CN113672857A - 一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法 - Google Patents
一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法 Download PDFInfo
- Publication number
- CN113672857A CN113672857A CN202110918031.5A CN202110918031A CN113672857A CN 113672857 A CN113672857 A CN 113672857A CN 202110918031 A CN202110918031 A CN 202110918031A CN 113672857 A CN113672857 A CN 113672857A
- Authority
- CN
- China
- Prior art keywords
- hydrogen
- hydrogenation
- station
- vehicle
- alternative address
- 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
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 226
- 239000001257 hydrogen Substances 0.000 title claims abstract description 226
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 209
- 238000005984 hydrogenation reaction Methods 0.000 title claims abstract description 129
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 claims abstract description 18
- 239000002245 particle Substances 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 150000002431 hydrogen Chemical class 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 125000004435 hydrogen atom Chemical group [H]* 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000013016 learning Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000009326 social learning Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
- B60S5/00—Servicing, maintaining, repairing, or refitting of vehicles
- B60S5/02—Supplying fuel to vehicles; General disposition of plant in filling stations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Algebra (AREA)
- Mechanical Engineering (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
Abstract
本发明提供了一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法,从加氢需求与成本两方面入手建立了目标优化问题,结合氢能源汽车大数据与适合的算法,为解决上述优化问题提供了有效的途径。在选定加氢站位置的同时,本发明全面考虑氢能源汽车加氢行为、加氢站备选地址的加氢需求以及氢能源的生产、储存、运输成本与车辆加氢成本等多因素,从而克服了加氢站与制氢厂选址不相互配合,影响加氢效率的技术问题,并具有现有技术中所不具备的诸多有益效果。
Description
技术领域
本发明属于氢能产业设施规划技术领域,尤其涉及一种基于氢能源汽车、制氢厂等氢能应用相关大数据实现的加氢站选址方法。
背景技术
氢能源作为一种真正意义上的清洁能源,是新能源技术领域的重要发展方向之一,在近年来也受到了国家大力推动,在部分示范运营城市的氢能源车保有量已经达到上千辆的规模。但在现阶段的新能源汽车领域中,锂电池等化学电池仍是主流能源,且围绕化学电池的产业整体也正逐步完善,以电网、充电设施、车辆为节点的发电、输电和供电网络已出具规模。虽然氢能源相对于其他新能源具有诸多优势,受限于当前氢能产业链建设起步不久,加氢设施与制氢厂等基础配套相对滞后,氢能源汽车的燃料供应成为了当前面临的主要难题,一定程度上阻碍了氢能源车辆的使用与推广效率。
现阶段的加氢站选址存在以下两个主要问题:
1、加氢站的位置选择与氢能源汽车的分布区域不匹配,无法满足车辆就近加氢需求,氢能源汽车经常需要从很远的地方跑过来进行加氢,加完后再返回用车目的地,降低了车辆的使用效率。
2、加氢站与制氢厂的辐射范围不匹配,目前制氢厂的服务覆盖距离为200-250公里,但其与加氢站的选址的主要依据仍停留在城市建设规划,而未考虑到两者之间的相互覆盖,对于距离远的加氢站无法提供充足的氢气供应,导致加氢站氢源经常紧张,影响加氢站运营。
因此,如何解决上述加氢站与制氢厂选址的问题,针对制氢厂的辐射区域提供适合的加氢站选址方法,以满足氢能源的供需平衡,是本领域中亟待解决的技术问题。
发明内容
针对上述本领域中所存在的技术问题,本发明提供了一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法,具体包括以下步骤:
步骤一、通过氢能源汽车大数据平台对某区域内的氢能源汽车运行数据进行采集,获取每辆车的包括日平均里程、日平均用氢量、车辆运行区域分布、不同位置节点的氢余量、车辆加氢时间分布等的加氢需求相关信息;
步骤二、针对设置规划的各加氢站备选地址,建立相应加氢站所面对的加氢需求量函数,以加氢站备选地址作为决策变量并以区域内加氢站面对的加氢总需求最大的目标,利用粒子群算法求解得到考虑不同时段和区域加氢需求的最优加氢站备选地址集合;
步骤三、通过氢能源汽车大数据平台采集该区域内制氢厂的包括管束车数量、制氢能力、服务加氢站数量、各制氢厂为中心特定辐射范围的加氢站备选地址、调度策略等的制氢厂运营信息,获取包括各制氢厂满负荷服务情况下的可分配氢量、可调动的管束车数量、可服务的最远距离范围等供氢能力相关信息;
步骤四、考虑氢能源汽车加氢、管束车运氢以、加氢站储氢以及制氢厂生产这几个环节共同的成本建立成本函数,以加氢站备选地址为决策变量并以该成本函数最小为目标,利用利用粒子群算法求解得到考虑成本的最优加氢站备选地址集合;
步骤五、综合求解得到的考虑加氢需求的最优加氢站备选地址集合与考虑成本的最优加氢站备选地址集合,确定最终的加氢站选址集合。
进一步地,步骤二中区域内加氢站面对的加氢总需求最大的目标函数具体采用以下形式:
max∑WOD·y·p
式中,WOD为车辆运行区域从加氢出发节点到备选加氢站地址的交通流量,y为车辆实时加氢需求量,p为车辆选择各备选地址的概率集合,p可表示为以下矩阵的形式:
其中,M,N分别表示氢能源车辆数量以及规划的加氢站备选地址数量,i表示第i个备选地址,j表示第j辆车,pij表示第j辆车前往第i个备选地址处加氢站的概率;
从加氢需求相关信息中提取出包括:(1)车辆特征、(2)加氢站备选地址特征、(3)车辆-加氢站备选地址联合特征的三类数据,将其编码后作为特征向量Xij,建立基于logistic回归的车辆加氢行为预测模型:
其中,WT表示各特征权重,Xij为特征向量值,b为模型偏置值,softmax为归一化函数;利用采集的三类特征的历史数据求解模型参数WT和b,并得到不同条件下的车辆加氢决策概率,即拟合氢能源汽车的加氢行为;
针对上述加氢总需求最大的目标函数,利用粒子群算法求解得到考虑加氢需求的最优加氢站备选地址。
进一步地,上述粒子群算法求解具体实施过程如下:设待建加氢站经纬度坐标xi=(L1i,L2i)i=1,2,3...,50为决策变量,下标中的1、2用于区分经度与纬度,粒子群规模为50;首先随机初始化决策变量,并计算目标函数值,个体极大值为每个粒子的最优解pbest,从50个体中最优解找到全局最优值gbest。与全局最优比较,进行更新,更新公式如下:
vi=ω×vi+c1×rand×(pbesti-xi)+c2×rand×(gbesti-xi)
xi=xi+vi
式中,rand表示区间[0,1]上的随机数,w,c1,c2分别表示惯性因子,个体学习因子以及社会学习因子,并设置为0.8、2、2。当满足更新条件即终止迭代,输出优化后的50个决策变量为最优加氢站备选地址集合。
进一步地,上述车辆特征具体包括:车辆类型T、车辆运行区域分布U、不同位置节点的氢余量S、车辆加氢时间分布t;加氢站备选地址特征具体包括:各备选地址坐标P、各备选地址附近交通密度D;车辆-加氢站备选地址联合特征具体包括:车辆与各备选地址是否在同一线路上B,车辆离各备选地址的距离d,车辆前往各备选地址可选线路的交通状况s。
进一步地,步骤四中氢能源汽车加氢、管束车运氢、加氢站储氢以及制氢厂生产这几个环节共同成本最小的目标函数具体采用以下形式:
其中,ax为运输方式x的成本系数,表示采用第x种运输方式时单位距离的运输费用;dij为第i个备选地址到第j个制氢厂的行车距离;bz为加氢站储存方式z的成本系数,即采用z种储存方式时单位氢的储存***、使用***、能耗的总成本;wij为第i个加氢站对第j个制氢厂的氢能源需求量;uj为第j个制氢厂的氢生产成本;ai,i+1为任意两个加氢站备选地址之间的行车距离;D1、D2分别为两加氢站备选地址之间最远距离约束、制氢厂到加氢站最远服务距离;Lj为第j个制氢厂的产能限制;K为不可建加氢站区域;N为可调动的管束车数量;
针对上述成本最小的目标函数,仿照步骤二求解过程,更换目标函数和条件约束,利用粒子群算法求解得到考虑成本的最优加氢站备选地址。
进一步地,步骤五具体包括:针对得到的考虑加氢需求的最优加氢站备选地址集合Y1与考虑成本的最优加氢站备选地址集合Y2,遍历Y1中任意备选地址坐标(x1,y1)与Y2中任意备选地址坐标(x2,y2)之间的距离,并以小于预定值为指标,确定出综合最优加氢站备选地址集合,结合实际情况调整确定最终的加氢站选址集合。
上述本发明所提供的方法,从加氢需求与成本两方面入手建立了目标优化问题,结合氢能源汽车大数据与适合的算法,为解决上述优化问题提供了有效的途径。在选定加氢站位置的同时,本发明全面考虑氢能源汽车加氢行为、加氢站备选地址的加氢需求以及氢能源的生产、储存、运输成本与车辆加氢成本等多因素,从而克服了加氢站与制氢厂选址不相互配合,影响加氢效率的技术问题,并具有现有技术中所不具备的诸多有益效果。
附图说明
图1为本发明所提供方法的总体流程示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所提供的一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法,具体包括以下步骤:
步骤一、通过氢能源汽车大数据平台对某区域内的氢能源汽车运行数据进行采集,获取每辆车的包括日平均里程、日平均用氢量、车辆运行区域分布、不同位置节点的氢余量、车辆加氢时间分布等的加氢需求相关信息;
步骤二、针对设置规划的各加氢站备选地址,建立相应加氢站所面对的加氢需求量函数,以加氢站备选地址作为决策变量并以区域内加氢站面对的加氢总需求最大的目标,利用粒子群算法求解得到考虑不同时段和区域加氢需求的最优加氢站备选地址集合;
步骤三、通过氢能源汽车大数据平台采集该区域内制氢厂的包括管束车数量、制氢能力、服务加氢站数量、各制氢厂为中心特定辐射范围的加氢站备选地址、调度策略等的制氢厂运营信息,获取包括各制氢厂满负荷服务情况下的可分配氢量、可调动的管束车数量、可服务的最远距离范围等供氢能力相关信息;
步骤四、考虑氢能源汽车加氢、管束车运氢以、加氢站储氢以及制氢厂生产这几个环节共同的成本建立成本函数,以加氢站备选地址为决策变量并以该成本函数最小为目标,利用利用粒子群算法求解得到考虑成本的最优加氢站备选地址集合;
步骤五、综合求解得到的考虑加氢需求的最优加氢站备选地址集合与考虑成本的最优加氢站备选地址集合,确定最终的加氢站选址集合。
在本发明的一个优选实施方式中,步骤二中区域内加氢站面对的加氢总需求最大的目标函数目的是保证加氢站建设尽可能符合各车辆的加氢行为,避免部分加氢站建成后被选择的概率和机会较低而造成闲置,同时预防另一部分加氢站发生严重拥挤排队,其具体采用以下形式:
max∑WOD·y·p
式中,WOD为车辆运行区域从加氢出发节点到备选加氢站地址的交通流量,y为车辆实时加氢需求量,p为车辆选择各备选地址的概率集合,p可表示为以下矩阵的形式:
其中,M,N分别表示氢能源车辆数量以及规划的加氢站备选地址数量,i表示第i个备选地址,j表示第j辆车,pij表示第j辆车前往第i个备选地址处加氢站的概率;
在一特定的优选实施例中,从加氢需求相关信息中提取出包括:(1)车辆特征:车辆类型T(离散变量,类别编码)、区域车辆用氢需求量U(连续变量,数值编码)、车辆活动范围分布S(包括活动范围中心位置经纬度,最大活动半径,节点数)、车载不同储氢量的不同位置信息R(提取氢余量分为为100%,95%,…,5%,0%的活动分布,编码为连续变量)、车辆加氢时间分布t(从历史加氢时间提取加氢时钟计数,离散变量,数值编码);(2)加氢站备选地址特征:待建加氢站位置P(经纬度,数值编码),待建加氢站附近交通密度D(连续变量,数值编码);(3)车辆-加氢站备选地址联合特征:车辆跟加氢站是否在同一线路上B(二进制编码,0表示不在同一线路上,1表示在不在同一线路上),车辆离待建加氢站距离d(连续变量,距离越短,数值越小),区域交通状况s(区域交通指数均值)的三类数据,将其编码后作为特征向量,建立基于logistic回归的车辆加氢行为预测模型:
Xij=(T,U,S,R,t,P,D,B,d,s)
其中,WT表示特征权重,Xij为特征值,b为模型偏置值,softmax为归一化函数。利用采集的三类历史数据求解模型参数WT和b,并得到不同条件下的车辆加氢决策概率,即拟合氢能源汽车的加氢行为。
本领域技术人员应当知晓,对三类特征数据的具体选取及编码并不局限于上述特定的方式,上述方式仅是可供选择的但并不对本发明的权利要求保护范围构成限制。在本发明的教导下,选择多样化的特征数据及编码方法均能解决本发明所要解决的技术问题。
针对上述加氢总需求最大的目标函数,利用粒子群算法求解得到考虑加氢需求的最优加氢站备选地址。具体实施过程如下:设待建加氢站经纬度坐标xi=(L1i,L2i)i=1,2,3...,50为决策变量,粒子群规模为50。首先随机初始化决策变量,并计算目标函数值,个体极大值为每个粒子的最优解pbest,从50个体中最优解找到全局最优值gbest。与全局最优比较,进行更新,更新公式如下:
vi=ω×vi+c1×rand×(pbesti-xi)+c2×rand×(gbesti-xi)
xi=xi+vi
式中,rand表示区间[0,1]上的随机数,w,c1,c2分别表示惯性因子,个体学习因子以及社会学习因子,通常设置0.8,2,2。当满足更新条件即终止迭代,输出优化后的50个决策变量为最优加氢站备选地址集合。
本领域技术人员根据本发明的教导也应当知晓,如何以加氢站面对的加氢总需求最大的目标采用其他多种不同的目标函数形式,以及具体选用何种算法进行求解,上述具体采用的目标函数和求解过程并不构成对本发明权利要求保护范围的限制。
在本发明的一个优选实施方式中,上述车辆特征具体包括:车辆类型、车辆运行区域分布、不同位置节点的氢余量、车辆加氢时间分布;加氢站备选地址特征具体包括:各备选地址坐标、各备选地址附近交通密度;车辆-加氢站备选地址联合特征具体包括:车辆与各备选地址是否在同一线路上,车辆离各备选地址的距离,车辆前往各备选地址可选线路的交通状况。当然,本领域技术人员也可根据实际需要,灵活选取车辆特征、加氢站备选地址特征以及车辆-加氢站备选地址联合特征三类数据所具体对应的数据,上述列举出的各特征类型数据并不构成对本发明权利要求保护范围的限制。
在本发明的一个优选实施方式中,步骤四中氢能源汽车加氢、管束车运氢、加氢站储氢以及制氢厂生产这几个环节共同成本最小的目标函数具体采用以下形式:
其中,ax为运输方式x的成本系数,表示采用第x种运输方式时单位距离的运输费用;dij为第i个备选地址到第j个制氢厂的行车距离;bz为加氢站储存方式z的成本系数,即采用z种储存方式时单位氢的储存***、使用***、能耗的总成本;wij为第i个加氢站对第j个制氢厂的氢能源需求量;uj为第j个制氢厂的氢生产成本;di,i+1为任意两个加氢站备选地址之间的行车距离;D1、D2分别为两加氢站备选地址之间最远距离约束、制氢厂到加氢站最远服务距离;Lj为第j个制氢厂的产能限制;K为不可建加氢站区域;N为可调动的管束车数量;
针对上述成本最小的目标函数,仿照步骤二优化求解过程,利用粒子群算法求解得到考虑成本的最优加氢站备选地址。
本领域技术人员根据本发明的教导也应当知晓,如何以成本最小的目标采用其他多种不同的目标函数形式,以及具体选用何种算法进行求解,上述具体采用的目标函数和求解过程并不构成对本发明权利要求保护范围的限制。
在本发明的一个优选实施方式中,步骤五具体包括:针对得到的考虑加氢需求的最优加氢站备选地址集合Y1与考虑成本的最优加氢站备选地址集合Y2,遍历Y1中任意备选地址坐标(x1,y1)与Y2中任意备选地址坐标(x2,y2)之间的距离,并以小于预定值为指标,确定出综合最优加氢站备选地址集合,结合实际情况调整确定最终的加氢站选址集合。
应理解,本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法,其特征在于:具体包括以下步骤:
步骤一、通过氢能源汽车大数据平台对某区域内的氢能源汽车运行数据进行采集,获取每辆车的包括日平均里程、日平均用氢量、车辆运行区域分布、不同位置节点的氢余量、车辆加氢时间分布的加氢需求相关信息;
步骤二、针对设置规划的各加氢站备选地址,建立相应加氢站所面对的加氢需求量函数,以加氢站备选地址作为决策变量并以区域内加氢站面对的加氢总需求最大的目标,利用粒子群算法求解得到考虑不同时段和区域加氢需求的最优加氢站备选地址集合;
步骤三、通过氢能源汽车大数据平台采集该区域内制氢厂的包括管束车数量、制氢能力、服务加氢站数量、各制氢厂为中心特定辐射范围的加氢站备选地址、调度策略的制氢厂运营信息,获取包括各制氢厂满负荷服务情况下的可分配氢量、可调动的管束车数量、可服务的最远距离范围供氢能力相关信息;
步骤四、考虑氢能源汽车加氢、管束车运氢以、加氢站储氢以及制氢厂生产这几个环节共同的成本建立成本函数,以加氢站备选地址为决策变量并以该成本函数最小为目标,利用利用粒子群算法求解得到考虑成本的最优加氢站备选地址集合;
步骤五、综合求解得到的考虑加氢需求的最优加氢站备选地址集合与考虑成本的最优加氢站备选地址集合,确定最终的加氢站选址集合。
2.如权利要求1所述的方法,其特征在于:步骤二中区域内加氢站面对的加氢总需求最大的目标函数具体采用以下形式:
max∑WOD·y·p
式中,WOD为车辆运行区域从加氢出发节点到备选加氢站地址的交通流量,y为车辆实时加氢需求量,p为车辆选择各备选地址的概率集合,p可表示为以下矩阵的形式:
其中,M,N分别表示氢能源车辆数量以及规划的加氢站备选地址数量,i表示第i个备选地址,j表示第j辆车,pij表示第j辆车前往第i个备选地址处加氢站的概率;
从加氢需求相关信息中提取出包括:(1)车辆特征、(2)加氢站备选地址特征、(3)车辆-加氢站备选地址联合特征的三类数据,将其编码后作为特征向量,建立基于logistic回归的车辆加氢行为预测模型pij=F(Xij),F(·)表示预测模型的具体函数方程;利用采集的三类历史数据拟合由所述概率体现的氢能源汽车加氢行为;
针对上述加氢总需求最大的目标函数,利用粒子群算法求解得到考虑加氢需求的最优加氢站备选地址。
3.如权利要求2所述的方法,其特征在于:上述车辆特征具体包括:车辆类型、车辆运行区域分布、不同位置节点的氢余量、车辆加氢时间分布;加氢站备选地址特征具体包括:各备选地址坐标、各备选地址附近交通密度;车辆-加氢站备选地址联合特征具体包括:车辆与各备选地址是否在同一线路上,车辆离各备选地址的距离,车辆前往各备选地址可选线路的交通状况。
4.如权利要求1所述的方法,其特征在于:步骤四中氢能源汽车加氢、管束车运氢、加氢站储氢以及制氢厂生产这几个环节共同成本最小的目标函数具体采用以下形式:
其中,ax为运输方式x的成本系数,表示采用第x种运输方式时单位距离的运输费用;aij为第i个备选地址到第j个制氢厂的行车距离;bz为加氢站储存方式z的成本系数,即采用z种储存方式时单位氢的储存***、使用***、能耗的总成本;wij为第i个加氢站对第j个制氢厂的氢能源需求量;uj为第j个制氢厂的氢生产成本;di,j+1为任意两个加氢站备选地址之间的行车距离;D1、D2分别为两加氢站备选地址之间最远距离约束、制氢厂到加氢站最远服务距离;Lj为第j个制氢厂的产能限制;K为不可建加氢站区域;N为可调动的管束车数量;
针对上述成本最小的目标函数,利用粒子群算法求解得到考虑成本的最优加氢站备选地址。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918031.5A CN113672857A (zh) | 2021-08-11 | 2021-08-11 | 一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918031.5A CN113672857A (zh) | 2021-08-11 | 2021-08-11 | 一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113672857A true CN113672857A (zh) | 2021-11-19 |
Family
ID=78542225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110918031.5A Pending CN113672857A (zh) | 2021-08-11 | 2021-08-11 | 一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113672857A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619132A (zh) * | 2022-09-29 | 2023-01-17 | 哈尔滨工业大学(深圳) | 一种氢能源车的碳导向能源互联网规划方法 |
CN115759568A (zh) * | 2022-10-21 | 2023-03-07 | 大连海事大学 | 一种氢能高速公路加氢站选址规划方法 |
-
2021
- 2021-08-11 CN CN202110918031.5A patent/CN113672857A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619132A (zh) * | 2022-09-29 | 2023-01-17 | 哈尔滨工业大学(深圳) | 一种氢能源车的碳导向能源互联网规划方法 |
CN115619132B (zh) * | 2022-09-29 | 2023-12-26 | 哈尔滨工业大学(深圳) | 一种氢能源车的碳导向能源互联网规划方法 |
CN115759568A (zh) * | 2022-10-21 | 2023-03-07 | 大连海事大学 | 一种氢能高速公路加氢站选址规划方法 |
CN115759568B (zh) * | 2022-10-21 | 2024-01-19 | 大连海事大学 | 一种氢能高速公路加氢站选址规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751314B (zh) | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 | |
Lin et al. | Optimized allocation of scooter battery swapping station under demand uncertainty | |
CN113672857A (zh) | 一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法 | |
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 | |
CN109886468B (zh) | 基于改进的自适应遗传算法的充电站规划方法 | |
CN112115385A (zh) | 一种考虑充电时间的单向共享汽车***选址优化方法 | |
CN114285063B (zh) | 一种基于短期碳排放因子的电动汽车减碳智能充电方法 | |
Luo et al. | Location and capacity model of charging station for electric vehicles based on commuting demand | |
CN115879657A (zh) | 考虑多站点容量设计的电动车换电站选址路径优化方法 | |
Zhou et al. | Design and optimization of electric autonomous vehicles with renewable energy source for smart cities | |
CN114936666A (zh) | 基于车-站-平台***的电动汽车充电导航方法及*** | |
Zhou et al. | Design and optimization of solar-powered shared electric autonomous vehicle system for smart cities | |
CN114418497A (zh) | 基于混合麻雀算法的物流路径优化方法 | |
Li et al. | Route optimization of electric vehicles based on reinsertion genetic algorithm | |
Zhao et al. | Location decision of electric vehicle charging station based on a novel grey correlation comprehensive evaluation multi-criteria decision method | |
CN110929950B (zh) | 一种电动汽车负荷预测方法及*** | |
CN110738848B (zh) | 一种考虑时变路阻信息的电动汽车导航方法 | |
CN117172861A (zh) | 基于用户负荷差异与空间约束的移动充电动态定价方法 | |
CN116362523A (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 | |
CN115759779A (zh) | 电动汽车充换电站选址方法、电子设备及存储介质 | |
Pal et al. | Allocation of EV public charging station in renewable based distribution network using HHO considering uncertainties and traffic congestion | |
CN115239004A (zh) | 一种基于充电需求预测的充电停车场选址定容优化方法 | |
CN111369741B (zh) | 一种电力市场下多停车场共享车位与电动汽车撮合*** | |
Liu et al. | An MHO approach for electric bus charging scheme optimization based on energy consumption estimation | |
CN115438840B (zh) | 一种平均等待时间可控的电动汽车换电站选址优化方法 |
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 |