基于全寿命周期成本的电动汽车充电站优化规划方法

摘要

本发明公开了一种基于全寿命周期成本的电动汽车充电站优化规划方法，分析了充电站的成本效益及全寿命周期成本的计算方法；提出利用交通路网车流量信息估算充电站容量，以充电站运营商获得的净现值收益最大为优选目标，以交通路网车流量、电网电能质量和经济性、用户充电需求为约束条件，确定充电站的选址和容量；进一步地，提出了计及全寿命周期成本的充电站优化规划模型，并采用量子遗传算法求解该模型。该方法能有效而准确的对电动汽车充电站进行规划，从而得到最优选站地址和最优容量，并计算出最大净现值，该方法在一定程度上弥补了当前其他电动汽车充电站规划方法的不足，并在实际操作中能得到更快的收敛，更加准确的数值。

说明书

技术领域

本发明涉及电动汽车集中式充电站规划优化领域，特别是一种基于全寿命周期成本的电动汽车充电站优化规划方法。

背景技术

化石能源短缺、环境污染加剧、电池技术进步促进了电动汽车产业的发展。随着电动汽车推广速度的加快，未来市场中的电动汽车数量将不断增长。由于车载电池能量密度的限制，电动汽车续航里程较短，因此，必须建设完善的充电设施来保障电动汽车的日常使用。大规模电动汽车能源供给设施的建设和运营是发展电动汽车消费市场的重要保证。电动汽车充电站是电动汽车配套设施的重要组成部分，在政府政策支持及企业积极参与下得到迅速发展。作为主要充电设施之一的充电站有着极其重要的作用，需要合理的规划建设来提供方便的充电服务。2014年5月国家电网公司宣布向社会资本开放电动汽车充换电设施市场领域，允许社会资本投资建设和运营该领域。社会资本的注入，为电动汽车配套设施市场带来了新的机遇和挑战。作为充电站建设及运营的前期工作，充电站规划的超前和合理性，是电动汽车配套市场乃至电动汽车行业有序发展的保障。考虑到充电设施的成本和合理性，相较而言，建设集中式充电站的情况比分散的充电桩更好。

充电站规划主要涉及充电站的选址、定容和方案优选问题。总结目前的情况，现有研究对充电站的选址问题主要从考虑交通网络电动汽车流量、电网电能质量及经济性、电动汽车充电负荷的时空分布出发，确定电动汽车充电站的合理位置。对电动汽车充电站的定容问题主要考虑在确定服务区域范围基础上，以满足区域电动汽车充电需求为目标，运用排队论原理等方法确定充电站容量。对方案优选问题主要以全社会总成本、充电站建设及运营成本、用户路上成本、电网扩建成本和损耗成本等为优化目标，以用户充电需求、电网、交通网络为约束进行规划方案优选。从现有情况来看，对于电动汽车充电站规划问题，已初步形成了充电站规划的基本原理、方法及步骤。但也存在一些问题，例如对充电站选址、定容问题的分析往往各有取舍，未能将交通路网、电力网络、用户需求统筹考虑，规划方案优选目标的选取未能与电动汽车充换电设施运营市场的实际利益相契合等问题。

LCC(全生命周期成本，Life Cycle Cost，简称LCC)，也被称为全寿命周期费用。它是指产品在有效使用期间所发生的与该产品有关的所有成本，它包括产品设计成本、制造成本、采购成本、使用成本、维修保养成本、废弃处置成本等。LCC理念核心在于：单件 的研制和生产成本(采购费用)不足以说明总费用的高低，决策人员不应把采购费和使用维护费分割开来考虑，而必须把这几者结合起来，作为单件的全寿命周期费用进行总体考虑。

量子遗传算法是量子计算与遗传算法相结合的产物，是一种新发展起来的概率进化方法。遗传算法是处理复杂优化问题的一种方法，其基本思想是模拟生物进化的优胜劣汰规则与染色体的交换机制，通过选择，交叉，变异三种基本操作寻找最优个体。由于遗传算法不受问题性质、优化准则形式等因素的限制，仅用目标函数在概率引导下进行全局自适度搜索，能够处理传统优化方法难以解决的复杂问题，具有极高鲁棒性和广泛适用性，因而得到了广泛应用并成为跨学科研究的热点。但是，若选择、交叉、变异的方式不当，遗传算法会表现出迭代次数多、收敛速度慢、易陷入局部极值的现象。量子计算中采用量子态作为基本的信息单元，利用量子态的叠加、纠缠和干涉等特性，通过量子并行计算可以解决经典计算中的NP问题，从而量子计算正以其独特的计算性能迅速成为研究的热点。量子遗传算法是基于量子计算原理的一种遗传算法，其建立在量子的矢态量表示的基础之上，将量子比特的几率幅表示应用于染色体的编码，使得一条染色体可以表达多个态的叠加，并利用量子逻辑门实现染色体的更新操作，从而实现了目标的优化求解。相较于遗传算法，其搜素范围更广，适应性更强，效率更高，效果更好。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于全寿命周期成本的电动汽车充电站优化规划方法。

为解决上述技术问题，本发明所采用的技术方案是：一种基于全寿命周期成本的电动汽车充电站优化规划方法，以充电站运营商所获得的净现值收益最大为目标进行充电站规划方案的优选；充电站运营商所获得的净现值收益NPV计算公式如下：

$>\mathrm{NPV}=\underset{t=1}{\overset{T}{\Sigma }}{(B-\mathrm{LCC})}_t{(1+i_0)}^{-t};$>

其中，B表示充电站运营周期内的资金收益，LCC表示充电站全寿命周期成本，i₀表示折现率，T表示充电站运营的全寿命周期。

LCC＝IC+OC+MC+FC+DC；其中IC是充电站投资成本，OC是充电站运行成本，MC是充电站检修维护成本，FC是充电站故障成本，DC是充电站报废成本。

IC＝C_ic+C_ie+C_ii+C_io，C_ic表示建筑工程费用，C_ie表示设备购置费，C_ii表示安装工程费，C_io表示其他费用，其他费用包括建设场地征用及清理费、装修费、项目建设管理 费用及技术服务费用。

OC＝C_oe+C_oh，C_oe表示能耗费，C_oh表示人工费。

MC＝C_mr+C_ml，C_mr表示日常设备的维护费用，C_ml表示计划检修费用。

FC＝c_f·N·MTTR+λ·N·T_fc，c_f表示充电站平均每次发生故障单位时间修复成本，N表示充电站发生故障的次数，MTTR表示充电站设备平均修复时间，λ表示充电站平均每次故障单位时间的惩罚成本，T_fc表示充电站故障持续时间。

DC＝C_dl-K₀(1-d)^T，C_dl表示报废处理费用，K₀表示充电站原始价值，d表示充电站折旧率，K_d表示充电站在第T年末的剩余价值。

与现有技术相比，本发明所具有的有益效果为：本发明在综合考虑电动汽车充电站的运营商、电网公司、用户相互之间的依赖关系的基础上，提出包含考虑全寿命周期成本的优化规划方法，更能体现模型建立的合理性与准确性。本发明的方法能有效而准确的对电动汽车充电站进行规划，从而得到最优选站地址和最优容量，并计算出最大净现值，该方法在一定程度上弥补了当前其他电动汽车充电站规划方法的不足，并在实际操作中能得到更快的收敛，更加准确的数值。

附图说明

图1是量子更新旋转角选择策略图表；

图2是电动汽车充电站规划算法流程图；

图3是本发明实施例规划区域线路及节点图；

图4是本发明实施例充电站最优位置及服务区域图。

具体实施方式

本发明采取的规划优化方案如下：充电站规划应当满足充电站运营商的盈利需求，并且兼顾电网公司、电动汽车用户的需求。本发明以充电站运营商所获得的净现值收益最大为目标进行充电站规划方案的优选。充电站运营商所获得的净现值收益用NPV(Net Present Value)表示，计算公式如式：式中B表示充电站运营周期内的资金收益，LCC表示充电站全寿命周期成本，表示充电站运营的第t年，i₀表示折现率，T表示充电站运营的全寿命周期。全寿命周期成本LCC的计算公式如式：LCC＝IC+OC+MC+FC+DC式中IC(Investment Costs)是充电站投资成本，OC(Operation Costs)是充电站运行成本，MC(Maintenance Costs)是充电站检修维护成本， FC(Failure Costs)是充电站故障成本，DC(Disposal Costs)是充电站报废成本。电动汽车充电站全寿命周期成本各分量的含义和计算方法如下。充电站投资成本IC计算公式为：IC＝C_ic+C_ie+C_ii+C_io式中，C_ic表示建筑工程费用，C_ie表示设备购置费，C_ii表示安装工程费，C_io表示其他费用。建筑工程费用主要包括站内房屋建筑、一般土建、采暖、通风及照明工程等；设备购置费用主要包括电气一次设备、电气二次设备、通讯、暖通、给排水及消防设备等；安装工程费用主要包括配电站工程、通讯及调度自动化系统的安装等；其他费用包括建设场地征用及清理费、装修费、项目建设管理及技术服务费用等。充电站运行成本OC计算公式为：OC＝C_oe+C_oh式中C_oe表示能耗费，C_oh表示人工费。能耗费用主要是指充电站为电动汽车充电消耗的电能、电气一次、二次设备损耗等；人工费用主要包括工作人员的培训费、工资及其他服务人员的劳务费用等。充电站检修维护成本MC计算公式为：MC＝C_mr+C_ml式中C_mr表示日常设备的维护费用、C_ml表示计划检修费用。充电站故障成本FC计算公式为：FC＝c_f·N·MTTR+λ·N·T_fc式中c_f表示充电站平均每次发生故障单位时间修复成本，N表示充电站发生故障的次数，MTTR表示充电站设备平均修复时间，λ表示充电站平均每次故障单位时间的惩罚成本，T_fc表示充电站故障持续时间。充电站报废成本DC计算公式为：DC＝C_dl-K₀(1-d)^T式中C_dl表示报废处理费用，K₀表示充电站原始价值，d表示充电站折旧率，折旧率d可以表示为：式中K_d表示充电站在第T年末的剩余价值。

本发明的模型约束条件分为三大类，第一类为交通网络约束，即电动汽车充电站的建设位置直接影响到充电站对用户的服务效果。充电站选址应当符合电动汽车车流量在交通网络中的分布规律。通过借鉴交通规划中的服务站选址方法，利用截流选址模型对充电站建设位置及组合进行约束，以确保充电站的服务效果。第二类为电网约束，充电站充电负荷较大，其接入电网对电网的电能质量和经济性都有影响。为保证充电站接入不会对电网产生较大不利影响，需要约束充电站接入电网的各项指标，包括节点电压幅值的上下限约束，变电站允许接入的电动汽车充电功率容量约束，馈线最大电流约束，负载率约束，潮流熵约束。第三类为用户需求约束，即充电站的选址和定容需要满足服务区域用户的充电需求，并且为避免用户充电路上成本过大，提高充电便利性，充电站服务半径也应维持在一定范围内。

本发明具体求解算法是通过量子遗传算法求解充电站规划模型。量子遗传算法是基于量子计算原理的一种遗传算法，该算法将量子的态矢量表达引入遗传编码，以态矢量表述为基础，用染色体编码表示量子比特的几率幅，使多个态的叠加可以用一条染色体表达， 并用量子非门和量子旋转门实现染色体的更新操作，从而进行运算得到最优解。在量子计算中，采用|0>和|1>表示微观粒子的2种基本状态，称它们为量子比特，称符号“|>”为狄拉克(Dirac)记号。同样，在QGA算法中，最小的信息单元是量子位，量子位具有2个基本态：|0>态和|1>态。任意时刻量子位的状态|ψ>是基本态的线性组合，称为叠加态，即： 式中α、β为量子态|0>和|1>的概率幅，为两个常数，且满足：|α|²+|β|²＝1量子遗传算法采用二进制编码，对存在多态的问题进行量子比特编码，采用的编码方案为： $>q_j^t=\left\{\begin{array}{c}{\alpha }_{11}^t\\ {\beta }_{11}^t\end{array}\left(\begin{array}{c}{\alpha }_{12}^t\\ {\beta }_{12}^t\end{array}\right)\begin{array}{c}...\\ ...\end{array}\left(\begin{array}{c}{\alpha }_{1k}^t\\ {\beta }_{1k}^t\end{array}\right)\begin{array}{c}{\alpha }_{21}^t\\ {\beta }_{21}^t\end{array}\left(\begin{array}{c}...\\ ...\end{array}\right)\begin{array}{c}{\alpha }_{mk}^t\\ {\beta }_{mk}^t\end{array}\right\}$>其中，代表第t代，第j个染色体，m为染色体的基因个数，k为编码每一个基因的量子比特数。本发明根据量子遗传算法的计算特点，选择量子旋转门进行染色体更新，其更新的过程如右式：$>\left(\begin{array}{c}{\alpha }_i^{\prime }\\ {\beta }_i^{\prime }\end{array}\right)=\left(\begin{array}{cc}\cos \left({\theta }_i\right)& -\sin \left({\theta }_i\right)\\ \sin \left({\theta }_i\right)& \cos \left({\theta }_i\right)\end{array}\right)\left(\begin{array}{c}{\alpha }_i\\ {\beta }_i\end{array}\right)$>其中，θ_i为旋转角，它的调整策略如图1所示。图1中，x_i为当前染色体的第i位，best_i为当前的最优染色体的第i位，f(x)为适应度函数，S(σ_i,β_i)为旋转角方向，Δθ_i为旋转角度大小，该调整策略是将个体当前的测量值的适应度f(x)与种群当前最优个体的适应度值f(best)进行比较，如果f(x)>f(best)，则调整中相应位的量子比特，使得几率幅对(σ_i,β_i)^T向着有利于x_i出现的方向演化，反之，如果f(x)<f(best)，则调整中相应位量子比特，使得几率幅对(σ_i,β_i)^T向着有利于best出现的方向演化。在执行变异操作时，以一定概率p选择种群中的个体，对选中的个体随机产生一个变异位并通过量子非门$>\left(\begin{array}{cc}0& 1\\ 1& 0\end{array}\right)$>作用，互换变异位概率幅，完成染色体变异操作。该变异操作有助于防止算法过早陷入局部收敛，增加种群多样性，使得充电站规划模型的求解更加准确。

本发明求解步骤是以充电站运营商获得的净现值收益最大为优选目标，以交通路网车流量、电网电能质量和经济性、用户充电需求为约束条件，建立计及全寿命周期成本的充电站优化规划模型，并采用量子遗传算法求解该模型。发明中电动汽车充电站优化规划模型目标函数如下，首先假定拟建充电站数量为定值。首先根据初始站址确定各充电站的服务范围，进而计算各充电站的容量需求。服务范围的划分 借鉴常用的Voronoi图的思想，要求每座充电站服务范围内的充电需求点到该充电站的距离都不大于充电需求点到其他充电站的距离。在确定服务范围后，需确定充电站额定容量。常用的容量确定方法有基于排队论原理、道路路口流量计算、概率预测等方法，本发明提出一种利用O-D线路车流量和节点固定充电需求量计算容量的方法。设充电站中充电机充电功率为P_c，充电效率为η_c，电动汽车平均电池容量为W_e，充满一辆电动汽车用的时间为T_e小时，道路中电动汽车占汽车总量的比例为K_e，电动汽车充电同时率为α_e，充电站i中充电机的数量为n_i。服务范围V_i内各O-D线路平均每天(24小时)的车流量用f_l(l∈L)表示，用k_i(i∈I)表示节点i平均每天(24小时)产生的固定充电需求量。充电站i中充电机配置数量表示为：通过量子遗传算法求解充电站选址和充电机配置数量，算法流程如图2所示，其计算步骤如下：

1)初始化算法参数。包括种群的大小N，染色体个体的基因数m，编码基因的量子比特数k，迭代的次数t等参数。

2)初始化种群Q(t)。随机生成N个染色体个体，每个染色体个体由n个充电站站址坐标(x₁,y₁),(x₂,y₂)...(x_n,y_n)以量子比特编码。

3)对种群中的每个染色体实施一次测量，得到对应的充电站站址坐标。根据充电站站址坐标，划分充电站的服务区域，计算充电机的配置数量。以净现值NPV为适应度，进行适应度评估。

4)记录净现值NPV最大的充电站站址坐标和对应的净现值NPV。

5)判断该选址和定容是否满足交通网络和用户需求约束条件；若满足约束则转步骤15)，否则转步骤11)。

6)将充电站中充电机额定容量计入配电网对应节点负荷中进行潮流计算，判断是否满足电网约束，若满足约束则转步骤16)，否则转步骤11)。

7)判断是否达到最大循环次数，若已达到最大循环次数则转步骤18)，否则转步骤17)。

8)迭代次数加1，利用量子旋转门与交叉变异策略对染色体个体实施调整，得到新的种群Q(t)，转步骤12)。

9)输出电动汽车充电站的最优站址坐标，最优充电机配置数量和最大净现值NPV。

针对所提的集中式充电站规划方法，即可求出充电站最优站址、最优容量、和相应的净现值。如选取一个36路网节点和33配网节点耦合组成的区域进行求解，求解区域如图3所示，配电网采用IEEE33节点标准算例系统的拓扑、线路及负荷参数。通过采用计及全寿命周期成本的这一模型求解，运用该专利可以通过量子遗传算法求出其最优规划位置和容量，充电站最优位置及服务区域示意图如图4所示。