一种电动汽车充电站选址优化方法及系统
本公开属于充电站选址优化技术领域，尤其涉及一种电动汽车充电站选址优化方法及系统。
背景技术：
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
随着我国社会经济持续发展，在煤炭、石油等不可再生燃料被大量开采、环境污染问题加重的背景下，关于环保、新旧动能转换的问题引发人们的思考。针对当前不可再生资源开采过度、面临枯竭的现状，发展新能源，探索绿色、节能、环保的出行方式成为当前的研究重点。电动汽车作为一种绿色、环保、可行的出行工具，正迎来其快速发展阶段。在关注到其优势与特点的同时，也还要看到存在一些因素在一定程度上制约了电动汽车的发展。在电动汽车迅速发展的科技浪潮中，充电站作为充电设施中的重要组成部分，它的选址成为城市科学发展战略布局的重要一环，是城市新旧动能转换的关键一步。充电桩的选址规划及布局与电动汽车的发展密切相关，由于现阶段电动汽车面临续航里程不足的问题，电池问题在短时间内又无法取得突破性进展，充电站的合理规划布局就显得尤为重要。在充电桩的数量可以满足充电服务点的充电需求的情况下，合理便捷的选址可以激发人们选择驾驶电动汽车出行的欲望。
发明人发现，现有充电站选址优化方法，其目标函数的确立并未有效考虑到充电站的建设成本，也未有效考虑距充电站点的距离远近与充电站的选择的密切相关性，同时，现有方法无法有效平衡建设成本与距离远近之间的关系，导致优化后的充电站地址无法满足实际需求的问题。
技术实现要素：
本公开为了解决上述问题，提供了一种电动汽车充电站选址优化方法及系统，在目标函数的设定中，同时考虑了充电站距离和建设成本问题，并利用改进的免疫算法进行充电站的优化选址，基于免疫系统的多样性产生和维持机制来保持群体的多样性，克服了一般寻优过程中难处理的“早熟”问题，最后，利用voronoi图划分区域，进一步对优化结果进行分析与检验，通过多次模拟对比分析，保证了充电站选址结果最优。
根据本公开实施例的第一个方面，提供了一种电动汽车充电站选址优化方法，包括：
根据某区域的充电站建设需求，获取该区域内的若干充电需求站，并从所述充电需求站中随机选择预设数量的站点，构建充电服务站的候选地址集合；
构建考虑建设成本和距离条件约束的充电站选址模型；
利用改进的免疫算法对所述充电站选址模型进行优化求解，获得初步的充电服务站地址；
基于voronoi图划分该区域充电站服务区域，对获得的充电站地址与需求站的分配进行合理性分析；
根据分析结果，确定最优的充电服务站地址。
进一步的，所述充电站选址模型基于p-中位模型和最大覆盖模型的思想进行构建，所述充电站选址模型中在考虑充电需求站到充电服务站的距离值和充电服务站充电桩数量的乘积外，加入了充电服务站建设成本的考虑，并且设定了距离惩罚项。
进一步的，所述距离惩罚项用于当需求站到服务站的距离不满足设定阈值时，起到抑制作用，来促进最优个体的选择。
根据本公开实施例的第二个方面，提供了一种电动汽车充电站选址优化系统，包括：
数据获取单元，其用于根据某区域的充电站建设需求，获取该区域内的若干充电需求站，并从所述充电需求站中随机选择预设数量的站点，构建充电服务站的候选地址集合；
模型构建单元，其用于构建考虑建设成本和距离条件约束的充电站选址模型；
优化求解单元，其用于利用改进的免疫算法对所述充电站选址模型进行优化求解，获得初步的充电服务站地址；
合理性分析单元，其用于基于voronoi图划分该区域充电站服务区域，对获得的充电站地址与需求站的分配进行合理性分析；
最优结果输出单元，其用于根据分析结果，确定最优的充电服务站地址。
根据本公开实施例的第三个方面，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运行的计算机程序，所述处理器执行所述程序时实现所述的一种电动汽车充电站选址优化方法。
根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种电动汽车充电站选址优化。
与现有技术相比，本公开的有益效果是：
(1)本公开提供了一种电动汽车充电站选址优化方法，通过利用改进的免疫算法进行充电站的优化选址，基于免疫系统的多样性产生和维持机制来保持群体的多样性，克服了一般寻优过程中难处理的“早熟”问题；同时在目标函数的设定中，一方面从用户角度考虑了距离的问题，另一方面从政府或企业角度考虑建设成本；最后，利用voronoi图划分区域，进一步对算法的选择结果进行分析与检验，通过多次模拟对比分析，有效确保了当前的选择结果是最优的。
(2)本公开所述方案对免疫算法进行一定的改进：一是对适应度函数的设定进行调整，权重值的加入使得在观察建设成本与距离按照不同比例分配时用户的反应更加方便；二是在变异操作中引入检测环节，当变异操作结束后，可能会有个别个体不满足距离约束的条件，引入检测环节，其目的是使得站点选择最终满足全部站点覆盖的要求。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例一中所述电动汽车充电站选址优化方法的总体框图；
图2为本公开实施例一中所述的免疫算法流程图；
图3为本公开实施例一中所述的具体实施方案流程图；
图4为本公开实施例一中所述的各充电需求站充电桩数量与单位建设成本明细示意图；
图5(a)为本公开实施例一中所述的改进的免疫算法优化选址结果展示图；
图5(b)为本公开实施例一中所述的改进的免疫算法收敛曲线；
图5(c)为本公开实施例一中所述的voronoi图区域划分结果示意图；
图5(d)为本公开实施例一中所述的各充电服务站需建设充电桩数量与单位建设成本示意图；
图5(e)为本公开实施例一中所述的免疫算法优化选址结果与voronoi图区域划分结果示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一：
本实施例的目的是一种电动汽车充电站选址优化方法。
一种电动汽车充电站选址优化方法，包括：
根据某区域的充电站建设需求，获取该区域内的若干充电需求站，并从所述充电需求站中随机选择预设数量的站点，构建充电服务站的候选地址集合；
构建考虑建设成本和距离条件约束的充电站选址模型；
利用改进的免疫算法对所述充电站选址模型进行优化求解，获得初步的充电服务站地址；
基于voronoi图划分该区域充电站服务区域，对获得的充电站地址与需求站的分配进行合理性分析；
根据分析结果，确定最优的充电服务站地址。
具体的，为了便于理解，以下结合附图对本公开所述方案进行详细描述：
本公开所述的一种电动汽车充电站选址优化方法，包括：借鉴p-中位模型和最大覆盖模型思想建立的数学模型、归一化处理数据、免疫算法优化过程、仿真结果分析、维诺图(voronoidiagram)分析与实现。
其中，在数学模型的建立过程中，从传统p-中位模型与最大覆盖模型中吸取经验，除考虑充电需求站到充电服务站的距离值和充电服务站充电桩数量的乘积外，一方面加入对充电服务站建设成本的考虑；另一方面设定距离惩罚项，即当需求站到服务站的距离不满足设定的距离阈值时，对其起抑制作用，以促进最优个体的选择。
借鉴传统模型后所搭建的数学模型：
zij≤hj，i∈n，j∈mi
zij，hj∈｛0，1｝，i∈m，j∈mi
dij≤s
wone,wtwo∈{0,1},wone+wtwo＝1
其中，n＝{1,2,3,…,n}是所有需求点的序号集合；mi为到充电需求站i的距离小于s的充电服务站集合,
2)对站点坐标的归一化处理。在坐标选取时通常会直接选择经纬度坐标，但当在某一小范围内，各站点相对来说距离较近时，它们各自的坐标会特别相近，集中于某一小范围内，不利于后续的数据处理与运算，对最终结果产生不良影响。
归一化：
3)如图2所示，展示了免疫算法优化过程。相较于遗传算法，免疫算法的特点主要表现在对个体的评价、选择及产生的方式不同。免疫算法在对个体的评价中是通过计算亲和度得到的，个体的选择也以亲和度为基础，能够更好的反应系统的真实性与多样性，对个体的评价也更客观，能更好的选择出合适的个体。该算法不仅能使我们更加深入的了解人工免疫系统的特点，还可以与其他智能策略有更好的融合。
其中：
抗体与抗原间亲和力：
抗体与抗体间亲和力：
抗体浓度：
期望繁殖概率：
其中，fv为目标函数；kv，s为抗体与抗体中相同的位数；l为抗体长度；n为抗体总数；α为常数。
免疫操作包括：
(1)选择：选择函数根据个体适应度值采用轮盘赌法选择个体；
(2)交叉：交叉操作采用实数交叉法进行交叉；
(3)变异：变异操作采用实数变异法进行变异。
进一步的，本公开所述改进的免疫算法是在传统免疫算法的基础上，对其适应度函数的改变、增加惩罚项以及在其变异环节之后增加了相关的检测环节；其中，(1)适应度函数的改变(即权重值的加入)，它可以改变建设成本与距离所占的比重，更好的反映当比重值改变时，选址结果的变化，探究建设成本与距离值对用户的敏感度。(2)增加惩罚项，在目标函数最后设有一惩罚值，在求解过程中，当出现不满足约束要求的站点，惩罚值就会对其起抑制作用，使得选址结果尽可能的符合条件。(3)检测环节步骤：1)经过选择、交叉、变异操作之后将选择出的充电服务站集合送入检测环节；2)在所有的充电需求站集合中，挑选出站点之间距离最远的两个站点，以此距离值为最大覆盖范围的距离值；3)通过欧式距离公式计算充电服务站集合中站点之间的距离，并利用最大值函数选取其中最大的值；4)判断计算出的值是否不大于最大覆盖范围，若是，则满足要求，否则重新进行。
具体的，权重值的调整表现当距离与建设成本的比重发生改变时，用户站点选择的变化。我们初设权重值均为0.5，可认为此时用户对建设成本与距离的敏感度是一样的。但在实际情况中，每个人作为独立的个体，对同样的改变有不同的反应。通过改变权重值的大小观察最终充电站选择的结果；同时，在变异环节之后有检测环节，其目的是判断当前所选站点是否满足最大覆盖模型中覆盖全部站点的要求，可有效保证所有站点在覆盖范围之内，各充电需求点均有对应的充电服务站为其提供服务。
4)维诺图(voronoidiagram)分析与实现。维诺图又叫泰森多边形或dirichlet图，它是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。
voronoi图的特点
(1)每个v多边形内有一个生成元；
(2)每个v多边形内点到该生成元距离短于到其它生成元距离；
(3)多边形边界上的点到生成此边界的生成元距离相等；
(4)邻接图形的voronoi多边形界线以原邻接界线作为子集。
voronoi图有着按距离划分邻近区域的普遍特性，应用范围广。在经过免疫算法得到充电服务站后，利用voronoi图划分区域，观察其他充电需求站的分布情况，因voronoi图有根据点集划分的区域到点的距离最近的特点，所以可以比较清晰的看到各个站点的分布情况，判断其站点选择与需求站的分配是否合理。
具体的vornoi图主要用于判断通过模型得到的站点集合是否满足约束要求。主要过程如下：
(1)通过免疫算法求解选址模型，选出合适的充电服务站，构成站点集合。在此例中，站点集合为：济南长途汽车站、洪楼广场、恒隆广场、山东省立医院、奥体中心、千佛山。
(2)以站点集合中的各充电服务站为生成元，利用voronoi图进行服务范围的划分。
(3)结合模型解决结果，判断当前选址结果是否合适
在利用voronoi图进行服务范围的划分时，生成众多v多边形。每个v多边形内点到该生成元距离短于到其它生成元距离。v多边形边界上的点到生成此边界的生成元距离相等。
如若通过模型求解发现站点a为充电服务站，站点a为站点b提供充电服务，则在vornoi图中，站点a为生成元，站点b在由站点a生成的v多边形里边，则认为此结果是合适的。但若站点b位于其他站点生成的v多边形内，则与预期不符，此选择结果不合适。
以下通过附图5(e)简单说明，洪楼广场为充电服务站，以该站点为生成元进行服务范围划分。求解模型得到的结果为洪楼广场站位大明湖站和山东大学(中心校区)站提供充电服务。vornoi图得到的结果为大明湖站和山东大学(中心校区)站均在洪楼广场站生成的v多边形内，则由此认为该选择合适。对于大明湖站，它位于v多边形边界上，v多边形边界上的点到生成此边界的生成元距离相等。济南长途汽车站的单位建设成本为5700元，而洪楼广场为5500元。所以造成大明湖站选择洪楼广场的原因是洪楼广场的建设成本要比济南长途汽车站便宜。其他各站点通过分析发现均符合要求。
以下通过具体实例对本公开所述方案进行说明：
图3为电动汽车充电站用免疫算法与voronoi图选址优化的整体实施方案框图。其中：
1)目标函数有三部分组成：充电服务站建设成本、充电需求站到充电服务站的距离与充电需求站充电桩数量的乘积、距离惩罚项。权重值均设置为0.5，距离阈值为2km。
2)在充电需求站的选择上，综合考虑人口分布、区域功能、地理位置、经济发展状况进行选取。以济南市某区域为例进行充电站的选址规划，共选取15个充电需求站，站点具体如下，从中选取6个站点作为充电服务站。
表1、济南市某区域充电需求站列表
3)需求点数据处理。对于坐标，将经纬度坐标归一化，再映射到区间[10,100]。经过处理后的坐标数值分布范围合适，且不再具有量纲，便于数值的计算。对于各充电需求站的单位建设成本及充电桩数量，在现实中，由于充电站建设的不完善使得相关数据较少，因此，这里假设了在每一个站点建设充电站时的单位建设成本与充电桩数量，具体如图所示。
4)免疫算法的具体实现步骤与关键参数设定。具体如下：
(1)分析问题。对问题及其解的特性进行分析，设计解的合适表达形式。
(2)产生初始抗体群。种群规模sizepop设定为50，记忆库容量overbest为10，充电服务站数length为6，交叉概率0.5，变异概率0.4，迭代次数300。
(3)对上述群体中各个抗体进行评价。在这里对个体的评价是以个体的期望繁殖概率p为标准的。通过分析期望繁殖概率公式发现，个体适应度越高，则期望繁殖概率越大；个体浓度越大，则期望繁殖概率越小。这样既鼓励了适应度高的个体，又抑制了浓度高的个体，从而确保种群的多样性。
(4)形成父代种群。
(5)判断是否满足结束条件，是则结束；反之，则继续下一步操作。
(6)新群体的产生
(7)转去执行步骤(3)
5)利用matlab工具实现算法仿真。适应度函数的收敛曲线与充电服务站的选择结果如图所示。
6)voronoi图进行区域划分。在用免疫算法通过matlab得到充电服务站的选择结果后，将充电服务站所在位置设为它所处区域中心，进行区域划分，观察剩余9个充电需求站的分布情况。如图所示。从图中我们观察到通过免疫算法得到的充电需求站与其对应的充电服务站均在充电服务站所划分的区域内，对于处于区域边界线上的济南站和大明湖站，它们之所以选择到山东省立医院和洪楼广场进行充电而不选择济南长途汽车站，是因为建设成本的原因，济南长途汽车站的单位建设成本为5700元，而山东省立医院与洪楼广场分别为5400元与5500元，为了减少建设成本的支出，从而选择单位建设成本更少的山东省立医院站和洪楼广场站。
7)数据处理与分析，确定优化选址方案。通过优化，选出济南长途汽车站、山东省立医院、洪楼广场、千佛山、恒隆广场、奥体中心作为充电服务站。
实施例二：
本实施例的目的是一种电动汽车充电站选址优化系统。
一种电动汽车充电站选址优化系统，包括：
数据获取单元，其用于根据某区域的充电站建设需求，获取该区域内的若干充电需求站，并从所述充电需求站中随机选择预设数量的站点，构建充电服务站的候选地址集合；
模型构建单元，其用于构建考虑建设成本和距离条件约束的充电站选址模型；
优化求解单元，其用于利用改进的免疫算法对所述充电站选址模型进行优化求解，获得初步的充电服务站地址；
合理性分析单元，其用于基于voronoi图划分该区域充电站服务区域，对获得的充电站地址与需求站的分配进行合理性分析；
最优结果输出单元，其用于根据分析结果，确定最优的充电服务站地址。在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述实施例提供的一种电动汽车充电站选址优化方法及系统可以实现，具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
- 还没有人留言评论。精彩留言会获得点赞！