CN107832958A - 一种基于需求分析的电动出租车充电站规划方法 - Google Patents
一种基于需求分析的电动出租车充电站规划方法 Download PDFInfo
- Publication number
- CN107832958A CN107832958A CN201711131322.XA CN201711131322A CN107832958A CN 107832958 A CN107832958 A CN 107832958A CN 201711131322 A CN201711131322 A CN 201711131322A CN 107832958 A CN107832958 A CN 107832958A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- charging station
- taxi
- msubsup
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 23
- 238000013439 planning Methods 0.000 claims description 30
- 230000029305 taxis Effects 0.000 claims description 7
- 238000013316 zoning Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 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
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement 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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于需求分析的电动出租车充电站规划方法,该方法包括:利用聚类分析方法与P‑median模型对区域内出租车的需求进行分析,确定区域内充电站的建设布点;利用logit模型模拟出租车选择充电站的概率行为,由排队论模型计算各充电站平均排队等待时间,根据各充电站的平均等待时间确定各充电站的建设规模。本申请提供的充电站规划方法基于电动出租车的需求,采用P‑median模型对充电站布点进行优化选址,同时采用排队论中更准确反应出租车进站充电特性的M/G/c模型解决充电站容量配置问题,进而确定充电站最优规划方案,方法有效实用。
Description
技术领域
本发明涉及电动汽车充电站规划技术领域,尤其涉及一种基于需求分析的电动出租车充电站规划方法。
背景技术
随着我国经济社会发展水平不断提高,汽车保有量持续攀升,大力发展电动汽车,能够加快燃油替代,减少汽车尾气排放,对保障能源安全、促进节能减排、防治大气污染具有重要意义。在公交、出租及环卫与物流等公共服务领域优先推广电动汽车是实现绿色出行的重要途径,而完善的充电基础设施体系是电动汽车普及的重要保障。
电动出租车运营范围广,空驶、寻客、载客过程的行为模式具有很大的随机性,因而给电动出租车充电站规划造成了普通电动汽车充电站规划不具有的困难。目前,众多学者对电动汽车充电站的规划已有了较多的研究,根据普通电动汽车的需求特性、概率行为特性等特性分析,主要采用出行链的方式对充电站进行规划。
但是,电动出租车与普通电动汽车的需求特性、概率行为特性等不同,如果按照普通电动汽车充电站的规划方法对电动出租车的充电站进行规划,容易出现无法满足电动出租车充电需求的问题,因此,电动出租车充电站规划是亟待解决的实际问题。
发明内容
本发明提供了一种基于需求分析的电动出租车充电站规划方法,以解决目前电动出租车等专用车辆充电站规划研究少的问题。
本发明提供了一种基于需求分析的电动出租车充电站规划方法,所述方法包括:
初始化规划所需的基本数据,所述基本数据包括规划区交通节点坐标、区域内交接班时间段出租车数量以及区域出租车历史需求量,根据所述基本数据计算区域总负荷量并预估充电站数量的取值范围;
利用聚类算法与P-median方法对区域内出租车的需求进行分析,确定区域内充电站的建设布点;
利用logit模型模拟出租车选择充电站的概率行为,由排队论模型计算各充电站平均排队等待时间,根据各充电站的平均等待时间确定各充电站的建设规模。
可选的,所述根据所述基本数据计算区域总负荷量并预估充电站数量的取值范围,包括:
通过规划区的总充电需求Qtotal、充电站的最大容量限制Smax与最小容量限制Smin,预估规划区充电站的最少数量Nmin和最多数量Nmax,则规划区充电站的数量n满足Nmin≤n≤Nmax。
可选的,所述利用聚类算法与P-median方法对区域内出租车的需求进行分析,确定区域内充电站的建设布点,包括:
将区域内电动出租车的每一个需求点作为一个需求簇,根据邻近度将相邻的需求簇合并成一个新需求簇,更新需求簇的数量m,m≥1;
设定所述区域内充电站的布点数量为P,计算第i个需求簇的中心至最近充电站的距离disti;
根据公式计算得到充电站建设布点的最优选址,其中,Di为第i个需求簇的需求大小。
可选的,所述根据各充电站的平均等待时间确定各充电站的建设规模,包括:
设单位时间内平均每个充电机闲置成本为cI,每个顾客在充电站内排队等待的单位时间成本为cW,则以单位时间内的总费用(充电机闲置成本和等待时间成本之和)最小为充电机优化配置目标,优化充电机配置数目c的模型为:
cmin≤c≤cmax
式中,cmin、cmax分别为充电机最小配置数与最大配置数;Wmax为排队等待时间的约束上限;为平均排队等待时间,I0(c)为充电设备空闲比例。
可选的,通过排队论中的M/G/c模型计算排队等待时间,M/G/c模型中的输入过程服从参数为λ的泊松分布,服务时间为正态分布G,其期望为μ,标准差为VT,平均排队等待时间为服务台数c和输入过程参数λ的函数为:
充电设备空闲比例为:
上式中,ρ=λ/μ,c为充电机数量;上式成立的条件是c>ρ。
可选的,设充电站充电时间为t,电动出租车到达充电站的剩余电量WEV与充电时间t有如下关系:
根据变量WEV分布的期望与方差可计算μ和VT:
式中,为电动出租车电池额定容量;WEV为电动出租车到达充电站的剩余电量;P为充电机充电功率。
可选的,出租车一日两次充电集中在两个时间段,记一个时间段时长为Tc,则充电站k的泊松分布参数λ由下式求解:
其中,为该充电时间段前往充电站k进行充电的电动出租车数量;Vi为第i个交通节点的电动出租车数量;Pik为从交通节点i出发,选择充电站k接受服务的概率。
可选的,以出租车前往充电站的行驶时间、充电站的排队等待时间以及充电后寻找首个乘客的行驶时间为决策变量,利用效用理论建立电动出租车充电站选择模型,建立效用函数如下:
Uik=Aik+Sk+Dk=α1tik+α2tk1+α3tk2
上式中,Uik为路网交通节点i处的空驶出租车选择充电站k进行充电的效用函数;Aik为出租车从交通节点i前往充电站k的效用函数;Sk为出租车在充电站k充电的效用函数;Dk为出租车在充电站k接收服务后前往下一个交通节点寻找乘客的效用函数;tik为从交通节点i到充电站k的最短行驶时间;tk1为出租车在充电站k的平均排队等待时间,tk1取充电站排队等待时间约束上限Wmax;tk2为从充电站k出发前往下一个交通节点寻找乘客的时间;α1,α2,α3>0为效用函数中每个因素对决策影响程度所设定的权重。
可选的,从效用极大原理出发,采用logit模型得到出租车的充电站选择概率Pik:
式中,M为充电站集合,k∈M;A为交通节点集,i∈A;θ为模型参数。
可选的,当出租车在充电站k完成充电后,随即转入空驶阶段,进行客源的搜索,空驶出租车从充电站k出发,为寻找乘客而选择交通节点j的概率受到行驶的时间和目的地乘客需求量的影响,其表达式如下:
式中,pkj为从充电站k出发,选择交通节点j为寻找乘客目的地的概率;tkj为从充电站k到交通节点j的最短行驶时间;qj为交通节点j乘客对出租车的需求量;β1,β2为距离与出租车需求量对决策影响的权重系数,β1,β2>0;
从充电站k出发为寻找乘客而到达某交通节点的期望时间为:
tk2=∑tkpPkp
式中,Pkp为从充电站出发选择p点作为寻找乘客地点的概率;tkp为到达p点所需的时间。
本发明提供的技术方案可以包括以下有益效果:
本发明提供的基于需求分析的电动出租车充电站规划方法包括:初始化规划所需的基本数据,基本数据包括规划区交通节点坐标、区域内交接班时间段出租车数量以及区域出租车历史需求量,根据基本数据计算区域总负荷量并预估充电站数量的取值范围;利用聚类分析方法与P-median模型对区域内出租车的需求进行分析,确定区域内充电站的建设布点;利用logit模型模拟出租车选择充电站的概率行为,由排队论模型计算各充电站平均排队等待时间,根据各充电站的平均等待时间确定各充电站的建设规模。本申请提供的充电站规划方法基于电动出租车需求的分析,以包括建设维护费用,充电行为时间成本在内的成本为目标函数,对充电站布点进行优化选址,同时采用排队论中更准确反应出租车进站充电特性的M/G/c模型解决充电站容量配置问题,进而确定充电站最优规划方案,方法有效实用,可用于指导电动出租车充电站的建设规模及布点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于需求分析的电动出租车充电站规划方法的流程图;
图2为某规划区道路分布地理图;
图3为本发明实施例提供的充电站建设布点确认结果图。
具体实施方式
参见图1,为本发明实施例提供的基于需求分析的电动出租车充电站规划方法的流程图。
如图1所示,本发明实施例提供的基于需求分析的电动出租车充电站规划方法包括:
S100:初始化规划所需的基本数据,所述基本数据包括规划区交通节点坐标、区域内交接班时间段出租车数量以及区域出租车历史需求量,根据所述基本数据计算区域总负荷量并预估充电站数量的取值范围。
具体地,根据规划区的基本数据,规划区的总充电需求为Qtotal,充电站的最大容量限制为Smax,最小容量限制为Smin,根据公式:
根据公式(1)、(2),可预估规划区充电站的数量n满足Nmin≤n≤Nmax。
S200:利用聚类分析方法与P-median模型对区域内出租车的需求进行分析,确定区域内充电站的建设布点。
具体地,将规划区的出租车需求点聚类成需求簇,每个簇内的需求点在空间上接近而不同簇中的需求点距离远。采用分层聚类算法,首先将区域内电动出租车的每一个需求点作为一个簇,然后根据邻近度将相邻的簇合并成一个新簇,直到所有的对象都在一个簇中,或者满足某个终止条件(如区域内簇的数目达到要求)时为止。
定义簇的邻近度为不同两个簇的两个最近的点之间的距离(最大相似度),也就是用两个簇间最短距离描述簇间距离。数学描述如下:
D(r,s)=min{d(a,b)a∈r,b∈s} (3)
其中,D(r,s)为簇r和簇s间的距离;a为簇r中的对象,b为簇s中的对象;d(a,b)为对象a与对象b的距离。
对象之间的距离采用欧式距离公式处理坐标数据:
式(4)中,a,b=1,2,3......,m;xap=[xa1,xa2,......,xam];xbp=[xb1,xb2,......,xbm]。
在分层聚类的每一步,将距离D(r,s)最小的簇r和s合并,自底向上逐次合并,直到只剩下一个簇,决策者可以选择某一次聚类结果作为参考。
首先通过聚类分析得到需求点的分布特征,通过聚类分析得到的簇包括簇的几何中心与需求量大小;然后在一定规划区域内,选定P个服务设施安装位置,使得所有需求到充电设施的距离与需求量的乘积之和最小。通过P-median模型可以使得规划的充电设施到需求量大的点距离更小,从而使规划结果更加合理。
式(5)中,disti为第i个簇的中心到最近充电站的距离;Di为第i个簇的需求大小;n为最终聚类成簇的个数。
综上所述,通过聚类分析方法与P-median模型的结合,可以计算得到区域内充电站的最优布点选址。
S300:利用logit模型模拟出租车选择充电站的概率行为,由排队论模型计算各充电站平均排队等待时间,根据各充电站的平均等待时间确定各充电站的建设规模。
具体地,电动出租车充电站规模影响着充电站的建设投资;充电站的配置数量将直接影响顾客排队充电的等待时间,充电机较少,则排队等待的时间较长;充电机较多,则充电机平均利用率不高,导致资源浪费。
充电站确定规模时需在减小排队等待时间和降低充电机平均空闲率二者之间寻求平衡。设单位时间内平均每个充电机闲置成本为cI,每个顾客在充电站内排队等待的单位时间成本为cW,则以单位时间内的总费用(充电机闲置成本和等待时间成本之和)最小为充电机优化配置目标,优化充电机配置数目c的模型为:
cmin≤c≤cmax (8)
其中,cmin、cmax分别为充电机最小配置数与最大配置数;Wmax为排队等待时间的约束上限;为平均排队等待时间,I0(c)为充电设备空闲比例。
将电动汽车充电的过程采用M/G/c模型来模拟,M/G/c模型中的输入过程服从参数为为λ的泊松分布,服务时间为正态分布G,其期望为μ,标准差为VT。在服务时间参数一定的情况下,平均排队等待时间为服务台数(在充电站中为充电机数)c和输入过程参数λ的函数为:
充电设备空闲比例为:
其中,ρ=λ/μ,c为充电机数量;式(10)成立前提条件是c>ρ。
采用排队论模型计算充电站的平均排队等待时间,在根据平均排队等待时间计算充电站的最优建设规模。而根据式(9),为了获得充电站的平均排队等待时间,需要求得排队等待时间关键参数λ、μ与VT。
记充电站充电时间为t,则μ和VT分别为t的期望与标准差。电动出租车到达充电站的剩余电量WEV与充电时间t有如下关系:
由式(11)可知,WEV与t为线性关系,根据变量WEV分布的期望与方差可计算μ和VT:
其中,为电动出租车电池额定容量;WEV为电动出租车到达充电站的剩余电量,其分布函数可以根据统计数据获得;P为充电机充电功率。
出租车一日两次充电主要集中在两个时间段,通常电动出租车会在交接班时进行充电,假设两个交班时间分别为凌晨2:00-6:00,和下午14:00-18:00.记一个时间段时长为Tc,则充电站k的泊松分布参数λ由下式求解:
其中,为该充电时间段前往充电站k进行充电的电动出租车数量,且可根据电动出租车对充电站选择的概率特性计算,如下式:
其中,Vi为第i个交通节点的电动出租车数量;Pik为从交通节点i出发,选择充电站k接受服务的概率。
受充电功率限制,电动出租车的充电时间较长,一般为0.5h左右。电动出租车在充电期间处于非载客状态,在充电完成后才寻找乘客,因而,电动出租车在选择某个充电站站点进行能量补充时,会综合考虑起始点与充电站距离以及充电站附近出租车需求量大小等因素。
因此,以出租车前往充电站的行驶时间、充电的排队等待时间,以及充电后寻找首个乘客的行驶时间为决策变量,利用效用理论建立了电动出租车充电站选择模型,建立效用函数如下:
Uik=Aik+Sk+Dk=α1tik+α2tk1+α3tk2 (16)
其中,Uik为路网交通节点i处的空驶出租车选择充电站k进行充电的效用函数;Aik为出租车从交通节点i前往充电站k的效用函数,以最短路径的行驶时间来量度,最短路径采用Dijkstra算法计算;Sk为出租车在充电站k充电的效用函数,以出租车在充电站排队等待的时间来量度;Dk为出租车在充电站k接收服务后前往下一个交通节点寻找乘客的效用函数,用到达目的交通节点的时间来量度;tik为从交通节点i到充电站k的最短行驶时间;tk1为出租车在充电站k的平均排队等待时间,此处tk1取充电站排队等待时间约束上限Wmax;tk2为从充电站k出发前往下一个交通节点寻找乘客的时间;α1,α2,α3>0为效用函数中每个因素对决策影响程度所设定的权重。
从效用极大原理出发,采用logit模型可以得到出租车的充电站选择概率:
其中,M为充电站集合,k∈M;A为交通节点集,i∈A;θ为模型参数。
空驶出租车从充电站点k出发,为寻找乘客而选择交通节点j的概率受到行驶的时间和目的地乘客需求量的影响,其表达式如下:
其中,pkj为从充电站k出发,选择交通节点j为寻找乘客目的地的概率;tkj为从充电站k到交通节点j的最短行驶时间;qj为交通节点j乘客对出租车的需求量;β1,β2为距离与出租车需求量对决策影响的权重系数,β1,β2>0。
从充电站k出发为寻找乘客而到达某交通节点的期望时间为:
tk2=∑tkpPkp (19)
上式中,Pkp为从充电站出发选择p点作为寻找乘客地点的概率;tkp为到达p点所需的时间。
综上所述,采用logit模型模拟出租车选择充电站的概率行为,计算得到出租车选择充电站的概率;根据概率值与M/G/c排队论模型,计算得到充电站的平均排队等待时间,以平均排队等待时间最少来优化充电站内充电机数量的最优值,从而确定充电站的最优建设规模。
采用如图2所示的道路分布为案例来具体描述本申请提供的基于需求分析的电动出租车充电站规划方法。
如图2所示,规划区内1000辆电动出租车分布于49个路网节点,本案例涉及电动出租车的相关参数以比亚迪E6电动出租车为参考,其电池额定容量设规划区内电动出租车平均行驶速度为,充电站的充电机功率P=120kW。
出租车驾驶员空驶的时间价值cW为20元/h,充电站内充电机数量最少为10台,最多为40台,其他参数如表1所示:
表1案例参数值设定表
建设需要在规划区内建设6座充电站时,采用P-median模型进行选址,其布点如图3所示。图中较小的实心黑点为路网中典型的交通节点,A~F对应的较大点代表最优规划方案的充电站位置,图中较细的线表示交通线路。
根据logit模型与M/G/c排队论模型,计算得到的最优站址对应的容量配置规模与等待时间如表2所示:
表2充电站建设规模确定结果
充电站编号 | A | B | C | D | E | F |
充电机配置数/个 | 20 | 22 | 27 | 26 | 28 | 21 |
平均等待时间/min | 8.36 | 6.51 | 5.96 | 6.96 | 6.33 | 7.95 |
站址分布较为匀称,站间距离较为适当,充电站位置趋向于接近出租车密集区,图中标明的节点10,20,21等均为车辆较多的区域。充电站的充电等待时间满足低于10min的预设。可见,充电站容量配置策略能够有效地将平均等待时间控制在可接收的范围内,较大限度地降低出租车在充电站消耗的时间成本。
从上述实施例可以看出,本发明提供的基于需求分析的电动出租车充电站规划方法包括:初始化规划所需的基本数据,基本数据包括规划区交通节点坐标、区域内交接班时间段出租车数量以及区域出租车历史需求量,根据基本数据计算区域总负荷量并预估充电站数量的取值范围;利用聚类分析方法与P-median模型对区域内出租车的需求进行分析,确定区域内充电站的建设布点;利用logit模型模拟出租车选择充电站的概率行为,由排队论模型计算各充电站平均排队等待时间,根据各充电站的平均等待时间确定各充电站的建设规模。本申请提供的充电站规划方法基于电动出租车需求的分析,以包括建设维护费用,充电行为时间成本在内的成本为目标函数,对充电站布点进行优化选址,同时采用排队论中更准确反应出租车进站充电特性的M/G/c模型解决充电站容量配置问题,进而确定充电站最优规划方案,方法有效实用,可用于指导电动出租车充电站的建设规模及布点。
本领域技术人员在考虑说明书及实践这里发明的公开后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (10)
1.一种基于需求分析的电动出租车充电站规划方法,其特征在于,所述方法包括:
初始化规划所需的基本数据,所述基本数据包括规划区交通节点坐标、区域内交接班时间段出租车数量以及区域出租车历史需求量,根据所述基本数据计算区域总负荷量并预估充电站数量的取值范围;
利用聚类分析方法与P-median模型对区域内出租车的需求进行分析,确定区域内充电站的建设布点;
利用logit模型模拟出租车选择充电站的概率行为,由排队论模型计算各充电站平均排队等待时间,根据各充电站的平均等待时间确定各充电站的建设规模。
2.如权利要求1所述的方法,其特征在于,所述根据所述基本数据计算区域总负荷量并预估充电站数量的取值范围,包括:
通过规划区的总充电需求Qtotal、充电站的最大容量限制Smax与最小容量限制Smin,预估规划区充电站的最少数量Nmin和最多数量Nmax,则规划区充电站的数量n满足Nmin≤n≤Nmax。
3.如权利要求1所述的方法,其特征在于,所述利用聚类算法与P-median方法对区域内出租车的需求进行分析,确定区域内充电站的建设布点,包括:
将区域内电动出租车的每一个需求点作为一个需求簇,根据邻近度将相邻的需求簇合并成一个新需求簇,更新需求簇的数量m,m≥1;
设定所述区域内充电站的布点数量为P,计算第i个需求簇的中心至最近充电站的距离disti;
根据公式计算得到充电站建设布点的最优选址,其中,Di为第i个需求簇的需求大小。
4.如权利要求1所述的方法,其特征在于,所述根据各充电站的平均等待时间确定各充电站的建设规模,包括:
设单位时间内平均每个充电机闲置成本为cI,每个顾客在充电站内排队等待的单位时间成本为cW,则以单位时间内的总费用(充电机闲置成本和等待时间成本之和)最小为充电机优化配置目标,优化充电机配置数目c的模型为:
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>c</mi>
<mi>I</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>c</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mi>W</mi>
</msub>
<mo>&CenterDot;</mo>
<msubsup>
<mi>W</mi>
<mi>q</mi>
<mi>G</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
<msubsup>
<mi>W</mi>
<mi>q</mi>
<mi>G</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
cmin≤c≤cmax
式中,cmin、cmax分别为充电机最小配置数与最大配置数;Wmax为排队等待时间的约束上限;为平均排队等待时间,I0(c)为充电设备空闲比例。
5.如权利要求4所述的方法,其特征在于,通过排队论中的M/G/c模型计算排队等待时间,M/G/c模型中的输入过程服从参数为λ的泊松分布,服务时间为正态分布G,其期望为μ,标准差为VT,平均排队等待时间为服务台数c和输入过程参数λ的函数为:
<mrow>
<msubsup>
<mi>W</mi>
<mi>q</mi>
<mi>G</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>V</mi>
<mi>T</mi>
</msub>
<mo>+</mo>
<msup>
<mi>&mu;</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>-</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>c</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mfrac>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>!</mo>
<mo>(</mo>
<mi>c</mi>
<mo>-</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>i</mi>
<mo>!</mo>
<msup>
<mi>&rho;</mi>
<mrow>
<mi>c</mi>
<mo>-</mo>
<mi>s</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
充电设备空闲比例为:
<mrow>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mi>&lambda;</mi>
<mrow>
<mi>c</mi>
<mi>&mu;</mi>
</mrow>
</mfrac>
</mrow>
上式中,ρ=λ/μ,c为充电机数量;上式成立的条件是c>ρ。
6.如权利要求5所述的方法,其特征在于,设充电站充电时间为t,电动出租车到达充电站的剩余电量WEV与充电时间t有如下关系:
<mrow>
<mi>t</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>W</mi>
<mrow>
<mi>E</mi>
<mi>V</mi>
</mrow>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>t</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>E</mi>
<mi>V</mi>
</mrow>
</msub>
</mrow>
<mi>P</mi>
</mfrac>
</mrow>
根据变量WEV分布的期望与方差可计算μ和VT:
<mrow>
<mi>&mu;</mi>
<mo>=</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>W</mi>
<mrow>
<mi>E</mi>
<mi>V</mi>
</mrow>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>t</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>E</mi>
<mi>V</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mi>P</mi>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>V</mi>
<mi>T</mi>
</msub>
<mo>=</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>E</mi>
<mi>V</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msup>
<mi>P</mi>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
式中,为电动出租车电池额定容量;WEV为电动出租车到达充电站的剩余电量;P为充电机充电功率。
7.如权利要求6所述的方法,其特征在于,出租车一日两次充电集中在两个时间段,记一个时间段时长为Tc,则充电站k的泊松分布参数λ由下式求解:
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>Q</mi>
<mrow>
<mi>t</mi>
<mi>a</mi>
<mi>x</mi>
<mi>i</mi>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>T</mi>
<mi>c</mi>
</msub>
</mfrac>
</mrow>
<mrow>
<msubsup>
<mi>Q</mi>
<mrow>
<mi>t</mi>
<mi>a</mi>
<mi>x</mi>
<mi>i</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>A</mi>
</mrow>
</munder>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
其中,为该充电时间段前往充电站k进行充电的电动出租车数量;Vi为第i个交通节点的电动出租车数量;Pik为从交通节点i出发,选择充电站k接受服务的概率。
8.如权利要求7所述的方法,其特征在于,以出租车前往充电站的行驶时间、充电站的排队等待时间以及充电后寻找首个乘客的行驶时间为决策变量,利用效用理论建立电动出租车充电站选择模型,建立效用函数如下:
Uik=Aik+Sk+Dk=α1tik+α2tk1+α3tk2
上式中,Uik为路网交通节点i处的空驶出租车选择充电站k进行充电的效用函数;Aik为出租车从交通节点i前往充电站k的效用函数;Sk为出租车在充电站k充电的效用函数;Dk为出租车在充电站k接收服务后前往下一个交通节点寻找乘客的效用函数;tik为从交通节点i到充电站k的最短行驶时间;tk1为出租车在充电站k的平均排队等待时间,tk1取充电站排队等待时间约束上限Wmax;tk2为从充电站k出发前往下一个交通节点寻找乘客的时间;α1,α2,α3>0为效用函数中每个因素对决策影响程度所设定的权重。
9.如权利要求8所述的方法,其特征在于,从效用极大原理出发,采用logit模型得到出租车的充电站选择概率Pik:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>&theta;U</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mi>k</mi>
<mi>M</mi>
</munderover>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>&theta;U</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mn>3</mn>
</msub>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mi>k</mi>
<mi>M</mi>
</munderover>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mn>3</mn>
</msub>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mfrac>
</mrow>
式中,M为充电站集合,k∈M;A为交通节点集,i∈A;θ为模型参数。
10.如权利要求9所述的方法,其特征在于,当出租车在充电站k完成充电后,随即转入空驶阶段,进行客源的搜索,空驶出租车从充电站k出发,为寻找乘客而选择交通节点j的概率受到行驶的时间和目的地乘客需求量的影响,其表达式如下:
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msubsup>
<mi>&sigma;t</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
</msubsup>
<msubsup>
<mi>q</mi>
<mi>j</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>&beta;</mi>
<mn>2</mn>
</msub>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>A</mi>
</mrow>
</munder>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msubsup>
<mi>&sigma;t</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
</msubsup>
<msubsup>
<mi>q</mi>
<mi>j</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>&beta;</mi>
<mn>2</mn>
</msub>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
式中,pkj为从充电站k出发,选择交通节点j为寻找乘客目的地的概率;tkj为从充电站k到交通节点j的最短行驶时间;qj为交通节点j乘客对出租车的需求量;β1,β2为距离与出租车需求量对决策影响的权重系数,β1,β2>0;
从充电站k出发为寻找乘客而到达某交通节点的期望时间为:
tk2=∑tkpPkp
式中,Pkp为从充电站出发选择p点作为寻找乘客地点的概率;tkp为到达p点所需的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711131322.XA CN107832958A (zh) | 2017-11-15 | 2017-11-15 | 一种基于需求分析的电动出租车充电站规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711131322.XA CN107832958A (zh) | 2017-11-15 | 2017-11-15 | 一种基于需求分析的电动出租车充电站规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107832958A true CN107832958A (zh) | 2018-03-23 |
Family
ID=61651692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711131322.XA Withdrawn CN107832958A (zh) | 2017-11-15 | 2017-11-15 | 一种基于需求分析的电动出租车充电站规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832958A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876027A (zh) * | 2018-06-06 | 2018-11-23 | 安徽建筑大学 | 一种基于gis的农村居民点集中居住区选址和优化方法 |
CN109034465A (zh) * | 2018-07-16 | 2018-12-18 | 河海大学 | 考虑充电站选址与出行路径耦合的充电站两层规划方法 |
CN109572479A (zh) * | 2018-11-19 | 2019-04-05 | 浙江大学 | 一种城市配电网络中电动汽车快速充电站的优化选址方法 |
CN109741595A (zh) * | 2018-12-07 | 2019-05-10 | 东南大学 | 一种城市配送车辆出行仿真方法及*** |
CN109829754A (zh) * | 2019-01-08 | 2019-05-31 | 恒大智慧科技有限公司 | 充电管理方法、计算机设备及存储介质 |
CN110555622A (zh) * | 2019-08-26 | 2019-12-10 | 上海蔚来汽车有限公司 | 加电服务能力或资源的评估或管理方法、***和存储介质 |
CN110930037A (zh) * | 2019-11-27 | 2020-03-27 | 国网四川省电力公司天府新区供电公司 | 电动出租车充电站与配电设施的协调规划方法 |
CN111915146A (zh) * | 2020-07-08 | 2020-11-10 | 东北大学秦皇岛分校 | 基于流体模型的按需出行***充电与再平衡联合调度方法 |
CN112465222A (zh) * | 2020-11-26 | 2021-03-09 | 浙江警察学院 | 一种基于充电站服务水平预测的最佳充电站选择方法 |
JP2021114090A (ja) * | 2020-01-17 | 2021-08-05 | ヤフー株式会社 | 特定装置、特定方法、および特定プログラム |
CN113486262A (zh) * | 2021-09-07 | 2021-10-08 | 深圳市光明顶照明科技有限公司 | 一种电动汽车充电站选址方法、***和可读存储介质 |
CN114021795A (zh) * | 2021-10-27 | 2022-02-08 | 北京交通大学 | 一种考虑电动汽车充电需求的充电站规划方法及*** |
CN115438840A (zh) * | 2022-08-15 | 2022-12-06 | 北京化工大学 | 一种平均等待时间可控的电动汽车换电站选址优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787600A (zh) * | 2016-03-03 | 2016-07-20 | 国家电网公司 | 基于自适应量子遗传算法的电动出租车充电站规划方法 |
CN106951978A (zh) * | 2017-02-20 | 2017-07-14 | 国网天津市电力公司 | 一种基于改进K‑means算法的城市集中型充电站规划方法 |
-
2017
- 2017-11-15 CN CN201711131322.XA patent/CN107832958A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787600A (zh) * | 2016-03-03 | 2016-07-20 | 国家电网公司 | 基于自适应量子遗传算法的电动出租车充电站规划方法 |
CN106951978A (zh) * | 2017-02-20 | 2017-07-14 | 国网天津市电力公司 | 一种基于改进K‑means算法的城市集中型充电站规划方法 |
Non-Patent Citations (2)
Title |
---|
刘锴等: "电动汽车充电站布局优化方法研究综述", 《武汉理工大学学报(交通科学与工程版)》 * |
李荣: "电动汽车充电站规划方法研究", 《万方数据》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876027B (zh) * | 2018-06-06 | 2022-03-29 | 安徽建筑大学 | 一种基于gis的农村居民点集中居住区选址和优化方法 |
CN108876027A (zh) * | 2018-06-06 | 2018-11-23 | 安徽建筑大学 | 一种基于gis的农村居民点集中居住区选址和优化方法 |
CN109034465A (zh) * | 2018-07-16 | 2018-12-18 | 河海大学 | 考虑充电站选址与出行路径耦合的充电站两层规划方法 |
CN109034465B (zh) * | 2018-07-16 | 2020-02-21 | 河海大学 | 考虑充电站选址与出行路径耦合的充电站两层规划方法 |
CN109572479A (zh) * | 2018-11-19 | 2019-04-05 | 浙江大学 | 一种城市配电网络中电动汽车快速充电站的优化选址方法 |
CN109741595A (zh) * | 2018-12-07 | 2019-05-10 | 东南大学 | 一种城市配送车辆出行仿真方法及*** |
CN109829754A (zh) * | 2019-01-08 | 2019-05-31 | 恒大智慧科技有限公司 | 充电管理方法、计算机设备及存储介质 |
CN110555622A (zh) * | 2019-08-26 | 2019-12-10 | 上海蔚来汽车有限公司 | 加电服务能力或资源的评估或管理方法、***和存储介质 |
CN110555622B (zh) * | 2019-08-26 | 2023-08-18 | 上海蔚来汽车有限公司 | 加电服务能力或资源的评估或管理方法、***和存储介质 |
CN110930037A (zh) * | 2019-11-27 | 2020-03-27 | 国网四川省电力公司天府新区供电公司 | 电动出租车充电站与配电设施的协调规划方法 |
JP2021114090A (ja) * | 2020-01-17 | 2021-08-05 | ヤフー株式会社 | 特定装置、特定方法、および特定プログラム |
CN111915146A (zh) * | 2020-07-08 | 2020-11-10 | 东北大学秦皇岛分校 | 基于流体模型的按需出行***充电与再平衡联合调度方法 |
CN111915146B (zh) * | 2020-07-08 | 2022-08-23 | 东北大学秦皇岛分校 | 基于流体模型的按需出行***充电与再平衡联合调度方法 |
CN112465222B (zh) * | 2020-11-26 | 2023-07-07 | 浙江警察学院 | 一种基于充电站服务水平预测的最佳充电站选择方法 |
CN112465222A (zh) * | 2020-11-26 | 2021-03-09 | 浙江警察学院 | 一种基于充电站服务水平预测的最佳充电站选择方法 |
CN113486262A (zh) * | 2021-09-07 | 2021-10-08 | 深圳市光明顶照明科技有限公司 | 一种电动汽车充电站选址方法、***和可读存储介质 |
CN114021795A (zh) * | 2021-10-27 | 2022-02-08 | 北京交通大学 | 一种考虑电动汽车充电需求的充电站规划方法及*** |
CN115438840A (zh) * | 2022-08-15 | 2022-12-06 | 北京化工大学 | 一种平均等待时间可控的电动汽车换电站选址优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832958A (zh) | 一种基于需求分析的电动出租车充电站规划方法 | |
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 | |
CN108417031B (zh) | 一种基于Agent仿真的智能停车泊位预约策略优化方法 | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
Sayarshad et al. | Non-myopic dynamic routing of electric taxis with battery swapping stations | |
CN109523051A (zh) | 一种电动汽车充电实时优化调度方法 | |
CN106965688A (zh) | 一种电网和交通网协同环境下的电动汽车充电方法 | |
Wang et al. | A two-stage charging facilities planning method for electric vehicle sharing systems | |
CN105787600A (zh) | 基于自适应量子遗传算法的电动出租车充电站规划方法 | |
CN106651059A (zh) | 一种电动汽车充电站优化配置的方法 | |
CN115547052B (zh) | 改进自适应大邻域算法的动态需求响应电动公交调度方法 | |
Li et al. | Strategic pricing of electric vehicle charging service providers in coupled power-transportation networks | |
CN106875075A (zh) | 一种基于出行行为学的电动汽车充电站布点方法 | |
CN106530180A (zh) | 一种高寒地区充电服务网络规划方法 | |
CN112700029B (zh) | 一种基于仿真优化框架的定制公交规划方法 | |
Hu et al. | Optimization design of electric vehicle charging stations based on the forecasting data with service balance consideration | |
CN105930914A (zh) | 基于起讫点距离的城市公交最优收费结构的收费确定方法 | |
CN111126712B (zh) | 一种面向通勤廊道的停车充电换乘***规划方法 | |
CN112419716A (zh) | 一种轨道站点换乘影响区内的共享单车设施布局配置方法 | |
Ji et al. | Optimal deployment of dynamic wireless charging facilities for electric bus route considering stochastic travel times | |
CN109583136A (zh) | 基于可调度潜力的电动汽车充换储一体站模型建立方法 | |
CN116362523B (zh) | 考虑温度适应性的换电站选址与运营策略协同优化方法 | |
Guo et al. | Selective multi-grade charging scheduling and rebalancing for one-way car-sharing systems | |
Lai et al. | Towards a multimodal charging network: Joint planning of charging stations and battery swapping stations for electrified ride-hailing fleets | |
CN116524705A (zh) | 一种城际出行车辆的调度方法及终端 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180323 |
|
WW01 | Invention patent application withdrawn after publication |