一种基于随机路网的电动汽车充电站选址方法

1.本发明涉及交通运输规划与管理中的道路交通领域，特别涉及一种基于随机路网的电动汽车充电站选址方法。


背景技术：

2.目前全球石油资源短缺以及环境污染日益严重，电动汽车作为新能源汽车的代表，实现新能源汽车产业快速发展，得到了国家的大力推广和社会的广泛关注。
3.充电基础设施作为保障电动汽车进行长距离出行的重要配套基础设施，直接影响着电动汽车的运营效率。合理的充电站布局和建设方案会最大程度上满足电动汽车用户需求，促进新能源产业的快速发展。但目前电动汽车和充电站的发展不协调，充电桩利用率低下、充电速度慢、部分地区充电桩数量严重不足的问题日益凸显，制约了充电汽车的使用场景。
4.现有的充电站规划布局方法存在以下问题：(1)大多充电站布局基于确定性的路网，只能满足单一场景下的电动汽车充电需求；(2)采用路段长度、路段通行时间或路段通行费用等作为路段权重，围绕交通出行需求的服务覆盖进行充电站点的选址研究。然而，单纯研究确定环境下充电站点选址问题显然不能满足实际交通出行的需要，因此如何科学建设充电设施、有效地提高充电设施的利用效率，是当前亟待解决的问题。


技术实现要素：

5.发明目的：针对以上问题，本发明目的是提供一种基于随机路网的电动汽车充电站选址方法，从历史数据中获取实际交通路网的不同场景信息，搭建综合选址优化模型，满足居民的交通出行和充电需求，便利居民的生活，在节省充电站的建设成本的基础上，提高充电站的利用率，提高电动汽车产业的总体效益。
6.技术方案：本发明的一种基于随机路网的电动汽车充电站选址方法，包括：
7.利用不同交通场景模拟原始交通网络的随机性，并确定不同交通场景出现的概率；
8.根据路段能耗与路段通行时间之间的关系，计算不同交通场景下的路段能耗；
9.在原始交通网络的基础上搭建拓展网络，在拓展网络下利用路段能耗计算完成行程所需电量；
10.基于随机性，以拓展网络下充电站建设成本以及在途充电量最小为目标建立综合选址模型；
11.根据完成行程所需电量的约束条件优化综合选址模型，对优化后综合选址模型进行求解，根据求解结果确定拓展网络充电站点最优位置以及不同交通场景下起讫对的路径。
12.进一步，根据路段能耗与路段通行时间之间的关系，计算不同交通场景下的路段能耗具体包括：
13.根据车辆行驶速度和路段通行时间之间的关系v＝l/t，利用不同交通场景的路段通行时间计算，得到不同场景下的路段行驶速度其中l表示原始交通网络中路段长度；
14.根据提取的路段历史能耗数据以及对应的速度数据，利用函数拟合路段能耗和路段行驶速度之间的关系，根据关系利用不同场景下路段行驶速度计算不同场景下的路段能耗
15.进一步，在原始交通网络的基础上搭建拓展网络，在拓展网络下利用路段能耗计算完成行程所需电量具体包括：
16.原始交通网络go＝(no,a
°
)由实际节点集合n
°
和实际路段集合a
°
组成，在实际节点集合n
°
中每一个od对增加一组虚拟起点和虚拟终点由实际节点集合no、虚拟起点和虚拟终点组成虚拟节点集合n；
17.在实际路段集合ao基础上，为每个满足能耗限制的节点对(i,j)增加一条虚拟路段，路段权重为节点对(i,j)最短路径消耗的能量由实际路段集合和虚拟路段组成虚拟路段集合a；
18.由虚拟节点集合n和虚拟路段集合a组成拓展网络g＝(n,a)；
19.利用车辆经过所有路段后消耗的电量、终点电池电量以及起点电池电量进行计算，得到在交通场景s下第k个od对完成行程所需电量表达式为：
[0020][0021]
式中，表示在交通场景s下起点和终点处的电池电量，i表示节点，i∈∪
k∈k
{ok,dk}，表示在交通场景s下车辆通过路段(i,j)的路段能耗；为决策变量，表示在交通场景s下第k个od对是否使用路段(i,j)，当表示使用路段(i,j)，当表示不使用路段(i,j)；k表示od对的集合，s表示交通场景的集合。
[0022]
进一步，虚拟路段集包括a1、a2、a3、a4及a5，满足以下要求：
[0023]
虚拟路段集a1为连接虚拟起点与实际起点ok之间的路段集，并规定虚拟路段集a1能耗为0，表示为：
[0024][0025]
虚拟路段集a2为连接实际终点dk与虚拟终点之间的路段集，并规定虚拟路段集a2能耗为0，表示为：
[0026][0027]
当交通场景s下原始交通网络中任意节点对(i,j)的最短路所消耗的电量小于电池容量r，则为节点对(i,j)创建虚拟路段(i,j,s)作为虚拟路段集a3，并规定虚拟路段集a3消耗能量为表示为：
[0028]
[0029]
当交通场景s下虚拟起点到原始交通网络中任意节点j的最短路所消耗的电量小于则为节点对创建虚拟路段作为虚拟路段集a4，并规定虚拟路段集a4消耗能量为表示为：
[0030][0031]
若交通场景s下原始交通网络中任意节点i到虚拟终点的最短路所消耗的电量小于则为节点对创建虚拟路段作为虚拟路段集a5，并规定虚拟路段集a5消耗能量为表示为：
[0032][0033]
进一步，基于随机性，以拓展网络下充电站建设成本以及在途充电量最小为目标建立综合选址模型具体包括：
[0034]
基于随机路网中不同交通场景出现的概率，建立最小化充电站的建设成本和在途充电量的综合选址模型，规定所有起讫对od在电量约束条件下到达终点，综合选址模型f的表达式为：
[0035][0036]
式中，ps表示交通场景s出现的概率，dk表示第k个od对的需求流量，fi表示在节点i建设充电站的固定成本；表示决策变量，表示在交通场景s下节点i是否建立充电站，当表示交通场景s下需要在节点i建设充电站，当表示场景s下节点i不建设充电站。
[0037]
进一步，完成行程所需电量的约束条件包括起点约束和终点约束，分别表示为：
[0038]
当起点建有充电站时，则电动汽车出发时的电池电量为100％；当起点没有充电站，则电动车出发时的电池电量为50％，电动汽车的起点电池电量约束表示为：
[0039][0040]
当终点建有充电站时，则电动汽车在到达终点时耗尽电量；当终点没有充电站时，则在到达终点前电动汽车的电池电量至少大于50％以保证后续行程，电动汽车的终点电池电量约束表示为：
[0041][0042]
根据起点电池电量约束和终点电池电量约束得到完成行程所需电量表达式为：
[0043][0044]
进一步，基于随机性，以拓展网络下充电站建设成本以及在途充电量最小为目标
建立综合选址模型，之后还包括：在满足所有od对出行需求基础下，构建基于随机路网的综合选址模型的约束条件，约束条件包括：
[0045]
充电站建设位置约束：在拓展网络中，约定每个od对使用的节点限制在建设充电站的节点集合内，表示为：
[0046][0047]
流平衡约束：对于第k个od对，约定虚拟起点流出的流量为1，流入虚拟终点的流量为1，拓展网络中其他节点的流入流量和流出流量相等，表示为：
[0048][0049]
唯一充电站位置选择约束：约定不同交通场景下充电站点的建设位置相同，即决策变量在各交通场景下的取值相同，表示为：
[0050][0051]
定义域约束：约定综合选址模型中的决策变量、起讫点的电池电量以及行程所需电量进行约束，表示为：
[0052][0053][0054][0055][0056]
进一步，根据完成行程所需电量的约束条件优化综合选址模型，对优化后综合选址模型进行求解，根据求解结果确定拓展网络充电站点最优位置以及不同交通场景下起讫对的路径具体包括：
[0057]
利用起讫点电池电量约束条件以及综合选址模型的约束条件优化综合选址模型，将优化后的综合选址模型作为随机路网的电动汽车充电站选择模型，表达式为：
[0058][0059][0060][0061][0062]
[0063][0064]
将电动汽车的相关参数、路网数据以及不同交通场景下的路段能耗数据输入至电动汽车充电站选址模型，利用gurobi求解器进行求解，输出充电站点最优建设位置以及不同场景下od对的路径。
[0065]
有益效果：本发明与现有技术相比，其显著优点是：
[0066]
1、本发明基于实际路网对每一个起讫对创建虚拟起点和虚拟终点，对满足能耗条件的节点对构建虚拟路段，构建拓展网络；并采用场景化的方法描述实际路网状态，利用路网中路段通行时间的历史数据作为场景来表示路段通行时间，使得充电站选址模型更加贴近实际生活；
[0067]
2、依据行驶速度和通行时间的关系、行驶速度和路段能耗的转换关系，以一种更加可靠的方式获得路段能耗，为交通网络中路段能耗提供相应的参考方法支撑，具有科学性、准确性、合理性和有效性；
[0068]
3、本发明的充电站选址模型可以快速有效的对充电站的位置进行选择和优化，在满足所有od对的出行需求的基础上，同时考虑充电站的建设费用以及所有od对的在途充电量，综合不同场景下路段信息，从而找到最具经济性和适用性的电动汽车充电站选址方案，提高现实交通网络的充电站利用效率，为电动汽车用户带来便利性。
附图说明
[0069]
图1为基于随机路网的电动汽车充电站选址方法流程图；
[0070]
图2为一个实施例中的原始路网图；
[0071]
图3为一个实施例中的部分拓展网络图。
具体实施方式
[0072]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。
[0073]
图1为一个实施例的一种基于随机路网的电动汽车充电站选址方法流程图，该方法包括以下步骤：
[0074]
(2)、利用不同交通场景模拟原始交通网络的随机性，并确定不同交通场景出现的概率。
[0075]
在不同时段下交通路网运行状况不同，上述步骤(2)通过使用多个场景来刻画交通路网的实际运行状况，用以模拟实际交通路网的随机性，分别给定不同时段下的交通场景出现的频率ps，包括工作日、休息日、早晚高峰等。
[0076]
(3)、根据路段能耗与路段通行时间之间的关系，计算不同交通场景下的路段能耗；
[0077]
上述路段能耗指电动汽车完成某一路段时消耗的电量，当路段长度确定时，路段能耗与路段通行时间之间存在函数关系，提前获取路段通行时间即可计算不同交通场景下的路段能耗。
[0078]
(4)、在原始交通网络的基础上搭建拓展网络，在拓展网络下利用路段能耗计算完成行程所需电量；
[0079]
(5)、基于随机性，以拓展网络下充电站建设成本以及在途充电量最小为目标建立综合选址模型；
[0080]
(6)、根据完成行程所需电量的约束条件优化综合选址模型，对优化后综合选址模型进行求解，根据求解结果确定拓展网络充电站点最优位置以及不同交通场景下起讫对的路径。
[0081]
上述基于随机路网的电动汽车充电站选址方法，利用多场景模拟实际路网交通状况，从实际路网中提取不同场景下的路段通行时间描述实际交通路网的随机性，分析不同场景下的路网状态与充电需求，通过模型优化得出经济合理且高效可行的充电站点建设方案。同时利用路段通行时间与能耗之间的函数关系以更可靠的方式获得电动汽车的路段能耗，使得选址方法更加贴合实际情况，具有非常好的实用性。
[0082]
在一个实施例中，步骤(2)之前还包括：
[0083]
(1)、从待规划城市中提取以下信息：实际交通路网的交叉口信息和路段信息，电动汽车的电池容量r等相关参数，电动汽车充电站的选址建设成本fi，获取待选址的电动汽车充电站的居民出行需求数据以及历史交通数据、电网统计数据等。
[0084]
在一个实施例中，步骤(3)具体包括：
[0085]
根据车辆行驶速度和路段通行时间之间的关系v＝l/t，利用不同交通场景的路段通行时间计算，得到不同场景下的路段行驶速度其中l表示原始交通网络中路段长度；
[0086]
根据提取的路段历史能耗数据以及对应的速度数据，利用函数拟合路段能耗和路段行驶速度之间的关系，根据关系利用不同场景下路段行驶速度计算不同场景下的路段能耗
[0087]
在一个实施例中，步骤(4)具体包括：
[0088]
原始交通网络go＝(no,ao)由实际节点集合no和实际路段集合ao组成，在实际节点集合no中每一个od对增加一组虚拟起点和虚拟终点由实际节点集合no、虚拟起点和虚拟终点组成虚拟节点集合n；
[0089]
在实际路段集合ao基础上，为每个满足能耗限制的节点对(i,j)增加一条虚拟路段，路段权重为节点对(i,j)最短路径消耗的能量由实际路段集合和虚拟路段组成虚拟路段集合a；
[0090]
由虚拟节点集合n和虚拟路段集合a组成拓展网络g＝(n,a)；
[0091]
利用车辆经过所有路段后消耗的电量、终点电池电量以及起点电池电量进行计算，得到在交通场景s下第k个od对完成行程所需电量表达式为：
[0092][0093]
式中，表示在交通场景s下起点和终点处的电池电量，i表示节点，i∈∪
k∈k
{ok,dk}，表示在交通场景s下车辆通过路段(i,j)的路段能耗；为决策变量，表示在交通场景s下第k个od对是否使用路段(i,j)，当表示使用路段(i,j)，当表示
不使用路段(i,j)；k表示od对的集合，s表示交通场景的集合。
[0094]
在一个实施例中，虚拟路段集包括a1、a2、a3、a4及a5，满足以下要求：
[0095]
虚拟路段集a1为连接虚拟起点与实际起点ok之间的路段集，并规定虚拟路段集a1能耗为0，表示为：
[0096][0097]
虚拟路段集a2为连接实际终点dk与虚拟终点之间的路段集，并规定虚拟路段集a2能耗为0，表示为：
[0098][0099]
当交通场景s下原始交通网络中任意节点对(i,j)的最短路所消耗的电量小于电池容量r，则为节点对(i,j)创建虚拟路段(i,j,s)作为虚拟路段集a3，并规定虚拟路段集a3消耗能量为表示为：
[0100][0101]
当交通场景s下虚拟起点到原始交通网络中任意节点j的最短路所消耗的电量小于则为节点对创建虚拟路段作为虚拟路段集a4，并规定虚拟路段集a4消耗能量为表示为：
[0102][0103]
若交通场景s下原始交通网络中任意节点i到虚拟终点的最短路所消耗的电量小于则为节点对创建虚拟路段作为虚拟路段集a5，并规定虚拟路段集a5消耗能量为表示为：
[0104][0105]
收集上述原始交通网络go的od信息，包括需求流量和起讫点位置。为了便于建模计算，搭建拓展网络g，由节点集n和的路段集a组成，图3为一个实施例中拓展网络结构示意图，其中节点0-4表示原始交通网络中节点，将(2,0)作为一对起讫对进行部分拓展，路段属于虚拟路段集a1，路段属于虚拟路段集a2，路段(0，4)属于虚拟路段集a3，路段属于虚拟路段集a4，路段属于虚拟路段集a5。
[0106]
在一个实施例中，步骤(5)具体包括：
[0107]
基于随机路网中不同交通场景出现的概率，建立最小化充电站的建设成本和在途充电量的综合选址模型，规定所有起讫对od在电量约束条件下到达终点，综合选址模型f的表达式为：
[0108][0109]
式中，ps表示交通场景s出现的概率，dk表示第k个od对的需求流量，fi表示在节点i
建设充电站的固定成本；表示决策变量，表示在交通场景s下节点i是否建立充电站，当表示交通场景s下需要在节点i建设充电站，当表示场景s下节点i不建设充电站。
[0110]
在一个实施例中，完成行程所需电量的约束条件包括起点约束和终点约束，分别表示为：
[0111]
当起点建有充电站时，则电动汽车出发时的电池电量为100％；当起点没有充电站，则电动车出发时的电池电量为50％，电动汽车的起点电池电量约束表示为：
[0112][0113]
当终点建有充电站时，则电动汽车在到达终点时耗尽电量；当终点没有充电站时，则在到达终点前电动汽车的电池电量至少大于50％以保证后续行程，电动汽车的终点电池电量约束表示为：
[0114][0115]
根据起点电池电量约束和终点电池电量约束得到完成行程所需电量表达式为：
[0116][0117]
在一个实施例中，在步骤(5)之后，还包括：在满足所有od对出行需求基础下，构建基于随机路网的综合选址模型的约束条件，约束条件包括：
[0118]
充电站建设位置约束：在拓展网络中，约定每个od对使用的节点限制在建设充电站的节点集合内，表示为：
[0119][0120]
流平衡约束：对于第k个od对，约定虚拟起点流出的流量为1，流入虚拟终点的流量为1，拓展网络中其他节点的流入流量和流出流量相等，表示为：
[0121][0122]
唯一充电站位置选择约束：约定不同交通场景下充电站点的建设位置相同，即决策变量在各交通场景下的取值相同，表示为：
[0123][0124]
定义域约束：约定综合选址模型中的决策变量、起讫点的电池电量以及行程所需电量进行约束，表示为：
[0125][0126]
[0127][0128][0129]
在一个实施例中，步骤(6)具体包括：
[0130]
利用起讫点电池电量约束条件以及综合选址模型的约束条件优化综合选址模型，将优化后的综合选址模型作为随机路网的电动汽车充电站选择模型，表达式为：
[0131][0132][0133][0134][0135][0136][0137]
将电动汽车的相关参数、路网数据以及步骤(3)得到的不同交通场景下的路段能耗数据输入至电动汽车充电站选址模型，利用gurobi求解器进行求解，输出充电站点最优建设位置以及不同场景下od对的路径。
[0138]
在一个示例中，以一个五节点的交通网络go为研究对象，说明上述基于随机路网的电动汽车充电站选址方法的实现过程。如图2所示，圆形标记代表不同的节点，不同节点间的有向线段代表交通路网中路段，路段上的标签代表该路段的长度l，具体包括以下步骤：
[0139]
(1)从路网获取节点集合no＝{0,1,2,3,4}和路段集合ao。规定电动车的电池容量为580，各节点的建设费用分别为f0＝2000、f1＝4000、f2＝6000、f3＝4000、f4＝9000。od的出行需求数据如表1所示，ok和dk表示第k个od对的起讫点。
[0140]
表1出行需求表
[0141][0142]
(2)利用基于场景的方法模拟实际交通路网的随机性，给定不同交通场景出现的概率ps，不同的交通场景下不同路段间的通行时间不同，横纵表格均表示节点，获取不同场景下的路段通行时间数据如表2所示。
[0143]
表2不同场景下的路段通行时间数据表(单位：h)
[0144][0145]
(3)用从实际路网中获取的一组路段能耗和对应的速度数据，如表3所示，选取一种常用函数来拟合两者之间关系，得到能耗和车辆行驶速度之间的关系式为
[0146]
表3路段能耗和路段行驶速度表
[0147][0148]
(4)依据能耗和路段通行时间之间的关系，获取不同场景下的路段能耗如表4所示。
[0149]
表4不同场景下的路段能耗表
[0150][0151]
(5)在原始交通路网g
°
＝(n
°
,a
°
)的基础上搭建拓展网络g＝(n,a)，为每组起讫od对新建虚拟起讫点，为满足能耗条件的节点对创建虚拟路段。拓展路网的路段集如表5所示。
[0152]
表5拓展网络的路段能耗表
[0153]
[0154][0155]
(6)在满足所有出行需求的基础上，综合考虑充电站的建设成本以及居民出行成本，构建充电站选址模型的目标函数：
[0156][0157]
模型的约束条件包括：
[0158][0159][0160][0161][0162][0163]
[0164][0165]ri
≥0,i∈{ok∪dk},k∈k
ꢀꢀꢀ
(8)
[0166]
x
ijk
∈{0,1},(i,j)∈a,k∈k
ꢀꢀꢀ
(9)
[0167]
yi∈{0,1},i∈n0ꢀꢀꢀ
(10)
[0168]
式(1)表示第k个od对完成其行程所需的总能量式(2)表示od对k的起点的电池水平约束：在建设充电站的情况下，起点的电池水平为100％，否则为50％。式(3)表示od对k的终点的电池水平约束：在建设充电站的情况下，终点的电池水平为0％，否则为50％。式(4)表示流平衡约束，保证了各场景下所选的路段在od之间形成一条完整的路径，除行程的起点和终点外，网络中的其它节点的流入和流出是相等的。式(5)是充电站点的建设约束，表示充电站点建设在od对所使用的路段末端。式(6)是唯一充电站点选址约束，本实施例中需要寻找最佳充电站建设方案，因此各场景下应该选取相同的充电站位置布局，若在交通场景s下节点j建设充电站，则该节点在其它场景下必须被选择。式(7)-(10)决定了决策变量的定义域。
[0169]
(8)利用gurobi求解器计算得到各场景下od对的最优路径以及充电站点的建设方案，如下表6-7所示。
[0170]
表6每个节点建立充电站点的建设方案
[0171][0172]
(上表中值为0代表该节点不建设充电站，值为1代表该节点建设充电站)
[0173]
表7各场景下od对的最优路径
[0174][0175]
从上述模型求解结果可知，各场景下充电站选址方案相同，但不同场景下od对的最佳路径可能会有所差异。如od对(2,0)在场景0和1的最优路径均为2
→1→3→
0，但由于不同场景下的路段能耗存在差异，使得场景2下的最优路径变为2
→1→4→3→
0，模型算例的结果更加贴合实际情况。
[0176]
本发明在电动汽车充电站选址时，基于路网的随机性搭建拓展网络，利用能耗和通行时间的函数关系得到不同场景下的路段能耗，进而以充电站建设成本和od对的在途充电量最小为目标，并根据电动汽车的充电行为对模型进行简化，最终确定了充电站地址。基
于随机路网保证用户出行更加贴合实际情况，在不同场景下会选择不同的出行路径，能耗和速度的函数关系反映了电动汽车实际充电需求，在满足用户充电需求的情况下，保证充电站建设和用户出行总成本最小，提高了充电站的利用率，方便了居民生活。