CN114491882A - 一种考虑电池续航能力的ev储能充电网络规划方法 - Google Patents

Abstract

本发明属于储能系统充电技术领域，公开了一种考虑电池续航能力的EV储能充电网络规划方法。包括以下步骤：S1：设定规划边界条件，包括：交通网络拓扑结构与参数，储能充电站候选地址，储能充电站建设总数，充电行驶里程阀值，置信度；S2：建立考虑优化目标为EV平均充电行驶距离和整个交通网络中EV的充电行驶距离不超过所述充电行驶里程阀值的概率的储能充电网络优化规划模型，所述模型中的约束为充电站建设数目约束；S3：根据EV充电网络优化规划模型的特征设计染色体编码方案以及交叉、变异操作算子，采用遗传算法求解EV充电网络优化规划模型，给出EV充电网络最优建设方案。

Description

一种考虑电池续航能力的EV储能充电网络规划方法

技术领域

本发明属于储能系统充电技术领域，涉及一种考虑电池续航能力的EV储能充电网络规划方法。

背景技术

电动汽车(Electric Vehicle,EV)对减少交通网络中的碳排放起到重要作用。现阶段EV补充能量的主要方式仍是充电，储能充电网络的规划成为电动汽车储能相关产业亟需解决的重要问题。

针对路网中车辆出行需求时空动态变化问题，文献一《基于动态交通仿真的高速公路EV充电站规划》(电工技术学报，2018年，第33卷，第13期，第2991页至3001页)提出了基于路段传播模型LTM的仿真方法，利用M/M/S排队模型计算EV充电等待时间，以EV日充电等待时间与年建设运维成本最小为优化目标建立优化规划模型，采用多目标粒子群算法和VIKOR理论求解规划模型。然而，该文献没有充分考虑到EV至充电站的行驶距离。文献二《基于变权Voronoi图和混合粒子群算法的EV充电站规划》(电工技术学报，2017年，第32卷，第19期，第160页至169页)基于Voronoi图引入可随充电站服务能力和最大服务半径约束动态调整的变权重系数，在保证充电站服务能力的同时，以充电站投运与用户充电行驶成本之和最小为优化目标建立模型，采用混合离散粒子群-变权Voronoi图算法对充电站的数目、选址与容量进行优化。该文献考虑到了充电站的服务能力，并从车主角度出发考虑到了用户充电行驶成本，但未考虑到EV充电行驶距离，具有一定的局限性。文献三《综合考虑充电需求和配电网接纳能力的电动汽车充电站规划》(电网技术，2021年，第45卷，第2期，第498页至509页)基于EV出行大数据，利用马尔科夫原理和轮盘赌法预测充电需求时空分布，在此基础上筛选候选候址和配电网接入方案，并通过熵权修正的层次分析法评估配电网的接纳能力，采用遗传算法求解以建设运营成本为优化目标的规划模型。然而，该文献提出的方法没有充分考虑EV充电行驶距离，具有一定的局限性。事实上，合理的储能充电网络的规划设计，除了考虑建设运营成本外，还需考虑待充电EV的续航里程以及EV为了充电而产生的能耗|(充电能耗)，其中，EV为了充电而产生的能耗与EV为了充电而行驶的距离成正比。因此，亟需提出一种考虑待充电EV电池续航能力的EV充电网络优化规划的方法，通过优化充电站建设地址，降低EV平均充电行驶距离，降低交通网络中待充电EV充电行驶距离大于充电行驶里程阈值的概率，提高车主充电的便利性，降低车主充电成本。

发明内容

针对现有技术中存在的不足，本发明的目的是提供一种考虑电池续航能力的EV储能充电网络规划方法，能够在储能充电站建设数目给定的情况下，通过优化EV储能充电站的建设地址，降低EV平均充电行驶距离，同时增加交通网络中待充电EV充电行驶距离不超过给定里程阈值的概率。

本发明提供了一种考虑电池续航能力的EV储能充电网络规划方法，包括以下步骤：

S1：设定规划边界条件，所述规划边界条件包括：交通网络拓扑结构与参数、储能充电站候选地址、储能充电站建设总数和充电行驶里程阀值；所述储能充电站候选地址均为交通网络中的交通节点；

S2：建立考虑电池续航能力的EV储能充电网络规划模型；

所述EV储能充电网络规划模型的优化目标为同时考虑EV平均充电行驶距离最短和EV电池续航概率最大；

所述EV平均充电行驶距离的计算公式如下：

其中，D_ave为交通网络中所有EV至最近充电站的平均行驶距离；Ω_R为交通网络中的道路集合；T_i为道路i的车流量；d_av,i为道路i上行驶EV的平均充电行驶距离；

所述EV电池续航概率为整个交通网络中EV的充电行驶距离不超过所述充电行驶里程阀值的概率，所述EV电池续航概率的计算公式如下式所示：

其中，P_ev表示整个交通网络中EV的充电行驶距离不超过所述充电行驶里程阀值的概率，p_i为道路i上EV充电行驶里程不超过充电行驶里程阀值的概率；

所述EV储能充电网络规划模型的机会约束为储能充电站建设数目约束；所述储能充电站建设数目约束是指EV储能充电网络中储能充电站建设数目为所述储能充电站建设总数；

S3：根据所述规划边界条件，采用遗传算法对所述EV储能充电网络规划模型进行求解，得到可实现EV平均充电行驶距离最短和EV电池续航概率最大的EV储能充电站最优建设方案。

进一步的，所述道路i上行驶EV的平均充电行驶距离的计算公式如下：

其中，l_d,i为道路i的长度；f_i(x)为道路i上某EV的充电行驶距离。

进一步的，所述道路i的车流量由交通网络最短路径集合Ω_q中经过道路i的最短路径车流量求和而得；

所述最短路径车流量的计算公式如下：

式中，W_S,q与W_E,q分别为最短路径q的起点与终点权系数；Ω_q为交通网络最短路径集合；d_q为最短径q的长度。

进一步的，所述道路i上距起点距离为x处EV的充电行驶距离的计算公式如下：

f_i(x)＝min[x+l₁,l_d,i-x+l₂] 0≤x≤l_d,i；

其中，x为随机变量，表示道路i上行驶的EV与道路i的起点的距离；l_d,i表示道路i的长度；l₁表示距道路i起点最近的储能充电站与道路i起点的距离；l₂为距道路i终点最近充电站的距离。

进一步的，道路i上EV的充电行驶距离不超过充电行驶里程阀值的概率可由下式计算：

其中，g_i(x)为判断EV在道路i上距起点x处充电行驶距离是否不超过充电行驶里程阀值的辅助函数，d_cha-lim为充电行驶里程阀值。

进一步的，所述储能充电站建设数目约束如下式所示：

其中，M为储能充电站建设总数；N为交通网络中的储能充电站候选地址；y_j为储能充电网络规划模型中的优化变量，取“1”表示在储能充电站候选地址j建设储能充电站，取“0”表示未在储能充电站候选地址j建设储能充电站。

所述采用遗传算法对所述EV储能充电网络规划模型进行求解具体包括以下步骤：

S31：设定遗传算法参数，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；所述初始种群中的染色体为N个码位组成的二进制码串，第j个码位取值为“1”时在储能充电站候选地址j建设充电站，否则不在储能充电站候选地址j建设充电站；各染色体中，有且仅有M个码位取值为“1”，其余的码位取值为“0”；

S33：令g＝0，g为进化代数索引；

S34：计算当前种群中的所有染色体代表的规划方案下EV至最近充电站的平均行驶距离与EV充电行驶距离不超过给定里程阀值的概率；并根据如下公式计算当前种群中各条染色体的适应度；

其中，V_fit,k、D_ave,k和P_ev,k分别表示第k条染色体的适应度、EV至最近充电站的平均行驶距离和EV充电行驶距离不超过给定里程阀值的概率，k＝1，……，N_pop；λ为给定的权系数；

S35：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S36；否则，以适应度为依据，采用“锦标赛”法对当前种群进行复制、交叉与变异操作，更新种群，令g＝g+1，并跳转至步骤S34；

S36：将当前种群中适应度最高的染色体对应的充电网络建设方案作为EV充电网络最优规划方案输出。

与现有技术相比，本发明提供的技术方案充分利用现有的交通网络拓扑(譬如百度地图)，提供了一种考虑电池续航能力的EV储能充电网络规划方法，实现了在充电站建设数目给定的情况下，整个交通网络中EV驶向最近充电站的平均行驶距离最小和EV驶向最近充电站的行驶距离不超过给定里程阀值的概率最大，提高了EV车主充电的便利性，降低车主充电成本。

附图说明

图1为本发明实施例中EV到最近充电站充电的充电行驶距离计算示意图；

图2为本发明实施例中25节点交通系统的交通网络拓扑图；

图3为本发明实施例中每代最优染色体的适应度；

图4为本发明实施例中每代最优染色体对应的平均充电行驶距离；

图5为本发明实施例中每代最优染色体对应的充电行驶距离不超过阀值的概率；

图6为本发明实施例提供EV储能充电网络规划方法得到的充电网络规划方案。

具体实施方式

下面结合附图对本发明作进一步的解释说明，以便本领域的技术人员可以更深入地理解本发明并能够顺利实施，但下面的参考实例仅用于解释本发明，不作为本发明的限定。

本发明实施例提供了一种考虑电池续航能力的EV储能充电网络规划方法，包括以下步骤：

S1：设定规划边界条件，所述规划边界条件包括：交通网络拓扑结构与参数、储能充电站候选地址、储能充电站建设总数、充电行驶里程阀值和置信度；所述储能充电站候选地址均为交通网络中的交通节点。

S2：建立EV储能充电网络规划模型.

EV储能充电网络规划模型的建设过程如下：

S21.EV储能充电网络规划模型的优化目标：EV平均充电行驶距离最短。

EV储能充电网络规划模型的优化目标为EV平均充电行驶距离最短，具体如公式(1)所示：

公式(1)中，其中，D_ave为交通网络中所有EV至最近充电站的平均行驶距离；Ω_R为交通网络中的道路集合；T_i为道路i的车流量；d_av,i为道路i上行驶EV的平均充电行驶距离。

1.道路i的车流量的计算

道路i的车流量由交通网络最短路径集合Ω_q中经过道路i的最短路径车流量求和而得。

假定EV总是沿着交通节点(交通网络中的重要节点)间的最短路径行驶。最短路径车流量可由公式(2)给出的重力空间互动模型计算得出：

公式(2)中，W_S,q与W_E,q分别为最短路径q的起点与终点权系数；Ω_q为交通网络最短路径集合，可通过Flyod算法得出；d_q为最短路径q的长度，可由该最短路径q经过的道路集与道路长度计算。

2.道路i上行驶的电动汽车的平均充电行驶距离d_av,i的计算

(1)道路i上EV的充电行驶距离f_i(x)的公式推算

交通网络中，EV产生充电需求后，车主将在以百度地图为代表的导航软件引领下，行驶至距离最近的充电站进行充电，图1为EV充电行驶距离计算示意图。

图1中，A与B表示交通网络中的道路i的两个交通节点，长度为l_AB，A与B均为交通网络中的节点；距离交通节点A最近的充电站位于交通节点C，AC表示交通节点A至C的最短路径，长度为l_AC；距离交通节点B最近的充电站位于交通节点D，BD表示交通节点B至D的最短路径，同样由若干道路与交通节点组成，长度为l_BD。道路AB上，某台EV距交通节点A的距离为x(0≤x≤l_AB)，若其产生充电需求，有两个待选充电方案：

1)途经交通节点A，到达建在交通节点C的充电站充电，充电行驶距离为x+l_AC；

2)途径交通节点B，到达建在交通节点D的充电站充电，充电行驶距离为l_AB-x+l_BD。

显然，车主会选择距离最近的充电站进行充电，充电行驶距离f(x)可按下式进行计算：

f(x)＝min[x+l_AC,l_AB-x+l_BD] 0≤x≤l_AB (3)

从式(3)可看出，充电行驶距离与交通网络拓扑结构、充电站建设状况以及EV在道路上的位置等多种因素有关。

根据公式(3)可知，道路i上距起点距离为x处EV的充电行驶距离f_i(x)可以表示为如公式(4)所示：

f_i(x)＝min[x+l₁,l_d,i-x+l₂] 0≤x≤l_d,i (4)

其中，x为随机变量，表示道路i上行驶的EV与道路i的起点的距离；l_d,i表示道路i的长度；l₁表示距道路i起点最近的储能充电站与道路i起点的距离；l₂为距道路i终点最近充电站的距离。

(2)道路i上行驶的电动汽车的平均充电行驶距离d_av,i的计算公式推算

道路i上行驶的电动汽车的平均充电行驶距离d_av,i的计算公式可以表示为如下公式(4)所示。

公式(5)中，l_d,i为道路i的长度；x为待充电EV距离道路i端点的距离，x为随机变量，服从区间[0,l_d,i]上的均匀分布；f_i(x)为道路i上EV的充电行驶距离。

参数l₁、l₂的取值与充电网络建设地址有关，即与电动汽车充电网络多目标机会约束规划模型的优化变量y_j有关，y_j为表征是否在候选地址j建设充电站的0-1优化变量，取“1””表示在候选地址j建设充电站，取“0”表示未在候选该候选地址建设充电站，j为候选地址索引。

S22.EV储能充电网络规划模型的优化目标：整个交通网络中EV的充电行驶距离不超过充电行驶里程阀值的概率最大。

现阶段，与传统燃油汽车相比，绝大多数型号EV的续航里程仍较为有限，因此，考虑到待充电EV的的续航能力，需要设置充电行驶里程阀值。交通网络中，EV充电行驶距离是随机变量，本发明中对待充电EV续航能力的考虑是通过计算整个交通网络中EV的充电行驶距离不超过充电行驶里程阀值的概率实现的。

1.计算道路i上EV充电行驶里程不超过里程阀值的概率

p_i为道路i上EV充电行驶里程不超过里程阀值的概率，可由下式计算：

式(6)中，g_i(x)为判断EV在道路i上距端点x处充电行驶距离是否不超过里程阀值的辅助函数，有“0”和“1”两种取值，具体如下：

d_cha-lim为预设的充电行驶里程阀值。

2.整个交通网络中EV的充电行驶距离不超过所述充电行驶里程阀值的概率

整个交通网络中EV的充电行驶距离不超过所述充电行驶里程阀值的概率的计算公式如下式所示：

其中，P_ev表示整个交通网络中EV的充电行驶距离不超过所述充电行驶里程阀值的概率，p_i为道路i上EV充电行驶里程不超过充电行驶里程阀值的概率。

S23.EV储能充电网络规划模型的机会约束：储能充电站建设数目约束。

储能充电网络规划中，规划人员根据充电网络建设拟投资额、市政规划与EV渗透率等边界条件确定交通网络中的充电站建设数目与待选地址，因此，模型存在以下约束：

式(9)中，M为充电站建设数目；N为交通网络中的充电站候选地址，位于交通网络节点；y_j为充电网络规划模型中的优化变量，取“1”表示在候选地址j建设充电站，取“0”表示未在候选地址j建设充电站。

S3：根据所述规划边界条件，采用遗传算法对步骤S2得到的EV储能充电网络规划模型进行求解，得到可实现最低平均能耗的EV储能充电站最优建设方案。

具体的，根据EV充电网络优化规划模型的特征设计染色体编码方案以及交叉、变异操作算子，采用遗传算法求解EV充电网络优化规划模型，给出EV充电网络最优建设方案。

S31：设定遗传算法参数，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；所述初始种群中的染色体为N个码位组成的二进制码串，第j个码位取值为“1”时在候选地址j建设充电站，否则不在候选地址j建设充电站；公式(9)给出的约束条件表明，EV充电网络中的充电站建设数目总数为M，因此，各染色体中有且仅有M个码位取值为“1”；

S33：进化代数索引g初始化为0，即令g＝0；

S34：令g＝g+1，开始第g代进化，染色体索引k初始化为1，即令k＝1；

S35：对当前种群中的第k条染色体进行解码，确定M个EV充电站在交通网络中的建设位置，根据步骤S2中的规划模型计算出第k条染色体代表的规划方案下，EV至最近充电站的平均行驶距离D_ave,k与EV充电行驶距离不超过给定里程阀值的概率P_ev,k；

S36：EV充电网络优化规划模型有两个优化目标，为采用遗传算法求解，利用权系数λ将其统一为单一优化目标，并在此基础上根据公式(10)计算第k条染色体的适应度V_fit,k；

式(10)中，λ为给定的权系数，一般可取为0.005左右。从式(10)可看出，EV至最近充电站的平均行驶距离D_ave,k越短、EV充电行驶距离不超过给定里程阀值的概率P_ev,k越大，染色体适应度越大。

S37：判断是否计算出当前种群中所有染色体的适应度，即判断染色体索引k是否等于种群规模N_pop；若k<N_pop，则令k＝k+1，并跳转至步骤S35，继续计算种群中其他染色体的适应度；否则，继续执行下一步骤S38；

S38：判断是否达到最大进化代数，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S39；否则，以适应度为依据，采用“锦标赛”法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；

S39：将当前种群中适应度最高的染色体对应的充电网络建设方案作为EV充电网络最优规划方案输出，结束算法流程。

步骤S3.2所述的初始种群中的染色体取值步骤如下：(a)将染色体所有码位赋值为“0”；(b)从染色体中随机挑选M个不同码位，将赋值由“0”改为“1”。

步骤S38所述的交叉操作算子，具体步骤如下：(a)从当前染色体种群中随机选取两条染色体作为待交叉染色体；(b)反复随机生成待选交叉位N_cro(1<N_cro<N)，直至找到可行交叉位N_av；(c)以交叉概率P_c交换两条染色体交叉位N_av后的二进制码串，完成交叉操作。

步骤(b)所述的N_av为可行交叉位的条件是两条待交叉染色体第N_cro个码位后取值为“1”的码位数一致。

步骤S38所述的变异操作算子，具体步骤如下：步骤一：从当前染色体种群中随机选取一条染色体作为待变异染色体；步骤二：随机生成两个待变异码位N_mut1与N_mut2(1≤N_mut1≤N,1≤N_mut2≤N)；步骤三：以变异概率P_m同时对待变异码位N_mut1与N_mut2进行变异操作，取值为“1”的待变异码位变异为“0”，取值为“0”的待变异码位变异为“1”。

步骤二所述的两个待变异码位N_mut1与N_mut2取值不能同时为“1”或为“0”。

本发明实施例以图2所示的25节点交通系统拓扑为例，进行EV储能充电网络规划，该25节点交通系统拓扑由25个交通节点与43条道路组成，各交通节点的权重如表1所示。

表1.交通节点权重系数

图2中，道路仅表示各交通节点间的拓扑关系，并不代表各道路的实际走向。算例中，假定各道路均可双向通行，即从起点到终点的最短路径与从终点返回起点的最短路径相同。此时，该交通网络的最短路径集Ω_q由300条最短路径构成，即[25×(25-1)]/2＝300条，各最短路径经过的交通节点和道路可通过Floyd算法求得。所有最短路径的车流量之和为0.307，所有道路上的车流量之和为0.84。算例中，拟建造充电站的数目为4。目前，主流EV满充状态下的续航里程大多界于在300至500km之间，考虑到大部分EV车主在剩余电量20％左右进行充电，因此，算例将充电行驶里程阀值d_cha-lim设为80km。

采用GA对EV充电网络规划模型进行求解，算法参数设置为：种群规模N_pop为50，交叉率P_c为0.5，变异率P_m为0.2，最大进化代数G_max为150，权系数λ取0.005。GA进化过程中，每代最优染色体的适应度如图3所示，每代最优染色体对应的EV平均充电行驶距离与充电行驶距离不超过给定里程阀值的概率分别如图4与图5所示。

由图3可看出，进化至第50代左右时，算法已趋于收敛，进化至第76代后，每代最优染色体的适应度不再变化，算法收敛。从图4、5可看出，第76代前，每代最优染色体对应的平均充电行驶距离D_ave逐渐降低，最低为33.99km；进化至第76代后，平均充电行驶距离D_ave增加至34.08km；但充电行驶里程不超过阀值的概率p_ev增加至95.06％，因此，适应度从0.03408增加至0.0341，算法给出最优充电网络建设方案。

遗传算法给出的电动汽车充电网络规划方案如图6所示，即4座充电站分别建于交通节点4、14、19与23。此时，EV平均充电行驶距离为34.08km，充电行驶里程不超过阀值的概率P_ev为95.06％。

以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。

Claims (7)

1.一种考虑电池续航能力的EV储能充电网络规划方法，其特征在于，包括以下步骤：

S1：设定规划边界条件，所述规划边界条件包括：交通网络拓扑结构与参数、储能充电站候选地址、储能充电站建设总数和充电行驶里程阀值；所述储能充电站候选地址均为交通网络中的交通节点；

S2：建立考虑电池续航能力的EV储能充电网络规划模型；

所述EV储能充电网络规划模型的优化目标为同时考虑EV平均充电行驶距离最短和EV电池续航概率最大；

所述EV平均充电行驶距离的计算公式如下：

其中，D_ave为交通网络中所有EV至最近充电站的平均行驶距离；Ω_R为交通网络中的道路集合；T_i为道路i的车流量；d_av,i为道路i上行驶EV的平均充电行驶距离；

所述EV电池续航概率为整个交通网络中EV的充电行驶距离不超过所述充电行驶里程阀值的概率，所述EV电池续航概率的计算公式如下式所示：

其中，P_ev表示整个交通网络中EV的充电行驶距离不超过所述充电行驶里程阀值的概率，p_i为道路i上EV充电行驶里程不超过充电行驶里程阀值的概率；

所述EV储能充电网络规划模型的机会约束为储能充电站建设数目约束；所述储能充电站建设数目约束是指EV储能充电网络中储能充电站建设数目为所述储能充电站建设总数；

S3：根据所述规划边界条件，采用遗传算法对所述EV储能充电网络规划模型进行求解，得到可实现EV平均充电行驶距离最短和EV电池续航概率最大的EV储能充电站最优建设方案。

2.根据权利要求1所述的EV储能充电网络规划方法，其特征在于，所述道路i上行驶EV的平均充电行驶距离的计算公式如下：

其中，l_d,i为道路i的长度；f_i(x)为道路i上某EV的充电行驶距离。

3.根据权利要求1所述的EV储能充电网络规划方法，其特征在于，所述道路i的车流量由交通网络最短路径集合Ω_q中经过道路i的最短路径车流量求和而得；

所述最短路径车流量的计算公式如下：

式中，W_S,q与W_E,q分别为最短路径q的起点与终点权系数；Ω_q为交通网络最短路径集合；d_q为最短径q的长度。

4.根据权利要求2所述的EV储能充电网络规划方法，其特征在于，所述道路i上EV的充电行驶距离的计算公式如下：

f_i(x)＝min[x+l₁,l_d,i-x+l₂]0≤x≤l_d,i；

其中，x为随机变量，表示道路i上行驶的EV与道路i的起点的距离；l_d,i表示道路i的长度；l₁表示距道路i起点最近的储能充电站与道路i起点的距离；l₂为距道路i终点最近充电站的距离。

5.根据权利要求1所述的EV储能充电网络规划方法，其特征在于，道路i上EV的充电行驶距离不超过充电行驶里程阀值的概率可由下式计算：

其中，g_i(x)为判断EV在道路i上距端点x处充电行驶距离是否不超过充电行驶里程阀值的辅助函数，d_cha-lim为充电行驶里程阀值。

6.根据权利要求1所述的EV储能充电网络规划方法，其特征在于，所述储能充电站建设数目约束如下式所示：

其中，M为储能充电站建设总数；N为交通网络中的储能充电站候选地址；y_j为储能充电网络规划模型中的优化变量，取“1”表示在储能充电站候选地址j建设储能充电站，取“0”表示未在储能充电站候选地址j建设储能充电站。

7.根据权利要求1所述的EV储能充电网络规划方法，其特征在于，所述采用遗传算法对所述EV储能充电网络规划模型进行求解具体包括以下步骤：

S31：设定遗传算法参数，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；所述初始种群中的染色体为N个码位组成的二进制码串，第j个码位取值为“1”时在储能充电站候选地址j建设充电站，否则不在储能充电站候选地址j建设充电站；各染色体中，有且仅有M个码位取值为“1”，其余的码位取值为“0”；

S33：令g＝0，g为进化代数索引；

S34：计算当前种群中的所有染色体代表的规划方案下EV至最近充电站的平均行驶距离与EV充电行驶距离不超过给定里程阀值的概率；并根据如下公式计算当前种群中各条染色体的适应度；

其中，V_fit,k、D_ave,k和P_ev,k分别表示第k条染色体的适应度、EV至最近充电站的平均行驶距离和EV充电行驶距离不超过给定里程阀值的概率，k＝1，……，N_pop；λ为给定的权系数；

S35：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S36；否则，以适应度为依据，采用“锦标赛”法对当前种群进行复制、交叉与变异操作，更新种群，令g＝g+1，并跳转至步骤S34；

S36：将当前种群中适应度最高的染色体对应的充电网络建设方案作为EV充电网络最优规划方案输出。

Images