一种电动汽车充电站规划方法及装置与流程

1.本技术涉及充电站规划技术领域，尤其涉及一种电动汽车充电站规划方法及装置。


背景技术：

2.随着大气污染的日益加剧以及传统化石能源的短缺，清洁高效的电动汽车对解决环境和能源问题具有重要意义，电动汽车因其低噪、节能、高效、零排放等特性的优点而具有良好的发展前景。
3.充电站是电动汽车产业链中的重要支撑体系，是电动汽车的重要配套设施。充电站的接入位置以及容量是极其重要的，选择不当会导致城市交通拥挤给用户出行带来不便，甚至配电网线路损耗过大、线路末端乃至整个系统的电压质量严重降低。
4.目前，电动汽车充电站规划的目标函数现有的研究主要着眼于电动汽车充电站的经济效益最大和碳排放量最少。对此解决的办法主要包括传统非线性规划等纯数学优化方法和群智能算法，但是这种办法面对充电站的非线性与多目标以及大电网的复杂性，容易出现收敛性差的情况，并陷入局部收敛状态，影响电动汽车充电站规划的准确性。


技术实现要素：

5.本技术提供了一种电动汽车充电站规划方法及装置，用于解决现有技术面对充电站的非线性与多目标以及大电网的复杂性，容易出现收敛性差的情况，并陷入局部收敛状态，导致的电动汽车充电站规划准确性不稳定的技术问题。
6.本技术第一方面提供了一种电动汽车充电站规划方法，包括：
7.获取目标区域的配电网网架拓扑数据、总负荷数据以及日充电时序负荷数据，其中，所述日充电时序负荷数据是根据所述目标区域在不同时间段里的电动汽车出行数据以及电动汽车充电数据统计得到的；
8.获取基于预设的充电站规划收益最大化目标函数、充电站规划约束条件、以及充电站规划方案训练样本构建的充电站规划模型，其中，所述充电站规划模型为集成学习模型，包括：一个上层优化器与多个包含不同智能算法的子优化器，且所述上层优化器与所述子优化器均包含有所述充电站规划收益最大化目标函数以及所述充电站规划约束条件；
9.根据所述配电网网架拓扑数据、所述总负荷数据以及所述日充电时序负荷信息，结合充电站规划方案信息，通过所述充电站规划模型进行求解，确定规划收益最大的目标充电站规划方案，其中，所述充电站规划方案信息具体包括：充电站候选位置信息以及充电站容量信息。
10.优选地，所述日充电时序负荷数据的获取过程具体包括：
11.根据所述目标区域在不同时间段里的电动汽车出行数据以及电动汽车充电数据，通过蒙特卡洛随机模拟算法与概率统计计算方式进行模拟运算，得到日充电时序负荷曲线。
12.优选地，所述充电站规划收益最大化目标函数具体为：
13.max:c＝c1+c
2-c
3-c
4-c5[0014][0015][0016][0017][0018][0019]
式中，c1为电动汽车充电站的年售电收益；c2为co2减排的等效收益；c3为电动汽车充电站的建设投资成本；c4为每年的电动汽车充电站的运行检修成本；c5为网损成本，d为天数；m为电动汽车充电站的节点数；p
j,t
为t时刻第j个充电站的充电负荷；c6为电动汽车的充电电价；c7为上网电价，w为电动汽车行驶一百公里的耗电量；r1为电动汽车行驶一百公里的二氧化碳排放量；r2为燃油汽车行驶一百公里的二氧化碳排放量；γ为碳排放折算成经济的交易价格，cg为单个电动汽车充电站的固定投资成本；h为贴现率；s为电动汽车充电站的使用年限；p
j,ev
为第j个节点充电站的额定容量；c
ev
为单位容量电动汽车充电站的投资建设成本，cy,ev为电动汽车充电站单位容量的运行维护成本，p为电价；l为支路数；i
l
为t时刻第l条支路电流的大小；r
l
为第l条支路对应的电阻。
[0020]
优选地，所述充电站规划约束条件具体包括：节点功率平衡约束、充电站安装容量约束、支路功率约束、节点电压功率约束以及充电站容量需求约束。
[0021]
优选地，各个所述子优化器种包含的算法分别为：模拟退火算法、细菌觅食算法、灰狼优化算法和粒子群算法。
[0022]
本技术第二方面提供了一种电动汽车充电站规划装置，包括：
[0023]
数据获取单元，用于获取目标区域的配电网网架拓扑数据、总负荷数据以及日充电时序负荷数据，其中，所述日充电时序负荷数据是根据所述目标区域在不同时间段里的电动汽车出行数据以及电动汽车充电数据统计得到的；
[0024]
充电站规划模型获取单元，用于获取基于预设的充电站规划收益最大化目标函数、充电站规划约束条件、以及充电站规划方案训练样本构建的充电站规划模型，其中，所述充电站规划模型为集成学习模型，包括：一个上层优化器与多个包含不同智能算法的子优化器，且所述上层优化器与所述子优化器均包含有所述充电站规划收益最大化目标函数以及所述充电站规划约束条件；
[0025]
目标方案确定单元，用于根据所述配电网网架拓扑数据、所述总负荷数据以及所述日充电时序负荷信息，结合充电站规划方案信息，通过所述充电站规划模型进行求解，确
定规划收益最大的目标充电站规划方案，其中，所述充电站规划方案信息具体包括：充电站候选位置信息以及充电站容量信息。
[0026]
优选地，所述日充电时序负荷数据的获取过程具体包括：
[0027]
根据所述目标区域在不同时间段里的电动汽车出行数据以及电动汽车充电数据，通过蒙特卡洛随机模拟算法与概率统计计算方式进行模拟运算，得到日充电时序负荷曲线。
[0028]
优选地，所述充电站规划收益最大化目标函数具体为：
[0029]
max:c＝c1+c
2-c
3-c
4-c5[0030][0031][0032][0033][0034][0035]
式中，c1为电动汽车充电站的年售电收益；c2为co2减排的等效收益；c3为电动汽车充电站的建设投资成本；c4为每年的电动汽车充电站的运行检修成本；c5为网损成本，d为天数；m为电动汽车充电站的节点数；p
j,t
为t时刻第j个充电站的充电负荷；c6为电动汽车的充电电价；c7为上网电价，w为电动汽车行驶一百公里的耗电量；r1为电动汽车行驶一百公里的二氧化碳排放量；r2为燃油汽车行驶一百公里的二氧化碳排放量；γ为碳排放折算成经济的交易价格，cg为单个电动汽车充电站的固定投资成本；h为贴现率；s为电动汽车充电站的使用年限；p
j,ev
为第j个节点充电站的额定容量；c
ev
为单位容量电动汽车充电站的投资建设成本，cy,ev为电动汽车充电站单位容量的运行维护成本，p为电价；l为支路数；i
l
为t时刻第l条支路电流的大小；r
l
为第l条支路对应的电阻。
[0036]
优选地，所述充电站规划约束条件具体包括：节点功率平衡约束、充电站安装容量约束、支路功率约束、节点电压功率约束以及充电站容量需求约束。
[0037]
优选地，各个所述子优化器种包含的算法分别为：模拟退火算法、细菌觅食算法、灰狼优化算法和粒子群算法。
[0038]
从以上技术方案可以看出，本技术具有以下优点：
[0039]
本技术利用集成学习算法构建的充电站规划模型，通过集成学习架构中的子优化器集成多种智能算法，并分别应用到电动汽车充电站规划，并通过上层优化器将各个子优化器中的不同的智能算法的特点进行结合，在面对充电站的非线性与多目标以及大电网的
复杂性具有更强的适应性，解决了现有技术面对充电站的非线性与多目标以及大电网的复杂性，容易出现收敛性差的情况，并陷入局部收敛状态，导致的电动汽车充电站规划准确性不稳定的技术问题。
附图说明
[0040]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0041]
图1为本技术提供的一种电动汽车充电站规划方法的一个实施例的流程示意图。
[0042]
图2为ieee 33节点配电网系统网架模型示意图。
[0043]
图3为本技术提供的一种电动汽车充电站规划装置的一个实施例的结构示意图。
具体实施方式
[0044]
本技术实施例提供了一种电动汽车充电站规划方法及装置，用于解决现有技术面对充电站的非线性与多目标以及大电网的复杂性，容易出现收敛性差的情况，并陷入局部收敛状态，导致的电动汽车充电站规划准确性不稳定的技术问题。
[0045]
为使得本技术的发明目的、特征、优点能够更加的明显和易懂，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本技术一部分实施例，而非全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
[0046]
请参阅图1，本技术第一个实施例提供了一种电动汽车充电站规划方法，本实施例图2所示的ieee 33节点配电网系统作为研究对象，可选取图2所示的节点2、7、15、21、31为电动汽车充电站的待规划节点，本方法包括：
[0047]
步骤101、获取目标区域的配电网网架拓扑数据、总负荷数据以及日充电时序负荷数据。
[0048]
其中，日充电时序负荷数据是根据目标区域在不同时间段里的电动汽车出行数据以及电动汽车充电数据统计得到的。
[0049]
更具体地，本实施例提及的日充电时序负荷数据，其获取过程可以包括：
[0050]
根据目标区域在不同时间段里的电动汽车出行数据以及电动汽车充电数据，通过蒙特卡洛随机模拟算法与概率统计计算方式进行模拟运算，得到日充电时序负荷曲线。
[0051]
一般而言，用户会选择在一天内各时段出行结束的时刻作为起始充电时刻。基于2009年美国交通部对美国家用车辆调查nhts结果给出的数据，汽车最后一次出行的结束时刻满足正态分布，其概率密度函数为：
[0052][0053]
式中，t为起始充电时刻；μ为结束时刻的期望；σ为结束时刻的标准差；这两个参数
随着不同类型车辆行驶特性的不同而不同。
[0054]
电动汽车用户每段出行距离服从对数正态分布，其概率密度函数为：
[0055][0056]
式中，s为日行驶里程，单位为km；μd为lns的期望；σd为lns的标准差。这两个参数随着不同类型车辆行驶特性的不同而不同。
[0057]
充电时长由起始荷电状态和日行驶里程数构成，其公式如下：
[0058][0059]
式中，tc为充电时长；β为充满电时的电池容量百分比；soc0为电池起始容量占比；η为充电效率；pc为电动汽车的充电功率；eb为电池的额定容量。通过蒙特卡洛法随机提取电动汽车的起始荷电状态和起始充电时间就可以累加充电负荷曲线。
[0060]
步骤102、获取基于预设的充电站规划收益最大化目标函数、充电站规划约束条件、以及充电站规划方案训练样本构建的充电站规划模型。
[0061]
其中，充电站规划模型为集成学习模型，包括：一个上层优化器与多个包含不同智能算法的子优化器，且上层优化器与子优化器均包含有充电站规划收益最大化目标函数以及充电站规划约束条件。
[0062]
需要说明的是，本实施例提及的充电站规划模型为基于预先构建的集成学习优化器，并结合初始化集成学习各个参数以及充电站的待选位置和容量样本数据构建的。
[0063]
本实施例的集成学习模型包含4个子优化器，这些子优化器中包含的智能算法分别为模拟退火算法、细菌觅食算法、灰狼优化算法、粒子群算法，上层优化器中的多搜索器优化算法，该多搜索器优化算法中的种群的规模优选为200，最大迭代次数为500。
[0064]
更新集成学习算法参数，并根据网架结构、负荷及充电负荷信息，利用前推回代法进行潮流计算。
[0065]
本发明建立起收益最大的电动汽车充电站最优规划模型。其目标函数为：
[0066]
max:c＝c1+c
2-c
3-c
4-c5ꢀꢀ
(4)
[0067]
其中，c1为电动汽车充电站的年售电收益；c2为co2减排的等效收益；c3为电动汽车充电站的建设投资成本；c4为每年的电动汽车充电站的运行检修成本；c5为网损成本。
[0068]
电动汽车充电站的年售电收益可以表示为：
[0069][0070]
其中，d为天数；m为电动汽车充电站的节点数；p
j,t
为t时刻第j个充电站的充电负荷；c6为电动汽车的充电电价；c7为上网电价。
[0071]
电动汽车的减少碳排放的收益可以表示为：
[0072]
[0073]
其中，w为电动汽车行驶一百公里的耗电量；r1为电动汽车行驶一百公里的二氧化碳排放量；r2为燃油汽车行驶一百公里的二氧化碳排放量；γ为碳排放折算成经济的交易价格。
[0074]
电动汽车充电站的年均投资建设成本可以表示为：
[0075][0076]
其中，cg为单个电动汽车充电站的固定投资成本；h为贴现率；s为电动汽车充电站的使用年限；p
j,ev
为第j个节点充电站的额定容量；c
ev
为单位容量电动汽车充电站的投资建设成本。
[0077]
电动汽车充电站的年运行维护费用可以表示为：
[0078][0079]
其中，cy,ev为电动汽车充电站单位容量的运行维护成本。
[0080]
电动汽车的网损成本可以表示为：
[0081][0082]
其中，p为电价；l为支路数；i
l
为t时刻第l条支路电流的大小；r
l
为第l条支路对应的电阻。
[0083]
电动汽车充电站规划的过程中需要满足一系列约束条件。
[0084]
节点功率平衡约束可以表示为：
[0085][0086]
其中，pi、qi分别为节点i的有功功率和无功功率；vi、vj分别为节点i和节点j的电压；g
ij
和b
ij
分别为节点i和节点j之间线路的电导和电纳；θ
ij
为节点i和节点j的电压相角差。
[0087]
电动汽车充电站安装容量约束可以表示为：
[0088]
p
i,min
≤pi≤p
i,max
ꢀꢀ
(11)
[0089]
其中，pi为第i个充电站的额定安装容量；p
i,max
、p
i,min
为第i个充电站安装容量的上下限。
[0090]
支路功率约束可以表示为：
[0091]sij
≤s
ij max
ꢀꢀ
(12)
[0092]
其中，s
ij
为支路ij的额定功率；s
ij max
为支路ij的最大传输功率。
[0093]
节点电压功率可以表示为：
[0094]ui min
≤ui≤u
i max
ꢀꢀ
(13)
[0095]
其中，u
i max
、u
i min
为节点i所允许的电压上下限。
[0096]
电动汽车充电站容量需求约束可以表示为：
[0097][0098]
其中，p
demand
为电动汽车所需要的充电容量。
[0099]
步骤103、根据配电网网架拓扑数据、总负荷数据以及日充电时序负荷信息，结合充电站规划方案信息，通过充电站规划模型进行求解，确定规划收益最大的目标充电站规划方案，其中，充电站规划方案信息具体包括：充电站候选位置信息以及充电站容量信息。
[0100]
利用集成学习优化器计算充电站规划模型中的各个目标模型的值。首先由集成学习算法参数中的下层4个子优化器即模拟退火算法、细菌觅食算法、灰狼优化算法和粒子群算法四种算法进行优化，各个算法优化10代，将优化后的最优解传到上层优化器，即多搜索器优化算法。下层的最优解作为上层优化器的父代，并且随机生成1000个个体。上层优化器继续优化，进化20代，即可以得到上层优化算法的最优个体。同时将上层优化器的得到的最优个体传到下层优化器，并指引了下层优化器的优化方向。
[0101]
判断是否满足收敛条件，若是，则获取最优个体的适应值和最优解，输出收益最优的目标充电站规划方案；若否，则继续迭代优化，直到满足收敛条件为止。
[0102]
本技术利用集成学习算法构建的充电站规划模型，通过集成学习架构中的子优化器集成多种智能算法，并分别应用到电动汽车充电站规划，并通过上层优化器将各个子优化器中的不同的智能算法的特点进行结合，在面对充电站的非线性与多目标以及大电网的复杂性具有更强的适应性，解决了现有技术面对充电站的非线性与多目标以及大电网的复杂性，容易出现收敛性差的情况，并陷入局部收敛状态，导致的电动汽车充电站规划准确性不稳定的技术问题。
[0103]
以上内容便是本技术提供的一种电动汽车充电站规划方法的一个实施例的详细说明，下面为本技术提供的一种电动汽车充电站规划装置的一个实施例的详细说明。
[0104]
请参阅图3，本技术第二个实施例提供了一种电动汽车充电站规划装置，包括：
[0105]
数据获取单元201，用于获取目标区域的配电网网架拓扑数据、总负荷数据以及日充电时序负荷数据，其中，日充电时序负荷数据是根据目标区域在不同时间段里的电动汽车出行数据以及电动汽车充电数据统计得到的。
[0106]
充电站规划模型获取单元202，用于获取基于预设的充电站规划收益最大化目标函数、充电站规划约束条件、以及充电站规划方案训练样本构建的充电站规划模型，其中，充电站规划模型为集成学习模型，包括：一个上层优化器与多个包含不同智能算法的子优化器，且上层优化器与子优化器均包含有充电站规划收益最大化目标函数以及充电站规划约束条件。
[0107]
目标方案确定单元203，用于根据配电网网架拓扑数据、总负荷数据以及日充电时序负荷信息，结合充电站规划方案信息，通过充电站规划模型进行求解，确定规划收益最大的目标充电站规划方案，其中，充电站规划方案信息具体包括：充电站候选位置信息以及充电站容量信息。
[0108]
进一步地，日充电时序负荷数据的获取过程具体包括：
[0109]
根据目标区域在不同时间段里的电动汽车出行数据以及电动汽车充电数据，通过蒙特卡洛随机模拟算法与概率统计计算方式进行模拟运算，得到日充电时序负荷曲线。
[0110]
进一步地，充电站规划收益最大化目标函数具体为：
[0111]
max:c＝c1+c
2-c
3-c
4-c5[0112][0113][0114][0115][0116][0117]
式中，c1为电动汽车充电站的年售电收益；c2为co2减排的等效收益；c3为电动汽车充电站的建设投资成本；c4为每年的电动汽车充电站的运行检修成本；c5为网损成本，d为天数；m为电动汽车充电站的节点数；p
j,t
为t时刻第j个充电站的充电负荷；c6为电动汽车的充电电价；c7为上网电价，w为电动汽车行驶一百公里的耗电量；r1为电动汽车行驶一百公里的二氧化碳排放量；r2为燃油汽车行驶一百公里的二氧化碳排放量；γ为碳排放折算成经济的交易价格，cg为单个电动汽车充电站的固定投资成本；h为贴现率；s为电动汽车充电站的使用年限；p
j,ev
为第j个节点充电站的额定容量；c
ev
为单位容量电动汽车充电站的投资建设成本，cy,ev为电动汽车充电站单位容量的运行维护成本，p为电价；l为支路数；i
l
为t时刻第l条支路电流的大小；r
l
为第l条支路对应的电阻。
[0118]
进一步地，充电站规划约束条件具体包括：节点功率平衡约束、充电站安装容量约束、支路功率约束、节点电压功率约束以及充电站容量需求约束。
[0119]
进一步地，各个子优化器种包含的算法分别为：模拟退火算法、细菌觅食算法、灰狼优化算法和粒子群算法。
[0120]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0121]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0122]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0123]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0124]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0125]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0126]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。