(12)发明专利申请
(10)申请公布号 CN 112487622 A(43)申请公布日 2021.03.12
(21)申请号 202011320638.5(22)申请日 2020.11.23
(71)申请人 国网河北省电力有限公司经济技术
研究院
地址 050000 河北省石家庄市裕华区富强
大街27号
申请人 国网河北省电力有限公司石家庄供
电分公司
江西宏远电力勘测设计院有限公司 国家电网有限公司(72)发明人 胡梦锦 李嘉恒 刘宽 李红魁
石经纬 魏孟举 刘钊 杨洋 庞凝 杜亚昆 (74)专利代理机构 石家庄国为知识产权事务所
13120
代理人 许小荣(54)发明名称
装置及终电动汽车充电桩的选址定容方法、
端设备(57)摘要
本发明适用于充电桩技术领域，提供了一种电动汽车充电桩的选址定容方法、装置及终端设备，所述方法包括：基于蒙特卡洛方法，获取目标区域内至少一个小区对应的最大充电需求车辆数；以各个小区至待建充电桩的加权距离之和最小为目标，并基于目标区域内各个小区对应的最大充电需求车辆数建立目标函数；基于教学优化算法对目标函数进行求解；基于蒙特卡洛方法预测目标区域内待建充电桩的充电负荷曲线，并根据电动汽车的剩余电量和充电负荷曲线确定最优选址方案对应的各个待建充电桩的充电容量。本申请以充电距离最短为优化目标，考虑家庭充电桩与公共充电桩的互补关系确定公共充电桩的最大需求量，考虑更加全面，进而优化充电桩规划效果。
(51)Int.Cl.
G06F 30/20(2020.01)B60L 53/31(2019.01)G06F 111/04(2020.01)G06F 111/08(2020.01)
权利要求书2页 说明书10页 附图2页
CN 112487622 ACN 112487622 A
权 利 要 求 书
1/2页
1.一种电动汽车充电桩的选址定容方法，其特征在于，包括：基于蒙特卡洛方法，获取目标区域内至少一个小区对应的最大充电需求车辆数；以各个小区至待建充电桩的加权距离之和最小为目标，并基于所述目标区域内各个小区对应的最大充电需求车辆数建立目标函数；
基于教学优化算法对所述目标函数进行求解，得到所述目标区域的最优选址方案；所述最优选址方案包括所述目标区域内至少一个待建充电桩的建设地址；
基于蒙特卡洛方法预测所述目标区域内待建充电桩的充电负荷曲线，并根据电动汽车的剩余电量和所述充电负荷曲线确定所述最优选址方案对应的各个待建充电桩的充电容量。
2.如权利要求1所述的电动汽车充电桩的选址定容方法，其特征在于，所述基于蒙特卡洛方法，获取目标区域内至少一个小区对应的最大充电需求车辆数，包括：
计算
得到所述目标区域内各个小区对应的最大充电需求车辆
数；
其中，Qi表示所述目标区域内第i个小区的最大充电需求车辆数，σi表示所述目标区域内第i个小区服从的正态分布的方差，a表示所述目标区域内第i个小区的汽车数量，q表示电动汽车渗透率。
3.如权利要求1所述的电动汽车充电桩的选址定容方法，其特征在于，所述目标函数为：
其中，Ci表示所述目标区域内第i个小区的最大充电需求车辆数，minSi,j表示第i个小区到所述目标区域内最近的待建充电桩j的距离；m表示所述目标区域内待建充电桩的数量，n表示所述目标区域内小区的数量。
4.如权利要求3所述的电动汽车充电桩的选址定容方法，其特征在于，所述目标函数的约束条件包括：
其中，(x,y)表示待建充电桩的建设地址坐标，A表示所述目标区域内停车场的位置坐标集，m表示所述目标区域内待建充电桩的数量，M表示待建充电桩最大数量阈值。
5.如权利要求1所述的电动汽车充电桩的选址定容方法，其特征在于，所述基于蒙特卡洛方法预测所述目标区域内待建充电桩的充电负荷曲线，并根据电动汽车的剩余电量和所述充电负荷曲线确定所述最优选址方案对应的各个待建充电桩的充电容量，包括：
考虑多日一充情况，根据电动汽车每日的剩余电量，确定电动汽车每日的充电概率；基于所述电动汽车每日的充电概率，确定所述电动汽车自上次充电后的总行驶里程数；
基于所述电动汽车自上次充电后的总行驶里程数和所述充电负荷曲线，确定所述最优选址方案对应的各个待建充电桩的充电容量。
2
CN 112487622 A
权 利 要 求 书
2/2页
6.如权利要求5所述的电动汽车充电桩的选址定容方法，其特征在于，所述基于所述电动汽车每日的充电概率，确定所述电动汽车自上次充电后的总行驶里程数，包括：
计算
得到所述最优选址方案对应的各个待建充电桩的充电容量；其中，S表示所述电动汽车自上次充电后的总行驶里程数，Sk表示第k天的行驶里程数，Wk表示第k天的充电系数，Pk‑1表示第k‑1天的充电概率，b表示充电概率阈值，xk‑1表示第k‑1天的剩余电量。
7.一种电动汽车充电桩的选址定容装置，其特征在于，包括：最大充电需求车辆数计算模块，用于基于蒙特卡洛方法，获取目标区域内至少一个小区对应的最大充电需求车辆数；
目标函数建立模块，用于以各个小区至对应充电桩的加权距离之和最小为目标，基于所述目标区域内各个小区对应的最大充电需求车辆数建立目标函数；
最优选址方案获取模块，用于基于教学优化算法对所述目标函数进行求解，得到所述目标区域的最优选址方案；所述最优选址方案包括所述目标区域内至少一个待建充电桩的建设地址；
充电桩定容模块，用于基于蒙特卡洛方法预测所述目标区域内待建充电桩的充电负荷曲线，并根据电动汽车的剩余电量和所述充电负荷曲线确定所述最优选址方案对应的各个待建充电桩的充电容量。
8.如权利要求7所述的电动汽车充电桩的选址定容装置，其特征在于，所述最大充电需求车辆数计算模块包括：
计算
得到所述目标区域内各个小区对应的最大充电需求车辆
数；
其中，Qi表示所述目标区域内第i个小区的最大充电需求车辆数，σi表示所述目标区域内第i个小区的服从的正态分布的方差，a表示所述目标区域内第i个小区的汽车数量，q表示电动汽车渗透率。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
3
CN 112487622 A
说 明 书
电动汽车充电桩的选址定容方法、装置及终端设备
1/10页
技术领域
[0001]本发明属于充电桩技术领域，尤其涉及一种电动汽车充电桩的选址定容方法、装置及终端设备。
背景技术
[0002]由于在绿色环保、节能减排方面的巨大优势，电动汽车已在国内各大城市开始推广，在未来几年，国内的纯电动汽车将会在汽车领域内占据更大的市场。随着电动汽车数量的增长，充电基础设施的需求也越来越大，充电桩的建设成为制约电动汽车发展的重要因素，充电桩规划就成了当前的热点问题。
[0003]目前研究中充电桩规划多是围绕选址与定容两方面进行的，主要基于已有的城市格局、交通流量信息和配电网结构，考虑物理区域划分以及电力网络结构等因素对于充电桩规划的约束。基于上述考虑，目前充电桩选址定容方案主要包括以下几种。一是针对城市电动汽车充电桩选址特点，提出一种两步优化选址方法，分别分析路段充电需求和城市交通网，综合评定充电桩选址；二是分析交通、电力建设约束，确定充电桩的建设位置，并基于能量等效进行负荷预测，确定充电桩建设容量，完成充电桩选址定容；三是考虑交通流量、城市道路等因素，并将电网约束引入到电动汽车充电桩定容中，考虑节点电压幅值、接入电网功率等约束条件以确定充电桩功率；四是基于城市道路确定充电桩站址，运用排队论确定充电机数量。但是，目前的研究主要面向社会充电桩，规划较为片面，不贴合实际情景，因此造成充电桩选址定容规划效果差的问题。
发明内容
[0004]有鉴于此，本发明实施例提供了一种电动汽车充电桩的选址定容方法、装置及终端设备，以解决现有技术中充电桩选址定容规划效果差的问题。
[0005]本发明实施例的第一方面提供了一种电动汽车充电桩的选址定容方法，包括：[0006]基于蒙特卡洛方法，获取目标区域内至少一个小区对应的最大充电需求车辆数；[0007]以各个小区至待建充电桩的加权距离之和最小为目标，并基于所述目标区域内各个小区对应的最大充电需求车辆数建立目标函数；
[0008]基于教学优化算法对所述目标函数进行求解，得到所述目标区域的最优选址方案；所述最优选址方案包括所述目标区域内至少一个待建充电桩的建设地址；[0009]基于蒙特卡洛方法预测所述目标区域内待建充电桩的充电负荷曲线，并根据电动汽车的剩余电量和所述充电负荷曲线确定所述最优选址方案对应的各个待建充电桩的充电容量。
[0010]本发明实施例的第二方面提供了一种电动汽车充电桩的选址定容装置，包括：[0011]最大充电需求车辆数计算模块，用于基于蒙特卡洛方法，获取目标区域内至少一个小区对应的最大充电需求车辆数；[0012]目标函数建立模块，用于以各个小区至对应充电桩的加权距离之和最小为目标，
4
CN 112487622 A
说 明 书
2/10页
基于所述目标区域内各个小区对应的最大充电需求车辆数建立目标函数；[0013]最优选址方案获取模块，用于基于教学优化算法对所述目标函数进行求解，得到所述目标区域的最优选址方案；所述最优选址方案包括所述目标区域内至少一个待建充电桩的建设地址；
[0014]充电桩定容模块，用于基于蒙特卡洛方法预测所述目标区域内待建充电桩的充电负荷曲线，并根据电动汽车的剩余电量和所述充电负荷曲线确定所述最优选址方案对应的各个待建充电桩的充电容量。
[0015]本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述电动汽车充电桩的选址定容方法的步骤。
[0016]本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述电动汽车充电桩的选址定容的步骤。
[0017]本发明实施例与现有技术相比存在的有益效果是：本申请首先基于蒙特卡洛方法，获取目标区域内至少一个小区对应的最大充电需求车辆数；然后以各个小区至待建充电桩的加权距离之和最小为目标，并基于所述目标区域内各个小区对应的最大充电需求车辆数建立目标函数；接着基于教学优化算法对所述目标函数进行求解，得到所述目标区域的最优选址方案；最后基于蒙特卡洛方法预测所述目标区域内待建充电桩的充电负荷曲线，并根据电动汽车的剩余电量和所述充电负荷曲线确定所述最优选址方案对应的各个待建充电桩的充电容量。本申请以充电距离最短为优化目标，考虑家庭充电桩与公共充电桩的互补关系确定公共充电桩的最大需求量，考虑更加全面，进而优化充电桩规划效果。附图说明
[0018]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0019]图1是本发明实施例提供的电动汽车充电桩的选址定容方法的流程示意图；[0020]图2是本发明实施例提供的四种充电桩选址示意图；
[0021]图3是本发明实施例提供的电动汽车充电桩的选址定容装置的结构示意图；[0022]图4是本发明实施例提供的终端设备的示意图。
具体实施方式
[0023]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。[0024]为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。[0025]在一个实施例中，如图1所示，图1示出了一种电动汽车充电桩的选址定容方法的
5
CN 112487622 A
说 明 书
3/10页
实现流程，其过程详述如下：[0026]S101：基于蒙特卡洛方法，获取目标区域内至少一个小区对应的最大充电需求车辆数；
[0027]S102：以各个小区至待建充电桩的加权距离之和最小为目标，并基于所述目标区域内各个小区对应的最大充电需求车辆数建立目标函数；[0028]S103：基于教学优化算法对所述目标函数进行求解，得到所述目标区域的最优选址方案；所述最优选址方案包括所述目标区域内至少一个待建充电桩的建设地址；[0029]S104：基于蒙特卡洛方法预测所述目标区域内待建充电桩的充电负荷曲线，并根据电动汽车的剩余电量和所述充电负荷曲线确定所述最优选址方案对应的各个待建充电桩的充电容量。
[0030]在本实施例中，电动汽车数可由小区规划车位数、车位利用率及电动汽车渗透率确定，依据指导意见，需按小区电动汽车数和充电桩1:1的比例建设慢速充电桩。然而，电动汽车分布不均衡会使得小区内电动汽车实际数量偏离预测值，导致电动汽车与充电桩之间的供需矛盾。鉴于目前国内住宅情况，长时间将车辆停在其他小区进行充电，或在其他小区购买车位充电的难度仍较大，这就需要建设公共充电桩来满足这部分充电需求。针对各个小区电动汽车分布不均衡情况，可以采用蒙特卡洛方法进行模拟仿真，以确定每个小区对应的最大充电需求车辆数。[0031]在本实施例中，若目标区域内含有多个可为电动汽车充电的待建充电桩，该目标区域内电动汽车总是会选择距离自己最近的待建充电桩进行充电，这就使得整个目标区域划分成多个小型分域，每个小型区域即是对应的待建充电桩应满足的负荷需求范围，即其服务范围。
[0032]具体地，计算目标区域内各个小区至最近待建充电桩的距离，然后对各个小区至最近待建充电桩的距离进行加权求和，得到加权距离之和，本实施例以加权距离之和最小为优化目标，并根据每个小区对应的最大充电需求车辆数建立目标函数。从而根据各小区最大充电需求和加权距离之和，确定公共的待建充电桩的最佳位置及其服务范围。[0033]进一步地，本实施例采用教学优化算法(TLBO，Teaching‑Learning‑Based‑Optimization)求解目标函数，TLBO算法模拟老师教学和学生学习的过程，通过“教”与“学”两个阶段来实现寻优。该方法具有计算精度高、收敛速度快、运算量小、对于非线性优化全局收敛性好、不受算法参数变化的制约等特点，且只需设置群体数量和结束条件，就可以求解优化问题。在求解过程中，本实施例以初始的待建充电桩的建设地址坐标作为变量，加权距离之和最小作为寻优目标，得到目标区域的最优选址方案，其中最优选址方案包括至少一个待建充电桩的建设地址的坐标。[0034]在本实施例中，在目标区域内确定了充电桩选址后，还需考虑多日一充情况，根据电动汽车的剩余电量和充电负荷曲线对待建充电桩进行定容计算。[0035]从上述实施例可知，本申请以充电距离最短为优化目标，考虑家庭充电桩与公共充电桩的互补关系确定公共充电桩的最大需求量，考虑更加全面，进而优化充电桩规划效果。
[0036]在一个实施例中，图1中S101的具体实现流程包括：[0037]计算
6
CN 112487622 A[0038]
说 明 书
4/10页
得到所述目标区域内各个小区对应的最大充电需求车辆数；
[0040]式(1)中，Qi表示所述目标区域内第i个小区的最大充电需求车辆数，σi表示所述目标区域内第i个小区服从的正态分布的方差，a表示所述目标区域内第i个小区的汽车数量，q表示电动汽车渗透率。[0041]在本实施例中，依据古典概率模型，L个样本中具有某一属性的样本数量为d，则进行一次抽样所得样本具有某一属性的概率为
假设小区内有N辆汽车，电动汽车的概率为p，针对小区内全部车辆进行判定，确定电动汽车的数量。以上过程重复预设次数并对所得数据进行统计，确定电动汽车数量分布服从N(μ,σ)的正态分布。其中预设次数可以为10000次。
2
[0043]由中心极限定理可知，从均值为μ，方差为σ的任意一个总体中抽取样本量为N的
2
样本，当N充分大时，样本均值的抽样分布近似服从均值为μ，方差为σ的正态分布。对于正态分布N(μ,σ)，随机变量有99％的概率分布在区间(μ‑3σ,μ+3σ)内，故可用该置信区间对电动汽车数量的上下限值进行估计。其中，电动汽车数量上限与均值的差值就是可能出现的最大不平衡车辆数3σ，即为充电需求。在整体样本均值一定的情况下，可基于公式(1)得到所述目标区域内第i个小区的最大充电需求车辆数。[0044]在一个实施例中，所述目标函数为：
[0045][0046][0042]
[0039]
式(2)中，Ci表示所述目标区域内第i个小区的最大充电需求车辆数，minSi,j表示第i个小区到所述目标区域内最近的待建充电桩j的距离；m表示所述目标区域内待建充电桩的数量，n表示所述目标区域内小区的数量。[0047]在一个实施例中，所述目标函数的约束条件包括：
[0048]
式(3)中，(x,y)表示待建充电桩的建设地址坐标，A表示所述目标区域内停车场的位置坐标集，m表示所述目标区域内待建充电桩的数量，M表示待建充电桩最大数量阈值。[0050]在本实施例中，由于待建充电桩为公共充电桩，主要建设在公共停车场内，故选取的待建充电桩位置要在公共停车场范围内，即公共充电桩位置约束(x,y)∈A。其次，由于停车场数量有限，故需要对m进行约束，即停车场数量约束m≤M。[0051]在一个实施例中，图1中的S104的具体实现流程包括：[0052]S201：考虑多日一充情况，根据电动汽车每日的剩余电量，确定电动汽车每日的充电概率；
[0053]S202：基于所述电动汽车每日的充电概率，确定所述电动汽车自上次充电后的总行驶里程数；[0054]S203：确基于所述电动汽车自上次充电后的总行驶里程数和所述充电负荷曲线，
7
[0049]
CN 112487622 A
说 明 书
5/10页
定所述最优选址方案对应的各个待建充电桩的充电容量。[0055]在本实施例中，一日一充限制了用户的自由以降低计算难度，但将造成电池的浪费。本实施例在考虑充电个体需求和用户意愿的基础上提出电动汽车有序充电策略。依据英国2014年的交通运输调查(National TravelSurvey:England 2014)显示，每日出行次数为2次以下的受访者到达了59.91％，98.25％的受访者每日出行次数为少于5次。而针对每次出行，低于8km的出行占到总出行的66％。相关调研数据表明，84.25％的用户日行驶里程小于60km，当电动汽车续航里程为300km时，这部分用户的日耗电量仅占车载电池容量的20％，一日一充模式将会对电池容量造成极大的浪费，同时也不符合大多数用户的使用习惯，故本实施例考虑多日一充的情况。[0056]具体地，本实施例首先根据电动汽车当日的剩余电量确定电动汽车当日的充电概率，其过程具有为：
[0057]
[0058][0059][0060]
式(4)中，pk表示电动汽车第k天的充电概率，xk表示电动汽车在第k天的剩余电量。
在一个实施例中，上述S202的实现流程包括：计算
[0061]
得到所述最优选址方案对应的各个待建充电桩的充电容量；
[0063]式(5)中，S表示所述电动汽车自上次充电后的总行驶里程数，Sk表示第k天的行驶里程数，Wk表示第k天的充电系数，Pk‑1表示第k‑1天的充电概率，b表示充电概率阈值，xk‑1表示第k‑1天的剩余电量。[0064]在本实施例中，第k天的充电系数取决于第k‑1天的充电概率及剩余电量。Wk的取值包括0和1，Wk＝0表示第k天充电，Wk＝1表示第k天不充电。对于上述公式(5)则可以确定，当k‑1天的充电概率较大或剩余电量较小时，表示k‑1天已经充电，则第k天的行使里程数不计入总行驶里程数。
[0065]在本实施例中，根据电动汽车自上次充电后的总行驶里程数，能够确定电动汽车的充电周期，从而根据电动汽车的充电周期，确定充电需求最大的日期的功率需求。
8
[0062]
CN 112487622 A[0066]
说 明 书
6/10页
进一步地，本实施例使用蒙特卡洛方法预测公共停车场快速充电桩的充电负荷曲
线，充电负荷曲线横坐标为时间，纵坐标为充电负荷，通过充电负荷曲线可以确定充电桩的最大功率需求。
[0067]进一步地，本实施例结合电动汽车多日一充的总行驶里程数和充电负荷曲线，能够从整体上统计电动汽车的充电周期，以及充电周期内的最大负荷，从而根据充电周期内的最大负荷确定所述目标区域内各个充电桩的充电容量。[0068]以一个具体的应用场景为例，对某城区充电桩规划进行分析，该新城处于规划建设阶段，居住区内车位数为52940个，划分为41个区域，预计到2025年新城住宅区车位利用率达到90％，电动汽车渗透率为20％。各小区按照车位数的20％预留建设交流慢速充电桩，并在公共停车场内建设直流快速充电桩。
[0069]依据蒙特卡洛方法对新城内各小区内汽车进行判断，可得每个小区内电动汽车的最大不平衡数(即最大充电需求车辆数)。所得结果如表1所示。[0070]表1
编号不平衡车辆数编号不平衡车辆数编号不平衡车辆数129152929152321625303132417173129419181632265191924332761920213426716212235278192203628918230373610182403835111625039281215260401813232712412314152817 [0072]以各小区充电需求为权重，以加权距离之和最小为寻优目标，利用TLBO寻优算法确定公共的待建充电桩的最佳位置。根据实际项目要求，可供选择的停车场数量为2～5个，待建充电桩的建设点位置及分区如图2所示。[0073]如表2所示，依据加权距离之和减少百分比的变化、工程建设需要以及投资限制，选取方案(b)即建设3个公共充电停车场作为最终规划方案。该方案具有较小的加权距离之和，同时在充电桩购置费用相同的基础上，兼顾了较小的公共停车场改建成本，适合应用于该城市充电桩规划中。[0074]表2
[0075][0071]
建设点个数23加权距离之和/km516.2401.3
9
加权距离之和减少百分比/％‑
22.25
CN 112487622 A
说 明 书
7/10页
4347.213.495308.311.2
[0076]考虑多日一充的情况，预测该服务范围内的充电需求，使用蒙特卡洛方法预测公共停车场快速充电桩的充电负荷曲线，并确定充电桩建设数量以满足范围内的充电需求。[0077]本实施例将一天24h分为96个时间点，小区内车辆回家到达时间分布如式(6)所示。
[0078][0079][0080][0081]
式(6)中，y表示出行概率，x表示出行次数。表3
出行次数出行概率/％出行次数出行概率/％出行次数出行概率/％06.6363.4990.16117.8671.16100.01234.7080.41110.01
[0082]通过上述出行概率和出行次数可以根据蒙特卡洛方法计算得到充电负荷曲线。[0083]从上述实施例可知，本实施例提出了一种电动汽车充电桩的选址定容方法，分别考虑了小区内充电桩和公共充电桩的规划，将电动汽车充电桩进行了分类，提出了计及电动汽车分布不平衡的充电需求确定方法，以充电用户的充电距离最短为目标的充电桩选址优化模型，将TLBO算法应用于电动汽车充电桩选址优化计算中。并计及多日一充的电动汽车充电负荷预测方法，所得结果比原有的设定每天充电更加贴近实际情况。[0084]应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0085]在一个实施例中，如图3所示，图3示出了本发明实施例提供的电动汽车充电桩的
其包括：选址定容装置100的结构，
[0086]最大充电需求车辆数计算模块110，用于基于蒙特卡洛方法，获取目标区域内至少一个小区对应的最大充电需求车辆数；[0087]目标函数建立模块120，用于以各个小区至对应充电桩的加权距离之和最小为目标，基于所述目标区域内各个小区对应的最大充电需求车辆数建立目标函数；[0088]最优选址方案获取模块130，用于基于教学优化算法对所述目标函数进行求解，得到所述目标区域的最优选址方案；所述最优选址方案包括所述目标区域内至少一个待建充电桩的建设地址；
[0089]充电桩定容模块140，用于基于蒙特卡洛方法预测所述目标区域内待建充电桩的充电负荷曲线，并根据电动汽车的剩余电量和所述充电负荷曲线确定所述最优选址方案对应的各个待建充电桩的充电容量。[0090]在一个实施例中，最大充电需求车辆数计算模块110包括：
[0091]
计算得到所述目标区域内各个小区对应的最大充电需求
车辆数；
10
CN 112487622 A[0092]
说 明 书
8/10页
其中，Qi表示所述目标区域内第i个小区的最大充电需求车辆数，σi表示所述目标
区域内第i个小区的服从的正态分布的方差，a表示所述目标区域内第i个小区的汽车数量，q表示电动汽车渗透率。[0093]在一个实施例中，所述目标函数为：
[0094][0095]
其中，Ci表示所述目标区域内第i个小区的最大充电需求车辆数，minSi,j表示第i个小区到所述目标区域内最近的待建充电桩j的距离；m表示所述目标区域内待建充电桩的数量，n表示所述目标区域内小区的数量。[0096]在一个实施例中，所述目标函数的约束条件包括：
[0097]
其中，(x,y)表示待建充电桩的建设地址坐标，A表示所述目标区域内停车场的位置坐标集，m表示所述目标区域内待建充电桩的数量，M表示待建充电桩最大数量阈值。[0099]在一个实施例中，充电桩定容模块140包括：[0100]充电概率计算单元，用于考虑多日一充情况，根据电动汽车每日的剩余电量，确定电动汽车每日的充电概率；
[0101]行驶里程数计算单元，用于基于所述电动汽车每日的充电概率，确定所述电动汽车自上次充电后的总行驶里程数；[0102]充电容量确定单元，用于基于所述电动汽车自上次充电后的总行驶里程数和所述充电负荷曲线，确定所述最优选址方案对应的各个待建充电桩的充电容量。[0103]在一个实施例中，行驶里程数计算单元包括：[0104]计算
[0098]
[0105]
[0106]
得到所述最优选址方案对应的各个待建充电桩的充电容量；
[0107]其中，S表示所述电动汽车自上次充电后的总行驶里程数，Sk表示第k天的行驶里程数，Wk表示第k天的充电系数，Pk‑1表示第k‑1天的充电概率，b表示充电概率阈值，xk‑1表示第k‑1天的剩余电量。
[0108]图4是本发明一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个电动汽车充电桩的选址定容方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器40执行所述计
11
CN 112487622 A
说 明 书
9/10页
算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块110至140的功能。
[0109]所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。[0110]所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0111]所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0112]所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。[0113]所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0114]在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。[0115]本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单
这些功能究竟元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。
以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0116]在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以
12
CN 112487622 A
说 明 书
10/10页
通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0117]所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0118]另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0119]所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0120]以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
13
CN 112487622 A
说 明 书 附 图
1/2页
图1
图2
14
CN 112487622 A
说 明 书 附 图
2/2页
图3
图4
15
因篇幅问题不能全部显示，请点此查看更多更全内容