[發明專利]考慮含分布式電源配電網可靠性的充電站選址定容方法

在審

• 申請號: 201810331412.1
• 申請日: 2018-04-13
• 公開（公告）號: CN108629446A
• 公開（公告）日: 2018-10-09
• 發明（設計）人: 劉志堅;吳桂鴻;宋琪;王品;單節杉;王洪亮;羅靈琳;謝靜;劉亞錦
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種考慮含分布式電源配電網可靠性的充電站選址定容方法，其特征在于：包括以下步驟：

步驟1：確定配電網中可建設充電站的節點和本區域內電動汽車充電站的建設數量、可選擇的充電站容量大小和充電站建設的最小容量及其約束條件，約束條件如下式(1)～式(3)所示；其中變量i表示配電網中的節點編號，B表示配電網中所有節點的總數，S_i表示i節點處充電站的建設容量，當S_i＝0時，表示在i節點處不建設充電站；否則，表示i節點建設容量為S_i的充電站，S_EVmin表示充電站建設的最小容量，N_min表示充電站建設個數的下限，N_max表示充電站建設個數的上限，

步驟2：建立一個適用于含分布式電源配電網的、計及充電站建設成本和停電損失成本、充電站服務半徑和電網約束的電動汽車充電站選址定容模型；

步驟2.1：構建包括投資、維護和運行成本在內的年均建設成本函數，如下式(4)所示；其中C_C為充電站的年均建設成本，r₀為充電站的年回收率，m為運行年限，C_I、C_M和C_O為投資、維護和運行成本，都是單位容量費用，

步驟2.2：構建電動汽車的合理續航里程函數，如下式(5)所示；其中d_EV為電動汽車的合理續航里程；P_EV為電動汽車發動機的額定功率；η_EV為電動汽車將電能轉化成機械能的總效率；v_EV為與電動汽車續航里程有關的國家標準中所規定的勻速行駛速度；SOC_opt為電池組最佳放電深度時的荷電狀態；SOC_max為電池組處于放電極限時的荷電狀態；W_EV為電池組的額定容量；V_EV為電池組的端電壓；η_I為電池組的額定放電電流與實際放電電流之比，

步驟2.3：通過電動汽車的合理續航里程d_EV確定電動汽車充電站的服務半徑，其不等式約束如下式(6)所示；其中d_R為電動汽車充電站的服務半徑，d_cs為兩個相鄰充電站之間的距離，

步驟2.4：構建停電損失成本函數，如下式(7)所示；其中C_R表示停電損失成本，br為配電網中的支路編號，Br為配電網中支路的總數，λ_br為br號支路單位長度的故障率，l_br為br號支路的長度，Isl表示配電網發生故障時孤島內節點的集合，CDF_i為節點i處的停電損失函數，L_i為受停電影響的節點i處的負荷大小，包括節點的負荷與充電站的負荷S_i，t_re、t_sw分別是故障修復時間和故障切換時間，

步驟3：構建計及停電損失成本的最小化年均綜合成本和考慮分布式電源影響的最小化平均持續停電時間的目標函數，如下式(8～10)所示；其中C_cost為充電站的年均綜合成本，ASIDI為平均持續停電時間，f為目標函數，

C_cost＝C_R+C_C (8)

minf＝min(C_cost,ASIDI) (10)

步驟4：用改進多目標遺傳算法求解步驟1～步驟3建立的充電站選址定容模型，經尋優迭代，搜索出優化多目標的函數的最佳折中解；

步驟4.1：染色體編碼及種群初始化；染色體采用如下式(11)所示的整數編碼，其中染色體的基因都是表示各個節點建立充電站的容量，

S＝{S₁,S₂,…,S_B} (11)

式(11)中，S₁，S₂，S_B表示在1，2，B節點處充電站的建設容量；

步驟4.2：確定適應度函數；目標函數中的各子目標函數都要求取極小值，但是，各目標函數不可能同時取到極小值，為了使目標函數求得最優解，利用模糊隸屬度分別描述帕累托最優解集中的各子目標函數對應的滿意度，從而選出一個最佳折中解，具體步驟如下：

對于數學模型如下式(12)所示的優化問題：

minf＝min(f₁,f₂,…,f_N) (12)

其模糊隸屬度可用下式(13)表示為：

將帕累托最優解集中各個染色體對于目標函數的標準化滿意度作為各染色體的適應度，即：

式(12～14)中，N為目標函數的總個數；f為目標函數；f₁,f₂,…,f_N為各子目標函數，f_j為第j個子目標函數的函數值；和分別為第j個子目標函數的最大值和最小值；p_j為第j個子目標函數對應的滿意度；fitness為染色體對于目標函數的標準化滿意度，即適應度值；

步驟4.3：選擇過程；采用適應度比例法和最佳個體保留法相結合的選擇策略，首先采用適應度比例法選擇，選擇每個染色體的概率與其適應度值成比例，如下式(15)所示，隨后，采用最佳個體保留法將上一代的適應度最佳的個體直接保存下來，同時從產生的新的子代中淘汰一個適應度最差的個體，

式(15)中，P_i為個體x_i被選中的概率，fitness(x_i)為個體x_i對于目標函數的標準化滿意度，NP為種群大小；

步驟4.4：交叉和變異過程；在進行交叉操作時，通過混合交叉法進行實值重組；采用實值變異進行變異操作；

步驟4.5：迭代收斂條件；連續多代子代出現的最優個體的適應度等于父代最優個體適應度時，就終止運算；

步驟5：輸出最優解映射的電動汽車充電站選址定容方案。