【技术实现步骤摘要】
一种基于用户行为的电动汽车充电站选址方法
[0001]本专利技术涉及大数据
,具体是一种基于用户行为的电动汽车充电站选址方法。
技术介绍
[0002]根据国际能源署统计,交通系统的能源消耗和相关碳排放分别约占全球的29%和23%,是目前能源危机和环境污染问题的重要根源之一。为实现交通系统的节能减排,我国投入了大量的资金,大力推进电动汽车产业发展。在此背景下,有必要研究基于数据驱动的电动汽车充电站选址技术,从而指导相关的电动汽车服务,为改善用户电动汽车的使用体验,提供理论和技术支撑。
[0003]目前的相关研究多单独从电网、运营商视角出发,主要考虑配电网或成本。例如,申请(专利)号:202011051740.X,名称:基于改进的鲸鱼算法的电动汽车充电站选址建模方法,该专利在传统充电站选址研究的基础上加入服务容量因素的影响,构建最小化成本且限制服务容量的电动汽车充电站选址模型,但没有从电动汽车用户角度进行选址优化。申请(专利)号:202110291281.0,名称:一种电动汽车充电站选址优化方法及系统,该专利主要考虑人口分布、区域功能、地理位置因素,构建考虑建设成本和距离条件约束的充电站选址模型来进行选址,其无法更好地从用户具体需求出发来进行选址。
[0004]部分研究从用户视角出发,主要基于充电站的使用数据来对用户需求进行预测,从而进一步考虑充电站选址问题。例如,申请(专利) 号:201910167083.6,名称:一种电动汽车充电桩的选址方法和系统,该专利主要基于的数据包括目标地区的地图、人口密 ...
【技术保护点】
【技术特征摘要】
1.一种基于用户行为的电动汽车充电站选址方法,其特征在于包括以下步骤:步骤一、基于车辆数据、时间数据、位置数据、轨迹数据、POI数据、SOC数据进行挖掘,得到特征量的概率分布,利用蒙特卡洛模拟方法进行电动汽车充电需求预测;步骤二、基于步骤一预测的电动汽车充电需求,利用多目标决策方法构键电动汽车充电站选址模型;步骤三、基于构建的电动汽车充电站选址模型,利用仿真模拟的方法以及改进的飞蛾火焰算法进行模型求解,得到具体的选址决策。2.如权利要求1所述的基于用户行为的电动汽车充电站选址方法,其特征在于:所述步骤一具体包括:A、获取数据,包括电动汽车用户的车辆数据、时间数据、位置数据、轨迹数据、POI数据、SOC数据;B、对步骤A获取的数据进行预处理;C、对步骤B预处理后的数据进行挖掘,包括地图匹配、生成再生数据、通过网格划分进行空间建模、POI识别、功能区时空流动特征挖掘;D、基于步骤C的数据挖掘结果,进行电动汽车用户的出行过程模拟及充电决策模拟,基于出行过程模拟和充电决策模拟对用户的充电需求进行计算,得到各个区域的理论充电需求量。3.如权利要求1所述的基于用户行为的电动汽车充电站选址方法,其特征在于:步骤二中基于预测的电动汽车充电需求,利用多目标决策方法构键电动汽车充电站选址模型,具体为:(1)以尽可能高的服务水平满足电动汽车用户的充电需求为目标,设定电动汽车充电需求满足约束,所述电动汽车充电需求满足约束包括最大充电距离约束和充电需求满足率约束:设研究区域内有需求点集合M,需求点数量为m,充电站最大数量为n,充电站集合N,用户能接受的最大充电距离为D,则充电站的平均充电距离可由以下公式表示:其中,d
i
为第i座充电站的平均充电距离,(x
i
,y
i
)为第i座充电站的坐标,(x
j
,y
j
)为需求点的坐标,M
i
表示第i座充电站服务的需求点集合,m
i
为第i座充电站服务的需求点个数;其中最大充电距离约束为:充电站的需求满足率包括快充和慢充的满足率,由该区域充电需求量最多的时间段的需求满足率决定,充电需求量为同一时刻需要充电的电动汽车数量,充电站需求满足率约束如下:
其中,SC
i
为第i座充电站的慢充满足率;FC
i
为第i座充电站的快充满足率;m
i1
为有慢充需求的电动汽车数量;m
i2
为有快充需求的电动汽车数量;n
i1
为第i座充电站有n
i1
个慢充桩;n
i2
为为第i座充电站有n
i2
个快充桩;CL为充电需求满足率最低水平;(2)以充电站总建设成本最小为目标,进行目标函数的设置:min cost
总
=cost
固定
+cost
可变
;(3)综合步骤(1)及步骤(2),得到充电站选址模型如下:目标函数:最小化平均充电距离:最小化充电站成本:min cost
总
=cost
固定
+cost
可变
约束条件:约束条件:约束条件:4.如权利要求3所述的基于用户行为的电动汽车充电站选址方法,其特征在于:步骤三、基于构建的电动汽车充电站选址模型,利用仿真模拟的方法以及改进的飞蛾火焰算法进行模型求解,得到具体的选址决策,即充电站数量及选址地点,具体为:根据充电需求,运用改进的飞蛾火焰算法,对选址和定容进行模拟,求出占优解集,得到最终的选址决策,具体步骤如下:
①
输入充电需求数据;
②
对最大站点数量N、种群规模S、最大迭代次数K、最大充电距离、充电站最大服务容量参数进行初始化;
③
在现有的需求点中随机生成初生代飞蛾种群;
④
开始迭代,并计算本次迭代的火焰数量f,若为首次迭代,则计算得到第一代飞蛾种群适应度,基于此进行种群排序,将排序后的种群作为火焰矩阵,然后跳转至第
⑦
步,若非首次迭代,则转第
⑤
步;
⑤
合并新种群和前一次迭代中未排序的种群,在此基础上计算种群适应度,基于个体适应度对新种群进行排序;
⑥
对于排序后的种群,将前半部分的个体作为本次迭代中的最优种群,并将这部分个体中的前f个作为火焰矩阵;
⑦
让飞蛾逐步向火焰靠近,基于此对飞蛾种群进行更新;
⑧
根据终止条件判断是否结束迭代,若满足终止条件,则终止迭代,输出数据;否则转至第
④
步,继续迭代;随着迭代次数的增加,两个目标函数:平均充电距离和充电站建设成本的值逐渐收敛,得到全部帕累托占优解,占优解组成的面为帕累托前沿面,当帕累托前沿面分布的广度和均匀度较好时,则方法有效,占优解之间没有优劣之分,两个帕累托占优解之间进行比较,若一个解在某个目标上的值优于另一个解,其在令一个目标上的值一定劣于另一个解,根据具体情况选取最终的选址方案;其中,种群适应度的计算流程如下:首先,输入飞蛾种群数据,并计算个体的各目标函数值;然后,根据个体目标函数值进行非支配分层;接着,计算每个层级个体的拥挤度,具体公式如下:式中,i+1和i
‑
1是与第i个个体相邻的两个个体;d
ji
为第i个个体的第j个目标函数上的拥挤距离;f
ji+1
为第i+1个个体的第j个目标函数的值;f
jmax
和f
jmin
分别为第j个目标函数的最大值与最小值;再有,基于非支配分层后的层级和每一层级的拥挤度来排序个体,层级不同,则层级越小个体越优;层级相同,则拥挤度越大个体越优,最后,计算各个个体的适应度,最优为1,最劣为0,中间的在0
‑
1之间进行等间距取值。5.如权利要求2所述的基于用户行为的电动汽车充电负荷预测方...
【专利技术属性】
技术研发人员:唐泽洋,王文烁,崔一铂,邢杰,饶玮,黄杰,刘鸣柳,靳经,陈孝明,舒欣,王晋,汪雪琼,刘畅,龙凤,李涛,桑田,曹忺,
申请(专利权)人:国网湖北省电力有限公司国网湖北省电力有限公司荆州供电公司国网湖北省电力有限公司黄石供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。