[发明专利]电动汽车充电站智能规划方法

说明书

本发明提供一种电动汽车充电站智能规划方法，采用人工蜂群算法求解多目标模型，有效解决了多目标模型求解计算精度差，操作复杂、控制参数多、鲁棒性差的缺点。此解法对目标函数和约束几乎没有要求，在搜索过程中基本不利用外部信息，仅以适应度函数作为进化的依据，形成了以“生成+检验”为特征的人工智能技术。求解结果为综合最优充电策略，给电网公司和电动汽车充电用户提供体验好、参与度高的充电引导。

技术领域

本发明涉及一种电动汽车充电站智能规划策略，属于电力系统运行和控制领域。

背景技术

在当今能源紧张、环境问题凸显的情况下，电动汽车因其节能减排、绿色环保的特点，正在蓬勃发展。而电动汽车大规模应用后，如果不对电动汽车充电站的行为进行合理规划，将会对电网的安全稳定运行、交通网的流畅度以及用户的体验度产生影响。因此，有必要研究电动汽车充电站规划策略。目前的研究多局限于单目标最优，而采用模糊决策法建立的综合最优目标模型，实现了在大规模电动汽车快速充电需求下，电动汽车用户利益最优、电力公司网络损耗与电压偏移最小、负荷平衡指数最高、充电站运营商利润最高及交通网侧道路拥堵率最低等多维目标。然而，求解优化问题的一些人工算法存在操作困难、控制参数多、搜索精度较差等特点。

发明内容

本发明的目的在于克服现有技术中存在的不足，提供一种电动汽车充电站智能规划方法，旨在利用人工蜂群算法实现多目标模型优化问题的求解。本发明采用的技术方案是：

一种电动汽车充电站智能规划方法，包括以下步骤：

步骤S1，建立电动汽车充电站智能充电服务策略模型，智能充电服务策略模型包括：用户体验模型、电网效益模型、交通安全模型、充电站运营商模型；其中用户体验模型目标包括：行驶里程最短、消耗时间最少、支付费用最少；电网效益模型目标包括：电压偏移最小、网络损耗最小、负荷平衡指数最高；交通安全模型目标包括：路网拥堵最小；充电站运营商模型目标包括利润最高、充电站拥挤度最小；

步骤S2，建立基于模糊决策法的电动汽车充电站智能充电服务多目标模型，包括多目标函数、确定性约束；其中确定性约束包括剩余电量约束、时间约束、充电站容量约束、等式约束、节点负荷约束、电压偏移约束；导入配电网系统数据、路网节点配电系数、电动汽车初始时刻所在节点、状态和数量、各目标权重；

步骤S3，人工蜂群算法蜂群实现群体智慧的最小搜索模型包括蜜源、引领蜂、跟随蜂和侦察蜂共4个组成要素，以及招募蜜蜂和放弃蜜源2种基本的行为；将蜜源抽象成解空间中的点，确定初始解的个数，最大迭代次数、limit值；引领蜂、跟随蜂的数量；

步骤S4，在解空间中随机生成个可行解，t＝1；

步骤S5，每一个引领蜂在各自可行解附近进行一维搜索，产生新可行解；计算原可行解和新可行解的适应度；选择适应度高的解，抛弃适应度低的解；

步骤S6，跟随蜂根据由适应度计算出的概率跟随各个引领蜂；

步骤S7，跟随峰采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的可行解；

步骤S8，判断可行解是否满足被放弃的条件，如满足，放弃此可行解，寻找新可行解，否则直接转到步骤S10；

步骤S9，通过步骤S4随机产生新可行解；

步骤S10，t＝t+1；判断算法是否满足最大迭代次数，若满足则终止，输出最优解，否则转到步骤S5。

本发明的优点在于，本发明相对于现有技术而言：有效解决了多目标模型求解计算精度差，操作复杂、控制参数多、鲁棒性差的缺点。此解法对目标函数和约束几乎没有要求，在搜索过程中基本不利用外部信息，仅以适应度函数作为进化的依据，形成了以“生成+检验”为特征的人工智能技术。求解结果为综合最优充电策略，给电网公司和电动汽车充电用户提供体验好、参与度高的充电引导。

附图说明