CN103810539B - 考虑换电服务可用性的电动汽车换电站容量优化配置方法 - Google Patents

Abstract

本发明涉及属于智能电网技术领域的考虑换电服务可用性的电动汽车换电站容量优化配置方法。确定“先进站先换电”和“即换即充”的运行方式；确定换电服务可用性评价指标；建立换电站运行状态的时序仿真模型，得到各时段各状态动力电池组与车辆数；换电服务评价指标的计算方法；构建换电站容量优化模型的目标函数；确定系统的决策变量及其上下限值；设定换电服务可用性评价指标要求的约束；选用优化算法，计算在不同指标要求下的最优解。本发明提出了换电站服务可用性指标，对换电站的换电服务做出综合评价，计算简便。本发明可以对含动力电池充电功能的电动汽车换电站容量优化配置方案提供参考，并且可对已建成的换电站进行服务可用性综合评价。

Description

考虑换电服务可用性的电动汽车换电站容量优化配置方法

技术领域

本发明涉及考虑换电服务可用性的电动汽车换电站容量优化配置方法，属于智能电网技术领域。

背景技术

发展电动汽车被世界主要生产国普遍确立为提高汽车产业竞争力、保障能源安全和转型低碳经济的重要途径。目前，对电动汽车能源供给设施主要有交流充电桩、充电站和换电站。交流充电桩安装方便、价格便宜，但是只能进行常规充电，充电时间较长；充电站直流充电相对于交流充电桩可大幅缩短充电时间，会造成电池寿命急剧衰减，对充电接头、充电设施的容量要求也更高，并且充电站停车场占地面积较大，给充电站的建设带来困难；换电站可对动力电池进行常规充电，也便于对电池进行统一维护和管理。

对于换电站的建设，《国家电网公司“十二五”电动汽车充电服务网络发展规划》提出了“集中充电、统一配送”的商业运营模式，集中型充电站充电功率大，且可集中控制充电功率，有利于制定电网友好的充电方案，配送站不承担充电功能，没有电网接入的问题，站址选择灵活；由于在电池控制权、标准化建设等方面仍存在较大争议，换电站建设并未得到真正大规模推进。另一种商业运营模式为充换电一体的换电站模式，这种换电模式对于营运车辆和公交车有较好适用性。而对该类换电站配置的研究成果较少，已有研究尚未考虑到换电需求的不确定性，对换电站进行优化配置时未结合其换电能力与换电需求的关系。本文将提出换电服务可用性这一概念，提出换电服务可用性评价指标，在满足一定的指标约束下，对换电站的动力电池和充电机数量进行优化配置。

图1为换电站结构示意图，一般电动汽车换电站的系统结构如附图1所示，主要由交流配网、充电机、动力电池组及其更换装置等部分组成，交流配网与低压交流母线相连；低压交流母线连接充电机；动力电池组更换装置从电动汽车中换下动力电池或放在动力电池组存储仓中；充电机给动力电池或放在动力电池组存储仓中的动力电池充电。

微分进化(differential evolution,DE)算法是Storn和Price在1995年为解决切比雪夫多项式问题提出的一种群体智能优化算法，是一种基于群体智能的新兴全局优化方法，具有收敛速度快、可调参数少、鲁棒性好、操作简单等特点。DE的基本思想是：首先基于种群中个体之间的差异重组得到一个试验种群;然后,试验种群与原始种群的个体通过一对一的竞争生存策略形成新一代种群。其整体结构类似于遗传算法，包括种群初始化、变异、交叉和选择操作。

发明内容

本发明的目的在于，针对上述不足之处公开了考虑换电服务可用性的电动汽车换电站容量优化配置方法，为示范城市电动汽车充电基础设施建设提供理论依据和技术支撑，并有利于降低换电站的建设成本。

本发明的技术方案是，

考虑换电服务可用性的电动汽车换电站容量优化配置方法，该方法包括下列步骤：

步骤1：确定先进站先换电和即换即充的运行方式；

所述先进站先换电的运行方式：优先对先进站有换电需求的电动汽车提供换电服务；

所述即换即充的运行方式：最大限度使用站内充电机对换下的动力电池组进行充电；

步骤2：确定换电服务可用性评价指标；

所述换电服务可用性评价指标分为两个换电站服务可用性评价指标：指标1—换电服务日可用率ABSSD、指标2—最大等待时长MWT；其中，指标1主要是对换电站服务进行总体的评价，指标2主要是对车辆个体换电可能等待的最大时长进行评价；

指标1： $\mathrm{ABSSD}=\frac{K\·(t_1-t_0)-\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{t}_w\left(k\right)}{K\·(t_1-t_0)}\×100\%,$

指标2：MWT＝max(t_w(k)),k＝1,2,···,K；

式中，K为全天换电车辆数；t₁为一天中统计结束时间，t₀为起始时间，t_w(k)为第k辆车的等待时长；

步骤3：建立换电站运行状态的时序仿真模型，得到各时段各状态动力电池组与车辆数；

将全天24小时（h）分为I个时段，每时段时长Δt，对每个时段系统的各状态量进行分析。充电周期时长为T，则充电周期时段数I_C＝T/Δt，第i时段内更换下的动力电池最早可在第i+1时段的起始时刻开始充电，在第i+I_C+1时段的起始时刻完成充电，可满足时段电动汽车的换电需求。充电时，一台充电机对应一组动力电池；该换电站为N_T辆电动汽车服务，一辆电动汽车需要一组动力电池，N_S为站内现有动力电池组数。第i时段站内车辆总数N_D(i)由该时段新进站换电的车辆数和上一时段未能换电的车辆数决定：

N_D(i)=N_EV(i)+N_O(i-1)，

式中，N_EV(i)为新进站换电车辆数，N_O(i-1)为第i-1时段未能换电的车辆数。定义站内已完成充电，即可用的动力电池组数为N_A(i)，当N_A(i)≥N_D(i)，可满足换电需求，实际完成换电数量即等于站内车辆总数N_D(i)，该时段需等待换电车辆数N_O(i)＝0；当N_A(i)＜N_D(i)，即可用动力电池储备量不满足该时段换电需求，实际换电数量等于N_A(i)，需等待换电车辆数为N_D(i)与N_A(i)之差；

N_E(i)＝min(N_D(i),N_A(i))，

N_O(i)＝N_D(i)-N_E(i)，

式中，N_E(i)为第i时段实际完成换电的车辆数，N_A(i)可根据上一时段换电情况和该时段起始时刻新增可用电池组数量计算：

N_A(i)=N_A(i-1)-N_E(i-1)+N_C(i-I_C)，

N_C(i-I_C)为第i-I_C时段起始时刻投入充电的动力电池组数量，因动力电池组充电时段数为I_C，N_C(i-I_C)即为在第i时段起始时刻新增可用动力电池组数量。从上述计算步骤可以看出，为求得每个时段N_A(i)和N_O(i)，必须已知每时段新增可用动力电池组数量，因此需统计每时段起始时刻新投入充电动力电池组数量N_C(i)。第i时段之前换下并且未投入充电的动力电池组，即待充电池组数量为：

$N_W\left(i\right)=N_S-N_A\left(i\right)-\underset{i-I_C+1}{\overset{i-1}{\mathrm{\Σ}}}{N}_C\left(\mathrm{\η}\right),$

N_C(η)表示第η时段起始时刻新投入充电的动力电池组数量，表示η从i-I_C+1取到i-1求和；

因充电机数量有限，第i时段起始时刻实际投入充电电池组数量受空余充电机数量的约束，新投入充电的电池数量实际为空余充电机的数量，即

$N_C\left(i\right)=\min [N_W\left(i\right),N_{\mathrm{CH}}-\underset{i-I_C+1}{\overset{i-1}{\mathrm{\Σ}}}{N}_C\left(\mathrm{\η}\right)],$

式中，N_CH为站内充电机数量；

由以上数学模型的计算，即可求出各时段不同状态电池组数量。

步骤4：提出换电服务评价指标的计算方法；

将两个指标用离散的时段表示，

$\mathrm{ABSSD}=\frac{K\·I-\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{i}_w\left(k\right)}{K\·I}\×100\%,$

MWT＝max(i_w(k)),k＝1,2,···,K，

式中，i_w(k)为第k次换电车辆需等待时段数。计算ABSSD，其核心问题是求解所有换电车辆等待时段数总和。每辆车在换电站内的任一时段只有换电和等待换电两种状态，当某时段电动汽车可进行换电，其等待状态结束。设每辆车换电状态为1,2,3，…；k1,k2,k3,…为进站换电车次编号；i1,i2,i3,…为时段序号；建立站内各状态电池组时序，则每行等待状态窗格数即为每辆车的等待时段数i_w(k)，每列等待状态窗格数即为每时段处于等待换电状态的车辆数，记第i时段处于等待状态车辆数为N_O(i)。每时段处于等待状态的车辆数总和即等于每辆车等待时段数总和，即，

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{i}_w\left(k\right)=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{N}_O\left(i\right),$

因此，对每辆车等待时段数的计算可转化为求每时段处于等待状态车辆数N_O(i)，通过前述换电站运行状态时序仿真模型即可求得。计算每时段需等待的车辆实际完成换电的时段数，其包含所有车辆从开始等待至完成换电的时段数，选出时段距离最大值，即可求得最大等待时长MWT。当N_O(i)＞0时，第i时段可用动力电池组完全换出，根据前述仿真模型可知：

N_A(i+1)=N_C(i-I_C+1)，

按进站时间顺序对先进站的电动汽车优先换电，因此第i时段之后新增可用电池组优先为第i时段处于等待状态的N_O(i)辆车提供换电服务，若

N_A(i+1)＜N_O(i)，

则第i时段处于等待状态的车辆中还有N_OR(i,i+1)辆在第i+1时段仍需等待：

N_OR(i，i+1)＝N_O(i)-N_A(i+1)，

即，N_OR(i,i+1)＝N_O(i)-N_C(i-I_C+1)

以此类推，第i时段处于等待状态的车辆在第i+Δi时段仍需等待的车辆数为：

$N_{\mathrm{OR}}(i,i+\mathrm{\Δi})=N_O\left(i\right)-\underset{\mathrm{\Δ\η}=1}{\overset{\mathrm{\Δi}}{\mathrm{\Σ}}}\left(N_C(i-I_C+\mathrm{\Δ\η})\right),$

Δi表示一个时段等待状态的车辆的增量，就比如说，第1时段处于在第1+1时段仍需等待的车辆数为…，则Δi就是1；后面逐渐增大Δi，就是取Δi为1,2，3，……

逐渐增大Δi，当计算得到N_OR(i,i+Δi)≤0时，表示第i时段处于等待状态的车辆在第i+Δi时段全部完成换电，Δi即为第i时段处于等待状态的车辆从第i时段至实际换电所需最大等待时段数T_WM(i)，即，

T_WM(i)＝Δi，

计算任意i时段处于等待状态的车辆从该时段至实际换电所需最大等待时间T_WM(i)，找出所统计的全部时段的最大待时间T_WM(i)最大值，即为所统计的全部时段中等待时间最长的电动汽车的等待时段数MWT；

步骤5：构建换电站容量优化模型的目标函数；

结合换电站运行原则和各约束条件，设计优化目标：最小化动力电池组和充电机购置成本等年值——

$\min C_B=\min [N_B\·({\mathrm{Pr}}_B\·\frac{{r\·(1+r)}^{L_B}}{{(1+r)}^{L_B}-1}+u_B)+N_{\mathrm{CH}}\·({\mathrm{Pr}}_{\mathrm{CH}}\·\frac{r\·{(1+r)}^{L_{\mathrm{CH}}}}{{(1+r)}^{L_{\mathrm{CH}}}-1}+u_{\mathrm{CH}})],$

其中，C_B与C_CH分别为购置动力电池组和购置充电机的年成本，u_B与u_CH分别为动力电池组与充电机的年维护费用，Pr_B与Pr_CH分别为动力电池组和充电机的单价，r为贴现率，L_B与L_CH分别为动力电池组和充电机的使用年限；充电机的使用年限为定值；动力电池组使用年限由循环次数决定：

$L_B=L_{\mathrm{CS}}\·N_B/\underset{d=1}{\overset{365}{\mathrm{\Σ}}}\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{N}_{\mathrm{EV}}\left(i\right),$

式中，d表示第d天，对1-365中每个不同的d求再对所有求和；

L_CS为动力电池组循环寿命，单位：次；

步骤6：确定系统的决策变量及其上下限值；

从两方面提出约束条件：

1）配电变压器容量约束；

N_CH·P_CHmax≤S_T·λ，

式中，N_CH为充电机数量，P_CHmax为充电机最大功率，S_T为配电变压器额定容量，λ为功率因数；

2）动力电池组和充电机数量约束；

N_CH≤N_B≤N_Bmax，

式中，N_CH为充电机数量，N_B为站内动力电池组数量，N_Bmax为站内可容纳的动力电池组数量最大值。

步骤7：设定换电服务可用性评价指标要求的约束；

所述设定换电服务可用性评价指标要求的约束为：换电服务日可用率ABSSD不得低于最小日可用率要求；

ABSSD≥ABSSD_min，

式中，ABSSD_min为换电服务日可用率最小要求。

步骤8：选用优化算法，计算在不同指标要求下的最优解；

基于换电服务日可用率与动力电池组和充电机购置费用等年值的计算，通过所选优化算法对优化模型进行求解，进而得到在不同服务日可用率要求下的最优解，最终得到系统最优的配置方案。

本发明公开了智能电网技术领域中一种考虑换电服务可用性的电动汽车换电站容量优化配置方法。首先提出“先进站先换电”和“即换即充”的运行策略；提出服务可用性的评价指标；构建换电站运行状态的时序仿真模型，根据模型的输出量——各时段不同状态电动汽车和动力电池组的数量，计算服务可用性指标；构建以设备年成本为目标函数，以换电站规模和服务可用性要求为约束的数学模型；采用优化算法对数学模型进行求解；最后对算例进行优化配置。本发明可为此类型换电站的配置方案提供参考，并且可对已建成的换电站进行服务可用性综合评价。

附图说明

图1为换电站结构示意图。

图2为不同时段站内换电车辆状态示意图。

图3为站内各状态电池组时序示意图。

图4为采用优化算法得到的目标函数的优化过程示意图。

具体实施方式

下面结合附图，对所选算例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

考虑换电服务可用性的电动汽车换电站容量优化配置方法，该方法包括下列步骤：

1）提出“先进站先换电”和“即换即充”的运行方式；

即，“先进站先换电”的运行方式：优先对先进站有换电需求的电动汽车提供换电服务；

“即换即充”的运行方式：最大限度使用站内充电机对换下的动力电池组进行充电；

2）提出换电服务可用性评价指标；

指标1： $\mathrm{ABSSD}=\frac{K\·(t_1-t_0)-\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{t}_w\left(k\right)}{K\·(t_1-t_0)}\×100\%$

指标2：MWT＝max(t_w(k)),k＝1,2,···,K；

3）建立换电站运行状态的时序仿真模型，得到各时段各状态动力电池组与车辆数；

图2为不同时段站内换电车辆状态示意图。如图2所示，将全天24h分为I个时段，每时段时长Δt，对每个时段系统的各状态量进行分析。充电周期时段数I_C＝T/Δt，第i时段内更换下的动力电池最早可在第i+1时段的起始时刻开始充电，在第i+I_C+1时段的起始时刻完成充电，可满足i+I_C+1时段电动汽车的换电需求。充电时，一台充电机对应一组动力电池；该换电站为N_T辆电动汽车服务，一辆电动汽车需要一组动力电池，N_S为站内现有动力电池组数。第i时段站内车辆总数N_D(i)由该时段新进站换电的车辆数和上一时段未能换电的车辆数决定：

N_D(i)=N_EV(i)+N_O(i-1)，

式中，N_EV(i)为新进站换电车辆数，N_O(i-1)为第i-1时段未能换电的车辆数。定义站内已完成充电，即可用的动力电池组数为N_A(i)，当N_A(i)≥N_D(i)，可满足换电需求，实际完成换电数量即等于站内车辆总数N_D(i)，该时段需等待换电车辆数N_O(i)＝0；当N_A(i)＜N_D(i)，即可用动力电池储备量不满足该时段换电需求，实际换电数量等于N_A(i)，需等待换电车辆数为N_D(i)与N_A(i)之差。

N_E(i)＝min(N_D(i),N_A(i))，

N_O(i)＝N_D(i)-N_E(i)，

式中，N_E(i)为第i时段实际完成换电的车辆数，N_A(i)可根据上一时段换电情况和该时段起始时刻新增可用电池组数量计算：

N_A(i)=N_A(i-1)-N_E(i-1)+N_C(i-I_C)，

N_C(i-I_C)为第i-I_C时段起始时刻投入充电的动力电池组数量，因动力电池组充电时段数为I_C，N_C(i-I_C)即为在第i时段起始时刻新增可用动力电池组数量。从上述计算步骤可以看出，为求得每个时段N_A(i)和N_O(i)，必须已知每时段新增可用动力电池组数量，因此需统计每时段起始时刻新投入充电动力电池组数量N_C(i)。第i时段之前换下并且未投入充电的动力电池组，即待充电池组数量为

$N_W\left(i\right)=N_S-N_A\left(i\right)-\underset{i-I_C+1}{\overset{i+1}{\mathrm{\Σ}}}{N}_C\left(\mathrm{\η}\right),$

N_C(η)表示第η时段起始时刻新投入充电的动力电池组数量，表示η从i-I_C+1取到i-1求和；

因充电机数量有限，第i时段起始时刻实际投入充电电池组数量受空余充电机数量的约束，新投入充电的电池数量实际为空余充电机的数量，即

$N_C\left(i\right)=\min [N_W\left(i\right),N_{\mathrm{CH}}-\underset{i-I_C+1}{\overset{i-1}{\mathrm{\Σ}}}{N}_C\left(\mathrm{\η}\right)],$

由以上数学模型的计算，即可求出各时段不同状态电池组数量。

4）提出换电服务评价指标的计算方法；

先将两个指标用离散的时段表示，

$\mathrm{ABSSD}=\frac{K\·I-\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{i}_w\left(k\right)}{K\·I}\×100\%,$

MWT＝max(i_w(k)),k＝1,2,···,K，

式中，i_w(k)为第k次换电车辆需等待时段数。计算ABSSD，其核心问题是求解所有换电车辆等待时段数总和。每辆车在换电站内的任一时段只有换电和等待换电两种状态，当某时段电动汽车可进行换电，其等待状态结束。图3为站内各状态电池组时序示意图。如图3所示，设每辆车换电状态为1,2,3，…；k1,k2,k3,…为进站换电车次编号；i1,i2,i3,…为时段序号；每行等待状态窗格数即为每辆车的等待时段数i_w(k)，每列等待状态窗格数即为每时段处于等待换电状态的车辆数，记第i时段处于等待状态车辆数为N_O(i)。从图3可以看出，每时段处于等待状态的车辆数总和即等于每辆车等待时段数总和，即，

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{i}_w\left(k\right)=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{N}_O\left(i\right),$

因此，对每辆车等待时段数的计算可转化为求每时段处于等待状态车辆数N_O(i)，通过前述换电站运行状态时序仿真模型即可求得。计算每时段需等待的车辆实际完成换电的时段数，其包含所有车辆从开始等待至完成换电的时段数，选出时段距离最大值，即可求得最大等待时长MWT。当N_O(i)＞0时，第i时段可用动力电池组完全换出，根据前述仿真模型可知：

N_A(i+1)=N_C(i-I_C+1)，

按进站时间顺序对先进站的电动汽车优先换电，因此第i时段之后新增可用电池组优先为第i时段处于等待状态的N_O(i)辆车提供换电服务，若

N_A(i+1)＜N_O(i)，

则第i时段处于等待状态的车辆中还有N_OR(i,i+1)辆在第i+1时段仍需等待：

N_OR(i，i+1)＝N_O(i)-N_A(i+1)，

即，N_OR(i,i+1)＝N_O(i)-N_C(i-I_C+1)，

以此类推，第i时段处于等待状态的车辆在第i+Δi时段仍需等待的车辆数为

$N_{\mathrm{OR}}(i,i+\mathrm{\Δi})=N_O\left(i\right)-\underset{\mathrm{\Δ\η}=1}{\overset{\mathrm{\Δi}}{\mathrm{\Σ}}}\left(N_C(i-I_C+\mathrm{\Δ\η})\right),$

逐渐增大Δi，当计算得到N_OR(i,i+Δi)≤0时，表示第i时段处于等待状态的车辆在第i+Δi时段全部完成换电，Δi即为第i时段处于等待状态的车辆从第i时段至实际换电所需最大等待时段数T_WM(i)，即，

T_WM(i)＝Δi，

计算任意i时段处于等待状态的车辆从该时段至实际换电所需最大等待时间T_WM(i)，找出所统计的全部时段的最大待时间T_WM(i)最大值，即为所统计的全部时段中等待时间最长的电动汽车的等待时段数MWT。

5）构建换电站容量优化模型的目标函数；

以换电站所持有动力电池组总数N_B和充电机数量N_CH为待优化变量，以购置动力电池组与充电机费用和运行维护费用年成本C_S为目标函数。目标函数计算如下：

C_S＝C_B+C_CH，

$C_B=N_B\·({\mathrm{Pr}}_B\·\frac{r\·{(1+r)}^{L_B}}{{(1+r)}^{L_B}-1}+u_B),$

$C_{\mathrm{CH}}=N_{\mathrm{CH}}\·({\mathrm{Pr}}_{\mathrm{CH}}\·\frac{r\·{(1+r)}^{L_{\mathrm{CH}}}}{{(1+r)}^{L_{\mathrm{CH}}}-1}+u_{\mathrm{CH}}),$

式中，C_B与C_CH分别为购置动力电池组和购置充电机的年成本，u_B与u_CH分别为动力电池组与充电机的年维护费用，P_B与P_CH分别为动力电池组和充电机的单价，r为贴现率，L_B与L_CH分别为动力电池组和充电机的使用年限。充电机的使用年限为定值；动力电池组使用年限主要由循环次数决定：

$L_B=L_{\mathrm{CS}}\·N_B/\underset{d=1}{\overset{365}{\mathrm{\Σ}}}\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{N}_{\mathrm{EV}}\left(i\right),$

式中，L_CS为动力电池组循环寿命（次）。

6）确定系统的决策变量及其上下限值；

所述系统的决策变量及其上下限值为：

a.配电变压器容量约束

换电站通过配电变压器接入配电网，动力电池组充电总功率受变压器容量约束：

N_CH·P_CHmax≤S_T·λ，

式中，P_CHmax为充电机向动力电池组充电的最大功率，S_T为变压器额定容量，λ为功率因数。

b.动力电池组和充电机数量约束

动力电池组和充电机数量受到变电站规模的约束，假设站内最大动力电池组保有量为N_Bmax：

N_B≤N_Bmax

当充电机数量大于站内动力电池组数量时，总有闲置的充电机，造成不必要的浪费，因此充电机数量不应大于站内动力电池组数量。

N_CH≤N_S，

即，N_CH≤N_B-N_T，N_T表示在该换电站接受换电服务的车辆数；不同算例取值不同。

7）设定换电服务可用性评价指标要求的约束；

将换电站服务日可用率ABSSD作为约束条件，以确保在降低设备购置费用的同时能在一定程度满足电动汽车的换电需求：

ABSSD≥ABSSD_min，

式中，ABSSD_min为日服务可用率下限值；每日ABSSD由前述服务可用性指标计算方法求得。

步骤8：选用优化算法，计算在不同指标要求下的最优解；

这里，采用微分进化(differential evolution,DE)算法对数学模型进行求解。

所述微分进化(differential evolution,DE)算法具体求解步骤如下：

a.设置种群数量N_P，迭代次数iter，变异因子F和杂交因子Cr；

b.种群初始化：在决策变量的静态约束下随机生成N_P个个体

c.进行选择，变异和交叉操作，生成子代种群；

d.对子代种群进行静态约束检测，对不满足约束的个体，用下式进行修改：

如果N_B＞N_Bmax，则令N_B＝N_Bmax，

如果N_CH＞min(S_T·λ/P_CHmax,N_B-N_T)，

则N_CH＝min(S_T·λ/P_CHmax,N_B-N_T)；

e.对父代种群和子代种群进行评估，计算种群每个个体的目标值。

f.重复c-e直到完成iter次计算。

以上求解过程中重点在计算种群每个个体的目标值，计算种群每个个体的目标值具体步骤如下：计算动力电池组和充电机购置成本等年值C_S；选取一段时期(如一年)内每个时段换电需求，计算每日换电服务日可用率ABSSD，若有不满足指标要求的情况，则表示该个体不满足约束条件，采用罚函数对其进行处理，在选择过程中自动淘汰该个体。

本发明公开了一例基于DE优化算法在三种不同换电服务可用性指标要求下的换电站购置动力电池组和充电机费用优化过程，图4为采用优化算法得到的目标函数的优化过程示意图。对某一为100辆电动汽车为出租车提供换电(一辆车每天换电两次)的换电站进行优化配置，得到最优方案如表1所示。在实际应用中可根据换电站的服务评价指标要求，来选择换电站动力电池组和充电机的优化配置方案。

表1充电机和动力电池组配置结果

本发明所研究的换电站内含有动力电池组充电装置，可直接对换下的动力电池组进行能量补充；因此，动力电池组的充电和电动汽车的换电均在换电站内进行，不同于“集中充电，统一配送”模式，不需考虑动力电池组运输的条件和时耗等。

本发明提出了换电站服务可用性指标，可对换电站换电服务做出综合评价。

本发明提出的电动汽车换电站服务可用性指标的方法，计算简便，无需统计在每时段每辆车的状态，仅需统计各时段各状态的车辆数即可。

本发明以电动汽车换电站服务可用性指标的要求为约束条件，提出以充电机和动力电池组购置成本等年值为目标的优化配置方法，适用于含动力电池充电功能的电动汽车换电站容量进行优化配置。

本发明提出的电动汽车换电站容量优化配置方法，所示算例仅对动力电池组和充电机进行了优化配置，实际所述方法适用于换电站任意电气部件的优化配置。

以上所述，仅为本发明较佳的具体实施方法，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.考虑换电服务可用性的电动汽车换电站容量优化配置方法，其特征在于，该方法含有步骤：

步骤1：确定先进站先换电和即换即充的运行方式；

所述先进站先换电的运行方式为：优先对先进站有换电需求的电动汽车提供换电服务；

所述即换即充的运行方式为：最大限度使用站内充电机对换下的动力电池组进行充电；

步骤2：确定换电服务可用性评价指标；

所述换电服务可用性评价指标分为两个换电站服务可用性评价指标：指标1—换电服务日可用率ABSSD、指标2—最大等待时长MWT，其中，指标1主要是对换电站服务进行总体的评价，指标2主要是对车辆个体换电可能等待的最大时长进行评价；

指标1：

指标2：MWT＝max(t_w(k)),k＝1,2,…,K；

式中，K为全天换电车辆数，t₁为一天中统计结束时间，t₀为起始时间，t_w(k)为第k辆车的等待时长；

步骤3：建立换电站运行状态的时序仿真模型，得到各时段各状态动力电池组与车辆数；

将全天24小时分为I个时段，每时段时长Δt，充电周期时长为T，则充电周期时段数I_C＝T/Δt；第i时段内更换下的动力电池最早在第i+1时段的起始时刻开始充电，在第i+I_C+1时段的起始时刻完成充电，满足i+I_C+1时段电动汽车的换电需求；设充电时，一台充电机对应一组动力电池，该换电站为N_T辆电动汽车服务，一辆电动汽车需要一组动力电池，N_S为站内现有动力电池组数，则第i时段站内车辆总数N_D(i)由该时段新进站换电的车辆数和上一时段未能换电的车辆数决定：

N_D(i)＝N_EV(i)+N_O(i-1)，

式中，N_EV(i)为新进站换电车辆数，N_O(i-1)为第i-1时段未能换电的车辆数；定义站内已完成充电即可用的动力电池组数为N_A(i)，当N_A(i)≥N_D(i)，可满足换电需求，实际完成换电数量即等于站内车辆总数N_D(i)，该时段需等待换电车辆数N_O(i)＝0；当N_A(i)＜N_D(i)，即可用动力电池储备量不满足该时段换电需求，实际换电数量等于N_A(i)，需等待换电车辆数为N_D(i)与N_A(i)之差；

N_E(i)＝min(N_D(i),N_A(i))，

N_O(i)＝N_D(i)-N_E(i)，

式中，N_E(i)为第i时段实际完成换电的车辆数，N_A(i)根据上一时段换电情况和该时段起始时刻新增可用电池组数量计算：

N_A(i)＝N_A(i-1)-N_E(i-1)+N_C(i-I_C)，

N_C(i-I_C)为第i-I_C时段起始时刻投入充电的动力电池组数量，因动力电池组充电时段数为I_C，N_C(i-I_C)即为在第i时段起始时刻新增可用动力电池组数量；

为求得每个时段N_A(i)和N_O(i)，必须已知每时段新增可用动力电池组数量，因此需统计每时段起始时刻新投入充电动力电池组数量N_C(i)：

第i时段之前换下并且未投入充电的动力电池组，即待充电池组数量为—

$N_W\left(i\right)=N_S-N_A\left(i\right)-\underset{\mathrm{\η}=i-I_C+1}{\overset{i-1}{\Σ}}{N}_C\left(\mathrm{\η}\right),$

N_C(η)表示第η时段起始时刻新投入充电的动力电池组数量，表示η从i-I_C+1取到i-1求和；

因充电机数量有限，第i时段起始时刻实际投入充电电池组数量受空余充电机数量的约束，新投入充电的电池数量实际为空余充电机的数量，即，

$N_C\left(i\right)=\min \[N_W\left(i\right),N_{CH}-\underset{i-I_C+1}{\overset{i-1}{\Σ}}{N}_C\left(\mathrm{\η}\right)\],$

其中，N_CH为站内充电机数量；即可求出各时段不同状态电池组数量；

步骤4：提出换电服务评价指标的计算方法；

先将两个指标用离散的时段表示，

$ABSSD=\frac{K\·I-\underset{k=1}{\overset{K}{\Σ}}{i}_w\left(k\right)}{K\·I}\×100\%,$

MWT＝max(i_w(k)),k＝1,2,…,K，

式中，i_w(k)为第k次换电车辆需等待时段数；

计算ABSSD，其核心问题是求解所有换电车辆等待时段数总和；每辆车在换电站内的任一时段只有换电和等待换电两种状态，当某时段电动汽车可进行换电，其等待状态结束；设每辆车换电状态为1,2,3，…；k1,k2,k3,…为进站换电车次编号；i1,i2,i3,…为时段序号；建立站内各状态电池组时序，则每行等待状态窗格数即为每辆车的等待时段数i_w(k)，每列等待状态窗格数即为每时段处于等待换电状态的车辆数，记第i时段处于等待状态车辆数为N_O(i)；每时段处于等待状态的车辆数总和即等于每辆车等待时段数总和，即，

$\underset{k=1}{\overset{K}{\Σ}}{i}_w\left(k\right)=\underset{i=1}{\overset{I}{\Σ}}{N}_O\left(i\right),$

因此，对每辆车等待时段数的计算转化为求每时段处于等待状态车辆数N_O(i)，这个通过所述换电站运行状态的时序仿真模型得到；

计算每时段需等待的车辆实际完成换电的时段数，其包含所有车辆从开始等待至完成换电的时段数，选出时段距离最大值，即可求得最大等待时长MWT；当N_O(i)＞0时，第i时段可用动力电池组完全换出，根据前述仿真模型可知：

N_A(i+1)＝N_C(i-I_C+1)，

按进站时间顺序对先进站的电动汽车优先换电，因此第i时段之后新增可用电池组优先为第i时段处于等待状态的N_O(i)辆车提供换电服务，若

N_A(i+1)＜N_O(i)，

则第i时段处于等待状态的车辆中还有N_OR(i,i+1)辆在第i+1时段仍需等待：

N_OR(i，i+1)＝N_O(i)-N_A(i+1)，

即，N_OR(i,i+1)＝N_O(i)-N_C(i-I_C+1)；

以此类推，第i时段处于等待状态的车辆在第i+Δi时段仍需等待的车辆数为：

$N_{OR}(i,i+\mathrm{\Δ}i)=N_O\left(i\right)-\underset{\mathrm{\Δ}\mathrm{\η}=1}{\overset{\mathrm{\Δ}i}{\Σ}}\left(N_C\right(i-I_C+\mathrm{\Δ}\mathrm{\η}\left)\right),$

其中，Δi表示一个时段等待状态的车辆的增量；

逐渐增大Δi，当计算得到N_OR(i,i+Δi)≤0时，表示第i时段处于等待状态的车辆在第i+Δi时段全部完成换电，Δi即为第i时段处于等待状态的车辆从第i时段至实际换电所需最大等待时段数T_WM(i)，即，

T_WM(i)＝Δi，

计算任意i时段处于等待状态的车辆从该时段至实际换电所需最大等待时间T_WM(i)，找出所统计的全部时段的最大等待时间T_WM(i)最大值，即为所统计的全部时段中等待时间最长的电动汽车的等待时段数MWT；

步骤5：构建换电站容量优化模型的目标函数；

以换电站所持有动力电池组总数N_B和充电机数量N_CH为待优化变量，以购置动力电池组与充电机费用和运行维护费用年成本C_S为目标函数；目标函数计算如下：

C_S＝C_B+C_CH，

$C_B=N_B\·({\mathrm{Pr}}_B\·\frac{r\·{(1+r)}^{L_B}}{{(1+r)}^{L_B}-1}+u_B),$

$C_{CH}=N_{CH}\·({\mathrm{Pr}}_{CH}\·\frac{r\·{(1+r)}^{L_{CH}}}{{(1+r)}^{L_{CH}}-1}+u_{CH}),$

式中，C_B与C_CH分别为购置动力电池组和购置充电机的年成本，u_B与u_CH分别为动力电池组与充电机的年维护费用，Pr_B与Pr_CH分别为动力电池组和充电机的单价，r为贴现率，L_B与L_CH分别为动力电池组和充电机的使用年限；充电机的使用年限为定值；动力电池组使用年限由循环次数决定：

$L_B=L_{CS}\·N_B/\underset{d=1}{\overset{365}{\Σ}}\underset{i=1}{\overset{I}{\Σ}}{N}_{EV}\left(i\right),$

式中，d表示第d天，对1-365中每个不同的d求再对所有求和；

L_CS为动力电池组循环寿命，单位：次；

步骤6：确定系统的决策变量及其上下限值；

所述系统的决策变量及其上下限值为：

a.配电变压器容量约束

换电站通过配电变压器接入配电网，动力电池组充电总功率受变压器容量约束：

N_CH·P_CHmax≤S_T·λ

式中，P_CHmax为充电机向动力电池组充电的最大功率，S_T为变压器额定容量，λ为功率因数；

b.动力电池组和充电机数量约束

动力电池组和充电机数量受到变电站规模的约束，假设站内最大动力电池组保有量为N_Bmax：

N_B≤N_Bmax，

当充电机数量大于站内动力电池组数量时，总有闲置的充电机，造成不必要的浪费，因此充电机数量不应大于站内动力电池组数量；

N_CH≤N_S

即，N_CH≤N_B-N_T；

N_T表示在该换电站接受换电服务的车辆数；

步骤7：设定换电服务可用性评价指标要求的约束；

将换电站服务日可用率ABSSD作为约束条件，以确保在降低设备购置费用的同时能在一定程度满足电动汽车的换电需求：

ABSSD≥ABSSD_min，

式中，ABSSD_min为日服务可用率下限值；每日ABSSD由前述服务可用性指标计算方法求得；

步骤8：选用优化算法，计算在不同指标要求下的最优解；

基于换电服务日可用率与动力电池组和充电机购置费用等年值的计算，通过选用优化算法对优化模型进行求解，进而得到在不同服务日可用率要求下的最优解，最终得到系统最优的配置方案。

2.根据权利要求1所述的考虑换电服务可用性的电动汽车换电站容量优化配置方法，其特征在于，所述优化算法为微分进化算法；所述微分进化算法步骤如下：

a.设置种群数量N_P，迭代次数iter，变异因子F和杂交因子Cr；

b.种群初始化：在决策变量的静态约束下随机生成N_P个个体

c.进行选择，变异和交叉操作，生成子代种群；

d.对子代种群进行静态约束检测，对不满足约束的个体，用下式进行修改：

如果N_B＞N_Bmax，则令N_B＝N_Bmax；

如果N_CH＞min(S_T·λ/P_CHmax,N_B-N_T)，

则N_CH＝min(S_T·λ/P_CHmax,N_B-N_T)；

e.对父代种群和子代种群进行评估，计算种群每个个体的目标值；

f.重复c-e直到完成iter次计算。

3.根据权利要求2所述的考虑换电服务可用性的电动汽车换电站容量优化配置方法，其特征在于，所述计算种群每个个体的目标值方法如下：计算动力电池组和充电机购置成本等年值C_S；选取一段时期内每个时段换电需求，计算每日换电服务日可用率ABSSD，若有不满足指标要求的情况，则表示该个体不满足约束条件，采用罚函数对其进行处理，在选择过程中自动淘汰该个体。