一种基于效率视角的电动汽车充换电方法

本发明属于智慧交通领域，特别是涉及一种基于效率视角的电动汽车充换电方法。

背景技术：

1、随着新能源汽车产业的迅猛发展，电动汽车(evs)的市场渗透率显著提升，这不仅体现了全球向低碳交通转型的决心，也反映了消费者对可持续出行方式日益增长的需求。然而，尽管电动汽车在环保性能和运行成本上展现出显著优势，其充换电效率问题却成为行业发展的关键瓶颈之一，尤其是对于那些依赖于公共充电设施的用户而言。电动汽车的充电便捷性与时间效率是两大核心考量点。长时间的充电等待及不均衡分布的充电基础设施，严重影响了用户体验，进而限制了电动汽车市场的全面拓展。这一现状凸显出充电基础设施规划与建设的紧迫性，以及优化充电技术以缩短充电周期的必要性。

2、面对电动汽车保有量的激增，充换电基础设施的供需矛盾日益突出，成为制约行业发展的主要瓶颈。虽然快充技术有效提升了充电速率，但充电站的覆盖密度仍显不足。换电模式虽能实现车辆的快速补能，但高昂的建设与运营成本，加之跨品牌兼容性的缺乏，限制了其规模化应用，最终导致用户很难实现快速换电；随着电动汽车保有量日益增长，如何解决因充换电基础设施数量不足和分布不均衡导致的用户充换电效率低下的问题成为推动电动汽车市场持续健康发展的迫切需求。

技术实现思路

1、本发明实施例的目的在于提供一种基于效率视角的电动汽车充换电方法，以解决充换电设施稀缺、分布不均衡的问题，提高电动车充换电的效率。

2、为解决上述技术问题，本发明所采用的技术方案是，一种基于效率视角的电动汽车充换电方法，包括以下步骤：

3、s1、基于充换电方式和充换电基础设施分类两个角度确定电动汽车充换电选址的考虑因素；

4、s2、基于s1确定的考虑因素建立电动汽车充换电站优化选址模型；

5、s3、对遗传算法进行改进，并基于改进遗传算法选择目标路网对电动汽车充换电站优化选址模型进行求解。

6、进一步的，所述s1中确定的考虑因素为用户寻站成本和充换电站覆盖率。

7、进一步的，s2包括基于s1确定的考虑因素构建用户寻站时间成本和充换电站覆盖率两组目标函数：

8、s201、建立用户寻站时间成本目标函数：

9、

10、其中，f为用户的总寻站时间成本；n为候选点总数；di为所有前往i节点的车辆的行驶最短路径总和；v为家用电动车辆的道路平均行驶速度；p为用户的单位时间成本；决策变量xi用于表示区域i是否建立了充换电站；决策变量yji用于表示区域j处的电动汽车前往区域i建立的充换电站意愿；wj为区域j有充换电需求的车辆数；sij为需求区域i到区域j之间的最短距离，min表示最小值函数，max表示最大值函数；

11、s202、建立充换电站覆盖率目标函数：

12、

13、式中，a为poi覆盖率；ai为区域i充换电站的poi覆盖数量；a为所有充换电站的poi覆盖数量。

14、进一步的，所述s2还包括建立约束条件，具体为：

15、s203、建立充、换电站数量约束：

16、

17、其中，m为电动汽车充换电站的规划建设数量；

18、s204、充换电站与需求点之间的距离约束：

19、di≤dmax

20、di＝min{yjsij}，j∈n

21、其中，di为区域i到距离最近的充换电站之间的距离；dmax为最大距离；yj为决策变量用于表示区域j是否建设有充换电站；min表示最小值函数，max表示最大值函数；

22、s205、用户充换电约束：

23、yji≤xi

24、

25、s206、充换电站容量约束：

26、

27、其中，ci为充换电站i的容量，wj为j点有充换电需求的车辆数。

28、进一步的，所述s2还包括：

29、s207、将充换电站覆盖率目标函数和充换电站覆盖率目标函数的比值最小值作为目标函数minq：

30、

31、进一步的，s3中对遗传算法进行改进具体为：

32、s301、在遗传算法的每一代，种群通过选择、交叉和变异操作进行进化：

33、p(t+1)＝g(p(t))

34、其中，p(t)表示第t步的进化操作，g(p(t))表示所有进化操作的组合；

35、s302、使遗传算法恢复到第t0代：

36、p(t)→p(t0)

37、p(t0)＝m-1(c-1(s-1(p(t))))

38、其中，s-1表示逆向选择操作；c-1表示逆向交叉操作；m-1表示逆向变异操作。

39、进一步的，s3中使用改进的遗传算法对电动汽车充换电站优化选址模型进行求解的过程中，在遗传算法的每一代交叉、变异和替换操作中保留适应度最高的前一定比例的个体进入下一代。

40、进一步的，当遗传算法的迭代曲线收敛时，得到电动汽车充换电站优化选址模型最优解。

41、本发明的有益效果是：本发明在遗传算法领域实现了突破，其核心优势在于显著提高了算法的搜索能力和效率。首先，通过创新性地引入进化逆转操作，本发明有效拓展了空间的探索边界。不同于传统随机变异，进化逆转仅在个体适应度得以提升时生效，精准地促进了算法的局部搜索，加快了优质解的发现速度。这一操作通过对个体基因的定向逆转，打破了局部最优陷阱，增加了种群多样性，提高寻找全局最优解铺性能。其次，精英策略的应用保证了进化过程中优质解的留存，避免了因交叉、变异或替换等常规操作而导致的优秀个体流失。这一策略通过调整精英个体的比例，既加速了算法收敛，又防止了过早的局部收敛，确保了算法在保持高效率的同时，仍具备强大的全局搜索能力。将进化逆转与精英策略有机结合，本发明进一步巩固了遗传算法的稳定性和求解速度。这种综合策略不仅提升了算法的整体表现，还为解决复杂优化问题提供了更为高效、可靠的工具。本发明通过优化充换电站选址模型，大幅减少了用户寻站的时间成本，打造了更便捷、高效的充换电体验。同时，通过本方法对于充换电站分布精细调控，能够实现基础设施布局的均衡化，提升设施利用效率。

技术特征：

1.一种基于效率视角的电动汽车充换电方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于效率视角的电动汽车充换电方法，其特征在于，所述s1中确定的考虑因素为用户寻站成本和充换电站覆盖率。

3.根据权利要求1、2任一所述的一种基于效率视角的电动汽车充换电方法，其特征在于，s2包括基于s1确定的考虑因素构建用户寻站时间成本和充换电站覆盖率两组目标函数：

4.根据权利要求3所述的一种基于效率视角的电动汽车充换电方法，其特征在于，所述s2还包括建立约束条件，具体为：

5.根据权利要求3或4任一所述的一种基于效率视角的电动汽车充换电方法，其特征在于，所述s2还包括：

6.根据权利要求1所述的一种基于效率视角的电动汽车充换电方法，其特征在于，s3中对遗传算法进行改进具体为：

7.根据权利要求1所述的一种基于效率视角的电动汽车充换电方法，其特征在于，s3中使用改进的遗传算法对电动汽车充换电站优化选址模型进行求解的过程中，在遗传算法的每一代交叉、变异和替换操作中保留适应度最高的前一定比例的个体进入下一代。

8.根据权利要求1所述的一种基于效率视角的电动汽车充换电方法，其特征在于，当遗传算法的迭代曲线收敛时，得到电动汽车充换电站优化选址模型最优解。

技术总结
本发明提供一种基于效率视角的电动汽车充换电方法，具体步骤包括S1、基于充换电方式和充换电基础设施分类两个角度确定电动汽车充换电选址的考虑因素；S2、基于S1确定的考虑因素建立电动汽车充换电站优化选址模型；S3、对遗传算法进行改进，并基于改进遗传算法并选择目标路网对电动汽车充换电站优化选址模型进行求解。本发明显著增强了算法的整体性能，并为解决复杂的优化问题提供了更为高效且可靠的工具。通过优化充换电站的选址模型，本发明有效地降低了用户寻找充电站的时间成本，从而创造了更加便捷和高效的充换电体验。

技术研发人员：王秋玲,师培举
受保护的技术使用者：长安大学
技术研发日：
技术公布日：2024/12/5