【技术实现步骤摘要】
基于多源数据的汽车充电设施选择及规划方法
[0001]本专利技术涉及电动汽车充电设施的选择及规划方法，其主要功能是通过获取及融合多种数据，为电动汽车有充电需求时推荐最优的充电设施，并结合区域内多车充电数据，为城市内充电设施规划提供最佳方案。
技术介绍
[0002]燃油车发展至今已有百余年历史，在这过程中随着车工业的发展和汽车保有量的增加以及石油资源的枯竭和环境的污染，对传统汽车工业提出了严峻的挑战。遵循能源发展形势及能源发展战略，研发和使用节能减排的新能源汽车已经成为解决能源和环境问题的必由之路。目前世界上已经超过数十个国家明确表明或者有意向的宣布在未来几十年后将禁止传统燃油车的销售以及制造，那么燃油机汽车在服役了一百多年后也许会成为历史，随之替代是全新的新能源汽车。随着电动汽车数量的快速增长，我国的充电设施数量却远远满足不了日益增长的电动汽车数量，因此，建设合理，高效，方便的充电设施是一个迫在眉睫的任务。
[0003]目前大部分电动汽车充电站的规划方法是以建造充电站为最终结果。但中国人口数量庞大，城市道路密集，城市地皮价格寸土寸金，要在城市特别是靠近市中心地段建造充电站成本过高。此外，现有的大部分规划方法在确定充电站选址后并没有确定充电站内充电桩最优建设数量。上述问题会影响充电设施选址的合理性和降低电动汽车用户的满意度。
技术实现思路
[0004]为了解决现有技术中存在的不足，本申请提出了基于多源数据的汽车充电设施选择及规划方法，根据不同用户的选择习惯获得用户最佳选择合集，作为电动汽车充电设...
【技术保护点】
【技术特征摘要】
1.基于多源数据的汽车充电设施选择及规划方法，其特征在于，包括如下步骤：S1、基于行驶时间、道路拥挤程度、排队时间、电价构建用户最佳选择模型；表示为：minW＝θ1W1+θ2W2+θ3W3+θ4W4式中：W1为道路拥挤程度；W2为行驶时间；W3为排队时间；W4为电价；θ1，θ2，θ3，θ4分别为W1‑
W4对应的权重，θ1+θ2+θ3+θ4＝1；S2、基于用户最佳选择模型得到用户最佳选择合集，利用用户最佳选择合集作为求解电动汽车充电设施选址模型的初始参数。所述用户最佳选择合集包括最佳寻优结果合集和驾驶员最佳寻址合集；S3、构建电动汽车充电设施选址模型表示为：minF＝ω1F1+ω2F2+ω3F3+F4式中：F表示充电设施运行至目标年限的总运行成本：F1表示充电设施运行至目标年限的建设成本；F2表示用户行驶至充电设施的距离成本；F3表示用户的排队成本；F4表示惩罚函数；ω1，ω2，ω3分别为F1、F2、F3对应的权重；S4、基于最佳寻优结果合集和驾驶员最佳寻址合集，求解电动汽车充电设施选址模型，进而得到汽车充电设施规划方案；汽车充电设施规划方案包括对当前充电设施内充电桩数量的调整方案、未来充电设施选址规划方案。2.根据权利要求1所述的基于多源数据的汽车充电设施选择及规划方法，其特征在于，S2中获得最佳寻优结果合集的方法为：S2.1.1、根据汽车用户的选择习惯，对用户最佳选择模型中的θ1，θ2，θ3，θ4进行赋值，且4个权重取值不能全部相同，需体现出优先级划分；S2.1.2、将需求点所在区域内所有已装有充电设施的停车场作为候选电站；S2.1.3、使用权重赋值后的用户最佳选择模型计算第i个需求点和所有候选电站的目标函数值minW；将第i个需求点的目标函数值minW对应的候选电站记为F
(minW)i
；S2.1.4、在4个权重中选出较大的2个权重，将所选出的较大权重中的一个赋值为1，其余三个权重均赋值为0，再将重新赋值后的权重代入用户最佳选择模型；此时用户最佳选择模型输出第i个需求点对应的候选电站记为F
(first)i
；将所选出的较大权重中的另一个权重赋值为1，其余三个权重赋值为0，再将重新赋值后的权重代入用户最佳选择模型；此时用户最佳选择模型输出第i个需求点对应的候选电站记为F
(second)i
；S2.1.5、由S2.1.3和S2.1.4得到的三种候选电站构成第i个需求点对应的最佳寻优结果合集，表示为F
xyi
＝[F
(minw)i
，F
(first)i
，F
(second)i
]；S2.1.6、重复上述步骤，获得所有需求点对应的最佳寻优结果合集。3.根据权利要求1所述的基于多源数据的汽车充电设施选择及规划方法，其特征在于，S2中获得驾驶员最佳寻址合集的方法为：S2.2.1、根据汽车用户的选择习惯，对用户最佳选择模型中的θ1，θ2，θ3，θ4进行赋值，且4个权重取值不能全部相同，需体现出优先级划分；S2.2.2、将需求点所在区域内所有停车场作为候选电站，停车场包括已装有充电设施的停车场、未建设充电设施的停车场；S2.2.3、使用权重赋值后的用户最佳选择模型计算第i个需求点和所有候选电站的目
标函数值minW；将第i个需求点的目标函数值minW对应的候选电站记为F
(minW)i
’
；S2.2.4、在4个权重中选出较大的2个权重；将所选出的较大权重中的一个权重赋值为1，其余三个权重均赋值为0，再将重新赋值后的权重代入用户最佳选择模型，此时用户最佳选择模型输出第i个需求点对应的候选电站记为F
(first)i
’
；将所选出较大权重中的另一个权重赋值为1，其余三个权重赋值为0，再将重新赋值后的权重代入用户最佳选择模型；将此时用户最佳选择模型输出第i个需求点对应的候选电站记为F
(second)i
’
；；S2.2.5、由S2.2.3和S2.2.4得到的三种候选电站构成第i个需求点对应的驾驶员最佳寻址合集，表示为F
xzi
＝[F
(minw)i
’
，F
(first)i
’
，F
(second)i
’
]；S2.2.6、重复上述步骤，获得所有需求点对应的驾驶员最佳寻址合集。4.根据权利要求2所述的基于多源数据的汽车充电设施选择及规划方法，其特征在于，S4中基于最佳寻优结果合集，得到当前充电设施内充电桩数量的调整方案的方法为：S4.1.1、生成一个N*E的初始矩阵N0，初始矩阵N0是由E个列向量构成，每个列向量代表一种方案，共有E种方案；依次从N个需求点对应的最佳寻优结果合集中随机选取一个候选电站，由此构成长度为N的初始向量；S4.1.2，统计每个列向量中出现的候选电站，并分别记录每个候选电站内不同充电类型的电桩数量；设列向量中候选电站j内的快充电桩数量为b
jk
，慢充电桩数量为b
jm
；分别汇总E个列向量中同一候选电站j的快充电桩数量和慢充电桩数量，由此得到候选电站j的快充电桩数量范围，表示为b
jk
∈[B
jk1
，B
jk2
]，B
jk1
是候选电站j的快充电桩数量的最小值，B
jk2
是候选电站j的快充电桩数量的最大值；同理得到候选电站j的慢充电桩数量b
jm
∈[B
jm1
，B
jm2
]，B
jm1
是候选电站j的快充电桩数量的最小值，B
jm2
是候选电站j的快充电桩数量的最大值；S4.1.3，利用电动汽车充电设施选址模型分别计算初始矩阵N0中E个列向量的目标函数值minF，每一次迭代时候选电站j的快充电桩数量b
jk
和慢充电桩数量b
jm
都分别其对应的范围中随机选取；S4.1.4，更新记忆矩阵(1)计算各个方案浓度，选择概率：率：式中：用A表示minF的倒数，V
ij
表示列向量之间的相似度；V
ij
表示向量i与向量j中相同的位数；n表示向量长度；式中：N为抗体数量，T为设定的阈值；式中：P
i
是选择概率；α是比例系数；当个体适应度越高时，期望繁殖概率越大；当个体浓
度越小时；期望繁殖概率越大这种方式有利于选择适应度高的个体，同时抑制浓度高的个体，保证了个体多样性；(2)设置N*U的记忆矩阵N
U
，将所有方案的目标函数值按照从小到大进行排序，将前S个较小的目标函数值对应的列向量放入记忆矩阵；再将剩下的E
‑
S个列向量据浓度按照从小到大进行排序；将前U
‑
S个较小的浓度对应的列向量放入记忆矩阵；(3)将剩余E
‑
U个个体即列向量进行选择，异变，交叉操作生成矩阵N
E
‑
U
：选择：采用轮盘赌法选择适应度较好的染色体，个体选择概率为(1)中得出的选择概率P
i
；交叉：采用随机选择交叉位置进行交叉；每次交叉随机选取两个向量，随机选取(0，N)内的两个数作为交叉片段，将两个向量在此片段内的数进行互换；变异：采用随机选择变异位进行变异；每次变异随机选取(0，N)内的三个数作为变异位置，根据上述步骤获得各个需求点的最佳寻址合集，将变异位置的数随机替换为合集内剩余两个数中的其中一个；(4)判断是否满足结束条件；若是，则结束寻优，此时矩阵中最小的目标函数值所对应的列向量即方案中候选电站j的快充电桩数量为b
jk
和慢充电桩数量为b
jm
为当前充电设施内充电桩数量的调整方案；反之，则进行下一步操作；预设迭代次数，当达到设定次数结束迭代；(5)将N
U
与N
E
‑
U
结合，共同构成新一代矩阵N
n
；(6)新一代矩阵N
n
重新计算目标函数值。5.根据权利要求3所述的基于多源数据的汽车充电设施选择及规划方法，其特征在于，基于驾驶员最佳寻址合集，得到未来充电设施选址规划方案的方法如下：S4.2.1、生成一个N*E的初始矩阵N0，初始矩阵N0是由E个列向...
【专利技术属性】
技术研发人员：姚明，毛文杰，曹淑超，马伟豪，李颖菲，
申请(专利权)人：江苏大学，
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。