CN115271317A - 充电站规划方法及相关设备 - Google Patents

充电站规划方法及相关设备 Download PDF

Info

Publication number
CN115271317A
CN115271317A CN202210629332.0A CN202210629332A CN115271317A CN 115271317 A CN115271317 A CN 115271317A CN 202210629332 A CN202210629332 A CN 202210629332A CN 115271317 A CN115271317 A CN 115271317A
Authority
CN
China
Prior art keywords
charging
charging station
planning
clustering
capacity
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
CN202210629332.0A
Other languages
English (en)
Inventor
袁帅
王喜伟
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.)
Beijing Zhongdian Feihua Communication Co Ltd
Original Assignee
Beijing Zhongdian Feihua Communication Co Ltd
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 Beijing Zhongdian Feihua Communication Co Ltd filed Critical Beijing Zhongdian Feihua Communication Co Ltd
Priority to CN202210629332.0A priority Critical patent/CN115271317A/zh
Publication of CN115271317A publication Critical patent/CN115271317A/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
    • G06Q10/06—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
    • 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
    • B60L53/30—Constructional details of charging stations
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本申请提供一种充电站规划方法及相关设备。所述方法包括：根据待规划区域的交通流量和停车场开放指数，拟合电动汽车在所述待规划区域的充电需求的空间分布数据点集合；根据所述空间分布数据点集合，利用密度峰值聚类方法确定多种备选聚类群簇划分方式；计算所述多种备选聚类群簇划分方式各自的总轮廓系数；选取所述多种备选聚类群簇划分方式中与所述总轮廓系数中的最大值对应的一种备选聚类群簇划分方式，作为目标聚类群簇划分方式；将所述目标聚类群簇划分方式下的一个或多个聚类中心作为充电站的一个或多个规划地址。本申请的实施例可以结合道路交通流量以及停车场开放指数实现充电站的合理规划。

Description

充电站规划方法及相关设备
技术领域
本申请涉及电力规划技术，尤其涉及一种充电站规划方法及相关设备。
背景技术
随着现代化城市进程加快，带来了资源短缺和环境污染等问题，制约着我国经济的快速健康发展。目前我国汽车行业在汽车的生产使用上做出了很大的改进，减少汽车的耗油量或者用以天然气为代表的新能源替代石油作为主要的汽车燃料等，都是改善汽车耗油量巨大并且降低产生空气污染的措施。根据国家颁布的新能源汽车相关政策，在未来，混合动力汽车和纯电动汽车将会是人们主要交通工具，替代高污染、高成本的燃油汽车的位置。
日益突出的环境污染和能源紧缺问题给电动汽车行业带来前所未有的机遇和挑战，与此同时电动汽车的发展需要完善的配套充电设施做支撑。因此，电动汽车充电站的规划是电动汽车发展的核心部分，也为后期电动汽车推广普及提供保障。汽车行业在生产和投入使用过程中应该遵循清洁生产，尽量减少有害原材料的使用和有害物质的排放。在消耗资源尽可能少的前提下最大限度的生产使用，充电站内充电桩的维护和折旧中充分遵循再利用的原则，使再生资源充分合理得回收并且利用。
目前，很多地区出现电动汽车与充电站设施发展不协调的问题，多数地区的用户由于充电难、充电慢等问题而不愿意使用电动汽车。充电站中的充电桩要满足生产过程中的科学合理，充电桩设备和工艺需要改善完备，充电站内的配备设施也需要合理的产品体系。
电动汽车具有随机性、移动性、多样性等特征。将来大规模普及使用电动汽车后，这些特征会带来一些新的问题。例如，电动汽车的负荷多样性导致其充电模式多样性，适用于互不相同的充电模式；根据充电汽车的随机性和移动性，使充电站选址与定容难度提高。
现有的充电站规划方法主要通过假设网格中的固定节点为待建设充电站位置，基于动态交通网络、电动汽车动态充电需求、配电系统网损等城市道路网信息来抽象出数学模型，针对选址的对应目标函数，来确定充电站候选站址；
针对充电站的定容问题，主要基于用户充电需求量和排队论思想，对于不同位置充电站内的充电桩数目进行合理配置。
可以看出现有的充电站规划方法中，大多数关于充电设施的研究都和充电站的运行对电网的影响相关，充电站选址考虑因素较为单一，没有考虑停车场的分布及容量、没有调研规划区域道路网络和交通流量以及电网容量规划等数据，致使充电站选址上存在电动汽车用户充电不便、不实用的问题。且其未考虑风光处理具有不确定性和新能源发电较高的弃电率对充电设备的配置储能的影响。
发明内容
有鉴于此，本申请的目的在于提出一种充电站规划方法及相关设备。
基于上述目的，本申请提供了一种充电站规划方法，包括：
根据待规划区域的交通流量和停车场开放指数，拟合电动汽车在所述待规划区域的充电需求的空间分布数据点集合；
根据所述空间分布数据点集合，利用密度峰值聚类方法确定多种备选聚类群簇划分方式；
计算所述多种备选聚类群簇划分方式各自的总轮廓系数；
选取所述多种备选聚类群簇划分方式中与所述总轮廓系数中的最大值对应的一种备选聚类群簇划分方式，作为目标聚类群簇划分方式；
将所述目标聚类群簇划分方式下的一个或多个聚类中心作为充电站的一个或多个规划地址。
在一种可能的实现方式中，该方法还包括：
根据所述待规划区域的充电需求总量，确定所述一个或多个规划地址各自的充电站容量；
根据所述充电站容量，构建充电站规划优化模型；
利用遗传算法求解所述充电站规划优化模型，得到所述一个或多个规划地址各自的充电站设备容量配置规划结果。
在一种可能的实现方式中，所述根据待规划区域的交通流量和停车场开放指数，拟合电动汽车在所述待规划区域的充电需求的空间分布数据点集合，包括：
根据所述交通流量，计算得到平均交通流量指数；
根据所述平均交通流量指数和所述停车场开放指数，计算得到充电需求指数；
通过结合所述待规划区域的空间坐标点分析所述充电需求指数的空间分布，拟合所述空间分布数据点集合。
在一种可能的实现方式中，所述根据所述空间分布数据点集合，利用密度峰值聚类方法确定多种备选聚类群簇划分方式，包括：
计算所述空间分布数据点集合中每个数据点的局部密度和距离要素；
基于所述局部密度和所述距离要素，确定所述空间分布数据点集合中一个或多个数据点作为一个或多个备选聚类中心；
根据所述一个或多个备选聚类中心对所述空间分布数据点集合进行群簇聚类，以确定所述多种备选聚类群簇划分方式。
在一种可能的实现方式中，所述计算所述多种备选聚类群簇划分方式各自的总轮廓系数包括：
对于所述多种备选聚类群簇划分方式中的每一种备选聚类群簇划分方式，计算该备选聚类群簇划分方式下的备选聚类群簇的内聚度和分离度，并根据所述内聚度和所述分离度计算该备选聚类群簇划分方式的所述总轮廓系数。
在一种可能的实现方式中，
所述充电需求总量是基于各类型电动汽车的充电功率、所述待规划区域内电动汽车保有量预测值和所述待规划区域内电动汽车充电的同时率而计算出的；
所述根据所述待规划区域的充电需求总量，确定所述一个或多个规划地址各自的充电站容量，包括：根据所述充电需求总量，按照所述目标聚类群簇划分方式下的各聚类群簇的充电需求比例，确定所述一个或多个规划地址各自的充电站容量。
在一种可能的实现方式中，所述构建充电站规划优化模型包括：
构建所述充电站规划优化模型的成本目标函数；
构建所述充电站规划优化模型的约束条件。
在一种可能的实现方式中，所述约束条件包括下列中至少一种：功率平衡约束、风电机组容量约束、光伏系统容量约束、储能装置充放电容量和功率约束、可再生能源利用率约束、可再生能源弃电率约束。
基于同一发明构思，本申请还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述任意一项所述的充电站规划方法。
基于同一发明构思，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行上述任一项所述的充电站规划方法。
从上面所述可以看出，根据本申请的实施例，对于最终充电站的选址而言，其附近的交通流量以及其附近停车场的开放指数具有很大的影响因素。此外，本申请考虑到风光出力具有不确定性以及新能源发电具有较高的弃电率对于充电设备的配置储能有较大影响，因此通过构建充电站规划优化模型，再结合遗传算法进行求解，得到了各充电站地址设备容量配置规划结果。本申请通过上述技术手段，使得充电站的选址布局均匀合理，能很好地满足周围用户的充电需求，且对于各充电站地址设备容量有了更合理的配置规划。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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为本申请实施例的充电站规划方法流程图；
图2为本申请实施例的充电站设备容量配置规划流程图；
图3为本申请实施例的交通网格划分规划区域的示意图；
图4为本申请实施例的目标聚类群簇划分方式示意图；
图5为本申请实施例的遗传算法流程图；
图6为本申请实施例的光伏标幺值示意图；
图7为本申请实施例的风机标幺值示意图；
图8为本申请实施例的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如背景技术部分所述，相关技术中通过通过假设网格中的固定节点为待建设充电站位置，基于动态交通网络、电动汽车动态充电需求、配电系统网损等城市道路网信息来抽象出数学模型，针对选址的对应目标函数，来确定充电站候选站址，但其并未考虑到停车场的分布及容量、没有调研规划区域道路网络和交通流量以及电网容量规划等数据，致使充电站选址上存在电动汽车用户充电不便、不实用的问题。
同时，针对充电站的定容问题，主要基于用户充电需求量和排队论思想，对于不同位置充电站内的设备容量进行配置，其并未考虑风光处理具有不确定性和新能源发电较高的弃电率对充电设备的配置储能的影响，致使设备配置容量规划并不合理。
综合上述考虑，本申请提出一种充电站规划方法及相关设备，通过结合停车场的开放指数以及交通流量，对充电站地址进行规划，使得充电站的选址便于用户充电，达到其最大的实用效果。另外，基于充电站规划优化模型，综合考虑了风光处理的不确定性和新能源发电较高的弃电率，结合遗传算法得出充电站地址的充电站设备容量配置规划结果，实现了在设备满足基本要求的基础上将设备运行的成本降到最低。
以下结合附图来详细说明本申请的实施例。
参考图1，本申请实施例的充电站规划方法，包括以下步骤：
步骤S101，根据待规划区域的交通流量和停车场开放指数，拟合电动汽车在所述待规划区域的充电需求的空间分布数据点集合。
步骤S102，根据所述空间分布数据点集合，利用密度峰值聚类方法确定多种备选聚类群簇划分方式。
步骤S103，计算所述多种备选聚类群簇划分方式各自的总轮廓系数。
步骤S104，选取所述多种备选聚类群簇划分方式中与所述总轮廓系数中的最大值对应的一种备选聚类群簇划分方式，作为目标聚类群簇划分方式。
步骤S105，将所述目标聚类群簇划分方式下的一个或多个聚类中心作为充电站的一个或多个规划地址。
在一种可能的实现方式中，步骤S101，包括：
根据所述交通流量，计算得到平均交通流量指数；
根据所述平均交通流量指数和所述停车场开放指数，计算得到充电需求指数；
通过结合所述待规划区域的空间坐标点分析所述充电需求指数的空间分布，拟合所述空间分布数据点集合。
在步骤S101中，参考图3，利用交通网格划分待规划区域，将每一个交通网格的交通流量用每个路口节点(图3中的C1-C36)的交通流量来表示，所述交通网格平均交通流量是通过下式计算的：
Figure BDA0003673238300000061
其中，fave,i表示第i个交通网格的平均交通流量，ni表示第i个交通网格周围的路口数，fij表示第i个交通网格周围第j个路口的交通流量。
在一种可能的实现方式中，各个路口坐标及其交通流量参考表1。
表1各个路口节点坐标及其交通流量
Figure BDA0003673238300000062
Figure BDA0003673238300000071
进一步的，将交通网格平均交通流量归一化得到平均交通流量指数，所述平均交通流量指数是通过下式计算的：
Figure BDA0003673238300000081
其中，qi表示第第i个交通网格的平均交通流量指数，N表示交通网格总数，fave,i表示第i个交通网格的平均交通流量。
对于停车场开放指数根据电动汽车现有停车充电设施的分布区域，停车场的对外开放程度越高，该交通网格对道路节点交通流量的捕获能力越强。对于不同公共用途的区域，定义对外开放指数hi以定量计算其充电需求。具体地，社会公共停车场的对外开放程度最高，对外开放指数取为1。大型商场、文体场馆等公共建筑物配建停车场次之，分别取为0.7、0.6；办公、医疗及教育科研等其他类型区域较低，分别取为0.4、0.3、0.2；居民住宅和公共绿地一般对外开放指数取为0。交通流量越密集且停车场对外开放程度越高的交通网格可捕获的充电需求越大。所述充电需求指数是通过下式计算的：
cbi＝hiqi
其中，cbi表示充电需求指数，hi表示对外开放指数，qi表示第i个交通网格的平均交通流量指数。
之后，根据交通网格的空间坐标点分析电动汽车充电需求指数的空间分布数据，形成一个空间分布数据点集合：
Figure BDA0003673238300000082
其中，W表示空间分布数据点集合，wi表示第i个样本点，N表示交通网格总数，IW表示交通网格的序号集。
在一种可能的实现方式中，参考表1和图3，结合充电需求指数和对外开放指数，拟合得到空间分布数据点集合，参考表2所示。
表2空间分布数据点集合
Figure BDA0003673238300000083
Figure BDA0003673238300000091
表中示出的G1-G25为图3中按照从左至右，从上至下的顺序的网格序号。
在一种可能的实现方式中，步骤S102，包括：
计算所述空间分布数据点集合中每个数据点的局部密度和距离要素；
基于所述局部密度和所述距离要素，确定所述空间分布数据点集合中一个或多个数据点作为一个或多个备选聚类中心；
根据所述一个或多个备选聚类中心对所述空间分布数据点集合进行群簇聚类，以确定所述多种备选聚类群簇划分方式。
在步骤S102中，对于步骤S101中得到的空间分布数据点集合，所述每个数据点的局部密度和距离要素是通过下式计算的：
Figure BDA0003673238300000092
Figure BDA0003673238300000101
Figure BDA0003673238300000102
其中，ρi表示第i个数据点的局部密度，δi表示第i个数据点的距离要素，IW表示交通网格的序号集，cbj表示第j个交通网格的充电需求指标，dij表示第i个和第j个交通网格中心的空间距离，dc表示截断距离，用于限定交通网格的充电需求覆盖范围，
Figure BDA0003673238300000103
表示局部密度大于第i个交通网格的网格序号集，k表示密度局部密度大于数据点i的数据点。
将局部密度和距离要素较大的n个样本点作为聚类中心，再依据该聚类中心完成对空间分布数据点集合进行群簇聚类，得到多种备选聚类群簇划分方式。
在一种可能的实现方式中，步骤S103包括：
对于所述多种备选聚类群簇划分方式中的每一种备选聚类群簇划分方式，计算该备选聚类群簇划分方式下的备选聚类群簇的内聚度和分离度，并根据所述内聚度和所述分离度计算该备选聚类群簇划分方式的所述总轮廓系数。
在步骤S103中，对于每一种备选聚类群簇划分方式而言，聚类的内聚度ai表示样本wi到所有它所属的簇中其他样本的平均距离，聚类的分离度bi表示样本wi与最近簇中所有样本的平均距离，所述总轮廓系数是通过下式计算的：
Figure BDA0003673238300000104
其中，s表示总轮廓系数，N表示交通网格总数，ai表示内聚度，bi表示分离度。
总轮廓系数的值越接近1，说明该聚类的效果越好，因此在本申请的步骤S104中选取总轮廓系数最大的备选聚类群簇划分方式作为目标聚类群簇划分方式，在步骤S105中将目标聚类群簇划分方式中的聚类中心作为本申请的充电站规划地址。
在一种可能的实现方式中，参考目前在建或在用城市公共充电站的规模，假设公共充电站中的充电桩数目平均水平为13台，由此确定规划年需建5座电动汽车公共充电站。因此本文将备选聚类群簇划分方式中的聚类群簇个数的参考值取为5，则备选聚类群簇个数的取值区间选为[3,7]。选取不同备选聚类群簇个数，进行密度峰值聚类得到不同聚类结果，计算得到不同备选聚类群簇划分方式的总轮廓系数，参考表3。
表3不同备选聚类群簇划分方式的总轮廓系数
聚类群簇个数n 3 4 5 6 7
总轮廓系数s 0.5233 0.6740 0.8931 0.7992 0.6254
从表3中可以看出，当聚类群簇个数为5时的备选聚类群簇划分方式的总轮廓系数最大，因此，将以5个交通网格为聚类中心的对应的备选聚类群簇划分方式作为目标聚类群簇划分方式，并将该目标聚类群簇划分方式中的聚类中心作为本实施例的充电站规划地址。目标聚类群簇划分方式如图4所示。
参考图2，为本申请实施例的充电站设备容量配置规划流程图，具体步骤如下：
步骤S201，根据所述待规划区域的充电需求总量，确定所述一个或多个规划地址各自的充电站容量。
步骤S202，根据所述充电站容量，构建充电站规划优化模型。
步骤S203，利用遗传算法求解所述充电站规划优化模型，得到所述一个或多个规划地址各自的充电站设备容量配置规划结果。
在一种可能的实现方式中，步骤S201中的所述充电需求总量是基于各类型电动汽车的充电功率、所述待规划区域内电动汽车保有量预测值和所述待规划区域内电动汽车充电的同时率而计算出的；
所述根据所述待规划区域的充电需求总量，确定所述一个或多个规划地址各自的充电站容量，包括：根据所述充电需求总量，按照所述目标聚类群簇划分方式下的各聚类群簇的充电需求比例，确定所述一个或多个规划地址各自的充电站容量。
在一种可能的实现方式中，所述充电需求总量是通过下式计算的：
Figure BDA0003673238300000111
其中，Pta表示充电需求总量，Pi表示各类型电动汽车的充电功率，n表示规划区域内电动汽车保有量预测值；η表示电动汽车充电的同时率。
在一种可能的实现方式中，所述各聚类群簇的充电需求是通过下式计算的：
Figure BDA0003673238300000121
其中，Pci表示第i个群簇的充电需求，pi表示第i个群簇的充电需求指数，M表示群簇个数。
在一种可能的实现方式中，根据上述计算得到的充电站规划选址以及结合充电需求总量，实现充电站容量分配，充电站规划地址以及各自的充电站容量参考表4所示。
表4充电站规划地址以及各自的充电站容量
充电站网格 横坐标 纵坐标 充电容量/kW
G7 6.36 4.40 1554
G10 1.29 4.41 210
G15 4.03 3.23 7224
G20 6.82 2.66 3654
G21 5.29 2.47 2436
在一种可能的实现方式中，步骤S202包括：
构建所述充电站规划优化模型的成本目标函数；
构建所述充电站规划优化模型的约束条件。
在一种可能的实现方式中，所述成本目标函数是通过下式计算的：
C＝C0+Cm
其中，C表示成本目标函数，C0表示初始投资成本，Cm表示运行维护成本。
在一种可能的实现方式中，所述初始投资成本是通过下式计算的：
C0＝∑(NwtCwt+NpvCpv+ybatNbatCbat)fcr
其中，C0表示初始投资成本，Nwt表示风电机组的装机容量，Npv表示光伏发电机组的装机容量，Nbat表示储能装置的装机容量，单位记为：MW；Cwt表示风电机组的投资价格，Cpv表示光伏机组的投资价格，Cbat表储能装置的投资价格，单位记为：万元/MW；ybat表示储能装置在整个生命周期内的更换次数。fcr表示折旧系数。
在一种可能的实现方式中，所述折旧率是通过下式计算的：
Figure BDA0003673238300000131
其中，fcr表示折旧系数，r表示折旧率，一般20年生命周期为5％，Lf表示生命周期。
在一种可能的实现方式中，所述运行维护成本是通过下式计算的：
Figure BDA0003673238300000133
其中，Cm表示运行维护成本，
Figure BDA0003673238300000134
表示风电机组的运行和维护成本系数，kpv0表示光伏发电机组的运行和维护成本系数，kbat0表示储能装置的运行和维护成本系数，单位记为：万元/MWh；pwt表示风电机组的功率容量，ppv表示光伏机组的功率容量，pbat表示储能装置的功率容量，单位记为：MW；t表示时间。
在步骤S202中，所述约束条件包括下列中至少一种：功率平衡约束、风电机组容量约束、光伏系统容量约束、储能装置充放电容量和功率约束、可再生能源利用率约束、可再生能源弃电率约束。
所述功率平衡约束是通过下式表示的：
pwt(t)+ppv(t)+pbat(t)＝pL(t)
其中，pwt(t)表示风电机组的当前功率值，ppv(t)表示光伏机组的当前功率值，pbat(t)表示储能装置的当前功率值，pL(t)表示负荷的当前功率值。
因为风电机组、光伏机组以及储能装置需要满足负荷的供电需要，不能产生失负荷现象，因此需要做功率平衡约束。
在一种可能的实现方式中，所述风电机组容量约束是通过下式表示的：
Nwt min＜Nwt＜Nwt max
其中，Nwt min表示风电机组容量的最小值，Nwt max表示风电机组容量的最大值。
在一种可能的实现方式中，风电机组发电单元的最大装机容量受到投资成本、场地资源等因素限制，因此通常风电场在布置风机时要考虑风机风轮直径和场地的大小因素，所述风电机组容量的最大值是通过下式计算的：
Figure BDA0003673238300000132
其中，Nwt max表示风电机组容量的最大值，Swt max表示规划场地内可安装风机的总面积，Swt表示单个风机设备的有效占地面积。
当系统处于极端情况时，假设光伏系统和储能系统都不参与供电，仅依靠常规能源机组和风力发电机组供电时，风电机组容量配置为Nwt max时，能够保证负载供电。所述风电机组容量的最小值是通过下式计算的：
Figure BDA0003673238300000141
其中，Nwt min表示风电机组容量的最小值，pL表示负荷的额定功率，pc max表示常规能源机组的最大功率，pwt表示单个风机设备的额定功率
在一种可能的实现方式中，所述光伏系统容量约束是通过下式表示的：
Npv min＜Npv＜Npv max
光伏发电系统最大装机容量也要受到场地因素限制，所述光伏设备容量最大值是通过下式计算的：
Figure BDA0003673238300000142
其中，Npv max表示光伏设备容量的最大值，Spv max表示规划场地内可安装光伏的总面积，Spv表示单个光伏设备的占地面积。
当系统处于极端情况下时，假设风电系统和储能系统不参与供电时，系统仅由光伏系统供电时，光伏系统容量配置为Npv min时，能够保证负荷的供电。所述光伏设备容量最小值是通过下式计算的：
Figure BDA0003673238300000143
其中，Npv min表示光伏设备容量最小值，pL表示负荷的额定功率，pc max表示常规能源机组的最大功率，ppv表示单个光伏设备的额定功率。
在一种可能的实现方式中，所述储能装置充放电容量和功率约束通过下式计算：
SOC min(t)≤SOC(t)≤SOC max(t)
Figure BDA0003673238300000144
Figure BDA0003673238300000145
其中，SOC min(t)表示储能装置荷电状态的下限，SOC max(t)表示储能装置荷电状态的上限，pmaxc(t)表示储能装置额定状态下充电的最大功率，pmaxd(t)表示储能装置额定状态下放电的最大功率，N表示风电机组和光伏设备的容量总值，Ebat表示储能装置的容量，ηc表示储能装置充电的效率，ηd表示储能装置放电的效率。
在一种可能的实现方式中，所述可再生能源利用率约束通过下式计算：
(∑Pw+∑Ppv-∑Pabandon)/∑Pall≥rE
其中，∑Pw表示风电机组的发电量，∑Ppv表示光伏机组的发电量，∑Pabandon表示弃电量，∑Pall表示通道总供电量，rE表示可再生能源利用率下限。
在一种可能的实现方式中，为保证可再生能源发电的有效利用，对系统的弃电率进行约束，所述可再生能源弃电率约束通过下式表达：
∑Pabandon/(∑Pwt+∑Ppv+∑Pabandon)≥rar
其中，∑Pw表示风电机组的发电量，∑Ppv表示光伏机组的发电量，∑Pabandon表示弃电量，rar表示可再生能源弃电率下限。
参考图5，在步骤S203中，所述遗传算法的具体流程包括：
步骤S301，设置参数和所述约束条件，并输入原始数据。
步骤S302，将所述目标函数映射为适应度函数。
步骤S303，产生初始群体。
步骤S304，计算所述初始群体中每个个体的适应度函数值。
步骤S305，判断是否满足预设停止条件。
步骤S306，响应于满足预设停止条件，对所述初始群体解码并输出结果；
步骤S307，响应于不满足预设停止条件，对所述初始群体进行选择、交叉和变异的计算，得到新一代群体。
在步骤S301中，所述原始数据包括：充电站规划地址的风速、光伏、储能装置参数和充电站容量。
在步骤S305中，所述预设停止条件为最大迭代次数。
在步骤S307中，对初始群体中的个体进行交叉、变异，产生新一代种群，计算新一代种群中每个个体的目标函数值，取最优的预设个数的个体，作为新一代种群，之后迭代至达到迭代次数为止，输出最优的一个个体。
在一种可能的实现方式中，所述预设个数为200。
在一种可能的实现方式中，设定系统寿命期为20年，折现率为6％。设置遗传算法的相关参数：种群规模定义为200；最大迭代次数为200；交叉概率为0.9；变异概率为0.1；最优种群参数设定为0.3。依据电动汽车充电站充电容量需求情况，结合当地风速和光照情况，计算得到光伏标幺值和风机标幺值。具体参考图6和图7。
在一种可能的实现方式中，基于充电站规划优化模型，计算得到充电站设备容量配置规划结果，参考表5。
表5充电站设备容量配置规划结果
充电站网格 风机设备/kW 光伏设备/kW 储能装置/kW
G7 468 1293 608
G10 61 154 80
G15 1806 5510 2194
G20 1024 2633 1577
G21 538 1927 920
相比现有技术，本申请综合考虑了停车场的分布及容量、调研规划区域道路网络、交通流量、风光出力的不确定性以及新能源发电较高的弃电率的影响。使得最终规划好的充电站与该地区用户的充电需求相协调，具有更强的合理性。
需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，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上任意一实施例所述的充电站规划方法。
图8示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的充电站规划方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的充电站规划方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的充电站规划方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种充电站规划方法，其特征在于，包括：
根据待规划区域的交通流量和停车场开放指数，拟合电动汽车在所述待规划区域的充电需求的空间分布数据点集合；
根据所述空间分布数据点集合，利用密度峰值聚类方法确定多种备选聚类群簇划分方式；
计算所述多种备选聚类群簇划分方式各自的总轮廓系数；
选取所述多种备选聚类群簇划分方式中与所述总轮廓系数中的最大值对应的一种备选聚类群簇划分方式，作为目标聚类群簇划分方式；
将所述目标聚类群簇划分方式下的一个或多个聚类中心作为充电站的一个或多个规划地址。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据所述待规划区域的充电需求总量，确定所述一个或多个规划地址各自的充电站容量；
根据所述充电站容量，构建充电站规划优化模型；
利用遗传算法求解所述充电站规划优化模型，得到所述一个或多个规划地址各自的充电站设备容量配置规划结果。
3.根据权利要求1或2所述的方法，其特征在于，所述根据待规划区域的交通流量和停车场开放指数，拟合电动汽车在所述待规划区域的充电需求的空间分布数据点集合，包括：
根据所述交通流量，计算得到平均交通流量指数；
根据所述平均交通流量指数和所述停车场开放指数，计算得到充电需求指数；
通过结合所述待规划区域的空间坐标点分析所述充电需求指数的空间分布，拟合所述空间分布数据点集合。
4.根据权利要求1或2所述的方法，其特征在于，所述根据所述空间分布数据点集合，利用密度峰值聚类方法确定多种备选聚类群簇划分方式，包括：
计算所述空间分布数据点集合中每个数据点的局部密度和距离要素；
基于所述局部密度和所述距离要素，确定所述空间分布数据点集合中一个或多个数据点作为一个或多个备选聚类中心；
根据所述一个或多个备选聚类中心对所述空间分布数据点集合进行群簇聚类，以确定所述多种备选聚类群簇划分方式。
5.根据权利要求1或2所述的方法，其特征在于，所述计算所述多种备选聚类群簇划分方式各自的总轮廓系数包括：
对于所述多种备选聚类群簇划分方式中的每一种备选聚类群簇划分方式，计算该备选聚类群簇划分方式下的备选聚类群簇的内聚度和分离度，并根据所述内聚度和所述分离度计算该备选聚类群簇划分方式的所述总轮廓系数。
6.根据权利要求2所述的方法，其特征在于，
所述充电需求总量是基于各类型电动汽车的充电功率、所述待规划区域内电动汽车保有量预测值和所述待规划区域内电动汽车充电的同时率而计算出的；
所述根据所述待规划区域的充电需求总量，确定所述一个或多个规划地址各自的充电站容量，包括：根据所述充电需求总量，按照所述目标聚类群簇划分方式下的各聚类群簇的充电需求比例，确定所述一个或多个规划地址各自的充电站容量。
7.根据权利要求2或6所述的方法，其特征在于，所述构建充电站规划优化模型包括：
构建所述充电站规划优化模型的成本目标函数；
构建所述充电站规划优化模型的约束条件。
8.根据权利要求7所述的方法，其特征在于，所述约束条件包括下列中至少一种：功率平衡约束、风电机组容量约束、光伏系统容量约束、储能装置充放电容量和功率约束、可再生能源利用率约束、可再生能源弃电率约束。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行根据权利要求1至8中任一项所述的方法。
CN202210629332.0A 2022-05-31 2022-05-31 充电站规划方法及相关设备 Pending CN115271317A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210629332.0A CN115271317A (zh) 2022-05-31 2022-05-31 充电站规划方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210629332.0A CN115271317A (zh) 2022-05-31 2022-05-31 充电站规划方法及相关设备

Publications (1)

Publication Number Publication Date
CN115271317A true CN115271317A (zh) 2022-11-01

Family

ID=83759982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210629332.0A Pending CN115271317A (zh) 2022-05-31 2022-05-31 充电站规划方法及相关设备

Country Status (1)

Country Link
CN (1) CN115271317A (zh)

Similar Documents

Publication Publication Date Title
Sun A multi-objective optimization model for fast electric vehicle charging stations with wind, PV power and energy storage
Jian et al. Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid
CN110378548B (zh) 一种电动汽车虚拟电厂多时间尺度响应能力评估模型构建方法
EP2590290A1 (en) Power control method, program, and power control device
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
CN109886533A (zh) 一种基站建设的分析方法及装置
CN103957261A (zh) 一种基于能耗优化的云计算资源分配的方法
De Lima et al. A specialized long-term distribution system expansion planning method with the integration of distributed energy resources
He et al. Optimal integration of Vehicle to Building (V2B) and Building to Vehicle (B2V) technologies for commercial buildings
Zhang et al. Joint planning of distributed PV stations and EV charging stations in the distribution systems based on chance-constrained programming
Sun et al. Hierarchical planning of PEV charging facilities and DGs under transportation-power network couplings
Ali et al. Optimal operation of static energy storage in fast-charging stations considering the trade-off between resilience and peak shaving
Hussain et al. Energy management of buildings with energy storage and solar photovoltaic: A diversity in experience approach for deep reinforcement learning agents
CN115271317A (zh) 充电站规划方法及相关设备
CN115622096A (zh) 基于负荷特性的并网型微电网系统容量配置方法及系统
CN112329215B (zh) 含电动汽车换电站的配电网的可靠性评估方法及计算设备
CN115423234A (zh) 适用于场景需求差异性的储能系统综合评估方法及系统
CN114142460A (zh) 综合能源系统中储能双层目标优化配置方法及终端
Chang et al. Bi‐level scheduling of large‐scale electric vehicles based on the generation side and the distribution side
Sun et al. Location and Capacity Determination Method of Electric Vehicle Charging Station Based on Simulated Annealing Immune Particle Swarm Optimization
Lu et al. Capacity Planning of Charging Station Battery Energy Storage System Considering the Resilience of Electric Vehicles
Yu et al. Hierarchical optimal control of electric vehicle considering wind power consumption
Huang et al. Electric Vehicle Smart Charging Characteristics on the Power Regulation Abilities
Zhu et al. Game theoretic of sizing optimization for Wind/PV/EVs based on representative days selection
Nyknahad et al. A survey on algorithmic approaches on electric vehicle adaptation in a smart grid: An introduction to battery consolidation systems

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