基于改进混合算法的电动汽车充电站选址定容方法及装置

技术领域

本发明涉及充电站规划技术领域，特别是涉及一种基于改进混合算法的电动汽车充电站选址定容方法及装置。

背景技术

电动汽车是人们生活中常用的交通工具之一，由于电动汽车的续航能力有限，电动汽车的快速充电问题一直备受关注。快速充电站便是电动汽车快速充电的电能来源之一，在快速充电站的部署规划中，选址定容，即选择充电站的部署位置以及确定充电站容量，是重要的工作内容之一。快速充电站选址定容的合理规划，有利于保障电动汽车的用电需求。

目前，快速充电站选址定容的规划，通常是通过模拟的方式，确定电动汽车的充电需求，基于模拟得到的充电需求对充电站进行选址定容。

而在实际的应用过程中，快速充电站的部署会产生多方面的影响，如对配电网的影响等等。基于现有的选址定容方法，仅参考模拟的充电需求进行选址定容，条件约束十分单一，且模拟得到的充电需求的准确性较低，基于此得到的选址定容方案与优选的方案之间通常存在较大误差，不利于对快速充电站进行合理规划。

发明内容

有鉴于此，本发明实施例提供了一种基于改进混合算法的电动汽车充电站选址定容方法，以解决现有的选址定容方法得到的选址定容方案与优选方案之间存在较大误差，不利于合理规划充电站的问题。

本发明实施例还提供了一种基于改进混合算法的电动汽车充电站选址定容装置，用以保证上述方法实际中的实现及应用。

为实现上述目的，本发明实施例提供如下技术方案：

一种基于改进混合算法的电动汽车充电站选址定容方法，包括：

当接收到对目标区域进行充电站规划的指令时，依据预设的初始化策略，生成初始个体种群，所述初始个体种群包括多个初始个体；

依据预设规划条件和预设的混合算法，对所述初始个体种群进行更新，获得候选个体种群，所述候选个体种群包括每个所述初始个体对应的候选个体；所述预设的混合算法为基于灰狼优化算法和鲸鱼优化算法得到的算法；

确定每个所述候选个体对应的规划方案，每个所述规划方案包含充电站选址信息和充电站容量信息；

确定每个所述候选个体对应的成本集合，每个所述候选个体对应的成本集合包括该候选个体对应的规划方案所对应的投资建设成本、用户成本和配电网成本；

依据每个所述候选个体对应的成本集合，确定每个所述候选个体对应的适应度；

依据各个所述候选个体对应的适应度，在所述候选个体种群中确定最优个体，并将所述最优个体对应的规划方案作为所述目标区域的充电站选址定容方案。

上述的方法，可选的，所述依据预设规划条件和预设的混合算法，对所述初始个体种群进行更新，获得候选个体种群，包括：

按照预设的种群迭代周期，对所述初始个体种群进行迭代更新，当进入当前种群迭代周期时，确定所述当前种群迭代周期对应的各个待更新个体；

依据所述预设规划条件和所述预设的混合算法，对每个所述待更新个体进行更新，得到每个所述待更新个体对应的新个体，并将各个所述待更新个体对应的新个体作为所述当前种群迭代周期对应的各个已更新个体；

确定所述当前种群迭代周期对应的迭代次数，并判断所述迭代次数是否大于预设的最大迭代次数；

若所述迭代次数不大于所述最大迭代次数，则进入下一个种群迭代周期，若所述迭代次数大于所述最大迭代次数，则将所述当前种群迭代周期对应的每个所述已更新个体作为候选个体，以获得所述候选个体种群；

其中，所述初始个体种群中的各个初始个体为首个种群迭代周期对应的各个待更新个体，每个种群迭代周期对应的各个已更新个体为该种群迭代周期的下一个种群迭代周期对应的各个待更新个体。

上述的方法，可选的，所述依据所述预设规划条件和所述预设的混合算法，对每个所述待更新个体进行更新，得到每个所述待更新个体对应的新个体，包括：

分别对每个所述待更新个体进行迭代更新，以获得每个所述待更新个体对应的新个体；

在进入当前待更新个体的当前迭代周期时，在所述预设的混合算法对应的第一预设更新策略和第二预设更新策略中，确定所述当前迭代周期对应的目标更新策略；所述第一预设更新策略为基于灰狼优化算法的位置更新策略所得到的策略，所述第二预设更新策略为基于鲸鱼优化算法的位置更新策略所得到的策略；

依据所述目标更新策略，生成所述当前待更新个体对应的目标个体；

判断所述目标个体是否符合所述预设规划条件；

若所述目标个体不符合所述预设规划条件，则进入所述当前待更新个体的下一个迭代周期，若所述目标个体符合所述预设规划条件，则将所述目标个体作为所述当前待更新个体对应的新个体。

上述的方法，可选的，所述依据所述目标更新策略，生成所述当前待更新个体对应的目标个体，包括：

确定每个所述待更新个体对应的适应度；

依据每个所述待更新个体对应的适应度，在各个所述待更新个体中，确定所述目标更新策略对应的当前最优个体；

确定所述当前待更新个体对应的第一个体位置；

确定所述当前最优个体对应的第二个体位置；

基于所述第一个体位置、所述第二个体位置和所述目标更新策略，确定第三个体位置；

生成所述第三个体位置对应的个体，并将所述第三个体位置对应的个体作为所述目标个体。

上述的方法，可选的，所述判断所述目标个体是否符合所述预设规划条件，包括：

确定所述目标个体对应的目标规划方案；

确定所述目标规划方案对应的各个支路电流值、各个节点电压值、各个充电站距离值和充电负荷值；

判断每个所述支路电流值是否处于预设的电流值范围内，若每个所述支路电流值均处于所述预设的电流值范围内，则判断每个所述节点电压值是否处于预设的电压值范围内；

若每个所述节点电压值均处于所述预设的电压值范围内，则判断每个所述充电站距离值是否大于或等于预设的距离阈值；

若每个所述充电站距离值均大于或等于所述预设的距离阈值，则判断所述充电负荷值是否符合预设的变电站容量约束条件；

若所述充电负荷值符合所述预设的变电站容量约束条件，则确定所述目标个体符合所述预设规划条件。

上述的方法，可选的，所述确定所述目标个体对应的目标规划方案，包括：

确定所述目标个体对应的各个充电站地址，并将各个所述充电站地址作为所述目标个体对应的充电站选址信息；

确定所述目标区域对应的加油站信息；

基于所述目标个体对应的充电站选址信息和所述加油站信息，确定每个充电站对应的油耗需求；

确定所述目标区域对应的电动汽车充电信息；

依据每个所述充电站对应的油耗需求、所述电动汽车充电信息和预设的定容模型，确定每个所述充电站对应的容量，并将各个所述充电站对应的容量作为所述目标个体对应的充电站容量信息；所述预设的定容模型为基于排队论设置的模型；

将所述目标个体对应的充电站选址信息和所述目标个体对应的充电站容量信息作为所述目标规划方案。

上述的方法，可选的，所述确定每个所述候选个体对应的成本集合，包括：

对于每个所述候选个体对应的规划方案，确定该规划方案对应的充电站固定投资信息、快速充电设备建设信息和租金信息，并依据所述充电站固定投资信息、所述快速充电设备建设信息和所述租金信息，确定该规划方案对应的投资建设成本；

对于每个所述候选个体对应的规划方案，确定该规划方案对应的用户电量损耗信息和用户时间信息，并依据所述用户电量损耗信息和所述用户时间信息，确定该规划方案对应的用户成本；

对于每个所述候选个体对应的规划方案，确定该规划方案对应的新建馈线信息、电力走廊信息和网络损耗信息，并依据所述新建馈线信息、所述电力走廊信息和所述网络损耗信息，确定该规划方案对应的配电网成本；

将每个所述候选个体对应的规划方案所对应的投资建设成本、用户成本和配电网成本，组成每个所述候选个体对应的成本集合。

一种基于改进混合算法的电动汽车充电站选址定容装置，包括：

生成单元，用于当接收到对目标区域进行充电站规划的指令时，依据预设的初始化策略，生成初始个体种群，所述初始个体种群包括多个初始个体；

更新单元，用于依据预设规划条件和预设的混合算法，对所述初始个体种群进行更新，获得候选个体种群，所述候选个体种群包括每个所述初始个体对应的候选个体；所述预设的混合算法为基于灰狼优化算法和鲸鱼优化算法得到的算法；

第一确定单元，用于确定每个所述候选个体对应的规划方案，每个所述规划方案包含充电站选址信息和充电站容量信息；

第二确定单元，用于确定每个所述候选个体对应的成本集合，每个所述候选个体对应的成本集合包括该候选个体对应的规划方案所对应的投资建设成本、用户成本和配电网成本；

第三确定单元，用于依据每个所述候选个体对应的成本集合，确定每个所述候选个体对应的适应度；

第四确定单元，用于依据各个所述候选个体对应的适应度，在所述候选个体种群中确定最优个体，并将所述最优个体对应的规划方案作为所述目标区域的充电站选址定容方案。

上述的装置，可选的，所述更新单元，包括：

第一确定子单元，用于按照预设的种群迭代周期，对所述初始个体种群进行迭代更新，当进入当前种群迭代周期时，确定所述当前种群迭代周期对应的各个待更新个体；

第二确定子单元，用于依据所述预设规划条件和所述预设的混合算法，对每个所述待更新个体进行更新，得到每个所述待更新个体对应的新个体，并将各个所述待更新个体对应的新个体作为所述当前种群迭代周期对应的各个已更新个体；

第三确定子单元，用于确定所述当前种群迭代周期对应的迭代次数，并判断所述迭代次数是否大于预设的最大迭代次数；

第四确定子单元，用于若所述迭代次数不大于所述最大迭代次数，则进入下一个种群迭代周期，若所述迭代次数大于所述最大迭代次数，则将所述当前种群迭代周期对应的每个所述已更新个体作为候选个体，以获得所述候选个体种群；

其中，所述初始个体种群中的各个初始个体为首个种群迭代周期对应的各个待更新个体，每个种群迭代周期对应的各个已更新个体为该种群迭代周期的下一个种群迭代周期对应的各个待更新个体。

上述的装置，可选的，所述第二确定单元，包括：

第五确定子单元，用于对于每个所述候选个体对应的规划方案，确定该规划方案对应的充电站固定投资信息、快速充电设备建设信息和租金信息，并依据所述充电站固定投资信息、所述快速充电设备建设信息和所述租金信息，确定该规划方案对应的投资建设成本；

第六确定子单元，用于对于每个所述候选个体对应的规划方案，确定该规划方案对应的用户电量损耗信息和用户时间信息，并依据所述用户电量损耗信息和所述用户时间信息，确定该规划方案对应的用户成本；

第七确定子单元，用于对于每个所述候选个体对应的规划方案，确定该规划方案对应的新建馈线信息、电力走廊信息和网络损耗信息，并依据所述新建馈线信息、所述电力走廊信息和所述网络损耗信息，确定该规划方案对应的配电网成本；

第八确定子单元，用于将每个所述候选个体对应的规划方案所对应的投资建设成本、用户成本和配电网成本，组成每个所述候选个体对应的成本集合。

基于上述本发明实施例提供的一种基于改进混合算法的电动汽车充电站选址定容方法，包括：当接收到对目标区域进行充电站规划的指令时，依据预设的初始化策略，生成初始个体种群，所述初始个体种群包括多个初始个体；依据预设规划条件和预设的混合算法，对初始个体种群进行更新，获得候选个体种群，所述候选个体种群包括每个所述初始个体对应的候选个体；所述预设的混合算法为基于灰狼优化算法和鲸鱼优化算法得到的算法；确定每个候选个体对应的规划方案和成本集合，每个候选个体对应的成本集合包括该候选个体对应的规划方案所对应的投资建设成本、用户成本和配电网成本；依据每个候选个体对应的成本集合，确定每个候选个体对应的适应度；依据各个候选个体对应的适应度，在候选个体种群中确定最优个体，并将最优个体对应的规划方案作为目标区域的充电站选址定容方案。应用本发明实施例提供的方法，以个体对应规划方案，在更新搜索过程中，以预设规划条件作为约束，且基于涉及多方面的成本集合确定适应度，在确定充电站选址定容方案的过程中，参考了多方面因素，可提高选址定容方案与实际需求的匹配程度，得到较优的选址定容方案，有利于充电站的合理规划。其次，通过混合算法进行更新搜索，能够避免求解过程过早收敛和陷入局部最优，提高最优个体的准确度，有利于获得最优的选址定容方案，以对充电站进行合理规划。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种基于改进混合算法的电动汽车充电站选址定容方法的方法流程图；

图2为本发明实施例提供的一种基于改进混合算法的电动汽车充电站选址定容方法的又一方法流程图；

图3为本发明实施例提供的一种基于改进混合算法的电动汽车充电站选址定容方法的另一方法流程图；

图4为本发明实施例提供的一种基于改进混合算法的电动汽车充电站选址定容装置的结构示意图；

图5为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

由背景技术可知，现有的选址定容方法仅基于模拟得到的充电需求进行选址定容，条件约束十分单一，而在实际的应用过程中，充电站规划会涉及多方面的影响，例如快速充电桩的大规模工作会对当地配电系统的电压稳定性产生不良影响，产生谐振，不合理的快速充电桩配置更是会严重影响配电网的电压稳定性。又如充电站的充电设备接入配电网亦会产生额外的建设成本，以及用户的充电行为或是充电站的充电行为亦会对配电网产生影响等等。故基于现有选址定容方法得到的选址定容方案与实际的优选方案存在较大差距。其次，目前通常采用遗传算法选取方案，容易过早收敛，寻优效果不佳。基于现有的选址定容方法，不利于对充电站进行合理的规划，若是充电站规划过多，车桩比过高，会造成资源浪费，且充电站造价较高，短期内难以收回成本。若是充电站规划过少，则不利于保障电动汽车的续航，易引发电动汽车用户的里程焦虑，用户体验较差。

因此，本发明实施例提供了一种基于改进混合算法的电动汽车充电站选址定容方法，基于混合算法和多方面因素选取最优的选址定容方案，可提高选址定容方案与实际需求的匹配程度，有利于获得实际最优的选址定容方案。

本发明实施例提供了一种基于改进混合算法的电动汽车充电站选址定容方法，所述方法可应用于充电站选址定容系统，所述方法的执行主体可以为运行在计算机上的处理器，所述方法的方法流程图如图1所示，包括：

S101：当接收到对目标区域进行充电站规划的指令时，依据预设的初始化策略，生成初始个体种群，所述初始个体种群包括多个初始个体；

本发明实施例提供的方法中，在需要对某一区域进行充电站的部署规划时，可以预先在系统中配置目标区域中的相关信息，如用于预测目标区域内电动汽车充电需求的相关信息，目标区域内电网的相关信息以及建设成本的相关信息等等。工作人员可以通过系统前端向处理器发送对应的指令，当处理器接收到指令时，可依据预设的初始化策略，生成包含多个初始个体的初始个体种群。例如采用灰狼优化算法的初始化策略，依据预设的种群参数（如种群大小）生成一个初始个体种群，种群内的每个个体均符合预设的约束条件。本发明实施例提供的方法中，通过最优化搜索的方式确定最优的选址定容方案，以基于优化算法生成的个体表征一种选址定容方案，预先根据对于选址定容的规划条件设置个体生成的约束条件，以得到搜索寻优的各个个体。

S102：依据预设规划条件和预设的混合算法，对所述初始个体种群进行更新，获得候选个体种群，所述候选个体种群包括每个所述初始个体对应的候选个体；所述预设的混合算法为基于灰狼优化算法和鲸鱼优化算法得到的算法；

本发明实施例提供的方法中，可以依据选址定容的具体需求预先设置规划条件，以及基于灰狼优化算法和鲸鱼优化算法设置一个混合算法，在搜索寻优的过程中，通过混合算法对初始个体种群中的各个个体进行更新，以预设的规划条件作为调整个体的约束，不断更新各个个体的位置，得到移动后的新个体，最终得到候选个体种群，在更新过程中，是不断对当前的个体进行更新，故候选个体种群中会包含每个初始个体对应的候选个体，即每个初始个体进行迭代更新后得到的个体。该过程相当于重新调整该个体对应的选址定容方案，得到新的选址定容方案进行搜索寻优，最后得到候选个体种群相当于得到较优的各个选址定容方案。

S103：确定每个所述候选个体对应的规划方案，每个所述规划方案包含充电站选址信息和充电站容量信息；

本发明实施例提供的方法中，确定每个候选个体对应的规划方案，即每个候选个体对应的选址定容方案，其中包含充电站选址信息和充电站容量信息，如每个充电站的选址和每个充电站对应的容量，选址定容方案中的充电站数目可以预先设置。

S104：确定每个所述候选个体对应的成本集合，每个所述候选个体对应的成本集合包括该候选个体对应的规划方案所对应的投资建设成本、用户成本和配电网成本；

本发明实施例提供的方法中，可以根据每个候选个体对应的规划方案中的充电站选址和充电站容量，基于预先配置的相关信息，确定每个规划方案对应的投资建设成本、用户成本和配电网成本，也就是估计按照该规划方案在目标区域内部署充电站需要耗费的成本。

S105：依据每个所述候选个体对应的成本集合，确定每个所述候选个体对应的适应度；

本发明实施例提供的方法中，对于每个候选个体，可基于该候选个体对应的成本集合，确定该候选个体的适应度，也就是通过候选个体对应的规划方案所对应的投资建设成本、用户成本和配电网成本等成本，确定候选个体对应的适应度。具体的，可以将各类成本相加，将各类成本的总和值作为适应度值。

S106：依据各个所述候选个体对应的适应度，在所述候选个体种群中确定最优个体，并将所述最优个体对应的规划方案作为所述目标区域的充电站选址定容方案。

本发明实施例提供的方法中，个体的适应度表征个体的优劣程度，可通过各个候选个体对应的适应度，在各个候选个体中选择最优的个体，将该个体对应的规划方案作为目标区域的充电站选址定容方案。例如以成本确定适应度，故优选方案的成本越小越好，故可将各个候选个体的适应度进行大小比较，将适应度最小的个体作为最优个体。

基于本发明实施例提供的方法，当接收到指令时，可生成包含多个初始个体的初始个体种群，通过混合的优化算法和预设规划条件对初始个体种群进行更新，获得候选个体种群。基于每个候选个体对应的规划方案所对应的多方面成本，确定每个候选个体对应的适应度，以基于候选个体对应的适应度在候选个体种群中确定最优个体，将最优个体对应的规划方案作为目标区域的充电站选址定容方案。应用本发明实施例提供的方法，以优化算法中的个体表征规划方案，通过搜索更新确定最优个体，可得到最优的规划方案。在个体的更新过程中，以预设规划条件作为约束，且基于方案的多方面成本确定个体适应度，在确定充电站选址定容方案的过程中，参考了多方面因素，可提高选址定容方案与实际需求的匹配程度，得到较优的选址定容方案，有利于充电站的合理规划。其次，通过混合算法进行更新搜索，能够避免求解过程过早收敛和陷入局部最优，提高最优个体的搜索准确度，进一步有利于获得最优的选址定容方案。

为了更好地说明本发明实施例提供的方法，接下来对图1所示方法中所提及的灰狼优化算法和鲸鱼优化算法进行简要说明。

本发明实施例提供的方法中提及的灰狼优化算法（Grey Wolf Optimizer，GWO）是一种新型群体智能优化算法，通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的。灰狼优化算法主要包括：包围行为和狩猎过程。

包围行为：模拟灰狼种群包围猎物行为，其表达式如下所示：

其中，

狩猎过程：认为狼群中适应度值最好的前3匹狼

其中，公式5中的各个结果分别表示猎物与

本发明实施例提供的方法中提及的鲸鱼优化算法（Whale OptimizationAlgorithm，WOA），是模仿座头鲸的狩猎行为进而提出的一种新型启发式优化算法。鲸鱼优化算法主要包括：包围猎物、bubble-net狩猎策略和搜索猎物。

包围猎物：假设当前最优解为目标猎物，其他鲸鱼在迭代过程中不断向最优解靠近，公式如下：

其中，

bubble-net狩猎策略：模拟鲸鱼螺旋逼近机制，其表达式可以如公式12所示，同时结合鲸鱼围合行为和螺旋路径，位置更新表达式如公式13所示：

其中，

搜索猎物：除了模拟鲸鱼围合行为和螺旋路径搜索，还考虑鲸鱼的随机搜索过程， 当

本发明实施例提供的方法中，为了提高灰狼优化算法的收敛性，利用鲸鱼优化算法的螺旋方程更新

本发明实施例提供的方法中，基于灰狼优化算法和鲸鱼优化算法得到混合算法，在探索计算过程中尝试大量的可行解，可将容易找到全局最优解的灰狼位置替换为等同于灰狼位置但能高效地将解移向最优解的鲸鱼位置，引导狼群走向最优值，减少计算时间，在种群中应用螺旋方程，避免过早收敛和陷入局部最优解。

为了更好地说明本发明实施例提供的方法，在图1所示方法的基础上，本发明实施例提供了又一种基于改进混合算法的电动汽车充电站选址定容方法，本发明实施例提供的方法中，步骤S102中提及的依据预设规划条件和预设的混合算法，对所述初始个体种群进行更新，获得候选个体种群的过程，包括：

按照预设的种群迭代周期，对所述初始个体种群进行迭代更新，当进入当前种群迭代周期时，确定所述当前种群迭代周期对应的各个待更新个体；

本发明实施例提供的方法中，可以预先设置算法的迭代次数，以周期循环迭代的方式，对初始个体种群进行迭代更新，确定每个种群迭代周期对应的各个待更新个体和各个已更新个体。初始个体种群中的各个初始个体为首个种群迭代周期对应的各个待更新个体，每个种群迭代周期对应的各个已更新个体为该种群迭代周期的下一个种群迭代周期对应的各个待更新个体。

当进入当前的种群迭代周期时，确定当前种群迭代周期对应的各个待更新个体，也就是当前种群中的各个个体。

依据所述预设规划条件和所述预设的混合算法，对每个所述待更新个体进行更新，得到每个所述待更新个体对应的新个体，并将各个所述待更新个体对应的新个体作为所述当前种群迭代周期对应的各个已更新个体；

本发明实施例提供的方法中，可以根据预设的混合算法对当前每个待更新个体进行更新，得到待更新个体所对应的新个体，该新个体需符合预设规划条件，将每个待更新个体对应的新个体作为当前种群迭代周期对应的已更新个体。

确定所述当前种群迭代周期对应的迭代次数，并判断所述迭代次数是否大于预设的最大迭代次数；

本发明实施例提供的方法中，将当前种群迭代周期对应的迭代次数（即当前的迭代次数）与预设的最大迭代次数进行比较，以确定当前的迭代次数是否大于预设的最大迭代次数。

若所述迭代次数不大于所述最大迭代次数，则进入下一个种群迭代周期，若所述迭代次数大于所述最大迭代次数，则将所述当前种群迭代周期对应的每个所述已更新个体作为候选个体，以获得所述候选个体种群；

本发明实施例提供的方法中，如果当前的迭代次数小于或等于最大迭代次数，则进入下一个种群迭代周期，以当前种群迭代周期对应的各个已更新个体作为下一个种群迭代周期对应的各个待更新个体，继续对种群进行迭代更新。如果当前的迭代次数大于最大迭代次数，则将当前种群迭代周期对应的各个已更新个体作为候选个体，得到候选个体种群。也就是对初始个体种群进行迭代更新后，将完成迭代过程的种群作为候选个体种群。

进一步的，在上述实施例提供的方法的基础上，本发明实施例提供的方法中，所述依据所述预设规划条件和所述预设的混合算法，对每个所述待更新个体进行更新，得到每个所述待更新个体对应的新个体，包括：

分别对每个所述待更新个体进行迭代更新，以获得每个所述待更新个体对应的新个体；

本发明实施例提供的方法中，在每个种群迭代周期中，对于每个待更新个体进行迭代更新，以获得每个待更新个体对应的新个体。

在进入当前待更新个体的当前迭代周期时，在所述预设的混合算法对应的第一预设更新策略和第二预设更新策略中，确定所述当前迭代周期对应的目标更新策略；所述第一预设更新策略为基于灰狼优化算法的位置更新策略所得到的策略，所述第二预设更新策略为基于鲸鱼优化算法的位置更新策略所得到的策略；

本发明实施例提供的方法中，对于每个待更新个体，在进入该待更新个体对应的当前迭代周期时，可依据预设的选择策略，在第一预设更新策略和第二预设更新策略中选择目标更新策略。具体的，可以生成一个随机数，将随机数与预设数值进行比较，若该随机数大于或等于该预设阈值，则选择第一预设更新策略作为目标更新策略，若该随机数小于该预设阈值，则选择第二预设更新策略作为目标更新策略。第一预设更新策略采取的是灰狼优化算法中的位置更新策略，其位置更新策略主要如上述公式6、公式7和公式16所示。第二预设更新策略采取的是鲸鱼优化算法中的位置更新策略，其位置更新策略主要如上述公式8、公式9和公式14所示。

依据所述目标更新策略，生成所述当前待更新个体对应的目标个体；

本发明实施例提供的方法中，依据目标更新策略更新待更新个体对应的个体位置，在更新后的个体位置上生成一个目标个体。

判断所述目标个体是否符合所述预设规划条件；

本发明实施例提供的方法中，可根据预设规划条件对目标个体进行判断，以确定该目标个体是否是符合预设规划条件的个体，也就是判断该目标个体所对应的规划方案是否符合预设的约束条件，是否是一个可行方案。

若所述目标个体不符合所述预设规划条件，则进入所述当前待更新个体的下一个迭代周期，若所述目标个体符合所述预设规划条件，则将所述目标个体作为所述当前待更新个体对应的新个体。

本发明实施例提供的方法中，若当前生成的目标个体不符合预设规划条件，则将当前生成的目标个体删除作废，进入当前待更新个体所对应的下一个迭代周期，重新生成目标个体进行判断，直至生成的目标个体符合预设规划条件。若当前生成的目标个体符合预设规划条件，则将该目标个体作为当前待更新个体对应的新个体，结束当前待更新个体的迭代更新过程。

进一步的，在上述实施例提供的方法的基础上，本发明实施例提供的方法中，所述依据所述目标更新策略，生成所述当前待更新个体对应的目标个体的过程，包括：

确定每个所述待更新个体对应的适应度；

本发明实施例提供的方法中，可基于待更新个体对应的规划方案所对应的各个成本，确定每个待更新个体对应的适应度，其适应度的计算公式可如下所示：

其中，

依据每个所述待更新个体对应的适应度，在各个所述待更新个体中，确定所述目标更新策略对应的当前最优个体；

本发明实施例提供的方法中，在各个待更新个体中将适应度最好的个体作为当前最优个体，具体的最优个体的个数由目标更新策略确定，如灰狼优化算法的位置更新策略，则需确定适应度最好的前三个个体，而鲸鱼优化算法的位置更新策略确定适应度最好的一个个体即可。

确定所述当前待更新个体对应的第一个体位置；确定所述当前最优个体对应的第二个体位置；基于所述第一个体位置、所述第二个体位置和所述目标更新策略，确定第三个体位置；

本发明实施例提供的方法中，基于当前待更新个体的个体位置和当前最优个体的个体位置，通过目标更新策略的位置更新公式，确定更新后的个体位置，以对当前待更新个体的个体位置进行更新，得到第三个体位置。

生成所述第三个体位置对应的个体，并将所述第三个体位置对应的个体作为所述目标个体。

本发明实施例提供的方法中，在第三个体位置生成一个个体，并将该个体作为目标个体。个体的位置与选址定容的规划方案相关联，在新的位置上生成个体，意味着生成了该个体所对应的一个新的规划方案。

进一步的，在上述实施例提供的方法的基础上，本发明实施例提供的方法中，所述判断所述目标个体是否符合所述预设规划条件的过程，包括：

确定所述目标个体对应的目标规划方案；

本发明实施例提供的方法中，可以根据预设的方案生成策略，确定当前目标个体所对应的目标规划方案，即该个体对应的选址定容方案。

确定所述目标规划方案对应的各个支路电流值、各个节点电压值、各个充电站距离值和充电负荷值；

本发明实施例提供的方法中，可根据目标规划方案的充电站选址和充电站容量的相关信息，确定该目标规划方案所对应的各个支路电流值、各个节点电压值和各个充电站距离值和充电负荷值。支路电流值指的是充电站

判断每个所述支路电流值是否处于预设的电流值范围内，若每个所述支路电流值均处于所述预设的电流值范围内，则判断每个所述节点电压值是否处于预设的电压值范围内；

本发明实施例提供的方法中，可以预先设置支路的电流值范围，判断每个支路电流值是否处于其对应的电流值范围内，具体的支路最大电流约束条件可如下所示：

|

本发明实施例提供的方法中，若存在至少一个支路电流值不处于预设的电流值范围内，则确定目标个体不符合预设规划条件。

本发明实施例提供的方法中，可以预先设置节点的电压值范围，若每个支路电流值均符合预设的电流值范围，则判断目标规划方案对应的每个节点电压值是否处于预设的电压值范围内，具体的节点电压约束条件可如下所示：

其中，

本发明实施例提供的方法中，如果存在至少一个节点电压值不处于预设的电压值范围内，则确定目标个体不符合预设规划条件。

若每个所述节点电压值均处于所述预设的电压值范围内，则判断每个所述充电站距离值是否大于或等于预设的距离阈值；

本发明实施例提供的方法中，可以预先设置充电站之间的距离阈值，若当前每个节点电压值均处于预设的电压值范围内，则判断目标规划方案对应的每个充电站距离值是否大于或等于预设的距离阈值，具体的相邻充电站距离约束条件可如下所示：

其中，

本发明实施例提供的方法中，如果存在至少一个充电站距离值小于预设的距离阈值，则确定目标个体不符合预设规划条件。

若每个所述充电站距离值均大于或等于所述预设的距离阈值，则判断所述充电负荷值是否符合预设的变电站容量约束条件；

本发明实施例提供的方法中，可以预先设置变电站容量的约束条件，当目标规划方案对应的每个充电站距离值均大于或等于预设的距离阈值时，判断目标规划方案对应的充电负荷值是否满足预设的变电站容量约束条件。具体的，变电站容量的约束条件可如下所示：

其中，

若所述充电负荷值符合所述预设的变电站容量约束条件，则确定所述目标个体符合所述预设规划条件。

本发明实施例提供的方法中，如果充电负荷值符合预设的变电站容量约束条件，则确定目标个体符合预设规划条件。如果充电负荷值不符合预设的变电站容量约束条件，则确定目标个体不符合预设规划条件。

需要说明的是，在具体的实现过程中，上述各个约束条件的判断可以并行进行，无需在满足前一个条件的情况下逐一进行，或者是可以以其他顺序进行。若目标规划方案对应的各项参数均分别符合各个预设的条件，则确定个体符合预设规划条件，若有条件不符合，则确定个体不符合预设规划条件。

进一步的，本发明实施例提供的方法中，在初始化种群或是更新种群时，对于每个新生成的个体的约束判断，都可以按照上述判断目标个体是否符合预设规划条件的过程进行判断，在此不再赘述，若新生成的个体不符合预设规划条件，则将该个体作废，重新生成新个体。

进一步的，在上述实施例提供的方法的基础上，本发明实施例提供了又一种基于改进混合算法的电动汽车充电站选址定容方法，本发明实施例提供的方法中，所述确定所述目标个体对应的目标规划方案，包括：

确定所述目标个体对应的各个充电站地址，并将各个所述充电站地址作为所述目标个体对应的充电站选址信息；

本发明实施例提供的方法中，可以根据目标个体的个体位置，对应选取各个充电站地址，得到目标个体对应的充电站选址信息。

确定所述目标区域对应的加油站信息；

本发明实施例提供的方法中，可以从预先配置的信息中，获取目标区域对应的加油站信息，如规划区域（即目标区域）内的加油站位置、加油站耗油量等等。

基于所述目标个体对应的充电站选址信息和所述加油站信息，确定每个充电站对应的油耗需求；

本发明实施例提供的方法中，可以根据当前的各个充电站地址和加油站信息，确定每个充电站对应的油耗需求。

本发明实施例提供的方法中，基于规划区域内加油站耗油量预估规划快速充电站充电需求占比，采用等距离分配方法，以加油站至各个充电站的欧式距离将用户对加油站的需求分配至各个充电站，其原理如下所示：

其中，

确定所述目标区域对应的电动汽车充电信息；

本发明实施例提供的方法中，可以从预先配置的信息中，获取目标区域对应的电动汽车充电信息，如电动汽车数量、电动汽车日均快速充电次数等等与充电相关的参数。

依据每个所述充电站对应的油耗需求、所述电动汽车充电信息和预设的定容模型，确定每个所述充电站对应的容量，并将各个所述充电站对应的容量作为所述目标个体对应的充电站容量信息；所述预设的定容模型为基于排队论设置的模型；

本发明实施例提供的方法中，可以基于排队论设置一个定容模型，基于各个充电站对应的油耗需求、电动汽车充电信息对每个充电站进行定容，得到目标个体对应的充电站容量信息。

具体的，本发明实施例提供的方法采用排队理论对充电站进行定容，认为电动汽车到达充电站的过程服从参数为

基于排队理论的充电站定容模型以最小化充电站配置充电设备数量为目标，以用户充电等待时间以及充电站最大容量为约束条件，约束条件如下所示：

其中，

将所述目标个体对应的充电站选址信息和所述目标个体对应的充电站容量信息作为所述目标规划方案。

本发明实施例提供的方法中，将目标个体对应的充电站选址信息及其对应的充电站容量信息作为目标个体对应的规划方案。

需要说明的是，本发明实施例提供的方法中，确定每个个体对应的规划方案的过程原理，均与上述确定目标个体对应的目标规划方案的原理相同，可参见上述说明，在此不再赘述。

为了更好地说明本发明实施例提供的方法，在图1所示方法的基础上，本发明实施例提供了又一种基于改进混合算法的电动汽车充电站选址定容方法，本发明实施例提供的方法中，步骤S105中提及的确定每个所述候选个体对应的成本集合，包括：

对于每个所述候选个体对应的规划方案，确定该规划方案对应的充电站固定投资信息、快速充电设备建设信息和租金信息，并依据所述充电站固定投资信息、所述快速充电设备建设信息和所述租金信息，确定该规划方案对应的投资建设成本；

本发明实施例提供的方法中，对于每个候选个体，可以根据其对应的规划方案中的充电站选址和充电站容量等信息，在预先配置的信息库中，获取目标区域中建设充电站的相关成本参数，以确定充电站固定投资信息、快速充电设备建设信息和租金信息，计算该规划方案对应的投资建设成本。具体的计算方式可以如下所示：

其中，

对于每个所述候选个体对应的规划方案，确定该规划方案对应的用户电量损耗信息和用户时间信息，并依据所述用户电量损耗信息和所述用户时间信息，确定该规划方案对应的用户成本；

本发明实施例提供的方法中，对于每个候选个体，可以根据其对应的规划方案中的充电站选址和充电站容量等信息，在预先配置的信息库中，获取目标区域内电动汽车用户使用充电服务的相关参数，以确定用户电量损耗信息和用户时间信息，继而计算用户成本。具体的计算方式可以如下所示：

其中，

对于每个所述候选个体对应的规划方案，确定该规划方案对应的新建馈线信息、电力走廊信息和网络损耗信息，并依据所述新建馈线信息、所述电力走廊信息和所述网络损耗信息，确定该规划方案对应的配电网成本；

本发明实施例提供的方法中，对于每个候选个体，可以根据其对应的规划方案中的充电站选址和充电站容量等信息，在预先配置的信息库中，获取目标区域内配电网建设的相关成本参数，以确定新建馈线信息、电力走廊信息和网络损耗信息，计算配电网成本。

在具体的应用过程中，当充电站接入配电网时，需要从现有馈线中抽出一条支路供电，但当馈线过载时，需要新建一条馈线以满足充电站正常工作容量要求。同时新建馈线还需要建设电力走廊，因此配电网年总成本主要包括新建馈线、相应电力走廊的成本以及网络损耗成本，具体计算如下所示：

其中

其中，

将每个所述候选个体对应的规划方案所对应的投资建设成本、用户成本和配电网成本，组成每个所述候选个体对应的成本集合。

本发明实施例提供的方法中，由每个候选个体对应的投资建设成本、用户成本和配电网成本，组成每个候选个体对应的成本集合，可以将候选个体对应的成本集合中的各个成本相加，得到该候选个体对应的适应度值。

需要说明的是，本发明实施例提供的方法中，迭代更新过程中的每个个体的适应度值均可通过其对应的成本集合进行计算，而每个个体对应的成本集合的确定原理，与上述确定候选个体对应的成本集合的原理相同，可以参见上述说明，在此不再赘述。

为了更好地说明本发明实施例提供的方法，接下来结合图2所示流程图，对本发明实施例的整体过程进行进一步说明，如图2所示，本发明实施例提供的方法中，包括：

S201：初始化算法参数，迭代次数iter=1，种群大小为popsize，最大迭代次数为itermax；

本发明实施例提供的方法中，初始化灰狼种群参数，如种群大小popsize，定义迭代次数为iter，初始化迭代次数iter=1，定义最大迭代次数为itermax。

S202：初始化种群；

S203：判断个体是否满足约束条件；

对于初始种群中的每一个个体，判断该个体是否满足约束条件；

S204：重新生成个体；

若个体不满足约束条件则将该个体删除作废，重新生成个体，直至生成的个体满足约束条件。

S205：计算个体适应度值；

如果个体满足约束条件，则计算个体的适应度值。

S206：迭代次数iter=iter+1；

当初始种群中的个体均满足约束条件后，对迭代次数进行加一处理。

S207：确定适应度最好的前三个个体；

基于当前种群中每个个体的适应度值，保存适应度值最好的前3匹狼

S208：判断随机数p是否小于0.5；

在完成种群的初始化后，对个体进行迭代更新，在当前迭代周期的每个个体的更新过程中，先生成一个随机数p，并判断该随机数是否小于0.5。

S209：依据灰狼优化算法的位置更新策略对个体位置进行更新；

如果随机数p大于或等于0.5，则通过灰狼优化算法进行更新，基于上述实施例中的公式6、公式7、公式16更新位置。

S210：依据鲸鱼优化算法的位置更新策略对个体位置进行更新；

如果随机数p小于0.5，则通过鲸鱼优化算法中的位置更新策略进行更新。具体的， 先确定

S211：判断个体是否满足约束条件；

当个体位置更新后，判断更新后的个体是否满足约束条件。

S212：重新更新个体；

如果更新后的个体不满足约束条件，则重新返回步骤S208，生成随机数并对个体位置进行更新，直至更新后的个体符合约束条件。

S213：计算个体适应度值；

如果更新后的个体满足约束条件，则计算其适应度值。

S214：迭代次数iter=iter+1；

在当前迭代周期中，对种群中的每一个个体都完成迭代更新后，增加当前的迭代次数。

S215：判断迭代次数iter是否大于itermax；

判断当前的迭代次数是否大于预设的最大迭代次数。如果当前的迭代次数大于预设的最大迭代次数，则进入步骤S216，输出优化结果。如果当前的迭代次数不大于预设的最大迭代次数，则确定当前种群中适应度值最好的前三个个体，再次对种群中的每一个个体进行更新。

S216：输出优化结果。

若当前的迭代次数大于最大迭代次数itermax，则将当前种群中适应度最好的个体作为最优个体，将该个体对应的规划方案作为最优的选址定容方案。

进一步的，本发明实施例提供的方法中，判断个体是否满足约束条件和确定适应度的过程，可以如图3所示，包括：

S301：确定个体方案选址；

S302：判断是否满足相邻充电站约束；

基于个体方案选址判断是否满足相邻充电站的距离约束。如果满足，则进入步骤S303，不满足则确定个体不符合约束条件（预设规划条件）。

S303：基于加油站油耗需求确定各个充电站充电需求占比；

S304：基于排队理论对各个充电站定容；

S305：判断是否满足其他约束条件；

对各个充电站定容后，可进一步基于各个充电站的选址和容量，判断是否满足相邻充电站距离约束之外的各个约束条件，如电压电流的约束。如果满足其他约束条件，则进入步骤S306，否则确定个体不符合约束条件。

S306：计算成本；

通过充电站固定投资成本、充电设备建设成本、充电站租金成本、用户等待时间成本、用户充电途中电量损耗成本、配电网新建馈线成本、电力走廊建设成本和网络损耗成本等多方面成本，计算规划方案的成本信息。

S307：确定适应度值。

本发明实施例提供的方法，综合考虑电动汽车快速充电站、电动汽车用户及配电网利益设置快速充电站选址定容模型，同时计及多种约束条件。

本发明实施例提供的方法，基于规划区域内加油站的油耗，以最接近将来实际充电需求的方法预估各个规划充电站的充电需求，进而对充电站定容。

本发明实施例提供的方法，采用基于灰狼优化算法与鲸鱼优化算法的混合启发式算法，求解这一非线性多约束的复杂优化问题，该混合启发式算法能够避免求解过程过早收敛和陷入局部最优。

与图1所示的基于改进混合算法的电动汽车充电站选址定容方法相对应的，本发明实施例还提供了一种基于改进混合算法的电动汽车充电站选址定容装置，用于对图1中所示方法的具体实现，所述装置的结构示意图如图4所示，包括：

生成单元401，用于当接收到对目标区域进行充电站规划的指令时，依据预设的初始化策略，生成初始个体种群，所述初始个体种群包括多个初始个体；

更新单元402，用于依据预设规划条件和预设的混合算法，对所述初始个体种群进行更新，获得候选个体种群，所述候选个体种群包括每个所述初始个体对应的候选个体；所述预设的混合算法为基于灰狼优化算法和鲸鱼优化算法得到的算法；

第一确定单元403，用于确定每个所述候选个体对应的规划方案，每个所述规划方案包含充电站选址信息和充电站容量信息；

第二确定单元404，用于确定每个所述候选个体对应的成本集合，每个所述候选个体对应的成本集合包括该候选个体对应的规划方案所对应的投资建设成本、用户成本和配电网成本；

第三确定单元405，用于依据每个所述候选个体对应的成本集合，确定每个所述候选个体对应的适应度；

第四确定单元406，用于依据各个所述候选个体对应的适应度，在所述候选个体种群中确定最优个体，并将所述最优个体对应的规划方案作为所述目标区域的充电站选址定容方案。

应用本发明实施例提供的装置，以优化算法中的个体表征规划方案，通过搜索更新确定最优个体，可得到最优的规划方案。在个体的更新过程中，以预设规划条件作为约束，且基于方案的多方面成本确定个体适应度，在确定充电站选址定容方案的过程中，参考了多方面因素，可提高选址定容方案与实际需求的匹配程度，得到较优的选址定容方案，有利于充电站的合理规划。其次，通过混合算法进行更新搜索，能够避免求解过程过早收敛和陷入局部最优，提高最优个体的搜索准确度，进一步有利于获得最优的选址定容方案。

在上述实施例提供的装置的基础上，本发明实施例提供的装置中，所述更新单元402，包括：

第一确定子单元，用于按照预设的种群迭代周期，对所述初始个体种群进行迭代更新，当进入当前种群迭代周期时，确定所述当前种群迭代周期对应的各个待更新个体；

第二确定子单元，用于依据所述预设规划条件和所述预设的混合算法，对每个所述待更新个体进行更新，得到每个所述待更新个体对应的新个体，并将各个所述待更新个体对应的新个体作为所述当前种群迭代周期对应的各个已更新个体；

第三确定子单元，用于确定所述当前种群迭代周期对应的迭代次数，并判断所述迭代次数是否大于预设的最大迭代次数；

第四确定子单元，用于若所述迭代次数不大于所述最大迭代次数，则进入下一个种群迭代周期，若所述迭代次数大于所述最大迭代次数，则将所述当前种群迭代周期对应的每个所述已更新个体作为候选个体，以获得所述候选个体种群；

其中，所述初始个体种群中的各个初始个体为首个种群迭代周期对应的各个待更新个体，每个种群迭代周期对应的各个已更新个体为该种群迭代周期的下一个种群迭代周期对应的各个待更新个体。

在上述实施例提供的装置的基础上，本发明实施例提供的装置中，所述第二确定单元404，包括：

第五确定子单元，用于对于每个所述候选个体对应的规划方案，确定该规划方案对应的充电站固定投资信息、快速充电设备建设信息和租金信息，并依据所述充电站固定投资信息、所述快速充电设备建设信息和所述租金信息，确定该规划方案对应的投资建设成本；

第六确定子单元，用于对于每个所述候选个体对应的规划方案，确定该规划方案对应的用户电量损耗信息和用户时间信息，并依据所述用户电量损耗信息和所述用户时间信息，确定该规划方案对应的用户成本；

第七确定子单元，用于对于每个所述候选个体对应的规划方案，确定该规划方案对应的新建馈线信息、电力走廊信息和网络损耗信息，并依据所述新建馈线信息、所述电力走廊信息和所述网络损耗信息，确定该规划方案对应的配电网成本；

第八确定子单元，用于将每个所述候选个体对应的规划方案所对应的投资建设成本、用户成本和配电网成本，组成每个所述候选个体对应的成本集合。

本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上述的基于改进混合算法的电动汽车充电站选址定容方法。

本发明实施例还提供了一种电子设备，其结构示意图如图5所示，具体包括存储器501，以及一个或者一个以上的指令502，其中一个或者一个以上指令502存储于存储器501中，且经配置以由一个或者一个以上处理器503执行所述一个或者一个以上指令502进行以下操作：

当接收到对目标区域进行充电站规划的指令时，依据预设的初始化策略，生成初始个体种群，所述初始个体种群包括多个初始个体；

依据预设规划条件和预设的混合算法，对所述初始个体种群进行更新，获得候选个体种群，所述候选个体种群包括每个所述初始个体对应的候选个体；所述预设的混合算法为基于灰狼优化算法和鲸鱼优化算法得到的算法；

确定每个所述候选个体对应的规划方案，每个所述规划方案包含充电站选址信息和充电站容量信息；

确定每个所述候选个体对应的成本集合，每个所述候选个体对应的成本集合包括该候选个体对应的规划方案所对应的投资建设成本、用户成本和配电网成本；

依据每个所述候选个体对应的成本集合，确定每个所述候选个体对应的适应度；

依据各个所述候选个体对应的适应度，在所述候选个体种群中确定最优个体，并将所述最优个体对应的规划方案作为所述目标区域的充电站选址定容方案。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。