[发明专利]面向智慧城市的充电站建设方法

权利要求书

1.面向智慧城市的充电站建设方法，其特征在于，包括以下步骤：

S1.获取待规划城市内的交通信息、居民信息以及充电站的建设参数和运行参数数据；

S2.基于步骤S1得到的数据，对所述待规划城市进行充电需求分析并进行充电区块划分，通过卷积神经网络预测各充电区块的关键充电需求点及各关键充电需求点所对应的电动汽车平均行驶速度；

S3.以保证充电站全天应满足其服务范围内所有充电需求、各用户在预设电量值内需到达相应的充电站进行充电、以及所述待规划城市中的任一关键充电需求点至少在一个充电站的服务范围内为约束条件，以最小化所述待规划城市的充电站建设投入成本及用户充电成本为目标，构建充电站选址建设模型；

S4.求解所述充电站选址建设模型，得到所述待规划城市的选址及建设方案；

步骤S1所述的：

交通信息包括：在所述待规划城市中各路段的起点、终点的经纬度信息、距离、路段类型以及该路段在一天内各个时刻的电动汽车通行量；

居民信息包括：所述待规划城市的人口数量表、私人机动车数量表、私人电动汽车数量、规划充电站覆盖区域的总面积；

充电站的建设参数和运行参数包括：充电站中单个快充充电桩造价、单个慢充充电桩造价：

其中F_fast为单个快充充电桩造价、F_slow为单个慢充充电桩造价；

用户选择快充和慢充两种不同充电方式下的充电时长：

其中T_fast为快充的充电时长；T_slow为慢充的充电时长；

用户选择快充和慢充两种不同充电方式下的充电效率：

其中p_fast为快充的充电效率；p_slow为慢充的充电效率；

电动汽车的正常行车状态下的消耗功率P_c；实时获取充电需求点i的时刻k下的车流量m_ik；充电站的充电单价u₂；

在所述步骤S2中，所述待规划城市被划分为j个充电区块，同时对时间段划分为k段，通过BP卷积神经网络预测各充电区块得到关键充电需求点i及各关键充电需求点所对应的电动汽车平均行驶速度v_ik；

步骤S3中所述约束条件中的保证充电站全天应满足其服务范围内所有充电需求，具体建立为如下第一约束方程：

其中i表示第i个关键充电需求点，k表示第k时刻，其中p_k*T_k表示该充电站提供的充电电能，d_ij表示第i个关键充电需求点到j个充电站的距离；

p_k*T_k＝a_k*p_fast*T_fast+b_k*p_slow*T_slow

其中a_k表示该充电站的快充充电桩数量，b_k表示该充电站慢充充电桩数量；

步骤S3中所述约束条件中的各用户在预设电量值内需到达相应的充电站进行充电，具体建立为如下第二约束方程：

d_ij≤d_max

d_ij表示第i个关键充电需求点到j个充电站的距离，d_max表示充电站所能服务的区域范围；

步骤S3中所述约束条件中的所述待规划城市中的任一关键充电需求点至少在一个充电站的服务范围内，具体建立为如下第三约束方程：

对于待规划城市内的任一关键充电需求点i，若其在充电站j的服务范围R_j内，则y_ij＝1，否则y_ij＝0；任一关键充电需求点i应满足至少在一个充电站的服务范围内；

步骤S3所述的以最小化所述待规划城市的充电站建设投入成本及用户充电成本为目标，构建充电站选址建设模型具体包括：

以最小化所述待规划城市的充电站建设投入成本为目标建立第一目标方程：

其中M_i＝a_i*F_fast+b_i*F_slow，a和b分别表示该充电站内快充充电桩、慢充充电桩的数量；F_fast为单个快充充电桩造价、F_slow为单个慢充充电桩造价；c_i为充电站的基础建设成本，包括土地成本；r表示充电站的投资回收率；l表示充电站的投资回收年限；x_i表示是否在i点处建设充电站，x_i∈{0，1}，值为1表示是，值为0表示否；

以最小化用户充电成本为目标构建第二目标方程：

其中，m_i，k表示第k个时间段内，充电区块i内有充电需求的电动汽车总数量；u₂表示电动汽车在充电站的充电单价；g表示电动汽车单位里程消耗电量，u₁表示用户的单位出行价值；

步骤S3所述的以最小化所述待规划城市的充电站建设投入成本及用户充电成本为目标，构建充电站选址建设模型还包括：

将所述第一目标方程及第二目标方程整合为单目标函数，得到如下充电站选址建设模型：

Z₃＝Z₁+Z₂

约束方程：

d_ij≤d_max

所述步骤S4具体为：采用遗传算法求解所述充电站选址建设模型，将A个充电站的位置作为基因组合，充电站的选点在原来的位置基础上变动一定距离B，可自定义变动的次数C，得到A*B*C种排列组合，对每一个组合进行遍历，在满足所述充电站选址建设模型的约束条件的前提下，计算所述待规划城市的充电站建设投入成本及用户充电成本的最小值，得到最优解，从而得到每个充电站的选址，以及每个充电站所需提供的电量。

2.根据权利要求1所述的面向智慧城市的充电站建设方法，其特征在于，在所述步骤S2中，基于步骤S1得到的数据还包括对所述数据进行数据清洗，删除噪音数据及故障数据。