基于动态哈夫模型及双边匹配的电动汽车充电引导策略与应用

上海安科瑞新能源有限公司

2024/12/11 10:33:21>> 进入商铺

摘要:由于充电站中充电桩数目有限且电动汽车充电耗时长,陆续产生充电需求的各电动汽车用户存在对充电站资源的竞争。这不仅增加了用户排队概率,降低了充电站收益和利用率,而且使得用户在充电站规模、价格、评价等方面的个性化需求得不到充分满足。为此,提出了一种动态哈夫模型与双边匹配方法相结合的电动汽车充电引导策略。首先,对充电站客流、充电订单和充电桩详情等真实数据集进行大数据挖掘,分析公共充电站用户的充电站选择偏好和充电行为特征;然后，基于动态哈夫模型,结合用户充电站选择偏好量化不同区域用户前往不同充电站的概率,并生成充电站推荐列表;后,将前景理论与双边匹配策略相结合,进行充电引导。算例分析表明,所提策略大幅降低了用户的排队概率,在满足用户个性化充电需求的同时,保障了充电站利益。

关键词:充电引导;电动汽车;哈夫模型;前景理论;双边匹配

一、引言

随着全球环保意识的提升，电动汽车作为一种低碳、环保的交通工具得到广泛重视和推广。随着中国电动汽车数量迅速增长,作为新基建七大领域之一的充电桩也在加快建设。当前,很多车主会选择在在线地图软件和充电桩应用程序等充电站聚合平台寻找附近的公共充电站进行充电，但在充电站选择时具有随机性和盲目性。同时,对上述应用程序的调研发现,现有充电站推荐平台缺乏个性化充电站推荐策略,且由于推荐过程缺乏用户反馈,充电桩推荐难以确保供需一一对应,这在降低用户充电服务体验的同时,导致充电站收益下降。因此，充电站聚合平台需要对用户进行充电引导。

众多学者从不同角度对电动汽车充电引导问题进行了研究。为实现对路网、充电姑和电网的协同优化,提出基于第三代前景理论的电动汽车充电引导策略。以充电负荷均衡、交通流量均衡、用户成本低为目标,提出一种计及用户出行成本的主从博弈模型对用户进行充电引导。建立了包含车辆、充电站、交通网和电网的多目标优化模型,能够在毫秒级响应充电请求的同时有效缩短电动汽车充电时间。然而,以上引导方式均是对所有用户的无差别引导,没有充分考虑不同用户的个性化需求。

二、电动汽车用户群体充电行为分析

2.1 数据源及数据处理

本文通过在线地图获取了中国四川省成都市二环内及邻近区域的公共快速充电站基本信息，并获取了2023年2月各充电站不同时段的平均空闲桩位数以计算各站点客流，用以分析电动汽车用户的充电站选择行为。

为进一步了解用户的充电需求、充电行为特征及车辆特征,本文获取了区域内某典型快速充电站2022年9月至2023年2月的3万余条充电订单数据和 300余万条充电桩详情数据进行数据挖掘。所获取数据不涉及用户隐私,不同用户通过用户*标识进行区分。

2.2用户充电站选择行为分析

结合充电站基本信息和客流数据,本节分析充电站规模及充电价格对用户充电选择行为的影响。

根据各充电站客流确定各充电站的客流占比，并用百分位数表示各充电站内快速充电桩数在所有充电站中的升序排位。结果表明,有约60%的充电行为发生在规模大的30%的站点,电动汽车用户群体偏好选择大规模充电站。用百分位数表示不同时段各充电站充电价格(含电费、服务费)在所有充电站中的升序排位。结合该时段充电站客流,确定用户选择充电站点的价格百分位数。结果表明,有约75%的充电行为发生在价格低的50%的站点,电动汽车用户群体偏向选择充电价格低的充电站点。此外,约86%的充电行为发生在免收停车费的充电站,进一步说明了电动汽车用户的价格敏感性。

充电站评分(满分5分)对用户的充电站选择也有显著影响,有约82%的充电行为发生在评分4分及以上的站点。

2.3用户充电行为描述

为全面描述用户充电行为，本文选取充电起始荷电状态(state of charge,SOC)、充电结束 SOC、充电开始时间、充电结束时间、充电量、充电费用作为电动汽车用户充电特征一级标签。一级标签的数据可直接从充电订单数据中获取。

选取充电时长、电池容量、平均功率、充电结束后占用时长作为电动汽车用户充电特征二级标签。

三、充电站推荐列表生成

3.1动态哈夫模型

哈夫模型是一种用于预测和分析消费者行为的地理空间模型,其核心思想在于消费者前往各购物中心的概率,取决于购物中心规模对消费者的吸引力及消费者前往购物中心的旅行时间。本文针对充电站选择场景对其进行改进,提出动态哈夫模型。在模型中,充电站吸引力是时变的,不同区域电动汽车用户前往各充电站的概率是不同的。

3.2充电站吸引力

用户选择充电站时,主要受充电站规模、充电价格的影响,也不同程度受充电站品牌、配套设施周边环境等多种因素影响。本文引入充电桩数量、充电价格、停车费用和充电站评分等因素,以描述各充电站吸引力。

不同用户对各因素的偏好具有异质性,但用户群体对各因素的偏好具有一致性。结合2.2节的充电选择行为分析,同时考虑到各因素的相关性。

根据充电站特定指标的排位,将充电站分为两类。理论上对各指标进行组合,可将充电站分为16类,但由于各指标间存在相关性,终仅存在11类充电站。其中,数目占比高的5类充电站如表1所示。

表1 各类充电站数目占比与客流占比

表1中,数量占比高的5类充电站约占总充电站数的85%,而客流量约占总客流量的78%,具有代表性。由于总是存在2类充电站仅在某一类指标的类别上存在差异,可以根据各类别充电站客流均值占比的比例确定η的值。对比类别1和类别5可知,充电桩数目多的吸引力权重为2.83,同理可知充电价格低、停车费用无、充电站评分高的吸引力权重分别为1.66、1.23、1.63。

3.3电动汽车用户前往充电站的通行时间

鉴于电动汽车用户在行驶中产生充电需求,且充电站通常在主路附近,本节在建立交通网与充电站网耦合模型的基础上,提出了“主路一小路-充电站”的充电行驶模式,旨在确定用户从所在路段末端节点前往充电站的行驶时间,作为动态哈夫模型中的通行时间。

3.4 充电站推荐列表生成流程

根据充电站密度、充电请求频次以及道路通行速度变化速度等因素,共同确定充电站推荐列表生成时间间隔。每经过一个时间间隔或充电站推荐列表中出现所有充电桩均被占用的充电站时,针对各路网节点进行一次充电站推荐列表生成。生成流程如下:

1)获取路网和充电站网络数据:

2)依据3.2节,计算各充电站吸引力;

3)依据3.3节,计算各路网节点到各充电站的通行时间;

4)依据3.1节,计算各路网节点被各充电站服务的概率;

5)对于每一个路网节点,取服务概率*的当前有可用充电桩的充电站,生成充电站推荐列表。

四、电动汽车-充电站双边匹配策略

4.1基于前景理论的偏好量化

当电动汽车用户产生沿途充电需求时,需首先确定其所在道路和行进方向,再获取相应区域的充电站推荐列表,从中选择适合的充电站进行推荐。根据电动汽车用户群体的历史充电记录数据得到充电前总时间、充电价格、充电站评分等3个方面的期望均值,记为期望均值矩阵。根据用户、道路、充电站三方状态得到用户前往推荐列表中各充电站的期望值矩阵。

五、应用方案

51c797937b771e0ed09e8d631c3f873

图1 有序充电管理系统示意图

8f94779e01f51c5c9c656acc2b0b641

图2平台结构图

充电运营管理平台是基于物联网和大数据技术的充电设施管理系统，可以实现对充电桩的监控、调度和管理，提高充电桩的利用率和充电效率，提升用户的充电体验和服务质量。用户可以通过APP或小程序提前预约充电，避免在充电站排队等待的情况，同时也能为充电站提供更准确的充电需求数据，方便后续的调度和管理。通过平台可对充电桩的功率、电压、电流等参数进行实时监控，及时发现和处理充电桩故障和异常情况对充电桩的功率进行控制和管理，确保充电桩在合理的功率范围内充电，避免对电网造成过大的负荷。

六、安科瑞充电桩云平台具体的功能

平台除了对充电桩的监控外，还对充电站的光伏发电系统、储能系统以及供电系统进行集中监控和统一协调管理，提高充电站的运行可靠性，降低运营成本，平台系统架构如图3所示。

平台架构