| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-26页 |
| 1.1 研究背景及研究意义 | 第12-16页 |
| 1.2 国内外充电设施建设发展及选址研究现状 | 第16-22页 |
| 1.2.1 国内外充电设施建设发展现状 | 第16-19页 |
| 1.2.2 国内外充电设施选址研究现状 | 第19-22页 |
| 1.3 目前存在的问题 | 第22-23页 |
| 1.4 本文主要研究内容和框架 | 第23-24页 |
| 1.5 本章小结 | 第24-26页 |
| 2 充电站选址的相关理论方法 | 第26-36页 |
| 2.1 电动汽车充电需求预测 | 第27-30页 |
| 2.1.1 基于路网流量的充电需求预测 | 第27-28页 |
| 2.1.2 基于车辆轨迹信息的充电需求预测 | 第28-29页 |
| 2.1.3 基于统计特征数据的充电需求预测 | 第29-30页 |
| 2.2 电动汽车充电站选址模型 | 第30-34页 |
| 2.2.1 基于P中值法的点需求选址模型 | 第30-32页 |
| 2.2.2 基于截流选址法的流量需求选址模型 | 第32-33页 |
| 2.2.3 其他选址模型 | 第33-34页 |
| 2.3 电动汽车充电站选址模型的求解算法 | 第34-35页 |
| 2.3.1 精确求解算法 | 第34页 |
| 2.3.2 元启发式算法 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 3 北京市电动出租车充电需求仿真与识别 | 第36-52页 |
| 3.1 充电需求产生的过程 | 第36-37页 |
| 3.2 影响北京市电动出租车充电需求的参数 | 第37-44页 |
| 3.2.1 北京市乘客出行需求距离 | 第38-40页 |
| 3.2.2 北京市乘客出行时间 | 第40-42页 |
| 3.2.3 北京市电动出租车电池电量状态 | 第42-44页 |
| 3.3 蒙特卡洛仿真法模拟充电需求产生的过程 | 第44-50页 |
| 3.3.1 蒙特卡洛仿真原理 | 第45-46页 |
| 3.3.2 充电需求仿真的过程 | 第46-48页 |
| 3.3.3 北京市电动出租车充电需求识别 | 第48-50页 |
| 3.4 本章小结 | 第50-52页 |
| 4 北京市电动出租车充电站选址模型构建 | 第52-62页 |
| 4.1 北京市电动出租车充电站候选建站区域 | 第52-53页 |
| 4.2 影响北京市电动出租车充电站选址的因素 | 第53-56页 |
| 4.2.1 土地成本 | 第53-54页 |
| 4.2.2 充电站设施及运营成本 | 第54-55页 |
| 4.2.3 电动出租车充电时间成本 | 第55-56页 |
| 4.2.4 电动出租车充电经济成本 | 第56页 |
| 4.3 北京市电动出租车充电站低约束选址模型 | 第56-59页 |
| 4.3.1 选址模型的构建 | 第56-58页 |
| 4.3.2 低约束模型——对选址模型约束条件的优化 | 第58-59页 |
| 4.4 北京市电动出租车充电站服务范围和充电容量划分 | 第59-61页 |
| 4.5 本章小结 | 第61-62页 |
| 5 北京市电动出租车充电站选址模型求解及优化 | 第62-88页 |
| 5.1 基本粒子群算法求解 | 第62-67页 |
| 5.2 粒子群算法与P中值算法求解结果对比 | 第67-72页 |
| 5.2.1 基于P中值模型的P中值算法求解 | 第67-71页 |
| 5.2.2 粒子群算法与P中值算法选址结果对比 | 第71-72页 |
| 5.3 禁忌粒子群算法求解 | 第72-78页 |
| 5.3.1 基本粒子群算法的缺陷与禁忌搜索算法 | 第72-73页 |
| 5.3.2 禁忌粒子群算法求解过程 | 第73-77页 |
| 5.3.3 禁忌粒子群算法对选址结果的优化 | 第77-78页 |
| 5.4 粒子群算法相关参数的敏感性分析 | 第78-80页 |
| 5.4.1 拟建充电站数目 | 第78-79页 |
| 5.4.2 个体认知和社会认知 | 第79-80页 |
| 5.5 优化后的北京市电动出租车充电站选址结果 | 第80-87页 |
| 5.6 本章小结 | 第87-88页 |
| 6 结论 | 第88-90页 |
| 参考文献 | 第90-94页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第94-98页 |
| 学位论文数据集 | 第98页 |