CN111523714A - 一种电力充电站选址布局方法及装置 - Google Patents
一种电力充电站选址布局方法及装置 Download PDFInfo
- Publication number
- CN111523714A CN111523714A CN202010294587.7A CN202010294587A CN111523714A CN 111523714 A CN111523714 A CN 111523714A CN 202010294587 A CN202010294587 A CN 202010294587A CN 111523714 A CN111523714 A CN 111523714A
- Authority
- CN
- China
- Prior art keywords
- preset
- electric
- charging station
- electric power
- grid map
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011161 development Methods 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000010276 construction Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 32
- 238000009826 distribution Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请公开了一种电力充电站选址布局方法及装置,方法包括:S1:根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的城区小网格地图;S2:通过电力充电站的预置服务半径估算城区小网格地图中的最佳电力充电站数量;S3:结合曼哈顿距离算法和K‑Means算法确定每一个电力充电站在城区小网格地图中的最佳位置,得到电力充电站布局网络;S4:通过预置Logistic模型对电动汽车未来的发展规模进行预测,得到电动汽车发展数据;S5:根据数量占比和增长率更新最佳电力充电站数量,重复步骤S3,得到更新的电力充电站布局网络。本申请提供了一种大规模的电力充电站的选址布局方案。
Description
技术领域
本申请涉及充电站布局技术领域,尤其涉及一种电力充电站选址布局方法及装置。
背景技术
目前,化石燃料和环境保护已成为世界上最热门的问题。世界上主要的运输方式是以化石石油为基础,这种运输方式对环境造成了严重的污染。由于化石燃料的资源有限且对环境污染巨大,因此,能源燃料向更清洁的能源过渡是不可避免的,为了实现这一目标,在21世纪以新能源汽车为代表的电动汽车已被公认为我国汽车转型的主要发展方向。
众所周知,电动汽车具有效率高、噪音低、几乎零污染的特点。电动汽车的优点是显而易见的,因此,它在世界各地得到了广泛的应用。无论是从国家公布的数据,还是从汽车厂商调查情况得出的一个结论:充电桩的不足和分布不均衡严重影响了电动汽车的发展和普及,现有的充电站基本只满足了少量电动汽车的需求;为了促进电动汽车的大规模发展,必须改进相应的基础设施;充电站作为电动汽车设施建设的重要组成部分,对整个电动汽车行业的发展至关重要。需要在哪里和多少个地方建造充电站?因为选择正确的位置和估计充电站的数量是非常重要的。而电动汽车充电站的大规模化也将对电动汽车的扩容产生巨大的影响。
发明内容
本申请提供了一种电力充电站选址布局方法及装置,用于提供一种大规模的电力充电站的选址布局方案,并兼顾了电动汽车的发展规模对充电站布局的影响。
有鉴于此,本申请第一方面提供了一种电力充电站选址布局方法,包括:
S1:根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的城区小网格地图;
S2:通过电力充电站的预置服务半径估算所述城区小网格地图中的最佳电力充电站数量;
S3:结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在所述城区小网格地图中的最佳位置,得到电力充电站布局网络;
S4:通过预置Logistic模型对电动汽车未来的发展规模进行预测,得到电动汽车发展数据,所述电动汽车发展数据包括数量占比和增长率;
S5:根据所述数量占比和所述增长率更新所述最佳电力充电站数量,重复步骤S3,得到更新的电力充电站布局网络。
优选地,步骤S1,之前还包括:
对目标地区的初始地图进行网格化处理,得到大网格地图;
根据所述大网格地图中的预置人口密度和预置人均GDP进行最小二乘法拟合,得到目标地区的所述预置空间小网格地图。
优选地,步骤S3,具体包括:
根据预置改进畸变函数计算所述城区小网格地图中各网格的质心,所述预置改进畸变函数为:
J(c,μ)=maxi||x(i)-μc(i)||∞;
所述预置改进畸变函数通过结合曼哈顿距离公式和K-Means算法的畸变函数得到,x(i)为电动汽车样本点,μc(i)为所述质心,c为所选网格;
根据所述质心确定每一个电力充电站的所述最佳位置,得到电力充电站布局网络。
优选地,步骤S1,还包括:
根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的乡村网格地图;
根据预置公式计算所述乡村网格地图中的最优电力充电站数量,所述预置公式为:
其中,nvillage为村庄数量,L为村庄之间的道路长度,DCR为预置间隔距离。
优选地,步骤S5,还包括:
根据预置评价函数判断目标地区是否具备按照所述更新的电力充电站布局网络建设充电站网络的综合能力,所述预置评价函数为:
f(x)=(ax+b)-pdekt;
其中,a为每一辆电动汽车可产生的利润,x为电动汽车的数量,b为目标地区可承担的建设费用,p为所述电力充电站的饱和数量,d为每个所述电力充电站的建设价格,k为电动汽车增长比例参数,f(x)≥0时表示目标地区具备所述综合能力。
本申请第二方面提供了一种电力充电站选址布局装置,包括:
重定义模块,用于根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的城区小网格地图;
数量确定模块,用于通过电力充电站的预置服务半径估算所述城区小网格地图中的最佳电力充电站数量;
位置确定模块,用于结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在所述城区小网格地图中的最佳位置,得到电力充电站布局网络;
预测模块,用于通过预置Logistic模型对电动汽车未来的发展规模进行预测,得到电动汽车发展数据,所述电动汽车发展数据包括数量占比和增长率;
更新模块,用于根据所述数量占比和所述增长率更新所述最佳电力充电站数量,触发所述位置确定模块,得到更新的电力充电站布局网络。
优选地,还包括:
预处理模块,用于对目标地区的初始地图进行网格化处理,得到大网格地图;
根据所述大网格地图中的预置人口密度和预置人均GDP进行最小二乘法拟合,得到目标地区的所述预置空间小网格地图。
优选地,所述位置确定模块,具体包括:
质心子模块,用于根据预置改进畸变函数计算所述城区小网格地图中各网格的质心,所述预置改进畸变函数为:
J(c,μ)=maxi||x(i)-μc(i)||∞;
所述预置改进畸变函数通过结合曼哈顿距离公式和K-Means算法的畸变函数得到,x(i)为电动汽车样本点,μc(i)为所述质心,c为所选网格;
位置子模块,用于根据所述质心确定每一个电力充电站的所述最佳位置,得到电力充电站布局网络。
优选地,还包括:
乡村布局模块,用于根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的乡村网格地图;
根据预置公式计算所述乡村网格地图中的最优电力充电站数量,所述预置公式为:
其中,nvillage为村庄数量,L为村庄之间的道路长度,DCR为预置间隔距离。
优选地,还包括:
判断模块,用于根据预置评价函数判断目标地区是否具备按照所述更新的电力充电站布局网络建设充电站网络的综合能力,所述预置评价函数为:
f(x)=(ax+b)-pdekt;
其中,a为每一辆电动汽车可产生的利润,x为电动汽车的数量,b为目标地区可承担的建设费用,p为所述电力充电站的饱和数量,d为每个所述电力充电站的建设价格,k为电动汽车增长比例参数,f(x)≥0时表示目标地区具备所述综合能力。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种电力充电站选址布局方法,包括:S1:根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的城区小网格地图;S2:通过电力充电站的预置服务半径估算城区小网格地图中的最佳电力充电站数量;S3:结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在城区小网格地图中的最佳位置,得到电力充电站布局网络;S4:通过预置Logistic模型对电动汽车未来的发展规模进行预测,得到电动汽车发展数据,电动汽车发展数据包括数量占比和增长率;S5:根据数量占比和增长率更新最佳电力充电站数量,重复步骤S3,得到更新的电力充电站布局网络。
本申请提供的电力充电站选址布局方法,对选定的目标区域首先划出城区地图,因为经济发展到一定阶段,才能具备一定的电动汽车需求,电动汽车具备一定的分布密度才能使安装电力充电站具有意义;根据充电站能够服务的半径估算目标地区中的最佳电力充电站是在保证目标地区中的电动汽车尽可能都可以找到充电站的同时,还能达到建设的充电站数量最小,不会造成资源的浪费;结合曼哈顿距离算法和K-Means算法可以确定目标地区中每一个电力充电站的最佳安装位置,使得充电站的服务范围既不会过多重叠,也不会因为分布不平衡导致无法找到,影响服务质量;而Logistic模型则可以预测未来的电动汽车的发展规模,例如在机动车中的占比,增长的速率等,用这些数据影响充电站的服务半径,更新计算就可以得到发展变化过程中的充电站布局网络。因此,本申请提供了一种大规模的电力充电站的选址布局方案,并兼顾了电动汽车的发展规模对充电站布局的影响。
附图说明
图1为本申请实施例提供的一种电力充电站选址布局方法的一个流程示意图;
图2为本申请实施例提供的一种电力充电站选址布局方法的另一个流程示意图;
图3为本申请实施例提供的一种电力充电站选址布局装置的一个结构示意图;
图4为本申请实施例提供的电动汽车的数量占比变化趋势图;
图5为本申请实施例提供的电动汽车的增长率变化趋势图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种电力充电站选址布局方法的实施例一,包括:
步骤101、根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的城区小网格地图。
需要说明的是,预置地区信息数据包括地域归类,例如港口、住宅、景点和行政,还包括潜在充电时间,这个与政府推行电动汽车发展政策和地区规划发展政策有关;需要对预置地区信息数据进行量化处理才能使用。将目标地区的地图网格化更能量化充电站的布局研究,而确定目标地区的地图中的地域类型则是因为电动汽车根据地域类型的不同,其分布密度存在很大的差别,因此,需要进行差别化分析,城区中的电动汽车具有一定的规模,建设充电站不论从经济意义还是交通发展意义而言都是很有必要的,而偏远乡村或者郊区的电动汽车分布密度就相对较少;鉴于经济发展与时俱进,城区与乡村的发展需要更新,不可能一成不变,所以需要重新定义,具体的定义方法就是根据地区的地域类型和发展情况更新。
步骤102、通过电力充电站的预置服务半径估算城区小网格地图中的最佳电力充电站数量。
需要说明的是,预置服务半径对于充电站基本都一致,且与电动车充一次电可以行使的最大距离有关;由于地图是网格化的,因此,根据预置服务半径确定填满整个目标地区需要的电力充电站数量,但并不意味着直接均匀分布于整个目标地区中,而是需要进一步选定每个充电站的安装位置,实现电力充电站布局的最优化。
步骤103、结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在城区小网格地图中的最佳位置,得到电力充电站布局网络。
需要说明的是,考虑到实际情况中,电动汽车无法走直线直接到达电力充电站,所以选择的曼哈顿距离算法更加符合实际需求,结合K-Means算法中的畸变函数就可以得到最小化的畸变函数值,根据该值就可以定义出电力充电站的具***置,每一个充电站均可以找到最佳的选址位置,从而形成电力充电站网络。
步骤104、通过预置Logistic模型对电动汽车未来的发展规模进行预测,得到电动汽车发展数据,电动汽车发展数据包括数量占比和增长率。
需要说明的是,建设的电力充电站的使用周期相对较长,但是电动汽车的发展速度却相对较快,想要建设完成的电力充电站获得更加长久的使用意义,那么实际的充电站的选址布局就不能仅考虑眼前的发展,需要结合电动汽车的发展趋势,甚至发展规模,调整电力充电站的布局网络;Logistic模型能够较为准确的预测出电动汽车的发展规模,基于传染病模型的考虑,电动汽车在一个地区所占市场比例越高,往往对当地电动汽车数量的发展存在积极的反馈作用,也就是电动汽车随时间变化的市场占有率,即数量占比与当前市场占比有关。根据这些关系就可以预测得到电动汽车的发展数据,主要是数量占比和增长率。
步骤105、根据数量占比和增长率更新最佳电力充电站数量,重复步骤103,得到更新的电力充电站布局网络。
需要说明的是,最佳电力充电站数量改变,那么充电站布局也将改变,电动汽车的发展规模就是通过这种方式影响电力充电站的建设与布局,从而使得更新的电力充电站布局网络更加科学,适用性更强,且随着电动汽车的发展,该充电站网络能够发挥更加长久的作用。
本实施例提供的电力充电站选址布局方法,对选定的目标区域首先划出城区地图,因为经济发展到一定阶段,才能具备一定的电动汽车需求,电动汽车具备一定的分布密度才能使安装电力充电站具有意义;根据充电站能够服务的半径估算目标地区中的最佳电力充电站是在保证目标地区中的电动汽车尽可能都可以找到充电站的同时,还能达到建设的充电站数量最小,不会造成资源的浪费;结合曼哈顿距离算法和K-Means算法可以确定目标地区中每一个电力充电站的最佳安装位置,使得充电站的服务范围既不会过多重叠,也不会因为分布不平衡导致无法找到,影响服务质量;而Logistic模型则可以预测未来的电动汽车的发展规模,例如在机动车中的占比,增长的速率等,用这些数据影响充电站的服务半径,更新计算就可以得到发展变化过程中的充电站布局网络。因此,本实施例提供了一种大规模的电力充电站的选址布局方案,且兼顾了电动汽车的发展规模对充电站布局的影响。
为了便于理解,请参阅图2,本申请实施例中提供了一种电力充电站选址布局方法的实施例二,包括:
步骤201、对目标地区的初始地图进行网格化处理,得到大网格地图。
步骤202、根据大网格地图中的预置人口密度和预置人均GDP进行最小二乘法拟合,得到目标地区的预置空间小网格地图。
需要说明的是,网格化处理能够量化电力充电站的布局研究,将问题转化为网格的处理形式既能顾全整体的布局,又便于细节的分析,网格化处理还能将充电站的服务半径量化为正方形边长的形式,便于规划计算。人口密度和人均GDP最能够反映不同地域的发展情况,能够拟合得到不同的预置空间小网格地图,增强研究便利性。
步骤203、根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的乡村网格地图。
步骤204、根据预置公式计算乡村网格地图中的最优电力充电站数量,预置公式为:
其中,nvillage为村庄数量,L为村庄之间的道路长度,DCR为预置间隔距离。
需要说明的是,预置地区信息数据可以将预置空间小网格地图进行地域划分,包括城区和乡村,这其中的城区又可以划分为市区和城郊,不同的地区其充电站的布局是不一样的,很显然,市区的充电站分布密度比城郊大,城郊的充电站分布密度比乡村大,处理乡村的充电站布局比较简单,由于一个村庄的半径一般小于3公里,因此,设定一个村庄建设一个电力充电站,而村庄之间的道路上按照预置间隔距离建设充电站,这个预置间隔距离可以根据实际情况设定,即电动汽车的分布密度情况。
步骤205、根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的城区小网格地图。
需要说明的是,预置地区信息数据包括地域归类,例如港口、住宅、景点和行政,还包括潜在充电时间,这个与政府推行电动汽车发展政策和地区规划发展政策有关;需要对预置地区信息数据进行量化处理才能使用。将目标地区的地图网格化更能量化充电站的布局研究,而确定目标地区的地图中的地域类型则是因为电动汽车根据地域类型的不同,其分布密度存在很大的差别,因此,需要进行差别化分析,城区中的电动汽车具有一定的规模,建设充电站不论从经济意义还是交通发展意义而言都是很有必要的,而偏远乡村或者郊区的电动汽车分布密度就相对较少;鉴于经济发展与时俱进,城区与乡村的发展需要更新,不可能一成不变,所以需要重新定义,具体的定义方法就是根据地区的地域类型和发展情况更新。
步骤206、通过电力充电站的预置服务半径估算城区小网格地图中的最佳电力充电站数量。
需要说明的是,城区包括市区和城郊,不同区域的预置服务半径是不同的,那么得到的最佳电力充电站数量也是不一样的,首先可以根据如下公式粗略计算电力充电站的服务半径:
rRough=DEVMax*PCTEV;
其中,DEVMax为电动汽车充电一次最大的行驶距离,PCTEV为电动汽车前往充电站所需的最少电量百分比;将这哥粗略的服务半径作为所有区域的最大服务半径,可以更加精确的表示市区和城郊的预置服务半径,具体的公式如下:
rurban,rsuburban≤rRough;
其中,rurban、rsuburban分别为市区电力充电站最大服务半径和城郊电力充电站最大服务半径;ρurban、ρsuburban分别为市区人口密度和城郊人口密度;vurban、vsuburban分别为市区人均电动汽车拥有数量和城郊人均电动汽车拥有数量;为目标地区人均国内生产总值;Curban、Csuburban分别为市区地域类型常数和城郊地域类型常数,具体的Curban、Csuburban是网格地图内地域类型常数或者地域政策,地域类型可以划分为购物中心、景点和港口等,地域政策可以划分为政府政策推行电动汽车发展、地区规划发展等,在实际应用中,通过已完成的充电网络估算Curban,而Csuburban则有Curban和市区规模与城郊大小、市区居民和城郊居民的比率计算得到,公式如下:
其中,Surban、Ssuburban分别为市区总面积和城郊总面积。依据实际情况中城市规划格局以及算法推论,市区中的建筑通常为正方格分布,同时假设地图中的汽车密度均匀分布时,电力充电站服务区域的形状应当接近正方形,而不是圆形,那么就可以设置长度参数为50公里的正方形,那么根据数量预置公式就可以计算得到最佳电力充电站数量:
其中,n50×50为50×50平方公里内的充电站数目;y为电动汽车每天平均充电次数,g为电动汽车的数量占比,r为预置服务半径。其中长度参数可以根据实际情况设置,不作限定。通过以上推导计算,可以得到目标地区总的电力充电站数量为:
步骤207、根据预置改进畸变函数计算城区小网格地图中各网格的质心。
需要说明的是,曼哈顿距离公式为:
此处的p,q指代研究的样本点,传统的K-Means聚类的目的是最小化畸变函数,即:
结合以上两种函数的计算方法就可以得到预置改进畸变函数:
J(c,μ)=maxi||x(i)-μc(i)||∞;
其中,x(i)为电动汽车样本点,μc(i)为质心,c为所选网格;重新定义了距离函数和畸变函数,保证在J(c,μ)<r时,电动汽车总能在r公里内找到最近的车站。
步骤208、根据质心确定每一个电力充电站的最佳位置,得到电力充电站布局网络。
需要说明的是,求得质心即为优化函数得到的结果,可以认定优化后的算法生成的质心为电力充电站的最优位置,全部的电力充电站部署完成,就可以得到目标地区的电力充电站布局网络。网格化的分块分析,存在相差不大的各种网格,网格中的质心即电力充电站的最佳位置。另外,在目标区域还存在特例区域,那就是国道和高速公路,在国道或者高速公路上建设电力充电站主要就是考虑加油站这样可以提供休息场所的地方,能够确保司机的休息时间,因此可以根据国道或者高速公路的长度设定预置间隔距离,这样就能够得到电力充电站的所需数量。
步骤209、通过预置Logistic模型对电动汽车未来的发展规模进行预测,得到电动汽车发展数据,电动汽车发展数据包括数量占比和增长率。
需要说明的是,建设的电力充电站的使用周期相对较长,但是电动汽车的发展速度却相对较快,想要建设完成的电力充电站获得更加长久的使用意义,那么实际的充电站的选址布局就不能仅考虑眼前的发展,需要结合电动汽车的发展趋势,甚至发展规模,调整电力充电站的布局网络;Logistic模型能够较为准确的预测出电动汽车的发展规模,基于传染病模型的考虑,电动汽车在一个地区所占市场比例越高,往往对当地电动汽车数量的发展存在积极的反馈作用,也就是电动汽车随时间变化的市场占有率,即数量占比与当前市场占比有关:
实际情况是电动汽车的占比不可能到达100%,因此,R<1;求解方程可以得到:
R为电动汽车的数量占比,ψ为电动汽车市场占有率常系数,将当前年份的电动汽车的数据量占比代入上式,就可得到该常系数ψ,而其中的电动汽车占有率增长速度比例k有近年数据反向推导得到。实际中电动汽车的增长速度在市区、城郊和乡村依次递减,根据这些关系就可以预测得到电动汽车的发展数据,主要是数量占比和增长率。具体请参阅图4和图5,可以看出电动汽车数量占比变化趋势和电动汽车的增长率变化趋势。
步骤210、根据数量占比和增长率更新最佳电力充电站数量,重复步骤208-209,得到更新的电力充电站布局网络。
需要说明的是,最佳电力充电站数量改变,那么充电站布局也将改变,电动汽车的发展规模就是通过这种方式影响电力充电站的建设与布局,从而使得更新的电力充电站布局网络更加科学,适用性更强,且随着电动汽车的发展,该充电站网络能够发挥更加长久的作用。
步骤211、根据预置评价函数判断目标地区是否具备按照更新的电力充电站布局网络建设充电站网络的综合能力。
需要说明的是,不同的地区有着不同的地理情况、经济情况和文华差异,这都会直接或者间接的影响电动汽车的推广,要完全普及电动汽车,仅仅建设充电站是远远不够的,因此需要设置一些指标来量化某些地区是否具备建设充电站的能力,所以提出了预置评价函数,预置评价函数为:
f(x)=(ax+b)-pdekt;
其中,a为每一辆电动汽车可产生的利润,x为电动汽车的数量,b为目标地区可承担的建设费用,p为电力充电站的饱和数量,d为每个电力充电站的建设价格,k为电动汽车增长比例参数,f(x)≥0时,说明目标地区具备综合能力,特别是在f(x)=0时,称为f(x)的停滞点;当g(x)>(x)的时候,则认为该地区的综合能力不足以建设大规模的充电站网络,应该优先发展经济。
为了便于理解,请参阅图3,本申请中还提供了一种电力充电站选址布局装置的实施例,包括:
重定义模块301,用于根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的城区小网格地图;
数量确定模块302,用于通过电力充电站的预置服务半径估算城区小网格地图中的最佳电力充电站数量;
位置确定模块303,用于结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在城区小网格地图中的最佳位置,得到电力充电站布局网络;
预测模块304,用于通过预置Logistic模型对电动汽车未来的发展规模进行预测,得到电动汽车发展数据,电动汽车发展数据包括数量占比和增长率;
更新模块305,用于根据数量占比和增长率更新最佳电力充电站数量,触发位置确定模块303,得到更新的电力充电站布局网络。
进一步地,还包括:
预处理模块306,用于对目标地区的初始地图进行网格化处理,得到大网格地图;
根据大网格地图中的预置人口密度和预置人均GDP进行最小二乘法拟合,得到目标地区的预置空间小网格地图。
进一步地,位置确定模块303,具体包括:
质心子模块3031,用于根据预置改进畸变函数计算城区小网格地图中各网格的质心,预置改进畸变函数为:
J(c,μ)=maxi||x(i)-μc(i)||∞;
预置改进畸变函数通过结合曼哈顿距离公式和K-Means算法的畸变函数得到,x(i)为电动汽车样本点,μc(i)为质心,c为所选网格;
位置子模块3032,用于根据质心确定每一个电力充电站的最佳位置,得到电力充电站布局网络。
进一步地,还包括:
乡村布局模块307,用于根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的乡村网格地图;
根据预置公式计算乡村网格地图中的最优电力充电站数量,预置公式为:
其中,nvillage为村庄数量,L为村庄之间的道路长度,DCR为预置间隔距离。
进一步地,还包括:
判断模块308,用于根据预置评价函数判断目标地区是否具备按照更新的电力充电站布局网络建设充电站网络的综合能力,预置评价函数为:
f(x)=(ax+b)-pdekt;
其中,a为每一辆电动汽车可产生的利润,x为电动汽车的数量,b为目标地区可承担的建设费用,p为电力充电站的饱和数量,d为每个电力充电站的建设价格,k为电动汽车增长比例参数,f(x)≥0时表示目标地区具备综合能力。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种电力充电站选址布局方法,其特征在于,包括:
S1:根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的城区小网格地图;
S2:通过电力充电站的预置服务半径估算所述城区小网格地图中的最佳电力充电站数量;
S3:结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在所述城区小网格地图中的最佳位置,得到电力充电站布局网络;
S4:通过预置Logistic模型对电动汽车未来的发展规模进行预测,得到电动汽车发展数据,所述电动汽车发展数据包括数量占比和增长率;
S5:根据所述数量占比和所述增长率更新所述最佳电力充电站数量,重复步骤S3,得到更新的电力充电站布局网络。
2.根据权利要求1所述的电力充电站选址布局方法,其特征在于,步骤S1,之前还包括:
对目标地区的初始地图进行网格化处理,得到大网格地图;
根据所述大网格地图中的预置人口密度和预置人均GDP进行最小二乘法拟合,得到目标地区的所述预置空间小网格地图。
3.根据权利要求1所述的电力充电站选址布局方法,其特征在于,步骤S3,具体包括:
根据预置改进畸变函数计算所述城区小网格地图中各网格的质心,所述预置改进畸变函数为:
J(c,μ)=maxi||x(i)-μc(i)||∞;
所述预置改进畸变函数通过结合曼哈顿距离公式和K-Means算法的畸变函数得到,x(i)为电动汽车样本点,μc(i)为所述质心,c为所选网格;
根据所述质心确定每一个电力充电站的所述最佳位置,得到电力充电站布局网络。
5.根据权利要求1所述的电力充电站选址布局方法,其特征在于,步骤S5,还包括:
根据预置评价函数判断目标地区是否具备按照所述更新的电力充电站布局网络建设充电站网络的综合能力,所述预置评价函数为:
f(x)=(ax+b)-pdekt;
其中,a为每一辆电动汽车可产生的利润,x为电动汽车的数量,b为目标地区可承担的建设费用,p为所述电力充电站的饱和数量,d为每个所述电力充电站的建设价格,k为电动汽车增长比例参数,f(x)≥0时表示目标地区具备所述综合能力。
6.一种电力充电站选址布局装置,其特征在于,包括:
重定义模块,用于根据预置地区信息数据更新目标地区的预置空间小网格地图的地域类型,得到重新定义的城区小网格地图;
数量确定模块,用于通过电力充电站的预置服务半径估算所述城区小网格地图中的最佳电力充电站数量;
位置确定模块,用于结合曼哈顿距离算法和K-Means算法确定每一个电力充电站在所述城区小网格地图中的最佳位置,得到电力充电站布局网络;
预测模块,用于通过预置Logistic模型对电动汽车未来的发展规模进行预测,得到电动汽车发展数据,所述电动汽车发展数据包括数量占比和增长率;
更新模块,用于根据所述数量占比和所述增长率更新所述最佳电力充电站数量,触发所述位置确定模块,得到更新的电力充电站布局网络。
7.根据权利要求6所述的电力充电站选址布局装置,其特征在于,还包括:
预处理模块,用于对目标地区的初始地图进行网格化处理,得到大网格地图;
根据所述大网格地图中的预置人口密度和预置人均GDP进行最小二乘法拟合,得到目标地区的所述预置空间小网格地图。
8.根据权利要求6所述的电力充电站选址布局装置,其特征在于,所述位置确定模块,具体包括:
质心子模块,用于根据预置改进畸变函数计算所述城区小网格地图中各网格的质心,所述预置改进畸变函数为:
J(c,μ)=maxi||x(i)-μc(i)||∞;
所述预置改进畸变函数通过结合曼哈顿距离公式和K-Means算法的畸变函数得到,x(i)为电动汽车样本点,μc(i)为所述质心,c为所选网格;
位置子模块,用于根据所述质心确定每一个电力充电站的所述最佳位置,得到电力充电站布局网络。
10.根据权利要求6所述的电力充电站选址布局装置,其特征在于,还包括:
判断模块,用于根据预置评价函数判断目标地区是否具备按照所述更新的电力充电站布局网络建设充电站网络的综合能力,所述预置评价函数为:
f(x)=(ax+b)-pdekt;
其中,a为每一辆电动汽车可产生的利润,x为电动汽车的数量,b为目标地区可承担的建设费用,p为所述电力充电站的饱和数量,d为每个所述电力充电站的建设价格,k为电动汽车增长比例参数,f(x)≥0时表示目标地区具备所述综合能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294587.7A CN111523714B (zh) | 2020-04-15 | 2020-04-15 | 一种电力充电站选址布局方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294587.7A CN111523714B (zh) | 2020-04-15 | 2020-04-15 | 一种电力充电站选址布局方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523714A true CN111523714A (zh) | 2020-08-11 |
CN111523714B CN111523714B (zh) | 2022-05-03 |
Family
ID=71904012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010294587.7A Active CN111523714B (zh) | 2020-04-15 | 2020-04-15 | 一种电力充电站选址布局方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523714B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257205A (zh) * | 2020-09-25 | 2021-01-22 | 浙江辉博电力设备制造有限公司 | 一种充电站网格选址聚类方法 |
CN112435061A (zh) * | 2020-11-26 | 2021-03-02 | 广东电网有限责任公司 | 基于si传染病模型的电动汽车增长率确定方法和装置 |
CN113139150A (zh) * | 2021-04-02 | 2021-07-20 | 清华大学深圳国际研究生院 | 改进电动汽车充电设施布局的方法及计算机可读存储介质 |
CN113569365A (zh) * | 2021-07-27 | 2021-10-29 | 久瓴(江苏)数字智能科技有限公司 | 供电装置的布置方法、装置及电子设备 |
CN117973817A (zh) * | 2024-04-01 | 2024-05-03 | 交通运输部规划研究院 | 一种干线公路网络公共充电基础设施布局方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880921A (zh) * | 2012-10-16 | 2013-01-16 | 山东电力集团公司电力科学研究院 | 一种电动汽车充电站选址优化方法 |
KR20130089909A (ko) * | 2012-01-11 | 2013-08-13 | 한국항공대학교산학협력단 | 전기버스 충전시설 위치선정방법 |
CN110175780A (zh) * | 2019-05-28 | 2019-08-27 | 广东工业大学 | 一种电动汽车充电站选址方法、***及相关装置 |
CN110348644A (zh) * | 2019-07-18 | 2019-10-18 | 广州市交通规划研究院 | 一种电动汽车充电设施建设需求预测的方法 |
CN110728421A (zh) * | 2019-08-30 | 2020-01-24 | 山东理工大学 | 一种基于充电需求大数据的路网充电优化方法 |
-
2020
- 2020-04-15 CN CN202010294587.7A patent/CN111523714B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130089909A (ko) * | 2012-01-11 | 2013-08-13 | 한국항공대학교산학협력단 | 전기버스 충전시설 위치선정방법 |
CN102880921A (zh) * | 2012-10-16 | 2013-01-16 | 山东电力集团公司电力科学研究院 | 一种电动汽车充电站选址优化方法 |
CN110175780A (zh) * | 2019-05-28 | 2019-08-27 | 广东工业大学 | 一种电动汽车充电站选址方法、***及相关装置 |
CN110348644A (zh) * | 2019-07-18 | 2019-10-18 | 广州市交通规划研究院 | 一种电动汽车充电设施建设需求预测的方法 |
CN110728421A (zh) * | 2019-08-30 | 2020-01-24 | 山东理工大学 | 一种基于充电需求大数据的路网充电优化方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257205A (zh) * | 2020-09-25 | 2021-01-22 | 浙江辉博电力设备制造有限公司 | 一种充电站网格选址聚类方法 |
CN112257205B (zh) * | 2020-09-25 | 2024-04-09 | 浙江辉博电力设备制造有限公司 | 一种充电站网格选址聚类方法 |
CN112435061A (zh) * | 2020-11-26 | 2021-03-02 | 广东电网有限责任公司 | 基于si传染病模型的电动汽车增长率确定方法和装置 |
CN112435061B (zh) * | 2020-11-26 | 2022-11-04 | 广东电网有限责任公司 | 基于si传染病模型的电动汽车增长率确定方法和装置 |
CN113139150A (zh) * | 2021-04-02 | 2021-07-20 | 清华大学深圳国际研究生院 | 改进电动汽车充电设施布局的方法及计算机可读存储介质 |
CN113139150B (zh) * | 2021-04-02 | 2022-11-08 | 清华大学深圳国际研究生院 | 改进电动汽车充电设施布局的方法及计算机可读存储介质 |
CN113569365A (zh) * | 2021-07-27 | 2021-10-29 | 久瓴(江苏)数字智能科技有限公司 | 供电装置的布置方法、装置及电子设备 |
CN113569365B (zh) * | 2021-07-27 | 2024-02-27 | 久瓴(江苏)数字智能科技有限公司 | 供电装置的布置方法、装置及电子设备 |
CN117973817A (zh) * | 2024-04-01 | 2024-05-03 | 交通运输部规划研究院 | 一种干线公路网络公共充电基础设施布局方法 |
CN117973817B (zh) * | 2024-04-01 | 2024-06-28 | 交通运输部规划研究院 | 一种干线公路网络公共充电基础设施布局方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111523714B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523714B (zh) | 一种电力充电站选址布局方法及装置 | |
Bi et al. | Estimating remaining driving range of battery electric vehicles based on real-world data: A case study of Beijing, China | |
CN110222907B (zh) | 电动汽车充电站规划方法及终端设备 | |
CN114297809A (zh) | 一种电动汽车充电站选址定容方法 | |
CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
CN108932561B (zh) | 一种考虑非线性充电函数的电动汽车充电路径选择方法 | |
CN112487622B (zh) | 电动汽车充电桩的选址定容方法、装置及终端设备 | |
CN111311122A (zh) | 面向智慧城市的充电站建设方法 | |
CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
Hu et al. | Data driven optimization for electric vehicle charging station locating and sizing with charging satisfaction consideration in urban areas | |
Li et al. | Electric vehicle’s impacts on China’s electricity load profiles based on driving patterns and demographics | |
CN111199320A (zh) | 基于出行概率矩阵的电动汽车充电负荷时空分布预测方法 | |
Chandrashekar et al. | Development of E-rickshaw driving cycle (ERDC) based on micro-trip segments using random selection and K-means clustering techniques | |
CN112115385A (zh) | 一种考虑充电时间的单向共享汽车***选址优化方法 | |
Liu et al. | Modelling the energy consumption of electric vehicles under uncertain and small data conditions | |
CN110543976A (zh) | 一种基于遗传算法的充电站布局优化方法 | |
CN112364293A (zh) | 考虑城市职能区的电动汽车所需充电量预测方法和装置 | |
CN115496275A (zh) | 城市交通碳排放预测方法、装置、电子设备和存储介质 | |
Qiao et al. | Fast-charging station location problem: A two-phase approach with mathematical program with equilibrium constraints considering charging choice behaviour | |
Dong et al. | Optimal placement of charging stations for electric taxis in urban area with profit maximization | |
CN111784027A (zh) | 计及地理信息的城市范围电动汽车充电需求预测方法 | |
CN116542377A (zh) | 一种电动汽车充电站的规划方法 | |
CN110674988A (zh) | 一种基于电动汽车出行大数据的城区充电站规划方法 | |
CN115907128A (zh) | 一种高速公路年尺度用电负荷预测方法及装置 | |
CN115330043A (zh) | 一种城市充电站的选址规划方法及*** |
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 |