一种充电站选址方法和装置

技术领域

本发明涉及充电站规划领域，尤其涉及一种充电站选址方法和装置。

背景技术

随着电动汽车数量的飞速增长，充电基础设施的需求越来越多，因此充电基础设施建设成为了当前的热点问题。充电设施的建设极其重要，若规划不合理，不仅会造成输电阻塞，使电能损失增大，令相关节点的电压下降，危及电网的运行稳定性与经济性，同时会降低城市电动汽车用户的出行便利性，不利于交通网络的组织规划，从而阻碍电动汽车的普及。因此，必须对电动汽车充电站进行合理规划，制定出合适的选址方案。

目前，电动汽车充电站选址方法是分析规划区域内每个节点的电动汽车充电负荷，从备选充电站随机选择多个位置的充电站和各充电站内充电桩的数量，以建设成本作为目标函数，将服务范围和功率作为约束条件求解充电站选址问题，但是仅从建设方考虑的角度进行选址方案具有以下缺点：

电动汽车充电站的位置规划不合理，没有考虑到用户的充电决策行为和充电站选址方案对配电网的影响，导致充电站利用率低，容易造成配电网输电阻塞的问题，影响配电网供电稳定性。

发明内容

本发明提供了一种充电站选址方法和装置，考虑到用户的充电决策行为和充电站建设对配电网的影响，解决了现有电动汽车充电站选址方法中存在的规划不合理的问题。

本发明提供的一种充电站选址方法，包括：

获取规划区内各交通节点的车流量；

根据所述车流量计算所述规划区内待建充电站的数量下限值和数量上限值；

通过离散粒子群算法和预设的用户充电决策模型，计算所述待建充电站从所述数量下限值至所述数量上限值的最优成本方案；

选取成本最小的最优成本方案作为所述规划区的充电站选址方案。

可选地，所述车流量为具有充电需求的电动汽车车流量；所述根据所述车流量计算所述规划区内待建充电站的数量下限值和数量上限值的步骤，包括：

将所述具有充电需求的电动汽车车流量与预设的电动汽车平均额定容量求乘值，作为所述交通节点的充电需求量；

将各所述交通节点的充电需求量求和值，作为所述规划区内待建充电站的总充电需求量；

将充电桩数量的最大约束值、所述充电桩的充电功率、所述充电桩的充电效率和所述集中充电时段内的有效充电时间之间的乘值，作为单个所述待建充电站的最大充电容量；

将充电桩数量的最小约束值、所述充电桩的充电功率、所述充电桩的充电效率和所述集中充电时段内的有效充电时间之间的乘值，作为单个所述待建充电站的最小充电容量；

将所述总充电需求量与所述最大充电容量之间的比值作为所述规划区内待建充电站的数量下限值；

将所述总充电需求量与所述最小充电容量之间的比值作为所述规划区内待建充电站的数量上限值。

可选地，所述预设的用户充电决策模型包括出租车司机充电决策模型和私家车司机充电决策模型。

可选地，所述出租车司机充电决策模型的包括出租车司机的充电站选择模型、目的地交通节点选择模型和所述出租车司机从充电站前往交通节点寻找乘客的期望时间；

所述目的地交通节点选择模型为：

式中，P

所述出租车司机从充电站前往交通节点寻找乘客的期望时间的计算公式为：

式中，t

所述出租车司机的充电站选择模型为：

式中，P

可选地，所述私家车司机充电决策模型具体包括私家车司机的充电站选择模型、预设的出行目的及概率分布表和所述私家车司机从充电站前往交通节点寻找乘客的期望时间；

所述私家车司机从充电站前往交通节点寻找乘客的期望时间的计算公式为：

/>

式中，t

所述私家车司机的充电站选择模型为：

式中，P

可选地，所述通过离散粒子群算法和预设的用户充电决策模型，计算所述待建充电站从所述数量下限值至所述数量上限值的最优成本方案的步骤，包括：

采用离散粒子群算法调整n个所述待建充电站的站址，形成第一站址方案集，其中，n所述待建充电站的数量下限值；

从所述预设的用户充电决策模型中选取影响所述待建充电站成本的因素，计算所述第一站址方案集中各第一站址方案的社会总成本；

选取所述社会总成本最小的所述第一站址方案作为待建充电站数量为n时的最优选址方案；

令n＝n+1，计算所述待建充电站从所述数量下限值至所述数量上限值的最优成本方案。

可选地，所述影响所述待建充电站成本的因素包括出租车和私家车的比例、所述出租车和私家车选择所述待建充电站的概率、前往充电站的最短时间和充电排队等待时间；所述社会总成本包括建设年成本、运维年成本、接入所述待建充电站配电网的配电网侧年成本和选择所述待建充电站的电动汽车用户的出行年成本；

所述建设年成本的计算公式为：

式中，C

所述运维年成本的计算公式为：

C

式中，C

所述出行年成本的计算公式为：

式中，C

所述配电网侧年成本的计算公式为：

式中，C

所述社会总成本的计算公式为：

式中，C为社会年总成本，N为充电站个数，C

可选地，所述计算所述第一站址方案集中各第一站址方案的社会总成本之前，还包括：

判断所述第一站址方案集中各第一站址方案是否满足预设约束条件；

若不满足，则剔除不满足所述预设约束条件的所述第一站址方案。

可选地，所述预设约束条件包括配电网节点电压约束、接入充电站负荷的配电网节点容量限制和配电网潮流等式约束。

本申请第二方面提供了一种电动汽车充电站选址装置，包括：

获取模块，用于获取规划区内各交通节点的车流量；

待建充电站数量计算模块，用于根据所述车流量计算所述规划区内待建充电站的数量下限值和数量上限值；

最优成本方案计算模块，用于通过离散粒子群算法和预设的用户充电决策模型，计算所述待建充电站从所述数量下限值至所述数量上限值的最优成本方案；

选取模块，用于选取成本最小的最优成本方案作为所述规划区的充电站选址方案。

从以上技术方案可以看出，本发明具有以下优点：

本发明通过获取规划区内各交通节点车流量计算规划区内待建充电站的数量下限值和数量上限值，在计算待建充电站的成本时引入预设的用户充电决策模型，考虑到了用户的充电决策行为对于充电站选址的影响，使得充电站选址模型更加贴合生活实际，提高了充电站规划的合理性；通过离散粒子群算法计算待建充电站从数量下限值至数量上限值的最优成本方案，并从多个最优成本方案中选取成本最小的最优成本方案作为规划区的充电站选址方案，进一步提高了充电站规划的合理性。

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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例一提供的一种充电站选址方法的步骤流程图；

图2为本发明实施例二提供的一种充电站选址方法的步骤流程图；

图3为本发明实施例二提供的多节点加权交通图；

图4为本发明实施例三提供的一种充电站选址装置的结构框图。

具体实施方式

本发明实施例提供了一种充电站选址方法，用于解决现有方案中没有考虑到用户的充电决策行为和充电站选址对于配电网的影响，导致充电站选址规划不合理的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例提供的一种充电站选址方法的步骤流程图。

本发明提供的一种充电站选址方法，包括：

步骤101，获取规划区内各交通节点的车流量。

车流量单位时间内通过某路段的车辆。

在本发明实施例中，需要获取规划区内各交通节点的车流量。

步骤102，根据车流量计算规划区内待建充电站的数量下限值和数量上限值。

在本发明实施例中，当获取到规划区内各交通节点的车流量后，可以根据车流量计算出规划区内待建充电站的数量下限值和数量上限值。

值得一提的是，数量下限值和数量上限值均为正整数。

步骤103，通过离散粒子群算法和预设的用户充电决策模型，计算待建充电站从数量下限值至数量上限值的最优成本方案。

最优成本方案指的是满足某一成本阈值的充电站选址方案或最小成本的充电站选址方案。

在本发明实施例中，当计算得到待建充电站的数量下限值和数量上限值后，需要计算出在待建充电站的数量下限值至数量上限值范围内每个取值的最优成本方案，用离散粒子群算法调整待建充电站在每个取值内的站址，形成不同的站址方案，由预设的用户充电决策模型计算出每个站址方案的成本，选取最小成本的站址方案作为该取值的最优成本方案。

值得一提的是，计算最优成本方案的过程并不局限于从数量下限值至数量上限值，也可以从数量上限值计算值数量下限值，或从数量下限值至数量上限值的范围内随机取整值，计算该整值的最优成本方案。

步骤104，选取成本最小的最优成本方案作为规划区的充电站选址方案。

在本发明实施例中，计算待建充电站从数量下限值至数量上限值的多个最优成本方案后，从多个最优成本方案中选取成本最小的最优成本方案作为规划区的充电站选址方案。

值得一提的是，由于充电站选址受到环境、政策和地形等多方面的影响，因此也可以从多个最优成本方案中选取满足一定成本阈值的最优成本方案作为备选选址方案，经专家评估、实地考察等手段从备选选址方案中选取符合条件的方案作为充电站的最终选址方案。

在本发明的实施例中，通过获取规划区内各交通节点瞬时车流量计算具有充电需求的车流量，进一步根据具有充电需求的车流量确定规划区内待建充电站的数量下限值和数量上限值，在计算待建充电站的成本时引入预设的用户充电决策模型，考虑到了用户的充电决策行为对于充电站选址的影响，使得充电站选址模型更加贴合生活实际，提高了充电站规划的合理性；通过离散粒子群算法计算待建充电站从数量下限值至数量上限值的最优成本方案，并从多个最优成本方案中选取成本最小的最优成本方案作为规划区的充电站选址方案，进一步提高了充电站规划的合理性。

请参阅图2，图2为本发明实施例二提供的一种充电站选址方法的步骤流程图。

本发明提供的一种充电站选址方法，包括：

步骤201，获取规划区内各交通节点的车流量。

在本发明实施例中，步骤201的具体实施过程与步骤101类似，在此不再赘述。

步骤202，根据车流量计算规划区内待建充电站的数量下限值和数量上限值。

可选地，步骤202可以包括以下子步骤：

车流量为具有充电需求的电动汽车车流量；

将具有充电需求的电动汽车车流量与预设的电动汽车平均额定容量求乘值，作为交通节点的充电需求量；

将各交通节点的充电需求量求和值，作为规划区内待建充电站的总充电需求量；

将充电桩数量的最大约束值、充电桩的充电功率、充电桩的充电效率和集中充电时段内的有效充电时间之间的乘值，作为单个待建充电站的最大充电容量；

将充电桩数量的最小约束值、充电桩的充电功率、充电桩的充电效率和集中充电时段内的有效充电时间之间的乘值，作为单个待建充电站的最小充电容量；

将总充电需求量与最大充电容量之间的比值作为规划区内待建充电站的数量下限值；

将总充电需求量与最小充电容量之间的比值作为规划区内待建充电站的数量上限值。

可选地，交通节点的充电需求量的计算公式为：

W

式中，W

可选地，规划区内待建充电站的总充电需求量的计算公式为：

式中，W

可选地，单个待建充电站的最大充电容量的计算公式为：

P

式中，P

可选地，单个待建充电站的最小充电容量的计算公式为：

P

式中，P

可选地，规划区内待建充电站的数量下限值的计算公式为：

式中，N

可选地，规划区内待建充电站的数量上限值的计算公式为：

式中，N

预设的电动汽车平均额定容量指的是预先计算的具有充电需求的电动汽车电池的平均额定容量，计算平均额定容量的过程属于现有技术，此处不再赘述。

在本发明实施例中，获取到具有充电需求的电动汽车车流量后，可以将具有充电需求的电动汽车车流量与其平均额定容量的乘值作为交通节点的充电需求，进而算出规划区内总充电需求量，将总充电需求量除以单个充电站的最大充电容量，得到待建充电站的下限值，将总充电需求量除以单个充电站的最小充电容量，得到待建充电站的上限值。

值得一提的是，待建充电站的上限值可以从计算出来的上限值和候选的待建充电站站址数量中选取较小的值作为待建充电站的上限值，以简化计算过程。

步骤203，采用离散粒子群算法调整n个待建充电站的站址，形成第一站址方案集，其中，n为待建充电站的数量下限值。

在本发明实施例中，确定待建充电站的数量下限值和数量上限值后，从数量下限值开始，用离散粒子群算法调整n个待建充电站的站址，每一次调整都形成一个选址方案，所有的选址方案作为一个选址方案集。

在具体实现中，离散粒子群算法将离散问题映射到粒子的连续运动中，粒子位置选用二进制编码方式，即限定粒子的位置取值只能为零和一，粒子速度则表征为粒子位置变化的概率，即粒子位置是否改变取决于粒子的速度情况，当粒子的当前速度趋向于无穷大或无穷小时，更新位置之后粒子的位置保持为原位置的概率就越大，具体的粒子位置和速度修正公式如下式所示：

v

其中，pbest、gbest和xt均为只有0和1组成的数组，设置s(vt+1)的目的在于把粒子速度映射到区间[0,1]上，为了避免s(vt+1)过于逼近0或者1，一般给粒子速度设定上下限，比如设定为[-10，10]。

离散二进制粒子群算法的具体优化过程如下述所示：

随机产生多组已知长度的二进制编码数组作为初始种群，种群的长度由具体优化问题中具体优化目标确定；

根据整体优化目标对应的适应度函数来求得初始种群中各个方案的适应度值；

根据计算结果得出pbest和gbest，由公式(1)得出各个方案中各个粒子的下一代速度；

按照公式(2)得出各个方案中各个粒子对应的s(vt+1)，并通过s(vt+1)和公式(3)求得不同方案中各个粒子的更新位置；

若算法达到最大迭代次数或者达到规划要求，则终止迭代并输出结果，否则重复运行步骤2-步骤5。

步骤204，从预设的用户充电决策模型中选取影响待建充电站成本的因素，计算第一站址方案集中各第一站址方案的社会总成本。

可选地，步骤204可以包括以下子步骤：

在计算第一站址方案集中各第一站址方案的社会总成本之前，还包括：

判断第一站址方案集中各第一站址方案是否满足预设约束条件；

若不满足，则剔除不满足预设约束条件的第一站址方案；

预设约束条件包括配电网节点电压约束、接入充电站负荷的配电网节点容量限制和配电网潮流等式约束。

配电网节点电压约束为：

U

式中，U

接入充电站负荷的配电网节点容量限制为：

P

式中，P

配电网潮流等式约束为：

式中，P

可选地，步骤204中影响待建充电站成本的因素包括出租车和私家车的比例、出租车和私家车选择待建充电站的概率、前往充电站的最短时间和充电排队等待时间；社会总成本包括建设年成本、运维年成本、接入待建充电站配电网的配电网侧年成本和选择待建充电站的电动汽车用户的出行年成本；

其中，建设年成本的计算公式为：

式中，C

运维年成本的计算公式为：

C

式中，C

出行年成本的计算公式为：

式中，C

配电网侧年成本的计算公式为：

/>

式中，C

社会总成本的计算公式为：

式中，C为社会年总成本，N为充电站个数，C

在本发明实施例中，从预设的用户充电决策模型中选取影响站址方案成本计算的因素，进而根据该因素计算站址方案的社会总成本。

值得一提的是，在步骤204中，预设的用户充电决策模型包括出租车司机充电决策模型和私家车司机充电决策模型；

可选地，出租车司机充电决策模型的包括出租车司机的充电站选择模型、目的地交通节点选择模型和出租车司机从充电站前往交通节点寻找乘客的期望时间；

目的地交通节点选择模型为：

式中，P

出租车司机从充电站前往交通节点寻找乘客的期望时间的计算公式为：

式中，t

出租车司机的充电站选择模型为：

式中，P

在具体实现中，出租车的日常状态分为载客状态和寻客状态，且行驶路线受乘客终点的影响，具有很大的随机性。效用指的是消费者在一定的商品消费中获得的满意度，而极大效用原理指的是消费者在自身收入和商品价格的约束下，如何根据自身的消费能力和消费偏好，做出能给他们带来最大满意度的消费选择。假定电动出租车司机为理性决策者，司机总会试图以最短的时间去尽可能近的充电站并在充完电后尽可能快的接到下一个乘客，由图1可知，出租车充完电前往载客的过程可分为3个阶段：出租车前往充电站充电，出租车在充电站等待充电阶段和出租车充完电前往出租车需求点载客阶段。本文以这3个阶段对应的时间作为变量建立出租车的充电站选择模型，相应的效用函数如下：

U

式中，U

可选地，私家车司机充电决策模型具体包括私家车司机的充电站选择模型、预设的出行目的及概率分布表和私家车司机从充电站前往交通节点寻找乘客的期望时间；

私家车司机从充电站前往交通节点寻找乘客的期望时间的计算公式为：

式中，t

私家车司机的充电站选择模型为：

式中，P

预设的出行目的及概率分布表是预先统计的居民出行目的数据制成的含出行目的及概率分布的分布表，如下表1所示：

表1出行目的及概率分布表

私家车用户的出行特性与出租车不同，在假设私家车司机为理性的前提下，司机总会试图以最短的时间去尽可能近的充电站，并在充完电后以最短时间赶到目的地。私家车充完电前往目的地的过程可分为3个阶段：前往充电站充电阶段，在充电站等待充电阶段和充完电前往目的地阶段。本文以这3个阶段对应的时间作为变量建立私家车的充电站选择模型，相应的效用函数如下：

U

式中，U

值得一提的是，在计算从交通节点到达充电站的最短时间往往涉及到最短路径，即最短路问题，Floyd算法适用于寻找交通节点与交通节点之间的最短路径；

Floyd算法是一种以动态规划思维为算法核心，通过事先给定的加权图对应的权值矩阵，从而在加权图中探寻各个点之间的最小距离和对应路径的算法。以图3为例，若想通过Floyd算法计算图1中各个点的最短距离，需要事先给定一个初始距离矩阵D，即该交通图的权值初始值，如表2初始最短距离矩阵所示，矩阵中的元素D[i][j]表示交通节点i到节点j的最短距离，如果节点i、j之间无直接连接关系，则D[i][j]为无穷大。

Floyd算法的一般求解步骤如下所示：

(1)从给定加权图中的任意一个节点i出发，寻找该节点与其他节点的距离，若其他节点与该节点i直接相连，则初始距离矩阵对应位置的值为该两点之间的距离，若其他节点与该节点i并没有直接相连，则初始矩阵对应位置的值为无穷大；

(2)对于该节点i与其他节点之间的距离，寻找中间是否存在其他节点和路径，使得这两个节点之间的连接距离相比于原距离更短，若存在，则以相应的更短的距离替代原矩阵中的距离，具体公式如公式(4)所示：

D[i][j]＝min{D[i][j]，D[i][s]+[s][j]}(4)

式中，D为最短距离矩阵，D[i][j]定义为矩阵第i行第j列的权值，代表节点i、j之间的距离，s为除i、j之外的其他中间节点，公式的含义是比较节点i、j之间的距离和节点i、j经节点s而连接起来的距离的大小，并选出其中的较小值作为距离矩阵中第i行第j列的更新值；

(3)更换节点i，重复步骤1-3，直到找出给定加权图中所有节点之间的最短距离，如表3最短距离矩阵所示。

表2初始最短距离矩阵

表3最短距离矩阵

步骤205，选取社会总成本最小的第一站址方案作为待建充电站数量为n时的最优选址方案。

在本发明实施例中，先选出待建充电站的数量为n时的社会总成本最小的第一站址方案作为最优选址方案。

步骤206，令n＝n+1，计算待建充电站从数量下限值至数量上限值的最优成本方案。

在本发明实施例中，迭代n的值，计算n的值从待建充电站的数量下限值至数量上限值的最优选址方案。

步骤207，选取成本最小的最优成本方案作为规划区的充电站选址方案。

在本发明实施例中，计算待建充电站从数量下限值至数量上限值的多个最优成本方案后，从多个最优成本方案中选取成本最小的最优成本方案作为规划区的充电站选址方案。

值得一提的是，由于充电站选址受到环境、政策和地形等多方面的影响，因此也可以从多个最优成本方案中选取满足一定成本阈值的最优成本方案作为备选选址方案，经专家评估、实地考察等手段从备选选址方案中选取符合条件的方案作为充电站的最终选址方案。

在本发明的实施例中，本发明通过获取规划区内各交通节点具有充电需求的车流量，根据具有充电需求的车流量确定规划区内待建充电站的数量下限值和数量上限值，从预设的用户充电选择模型中选取影响待建充电站成本的因素，考虑到了用户的充电决策行为对于充电站选址的影响，使得充电站选址模型更加贴合生活实际，提高了充电站规划的合理性；从待建充电站的数量下限值开始，迭代计算至数量上限值的最优成本方案，进一步提高了充电站规划的合理性。

请参阅图4，图4为本申请实施例三提供的一种充电站选址装置的结构框图。

本发明实施例提供了一种充电站选址装置，包括：

获取模块401，用于获取规划区内各交通节点的车流量；

待建充电站数量计算模块402，用于根据车流量计算规划区内待建充电站的数量下限值和数量上限值；

最优成本方案计算模块403，用于通过离散粒子群算法和预设的用户充电决策模型，计算待建充电站从数量下限值至数量上限值的最优成本方案；

选取模块404，用于选取成本最小的最优成本方案作为规划区的充电站选址方案。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。