电气工程及其自动化论文哪里有？本文具体研究成果如下： （1）以功能区为划分标准，对电动汽车停车数据集进行深度挖掘与分析，采用 GMM 模型得到电动汽车达到各功能区的时间分布，到达时的 SOC 值分布，以及日均行驶里程分布；采用负指数分布模型得到次均行驶里程分布，并验证了拟合优度，为后续的充电需求预测模型提供参考依据。
1 绪论
1.2 国内外研究现状
充电站规划建设的研究主要有如下两个流程：合理预测特定区域的电动汽车充电需求；根据充电需求的时空分布确定充电设施的配置，以满足该特定区域的充电需求。
1.2.1 电动汽车充电需求预测研究现状
合理的电动汽车充电需求预测是电动汽车充电站规划的重要前提，也为后续的分析电动汽车充电对电网的影响与有序充电提供参考依据。然而电动汽车目前仍处于“婴幼儿”阶段，这导致整体基数太小，数据样本不足，用户的行驶行为以及充电行为都存在很强的不确定性，也增加了充电需求预测的难度。目前以充电站规划为目标的电动汽车充电需求预测方法主要区分为两大类，数据分析法和出行链模拟。
数据分析法首先需要对电动汽车的历史运行数据进行分析与挖掘，总结可以代表其行驶特性的数学分布规律，并且结合特定规划区域内电动汽车的保有量以及能耗水平，计算得出每日的电动汽车充电需求[12]，在得到电动汽车充电需求的空间分布以后，进一步分析电动汽车的历史充电数据研究其时间分布特性，建立合理且有效的预测模型[13]。有学者认为电动汽车充电需求的时间分布与空间分布并不相关[14]，因此许多基于数据分析法预测电动汽车充电需求的文章都往往只考虑了两个方面的其中之一。例如文献[15]提出能量等效法这一概念，将燃油车加油量等效折算成电动汽车的充电量，根据充电站的最大充电设施利用率求算对应的充电负荷，便可合理得出充电需求的空间分布情况。文献[16]将电动汽车按照车辆类型区分开，分别根据各类型车辆行驶行为与充电行为特点得到平均每日充电需求电量，根据交通路网的车流量分布按比例分配充电需求电量，即可得到电动汽车充电需求的空间分布情况。文献[17]按照城市中各个配电节点划分区域，再结合车流量得到各个区域的充电需求空间分布情况。文献[18]首先将预测区域划分为多个小的方块，以各个方块的中心位置代表充电需求的空间分布，各个方块的电动汽车充电需求之和即为预测区域的整个充电需求预测结果。文献[19]同样是对预测区域进行划分，通过城市交通车流量推算每小时每个小区内电动汽车的车流量，并结合电动汽车的充电概率推算各个小区内每小时的充电需求，进而得到每个小区内充电需求的时间分布情况。文献[20-24]将原有的充电负荷数据作为基础，研究了各类机器学习方法（人工神经网络，支持向量机和复杂时间序列等）在电动汽车充电需求预测中的应用。
3 各功能区电动汽车充电需求预测
3.1 GMM 样本抽样方法
对于 GMM 这种复杂模型，首先想到的方法是蒙特卡洛采样方法（Monte Carlo，MC）中的接受拒绝采样法（Acceptance-Rejection Sampling，ARS）。这种方法适用于样本数据服从于某种非常见概率分布模型，且已知模型的函数表达式 f(x) ，反函数难以求解或不存在的情况[44]。首先要找到一个常见的概率分布模型 g(x) ，例如正态分布或者对数正态分布，这种模型需要具备的特点是可以采用直接采样法生成随机变量样本。并且还要找到一个常数c ，使得 x 在研究需要的取值范围内，f(x) 总在 c g(x)P的下方，即对于任意一个ix ，总有 ( ) ( )i ic g x f x 。然后通过直接采样法得到服从 q(x) 分布的一个样本ix ，再从均匀分布 (0,1) 中随机采样一个值U 。对于这个样本ix 是否被接受为服从 f(x) 分布的一个样本，需要进行如下判断。如果 ( ) ( )i iU c g x f x ，则拒绝接受样本ix ；如果 ( ) ( )i iU c g x f x ，则接受这个样本ix 。重复上述过程则可以得到 n 个服从 f(x) 分布的样本1 2( , ,..., )nx x x 。 f(x) 与c g(x)PŸ 4之间的距离越近，则接受率越高。然而，接受拒绝采样法中仍存在两个问题。第一个问题是很难找到一个常见的概率分布模型 g(x) ，使得 f(x) 总在c g(x)P的下方，需要通过作图的方法反复试验。第二个问题是如果 f(x) 与c g(x)之间的距离很远，则抽取出的样本接受率很低，总体的抽样效率也很低。
4 基于排队论模型的充电站规划建设
4.1 排队论
本章计划采用排队论模型规划建设充电站，在模型的求解过程中以充电站内的社会总成本最小为目标函数，同时兼顾充电站的投资运营成本和电动汽车用户在充电站内的逗留时间成本，并且考虑电动汽车用户排队等候时间，充电设施利用率等约束条件，找到充电站内充电设施数量的最优解，从而高质量地满足该区域的充电需求。
排队论又被叫做随机服务系统理论，属于运筹学理论范围，常常作为重要的数学方法用来分析系统随机聚合与离散现象以及随机服务系统工作过程。排队论着重研究服务对象到达服务台时间间隔分布规律和服务对象被服务时间分布规律，得出等待时间、排队时间、忙期长短，逗留时间，服务台利用率等量化指标的统计规律，然后基于这些统计规律，以系统的建设运营成本最低或者其他某些系统运行指标最优等为目标函数，重新以高效为目标去组织被服务对象，又或者改进服务系统的内部结构，使得服务对象可以得到更优质的服务质量[46]。
排队论系统大致包括输入过程、排队服务规则和服务机构这三个组成部分。输入内容为服务对象到达服务台时间间隔分布规律，一般用单位时间内服务对象到达数量分布或者两个服务对象前后相继到达服务台的时间间隔分布来进行描述。排队服务规则有损失制、等待制和混合制三种；当服务对象到达服务台时，如果所有服务台都已经被占用，则服务对象一直排队等候，此为等待制，在等待制中，为服务对象进行服务的规则又分为先到先服务，先到后服务，随机服务或者优先权服务（例如银行接待 VIP 客户）；当服务对象到达时，如果所有服务台都已经被占用，而服务对象选择立刻离开，此为损失制；有些服务系统因为空间有限，如果超过服务系统所能接受的排队长度极限，则剩余的排队等待则必须选择离开系统，此为混合制。服务机构可以由一个服务台或者多个服务台组成，而多个服务台也可以采用串联排列或者并联排列。
4.2 排队论模型参数设置
由上文已知，排队论模型的一般表示形式为：X/Y/Z/A/B/C。在本文的研究中，将通过排队论来模拟充电站内电动汽车的充电规律，研究充电设施数量与充电站内社会成本的关系，进一步建立站内充电设施配置的优化模型，对站内充电设施的数量进行寻优。排队论在本设计中的具体应用步骤如下：
（1）基于数据分析处理，对充电站内电动汽车的到达时间间隔分布规律、服务时间分布规律等方面进行分析，确定其数学分布类型；
（2）基于相关假设和电动汽车用户的充电规律，确定充电站内排队模型的类型，得到各项指标的计算方法，作为后续充电站内充电设施配置优化模型中的一部分。
对于充电站这种排队系统，结合实际情况，做出如下假设：
（1）充电站的充电设施数目是大于 1 的，记为 s 个；
（2）不考虑充电站的空间容量限制，即充电站可以保持输入输出平衡；
（3）不考虑充电站的服务对象数目上限，即充电站可以满足服务范围内所需要的充电需求；
（4）充电站内的服务规则默认为先到先服务。
故只需确定充电站排队系统的 X 和 Y，即电动汽车相继到达充电站的时间间隔分布规律和电动汽车充电时长分布规律。首先模拟每日车辆的到达各功能区的时间分布情况，并结合分层充电决策模型决定是否充电，记录下来每次充电的时间，以此得到后续排队论模型中所要用到的电动汽车达到时间间隔分布以及充电时长分布。经过计算，三个区域的电动汽车到达时间间隔分布均服从负指数分布规律，充电服务时间均服从正太分布规律，且各参数一致。以居民区为例，其具体结果见图 4-2 与图 4-3。
总结与展望
5.2 展望
由于时间限制以及作者能力限制，仍有许多可以深入研究却并没有来得及的内容，具体有以下几点：
（1）由于资源的局限性，本文研究所用到的数据时间仅为 2021 年 1 月份，此时北京尚属于冬季，气温偏低，电动汽车的续航里程以及电池容量都会受到影响。未来的研究中应该扩大数据的时间范围，将气温偏低，气温正常以及气温偏高时电动汽车的续航里程与电池容量变化都考虑在内。未来随着数据丰富度的提升，有助于建立更准确，更具备时效性的电动汽车模型。
（2）本文在建立充电决策行为模型时虽然已经考虑到了很多因素，但仍有许多因素未能考虑在内，例如不同时段的电价，车辆的停留时间，充电桩的功率等，未来时间充裕时，应该考虑在此基础上进一步加入此类影响因素，建立更加全面的充电行为决策模型。
（3）在建立公共充电站时，将以充电站内的社会总成本最小为目标函数，尽管同时兼顾充电站的投资运营方和电动汽车用户，但如果前来充电时需要排队，用户未必“买账”。并且在规划时未考虑配电网约束，一定程度上缺乏可实施性。
参考文献（略）
