基于改进的MOPSO的电动出租车新建充电站选址方法技术

本发明专利技术涉及一种基于改进的MOPSO的电动出租车新建充电站选址方法，构建了以最小化未满足的电动出租车充电需求量和最小化新建充电站固定成本为目标函数的电动出租车新建充电站选址模型，并提出了一种基于改进的MOPSO的模型求解方法；同时，为解决未满足充电需求量计算时的性能瓶颈问题，设计了一个基于GPU的未满足充电需求量并行计算算法，通过实验比较验证了其有效性；最后，以华北某市为例，收集、处理相关多源数据，对提出的选址模型进行了应用示例分析，说明所提出的充电站优化选址方案具有可行性，可为城市电动出租车充电站的建设及运营的深入研究提供有益参考。

Location method of new charging station for electric taxi based on improved MOPSO

【技术实现步骤摘要】
基于改进的MOPSO的电动出租车新建充电站选址方法
本专利申请属于公共设施选址规划的
，更具体地说，是一种基于改进的MOPSO的电动出租车新建充电站的选址方法。
技术介绍
电动汽车作为一种绿色交通工具，在运行过程中可以基本实现无污染运行，是缓解我国能源危机、解决当前气候问题的有效措施，故而得到我国政府的大力推广。出租车作为城市公共交通的重要组成部分，是推动电动汽车行业快速发展的重要媒介之一。然而，电动出租车自身续航里程短、充电困难等缺陷，制约了其在交通领域的大规模普及。在电动汽车电池性能没有巨大突破的现实条件下，对电动出租车充电站进行合理布局规划，是缓解出租车司机“里程焦虑”、推广城市电动出租车急需解决的问题。国内外对充电站选址的研究主要集中在选址方法上，目前，对充电站选址问题的求解模型主要可分为基于“点需求”的选址模型和基于“流需求”的选址模型。基于点需求的充电站选址模型假设电动汽车的充电需求产生在城市路网的某个节点中，目前对于基于点的选址模型主要是一些运筹学中的经典选址方法，包括P-中值、P-中心、最大覆盖问题等选址思想，此外还包括一些与点需求相关的其他选址模型。基于流需求的模型假定消费者在去往目的地的路径周边中搜索供电服务，在充电站建站数目、路径车流量已知的情况下求得一个能够覆盖最多充电需求量的选址方案。上个世纪九十年代初，Hodgson首次提出了截流选址模型(FCLM)，该模型以至少通过服务设施一次的客流量总和最大为选址目标。此外，国内外学者针对不同影响因素建立了众多基于流需求的充电站选址模型，包括考虑充电站服务半径的截流选址模型(SR-FCLM)，考虑充电需求和充电决策的优化布局模型(TSLM)，考虑电动汽车充电等待时间的截流选址模型等。以上的研究方法中，对充电需求的估计没有考虑电动汽车的实际行驶特征，难以反应电动汽车充电需求的时空分布，影响了充电站选址模型的精确度。随着交通大数据的快速发展，城市中海量的行为轨迹数据被保存下来，从这些数据中可得到更准确的充电需求时空分布，为城市电动汽车充电站的选址定位提供决策支持。
技术实现思路
本专利技术需要解决的技术问题是提供一种基于改进的MOPSO的电动出租车新建充电站选址方法，可以精确、快速、高效地解决电动出租车新建充电站选址问题。为了解决上述问题，本专利技术所采用的技术方案是：一种基于改进的MOPSO的电动出租车新建充电站选址方法，包括如下步骤：步骤a、构建以未满足的电动出租车充电需求量最小和新建充电站的固定成本最小为目标函数的电动出租车新建充电站多目标选址模型；未满足的电动出租车充电需求量包括现有充电站未能服务的充电需求量和超过充电站服务能力的充电需求量；其中，充电站与需求点之间距离大于警戒电量时行驶里程的需求点，归为未能服务的充电需求量；若超出了对应充电站的服务能力，则将超出的数量归为超过充电站服务能力的充电需求量；步骤b、对现有充电站、电动出租车充电需求点、土地成本数据进行采集与预处理，接着使用一种改进的MOPSO(多目标粒子群算法)对电动出租车新建充电站多目标选址模型进行求解，得到一组Pareto解集，从而确定单个新建充电站位置；然后根据新建充电站的不同选址策略，借助模糊集合理论确定新建单个充电站在不同选址策略下的优化选址位置，最终实现选址方案优化；步骤c、针对未满足充电需求量计算时的性能瓶颈问题，设计一个基于GPU的并行加速算法，对改进的MOPSO中未满足的电动出租车充电需求量进行并行加速计算；步骤d、收集整理相关的城市多源数据，进行电动出租车新建充电站多目标选址模型的可行性验证。本专利技术技术方案的进一步改进在于：步骤a中，建立了一种电动出租车新建充电站多目标选址模型，可用公式4至公式8表示：F1＝min(Pl+Pb+Po)(4)Nj＝{i∈R|dij＜dik,j∈B,k∈B,j≠k}(6)式中，F1为新建充电站固定成本之和；F2为现有充电站未能满足的充电需求量之和；Nj为充电站j的理论服务数量集；Nj*为超出充电站j服务范围的充电需求数量集；Mj*为超出充电站j服务能力的充电需求数量集；k为充电站k；Pl表示电动出租车充电站建站时的土地成本，如式1所示：式(1)中，Af表示充电站辅助设施的固定占有面积(m2)，取值为200；Ap表示单个充电桩的占地面积(m2)，其中包含一个充电车位，取值为15；Np表示充电站内充电桩的个数；U表示充电站选址区域单位面积的土地价格(￥)；β表示当年的贴现率，取值为0.08；y表示充电站的服务年限，取值为20；Pb代表电动出租车充电站建站时的建设成本，如式2所示：式2中，Cf表示营业建筑等设施的固定投资(￥)，取值为50；Pp表示单个充电桩的购置成本(￥)，取值为5；Np表示充电站内充电桩的个数；β表示当年的贴现率，取值0.08；Po代表电动出租车充电站建站时的运营成本，如式3所示；Po＝0.1·(Pl+Pb)(3)i和p分别表示第i个和第p个充电需求点；dij表示需求点i到充电站j之间的距离(km)，dpj表示需求点p到充电站j之间的距离(km)，dik表示需求点i到充电站k之间的距离(km)；B是充电站的集合，R为充电需求点的集合；SOCf是电动出租车满电时的行驶里程(km)；Cj表示充电j站点的充电桩数量(根据建站等级取8,15,30,45中的一个)；card(B)表示集合B中不同元素的数目。本专利技术技术方案的进一步改进在于：步骤b中，对经典多目标粒子群算法(MOPSO)进行了改进，具体实现步骤为：在粒子群迭代搜索过程中，当迭代至一定次数，群体最优值不在发生变化时，在保持外部储存器情况下将下一次迭代中的所有粒子点，均匀分布至搜索空间的边界，进行二次群体寻优，直至达到最大迭代次数；在整个粒子群迭代过程中，改进的多目标粒子群算法重复进行了两次寻优操作，提高了粒子群跳出局部最优值的能力，其基本流程如下：步骤b1、初始化粒子群种群规模和每个粒子的速度与位置，设置粒子个体最优值pbest和群体最优值gbest为空，设置Pareto外部储存器为空；步骤b2、计算每个粒子的适应值，根据Pareto支配生成非支配解集；步骤b3、更新Pareto外部储存器，同时约束储存器中粒子的拥挤度；步骤b4、根据Pareto选择个体最优值，如果是第一次迭代，直接将粒子的初始位置设为pbest；步骤b5、从Pareto外部储存器随机选择一个小于粒子拥挤度阙值的解作为gbest；步骤b6、根据公式(9)和公式(10)更新粒子的速度和位置；vi(t+1)＝w·vi(t)+c1·r1(pbest(t)-xi(t))+c2·r2(gbest(t)-xi(t))(9)xi(t+1)＝xi(t)+vi(t+1)(10)公式(9)和公式(10)中：c1和c2为粒子群个体和社会认知的学习因子，也叫加速常数；w是惯性因子，r1和r2是[0,1]范围内均匀分布的随机数；对于标准粒子群算法，其数学表述如下：假设有N个粒子形成了一个群落，在一个D维的目标搜索空间中，每个粒子在t时刻的坐标位置为D维空间上的速度为粒子i在t时刻搜索到的个体最优值为整个粒子群的全体最优值为在t+1时刻，粒子群按照式(9)和式(10)调整各个粒子的速度和方向：步骤b7、如果达本文档来自技高网...

【技术保护点】
1.一种基于改进的MOPSO的电动出租车新建充电站选址方法，其特征在于步骤如下：步骤a、构建以未满足的电动出租车充电需求量最小和新建充电站的固定成本最小为目标函数的电动出租车新建充电站多目标选址模型；步骤b、对现有充电站、电动出租车充电需求点、土地成本数据进行采集与预处理，接着使用改进的MOPSO对电动出租车新建充电站多目标选址模型进行求解，得到一组Pareto解集，从而确定单个新建充电站位置；然后根据电动出租车新建充电站的不同选址策略，借助模糊集合理论确定新建单个充电站不同选址策略下的优化选址位置，最终实现选址方案优化；步骤c、针对未满足的电动出租车充电需求量计算时的性能瓶颈问题，设计一个基于GPU的并行加速算法，对改进的MOPSO中未满足的电动出租车充电需求量进行并行加速计算；步骤d、收集整理相关的城市多源数据，进行电动出租车新建充电站多目标选址模型的可行性验证。

【技术特征摘要】
1.一种基于改进的MOPSO的电动出租车新建充电站选址方法，其特征在于步骤如下：步骤a、构建以未满足的电动出租车充电需求量最小和新建充电站的固定成本最小为目标函数的电动出租车新建充电站多目标选址模型；步骤b、对现有充电站、电动出租车充电需求点、土地成本数据进行采集与预处理，接着使用改进的MOPSO对电动出租车新建充电站多目标选址模型进行求解，得到一组Pareto解集，从而确定单个新建充电站位置；然后根据电动出租车新建充电站的不同选址策略，借助模糊集合理论确定新建单个充电站不同选址策略下的优化选址位置，最终实现选址方案优化；步骤c、针对未满足的电动出租车充电需求量计算时的性能瓶颈问题，设计一个基于GPU的并行加速算法，对改进的MOPSO中未满足的电动出租车充电需求量进行并行加速计算；步骤d、收集整理相关的城市多源数据，进行电动出租车新建充电站多目标选址模型的可行性验证。2.根据权利要求1所述的基于改进的MOPSO的电动出租车新建充电站选址方法，其特征在于：步骤a中，电动出租车新建充电站多目标选址模型可用公式4至公式8表示：F1＝min(Pl+Pb+Po)(4)Nj＝{i∈R|dij＜dik,j∈B,k∈B,j≠k}(6)式中，F1为新建充电站固定成本之和；F2为现有充电站未能满足的充电需求量之和；Nj为充电站j的理论服务数量集；Nj*为超出充电站j服务范围的充电需求数量集；Mj*为超出充电站j服务能力的充电需求数量集；k为充电站k；Pl表示电动出租车充电站建站时的土地成本，如式1所示：式(1)中，Af表示充电站辅助设施的固定占有面积；Ap表示单个充电桩的占地面积，其中包含一个充电车位；Np表示充电站内充电桩的个数；U表示充电站选址区域单位面积的土地价格；β表示当年的贴现率；y表示充电站的服务年限；Pb代表电动出租车充电站建站时的建设成本，如式2所示：式2中，Cf表示营业建筑等设施的固定投资；Pp表示单个充电桩的购置成本；Np表示充电站内充电桩的个数；β表示当年的贴现率；Po代表电动出租车充电站建站时的运营成本，如式3所示；Po＝0.1·(Pl+Pb)(3)i和p分别表示第i个和第p个充电需求点；dij表示需求点i到充电站j之间的距离，dpj表示需求点p到充电站j之间的距离，dik表示需求点i到充电站k之间的距离；B是充电站的集合，R为充电需求点的集合；SOCf是电动出租车满电时的行驶里程；Cj表示充电j站点的充电桩数量；card(B)表示集合B中不同元素的数目。3.根据权利要求2所述的基于改进的MOPSO的电动出租车新建充电站选址方法，其特征在于：步骤b中，改进的MOPSO也就是改进的多目标粒子群算法，改进的MOPSO就是在粒子群迭代搜索过程中，当迭代至一定次数，群体最优值不在发生变化时，在保持外部储存器情况下将下一次迭代中的所有粒子点，均匀分布至搜索空间的边界，进行二次群体寻优，直至达到最大迭代次数，其基本流程如下：步骤b1、初始化粒子群种群规模和每个粒子的速度与位置，设置粒子个体最优值pbest和群体最优值gbest为空，设置Pareto外部储存器为空；步骤b2、计算每个粒子的适应值，根据Pareto支配生成非支配解集；步骤b3、更新Pareto外部储存器，同时约束储存器中粒子的拥挤度；步骤b4、根据Pareto选择个体最优值，如果是第一...

【专利技术属性】
技术研发人员：朴春慧，武旭晨，蒋学红，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：河北,13