基于0-1整数规划模型的充电桩部署选址方法及装置的制造方法
【专利摘要】本发明涉及一种基于0?1整数规划模型的充电桩部署选址方法，解决了现有技术的不足，技术方案为：一种基于0?1整数规划模型的充电桩部署选址方法，其特征在于：包括以下步骤：步骤一，采集目标区域的车流量，步骤二，并计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电桩数量，步骤三，根据各个目标区域应该建设的充电桩数量，然后通过0?1覆盖模型完成基于0?1整数规划模型的分析，步骤四，根据Yi的评价值，以从高到低的顺序依次对充电桩进行选址并部署。
【专利说明】
基于0-1整数规划模型的充电桩部署选址方法及装置
技术领域
[0001] 本发明涉及一种充电粧部署选址方法及装置，特别涉及一种基于0-1整数规划模 型的充电粧部署选址方法及装置。
【背景技术】
[0002] 目前的选址评价方法提出了能够计及地理因素和服务半径的2步筛选法，以此来 确定充电站的候选站址，但未综合考虑车流量以及所在相邻区域的相关性。一个区域的重 要性不是一个孤立的指标，与其相邻区域的重要性有关，需要考虑以下指标：（1)该区域停 车场的容量；（2)该区域在市民出行意愿网络的重要性；（3)周围停车场的数量与相隔距离， 近10多年来，随着动力电池技术的发展，电动汽车已在欧美、日本等发达国家初步形成规模 市场。中国也提出了到2020年电动汽车(包括混合动力汽车、纯电动汽车、燃料电池汽车等） 保有量达到500万辆的发展规划。随着新能源汽车行业的快速发展，充电粧数量有限的瓶颈 逐渐显现出来，同时由于充电粧的位置明显不合理而导致其使用率偏低。
【发明内容】
[0003] 本发明的目的在于解决上述现有技术由于充电粧的位置明显不合理而导致其使 用率偏低的问题，提供了一种基于0-1整数规划模型的充电粧部署选址方法及装置。
[0004] 本发明解决其技术问题所采用的技术方案是:一种基于聚类的区域出行意愿强度 分析方法，包括以下步骤：
[0005] -种基于0-1整数规划模型的充电粧部署选址方法，包括以下步骤：
[0006]步骤一，采集目标区域的车流量，
[0007] 步骤二，并计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域 的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电粧数量，
[0008] 步骤三，根据各个目标区域应该建设的充电粧数量，然后通过0-1覆盖模型完成基 于0-1整数规划模型的分析，
[0009] 其中，0-1覆盖模型为：
[0010]
[0011]
[0012]
[0013]
[0014] aiA i点到j点的距离，B为人工设定值，PjSj点所属类型的权重，YiSi点的综合 评价指标，其中，j点所属类型的权重和i点的综合评价指标均为人工设定；
[0015] 步骤四，根据1的评价值，以从高到低的顺序依次对充电粧进行选址并部署。
[0016] -个区域的重要性不是一个孤立的指标，与其相邻区域的重要性有关，需要考虑 以下指标：（1)该区域停车场的容量；（2)该区域在市民出行意愿网络的重要性；（3)周围停 车场的数量与相隔距离。综合考虑一个区域在市民出行意愿中的重要性，微观上考虑该区 域建站的可行性，并且考虑了站点的车位容量与充电粧数量。考虑到电动汽车发展的开始 阶段电动汽车数量较少，因此本选址方法的目标则为在充电粧建造数量最少的前提下，使 得充电粧的覆盖最大，即综合选址评价指标最高。本发明给出的一种科学的充电粧部署数 量分析方法，综合考虑了所在相邻区域的相关性，有效避免盲目建站。
[0017] 作为优选，在步骤一中，只计算目标区域的所有单向流入车流量，电动汽车日均车 流量=电动汽车占有率X 〇. 5 X最大时均车流量X 24，其中电动汽车占有率为人工设定值。
[0018] 作为优选，所述步骤二中，充电概率=日均充电次数X每次充电时间/16。由于人 们外出充电时间大多在6-22点之间，故概率只计算此16小时内。
[0019] 作为优选，在步骤一中，在目标区域采用爬虫技术采集各个目标区域的车流量，在 步骤二中，对采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的车流量数据， 计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率，根据目 标区域的车流量和充电概率计算得出应该建设的充电粧数量。本申请中采用的数据采集技 术可以和其他数据采集时通用，结构化形式存储车流量数据后可直接使用车流量数据。
[0020] 作为优选，A的数值为16，B的数值为500。
[0021] 作为优选，所述目标区域由基于聚类的区域出行意愿强度分析方法选址确定，基 于聚类的区域出行意愿强度分析方法包括
[0022] 数据采集步骤，采用爬虫技术采集各个意向区域的公交、出租车、自行车或其他公 共交通的出行轨迹记录，
[0023] 数据分拣步骤，对由数据采集步骤采集到的出行轨迹记录进行数据清洗，得到以 结构化形式存储的出行轨迹记录，
[0024] 聚类分析步骤，采用聚类算法，对结构化存储的出行轨迹记录进行时空网络分析， 得出聚类分析结果，
[0025] 出行意愿强度分析步骤，根据聚类分析结果计算各个意向区域的出行意愿强度，
[0026] 当意向区域出行意愿强度大于设定阈值时即为目标区域。
[0027] 意向区域由人工选择确定，确定之后通过基于聚类的区域出行意愿强度分析方法 选址获得有较多出行意愿的区域作为目标区域，目标区域可以进一步通过基于0-1整数规 划模型的充电粧部署选址获得更有效率的充电粧地址。
[0028]作为优选，在数据分拣步骤中，将采集到的出发时间结构化为出发时间集:sttime [0 . .n-1]，出发地点经炜度结构化为出发地点集：location[0 . .n-1 ] = {(x0，y0)，（xl， yl)，. . .，（xn-1，yn-l)}，n为采集到的所有出行轨迹记录的条数，在聚类分析步骤中，以出 发地点为维度和出发时间为维度分别进行聚类分析。
[0029]作为优选，时间聚类步骤一，首先选取出行轨迹记录出发时间的m个初始中心，记 为a[0] = sttime[0]，a[ I ] = sttime[ 1 ]，…，a[m_l ] = sttime[m_l ] (m<n);
[0030] 时间聚类步骤二，将sttime[0]至sttime[n_l]内所有出发时间，分别与a[0]，a[l] 至a[m-l]进行比较，sttime[0]至sttime[n-l]内所有出发时间对应有一个最小差值a[i]， 并标记为i，对于所有标记为i的点重新计算a [ i ] = {所有标记为i的s11ime [ j ]之和} /标记 为i的个数；
[0031] 时间聚类步骤三，重复时间聚类步骤二，直到所有a[i]的变化小于给定的阈值，完 成以出发时间为维度的聚类分析；
[0032] 同时以出发地点为维度的聚类分析包括，
[0033] 地点聚类步骤一，首先选取出行轨迹记录出发地点的k个初始中心，分别记为b[0] =location[0]，b[ 1 ] = location[ 1 ]，…，b[k_l ] = location[k_l ] (k<n);
[0034] 地点聚类步骤二，将location[0]至location[n-l]内所有经炜度数据，分别与b [0]，b[ 1]，至，b[k_l]比较，location[0]至location[n_l]内所有经炜度数据对应有一个最 小距离b[ i ]，并标记为i ;对于所有标记为i的点，重新计算b [ i ] = {所有标记为i的location [j]之和}/标记为i的个数；
[0035]地点聚类步骤三，重复地点聚类步骤二，直到所有b[i]的变化小于给定的阈值，完 成以出发地点为维度的聚类分析。
[0036] 作为优选，根据聚类分析后所得的分类结果，计算出各个意向区域的时间权值和 区域权值，时间权值=所在区域类的出行时间总和/总出行时间总和;区域权值=所在区域 类的记录数/总记录数;意向区域的出行意愿强度为意向区域所属的时间权值与区域权值 的乘积。
[0037] -种基于0-1整数规划模型的充电粧部署选址装置，其特征在于:适用于如权利要 求5所述的基于0-1整数规划模型的充电粧部署选址方法，包括以下器件：
[0038] 流量采集器，在目标区域采用爬虫技术采集各个目标区域的车流的出行轨迹记 录，
[0039] 数据分拣器，对采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的 车流量数据，计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电 概率，根据目标区域的车流量和充电概率计算得出应该建设的充电粧数量，
[0040] 0-1分析器，根据各个目标区域应该建设的充电粧数量，然后通过0-1覆盖模型完 成基于0-1整数规划模型的分析，
[0041 ] 其中，0-1覆盖模型为：
[0042]
[0043]
[0044]
[0045]
[0046] aijS i点到j点的距离，B为人工设定值，j点所属类型的权重，YiSi点的综合 评价指标，其中，j点所属类型的权重和i点的综合评价指标均为人工设定；
[0047] 选址评价器，根据1的评价值，以从高到低的顺序依次对充电粧进行选址并部署。
[0048] -个区域的重要性不是一个孤立的指标，与其相邻区域的重要性有关，需要考虑 以下指标：（1)该区域停车场的容量；（2)该区域在市民出行意愿网络的重要性；（3)周围停 车场的数量与相隔距离。综合考虑一个区域在市民出行意愿中的重要性，微观上考虑该区 域建站的可行性，并且考虑了站点的车位容量与充电粧数量。考虑到电动汽车发展的开始 阶段电动汽车数量较少，因此本选址方法的目标则为在充电粧建造数量最少的前提下，使 得充电粧的覆盖最大，即综合选址评价指标最高。本发明给出的一种科学的充电粧部署数 量分析方法，综合考虑了所在相邻区域的相关性，有效避免盲目建站。
[0049] 本发明的实质性效果是：一个区域的重要性不是一个孤立的指标，与其相邻区域 的重要性有关，需要考虑以下指标:该区域停车场的容量;该区域在市民出行意愿网络的重 要性;周围停车场的数量与相隔距离。综合考虑一个区域在市民出行意愿中的重要性，微观 上考虑该区域建站的可行性，并且考虑了站点的车位容量与充电粧数量。考虑到电动汽车 发展的开始阶段电动汽车数量较少，因此本选址方法的目标则为在充电粧建造数量最少的 前提下，使得充电粧的覆盖最大，即综合选址评价指标最高。本发明给出的一种科学的充电 粧部署数量分析方法，综合考虑了所在相邻区域的相关性，有效避免盲目建站。
【附图说明】
[0050] 图1为本发明中基于0-1整数规划模型的充电粧部署选址装置的一种结构示意图。
[0051] 图中：1、流量采集器，2、数据分拣器，3、0-1分析器，4、选址评价器。
【具体实施方式】
[0052] 下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体说明。 [0053] 实施例：
[0054] 一种基于0-1整数规划模型的充电粧部署选址方法，包括以下步骤：
[0055]步骤一，采集目标区域的车流量，
[0056] 步骤二，并计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域 的充电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电粧数量，
[0057] 步骤三，根据各个目标区域应该建设的充电粧数量，然后通过0-1覆盖模型完成基 于0-1整数规划模型的分析，
[0058] 其中，0-1覆盖模型为：
[0059]
[0060]
[0061]
[0062]
[0063] aijS i点到j点的距离，B为人工设定值，j点所属类型的权重，YiSi点的综合 评价指标，其中，j点所属类型的权重和i点的综合评价指标均为人工设定；
[0064] 步骤四，根据1的评价值，以从高到低的顺序依次对充电粧进行选址并部署。
[0065] 在步骤一中，只计算目标区域的所有单向流入车流量，电动汽车日均车流量=电 动汽车占有率X 〇. 5 X最大时均车流量X 24，其中电动汽车占有率为人工设定值。
[0066] 所述步骤二中，充电概率=日均充电次数X每次充电时间/16。
[0067] 在步骤一中，在目标区域采用爬虫技术采集各个目标区域的车流量，
[0068] 在步骤二中，对采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的 车流量数据，计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电 概率，根据目标区域的车流量和充电概率计算得出应该建设的充电粧数量。
[0069] 适用于如上述的基于0-1整数规划模型的充电粧部署选址方法，包括以下器件:流 量采集器1，在目标区域采用爬虫技术采集各个目标区域的车流的出行轨迹记录，
[0070] 数据分拣器2,对采集到的出行轨迹记录进行数据清洗，得到以结构化形式存储的 车流量数据，计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电 概率，根据目标区域的车流量和充电概率计算得出应该建设的充电粧数量，
[0071] 0-1分析器3,根据各个目标区域应该建设的充电粧数量，然后通过0-1覆盖模型完 成基于0-1整数规划模型的分析，
[0072]其中，0-1覆盖模型为：
[0073]
[0074]
[0075]
[0076]
[0077] aijS i点到j点的距离，B为人工设定值，j点所属类型的权重，YiSi点的综合 评价指标，其中，j点所属类型的权重和i点的综合评价指标均为人工设定；
[0078]选址评价器4,根据1的评价值，以从高到低的顺序依次对充电粧进行选址并部署 建设。
[0079] 实施例2:
[0080] 本实施例中，所述目标区域由基于聚类的区域出行意愿强度分析方法选址确定， 基于聚类的区域出行意愿强度分析方法包括数据采集步骤，采用爬虫技术采集各个意向区 域的公交、出租车、自行车或其他公共交通的出行轨迹记录，
[0081] 数据分拣步骤，对由数据采集步骤采集到的出行轨迹记录进行数据清洗，得到以 结构化形式存储的出行轨迹记录，
[0082] 聚类分析步骤，采用聚类算法，对结构化存储的出行轨迹记录进行时空网络分析， 得出聚类分析结果，
[0083] 出行意愿强度分析步骤，根据聚类分析结果计算各个意向区域的出行意愿强度， 当意向区域出行意愿强度大于设定阈值时即为目标区域。
[0084]在数据分拣步骤中，将采集到的出发时间结构化为出发时间集:sttime[0. .η-I]， 出发地点经炜度结构化为出发地点集：l〇cation[0 · ·η_1] = {(xo，yo)，（xi，yi)，…，（χη-1， yw)}，η为采集到的所有出行轨迹记录的条数，
[0085] 在聚类分析步骤中，以出发地点为维度和出发时间为维度分别进行聚类分析。
[0086] 时间聚类步骤一，首先选取出行轨迹记录出发时间的m个初始中心，记为a[0 ]= sttime[0]，a[ I ] = sttime[ 1 ]，…，a[m_l ] = sttime[m_l ] (m<n);
[0087] 时间聚类步骤二，将sttime[0]至sttime[n_l]内所有出发时间，分别与a[0]，a[l] 至3[111-1]进行比较，81：1：；[1116[0]至81：1：；[1116[11-1]内所有出发时间对应有一个最小差值3[；[]， 并标记为i，对于所有标记为i的点重新计算a [ i ] = {所有标记为i的S11ime [ j ]之和} /标记 为i的个数；
[0088] 时间聚类步骤三，重复时间聚类步骤二，直到所有a[i]的变化小于给定的阈值，完 成以出发时间为维度的聚类分析；
[0089] 同时以出发地点为维度的聚类分析包括，
[0090] 地点聚类步骤一，首先选取出行轨迹记录出发地点的k个初始中心，分别记为b[0] =location[0]，b[ 1 ] = location[ 1 ]，…，b[k_l ] = location[k_l ] (k<n);
[0091 ] 地点聚类步骤二，将location[0]至location[n_l]内所有经炜度数据，分别与b [0]，b[ 1]，至，b[k_l]比较，location[0]至location[n_l]内所有经炜度数据对应有一个最 小距离b[ i ]，并标记为i ;对于所有标记为i的点，重新计算b [ i ] = {所有标记为i的location [j]之和}/标记为i的个数；
[0092]地点聚类步骤三，重复地点聚类步骤二，直到所有b[i]的变化小于给定的阈值，完 成以出发地点为维度的聚类分析。
[0093]根据聚类分析后所得的分类结果，计算出各个意向区域的时间权值和区域权值， 时间权值=所在区域类的出行时间总和/总出行时间总和；区域权值=所在区域类的记录 数/总记录数;意向区域的出行意愿强度为意向区域所属的时间权值与区域权值的乘积。 [0094] 实施例3:
[0095]本实施例中，与实施例1基本相同，不同之处在于，本实施例中，根据Yi的评价值， 以从高到低的顺序依次对充电粧进行选址意向区域，将意向区域由基于聚类的区域出行意 愿强度分析方法去确定意向区域的出行意愿强度，使用者根据意向区域的出行意愿强度从 高到低的顺序依次对充电粧进行选址并部署建设。
[0096]本实施例充分考虑其相邻区域的重要性有关，需要考虑以下指标:该区域停车场 的容量;该区域在市民出行意愿网络的重要性;周围停车场的数量与相隔距离。综合考虑一 个区域在市民出行意愿中的重要性，微观上考虑该区域建站的可行性，并且考虑了站点的 车位容量与充电粧数量。考虑到电动汽车发展的开始阶段电动汽车数量较少，因此本选址 方法的目标则为在充电粧建造数量最少的前提下，使得充电粧的覆盖最大，即综合选址评 价指标最高。本发明给出的一种科学的充电粧部署数量分析方法，综合考虑了所在相邻区 域的相关性，有效避免盲目建站。
[0097]以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的 限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
【主权项】
1. 一种基于0-1整数规划模型的充电粧部署选址方法，其特征在于:包括W下步骤： 步骤一，采集目标区域的车流量， 步骤二，并计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充 电概率，根据目标区域的车流量和充电概率计算得出应该建设的充电粧数量， 步骤Ξ，根据各个目标区域应该建设的充电粧数量，然后通过0-1覆盖模型完成基于ο? ι 整数规划模型的分析， 其中，0-1覆盖模型为：式中， A为人工设定值，曰^为1点到j点的距离，B为人工设定值，为j点所属类型的权重，Yi为i点的综合评价指 标，其中，j点所属类型的权重和i点的综合评价指标均为人工设定； 步骤四，根据Yi的评价值，W从高到低的顺序依次对充电粧进行选址并部署。2. 根据权利要求1所述的基于0-1整数规划模型的充电粧部署选址方法，其特征在于： 在步骤一中，只计算目标区域的所有单向流入车流量，电动汽车日均车流量=电动汽车占 有率X 0.5 X最大时均车流量X 24，其中电动汽车占有率为人工设定值。3. 根据权利要求1所述的基于0-1整数规划模型的充电粧部署选址方法，其特征在于： 所述步骤二中，充电概率=日均充电次数X每次充电时间/16。4. 根据权利要求1所述的基于0-1整数规划模型的充电粧部署选址方法，其特征在于： 在步骤一中，在目标区域采用爬虫技术采集各个目标区域的车流量， 在步骤二中，对采集到的出行轨迹记录进行数据清洗，得到W结构化形式存储的车流 量数据，计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率， 根据目标区域的车流量和充电概率计算得出应该建设的充电粧数量。5. 根据权利要求1所述的基于0-1整数规划模型的充电粧部署选址方法，其特征在于:A 的数值为16，B的数值为500。6. 根据权利要求5所述的基于0-1整数规划模型的充电粧部署选址方法，其特征在于： 所述目标区域由基于聚类的区域出行意愿强度分析方法选址确定，基于聚类的区域出行意 愿强度分析方法包括 数据采集步骤，采用爬虫技术采集各个意向区域的公交、出租车、自行车或其他公共交 通的出行轨迹记录， 数据分炼步骤，对由数据采集步骤采集到的出行轨迹记录进行数据清洗，得到W结构 化形式存储的出行轨迹记录， 聚类分析步骤，采用聚类算法，对结构化存储的出行轨迹记录进行时空网络分析，得出 聚类分析结果， 出行意愿强度分析步骤，根据聚类分析结果计算各个意向区域的出行意愿强度， 当意向区域出行意愿强度大于设定阔值时即为目标区域。7. 根据权利要求6所述的基于0-1整数规划模型的充电粧部署选址方法，其特征在于： 在数据分炼步骤中，将采集到的出发时间结构化为出发时间集:sttime[0..n-l]，出发 地点经缔度结构化为出发地点集：l〇cation[0. .n-l] = {(x〇，y〇)，（xi，yi)，···，（xn-i，yn-i)}， n为采集到的所有出行轨迹记录的条数，在聚类分析步骤中，W出发地点为维度和出发时间 为维度分别进行聚类分析。8. 根据权利要求7所述的基于0-1整数规划模型的充电粧部署选址方法，其特征在于： 时间聚类步骤一，首先选取出行轨迹记录出发时间的m个初始中屯、，记为a[0] = sttime [0] ，a[l] = sttime[l]，…，a[m-l] = sttime[m-l](m<n); 时间聚类步骤二，将sttime[0]至sttime[n-l]内所有出发时间，分别与a[0]，a[l]至a [m-1]进行比较，sttime[0]至sttime[n-l]内所有出发时间对应有一个最小差值a[i]，并标 记为i，对于所有标记为i的点重新计算a[ i ] = {所有标记为i的Sttime [ j ]之和} /标记为i的 个数； 时间聚类步骤Ξ，重复时间聚类步骤二，直到所有a[i]的变化小于给定的阔值，完成W 出发时间为维度的聚类分析； 同时W出发地点为维度的聚类分析包括， 地点聚类步骤一，首先选取出行轨迹记录出发地点的k个初始中屯、，分别记为b[0] = location[0]，b[l] = location[l]，…，b[k-l] = location[k-l](k<n); 地点聚类步骤二，将l〇cation[0]至location[n-l]内所有经缔度数据，分别与b[0]，b [1] ，至，b[k-l]比较，location[0]至location[n-l]内所有经缔度数据对应有一个最小距 离b[i]，并标记为i ;对于所有标记为i的点，重新计算b[i] = {所有标记为i的locationi； j] 之和}/标记为i的个数;地点聚类步骤Ξ，重复地点聚类步骤二，直到所有b[i]的变化小于 给定的阔值，完成W出发地点为维度的聚类分析。9. 根据权利要求8所述的基于0-1整数规划模型的充电粧部署选址方法，其特征在于： 根据聚类分析后所得的分类结果，计算出各个意向区域的时间权值和区域权值，时间 权值=所在区域类的出行时间总和/总出行时间总和；区域权值=所在区域类的记录数/总 记录数;意向区域的出行意愿强度为意向区域所属的时间权值与区域权值的乘积。10. -种基于0-1整数规划模型的充电粧部署选址装置，其特征在于:适用于如权利要 求5所述的基于0-1整数规划模型的充电粧部署选址方法，包括W下器件： 流量采集器，在目标区域采用爬虫技术采集各个目标区域的车流的出行轨迹记录， 数据分炼器，对采集到的出行轨迹记录进行数据清洗，得到W结构化形式存储的车流 量数据，计算出各个目标区域的电动汽车日均车流量，计算各处各个目标区域的充电概率， 根据目标区域的车流量和充电概率计算得出应该建设的充电粧数量， 0-1分析器，根据各个目标区域应该建设的充电粧数量，然后通过0-1覆盖模型完成基 于0-1整数规划模型的分析， 其中，0-1覆盖模型为：式中， A为人工设定值，曰^为1点到j点的距离，B为人工设定值，Pj为j点所属类型的权重，Yi为i点的综合评价指 标，其中，j点所属类型的权重和i点的综合评价指标均为人工设定； 选址评价器，根据Yi的评价值，W从高到低的顺序依次对充电粧进行选址并部署。
【文档编号】G06F19/00GK105938514SQ201610213942
【公开日】2016年9月14日
【申请日】2016年4月7日
【发明人】何若虚, 李喆炜
【申请人】浙江万马新能源有限公司