CN113822463A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113822463A
CN113822463A CN202110906644.7A CN202110906644A CN113822463A CN 113822463 A CN113822463 A CN 113822463A CN 202110906644 A CN202110906644 A CN 202110906644A CN 113822463 A CN113822463 A CN 113822463A
Authority
CN
China
Prior art keywords
charging station
charging
cost
annual
electric
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.)
Pending
Application number
CN202110906644.7A
Other languages
English (en)
Inventor
侯慧
唐俊一
王逸凡
吴细秀
唐金锐
李显强
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110906644.7A priority Critical patent/CN113822463A/zh
Publication of CN113822463A publication Critical patent/CN113822463A/zh
Pending legal-status Critical Current

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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (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)
  • Software Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供了一种基于Voronoi图与改进粒子群算法的电动汽车充电站选址定容方法，首先给出了一种城市区域内电动汽车快充需求分布预测方法，在此基础上，建立了兼顾充电站、电动汽车用户以及电网三方利益的充电站选址定容模型。最后，使用Voronoi图联合改进粒子群算法对模型进行求解，通过Voronoi图划分充电站服务区域，再利用改进粒子群算法进行全局寻优，从而得到规划区域内充电站选址定容最优方案。本发明所提出方法能够使得充电站在规划区域内布局合理，并且充电站服务区域划分明确，用户可以享受便捷的充电服务。

Description

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
技术领域
本发明涉及电动汽车充电站规划领域，尤其涉及一种基于Voronoi图与改进 粒子群算法的电动汽车充电站选址定容方法。
背景技术
充电站作为电动汽车的基础配套之一，影响着电动汽车的应用水平，对电动 汽车充电站进行科学合理的规划，不仅能够减少其投资建设费用，减轻电动汽车 大量接入对配电网带来的冲击，还能让电动汽车用户享受便捷的充电服务，对电 动汽车产业的发展有着积极的促进作用，具有重要的现实意义。
然而，目前关于充电站布局规划的研究对充电站服务区域的划分往往不够合 理，且多采用粒子群优化算法对模型进行求解，可能面临陷入局部最优点、迭代 后期收敛速度慢等问题。上述问题会导致充电站布局规划不合理，使得部分电动 汽车用户的充电需求无法得到满足。
发明内容
本发明提出一种基于Voronoi图与改进粒子群算法的电动汽车充电站选址定 容方法，用于解决或者至少部分解决现有的方法存在布局规划不合理的技术问 题。
为了解决上述技术问题，本发明提供了一种基于Voronoi图与改进粒子群算 法的电动汽车充电站选址定容方法，包括：
S1：根据规划区域内各小区常规电力负荷以及电动汽车快充比例预测电动汽 车快充需求分布，电动汽车快充需求分布包括快充需求点的设置以及快充需求点 处电动汽车数量的确定；
S2：建立以充电站年建设运行成本、用户充电途中年损耗成本、充电站网损 年费用之和最小为目标的充电站选址模型；并根据充电站内电动汽车数量以及用 户能忍受的单台充电机前方最大排队车辆数建立充电站定容模型；
S3：采用Voronoi图联合改进粒子群算法对充电站选址模型和充电站定容模 型进行求解，得到充电站选址定容最优方案，其中，充电站选址定容最优方案包 括使得充电站年建设运行成本、用户充电途中年损耗成本、充电站网损年费用之 和最小的充电站的选址方案以及定容方案，其中，选址方案为充电站站址及服务 区域的设置方案，定容方案为充电站内配置的充电机的数量。
在一种实施方式中，步骤S1包括：
S1.1：设定规划区域内每个小区的几何中心点为电动汽车快充需求点，
S1.2：根据下述确定快充需求点j处电动汽车数量：
Figure BDA0003201833850000021
其中，nj为快充需求点j处电动汽车数量；α为电动汽车快充比例；Pj为快 充需求点j的常规电力负荷；PΣ为规划区域总的常规电力负荷；na为规划区域内 电动汽车总数；JCN为快充需求点集合。
在一种实施方式中，步骤S2包括：
S2.1：以充电站年建设运行成本、用户充电途中年损耗成本、充电站网损年 费用之和最小为目标构建充电站选址模型，表示为：
minFcost＝F1+F2+F3
Figure BDA0003201833850000022
fCS(Ni)＝W+qNi+eNi 2
Figure BDA0003201833850000023
F3＝365pT[Mi(CCu+CFe)+Ni(CL+CW)]
其中，Fcost为充电站的社会年总成本；F1为充电站的年建设运行成本；F2为 用户前往充电站途中年损耗成本；F3为充电站的网损年费用；JCS为充电站集合； fCS(Ni)为充电站i的投资建设成本函数；Ni为充电站i内配备的充电机台数；r0为贴现率；z为充电站的折旧年限；uCS(Ni)为充电站i的运行维护成本函数；W 为基础投资；q为单台充电机价格；e为充电机辅助投资系数；a为电动汽车行 驶一公里消耗的电量；p为电动汽车充电电价；JCNi为位于充电站i服务区域内 的快充需求点集合；λij为充电站i与快充需求点j之间的城市道路曲折系数；dij为 充电站i与快充需求点j之间的空间直线距离；T为充电站每天的运营时间；Mi为充电站i内装设的配电变压器台数；CCu和CFe分别为折算至单台配电变压器的铜 损及铁损；CL和CW分别为折算至单台充电机的线路损耗及充电损耗；
S2.2：确定充电站选址模型需要满足的约束条件：
(1)充电站内充电机数量约束
Ni.min≤Ni≤Ni.max i∈JCS
其中，Ni表示充电站i内所配备充电机数量，Ni.min和Ni.max分别为充电站i内 所配备充电机数量的最小值和最大值；
(2)快充需求点与充电站间最大距离约束
λijdij≤dmax i∈JCS,j∈JCNi
其中，dmax为充电站与快充需求点间的最大距离；
(3)充电站间最小距离约束
λijDij≥Dmin i,j∈JCS；i≠j
其中，Dij为充电站i与j之间的直线距离；Dmin为充电站间最小距离；
S2.3：根据充电站内电动汽车数量以及用户所能接受的单台充电机前方最大 排队车辆数构建充电站定容模型，表示为：
Figure BDA0003201833850000031
其中，μi为充电站i服务区域内的电动汽车用户同一时刻到站概率；ns为电 动汽车用户到站后所能接受的单台充电机前方最大排队车辆数。
在一种实施方式中，步骤S3包括：
S3.1：初始化粒子群，设置种群大小为N，迭代次数为T，粒子维数为D， 学习因子为c1、c2，使用线性递减权重法修改惯性权重ω，ω可表示为：
Figure BDA0003201833850000041
其中，ωmax和ωmin分别为ω的最大值和最小值；T为当前迭代次数；Tmax为 最大迭代次数；
S3.2：根据规划区域内电动汽车总数以及常规电力负荷确定各快充需求点电 动汽车数量；
S3.3：随机产生nc个充电站站址坐标，并编译为粒子群初始位置；
S3.4：以充电站站址为生长点作Voronoi图来划定各充电站服务区域，然后 根据服务区域内快充电动汽车数量，采用定容模型确定充电站内需配置充电机的 数量；
S3.5：分别计算充电站年建设运行成本F1、用户充电途中年损耗成本F2、 充电站网损年费用F3，然后计算充电站社会年总成本Fcost，将其作为粒子的函数 值，最后找出个体极值Pbest和全局极值Gbest；对于不满足约束条件的粒子，使用 罚函数法对其进行处理；
S3.6：更新粒子的速度和位置，若没有达到最大迭代次数，则转至步骤S3.4 进行循环迭代，直到达到最大迭代次数；
S3.7：输出充电站选址定容最优方案。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术 效果：
本发明提供的一种基于Voronoi图与改进粒子群算法的电动汽车充电站选址 定容方法，在充电站选址模型的目标函数的设定中，一方面从用户角度考虑了充 电距离的问题，另一方面从企业或电网角度考虑了充电站建设运行成本和网损费 用。然后利用改进粒子群算法进行充电站的优化选址，克服了一般粒子群算法在 寻优过程中易收敛于局部最优解、迭代后期收敛速度慢的问题。最后，利用 Voronoi图划分充电站服务区域，并通过求解充电站定容模型确定充电站容量， 即充电站内需配置充电机的数量。从而得到社会年总成本最低、服务区域划分明 确的充电站选址定容最优方案，解决了现有的方法存在布局规划不合理的技术问 题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例 或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的 附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳 动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明具体实施例中基于Voronoi图与改进粒子群算法的电动汽车充 电站选址定容方法的整体流程图；
图2为本发明具体实施例中规划区域平面示意图；
图3为本发明具体实施例中规划区域内电动汽车快充需求分布示意图；
图4为本发明具体实施例中Voronoi图联合改进粒子群算法求解过程示意 图；
图5为本发明具体实施例中充电站站址及服务区域示意图；
图6为本发明具体实施例中充电站内配置充电机数量示意图。
具体实施方式
本发明针对现有研究的不足及优化需求，提出了一种基于Voronoi图与改进 粒子群算法的电动汽车充电站选址定容方法
本发明的发明构思包括：
首先给出了一种城市区域内电动汽车快充需求分布预测方法，在此基础上， 建立了兼顾充电站、电动汽车用户以及电网三方利益的充电站选址定容模型。最 后，使用Voronoi图联合改进粒子群算法对模型进行求解，通过Voronoi图划分 充电站服务区域，再利用改进粒子群算法进行全局寻优，从而得到规划区域内充 电站选址定容最优方案。本发明所提出方法能够使得充电站在规划区域内布局合 理，并且充电站服务区域划分明确，用户可以享受便捷的充电服务。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实 施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所 描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实 施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施 例，都属于本发明保护的范围。
本发明实施例提供了一种基于Voronoi图与改进粒子群算法的电动汽车充电 站选址定容方法，包括：
S1：根据规划区域内各小区常规电力负荷以及电动汽车快充比例预测电动汽 车快充需求分布，电动汽车快充需求分布包括快充需求点的设置以及快充需求点 处电动汽车数量的确定；
S2：建立以充电站年建设运行成本、用户充电途中年损耗成本、充电站网损 年费用之和最小为目标的充电站选址模型；并根据充电站内电动汽车数量以及用 户能忍受的单台充电机前方最大排队车辆数建立充电站定容模型；
S3：采用Voronoi图联合改进粒子群算法对充电站选址模型和充电站定容模 型进行求解，得到充电站选址定容最优方案，其中，充电站选址定容最优方案包 括使得充电站年建设运行成本、用户充电途中年损耗成本、充电站网损年费用之 和最小的充电站的选址方案以及定容方案，其中，选址方案为充电站站址及服务 区域的设置方案，定容方案为充电站内配置的充电机的数量。
具体来说，Voronoi图，又叫泰森多边形，它是由一组由连接两邻点直线的 垂直平分线组成的连续多边形组成，粒子群算法是通过模拟鸟群觅食行为而发展 起来的一种基于群体协作的随机搜索算法，本发明中改进粒子群算法主要是改进 了惯性权重的计算方法，常规方法中惯性权重为定值，本发明中使惯性权重在迭 代过程中线性递减。
充电站选址模型是以充电站年建设运行成本、用户充电途中年损耗成本、充 电站网损年费用之和最小为目标，并满足相应的约束条件下的充电站站址及服务 区域的设置方案，充电站服务区域充电站定容模型的作用是确定充电站内配置充 电机的数量，用来匹配充电站服务区域内的快充需求，作为最终的选址定容方案 中的定容方案。
请参见图1，为基于Voronoi图与改进粒子群算法的电动汽车充电站选址定 容方法的整体流程图。图2和图3分别为具体实施例中规划区域平面示意图和规 划区域内电动汽车快充需求分布示意图。
在一种实施方式中，步骤S1包括：
S1.1：设定规划区域内每个小区的几何中心点为电动汽车快充需求点，
S1.2：根据下述确定快充需求点j处电动汽车数量：
Figure BDA0003201833850000071
其中，nj为快充需求点j处电动汽车数量；α为电动汽车快充比例；Pj为快 充需求点j的常规电力负荷；PΣ为规划区域总的常规电力负荷；na为规划区域内 电动汽车总数；JCN为快充需求点集合。
由于在城市中，车辆主要分布在居民区、商业区以及办公区等地，常规电力 负荷能从一定程度上反映各小区的消费水平以及电动汽车购买和集中水平。因 此，规划区域内各小区的电动汽车数量可按照其常规电力负荷值成比例分布。小 区内大部分电动汽车用户通过慢充充电桩完成充电，少数来不及慢充的电动汽车 用户需要前往充电站进行快充，快充需求按照电动汽车数量的一定比例取值。本 实施例中，通过步骤S1.1～S1.2来设定电动汽车快充需求点，并确定快充需求点 j处电动汽车数量的计算方式。具体示例中，α＝0.1；na为规划区域内电动汽车 总数，na＝4500辆。
在一种实施方式中，步骤S2包括：
S2.1：以充电站年建设运行成本、用户充电途中年损耗成本、充电站网损年 费用之和最小为目标构建充电站选址模型，表示为：
minFcost＝F1+F2+F3
Figure BDA0003201833850000072
fCS(Ni)＝W+qNi+eNi 2
Figure BDA0003201833850000073
F3＝365pT[Mi(CCu+CFe)+Ni(CL+CW)]
其中，Fcost为充电站的社会年总成本；F1为充电站的年建设运行成本；F2为 用户前往充电站途中年损耗成本；F3为充电站的网损年费用；JCS为充电站集合； fCS(Ni)为充电站i的投资建设成本函数；Ni为充电站i内配备的充电机台数；r0为贴现率；z为充电站的折旧年限；uCS(Ni)为充电站i的运行维护成本函数；W 为基础投资；q为单台充电机价格；e为充电机辅助投资系数；a为电动汽车行 驶一公里消耗的电量；p为电动汽车充电电价；JCNi为位于充电站i服务区域内 的快充需求点集合；λij为充电站i与快充需求点j之间的城市道路曲折系数；dij为 充电站i与快充需求点j之间的空间直线距离；T为充电站每天的运营时间；Mi为充电站i内装设的配电变压器台数；CCu和CFe分别为折算至单台配电变压器的铜 损及铁损；CL和CW分别为折算至单台充电机的线路损耗及充电损耗；
S2.2：确定充电站选址模型需要满足的约束条件：
(1)充电站内充电机数量约束
Ni.min≤Ni≤Ni.max i∈JCS
其中，Ni.min和Ni.max分别为充电站i内所配备充电机数量的最小值和最大值；
(2)快充需求点与充电站间最大距离约束
λijdij≤dmax i∈JCS,j∈JCNi
其中，dmax为充电站与快充需求点间的最大距离；
(3)充电站间最小距离约束
λijDij≥Dmin i,j∈JCS；i≠j
其中，Dij为充电站i与j之间的直线距离；Dmin为充电站间最小距离；
S2.3：根据充电站内电动汽车数量以及用户所能接受的单台充电机前方最大 排队车辆数构建充电站定容模型，表示为：
Figure BDA0003201833850000081
其中，μi为充电站i服务区域内的电动汽车用户同一时刻到站概率；ns为电 动汽车用户到站后所能接受的单台充电机前方最大排队车辆数。
具体实施过程中，步骤S2.1中，r0为贴现率，r0＝0.08；z为充电站的折旧 年限，z＝20年；uCS(Ni)为充电站i的运行维护成本函数，按照投资建设成本的 10％对其进行取值；W为基础投资，主要为充电站初期建设费用和土地购置费用， W＝200万元；q为单台充电机价格，q＝5万元；e为充电机辅助投资系数，e＝1.5 万元/台；a为电动汽车行驶一公里消耗的电量，a＝0.3kWh；p为电动汽车充电 电价,p＝1元/kWh；λij为充电站i与快充需求点j之间的城市道路曲折系 数,λij＝1.2；T为充电站每天的运营时间,T＝20h；Mi为充电站i内装设的配电变 压器台数；CCu和CFe分别为折算至单台配电变压器的铜损及铁损,CCu＝0.04元 /kWh,CFe＝0.04元/kWh；CL和CW分别为折算至单台充电机的线路损耗及充电损 耗,CL＝0.05元/kWh,CW＝0.05元/kWh。
步骤S2.2中，各参数的取值可以根据实际情况进行设置。例如，本示例中， Ni.min＝10台,Ni.max＝20台，dmax＝1.5km,Dmin＝0.5km。
步骤S2.3中，μi、ns可以根据实际情况设置，本示例中，μi＝0.6；ns＝3辆。
在一种实施方式中，步骤S3包括：
S3.1：初始化粒子群，设置种群大小为N，迭代次数为T，粒子维数为D， 学习因子为c1、c2，使用线性递减权重法修改惯性权重ω，ω可表示为：
Figure BDA0003201833850000091
其中，ωmax和ωmin分别为ω的最大值和最小值；T为当前迭代次数；Tmax为 最大迭代次数；
S3.2：根据规划区域内电动汽车总数以及常规电力负荷确定各快充需求点电 动汽车数量；
S3.3：随机产生nc个充电站站址坐标，并编译为粒子群初始位置；
S3.4：以充电站站址为生长点作Voronoi图来划定各充电站服务区域，然后 根据服务区域内快充电动汽车数量，采用定容模型确定充电站内需配置充电机的 数量；
S3.5：分别计算充电站年建设运行成本F1、用户充电途中年损耗成本F2、 充电站网损年费用F3，然后计算充电站社会年总成本Fcost，将其作为粒子的函数 值，最后找出个体极值Pbest和全局极值Gbest；对于不满足约束条件的粒子，使用 罚函数法对其进行处理；
S3.6：更新粒子的速度和位置，若没有达到最大迭代次数，则转至步骤S3.4 进行循环迭代，直到达到最大迭代次数；
S3.7：输出充电站选址定容最优方案。
具体来说，本发明采用的改进粒子群算法为：采用线性递减权重法修改惯性 权重，具体如步骤S3.1所述，而常规粒子群算法的惯性权重为定值。
请参见图4，为Voronoi图联合改进粒子群算法求解过程示意图。
具体实施过程中，步骤S3.1中，初始化粒子群，设置种群大小为N＝20，迭 代次数为T＝300，粒子维数为D＝12，学习因子为c1＝2、c2＝2。使用线性递减权 重法修改惯性权重ω，ωmax＝0.9，ωmin＝0.4；T为当前迭代次数；Tmax为最大迭代 次数。
步骤S3.3中，随机产生nc＝6个充电站站址坐标，并编译为粒子群初始位置。
请参见图5，为本发明具体实施例中充电站站址及服务区域示意图，即通过 本发明的方法得到的具体选址方案。图6为本发明具体实施例中充电站内配置充 电机数量示意图，即通过本发明的方法得到的具体定容方案。
本发明的有益效果在于：提供一种基于Voronoi图与改进粒子群算法的电动 汽车充电站选址定容方法。在目标函数的设定中，一方面从用户角度考虑了充电 距离的问题，另一方面从企业或电网角度考虑了充电站建设运行成本和网损费 用。然后利用改进粒子群算法进行充电站的优化选址，克服了一般粒子群算法在 寻优过程中易收敛于局部最优解、迭代后期收敛速度慢的问题。最后，利用 Voronoi图划分充电站服务区域确定充电站容量。从而得到社会年总成本最低、 服务区域划分明确的充电站选址定容最优方案。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实 施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以 对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同 替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技 术方案的精神和范围。

Claims (4)

1.一种基于Voronoi图与改进粒子群算法的电动汽车充电站选址定容方法，其特征在于，包括：
S1：根据规划区域内各小区常规电力负荷以及电动汽车快充比例预测电动汽车快充需求分布，电动汽车快充需求分布包括快充需求点的设置以及快充需求点处电动汽车数量的确定；
S2：建立以充电站年建设运行成本、用户充电途中年损耗成本、充电站网损年费用之和最小为目标的充电站选址模型；并根据充电站内电动汽车数量以及用户能忍受的单台充电机前方最大排队车辆数建立充电站定容模型；
S3：采用Voronoi图联合改进粒子群算法对充电站选址模型和充电站定容模型进行求解，得到充电站选址定容最优方案，其中，充电站选址定容最优方案包括使得充电站年建设运行成本、用户充电途中年损耗成本、充电站网损年费用之和最小的充电站的选址方案以及定容方案，其中，选址方案为充电站站址及服务区域的设置方案，定容方案为充电站内配置的充电机的数量。
2.如权利要求1所述的基于Voronoi图与改进粒子群算法的电动汽车充电站选址定容方法，其特征在于，步骤S1包括：
S1.1：设定规划区域内每个小区的几何中心点为电动汽车快充需求点，
S1.2：根据下述确定快充需求点j处电动汽车数量：
Figure FDA0003201833840000011
其中，nj为快充需求点j处电动汽车数量；α为电动汽车快充比例；Pj为快充需求点j的常规电力负荷；PΣ为规划区域总的常规电力负荷；na为规划区域内电动汽车总数；JCN为快充需求点集合。
3.如权利要求1所述的基于Voronoi图与改进粒子群算法的电动汽车充电站选址定容方法，其特征在于，步骤S2包括：
S2.1：以充电站年建设运行成本、用户充电途中年损耗成本、充电站网损年费用之和最小为目标构建充电站选址模型，表示为：
min Fcost＝F1+F2+F3
Figure FDA0003201833840000021
Figure FDA0003201833840000022
Figure FDA0003201833840000023
F3＝365pT[Mi(CCu+CFe)+Ni(CL+CW)]
其中，Fcost为充电站的社会年总成本；F1为充电站的年建设运行成本；F2为用户前往充电站途中年损耗成本；F3为充电站的网损年费用；JCS为充电站集合；fCS(Ni)为充电站i的投资建设成本函数；Ni为充电站i内配备的充电机台数；r0为贴现率；z为充电站的折旧年限；uCS(Ni)为充电站i的运行维护成本函数；W为基础投资；q为单台充电机价格；e为充电机辅助投资系数；a为电动汽车行驶一公里消耗的电量；p为电动汽车充电电价；
Figure FDA0003201833840000024
为位于充电站i服务区域内的快充需求点集合；λij为充电站i与快充需求点j之间的城市道路曲折系数；dij为充电站i与快充需求点j之间的空间直线距离；T为充电站每天的运营时间；Mi为充电站i内装设的配电变压器台数；CCu和CFe分别为折算至单台配电变压器的铜损及铁损；CL和CW分别为折算至单台充电机的线路损耗及充电损耗；
S2.2：确定充电站选址模型需要满足的约束条件：
(1)充电站内充电机数量约束
Ni.min≤Ni≤Ni.max i∈JCS
其中，Ni表示充电站i内所配备充电机数量，Ni.min和Ni.max分别为充电站i内所配备充电机数量的最小值和最大值；
(2)快充需求点与充电站间最大距离约束
λijdij≤dmax i∈JCS,j∈JCNi
其中，dmax为充电站与快充需求点间的最大距离；
(3)充电站间最小距离约束
λijDij≥Dmin i,j∈JCS；i≠j
其中，Dij为充电站i与j之间的直线距离；Dmin为充电站间最小距离；
S2.3：根据充电站内电动汽车数量以及用户所能接受的单台充电机前方最大排队车辆数构建充电站定容模型，表示为：
Figure FDA0003201833840000031
其中，μi为充电站i服务区域内的电动汽车用户同一时刻到站概率；ns为电动汽车用户到站后所能接受的单台充电机前方最大排队车辆数。
4.如权利要求1所述的基于Voronoi图与改进粒子群算法的电动汽车充电站选址定容方法，其特征在于，步骤S3包括：
S3.1：初始化粒子群，设置种群大小为N，迭代次数为T，粒子维数为D，学习因子为c1、c2，使用线性递减权重法修改惯性权重ω，ω可表示为：
Figure FDA0003201833840000032
其中，ωmax和ωmin分别为ω的最大值和最小值；T为当前迭代次数；Tmax为最大迭代次数；
S3.2：根据规划区域内电动汽车总数以及常规电力负荷确定各快充需求点电动汽车数量；
S3.3：随机产生nc个充电站站址坐标，并编译为粒子群初始位置；
S3.4：以充电站站址为生长点作Voronoi图来划定各充电站服务区域，然后根据服务区域内快充电动汽车数量，采用定容模型确定充电站内需配置充电机的数量；
S3.5：分别计算充电站年建设运行成本F1、用户充电途中年损耗成本F2、充电站网损年费用F3，然后计算充电站社会年总成本Fcost，将其作为粒子的函数值，最后找出个体极值Pbest和全局极值Gbest；对于不满足约束条件的粒子，使用罚函数法对其进行处理；
S3.6：更新粒子的速度和位置，若没有达到最大迭代次数，则转至步骤S3.4进行循环迭代，直到达到最大迭代次数；
S3.7：输出充电站选址定容最优方案。
CN202110906644.7A 2021-08-09 2021-08-09 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 Pending CN113822463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110906644.7A CN113822463A (zh) 2021-08-09 2021-08-09 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110906644.7A CN113822463A (zh) 2021-08-09 2021-08-09 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

Publications (1)

Publication Number Publication Date
CN113822463A true CN113822463A (zh) 2021-12-21

Family

ID=78913030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110906644.7A Pending CN113822463A (zh) 2021-08-09 2021-08-09 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

Country Status (1)

Country Link
CN (1) CN113822463A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493106A (zh) * 2021-12-23 2022-05-13 电子科技大学(深圳)高等研究院 一种基于地理划分的空间众包任务分配方法
CN115018151A (zh) * 2022-06-02 2022-09-06 南京工程学院 一种多站融合站点扩展规划方法
CN116228080A (zh) * 2023-01-31 2023-06-06 上海矽为科技有限公司 模型训练方法、终端部署分析方法、装置、设备及介质
CN116797002A (zh) * 2023-08-17 2023-09-22 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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376291A (zh) * 2017-11-28 2018-08-07 国网甘肃省电力公司电力科学研究院 一种基于微电网的电动汽车充换电站选址定容方法
CN108805321A (zh) * 2017-05-02 2018-11-13 南京理工大学 一种电动汽车充电站规划方法
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
CN109711630A (zh) * 2018-12-28 2019-05-03 郑州大学 一种基于出行概率矩阵的电动汽车快充站选址定容方法
WO2020199558A1 (zh) * 2019-03-29 2020-10-08 江苏大学 一种电动汽车充电站最优建设数量和选址方案规划方法
WO2021098352A1 (zh) * 2019-11-22 2021-05-27 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805321A (zh) * 2017-05-02 2018-11-13 南京理工大学 一种电动汽车充电站规划方法
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
CN108376291A (zh) * 2017-11-28 2018-08-07 国网甘肃省电力公司电力科学研究院 一种基于微电网的电动汽车充换电站选址定容方法
CN109711630A (zh) * 2018-12-28 2019-05-03 郑州大学 一种基于出行概率矩阵的电动汽车快充站选址定容方法
WO2020199558A1 (zh) * 2019-03-29 2020-10-08 江苏大学 一种电动汽车充电站最优建设数量和选址方案规划方法
WO2021098352A1 (zh) * 2019-11-22 2021-05-27 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
包蕴;左忠义;殷巍;牛帅;邹德龙;: "电动汽车充电站选址规划研究", 长春师范大学学报, no. 08 *
曲锐;刘若愚;罗毅初;曾中梁;: "基于混沌模拟退火粒子群优化算法的电动汽车充电站规划方案", 电器与能效管理技术, no. 10 *
焦登杰 等: ""一种基于Voronoi图和鲶鱼粒子群优化算法的充电站选址定容方案"", 《自动化技术与应用》, vol. 37, no. 3, pages 5 - 10 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493106A (zh) * 2021-12-23 2022-05-13 电子科技大学(深圳)高等研究院 一种基于地理划分的空间众包任务分配方法
CN114493106B (zh) * 2021-12-23 2022-11-22 电子科技大学(深圳)高等研究院 一种基于地理划分的空间众包任务分配方法
CN115018151A (zh) * 2022-06-02 2022-09-06 南京工程学院 一种多站融合站点扩展规划方法
CN116228080A (zh) * 2023-01-31 2023-06-06 上海矽为科技有限公司 模型训练方法、终端部署分析方法、装置、设备及介质
CN116228080B (zh) * 2023-01-31 2023-09-19 上海矽为科技有限公司 模型训练方法、终端部署分析方法、装置、设备及介质
CN116797002A (zh) * 2023-08-17 2023-09-22 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
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

Similar Documents

Publication Publication Date Title
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
CN102880921B (zh) 一种电动汽车充电站选址优化方法
Tao et al. Data-driven optimized layout of battery electric vehicle charging infrastructure
Ge et al. The planning of electric vehicle charging station based on grid partition method
CN102722767B (zh) 电动汽车充换电站布点规划系统及方法
CN108764634A (zh) 一种考虑充电需求增长的电动汽车充电站动态规划方法
CN108460487A (zh) 基于apso算法的电动汽车快速充电站优化选址定容方法
CN108573317B (zh) 一种换电站充放电策略优化控制的方法
CN112467722A (zh) 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法
CN114297809A (zh) 一种电动汽车充电站选址定容方法
CN107104454A (zh) 计及电动汽车功率可调控域的最优潮流节点电价计算方法
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
CN110189025B (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
CN109492791A (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
CN108805321A (zh) 一种电动汽车充电站规划方法
CN109117486A (zh) 一种电动汽车充电站最优规划方法
CN108288112A (zh) 基于用户出行模拟的区域电动汽车充电站负荷预测方法
CN108269008B (zh) 考虑用户满意度和配网可靠性的充电设施优化规划方法
CN109657993A (zh) 一种基于非合作博弈的能源局域网储能系统自动需求响应方法
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
CN112183882B (zh) 一种基于电动汽车快充需求的智慧充电站充电优化方法
CN110533222A (zh) 基于峰平谷电价的电动汽车充电负荷预测方法及装置
CN114118536A (zh) 集中充电站与电池换电站的规划方法及其规划装置和芯片
CN109742755A (zh) 基于节点分区的含电动汽车的主动配电网运行调度方法
CN110598927B (zh) 一种充电场站优化配置选型方法

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