CN110866636A - 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法 - Google Patents

Abstract

本发明是一种综合考虑电动汽车充电站及分布式能源的微电网规划方法，通过建立交通网络路径选择模型、交通网络中电动汽车充电站选址的满意度模型以及考虑时序特性的分布式电源模型，最终基于不同的分布式电源时序特性与风光互补性，建立总费用最小、交通满意度最高、网络损耗最小的电动汽车充电站和分布式电源的定容选址模型；通过改进的自有搜索算法进行求解，并采用交互式模糊决策来对优化结果进行分析，改善电网的稳定性，提高交通中电动汽车充电的方便性。该方法能够实现对某地区的电动汽车充电站以及分布式电源进行优化配置，解决了电动汽车充电站和分布式电源规划中总成本、总网损和交通满意度三个目标相互制约的问题。

Description

一种综合考虑电动汽车充电站及分布式能源的微电网规划 方法

技术领域

本发明是涉及配交通网络规划技术领域，具体的说是一种综合考虑电动汽车充电站及分布式能源的微电网规划方法。

背景技术

随着环境问题的逐渐恶化以及能源危机的不断加剧，环境问题尤其是城市空气污染问题已成为影响居民幸福感的重要指标，分布式电源与电动汽车的研究和推广越来越受到重视。电动汽车是蓄电池和交通工具的结合体，具备电池特性和交通特性。与以化石能源为燃料的传统汽车不同，电动汽车以清洁的二次能源电能为能量来源，可以减少不可再生能源的消耗和汽车尾气的排放。由于分布式电源在电力系统中的应用越来越广泛，其选址定容问题在系统规划中的重要性也随之增加。同时，随着新能源开发技术的不断进步和节能减排政策的激励，电动汽车和

电动汽车充电设施的建设将直接影响电动汽车的推广和渗透率的提高，但目前相关研究尚不成熟，并且兼顾电动汽车和DG的优化方案研究还很匮乏。此外，城市交通网络情况会显著影响电动汽车用户的充电选择，从而可能影响配网的安全与稳定。因此有必要在考虑DG特性的基础上，通过建立的交通满意度模型得出某地区的DG和电动汽车充电站规划配置方案，以供决策者作为参考。

发明内容

本发明针对现有技术中的不足，提供一种综合考虑电动汽车充电站及分布式能源的微电网规划方法，实现了在已知某地区交通网络的情况下，对该地区的电动汽车充电站以及分布式电源进行优化配置，解决了电动汽车充电站和分布式电源规划中总成本、总网损和交通满意度三个目标相互制约的问题。

为实现上述目的，本发明采用以下技术方案：

一种综合考虑电动汽车充电站及分布式能源的微电网规划方法，其特征在于：通过建立以交通满意度最高、系统总成本最低以及系统网损最小为目标的优化规划模型，求解得到所需的规划方案，具体步骤如下：

步骤1，建立交通网络路径选择模型；基于电动汽车车主充电的便利性，将拥堵程度和充电时间计入距离得到加权距离W_s,d，从而建立计及行驶时间的交通网络的路径选择模型，通过Floyd算法求取最短路径；

步骤2，建立交通网络中电动汽车充电站选址的满意度模型；将充电站视为交通网络中需要覆盖网络的交通流量，将p-中值模型与最大覆盖选址模型结合，从而使充电站优化配置到网络中来满足最大的需求，其数学模型如下：

目标函数：

约束条件：

∑_j∈Jx_j＝p

∑_q∈A(q)f_qY_q≤C_jx_j

其中，Z为交通满意度指标，ω为p-中值模型与最大覆盖选址模型折中的权重值，取[0,1]内的小数；P_i为在起始点i的流量需求；d_ij为节点ij之间的权重距离；X_ij表示ij之间是否存在设施，存在则X_ij＝1，否则X_ij＝0；f_q为网络中起点到终点路径q的交通流量；如果满足f_q，Y_q为1，否则为0；C_j为每个汽车充电站的配置容量；

步骤3，建立考虑时序特性的分布式电源模型；选取分布式电源出力数据进行经验模态分解，再通过支持向量机法得到数据预测结果，进而随机模拟出分布式电源时序特性图，并通过在分布式电源处加装储能装置来平抑波动；

步骤4，建立优化规划模型；建立系统总费用最小、网络损耗最小和交通满意度最高三目标数学模型如下：

目标函数：

其中，C为系统的总成本；

为每个DG和电动汽车充电站的投资成本；

为系统运行所需的燃料费用；

为排放物的污染惩罚；P为系统的网损；I_ij(t)为节点ij之间的电阻；Z为交通满意度，即步骤(2)的目标函数，Z越小代表交通满意度越高；

步骤5，求解得到规划方案；引进组合适应度选择机制和自适应网格的存档机制，形成多目标自由搜索算法，并对目标函数求解得到Pareto解集，依靠求解得到的交通满意度最高、系统总成本最小以及系统网损最小三种极端目标的解，得到所需的规划方案。

所述的步骤1中建立路径选择模型时，对于所有电动车行驶在交通网络，考虑到以任一点为起始点，到达除了起始点之外的任意终点的行为,既考虑了包括需要充电和不需要充电两种情况，还考虑路径的长短和行驶的时间，并将行驶时间和充电时间折算进距离中记为加权距离；

当中途不需要充电时，加权距离为W_O,T＝d_O,T+αT_O,T；当中途需要充电时，加权距离为W_O,T＝d_O,C+d_C,T+αT_O,C+αT_C,T+αT_C；其中，W_O,T为电动汽车从O点驶向T点的加权距离；T_O,C和T_C,T为电动汽车从O点行驶到充电站以及从充电站行驶到T点的行驶时间，d_O,C为O点到充电站C的真实距离；d_C,T为充电站C到T点的真实距离，d_O,T为O点到T点的真实距离，T_O,C为为电动汽车从O点行驶到T点的行驶时间；T_C为在充电站C点的充电时间；α为时间折算距离系数；由电动汽车行驶所经过的各个节点的权重之和来求取，权重的大小代表各个节点交通的拥堵情况。

所述的步骤2中的最大覆盖选址模型的目标函数为maxY₁＝∑_j∈N∑_i∈A(j)d_iy_ij，其中，N是需求点的集合；d_i是第i个需求点的需求量；A(j)是设施在j点建立，所覆盖的需求节点的结合；y_ij是需求点i被分配到设施j处的需求量，所述的最大覆盖选址模型用于将若干数量的设施优化配置到网络中来满足最大的需求；

p-中值模型的目标函数为minY₂＝∑_i∈Ia_i∑_j∈Jd_ijy_ij，其中I是需求点的集合；a_i是第i个需求点的需求量；J是可能建立设施的点的集合；d_ij是i到j的权重距离；y_ij∈{0,1}是设施与需求的满足关系，当设施j可以满足需求点i时记为1，不能满足则记为0。

所述的步骤3中时序特性的分布式电源模型采用具有时序性的的风机和光伏电源，利用风机和光伏电源的历史数据，进行经验模态分解，再通过支持向量机法得到数据预测结果，进而随机模拟出风机和光伏的四季时序特性图，并通过在风机和光伏附近加装储能装置来平抑波动；

在节点i处t时刻的分布式电源输出功率为

其中P_i(t)代表t时刻某种分布式电源的输出功率；P_i∈wt(t)、P_i∈pv(t)分别代表风机和光伏节点的输出功率。储能模型为

其中P_bs(t)为t时刻蓄电池的出力；μ_c和μ_f分别代表充电和放电效率。

利用风机和光伏电源的历史出力数据先通过EMD分解，后由SVM预测出数据从而进行风、光时序特性分析，消除不同风光四季时序特性导致的实际偏差

所述的步骤5求解得到规划方案时，需要进行种群的初始化，种群个体代表某节点的配置容量，初始种群产生的具体步骤如下：

步骤a，按不同分布式电源、储能装置以及电动汽车充电站的上下限随机产生原始种群N，表示N种规划方案；

步骤b，设置n＝1；

步骤c，检验种群中第n个个体在各个时刻是否满足约束条件，若满足则跳到步骤f，否则进入步骤d；

步骤d，根据步骤3中风机和光伏的时序特性来判断输出功率的情况，如果风机单独工作，则根据容量的缺额确定风机增加数量，并随机分配在风机的待选节点上；若光伏单独工作，则根据容量的缺额确定光伏增加数量，并随机分配在光伏的待选节点上；对于光伏和风机同时工作的情况，则根据容量的缺额随机分配给风机和光伏的待选节点上；

步骤e，判断蓄电池充放电状态，确定蓄电池配置容量；本发明考虑将蓄电池加装在风机和光伏的节点，从而可以平衡风机和光伏波动对电网的影响，蓄电池的容量按常规设置为分布式电源的三分之一；转到步骤c；

步骤f，n＝n+1；如果n<N，转到步骤；如果n＝N，代表个体满足约束，形成初始种群。

所述的步骤5中多目标自由搜索算法具体步骤如下：

步骤5.1，设置种群大小、最大迭代次数、搜索步数、领域搜索半径和外存memory的大小等参数；

步骤5.2，根据个体的可行域，随机生成初始种群；

步骤5.3，进行初始化搜索，计算个体的组合适应度，并进行非支配排序；

步骤5.4，将Pareto解集存入外部存档memory，并采用自适应网格法进行调整；

步骤5.5，对个体进行组合适应度的分配，计算信息素，生成灵敏度；

步骤5.6，进入搜索步，对每个个体在领域搜索半径内进行小步搜索，并进行非支配排序；

步骤5.7，将Pareto解集存入外部存档memory，并采用自适应网格法进行调整；

步骤5.8，对个体进行组合适应度的分配，计算信息素，生成灵敏度；

步骤5.9，对比信息素和灵敏度，得到下一代的初始搜索点；

步骤5.10，如果未达到迭代次数G，跳转至步骤5.6，并记g＝g+1，g为已迭代次数，否则转至步骤5.11；

步骤5.11，停止迭代，输出memory内容。

本发明一种综合考虑电动汽车充电站及分布式能源的微电网规划方法的有益效果是：充分考虑城市的交通流量分布、交通网络布局，增加了电动汽车用户寻找电动汽车充电站充电过程的便利性；并且本方案采用基于最大覆盖选址模型和p-中值模型的交通满意度模型，使在现实交通网络中，可以尽量保持所有电动汽车行驶距离最短并且电动汽车充电站的服务达到较大的满意度。此外，在分析风光出力的时序特性方面先用EMD对数据进行不同特征尺度的分解，并用SVM求得各分量的预测结果，后将结果叠加作为风光出力的预测值，相比通常算例分析中直接选取典型地区的风光时序特性数据，提高了对该地区微网优化规划的精确性。

附图说明

图1为本发明一种综合考虑电动汽车充电站及分布式能源的微电网规划方法的规划流程图。

图2为本发明一种综合考虑电动汽车充电站及分布式能源的微电网规划方法的规划示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

一种综合考虑电动汽车充电站及分布式能源的微电网规划方法，其特征在于：通过建立以交通满意度最高、系统总成本最低以及系统网损最小为目标的优化规划模型，求解得到所需的规划方案，具体步骤如下：

步骤1，建立交通网络路径选择模型；基于电动汽车车主充电的便利性，将拥堵程度和充电时间计入距离得到加权距离W_s,d，从而建立计及行驶时间的交通网络的路径选择模型，通过Floyd算法求取最短路径；

本实施例中，步骤1中建立路径选择模型时，对于所有电动车行驶在交通网络，考虑到以任一点为起始点，到达除了起始点之外的任意终点的行为,既考虑了包括需要充电和不需要充电两种情况，还考虑路径的长短和行驶的时间，并将行驶时间和充电时间折算进距离中记为加权距离；

当中途不需要充电时，加权距离为W_O,T＝d_O,T+αT_O,T；当中途需要充电时，加权距离为W_O,T＝d_O,C+d_C,T+αT_O,C+αT_C,T+αT_C；其中，W_O,T为电动汽车从O点驶向T点的加权距离；T_O,C和T_C,T为电动汽车从O点行驶到充电站以及从充电站行驶到T点的行驶时间，d_O,C为O点到充电站C的真实距离；d_C,T为充电站C到T点的真实距离，d_O,T为O点到T点的真实距离，T_O,C为为电动汽车从O点行驶到T点的行驶时间；T_C为在充电站C点的充电时间；α为时间折算距离系数；由电动汽车行驶所经过的各个节点的权重之和来求取，权重的大小代表各个节点交通的拥堵情况。在用Floyd算法求取最短路径时，可以结合上述加权距离对路径选择问题进行建模。

步骤2，建立交通网络中电动汽车充电站选址的满意度模型；将充电站视为交通网络中需要覆盖网络的交通流量，将p-中值模型与最大覆盖选址模型结合，从而使充电站优化配置到网络中来满足最大的需求，其数学模型如下：

目标函数：

约束条件：

∑_j∈Jx_j＝p

∑_q∈A(q)f_qY_q≤C_jx_j

其中，Z为交通满意度指标，ω为p-中值模型与最大覆盖选址模型折中的权重值，取[0,1]内的小数；P_i为在起始点i的流量需求；d_ij为节点ij之间的权重距离；X_ij表示ij之间是否存在设施，存在则X_ij＝1，否则X_ij＝0；f_q为网络中起点到终点路径q的交通流量；如果满足f_q，Y_q为1，否则为0；C_j为每个汽车充电站的配置容量；

本实施例中，最大覆盖选址模型的目标是将一定量的设施优化配置到网络中来满足最大的需求，其目标函数为maxY₁＝∑_j∈N∑_i∈A(j)d_iy_ij，其中，N是需求点的集合；d_i是第i个需求点的需求量；A(j)是设施在j点建立，所覆盖的需求节点的结合；y_ij是需求点i被分配到设施j处的需求量，所述的最大覆盖选址模型用于将若干数量的设施优化配置到网络中来满足最大的需求；p-中值模型是指在网络中给定一定位置和数量的设施后，使所有节点需求到设施的总权重距离最小，其目标函数为minY₂＝∑_i∈Ia_i∑_j∈Jd_ijy_ij，其中I是需求点的集合；a_i是第i个需求点的需求量；J是可能建立设施的点的集合；d_ij是i到j的权重距离；y_ij∈{0,1}是设施与需求的满足关系，当设施j可以满足需求点i时记为1，不能满足则记为0。

进一步的，将MCLM和p-中值模型结合形成新的目标函数minZ＝ωY₁-(1-ω)Y₂，其中ω和1-ω分别为MCLM和p-中值模型的权重值，这样得到的新的目标函数前半部分代表网络需求得到的满意度，对应于汽车充电站给所有需要充电的电动汽车提供服务的最大量，后半部分代表网络需求的权重距离，对应于网络中所有电动汽车从起点到终点的距离最短，这样可以尽量保持所有车行驶距离最短并且充电站的服务达到较大的满意度。

步骤3，建立考虑时序特性的分布式电源模型；选取分布式电源出力数据进行经验模态分解，再通过支持向量机法得到数据预测结果，进而随机模拟出分布式电源时序特性图，并通过在分布式电源处加装储能装置来平抑波动；

在实际问题的优化规划中，需要考虑风机、光伏板和蓄电池这几种典型DG。对于风机和光伏板，由于其具有很强的波动性和随机性，需要考虑风机和光伏板的时序特性。一般算例分析通常选取某典型地区的风机和光伏出力的时序特性，这在实际优化规划中往往不够严密准确。

本实施例中，分布式电源采用区域性的风机和光伏电源，根据风机和光伏电源历史出力数据进行经验模态分解，将某典型地区历史风机和光伏出力数据分解为一系列相对平稳的分量序列，以减少不同特征信息间的相互影响，然后采用支持向量机法对所分解的各分量序列分别建立预测模型，最后将每个分量的预测值进行线性叠加，进而随机模拟出风机和光伏的四季时序特性图。在节点i处t时刻的DG输出功率为

其中P_i(t)代表t时刻某种DG的输出功率；P_i∈wt(t)、P_i∈pv(t)分别代表风机和光伏节点的输出功率。储能模型为

其中P_bs(t)为t时刻蓄电池的出力；μ_c和μ_f分别代表充电和放电效率。

步骤4，建立优化规划模型；建立系统总费用最小、网络损耗最小和交通满意度最高三目标数学模型如下：

目标函数：

其中，C为系统的总成本；

为每个DG和电动汽车充电站的投资成本；

为系统运行所需的燃料费用；

为排放物的污染惩罚；P为系统的网损；I_ij(t)为节点ij之间的电阻；Z为交通满意度，即步骤(2)的目标函数，Z越小代表交通满意度越高；

步骤5，求解得到规划方案；引进组合适应度选择机制和自适应网格的存档机制，形成多目标自由搜索算法，并对目标函数求解得到Pareto解集，依靠求解得到的交通满意度最高、系统总成本最小以及系统网损最小三种极端目标的解，得到所需的规划方案。

本实施例中，初始种群产生的步骤如下：

步骤a，按不同DG、储能装置以及EVCS的上下限随机产生原始种群N，表示N种规划方案；

步骤b，设置n＝1；

步骤c，检验种群中第n个个体在各个时刻是否满足约束条件，若满足则跳到步骤，否则进入步骤；

步骤d，根据步骤3中风机和光伏的时序特性来判断输出功率的情况，如果风机单独工作，则根据容量的缺额确定风机增加数量，并随机分配在风机的待选节点上；若光伏单独工作，则根据容量的缺额确定光伏增加数量，并随机分配在光伏的待选节点上；对于光伏和风机同时工作的情况，则根据容量的缺额随机分配给风机和光伏的待选节点上。

步骤e，判断蓄电池充放电状态，确定蓄电池配置容量。本发明考虑将蓄电池加装在风机和光伏的节点，从而可以平衡风机和光伏波动对电网的影响，蓄电池的容量按常规设置为DG的三分之一。转到步骤

步骤f，n＝n+1。如果n<N，转到步骤；如果n＝N，代表个体满足约束，形成初始种群。

接着，通过将自由搜索算法改进并拓展，引进新的组合适应度选择机制和自适应网格的存档机制，形成新的多目标自由搜索算法，多目标自由搜索算法的实现步骤包括：

步骤5.1，设置种群大小、最大迭代次数、搜索步数、领域搜索半径和外存memory的大小等参数；

步骤5.2，根据个体的可行域，随机生成初始种群；

步骤5.3，进行初始化搜索，计算个体的组合适应度，并进行非支配排序；

步骤5.4，将Pareto解集存入外部存档memory，并采用自适应网格法进行调整；

步骤5.5，对个体进行组合适应度的分配，计算信息素，生成灵敏度；

步骤5.6，进入搜索步，对每个个体在领域搜索半径内进行小步搜索，并进行非支配排序；

步骤5.7，将Pareto解集存入外部存档memory，并采用自适应网格法进行调整；

步骤5.8，对个体进行组合适应度的分配，计算信息素，生成灵敏度；

步骤5.9，对比信息素和灵敏度，得到下一代的初始搜索点；

步骤5.10，如果未达到迭代次数G，跳转至步骤5.6，并记g＝g+1；g为已迭代次数，否则转至步骤5.11；

步骤5.11，停止迭代，输出memory内容。

由此求解出Pareto解集以及Pareto解集中的极端解，分别可以得到交通满意度最高、系统总成本最小以及系统网损最小三种极端目标的解，根据决策者对三种目标的期望值不同，可以设定期望隶属度配置方案并采用交互式模糊决策对优化结果进行分析，得出三种方案的配置结果，最终根据需求得到所需的方案.

进一步的，步骤1中，为研究电动汽车行驶在交通网络时，考虑EV选择最短路径从起点到终点，整个路径选择问题需要保证路程最短，而且需要考虑到是否需要充电和实际道路上的拥堵情况，将充电时间以及拥堵的时间折算进路途的距离并记为加权距离。使用floyd算法求取最短路径时，结合上述加权距离对路径选择问题进行建模，对于每条路径车辆的多少可以由起点和终点的权重获得，将节点权重的大小视为现实中节点的拥堵情况。

步骤2中，考虑到交通网络中需要覆盖网络中的交通流量，将充电站选址看做一个位置分配问题，像位置分配问题一般是在最小权重距离或最小分配成本夏，满足网络节点的需求。最为熟知的是最大覆盖选址模型和p-中值模型。p-中值模型可以保证权重距离最小的情况下，分配节点中设施的建立位置，并保证每个需求点都会被分配到设施节点，而最大覆盖选址模型旨在使用一定量的设施，把这些设施优化配置到网络中来满足最大的需求。由于这两个方法都是二进制线性模型，将二者结合为交通满意度模型。可以保持所有车的行驶距离最短并且充电站的服务达到较大的满意度，所以要求解上述式中Z的最小值。这里式中的d_ij是由步骤1中通过floyd算法结合加权距离求解得到的网络中任意两节点的距离，网络中节点的权重来确定P_i。

步骤3中，在分布式电源的考虑中，需要考虑风光互补性和时序特性，对DG出力进行建模。像夏季温度高，太阳辐射强，光伏出力最大，此时风力反而比较弱，而冬季正好相反，可见风光有很好的互补性，本实施例中选取了典型地区的风机和光伏四季的时序特性。本实施例中先采用经验模态分解法将历史数据分解为一系列相对平稳的分量序列，以减少不同特征信息间的相互影响，然后采用支持向量机发对所分解的各分量序列分别建立预测模型，最后把分量的预测结果线性叠加，形成最终的预测数据，从而对DG的出力进行建模。

步骤5中，使用的是自由搜索算法，增加了多目标适应度的选择机制和自适应网格存档机制，形成了新的多目标自由搜索算法，收敛性页时优于NSGA-II的算法。使用此算法对目标函数进行求解，可得到pareto解集中的极端解即总成本最少、总网损最低以及交通满意度最高三种极端目标解，解集中的所有解都是最优解，可以提供决策者作为参考，决策者根据实际需求得到最终的规划方案。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种综合考虑电动汽车充电站及分布式能源的微电网规划方法，其特征在于：通过建立以交通满意度最高、系统总成本最低以及系统网损最小为目标的优化规划模型，求解得到所需的规划方案，具体步骤如下：

步骤1，建立交通网络路径选择模型；基于电动汽车车主充电的便利性，将拥堵程度和充电时间计入距离得到加权距离W_s,d，从而建立计及行驶时间的交通网络的路径选择模型，通过Floyd算法求取最短路径；

步骤2，建立交通网络中电动汽车充电站选址的满意度模型；将充电站视为交通网络中需要覆盖网络的交通流量，将p-中值模型与最大覆盖选址模型结合，从而使充电站优化配置到网络中来满足最大的需求，其数学模型如下：

目标函数：

约束条件：

∑_j∈Jx_j＝p

∑_q∈A(q)f_qY_q≤C_jx_j

其中，Z为交通满意度指标，ω为p-中值模型与最大覆盖选址模型折中的权重值，取[0,1]内的小数；P_i为在起始点i的流量需求；d_ij为节点ij之间的权重距离；X_ij表示ij之间是否存在设施，存在则X_ij＝1，否则X_ij＝0；f_q为网络中起点到终点路径q的交通流量；如果满足f_q，Y_q为1，否则为0；C_j为每个汽车充电站的配置容量；

步骤3，建立考虑时序特性的分布式电源模型；选取分布式电源出力数据进行经验模态分解，再通过支持向量机法得到数据预测结果，进而随机模拟出分布式电源时序特性图，并通过在分布式电源处加装储能装置来平抑波动；

步骤4，建立优化规划模型；建立系统总费用最小、网络损耗最小和交通满意度最高三目标数学模型如下：

目标函数：

其中，C为系统的总成本；

为每个DG和电动汽车充电站的投资成本；

为系统运行所需的燃料费用；

为排放物的污染惩罚；P为系统的网损；I_ij(t)为节点ij之间的电阻；Z为交通满意度，即步骤(2)的目标函数，Z越小代表交通满意度越高；

步骤5，求解得到规划方案；引进组合适应度选择机制和自适应网格的存档机制，形成多目标自由搜索算法，并对目标函数求解得到Pareto解集，依靠求解得到的交通满意度最高、系统总成本最小以及系统网损最小三种极端目标的解，得到所需的规划方案。

2.如权利要求1所述的一种综合考虑电动汽车充电站及分布式能源的微电网规划方法，其特征在于：所述的步骤1中建立路径选择模型时，对于所有电动车行驶在交通网络，考虑到以任一点为起始点，到达除了起始点之外的任意终点的行为,既考虑了包括需要充电和不需要充电两种情况，还考虑路径的长短和行驶的时间，并将行驶时间和充电时间折算进距离中记为加权距离；

当中途不需要充电时，加权距离为W_O,T＝d_O,T+αT_O,T；当中途需要充电时，加权距离为W_O,T＝d_O,C+d_C,T+αT_O,C+αT_C,T+αT_C；其中，W_O,T为电动汽车从O点驶向T点的加权距离；T_O,C和T_C,T为电动汽车从O点行驶到充电站以及从充电站行驶到T点的行驶时间，d_O,C为O点到充电站C的真实距离；d_C,T为充电站C到T点的真实距离，d_O,T为O点到T点的真实距离，T_O,C为为电动汽车从O点行驶到T点的行驶时间；T_C为在充电站C点的充电时间；α为时间折算距离系数；由电动汽车行驶所经过的各个节点的权重之和来求取，权重的大小代表各个节点交通的拥堵情况。

3.如权利要求2所述的一种综合考虑电动汽车充电站及分布式能源的微电网规划方法，其特征在于：所述的步骤2中的最大覆盖选址模型的目标函数为maxY₁＝∑_j∈N∑_i∈A(j)d_iy_ij，其中，N是需求点的集合；d_i是第i个需求点的需求量；A(j)是设施在j点建立，所覆盖的需求节点的结合；y_ij是需求点i被分配到设施j处的需求量，所述的最大覆盖选址模型用于将若干数量的设施优化配置到网络中来满足最大的需求；

p-中值模型的目标函数为minY₂＝∑_i∈Ia_i∑_j∈Jd_ijy_ij，其中I是需求点的集合；a_i是第i个需求点的需求量；J是可能建立设施的点的集合；d_ij是i到j的权重距离；y_ij∈{0,1}是设施与需求的满足关系，当设施j可以满足需求点i时记为1，不能满足则记为0。

4.如权利要求3所述的一种综合考虑电动汽车充电站及分布式能源的微电网规划方法，其特征在于：所述的步骤3中时序特性的分布式电源模型采用具有时序性的的风机和光伏电源，利用风机和光伏电源的历史数据，进行经验模态分解，再通过支持向量机法得到数据预测结果，进而随机模拟出风机和光伏的四季时序特性图，并通过在风机和光伏附近加装储能装置来平抑波动；

在节点i处t时刻的分布式电源输出功率为

其中P_i(t)代表t时刻某种分布式电源的输出功率；P_i∈wt(t)、P_i∈pv(t)分别代表风机和光伏节点的输出功率。储能模型为

其中P_bs(t)为t时刻蓄电池的出力；μ_c和μ_f分别代表充电和放电效率。

5.如权利要求4所述的一种综合考虑电动汽车充电站及分布式能源的微电网规划方法，其特征在于：利用风机和光伏电源的历史出力数据先通过EMD分解，后由SVM预测出数据从而进行风、光时序特性分析，消除不同风光四季时序特性导致的实际偏差。

6.如权利要求4所述的一种综合考虑电动汽车充电站及分布式能源的微电网规划方法，其特征在于：所述的步骤5求解得到规划方案时，需要进行种群的初始化，种群个体代表某节点的配置容量，初始种群产生的具体步骤如下：

步骤a，按不同分布式电源、储能装置以及电动汽车充电站的上下限随机产生原始种群N，表示N种规划方案；

步骤b，设置n＝1；

步骤c，检验种群中第n个个体在各个时刻是否满足约束条件，若满足则跳到步骤f，否则进入步骤d；

步骤d，根据步骤3中风机和光伏的时序特性来判断输出功率的情况，如果风机单独工作，则根据容量的缺额确定风机增加数量，并随机分配在风机的待选节点上；若光伏单独工作，则根据容量的缺额确定光伏增加数量，并随机分配在光伏的待选节点上；对于光伏和风机同时工作的情况，则根据容量的缺额随机分配给风机和光伏的待选节点上；

步骤e，判断蓄电池充放电状态，确定蓄电池配置容量；本发明考虑将蓄电池加装在风机和光伏的节点，从而可以平衡风机和光伏波动对电网的影响，蓄电池的容量按常规设置为分布式电源的三分之一；转到步骤c；

步骤f，n＝n+1；如果n<N，转到步骤；如果n＝N，代表个体满足约束，形成初始种群。

7.如权利要求6所述的一种综合考虑电动汽车充电站及分布式能源的微电网规划方法，其特征在于：所述的步骤5中多目标自由搜索算法具体步骤如下：

步骤5.1，设置种群大小、最大迭代次数、搜索步数、领域搜索半径和外存memory的大小等参数；

步骤5.2，根据个体的可行域，随机生成初始种群；

步骤5.3，进行初始化搜索，计算个体的组合适应度，并进行非支配排序；

步骤5.4，将Pareto解集存入外部存档memory，并采用自适应网格法进行调整；

步骤5.5，对个体进行组合适应度的分配，计算信息素，生成灵敏度；

步骤5.6，进入搜索步，对每个个体在领域搜索半径内进行小步搜索，并进行非支配排序；

步骤5.7，将Pareto解集存入外部存档memory，并采用自适应网格法进行调整；

步骤5.8，对个体进行组合适应度的分配，计算信息素，生成灵敏度；

步骤5.9，对比信息素和灵敏度，得到下一代的初始搜索点；

步骤5.10，如果未达到迭代次数G，跳转至步骤5.6，并记g＝g+1，g为已迭代次数，否则转至步骤5.11；

步骤5.11，停止迭代，输出memory内容。

Images