一种电动汽车充电站优化配置的方法与流程

技术特征：

1.一种电动汽车充电站优化配置的方法，其特征在于，包括以下步骤：

步骤1：建立电动汽车充电功率预测模型，采用Monte Carlo模拟法对规划区域1天内电动汽车充电功率进行预测：

a)根据各类电动汽车的数量和由历史数据拟合得到的日行驶距离概率密度函数，采用Monte Carlo法随机抽取第q类电动汽车日行距离L_q,w(w＝、1,2,…,W_q)，W_q为第q类电动汽车抽样数量；

b)根据各类电动汽车的百km耗电量，按照下式计算各类电动汽车日充电功率需求P_q,w：

$P_{q,w}=\frac{{\mathrm{\χ}}_{100,q}\·L_{q,w}}{24}$

其中，χ_100,q为第q类电动汽车百km耗电量；

c)根据各类电动汽车日充电功率按照下式进行叠加计算规划区的总充电负荷P_total：

$P_{total}=\underset{q=1}{\overset{Q}{\Σ}}\underset{w=1}{\overset{W_q}{\Σ}}{P}_{q,w}$

其中，Q为电动汽车的总类数；

步骤2：计算年运行收益C₁、年建设运行成本C₂、全年网络损耗成本C₃、用户耗时成本C₄：

$C_1=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\δ}}_i{P}_i{T}_{i\max }(c_{si}-c_{pi})$

$\left\{\begin{array}{c}{C}_2=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\δ}}_i\[E_i\left(a_i\right)\·\frac{r_0{(1+r_0)}^n}{{(1+r_0)}^n-1}+u_i\left(a_i\right)\]\\ E_i\left(a_i\right)={\mathrm{\δ}}_i(A+e_1{a}_i+e_2{a}_i^2)\end{array}\right.$

$C_3=\underset{i=1}{\overset{N}{\Σ}}(365\·\mathrm{\τ}\·\underset{h=1}{\overset{H}{\Σ}}{\mathrm{\ΔP}}_{h,i})$

$C_4=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_{ij}{t}_{ij}{c}_0$

其中，N为新建充电站的数量；δ_i为第i座充电站是否建设二元决策变量，取值为1表示新建，取值为0表示不新建；P_i为第i座充电站的规划充电容量；T_imax为第i座充电站的年最大负荷利用小时数；c_si和c_pi分别为第i座充电站向充电用户售电的价格和向电力公司购电的价格；a_i为第i座充电站内充电机数量；E_i(a_i)和u_i(a_i)分别为第i座充电站的年建设和年运行成本；r₀为贴现率；n为运行年限；A为充电站固定成本，即土地和修建成本；e₁和e₂分别为充电机单价和与充电机台数有关的等效投资因子；τ为单位网络损耗成本；△P_h,i为第i座充电站引起第h条馈线1天内的有功功率损耗；M为1天中某时刻的充电用户数量，通过蒙特卡洛抽样法获得；λ_ij为第j个用户选择第i座充电站的二元决策变量，取值为1表示选择，取值为0表示不选择；t_ij为第j个用户从需求点行驶至第i座充电站的时间期望和站内充电等待时间期望的总和；c₀为单位时间成本；

步骤3：建立以充电站年收益最大为目标的上层规划模型，上层模型目标函数为：

max C＝C₁-C₂-C₃-C₄

其中，C为新建充电站获得的总投资收益；

步骤4：计算用户效用：

$T\left(t_{ij}\right)=\left\{\begin{array}{cc}1& t_{ij}\≤T_{ij}\\ 1-{\left(\frac{t_{ij}-T_{ij}}{U_{ij}-T_{ij}}\right)}^{k_i}& T_{ij}\<t_{ij}\≤U_{ij}\\ 0& t_{ij}\>U_{ij}\end{array}\right.$

其中，T_ij为第j个用户接受第i座充电站服务而感到满意时所能承受的最长消耗时间；U_ij为第j个用户接受第i座充电站服务而感到不满意时的最短消耗时间；k_i为时间敏感系数；

步骤5：建立以用户效用值T最大为目标的下层规划模型：

$\max T=\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{M}{\Σ}}{v}_{j}T\left(t_{ij}\right){\mathrm{\λ}}_{ij}$

其中，v_j为第j个用户的充电量；

步骤6：引入KKT条件，将充电站双层规划模型等效转化为单层规划模型，实现上下层问题解耦；

步骤7：运用VNS-PSO混合算法求解电动汽车充电站优化配置模型。

2.根据权利要求1所述的电动汽车充电站优化配置的方法，其特征在于，所述步骤6的具体步骤如下：

A)构造下层模型的拉格朗日函数：

$L=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{v}_{j}T\left(t_{ij}\right){\mathrm{\λ}}_{ij}+{\mathrm{\ρ}}_1\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{ij}-1\right)+{\mathrm{\ρ}}_2\left({\mathrm{\λ}}_{ij}-{\mathrm{\δ}}_i\right)+{\mathrm{\ρ}}_3\left(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{v}_j{\mathrm{\λ}}_{ij}-P_{i\max }\right)$

式中，ρ₁，ρ₂，ρ₃表示拉格朗日乘子，P_imax为第i座充电站最大充电功率；

B)由下层问题的KKT条件得到

$\frac{\∂L}{\∂{\mathrm{\λ}}_{ij}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{v}_{j}T\left(t_{ij}\right)+{\mathrm{\ρ}}_1+{\mathrm{\ρ}}_2+{\mathrm{\ρ}}_3{v}_j=0$

$\frac{\∂L}{\∂{\mathrm{\δ}}_i}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{ij}-1=0$

ρ₁(λ_ij-δ_i)＝0

${\mathrm{\ρ}}_2(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{ij}-1)=0$

${\mathrm{\ρ}}_3(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{v}_j{\mathrm{\λ}}_{ij}-P_{imax})=0$

ρ₁,ρ₂,ρ₃≥0

C)得到单层模型的目标函数和约束条件如下：

目标函数：

max C＝C₁-C₂-C₃-C₄

约束条件：

$\underset{i=1}{\overset{N}{\Σ}}{P}_i\≤P_{max}$

V_bmin≤V_b≤V_bmax b∈B

|I_bl|≤I_blmax b,l∈B

C₂≤C_total

$1\≤\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\δ}}_i\≤N_{max}$

$\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{M}{\Σ}}{v}_{j}T\left(t_{ij}\right)+{\mathrm{\ρ}}_1+{\mathrm{\ρ}}_2+{\mathrm{\ρ}}_3{v}_j=0$

$\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\λ}}_{ij}-1=0$

ρ₁(λ_ij-δ_i)＝0

${\mathrm{\ρ}}_2(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_{ij}-1)=0$

${\mathrm{\ρ}}_3(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{v}_j{\mathrm{\λ}}_{ij}-P_{imax})=0$

ρ₁,ρ₂,ρ₃≥0

其中，P_max为配电网允许接入的最大充电功率；V_b为城市配电网中节点b的电压幅值；

V_bmin和V_bmax分别为节点b电压幅值的上、下限；B为配电网负荷节点集合；I_bl和I_blmax分别为配电网中馈线bl的实际电流和馈线允许流过的最大电流；C_total为充电站总投资预算；N_max为充电站新建数量最大值。

3.根据权利要求2所述的电动汽车充电站优化配置的方法，其特征在于，所述步骤7的具体步骤如下：

步骤1)以充电站位置和充电机数量为决策变量，随机产生初始群种；

步骤2)若满足投资者总预算和充电站数量约束，则进入步骤3)，否则返回步骤1)；

步骤3)若满足电网约束，则进入步骤4)，否则返回步骤1)；

步骤4)对当前种群中的粒子执行K均值聚类算法，生成聚簇c_j(j＝1,2,3,…)，根据聚簇c_j内第k个粒子的位置z_k＝(z_k1,z_k2,…,z_kd)(k＝1,2,3,…,m)计算聚簇c_j的聚类质心

$z_{c_j}=(z_{c_j,1},z_{c_j,2},...,z_{c_j,d})=(\underset{k\∈c_j}{\Σ}\frac{z_{k1}}{m},\underset{k\∈c_j}{\Σ}\frac{z_{k2}}{m},...,\underset{k\∈c_j}{\Σ}\frac{z_{kd}}{m})$

其中，m为粒子种群的个数；

计算第k个粒子与聚类中心的距离d_Jy和聚簇内每个粒子与聚类中心的平均距离d_Javg：

$d_{c_j,k}=\sqrt{{\left(z_{k1}-z_{c_j,1}\right)}^2+\mathrm{...}+{\left(z_{kd}-z_{c_j,d}\right)}^2}$

$d_{avg}=\underset{k\∈c_j}{\Σ}{d}_{c_j,k}/n_j$

其中，n_j为聚簇c_j内粒子的个数；

计算粒子的聚合度s：

$\left\{\begin{array}{c}s=\frac{min(Avg,{\mathrm{Avg}}_{best})}{max(Avg,{\mathrm{Avg}}_{best})}\\ Avg=\left(\underset{i=1}{\overset{N_m}{\mathrm{\Σ}}}F\right(z_i\left)\right)/N_m\\ {\mathrm{Avg}}_{best}=\left(\underset{i=1}{\overset{N_m}{\mathrm{\Σ}}}F\right(z_{besti}\left)\right)/N_m\end{array}\right.$

其中，式中，F(·)表示目标函数值；N_m为种群规模；

步骤5)若且S→1，则实行VNS算法模块，否则直接进入步骤6)；

步骤6)更新第k个粒子的当前位置P_k和最优位置P_g；

步骤7)更新粒子的位置和速度；

步骤8)若达到最大迭代次数，则进入下一步，否则返回步骤1)；

步骤9)输出P_g、C、T。