本发明涉及充电站规划技术领域，具体涉及一种电动汽车充电网络规划方法。
背景技术：
电动汽车由于具备零排放，动力来源的可再生性等优点，近些年得到了广泛的发展。作为承接电动汽车的载体，电动汽车充电网络的科学规划至关重要。不同与传统电力负荷，电动汽车负荷在时空分布上具备极高的不确定性，因此在其充电网络的规划上应充分考虑各方面因素。
在传统电动汽车充电网络规划中，考虑了路网结构、车流信息、配电网结构和容量约束等因素进行规划建设，该规划方法在配电网络的容量约束条件下，以用户在充电路程中的损耗成本和充电线路投资之和最小为目标来进行站址和接入位置的选择。
该方案的不足在于，对于充电站这一具备“服务”特性的个体，“服务”属性突出不足，未能体现出充电网络中充电站在吸引电动汽车负荷时的差异以及为电动汽车提供充电服务的便利程度的不同。
技术实现要素：
针对现有技术中的上述不足，本发明提供了一种服务区域广、全寿命周期成本小和充电容量精准的电动汽车充电网络规划方法。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种电动汽车充电网络规划方法，其包括以下步骤：
A、规划待规划区中充电站的网络选址方案
a1、在待规划区内生成若干充电站位置地标；
a2、当任意两个充电站位置地标间的间距均大于等于设定距离时，将所有的充电站位置地标设置为备选方案；
a3、当备选方案的个数等于设定值时，分别采用伏罗诺伊图在待规划区中规划出备选方案中每个充电站位置地标覆盖的充电服务区；
a4、计算备选方案中每个充电服务区的服务半径和，并得到每个备选方案中所有充电服务区的服务半径总和；
a5、选取所有备选方案中服务半径总和最大的备选方案作为选址方案；
B、计算待规划区中每个充电站的全周期成本和充电容量
b1、生成选址方案中每个充电服务区内充电站的充电容量；
b2、当所有充电站的充电容量和满足定容约束时，计算充电站的全周期成本；
b3、采用莱维飞行改进粒子群算法，并采用改进粒子群算法结合全周期成本更新规划区每个变电站的充电容量；
b4、当更新后的所有变电站的充电容量和满足定容约束时，判断每个变电站的充电容量迭代次数是否大于设定次数：
b5、若大于设定次数，则输出每个变电站的全周期成本和充电容量。
本发明的有益效果为：本发明通过对待规划区中充电站服务范围的合理划分，使待规划区具有最大服务半径总和，之后再根据所有充电站的充电容量和满足定容约束时，计算充电站的全周期成本，并采用改进粒子群算法结合全周期成本对所有变电站的充电容量进行迭代操作，以得到精准满足待规划区电动汽车充电需求的充电容量。采用该方法进行电动汽车充电站的构建具有服务区域广、全寿命周期成本小和充电容量精准等优点。
附图说明
图1为电动汽车充电网络规划方法的整体流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该电动汽车充电网络规划方法包括规划待规划区中充电站的网络选址方案和计算待规划区中每个充电站的全周期成本和充电容量两大步骤。
其中，规划待规划区中充电站的网络选址方案采用以下方式来实现：
a1、在待规划区内生成若干充电站位置地标；本方案采用MATLAB进行充电站位置地标的生成，此步骤的充电站位置地标实则为欲打算修建充电站的地理位置坐标。
a2、当任意两个充电站位置地标间的间距均大于等于设定距离时，将所有的充电站位置地标设置为备选方案，下面提到的充电站地理距离约束实则为设定距离；该步骤的具体实现方法为：
判断所有的充电站位置地标两两之间是否满足“充电站地理距离约束”，其中充电站地理距离约束为：
dm-n≥dmin
“充电站地理距离约束”中，dm-n为充电站m与充电站n之间的距离，dmin为设定的两个充电站位置地标之间的最小距离。
若所有的充电站位置地标两两之间均满足“充电站地理距离约束”，则将所有的充电站位置地标记为备选方案。
若任意两个充电站位置地标之间存在未满足“充电站地理距离约束”，则返回步骤a1，直至所有的充电站位置地标两两之间均满足“充电站地理距离约束”。
之后，在再重复步骤a1和步骤a2，重复产生M个满足“充电站地理距离约束”的备选方案。
a3、当备选方案的个数等于设定值时，分别采用伏罗诺伊图在待规划区中规划出备选方案中每个充电站位置地标覆盖的充电服务区；此步骤的设定值为步骤a2中的M个，其具体个数可以根据规划的实际要求进行合理的选取。
步骤a3中进行充电服务区规划时，可以采用以下方式来实现：
对于每个备选方案，将其内部的充电站位置地标作为伏罗诺伊图中的点，根据伏罗诺伊图规则，对充电服务区进行划分，根据式(1)做出每个充电站位置地标所在的充电服务区，每个充电服务区在伏罗诺伊图中被称为泰森多边形，对应于每个充电站位置地标服务范围的充电服务区。
V(Di)＝{p∈R2|d(p,Di)≤d(p,Dj)} (1)
其中，V(Di)属于Di点的伏罗诺伊图范围；p为平面内任意点p；R2为几何空间；d(p,Di)为点p到Di点的距离；d(p,Dj)为点p到Dj点的距离。
a4、计算备选方案中每个充电服务区的服务半径和，并得到每个备选方案中所有充电服务区的服务半径总和；所述充电服务区的服务半径和为：
其中，mi为第i个充电站所在充电服务区的边的条数；ds-j为第j条边首端点到第i个充电站的欧式距离；de-j为第j条边末端点到第i个充电站的欧式距离；其为充电服务区第j条边的权重系数，lj、lk分别为充电服务区第j、k条边的长度。
a5、选取所有备选方案中服务半径总和最大的备选方案作为选址方案；此处的选址方案中各个充电站位置地标也即最终确认的最佳构建充电站的地理位置信息。
本方案的计算待规划区中每个充电站的全周期成本和充电容量包括以下实现步骤：
b1、生成选址方案中每个充电服务区内充电站的充电容量；
b2、当所有充电站的充电容量和满足定容约束时，计算充电站的全周期成本；其中所述所有充电站的充电容量和满足定容约束为：所有充电站的充电容量和大于等于规划区电动汽车最大充电负荷需求。
由于充电容量是随机生成的，若是所有充电站的充电容量和不满足定容约束时，返回步骤b1重新生成每个充电服务区内充电站的充电容量。
在本发明的一个实施例中，规划区电动汽车最大充电负荷需求的确定方法为：
步骤1、获取电动汽车开始充电时刻的概率密度函数fs(t)：
其中的期望值μs为17.6，方差σs为3.4。
步骤2、汽车日行驶里程的概率密度函数fd(x)：
式中μd＝3.2，σd＝0.88。
步骤3、区域内电动汽车充电负荷表达式为：
P＝Pus+Ps (4)
式中，Pus为非转移类电动汽车充电负荷；Ps为转移类电动汽车汽车充电负荷。
非转移类电动汽车汽车定义为：起始行程点位于区域D1内且当日行驶范围不超出区域D1的电动汽车。转移类电动汽车定义包含两类：1、当日由其余区域驶入区域D1的电动汽车；2、当日从区域D1驶出的电动汽车。
步骤4、对于一台非转移类电动汽车，利用公式(2)得到其开始充电时刻，利用公式(3)得到其日行驶里程情况；其中，充电耗时Tc为：
其中，d为日行驶里程数，单位km；C100为电动汽车百公里耗电量，单位kw.h；Pc为充电功率，其值为7k；充电开始时刻与充电时常已知后，即可绘制得到非转移类电动汽车汽车的充电曲线。
步骤5、对于转移类电动汽车，其电动汽车充电负荷为：
式中f{SOCs(i)，SOCe(i)，ts(i)}为充电负荷函数。起始充电状态SOCs(i)、预期充电状态SOCe(i)、充电开始时刻ts(i)由公式(2)与公式(3)获得。εe(i)与εl(i)由随机抽样获得。由上述三者，获得该转移类电动汽车的充电曲线。
表1转移效应中各判别因子含义
步骤6、设用于估算充电负荷的电动汽车总数为M1台，其中非转移电动汽车M2台，转移类电动汽车M3台。则对M2台电动汽车重复执行步骤4，得到其充电负荷累加曲线L1。对M3台电动汽车重复执行步骤5，得到其充电负荷累加曲线L2。将L1与L2累加，即可得到总充电负荷曲线，并得出规划区电动汽车最大充电负荷需求。
电动汽车充电曲线的描绘规则为：
在坐标轴上，设定横轴为时间轴，长度为L1，纵轴为功率轴。
将横轴分为96个时间段，每个时间段占据的长度为A1＝L1/96，每个时间段对应一天中的15分钟，时间段1对应(0：00～0：15)，以此类推。
对第i台电动汽车，由充电时长T(i)，计算电动汽车充电需要占据的时序段数N(i),计算公式为：
N(i)＝T(i)/15
以充电开始时刻隶属的时序段为开始时序段，对开始时序段及后续N(i)-1个时序段，每个时序段添加7kw的功率值，即得到第i台电动汽车对充电曲线的贡献值。
重复上述步骤，计算所有电动汽车对充电曲线的贡献值，即可得到96个时序段中，每个时序段的充电功率。
以横坐标为时序段，以纵坐标为每个时序段的充电功率，绘制电动汽车充电功率的总曲线，取电动汽车充电功率的总曲线中的最大值为规划区电动汽车最大充电负荷需求。
步骤b2中全周期成本为：
其中，PV为年度投资费用折算系数，C1(i)为第i个充电站的投资成本，CO(i)为第i个充电站的运行成本，CM(i)为第i个充电站的维护成本，CF(i)为第i个充电站的故障成本，CD(i)为第i个充电站的废弃成本，CL1(i)为第i个充电站配套输电线路的投资成本，CLO(i)为第i个充电站配套输电线路的运行成本，CLM(i)为第i个充电站配套输电线路的维护成本，CLF(i)为第i个充电站配套输电线路的故障成本。
本方案所提及的全周期成本实则为全寿命周期成本，在实施时，全寿命周期成本中的各种成本的模型如下：
第i个充电站的投资成本为：C1(i)＝7.66Cc(i)+5.5Cc(i)×β(i)；
第i个充电站的运行成本为：CO(i)＝0.4Cc(i)；
第i个充电站的维护成本为：CM(i)＝0.08C1(i)；
第i个充电站的故障成本为：CF(i)＝0.001Cc(i)；
第i个充电站的废弃成本为：CD(i)＝0.009Cc(i)；
第i个充电站配套输电线路的投资成本为：CL1(i)＝(5+0.05Cc(i))×L(i)；
第i个充电站配套输电线路的运行成本为：CLO(i)＝0.53×10-7Cc2(i)×L(i)；
第i个充电站配套输电线路的维护成本为：CLM(i)＝0.05CL1(i)；
第i个充电站配套输电线路的故障成本为：CLF(i)＝3.2×10-3Cc(i)×L(i)；
其中，年度投资费用折算系数为PV为9.812，Cc(i)为第i个充电站的容量，单位千瓦；β(i)为第i个充电站所在地点的地价，单位万元每平方米；L(i)为第i个充电站配套输电线路的长度，单位千米。
b3、采用莱维飞行改进粒子群算法，并采用改进粒子群算法结合全周期成本更新规划区每个变电站的充电容量；
实施时，采用改进粒子群算法更新规划区每个变电站的充电容量的模型为：
其中，Xg，i表示第g代中第i个变电站的充电容量，Xg+1，i代表第g+1代中第i个变电站的充电容量，α0为步长因子，Pg为整个种群搜索到的历史最低全周期成本，为β的莱维分布。
b4、当更新后的所有变电站的充电容量和满足定容约束时，判断每个变电站的充电容量迭代次数是否大于设定次数：
b5、若大于设定次数，则输出每个变电站的全周期成本和充电容量。
若是更新后的所有变电站的充电容量和不满足定容约束，则返回步骤b3继续执行；若每个变电站的充电容量迭代次数小于等于设定次数，则返回步骤b2继续执行。
虽然结合附图对本发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。