CN110163445A - 一种电动汽车充电站选址方法、系统及相关装置 - Google Patents
一种电动汽车充电站选址方法、系统及相关装置 Download PDFInfo
- Publication number
- CN110163445A CN110163445A CN201910451648.3A CN201910451648A CN110163445A CN 110163445 A CN110163445 A CN 110163445A CN 201910451648 A CN201910451648 A CN 201910451648A CN 110163445 A CN110163445 A CN 110163445A
- Authority
- CN
- China
- Prior art keywords
- result
- charging station
- electric automobile
- automobile charging
- electric
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000010586 diagram Methods 0.000 claims abstract description 27
- 239000002245 particle Substances 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000012614 Monte-Carlo sampling Methods 0.000 claims abstract description 20
- 230000005611 electricity Effects 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009440 infrastructure construction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002948 stochastic simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请所提供的一种电动汽车充电站选址方法,包括:利用蒙特卡洛抽样算法确定目标区域内的充电需求期望值;基于粒子群算法和Voronoi图确定满足充电需求期望值的电动汽车充电站的初步选址结果;根据目标区域的历史光伏数据,对初步选址结果执行优化操作,并确定电动汽车充电站的选址结果。该方法在确定初步选址结果后,根据历史光伏数据对初步选址结果执行优化操作,即依据目标区域内光伏电站的光伏发电情况对初步选址结果进行优化调整,利用光伏电站为电动汽车充电站提供电力,能够减少后续电动汽车充电时对电网的冲击,维持电网的运行稳定性与经济性。本申请还提供一种电动汽车充电站选址系统、设备及计算机可读存储介质,均具有上述有益效果。
Description
技术领域
本申请涉及电动汽车充电站选址领域,特别涉及一种电动汽车充电站选址方法、系统、设备及计算机可读存储介质。
背景技术
随着全球环境的恶化以及资源的衰竭,电动汽车作为一种新型的环保出行工具越来越受到大家青睐,跟燃油汽车相比,电动汽车具有低排放、噪音小和经济型高等优点,有助于改善空气、缓解全球变暖,具有很大的发展潜力。随着电动汽车数量的飞速增长,充电基础设施的需求越来越多,而目前我国电动汽车的充电基础设施建设相对缓慢,已然成为了制约电动汽车发展的重要因素之一,因此充电基础设施建设成为了当前的热点问题。
而建设充电基础设施的前提需要合理地进行电动汽车充电站的选址,目前常用的电动汽车充电站选址方法是先建立电动汽车充电站选址的数学模型,再利用Voronoi图和改进粒子群算法结合确定电动汽车充电站的选址结果。但是,该方法的选址结果易导致后续电动汽车充电时对电网的强烈冲击,令相关节点的电压下降,危及电网的运行稳定性与经济性,同时会降低城市电动汽车用户的出行便利性,不利于交通网络的组织规划,从而阻碍电动汽车的普及。
因此,如何对电动汽车充电站进行选址,减少后续电动汽车充电时对电网的冲击,维持电网的运行稳定性与经济性是本领域技术人员亟需解决的技术问题。
发明内容
本申请的目的是提供一种电动汽车充电站选址方法、系统、设备及计算机可读存储介质,能够减少后续电动汽车充电时对电网的冲击,维持电网的运行稳定性与经济性。
为解决上述技术问题,本申请提供一种电动汽车充电站选址方法,包括:
利用蒙特卡洛抽样算法确定目标区域内的充电需求期望值;
基于粒子群算法和Voronoi图确定满足所述充电需求期望值的电动汽车充电站的初步选址结果;
根据所述目标区域的历史光伏数据,对所述初步选址结果执行优化操作,并确定所述电动汽车充电站的选址结果。
优选地,所述根据所述目标区域的历史光伏数据,对所述初步选址结果执行优化操作,并确定所述电动汽车充电站的选址结果,包括:
采用基于密度的k-means聚类算法对所述历史光伏数据进行聚类,并将数量最多的聚类结果作为典型日光伏出力结果;
利用所述典型日光伏出力结果确定区域电动汽车充电负荷曲线带,并将所述区域电动汽车充电负荷曲线带的最低线作为区域电动汽车充电需求曲线;
基于所述区域电动汽车充电需求曲线,对所述初步选址结果执行优化操作,并确定所述电动汽车充电站的所述选址结果。
优选地,所述基于粒子群算法和Voronoi图确定满足所述充电需求期望值的电动汽车充电站的初步选址结果,包括:
基于所述粒子群算法和所述Voronoi图,将预设数量的初始站址中综合成本最低的初始站址确定为所述初步选址结果。
优选地,所述利用蒙特卡洛抽样算法确定目标区域内的充电需求期望值,包括:
利用所述蒙特卡洛抽样算法分别确定所述目标区域内电动汽车的充电起始时刻样本空间及充电持续时长样本空间;
利用预设的时间样本空间、所述充电起始时刻样本空间及所述充电持续时长样本空间,判断所述电动汽车是否处于充电状态;
若所述电动汽车处于所述充电状态,计算各个预设时段的充电需求期望值。
本申请还提供一种电动汽车充电站选址系统,包括:
充电需求期望值确定模块,用于利用蒙特卡洛抽样算法确定目标区域内的充电需求期望值;
初步选址结果确定模块,用于基于粒子群算法和Voronoi图确定满足所述充电需求期望值的电动汽车充电站的初步选址结果;
选址结果确定模块,用于根据所述目标区域的历史光伏数据,对所述初步选址结果执行优化操作,并确定所述电动汽车充电站的选址结果。
优选地,所述选址结果确定模块,包括:
历史光伏数据聚类单元,用于采用基于密度的k-means聚类算法对所述历史光伏数据进行聚类,并将数量最多的聚类结果作为典型日光伏出力结果;
区域电动汽车充电需求曲线确定单元,用于利用所述典型日光伏出力结果确定区域电动汽车充电负荷曲线带,并将所述区域电动汽车充电负荷曲线带的最低线作为区域电动汽车充电需求曲线;
选址结果确定单元,用于基于所述区域电动汽车充电需求曲线,对所述初步选址结果执行优化操作,并确定所述电动汽车充电站的所述选址结果。
优选地,所述初步选址结果确定模块,包括:
初步选址结果确定单元,用于基于所述粒子群算法和所述Voronoi图,将预设数量的初始站址中综合成本最低的初始站址确定为所述初步选址结果。
优选地,所述充电需求期望值确定模块,包括:
样本空间确定单元,用于利用所述蒙特卡洛抽样算法分别确定所述目标区域内电动汽车的充电起始时刻样本空间及充电持续时长样本空间;
充电状态判断单元,用于利用预设的时间样本空间、所述充电起始时刻样本空间及所述充电持续时长样本空间,判断所述电动汽车是否处于充电状态;
充电需求期望值计算单元,用于若所述电动汽车处于所述充电状态,计算各个预设时段的充电需求期望值。
本申请还提供一种设备,包括:
存储器和处理器;其中,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序时实现上述所述的电动汽车充电站选址方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的电动汽车充电站选址方法的步骤。
本申请所提供的一种电动汽车充电站选址方法,包括:利用蒙特卡洛抽样算法确定目标区域内的充电需求期望值;基于粒子群算法和Voronoi图确定满足所述充电需求期望值的电动汽车充电站的初步选址结果;根据所述目标区域的历史光伏数据,对所述初步选址结果执行优化操作,并确定所述电动汽车充电站的选址结果。
该方法在基于粒子群算法和Voronoi图确定满足充电需求期望值的电动汽车充电站的初步选址结果后,根据目标区域的历史光伏数据对初步选址结果执行优化操作,也即依据目标区域内光伏电站的光伏发电情况对初步选址结果进行优化调整,利用光伏电站为电动汽车充电站提供一部分的电力,能够减少后续电动汽车充电时对电网的冲击,维持电网的运行稳定性与经济性。本申请还提供一种电动汽车充电站选址系统、设备及计算机可读存储介质,均具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种电动汽车充电站选址方法的流程图;
图2为本申请实施例所提供的一种电动汽车充电站选址系统的结构框图。
具体实施方式
本申请的核心是提供一种电动汽车充电站选址方法,能够减少后续电动汽车充电时对电网的冲击,维持电网的运行稳定性与经济性。本申请的另一核心是提供一种电动汽车充电站选址系统、设备及计算机可读存储介质。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
随着全球环境的恶化以及资源的衰竭,电动汽车作为一种新型的环保出行工具越来越受到大家青睐,跟燃油汽车相比,电动汽车具有低排放、噪音小和经济型高等优点,有助于改善空气、缓解全球变暖,具有很大的发展潜力。随着电动汽车数量的飞速增长,充电基础设施的需求越来越多,而目前我国电动汽车的充电基础设施建设相对缓慢,已然成为了制约电动汽车发展的重要因素之一,因此充电基础设施建设成为了当前的热点问题。
而建设充电基础设施的前提需要合理地进行电动汽车充电站的选址,目前常用的电动汽车充电站选址方法是先建立电动汽车充电站选址的数学模型,再利用Voronoi图和改进粒子群算法结合确定电动汽车充电站的选址结果。但是,该方法的选址结果易导致后续电动汽车充电时对电网的强烈冲击,令相关节点的电压下降,危及电网的运行稳定性与经济性,同时会降低城市电动汽车用户的出行便利性,不利于交通网络的组织规划,从而阻碍电动汽车的普及。本申请提供的一种电动汽车充电站选址方法,能够减少后续电动汽车充电时对电网的冲击,维持电网的运行稳定性与经济性。具体请参考图1,图1为本申请实施例所提供的一种电动汽车充电站选址方法的流程图,该电动汽车充电站选址方法具体包括:
S101、利用蒙特卡洛抽样算法确定目标区域内的充电需求期望值;
本申请实施例利用蒙特卡洛抽样算法确定目标区域内的充电需求期望值,在此对于目标区域不作具体限定,应由本领域技术人员根据实际情况作出相应的设定。蒙特卡洛抽样算法,或称为计算机随机模拟方法或随机抽样方法,属于计算数学的一个分支,蒙特卡洛抽样算法的模拟功能很强,依据概率统计能够建立起有效的数学模型,降低与现实模型的误差,本申请实施例基于蒙特卡洛抽样算法确定电动汽车随机充电负荷的主要因素为充电开始时刻、充电功率和充电持续时间:
(1)充电开始时刻:通过对电动汽车的充电情况进行统计,得到电动汽车用户的开始充电时刻的分布规律,然后采用正态分布进行估计,得到连续的电动汽车开始充电时刻概率密度函数。
(2)充电功率:电动汽车的整个充电过程中充电功率不是定值,因此采用功率有效值将充电过程等效为恒功率充电,功率有效值的概念为:以该恒定的功率对电动汽车充电,将电池充满的时间与采用实际充电方式充满电池的时间相同。本实施例用这种等效后的恒定功率值来代替电动汽车的充电功率。
(3)充电持续时间:电动汽车的充电持续时间由电动汽车充电量和充电功率决定,持续时间按以下公式计算:
式中,QD是电动汽车的充电量,t是充电时长,k是充电机的充电效率,Pch arg e是充电功率有效值。
进一步地,上述利用蒙特卡洛抽样算法确定目标区域内的充电需求期望值,通常包括:利用蒙特卡洛抽样算法分别确定目标区域内电动汽车的充电起始时刻样本空间及充电持续时长样本空间;利用预设的时间样本空间、充电起始时刻样本空间及充电持续时长样本空间,判断电动汽车是否处于充电状态;若电动汽车处于充电状态,计算各个预设时段的充电需求期望值。
具体地,采用蒙特卡洛抽样算法,由充电起始时刻和充电持续时长的概率密度函数分别生成充电起始时刻样本空间Tt和充电持续时长样本空间Tch arg e,然后通过预设的时间样本空间T用来判断电动汽车是否处于充电状态,若T∈[Tt,Tch arg e],则表示电动汽车处于充电状态,反之则不是。最后按照下式得出电动汽车的充电需求期望值:
式中,Pc(i)为第i个时段的充电需求期望值,Pch arg e为电动汽车充电功率,N(i)是T的第i个时刻的样本数,n(i)是T的第i个时刻的处于充电状态的样本数。
S102、基于粒子群算法和Voronoi图确定满足充电需求期望值的电动汽车充电站的初步选址结果;
本申请实施例基于粒子群算法和沃罗诺伊图(Voronoi)确定满足充电需求期望值的电动汽车充电站的初步选址结果,在此对于初步选址结果的确定过程不作具体限定,应由本领域技术人员根据实际情况作出相应的设定。Voronoi图是解决几何问题的一种有效工具,现阶段已在几何学、地理学、晶体建筑学、信息技术等领域有着广泛的应用。进一步地,上述基于粒子群算法和Voronoi图确定满足充电需求期望值的电动汽车充电站的初步选址结果,通常包括:基于粒子群算法和Voronoi图,将预设数量的初始站址中综合成本最低的初始站址确定为初步选址结果。
对于电动汽车充电站的选址来说,在满足电网供应能力、规划区用户充电的情况下,充电站数量、位置分布以及容量大小将有多种可行方案,因此需要在每一种可行方案中寻找最优解,电动汽车充电站运营商的建设维护成本费用是关于充电站数量的离散增函数,而用户的充电出行成本是关于充电站数量的离散减函数,因此需要考虑将双方综合成本在所有可行方案中取到最小值,综合成本C如下式所示:
C=C1i+C2i+C3i
式中,C1i为充电站的年建设成本,C2i为运营维护年成本,C3i是电动汽车用户出行年成本。
(1)充电站的年建设成本可由下式表示:
式中,C1i为充电站的年建设成本,e1为变压器的投资成本,e2为充电机的投资成本,r0为贴现率,y为运营年数。
(2)运营维护年成本由多项部分组成,各项部分的研究较为复杂,因此本实施例中将投资成本按照比例缩小作为充电站的运营维护年成本,具体如下式所示:
C2i=(e1+e2)η
式中,C2i为运营维护年成本,e1为变压器的投资成本,e2为充电机的投资成本,η为缩小比率。
(3)电动汽车用户出行年成本即用户前往充电站的路途中所花费的年成本,如下式所示:
式中,C3i是电动汽车用户出行年成本,L是需要充电的用户到其归属的充电站的距离之和,nev是充电站服务范围内需要充电的电动汽车平均数量,di是第i个电动汽车距离充电站的距离,gk是电动汽车每单位电量的行驶距离,p是电动汽车的充电电价。
沃罗诺伊图(Voronoi)将平面图形用直线划成若干块,每块区域都有中心点,在区域里的任一个点到其对应中心的欧式距离都小于到其他中心点的欧式距离。数学方法表示如下:
V(Ri)={x∈V(Ri)|d(x,Ri)<d(x,Rj)}
式中,V(Ri)表示任一区域,x表示该区域内的任一点,i=1,2,3,4...n和j=1,2,3,4...n且i≠j,Ri、Rj均为平面上区域的中心点,d(x,Ri)表示点x到Ri的欧式距离,d(x,Rj)表示点x到Rj的欧式距离。
依据上述说明,上述基于粒子群算法和Voronoi图,将预设数量的初始站址中综合成本最低的初始站址确定为初步选址结果,具体过程如下:
1)确定需要建立的电动汽车充电站数量m和迭代次数;
2)随机生成多组m个初始站址;
3)采用Voronoi图对这m个初始站址进行服务范围划分,从而得到范围内充电需求;确定充电机配置,从而计算适应度函数,即综合成本C;
4)更新综合成本个体与全局最优值;
5)更新粒子群位置与粒子速度;
6)若迭代未完成,则转步骤3);若迭代完成,则输出全局最优值并退出。
S103、根据目标区域的历史光伏数据,对初步选址结果执行优化操作,并确定电动汽车充电站的选址结果。
本申请实施例中根据目标区域的历史光伏数据,对初步选址结果执行优化操作,也即依据目标区域内光伏电站的光伏发电情况对初步选址结果进行优化调整,最终确定电动汽车充电站的选址结果。光伏电站可以将太阳能转换为电能,其是一种可再生能源,本申请实施例将可再生电源与电动汽车充电站结合,既能减少电动汽车充电时对电网的冲击,又可以减少可再生电源在线路中传输引起的损耗。
进一步地,上述根据目标区域的历史光伏数据,对初步选址结果执行优化操作,并确定电动汽车充电站的选址结果,通常包括:采用基于密度的k-means聚类算法对历史光伏数据进行聚类,并将数量最多的聚类结果作为典型日光伏出力结果;利用典型日光伏出力结果确定区域电动汽车充电负荷曲线带,并将区域电动汽车充电负荷曲线带的最低线作为区域电动汽车充电需求曲线;基于区域电动汽车充电需求曲线,对初步选址结果执行优化操作,并确定电动汽车充电站的选址结果。
具体地,选取目标区域中光伏电站的历史光伏数据,采用基于密度的k-means聚类算法对历史光伏数据进行聚类,并将数量最多的聚类结果作为典型日光伏出力结果;由于光伏出力具有波动性,本申请实施例假设光伏出力在聚类中心线上下波动,波动率为30%,将典型日光伏出力结果与区域电动汽车充电负荷曲线叠加,得到区域电动汽车充电负荷曲线带,并将区域电动汽车充电负荷曲线带的最低线作为区域电动汽车充电需求曲线;基于区域电动汽车充电需求曲线,对初步选址结果执行优化操作,并确定电动汽车充电站的选址结果,这样既能减少电动汽车充电时对电网的冲击,又可以减少可再生电源在线路中传输引起的损耗。
此外,为了更合理地进行电动汽车充电站的选址,还会设定一些约束条件,若不满足这些约束条件可能会使得充电站的规划不够合理,更严重的情况可能会使配电网出现安全问题,比如使电网部分节点功率越限,变压器容量达到上限等。下面是充电站自身和配电网的一些相关约束条件:
1)单个充电站的充电桩数量约束
单个充电站的容量应该限制在合理范围,充电站的容量应该满足其服务范围内的所有充电需求,但是不能超过其连接的配电网的负荷节点的供电能力,因此充电站的充电桩数量约束如下式所示:
式中,mi为充电站i的充电桩数量,pm为单个充电桩的充电功率,Si为充电站i服务范围内的充电需求,Slim为充电站i连接的配电网负荷节点的功率上限。
2)充电站的数量约束
目标区域内充电站的数量应该限制在合理范围,可利用目标区域的总充电需求及充电站的最小容量限制和最大容量限制来预估充电站的数量范围,因此充电站的数量约束如下式所示:
式中,Nmin是充电站的数量最小值,Nmax是充电站的数量最大值,Q为目标区域的充电总需求,Smin是充电站的最小容量限制,Smax是充电站的最大容量限制。
3)充电站接入节点容量约束
充电站接入负荷节点的充电功率需要满足的约束如下式所示:
Pil+Pl≤Pl max
式中,Pil是充电站i接入到负荷节点l的充电功率,Pl是负荷节点l处的负荷,Pl max是负荷节点l所能允许的最大接入功率。
本申请提供的一种电动汽车充电站选址方法在基于粒子群算法和Voronoi图确定满足充电需求期望值的电动汽车充电站的初步选址结果后,根据目标区域的历史光伏数据对初步选址结果执行优化操作,也即依据目标区域内光伏电站的光伏发电情况对初步选址结果进行优化调整,利用光伏电站为电动汽车充电站提供一部分的电力,能够减少后续电动汽车充电时对电网的冲击,维持电网的运行稳定性与经济性。
下面对本申请实施例提供的一种电动汽车充电站选址系统、设备及计算机可读存储介质进行介绍,下文描述的电动汽车充电站选址系统、设备及计算机可读存储介质与上文描述的电动汽车充电站选址方法可相互对应参照。
请参考图2,图2为本申请实施例所提供的一种电动汽车充电站选址系统的结构框图;该电动汽车充电站选址系统包括:
充电需求期望值确定模块201,用于利用蒙特卡洛抽样算法确定目标区域内的充电需求期望值;
初步选址结果确定模块202,用于基于粒子群算法和Voronoi图确定满足充电需求期望值的电动汽车充电站的初步选址结果;
选址结果确定模块203,用于根据目标区域的历史光伏数据,对初步选址结果执行优化操作,并确定电动汽车充电站的选址结果。
基于上述实施例,本实施例中选址结果确定模块203,通常包括:
历史光伏数据聚类单元,用于采用基于密度的k-means聚类算法对历史光伏数据进行聚类,并将数量最多的聚类结果作为典型日光伏出力结果;
区域电动汽车充电需求曲线确定单元,用于利用典型日光伏出力结果确定区域电动汽车充电负荷曲线带,并将区域电动汽车充电负荷曲线带的最低线作为区域电动汽车充电需求曲线;
选址结果确定单元,用于基于区域电动汽车充电需求曲线,对初步选址结果执行优化操作,并确定电动汽车充电站的选址结果。
基于上述实施例,本实施例中初步选址结果确定模块202,通常包括:
初步选址结果确定单元,用于基于粒子群算法和Voronoi图,将预设数量的初始站址中综合成本最低的初始站址确定为初步选址结果。
基于上述实施例,本实施例中充电需求期望值确定模块201,通常包括:
样本空间确定单元,用于利用蒙特卡洛抽样算法分别确定目标区域内电动汽车的充电起始时刻样本空间及充电持续时长样本空间;
充电状态判断单元,用于利用预设的时间样本空间、充电起始时刻样本空间及充电持续时长样本空间,判断电动汽车是否处于充电状态;
充电需求期望值计算单元,用于若电动汽车处于充电状态,计算各个预设时段的充电需求期望值。
本申请还提供一种设备,包括:存储器和处理器;其中,存储器用于存储计算机程序,处理器用于执行计算机程序时实现上述任意实施例的电动汽车充电站选址方法的步骤。
本申请还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述任意实施例的电动汽车充电站选址方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言,由于其与实施例提供的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种电动汽车充电站选址方法、系统、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种电动汽车充电站选址方法,其特征在于,包括:
利用蒙特卡洛抽样算法确定目标区域内的充电需求期望值;
基于粒子群算法和Voronoi图确定满足所述充电需求期望值的电动汽车充电站的初步选址结果;
根据所述目标区域的历史光伏数据,对所述初步选址结果执行优化操作,并确定所述电动汽车充电站的选址结果。
2.根据权利要求1所述的电动汽车充电站选址方法,其特征在于,所述根据所述目标区域的历史光伏数据,对所述初步选址结果执行优化操作,并确定所述电动汽车充电站的选址结果,包括:
采用基于密度的k-means聚类算法对所述历史光伏数据进行聚类,并将数量最多的聚类结果作为典型日光伏出力结果;
利用所述典型日光伏出力结果确定区域电动汽车充电负荷曲线带,并将所述区域电动汽车充电负荷曲线带的最低线作为区域电动汽车充电需求曲线;
基于所述区域电动汽车充电需求曲线,对所述初步选址结果执行优化操作,并确定所述电动汽车充电站的所述选址结果。
3.根据权利要求1所述的电动汽车充电站选址方法,其特征在于,所述基于粒子群算法和Voronoi图确定满足所述充电需求期望值的电动汽车充电站的初步选址结果,包括:
基于所述粒子群算法和所述Voronoi图,将预设数量的初始站址中综合成本最低的初始站址确定为所述初步选址结果。
4.根据权利要求1所述的电动汽车充电站选址方法,其特征在于,所述利用蒙特卡洛抽样算法确定目标区域内的充电需求期望值,包括:
利用所述蒙特卡洛抽样算法分别确定所述目标区域内电动汽车的充电起始时刻样本空间及充电持续时长样本空间;
利用预设的时间样本空间、所述充电起始时刻样本空间及所述充电持续时长样本空间,判断所述电动汽车是否处于充电状态;
若所述电动汽车处于所述充电状态,计算各个预设时段的充电需求期望值。
5.一种电动汽车充电站选址系统,其特征在于,包括:
充电需求期望值确定模块,用于利用蒙特卡洛抽样算法确定目标区域内的充电需求期望值;
初步选址结果确定模块,用于基于粒子群算法和Voronoi图确定满足所述充电需求期望值的电动汽车充电站的初步选址结果;
选址结果确定模块,用于根据所述目标区域的历史光伏数据,对所述初步选址结果执行优化操作,并确定所述电动汽车充电站的选址结果。
6.根据权利要求5所述的电动汽车充电站选址系统,其特征在于,所述选址结果确定模块,包括:
历史光伏数据聚类单元,用于采用基于密度的k-means聚类算法对所述历史光伏数据进行聚类,并将数量最多的聚类结果作为典型日光伏出力结果;
区域电动汽车充电需求曲线确定单元,用于利用所述典型日光伏出力结果确定区域电动汽车充电负荷曲线带,并将所述区域电动汽车充电负荷曲线带的最低线作为区域电动汽车充电需求曲线;
选址结果确定单元,用于基于所述区域电动汽车充电需求曲线,对所述初步选址结果执行优化操作,并确定所述电动汽车充电站的所述选址结果。
7.根据权利要求5所述的电动汽车充电站选址系统,其特征在于,所述初步选址结果确定模块,包括:
初步选址结果确定单元,用于基于所述粒子群算法和所述Voronoi图,将预设数量的初始站址中综合成本最低的初始站址确定为所述初步选址结果。
8.根据权利要求5所述的电动汽车充电站选址系统,其特征在于,所述充电需求期望值确定模块,包括:
样本空间确定单元,用于利用所述蒙特卡洛抽样算法分别确定所述目标区域内电动汽车的充电起始时刻样本空间及充电持续时长样本空间;
充电状态判断单元,用于利用预设的时间样本空间、所述充电起始时刻样本空间及所述充电持续时长样本空间,判断所述电动汽车是否处于充电状态;
充电需求期望值计算单元,用于若所述电动汽车处于所述充电状态,计算各个预设时段的充电需求期望值。
9.一种设备,其特征在于,包括:
存储器和处理器;其中,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序时实现如权利要求1至4任一项所述的电动汽车充电站选址方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的电动汽车充电站选址方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910451648.3A CN110163445A (zh) | 2019-05-28 | 2019-05-28 | 一种电动汽车充电站选址方法、系统及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910451648.3A CN110163445A (zh) | 2019-05-28 | 2019-05-28 | 一种电动汽车充电站选址方法、系统及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163445A true CN110163445A (zh) | 2019-08-23 |
Family
ID=67629566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910451648.3A Pending CN110163445A (zh) | 2019-05-28 | 2019-05-28 | 一种电动汽车充电站选址方法、系统及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163445A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968837A (zh) * | 2019-11-25 | 2020-04-07 | 南京邮电大学 | 电动汽车充电站选址定容的方法 |
CN111523930A (zh) * | 2020-04-17 | 2020-08-11 | 国网上海市电力公司 | 城市电动出租车充电站选址和服务范围划分的规划方法 |
CN111882457A (zh) * | 2020-07-31 | 2020-11-03 | 广东电力信息科技有限公司 | 一种变电站选址方法及装置 |
DE102020110236A1 (de) | 2020-04-15 | 2021-10-21 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Bestimmen zumindest einer Position von einer elektrischen Ladeeinrichtung innerhalb einer vorgegebenen Region, computerlesbares Speichermedium sowie elektronische Recheneinrichtung |
CN114662984A (zh) * | 2022-04-19 | 2022-06-24 | 国网浙江电动汽车服务有限公司 | 一种车辆区域充电需求的分析方法、装置及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105958625A (zh) * | 2016-06-07 | 2016-09-21 | 北京交通大学 | 计及光伏出力的电动汽车日充电数量的优化配置方法 |
CN106295860A (zh) * | 2016-07-29 | 2017-01-04 | 国网山东省电力公司经济技术研究院 | 一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法 |
CN107480825A (zh) * | 2017-08-17 | 2017-12-15 | 广东电网有限责任公司电力科学研究院 | 一种计及容量可信度的光伏电站优化规划方法 |
CN108805321A (zh) * | 2017-05-02 | 2018-11-13 | 南京理工大学 | 一种电动汽车充电站规划方法 |
CN109117486A (zh) * | 2017-06-23 | 2019-01-01 | 南京理工大学 | 一种电动汽车充电站最优规划方法 |
-
2019
- 2019-05-28 CN CN201910451648.3A patent/CN110163445A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105958625A (zh) * | 2016-06-07 | 2016-09-21 | 北京交通大学 | 计及光伏出力的电动汽车日充电数量的优化配置方法 |
CN106295860A (zh) * | 2016-07-29 | 2017-01-04 | 国网山东省电力公司经济技术研究院 | 一种基于蒙特卡洛模拟法的电动汽车规模化充电需求预测方法 |
CN108805321A (zh) * | 2017-05-02 | 2018-11-13 | 南京理工大学 | 一种电动汽车充电站规划方法 |
CN109117486A (zh) * | 2017-06-23 | 2019-01-01 | 南京理工大学 | 一种电动汽车充电站最优规划方法 |
CN107480825A (zh) * | 2017-08-17 | 2017-12-15 | 广东电网有限责任公司电力科学研究院 | 一种计及容量可信度的光伏电站优化规划方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968837A (zh) * | 2019-11-25 | 2020-04-07 | 南京邮电大学 | 电动汽车充电站选址定容的方法 |
DE102020110236A1 (de) | 2020-04-15 | 2021-10-21 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Bestimmen zumindest einer Position von einer elektrischen Ladeeinrichtung innerhalb einer vorgegebenen Region, computerlesbares Speichermedium sowie elektronische Recheneinrichtung |
CN111523930A (zh) * | 2020-04-17 | 2020-08-11 | 国网上海市电力公司 | 城市电动出租车充电站选址和服务范围划分的规划方法 |
CN111882457A (zh) * | 2020-07-31 | 2020-11-03 | 广东电力信息科技有限公司 | 一种变电站选址方法及装置 |
CN114662984A (zh) * | 2022-04-19 | 2022-06-24 | 国网浙江电动汽车服务有限公司 | 一种车辆区域充电需求的分析方法、装置及介质 |
CN114662984B (zh) * | 2022-04-19 | 2023-04-18 | 国网浙江电动汽车服务有限公司 | 一种车辆区域充电需求的分析方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163445A (zh) | 一种电动汽车充电站选址方法、系统及相关装置 | |
Yang et al. | Investigation of the potential to improve DC fast charging station economics by integrating photovoltaic power generation and/or local battery energy storage system | |
CN104966127B (zh) | 一种基于需求响应的电动汽车经济调度方法 | |
Flath et al. | Improving electric vehicle charging coordination through area pricing | |
Gitizadeh et al. | Battery capacity determination with respect to optimized energy dispatch schedule in grid-connected photovoltaic (PV) systems | |
Wang et al. | Impact of plug-in hybrid electric vehicles on power systems with demand response and wind power | |
Liu et al. | Electric vehicles and large-scale integration of wind power–The case of Inner Mongolia in China | |
Borozan et al. | Strategic network expansion planning with electric vehicle smart charging concepts as investment options | |
CN108334991A (zh) | 一种电动汽车充电站规划方法及系统 | |
CN111244985B (zh) | 基于节点综合灵敏度系数的分布式储能序次优化配置方法 | |
Panwar et al. | Strategic Energy Management (SEM) in a micro grid with modern grid interactive electric vehicle | |
Bayram et al. | A probabilistic capacity planning methodology for plug-in electric vehicle charging lots with on-site energy storage systems | |
Teng et al. | Potential value of energy storage in the UK electricity system | |
CN110175780A (zh) | 一种电动汽车充电站选址方法、系统及相关装置 | |
CN109829834A (zh) | 一种储能系统配置方法、装置和存储介质 | |
Adeoye et al. | Quantifying the integration of renewable energy sources in West Africa's interconnected electricity network | |
CN110991718B (zh) | 一种配电网网格化规划方法 | |
CN110533222A (zh) | 基于峰平谷电价的电动汽车充电负荷预测方法及装置 | |
Qi et al. | When shared autonomous electric vehicles meet microgrids: Citywide energy-mobility orchestration | |
WO2023226368A1 (zh) | 电动汽车集群充放电控制方法、系统及相关设备 | |
Wu et al. | Techno-economic modelling for energy cost optimisation of households with electric vehicles and renewable sources under export limits | |
Reddy et al. | A novel on energy management strategy with maximum exploitation of renewables and EV storage in distribution networks | |
CN109672199B (zh) | 一种基于能量平衡的电动汽车削峰填谷能力估计方法 | |
Wang et al. | Inventory management of battery swapping and charging stations considering uncertainty | |
CN117559563A (zh) | 一种风光储充一体化微网运行方案的优化方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190823 |
|
RJ01 | Rejection of invention patent application after publication |