充电站优化布局方法及装置与流程

本发明涉及新能源
技术领域：
，具体而言，涉及一种充电站优化布局方法及装置。
背景技术：
：随着科学技术的发展，以及石化能源的日益消耗，新能源技术逐步涌现出来。在新能源技术中，电能为代表性的新能源，以电能驱动的电动汽车已经逐步的应用到人们的生活中。在目前电动汽车的实际应用中，电动汽车在行驶一段距离后，需要对电瓶进行充电以便于再次行驶。由于城市复杂的道路环境，使用者在家附加对电动汽车进行充电是不适用的。在城市中，往往需要在城市的多个区域设置充电桩，以便于电动汽车能够便捷的进行充电。若设置充电桩的站点或充电桩太少，虽然能够有效的控制企业的建设及维护的资金，但电动汽车的使用者往往需要花费较长时间，行驶较远距离或长时间排队才能给自己的电动汽车进行充电，从而极大的影响了用户的适用性。若设置充电桩的站点或充电桩较多，虽然能够有效减小电动汽车使用者的行驶距离，行驶时长或排队时间，满足了使用者的需求。但企业的投资却需要花费大量资金进行建设及维护，从而不能够满足企业投资者的需求。因此，如何有效的计算城市中设置充电桩的站点或充电桩的数量，以获取满足使用者和投资者需求的最优方案是目前业界一大难题。技术实现要素：有鉴于此，本发明的目的在于提供一种充电站优化布局方法及装置，其能够有效的计算城市中设置充电桩的站点或充电桩的数量，以获取满足使用者和投资者需求的最优方案。本发明的实施例是这样实现的：第一方面，本发明实施例提供了一种充电站优化布局方法，所述方法包括：获取配网基本参数，根据所述配网基本参数和第一约束条件通过第一模型生成充电站的参数决策变量，根据所述参数决策变量通过第二模型获取二元决策变量。将所述参数决策变量和所述二元决策变量根据预设规则均更新至预设次数，其中，所述预设规则包括：根据所述参数决策变量通过所述第二模型更新所述二元决策变量，再根据更新的所述二元决策变量和所述第一约束条件通过所述第一模型更新所述参数决策变量。根据更新至预设次数的所述参数决策变量和更新至预设次数的所述二元决策变量通过所述第一模型获取投资优化结果，根据更新至预设次数的所述二元决策变量通过所述第二模型获取满意度优化结果。根据所述投资优化结果和所述满意度优化结果获取充电站优化布局结果。第二方面，本发明实施例提供了一种充电站优化布局装置，所述装置包括：第一处理模块，用于获取配网基本参数，根据所述配网基本参数和第一约束条件通过第一模型生成充电站的参数决策变量，根据所述参数决策变量通过第二模型获取二元决策变量。第二处理模块，用于将所述参数决策变量和所述二元决策变量根据预设规则均更新至预设次数，其中，所述预设规则包括：根据所述参数决策变量通过所述第二模型更新所述二元决策变量，再根据更新的所述二元决策变量和所述第一约束条件通过所述第一模型更新所述参数决策变量。第三处理模块，用于根据更新至预设次数的所述参数决策变量和更新至预设次数的所述二元决策变量通过所述第一模型获取投资优化结果，根据更新至预设次数的所述二元决策变量通过所述第二模型获取满意度优化结果。输出模块；用于根据所述投资优化结果和所述满意度优化结果获取充电站优化布局结果。本发明实施例的有益效果是：通过获取输入配网基本参数，以及将配网基本参数和第一约束条件通过第一模型生成充电站的参数决策变量，从而能够得到符合配网基本参数和第一约束条件的充电站的建造数量以及对应的建造位置。而根据参数决策变量通过带入第二模型，则能够通过第二模型获得某位用户选择第几座充电站的二元决策变量。与此同时，将参数决策变量和二元决策变量根据预设规则均更新至预设次数，以获取稳定的参数决策变量和二元决策变量。其中，预设规则包括：根据二元决策变量和第一约束条件通过第一模型更新参数决策变量，再将更新的参数决策变量通过第二模型更新二元决策变量。将参数决策变量通过第一模型的一次更新为对参数决策变量的一次优化，而将二元决策变量通过第二模型的一次更新也为对二元决策变量的一次优化。通过对参数决策变量通和二元决策变量不断的更新，在接近预设次数后，参数决策变量通过第一模型的每次更新和二元决策变量通过第二模型的每次更新均趋于稳定，则在满足更新至预设次数后，停止对参数决策变量和二元决策变量的更新。再者，根据更新至预设次数的参数决策变量和更新至预设次数的二元决策变量通过第一模型获取投资优化结果，而根据更新至预设次数的二元决策变量通过第二模型获取满意度优化结果。由于投资优化结果和满意度优化结果为不断优化更新，并相互影响而获取最优结构，从而根据投资优化结果和满意度优化便能够获取充电站优化布局结果。因此，通过第一模型对参数决策变量的按预设次数的不断优化更新，第二模型对二元决策变量的按预设次数的不断优化更新，以及参数决策变量和二元决策变量在更新时的相互影响，从而最终能够获得充电站优化布局结果，进而能够获取满足使用者和投资者需求的最优方案。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。通过附图所示，本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本发明的主旨。图1示出了本发明实施例提供的一种本地终端的结构框图；图2示出了本发明实施例提供的一种充电站优化布局方法的流程图；图3示出了本发明实施例提供的一种充电站优化布局方法中步骤S100的子流程图；图4示出了本发明实施例提供的一种充电站优化布局方法中步骤S200的子流程图；图5示出了本发明实施例提供的一种充电站优化布局方法中步骤S300的子流程图；图6示出了本发明实施例提供的一种充电站优化方法中规划区域的结构示意图；图7示出了本发明实施例提供的一种充电站优化方法的仿真图；图8示出了本发明实施例提供的一种充电站优化装置的第一结构框图；图9示出了本发明实施例提供的一种充电站优化装置的第二结构框图；图10示出了本发明实施例提供的一种充电站优化装置的第三结构框图。图标：100-本地终端；200-充电站优化布局装置；210-第一处理模块；211-输入单元；212-第一处理单元；213-第二处理单元；220-第二处理模块；221-第三处理单元；222-第四处理单元；230-第三处理模块；240-输出模块；101-存储器；102-存储控制器；103-处理器；104-外设接口；105-输入输出单元；106-音频单元；107-显示单元。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。如图1所示，是所述本地终端100的方框示意图。所述本地终端100包括：充电站优化布局装置200、存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、音频单元106、显示单元107。所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、音频单元106、显示单元107各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述充电站优化布局装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述本地终端100的操作系统(operatingsystem，OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块，例如所述充电站优化布局装置200包括的软件功能模块或计算机程序。其中，存储器101可以是，但不限于，随机存取存储器(RandomAccessMemory，RAM)，只读存储器ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，PROM)，可擦除只读存储器ErasableProgrammableRead-OnlyMemory，EPROM)，电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory，EEPROM)等。其中，存储器101用于存储程序，所述处理器103在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器103中，或者由处理器103实现。处理器103可能是一种集成电路芯片，具有信号的处理能力。上述的处理器103可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。所述外设接口104将各种输入/输入装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。输入输出单元105用于提供给用户输入数据实现用户与所述本地终端100的交互。所述输入输出单元105可以是，但不限于，鼠标和键盘等。音频单元106向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。显示单元107在所述本地终端100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元107可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器103进行计算和处理。请参阅图2，是本发明较佳实施例提供的应用于图1的本地终端100的充电站优化布局方法的流程图。在本实施例中，通过第一模型对参数决策变量的按预设次数的不断优化更新，第二模型对二元决策变量的按预设次数的不断优化更新，以及参数决策变量和二元决策变量在更新时的相互影响，从而最终能够获得充电站优化布局结果，进而能够获取满足使用者和投资者需求的最优方案。具体的，获取充电站优化布局结果的流程包括：步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。步骤S100：获取电动汽车的基准数据，根据所述基准数据获取预设区域内的日充电最大功率，其中，所述日充电最大功率为所述配网基本参数中的参数。获取规划区域内各类电动汽车的基准数据。其中，各类电动汽车包括：电动公交车、电动出租车、电动私家车和电动公务车；基准数据包括：各类电动汽车行的数量、各类电动汽车行在一天中的程里、各类电动汽车在一天中的行驶时间段和各类电动汽车在一天中的充电时间段。每种电动汽车的用途不同，其基准数据也不同。将基准数据中每种电动汽车的数据进行综合，再通过概率分布获得电动汽车的充电概率、时刻概率密度函数和时长概率密度函数。根据预设的各电动汽车的预设充电功率，将电动汽车的充电概率、时刻概率密度函数和时长概率密度函数以蒙特卡洛模拟法进行多次抽样，从而获得在规划区域内的电动汽车的日充电最大功率。而日充电最大功率能够作为配网基本参数中的参数之一。步骤S200：获取配网基本参数，根据所述配网基本参数和第一约束条件通过第一模型生成充电站的参数决策变量，根据所述参数决策变量通过第二模型获取二元决策变量。获取配网基本参数，其中，配网基本参数不仅包括日充电最大功率，配网基本参数还包括：在选择规划区域内能够建立充电站的位置的数量、建立充电站的固定成本以及线路的损耗。在本实施例中，第一约束条件为电网的基本要求参数，建立的充电站需要满足电网的要求，因此获取在参数决策变量的运算过程中，必须满足第一约束条件。第一模型为上层模型，即上层模型所获得的解能够表示投资者的投资优化结果，参数决策变量为决定上层的解的其中一个变量，其为在各预设位置是否建立充电站的变量。通过配网基本参数和第一约束条件通过第一模型生成充电站的参数决策变量。作为一种方式，获得参数决策变量的过程可以为参数决策变量进行不断优化更新，因此，需通过配网基本参数和第一约束条件在第一模型中首先随机生成一个参数决策变量。第二模型为下层模型，即下层模型所获得的解能够表示用户的满意度优化结果。在本实施例中，通过将生成的参数决策变量带入第二模型，而能够获得与参数决策变量相关的二元决策变量。其中，二元决策变量表示某个用户选择某个充电站充电的变量。因此，通过随机生成参数决策变量，并根据参数决策变量而获得确定二元决策变量后，便能够进行迭代的优化计算。步骤S300：将所述参数决策变量和所述二元决策变量根据预设规则均更新至预设次数，其中，所述预设规则包括：根据所述参数决策变量通过所述第二模型更新所述二元决策变量，再根据更新的所述二元决策变量和所述第一约束条件通过所述第一模型更新所述参数决策变量。在获取参数决策变量和二元决策变量后，可以将参数决策变量和二元决策变量根据预设规则均更新至预设次数，以获取稳定的参数决策变量和二元决策变量。在本实施例中，预设规则可以为：根据第一约束条件和首次获取的二元决策变量通过第一模型从而更新参数决策变量，而再将更新的后参数决策变量通过第二模型再次更新二元决策变量。将参数决策变量通过第一模型的一次更新为对参数决策变量的一次优化，而将二元决策变量通过第二模型的一次更新也为对二元决策变量的一次优化。通过对参数决策变量通和二元决策变量不断的更新，在接近预设次数后，参数决策变量通过第一模型的每次更新和二元决策变量通过第二模型的每次更新均趋于稳定，则在满足更新至预设次数后，停止对参数决策变量和二元决策变量的更新。步骤S400：根据更新至预设次数的所述参数决策变量和更新至预设次数的所述二元决策变量通过所述第一模型获取投资优化结果，根据更新至预设次数的所述二元决策变量通过所述第二模型获取满意度优化结果。更新至预设次数的参数决策变量和更新至预设次数的二元决策变量均能够趋于稳定，可认为参数决策变量和二元决策变量均通过预设次数的更新而变为最优状态。第一模型中，参数决策变量和二元决策变量均为获得投资优化结果的变量。在预设次数后，将确定的参数决策变量和二元决策变量带入第一模型中，第一模型便能够输出投资优化结果。第二模型中，二元决策变量为获得满意度优化结果的变量，在预设次数后，将确定二元决策变量带入第二模型中，第二模型便能够输出满意度优化结果。步骤S500：根据所述投资优化结果和所述满意度优化结果获取充电站优化布局结果。在获得投资优化结果和满意度优化结果后，由于在第一模型和第二模型运算时的相互影响，投资优化结果能够表示在满足用户使用情况下投资者利益的最佳投资实现方式，而满意度优化结果能够表示在投资者利益的情况下用户的最佳使用满意度。从而将投资优化结果和满意度优化结果进行汇总输出后，输出的结果即为兼顾了投资利益和用户利益的充电站优化布局结果。请参阅图3，图3为获得日充电最大功率的步骤S100的子流程。通过建立多次的概率分布从而能够获取日充电最大功率。具体的，通过建立多次的概率分布从而能够获取日充电最大功率的子流程包括：步骤S110、步骤S120、步骤S130和步骤S140。步骤S110：根据所述基准数据获取预设区域内的所述电动汽车的日行驶距离的距离正态分布和开始充电时刻的时刻概率密度函数。基准数据可包括：各类电动汽车行的数量、各类电动汽车行在一天中的程里、各类电动汽车在一天中的行驶时间段和各类电动汽车在一天中的充电时间段。具体的，电动公交车日均行驶里程可预设为150～200km，若维持一天运营要求须至少进行一次充电。电动公交车运营时间和地点相对集中，可在用电低谷时段进行集中充电，在白天高峰运营时段(10:30-16:00)可采用快充方式，夜间(22:30-5:30)停车时间长可采用慢充方式。电动出租车相对电动公交车而言，无固定行驶线路，在时间、空间上具有较强的随机性。电动出租车日均行驶里程为350～500km，一般由2名出租车司机按大、小班方式交替驾驶，大班司机每24小时倒一次班，小班司机每12小时倒一次班。可预设电动出租车的额定行驶里程约为300km，为维持出租车正常运营要求每天进行至少两次充电。考虑到出租车的运营效益，一般会选择在交接班的时段进行充电，白天(11:30-14:30)可采用快速充电方式，夜间(2:00-5:00)可采用慢速充电方式。电动私家车主要用于车主上、下班以及休闲娱乐等。电动公务车主要用于政府官员执行公务。考虑到电动私家车和电动公务车一天中大部分时间均处于空闲状态，可将其归为一类。在私家车车主和公务人员未使用汽车时，可将汽车停泊到集中型充电站采用慢速充电方式进行电量补给。通过各基准数据，从而可获取预设区域内电动汽车的日行驶距离的距离正态分布：其中，d表示电动汽车的日行驶距离；μ1和σ1分别为电动公交车与电动出租车的日行驶距离期望和标准差；μ2和σ2分别为电动私家车与电动公务车的日行驶距离期望和标准差。再者，根据上述基准数据中各电动汽车的充电时间分布，从而可获取预设区域内电动汽车开始充电时刻的时刻概率密度函数。其中，μ3和σ3为开始充电时刻的期望和标准差。步骤S120：根据所述距离正态分布和预设充电功率获取所述电动汽车充电时长的时长概率密度函数。在本实施例中，预设各种电动汽车的充电功率在2至3KW的范围内满足均匀分布为预设充电功率。若满足电动汽车的日行驶距离的变量和充电功率的变量相互独立，从而可以得到电动汽车的充电时间长度tc表示为：fpc(pc)＝12≤Pc≤3或fpc(pc)＝0其中，ωd表示电动汽车的100KM的耗电量；η表示充电机的充电效率；Pc表示充电机的充电功率。通过长度tc的函数以及距离正态分布即可获得电动汽车充电时长的时长概率密度函数：其中，f3(tc)表示电动公交车和电动出租车的充电时长概率密度函数，f4(tc)表示电动私家车和电动公务车的充电时长概率密度函数，而式中的a表示ωd/1.61×η。步骤S130：将所述时长概率密度函数和所述时刻概率密度函数相乘获取所述电动汽车一天中某时刻处于充电状态的充电概率。作为一种方式，若电动汽车的充电开始时刻和充电时间长度也相互独立。而一台电动汽车在一天的状态可分为正在充电状态和未充电状态，其在一天中某时刻t的状态Xt，Xt＝1为正在充电状态，而Xt＝0为未充电状态。从而可以获取电动汽车未充电状态的概率P(Xt＝0)和电动汽车正在充电状态正在充电状态的概率P(Xt＝1)，其可表示为：P(Xt＝0)＝F34(t<tb,tb+tc≤t+24)+F34(tb+tc≤t)P(Xt＝1)＝1-P(Xt＝0)式中，F34表示充电开始时刻和充电时间长度的联合概率分布函数，即可以为电动汽车一天中某时刻处于充电状态的充电概率。作为一种方式，F34＝F3×F4，其中，F3表示对开始充电时刻的时刻概率密度函数进行积分而获得开始充电时刻的时刻概率分布函数，而F4则表示对充电时长的时长概率密度函数进行积分而获得充电时长的时长概率分布函数。将F3和F4的概率相乘叠加，能够获得电动汽车一天中某时刻处于充电状态的充电概率。步骤S140：根据所述充电概率、所述时刻概率密度函数、所述预设充电功率和所述时长概率密度函数进行多次抽样而获取预设区域内的所述日充电最大功率，其中，所述日充电最大功率为所述配网基本参数中的参数。在本实施例中，根据预设的各电动汽车的预设充电功率，将电动汽车的充电概率、时刻概率密度函数和时长概率密度函数联立起来求出一天中各时刻一台电动汽车充电需求功率的概率分布。其中，通过蒙特卡洛模拟法进行多次抽样求解。通过对一台电动汽车多次抽样获得每次抽样的充电功率，再将多次抽样获得的充电功率进行平均，从而能够获得一台电动汽车在一天中的充电功率需求。根据规划区域中，预设电动汽车的数量乘以一台电动汽车在一天中的充电功率需求，从而能够获得预设获得在规划区域内的电动汽车的日充电最大功率。而日充电最大功率能够作为配网基本参数中的参数之一。请参阅图4，图4示出了首次获取参数决策变量和二元决策变量的步骤S200的子流程。通过第一模型中的量子遗传算法和第二模型中的粒子群算法能够首次获取参数决策变量和二元决策变量。具体的，通过第一模型中的量子遗传算法和第二模型中的粒子群算法能够首次获取参数决策变量和二元决策变量的子流程包括：步骤S210、步骤S220和步骤S230。步骤S210：获取所述配网基本参数。获取配网基本参数，其中，配网基本参数不仅包括日充电最大功率，配网基本参数还包括：在选择规划区域内能够建立充电站的位置的数量、建立充电站的固定成本以及线路的损耗。步骤S220：根据所述配网基本参数和所述第一约束条件通过所述第一模型以量子遗传算法生成充电站的所述参数决策变量。第一模型为上层模型，上层模型能够用于优化投资企业的投资额度。在对充电站规划时，投资企业既要考虑新建充电站的建设运行成本和充电站运营过程中造成电网线路损耗而缴纳的成本，又要考虑企业的客户在充电过程产生的耗时成本。充电机是充电站固定投资的决定性因素，充电机数量越多，服务的车辆就越多，占地面积就越大，相应土地购置成本和其他辅助设施的投资也越大，运行维护成本也越大。将建设运行成本均作为充电机数量的函数。因此，企业投资者将以充电站的年投资成本最小化为目标函数建立上层模型，并在充电站容量、电网潮流和投资预算等第一约束条件的约束下对上层模型的目标函数求解。其中，上层模型可表示为：minC＝C1+C2+C3其中，δi表示参数决策变量、λij表示二元决策变量、minC表示充电站的总投资成本、C1表示充电站年建设运行成本、C2表示支付给电力公司的全年网络损耗成本、C3表示用户充电行为耗时成本、ni表示第i座充电站内充电机数量、fi(ni)表示第i座充电站的年建设成本、gi(ni)表示第i座充电站的年运行成本、r0表示贴现率、τ表示运行年限、W表示充电站固定成本；q1表示充电机单价的等效投资因子、q2表示充电机数量的等效投资因子、Tyear表示1年的天数、e表示线路单位网络损耗成本、ΔPk,i表示第i座充电站引起第k条馈线1天内有功功率损耗、M表示1天中某时刻充电的用户数量、tij表示第j个用户从需求点行驶至第i座充电站的行驶时间期望和站内充电时间期望的总和、C0表示单位时间成本。在本实施例中，上层模型能够进行满足第一约束条件的运算。第一约束条件为电网的基本要求参数，建立的充电站需要满足电网的要求，因此获取在参数决策变量的运算过程中，必须满足第一约束条件。第一约束条件可表示为：Vamin≤Va≤Vamaxa∈A|Iab|≤Iabmaxa,b∈AC≤Call其中，Pmax为配电网允许接入的最大充电功率、Va为城市配电网中节点a的电压幅值、Vamin和Vamax分别为节点a电压幅值的上限和下限、Iab和Iabmax分别为配电网中ab馈线的实际电流和馈线允许流过的最大电流、Call为集中型充电站总投资成本预算、Nmax为集中型充电站新建数量的最大值、第一约束条件中的第一式表示日充电最大功率不能超过电网允许限值、第一约束条件中的第二式表示充电站接入点电压不越限、第一约束条件中的第三式表示流过馈线ab的电流不超过允许限值、第一约束条件中的第四式表示表示投资成本不超过给定预算、第一约束条件中的第五式表示企业新建充电站数量不超过给定上限。在获取配网基本参数后，将配网基本参数对应到上层模型的中作为固定参数。通过量子遗传算法在满足第一约束条件的情况下对上层模型中的变量进行求解。量子遗传算法具有不断优化的特性，从而上层模型以量子遗传算法能够生成充电站的位置及其容量、充电机数量。由于还需后续的继续优化，此时生成的充电站的容量和充电机数量并不做进一步的处理。而生成充电站的位置为在各预设位置是否建立充电站的变量，即为参数决策变量。参数决策变量也为第二模型中的一个变量，从而可将参数决策变量带入第二模型进行求解。需要说明的是，上层模型第一次生成的参数决策变量为随机生成。步骤S230：根据所述参数决策变量和第二约束条件通过所述第二模型以粒子群算法获取所述二元决策变量。在本实施例中，第二模型为上层模型，下层模型能够用于优化用户的满意度。作为一种方式，根据用户的时间体验不同，用户在消费或接受服务过程中产生不同程度满意的现象称为时间满意度。用户的时间体验是个极其复杂的过程，如果提供的服务时间符合用户期望，用户表现满意态度，否则会表现不满意态度。本实施例通过用户满意度对充电用户感受到充电服务的满意水平进行统一刻画，采用改进的弯曲函数(Sigmoid)表示单位充电功率下的用户满意度S(tij)，其可表示为：其中，S(tij)表示用户满意度、maxT全部用户满意度。而根据改进的弯曲函数，可建立以用户满意度T最大为目标的下层模型，其可表示为：其中，λij表示所述二元决策变量、tij表示第j个用户从需求点行驶至第i座充电站的行驶时间期望和站内充电时间期望的总和、Pj为第j个用户的充电量。在下层模型中，下层模型需要进行满足约束条件的运算。其约束条件为第二约束条件。具体的，第二约束条件可表示为：λij-δi≤0式中，Pimax为第i座充电站最大充电功率、第二约束条件中的第一式表示充电用户只能选择一个充电站充电、第二约束条件中的第二式表示第j个充电用户选择第i座充电站进行充电的前提就是必须建立第i座充电站、第二约束条件中的第三式表示第j个充电用户选择第i座充电站进行充电的充电功率不能超过第i座充电站提供的最大充电功率。参数决策变量为下层模型中的一个变量，将参数决策变量带入下层模型后，下层模型通过粒子群算法根据参数决策变量而获取二元决策变量λij。具体的，在粒子群算法中，每个用户均具可以认为为一个粒子，用户行驶的速度为该粒子的速度，通过对带有速度的粒子的不断运算，从而能够获取最优的二元决策变量λij，即某个用户选择某个充电站充电的结果。请参阅图5，图5示出了将参数决策变量和二元决策变量根据预设规则均更新至预设次数的子流程。通过按照预设规则更新参数决策变量和二元决策变量至预设次数，以获得稳定的参数决策变量和二元决策变量。具体的，通过按照预设规则更新参数决策变量和二元决策变量至预设次数，以获得稳定的参数决策变量和二元决策变量的步骤包括：步骤S310和步骤S320。步骤S310：将所述参数决策变量和所述二元决策变量根据预设规则均更新至预设次数，其中，所述预设规则包括：根据第二约束条件和所述参数决策变量通过所述第二模型以粒子群算法更新所述二元决策变量，并根据更新的所述二元决策变量和所述第一约束条件通过所述第一模型以量子遗传算法更新所述参数决策变量。当获取通过上层模型以量子遗传算法一次获取到参数决策变量时，若根据该参数决策变量将上层模型求解而获取投资优化结果，则该投资优化结果可能不满足用户的需求。而当通过下层模型以粒子群算法一次获取到二元决策变量时，若根据该二元决策变量将下层模型求解而获得满意度优化结果，则该满意度优化结果可能不满足企业的投资需求。因此，需要通过上层模型以量子遗传算法将参数决策变量和通过下层模型以粒子群算法二元决策变量根据预设规则均更新至预设次数。预设规则的开始为在通过上层模型获取参数决策变量后，将参数决策变量和二元决策变量均更新一次。具体的，通过上层模型在满足第一约束条件下获取到参数决策变量后，将获取参数决策变量带入到下层模型，从而在满足第二约束条件下以使二元决策变量得到更新。由于上层模型生成参数决策变量时，上层模型为生成参数决策变量而生成的二元决策变量与下层模型中通过参数决策变量获得的二元决策变量并不相同。从而再将下层模型获取的二元决策变量带入上层模型，以使上层模型中的参数决策变量得到更新，进而预设规则中参数决策变量和二元决策变量均得到一次更新。再者，通过将上层模型获取的参数决策变量带入下层模型更新其二元决策变量，再将更新其二元决策变量带入层模型更新参数决策变量。从而在不断的更新后，能够使得上层模型的最优解和下层模型的最优解相互接近。在本实施例中，预设次数为100次。即参数决策变量和二元决策变量均更新100次。参数决策变量和二元决策变量更新预设次数能够区域稳定，即在更新预设次数后，根据更新预设次数后的参数决策变量和更新预设次数后的二元决策变量将上层模型求解而获取投资优化结果能够最满足企业投资者需求的同时也满足用户的需求。而根据更新预设次数后的二元决策变量将下层模型求解而获得满意度优化结果在满足用户的需求的同时也符合企业投资者的利益。步骤S320：当所述参数决策变量和所述二元决策变量根据所述预设规则均更新至预设次数时，判定满足结束条件。当参数决策变量和二元决策变量根据预设规则均更新至预设次数，即均更新100次后。此时的参数决策变量和二元决策变量均趋于稳定，从而判定更新迭代的过程结束。请参阅图6，针对上述方法的执行过程，下面以一个具体的实施例来详细说明本发明的方法。设定规划区域面积约为150km2的某市某区为例进行充电站优化布局，规划区域示意图如图6所示，企业投资者可在6个预设位置(用圆圈表示)设置充电站，并且每个充电站的可用面积不受约束。预设规划水平年的汽车保有量约为20万辆，其中电动汽车的比例约为10％，电动公交车、电动出租车、电动私家车和电动公务车所占百分比分别为6％、13％、79％和2％。获得规划区域内的电动汽车的基准数据和配网基本参数如下表所示：μ1σ1μ2σ2μ3σ3155.0241.533.200.8817.63.4NminNmaxωlηr0τ5台15台0.15kw*h/km0.90.071.0元/kwe1e2TyearAc010万元3万元/台*台365天200万元20元/h根据各电动汽车的充电概率、时刻概率密度函数、预设充电功率和时长概率密度函数，通过蒙特卡洛模拟法进行多次抽样获取获得预设区域内的日充电最大功率12.5MW。预设企业投资者在可在预设位置建立3至5座充电站为用户提供充电服务。根据已获得的日充电最大功率12.5MW，以及通过上述的上层模型和下层模型，采用量子遗传算法和粒子群算法按照预设规则更新迭代100次，获得两个电动汽车充电站规划结果下表所示(括号里的数字为充电机配置数量)：方案δi(Ni/台)C/万元满意度11(10)、5(9)、6(9)674.225622(7)、4(7)、5(8)、6(8)722.1779参阅表中数据可知，方案1提出新建3座集中型充电站的投资成本比方案2提出新建4座充电站时要低，但充电用户的满意度明显比方案2低。方案2中设置充电站的位置用字母将标记于图5中，参阅图5可获知4座充电站位置均匀地分布于规划区内，虽然充电站建设成本增加了约7.11％，但是充电用户满意度大幅提升了约41.07％。在充电站年总投资成本相差不大的情况下，企业投资者多新建一座充电站更具优势和适应性。例如，规划区域内充电用户更容易到达充电站，节约了用户时间损耗成本，可激励更多消费者购买企业电动汽车，进而提高企业竞争力；每个充电站的配置容量减少，便于满足将来充电负荷增长的扩容需求。再者，为再次验证本实施例提供的充电站优化布局方法中使用上层模型和下层模型的优势，分别以投资成本和用户满意度为目标函数的单层规划模型进行分析：1.将充电站的投资成本作为约束条件加入已有约束条件中，并以充电用户满意度最大为目标函数，建立充电站单层规划模型的模型1；2.将充电用户的满意度作为约束条件加入已有约束条件中，并以充电站投资成本最小为目标函数，建立充电站单层规划模型的模型2。以上两个单层模型同样采用上述具体的实施例中的基本参数，模型1的约束条件是企业投资者的投资成本不高于700万元，模型2的约束条件是用户的满意度不小于90个单位。采用量子遗传算法求解以上两个模型，其结果如下表所示：情景δi(Ni/台)C/万元满意度11(9)、5(9)、6(9)686.536322(7)、4(7)、7(7)、8(7)742.3694由上表中的数据结果可知，情景1虽能保证投资成本最低，但用户满意度相对较小；情景2能保证用户满意度达到最大(相对于情景1提升约49.21％)，但投资成本增加(增加约8.13％)，与企业投资者投资理念相悖。与上述具体的实施例中的方案2相对比，通过上层模型和下层模型中不同决策者之间的耦合决策作用，既能保证企业投资成本处于合理水平，也兼顾了用户体验的舒适度，即企业和用户各自的利益得到了均衡。请参阅图7，图7中实线A为用户满意度、虚线B为企业投资成本、X为企业总投资成本(万元)、Y为固定成本(万元)、Z为用户满意度。作为一种方式，对于企业投资者而言，保证企业盈利和增强企业市场占有率是最终目的。企业新建集中型充电站不仅能增强消费者购买电动汽车的欲望，还能依靠充电站充电获得运营效益。在电动汽车推广初期，新建充电站前期需投入大量的资金，如果企业急于收回投资成本，会收取高昂的充电服务费用，进而阻碍电动汽车的发展，因此对于企业来说控制充电站投资成本是企业关注重点。充电站年建设运行成本所占比例较重，其中年运行成本基本上相差不大，而年建设成本中固定成本和等效投资成本可以根据企业实际情况或规划预算决定，即年建设成本是可变的。因此，本实施例中通过获取不同固定成本对最终充电站规划结果的影响如图7所示。通过参阅图7可得，集中型充电站固定成本的增加会使充电站总投资成本不断增加，充电用户满意度也逐渐提升。换言之，企业可通过增加充电站的投资(如增加充电机数量、更新充电技术等)来提高充电站服务效率，进而增加电动汽车用户充电体验的满意度，还能刺激现有电动汽车用户周围的消费者购买电动汽车的欲望。请参阅图7，图7为应用在图1所示的本地终端100的充电站优化布局装置200的第一结构框图。该充电站优化布局装置200包括：第一处理模块210、第二处理模块220、第三处理模块230和输出模块240。第一处理模块210，用于获取配网基本参数，根据所述配网基本参数和第一约束条件通过第一模型生成充电站的参数决策变量，根据所述参数决策变量通过第二模型获取二元决策变量。第二处理模块220，用于将所述参数决策变量和所述二元决策变量根据预设规则均更新至预设次数，其中，所述预设规则包括：根据所述参数决策变量通过所述第二模型更新所述二元决策变量，再根据更新的所述二元决策变量和所述第一约束条件通过所述第一模型更新所述参数决策变量。第三处理模块230，用于根据更新至预设次数的所述参数决策变量和更新至预设次数的所述二元决策变量通过所述第一模型获取投资优化结果，根据更新至预设次数的所述二元决策变量通过所述第二模型获取满意度优化结果。输出模块240；根据所述投资优化结果和所述满意度优化结果获取充电站优化布局结果。请参阅图8，图8为应用在图1所示的本地终端100的充电站优化布局装置200的第二结构框图。其中，第一处理模块210包括：输入单元211、第一处理单元212和第二处理单元213。输入单元211，用于获取所述配网基本参数。第一处理单元212，用于根据所述配网基本参数和所述第一约束条件通过所述第一模型以量子遗传算法生成充电站的所述参数决策变量。第二处理单元213，用于根据所述参数决策变量和第二约束条件通过所述第二模型以粒子群算法获取所述二元决策变量。请参阅图9，图9为应用在图1所示的本地终端100的充电站优化布局装置200的第二结构框图。其中，第二处理模块220包括：第三处理单元221和第四处理单元222。第三处理单元221，用于将所述参数决策变量和所述二元决策变量根据所述预设规则均更新至预设次数，其中，所述预设规则包括：根据第二约束条件和所述参数决策变量通过所述第二模型以所述粒子群算法更新所述二元决策变量，并根据更新的所述二元决策变量和所述第一约束条件通过所述第一模型以所述量子遗传算法更新所述参数决策变量用户。第四处理单元222，用于当所述参数决策变量和所述二元决策变量根据所述预设规则均更新至预设次数时，判定满足结束条件。需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。综上所述，在本发明实施例提供了一种充电站优化布局方法及装置，在该充电站优化布局方法中，通过获取输入配网基本参数，以及将配网基本参数和第一约束条件通过第一模型生成充电站的参数决策变量，从而能够得到符合配网基本参数和第一约束条件的充电站的建造数量以及对应的建造位置。而根据参数决策变量通过带入第二模型，则能够通过第二模型获得某位用户选择第几座充电站的二元决策变量。将参数决策变量和二元决策变量根据预设规则均更新至预设次数，以获取稳定的参数决策变量和二元决策变量。其中，预设规则包括：根据二元决策变量和第一约束条件通过第一模型更新参数决策变量，再将更新的参数决策变量通过第二模型更新二元决策变量。将参数决策变量通过第一模型的一次更新为对参数决策变量的一次优化，而将二元决策变量通过第二模型的一次更新也为对二元决策变量的一次优化。通过对参数决策变量通和二元决策变量不断的更新，在接近预设次数后，参数决策变量通过第一模型的每次更新和二元决策变量通过第二模型的每次更新均趋于稳定，则在满足更新至预设次数后，停止对参数决策变量和二元决策变量的更新。再者，根据更新至预设次数的参数决策变量和更新至预设次数的二元决策变量通过第一模型获取投资优化结果，而根据更新至预设次数的二元决策变量通过第二模型获取满意度优化结果。由于投资优化结果和满意度优化结果为不断优化更新，并相互影响而获取最优结构，从而根据投资优化结果和满意度优化便能够获取充电站优化布局结果。通过第一模型对参数决策变量的按预设次数的不断优化更新，第二模型对二元决策变量的按预设次数的不断优化更新，以及参数决策变量和二元决策变量在更新时的相互影响，从而最终能够获得充电站优化布局结果，进而能够获取满足使用者和投资者需求的最优方案。当前第1页1 2 3