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技术

本发明专利技术公开了一种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，基于灰色预测模型，预测充电站数量；在充电站网络视角下构建包含充电站网络平均路径长度和充电站网络效率的选址优化目标；构建成本视角下的选址优化目标；构建充电站网络视角和成本视角结合的多目标函数与约束条件；基于多目标函数与约束条件，通过基于运动学改进的多目标粒子群算法在充电站备选位置坐标集合中对构建的带约束条件的多目标函数进行求解，提升了求解精度，获取最终选址方案。初始化种群时，根据实际地理状况以及预测的充电站数量，搜集并输入充电站备选位置坐标集合，在充电站备选位置坐标集合内随机生成若干种充电站网络布局并将其编译为粒子群初始位置。编译为粒子群初始位置。编译为粒子群初始位置。

【技术实现步骤摘要】
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


[0001]本专利技术属于新能源汽车
，涉及一种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。

技术介绍

[0002]电动汽车作为解决全球化石燃料污染和气候变化的有效方案，在全球范围内的渗透率不断提升，某些国家预期于2025年将电动汽车市场份额提升至接近100％。电动汽车的大规模发展催生出充电辅助基础设施的巨大发展空间，换电站是一类重要的充电基础设施，但受接口标准化等限制，目前只有少量品牌投建。充电站属于另一类基本类型的充电基础设施，包含快充和慢充两类充电设备，其中慢充设备成本较低但充电时间需要4～8个小时，而快充设备可以将充电时间缩短至0.1～0.15个小时，但需要的花费远高于慢充设备的成本。据调查显示，接近99.3％的用户会因充电速度快首选快充设备，但目前公用充电设备中快充设备占比仅为四成，无法满足消费者的真实需求，而配置过多的快充设备会导致电力供应不足等问题发生，因此，在考虑充电站规划时不能回避快慢充背景。
[0003]充电站选址布局优化有利于满足越来越多的充电需求，能够解决很多地方面临着的有车无充电桩、有充电桩无车的窘境，可以提高充电站利用率。现有电动汽车充电站选址研究中，公开号为CN202210152022.4的专利技术专利公开了一种电动汽车充电桩选址方法和装置，具体公开了一种结合用户用电需求的考虑运营商收益最大化的选址方法；公开号为CN112418692A的专利技术专公开了一种基于双层复杂网络模型的充电桩选址方法，考虑长、短途驾驶对超级充电站的需求，以城市为节点，假设每个节充电站内有一个充电桩，建立了一种双层网络模型用于超级充电站选址；电动汽车充电站的选址规划中更多地考虑了成本问题，考虑到应用复杂网络方法研究选址问题时更多地聚焦于拓扑指标等网络静态特征，忽略了网络演化、级联等动态行为的影响，导致所得基于静态特征的选址模型本身不能反映实际系统的动态行为，其次，利用基于静态特征的选址模型得到的选址结果无法响应实际中动态充电需求，导致选址结果的可靠性存在问题。
[0004]充电站选址存在便捷性、经济性、安全性等多种优化目标，相比于整数规划等经典优化手段，启发式优化算法在解决非线性多目标的选址问题时体现出更强的适应性，主要应用的算法类型包括遗传算法、差分进化算法、粒子群算法、模拟退火算法、灰狼算法等，其中粒子群算法在选址问题中有更多应用。考虑网络转移性能的城市快速充电网络规划(葛少云、申凯月、刘洪、张强，2020年11月公开)，基于对交通路网、电动汽车、充电站网络、配电网之间的交互分析，构建了兼顾充电站运营商、电动汽车用户、配电网成本的选址模型，采用基于小世界网络改进的粒子群优化算法进行求解，但基于小世界网络对粒子群算法进行优化的研究在应用于充电站选址前已被提出，算法的速度更新公式以离散状态为主，全局遍历能力有待优化。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种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，以解决现有电动汽车充电站的选址方法考虑网络视角时主要考虑了静态属性从而导致选址结果的可靠性不佳的问题，以及现有的基于改进的多目标粒子群算法的充电站选址方法中的改进的多目标粒子群算法速度更新公式以离散状态为主、全局遍历能力不佳的问题。
[0006]本专利技术实施例所采用的技术方案是：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，包括以下步骤：
[0007]步骤S1：基于灰色预测模型，预测充电站数量；
[0008]步骤S2：在充电站网络视角下构建包含充电站网络平均路径长度和充电站网络效率的选址优化目标；
[0009]步骤S3：构建成本视角下的选址优化目标；
[0010]步骤S4：构建充电站网络视角和成本视角结合的多目标函数与约束条件；
[0011]步骤S5：基于多目标函数与约束条件，通过多目标粒子群算法在充电站备选位置坐标集合中对构建的带约束条件的多目标函数进行求解，获取最终选址方案。
[0012]进一步的，步骤S1中，采用含一个输入变量的一阶灰色预测模型GM(1,1)预测充电站数量，通过挖掘充电站数量的历史数据，分析其潜在的规律和联系，拟合充电站保有量的变化趋势，得到规划年限对应的充电站数量。
[0013]进一步的，步骤S2的具体实现过程如下：
[0014]步骤S21：以充电站为节点且充电站间联系为连边，以预测的充电站数量即T年后充电站的保有量N
T
为节点数量，在不同概率p下基于WS演化算法生成指定节点数量的充电站网络；
[0015]步骤S22：分别计算演化形成的充电站网络的网络平均路径长度L，计算公式为：
[0016][0017]式中，d
ij
为每个充电站网络中节点i与节点j之间的最短路径；
[0018]步骤S23：对演化形成的充电站网络分别运行级联失效，测试每个充电站网络的网络效率。
[0019]进一步的，步骤S23中，采用负载容量模型作为充电站网络级联失效模型，负载容量模型表达式如下：
[0020][0021]C
a,i
＝F
i
+θF
iψ
；
[0022]其中，C
a,i
为充电站i的电能容量，由快充容量与慢充容量组成；F
i
为充电站i的初始电力负载，θ为容量比例参数，ψ为可调参数，表示F
i
的ψ次方；
[0023]设当充电站i的快充容量不能满足需求时，负载向剩余快充容量较大的充电站转移，设计当一次转移负载未被完全容纳时发生级联失效；
[0024]失效后充电站网络效率δ
F
的计算公式为：
[0025][0026]式中，d
ij,F
为充电站网络失效稳定后节点i与节点j间的最短路径，0≤δ
F
≤1。
[0027]进一步的，步骤S3中，构建成本视角下包含环境成本C
e
和经济成本C
f
的选址优化目标；
[0028]环境成本C
e
由电力生产时能源转化碳排放、充电过程中碳排放来共同核算，如下式所示：
[0029][0030]式中，c1表示电力生产能源消耗碳排放转化系数，C
o
表示供电中产生的标准能耗，N0为现有充电站数量，C
a,i
为充电站i的电能容量，F
a,i
为充电站i的电力负载；c2表示快充桩碳排放转化系数，η
i
为充电站i的快充桩占比，c3表示慢充桩碳排放转化系数；
[0031]经济成本C
f
由充电站建设成本与运营成本构成，如下式所示：
[0032][0033]式中，r为资金回收率，c4、c5、c6、c7分别为快充桩、慢充桩、土地及电力走廊的建设成本系数，E为充电站网络的连边数，λ为折旧系数。
[0034]进一步的，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.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，其特征在于，包括以下步骤：步骤S1：基于灰色预测模型，预测充电站数量；步骤S2：在充电站网络视角下构建包含充电站网络平均路径长度和充电站网络效率的选址优化目标；步骤S3：构建成本视角下的选址优化目标；步骤S4：构建充电站网络视角和成本视角结合的多目标函数与约束条件；步骤S5：基于多目标函数与约束条件，通过多目标粒子群算法在充电站备选位置坐标集合中对构建的带约束条件的多目标函数进行求解，获取最终选址方案。2.根据权利要求1所述的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，其特征在于，步骤S1中，采用含一个输入变量的一阶灰色预测模型GM(1,1)预测充电站数量，通过挖掘充电站数量的历史数据，分析其潜在的规律和联系，拟合充电站保有量的变化趋势，得到规划年限对应的充电站数量。3.根据权利要求1所述的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，其特征在于，步骤S2的具体实现过程如下：步骤S21：以充电站为节点且充电站间联系为连边，以预测的充电站数量即T年后充电站的保有量N
T
为节点数量，在不同概率p下基于WS演化算法生成指定节点数量的充电站网络；步骤S22：分别计算演化形成的充电站网络的网络平均路径长度L，计算公式为：式中，d
ij
为每个充电站网络中节点i与节点j之间的最短路径；步骤S23：对演化形成的充电站网络分别运行级联失效，测试每个充电站网络的网络效率。4.根据权利要求3所述的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，其特征在于，步骤S23中，采用负载容量模型作为充电站网络级联失效模型，负载容量模型表达式如下：C
a,i
＝F
i
+θF
iψ
；其中，C
a,i
为充电站i的电能容量，由快充容量与慢充容量组成；F
i
为充电站i的初始电力负载，θ为容量比例参数，ψ为可调参数，F
iψ
表示F
i
的ψ次方；设当充电站i的快充容量不能满足需求时，负载向剩余快充容量较大的充电站转移，设计当一次转移负载未被完全容纳时发生级联失效；失效后充电站网络效率δ
F
的计算公式为：
式中，d
ij,F
为充电站网络失效稳定后节点i与节点j间的最短路径，0≤δ
F
≤1。5.根据权利要求1所述的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，其特征在于，步骤S3中，构建成本视角下包含环境成本C
e
和经济成本C
f
的选址优化目标；环境成本C
e
由电力生产时能源转化碳排放、充电过程中碳排放来共同核算，如下式所示：式中，c1表示电力生产能源消耗碳排放转化系数，C
o
表示供电中产生的标准能耗，N0为现有充电站数量，C
a,i
为充电站i的电能容量，F
a,i
为充电站i的电力负载；c2表示快充桩碳排放转化系数，η
i
为充电站i的快充桩占比，c3表示慢充桩碳排放转化系数；经济成本C
f
由充电站建设成本与运营成本构成，如下式所示：式中，r为资金回收率，c4、c5、c6、c7分别为快充桩、慢充桩、土地及电力走廊的建设成本系数，E为充电站网络的连边数，λ为折旧系数。6.根据权利要求1所述的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，其特征在于，步骤S4中，将充电站网络的网络效率δ
F
、网络平均路径长度L、经济成本C
f
与环境成本C
e
进行综合处理，得到多目标函数F为：minF＝{L,δ
F
‑1,C
e
,C
f
}。7.根据权利要求1所述的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，其特征在于，步骤S4中，电动汽车充电站选址定容的约束条件包括网络小世界性约束、充电站容量约束、充电站间距约束、碳排放配额约束，其中：网络小世界性约束为：其中，J是集聚系数，J
e
是与候选充电站网络节点数相同的随机网络即等价随机网络的集聚系数，L
e
是等价随机网络的平均路径长度，J
e
和L
e
根据生成的随机网络计算得到，当上...

【专利技术属性】
技术研发人员：王秋玲，朱璋元，张嘉钊，陆冠宇，刘昊宇，
申请(专利权)人：长安大学，
类型：发明
国别省市：