一种大规模复杂配电网的电动汽车充电站选址定容方法

摘要

一种大规模复杂配电网的电动汽车充电站选址定容方法，包括以下步骤：步骤1、定义“EV充电站规划区域旋转分区”新概念；步骤2、构建一种适用于大规模复杂配电网的、计及投资成本、EV覆盖量和电网约束的EV充电站选址定容模型；步骤3、构建最大化获利总额的目标函数；步骤4、构建ICAPSO的旋转分区编码；步骤5、用带旋转分区环节的ICAPSO求解优化模型，经过寻优迭代，搜索出优化目标函数的适应值最佳的选址定容方案；步骤6、输出最优的EV充电站选址定容方案；根据输出的EV充电站选址位置，并按不等式约束确定对应的容量配置，作为EV充电站选址定容的最佳方案。

主权项

一种大规模复杂配电网的电动汽车充电站选址定容方法，具体包括以下步骤：步骤1、定义“EV充电站规划区域旋转分区”新概念；在大规模复杂配电网中对EV充电站选址定容时，如果两个充电站过于靠近会导致EV覆盖区会发生交叠使得总覆盖量下降；因此较优的选址方案中多个EV充电站势必会在规划区域内分散开来，而不是集中在一个密集区域；先选取待规划区域中心点，从随机起始角度出发，按2π/N弧度数共画出N条分区线，将节点划分为N个分区b₁…b_N，作为1#分类结果；再将1#的N条分区线顺时针旋转2π/3N弧度数，得到2#分类结果b′₁…b′_N；最后将2#的N条分区线再顺时针旋转2π/3N弧度数，得到3#分类结果b″₁…b″_N；得到的这三种分类结果即所定义的EV充电站规划区域的旋转分区；步骤2、构建一种适用于大规模复杂配电网的、计及投资成本、EV覆盖量和电网约束的EV充电站选址定容模型，数学模型的构建过程包括投资成本、EV覆盖量、运营收入和电网约束四个方面，以及确立最终的目标评价函数；步骤201，构建包括土地成本、建造成本和装置成本在内的投资成本函数及其不等式约束条件，如式(1‑2)所示；其中变量的下标i表示对应第i个充电站，表示总投资成本，为征地面积，为所处位置的土地单价，为充电设备数量，为充电站的其他建造成本；C^cd为充电设备单价，为第i个充电站覆盖到的EV覆盖量；α₁为EV同时进行充电的概率，N为预期建设EV充电站的数量；$C_{\Sigma }^{tz}=\underset{i=1}{\overset{N}{\Sigma }}[S_i^{td}(C_i^{td}+C_i^{jz})+N_i^{cd}{C}^{cd}]---\left(1\right)$$N_i^{cd}\ge {\alpha }_1{\psi }_i^{ev},i=1,2...N---\left(2\right)$步骤202，构建EV覆盖量函数及其不等式约束条件如式(3‑5)所示，其中表示所有充电站覆盖到的总EV覆盖量，为第j个节点位置的EV覆盖量，M为规划区域内大规模复杂配电网的总节点数，η_ij表示第j个节点与第i个充电站的服务关系，θ₁为充电站的服务半径阈值；${\eta }_{ij}=\left\{\begin{array}{cc}1,& d_{ij}\le {\theta }_1\\ 0,& d_{ij}>{\theta }_1\end{array}\right.---\left(4\right)$${\psi }_{\Sigma }^{ev}=\underset{i=1}{\overset{N}{\Sigma }}{\psi }_i^{ev}---\left(5\right)$步骤203，构建基于EV覆盖量的运营总收入函数，如式(6)所示；其中B^yy为所有充电站的运营总收入，α₂为EV每年在充电站充电的平均次数，β₁为EV单次充电的平均收费，β₂为EV单次充电消耗的平均电能，α₃为电费成本单价；β₃为人员工资和维护费用折算率；T^nx为目标运行年限，r₁为目标年限内的平均通货膨胀率，r₂为目标运行年限后所有充电站的折旧率；$B^{yy}=\frac{{\alpha }_2{T}^{nx}{\psi }_{\Sigma }^{ev}\left({\beta }_1-{\alpha }_3{\beta }_2\right)\left(1-{\beta }_3\right)}{{(1+r_1)}^{T^{nx}}}+r_2{C}_{\Sigma }^{tz}---\left(6\right)$步骤204，构建保证供电可靠性的电能质量约束条件如式(7‑9)所示；式中V_j为第j个节点的电压标幺值，和分别为它的电压标幺值下限和上限；I_l为第l条线路的电流标幺值，为它的最大电流阈值的标幺值，L^max为配电线路总数；为第i个充电站的充电功率，为大规模复杂配电网允许接入的EV充电负荷最大功率；$V_j^{\min }\le V_j\le V_j^{max},j=1,2...M---\left(7\right)$$\left|I_l\right|\le I_l^{\max },l=1,2...,L^{max}---\left(8\right)$$\underset{i=1}{\overset{N}{\Sigma }}{P}_i^{cd}\le P_{max}^{cd}---\left(9\right)$步骤3、构建最大化获利总额的目标函数，如式(10)所示；其中目标函数表示获利总额，f的取值即迭代过程中的适应值；$\max f=B^{yy}-C_{\Sigma }^{tz}---\left(10\right)$步骤4、构建ICAPSO的旋转分区编码；基于所提旋转分区概念进行分区，获得三类分区结果，并以它们为基础建立三个并行计算的旋转粒子种群编码，分别以各分区的候选节点作为映射空间，构建ICAPSO的旋转分区编码如式(11)所示；其中N维向量X_iX′_iX″_i分别表示三个并行种群中的第i个粒子位置；每个粒子有N个码位x_i，对应N维空间；每个码位的取值映射到各分区内的候选节点；所提旋转分区编码，表面上每次迭代适应值计算次数乘3倍，但是每个码位的映射范围降低为原来的1/N，使得搜索总范围衰减为为原来的3/N^N，从而大大提高了寻优搜索的效率；将分区进行旋转的作用是为了使分割更灵活，以避免分割不当而错过了全局最优解；步骤5、用带旋转分区环节的ICAPSO求解优化模型，经过寻优迭代，搜索出优化目标函数的适应值最佳的选址定容方案；步骤501，粒子群初始化；根据粒子编码模型式(11)生成三个并行的初始粒子种群，称为“并行种群”，粒子的初始位置和初始速度在映射分区和阈值范围内随机赋值；步骤502，适应值计算；三个“并行种群”分别运算，将粒子群的当前位置编码映射到对应的旋转分区，若与节点位置并不重合时，将其归属到最近的候选节点；按式(1)计算投资总成本，再按式(6)计算运营总收入，然后按式(10)计算粒子的适应值；步骤503，检验约束条件并更新个体极值和全局极值；对于满足不等式约束条件的粒子，若其中存在粒子的适应值优于该粒子曾找到的最优位置，则更新它的个体极值；若目前的全局最优粒子优于到目前为止它们搜索到的全局极值，则更新全局极值；步骤504，云自适应调整惯性权重；三个“并行种群”的寻优迭代过程中，分别计算粒子群的平均适应值f_avg，再将优于f_avg的粒子群求平均适应值f′_avg，将次于f_avg的粒子群求平均适应值f″_avg；然后以f′_avg和f″_avg为界限将三个并行种群再各自细分为三个“小种群”处理；对于适应值优于f′_avg的“小种群”，其中的粒子属于群体中的优秀者，取惯性权重为其极小阈值w_min，加快这些粒子的收敛速度，增强优秀区域的局部精细搜索能力；对于适应值次于f″_avg的“小种群”，其中的粒子属于群体中的弱者，取惯性权重为其极大阈值w_max，使其快速跳出局部陷阱区域；对于适应值次于f′_avg但优于f″_avg的“小种群”，其中的粒子属于群体中的中庸者，为防止早熟收敛，采用基于云理论的云发生器对其惯性权重进行动态自适应调整如式(12‑14)所示；$\left\{\begin{array}{c}Ex=f_{avg}^{\prime }\\ En=c_3(f_{best}-f_{avg}^{\prime })\\ He=c_{4}En\\ {\mathrm{En}}^{\prime }=Randn(En,He)\end{array}\right.---\left(12\right)$${\mu }_i=e^{-f_i^{*}},f_i^{*}=0.5\times {(Ex-f_i)}^2/{\left({\mathrm{En}}^{\prime }\right)}^2---\left(13\right)$ w＝w_max‑(w_max‑w_min)×μ_i   (14)式(12‑14)中，f_best为当前并行种群中最优适应值，由于目标评价函数是求获利总额最大化，所以适应值越大越优秀；f_i为第i个粒子的适应值，c₃和c₄为控制系数；w为惯性权重，取值范围为[w_min,w_max]区间；μ_i为模糊云隶属度；、和分别为模糊云的三个数字特征；期望Ex，表达云滴在论域空间的分布期望；熵En，表达不确定性度量，反映了云滴的离散程度；超熵He，是熵的不确定性的度量，即熵的熵；步骤505，将每个粒子的位置和速度按式(15‑16)进行迭代更新；其中变量的上、下标k、n、γ的含义分别是第k次迭代时在第n维的第γ个粒子的变量属性；为通过式(14)计算得到的云自适应惯性权重；c₁和c₂为加速因子；r₁和r₂为[0,1]之间的随机数；表示粒子位置，表示粒子速度，表示个体极值，表示全局极值；上标k+1表示下一次迭代；$v_{\gamma n}^{k+1}=w_{\gamma n}^k·v_{\gamma n}^k+c_1{r}_1(p_{\gamma n}^k-y_{\gamma n}^k)+c_2{r}_2(p_{gn}^k-y_{\gamma n}^k)---\left(15\right)$$x_{\gamma n}^{k+1}=v_{\gamma n}^{k+1}+x_{\gamma n}^k---\left(16\right)$步骤506，若迭代次数达到最大值，进入步骤507；否则返回步骤502循环操作；步骤507，输出优化结果；输出最优解映射的EV充电站选址位置；步骤6、输出最优的EV充电站选址定容方案；根据输出的EV充电站选址位置，并按不等式约束确定对应的容量配置，作为EV充电站选址定容的最佳方案。