CN114819412B - 基于指导式可行解修正遗传算法的多换电站配置优化方法 - Google Patents

基于指导式可行解修正遗传算法的多换电站配置优化方法 Download PDF

Info

Publication number
CN114819412B
CN114819412B CN202210715646.2A CN202210715646A CN114819412B CN 114819412 B CN114819412 B CN 114819412B CN 202210715646 A CN202210715646 A CN 202210715646A CN 114819412 B CN114819412 B CN 114819412B
Authority
CN
China
Prior art keywords
load
station
power
correction
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
Application number
CN202210715646.2A
Other languages
English (en)
Other versions
CN114819412A (zh
Inventor
吴昊
张龙
李霞
吴迪
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.)
Shenzhen University
Original Assignee
Shenzhen 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 Shenzhen University filed Critical Shenzhen University
Priority to CN202210715646.2A priority Critical patent/CN114819412B/zh
Publication of CN114819412A publication Critical patent/CN114819412A/zh
Application granted granted Critical
Publication of CN114819412B publication Critical patent/CN114819412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/80—Exchanging energy storage elements, e.g. removable batteries
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明属于新能源汽车领域，具体涉及基于指导式可行解修正遗传算法的多换电站配置优化方法。该方法包括：建立多换电站配置优化模型，定义最佳综合负载以及目标函数；根据所述目标函数进行构建指导因子为修正算法提供指导，基于所述修正算法提出基于指导式可行解修正遗传算法；基于指导式可行解修正的遗传算法对多个换电站电池数量的优化，确定最优的适应度值，得到最终算法的性能与多换电站配置优化结果。本发明可以优化各个换电站中的电池数量进而缓解换电站资源的浪费以及换电站服务效率低下的问题，可以使不满足约束的个体向好的方向进行调整，利于解决个体基因和为定值的优化问题。

Description

基于指导式可行解修正遗传算法的多换电站配置优化方法
技术领域
本发明属于新能源汽车领域，涉及一种面向新能源汽车多换电站配置优化的指导式可行解修正遗传算法，具体涉及一种基于指导式可行解修正遗传算法的多换电站配置优化方法。
背景技术
在我国新能源汽车产业高速发展的重要时期，为其制定合理、优化、智能的电能补充方案是一个亟待解决的问题。换电站作为传统充电站的替代和补充模式，可在数分钟内完成对电量补充，缓解充电时间长、里程焦虑、停车占位等问题。换电站模式已在国内外有所尝试，但出于商业模式、接受度、建设及营运成本等方面考虑，从需求调度、电池管理、盈利模式、选址定容等环节均处在探索阶段。
换电站中电池的数量决定着换电站的运营成本与服务质量，电池数量较少会造成用户排队的等待时间较长，电池数量较多会造成电池资源的浪费，所以对换电站的配置亟需进行优化。
目前新能源汽车换电站虽然已经广泛应用，但现有的换电站在建设初期，对于换电站储备电池数量的设置，采用了固定的方式，即尚未充分考虑该电池数量是否可以满足未来换电站的服务情况。另外，对于现有换电站，尚无决策优化方法可以对换电站的电池数量进行动态调整，来最大化换电站的运营收入，并减少对车主的服务影响。考虑到未来新能源汽车产业的持续发展，在不增加换电站运营成本的情况下，如何提高换电站的服务水平和运营收入，制定面向多换电站配置优化的模型，以及对该模型求解算法的研究具有重要的实际意义和研究价值。
发明内容
为了对现有换电站进行优化，本发明构建了一种多换电站配置优化模型。为了对该模型求解，本发明提出了一种基于指导式可行解修正遗传算法。按照本发明分析方法对现有换电站可以进行配置优化，同时提出了一种基于指导式可行解修正的遗传算法。
本发明采用以下技术方案实现：
一种基于指导式可行解修正遗传算法的多换电站配置优化方法，包括以下步骤：
建立多换电站配置优化模型，根据所述多换电站配置优化模型定义最佳综合负载以及定义多换电站配置优化模型的目标函数；
根据所述目标函数进行构建指导因子，所述指导因子为修正算法提供指导，基于所述修正算法提出基于指导式可行解修正遗传算法；
基于指导式可行解修正的遗传算法对多个换电站电池数量的优化，确定最优的适应度值，得到最终算法的性能与多换电站配置优化结果。
作为本发明的进一步方案，所述最佳综合负载表征换电站的运营情况以及用户的服务满意度，最佳综合负载
Figure 404024DEST_PATH_IMAGE001
。
作为本发明的进一步方案，所述基于指导式可行解修正遗传算法的多换电站配置优化方法还包括保留负载，所述保留负载为
Figure 208120DEST_PATH_IMAGE002
，所述保留负载用于满足额外的交换需求。
作为本发明的进一步方案，所述目标函数用于通过改变各个换电站中电池的数量使多个换电站的综合负载趋于最佳综合负载，在优化过程中保持多个换电站总的电池数量不变；所述换电站配置优化模型的目标函数
Figure 577922DEST_PATH_IMAGE003
为：
Figure 734096DEST_PATH_IMAGE004
式中，
Figure 531151DEST_PATH_IMAGE005
是换电站s中电池的数量；
Figure 139987DEST_PATH_IMAGE006
是最佳综合负载；
Figure 47900DEST_PATH_IMAGE007
是换电站s中电池数量为
Figure 996265DEST_PATH_IMAGE005
时的综合负载；
Figure 964221DEST_PATH_IMAGE008
是换电站的总数量；
Figure 60353DEST_PATH_IMAGE009
是在
Figure 771957DEST_PATH_IMAGE010
个换电站中原有电池的总数量。
作为本发明的进一步方案，多换电站配置优化目标函数
Figure 902724DEST_PATH_IMAGE003
的计算步骤包括：
步骤11）计算换电站s中电池数量为
Figure 228532DEST_PATH_IMAGE011
时的综合负载
Figure 546381DEST_PATH_IMAGE012
；
步骤12）计算综合负载
Figure 61676DEST_PATH_IMAGE012
与最佳综合负载
Figure 46949DEST_PATH_IMAGE006
差值的绝对值；
步骤13）计算步骤12）中的绝对值与最佳综合负载
Figure 356708DEST_PATH_IMAGE006
的比值，1减去该比值即可得到换电站s的负载优化函数；
步骤14）计算所有换电站的负载优化函数，并求累加和，最后求平均即可得到多换电站配置优化目标函数
Figure 161853DEST_PATH_IMAGE003
。
作为本发明的进一步方案，所述指导因子
Figure 152942DEST_PATH_IMAGE013
的定义为：
Figure 992722DEST_PATH_IMAGE014
式中，
Figure 473382DEST_PATH_IMAGE015
是换电站s的综合负载；
Figure 31403DEST_PATH_IMAGE016
是电池数量增加或减少1之后换电站s的综合负载；
Figure 622921DEST_PATH_IMAGE006
是最佳负载，最佳综合负载为
Figure 582787DEST_PATH_IMAGE017
。
作为本发明的进一步方案，所述指导因子
Figure 922763DEST_PATH_IMAGE013
的计算步骤包括：
步骤21）计算换电站s的综合负载
Figure 702501DEST_PATH_IMAGE015
与最佳综合负载
Figure 97710DEST_PATH_IMAGE018
差值的绝对值；
步骤22）计算换电站s电池数量变化后的综合负载
Figure 912082DEST_PATH_IMAGE016
与最佳综合负载
Figure 734545DEST_PATH_IMAGE019
差值的绝对值；
步骤23）计算步骤21）中绝对值与步骤22）中绝对值的差值即可得到指导因子
Figure 1578DEST_PATH_IMAGE020
。
作为本发明的进一步方案，所述修正算法包括修正步骤和伪代码，修正算法的修正步骤包括：
步骤31）判断交叉或变异后的个体是否满足约束条件，若满足，该个体即为遗传到下一代的个体；否则进入步骤32）；
步骤32）判断个体是否大于约束条件，若个体大于约束条件，进入步骤33）；否则进入步骤34）；
步骤33）计算个体每个基因的综合负载
Figure 138161DEST_PATH_IMAGE015
，将个体各个基因均减1，把3赋值给小于3的基因，计算其每个基因的综合负载
Figure 807040DEST_PATH_IMAGE016
与指导因子
Figure 800404DEST_PATH_IMAGE013
，选取
Figure 554733DEST_PATH_IMAGE021
最大值对应的索引，对相应的基因减少1并返回步骤31）；
步骤34）计算个体每个基因的综合负载
Figure 557324DEST_PATH_IMAGE015
，将个体各个基因均加1，把15赋值给大于15的基因，计算其负载
Figure 80709DEST_PATH_IMAGE016
与指导因子
Figure 431925DEST_PATH_IMAGE013
，选取
Figure 673551DEST_PATH_IMAGE013
最大值对应的索引，对相应的基因增加1并返回步骤31）。
作为本发明的进一步方案，所述指导式可行解修正遗传算法中遗传操作采用锦标赛选择策略、两点交叉策略、单点变异策略，所述修正算法对交叉或者变异后的个体进行指导式调整以满足约束；
所述锦标赛选择策略：指每次从种群中取出一定数量的个体，取出的个体放回抽样，然后选择最佳个体进入子代种群，重复操作，直到新的种群规模达到原来的种群规模；
所述两点交叉策略：指在个体染色体中随机设置了两个交叉点，然后再进行部分基因交换；
所述单点变异策略：指对相应的基因值采用取值范围内的其他随机值代替。
作为本发明的进一步方案，选择最佳个体进入子代种群的方法，包括：
步骤41)确定每次选择的个体数量n；
步骤42)从种群中随机选择n个个体，根据每个个体的适应度值，选择其中适应度值最好的个体进入下一代种群；
步骤43)重复步骤42)NP次，重复次数为种群的大小，直到新的种群规模达到原来的种群规模。
本发明提供的技术方案，具有如下有益效果：
本发明通过构建多换电站配置优化模型，在不增加成本的情况下可以优化各个换电站中的电池数量，进而缓解换电站资源的浪费以及换电站服务效率低下的问题；本发明定义了指导因子，为修正个体提供了指导，可以使不满足约束的个体向好的方向进行调整；本发明还提出了修正算法并将其与遗传算法结合，利于解决个体基因和为定值的优化问题。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的一种基于指导式可行解修正遗传算法的多换电站配置优化方法的流程图。
图2为本发明一个实施例中基于指导式可行解修正遗传算法的多换电站配置优化方法中交叉示意图。
图3为本发明一个实施例的基于指导式可行解修正遗传算法的多换电站配置优化方法中变异示意图。
图4为本发明一个实施例的基于指导式可行解修正遗传算法的多换电站配置优化方法中修正算法的图例示意图。
图5为本发明一个实施例的基于指导式可行解修正遗传算法的多换电站配置优化方法中算法的收敛性示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供了一种面向新能源汽车多换电站配置优化的指导式可行解修正遗传算法该方法包括如下步骤：
步骤一：建立多换电站配置优化模型；该步骤包括以下子步骤:
步骤11）：定义最佳综合负载，最佳综合负载决定着换电站的运营情况以及用户的服务满意度。当最佳综合负载较低时，虽然用户的换电请求都可以满足，但是存在大量电池处于冗余状态，造成资源的浪费；当最佳综合负载较高时，虽然电池能够充分的利用，但是大量用户的换电请求无法得到满足，造成用户的服务满意度较低。综上所述，本发明最佳综合负载
Figure 214253DEST_PATH_IMAGE022
，保留负载
Figure 592145DEST_PATH_IMAGE023
用于满足额外的交换需求。
步骤12）：定义多换电站配置优化模型的目标函数。该目标函数目的是通过改变各个换电站中电池的数量使多个换电站的综合负载尽可能接近最佳综合负载，并且在优化过程中保持多个换电站总的电池数量不变。
步骤二：提出基于指导式可行解修正遗传算法。该步骤包括以下子步骤：
步骤21）：定义指导因子为修正算法提供指导。指导因子根据目标函数进行构建，目的是使不满足约束的个体向好的方向进行调整。
步骤22）：提出修正算法：包括修正步骤和修正算法的伪代码。修正步骤详细的说明了个体的修正过程，主要通过指导因子
Figure 192891DEST_PATH_IMAGE024
对基因进行相应的调整；修正算法伪代码提供了修正算法的代码步骤。
步骤23）：基于修正算法提出基于指导式可行解修正遗传算法。遗传操作主要采用了锦标赛选择策略、两点交叉策略、单点变异策略，考虑到个体要满足约束，故提出了修正算法对交叉或者变异后的个体进行指导式调整使其满足约束。
步骤三：得到最终多换电站配置优化结果。
下面结合具体实施例对本发明的技术方案作进一步的说明：
参阅图1所示，图1为本发明提供的一种基于指导式可行解修正遗传算法的多换电站配置优化方法的流程图。本发明提供的一种基于指导式可行解修正遗传算法的多换电站配置优化方法，该方法包括如下步骤：
步骤S10、建立多换电站配置优化模型，根据所述多换电站配置优化模型定义最佳综合负载以及定义多换电站配置优化模型的目标函数;
步骤S20、根据所述目标函数进行构建指导因子，所述指导因子为修正算法提供指导，基于所述修正算法提出基于指导式可行解修正遗传算法;
步骤S30、基于指导式可行解修正的遗传算法对多个换电站电池数量的优化，确定最优的适应度值，得到最终算法的性能与多换电站配置优化结果。
在本申请的一些实施例中，建立多换电站配置优化模型时，定义最佳综合负载。最佳综合负载决定着换电站的运营情况以及用户的服务满意度。当最佳综合负载较低时，虽然用户的换电请求都可以满足，但是存在大量电池处于冗余状态，造成资源的浪费；当最佳综合负载较高时，虽然电池能够充分的利用，但是大量用户的换电请求无法得到满足，造成用户的服务满意度较低。在本申请的实施例中，本发明最佳综合负载
Figure 656233DEST_PATH_IMAGE025
，保留负载
Figure 938310DEST_PATH_IMAGE026
用于满足额外的交换需求。
在本申请的一些实施例中，定义多换电站配置优化模型的目标函数。该目标函数目的是通过改变各个换电站中电池的数量使多个换电站的综合负载尽可能接近最佳综合负载，并且在优化过程中保持多个换电站总的电池数量不变。多换电站配置优化模型的目标函数
Figure 170708DEST_PATH_IMAGE027
定义包括：
Figure 942355DEST_PATH_IMAGE028
式中，
Figure 892994DEST_PATH_IMAGE029
是换电站s中电池的数量；
Figure 775499DEST_PATH_IMAGE030
是最佳综合负载；
Figure 127983DEST_PATH_IMAGE031
是换电站s中电池数量为
Figure 758947DEST_PATH_IMAGE029
时的综合负载；
Figure 196881DEST_PATH_IMAGE032
是换电站的总数量；
Figure 883077DEST_PATH_IMAGE009
是在
Figure 90068DEST_PATH_IMAGE032
个换电站中原有电池的总数量。
其中，多换电站配置优化目标函数
Figure 203517DEST_PATH_IMAGE027
的计算步骤包括：
步骤11）计算换电站s中电池数量为
Figure 66431DEST_PATH_IMAGE029
时的综合负载
Figure 290739DEST_PATH_IMAGE033
；
步骤12）计算综合负载
Figure 617815DEST_PATH_IMAGE033
与最佳综合负载
Figure 636587DEST_PATH_IMAGE030
差值的绝对值；
步骤13）计算步骤12）中的绝对值与最佳综合负载
Figure 49114DEST_PATH_IMAGE030
的比值，1减去该比值即可得到换电站s的负载优化函数；
步骤14）计算所有换电站的负载优化函数，并求累加和，最后求平均即可得到多换电站配置优化目标函数
Figure 77112DEST_PATH_IMAGE027
。
在本申请的一些实施例中，提出基于指导式可行解修正遗传算法时，包括定义指导因子为修正算法提供指导。指导因子根据目标函数进行构建，目的是使不满足约束的个体向好的方向进行调整。指导因子
Figure 445646DEST_PATH_IMAGE034
定义包括：
Figure 900898DEST_PATH_IMAGE014
式中
Figure 535142DEST_PATH_IMAGE035
是换电站s的综合负载；
Figure 101252DEST_PATH_IMAGE036
是电池数量增加或减少1之后换电站s的综合负载；
Figure 402920DEST_PATH_IMAGE037
是最佳负载，在这里取值为
Figure 29074DEST_PATH_IMAGE038
。
所述指导因子
Figure 88297DEST_PATH_IMAGE039
的计算步骤包括：
步骤21）计算换电站s的综合负载
Figure 458098DEST_PATH_IMAGE040
与最佳综合负载
Figure 614273DEST_PATH_IMAGE041
差值的绝对值；
步骤22）计算换电站s电池数量变化后的综合负载
Figure 411328DEST_PATH_IMAGE042
与最佳综合负载
Figure 20164DEST_PATH_IMAGE043
差值的绝对值；
步骤23）计算步骤21）中绝对值与步骤22）中绝对值的差值即可得到指导因子
Figure 928077DEST_PATH_IMAGE044
。
在本申请的一些实施例中，提出修正算法：包括修正步骤和修正算法的伪代码。修正算法用于对交叉操作或者变异操作后的个体进行调整。修正步骤详细的说明了个体的修正过程，主要通过指导因子
Figure 627174DEST_PATH_IMAGE044
对基因进行相应的调整；修正算法伪代码提供了修正算法的代码步骤；并通过一个示例介绍修正算法。
在本申请的实施例中，所述修正算法的修正步骤包括：
步骤31）判断交叉或变异后的个体是否满足约束条件，若满足，该个体即为遗传到下一代的个体；否则进入步骤32）；
步骤32）判断个体是否大于约束条件，若个体大于约束条件，进入步骤33）；否则进入步骤34）；
步骤33）计算个体每个基因的综合负载
Figure 595130DEST_PATH_IMAGE040
，将个体各个基因均减1，把3赋值给小于3的基因，计算其每个基因的综合负载
Figure 691262DEST_PATH_IMAGE045
与指导因子
Figure 402866DEST_PATH_IMAGE044
，选取
Figure 268053DEST_PATH_IMAGE044
最大值对应的索引，对相应的基因减少1并返回步骤31）；
步骤34）计算个体每个基因的综合负载
Figure 406911DEST_PATH_IMAGE040
，将个体各个基因均加1，把15赋值给大于15的基因，计算其负载
Figure 928022DEST_PATH_IMAGE045
与指导因子
Figure 443317DEST_PATH_IMAGE044
，选取
Figure 163011DEST_PATH_IMAGE044
最大值对应的索引，对相应的基因增加1并返回步骤31）。
其中，修正算法的伪代码包括：
输入：交叉或变异后的个体：sol；在
Figure 472770DEST_PATH_IMAGE046
个换电站中原有电池的总数量：
Figure 543494DEST_PATH_IMAGE047
；最佳负载：
Figure 596901DEST_PATH_IMAGE048
输出：修正后满足约束的个体：sol
Figure 623631DEST_PATH_IMAGE049
基因总和不等于
Figure 104291DEST_PATH_IMAGE050
Figure 662312DEST_PATH_IMAGE051
基因总和大于
Figure 253830DEST_PATH_IMAGE052
Figure 948116DEST_PATH_IMAGE053
Figure 802940DEST_PATH_IMAGE054
Figure 582677DEST_PATH_IMAGE055
Figure 977886DEST_PATH_IMAGE056
Figure 792259DEST_PATH_IMAGE057
Figure 614721DEST_PATH_IMAGE058
的最大值在G中的索引
Figure 881754DEST_PATH_IMAGE059
Figure 763211DEST_PATH_IMAGE060
Figure 432090DEST_PATH_IMAGE061
Figure 425453DEST_PATH_IMAGE056
Figure 179783DEST_PATH_IMAGE062
Figure 916795DEST_PATH_IMAGE063
的最大值在G中的索引
Figure 440180DEST_PATH_IMAGE064
在本申请的实施例中，该算法的一个修正例子如图4所示。该例子从表2前5个换电站优化的过程中选取，其中父代的一条染色体为[7,15,6,8,11],经过交叉操作后的染色体为[7,14,10,8,11],该染色体基因的总和变为50，父代染色体的基因总和与其相差-3，即需要对该染色体的基因总和减少3；计算该染色体各个基因的综合负载
Figure 807707DEST_PATH_IMAGE015
，将该染色体各个基因均减1，把3赋值给小于3的基因，即[6,13,9,7,10],计算其各个基因的综合负载
Figure 49333DEST_PATH_IMAGE065
,根据公式计算指导因子
Figure 324456DEST_PATH_IMAGE066
，即[0.11,0.02,-0.16,-0.99,-0.04]，由
Figure 967927DEST_PATH_IMAGE066
可知第一个为其最大值；故第一次的指导修正是对第一个基因减少1；之后经过计算指导因子
Figure 303094DEST_PATH_IMAGE066
，均对染色体的第二个基因减少1，总共经过三次指导修正，最终得到修正后遗传到下一代的染色体[6,12,10,8,11]。对于经过变异操作后的染色体其指导修正步骤相同。
在本申请的实施例中，基于修正算法提出基于指导式可行解修正遗传算法。遗传操作主要采用了锦标赛选择策略、两点交叉策略、单点变异策略，考虑到个体要满足约束，故提出了修正算法对交叉或者变异后的个体进行指导式调整使其满足约束。
1）获取种群。在这里随机产生NP个可行解作为第一代种群，可行解产生的方法为：先随机产生一组数，这组数中元素的个数与换电站数量保持一致，而且这组数的大小均不小于3不大于15，当这组数的和满足约束条件（和等于要优化换电站的总电池数量）时即为可行解，一直产生NP个可行解即可得到第一代种群。
2）计算适应度。将多换电站配置优化目标函数
Figure 32015DEST_PATH_IMAGE027
作为遗传算法的适应度函数，适应度函数越大代表个体的适应度越强，遗传到下一代的可能性就越大。
适应度函数
Figure 297780DEST_PATH_IMAGE067
包括所示：
Figure 795758DEST_PATH_IMAGE068
3）选择操作。选择操作采用了锦标赛选择策略：每次从种群中取出一定数量的个体（放回抽样），然后选择其中最好的一个进入子代种群。重复该操作，直到新的种群规模达到原来的种群规模。几元锦标赛就是一次性在总体中取出几个个体，然后在这些个体中取出最优的个体放入保留到下一代种群中。具体的操作步骤包括：
步骤41)确定每次选择的个体数量n；
步骤42)从种群中随机选择n个个体，根据每个个体的适应度值，选择其中适应度值最好的个体进入下一代种群；
步骤43)重复步骤42)NP次，重复次数为种群的大小，直到新的种群规模达到原来的种群规模。
4）交叉操作。交叉操作采用了两点交叉策略，两点交叉是指在个体染色体中随机设置了两个交叉点，然后再进行部分基因交换。交叉操作示意图如图2所示，两点交叉的具体操作过程是：
①在相互配对的两个个体编码串中随机设置两个交叉点；
②交换两个个体在所设定的两个交叉点之间的部分染色体。
5）变异操作。变异操作采用了对相应的基因值用取值范围内的其他随机值代替的措施。变异操作示意图如图3所示（取值范围为[1，9]）。
在本申请的一些实施例中，得到最终算法的性能与多换电站配置优化结果。
对于多个换电站电池数量的优化，不仅要满足电池的数量最多不超过15块，最少不超过3块，而且总的电池数量也要保持不变。
对于11座换电站电池数量的优化，其算法的收敛性如图5所示，其中每次迭代的适应度值通过计算50次的平均值获得。基于指导式可行解修正的遗传算法可以找到最大的适应度值（0.8659），而且收敛的速度很快，一般在四代即可收敛，说明了所提出的算法的有效性。
在本申请的实施例中，对11座换电站的电池数量进行了优化，为了去除偶然性，该算法被重复运行了50次，并且每次运行时保持算法的初始种群一致，记录了每次的最佳适应度值、收敛时的代数以及运行时间，并且用标准差来衡量算法的鲁棒性。11个换电站配置优化的算法效果见表1以及11个换电站配置优化结果见表2所示。
Figure 567405DEST_PATH_IMAGE069
Figure 518043DEST_PATH_IMAGE070
从表1可以看出算法对11座换电站的优化效果。对于11座换电站配置的优化，由于其满足约束条件的可行解的数量达到几百亿以上，所以采用了遗传算法进行求解。所提出的指导式可行解修正遗传算法能找到较优解，而且稳定行很好，算法的收敛速度就快，其算法的平均收敛时的代数基本在4代就可以收敛。
从表2可以看出，一些存在电池冗余的换电站（负载较低）优化之后解决了因电池冗余而造成的资源浪费的问题；一些存在用户等待时间较长问题的换电站（负载较高）也得到了缓解。
综上所述，本发明通过构建多换电站配置优化模型，在不增加成本的情况下可以优化各个换电站中的电池数量，进而缓解换电站资源的浪费以及换电站服务效率低下的问题；本发明定义了指导因子，为修正个体提供了指导，可以使不满足约束的个体向好的方向进行调整；本发明还提出了修正算法并将其与遗传算法结合，利于解决个体基因和为定值的优化问题。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于指导式可行解修正遗传算法的多换电站配置优化方法，其特征在于，包括：
建立多换电站配置优化模型，根据所述多换电站配置优化模型定义最佳综合负载以及定义多换电站配置优化模型的目标函数；
根据所述目标函数进行构建指导因子，所述指导因子为修正算法提供指导，基于所述修正算法提出基于指导式可行解修正遗传算法；
基于指导式可行解修正的遗传算法对多个换电站电池数量的优化，确定最优的适应度值，得到最终算法的性能与多换电站配置优化结果；
其中，所述目标函数用于通过改变各个换电站中电池的数量使多个换电站的综合负载趋于最佳综合负载，在优化过程中保持多个换电站总的电池数量不变；所述换电站配置优化模型的目标函数
Figure 25349DEST_PATH_IMAGE001
为：
Figure 761093DEST_PATH_IMAGE002
式中，
Figure 849134DEST_PATH_IMAGE003
是换电站s中电池的数量；
Figure 116168DEST_PATH_IMAGE004
是最佳综合负载；
Figure 49489DEST_PATH_IMAGE005
是换电站s中电池数量为
Figure 718367DEST_PATH_IMAGE006
时的综合负载；
Figure 977310DEST_PATH_IMAGE007
是换电站的总数量；
Figure 403744DEST_PATH_IMAGE008
是在
Figure 406335DEST_PATH_IMAGE009
个换电站中原有电池的总数量；
所述指导因子
Figure 929720DEST_PATH_IMAGE010
的定义为：
Figure 93985DEST_PATH_IMAGE011
式中，
Figure 335610DEST_PATH_IMAGE012
是换电站s的综合负载；
Figure 876313DEST_PATH_IMAGE013
是电池数量增加或减少1之后换电站s的综合负载；
Figure 942620DEST_PATH_IMAGE014
是最佳综合 负载，最佳综合负载为
Figure 543366DEST_PATH_IMAGE015
；
其中，所述修正算法的修正步骤包括：
步骤31）判断交叉或变异后的个体是否满足约束条件，若满足，该个体即为遗传到下一代的个体；否则进入步骤32）；
步骤32）判断个体是否大于约束条件，若个体大于约束条件，进入步骤33）；否则进入步骤34）；
步骤33）计算个体每个基因的综合负载
Figure 6708DEST_PATH_IMAGE016
，将个体各个基因均减1，把3赋值给小于3的基因，计算其每个基因的综合负载
Figure 351102DEST_PATH_IMAGE017
与指导因子
Figure 849080DEST_PATH_IMAGE018
，选取
Figure 355147DEST_PATH_IMAGE018
最大值对应的索引，对相应的基因减少1并返回步骤31）；
步骤34）计算个体每个基因的综合负载
Figure 509048DEST_PATH_IMAGE016
，将个体各个基因均加1，把15赋值给大于15的基因，计算其综合 负载
Figure 391553DEST_PATH_IMAGE017
与指导因子
Figure 744037DEST_PATH_IMAGE018
，选取
Figure 421006DEST_PATH_IMAGE018
最大值对应的索引，对相应的基因增加1并返回步骤31）。
2.如权利要求1所述的基于指导式可行解修正遗传算法的多换电站配置优化方法，其特征在于：所述最佳综合负载表征换电站的运营情况以及用户的服务满意度，最佳综合负载
Figure 858941DEST_PATH_IMAGE019
。
3.如权利要求2所述的基于指导式可行解修正遗传算法的多换电站配置优化方法，其特征在于：所述基于指导式可行解修正遗传算法的多换电站配置优化方法还包括保留负载，所述保留负载为
Figure 732088DEST_PATH_IMAGE020
，所述保留负载用于满足额外的交换需求。
4.如权利要求1所述的基于指导式可行解修正遗传算法的多换电站配置优化方法，其特征在于：多换电站配置优化目标函数
Figure 939078DEST_PATH_IMAGE001
的计算步骤包括：
步骤11）计算换电站s中电池数量为
Figure 52528DEST_PATH_IMAGE021
时的综合负载
Figure 977758DEST_PATH_IMAGE005
；
步骤12）计算综合负载
Figure 202066DEST_PATH_IMAGE005
与最佳综合负载
Figure 529143DEST_PATH_IMAGE004
差值的绝对值；
步骤13）计算步骤12）中的绝对值与最佳综合负载
Figure 751176DEST_PATH_IMAGE004
的比值，1减去该比值即可得到换电站s的负载优化函数；
步骤14）计算所有换电站的负载优化函数，并求累加和，最后求平均即可得到多换电站配置优化目标函数
Figure 898124DEST_PATH_IMAGE001
。
5.如权利要求4所述的基于指导式可行解修正遗传算法的多换电站配置优化方法，其特征在于：所述指导因子
Figure 926123DEST_PATH_IMAGE010
的计算步骤包括：
步骤21）计算换电站s的综合负载
Figure 107706DEST_PATH_IMAGE016
与最佳综合负载
Figure 562958DEST_PATH_IMAGE022
差值的绝对值；
步骤22）计算换电站s电池数量变化后的综合负载
Figure 462781DEST_PATH_IMAGE017
与最佳综合负载
Figure 711447DEST_PATH_IMAGE023
差值的绝对值；
步骤23）计算步骤21）中绝对值与步骤22）中绝对值的差值即可得到指导因子
Figure 747536DEST_PATH_IMAGE010
。
6.如权利要求1所述的基于指导式可行解修正遗传算法的多换电站配置优化方法，其特征在于：所述指导式可行解修正遗传算法中遗传操作采用锦标赛选择策略、两点交叉策略、单点变异策略，所述修正算法对交叉或者变异后的个体进行指导式调整以满足约束；
所述锦标赛选择策略：指每次从种群中取出一定数量的个体，取出的个体放回抽样，然后选择最佳个体进入子代种群，重复操作，直到新的种群规模达到原来的种群规模；
所述两点交叉策略：指在个体染色体中随机设置了两个交叉点，然后再进行部分基因交换；
所述单点变异策略：指对相应的基因值采用取值范围内的其他随机值代替。
7.如权利要求6所述的基于指导式可行解修正遗传算法的多换电站配置优化方法，其特征在于：选择最佳个体进入子代种群的方法，包括：
步骤41)确定每次选择的个体数量n；
步骤42)从种群中随机选择n个个体，根据每个个体的适应度值，选择其中适应度值最好的个体进入下一代种群；
步骤43)重复步骤42)NP次，重复次数为种群的大小，直到新的种群规模达到原来的种群规模。
CN202210715646.2A 2022-06-23 2022-06-23 基于指导式可行解修正遗传算法的多换电站配置优化方法 Active CN114819412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210715646.2A CN114819412B (zh) 2022-06-23 2022-06-23 基于指导式可行解修正遗传算法的多换电站配置优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210715646.2A CN114819412B (zh) 2022-06-23 2022-06-23 基于指导式可行解修正遗传算法的多换电站配置优化方法

Publications (2)

Publication Number Publication Date
CN114819412A CN114819412A (zh) 2022-07-29
CN114819412B true CN114819412B (zh) 2022-09-09

Family

ID=82520843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210715646.2A Active CN114819412B (zh) 2022-06-23 2022-06-23 基于指导式可行解修正遗传算法的多换电站配置优化方法

Country Status (1)

Country Link
CN (1) CN114819412B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114987262B (zh) * 2022-08-03 2022-10-28 深圳大学 一种基于多类型电池的换电站动态充电排程方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915472A (zh) * 2012-10-30 2013-02-06 南京软核科技有限公司 基于基因修复混沌遗传算法的配电网综合优化规划方法
CN103241130A (zh) * 2013-04-10 2013-08-14 华中科技大学 一种电动公交车充换电站的能量管理方法及系统
CN105244941A (zh) * 2015-09-28 2016-01-13 国网山东省电力公司济南供电公司 基于线性潮流模型求解的电动汽车充换电站有序充电方法
CN110084443A (zh) * 2019-05-23 2019-08-02 哈尔滨工业大学 一种基于qpso优化算法的换电站运行优化模型分析方法
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
CN112200367A (zh) * 2020-10-09 2021-01-08 河北工业大学 一种支持充放电策略的电动汽车配送路径优化方法
CN113536209A (zh) * 2021-09-17 2021-10-22 深圳大学 换电站定容分析方法、系统、计算机设备及存储介质
CN114118536A (zh) * 2021-11-08 2022-03-01 国网重庆市电力公司营销服务中心 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
CN114418193A (zh) * 2021-12-29 2022-04-29 天津大学 一种面向办公建筑的电动汽车充电设施优化配置方法
CN114548564A (zh) * 2022-02-24 2022-05-27 深圳大学 电池配送路径优化方法、装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663564A (zh) * 2012-04-23 2012-09-12 中国电力技术装备有限公司北京分公司 电池集中充电、集中调配的一体化调度系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915472A (zh) * 2012-10-30 2013-02-06 南京软核科技有限公司 基于基因修复混沌遗传算法的配电网综合优化规划方法
CN103241130A (zh) * 2013-04-10 2013-08-14 华中科技大学 一种电动公交车充换电站的能量管理方法及系统
CN105244941A (zh) * 2015-09-28 2016-01-13 国网山东省电力公司济南供电公司 基于线性潮流模型求解的电动汽车充换电站有序充电方法
CN110084443A (zh) * 2019-05-23 2019-08-02 哈尔滨工业大学 一种基于qpso优化算法的换电站运行优化模型分析方法
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
CN112200367A (zh) * 2020-10-09 2021-01-08 河北工业大学 一种支持充放电策略的电动汽车配送路径优化方法
CN113536209A (zh) * 2021-09-17 2021-10-22 深圳大学 换电站定容分析方法、系统、计算机设备及存储介质
CN114118536A (zh) * 2021-11-08 2022-03-01 国网重庆市电力公司营销服务中心 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
CN114418193A (zh) * 2021-12-29 2022-04-29 天津大学 一种面向办公建筑的电动汽车充电设施优化配置方法
CN114548564A (zh) * 2022-02-24 2022-05-27 深圳大学 电池配送路径优化方法、装置、计算机设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Optimal dispatching strategy for shared battery station of electric vehicle by divisional battery control;Jie Yang,etc;《IEEE Access ( Volume: 7)》;20190320;第7卷;第38224-38235页 *
自动化集装箱码头AGV调度与换电双层模型求解;赵涛 等;《大连理工大学学报》;20211231;第61卷(第6期);第623-633页 *
面向多站融合的储能容量优化配置模型及方法;刘新萌 等;《供用电》;20220430;第39卷(第4期);第93-99页 *

Also Published As

Publication number Publication date
CN114819412A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Salinas et al. Multi-objective optimal energy consumption scheduling in smart grids
CN113394817A (zh) 一种风光水火储系统的多能容量优化配置方法
CN105811409B (zh) 一种含电动汽车混合储能系统的微网多目标运行调度方法
Yang et al. Optimal dispatching strategy for shared battery station of electric vehicle by divisional battery control
CN114819412B (zh) 基于指导式可行解修正遗传算法的多换电站配置优化方法
CN110429649A (zh) 考虑灵活性的高渗透率可再生能源集群划分方法
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
CN114336702A (zh) 基于双层随机规划的风光储场站群功率分配协同优化方法
Zhang et al. Joint planning of distributed PV stations and EV charging stations in the distribution systems based on chance-constrained programming
CN115829114A (zh) 一种多目标优化的能源管理方法、装置及存储介质
Li et al. Multiobjective optimization configuration of a prosumer’s energy storage system based on an improved fast nondominated sorting genetic algorithm
CN114462854A (zh) 含新能源和电动汽车并网的分层调度方法及其系统
CN113052498B (zh) 基于综合能源系统的电转气两阶段转化装置调度方法
CN117013552A (zh) 一种电力交通耦合网协同运行策略
CN110635486B (zh) 一种计及配电网络约束条件的负荷调频优化调度方法
CN113488990B (zh) 基于改进的蝙蝠算法的微电网优化调度方法
CN115293495A (zh) 一种基于动态参与因子的调度指令分解方法和能源控制器
CN114329783A (zh) 一种多目标电动汽车充电网络规划方法
CN111199311A (zh) 一种居民区充电设施功率优化方法
CN112069676A (zh) 一种含清洁能源的微电网能量管理方法
CN111290853A (zh) 一种基于自适应改进遗传算法的云数据中心调度方法
CN114056184B (zh) 一种降成本增寿命的复合电池能量控制方法
CN113783213B (zh) 一种集中式储能电站选址定容两阶段优化方法
Chen et al. A multi-objective joint planning of transmission channel and energy storage system considering economy and flexibility
CN115907488A (zh) 考虑用户积极性的新能源微电网多层级车网协同优化方法

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
GR01 Patent grant
GR01 Patent grant