一种电动汽车充电桩选址定容方法与流程

1.本发明属于汽车充电桩选址技术领域，具体为一种电动汽车充电桩选址定容方法。


背景技术：

2.由于在绿色环保、节能减排方面的巨大优势，电动汽车已在国内各大城市开始推广，在未来几年，国内的纯电动汽车将会在汽车领域内占据更大的市场。随着电动汽车数量的增长，充电基础设施的需求也越来越大，充电桩的建设成为制约电动汽车发展的重要因素，充电桩规划就成了当前的热点问题。充电桩规划的过程中，就需要对充电桩进行定容选址。
3.但是常见的定容选址方法多采用人工调研分布，参照的数据较少，从而使得规划得到的选址方法不够精确。


技术实现要素：

4.本发明的目的在于：为了解决上述提出的问题，提供一种电动汽车充电桩选址定容方法。
5.本发明采用的技术方案如下：一种电动汽车充电桩选址定容方法，所述电动汽车充电桩选址定容方法包括以下步骤：
6.s1:针对各个小区电动汽车分布不均衡，可以采用蒙特卡洛方法进行模拟仿真，以确定充电需求；
7.s2:依据古典概率模型，n个样本中具有某一属性的样本数量为a，则进行一次抽样所得样本具有某一属性的概率为：
8.假设小区内有n辆汽车，电动汽车的概率为p，针对小区内全部车辆进行判定，确定电动汽车的数量；
9.s3:进行充电桩位置规划模型的构建，先使用新的激活函数和在参数更新公式中加入惯性，改进网络结构提高全局搜索能力，并通过在误差函数中引入正则化提高bp神经网络在测试集上的表现；
10.s4:使用萤火虫算法确定充电容量，设定萤火虫算法中的种群规模、种群参数、包括萤火虫数量、光强系数、最大吸引力、算法迭代次数以及混沌搜索代数；输入电动汽车充电桩负荷预测模型中的rp，ra，p0及a0；
11.s5:在控制变量范围内，以选址定容策略随机初始化每个萤火虫的位置；每个萤火虫的位置信息对应一个充电桩选址定容方案；
12.s6:调用下层模型，计算每个个体的目标函数综合规划成本，进而计算每个萤火虫的亮度；
13.s7:针对每个萤火虫个体，选择其感知范围内亮度最高的萤火虫个体，计算两者之
间的距离和吸引力；
14.s8:判断算法求解结果是否收敛到设定的精度，或者迭代次数是否已经达到设定迭代次数，如果是则输出结果，算法结束；否则返回步骤(3)，之后得到定容结果；
15.s9:采用同时计及机动车保有量增持和电动汽车渗透率的方法，建立电动汽车充电负荷的增长模型，有第t年的电动汽车充电负荷与第t－1年的电动汽车充电负荷关系为:
16.p(t)＝(1+r
p
(t))p(t-1)(1+ra(t))a(t-1)
17.s10:进行约束条件的设置，为了保证充电站能够满足用户需求，防止缺电情况的发生，本文约束了所有充电站的额定容量不低于目标区域内ev用户的总需求量：
18.s11:采用萤火虫算法对所建立的二层规划选址定容模型进行求解分析，并对得到的分析结果进行记录
19.在一优选的实施方式中，所述步骤s1中，电动汽车数可由小区规划车位数、车位利用率及电动汽车渗透率确定，依据指导意见，需按1：1比例建设慢速充电桩。然而，电动汽车分布不均衡会使得小区内电动汽车实际数量偏离预测值，导致电动汽车与充电桩之间的供需矛盾。鉴于目前国内住宅情况，长时间将车辆停在其他小区进行充电，或在其他小区购买车位充电的难度仍较大，这就需要建设公共充电桩来满足这部分充电需求。
20.在一优选的实施方式中，所述步骤s2中，以上过程重复10000次并对所得数据进行统计，确定电动汽车数量分布服从正态分布。
21.在一优选的实施方式中，所述步骤s3中，通过随机选择的方式改变染色体上的遗传基因，生成新的个体。根据这种变异操作，本方法假设粒子的i维度每个区间的搜索量应该是相同的，即对于任意一个区间来说，该区间历史搜索量越大，则粒子变异时进入此区间的概率越小。
22.在一优选的实施方式中，所述步骤s9中，式中p(t)和p(t－1)分别为第t年和第t－1年的电动汽车充电负荷；rp(t)为机动车保有量在第t年的增长率；a(t－1)为第t－1年的电动汽车渗透率；ra(t)为电动汽车在第t年的渗透率增长率。
23.在一优选的实施方式中，所述步骤s9中，在充电负荷增长的情况下，充电桩的容量配置需要在规划周期内尽可能地满足充电负荷充电需要，如果不满足则需要对目标函数引入惩罚因子。
24.在一优选的实施方式中，所述步骤s10中，为了防止用户充电需要行驶的距离过长，保障充电范围覆盖整片规划区域，本文设置了相邻两个充电站之间的距离不大于充电站服务半径的2倍。
25.在一优选的实施方式中，所述步骤s10中，用户充电的满意度会受到规划区域内充电站数量的影响，同时充电站数量也会影响充电站规划的最优经济成本。充电站的数量与规划区域内总充电需求以及充电站规划容量上下限有关。
26.在一优选的实施方式中，所述步骤s1中，若在某一区域内含有多个可为电动汽车充电的充电桩建设点，该区域内电动汽车总是会选择距离自己最近的建设点进行充电，这就使得整个区域划分成多个小型分域，每个小型区域即是对应的建设点内充电桩应满足的负荷需求范围，即其服务范围。
27.在一优选的实施方式中，所述步骤s6中，下层模型制定的策略需要依据上层模型制定的策略，下层模型的求解流程包含两个层面的含义，一方面是作为上层模型已知的策
略在进行调用，另一层含义是下层模型本身的求解策略。
28.综上所述，由于采用了上述技术方案，本发明的有益效果是：
29.1、本发明中，采用了萤火虫分析算法，具有较好的效果，相比于粒子群算法和遗传算法，不仅在寻优能力上更优，同时在求解时间上也更短，更适用于所建立的模型，从而降低了实际使用过程中分析数据所需要的时间，同时也减轻了人们在使用时的数据处理的劳动负担，提高了该系统的运行速率。
30.2、本发明中，将电动汽车充电桩进行了分类，提出了计及电动汽车分布不平衡的充电需求确定方法；提出了计及多日一充的电动汽车充电负荷预测方法，所得结果比原有的设定每天充电更加贴近实际情况，从而使得该方法在对电动汽车充电桩进行选址定容时参考的数据更加全面，从而提高了该方法在运行时准确性。
附图说明
31.图1为本发明的流程图。
具体实施方式
32.为了使本发明的目的、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详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
33.参照图1，
34.一种电动汽车充电桩选址定容方法，所述电动汽车充电桩选址定容方法包括以下步骤：
35.s1:针对各个小区电动汽车分布不均衡，可以采用蒙特卡洛方法进行模拟仿真，以确定充电需求；步骤s1中，电动汽车数可由小区规划车位数、车位利用率及电动汽车渗透率确定，依据指导意见，需按1：1比例建设慢速充电桩。然而，电动汽车分布不均衡会使得小区内电动汽车实际数量偏离预测值，导致电动汽车与充电桩之间的供需矛盾。鉴于目前国内住宅情况，长时间将车辆停在其他小区进行充电，或在其他小区购买车位充电的难度仍较大，这就需要建设公共充电桩来满足这部分充电需求；步骤s1中，若在某一区域内含有多个可为电动汽车充电的充电桩建设点，该区域内电动汽车总是会选择距离自己最近的建设点进行充电，这就使得整个区域划分成多个小型分域，每个小型区域即是对应的建设点内充电桩应满足的负荷需求范围，即其服务范围；
36.s2:依据古典概率模型，n个样本中具有某一属性的样本数量为a，则进行一次抽样所得样本具有某一属性的概率为：
37.假设小区内有n辆汽车，电动汽车的概率为p，针对小区内全部车辆进行判定，确定电动汽车的数量；步骤s2中，以上过程重复10000次并对所得数据进行统计，确定电动汽车数量分布服从正态分布；
38.s3:进行充电桩位置规划模型的构建，先使用新的激活函数和在参数更新公式中加入惯性，改进网络结构提高全局搜索能力，并通过在误差函数中引入正则化提高bp神经网络在测试集上的表现；所述步骤s3中，通过随机选择的方式改变染色体上的遗传基因，生
成新的个体。根据这种变异操作，本方法假设粒子的i维度每个区间的搜索量应该是相同的，即对于任意一个区间来说，该区间历史搜索量越大，则粒子变异时进入此区间的概率越小；
39.s4:使用萤火虫算法确定充电容量，设定萤火虫算法中的种群规模、种群参数、包括萤火虫数量、光强系数、最大吸引力、算法迭代次数以及混沌搜索代数；输入电动汽车充电桩负荷预测模型中的rp，ra，p0及a0；
40.s5:在控制变量范围内，以选址定容策略随机初始化每个萤火虫的位置；每个萤火虫的位置信息对应一个充电桩选址定容方案；
41.s6:调用下层模型，计算每个个体的目标函数综合规划成本，进而计算每个萤火虫的亮度；步骤s6中，下层模型制定的策略需要依据上层模型制定的策略，下层模型的求解流程包含两个层面的含义，一方面是作为上层模型已知的策略在进行调用，另一层含义是下层模型本身的求解策略；
42.s7:针对每个萤火虫个体，选择其感知范围内亮度最高的萤火虫个体，计算两者之间的距离和吸引力；
43.s8:判断算法求解结果是否收敛到设定的精度，或者迭代次数是否已经达到设定迭代次数，如果是则输出结果，算法结束；否则返回步骤(3)，之后得到定容结果；
44.s9:采用同时计及机动车保有量增持和电动汽车渗透率的方法，建立电动汽车充电负荷的增长模型，有第t年的电动汽车充电负荷与第t－1年的电动汽车充电负荷关系为:
45.p9t)＝(1+r
p
(t))p(t-1)(1+ra(t))a(t-1)；所述步骤s9中，式中p(t)和p(t－1)分别为第t年和第t－1年的电动汽车充电负荷；rp(t)为机动车保有量在第t年的增长率；a(t－1)为第t－1年的电动汽车渗透率；ra(t)为电动汽车在第t年的渗透率增长率；步骤s9中，在充电负荷增长的情况下，充电桩的容量配置需要在规划周期内尽可能地满足充电负荷充电需要，如果不满足则需要对目标函数引入惩罚因子；
46.s10:进行约束条件的设置，为了保证充电站能够满足用户需求，防止缺电情况的发生，本文约束了所有充电站的额定容量不低于目标区域内ev用户的总需求量：步骤s10中，为了防止用户充电需要行驶的距离过长，保障充电范围覆盖整片规划区域，本文设置了相邻两个充电站之间的距离不大于充电站服务半径的2倍；步骤s10中，用户充电的满意度会受到规划区域内充电站数量的影响，同时充电站数量也会影响充电站规划的最优经济成本。充电站的数量与规划区域内总充电需求以及充电站规划容量上下限有关；
47.s11:采用萤火虫算法对所建立的二层规划选址定容模型进行求解分析，并对得到的分析结果进行记录。
48.本发明中，采用了萤火虫分析算法，具有较好的效果，相比于粒子群算法和遗传算法，不仅在寻优能力上更优，同时在求解时间上也更短，更适用于所建立的模型，从而降低了实际使用过程中分析数据所需要的时间，同时也减轻了人们在使用时的数据处理的劳动负担，提高了该系统的运行速率。
49.本发明中，将电动汽车充电桩进行了分类，提出了计及电动汽车分布不平衡的充电需求确定方法；提出了计及多日一充的电动汽车充电负荷预测方法，所得结果比原有的设定每天充电更加贴近实际情况，从而使得该方法在对电动汽车充电桩进行选址定容时参考的数据更加全面，从而提高了该方法在运行时准确性。
50.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
51.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。