CN112085381A - 一种多目标优化的电动汽车充电站规划方法 - Google Patents

一种多目标优化的电动汽车充电站规划方法 Download PDF

Info

Publication number
CN112085381A
CN112085381A CN202010928122.2A CN202010928122A CN112085381A CN 112085381 A CN112085381 A CN 112085381A CN 202010928122 A CN202010928122 A CN 202010928122A CN 112085381 A CN112085381 A CN 112085381A
Authority
CN
China
Prior art keywords
demand
domain
charging station
domains
planning
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
Application number
CN202010928122.2A
Other languages
English (en)
Other versions
CN112085381B (zh
Inventor
周世濂
陈勇
朱培坤
陈章勇
李龙芳
贲树俊
顾乡
张颖
李楠
宗强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Electric Power Design Institute Co ltd
University of Electronic Science and Technology of China
Original Assignee
Nantong Electric Power Design Institute Co ltd
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Electric Power Design Institute Co ltd, University of Electronic Science and Technology of China filed Critical Nantong Electric Power Design Institute Co ltd
Priority to CN202010928122.2A priority Critical patent/CN112085381B/zh
Publication of CN112085381A publication Critical patent/CN112085381A/zh
Application granted granted Critical
Publication of CN112085381B publication Critical patent/CN112085381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Water Supply & Treatment (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种多目标优化的电动汽车充电站规划方法，其多目标主要包括：该地区的人口密度、电动汽车保有量、交通状况和配电容量。该方法包括：1)确定需要规划的充电站与充电桩的个数；2)为该地区划分需求域，其中需求域根据车辆密集地进行划分；3)根据该地区的人口密度、电动汽车保有量、交通状况和配电容量建立多目标函数；4)利用大数据分析方法求出各个需求域的需求裕度值，并对各个需求域的需求裕度值进行从大到小排序；5)根据规划充电站的个数选择需求域度值最大的几个需求域为充电站规划区，并由选定需求域的需求域度值比例确定充电桩的个数。本发明规划充电站简单方便，能快速地获得充电站规划布局的最优方案。

Description

一种多目标优化的电动汽车充电站规划方法
技术领域
本发明属于充电站规划技术领域，更为具体地讲，涉及一种多目标优化的电动汽车充电站规划方法。
背景技术
随着电动汽车发展突飞猛进，充电基础设施建设滞后日益凸显，甚至已影响到电动汽车的进一步发展。为此，国家多部委联合督促推进充电基础设施建设。故充电市场在2017年实现了爆发式增长。中国电动汽车充电基础设施促进联盟统计数据显示，截止到2017年末，中国新能源汽车保有量超过170万辆，约占全球保有量的55％，公共充电桩和私人充电桩总量超过44万个，这一数量是2014年底的14倍。
然而，在充电桩数量快速发展的背后，国家能源局副局长刘宝华指出，“整体利用率不足15％”。目前，国内新能源汽车车桩比为3.5:1，远低于1:1的建设目标。而充电市场面临的现状是，一方面是充电基础设施仍需大力建设，另一方后面却是大批闲置的充电桩。国内与国际上对于充电站、充电桩的规划都还没有一个统一的国际标准，很多规划方案规划效果不理想、充电站和充电桩的规划位置和数目不合理、规划成本也较高，从而导致车主充电难。
发明内容
为了解决上述问题，本发明目的在于提供一种多目标优化的电动汽车充电站规划方法。
为了达到上述目的，本发明提供的多目标优化的电动汽车充电站规划方法，其多目标包括该地区的人口密度、电动汽车保有量、交通状况和配电容量。其特征在于包括以下实施步骤：
步骤1：确定需要规划的充电站与充电桩的个数；
步骤2：为该地区划分需求域，其中需求域根据工业区、商业区、居民区、医疗卫生区、车站等车辆密集地进行划分；
步骤3：根据该地区的人口密度、电动汽车保有量、交通状况和配电容量建立多目标函数；
步骤4：利用大数据分析方法求出各个需求域的需求裕度值，并对各个需求域的需求裕度值进行从大到小排序；
步骤5：根据规划充电站的个数选择需求域度值最大的几个需求域为充电站规划区，并由选定需求域的需求域度值比例确定充电桩的个数。
所述步骤1，确定需要规划的充电站个数为a，充电桩的个数为b。
所述步骤2包括以下步骤：
步骤2-1：根据该地区的工业区、商业区、居民区、医疗卫生区、车站等车辆密集地进行划分需求域，所述的各个需求域互不重叠，具有独立性，每个需求域最多规划一个充电站；
步骤2-2：确定需求域的个数为n。
所述步骤3包括以下步骤：
步骤3-1：确定各个需求域的人口密度、电动汽车保有量、交通状况和配电容量等相关信息；
步骤3-2：建立多目标函数；
这里多目标函数为：
Figure BDA0002669182810000021
其中，
Figure BDA0002669182810000022
Figure BDA0002669182810000023
Figure BDA0002669182810000024
Figure BDA0002669182810000025
式(1)中，Fi(t)为第i个需求域t时刻的目标函数向量，fi1(t)表示第i个需求域t时刻人口密度占总需求域的比例，fi2(t)表示第i个需求域t时刻的电动汽车保有量占总需求域的比例，fi3(t)表示第i个需求域t时刻的交通畅通率，fi4(t)表示第i个需求域t时刻的电负荷率；式(2)中，Pi(t)表示第i个需求域t时刻的人口密度，n表示该地区有n个需求域；式(3)中，Ci(t)表示第i个需求域t时刻的电动汽车保有量；式(4)中，Vi(t)表示第i个需求域t时刻汽车行驶的时速，Vi表示第i个需求域的道路设计时速；式(5)中，Ei(t)表示第i个需求域t时刻电消耗量的实时值，Ei表示第i个需求域配电容量的设计值。
步骤3-4：写出限制条件：
0<fik(t)<1，k＝1,2,3,4 (6)
式(6)中各个需求域的人口密度、电动汽车保有量、交通状况和配电容量的比例系数都应限制在(0,1)之间，且越大越可能是充电站规划域。
所述步骤4包括以下步骤：
步骤4-1：用大数据的分析方法，对各个需求域一周的数据进行大数据分析，分别算出每个需求域每天的目标函数向量Fi(t)；
步骤4-2：分别算出各个需求域的目标函数fi1(t)、fi2(t)、fi3(t)、fi4(t)的周平均值
Figure BDA0002669182810000031
步骤4-3：用熵值法确定每个目标函数周平均值的权重，并算出各个需求域的需求裕度值Si；
步骤4-4：将计算出的各个需求域的需求裕度值从大到小排列。
所述步骤5包括以下步骤：
步骤5-1：从n个需求域中选择最大的a个需求域度值的需求域作为充电站的规划区；
步骤5-2：根据这a个需求域的需求域度值的比值，分别确定每个充电站规划区的充电桩的个数。
所述步骤5-2包括以下步骤：
步骤5-2-1：分别用式(7)计算a个需求域的需求裕度值的比值；
Figure BDA0002669182810000032
式(7)中，Pi表示选出的第i个规划充电站的需求域的需求域度值占选出的规划充电站的需求域的需求域度值总和的比值；
步骤5-2-2：分别用式(8)计算各个充电站的充电桩规划个数；
Ni＝Pi*b (8)
式(8)中，Ni表示规划的第i个充电站需要配备的充电桩的个数。
本发明提供的一种多目标优化的电动汽车充电站规划方法，根据人流和车流的情况划分需求域，对每个需求域综合考虑到了交通状况信息、人口密度信息、电动汽车保有量信息和配电容量信息的约束来进行充电站的规划。本发明规划充电站简单方便，降低规划成本，提升了规划效率，能快速地获得充电站规划布局的有效方案。
本发明的目的是这样实现的。
本发明多目标优化的电动汽车充电站规划方法，其多目标主要包括：该地区的人口密度、电动汽车保有量、交通状况和配电容量。该方法包括：1)确定需要规划的充电站与充电桩的个数；2)为该地区划分需求域，其中需求域根据工业区、商业区、居民区、医疗卫生区、车站等车辆密集地进行划分；3)根据该地区的人口密度、电动汽车保有量、交通状况和配电容量建立多目标函数；4)利用大数据分析方法求出各个需求域的需求裕度值，并对各个需求域的需求裕度值进行从大到小排序；5)根据规划充电站的个数选择需求域度值最大的几个需求域为充电站规划区，并由选定需求域的需求域度值比例确定充电桩的个数。本发明规划充电站简单方便，能快速地获得充电站规划布局的最优方案。
附图说明
图1是本发明多目标优化的电动汽车充电站规划方法一种具体实施方式的流程图；
图2是本发明中熵值法确定各目标函数平均值权重及需求裕度值的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例：
请参阅图1和图2，下面对本发明的具体实施方式作详细说明。
当前的电动汽车充电站规划没能综合考虑规划区域的人口密度、电动汽车保有量、交通状况信息和配电容量信息。然而以上的几个因素对电动汽车充电站的正常运营都有显著的影响。
因此，电动汽车充电站的规划需要综合考虑规划区域的人口密度、电动汽车保有量、交通状况信息和配电容量信息。针对上述问题，如图1所示的一种多目标优化的电动汽车充电站规划方法的流程图，包括以下步骤：
步骤1：根据电动汽车充电站的财政预算确定好需要规划的充电站的数目和充电桩的数目。
这里假设确定要规划的充电站的数目为a、充电桩的数目为b。
步骤2：为需要规划充电站的地区划分需求域，其中需求域根据工业区、商业区、居民区、医疗卫生区、车站等车辆密集地进行划分，所述的各个需求域互不重叠，具有独立性，每个需求域最多规划一个充电站。
这里假设划分的需求域的个数为n。
步骤3：根据该地区的人口密度、电动汽车保有量、交通状况和配电容量建立多目标函数及约束条件。
确定各个需求域的人口密度、电动汽车保有量、交通状况和配电容量等相关信息建立多目标函数，其表达式为：
Figure BDA0002669182810000051
其中，
Figure BDA0002669182810000052
Figure BDA0002669182810000053
Figure BDA0002669182810000054
Figure BDA0002669182810000055
上式(1)中，Fi(t)为第i个需求域t时刻的目标函数向量，fi1(t)表示第i个需求域t时刻人口密度占总需求域的比例，fi2(t)表示第i个需求域t时刻的电动汽车保有量占总需求域的比例，fi3(t)表示第i个需求域t时刻的交通畅通率，fi4(t)表示第i个需求域t时刻的电负荷率；式(2)中，Pi(t)表示第i个需求域t时刻的人口密度，n表示该地区有n个需求域；式(3)中，Ci(t)表示第i个需求域t时刻的电动汽车保有量；式(4)中，Vi(t)表示第i个需求域t时刻汽车行驶的时速，Vi表示第i个需求域的道路设计时速；式(5)中，Ei(t)表示第i个需求域t时刻电消耗量的实时值，Ei表示第i个需求域配电容量的设计值。
写出限制条件:
0<fik(t)<1，k＝1,2,3,4 (6)
式(6)中各个需求域的人口密度、电动汽车保有量、交通状况和配电容量的比例系数都应限制在(0,1)之间，且越大越可能是充电站规划域。
步骤4：利用大数据分析方法求出各个需求域的需求裕度值，并对各个需求域的需求裕度值进行从大到小排序。
这里用大数据的分析方法，对各个需求域一周的数据进行大数据分析，分别算出每个需求域每天的目标函数向量Fi(t)；
用所划分的需求域一周的目标函数向量Fi(t)的值分别算出各个需求域的目标函数fi1(t)、fi2(t)、fi3(t)、fi4(t)的周平均值
Figure BDA0002669182810000061
这里用熵值法来优化权重确定需求裕度值，基于上述实施例，步骤4的熵值法具体步骤如下：
步骤4-1：可将以上n个需求域的所有参数周平均值罗列成矩阵A；
其中，矩阵A为：
Figure BDA0002669182810000062
这里
Figure BDA0002669182810000063
为第i个需求域的第j个目标函数的周平均值的数值(i＝1,2,…，n；j＝1,2,3,4)。
步骤4-2：对矩阵A中的所有指标进行归一化处理；
Figure BDA0002669182810000064
则
Figure BDA0002669182810000065
为归一化后的第i个需求域的第j个目标函数的周平均值的数值(i＝1,2,…,n；j＝1,2,3,4)，归一化后的数据仍记为
Figure BDA0002669182810000066
步骤4-3：计算第j个目标函数的周平均值下第i个需求域占该周平均值的比重：
Figure BDA0002669182810000067
步骤4-4：计算第j项周平均值的熵值：
Figure BDA0002669182810000068
其中k＝1/ln(n)，满足ej≥0。
步骤4-5：计算信息熵的冗余度：
dj＝1-ej (11)
步骤4-6：计算各个目标函数的周平均值的权值：
Figure BDA0002669182810000071
步骤4-7：计算各个需求域的需求裕度值：
Figure BDA0002669182810000072
步骤5：因为需要规划a个充电站，所以只需要从n个需求域中选择最大的a个需求域度值的需求域作为规划的充电站。
根据这a个需求域的需求域度值的比值，分别确定每个充电站规划区的充电桩的个数，具体步骤如下。
步骤5-1：分别用式(14)计算a个需求域的需求裕度值的比值；
Figure BDA0002669182810000073
式(14)中，Pi表示选出的第i个规划充电站的需求域的需求域度值占选出的规划充电站的需求域的需求域度值总和的比值；
步骤5-2：分别用式(15)计算各个充电站的充电桩个规划个数；
Ni＝Pi*b (15)
式(15)中，Ni表示规划的第i个充电站需要配备的充电桩的个数，b是确定规划的总充电桩数。
具体地，本发明实施例中的步骤与操作计算流程与上述方法类实施例是一一对应的，在此不再赘述。
本发明实施例提供的一种多目标优化的电动汽车充电站规划方法，通过以该地区的人口密度、电动汽车保有量、交通状况和配电容量为多目标建立多目标函数，对根据该地区的工业区、商业区、居民区、医疗卫生区、车站等车辆密集地进行划分需求域进行大数据的分析方法并结合熵值法对权值的优化最终得出每个需求域的需求裕度值。综合考虑到了交通状况和用电状况的随机性，有效地降低了规划成本，比传统的充电站的规划方法更方便快捷。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (7)

1.一种多目标优化的电动汽车充电站规划方法，其特征在于，包括以下步骤：
步骤1：确定需要规划的充电站与充电桩的个数；
步骤2：为该地区划分需求域，其中需求域根据工业区、商业区、居民区、医疗卫生区、车站等车辆密集地进行划分；
步骤3：根据该地区的人口密度、电动汽车保有量、交通状况和配电容量建立多目标函数；
步骤4：利用大数据分析方法求出各个需求域的需求裕度值，并对各个需求域的需求裕度值进行从大到小排序；
步骤5：根据规划充电站的个数选择需求裕度值最大的几个需求域为充电站规划区，并由选定需求域的需求裕度值比例确定充电桩的个数。
2.根据权利要求1所述一种多目标的电动汽车充电站规划方法，其特征在于，步骤1所述确定需要规划的充电站个数为a，充电桩的个数为b。
3.根据权利要求1所述一种多目标优化的电动汽车充电站规划方法，其特征在于，所述的步骤2的具体步骤为：
步骤2-1：根据该地区的工业区、商业区、居民区、医疗卫生区、车站等车辆密集地进行划分需求域，所述的各个需求域互不重叠，具有独立性，每个需求域最多规划一个充电站；
步骤2-2：确定需求域的个数为n。
4.根据权利要求1所述一种多目标优化的电动汽车充电站规划方法，其特征在于，所述的步骤3的具体步骤为：
步骤3-1：确定各个需求域的人口密度、电动汽车保有量、交通状况和配电容量等相关信息；
步骤3-2：建立多目标函数；
这里，多目标函数为：
Figure FDA0002669182800000011
其中，
Figure FDA0002669182800000021
Figure FDA0002669182800000022
Figure FDA0002669182800000023
Figure FDA0002669182800000024
式(1)中，Fi(t)为第i个需求域t时刻的目标函数向量，fi1(t)表示第i个需求域t时刻人口密度占总需求域的比例，fi2(t)表示第i个需求域t时刻的电动汽车保有量占总需求域的比例，fi3(t)表示第i个需求域t时刻的交通畅通率，fi4(t)表示第i个需求域t时刻的电负荷率；式(2)中，Pi(t)表示第i个需求域t时刻的人口密度，n表示该地区有n个需求域；式(3)中，Ci(t)表示第i个需求域t时刻的电动汽车保有量；式(4)中，Vi(t)表示第i个需求域t时刻汽车行驶的时速，Vi表示第i个需求域的道路设计时速；式(5)中，Ei(t)表示第i个需求域t时刻电消耗量的实时值，Ei表示第i个需求域配电容量的设计值；
步骤3-4：写出限制条件
0＜fik(t)＜1，k＝1，2，3，4 (6)
式(6)中各个需求域的人口密度、电动汽车保有量、交通状况和配电容量的比例系数都应限制在(0，1)之间，且越大越可能是充电站规划域。
5.根据权利要求1所述一种多目标优化的电动汽车充电站规划方法，其特征在于，所述的步骤4的具体步骤为：
步骤4-1：用大数据的分析方法，对各个需求域一周的数据进行大数据分析，分别算出每个需求域每天的目标函数向量Fi(t)；
步骤4-2：分别算出各个需求域的目标函数fi1(t)、fi2(t)、fi3(t)、fi4(t)的周平均值
Figure FDA0002669182800000025
步骤4-3：用熵值法确定每个目标函数周平均值的权重，并算出各个需求域的需求裕度值Si；
步骤4-4：将计算出的各个需求域的需求裕度值从大到小排列。
6.根据权利要求1所述一种多目标优化的电动汽车充电站规划方法，其特征在于，所述的步骤5的具体步骤为：
步骤5-1：从n个需求域中选择最大的a个需求域度值的需求域作为充电站的规划区；
步骤5-2：根据这a个需求域的需求域度值的比值，分别确定每个充电站规划区的充电桩的个数。
7.根据权利要求1所述一种多目标优化的电动汽车充电站规划方法，其特征在于，所述的步骤5-2的具体步骤为：
步骤5-2-1：分别用式(6)计算a个需求域的需求裕度值的比值；
Figure FDA0002669182800000031
式(6)中，Pi表示选出的第i个规划充电站的需求域的需求域度值占选出的规划充电站的需求域的需求域度值总和的比值；
步骤5-2-2：分别用式(7)计算各个充电站的充电桩规划个数；
Ni＝Pi*b (8)
式(7)中，Ni表示规划的第i个充电站需要配备的充电桩的个数。
CN202010928122.2A 2020-09-07 2020-09-07 一种多目标优化的电动汽车充电站规划方法 Active CN112085381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010928122.2A CN112085381B (zh) 2020-09-07 2020-09-07 一种多目标优化的电动汽车充电站规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010928122.2A CN112085381B (zh) 2020-09-07 2020-09-07 一种多目标优化的电动汽车充电站规划方法

Publications (2)

Publication Number Publication Date
CN112085381A true CN112085381A (zh) 2020-12-15
CN112085381B CN112085381B (zh) 2023-06-30

Family

ID=73732717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010928122.2A Active CN112085381B (zh) 2020-09-07 2020-09-07 一种多目标优化的电动汽车充电站规划方法

Country Status (1)

Country Link
CN (1) CN112085381B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777517A (zh) * 2023-07-27 2023-09-19 苏州德博新能源有限公司 一种电池箱位置确定方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109800940A (zh) * 2018-12-03 2019-05-24 北京掌行通信息技术有限公司 一种充电桩选址方法及装置
CN110046753A (zh) * 2019-03-29 2019-07-23 江苏大学 一种电动汽车充电站最优建设数量和选址方案规划方法
CN110363438A (zh) * 2019-07-18 2019-10-22 广州市交通规划研究院 一种电动汽车充电设施建设的选址方法
CN110458329A (zh) * 2019-07-11 2019-11-15 南京邮电大学 一种电动汽车充电站选址定容方法
CN111311122A (zh) * 2020-03-23 2020-06-19 广东工业大学 面向智慧城市的充电站建设方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109800940A (zh) * 2018-12-03 2019-05-24 北京掌行通信息技术有限公司 一种充电桩选址方法及装置
CN110046753A (zh) * 2019-03-29 2019-07-23 江苏大学 一种电动汽车充电站最优建设数量和选址方案规划方法
CN110458329A (zh) * 2019-07-11 2019-11-15 南京邮电大学 一种电动汽车充电站选址定容方法
CN110363438A (zh) * 2019-07-18 2019-10-22 广州市交通规划研究院 一种电动汽车充电设施建设的选址方法
CN111311122A (zh) * 2020-03-23 2020-06-19 广东工业大学 面向智慧城市的充电站建设方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
葛少云;冯亮;刘洪;王龙;: "电动汽车充电站规划布局与选址方案的优化方法", 中国电力, no. 11 *
董彦君;闫志杰;马喜平;刘丽娟;张蕊萍;董海鹰;: "基于加权Voronoi图和自适应PSO算法的电动汽车充换电站联合规划", 电源学报, no. 04 *
韩一鸣;康健强;曹建莉;: "城市电动汽车充电站规划――以长春为例", 汽车实用技术, no. 08 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777517A (zh) * 2023-07-27 2023-09-19 苏州德博新能源有限公司 一种电池箱位置确定方法
CN116777517B (zh) * 2023-07-27 2024-06-04 苏州德博新能源有限公司 一种电池箱位置确定方法

Also Published As

Publication number Publication date
CN112085381B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
Xu et al. Greenhouse gas emissions of electric vehicles in Europe considering different charging strategies
Zhou et al. A geographical information system based multi-criteria decision-making approach for location analysis and evaluation of urban photovoltaic charging station: A case study in Beijing
Xydas et al. A data-driven approach for characterising the charging demand of electric vehicles: A UK case study
CN103679299B (zh) 兼顾车主满意度的电动汽车最优峰谷分时电价定价方法
CN106651059B (zh) 一种电动汽车充电站优化配置的方法
CN103177395B (zh) 一种基于社会期望的智能配电网节能减排综合评价方法
Han et al. Ordered charge control considering the uncertainty of charging load of electric vehicles based on Markov chain
Baran et al. The introduction of electric vehicles in Brazil: Impacts on oil and electricity consumption
Unterluggauer et al. Short‐term load forecasting at electric vehicle charging sites using a multivariate multi‐step long short‐term memory: A case study from Finland
Park et al. Impact of electric vehicle penetration-based charging demand on load profile
CN107067149A (zh) 一种评估调峰约束下电网购电组合收益及风险的方法
CN115115268B (zh) 基于路电耦合与低碳约束的电动汽车充电桩容量规划方法
Zhang et al. Data-driven cooling, heating and electrical load prediction for building integrated with electric vehicles considering occupant travel behavior
CN108596667A (zh) 一种基于车联网的电动汽车实时充电电价计算方法
CN106877339A (zh) 一种考虑电动汽车接入配电网后随机模糊潮流的分析方法
CN110533222A (zh) 基于峰平谷电价的电动汽车充电负荷预测方法及装置
CN106408134A (zh) 一种基于k‑means算法的电动汽车应急供电方法
CN112987617A (zh) 近零能耗建筑数字化管理***及能效监测方法
Li et al. Dynamic pricing based electric vehicle charging station location strategy using reinforcement learning
CN110059869B (zh) 一种基于交通流量的充电站与配电网协调规划方法
Ayyadi et al. Optimal framework to maximize the workplace charging station owner profit while compensating electric vehicles users
Li et al. Long duration flexibility planning challenges and solutions for power system with ultra high share of renewable energy
CN112085381A (zh) 一种多目标优化的电动汽车充电站规划方法
Zeng et al. Optimal configuration planning of vehicle sharing station-based electro-hydrogen micro-energy systems for transportation decarbonization
Chen et al. Spatiotemporal analysis of line loss rate: A case study in China

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