充电站规划布局方法及装置与流程

本发明涉及充电站规划领域，特别是涉及一种充电站规划布局方法以及一种充电站规划布局装置。

背景技术：

随着全球等石油资源的日益紧缺，对节能减排方面的研究也日益增多。电动汽车以其优良的环保性能，引起了国内外政府和企业的高度重视，动力电池技术和电动汽车的发展也初具规模。

电动汽车的使用过程中，需要对电动汽车进行充电以补充能源，因而需要建设相关的充电站，以便于能够为电动汽车能够充电。目前为止，充电站规划研究方面尚未形成较为完整而系统的模型与方法，通常都是人为地确定出充电站的规划地址，往往使得充电站的位置规划不具有科学性和实际性，规划方案在实际应用时并不可行。

技术实现要素：

基于此，本发明实施例的目的在于提供一种充电站规划布局方法以及一种充电站规划布局装置，其可以科学地规划充电站的位置，能够快速准确地获得充电站规划布局的最优方案。

为达到上述目的，本发明实施例采用以下技术方案：

一种充电站规划布局方法，包括步骤：

获取电网状态信息以及充电站状态信息；

根据电网状态信息以及充电站状态信息，随机产生包含充电站位置和充电站容量的预定数目个充电站规划布局方案，并以各充电站规划布局方案为个体形成当前种群；

根据规划目标适应度函数计算所述当前种群中的各个体的适应度值，并根据各个体的适应度值判断当前种群是否满足进化终止条件；

在不满足进化终止条件时，对所述当前种群进行进化操作，获得各进化后个体，并采用所述规划目标适应度函数计算各进化后个体的适应度值；

将各进化后个体与所述当前种群的适应度值最高的前第一数目个个体合并后，计算各个体之间的距离，并基于各个体之间的距离调整各个体的适应度值；

将调整后个体中适应度值最高的第二数目个个体作为当前种群，返回判断当前种群是否满足进化终止条件的步骤；

在满足进化终止条件时，终止进化过程，将当前种群中适应度最高的前第三数目个个体对应的充电站规划布局方案作为确定的充电站规划布局方案。

一种充电站规划布局装置，包括：

信息获取模块，用于获取电网状态信息以及充电站状态信息；

初始种群生成模块，用于根据电网状态信息以及充电站状态信息，随机产生包含充电站位置和充电站容量的预定数目个充电站规划布局方案，并以各充电站规划布局方案为个体形成当前种群；

进化终止分析模块，用于根据规划目标适应度函数计算所述当前种群中的各个体的适应度值，并根据各个体的适应度值判断当前种群是否满足进化终止条件；

进化模块，用于在不满足进化终止条件时，对所述当前种群进行进化操作，获得各进化后个体，并采用所述规划目标适应度函数计算各进化后个体的适应度值；将各进化后个体与所述当前种群的适应度值最高的前第一数目个个体合并后，计算各个体之间的距离，并基于各个体之间的距离调整各个体的适应度值；将调整后的适应度值最高的第二数目个个体作为当前种群，返回判断当前种群是否满足进化终止条件的步骤；

方案确定模块，用于在满足进化终止条件时，终止进化过程，将当前种群中适应度最高的前第三数目个个体对应的充电站规划布局方案作为确定的充电站规划布局方案。

基于如上所述的实施例的方案，其在对充电站进行规划布局时，在获得电网状态信息和充电站状态信息后，随机生成多个充电站规划布局方案，每个充电站规划布局方案包含充电站位置和充电站容量的信息，并采用改进的遗传算法进行求解，保持了种群多样性，使得个体在整个空间分散开来，从而能更加科学地反映电动汽车充电站问题的实质，可以科学地规划充电站的位置，能够快速准确地获得充电站规划布局的最优方案。

附图说明

图1为一个实施例中的充电站规划布局方法的流程示意图；

图2为一个示例中构建的voronoi拓扑关系的示意图；

图3是一个应用示例中本实施例方案与传统方法的收敛曲线对比示意图；

图4是一个应用示例中采用传统方案获得的规划方案的示意图；

图5是一个应用示例中采用本实施例方案获得的规划方案的示意图；

图6为一个实施例中的充电站规划布局装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。

图1示出了一个实施例中的充电站规划布局方法的流程示意图。如图1所示，该实施例的充电站规划布局方法包括下述步骤：

步骤s101：获取电网状态信息以及充电站状态信息；

步骤s102：根据电网状态信息以及充电站状态信息，随机产生包含充电站位置和充电站容量的预定数目个充电站规划布局方案，并以各充电站规划布局方案为个体形成当前种群；

步骤s103：根据规划目标适应度函数计算所述当前种群中的各个体的适应度值，并根据各个体的适应度值判断当前种群是否满足进化终止条件；

步骤s104：在不满足进化终止条件时，对所述当前种群进行进化操作，获得各进化后个体，并采用所述规划目标适应度函数计算各进化后个体的适应度值；

步骤s105：将各进化后个体与所述当前种群的适应度值最高的前第一数目个个体合并后，计算各个体之间的距离，并基于各个体之间的距离调整各个体的适应度值；

步骤s106：将调整后的适应度值最高的第二数目个个体作为当前种群，返回判断当前种群是否满足进化终止条件的步骤；

步骤s107：在满足进化终止条件时，终止进化过程，将当前种群中适应度最高的前第三数目个个体对应的充电站规划布局方案作为确定的充电站规划布局方案。

基于如上所述的实施例的方案，其在对充电站进行规划布局时，在获得电网状态信息和充电站状态信息后，随机生成多个充电站规划布局方案，每个充电站规划布局方案包含充电站位置和充电站容量的信息，并采用改进的遗传算法进行求解，保持了种群多样性，使得个体在整个空间分散开来，从而能更加科学地反映电动汽车充电站问题的实质，可以科学地规划充电站的位置，能够快速准确地获得充电站规划布局的最优方案。

一个示例中的上述电网状态信息可以包括当前电网状态信息、电网规划边界信息。其中，当前电网状态信息可以包括规划区域、所述规划区域的各子区域的电网负荷、所述规划区域的各子区域的电量，所述电网规划边界信息可以包括规划期的负荷预测。

充电站状态信息可以包括当前充电站相关信息以及充电站规划相关信息。其中，当前充电站相关信息可以包括当前充电站布局、当前电动汽车数量，充电站规划相关信息可以包括电动汽车规划数量、电动汽车充电站规划数量。

在一个示例中，上述步骤s102生成当前种群时，可以采用下述方式进行：

首先执行预定次数的下述过程：

根据电网状态信息以及充电站状态信息，随机产生包含充电站位置和充电站容量的各充电站规划布局方案；

计算以各充电站规划布局方案为个体的各个体的适应度。

在执行了上述过程预定次数之后，选取适应度最高的预定数目个个体形成当前种群。这里的预定次数可以结合实际应用需要进行设定。

在一个应用示例中，在上述对当前种群进行进化操作之后，还可以记录进化次数。

从而，在步骤s104中进行进化操作时，可以是在记录的进化次数小于第一进化次数中间值时，增大当前进化操作的交叉因子的值，并在记录的进化次数大于第二进化次数中间值时，减小当前进化操作的交叉因子的值；并在记录的进化次数大于第三进化次数中间值时，增大当前进化操作的变异因子的值。

从而，基于变化的交叉因子、变异因子，在种群进化初期适当增大交叉概率值，而随着进化次数的增加，寻优算法已经逐渐接近极值点，因此在种群进化后期逐渐减少交叉概率，加快算法收敛过程。同理，在进化后期逐渐增大变异概率，可以保持种群的多样性，可以尽可能更快速获得所有的极值点。

在一个应用示例中，在调整各个体的适应度值之后，将调整后个体中适应度值最高的第二数目个个体作为当前种群之前，还可以包括如下步骤：

从地理信息系统获取地理信息；

根据所述当前种群中的各个体的充电站位置，基于地理信息系统生成voronoi拓扑关系图；

根据所述voronoi拓扑关系图，去除所述当前种群中充电站位置处于预定类型区域的个体，获得更新后的当前种群。

从而，可以基于地理信息系统从当前种群中剔除或淘汰掉不适合位于不适合建站区域的个体，进一步提高了规划的充电站的位置的合理性和科学性。

以下结合一个具体示例进行详细举例说明。

本发明实施例方案在实现之前，需要先建立一个规划目标适应度函数，该规划目标适应度函数是后续求解时评价个体优劣的重要指标，决定了个体被遗传到下一代的概率，也是决定是否需要进行进一步进化的考虑因素。由于规划目标适应度函数要求最优化问题是求最大值，且为非负值，因此需要对适应度函数和目标函数进行转换。在本实施例方案的充电站优化配置问题中，规划目标适应度函数中的适应度函数可以是根据充电站投资成本和充电成本确定，具体基于充电站建设成本和运行费用加权后的目标函数f(x)变形而获得。

式中：k为充分大实数，ψ为地理信息因子，ψ由规划人员考虑地理信息系统综合评价所获得，取值范围为(0，1)。

其中，在构建目标函数时，可以是通过建立充电站投资成本和充电成本的综合成本最优经济模型，在考虑实际充电站发展阶段后，目标函数为两者加权之后所获得的最优费用，可由下式表示：minf＝ω1f1+ω2f2(1)

式中：f为目标函数值，即投资成本和充电成本加权和；ω1、ω2为加权因子，可以由规划人员根据实际地市的电动汽车发展阶段来决定取值大小，0≤ωi≤1，i＝1、2，且ω1+ω2＝1，f1为电动汽车充电站的年投资运行费用，f2为电动汽车年充电成本。其中，

式中：i为被选充电站点的集合；ki为候选站点，若在候选站i处建立充电站时，则候选站址ki赋值为1,否则为0；ni为待建候选充电站的数量，r0为贴现率，ni为充电站i的折旧年限；t2(ni)为充电站i的年运行和维护费用。

式中：α为充电者的时间成本；λij为两点之间的曲折系数，一般取值在1.0～1.4之间，λij值越小表明两点之间交通越便利；dij为充电汽车到充电站两点之间的直线距离；nij为充电汽车来充电站i的数量；v为充电汽车平均行驶速度；β为充电汽车充电成本；u为充电汽车的单位耗电量。

其中，上述规划目标适应度函数可以包括下述约束条件①～⑥。

①充电站中的所有充电机的容量小于变压器容量

考虑到变压器容量有一定的限制，因此，充电站中所有充电机总容量不得大于变压器容量，具体可用下式(4)表示：

式中：si为每个充电机的容量，smax为变压器最大容量，n为充电机总个数。

②充电站的无功容量小于或等于无功补偿上限值，且大于或等于无功补偿下限值。

考虑到充电站对电能质量的影响，因此无功补偿需满足一定的限制条件，具体可用下式(5)表示。

qmin≤∑qi≤qmaxi＝1,2,…，n(5)

式中：qi为各充电站无功容量，qmin和qmax分别为充电站无功补偿的下限值和上限值。

③同一时刻各充电汽车的充电功率之和小于充电站的最大功率。

受充电机容量的限制，因此电动汽车必须满足最大充电功率约束条件：

式中：pi为同一时刻各充电汽车的充电功率，pmax为充电站的最大功率。

④充电站的电压幅值大于或者等于充电站节点电压的最小幅值下限值、且小于或者等于充电站节点电压的最大幅值上限值。

受节点电压上下限的约束，电压幅值必须满足如下要求。

vmin≤vi≤vmaxi＝1,2,…，n(7)

式中：vi为某充电节点的电压幅值，vmin和vmax分别为充电站节点电压的最大和最小幅值界限。

⑤充电站的电流幅值小于配电系统电流值上限值。

受馈线电流的约束，电流幅值必须满足如下要求。

|ii|≤imaxi＝1,2,…，n(8)

式中：ii为某充电站配电系统中电流值，imax为配电系统电流值的上限。

⑥各充电站之间的距离大于或等于充电站间距下限值，且小于或等于充电站间距上限值。

为避免充电站之间过于密集，站间距离需满足下述约束条件。

lmin≤li≤lmax(9)

式中：li为相连电动车充电站之间的距离，lmin和lmax分别为充电站间距的上下限，lmin和lmax的取值考虑电动汽车的续航能力和充电需求。

在进行上述设定后，可获取电网状态信息以及充电站状态信息，以获取电网现状及电动汽车充电站地理信息边界条件。

其中，电网状态信息包括当前电网状态信息、电网规划边界信息。所述当前电网状态信息包括规划区域及其各子区域的电网负荷、电量情况。所述电网规划边界信息包括规划期的负荷预测；

充电站状态信息包括当前充电站相关信息以及充电站规划相关信息。当前充电站相关信息包括当前充电站布局、当前电动汽车数量，充电站规划相关信息包括电动汽车规划数量、电动汽车充电站规划数量。

从而据此获得规划区域及其各子区域的负荷、电量情况，电动汽车充电站布局现状，电动汽车数量等。其中规划边界条件通常包含规划期的负荷预测、电动汽车规划数量以及电动汽车充电站规划数量等规划边界条件。与常规电动汽车充电站规划类似，该部分是充电站规划的基础条件，一般可从规划区域各级政府部门和电网公司获取相关内容。

在获得上述信息后，即可对上述建议的规划目标适应度函数进行求解，以获得最终的充电站规划方案。具体可结合小生境技术进行。

在自然界中，常常产生“物以类聚”的现象，大自然中的生物总是习惯和自身特性、形状接近相似的同类或者生物共同生活，聚集在一起形成一个个特定的小生境，来进行与同类之间进行交配和后代繁殖。受小生境现象的启发，小生境技术就是通过将每一代个体划分为若干不同类别，将每个类别中优秀个体组成一个种群，让不同种群中优秀个体进行交叉操作和变异操作。采用小生境技术是将每个类别中优秀个体组成一个种群，让不同种群中优秀个体进行交叉操作和变异操作。

首先根据电网状态信息以及充电站状态信息，随机产生包含充电站位置和充电站容量的预定数目个充电站规划布局方案，并以各充电站规划布局方案为个体形成当前种群。

一个示例中，采用三维浮点数(x1y1s1,x2y2s2...xnynsn)表示电动汽车充电站的站址和容量进行编码，随机产生多个充电站规划布局方案作为一个初步的初始种群，对以各充电站规划布局方案为个体的各个体的适应度。重复该过程多次后，选取适应度最高的预定数目m个个体作为初始种群。其中xiyi(i＝1,2,…，n)分别表示充电站的位置的横纵坐标，si表示充电站的容量大小。

由于此时产生了初始种群，必然是不符合进化终止条件，需要对其进行进化处理。进化处理的过程实际上是指基因选择、变异、交叉操作的过程。

基因选择通常情况下是指进行复制、繁殖操作，在此采用适应度比例法进行优秀个体的选择操作，获得适应度较高的个体。基因变异操作是模拟生物进化过程之中，由于某些偶然的因素而引发的突变现象，是指按照一定的变异率(变异因子)，随机选取某染色体的基因进行改变。而基因交叉操作是指按照一定的交叉概率(交叉因子)，随机选取某两个染色体的某个位置的基因进行交换。

在本实施例的方案中，为了迅速获得大范围的极值点，因此采取在种群进化初期增大交叉概率值(交叉因子)，而随着进化次数的增加，寻优算法已经接近极值点，因此在种群进化后期逐渐减少交叉概率，以加快算法收敛过程。同理，变异概率在种群进化初期起到的作用较小，而在进化后期为了保持种群的多样性，采取逐渐增大变异概率值(变异因子)，以更快速获得所有的极值点。在本实施例方案中，初始种群大小可以设置为60，即上述预设数目m为60，首次进行进化操作时的初始交叉概率pc可设置为0.75，初始变异概率pm可设置为0.01，交叉概率pc和变异概率pm增大或减少的步长可设置为0.04。

在进行进化处理获得各进化后个体之后，采用所述规划目标适应度函数计算各进化后个体的适应度值，将各进化后个体与所述初始种群的适应度值最高的前第一数目个个体合并后，通过比较各个个体间的距离d，使得个体在整个空间分散开来，个体之间的距离d(j,k)可以表示为：

由于d(j,k)反应了个体之间的空间距离，当d(j,k)＞d时，且个体j的适应度值优于个体k的适应度值，则进行令个体k的适应度值为极小值操作，使得该个体下次被选择的概率极小；反之则进行令个体j的适应度值为极小值操作。这样既保持了种群的多样性，同时使得在解空间l内只存在一个唯一解，提高了算法的运算效率。

在调整了需要调整的个体的适应度之后，基于从地理信息系统获取的地理信息，根据调整适应度值后的各个体的充电站位置，基于地理信息系统生成voronoi拓扑关系图；并根据所述voronoi拓扑关系图，去除充电站位置处于预定类型区域的个体，获得更新后的调整后个体。

voronoi图假设平面上若干个离散的点p＝(p1,p2,···,pn)的集合，图2示出了一个示例中构建的voronoi拓扑关系的示意图。由于voronoi图具有最邻近性特性，任一点以相同速向外生长扩展，直到彼此相遇后形成若干个多边形，且voronoi图的交点是这些边的图的顶点的外切圆圆心。voronoi图边的交点与周围相邻的几个顶点距离是最远的。在本实施例的充电站规划的方案中，这些顶点代表充电站站址，且空心圆半径越大，说明所需要提供充电汽车越多，越有可能成为新建充电站的规划站址。通过基于voronoi图理论的地理信息系统技术，对新建充电站址进行选择。对处于预定类型区域的予以淘汰这些预定类型区域可以是河流、绿地等均属于不适宜建站的区域。然后采用v图中空心圆半径最大，所需提供充电需求最大的点，作为充电站建站的最优位置，进行最优位置排序。

在通过基于voronoi图理论的地理信息系统技术对处于不适合建站区域的个体进行淘汰后，可获得调整后个体，并将调整后个体中适应度值最高的第二数目个个体作为当前种群，判断当前种群是否满足进化终止条件，若不满足，则重复上述进化处理的过程，若满足，则终止进化过程。其中，进化终止条件，可以结合实际技术需要进行设定。例如可以通过对确定的充电站规划布局方案进行最优化方案校核，通常包括变压器容量约束、功率约束、节点电压约束、受馈线路约束，并判断计算结果是否最优且满足地理信息系统实际情况，并判断实施方案是否可行，如果是，则认为满足进化终止条件。

在满足进化终止条件终止进化过程之后，将当前种群(即上述调整后个体)中适应度最高的前第三数目个个体对应的充电站规划布局方案作为确定的充电站规划布局方案。

在获得确定的各充电站规划布局方案之后，可以进行投资估算，然后进行输出。

基于如上所述的方案，将每个类别中优秀个体组成一个种群，让不同种群中优秀个体进行交叉操作和变异操作。计算出各个个体的适应值后，通过比较各个个体间的距离d，使得个体在整个空间分散开来，解决了传统遗传算法在求解过程中的未成熟而先收敛的问题。

图3示出了一个示例中采用本实施例方案与传统遗传方法的收敛曲线对比示意图，从图中可以看出，本实施例方案在寻优过程中，计算效率更好，更易获得最优解。

下表1示出了一个具体应用示例中，某区域电网采用传统算法与使用本实施例方案的规划结果对比图，本实施例方案通过变化的变异和交叉因子对算法进行了改进，使得该算法能较快的在全局范围内获得最优解。同时，考虑了地理信息系统对充电站规划的实际影响，使得规划结果能够更加科学的反映电动汽车充电站问题的实质，达到科学实际电动汽车充电站规划效果。

其中，权重方案i考虑在电动汽车发展相对缓慢，对电动汽车充电站投资资金有限，取ω1＝0.6，ω2＝0.4时目标函数的结果。采用本实施例方案，需新建电动汽车充电站5座，充电机59台，总投资约为4227万元，迭代次数为9次。其中权重方案ii主要是考虑在电动汽车发展速度正常，电动汽车充电站建设成本和充电成本同样重要性，取ω1＝0.5，ω2＝0.5时目标函数的结果。采用本实施例方案，需新建电动汽车充电站5座，充电机62台，总投资约为4569万元，迭代次数为9次。其中权重方案ⅲ主要是考虑在电动汽车发展速度较快，充电站建设成本在目标函数数中所占比例相对较小，取ω1＝0.4，ω2＝0.6时,目标函数的结果。采用本实施例方案，需新建电动汽车充电站5座，充电机64台，总投资约为4728万元。

表1

图4、图5分别示出了一个应用示例中针对某区域采用传统方案获得的规划方案的示意图和采用本实施例方案获得的规划方案的示意图。图4、图5所示中，已有充电站用●表示，规划新建充电站用★表示，有需求的充电站点用○用表示。其中，灰色区域受绿地、河流等地理因素的制约不适宜建站。图4方案中未考虑gis系统的情况下，造成图中下方充电站站址落到绿地中、上方的站址落到街道上，使得规划站址与实际道路规划不符，不具备可行性。图5的采用本实施例方案获得的电动汽车充电站最优结果科学合理，新建4个充电站均在可行区域之内。

基于与上述方法相同的思想，本发明实施例还提供一种充电站规划布局装置。图6示出了一个实施例中的充电站规划布局装置的结构示意图，如图6所示，该装置包括：

信息获取模块601，用于获取电网状态信息以及充电站状态信息；

初始种群生成模块602，用于根据电网状态信息以及充电站状态信息，随机产生包含充电站位置和充电站容量的预定数目个充电站规划布局方案，并以各充电站规划布局方案为个体形成当前种群；

进化终止分析模块603，用于根据规划目标适应度函数计算所述当前种群中的各个体的适应度值，并根据各个体的适应度值判断当前种群是否满足进化终止条件；

进化模块604，用于在不满足进化终止条件时，对所述当前种群进行进化操作，获得各进化后个体，并采用所述规划目标适应度函数计算各进化后个体的适应度值；将各进化后个体与所述当前种群的适应度值最高的前第一数目个个体合并后，计算各个体之间的距离，并基于各个体之间的距离调整各个体的适应度值；将调整后的适应度值最高的第二数目个个体作为当前种群，返回判断当前种群是否满足进化终止条件的步骤；

方案确定模块605，用于在满足进化终止条件时，终止进化过程，将当前种群中适应度最高的前第三数目个个体对应的充电站规划布局方案作为确定的充电站规划布局方案。

基于如上所述的实施例的方案，其在对充电站进行规划布局时，在获得电网状态信息和充电站状态信息后，随机生成多个充电站规划布局方案，每个充电站规划布局方案包含充电站位置和充电站容量的信息，并采用改进的遗传算法进行求解，保持了种群多样性，使得个体在整个空间分散开来，从而能更加科学地反映电动汽车充电站问题的实质，可以科学地规划充电站的位置，能够快速准确地获得充电站规划布局的最优方案。

一个示例中的上述电网状态信息可以包括当前电网状态信息、电网规划边界信息。其中，当前电网状态信息可以包括规划区域、所述规划区域的各子区域的电网负荷、所述规划区域的各子区域的电量，所述电网规划边界信息可以包括规划期的负荷预测。

充电站状态信息可以包括当前充电站相关信息以及充电站规划相关信息。其中，当前充电站相关信息可以包括当前充电站布局、当前电动汽车数量，充电站规划相关信息可以包括电动汽车规划数量、电动汽车充电站规划数量。

一个示例中，上述初始种群生成模块602通过执行下述过程生成当前种群：根据电网状态信息以及充电站状态信息，随机产生包含充电站位置和充电站容量的各充电站规划布局方案；并计算以各充电站规划布局方案为个体的各个体的适应度；在执行了预定次数之后，选取适应度最高的预定数目个个体形成当前种群。这里的预定次数可以结合实际应用需要进行设定。

在一个示例中，进化模块604还记录进化次数，并进行进化操作时，可以在记录的进化次数小于第一进化次数中间值时，增大当前进化操作的交叉因子的值，在记录的进化次数大于第二进化次数中间值时，减小当前进化操作的交叉因子的值，在记录的进化次数大于第三进化次数中间值时，增大当前进化操作的变异因子的值。

从而，基于变化的交叉因子、变异因子，在种群进化初期适当增大交叉概率值，而随着进化次数的增加，寻优算法已经逐渐接近极值点，因此在种群进化后期逐渐减少交叉概率，加快算法收敛过程。同理，在进化后期逐渐增大变异概率，可以保持种群的多样性，可以尽可能更快速获得所有的极值点。

在一个示例中，进化模块604可以包括个体删除模块，用于在满足进化终止条件时，从地理信息系统获取地理信息；根据所述当前种群中的各个体的充电站位置，基于地理信息系统生成voronoi拓扑关系图；根据所述voronoi拓扑关系图。

此时，进化模块604还根据所述voronoi拓扑关系图，去除所述当前种群中充电站位置处于预定类型区域的个体，获得更新后的当前种群。

此时，方案确定模块605，是将更新后的当前种群中适应度最高的前第三数目个个体对应的充电站规划布局方案作为确定的充电站规划布局方案。

从而，可以基于地理信息系统从当前种群中剔除或淘汰掉不适合位于不适合建站区域的个体，进一步提高了规划的充电站的位置的合理性和科学性。

其中，上述各示例中的规划目标适应度函数可以根据充电站投资成本和充电成本确定。其约束条件可以包括：

充电站中的所有充电机的容量小于变压器容量；

充电站的无功容量小于或等于无功补偿上限值，且大于或等于无功补偿下限值；

同一时刻各充电汽车的充电功率之和小于充电站的最大功率；

充电站的电压幅值小于配电系统电流值上线；

各充电站之间的距离大于或等于充电站间距下限值，且小于或等于充电站间距上限值。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。