一种电动汽车充电站的分时运维成本测算方法及装置与流程

1.本发明涉及电动汽车技术领域，具体涉及一种电动汽车充电站的分时运维成本测算方法及装置。


背景技术：

2.随着电动汽车的推广与应用，电动汽车充电站也建立起来，为电动汽车提供充电服务。
3.现有技术中，电动汽车充电站可以按照固定价格收费，收费的多少是基于充电站运营商的成本制定的。为了降低储能式充电站需求响应的压力，出现了一种动态变化的电动汽车充放电服务费用的制定方法，通过价格机制，引导用户选择适当的充电站进行充放电，实现配电网安全经济运行，这种收费方式仅从供电侧角度出发制定电动汽车充放电服务费用。因此，如何提出一种电动汽车充电站的运维成本测算方法，能够更合理地确定充电站的运维成本，成为本领域需要解决的重要课题。


技术实现要素：

4.针对现有技术中的问题，本发明实施例提供一种电动汽车充电站的分时运维成本测算方法及装置，能够至少部分地解决现有技术中存在的问题。
5.一方面，本发明提出一种电动汽车充电站的分时运维成本测算方法，包括：
6.根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量；其中，预先将一天划分为预设数量个时段；每种类型的用户在各个时段的选择概率矩阵是预先获得的；每种类型用户对应的电动汽车的在各个时段的充电数量是预先获得的；所述用户类型是预设的；
7.根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷；
8.根据各个时段的类型、各个时段的电动汽车的充电负荷、预设参数、用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件；其中，所述用户购电成本模型和所述充电站运营收益模型是预先获得的，各个时段的类型是预先获得的；
9.根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得最优分时运维成本。
10.另一方面，本发明提供一种电动汽车充电站的分时运维成本测算装置，包括：
11.第一获得模块，用于根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量；其中，预先将一天划分为预设数量个时段；每种类型的用户在各个时段的选择概率矩阵是预先获得的；每种类型用户对应的电动汽车的在各个时段的充电数量是预先获得的；所述用户类型是预设的；
12.第二获得模块，用于根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷；
13.建立模块，用于根据各个时段的类型、各个时段的电动汽车的充电负荷、预设参数、用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件；其中，所述用户购电成本模型和所述充电站运营收益模型是预先获得的，各个时段的类型是预先获得的；
14.优化模块，用于根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得最优分时运维成本。
15.再一方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述电动汽车充电站的分时运维成本测算方法的步骤。
16.又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述电动汽车充电站的分时运维成本测算方法的步骤。
17.本发明实施例提供的电动汽车充电站的分时运维成本测算方法及装置，能够根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量，根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷，根据各个时段的类型、各个时段的电动汽车的充电负荷、预设参数、用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件，根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得最优分时运维成本，提高了分时运维成本的合理性。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。在附图中：
19.图1是本发明第一实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图。
20.图2是本发明第二实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图。
21.图3是本发明第三实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图。
22.图4是本发明第四实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图。
23.图5是本发明第五实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图。
24.图6是本发明第六实施例提供的电动汽车充电仿真的流程示意图。
25.图7是本发明第七实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图。
26.图8是本发明第八实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图。
27.图9是本发明第九实施例提供的电动汽车充电站的分时运维成本测算装置的结构示意图。
28.图10是本发明第十实施例提供的电子设备的实体结构示意图。
具体实施方式
29.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
30.为了便于理解本技术提供的技术方案，下面先对本技术技术方案的相关内容进行说明。
31.随着大规模电动汽车无序充电行为造成的尖峰负荷持续增高与电源建设滞后的矛盾日益突出。构建可引导的电动汽车柔性负荷资源，充分挖掘需求侧响应潜力，是提高电力系统经济稳定运行的重要手段之一。在充电服务费上限限制放开背景下，通过价格信号引导各类用户改变充电行为，充分发挥用户侧柔性负荷参与电网需求响应的容量优势，不仅可以降低负荷峰谷差，有效增加系统灵活调节能力以及提高电网资产运行效率，还能够降低社会整体用能成本，提升全社会终端用能效率。因此，本发明针对当前充电站未能充分挖掘需求侧响应潜力的不足，在电动汽车用户充电行为规律和决策行为机理的基础上，提出了一种兼顾电网运营商、用户和充电站运营商三者经济性的电动汽车充电站的分时运维成本测算方法。
32.图1是本发明一实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图，如图1所示，本发明实施例提供的电动汽车充电站的分时运维成本测算方法，包括：
33.s101、根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量；其中，预先将一天划分为预设数量个时段；每种类型的用户在各个时段的选择概率矩阵是预先获得的；每种类型用户对应的电动汽车的在各个时段的充电数量是预先获得的；所述用户类型是预设的；
34.具体地，服务器可以获得每种类型的用户在各个时段的选择概率矩阵和每种类型用户对应的电动汽车的在各个时段的充电数量，然后根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量。其中，预先将一天划分为预设数量个时段，时段的划分根据实际需要进行设置，本发明实施例不做限定。所述用户类型是预设的，比如将所述用户类型划分为四类。每种类型的用户在各个时段的选择概率矩阵是预先获得的；每种类型用户对应的电动汽车的在各个时段的充电数量是预先获得的。
35.例如，选取充电价格和充电改变时差两个用户充电偏好对用户进行分类，根据用
户对充电价格和出行便利的敏感程度不同，将电动汽车的用户划分为四类。第ⅰ类用户：价格偏好型用户，此类用户以节约充电费用为主要考虑因素，对充电价格敏感程度较高，对出行便利敏感程度较低；第ⅱ类用户：便利偏好型用户，此类用户以保证随时出行需求为主要考虑因素，对出行便利敏感程度较高，对充电价格敏感程度较低；第ⅲ类用户：均衡型用户，此类用户没有明显的充电偏好，处于前两类用户之间，对充电价格敏感程度和出行便利敏感程度相同；第ⅳ类用户：其余用户，此类用户不接受价格引导，仍然按照实施分时运维成本方案之前的充电习惯进行充电。
36.例如，将一天平均划分为24个时段，即每小时一个时段，那么第i种类型的用户一天24小时的选择概率矩阵可表示为：
[0037][0038]
其中，1
×
24维向量组代表第i类用户从第m个时段选择到第n个时段充电的概率，将第i类用户对应的电动汽车在每小时的充电数量表示为那么在实施分时运维成本方案之后，第i类用户的各小时的电动汽车充电数量可以表示为：
[0039][0040]
其中，n
i
表示第i类用户的各小时的电动汽车充电数量。
[0041]
所述服务器计算第j个时段的电动汽车充电数量其中，表示第i类用户在第j个时段的电动汽车充电数量，j为正整数且j小于等于24，i为正整数且i小于等于a，a表示用户类型的数量。
[0042]
s102、根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷；
[0043]
具体地，所述服务器可以根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷。其中，电动汽车的充电功率是预设的，为了简化计算，可以设置所有的电动汽车的充电功率相同。
[0044]
例如，所述服务器获得第t个时段的电动汽车充电数量为sum
t
，电动汽车的充电功率设置为p
c
，那么所述服务器可以计算出第t个时段的电动汽车的充电负荷c
t
＝sum
t
p
c
s
t
，其中，s
t
表示第t个时段的时间长度。
[0045]
s103、根据各个时段的类型、各个时段的电动汽车的充电负荷、预设参数、用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件；其中，所述用户购电成本模型和所述充电站运营收益模型是预先获得的，各个时段的类型是预先获得的；
[0046]
具体地，所述服务器可获得各个时段的类型和预设参数，然后基于各个时段的类
型、各个时段的电动汽车的充电负荷、预设参数用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件。其中，所述用户购电成本模型和所述充电站运营收益模型是预先获得的，各个时段的类型是预先获得的。所述预设参数可以包括充电站的单日最大负荷、电动汽车的充电功率、固定充电运维成本、充电站运营商的购电电价、调峰需求时段、调峰补偿价格、惩罚价格等需要预先设置的参数。
[0047]
例如，各个时段的类型可以包括平时段、峰时段和谷时段，峰时段是指用电高峰的时段，对应的充电费用最高，谷时段是指用电较少的时段，对应的充电费用最低，平时段的用电量高于谷时段的用电量并且低于峰时段的用电量，对应的充电费用高于谷时段的充电费用且低于峰时段的充电费用。
[0048]
s104、根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得最优分时运维成本。
[0049]
具体地，所述分时运维成本优化目标函数涉及到电网运营商、充电站运营商和用户三方，所述服务器可以通过多目标粒子群算法，根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得分时运维成本解集，再从所述分时运维成本解集获得最优分时运维成本。其中，分时运维成本可以包括平时段分时运维成本、峰时段分时运维成本和谷时段分时运维成本，峰时段分时运维成本高于平时段分时运维成本，平时段分时运维成本高于谷时段分时运维成本。
[0050]
本发明实施例提供的电动汽车充电站的分时运维成本测算方法，能够根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量，根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷，根据各个时段的类型、各个时段的电动汽车的充电负荷、预设参数、用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件，根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得最优分时运维成本，提高了分时运维成本的合理性。
[0051]
在上述各实施例的基础上，进一步地，所述分时运维成本优化目标函数包括第一目标函数，第二目标函数和第三目标函数，所述时运维成本约束条件包括第一约束条件、第二约束条件、第三约束条件和第四约束条件，其中：
[0052]
所述第一目标函数为：
[0053][0054]
其中，l
base,t
表示第t个时段除去充电负荷之外的其他基本负荷，l
ev,t
表示第t个时段的充电负荷，t表示所述预设数量；其中，l
base,t
可以根据当地历史实际配网负荷值预先设置；
[0055]
所述第一目标函数是以电网的负荷波动性最小为目标建立的，l
base,t
根据经验进行设置，本发明实施例不做限定。如果将一天平均分成24个时段，那么每个时段的时间长度为1小时，t为24。
[0056]
所述第二目标函数为：
[0057]
[0058]
其中，表示实施分时运维成本方案后用户的充电费用，是基于所述用户购电成本模型获得的；
[0059]
所述第二目标函数是以用户的充电成本最小为目标建立的，即实施分时运维成本方案后用户的充电费用最小，是基于所述用户购电成本模型获得的。
[0060]
所述第三目标函数为：
[0061][0062]
其中，表示实施分时运维成本方案后充电站的运营收益，是基于所述充电站运营收益模型获得的；
[0063]
所述第三目标函数是以充电站运营商的充电站运营净收益最大为目标建立的，即实施分时运维成本方案后充电站的运营收益最小，是基于所述充电站运营收益模型获得的。
[0064]
对于电网运营商，制定的平时段分时运维成本、峰时段分时运维成本和谷时段分时运维成本不能相差过大，并且实施分时运维成本方案后不能出现峰时段分时运维成本和谷时段分时运维成本倒置的现象；对于用户来说，实施分时运维成本方案后所支出的充电费用不能高于实施分时运维成本方案前所支出的充电费用；对于充电站运营商来说，实施分时运维成本方案后总净收益不能减少。因此，建立了如下分时运维成本约束条件。
[0065]
所述第一约束条件为：
[0066][0067]
其中，c
f,f
表示平时段分时运维成本，c
f,p
表示峰时段分时运维成本，c
f,v
表示谷时段分时运维成本，ε表示约束值；平时段分时运维成本、峰时段分时运维成本和谷时段分时运维成本即需要进行优化的分时运维成本，约束值ε为常数，根据实际需要进行设置，本发明实施例不做限定。
[0068]
所述第二约束条件为：
[0069][0070]
其中，表示实施分时运维成本之前的充电站的单日最大负荷；可以通过历史数据获得，比如将过去一年中充电站最大的单日负荷作为
[0071]
所述第三约束条件为：
[0072][0073]
其中，表示实施分时运维成本方案前用户的充电费用，是基于所述充电站运营收益模型获得的；
[0074]
所述第四约束条件为：
[0075][0076]
其中，表示实施分时运维成本前的充电站运营收益，是基于所述充电站运营收益模型获得的。
[0077]
在上述各实施例的基础上，进一步地，所述用户购电成本模型包括实施分时运维成本方案前用户的充电费用和实施分时运维成本方案后用户的充电费用其中：
[0078][0079][0080]
其中，p
ij,t
表示第i种类型用户中第j个用户在第t个时段对应的充电功率，c
b,t
表示第t个时段的基本充电价格，c
0,t
表示固定充电运维成本，表示实施分时运维成本方案后的第t个时段的充电运维成本价格，i
t
表示第t个时段的充电指示，第i种类型用户中第j个用户在第t个时段充电时i
t
＝1，第i种类型用户中第j个用户在第t个时段没有充电时i
t
＝0，i为正整数且i小于等于b，j为正整数且j小于等于d
i
，d
i
表示第i种类型用户的数量，b表示用户的分类数量，t为正整数且t小于等于t，t表示所述预设数量。
[0081]
p
ij,t
为第i种类型用户中第j个用户所使用的电动汽车的充电功率，p
ij,t
是预设的根据实际需要进行设置，本发明实施例不做限定。为了简化计算可以设置所有的电动汽车的充电功率相同。
[0082]
c
b,t
表示第t个时段的基本充电价格，峰时段的基本充电价格、谷时段的基本充电价格和平时段的基本充电价格不同，可以根据第t个时段的类型确定第t个时段的基本充电价格，比如第t个时段的类型为峰时段，那么第t个时段的基本充电价格为峰时段的基本充电价格。峰时段的基本充电价格、谷时段的基本充电价格和平时段的基本充电价格是预设的，根据实际需要进行设置，本发明实施例不做限定。例如，峰时段的基本充电价格可以根据充电站运营商向电网购电的基本峰电价确定，谷时段的基本充电价格可以根据充电站运营商向电网购电的基本谷电价确定，平时段的基本充电价格可以根据充电站运营商向电网购电的基本平电价确定。
[0083]
c
0,t
表示固定充电运维成本，c
0,t
是预设的，根据实际经验进行设置，本发明实施例不做限定。表示实施分时运维成本方案后的第t个时段的充电运维成本价格，根据第t个时段的类型确定，如果第t个时段的类型为峰时段，那么等于峰时段分时运维成本，如果第t个时段的类型为谷时段，那么等于谷时段分时运维成本，如果第t个时段的类型为平时段，那么等于平时段分时运维成本。
[0084]
i
t
表示第t个时段的充电指示，第i种类型用户中第j个用户在第t个时段充电时i
t
＝1，第i种类型用户中第j个用户在第t个时段没有充电时i
t
＝0。其中，基于每种类型的用户在各个时段的选择概率矩阵可以确定第i种类型用户中第j个用户是否在第t个时段充电。
[0085]
b表示用户的分类数量，如果将电动汽车的用户划分为四类，那么b等于4。d
i
表示第i种类型用户的数量，如果b等于4，一天内充电的电动汽车的数量为500，设置四种类型用户的比例为5:2:2:1，那么四种类型用户的数量分别为250、100、100、50。
[0086]
在上述各实施例的基础上，进一步地，所述充电站运营收益模型包括实施分时运维成本前的充电站运营收益和实施分时运维成本方案后充电站的运营收益，其中：
[0087][0088][0089][0090][0091]
其中，c1表示固定运维成本下的用户购电成本，c2表示实施分时运维成本方案后的用户购电成本，q
tq
表示充电站在固定运维成本下第t个时段从电网运营商购买的电量，表示充电站实施分时运维成本方案后第t个时段从电网运营商购买的电量，表示充电站获得的削峰补偿费用，表示充电站受到的提高尖峰负荷惩罚费用，p0表示调峰需求时段的数量，表示实施分时运维成本前的第i个调峰需求时段的充电负荷，表示实施分时运维成本后的第i个调峰需求时段的充电负荷，i
i
表示第i个调峰需求时段的指示值，若则i
i
＝1，若则i
i
＝0，c
res
表示调峰补偿价格，c
fine
表示惩罚价格，i为正整数且i小于等于p0。
[0092]
c1表示固定运维成本下的用户购电成本，c1可以等于基于所述充电站运营收益模型获得。c2表示实施分时运维成本方案后的用户购电成本，c1可以等于基于所述用户购电成本模型获得。
[0093]
表示充电站在固定运维成本下第t个时段从电网运营商购买的电量，可以根据在固定运维成本下第t个时段充电的电动汽车的数量乘以电动汽车的充电功率，再乘以第t个时段的时间间隔获得；表示充电站实施分时运维成本方案后第t个时段从电网运营商购买的电量，可以根据实施分时运维成本方案后第t个时段充电的电动汽车的数量乘以电动汽车的充电功率，再乘以第t个时段的时间间隔获得。
[0094]
p0表示调峰需求时段的数量，调峰需求时段是预设的，可以统计预设的调峰需求时段的多少作为p0。比如在将一天平均划分为24个时段时，可以设置18:00
‑
19:00为调峰需求时段。
[0095]
表示实施分时运维成本前的第i个调峰需求时段的充电负荷，可以根据第个调峰需求时段正在充电的电动汽车的数量乘以充电功率，再乘以第i个调峰需求时段的时间间隔获得。表示实施分时运维成本后的第i个调峰需求时段的充电负荷，在步骤s102中已经获得了每个时段的电动汽车的充电负荷，从中可以获得
[0096]
为了激励充电站运营商，积极响应调峰需求，本发明实施例设定需求响应的调峰补偿价格c
res
和充电站提高充电尖峰负荷的惩罚价格c
fine
。c
res
和c
fine
根据实际经验进行设置，本发明实施例不做限定。比如，将c
res
设置为3元/kw，将c
res
设置为峰时段分时运维成本的1.5倍。
[0097]
图2是本发明第二实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图，如图2所示，在上述各实施例的基础上，进一步地，所述根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得最优分时运维成本包括：
[0098]
s201、基于多目标粒子群算法在运维成本约束条件下对所述分时运维成本优化目标函数进行求解，获得分时运维成本解集；
[0099]
具体地，所述服务器在对所述分时运维成本优化目标函数进行求解时，可以基于多目标粒子群算法在运维成本约束条件下对所述分时运维成本优化目标函数进行求解，获得分时运维成本解集。
[0100]
其中，为了增强多目标粒子群算法的全局搜索能力减少粒子陷入局部最优的概率，在每次迭代时采用morlet小波变异对群中所有粒子进行变异操作，得出的pareto解集作为分时运维成本解集。
[0101]
s202、从分时运维成本解集中获得nash均衡解作为所述最优分时运维成本。
[0102]
具体地，所述服务器在获得所述分时运维成本解集之后，需要从所述分时运维成本解集中找到一个最优解，作为所述最优分时运维成本。所述服务器分时运维成本解集中获得nash均衡解作为所述最优分时运维成本。
[0103]
其中，可以通过非合作博弈中的“nash均衡”概念，将分时运维成本解集中的nash均衡解作为最优决策解，从而将多目标最优决策问题转变为nash均衡点求解问题。
[0104]
基于nash均衡解的多目标决策模型如下所示：
[0105][0106][0107]
h
ij
≥0i＝1,2,
…
,m；j＝1,2,
…
,m
in
[0108][0109][0110]
其中，m为目标个数，本发明实施例中取3，m
in
表示第i目标下粒子的最优解个数；ω
i
表示权重因子，代表第i个目标的重要程度，本发明实施例中取1；h
i
＝[h
i1
,
…
,h
ij
,
…
,h
in
]表示pareto解集在第i个目标上的均衡解概率分布；h
ij
代表第j个粒子在第i个目标上的均衡值；v
i
代表第i个目标参与者期望上限值；f
ij
表示第j个粒子在第i个目标上的归一化值。
[0111]
使用序列二次规划法求解上述问题得到多个均衡值，取使达到最大值的解作为最优决策解，能够获得最优分时运维成本。
[0112]
图3是本发明第三实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图，如图3所示，在上述各实施例的基础上，进一步地，获得各个时段的类型的步骤包括：
[0113]
s301、基于充电站的历史订单数据建立充电参数的自适应窗宽高斯核函数；
[0114]
具体地，所述服务器可以获取充电站的历史订单数据，然后基于充电站的历史订单数据建立充电参数的自适应窗宽高斯核函数。其中，所述历史订单数据可以是过去一段时间内充电站的订单数据。所述充电参数的自适应窗宽高斯核函数能够反应电动汽车用户的充电行为规律。其中，所述充电参数可以包括充电起始时刻、充电结束时刻和充电起始荷电状态。
[0115]
例如，获取充电站在过去一年的充电站订单数据作为充电站的历史订单数据。
[0116]
s302、根据所述充电参数的自适应窗宽高斯核函数以及电动汽车的充电仿真参数进行电动汽车单日充电仿真，获得电动汽车的单日无序充电负荷分布；
[0117]
具体地，所述服务器在获得所述充电参数的自适应窗宽高斯核函数之后，还会获取电动汽车的充电仿真参数，然后根据所述充电参数的自适应窗宽高斯核函数以及电动汽车的充电仿真参数进行电动汽车单日充电仿真，获得电动汽车的单日无序充电负荷分布。其中，在进行电动汽车单日充电仿真会通过所述充电参数的自适应窗宽高斯核函数抽取每辆电动汽车的充电参数。
[0118]
s303、基于所述电动汽车的单日无序充电负荷分布对所述预设数量个时段进行三种时段类型划分，获得各个时段的类型。
[0119]
具体地，所述服务器在获得所述电动汽车的单日无序充电负荷分布之后，可以基于所述电动汽车在的单日无序充电负荷分布对所述预设数量个时段进行三种时段类型划分，获得各个时段的类型。其中，三种时段类型可以包括平时段、峰时段和谷时段。
[0120]
图4是本发明第四实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图，如图4所示，在上述各实施例的基础上，进一步地，所述充电参数包括充电起始时刻、充电结束时刻和充电起始荷电状态；相应地，所述基于充电站的历史订单数据建立充电参数的自适应窗宽高斯核函数包括：
[0121]
s401、从充电站的历史订单数据中提取每笔订单的充电起始时刻、充电结束时刻和充电起始荷电状态；
[0122]
具体地，所述服务器通过对充电站的历史订单数据的提取，可以获得每笔订单的充电起始时刻、充电结束时刻和充电起始荷电状态。每笔订单的充电起始时刻表明该订单对应的充电汽车的开始充电的时间，每笔订单的充电结束时刻表明该订单对应的充电汽车的停止充电时间，每笔订单的充电起始荷电状态表明该笔订单对应的充电汽车充电起始时刻电池的剩余电量，通常以百分数表示。
[0123]
其中，为了提高数据的有效性，对于历史订单数据中充电时长小于预设时长的订单数据可以忽略，不进行充电起始时刻、充电结束时刻和充电起始荷电状态的提取。对于充电时长小于预设时长的订单数据，可能是用户、乘客个人原因等因素导致电动汽车未正常充电，或者是充电设备没有正常上传订单数据引起的。所述预设时长根据实际经验进行设置，比如设置为5分钟，本发明实施例不做限定。
[0124]
s402、根据各笔订单的充电起始时刻，建立充电起始时刻的自适应窗宽高斯核函数，根据各笔订单的充电结束时刻，建立充电结束时刻的自适应窗宽高斯核函数，以及根据各笔订单的充电起始荷电状态，建立充电起始荷电状态的自适应窗宽高斯核函数。
[0125]
具体地，所述服务器可以根据各笔订单的充电起始时刻进行高斯核密度估计，获
得充电起始时刻的高斯核函数，然后将充电起始时刻的高斯核函数中的基本最优窗口宽度转换成自适应窗口宽度，获得充电起始时刻的自适应窗宽高斯核函数。同理，所述服务器可以根据各笔订单的充电结束时刻建立充电结束时刻的自适应窗宽高斯核函数，并根据各笔订单的充电起始荷电状态，建立充电起始荷电状态的自适应窗宽高斯核函数。
[0126]
其中，所述充电起始时刻的高斯核函数所述充电结束时刻的高斯核函数和所述充电起始荷电状态的高斯核函数可以表示如下：
[0127][0128]
其中，t
si
表示第i笔订单的充电起始时刻，t
ei
表示第i笔订单的充电结束时刻，s
soci
表示第i笔订单的充电起始荷电状态，h
s
表示充电起始时刻的高斯核函数的基本最优窗口宽度，h
e
表示充电结束时刻的高斯核函数的基本最优窗口宽度，h
soc
表示充电起始荷电状态的高斯核函数的基本最优窗口宽度，n表示订单的总数，i为正整数且i小于等于n。
[0129]
对于高斯核函数来说，窗口宽度即高斯分布的标准差。窗口宽度选择过大会造成拟合曲线体现不出数据的细节波动性产生过拟合现象，选择过小会造成拟合曲线过于体现每个数据的细节性而使整体曲线不规则产生欠平滑现象。所以需要获得充电起始时刻、充电结束时刻和充电起始荷电状态对应的自适应窗宽。
[0130]
通过统计分析理论使用最小二乘交叉验证法，构建基本最优窗口宽度误差函数e(h)如下所示：
[0131][0132]
其中，x
i
表示特征变量数据集x中的第i个数据，x
j
表示特征变量数据集x中的第j个数据，h表示特征变量的窗宽，n表示特征变量数据集中的数据量，取使e(h)达到最小时的窗宽h即为最优固定窗宽。特征变量可以为充电起始时刻、充电结束时刻或充电起始荷电状态。
[0133]
根据数据分布的疏密程度利用如下公式将固定窗宽转换为自适应窗宽：
[0134][0135]
其中，m表示样本分组的组数，f(z)表示第z组所对应的真实概率密度，α表示灵敏
因子，α大于等于0且小于等于1，反应各组窗宽与基本最优窗宽的接近程度。
[0136]
对充电起始时刻的高斯核函数充电结束时刻的高斯核函数和充电起始荷电状态的高斯核函数进行改下，得到充电起始时刻的自适应窗宽高斯核函数充电结束时刻的自适应窗宽高斯核函数和充电起始荷电状态的自适应窗宽高斯核函数表达式如下：
[0137][0138]
其中，h
s,z
、h
e,z
和h
soc,z
分别表示第z组所对应的最优窗口宽度；m1、m2和m3分别表示充电起始时刻、充电结束时刻和充电起始荷电状态的订单数据划分的组数；z
n
表示第z组的样本数量。
[0139]
在使用高斯核函数拟合概率时，会碰到边界点拟合效果较差的问题，又称“边界效应”。出现这样的原因是因为高斯核函数的取值范围为实数而拟合特征变量的取值范围有限，例如充电起始荷电状态取值范围只能为[0,100]。因此，需要对拟合函数边界点概率进行修正以满足变量取值限制条件和取值区间核函数积分为1的约束。
[0140]
平移法表征周期性拟合区间下，相邻两个拟合区间的特征变量概率分布具有相互影响的性质，影响程度大小由相邻拟合区间的原始数据相似程度决定，当相似程度为0时，等同于镜面法。镜面法是一种以边界面为中心面，将拟合区间外的概率分布映射到拟合区间内的误差补偿方法。采用高斯核函数进行密度估计时会带来的“边界效应”，需要对拟合概率分布模型进行边界修正以消除。
[0141]
可以结合平移法和镜面法对充电起始时刻和充电结束时刻两个特征变量的分布概率进行修正。
[0142]
可以通过如下公式对充电起始时刻的分布概率进行修正。
[0143][0144]
可以通过如下公式对充电结束时刻的分布概率进行修正。
[0145][0146]
使用镜面法对充电起始荷电状态的分布概率进行修正，公式如下：
[0147][0148]
图5是本发明第五实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图，如图5所示，在上述各实施例的基础上，进一步地，所述根据所述充电参数的自适应窗宽高斯核函数以及电动汽车的充电仿真参数进行电动汽车单日充电仿真，获得电动汽车的单日无序充电负荷分布包括：
[0149]
s501、获取电动汽车的充电仿真参数；其中，所述充电仿真参数包括设定数量和预设次数；
[0150]
具体地，所述服务器可以获取电动汽车的充电仿真参数，所述充电仿真参数包括电动汽车的电池容量、充电效率、最大充电时长、设定数量、预设次数等，根据实际需要进行设置，本发明实施例不做限定。其中，电动汽车的电池容量、充电效率、设定数量、预设次数根据实际需要进行设置，本发明实施例不做限定。最大充电时长可以基于历史订单数据获得。
[0151]
s502、对设定数量的电动汽车进行单日充电仿真，获得每辆电动汽车在每组时间段的充电负荷，并根据所述设定数量的电动汽车在每组时间段的充电负荷，获得单日各组时间段的充电负荷；其中，在单日充电仿真时根据所述充电参数的自适应窗宽高斯核函数抽取每辆电动汽车的充电参数；将一天平均划分为第一数量组时间段；
[0152]
具体地，所述服务器会对设定数量的电动汽车进行单日充电仿真，在单日充电仿真时会根据所述充电参数的自适应窗宽高斯核函数抽取每辆电动汽车的充电参数，获得每辆电动汽车在每组时间段的充电负荷，然后设定数量的电动汽车在每组时间段的充电负荷的充电负荷之和，获得单日充电仿真的每组时间段的充电负荷，单日充电仿真的各组时间段的充电负荷构成了单日各组时间段的充电负荷。其中，将一天平均划分为第一数量组时间段，所述第一数量根据实际需要进行设置，本发明实施例不做限定。
[0153]
例如，以30min为一个时间间隔将一天平均分为48个时间段，第一数量为48，单日充电仿真会获得每辆电动汽车在48组时间段的充电负荷分布，每辆电动汽车在48组时间段的充电负荷分布包括第1组时间段的充电负荷、第2组时间段的充电负荷、第3组时间段的充电负荷、
……
、第48组时间段的充电负荷。如果设定数量为500，那么计算500辆电动汽车在每组时间段的的充电负荷之和，获得单日充电仿真的每组时间段的充电负荷，单日充电仿真的48组时间段的充电负荷构成了单日48组时间段的充电负荷。
[0154]
s503、进行预设次数轮单日充电仿真，获得预设次数个单日第一数量组时间段的充电负荷，并根据预设次数个第一数量组时间段的充电负荷获得电动汽车的单日无序充电负荷分布。
[0155]
具体地，所述服务器进行预设次数轮单日充电仿真，每轮单日充电仿真的过程与步骤s502类似，能够获得预设次数个单日第一数量组时间段的充电负荷。所述服务器计算预设次数个相同组时间段的充电负荷的平均值，作为电动汽车在该组时间段的充电负荷，能够获得电动汽车在第一数量组时间段的充电负荷，将电动汽车在第一数量组时间段的充电负荷作为电动汽车的单日无序充电负荷分布。
[0156]
下面以一个具体的实施例来说明所述根据所述充电参数的自适应窗宽高斯核函
数以及电动汽车的充电仿真参数进行电动汽车单日充电仿真，获得电动汽车的单日无序充电负荷分布的具体过程，如图6所示，具体流程如下：
[0157]
第一步、获取电动汽车的充电仿真参数。服务器可以获取电动汽车的电池容量、电动汽车的充电效率、最大充电时长、设定数量和预设次数。
[0158]
第二步、抽取充电起始时刻、充电结束时刻和充电起始荷电状态。通过充电起始时刻的自适应窗宽高斯核函数进行充电起始时刻的随机抽样，获得当前电动汽车的充电起始时刻，通过充电结束时刻的自适应窗宽高斯核函数进行充电结束时刻的随机抽样，获得当前电动汽车的充电结束时刻，并通过充电起始荷电状态的自适应窗宽高斯核函数进行充电起始荷电状态的随机抽样，获得当前电动汽车的充电起始荷电状态。
[0159]
第三步、数据处理。计算当前电动汽车的充电结束时刻与充电开始时刻的差值，计算上述差值与电动汽车充电功率的乘积，获得充电电量，用充电电量除以电动汽车的电池容量，获得充电百分数，计算充电百分数与充电起始荷电状态之和，如果求和的结果大于1，说明数据不合理，可回到第二步进行重新抽样或者舍弃当前的电动汽车的充电截止时刻，推算电动汽车的荷电状态为100％时对应的时间，作为充电截止时刻。
[0160]
第四步、计算各组时间段的充电负荷。根据当前电动汽车的充电开始时刻和充电结束时刻以及各组时间段，获得当前电动汽车充电时长所在的时间段，根据电动汽车的充电效率各个充电时间段的乘积计算出充电时间段的充电负荷，对于当前电动汽车充电时长没有覆盖的时间段，充电负荷为0，那么可以获得当前电动汽车在各组时间段的充电负荷。
[0161]
第五步、判断本轮仿真是否完成。服务器会记录当前仿真的电动汽车的数量q1，将q1与设定数量q2进行比较，如果q1小于q2，那么本轮仿真没有完成，回到第二步，继续进行下一辆电动汽车的充电仿真，并将当前仿真的电动汽车的数量加1；如果q1等于q2，那么本轮仿真完成，将记录当前仿真的电动汽车的数量清零，进入到第六步。
[0162]
第六步、计算单日各组时间段的充电负荷。服务器计算设定数量的电动汽车每组时间段的充电负荷之和，获得单日各组时间段的充电负荷。
[0163]
第七步、判断预设次数仿真是否完成。服务器会记录当前仿真的轮数q3，将q3与预设次数q4进行比较，如果q3小于q4，那么仿真没有完成，回到第二步，开始新一轮的电动汽车的充电仿真，并将当前仿真的轮数加1；如果q3等于q4，那么仿真完成，进入到第八步。
[0164]
第八步、获得单日无序充电负荷分布。对于每组时间段，服务器会计算q4个相同组时间段的充电负荷的平均值，作为电动汽车在该组时间段的充电负荷，能够获得电动汽车在每组时间段的充电负荷，将电动汽车在第一数量组时间段的充电负荷作为电动汽车的单日无序充电负荷分布。
[0165]
其中，在第七步计算设定数量的电动汽车每组时间段的充电负荷之和的同时，服务器可以统计每组时间段的充电的电动汽车的数量；在判断出q3等于q4，仿真完成之后，所述服务器可以统计第一数量组时间段每组时间段的q4个充电的电动汽车的数量，然后计算每组时间段的q4个充电的电动汽车的数量的平均值，作为电动汽车在每组时间段的充电数量。
[0166]
将第一数量组时间段与预设数量个时段对应，电动汽车在每个时段的充电数量可以基于电动汽车在对应的时间段的充电数量获得。如果每个时段对应2组时间段，那么电动汽车在每个时段的充电数量等于电动汽车在对应的2组时间段的充电数量之和。预先设置
电动汽车的用户的种类的数量，并设置各种类型的用户的比例，计算电动汽车在每个时段的充电数量与每种类型用户在每个时段所占的百分比，即可获得每种类型用户对应的电动汽车的在各个时段的充电数量。
[0167]
图7是本发明第七实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图，如图7所示，在上述各实施例的基础上，进一步地，所述基于所述电动汽车的单日无序充电负荷分布对所述预设数量个时段进行三种时段类型划分，获得各个时段的类型包括：
[0168]
s701、根据电动汽车的单日无序充电负荷分布，获得所述预设数量个时段中每个时段的充电负荷；
[0169]
具体地，所述服务器在获得电动汽车的单日无序充电负荷分布之后，可以根据电动汽车的单日无序充电负荷分布以及每个时段统计出每个时段的充电负荷，获得所述预设数量个时段中每个时段的充电负荷。
[0170]
例如，电动汽车的单日无序充电负荷分布包括48个时间段的充电负荷，48个时间段是将一天24小时平均分成48份获得的。所述预设数量为24，是将一天24小时平均分成24份获得的。可见，24个时段中的一个时段对应48个时间段中的2个时间段，获取每个时段对应的2个时间段，并计算2个时间段的充电负荷之和，作为对应的时段的充电负荷。
[0171]
s702、根据模糊c均值聚类算法对各个时段的充电负荷进行聚类，将所述预设数量个时段划分为三种类型并获得每个时段的类型。
[0172]
具体地，所述服务器在获得各个时段的充电负荷之和，可以根据模糊c均值聚类算法对各个时段的充电负荷进行聚类，将所述据模糊c均值聚类算法对各个时段的充电负荷分为三种类型，并确定每个时段的类型。
[0173]
其中，模糊c均值聚类算法是一种基于函数最优的聚类算法，其本质是基于模糊数学理论对数据集群进行聚类划分。模糊c均值聚类算法的目标函数为：
[0174][0175]
其中，表示第j个数据点对第i个聚类中心在[0,1]区间上的隶属度值，∑u
ij
＝1，各个隶属度值构成隶属度矩阵c1,...,c
k
表示模糊组1到模糊组k的聚类中心，d
ij
＝||c
i
‑
c
j
||为第i个聚类中心与第j个数据点之间的欧几里得距离，m是一个加权指数，m∈[1,∞)，k表示数据点的数量，n表示聚类中心的数量。
[0176]
构造拉格朗日约束条件：
[0177][0178]
其中，λ
j
是n个拉格朗日乘子约束式。
[0179]
对拉格朗日约束条件进行求导，可以获得：
[0180][0181][0182]
作为聚类中心计算公式，作为隶属度值计算公式。上述两公式为求取函数极值的必要条件，其为一个反复迭代的过程。
[0183]
通过模糊c均值算法划平时段、峰时段和谷时段的具体步骤如下：
[0184]
(1)构造数据观测矩阵x，矩阵的每一行代表一个数据样本，矩阵的每一列代表数据观测值，将一天24小时平均分成24份，将24个时段的充电负荷作为数据观测值，那么数据观测矩阵x表示如下：
[0185][0186]
(2)聚类组数k＝3，即24个时段分为平时段、峰时段和谷时段三类，幂指数m>1。初始化隶属度矩阵u，保证每个聚类模糊组的隶属度和为1，即保证∑u
ij
＝1，本发明实施例选取[0,1]范围内均匀分布的随机数构造隶属度矩阵；
[0187]
(3)通过公式计算三个距离中心c1,c2,c3；
[0188]
(4)通过公式计算隶属度值形成隶属度矩阵u；
[0189]
(5)通过计算目标函数，如果第l次目标函数值与上一次目标函数值变化之差小于某一阈值ε，即满足max{||u
l
‑
u
(l
‑
1)
||}≤ε，则计算停止，否则回到步骤(3)。
[0190]
(6)在获得三种类型的时段之后，可以计算每种类型的时段中各个时段的充电负荷的平均值，获得每种类型的时段的充电负荷平均值，对比三种类型时段的充电负荷平均值，最大的充电负荷平均值对应峰时段，最小的充电负荷平均值对应谷时段，剩余的一个充电负荷平均值对应平时段。
[0191]
图8是本发明第八实施例提供的电动汽车充电站的分时运维成本测算方法的流程示意图，如图8所示，在上述各实施例的基础上，进一步地，每种类型的用户在各个时段的选择概率矩阵的获得步骤包括：
[0192]
s801、根据实施分时运维成本方案后第t个时段的运维成本、固定运维成本方案下第t个时段的运维成本、用户改变充电时刻的时差间隔数以及用户黏性模型，获得用户在实施分时运维成本方案后对第t个时段的综合黏度；其中，所述用户黏性模型是预先建立的；
[0193]
具体地，所述服务器将实施分时运维成本方案后第t个时段的运维成本、固定运维成本方案下第t个时段的运维成本、用户改变充电时刻的时差间隔数输入到用户黏性模型中，可以获得用户在实施分时运维成本方案后对第t个时段的综合黏度。其中，所述用户黏性模型是预先建立的。
[0194]
其中，用户黏性模型可以表示为：
[0195][0196]
其中，表示第i种类型用户中第j个用户在实施分时运维成本方案后对第t个时段的综合黏度，表示第i类型用户中第j个用户在实施分时运维成本方案后对第t个时段的充电价格黏度，c
i,j
表示第i种类型用户中第j个用户的出行便利黏度，α
1,i
表示第i种类型用户的价格黏度偏好系数，α
2,i
表示第i种类型用户的便利黏度偏好系数，α
1,i
∈[0,1],α
2,i
∈[0,1],α
1,i
α
2,i
＝1。
[0197]
充电价格黏度衡量用户的直接收益情况，体现用户决策前后所需支付的充电费用变化。本发明以当前正在实施的充电运维成本作为用户基准价格，基于敏感性递减原理，采用余弦函数构造充电运维成本价格与用户价格黏度之间的函数，保证用户充电决策行为符合实际情况，表示如下：
[0198][0199]
其中，表示实施分时运维成本方案后的第t个时段的充电运维成本价格，c
0,t
表示固定充电运维成本，大于等于0且小于等于1。
[0200]
出行便利黏度衡量用户的间接收益情况，以当前充电时刻为基准选取时差指标衡量运维成本变化对用户便利程度造成的影响。同样基于余弦函数表示用户便利黏度与时差之间的关系，c
i,j
表示如下：
[0201][0202]
其中，|δt|表示用户改变充电时刻的时差间隔数，|δt|为整数，c
i,j
大于等于0且小于等于1。
[0203]
s802、根据用户做出充电决策行为之后的综合黏度和用户做出充电决策行为之前的综合黏度，获得用户改变充电时段的黏度差值；
[0204]
具体地，所述服务器获取用户做出充电决策行为之前的综合黏度，然后计算用户做出充电决策行为之后的综合黏度减去用户做出充电决策行为之前的综合黏度，获得用户改变充电时段的黏度差值。
[0205]
例如，第i种类型用户中第j个用户改变充电时段的黏度差值δu
i,j
可以表示为：
[0206][0207]
其中，表示第i种类型用户中第j个用户做出充电决策行为之后的综合黏度，表示第i类人群中j用户做出充电决策行为之前的综合黏度。
[0208]
可以基于用户黏性模型计算获得。
[0209]
对于第ⅳ类用户，由于其不接受引导，所以做出充电决策行为之后的综合黏度和做出充电决策行为之前的综合黏度相等，
[0210]
s803、根据所述用户改变充电时段的黏度差值以及黏度评价公式，获得用户改变充电时段的黏度变化评价；其中，所述黏度评价公式是预设的；
[0211]
具体地，所述服务器将所述用户改变充电时段的黏度差值输入到黏度评价公式中，可以获得用户改变充电时段的黏度变化评价。其中，所述黏度评价公式是预设的。
[0212]
其中，用户对黏度变化的评价代表了用户在决策行为中的非理性价值感知，所述黏度评价公式可用价值函数表示如下：
[0213][0214]
其中，θ1表示用户对决策行为产生收益的敏感程度，θ2表示用户对决策行为产生损失的敏感程度，根据人具有损失厌恶性有1≤θ1＜θ2，δu
i,j
表示用户做出决策行为前后自身综合黏度的变化，即用户的黏度差值，α表示用户对决策行为产生收益的风险态度系数，β表示用户对决策行为产生损失的风险态度系数，α和β越大，用户越倾向于选择低概率高收益的决策行为。
[0215]
θ1和θ2的取值根据实际需要进行设置，本发明实施例不做限定。比如，取θ1＝1，θ2＝2.25。电动汽车作为一个常用的交通出行工具，现有环境下单个电动汽车用户利用时间价格差等效获取充电收益行为不具备高收益特征，因此根据累积前景理论的基本结论，设本发明实施例中电动汽车用户为保守型用户，则α和β为[0,1]区间的随机数，对收益具有渐弱敏感性，比如取α＝0.88，β＝0.88。
[0216]
s804、根据用户改变充电时段的黏度变化评价以及用户累积前景公式，获得用户的累积前景值；其中，所述用户累积前景公式是预设的；
[0217]
具体地，所述服务器将用户改变充电时段的黏度变化评价输入到用户累积前景公式中，可以获得用户的累积前景值。其中，所述用户累积前景公式是预设的。
[0218]
其中，所述用户累积前景公式表示如下：
[0219]
v(f)＝v(f

) v(f
‑
)
[0220][0221][0222]
其中，v(f)表示用户的累积前景值，v(f

)表示收益前景值，v(f
‑
)表示损失前景值，v(δu
i,j
)表示用户的黏度变化评价，π

(p
s
)表示收益累积决策权重，π
‑
(p
s
)表示损失累积决策权重，p
s
表示用户改变充电时刻的客观选择概率，b表示产生收益的时段，l表示产生损失的时段。产生收益的时段b和损失时段l是根据用户做出充电决策行为前后的时段的综合黏度作比较得来的，如果做出充电决策行为之后黏度值升高，则作出充电决策行为之后的充电时段对此用户来说是收益时段，反之为损失时段。以用户的黏度为横坐标，用户的客观选择概率为纵坐标，绘制一条斜率为1的直线，作为选择概率曲线，根据用户做出充电决策行为之后的综合黏度，为横坐标在选择概率曲线上查询对应的客户客观选择概率作为p
s
。
[0223]
累积前景理论则表示用户为非理性用户，选择概率与综合黏度的关系是非线性关系。在实际决策行为中，用户会受到个人偏好和预期回报等额外非理性心理因素的影响，因此本发明采用累积前景理论表征用户的非理性决策行为更符合实际决策情况。
[0224][0225][0226]
其中，w

(p
s
)表示第一概率权重，w
‑
(p
s
)表示第二概率权重，s表示序号，在累积前景理论决策框架下，需要将各种可能的结果按升序排列来得到该结果的下标，当为收益时段时s为正，当为损失时段时s为负。
[0227][0228][0229]
其中，δ表示风险收益态度系数，γ表示风险损失态度系数，δ和γ的具体数值根据实际需要进行设置，本发明实施例不做限定。比如取δ＝0.69，γ＝0.61。
[0230]
s805、根据用户选择第t个时段的累积前景值以及用户充电时段选择概率计算公式，获得用户选择第t个时段充电的概率；其中，用户充电时段选择概率计算公式是预设的；
[0231]
具体地，所述将用户选择第t个时段的累积前景值输入到用户充电时段选择概率计算公式中，可以获得用户选择第t个时段充电的概率。其中，所述用户充电时段选择概率计算公式是预设的。
[0232]
其中，用户累积前景效用函数e
i,j
可用用户的累积前景值v(f)与误差随机项ε
i,j
之和表示如下：
[0233]
e
i,j
＝v(f) ε
i,j
[0234]
[0235]
其中，ε
i,j
为随机误差项，用以表示其他所有无法观察到的影响，每个时段ε
i,j
相互独立且服从标准gumbel分布。
[0236]
假设用户j的可选择时段集为t，时段集t中第m个时段的效用为e
j,m
，第n个时段的效用为e
j,n
。根据效用最大化原则，当且仅当e
j,n
＞e
j,m
,时，用户选择n时刻。用户选择n时刻的概率为：
[0237][0238]
随机变量ε
j,m
和ε
j,n
均服从标准gumbel分布，且两者之间相互独立，因此ε
m,n
＝ε
j,m
‑
ε
j,n
服从标准logistic分布。可以推导出所述用户做出充电决策行为之后充电时段选择概率计算公式为：
[0239][0240]
其中，p
j,n
表示用户j选择第n个时段充电的概率，v
j,n
(f)表示用户j选择第n个时段的累积前景值。
[0241]
s806、根据每种类型的用户选择第t个时段充电的概率，获得每种类型的用户在各个时段的选择概率矩阵。
[0242]
具体地，所述服务器可以根据每种类型的用户选择第t个时段充电的概率，获得每种类型的用户在各个时段的选择概率矩阵，由于相同类型的用户具有相同的充电偏好，因此相同类型的用户的选择概率矩阵相同。
[0243]
已知第i种类型用户做出充电决策行为之前的时刻m，可计算出第i种类型的用户在各个时段n的选择概率矩阵：
[0244][0245]
其中，t表示将一天划分为预设数量个时段，表示用户从当前第m个时段选择到第n个时段充电的概率。
[0246]
下面以一个具体的实施例，来说明本发明实施例提供的电动汽车充电站的分时运维成本测算方法的实现过程。
[0247]
服务器获取充电站的历史订单数据，从历史订单数据中提取每笔订单的充电起始时刻、充电结束时刻和充电起始荷电状态。计算每笔订单的充电结束时刻和充电起始时刻的时间差，如果上述时间差小于5分钟，那么将该笔订单作为异常数据。
[0248]
对剔除异常数据的2582笔订单中的每笔订单的充电起始时刻、充电结束时刻和充电起始荷电状态，通过基本最优窗口宽度误差函数e(h)获取最优固定窗宽，可以获得充电起始时刻的最优固定窗宽为0.45小时，充电结束时刻的最优固定窗宽为0.55小时，充电起始荷电状态的最优固定窗宽为3％。
[0249]
对于充电起始时刻和充电结束时刻两个特征变量将一天的24个小时平均分为48组；对于充电起始荷电状态将100平均分为10组，基于2582笔订单的充电起始时刻、充电结束时刻和充电起始荷电状态分别建立的充电起始时刻的自适应窗宽高斯核函数、充电结束时刻的自适应窗宽高斯核函数和充电起始荷电状态的自适应窗宽高斯核函数的表达式如下：
[0250][0251]
对充电起始时刻和充电截止时刻分布概率，将后一天00:00至00:30时间段概率的1/2平移到前一天00:00至00:30时间段。以0点为镜面将前一天23:30至24:00时间段概率的1/2镜面到后一天00:00至00:30时间段；将前一天23:30至24:00时间段概率的1/2平移到后一天23:30至24:00时间段。以24点为镜面将后一天00:00至00:30时间段概率的1/2镜面到前一天23:30至24:00时间段。
[0252]
对充电起始时刻的自适应窗宽高斯核函数进行边界修正的结果如下：
[0253][0254]
对充电结束时刻的自适应窗宽高斯核函数进行边界修正的结果如下：
[0255][0256]
对充电起始荷电状态分布概率，以0为镜面将(
‑
5,0)区间概率镜面到(0,5)区间；以100为镜面将(100,105)区间概率镜面到(95,100)区间。获得的边界修正结果如下：
[0257][0258]
假设该供电区域共有500辆汽车；该供电区域未来具备充足的充电桩数量可以满足用户随时充电需求；电动汽车充电起始时刻、充电结束时刻分别满足得到的充电起始时刻的自适应窗宽高斯核函数、充电结束时刻的自适应窗宽高斯核函数且互为独立随机变量。根据充电起始时刻的自适应窗宽高斯核函数、充电结束时刻的自适应窗宽高斯核函数
以及电动汽车的充电仿真参数进行电动汽车单日充电仿真，获得电动汽车的单日无序充电负荷分布。其中，电动汽车的充电仿真参数包括电动汽车的电池容量、充电效率、最大充电时长、设定数量和预设次数。充电效率可以设为90％，设定数量为500，预设次数可以设置为100000。
[0259]
根据电动汽车的单日无序充电负荷分布，获得24个时段中每个时段的充电负荷，然后使用模糊c均值聚类算法对各个时段的充电负荷进行聚类，将24个时段划分为平时段、峰时段和谷时段三种类型，并获得每个时段所属的类型，结果如表1所示。
[0260]
表1峰平谷时段划分结果
[0261]
时段类型划分结果总时段数峰时段7:00
‑
10:00；18:00
‑
22:007平时段6:00
‑
7:00；10:00
‑
12:00；15:00
‑
18:00；22:00
‑
23:007谷时段23:00
‑
6:00；12:00
‑
15:0010
[0262]
将电动汽车的用户划分为四类，第ⅰ类用户、第ⅱ类用户、第ⅲ类用户和第ⅳ类用户的比例为5:2:2:1。四种类型的用户的价格黏度偏好系数和便利黏度偏好系数如表2所示。
[0263]
表2不同类型用户偏好系数
[0264]
用户类别价格偏好系数便利偏好系数ⅰ0.80.2ⅱ0.20.8ⅲ0.50.5ⅳ01
[0265]
充电站运营商向电网购电的基本峰、平、谷电价分别设为0.75元/kwh，0.55元/kwh，0.35元/kwh，固定充电运维成本设为0.8元/kwh。
[0266]
服务器获取每种类型用户对应的电动汽车的在各个时段的充电数量，并获得每种类型的用户在各个时段的选择概率矩阵，然后根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量，再根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷。
[0267]
服务器根据各个时段的类型、各个时段的电动汽车的充电负荷、预设参数、用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件。
[0268]
服务器基于多目标粒子群算法在运维成本约束条件下对所述分时运维成本优化目标函数进行求解，获得分时运维成本解集；
[0269]
服务器从分时运维成本解集中获得nash均衡解作为所述最优分时运维成本，获得的结果如表3所示。从表3中可以看出，电网的负荷峰谷差的减少
‑
10.23％，电网的负荷波动减少了；用户的充电费用减少
‑
5.63％，用户的充电成本降低了；充电站的净收益增加2.96％，充电站运营商的充电站运营净收益增加了。因此，通过本发明实施例提供的电动汽车充电站的分时运维成本测算方法所获得分时运维成本，使得电网的负荷波动减少、用户的充电成本降低且充电站运营商的充电站运营净收益增加，相对于现有的固定运维成本的
方案，更加合理。
[0270]
表3决策前后各主体的成本及收益
[0271][0272]
图9是本发明第九实施例提供的电动汽车充电站的分时运维成本测算装置的结构示意图，如图9所示，在上述各实施例的基础上，进一步地，本发明实施例提供的电动汽车充电站的分时运维成本测算装置包括第一获得模块901、第二获得模块902、建立模块903和优化模块904，其中：
[0273]
第一获得模块901用于根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量；其中，预先将一天划分为预设数量个时段；每种类型的用户在各个时段的选择概率矩阵是预先获得的；每种类型用户对应的电动汽车的在各个时段的充电数量是预先获得的；所述用户类型是预设的；第二获得模块902用于根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷；建立模块903用于根据各个时段的类型、各个时段的电动汽车的充电负荷、预设参数、用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件；其中，所述用户购电成本模型和所述充电站运营收益模型是预先获得的，各个时段的类型是预先获得的；优化模块904用于根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得最优分时运维成本。
[0274]
具体地，第一获得模块901可以获得每种类型的用户在各个时段的选择概率矩阵和每种类型用户对应的电动汽车的在各个时段的充电数量，然后根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量。其中，预先将一天划分为预设数量个时段，时段的划分根据实际需要进行设置，本发明实施例不做限定。所述用户类型是预设的，比如将所述用户类型
划分为四类。每种类型的用户在各个时段的选择概率矩阵是预先获得的；每种类型用户对应的电动汽车的在各个时段的充电数量是预先获得的。
[0275]
第二获得模块902可以根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷。其中，电动汽车的充电功率是预设的，为了简化计算，可以设置所有的电动汽车的充电功率相同。
[0276]
建立模块903可获得各个时段的类型和预设参数，然后基于各个时段的类型、各个时段的电动汽车的充电负荷、预设参数用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件。其中，所述用户购电成本模型和所述充电站运营收益模型是预先获得的，各个时段的类型是预先获得的。所述预设参数可以包括充电站的单日最大负荷、电动汽车的充电功率、固定充电运维成本、充电站运营商的购电电价、调峰需求时段、调峰补偿价格、惩罚价格等需要预先设置的参数。
[0277]
所述分时运维成本优化目标函数涉及到电网运营商、充电站运营商和用户三方，优化模块904可以通过多目标粒子群算法，根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得分时运维成本解集，再从所述分时运维成本解集获得最优分时运维成本。其中，分时运维成本可以包括平时段分时运维成本、峰时段分时运维成本和谷时段分时运维成本，峰时段分时运维成本高于平时段分时运维成本，平时段分时运维成本高于谷时段分时运维成本。
[0278]
本发明实施例提供的电动汽车充电站的分时运维成本测算装置，能够根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量，根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷，根据各个时段的类型、各个时段的电动汽车的充电负荷、预设参数、用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件，根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得最优分时运维成本，提高了分时运维成本的合理性。
[0279]
在上述各实施例的基础上，进一步地，优化模块904包括求解单元和第一获得单元，其中：
[0280]
求解单元用于基于多目标粒子群算法在运维成本约束条件下对所述分时运维成本优化目标函数进行求解，获得分时运维成本解集；第一获得单元用于从分时运维成本解集中获得nash均衡解作为所述最优分时运维成本。
[0281]
在上述各实施例的基础上，进一步地，本发明实施例提供的电动汽车充电站的分时运维成本测算装置还包括构建模块、仿真模块和划分模块，其中：
[0282]
构建模块用于基于充电站的历史订单数据构建充电参数的自适应窗宽高斯核函数；仿真模块根据所述充电参数的自适应窗宽高斯核函数以及电动汽车的充电仿真参数进行电动汽车单日充电仿真，获得电动汽车的单日无序充电负荷分布；划分模块基于所述电动汽车的单日无序充电负荷分布对所述预设数量个时段进行三种时段类型划分，获得各个时段的类型。
[0283]
在上述各实施例的基础上，进一步地，所述充电参数包括充电起始时刻、充电结束时刻和充电起始荷电状态；相应地，构建模块包括提取单元和建立单元，其中：
[0284]
提取单元用于从充电站的历史订单数据中提取每笔订单的充电起始时刻、充电结
束时刻和充电起始荷电状态；建立单元根据各笔订单的充电起始时刻，建立充电起始时刻的自适应窗宽高斯核函数，根据各笔订单的充电结束时刻，建立充电结束时刻的自适应窗宽高斯核函数，以及根据各笔订单的充电起始荷电状态，建立充电起始荷电状态的自适应窗宽高斯核函数。
[0285]
在上述各实施例的基础上，进一步地，仿真模块包括获取单元、第一仿真单元和第二仿真单元，其中：
[0286]
获取单元用于获取电动汽车的充电仿真参数；其中，所述充电仿真参数包括设定数量和预设次数；第一仿真单元用于对设定数量的电动汽车进行单日充电仿真，获得每辆电动汽车在每组时间段的充电负荷，并根据所述设定数量的电动汽车在每组时间段的充电负荷，获得单日各组时间段的充电负荷；其中，在单日充电仿真时根据所述充电参数的自适应窗宽高斯核函数抽取每辆电动汽车的充电参数；将一天平均划分为第一数量组时间段；第二仿真单元进行预设次数轮单日充电仿真，获得预设次数个单日第一数量组时间段的充电负荷，并根据预设次数个第一数量组时间段的充电负荷获得电动汽车的单日无序充电负荷分布。
[0287]
在上述各实施例的基础上，进一步地，划分模块包括第二获得单元和聚类单元，其中：
[0288]
第二获得单元用于根据电动汽车的单日无序充电负荷分布，获得所述预设数量个时段中每个时段的充电负荷；聚类单元根据模糊c均值聚类算法对各个时段对应的充电负荷进行聚类，将所述预设数量个时段划分为三种类型并获得每个时段的类型。
[0289]
在上述各实施例的基础上，进一步地，本发明实施例提供的每种类型的电动汽车充电站的分时运维成本测算装置还包括第三获得模块、第四获得模块、第五获得模块、第六获得模块、第七获得模块和第八获得模块，其中：
[0290]
第三获得模块用于根据实施分时运维成本方案后第t个时段的运维成本、固定运维成本方案下第t个时段的运维成本、用户改变充电时刻的时差间隔数以及用户黏性模型，获得用户的综合黏度；其中，所述用户黏性模型是预先建立的；第四获得模块用于根据用户做出充电决策行为之后的综合黏度和用户做出充电决策行为之前的综合黏度，获得用户的黏度差值；第五获得模块用于根据所述用户的黏度差值以及黏度评价公式，获得用户的黏度变化评价；其中，所述黏度评价公式是预设的；第六获得模块用于根据用户的黏度变化评价以及用户累积前景公式，获得用户的累积前景值；第七获得模块用于根据用户的累积前景值以及用户充电时段选择概率计算公式，获得用户选择第t个时段充电的概率；第八获得模块用于根据每种类型的用户选择第t个时段充电的概率，获得每种类型的用户在各个时段的选择概率矩阵。
[0291]
本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
[0292]
图10是本发明第十实施例提供的电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1001、通信接口(communications interface)1002、存储器(memory)1003和通信总线1004，其中，处理器1001，通信接口1002，存储器1003通过通信总线1004完成相互间的通信。处理器1001可以调用存储器1003中的逻辑指令，以执行如下方法：根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用
户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量；其中，预先将一天划分为预设数量个时段；每种类型的用户在各个时段的选择概率矩阵是预先获得的；每种类型用户对应的电动汽车的在各个时段的充电数量是预先获得的；所述用户类型是预设的；根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷；根据各个时段的类型、各个时段的电动汽车的充电负荷、预设参数、用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件；其中，所述用户购电成本模型和所述充电站运营收益模型是预先获得的，各个时段的类型是预先获得的；根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得最优分时运维成本。
[0293]
此外，上述的存储器1003中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0294]
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量；其中，预先将一天划分为预设数量个时段；每种类型的用户在各个时段的选择概率矩阵是预先获得的；每种类型用户对应的电动汽车的在各个时段的充电数量是预先获得的；所述用户类型是预设的；根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷；根据各个时段的类型、各个时段的电动汽车的充电负荷、预设参数、用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件；其中，所述用户购电成本模型和所述充电站运营收益模型是预先获得的，各个时段的类型是预先获得的；根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得最优分时运维成本。
[0295]
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：根据每种类型用户对应的电动汽车的在各个时段的充电数量以及每种类型的用户在各个时段的选择概率矩阵，获得各个时段的电动汽车充电数量；其中，预先将一天划分为预设数量个时段；每种类型的用户在各个时段的选择概率矩阵是预先获得的；每种类型用户对应的电动汽车的在各个时段的充电数量是预先获得的；所述用户类型是预设的；根据每个时段的电动汽车充电数量以及电动汽车的充电功率，获得每个时段的电动汽车的充电负荷；根据各个时段的类型、各个时段的电动汽车的充电负荷、预设参数、用户购电成本模型以及充电站运营收益模型，建立分时运维成本优化目标函数以及分时运维成本约束条件；其中，所述用户购电成本模型和所述充电站运营收益模型是预先获得的，各个时段的类型是预先获得
的；根据所述分时运维成本优化目标函数以及分时运维成本约束条件，获得最优分时运维成本。
[0296]
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0297]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。