充电站优化布局方法及装置与流程

技术特征：

1.一种充电站优化布局方法，其特征在于，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。

2.根据权利要求1所述的充电站优化布局方法，其特征在于，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的步骤，包括：

获取所述配网基本参数；

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；

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。

3.根据权利要求2所述的充电站优化布局方法，其特征在于，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的步骤，包括：

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；

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。

4.根据权利要求1所述的充电站优化布局方法，其特征在于，在获取配网基本参数，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的步骤之前，还包括：

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。

5.根据权利要求4所述的充电站优化布局方法，其特征在于，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的步骤包括：

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；

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；

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；

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。

6.根据权利要求1所述的充电站优化布局方法，其特征在于，所述第一模型为：

min C＝C₁+C₂+C₃

$\left\{\begin{array}{c}{C}_1=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\δ}}_i\[f_i\left(n_i\right)\frac{r_0{(1+r_0)}^{\mathrm{\τ}}}{{(1+r_0)}^{\mathrm{\τ}}-1}+g_i\left(n_i\right)\]\\ f_i\left(n_i\right)={\mathrm{\δ}}_i(W+q_1{n}_i+q_2{n}_i^2)\end{array}\right.$

$C_2=T_{year}\underset{i=1}{\overset{N}{\Σ}}(e\·\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\ΔP}}_{k,i})$

$C_3=\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\λ}}_{ij}{t}_{ij}{c}_0$

其中，δi表示所述参数决策变量、λij表示所述二元决策变量、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、n_i表示第i座充电站内充电机数量、f_i(n_i)表示第i座充电站的年建设成本、g_i(n_i)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、T_year表示1年的天数、e表示线路单位网络损耗成本、ΔP_k,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、t_ij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。

7.根据权利要求1所述的充电站优化布局方法，其特征在于，所述第二模型为：

$S\left(t_{ij}\right)=\frac{2}{1+e^{-t_{ij}}}-1$

$\begin{array}{cc}\max & T=\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\λ}}_{ij}\·S\left(t_{ij}\right)\·p_j\end{array}$

其中，S(t_ij)表示用户满意度、max T全部用户满意度、λij表示所述二元决策变量、t_ij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、P_j为第j个用户的充电量。

8.一种充电站优化布局装置，其特征在于，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；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。

9.根据权利要求8所述的充电站优化布局装置，其特征在于，所述第一处理模块包括：

输入单元，用于获取所述配网基本参数；

第一处理单元，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，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。

10.根据权利要求9所述的充电站优化布局装置，其特征在于，所述第二处理模块包括：

第三处理单元，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，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。