CN116307647B - 电动汽车充电站选址定容优化方法、装置及存储介质 - Google Patents
电动汽车充电站选址定容优化方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116307647B CN116307647B CN202310587946.1A CN202310587946A CN116307647B CN 116307647 B CN116307647 B CN 116307647B CN 202310587946 A CN202310587946 A CN 202310587946A CN 116307647 B CN116307647 B CN 116307647B
- Authority
- CN
- China
- Prior art keywords
- charging station
- charging
- electric vehicle
- cost
- station
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000005457 optimization Methods 0.000 title claims abstract description 74
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000004513 sizing Methods 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims abstract description 51
- 238000010276 construction Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000005611 electricity Effects 0.000 claims description 26
- 238000012423 maintenance Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002354 daily effect Effects 0.000 claims description 12
- 230000003203 everyday effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 112
- 238000010586 diagram Methods 0.000 description 10
- 210000000349 chromosome Anatomy 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- 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
- G06F2111/04—Constraint-based CAD
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及电动汽车充电站选址定容优化方法、装置及存储介质,属于充电站规划技术领域。该方法及装置包括:第一目标函数构建模块建立充电站收益最大化目标函数;第二目标函数构建模块建立充电成本最小化目标函数;约束函数构建模块建立电动汽车充电站选址定容约束函数;关系函数构建模块建立路况和充电成本的关系函数;模型构建模块基于上述函数构建电动汽车充电站选址定容优化模型;计算模块利用NSGA‑Ⅱ算法和熵权法对该模型进行求解,获取目标电动汽车充电站选址定容优化方案。本方法综合考虑了充电站利益和用户充电成本,还考虑了道路交通拥堵状况对用户充电成本的影响,进一步提升了电动汽车充电站的经济性和用户充电满意度。
Description
技术领域
本发明涉及充电站规划技术领域,尤其是指一种电动汽车充电站选址定容优化方法、装置及计算机可读存储介质。
背景技术
作为电动汽车的重要配套设备,充电站能够为其行驶提供动力补给,同时也是推动电动汽车产业走向规模化、市场化的重要动力来源。然而,目前充电站的建设规模与电动汽车保有量仍存在一定的差距,用户充电难问题日益突出。据相关研究报道显示,截止到2022年9月,全国电动汽车保有量约为1149万辆,占汽车保有量的3.65%,全国充电基础设施的保有量达448.8万台,车桩之间比例约为2.56:1,这与国家能源局提出的“车桩比例为1:1”战略目标仍相差较大,因此充电站规划任务仍旧繁重。
与传统停车场规划相比,充电站在选址定容规划过程中除了考虑充电站建站规模与服务范围外,更要注重用户充电的满意度。然而,以往研究虽然考虑了由用户满意度产生的用户充电附加成本,但并未分析规划区域内各道路交通拥堵情况对用户充电行为的影响,这导致用户行驶至目标充电站的充电附加成本计算与实际情况有所偏差,进而造成所得方案的经济性并非最优。另外,在设计站内容量优化布置方案时,大部分研究均是将充电站作为一个整体来进行方案设计,并未分析站内不同充电桩的充电特性。然而,不同功率、不同类型充电桩适用场景是存在差异的,有必要在充电站内对不同功率的充电桩组合配套使用。因此,深入研究用户充电满意度的影响要素以及充电站内部充电桩的组合方法对充电站选址定容规划具有重要意义。
综上所述,现有的充电站选址定容规划设计方法由于未考虑交通拥堵状况对用户充电成本的影响,且在设计充电站内部容量时未考虑不同类型的充电桩的充电特性,导致充电站选址定容规划方案的经济性和用户满意度并未达到最优。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中由于未考虑交通拥堵情况对用户充电成本的影响,且在设计充电站内部容量时未考虑不同类型的充电桩的充电特性,导致充电站选址定容规划方案的经济性和用户满意度并未达到最优的问题。
为解决上述技术问题,本发明提供了一种电动汽车充电站选址定容优化方法,包括:
根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数;其中,所述充电站年化总成本中包括充电站内快速和慢速充电桩购买成本;
根据等效经济成本建立充电成本最小化目标函数;
根据充电站内快速和慢速充电桩额定容量约束条件、充电站内快速和慢速充电桩数量约束条件、充电站峰值充电功率约束条件、充电站数量约束条件以及充电站距离约束条件分别建立电动汽车充电站选址定容约束函数;
根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数;
基于所述充电站收益最大化目标函数、所述充电成本最小化目标函数、所述电动汽车充电站选址定容约束函数和所述路况与充电成本的关系函数构建电动汽车充电站选址定容优化模型;
利用NSGA-Ⅱ算法和熵权法对所述电动汽车充电站选址定容优化模型进行求解,获取规划区域内的目标电动汽车充电站选址定容优化方案。
在本发明的一个实施例中,所述根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数包括:
根据充电站年平均运行天数、规划区域内每天需要充电的电动汽车数量、电动汽车充电前后荷电状态差值以及充电站售电电价和购电电价的差值计算充电站年运行收益;
根据规划区域内待建设充电站总数量、充电站最大运行寿命、充电站贴现率、充电站的总建设成本与充电桩购买成本以及充电站的年运维成本计算充电站年化总成本;
将所述充电站年运行收益与所述充电站年化总成本的差值最大化作为充电站收益最大化目标函数。
在本发明的一个实施例中,所述充电站年运行收益的计算公式为:
,
其中,为充电站年平均运行天数,/>为规划区域内所有道路的集合,/>为规划区域内每天需要充电的电动汽车占比,/>为第/>条道路的电动汽车总数量,/>为电动汽车额定容量平均水平,/>为电动汽车充电过程中荷电状态阈值,/>为电动汽车充电时荷电状态初始值,/>为充电站售电电价,/>为充电站购电电价。
在本发明的一个实施例中,所述充电站年化总成本的计算公式为:
,
其中,为规划区域内待建设充电站总数量,/>为充电站的贴现率,/>为充电站的最大运行寿命,/>为第/>个充电站的总建设成本,/>为第/>个充电站的充电桩购买成本,/>为第/>个充电站的年运维成本;
,
其中,为快速充电桩的购买单价,/>为第/>个充电站内快速充电桩的配置数量,/>为慢速充电桩的购买单价,/>为第/>个充电站内慢速充电桩的配置数量;
,
其中,为百分比折算因子。
在本发明的一个实施例中,所述充电站收益最大化目标函数为:
。
在本发明的一个实施例中,所述根据等效经济成本建立充电成本最小化目标函数包括:
根据行驶速度和行驶距离计算行驶时间和损耗电量的等效经济成本;
根据充电站内电动汽车的平均充电排队时间计算站内排队等候时间的等效经济成本;
将所述行驶时间和损耗电量的等效经济成本与所述站内排队等候时间的等效经济成本的相加值最小化作为充电成本最小化目标函数。
在本发明的一个实施例中,所述行驶时间和损耗电量的等效经济成本的计算公式为:
,
其中,为充电站年平均运行天数,/>为用户出行的时间价值,/>为规划区域内所有道路的集合,/>为规划区域内待建设充电站总数量,/>为规划区域内每天需要充电的电动汽车占比,/>为第/>条道路的电动汽车总数量,/>为第/>条道路至充电站/>的平均行驶距离,/>为通过第/>条道路的行驶速度,/>为充电站售电电价,/>为电动汽车单位行驶里程所消耗的电量。
在本发明的一个实施例中,所述站内排队等候时间的等效经济成本的计算公式为:
,
其中,为/>时刻抵达充电站/>的电动汽车总数量,/>为/>时刻抵达充电站/>内电动汽车的平均充电排队时间。
在本发明的一个实施例中,所述充电成本最小化目标函数为:
。
在本发明的一个实施例中,根据所述充电站内快速和慢速充电桩额定容量约束条件建立电动汽车充电站选址定容第一约束函数,所述电动汽车充电站选址定容第一约束函数为:
,
,
其中,为充电站内充电桩的日平均运行时间,/>为充电站/>的额定功率,/>为规划区域内所有道路的集合,/>为规划区域内待建设充电站总数量,/>为规划区域内每天需要充电的电动汽车占比,/>为第/>条道路的电动汽车总数量,/>为电动汽车额定容量平均水平,/>为电动汽车充电过程中荷电状态阈值,/>为电动汽车充电时荷电状态初始值,/>为快速充电桩的额定功率,/>为第/>个充电站内快速充电桩的配置数量,/>为慢速充电桩的额定功率,/>为第/>个充电站内慢速充电桩的配置数量。
在本发明的一个实施例中,根据所述充电站内快速和慢速充电桩数量约束条件建立电动汽车充电站选址定容第二约束函数,所述电动汽车充电站选址定容第二约束函数为:
,
,
其中,和/>分别为单个充电站内快速充电桩配置数量下限和单个充电站内快速充电桩配置数量上限,/>和/>分别为单个充电站内慢速充电桩配置数量下限和单个充电站内慢速充电桩配置数量上限,/>为第/>个充电站内快速充电桩的配置数量,/>为第/>个充电站内慢速充电桩的配置数量。
在本发明的一个实施例中,根据所述充电站峰值充电功率约束条件建立电动汽车充电站选址定容第三约束函数,所述电动汽车充电站选址定容第三约束函数为:
,
其中,为规划区域内每天需要充电的电动汽车占比,/>为电动汽车充电同时率,/>为规划区域内电动汽车充电功率峰值与平均值之间的倍数关系,/>为充电站/>覆盖范围内第/>条道路上的充电汽车总数量,/>为电动汽车额定容量平均水平,/>为电动汽车充电过程中荷电状态阈值,/>为电动汽车充电时荷电状态初始值。
在本发明的一个实施例中,根据所述充电站数量约束条件建立电动汽车充电站选址定容第四约束函数,所述电动汽车充电站选址定容第四约束函数为:
,
,
,
其中,为充电站内充电桩的日平均运行时间,/>为规划区域内所有道路的集合,为规划区域内待建设充电站总数量,/>为规划区域内每天需要充电的电动汽车占比,为第/>条道路的电动汽车总数量,/>为电动汽车额定容量平均水平,/>为电动汽车充电过程中荷电状态阈值,/>为电动汽车充电时荷电状态初始值,/>为快速充电桩的额定功率,/>为慢速充电桩的额定功率,/>为规划区域内充电站数量最小值,/>为规划区域内充电站数量最大值,/>为单个充电站内慢速充电桩配置数量下限,为单个充电站内快速充电桩配置数量上限。
在本发明的一个实施例中,根据所述充电站距离约束条件建立电动汽车充电站选址定容第五约束函数,所述电动汽车充电站选址定容第五约束函数为:
,
其中,为充电站/>的有效服务半径,/>为第/>个充电站与第/>个充电站之间的实际距离。
在本发明的一个实施例中,所述根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数,所述路况与充电成本的关系函数为:
,
其中,为充电站年平均运行天数,/>为用户出行的时间价值,/>为规划区域内所有道路的集合,/>为规划区域内待建设充电站总数量,/>为规划区域内每天需要充电的电动汽车占比,/>为第/>条道路的电动汽车总数量,/>为第/>条道路至充电站/>的平均行驶距离,/>为行驶第/>条道路的耗时指数,/>为道路通畅时电动汽车的行驶速度,/>为充电站售电电价,/>为电动汽车单位行驶里程所消耗的电量。
在本发明的一个实施例中,所述利用NSGA-Ⅱ算法和熵权法对所述电动汽车充电站选址定容优化模型进行求解,获取规划区域内的目标电动汽车充电站选址定容优化方案包括:
利用NSGA-Ⅱ算法对所述电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集;
利用熵权法分别计算所述可行方案集合中可行方案的综合分数,并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
在本发明的一个实施例中,所述利用NSGA-Ⅱ算法对所述电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集包括:
初始化算法参数,并根据充电站位置、充电站内快速充电桩的配置数量以及充电站内慢速充电桩的配置数量进行编码;其中,所述初始化算法参数包括设置预设迭代次数和种群规模;
根据所述电动汽车充电站选址定容优化模型中的目标函数计算种群个体的适应度值,并进行非支配排序和拥挤度计算;
对种群进行选择、交叉、变异,生成子代种群;
合并初始种群和子代种群产生新种群,对所述新种群进行非支配排序和拥挤度计算,并利用精英保留策略对所述新种群进行优选作为初始种群进行迭代;
判断迭代次数是否等于预设迭代次数,若是则输出可行方案集合作为Pareto最优解集;若否则返回对种群进行选择、交叉、变异,生成子代种群,直到迭代次数等于预设次数。
在本发明的一个实施例中,所述利用熵权法分别计算所述可行方案集合中可行方案的综合分数,并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案包括:
利用熵权法对所述可行方案集合中的可行方案进行数据标准化处理,其计算公式为:
, />,
其中,为对/>进行标准化处理后的数据,/>为所述可行方案集合中第/>个可行方案的第/>个指标,/>为所述可行方案集合中第/>个指标的最小值,/>为所述可行方案集合中第/>个指标的最大值;
计算所述第个指标下第/>个可行方案的比重,其计算公式为:
;
其中,为所述可行方案集合中可行方案的数量;
计算所述第个指标的信息熵,其计算公式为:
;
计算所述第个指标的权重,其计算公式为:
;
其中,为所述可行方案集合中所有可行方案的指标数量;
计算所述可行方案集合中可行方案的综合分数,其计算公式为:
;
其中,为所述可行方案集合中第/>个可行方案的综合分数;
对所述可行方案集合中可行方案的综合分数进行比较,并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
本发明还提供了一种电动汽车充电站选址定容优化装置,包括:
第一目标函数构建模块,用于根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数;
第二目标函数构建模块,用于根据等效经济成本建立充电成本最小化目标函数;
约束函数构建模块,用于根据充电站内快速和慢速充电桩额定容量约束条件、充电站内快速和慢速充电桩数量约束条件、充电站峰值充电功率约束条件、充电站数量约束条件以及充电站距离约束条件分别建立电动汽车充电站选址定容约束函数;
关系函数构建模块,用于根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数;
模型构建模块,用于基于所述充电站收益最大化目标函数、所述充电成本最小化目标函数、所述电动汽车充电站选址定容约束函数和所述路况与充电成本的关系函数构建电动汽车充电站选址定容优化模型;
计算模块,用于利用NSGA-Ⅱ算法和熵权法对所述电动汽车充电站选址定容优化模型进行求解,获取规划区域内的目标电动汽车充电站选址定容优化方案。
在本发明的一个实施例中,所述第一目标函数构建模块包括:
充电站年运行收益计算单元,用于根据充电站年平均运行天数、规划区域内每天需要充电的电动汽车数量、电动汽车充电前后荷电状态差值以及充电站售电电价和购电电价的差值计算充电站年运行收益;
充电站年化总成本计算单元,用于根据规划区域内待建设充电站总数量、充电站最大运行寿命、充电站贴现率、充电站的总建设成本与充电桩购买成本以及充电站的年运维成本计算充电站年化总成本;
充电站收益最大化目标函数构建单元,用于将所述充电站年运行收益与所述充电站年化总成本的差值最大化作为充电站收益最大化目标函数。
在本发明的一个实施例中,所述第二目标函数构建模块包括:
第一等效经济成本计算单元,用于根据行驶速度和行驶距离计算行驶时间和损耗电量的等效经济成本;
第二等效经济成本计算单元,用于根据充电站内电动汽车的平均充电排队时间计算站内排队等候时间的等效经济成本;
充电成本最小化目标函数构建单元,用于将所述行驶时间和损耗电量的等效经济成本与所述站内排队等候时间的等效经济成本的相加值最小化作为充电成本最小化目标函数。
在本发明的一个实施例中,所述计算模块包括:
第一计算单元,用于利用NSGA-Ⅱ算法对所述电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集;
第二计算单元,用于利用熵权法分别计算所述可行方案集合中可行方案的综合分数,并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的电动汽车充电站选址定容优化方法的步骤。
本发明所述的电动汽车充电站选址定容优化方法建立了充电站收益最大化目标函数和充电成本最小化目标函数、电动汽车充电站选址定容约束函数,并根据规划区域内道路交通拥堵状况对应的耗时指数建立了路况与充电成本的关系函数,以此构建电动汽车充电站选址定容优化模型;并利用NSGA-Ⅱ算法与熵权法对该模型求解以得到规划区域内的目标电动汽车充电站选址定容优化方案。本方法在构建电动汽车充电站选址定容优化模型时综合考虑了充电站的利益和用户充电成本以及不同类型的充电桩的充电特性,还引入道路耗时指数来综合反映道路交通状况对用户充电成本的影响,不仅使得充电站收益最大化,用户充电成本最小化,还提升了电动汽车充电站的经济性,使得电动汽车充电站更加符合用户的实际充电需求,提高了用户充电满意度。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明提供的电动汽车充电站选址定容影响因素分析图;
图2是本发明提供的电动汽车充电站选址定容优化方法流程图;
图3是本发明提供的基于NSGA-Ⅱ算法与熵权法对电动汽车充电站选址定容优化模型求解流程图;
图4是本发明提供的电动汽车充电站选址定容优化装置结构示意图;
图5是本发明提供的电动汽车充电站选址定容优化装置中第一目标函数构建模块结构示意图;
图6是本发明提供的电动汽车充电站选址定容优化装置中第二目标函数构建模块结构示意图;
图7是本发明提供的电动汽车充电站选址定容优化装置中计算模块结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
影响电动汽车充电站合理规划和容量配置的因素有很多,本申请通过调研相关研究资料将其主要因素概括为以下四类,如图1所示。
第一类为政治经济因素:电动汽车产业的起步阶段相对困难,需要依靠国家与当地政府的补贴来适当推进电动汽车产业发展的进程。国家以及地方的政策规划直接影响了电动汽车及其配套设施的发展规模,同时也决定了电动汽车充电站的布局。充电站投资成本主要包括建设成本、配网损耗成本、日常运行维护成本等,其收益主要来源于电费差价与基础设施相关服务费。虽然当前国家大力推广发展电动汽车产业,但电动汽车充电基础设施既有社会公益性也有市场性,达到商家预期的投资收益才能推动大量社会资本快速融入该行业,更好地推动电动汽车的全面普及。目前看来,电动汽车充电基础设施初期建设成本投资高、收益回收周期长,在一定程度上影响了充电站选址与电动汽车充电基础设施后期建设。
第二类为用户电满意度:用户充电舒适度是指待充电的电动汽车行驶至目标充电站的便捷程度,其影响因素主要分为用户位置到充电站的路网结构以及充电站的服务范围等。充电站的服务范围与其服务半径息息相关,不同大小的充电站服务半径间接影响了电动汽车用户的充电舒适度,同时也是决定充电站建设是否合理的重要因素。充电站服务半径过小,用户的充电舒适度则会降低,虽然提高充电站的数量可以提高用户的充电舒适度与便捷性,但同样也会使投资成本显著增加。另外,道路拥堵情况也是影响电动汽车用户充电便捷性的重要因素之一,不同的道路拥堵状况对应用户不同的行驶速度,从而导致用户行驶至目前充电站的时间长短也各不相同。
第三类为充电需求:充电站以及相关设施建设不仅要使投资者的总成本最小,同时还要求在充电站服务范围一定的情况下满足整个区域的充电需求。因此,在对充电站进行规划之前,需要对充电需求进行预测与计算。充电需求受电动汽车的总体数量、行驶里程、车载电池容量等因素影响。电动汽车总体数量越多、行驶里程越长、车载电池容量越小、单位电耗越大,就需要分布范围广泛的充电站。基于此,在对充电站进行规划之前,应对目标区域内的充电需求进行准确预测,然后根据得到的充电需求来合理布局充电站的位置以及站内充电桩的数量,进而有效保障充电站的利用率。
第四类为空间约束性:充电站选址定容规划除了需要考虑以上因素的影响外,还需要考虑地理环境等因素的影响。充电规划时最重要的是满足充电站选址布局的合理性。判断充电站选址是否合理,需要从以下三个方面进行分析:1)就周围环境而言,充电站选址是否会破坏周围环境;2)就社会层面而言,充电站的建设是否影响周围人们的正常生活;3)就国家政策与规划而言,是否满足该区域的地理条件以及候选站址是否与该地区的路网规划一致。另外,空间距离约束也是直接决定充电站规划的重要影响因素。空间距离约束是指在满足目标区域内充电需求的前提下使相邻充电站之间的距离设置在合理范围内。若充电站间距离较远,则影响用户的充电便捷程度;反之,则会增加充电站投资的成本,造成方案经济性不高。
实施例1:
基于上述影响因素,本申请提供了一种电动汽车充电站选址定容优化方法,如图2所示为本申请提供的电动汽车充电站选址定容优化方法流程图,包括:
S10:根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数。
在一些实施例中,步骤S10的具体实现方式为:
S100:根据充电站年平均运行天数、规划区域内每天需要充电的电动汽车数量、电动汽车充电前后荷电状态差值以及充电站售电电价和购电电价的差值计算充电站年运行收益。
具体地,充电站年运行收益的计算公式为:
,
其中,为充电站年平均运行天数,/>为规划区域内所有道路的集合,/>为规划区域内每天需要充电的电动汽车占比,/>为第/>条道路的电动汽车总数量,/>为电动汽车额定容量平均水平,/>为电动汽车充电过程中荷电状态阈值,/>为电动汽车充电时荷电状态初始值,/>为充电站售电电价,/>为充电站购电电价,即充电站向上级购买电能时的购电电价。
S101:根据规划区域内待建设充电站总数量、充电站最大运行寿命、充电站贴现率、充电站的总建设成本与充电桩购买成本以及充电站的年运维成本计算充电站年化总成本。
具体地,其充电站年化总成本的计算公式为:
,
其中,为规划区域内待建设充电站总数量,/>为充电站的贴现率,/>为充电站的最大运行寿命,/>为第/>个充电站的总建设成本,/>为第/>个充电站的充电桩购买成本,/>为第/>个充电站的年运维成本;
,
其中,为快速充电桩的购买单价,/>为第/>个充电站内快速充电桩的配置数量,/>为慢速充电桩的购买单价,/>为第/>个充电站内慢速充电桩的配置数量;
充电桩购买成本与站内充电桩数量和类型有密切联系,同时不同充电桩功率配置将间接影响用户充电排队等候时间,因此本实施例在计算充电桩成本时分别考虑了快慢充电桩的购买成本,以更精确地计算充电站年化总成本。
,
其中,为百分比折算因子。
充电站运维成本主要由充电站站内设备检修维护成本、设备运行损耗成本以及工作人员工资等构成。通常情况下,各项成本的具体数值较为模糊,难以精确计算,因此,本实施例中以充电站初期投资作为基准,对充电站年运维成本进行百分比折算。
S102:将充电站年运行收益与充电站年化总成本的差值最大化作为充电站收益最大化目标函数。
具体地,该充电站收益最大化目标函数为:
。
S20:根据等效经济成本建立充电成本最小化目标函数。
在一些实施例中,步骤S20的具体实现方式为:
S200:根据行驶速度和行驶距离计算行驶时间和损耗电量的等效经济成本。
具体地,行驶时间和损耗电量的等效经济成本的计算公式为:
,
其中,为用户出行的时间价值,可以由规划区域内居民的平均收入计算得到,/>为第/>条道路至充电站/>的平均行驶距离,/>为通过第/>条道路的行驶速度,/>为电动汽车单位行驶里程所消耗的电量。
S201:根据充电站内电动汽车的平均充电排队时间计算站内排队等候时间的等效经济成本。
具体地,站内排队等候时间的等效经济成本的计算公式为:
,
其中,为/>时刻抵达充电站/>的电动汽车总数量,/>为/>时刻抵达充电站/>内电动汽车的平均充电排队时间。
S202:将行驶时间和损耗电量的等效经济成本与站内排队等候时间的等效经济成本的相加值最小化作为充电成本最小化目标函数。
具体地,充电成本最小化目标函数为:
。
S30:根据充电站内快速和慢速充电桩额定容量约束条件、充电站内快速和慢速充电桩数量约束条件、充电站峰值充电功率约束条件、充电站数量约束条件以及充电站距离约束条件分别建立电动汽车充电站选址定容约束函数。
在一些实施例中,步骤S30的具体实现方式为:
S300:充电站内快速和慢速充电桩额定容量约束条件建立电动汽车充电站选址定容第一约束函数,该第一约束函数为:
,
,
其中,为充电站内充电桩的日平均运行时间,/>为充电站/>的额定功率,/>为快速充电桩的额定功率,/>为慢速充电桩的额定功率。
S301:根据充电站内快速和慢速充电桩数量约束条件建立电动汽车充电站选址定容第二约束函数,该第二约束函数为:
,
,
其中,和/>分别为单个充电站内快速充电桩配置数量下限和单个充电站内快速充电桩配置数量上限,/>和/>分别为单个充电站内慢速充电桩配置数量下限和单个充电站内慢速充电桩配置数量上限。
为了保证充电站的服务质量,同时减少因为站内充电桩数量堆积所造成的资源浪费,本实施例中分别对充电站内快速充电桩和慢速充电桩的配置数量进行了约束。
S302:根据充电站峰值充电功率约束条件建立电动汽车充电站选址定容第三约束函数,该第三约束函数为:
,
其中,为电动汽车充电同时率,/>为规划区域内电动汽车充电功率峰值与平均值之间的倍数关系,/>为充电站/>覆盖范围内第/>条道路上的充电汽车总数量。
充电站的额定功率大于等于其所覆盖范围内的电动汽车的充电峰值功率,可以保证充电高峰期各个充电站的安全运行。
S303:根据充电站数量约束条件建立电动汽车充电站选址定容第四约束函数,该第四约束函数为:
,
,
,
其中,为规划区域内充电站数量最小值,/>为规划区域内充电站数量最大值。
本实施例中根据目标区域内的充电需求和单个充电站的容量约束,针对充电站的数量进行了约束,一方面使得充电站收益最大化,另一方面也方便用户使用,提高了用户满意度。
S304:根据充电站距离约束条件建立电动汽车充电站选址定容第五约束函数,该第五约束函数为:
,/>
其中,为充电站/>的有效服务半径,/>为第/>个充电站与第/>个充电站之间的实际距离。
合理设置充电站之间的距离不仅能够满足用户的充电需求,提升用户充电满意度,还能够降低充电站的建设成本,进一步提升充电站的经济性,因此,本申请实施例对充电站间的距离进行了约束。
S40:根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数。
用户充电过程中所产生的路途损耗时间成本与其行驶速度有很大关系,然而,以往研究在设计充电站规划方案时,仅仅选取电动汽车平均行驶速度对用户的充电行为及满意度进行分析,不具有普适性,同时,这会导致分析结果与实际情况偏差较大,造成所得方案的经济性并非最优。
从以往经验可知,汽车能耗表现与道路拥堵状况是密切相关的,通常情况是道路越拥堵,汽车油耗越高,这是由内燃机的特性所决定的。对于电动汽车而言,道路交通状况越拥堵,用户行驶速度越慢、行驶时间越长,用户在充电过程中所产生的路途损耗时间成本也越大,从而导致用户充电满意度越差。
下面以某市道路交通拥堵状况与用户行驶时间关系为例进行说明,如表1所示为不同的道路拥堵状况对于用户行驶时长的影响程度。
表1
基于上述原因,本申请实施例在电动汽车充电站选址定容时根据规划区域内道路交通拥堵状况建立了路况与充电成本的关系函数。
该路况与充电成本的关系函数为:
,
其中,为第/>条道路交通状况对应的耗时指数,/>为道路通畅时电动汽车的行驶速度。
具体地,的具体含义为用户实际通过该道路所需时长较该道路畅通状况下所花费时长的倍数,例如,当/>时,表示用户行驶时间是道路畅通状况下所花费时长的2倍。
示例地,假设道路通畅时电动汽车的行驶速度为,则一般情况下用户在该道路的行驶速度为:
。/>
由该路况与充电成本关系函数可知,用户在充电过程中所产生的路途损耗时间与该道路的耗时指数成正比,因此,当道路耗时指数越大时,用户通过该道路所需时间越长,所对应的行驶速度也就越慢,其所产生的路途损耗时间成本也就越高,充电成本越大。因此,当分析规划区域内道路拥堵状况后,用户通过各道路的行驶速度将不再是一个常数,而是与该道路的耗时指数息息相关。
本实施例中通过对规划区域内各道路上电动汽车行驶速度进行分析计算,并引入道路耗时指数来综合反映道路交通状况对用户充电成本的影响,进而为后续充电站选址定容提供理论支撑,更加符合用户充电的路径选择,也更符合实际情况。
S50:基于充电站收益最大化目标函数、充电成本最小化目标函数、电动汽车充电站选址定容约束函数和路况与充电成本的关系函数获得电动汽车充电站选址定容优化模型。
S60:利用NSGA-Ⅱ算法和熵权法对电动汽车充电站选址定容优化模型进行求解,获取规划区域内的目标电动汽车充电站选址定容优化方案。
在一些实施例中,步骤S60的具体实现方式为:
S61:利用NSGA-Ⅱ(多目标遗传)算法对该电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集。
S62:利用熵权法分别计算该可行方案集合中可行方案的综合分数,并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
本实施例提供的电动汽车充电站选址定容优化方法通过构建充电站收益最大化目标函数和充电成本最小化目标函数,不仅使得充电站收益最大化,还提高了用户充电满意度,实现了充电站的最优布局。通过分析道路交通状况对用户充电成本的影响,定义了道路耗时指数以动态表征规划区域的实际路况与用户充电成本之间的数值关系,进一步提升了电动汽车充电站的经济性。除此之外,本方法在构建电动汽车充电站选址定容优化模型时,创新性地将充电站内充电桩布局问题转化为不同类型充电桩的数量配比问题,并按照目标区域内的充电需求合理设置充电站内不同类型充电桩的配置数量,不仅能够减少充电站的建设总成本,也更加符合用户的实际充电需求。
实施例2:
基于上述实施例1,本实施例中对步骤S61和步骤S62作了进一步说明,如图3所示为本实施例提供的利用NSGA-Ⅱ算法与熵权法对该模型求解的流程图,包括:
S610:初始化算法参数,并根据充电站位置、充电站内快速充电桩的配置数量以及充电站内慢速充电桩的配置数量进行编码;其中,初始化算法参数包括设置预设迭代次数和种群规模。
在一些实施例中,步骤S610的具体实现方式为:设定算法相关参数,包括迭代次数、种群规模、决策变量个数、目标函数个数、交叉率以及变异率。
具体地,在本实施例中,决策变量为充电站的位置以及充电站内部快速充电桩和慢速充电桩的配置数量。
示例地,本实施例中染色体编码为:,
其中,代表一条染色体,/>为二进制变量,表示第/>个候选规划区域建站情况,为第/>个候选规划区域内部快速充电桩的配置数量,/>为第/>个终点站候选规划区域内部慢速充电桩的配置数量。
具体地,当时,表示该点不设立充电站,/>和/>的值均为0;当/>时,和/>才能在约束范围内随机取值。
S611:根据电动汽车充电站选址定容优化模型中的目标函数计算种群个体的适应度值,并进行非支配排序和拥挤度计算。
在一些实施例中,步骤S611的具体实现方式为:根据所建立的电动汽车充电站选址定容优化模型计算种群中所有个体对应的目标函数值,同时进行Pareto排序以及拥挤度计算,并将各染色体的Pareto排序等级和拥挤度计算值赋给该染色体的新基因片段,更新该染色体。
示例地,更新后的染色体编码为:
,
其中,pareto为染色体的Pareto排序等级,dis为染色体在此等级下所计算的拥挤度值。
S612:对种群进行选择、交叉、变异,生成子代种群。
在一些实施例中,步骤S612的具体实现方式为:对初始种群进行选择、交叉和变异操作,将排序后的种群个体两两随机进行锦标赛竞争,选择出较为优秀的个体,之后对优选后的种群进行交叉、变异操作,生成第一代子代种群。
S613:合并初始种群和子代种群产生新种群,对新种群进行非支配排序和拥挤度计算,并利用精英保留策略对新种群进行优选作为初始种群进行迭代。
在一些实施例中,步骤S613的具体实现方式为:将初始种群与生成的子代种群合并组成新种群,再次对该新种群进行非支配排序和拥挤度计算,同时利用精英保留策略对新种群进行优选,按照拥挤度大小从低到高剔除优选后的种群中非支配层的个体,直到种群大小满足要求。
具体地,利用精英保留策略对新的种群进行优选时,该优选规则为按Pareto等级由高到低依次将非支配Front1、Front2、......Frontm放入新的父代种群中,直到父代种群的大小超出规定值。
S614:判断迭代次数是否等于预设迭代次数,若是则输出可行方案集合作为Pareto最优解集;若否则返回步骤S612。
S620:利用熵权法对该可行方案集合中的可行方案进行数据标准化处理,其计算公式为:
,/>,
其中,为对/>进行标准化处理后的数据,/>为可行方案集合中第/>个可行方案的第/>个指标,/>为可行方案集合中第/>个指标的最小值,/>为可行方案集合中第/>个指标的最大值。
S621:计算第个指标下第/>个可行方案的比重,其计算公式为:
;
其中,n为可行方案集合中所有可行方案的指标数量。
S622:计算第个指标的信息熵,其计算公式为:
。
S623:计算第个指标的权重,其计算公式为:
;
其中,为可行方案集合中所有可行方案的指标数量。
S624:计算可行方案集合中可行方案的综合分数,其计算公式为:
;
其中,为可行方案集合中第/>个可行方案的综合分数;
S625:对可行方案集合中可行方案的综合分数进行比较,并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
本申请实施例引入NSGA-Ⅱ算法与熵权法对电动汽车充电站选址定容优化模型进行求解,提高了运算速度和鲁棒性,具有可操作性,也使得模型求解过程更加简单、直观、易于实现。
基于上述实施例,本申请还提供了一种电动汽车充电站选址定容优化装置,如图4所示,该装置包括:
第一目标函数构建模块10,用于根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数。
第二目标函数构建模块20,用于根据等效经济成本建立充电成本最小化目标函数。
约束函数构建模块30,用于根据充电站内快速和慢速充电桩的额定容量约束条件、充电站内快速和慢速充电桩数量约束条件、充电站峰值充电功率约束条件、充电站数量约束条件以及充电站距离约束条件分别建立电动汽车充电站选址定容约束函数。
关系函数构建模块40,用于根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数。
模型构建模块50,用于基于充电站收益最大化目标函数、充电成本最小化目标函数、电动汽车充电站选址定容约束函数和路况与充电成本的关系函数构建电动汽车充电站选址定容优化模型。
计算模块60,用于利用NSGA-Ⅱ算法和熵权法对电动汽车充电站选址定容优化模型进行求解,获取规划区域内的目标电动汽车充电站选址定容优化方案。
具体地,如图5所示,第一目标函数构建模块10还包括:
充电站年运行收益计算单元100,用于根据充电站年平均运行天数、规划区域内每天需要充电的电动汽车数量、电动汽车充电前后荷电状态差值以及充电站售电电价和购电电价的差值计算充电站年运行收益。
充电站年化总成本计算单元101,用于根据规划区域内待建设充电站总数量、充电站最大运行寿命、充电站贴现率、充电站的总建设成本与充电桩购买成本以及充电站的年运维成本计算充电站年化总成本。
充电站收益最大化目标函数构建单元102,用于将充电站年运行收益与充电站年化总成本的差值最大化作为充电站收益最大化目标函数。
如图6所示,第二目标函数构建模块20还包括:
第一等效经济成本计算单元200,用于根据行驶速度和行驶距离计算行驶时间和损耗电量的等效经济成本。
第二等效经济成本计算单元201,用于根据充电站内电动汽车的平均充电排队时间计算站内排队等候时间的等效经济成本。
充电成本最小化目标函数构建单元202,用于将行驶时间和损耗电量的等效经济成本与站内排队等候时间的等效经济成本的相加值最小化作为充电成本最小化目标函数。
如图7所示,计算模块60还包括:
第一计算单元600,用于利用NSGA-Ⅱ算法对电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集。
第二计算单元601,用于利用熵权法分别计算可行方案集合中可行方案的综合分数,并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述的电动汽车充电站选址定容优化方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (20)
1.一种电动汽车充电站选址定容优化方法,其特征在于,包括:
根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数,其中,所述充电站年化总成本中包括充电站内快速和慢速充电桩购买成本;其具体包括:
根据充电站年平均运行天数、规划区域内每天需要充电的电动汽车数量、电动汽车充电前后荷电状态差值以及充电站售电电价和购电电价的差值计算充电站年运行收益;
所述充电站年运行收益的计算公式为:
其中,Ty为充电站年平均运行天数,D为规划区域内所有道路的集合,
α为规划区域内每天需要充电的电动汽车占比,NUMi为第i条道路的电动汽车总数量,cap为电动汽车额定容量平均水平,SOCref为电动汽车充电过程中荷电状态阈值,SOCini为电动汽车充电时荷电状态初始值,cs为充电站售电电价,cp为充电站购电电价;
根据规划区域内待建设充电站总数量、充电站最大运行寿命、充电站贴现率、充电站的总建设成本与充电桩购买成本以及充电站的年运维成本计算充电站年化总成本;
所述充电站年化总成本的计算公式为:
其中,N为规划区域内待建设充电站总数量,e为充电站的贴现率,T为充电站的最大运行寿命,Cj为第j个充电站的总建设成本,Ccp,j为第j个充电站的充电桩购买成本,Com,j为第j个充电站的年运维成本;
将所述充电站年运行收益与所述充电站年化总成本的差值最大化作为充电站收益最大化目标函数;
根据等效经济成本建立充电成本最小化目标函数;
根据充电站内快速和慢速充电桩额定容量约束条件、充电站内快速和慢速充电桩数量约束条件、充电站峰值充电功率约束条件、充电站数量约束条件以及充电站距离约束条件分别建立电动汽车充电站选址定容约束函数;
根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数;
基于所述充电站收益最大化目标函数、所述充电成本最小化目标函数、所述电动汽车充电站选址定容约束函数和所述路况与充电成本的关系函数构建电动汽车充电站选址定容优化模型;
利用NSGA-Ⅱ算法和熵权法对所述电动汽车充电站选址定容优化模型进行求解,获取规划区域内的目标电动汽车充电站选址定容优化方案。
2.根据权利要求1所述的电动汽车充电站选址定容优化方法,其特征在于,第j个充电站的充电桩购买成本的计算公式为:
Ccp,j=(CfaNfa,j+CslNsl,j),
其中,Cfa为快速充电桩的购买单价,Nfa,j为第j个充电站内快速充电桩的配置数量,Csl为慢速充电桩的购买单价,Nsl,j为第j个充电站内慢速充电桩的配置数量;
第j个充电站的年运维成本的计算公式为:
Com,j=μ(Cj+Ccp,j)=μ[Cj+(CfaNfa,j+CslNsl,j)],
其中,μ为百分比折算因子。
3.根据权利要求1所述的电动汽车充电站选址定容优化方法,其特征在于,所述充电站收益最大化目标函数为:
maxf1=Ipro-C1。
4.根据权利要求1所述的电动汽车充电站选址定容优化方法,其特征在于,所述根据等效经济成本建立充电成本最小化目标函数包括:
根据行驶速度和行驶距离计算行驶时间和损耗电量的等效经济成本;
根据充电站内电动汽车的平均充电排队时间计算站内排队等候时间的等效经济成本;
将所述行驶时间和损耗电量的等效经济成本与所述站内排队等候时间的等效经济成本的相加值最小化作为充电成本最小化目标函数。
5.根据权利要求4所述的电动汽车充电站选址定容优化方法,其特征在于,所述行驶时间和损耗电量的等效经济成本的计算公式为:
其中,Ty为充电站年平均运行天数,k为用户出行的时间价值,D为规划区域内所有道路的集合,N为规划区域内待建设充电站总数量,α为规划区域内每天需要充电的电动汽车占比,NUMi为第i条道路的电动汽车总数量,dij为第i条道路至充电站j的平均行驶距离,vi为通过第i条道路的行驶速度,cs为充电站售电电价,g为电动汽车单位行驶里程所消耗的电量。
6.根据权利要求5所述的电动汽车充电站选址定容优化方法,其特征在于,所述站内排队等候时间的等效经济成本的计算公式为:
其中,Dtj为t时刻抵达充电站j的电动汽车总数量,ΔTtj为t时刻抵达充电站j内电动汽车的平均充电排队时间。
7.根据权利要求6所述的电动汽车充电站选址定容优化方法,其特征在于,所述充电成本最小化目标函数为:
minf2=C2+C3。
8.根据权利要求1所述的电动汽车充电站选址定容优化方法,其特征在于,根据所述充电站内快速和慢速充电桩额定容量约束条件建立电动汽车充电站选址定容第一约束函数,所述电动汽车充电站选址定容第一约束函数为:
Sj=PfaNfa,j+PslNsl,j,
其中,Td为充电站内充电桩的日平均运行时间,Sj为充电站j的额定功率,D为规划区域内所有道路的集合,N为规划区域内待建设充电站总数量,α为规划区域内每天需要充电的电动汽车占比,NUMi为第i条道路的电动汽车总数量,cap为电动汽车额定容量平均水平,SOCref为电动汽车充电过程中荷电状态阈值,SOCini为电动汽车充电时荷电状态初始值,Pfa为快速充电桩的额定功率,Nfa,j为第j个充电站内快速充电桩的配置数量,Psl为慢速充电桩的额定功率,Nsl,j为第j个充电站内慢速充电桩的配置数量。
9.根据权利要求1所述的电动汽车充电站选址定容优化方法,其特征在于,根据所述充电站内快速和慢速充电桩数量约束条件建立电动汽车充电站选址定容第二约束函数,所述电动汽车充电站选址定容第二约束函数为:
Nfa,min≤Nfa,j≤Nfa,max,
Nsl,min≤Nsl,j≤Nsl,max,
其中,Nfa,min和Nfa,max分别为单个充电站内快速充电桩配置数量下限和单个充电站内快速充电桩配置数量上限,Nsl,min和Nsl,max分别为单个充电站内慢速充电桩配置数量下限和单个充电站内慢速充电桩配置数量上限,Nfa,j为第j个充电站内快速充电桩的配置数量,Nsl,j为第j个充电站内慢速充电桩的配置数量。
10.根据权利要求1所述的电动汽车充电站选址定容优化方法,其特征在于,根据所述充电站峰值充电功率约束条件建立电动汽车充电站选址定容第三约束函数,所述电动汽车充电站选址定容第三约束函数为:
Sj≥∑iαβηNUMijcap(SOCref-SOCini),
其中,α为规划区域内每天需要充电的电动汽车占比,β为电动汽车充电同时率,η为规划区域内电动汽车充电功率峰值与平均值之间的倍数关系,NUMij为充电站j覆盖范围内第i条道路上的充电汽车总数量,cap为电动汽车额定容量平均水平,SOCref为电动汽车充电过程中荷电状态阈值,SOCini为电动汽车充电时荷电状态初始值。
11.根据权利要求1所述的电动汽车充电站选址定容优化方法,其特征在于,根据所述充电站数量约束条件建立电动汽车充电站选址定容第四约束函数,所述电动汽车充电站选址定容第四约束函数为:
Nmin≤N≤Nmax,
其中,Td为充电站内充电桩的日平均运行时间,D为规划区域内所有道路的集合,N为规划区域内待建设充电站总数量,α为规划区域内每天需要充电的电动汽车占比,NUMi为第i条道路的电动汽车总数量,cap为电动汽车额定容量平均水平,SOCref为电动汽车充电过程中荷电状态阈值,SOCini为电动汽车充电时荷电状态初始值,Pfa为快速充电桩的额定功率,Psl为慢速充电桩的额定功率,Nmin为规划区域内充电站数量最小值,Nmax为规划区域内充电站数量最大值,Nsl,min为单个充电站内慢速充电桩配置数量下限,Nfa,max为单个充电站内快速充电桩配置数量上限。
12.根据权利要求1所述的电动汽车充电站选址定容优化方法,其特征在于,根据所述充电站距离约束条件建立电动汽车充电站选址定容第五约束函数,所述电动汽车充电站选址定容第五约束函数为:
rj≤Sj,j+1≤2rj,
其中,rj为充电站j的有效服务半径,Sj,j+1为第j个充电站与第j+1个充电站之间的实际距离。
13.根据权利要求1所述的电动汽车充电站选址定容优化方法,其特征在于,所述根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数,所述路况与充电成本的关系函数为:
其中,Ty为充电站年平均运行天数,k为用户出行的时间价值,D为规划区域内所有道路的集合,N为规划区域内待建设充电站总数量,α为规划区域内每天需要充电的电动汽车占比,NUMi为第i条道路的电动汽车总数量,dij为第i条道路至充电站j的平均行驶距离,λi为第i条道路交通状况对应的耗时指数,其中,所述耗时指数为实际通过道路所需时长较道路畅通状况下通过道路所需时长的倍数,v0为道路通畅时电动汽车的行驶速度,cs为充电站售电电价,g为电动汽车单位行驶里程所消耗的电量。
14.根据权利要求1所述的电动汽车充电站选址定容优化方法,其特征在于,所述利用NSGA-Ⅱ算法和熵权法对所述电动汽车充电站选址定容优化模型进行求解,获取规划区域内的目标电动汽车充电站选址定容优化方案包括:
利用NSGA-Ⅱ算法对所述电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集;
利用熵权法分别计算所述可行方案集合中可行方案的综合分数,并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
15.根据权利要求14所述的电动汽车充电站选址定容优化方法,其特征在于,所述利用NSGA-Ⅱ算法对所述电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集包括:
初始化算法参数,并根据充电站位置、充电站内快速充电桩的配置数量以及充电站内慢速充电桩的配置数量进行编码;其中,所述初始化算法参数包括设置预设迭代次数和种群规模;
根据所述电动汽车充电站选址定容优化模型中的目标函数计算种群个体的适应度值,并进行非支配排序和拥挤度计算;
对种群进行选择、交叉、变异,生成子代种群;
合并初始种群和子代种群产生新种群,对所述新种群进行非支配排序和拥挤度计算,并利用精英保留策略对所述新种群进行优选作为初始种群进行迭代;
判断迭代次数是否等于预设迭代次数,若是则输出可行方案集合作为Pareto最优解集;若否则返回对种群进行选择、交叉、变异,生成子代种群,直到迭代次数等于预设次数。
16.根据权利要求14所述的电动汽车充电站选址定容优化方法,其特征在于,所述利用熵权法分别计算所述可行方案集合中可行方案的综合分数,并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案包括:
利用熵权法对所述可行方案集合中的可行方案进行数据标准化处理,其计算公式为:
其中,Yij为对Xij进行标准化处理后的数据,Xij为所述可行方案集合中第i个可行方案的第j个指标,min(Xj)为所述可行方案集合中第j个指标的最小值,max(Xj)为所述可行方案集合中第j个指标的最大值;
计算所述第j个指标下第i个可行方案的比重,其计算公式为:
其中,n为所述可行方案集合中可行方案的数量;
计算所述第j个指标的信息熵,其计算公式为:
计算所述第j个指标的权重,其计算公式为:
其中,k为所述可行方案集合中所有可行方案的指标数量;
计算所述可行方案集合中可行方案的综合分数,其计算公式为:
其中,Si为所述可行方案集合中第i个可行方案的综合分数;
对所述可行方案集合中可行方案的综合分数进行比较,并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
17.一种电动汽车充电站选址定容优化装置,其特征在于,包括:
第一目标函数构建模块,用于根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数,其中,所述充电站年化总成本中包括充电站内快速和慢速充电桩购买成本;其具体包括:
充电站年运行收益计算单元,用于根据充电站年平均运行天数、规划区域内每天需要充电的电动汽车数量、电动汽车充电前后荷电状态差值以及充电站售电电价和购电电价的差值计算充电站年运行收益;
所述充电站年运行收益的计算公式为:
其中,Ty为充电站年平均运行天数,D为规划区域内所有道路的集合,
α为规划区域内每天需要充电的电动汽车占比,NUMi为第i条道路的电动汽车总数量,cap为电动汽车额定容量平均水平,SOCref为电动汽车充电过程中荷电状态阈值,SOCini为电动汽车充电时荷电状态初始值,cs为充电站售电电价,cp为充电站购电电价;
充电站年化总成本计算单元,用于根据规划区域内待建设充电站总数量、充电站最大运行寿命、充电站贴现率、充电站的总建设成本与充电桩购买成本以及充电站的年运维成本计算充电站年化总成本;
所述充电站年化总成本的计算公式为:
其中,N为规划区域内待建设充电站总数量,e为充电站的贴现率,T为充电站的最大运行寿命,Cj为第j个充电站的总建设成本,Ccp,j为第j个充电站的充电桩购买成本,Com,j为第j个充电站的年运维成本;
充电站收益最大化目标函数构建单元,用于将所述充电站年运行收益与所述充电站年化总成本的差值最大化作为充电站收益最大化目标函数;第二目标函数构建模块,用于根据等效经济成本建立充电成本最小化目标函数;
约束函数构建模块,用于根据充电站内快速和慢速充电桩额定容量约束条件、充电站内快速和慢速充电桩数量约束条件、充电站峰值充电功率约束条件、充电站数量约束条件以及充电站距离约束条件分别建立电动汽车充电站选址定容约束函数;
关系函数构建模块,用于根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数;
模型构建模块,用于基于所述充电站收益最大化目标函数、所述充电成本最小化目标函数、所述电动汽车充电站选址定容约束函数和所述路况与充电成本的关系函数构建电动汽车充电站选址定容优化模型;
计算模块,用于利用NSGA-Ⅱ算法和熵权法对所述电动汽车充电站选址定容优化模型进行求解,获取规划区域内的目标电动汽车充电站选址定容优化方案。
18.根据权利要求17所述的电动汽车充电站选址定容优化装置,其特征在于,所述第二目标函数构建模块包括:
第一等效经济成本计算单元,用于根据行驶速度和行驶距离计算行驶时间和损耗电量的等效经济成本;
第二等效经济成本计算单元,用于根据充电站内电动汽车的平均充电排队时间计算站内排队等候时间的等效经济成本;
充电成本最小化目标函数构建单元,用于将所述行驶时间和损耗电量的等效经济成本与所述站内排队等候时间的等效经济成本的相加值最小化作为充电成本最小化目标函数。
19.根据权利要求17所述的电动汽车充电站选址定容优化装置,其特征在于,所述计算模块包括:
第一计算单元,用于利用NSGA-Ⅱ算法对所述电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集;
第二计算单元,用于利用熵权法分别计算所述可行方案集合中可行方案的综合分数,并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
20.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-16任一项所述的电动汽车充电站选址定容优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310587946.1A CN116307647B (zh) | 2023-05-24 | 2023-05-24 | 电动汽车充电站选址定容优化方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310587946.1A CN116307647B (zh) | 2023-05-24 | 2023-05-24 | 电动汽车充电站选址定容优化方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307647A CN116307647A (zh) | 2023-06-23 |
CN116307647B true CN116307647B (zh) | 2023-08-15 |
Family
ID=86824374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310587946.1A Active CN116307647B (zh) | 2023-05-24 | 2023-05-24 | 电动汽车充电站选址定容优化方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307647B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797002B (zh) * | 2023-08-17 | 2023-11-28 | 国网天津市电力公司培训中心 | 电动汽车充电站规划方法、装置及存储介质 |
CN117236613A (zh) * | 2023-09-18 | 2023-12-15 | 清华大学 | 电动汽车的能源站规划方法 |
CN117994116A (zh) * | 2024-04-07 | 2024-05-07 | 国网江西省电力有限公司经济技术研究院 | 考虑降碳增效的居民区电动汽车充电站定容方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110880755A (zh) * | 2019-11-06 | 2020-03-13 | 国网浙江省电力有限公司经济技术研究院 | 计及引导型充电控制的充电网络与配电网络协同规划方法 |
CN110968837A (zh) * | 2019-11-25 | 2020-04-07 | 南京邮电大学 | 电动汽车充电站选址定容的方法 |
WO2020199558A1 (zh) * | 2019-03-29 | 2020-10-08 | 江苏大学 | 一种电动汽车充电站最优建设数量和选址方案规划方法 |
CN112418605A (zh) * | 2020-10-19 | 2021-02-26 | 国网上海市电力公司 | 一种光储式充电站储能***优化运行方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN113971484A (zh) * | 2021-10-20 | 2022-01-25 | 朱珈汛 | 基于critic法和非合作博弈的电动汽车充电站的规划方法 |
CN114444803A (zh) * | 2022-01-30 | 2022-05-06 | 上海交通大学 | 电动汽车充电站充电负荷预测方法、***、终端及介质 |
CN115689237A (zh) * | 2022-11-11 | 2023-02-03 | 长安大学 | 基于多目标粒子群算法的电动汽车充电站双视角选址方法 |
-
2023
- 2023-05-24 CN CN202310587946.1A patent/CN116307647B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020199558A1 (zh) * | 2019-03-29 | 2020-10-08 | 江苏大学 | 一种电动汽车充电站最优建设数量和选址方案规划方法 |
CN110880755A (zh) * | 2019-11-06 | 2020-03-13 | 国网浙江省电力有限公司经济技术研究院 | 计及引导型充电控制的充电网络与配电网络协同规划方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN110968837A (zh) * | 2019-11-25 | 2020-04-07 | 南京邮电大学 | 电动汽车充电站选址定容的方法 |
CN112418605A (zh) * | 2020-10-19 | 2021-02-26 | 国网上海市电力公司 | 一种光储式充电站储能***优化运行方法 |
CN113971484A (zh) * | 2021-10-20 | 2022-01-25 | 朱珈汛 | 基于critic法和非合作博弈的电动汽车充电站的规划方法 |
CN114444803A (zh) * | 2022-01-30 | 2022-05-06 | 上海交通大学 | 电动汽车充电站充电负荷预测方法、***、终端及介质 |
CN115689237A (zh) * | 2022-11-11 | 2023-02-03 | 长安大学 | 基于多目标粒子群算法的电动汽车充电站双视角选址方法 |
Non-Patent Citations (1)
Title |
---|
采用分群优化的电动汽车与电网互动调度策略;王毅等;《电力自动化设备》;第40卷(第5期);77-85 * |
Also Published As
Publication number | Publication date |
---|---|
CN116307647A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307647B (zh) | 电动汽车充电站选址定容优化方法、装置及存储介质 | |
Li et al. | Public charging station location determination for electric ride-hailing vehicles based on an improved genetic algorithm | |
Ji et al. | Optimal electric bus fleet scheduling for a route with charging facility sharing | |
Yao et al. | Hybrid operations of human driving vehicles and automated vehicles with data-driven agent-based simulation | |
Meng et al. | Sequential construction planning of electric taxi charging stations considering the development of charging demand | |
Martins et al. | Assessing policy interventions to stimulate the transition of electric vehicle technology in the European Union | |
CN114912736A (zh) | 一种电动公交协调优化调度方法 | |
Comert et al. | A new approach based on hybrid ant colony optimization-artificial bee colony algorithm for multi-objective electric vehicle routing problems | |
Yang et al. | Microsimulation of low carbon urban transport policies in Beijing | |
Seyedyazdi et al. | A combined driver-station interactive algorithm for a maximum mutual interest in charging market | |
CN113327424B (zh) | 交通需求的预测方法、预测装置及电子设备 | |
Cui et al. | The parallel mobile charging service for free-floating shared electric vehicle clusters | |
CN115146946A (zh) | 基于多源数据的汽车充电设施选择及规划方法 | |
CN112766614A (zh) | 一种基于两阶段启发式算法的动态车辆路径优化方法 | |
Kamel et al. | A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks | |
Zhao et al. | Research on emergency distribution optimization of mobile power for electric vehicle in photovoltaic-energy storage-charging supply chain under the energy blockchain | |
CN115545337A (zh) | 一种考虑线-网互动的电动汽车充电决策优化方法 | |
Cui et al. | Dynamic pricing for fast charging stations with deep reinforcement learning | |
Farhadi et al. | Data-driven multi-objective optimization for electric vehicle charging infrastructure | |
Ma et al. | The location routing problem of the car-sharing system with autonomous electric vehicles | |
CN106682759B (zh) | 针对电动出租车的电池供应***及网络优化方法 | |
Yu et al. | Optimization of urban bus operation frequency under common route condition with rail transit | |
Li et al. | Genetic algorithm with an event-based simulator for solving the fleet allocation problem in an electric vehicle sharing system | |
Bi et al. | Bi-level optimisation model for one-way electric carsharing stations based on survival model | |
Mei et al. | Does the one-size-fits-all setting meet the demand? Assessment of setting EV–charging-capable parking spaces in public parking lots based on agent simulation |
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 |