一种电动汽车充电网络模糊多目标机会约束规划方法

摘要

本发明涉及电动汽车充电网络规划技术领域，具体涉及一种电动汽车充电网络模糊多目标机会约束规划方法。本发明在充电站建设数目和充电桩配置总数给定的情况下，优化了电动汽车充电站建设地址与各电动汽车充电站中的充电桩配置数目，提升了电动汽车充电网络的充电服务能力，减少了配电系统中的网损电量，并确保配电系统运行工况满足要求，给出了电动汽车充电网络最优规划方案。在电动汽车充电负荷随机特性与分布式光伏出力随机特性的双重作用下，配电系统运行工况具有随机特性。考虑到配电系统运行工况的随机特性，建立了基于机会约束的电动汽车充电网络多目标随机规划模型。

说明书

技术领域

本发明涉及电动汽车充电网络规划技术领域，具体涉及一种电动汽车充电网络模糊多目标机会约束规划方法。

背景技术

近年来，随着化石燃料的逐渐枯竭与环境污染的日益加剧，以电动汽车为代表的清洁能源交通工具引起了广泛关注。电动汽车充电站既是支撑电动汽车发展的重要基础设施，又是配电系统中的重要负荷，不合理的电动汽车充电网络不仅会降低车主使用车辆的便利性、阻碍电动汽车产业的进一步发展，还将加重配电系统运行负担、恶化运行工况。也就是说，电动汽车充电网络规划必须兼顾配电系统和交通系统的需求，同时考虑多个优化目标。受车主交通行为和充电习惯等不确定性因素的影响，电动汽车充电站的充电负荷具有随机特性，除此之外，配电系统中分布式光伏的出力同样具有随机特性，在这两大随机因素的共同作用下，配电系统运行工况必然呈现随机特性，也就是说，电动汽车充电网络规划中必须考虑配电系统运行工况的随机特性。综上，亟需提出用于电动汽车充电网络规划的多目标随机优化模型与对应的求解方法，为建设合理的电动汽车充电网络提供参考。

在考虑电动汽车车主出行便利性与充电站运营商的利益的基础上，文献一《面向用户需求的电动汽车充电站最优规划模型研究》(可再生能源，2018年，第36卷，第4期，第568页至573页)提出了电动汽车充电网络优化规划模型，并利用改进免疫遗传算法求解模型，给出了电动汽车充电网络中各充电站的最优建设地址与建设容量。该模型充分考虑了电动汽车车主的出行需求和选择决策，但未对电动汽车充电站的电力负荷属性加以考虑，给出的电动汽车充电网络规划方案具有一定的局限性。文献二《考虑顾客满意度的电动汽车充电桩规划策略》(可再生能源，2017年，第35卷，第6期，第933页至第939页)提出了考虑顾客等待时间和充电桩利用率的满意度函数，并以此为目标对电动汽车充电站中的充电桩配置数目进行优化，接着，以配电系统电压降最小为优化目标，通过模拟退火算法优化电动汽车充电站建设地址。该文献提出的方法未充分考虑电动汽车充电网络的充电服务能力与配电系统运行工况的随机特性，给出的电动汽车充电网络规划方案具有一定的局限性。通过分析电动汽车充电站等级、电动汽车规模以及距离间的相互影响关系，文献三《基于引力模型的电动汽车充电站选址规划》(电工电能新技术，2016年，第35卷，第5期，第61页至66页)给出了充电站与电动汽车之间的相互吸引模型，并以此为基础建立了考虑未来发展的电动汽车充电站规划模型，优化充电站建设地址。该文献提出的方法未对电动汽车充电站建设容量进行优化，且未考虑电动汽车充电站对配电系统运行工况的影响，具有一定的局限性。

电动汽车充电站既是支撑电动汽车产业发展的重要基础设施，又是配电系统中具有随机特性的重要用电负荷，不合理的电动汽车充电网络不仅会降低车主使用车辆的便利性、阻碍电动汽车产业的进一步发展，还将加重配电系统运行负担、恶化运行工况。然而，现有方法均未充分考虑电动汽车充电网络的充电服务能力与配电系统的随机运行工况，具有一定的局限性，难以为电动汽车充电网络建设提供参考。

发明内容

本发明针对现有技术中存在的不足，本发明的目的是提供一种电动汽车充电网络模糊多目标机会约束规划方法，能够在充电站建设数目和充电桩配置总数给定的情况下，优化电动汽车充电站建设地址与各电动汽车充电站中的充电桩配置数目，一方面尽可能提升电动汽车充电网络的充电服务能力，一方面尽可能减少配电系统中的网损电量，并确保配电系统运行工况满足要求。

本发明为实现上述发明目的，采取的技术方案如下：

一种电动汽车充电网络模糊多目标机会约束规划方法，包括以下步骤：S1：给定规划边界条件，包括：交通系统拓扑结构与参数，电动汽车满充状态下的最大续航里程，充电站候选地址，充电站建设总数，充电桩配置总数，单个充电站充电桩配置数目上限，配电系统拓扑结构与参数，配电系统规划典型日内的负荷，规划典型日内的充电负荷概率场景集，规划典型日内的分布式光伏出力概率场景集，配电节点最大电压允许偏移百分数，配电节点电压越限置信度与配电线路潮流越限置信度；S2：建立同时考虑第一优化目标为电动汽车充电网络充电服务能力最大与第二优化目标为配电系统网损电量期望最小的电动汽车充电网络多目标随机规划模型，所述模型中配电节点电压偏移约束与配电线路潮流越限约束为机会约束；S3：采用模糊数学方法，对电动汽车充电网络多目标随机规划模型中的第一与第二优化目标进行模糊处理，将电动汽车充电网络多目标随机规划模型转换为基于最大满意度的单目标随机规划模型；S4：根据电动汽车充电网络多目标随机规划模型的特征设计染色体编码方案与交叉、变异操作算子，采用遗传算法求解单目标随机规划模型，给出电动汽车充电网络最优规划方案。

作为本发明的优选技术方案：步骤S2所述的电动汽车充电网络多目标随机规划模型，具体如下：电动汽车充电网络多目标随机规划模型的第一优化目标为电动汽车充电网络充电服务能力最大，具体如公式(1)所示：

公式(1)中，F

公式(2)中，W

电动汽车充电网络多目标随机规划模型的第二优化目标为配电系统网损电量期望最小，具体如公式(3)所示：

公式(3)中，F

作为本发明的优选技术方案：所述电动汽车充电网络多目标随机规划模型的约束分别如公式(4)至公式(8)所示，公式(4)表示充电站建设数目约束，具体如下：

公式(4)中，M为充电站建设总数；N

公式(5)为电动汽车充电网络中的充电桩配置总数约束，具体如下：

公式(5)中，z

公式(6)为单个充电站中的充电桩配置数目约束，具体如下：

1≤z

公式(6)中，z

公式(7)为节点电压偏移机会约束，具体如下：

公式(7)中，P

公式(8)为配电线路潮流越限机会约束，具体如下：

P

公式(8)中，I

作为本发明的优选技术方案：步骤S3所述的进行模糊处理的具体步骤如下：S3.1：采用降半Γ形隶属度函数对公式(1)与公式(3)给出的第一与第二优化目标进行模糊化，即分别计算第一与第二优化目标的模糊隶属度，具体如公式(9)和公式(10)所示：

公式(9)中，μ

公式(10)中，μ

S3.2：定义满意度指标μ，为量化规划人员对电动汽车充电网络规划方案的整体满意度，具体如公式(11)所示：

μ＝min{μ

公式(11)中，μ

S3.3：基于满意度指标μ，将电动汽车充电网络多目标随机规划模型转换为基于最大满意度的单目标规划模型，如公式(12)所示：

maxμ (12)

公式(12)中，μ为满意度指标。

作为本发明的优选技术方案：所述基于最大满意度的单目标随机规划模型的约束包括公式(4)至公式(8)、公式(13)至公式(15)；其中，公式(13)具体如下：

F

公式(13)中，F

其中，公式(14)具体如下：

F

公式(14)中，F

其中，公式(15)具体如下：

0≤μ≤1 (15)

公式(15)中，μ为满意度指标。

作为本发明的优选技术方案：步骤S4所述的单目标随机规划模型的求解步骤具体如下：S4.1：给定遗传算法参数，包括：种群规模N

S4.3：进化代数索引g初始化为0，即令g＝0；

S4.4：令g＝g+1，开始进行第g代进化，染色体索引n初始化为1，即令n＝1；

S4.5：对当前种群中的第n条染色体进行解码，确定M个电动汽车充电站的建设位置，基于截流选址模型计算各充电站截获分别截获的车流量F

公式(16)中，V

S4.7：根据公式(9)至公式(11)计算满意度指标μ，接着，按公式(17)至公式(19)确定第n条染色体的适应度V

V

公式(17)至(19)中，采用罚函数法分别处理公式(7)与公式(8)给出的机会约束，η

S4.8：判断是否完成对当前种群中所有染色体的适应度计算，即判断染色体索引n是否等于种群规模N

S4.9：判断是否到达最大进化代数，即判断进化代数索引g是否等于最大进化代数G

S4.10：将当前种群最优秀染色体对应的充电网络规划方案作为电动汽车充电网络多目标随机规划模型的最优解输出，结束算法流程。

作为本发明的优选技术方案：步骤S4.2所述的初始种群中的染色体的取值步骤如下：(1)将染色体所有码位赋值为“0”；(2)从染色体中随机挑选M个码位，将赋值由“0”改为“1”。

作为本发明的优选技术方案：步骤S4.9所述的交叉操作算子，具体步骤如下：(a)从当前种群中随机选取两条染色体作为待交叉染色体；(b)反复随机生成待选交叉位N

作为本发明的优选技术方案：步骤(b)所述的N

作为本发明的优选技术方案：步骤S4.9所述的变异操作算子，具体步骤如下：步骤一：从当前染色体种群中随机选取一条染色体作为待变异染色体；步骤二：随机生成两个待变异码位N

本发明所述的一种电动汽车充电网络模糊多目标机会约束规划方法，采用以上技术方案与现有技术相比，具有以下技术效果：

本发明在充电站建设数目和充电桩配置总数给定的情况下，优化了电动汽车充电站建设地址与各电动汽车充电站中的充电桩配置数目，提升了电动汽车充电网络的充电服务能力，减少了配电系统中的网损电量，并确保配电系统运行工况满足要求，给出了电动汽车充电网络最优规划方案。

附图说明

图1是本发明提出的方法流程示意图；

图2是本发明提出的单目标随机规划模型的求解步骤示意图；

图3为本发明的交叉操作流程示意图；

图4为本发明的变异操作流程示意图。

具体实施方式

下面结合附图详细的描述本发明的作进一步的解释说明,以使本领域的技术人员可以更深入地理解本发明并能够实施,但下面通过参考实例仅用于解释本发明,不作为本发明的限定。

如图1所示，一种电动汽车充电网络模糊多目标机会约束规划方法，包括以下步骤：S1：给定规划边界条件，包括：交通系统拓扑结构与参数，电动汽车满充状态下的最大续航里程，充电站候选地址，充电站建设总数，充电桩配置总数，单个充电站充电桩配置数目上限，配电系统拓扑结构与参数，配电系统规划典型日内的负荷，规划典型日内的充电负荷概率场景集，规划典型日内的分布式光伏出力概率场景集，配电节点最大电压允许偏移百分数，配电节点电压越限置信度与配电线路潮流越限置信度；S2：建立同时考虑第一优化目标为电动汽车充电网络充电服务能力最大与第二优化目标为配电系统网损电量期望最小的电动汽车充电网络多目标随机规划模型，所述模型中配电节点电压偏移约束与配电线路潮流越限约束为机会约束；S3：采用模糊数学方法，对电动汽车充电网络多目标随机规划模型中的第一与第二优化目标进行模糊处理，将电动汽车充电网络多目标随机规划模型转换为基于最大满意度的单目标随机规划模型；S4：根据电动汽车充电网络多目标随机规划模型的特征设计染色体编码方案与交叉、变异操作算子，采用遗传算法求解单目标随机规划模型，给出电动汽车充电网络最优规划方案。

步骤S2所述的电动汽车充电网络多目标随机规划模型，具体如下：电动汽车充电网络是支撑电动汽车发展的重要基础措施，是影响电动汽车使用便利性的关键因素之一，电动汽车充电网络多目标随机规划模型的第一优化目标为电动汽车充电网络充电服务能力最大，具体如公式(1)所示：

公式(1)中，F

公式(2)中，W

电动汽车充电负荷是配电系统中的重要负荷，受车主交通行为和充电习惯等不确定性因素的影响，电动汽车充电负荷具有随机特性。配电系统中，分布式光伏出力同样具有随机特性，在上述两大随机因素的共同作用下，配电系统运行工况呈现显著的随机特性。电动汽车充电负荷会改变配电系统运行工况，并可能导致网损电量增加，电动汽车充电网络多目标随机规划模型的第二优化目标为配电系统网损电量期望最小，具体如公式(3)所示：

公式(3)中，F

所述电动汽车充电网络多目标随机规划模型的约束分别如公式(4)至公式(8)所示，公式(4)表示充电站建设数目约束，具体如下：

公式(4)中，M为充电站建设总数；N

公式(5)为电动汽车充电网络中的充电桩配置总数约束，具体如下：

公式(5)中，z

公式(6)为单个充电站中的充电桩配置数目约束，具体如下：

1≤z

公式(6)中，z

公式(7)为节点电压偏移机会约束，具体如下：

公式(7)中，P

公式(8)为配电线路潮流越限机会约束，具体如下：

P

公式(8)中，I

步骤S3所述的进行模糊处理的具体步骤如下：S3.1：采用降半Γ形隶属度函数对公式(1)与公式(3)给出的第一与第二优化目标进行模糊化，即分别计算第一与第二优化目标的模糊隶属度，具体如公式(9)和公式(10)所示：

公式(9)中，μ

公式(10)中，μ

S3.2：定义满意度指标μ，为量化规划人员对电动汽车充电网络规划方案的整体满意度，具体如公式(11)所示：

μ＝min{μ

公式(11)中，μ

S3.3：基于满意度指标μ，将电动汽车充电网络多目标随机规划模型转换为基于最大满意度的单目标规划模型，如公式(12)所示：

maxμ (12)

公式(12)中，μ为满意度指标。

所述基于最大满意度的单目标随机规划模型的约束包括公式(4)至公式(8)、公式(13)至公式(15)；其中，公式(13)具体如下：

F

公式(13)中，F

其中，公式(14)具体如下：

F

公式(14)中，F

其中，公式(15)具体如下：

0≤μ≤1 (15)

公式(15)中，μ为满意度指标。

如图2所示，步骤S4所述的单目标随机规划模型的求解步骤具体如下：S4.1：给定遗传算法参数，包括：种群规模N

公式(16)中，V

S4.6：采用场景概率法进行配电系统概率潮流计算，确定规划典型日内的网损电量期望F

S4.7：根据公式(9)至公式(11)计算满意度指标μ，接着，按公式(17)至公式(19)确定第n条染色体的适应度V

V

公式(17)至(19)中，采用罚函数法分别处理公式(7)与公式(8)给出的机会约束，η

S4.8：判断是否完成对当前种群中所有染色体的适应度计算，即判断染色体索引n是否等于种群规模N

S4.9：判断是否到达最大进化代数，即判断进化代数索引g是否等于最大进化代数G

S4.10：将当前种群最优秀染色体对应的充电网络规划方案作为电动汽车充电网络多目标随机规划模型的最优解输出，结束算法流程。

步骤S4.2所述的初始种群中的染色体的取值步骤如下：(1)将染色体所有码位赋值为“0”；(2)从染色体中随机挑选M个码位，将赋值由“0”改为“1”。

如图3所示，步骤S4.9所述的交叉操作算子，具体步骤如下：(a)从当前种群中随机选取两条染色体作为待交叉染色体；(b)反复随机生成待选交叉位N

如图4所示，步骤S4.9所述的变异操作算子，具体步骤如下：步骤一：从当前染色体种群中随机选取一条染色体作为待变异染色体；步骤二：随机生成两个待变异码位N

因为在电动汽车充电负荷随机特性与分布式光伏出力随机特性的双重作用下，配电系统运行工况具有随机特性。所以考虑到配电系统运行工况的随机特性，本发明建立了基于机会约束的电动汽车充电网络多目标随机规划模型：优化变量为电动汽车充电站建设地址与充电桩配置数目；第一优化目标为电动汽车充电网络的充电服务能力最大与第二优化目标为配电系统网损电量期望最小；约束条件为充电站建设数目约束，充电桩配置总数约束，单个充电站充电桩配置数目约束，配电节点电压偏移机会约束与配电线路潮流越限机会约束。电动汽车充电网络多目标随机规划模型包括两个不同维度的优化目标，方法采用模糊数学方法将其转换为基于最大满意度的单目标随机规划模型，并采用遗传算法求解。求解中，根据待求优化模型的特征设计染色体编码方案与交叉、变异操作算子。染色体解码后，可确定充电站建设地址，在此基础上根据各充电站截获的车流量优化各充电站的充电桩配置数目，接着，结合配电系统规划典型日内的概率潮流分析结果确定染色体适应度。以染色体适应度为依据，更新遗传算法种群，一旦遗传算法进化到此最大进化代数，便认为算法收敛，输出规划结果。

以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。