CN112016745B - 一种电动汽车充电站规划方法 - Google Patents
一种电动汽车充电站规划方法 Download PDFInfo
- Publication number
- CN112016745B CN112016745B CN202010861096.6A CN202010861096A CN112016745B CN 112016745 B CN112016745 B CN 112016745B CN 202010861096 A CN202010861096 A CN 202010861096A CN 112016745 B CN112016745 B CN 112016745B
- Authority
- CN
- China
- Prior art keywords
- charging station
- electric vehicle
- cost
- planning
- charging
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000002245 particle Substances 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000000137 annealing Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 15
- 238000005291 chaos (dynamical) Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000009440 infrastructure construction Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 9
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 125000000217 alkyl group Chemical group 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- -1 hydrogen Chemical class 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q30/0283—Price estimation or determination
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供一种电动汽车充电站规划方法,该方法建立计及交通道路结构、车流信息及用户成本的电动汽车充电站最优规划模型;根据步骤建立的模型确定粒子群优化算法;根据步骤S2确定的粒子群优化算法验证该电动汽车充电站规划方法的可行性和正确性,本发明实现电动汽车与智能电网的融合发展,充分发挥其作为能量型负载的潜力,提高充电站的优化运行能力,以确保电动车充电过程中快速安全性。
Description
技术领域
本发明涉及电动汽车充电站领域,更具体地,涉及一种电动汽车充电站规划方法。
背景技术
电动汽车作为新能源汽车的主要发展方向之一,越来越受到人们的重视。近几年,电动汽车产业发展日新月异,作为降低碳排放的重要手段,我国电动汽车产销量快速增长,市场发展迅速,从电动汽车的增长量上来看,未来电动汽车将会迎来爆发式的增长。2018年是电动汽车市场发展最为重要的一年,仅5月份纯电动汽车总体销量达到9.2万辆的水平,同比增长141%,可以看出纯电动汽车已经越来越被消费者所接受。电动汽车的快速增长需配套一定规模的充电设施尤其大功率快充桩,快充设备接入会对电网安全运行造成冲击波动,影响其他用户用电质量。
为缓解能源危机,减少碳排放,减少雾霾天,推进具有绿色高效特性的电动汽车将成为未来汽车行业的最新发展方向。随着电动汽车的快速推广,电动汽车充电设施建设正朝着大规模发展的方向发展。随着国家电网“主导快充、兼以慢充、引导换电、经济实用”的建设原则的提出,电动汽车充电市场也逐渐成熟。为迎合市场发展,必须以满足用户出行需求为前提,以提高社会经济效益为目标。因此优化电动汽车充电站的选址和配置,不但能提高充电站的经济效益和运营管理水平,也能为用户提供便捷的充电服务,具有重要的现实意义。
申请号为201710584789.3的专利说明书中公开了一种交通网络和电动汽车充电站协调规划的方法,本申请建立以交通网络可靠度最高、用户满意度最高、电动汽车充电站投资建设费用最低为目标的协调规划模型,首先在电动汽车最大等待时间的约束下确定优先满足用户满意度最高和电动汽车充电站投资建设费用最低的电动汽车充电站规划方案,然后在道路改造和电动汽车充电站投资建设总费用最低的约束下确定交通网络的规划方案,最终获得既能满足用户满意度最高和电动汽车充电站投资建设费用最低又能满足道路改造费用最低的联合规划方案,该双网协调规划方案降低了交通网络对电动汽车用户充电选择的影响,降低了双网规划成本。然而,该专利无法实现提高充电站的优化运行能力,以确保电动车充电过程中快速安全性。
发明内容
本发明提供一种电动汽车充电站规划方法,该方法提高充电站的优化运行能力,以确保电动车充电过程中快速安全性。
为了达到上述技术效果,本发明的技术方案如下:
一种电动汽车充电站规划方法,包括以下步骤:
S1:建立计及交通道路结构、车流信息及用户成本的电动汽车充电站最优规划模型;
S2:根据步骤S1建立的模型确定粒子群优化算法;
S3:根据步骤S2确定的粒子群优化算法验证该电动汽车充电站规划方法的可行性和正确性。
进一步地,所述步骤S1的具体过程包括:
充电站选址模型建立:
电动汽车充电站的建设成本包括征地成本、基础设施建设成本、设备购置成本及设备维护成本,社会总成本不但包括了充电站投资成本和维护成本,还包括用户的充电成本;
1)电动汽车充电站j的年投资费用C1为:
其中,Aj和分别为充电站j的征地面积及其单价;α表示充电机等设备购置及充电站修建成本等效投资系数;Nist为充电机装备数量;r0为充电站贴现率;β为每台充电机购置费用;nr为充电站的使用年限,n=1,2,3,…,N,N表示规划区内待建设电动汽车充电站的数量;
2)电动汽车充电站j的年运行维护费用C2如下:
其中,δ表示比例系数;
3)用户的充电成本C3包括用户需充电时的空驶损耗成本与用户排队等待成本:
其中,CDT为用户需充电时的空驶损耗成本;CQT为用户排队等待成本;γ为道路曲折系数[13];Sij为用户位置i到目的充电站j的距离;nev为各路口平均每日需充电的车辆数;Ee为每千米行驶平均耗电量;p为车站充电电价;ζ表示出行时间成本;Wqj为各充电站的排队等待时间期望;
4)全社会总成本最小优化模型为:
其中λ、ψ、η分别表示充电站投资成本权重,运行成本权重及充电成本权重,令λ=0.5,ψ=0.2,η=0.3。
进一步地,所述步骤S1的具体过程还包括:
基于M/M/s排队理论的定容模型建立:
对于电动汽车用户来说,充电站的规模越小,在交通流量均等的情况下,用户在充电站花费的时间就会越长,用户的舒适体验就会降低;换言之,对于充电站运营商来说,充电站越大,建设成本就越高,同时规模过大会造成大量的充电桩闲置,造成资源浪费;电动汽车充电站的充电桩数量应以排队等待时间的期望为基础,建立充电站容量优化模型,使充电站的容量配置不仅可以满足用户的充电需求,还实现资源的合理配置:
电动汽车排队等待时间期望的数学模型为:
其中,Wt为用户排队等待时间期望;ρ表示充电机的平均服务效率;ε表示平均每小时电动汽车到达充电站的车辆数,运用遍历方法求充电机最少配置数目,首先设定充电机数量初始值为Nist,最大时间预期为Wmax,且Nist=Fceil(ρ),接着增加充电机数量,直到Wt<Wmax,所得Nist即为所求解。
进一步地,所述步骤S1的具体过程还包括:
设置约束条件:
1)系统潮流约束
2)节点电压约束
3)支路传输功率约束
4)充电站数量约束
其中,Ptotal表示规划区域内充电总需求量;Smax代表充电站最大容量,Smin代表充电站最小容量。
进一步地,所述步骤S2的具体过程包括:
加权V图:
采用加权V图设计充电站的位置,反映交通流量对规划的影响,提高充电站利用率,降低成本;
设Q={q1,q2,…,qn}(3≤n≤∞)是平面上的点集,设权重ωm(m=1,2,…,n)为一组给定的正实数,任意点的加权Voronoi图的可表示为:
其中,加权V图将平面划分为n个区域,qm为顶点,每个顶点对应一个区域V(qm,ωm);ωm为qm的权重,d(x,qm)表示x与qm之间的距离。V图上顶点权重反映着充电站的服务能力。利用粒子群优化算法的全局优化能力,对加权V图进行全局优化;根据式下计算每个规划区的权重生成加权V图:
其中,Rck为参考容量;ωi表示规划区内各充电站点服务能力;PΣ为规划区内各充电站点的充电需求。
进一步地,所述步骤S2的具体过程还包括:
粒子群优化算法的改进:
该电动汽车充电站规划方法中引入了混沌理论,提出一种改进的粒子群优化算法:模拟退火算法是以某一高温为初始温度,随着温度不断下降,结合其概率突跳特性在解空间中随机寻找目标函数的全局最优解,即在局部最优解能概率性地跳出并最终趋于全局最优;同时结合混沌概念,对r1、r2动态赋值,使粒子群在局部更精确地搜寻最优解,改进的粒子群优化算法的计算步骤如下:
1)首先初始化参数,随机生成粒子种群,初始化粒子位置和速度;
2)对种群内的每一个个体计算适应值,记录各粒子当前位置Pid和全局最优位置Ppd;
3)从整个种群中选出最优适应度值Zbest,计算退火算法初始温度T;
4)计算初始温度下各个粒子的退火算法适应度值:
5)利用轮盘赌选择策略,在所有个体位置中选出一个最优位置放入Pzd中,并更新粒子速度:
6)计算各粒子的适应度值,更新粒子最优位置和种群最优位置;
7)进行降温退火操作:
T=δT;
9)如果终止条件满足的话就停止,输出结果,若不满足,转到步骤4);
进一步地,所述步骤S2的具体过程还包括:
设置相关参数:
初始温度,采用以下公式计算初始温度,较高的初始温度能够提高全局搜索能力:
进一步地,r1、r2,采用混沌理论对r1、r2赋值:
进一步地,惯性权重,采用线性递减策略调整惯性权重以提高算法搜索最优解的能力,计算公式如下:
其中,k为迭代次数;ωstart为起始惯性权重,设置为0.8;ωend为终止惯性权重,设置为0.4。
进一步地,退火速度:设置退火速度为0.95,增大搜索全局最优解的概率。
与现有技术相比,本发明技术方案的有益效果是:
本发明建立计及交通道路结构、车流信息及用户成本的电动汽车充电站最优规划模型;根据步骤建立的模型确定粒子群优化算法;根据步骤S2确定的粒子群优化算法验证该电动汽车充电站规划方法的可行性和正确性,本发明实现电动汽车与智能电网的融合发展,充分发挥其作为能量型负载的潜力,提高充电站的优化运行能力,以确保电动车充电过程中快速安全性。
附图说明
图1是电动汽车充电站规划配置模型的求解流程;
图2是规划区路网结构;
图3是充电站全社会成本示意图;
图4是充电站服务区划分及选址方案。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示,一种电动汽车充电站规划方法,包括以下步骤:
1.一种计及交通道路结构、车流信息及用户成本的电动汽车充电站最优规划模型的建立:
(1)充电站选址模型建立
通常电动汽车充电站的建设成本包括征地成本、基础设施建设成本、设备购置成本及设备维护成本。本文在电动汽车充电站规划方案中,所提出的社会总成本不但包括了充电站投资成本和维护成本,还将用户的充电成本纳入模型。
1)电动汽车充电站j的年投资费用C1为:
2)电动汽车充电站j的年运行维护费用C2如下:
其中,δ表示比例系数。
3)用户的充电成本C3包括用户需充电时的空驶损耗成本与用户排队等待成本:
其中,CDT为用户需充电时的空驶损耗成本;CQT为用户排队等待成本;γ为道路曲折系数[13];Sij为用户位置i到目的充电站j的距离;nev为各路口平均每日需充电的车辆数;Ee为每千米行驶平均耗电量;p为车站充电电价;ζ表示出行时间成本;Wqj为各充电站的排队等待时间期望。
4)全社会总成本最小优化模型为:
其中,N表示规划区内待建设电动汽车充电站的数量。λ、ψ、η分别表示充电站投资成本权重,运行成本权重及充电成本权重,令λ=0.5,ψ=0.2,η=0.3。
(2)基于M/M/s排队理论的定容模型建立
对于电动汽车用户来说,充电站的规模越小,在交通流量均等的情况下,用户在充电站花费的时间就会越长,用户的舒适体验就会降低;换言之,对于充电站运营商来说,充电站越大,建设成本就越高,同时规模过大会造成大量的充电桩闲置,造成资源浪费。本文将排队论应用于服务系统优化设计中。电动汽车充电站的充电桩数量应以排队等待时间的期望为基础,建立充电站容量优化模型,使充电站的容量配置不仅可以满足用户的充电需求,还可以实现资源的合理配置。
电动汽车排队等待时间期望的数学模型为:
其中,Wt为用户排队等待时间期望;ρ表示充电机的平均服务效率;ε表示平均每小时电动汽车到达充电站的车辆数。运用遍历方法求充电机最少配置数目,首先设定充电机数量初始值为Nist,最大时间预期为Wmax,且Nist=Fceil(ρ),接着增加充电机数量,直到Wt<Wmax,所得Nist即为所求解。
(3)约束条件设置
1)系统潮流约束
2)节点电压约束
3)支路传输功率约束
4)充电站数量约束
其中,Ptotal表示规划区域内充电总需求量;Smax代表充电站最大容量,Smin代表充电站最小容量。
2.制定一种改进的粒子群优化算法(CSAPSO算法):
(1)加权V图
采用加权V图设计充电站的位置,可以反映交通流量对规划的影响,提高充电站利用率,降低成本。
假设Q={q1,q2,…,qn}(3≤n≤∞)是平面上的点集,设权重ωm(m=1,2,…,n)为一组给定的正实数,任意点的加权Voronoi图的可表示为:
其中,加权V图将平面划分为n个区域,qm为顶点,每个顶点对应一个区域V(qm,ωm);ωm为qm的权重,d(x,qm)表示x与qm之间的距离。V图上顶点权重反映着充电站的服务能力。利用粒子群优化算法的全局优化能力,对加权V图进行全局优化。根据式(32)计算每个规划区的权重生成加权V图。计算表达式如下:
其中,Rck为参考容量;ωi表示规划区内各充电站点服务能力;PΣ为规划区内各充电站点的充电需求。
(2)算法的改进
本申请在模拟退火算法中引入了混沌理论,提出了一种改进的粒子群优化算法(CSAPSO算法);模拟退火算法是以某一高温为初始温度,随着温度不断下降,结合其概率突跳特性在解空间中随机寻找目标函数的全局最优解,即在局部最优解能概率性地跳出并最终趋于全局最优。同时结合混沌概念,对r1、r2动态赋值,使粒子群在局部更精确地搜寻最优解。CSAPSO算法的计算步骤如下。
1)首先初始化参数,随机生成粒子种群,初始化粒子位置和速度。
2)对种群内的每一个个体计算适应值,记录各粒子当前位置Pid和全局最优位置Ppd。
3)从整个种群中选出最优适应度值Zbest,采用式(36)计算退火算法初始温度T。
4)计算初始温度下各个粒子的退火算法适应度值:
5)利用轮盘赌选择策略,在所有个体位置中选出一个最优位置放入Pzd中,并更新粒子速度:
6)计算各粒子的适应度值,更新粒子最优位置和种群最优位置。
7)进行降温退火操作:
T=δT (35)
8)如果终止条件满足的话就停止,输出结果,若不满足,转到步骤4)
(3)设置相关参数:
1)初始温度:
采用以下公式计算初始温度,较高的初始温度能够提高全局搜索能力:
2)惯性权重:
采用线性递减策略调整惯性权重[15]以提高算法搜索最优解的能力,计算公式如下:
其中,k为迭代次数;ωstart为起始惯性权重,设置为0.8;ωend为终止惯性权重,设置为0.4。
3)r1、r2,采用混沌理论对r1、r2赋值:
rt∈(0,1);t=1,2
4)退火速度,设置退火速度为0.95,增大搜索全局最优解的概率。
(4)充电站规划模型求解方案
求解方案如下:
1)由约束条件式(10)预估待规划地区所需建站最大数量和最小数量;
2)充电站数量设置为n,生成初始站址,利用加权V图划分充电站服务区域;
3)根据基于M/M/s排队理论的定容模型求解每个服务分区内需装的充电机数量;
4)初始化粒子群参数,设置初始温度和退火速度;
5)根据规划模型求出各粒子适应度值以及全局最优值;
6)采用CSAPSO更新全局最优值;
7)循环步骤4)-6);
8)输出不同的建站方案,选取总成本最小的方案作为最优方案。
综上所述,电动汽车充电站规划配置模型的求解流程如图1所示。
3.通过算例验证所提方法的可行性:
本文针对某典型规划区进行分析,规划区域面积约为34.02km2,整个区域包括了居民用地、商业用地和工业用地。该区域人口总量达20万,电动汽车保有量约为5000辆,道路交点图如图2所示。图中道路节点的数字是交点编号。拟建设充电站的地点为各道路交点,市路口信息及交通流量见表1。
表1城市路口信息及交通流量
出于简化目的,参照日产Leaf的技术参数,设定每辆电动汽车的锂电池容量为24kW·h。电动汽车充电站等级及各指标的划分情况可见表2,规划区域各用地类型的土地成本见表3,充电站规划参数见表4。
表2充电站基本参数
充电站等级 | 建设费用/(万元) | 服务能力(辆/天) | 占地面积A<sub>j</sub>/m<sup>2</sup> | 充电机配置台数 |
IV | 210 | 60 | 165 | 8 |
III | 310 | 100 | 337 | 15 |
II | 520 | 240 | 693 | 30 |
I | 690 | 360 | 1085 | 45 |
表3规划区不同类型用地成本
表4充电站规划参数
α/(万元/台<sup>2</sup>) | 2 | E<sub>e</sub>/(元/kW·h) | 0.15 |
β/(万元/台<sup>2</sup>) | 10 | ζ/(元/h) | 20 |
r<sub>0</sub> | 0.08 | P<sub>e</sub>(kW) | 96 |
n/(年) | 20 | N<sub>max</sub> | 25 |
γ | 1.3 | N<sub>min</sub> | 6 |
p/(元/kW·h) | 0.7 |
由于充电站等级、土地类型及服务区域不同,当充电站数量增多时,充电站内配置设备会减少,用户就近选择的充电站增多,用户的充电成本也随之减少,但当充电站数量增多时,充电站的建设成本会增加,购置充电机的成本也会不断增多。在规划区合理建设电动汽车充电站,最大限度地降低充电站的社会总成本。考虑规划区域当地需求,经过初步规划,可得规划区所需建设的充电站大致为2~7座。
基于CSAPSO算法,求解充电站的最优配置方案。算法参数选取为:种群规模为50,起始惯性权重值为ωstart为0.9,终止惯性权重值ωend为0.4,学习因子c1、c2都为1.494,退火速度δ为0.95,终止迭代次数为100次。通过运行该程序得到优化结果。
通过计算可得当建设2~7座充电站时,全社会成本如图3所示。
由图3可见当建设4座充电站时,全社会成本最小且能满足用户需求。具体的充电站容量配置方案如表5所示,图4为当建设4座充电站时的规划区内的服务分区示意图。
表5充电站配置方案
充电站 | 道路节点 | 建站等级 | 充电机台数 | 服务节点 |
1 | 12 | 3 | 15 | 1,2,6,7,11,12,13,18 |
2 | 16 | 4 | 8 | 3-5,8-10,14-17,19-22 |
3 | 29 | 4 | 8 | 28-30,34-38,43-47 |
4 | 32 | 2 | 30 | 23-27,31-33,39-42 |
通过实例验证了该方法的有效性。得出以下结论:
(1)该模型适用于电动汽车充电站规划问题,平衡了电动汽车用户、充电站投资方和电网企业的效益,对未来电动汽车充电站规划具有一定的指导意义;
(2)对算法进行改进,将混沌理念与模拟退火算法的特性结合,使得算法具有更好的全局优化能力。
(3)后续还应考虑电动车类型、用户充电习惯以及区域电网约束等因素,所建模型更能贴近实际情况。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种电动汽车充电站规划方法,其特征在于,包括以下步骤:
S1:建立计及交通道路结构、车流信息及用户成本的电动汽车充电站最优规划模型;
S2:根据步骤S1建立的模型确定粒子群优化算法;
S3:根据步骤S2确定的粒子群优化算法验证该电动汽车充电站规划方法的可行性和正确性;
所述步骤S1的具体过程包括:
充电站选址模型建立:
电动汽车充电站的建设成本包括征地成本、基础设施建设成本、设备购置成本及设备维护成本,社会总成本不但包括了充电站投资成本和维护成本,还包括用户的充电成本;
1)电动汽车充电站j的年投资费用C1为:
其中,Aj和分别为充电站j的征地面积及其单价;α表示充电机等设备购置及充电站修建成本等效投资系数;Nist为充电机装备数量;r0为充电站贴现率;β为每台充电机购置费用;nr为充电站的使用年限,n=1,2,3,…,N,N表示规划区内待建设电动汽车充电站的数量;
2)电动汽车充电站j的年运行维护费用C2如下:
其中,δ表示比例系数;
3)用户的充电成本C3包括用户需充电时的空驶损耗成本与用户排队等待成本:
其中,CDT为用户需充电时的空驶损耗成本;CQT为用户排队等待成本;γ为道路曲折系数[13];Sij为用户位置i到目的充电站j的距离;nev为各路口平均每日需充电的车辆数;Ee为每千米行驶平均耗电量;p为车站充电电价;ζ表示出行时间成本;Wqj为各充电站的排队等待时间期望;
4)全社会总成本最小优化模型为:
其中λ、ψ、η分别表示充电站投资成本权重,运行成本权重及充电成本权重,令λ=0.5,ψ=0.2,η=0.3。
2.根据权利要求1所述的电动汽车充电站规划方法,其特征在于,所述步骤S1的具体过程还包括:
基于M/M/s排队理论的定容模型建立:
对于电动汽车用户来说,充电站的规模越小,在交通流量均等的情况下,用户在充电站花费的时间就会越长,用户的舒适体验就会降低;换言之,对于充电站运营商来说,充电站越大,建设成本就越高,同时规模过大会造成大量的充电桩闲置,造成资源浪费;电动汽车充电站的充电桩数量应以排队等待时间的期望为基础,建立充电站容量优化模型,使充电站的容量配置不仅可以满足用户的充电需求,还实现资源的合理配置:
电动汽车排队等待时间期望的数学模型为:
其中,Wt为用户排队等待时间期望;ρ表示充电机的平均服务效率;ε表示平均每小时电动汽车到达充电站的车辆数,运用遍历方法求充电机最少配置数目,首先设定充电机数量初始值为Nist,最大时间预期为Wmax,且Nist=Fceil(ρ),接着增加充电机数量,直到Wt<Wmax,所得Nist即为所求解。
4.根据权利要求3所述的电动汽车充电站规划方法,其特征在于,所述步骤S2的具体过程包括:
加权V图:
采用加权V图设计充电站的位置,反映交通流量对规划的影响,提高充电站利用率,降低成本;
设Q={q1,q2,…,qn}(3≤n≤∞)是平面上的点集,设权重ωm(m=1,2,…,n)为一组给定的正实数,任意点的加权Voronoi图的可表示为:
其中,加权V图将平面划分为n个区域,qm为顶点,每个顶点对应一个区域V(qm,ωm);ωm为qm的权重,d(x,qm)表示x与qm之间的距离;V图上顶点权重反映着充电站的服务能力; 利用粒子群优化算法的全局优化能力,对加权V图进行全局优化;根据式下计算每个规划区的权重生成加权V图:
其中,Rck为参考容量;ωi表示规划区内各充电站点服务能力;PΣ为规划区内各充电站点的充电需求。
5.根据权利要求4所述的电动汽车充电站规划方法,其特征在于,所述步骤S2的具体过程还包括:
粒子群优化算法的改进:
该电动汽车充电站规划方法中引入了混沌理论,提出一种改进的粒子群优化算法:模拟退火算法是以某一高温为初始温度,随着温度不断下降,结合其概率突跳特性在解空间中随机寻找目标函数的全局最优解,即在局部最优解能概率性地跳出并最终趋于全局最优;同时结合混沌概念,对r1、r2动态赋值,使粒子群在局部更精确地搜寻最优解,改进的粒子群优化算法的计算步骤如下:
1)首先初始化参数,随机生成粒子种群,初始化粒子位置和速度;
2)对种群内的每一个个体计算适应值,记录各粒子当前位置Pid和全局最优位置Ppd;
3)从整个种群中选出最优适应度值Zbest,计算退火算法初始温度T;
4)计算初始温度下各个粒子的退火算法适应度值:
5)利用轮盘赌选择策略,在所有个体位置中选出一个最优位置放入Pzd中,并更新粒子速度:
6)计算各粒子的适应度值,更新粒子最优位置和种群最优位置;
7)进行降温退火操作:
T=δT;
8)如果终止条件满足的话就停止,输出结果,若不满足,转到步骤4)。
9.根据权利要求8所述的电动汽车充电站规划方法,其特征在于,退火速度:设置退火速度为0.95,增大搜索全局最优解的概。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010861096.6A CN112016745B (zh) | 2020-08-25 | 2020-08-25 | 一种电动汽车充电站规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010861096.6A CN112016745B (zh) | 2020-08-25 | 2020-08-25 | 一种电动汽车充电站规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016745A CN112016745A (zh) | 2020-12-01 |
CN112016745B true CN112016745B (zh) | 2022-06-14 |
Family
ID=73505838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010861096.6A Active CN112016745B (zh) | 2020-08-25 | 2020-08-25 | 一种电动汽车充电站规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016745B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11775872B1 (en) | 2022-12-01 | 2023-10-03 | Recentive Analytics, Inc. | Techniques for identifying optimal EV charging station locations |
CN116797002B (zh) * | 2023-08-17 | 2023-11-28 | 国网天津市电力公司培训中心 | 电动汽车充电站规划方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866915A (zh) * | 2015-05-05 | 2015-08-26 | 湖南大学 | 基于全寿命周期成本的电动汽车充电站优化规划方法 |
CN105787600A (zh) * | 2016-03-03 | 2016-07-20 | 国家电网公司 | 基于自适应量子遗传算法的电动出租车充电站规划方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9148027B2 (en) * | 2012-07-30 | 2015-09-29 | General Electric Company | Method and system for charging of electric vehicles |
-
2020
- 2020-08-25 CN CN202010861096.6A patent/CN112016745B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866915A (zh) * | 2015-05-05 | 2015-08-26 | 湖南大学 | 基于全寿命周期成本的电动汽车充电站优化规划方法 |
CN105787600A (zh) * | 2016-03-03 | 2016-07-20 | 国家电网公司 | 基于自适应量子遗传算法的电动出租车充电站规划方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112016745A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | A novel real-time scheduling strategy with near-linear complexity for integrating large-scale electric vehicles into smart grid | |
Mozafar et al. | A simultaneous approach for optimal allocation of renewable energy sources and electric vehicle charging stations in smart grids based on improved GA-PSO algorithm | |
Luo et al. | Optimal charging scheduling for large-scale EV (electric vehicle) deployment based on the interaction of the smart-grid and intelligent-transport systems | |
Ou et al. | Investigating wireless charging and mobility of electric vehicles on electricity market | |
CN109492791B (zh) | 基于充电引导的城际高速路网光储充电站定容规划方法 | |
CN109840635B (zh) | 基于电压稳定性和充电服务质量的电动汽车充电站规划方法 | |
CN112016745B (zh) | 一种电动汽车充电站规划方法 | |
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 | |
Pal et al. | Planning of EV charging station with distribution network expansion considering traffic congestion and uncertainties | |
CN107067136A (zh) | 电动汽车充电分配方法及装置 | |
CN110388932A (zh) | 一种电动汽车充电导航方法 | |
CN113822463A (zh) | 一种基于Voronoi图与改进粒子群算法的电动汽车充电站选址定容方法 | |
Zhong et al. | Charging navigation strategy for electric vehicles considering empty-loading ratio and dynamic electricity price | |
Bayram et al. | Pricing-based distributed control of fast EV charging stations operating under cold weather | |
Gao et al. | Optimal planning of charging station for phased electric vehicle | |
Shao et al. | A decentralized bi-level decomposition method for optimal operation of electric vehicles in coupled urban transportation and power distribution systems | |
Sadhukhan et al. | Optimal placement of electric vehicle charging stations in a distribution network | |
Bai et al. | Multi-objective planning for electric vehicle charging stations considering TOU price | |
CN111651899A (zh) | 考虑用户选择行为的换电站鲁棒选址定容方法和系统 | |
CN113222241B (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 | |
Hao et al. | Integrated Electric Vehicle Charging Path Planning Considering Traffic Network and Power Grid | |
Mudiyanselage et al. | A multi-agent framework for electric vehicles charging power forecast and smart planning of urban parking lots | |
Zhang et al. | Optimal allocation of changing station for electric vehicle based on queuing theory | |
Niu et al. | Charging guidance of electric taxis based on adaptive particle swarm optimization | |
Qiu et al. | Optimising Electric Bus Departure Interval Considering Stochastic Traffic Conditions |
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 |