CN111626492A - 一种电动汽车充电网络模糊多目标机会约束规划方法 - Google Patents

一种电动汽车充电网络模糊多目标机会约束规划方法 Download PDF

Info

Publication number
CN111626492A
CN111626492A CN202010439891.6A CN202010439891A CN111626492A CN 111626492 A CN111626492 A CN 111626492A CN 202010439891 A CN202010439891 A CN 202010439891A CN 111626492 A CN111626492 A CN 111626492A
Authority
CN
China
Prior art keywords
electric vehicle
formula
vehicle charging
planning
network
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.)
Granted
Application number
CN202010439891.6A
Other languages
English (en)
Other versions
CN111626492B (zh
Inventor
钱科军
戴康
吴博文
张晓明
刘乙
李亚飞
张新松
卢成
陆胜男
朱建峰
姜柯柯
曹书秀
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.)
Nantong University
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nantong University
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 Nantong University, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Nantong University
Priority to CN202010439891.6A priority Critical patent/CN111626492B/zh
Publication of CN111626492A publication Critical patent/CN111626492A/zh
Application granted granted Critical
Publication of CN111626492B publication Critical patent/CN111626492B/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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Water Supply & Treatment (AREA)
  • Fuzzy Systems (AREA)

Abstract

本发明涉及电动汽车充电网络规划技术领域，具体涉及一种电动汽车充电网络模糊多目标机会约束规划方法。本发明在充电站建设数目和充电桩配置总数给定的情况下，优化了电动汽车充电站建设地址与各电动汽车充电站中的充电桩配置数目，提升了电动汽车充电网络的充电服务能力，减少了配电系统中的网损电量，并确保配电系统运行工况满足要求，给出了电动汽车充电网络最优规划方案。在电动汽车充电负荷随机特性与分布式光伏出力随机特性的双重作用下，配电系统运行工况具有随机特性。考虑到配电系统运行工况的随机特性，建立了基于机会约束的电动汽车充电网络多目标随机规划模型。

Description

一种电动汽车充电网络模糊多目标机会约束规划方法
技术领域
本发明涉及电动汽车充电网络规划技术领域，具体涉及一种电动汽车充电网络模糊多目标机会约束规划方法。
背景技术
近年来，随着化石燃料的逐渐枯竭与环境污染的日益加剧，以电动汽车为代表的清洁能源交通工具引起了广泛关注。电动汽车充电站既是支撑电动汽车发展的重要基础设施，又是配电系统中的重要负荷，不合理的电动汽车充电网络不仅会降低车主使用车辆的便利性、阻碍电动汽车产业的进一步发展，还将加重配电系统运行负担、恶化运行工况。也就是说，电动汽车充电网络规划必须兼顾配电系统和交通系统的需求，同时考虑多个优化目标。受车主交通行为和充电习惯等不确定性因素的影响，电动汽车充电站的充电负荷具有随机特性，除此之外，配电系统中分布式光伏的出力同样具有随机特性，在这两大随机因素的共同作用下，配电系统运行工况必然呈现随机特性，也就是说，电动汽车充电网络规划中必须考虑配电系统运行工况的随机特性。综上，亟需提出用于电动汽车充电网络规划的多目标随机优化模型与对应的求解方法，为建设合理的电动汽车充电网络提供参考。
在考虑电动汽车车主出行便利性与充电站运营商的利益的基础上，文献一《面向用户需求的电动汽车充电站最优规划模型研究》(可再生能源，2018年，第36卷，第4期，第568页至573页)提出了电动汽车充电网络优化规划模型，并利用改进免疫遗传算法求解模型，给出了电动汽车充电网络中各充电站的最优建设地址与建设容量。该模型充分考虑了电动汽车车主的出行需求和选择决策，但未对电动汽车充电站的电力负荷属性加以考虑，给出的电动汽车充电网络规划方案具有一定的局限性。文献二《考虑顾客满意度的电动汽车充电桩规划策略》(可再生能源，2017年，第35卷，第6期，第933页至第939页)提出了考虑顾客等待时间和充电桩利用率的满意度函数，并以此为目标对电动汽车充电站中的充电桩配置数目进行优化，接着，以配电系统电压降最小为优化目标，通过模拟退火算法优化电动汽车充电站建设地址。该文献提出的方法未充分考虑电动汽车充电网络的充电服务能力与配电系统运行工况的随机特性，给出的电动汽车充电网络规划方案具有一定的局限性。通过分析电动汽车充电站等级、电动汽车规模以及距离间的相互影响关系，文献三《基于引力模型的电动汽车充电站选址规划》(电工电能新技术，2016年，第35卷，第5期，第61页至66页)给出了充电站与电动汽车之间的相互吸引模型，并以此为基础建立了考虑未来发展的电动汽车充电站规划模型，优化充电站建设地址。该文献提出的方法未对电动汽车充电站建设容量进行优化，且未考虑电动汽车充电站对配电系统运行工况的影响，具有一定的局限性。
电动汽车充电站既是支撑电动汽车产业发展的重要基础设施，又是配电系统中具有随机特性的重要用电负荷，不合理的电动汽车充电网络不仅会降低车主使用车辆的便利性、阻碍电动汽车产业的进一步发展，还将加重配电系统运行负担、恶化运行工况。然而，现有方法均未充分考虑电动汽车充电网络的充电服务能力与配电系统的随机运行工况，具有一定的局限性，难以为电动汽车充电网络建设提供参考。
发明内容
本发明针对现有技术中存在的不足，本发明的目的是提供一种电动汽车充电网络模糊多目标机会约束规划方法，能够在充电站建设数目和充电桩配置总数给定的情况下，优化电动汽车充电站建设地址与各电动汽车充电站中的充电桩配置数目，一方面尽可能提升电动汽车充电网络的充电服务能力，一方面尽可能减少配电系统中的网损电量，并确保配电系统运行工况满足要求。
本发明为实现上述发明目的，采取的技术方案如下：
一种电动汽车充电网络模糊多目标机会约束规划方法，包括以下步骤：S1：给定规划边界条件，包括：交通系统拓扑结构与参数，电动汽车满充状态下的最大续航里程，充电站候选地址，充电站建设总数，充电桩配置总数，单个充电站充电桩配置数目上限，配电系统拓扑结构与参数，配电系统规划典型日内的负荷，规划典型日内的充电负荷概率场景集，规划典型日内的分布式光伏出力概率场景集，配电节点最大电压允许偏移百分数，配电节点电压越限置信度与配电线路潮流越限置信度；S2：建立同时考虑第一优化目标为电动汽车充电网络充电服务能力最大与第二优化目标为配电系统网损电量期望最小的电动汽车充电网络多目标随机规划模型，所述模型中配电节点电压偏移约束与配电线路潮流越限约束为机会约束；S3：采用模糊数学方法，对电动汽车充电网络多目标随机规划模型中的第一与第二优化目标进行模糊处理，将电动汽车充电网络多目标随机规划模型转换为基于最大满意度的单目标随机规划模型；S4：根据电动汽车充电网络多目标随机规划模型的特征设计染色体编码方案与交叉、变异操作算子，采用遗传算法求解单目标随机规划模型，给出电动汽车充电网络最优规划方案。
作为本发明的优选技术方案：步骤S2所述的电动汽车充电网络多目标随机规划模型，具体如下：电动汽车充电网络多目标随机规划模型的第一优化目标为电动汽车充电网络充电服务能力最大，具体如公式(1)所示：
Figure BDA0002503692310000021
公式(1)中，Fc为电动汽车充电网络截获的总车流量，可对其充电服务能力进行衡量；Q为交通网络中的最短路径集合；q为路径索引；yq为表征路径q上的车流量能否被截获的二进制变量，当值为“1”表示能被截获，当值为“0”表示不能被截获；fq为路径q上的车流量，可通过公式(2)给出的重力空间互动模型计算：
Figure BDA0002503692310000031
公式(2)中，WO为路径q起点O的权重；WD为路径q终点D的权重；dq为路径q的长度；
电动汽车充电网络多目标随机规划模型的第二优化目标为配电系统网损电量期望最小，具体如公式(3)所示：
Figure BDA0002503692310000032
公式(3)中，Floss表示配电系统规划典型日内的网损电量期望；t为潮流分析时段索引；Tf为典型日内的潮流分析时段数；l为配电线路索引；Ωbr为配电线路集合；ΔPloss,l,t为配电线路l在潮流分析时段t的损耗功率，为随机变量；E(·)为求取随机变量期望的运算符。
作为本发明的优选技术方案：所述电动汽车充电网络多目标随机规划模型的约束分别如公式(4)至公式(8)所示，公式(4)表示充电站建设数目约束，具体如下：
Figure BDA0002503692310000033
公式(4)中，M为充电站建设总数；Nsta为充电站候选地址总数；i为候选地址索引；xi是电动汽车充电网络多目标随机规划模型中的0-1优化变量(i＝1,2,3,···,Nsta)，当取“1”表示在候选地址i建设充电站，当取“0”表示不在候选地址i建设充电站；
公式(5)为电动汽车充电网络中的充电桩配置总数约束，具体如下：
Figure BDA0002503692310000034
公式(5)中，zj为充电站j中的充电桩配置数目，j＝1,2,···,M；Cpile为电动汽车充电网络中的充电桩配置总数；
公式(6)为单个充电站中的充电桩配置数目约束，具体如下：
1≤zj≤zmax j＝1,2,…,M (6)
公式(6)中，zmax为单个充电站中的充电桩配置数目上限；
公式(7)为节点电压偏移机会约束，具体如下：
Figure BDA0002503692310000041
公式(7)中，Pr{·}表示括号中随机事件发生的概率；k是配电节点索引；Ωbus为配电节点集合；Uk为配电节点k的电压，为随机变量，概率分布特性可通过配电系统规划典型日内的概率潮流分析获得；UN为配电系统额定电压；α％为配电节点最大电压允许偏移百分数；β1为电压越限置信度；
公式(8)为配电线路潮流越限机会约束，具体如下：
Pr{Il>Il,max}≤β2 l∈Ωbr (8)
公式(8)中，Il为配电线路l上的负荷电流，为随机变量，概率分布特性可通过配电系统规划典型日内的概率潮流分析获得；Il,max为配电线路l的最大允许电流；β2为潮流越限置信度。
作为本发明的优选技术方案：步骤S3所述的进行模糊处理的具体步骤如下：S3.1：采用降半Γ形隶属度函数对公式(1)与公式(3)给出的第一与第二优化目标进行模糊化，即分别计算第一与第二优化目标的模糊隶属度，具体如公式(9)和公式(10)所示：
Figure BDA0002503692310000042
Figure BDA0002503692310000043
公式(9)中，μ1表示规划人员对第一优化目标为电动汽车充电网络充电服务能力最大的满意度，取值介于[0,1]之间；Fc,max为电动汽车充电网络充电服务能力的最大值，若电动汽车充电网络规划中仅考虑公式(1)给出的第一优化目标，且忽略公式(7)和公式(8)给出的机会约束，规划方案对应的充电服务能力即为Fc,max；
公式(10)中，μ2表示规划人员对第二优化目标为配电系统网损电量期望最小的满意度，取值介于[0,1]之间；Floss,min为配电系统规划典型内的网损电量期望最小值，若电动汽车充电网络规划中仅考虑公式(3)给出的第二优化目标，规划方案对应的规划典型日网损电量期望即为Floss,min；
S3.2：定义满意度指标μ，为量化规划人员对电动汽车充电网络规划方案的整体满意度，具体如公式(11)所示：
μ＝min{μ1,μ2} (11)
公式(11)中，μ1表示规划人员对第一优化目标为电动汽车充电网络充电服务能力最大的满意度，取值介于[0,1]之间；μ2表示规划人员对第二优化目标为配电系统网损电量期望最小的满意度，取值介于[0,1]之间；
S3.3：基于满意度指标μ，将电动汽车充电网络多目标随机规划模型转换为基于最大满意度的单目标规划模型，如公式(12)所示：
maxμ (12)
公式(12)中，μ为满意度指标。
作为本发明的优选技术方案：所述基于最大满意度的单目标随机规划模型的约束包括公式(4)至公式(8)、公式(13)至公式(15)；其中，公式(13)具体如下：
Fc≤Fc,max (13)
公式(13)中，Fc为电动汽车充电网络截获的总车流量，可对其充电服务能力进行衡量；Fc,max为电动汽车充电网络充电服务能力的最大值；
其中，公式(14)具体如下：
Floss≥Floss，min (14)
公式(14)中，Floss表示配电系统规划典型日内的网损电量期望；Floss,min为配电系统规划典型内的网损电量期望最小值；
其中，公式(15)具体如下：
0≤μ≤1 (15)
公式(15)中，μ为满意度指标。
作为本发明的优选技术方案：步骤S4所述的单目标随机规划模型的求解步骤具体如下：S4.1：给定遗传算法参数，包括：种群规模Npop，交叉率Pc，变异率Pm与最大进化代数Gmax；S4.2：随机生成由Npop条染色体组成的初始种群；所述初始种群中的染色体为Nsta个码位组成的二进制码串，第i个码位取值为“1”时在候选地址i建设充电站，否则为不在候选地址i建设充电站；各染色体中有且仅有M个码位取值为“1”；
S4.3：进化代数索引g初始化为0，即令g＝0；
S4.4：令g＝g+1，开始进行第g代进化，染色体索引n初始化为1，即令n＝1；
S4.5：对当前种群中的第n条染色体进行解码，确定M个电动汽车充电站的建设位置，基于截流选址模型计算各充电站截获分别截获的车流量Fc,j(j＝1,2,···,M)和电动汽车充电网络截获的总车流量Fc，求解以公式(16)为优化目标，公式(5)与公式(6)为约束的非线性整数规划问题，获得各电动汽车充电站中的充电桩配置数目，具体如下：
Figure BDA0002503692310000061
公式(16)中，Vmatch为充电站截获的车流量与充电桩配置数目之间的匹配度；M为充电站建设总数；j为充电网络中的充电站索引，j＝1,2,···,M；zj为充电站j中的充电桩配置数目；S4.6：采用场景概率法进行配电系统概率潮流计算，确定规划典型日内的网损电量期望Floss，各配电节点电压的概率分布特性与各配电线路潮流的概率分布特性；
S4.7：根据公式(9)至公式(11)计算满意度指标μ，接着，按公式(17)至公式(19)确定第n条染色体的适应度Vfit,n：
Vfit,n＝μ-η1×Vp1-η2×Vp2 (17)
Figure BDA0002503692310000062
Figure BDA0002503692310000063
公式(17)至(19)中，采用罚函数法分别处理公式(7)与公式(8)给出的机会约束，η1与η2为罚系数；算子
Figure BDA0002503692310000064
表示取
Figure BDA0002503692310000065
中较大的数；Vp1与Vp2分别表示公式(7)与公式(8)给出机会约束的违背程度，可分别由公式(18)与公式(19)计算；
S4.8：判断是否完成对当前种群中所有染色体的适应度计算，即判断染色体索引n是否等于种群规模Npop；若n<Npop，则令n＝n+1，并跳转至步骤S4.5，继续计算种群中其它染色体的适应度；否则，继续执行下一步骤S4.9；
S4.9：判断是否到达最大进化代数，即判断进化代数索引g是否等于最大进化代数Gmax；若g＝Gmax，则继续执行下一步骤S4.10；否则，以适应度为依据，对当前染色体种群进行复制、交叉与变异操作，更新染色体种群，并跳转至步骤S4.4；
S4.10：将当前种群最优秀染色体对应的充电网络规划方案作为电动汽车充电网络多目标随机规划模型的最优解输出，结束算法流程。
作为本发明的优选技术方案：步骤S4.2所述的初始种群中的染色体的取值步骤如下：(1)将染色体所有码位赋值为“0”；(2)从染色体中随机挑选M个码位，将赋值由“0”改为“1”。
作为本发明的优选技术方案：步骤S4.9所述的交叉操作算子，具体步骤如下：(a)从当前种群中随机选取两条染色体作为待交叉染色体；(b)反复随机生成待选交叉位Ncan(1<Ncan<Nsta)，直至找到可行交叉位Ncr；(c)以交叉概率Pc交换两条染色体交叉位Ncr后染色体码串，完成交叉操作。
作为本发明的优选技术方案：步骤(b)所述的Ncr为可行交叉位的条件是两条待交叉染色体第Ncan个码位后取值为“1”的码位数一致。
作为本发明的优选技术方案：步骤S4.9所述的变异操作算子，具体步骤如下：步骤一：从当前染色体种群中随机选取一条染色体作为待变异染色体；步骤二：随机生成两个待变异码位Nmu1与Nmu2(1<Nmu1<Nsta，1<Nmu2<Nsta)；所述的两个待变异码位Nmu1与Nmu2的取值不能同时为“1”或同时为“0”；步骤三：以变异概率Pm同时对待变异码位Nmu1与Nmu2进行变异操作，取值为“1”的待变异码位变异为“0”，取值为“0”的待变异码位变异为“1”。
本发明所述的一种电动汽车充电网络模糊多目标机会约束规划方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明在充电站建设数目和充电桩配置总数给定的情况下，优化了电动汽车充电站建设地址与各电动汽车充电站中的充电桩配置数目，提升了电动汽车充电网络的充电服务能力，减少了配电系统中的网损电量，并确保配电系统运行工况满足要求，给出了电动汽车充电网络最优规划方案。
附图说明
图1是本发明提出的方法流程示意图；
图2是本发明提出的单目标随机规划模型的求解步骤示意图；
图3为本发明的交叉操作流程示意图；
图4为本发明的变异操作流程示意图。
具体实施方式
下面结合附图详细的描述本发明的作进一步的解释说明,以使本领域的技术人员可以更深入地理解本发明并能够实施,但下面通过参考实例仅用于解释本发明,不作为本发明的限定。
如图1所示，一种电动汽车充电网络模糊多目标机会约束规划方法，包括以下步骤：S1：给定规划边界条件，包括：交通系统拓扑结构与参数，电动汽车满充状态下的最大续航里程，充电站候选地址，充电站建设总数，充电桩配置总数，单个充电站充电桩配置数目上限，配电系统拓扑结构与参数，配电系统规划典型日内的负荷，规划典型日内的充电负荷概率场景集，规划典型日内的分布式光伏出力概率场景集，配电节点最大电压允许偏移百分数，配电节点电压越限置信度与配电线路潮流越限置信度；S2：建立同时考虑第一优化目标为电动汽车充电网络充电服务能力最大与第二优化目标为配电系统网损电量期望最小的电动汽车充电网络多目标随机规划模型，所述模型中配电节点电压偏移约束与配电线路潮流越限约束为机会约束；S3：采用模糊数学方法，对电动汽车充电网络多目标随机规划模型中的第一与第二优化目标进行模糊处理，将电动汽车充电网络多目标随机规划模型转换为基于最大满意度的单目标随机规划模型；S4：根据电动汽车充电网络多目标随机规划模型的特征设计染色体编码方案与交叉、变异操作算子，采用遗传算法求解单目标随机规划模型，给出电动汽车充电网络最优规划方案。
步骤S2所述的电动汽车充电网络多目标随机规划模型，具体如下：电动汽车充电网络是支撑电动汽车发展的重要基础措施，是影响电动汽车使用便利性的关键因素之一，电动汽车充电网络多目标随机规划模型的第一优化目标为电动汽车充电网络充电服务能力最大，具体如公式(1)所示：
Figure BDA0002503692310000081
公式(1)中，Fc为电动汽车充电网络截获的总车流量，可对其充电服务能力进行衡量；Q为交通网络中的最短路径集合；q为路径索引；yq为表征路径q上的车流量能否被截获的二进制变量，与电动汽车充电站建设位置，电动汽车满充状态下的最大续航里程以及路径长度等多种因素有关，当值为“1”表示能被截获，当值为“0”表示不能被截获；fq为路径q上的车流量，可通过公式(2)给出的重力空间互动模型计算：
Figure BDA0002503692310000082
公式(2)中，WO为路径q起点O的权重；WD为路径q终点D的权重；dq为路径q的长度；
电动汽车充电负荷是配电系统中的重要负荷，受车主交通行为和充电习惯等不确定性因素的影响，电动汽车充电负荷具有随机特性。配电系统中，分布式光伏出力同样具有随机特性，在上述两大随机因素的共同作用下，配电系统运行工况呈现显著的随机特性。电动汽车充电负荷会改变配电系统运行工况，并可能导致网损电量增加，电动汽车充电网络多目标随机规划模型的第二优化目标为配电系统网损电量期望最小，具体如公式(3)所示：
Figure BDA0002503692310000091
公式(3)中，Floss表示配电系统规划典型日内的网损电量期望；t为潮流分析时段索引；Tf为典型日内的潮流分析时段数；l为配电线路索引；Ωbr为配电线路集合；ΔPloss,l,t为配电线路l在潮流分析时段t的损耗功率，为随机变量；E(·)为求取随机变量期望的运算符。
所述电动汽车充电网络多目标随机规划模型的约束分别如公式(4)至公式(8)所示，公式(4)表示充电站建设数目约束，具体如下：
Figure BDA0002503692310000092
公式(4)中，M为充电站建设总数；Nsta为充电站候选地址总数；i为候选地址索引；xi是电动汽车充电网络多目标随机规划模型中的0-1优化变量(i＝1,2,3,···,Nsta)，当取“1”表示在候选地址i建设充电站，当取“0”表示不在候选地址i建设充电站；
公式(5)为电动汽车充电网络中的充电桩配置总数约束，具体如下：
Figure BDA0002503692310000093
公式(5)中，zj为充电站j中的充电桩配置数目，j＝1,2,···,M；Cpile为电动汽车充电网络中的充电桩配置总数；
公式(6)为单个充电站中的充电桩配置数目约束，具体如下：
1≤zj≤zmax j＝1,2,…,M (6)
公式(6)中，zmax为单个充电站中的充电桩配置数目上限；
公式(7)为节点电压偏移机会约束，具体如下：
Figure BDA0002503692310000094
公式(7)中，Pr{·}表示括号中随机事件发生的概率；k是配电节点索引；Ωbus为配电节点集合；Uk为配电节点k的电压，为随机变量，概率分布特性可通过配电系统规划典型日内的概率潮流分析获得；UN为配电系统额定电压；α％为配电节点最大电压允许偏移百分数；β1为电压越限置信度；
公式(8)为配电线路潮流越限机会约束，具体如下：
Pr{Il>Il,max}≤β2 l∈Ωbr (8)
公式(8)中，Il为配电线路l上的负荷电流，为随机变量，概率分布特性可通过配电系统规划典型日内的概率潮流分析获得；Il,max为配电线路l的最大允许电流；β2为潮流越限置信度。
步骤S3所述的进行模糊处理的具体步骤如下：S3.1：采用降半Γ形隶属度函数对公式(1)与公式(3)给出的第一与第二优化目标进行模糊化，即分别计算第一与第二优化目标的模糊隶属度，具体如公式(9)和公式(10)所示：
Figure BDA0002503692310000101
Figure BDA0002503692310000102
公式(9)中，μ1表示规划人员对第一优化目标为电动汽车充电网络充电服务能力最大的满意度，取值介于[0,1]之间，越接近1说明规划人员对第一优化目标越满意；Fc,max为电动汽车充电网络充电服务能力的最大值，若电动汽车充电网络规划中仅考虑公式(1)给出的第一优化目标，且忽略公式(7)和公式(8)给出的机会约束，规划方案对应的充电服务能力即为Fc,max；
公式(10)中，μ2表示规划人员对第二优化目标为配电系统网损电量期望最小的满意度，取值介于[0,1]之间，越接近1说明规划人员对第二优化目标越满意；Floss,min为配电系统规划典型内的网损电量期望最小值，若电动汽车充电网络规划中仅考虑公式(3)给出的第二优化目标，规划方案对应的规划典型日网损电量期望即为Floss,min；
S3.2：定义满意度指标μ，为量化规划人员对电动汽车充电网络规划方案的整体满意度，具体如公式(11)所示：
μ＝min{μ1,μ2} (11)
公式(11)中，μ1表示规划人员对第一优化目标为电动汽车充电网络充电服务能力最大的满意度，取值介于[0,1]之间；μ2表示规划人员对第二优化目标为配电系统网损电量期望最小的满意度，取值介于[0,1]之间；
S3.3：基于满意度指标μ，将电动汽车充电网络多目标随机规划模型转换为基于最大满意度的单目标规划模型，如公式(12)所示：
maxμ (12)
公式(12)中，μ为满意度指标。
所述基于最大满意度的单目标随机规划模型的约束包括公式(4)至公式(8)、公式(13)至公式(15)；其中，公式(13)具体如下：
Fc≤Fc,max (13)
公式(13)中，Fc为电动汽车充电网络截获的总车流量，可对其充电服务能力进行衡量；Fc,max为电动汽车充电网络充电服务能力的最大值；
其中，公式(14)具体如下：
Floss≥Floss，min (14)
公式(14)中，Floss表示配电系统规划典型日内的网损电量期望；Floss,min为配电系统规划典型内的网损电量期望最小值；
其中，公式(15)具体如下：
0≤μ≤1 (15)
公式(15)中，μ为满意度指标。
如图2所示，步骤S4所述的单目标随机规划模型的求解步骤具体如下：S4.1：给定遗传算法参数，包括：种群规模Npop，交叉率Pc，变异率Pm与最大进化代数Gmax；S4.2：随机生成由Npop条染色体组成的初始种群；所述初始种群中的染色体为Nsta个码位组成的二进制码串，第i个码位取值为“1”时在候选地址i建设充电站，否则为不在候选地址i建设充电站；各染色体中有且仅有M个码位取值为“1”；S4.3：进化代数索引g初始化为0，即令g＝0；S4.4：令g＝g+1，开始进行第g代进化，染色体索引n初始化为1，即令n＝1；S4.5：对当前种群中的第n条染色体进行解码，确定M个电动汽车充电站的建设位置，基于截流选址模型计算各充电站截获分别截获的车流量Fc,j(j＝1,2,···,M)和电动汽车充电网络截获的总车流量Fc，求解以公式(16)为优化目标，公式(5)与公式(6)为约束的非线性整数规划问题，获得各电动汽车充电站中的充电桩配置数目，具体如下：
Figure BDA0002503692310000111
公式(16)中，Vmatch为充电站截获的车流量与充电桩配置数目之间的匹配度，可对电动汽车充电网络的运行效率进行衡量，Vmatch取值越小，说明充电站截获的车流量与充电桩配置数目之间的匹配度越好，电动汽车充电网络运行效率越高；对电动汽车充电网络来说，应在截获车流量大的充电站中配置较多充电桩，否则，电动汽车在这些充电站中将面临过长的充电等待时间，降低电动汽车充电网络运行效率；同样，对截获车流量小的充电站来说，应配置较少充电桩，否则，这些充电站中的充电桩资源将得不到充分利用，降低电动汽车充电网络运行效率；M为充电站建设总数；j为充电网络中的充电站索引，j＝1,2,···,M；zj为充电站j中的充电桩配置数目；
S4.6：采用场景概率法进行配电系统概率潮流计算，确定规划典型日内的网损电量期望Floss，各配电节点电压的概率分布特性与各配电线路潮流的概率分布特性；
S4.7：根据公式(9)至公式(11)计算满意度指标μ，接着，按公式(17)至公式(19)确定第n条染色体的适应度Vfit,n：
Vfit,n＝μ-η1×Vp1-η2×Vp2 (17)
Figure BDA0002503692310000121
Figure BDA0002503692310000122
公式(17)至(19)中，采用罚函数法分别处理公式(7)与公式(8)给出的机会约束，η1与η2为罚系数；算子
Figure BDA0002503692310000123
表示取
Figure BDA0002503692310000124
中较大的数；Vp1与Vp2分别表示公式(7)与公式(8)给出机会约束的违背程度，可分别由公式(18)与公式(19)计算；
S4.8：判断是否完成对当前种群中所有染色体的适应度计算，即判断染色体索引n是否等于种群规模Npop；若n<Npop，则令n＝n+1，并跳转至步骤S4.5，继续计算种群中其它染色体的适应度；否则，继续执行下一步骤S4.9；
S4.9：判断是否到达最大进化代数，即判断进化代数索引g是否等于最大进化代数Gmax；若g＝Gmax，则继续执行下一步骤S4.10；否则，以适应度为依据，对当前染色体种群进行复制、交叉与变异操作，更新染色体种群，并跳转至步骤S4.4；
S4.10：将当前种群最优秀染色体对应的充电网络规划方案作为电动汽车充电网络多目标随机规划模型的最优解输出，结束算法流程。
步骤S4.2所述的初始种群中的染色体的取值步骤如下：(1)将染色体所有码位赋值为“0”；(2)从染色体中随机挑选M个码位，将赋值由“0”改为“1”。
如图3所示，步骤S4.9所述的交叉操作算子，具体步骤如下：(a)从当前种群中随机选取两条染色体作为待交叉染色体；(b)反复随机生成待选交叉位Ncan(1<Ncan<Nsta)，直至找到可行交叉位Ncr；(c)以交叉概率Pc交换两条染色体交叉位Ncr后染色体码串，完成交叉操作。步骤(b)所述的Ncr为可行交叉位的条件是两条待交叉染色体第Ncan个码位后取值为“1”的码位数一致。
如图4所示，步骤S4.9所述的变异操作算子，具体步骤如下：步骤一：从当前染色体种群中随机选取一条染色体作为待变异染色体；步骤二：随机生成两个待变异码位Nmu1与Nmu2(1<Nmu1<Nsta，1<Nmu2<Nsta)；所述的两个待变异码位Nmu1与Nmu2的取值不能同时为“1”或同时为“0”；步骤三：以变异概率Pm同时对待变异码位Nmu1与Nmu2进行变异操作，取值为“1”的待变异码位变异为“0”，取值为“0”的待变异码位变异为“1”。
因为在电动汽车充电负荷随机特性与分布式光伏出力随机特性的双重作用下，配电系统运行工况具有随机特性。所以考虑到配电系统运行工况的随机特性，本发明建立了基于机会约束的电动汽车充电网络多目标随机规划模型：优化变量为电动汽车充电站建设地址与充电桩配置数目；第一优化目标为电动汽车充电网络的充电服务能力最大与第二优化目标为配电系统网损电量期望最小；约束条件为充电站建设数目约束，充电桩配置总数约束，单个充电站充电桩配置数目约束，配电节点电压偏移机会约束与配电线路潮流越限机会约束。电动汽车充电网络多目标随机规划模型包括两个不同维度的优化目标，方法采用模糊数学方法将其转换为基于最大满意度的单目标随机规划模型，并采用遗传算法求解。求解中，根据待求优化模型的特征设计染色体编码方案与交叉、变异操作算子。染色体解码后，可确定充电站建设地址，在此基础上根据各充电站截获的车流量优化各充电站的充电桩配置数目，接着，结合配电系统规划典型日内的概率潮流分析结果确定染色体适应度。以染色体适应度为依据，更新遗传算法种群，一旦遗传算法进化到此最大进化代数，便认为算法收敛，输出规划结果。
以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。

Claims (10)

1.一种电动汽车充电网络模糊多目标机会约束规划方法，其特征在于，包括以下步骤：
S1：给定规划边界条件，包括：交通系统拓扑结构与参数，电动汽车满充状态下的最大续航里程，充电站候选地址，充电站建设总数，充电桩配置总数，单个充电站充电桩配置数目上限，配电系统拓扑结构与参数，配电系统规划典型日内的负荷，规划典型日内的充电负荷概率场景集，规划典型日内的分布式光伏出力概率场景集，配电节点最大电压允许偏移百分数，配电节点电压越限置信度与配电线路潮流越限置信度；
S2：建立同时考虑第一优化目标为电动汽车充电网络充电服务能力最大与第二优化目标为配电系统网损电量期望最小的电动汽车充电网络多目标随机规划模型，所述模型中配电节点电压偏移约束与配电线路潮流越限约束为机会约束；
S3：采用模糊数学方法，对电动汽车充电网络多目标随机规划模型中的第一与第二优化目标进行模糊处理，将电动汽车充电网络多目标随机规划模型转换为基于最大满意度的单目标随机规划模型；
S4：根据电动汽车充电网络多目标随机规划模型的特征设计染色体编码方案与交叉、变异操作算子，采用遗传算法求解单目标随机规划模型，给出电动汽车充电网络最优规划方案。
2.根据权利要求1所述的一种电动汽车充电网络模糊多目标机会约束规划方法，其特征在于，步骤S2所述的电动汽车充电网络多目标随机规划模型，具体如下：
电动汽车充电网络多目标随机规划模型的第一优化目标为电动汽车充电网络充电服务能力最大，具体如公式(1)所示：
Figure FDA0002503692300000011
公式(1)中，Fc为电动汽车充电网络截获的总车流量，可对其充电服务能力进行衡量；Q为交通网络中的最短路径集合；q为路径索引；yq为表征路径q上的车流量能否被截获的二进制变量，当值为“1”表示能被截获，当值为“0”表示不能被截获；fq为路径q上的车流量，可通过公式(2)给出的重力空间互动模型计算：
Figure FDA0002503692300000012
公式(2)中，WO为路径q起点O的权重；WD为路径q终点D的权重；dq为路径q的长度；
电动汽车充电网络多目标随机规划模型的第二优化目标为配电系统网损电量期望最小，具体如公式(3)所示：
Figure FDA0002503692300000021
公式(3)中，Floss表示配电系统规划典型日内的网损电量期望；t为潮流分析时段索引；Tf为典型日内的潮流分析时段数；l为配电线路索引；Ωbr为配电线路集合；ΔPloss,l,t为配电线路l在潮流分析时段t的损耗功率，为随机变量；E(·)为求取随机变量期望的运算符。
3.根据权利要求2所述的一种电动汽车充电网络模糊多目标机会约束规划方法，其特征在于，所述电动汽车充电网络多目标随机规划模型的约束分别如公式(4)至公式(8)所示，公式(4)表示充电站建设数目约束，具体如下：
Figure FDA0002503692300000022
公式(4)中，M为充电站建设总数；Nsta为充电站候选地址总数；i为候选地址索引；xi是电动汽车充电网络多目标随机规划模型中的0-1优化变量(i＝1,2,3,···,Nsta)，当取“1”表示在候选地址i建设充电站，当取“0”表示不在候选地址i建设充电站；
公式(5)为电动汽车充电网络中的充电桩配置总数约束，具体如下：
Figure FDA0002503692300000023
公式(5)中，zj为充电站j中的充电桩配置数目，j＝1,2,···,M；Cpile为电动汽车充电网络中的充电桩配置总数；
公式(6)为单个充电站中的充电桩配置数目约束，具体如下：
1≤zj≤zmax j＝1,2,…,M (6)
公式(6)中，zmax为单个充电站中的充电桩配置数目上限；
公式(7)为节点电压偏移机会约束，具体如下：
Figure FDA0002503692300000024
公式(7)中，Pr{·}表示括号中随机事件发生的概率；k是配电节点索引；Ωbus为配电节点集合；Uk为配电节点k的电压，为随机变量，概率分布特性可通过配电系统规划典型日内的概率潮流分析获得；UN为配电系统额定电压；α％为配电节点最大电压允许偏移百分数；β1为电压越限置信度；
公式(8)为配电线路潮流越限机会约束，具体如下：
Pr{Il>Il,max}≤β2 l∈Ωbr (8)
公式(8)中，Il为配电线路l上的负荷电流，为随机变量，概率分布特性可通过配电系统规划典型日内的概率潮流分析获得；Il,max为配电线路l的最大允许电流；β2为潮流越限置信度。
4.根据权利要求3所述的一种电动汽车充电网络模糊多目标机会约束规划方法，其特征在于，步骤S3所述的进行模糊处理的具体步骤如下：
S3.1：采用降半Γ形隶属度函数对公式(1)与公式(3)给出的第一与第二优化目标进行模糊化，即分别计算第一与第二优化目标的模糊隶属度，具体如公式(9)和公式(10)所示：
Figure FDA0002503692300000031
Figure FDA0002503692300000032
公式(9)中，μ1表示规划人员对第一优化目标为电动汽车充电网络充电服务能力最大的满意度，取值介于[0,1]之间；Fc,max为电动汽车充电网络充电服务能力的最大值，若电动汽车充电网络规划中仅考虑公式(1)给出的第一优化目标，且忽略公式(7)和公式(8)给出的机会约束，规划方案对应的充电服务能力即为Fc,max；
公式(10)中，μ2表示规划人员对第二优化目标为配电系统网损电量期望最小的满意度，取值介于[0,1]之间；Floss,min为配电系统规划典型内的网损电量期望最小值，若电动汽车充电网络规划中仅考虑公式(3)给出的第二优化目标，规划方案对应的规划典型日网损电量期望即为Floss,min；
S3.2：定义满意度指标μ，为量化规划人员对电动汽车充电网络规划方案的整体满意度，具体如公式(11)所示：
μ＝min{μ1,μ2} (11)
公式(11)中，μ1表示规划人员对第一优化目标为电动汽车充电网络充电服务能力最大的满意度，取值介于[0,1]之间；μ2表示规划人员对第二优化目标为配电系统网损电量期望最小的满意度，取值介于[0,1]之间；
S3.3：基于满意度指标μ，将电动汽车充电网络多目标随机规划模型转换为基于最大满意度的单目标规划模型，如公式(12)所示：
maxμ (12)
公式(12)中，μ为满意度指标。
5.根据权利要求4所述的一种电动汽车充电网络模糊多目标机会约束规划方法，其特征在于，所述基于最大满意度的单目标随机规划模型的约束包括公式(4)至公式(8)、公式(13)至公式(15)；其中，公式(13)具体如下：
Fc≤Fc,max (13)
公式(13)中，Fc为电动汽车充电网络截获的总车流量，可对其充电服务能力进行衡量；Fc,max为电动汽车充电网络充电服务能力的最大值；
其中，公式(14)具体如下：
Floss≥Floss，min (14)
公式(14)中，Floss表示配电系统规划典型日内的网损电量期望；Floss,min为配电系统规划典型内的网损电量期望最小值；
其中，公式(15)具体如下：
0≤μ≤1 (15)
公式(15)中，μ为满意度指标。
6.根据权利要求4所述的一种电动汽车充电网络模糊多目标机会约束规划方法，其特征在于，步骤S4所述的单目标随机规划模型的求解步骤具体如下：
S4.1：给定遗传算法参数，包括：种群规模Npop，交叉率Pc，变异率Pm与最大进化代数Gmax；
S4.2：随机生成由Npop条染色体组成的初始种群；所述初始种群中的染色体为Nsta个码位组成的二进制码串，第i个码位取值为“1”时在候选地址i建设充电站，否则为不在候选地址i建设充电站；各染色体中有且仅有M个码位取值为“1”；
S4.3：进化代数索引g初始化为0，即令g＝0；
S4.4：令g＝g+1，开始进行第g代进化，染色体索引n初始化为1，即令n＝1；
S4.5：对当前种群中的第n条染色体进行解码，确定M个电动汽车充电站的建设位置，基于截流选址模型计算各充电站截获分别截获的车流量Fc,j(j＝1,2,···,M)和电动汽车充电网络截获的总车流量Fc，求解以公式(16)为优化目标，公式(5)与公式(6)为约束的非线性整数规划问题，获得各电动汽车充电站中的充电桩配置数目，具体如下：
Figure FDA0002503692300000051
公式(16)中，Vmatch为充电站截获的车流量与充电桩配置数目之间的匹配度；M为充电站建设总数；j为充电网络中的充电站索引，j＝1,2,···,M；zj为充电站j中的充电桩配置数目；
S4.6：采用场景概率法进行配电系统概率潮流计算，确定规划典型日内的网损电量期望Floss，各配电节点电压的概率分布特性与各配电线路潮流的概率分布特性；
S4.7：根据公式(9)至公式(11)计算满意度指标μ，接着，按公式(17)至公式(19)确定第n条染色体的适应度Vfit,n：
Vfit,n＝μ-η1×Vp1-η2×Vp2 (17)
Figure FDA0002503692300000052
Figure FDA0002503692300000053
公式(17)至(19)中，采用罚函数法分别处理公式(7)与公式(8)给出的机会约束，η1与η2为罚系数；算子
Figure FDA0002503692300000054
表示取
Figure FDA0002503692300000055
中较大的数；Vp1与Vp2分别表示公式(7)与公式(8)给出机会约束的违背程度，可分别由公式(18)与公式(19)计算；
S4.8：判断是否完成对当前种群中所有染色体的适应度计算，即判断染色体索引n是否等于种群规模Npop；若n<Npop，则令n＝n+1，并跳转至步骤S4.5，继续计算种群中其它染色体的适应度；否则，继续执行下一步骤S4.9；
S4.9：判断是否到达最大进化代数，即判断进化代数索引g是否等于最大进化代数Gmax；若g＝Gmax，则继续执行下一步骤S4.10；否则，以适应度为依据，对当前染色体种群进行复制、交叉与变异操作，更新染色体种群，并跳转至步骤S4.4；
S4.10：将当前种群最优秀染色体对应的充电网络规划方案作为电动汽车充电网络多目标随机规划模型的最优解输出，结束算法流程。
7.根据权利要求6所述的一种电动汽车充电网络模糊多目标机会约束规划方法，其特征在于，步骤S4.2所述的初始种群中的染色体的取值步骤如下：
(1)将染色体所有码位赋值为“0”；
(2)从染色体中随机挑选M个码位，将赋值由“0”改为“1”。
8.根据权利要求6所述的一种电动汽车充电网络模糊多目标机会约束规划方法，其特征在于，步骤S4.9所述的交叉操作算子，具体步骤如下：
(a)从当前种群中随机选取两条染色体作为待交叉染色体；
(b)反复随机生成待选交叉位Ncan(1<Ncan<Nsta)，直至找到可行交叉位Ncr；
(c)以交叉概率Pc交换两条染色体交叉位Ncr后染色体码串，完成交叉操作。
9.根据权利要求8所述的一种电动汽车充电网络模糊多目标机会约束规划方法，其特征在于，步骤(b)所述的Ncr为可行交叉位的条件是两条待交叉染色体第Ncan个码位后取值为“1”的码位数一致。
10.根据权利要求6所述的一种电动汽车充电网络模糊多目标机会约束规划方法，其特征在于，步骤S4.9所述的变异操作算子，具体步骤如下：
步骤一：从当前染色体种群中随机选取一条染色体作为待变异染色体；
步骤二：随机生成两个待变异码位Nmu1与Nmu2(1<Nmu1<Nsta，1<Nmu2<Nsta)；所述的两个待变异码位Nmu1与Nmu2的取值不能同时为“1”或同时为“0”；
步骤三：以变异概率Pm同时对待变异码位Nmu1与Nmu2进行变异操作，取值为“1”的待变异码位变异为“0”，取值为“0”的待变异码位变异为“1”。
CN202010439891.6A 2020-05-22 2020-05-22 一种电动汽车充电网络模糊多目标机会约束规划方法 Active CN111626492B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010439891.6A CN111626492B (zh) 2020-05-22 2020-05-22 一种电动汽车充电网络模糊多目标机会约束规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010439891.6A CN111626492B (zh) 2020-05-22 2020-05-22 一种电动汽车充电网络模糊多目标机会约束规划方法

Publications (2)

Publication Number Publication Date
CN111626492A true CN111626492A (zh) 2020-09-04
CN111626492B CN111626492B (zh) 2022-07-08

Family

ID=72272171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010439891.6A Active CN111626492B (zh) 2020-05-22 2020-05-22 一种电动汽车充电网络模糊多目标机会约束规划方法

Country Status (1)

Country Link
CN (1) CN111626492B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036654A (zh) * 2020-09-07 2020-12-04 南通大学 基于协同进化的光伏电站与电动汽车充电网络规划方法
CN112036655A (zh) * 2020-09-07 2020-12-04 南通大学 基于机会约束的光伏电站与电动汽车充电网络规划方法
CN114548484A (zh) * 2022-01-07 2022-05-27 国网湖北省电力有限公司黄冈供电公司 一种电动汽车充电站点选址规划方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699950A (zh) * 2013-09-07 2014-04-02 国家电网公司 一种考虑交通网络流量的电动汽车充电站规划方法
CN106777835A (zh) * 2017-02-15 2017-05-31 国网江苏省电力公司苏州供电公司 同时考虑多个优化目标的城市电动汽车充电网络规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699950A (zh) * 2013-09-07 2014-04-02 国家电网公司 一种考虑交通网络流量的电动汽车充电站规划方法
CN106777835A (zh) * 2017-02-15 2017-05-31 国网江苏省电力公司苏州供电公司 同时考虑多个优化目标的城市电动汽车充电网络规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁丹军: "基于模糊多目标优化的电动汽车充电网络规划", 《电力系统保护与控制》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036654A (zh) * 2020-09-07 2020-12-04 南通大学 基于协同进化的光伏电站与电动汽车充电网络规划方法
CN112036655A (zh) * 2020-09-07 2020-12-04 南通大学 基于机会约束的光伏电站与电动汽车充电网络规划方法
CN114548484A (zh) * 2022-01-07 2022-05-27 国网湖北省电力有限公司黄冈供电公司 一种电动汽车充电站点选址规划方法
CN114548484B (zh) * 2022-01-07 2023-01-24 国网湖北省电力有限公司黄冈供电公司 一种电动汽车充电站点选址规划方法

Also Published As

Publication number Publication date
CN111626492B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN111626492B (zh) 一种电动汽车充电网络模糊多目标机会约束规划方法
Kumar et al. A comprehensive planning framework for electric vehicles fast charging station assisted by solar and battery based on Queueing theory and non-dominated sorting genetic algorithm-II in a co-ordinated transportation and power network
Basu Economic environmental dispatch of fixed head hydrothermal power systems using nondominated sorting genetic algorithm-II
CN107451686B (zh) 考虑随机预测误差的遗传算法的微电网能源优化方法
CN111311158B (zh) 一种有限充电设施条件下的电动物流车路径规划方法
CN111626493B (zh) 一种考虑充电服务能力和运行效率的充电网络规划方法
CN112734041A (zh) 考虑随机充电负荷的电动汽车充电网络机会约束规划方法
CN110826841A (zh) 考虑用户充电体验和配电网运行风险的充电站规划方法
CN110866636A (zh) 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
CN110189025A (zh) 考虑不同负荷增长的电动汽车充电站规划方案获取方法
CN112651177B (zh) 考虑灵活性服务费用的配电网灵活型资源配置方法及系统
CN115470600A (zh) 一种基于多目标优化的电动汽车充电站规划方法
CN113505931B (zh) 一种基于遗传算法的充电机器人动态调度优化方法
CN108493969A (zh) 电动汽车充电站智能规划方法
CN113222241A (zh) 考虑充电服务引导与客户需求的出租车快充电站规划方法
Anh et al. Optimal energy management of microgrid using advanced multi-objective particle swarm optimization
CN115439000A (zh) 考虑风光荷功率不确定性和相关性的配电网区块划分方法
CN115186882A (zh) 一种基于聚类的可控负荷空间密度预测方法
Nie et al. Ant colony optimization for electric vehicle routing problem with capacity and charging time constraints
CN112036655B (zh) 基于机会约束的光伏电站与电动汽车充电网络规划方法
CN110929950A (zh) 一种电动汽车负荷预测方法及系统
Ma et al. IMOCS based EV charging station planning optimization considering stakeholders’ interests balance
CN114329783A (zh) 一种多目标电动汽车充电网络规划方法
CN112036654B (zh) 基于协同进化的光伏电站与电动汽车充电网络规划方法
CN110674988A (zh) 一种基于电动汽车出行大数据的城区充电站规划方法

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