基于城市间EV时空分布数据推演的充电站两级推荐方法

技术领域

本发明涉及新能源汽车充电技术领域，具体是涉及一种基于城市间电动汽车(EV)时空分布数据推演的充电站两级推荐方法。

背景技术

电动汽车(EV)的普及和充电设施的快速发展，使得电动汽车充电问题成为了当前的热门研究课题。电动汽车的无序充电可能会引发群聚效应，对电网稳定性产生不利影响。因此，如何有效地引导电动汽车用户的充电行为，以实现电动汽车充电负荷与电网供电能力的匹配，是当前研究的重要方向。

在电动汽车充电协调策略的研究领域，国内外学者均进行了深入的探索。然而，现有的充电桩推荐算法大多都是集中精力实现单一方向的优化，比如等待时间短、充电价格低、实时性强等，很难做出能实现整体均衡的推荐方案。另外，由于存在城市数据冷启动的问题，并没有相关的数据来为推荐算法提供数据基础。基于前述现有技术的状况，利用已知电动汽车时空分布数据的城市进行数据推演，对目标城市中的电动汽车时空分布进行模拟，并依此进行充电站推荐方法仿真，对降低充电站的服务密度方差，解决电动汽车无序充电引起的群聚效应具有重要意义。

发明内容

1、所要解决的技术问题：

如何利用已知城市的电动汽车时空分布数据进行推演，得出未知城市中不同功能区下的电动汽车时空分布数据，并依此进行未知城市中电动汽车的充电站推荐，以解决城市数据冷启动和电动汽车无序充电引起的群聚效应问题。

2、技术方案：

为了解决上述问题，本发明提供了一种基于城市间电动汽车时空分布数据推演的两级充电站推荐方法，包括以下步骤：步骤A、确定已知条件，即A城市POI数据、B城市POI数据、B城市电动汽车总量和A城市电动汽车时空分布数据。确定整体模块，即数据推演模块和充电站推荐模块；步骤B、利用A、B两个城市的POI数据分别进行功能区划分；步骤C、将已知城市A的电动汽车时空分布数据代入划分好的功能区之中，得出A城市工作日和非工作日下各个时间段各个功能区的电动汽车的比例；步骤D、根据步骤C所得比例和B城市电动汽车总量，按相同比例得出B城市工作日和非工作日下各个时间段各个功能区的电动汽车的比例；步骤E、对B城市中电动汽车进行剩余电量初始化，得出每辆车的荷电状态(SOC)；步骤F、根据每辆车的SOC进行预警等级划分，将SOC低于一定阈值的电动汽车归类为高级预警集合，将SOC高于一定阈值的电动汽车归类为普通预警集合；步骤G、对于高级预警集合中的电动汽车，推荐其前往距离最近的充电站进行充电。对于普通预警集合中的电动汽车，先根据其与各充电站的距离筛选出推荐候选列表，再综合考虑充电价格、快充数量、充电站的偏好度和充电站的距离，利用模糊规划法对各充电站进行评分，从而输出最优充电站推荐。

优选的，所述步骤A中，城市POI数据从高德地图应用程序中获取。

优选的，所述步骤B中，将A、B两城市的功能区划分为“两区”、“三中心”，即居住区、办公区、商业中心、工业中心和休闲中心。

优选的，所述步骤B中，功能区划分时需要根据用地面积和功能影响力对POI数据进行加权。在用地面积方面，参考《零售业态分类标准(GB/T18106-2010)》和《城市公共服务设施规划标准GB50442(征求意见稿)》标准所得；在功能影响力方面，通过调查问卷获得数据，利用SPSS软件对统计数据进行均值和标准差分析，并对各均值进行极差正规化处理获得，根据加权后的结果，使用TF-IDF法进行功能区的裁定，具体计算公式如下所示：

TF-IDF

式中，i表示词语，j表示文档。n

优选的，所述步骤C中，将时间划分为两类(工作日和非工作日)、五个时间段(00:00:00-08:00:00、08:00:00-11:00:00、11:00:00-17:00:00、17:00:00-22:00:00、22:00:00-00:00:00)。

优选的，所述步骤E中，对B城市中电动汽车进行剩余电量初始化，将各功能区中的电动汽车数量按照1：10划分为(SOC 10％-20％)和(SOC 20％-40％)两档，各档内具体SOC随机分布。

优选的，所述步骤F中，将SOC低于20％的电动汽车归类为高级预警集合，将SOC介于20％-40％的电动汽车归类为普通预警集合。

优选的，所述步骤G中，对于高级预警，直接推荐距离最近的充电站。而对于普通预警，先根据距离筛选出推荐列表，再综合考虑充电价格、快充数量、充电站的偏好度和充电站的距离，利用模糊规划法对各充电站进行评分，从而选出最优推荐，具体描述为：

假设U是论域，若对任意x包含于U，x以程度μ(μ∈[0,1])隶属于A，则A是U的模糊集合，μ是x对A的隶属度。若目标函数f1(x)，f2(x)，...，fn(x)的隶属函数分别为：l1，l2，...，ln，则基于线性分布的隶属函数可以表示为：

这样，就能把原先的多目标规划问题转化为一类模糊单目标规划问题，然后根据每个目标函数的重要程度，分别赋予各隶属函数以相应的权重，再进行线性加权，具体表示为：

式中，λ

由于快充数量、偏好度与价格、距离两者相反，所以对这两个因素的隶属函数做出更改，更改后公式如下：

技术效果

由于采用了上述技术方案，本发明具有如下技术效果：

1)本发明通过城市的功能区的划分，依据用地规格的统一标准，通过对已知数据城市的技术处理，推演出未知数据城市的电动汽车时空分布，为预测目标城市电动汽车的时空分布数据的冷启动问题的解决具有一定的意义；

2)本发明实现了充电站推荐算法的多因素融合，更加合理化的从运营商和用户的角度考虑，可有效地解决充电站利用率不均衡的问题。

附图说明

图1为本发明的总体流程示意图；

图2为本发明中成都市功能区划分示意图；

图3为推演数据与实际数据在不同时间区间下的工业中心EV占比对比图；

图4为推演数据下盐城市非工作日各推荐策略效果比较图；

图5为推演数据下盐城市工作日各推荐策略效果比较图。

具体实施方式

下面将结合本发明中的附图1，对本发明中的技术方案进行清楚、完整地描述。需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。

本发明的两级充电站推荐方法通过两个模块完成，分别为数据推演模块和充电站推荐模块，其中步骤一到步骤三为数据推演模块，步骤四为充电站推荐模块。本发明图1中的A城市以成都市为例，图1中的B城市以盐城市为例，具体步骤如下：

步骤一、确定已知条件，即A城市POI数据、B城市POI数据、B城市电动汽车总量和A城市电动汽车时空分布数据；确定整体模块，即数据推演模块和充电站推荐模块。

步骤二、先根据A城市的POI数据，将其根据表1划分为“两区”、“三中心”。划分时需要根据用地面积以及功能影响力对POI数据进行加权。在用地面积方面，参考《零售业态分类标准(GB/T18106-2010)》和《城市公共服务设施规划标准GB50442(征求意见稿)》标准所得，具体数据如表2所示。在功能影响力方面，通过调查问卷获得数据，利用SPSS软件对统计数据进行均值和标准差分析，并对各均值进行极差正规化处理获得，具体数据如表3所示。并根据加权后的结果，使用TF-IDF法进行功能区的裁定，具体计算公式如下所示：

TF-IDF

式中，i表示词语，j表示文档。n

表1城市功能区分表

表2用地面积参考表

表3功能影响力参考表

步骤三、根据步骤二划分的功能区，将A城市的电动汽车时空分布数据代入划分好的功能区，得出各个时间段下各个功能区的电动汽车的比例。如表4所示，由于工作日和非工作日的出行规律有较大差别，故将结果分为工作日和非工作日。结果以成都市为例，“车辆总占比”指成都市电动汽车在该时间区间下的总占比，将此数量再按照“居住区”、“办公区”、“商业中心”、“工业中心”、“休闲中心”的比例进行代入。

表4各个时间段下各个功能区的电动汽车的比例

步骤四、利用步骤二方法对B城市进行功能区划分，根据步骤三方法所得A城市数据，按相同比例得出B城市电动汽车的工作日和非工作日时空分布数据；

步骤五、对B城市中电动汽车进行剩余电量初始化，将各功能区中的电动汽车数量按照1：10划分为(SOC 10％-20％)和(SOC 20％-40％)两档，各档内具体SOC随机分布。

步骤六、根据初始化的电量对其进行预警等级划分，分为高级预警和普通预警。

步骤七、对于高级预警(SOC低于20％)中的电动汽车，直接推荐距离最近的充电站。而对于普通预警(SOC高于20％)中的电动汽车，先根据距离筛选出推荐列表，再综合考虑充电价格、快充数量、充电站的偏好度和充电站的距离，利用模糊规划法对各充电站进行评分，从而选出最优推荐。模糊规划法描述为：

假设U是论域，若对任意x包含于U，x以程度μ(μ∈[0,1])隶属于A，则A是U的模糊集合，μ是x对A的隶属度。若目标函数f1(x),f2(x),...,fn(x)的隶属函数分别为：l1,l2,...,ln,则基于线性分布的隶属函数可以表示为：

这样，就能把原先的多目标规划问题转化为一类模糊单目标规划问题，然后根据每个目标函数的重要程度，分别赋予各隶属函数以相应的权重，再进行线性加权，具体表示为：

式中，λ

由于快充数量、偏好度与价格、距离两者相反，所以对这两个因素的隶属函数做出更改，更改后公式如下：

有益效果

本方法的有益效果评价指标描述如下：

1、服务密度方差

在通常情况下，地理位置优越、人流量较大的充电站往往负荷过高；相反，地理位置较差、人流量较小的充电站则常常处于闲置状态，导致充电资源无法得到充分利用。采用充电站的服务密度ρ作为衡量充电桩利用率的指标，具体表示如下：

式中，N

当不同充电站之间的服务密度越接近时，整体充电桩的利用率均衡程度就越高。因此，对多个充电站的服务密度进行方差计算，计算公式如下。若得到的方差值较小，则说明充电站的服务密度较为接近，即充电桩的利用率更为均衡。

2、覆盖率

除了服务密度方差之外，覆盖率也是一个重要的指标，用于衡量充电桩利用率。采用覆盖率f来评估充电桩的利用率，具体表示如下：

式中，M

3、价格成本

价格成本反映了电动车使用者在进行一次充电过程中需要支付的费用。这个成本主要由充电费用和服务费两部分组成。电费是为电动汽车充电所需电量的价格，部分充电站实行峰谷电价收费制度，充电低谷时段的价格会低于高峰时段的充电价格；服务费是运营商为用户提供电动汽车充电场地、设施和服务所收取的费用，其中包括但不限于充电基础设施建设及维护和人工服务的费用；两者之和构成了每一度电(千瓦时)的实际价格，单位为元/千瓦时。分别用fe(计价单位：元/千瓦时)、fs(计价单位：元/千瓦时)来表示充电站的电费和服务费的收取标准。综上，电动汽车充电所需服务单价f为：

f＝fe+fs

4、距离成本

距离成本衡量了充电的便利程度，反映了电动车用户到达充电站的距离。电动车使用者需要将车辆驾驶到指定地点进行充电。因此，充电站距离将直接影响到用户的时间以及可能产生的额外运输成本。用户需将愿意接受的时间或运输成本量化到每一次充电过程中。距离成本是各辆车到其所推荐的充电站距离之和，单位为米。

本方法的有益实验效果描述如下：

1、数据推演方法的正确性

基于盐城市2019年10月23日至10月27网约车GPS数据(盐城市EV时空分布数据)，重复步骤一和步骤二，即可得到实际数据下各个时间区间中不同功能区的电动汽车比例。图3显示的是推演数据与实际数据在不同时间区间下的工业中心电动汽车数量对比图，其横坐标对应着如表4所示的10个时间区间，纵坐标为工业中心电动汽车数量占比。可以看出，推演数据和实际数据在各个时间区间里相差不大，验证了本发明所述数据推演方法的正确性。

2、充电站综合推荐方法的有效性

利用服务密度方差、覆盖率、充电成本和距离成本四个评价指标，在考虑工作日和非工作日的情况下，基于推演数据对盐城市EV充电推荐策略(快充数量推荐、偏好度推荐、距离推荐、价格推荐、综合推荐)进行了比较，如图4(非工作日各推荐策略效果比较图)和图5(工作日各推荐策略效果比较图)所示。通过对比可以得出以下结论：

(1)在工作日和非工作日情况下的各策略表现相差不大，整体趋势并未受到显著影响。

(2)服务密度方差的实验结果是基于一个静态价格计算得出的，而在实际情况中，国网可能会通过宏观调控对价格进行调整，以进一步降低服务密度方差。

(3)由于推荐系统会优先选择拥有更多快充设备的充电站，快充数量推荐的服务密度方差达到了最低，而从覆盖率的结果来看，这可能导致群聚效应。

(4)本实验中所使用的偏好度数据是在限定车辆位置范围后从中随机选取生成的。因此，服务密度方差相对较低，覆盖率较高。当偏好度一致时，系统会基于距离推荐充电站，从而降低距离成本。然而，这种方式并未考虑价格成本，导致价格成本较高，与实际情况不符。

(5)尽管距离推荐和价格推荐在各自的指标内都实现了优化，但从服务密度方差和覆盖率的效果来看，它们仍可能导致群聚效应。

(6)相较而言，综合推荐策略在多个方面都展现出了良好的性能，既可以解决群聚效应，又兼顾了成本。运营商还可以通过价格调控各个充电站的利用率，这对于解决群聚效应和充电站利用率不均衡等问题具有重要意义。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

最后应该说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。