(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211192768.4 (22)申请日 2022.09.28 (71)申请人 南京工程学院 地址 211167 江苏省南京市江宁区科技园 弘景大道1号南京工程学院 (72)发明人 卞海红　周辰罡　郭正阳　王西蒙　 (74)专利代理 机构 南京源古知识产权代理事务 所(普通合伙) 32300 专利代理师 马晓辉 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01) (54)发明名称 一种考虑POI点划分功能区的EV快速充电站 规划方法 (57)摘要 本发明公开了一种考虑POI点划分功能区的 EV快速充电站规划方法， 包括如下步骤： 采集待 规划区域的POI点数据和路网信息数据； 划分出 城市功能分区； 通过EV出行数据来确定用户初始 位置； 利用交通拥堵模型、 信号灯等待时长和路 网信息构建路网邻接矩阵； 用Floyd最短路径算 法生成距离矩阵， 用户选取概率以描述用户出行 选择充电站的特征， 构建用户耗时成本模型； 基 于帕累托最优态， 以快速充电站投资成本、 投资 回收期、 用户耗时成本为目标构建EV充电站多目 标联合配置模 型； 并采用模拟退火粒子群优化算 法结合功能区与某城市主干道路网模型进行分 析进行求解。 本发明可以更加合理的规划充电站 位置， 满足用户侧和综合经济效益两方面的需 求。 权利要求书2页 说明书9页 附图5页 CN 115456454 A 2022.12.09 CN 115456454 A 1.一种考虑POI点划分功能区的EV快速充电站规划方法， 包括以下步骤： 步骤A、 采集待 规划区域的POI点数据和路网信息数据； 步骤B、 基于地理信息软件ARCGIS对规划区域POI点 数据和路网信息数据进行处理， 划分出城市功能分区； 步骤C、 通过EV出行数据来确定用户 初始位置； 步骤D、 利用交通拥堵模 型、 信号灯等待时长和路 网信息构建路网邻接矩阵； 步骤 E、 随后用Floyd最短路径算法生成距离矩阵， 用户选取概率以描述用户出行选择充电站的 特征， 构建用户耗时成本模型； 步骤F、 基于帕累托最优态， 以快速充电站投资成本、 投资回 收期、 用户耗时成本为目标构建EV充电站多目标联合配置模型； 步骤G、 并采用模拟退火粒 子群优化 算法结合功能 区与某城市主干道路网模型进行分析进行求 解。 2.如权利要求1所述的方法， 其特征在于： 所述步骤A中， 路网信息数据包括各类型商 铺， 住宅， 工业， 公共设施POI 点、 路网结构和长度信息 。 3.如权利 要求1所述的方法， 其特征在于： 所述步骤B中， 在A RCGIS中根据兴趣点公共认 知度分别做 不同半径的缓冲区， 其中商业点： 200米， 居住点250米， 公共服务点： 300米， 工业 点350米， 交通设施点400米， 通过基于缓冲区所占比例来划分功能区， 具体如下： 由路网封 闭的一个区块作为一个研究区， 以单一研究区内某类兴趣点缓冲区面积占该研究单元内所 有缓冲区面积的比重作为 该兴趣点在该研究区内的权重， 商业区面积在单一研究区内Hik值 超过60％则 定义该研究区为商业区， 于此相反， 交通设施点占单一研究区内Hik值超过40％ 作为交通设施功能区， 其它均以超过50％作为划分单一功能区的标准， 余下 的划分为混合 功能区， Hik值计算公式如下 所示： 式中， k为研究区编号， i为第i类兴趣点， Sk为第k个研究区面积， Si为第i类兴趣点缓冲 区在该研究区内的面积， ni为第i类兴趣点在该研究区内的数量。 4.如权利要求3所述的方法， 其特征在于： 所述步骤C中， EV出行数据包括用户的起始位 置出行链、 终止位置和时间， 将其与步骤B中规划的功能 区相结合， 确定用户的初始位置 。 5.如权利 要求1所述的方法， 其特征在于： 所述步骤D中， 利用ARCGIS通过交通路网信息 提取出邻接矩阵， 接着基于步骤C中得到的用户初始位置 。 6.如权利要 求1所述的方法， 其特征在于： 设置 前损失时间T1， 设定为占总信号灯周期的 5％， 红绿灯有效时间记为Teg， 信号灯等待时长计算公式如下 所示： Teg＝S‑T1‑T2                (2) 权　利　要　求　书 1/2 页 2 CN 115456454 A 2式中： Tixh为第i个红绿灯的等待时间， n为该红绿灯等待车辆数， v为车辆起步速度， Txh 为用户在途中花费的信号灯等待时长， N 为用户等待的红绿灯数量， 交通拥堵模型以设置道路权 重0‑10来表示， 计算公式如下 所示： δTPI＝0.275TPI ‑0.1                     (5) TTPI＝(Tt+Txh)(1+δTPI)               (6) SJ＝TTPI·VTPI                               (7) 式中： δTPI是交通系数， TPI为拥堵指数， Tt正常情况下用户耗时， TTPI受交通影响的用户 耗时， SJ是受交通指数影响归算后的相对路程， VTPI是受交通影响的用户行驶速度。 7.如权利要求6所述的方法， 其特征在于： 所述步骤E 中， 考虑到交通拥挤系数与红绿灯 等待时长两种影响因子， 将这两种影响因子作为权重添加到道路上， 对道路长度进行归算 得到新的道路长度， 如式所示： Sf＝(1+δxhd)(Tt+nTl)(1+δTPI)                   (8) 式中： δxhd为红绿灯等待时长影响因子， 任意节点i到节点j的最短路径有两种可 能： 1.直接从节点i到节点j； 2.从i经过若干节 点再到j,， 首先导入邻接矩阵D， 该领接矩阵是基于交通拥挤系数与红绿灯等待时长这两种 影响因子更新后的新的邻接矩阵， d(i,j)表示节点i到节点j， 对于每一个节点k， 检查d(i, k)+d(k,j)是否小于d(i,j)， 若小于， 则d(i,j)＝d(i,k)+d(k,j)； 遍历每个节点k， 最终求出 距离矩阵Dd， 基于用户的行驶速度和距离矩阵Dd可以得到用户耗时矩阵， 构建出用户耗时成 本模型。 8.如权利要求1所述的方法， 其特征在于： 所述步骤F中， 基于帕累托最优态， 以快速充 电站投资成本、 投资回收期、 用户耗时成本为目标构建EV充电站多种目标联合配置模型， 即 多目标函数嵌入到Paret o最优化函数中， 目的是基于多目标函数得出备选充电站的各项评 价值， 最后通过Pareto 最优算法来选择 出充电站的最佳配置容 量和位置 。 9.如权利1所述的方法， 其特征在于： 所述步骤G中， 将城市功能区、 交通拥堵模型下的 交通网络距离矩阵、 用户初始位置坐标、 所需规划的充电站数量输入到模拟退火粒子群优 化算法中， 粒子适应度设置为多目标函数得到的结果， 将该结果输入到Pareto最优算法中 求解出最终的充电站位置和配置容 量。 10.如权利要求9所述的方法， 其特征在于： 基于模拟退火粒子群优化算法进行多目标 优化配置模 型的求解， 具体步骤如下： 步骤S11： 根据充电站的基本信息 设置模拟退火PSO算 法的参数； 步骤S12： 读取基于功能区和出行链的用户初始位置， 在交通拥堵模型下的交通 路网距离矩阵Dd； 步骤S13： 初始化SAPSO算法的粒子群， 每个粒子包含EV充电站的位置， 根 据不同的粒子位置计算多目标函数的适应度值， 通过筛选得到帕累托非支配解:， 然后， 更 新个体最优pbest和全局最优 gbest； 步骤S14： 计算gbest得分， 将其设置为退火温度， 使用 退火算法第一次更新pbest， 然后使用PSO算法第二次更新pbest和gbest； 步骤S 15当gbest 结果的数量大于设定范围M时， 计算每个个体的拥挤度， 并在排序后消除超过设定范围M的 个体。权　利　要　求　书 2/2 页 3 CN 115456454 A 3