合马尔科夫状态转移规则,因此,可以基于马尔科夫状态转移模型,确定车辆从当前路网节点向下一个路网节点的转移概率,如公式(1)所示:
其中,a表示车辆可选择的出行路径;N为车辆从当前路网节点rcur转移至终点的所有可行方案的数量;M为所有可行路径中下一次转移经过路网节点rnex的方案数量;K为当前方案中路网节点转移经过的路网节点的数量;为在N个可行方案中第k段的路径长度;为在M个方案中第k段的路径长度;m为路径抉择数;n为相邻路网节点数;P(a|rcur,rnex)表示车辆在当前路网节点向终止路网节点移动时,经过与当前路网节点相邻路网节点的转移概率;/>表示在N个可行方案中第k段路径的车辆行驶速度;/>在M个可行方案中第k段路径的车辆行驶速度。
根据本发明的实施例,车辆由起始路网节点向多个第一目标路网节点的转移概率大于第一预定阈值。目标路径可以表征由多个第一目标路网节点组成的路径。
根据本发明的实施例,车辆状态可以包括车辆的荷电状态,通常在车辆的荷电状态(SOC,State of Charge)小于30%时,车辆需要进行充电。因此,可以将第二预定阈值设置为30%。
例如:目标路径可以为路网节点a→路网节点b→路网节点c→路网节点d。第一目标路网节点上的历史车辆动态分布数量可以是目标路径上的每一个路网节点上的历史车辆动态分布数量,在t时刻,相邻节点之间的车辆分布数量可以影响车辆的行驶速度,进而影响车辆在相邻节点之间的预计单位里程能耗。
因此,可以根据第一目标路网节点上的历史车辆动态分布数量、目标路径和车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗。
例如:车辆在路网节点a的荷电状态可以是70%,由于荷电状态表示车辆当前电量与电池总容量的比值,因此,可以基于第一目标路网节点上的历史车辆动态分布数量,确定相邻路网节点之间的预计单位里程能耗,进而确定车辆行驶至路网节点b的荷电状态,例如:可以是50%。以此类推,当车辆在路网节点c的荷电状态下降至小于30%时,可以确定路网节点c为第二目标路网节点。
根据本公开的实施例,多个路网节点的初始充电资源可以是相同的。初始充电资源可以包括充电桩数量和充电费用。从用户视角出发,根据多个路网节点的初始充电资源、多个路网节点与第二目标路网节点之间的距离和预计单位里程能耗,可以确定车辆在第二目标路网节点选择位于多个路网节点处的充电场站的概率,进而确定用于建设候选充电场站的路网节点的服务范围。
例如:位于路网节点c的待充电车辆,基于车辆在第二目标路网节点选择位于多个路网节点处的充电场站的概率,可以确定其选择的用于建设候选充电场站的路网节点为路网节点f。需要说明的是,候选充电场站的路网节点可以是偏离目标路径的路网节点。位于路网节点d、a的待充电车辆B,基于同样的方法,确定的用于建设候选充电场站的路网节点为路网节点f。因此,可以确定用于建设候选充电场站的路网节点的服务范围为:路网节点c、a和d。
根据本发明的实施例,以服务范围为路网节点c、a和d为例,可以根据历史车辆动态分布数量和车辆状态,得到服务范围内的路网节点到达位于路网节点f的充电场站的车辆数量以及车辆状态。车辆状态可以为车辆的荷电状态,可以反映出车辆对充电场站内充电资源的需求,例如:有p辆车辆需要选择快速充电桩,有q辆车辆需要选择慢速充电桩等。因此,可以基于车辆对充电资源的需求,确定候选充电场站内的候选充电资源,如后文描述的公式(11)所示。
需要说明的是,慢速充电桩、快速充电桩的充电功率不同,因此,候选充电资源主要包括充电桩的数量信息和充电桩的充电功率信息。
根据本公开的实施例,目标优化模型可以基于交通网与配电网的耦合关系构建的。目标优化模型可以包括充电场站的年收益函数、“车-站-网”综合目标函数和约束条件。
充电场站的年收益函数可以如公式(2)所示:
其中,M为充电场站的年收益函数,i为用于构建充电场站路网节点,为车辆的充电功率,/>表示向配电网支付的购电费用,cEV表示向车辆收取的充电费用。
“车-站-网”综合目标函数可以如公式(3)所示:
min F=C1+C2+C3+C4+C5 (3)
其中,F为“车-站-网”综合目标函数,C1表示充电场站的年建设成本;C2表示充电场站的年运行维护成本;C3表示车辆的空驶成本;C4表示系统网损;C5表示负荷峰谷差变化量。
根据本发明的实施例,充电场站的年建设成本C1可以如公式(3-1)表示:
其中,cSCF表示慢速充电桩的单位投资建设成本;cFCF表示快速充电桩的单位投资建设成本;cUCF表示超速充电桩的单位投资建设成本;表示路网节点i处的充电场站内慢速充电桩的安装数量;/>表示路网节点i处的充电场站内快速充电桩的安装数量;表示路网节点i处的充电场站内超速充电桩的安装数量;Nbus表示用于建设候选充电场站的路网节点总数;Rd表示用来进行年化处理的辅助变量。Rd可以如公式(3-2)所示:
其中,d表示贴现率;yCF表示充电桩的经济寿命。
根据本发明的实施例,充电场站的年运行维护成本C2可以如公式(3-3)所示:
其中,表示单位数量慢速充电桩的年运行维护成本;/>表示单位数量快速充电桩的年运行维护成本;/>表示单位数量超速充电桩的年运行维护成本。
根据本发明的实施例,车辆的空驶成本C2可以如公式(3-4)所示:
其中,CW表示车辆单位出行时间成本;tez表示车辆由充电需求路网节点e到达快速充电场站z的时长;ωe表示充电需求路网节点e处具有快速充电需求的车辆数;yez表示由充电需求路网节点e选择到快速充电场站z的车辆比例。
根据本发明的实施例,可以根据最短路径算法,若两个路网节点之间的直线为最短路径,则yez取1,否则yez取0。
根据本发明的实施例,系统网损C4可以如公式(3-5)所示:
其中,u(i)表示所有与配电网节点iDN相连且位于配电网节点iDN下游的节点集合;cL表示单位网损费用;表示支路iDNjDN在对应时间断面上流过的电流;/>表示支路iDNjDN的电阻,Δt表示时间断面的预设持续时长(例如:可以是15分钟)。
根据本发明的实施例,负荷峰谷差变化量C5可以如公式(3-6)所示:
其中,表示充电场站运行前的配电网的日负荷曲线峰值;Pmax表示充电场站运行后的配电网的日负荷曲线峰值;/>表示充电场站运行前的配电网的日负荷曲线谷值;Pmin表示充电场站运行后的配电网的日负荷曲线谷值。
根据本发明的实施例,约束条件可以包括用户充电可达性约束、系统潮流约束、电压偏差约束、配电网负荷约束、充电桩数量约束、车辆停留时长约束。
根据本发明的实施例,充电场站的服务范围覆盖目标区域内的所有节点,使任意节点处的车辆均能在可接受的距离范围内获得足够的充电资源。因此,需保证车辆在任意节点处有较高充电可达性。用户充电可达性约束可以如公式(4)所示:
aj≥θ (4)
其中,j=1,2,...J。θ表示用户充电可达性阈值;J表示目标区域内的路网节点总数。
根据本发明的实施例,系统潮流约束可以如公式(5)所示:
其中,表示配电网节点iDN的有功注入;/>表示配电网节点iDN的无功注入;表示配电网节点iDN的电压幅值;/>表示配电网节点导纳矩阵的实部;/>表示配电网节点导纳矩阵的虚部;/>表示配电网节点iDN与配电网节点jDN之间的相角差。
根据本发明的实施例,电压偏差约束可以如公式(6)所示:
其中,V0表示系统标称电压,该配电网电压等级下所允许的最大电压偏差为fvd max。
根据本发明的实施例,配电网负荷约束可以如公式(7)所示:
其中,是t时刻配电网基础负荷,Pmax表示配电网负荷上限;/>表示t时刻配电网节点iDN的负荷
根据本发明的实施例,对任意的电动汽车充电场站而言,站内安装的充电桩需要满足任意时间断面的电动汽车充电需求。当某一种类型的充电桩发生短缺时,对应的待充电电动汽车可连接至更高功率的充电桩,以保证充电效率。因此,对于无可替代的功率最大的超级快速充电桩,其数量必须大于等于任意时间断面上该类型的电动汽车充电需求。因此,充电桩数量约束可以如公式(8)所示:
其中,表示路网节点j处的充电场站内慢速充电桩的安装数量;/>表示路网节点j处的充电场站内快速充电桩的安装数量;/>表示路网节点j处的充电场站内超速充电桩的安装数量;Nbus表示用于建设候选充电场站的路网节点总数;/>表示目的地为路网节点i且在路网节点j处进行充电的使用慢速充电桩的车辆数量;/>表示目的地为路网节点i且在路网节点j处进行充电的使用快速充电桩的车辆数量;/>表示目的地为路网节点i且在路网节点j处进行充电的使用超速充电桩的车辆数量。
根据本发明的实施例,车辆在不同充电区域的停驻时长基本符合指数分布,其概率分布函数f(tpark)可以如公式(9)所示:
其中,θEV表示指数分布的基本参数;tpark表示车辆在充电场站的停驻时长。
根据本发明的实施例,可以利用蒙特卡洛方法基于上述概率分布函数抽取车辆在不同充电区域的停驻时长,且需要满足如公式(10)的约束条件:
其中,tpark,i表示第i辆车辆在充电场站内的停驻时长;表示第i辆车辆到达充电场站时的荷电状态数据;/>表示第i辆车辆离开充电场站时的荷电状态数据。
需要说明的是,在本发明实施例,车辆的车主被假定为完全理性人,并依照如下两个原则选择充电桩:原则(1)所选充电桩的充电功率需要足够大,能够在车主的预计停留时间内将电池充满;若车主的预计停留时间很短,所有类型的充电桩都无法有效充满电池,则选择功率最大的充电桩。原则(2)若多种充电桩都可以满足原则(1)中的需求,则在所有满足要求的充电桩中选择充电功率最小的一个。
根据本发明的实施例,原则(1)是电动汽车车主为规避“续航焦虑”而采用的应对措施。原则(2)是基于电动汽车车主的自身利益和便捷性考虑的,一方面,频繁使用大功率设备对电动汽车充电会一定程度上影响电池的经济寿命,另一方面,不必要的大功率充电会极大缩短充电时间,使得充电完成时间远远早于电动汽车车主的预计离开时间,导致车主需要花费额外的精力和时间返回充电场站将充满电的电动汽车挪离充电桩。
因此,可以根据车辆的荷电状态确定车辆进入充电场站选择的充电桩的类型。如公式(11)所示:
其中,表示车辆的充电功率;PSCF表示慢速充电桩的额定充电功率;PFCF表示快速充电桩的额定充电功率;PUCF表示超速充电桩的额定充电功率;/>表示车辆在充电场站的预计停留时长;Capk表示车辆的电池容量;SOCk表示车辆的荷电状态。
图4示意性示出了目标区域的配电网与交通网耦合示意图。
如图4所示,在该配电网与交通网耦合示意图400中,配电网包括33个配电节点,交通网包括33个路网节点。图中虚线表示配电节点对路网节点的供电服务对应关系。
根据本发明的实施例,在交通网中共33个路网节点,依次遍历每一个路网节点作为候选充电场站的情况,基于前文描述的方法确定每一个路网节点作为候选充电场站时对应的服务范围,服务范围表示该候选充电场站可以服务的位于其他路网节点的集合。可以将候选充电场站对应的路网节点设置为1变量,其他路网节点设置为0变量,基于该充电场站所服务的其他路网节点内的车辆的充电需求,利用目标优化模型,可以得到最优解。即满足同时满足上述约束条件、充电场站年收益函数最大、“车-站-网”综合目标函数最小的用于建设目标充电桩的目标路网节点以及目标充电桩内的充电资源。
根据本发明的实施例,基于马尔科夫状态转移模型根据目标区域内的历史车辆动态分布和车辆属性较为准确的预测车辆在路网节点上的动态转移情况,从而确定具有充电需求的车辆所在的路网节点。再将每一个路网节点均作为候选充电桩,基于候选充电桩的初始充电资源和车辆到达候选充电场站的预计能耗,精准地确定针对每一个候选充电场站可以服务的路网节点的范围。解决了相关技术中能以预测车辆实际充电需求和充电功率的问题。最后结合路网节点与配电网的对应关系构建的目标优化模型,对候选充电桩的选址进一步优化,得到用于建设目标充电场站的路网节点以及目标充电桩的路网节点的充电资源。提高了确定目标充电场站的地址和目标充电场站内的充电资源配置的预测准确度。
根据本阿明的实施例,第一目标路网节点可以包括M个,M为大于1的整数。上述操作S230可以包括如下操作:根据目标路径,确定第m个第一目标路径节点与第m+1个第一目标路径节点之间的距离,m为大于等于1且小于等于M-1的整数;根据第一目标路网节点上的历史车辆动态分布数量,确定在第m个第一目标路径节点与第m+1个第一目标路径节点之间的道路上的第t时刻的车辆数量,t为大于1的整数;根据第t时刻的车辆数量、初始车辆数量和距离,得到第t时刻单位距离内的车辆数量;以及根据第t时刻单位距离内的车辆数量和车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗。
根据本发明的实施例,第m个第一目标路径节点可以为路网节点i,第m+1个第一目标路径节点可以为路网节点j。
根据本发明的实施例,可以利用公式(12)计算在第m个第一目标路径节点与第m+1个第一目标路径节点之间的道路上的第t时刻的车辆数量。
其中,Scur表示路网节点i与路网节点j之间的道路长度;表示第t时刻单位距离内的车辆数量;/>表示第t时刻在路网节点i与路网节点j之间的道路上的车辆数量;bij表示修正常数;Pt,ij表示基于历史车辆动态分布数量随机分配在路网节点i与路网节点j之间的初始车辆数量。
根据本发明的实施例,可以根据第t时刻单位距离内的车辆数量,确定拥堵等级;根据拥堵等级,确定在道路上第t时刻车辆的行驶速度;根据第t时刻车辆的行驶速度和当前温度,得到车辆从第m个第一目标路网节点行驶至第m+1个第一目标路网节点的预计单位里程能耗;根据预计单位里程能耗、距离和车辆在第m个第一目标路网节点的车辆状态,得到车辆在第m+1个第一目标路网节点的车辆状态;响应于车辆在第m+1个第一目标路网节点的车辆状态小于第二预定阈值,确定第m+1个第一目标路网节点为第二目标路网节点。
根据本发明的实施例,由于目标区域内分布的路网节点是按照预设规则排布的,因此,可以根据预设规则确定相邻路网节点之间的距离。
根据本发明的实施例,第t时刻在路网节点i与路网节点j之间的单位距离内的车辆数量可以反映出道路拥堵程度,道路拥堵的程度可以影响车辆的行驶速度,进而影响车辆的行驶能耗。因此,引入车辆的历史动态分布数量,可以预测不同路网节点之间的道路拥堵程度,从而准确计算车辆行驶至哪一个路网节点时需要充电。
根据本发明的实施例,可以通过调整修正常数bij改变路网节点i与路网节点j之间的拥堵情况。当路网节点i与路网节点j之间的车辆数量达到一定的阈值时,可以认为该路段内的全部车辆的行驶速度相同。因此,可以通过预先配置针对第t时刻路网节点i与路网节点j之间的单位距离内车辆数量与行驶速度的映射关系,确定车辆在第t时刻在该路段的行驶速度v。
例如:第t时刻在路网节点i与路网节点j之间的单位距离内的车辆数量大于P1,基于映射关系可以确定在该路段车辆的行驶速度为V1 o
根据本发明的实施例,还可以基于先验经验数据进行数据拟合,得到车辆的行驶速度与预计单位里程的拟合关系,可以根据第t时刻车辆的行驶速度,得到车辆在道路上的第一单位里程能耗。例如:
其中,表示与第一拥堵等级对应的单位里程能耗;/>表示与第二拥堵等级对应的单位里程能耗;/>表示与第三拥堵等级对应的单位里程能耗;/>表示与第四拥堵等级对应的单位里程能耗;v表示车辆的行驶速度。/>
需要说明的是:在本发明实施例中,在第四拥堵等级道路上的车辆的行驶速度小于在第三拥堵等级道路上的车辆行驶速度;在第三拥堵等级道路上的车辆的行驶速度小于在第二拥堵等级道路上的车辆行驶速度,以此类推,在此不作赘述。
此外,车辆的单位里程能耗不仅与车辆的行驶速度有关,还与当前的温度有关。因此,可以基于能耗与行驶温度的预定拟合关系,根据当前温度,得到第二单位里程能耗。
例如:能耗与行驶温度的预定拟合关系,可以表示为:
其中,py表示拟合参数;y表示自然数;c表示当前温度。
根据能耗与行驶温度的预定拟合关系可以确定在20℃时车辆的第二单位里程能耗最小,因此,可以根据第一单位里程能耗和第二单位里程能耗,得到预计单位里程能耗,如公式(15)所示:
其中,表示在拥堵等级为r的道路上c温度下的预计单位里程能耗;/>表示在拥堵等级为r对应的第一单位里程能耗;/>表示在c温度下的第二单位里程能耗;/>表示20℃下的单位里程能耗。
根据本发明的实施例,可以根据预计单位里程能耗、距离和车辆在第m个第一目标路网节点的车辆状态,得到车辆在第m+1个第一目标路网节点的车辆状态。
例如:在t时刻车辆T在路网节点i处,此时车辆T的荷电状态可以是SOC1。荷电状态=当前电量/电池总容量,因此,可以根据当前的荷电状态SOC1和电池总容量,得到车辆T在路网节点i处的电量Q1。可以根据路网节点i与路网节点j之间的距离Sij和预计单位里程能耗,得到车辆T从路网节点i行驶至路网节点j时的总能耗ΔQ,其中然后,可以得到车辆T在路网节点j处的电量Q2=Q1-ΔQ。最后,可以根据Q2和车辆T的电池总容量,得到车辆T在路网节点j处的荷电状态SOC2。当荷电状态SOC2小于第二预定阈值时,可以将路网节点j确定为第二目标路网节点,即车辆T发出充电需求的路网节点。
根据本发明的实施例,引入车辆的历史动态分布数量,可以预测不同路网节点之间的道路拥堵程度,从而准确计算车辆行驶至哪一个路网节点时需要充电,从而提高充电场站选址定容的准确性。
根据本发明的实施例,考虑到用户用电焦虑以及下一段行程的需要,需要保留一定的电量裕度,因此假设当电池电量低于安全裕度(即:第二预定阈值)或无法满足下一段行程需要时产生充电需求,根据单位里程能耗模型计算用户的实时耗电量和受到的阻力。用户选择某一充电场站充电的概率取决于用户从该充电场站获得的效用与规划区域内所有候选充电场站提供的效用之和的比值。
根据本发明的实施例,根据多个路网节点的初始充电资源、多个路网节点与第二目标路网节点之间的距离和预计单位里程能耗,得到用于建设候选充电场站的路网节点的服务范围,可以包括如下操作:针对每一个路网节点,根据每一个路网节点的初始充电资源,得到车辆到每一个路网节点进行充电的吸引力指数;根据每一个路网节点与第二目标路网节点之间的距离和预计单位里程能耗,得到车辆到每一个路网节点进行充电的阻碍指数;根据吸引力指数和阻碍指数,得到车辆的选择概率;以及基于车辆的选择概率,得到用于建设候选充电场站的路网节点的服务范围。
根据本发明的实施例,初始充电资源可以包括充电桩的数量和充电费用;针对每一个路网节点,根据每一个路网节点的初始充电资源,得到车辆到每一个路网节点进行充电的吸引力指数,可以如公式(16)所示:
Ai=ayi-βci+γ (16)
其中,Ai表示吸引力指数;yi表示位于路网节点i处的充电场站内的充电桩的数量;ci为路网节点i处的充电场站的充电费用;α为充电桩数量对吸引力指数的影响系数;β为充电费用对吸引力指数的影响系数;γ为常数。
根据本发明的实施例,根据每一个路网节点与第二目标路网节点之间的距离和预计单位里程能耗,得到车辆到每一个路网节点进行充电的阻碍指数,可以如公式(17)所示:
其中,Ti,j表示位于路网节点j处的车辆到位于路网节点i处充电场站进行充电的阻碍指数;表示在拥堵等级为r对应的第一单位里程能耗;/>表示在c温度下的第二单位里程能耗;λ1表示第一权重参数;λ2表示第二权重参数。
根据本发明的实施例,根据吸引力指数和阻碍指数,得到车辆的选择概率,可以如公式(18):
其中,Wi,j表示位于路网节点j处的车辆从位于路网节点i处的充电场站获得的效用;Wk,j表示位于路网节点j处的车辆从位于路网节点i处的充电场站获得的效用;pi,j表示位于路网节点j处的车辆对位于路网节点i处的充电场站的选择概率。
根据本发明的实施例,基于车辆的选择概率,得到用于建设候选充电场站的路网节点的服务范围,可以如公式(19)所示:
Bi={j∈J|pi,j≥pk,j,k∈I,i≠k} (19)
其中,Bi表示位于路网节点i处的充电场站的服务范围;J表示目标区域内的全部路网节点的集合。
根据本发明的实施例,基于用户从该充电场站获得的效用与规划区域内所有候选充电场站提供的效用之和的比值确定用户对充电场站的选择概率,再基于选择概率确定候选充电场站服务的车辆所在的路网节点的集合,从而可以针对性的确定候选充电场站的充电资源的需求量,以便下一步利用目标优化模型,对候选充电场站进行模拟优化,从中确定满足目标优化模型的优化函数和约束条件的目标充电场站。
根据本发明的实施例,根据服务范围、历史车辆动态分布数量和车辆状态,生成候选充电场站内的候选充电资源,可以包括如下操作:根据服务范围和历史车辆动态分布数量,确定第t时刻到达候选充电场站的车辆,t为大于1的整数;根据第t时刻到达候选充电场站的车辆和车辆状态,生成候选充电场站内的候选充电资源。
例如:针对位于路网节点b处的候选充电场站,其服务范围可以是位于网络节点a、c、f之间的车辆。可以根据历史车辆动态分布数量,确定第t时刻到达候选充电场站的车辆数量以及车辆的荷电状态。从而可以根据每一辆车辆的荷电状态SOC和预计停留时长,确定每一辆车辆对应的充电桩的额定充电功率。再基于网络节点a、c、f的历史车辆动态分布数量预估达到位于路网节点b处的候选充电场站进行充电的车辆数量,从而确定候选充电场站内的能够满足待充电车辆的充电需求的不同额定功率的候选充电桩的数量。
根据本发明的实施例,用户充电可达性反映了用户在可接受范围内享有的充电资源。因此,可以通过对目标充电场站内的目标充电资源进行用户充电可达性评估,验证目标充电场站以及目标充电场站内的目标充电资源的规划是否合理。
根据本发明的实施例,可以对目标充电站以某距离阈值为搜索半径,得到在其服务范围内所有路网节点的潜在充电需求,如公式(20)所示:
其中,ri表示位于路网节点i处的目标充电场站的充电供需比;pcp表示位于路网节点i处的目标充电场站内的充电桩的额定功率;Li,j表示由弗洛伊德算法得到的由路网节点j到达路网节点i的最短距离;L0表示距离阈值。
根据本发明的实施例,对各路网节点以距离阈值为搜索半径,将所有在其服务范围内的目标充电站的充电供需比求和,得到该节点处用户充电可达性,如公式(21)所示:
其中,aj表示位于路网节点j处的用户到达位于路网节点i处的目标充电场站进行充电的可达性指数;pi,j表示位于路网节点j处的用户对位于路网节点i处的候选充电场站的选择概率。
根据本发明的实施例,可以通过可达性阈值,当可达性指数大于等于可达性阈值时,表示位于该目标路网节点处的目标充电场站内的目标充电资源的规划是合理的。
根据本发明的实施例,基于针对目标充电场站的可达性评估结果,评估目标充电站内的目标充电资源的合理性,充分从用户的角度考虑了对目标充电场站的充电需求,提高了目标充电资源的配置合理度。
基于上述充电场站的选址定容方法,本发明还提供了一种充电场站的选址定容装置。以下将结合图5对该装置进行详细描述。
图5示意性示出了根据本发明实施例的充电场站的选址定容装置的结构框图。
如图5所示,该实施例的充电场站的选址定容装置500包括获取模块510、第一处理模块520、第一获得模块530、第二获得模块540、生成模块550和第三获得模块560。
获取模块510,用于获取目标区域内历史车辆动态分布数量和车辆状态,其中,目标区域内包括按照预设规则排布的多个路网节点。在本发明实施例中,获取模块510用于执行前文描述的操作S210,在此不作赘述。
第一处理模块520,用于基于马尔科夫状态转移模型,对历史车辆动态分布数量和车辆状态进行处理,得到目标路径,其中,目标路径包括多个第一目标路网节点,车辆由起始路网节点向多个第一目标路网节点的转移概率大于第一预定阈值。在本发明实施例中,第一处理模块520用于执行前文描述的操作S220,在此不作赘述。
第一获得模块530,用于根据第一目标路网节点上的历史车辆动态分布数量、目标路径和车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗,其中,第二路网节点表征车辆状态小于第二预定阈值的路网节点。在本发明实施例中,第一获得模块530用于执行前文描述的操作S230,在此不作赘述。
第二获得模块540,用于根据多个路网节点的初始充电资源、多个路网节点与第二目标路网节点之间的距离和预计单位里程能耗,得到用于建设候选充电场站的路网节点的服务范围;其中,服务范围包括位于第二路网节点的车辆;第二路网节点的车辆选择候选充电场站的概率大于位于其他路网节点处的充电场站。在本发明实施例中,第二获得模块540用于执行前文描述的S240,在此不作赘述。
生成模块550,用于根据服务范围、历史车辆动态分布数量和车辆状态,生成候选充电场站内的候选充电资源。在本发明实施例中,生成模块550用于执行前文描述的操作S250。
第三获得模块560,用于基于目标优化模型,对候选充电资源、历史车辆动态分布数量和车辆状态进行处理,得到用于建设目标充电场站的第三目标路网节点和目标充电场站内的目标充电资源。在本发明实施例中,第三获得模块560用于执行前文描述的操作S260,在此不作赘述。
根据本发明的实施例,第一目标路网节点包括M个,M为大于1的整数;第一获得模块包括:第一确定子模块、第二确定子模块、第一获得子模块和第二获得子模块。
第一确定子模块,用于根据目标路径,确定第m个第一目标路径节点与第m+1个第一目标路径节点之间的距离,m为大于等于1且小于等于M-1的整数。
第二确定子模块,用于根据第一目标路网节点上的历史车辆动态分布数量,确定在第m个第一目标路径节点与第m+1个第一目标路径节点之间的道路上的第t时刻的车辆数量,t为大于1的整数。
第一获得子模块,用于根据第t时刻的车辆数量、初始车辆数量和距离,得到第t时刻单位距离内的车辆数量。
第二获得子模块,用于根据第t时刻单位距离内的车辆数量和车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗。
根据本发明的实施例,第二获得子模块包括:第一确定单元、第二确定单元、第一计算单元、第二计算单元和第三确定单元。
第一确定单元,用于根据第t时刻单位距离内的车辆数量,确定拥堵等级。
第二确定单元,用于根据拥堵等级,确定在道路上第t时刻车辆的行驶速度。
第一计算单元,用于根据第t时刻车辆的行驶速度和当前温度,得到车辆从第m个第一目标路网节点行驶至第m+1个第一目标路网节点的预计单位里程能耗。
第二计算单元,用于根据预计单位里程能耗、距离和车辆在第m个第一目标路网节点的车辆状态,得到车辆在第m+1个第一目标路网节点的车辆状态。
第三确定单元,用于响应于车辆在第m+1个第一目标路网节点的车辆状态小于第二预定阈值,确定第m+1个第一目标路网节点为第二目标路网节点。
根据本发明的实施例,第一计算单元包括:第一计算子单元、第二计算子单元和第三计算子单元。第一计算子单元,用于根据第t时刻车辆的行驶速度,得到车辆在道路上的第一单位里程能耗。第二计算子单元,用于基于能耗与行驶温度的预定拟合关系,根据当前温度,得到第二单位里程能耗。第三计算子单元,用于根据第一单位里程能耗和第二单位里程能耗,得到预计单位里程能耗。
根据本发明的实施例,第二获得模块包括:第一计算子模块、第二计算子模块、第三计算子模块和第三确定子模块。
第一计算子模块,用于针对每一个路网节点,根据每一个路网节点的初始充电资源,得到车辆到每一个路网节点进行充电的吸引力指数。
第二计算子模块,用于根据每一个路网节点与第二目标路网节点之间的距离和预计单位里程能耗,得到车辆到每一个路网节点进行充电的阻碍指数。
第三计算子模块,用于根据吸引力指数和阻碍指数,得到车辆的选择概率。
第三确定子模块,用于基于车辆的选择概率,得到用于建设候选充电场站的路网节点的服务范围。
根据本发明的实施例,生成模块包括:第四确定子模块和生成子模块。
第四确定子模块,用于根据服务范围和历史车辆动态分布数量,确定第t时刻到达候选充电场站的车辆,t为大于1的整数。
生成子模块,用于根据第t时刻到达候选充电场站的车辆和车辆状态,生成候选充电场站内的候选充电资源。
根据本发明的实施例,上述装置还包括:第二处理模块、计算模块和第四获得模块。
第二处理模块,用于对与第三路网节点对应的目标充电资源和多个路网节点的排布位置进行处理,得到位于目标充电资源的供需比;
计算模块,用于根据供需比和车辆的选择概率,得到车辆到达与每一个第三路网节点对应的目标充电场站进行充电的可达性指数;
第四获得模块,用于根据可达性指数,得到目标充电场站的可达性评估结果。
根据本发明的实施例,获取模块510、第一处理模块520、第一获得模块530、第二获得模块540、生成模块550和第三获得模块560中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,获取模块510、第一处理模块520、第一获得模块530、第二获得模块540、生成模块550和第三获得模块560中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块510、第一处理模块520、第一获得模块530、第二获得模块540、生成模块550和第三获得模块560中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图6示意性示出了根据本发明实施例的适于实现充电场站的选址定容方法的电子设备的方框图。
如图6所示,根据本发明实施例的电子设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
本发明还提供了一种计算机可读存储介质,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/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。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,实现根据本发明实施例的方法。
根据本发明的实施例,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,例如可以包括但不限于: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。在本发明中,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。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本发明实施例所提供的物品推荐方法。
在该计算机程序被处理器601执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分609被下载和安装,和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (10)
1.一种充电场站的选址定容方法,其特征在于,包括:
获取目标区域内历史车辆动态分布数量和车辆状态,其中,所述目标区域内包括按照预设规则排布的多个路网节点和与所述多个路网节点对应的多个配电网节点;
基于马尔科夫状态转移模型,对所述历史车辆动态分布数量和车辆状态进行处理,得到目标路径,其中,所述目标路径包括多个第一目标路网节点,车辆由起始路网节点向所述多个第一目标路网节点的转移概率大于第一预定阈值;
根据所述第一目标路网节点上的历史车辆动态分布数量、所述目标路径和所述车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗,其中,所述第二路网节点表征所述车辆状态小于第二预定阈值的路网节点;
根据所述多个路网节点的初始充电资源、所述多个路网节点与所述第二目标路网节点之间的距离和所述预计单位里程能耗,得到用于建设候选充电场站的路网节点的服务范围;其中,所述服务范围包括位于所述第二路网节点的车辆;所述第二路网节点的车辆选择所述候选充电场站的概率大于位于其他路网节点处的充电场站;
根据所述服务范围、所述历史车辆动态分布数量和所述车辆状态,生成所述候选充电场站内的候选充电资源;以及
基于目标优化模型,对所述候选充电资源、所述历史车辆动态分布数量和所述车辆状态进行处理,得到用于建设目标充电场站的第三目标路网节点和所述目标充电场站内的目标充电资源,其中,所述目标优化模型是根据所述多个路网节点与所述多个配电网节点之间的关联关系构建的。
2.根据权利要求1所述的方法,其特征在于,所述第一目标路网节点包括M个,M为大于1的整数;
所述根据所述第一目标路网节点上的历史车辆动态分布数量、所述目标路径和所述车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗,包括:
根据所述目标路径,确定第m个第一目标路径节点与所述第m+1个第一目标路径节点之间的距离,m为大于等于1且小于等于M-1的整数;
根据所述第一目标路网节点上的历史车辆动态分布数量,确定在第m个第一目标路径节点与所述第m+1个第一目标路径节点之间的道路上的第t时刻的车辆数量,t为大于1的整数;
根据所述第t时刻的车辆数量、初始车辆数量和所述距离,得到第t时刻单位距离内的车辆数量;以及
根据所述第t时刻单位距离内的车辆数量和所述车辆状态,得到所述第二目标路网节点和相邻路网节点之间的预计单位里程能耗。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第t时刻单位距离内的车辆数量和所述车辆状态,得到所述第二目标路网节点和相邻路网节点之间的预计单位里程能耗,包括:
根据所述t时刻单位距离内的车辆数量,确定拥堵等级;
根据所述拥堵等级,确定在道路上第t时刻车辆的行驶速度;
根据所述第t时刻车辆的行驶速度和当前温度,得到所述车辆从第m个第一目标路网节点行驶至所述第m+1个第一目标路网节点的预计单位里程能耗;
根据所述预计单位里程能耗、所述距离和所述车辆在第m个第一目标路网节点的车辆状态,得到所述车辆在第m+1个第一目标路网节点的车辆状态;
响应于所述车辆在第m+1个第一目标路网节点的车辆状态小于所述第二预定阈值,确定所述第m+1个第一目标路网节点为所述第二目标路网节点。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第t时刻车辆的行驶速度和当前温度,得到所述车辆从第m个第一目标路网节点行驶至所述第m+1个第一目标路网节点的预计单位里程能耗,包括:
根据所述第t时刻车辆的行驶速度,得到所述车辆在所述道路上的第一单位里程能耗;
基于能耗与行驶温度的预定拟合关系,根据当前温度,得到第二单位里程能耗;
根据所述第一单位里程能耗和所述第二单位里程能耗,得到所述预计单位里程能耗。
5.根据权利要求1所述的方法,其特征在于,所述根据所述多个路网节点的初始充电资源、所述多个路网节点与所述第二目标路网节点之间的距离和所述预计单位里程能耗,得到用于建设候选充电场站的路网节点的服务范围,包括:
针对每一个路网节点,根据每一个路网节点的初始充电资源,得到所述车辆到所述每一个路网节点进行充电的吸引力指数;
根据所述每一个路网节点与所述第二目标路网节点之间的距离和所述预计单位里程能耗,得到所述车辆到所述每一个路网节点进行充电的阻碍指数;
根据所述吸引力指数和所述阻碍指数,得到所述车辆的选择概率;以及
基于所述车辆的选择概率,得到用于建设候选充电场站的路网节点的服务范围。
6.根据权利要求1所述的方法,其特征在于,所述根据所述服务范围、所述历史车辆动态分布数量和所述车辆状态,生成所述候选充电场站内的候选充电资源,包括:
根据所述服务范围和所述历史车辆动态分布数量,确定第t时刻到达所述候选充电场站的车辆,t为大于1的整数;
根据所述第t时刻到达所述候选充电场站的车辆和所述车辆状态,生成所述候选充电场站内的候选充电资源。
7.根据权利要求1所述的方法,其特征在于,还包括:
对与所述第三路网节点对应的目标充电资源和所述多个路网节点的排布位置进行处理,得到位于所述目标充电资源的供需比;
根据所述供需比和车辆的选择概率,得到车辆到达与每一个所述第三路网节点对应的目标充电场站进行充电的可达性指数;
根据所述可达性指数,得到所述目标充电场站的可达性评估结果。
8.一种充电场站的选址定容装置,其特征在于,包括:
获取模块,用于获取目标区域内历史车辆动态分布数量和车辆状态,其中,所述目标区域内包括按照预设规则排布的多个路网节点和与所述多个路网节点对应的多个配电网节点;
第一处理模块,用于基于马尔科夫状态转移模型,对所述历史车辆动态分布数量和车辆状态进行处理,得到目标路径,其中,所述目标路径包括多个第一目标路网节点,所述车辆由起始路网节点向所述多个第一目标路网节点的转移概率大于第一预定阈值;
第一获得模块,用于根据所述第一目标路网节点上的历史车辆动态分布数量、所述目标路径和所述车辆状态,得到第二目标路网节点和相邻路网节点之间的预计单位里程能耗,其中,所述第二路网节点表征所述车辆状态小于第二预定阈值的路网节点;
第二获得模块,用于根据所述多个路网节点的初始充电资源、所述多个路网节点与所述第二目标路网节点之间的距离和所述预计单位里程能耗,得到用于建设候选充电场站的路网节点的服务范围;其中,所述服务范围包括位于所述第二路网节点的车辆;所述第二路网节点的车辆选择所述候选充电场站的概率大于位于其他路网节点处的充电场站;
生成模块,用于根据所述服务范围、所述历史车辆动态分布数量和所述车辆状态,生成所述候选充电场站内的候选充电资源;以及
第三获得模块,用于基于目标优化模型,对所述候选充电资源、所述历史车辆动态分布数量和所述车辆状态进行处理,得到用于建设目标充电场站的第三目标路网节点和所述目标充电场站内的目标充电资源,其中,所述目标优化模型是根据所述多个路网节点与所述多个配电网节点的关联关系构建的。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311598491.XA CN117592607A (zh) | 2023-11-27 | 2023-11-27 | 充电场站的选址定容方法、装置、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311598491.XA CN117592607A (zh) | 2023-11-27 | 2023-11-27 | 充电场站的选址定容方法、装置、设备、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117592607A true CN117592607A (zh) | 2024-02-23 |
Family
ID=89922617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311598491.XA Pending CN117592607A (zh) | 2023-11-27 | 2023-11-27 | 充电场站的选址定容方法、装置、设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592607A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117856257A (zh) * | 2024-03-08 | 2024-04-09 | 国网天津市电力公司电力科学研究院 | 充电场站用电负荷的预测方法、装置、设备及介质 |
-
2023
- 2023-11-27 CN CN202311598491.XA patent/CN117592607A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117856257A (zh) * | 2024-03-08 | 2024-04-09 | 国网天津市电力公司电力科学研究院 | 充电场站用电负荷的预测方法、装置、设备及介质 |
CN117856257B (zh) * | 2024-03-08 | 2024-05-24 | 国网天津市电力公司电力科学研究院 | 充电场站用电负荷的预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fotouhi et al. | A general model for EV drivers’ charging behavior | |
Zhang et al. | Vehicle assignment and relays for one-way electric car-sharing systems | |
Xiong et al. | Vehicle grid integration for demand response with mixture user model and decentralized optimization | |
US11087422B2 (en) | Method and device for determining a configuration for deployment of a public transportation system | |
Khalkhali et al. | Application of data envelopment analysis theorem in plug‐in hybrid electric vehicle charging station planning | |
Xu et al. | Electric vehicle fleet size for carsharing services considering on-demand charging strategy and battery degradation | |
Bao et al. | Optimal station locations for en-route charging of electric vehicles in congested intercity networks: A new problem formulation and exact and approximate partitioning algorithms | |
CN117592607A (zh) | 充电场站的选址定容方法、装置、设备、介质 | |
Kavianipour et al. | Impacts of technology advancements on electric vehicle charging infrastructure configuration: A Michigan case study | |
Lu et al. | Optimal fleet deployment for electric vehicle sharing systems with the consideration of demand uncertainty | |
CN114169609A (zh) | 一种考虑光伏耦合的电动汽车充电站规划方法 | |
Suhail et al. | Objective functions and infrastructure for optimal placement of electrical vehicle charging station: a comprehensive survey | |
Fan et al. | Optimal shared mobility planning for electric vehicles in the distribution network | |
Majhi et al. | Assessment of dynamic wireless charging based electric road system: A case study of Auckland motorway | |
Wang et al. | Towards accessible shared autonomous electric mobility with dynamic deadlines | |
Wang et al. | Modeling and optimization of multiaction dynamic dispatching problem for shared autonomous electric vehicles | |
Wang et al. | QoS guaranteed online management of battery swapping station under dynamic energy pricing | |
Bae et al. | Can AI abuse personal information in an EV fast-charging market? | |
Ling et al. | Prediction of charging requirements for electric vehicles based on multiagent intelligence | |
Wang et al. | A real-time strategy for vehicle-to-station recommendation in battery swapping mode | |
Huang et al. | An intelligent energy management mechanism for electric vehicles | |
CN115423360A (zh) | 公共充电站规划方法及其装置 | |
Yuan et al. | Poet: Towards power-system-aware e-taxi coordination under dynamic passenger mobility | |
Zhang et al. | Mixed-vehicular aggregated transportation network design considering en-route recharge service provision for electric vehicles | |
Zhang et al. | Carsharing equitable relocation problem: A two-stage stochastic programming approach with learning-embedded endogenous uncertainty in demand |
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 |