CN108805321A - 一种电动汽车充电站规划方法 - Google Patents

Abstract

本发明公开了一种电动汽车充电站规划方法。包括以下步骤：1)以充电站年运行收益最大为目标函数，建立电动汽车充电站规划模型；2)对规划区的电动汽车充电功率需求进行分析；3)引入加权伏罗诺伊图的权重，对充电站服务区域进行分析；4)利用粒子群优化算法求解充电站规划的最优值，通过用表征充电站位置和容量的粒子的不断寻优过程，来模拟各种充电站规划方案的寻优选择。本发明采用加权伏罗诺伊图来求解所建立的优化模型，克服了常规优化算法在服务区域划分和负载率控制上的缺陷，使得规划方案中各充电站的服务区域划分更为合理，负载率也更均衡，实现充电站选址定容兼顾电网和交通网双重影响下的最大收益。

Description

一种电动汽车充电站规划方法

技术领域

本发明属于智能电网领域，特别是一种电动汽车充电站规划方法。

背景技术

电动汽车具有高效、节能、低噪声、零排放等显著优点，在环保和节能方面具有优势。为了促进电动汽车的规模化发展，需要完善基础配套设施，而电动汽车充电站建设作为电动汽车设施建设的重要环节之一，对于整个电动汽车产业的发展至关重要。科学合理的充电站布局规划对未来城市智能电网、交通网的可持续发展具有十分重要的意义。电动汽车充电站规划与以往的电网变电站规划具有很大的区别，电动汽车充电站规划必须全面考虑电网结构、交通因素、电动汽车分布及出行规律等多方面影响。若将应用于变电站供电范围划分时采用的就近分配原则直接用于电动汽车充电站规划，容易造成服务区域划分不合理和充电站负载率难控制等问题。充电站规划不仅要考虑电网约束和电网运行的经济性，还要考虑城市交通网和充电负荷的流动性。但是现有技术中尚无相关充电站规划的描述。

发明内容

本发明的目的在于提供一种电动汽车充电站规划方法，对充电站进行选址定容和服务区域划分的优化规划。

实现本发明目的的技术解决方案为：一种电动汽车充电站规划方法，包括以下步骤：

步骤一、考虑交通因素对充电站选址的影响，以充电站年运行收益最大为目标函数，建立电动汽车充电站规划模型。在规划目标年的电动汽车数量、城市配电网和交通网已知的情况下，以充电站和变电站的带负荷能力、电压安全以及充电站有效服务半径为约束条件，以充电站年运行收益最大为目标函数，建立充电站规划模型。

步骤二、对规划区的电动汽车充电功率需求进行分析。根据电动汽车充电起始时刻和日行驶里程的概率分布函数，用蒙特卡洛仿真得出1天单台电动汽车充电功率需求期望值，再根据极限中心理论和规划区每日需要充电车辆数，得到规划区最大充电负荷。

步骤三、引入加权伏罗诺伊图的权重，对充电站服务区域进行分析。根据充电站的有效服务半径与充电站的容量、所处位置的交通情况，以及所属区域的电动汽车分布密度，计算初始权重，构造加权伏罗诺伊图，计算个充电站负载率并以负载率值为根据调节加权伏罗诺伊图的权重，最后对充电站有效服务半径和最大负荷利用小时数进行计算。

步骤四、利用粒子群优化算法求解充电站规划的最优值，通过用表征充电站位置和容量的粒子的不断寻优过程，对电动汽车充电站规划模型进行求解。利用粒子群优化算法求解充电站规划的最优值，随机确定表征充电站位置和容量的粒子的位置以及速度，以充电站年收益为适应度函数，计算粒子适应值，确定个体及全局最优粒子完成充电站规划模型的求解。

本发明与现有技术相比，其显著优点为：1)本发明的方法将影响充电站规划的交通因素直接引入充电站选址的数学模型中，实现了充电站选址定容兼顾电网和交通网双重影响下的最大收益；2)本发明的方法采用加权伏罗诺伊图来求解所建立的优化模型，克服了常规优化算法在服务区域划分和负载率控制上的缺陷，使得规划方案中各充电站的服务区域划分更为合理，负载率也更均衡；3)本发明将影响电动汽车充电站规划的交通因素引入到充电站选址的数学模型中，提出了一种基于计算几何伏罗诺伊方法和粒子群优化算法的电动汽车充电站规划方法，合理可靠。

附图说明

图1为一种电动汽车充电站规划方法流程图。

图2为加权伏罗诺伊图计算流程图。

图3为电动汽车充电站规划流程图。

图中编号所代表的含义为：1为建立电动汽车充电站年收益最大规划模型，2为规划区电动汽车功率需求分析，3为充电站服务区域分析，4为利用粒子群优化算法求解电动汽车充电站规划模型。

具体实施方式

结合附图，本发明的一种电动汽车充电站规划方法，包括以下步骤：

步骤1、以充电站年运行收益最大为目标函数，建立电动汽车充电站规划模型；建立电动汽车充电站规划模型，具体是在规划目标年的电动汽车数量、城市配电网和交通网已知的情况下，以充电站和变电站的带负荷能力、电压安全以及充电站有效服务半径为约束条件，以充电站年运行收益最大为目标函数，确定待建充电站的位置、容量和服务范围；电动汽车充电站规划优化模型如下：

V_k,min≤V_k≤V_k,max

式中，R为规划区内充电站的年运行收益；n为新建充电站的个数；I_i为充电站i的年运行收入；F_i ^j为充电站i的第j费用，j的取值为1，2，3，4，分别表示新建站投资及运营费用、线路投资费用、辅道建设费用和网损费用；S_i为充电站i的额定充电功率；W_max为规划区内充电汽车的最大充电负荷；d_mm'为充电站m与m'之间的距离，m和m'是规划区所有新建充电站构成集合M_c中的元素；Q为电动汽车的电池平均容量；q₀为电动汽车单位里程的平均耗电量；δ_ik为充电站i与变电站k的关联系数，当充电站i从变电站k接线时，δ_ik＝1，否则δ_ik＝0；S_nk和S_rk分别为变电站k的额定容量和实际所带负荷的最大值；V_k为变电站k的电压幅值；V_k,min和V_k,max分别为变电站k所允许的最小和最大电压幅值；

充电站i的年运行收入I_i为：

I_i＝T_imaxS_i(λ_c-λ_g)

式中，T_imax为充电站i的年最大负荷利用小时数；λ_c和λ_g分别为充电站的充电和购电价格；

新建站投资及运营费用F_i ¹包括投资费用T(S_i)和年运行费用Y(S_i)，T(S_i)包含变压器费用、充电机费用、建设费用这些初期建设安装费用，以及征地费用；T(S_i)包括充电站的日常运营维护费用、材料成本和管理费用；

式中，α_i为第i个充电站所在位置的征地费用系数；Z(S_i)为征地费用；r₀为贴现率；n_year为充电站折旧年限；

线路投资费用F_i ²是指充电站i与变电站间线路的投资费用；

式中，ω₁为单位长度双回线路的投资费用；l_i为充电站i到目标变电站的线路长度；

辅道建设费用F_i ³是指充电站i与现有道路之间新建充电站进出辅道的投资费用，考虑进出站辅道为同标准同长度的两车道，

式中，ξ_g为单位长度的道路投资费用；h_i为充电站i与现有道路间新建进出站的辅道长度；

网损费用F_i ⁴是指原有电网在引入充电站i后，由网络损耗增加引起的费用；

F_i ⁴＝λ_gΔP_iT_imax

式中：ΔP_i为原电网在引入充电站i后的规划区域的网损增加量。

步骤2、对规划区的电动汽车充电功率需求进行分析；具体为：

每台电动汽车的开始充电时刻t满足正态分布的结论，其概率密度函数为：

式中：期望值μ_s＝17.6；方差σ_s＝3.4；

假设电动汽车的日行驶里程与其充电功率相互独立，且其充电功率P_c在2-3kW的范围内均匀分布，则充电时长T的概率密度函数为：

式中：T>0；期望值μ_d＝3.20；方差σ_d＝0.88。

步骤3、引入加权伏罗诺伊图的权重，对充电站服务区域进行分析；具体为：

设二维欧式空间上互异的n个点构成的集合P＝{P₁,P₂,…,P_n}∈R²(2＜n＜∞)，d(p,P_i)表示空间内任意一点p与P的欧式距离，则伏罗诺伊图定义为：

V(P_i)＝{p∈R²|d(p,P_i)≤d(p,P_j)}

式中，j＝1,2,…,n且j≠i；

设各点P_i的权重ω_i(i＝1,2,…,n)为给定的正实数，则加权伏罗诺伊图可定义为：

V(P_i)＝{p∈R²|ω_id(p,P_i)≤ω_jd(p,P_j)}

利用加权伏罗诺伊图所引入的权重，反映各因素对充电站有效服务半径和各充电站平均负载率的影响，具体流程如下：

1)确定初始权重其中，W_0i是根据以各充电站站址为顶点构造出的常规伏罗诺伊图计算出来的分区i的负荷；

2)根据各充电站权重，构造加权伏罗诺伊图，确定各充电站的服务区域，计算其实际功率需求W_i；

3)计算各充电站负载率η_i＝W_i/S_i；

4)判断负载率是否满足要求，若负载率小于下限值则减小权重，若高于上限值则增加权重，然后返回步骤2)；若负载率满足要求，则计算各充电站的最大负荷利用小时数T_imax和有效服务区域。

T_imax＝24η_iT_i

式中，T_i为充电站i的平均年有效运行天数。

步骤4、利用粒子群优化算法求解充电站规划的最优值，通过用表征充电站位置和容量的粒子的不断寻优，求解电动汽车充电站规划模型。求解电动汽车充电站规划模型，具体是利用粒子群优化算法求解充电站规划的最优值，随机确定表征充电站位置和容量的粒子的位置以及速度，以充电站年收益为适应度函数，计算粒子适应值，确定个体及全局最优粒子完成充电站规划模型的求解，具体为：假设由M个粒子组成的粒子群在D维搜索空间以一定的速度、方向运动，其每个粒子i在t时刻的状态属性如下：

1)位置：z_it＝[z_i1t,z_i2t,…,z_idt]^T；

2)速度：υ_it＝[υ_i1t,υ_i2t,…,υ_idt]^T；

3)个体最优位置：p_it＝[p_i1t,p_i2t,…,p_iDt]^T；

4)全局最优位置：p_gt＝[p_g1t,p_g2t,…,p_gDt]^T；

个体最优位置p_it表示当前循环的最优规划方案；全局最优位置p_gt表示t时刻全局最优规划方案(1≤d≤D,1≤i≤M)，M个粒子表示M种规划方案，每个粒子的位置z_i表示该规划方案的各充电站位置和容量，编码方式为

z_t＝[s_1t,x_1t,y_1t,s_2t,x_2t,y_2t,…,s_nt,x_nt,y_nt]^T；

其中，s为充电站的容量；x和y为平面所在的坐标位置；

粒子在t+1时刻的速度更新为：

式中：α为惯性因子；r₁和r₂为均匀分布在(0,1)区间的随机数；c₁和c₂为学习因子，是正常数。

本发明的方法将影响充电站规划的交通因素直接引入充电站选址的数学模型中，实现了充电站选址定容兼顾电网和交通网双重影响下的最大收益。

下面进行更详细的描述。

本发明所述的一种电动汽车充电站规划方法，包括以下步骤：

步骤一、考虑交通因素对充电站选址的影响，以充电站年运行收益最大为目标函数，建立电动汽车充电站规划模型。

步骤二、对规划区的电动汽车充电功率需求进行分析。

步骤三、引入加权伏罗诺伊图的权重，对充电站服务区域进行分析。

步骤四、利用粒子群优化算法求解充电站规划的最优值，通过用表征充电站位置和容量的粒子的不断寻优过程，求解电动汽车充电站规划模型。

进一步，步骤一中，在规划目标年的电动汽车数量、城市配电网和交通网已知的情况下，以充电站和变电站的带负荷能力、电压安全以及充电站有效服务半径为约束条件，以充电站年运行收益最大为目标函数，确定待建充电站的位置、容量和服务范围。因此，电动汽车充电站规划优化问题的数学描述如下：

V_k,min≤V_k≤V_k,max (5)

式中：R为规划区内充电站的年运行收益；n为新建充电站的个数；I_i为充电站i的年运行收入；F_i ^j为充电站i的第j费用，j的取值为1，2，3，4，分别表示新建站投资及运营费用、线路投资费用、辅道建设费用和网损费用；S_i为充电站i的额定充电功率；W_max为规划区内充电汽车的最大充电负荷；d_mm'为充电站m与m'之间的距离，m和m'是规划区所有新建充电站构成集合M_c中的元素；Q为电动汽车的电池平均容量，可根据各类电动汽车电池的容量及其所占百分比加权求得；q₀为电动汽车单位里程的平均耗电量；δ_ik为充电站i与变电站k的关联系数，当充电站i从变电站k接线时，δ_ik＝1，否则δ_ik＝0；S_nk和S_rk分别为变电站k的额定容量和实际所带负荷的最大值；V_k为变电站k的电压幅值；V_k,min和V_k,max分别为变电站k所允许的最小和最大电压幅值。

充电站i的年运行收入(充电站i一年的充电收入)I_i为：

I_i＝T_imaxS_i(λ_c-λ_g) (6)

式中：T_imax为充电站i的年最大负荷利用小时数，其值由充电站容量和有效服务半径内的功率需求共同决定；λ_c和λ_g分别为充电站的充电和购电价格。

新建站投资及运营费用F_i ¹包括投资费用T(S_i)和年运行费用Y(S_i)。T(S_i)主要包含变压器费用、充电机费用、建设费用等初期建设安装费用(与该充电站的容量直接相关)，以及征地费用(与充电站的容量和所在位置相关)。T(S_i)包括充电站的日常运营维护费用、材料成本和管理费用等(与该充电站的容量直接相关)。

式中：α_i为第i个充电站所在位置的征地费用系数；Z(S_i)为征地费用；r₀为贴现率；n_year为充电站折旧年限。

线路投资费用F_i ²是指充电站i与变电站间线路的投资费用。出于安全和可靠性保证，一般采用双回直接供电。

式中，ω₁为单位长度双回线路的投资费用；l_i为充电站i到目标变电站的线路长度。

辅道建设费用F_i ³是指充电站i与现有道路之间新建充电站进出辅道的投资费用。考虑进出站辅道为同标准同长度的两车道，

式中：ξ_g为单位长度的道路投资费用；h_i为充电站i与现有道路间新建进出站的辅道长度。

网损费用F_i ⁴是指原有电网在引入充电站i后，由网络损耗增加引起的费用。规划中引入这个量是为了衡量充电站在电网不同位置时对电网损耗的影响程度。

F_i ⁴＝λ_gΔP_iT_imax (10)

式中：ΔP_i为原电网在引入充电站i后的规划区域的网损增加量。

进一步，步骤二中，电动汽车每日的行驶里程数和充电时刻都取决于用户的出行特征，并受到充电电价和充电站位置等相关因素的影响。美国交通部对美国家用车辆的调查结果显示，一天中有86％的家用车辆被使用，其中，43.5％的车辆日行驶里程在32km以内，83.7％的车辆日行驶里程在97km以内。通过对调查结果的拟合分析，得出每台电动汽车的开始充电时刻t满足正态分布的结论，其概率密度函数为：

式中：期望值μ_s＝17.6；方差σ_s＝3.4。

假设电动汽车的日行驶里程与其充电功率相互独立，且其充电功率P_c在2-3kW的范围内均匀分布，则充电时长T的概率密度函数为：

式中：T>0；期望值μ_d＝3.20；方差σ_d＝0.88。

假设家用车辆车载动力电池容量在20-30kW·h范围内呈均匀分布。用蒙特卡洛仿真方法可以求出1天(24h)单台电动汽车充电功率需求的期望值。其基本思想是：根据日内单台电动汽车充电功率需求的概率模型和假设的分布情况，通过随机抽样得出变量的具体值，从而构造该种抽样场景下充电功率需求的确定性模型并计算出结果；通过多次试验得到该模型参数的统计特性，最终计算出日内单台电动汽车充电需求的期望近似值。根据1天(24h)单台电动汽车充电功率需求的期望值，由中心极限理论可知，日内n单台电动汽车的总体功率需求服从以nμ为期望值、nσ²为方差的正态分布，其中μ和σ分别为单台电动汽车在该时刻的充电功率需求的期望值和标准差。再根据规划区所在规划年的日内需要充电的车辆数n，可计算出规划区的最大充电负荷W_max。

进一步，步骤三中，加权伏罗诺伊图在空间选址和电力系统中都得到了广泛的应用，设二维欧式空间上互异的n个点构成的集合P＝{P₁,P₂,…,P_n}∈R²(2＜n＜∞)，d(p,P_i)表示空间内任意一点p与P的欧式距离，则伏罗诺伊图可定义为：

V(P_i)＝{p∈R²|d(p,P_i)≤d(p,P_j)} (13)

式中，j＝1,2,…,n且j≠i。

设各点P_i的权重ω_i(i＝1,2,…,n)为给定的正实数，则加权伏罗诺伊图可定义为：

V(P_i)＝{p∈R²|ω_id(p,P_i)≤ω_jd(p,P_j)} (14)

充电站的有效服务半径与充电站的容量、所处位置的交通情况，以及所属区域的电动汽车分布密度相关。通过加权伏罗诺伊图所引入的权重，可以反映各因素对充电站有效服务半径和各充电站平均负载率的影响。具体流程如下：

1)确定初始权重其中，W_0i是根据以各充电站站址为顶点构造出的常规伏罗诺伊图计算出来的分区i的负荷。

2)根据各充电站权重，构造加权伏罗诺伊图，确定各充电站的服务区域，计算其实际功率需求W_i。

3)计算各充电站负载率η_i＝W_i/S_i。

3)判断负载率是否满足要求，若负载率小于下限值则减小权重，若高于上限值则增加权重，然后返回步骤2；若负载率满足要求，则计算各充电站的最大负荷利用小时数T_imax和有效服务区域。

T_imax＝24η_iT_i (15)

式中，T_i为充电站i的平均年有效运行天数。

用加权伏罗诺伊图计算负载率和有效服务区域的流程如图2所示。

进一步，步骤四中，提出粒子群优化算法和加权伏罗诺伊图结合对模型求解，得出充电站规划的选址定容及各个充电站服务区域的优化划分。假设由M个粒子组成的粒子群在D维搜索空间以一定的速度、方向运动，其每个粒子i在t时刻的状态属性如下：

1)位置：z_it＝[z_i1t,z_i2t,…,z_idt]^T。

2)速度：υ_it＝[υ_i1t,υ_i2t,…,υ_idt]^T。

3)个体最优位置：p_it＝[p_i1t,p_i2t,…,p_iDt]^T。

4)全局最优位置：p_gt＝[p_g1t,p_g2t,…,p_gDt]^T。

个体最优位置p_it表示当前循环的最优规划方案；全局最优位置p_gt表示t时刻全局最优规划方案(1≤d≤D,1≤i≤M)。M个粒子表示M种规划方案，每个粒子的位置z_i表示该规划方案的各充电站位置和容量，编码方式为

z_t＝[s_1t,x_1t,y_1t,s_2t,x_2t,y_2t,…,s_nt,x_nt,y_nt]^T。其中，s为充电站的容量；x和y为平面所在的坐标位置。

粒子在t+1时刻的速度更新为：

式中：α为惯性因子，其大小决定了粒子对当前速度继承的多少，用来权衡全局和局部寻优能力；r₁和r₂为均匀分布在(0,1)区间的随机数；c₁和c₂为学习因子，是正常数。

基于加权伏罗诺伊图和粒子群优化方法的电动汽车充电站规划计算流程如图3所示。

本发明的方法采用加权伏罗诺伊图来求解所建立的优化模型，克服了常规优化算法在服务区域划分和负载率控制上的缺陷，使得规划方案中各充电站的服务区域划分更为合理，负载率也更均衡。

Claims (5)

1.一种电动汽车充电站规划方法，其特征在于，包括以下步骤：

步骤1、以充电站年运行收益最大为目标函数，建立电动汽车充电站规划模型；

步骤2、对规划区的电动汽车充电功率需求进行分析；

步骤3、引入加权伏罗诺伊图的权重，对充电站服务区域进行分析；

步骤4、利用粒子群优化算法求解充电站规划的最优值，通过用表征充电站位置和容量的粒子的不断寻优，求解电动汽车充电站规划模型。

2.如权利要求1所述的一种电动汽车充电站规划方法，其特征在于，步骤1建立电动汽车充电站规划模型，具体是在规划目标年的电动汽车数量、城市配电网和交通网已知的情况下，以充电站和变电站的带负荷能力、电压安全以及充电站有效服务半径为约束条件，以充电站年运行收益最大为目标函数，确定待建充电站的位置、容量和服务范围；电动汽车充电站规划优化模型如下：

V_k,min≤V_k≤V_k,max

式中，R为规划区内充电站的年运行收益；n为新建充电站的个数；I_i为充电站i的年运行收入；F_i ^j为充电站i的第j费用，j的取值为1，2，3，4，分别表示新建站投资及运营费用、线路投资费用、辅道建设费用和网损费用；S_i为充电站i的额定充电功率；W_max为规划区内充电汽车的最大充电负荷；d_mm'为充电站m与m'之间的距离，m和m'是规划区所有新建充电站构成集合M_c中的元素；Q为电动汽车的电池平均容量；q₀为电动汽车单位里程的平均耗电量；δ_ik为充电站i与变电站k的关联系数，当充电站i从变电站k接线时，δ_ik＝1，否则δ_ik＝0；S_nk和S_rk分别为变电站k的额定容量和实际所带负荷的最大值；V_k为变电站k的电压幅值；V_k,min和V_k,max分别为变电站k所允许的最小和最大电压幅值；

充电站i的年运行收入I_i为：

I_i＝T_{i max}S_i(λ_c-λ_g)

式中，T_{i max}为充电站i的年最大负荷利用小时数；λ_c和λ_g分别为充电站的充电和购电价格；

新建站投资及运营费用F_i ¹包括投资费用T(S_i)和年运行费用Y(S_i)，T(S_i)包含变压器费用、充电机费用、建设费用这些初期建设安装费用，以及征地费用；T(S_i)包括充电站的日常运营维护费用、材料成本和管理费用；

式中，α_i为第i个充电站所在位置的征地费用系数；Z(S_i)为征地费用；r₀为贴现率；n_year为充电站折旧年限；

线路投资费用F_i ²是指充电站i与变电站间线路的投资费用；

式中，ω₁为单位长度双回线路的投资费用；l_i为充电站i到目标变电站的线路长度；

辅道建设费用F_i ³是指充电站i与现有道路之间新建充电站进出辅道的投资费用，考虑进出站辅道为同标准同长度的两车道，

式中，ξ_g为单位长度的道路投资费用；h_i为充电站i与现有道路间新建进出站的辅道长度；

网损费用F_i ⁴是指原有电网在引入充电站i后，由网络损耗增加引起的费用；

F_i ⁴＝λ_gΔP_iT_{i max}

式中：ΔP_i为原电网在引入充电站i后的规划区域的网损增加量。

3.如权利要求2所述的一种电动汽车充电站规划方法，其特征在于，步骤2对规划区的电动汽车充电功率需求进行分析具体为：

每台电动汽车的开始充电时刻t满足正态分布的结论，其概率密度函数为：

式中：期望值μ_s＝17.6；方差σ_s＝3.4；

假设电动汽车的日行驶里程与其充电功率相互独立，且其充电功率P_c在2-3kW的范围内均匀分布，则充电时长T的概率密度函数为：

式中：T>0；期望值μ_d＝3.20；方差σ_d＝0.88。

4.如权利要求1所述的一种电动汽车充电站规划方法，其特征在于：步骤3对充电站服务区域进行分析，具体为：

设二维欧式空间上互异的n个点构成的集合P＝{P₁,P₂,…,P_n}∈R²(2＜n＜∞)，d(p,P_i)表示空间内任意一点p与P的欧式距离，则伏罗诺伊图定义为：

V(P_i)＝{p∈R²|d(p,P_i)≤d(p,P_j)}

式中，j＝1,2,…,n且j≠i；

设各点P_i的权重ω_i(i＝1,2,…,n)为给定的正实数，则加权伏罗诺伊图可定义为：

V(P_i)＝{p∈R²|ω_id(p,P_i)≤ω_jd(p,P_j)}

利用加权伏罗诺伊图所引入的权重，反映各因素对充电站有效服务半径和各充电站平均负载率的影响，具体流程如下：

1)确定初始权重其中，W_0i是根据以各充电站站址为顶点构造出的常规伏罗诺伊图计算出来的分区i的负荷；

2)根据各充电站权重，构造加权伏罗诺伊图，确定各充电站的服务区域，计算其实际功率需求W_i；

3)计算各充电站负载率η_i＝W_i/S_i；

4)判断负载率是否满足要求，若负载率小于下限值则减小权重，若高于上限值则增加权重，然后返回步骤2)；若负载率满足要求，则计算各充电站的最大负荷利用小时数T_{i max}和有效服务区域；

T_{i max}＝24η_iT_i

式中，T_i为充电站i的平均年有效运行天数。

5.如权利要求1所述的一种电动汽车充电站规划方法，其特征在于：步骤4求解电动汽车充电站规划模型，具体是利用粒子群优化算法求解充电站规划的最优值，随机确定表征充电站位置和容量的粒子的位置以及速度，以充电站年收益为适应度函数，计算粒子适应值，确定个体及全局最优粒子完成充电站规划模型的求解，具体为：假设由M个粒子组成的粒子群在D维搜索空间以一定的速度、方向运动，其每个粒子i在t时刻的状态属性如下：

1)位置：z_it＝[z_i1t,z_i2t,…,z_idt]^T；

2)速度：υ_it＝[υ_i1t,υ_i2t,…,υ_idt]^T；

3)个体最优位置：p_it＝[p_i1t,p_i2t,…,p_iDt]^T；

4)全局最优位置：p_gt＝[p_g1t,p_g2t,…,p_gDt]^T；

个体最优位置p_it表示当前循环的最优规划方案；全局最优位置p_gt表示t时刻全局最优规划方案(1≤d≤D,1≤i≤M)，M个粒子表示M种规划方案，每个粒子的位置z_i表示该规划方案的各充电站位置和容量，编码方式为

z_t＝[s_1t,x_1t,y_1t,s_2t,x_2t,y_2t,…,s_nt,x_nt,y_nt]^T；

其中，s为充电站的容量；x和y为平面所在的坐标位置；

粒子在t+1时刻的速度更新为：

式中：α为惯性因子；r₁和r₂为均匀分布在(0,1)区间的随机数；c₁和c₂为学习因子，是正常数。