CN116307647A - 电动汽车充电站选址定容优化方法、装置及存储介质 - Google Patents

电动汽车充电站选址定容优化方法、装置及存储介质 Download PDF

Info

Publication number
CN116307647A
CN116307647A CN202310587946.1A CN202310587946A CN116307647A CN 116307647 A CN116307647 A CN 116307647A CN 202310587946 A CN202310587946 A CN 202310587946A CN 116307647 A CN116307647 A CN 116307647A
Authority
CN
China
Prior art keywords
charging station
charging
electric vehicle
cost
sizing
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.)
Granted
Application number
CN202310587946.1A
Other languages
English (en)
Other versions
CN116307647B (zh
Inventor
孟庆霖
药炜
赵金
靳小龙
王剑晓
葛磊蛟
王中冠
许良
王瑞
刘�东
徐建斌
赵冠桥
崔鹏
李发广
郭子强
陈柯
石立桩
彭词
徐业朝
周琨
许亮
王一
陈浩
张胜
章凯
李东利
肖茂祥
孙宝平
任健萍
葛令源
张宇涛
王海伟
梅成成
唐梦娴
关少卿
保承家
张天毅
刘茹
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.)
Hunan Genguiji Intelligent Technology Co ltd
Lanzhou Power Supply Co Of State Grid Gansu Electric Power Co
Mel Tianjin Electric Co ltd
State Grid Tianjin Electric Power Co Training Center
Tianjin Chengxi Guangyuan Power Engineering Co ltd
Tianjin Electric Power Engineering Supervision Co ltd
Tianjin Ninghe District Ningdong Shengyuan Power Engineering Co ltd
Tianjin Sanyuan Power Intelligent Technology Co ltd
Tianjin Tianyuan Electric Power Engineering Co ltd
State Grid Gansu Electric Power Co Ltd
Hefei Power Supply Co of State Grid Anhui Electric Power Co Ltd
Jinghai Power Supply Co of State Grid Tianjin Electric Power Co Ltd
Taiyuan Power Supply Co of State Grid Shanxi Electric Power Co Ltd
Original Assignee
Hunan Genguiji Intelligent Technology Co ltd
Lanzhou Power Supply Co Of State Grid Gansu Electric Power Co
Mel Tianjin Electric Co ltd
State Grid Tianjin Electric Power Co Training Center
Tianjin Chengxi Guangyuan Power Engineering Co ltd
Tianjin Electric Power Engineering Supervision Co ltd
Tianjin Ninghe District Ningdong Shengyuan Power Engineering Co ltd
Tianjin Sanyuan Power Intelligent Technology Co ltd
Tianjin Tianyuan Electric Power Engineering Co ltd
State Grid Gansu Electric Power Co Ltd
Hefei Power Supply Co of State Grid Anhui Electric Power Co Ltd
Jinghai Power Supply Co of State Grid Tianjin Electric Power Co Ltd
Taiyuan Power Supply Co of State Grid Shanxi Electric Power 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 Hunan Genguiji Intelligent Technology Co ltd, Lanzhou Power Supply Co Of State Grid Gansu Electric Power Co, Mel Tianjin Electric Co ltd, State Grid Tianjin Electric Power Co Training Center, Tianjin Chengxi Guangyuan Power Engineering Co ltd, Tianjin Electric Power Engineering Supervision Co ltd, Tianjin Ninghe District Ningdong Shengyuan Power Engineering Co ltd, Tianjin Sanyuan Power Intelligent Technology Co ltd, Tianjin Tianyuan Electric Power Engineering Co ltd, State Grid Gansu Electric Power Co Ltd, Hefei Power Supply Co of State Grid Anhui Electric Power Co Ltd, Jinghai Power Supply Co of State Grid Tianjin Electric Power Co Ltd, Taiyuan Power Supply Co of State Grid Shanxi Electric Power Co Ltd filed Critical Hunan Genguiji Intelligent Technology Co ltd
Priority to CN202310587946.1A priority Critical patent/CN116307647B/zh
Publication of CN116307647A publication Critical patent/CN116307647A/zh
Application granted granted Critical
Publication of CN116307647B publication Critical patent/CN116307647B/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
    • G06Q10/06—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
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及电动汽车充电站选址定容优化方法、装置及存储介质，属于充电站规划技术领域。该方法及装置包括：第一目标函数构建模块建立充电站收益最大化目标函数；第二目标函数构建模块建立充电成本最小化目标函数；约束函数构建模块建立电动汽车充电站选址定容约束函数；关系函数构建模块建立路况和充电成本的关系函数；模型构建模块基于上述函数构建电动汽车充电站选址定容优化模型；计算模块利用NSGA‑Ⅱ算法和熵权法对该模型进行求解，获取目标电动汽车充电站选址定容优化方案。本方法综合考虑了充电站利益和用户充电成本，还考虑了道路交通拥堵状况对用户充电成本的影响，进一步提升了电动汽车充电站的经济性和用户充电满意度。

Description

电动汽车充电站选址定容优化方法、装置及存储介质
技术领域
本发明涉及充电站规划技术领域，尤其是指一种电动汽车充电站选址定容优化方法、装置及计算机可读存储介质。
背景技术
作为电动汽车的重要配套设备，充电站能够为其行驶提供动力补给，同时也是推动电动汽车产业走向规模化、市场化的重要动力来源。然而，目前充电站的建设规模与电动汽车保有量仍存在一定的差距，用户充电难问题日益突出。据相关研究报道显示，截止到2022年9月，全国电动汽车保有量约为1149万辆，占汽车保有量的3.65%，全国充电基础设施的保有量达448.8万台，车桩之间比例约为2.56：1，这与国家能源局提出的“车桩比例为1：1”战略目标仍相差较大，因此充电站规划任务仍旧繁重。
与传统停车场规划相比，充电站在选址定容规划过程中除了考虑充电站建站规模与服务范围外，更要注重用户充电的满意度。然而，以往研究虽然考虑了由用户满意度产生的用户充电附加成本，但并未分析规划区域内各道路交通拥堵情况对用户充电行为的影响，这导致用户行驶至目标充电站的充电附加成本计算与实际情况有所偏差，进而造成所得方案的经济性并非最优。另外，在设计站内容量优化布置方案时，大部分研究均是将充电站作为一个整体来进行方案设计，并未分析站内不同充电桩的充电特性。然而，不同功率、不同类型充电桩适用场景是存在差异的，有必要在充电站内对不同功率的充电桩组合配套使用。因此，深入研究用户充电满意度的影响要素以及充电站内部充电桩的组合方法对充电站选址定容规划具有重要意义。
综上所述，现有的充电站选址定容规划设计方法由于未考虑交通拥堵状况对用户充电成本的影响，且在设计充电站内部容量时未考虑不同类型的充电桩的充电特性，导致充电站选址定容规划方案的经济性和用户满意度并未达到最优。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中由于未考虑交通拥堵情况对用户充电成本的影响，且在设计充电站内部容量时未考虑不同类型的充电桩的充电特性，导致充电站选址定容规划方案的经济性和用户满意度并未达到最优的问题。
为解决上述技术问题，本发明提供了一种电动汽车充电站选址定容优化方法，包括：
根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数；其中，所述充电站年化总成本中包括充电站内快速和慢速充电桩购买成本；
根据等效经济成本建立充电成本最小化目标函数；
根据充电站内快速和慢速充电桩额定容量约束条件、充电站内快速和慢速充电桩数量约束条件、充电站峰值充电功率约束条件、充电站数量约束条件以及充电站距离约束条件分别建立电动汽车充电站选址定容约束函数；
根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数；
基于所述充电站收益最大化目标函数、所述充电成本最小化目标函数、所述电动汽车充电站选址定容约束函数和所述路况与充电成本的关系函数构建电动汽车充电站选址定容优化模型；
利用NSGA-Ⅱ算法和熵权法对所述电动汽车充电站选址定容优化模型进行求解，获取规划区域内的目标电动汽车充电站选址定容优化方案。
在本发明的一个实施例中，所述根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数包括：
根据充电站年平均运行天数、规划区域内每天需要充电的电动汽车数量、电动汽车充电前后荷电状态差值以及充电站售电电价和购电电价的差值计算充电站年运行收益；
根据规划区域内待建设充电站总数量、充电站最大运行寿命、充电站贴现率、充电站的总建设成本与充电桩购买成本以及充电站的年运维成本计算充电站年化总成本；
将所述充电站年运行收益与所述充电站年化总成本的差值最大化作为充电站收益最大化目标函数。
在本发明的一个实施例中，所述充电站年运行收益的计算公式为：
Figure SMS_1
，
其中，
Figure SMS_4
为充电站年平均运行天数，/>
Figure SMS_7
为规划区域内所有道路的集合，/>
Figure SMS_10
为规划区域内每天需要充电的电动汽车占比，/>
Figure SMS_3
为第/>
Figure SMS_5
条道路的电动汽车总数量，/>
Figure SMS_8
为电动汽车额定容量平均水平，/>
Figure SMS_11
为电动汽车充电过程中荷电状态阈值，/>
Figure SMS_2
为电动汽车充电时荷电状态初始值，/>
Figure SMS_6
为充电站售电电价，/>
Figure SMS_9
为充电站购电电价。
在本发明的一个实施例中，所述充电站年化总成本的计算公式为：
Figure SMS_12
，
其中，
Figure SMS_14
为规划区域内待建设充电站总数量，/>
Figure SMS_16
为充电站的贴现率，/>
Figure SMS_20
为充电站的最大运行寿命，/>
Figure SMS_15
为第/>
Figure SMS_18
个充电站的总建设成本，/>
Figure SMS_19
为第/>
Figure SMS_21
个充电站的充电桩购买成本，/>
Figure SMS_13
为第/>
Figure SMS_17
个充电站的年运维成本；
Figure SMS_22
，
其中，
Figure SMS_23
为快速充电桩的购买单价，/>
Figure SMS_24
为第/>
Figure SMS_25
个充电站内快速充电桩的配置数量，/>
Figure SMS_26
为慢速充电桩的购买单价，/>
Figure SMS_27
为第/>
Figure SMS_28
个充电站内慢速充电桩的配置数量；
Figure SMS_29
，
其中，
Figure SMS_30
为百分比折算因子。
在本发明的一个实施例中，所述充电站收益最大化目标函数为：
Figure SMS_31
。
在本发明的一个实施例中，所述根据等效经济成本建立充电成本最小化目标函数包括：
根据行驶速度和行驶距离计算行驶时间和损耗电量的等效经济成本；
根据充电站内电动汽车的平均充电排队时间计算站内排队等候时间的等效经济成本；
将所述行驶时间和损耗电量的等效经济成本与所述站内排队等候时间的等效经济成本的相加值最小化作为充电成本最小化目标函数。
在本发明的一个实施例中，所述行驶时间和损耗电量的等效经济成本的计算公式为：
Figure SMS_32
，
其中，
Figure SMS_35
为充电站年平均运行天数，/>
Figure SMS_38
为用户出行的时间价值，/>
Figure SMS_42
为规划区域内所有道路的集合，/>
Figure SMS_36
为规划区域内待建设充电站总数量，/>
Figure SMS_37
为规划区域内每天需要充电的电动汽车占比，/>
Figure SMS_41
为第/>
Figure SMS_45
条道路的电动汽车总数量，/>
Figure SMS_33
为第/>
Figure SMS_39
条道路至充电站/>
Figure SMS_43
的平均行驶距离，/>
Figure SMS_46
为通过第/>
Figure SMS_34
条道路的行驶速度，/>
Figure SMS_40
为充电站售电电价，/>
Figure SMS_44
为电动汽车单位行驶里程所消耗的电量。
在本发明的一个实施例中，所述站内排队等候时间的等效经济成本的计算公式为：
Figure SMS_47
，
其中，
Figure SMS_48
为/>
Figure SMS_49
时刻抵达充电站/>
Figure SMS_50
的电动汽车总数量，/>
Figure SMS_51
为/>
Figure SMS_52
时刻抵达充电站/>
Figure SMS_53
内电动汽车的平均充电排队时间。
在本发明的一个实施例中，所述充电成本最小化目标函数为：
Figure SMS_54
。
在本发明的一个实施例中，根据所述充电站内快速和慢速充电桩额定容量约束条件建立电动汽车充电站选址定容第一约束函数，所述电动汽车充电站选址定容第一约束函数为：
Figure SMS_55
，
Figure SMS_56
，
其中，
Figure SMS_66
为充电站内充电桩的日平均运行时间，/>
Figure SMS_57
为充电站/>
Figure SMS_62
的额定功率，/>
Figure SMS_69
为规划区域内所有道路的集合，/>
Figure SMS_72
为规划区域内待建设充电站总数量，/>
Figure SMS_70
为规划区域内每天需要充电的电动汽车占比，/>
Figure SMS_73
为第/>
Figure SMS_67
条道路的电动汽车总数量，/>
Figure SMS_71
为电动汽车额定容量平均水平，/>
Figure SMS_60
为电动汽车充电过程中荷电状态阈值，/>
Figure SMS_64
为电动汽车充电时荷电状态初始值，/>
Figure SMS_58
为快速充电桩的额定功率，/>
Figure SMS_61
为第/>
Figure SMS_65
个充电站内快速充电桩的配置数量，/>
Figure SMS_68
为慢速充电桩的额定功率，/>
Figure SMS_59
为第/>
Figure SMS_63
个充电站内慢速充电桩的配置数量。
在本发明的一个实施例中，根据所述充电站内快速和慢速充电桩数量约束条件建立电动汽车充电站选址定容第二约束函数，所述电动汽车充电站选址定容第二约束函数为：
Figure SMS_74
，
Figure SMS_75
，
其中，
Figure SMS_77
和/>
Figure SMS_80
分别为单个充电站内快速充电桩配置数量下限和单个充电站内快速充电桩配置数量上限，/>
Figure SMS_82
和/>
Figure SMS_78
分别为单个充电站内慢速充电桩配置数量下限和单个充电站内慢速充电桩配置数量上限，/>
Figure SMS_79
为第/>
Figure SMS_81
个充电站内快速充电桩的配置数量，/>
Figure SMS_83
为第/>
Figure SMS_76
个充电站内慢速充电桩的配置数量。
在本发明的一个实施例中，根据所述充电站峰值充电功率约束条件建立电动汽车充电站选址定容第三约束函数，所述电动汽车充电站选址定容第三约束函数为：
Figure SMS_84
，
其中，
Figure SMS_87
为规划区域内每天需要充电的电动汽车占比，/>
Figure SMS_89
为电动汽车充电同时率，/>
Figure SMS_91
为规划区域内电动汽车充电功率峰值与平均值之间的倍数关系，/>
Figure SMS_86
为充电站/>
Figure SMS_88
覆盖范围内第/>
Figure SMS_92
条道路上的充电汽车总数量，/>
Figure SMS_93
为电动汽车额定容量平均水平，/>
Figure SMS_85
为电动汽车充电过程中荷电状态阈值，/>
Figure SMS_90
为电动汽车充电时荷电状态初始值。
在本发明的一个实施例中，根据所述充电站数量约束条件建立电动汽车充电站选址定容第四约束函数，所述电动汽车充电站选址定容第四约束函数为：
Figure SMS_94
，
Figure SMS_95
，
Figure SMS_96
，
其中，
Figure SMS_99
为充电站内充电桩的日平均运行时间，/>
Figure SMS_102
为规划区域内所有道路的集合，
Figure SMS_106
为规划区域内待建设充电站总数量，/>
Figure SMS_100
为规划区域内每天需要充电的电动汽车占比，
Figure SMS_103
为第/>
Figure SMS_108
条道路的电动汽车总数量，/>
Figure SMS_110
为电动汽车额定容量平均水平，/>
Figure SMS_97
为电动汽车充电过程中荷电状态阈值，/>
Figure SMS_101
为电动汽车充电时荷电状态初始值，/>
Figure SMS_105
为快速充电桩的额定功率，/>
Figure SMS_109
为慢速充电桩的额定功率，/>
Figure SMS_98
为规划区域内充电站数量最小值，/>
Figure SMS_104
为规划区域内充电站数量最大值，/>
Figure SMS_107
为单个充电站内慢速充电桩配置数量下限，
Figure SMS_111
为单个充电站内快速充电桩配置数量上限。
在本发明的一个实施例中，根据所述充电站距离约束条件建立电动汽车充电站选址定容第五约束函数，所述电动汽车充电站选址定容第五约束函数为：
Figure SMS_112
，
其中，
Figure SMS_113
为充电站/>
Figure SMS_114
的有效服务半径，/>
Figure SMS_115
为第/>
Figure SMS_116
个充电站与第/>
Figure SMS_117
个充电站之间的实际距离。
在本发明的一个实施例中，所述根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数，所述路况与充电成本的关系函数为：
Figure SMS_118
，
其中，
Figure SMS_121
为充电站年平均运行天数，/>
Figure SMS_125
为用户出行的时间价值，/>
Figure SMS_128
为规划区域内所有道路的集合，/>
Figure SMS_122
为规划区域内待建设充电站总数量，/>
Figure SMS_126
为规划区域内每天需要充电的电动汽车占比，/>
Figure SMS_130
为第/>
Figure SMS_133
条道路的电动汽车总数量，/>
Figure SMS_119
为第/>
Figure SMS_124
条道路至充电站/>
Figure SMS_127
的平均行驶距离，/>
Figure SMS_131
为行驶第/>
Figure SMS_120
条道路的耗时指数，/>
Figure SMS_123
为道路通畅时电动汽车的行驶速度，/>
Figure SMS_129
为充电站售电电价，/>
Figure SMS_132
为电动汽车单位行驶里程所消耗的电量。
在本发明的一个实施例中，所述利用NSGA-Ⅱ算法和熵权法对所述电动汽车充电站选址定容优化模型进行求解，获取规划区域内的目标电动汽车充电站选址定容优化方案包括：
利用NSGA-Ⅱ算法对所述电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集；
利用熵权法分别计算所述可行方案集合中可行方案的综合分数，并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
在本发明的一个实施例中，所述利用NSGA-Ⅱ算法对所述电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集包括：
初始化算法参数，并根据充电站位置、充电站内快速充电桩的配置数量以及充电站内慢速充电桩的配置数量进行编码；其中，所述初始化算法参数包括设置预设迭代次数和种群规模；
根据所述电动汽车充电站选址定容优化模型中的目标函数计算种群个体的适应度值，并进行非支配排序和拥挤度计算；
对种群进行选择、交叉、变异，生成子代种群；
合并初始种群和子代种群产生新种群，对所述新种群进行非支配排序和拥挤度计算，并利用精英保留策略对所述新种群进行优选作为初始种群进行迭代；
判断迭代次数是否等于预设迭代次数，若是则输出可行方案集合作为Pareto最优解集；若否则返回对种群进行选择、交叉、变异，生成子代种群，直到迭代次数等于预设次数。
在本发明的一个实施例中，所述利用熵权法分别计算所述可行方案集合中可行方案的综合分数，并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案包括：
利用熵权法对所述可行方案集合中的可行方案进行数据标准化处理，其计算公式为：
Figure SMS_134
， />
Figure SMS_135
，
其中，
Figure SMS_137
为对/>
Figure SMS_141
进行标准化处理后的数据，/>
Figure SMS_142
为所述可行方案集合中第/>
Figure SMS_138
个可行方案的第/>
Figure SMS_140
个指标，/>
Figure SMS_143
为所述可行方案集合中第/>
Figure SMS_144
个指标的最小值，/>
Figure SMS_136
为所述可行方案集合中第/>
Figure SMS_139
个指标的最大值；
计算所述第
Figure SMS_145
个指标下第/>
Figure SMS_146
个可行方案的比重，其计算公式为：
Figure SMS_147
；
其中，
Figure SMS_148
为所述可行方案集合中可行方案的数量；
计算所述第
Figure SMS_149
个指标的信息熵，其计算公式为：
Figure SMS_150
；
计算所述第
Figure SMS_151
个指标的权重，其计算公式为：
Figure SMS_152
；
其中，
Figure SMS_153
为所述可行方案集合中所有可行方案的指标数量；
计算所述可行方案集合中可行方案的综合分数，其计算公式为：
Figure SMS_154
；
其中，
Figure SMS_155
为所述可行方案集合中第/>
Figure SMS_156
个可行方案的综合分数；
对所述可行方案集合中可行方案的综合分数进行比较，并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
本发明还提供了一种电动汽车充电站选址定容优化装置，包括：
第一目标函数构建模块，用于根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数；
第二目标函数构建模块，用于根据等效经济成本建立充电成本最小化目标函数；
约束函数构建模块，用于根据充电站内快速和慢速充电桩额定容量约束条件、充电站内快速和慢速充电桩数量约束条件、充电站峰值充电功率约束条件、充电站数量约束条件以及充电站距离约束条件分别建立电动汽车充电站选址定容约束函数；
关系函数构建模块，用于根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数；
模型构建模块，用于基于所述充电站收益最大化目标函数、所述充电成本最小化目标函数、所述电动汽车充电站选址定容约束函数和所述路况与充电成本的关系函数构建电动汽车充电站选址定容优化模型；
计算模块，用于利用NSGA-Ⅱ算法和熵权法对所述电动汽车充电站选址定容优化模型进行求解，获取规划区域内的目标电动汽车充电站选址定容优化方案。
在本发明的一个实施例中，所述第一目标函数构建模块包括：
充电站年运行收益计算单元，用于根据充电站年平均运行天数、规划区域内每天需要充电的电动汽车数量、电动汽车充电前后荷电状态差值以及充电站售电电价和购电电价的差值计算充电站年运行收益；
充电站年化总成本计算单元，用于根据规划区域内待建设充电站总数量、充电站最大运行寿命、充电站贴现率、充电站的总建设成本与充电桩购买成本以及充电站的年运维成本计算充电站年化总成本；
充电站收益最大化目标函数构建单元，用于将所述充电站年运行收益与所述充电站年化总成本的差值最大化作为充电站收益最大化目标函数。
在本发明的一个实施例中，所述第二目标函数构建模块包括：
第一等效经济成本计算单元，用于根据行驶速度和行驶距离计算行驶时间和损耗电量的等效经济成本；
第二等效经济成本计算单元，用于根据充电站内电动汽车的平均充电排队时间计算站内排队等候时间的等效经济成本；
充电成本最小化目标函数构建单元，用于将所述行驶时间和损耗电量的等效经济成本与所述站内排队等候时间的等效经济成本的相加值最小化作为充电成本最小化目标函数。
在本发明的一个实施例中，所述计算模块包括：
第一计算单元，用于利用NSGA-Ⅱ算法对所述电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集；
第二计算单元，用于利用熵权法分别计算所述可行方案集合中可行方案的综合分数，并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的电动汽车充电站选址定容优化方法的步骤。
本发明所述的电动汽车充电站选址定容优化方法建立了充电站收益最大化目标函数和充电成本最小化目标函数、电动汽车充电站选址定容约束函数，并根据规划区域内道路交通拥堵状况对应的耗时指数建立了路况与充电成本的关系函数，以此构建电动汽车充电站选址定容优化模型；并利用NSGA-Ⅱ算法与熵权法对该模型求解以得到规划区域内的目标电动汽车充电站选址定容优化方案。本方法在构建电动汽车充电站选址定容优化模型时综合考虑了充电站的利益和用户充电成本以及不同类型的充电桩的充电特性，还引入道路耗时指数来综合反映道路交通状况对用户充电成本的影响，不仅使得充电站收益最大化，用户充电成本最小化，还提升了电动汽车充电站的经济性，使得电动汽车充电站更加符合用户的实际充电需求，提高了用户充电满意度。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明提供的电动汽车充电站选址定容影响因素分析图；
图2是本发明提供的电动汽车充电站选址定容优化方法流程图；
图3是本发明提供的基于NSGA-Ⅱ算法与熵权法对电动汽车充电站选址定容优化模型求解流程图；
图4是本发明提供的电动汽车充电站选址定容优化装置结构示意图；
图5是本发明提供的电动汽车充电站选址定容优化装置中第一目标函数构建模块结构示意图；
图6是本发明提供的电动汽车充电站选址定容优化装置中第二目标函数构建模块结构示意图；
图7是本发明提供的电动汽车充电站选址定容优化装置中计算模块结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
影响电动汽车充电站合理规划和容量配置的因素有很多，本申请通过调研相关研究资料将其主要因素概括为以下四类，如图1所示。
第一类为政治经济因素：电动汽车产业的起步阶段相对困难，需要依靠国家与当地政府的补贴来适当推进电动汽车产业发展的进程。国家以及地方的政策规划直接影响了电动汽车及其配套设施的发展规模，同时也决定了电动汽车充电站的布局。充电站投资成本主要包括建设成本、配网损耗成本、日常运行维护成本等，其收益主要来源于电费差价与基础设施相关服务费。虽然当前国家大力推广发展电动汽车产业，但电动汽车充电基础设施既有社会公益性也有市场性，达到商家预期的投资收益才能推动大量社会资本快速融入该行业，更好地推动电动汽车的全面普及。目前看来，电动汽车充电基础设施初期建设成本投资高、收益回收周期长，在一定程度上影响了充电站选址与电动汽车充电基础设施后期建设。
第二类为用户电满意度：用户充电舒适度是指待充电的电动汽车行驶至目标充电站的便捷程度，其影响因素主要分为用户位置到充电站的路网结构以及充电站的服务范围等。充电站的服务范围与其服务半径息息相关，不同大小的充电站服务半径间接影响了电动汽车用户的充电舒适度，同时也是决定充电站建设是否合理的重要因素。充电站服务半径过小，用户的充电舒适度则会降低，虽然提高充电站的数量可以提高用户的充电舒适度与便捷性，但同样也会使投资成本显著增加。另外，道路拥堵情况也是影响电动汽车用户充电便捷性的重要因素之一，不同的道路拥堵状况对应用户不同的行驶速度，从而导致用户行驶至目前充电站的时间长短也各不相同。
第三类为充电需求：充电站以及相关设施建设不仅要使投资者的总成本最小，同时还要求在充电站服务范围一定的情况下满足整个区域的充电需求。因此，在对充电站进行规划之前，需要对充电需求进行预测与计算。充电需求受电动汽车的总体数量、行驶里程、车载电池容量等因素影响。电动汽车总体数量越多、行驶里程越长、车载电池容量越小、单位电耗越大，就需要分布范围广泛的充电站。基于此，在对充电站进行规划之前，应对目标区域内的充电需求进行准确预测，然后根据得到的充电需求来合理布局充电站的位置以及站内充电桩的数量，进而有效保障充电站的利用率。
第四类为空间约束性：充电站选址定容规划除了需要考虑以上因素的影响外，还需要考虑地理环境等因素的影响。充电规划时最重要的是满足充电站选址布局的合理性。判断充电站选址是否合理，需要从以下三个方面进行分析：1）就周围环境而言，充电站选址是否会破坏周围环境；2）就社会层面而言，充电站的建设是否影响周围人们的正常生活；3）就国家政策与规划而言，是否满足该区域的地理条件以及候选站址是否与该地区的路网规划一致。另外，空间距离约束也是直接决定充电站规划的重要影响因素。空间距离约束是指在满足目标区域内充电需求的前提下使相邻充电站之间的距离设置在合理范围内。若充电站间距离较远，则影响用户的充电便捷程度；反之，则会增加充电站投资的成本，造成方案经济性不高。
实施例1：
基于上述影响因素，本申请提供了一种电动汽车充电站选址定容优化方法，如图2所示为本申请提供的电动汽车充电站选址定容优化方法流程图，包括：
S10：根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数。
在一些实施例中，步骤S10的具体实现方式为：
S100：根据充电站年平均运行天数、规划区域内每天需要充电的电动汽车数量、电动汽车充电前后荷电状态差值以及充电站售电电价和购电电价的差值计算充电站年运行收益。
具体地，充电站年运行收益的计算公式为：
Figure SMS_157
，
其中，
Figure SMS_160
为充电站年平均运行天数，/>
Figure SMS_163
为规划区域内所有道路的集合，/>
Figure SMS_166
为规划区域内每天需要充电的电动汽车占比，/>
Figure SMS_159
为第/>
Figure SMS_161
条道路的电动汽车总数量，/>
Figure SMS_164
为电动汽车额定容量平均水平，/>
Figure SMS_167
为电动汽车充电过程中荷电状态阈值，/>
Figure SMS_158
为电动汽车充电时荷电状态初始值，/>
Figure SMS_162
为充电站售电电价，/>
Figure SMS_165
为充电站购电电价，即充电站向上级购买电能时的购电电价。
S101：根据规划区域内待建设充电站总数量、充电站最大运行寿命、充电站贴现率、充电站的总建设成本与充电桩购买成本以及充电站的年运维成本计算充电站年化总成本。
具体地，其充电站年化总成本的计算公式为：
Figure SMS_168
，
其中，
Figure SMS_170
为规划区域内待建设充电站总数量，/>
Figure SMS_174
为充电站的贴现率，/>
Figure SMS_176
为充电站的最大运行寿命，/>
Figure SMS_171
为第/>
Figure SMS_173
个充电站的总建设成本，/>
Figure SMS_175
为第/>
Figure SMS_177
个充电站的充电桩购买成本，/>
Figure SMS_169
为第/>
Figure SMS_172
个充电站的年运维成本；
Figure SMS_178
，
其中，
Figure SMS_179
为快速充电桩的购买单价，/>
Figure SMS_180
为第/>
Figure SMS_181
个充电站内快速充电桩的配置数量，/>
Figure SMS_182
为慢速充电桩的购买单价，/>
Figure SMS_183
为第/>
Figure SMS_184
个充电站内慢速充电桩的配置数量；
充电桩购买成本与站内充电桩数量和类型有密切联系，同时不同充电桩功率配置将间接影响用户充电排队等候时间，因此本实施例在计算充电桩成本时分别考虑了快慢充电桩的购买成本，以更精确地计算充电站年化总成本。
Figure SMS_185
，
其中，
Figure SMS_186
为百分比折算因子。
充电站运维成本主要由充电站站内设备检修维护成本、设备运行损耗成本以及工作人员工资等构成。通常情况下，各项成本的具体数值较为模糊，难以精确计算，因此，本实施例中以充电站初期投资作为基准，对充电站年运维成本进行百分比折算。
S102：将充电站年运行收益与充电站年化总成本的差值最大化作为充电站收益最大化目标函数。
具体地，该充电站收益最大化目标函数为：
Figure SMS_187
。
S20：根据等效经济成本建立充电成本最小化目标函数。
在一些实施例中，步骤S20的具体实现方式为：
S200：根据行驶速度和行驶距离计算行驶时间和损耗电量的等效经济成本。
具体地，行驶时间和损耗电量的等效经济成本的计算公式为：
Figure SMS_188
，
其中，
Figure SMS_189
为用户出行的时间价值，可以由规划区域内居民的平均收入计算得到，/>
Figure SMS_190
为第/>
Figure SMS_191
条道路至充电站/>
Figure SMS_192
的平均行驶距离，/>
Figure SMS_193
为通过第/>
Figure SMS_194
条道路的行驶速度，/>
Figure SMS_195
为电动汽车单位行驶里程所消耗的电量。
S201：根据充电站内电动汽车的平均充电排队时间计算站内排队等候时间的等效经济成本。
具体地，站内排队等候时间的等效经济成本的计算公式为：
Figure SMS_196
，
其中，
Figure SMS_197
为/>
Figure SMS_198
时刻抵达充电站/>
Figure SMS_199
的电动汽车总数量，/>
Figure SMS_200
为/>
Figure SMS_201
时刻抵达充电站/>
Figure SMS_202
内电动汽车的平均充电排队时间。
S202：将行驶时间和损耗电量的等效经济成本与站内排队等候时间的等效经济成本的相加值最小化作为充电成本最小化目标函数。
具体地，充电成本最小化目标函数为：
Figure SMS_203
。
S30：根据充电站内快速和慢速充电桩额定容量约束条件、充电站内快速和慢速充电桩数量约束条件、充电站峰值充电功率约束条件、充电站数量约束条件以及充电站距离约束条件分别建立电动汽车充电站选址定容约束函数。
在一些实施例中，步骤S30的具体实现方式为：
S300：充电站内快速和慢速充电桩额定容量约束条件建立电动汽车充电站选址定容第一约束函数，该第一约束函数为：
Figure SMS_204
，
Figure SMS_205
，
其中，
Figure SMS_206
为充电站内充电桩的日平均运行时间，/>
Figure SMS_207
为充电站/>
Figure SMS_208
的额定功率，/>
Figure SMS_209
为快速充电桩的额定功率，/>
Figure SMS_210
为慢速充电桩的额定功率。
S301：根据充电站内快速和慢速充电桩数量约束条件建立电动汽车充电站选址定容第二约束函数，该第二约束函数为：
Figure SMS_211
，
Figure SMS_212
，
其中，
Figure SMS_213
和/>
Figure SMS_214
分别为单个充电站内快速充电桩配置数量下限和单个充电站内快速充电桩配置数量上限，/>
Figure SMS_215
和/>
Figure SMS_216
分别为单个充电站内慢速充电桩配置数量下限和单个充电站内慢速充电桩配置数量上限。
为了保证充电站的服务质量，同时减少因为站内充电桩数量堆积所造成的资源浪费，本实施例中分别对充电站内快速充电桩和慢速充电桩的配置数量进行了约束。
S302：根据充电站峰值充电功率约束条件建立电动汽车充电站选址定容第三约束函数，该第三约束函数为：
Figure SMS_217
，
其中，
Figure SMS_218
为电动汽车充电同时率，/>
Figure SMS_219
为规划区域内电动汽车充电功率峰值与平均值之间的倍数关系，/>
Figure SMS_220
为充电站/>
Figure SMS_221
覆盖范围内第/>
Figure SMS_222
条道路上的充电汽车总数量。
充电站的额定功率大于等于其所覆盖范围内的电动汽车的充电峰值功率，可以保证充电高峰期各个充电站的安全运行。
S303：根据充电站数量约束条件建立电动汽车充电站选址定容第四约束函数，该第四约束函数为：
Figure SMS_223
，
Figure SMS_224
，
Figure SMS_225
，
其中，
Figure SMS_226
为规划区域内充电站数量最小值，/>
Figure SMS_227
为规划区域内充电站数量最大值。
本实施例中根据目标区域内的充电需求和单个充电站的容量约束，针对充电站的数量进行了约束，一方面使得充电站收益最大化，另一方面也方便用户使用，提高了用户满意度。
S304：根据充电站距离约束条件建立电动汽车充电站选址定容第五约束函数，该第五约束函数为：
Figure SMS_228
，/>
其中，
Figure SMS_229
为充电站/>
Figure SMS_230
的有效服务半径，/>
Figure SMS_231
为第/>
Figure SMS_232
个充电站与第/>
Figure SMS_233
个充电站之间的实际距离。
合理设置充电站之间的距离不仅能够满足用户的充电需求，提升用户充电满意度，还能够降低充电站的建设成本，进一步提升充电站的经济性，因此，本申请实施例对充电站间的距离进行了约束。
S40：根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数。
用户充电过程中所产生的路途损耗时间成本与其行驶速度有很大关系，然而，以往研究在设计充电站规划方案时，仅仅选取电动汽车平均行驶速度对用户的充电行为及满意度进行分析，不具有普适性，同时，这会导致分析结果与实际情况偏差较大，造成所得方案的经济性并非最优。
从以往经验可知，汽车能耗表现与道路拥堵状况是密切相关的，通常情况是道路越拥堵，汽车油耗越高，这是由内燃机的特性所决定的。对于电动汽车而言，道路交通状况越拥堵，用户行驶速度越慢、行驶时间越长，用户在充电过程中所产生的路途损耗时间成本也越大，从而导致用户充电满意度越差。
下面以某市道路交通拥堵状况与用户行驶时间关系为例进行说明，如表1所示为不同的道路拥堵状况对于用户行驶时长的影响程度。
表1
Figure SMS_234
基于上述原因，本申请实施例在电动汽车充电站选址定容时根据规划区域内道路交通拥堵状况建立了路况与充电成本的关系函数。
该路况与充电成本的关系函数为：
Figure SMS_235
，
其中，
Figure SMS_236
为第/>
Figure SMS_237
条道路交通状况对应的耗时指数，/>
Figure SMS_238
为道路通畅时电动汽车的行驶速度。
具体地，
Figure SMS_239
的具体含义为用户实际通过该道路所需时长较该道路畅通状况下所花费时长的倍数，例如，当/>
Figure SMS_240
时，表示用户行驶时间是道路畅通状况下所花费时长的2倍。
示例地，假设道路通畅时电动汽车的行驶速度为
Figure SMS_241
，则一般情况下用户在该道路的行驶速度为：
Figure SMS_242
。/>
由该路况与充电成本关系函数可知，用户在充电过程中所产生的路途损耗时间与该道路的耗时指数成正比，因此，当道路耗时指数越大时，用户通过该道路所需时间越长，所对应的行驶速度也就越慢，其所产生的路途损耗时间成本也就越高，充电成本越大。因此，当分析规划区域内道路拥堵状况后，用户通过各道路的行驶速度将不再是一个常数，而是与该道路的耗时指数息息相关。
本实施例中通过对规划区域内各道路上电动汽车行驶速度进行分析计算，并引入道路耗时指数来综合反映道路交通状况对用户充电成本的影响，进而为后续充电站选址定容提供理论支撑，更加符合用户充电的路径选择，也更符合实际情况。
S50：基于充电站收益最大化目标函数、充电成本最小化目标函数、电动汽车充电站选址定容约束函数和路况与充电成本的关系函数获得电动汽车充电站选址定容优化模型。
S60：利用NSGA-Ⅱ算法和熵权法对电动汽车充电站选址定容优化模型进行求解，获取规划区域内的目标电动汽车充电站选址定容优化方案。
在一些实施例中，步骤S60的具体实现方式为：
S61：利用NSGA-Ⅱ（多目标遗传）算法对该电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集。
S62：利用熵权法分别计算该可行方案集合中可行方案的综合分数，并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
本实施例提供的电动汽车充电站选址定容优化方法通过构建充电站收益最大化目标函数和充电成本最小化目标函数，不仅使得充电站收益最大化，还提高了用户充电满意度，实现了充电站的最优布局。通过分析道路交通状况对用户充电成本的影响，定义了道路耗时指数以动态表征规划区域的实际路况与用户充电成本之间的数值关系，进一步提升了电动汽车充电站的经济性。除此之外，本方法在构建电动汽车充电站选址定容优化模型时，创新性地将充电站内充电桩布局问题转化为不同类型充电桩的数量配比问题，并按照目标区域内的充电需求合理设置充电站内不同类型充电桩的配置数量，不仅能够减少充电站的建设总成本，也更加符合用户的实际充电需求。
实施例2：
基于上述实施例1，本实施例中对步骤S61和步骤S62作了进一步说明，如图3所示为本实施例提供的利用NSGA-Ⅱ算法与熵权法对该模型求解的流程图，包括：
S610：初始化算法参数，并根据充电站位置、充电站内快速充电桩的配置数量以及充电站内慢速充电桩的配置数量进行编码；其中，初始化算法参数包括设置预设迭代次数和种群规模。
在一些实施例中，步骤S610的具体实现方式为：设定算法相关参数，包括迭代次数、种群规模、决策变量个数、目标函数个数、交叉率以及变异率。
具体地，在本实施例中，决策变量为充电站的位置以及充电站内部快速充电桩和慢速充电桩的配置数量。
示例地，本实施例中染色体编码为：
Figure SMS_243
，
其中，
Figure SMS_244
代表一条染色体，/>
Figure SMS_245
为二进制变量，表示第/>
Figure SMS_246
个候选规划区域建站情况，
Figure SMS_247
为第/>
Figure SMS_248
个候选规划区域内部快速充电桩的配置数量，/>
Figure SMS_249
为第/>
Figure SMS_250
个终点站候选规划区域内部慢速充电桩的配置数量。
具体地，当
Figure SMS_251
时，表示该点不设立充电站，/>
Figure SMS_252
和/>
Figure SMS_253
的值均为0；当/>
Figure SMS_254
时，
Figure SMS_255
和/>
Figure SMS_256
才能在约束范围内随机取值。
S611：根据电动汽车充电站选址定容优化模型中的目标函数计算种群个体的适应度值，并进行非支配排序和拥挤度计算。
在一些实施例中，步骤S611的具体实现方式为：根据所建立的电动汽车充电站选址定容优化模型计算种群中所有个体对应的目标函数值，同时进行Pareto排序以及拥挤度计算，并将各染色体的Pareto排序等级和拥挤度计算值赋给该染色体的新基因片段，更新该染色体。
示例地，更新后的染色体编码为：
Figure SMS_257
，
其中，pareto为染色体的Pareto排序等级，dis为染色体在此
Figure SMS_258
等级下所计算的拥挤度值。
S612：对种群进行选择、交叉、变异，生成子代种群。
在一些实施例中，步骤S612的具体实现方式为：对初始种群进行选择、交叉和变异操作，将排序后的种群个体两两随机进行锦标赛竞争，选择出较为优秀的个体，之后对优选后的种群进行交叉、变异操作，生成第一代子代种群。
S613：合并初始种群和子代种群产生新种群，对新种群进行非支配排序和拥挤度计算，并利用精英保留策略对新种群进行优选作为初始种群进行迭代。
在一些实施例中，步骤S613的具体实现方式为：将初始种群与生成的子代种群合并组成新种群，再次对该新种群进行非支配排序和拥挤度计算，同时利用精英保留策略对新种群进行优选，按照拥挤度大小从低到高剔除优选后的种群中非支配层的个体，直到种群大小满足要求。
具体地，利用精英保留策略对新的种群进行优选时，该优选规则为按Pareto等级由高到低依次将非支配Front1、Front2、......Frontm放入新的父代种群中，直到父代种群的大小超出规定值。
S614：判断迭代次数是否等于预设迭代次数，若是则输出可行方案集合作为Pareto最优解集；若否则返回步骤S612。
S620：利用熵权法对该可行方案集合中的可行方案进行数据标准化处理，其计算公式为：
Figure SMS_259
，/>
Figure SMS_260
，
其中，
Figure SMS_263
为对/>
Figure SMS_266
进行标准化处理后的数据，/>
Figure SMS_268
为可行方案集合中第/>
Figure SMS_262
个可行方案的第/>
Figure SMS_264
个指标，/>
Figure SMS_267
为可行方案集合中第/>
Figure SMS_269
个指标的最小值，/>
Figure SMS_261
为可行方案集合中第/>
Figure SMS_265
个指标的最大值。
S621：计算第
Figure SMS_270
个指标下第/>
Figure SMS_271
个可行方案的比重，其计算公式为：
Figure SMS_272
；
其中，n为可行方案集合中所有可行方案的指标数量。
S622：计算第
Figure SMS_273
个指标的信息熵，其计算公式为：
Figure SMS_274
。
S623：计算第
Figure SMS_275
个指标的权重，其计算公式为：
Figure SMS_276
；
其中，
Figure SMS_277
为可行方案集合中所有可行方案的指标数量。
S624：计算可行方案集合中可行方案的综合分数，其计算公式为：
Figure SMS_278
；
其中，
Figure SMS_279
为可行方案集合中第/>
Figure SMS_280
个可行方案的综合分数；
S625：对可行方案集合中可行方案的综合分数进行比较，并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
本申请实施例引入NSGA-Ⅱ算法与熵权法对电动汽车充电站选址定容优化模型进行求解，提高了运算速度和鲁棒性，具有可操作性，也使得模型求解过程更加简单、直观、易于实现。
基于上述实施例，本申请还提供了一种电动汽车充电站选址定容优化装置，如图4所示，该装置包括：
第一目标函数构建模块10，用于根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数。
第二目标函数构建模块20，用于根据等效经济成本建立充电成本最小化目标函数。
约束函数构建模块30，用于根据充电站内快速和慢速充电桩的额定容量约束条件、充电站内快速和慢速充电桩数量约束条件、充电站峰值充电功率约束条件、充电站数量约束条件以及充电站距离约束条件分别建立电动汽车充电站选址定容约束函数。
关系函数构建模块40，用于根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数。
模型构建模块50，用于基于充电站收益最大化目标函数、充电成本最小化目标函数、电动汽车充电站选址定容约束函数和路况与充电成本的关系函数构建电动汽车充电站选址定容优化模型。
计算模块60，用于利用NSGA-Ⅱ算法和熵权法对电动汽车充电站选址定容优化模型进行求解，获取规划区域内的目标电动汽车充电站选址定容优化方案。
具体地，如图5所示，第一目标函数构建模块10还包括：
充电站年运行收益计算单元100，用于根据充电站年平均运行天数、规划区域内每天需要充电的电动汽车数量、电动汽车充电前后荷电状态差值以及充电站售电电价和购电电价的差值计算充电站年运行收益。
充电站年化总成本计算单元101，用于根据规划区域内待建设充电站总数量、充电站最大运行寿命、充电站贴现率、充电站的总建设成本与充电桩购买成本以及充电站的年运维成本计算充电站年化总成本。
充电站收益最大化目标函数构建单元102，用于将充电站年运行收益与充电站年化总成本的差值最大化作为充电站收益最大化目标函数。
如图6所示，第二目标函数构建模块20还包括：
第一等效经济成本计算单元200，用于根据行驶速度和行驶距离计算行驶时间和损耗电量的等效经济成本。
第二等效经济成本计算单元201，用于根据充电站内电动汽车的平均充电排队时间计算站内排队等候时间的等效经济成本。
充电成本最小化目标函数构建单元202，用于将行驶时间和损耗电量的等效经济成本与站内排队等候时间的等效经济成本的相加值最小化作为充电成本最小化目标函数。
如图7所示，计算模块60还包括：
第一计算单元600，用于利用NSGA-Ⅱ算法对电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集。
第二计算单元601，用于利用熵权法分别计算可行方案集合中可行方案的综合分数，并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述的电动汽车充电站选址定容优化方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (23)

1.一种电动汽车充电站选址定容优化方法，其特征在于，包括：
根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数；其中，所述充电站年化总成本中包括充电站内快速和慢速充电桩购买成本；
根据等效经济成本建立充电成本最小化目标函数；
根据充电站内快速和慢速充电桩额定容量约束条件、充电站内快速和慢速充电桩数量约束条件、充电站峰值充电功率约束条件、充电站数量约束条件以及充电站距离约束条件分别建立电动汽车充电站选址定容约束函数；
根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数；
基于所述充电站收益最大化目标函数、所述充电成本最小化目标函数、所述电动汽车充电站选址定容约束函数和所述路况与充电成本的关系函数构建电动汽车充电站选址定容优化模型；
利用NSGA-Ⅱ算法和熵权法对所述电动汽车充电站选址定容优化模型进行求解，获取规划区域内的目标电动汽车充电站选址定容优化方案。
2.根据权利要求1所述的电动汽车充电站选址定容优化方法，其特征在于，所述根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数包括：
根据充电站年平均运行天数、规划区域内每天需要充电的电动汽车数量、电动汽车充电前后荷电状态差值以及充电站售电电价和购电电价的差值计算充电站年运行收益；
根据规划区域内待建设充电站总数量、充电站最大运行寿命、充电站贴现率、充电站的总建设成本与充电桩购买成本以及充电站的年运维成本计算充电站年化总成本；
将所述充电站年运行收益与所述充电站年化总成本的差值最大化作为充电站收益最大化目标函数。
3.根据权利要求2所述的电动汽车充电站选址定容优化方法，其特征在于，所述充电站年运行收益的计算公式为：
Figure QLYQS_1
，
其中，
Figure QLYQS_3
为充电站年平均运行天数，/>
Figure QLYQS_6
为规划区域内所有道路的集合，/>
Figure QLYQS_8
为规划区域内每天需要充电的电动汽车占比，/>
Figure QLYQS_4
为第/>
Figure QLYQS_7
条道路的电动汽车总数量，/>
Figure QLYQS_10
为电动汽车额定容量平均水平，/>
Figure QLYQS_11
为电动汽车充电过程中荷电状态阈值，/>
Figure QLYQS_2
为电动汽车充电时荷电状态初始值，/>
Figure QLYQS_5
为充电站售电电价，/>
Figure QLYQS_9
为充电站购电电价。
4.根据权利要求3所述的电动汽车充电站选址定容优化方法，其特征在于，所述充电站年化总成本的计算公式为：
Figure QLYQS_12
，
其中，
Figure QLYQS_15
为规划区域内待建设充电站总数量，/>
Figure QLYQS_18
为充电站的贴现率，/>
Figure QLYQS_20
为充电站的最大运行寿命，/>
Figure QLYQS_14
为第/>
Figure QLYQS_17
个充电站的总建设成本，/>
Figure QLYQS_19
为第/>
Figure QLYQS_21
个充电站的充电桩购买成本，/>
Figure QLYQS_13
为第
Figure QLYQS_16
个充电站的年运维成本；
Figure QLYQS_22
，
其中，
Figure QLYQS_23
为快速充电桩的购买单价，/>
Figure QLYQS_24
为第/>
Figure QLYQS_25
个充电站内快速充电桩的配置数量，/>
Figure QLYQS_26
为慢速充电桩的购买单价，/>
Figure QLYQS_27
为第/>
Figure QLYQS_28
个充电站内慢速充电桩的配置数量；
Figure QLYQS_29
，
其中，
Figure QLYQS_30
为百分比折算因子。
5.根据权利要求4所述的电动汽车充电站选址定容优化方法，其特征在于，所述充电站收益最大化目标函数为：
Figure QLYQS_31
。
6.根据权利要求1所述的电动汽车充电站选址定容优化方法，其特征在于，所述根据等效经济成本建立充电成本最小化目标函数包括：
根据行驶速度和行驶距离计算行驶时间和损耗电量的等效经济成本；
根据充电站内电动汽车的平均充电排队时间计算站内排队等候时间的等效经济成本；
将所述行驶时间和损耗电量的等效经济成本与所述站内排队等候时间的等效经济成本的相加值最小化作为充电成本最小化目标函数。
7.根据权利要求6所述的电动汽车充电站选址定容优化方法，其特征在于，所述行驶时间和损耗电量的等效经济成本的计算公式为：
Figure QLYQS_32
，
其中，
Figure QLYQS_34
为充电站年平均运行天数，/>
Figure QLYQS_37
为用户出行的时间价值，/>
Figure QLYQS_41
为规划区域内所有道路的集合，/>
Figure QLYQS_36
为规划区域内待建设充电站总数量，/>
Figure QLYQS_39
为规划区域内每天需要充电的电动汽车占比，/>
Figure QLYQS_45
为第/>
Figure QLYQS_46
条道路的电动汽车总数量，/>
Figure QLYQS_33
为第/>
Figure QLYQS_38
条道路至充电站/>
Figure QLYQS_42
的平均行驶距离，/>
Figure QLYQS_44
为通过第/>
Figure QLYQS_35
条道路的行驶速度，/>
Figure QLYQS_40
为充电站售电电价，/>
Figure QLYQS_43
为电动汽车单位行驶里程所消耗的电量。
8.根据权利要求7所述的电动汽车充电站选址定容优化方法，其特征在于，所述站内排队等候时间的等效经济成本的计算公式为：
Figure QLYQS_47
，
其中，
Figure QLYQS_48
为/>
Figure QLYQS_49
时刻抵达充电站/>
Figure QLYQS_50
的电动汽车总数量，/>
Figure QLYQS_51
为/>
Figure QLYQS_52
时刻抵达充电站/>
Figure QLYQS_53
内电动汽车的平均充电排队时间。
9.根据权利要求8所述的电动汽车充电站选址定容优化方法，其特征在于，所述充电成本最小化目标函数为：
Figure QLYQS_54
。
10.根据权利要求1所述的电动汽车充电站选址定容优化方法，其特征在于，根据所述充电站内快速和慢速充电桩额定容量约束条件建立电动汽车充电站选址定容第一约束函数，所述电动汽车充电站选址定容第一约束函数为：
Figure QLYQS_55
，
Figure QLYQS_56
，
其中，
Figure QLYQS_66
为充电站内充电桩的日平均运行时间，/>
Figure QLYQS_59
为充电站/>
Figure QLYQS_63
的额定功率，/>
Figure QLYQS_68
为规划区域内所有道路的集合，/>
Figure QLYQS_71
为规划区域内待建设充电站总数量，/>
Figure QLYQS_69
为规划区域内每天需要充电的电动汽车占比，/>
Figure QLYQS_73
为第/>
Figure QLYQS_70
条道路的电动汽车总数量，/>
Figure QLYQS_72
为电动汽车额定容量平均水平，
Figure QLYQS_57
为电动汽车充电过程中荷电状态阈值，/>
Figure QLYQS_65
为电动汽车充电时荷电状态初始值，
Figure QLYQS_60
为快速充电桩的额定功率，/>
Figure QLYQS_61
为第/>
Figure QLYQS_64
个充电站内快速充电桩的配置数量，/>
Figure QLYQS_67
为慢速充电桩的额定功率，/>
Figure QLYQS_58
为第/>
Figure QLYQS_62
个充电站内慢速充电桩的配置数量。
11.根据权利要求1所述的电动汽车充电站选址定容优化方法，其特征在于，根据所述充电站内快速和慢速充电桩数量约束条件建立电动汽车充电站选址定容第二约束函数，所述电动汽车充电站选址定容第二约束函数为：
Figure QLYQS_74
，
Figure QLYQS_75
，
其中，
Figure QLYQS_77
和/>
Figure QLYQS_79
分别为单个充电站内快速充电桩配置数量下限和单个充电站内快速充电桩配置数量上限，/>
Figure QLYQS_81
和/>
Figure QLYQS_78
分别为单个充电站内慢速充电桩配置数量下限和单个充电站内慢速充电桩配置数量上限，/>
Figure QLYQS_80
为第/>
Figure QLYQS_82
个充电站内快速充电桩的配置数量，/>
Figure QLYQS_83
为第/>
Figure QLYQS_76
个充电站内慢速充电桩的配置数量。
12.根据权利要求1所述的电动汽车充电站选址定容优化方法，其特征在于，根据所述充电站峰值充电功率约束条件建立电动汽车充电站选址定容第三约束函数，所述电动汽车充电站选址定容第三约束函数为：
Figure QLYQS_84
，
其中，
Figure QLYQS_86
为规划区域内每天需要充电的电动汽车占比，/>
Figure QLYQS_89
为电动汽车充电同时率，/>
Figure QLYQS_92
为规划区域内电动汽车充电功率峰值与平均值之间的倍数关系，/>
Figure QLYQS_87
为充电站/>
Figure QLYQS_90
覆盖范围内第/>
Figure QLYQS_91
条道路上的充电汽车总数量，/>
Figure QLYQS_93
为电动汽车额定容量平均水平，/>
Figure QLYQS_85
为电动汽车充电过程中荷电状态阈值，/>
Figure QLYQS_88
为电动汽车充电时荷电状态初始值。
13.根据权利要求1所述的电动汽车充电站选址定容优化方法，其特征在于，根据所述充电站数量约束条件建立电动汽车充电站选址定容第四约束函数，所述电动汽车充电站选址定容第四约束函数为：
Figure QLYQS_94
，
Figure QLYQS_95
，
Figure QLYQS_96
，
其中，
Figure QLYQS_97
为充电站内充电桩的日平均运行时间，/>
Figure QLYQS_102
为规划区域内所有道路的集合，/>
Figure QLYQS_107
为规划区域内待建设充电站总数量，/>
Figure QLYQS_99
为规划区域内每天需要充电的电动汽车占比，/>
Figure QLYQS_104
为第/>
Figure QLYQS_108
条道路的电动汽车总数量，/>
Figure QLYQS_111
为电动汽车额定容量平均水平，/>
Figure QLYQS_100
为电动汽车充电过程中荷电状态阈值，/>
Figure QLYQS_101
为电动汽车充电时荷电状态初始值，/>
Figure QLYQS_105
为快速充电桩的额定功率，/>
Figure QLYQS_109
为慢速充电桩的额定功率，/>
Figure QLYQS_98
为规划区域内充电站数量最小值，/>
Figure QLYQS_103
为规划区域内充电站数量最大值，/>
Figure QLYQS_106
为单个充电站内慢速充电桩配置数量下限，/>
Figure QLYQS_110
为单个充电站内快速充电桩配置数量上限。
14.根据权利要求1所述的电动汽车充电站选址定容优化方法，其特征在于，根据所述充电站距离约束条件建立电动汽车充电站选址定容第五约束函数，所述电动汽车充电站选址定容第五约束函数为：
Figure QLYQS_112
，
其中，
Figure QLYQS_113
为充电站/>
Figure QLYQS_114
的有效服务半径，/>
Figure QLYQS_115
为第/>
Figure QLYQS_116
个充电站与第/>
Figure QLYQS_117
个充电站之间的实际距离。
15.根据权利要求1所述的电动汽车充电站选址定容优化方法，其特征在于，所述根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数，所述路况与充电成本的关系函数为：
Figure QLYQS_118
，
其中，
Figure QLYQS_121
为充电站年平均运行天数，/>
Figure QLYQS_124
为用户出行的时间价值，/>
Figure QLYQS_129
为规划区域内所有道路的集合，/>
Figure QLYQS_120
为规划区域内待建设充电站总数量，/>
Figure QLYQS_123
为规划区域内每天需要充电的电动汽车占比，/>
Figure QLYQS_127
为第/>
Figure QLYQS_131
条道路的电动汽车总数量，/>
Figure QLYQS_119
为第/>
Figure QLYQS_126
条道路至充电站/>
Figure QLYQS_130
的平均行驶距离，/>
Figure QLYQS_132
为第/>
Figure QLYQS_122
条道路交通状况对应的耗时指数，其中，所述耗时指数为实际通过道路所需时长较道路畅通状况下通过道路所需时长的倍数，/>
Figure QLYQS_125
为道路通畅时电动汽车的行驶速度，/>
Figure QLYQS_128
为充电站售电电价，/>
Figure QLYQS_133
为电动汽车单位行驶里程所消耗的电量。
16.根据权利要求1所述的电动汽车充电站选址定容优化方法，其特征在于，所述利用NSGA-Ⅱ算法和熵权法对所述电动汽车充电站选址定容优化模型进行求解，获取规划区域内的目标电动汽车充电站选址定容优化方案包括：
利用NSGA-Ⅱ算法对所述电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集；
利用熵权法分别计算所述可行方案集合中可行方案的综合分数，并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
17.根据权利要求16所述的电动汽车充电站选址定容优化方法，其特征在于，所述利用NSGA-Ⅱ算法对所述电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集包括：
初始化算法参数，并根据充电站位置、充电站内快速充电桩的配置数量以及充电站内慢速充电桩的配置数量进行编码；其中，所述初始化算法参数包括设置预设迭代次数和种群规模；
根据所述电动汽车充电站选址定容优化模型中的目标函数计算种群个体的适应度值，并进行非支配排序和拥挤度计算；
对种群进行选择、交叉、变异，生成子代种群；
合并初始种群和子代种群产生新种群，对所述新种群进行非支配排序和拥挤度计算，并利用精英保留策略对所述新种群进行优选作为初始种群进行迭代；
判断迭代次数是否等于预设迭代次数，若是则输出可行方案集合作为Pareto最优解集；若否则返回对种群进行选择、交叉、变异，生成子代种群，直到迭代次数等于预设次数。
18.根据权利要求16所述的电动汽车充电站选址定容优化方法，其特征在于，所述利用熵权法分别计算所述可行方案集合中可行方案的综合分数，并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案包括：
利用熵权法对所述可行方案集合中的可行方案进行数据标准化处理，其计算公式为：
Figure QLYQS_134
， />
Figure QLYQS_135
，
其中，
Figure QLYQS_137
为对/>
Figure QLYQS_141
进行标准化处理后的数据，/>
Figure QLYQS_142
为所述可行方案集合中第/>
Figure QLYQS_138
个可行方案的第/>
Figure QLYQS_140
个指标，/>
Figure QLYQS_143
为所述可行方案集合中第/>
Figure QLYQS_144
个指标的最小值，/>
Figure QLYQS_136
为所述可行方案集合中第/>
Figure QLYQS_139
个指标的最大值；
计算所述第
Figure QLYQS_145
个指标下第/>
Figure QLYQS_146
个可行方案的比重，其计算公式为：
Figure QLYQS_147
；
其中，
Figure QLYQS_148
为所述可行方案集合中可行方案的数量；
计算所述第
Figure QLYQS_149
个指标的信息熵，其计算公式为：
Figure QLYQS_150
；
计算所述第
Figure QLYQS_151
个指标的权重，其计算公式为：
Figure QLYQS_152
；
其中，
Figure QLYQS_153
为所述可行方案集合中所有可行方案的指标数量；
计算所述可行方案集合中可行方案的综合分数，其计算公式为：
Figure QLYQS_154
；
其中，
Figure QLYQS_155
为所述可行方案集合中第/>
Figure QLYQS_156
个可行方案的综合分数；
对所述可行方案集合中可行方案的综合分数进行比较，并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
19.一种电动汽车充电站选址定容优化装置，其特征在于，包括：
第一目标函数构建模块，用于根据充电站年运行收益和充电站年化总成本建立充电站收益最大化目标函数；
第二目标函数构建模块，用于根据等效经济成本建立充电成本最小化目标函数；
约束函数构建模块，用于根据充电站内快速和慢速充电桩额定容量约束条件、充电站内快速和慢速充电桩数量约束条件、充电站峰值充电功率约束条件、充电站数量约束条件以及充电站距离约束条件分别建立电动汽车充电站选址定容约束函数；
关系函数构建模块，用于根据规划区域内道路交通拥堵状况对应的耗时指数建立路况与充电成本的关系函数；
模型构建模块，用于基于所述充电站收益最大化目标函数、所述充电成本最小化目标函数、所述电动汽车充电站选址定容约束函数和所述路况与充电成本的关系函数构建电动汽车充电站选址定容优化模型；
计算模块，用于利用NSGA-Ⅱ算法和熵权法对所述电动汽车充电站选址定容优化模型进行求解，获取规划区域内的目标电动汽车充电站选址定容优化方案。
20.根据权利要求19所述的电动汽车充电站选址定容优化装置，其特征在于，所述第一目标函数构建模块包括：
充电站年运行收益计算单元，用于根据充电站年平均运行天数、规划区域内每天需要充电的电动汽车数量、电动汽车充电前后荷电状态差值以及充电站售电电价和购电电价的差值计算充电站年运行收益；
充电站年化总成本计算单元，用于根据规划区域内待建设充电站总数量、充电站最大运行寿命、充电站贴现率、充电站的总建设成本与充电桩购买成本以及充电站的年运维成本计算充电站年化总成本；
充电站收益最大化目标函数构建单元，用于将所述充电站年运行收益与所述充电站年化总成本的差值最大化作为充电站收益最大化目标函数。
21.根据权利要求19所述的电动汽车充电站选址定容优化装置，其特征在于，所述第二目标函数构建模块包括：
第一等效经济成本计算单元，用于根据行驶速度和行驶距离计算行驶时间和损耗电量的等效经济成本；
第二等效经济成本计算单元，用于根据充电站内电动汽车的平均充电排队时间计算站内排队等候时间的等效经济成本；
充电成本最小化目标函数构建单元，用于将所述行驶时间和损耗电量的等效经济成本与所述站内排队等候时间的等效经济成本的相加值最小化作为充电成本最小化目标函数。
22.根据权利要求19所述的电动汽车充电站选址定容优化装置，其特征在于，所述计算模块包括：
第一计算单元，用于利用NSGA-Ⅱ算法对所述电动汽车充电站选址定容优化模型进行求解输出可行方案集合作为Pareto最优解集；
第二计算单元，用于利用熵权法分别计算所述可行方案集合中可行方案的综合分数，并将综合分数最高的可行方案作为规划区域内的目标电动汽车充电站选址定容优化方案。
23.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-18任一项所述的电动汽车充电站选址定容优化方法的步骤。
CN202310587946.1A 2023-05-24 2023-05-24 电动汽车充电站选址定容优化方法、装置及存储介质 Active CN116307647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310587946.1A CN116307647B (zh) 2023-05-24 2023-05-24 电动汽车充电站选址定容优化方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310587946.1A CN116307647B (zh) 2023-05-24 2023-05-24 电动汽车充电站选址定容优化方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN116307647A true CN116307647A (zh) 2023-06-23
CN116307647B CN116307647B (zh) 2023-08-15

Family

ID=86824374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310587946.1A Active CN116307647B (zh) 2023-05-24 2023-05-24 电动汽车充电站选址定容优化方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116307647B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117236613A (zh) * 2023-09-18 2023-12-15 清华大学 电动汽车的能源站规划方法
CN117994116A (zh) * 2024-04-07 2024-05-07 国网江西省电力有限公司经济技术研究院 考虑降碳增效的居民区电动汽车充电站定容方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110880755A (zh) * 2019-11-06 2020-03-13 国网浙江省电力有限公司经济技术研究院 计及引导型充电控制的充电网络与配电网络协同规划方法
CN110968837A (zh) * 2019-11-25 2020-04-07 南京邮电大学 电动汽车充电站选址定容的方法
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
CN112418605A (zh) * 2020-10-19 2021-02-26 国网上海市电力公司 一种光储式充电站储能系统优化运行方法
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
CN113971484A (zh) * 2021-10-20 2022-01-25 朱珈汛 基于critic法和非合作博弈的电动汽车充电站的规划方法
CN114444803A (zh) * 2022-01-30 2022-05-06 上海交通大学 电动汽车充电站充电负荷预测方法、系统、终端及介质
CN115689237A (zh) * 2022-11-11 2023-02-03 长安大学 基于多目标粒子群算法的电动汽车充电站双视角选址方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110880755A (zh) * 2019-11-06 2020-03-13 国网浙江省电力有限公司经济技术研究院 计及引导型充电控制的充电网络与配电网络协同规划方法
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
CN110968837A (zh) * 2019-11-25 2020-04-07 南京邮电大学 电动汽车充电站选址定容的方法
CN112418605A (zh) * 2020-10-19 2021-02-26 国网上海市电力公司 一种光储式充电站储能系统优化运行方法
CN113971484A (zh) * 2021-10-20 2022-01-25 朱珈汛 基于critic法和非合作博弈的电动汽车充电站的规划方法
CN114444803A (zh) * 2022-01-30 2022-05-06 上海交通大学 电动汽车充电站充电负荷预测方法、系统、终端及介质
CN115689237A (zh) * 2022-11-11 2023-02-03 长安大学 基于多目标粒子群算法的电动汽车充电站双视角选址方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FAREED AHMAD等: "Optimal location of electric vehicle charging station and its impact on distribution network：A review", 《ENERGY REPORTS》, pages 2314 - 2333 *
王毅等: "采用分群优化的电动汽车与电网互动调度策略", 《电力自动化设备》, vol. 40, no. 5, pages 77 - 85 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117236613A (zh) * 2023-09-18 2023-12-15 清华大学 电动汽车的能源站规划方法
CN117994116A (zh) * 2024-04-07 2024-05-07 国网江西省电力有限公司经济技术研究院 考虑降碳增效的居民区电动汽车充电站定容方法及系统

Also Published As

Publication number Publication date
CN116307647B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN116307647B (zh) 电动汽车充电站选址定容优化方法、装置及存储介质
Wang et al. Siting and sizing of fast charging stations in highway network with budget constraint
Liu et al. A planning strategy considering multiple factors for electric vehicle charging stations along German motorways
CN114912736A (zh) 一种电动公交协调优化调度方法
Yang et al. Microsimulation of low carbon urban transport policies in Beijing
Ji et al. Optimal electric bus fleet scheduling for a route with charging facility sharing
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
Comert et al. A new approach based on hybrid ant colony optimization-artificial bee colony algorithm for multi-objective electric vehicle routing problems
CN109800917A (zh) 一种电动汽车停车场的规划方法、装置和计算设备
Li et al. Multistage planning of electric transit charging facilities under build-operate-transfer model
Huang et al. An improved charging navigation strategy of electric vehicles via optimal time-of-use pricing
Wang et al. Research on multi-objective planning of electric vehicle charging stations considering the condition of urban traffic network
Zhao et al. Research on emergency distribution optimization of mobile power for electric vehicle in photovoltaic-energy storage-charging supply chain under the energy blockchain
Kamel et al. A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks
Cui et al. Dynamic pricing for fast charging stations with deep reinforcement learning
Li et al. Genetic algorithm with an event-based simulator for solving the fleet allocation problem in an electric vehicle sharing system
Bi et al. Bi-level optimisation model for one-way electric carsharing stations based on survival model
Singhal et al. Prioritisation of barriers in the implementation of electric mobility in Indian context using fuzzy analytical hierarchical process
CN116702404A (zh) 计及目标优先级的模糊双目标电动汽车充电站规划优化方法
Mei et al. Does the one-size-fits-all setting meet the demand? Assessment of setting EV–charging-capable parking spaces in public parking lots based on agent simulation
Yu et al. Optimization of urban bus operation frequency under common route condition with rail transit
Karmaker et al. Multi-stakeholder perspectives for transport electrification: A review on placement and scheduling of electric vehicle charging infrastructure
Rong et al. Tesla: A centralized taxi dispatching approach to optimizing revenue efficiency with global fairness
Hu et al. Locating and sizing charging station in multi-period to promote electric vehicles adoption in urban areas
CN114819656B (zh) 基于多阶段延迟接受算法的电动汽车-快充站匹配方法

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