CN110059869B - 一种基于交通流量的充电站与配电网协调规划方法 - Google Patents

Abstract

本发明涉及电动汽车技术领域，具体公开了一种基于交通流量的充电站与配电网协调规划方法，其中，所述基于交通流量的充电站与配电网协调规划方法包括：根据交通流量计算电动汽车充电需求；根据电动汽车充电需求形成充电站与配电网协调规划模型；求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案。本发明提供的基于交通流量的充电站与配电网协调规划方法能够兼顾各方利益，减小对电网的不良影响，实现资源的优化配置将是需要重点研究的内容。

Description

一种基于交通流量的充电站与配电网协调规划方法

技术领域

本发明涉及电动汽车技术领域，尤其涉及一种基于交通流量的充电站与配电网协调规划方法。

背景技术

随着资源紧缺和环境压力的不断增大，节能减排越来越受到人们的重视，电动汽车因其节能环保的特点而成为各国政府和相关企业争相发展的对象。电动汽车充电站是电动汽车推广应用的前提和基础，必须在准确考虑充换电负荷电力电量特性的基础上适当超前规划。充电站作为配电网增供终端推动负荷增长的同时，在可靠性、电能质量、充换容量等方面受制于配电网，交通网络的规划布局和电动汽车用户的便利程度同样影响着充电站的规划建设。如何合理地协调各方面影响因素，兼顾各方利益，减小对电网的不良影响，实现资源的优化配置将是需要重点研究的内容。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种基于交通流量的充电站与配电网协调规划方法，以解决现有技术中的问题。

作为本发明的一个方面，提供一种基于交通流量的充电站与配电网协调规划方法，其中，所述基于交通流量的充电站与配电网协调规划方法包括：

根据交通流量计算电动汽车充电需求；

根据电动汽车充电需求形成充电站与配电网协调规划模型；

求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案。

优选地，所述根据交通流量计算电动汽车充电需求包括：

根据路口节点的交通流量密度、T时间段路口节点需要充电的电动汽车数量和充电站服务范围内T时间段需要充电的电动汽车数量计算电动汽车充电需求。

优选地，所述根据电动汽车充电需求形成充电站与配电网协调规划模型包括：

根据充电站投资成本、运维成本和用户充电损耗成本确定充电站与配电网协调规划的目标函数；

根据配电网潮流方程、变电站和变压器容量约束、允许接入的电动汽车最大充电功率约束及充电站接入点容量约束确定充电站与配电网协调规划的确定性约束；

根据电压约束和馈线最大电流约束确定充电站与配电网协调规划的机会约束；

根据充电站与配电网协调规划的目标函数、充电站与配电网协调规划的确定性约束和充电站与配电网协调规划的机会约束形成充电站与配电网协调规划模型。

优选地，所述求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案包括：

根据量子粒子群算法求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案。

优选地，所述根据量子粒子群算法求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案包括：

根据电力负荷的随机分布函数和电动汽车充电负荷的随机分布函数获得随机变量模型；

初始化种群大小和粒子维度，并根据求解精度设定种群最大迭代次数；

初始化种群的局部最优值和全局最优值；

计算种群的中心；

更新种群中的所有粒子；

计算所有粒子适应度，并更新种群的局部最优值和全局最优值；

判断种群的局部最优值和全局最优值是否均满足收敛条件；

若满足，则结束迭代，得到充电站与配电网协调规划方案，否则返回进行下一轮迭代。

优选地，所述电力负荷的随机分布函数表示为：

其中，E_L表示电力负荷，

和

分布表示电力负荷的期望值和标准差。

优选地，所述电动汽车充电负荷的随机分布函数表示为：

其中，μ_D＝3.7，σ_D＝0.92。

优选地，所述计算种群的中心包括：

其中，M表示种群大小，p_i表示粒子当前最好位置，mbest表示种群的中心。

优选地，所述更新种群中的所有粒子包括：

每个粒子的位置由概率密度函数表示为：

其中，L表示每个粒子的搜索空间，μ表示0到1的随机数；

量子粒子群算法的迭代方程为：

其中，β表示收缩-扩张系数，p＝α·pbest+(1-α)·gbest，β＝1.0-Dge/Maxge·0.5，α表示0到1的随机数，Dge表示当前迭代次数，Maxge表示最大迭代次数。

本发明提供的基于交通流量的充电站与配电网协调规划方法，依据交通流量计算电动汽车充电需求，然后以配电网和充电站投资成本、运维成本及损耗成本的期望值最小为目标函数，综合考虑配电网和充电站多种约束条件，建立充电站与配电网的协调概率规划模型，并采用机会约束模型处理规划中不确定因素造成的风险，最后采用量子粒子群算法予以求解，建立充电站与配电网的协调概率规划模型，改进了现有模型，使其更接近实际运行工况，能够兼顾各方利益，减小对电网的不良影响，实现资源的优化配置将是需要重点研究的内容。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1为本发明提供的基于交通流量的充电站与配电网协调规划方法的流程图。

图2为本发明提供的量子粒子群算法的流程图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

作为本发明的一个方面，提供一种基于交通流量的充电站与配电网协调规划方法，其中，如图1所示，所述基于交通流量的充电站与配电网协调规划方法包括：

S110、根据交通流量计算电动汽车充电需求；

S120、根据电动汽车充电需求形成充电站与配电网协调规划模型；

S130、求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案。

本发明提供的基于交通流量的充电站与配电网协调规划方法，依据交通流量计算电动汽车充电需求，然后以配电网和充电站投资成本、运维成本及损耗成本的期望值最小为目标函数，综合考虑配电网和充电站多种约束条件，建立充电站与配电网的协调概率规划模型，并采用机会约束模型处理规划中不确定因素造成的风险，最后采用量子粒子群算法予以求解，建立充电站与配电网的协调概率规划模型，改进了现有模型，使其更接近实际运行工况，能够兼顾各方利益，减小对电网的不良影响，实现资源的优化配置将是需要重点研究的内容。

具体地，所述根据交通流量计算电动汽车充电需求包括：

根据路口节点的交通流量密度、T时间段路口节点需要充电的电动汽车数量和充电站服务范围内T时间段需要充电的电动汽车数量计算电动汽车充电需求。

关于路口节点的交通流量密度，在计算电动汽车的充电需求时，将路网中的交通流量用每个路口节点的交通流量来表示。设与路口节点j相连的路段数为w，用符号j′_f表示与节点j相连的第f个路口节点，f＝1，2，3，...，w；

表示t时刻节点j与节点j′_f相连的第f条路段的交通流量密度，则节点j在t时刻的交通流量密度

可表示为：

关于T时间段路口节点需要充电的电动汽车数量，由于任一路段的交通流都是双向的、非对称的，所以在计算路口节点的交通流量密度时，应取统一流向，即统一取流入(或流出)节点的车流数据。T时间段内路口节点j需要充电的电动汽车数量q'_j可表示为：

其中，α为电动汽车所占比例；β为所有电动汽车中需要充电的汽车所占比例，即电动汽车的充电率。

关于充电站服务范围内T时间段需要充电的电动汽车数量，若充电站i的服务范围内有n_i个路口节点，则充电站i服务范围内T时间段需要充电的电动汽车数量Q_i可表示为：

具体地，所述根据电动汽车充电需求形成充电站与配电网协调规划模型包括：

根据充电站投资成本、运维成本和用户充电损耗成本确定充电站与配电网协调规划的目标函数；

根据配电网潮流方程、变电站和变压器容量约束、允许接入的电动汽车最大充电功率约束及充电站接入点容量约束确定充电站与配电网协调规划的确定性约束；

根据电压约束和馈线最大电流约束确定充电站与配电网协调规划的机会约束；

根据充电站与配电网协调规划的目标函数、充电站与配电网协调规划的确定性约束和充电站与配电网协调规划的机会约束形成充电站与配电网协调规划模型。

关于目标函数，考虑交通流量的充电站与配电网协调概率规划模型以投资成本、运维成本和用户充电损耗成本的随机期望值最小为目标函数，其中，充电站i的建设投资年费用为：

其中，e_i是充电站i配置的变压器数量；a为变压器的单价；m_i为充电站i配置的充电机数量；b为充电机的单价；l_i为充电站接入配电网的中压线路长度；c_i为中压线路的单位造价；ω_i为充电站i的基建费用；r₀为贴现率；Y为运行年限。

充电站的运行维护费用主要包括充电站的设备检修维护费用、设备折旧费用和人员工资等。一般情况下，可以考虑年运行维护费用按照初期投资的百分比进行计算，若比例因子为η，则充电站i的年运行维护费用为：

C_ope＝(e_ia+m_ib+l_ic_i+ω_i)·η。

每年用户在充电路程中的损耗成本主要包括用户在充电路程中所产生的空驶电量损耗成本h₁和间接损耗成本h₂。其函数为：

C_loss＝h₁+h₂，

空驶电量损耗年成本h₁为：

其中，∑L_i为充电站i服务范围内所有充电需求点到充电站的综合距离；g为电动汽车单位电量的行驶里程；p为充电电价。

间接损耗年成本h₂为：

其中，k_u为用户的出行时间价值，可由规划区居民的平均收入估算得到；v为电动汽车的平均速度。

则目标函数可表示为：

minf＝E[C_inv+C_ope+C_loss]。

关于确定下约束，考虑交通流量的充电站与配电网协调概率规划模型综合考虑了配电网和充电站多种约束条件，包括配电网潮流方程，变电站和变压器容量约束，允许接入的电动汽车最大充电功率约束，充电站接入点容量约束。

关于机会约束，配电网中存在多种随机变量，给协调规划带来不确定的风险，而机会约束规划则用于解决在给定置信度水平下具有不确定性因素的优化问题。本发明将节点电压约束和馈线最大电流约束改为机会约束形式，可表示为：

P_r{V_i,min≤V_i≤V_i,max}≥β_V，

P_r{|I_ij|≤I_ij,max}≥β_I，

其中，P_r{·}π表示机会约束成立的概率；V_i表示节点i的电压；V_i,max、V_i,min分别表示节点i电压的上下限；β_V表示电压上下限约束的置信水平；I_ij表示馈线ij的电流；I_ij,max表示馈线ij电流的最大值；β_I表示馈线最大电流约束的置信水平。

具体地，所述求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案包括：

根据量子粒子群算法求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案。

具体地，如图2所示，所述根据量子粒子群算法求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案包括：

根据电力负荷的随机分布函数和电动汽车充电负荷的随机分布函数获得随机变量模型；

初始化种群大小和粒子维度，并根据求解精度设定种群最大迭代次数；

初始化种群的局部最优值和全局最优值；

计算种群的中心；

更新种群中的所有粒子；

计算所有粒子适应度，并更新种群的局部最优值和全局最优值；

判断种群的局部最优值和全局最优值是否均满足收敛条件；

若满足，则结束迭代，得到充电站与配电网协调规划方案，否则返回进行下一轮迭代。

具体地，所述电力负荷的随机分布函数表示为：

其中，E_L表示电力负荷，

和

分布表示电力负荷的期望值和标准差。

需要说明的是，电力负荷预测存在一定的误差，上面电力负荷的随机分布函数表示是假设它们均服从正态分布的情况下得到的。

具体地，所述电动汽车充电负荷的随机分布函数表示为：

其中，μ_D＝3.7，σ_D＝0.92。

需要说明的是，电动汽车的行驶里程决定了汽车的耗电量，不同类型的电动汽车其行驶里程不同。参照2009年美国交通部统计的家用车行驶调查数据，对统计结果进行拟合，发现私家车用户的日行驶里程满足对数正态分布，因此，得到上述电动汽车充电负荷的随机分布函数表示式。

具体地，所述计算种群的中心包括：

其中，M表示种群大小，p_i表示粒子当前最好位置，mbest表示种群的中心。

所述更新种群中的所有粒子包括：

每个粒子的位置由概率密度函数表示为：

其中，L表示每个粒子的搜索空间，μ表示0到1的随机数；

量子粒子群算法的迭代方程为：

其中，β表示收缩-扩张系数，p＝α·pbest+(1-α)·gbest，β＝1.0-Dge/Maxge·0.5，α表示0到1的随机数，Dge表示当前迭代次数，Maxge表示最大迭代次数。

本发明提供的基于交通流量的充电站与配电网协调规划方法，依据交通流量计算电动汽车充电需求，以配电网和充电站投资成本、运维成本及损耗成本的期望值最小为目标函数，综合考虑配电网和充电站多种约束条件，采用机会约束模型处理规划中不确定因素造成的风险，建立充电站与配电网的协调概率规划模型，改进了现有模型，使其更接近实际运行工况。

另外，协调了各方面影响因素，兼顾了规划经济性、配电网的安全性及电动汽车用户的便利性，实现了资源的优化配置。量子粒子群算法融合了量子进化算法的概率性和粒子群算法的更新策略，在全局寻优能力和保持种群多样性方面表现出了较大优势，寻优速度快，鲁棒性强。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (7)

1.一种基于交通流量的充电站与配电网协调规划方法，其特征在于，所述基于交通流量的充电站与配电网协调规划方法包括：

根据交通流量计算电动汽车充电需求；

根据电动汽车充电需求形成充电站与配电网协调规划模型；

求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案；

所述求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案包括：

根据量子粒子群算法求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案；

所述根据量子粒子群算法求解充电站与配电网协调规划模型中的最小目标函数，得到充电站与配电网协调规划方案包括：

根据电力负荷的随机分布函数和电动汽车充电负荷的随机分布函数获得随机变量模型；

初始化种群大小和粒子维度，并根据求解精度设定种群最大迭代次数；

初始化种群的局部最优值和全局最优值；

计算种群的中心；

更新种群中的所有粒子；

计算所有粒子适应度，并更新种群的局部最优值和全局最优值；

判断种群的局部最优值和全局最优值是否均满足收敛条件；

若满足，则结束迭代，得到充电站与配电网协调规划方案，否则返回进行下一轮迭代。

2.根据权利要求1所述的基于交通流量的充电站与配电网协调规划方法，其特征在于，所述根据交通流量计算电动汽车充电需求包括：

根据路口节点的交通流量密度、T时间段路口节点需要充电的电动汽车数量和充电站服务范围内T时间段需要充电的电动汽车数量计算电动汽车充电需求。

3.根据权利要求1所述的基于交通流量的充电站与配电网协调规划方法，其特征在于，所述根据电动汽车充电需求形成充电站与配电网协调规划模型包括：

根据充电站投资成本、运维成本和用户充电损耗成本确定充电站与配电网协调规划的目标函数；

根据配电网潮流方程、变电站和变压器容量约束、允许接入的电动汽车最大充电功率约束及充电站接入点容量约束确定充电站与配电网协调规划的确定性约束；

根据电压约束和馈线最大电流约束确定充电站与配电网协调规划的机会约束；

根据充电站与配电网协调规划的目标函数、充电站与配电网协调规划的确定性约束和充电站与配电网协调规划的机会约束形成充电站与配电网协调规划模型。

4.根据权利要求1所述的基于交通流量的充电站与配电网协调规划方法，其特征在于，所述电力负荷的随机分布函数表示为：

其中，E_L表示电力负荷，

和

分布表示电力负荷的期望值和标准差。

5.根据权利要求1所述的基于交通流量的充电站与配电网协调规划方法，其特征在于，所述电动汽车充电负荷的随机分布函数表示为：

其中，μ_D＝3.7，σ_D＝0.92。

6.根据权利要求1所述的基于交通流量的充电站与配电网协调规划方法，其特征在于，所述计算种群的中心包括：

其中，M表示种群大小，p_i表示粒子当前最好位置，mbest表示种群的中心。

7.根据权利要求1所述的基于交通流量的充电站与配电网协调规划方法，其特征在于，所述更新种群中的所有粒子包括：

每个粒子的位置由概率密度函数表示为：

其中，L表示每个粒子的搜索空间，μ表示0到1的随机数；

量子粒子群算法的迭代方程为：

其中，β表示收缩-扩张系数，p＝α·pbest+(1-α)·gbest，β＝1.0-Dge/Maxge·0.5，α表示0到1的随机数，Dge表示当前迭代次数，Maxge表示最大迭代次数。

Images