同时考虑多个优化目标的城市电动汽车充电网络规划方法与流程

本发明涉及一种对城市电动汽车的充电网络进行合理规划的方法。

背景技术：

近年来，随着化石能源的逐渐枯竭以及环境污染的日益加剧，世界各主要经济体均对发展以电动汽车为代表的清洁能源交通工具给予了大力支持。在相关政策的刺激下，我国的电动汽车也正处于逐步推广中，2012年，我国销售新能源汽车1.2791万辆，其中，纯电动汽车为1.1375万辆，2013年，销售量达到1.76万辆，2014年，电动汽车销售量突破7.5万辆。2012年科技部出台了《电动汽车科技发展“十二五”专项规划》，提出到2015年左右，在20个以上示范城市和周边区域建成由40万个充电桩、2000个充电站构成的网络化供电体系，满足电动汽车大规模商业化示范能源供给需求。

电动汽车充电网络完善程度是EV普及的主要制约因素之一，在很大程度上决定了车主使用电动汽车的便利性。显然，若充电网络的空间覆盖不足，将在很大程度上影响车主的出行便利性，进而降低客户购买意愿。此外，从电网角度来看，电动汽车充电网络是配电网络的新增负荷，在很大程度上改变配电网负荷的时、空分布特性，若电动汽车充电网络规划不当，将恶化配电网络电能质量，并大幅度增加网络损耗。

城市人流密集、物流集中，是电动汽车的主要使用场所，显然，城市电动汽车充电网络将成为城市建设的重要基础设施之一。随着电动汽车的逐步推广，近年来，学术界对城市电动汽车的充电网络优化问题进行了深入研究。文献一《电动汽车充电站布局规划浅析》(华东电力，2009年，第37卷，第10期，第1678页至1682页)首先总结了我国充电站建设的现状，接着分析了影响充电网络规划的因素，并给出了充电站规划的参考原则。文献二《基于LCC和量子遗传算法的电动汽车充电站优化规划》(电力系统自动化，2015年，第39卷，第17期，第176页至182页)利用交通路网车流量信息估算充电站容量，提出了以充电站净现值收益最大为优选目标的电动汽车充电网络规划模型，同时对充电站位置与容量进行优化。文献三《电动汽车充电站规划布局与选址方案的优化方法》(中国电力，2012年，第45卷，第11期，第96至101页)在充电网络规划中考虑了路网结构、车流信息和用户路程损耗等因素对充电站进行选址和定容的影响，并利用伏罗诺伊图划分充电站的服务范围。文献四《电动汽车充电站规划的多种群混合遗传算法》(电力系统及其自动化学报，2013年，第25卷，第6期，第123页至129页)构建了基于最小综合成本的城市电动汽车充电网络规划模型，模型中综合考虑的电动汽车充电站的建设、运行成本与电动汽车的充电成本。

由上述文献可以看出，现有城市电动汽车充电网络规划方法中，规划目标单一，未能综合考虑交通路网、电力网络、用户需求等多方面的因素，因而其得到的优化结果较为简单，缺乏说服力。

技术实现要素：

本发明的目的是提供一种综合考虑多方面因素，从而能够得到合理规划方案的同时考虑多个优化目标的城市电动汽车充电网络规划方法。

为达到上述目的，本发明采用的技术方案是：一种同时考虑多个优化目标的城市电动汽车充电网络规划方法，该方法针对待规划的交通系统中电动汽车充电网络的多种建设方案，对每一种所述建设方案建立考虑充电服务能力和城市配电网络损耗两个优化目标的规划模型，从而求解并获得充电服务能力最大化与城市配电网络损耗最小化的所述建设方案作为最优城市电动汽车充电网络规划方案；

两个所述优化目标分别为：

优化目标1：

优化目标2：

其中：F_c表示所述建设方案中所述电动汽车充电网络的充电服务能力；Q为所述交通系统中的线路的集合；f_q为线路q上的车流量；y_q为表征线路q上车流量能否被所述建设方案中所述电动汽车充电网络截获的二进制变量；F_loss为所述建设方案中所述电动汽车充电网络建成后城市配电网络中的功率损耗；P_loss,i为所述建设方案中所述电动汽车充电网络的支路i上的功率损耗；P_i为所述建设方案中所述电动汽车充电网络的支路i的末端有功负荷；Q_i为所述建设方案中所述电动汽车充电网络的支路i的末端无功负荷；U_i为所述建设方案中所述电动汽车充电网络的支路i的末端电压；R_i为所述建设方案中所述电动汽车充电网络的支路i的电阻。

上述方案中，所述规划模型具有四个约束条件：分别为：

充电站个数约束：

式中：X_j为表征所述建设方案中所述电动汽车充电网络的节点j是否建设充电站的二进制变量，X_j取1表示节点j建设充电站，X_j取0表示节点j不建设充电站；N_station为规划的充电站个数；

充电站容量约束：

式中：W_j为所述建设方案中所述电动汽车充电网络的节点j所建设的充电站的容量；W_max为待规划的交通系统所在区域的最大充电需求；

电压偏移约束：

式中：U_j为所述建设方案中所述电动汽车充电网络的节点j的电压；U_N为城市配电网络的额定电压；α％为最大允许电压偏移的百分数；

配电线路传输功率约束：

式中：P_i为所述建设方案中所述电动汽车充电网络的支路i的有功功率；P_i,max为所述建设方案中所述电动汽车充电网络的支路i允许流过的最大功率。

进一步的，对每一种所述建设方案，将充电服务能力和城市配电网络损耗两个优化目标进行模糊化而转换为满意度单个优化目标而建立新规划模型，从而求解并获得满意度最大化的所述建设方案作为最优城市电动汽车充电网络规划方案；

单个优化目标为：maxμ；

其中：μ为该建设方案的满意度，

μ＝min{μ(F_c),μ(F_loss)}；

式中：μ(F_c)为充电服务能力这一优化目标的隶属度，其介于0和1之间；μ(F_loss)为城市配电网络损耗这一优化目标的隶属度，其介于0和1之间；

上式中：F₁表示所述电动汽车充电网络的最大服务能力；δ₁为决策者所能容忍的截获车流量的减小值；

上式中：F₂为所述城市配电网络损耗的理论最小值；δ₂为决策者所能容忍的所述城市配电网络损耗的增加值。

所述新规划模型具有三个约束条件：分别为：

-F_c+δ₁μ≤-F₁+δ₁；

F_loss+δ₂μ≤F₂+δ₂；

0≤μ≤1。

优选的，采用基于实数编码的遗传算法求解而获得所述最优城市电动汽车充电网络规划方案。

所述遗传算法通过以下步骤实施：

步骤1：随机产生所述遗传算法的初始染色体种群，所述初始染色体种群的规模为N，所述初始染色体种群中的每一条染色体对应于待规划的交通系统中电动汽车充电网络的一种建设方案；在每一条染色体中，采用长度等于所述电动汽车充电网络的节点数m的实数进行编码，针对每一节点j以l表示该节点j建设有第l类充电站，假设可建设的充电站有k类，则l＝1,2,…,k；

步骤2：选取所述初始染色体种群为当前待处理的种群；

步骤3：针对所述当前待处理种群，分别对其所包含的各条染色体对应的建设方案计算其充电服务能力F_c和城市配电网络损耗F_loss，并在此基础上计算各条染色体对应的建设方案的满意度μ_p，p表示所述当前待处理种群中的染色体序号；

步骤4：在各条染色体对应的建设方案的满意度μ_p的基础上，采用罚函数法对所述新规划模型中越限的约束条件进行惩罚，形成各染色体的适应度值V_fit，p；

步骤5：将所述当前待处理的种群中所述适应度值V_fit，p最大的染色体直接复制到其下一代子种群，再根据所述适应度值V_fit，p从所述当前待处理的种群中多次选取染色体复制到其下一代子种群，从而形成所述当前待处理的种群的下一代子种群；按照设定概率对所述下一代子种群进行交叉、变异操作；

步骤6：选取所述下一代子种群作为当前待处理的种群并返回步骤3；

步骤7：当所形成的下一代子种群的代数达到最大进化代数时，基于当前形成的下一代子种群中各染色体的适应度值V_fit，p解码出最佳染色体，从而输出该最佳染色体所对应的所述建设方案作为最优城市电动汽车充电网络规划方案。

优选的，所述步骤5中，每次根据所述适应度值V_fit，p从所述当前待处理的种群中选取染色体复制到其下一代子种群时，从所述当前待处理的种群中随机选取两个染色体，并将所述适应度值V_fit，p相对较大的染色体直接复制到其下一代子种群。

由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明针对现有技术中存在的不足，提供了一种考虑多个优化目标的城市电动汽车充电网络规划方法，确保了规划模型的实用价值。本发明还进一步地将原始优化模型转换为单目标优化问题，从而使得到的优化结果更加合理，具有较强说服力。

附图说明

附图1为本发明的同时考虑多个优化目标的城市电动汽车充电网络规划方法的流程图。

具体实施方式

下面结合附图所示的实施例对本发明作进一步描述。

实施例一：交通系统中包含若干条线路，采用q表示线路的编号。而基于交通系统所规划的电动汽车充电网络的建设方案，通常包括n条支路以及由各支路所形成的m个节点，即电动汽车充电网络中所包含的节点数为m。采用i表示支路的编号，i＝1,2,…,n，采用j表示节点的编号，电动汽车充电网络中的各节点与交通系统中有线路所形成的节点相对应，j＝1,2,…,m。

为对城市电动汽车充电网络进行规划，使其既能尽可能满足电动汽车车主的充电需求又能尽量减少车辆充电对城市配电网络的影响，本发明公开了一种同时考虑充电服务能力最大化与城市配电网络损耗最小化的城市电动汽车充电网络规划模型及其求解算法。

一种同时考虑多个优化目标的城市电动汽车充电网络规划方法如附图1所示。该方法针对待规划的交通系统中电动汽车充电网络的多种建设方案，对每一种建设方案建立考虑充电服务能力和城市配电网络损耗两个优化目标的规划模型，从而求解并获得充电服务能力最大化与城市配电网络损耗最小化的建设方案作为最优城市电动汽车充电网络规划方案。

具体的，针对每一种建设方案时所考虑的两个优化目标分别为：

优化目标1：

优化目标2：

其中：

F_c——表示建设方案中电动汽车充电网络的充电服务能力，即电动汽车充电网络可截获的电动汽车车流量；

Q——为交通系统中的线路的集合；

f_q——为线路q上的车流量，可以通过重力空间互动模型求得；

y_q——为表征线路q上车流量能否被建设方案中电动汽车充电网络截获的二进制变量，与电动汽车满电状态下的最大行驶路程L、线路上q的各个节点间的距离以及充电站在线路q上的建设位置有关；

F_loss——为建设方案中电动汽车充电网络建成后城市配电网络中的功率损耗，由所有支路上的功率损耗求和而得；

P_loss,i——为建设方案中电动汽车充电网络的支路i上的功率损耗；

P_i——为建设方案中电动汽车充电网络的支路i的末端有功负荷；

Q_i——为建设方案中电动汽车充电网络的支路i的末端无功负荷；

U_i——为建设方案中电动汽车充电网络的支路i的末端电压；

R_i——为建设方案中电动汽车充电网络的支路i的电阻。

上述规划模型具有四个约束条件：分别为：

1、充电站个数约束：

上式中：

X_j——为表征建设方案中电动汽车充电网络的节点j是否建设充电站的二进制变量，X_j取1表示节点j建设充电站，X_j取0表示节点j不建设充电站；

N_station——为规划的充电站个数。

2、充电站容量约束：

上式中：

W_j——为建设方案中电动汽车充电网络的节点j所建设的充电站的容量；

W_max——为待规划的交通系统所在区域的最大充电需求。

3、电压偏移约束：

上式中：

U_j——为建设方案中电动汽车充电网络的节点j的电压；

U_N——为城市配电网络的额定电压；

α％——为最大允许电压偏移的百分数。

4、配电线路传输功率约束：

上式中：

P_i——为建设方案中电动汽车充电网络的支路i的有功功率；

P_i,max——为建设方案中电动汽车充电网络的支路i允许流过的最大功率。

显然，上述规划模型是典型的多目标优化问题，且优化目标具有不同维度并可能互相冲突，很难在优化中相互协调。在分别对单个优化目标进行优化的基础上，通过定义目标隶属度函数将模型中两个子优化目标分别模糊化，从而将原始优化模型转换为基于最大满意度的单目标优化问题。

即进一步的，对每一种建设方案，将充电服务能力和城市配电网络损耗两个优化目标进行模糊化而转换为满意度单个优化目标而建立新规划模型，从而求解并获得满意度最大化的建设方案作为最优城市电动汽车充电网络规划方案。

转换后的单个优化目标为：

maxμ；

其中：

μ——为该建设方案的满意度，取为原始多目标城市电动汽车充电网络规划模型中两个优化目标隶属率的最小值，即

μ＝min{μ(F_c),μ(F_loss)}；

上式中：

μ(F_c)——为充电服务能力这一优化目标的隶属度，其介于0和1之间；

μ(F_loss)——为城市配电网络损耗这一优化目标的隶属度，其介于0和1之间。

μ(F_c)和μ(F_loss)的取值越大，说明决策者对优化结果越满意。其具体表达式如下：

上式中：

F₁——表示电动汽车充电网络的最大服务能力,即仅考虑充电服务能力最大子优化目标时获得规划方案对应的充电服务能力；

δ₁——为决策者所能容忍的截获车流量的减小值。

上式中：

F₂——为城市配电网络损耗的理论最小值，即仅考虑配电网络损耗最小子优化目标时获得规划方案对应的网络损耗；

δ₂——为决策者所能容忍的城市配电网络损耗的增加值。

除原始多目标城市电动汽车充电网络规划模型中的技术约束外，转换而来的基于最大满意度的单目标新规划模型还有其它新增约束条件：分别为：

-F_c+δ₁μ≤-F₁+δ₁；

F_loss+δ₂μ≤F₂+δ₂；

0≤μ≤1。

本发明采用基于实数编码的遗传算法对基于最大满意度的城市电动汽车充电网规划模型进行了求解，从而获得最优城市电动汽车充电网络规划方案，遗传算法具体通过以下步骤实施：

步骤1：在输入包括配电网络信息、交通网络信息、待建充电站类型等在内的原始数据后，随机产生遗传算法的初始染色体种群，初始染色体种群的规模为N，初始染色体种群中的每一条染色体对应于待规划的交通系统中电动汽车充电网络的一种建设方案。

在每一条染色体中，采用长度等于电动汽车充电网络的节点数m的实数进行编码，针对每一建设有充电站的节点j，即X_j＝1，以l表示该节点j建设有第l类充电站，假设可建设的充电站有k类，则l＝1,2,…,k，对未建设充电站的节点则以0编码。染色体的编码方案具体如下表所示：

步骤2：选取初始染色体种群为当前待处理的种群。

步骤3：针对当前待处理种群，按序分别对其所包含的各条染色体对应的建设方案解码而形成对应的建设方案，计算各建设方案的充电服务能力F_c和城市配电网络损耗F_loss，并在此基础上计算各条染色体对应的建设方案的满意度μ_p，p表示当前待处理种群中的染色体序号。

步骤4：在各条染色体对应的建设方案的满意度μ_p的基础上，采用罚函数法对新规划模型中越限的约束条件进行惩罚，形成各染色体的适应度值V_fit，p。

步骤5：将当前待处理的种群中适应度值V_fit，p最大的染色体直接复制到其下一代子种群，再根据适应度值V_fit，p从当前待处理的种群中多次选取染色体复制到其下一代子种群，从而形成当前待处理的种群的下一代子种群；按照设定概率对下一代子种群进行交叉、变异操作。

在每次根据适应度值V_fit，p从当前待处理的种群中选取染色体复制到其下一代子种群时，从当前待处理的种群中随机选取两个染色体，并将适应度值V_fit，p相对较大的染色体直接复制到其下一代子种群。

步骤6：选取下一代子种群作为当前待处理的种群并返回步骤3重复执行步骤3至步骤6，直至算法满足预先设定的收敛条件。

步骤7：当所形成的下一代子种群的代数达到最大进化代数时，基于当前形成的下一代子种群中各染色体的适应度值V_fit，p解码出最佳染色体，从而输出该最佳染色体所对应的建设方案作为最优城市电动汽车充电网络规划方案。

上述方法针对现有技术中存在的不足，提供一种考虑多个优化目标的城市电动汽车充电网络规划方法，包括：同时考虑充电服务能力最大化与城市配电网络损耗最小化的城市电动汽车充电网络规划模型，以及基于模糊数学方法与遗传算法的规划模型求解方法。此外，为确保规划模型的实用价值，模型中考虑充电站建设数目、建设容量、配电网络电能质量约束以及配电线路传输能力等一系列技术约束。本发明提出的充电网络规划模型是典型的多目标优化问题，且优化目标具有不同维度并可能互相冲突，很难在优化中相互协调。在分别对单个优化目标进行优化的基础上，本发明通过定义目标隶属度函数将模型中两个子优化目标分别模糊化，从而将原始优化模型转换为基于最大满意度的单目标优化问题。最后，本发明采用基于实数编码的遗传算法对城市电动汽车充电网络规划模型进行了求解。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。