基于山地电动汽车出行特征的充电设施规划方法及系统

技术领域

本发明属于充电站选址技术领域，具体涉及一种基于山地电动汽车出行特征的充电设施规划方法及系统。

背景技术

在“碳中和，碳达峰”的时代背景下，电动汽车正处于快速发展的阶段。然而，随着电动汽车产业的蓬勃发展，充电基础设施匮乏等问题日益突出。近年来，电动汽车充电设施合理规划问题已成为研究的热点。随着电动汽车大规模入网，电动汽车不仅对交通网络造成严重的阻碍，也对配电网造成严重的冲击。因此，国内外许多专家正在从事电动汽车充电设施规划相关研究。但现有研究大多数模型都是针对平原城市，忽略地形影响导致模型在山地城市不适用。近年来，也有学者考虑山地城市对于耗电量影响，但是没有结合交通路网进行分析，导致规划结果可能对交通产生较大影响，从而影响用户出行，严重时导致公共资源浪费，阻碍电动汽车产业发展。

发明内容

为解决上述技术问题，本发明提出一种基于山地电动汽车出行特征的充电设施规划方法及系统。

一方面，本发明提出一种基于山地电动汽车出行特征的充电设施规划方法，包括：

S1：在山地城市环境下考虑电动汽车交通行为，并提取山地城市的坡度表示山地城市道路特性，建立山地城市交通路网模型；

S2：考虑山地城市地形特征和道路特性对电动汽车耗电量的影响，在建立的山地城市路网模型中，计算路网中任意两个节点间的耗电量；

S3：假设用户进行充电决策时以通行时间为首要考虑因素，即总是选择从起始点到目的充电站通行时间最小的路径，将传统Floyd最短路径算法中的路径距离改为两点间通行时间作为新的权值，计算任意两点之间的最短行程时间信息；

S4：在山地城市交通路网模型的道路侧安装摄像头，通过路边的摄像头的监控数据，根据交通流量预测车辆数，计算出道路上的电动汽车数量；

S5：判断道路上电动汽车当前荷电状态，如果当前荷电状态小于容量的30％，则用户产生充电需求；计算电动汽车到达充电站的荷电状态和时间；并基于电动汽车到达充电站的荷电状态和时间计算电动汽车充电时间和充电负荷；

S6：根据电动汽车在任意两点之间的耗电量和最短行程时间信息考虑交通路网总体通行效率，根据电动汽车充电时间和充电负荷考虑交通路网中充电站充电负荷时间尺度波动，以交通路网总体通行效率最高、充电负荷时间尺度波动最小以及充电站建设总成本最低为目标建立多目标函数；

S7：将建立的多目标函数作为评估指标，采用TOPSIS评价分析方法在实际山地城市环境下充电站最优位置规划方案。

另一方面，本发明提出一种基于山地电动汽车出行特征的充电设施规划系统，包括：云监控管理平台、交通流量预测子系统、车载数据处理子系统、充电站管理子系统；

所述云监控管理平台用于将交通流量预测子系统、车载数据处理子系统、充电站管理子系统采集与处理得到的数据进行保留，用于充电负荷预测与充电站规划；

所述充电站管理子系统包括：充电站通信模块、充电站数据库和充电站数据采集模块；所述充电站数据采集模块用于采集充电站内充电桩的充电桩使用信息，包括：各类车型的年均充电总量、电动汽车接入充电桩的时间、电动汽车离开充电桩的时间、充电桩的充电效率，并对所述充电桩使用信息进行处理；所述充电站数据库用于存储充电站数据采集模块采集的充电桩使用信息和处理后的充电桩使用信息；所述充电站通信模块用于将处理后的充电桩使用信息上传至云监控平台；

所述车载数据处理子系统：通信模块、行驶路径规划模块、路网数据采集模块、行车数据采集模块；所述路网数据采集模块通过道路侧摄像头采集道路上的交通视频数据包括车辆在路网中的位置信息，充电站在路网中的位置信息、路网中各道路的拥堵情况及道路坡度信息；所述行车数据采集模块通过车内摄像头采集行车数据包括当前位置、动力电池剩余电量、电动汽车运行状态及运行参数、车辆位置、车速；所述行驶路径规划模块对路网数据采集模块、行车数据采集模块采集的数据进行处理，以规划合理的车辆行驶路径，并通过通信模块上传至云监控平台；

所述交通流量预测子系统包括：通信模块、数据处理模块以及交通数据采集模块；交通数据采集模块根据道路上安装的视频监控采集交通流量数据；数据处理模块根据前几个时刻内的交通流量数据预测出下一时刻的预测道路交通流量数；通信模块将采集得到的和预测的交通流量数据发送至云监控管理平台。

本发明的有益效果：

本发明考虑了电动汽车交通行为影响，进行考虑多目标的山地城市充电设施规划，首先分析山地城市道路特性，建立山地城市交通路网；其次，基于路网模型，以最短通行时间为权值采用Floyd算法进行路径规划，结合充电概率需求模型，进行山地城市充电负荷预测，进而进行山地城市充电设施的多目标规划；考虑不同的规划目标函数组合得到不同充电站规划结果，以应对未来多场景山地城市充电设施规划；并采用主客观综合计算权重的方法进行最优解集寻优，得到的规划结果能满足多个目标需求。

附图说明

图1为本发明的一种基于山地电动汽车出行特征的充电设施规划方法流程图；

图2为本发明的NSGA-II算法流程图；

图3为本发明的一种考虑电动汽车交通行为的山地城市充电设施选址规划系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于山地电动汽车出行特征的充电设施规划方法，如图1所示，包括：

S1：在山地城市环境下考虑电动汽车交通行为，并提取山地城市的坡度表示山地城市道路特性，建立山地城市交通路网模型；

S2：考虑山地城市地形特征和道路特性对电动汽车耗电量的影响，在建立的山地城市路网模型中，计算路网中任意两个节点间的耗电量；

S3：假设用户进行充电决策时以通行时间为首要考虑因素，即总是选择从起始点到目的充电站通行时间最小的路径，将传统Floyd最短路径算法中的路径距离改为两点间通行时间作为新的权值，计算任意两点之间的最短行程时间信息；

S4：在山地城市交通路网模型的道路侧安装摄像头，通过路边的摄像头的监控数据，根据交通流量预测车辆数，计算出道路上的电动汽车数量；

S5：判断道路上电动汽车当前荷电状态，如果当前荷电状态小于容量的30％，则用户产生充电需求；计算电动汽车到达充电站的荷电状态和时间；并基于电动汽车到达充电站的荷电状态和时间计算电动汽车充电时间和充电负荷；

S6：根据电动汽车在任意两点之间的耗电量和最短行程时间信息考虑交通路网总体通行效率，根据电动汽车充电时间和充电负荷考虑交通路网中充电站充电负荷时间尺度波动，以交通路网总体通行效率最高、充电负荷时间尺度波动最小以及充电站建设总成本最低为目标建立多目标函数；

S7：将建立的多目标函数作为评估指标，采用TOPSIS评价分析方法在实际山地城市环境下充电站最优位置规划方案。

在传统的平原城市电动汽车充电负荷预测和充电设施规划研究中，城市可以近似为一个径向扩展的平面二维结构。然而，在典型的山地城市，由于道路的非平面延伸，电动汽车在起点和终点之间的行驶速度和时间功耗不仅取决于水平距离，还会受坡度的影响。坡度会导致电动汽车的行驶速度和行驶时间发生改变，故电动汽车在山地城市道路上行驶的交通行为与平原城市存在差异，这种差异将影响电动汽车耗电量的估算、电动汽车行驶路径、电动汽车的起始充电时间估算，最终将导致电动汽车充电负荷预测存在较大差异。因此，提取山地城市坡度表示山地城市道路特性，城市特征从2D结构演变为更复杂的3D结构。在进行交通路网建模中，大多采用图论的方法。在原有的图论基础上加入了速度V、交通量Q和坡度θ三个参数构建山地城市路网模型：

其中，G

在道路侧安装摄像头，用来获取道路上的车流量数据(即参数Q)和EV的剩余电量数据。

道路侧摄像头安装注意事项：路侧的摄像头根据道路限速的不同(30-70km/h、70-100km/h、100km/h以上)，选择不同帧率的摄像头(30fps，60fps，120fps)。避免拍摄时出现画面拖尾现象。提高摄像头的位置高度。将摄像头的位置高度设置在5～6-m,以此提高检测区域宽度，以避免出现大型车辆遮挡整个摄像头场景的情况。

通过路边的摄像头的监控数据，根据交通流量预测车辆数，计算出道路上的电动汽车数量，包括：

其中，N

由平原城市道路与山地城市道路差异性可得，在山地城市中，电动汽车的行驶路径与耗电量均与平原城市差异较大，若以传统针对平原城市的耗电量分析方法对山地城市电动汽车预测充电负荷与规划充电设施，可能会导致负荷预测误差较大，也会导致规划不合理，无法满足用户充电需求。

考虑山地城市地形特征和道路特性对电动汽车耗电量的影响，在第一步已建立的山地城市路网模型中，可以计算路网中任意两个节点间的耗电量，包括：

其中，E

爬坡系数α

其中，l

在计算电动汽车的出行耗电量时，需要对电动汽车的行驶路径进行确定，假设用户在出行时追求时间效率，即每次出行只选择时间最短的路径。Floyd最短路径算法作为一种动态规划算法，可求解多节点路网内任意两节点之间的最短路径。Floyd算法的基本思路是通过比较任意两个节点之间的距离来逐步更新距离矩阵，具体地说，算法维护一个n×n的矩阵D，其中D[i][j]表示从顶点i到顶点j的最短路径长度。算法通过比较D[i][j]和D[i][k]+D[k][j]D[i][k]的大小来更新D[i][j]，最终得到一个包含各节点间最短路径信息的距离矩阵。

Floyd算法的核心思想是基于加权邻接矩阵计算任意两点之间的最短路径。因为考虑了城市的地形特征以及电动汽车行驶时间与坡度之间的关系。故使用改进的Floyd最短路径算法来计算电动汽车在山城的行驶时间，并获得每个点之间的最小行驶时间。

传统的Floyd最短路径算法将任意两节点间的路径距离作为两点间权值，若考虑用户总是选择路径最短的充电站进行充电时可考虑使用该算法，但本文主要分析特殊地形条件下电动汽车耗电量和交通行为改变引起的通行时间对负荷预测与规划的影响，则假设用户进行充电决策时以通行时间为首要考虑因素，即总是选择从起始点到目的充电站通行时间最小的路径，则可将传统Floyd最短路径算法中的路径距离改为两点间通行时间作为新的权值，以此计算耗电量。首先，指定任意两点之间的阻抗。如果这两个点未连接，则表示无穷大inf。然后每次插入新节点k，并通过比较已知节点i和j之间的时间与通过节点k的时间来更新时间矩阵。重复该过程n次，以获得表示为w(1)、w(2)、…、w(n)等的n个时间权重矩阵，其中w(n)表示图顶点之间的最短行程时间信息。

改进Floyd算法的步骤如下：

1)初始化道路网图的邻接矩阵W

2)构造道路网图的邻接矩阵W

3)构造道路网图的邻接矩阵W

4)构造道路网图的邻接矩阵W

1)通过路边的摄像头的监控数据，根据交通流量预测车辆数，计算出道路上的电动汽车数量，模型计算式：

其中，N

2)判断的电动汽车当前荷电状态，如果当前荷电状态小于容量的30％即用户产生充电需求，电动汽车充电需求充电模型为下式:

其中，

3)电动汽车到达充电站的荷电状态，包括：

到达充电站的时间：

其中，SOC

4)电动汽车充电时间，包括：

5)充电负荷预测，包括：

其中，

电动汽车充电设施规划受到多方面因素的影响，传统规划模型多考虑平原城市，但平原城市与山地城市在交通路网模型与电动汽车充电负荷预测等方面存在较大的差异，导致模型在山地城市不适用。且传统规划方法往往只考虑了充电站的建设成本最小和负荷波动最小，忽视了交通通行因素，故需要构建适合山地城市的多目标规划模型，以满足山地城市充电设施规划需求。

考虑以充电负荷时间尺度波动更小与空间分布更均衡为目标、以交通路网总体通行效率最高(路网阻抗最小)为目标，以建设成本最低为目标构建多目标规划模型，选择最优规划位置使其能满足用户充电需求，同时也提高交通通行效率，节约建设成本。

随着电动汽车的大量涌入，电动汽车的充电行为势必会造成交通拥堵，因此在进行规划时需要考虑交通路网的总体效率，以交通路网总体通行效率最高为目标，即路网的总阻抗最小为目标函数。山地城市道路弯曲且存在较大的坡度，因此需要考虑坡度带来的影响，山地城市路网总阻抗最小目标函数为：

其中，R表示路径集合；E表示路段集合；N

建设成本是影响电动汽车充电站位置的重要因素。对于山地城市而言，由于土地价格、地形等因素的制约导致山地城市建设充电站难度更大，故建设成本随之升高。

充电站建成后将投入运行，提供充电服务的总年数设定为n。土地成本、施工成本和运营成本每年计算一次，充电站建设总成本最低目标函数：

其中，

由于大规模电动汽车的无序接入充电站充电，电动汽车充电负荷可能存在较大的峰谷差，这会对电网造成巨大的冲击。在高峰时段产生的负荷冲击会对配电网产生不可估量的损失，而在低谷时段，几乎没有车辆充电，导致充电桩闲置，降低了充电站的利用率。因此，考虑建立负荷波动最小化的目标函数，作为规划充电站位置的一个重要因素。电网侧考虑以电动汽车充电负荷波动方差最小目标函数：

其中，P(T)表示T时段电动汽车的充电负荷，

多目标函数的约束条件为：

(1)电动汽车电池约束如所示：

式中，

(2)行驶距离约束：

电动汽车充电站与产生充电需求点距离不能超过电动汽车续航里程，约束为：

0≤L

式中，L

(3)山地城市坡度约束：

(4)交通流量约束：

0≤N

(5)充电站位置约束：

X

其中，X

NSGA-II是一种广泛应用于多目标问题求解的算法，它是对NSGA的改进，NSGA-II主要采用了快速非支配排序方法，而用拥挤度距离算子和精英策略来替代共享函数算法，从而降低了算法的复杂度。NSGA-II算法主要核心为快速非支配排序算法和拥挤距离比较算子。

如图2所示，NSGA-II算法流程图：

(1)快速非支配排序算法

种群内每个个体p有两个参数n

Step1：对于种群中n

Step2：对于当前集合F

Step3：记F

(2)拥挤距离

NSGA-II算法通过计算拥挤距离，来维持种群的多样性。拥挤距离描述群体个体所处环境的拥挤程度和目标函数值有关。计算方法如下：

Step1：设个体的拥挤距离d表示，个体i的拥挤距离用d

Step2：设f

Step3：非边界个体i拥挤度度量值的计算方法：

其中，d

(3)拥挤比较算子

通过非支配排序和拥挤度计算过后，种群中的每个个体都得到两个属性：非支配排序n

由于三个优化目标在实际工程实践中涉及人为对项目效用和经济性的判断问题，每个人对评价指标的关注度存在差异，故需考虑人为主观因素的影响。有必要主观评估三个优化目标的重要性，以获得三个优化目的的主观权重。

在选择最优解的同时也考虑到了客观因素的影响，通过使用三个优化目标作为评估指标，引入C-OWA(组合加权几何)算子来计算基于帕累托最佳解决方案集的三个指标的目标客观权重，有效地减少了帕累托最优解决方案集两端不可靠解决方案对目标权重的影响。然后将客观权重和主观权重组合以获得综合权重。最后，结合综合权重，采用TOPSIS法对Pareto最优解集的各个解进行评估并排序，然后通过排序后的得分来决定最优方案，取得分最高的为最优方案。

基于最优Pareto解集的三个目标函数作为估计指标，通过计算两个指标的客观权重，并提出了用于计算主观权重的专家集成系统。当根据决策者的意图确定权重时，主观权重优于客观权重法，但其客观性和主观性较差。客观加权法具有客观优势，但不能反映决策者对不同指标的重视程度，与实际指标相比，加权法具有一定的权重和程度。因此，针对主客观权重计算方法的不足，引入权重组合计算方法，使指标权重更加科学可靠。具体的决策计算过程如下：

利用专家打分系统计算三个指标的主观权重，假设共有g位专家，包括：

其中，β

Pareto最优解集共有t个解，将3个目标函数作为评估指标，可以得到指标矩阵为S：

S＝(s

标准处理指标矩阵的各个元素：

其中，

计算3个指标的客观权重：

其中，

根据计算得到的客观权重和主观权重，计算得到综合权重：

对指标矩阵的各个元素进行赋值，得到权值矩阵K：

其中，k

将赋权矩阵中每列最小元素作为最优解

其中，k

计算得到赋权矩阵中每个元素k

计算得到Pareto最优解集中第m个解与最优水平的接近指数R

验证所提寻找最优解方法的有效性。考虑到不同坡度等级影响，电动汽车充电设施规划方案也随着变化。当坡度较小时，规划结果几乎没有变化。当坡度增加，规划方案也随之改变，当坡度为45度时，路网效率增加2倍，成本增加20％，负荷波动增加24％。当坡度为60度时时，路网效率增加3倍，成本增加30％，负荷波动增加41％，证明了研究山地城市的必要性与正确性。通过实际案例区域仿真分析，随着不同年限电动汽车数量增加(渗透率增加)，电动汽车充电设施建设数量也随之增加，成本也随之增加，路网效率也随着增大，负荷波动也随着增大。

一种基于山地电动汽车出行特征的充电设施规划系统，如图3所示，包括：云监控管理平台、交通流量预测子系统、车载数据处理子系统、充电站管理子系统；

所述云监控管理平台用于将交通流量预测子系统、车载数据处理子系统、充电站管理子系统采集与处理得到的数据进行保留，用于充电负荷预测与充电站规划；

所述充电站管理子系统包括：充电站通信模块、充电站数据库和充电站数据采集模块；所述充电站数据采集模块用于采集充电站内充电桩的充电桩使用信息，包括：各类车型的年均充电总量、电动汽车接入充电桩的时间、电动汽车离开充电桩的时间、充电桩的充电效率，并对所述充电桩使用信息进行处理；所述充电站数据库用于存储充电站数据采集模块采集的充电桩使用信息和处理后的充电桩使用信息；所述充电站通信模块用于将处理后的充电桩使用信息上传至云监控平台；

所述车载数据处理子系统：通信模块、行驶路径规划模块、路网数据采集模块、行车数据采集模块；所述路网数据采集模块通过道路侧摄像头采集道路上的交通视频数据包括车辆在路网中的位置信息，充电站在路网中的位置信息、路网中各道路的拥堵情况及道路坡度信息；所述行车数据采集模块通过车内摄像头采集行车数据包括当前位置、动力电池剩余电量、电动汽车运行状态及运行参数、车辆位置、车速；所述行驶路径规划模块对路网数据采集模块、行车数据采集模块采集的数据进行处理，以规划合理的车辆行驶路径，并通过通信模块上传至云监控平台；

所述交通流量预测子系统包括：通信模块、数据处理模块以及交通数据采集模块；交通数据采集模块根据道路上安装的视频监控采集交通流量数据；数据处理模块根据前几个时刻内的交通流量数据预测出下一时刻的预测道路交通流量数；通信模块将采集得到的和预测的交通流量数据发送至云监控管理平台。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。