一种考虑电动汽车充电需求的充电站规划方法及系统与流程

1.本发明涉及充电站规划技术领域，特别是涉及一种考虑电动汽车充电需求的充电站规划方法及系统。


背景技术：

2.随着能源紧张、环境污染的压力日益加大，电动汽车产业受到重视并蓬勃发展，发展电动汽车是我国应对能源危机一项重要举措，也是实现碳达峰的一个有效途径。我国自2015年以来电动汽车产销量、保有量连续五年居世界首位，到2025年新能源汽车销售量要达到汽车总销量的20％。预计到2035年，中国新能源车保有量超1.6亿辆，其中纯电动逾九成，公共用车全部电动化，因此我国电动汽车行业前景广阔。
3.充电设施作为电动汽车的运行基础，其合理的规模化建设是电动汽车的推广和发展的前提条件，必须与电动汽车的发展相适应。但与电动汽车和充电基础设施产业良好发展态势不同，充电站布局的不合理导致用户“充电难”和充电设施资源分配不均衡等问题，相应地这也会影响充电运营商的利益，更大程度上是不利于电动汽车产业的发展的。因此，提出兼顾用户充电成本、便利性与运营商收益的电动汽车充电站规划方法是现阶段仍需解决的问题。
4.现有研究通过数据挖掘技术对出租车、网约车出行轨迹数据、运营数据进行处理，挖掘城市居民出行规律，并将出行轨迹数据应用于出租车、网约车以及其他运营型车辆的充电站规划中，从而通过规划结果对充电站的建设容量进行优化设计，但上述研究都是对于运营车辆进行的充电站规划和设计，对私家车等非运营车辆并未进行分析，从而使得充电站的规划结果并不具有适用性。


技术实现要素：

5.为了克服现有技术的不足，本发明的目的是提供一种考虑电动汽车充电需求的充电站规划方法及系统。
6.为实现上述目的，本发明提供了如下方案：
7.一种考虑电动汽车充电需求的充电站规划方法，包括：
8.获取非运营车辆的出行链数据、充电场景数据；
9.根据所述出行链数据确定所述非运营车辆的出行特征；所述出行特征包括：不同出行链的概率、出发时刻概率、目的地概率和到达时刻概率；
10.根据所述充电场景数据确定所述非运营车辆的充电特征；所述充电特征包括：不同出行链的所述非运营车辆的充电频率、目的地充电行为特征和不同的功能区域对所述非运营车辆的吸引力；
11.根据所述出行特征和所述充电特征建立非运营车辆充电需求时空模型；
12.基于运营车辆订单的轨迹数据建立运营车辆充电需求时空分布模型；
13.将所述非运营车辆充电需求时空模型和所述运营车辆充电需求时空分布模型进
行融合，得到电动汽车充电需求时空分布模型；
14.基于充电站年建设运行成本、电动汽车用户从充电需求点到充电站年耗时成本和电动汽车用户年排队等待时间成本，构建充电站选址定容规划模型的目标函数；所述电动汽车用户包括所述非运营车辆的用户和所述运营车辆的用户；
15.根据所述电动汽车充电需求时空分布模型，采用粒子群算法求解所述目标函数，确定充电站位置和各充电站中充电机的配置数量。
16.优选地，所述根据所述出行链数据确定所述非运营车辆的出行特征，包括：
17.根据所述出行链数据进行统计分析，得到所述不同出行链的所述概率、所述出发时刻概率和单次出行耗时分布；
18.基于蒙特卡罗方法对所述概率、所述出发时刻概率和所述单次出行耗时分布进行模拟，得到所述目的地概率和所述到达时刻概率。
19.优选地，所述根据所述充电场景数据确定所述非运营车辆的充电特征，包括：
20.根据所述充电场景数据对预设时间内的所述非运营车辆在公共桩充电频次进行概率分布模拟，得到期望；所述期望为平均每人在所述预设时间内的公共桩充电频次；基于蒙特卡罗方法对所述期望进行抽样模拟，得到每日内所述非运营车辆使用充电桩的所述充电频率；
21.对所述充电场景数据进行分析，得到各个所述出行链中的所述非运营车辆的目的地充电行为特征；
22.统计所述充电场景数据中的各个功能区域的充电兴趣点，并根据不同功能区域对应的充电兴趣点个数进行权值分析，得到不同的功能区域对所述非运营车辆的所述吸引力。
23.优选地，所述根据所述出行特征和所述充电特征建立非运营车辆充电需求时空模型，包括：
24.获取所述非运营车辆的车辆总数m；
25.对第i辆所述非运营车辆进行充电模拟，并根据所述不同出行链的概率抽取所述非运营车辆的出行链；
26.基于所述非运营车辆的所述目的地充电行为特征和所述目的地概率，抽取所述出行链上的所述非运营车辆在行程结束后进行充电的目的地；
27.基于所述吸引力，抽取所述出行链上的所述非运营车辆的充电区域，并抽取所述充电区域内的道路节点，所述道路节点为第i辆所述非运营车辆的具体充电地点；
28.基于所述到达时刻概率和所述出发时刻概率，抽取第i辆所述非运营车辆的目的地充电行为的行程到达时刻，所述行程到达时刻为第i辆私家车的具体充电时间；
29.将所述具体充电地点和所述具体充电时间写入非运营车辆快充需求集合，判断i是否等于m，若否，则另i＝i+1，并返回步骤“对第i辆所述非运营车辆进行充电模拟”，若是，则根据所述非运营车辆快充需求集合确定所述非运营车辆充电需求时空模型。
30.优选地，所述充电站选址定容规划模型的目标函数表示为：
31.minf＝αf1+β(f2+f3)n
year
；
32.其中，f为年综合成本；f1为所述充电站年建设运行成本；f2为所述电动汽车用户从充电需求点到充电站年耗时成本；f3为所述用户年排队等待时间成本；n
year
为充电站规划年
限，α为第一权衡利益系数，β为第二权衡利益系数；
[0033][0034]
n为规划的充电站数量；qi为第i号充电站内充电机数量；r0为贴现率；m为充电站的折旧年限，c(qi)为第i号充电站建设投资成本函数；u(qi)为第i号充电站年运行成本函数；
[0035][0036]
j为充电需求点集合，为选择第i号充电站进行充电的充电需求点集合；为选择第i号充电站进行充电的第j号充电需求用户前往第i号充电站充电途中所经过的道路集合；φ为经过道路系数，dk为k号道路长度；v
kt
为t时刻k号道路的车辆通行速度；fw为电动汽车用户时间成本折算系数；
[0037][0038]
为第i号充电站在t时刻内的充电排队等待时间；为第i号充电站在t时刻内充电的电动汽车的数量；t∈[t0,te]表示模拟电动汽车的行驶时间，t0表示行驶开始时间，te表示行驶结束时间。
[0039]
优选地，所述根据所述电动汽车充电需求时空分布模型，采用粒子群算法求解所述目标函数，确定充电站位置和各充电站中充电机的配置数量，具体包括：
[0040]
根据所述电动汽车充电需求时空分布模型，采用改进自适应惯性权值的粒子群算法求解所述目标函数，确定充电站位置和各充电站中充电机的配置数量。
[0041]
一种考虑电动汽车充电需求的充电站规划系统，包括：
[0042]
获取模块，用于获取非运营车辆的出行链数据、充电场景数据；
[0043]
第一特征确定模块，用于根据所述出行链数据确定所述非运营车辆的出行特征；所述出行特征包括：不同出行链的概率、出发时刻概率、目的地概率和到达时刻概率；
[0044]
第二特征确定模块，用于根据所述充电场景数据确定所述非运营车辆的充电特征；所述充电特征包括：不同出行链的所述非运营车辆的充电频率、目的地充电行为特征和不同的功能区域对所述非运营车辆的吸引力；
[0045]
第一模型建立模块，用于根据所述出行特征和所述充电特征建立非运营车辆充电需求时空模型；
[0046]
第二模型建立模块，用于基于运营车辆订单的轨迹数据建立运营车辆充电需求时空分布模型；
[0047]
融合模块，用于将所述非运营车辆充电需求时空模型和所述运营车辆充电需求时空分布模型进行融合，得到电动汽车充电需求时空分布模型；
[0048]
目标函数构建模块，用于基于充电站年建设运行成本、电动汽车用户从充电需求
点到充电站年耗时成本和电动汽车用户年排队等待时间成本，构建充电站选址定容规划模型的目标函数；所述电动汽车用户包括所述非运营车辆的用户和所述运营车辆的用户；
[0049]
充电站规划模块，用于根据所述电动汽车充电需求时空分布模型，采用粒子群算法求解所述目标函数，确定充电站位置和各充电站中充电机的配置数量。
[0050]
优选地，所述第一特征确定模块具体包括：
[0051]
第一统计单元，用于根据所述出行链数据进行统计分析，得到所述不同出行链的所述概率、所述出发时刻概率和单次出行耗时分布；
[0052]
第一模拟单元，用于基于蒙特卡罗方法对所述概率、所述出发时刻概率和所述单次出行耗时分布进行模拟，得到所述目的地概率和所述到达时刻概率。
[0053]
优选地，所述第二特征确定模块具体包括：
[0054]
第二模拟单元，用于根据所述充电场景数据对预设时间内的所述非运营车辆在公共桩充电频次进行概率分布模拟，得到期望；所述期望为平均每人在所述预设时间内的公共桩充电频次；基于蒙特卡罗方法对所述期望进行抽样模拟，得到每日内所述非运营车辆使用充电桩的所述充电频率；
[0055]
分析单元，用于对所述充电场景数据进行分析，得到各个所述出行链中的所述非运营车辆的目的地充电行为特征；
[0056]
第二统计单元，用于统计所述充电场景数据中的各个功能区域的充电兴趣点，并根据不同功能区域对应的充电兴趣点个数进行权值分析，得到不同的功能区域对所述非运营车辆的所述吸引力。
[0057]
优选地，所述第一模型建立模块具体包括：
[0058]
获取单元，用于获取所述非运营车辆的车辆总数m；
[0059]
第三模拟单元，用于对第i辆所述非运营车辆进行充电模拟，并根据所述不同出行链的概率抽取所述非运营车辆的出行链；
[0060]
第一抽取单元，用于基于所述非运营车辆的所述目的地充电行为特征和所述目的地概率，抽取所述出行链上的所述非运营车辆在行程结束后进行充电的目的地；
[0061]
第二抽取单元，用于基于所述吸引力，抽取所述出行链上的所述非运营车辆的充电区域，并抽取所述充电区域内的道路节点，所述道路节点为第i辆所述非运营车辆的具体充电地点；
[0062]
第三抽取单元，用于基于所述到达时刻概率和所述出发时刻概率，抽取第i辆所述非运营车辆的目的地充电行为的行程到达时刻，所述行程到达时刻为第i辆私家车的具体充电时间；
[0063]
判断单元，用于将所述具体充电地点和所述具体充电时间写入非运营车辆快充需求集合，判断i是否等于m，若否，则另i＝i+1，并返回步骤“对第i辆所述非运营车辆进行充电模拟”，若是，则根据所述非运营车辆快充需求集合确定所述非运营车辆充电需求时空模型。
[0064]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0065]
本发明提供了一种考虑电动汽车充电需求的充电站规划方法及系统，所述方法包括：获取非运营车辆的出行链数据、充电场景数据；根据所述出行链数据确定所述非运营车辆的出行特征；所述出行特征包括：不同出行链的概率、出发时刻概率、目的地概率和到达
时刻概率；根据所述充电场景数据确定所述非运营车辆的充电特征；所述充电特征包括：不同出行链的所述非运营车辆的充电频率、目的地充电行为特征和不同的功能区域对所述非运营车辆的吸引力；根据所述出行特征和所述充电特征建立非运营车辆充电需求时空模型；基于运营车辆订单的轨迹数据建立运营车辆充电需求时空分布模型；将所述非运营车辆充电需求时空模型和所述运营车辆充电需求时空分布模型进行融合，得到电动汽车充电需求时空分布模型；基于充电站年建设运行成本、电动汽车用户从充电需求点到充电站年耗时成本和电动汽车用户年排队等待时间成本，构建充电站选址定容规划模型的目标函数；所述电动汽车用户包括所述非运营车辆的用户和所述运营车辆的用户；根据所述电动汽车充电需求时空分布模型，采用粒子群算法求解所述目标函数，确定充电站位置和各充电站中充电机的配置数量。本发明针对现有的充电站选址定容规划建设的盲目性和布局不平衡特点，提出充分考虑城市电动汽车功能类型和用车特性，考虑不同类型车辆的充电需求时空分布，融合非运营车辆与运营电动汽车的充电需求，均衡充电站运营商成本和电动汽车用户充电成本及便利性而进行充电站规划的方法。从而通过确定合适的充电站位置及站内的充电机配置，保证城市电动汽车系统的正常高效运行，提高了充电站规划的实用性和适用范围。
附图说明
[0066]
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
[0067]
图1为本发明提供的实施例中的充电站规划方法的方法流程示意图一；
[0068]
图2为本发明提供的实施例中的充电站规划方法的方法流程示意图二。
[0069]
图3为本发明提供的实施例中的不同出行链出行出发时间分布示意图；
[0070]
图4为本发明提供的实施例中的不同出行链出行到达时间分布示意图；
[0071]
图5为本发明提供的实施例中的电动私家车用户每周公共桩充电频次示意图；
[0072]
图6为本发明提供的实施例中的电动私家车用户每周公共桩充电频次示意图；
[0073]
图7为本发明提供的实施例中的电动汽车充电需求时空分布预测模型流程图；
[0074]
图8为本发明提供的实施例中的改进粒子群算法流程图；
[0075]
图9为本发明提供的实施例中的规划不同数量充电站的总成本示意图；
[0076]
图10为本发明提供的实施例中的充电站规划结果；
[0077]
图11为本发明提供的实施例中的充电站规划系统的模块连接图。
具体实施方式
[0078]
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、完整地描述，显然，所描述的实施例仅仅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。
[0079]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包
含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0080]
本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
[0081]
本发明的目的是提供一种考虑电动汽车充电需求的充电站规划方法及系统，通过确定合适的充电站位置及站内的充电机配置，保证城市电动汽车系统的正常高效运行，提高了充电站规划的实用性和适用范围。
[0082]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0083]
图1和图2分别为本发明提供的实施例中的充电站规划方法的方法流程示意图一和方法流程示意图一，如图1和图2所示，本发明提供了一种考虑电动汽车充电需求的充电站规划方法，包括：
[0084]
步骤100：获取非运营车辆的出行链数据、充电场景数据；
[0085]
步骤200：根据所述出行链数据确定所述非运营车辆的出行特征；所述出行特征包括：不同出行链的概率、出发时刻概率、目的地概率和到达时刻概率；
[0086]
步骤300：根据所述充电场景数据确定所述非运营车辆的充电特征；所述充电特征包括：不同出行链的所述非运营车辆的充电频率、目的地充电行为特征和不同的功能区域对所述非运营车辆的吸引力；
[0087]
步骤400：根据所述出行特征和所述充电特征建立非运营车辆充电需求时空模型；
[0088]
步骤500：基于运营车辆订单的轨迹数据建立运营车辆充电需求时空分布模型；
[0089]
步骤600：将所述非运营车辆充电需求时空模型和所述运营车辆充电需求时空分布模型进行融合，得到电动汽车充电需求时空分布模型；
[0090]
步骤700：基于充电站年建设运行成本、电动汽车用户从充电需求点到充电站年耗时成本和电动汽车用户年排队等待时间成本，构建充电站选址定容规划模型的目标函数；所述电动汽车用户包括所述非运营车辆的用户和所述运营车辆的用户；
[0091]
步骤800：根据所述电动汽车充电需求时空分布模型，采用粒子群算法求解所述目标函数，确定充电站位置和各充电站中充电机的配置数量。
[0092]
优选地，所述步骤200包括：
[0093]
根据所述出行链数据进行统计分析，得到所述不同出行链的所述概率、所述出发时刻概率和单次出行耗时分布；
[0094]
基于蒙特卡罗方法对所述概率、所述出发时刻概率和所述单次出行耗时分布进行模拟，得到所述目的地概率和所述到达时刻概率。
[0095]
本实施例中，将电动私家车作为非运营车辆的研究对象，将电动出租车作为运营车辆的研究对象。
[0096]
图3和图4分别为本发明提供的实施例中的不同出行链出行出发时间分布示意图
和不同出行链出行到达时间分布示意图，如图3和图4所示，图中hbt(h)表示以家为起点的出行，wbt(w)表示以工作单位(学校)为起点的出行，obt表示以娱乐休闲地为起点的出行，本实施例调研数条典型的出行链的出行数据，统计不同出行链的占比，模拟出不同出行模式的出发时间分布，结合私家车单次出行的耗时数据，使用蒙特卡洛方法进行模拟，得到不同出行模式下的到达时间分布。最终，基于调研结果数据，使用以下特征描述该地区电动私家车用户的出行特征：不同出行链的概率(出行数)、不同出行链出发时刻概率(出发地时空分布)、不同出行链的目的地概率(目的地空间分布)、不同出行链到达时刻概率(目的地时间分布)。如表1所示，表1为目标区域的出行链及占比。
[0097]
表1
[0098][0099]
具体的，在表格中h表示家，w表示工作(学习)地，s表示买菜、购物地，l表示社交娱乐地。
[0100]
优选地，所述步骤300包括：
[0101]
根据所述充电场景数据对预设时间内的所述非运营车辆在公共桩充电频次进行概率分布模拟，得到期望；所述期望为平均每人在所述预设时间内的公共桩充电频次；基于蒙特卡罗方法对所述期望进行抽样模拟，得到每日内所述非运营车辆使用充电桩的所述充电频率；
[0102]
对所述充电场景数据进行分析，得到各个所述出行链中的所述非运营车辆的目的地充电行为特征；
[0103]
统计所述充电场景数据中的各个功能区域的充电兴趣点，并根据不同功能区域对应的充电兴趣点个数进行权值分析，得到不同的功能区域对所述非运营车辆的所述吸引力。
[0104]
图5和图6分别为本发明提供的实施例中的电动私家车用户每周公共桩充电频次示意图和电动私家车用户每周公共桩充电频次示意图，如图5和图6所示，本实施例对公共充电桩充电场景调研的310份有效样本进行概率分析得到如图5和图6显示的每周公共桩充电频次概率分布、电动私家车用户在公共场所充电地点概率分布，基于充电间隔时间相同的原则，通过蒙特卡洛抽样可得，在某日内平均约有30％的电动私家车用户会使用公共充电桩进行电量补给，电动私家车用户目的地充电行为特征如表2所示，表2为电动私家车用户目的地充电行为特征；通过对各个功能区及相关属性混合区内的相关poi进行统计及处理，得到电动汽车用户在该区域的到达并产生充电需求概率。
[0105]
表2
[0106][0107]
具体的，已有研究大多基于出行链进行出行模拟和充电判断的方法预测电动私家车充电需求，然而电动私家车一天中出行次数和出行距离与出租车不是一个等级，且初始荷电状态(state of charge，soc)具有极强的不确定性。因此，本实施例对公共充电站内电动私家车用户选择公共桩充电的一周充电频次、充电场景的选择习惯等问题展开了调研。通过分析电动私家车充电行为的时空特征及充电心理、出行目的地分布对电动私家车的快充需求进行预测。其中充电特征具体包括：
[0108]
(1)充电频率
[0109]
由调研数据模拟电动私家车用户每周公共桩充电频次概率分布，计算出期望，即平均每人每周的公共桩充电频次。基于充电间隔时间相同的原则，通过蒙特卡洛抽样模拟出某日内平均有多大概率的电动私家车用户会使用公共充电桩进行电量补给。
[0110]
(2)目的地充电行为特征
[0111]
由调研数据模拟电动私家车用户在公共场所充电地点概率分布。如已知住宅区公共停车场充电概率是办公区公共停车场的x倍，则当日有公共充电桩充电需求、出行链为h-w-h模式的电动私家车用户中，在上班地点充电概率为1/(x+1)，返家后充电概率为x/(x+1)，同理计算其他出行链充电地点概率，得到电动私家车用户目的地充电行为特征。分析各个出行链中电动私家车用户的目的地充电行为特征，结合出行特性可以得到电动私家车用户充电行为时空特征，由此建立电动私家车模型。
[0112]
(3)细化各功能区的不同区域对电动汽车用户的“吸引力”[0113]
基于兴趣点(point of interest，poi)信息定量描述每个功能区域对电动私家车用户的“吸引力”从而更切实地进行电动私家车充电需求。
[0114]
1)居住类区域
[0115]
本实施例通过统计每个居民区及居民属性混合功能区1000米范围内的poi数量，定量描述电动汽车到达每个居住类区域且在该区域充电的可能性。设定范围内poi数量最多的居民区a分值为100，其他居民区的分值与poi数量线性相关(如居民区b范围内的poi数量为居民区a的80％，则该区域电动汽车的到达/充电可能性分值为80)。居民属性混合区的分值需要乘以一定系数，系数为居住类poi在该区域的频率密度占比，计算公式为
[0116][0117]
式中，ci为第i类poi频率密度和与网格内所有poi频率密度和的比值；d为网格内各类poi频率密度总和；di为第i类poi在该网格的频率密度和。di的计算公式为：
[0118][0119]
式中，αi为第i类poi的权重；ni为该网格内第i类poi的数量；s为该网格面积。
[0120]
分值越高，电动汽车在该居住类区域产生充电需求的概率越大。
[0121]
2)办公类区域
[0122]
受单位性质影响，从机关事业单位、国企集体单位，到个体、私营，居民上班出行小汽车使用数后者是前者的1.28倍。对办公区及相关属性混合区内的相关poi进行统计及处理时，假设机关事业单位、国企集体单位poi分值为y，则个体、私营类单位poi分值为1.28y。对于一些难以鉴定性质的企业公司poi，需要提取该地企业名录中的核心文字，再与公司企业类poi进行对比查找，认证该公司性质。分值越高，电动汽车在该办公类区域产生充电需求的概率越大。
[0123]
3)娱乐休闲类区域
[0124]
居住地社区的商业可达性每增加一个单位，私家车出行发生率提高至原来的2倍，由于商业可达性的提升，增加了居民驾驶私家车到附近商业中心完成诸如买菜、购买生活用品、吃饭、娱乐等活动的频次。本文统计娱乐休闲类区域1000米范围内的居住类poi数量，通过居住类poi的数量定量描述电动汽车用户在该区域的到达/产生充电需求概率，方法与居住类区域相同。分值越高，电动汽车在该娱乐休闲类区域产生充电需求的概率越大。
[0125]
优选地，所述步骤400包括：
[0126]
获取所述非运营车辆的车辆总数m；
[0127]
对第i辆所述非运营车辆进行充电模拟，并根据所述不同出行链的概率抽取所述非运营车辆的出行链；
[0128]
基于所述非运营车辆的所述目的地充电行为特征和所述目的地概率，抽取所述出行链上的所述非运营车辆在行程结束后进行充电的目的地；
[0129]
基于所述吸引力，抽取所述出行链上的所述非运营车辆的充电区域，并抽取所述充电区域内的道路节点，所述道路节点为第i辆所述非运营车辆的具体充电地点；
[0130]
基于所述到达时刻概率和所述出发时刻概率，抽取第i辆所述非运营车辆的目的地充电行为的行程到达时刻，所述行程到达时刻为第i辆私家车的具体充电时间；
[0131]
将所述具体充电地点和所述具体充电时间写入非运营车辆快充需求集合，判断i是否等于m，若否，则另i＝i+1，并返回步骤“对第i辆所述非运营车辆进行充电模拟”，若是，
则根据所述非运营车辆快充需求集合确定所述非运营车辆充电需求时空模型。
[0132]
具体的，本实施例对私家车充电需求进行时空分布预测，具体步骤为：
[0133]
1)设定当日有公共充电桩快充需求的电动私家车总数m；
[0134]
2)进行第辆私家车的充电模拟，基于各个出行链占比，抽取该电动私家车的出行链；
[0135]
3)基于电动私家车用户目的地充电行为特征，抽取该电动私家车用户在行程结束后进行充电的目的地；
[0136]
4)基于相同功能属性的不同区域对电动私家车用户的“吸引力”，抽取充电区域，抽取该区域内的道路节点，作为第辆私家车的具体充电地点；
[0137]
5)基于不同出行链到达时刻概率(目的地时间分布)，抽取第辆私家车目的地充电行为的行程到达时刻，作为第辆私家车的具体充电时间；
[0138]
6)记录该时间和地点，写入电动汽车快充需求集合；判断i是否等于m，如果否，令i＝i+1，进入步骤2)，反之，融合私家车与运营车辆充电需求时空分布模型，结束。
[0139]
进一步地，所述步骤500包括：
[0140]
步骤501：采集运营车辆订单的轨迹数据；所述轨迹数据包括多个轨迹点；
[0141]
步骤502：对所述轨迹数据进行数据清洗，获得第一处理轨迹数据；
[0142]
步骤503：对所述第一处理轨迹数据中偏离点进行修正，获得第二处理轨迹数据；所述偏离点为与交通路网中道路的距离在第一设定距离外的轨迹点；
[0143]
步骤504：根据所述第二处理轨迹数据，获得od点对出行集合、车辆通行速度集合和车辆行驶轨迹集合；
[0144]
步骤505：根据所述od点对出行集合、所述车辆通行速度集合和所述车辆行驶轨迹集合，模拟运营车辆的运营，根据所述模拟运营车辆的运营建立运营车辆充电需求时空分布模型。
[0145]
可选地，所述步骤502包括：
[0146]
以订单为单位，将所述轨迹数据按照时间序列排列为轨迹集合；
[0147]
删除所述轨迹集合中不在设定区域范围内的数据，获得第一清洗数据；
[0148]
删除所述第一清洗数据中同一订单在第二设定距离内的重复轨迹数据，获得第二清洗数据；
[0149]
删除所述第二清洗数据中瞬时速度超过120公里/小时的轨迹数据，获得第三清洗数据；
[0150]
删除所述第三清洗数据中异常偏移点，获得第四清洗数据；所述异常偏移点与上一时刻轨迹点的连线和与下一时刻轨迹点的连线之间的夹角为锐角；
[0151]
删除所述第四清洗数据中订单中轨迹点少于10、订单时长小于1分钟或者订单距离小于800米的订单数据，获得所述第一处理轨迹数据。
[0152]
具体的，所述步骤503包括：
[0153]
选取所述交通路网中各道路与所述偏离点的距离最短的4-6条道路作为第一待确认路段集；
[0154]
将所述偏离点作为临时线段的起点，下一时刻的轨迹点作为临时线段的终点，从所述待确认路段集中筛选出与所述临时线段的斜率绝对值之差最小的两条道路作为第二
待确认路段集；
[0155]
从所述第二待确认路段集中选择与所述偏离点距离最短的道路作为所述偏离点的归属道路；
[0156]
将所述偏离点垂直投影到所述归属道路的位置作为所述偏离点的修正位置。
[0157]
可选地，所述步骤504包括：
[0158]
根据所述第二处理轨迹数据计算每个轨迹点的瞬时速度，获得各道路不同时刻的车辆通行速度，各道路不同时刻的车辆通行速度构成所述车辆通行速度集合；
[0159]
提取所述第二处理轨迹数据中每个订单的出发位置和终点位置，获得od点对出行集合；
[0160]
基于地图匹配方法进行车辆轨迹识别，提取所述第二处理轨迹数据中每个订单出发位置和终点位置之间所有交通节点的集合，所述订单出发位置和终点位置之间所有交通节点的集合构成所述车辆行驶轨迹集合。
[0161]
具体的，所述步骤505包括：
[0162]
初始化运营车辆的参数；所述运营车辆的参数包括运营车辆总数、一班制或两班制工作模式下每个班的运营车辆数目、各运营车辆的开始工作时刻和结束工作时刻以及各运营车辆的初始电量；
[0163]
初始化运营车辆充电需求集合；
[0164]
按照各运营车辆的开始工作时刻对各运营车辆进行编号；所述编号用j表示；
[0165]
对第j辆运营车辆的运营进行模拟；
[0166]
根据当前时刻第j辆运营车辆的电池电量判断第j辆运营车辆是否产生充电需求；
[0167]
若第j辆运营车辆产生充电需求，则将充电需求产生的时刻和位置加入所述运营车辆充电需求集合，使第j辆运营车辆在第一设定时间内停止运营，令j值加1，返回步骤“对第j辆运营车辆的运营进行模拟”；
[0168]
若第j辆运营车辆没有产生充电需求，则使第j辆运营车辆在所述交通路网中巡游，直到接到订单；
[0169]
提取订单中的起点和终点，第j辆运营车辆前往所述起点接乘客；
[0170]
当第j辆运营车辆接到乘客后，删除所述od点对出行集合当前订单的od点对，记录当前时刻、当前时刻电池电量和当前时刻位置，将当前订单在所述车辆行驶轨迹集合中的历史行驶轨迹作为当前行驶轨迹，提取所述车辆通行速度集合中与所述当前行驶轨迹对应的道路通行速度，根据当前行驶轨迹和对应的道路通行速度计算当前订单的行驶时间；
[0171]
当当前订单到达终点后，更新当前时刻、当前时刻电池电量和当前时刻位置；
[0172]
判断第j辆运营车辆是否到达结束工作时刻；
[0173]
若第j辆运营车辆到达结束工作时刻，则第j辆运营车辆在第二设定时间内停止运营，判断j是否等于所述运营车辆总数；
[0174]
若第j辆运营车辆没有到达结束工作时刻，则判断j是否等于所述运营车辆总数；
[0175]
若j不等于所述运营车辆总数，则令j值加1，返回步骤“对第j辆运营车辆的运营进行模拟”；
[0176]
若j等于所述运营车辆总数，则模拟运营结束；
[0177]
根据运营车辆充电需求集合确定运营车辆充电需求时空分布模型。
[0178]
图7为本发明提供的实施例中的电动汽车充电需求时空分布预测模型流程图，如图7所示，所述步骤600中的电动汽车充电需求时空分布模型即为图7中的融合私家车与运营车辆充电需求时空分布模型。
[0179]
优选地，所述充电站选址定容规划模型的目标函数表示为：
[0180]
min f＝αf1+β(f2+f3)n
year
；
[0181]
其中，f为年综合成本；f1为所述充电站年建设运行成本；f2为所述电动汽车用户从充电需求点到充电站年耗时成本；f3为所述用户年排队等待时间成本；n
year
为充电站规划年限，α为第一权衡利益系数，β为第二权衡利益系数；
[0182][0183]
n为规划的充电站数量；qi为第i号充电站内充电机数量；r0为贴现率；m为充电站的折旧年限，c(qi)为第i号充电站建设投资成本函数；u(qi)为第i号充电站年运行成本函数；
[0184][0185]
j为充电需求点集合，为选择第i号充电站进行充电的充电需求点集合；为选择第i号充电站进行充电的第j号充电需求用户前往第i号充电站充电途中所经过的道路集合；φ为经过道路系数，dk为k号道路长度；v
kt
为t时刻k号道路的车辆通行速度；fw为电动汽车用户时间成本折算系数；
[0186][0187]
为第i号充电站在t时刻内的充电排队等待时间；为第i号充电站在t时刻内充电的电动汽车的数量；t∈[t0,te]表示模拟电动汽车的行驶时间，t0表示行驶开始时间，te表示行驶结束时间。
[0188]
具体的，基于上述流程建立了电动汽车充电需求时空分布模型，为充电站规划的建模提供了必要的输入数据。对于人口相对稳定、道路基础设施发达的城市，城市内出行模式、运输系统将趋于一致并保持稳定。在可预测的未来情况下，可根据电动汽车市场渗透率，利用现有的出租车轨迹来估计充电时空分布的演化状况，对充电站网络进行改造或扩建，具体包括：
[0189]
(1)充电站年建设运行成本
[0190]
该成本主要包括前期建设时的土建、电网设施、充电机及相关保护设备等费用和投入运营后的设备日常维护、人力费用等。充电站的建设配套设施成本、设备护和人工成本均和充电站规模息息相关，而充电站内充电机的数量决定了充电站的规模，因此将建设投资成本和年运行成本定义为关于充电机数量的函数，具体为：
[0191][0192][0193]
u(qi)＝0.1
×
c(qi)；
[0194]
式中，n为规划的充电站数量；qi为i号充电站内充电机数量；r0为贴现率；m为充电站的折旧年限；c(qi)为充电站建设投资成本函数；u(qi)为充电站年运行成本函数，在该实施例中取充电站建设投资成本的10％；o为建设充电站土建费用；q为充电机的单价；e为充电机配套设施费用的等效系数。
[0195]
(2)电动汽车用户从充电需求点到充电站年耗时成本
[0196]
该成本可表示为下式：
[0197][0198]
式中，j为充电需求点集合，j
csi
为选择i号充电站进行充电的充电需求点集合，即集合内的电动汽车用户均选择i号充电站充电；e
jcsi
为选择i号充电站进行充电的j号充电需求用户前往充电站充电途中所经过的路径集合；φ为经过道路系数，φ＝1表示行驶过该道路全程，φ＝0.5表示仅行驶过该道路半程；dk为k号道路长度；v
kt
为t时刻k号道路的车辆通行速度。
[0199]
(3)电动汽车用户年排队等待时间成本
[0200]
电动汽车用户在充电过程中可能会遇到排队等待现象，公共充电站内电动汽车用户到达时间间隔服从负指数分布，充电时长服从多高斯分布，符合m/g/k排队模型。m/g/k排队模型中的顾客到达服从符合参数为λ的泊松分布，服务时长为一般分布g，一般分布g的期望为e
t
，方差为v
t
，那么m/g/k排队模型的平均等待时长的近似计算公式为：
[0201][0202]
式中，k为充电机数量；λ为单位时间内到达充电站的电动汽车数量。
[0203]
平均排队长度为式中，为单位时间内排队等待的电动汽车数量。
[0204]
平均队长为：式中，为单位时间内电动汽车总数，即排队等待和正在充电的电动汽车数；μ为平均每台充电机单位时间服务的电动汽车数量。
[0205]
电动汽车用户等待时间年成本表示为：
[0206][0207]
式中，为i号充电站在t时段内的充电排队等待时间；为i号充电站在t时
段内服务的电动汽车数量。22表示行驶开始时间，具体为t∈[8,22]，指早八点-晚22点的行驶时段。
[0208]
约束条件为：
[0209][0210]
本发明假设电动汽车用户充电时无二次选择行为，即不会选择换站充电，因此必须保证电动汽车用户的排队等待时长在一定范围以内，w
max
为电动汽车用户对排队等待的最大忍耐时间。
[0211]
本发明使用充电站建设运行成本描述运营商侧利益，从充电需求点到充电站耗时成本和充电过程中的排队等待时间成本用以描述电动汽车用户侧利益，以总成本和最低为目标，建立充电站最优选址定容规划模型，目标函数为：
[0212]
min f＝αf1+β(f2+f3)n
year
；
[0213]
式中：f为年综合成本；f1为充电站年建设运行成本；f2为用户从充电需求点到目标充电站途中年耗时成本；f3为用户年排队等待时间成本；n
year
为充电站规划年限，α,β为权衡双方利益的系数，该实施例更重视充电站的公共服务功能，因此向用户侧利益稍加倾斜，取α＝0.8,β＝1.2。
[0214]
优选地，所述根据所述电动汽车充电需求时空分布模型，采用粒子群算法求解所述目标函数，确定充电站位置和各充电站中充电机的配置数量，具体包括：
[0215]
根据所述电动汽车充电需求时空分布模型，采用改进自适应惯性权值的粒子群算法求解所述目标函数，确定充电站位置和各充电站中充电机的配置数量。
[0216]
本实施例按照充电站选址定容规划模型，应用改进粒子群算法求解最优站址及站内的充电机数量配置，算法流程如图8所示。本实例基本参数设置如表3所示，当充电站个数为6-13时，综合成本变化趋势如图9所示。区域内充电站最优规划结果如图10所示，各规划充电站的详细信息如表4所示。其中表3为充电站基本参数设定表，表4为充电站最优规划结果示意表。
[0217]
表3
[0218][0219]
表4
[0220][0221]
图11为本发明提供的实施例中的充电站规划系统的模块连接图，如图11所示，本实施例中还提供了一种考虑电动汽车充电需求的充电站规划系统，包括：
[0222]
获取模块，用于获取非运营车辆的出行链数据、充电场景数据；
[0223]
第一特征确定模块，用于根据所述出行链数据确定所述非运营车辆的出行特征；所述出行特征包括：不同出行链的概率、出发时刻概率、目的地概率和到达时刻概率；
[0224]
第二特征确定模块，用于根据所述充电场景数据确定所述非运营车辆的充电特征；所述充电特征包括：不同出行链的所述非运营车辆的充电频率、目的地充电行为特征和不同的功能区域对所述非运营车辆的吸引力；
[0225]
第一模型建立模块，用于根据所述出行特征和所述充电特征建立非运营车辆充电需求时空模型；
[0226]
第二模型建立模块，用于基于运营车辆订单的轨迹数据建立运营车辆充电需求时空分布模型；
[0227]
融合模块，用于将所述非运营车辆充电需求时空模型和所述运营车辆充电需求时空分布模型进行融合，得到电动汽车充电需求时空分布模型；
[0228]
目标函数构建模块，用于基于充电站年建设运行成本、电动汽车用户从充电需求点到充电站年耗时成本和电动汽车用户年排队等待时间成本，构建充电站选址定容规划模型的目标函数；所述电动汽车用户包括所述非运营车辆的用户和所述运营车辆的用户；
[0229]
充电站规划模块，用于根据所述电动汽车充电需求时空分布模型，采用粒子群算法求解所述目标函数，确定充电站位置和各充电站中充电机的配置数量。
[0230]
优选地，所述第一特征确定模块具体包括：
[0231]
第一统计单元，用于根据所述出行链数据进行统计分析，得到所述不同出行链的所述概率、所述出发时刻概率和单次出行耗时分布；
[0232]
第一模拟单元，用于基于蒙特卡罗方法对所述概率、所述出发时刻概率和所述单次出行耗时分布进行模拟，得到所述目的地概率和所述到达时刻概率。
[0233]
优选地，所述第二特征确定模块具体包括：
[0234]
第二模拟单元，用于根据所述充电场景数据对预设时间内的所述非运营车辆在公共桩充电频次进行概率分布模拟，得到期望；所述期望为平均每人在所述预设时间内的公共桩充电频次；基于蒙特卡罗方法对所述期望进行抽样模拟，得到每日内所述非运营车辆使用充电桩的所述充电频率；
[0235]
分析单元，用于对所述充电场景数据进行分析，得到各个所述出行链中的所述非运营车辆的目的地充电行为特征；
[0236]
第二统计单元，用于统计所述充电场景数据中的各个功能区域的充电兴趣点，并根据不同功能区域对应的充电兴趣点个数进行权值分析，得到不同的功能区域对所述非运营车辆的所述吸引力。
[0237]
优选地，所述第一模型建立模块具体包括：
[0238]
获取单元，用于获取所述非运营车辆的车辆总数m；
[0239]
第三模拟单元，用于对第i辆所述非运营车辆进行充电模拟，并根据所述不同出行链的概率抽取所述非运营车辆的出行链；
[0240]
第一抽取单元，用于基于所述非运营车辆的所述目的地充电行为特征和所述目的地概率，抽取所述出行链上的所述非运营车辆在行程结束后进行充电的目的地；
[0241]
第二抽取单元，用于基于所述吸引力，抽取所述出行链上的所述非运营车辆的充电区域，并抽取所述充电区域内的道路节点，所述道路节点为第i辆所述非运营车辆的具体充电地点；
[0242]
第三抽取单元，用于基于所述到达时刻概率和所述出发时刻概率，抽取第i辆所述非运营车辆的目的地充电行为的行程到达时刻，所述行程到达时刻为第i辆私家车的具体充电时间；
[0243]
判断单元，用于将所述具体充电地点和所述具体充电时间写入非运营车辆快充需求集合，判断i是否等于m，若否，则另i＝i+1，并返回步骤“对第i辆所述非运营车辆进行充电模拟”，若是，则根据所述非运营车辆快充需求集合确定所述非运营车辆充电需求时空模
型。
[0244]
本发明的有益效果如下：
[0245]
(1)本发明通过利用运营车辆的gps轨迹数据，综合考虑运营特性、充电特性等条件，通过实时交通模拟、订单行为再现、充电行为模拟等，建立电动出租车充电需求时空分布预测模型，克服了传统方法仅利用出行出发点和目的地来进行充电行为仿真造成的误差。
[0246]
(2)本发明基于私家车真实数据进行出行和充电行为特征的分析，并充分考虑具体充电地点对私家车用户的吸引力，进行更为切实的充电需求时空分布预测，进一步的将二者充电需求预测结果应用至充电站规划建设方案中，与已有技术不同的是，本发明考虑用户到达充电站后的排队等待情况，综合考虑充电站和用户两者的利益，规划充电站的站址和容量配置。保证城市电动汽车系统的正常高效运行，提高了充电站规划的实用性和适用范围。
[0247]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0248]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。