CN112734041A - 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 - Google Patents

Abstract

本发明提供了一种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，包括以下步骤：步骤一：给定规划边界条件；步骤二：建立基于机会约束的电动汽车充电网络随机规划模型；步骤三：设计染色体编码方案与交叉、变异操作算子，采用遗传算法求解电动汽车充电网络随机规划模型。本发明的有益效果为：本发明采用基于机会约束的电动汽车充电网络随机规划模型，可在考虑充电负荷随机特性的前提下，优化电动汽车充电站建设地址与容量，减少配电系统规划典型日内的网损电量，通过设计遗传算法中染色体编码方案与交叉、变异操作算子，结合配电系统概率潮流分析，可快速准确地获取电动汽车充电网络的优化规划方案。

Description

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

技术领域

本发明涉及电动汽车充电网络规划领域，尤其涉及一种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。

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日益普及。目前，单台电动汽车充电功率可达数十千瓦，因此，作为电动汽车充电的重要场所，电动汽车充电站的充电负荷可达数百乃至上千千瓦，成为配电系统中举足轻重的重要负荷之一。不合理的电动汽车充电网络不但会阻碍电动汽车的发展，还将恶化配电系统运行工况，因此，随着电动汽车渗透率的不断攀升，电动汽车充电网络规划的重要性日益凸显。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，除此之外，配电系统中分布式光伏的出力也具有随机特性。在这两大随机因素的共同作用下，配电系统的运行工况呈现显著的随机特性。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，也就是说，亟需提出考虑充电负荷随机特性的电动汽车充电网络随机规划模型与对应的求解方法。

在电动汽车充电站全生命周期成本分析的基础上，文献一《基于LCC和量子遗传算法的电动汽车充电站优化规划》(电力系统自动化，2015年，第39卷，第17期，第176页至182页)提出了计及全寿命周期成本的电动汽车充电网络优化规划模型，并采用量子遗传算法求解模型，给出了电动汽车充电站的最优建设地址与容量。通过分析电动汽车充电站等级、电动汽车规模以及距离之间的相互影响关系，文献二《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，对充电站建设地址进行了优化，但未对充电站建设容量进行优化。在考虑道路网络对电动汽车充电需求影响的基础上，文献三《电动汽车充电站最优规划的两阶段方法》(电工技术学报，2017年，第32卷，第3期，第10页至第17页)提出了用于电动汽车充电网络优化规划的两阶段方法。第一阶段，采用随机模拟技术和最短路径法，获得电动汽车充电需求的时、空分布特性；第二阶段，基于电动汽车充电需求，提出以充电需求不可达率、不满足率和投资限额为约束，以投资、运行综合成本最小为优化目标的电动汽车充电网络优化规划模型，并采用遗传算法求解模型，给出电动汽车充电网络最优建设方案。上述文献提出的方法可对电动汽车充电网络建设方案进行优化，但均未考虑电动汽车充电负荷随机特性对电动汽车充电网络规划的影响，具有一定的局限性。

电动汽车充电站是配电系统中的重要用电负荷，也是支撑电动汽车产业发展的重要基础设施。不合理的电动汽车充电网络不但会阻碍电动汽车的发展，还将恶化配电系统运行工况，随着电动汽车渗透率的不断攀升，电动汽车充电网络规划的重要性日益凸显。然而，现有规划方法并未考虑电动汽车充电负荷的随机特性对配电系统运行工况的影响，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。

如何解决上述技术问题为本发明面临的课题。

发明内容

本发明的目的在于提供一种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，在充电站建设数目给定的情况下，优化电动汽车充电站建设地址与容量，在确保节点电压偏移和线路潮流越限满足机会约束的前提下，尽可能减少配电系统规划典型日内的网损电量；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，进而导致配电系统运行工况的随机特性，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随机规划模型：优化变量为充电站建设地址与容量；优化目标为配电系统规划典型日内的网损电量期望最小；约束条件为充电站建设数目约束，充电站总建设容量约束，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。为采用遗传算法求解电动汽车充电网络随机规划模型，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和容量，在此基础上，对配电系统进行概率潮流分析，确定规划典型日内的网损电量期望，配电节点电压概率分布特性与配电线路潮流概率分布特性。基于概率潮流计算结果，计算染色体适应度，完成染色体评价，并以此为依据更新遗传算法种群。求解中，一旦遗传算法进化到事先给定的最大进化代数，便认为算法收敛，给出规划结果。

本发明是通过如下措施实现的：种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，包括如下步骤：

S1：给定规划边界条件，包括：配电系统拓扑参数，配电系统规划典型日内的负荷，电动汽车充电站规划典型日内的充电负荷概率场景集，分布式光伏规划典型日内的出力概率场景集，充电站候选地址，充电站建设总数，充电站建设类型，不同类型充电站建设容量，充电站最低总建设容量，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：建立基于机会约束的电动汽车充电网络随机规划模型，模型中，配电节点电压偏移约束与配电线路潮流越限约束均为机会约束；具体如下所述：

电动汽车充电负荷是配电系统中具有随机特性的重要负荷，大规模电动汽车充电不仅会显著增强配电系统运行工况的随机特性，还可能导致配电系统网损电量增加，因此，电动汽车充电网络随机规划模型的优化目标为尽可能减小配电系统规划典型日内的网损电量，具体如公式(1)所示：

公式(1)中，F_loss为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，T_f为典型日内的潮流分析时段数；l为配电线路索引；Ω_br为配电线路集合；ΔP_loss,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(ΔP_loss,l,t)表示配电线路l在潮流分析时段t的损耗功率的期望。

电动汽车充电网络随机规划模型中的约束分别如公式(2)至公式(5)所示，其中，公式(2)与公式(3)为确定性约束；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；此外，配电系统中分布式光伏的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，配电系统的运行工况呈现明显的随机特性；在此条件下，公式(4)与公式(5)给出的配电节点电压偏移约束与配电线路潮流越限约束均为机会约束；上述约束具体如下文所示：

公式(2)表示充电站建设数目约束，具体如下：

公式(2)中，M为充电站建设总数；N_sta为充电站候选地址总数，为配电系统中可接入电动汽车充电站的节点总数；i为候选地址索引；x_i是电动汽车充电网络随机规划模型中的0-1优化变量(i＝1,2,3,···,N_sta)，取“1”表示在候选地址i建设充电站，取“0”表示不在候选地址i建设充电站；

公式(3)表示电动汽车充电网络随机规划模型中的充电站建设容量约束，具体如下：

公式(3)中，y_i为候选地址i建设充电站的容量，电动汽车充电网络优化规划中，待建电动汽车充电站分为Q类，不同类别充电站的建设容量不同，因此，y_i为电动汽车充电网络随机规划模型中的离散优化变量；C_min为电动汽车充电网络中的充电站最低建设容量，由规划区域内的电动汽车数目和类型确定；

公式(4)为配电节点电压偏移机会约束，具体如下：

公式(4)中，P_r{}表示括号中随机事件发生的概率；k是配电节点索引；Ω_bus为配电节点集合；U_k为配电节点k的电压，为随机变量，可通过配电系统概率潮流分析获得其概率分布特性；U_N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(5)为配电线路潮流越限机会约束，具体如下所示：

P_r{I_l>I_l,max}≤β₂ l∈Ω_br (5)

公式(5)中，I_l为配电线路l中的负荷电流，为随机变量，可通过配电系统概率潮流分析获得其概率分布特性；I_l,max为配电线路l的最大允许电流；β₂为潮流越限置信度；

S3：根据电动汽车充电网络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，采用遗传算法求解电动汽车充电网络随机规划模型，给出电动汽车充电网络最优规划方案，具体步骤如下：

S31：给定遗传算法参数，包括：种群规模N_pop，交叉率P_c，变异率P_m与最大进化代数G_max等。

S32：随机生成由N_pop条染色体组成的初始种群；根据电动汽车充电网络随机规划模型的特征，采用整数编码方案对优化问题进行编码，即每条染色体由N_sta个码位组成，码位i的取值表示第i个候选地址的充电站建设情况，取值为“0”，说明不在候选地址i建设充电站，取值为“q”，说明在候选地址i建设第q类充电站(q＝1,2,3,···,Q)，其建设容量为C_q；为满足公式(2)给出的等式约束，各染色体中有且仅有M个码位的取值为非“0”整数，因此，按如下方法生初始种群中的染色体：首先，将染色体所有码位赋值为“0”；接着，从染色体中随机挑选M个码位，将赋值由“0”改为不大于Q的随机整数。

S33：进化代数索引g初始化为0，即令g＝0；

S34：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；

S35：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，各充电站的建设容量与充电站的总建设容量C_total；在此基础上，采用场景概率法进行规划典型日内的配电系统概率潮流计算，确定网损电量期望F_loss，各配电节点电压幅值与各配电线路潮流的概率分布特性，按公式(6)至公式(9)确定第n条染色体的适应度V_fit,n：

V_fit,n＝F_max-F_loss-η₁×V_p1-η₂×V_p2-η₃×V_p3 (6)

V_p1＝max[C_min-C_total,0] (7)

公式(6)中，F_max为事先给定的比较大的正数，用以确保染色体适应度非负，且越优秀的染色体对应适应度值越高；算子max[z₁，z₂]表示取z₁，z₂中较大的数；采用罚函数法分别处理公式(3)至公式(5)给出的约束，η₁，η₂与η₃为罚系数；V_p1，V_p2与V_p3分别表示公式(3)至公式(5)给出约束的违背程度，可分别由公式(7)至公式(9)计算；

S36：判断是否计算完当前种群中所有染色体的适应度，即判断染色体索引n是否等于种群规模N_pop；若n<N_pop，则令n＝n+1，并跳转至步骤S35，继续进行染色体适应度计算；否则，继续执行步骤S37；

S37：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G_max。若g＝G_max，则继续执行步骤S38；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S34；

S38：将当前种群最优秀染色体对应的充电网络建设方案作为电动汽车充电网络随机规划模型的最优解输出，结束算法流程。

为了提高遗传算法的寻优效率，根据电动汽车充电网络随机规划模型的特征，设计遗传算法中交叉操作算子和变异操作算子，具体如下：

为确保交叉后的染色体中有且仅有M个码位的取值为非“0”整数，按如下步骤进行交叉操作：

S41：从当前种群中随机选取两条染色体作为待交叉染色体；

S42：反复随机生成待选交叉位N_can(1<N_can<N_sta)，直至找到可行交叉位N_cr。判断N_can是否为可行交叉位的标准如下：两条待交叉染色体第N_can个码位后取值非“0”的码位数一致；

S43：以交叉概率P_c交换两条染色体交叉位N_cr后染色体码串，完成交叉操作。

为确保变异后的染色体中有且仅有M个码位的取值为非“0”整数，按如下步骤进行变异操作：

S51：从当前种群中随机选取一条染色体作为待变异染色体；

S52：随机生成两个待变异码位N_mu1与N_mu2(1<N_mu1<N_sta，1<N_mu2<N_sta)，确保两个待变异码位的取值一个为“0”，一个为非“0”整数；

S53：以变异概率P_m同时对待变异位N_mu1与N_mu2进行变异操作，取值为“0”的待变异位变异为不大于Q的非“0”随机整数，取值为非“0”的变异位变异为“0”。

本发明的有益效果为：本发明提出了一种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，在充电站建设数目给定的情况下，基于机会约束的电动汽车充电网络随机规划模型，优化电动汽车充电站建设地址与容量，在确保节点电压偏移和线路潮流越限满足机会约束的前提下，尽可能减少配电系统规划典型日内的网损电量，为求解电动汽车充电网络随机规划模型，本发明采用遗传算法，通过设计染色体编码方案与交叉、变异操作算子，结合配电系统概率潮流分析，计算规划结果，该规划方法可在充电负荷呈现随机特性的情况下，快速准确地获取电动汽车充电网络的优化规划结果。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明实施例的整体流程图。

图2为本发明基于遗传算法的电动汽车充电网络随机规划模型求解流程图。

图3为本发明交叉操作流程。

图4为本发明变异操作流程。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明提出了一种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，具体如下所述：

S1：给定规划边界条件，包括：配电系统拓扑参数，配电系统规划典型日内的负荷，电动汽车充电站规划典型日内的充电负荷概率场景集，分布式光伏规划典型日内的出力概率场景集，充电站候选地址，充电站建设总数，充电站建设类型，不同类型充电站建设容量，充电站最低总建设容量，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：建立基于机会约束的电动汽车充电网络随机规划模型，模型中，配电节点电压偏移约束与配电线路潮流越限约束均为机会约束；具体如下所述：

电动汽车充电负荷是配电系统中具有随机特性的重要负荷，大规模电动汽车充电不仅会显著增强配电系统运行工况的随机特性，还可能导致配电系统网损电量增加。因此，电动汽车充电网络随机规划模型的优化目标为尽可能减小配电系统规划典型日内的网损电量，具体如公式(1)所示：

公式(1)中，F_loss为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，T_f为典型日内的潮流分析时段数；l为配电线路索引；Ω_br为配电线路集合；ΔP_loss,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(ΔP_loss,l,t)表示配电线路l在潮流分析时段t的损耗功率的期望。

电动汽车充电网络随机规划模型中的约束分别如公式(2)至公式(5)所示，其中，公式(2)与公式(3)为确定性约束。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。此外，配电系统中分布式光伏的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，配电系统的运行工况呈现明显的随机特性。在此背景下，公式(4)与公式(5)给出的配电节点电压偏移约束与配电线路潮流越限约束均为机会约束。上述约束具体如下文所示：

公式(2)表示充电站建设数目约束，具体如下：

公式(2)中，M为充电站建设总数；N_sta为充电站候选地址总数，为配电系统中可接入电动汽车充电站的节点总数；i为候选地址索引；x_i是电动汽车充电网络随机规划模型中的0-1优化变量(i＝1,2,3,···,N_sta)，取“1”表示在候选地址i建设充电站，取“0”表示不在候选地址i建设充电站。

公式(3)表示电动汽车充电网络随机规划模型中的充电站建设容量约束，具体如下：

公式(3)中，y_i为候选地址i建设充电站的容量，电动汽车充电网络优化规划中，待建电动汽车充电站分为Q类，不同类别充电站的建设容量不同，因此，y_i为电动汽车充电网络随机规划模型中的离散优化变量；C_min为电动汽车充电网络中的充电站最低建设容量，由规划区域内的电动汽车数目和类型确定。

公式(4)为配电节点电压偏移机会约束，具体如下：

公式(4)中，P_r{}表示括号中随机事件发生的概率；k是配电节点索引；Ω_bus为配电节点集合；U_k为配电节点k的电压，为随机变量，可通过配电系统概率潮流分析获得其概率分布特性；U_N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(5)为配电线路潮流越限机会约束，具体如下所示：

P_r{I_l>I_l,max}≤β₂ l∈Ω_br (5)

公式(5)中，I_l为配电线路l中的负荷电流，为随机变量，可通过配电系统概率潮流分析获得其概率分布特性；I_l,max为配电线路l的最大允许电流；β₂为潮流越限置信度。

S3：如图2所示，采用遗传算法求解电动汽车充电网络随机规划模型，给出电动汽车充电网络最优规划方案，具体步骤如下：

S31：给定遗传算法参数，包括：种群规模N_pop，交叉率P_c，变异率P_m与最大进化代数G_max等。

S32：随机生成由N_pop条染色体组成的初始种群。根据电动汽车充电网络随机规划模型的特征，采用整数编码方案对优化问题进行编码，即每条染色体由N_sta个码位组成，码位i的取值表示第i个候选地址的充电站建设情况，取值为“0”，说明不在候选地址i建设充电站，取值为“q”，说明在候选地址i建设第q类充电站(q＝1,2,3,···,Q)，其建设容量为C_q；为满足公式(2)给出的等式约束，各染色体中有且仅有M个码位的取值为非“0”整数，因此，按如下方法生初始种群中的染色体：首先，将染色体所有码位赋值为“0”；接着，从染色体中随机挑选M个码位，将赋值由“0”改为不大于Q的随机整数。

S33：进化代数索引g初始化为0，即令g＝0；

S34：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；

S35：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，各充电站的建设容量与充电站的总建设容量C_total；在此基础上，采用场景概率法进行规划典型日内的配电系统概率潮流计算，确定网损电量期望F_loss，各配电节点电压幅值与各配电线路潮流的概率分布特性，按公式(6)至公式(9)确定第n条染色体的适应度V_fit,n：

V_fit,n＝F_max-F_loss-η₁×V_p1-η₂×V_p2-η₃×V_p3 (6)

V_p1＝max[C_min-C_total,0] (7)

公式(6)中，F_max为事先给定的比较大的正数，用以确保染色体适应度非负，且越优秀的染色体对应适应度值越高；算子max[z₁，z₂]表示取z₁，z₂中较大的数；采用罚函数法分别处理公式(3)至公式(5)给出的约束，η₁，η₂与η₃为罚系数；V_p1，V_p2与V_p3分别表示公式(3)至公式(5)给出约束的违背程度，可分别由公式(7)至公式(9)计算。

S36：判断是否计算完当前种群中所有染色体的适应度，即判断染色体索引n是否等于种群规模N_pop。若n<N_pop，则令n＝n+1，并跳转至步骤S35，继续进行染色体适应度计算；否则，继续执行步骤S37；

S37：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G_max。若g＝G_max，则继续执行步骤S38；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S34；

S38：将当前种群最优秀染色体对应的充电网络建设方案作为电动汽车充电网络随机规划模型的最优解输出，结束算法流程。

为提高遗传算法的寻优效率，根据电动汽车充电网络随机规划模型的特征，设计遗传算法中交叉操作算子和变异操作算子，具体如下文所述：

如图3所示，为确保交叉后的染色体中有且仅有M个码位的取值为非“0”整数，按如下步骤进行交叉操作：

S41：从当前种群中随机选取两条染色体作为待交叉染色体；

S42：反复随机生成待选交叉位N_can(1<N_can<N_sta)，直至找到可行交叉位N_cr。判断N_can是否为可行交叉位的标准如下：两条待交叉染色体第N_can个码位后取值非“0”的码位数一致；

S43：以交叉概率P_c交换两条染色体交叉位N_cr后染色体码串，完成交叉操作。

如图4所示，为确保变异后的染色体中有且仅有M个码位的取值为非“0”整数，按如下步骤进行变异操作：

S51：从当前种群中随机选取一条染色体作为待变异染色体；

S52：随机生成两个待变异码位N_mu1与N_mu2(1<N_mu1<N_sta，1<N_mu2<N_sta)，确保两个待变异码位的取值一个为“0”，一个为非“0”整数；

S53：以变异概率P_m同时对待变异位N_mu1与N_mu2进行变异操作，取值为“0”的待变异位变异为不大于Q的非“0”随机整数，取值为非“0”的变异位变异为“0”。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种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，其特征在于，包括如下步骤：

S1：给定规划边界条件，包括：配电系统拓扑参数，配电系统规划典型日内的负荷，电动汽车充电站规划典型日内的充电负荷概率场景集，分布式光伏规划典型日内的出力概率场景集，充电站候选地址，充电站建设总数，充电站建设类型，不同类型充电站建设容量，充电站最低总建设容量，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：建立基于机会约束的电动汽车充电网络随机规划模型，模型中，配电节点电压偏移约束与配电线路潮流越限约束均为机会约束；

S3：根据电动汽车充电网络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，采用遗传算法求解电动汽车充电网络随机规划模型，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，其特征在于，所述步骤S2的基于机会约束的电动汽车充电网络随机规划模型，具体内容如下：

电动汽车充电网络随机规划模型的优化目标为尽可能减小配电系统规划典型日内的网损电量，具体如公式(1)所示：

公式(1)中，F_loss为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，T_f为典型日内的潮流分析时段数；l为配电线路索引；Ω_br为配电线路集合；ΔP_loss,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(ΔP_loss,l,t)表示配电线路l在潮流分析时段t的损耗功率的期望；

电动汽车充电网络随机规划模型中的约束分别如公式(2)至公式(5)所示，其中，公式(2)与公式(3)为确定性约束，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；

此外，配电系统中分布式光伏的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，配电系统的运行工况呈现明显的随机特性，在此条件下，公式(4)与公式(5)给出的配电节点电压偏移约束与配电线路潮流越限约束均为机会约束，上述约束具体如下：

公式(2)表示充电站建设数目约束，具体如下：

公式(2)中，M为充电站建设总数；N_sta为充电站候选地址总数，为配电系统中可接入电动汽车充电站的节点总数；i为候选地址索引；x_i是电动汽车充电网络随机规划模型中的0-1优化变量(i＝1,2,3,···,N_sta)，取“1”表示在候选地址i建设充电站，取“0”表示不在候选地址i建设充电站；

公式(3)表示电动汽车充电网络随机规划模型中的充电站建设容量约束，具体如下：

公式(3)中，y_i为候选地址i建设充电站的容量，电动汽车充电网络优化规划中，待建电动汽车充电站分为Q类，不同类别充电站的建设容量不同，因此，y_i为电动汽车充电网络随机规划模型中的离散优化变量；C_min为电动汽车充电网络中的充电站最低建设容量，由规划区域内的电动汽车数目和类型确定；

公式(4)为配电节点电压偏移机会约束，具体如下：

公式(4)中，P_r{}表示括号中随机事件发生的概率；k是配电节点索引；Ω_bus为配电节点集合；U_k为配电节点k的电压，为随机变量，可通过配电系统概率潮流分析获得其概率分布特性；U_N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(5)为配电线路潮流越限机会约束，具体如下所示：

P_r{I_l>I_l,max}≤β₂ l∈Ω_br (5)

公式(5)中，I_l为配电线路l中的负荷电流，为随机变量，可通过配电系统概率潮流分析获得其概率分布特性；I_l,max为配电线路l的最大允许电流；β₂为潮流越限置信度。

3.根据权利要求1所述的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，其特征在于，所述步骤S3中基于遗传算法的电动汽车充电网络随机规划模型求解流程，具体步骤如下：

S31：给定遗传算法参数，包括：种群规模N_pop，交叉率P_c，变异率P_m与最大进化代数G_max；

S32：随机生成由N_pop条染色体组成的初始种群，根据电动汽车充电网络随机规划模型的特征，采用整数编码方案对优化问题进行编码，即每条染色体由N_sta个码位组成，码位i的取值表示第i个候选地址的充电站建设情况，取值为“0”，说明不在候选地址i建设充电站，取值为“q”，说明在候选地址i建设第q类充电站(q＝1,2,3,···,Q)，其建设容量为C_q；为满足公式(2)给出的等式约束，各染色体中有且仅有M个码位的取值为非“0”整数，因此，按如下方法生初始种群中的染色体：首先，将染色体所有码位赋值为“0”；接着，从染色体中随机挑选M个码位，将赋值由“0”改为不大于Q的随机整数；

S33：进化代数索引g初始化为0，即令g＝0；

S34：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；

S35：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，各充电站的建设容量与充电站的总建设容量C_total；在此基础上，采用场景概率法进行规划典型日内的配电系统概率潮流计算，确定网损电量期望F_loss，各配电节点电压幅值与各配电线路潮流的概率分布特性，按公式(6)至公式(9)确定第n条染色体的适应度V_fit,n：

V_fit,n＝F_max-F_loss-η₁×V_p1-η₂×V_p2-η₃×V_p3 (6)

V_p1＝max[C_min-C_total,0] (7)

公式(6)中，F_max为事先给定的比较大的正数，用以确保染色体适应度非负，且越优秀的染色体对应适应度值越高；算子max[z₁，z₂]表示取z₁，z₂中较大的数；采用罚函数法分别处理公式(3)至公式(5)给出的约束，η₁，η₂与η₃为罚系数；V_p1，V_p2与V_p3分别表示公式(3)至公式(5)给出约束的违背程度，可分别由公式(7)至公式(9)计算；

S36：判断是否计算完当前种群中所有染色体的适应度，即判断染色体索引n是否等于种群规模N_pop，若n<N_pop，则令n＝n+1，并跳转至步骤S35，继续进行染色体适应度计算；否则，继续执行步骤S37；

S37：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G_max；若g＝G_max，则继续执行步骤S38；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S34；

S38：将当前种群最优秀染色体对应的充电网络建设方案作为电动汽车充电网络随机规划模型的最优解输出，结束算法流程。

4.根据权利要求3所述的基于遗传算法的电动汽车充电网络随机规划模型的求解流程，其特征在于，所述步骤S37所述的交叉操作算子，具体如下：

为确保交叉后的染色体中有且仅有M个码位的取值为非“0”整数，按如下步骤进行交叉操作：

S41：从当前种群中随机选取两条染色体作为待交叉染色体；

S42：反复随机生成待选交叉位N_can(1<N_can<N_sta)，直至找到可行交叉位N_cr，判断N_can是否为可行交叉位的标准如下：两条待交叉染色体第N_can个码位后取值非“0”的码位数一致；

S43：以交叉概率P_c交换两条染色体交叉位N_cr后染色体码串，完成交叉操作。

5.根据权利要求3所述的基于遗传算法的电动汽车充电网络随机规划模型的求解流程，其特征在于，所述步骤S37中的变异操作算子，具体如下：

为确保变异后的染色体中有且仅有M个码位的取值为非“0”整数，按如下步骤进行变异操作：

S51：从当前种群中随机选取一条染色体作为待变异染色体；

S52：随机生成两个待变异码位N_mu1与N_mu2(1<N_mu1<N_sta，1<N_mu2<N_sta)，确保两个待变异码位的取值一个为“0”，一个为非“0”整数；

S53：以变异概率P_m同时对待变异位N_mu1与N_mu2进行变异操作，取值为“0”的待变异位变异为不大于Q的非“0”随机整数，取值为非“0”的变异位变异为“0”。

Images