CN112766579B - 一种基于自适应算法的充电系统规划方法和装置 - Google Patents
一种基于自适应算法的充电系统规划方法和装置 Download PDFInfo
- Publication number
- CN112766579B CN112766579B CN202110089833.XA CN202110089833A CN112766579B CN 112766579 B CN112766579 B CN 112766579B CN 202110089833 A CN202110089833 A CN 202110089833A CN 112766579 B CN112766579 B CN 112766579B
- Authority
- CN
- China
- Prior art keywords
- charging
- formula
- performance
- charging system
- calculating
- 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 59
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 title claims description 17
- 238000012937 correction Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000010248 power generation Methods 0.000 claims description 21
- 238000011835 investigation Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 8
- 238000005265 energy consumption Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 22
- 230000002354 daily effect Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 230000010354 integration Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000004146 energy storage Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- VZSRBBMJRBPUNF-UHFFFAOYSA-N 2-(2,3-dihydro-1H-inden-2-ylamino)-N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]pyrimidine-5-carboxamide Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C(=O)NCCC(N1CC2=C(CC1)NN=N2)=O VZSRBBMJRBPUNF-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于自适应算法的充电系统规划方法和装置，方法包括：从多个充电系统规划方案中分别获取充电系统参数数据，按照预设的性能指标体系确定性能指标的指标值；利用主分量分析法进行性能指标筛选，利用层次分析法分析得到性能指标集中各性能指标的权重，利用该权重对相应性能指标值进行修正；利用预设的权重自适应修正模型，求解得到各性能指标的最终权重；根据修正后的性能指标值及其对应的最终权重，计算各充电系统规划方案的综合性能数据；将综合性能数据最优的方案作为最终充电系统规划方案。本发明能够适应充电系统特性调整指标权重，使得充电系统的性能预测更加准确，从而能够在充电系统规划阶段得到性能更优的规划方案。
Description
技术领域
本发明涉及充电系统规划建设技术领域，特别是一种基于自适应算法的充电系统规划方法和装置。
背景技术
随着动力电池安全耐久性能的提升和成本的降低，电动汽车正迎来蓬勃发展的产业新时代。布局合理、运行科学的充电系统为车主提供智慧高效、经济低碳的充电服务，是电动汽车可持续增长的保障。
电动汽车充电系统的公共服务性决定了其供应可靠性、安全性与适用性将成为考核的焦点；作为电力大用户，充电系统要考虑设备效率，并从电网的角度考虑充电系统的友好程度；作为公共服务设施，用户体验和利用效率也是一个重要的考核指标。在充电系统的评价中，由于存在多种集成方式及应用场景，决策者往往希望当被评价群体某指标值分布相对集中时，由于区分度不高而适当弱化该指标的评价作用；当被评价个体在某指标值较被评价群体有明显优势时，适当强化该指标的导向作用，现有的评价方法还无法很好的满足该需求。
发明内容
本发明的目的是提供一种基于自适应算法的充电系统规划方法和装置，能够适用于不同集成方式的充电系统在规划设计时的方案性能预测及比较，并能够自适应充电系统特性调整指标权重，使得充电系统的性能预测比较结果更加准确，为充电系统规划提供更准确的导向。本发明采用的技术方案如下。
一方面，本发明提供一种基于自适应算法的充电系统规划方法，包括：
按照预先构建的性能指标体系，从多个充电系统规划方案中，分别获取与性能指标相关的充电系统参数数据；
基于充电系统参数数据，确定性能指标体系中性能指标的指标值；
根据指标值进行性能指标筛选，得到筛选后的性能指标集；
得到筛选后的性能指标集中各性能指标的权重，利用该权重对相应性能指标值进行修正；
得到性能指标集中各性能指标的最终权重；
根据修正后的性能指标值及其对应的最终权重，计算各充电系统规划方案的综合性能数据；
将综合性能数据最优的充电系统规划方案作为最终充电系统规划方案。
可选的，方法还包括：对筛选出的性能指标集中的所有性能指标的指标值进行标准化处理；
方法中，利用层次分析法分析得到所述权重后，利用该权重对标准化处理后的相应性能指标值进行修正。
可选的，所述性能指标体系包括一级指标、二级指标和三级指标；一级指标包括安全适应性、多时空尺度能量融合适应性和多源异构数据融合适应性；
对应安全适应性的二级指标包括供电安全性、供电可靠性和供电适应性；其中，对应供电安全性的三级指标包括N-1最大负荷损失率和N-1平均负荷损失率；对应供电可靠性的三级指标包括平均无故障时间、平均故障修复时间、设备可利用率；对应供电适应性的三级指标包括供电能力裕度和系统扩展裕度；
对应多时空尺度能量融合适应性的二级指标包括电网友好水平、设备利用水平、新能源消纳水平和用户满意水平；其中，对应电网友好水平的三级指标包括需用系数、功率因数、典型日峰谷差率、典型日负荷率、尖峰负荷持续时间、功率自平衡度和典型日三相不平衡度；对应设备利用水平的三级指标包括设备利用小时数、平均负荷系数、单位面积输出电量和充电效率；对应新能源消纳水平的三级指标包括分布式发电利用率和分布式发电直接利用率；对应用户满意水平的三级指标包括充电计划完成率、平均排队时间和平均充电时间；
对应多源易购数据融合适应性的二级指标包括数据互动水平和数据利用水平；其中，对应数据互动水平的三级指标包括预约充电率和设备在线率，对应数据利用水平的三级指标包括新能源出力预测准确率和充电需求预测准确率。
前述方案中，所需获取的充电系统参数数据即用于确定各三级性能指标的指标值的参数数据。如，
可选的，所述确定性能指标体系中性能指标的指标值，包括：
计算N-1平均负荷损失率，为：
式中，M为充电系统的事故序列类型数量，ΔPij为第i类事故序列的第j项事故负荷损失，γi为等级因子，表征事故序列i的严重程度，Ni为第i类事故序列所含的事故总数，Pmax为充电系统的最大负荷；
计算平均无故障时间MTBF：
式中，To和K分别表示为充电设施在总的使用阶段的累计正常运行时间和故障次数；
计算平均故障修复时间MTTR：
式中，Ti,r表示第i次故障的修复时间；
计算设备可利用率B：
计算供电能力裕度Acyd：
式中，S表示充电系统供电能力，Pt为充电系统在满足N-1条件下所能供的最大负荷；
计算系统扩展裕度Akyd：
式中，Sc表示扩容后的供电容量
计算需用系数λneed：
式中，Pmax表示充电站典型日最大负荷，Pe为充电站额定负荷；
计算功率因数
式中：P表示有功功率，S表示视在功率；
计算典型日峰谷差率λgap：
式中，Pmax、Pmin分别表示充电站典型日最大、最小负荷；
计算典型日负荷率λload：
式中，Pavg表示典型日平均负荷；
计算功率自平衡度：
式中，
为第i个采样时刻充电系统与配电网的交互功率，
为第i个采样时刻负荷供电功率，T为统计时段内采样点个数；
计算典型日三相不平衡度yp：
式中，yi为典型日各时段的三相不平衡度，计算公式为：
式中，IA(ti),IB(ti),IC(ti)为时段i的三相电流；
计算设备利用小时数Tut：
式中，Wchar表示设定的采样期内的充电电量，Pcap表示可用充电设施额定容量；
计算平均负荷系数λavg：
计算单位面积输出电量Win：
式中，Wchar表示充电设施的实际输出电量，Schar表示充电设施的占地面积；
计算充电效率ηchar：
式中，Wout表示充电设施输出电量，Win表示充电设施输入电量；
计算分布式发电利用率λDG：
式中，k表示充电系统内包含的分布式电源总数，Ei,DG表示第i个分布式电源在考察期内的实际发电量，Ei,DGe表示第i个分布式电源在考察期内的额定发电量；
计算分布式发电直接利用率λDGr：
式中，Er表示电动汽车所充电量中来自于本地新能源的部分；
计算充电计划完成率A：
式中，Wneed表示考察时段内用户的需求电量；
计算平均排队时间Tline：
式中，Ti,line表示第i辆车的实际排队时间，n1表示考察期内服务车辆总数；
计算平均充电时间Tchar：
式中，Ti,char表示第i辆车的实际排队时间。
可选的，所述对性能指标集中的所有性能指标的指标值进行标准化处理为：
对于第i个方案的第j个性能指标的指标值xij，其标准化处理后的指标值为：
式中，中间参数
m为方案数量，
可选的，本发明利用层次分析法得到的权重，对性能指标集中的相应指标值
进行修正，得到修正后的指标值
按照下式进行：
式中，
为利用经典层次分析法得到的权重向量集，其中
代表对应性能指标集中第j个性能指标的权重，n表示性能指标集中性能指标的类型数量。
以上方案中，利用层次分析法分析得到性能指标集中各性能指标的权重可采用现有技术。
可选的，本发明利用预设的权重自适应修正模型，计算得到筛选后的性能指标集中各性能指标的最终权重；
其中，所述预设的权重自适应修正模型，表示为：
maxσ2＝(W(2))TQW(2)
式中，σ2表示多个方案选择同一权重向量集计算得到的综合性能数据的分散程度，
表示修正后的权重向量集；
中间参数有：
利用权重自适应修正模型的目标函数并考虑相关约束和表达，即可求解得到使得多个方案综合性能计算值分散度最大的最终权重向量集合。
以上方案公式可以看出，本发明是根据充电系统性能指标值的分布特征，对评价指标的权重进行动态修正，从而可降低区分度不高的指标权重，提升区分度高的指标权重，进而提升性能评价的客观性，体现出稀缺性指标的导向作用，为同一套评价指标应用于多种融合场景创造条件。
可选的，所述根据修正后的性能指标值及其对应的最终权重，计算各充电系统规划方案的综合性能数据，计算公式为：
式中，vi表示第i个方案的综合性能计算结果。从式中可以看出，对于各指标的指标值，在与相应的指标权重结合时，采用了权重的平方值，目的是对指标的稀缺程度进行强化或者弱化。因为性能指标的稀缺程度一方面会随时间发生变化，另一方面也会随充电系统集成方式及应用场景发生变化。但无论是哪种情况，这些变化都会反映在由所有方案指标值组成的充电系统决策矩阵中，上述处理能够进一步提升方法对目标评价系统的自适应性，使得综合性能结果更准确，与关键指标的相关性更突出。
第二方面，本发明提供一种基于自适应算法的充电系统规划装置，包括：
充电系统参数获取模块，被配置用于按照预先构建的性能指标体系，从多个充电系统规划方案中，分别获取与性能指标相关的充电系统参数数据；
性能指标值确定模块，被配置用于基于充电系统参数数据，计算性能指标体系中性能指标的指标值；
性能指标筛选模块，被配置用于根据所述指标值进行性能指标筛选，得到筛选后的性能指标集；
性能指标值修正模块，被配置用于分析得到筛选后的性能指标集中各性能指标的权重，利用该权重对相应性能指标值进行修正；
权重自适应修正模块，被配置用于计算得到性能指标集中各性能指标的最终权重；
综合性能计算模块，被配置用于根据修正后的性能指标值及其对应的最终权重，计算各充电系统规划方案的综合性能数据；
以及，规划方案确定模块，被配置用于将综合性能数据最优的充电系统规划方案确定为最终充电系统规划方案。
可选的，充电系统规划装置还包括标准化处理模块，其被配置用于对性能指标集中的所有性能指标的指标值进行标准化处理；
所述性能指标值修正模块利用层次分析法分析得到权重，对标准化处理后的相应性能指标值进行修正；
所述权重自适应修正模块利用预设的权重自适应修正模型，计算得到性能指标集中各性能指标的最终权重。
有益效果
本发明的充电系统规划方法，针对不同集成方式的充电系统性能预测，在利用层次分析法获得性能指标权重的基础上，基于自适应原理，求取使得不同方案之间性能预测结果分散度最大的权重系数，实现权重对于各种集成方式充电系统的自适应修正，降低区分度不高的指标权重，提升区分度高的指标权重，从而提升层次分析法的客观性，体现出稀缺性指标的导向作用，使得充电系统方法综合性能的预测结果区分度更高，从而更容易选择综合性能较优的规划方案。
此外，本发明从充电系统综合评价的角度出发，总结了电动汽车、分布式能源及智能电网的不同集成方式，建立了一套适用于不同集成方式的评价体系，该评价体系综合考量了充电设施、分布式能源与电网的融合安全适应性、多时空尺度能量及多源异构数据融合适应性，结合充电系统规划方法能够更准确的反应出充电系统的综合性能。
附图说明
图1所示为本发明一种实施方式的流程示意图；
图2所示为专变并网型充电系统架构示意图；
图3所示为公变并网型充电系统架构示意图；
图4所示为直流型风光储电动汽车充电站架构示意图；
图5所示为交流型风光储电动汽车充电站架构示意图。
具体实施方式
充电系统特别是能源站为电动汽车电能补给的主要场所，也是电动汽车参与电网互动的媒介。从物理结构上看，存在普通配电变压器下的交流/直流充电站、电力电子变压器下的全直流充电站以及可离网或并网运行的充电微网等多种集成方法，但物理结构不应对充电系统的性能预测结果产生直接影响。
因此，本发明的技术构思为：在针对各种集成方式充电系统皆普遍适用的性能评价指标基础上，对经典的层次分析法(Analytic Hierarchy Process，AHP)进行改进，改善其主观性强、权重系数固定不变的缺陷，在利用层次分析法所得权重对性能指标值进行修正的基础上，再求取使得基于同一集成方式的多个方案之间性能预测结果数据分散度最大的权重系数，基于该权重系数确定各方案的综合性能，进而选择综合性能最优的充电系统方案。
为了实现以上目标，本发明还从充电系统综合性能的角度出发，基于电动汽车、分布式能源及智能电网的不同集成方式，建立了一套适用于不同集成方式的性能指标体系。
以下结合附图和具体实施例进一步描述。
实施例1
本实施例介绍一种基于自适应算法的充电系统规划方法，包括：
按照预先构建的性能指标体系，从多个充电系统规划方案中，分别获取与性能指标相关的充电系统参数数据；
基于充电系统参数数据，确定性能指标体系中性能指标的指标值；
利用主分量分析法进行性能指标筛选，得到筛选后的性能指标集；
利用层次分析法分析得到性能指标集中各性能指标的权重，利用该权重对相应性能指标值进行修正；
利用预设的权重自适应修正模型，求解得到性能指标集中各性能指标的最终权重；
根据修正后的性能指标值及其对应的最终权重，计算各充电系统规划方案的综合性能数据；
将综合性能数据最优的充电系统规划方案作为最终充电系统规划方案。
实施例1-1
在实施例1的基础上，参考图1所示，本实施例的方法还包括：对筛选出的性能指标集中的所有性能指标的指标值进行标准化处理；
在利用层次分析法分析得到所述权重后，利用该权重对标准化处理后的相应性能指标值进行修正。
以下具体介绍实施例1及实施例1-1所涉及的内容。
一、性能指标体系的构建
1、电动汽车充电系统的不同集成方式
电动汽车充电系统由两台及以上交流或直流充电桩组成，将电能安全地从电源传输至电动汽车，是充电系统的首要功能。按照供电方式的不同，电动汽车充电系统可以分为专变并网型、公变并网型和离网型三大类型，适用于不同的场景。
如图2，专变并网型充电系统通过专用变压器接入配电网，该变压器的容量除全额满足充电负荷需求外，尚需留有一定的容量裕度。专变并网型充电系统主要适合于专用或公共充电站。
专用充电站服务于公交、出租和通勤等电动汽车。这些车辆日均行驶里程长、耗电量大、停泊时间短。需要较大的充电功率以满足其能量需求。为提供更高的功率输出，专用充电站一般配置直流充电桩，单桩输出功率达100kW以上。公交、出租和通勤等车辆充电规律较为简单。充电站由公交、出租车公司自行或委托充电服务公司管理，服务对象较为固定。为降低充电成本，站内可选配储能、分布式发电(主要为光伏发电)等设备。
公共充电站服务于社会车辆的应急充电。电动汽车在行驶时，若剩余电量不足以支撑其抵达目的地，则选择附近的公共充电站进行补电。为降低车主的充电等待时间，公共充电站一般配备直流充电桩，功率达50kW以上。公共充电站服务对象的充电规律复杂，难以控制其充电时间，一般采用即到即充模式，由充电服务公司或电网公司直接运营。为降低对电网的影响，实现新能源就地消纳，站内同样可配有储能、分布式发电等设备。
如图3所示，公变并网型充电系统没有专用的配电变压器，充电系统所接的台变同时接有比例不可忽略的其它常规负荷。公变并网型充电系统主要适用于居民区、单位或公共的停车场。
居民区或单位停车场的充电系统服务于长期停靠在该停车场的私人或公务乘用车，满足其日常的充电需求。配备的一般为交流充电桩，功率在7kW左右。由物业公司或充电服务商运营。由于电动汽车可以在较长的停泊时间内充电，且服务对象固定，故有较大潜力对其充电时段进行有序管理，可在电网的调度下与配电网中的常规负荷、分布式发电和储能配合，实现协同增效。
公共停车场的充电系统服务于临时停靠的社会车辆，一般配备功率在2kW左右的单相交流桩。与居民区或单位停车场的充电系统相比，区别在于其服务对象不以此作为主要的充电方式，该场景下电动汽车的充电需求具有可选择性，当常规负荷紧张时，可以优先降低充电负荷。
离网型充电系统不接入大电网。在一些网架结构较为薄弱的海岛或乡村，可以利用储能与分布式发电配合，为电动汽车提供充电服务。离网型风光储电动汽车充电站分为直流型和交流型两类。附图4为直流型风光储电动汽车充电站结构图，风力发电机产生的交流电通过整流器汇入直流母线，光伏发电机产生的直流电经过DC-DC变换器汇入直流母线，储能电池通过双向DC-DC变换器接入直流母线。共同为直流充电桩供电。附图5为交流型风光储电动汽车充电站结构图，其中风力发电机产生的交流电汇入交流母线，光伏发电机产生的直流电经过逆变器汇入交流母线，储能电池通过双向逆变器接入交流母线，共同为交流充电桩供电。
2、充电系统性能指标遴选
本阶段旨在确定对于各种集成方式的充电系统具有普遍适应性的性能指标体系，所考虑的性能指标具体如下。
(1)安全适应性
安全适应性包括供电安全性、供电可靠性及供电适应性三个二级指标。
1)供电安全性
N-1最大负荷损失率：N-1最大负荷损失率是指针对充电系统失去一个重要元件的事故序列，搜索导致充电系统负荷损失率最大的事故并记录相应的负荷损失值和损失率。
N-1平均负荷损失率：N-1平均负荷损失率是指针对充电系统失去一个重要元件的事故序列，从整体上综合量化描述事故对充电系统的平均影响水平。假设充电系统中的M类事故序列所含事故总数分别为N1、N2,...,NM，第i类事故序列的第j项事故负荷损失为ΔPij，则有：
N-1平均负荷损失率为：
式中，M为充电系统的事故序列类型数量，ΔPij为第i类事故序列的第j项事故负荷损失，等级因子γi表征事故序列i的严重程度，Pmax为充电系统的最大负荷，Ni为第i类事故序列所含的事故总数。
2)供电可靠性
平均无故障时间：平均无故障时间(Mean Time Between Failures，MTBF)是指相邻两次故障之间的平均工作时间。规定充电设施在总的使用阶段累计正常运行时间与故障次数的比值为MTBF，计算公式为：
式中，To表示评价周期内充电设施累计正常运行时间，单位为h，K表示评价周期内充电设施的故障次数。
平均故障修复时间：平均故障修复时间(Mean Time To Repair，MTTR)，MTTR可认为是充电设施恢复时间的期望值。计算公式为：
式中，Ti,r表示第i次故障的修复时间，单位为h。
设备可利用率：设备可利用率表示可维修的设备在考察时间内维持其性能的概率，计算公式为：
3)供电适应性
供电能力裕度：由于电动汽车的负荷增长的不确定性，充电系统的供电能力应大于所带负荷量，供电能力裕度计算公式为：
式中，Acyd表示供电能力裕度，S表示充电系统供电能力，P为充电系统在满足N-1条件下所能供的最大负荷。
系统扩展裕度：系统扩展裕度从充电系统是否具备扩建空间的角度设计。在不增加站点的基础上，对充电系统进行扩容改造能够增加供电容量，计算公式为：
式中，Akyd表示系统扩展裕度，Sc表示扩容后的供电容量。
(2)多时空尺度能量融合适应性
多时空尺度能量融合适应性包括电网友好水平、设备利用水平、新能源消纳水平和用户满意水平四个二级指标。
1)电网友好水平
需用系数：需用系数是指充电设施从电网实际取用的最大负荷与额定负荷之比，计算公式为：
式中，Pmax表示充电站典型日最大负荷，单位为kW。
功率因数：功率因数的大小与设备的负荷性质有关，是衡量充电设施效率高低的一个系数，相当于公共电网对充电设施的要求。当功率因数过低时，充电站需要增设无功补偿设备将功率因数提高到要求值。计算公式为：
式中：P表示有功功率，单位为kW；S表示视在功率，单位为kVA。
典型日峰谷差率：典型日峰谷差是典型日峰谷差与最大负荷的比值，计算公式为：
式中，Pmin表示充电站典型日最小负荷。
典型日负荷率：典型日负荷率是典型日平均负荷与最大负荷的比值，计算公式为：
尖峰负荷持续时间：尖峰负荷持续时间是指考察期内充电系统负荷较高时间段的持续长度。本节研究的尖峰负荷为90％Pmax以上的负荷。
功率自平衡度：功率自平衡度表征充电系统功率的自平衡能力，计算公式为：
式中，
为第i个采样时刻充电系统与配电网的交互功率，
为第i个采样时刻负荷供电功率，T为统计时段内采样点个数。
典型日三相不平衡度：计算公式为：
式中，yi为典型日各时段的三相不平衡度，计算公式为：
IA(ti),IB(ti),IC(ti)为时段i的三相电流。
2)设备利用水平
设备利用小时数：设备利用小时数指固定时期内(设定为一年)充电电量按充电设施满负荷运行功率进行折算时所需的充电运行小时数。计算公式为：
式中，Wchar表示采样期内的充电电量，单位为kWh；Pcap表示可用充电设施额定容量。
平均负荷系数：平均负荷系数是指充电设施的平均负荷与额定负荷之比。考核充电站时，考虑整个充电站的平均负荷与额定负荷之比，计算公式为
式中，Pavg表示充电站典型日平均负荷，Pe表示充电站额定负荷，单位为kW。
单位面积输出电量：单位面积输出电量是充电设施的实际输出电量与其占地面积的比值，计算公式为：
式中，Schar表示充电系统的占地面积，单位为m2。
充电效率：充电设施的充电效率是所有运行充电桩总输出电量与总输入电量的比值，计算公式为：
式中，Wout表示充电设备输出电量，Win表示充电设备输入电量，单位为kWh。
3)新能源消纳水平
分布式发电利用率：DG利用率指充电系统内所有DG在考察期内实际发电量相对额定发电量的占比，计算公式为：
式中，λDG表示分布式电源DG利用率，k表示充电系统内包含的分布式电源总数，Ei,DG表示第i个分布式电源在考察期内的实际发电量，Ei,DGe表示第i个分布式电源在考察期内的额定发电量。
分布式发电直接利用率：DG直接利用率指充电系统内DG为电动汽车所充电量相对实际发电量的占比，计算公式为：
式中，Er表示电动汽车所充电量中来自于本地新能源的部分。
4)用户满意水平
充电计划完成率：充电计划完成率是实际输出电量与用户需求电量的比值，指标值可以大于100％。计算公式为：
式中，Wneed表示考察时段内用户的需求电量，单位为kWh。
平均排队时间：平均排队时间是指车辆从到达充电地点开始至充上电为止所耗费的时间的期望值，计算公式为：
式中，Ti,line表示第i辆车的实际排队时间，单位为min；n表示考察期内服务车辆总数。
平均充电时间：平均充电时间是指车辆从开始充电至结束充电所耗费的时间期望值，计算公式为
式中，Ti,char表示第i辆车的实际排队时间，单位为min。
(3)多源异构数据融合适应性
多源异构数据融合适应性包括数据互动水平和数据利用水平两个二级评价指标。
1)数据互通水平
预约充电率：预约充电率是指考察期内通过互联互通平台进行预约充电的车辆数占总服务车辆数的百分比。
式中，λy为预约充电率，Ny为考察期内通过互联互通平台进行预约充电的车辆总数。
设备在线率：设备在线率是指考察期内各类型设施能够通过互联互通平台进行监视的时间占其总服务时间的百分比。
式中，λin为设备在线率，m为充电系统包括储能、分布式能源和充电桩在内的设备总数， Ti,in为第i台设备能够通过互联互通平台进行监视的时间，Ti为第i台设备的总服务时间。
2)数据利用水平
新能源出力预测准确率：该指标表征该充电系统运营者通过历史数据对新能源出力进行有效日前预测的能力。
式中，λnyc为新能源出力预测准确率，d为考察总天数，pij,yc为第i天时段j的新能源预测出力，pij,re为第i天时段j的新能源实际出力。
充电需求预测准确率：该指标表征该充电系统运营者通过历史数据对充电需求进行有效日前预测的能力。
式中，λcyc为新能源出力预测准确率，Eij,yc为第i天时段j的电动汽车需求预测，Eij,re为第i天时段j的电动汽车实际充电需求。
二、性能指标集的构建和预处理
记A＝{A1，A2，…，Am}为待预测的充电系统规划方案的全体，B＝{B1，B2，…，Bn}为性能指标的全体。构建性能指标集B的基本原则为，所选取的性能指标要尽可能反映被评价对象的本质，不能过于复杂但也不能太简单，且它们之间要尽可能相互独立。为此，本实施例考虑采用如下确定方法：先照顾评价指标的“多而全”，即将能反映被评价对象的评价指标全部列出，然后利用主分量分析法对所有评价指标进行筛选，剔除冗余(即具有高度相关关系)和不重要的评价指标，得到筛选后的评价指标集。
由于性能指标有不同的类型、量纲和量级，并且它们之间的量级差别巨大。因此，为了使评价合理化，本实施例将所有的指标值进行预处理，目的是消除量纲和量级差，便于评分决策。可采用如下标准化方法：
假设xij(1≤i≤m，1≤j≤n)为待预测方案Ai在性能指标Bj下的指标值，记其标准化之后的值为
则有：
式中：
实践证明，标准化之后的值
大部分被压缩在-3～3之间，因此标准化方法起到了某种“惩罚函数”的作用。可将标准化后的指标值组成的矩阵
称为决策矩阵。
三、利用层次分析法对指标值进行修正
经典层次分析法为现有算法，包括建立递阶层次结构、利用专家评分意见构造满足一致性条件的判断矩阵，进而可确定出性能指标集B中每一个性能指标Bj的权重
从而得到权重向量：
利用这一权重向量W(1)，可以对决策矩阵
修正如下：
得到的决策矩阵记为
四、权重的自适应修正
为了改善经典层次分析法自身的不足，期望被评价对象指标值相对集中的指标(一般来讲为区分度低、非稀缺性指标)的权重有所下降，相对分散的指标(一般来讲为区分度高、稀缺性指标)的权重有所上升，这就需要依据决策矩阵对层次分析法所给的权重进行自适应修正。
在利用层次分析法给出的权重对决策矩阵进行修正之后，上述想法等价于寻找一组新的权重
使得在该组权重下，各方案的综合性能计算结果值最为分散。为了衡量精确及数学处理的方便，本实施例选用方差作为衡量综合性能值分散程度的统计量，即目标函数和约束为：
maxσ2＝Var(v1,v2,…,vm)
式中：vi为方案Ai的评分。
为了得到目标函数式(31)的精确表达，需要给出综合性能值关于权重
的表达式。一般地，取综合性能值vi为关于权重
的线性组合：
此时：
式中：
将式(32)代入式(33)可得：
式中：
令:
则:
综合以上，可得到本实施例的权重自适应修正模型的目标函数及约束为：
maxσ2＝(W(2))TQW(2)
由此可通过方程组(39)确定最终的权重向量W(2)，并利用W(2)计算各方案的综合性能值。
优于笔者注意到，指标的稀缺程度一方面会随时间发生变化，另一方面也会随充电系统集成方式及应用场景发生变化。但无论是哪种情况，这些变化都会反映在充电系统的决策矩阵中(即评价值中)，而上述方法充分利用了决策矩阵的信息，因此本实施例通过在最终计算方案综合性能值时，自适应地在经典的层次分析法的基础上对指标的稀缺程度进行强化或者弱化，即：第i个方案Ai综合性能值为：
依据这一综合性能值，可以得出各方案的综合性能排名，进而可从中选择综合性能最优的方案，进行充电系统的规划。
综上，本发明从充电系统综合评价的角度出发，总结了电动汽车、分布式能源及智能电网的不同集成方式，建立了一套适用于不同集成方式的性能指标体系，该体系综合考量了充电设施、分布式能源与电网的融合安全适应性、多时空尺度能量及多源异构数据融合适应性；同时本发明还基于自适应原理，对经典的层次分析法进行了改进，使该体系能够适用于不同集成方式与应用场景的充电系统方案综合性能计算和比较选择，为充电系统的规划提供准确导向。
实施例2
与实施例1基于相同的发明构思，本实施例介绍一种基于自适应算法的充电系统规划装置，包括：
充电系统参数获取模块，被配置用于按照预先构建的性能指标体系，从多个充电系统规划方案中，分别获取与性能指标相关的充电系统参数数据；
性能指标值确定模块，被配置用于基于充电系统参数数据，计算性能指标体系中性能指标的指标值；
性能指标筛选模块，被配置用于利用主分量分析法进行性能指标筛选，得到筛选后的性能指标集；
标准化处理模块，被配置用于对性能指标集中的所有性能指标的指标值进行标准化处理；
性能指标值修正模块，被配置用于利用层次分析法分析得到性能指标集中各性能指标的权重，利用该权重对标准化处理后的相应性能指标值进行修正；
权重自适应修正模块，被配置用于利用预设的权重自适应修正方程，求解得到性能指标集中各性能指标的最终权重；
综合性能计算模块，被配置用于根据修正后的性能指标值及其对应的最终权重，计算各充电系统规划方案的综合性能数据；
以及，规划方案确定模块，被配置用于将综合性能数据最优的充电系统规划方案确定为最终充电系统规划方案。
以上各模块的具体功能实现参考实施例1的相关内容。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/ 或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (9)
1.一种基于自适应算法的充电系统规划方法，其特征是，包括：
按照预先构建的性能指标体系，从多个充电系统规划方案中，分别获取与性能指标相关的充电系统参数数据；
基于充电系统参数数据，确定性能指标体系中性能指标的指标值；
根据指标值进行性能指标筛选，得到筛选后的性能指标集；
得到筛选后的性能指标集中各性能指标的权重，利用该权重对相应性能指标值进行修正；
得到筛选后的性能指标集中各性能指标的最终权重；
根据修正后的性能指标值及其对应的最终权重，计算各充电系统规划方案的综合性能数据；
将综合性能数据最优的充电系统规划方案作为最终充电系统规划方案；
其中，所述确定性能指标体系中性能指标的指标值，包括计算N-1平均负荷损失率、平均无故障时间、平均故障修复时间、设备可利用率、供电能力裕度、系统扩展裕度、需用系数、功率因数、典型日峰谷差率、典型日负荷率、功率自平衡度、典型日三相不平衡度、设备利用小时数、平均负荷系数、单位面积输出电量、充电效率、分布式发电利用率、分布式发电直接利用率、充电计划完成率、平均排队时间、平均充电时间中的多个性能指标的指标值，按照如下公式计算：
计算N-1平均负荷损失率，为：
式中，M为充电系统的事故序列类型数量，△Pij为第i类事故序列的第j项事故负荷损失，γi为等级因子，表征事故序列i的严重程度，Ni为第i类事故序列所含的事故总数，Pmax为充电系统的最大负荷；
计算平均无故障时间MTBF：
式中，To和K分别表示为充电设施在总的使用阶段的累计正常运行时间和故障次数；
计算平均故障修复时间MTTR：
式中，Ti,r表示第i次故障的修复时间；
计算设备可利用率B：
计算供电能力裕度Acyd：
式中，S表示充电系统供电能力，Pt为充电系统在满足N-1条件下所能供的最大负荷；
计算系统扩展裕度Akyd：
式中，Sc表示扩容后的供电容量
计算需用系数λneed：
式中，Pmax表示充电站典型日最大负荷，Pe为充电站额定负荷；
计算功率因数
式中：P表示有功功率，S表示视在功率；
计算典型日峰谷差率λgap：
式中，Pmax、Pmin分别表示充电站典型日最大、最小负荷；
计算典型日负荷率λload：
式中，Pavg表示典型日平均负荷；
计算功率自平衡度：
式中，Pi PCC为第i个采样时刻充电系统与配电网的交互功率，Pi load为第i个采样时刻负荷供电功率，T为统计时段内采样点个数；
计算典型日三相不平衡度yp：
式中，yi为典型日各时段的三相不平衡度，计算公式为：
式中，IA(ti),IB(ti),IC(ti)为时段i的三相电流；
计算设备利用小时数Tut：
式中，Wchar表示设定的采样期内的充电电量，Pcap表示可用充电设施额定容量；
计算平均负荷系数λavg：
计算单位面积输出电量Win：
式中，Wchar表示充电设施的实际输出电量，Schar表示充电设施的占地面积；
计算充电效率ηchar：
式中，Wout表示充电设施输出电量，Win表示充电设施输入电量；
计算分布式发电利用率λDG：
式中，k表示充电系统内包含的分布式电源总数，Ei,DG表示第i个分布式电源在考察期内的实际发电量，Ei,DGe表示第i个分布式电源在考察期内的额定发电量；
计算分布式发电直接利用率λDGr：
式中，Er表示电动汽车所充电量中来自于本地新能源的部分；
计算充电计划完成率A：
式中，Wneed表示考察时段内用户的需求电量；
计算平均排队时间Tline：
式中，Ti,line表示第i辆车的实际排队时间，n1表示考察期内服务车辆总数；
计算平均充电时间Tchar：
式中，Ti,char表示第i辆车的实际排队时间。
2.根据权利要求1所述的方法，其特征是，还包括：对筛选出的性能指标集中的所有性能指标的指标值进行标准化处理；
充电系统规划方法中，利用层次分析法分析得到所述权重后，利用该权重对标准化处理后的相应性能指标值进行修正。
3.根据权利要求1或2所述的方法，其特征是，所述性能指标体系包括一级指标、二级指标和三级指标；一级指标包括安全适应性、多时空尺度能量融合适应性和多源异构数据融合适应性；
对应安全适应性的二级指标包括供电安全性、供电可靠性和供电适应性；其中，对应供电安全性的三级指标包括N-1最大负荷损失率和N-1平均负荷损失率；对应供电可靠性的三级指标包括平均无故障时间、平均故障修复时间、设备可利用率；对应供电适应性的三级指标包括供电能力裕度和系统扩展裕度；
对应多时空尺度能量融合适应性的二级指标包括电网友好水平、设备利用水平、新能源消纳水平和用户满意水平；其中，对应电网友好水平的三级指标包括需用系数、功率因数、典型日峰谷差率、典型日负荷率、尖峰负荷持续时间、功率自平衡度和典型日三相不平衡度；对应设备利用水平的三级指标包括设备利用小时数、平均负荷系数、单位面积输出电量和充电效率；对应新能源消纳水平的三级指标包括分布式发电利用率和分布式发电直接利用率；对应用户满意水平的三级指标包括充电计划完成率、平均排队时间和平均充电时间；
对应多源异构数据融合适应性的二级指标包括数据互动水平和数据利用水平；其中，对应数据互动水平的三级指标包括预约充电率和设备在线率，对应数据利用水平的三级指标包括新能源出力预测准确率和充电需求预测准确率。
4.根据权利要求2所述的方法，其特征是，对性能指标集中的所有性能指标的指标值进行标准化处理为：
对于第i个方案的第j个性能指标的指标值xij，其标准化处理后的指标值为：
式中，中间参数
m为方案数量，
5.根据权利要求4所述的方法，其特征是，利用层次分析法得到的权重，对性能指标集中的相应指标值
进行修正，得到修正后的指标值
按照下式进行：
式中，
为利用经典层次分析法得到的权重向量集，其中
代表对应性能指标集中第j个性能指标的权重，n表示性能指标集中性能指标的类型数量。
6.根据权利要求5所述的方法，其特征是，利用预设的权重自适应修正模型，计算得到筛选后的性能指标集中各性能指标的最终权重；
其中，所述预设的权重自适应修正模型，表示为：
maxσ2＝(W(2))TQW(2)
式中，σ2表示多个方案选择同一权重向量集计算得到的综合性能数据的分散程度，
表示修正后的权重向量集；
中间参数有：
7.根据权利要求6所述的方法，其特征是，所述根据修正后的性能指标值及其对应的最终权重，计算各充电系统规划方案的综合性能数据，计算公式为：
式中，vi表示第i个方案的综合性能计算结果。
8.一种基于自适应算法的充电系统规划装置，其特征是，包括：
充电系统参数获取模块，被配置用于按照预先构建的性能指标体系，从多个充电系统规划方案中，分别获取与性能指标相关的充电系统参数数据；
性能指标值确定模块，被配置用于基于充电系统参数数据，计算性能指标体系中性能指标的指标值；
性能指标筛选模块，被配置用于根据所述指标值进行性能指标筛选，得到筛选后的性能指标集；
性能指标值修正模块，被配置用于分析得到筛选后的性能指标集中各性能指标的权重，利用该权重对相应性能指标值进行修正；
权重自适应修正模块，被配置用于计算得到性能指标集中各性能指标的最终权重；
综合性能计算模块，被配置用于根据修正后的性能指标值及其对应的最终权重，计算各充电系统规划方案的综合性能数据；
以及，规划方案确定模块，被配置用于将综合性能数据最优的充电系统规划方案确定为最终充电系统规划方案；
其中，性能指标值确定模块确定性能指标体系中性能指标的指标值，包括计算N-1平均负荷损失率、平均无故障时间、平均故障修复时间、设备可利用率、供电能力裕度、系统扩展裕度、需用系数、功率因数、典型日峰谷差率、典型日负荷率、功率自平衡度、典型日三相不平衡度、设备利用小时数、平均负荷系数、单位面积输出电量、充电效率、分布式发电利用率、分布式发电直接利用率、充电计划完成率、平均排队时间、平均充电时间中的多个性能指标的指标值，按照如下公式计算：
计算N-1平均负荷损失率，为：
式中，M为充电系统的事故序列类型数量，△Pij为第i类事故序列的第j项事故负荷损失，γi为等级因子，表征事故序列i的严重程度，Ni为第i类事故序列所含的事故总数，Pmax为充电系统的最大负荷；
计算平均无故障时间MTBF：
式中，To和K分别表示为充电设施在总的使用阶段的累计正常运行时间和故障次数；
计算平均故障修复时间MTTR：
式中，Ti,r表示第i次故障的修复时间；
计算设备可利用率B：
计算供电能力裕度Acyd：
式中，S表示充电系统供电能力，Pt为充电系统在满足N-1条件下所能供的最大负荷；
计算系统扩展裕度Akyd：
式中，Sc表示扩容后的供电容量
计算需用系数λneed：
式中，Pmax表示充电站典型日最大负荷，Pe为充电站额定负荷；
计算功率因数
式中：P表示有功功率，S表示视在功率；
计算典型日峰谷差率λgap：
式中，Pmax、Pmin分别表示充电站典型日最大、最小负荷；
计算典型日负荷率λload：
式中，Pavg表示典型日平均负荷；
计算功率自平衡度：
式中，Pi PCC为第i个采样时刻充电系统与配电网的交互功率，Pi load为第i个采样时刻负荷供电功率，T为统计时段内采样点个数；
计算典型日三相不平衡度yp：
式中，yi为典型日各时段的三相不平衡度，计算公式为：
式中，IA(ti),IB(ti),IC(ti)为时段i的三相电流；
计算设备利用小时数Tut：
式中，Wchar表示设定的采样期内的充电电量，Pcap表示可用充电设施额定容量；
计算平均负荷系数λavg：
计算单位面积输出电量Win：
式中，Wchar表示充电设施的实际输出电量，Schar表示充电设施的占地面积；
计算充电效率ηchar：
式中，Wout表示充电设施输出电量，Win表示充电设施输入电量；
计算分布式发电利用率λDG：
式中，k表示充电系统内包含的分布式电源总数，Ei,DG表示第i个分布式电源在考察期内的实际发电量，Ei,DGe表示第i个分布式电源在考察期内的额定发电量；
计算分布式发电直接利用率λDGr：
式中，Er表示电动汽车所充电量中来自于本地新能源的部分；
计算充电计划完成率A：
式中，Wneed表示考察时段内用户的需求电量；
计算平均排队时间Tline：
式中，Ti,line表示第i辆车的实际排队时间，n1表示考察期内服务车辆总数；
计算平均充电时间Tchar：
式中，Ti,char表示第i辆车的实际排队时间。
9.根据权利要求8所述的充电系统规划装置，其特征是，充电系统规划装置还包括标准化处理模块，其被配置用于对性能指标集中的所有性能指标的指标值进行标准化处理；
所述性能指标值修正模块利用层次分析法分析得到权重，对标准化处理后的相应性能指标值进行修正；
所述权重自适应修正模块利用预设的权重自适应修正模型，计算得到性能指标集中各性能指标的最终权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110089833.XA CN112766579B (zh) | 2021-01-22 | 2021-01-22 | 一种基于自适应算法的充电系统规划方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110089833.XA CN112766579B (zh) | 2021-01-22 | 2021-01-22 | 一种基于自适应算法的充电系统规划方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112766579A CN112766579A (zh) | 2021-05-07 |
| CN112766579B true CN112766579B (zh) | 2022-07-29 |
Family
ID=75706672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110089833.XA Active CN112766579B (zh) | 2021-01-22 | 2021-01-22 | 一种基于自适应算法的充电系统规划方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766579B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114069692B (zh) * | 2021-10-18 | 2024-02-20 | 广西电网有限责任公司 | 用于求解电力调度问题的联合机会约束优化方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106849065A (zh) * | 2017-03-06 | 2017-06-13 | 四川大学 | 一种计及充电站的配电网多目标协同规划方法 |
| CN109034559A (zh) * | 2018-07-06 | 2018-12-18 | 中国南方电网有限责任公司 | 充电站配电规划方法、装置和计算机设备 |
| CN111725826A (zh) * | 2020-07-02 | 2020-09-29 | 国网青海省电力公司 | 一种基于高比例光伏接入电力系统的储能综合定容方法 |
-
2021
- 2021-01-22 CN CN202110089833.XA patent/CN112766579B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106849065A (zh) * | 2017-03-06 | 2017-06-13 | 四川大学 | 一种计及充电站的配电网多目标协同规划方法 |
| CN109034559A (zh) * | 2018-07-06 | 2018-12-18 | 中国南方电网有限责任公司 | 充电站配电规划方法、装置和计算机设备 |
| CN111725826A (zh) * | 2020-07-02 | 2020-09-29 | 国网青海省电力公司 | 一种基于高比例光伏接入电力系统的储能综合定容方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112766579A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ji et al. | Plug-in electric vehicle charging infrastructure deployment of China towards 2020: Policies, methodologies, and challenges | |
| Singh et al. | Distributed power generation planning for distribution networks using electric vehicles: Systematic attention to challenges and opportunities | |
| KR20230122165A (ko) | 충전 관리 시스템의 충전과 에너지공급 최적화 방법및 장치 | |
| US20130096725A1 (en) | Electric Power Control Method, Program, and Electric Power Control Apparatus | |
| Yan et al. | Many-objective charging optimization for electric vehicles considering demand response and multi-uncertainties based on Markov chain and information gap decision theory | |
| Momoh et al. | Review of optimization techniques for renewable energy resources | |
| Zhang et al. | Robust location and sizing of electric vehicle battery swapping stations considering users’ choice behaviors | |
| CN110165660A (zh) | 一种受端电网暂态电压预防控制优化方法及其系统 | |
| CN112766579B (zh) | 一种基于自适应算法的充电系统规划方法和装置 | |
| CN105574632A (zh) | 一种交直流混合城市配电网综合效益评估方法 | |
| Keramati et al. | Determining optimal location and size of PEV fast-charging stations in coupled transportation and power distribution networks considering power loss and traffic congestion | |
| CN117060400A (zh) | 一种城市配电网韧性恢复方法、系统、设备及介质 | |
| CN111428938A (zh) | 一种基于功能差异与全寿命周期的输电网方案优选方法 | |
| CN116523493A (zh) | 配电网运行维护辅助决策分析方法、系统及存储介质 | |
| 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 | |
| Wruk et al. | Automated planning of smart low voltage networks using an evolutionary algorithm | |
| Cai et al. | Method for Evaluation on Power Grid Operation Status for Intra-day Tie-line Scheduling | |
| Qin et al. | Comprehensive evaluation of microgrid integration based on combination weighting | |
| CN111241664B (zh) | 一种配变台区电压问题治理方案评估方法 | |
| Bhowmik et al. | Optimal placement of capacitor banks for power loss minimization in transmission systems using fuzzy logic | |
| JP7170587B2 (ja) | 管理装置、管理方法、およびプログラム | |
| Dang et al. | Flexibility scheduling for microgrids with electric vehicle (ev) penetration | |
| Sushita et al. | Impacts of residential energy storage system modeling on power system | |
| Eckhoff et al. | Electric mobility integration in energy communities: trending topics and future research directions | |
| Jain et al. | A data driven approach for scheduling the charging of electric vehicles |
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 |