[发明专利]一种基于遗传算法的充电站布局优化方法

权利要求书

1.一种基于遗传算法的充电站布局优化方法，其特征在于，包括：

(1)地图匹配，将充电需求对应在路网图中；

(2)预测城市充电需求，确定充电热区；

(3)调整充电热区，确定充电站候选区域；

(4)确定充电站候选区域内的充电桩数量；

(5)利用遗传算法实现最优布局；

所述步骤(2)预测城市充电需求、确定充电热区是使用基于区域充电需求量的聚类算法实现的，具体步骤如下：

(2.1)数据清洗，由于会出现多个充电需求对应到同一需求点的情况，需要统计每个充电需求中预估的充电时长，之后计算每个需求点的平均预估的充电时长作为该需求点的需求分数，公式如下：

其中SC_p表示需求点p的需求分数，ST_i表示对应到需求点p的第i个充电需求中的预估充电时长，n表示历史记录中对应到该点的需求个数；

(2.2)删除需求分数过低的需求点，根据预先设置的阈值，删除需求分数低于阈值的需求点；

(2.3)使用K-means算法将需求点进行聚类，得到不同密度的簇，即充电热区，其代表着有一定充电需求的区域。

2.根据权利要求1所述的一种基于遗传算法的充电站布局优化方法，其特征在于，所述步骤(1)将充电需求对应在路网图中，路网图为二维平面，充电需求由车辆产生，根据充电需求产生的地址将其对应到路网图中的点，所述点称为需求点；

所述需求点从城市中车辆停留时间较长的位置产生，包括以下信息：充电需求产生的地址、充电需求产生的时间、预估的充电时长和车辆剩余行驶里程。

3.根据权利要求1所述的一种基于遗传算法的充电站布局优化方法，其特征在于，所述步骤(2.3)中使用K-means算法将候选点进行聚类，聚类个数使用肘部法则来确定，将各个簇内的样本点到所在簇质心的距离平方和SSE作为性能度量，在簇数量与SSE之间寻求一个平衡点，具体步骤如下：

(2.3.1)指定一个i值，即可能的最大类簇数；

(2.3.2)然后将类簇数从1开始递增，一直到i，计算出i个SSE，公式如下：

其中，μk是第k个质心的位置；

(2.3.3)通过画出K-SSE曲线，找出下降途中的拐点，确定K值。

4.根据权利要求1所述的一种基于遗传算法的充电站布局优化方法，其特征在于，所述步骤(3)调整充电热区，确定充电站候选区域的方法为融合较小的簇、分割较大的簇，具体步骤如下：

(3.1)计算充电热区的半径和充电热区之间的距离矩阵；

(3.2)若某一充电热区和其他充电热区的距离小于r，则以半径r合并充电热区，其中r与电动汽车充满电的续航里程相关；

(3.3)若充电热区的半径大于阈值r，则在充电热区内再次运行K-means算法划分新的充电热区，重复步骤(3.1)；

(3.4)得到充电站候选区域集合。

5.根据权利要求1所述的一种基于遗传算法的充电站布局优化方法，其特征在于，所述步骤(4)确定充电站候选区域内的充电桩数量，考虑各个候选区域内一天内的最大充电需求，对充电桩数量进行估计，具体步骤如下：

(4.1)需求点和时间段具有多对多的关系，假设充电需求立刻得到满足，那么需求点将会在预估充电时间段内存在，统计每个时间段的需求点数量；

(4.2)将各个时间段的需求点数量进行排序，最大的数量即为候选区域在一天内的最大充电需求量，其中每个候选区域参考的时间段不一定相同；

(4.3)考虑到建站的负担，无需满足候选区域在一天内的最大充电需求量，实际的充电桩数量由以下公式求得：

S＝α×R_m (3)

其中R_m表示候选区域一天内的最大充电需求，S表示候选区域内应该建设的充电桩数量，α为参数。

6.根据权利要求1所述的一种基于遗传算法的充电站布局优化方法，其特征在于，所述步骤(5)利用遗传算法实现最优布局，具体步骤如下：

(5.1)创建初始种群，在遗传算法中，使用固定长度的二进制串来表示群体中的个体，将n个候选点编号为1到n，并根据是否设置充电站，将染色体上的基因进行编码，由{0，1}组成，0表示不设置充电站，1表示设置充电站；

(5.2)设置种群的个体适应度函数，个体适应度函数是布局目标的数学表达，考虑两个因素，具体为用户的时间费用和管理者的建站费用，公式如下：

其中，C_i表示产生充电需求的车辆集合，t_j1表示车辆j的行驶时间，t_j2表示车辆j的排队时间，S_num表示充电站的个数，λ₁和λ₂代表用户时间费用和管理者建站费用的系数，布局目标是用户到达最近充电站的耗时和充电站个数最少；

(5.3)执行遗传算子不断迭代得到最终解。