CN113378079A - 基于改进免疫算法的电动汽车充电站选址方法及系统 - Google Patents

基于改进免疫算法的电动汽车充电站选址方法及系统 Download PDF

Info

Publication number
CN113378079A
CN113378079A CN202110372097.9A CN202110372097A CN113378079A CN 113378079 A CN113378079 A CN 113378079A CN 202110372097 A CN202110372097 A CN 202110372097A CN 113378079 A CN113378079 A CN 113378079A
Authority
CN
China
Prior art keywords
electric vehicle
charging station
vehicle charging
site selection
demand
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
CN202110372097.9A
Other languages
English (en)
Other versions
CN113378079B (zh
Inventor
裴文卉
徐帝
马彦君
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.)
Shandong Jiaotong University
Original Assignee
Shandong Jiaotong University
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 Shandong Jiaotong University filed Critical Shandong Jiaotong University
Priority to CN202110372097.9A priority Critical patent/CN113378079B/zh
Publication of CN113378079A publication Critical patent/CN113378079A/zh
Application granted granted Critical
Publication of CN113378079B publication Critical patent/CN113378079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开了一种基于改进免疫算法的电动汽车充电站选址方法及系统，包括：获取设定区域内的建筑区域分布情况，分别获取不同建筑区域的人员数量信息，选取不同数量的需求点；在所述的需求点中，选取若干个电动汽车充电站选址候选点；计算需求点i到候选点j的欧式距离；基于所述欧氏距离构建用户充电满意度函数，进而构建电动汽车充电站选址模型，将选取的需求点和候选点输入到所述模型中，采用改进的免疫算法对所述模型进行求解，得到最优的电动汽车充电站选址方案。本发明采用改进的免疫算法对电动汽车充电站选址模型进行求解，降低了计算时间成本，在相同迭代次数下，提高了最终选址结果的精度。

Description

基于改进免疫算法的电动汽车充电站选址方法及系统
技术领域
本发明涉及电动汽车充电站选址技术领域，尤其涉及一种基于改进免疫算法的电动汽车充电站选址方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
目前，随着交通运输所造成的环境污染问题及消耗的不可再生能源日渐增加，纯电动汽车逐渐成为新能源汽车发展的主要方向。
然而，在电动汽车普及发展的过程中，仍遇到了不少的发展瓶颈，其中最大的瓶颈是目前电动汽车的电池电量不能支持用户日常出行的问题，相关研究学者提出了两种解决方案：一是发展电动汽车电池技术，以提高电动汽车的续航能力，但此技术的发展过程漫长，暂时不能有效的解决目前问题。二是对电动汽车充电站进行合理的选址，以达到在电动汽车需要充电的时候，能随时随地进行充电。从目前技术的发展水平来看，第二种方案更能解决电动汽车普及发展的问题。
目前，不同的学者对电动汽车充电站进行选址所采用的算法不同，大部分的人一般使用遗传算法对电动汽车充电站进行选址，而遗传算法需要对问题进行编码,找到最优解之后还需要对问题进行解码，使算法变得较为复杂化，由于算法没有记忆细胞库的产生，使该算法收敛性较差，容易出现提前收敛的情况，甚至严重影响解的品质。
免疫算法在对个体的评价中是通过计算亲和度得到的，个体的选择也以亲和度为基础，能够更好的反应系统的真实性与多样性，对个体的评价也更客观，能更好的选择出合适的个体。而传统的免疫算法在交叉和变异的流程中采用的是轮盘赌选择和排除适应度最低的抗体的思想，然后随机的进行交叉变异，然后用test程序或其他程序，对不符合交叉变异结果的抗体进行排除，这使最佳适应度和平均适应度数据的收敛性较差，也使计算时间延长了，在较少迭代的情况下，计算精度较低。
发明内容
为了解决上述问题，本发明提出了一种基于改进免疫算法的电动汽车充电站选址方法及系统，通过过改进免疫算法流程中的变异环节和交叉环节，使其随机变异和随机交叉的部分按照数学模型最优的方向进行交叉变异，从而提高了电动汽车充电站选址结果的准确度，同时提高计算效率。
在一些实施方式中，采用如下技术方案：
一种基于改进免疫算法的电动汽车充电站选址方法，包括：
获取设定区域内的建筑区域分布情况，分别获取不同建筑区域的人员数量信息，基于人员数量确定该建筑区域对于电动汽车充电站的需求程度，从而选取不同数量的需求点；
在所述的需求点中，选取若干个电动汽车充电站选址候选点；计算需求点i到候选点j的欧式距离；
基于所述欧氏距离构建用户充电满意度函数，进而构建电动汽车充电站选址模型，将选取的需求点和候选点输入到所述模型中，采用改进的免疫算法对所述模型进行求解，得到最优的电动汽车充电站选址方案。
进一步地，基于所述欧氏距离构建用户充电满意度函数，具体包括：
Figure BDA0003009686090000031
其中，F(dij)为用户充电满意度函数，dij为需求点i到候选点j的欧式距离，Li为用户在需求点充电时满意度变化的最小值，Ui为用户在需求点充电时满意度变化的最大值。
进一步地，构建电动汽车充电站选址模型，具体包括：
Figure BDA0003009686090000032
其中，i为需求点，n为需求点的个数，j为充电的候选点，m为候选点的个数，F(dij)为用户充电满意度函数，hi为在i点的需求量，Yij＝1表示在需求点i处建设充电站，Yij＝0表示不在需求点i处建设充电站。
进一步地，所述电动汽车充电站选址模型的约束条件包括：
每个需求点的用户只能到相同的充电站接受充电服务；
在一个候选点至多只能建设一个充电站；
用户只能到建设充电站的候选站点接收充电服务。
进一步地，采用改进的免疫算法对所述模型进行求解时，第一次迭代完成后，将期望值较高的抗体直接保留到记忆细胞库中；将第一代产生的父代与记忆细胞库都进行交叉变异；然后合并记忆细胞库；进行下一次迭代。
进一步地，采用改进的免疫算法对所述模型进行求解时，交叉过程中，选取两个相似度为零的第一抗体和第二抗体，对于第一抗体，将其中满意度较低的元素用第二抗体中满意度较高的元素替代；对于第二抗体，将其中满意度较低的元素用第一抗体中满意度较高的元素替代。
进一步地，采用改进的免疫算法对所述模型进行求解时，选取种群中的最优抗体开始变异。
在另一些实施方式中，采用如下技术方案：
一种基于改进免疫算法的电动汽车充电站选址系统，包括：
需求点获取模块，用于获取设定区域内的建筑区域分布情况，根据不同建筑区域内对于电动汽车充电站的需求程度，分别选取不同数量的需求点；
候选点确定模块，用于在所述的需求点中，选取若干个电动汽车充电站选址候选点；计算候选点需求点i到候选点j的欧式距离；
电动汽车充电站选址模块，用于基于所述欧氏距离构建用户充电满意度函数，进而构建电动汽车充电站选址模型，将选取的需求点和候选点输入到所述模型中，采用改进的免疫算法对所述模型进行求解，得到最优的电动汽车充电站选址方案。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于改进免疫算法的电动汽车充电站选址方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于改进免疫算法的电动汽车充电站选址方法。与现有技术相比，本发明的有益效果是：
(1)本发明采用改进的免疫算法对电动汽车充电站选址模型进行求解，通过改进记忆细胞库更新流程、交叉过程以及变异过程，能够使得产生的整体种群的数据更加收敛，叉更加的科学、灵活，同时也保证交叉后所得抗体满意度总是上升的，降低了计算时间成本，在相同迭代次数下，提高了最终选址结果的精度。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中基于改进免疫算法的电动汽车充电站选址方法流程图；
图2为本发明实施例中改进免疫算法流程图；
图3为本发明实施例中改进记忆细胞库更新流程图；
图4为本发明实施例中改进后的交叉图；
图5为本发明实施例中改进后的变异图；
图6为本发明实施例中改进后免疫算法收敛曲线图；
图7为本发明实施例中改进前免疫算法收敛曲线图；
图8为本发明实施例中改进前后最优抗体对比图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于改进免疫算法的电动汽车充电站选址方法，参照图1，包括以下步骤：
(1)获取设定区域内的建筑区域分布情况，分别获取不同建筑区域的人员数量信息，基于人员数量确定该建筑区域对于电动汽车充电站的需求程度，从而选取不同数量的需求点；
需求点不仅仅局限于住所或者工作场所产生，在出行的过程中随时可能产生需求。需求点最有可能产生于人员流通较为密集的地区，但是人员较为稀疏的地区也有可能产生需求点。
综上所述，人员较为密集区选取需求点应较多，人员较为稀疏区选取需求点应较少。区域的功能不同人员密集度也不同，同样，日常人员流动较大的地方也应该多选需求点。
本实施例中，将设定区域分为不同的7种不同的功能区，如居民区、车站、工厂、地铁站点、旅游景点、大学城和其他地区(包括机场等)。
居民区与车站产生需求点的概率较大，所以居民区取20个，车站取20个，厂区需求点产生概率较为适中，所以工厂取9个点，剩余的地区需求点产生较小，剩余地区共取11个包括旅游景点、地铁站和其他地区。旅游景点取4个点，地铁站取3个点，其他地区取4个点。共取60个需求点。
(2)在所述的需求点中，选取若干个电动汽车充电站选址候选点；计算每一个需求点i到任一候选点j的欧式距离；
从需求点中排除设定数量个点，其中，这些点的地理位置最不可能作为候选点。
(3)基于所述欧氏距离构建用户充电满意度函数，进而构建电动汽车充电站选址模型，将选取的需求点和候选点输入到所述模型中，采用改进的免疫算法对所述模型进行求解，得到最优的电动汽车充电站选址方案。
具体地，用户充电满意度函数具体为：
Figure BDA0003009686090000071
其中，F(dij)为用户充电满意度函数，即用户在需求点i充电时的满意度量化，其中dij为需求点i到候选点j的欧式距离，其中Li为用户在需求点充电时满意度变化的最小值，Ui为用户在需求点充电时满意度变化的最大值。
当需求点与候选点之间的距离小于用户在需求点充电时满意度变化的最小值时，充电满意度为1，即用户对在该点充电极为满意，当需求点与候选点之间的距离大于用户在需求点充电时满意度变化的最大值时，充电满意度为0，即用户对在该点充电极为不满意。所以，用户对在该点充电是否满意的评价是由需求点与候选点之间的距离长短而决定的。
基于用户充电满意度函数，构建电动汽车充电站选址模型，具体为：
Figure BDA0003009686090000081
其中，
Figure BDA0003009686090000082
Figure BDA0003009686090000083
Figure BDA0003009686090000084
Figure BDA0003009686090000085
Figure BDA0003009686090000086
Figure BDA0003009686090000087
式(3)表示每个需求点的用户只能到相同的充电站接受充电服务；式(4)表示在一个候选点至多只能建设一个充电站；式(5)表示用户只能到建设充电站的候选站点接收充电服务。否则无法进行充电；式(6)表示需要建设的充电站的总数量；式(7)和式(8)为决策变量，是一个布尔值。
参照图2，采用改进的免疫算法对所述模型进行求解，得到最优的电动汽车充电站选址方案，具体包括以下步骤：
步骤(1)：初始种群的生成与抗体的生成；
步骤(2)：亲和度计算；
步骤(3)：抗体浓度计算；
步骤(4)：更新记忆细胞库；
参照图3，传统记忆细胞库的更新方式是采用精英保留策略，将期望值较高的抗体直接保留到记忆细胞库中，并设定记忆细胞库容量。
通过每次迭代将产生的高期望值的记忆细胞存储到记忆细胞库中，若记忆细胞库内的记忆细胞超出记忆细胞库容量，则将较低期望值记忆细胞排除。
基于传统记忆细胞库的更新方式，将第一代产生的父代与记忆细胞库都进行交叉变异，这样与原本记忆细胞库的更新方式相比，产生的整体种群的数据更加收敛。
步骤(5)：期望繁殖率计算；
步骤(6)：交叉；
参照图4，a、ā为2个抗体，抗体a内的所有元素与抗体ā内的所有元素都不同，即这两个抗体的相似度为零，图中黑球表示在抗体内满意度较小的元素，白球表示在抗体内满意度较大的元素。
交叉之前先找到如a、ā这样的两个抗体，分别找到这两个抗体内满意度较高的所有元素，即图中的白球，将其中一个抗体内的所有满意度较高元素的位置与要交换的抗体中元素的位置一一对应，对应完成后，进行替换。另一个抗体也按照同样的方法交换。即图中抗体ā中满意度较高元素j22、j37替换抗体a中满意度较低元素j2、j17，与此同时，抗体a中满意度较高元素j3、j18、j19替换掉抗体ā中满意度较低元素j23、j38、j39。与传统交叉相比较，改进后的交叉方案更加的定向化，传统的交叉方案需要随机的选取交叉位置，同时根据经验选取需要交叉元素的个数，进行交叉后，排除亲和度比原先降低了的抗体，而改进后的交叉方案是根据公式选择满意度较大的元素进行替换，这样提高了交叉的效率，无需根据经验选择交叉元素个数，使交叉更加的科学、灵活，同时也保证交叉后所得抗体满意度总是上升的。
步骤(7)：变异；
参照图5，变异是从种群中的最优抗体开始的，假设b为经过交叉后种群中最优抗体，随机的选取抗体中的元素位置，假设选取了j2和j17位置上的元素，将其进行随机变异并检测，若变异后满意度增加了，则将原来的满意度较低的替换掉，经过改进后的变异方式与传统随机的选择抗体与随机的选择变异位置的方式相比较，大大增加了对优势抗体的变异程度，是基于优势抗体向更优方向的变异。
经过上述的交叉变异方式，极大的改进了数据的收敛程度，降低了计算时间成本，在相同迭代次数下，一定程度的提高了最终结果的精度。
如图6、7对比可以看出，图6输出的平均适应度和最优适应度值数据都较为收敛，这是由于每一代产生的抗体较上一代相比，亲和度有所提高所导致的，将原本的随机产生抗体改为按照数学公式产生抗体。从图6最优适应度值数据可以看出改进后的免疫算法相同的迭代次数下更加的精确。但是最优抗体总体差别不大，如图8，最优相差2个元素。
实施例二
在一个或多个实施方式中，公开了一种基于改进免疫算法的电动汽车充电站选址系统，包括：
需求点获取模块，用于获取设定区域内的建筑区域分布情况，根据不同建筑区域内对于电动汽车充电站的需求程度，分别选取不同数量的需求点；
候选点确定模块，用于在所述的需求点中，选取若干个电动汽车充电站选址候选点；计算候选点需求点i到候选点j的欧式距离；
电动汽车充电站选址模块，用于基于所述欧氏距离构建用户充电满意度函数，进而构建电动汽车充电站选址模型，将选取的需求点和候选点输入到所述模型中，采用改进的免疫算法对所述模型进行求解，得到最优的电动汽车充电站选址方案。
需要说明的是，上述各模块的具体实现方式已经在实施例一中进行说明，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于改进免疫算法的电动汽车充电站选址方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的基于改进免疫算法的电动汽车充电站选址方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并实施例一中所述的基于改进免疫算法的电动汽车充电站选址方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于改进免疫算法的电动汽车充电站选址方法，其特征在于，包括：
获取设定区域内的建筑区域分布情况，分别获取不同建筑区域的人员数量信息，基于人员数量确定该建筑区域对于电动汽车充电站的需求程度，从而选取不同数量的需求点；
在所述的需求点中，选取若干个电动汽车充电站选址候选点；计算需求点i到候选点j的欧式距离；
基于所述欧氏距离构建用户充电满意度函数，进而构建电动汽车充电站选址模型，将选取的需求点和候选点输入到所述模型中，采用改进的免疫算法对所述模型进行求解，得到最优的电动汽车充电站选址方案。
2.如权利要求1所述的一种基于改进免疫算法的电动汽车充电站选址方法，其特征在于，基于所述欧氏距离构建用户充电满意度函数，具体包括：
Figure FDA0003009686080000011
其中，F(dij)为用户充电满意度函数，dij为需求点i到候选点j的欧式距离，Li为用户在需求点充电时满意度变化的最小值，Ui为用户在需求点充电时满意度变化的最大值。
3.如权利要求1所述的一种基于改进免疫算法的电动汽车充电站选址方法，其特征在于，构建电动汽车充电站选址模型，具体包括：
Figure FDA0003009686080000012
其中，i为需求点，n为需求点的个数，j为充电的候选点，m为候选点的个数，F(dij)为用户充电满意度函数，hi为在i点的需求量，Yij＝1表示在需求点i处建设充电站，Yij＝0表示不在需求点i处建设充电站。
4.如权利要求3所述的一种基于改进免疫算法的电动汽车充电站选址方法，其特征在于，所述电动汽车充电站选址模型的约束条件包括：
每个需求点的用户只能到相同的充电站接受充电服务；
在一个候选点至多只能建设一个充电站；
用户只能到建设充电站的候选站点接收充电服务。
5.如权利要求1所述的一种基于改进免疫算法的电动汽车充电站选址方法，其特征在于，采用改进的免疫算法对所述模型进行求解时，第一次迭代完成后，将期望值较高的抗体直接保留到记忆细胞库中；将第一代产生的父代与记忆细胞库都进行交叉变异；然后合并记忆细胞库；进行下一次迭代。
6.如权利要求1所述的一种基于改进免疫算法的电动汽车充电站选址方法，其特征在于，采用改进的免疫算法对所述模型进行求解时，交叉过程中，选取两个相似度为零的第一抗体和第二抗体，对于第一抗体，将其中满意度较低的元素用第二抗体中满意度较高的元素替代；对于第二抗体，将其中满意度较低的元素用第一抗体中满意度较高的元素替代。
7.如权利要求1所述的一种基于改进免疫算法的电动汽车充电站选址方法，其特征在于，采用改进的免疫算法对所述模型进行求解时，选取种群中的最优抗体开始变异。
8.一种基于改进免疫算法的电动汽车充电站选址系统，其特征在于，包括：
需求点获取模块，用于获取设定区域内的建筑区域分布情况，根据不同建筑区域内对于电动汽车充电站的需求程度，分别选取不同数量的需求点；
候选点确定模块，用于在所述的需求点中，选取若干个电动汽车充电站选址候选点；计算候选点需求点i到候选点j的欧式距离；
电动汽车充电站选址模块，用于基于所述欧氏距离构建用户充电满意度函数，进而构建电动汽车充电站选址模型，将选取的需求点和候选点输入到所述模型中，采用改进的免疫算法对所述模型进行求解，得到最优的电动汽车充电站选址方案。
9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于改进免疫算法的电动汽车充电站选址方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于改进免疫算法的电动汽车充电站选址方法。
CN202110372097.9A 2021-04-07 2021-04-07 基于改进免疫算法的电动汽车充电站选址方法及系统 Active CN113378079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110372097.9A CN113378079B (zh) 2021-04-07 2021-04-07 基于改进免疫算法的电动汽车充电站选址方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110372097.9A CN113378079B (zh) 2021-04-07 2021-04-07 基于改进免疫算法的电动汽车充电站选址方法及系统

Publications (2)

Publication Number Publication Date
CN113378079A true CN113378079A (zh) 2021-09-10
CN113378079B CN113378079B (zh) 2023-04-07

Family

ID=77569853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110372097.9A Active CN113378079B (zh) 2021-04-07 2021-04-07 基于改进免疫算法的电动汽车充电站选址方法及系统

Country Status (1)

Country Link
CN (1) CN113378079B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557069A (zh) * 2024-01-10 2024-02-13 长峡数字能源科技(湖北)有限公司 一种充电桩选址方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779372A (zh) * 2016-12-05 2017-05-31 东华大学 基于改进免疫禁忌算法的农机调度方法
CN107730393A (zh) * 2017-11-07 2018-02-23 东华大学 一种基于改进强化免疫算法的农业物联网资源调配方法
CN108596394A (zh) * 2018-04-28 2018-09-28 国网江苏电力设计咨询有限公司 一种多类型电动汽车充电站的选址协调配置方法
CN109034465A (zh) * 2018-07-16 2018-12-18 河海大学 考虑充电站选址与出行路径耦合的充电站两层规划方法
CN110866636A (zh) * 2019-11-06 2020-03-06 南京工程学院 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
CN111582670A (zh) * 2020-04-21 2020-08-25 上海电力大学 一种电动汽车充电站选址定容方法
CN112163884A (zh) * 2020-09-29 2021-01-01 北京工商大学 基于改进的鲸鱼算法的电动汽车充电站选址建模方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779372A (zh) * 2016-12-05 2017-05-31 东华大学 基于改进免疫禁忌算法的农机调度方法
CN107730393A (zh) * 2017-11-07 2018-02-23 东华大学 一种基于改进强化免疫算法的农业物联网资源调配方法
CN108596394A (zh) * 2018-04-28 2018-09-28 国网江苏电力设计咨询有限公司 一种多类型电动汽车充电站的选址协调配置方法
CN109034465A (zh) * 2018-07-16 2018-12-18 河海大学 考虑充电站选址与出行路径耦合的充电站两层规划方法
CN110866636A (zh) * 2019-11-06 2020-03-06 南京工程学院 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
CN111582670A (zh) * 2020-04-21 2020-08-25 上海电力大学 一种电动汽车充电站选址定容方法
CN112163884A (zh) * 2020-09-29 2021-01-01 北京工商大学 基于改进的鲸鱼算法的电动汽车充电站选址建模方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周逸凡: "城市电动汽车充电需求空间分布预测及充电站布局研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
贾永基: "基于满意优化的电动汽车充电站选址", 《东华大学学报（自然科学版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557069A (zh) * 2024-01-10 2024-02-13 长峡数字能源科技(湖北)有限公司 一种充电桩选址方法及系统
CN117557069B (zh) * 2024-01-10 2024-03-26 长峡数字能源科技(湖北)有限公司 一种充电桩选址方法及系统、电子设备、存储介质

Also Published As

Publication number Publication date
CN113378079B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN104951834A (zh) 基于遗传算法和粒子群集成的lssvm风速预测方法
CN112487622B (zh) 电动汽车充电桩的选址定容方法、装置及终端设备
CN109558969A (zh) 一种基于AdaBoost-SO的VANETs车辆事故风险预测模型
CN112785029B (zh) 一种基于深度聚类模型的充电站用电量预测方法
CN113378079B (zh) 基于改进免疫算法的电动汽车充电站选址方法及系统
CN112381313A (zh) 充电桩地址的确定方法和装置
CN110659769A (zh) 一种基于gis和免疫算法的最大覆盖双层选址优化方法
CN111523714A (zh) 一种电力充电站选址布局方法及装置
CN111460598A (zh) 一种基于机器学习的公交干线网生成方法
CN104239446A (zh) 一种利用辅助变量数据进行采样点布局的方法
CN107315903B (zh) 一种智能的电场分析系统
CN110929950B (zh) 一种电动汽车负荷预测方法及系统
CN109543278B (zh) 土地利用变化模拟方法及系统
Ma et al. An agent-based training system for optimizing the layout of AFVs' initial filling stations
Du et al. Comparison between CBR and CA methods for estimating land use change in Dongguan, China
CN113328466B (zh) 一种电动汽车充电场景生成方法
CN114139794A (zh) 基于停车大数据的区域公共停车场充电需求预测方法
CN115271877A (zh) 充电站推荐模型训练方法、装置、设备及存储介质
Xu et al. Location Selection of Electric Vehicle Charging Station Based on Improved Immune Algorithm
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
CN114444803A (zh) 电动汽车充电站充电负荷预测方法、系统、终端及介质
CN114298379A (zh) 一种基于仿真优化的自动代客泊车停车场布局优化方法
Al-Hadad et al. A genetic algorithm approach to a 3D highway alignment development
CN112270336A (zh) 一种ga-bp工况识别方法及系统
CN115619030B (zh) 一种城市污水系统厂网协同优化方法、装置及电子设备

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