CN106408452A - 含多分布式电源配电网的电动汽车充电站优化配置方法 - Google Patents

Abstract

含多分布式电源配电网的电动汽车充电站优化配置方法，包括以下步骤：1、定义“EV充电站的模糊服务半径”新概念；2、重新分配多个EV充电站之间模糊服务半径交叠区域的隶属度；3、构建计及DG影响的环境代价函数；4、构建优化模型中的年均收益函数、年均建设代价函数和多目标约束条件；5、构建以年均纯利润最大化为目标的优化目标函数；6、采用PSO算法求解优化模型，经过寻优迭代，搜索出优化目标函数的适应值最佳的优化配置方案。

Description

含多分布式电源配电网的电动汽车充电站优化配置方法

技术领域

本发明涉及一种含多分布式电源配电网的电动汽车充电站选址定容的优化配置，属电气工程和新能源技术领域。

背景技术

以新能源技术为基础的分布式电源(Distributed Generator,DG)和电动汽车(Electric vehicle,EV)在世界各国得到广泛发展。我国把新能源发电技术和电动汽车列为战略性新兴产业，新能源DG和EV将成为未来中国的发展主流，多DG和EV大量接入配电网已成为必然趋势。电动汽车充电站作为重要的EV配套设施，若无序接入配电网会引起大量谐波和电流畸变问题。对电动汽车充电站进行优化配置具有重要意义。

目前，与电动汽车充电站优化配置相关的研究成果，大多局限于对充电设施的选址原则、成本费用及运行模式方面的研究。实际上，一方面，电动汽车直接用配电网的传统电能充电，实际产生的间接碳排放量并不比传统燃油汽车低，在多DG并入配电网时，需要充分考虑DG因素来提高对新能源利用率，发挥EV真正的低碳减排作用；另一方面现有研究成果采用确定性地充电站服务半径，未考虑到人与人之间的主观认知差异，缺乏柔性机制和灵活性。专利成果方面，尽管与电动汽车充电站相关的成果较多，但大部分集中于EV充电站本身结构的设计，如申请号为CN201610080929.9，CN201610080099.X，CN201610023420.0分别提出了一种用于电动汽车的智能化充电站、多功能充电站、防水汽腐蚀充电站；还有一部分注重于EV充电站的充电管理和控制，如CN201410809367.8，CN201510976719.3分别提出了一种考虑电网保护的充电站控制***和一种基于充电预约的充电管理方法；而少数关于EV充电站选址定容优化配置的成果，如CN201510627316.8，CN201310404628.3，CN201210391040.4的发明专利分别提出了一种基于确定***半径约束条件的选址方法、一种考虑交通网络的规划方法和一种基于两阶段优化的选址定容方法，但其所提方法均未涉及模糊服务半径概念且未充分考虑多DG并网影响。本发明专利针对EV充电站的选址定容问题进行研究，充分考虑多DG并入配电网的前景，提出了EV充电站的模糊服务半径新概念，提出了一种基于模糊服务半径的、计及DG因素、交通流量、电能质量和建设成本的EV充电站选址定容优化配置的新模型，以及通过粒子群算法(Particle Swarm Optimization,PSO)寻优迭代求解最优配置的方法。

发明内容

本发明要克服现有EV充电站优化配置方法不能有效适用于含多DG配电网以及服务半径缺乏柔性机制的问题，提出了EV充电站的模糊服务半径新概念，提出了一种基于模糊服务半径的、计及DG因素、交通流量、电能质量和建设成本的EV充电站优化配置新模型和通过PSO算法求解出最优的含多DG配电网EV充电站选址定容配置的方法，并具有较好的经济性和优化效果。

本发明为实现上述目的，提出了一种采用PSO算法求解的、能够有效适用于含多分布式电源配电网的EV充电站优化配置方法，所述多分布式电源是指新能源开发利用和分布式发电技术背景下的多个分布式电源接入配电网，所述优化配置方法是指在满足多目标约束条件下EV充电站的最佳选址和容量配置。所述优化配置方法，包括以下步骤：

1、定义“EV充电站的模糊服务半径”新概念；在考虑人与人之间的认知差异具有模糊性的条件下，用一个基于模糊理论的隶属度表征EV充电站服务半径的覆盖效果，使充电站的位置满足方便用户充电的距离要求；单个EV充电站的模糊服务半径的隶属度用表示，表征第j个节点位置的EV车主选择第i个充电站服务的概率，以第j个节点位置与第i个充电站的距离d_ij为自变量，隶属度取值范围在数值[0，1]区间；单个EV充电站的隶属度函数表示式如式(1)(2)所示；其中为用于替换的中间变量，θ₁为服务半径的最小距离阈值，θ₂为服务半径的最大距离阈值；当节点处于充电站的θ₁范围内隶属度取最大限制值为1，当节点处于充电站的θ₁～θ₂范围之间隶属度呈S特性下降，当节点超出充电站的θ₂范围时隶属度为0；

2、重新分配多个EV充电站之间模糊服务半径交叠区域的隶属度；当存在多个EV充电站，则处于它们的服务半径最大阈值范围内的交叠部分的隶属度需要按比例进行重新分配，用于防止由于充电站距离过近而导致隶属度累加而溢出的问题，分配运算如式(3)所示；其中为经过重新分配后的模糊服务半径隶属度；

3、构建计及DG影响的环境代价函数；考虑到新能源DG发电出力的间歇性，EV充电站与DG配合能够提高新能源利用率和降低间接碳排放，构建计及DG影响的环境代价函数如下式(4)(5)所示；其中C^en表示总的年均环境代价，N为预期建设EV充电站的总数，α为碳排放治理的费用折算率，η为新能源DG的平均利用率，ε₁为能耗与距离的折算率，ε₂为充电站间接碳排放折算率；D_i为第i个充电站到DG的最短馈线距离,和分别为第i个充电站的年均消耗电能和充电装置数量；τ₁为年总时数，P_DG为新能源发电功率，P_W为新能源向电网输送功率；

4、构建优化模型中的年均收益函数、年均建设代价函数和多目标约束条件；EV充电站优化配置在计算获得较高年均收益的同时，还需要综合考虑多个因素的制约包括EV数量、交通流量、电能质量、设备成本和建设成本；

步骤401，构建EV数量和交通流量的约束条件如式(6)(7)所示，其中δ^tr表示所有充电站覆盖到的总EV流量，为第j个节点位置的车流量，z^ev表示规划区域内的电动汽车市场占有率，N为预期建设EV充电站的数量，M为规划区域内的总节点数，为最小EV流量限制值；

步骤402，构建基于EV流量的年均收益函数，如式(8)所示；其中B^pr为所有充电站年均收益，λ₁为每辆EV每次充电的平均消费，λ₂为EV每次充电的平均电能成本，β₁为电动汽车每年在充电站充电的平均次数，β₂为包括人员工资和维护费用的运行成本折算系数；

B^pr＝β₁δ^tr(λ₁-λ₂)(1-β₂) (8)

步骤403，构建保证供电可靠性的电能质量约束条件如式(9-11)所示；式中V_j为第j个节点的电压幅值，和分别为它的电压幅值下限和上限；I_h为第h条线路的电流，为它的最大电流限制值，H^Line为馈线总数；为第i个充电站的充电功率，为规划区域允许接入的EV充电负荷的最大功率；

步骤404，构建包括土地成本、设备成本和基建成本在内的约束条件和年均建设代价函数，如式(12-14)所示；其中变量的下标i表示对应第i个充电站，为征地面积，为所处位置的土地单价，为充电装置数量，为配电变压器数量，为充电站的其他基础建设成本；C_Σ为年均建设代价，T^ye为目标运行年限，C^ev为充电装置单价，C^tr配电变压器单价，λ₄为EV最大同时充电概率；λ₅为单个配电变压器能为多个充电装置提供电力的比率；

5、构建以年均纯利润最大化为目标的优化目标函数，如式(15)所示；式中目标函数表示最大化年均纯利润，f的取值即优化过程的适应值，由年平均收益B^pr减去年均建设代价C_Σ和年均环境代价C^en得到；

max f＝B^pr-C_Σ-C^en (15)

6、采用PSO算法求解优化模型，经过寻优迭代，搜索出优化目标函数的适应值最佳的优化配置方案；

步骤601，粒子群初始化；生成初始粒子种群，粒子的初始位置在规划区域内随机赋值，粒子的初始速度在其阈值范围内随机赋值；

步骤602，适应值计算；将粒子群的当前位置坐标进行映射，将其归属到距离最近的EV充电站候选节点，按式(15)计算每个粒子的适应值；

步骤603，更新个体极值和全局极值；对于满足不等式约束条件的粒子，若其中存在粒子的适应值优于该粒子曾找到的最优位置，则更新它的个体极值；若目前的全局最优粒子优于到目前为止它们搜索到的全局极值，则更新全局极值；

步骤604，将每个粒子的坐标和速度分为横轴和纵轴二组数据处理，按式(16-19)进行粒子状态的迭代更新，并且限制粒子速度的最大阈值为v^max；其中w为惯性权重；c₁和c₂为加速因子；r₁和r₂为[0,1]之间的随机数；上、下标k、n、γ的含义分别是第k次迭代时在第n维的第γ个粒子，上标k+1表示下一次迭代，和分别表示它的横向和纵向坐标，和分别表示它的横向和纵向速度，和分别表示个体极值的横向和纵向坐标，和分别表示全局极值的横向和纵向坐标；

步骤605，若迭代次数达到最大值，进入步骤606；否则返回步骤602循环操作；

步骤606，输出优化结果；将最优解的粒子解码，输出其映射的EV充电站选址位置和容量配置，作为EV充电站优化配置的最佳方案。

本发明的有益效果主要表现在：1、定义了“EV充电站的模糊服务半径”新概念，并提出了多个EV充电站之间模糊服务半径交叠区域隶属度的重新分配方法；2、构建了一种基于模糊服务半径的、计及DG因素、交通流量、电能质量和建设成本的EV充电站选址定容优化配置的新模型；3、提出了一种通过PSO算法求解优化模型，得出含多DG配电网EV充电站配置最优方案的方法；4、所提模型和方法能够在兼顾环境代价和建设成本的同时谋求年均纯利润最大化，可为新能源发电技术和电动汽车产业的共同发展提供技术支撑。

附图说明

图1为本发明方法的总体框图。

图2为模糊服务半径隶属度的函数曲线图。

图3为含四个DG的IEEE 34节点配电网的拓扑结构图。

图4为新能源DG按24小时划分的平均功率曲线图。

图5为PSO寻优迭代过程中的最优适应值收敛过程图。

具体实施方式

下面结合实施例及附图对本发明作进一步的详细说明，但本发明的实施方式不限于此。实施例中一种含多分布式电源配电网的电动汽车充电站优化配置方法的总体框图如附图1所示，包括以下步骤：

1、定义“EV充电站的模糊服务半径”新概念；在考虑人与人之间的认知差异具有模糊性的条件下，用一个基于模糊理论的隶属度表征EV充电站服务半径的覆盖效果，使充电站的位置满足方便用户充电的距离要求；单个EV充电站的模糊服务半径的隶属度用表示，表征第j个节点位置的EV车主选择第i个充电站服务的概率，以第j个节点位置与第i个充电站的距离d_ij为自变量，隶属度取值范围在数值[0，1]区间；单个EV充电站的隶属度函数表示式如式(1)(2)所示；模糊服务半径的特性曲线如图2所示；

2、重新分配多个EV充电站之间模糊服务半径交叠区域的隶属度；当存在多个EV充电站，则处于它们的服务半径最大阈值范围内的交叠部分的隶属度需要按比例进行重新分配，用于防止由于充电站距离过近而导致隶属度累加而溢出的问题，分配运算如式(3)所示；

3、构建计及DG影响的环境代价函数；考虑到新能源DG发电出力的间歇性，EV充电站与DG配合能够提高新能源利用率和降低间接碳排放，构建计及DG影响的环境代价函数如下式(4)(5)所示；

4、构建优化模型中的年均收益函数、年均建设代价函数和多目标约束条件；EV充电站优化配置在计算获得较高年均收益的同时，还需要综合考虑多个因素的制约包括EV数量、交通流量、电能质量、设备成本和建设成本；

步骤401，构建EV数量和交通流量的约束条件如式(6)(7)所示；

步骤402，构建基于EV流量的年均收益函数，如式(8)所示；

步骤403，构建保证供电可靠性的电能质量约束条件如式(9-11)所示；

步骤404，构建包括土地成本、设备成本和基建成本在内的约束条件和年均建设代价函数，如式(12-14)所示；

5、构建以年均纯利润最大化为目标的优化目标函数，如式(15)所示；

6、采用PSO算法求解优化模型，经过寻优迭代，搜索出优化目标函数的适应值最佳的优化配置方案；

步骤601，粒子群初始化；生成初始粒子种群，粒子的初始位置在规划区域内随机赋值，粒子的初始速度在其阈值范围内随机赋值；

步骤602，适应值计算；将粒子群的当前位置坐标进行映射，将其归属到距离最近的EV充电站候选节点，按式(15)计算每个粒子的适应值；

步骤603，更新个体极值和全局极值；对于满足不等式约束条件的粒子，若其中存在粒子的适应值优于该粒子曾找到的最优位置，则更新它的个体极值；若目前的全局最优粒子优于到目前为止它们搜索到的全局极值，则更新全局极值；

步骤604，将每个粒子的坐标和速度分为横向和纵向二组数据处理，分别按式(16-19)进行粒子状态的迭代更新，并且限制粒子速度的最大阈值为v^max；

步骤605，若迭代次数达到最大值，进入步骤606；否则返回步骤602循环操作；

步骤606，输出优化结果；将最优解的粒子解码，输出其映射的EV充电站选址位置和容量配置，作为EV充电站优化配置的最佳方案。

下面以IEEE 34节点配电网为实施例，进一步说明本发明的操作过程，添加四个DG在并入配电网的拓扑结构，用DG₁～DG₄命名四个DG，它们的并网位置如图3所示。四个新能源DG发电特性，其中按24小时划分的平均功率曲线如图4所示。规划区域总面积2110.29km²，东西跨度146.65km，南北跨度14.39km；用MATLAB/simulink建模仿真，步骤4中约束条件中的基础数据，包括各节点的电力负荷数据如表1所示，交通车流量、基础建设成本、土地类型、土地价格数据如表2所示。

表1电力负荷数据

表2各节点数据

在该算例中，在参考标准文件《电动汽车电能供给与保障技术规范：充电站》基础上，对所提优化模型中的参数和阈值进行合理的设置，其中无量纲并用“--”标注，如表3所示。

表3相关优化参数表

针对图3所示IEEE 34节点配电网，基于步骤1和步骤2建立模糊服务半径隶属度的计算方法，再利用步骤3-4建立EV充电站优化配置数学模型中的约束条件，按照表3参数设置进行计算步骤5的优化目标函数作为适应值，并利用MATLAB软件进行步骤6的PSO寻优迭代过程，求解优化配置模型。其中粒子群参数设置：规模选取50，加速因子为c₁＝c₂＝1.2，速度限制v^max＝600，最大迭代次数200次。迭代过程中全局极值的适应值收敛过程如图5所示，优化后的效果相对于初始配置提升了41.25万元/年。达到最大迭代次数后，得到优化配置结果映射到***节点为{808,818,852,844,860}；最优配置的输出优化内容如表4所示。

表4输出最优结果

算例分析显示，本发明所提方法能在含多DG配电网中对EV充电站进行有效的优化配置，基于定义的模糊服务半径隶属度使最优配置结果具有柔性机制，还可兼顾新能源DG的利用率，并具有较好的经济性和优化效果。

如上所述，便可较好地实现本发明，上述实施例仅为本发明的典型实施例，并非用来限定本发明的实施范围，即凡依本发明内容所作的均等变化与修饰，都为本发明权利要求所要求保护的范围所涵盖。

Claims (1)

1.含多分布式电源配电网的电动汽车充电站优化配置方法，包括如下步骤：

步骤1、定义“EV充电站的模糊服务半径”新概念；在考虑人与人之间的认知差异具有模糊性的条件下，用一个基于模糊理论的隶属度表征EV充电站服务半径的覆盖效果，使充电站的位置满足方便用户充电的距离要求；单个EV充电站的模糊服务半径的隶属度用表示，表征第j个节点位置的EV车主选择第i个充电站服务的概率，以第j个节点位置与第i个充电站的距离d_ij为自变量，隶属度取值范围在数值[0，1]区间；单个EV充电站的隶属度函数表示式如式(1)(2)所示；其中为用于替换的中间变量，θ₁为服务半径的最小距离阈值，θ₂为服务半径的最大距离阈值；当节点处于充电站的θ₁范围内隶属度取最大限制值为1，当节点处于充电站的θ₁～θ₂范围之间隶属度呈S特性下降，当节点超出充电站的θ₂范围时隶属度为0；

${\widehat{\mathrm{\&mu;}}}_{ij}^{cd}=\left\{\begin{array}{cc}1,& d_{ij}\&le;{\mathrm{\&theta;}}_1\\ \frac{e^{-d_{ij}^{*}}}{1+e^{-d_{ij}^{*}}},& {\mathrm{\&theta;}}_1<d_{ij}<{\mathrm{\&theta;}}_2\\ 0,& {\mathrm{\&theta;}}_2\&le;d_{ij}\end{array}\right.---\left(1\right)$

$d_{ij}^{*}=8(d_{ij}-{\mathrm{\&theta;}}_1)/({\mathrm{\&theta;}}_2-{\mathrm{\&theta;}}_1)-4---\left(2\right)$

步骤2、重新分配多个EV充电站之间模糊服务半径交叠区域的隶属度；当存在多个EV充电站，则处于它们的服务半径最大阈值范围内的交叠部分的隶属度需要按比例进行重新分配，用于防止由于充电站距离过近而导致隶属度累加而溢出的问题，分配运算如式(3)所示；其中为经过重新分配后的模糊服务半径隶属度；

${\mathrm{\&mu;}}_{ij}^{cd}=\left\{\begin{array}{cc}{\widehat{\mathrm{\&mu;}}}_{ij}^{cd}/\underset{i=1}{\overset{N}{\&Sigma;}}{\widehat{\mathrm{\&mu;}}}_{ij}^{cd},& \underset{i=1}{\overset{N}{\&Sigma;}}{\widehat{\mathrm{\&mu;}}}_{ij}^{cd}>1\\ {\widehat{\mathrm{\&mu;}}}_{ij}^{cd},& \underset{i=1}{\overset{N}{\&Sigma;}}{\widehat{\mathrm{\&mu;}}}_{ij}^{cd}\&le;1\end{array}\right.---\left(3\right)$

步骤3、构建计及DG影响的环境代价函数；考虑到新能源DG发电出力的间歇性，EV充电站与DG配合能够提高新能源利用率和降低间接碳排放，构建计及DG影响的环境代价函数如下式(4)、(5)所示；其中C^en表示总的年均环境代价，N为预期建设EV充电站的总数，α为碳排放治理的费用折算率，η为新能源DG的平均利用率，ε₁为能耗与距离的折算率，ε₂为充电站间接碳排放折算率；D_i为第i个充电站到DG的最短馈线距离,和分别为第i个充电站的年均消耗电能和充电装置数量；τ₁为年总时数，P_DG为新能源发电功率，P_W为新能源向电网输送功率；

$C^{en}=\underset{i=1}{\overset{N}{\&Sigma;}}\mathrm{\&alpha;}(1-\mathrm{\&eta;})({\mathrm{\&epsiv;}}_1{D}_i{N}_i^{ev}{\mathrm{\&tau;}}_1+{\mathrm{\&epsiv;}}_2{E}_i^{cd})---\left(4\right)$

$\mathrm{\&eta;}=\frac{{\&Integral;}_0^{{\mathrm{\&tau;}}_1}{P}_{W}dt}{{\&Integral;}_0^{{\mathrm{\&tau;}}_1}{P}_{DG}dt}\&times;100\%---\left(5\right)$

步骤4、构建优化模型中的年均收益函数、年均建设代价函数和多目标约束条件；EV充电站优化配置在计算获得较高年均收益的同时，还需要综合考虑多个因素的制约包括EV数量、交通流量、电能质量、设备成本和建设成本；

步骤401，构建EV数量和交通流量的约束条件如式(6)(7)所示，其中δ^tr表示所有充电站覆盖到的总EV流量，为第j个节点位置的车流量，z^ev表示规划区域内的电动汽车市场占有率，N为预期建设EV充电站的数量，M为规划区域内的总节点数，为最小EV流量限制值；

${\mathrm{\&delta;}}^{tr}=\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{M}{\&Sigma;}}{z}^{ev}{\mathrm{\&mu;}}_{ij}^{cd}{\mathrm{\&delta;}}_j^{tr}---\left(6\right)$

$\underset{j=1}{\overset{M}{\&Sigma;}}{z}^{ev}{\mathrm{\&mu;}}_{ij}^{cd}{\mathrm{\&delta;}}_j^{tr}\&GreaterEqual;{\mathrm{\&delta;}}_{\min }^{tr},i=1,2...N---\left(7\right)$

步骤402，构建基于EV流量的年均收益函数，如式(8)所示；其中B^pr为所有充电站年均收益，λ₁为每辆EV每次充电的平均消费，λ₂为EV每次充电的平均电能成本，β₁为电动汽车每年在充电站充电的平均次数，β₂为包括人员工资和维护费用的运行成本折算系数；

B^pr＝β₁δ^tr(λ₁-λ₂)(1-β₂) (8)

步骤403，构建保证供电可靠性的电能质量约束条件如式(9-11)所示；式中V_j为第j个节点的电压幅值，和分别为它的电压幅值下限和上限；I_h为第h条线路的电流，为它的最大电流限制值，H^Line为馈线总数；P_i ^ev为第i个充电站的充电功率，为规划区域允许接入的EV充电负荷的最大功率；

$V_j^{\min }\&le;V_j\&le;V_j^{max},j=1,2...M---\left(9\right)$

$\left|I_h\right|\&le;I_h^{\max },h=1,2...,H^{Line}---\left(10\right)$

$\underset{i=1}{\overset{N}{\&Sigma;}}{P}_i^{ev}\&le;P_{max}^{ev}---\left(11\right)$

步骤404，构建包括土地成本、设备成本和基建成本在内的约束条件和年均建设代价函数，如式(12-14)所示；其中变量的下标i表示对应第i个充电站，为征地面积，为所处位置的土地单价，为充电装置数量，为配电变压器数量，为充电站的其他基础建设成本；C_Σ为年均建设代价，T^ye为目标运行年限，C^ev为充电装置单价，C^tr配电变压器单价，λ₄为EV最大同时充电概率；λ₅为单个配电变压器能为多个充电装置提供电力的比率；

$C_{\mathrm{\&Sigma;}}=\frac{1}{T^{ye}}\underset{i=1}{\overset{N}{\&Sigma;}}\&lsqb;S_i^{ev}(C_i^{gr}+C_i^{bu})+N_i^{ev}{C}^{ev}+N_i^{tr}{C}^{tr}\&rsqb;---\left(12\right)$

$N_i^{ev}\&GreaterEqual;{\mathrm{\&lambda;}}_4\underset{j=1}{\overset{M}{\&Sigma;}}{z}^{ev}{\mathrm{\&mu;}}_{ij}^{cd}{\mathrm{\&delta;}}_j^{tr},i=1,2...N---\left(13\right)$

$N_i^{tr}\&GreaterEqual;{\mathrm{\&lambda;}}_5{N}_i^{ev},i=1,2...N---\left(14\right)$

步骤5、构建以年均纯利润最大化为目标的优化目标函数，如式(15)所示；式中目标函数表示最大化年均纯利润，f的取值即优化过程的适应值，由年平均收益B^pr减去年均建设代价C_Σ和年均环境代价C^en得到；

max f＝B^pr-C_Σ-C^en (15)

步骤6、采用PSO算法求解优化模型，经过寻优迭代，搜索出优化目标函数的适应值最佳的优化配置方案；

步骤601，粒子群初始化；生成初始粒子种群，粒子的初始位置在规划区域内随机赋值，粒子的初始速度在其阈值范围内随机赋值；

步骤602，适应值计算；将粒子群的当前位置坐标进行映射，将其归属到距离最近的EV充电站候选节点，按式(15)计算每个粒子的适应值；

步骤603，更新个体极值和全局极值；对于满足不等式约束条件的粒子，若其中存在粒子的适应值优于该粒子曾找到的最优位置，则更新它的个体极值；若目前的全局最优粒子优于到目前为止它们搜索到的全局极值，则更新全局极值；

步骤604，将每个粒子的坐标和速度分为横轴和纵轴二组数据处理，按式(16-19)进行粒子状态的迭代更新，并且限制粒子速度的最大阈值为v^max；其中w为惯性权重；c₁和c₂为加速因子；r₁和r₂为[0,1]之间的随机数；上、下标k、n、γ的含义分别是第k次迭代时在第n维的第γ个粒子，上标k+1表示下一次迭代，和分别表示它的横向和纵向坐标，和分别表示它的横向和纵向速度，和分别表示个体极值的横向和纵向坐标，和分别表示全局极值的横向和纵向坐标；

${\stackrel{\&OverBar;}{v}}_{\mathrm{\&gamma;}n}^{k+1}=w\&CenterDot;{\stackrel{\&OverBar;}{v}}_{\mathrm{\&gamma;}n}^k+c_1{r}_1({\stackrel{\&OverBar;}{p}}_{\mathrm{\&gamma;}n}^k-x_{\mathrm{\&gamma;}n}^k)+c_2{r}_2({\stackrel{\&OverBar;}{p}}_{gn}^k-x_{\mathrm{\&gamma;}n}^k)---\left(16\right)$

$v_{\mathrm{\&gamma;}n}^{k+1}=w\&CenterDot;v_{\mathrm{\&gamma;}n}^k+c_1{r}_1(p_{\mathrm{\&gamma;}n}^k-y_{\mathrm{\&gamma;}n}^k)+c_2{r}_2(p_{gn}^k-y_{\mathrm{\&gamma;}n}^k)---\left(17\right)$

$x_{\mathrm{\&gamma;}n}^{k+1}={\stackrel{\&OverBar;}{v}}_{\mathrm{\&gamma;}n}^{k+1}+x_{\mathrm{\&gamma;}n}^k---\left(18\right)$

$y_{\mathrm{\&gamma;}n}^{k+1}=v_{\mathrm{\&gamma;}n}^{k+1}+y_{\mathrm{\&gamma;}n}^k---\left(19\right)$

步骤605，若迭代次数达到最大值，进入步骤606；否则返回步骤602循环操作；

步骤606，输出优化结果；将最优解的粒子解码，输出其映射的EV充电站选址位置和容量配置，作为EV充电站优化配置的最佳方案。