考虑温度适应性的换电站选址与运营策略协同优化方法技术

本发明专利技术属于交通控制系统技术领域，涉及一种考虑温度适应性的换电站选址与运营协同优化方法，包括：获取电动汽车历史轨迹信息和区域历史温度信息，提取历史出行链和行程，并温度信息匹配。基于出行链和行程时空变量，挖掘出行特征模型。基于行程时空变量和温度信息，建立电动汽车能耗模型。结合电动汽车出行特征和能耗模型，对预期规模的电动汽车的出行与换电行为进行仿真，获得不同季节情景下的换电需求时空分布。基于不同季节情景下的换电需求时空分布，构建两阶段选址与运营策略协同优化模型。采用整数L

【技术实现步骤摘要】
考虑温度适应性的换电站选址与运营策略协同优化方法


[0001]本专利技术涉及电动车辆换电
；具体地，涉及一种考虑温度适应性的换电站选址与运营协同优化方法。

技术介绍

[0002]电动汽车（EV）因其节能、零废气排放和低维护成本的技术经济优越性而得以广泛应用，在个人出行、网约车和出租车服务、公务车队服务以及城市配送等领域具有良好的应用前景。鉴于动力电池当前技术水平存在的电池续航里程有限、充电速度慢等技术瓶颈，电池交换（Battery Swapping）新技术被认为是缓解里程焦虑的一种有效和创新的解决方案，该技术将已放电的电动汽车电池与已经充电的电池交换，取代充电，避免了电池充电的漫长等待，其核心挑战是先行布局和建立换电站基础设施。
[0003]电动汽车动力电池能耗受低温影响续航能力衰减快、换电频次高，限制了换电型电动汽车在气温年较差较大地区的推广应用。针对这一现实问题，先行布局和建立换电站基础设施时，亟需考虑低温适应性科学预测换电需求、动态规划换电站网络以及优化换电站运营策略。而现有换电站选址和运营优化方法均未考虑、未量化低温对换电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑温度因素的换电需求时空分布获取方法，其特征在于，包括以下步骤：步骤1.根据研究区域地理信息将整个区域划分为S个边长为500m的正六边形网格作为基本网格单元TAZ
j
；步骤2.获取电动汽车历史出行的GPS轨迹数据，分辨率小于一分钟，每个时间戳的信息包括车辆ID、经度、纬度、速度、时间和当前荷电状态；步骤3.获取对象城市的历史气象数据，包括对应轨迹数据时间段内的小时级历史温度数据，各个季节平均温度最低的一天的小时级历史温度数据；步骤4.从获取的轨迹数据中筛选历史有效行程并与温度数据匹配，获取出行链长度概率；步骤5.构建基于电动汽车真实出行行为的出行链模型；步骤6.构建行程能耗模型；步骤7.确定出行链特征量及其概率分布函数,确定每个网格上的出行链数量、第一段行程的出发时间和初始电池荷电状态；步骤8.训练行程特征变量关联分布模型与应用条件生成器采样，采用Python开源合成数据库SDV中的CTGAN模型，构建行程特征变量关联分布模型，应用CTGAN条件生成器，进行给定行程出发时段、起讫网格条件下行程特征变量的采样；步骤9.每次行程结束后，判断换电需求；每次行程结束时，以当前荷电状态为换电选择观测指标，驾驶员的最低心理阈值为换电选择基准指标，为季节索引，判断规则为：追踪到时，在行程到达网格单元TAZ
j
处产生换电需求；否则，不产生换电需求，继续出行链下一段行程；这里，冬季取值为0.3，春季和秋季取值为0.25，夏季取值为0.27；步骤10.计算换电绕行损失；换电行为是在正常出行行为外的补能过程，换电车辆完成换电过程后，回归原出行链；假定换电行驶距离服从0
~
4km的均匀分布，则换电绕行损失时间计算为，为上一段行程的平均速度，换电后的电池服从取值上限为1的正态分布N(0.9,0.05)；步骤11. 基于出行模式仿真，考虑气温变化影响，预测换电需求时空分布。2.根据权利要求1所述的一种考虑温度因素的换电需求时空分布获取方法，其特征在于，在步骤4中还包括以下步骤：A1.GPS轨迹数据的预处理，依据经度与纬度是否在研究区域范围内，速度、时间等信息是否存在异常值等情况，剔除无效数据；A2.行程的判断，一段行程包括一段行驶过程和一段行驶结束的停车过程，若速度为0持续时间超过15min，则出行结束进入停车过程；下一次速度不为0的启动时刻记作下一段行程的开始；A3.历史行程特征变量计算，将每个行程的轨迹数据帧进行统计，得到行程特征变量，包括出发网格单元、出发时刻、出发、行程距离、行程时间、平均速度、到达网格单元、到达时刻、停车时间、到达；A4.行程均温信息获取，依据行程的出发时间和到达时刻与历史温度数据匹配，将行程的平均温度扩充到历史有效行程信息中；
A5.出行链长度及其概率分布统计，将单一车辆一日之内的所有行程连接即为一个出行链，出行链长度则为其中的行程数，忽略出行链长度大于10的占比极少的样本，获取其长度的离散概率分布情况。3.根据权利要求1所述的一种考虑温度因素的换电需求时空分布获取方法，其特征在于，在步骤5中还包括以下步骤：B1.出行链表示出行者在一日之内的时间与空间坐标变化，索引为的出行链即是一个集合，包含行程特征变量；B2.空间链由变量、和表示，和为第个出行链的第个行程的出发地和目的地对应的网格单元TAZ，为第个出行链的第个行程的行程距离；B3.将空间维度的出行链视为马尔可夫链，用空间转移概率矩阵表示为：；其中，为任意行程出发时刻所属时段，以2h为分辨率，被记为时段下从网格单元TAZ
i
出发、目的地位于网格单元TAZ
j 的概率，依据历史行程数据集，获得空间转移概率矩阵；B4.时间链变量包括，其中，和为第个出行链的第个行程的出发时刻和到达时刻，为第个出行链的第个行程到达目的地后，第个到达时刻至下一个即第个行程出发时刻之间的停车时间；B5.对于行程，为出发时的电池当前荷电状态，为到达目的地时的电池当前荷电状态；B6.同一出行链中相邻行程特征变量递推关系：；；；即第次行程的出发时刻等于第次行程的到达时刻加停车时间，次行程的出发地点就是第次行程的到达地点，同时忽略停车期间能耗。4.根据权利要求1所述的一种考虑温度因素的换电需求时空分布获取方法，其特征在于，在步骤6中还包括以下步骤：C1.根据行程数据的、行程距离和电池容量计算行程中单位里程的能耗：；电动汽车运行时的单位里程的能源消耗主要包括动力系统能耗与温控系统能耗两方面：；C2. 为动力系统的能耗，具体表达式为：；其中，为行程平均速度，为行程平均温度；
C3.为温控系统的能耗，主要就是空调系统，可以表示为：；其中，为行程平均温度，行程时间，空调开启概率与相关，能耗数值大小与成正比；C4.行程时间为行程到达时刻和出发时刻之差，行程速度为行程距离与行程时间之比，从历史行程数据中获取或计算行程特征变量；C5.整合上述C1
‑
C4，构建以下描述行程能耗与行程特征变量关系的多元非线性模型：；根据历史行程数据，对模型进行参数拟合，获取系数~、~。5.根据权利要求1所述的一种考虑温度因素的换电需求时空分布获取方法，其特征在于，在步骤7中还包括以下步骤：D1.网格单元TAZ
j
上出发的出行链数量，与该网格单元内预期的换电电动车规模有关，计算公式为：；其中，为网格单元中的人口数量，为人均机动车保有量，为预期换电电动车在网格单元中的渗透率；D2.出行链中第一段行程的出发时刻，根据历史出行链数据，拟合获得正态分布为：；D3.第一段行程出发时间的电池荷电状态为，根据历史出行链数据，拟合获得指数分布为：。6.根据权利要求1所述的一种考虑温度因素的换电需求时空分布获取方法，其特征在于，在步骤8中还包括以下步骤：E1.数据准备与单表数据定义，从历史轨迹数据中提取所有R个行程的特征变量，其中，为行程出发时刻所处的时间段，分辨率为2h；为行程出发网格单元与到达网格单元，为行程距离，为行程时间，为行驶结束后的停车时间，这里，是离散变量，是连续变量，视为相互关联的单表数据，为数据主键，表中每一行代表新的实体；E2.基于单表元数据结构创建CTGAN模型，单表元数据结构中，的数据类型设置为“categorical”，的数据类型设置为“numerical”；E3.CTGAN模型参数及其约束设置，“enforce_min_max_values”=false使合成数据可能包含小于或大于实际数据的数值，“enforce_rounding”=true使合成数据具有与实际数据相同的十进制位数，“epochs”=500将GAN模型的训练迭代500次，“cuda”=true允许使用GPU加快建模时间，对所有连续变量单列添加标量不等式约束，使其取值在合理的范围内；E4.根据E1
‑
E3，使用真实的历史行程数据，训练CTGAN模型，提取并保存条件生成器G；
E5.调用条件生成器G进行条件采样，创建condition对象，包含三类离散特征变量，挑选历史行程数据中数量最多的10个和最少的10个离散特征变量组合，检验不平衡数据集的训练效果，即在给定的离散特征变量组合condition下，调用条件生成器G（z，condition），产生500行数据，作为生成行程数据；E6.生成行程数据评价，将上述不同condition下的生成行程数据和历史行程数据共同导入evaluate_quality函数，根据单列和列对相关性指标评估生成行程数据的质量，加权评价指标的质量得分大于85%即认为生成行程数据质量过关，训练模型合格。7.根据权利要求1所述的一种考虑温度因素的换电需求时空分布获取方法，其特征在于，在步骤11中还包括以下步骤：F1.根据步骤7D1，确定每个网格单元的出行链数量；F2.给定季节，依据国家气象科学数据中心的历史气温数据，提取该季节下电动汽车能源消耗对气温最敏...

【专利技术属性】
技术研发人员：孙宝凤，周俊义，王薇，周户星，
申请(专利权)人：吉林大学，
类型：发明
国别省市：