CN108493969B - 电动汽车充电站智能规划方法 - Google Patents

Abstract

本发明提供一种电动汽车充电站智能规划方法，采用人工蜂群算法求解多目标模型，有效解决了多目标模型求解计算精度差，操作复杂、控制参数多、鲁棒性差的缺点。此解法对目标函数和约束几乎没有要求，在搜索过程中基本不利用外部信息，仅以适应度函数作为进化的依据，形成了以“生成+检验”为特征的人工智能技术。求解结果为综合最优充电策略，给电网公司和电动汽车充电用户提供体验好、参与度高的充电引导。

Description

电动汽车充电站智能规划方法

技术领域

本发明涉及一种电动汽车充电站智能规划策略，属于电力系统运行和控制领域。

背景技术

在当今能源紧张、环境问题凸显的情况下，电动汽车因其节能减排、绿色环保的特点，正在蓬勃发展。而电动汽车大规模应用后，如果不对电动汽车充电站的行为进行合理规划，将会对电网的安全稳定运行、交通网的流畅度以及用户的体验度产生影响。因此，有必要研究电动汽车充电站规划策略。目前的研究多局限于单目标最优，而采用模糊决策法建立的综合最优目标模型，实现了在大规模电动汽车快速充电需求下，电动汽车用户利益最优、电力公司网络损耗与电压偏移最小、负荷平衡指数最高、充电站运营商利润最高及交通网侧道路拥堵率最低等多维目标。然而，求解优化问题的一些人工算法存在操作困难、控制参数多、搜索精度较差等特点。

发明内容

本发明的目的在于克服现有技术中存在的不足，提供一种电动汽车充电站智能规划方法，旨在利用人工蜂群算法实现多目标模型优化问题的求解。本发明采用的技术方案是：

一种电动汽车充电站智能规划方法，包括以下步骤：

步骤S1，建立电动汽车充电站智能充电服务策略模型，智能充电服务策略模型包括：用户体验模型、电网效益模型、交通安全模型、充电站运营商模型；其中用户体验模型目标包括：行驶里程最短、消耗时间最少、支付费用最少；电网效益模型目标包括：电压偏移最小、网络损耗最小、负荷平衡指数最高；交通安全模型目标包括：路网拥堵最小；充电站运营商模型目标包括利润最高、充电站拥挤度最小；

步骤S2，建立基于模糊决策法的电动汽车充电站智能充电服务多目标模型，包括多目标函数、确定性约束；其中确定性约束包括剩余电量约束、时间约束、充电站容量约束、等式约束、节点负荷约束、电压偏移约束；导入配电网系统数据、路网节点配电系数、电动汽车初始时刻所在节点、状态和数量、各目标权重；

步骤S3，人工蜂群算法蜂群实现群体智慧的最小搜索模型包括蜜源、引领蜂、跟随蜂和侦察蜂共4个组成要素，以及招募蜜蜂和放弃蜜源2种基本的行为；将蜜源抽象成解空间中的点，确定初始解的个数，最大迭代次数、limit值；引领蜂、跟随蜂的数量；

步骤S4，在解空间中随机生成个可行解，t＝1；

步骤S5，每一个引领蜂在各自可行解附近进行一维搜索，产生新可行解；计算原可行解和新可行解的适应度；选择适应度高的解，抛弃适应度低的解；

步骤S6，跟随蜂根据由适应度计算出的概率跟随各个引领蜂；

步骤S7，跟随峰采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的可行解；

步骤S8，判断可行解是否满足被放弃的条件，如满足，放弃此可行解，寻找新可行解，否则直接转到步骤S10；

步骤S9，通过步骤S4随机产生新可行解；

步骤S10，t＝t+1；判断算法是否满足最大迭代次数，若满足则终止，输出最优解，否则转到步骤S5。

本发明的优点在于，本发明相对于现有技术而言：有效解决了多目标模型求解计算精度差，操作复杂、控制参数多、鲁棒性差的缺点。此解法对目标函数和约束几乎没有要求，在搜索过程中基本不利用外部信息，仅以适应度函数作为进化的依据，形成了以“生成+检验”为特征的人工智能技术。求解结果为综合最优充电策略，给电网公司和电动汽车充电用户提供体验好、参与度高的充电引导。

附图说明

图1为本发明的方法中核心算法流程图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

本发明的基本思想是受启发于蜂群通过个体分工和信息交流，相互协作完成采蜜任务。蜂群实现群体智慧的最小搜索模型包括蜜源、引领蜂、跟随蜂和侦察蜂共4个组成要素，以及招募蜜蜂和放弃蜜源2种基本的行为。蜜蜂对蜜源的搜索一般有以下3个步骤：1)引领蜂发现蜜源并共享蜜源信息；2)跟随蜂根据引领蜂所提供的蜜源信息，选择蜜源；3)引领蜂多次搜索找到的蜜源质量未有改善时，放弃现有的蜜源，转变成侦察蜂在蜂巢附近继续寻找新的蜜源。当搜寻到高质量的蜜源时，其角色又将转变为引领蜂。人工蜂群算法是模拟蜜蜂的采蜜过程而提出来的群体智能算法。

本发明提出的电动汽车充电站智能规划方法，具体包括以下步骤：

步骤S1，建立电动汽车充电站智能充电服务策略模型，智能充电服务策略模型包括：用户体验模型、电网效益模型、交通安全模型、充电站运营商模型；其中用户体验模型目标包括：行驶里程最短、消耗时间最少、支付费用最少；电网效益模型目标包括：电压偏移最小、网络损耗最小、负荷平衡指数最高；交通安全模型目标包括：路网拥堵最小；充电站运营商模型目标包括利润最高、充电站拥挤度最小；

步骤S2，建立基于模糊决策法的电动汽车充电站智能充电服务多目标模型，包括多目标函数、确定性约束；其中确定性约束包括剩余电量约束、时间约束、充电站容量约束、等式约束、节点负荷约束、电压偏移约束；导入配电网系统数据、路网节点配电系数、电动汽车初始时刻所在节点、状态和数量、各目标权重；

步骤S3，人工蜂群算法蜂群实现群体智慧的最小搜索模型包括蜜源、引领蜂、跟随蜂和侦察蜂共4个组成要素，以及招募蜜蜂和放弃蜜源2种基本的行为；将蜜源抽象成解空间中的点，确定初始解的个数，最大迭代次数、limit值；引领蜂、跟随蜂的数量；

步骤S4，在解空间中随机生成k个可行解，t＝1；

步骤S5，每一个引领蜂在各自可行解附近进行一维搜索，产生新可行解；计算原可行解和新可行解的适应度；选择适应度高的解，抛弃适应度低的解；

步骤S6，跟随蜂根据由适应度计算出的概率跟随各个引领蜂；

步骤S7，跟随峰采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的可行解；

步骤S8，判断可行解是否满足被放弃的条件，如满足，放弃此可行解，寻找新可行解，否则直接转到步骤S10；

步骤S9，通过步骤S4随机产生新可行解；

步骤S10，t＝t+1；判断算法是否满足最大迭代次数，若满足则终止，输出最优解，否则转到步骤S5。

具体地，智能充电服务策略模型包括：

(1)用户体验模型；

以用户行驶距离最短为目标：

式中：x_ij为0-1决策变量(x_ij取0或1)，取1时表示电动汽车i到充电站j充电；电动汽车总数n，充电站总数m；

以用户消耗时间最少为目标：

假设排队充电的电动汽车荷电状态服从N(0.3,0.01)分布，充电结束时电动汽车的荷电状态值服从N(0.8,0.01)分布，抵达车辆服从泊松分布，确立目标函数：

式中：t_ij为第i辆电动汽车到j充电站充电的等待时间；

以用户支付费用最小为目标：

式中：f_ij是第i辆电动汽车到j充电站充电的费用；

(2)电网效益模型；

电动汽车充电站j的节点电压偏移为：

式中：V_ij为电动汽车i到充电站j充电时的系统电压；V₀为标准系统电压；N_s为系统节点数；

以电网电压偏移最小为目标的目标函数为：

式中：V_sij为节点电压偏移；

以电网公司网络损耗L_ij最小为目标：

式中：L_ij为第i辆车到j充电站充电时系统的网络损耗；

以电力公司负荷平衡指数最高为目标：

式中：S_ij为第i辆电动汽车到j充电站充电时系统的负荷平衡指数；

(3)交通安全模型；

将交通路网抽象为一个有向网络，建立交通网络模型；交通拥挤程度用以下公式表示：

式中：

为道路节点i排队的电动汽车数量；

以交通道路拥堵率最小为目标：

式中：ρ_ij为第i辆电动汽车到j充电站充电时，道路交通的拥挤程度；

(4)充电运营商模型；

以充电站运营商的利润最高为目标：

式中：R_ij为对于电动汽车i，充电站j的经济收入；

以充电站的拥挤度最小为目标:

式中：Y_ij为充电站j对于电动汽车i的拥挤程度。

具体地，智能充电服务多目标模型包括：

(1)最优多目标模型：

式中，Z为多目标函数，p为距离指数，λ(c_k)为各目标的权重，f_ij代表各目标的x_ij之前的系数，例如d_ij、t_ij等；

(2)确定性约束包括剩余电量约束、时间约束、充电站容量约束、等式约束、节点负荷约束、电压偏移约束。

所述步骤S3中，确定初始解的个数NP，最大迭代次数、limit值；引领蜂、跟随蜂的数量均为k；

所述步骤S4中，若电动汽车的数目为i，充电站的数目为j，则解的维度为i*j，用D表示；则解用向量表示为：

式中：t表示当前迭代次数；(L_d,U_d)表示搜索空间的上下限；初始解x_kd在搜索空间随机产生：

x_kd＝L_d+rand(0,1)(U_d-L_d)

所述步骤S5中，根据公式：

在各自可行解附近进行一维搜索，产生新可行解v_kd；式中d是[1,d]中的一个随机整数，

是[-1,1]均匀分布的随机数，x_ld为扰动幅度且k≠l；根据公式：

式中：f_k为可行解代入多目标函数Z中得到的函数值；计算原可行解和新可行解的适应度fit_i；选择适应度高的解，抛弃适应度低的解；

所述步骤S6中，根据公式计算可行解

的跟随蜂的数量p_i；公式如下：

所述步骤S7中，每一只跟随蜂都进行步骤S5的可行解一维搜索，并选择最优可行解；

所述步骤S8中，判断可行解是否满足被放弃的条件，即

如满足，放弃此可行解，寻找新可行解；记录最优可行解。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种电动汽车充电站智能规划方法，其特征在于，包括以下步骤：

步骤S1，建立电动汽车充电站智能充电服务策略模型，智能充电服务策略模型包括：用户体验模型、电网效益模型、交通安全模型、充电站运营商模型；其中用户体验模型目标包括：行驶里程最短、消耗时间最少、支付费用最少；电网效益模型目标包括：电压偏移最小、网络损耗最小、负荷平衡指数最高；交通安全模型目标包括：路网拥堵最小；充电站运营商模型目标包括利润最高、充电站拥挤度最小；

步骤S2，建立基于模糊决策法的电动汽车充电站智能充电服务多目标模型，包括多目标函数、确定性约束；导入配电网系统数据、路网节点配电系数、电动汽车初始时刻所在节点、状态和数量、各目标权重；

利用人工蜂群算法实现多目标模型优化问题的求解；

步骤S3，人工蜂群算法蜂群实现群体智慧的最小搜索模型包括蜜源、引领蜂、跟随蜂和侦察蜂共4个组成要素，以及招募蜜蜂和放弃蜜源2种基本的行为；将蜜源抽象成解空间中的点，确定初始解的个数，最大迭代次数；引领蜂、跟随蜂的数量；

步骤S4，在解空间中随机生成NP个可行解，t＝1；t表示当前迭代次数；

步骤S5，每一个引领蜂在各自可行解附近进行一维搜索，产生新可行解；计算原可行解和新可行解的适应度；选择适应度高的解，抛弃适应度低的解；

步骤S6，跟随蜂根据由适应度计算出的概率跟随各个引领蜂；

步骤S7，跟随峰采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的可行解；

步骤S8，判断可行解是否满足被放弃的条件，如满足，放弃此可行解，寻找新可行解，否则直接转到步骤S10；

步骤S9，通过步骤S4随机产生新可行解；

步骤S10，t＝t+1；判断算法是否满足最大迭代次数，若满足则终止，输出最优解，否则转到步骤S5；

步骤S1中，智能充电服务策略模型包括：

(1)用户体验模型；

以用户行驶距离最短为目标：

式中：x_ij为0-1决策变量，取1时表示电动汽车i到充电站j充电；电动汽车总数n，充电站总数m；

以用户消耗时间最少为目标：

假设排队充电的电动汽车荷电状态服从N(0.3,0.01)分布，充电结束时电动汽车的荷电状态值服从N(0.8,0.01)分布，抵达车辆服从泊松分布，确立目标函数：

式中：t_ij为第i辆电动汽车到j充电站充电的等待时间；

以用户支付费用最小为目标：

式中：f_ij是第i辆电动汽车到j充电站充电的费用；

(2)电网效益模型；

电动汽车充电站j的节点电压偏移为：

式中：V_ij为电动汽车i到充电站j充电时的系统电压；V₀为标准系统电压；N_s为系统节点数；

以电网电压偏移最小为目标的目标函数为：

式中：V_sij为节点电压偏移；

以电网公司网络损耗L_ij最小为目标：

式中：L_ij为第i辆车到j充电站充电时系统的网络损耗；

以电力公司负荷平衡指数最高为目标：

式中：S_ij为第i辆电动汽车到j充电站充电时系统的负荷平衡指数；

(3)交通安全模型；

将交通路网抽象为一个有向网络，建立交通网络模型；

以交通道路拥堵率最小为目标：

式中：ρ_ij为第i辆电动汽车到j充电站充电时，道路交通的拥挤程度；

(4)充电运营商模型；

以充电站运营商的利润最高为目标：

式中：R_ij为对于电动汽车i，充电站j的经济收入；

以充电站的拥挤度最小为目标:

式中：Y_ij为充电站j对于电动汽车i的拥挤程度；

步骤S2中，智能充电服务多目标模型包括：

(1)最优多目标模型：

式中，Z为多目标函数，p为距离指数，λ(c_k)为各目标的权重，f_k′代表各目标的x_ij之前的系数；

(2)确定性约束包括剩余电量约束、时间约束、充电站容量约束、等式约束、节点负荷约束、电压偏移约束。

Images