[0001] 本发明属于智慧交通领域，特别是涉及一种基于效率视角的电动汽车充换电方法。

[0002] 随着新能源汽车产业的迅猛发展，电动汽车(EVs)的市场渗透率显著提升，这不仅体现了全球向低碳交通转型的决心，也反映了消费者对可持续出行方式日益增长的需求。然而，尽管电动汽车在环保性能和运行成本上展现出显著优势，其充换电效率问题却成为行业发展的关键瓶颈之一，尤其是对于那些依赖于公共充电设施的用户而言。电动汽车的充电便捷性与时间效率是两大核心考量点。长时间的充电等待及不均衡分布的充电基础设施，严重影响了用户体验，进而限制了电动汽车市场的全面拓展。这一现状凸显出充电基础设施规划与建设的紧迫性，以及优化充电技术以缩短充电周期的必要性。

[0003] 面对电动汽车保有量的激增，充换电基础设施的供需矛盾日益突出，成为制约行业发展的主要瓶颈。虽然快充技术有效提升了充电速率，但充电站的覆盖密度仍显不足。换电模式虽能实现车辆的快速补能，但高昂的建设与运营成本，加之跨品牌兼容性的缺乏，限制了其规模化应用，最终导致用户很难实现快速换电；随着电动汽车保有量日益增长，如何解决因充换电基础设施数量不足和分布不均衡导致的用户充换电效率低下的问题成为推动电动汽车市场持续健康发展的迫切需求。

[0051] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0052] 如图1，本实施方式提供一种基于效率视角的电动汽车充换电方法，在建立优化选址模型时，充分考虑了不同充换电方式的特点及其适用场景，从而制定出更合理的充换电设施布局。

[0053] 具体包括以下步骤：

[0054] S1、通过考虑四种充换电方式(慢充、快充、快充慢充结合及充电换电结合)和充换电设施的类型及现存问题，为后续充换电模型的构建提供考虑因素(变量)。例如，快充和慢充的不同技术要求和成本特性，直接影响了充电站的选址和投资规划。换电模式的高建设成本和兼容性问题，则促使优化模型在选择换电站时更加谨慎，以平衡充换电效率和用户寻站时间成本。通过对充换电方式和设施现状的深入分类和分析，本实施方式所提供的方法可以更好地适应实际需求，提高了模型的实用性和有效性，有助于优化充换电站的选址，提升充换电效率。

[0055] 为应对充换电设施分布不均和用户体验不佳的问题，提出了一种综合性的优化模型。该模型主要通过两个关键目标函数来指导选址决策：用户寻站时间成本和POI(Point of Interest在特定的地图或地理信息系统中，已经收集并记录的兴趣点数量占所有可能存在的兴趣点总数的比例，在本实施方式中，即充换电站覆盖率)覆盖率。模型的优化过程依赖于先进的算法改进策略，即进化逆转和精英策略，以提高遗传算法的搜索能力和效率。具体而言，优化模型通过最小化用户寻站时间成本，提高充换电设施的可达性和使用效率，同时最大化POI覆盖率，以优化充换电网络的布局和服务质量。

[0056] 然后对实际中的复杂不确定因素进行简化处理，具体为：

[0057] ①假设用户在选择充换电站时具有一致的行为模式，即倾向于选择距离最近的充换电站，不考虑其他因素。②假设所有车辆都有一个相同的最大行驶距离，用这个距离来约束充换电站和用户需求点之间的最大距离。③假设一个需求点只选择距离最近的充换电站，不会前往其他充换电站。④假设路网中电动汽车用户的时间成本在不同场景下保持一致，取统一的值。

[0058] S2、基于寻站时间成本和POI覆盖率两个目标函数，建立电动汽车充换电站优化选址模型；

[0059] (1)目标函数构建

[0060] S21：用户寻站时间成本

[0061]

[0062] 其中，f为用户的总寻站时间成本；N为候选点总数；Di为所有前往i节点的车辆的行驶最短路径总和；v为家用电动车辆的道路平均行驶速度；p为用户的单位时间成本；xi为决策变量，取值为1时表示区域i建设有充换电站，取值为0时表示区域i未建设充换电站；yji代表决策变量，取值为0，1，意为点j处的电动汽车是否前往充换电站i进行充换电，即点j处的电动汽车前往区域i建立的充换电站意愿，只有当区域i处建立充换电设施后，才会有车辆来此区域进行充电；wj为区域j有充换电需求的车辆数；sij为需求区域i到区域j之间的最短距离。

[0063] S22：POI覆盖率

[0064]

[0065] 式中，a为POI覆盖率，在本实施方式中，POI覆盖率为充换电站的覆盖率；Ai为区域i充换电站的POI覆盖数量；A为所有充换电站的POI覆盖数量。

[0066] (2)约束条件构建

[0067] S23：充、换电站数量约束

[0068]

[0069] 其中，M为电动汽车充换电站的规划建设数量。

[0070] S24：充换电站与需求点之间的距离约束

[0071] di≤dmax

[0072] di＝min{yjsij}，j∈N

[0073] 式中，di为区域i到距离最近的充换电站之间的距离；dmax为最大距离；yj为决策变量，当区域j建设有充换电站时取值为1，未建设充换电站时取值为∞。

[0074] S25：用户充换电约束

[0075] 为了保证在路网中，电动汽车用户只能在建设了充换电站的站点进行充换，其约束条件如下：

[0076] yji≤xi

[0077] 为了保证每个需求点都有且仅有一座充换电站提供充换电服务，其约束条件如下：

[0078]

[0079] S26：充换电站容量设置

[0080]

[0081] 其中，ci为充换电站i的容量，wj为j点有充换电需求的车辆数。

[0082] S27：采用基于相互关系的方法，将建立的充换电站选址模型从双目标转化为单目标求解。将用户寻站时间成本和POI覆盖率的比值最小作为目标函数Q。具体为：

[0083]

[0084] S3、基于进化逆转和“精英策略”改进遗传算法，通过改进遗传算法对电动汽车充换电站优化选址模型进行求解。

[0085] 为了改善遗传算法的局部搜索能力，在选择、交叉、变异之后引入了连续多次的进化逆转操作。进化逆转操作包括“进化”操作和逆转操作。在每一代，种群通过选择、交叉和变异操作进行进化，可以用以下公式表示：

[0086] P(t+1)＝G(P(t))

[0087] 其中，P(t)表示第t步的进化操作，包括选择、交叉、变异等操作；G(P(t))表示所有进化操作的组合。

[0088] 进化逆转操作的目标是恢复到之前某一代的种群状态，假设使系统恢复到第t0代，则逆转操作可表示为：

[0089] P(t)→P(t0)

[0090] 逆转每个进化操作，包括选择、交叉和变异。则可用S‑1、C‑1和M‑1分别表示逆向选择操作、逆向交叉操作和逆向变异操作，则综合逆向操作的公式如下所示：

[0091] P(t0)＝M‑1(C‑1(S‑1(P(t))))

[0092] 这里的“进化”指的是逆转算子的单方向性，即只有经过逆转后，个体的适应度值有所提高，才会被接受，否则逆转操作将被视为无效。逆转操作的核心思想是通过反转个体的某些基因位来引入变异，以探索更广泛的解空间。不同于传统的随机变异，进化逆转操作仅在逆转后提高个体的适应度时才生效，这有助于加速算法的局部搜索过程，从而更有效地发现更优的解决方案。逆转操作通过引入一定的概率，随机选择一些个体并对其基因进行逆转。若编码方式为二进制编码，逆转操作即为将二进制编码中的0变为1，1变为0，从而产生新的个体。逆转操作有助于跳出局部最优解，增加种群的多样性，促进算法的全局搜索能力。

[0093] 为了防止进化过程中产生的优秀解被交叉、变异和替换等步骤所破坏，引入精英策略，以确保优秀个体的保存。具体步骤如下：

[0094] ①选择最优个体：在每一代的进化过程中，本实施方式会选择适应度最高的个体，这些个体被称为“精英”。

[0095] ②保留精英：在交叉、变异和替换等步骤中，保证这些“精英”不会被破坏，即它们会被保留下来，进入下一代。

[0096] ③精英比例：设定一个“精英比例”，在每一代中，适应度最高的前一定比例的个体会被保留下来。

[0097] 这样可以加速算法的收敛速度，使得算法更快地找到最优解。精英策略还可以通过引入精英个数的比例来控制算法整体的收敛速度，精英个数越多收敛越快，但过多的精英个数可能会导致算法的局部收敛，从而得到局部最优解。

[0098] 将进化逆转和精英策略结合起来，进一步提高遗传算法的性能。进化逆转操作增加了种群的多样性，有助于跳出局部最优解。精英策略保留了父代的优秀个体，提高了算法的收敛速度。通过这两种改进方式的综合应用，提高遗传算法的稳定性和求解速度。

[0099] 在一些具体的实施方式中，本发明选址模型的输入变量包括四种充换电方式(如慢充、快充等)和相关约束条件(如充换电站的数量、位置距离等)，遗传算法被用来对这些输入变量进行迭代优化。遗传算法通过模拟自然界中的进化过程，对模型的输入变量进行选择、交叉和变异操作，逐步进化以寻找最优解。这一过程使得算法能够在充换电站数量和位置的多种可能配置中寻找最佳方案，具体表现为充换电站的具体位置及其覆盖的需求点。此外，本实施方式还会确保目标函数(例如用户的出行时间成本与兴趣点(POI)覆盖率的比值)达到最小值时的配置。通过这种方式，可以有效地平衡充换电站的服务效率与用户的便利性。

[0100] 实施例1

[0101] 以优化选址问题常用的25交通节点网络图作为算例进行求解。图2所示的假设网络被应用于选址优化研究，该网络由25个节点组成，节点旁边的数字表示需求量，每条边上的数字为相邻两点间的行驶时间，所有节点都被作为起点、终点和联合站的候选位置。通过图1所示方法，对选址方案结果进行分析，图3是本发明实施例改进遗传算法迭代曲线，随着迭代次数不断增加，目标函数Q即用户出行时间成本和POI覆盖率的比值不断减小。迭代曲线在迭代次数达到26次时收敛，说明已经找到了该算例的全局最优解。图4是本发明实施例对照组，为标准遗传算法迭代曲线。图5是本发明实施例选址方案结果可视化图，由算例中的路网转化成的邻接矩阵绘制而成。其中图5中较大的点为充换电站，较小的点为未建设充换电站的需求点，每个较大的点负责与其颜色相同的需求点。从两图的结果中可知，图4展示了使用标准遗传算法的迭代曲线，随着迭代次数的增加，目标函数的值逐渐减小，但收敛速度相对较慢。而图5为本发明改进遗传算法后的选址方案，其迭代曲线表明改进算法能够更快速地找到全局最优解。特别是引入了进化逆转和精英策略后，算法收敛速度明显加快，表明改进后的算法在优化充换电站选址问题上更加有效。

[0102] 本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

[0103] 以上所述仅为本发明的较佳实施例而已，并非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作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。