一种电动出租车充电网络规划方法与流程

本发明涉及充电网络规划领域，尤其涉及一种电动出租车充电网络规划方法。

背景技术：

1、根据目前的规划发展需要与现实情况来看，电动汽车的数量不可避免地会进入一个快速增长的阶段，当大量电动汽车进行集中充电时，电网会受到这部分充电负荷较大的影响，同时充电站的选址也关系到充电效率和经济性问题。

2、相关研究利用蒙特卡洛法对电动汽车充电需求和出行时间进行了相关性分析，得出充电需求概率模型。在此基础上，可进行相应的电动汽车充电站选址工作。国内外研究人员从实际数据提取和建立模型预测两方面来对充电站的选址进行优化。有关研究对实际的出租车gps数据进行提取与加工，对相关所需部分进行分析，获得具有时空属性的充电需求，并建立相应的时空需求模型讨论充电站最佳选址。有关学者提出了考虑流量的选址模型，以通过选址地的目标流量最大化为目标，构建流量捕获选址模型。有关研究以满足区域内电动汽车充电需求最大量和充电站服务半径为条件，以目标年综合费用最小为目标，基于变权voronoi图，采用混合离散粒子群算法，对充电站最优选址进行优化搜寻，提高了选址的准确性。由于变权voronoi图算法复杂度较高，结合混合离散粒子群算法容易陷入局部最优解，不收敛于最优解。同时，该算法同时求解了充电站的数量和位置，该算法将不同充电站数量的方案都完整寻求最优解，最终比较各个充电站数量方案，导致求解时间较长。在模型方面，该研究考虑了电动出租车前往充电站的时间成本和等待充电成本，未考虑充电完成后从充电站到达首个搜寻乘客节点位置的时间成本，成本计算存在偏差，偏离实际运行成本，使得充电网络规划不能达到最优。故现有的研究有待在算法效率和模型方面有待进一步地改进。

技术实现思路

1、本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种电动出租车充电网络规划方法，以得到最优充电站空间布局的目的。为此，本发明采取以下技术方案。

2、一种电动出租车充电网络规划方法，包括以下步骤：

3、1)获取信息，包括充电站规划区域信息、电动出租车和充电站参数；

4、2)获取电动出租车充电网络规划模型，电动出租车充电网络规划模型以电动汽车充电站年总成本最低为目标，综合充电行为总体时间消耗成本、充电站年固定投入成本和充电站年运维成本；其中充电行为总体时间消耗成本包括三部分，分别为电动出租车从当前位置前往充电站的时间成本，在充电站内等待与充电的时间成本，充电完成后从充电站到达首个搜寻乘客节点位置的时间成本；

5、3)计算充电站建设数量可行范围和最优解，根据区域内电动汽车充电功率总需求计算充电站建设数量范围，基于电动出租车充电网络规划模型计算充电站建设数量的最优解，得到最优充电站数量；

6、4)采用遗传算法计算充电站具体位置；

7、以电动出租车充电网络规划模型函数作为遗传算法的适应度函数，根据确定的最优充电站数量，初始化随机充电站的坐标，将位置信息进行编码后作为求解变量，得到最优充电站空间位置，形成电动出租车充电网络规划方案。

8、本发明通过将充电站最优数量和最优分布问题进行解耦，分步骤求解，有利于提高算法的收敛性和时间效率。从社会效益的角度建立了电动汽车充电站选址模型，充分考虑了充电消耗的总时间成本、充电站的固定投入成本和运维成本，将充电完成后从充电站到达首个搜寻乘客节点位置的时间成本加入充电行为总体时间消耗成本中，使得成本计算更符合实际，与实际运行成本偏差小，得到的模型更为科学，得到的充电网络规划更为合理。

9、本技术方案采用遗传算法进行求解。其能灵活处理各类复杂约束条件，寻优能力强，具有较好的收敛能力。

10、作为优选技术手段：在步骤1)中，充电站规划区域信息包括道路长度和交汇点坐标信息；电动出租车参数包括汽车型号、电池容量和平均行驶速度；充电站参数包括充电机数量、功率和同时率；获取信息还包括：获取信息还包括：出租车司机的空驶时间成本和出租车订单信息，出租车订单信息包括起点信息和终点信息。

11、作为优选技术手段：在步骤2)中，电动出租车充电网络规划模型函数为：

12、min p＝t+cc+cv               (1)

13、其中，t代表充电行为总体时间消耗成本；cc代表充电站年固定投入成本；cv代表充电站年运维成本。

14、作为优选技术手段：充电行为总体时间消耗成本t为：

15、t＝∑i∈apiktikni+∑k∈m(∑i∈apiktk1ni)+(∑j∈a(∑i∈apikni)pkjtkj)

16、(3)

17、其中，a为交通节点的集合，i,j∈a；m为充电站位置节点的集合；ni为从节点i到充电站节点的出租车数量；pik为从交通节点i到充电站位置k进行充电的概率；tik为从交通节点i到充电站位置k的最短通行时间；tk1为电动汽车在充电站内等待与充电时间；pkj为从充电站位置k到交通节点j的概率；tkj为从充电站位置k到交通节点j的最短通行时间。以上充电行为总体时间消耗成本考虑较为全面，能够真实模拟实际情况。

18、作为优选技术手段：充电站年固定投入成本包括用于充电设施、辅助设备、土地购买与租赁方面的投入，充电站年固定投入成本为：

19、

20、其中，充电站配置的配变数量为ni，所配置的配变单位造价为a，充电站内充电桩数量为mi，充电桩单价为b，用于充电站基础投资的费用为ci，贴现率为r0，设计运行年限为z；

21、充电站年运维成本包含员工工资、设备维护费用、设备折旧费用，充电站年运维成本通过设定一个比例因子η来对年运维成本进行表达；充电站年运维成本为：

22、。

23、作为优选技术手段：在步骤3)中，充电站数量选取的策略是根据区域内电动汽车充电功率总需求来进行规划；在电动汽车总数量nev，所选车型电池额定容量w已知的情况下，可计算得出区域内电动汽车充电需求的总量；结合充电站最高容量限额smax与最低容量限额smin，可得充电站数量选取范围如式(2)所示

24、

25、其中，nmin为区域内电动汽车充电站最小规划数，nmax为区域内电动汽车充电站最大规划数，充电站规划数nmin≤n≤nmax。

26、作为优选技术手段：在步骤4)中，根据初始化随机充电站的坐标计算初始方案的适应度函数值，通过对位置编码的选择、交叉、变异操作进行随机变换，对随机方向上进行寻优生产下一代种群；选择操作是将适应度函数低的个体遗传到下一代，即综合成本低的充电站分布方案保留继续参与寻优；交叉操作是将两个经过选择操作相对优的个体的位置编码进行部分交换，新生成的个体继承原个体的优点，即可能新生成的一个充电站布局方案综合了两个方案的优点；变异则是将各个相对优的个体进行位置编码的随机变异，使新个体在现有个体附近寻优，即将各个相对优的充电站布局方案进行自身周边随机方向的微调寻优；通过计算新种群的适应度函数来评价位置编码所代表的充电站分布方案是否优化，当满足迭代条件时输出最优充电站方案，否则继续对生成的种群位置编码进行选择、交叉、变异操作进行循环，直到满足迭代条件为止。

27、有益效果：本发明通过将充电站最优数量和最优分布问题进行解耦，分步骤求解，有利于提高算法的收敛性和时间效率。从社会效益的角度建立了电动汽车充电站选址模型，充分考虑了充电消耗的总时间成本、充电站的固定投入成本和运维成本，将充电完成后从充电站到达首个搜寻乘客节点位置的时间成本加入充电行为总体时间消耗成本中，使得成本计算更符合实际，与实际运行成本偏差小，得到的模型更为科学，得到的充电网络规划更为合理。

28、本技术方案采用遗传算法进行求解，其能灵活处理各类复杂约束条件，寻优能力强，具有较好的收敛能力。

29、时间成本的大小是影响出租车盈利多少的重要因素，本技术方案综合考虑出租车时间成本与充电站建设、运营成本，利用遗传算法最终得到规划方案。对电动汽车充电站进行科学的站址规划有效降低用户时间成本，避免对充电站的过分不必要投资，提高充电站利用率。降低电动出租车运营成本，使其收入得到保障，有助于电动出租车行业的健康发展，提高电动出租车的占有率，有助于减少废气的排放。

30、本技术方案从概率角度进行建模的，能满足大规模的规划问题，效率高，计算量小。解决复杂路网和多充电站点时的计算效率问题。相对于直接将各单车累加进行时间成本计算方法，本专利所提方法具有适用性。避免以一年365天的尺度统计，采用单纯的简单累加时，规模一大，计算量很大的问题。