CN110288132B - 一种基于改进的tlbo算法的电动车充电桩的布局方法 - Google Patents

一种基于改进的tlbo算法的电动车充电桩的布局方法 Download PDF

Info

Publication number
CN110288132B
CN110288132B CN201910491677.2A CN201910491677A CN110288132B CN 110288132 B CN110288132 B CN 110288132B CN 201910491677 A CN201910491677 A CN 201910491677A CN 110288132 B CN110288132 B CN 110288132B
Authority
CN
China
Prior art keywords
distance
dist
charging pile
akd
average value
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
Application number
CN201910491677.2A
Other languages
English (en)
Other versions
CN110288132A (zh
Inventor
王宪保
周红
王辛刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910491677.2A priority Critical patent/CN110288132B/zh
Publication of CN110288132A publication Critical patent/CN110288132A/zh
Application granted granted Critical
Publication of CN110288132B publication Critical patent/CN110288132B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开一种基于改进的TLBO算法的电动车充电桩的布局方法，该方法通过计算从用户需求到充电桩的K距离，并将K距离的邻域点保存在集合Nk‑dist()中，由已知的K距离和K距离邻域点求出K距离的平均值以及K距离平均值的均值，并得到K距离因子；比较K距离的平均值与K距离平均值的均值的大小，得出的结果保存在集合f(x)中，来确定安装充电桩的位置；根据K距离因子，计算出用户需求充电桩的数量。本发明的方法平衡了用户与电动车充电桩位置与数量供求之间的关系，更好的实现人机交互有序充电。

Description

一种基于改进的TLBO算法的电动车充电桩的布局方法
技术领域
本发明属于算法规划领域，具体设计一种基于改进的TLBO算法的电动车充电桩的布局的方法。
背景技术
随着我国电动车数量越来越多，电动车的随机性与流动性愈发之大，相应所需的充电设备也随之增加；同时，电动车充电问题存在许多障碍，用户若自行使用家用电进行充电存在安全隐患。目前我国电动车充电设备供不应求，机体的流动性与随机性，对安装充电桩的位置难以确定，无法解决需求与充电桩量之间关系的平衡性。
对现有的群智能优化算法中，如粒子群算法，DE算法，TLBO算法等，由于本身参数少，算法简单，每个个体都在向目标靠拢聚集，搜索速度快，适合求解低维问题和高维单峰值得优化问题。但是个体的多样性容易丢失，并且在求解多峰值复杂问题时容易陷入局部最优，全局搜索能力较差，不易求得目标函数的全局最优值。
发明内容
针对现有技术的缺陷，本发明一种基于改进的TLBO算法的电动车充电桩的布局方法，该方法基于离散多目标问题，定义K距离和K距离有关的参数，确定用户与电动车充电桩数量以及位置之间的关系。具体技术方案如下：
一种基于改进的TLBO算法的电动车充电桩的布局方法，其特征在于，该方法包括如下步骤：
S1：计算第i个用户需求到第j个充电桩的K距离dist(i，j)，其中i∈D，D为用户需求数据集；
S2：将S1得到的dist(i，j)带入到下式，得到i的K距离领域点Nk-dist(i)
Nk-dist(i)＝{i∈D|Dp(i，j)＝dist(i，j)，dist(i，j)≤k-dist(i)}
式中，Dp(i，j)表示i的K距离领域点Nk-dist(i)集合中元素点的表达式；k-dist(i)表示第i个用户需求到数据集D中每个点的K距离。
S3：将S2中的Nk-dist(i)中所有元素求和，再与k-dist(i)累加后，除以(Nk(j)+1)，得到i的K距离的平均值AKDk(i)，其中，Nk(j)表示第i个用户需求到第j个充电桩的K距离邻域点所有个数。
Figure BDA0002087240470000021
∑Dp(i，j)表示i的K距离领域点每个元素的求和；
S4：将AKDk(i)取得的所有值进行和运算，再除以个数n，得到AKDk(i)的平均值，具体如下式：
Figure BDA0002087240470000022
S5：根据下式计算i的K距离因子KDFk(i)
Figure BDA0002087240470000023
式中，Mk(i)表示第i个用户需求到第j个充电桩的K距离的个数，(∑Dp(i，j))/n表示i的K距离领域点的平均值；
S6：在得到每个i的K距离的平均值AKDk(i)与AKDk(i)的平均值后，设置AKDk(i)<AKDk(i)的平均值的个数为A，AKDk(i)>AKDk(i)的平均值的个数为B，若A<B，则保存所有A的值在集合f(x)中；若A>B，则删除所有B个数的值。得到在集合f(x)中的值，即为安装充电桩位置的集合。
S7：根据下式得到充电桩的需求量关系式g(x)
Figure BDA0002087240470000024
其中，di，j表示第i个用户需求到第j个充电桩的关系式。
S8：根据所述的充电桩的需求量关系式g(x)和安装充电桩位置的集合f(x)即可进行充电桩的位置规划。
进一步地，同一路径上相邻两个充电桩之间的距离Ia，b满足如下的关系式：
0.7Sav≤la，b≤0.95Sav
式中，Sav为电动车的平均续航里程。
与现有技术相比，本发明的有益效果如下：
本发明采用改进的TLBO算法，它拓展了搜索空间，增加的所需目标函数解得多样性，加快了收敛速度，可以解决离散多目标的优化问题，对非线性问题具有高精度和良好的收敛性，实现全局最优解；将其应用到电动车充电桩的布局时，它可以确定电动车充电桩数量，规划安装充电桩的最优位置，可以将人机交互引入到自由有序充电策略中，保证充电设施与充电需求的平衡性。
附图说明
图1是改进TLBO算法过程。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种基于改进的TLBO算法的电动车充电桩的布局方法，如图1所示，该方法包括如下步骤：
S1：计算第i个用户需求到第j个充电桩的K距离dist(i，j)，其中i∈D，D为用户需求数据集；
S2：将S1得到的dist(i，j)带入到下式，得到i的K距离领域点Nk-dist(i)
Nk-dist(i)＝{i∈D|Dp(i，j)＝dist(i，j)，dist(i，j)≤k-dist(i)}
式中，Dp(i，j)表示i的K距离领域点Nk-dist(i)集合中元素点的表达式；k-dist(i)表示第i个用户需求到数据集D中每个点的K距离。
S3：将S2中的Nk-dist(i)中所有元素求和，再与k-dist(i)累加后，除以(Nk(j)+1)，得到i的K距离的平均值AKDk(i)，其中，Nk(j)表示第i个用户需求到第j个充电桩的K距离邻域点所有个数。
Figure BDA0002087240470000031
∑Dp(i，j)表示i的K距离领域点每个元素的求和；
S4：将AKDk(i)取得的所有值进行和运算，再除以个数n，得到AKDk(i)的平均值，具体如下式：
Figure BDA0002087240470000032
S5：根据下式计算i的K距离因子KDFk(i)
Figure BDA0002087240470000033
式中，Mk(i)表示第i个用户需求到第j个充电桩的K距离的个数，(∑Dp(i，j))/n表示i的K距离领域点的平均值；
i的K距离因子KDFk(i)充分显示了用户需求i点的分散程度，若KDFk(i)越大，则表示在充电桩j周围具有较大密度的i用户需求。若KDFk(i)很小，则表示充电桩j周围的i用户需求密度较小。
S6：在得到每个i的K距离的平均值AKDk(i)与AKDk(i)的平均值后，设置AKDk(i)<AKDk(i)的平均值的个数为A，AKDk(i)>AKDk(i)的平均值的个数为B，若A<B，则保存所有A的值在集合f(x)中；若A>B，则删除所有B个数的值。得到在集合f(x)中的值，即为安装充电桩位置的集合。
S7：根据下式得到充电桩的需求量关系式g(x)
Figure BDA0002087240470000041
其中，di，j表示第i个用户需求到第j个充电桩的关系式。
S8：根据所述的充电桩的需求量关系式g(x)和安装充电桩位置的集合f(x)即可进行充电桩的位置规划。
优选地，同一路径上相邻两个充电桩之间的距离la，b满足如下的关系式：
0.7Sav≤la，b≤0.95Sav
式中，Sav为电动车的平均续航里程。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (2)

1.一种基于改进的TLBO算法的电动车充电桩的布局方法，其特征在于，该方法包括如下步骤：
S1：计算第i个用户需求到第j个充电桩的K距离dist(i，j)，其中i∈D，D为用户需求数据集；
S2：将S1得到的dist(i，j)带入到下式，得到i的K距离邻 域点Nk-dist(i)
Nk-dist(i)＝{i∈D|Dp(i，j)＝dist(i，j)，dist(i，j)≤k-dist(i)}
式中，Dp(i，j)表示i的K距离邻 域点Nk-dist(i)集合中元素点的表达式；k-dist(i)表示第i个用户需求到数据集D中每个点的K距离；
S3：将S2中的Nk-dist(i)中所有元素求和，再与k-dist(i)累加后，除以(Nk(j)+1)，得到i的K距离的平均值AKDk(i)，其中，Nk(j)表示第i个用户需求到第j个充电桩的K距离邻域点所有个数；
Figure FDA0002087240460000011
∑Dp(i，j)表示i的K距离邻 域点每个元素的求和；
S4：将AKDk(i)取得的所有值进行和运算，再除以个数n，得到AKDk(i)的平均值，具体如下式：
Figure FDA0002087240460000012
S5：根据下式计算i的K距离因子KDFk(i)
Figure FDA0002087240460000013
式中，Mk(i)表示第i个用户需求到第j个充电桩的K距离的个数，(∑Dp(i，j))/n表示i的K距离邻 域点的平均值；
S6：在得到每个i的K距离的平均值AKDk(i)与AKDk(i)的平均值后，设置AKDk(i)＜AKDk(i)的平均值的个数为A，AKDk(i)＞AKDk(i)的平均值的个数为B，若A＜B，则保存所有A的值在集合f(x)中；若A＞B，则删除所有B个数的值； 得到在集合f(x)中的值，即为安装充电桩位置的集合；
S7：根据下式得到充电桩的需求量关系式g(x)
Figure FDA0002087240460000021
其中，di，j表示第i个用户需求到第j个充电桩的关系式；
S8：根据所述的充电桩的需求量关系式g(x)和安装充电桩位置的集合f(x)即可进行充电桩的位置规划。
2.根据权利要求1所述的改进的TLBO算法的电动车充电桩的布局方法，其特征在于，同一路径上相邻两个充电桩之间的距离la，b满足如下的关系式：
0.7Sav≤la，b≤0.95Sav
式中，Sav为电动车的平均续航里程。
CN201910491677.2A 2019-06-06 2019-06-06 一种基于改进的tlbo算法的电动车充电桩的布局方法 Active CN110288132B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910491677.2A CN110288132B (zh) 2019-06-06 2019-06-06 一种基于改进的tlbo算法的电动车充电桩的布局方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910491677.2A CN110288132B (zh) 2019-06-06 2019-06-06 一种基于改进的tlbo算法的电动车充电桩的布局方法

Publications (2)

Publication Number Publication Date
CN110288132A CN110288132A (zh) 2019-09-27
CN110288132B true CN110288132B (zh) 2021-03-23

Family

ID=68003539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910491677.2A Active CN110288132B (zh) 2019-06-06 2019-06-06 一种基于改进的tlbo算法的电动车充电桩的布局方法

Country Status (1)

Country Link
CN (1) CN110288132B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113019594B (zh) * 2021-03-01 2022-03-11 广东道氏技术股份有限公司 基于多智能体tlbo算法的球磨机制粉优化控制方法
CN113486262B (zh) * 2021-09-07 2021-11-16 深圳市光明顶照明科技有限公司 一种电动汽车充电站选址方法、系统和可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160449A (zh) * 2015-07-06 2015-12-16 国家电网公司 一种电动汽车充电桩优化布局方法
CN106951978A (zh) * 2017-02-20 2017-07-14 国网天津市电力公司 一种基于改进K‑means算法的城市集中型充电站规划方法
CN108460487A (zh) * 2018-03-07 2018-08-28 国网江苏省电力有限公司无锡供电分公司 基于apso算法的电动汽车快速充电站优化选址定容方法
CN108764634A (zh) * 2018-04-24 2018-11-06 河海大学 一种考虑充电需求增长的电动汽车充电站动态规划方法
CN109636067A (zh) * 2019-01-09 2019-04-16 浙江工业大学 一种基于粒子群算法的电动汽车充电调度优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9904579B2 (en) * 2013-03-15 2018-02-27 Advanced Elemental Technologies, Inc. Methods and systems for purposeful computing

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160449A (zh) * 2015-07-06 2015-12-16 国家电网公司 一种电动汽车充电桩优化布局方法
CN106951978A (zh) * 2017-02-20 2017-07-14 国网天津市电力公司 一种基于改进K‑means算法的城市集中型充电站规划方法
CN108460487A (zh) * 2018-03-07 2018-08-28 国网江苏省电力有限公司无锡供电分公司 基于apso算法的电动汽车快速充电站优化选址定容方法
CN108764634A (zh) * 2018-04-24 2018-11-06 河海大学 一种考虑充电需求增长的电动汽车充电站动态规划方法
CN109636067A (zh) * 2019-01-09 2019-04-16 浙江工业大学 一种基于粒子群算法的电动汽车充电调度优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Optimal Design of Solar-Wind Hybrid System Using Teaching-Learning Based Optimization Applied in Charging Station for Electric Vehicles";Amangaldi Koochaki;《2018 IEEE Transportation Electrification Conference and Expo(ITEC)》;20180830;全文 *
"基于LCC和量子遗传算法的电动汽车充电站优化规划";黄小庆 等;《电力系统自动化》;20150910;第39卷(第17期);全文 *

Also Published As

Publication number Publication date
CN110288132A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
Li et al. Path planning of mobile robot based on improved genetic algorithm
Xu et al. A soft actor-critic-based energy management strategy for electric vehicles with hybrid energy storage systems
CN110288132B (zh) 一种基于改进的tlbo算法的电动车充电桩的布局方法
CN107024663A (zh) 基于充电曲线特征kpca聚类的锂电池筛选方法
Sun et al. Charging load forecasting of electric vehicle charging station based on support vector regression
Miraftabzadeh et al. K-means and alternative clustering methods in modern power systems
Dubey et al. Uniform mutation and SPV rule based optimized PSO algorithm for TSP problem
CN110418434A (zh) 一种无人机辅助的无线传感器网络充电方法与装置
CN114167898B (zh) 一种无人机收集数据的全局路径规划方法及系统
Vasant et al. Optimal power allocation scheme for plug-in hybrid electric vehicles using swarm intelligence techniques
Chen et al. Power reserve predictive control strategy for hybrid electric vehicle using recognition-based long short-term memory network
Lin et al. Multi-objective optimized driving strategy of dual-motor EVs using NSGA-II as a case study and comparison of various intelligent algorithms
Gai et al. An improved grey wolf algorithm for global optimization
Wang et al. Research on electric vehicle (EV) driving range prediction method based on PSO-LSSVM
Li et al. Real‐time energy management for commute HEVs using modified A‐ECMS with traffic information recognition
CN116388213A (zh) 含新能源和充电站的主动配电网动态无功优化方法及系统
CN110111001B (zh) 一种电动汽车充电站的选址规划方法、装置以及设备
Yu et al. Efficiency optimization of wireless power transfer system for electric vehicle based on improved marine predators algorithm
Gandhi et al. Smart Electric Vehicle (EVs) Charging Network Management Using Bidirectional GRU-AM Approaches
CN107315903B (zh) 一种智能的电场分析系统
Naxin et al. Optimization of HEV energy management strategy based on driving cycle modeling
CN110365014B (zh) 一种考虑电压灵敏度时变特性的电压分区方法
CN113997925B (zh) 一种插电式混合动力系统能量管理方法
CN109447233A (zh) 电动汽车充放电调度方法及系统
CN111898309B (zh) 一种光伏智能边缘终端优化布局方法

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