CN114297809A - 一种电动汽车充电站选址定容方法 - Google Patents

Abstract

本发明提出一种电动汽车充电站选址定容方法，包括：分析并处理各道路节点初始车流量，利用流量修正系数得出各交通节点的车流量信息得到充电需求量，根据规划区区域划分生成城市道路CAD图；计算各个节点到备选充电站的距离，以充电站的最大服务能力、最小服务能力及充电需求估算最大建站数和最小建站数；根据确定充电站数量范围、服务范围和充电站等级，根据备选站站址随机选择充电站；以建设成本、运维成本、网损费用与路程损耗成本的和为总目标函数，以电动汽车充电需求、充电桩数量、容量、规划区域功率作为约束条件，构建充电站选址定容模型；结合每一个交通节点的车流量与充电需求量，采用改进的鲸鱼优化算法对充电站选址定容模型进行求解。

Description

一种电动汽车充电站选址定容方法

技术领域

本发明涉及一种电动汽车充电站选址定容方法。

背景技术

随着城市经济与社会的快速发展，电动汽车相关技术取得重大突破，国内的逐渐普及也给予了汽车行业与制造行业一定的机遇，电动汽车及相关充电设施的生产推广也将成为行业未来的发展重点。电动汽车的技术相对来说较为成熟，但电池容量问题仍无有效解决办法，因此，充电站的选址定容极为重要，科学合理的选择充电站位置建设也对经济的快速增长与电网的稳定运行具有重要意义，例如：

Yu等在研究电动汽车充电站选址时确定它是一个非线性组合优化问题，提出自适应粒子群优化算法解决，并验证了算法与模型的可行性有效性(于擎,李菁华,赵前扶,邢春阳.基于权重自适应调整的混沌量子粒子群算法的城市电动汽车充电站优化布局[J].电测与仪表,2017,54(13):110-114+119)；

刘自发等在研究充电站选址引入了配电变压器投资、交通流量等约束条件，并将量子理论中的概率表达与叠加态特性与粒子群结合对充电站进行规划且方法有效(刘自发,张伟,王泽黎.基于量子粒子群优化算法的城市电动汽车充电站优化布局[J].中国电机工程学报,2012,32(22):39-45+20)；

张毅等利用蒙特卡洛得出电动汽车充电需求，考虑建设成本等待成本等建立选址模型，使用多种群遗传算法对其进行求解(张毅,朱攀.电动出租车专用充电场站选址模型研究[J].地球信息科学学报,2021,23(05):802-811)；

严干贵以用户经济损失与充电站的成本最小为目标，以北京海淀区为例提出基于区域访问量的动态概率变异改进粒子群算法求解模型(严干贵,刘华南,韩凝晖,陈宋宋,于东民.计及电动汽车时空分布状态的充电站选址定容优化方法[J/OL].中国电机工程学报:1-14[2021-09-20].http://kns.cnki.net/kcms/detail/11.2107.TM.20210120.1747.010.html)；

Bai等提出了非支配排序遗传算法与领域搜索相结合的混合算法，以一种基于电池模型的双目标混合整数模型进而求解电动汽车充电站位置、容量等(Xue Bai,Kwai-SangChin,Zhili Zhou.A bi-objective model for location planning of electricvehicle charging stations with GPS trajectory data[J].Computers&IndustrialEngineering,2019,128)；

焦登杰等通过鲇鱼粒子群算法对充电站选址定容进行优化配置，根据全社会成本最有来选取方案(焦登杰,苏小林,阎晓霞,王文超.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[J].自动化技术与应用,2018,37(03):5-10)；

李鲁燕通过光强比较、位置更新、移动步长三个方面改进萤火虫算法，以泰安市快速充电站为例对模型进行求解，得出其地址及安装容量(李鲁燕.基于改进萤火虫算法的泰安电动汽车快速充电站选址定容[D].山东大学,2020)；

Li等考虑了充电站运营商投资和车主的出行成本，以海口市与上海市的打车和充电数据为例，利用遗传算法进行求解(Li Jiale,Liu Zhenbo,Wang Xuefei.Publiccharging station location determination for electric ride-hailing vehiclesbased on an improved genetic algorithm[J].Sustainable Cities and Society,2021,74)。

然而，电动汽车充电站的建设仍然存在以下缺点：

充电站的位置规划不太合理，站与站间的范围重合度较高，造成电动汽车充电效率低下，少数充电站闲置，甚至造成交通堵塞；多数采用传统粒子群求解充电站选址定容问题，而粒子群算法具有早熟、局部收敛等缺点；上述问题均会影响电动汽车充电站选址定容的合理性，且容易造成建设成本过高。

发明内容

本发明的目的是提供一种电动汽车充电站选址定容方法，通过对传统鲸鱼算法进行改进以对充电站选址定容问题进行优化求解，同时克服电动汽车充电效率低下与充电站闲置等问题。

本发明为解决其技术问题所采用的技术方案是：

一种电动汽车充电站选址定容方法，包括以下步骤：

S1：分析并处理各道路节点初始车流量，利用流量修正系数得出各交通节点的车流量信息得到充电需求量，根据规划区区域划分生成城市道路CAD图；

S2：通过计算得到各个节点到备选充电站的距离，以充电站的最大服务能力、最小服务能力以及充电需求进而估算最大建站数和最小建站数；在设置的规划区，即居民区、商业区、工业区内根据确定充电站数量范围、服务范围和充电站等级，根据备选站站址随机选择充电站，并随机选择其等级；

S3：以建设成本、运维成本、网损费用与路程损耗成本的和为总目标函数，以电动汽车充电需求、充电桩数量、容量、规划区域功率作为约束条件，从而构建充电站选址定容模型；

S4：结合每一个交通节点的车流量与充电需求量，采用改进的鲸鱼优化算法对充电站选址定容模型进行求解，以得到最佳的选址定容方案。

步骤S1中，通过交通节点车流量乘以流量修正系数得到交通节点的充电需求量，并根据区域划分与候选站址坐标生成城市道路CAD图。

步骤S3中，目标函数具体为：

min F＝F₁+F₂+F₃+F₄

式中：F表示充电站建站运行至目标年份的总成本；F₁表示折算至规划年限的目标年电动汽车充电站固定建设成本，其中包括土地成本、新建充电桩成本、变压器成本及其他建设成本；F₂表示电动汽车充电站年运行维护成本；F₃表示充电站年网损费用；F₄表示电动汽车去往充电站的路程损耗成本；

其中：

式中：S_i表示第i个待选充电站的面积；f_land,i表示第i个待选充电站面积的土地单价，本文假设规划区域分为居民区f_land,1、商业区f_land,2和工业区f_land,3；N表示充电站内充电桩的数目；f_c表示充电站内单个充电桩单价；C_i表示充电站基础设施费用与其他成本；x_i＝{0,1}，即在待选点I处建立充电站，则取值1，未在待选点I处建立充电站，则反之；λ表示年运行维护成本转换因子，r₀为折旧率；t_k为规划年限；

式中：该项成本表示了充电站的日常维护、设备损耗、员工投入维护及工资等成本；运用折算系数，将运行维护成本折算至初期投资考虑；θ表示上述的折算系数；

式中：L表示单位电价；T_d表示充电站每天平均有效工作时间；f_L和f_w分别表示充电桩线路及其自身损耗折算至单台充电桩的折算系数；

式中：B表示电动汽车行驶单位公里的耗电量；d_im表示电动汽车从充电需求点m到充电站的实际距离；y_im表示电动汽车是否充电的决策变量，y_im∈{0,1}，当y_im为1时表示去，为0则反之；n_m表示在典型日充电需求点m有充电需求的电动汽车数量；I_i表示待选站集合，I＝{i|i＝1,2,…,m}；M表示充电需求点的集合{m|m＝1,2,3…,j}；

约束条件具体为：

电动汽车需求点单一到站约束：

该约束条件表明用户a一次只能由一个充电站I服务，解决其充电需求，其中Z_ia＝{0,1}为二进制变量，如果用户a在待选点I接受充电服务，则取1；

规划区域功率约束：

此约束条件表示充电站总功率应满足其服务范围内的充电需求。式中：P_bc,i为第i个充电站的最大功率；P_ps表示为整个规划区域内变电站总功率；

充电站的充电桩数量限制约束：

此约束条件表示充电站的充电桩数量限制，充电站I的总功率需满足其服务范围内的充电需求，每个充电站至少有一个充电桩，没有选作充电站的待选点没有充电桩；

充电站的充电桩数量限制约束：

n_mZ_iaP_ia≤T_dN

式中，P_ia表示电动汽车最大同时充电的概率，不同规划区域充电同时率不同，居民区充电同时率为P_1a，商业区为P_2a，工业区为P_3a。

步骤S4具体包括：

S41：根据随机选择充电站及其等级，通过基于Floyd的Voronoi图思想与约束条件，筛选出满足两者条件的充电站；

S42：结合目标函数以及满足约束条件的充电站及对应的充电站等级，采用改进的鲸鱼优化算法计算得到充电站全社会成本最优值；

S43：根据充电站全社会成本最优值，输出其对应的充电站所在候选站址位置及其对应的充电站等级，即得到最有选址定容方案。

步骤S41具体包括：

将道路上需要充电的车整合到道路交通节点处，将交通节点看作充电需求点，且充电站服务范围内的充电需求点到该站的实际距离应小于等于充电需求点到其他充电站的实际距离，再根据Floyd算法根据道路节点编号数b，生成b×b阶初始距离矩阵C⁽⁰⁾，矩阵中元素

表示道路节点l到道路节点j的距离；如果节点l到j之间有直接相连的道路，则

为两节点间实际道路长度；如果节点l到j之间不能直接相连，则

为无穷大，如下式所示：

其中，l,j＝1,2,…,b；

为道路节点l和j之间的实际道路长度；对于任意2个道路节点l和j，判断是否存在一个中间节点e，使节点l通过节点e再到节点j的距离小于现有的距离，如果存在这样的节点e，则更新迭代距离矩阵C^(k)，如下式所示：

按照上述步骤更新获得距离矩阵C^(k+1)，若C^(k+1)≠C^(k)，则返回步骤三；否则终止，得到最短路径矩阵即为C^(k)。

步骤S42具体包括：

S421、结合总目标函数，采用改进的鲸鱼优化算法，分别计算得到多个满足约束条件的充电站对应的全社会成本；

S421、从多个全社会成本中选择最小值作为最优值。

改进的鲸鱼优化算法具体计算过程为：

T1：初始化参数；

T2：电动汽车充电站选址定容编码包括两部分，对应充电站地址的选择和充电站规模等级的选择，编码形式采用充电站编号结合充电站等级结合方式，具体方式如下：

[x₁ x₂ … x_n m₁ m₂ … m_n]n∈(n_min,n_max)，其中x₁ x₂ … x_n为充电站编号，m₁ m₂… m_n为充电站等级；x_h为互不重复的正整数，表示第h个充电站选在备选位置x_h处；m_h为正整数，表示第h个充电站的规模等级；

T3：计算种群中各个个体对应充电站选择及这种情况下的总成本和F₁、F₂、F₃、F₄，模型中的距离问题均采用Floyd算法求解，采用改进收敛因子的螺旋气泡网捕食策略更新种群，包括包围捕食、气泡捕食、随机捕食三种搜索方式，得到新种群；由于充电站编号和充电站等级均为整数，更新种群时需要采用取整策略；

T4：对T3得到的种群使用差分进化的差分变异和交叉得到进化后的种群，同样的在更新种群时也需要采用取整策略，保证种群编码始终为整数；

T5：计算进化后种群的抗体浓度，计算抗体之间的亲和力，并取亲和力最高的N个个体作为新种群，并记录全局最优适应度值。

本发明的优点在于：

1.与现有技术相比，本发明针对电动汽车选址定容问题，提出的一种全社会成本最优充电站规划模型，即平衡了充电站运营方、电动汽车用户和电网企业的利益，又考虑了区域交通流量对站址选择的影响，体现了选址定容的合理性对未来工程建设具有一定的实际指导意义；

2.与现有技术相比，本发明提出了一种改进的鲸鱼优化算法(IWOA)，将收敛因子、差分进化、人工免疫算法引入WOA算法中，显著的改善了初始解的质量，维护了种群的多样性，提高了算法跳出局部最优解能力，进而提高了算法的整体寻优性能，为求解充电站选址定容问题提供了新方法；

3.本发明的算例中考虑了三种用地性质，居民用地、商业用地与工业用地，并采用Floyd算法求取电动汽车用户至充电站的最近真实距离取代传统算法中的欧氏距离，结合Voronoi图思想划分充电站服务范围，进一步提高了算法与在算例中求解模型的准确性。

附图说明

图1是本发明提出的电动汽车充电站选址定容方法的结构示意图；

图2是鲸鱼优化算法的求解过程示意图；

图3是实施例中45节点交通网区域示意图；

图4是实施例中使用Vorinoi图划分区域的45节点交通网区域示意图；

图5是实施例中求解迭代次数示意图。

具体实施方式

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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

如图1、图2所示，本发明提出的电动汽车充电站选址定容方法包括以下步骤：

S1：分析并处理各道路节点初始车流量，利用流量修正系数得出各交通节点的车流量信息得到充电需求量，根据规划区区域划分生成城市道路CAD图；

S2：通过计算得到各个节点到备选充电站的距离，以充电站的最大服务能力、最小服务能力以及充电需求进而估算最大建站数和最小建站数。在设置的规划区(居民区、商业区、工业区)内根据基于Floyd的Voronoi图思想确定充电站数量范围、服务范围和充电站等级，根据备选站站址随机选择充电站，并随机选择其等级；

S3：以建设成本、运维成本、网损费用与路程损耗成本的和为总目标函数，以电动汽车充电需求、充电桩数量、容量、规划区域功率作为约束条件，从而构建充电站选址定容模型；

S4：结合每一个交通节点的车流量与充电需求量，采用改进的鲸鱼优化算法对充电站选址定容模型进行求解，以得到最佳的选址定容方案。

本实施例中以交通网45节点为例进行电动汽车充电站的选址定容，该区交通网络含有45个主要路口节点，78条主干道，计及存在14个候选站址与3个变电站的情况，新区规划总面积26.75km2，变电站总功率为3MW。图中节点间的长度单位为km，路口结点的数字为该结点的编号，X为路口节点横坐标，Y为路口节点纵坐标。假设电动汽车充电站的投入使用运行年限为20年，每辆电动汽车单位耗电量为0.15Kw·h/km，电动汽车平均电池容量为50Kw·h。本文对4个等级的电动汽车充电站各个指标进行合理划分假设，假定有14个候选站址，规划区域如图2所示。

IWOA算法参数设置如下：鲸鱼种群规模为100，初始迭代次数为200次，螺旋形常数为2，缩放因子设置为0.6，交叉概率为0.8，初始圈速G为1。通过计算可得每个n值对应的最优建设成本、运维成本、网损成本、出行成本与全社会综合成本，具体算法过程如图2所示。

将本发明方法应用于本实施例中，具体过程为：

1、分析规划区域内每个节点的车流量，根据车流量系数计算出每个结点的充电需求，以充电站的最大服务能力、最小服务能力以及充电需求进而估算最大建站数和最小建站数。；

2、利用Floyd算法确定每个节点到每个备选站址充电站的最短距离，并采用Vorinoi图思想划分充电站服务范围；

3、确定规划区域内充电站数量、容量与其对应的等级，得出所要建站的备选站址与其对应的服务范围和所在区域；

4、判断备选站址的充电站是否覆盖规划区域所有节点，且是否满足各个约束条件；

5、计算满足要求的选址定容方案的充电站全社会成本；

6、利用改进的鲸鱼优化算法计算全社会成本的最优值：计算种群中各个个体对应充电站选择及这种情况下的总成本和F₁、F₂、F₃、F₄(模型中的距离问题均采用Floyd算法求解)，采用改进收敛因子的螺旋气泡网捕食策略更新种群，包括包围捕食、气泡捕食、随机捕食三种搜索方式，得到新种群。由于充电站编号和充电站等级均为整数，更新种群时需要采用取整策略，得到新种群后使用差分进化的差分变异和交叉得到进化后的种群，同样的在更新种群时也需要采用取整策略，计算进化后种群的抗体浓度，计算抗体之间的亲和力，并取亲和力最高的N个个体作为新种群，并记录全局最优适应度值。

7、判断是否达到最大迭代次数，若迭代未完成则继续步骤3～6，若迭代完成则输出最优值和最有选址定容方案。

其中在步骤2中，具体形式为：

根据规划区域的实际道路情况绘出城市道路CAD图，并将各个道路节点编号。根据道路节点编号数b，生成b×b阶初始距离矩阵C⁽⁰⁾，矩阵中元素

表示道路节点l到道路节点j的距离。如果节点l到j之间有直接相连的道路，则

为两节点间实际道路长度；如果节点l到j之间不能直接相连，则

为无穷大

其中，l,j＝1,2,…,b；

为道路节点l和j之间的实际道路长度。

对于任意2个道路节点l和j，判断是否存在一个中间节点e，使节点l通过节点e再到节点j的距离小于现有的距离，如果存在这样的节点e，则更新迭代距离矩阵C^(k)

充电站全社会最优成本的计算公式为：

min F＝F₁+F₂+F₃+F₄

式中：F表示充电站建站运行至目标年份的总成本；F₁表示折算至规划年限的目标年电动汽车充电站固定建设成本，其中包括土地成本、新建充电桩成本、变压器成本及其他建设成本；F₂表示电动汽车充电站年运行维护成本；F₃表示充电站年网损费用；F₄表示电动汽车去往充电站的路程损耗成本。

其中：

式中：S_i表示第i个待选充电站的面积；f_land,i表示第i个待选充电站面积的土地单价，本文假设规划区域分为居民区f_land,1、商业区f_land,2和工业区f_land,3；N表示充电站内充电桩的数目；f_c表示充电站内单个充电桩单价；C_i表示充电站基础设施费用与其他成本；x_i＝{0,1}，即在待选点I处建立充电站，则取值1，未在待选点I处建立充电站，则反之；λ表示年运行维护成本转换因子，r₀为折旧率；t_k为规划年限。

式中：该项成本表示了充电站的日常维护、设备损耗、员工投入维护及工资等成本。运用折算系数，将运行维护成本折算至初期投资考虑。θ表示上述的折算系数，与上文意义相同。

式中：L表示单位电价；T_d表示充电站每天平均有效工作时间；f_L和f_w分别表示充电桩线路及其自身损耗折算至单台充电桩的折算系数。

式中：B表示电动汽车行驶单位公里的耗电量；d_im表示电动汽车从充电需求点m到充电站的实际距离；y_im表示电动汽车是否充电的决策变量，y_im∈{0,1}，当y_im为1时表示去，为0则反之；n_m表示在典型日充电需求点m有充电需求的电动汽车数量；I_i表示待选站集合，I＝{i|i＝1,2,…,m}；M表示充电需求点的集合{m|m＝1,2,3…,j}。

电动汽车需求点单一到站约束：

该约束条件表明用户a一次只能由一个充电站I服务，解决其充电需求，其中Z_ia＝{0,1}为二进制变量，如果用户a在待选点I接受充电服务，则取1。

规划区域功率约束：

此约束条件表示充电站总功率应满足其服务范围内的充电需求。式中：P_bc,i为第i个充电站的最大功率；P_ps表示为整个规划区域内变电站总功率。

充电站的充电桩数量限制约束：

此约束条件表示充电站的充电桩数量限制(每个充电站至少有一个充电桩)，没有选作充电站的待选点没有充电桩，充电站I的总功率需满足其服务范围内的充电需求。

充电站的充电桩数量限制约束：

n_mZ_iaP_ia≤T_dN

式中，P_ia表示电动汽车最大同时充电的概率，不同规划区域充电同时率不同，居民区充电同时率为P_1a，商业区为P_2a，工业区为P_3a。

最终得到本实施例最优全社会成本为755.9万元，在规划区域内建设8个充电站，其中等级分别为1、1、3、1、4、2、4、2，规划区域及服务范围如图4所示，算法的求解迭代结果如图5所示。

本发明针对现存电动汽车使用率与充电基础设施建设的不匹配问题，综合考虑了土地、变压器等建设成本，充电站供电损耗、人员工资等运维成本及电动汽车用户出行等多方利益，在规划中考虑路网结构的真实路径与区域的用地性质，规划结果更加科学合理。

Claims (7)

1.一种电动汽车充电站选址定容方法，其特征在于，包括以下步骤：

S1：分析并处理各道路节点初始车流量，利用流量修正系数得出各交通节点的车流量信息得到充电需求量，根据规划区区域划分生成城市道路CAD图；

S2：通过计算得到各个节点到备选充电站的距离，以充电站的最大服务能力、最小服务能力以及充电需求进而估算最大建站数和最小建站数；在设置的规划区，即居民区、商业区、工业区内根据确定充电站数量范围、服务范围和充电站等级，根据备选站站址随机选择充电站，并随机选择其等级；

S3：以建设成本、运维成本、网损费用与路程损耗成本的和为总目标函数，以电动汽车充电需求、充电桩数量、容量、规划区域功率作为约束条件，从而构建充电站选址定容模型；

S4：结合每一个交通节点的车流量与充电需求量，采用改进的鲸鱼优化算法对充电站选址定容模型进行求解，以得到最佳的选址定容方案。

2.根据权利要求1所述的一种电动汽车充电站选址定容方法，其特征在于：

步骤S1中，通过交通节点车流量乘以流量修正系数得到交通节点的充电需求量，并根据区域划分与候选站址坐标生成城市道路CAD图。

3.根据权利要求1所述的一种电动汽车充电站选址定容方法，其特征在于：

步骤S3中，目标函数具体为：

min F＝F₁+F₂+F₃+F₄

式中：F表示充电站建站运行至目标年份的总成本；F₁表示折算至规划年限的目标年电动汽车充电站固定建设成本，其中包括土地成本、新建充电桩成本、变压器成本及其他建设成本；F₂表示电动汽车充电站年运行维护成本；F₃表示充电站年网损费用；F₄表示电动汽车去往充电站的路程损耗成本；

其中：

式中：S_i表示第i个待选充电站的面积；f_land,i表示第i个待选充电站面积的土地单价，本文假设规划区域分为居民区f_land,1、商业区f_land,2和工业区f_land,3；N表示充电站内充电桩的数目；f_c表示充电站内单个充电桩单价；C_i表示充电站基础设施费用与其他成本；x_i＝{0,1}，即在待选点I处建立充电站，则取值1，未在待选点I处建立充电站，则反之；λ表示年运行维护成本转换因子，r₀为折旧率；t_k为规划年限；

式中：该项成本表示了充电站的日常维护、设备损耗、员工投入维护及工资等成本；运用折算系数，将运行维护成本折算至初期投资考虑；θ表示上述的折算系数；

式中：L表示单位电价；T_d表示充电站每天平均有效工作时间；f_L和f_w分别表示充电桩线路及其自身损耗折算至单台充电桩的折算系数；

式中：B表示电动汽车行驶单位公里的耗电量；d_im表示电动汽车从充电需求点m到充电站的实际距离；y_im表示电动汽车是否充电的决策变量，y_im∈{0,1}，当y_im为1时表示去，为0则反之；n_m表示在典型日充电需求点m有充电需求的电动汽车数量；I_i表示待选站集合，I＝{i|i＝1,2,…,m}；M表示充电需求点的集合{m|m＝1,2,3…,j}；

约束条件具体为：

电动汽车需求点单一到站约束：

该约束条件表明用户a一次只能由一个充电站I服务，解决其充电需求，其中Z_ia＝{0,1}为二进制变量，如果用户a在待选点I接受充电服务，则取1；

规划区域功率约束：

此约束条件表示充电站总功率应满足其服务范围内的充电需求。式中：P_bc,i为第i个充电站的最大功率；P_ps表示为整个规划区域内变电站总功率；

充电站的充电桩数量限制约束：

此约束条件表示充电站的充电桩数量限制，充电站I的总功率需满足其服务范围内的充电需求，每个充电站至少有一个充电桩，没有选作充电站的待选点没有充电桩；

充电站的充电桩数量限制约束：

n_mZ_iaP_ia≤T_dN

式中，P_ia表示电动汽车最大同时充电的概率，不同规划区域充电同时率不同，居民区充电同时率为P_1a，商业区为P_2a，工业区为P_3a。

4.根据权利要求1所述的一种电动汽车充电站选址定容方法，其特征在于，步骤S4具体包括：

S41：根据随机选择充电站及其等级，通过基于Floyd的Voronoi图思想与约束条件，筛选出满足两者条件的充电站；

S42：结合目标函数以及满足约束条件的充电站及对应的充电站等级，采用改进的鲸鱼优化算法计算得到充电站全社会成本最优值；

S43：根据充电站全社会成本最优值，输出其对应的充电站所在候选站址位置及其对应的充电站等级，即得到最有选址定容方案。

5.根据权利要求4所述的一种电动汽车充电站选址定容方法，其特征在于，步骤S41具体包括：

将道路上需要充电的车整合到道路交通节点处，将交通节点看作充电需求点，且充电站服务范围内的充电需求点到该站的实际距离应小于等于充电需求点到其他充电站的实际距离，再根据Floyd算法根据道路节点编号数b，生成b×b阶初始距离矩阵C⁽⁰⁾，矩阵中元素

表示道路节点l到道路节点j的距离；如果节点l到j之间有直接相连的道路，则

为两节点间实际道路长度；如果节点l到j之间不能直接相连，则

为无穷大，如下式所示：

其中，l,j＝1,2,…,b；

为道路节点l和j之间的实际道路长度；对于任意2个道路节点l和j，判断是否存在一个中间节点e，使节点l通过节点e再到节点j的距离小于现有的距离，如果存在这样的节点e，则更新迭代距离矩阵C^(k)，如下式所示：

按照上述步骤更新获得距离矩阵C^(k+1)，若C^(k+1)≠C^(k)，则返回步骤三；否则终止，得到最短路径矩阵即为C^(k)。

6.根据权利要求4所述的一种电动汽车充电站选址定容方法，其特征在于，步骤S42具体包括：

S421、结合总目标函数，采用改进的鲸鱼优化算法，分别计算得到多个满足约束条件的充电站对应的全社会成本；

S421、从多个全社会成本中选择最小值作为最优值。

7.根据权利要求6所述的一种电动汽车充电站选址定容方法，其特征在于，改进的鲸鱼优化算法具体计算过程为：

T1：初始化参数；

T2：电动汽车充电站选址定容编码包括两部分，对应充电站地址的选择和充电站规模等级的选择，编码形式采用充电站编号结合充电站等级结合方式，具体方式如下：

[x₁ x₂…x_n m₁ m₂…m_n]n∈(n_min,n_max)，其中x₁ x₂…x_n为充电站编号，m₁ m₂…m_n为充电站等级；x_h为互不重复的正整数，表示第h个充电站选在备选位置x_h处；m_h为正整数，表示第h个充电站的规模等级；

T3：计算种群中各个个体对应充电站选择及这种情况下的总成本和F₁、F₂、F₃、F₄，模型中的距离问题均采用Floyd算法求解，采用改进收敛因子的螺旋气泡网捕食策略更新种群，包括包围捕食、气泡捕食、随机捕食三种搜索方式，得到新种群；由于充电站编号和充电站等级均为整数，更新种群时需要采用取整策略；

T4：对T3得到的种群使用差分进化的差分变异和交叉得到进化后的种群，同样的在更新种群时也需要采用取整策略，保证种群编码始终为整数；

T5：计算进化后种群的抗体浓度，计算抗体之间的亲和力，并取亲和力最高的N个个体作为新种群，并记录全局最优适应度值。

Images