CN111626493B - 一种考虑充电服务能力和运行效率的充电网络规划方法 - Google Patents

一种考虑充电服务能力和运行效率的充电网络规划方法 Download PDF

Info

Publication number
CN111626493B
CN111626493B CN202010440229.2A CN202010440229A CN111626493B CN 111626493 B CN111626493 B CN 111626493B CN 202010440229 A CN202010440229 A CN 202010440229A CN 111626493 B CN111626493 B CN 111626493B
Authority
CN
China
Prior art keywords
charging
electric vehicle
network
chromosome
charging network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010440229.2A
Other languages
English (en)
Other versions
CN111626493A (zh
Inventor
钱科军
谢鹰
张政
童充
李亚飞
朱丹
张新松
卢成
曹书秀
徐杨杨
朱建峰
姜柯柯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nantong University
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong University, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Nantong University
Priority to CN202010440229.2A priority Critical patent/CN111626493B/zh
Publication of CN111626493A publication Critical patent/CN111626493A/zh
Application granted granted Critical
Publication of CN111626493B publication Critical patent/CN111626493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明涉及电动汽车充电网络规划技术领域，具体涉及一种考虑充电服务能力和运行效率的充电网络规划方法。包括以下步骤：S1：设定规划边界条件，包括：交通网络拓扑结构与参数，电动汽车满充状态下的最大续航里程，充电站候选地址，充电站建设总数，充电桩配置总数，单个充电站充电桩配置数目上限；S2：建立同时考虑第一优化目标为充电网络充电服务能力最大和第二优化目标为运行效率最高的电动汽车充电网络优化规划模型；S3：根据电动汽车充电网络优化规划模型的特征设计染色体编码方案以及交叉、变异操作算子，采用遗传算法求解电动汽车充电网络优化规划模型，给出电动汽车充电网络最优建设方案。本发明提高充电网络的充电服务能力与运行效率。

Description

一种考虑充电服务能力和运行效率的充电网络规划方法
技术领域
本发明涉及电动汽车充电网络规划技术领域，具体涉及一种考虑充电服务能力和运行效率的充电网络规划方法。
背景技术
近年来，随着化石燃料的逐渐枯竭与环境污染的日益加剧，以电动汽车为代表的清洁能源交通工具日益普及。作为电动汽车补充能量的重要场所之一，电动汽车充电站成为支撑电动汽车产业发展的重要基础设施之一。不合理的电动汽车充电网络不仅会降低电动汽车车主使用车辆的便利性，而且将压制公众的电动汽车购买意愿，阻碍电动汽车产业的进一步发展。因此，有必要对电动汽车充电网络建设方案进行优化，提高充电服务能力与运行效率。
通过分析电动汽车充电站等级、电动汽车规模以及距离之间的相互影响关系，文献一《基于引力模型的电动汽车充电站选址规划》(电工电能新技术，2016年，第35卷，第5期，第61页至66页)给出了充电站与电动汽车之间的相互吸引模型，并以此为基础建立了考虑未来发展的电动汽车充电站规划模型，对充电站建设地址进行了优化。然而，该文献没有充分考虑电动汽车充电网络的充电服务能力与运行效率，且未对各充电站的建设容量进行优化，具有明显的局限性。文献二《考虑顾客满意度的电动汽车充电桩规划策略》(可再生能源，2017年，第35卷，第6期，第933页至第939页)根据排队理论提出了考虑顾客等待时间和充电桩利用率的满意度函数，并以此为目标对电动汽车充电站中的充电桩配置数目进行优化，接着，以配电***电压降最小为优化目标，通过模拟退火算法对充电站建设地址进行了优化。该文献实现了电动汽车充电网络中充电站建设地址和充电桩配置数目的优化，但未充分考虑电动汽车充电网络的充电服务能力和运行效率，具有一定的局限性。文献三《电动汽车充电设施分层递进式定址定容最优规划》(电测与仪表，2014年，第51卷，第11期，第114页至第119页)，根据交通、地理、需求等因素，采用层次分析法确定电动汽车充电站候选地址，在此基础上建立以总建设成本最小为目标，以充电需求和线路传输容量为约束的电动汽车充电站建设地址优化模型，并采用遗传算法求解模型，实现了对电动汽车充电站建设地址的优化。该文献提出的方法没有充分考虑电动汽车充电网络的充电服务能力和运行效率，且没有对充电站中的充电桩配置数目进行优化，具有一定的局限性。
电动汽车充电站是电动汽车充电的重要场所之一，也是支撑电动汽车产业发展的重要基础设施。不合理的电动汽车充电网络不仅降低电动汽车车主使用车辆便利性，还会压制公众的电动汽车购买意愿，阻碍电动汽车产业的进一步发展。因此，亟需提出电动汽车充电网络规划方法，通过优化电动汽车充电站的建设地址和充电桩配置数目，提升电动汽车充电网络的充电服务能力和运行效率。然而，现有技术方法在电动汽车充电网络规划中均未充分考虑其充电服务能力与运行效率，难以为电动汽车充电网络建设提供参考。
发明内容
本发明针对现有技术中存在的不足，本发明的目的是提供一种考虑充电服务能力和运行效率的充电网络规划方法，能够在充电站建设数目和充电桩配置总数给定的情况下，优化电动汽车充电站建设地址和充电桩配置数目，尽可能提高电动汽车充电网络的充电服务能力与运行效率，给出电动汽车充电网络最优建设方案。
本发明为实现上述发明目的，采取的技术方案如下：
一种考虑充电服务能力和运行效率的充电网络规划方法，包括以下步骤：S1：设定规划边界条件，包括：交通网络拓扑结构与参数，电动汽车满充状态下的最大续航里程，充电站候选地址，充电站建设总数，充电桩配置总数，单个充电站充电桩配置数目上限；S2：建立同时考虑第一优化目标为充电网络充电服务能力最大和第二优化目标为运行效率最高的电动汽车充电网络优化规划模型；S3：根据电动汽车充电网络优化规划模型的特征设计染色体编码方案以及交叉、变异操作算子，采用遗传算法求解电动汽车充电网络优化规划模型，给出电动汽车充电网络最优建设方案。
作为本发明的优选技术方案：步骤S2所述的电动汽车充电网络优化规划模型，具体如下：
电动汽车充电网络优化规划模型的第一优化目标是电动汽车充电网络充电服务能力最大，具体如公式(1)所示：
Figure BDA0002503806180000021
公式(1)中，Fc为电动汽车充电网络截获的总车流量；Q为交通网络中的最短路径集合；q为路径索引；yq为表征路径q上的车流量能否被截获的二进制变量，与电动汽车充电站建设位置，电动汽车满充状态下的最大续航里程以及路径长度等多种因素有关，当值为“1”表示能被截获，当值为“0”表示不能被截获；fq为路径q上的车流量，可通过公式(2)给出的重力空间互动模型计算：
Figure BDA0002503806180000022
公式(2)中，WO为路径q起点O的权重；WD为路径q终点D的权重；dq为路径q的长度；
电动汽车充电网络优化规划模型的第二优化目标是电动汽车充电网络的运行效率最高，具体如公式(3)所示：
Figure BDA0002503806180000031
公式(3)中，Vmatch为电动汽车充电网络中各充电站截获的车流量与充电桩配置数目间的匹配度，可对电动汽车充电网络的运行效率进行衡量，Vmatch取值越小，说明各充电站截获的车流量与充电桩配置数目间的匹配度越好，电动汽车充电网络的运行效率越高。电动汽车充电网络中，应在截获车流量大的充电站中配置较多数量的充电桩，否则，电动汽车在这些充电站中将面临过长的充电等待时间，降低电动汽车充电网络运行效率；同样，截获车流量少的充电站中应配置较少数量的充电桩，否则，这些充电站中的充电桩资源将得不到充分利用，降低电动汽车充电网络的运行效率；M为充电站建设总数；j为充电网络中的充电站索引，j＝1,2,···,M；zj为充电站j中的充电桩配置数目，是电动汽车充电网络优化规划模型中的整数优化变量；Fc,j为充电站j截获的车流量，由公式(4)进行计算：
Figure BDA0002503806180000032
公式(4)中，Ωj为交通网络中途经充电站j的路径集合。
作为本发明的优选技术方案：所述电动汽车充电网络优化规划模型的约束条件如公式(5)至公式(7)所示，公式(5)为充电站建设数目约束，具体如下：
Figure BDA0002503806180000033
公式(5)中，Nsta为充电站候选地址总数；i为候选地址索引；xi是电动汽车充电网络优化规划模型中0-1优化变量(i＝1,2,3,···,Nsta)，当取“1”表示在候选地址i建设充电站，当取“0”表示不在候选地址i建设充电站；
公式(6)为电动汽车充电网络优化规划模型中的充电桩配置总数约束，具体如下：
Figure BDA0002503806180000034
公式(6)中，Cpile为电动汽车充电网络优化规划模型中的充电桩配置总数；
公式(7)为单个充电站中的充电桩配置数目约束，具体如下：
1≤zj≤zmax j＝1,2,…,M (7)
公式(7)中，zmax为单个充电站充电桩配置数目的上限。
作为本发明的优选技术方案：步骤S3所述的电动汽车充电网络优化规划模型的求解步骤具体如下：S3.1：设定遗传算法参数，包括：种群规模Npop，交叉率Pc，变异率Pm与最大进化代数Gmax；S3.2：随机生成由Npop条染色体组成的初始种群；所述初始种群中的染色体为Nsta个码位组成的二进制码串，第i个码位取值为“1”时在候选地址i建设充电站，否则为不在候选地址i建设充电站；公式(5)给出的约束条件表明，电动汽车充电网络中的充电站建设总数为M，因此各染色体中有且仅有M个码位取值为“1”；S3.3：进化代数索引g初始化为0，即令g＝0；S3.4：令g＝g+1，开始进行第g代进化，染色体索引k初始化为1，即令k＝1；S3.5：对当前种群中的第k条染色体进行解码，确定M个电动汽车充电站在交通网络中的建设位置，根据截流选址模型计算电动汽车充电网络截获的总车流量Fc和各充电站分别截获的车流量Fc,j(j＝1,2,···,M)，按公式(8)确定第k条染色体的适应度Vfit,k：
Vfit,k＝Fc (8)
S3.6：求解以公式(3)为优化目标，公式(6)与公式(7)为约束的非线性整数规划问题，确定第k条染色体对应的电动汽车充电网络建设方案中各充电站的充电桩配置数目；
S3.7：判断是否完成对当前种群中所有染色体的适应度计算，即判断染色体索引k是否等于种群规模Npop；若k<Npop，则令k＝k+1，并跳转至步骤S3.5，继续计算种群中其它染色体的适应度和对应的充电站充电桩配置数目；否则，继续执行下一步骤S3.8；
S3.8：判断是否到达最大进化代数，即判断进化代数索引g是否等于最大进化代数Gmax；
若g＝Gmax，则继续执行步骤S3.9；否则，以适应度为依据，对当前染色体种群进行复制、交叉与变异操作，更新染色体种群，并跳转至步骤S3.4；
S3.9：将当前种群中适应度最高的染色体对应的充电网络建设方案作为电动汽车充电网络最优规划方案输出，结束算法流程。
作为本发明的优选技术方案：步骤S3.2所述的初始种群中的染色体的取值步骤如下：
(1)将染色体所***位赋值为“0”；(2)从染色体中随机挑选M个码位，将赋值由“0”改为“1”。
作为本发明的优选技术方案：步骤S3.8所述的交叉操作算子，具体步骤如下：(a)从当前染色体种群中随机选取两条染色体作为待交叉染色体；(b)反复随机生成待选交叉位Ncan(1<Ncan<Nsta)，直至找到可行交叉位Ncr；(c)以交叉概率Pc交换两条染色体交叉位Ncr后二进制码串，完成交叉操作。
作为本发明的优选技术方案：步骤(b)所述的Ncr为可行交叉位的条件是两条待交叉染色体第Ncan个码位后取值为“1”的码位数一致。
作为本发明的优选技术方案：步骤S3.8所述的变异操作算子，具体步骤如下：步骤一：从当前染色体种群中随机选取一条染色体作为待变异染色体；步骤二：随机生成两个待变异码位Nmu1与Nmu2(1<Nmu1<Nsta，1<Nmu2<Nsta)；步骤三：以变异概率Pm同时对待变异码位Nmu1与Nmu2进行变异操作，取值为“1”的待变异码位变异为“0”，取值为“0”的待变异码位变异为“1”。
作为本发明的优选技术方案：步骤二所述的两个待变异码位Nmu1与Nmu2的取值不能同时为“1”或同时为“0”。
本发明所述的一种考虑充电服务能力和运行效率的充电网络规划方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明在考虑充电站建设数目和充电桩配置总数给定的情况下，优化电动汽车充电站建设地址和充电桩配置数目，提高了电动汽车充电网络的充电服务能力与运行效率，给出了电动汽车充电网络最优建设方案。
附图说明
图1是本发明提出的方法流程示意图；
图2是本发明提出的电动汽车充电网络优化规划模型的求解步骤示意图；
图3为本发明的交叉操作流程示意图；
图4为本发明的变异操作流程示意图。
具体实施方式
下面结合附图详细的描述本发明的作进一步的解释说明,以使本领域的技术人员可以更深入地理解本发明并能够实施,但下面通过参考实例仅用于解释本发明,不作为本发明的限定。
如图1所示，一种考虑充电服务能力和运行效率的充电网络规划方法，包括以下步骤：S1：设定规划边界条件，包括：交通网络拓扑结构与参数，电动汽车满充状态下的最大续航里程，充电站候选地址，充电站建设总数，充电桩配置总数，单个充电站充电桩配置数目上限；S2：建立同时考虑第一优化目标为充电网络充电服务能力最大和第二优化目标为运行效率最高的电动汽车充电网络优化规划模型；S3：根据电动汽车充电网络优化规划模型的特征设计染色体编码方案以及交叉、变异操作算子，采用遗传算法求解电动汽车充电网络优化规划模型，给出电动汽车充电网络最优建设方案。
步骤S2所述的电动汽车充电网络优化规划模型，具体如下：
电动汽车充电网络优化规划模型的第一优化目标是电动汽车充电网络充电服务能力最大，具体如公式(1)所示：
Figure BDA0002503806180000061
公式(1)中，Fc为电动汽车充电网络截获的总车流量；Q为交通网络中的最短路径集合；q为路径索引；yq为表征路径q上的车流量能否被截获的二进制变量，与电动汽车充电站建设位置，电动汽车满充状态下的最大续航里程以及路径长度等多种因素有关，当值为“1”表示能被截获，当值为“0”表示不能被截获；fq为路径q上的车流量，可通过公式(2)给出的重力空间互动模型计算：
Figure BDA0002503806180000062
公式(2)中，WO为路径q起点O的权重；WD为路径q终点D的权重；dq为路径q的长度；
电动汽车充电网络优化规划模型的第二优化目标是电动汽车充电网络的运行效率最高，具体如公式(3)所示：
Figure BDA0002503806180000063
公式(3)中，Vmatch为电动汽车充电网络中各充电站截获的车流量与充电桩配置数目间的匹配度，可对电动汽车充电网络的运行效率进行衡量，Vmatch取值越小，说明各充电站截获的车流量与充电桩配置数目间的匹配度越好，电动汽车充电网络的运行效率越高；电动汽车充电网络中，应在截获车流量大的充电站中配置较多数量的充电桩，否则，电动汽车在这些充电站中将面临过长的充电等待时间，降低电动汽车充电网络运行效率；同样，截获车流量少的充电站中应配置较少数量的充电桩，否则，这些充电站中的充电桩资源将得不到充分利用，降低电动汽车充电网络的运行效率；M为充电站建设总数；j为充电网络中的充电站索引，j＝1,2,···,M；zj为充电站j中的充电桩配置数目，是电动汽车充电网络优化规划模型中的整数优化变量；Fc,j为充电站j截获的车流量，由公式(4)进行计算：
Figure BDA0002503806180000064
公式(4)中，Ωj为交通网络中途经充电站j的路径集合。
所述电动汽车充电网络优化规划模型的约束条件如公式(5)至公式(7)所示，公式(5)为充电站建设数目约束，具体如下：
Figure BDA0002503806180000071
公式(5)中，Nsta为充电站候选地址总数；i为候选地址索引；xi是电动汽车充电网络优化规划模型中0-1优化变量(i＝1,2,3,···,Nsta)，当取“1”表示在候选地址i建设充电站，当取“0”表示不在候选地址i建设充电站；
公式(6)为电动汽车充电网络优化规划模型中的充电桩配置总数约束，具体如下：
Figure BDA0002503806180000072
公式(6)中，Cpile为电动汽车充电网络优化规划模型中的充电桩配置总数；
公式(7)为单个充电站中的充电桩配置数目约束，具体如下：
1≤zj≤zmax j＝1,2,…,M (7)
公式(7)中，zmax为单个充电站充电桩配置数目的上限。
如图2所示，步骤S3所述的电动汽车充电网络优化规划模型的求解步骤具体如下：S3.1：设定遗传算法参数，包括：种群规模Npop，交叉率Pc，变异率Pm与最大进化代数Gmax；S3.2：随机生成由Npop条染色体组成的初始种群；所述初始种群中的染色体为Nsta个码位组成的二进制码串，第i个码位取值为“1”时在候选地址i建设充电站，否则为不在候选地址i建设充电站；公式(5)给出的约束条件表明，电动汽车充电网络中的充电站建设总数为M，因此，各染色体中有且仅有M个码位取值为“1”；为确保染色体满足该要求，初始种群中的染色体的取值步骤如下：(1)将染色体所***位赋值为“0”；(2)从染色体中随机挑选M个码位，将赋值由“0”改为“1”；
S3.3：进化代数索引g初始化为0，即令g＝0；S3.4：令g＝g+1，开始进行第g代进化，染色体索引k初始化为1，即令k＝1；S3.5：对当前种群中的第k条染色体进行解码，确定M个电动汽车充电站在交通网络中的建设位置，根据截流选址模型计算电动汽车充电网络截获的总车流量Fc和各充电站分别截获的车流量Fc,j(j＝1,2,···,M)，按公式(8)确定第k条染色体的适应度Vfit,k：
Vfit,k＝Fc (8)
S3.6：求解以公式(3)为优化目标，公式(6)与公式(7)为约束的非线性整数规划问题，确定第k条染色体对应的电动汽车充电网络建设方案中各充电站的充电桩配置数目；
S3.7：判断是否完成对当前种群中所有染色体的适应度计算，即判断染色体索引k是否等于种群规模Npop；若k<Npop，则令k＝k+1，并跳转至步骤S3.5，继续计算种群中其它染色体的适应度和对应的充电站充电桩配置数目；否则，继续执行下一步骤S3.8；
S3.8：判断是否到达最大进化代数，即判断进化代数索引g是否等于最大进化代数Gmax；
若g＝Gmax，则继续执行步骤S3.9；否则，以适应度为依据，对当前染色体种群进行复制、交叉与变异操作，更新染色体种群，并跳转至步骤S3.4；
S3.9：将当前种群中适应度最高的染色体对应的充电网络建设方案作为电动汽车充电网络最优规划方案输出，结束算法流程。
如图3所示，步骤S3.8中的交叉操作算子，具体步骤如下：(a)从当前染色体种群中随机选取两条染色体作为待交叉染色体；(b)反复随机生成待选交叉位Ncan(1<Ncan<Nsta)，直至找到可行交叉位Ncr；Ncr为可行交叉位的条件是两条待交叉染色体第Ncan个码位后取值为“1”的码位数一致；(c)以交叉概率Pc交换两条染色体交叉位Ncr后二进制码串，完成交叉操作。
如图4所示，步骤S3.8中的变异操作算子，具体步骤如下：步骤一：从当前染色体种群中随机选取一条染色体作为待变异染色体；步骤二：随机生成两个待变异码位Nmu1与Nmu2(1<Nmu1<Nsta，1<Nmu2<Nsta)；两个待变异码位Nmu1与Nmu2的取值不能同时为“1”或同时为“0”；步骤三：以变异概率Pm同时对待变异码位Nmu1与Nmu2进行变异操作，取值为“1”的待变异码位变异为“0”，取值为“0”的待变异码位变异为“1”。
具体的，本发明建立了电动汽车充电网络优化规划模型，优化变量为各充电站的建设地址和充电桩配置数目，优化目标为充电网络充电服务能力最大与充电网络运行效率最高，约束条件包括：充电站建设数目约束，充电桩配置总数约束与单个充电站充电桩配置数目约束。两个优化目标中：充电网络服务能力由其截获的总车流量衡量；充电网络运行效率由各充电站截获的车流量和充电桩配置数目之间的匹配度衡量。电动汽车充电网络优化规划模型为同时包含0、1优化变量和整数优化变量的非线性混合整数规划问题，可采用遗传算法进行求解。为采用遗传算法求解电动汽车充电网络优化规划模型，根据待求优化模型的特征设计染色体编码方案以及交叉与变异操作算子。染色体解码后，可确定充电站的建设地址，并采用截流选址模型计算充电网络截获的总车流量和各种充电站截获的车流量，在此基础上，优化各充电站中的充电桩配置数目，尽可能提高充电网络的运行效率。求解中，预先设定最大进化代数，一旦遗传算法进化到此最大进化代数，便认为算法收敛，输出规划结果。
以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。

Claims (8)

1.一种考虑充电服务能力和运行效率的充电网络规划方法，其特征在于，包括以下步骤：
S1：设定规划边界条件，包括：交通网络拓扑结构与参数，电动汽车满充状态下的最大续航里程，充电站候选地址，充电站建设总数，充电桩配置总数，单个充电站充电桩配置数目上限；
S2：建立同时考虑第一优化目标为充电网络充电服务能力最大和第二优化目标为运行效率最高的电动汽车充电网络优化规划模型；
S3：根据电动汽车充电网络优化规划模型的特征设计染色体编码方案以及交叉、变异操作算子，采用遗传算法求解电动汽车充电网络优化规划模型，给出电动汽车充电网络最优建设方案；
步骤S2所述的电动汽车充电网络优化规划模型，具体如下：
电动汽车充电网络优化规划模型的第一优化目标是电动汽车充电网络充电服务能力最大，具体如公式(1)所示：
Figure FDA0003632496750000011
公式(1)中，Fc为电动汽车充电网络截获的总车流量；Q为交通网络中的最短路径集合；q为路径索引；yq为表征路径q上的车流量能否被截获的二进制变量，当值为“1”表示能被截获，当值为“0”表示不能被截获；fq为路径q上的车流量，可通过公式(2)给出的重力空间互动模型计算：
Figure FDA0003632496750000012
公式(2)中，WO为路径q起点O的权重；WD为路径q终点D的权重；dq为路径q的长度；
电动汽车充电网络优化规划模型的第二优化目标是电动汽车充电网络的运行效率最高，具体如公式(3)所示：
Figure FDA0003632496750000013
公式(3)中，Vmatch为电动汽车充电网络中各充电站截获的车流量与充电桩配置数目间的匹配度；M为充电站建设总数；j为充电网络中的充电站索引，j＝1,2,…,M；zj为充电站j中的充电桩配置数目；Fc,j为充电站j截获的车流量，由公式(4)进行计算：
Figure FDA0003632496750000021
公式(4)中，Ωj为交通网络中途经充电站j的路径集合。
2.根据权利要求1所述的一种考虑充电服务能力和运行效率的充电网络规划方法，其特征在于，所述电动汽车充电网络优化规划模型的约束条件如公式(5)至公式(7)所示，公式(5)为充电站建设数目约束，具体如下：
Figure FDA0003632496750000022
公式(5)中，Nsta为充电站候选地址总数；i为候选地址索引；xi是电动汽车充电网络优化规划模型中0-1优化变量(i＝1,2,3,…,Nsta)，当取“1”表示在候选地址i建设充电站，当取“0”表示不在候选地址i建设充电站；
公式(6)为电动汽车充电网络优化规划模型中的充电桩配置总数约束，具体如下：
Figure FDA0003632496750000023
公式(6)中，Cpile为电动汽车充电网络优化规划模型中的充电桩配置总数；
公式(7)为单个充电站中的充电桩配置数目约束，具体如下：
1≤zj≤zmax j＝1,2,…,M (7)
公式(7)中，zmax为单个充电站充电桩配置数目的上限。
3.根据权利要求2所述的一种考虑充电服务能力和运行效率的充电网络规划方法，其特征在于，步骤S3所述的电动汽车充电网络优化规划模型的求解步骤具体如下：
S3.1：设定遗传算法参数，包括：种群规模Npop，交叉率Pc，变异率Pm与最大进化代数Gmax；
S3.2：随机生成由Npop条染色体组成的初始种群；所述初始种群中的染色体为Nsta个码位组成的二进制码串，第i个码位取值为“1”时在候选地址i建设充电站，否则为不在候选地址i建设充电站；各染色体中有且仅有M个码位取值为“1”；
S3.3：进化代数索引g初始化为0，即令g＝0；
S3.4：令g＝g+1，开始进行第g代进化，染色体索引k初始化为1，即令k＝1；
S3.5：对当前种群中的第k条染色体进行解码，确定M个电动汽车充电站在交通网络中的建设位置，根据截流选址模型计算电动汽车充电网络截获的总车流量Fc和各充电站分别截获的车流量Fc,j(j＝1,2,…,M)，按公式(8)确定第k条染色体的适应度Vfit,k：
Vfit,k＝Fc (8)
S3.6：求解以公式(3)为优化目标，公式(6)与公式(7)为约束的非线性整数规划问题，确定第k条染色体对应的电动汽车充电网络建设方案中各充电站的充电桩配置数目；
S3.7：判断是否完成对当前种群中所有染色体的适应度计算，即判断染色体索引k是否等于种群规模Npop；若k<Npop，则令k＝k+1，并跳转至步骤S3.5，继续计算种群中其它染色体的适应度和对应的充电站充电桩配置数目；否则，继续执行下一步骤S3.8；
S3.8：判断是否到达最大进化代数，即判断进化代数索引g是否等于最大进化代数Gmax；
若g＝Gmax，则继续执行步骤S3.9；否则，以适应度为依据，对当前染色体种群进行复制、交叉与变异操作，更新染色体种群，并跳转至步骤S3.4；
S3.9：将当前种群中适应度最高的染色体对应的充电网络建设方案作为电动汽车充电网络最优规划方案输出，结束算法流程。
4.根据权利要求3所述的一种考虑充电服务能力和运行效率的充电网络规划方法，其特征在于，步骤S3.2的初始种群中的染色体的取值步骤如下：
(1)将染色体所***位赋值为“0”；
(2)从染色体中随机挑选M个码位，将赋值由“0”改为“1”。
5.根据权利要求3所述的一种考虑充电服务能力和运行效率的充电网络规划方法，其特征在于，步骤S3.8的交叉操作算子，具体步骤如下：
(a)从当前染色体种群中随机选取两条染色体作为待交叉染色体；
(b)反复随机生成待选交叉位Ncan(1<Ncan<Nsta)，直至找到可行交叉位Ncr；
(c)以交叉概率Pc交换两条染色体交叉位Ncr后二进制码串，完成交叉操作。
6.根据权利要求5所述的一种考虑充电服务能力和运行效率的充电网络规划方法，其特征在于，步骤(b)所述的Ncr为可行交叉位的条件是两条待交叉染色体第Ncan个码位后取值为“1”的码位数一致。
7.根据权利要求3所述的一种考虑充电服务能力和运行效率的充电网络规划方法，其特征在于，步骤S3.8的变异操作算子，具体步骤如下：
步骤一：从当前染色体种群中随机选取一条染色体作为待变异染色体；
步骤二：随机生成两个待变异码位Nmu1与Nmu2(1<Nmu1<Nsta，1<Nmu2<Nsta)；
步骤三：以变异概率Pm同时对待变异码位Nmu1与Nmu2进行变异操作，取值为“1”的待变异码位变异为“0”，取值为“0”的待变异码位变异为“1”。
8.根据权利要求7所述的一种考虑充电服务能力和运行效率的充电网络规划方法，其特征在于，步骤二所述的两个待变异码位Nmu1与Nmu2的取值不能同时为“1”或同时为“0”。
CN202010440229.2A 2020-05-22 2020-05-22 一种考虑充电服务能力和运行效率的充电网络规划方法 Active CN111626493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010440229.2A CN111626493B (zh) 2020-05-22 2020-05-22 一种考虑充电服务能力和运行效率的充电网络规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010440229.2A CN111626493B (zh) 2020-05-22 2020-05-22 一种考虑充电服务能力和运行效率的充电网络规划方法

Publications (2)

Publication Number Publication Date
CN111626493A CN111626493A (zh) 2020-09-04
CN111626493B true CN111626493B (zh) 2022-06-24

Family

ID=72272071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010440229.2A Active CN111626493B (zh) 2020-05-22 2020-05-22 一种考虑充电服务能力和运行效率的充电网络规划方法

Country Status (1)

Country Link
CN (1) CN111626493B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036655B (zh) * 2020-09-07 2021-11-23 南通大学 基于机会约束的光伏电站与电动汽车充电网络规划方法
CN114491882B (zh) * 2021-12-30 2024-06-07 南通沃太新能源有限公司 一种考虑电池续航能力的ev储能充电网络规划方法
CN114722714A (zh) * 2022-04-14 2022-07-08 湖北工业大学 一种考虑交通均衡的电力-交通耦合网络扩展规划方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529797A (zh) * 2016-10-28 2017-03-22 四川大学 电动汽车充电网络规划方法
CN106777835A (zh) * 2017-02-15 2017-05-31 国网江苏省电力公司苏州供电公司 同时考虑多个优化目标的城市电动汽车充电网络规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529797A (zh) * 2016-10-28 2017-03-22 四川大学 电动汽车充电网络规划方法
CN106777835A (zh) * 2017-02-15 2017-05-31 国网江苏省电力公司苏州供电公司 同时考虑多个优化目标的城市电动汽车充电网络规划方法

Also Published As

Publication number Publication date
CN111626493A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN111626493B (zh) 一种考虑充电服务能力和运行效率的充电网络规划方法
CN109886468B (zh) 基于改进的自适应遗传算法的充电站规划方法
CN110929925B (zh) 基于环境温度与用户行为的电动汽车充电站规划方法
CN111626492B (zh) 一种电动汽车充电网络模糊多目标机会约束规划方法
CN106875075A (zh) 一种基于出行行为学的电动汽车充电站布点方法
CN110826841A (zh) 考虑用户充电体验和配电网运行风险的充电站规划方法
CN112417604B (zh) 一种基于多目标优化的电动汽车配送任务自适应分配方法
Pahlavanhoseini et al. Scenario-based planning of fast charging stations considering network reconfiguration using cooperative coevolutionary approach
CN112734041A (zh) 考虑随机充电负荷的电动汽车充电网络机会约束规划方法
CN112784491B (zh) 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法
CN110189025A (zh) 考虑不同负荷增长的电动汽车充电站规划方案获取方法
CN115438879B (zh) 基于改进混合算法的电动汽车充电站选址定容方法及装置
CN114169609A (zh) 一种考虑光伏耦合的电动汽车充电站规划方法
CN113553769A (zh) 一种考虑充电效能的电动汽车充电设施优化配置方法
CN109685251A (zh) 一种电动设施充电站选址优化方法、装置及存储介质
CN115879657A (zh) 考虑多站点容量设计的电动车换电站选址路径优化方法
CN113505931A (zh) 一种基于遗传算法的充电机器人动态调度优化方法
Xiong et al. Route network design of community shuttle for metro stations through genetic algorithm optimization
CN110111001B (zh) 一种电动汽车充电站的选址规划方法、装置以及设备
Shen et al. Integrated optimization of electric vehicles charging location and allocation for valet charging service
Shen et al. A region enhanced discrete multi-objective fireworks algorithm for low-carbon vehicle routing problem
CN111652392B (zh) 一种面向废旧移动终端的低碳高效拆卸线平衡优化方法
CN110929950A (zh) 一种电动汽车负荷预测方法及***
CN114329783A (zh) 一种多目标电动汽车充电网络规划方法
CN110674988A (zh) 一种基于电动汽车出行大数据的城区充电站规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant