CN117172861A - 基于用户负荷差异与空间约束的移动充电动态定价方法 - Google Patents

Abstract

本发明提供了基于用户负荷差异与空间约束的移动充电动态定价方法，所述方法包括：步骤S1：将移动充电服务的运营区域进行等边六边形划分；步骤S2：获取运营区域内网约车的轨迹数据并进行数据预处理；步骤S3：将处理后的网约车轨迹数据进行地图匹配，得到各个六边形区域内交通流量分布，并基于处理后的轨迹数据进行转化得到各区域内充电需求分布；步骤S4：通过收集各区域的充电需求分布与空闲移动充电车数量，构建移动充电动态定价模型；在此基础上，建立综合考虑移动充电服务运营收益最大化与用户充电服务满意度最优的多目标的优化模型。本发明能够有效地确定各区域的最优定价，进而调价改善各区域间供需关系。

Description

基于用户负荷差异与空间约束的移动充电动态定价方法

技术领域

本发明属于电动汽车充电技术领域，特别涉及基于用户负荷差异与空间约束的移动充电动态定价方法。

背景技术

电动汽车(EV)因其环保、高效、使用成本低的特点被认为是未来替代传统燃油车的有效工具。但是，随着电动汽车产业的飞速发展，伴随而来的电动汽车充电难的问题也在逐渐引起人们的重视。

目前主流的充电方式有两种：(一)、使用固定充电桩为电动车辆充电；(二)驾驶员到达电池交换站更换电池。前者的问题在于充电时间过长，并且当电网处于用电高峰期时，会对电网造成更大的负担；而后者虽然可以通过更换电池缩短充电时间，但这种充电模式需要较大的安装空间，且相关技术仍存在许多问题需要解决。

在此情况下，许多公司开始大力推广移动充电模式。与固定充电桩不同，移动充电用户可以通过手机APP向***中心发送个人定位、预计电量、预计充电时间等信息。收到信息后，***将向移动充电车发送指令。尽管移动充电可以有效弥补传统充电方式的不足，但在实际操作过程中，由于电动汽车的自由浮动和一些热点地区的频繁聚集，这将导致充电需求与该地区在高峰充电期间可提供的实际充电容量之间的不匹配，即，供需不平衡的问题。这些地区的用户有时需要等待很长时间才能充电，甚至因为等待时间过长而不得不放弃移动充电服务。

因此，目前亟需一种可以考虑充电服务区域内的充电需求时空差异的定价方法，以缓解高峰时段移动充电服务的运营压力。

发明内容

针对上述技术问题，本发明提供了基于用户负荷差异与空间约束的移动充电动态定价方法，所述方法包括：

步骤S1：将移动充电服务的运营区域进行等边六边形划分；

步骤S2：获取运营区域内网约车的轨迹数据并进行数据预处理；

步骤S3：将处理后的网约车轨迹数据进行地图匹配，得到各个六边形区域内交通流量分布，并基于处理后的轨迹数据进行转化得到各区域内充电需求分布；

步骤S4：通过收集各区域的充电需求分布与空闲移动充电车数量，构建移动充电动态定价模型；在此基础上，建立综合考虑移动充电服务运营收益最大化与用户充电服务满意度最优的多目标的优化模型；

步骤S5：采用多目标协同进化算法对多目标优化模型进行求解，通过种群不断进化、拼接、排序以及筛选，得到多目标优化的可行解。

进一步地，所述步骤S1的具体方法如下：

确定移动充电服务的运营区域，并进行等边六边形划分，即将整体运营区域划分成若干个等边六边形。

进一步地，等边六边形的具体尺寸通过如下根据公式确定：

式中，P_u(i)，Q_u(i)分别表示空间尺度u上第i个网格中有效OD点的数量和有效阶数，m表示区域划分后的六边形个数，R_u表示有效OD点的利用率大小。

进一步地，所述步骤S2的具体方法如下：

步骤S21.获取网约车运行轨迹数据，并对数据进行清洗，筛选出不合理的数据，并根据移动充电服务的运营区域的范围为数据添加限定范围，其中，网约车运行轨迹数据包含：每辆网约车的起始点数据、轨迹GPS定位数据、实时速度信息、航向角信息等；

步骤S22.将网约车运行轨迹数据从GCJ-02坐标系进行转换，以得到WSG-84坐标系下的相关数据。

进一步地，所述步骤S3的具体方法如下：

步骤S31.将移动充电服务的运营时间划分为n个相互独立的时间段；

步骤S32.基于网约车的运行轨迹与划分后的六边形区域，进行地图映射，以刻画不同时间段不同六边形区域内车流量，即交通流量分布情况；

步骤S33.根据城市的网约车与电动汽车的保有量按照比例，将交通流量转化，得到各区域内充电需求分布情况。

进一步地，所述步骤S4的具体方法如下：

步骤S41.根据区域内充电需求分布与空闲移动充电车分布，利用排队理论，得到每个六边形区域内等待充电的电动汽车数量，并通过如下公式表示：

Q_i,t＝max{0,Q_i,t-1+λ_i,t-V_i,t-L_i,t}，

其中Q_i,t-1和Q_i,t分别是区域i在t-1和t时间段内的队列长度，V_i,t是指在时间间隙t中空闲的移动充电车数量；L_i,t表示在此时间间隔内已经完成充电的电动汽车的数量；

步骤S42.收集完每个时间间隔内区域等待充电服务的电动汽车数量后，判断每个区域的供需情况，以制定适当的充电收费价格，引导用户在不同的区域间进行转移；

其中，对于区域i，各个时间段的移动充电动态定价模型通过如下公式表示：

其中表示区域i的初始充电收费价格，/>表示区域i根据移动充电动态定价模型确定的实时充电收费价格，α表示根据队列长度进行价格调整的具体比例。

进一步地，收费价格服从如下约束：

其中P_max和P_min分别是***在动态定价过程中允许的最高和最低收费价格。

进一步地，在移动充电动态定价模型的基础上，构建***的目标函数，其中，目标函数包括运营商收益最大化以及用户满意度最优；

其中运营商收益的目标函数为：

其中Profit代表运营商的最终总收益，C_m是指当移动充电车提供充电服务时需要花费的基本成本，其分别包含：电量成本、人工成本、日常维护成本，C_m设定为一个固定的常数，n是指将***的提供充电服务的整个时长划分成n个时间段，N_i代表***在最初在各个六边形区域内设置的移动充电车的初始数量，c₀则代表每辆移动充电车每天使用的基本成本；

其中用户满意度的目标函数为：

其中Qos是指最终***中全部用户的综合满意度，c_p是指关于价格的惩罚系数，c_w是关于时间的惩罚系数，c_o是关于用户转移意愿的惩罚系数。

进一步地，所述步骤S5的具体方法如下：

步骤S51.初始化两个种群，即定价种群与不同区域移动充电车分配数量种群；

步骤S52.针对两个种群随机生成一定数量的初始个体，并对其优先级进行随机排序，将优先级最高的个体标记为最佳个体；

步骤S53.对于每个种群，使用锦标赛选择机制选出优先级更高的个体作为父代，并对父代进行交叉和变异操作，从而产生子代；

步骤S54.将种群中的每个个体与另一个种群中的最佳个体相结合，形成完备解；

步骤S55.对于每个种群，根据未满足需求和目标值确定个体的可行性和非支配水平，并将个体分为不同的层级，且对处在同一层中的个体进行优先级排序，从而确定所有个体的优先级顺序，并更新最佳个体；

步骤S56.对每个种群，采用精英选择策略，从父代和子代中保留优先级较高的精英个体，剔除劣质个体，使种群保持在预定的规模内；

步骤S57.确定迭代次数是否满足中止条件，如果是，则中止算法。

进一步地：所述方法还包括：

用户在产生充电需求时，通过手机APP向***终端发送个人充电信息；

***向用户反馈，包括用户当前所在六边形区域与邻域的充电价格；其中个人充电信息包括：当前所处位置、当前剩余电量、期待补充电量以及期待充电时间。

本发明提供了基于用户负荷差异与空间约束的移动充电动态定价方法具有如下有益效果：

1)在以往有关电动汽车的研究中，大多选择将区域划分为正方形或三角形。然而，本发明通过采用等边六边形对区域进行划分，不仅能够提高各区域间电动汽车的流入、流出的统计精度，还可以简化关于用户在各区域间转移时移动成本设定的问题，能够有效地降低***的求解难度并提高最终针对结果的求解精度。

2)传统的以单个充电站为最小定价单元的定价方法对于移动充电服务可能不再适用，因为在服务过程中往往会有许多的移动充电车，它们的服务都是由***统一分配，如果以单个移动充电车为定价单元，不仅造成较大的计算量，而且效率过低不利于***向用户实时地反馈。然而，本发明引入了以区域为最小定价单位的动态定价方法，能够有效地适应移动充电车移动灵活、以个体为服务发起者的特征。

3)本发明提出的多目标协同进化算法相较于现有的启发式算法，能够避免在综合考虑用户满意度最高与运营商收益最大化时需要引入加权求和方式所造成的主观误差。同时本发明提出的多目标协同进化算法结合多目标优化模型，能够有效地确定各区域的最优定价，进而调价改善各区域间供需关系。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一个简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，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基于用户负荷差异与空间约束的移动充电动态定价方法流程图；

图2为本发明实施例提供的城市电力巡检路径规划方法的三维场景中巡检对象简易建模示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，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。

目前现有技术中，关于电动汽车的动态充电定价研究，都是基于传统固定式充电站开展的，缺少针对移动充电服务的且与电网负载无关等特征进行的智能定价研究。

本发明提供基于用户负荷差异与空间约束的移动充电动态定价方法，包括对移动充电服务区域进行等边六边形划分，统计划分后各个六边形区域内车流量分布情况。根据各类型车辆分布比例将车流量数据转化为电动汽车的充电需求分布。基于排队理论求得各区域的等待充电时长，并统计各区域内的充电需求与空闲移动充电车之间的供需关系。构建基于用户负荷差异的移动充电动态定价模型，实现各区域在不同时间间隔内的动态定价。最后，利用多目标协同优化算法对目标函数进行求解。使用本发明提供的动态定价方法，能够有效地影响用户充电行为，引导其在不同区域之间进行转移，最终达到平衡各区域间充电供需平衡，增加充电运营商服务收益的目的，以下为具体过程：

如图1所示的，所述方法包括：

步骤S1：将移动充电服务的运营区域进行网格划分(划分成若干份等边六边形)。

步骤S2：收集网约车数据进行预处理，即获取运营区域内网约车的轨迹数据并进行数据预处理。

步骤S3：将处理后的网约车轨迹数据进行地图匹配，得到各个六边形区域内交通流量分布，并基于处理后的轨迹数据进行转化得到各区域内充电需求分布。

步骤S4：通过收集各区域的充电需求分布与空闲移动充电车数量，构建移动充电动态定价模型(以下简称动态定价模型)；在此基础上，建立综合考虑移动充电服务运营商收益最大化(也即图1中的运营商收益最大化)与用户充电服务满意度最优的(也即图1中的用户满意度最大化)多目标优化模型。

步骤S5：采用多目标协同进化算法对多目标优化模型进行求解，通过种群不断进化、拼接、排序以及筛选，得到多目标优化的可行解，即可以同时满足提高运营商收益与用户满意度的动态定价方法。

下面对本发明的步骤S1-S5的详细过程进行说明。

1.步骤S1

在本发明的一些实施例中，所述步骤S1的具体方法如下：

确定移动充电服务的运营区域，并进行等边六边形划分，即将整体运营区域划分成若干个等边六边形。

其中，等边六边形的具体尺寸通过如下根据公式确定：

式中，P_u(i)，Q_u(i)分别表示空间尺度u上第i个网格中有效OD点(即出发点与终点)的数量和有效阶数，m表示区域划分后的六边形个数，R_u则表示有效OD点的利用率大小。通过求解可以找到使空间尺度中每单位网格的有效数据量最大的划分方式，从而提高数据的利用率。

2.步骤S2

在本发明的一些实施例中，所述步骤S2的具体方法如下：

步骤S21：采用滴滴盖亚数据开放计划提供的相关数据，获取网约车运行轨迹数据。

为了消除原始数据中存在的噪声干扰，需要对数据进行清洗，筛选出不合理的数据，并根据移动充电服务的运营区域的范围为数据添加限定范围，其中，网约车运行轨迹数据包含：每辆网约车的起始点数据、轨迹GPS定位数据、实时速度信息、航向角信息等。

步骤S22：

(1)数据清理：从实际角度出发对数据集进行处理，针对不合理的情况，例如：订单距离小于500米，在连续承载乘客的状态中突然出现处于空闲状态等，通过对这些数据进行剔除实现第一步数据处理，即删除数据传输和记录过程中的奇点，如数据集字段为空，订单行程距离小于500米，订单行程耗时为0分钟等。

(2)坐标转换：考虑到网约车运行轨迹数据是基于GCJ-02坐标系设定的，即滴滴出行数据是基于GCJ-02坐标系，如果根据数据进行投影，需要将网约车运行轨迹数据从GCJ-02坐标系进行转换，以得到WSG-84坐标系下的相关数据，最后根据转化后的数据进行地图匹配，从而求得到不同时间段内的交通流量情况与车辆的移动轨迹。

在上述处理后，以便于进行地图匹配，得到网约车的运行轨迹情况。

3.步骤S3

在本发明的一些实施例中，所述步骤S3的具体方法如下：

步骤S31：按照数据集中用户出行需求的时间分布，将移动充电服务的运营时间划分为n个相互独立的时间段(本发明中将一天的运营时间分为24个时间段)。

步骤S32：基于网约车的运行轨迹与划分后的六边形区域，进行地图映射，以刻画不同时间段不同六边形区域内车流量，即交通流量分布情况；

步骤S33：通常交通流量越大的区域，充电需求便会随之增多，而且一般交通流均为混合交通流，即包含燃油车、电动汽车和混合动力电动汽车等，而它们又一般都是根据一定比例组成。所以可以假设交通流量越高，电动汽车的数量就越高。与此同时，电动汽车的剩余电量可以被认为是服从高斯分布的，因此假设交通流量越大，潜在的充电需求就越大，与之对应的该区域对于移动充电服务的需求量也就会越大。

因此，基于统计后的城市的网约车与电动汽车的保有量按照比例，将交通流量转化，进而得到各六边形区域内充电需求分布情况。

4.步骤S4

在本发明的一些实施例中，根据各个区域的充电需求数据，构建基于服务区域的动态定价模型，由此，步骤S4的具体方法如下：

步骤S41：根据区域内充电需求分布与空闲移动充电车分布，利用排队理论，得到每个六边形区域内等待充电的电动汽车数量，并通过如下公式表示：

Q_i,t＝max{0,Q_i,t-1+λ_i,t-V_i,t-L_i,t}

其中Q_i,t-1和Q_i,t分别是区域i在t-1和t时间段内的队列长度，V_i,t是指在时间间隙t中空闲的移动充电车数量；L_i,t表示在此时间间隔内已经完成充电的电动汽车的数量。

步骤S42：当***收集到每个时间段内等待充电服务的电动汽车数量后，便会根据此数量，判断每个区域的供需情况，以制定适当的充电收费价格，引导用户在不同的区域间进行转移。

其中，对于区域i，各个时间段的动态定价模型如下示：

其中表示区域i的初始充电收费价格，/>表示区域i根据上述动态定价模型确定的实时充电收费价格，α表示根据队列长度进行价格调整的具体比例。

此外，在制定充电收费价格时，还需要考虑基本充电成本和市场上可接受的最高充电价格。因此，本实施例中，动态定价模型应该服从如下约束：

其中P_max和P_min分别是***在动态定价过程中允许的最高和最低收费价格。

当用户选择充电区域时，假设用户只会考虑他们当前的区域以及该区域的相邻区域，这种假设是基于移动充电服务的目标用户设定的。因为移动充电模式目前仍然是传统固定充电模式的补充形式，一般充电收费价格是高于固定式充电的。所以当电动汽车车主选择移动充电服务时，可能原因便是电动汽车的剩余电量不足以移动过远的距离，或者用户不希望移动过远的距离以获得电力补充。

可以认为电动汽车车主选择服务区域是多种因素综合作用下的结果，鉴于电动汽车用户选择服务区域是多种因素综合作用下的结果，即用户不仅需要考虑充电成本、还需要考虑不同地区之间的移动成本、时间成本等。因此，只有当不同地区之间价格差异大于用户在不同地区之间时间成本和移动成本时，用户才会在区域间进行转移，进而影响各个区域内充电需求分布情况。

充电价格会对各个区域充电需求率产生影响，不同区域具体充电需求率通过如下公式确定：

表示根据历史数据统计得出的地区i的估计充电需求，λ_i,t是受地区间价格影响的更新最终充电需求，/>表示从区域i流出的预期用户，/>表示从区域附近流入该区域的预期用户的需求量；

其中，的求解公式如下所示：

是指与该区域的所有邻域j中具有最低充电价格的区域i相对应的充电价格。而p₀是指用户在不同区域之间移动的最低价格差，也就是说，只有当各个区域间的价格差大于这个值时，用户才会有转移的倾向，否则，用户仅会选择在最初所在区域进行充电。/>由动态定价模型求解。/>是通过对所有区域的流出量求和得到的。

在上述移动充电动态定价模型的基础上，构建***的目标函数。目标函数总共包括两部分：运营商收益最大化、用户满意度最优。

其中运营商收益的目标函数为：

其中Profit代表运营商的最终总收益，C_m是指当移动充电车提供充电服务时需要花费的基本成本，其分别包含：电量成本、人工成本、日常维护成本等，在本实施例中，出于降低运算量的目的，将C_m设定为一个固定的常数。n是指将***的提供充电服务的整个时长划分成n个时间段，N_i代表***在最初在各个六边形区域内设置的移动充电车的初始数量，c₀则代表每辆移动充电车每天使用的基本成本，包括日常维护成本、日常使用成本等。

其中用户满意度的目标函数为：

其中Qos是指最终***中全部用户的综合满意度，一般用户的满意度包括三部分构成，分别包括：用户价格满意度、用户时间满意度和用户移动意愿满意度。过高的充电价格、过长的等待时间还有由于价格而选择进行区域转移这些都会使用户的满意度下降。c_p是指关于价格的惩罚系数，c_w是关于时间的惩罚系数，c_o是关于用户转移意愿的惩罚系数。

在上述两个目标函数的基础上构建移动充电服务***的多目标优化模型：

max E＝σ₁Profit+σ₂Qos

其中σ₁，σ₂分别为运营收益与用户服务满意度权重，体现了移动充电服务运营商对于运营收益与用户满意度的重视程度。

5.步骤S5

在本发明的一些实施例中，利用多目标协同进化算法对目标模型进行求解得到对于***而言的最优解，因此，如图2所示的，步骤S5的具体方法如下：

步骤S51：初始化两个种群，即定价种群与不同区域移动充电车分布种群(分配数量种群)；

步骤S52：对种群进行随机排序并标记最优体，即针对两个种群随机生成一定数量的初始个体，并对其优先级进行随机排序，将优先级最高的个体标记为最佳个体；

步骤S53：进化操作，即对于每个种群，使用锦标赛选择机制选出优先级更高的个体作为父代，并对父代进行交叉和变异操作，从而产生子代；

步骤S54：完备解拼接，即将种群中的每个个体与另一个种群中的最佳个体相结合，形成完备解；

步骤S55：个体优先级排序，即对于每个种群，根据未满足需求和目标值确定个体的可行性和非支配水平，并将个体分为不同的层级，且对处在同一层中的个体进行优先级排序，从而确定所有个体的优先级顺序，并更新最佳个体；

步骤S56：精英个体筛选，即对每个种群，采用精英选择策略，从父代和子代中保留优先级较高的精英个体，剔除劣质个体，使种群保持在预定的规模内；

步骤S57：确定迭代次数是否满足中止条件，如果是，则中止算法，并求得最优解集，如果否，则回到步骤S53重新进行迭代。

在本发明的一些实施例中：所述方法还包括：

用户在产生充电需求时，通过手机APP向***终端发送个人充电信息，其中个人充电信息包括：当前所处位置、当前剩余电量、期待补充电量以及期待充电时间等。此时，***终端便会向用户反馈，包括用户当前所在六边形区域与邻域的充电价格。

而用户便会根据个人实际情况，在所有可选充电区域中进行选择。用户选择充电区域的过程便是***通过调整充电价格，调节各区域间充电供需关系的过程。在价格影响下，充电负荷较重的区域中的用户便会向其他区域进行转移，而相应的那些处于空闲的区域中的移动充电车也会被利用起来。

综上，本发明考虑了移动充电服务作为一种新型的充电模式在运营的过程中可能会出现充电需求分布不均的情况，而这不仅会导致移动充电车的利用率过低，还会使得用户的满意度下降。所以本发明在考虑充电需求实时分布的基础上，对服务区域进行划分，并基于划分后的六边形区域进行动态定价。通过价格影响用户的充电区域与充电行为的选择，引导用户从充电需求高负荷区域向充电需求低负荷区域移动，进而帮助***实现供需关系的动态平衡。

同时，为了避免过高的定价导致用户的满意度下降与潜在的用户流失问题，构建了多目标优化模型。同时考虑运营商收益与用户满意度问题，并引入多目标协同进化算法对多目标模型进行求解，该算法不仅可以用来指导关于划分后区域的动态定价，还可以在战略阶段帮助决策者决策不同六边形区域的初始移动充电车配比。

以上所述仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.基于用户负荷差异与空间约束的移动充电动态定价方法，其特征在于，所述方法包括：

步骤S1：将移动充电服务的运营区域进行等边六边形划分；

步骤S2：获取运营区域内网约车的轨迹数据并进行数据预处理；

步骤S3：将处理后的网约车轨迹数据进行地图匹配，得到各个六边形区域内交通流量分布，并基于处理后的轨迹数据进行转化得到各区域内充电需求分布；

步骤S4：通过收集各区域的充电需求分布与空闲移动充电车数量，构建移动充电动态定价模型；在此基础上，建立综合考虑移动充电服务运营收益最大化与用户充电服务满意度最优的多目标的优化模型；

步骤S5：采用多目标协同进化算法对多目标优化模型进行求解，通过种群不断进化、拼接、排序以及筛选，得到多目标优化的可行解。

2.根据权利要求1所述的基于用户负荷差异与空间约束的移动充电动态定价方法，其特征在于，所述步骤S1的具体方法如下：

确定移动充电服务的运营区域，并进行等边六边形划分，即将整体运营区域划分成若干个等边六边形。

3.根据权利要求1所述的基于用户负荷差异与空间约束的移动充电动态定价方法，其特征在于，等边六边形的具体尺寸通过如下根据公式确定：

式中，P_u(i)，Q_u(i)分别表示空间尺度u上第i个网格中有效OD点的数量和有效阶数，m表示区域划分后的六边形个数，R_u表示有效OD点的利用率大小。

4.根据权利要求1所述的基于用户负荷差异与空间约束的移动充电动态定价方法，其特征在于，所述步骤S2的具体方法如下：

步骤S21.获取网约车运行轨迹数据，并对数据进行清洗，筛选出不合理的数据，并根据移动充电服务的运营区域的范围为数据添加限定范围，其中，网约车运行轨迹数据包含：每辆网约车的起始点数据、轨迹GPS定位数据、实时速度信息、航向角信息等；

步骤S22.将网约车运行轨迹数据从GCJ-02坐标系进行转换，以得到WSG-84坐标系下的相关数据。

5.根据权利要求1所述的基于用户负荷差异与空间约束的移动充电动态定价方法，其特征在于，所述步骤S3的具体方法如下：

步骤S31.将移动充电服务的运营时间划分为n个相互独立的时间段；

步骤S32.基于网约车的运行轨迹与划分后的六边形区域，进行地图映射，以刻画不同时间段不同六边形区域内车流量，即交通流量分布情况；

步骤S33.根据城市的网约车与电动汽车的保有量按照比例，将交通流量转化，得到各区域内充电需求分布情况。

6.根据权利要求1所述的基于用户负荷差异与空间约束的移动充电动态定价方法，其特征在于，所述步骤S4的具体方法如下：

步骤S41.根据区域内充电需求分布与空闲移动充电车分布，利用排队理论，得到每个六边形区域内等待充电的电动汽车数量，并通过如下公式表示：

Q_i,t＝max{0,Q_i,t-1+λ_i,t-V_i,t-L_i,t}，

其中Q_i,t-1和Q_i,t分别是区域i在t-1和t时间段内的队列长度，V_i,t是指在时间间隙t中空闲的移动充电车数量；L_i,t表示在此时间间隔内已经完成充电的电动汽车的数量；

步骤S42.收集完每个时间间隔内区域等待充电服务的电动汽车数量后，判断每个区域的供需情况，以制定适当的充电收费价格，引导用户在不同的区域间进行转移；

其中，对于区域i，各个时间段的移动充电动态定价模型通过如下公式表示：

其中表示区域i的初始充电收费价格，/>表示区域i根据移动充电动态定价模型确定的实时充电收费价格，α表示根据队列长度进行价格调整的具体比例。

7.根据权利要求6所述的基于用户负荷差异与空间约束的移动充电动态定价方法，其特征在于，收费价格服从如下约束：

其中P_max和P_min分别是***在动态定价过程中允许的最高和最低收费价格。

8.根据权利要求6所述的基于用户负荷差异与空间约束的移动充电动态定价方法，其特征在于，在移动充电动态定价模型的基础上，构建***的目标函数，其中，目标函数包括运营商收益最大化以及用户满意度最优；

其中运营商收益的目标函数为：

其中Profit代表运营商的最终总收益，C_m是指当移动充电车提供充电服务时需要花费的基本成本，其分别包含：电量成本、人工成本、日常维护成本，C_m设定为一个固定的常数，n是指将***的提供充电服务的整个时长划分成n个时间段，N_i代表***在最初在各个六边形区域内设置的移动充电车的初始数量，c₀则代表每辆移动充电车每天使用的基本成本；

其中用户满意度的目标函数为：

其中Qos是指最终***中全部用户的综合满意度，c_p是指关于价格的惩罚系数，c_w是关于时间的惩罚系数，c_o是关于用户转移意愿的惩罚系数。

9.根据权利要求1所述的基于用户负荷差异与空间约束的移动充电动态定价方法，其特征在于，所述步骤S5的具体方法如下：

步骤S51.初始化两个种群，即定价种群与不同区域移动充电车分配数量种群；

步骤S52.针对两个种群随机生成一定数量的初始个体，并对其优先级进行随机排序，将优先级最高的个体标记为最佳个体；

步骤S53.对于每个种群，使用锦标赛选择机制选出优先级更高的个体作为父代，并对父代进行交叉和变异操作，从而产生子代；

步骤S54.将种群中的每个个体与另一个种群中的最佳个体相结合，形成完备解；

步骤S55.对于每个种群，根据未满足需求和目标值确定个体的可行性和非支配水平，并将个体分为不同的层级，且对处在同一层中的个体进行优先级排序，从而确定所有个体的优先级顺序，并更新最佳个体；

步骤S56.对每个种群，采用精英选择策略，从父代和子代中保留优先级较高的精英个体，剔除劣质个体，使种群保持在预定的规模内；

步骤S57.确定迭代次数是否满足中止条件，如果是，则中止算法。

10.根据权利要求1所述的基于用户负荷差异与空间约束的移动充电动态定价方法，其特征在于：所述方法还包括：

用户在产生充电需求时，通过手机APP向***终端发送个人充电信息；

***向用户反馈，包括用户当前所在六边形区域与邻域的充电价格；其中个人充电信息包括：当前所处位置、当前剩余电量、期待补充电量以及期待充电时间。