1.一种基于MOPSO算法的充电站选址方法,其特征在于,包括:S1、根据规划区内充电站相关数据,构建以充电站建站成本、用户往返充电站时间和充电站服务范围人口数为目标函数,以充电站容量约束和充电站电压偏移为约束条件的充电站选址约束多目标优化模型;
S2、采用基于竞争和教学机制的多目标粒子群优化算法对这一多目标优化模型进行求解,通过竞争机制选取当前种群中的精英种群,其他个体通过教学机制向精英种群中个体学习,产生子代种群;
S3、采用自适应约束处理技术对复杂约束条件进行动态处理,并选择优秀的可行解进入下一代种群;
S4、判断当前迭代次数是否达到最大迭代次数,在判断结果为是时,输出最优选址方案解集;否则,执行步骤S2;
步骤S1,具体包括:
S11、获取规划区内充电站相关数据,所述规划区内充电站相关数据包括:电动汽车日平均充电概率、规划区地价、规划区内电动汽车行驶平均速度、规划区内充电站服务范围覆盖的人口数;设置最大迭代次数;
S12、构建充电站选址约束多目标优化模型:
L L C C L
MINBcost=NP+NP , 其中,Bcost为建站成本,N和L C C
P分别为用地面积和单价,N 和P分别为充电桩的个数和单价,Xi表示是否在此位置建充电P站,Xi=1表示建设,Xi=0表示不建设,Popi为充电站覆盖的人口数,Ucost为用户往返时间,N中N为电动汽车充电站集合,P为电动汽车充电的概率,dij为需求点j到充电站i的直线距离,v为电动汽车在此区域行驶的平均速度;
S13、根据电动汽车日平均充电概率、规划区地价、规划区内电动汽车行驶平均速度、规划区内充电站服务范围覆盖的人口数分别计算每一个个体的目标函数值以及约束违反值,所述约束违反值为充电站容量约束和电压偏移约束,充电站容量约束Wmax: 其中Xi表示是否在此位置建充电站,Xi=1表示建设,Xi=0表示不建设,Wi为位置i能建设的充电站的最大容量;
电压偏移约束a: 其中,Ui为位置i的电压,UN为配电网络的额定电压,a为允许的最大电压偏移。
2.根据权利要求1所述的基于MOPSO算法的充电站选址方法,其特征在于,步骤S2,具体包括:S21、对所有种群个体在所有目标函数上进行非支配排序,并对所有个体划分非支配排序等级,根据非支配排序等级构建种群大小为n的精英种群,其中n为种群大小的1/5;
S22、随机从精英种群中选出两个精英个体,令两个精英个体进行竞争,选出当前个体的老师,然后个体向老师学习,产生子代个体;
S23、判断子代个体数目是否达到预设数量,在判断结果为是时,将子代个体合并成子代种群;否则,执行步骤S22。
3.根据权利要求2所述的基于MOPSO算法的充电站选址方法,其特征在于,步骤S22中,所述两个精英个体进行竞争,具体为:通过公式pw=max(c1,c2),
使两个精
英个体进行竞争,其中,pw为胜者,e为当前迭代次数与最大迭代次数之比,e∈[0,1],θ为所选精英个体与所选个体之间的角度,fx1、fx2和fxi分别为所选两个精英个体、所选种群个体的所有目标函数之和,CV1和CV2分别为所选两个精英个体的约束违反值,c1、c2为约束值加权的两个精英个体。
4.根据权利要求3所述的基于MOPSO算法的充电站选址方法,其特征在于,步骤S22中,所述个体向老师学习,具体为:通过公式v′i=r1vi+r2(pw‑pi)+(1‑r2)(pl‑pi),p′i=pi+v′i进行个体向老师学习,其中,r1、r2为随机数,且r1,r2∈(0,1),v′i为第i个个体更新后的速度值,p′i为第i个个体更新后的位置,pl为竞争失败的个体,vi为第i个个体的速度,pi为第第i个个体。
5.根据权利要求1所述的基于MOPSO算法的充电站选址方法,其特征在于,步骤S3中,所述采用自适应约束处理技术对复杂约束条件进行动态处理,具体包括:构造充电站容量和电压偏移的约束违反值Lcap和LV,一个解的总约束违反值为:CV=ωcap·Lcap+ωV·LV,其中,ωcap和ωV分别表示充电站容量和电压偏移约束的权值,ωcap+ωV=1;
根据不同的进化阶段对可行解与不可行解进行自适应评价,其中,动态变化的不可行度阈值η的表达式:‑FR×(g/G)
η=CVmean×e
其中,CVmean为种群平均约束违反值,g为当前迭代次数,G为最大迭代次数;可行解比率FR=NF/NP,NF为可行解个数,NP为种群规模,CVj为第j个个体的约束违反值。