本发明涉及电动汽车充电站规划技术领域，具体是涉及了一种含分布式电源的充电站规划方法。
背景技术：
分布式发电技术与电动汽车技术是节能减排的2个重要手段，也是未来智能配电网的发展方向。分布式电源(distributed generation，DG)与电动汽车接入配电网对电力规划人员提出了新的挑战，需要从接入成本、环境效益、电网稳定等多方面进行综合考虑。因此，研究DG与电动汽车快充站的规划问题具有重要意义。
近年来，DG和电动汽车充电站的定容选址问题已经有很多学者分别进行了研究，但并未将二者关联起来。实际上，充电站的选址与定容不仅影响电网的稳定性，还影响电动汽车出行的便利性。同时电动汽车充电站的规划也应有利于分布式电源的就地消纳。目前的研究基本都是单独考虑电动汽车充电站接入配电网的定容与选址，比如在专利号为201610848520.7的中国发明专利中，申请人浙江工业大学公开了一种含多分布式电源配电网的电动汽车充电站优化配置方法，包括以下步骤：1、定义“EV充电站的模糊服务半径”新概念；2、重新分配多个EV充电站之间模糊服务半径交叠区域的隶属度；3、构建计及DG影响的环境代价函数；4、构建优化模型中的年均收益函数、年均建设代价函数和多目标约束条件；5、构建以年均纯利润最大化为目标的优化目标函数；6、采用PSO算法求解优化模型，经过寻优迭代，搜索出优化目标函数的适应值最佳的优化配置方案。
但是，上述专利中所公开的分布式电源配电网的电动汽车充电站优化配置方法，采用的是PSO算法，参数设置复杂、计算速度慢。
技术实现要素：
：
本发明的目的是为了提供一种含分布式电源的充电站规划方法。
所述目的是通过如下方案实现的，
一种含分布式电源的充电站规划方法，包括了如下步骤：
步骤一、输入网架数据、算法参数数据；
步骤二、基于蒙特卡洛随机模拟风光出力，产生种群数量的规划方案；
步骤三、采用配电潮流与公式计算总成本、总网损和交通满意度；
步骤四、搜索步移动；
步骤五、计算适应度、信息素和灵敏度；
步骤六、进行非劣解排序、产生Pareto解集；
步骤七、应用网格法存入外部存档；
步骤八、判定是否满足终止条件，并根据判定结果进行回馈。
作为本发明的改进，在步骤八中，若判定结果满足终止条件，则输出Pareto解集；若判定结果不满足终止条件，则根据信息素和灵敏度确定搜索位置，并重新进行总成本、总网损和交通满意度的计算。
作为本发明的优选，所述网格法是将整个非劣解控制在一定区域内，并保证非劣解不过于拥挤。
与现有技术相比，本发明的优点在于：研究路径选择模型和选址评价模型建立了交通网络的交通满意度模型，在考虑不同DG的时序特性与风光互补性的基础上，建立了总费用最小、网络损耗最小和交通满意度最高3目标的电动汽车充电站与分布式电源定容选址模型。采用多目标自由搜索算法对模型进行求解，并采用交互式模糊决策对结果进行分析。
具体实施方式：
下面详细阐述本发明优选的实施方式。
本实施例中提供了一种含分布式电源的充电站规划方法，包括了如下步骤：
步骤一、输入网架数据、算法参数数据；具体的，网架数据是指当电动汽车行驶在交通网络时，需考虑以任一点为起始点，到达除了起始点之外的任意终点的行为。本实施例考虑电动汽车的续航里程与剩余电量成线性关系，当电动汽车不需要充电即可到达终点时，电动汽车到达后蓄电池的容量：
CD＝CS-ds,D*Pk
在该式中，CD为到达目的地D时电池容量，CD≥0，CS为起点S允许安全放电的电池容量；ds,D为起点S到终点D的距离；Pk为每公里耗电量。若起始电池容量不足以行驶至终点且有快充站时距离可以表示为
ds,D＝ds,cs+dcs,D
式中，CS为电动汽车充电站，当路过电动汽车充电站时，将电量充满。此时，蓄电池的剩余容量CD的表达式为
CD＝Cfull-ds,D*Pk，式中Cfull为电池充满时的容量。
而算法参数数据是指本实施例中采用Floyd算法结合加权距离对路径选择问题进行建模(路径选择问题就是选取两点间的最短距离)。
所谓Floyd算法，根据百度百科释意，Floyd算法又称为插点法，是一种利用动态规划的思想寻找给定的加权图中多源点之间最短路径的算法，与Dijkstra算法类似。该算法名称以创始人之一、1978年图灵奖获得者、斯坦福大学计算机科学系教授罗伯特·弗洛伊德命名。
结合到本实施例的具体情形，当电动汽车行驶在城市中时，行驶者不仅仅要考虑路径长短，还需要考虑行驶所需时间。本实施例考虑路程的行驶时间来保证用户充电的方便性，将时间折算入路程中记为加权距离，具体公式如下
W＝ds,cs+dcs,D+αTs,cs+αTcs,D+αTC
在该式中，Ts,cs为汽车从起点到达充电站的行驶时间，同理Tcs,D为汽车从充电站到达终点的行驶时间，α为时间折算距离系数；TC为充电时间，本实施例假设充电时间固定。如果不需要充电则TC＝0。由上述公式可知，行驶时间长短会影响距离的长短，正如在交通拥堵的市中心开车会比在路况较好的市郊开车更费油。那么过长的行驶时间，相当于间接地增加了行驶距离。步骤一中的具体数据均需要实地进行模拟测算，随后根据测出的数值代入公式，随后将数据和公式计算结果输入。
步骤二、基于蒙特卡洛(也译成蒙特卡罗)随机模拟风光出力，产生种群数量的规划方案；
这里，所谓的蒙特卡洛随机模拟法的原理是当问题或对象本身具有概率特征时，可以用计算机模拟的方法产生抽样结果，根据抽样计算统计量或者参数的值；随着模拟次数的增多，可以通过对各次统计量或参数的估计值求平均的方法得到稳定结论。
蒙特卡洛随机模拟法实施步骤：
1.根据提出的问题构造一个简单、适用的概率模型或随机模型，使问题的解对应于该模型中随机变量的某些特征(如概率、均值和方差等)，所构造的模型在主要特征参量方面要与实际问题或系统相一致。
2.根据模型中各个随机变量的分布，在计算机上产生随机数，实现一次模拟过程所需的足够数量的随机数。
3.根据概率模型的特点和随机变量的分布特性，设计和选取合适的抽样方法，并对每个随机变量进行抽样(包括直接抽样、分层抽样、相关抽样、重要抽样等)。
4.按照所建立的模型进行仿真试验、计算，求出问题的随机解。
5.统计分析模拟试验结果，给出问题的概率解以及解的精度估计。
这里所谓的风光出力指的是风力发电机的风机出力和光伏电池的光伏出力。风力发电和光伏发电的工作都依赖于当地的天气温度以及地理环境等因素，具有很高的随机性和波动性。风机出力主要与风速有关，光伏出力主要与温度和太阳的辐射度有关，两者的出力都具有明显的时序特性。而季节和天气的不同对风力发电和光伏发电出力有着很大的影响，例如我国夏季的温度最高，太阳辐射度最强，所以光伏出力最大，同时夏季也是风力最弱的季节，风机的出力受到限制；而冬季温度低，太阳辐射度也低，所以光伏出力最小，同时风力最强，风机的出力最大，由此可见风机和光伏有着很好的互补性。而光伏出力受晴雨影响较大，阴雨天太阳辐射度会大大降低，这也使光伏出力降低。根据风机和光伏的出力时序特性可以看出，两者出力具有季节互补性。同时，在光伏出力为0的时间段，风机工作正常；而在风机出力较弱的白天，光伏出力较强，这样两者的日出力也存在互补性。由于光伏和风机具有随机性和波动性，所以要加入储能装置来平衡这种波动性对于电网的影响，本实施例考虑在风光分布式电源附近加装蓄电池来平抑波动。微型燃气轮机是一种新型清洁的小型的发电机，其出力可控，作为电网的主要电源。
步骤三、采用配电潮流与公式计算总成本、总网损和交通满意度；
在步骤三种，对于总成本、总网损和交通满意度的计算采用的是多目标优化数学模型，具体模型公式如下：
在该公式中，C为系统的总成本；为每个DG或电动汽车充电站的投资成本；为系统运行所需的燃料费用；为排放物的污染惩罚；P为系统的网损；为节点ij之间的电流；Rij为节点ij之间的电阻；Z为交通满意度，交通满意度的计算公式如下：
其中，Z为交通满意度评价指标；ω为折衷权重，取[0,1]区间的小数；Pi为在起始点i的流量需求；dij为节点ij之间的距离；Xij表示ij之间是否存在设施，存在为1，不存在为0；fq为网络中O-D路径q的交通流量；Z越小代表交通满意度越高。
由于在多个目标中很难找到合适的权值将多目标优化转化为单目标优化进行求解，本实施例采用多目标算法来解决上述三目标模型。在多目标问题中各个目标函数之间可能是相互冲突或者相悖的，不存在唯一解使所有的目标函数都达到最优。多目标优化中的最优解通常称为Pareto解，Pareto解的集合是对每个目标进行折衷的非劣解集，求解多目标问题就是获得Pareto解集。
自由搜索算法是一种新型的群智能算法，由于其参数设置简单、计算速度快、收敛性能优良等特性，近年来得到国内外学者的广泛关注。本实施例在步骤四——八中将自由搜索算法改进并拓展，用于多目标问题的求解。
其基本搜索流程如下：
先进行初始化。依据公式
x0ji＝ximin+(ximax-ximin)·rrand
对整个群体进行初始化，j代表第j只个体(j＝1,2,…,m)，m是个体的数量；i代表i个变量(i＝1,2,…,n)，n是目标函数的变量数；rrand是(0,1)内均匀分布的随机数；ximax和ximin是第i维变量的最大值和最小值。
随后在步骤四中，使用公式
来搜索步移动；对每个个体进行小步搜索，式中：t是搜索步中的当前小步(t＝1，2，…，T)；Rji第j只个体在搜索空间第i维变量空间邻域搜索范围(Rji∈[R min，R max])
步骤五、计算适应度、信息素和灵敏度；
求取适应度
ftjk＝fk(xtji)
对每个目标函数的适应度进行求解，式中k为第k个目标函数(k＝1，2，…，K)。、
定义多目标的信息素选择机制：
Pj＝fj/maX(fj)
灵敏度与单目标自由搜索算法定义类似：
Sj＝Smin+(Smax-Smin)rrand
步骤六、进行非劣解排序、产生Pareto解集；
步骤七、应用网格法存入外部存档；对于某些多目标优化问题，Pareto解集可能很大，把所有这些解都列入非劣解集是比较困难的，且没有实际意义。因此需要使非支配解集保持在合理的界限内，并保持较好的分布性。本文采用自适应网格法来对外部存档的分布性进行控制。网格将整个非劣解控制在一定区域内，并保证非劣解不过于拥挤。对于K个目标的优化问题，在空间中是一个K维的超立方体，需设置2K个边界网格。
步骤八、判定是否满足终止条件，并根据判定结果进行回馈。若判定结果满足终止条件，则输出Pareto解集；若判定结果不满足终止条件，则根据信息素和灵敏度确定搜索位置，并重新进行总成本、总网损和交通满意度的计算。
以上所述使本发明的优选实施方式，对于本领域的普通技术人员来说不脱离本发明原理的前提下，还可以做出若干变型和改进，这些也应视为本发明的保护范围。