CN109409558A - 一种多目标规划充电服务网络的方法及系统 - Google Patents

Abstract

本发明公开了一种多目标规划充电服务网络的方法及系统，方法包括：获取待规划区域内的电动汽车、分布式电源和配电网信息；将所述待规划区域内的电动汽车、分布式电源和配电网信息输入预先构建的多目标数学模型；对所述多目标数学模型进行迭代求解，得到所述充电服务网络的划分方案；所述预先构建的多目标数学模型根据充电服务网络的影响因素确定。该方法综合考虑对上级配电网的影响、分布式电源消纳的影响、服务便捷程度的影响，具有高效性和实用性。

Description

一种多目标规划充电服务网络的方法及系统

技术领域

本发明涉及电动汽车充换电技术领域，具体涉及一种多目标规划充电服务网络的方法及系统。

背景技术

随着电池容量的扩充和经济性的提高，电动汽车已经成为了现在新能源发展的主要方向之一。为了实现节能减排，电动汽车被大范围的推广应用。电动汽车的充电站作为电动汽车的重要服务设施，其规划建设在很大程度上影响到了整个产业的发展。电动汽车充电站的规划不仅需要考虑现有配电网络的结构，还需要考虑充电设备对间歇性能源的消纳以及交通流量等诸多因素，因此其规划建设问题得到了广泛关注。

在规划模型和方法方面，现有的研究方法尚不具有完整性及系统性，规划目标过于单一。在研究充电站消纳间歇性能源的问题方面，思路过于局限，容易出现因为动力电池充满而摒弃掉间歇性能源的现象，将在一定程度上影响电动汽车充电站对间歇性能源的有效消纳，这是由于现有的充电站规划模型也还比较粗糙，对于怎样平衡影响规划的诸多因素，建立系统和科学的规划方法还有待研究。而电动汽车充电服务网络的多目标规划方法可以综合考虑各个方面因素的影响，可以科学全面的指导电动汽车充电站规划。

为此，寻找一种规划方法，使得其具有完整性及系统性，而且规划目标多样化，成为本领域技术人员迫切需要解决的问题。

发明内容

为了解决现有技术中所存在的上述不足，本发明提供了一种多目标规划充电服务网络的方法。

所述规划方法包括：

获取待规划区域内的电动汽车、分布式电源和配电网信息；

将所述待规划区域内的电动汽车、分布式电源和配电网信息输入预先构建的多目标数学模型；

对所述多目标数学模型进行迭代求解，得到所述充电服务网络的划分方案；

所述预先构建的多目标数学模型根据充电服务网络的影响因素确定。

优选的，所述多目标数学模型，包括：

基于充电服务网络的影响因素确定的多目标函数；以及

为所述多目标函数设定的约束条件。

优选的，所述确定多目标函数，包括：

根据总配电网改造成本，确定的总配电网改造成本的目标函数；

根据总分布式电源消纳能力，确定的总分布式电源消纳能力目标函数；

以及根据服务器便捷程度，确定的总负荷矩目标函数。

优选的，所述约束条件包括：系统潮流约束、节点电压约束和充电桩布点总数约束。

优选的，所述总配电网改造成本目标函数如下式所示：

MinC＝C₁+C₂ (1)

式中，C：总配电网改造成本；C₁：线路扩容成本；C₂：新建充电桩成本；

所述线路扩容成本C₁按下式计算：

式中：l_j ^J：选择第J种线路型号进行扩容的第j条线路的长度；p^J：第J种线路型号的单位造价；N_j：所有需要扩容的线路集合；

所述新建充电桩成本C₂按下式计算：

式中：k_k ^K：选择第K种线路型号进行新建的第k条线路的长度；p^K：第K种线路型号的单位造价；N_k：所有需要新建的线路集合。

优选的，所述总分布式电源消纳能力目标函数如下式所示：

式中：G_i：第i条线路不发生潮流倒送的前提下，接入的某类型间歇式能源的最大装机量；B_R：所有10kV线路集合。

优选的，所述总负荷矩目标函数如下式所示：

式中：N：充电桩布点总数；N_L：充电需求点总数；L_j：第j个负荷点的充电负荷；l_i,j：负荷点j在距离对应充电桩布点位置i的距离；z_ij为0-1变量，当充电需求点j由站点i供应时为1，否则为0。

优选的，所述系统潮流约束如下式所示：

式中：V_i、V_j：分别表示节点i、j的电压值；G_ij：节点导纳矩阵的实部，B_ij：节点导纳矩阵的虚部；P_is、Q_is：节点i的有功注入和无功注入；θ_ij：节点i、j之间的相角差。

优选的，所述节点电压约束如下式所示：

V_i,min≤V_i≤V_i,max，i∈N^L (7)

式中：V_i,min、V_i,max：分别表示节点i的电压下限和上限；V_i：实际电压值；N^L：所有节点集合。

优选的，所述充电桩布点总数约束如下式所示：

式中：N：待选站址总数；X_j：决策变量；N_CS,max：最大站点数；在该待选站址建设充电站其值为1，否则为0。

优选的，所述对所述多目标数学模型进行迭代求解，得到所述充电服务网络的划分方案，包括：

基于待规划区域内电动汽车、配电网、分布式电源信息随机生成初始化站址，利用Voronoi图对各站址的服务区进行划分；

基于Voronoi图划分的服务范围和非劣算法NSGA‐2，对所述多目标数学模型进行迭代求解，得到的最优解；

所述最优解为充电服务网络的划分方案。

本发明提供的一种多目标规划充电服务网络的系统，包括：

获取模块，用于获取待规划区域内的电动汽车、分布式电源和配电网信息；

处理模块，用于将所述待规划区域内的电动汽车、分布式电源和配电网信息输入预先构建的多目标数学模型；所述预先构建的多目标数学模型根据充电服务网络的影响因素确定；

求解模块，用于对所述多目标数学模型进行迭代求解，得到所述充电服务网络的划分方案。

进一步包括：构建模块，用于在将所述待规划区域内的电动汽车、分布式电源和配电网信息输入预先构建的多目标数学模型之前，预先根据充电服务网络的影响因素确定多目标函数，并为所述多目标函数确定约束条件，构建多目标数学模型。

所述求解模块，包括：

划分单元，用于基于待规划区域内电动汽车、配电网、分布式电源信息随机生成初始化站址，利用Voronoi图对各站址的服务区进行划分；

求解单元，用于基于Voronoi图划分的服务范围和非劣算法NSGA‐2，对所述多目标数学模型进行迭代求解，得到的最优解；所述最优解为充电服务网络的划分方案。

与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：

本发明提供的技术方案综合考虑了充电服务网络的影响因素，根据影响因素确定多目标数学模型，将待规划区域内的电动汽车、分布式电源和配电网信息输入多目标数学模型，对多目标数学模型进行迭代求解，得到充电服务网络的划分方案，对于促进电能替代，构建能源互联网具有十分重要的意义，增强了系统的高效性和实用性。

本发明提供的技术方案考虑了总配电网改造成本、总分布式电源消纳能力和服务器便捷程度，能科学合理的规划电动汽车充电站，有利于实现从交通网到充电服务网络乃至配电网的多环节高效利用，促进资源合理配置，有效改善清洁能源利用情况，促进了电动汽车大规模、大范围的应用。

附图说明

图1为本发明的结构图；

图2为本发明的规划方法流程图。

具体实施方式

为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。

如附图1为本发明的整体框架。

本实施例中提供一种多目标规划充电服务网络的方法。该方法可以包括如下步骤：

获取待规划区域内的电动汽车、分布式电源和配电网信息；

将待规划区域内的电动汽车、分布式电源和配电网信息输入预先构建的多目标数学模型；

对多目标数学模型进行迭代求解，得到充电服务网络的划分方案；

预先构建的多目标数学模型根据充电服务网络的影响因素确定。

具体实施时，可以通过采样调查得到大量数据从中获取待规划区域内的电动汽车、分布式电源和配电网信息。

基于充电服务网络的影响因素确定多目标函数：

目标函数有三个，一是总配电网改造成本(包括设备扩容成本)最小的目标函数，二是总分布式电源消纳能力最大的目标函数，三是总负荷矩(电动汽车充电负荷和对应充电站距离乘积)最小的目标函数。

规划目标1：总配电网改造成本最小的目标函数如下式所示：

MinC＝C₁+C₂ (1)

总配电网改造成本包括线路扩容成本和新建充电桩的成本。其中，C：总配电网改造成本；C₁为线路扩容的成本，C₂为新建充电桩的成本。

电动汽车充电负荷的接入，使得原本正常运行的线路超出了传输功率限制，需要对线路进行扩容改造，此部分总费用的数学表达式如下：

式(2)中：l_j ^J为选择第J种线路型号进行扩容的第j条线路的长度(km)，p^j为第J种线路型号的单位造价(元/km)，N_j为所有需要扩容的线路集合，该式为所有需要扩容的线路费用之和。

对于新建的充电桩，需要从其布点位置新建线路到配变，将此部分费用计入经济成本，此部分总费用的数学表达式如下：

式(3)中：k_k ^K为选择第K种线路型号进行新建的第k条线路的长度(km)，p^K为第K种线路型号的单位造价(元/km)，N_k为所有需要新建的线路集合，该式为所有需要新建的线路费用之和。

规划目标2：总分布式电源消纳能力最大

式(4)中：G_i为第i条线路不发生潮流倒送的前提下，接入的某类型间歇式能源的最大装机量(MW)，B_R为所有10kV线路集合。以间歇式能源接入的线路不倒送潮流的前提下，能接入的该类型间歇式能源的最大装机量作为该类型间歇式能源的消纳能力指标。

考虑到间歇性能源出力具有一定规律性，常规负荷、电动汽车充电负荷的变化也具有一定的规律。分别选取某种间歇性能源出力的典型日、常规负荷和电动汽车负荷的典型日，计算典型日的该类型间歇性能源的消纳能力。

规划目标3：总负荷矩最小：

式(5)中：N为充电桩布点总数，N_L为充电需求点总数，l_i,j为该规划方案下负荷点j在距离对应充电桩布点位置i的距离，z_ij为0‐1变量，当充电需求点j由站点i供应时其值为1。

其中，对于任一负荷点，其负荷矩为负荷大小和其对应充电站的距离乘积，统计所有负荷点负荷矩，即得到该布点方案的总负荷矩。充电站的布点位置应尽可能靠近充电需求点，应优先满足较大的充电负荷点的充电需求，因此，此处采用负荷矩表示充电服务的便捷程度。

多目标函数的约束条件可以有：系统潮流约束、节点电压约束和充电桩布点总数约束等。

约束条件1：系统潮流约束

式(6)中：V_i、V_j分别为节点i、j的电压值，G_ij为节点导纳矩阵的实部，B_ij为节点导纳矩阵的虚部，P_is、Q_is为节点i的有功注入和无功注入；θ_ij为节点i、j之间的相角差。

约束条件2：节点电压约束

V_i,min≤V_i≤V_i,max，i∈N^L (7)

式(7)中：V_i,min、V_i,max分别为节点i的电压下限和上限，V_i为实际电压值，N^L为所有节点集合。

约束条件3:充电桩布点总数约束：

式(8)中：N为待选站址总数，X_j为决策变量，在该站址建设充电站其值为1，否则为0。

基于待规划区域内电动汽车、配电网、分布式电源信息随机生成初始化站址，利用Voronoi图对各站址的服务区进行划分；

基于Voronoi图划分的服务范围和非劣算法NSGA‐2，对多目标数学模型进行迭代求解，得到的最优解；即为充电服务网络的划分方案。

Voronoi图可以用于公共设施的选址中，在电力系统中可以用于变电站的优化选址。Voronoi图也可以作为一种优化工具来对电动汽车充电站进行站址选择和服务范围的划分。

充电站最终站址和服务范围的确定是通过加权Voronoi图分割规划区域，各分区内自行优化选址不断循环迭代产生的，具体操作步骤包括如下：

①基于待规划区域内电动汽车、配电网、分布式电源信息随机生成初始站址，利用Voronoi图对各站址的服务区进行划分；

②计算各服务分区的权重如下式所示：

式中，ω_i：服务分区i的权重；l_i：分区i的充电需求；e_i：参考容量；

③权重调整

在充电站选址和服务范围自动划分交替进行的过程中，有时会出现某些分区内充电需求过大或过小的情况，这说明原始权重对于充电站服务范围的划分存在一些不合理的情况，因此，在迭代的过程中需要对不合理的分区权重进行调整。

计算第i个充电站的计算初始权重ω_i和容量比rlbi_i：

式中，e_i：第i个充电站的总容量；l_i：第i个充电站链接负荷的负荷总量。

充电站权重的自适应调节，调节过程如下：

若rlbi_i,n>a且rlbi_i,n+1>a，ω_i,n+1＝ω_i,n+Δω_i,n；

若rlbi_i,n>a且rlbi_i,n+1<a，ω_i,n+1＝ω_i,n‐Δω_i,n；

若rlbi_i,n<b且rlbi_i,n+1>b，ω_i,n+1＝ω_i,n+Δω_i,n；

若rlbi_i,n<b且rlbi_i,n+1<b，ω_i,n+1＝ω_i,n‐Δω_i,n；

其他情况权值不变，即ω_i,n+1＝ω_i,n。

其中，a和b是两个常值参数，两值的大小会影响算法的收敛速度，经多次实验后可知a和b分别为1和0.87时，收敛效果最好；ω_i,n：第n次循环的权值；ω_i,n+1：第n+1次循环的权值；rlbi_i,n：第n次循环的容量比；rlbi_i,n+1：第n+1次循环的容量比；Δ：权重自适应调整量；n为正整数。

权值变化量：

通过上述权值的调整，从而得到新的权值ω_i,n+1，并进入下一次的迭代。

④各服务区内以总负荷矩最小为目标来进行选址。

⑤若充电站站址的变动距离之和小于阀值，则迭代结束，输出最终站址及服务范围，并计算各站的容量配置；否则，返回步骤①。

由于此处需要综合考虑负荷矩目标、配电网改造成本目标、分布式电源消纳能力目标三个目标，此处采用非劣算法NSGA‐2对规划模型进行求解，得到问题的Pareto非劣解，再采用TOPSIS综合评价法对Pareto前沿中的个体进行排序，得到问题最优解。

其中TOPSIS综合评价法是通过检测评价对象与最优解、最劣解的距离来进行排序，若评价对象最靠近最优解同时又最远离最劣解，则为最好；否则不为最优。

NSGA‐2算法的步骤包括：

步骤一：数据初始化，包括：配电网拓扑结构、分布式电源出力、交通流量统计结果初始化；

步骤二：NSGA-2算法初始化，包括：设定产生N个个体的初始种群，设置每个决策变量的范围和种群代数；

步骤三：淘汰不满足要求系统潮流约束和节点电压约束的个体，利用Voronoi图划分服务范围；

步骤四：计算每个个体的负荷矩、配电网改造成本、分布式电源消纳能力，根据各个个体的目标函数值，对初始化种群进行非支配排序；

步骤五：选择、交叉和变异运算；

步骤六：合并父代和子代种群，进行非支配排序，选择最好的N个个体形成新的种群；

步骤七：重复步骤三到步骤六，直到最大种群代数时停止。

TOPSIS综合评价法步骤如下：

(1)将配电网改造成本、分布式电源消纳能力和总负荷矩进行归一化，原始数据归一化处理如下式所示：

式中：式中：r_i,j：第i组解的第j个目标函数在归一化前的值；s_i,j：第i组解的第j个目标函数在归一化后的值；n为Pareto前沿中解的个数；

(2)寻找各项目标函数归一化后的最优值和最劣值，得到“理论最优解”(g₁,g₂,...,g_n)和“理论最劣解”(b₁,b₂,...,b_n)，其中g_i(i＝1,...,n)为所有s_i,j(i＝1,...,n)中的最优目标函数，b_i(i＝1,...,n)为对应的最劣目标函数值；

(3)计算所有解与“理论最优解”和“理论最劣解”之间的距离：

式中：m：目标的个数，此处的m＝3。

(4)计算所有解理想度，并对其排序得到综合考虑负荷矩目标、配电网改造成本、分布式电源消纳能力目标的最优解：

最终得到的最优解，包括充电站的位置和站点配置的充电机数量，以及接入配电网的位置和服务范围划分。每一组解对应一组目标函数，即对应一个接入配电网经济性目标、分布式新能源消纳目标、服务便捷性(负荷距)目标。

如附图2所示，规划电动汽车充电服务网络的方法流程如下：

(1)根据网格化交通流量时变分布统计抽样得到网格化的充电负荷分布；

(2)根据区域总体充电负荷，确定充电桩容量组合方案，产生初始站址；

(3)利用Voronoi图进行充电站服务范围划分，计算该站址和服务范围下，总负荷矩、总配电网改造成本和总分布式电源消纳能力；

(4)判断此时是否达到该组合方案下总体最优，未达到最优则调整站址，返回步骤(3)，达到最优则进行步骤(4)；

(5)得到该容量组合方案下的最优规划方案。

基于同一发明构思，本实施例中还提供一种多目标规划充电服务网络的系统，可以包括：

获取模块，用于获取待规划区域内的电动汽车、分布式电源和配电网信息；

处理模块，用于将待规划区域内的电动汽车、分布式电源和配电网信息输入预先构建的多目标数学模型；预先构建的多目标数学模型根据充电服务网络的影响因素确定；

求解模块，用于对所述多目标数学模型进行迭代求解，得到充电服务网络的划分方案。

实施中，所述系统可以进一步包括：

构建模块，用于在将待规划区域内的电动汽车、分布式电源和配电网信息输入预先构建的多目标数学模型之前，预先根据充电服务网络的影响因素确定多目标函数，并为多目标函数确定约束条件，构建多目标数学模型。

实施中，所述求解模块，可以包括：

划分单元，用于基于待规划区域内电动汽车、配电网、分布式电源信息随机生成初始化站址，利用Voronoi图对各站址的服务区进行划分；

求解单元，用于基于Voronoi图划分的服务范围和非劣算法NSGA‐2，对多目标数学模型进行迭代求解，得到的最优解；最优解为充电服务网络的划分方案。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (14)

1.一种多目标规划充电服务网络的方法，其特征在于，所述规划方法包括：

获取待规划区域内的电动汽车、分布式电源和配电网信息；

将所述待规划区域内的电动汽车、分布式电源和配电网信息输入预先构建的多目标数学模型；

对所述多目标数学模型进行迭代求解，得到所述充电服务网络的划分方案；

所述预先构建的多目标数学模型根据充电服务网络的影响因素确定。

2.如权利要求1所述的多目标规划充电服务网络的方法，其特征在于，所述多目标数学模型，包括：

基于充电服务网络的影响因素确定的多目标函数；以及

为所述多目标函数设定的约束条件。

3.如权利要求2所述的多目标规划充电服务网络的方法，其特征在于，所述多目标函数，包括：

根据总配电网改造成本确定的总配电网改造成本的目标函数；

根据总分布式电源消纳能力确定的总分布式电源消纳能力目标函数；以及

根据服务器便捷程度确定的总负荷矩目标函数。

4.如权利要求2所述的多目标规划充电服务网络的方法，其特征在于，所述约束条件包括：系统潮流约束、节点电压约束和充电桩布点总数约束。

5.如权利要求3所述的多目标规划充电服务网络的方法，其特征在于，所述总配电网改造成本目标函数如下式所示：

MinC＝C₁+C₂ (1)

式中，C：总配电网改造成本；C₁：线路扩容成本；C₂：新建充电桩成本；

所述线路扩容成本C₁按下式计算：

式中：l_j ^J：选择第J种线路型号进行扩容的第j条线路的长度；p^J：第J种线路型号的单位造价；N_j：所有需要扩容的线路集合；

所述新建充电桩成本C₂按下式计算：

式中：k_k ^K：选择第K种线路型号进行新建的第k条线路的长度；p^K：第K种线路型号的单位造价；N_k：所有需要新建的线路集合。

6.如权利要求3所述的多目标规划充电服务网络的方法，其特征在于，所述总分布式电源消纳能力目标函数如下式所示：

式中：G_i：第i条线路不发生潮流倒送的前提下，接入的某类型间歇式能源的最大装机量；B_R：所有10kV线路集合。

7.如权利要求3所述的多目标规划充电服务网络的方法，其特征在于，所述总负荷矩目标函数如下式所示：

式中：N：充电桩布点总数；N_L：充电需求点总数；L_j：第j个负荷点的充电负荷；l_i,j：负荷点j在距离对应充电桩布点位置i的距离；z_ij为0-1变量，当充电需求点j由站点i供应时为1，否则为0。

8.如权利要求4所述的多目标规划充电服务网络的方法，其特征在于，所述系统潮流约束如下式所示：

式中：V_i、V_j：分别表示节点i、j的电压值；G_ij：节点导纳矩阵的实部，B_ij：节点导纳矩阵的虚部；P_is、Q_is：节点i的有功注入和无功注入；θ_ij：节点i、j之间的相角差。

9.如权利要求4所述的多目标规划充电服务网络的方法，其特征在于，所述节点电压约束如下式所示：

V_i,min≤V_i≤V_i,max，i∈N^L (7)

式中：V_i,min、V_i,max：分别表示节点i的电压下限和上限；V_i：实际电压值；N^L：所有节点集合。

10.如权利要求4所述的多目标规划充电服务网络的方法，其特征在于，所述充电桩布点总数约束如下式所示：

式中：N：待选站址总数；X_j：决策变量；N_CS,max：最大站点数；在该待选站址建设充电站其值为1，否则为0。

11.如权利要求1所述的规划充电服务网络的方法，其特征在于，所述对所述多目标数学模型进行迭代求解，得到所述充电服务网络的划分方案，包括：

基于待规划区域内电动汽车、配电网、分布式电源信息随机生成初始化站址，利用Voronoi图对各站址的服务区进行划分；

基于Voronoi图划分的服务范围和非劣算法NSGA‐2，对所述多目标数学模型进行迭代求解，得到的最优解；

所述最优解为充电服务网络的划分方案。

12.一种多目标规划充电服务网络的系统，其特征在于，所述系统包括：

获取模块，用于获取待规划区域内的电动汽车、分布式电源和配电网信息；

处理模块，用于将所述待规划区域内的电动汽车、分布式电源和配电网信息输入预先构建的多目标数学模型；所述预先构建的多目标数学模型根据充电服务网络的影响因素确定；

求解模块，用于对所述多目标数学模型进行迭代求解，得到所述充电服务网络的划分方案。

13.如权利要求12所述的一种多目标规划充电服务网络的系统，其特征在于，进一步包括：

构建模块，用于在将所述待规划区域内的电动汽车、分布式电源和配电网信息输入预先构建的多目标数学模型之前，预先根据充电服务网络的影响因素确定多目标函数，并为所述多目标函数确定约束条件，构建多目标数学模型。

14.如权利要求12所述一种多目标规划充电服务网络系统，其特征在于，所述求解模块，包括：

划分单元，用于基于待规划区域内电动汽车、配电网、分布式电源信息随机生成初始化站址，利用Voronoi图对各站址的服务区进行划分；

求解单元，用于基于Voronoi图划分的服务范围和非劣算法NSGA‐2，对所述多目标数学模型进行迭代求解，得到的最优解；所述最优解为充电服务网络的划分方案。