[發明專利]一種電動汽車充電站優化配置的方法

有效

• 申請號: 201710025691.4
• 申請日: 2017-01-13
• 公開（公告）號: CN106651059B
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 趙俊屹;楊超穎;薛志偉
• 申請（專利權）人: 國網山西省電力公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04
• 代理公司: 成都信博專利代理有限責任公司 51200
• 代理人: 劉凱

1.一種電動汽車充電站優化配置的方法，其特征在于，包括以下步驟：

步驟1：建立電動汽車充電功率預測模型，采用Monte Carlo模擬法對規劃區域1天內電動汽車充電功率進行預測：

a)根據各類電動汽車的數量和由歷史數據擬合得到的日行駛距離概率密度函數，采用Monte Carlo法隨機抽取第q類電動汽車日行距離L_q,w，w＝1,2,…,W_q，W_q為第q類電動汽車抽樣數量；

b)根據各類電動汽車的百km耗電量，按照下式計算各類電動汽車日充電功率需求P_q,w：

其中，χ_100,q為第q類電動汽車百km耗電量；

c)根據各類電動汽車日充電功率按照下式進行疊加計算規劃區的總充電負荷P_total：

其中，Q為電動汽車的總類數；

步驟2：計算年運行收益C₁、年建設運行成本C₂、全年網絡損耗成本C₃、用戶耗時成本C₄：

其中，N為新建充電站的數量；δ_i為是否建設第i座充電站的二元決策變量，取值為1表示新建，取值為0表示不新建；P_i為第i座充電站的規劃充電容量；T_imax為第i座充電站的年最大負荷利用小時數；c_si和c_pi分別為第i座充電站向充電用戶售電的價格和向電力公司購電的價格；a_i為第i座充電站內充電機數量；E_i(a_i)和u_i(a_i)分別為第i座充電站的年建設和年運行成本；r₀為貼現率；n為運行年限；A為充電站固定成本，即土地和修建成本；e₁和e₂分別為充電機單價和與充電機臺數有關的等效投資因子；τ為單位網絡損耗成本；△P_h,i為第i座充電站引起第h條饋線1天內的有功功率損耗；M為1天中某時刻的充電用戶數量，通過蒙特卡洛抽樣法獲得；λ_ij為第j個用戶選擇第i座充電站的二元決策變量，取值為1表示選擇，取值為0表示不選擇；t_ij為第j個用戶從需求點行駛至第i座充電站的時間期望和站內充電等待時間期望的總和；c₀為單位時間成本；

步驟3：建立以充電站年收益最大為目標的上層規劃模型，上層模型目標函數為：

max C＝C₁-C₂-C₃-C₄

其中，C為新建充電站獲得的總投資收益；

步驟4：計算用戶效用：

其中，T_ij為第j個用戶接受第i座充電站服務而感到滿意時所能承受的最長消耗時間；U_ij為第j個用戶接受第i座充電站服務而感到不滿意時的最短消耗時間；k_i為時間敏感系數；

步驟5：建立以用戶效用值T最大為目標的下層規劃模型：

其中，v_j為第j個用戶的充電量；

步驟6：引入KKT條件，將充電站雙層規劃模型等效轉化為單層規劃模型，實現上下層問題解耦；

所述步驟6的具體步驟如下：

A)構造下層模型的拉格朗日函數：

式中，ρ₁，ρ₂，ρ₃表示拉格朗日乘子，P_imax為第i座充電站最大充電功率；

B)由下層問題的KKT條件得到

ρ₁(λ_ij-δ_i)＝0

ρ₁,ρ₂,ρ₃≥0

C)得到單層模型的目標函數和約束條件如下：

目標函數：

max C＝C₁-C₂-C₃-C₄

約束條件：

V_bmin≤V_b≤V_bmax b∈B

|I_bl|≤I_blmax b,l∈B

C₂≤C_total

ρ₁(λ_ij-δ_i)＝0

ρ₁,ρ₂,ρ₃≥0

其中，P_max為配電網允許接入的最大充電功率；V_b為城市配電網中節點b的電壓幅值；V_bmin和V_bmax分別為節點b電壓幅值的上、下限；B為配電網負荷節點集合；I_bl和I_blmax分別為配電網中饋線bl的實際電流和饋線允許流過的最大電流；C_total為充電站總投資預算；N_max為充電站新建數量最大值；

步驟7：運用VNS-PSO混合算法求解電動汽車充電站優化配置模型；所述步驟7的具體步驟如下：

步驟1)以充電站位置和充電機數量為決策變量，隨機產生初始群種；

步驟2)若滿足投資者總預算和充電站數量約束，則進入步驟3)，否則返回步驟1)；

步驟3)若滿足電網約束，則進入步驟4)，否則返回步驟1)；

步驟4)對當前種群中的粒子執行K均值聚類算法，生成聚簇c_j，j＝1,2,3,…，根據聚簇c_j內第k個粒子的位置集合z_k＝(z_k1,z_k2,…,z_kd，k＝1,2,3,…,m)，計算聚簇c_j的聚類質心z_cj的位置集合：

其中，m為粒子種群的個數；

計算第k個粒子與聚類中心的距離和聚簇內每個粒子與聚類中心的平均距離d_avg：

其中，n_j為聚簇c_j內粒子的個數；

計算粒子的聚合度s：

其中，式中，F(·)表示目標函數值；N_m為種群規模；

步驟5)若且S→1，則實行VNS算法模塊，否則直接進入步驟6)；

步驟6)更新第k個粒子的當前位置P_k和最優位置P_g；

步驟7)更新粒子的位置和速度；

步驟8)若達到最大迭代次數，則進入下一步，否則返回步驟1)；

步驟9)輸出P_g、C、T。