CN108493969B - 电动汽车充电站智能规划方法 - Google Patents
电动汽车充电站智能规划方法 Download PDFInfo
- Publication number
- CN108493969B CN108493969B CN201810187772.9A CN201810187772A CN108493969B CN 108493969 B CN108493969 B CN 108493969B CN 201810187772 A CN201810187772 A CN 201810187772A CN 108493969 B CN108493969 B CN 108493969B
- Authority
- CN
- China
- Prior art keywords
- charging station
- model
- electric vehicle
- charging
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Supply And Distribution Of Alternating Current (AREA)
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
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:xij为0-1决策变量(xij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:tij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:fij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:Vij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;Ns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:Vsij为节点电压偏移;
以电网公司网络损耗Lij最小为目标:
式中:Lij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:Sij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:
以交通道路拥堵率最小为目标:
式中:ρij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:Rij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:Yij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(ck)为各目标的权重,fij代表各目标的xij之前的系数,例如dij、tij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;(Ld,Ud)表示搜索空间的上下限;初始解xkd在搜索空间随机产生:
xkd=Ld+rand(0,1)(Ud-Ld)
所述步骤S5中,根据公式:
式中:fk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fiti;选择适应度高的解,抛弃适应度低的解;
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;
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:xij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:tij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:fij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:Vij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;Ns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:Vsij为节点电压偏移;
以电网公司网络损耗Lij最小为目标:
式中:Lij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:Sij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:ρij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:Rij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:Yij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(ck)为各目标的权重,fk′代表各目标的xij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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810187772.9A CN108493969B (zh) | 2018-03-07 | 2018-03-07 | 电动汽车充电站智能规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810187772.9A CN108493969B (zh) | 2018-03-07 | 2018-03-07 | 电动汽车充电站智能规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108493969A CN108493969A (zh) | 2018-09-04 |
CN108493969B true CN108493969B (zh) | 2021-06-08 |
Family
ID=63341823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810187772.9A Active CN108493969B (zh) | 2018-03-07 | 2018-03-07 | 电动汽车充电站智能规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108493969B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109066752A (zh) * | 2018-09-19 | 2018-12-21 | 四川大学 | 基于改进grasp算法的电动汽车有序充电调度方法及系统 |
CN109492791B (zh) * | 2018-09-27 | 2021-10-08 | 西南交通大学 | 基于充电引导的城际高速路网光储充电站定容规划方法 |
CN111934314B (zh) * | 2020-07-15 | 2021-04-20 | 国家电网有限公司 | 移动电源车参与海岛微电网故障重构路径规划方法及系统 |
CN112487622B (zh) * | 2020-11-23 | 2023-03-21 | 国网河北省电力有限公司经济技术研究院 | 电动汽车充电桩的选址定容方法、装置及终端设备 |
CN113568307B (zh) * | 2021-07-02 | 2022-04-01 | 福建时代星云科技有限公司 | 一种储充站的控制策略优化方法及终端 |
CN117291327B (zh) * | 2023-11-24 | 2024-03-19 | 广东车卫士信息科技有限公司 | 车辆的加油站推荐方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318357A (zh) * | 2014-10-15 | 2015-01-28 | 东南大学 | 电动汽车换电网络协调规划方法 |
-
2018
- 2018-03-07 CN CN201810187772.9A patent/CN108493969B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318357A (zh) * | 2014-10-15 | 2015-01-28 | 东南大学 | 电动汽车换电网络协调规划方法 |
Non-Patent Citations (2)
Title |
---|
A micro-artificial bee colony based multicast routing in vehicular ad hoc networks;Xiu Zhang等;《Ad Hoc Networks》;20170430;第213-221页 * |
基于混合差分蜂群算法的城市电动汽车充电站布局规划;李菁华等;《东北电力大学学报》;20160831;第36卷(第4期);第84-90页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108493969A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108493969B (zh) | 电动汽车充电站智能规划方法 | |
Yang et al. | Electric vehicle route optimization considering time-of-use electricity price by learnable partheno-genetic algorithm | |
CN112200367B (zh) | 一种支持充放电策略的电动汽车配送路径优化方法 | |
Alesiani et al. | Optimization of charging stops for fleet of electric vehicles: A genetic approach | |
Tang et al. | Congestion-balanced and welfare-maximized charging strategies for electric vehicles | |
Gusrialdi et al. | Scheduling and cooperative control of electric vehicles' charging at highway service stations | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN110826841A (zh) | 考虑用户充电体验和配电网运行风险的充电站规划方法 | |
CN111047120B (zh) | 一种路-电耦合网络下电动汽车充电负荷预测方法 | |
CN110866636A (zh) | 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法 | |
CN112729324B (zh) | 基于互助出行系统的电动汽车充电引导和路径规划方法 | |
CN114022014A (zh) | 一种车辆智能调度方法、装置、电子设备及存储介质 | |
Qian et al. | Electric vehicles charging scheduling optimization for total elapsed time minimization | |
CN115115268A (zh) | 基于路电耦合与低碳约束的电动汽车充电桩容量规划方法 | |
CN115879657A (zh) | 考虑多站点容量设计的电动车换电站选址路径优化方法 | |
Zhang et al. | The effect of nonlinear charging function and line change constraints on electric bus scheduling | |
Fan et al. | Optimal shared mobility planning for electric vehicles in the distribution network | |
Bayram et al. | Pricing-based distributed control of fast EV charging stations operating under cold weather | |
CN112907153B (zh) | 一种混合场景下考虑用户多种需求的电动汽车调度方法 | |
Saatloo et al. | Hierarchical user-driven trajectory planning and charging scheduling of autonomous electric vehicles | |
CN117172080A (zh) | 考虑用户出行差异与充电决策偏好的ev充电站规划方法 | |
JP6538428B2 (ja) | 充電設備運用支援装置、充電設備運用支援プログラム、および充電システム | |
CN116054316A (zh) | 一种基于混沌麻雀优化算法的电动汽车有序充放电方法 | |
Al-Alwash et al. | Optimal charging scheme for electric vehicles (EVs) in SDN-based vehicular network, scheduling, and routing | |
CN111369741B (zh) | 一种电力市场下多停车场共享车位与电动汽车撮合系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |