基于動態哈夫模型及雙邊匹配的電動汽車充電引導策略與應用

　更新時間：2024-12-11　點擊量：528

摘要:由于充電站中充電樁數目有限且電動汽車充電耗時長,陸續產生充電需求的各電動汽車用戶存在對充電站資源的競爭。這不僅增加了用戶排隊概率,降低了充電站收益和利用率,而且使得用戶在充電站規模、價格、評價等方面的個性化需求得不到充分滿足。為此,提出了一種動態哈夫模型與雙邊匹配方法相結合的電動汽車充電引導策略。首先,對充電站客流、充電訂單和充電樁詳情等真實數據集進行大數據挖掘,分析公共充電站用戶的充電站選擇偏好和充電行為特征;然后，基于動態哈夫模型,結合用戶充電站選擇偏好量化不同區域用戶前往不同充電站的概率,并生成充電站推薦列表;后,將前景理論與雙邊匹配策略相結合,進行充電引導。算例分析表明,所提策略大幅降低了用戶的排隊概率,在滿足用戶個性化充電需求的同時,保障了充電站利益。

關鍵詞:充電引導;電動汽車;哈夫模型;前景理論;雙邊匹配

一、引言

隨著全球環保意識的提升，電動汽車作為一種低碳、環保的交通工具得到廣泛重視和推廣。隨著中國電動汽車數量迅速增長,作為新基建七大領域之一的充電樁也在加快建設。當前,很多車主會選擇在在線地圖軟件和充電樁應用程序等充電站聚合平臺尋找附近的公共充電站進行充電，但在充電站選擇時具有隨機性和盲目性。同時,對上述應用程序的調研發現,現有充電站推薦平臺缺乏個性化充電站推薦策略,且由于推薦過程缺乏用戶反饋,充電樁推薦難以確保供需一一對應,這在降低用戶充電服務體驗的同時,導致充電站收益下降。因此，充電站聚合平臺需要對用戶進行充電引導。

眾多學者從不同角度對電動汽車充電引導問題進行了研究。為實現對路網、充電姑和電網的協同優化,提出基于第三代前景理論的電動汽車充電引導策略。以充電負荷均衡、交通流量均衡、用戶成本低為目標,提出一種計及用戶出行成本的主從博弈模型對用戶進行充電引導。建立了包含車輛、充電站、交通網和電網的多目標優化模型,能夠在毫秒級響應充電請求的同時有效縮短電動汽車充電時間。然而,以上引導方式均是對所有用戶的無差別引導,沒有充分考慮不同用戶的個性化需求。

二、電動汽車用戶群體充電行為分析

2.1 數據源及數據處理

本文通過在線地圖獲取了中國四川省成都市二環內及鄰近區域的公共快速充電站基本信息，并獲取了2023年2月各充電站不同時段的平均空閑樁位數以計算各站點客流，用以分析電動汽車用戶的充電站選擇行為。

為進一步了解用戶的充電需求、充電行為特征及車輛特征,本文獲取了區域內某典型快速充電站2022年9月至2023年2月的3萬余條充電訂單數據和 300余萬條充電樁詳情數據進行數據挖掘。所獲取數據不涉及用戶隱私,不同用戶通過用戶*標識進行區分。

2.2用戶充電站選擇行為分析

結合充電站基本信息和客流數據,本節分析充電站規模及充電價格對用戶充電選擇行為的影響。

根據各充電站客流確定各充電站的客流占比，并用百分位數表示各充電站內快速充電樁數在所有充電站中的升序排位。結果表明,有約60%的充電行為發生在規模大的30%的站點,電動汽車用戶群體偏好選擇大規模充電站。用百分位數表示不同時段各充電站充電價格(含電費、服務費)在所有充電站中的升序排位。結合該時段充電站客流,確定用戶選擇充電站點的價格百分位數。結果表明,有約75%的充電行為發生在價格低的50%的站點,電動汽車用戶群體偏向選擇充電價格低的充電站點。此外,約86%的充電行為發生在免收停車費的充電站,進一步說明了電動汽車用戶的價格敏感性。

充電站評分(滿分5分)對用戶的充電站選擇也有顯著影響,有約82%的充電行為發生在評分4分及以上的站點。

2.3用戶充電行為描述

為全面描述用戶充電行為，本文選取充電起始荷電狀態(state of charge,SOC)、充電結束 SOC、充電開始時間、充電結束時間、充電量、充電費用作為電動汽車用戶充電特征一級標簽。一級標簽的數據可直接從充電訂單數據中獲取。

選取充電時長、電池容量、平均功率、充電結束后占用時長作為電動汽車用戶充電特征二級標簽。

三、充電站推薦列表生成

3.1動態哈夫模型

哈夫模型是一種用于預測和分析消費者行為的地理空間模型,其核心思想在于消費者前往各購物中心的概率,取決于購物中心規模對消費者的吸引力及消費者前往購物中心的旅行時間。本文針對充電站選擇場景對其進行改進,提出動態哈夫模型。在模型中,充電站吸引力是時變的,不同區域電動汽車用戶前往各充電站的概率是不同的。

3.2充電站吸引力

用戶選擇充電站時,主要受充電站規模、充電價格的影響,也不同程度受充電站品牌、配套設施周邊環境等多種因素影響。本文引入充電樁數量、充電價格、停車費用和充電站評分等因素,以描述各充電站吸引力。

不同用戶對各因素的偏好具有異質性,但用戶群體對各因素的偏好具有一致性。結合2.2節的充電選擇行為分析,同時考慮到各因素的相關性。

根據充電站特定指標的排位,將充電站分為兩類。理論上對各指標進行組合,可將充電站分為16類,但由于各指標間存在相關性,終僅存在11類充電站。其中,數目占比高的5類充電站如表1所示。

表1 各類充電站數目占比與客流占比

表1中,數量占比高的5類充電站約占總充電站數的85%,而客流量約占總客流量的78%,具有代表性。由于總是存在2類充電站僅在某一類指標的類別上存在差異,可以根據各類別充電站客流均值占比的比例確定η的值。對比類別1和類別5可知,充電樁數目多的吸引力權重為2.83,同理可知充電價格低、停車費用無、充電站評分高的吸引力權重分別為1.66、1.23、1.63。

3.3電動汽車用戶前往充電站的通行時間

鑒于電動汽車用戶在行駛中產生充電需求,且充電站通常在主路附近,本節在建立交通網與充電站網耦合模型的基礎上,提出了“主路一小路-充電站”的充電行駛模式,旨在確定用戶從所在路段末端節點前往充電站的行駛時間,作為動態哈夫模型中的通行時間。

3.4 充電站推薦列表生成流程

根據充電站密度、充電請求頻次以及道路通行速度變化速度等因素,共同確定充電站推薦列表生成時間間隔。每經過一個時間間隔或充電站推薦列表中出現所有充電樁均被占用的充電站時,針對各路網節點進行一次充電站推薦列表生成。生成流程如下:

1)獲取路網和充電站網絡數據:

2)依據3.2節,計算各充電站吸引力;

3)依據3.3節,計算各路網節點到各充電站的通行時間;

4)依據3.1節,計算各路網節點被各充電站服務的概率;

5)對于每一個路網節點,取服務概率*的當前有可用充電樁的充電站,生成充電站推薦列表。

四、電動汽車-充電站雙邊匹配策略

4.1基于前景理論的偏好量化

當電動汽車用戶產生沿途充電需求時,需首先確定其所在道路和行進方向,再獲取相應區域的充電站推薦列表,從中選擇適合的充電站進行推薦。根據電動汽車用戶群體的歷史充電記錄數據得到充電前總時間、充電價格、充電站評分等3個方面的期望均值,記為期望均值矩陣。根據用戶、道路、充電站三方狀態得到用戶前往推薦列表中各充電站的期望值矩陣。

五、應用方案

51c797937b771e0ed09e8d631c3f873

圖1 有序充電管理系統示意圖

8f94779e01f51c5c9c656acc2b0b641

圖2平臺結構圖

充電運營管理平臺是基于物聯網和大數據技術的充電設施管理系統，可以實現對充電樁的監控、調度和管理，提高充電樁的利用率和充電效率，提升用戶的充電體驗和服務質量。用戶可以通過APP或小程序提前預約充電，避免在充電站排隊等待的情況，同時也能為充電站提供更準確的充電需求數據，方便后續的調度和管理。通過平臺可對充電樁的功率、電壓、電流等參數進行實時監控，及時發現和處理充電樁故障和異常情況對充電樁的功率進行控制和管理，確保充電樁在合理的功率范圍內充電，避免對電網造成過大的負荷。

六、安科瑞充電樁云平臺具體的功能

平臺除了對充電樁的監控外，還對充電站的光伏發電系統、儲能系統以及供電系統進行集中監控和統一協調管理，提高充電站的運行可靠性，降低運營成本，平臺系統架構如圖3所示。

平臺架構