一种自适应大规模多目标电动汽车充电站优化部署方法技术

本发明专利技术属于电动汽车充电站的优化部署领域，提出一种自适应大规模多目标电动汽车充电站优化部署方法。本发明专利技术在充电资源有限的情况下，寻找一种可以使充电网络整体充电效率最大、充电站中充电桩的整体耗电负载均衡程度最大、电动汽车充电网络的整体故障率最低和充电站的部署成本最低的电动汽车充电站部署方案；并使用基于模糊粗糙集近邻分类导向的自适应差分优化策略改进Two_Arch2算法，通过种群的演化与迭代得到一个实现多目标优化的、各指标折中最佳的电动汽车充电站部署方案。折中最佳的电动汽车充电站部署方案。折中最佳的电动汽车充电站部署方案。

【技术实现步骤摘要】
一种自适应大规模多目标电动汽车充电站优化部署方法


[0001]本专利技术涉及电动汽车充电站的优化部署领域，尤其涉及一种自适应大规模多目标电动汽车充电站优化部署方法。

技术介绍

[0002]随着石油资源的日渐枯竭，新能源电动汽车的用户正在快速增多，对车辆充电的便捷性要求也在逐渐提高。但充电站资源不均匀、不平衡的分布使得电动汽车充电的服务质量急剧下降，合理地分配充电站资源是解决该问题的一种有效途径。
[0003]充电站的快慢充电桩设计不仅可以有效地满足不同电动车辆用户的充电接口要求，还可以对服务价格划分等级并适应更多车主不同的消费能力。针对广阔范围内的不同区域的人口密度和车流量等差异进行综合考虑，并结合充电效率、桩位数量和服务质量灵活设置电动车辆充电站成为了趋势。随着近年来车联网技术的发展，通信数据终端可以被延展到各种平台上。
[0004]若想要提高整个城市区域中智能车辆充电站的服务质量，则需要调节该系统的多个技术指标。在工程实践当中，资源配置一般是有限的，所以这些技术指标之间通常会存在矛盾，并大多成对出现。这些矛盾之间一般呈负相关关系。当这对指标中的一个指标效果变好时，另一个指标效果就会变差。若想通过增加充电站资源的方法缓解系统服务质量的降低，过高的建设成本和过大的电力负载会成为建设工程的沉重负担，因此在广阔范围内大量均匀地部署充电站资源是不实际且不必要的。
[0005]电动车辆的最优充电站部署主要考虑以下四个问题：(1)在充电资源有限的情况下提高用户车辆的充电效率；(2)在保证输出功率稳定的前提下使充电站网络的充电负载具有较好的均衡性；(3)尽可能地降低充电站网络系统的故障率以保证服务质量；(4)在稳定充电效率的情况下最小化充电站的部署成本。

技术实现思路

[0006]在考虑单个指标的技术方案中，虽然改善了某个技术指标的性能，但无法同时感知到其他技术指标的变化。若是只考虑一对矛盾的技术指标，则无法对其他技术指标的表现进行把控。为了解决这一问题，本专利技术将影响电动汽车充电站部署的四个问题转变成为多目标优化模型，提出了一种自适应大规模多目标电动汽车充电站优化部署方法，即一种基于模糊粗糙集近邻分类导向差分优化算法的自适应大规模多目标电动汽车充电站部署优化方法。
[0007]本专利技术的技术方案如下：一种自适应大规模多目标电动汽车充电站优化部署方法，包括步骤如下：
[0008]步骤一、定义表示充电站网络的结构，包括充电站中快速充电桩和慢速充电桩的数量和比例，充电桩设备的功率和安全系数等；
[0009]步骤二、根据所在地区的人口密度、车流量和电网分布等信息随机生成一组充电
站待部署位置；
[0010]步骤三、构建电动汽车充电网络的多目标部署优化模型；
[0011]在充电资源有限的情况下，以充电站总体充电效率最大、充电站中充电桩的整体耗电负载均衡程度最大、电动汽车充电网络的整体故障率最低和充电站的部署成本最低为优化目标分别构建数学模型，并形成电动汽车充电网络的多目标部署优化模型；
[0012]步骤四、采用一种改进的Two_Arch2算法对所提出的电动汽车充电网络的多目标部署优化模型进行求解，得到电动汽车充电网络的充电站最优部署方案；
[0013]步骤五、在充电站待部署位置地图中，根据充电站最优部署方案得出一组部署位置，作为实际部署点。
[0014]所述电动汽车充电网络的结构由一组数组表示，具体为：
[0015]EVCS＝{CS1,CS2,
…
,CS
P
‑1,CS
P
}
[0016]其中，CS
k
代表电动汽车充电网络中第k个充电站；当这个充电站待部署位置被选中作为实际部署点时，CS
k
被标记为1；当这个充电站待部署位置没有被选中作为实际部署点时，CS
k
被标记为0；
[0017]每个充电站由快速充电桩和慢速充电桩按比例组合构成，具体为：
[0018][0019]其中，Tot
k
为第k个充电站中充电桩的总数；Sl
k
/Tot
k
为第k个充电站中慢速充电桩所占充电桩总数的比例，Fa
k
/Tot
k
为第k个充电站中快速充电桩所占充电桩总数的比例；为第k个充电站中慢速充电桩的设备功率，为第k个充电站中快速充电桩的设备功率。
[0020]所述电动汽车充电网络中充电站总体充电效率最大的数学模型，具体为：
[0021][0022]其中，CCput
fast
代表快速充电桩的单位时间充电量，CCput
slow
代表慢速充电桩的单位时间充电量，且CCput
fast
的数值远大于CCput
slow
的数值。代表第k个充电站的第i个快速充电桩的耗电量，总数为m；代表第k个充电站的第j个慢速充电桩的耗电量，总数为n；
[0023]所述充电站中充电桩的整体耗电负载均衡程度最大的数学模型，具体为：
[0024][0025]其中，P为电动汽车充电网络中充电站的个数；Che
k
为第k个充电站的总体充电效率，具体为：
[0026][0027]其中，loadB为各电动汽车充电网络中各充电站充电效率的平均值，具体为：
[0028][0029]所述电动汽车充电网络的整体故障率最低的数学模型，具体为：
[0030][0031]其中，Time为电动汽车充电网络中所有充电站的总运行时间，Pr
k
为第k个充电站的额定功率；
[0032]所述电动汽车充电网络中所有充电站的部署成本的数学模型，具体为：
[0033][0034]其中，cost
fast
为单个快速充电桩的部署成本，cost
slow
为单个慢速充电桩的部署成本；opf
ik
为第k个充电站中第i个快速充电桩的资源利用率，具体为：
[0035][0036]其中，为第k个充电站中第j个慢速充电桩的资源利用率，具体为：
[0037][0038]所述改进的Two_Arch2算法基于现有Two_Arch2算法改进，根据用户经验，对用于评价算法运行过程中种群个体的收敛性和多样性的两个指标值进行模糊粗糙集近邻分类，并通过分类结果中的“好”与“坏”的占比确定收敛性评估趋势指标和多样性评估趋势指标的变化；根据两个趋势指标的变化选择差分进化策略，采用该差分进化策略改进Two_Arch2算法，并提升其逼近帕累托最优前沿和局部搜索的性能；
[0039]根据I
ε+
和MS指标提出收敛性趋势评估指标和多样性趋势评估指标；
[0040]基于I
ε+
指标提出的收敛性趋势评估指标Cal(k)，用于评价迭代过程中算法的收敛性：
[0041][0042]其中，f<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应大规模多目标电动汽车充电站优化部署方法，其特征在于，包括步骤如下：步骤一、定义表示充电站网络的结构，包括充电站中快速充电桩和慢速充电桩的数量和比例，充电桩设备的功率和安全系数；步骤二、根据所在地区的人口密度、车流量和电网分布信息随机生成一组充电站待部署位置；步骤三、构建电动汽车充电网络的多目标部署优化模型；在充电资源有限的情况下，以充电站总体充电效率最大、充电站中充电桩的整体耗电负载均衡程度最大、电动汽车充电网络的整体故障率最低和充电站的部署成本最低为优化目标分别构建数学模型，并形成电动汽车充电网络的多目标部署优化模型；步骤四、采用一种改进的Two_Arch2算法对所提出的电动汽车充电网络的多目标部署优化模型进行求解，得到电动汽车充电网络的充电站最优部署方案；步骤五、在充电站待部署位置地图中，根据充电站最优部署方案得出一组部署位置，作为实际部署点。2.根据权利要求1所述的自适应大规模多目标电动汽车充电站优化部署方法，其特征在于，所述电动汽车充电网络的结构由一组数组表示，具体为：EVCS＝{CS1，CS2，...，CS
P
‑1，CS
P
}其中，CS
k
代表电动汽车充电网络中第k个充电站；当这个充电站待部署位置被选中作为实际部署点时，CS
k
被标记为1；当这个充电站待部署位置没有被选中作为实际部署点时，CS
k
被标记为0；每个充电站由快速充电桩和慢速充电桩按比例组合构成，具体为：其中，Tot
k
为第k个充电站中充电桩的总数；Sl
k
/Tot
k
为第k个充电站中慢速充电桩所占充电桩总数的比例，Fa
k
/Tot
k
为第k个充电站中快速充电桩所占充电桩总数的比例；为第k个充电站中慢速充电桩的设备功率，为第k个充电站中快速充电桩的设备功率。3.根据权利要求2所述的自适应大规模多目标电动汽车充电站优化部署方法，其特征在于，所述电动汽车充电网络中充电站总体充电效率最大的数学模型，具体为：其中，CCput
fast
代表快速充电桩的单位时间充电量，CCput
slow
代表慢速充电桩的单位时间充电量；代表第k个充电站的第i个快速充电桩的耗电量，总数为m；代表第k个充电站的第j个慢速充电桩的耗电量，总数为n；所述充电站中充电桩的整体耗电负载均衡程度最大的数学模型，具体为：
其中，P为电动汽车充电网络中充电站的个数；Che
k
为第k个充电站的总体充电效率，具体为：其中，loadB为各电动汽车充电网络中各充电站充电效率的平均值，具体为：所述电动汽车充电网络的整体故障率最低的数学模型，具体为：其中，Time为电动汽车充电网络中所有充电站的总运行时间，Pr
k
为第k个充电站的额定功率；所述电动汽车充电网络中所有充电站的部署成本的数学模型，具体为：其中，cost
fast
为单个快速充电桩的部署成本，cost
slow
为单个慢速充电桩的部署成本；opf
ik
为第k个充电站中第i个快速充电桩的资源利用率，具体为：其中，为第k个充电站中第j个慢速充电桩的资源利用率，具体为：4.根据权利要求3所述的自适应大规模多目标...

【专利技术属性】
技术研发人员：曹斌，王钰，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：