1.基于改进的自适应遗传算法的充电站规划方法,其特征在于,包括以下步骤:(1)确定充电站规划模型的目标函数、定容模型以及约束条件,记目标函数为C;
(2)采用改进的自适应遗传算法求解步骤(1)建立的充电站规划模型,得到规划结果,其具体过程如下:(201)对规划区域采用权重分区法划分区域;
(202)基于权重分区情况生成初始种群;采用二进制编码方法对每个可能解进行编码,将若干可能解编码成为若干个染色体形成种群,取1则所映射的候选站被选中,取0则所映射的候选站未被选中;染色体长度即为候选充电站数量;种群编码需满足每个分区内至少规划一座充电站,而整个规划区域内充电站数量恒定;
(203)计算适应度函数:
上式中,f为适应度函数,Cmax表示目标函数C的最大估计值;
(204)判断迭代是否结束,若达到迭代终止条件,则跳转至步骤(207),否则进入步骤(205);
(205)任意选取两个染色体,计算交叉概率,若交叉则采用基于权重分区的交叉方法对这两个染色体执行交叉操作,否则不执行交叉操作,不放回继续选取两个染色体判断是否执行交叉操作,直至遍历所有染色体;
(206)任意选取一个染色体,计算变异概率,若变异则采用基于权重分区的变异方法对该染色体执行变异操作,否则不执行变异操作,不放回继续判断下一个染色体时都执行变异操作,直至遍历所有染色体;
(207)若全部种群迭代结束,输出所有种群中最优解,否则对下一个种群进行迭代优化,跳转至步骤(203)。
2.根据权利要求1所述基于改进的自适应遗传算法的充电站规划方法,其特征在于,在步骤(1)中,以充电站规划综合成本最小为目标建立目标函数:minC=Cinv+Cu+Closs
上式中,Cinv为充电站年均建设投资成本,Cu为充电站用户成本,Closs为网络损耗成本:其中,T为充电站生命周期;n为规划充电站数量;Cinit,i为充电站i的固定投资成本;Pch为充电设备额定容量;Ccon为充电设备单位容量建设成本;ci为充电站i的充电设备数量;si为充电站i的占地面积;Clan,i为充电站i的生命周期内单位租金成本;
其中,Ty为一年总天数;V(i)为充电站i服务范围内需求点集合;dij为需求点j与充电站i之间的欧氏距离;nev,j为需求点j的电动汽车数;ξ为有快充需求的用户比例;p为电价;g为电动汽车单位电量可行驶里程;k为当地用户平均收入;v为电动汽车平均速度;
其中,l为配电系统中支路数;cL为单位网损成本;Ii为支路i的电流;Ri为支路i的电阻;
t为充电站工作时间。
3.根据权利要求1所述基于改进的自适应遗传算法的充电站规划方法,其特征在于,在步骤(1)中,在所述定容模型中,充电站i的电动汽车平均到达率λi与充电站平均服务率μ通过下式得到:上式中,t为充电站工作时间;V(i)为充电站i服务范围内需求点集合;nev,j为需求点j的电动汽车数;Pch为充电设备额定容量;Pev为电动汽车平均容量;ζ为电动汽车平均充电电量占容量的比例;tin/out为电动汽车进出站时间;
充电站定容目标函数如下:
minci
充电站定容约束条件如下:
Wq,i≤Wqmax
上式中,ci为充电站i的充电设备数量;Wq,i为充电站i排队等待时间;Wqmax为充电站最大允许排队等待时间;ρi=λi/ciμ,表示充电站i的服务强度,且ρi<1;P0i为充电站i全部充电设备空闲概率。
4.根据权利要求1所述基于改进的自适应遗传算法的充电站规划方法,其特征在于,在步骤(1)中,所述约束条件包括:(a)充电站容量约束:
cimin≤ci≤cimax
上式中,ci为充电站i的充电设备数量;cimax与cimin为充电站i内充电设备的最大、最小数量限制;若充电站设备数小于最小数量,则令ci=cimin;
(b)潮流方程约束:
上式中,Pi和Qi为节点i的注入有功和无功功率;N为配电网节点数;Vi为节点i的电压;
Gij和Bij分别为支路ij的电导和电纳;θij为节点i、j的电压相角差;
(c)支路最大电流约束:
|Iij|≤Iijmax
上式中,Iij为支路ij的电流;Iijmax为支路ij最大允许流过电流;
(d)节点电压约束:
Vimin≤Vi≤Vimax
max min
上式中,Vi 和Vi 分别为节点i电压上下限;
(e)变量逻辑约束:
上式中,Ncs为候选充电站数量;xpi为是否在该候选站址建设充电站的二元决策变量,若建设则为1,否则为0;n为规划充电站数量。
5.根据权利要求1所述基于改进的自适应遗传算法的充电站规划方法,其特征在于,在步骤(201)中,所述权重分区法划分区域的原则如下:上式中,nev,i为第i个需求点内电动汽车数;U为一个分区内需求点的集合;ξ为有快充需求的用户比例;n为规划充电站数量;nev为规划区域内电动汽车数;η为松弛系数,用以增大最优解在该分区内存在充电站的概率。
6.根据权利要求1所述基于改进的自适应遗传算法的充电站规划方法,其特征在于,在步骤(205)中,通过下式计算交叉概率:上式中,Pc为交叉概率;fmax为群体中最大的适应度值;fave为群体平均适应度值;f′为要交叉的两个染色体中较大的适应度值;k1、k2为常数,且0<k1,k2≤1;
在执行交叉操作时,以分区为单位进行染色体部分交叉,若分区内充电站数量不一致,则随机对多余的编码为1的染色体不执行交叉操作,以满足充电站数量约束。
7.根据权利要求1所述基于改进的自适应遗传算法的充电站规划方法,其特征在于,在步骤(206)中,通过下式计算变异概率:上式中,Pm为变异概率;fmax为群体中最大的适应度值;fave为群体平均适应度值;f″为要变异个体的适应度值;k3、k4为常数,且0<k3,k4≤1;
在执行变异操作时,以分区为单位进行变异,变异原则是变异前后分区内至少有一个充电站且规划区域内充电站数量不变:在编码由1变异为0的同时需再次执行二次变异,若该分区内初始仅有一座充电站,则随机将分区内一个为0的编码位变异为1;若该分区内初始不止有一座充电站,则在整个规划区域内随机将一个为0的编码位变异为1。
8.根据权利要求1所述基于改进的自适应遗传算法的充电站规划方法,其特征在于,在步骤(2)中,在改进的自适应遗传算法中采用精英保留策略,对每一代种群中最优个体不执行选择、交叉与变异操作。
9.根据权利要求1所述基于改进的自适应遗传算法的充电站规划方法,其特征在于,在步骤(2)中,所述改进的自适应遗传算法采用多种群并行优化方法,通过权重分区法对规划区域进行分区,生成一个分区情况,基于该分区情况进行迭代优化的种群记为种群1,在种群1区域划分完成后逆向重新进行权重分区,即从种群1最后划分的区域开始对规划区域进行分区,基于该分区情况进行迭代优化的种群记为种群2,并行迭代优化种群1和种群2,并将二者输出的优化结果合并,得到最终的规划结果。
10.根据权利要求1所述基于改进的自适应遗传算法的充电站规划方法,其特征在于,在步骤(2)中,所述改进的自适应遗传算法采用多种群并行优化方法,通过权重分区法对规划区域进行分区,能够得到不同的分区情况,一种分区情况对应一个种群,并行迭代优化各个种群,并将各个种群输出的优化结果合并,得到最终的规划结果,所述多种群并行优化方法至少需要2个种群并行迭代优化。