EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 5: 802 - 811

DOI: https://doi.org/10.12082/dqxxkx.2021.200360

Research on Site Selection Model of Special Charging Stations for Taxis

  • ZHANG Yi , 1, * ,
  • ZHU Pan 2
Expand
  • 1. Information Engineering University, Zhengzhou 450001, China
  • 2. Can-Cn Geo-digitization Technology Company Limited, Wuhan 430223, China
*ZHANG Yi, E-mail:

Received date: 2020-07-09

  Request revised date: 2020-09-17

  Online published: 2021-07-25

Supported by

National Key R&D Program of China(2016YFB0502300)

Copyright

Copyright reserved © 2021
Fold

Abstract

With the increasing shortage of energy and occurrence of various environmental pollution problems in recent years, low-emission, low-noise, energy-saving, and environmentally friendly electric vehicles have received more and more attention nowadays. In the field of electric taxis in China, the planning and construction of public charging facilities are imminent. At present, there are still deficiencies in the research on site selection of electric taxi charging stations, such as the lack of rich and detailed trip data, insufficient analysis based on trip characteristics and operation state of taxis, and insufficient consideration of the impact of existing charging stations. Thus, this paper proposes a reasonable and feasible site selection framework for taxi charging stations. Based on the statistical analysis of GPS data of taxis, the Monte Carlo method is used to derive charging demand. The influencing factors of charging station construction including the construction cost, charging time, and the impact of established charging stations are analyzed to establish the site selection model of charging stations. And this model is further solved using Multi-Population Genetic Algorithm (MPGA). We obtained the trajectory data of 12 000 taxis in Beijing in one week to derive the charging demand. The site selection model was further established based on the charging demand of 100000 electric taxis. Our results show that the site selection model was feasible, which can effectively reduce the cost of charging station construction and shorten the average wait time of taxi charging.

Key words： charging demand; electric taxis; trip chain; charging stations; site selection; construction cost; waiting time; Multi-Population Genetic Algorithm

Cite this article

ZHANG Yi , ZHU Pan . Research on Site Selection Model of Special Charging Stations for Taxis[J]. Journal of Geo-information Science, 2021 , 23(5) : 802 -811 . DOI: 10.12082/dqxxkx.2021.200360

1 引言

近年来随着能源短缺和环境污染问题日益突显,低排放、低噪声、节能环保的电动汽车受到了越来越多的关注。作为配套服务设施,充电站（桩）是电动汽车普及使用和产业发展的必要保障。随着电动汽车使用数量和规模的不断增加,我国公共充电设施的规划和建设已迫在眉睫,充电站选址成为电动汽车充电站规划建设和优化使用的关键问题之一。特别在公共服务领域,公交、出租、环卫与物流等服务车辆的电动化已逐渐成为趋势,规划建设面向公共服务领域的专用充电站是电动车公共充电基础设施建设的任务之一。国家发展改革委、国家能源局、工信部和住建部联合印发了《电动汽车充电基础设施发展指南（2015—2020）》[1],其中提出了“分场所的建设目标”,也就是结合公交、出租、环卫与物流等公共服务领域专用停车场所,适当补充独立占地的充换电站,并规划新建一批公交车、出租车、环卫和物流等专用车的充换电站。本文针对电动出租车专用充电站规划建设需求,开展充电站选址模型研究。
目前,电动汽车充电站的选址规划研究较多,专门针对出租车的相关研究相对较少。赵书强等[2]基于出行统计数据,利用蒙特卡洛方法直接模拟电动汽车的出行链来计算充电需求,以充电站建设成本和运营成本等最小为目标函数建立充电站选址模型,利用智能算法进行求解;张维戈、刘文霞等[3,4]利用神经网络技术进行充电站的选址规划;Wang等[5]基于乘客出行时间和距离的统计分布,利用蒙特卡洛方法模拟乘客出行时间,计算充电需求的时间分布,以建设成本和出租车等待成本构建选址模型;胡培婷等[6]利用浮动车历史轨迹数据获取出租车的停留次数,将出租车日间停留作为充电需求,在此基础上提出充电时空需求的最大覆盖模型,探求在一定充电站数量下的充电站最佳选址布局区域;邓昌棉等[7]利用出租车乘客起讫数据估计充电OD对需求,基于M/M/K排队理论,建立了行驶距离最小的充电站选址优化模型。
现有电动出租车充电站选址研究主要存在以下不足：在充电需求分析方面缺少丰富详实的车辆运行数据作为支撑,且未能充分结合出租车的换班特性开展分析;在选址模型构建方面未能充分考虑已建成充电站的影响。针对以上问题,同时,考虑与一般通用电动汽车出行和充电特点不同,出租车出行具有空驶特征,乘客上下车时间与地点的随机性更大,充电时间主要选择换班或休息时段,充电主要使用专用充电场站等,本文基于出租车真实轨迹数据,提出了一种综合顾及多种充电站建设影响因素的出租车专用充电站选址方法,对出租车轨迹数据进行统计分析,利用蒙特卡洛方法提取充电需求;对充电站建设的影响因素进行分析,综合考虑建设成本、出租车等待成本和已建成充电站的影响,建立充电站的选址模型;利用多种群遗传算法对模型进行求解,并结合案例开展算例分析,验证了模型的可行性。

2 充电需求分析方法

本文基于出租车轨迹数据的统计分析,利用蒙特卡洛算法模拟出租车的出行链,同时结合出租车换班机制,对充电需求的时空分布进行计算[8,9,10]。为了便于后续的分析和计算,本文用公里网格对研究区域分块。

2.1 出行链模拟

出租车出行链描述的是出租车从换班点出发,经过一系列空载段和载客段,最终回到换班点的过程。出租车出行链特征量包括时间特征量和空间特征量。时间特征量描述出租车一日出行的时间特征,包括日出行开始时刻、每次载客和空载的出发时刻、每次载客段和空载段的行驶时长、日出行结束时刻等;空间特征量描述出租车一日出行的空间特征,包括日出行起始地点、每次载客和空载的出发地点、每次载客和空载的行驶里程、日出行结束地点等。
通过对出租车轨迹数据的统计分析,时间特征量上,分别建立日出行开始时刻和结束时刻的概率分布、载客和空载时长的概率矩阵;空间特征量上,将出租车换班地点和乘客上下车地点以公里网格为单元进行统计,分别计算得到日出行起点和终点网格的概率矩阵、各时段载客和空载的转移概率矩阵、载客和空载的行驶里程概率矩阵。
出租车出行链模拟过程如下：
（1）抽取日首次出行信息,抽取首次出发时间和出发网格;
（2）抽取乘客上车点信息。从相应时段转移概率矩阵中抽取上车的网格,从空载行驶时长矩阵中抽取消耗的时间,从空载行驶距离矩阵中抽取行驶路程,更新车辆的时间和位置信息;
（3）抽取下车点信息。抽取下车的网格,从载客行驶时间矩阵中抽取消耗的时间,从空载行驶距离矩阵中抽取路程,更新车辆的时间和位置信息;
（4）抽取日出行结束时刻（每辆出租车的出行链仅抽取一次）,判断当前时间是否大于日出行结束时刻,大于则结束当日出行,否则返回步骤（2）。

2.2 充电需求时空分布计算

在出租车出行链模拟的基础上,需要结合出租车的换班机制才能更合理的分析充电需求的时空分布。出租车换班主要分为大班和小班2种方式。大班一天换班一次,换班时间在5:00;小班一天换班2次,换班时间为5:00左右和下午5:00左右。
考虑到目前电动出租车存在换班充电的行为,因此本文将出租车充电需求分为2类,分别为换班充电需求和日间充电需求。对出租车历史行驶数据统计表明,出租车一日行驶里程一般不超过600 km,因此大班出租车一日两充即可,小班一日三充即可满足电量需求。计算方法如下：
（1）大班充电需求
换班充电需求,直接从日出行结束时刻概率分布中抽取充电时间,从夜间停留网格中抽取换班充电网格得到,日间充电需求则需要模拟出租车的出行链。本文利用行驶里程比代替实际电量计算,设置充电阈值为10%,结合出行链,当剩余电量小于等于充电阈值时则产生日间充电需求。
（2）小班充电需求
小班的换班充电需求计算方法和大班基本一致,区别在于下午的换班充电需求,本文假设其时间上服从均匀分布U（16, 18）,充电网格则从换班网格中抽取。同时,考虑到小班司机有午间充电的行为特征,所以将日间充电需求的时间设置为 12:00—14:00 时段,当出租车在该时段且剩余电量小于50%时产生充电需求。

3 电动出租车充电站选址模型构建

3.1 候选站址的选取

为了提高模型求解的速度,需要选取适量候选站址[11]。充电站的建设规划是为了尽可能满足该地区电动出租车充电需求,因此以候选站址的充电需求数量作为指标选取候选站址,当确定了充电站建设的数量范围为 N min , N max 时,选取充电需求数量最高的（ N min + N max ）个网格作为候选站址,构建候选站网格集合 S c 。充电站建设数量范围计算如式（1）所示。
N min = N c C s max
N max = N c C s min
式中： N c 为充电需求总量; C s max 为充电站最高平均服务能力/（辆/日）; N min 为充电站建设数量最小值; C s min 为充电站最低平均服务能力/（辆/日）; N max 为充电站建设数量最大值。

3.2 影响出租车充电站选址的因素

3.2.1 充电站建设成本
充电站建设成本直接影响到了充电站建设的等级和位置,主要包括设备成本和土地成本[12,13,14]。
（1）设备成本
对于一个确定的时期,单个设备的成本可以认为是固定值,所以设备成本的计算公式如下：
F d = ∑ f d n i
式中： f d 为单个设备的成本; n i 为第 i 个网格充电站的设备数量; F d 为总体的设备成本。
（2）土地成本
由于当前电动汽车电池技术的局限性,电动汽车补充能源的速度要慢于加油车和加气车,即便快速充电也需要约30 min才能将电动出租车的电量从10%充至80%。因此与加油站同等级服务能力的充电站需要更多的车位、更大的占地面积才能满足需求。由于一座城市中不同地段的地价差别较大,因此土地成本会直接影响选址方案的选取。
土地成本Fe指的是所有充电站建设的土地费用,主要由充电站的占地面积和地价决定。充电站占地面积主要分为2个方面,包括电动汽车停车位占地面积和辅助设施占地面积。辅助设施面积相对固定,主要包括变压器等充电辅助设备和人员办公场所,本文将其设置为固定值;停车位占地面积,取决于充电站的建设规模,规模越大,能同时服务的电动汽车越多,所需停车位越多,占地面积也就越大。地价主要是由土地利用类型和位置决定。本文以网格为计算单元,考虑到单个网格内的地价差别不大,因此用各网格内的平均地价作为各网格充电站建设的单位地价。土地成本的计算公式如下：
F e = ∑ ( N f + C s C i ) U i
式中： N f 为单个充电站辅助设施占地面积/m2,值为300; C s 为一台充电桩及其停车位的占地面积/m2,值为8; C i 为第 i 个网格内充电桩的数量; U i 为第 i 个网格内的平均土地价格/元; F e 为充电站的土地成本/元。
3.2.2 出租车等待时间成本
出租车等待时间成本是检测充电站选址定容合理性的重要指标,充电站建设的位置越合理,出租车总体等待的时间就越小,充电站的运营效率就越高。本文通过构建一个贴合实际的充电站排队模型,用于求解出租车充电等待时间。
在计算第 i 个网格的 n i 辆出租车的充电等待时间时,如果本网格没有建设充电站,则寻找距离本网格空间上最近的充电站进行充电,充电需求等待时间计算将跳转到目的网格,出租车在网格之间的移动时间 t r i 将计算到充电等待时间中,目的网格充电站的初始等待时间 ∆ t i 0 = n i t r i ,其中 t r i 可用网格中心点之间的距离除以出租车平均行驶速度计算得到。如果本网格建设有充电站,考虑到网格的长度约为1 km,从网格的任意位置到达充电站的时间很小,可以忽略不计,即 ∆ t i 0 = 0 。充电等待时间的计算步骤如下：
（1）为第 i 个网格内充电站中的2 C i 个充电口分别赋予一个时间参数 h j ,初始时间皆为0:00,用一个行向量可表示为 T i =[0:00, 0:00, …, 0:00], ∆ t i k 为第 i 个网格充电站带入第 k 个充电需求时的等待时间。
（2）将第 k 个充电需求发生的时间 d t k 带入系统,检测 T i 中的时间 h j ,如果 ∃ h j < d t k ,进入步骤（3）,否则进入步骤（4）。
（3）无需等待直接充电。在当前时间最小的充电口充电,充电时间为30~90 min之间的随机数, ∆ t i k 保持不变,更新 T i , k = k +1;返回步骤（2）;
（4）等待充电。当前充电口已满需要排队充电,取离 d t k 最近的充电口j充电,充电时间为30~90 min之间的随机数,等待时间 ∆ t i k = h j - d t k , ∆ t i = ∆ t i + ∆ t i k ,更新 T i , k = k +1;返回步骤（2）。
由以上步骤可以计算出总体的等待时间 ∆ t 。出租车在充电等待时无法载客,会造成出租车收入降低,本文将这种因充电等待而降低的收入称为出租车的充电等待时间成本 F t 。电动出租车的充电等待时间成本是衡量电动出租车充电便利性的指标,该成本越小,出租车充电等待的时间就越低,出租车充电就越便利。充电站越便利,说明充电站的服务作用越大,充电站的建设规划就越合理。充电等待时间成本是通过收入法来计算的,计算公式 如下所示。
F t = B t ∆ t
B t = I / T
式中： B t 为使用收入法衡量的每小时的时间成本/元; I 为居民的人均年收入/元; T 为居民年人均 工作时间/h; F t 为所有出租车充电等待的时间 成本/元。
3.2.3 已建成充电站的影响
已建成充电站对充电站选址规划具有直接影响。当某网格选址规划建设的充电站等级低于已建成充电站等级时,选址模型的全局最优解不符合实际建设情况,会出现部分充电站的规划等级过高,造成经济浪费,不符合选址规划的原则。因此网格中规划建设的充电站等级应不低于当前已建成充电站的等级。
充电站等级的设置是为了降低模型求解的复杂度,降低充电站充电桩数量的变化范围,便于后续采用多种群遗传算法的编码和求解。结合北京市出台的关于电动汽车充电站分级、选址等技术规范[15],同时考虑到未来电动出租车的大规模应用,本文对出租车专用充电站的等级进行如下合理假设,如表1所示。其中第 i 级充电站服务能力计算方法如式（7）所示。
α n c i - 1 , α n c i
式中： α 为单个充电桩一日平均的服务能力/（台/日）,本文假设出租车快速充电的平均充电时间为1 h,且充电站一日24 h服务,考虑到单个充电桩有2个充电口,则 α = 48 ; n c i - 1 为第 i -1级充电站充电桩的数量; n c i 为第 i 级充电站充电桩的数量。
表1 充电站等级和服务能力

Tab. 1 Grade and service capacity of changing station

建站等级 充电桩数量/台 充电站服务能力/（台/日）
一级 8 0~384
二级 15 384~720
三级 30 720~1440
四级 45 1440~2160
五级 60 2160~2880
六级 75 2880~3600
七级 90 >3600

3.3 电动出租车充电站选址模型

本文建立的充电站选址模型如式（8）—式（11）所示。其中目标函数是充电站建设成本与出租车等待时间成本之和,约束条件为充电站的建设级别和已有充电站的影响,模型的解是使得目标函数取得最小值的解。
F = min ( F e + F d + β F t )
N P ∈ N min , N max
∀ L b i ≤ L p i i ∈ S c
C i = 903600 ≤ N i 752880 ≤ N i < 3600 602160 ≤ N i < 2880 451440 ≤ N i < 2160 30720 ≤ N i < 1440 15384 ≤ N i < 720 80 ≤ N i < 384
式中： β 为权重参数; N P 为规划建设的充电站总数目; L b i 为第 i 个网格已建成充电站的等级; L p i 为第 i 个网格规划的充电站的等级; S c 为候选站所在网格的集合; C i 为第 i 个网格充电设施的数量; N i 为第 i 个网格充电需求的数量。
式（8）是选址模型的目标函数,其中的 β 是权重参数,确保用户充电等待成本与充电站建设成本在同级水平,平衡二者对于选址规划的影响,可由训练得到。当目标函数取得最小值时,选址模型可求得最优解。需要注意的是,目标函数求解得到最小值时,充电站的建设成本和出租车充电等待成本并不一定同时取得最小,原因是将充电站建设在地价低的地区能有效降低其成本,而部分大型商场、交通枢纽等区域的充电需求较多,不建设充电站则会造成充电等待时间成本提高。因此二者共同约束选址方案的选取,同时兼顾了投资商和用户的利益。
本文使用多种群遗传算法求解目标模型[16,17],使用相对宽松的约束条件也能得到较为理想的解。式（9）是充电站数量约束,确保充电站的建设数目在一个合理的范围内。式（10）是已建成 充电站对选址规划的约束,确保规划建设网格中的充电站等级不小于当前已建成充电站的等级。式（11）是充电站等级约束,取值避免了在求解模型时充电需求过多而充电站规划等级过低造成 的无限等待的情况,提高了模型求解过程中的合理性。

4 基于多种群遗传算法的电动出租车 充电站选址模型求解方法

求解流程步骤如下：
（1）构建初始种群
根据选址模型的约束条件,利用三位二进制数对充电站等级进行编码,并构建初始种群,此时,充电站的位置仅能从候选站中选取,且充电站的等级应不小于当前已建成充电站的等级。根据设备的性能和求解的速度,确定种群数目为 N p ,每个种群中个体的数目为 n p ,具体步骤如下：
① 从 N min , N max 中随机抽取1个数p,作为初始化充电站的数目,并从候选站中随机抽取p个充电站。
② 根据p个充电站的所在网格,更新对应的充电需求元胞。对于网格中充电站等级为0,但充电需求不为0的情况,将该网格的充电需求跳转到最近充电站网格,且目的网格的初始等待时间 ∆ t i 0 = n i t r i 。统计网格中充电需求的数量,根据式（11）,为网格配置充电站等级。
③ 根据式（10）对配置的等级进行检查,如果配置的等级小于已建成充电站的等级,则将其修改为已建成充电站的等级。
④ 循环步骤①—步骤③,构建 n p 个个体。
⑤ 循环步骤①—步骤④,构建 N p 个种群。
（2）求解适应度函数值
求解适应度函数式（8）的值需要首先求解 F e 、 F d 、 F t 和 β 4个参数。根据式（3）—式（6）求解 F e 、 F d 和 F t ,权重系数 β 可根据总体充电数量和网格之间的平均地价差异进行评估。
（3）选择操作
本文利用轮盘赌算法,进行选择操作。种群中有 n p 个个体,若个体 i 的适应度为 f i ,则该个体被选择的概率 P i 为：
P i = f i ∑ k = 1 n p f k
选择操作保证了种群中的优秀个体的基因能够遗传到子代中。个体越优秀适应度越大,则能被多次选中,它的优秀基因会在种群中扩大;如果个体的适应度越小,则其被选择的概率也越小,被淘汰的几率就越大。
（4）交叉变异
为了使不同种群朝不同方向进化,本文为 N p 个种群分别设置交叉概率和变异概率。每个种群的交叉概率设置为0.7~0.9之间的随机数;变异概率设置为0.001~0.050之间。考虑到选址模型的约束条件,交叉变异后的结果需要和已建成充电站的等级进行对比,选取对应位置的较大者。
（5）代沟和重插入
为了保证每一代在进化过程中不出现反复,即子代最优个体的适应度小于父代最优个体,本文设置代沟参数为0.95,在选择操作时,并不选取原种群大小 n p 个个体,而是选择0.95 n p 个个体。在进行交叉变异后将子种群重新插入到父代种群中,代替父代种群中适应度较大的0.95 n p 个个体。
（6）移民算子
选取第 i 个种群中的最优个体,代替第 i -1个种群中的最差个体,最后一个种群的最优个体代替第一个种群中的最差个体。移民算子保证了各种群优秀基因之间的交流,使得多种群协同进化。
（7）精华种群选取
将各种群中的最优个体选取出来,插入到精华种群中。在进化过程中,如果子代的最优个体的适应度要大于精华种群中的个体,则用子代个体替换掉该个体,保证精华种群最优。
（8）结束循环判断
不同于标准遗传算法依靠代数判断进化是否停止,多种群遗传算法利用最优个体保持代数来判断。本文将最优个体保持代数设置为10,即最优个体在进化过程中,10代均未发生改变,则循环停止。

5 算例分析

5.1 数据来源及充电需求计算

研究数据是2012年3月1日—2012年3月7日北京市银建出租车公司约12 000辆出租车的GPS数据。出租车平均1 min采集一个数据,每天的数据量为2000万条,有效信息包括车辆标识,车辆位置信息,载客状态等。本文利用SMoT模型[18,19,20]从轨迹数据中提取从22:00开始到第二天10:00之间、停留时长超过1 h的停留序列。模拟10万辆电动出租车的出行10次求取平均值,得到如图1的结果。图中每一时段的充电需求分布使用2个图层对比表达,上层为3D效果热力图,下层为对应的平面热力图与道路的叠加。
图1 北京市各时段充电需求空间分布

Fig. 1 Charging demand distribution map during different time periods in Beijing

5.2 选址模型的构建和求解

研究计算北京市10万辆电动出租车的充电需求,并依据上文所述的选址模型,求解该情况下北京市出租车快速充电站的规划方案。
（1）数据准备
数据准备主要包括4个方面：各网格的充电需求,充电站候选站址的选取和土地成本的统计计算,已建成充电站的分布。
充电站的候选站址的数量,可由式（1）、式（2）求得。本文结合充电站的设置等级,求解单个充电站的一日最高平均服务能力时,假设仅规划最高3个等级的充电站;求解单个充电站的一日最低平均服务能力时,假设仅规划最低4个等级的充电站,若单个充电桩一日最多服务数量为48辆,则
C s max = 48 × 60 + 75 + 90 ÷ 3 = 3600
C s max = 48 × 8 + 15 + 30 + 45 ÷ 4 = 1176
通过统计可得充电需求的总数为216 892次,则候选站的个数为244个。如图2所示。
图2 北京市充电站候选站点分布

Fig. 2 Candidate site distribution map

土地成本是利用搜房网上的2019年12月房价数据和商铺地价数据求取的,最终得到的地价成本为房价和商铺地价的平均值。对于部分网格缺少的数据,利用线性插值的方法求取。得到的房价分布如图3所示。
图3 北京市平均地价分布

Fig. 3 Average land price distribution map

从百度地图上爬取得到截止2019年12月已建成的充电站数据,整理结果如图4所示。
图4 北京市已建成充电站分布

Fig. 4 Existing charging station distribution map

（2）参数设置
考虑到计算机的运算能力有限,设置种群的个数 N p 为5个,种群中的个体数 n p 为40个。根据国家统计局发布的数据,北京市2018年居民平均年收入为6.775 6万元,平均年工作时间为2125 h,则北京市居民平均每小时的收入为31.9元。根据网上售价查询,目前直流快充、单桩双充的充电桩单个售价在2万~5万元之间,因此本文将单个充电桩的售价设置为3万元。
经计算网格间的平均地价相差为万元级别,根据充电需求个数评估得到充电桩需求个数约为4500个,单个充电桩的占地面积为8 m2,不同规划的建设土地成本相差在亿元级别;充电需求总数为216 892个,假设用户的平均等待时间为0.5 h,则充电等待成本在百万级别,因此参数 β 设置为100以平衡二者之间的影响。
（3）结果及分析
运用MATLAB对模型进行运算,得到如下结果。图5为迭代的代数和相应的适应度函数的进化曲线,从中可以看到,在0~54代快速降低,在55~65代趋于平缓,在66代求解得到最优的结果,适应度为5.71×1010。计算得到的充电站最终建设成本为55.82亿元,出租车充电平均等待时间为11.2 min,相较于模拟过程中出现的充电站最高建设成本61.13亿元减少了5.82亿元,相较于出租车最长平均等待时间41.8 min缩短了30.6 min。由此可以看出,合理的规划充电站的位置和容量能够有效的减少投入的成本并缩短出租车等待时间。
图5 适应度函数值进化结果演变

Fig. 5 Evolutionary diagram of fitness function value evolution results

根据求解结果得到充电站的位置和等级（图6）。结合图1,可以看出充电需求越高的地区充电站设置的等级也越高;同时,由于考虑到了出租车等待成本,充电站空间分布较为均匀。
图6 北京市充电站规划

Fig. 6 Charging station plan map

6 结论与展望

电动化车辆在公共服务领域的应用日益普及,针对服务车辆的专用充电场站的规划建设研究已经展开。本文针对电动出租车专用充电场站规划建设需求开展了电动出租车专用充电场站选址模型研究,所做的工作包括：
（1）利用出租车真实轨迹数据构建出租车出行链,通过出租车时空分布计算提取充电需求;
（2）分析了出租车充电场站选址的影响因素,建立了顾及充电站建设成本、出租车等待成本和已建成充电站等多因素影响的出租车专用充电场站选址模型;
（3）提出了采用多种群遗传算法对选址模型进行求解的方法步骤;
（4）利用北京市1.2万辆出租车持续1周的轨迹数据构建出行链,提取了更为真实的充电需求,在此基础上开展了模拟10万辆电动出租车充电规模的专用充电站选址实验。实验结果表明,该方法能够有效地减少出租车专用场站建设投入的成本并降低出租车平均充电等待时间。
电动出租车专用充电站选址受多种复杂因素的相互影响和制约,为使模型更加贴近实际应用场景,下一步仍需在利用轨迹数据分析挖掘出租车出行时空规律、网格尺度对距离成本计算以及对候选站址选取的影响等方面做进一步深入探索和实践。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
国家发改委, 国家能源局, 等. 关于印发《电动汽车充电基础设施发展指南(2015-2020年)》的通知[EB\OL]. 中华人民共和国中央人民政府网站, http://www.gov.cn/zhengce/2015-10/09/content_5076250.htm, 2015-10-9.

[ National Development and Reform Commission, National Energy Administration, et al. Notice on printing and distributing the development guide for electric vehicle charging infrastructure (2015-2020)[EB\OL]. Website of the Central People's Government of the people's Republic of China, http://www.gov.cn/zhengce/2015-10/09/content_5076250.htm, 2015-10-9. ]

[2]
赵书强, 周靖仁, 李志伟, 等. 基于出行链理论的电动汽车充电需求分析方法[J]. 电力自动化设备, 2017,37(8):105-112.

[ Zhao S Q, Zhou J R, Li Z W, et al. EV charging demand analysis based on trip chain theory[J]. Electric Power Automation Equipment, 2017,37(8):105-112. ]

[3]
张维戈, 颉飞翔, 黄梅, 等. 快换式公交充电站短期负荷预测方法的研究[J]. 电力系统保护与控制, 2013,41(4):61-66.

[ Zhang W G, Xie F X, Huang M, et al. Research on short-term load forecasting methods of electric buses charging station[J]. Power System Protection and Control, 2013,41(4):61-66. ]

[4]
刘文霞, 徐晓波, 周樨. 基于支持向量机的纯电动公交车充/换电站日负荷预测[J]. 电力自动化设备, 2014,34(11):41-47.

[ Liu W X, Xu X B, Zhou X. Daily load forecasting based on SVM for electric bus charging station[J]. Electric Power Automation Equipment, 2014,34(11):41-47. ]

[5]
Wang Z W, Zhu X M, Pu Q. Siting public charge stations for taxis in Beijing based on Monte Carlo Simulation[C]// 6th IEEE International Conference on Logistics, Informatics and Service Sciences, IEEE, 2016: 124-131.

[6]
胡培婷, 曹小曙, 秦红旭, 等. 基于浮动车数据的新能源汽车充电站选址布局研究 ——以广州中心城区为例[J]. 现代城市研究, 2018(8):28-36.

[ Hu P T, Cao X S, Qin H X, et al. The study about charging station locating of the new energy vehicle abased floating car data: take the Guangzhou central area as an example[J]. Modern Urban Research, 2018(8):28-36. ]

[7]
邓昌棉, 张勇. 基于数据驱动的电动出租车充电站规划方法研究[J]. 森林工程, 2020,36(3):77-85.

[ Deng C M, Zhang Y. Research on data-driven electric taxi charging station planning method[J]. Forest Engineering, 2020,36(3):77-85. ]

[8]
温剑锋, 陶顺, 肖湘宁, 等. 基于出行链随机模拟的电动汽车充电需求分析[J]. 电网技术, 2015,39(6):1477-1484.

[ Wen J F, Tao S, Xiao X N, et al. Analysis on charging demand of EV based on stochastic simulation of trip chain[J]. Power System Technology, 2015,39(6):1477-1484. ]

[9]
徐青山, 蔡婷婷, 刘瑜俊, 等. 考虑驾驶人行为习惯及出行链的电动汽车充电站站址规划[J]. 电力系统自动化, 2016,40(4):59-65,77.

[ Xu Q S, Cai T T, Liu Y J, et al. Location planning of charging stations for electric vehicles based on driver's behaviors and travel chain[J]. Automation of Electric Power Systems, 2016,40(4):59-65,77. ]

[10]
陈丽丹, 聂涌泉, 钟庆. 基于出行链的电动汽车充电负荷预测模型[J]. 电工技术学报, 2015,30(4):216-225.

[ Chen L D, Nie Y Q, Zhong Q. A model for electric vehicle charging load forecasting based on trip chains[J]. Transactions of China Electrotechnical Society, 2015,30(4):216-225. ]

[11]
刘志鹏, 文福拴, 薛禹胜, 等. 电动汽车充电站的最优选址和定容[J]. 电力系统自动化, 2012,36(3):54-59.

[ Liu Z P, Wen F S, Xue Y S, et al. Optimal siting and sizing of electric vehicle charging stations[J]. Automation of Electric Power Systems, 2012,36(3):54-59. ]

[12]
郭磊, 王克文, 文福拴, 等. 电动汽车充电设施规划研究综述与展望[J]. 电力科学与技术学报, 2019,34(3):56-70.

[ Guo L, Wang K W, Wen F S, et al. Review and prospect of charging facility planning of electric vehicles[J]. Journal of Electric Power Science and Technology, 2019,34(3):56-70. ]

[13]
黄飞腾, 翁国庆, 南余荣, 等. 基于改进云自适应粒子群的多DG配电网EV充电站优化配置[J]. 中国电机工程学报, 2018,38(2):514-525.

[ Huang F T, Weng G Q, Nan Y R, et al. Optimization of electric vehicle charging stations based on improved cloud adaptive particle swarm in distribution network with multiple DG[J]. Proceedings of the CSEE, 2018,38(2):514-525. ]

[14]
任玉珑, 史乐峰, 张谦, 等. 电动汽车充电站最优分布和规模研究[J]. 电力系统自动化, 2011,35(14):53-57.

[ Ren Y L, Shi (L /Y)F, Zhang Q, et al. Optimal distribution and scale of charging stations for electric vehicles[J]. Automation of Electric Power Systems, 2011,35(14):53-57. ]

[15]
DB11/Z 728, 电动汽车电能供给与保障技术规范充电站[S], 2010.

[ DB11/Z 728, 2010, Technical specifications of electricity supply and assurance for electric vehicle: electric vehicle charging station, 2010. ]

[16]
冯超, 周步祥, 林楠, 等. 电动汽车充电站规划的多种群混合遗传算法[J]. 电力系统及其自动化学报, 2013,25(6):123-129.

[ Feng C, Zhou B X, Lin N, et al. Electric vehicle charging station planning based on multiple-population hybrid genetic algorithm[J]. Proceedings of the CSU-EPSA, 2013,25(6):123-129. ]

[17]
叶在福, 单渊达. 多种群遗传算法在电网扩展规划中应用的改进[J]. 电力系统及其自动化学报, 1999,11(8):55-61.

[ Yie Z F, Shan Y D. A new transmission network expansion planning using improved multiple-population genetic algorithm[J]. Proceedings of the CSU-EPSA, 1999,11(8):55-61. ]

[18]
Alvares L, Bogorny V, Kuijpers B, et al. A model for enriching trajectories with semantic geographical information[A]. Proceedings of the 15th International Symposium on Advances in Geographic Information Systems[C]. Seattle, Washington: ACM, 2007,1.

[19]
Spaccapietra S, Parent C, Damiani M L, et al. A conceptual view on trajectories[J]. Data & Knowledge Engineering, 2007,65(1):126-146.

DOI

[20]
周亚娟, 赵志远, 吴升, 等. 基于大规模手机位置数据的城市潜在自行车出行需求评估[J]. 地球信息科学学报, 2020,22(6):1282-1293.

DOI

[ Zhou Y J, Zhao Z Y, Wu S, et al. Estimating the potential demand for bicycle travel based on large-scale mobile phone location data[J]. Journal of Geo-information Science, 2020,22(6):1282-1293. ]

Options
Outlines

/

〈 〉