[发明专利]一种电动汽车充电网络模糊多目标机会约束规划方法

权利要求书

1.一种电动汽车充电网络模糊多目标机会约束规划方法，其特征在于，包括以下步骤：

S1：给定规划边界条件，包括：交通系统拓扑结构与参数，电动汽车满充状态下的最大续航里程，充电站候选地址，充电站建设总数，充电桩配置总数，单个充电站充电桩配置数目上限，配电系统拓扑结构与参数，配电系统规划典型日内的负荷，规划典型日内的充电负荷概率场景集，规划典型日内的分布式光伏出力概率场景集，配电节点最大电压允许偏移百分数，配电节点电压越限置信度与配电线路潮流越限置信度；

S2：建立同时考虑第一优化目标为电动汽车充电网络充电服务能力最大与第二优化目标为配电系统网损电量期望最小的电动汽车充电网络多目标随机规划模型，所述模型中配电节点电压偏移约束与配电线路潮流越限约束为机会约束；

步骤S2所述的电动汽车充电网络多目标随机规划模型，具体如下：

电动汽车充电网络多目标随机规划模型的第一优化目标为电动汽车充电网络充电服务能力最大，具体如公式(1)所示：

公式(1)中，F_c为电动汽车充电网络截获的总车流量，可对其充电服务能力进行衡量；Q为交通网络中的最短路径集合；q为路径索引；y_q为表征路径q上的车流量能否被截获的二进制变量，当值为“1”表示能被截获，当值为“0”表示不能被截获；f_q为路径q上的车流量，可通过公式(2)给出的重力空间互动模型计算：

公式(2)中，W_O为路径q起点O的权重；W_D为路径q终点D的权重；d_q为路径q的长度；

电动汽车充电网络多目标随机规划模型的第二优化目标为配电系统网损电量期望最小，具体如公式(3)所示：

公式(3)中，F_loss表示配电系统规划典型日内的网损电量期望；t为潮流分析时段索引；T_f为典型日内的潮流分析时段数；l为配电线路索引；Ω_br为配电线路集合；ΔP_loss,l,t为配电线路l在潮流分析时段t的损耗功率，为随机变量；E(·)为求取随机变量期望的运算符；

所述电动汽车充电网络多目标随机规划模型的约束分别如公式(4)至公式(8)所示，公式(4)表示充电站建设数目约束，具体如下：

公式(4)中，M为充电站建设总数；N_sta为充电站候选地址总数；i为候选地址索引；x_i是电动汽车充电网络多目标随机规划模型中的0-1优化变量(i＝1,2,3,···,N_sta)，当取“1”表示在候选地址i建设充电站，当取“0”表示不在候选地址i建设充电站；

公式(5)为电动汽车充电网络中的充电桩配置总数约束，具体如下：

公式(5)中，z_j为充电站j中的充电桩配置数目，j＝1,2,···,M；C_pile为电动汽车充电网络中的充电桩配置总数；

公式(6)为单个充电站中的充电桩配置数目约束，具体如下：

1≤z_j≤z_max j＝1,2,…,M (6)

公式(6)中，z_max为单个充电站中的充电桩配置数目上限；

公式(7)为节点电压偏移机会约束，具体如下：

公式(7)中，P_r{·}表示括号中随机事件发生的概率；k是配电节点索引；Ω_bus为配电节点集合；U_k为配电节点k的电压，为随机变量，概率分布特性可通过配电系统规划典型日内的概率潮流分析获得；U_N为配电系统额定电压；α％为配电节点最大电压允许偏移百分数；β₁为电压越限置信度；

公式(8)为配电线路潮流越限机会约束，具体如下：

P_r{I_lI_l,max}≤β₂ l∈Ω_br (8)

公式(8)中，I_l为配电线路l上的负荷电流，为随机变量，概率分布特性可通过配电系统规划典型日内的概率潮流分析获得；I_l,max为配电线路l的最大允许电流；β₂为潮流越限置信度；

S3：采用模糊数学方法，对电动汽车充电网络多目标随机规划模型中的第一与第二优化目标进行模糊处理，将电动汽车充电网络多目标随机规划模型转换为基于最大满意度的单目标随机规划模型；

步骤S3所述的进行模糊处理的具体步骤如下：

S3.1：采用降半Γ形隶属度函数对公式(1)与公式(3)给出的第一与第二优化目标进行模糊化，即分别计算第一与第二优化目标的模糊隶属度，具体如公式(9)和公式(10)所示：

公式(9)中，μ₁表示规划人员对第一优化目标为电动汽车充电网络充电服务能力最大的满意度，取值介于[0,1]之间；F_c,max为电动汽车充电网络充电服务能力的最大值，若电动汽车充电网络规划中仅考虑公式(1)给出的第一优化目标，且忽略公式(7)和公式(8)给出的机会约束，规划方案对应的充电服务能力即为F_c,max；

公式(10)中，μ₂表示规划人员对第二优化目标为配电系统网损电量期望最小的满意度，取值介于[0,1]之间；F_loss,min为配电系统规划典型内的网损电量期望最小值，若电动汽车充电网络规划中仅考虑公式(3)给出的第二优化目标，规划方案对应的规划典型日网损电量期望即为F_loss,min；

S3.2：定义满意度指标μ，为量化规划人员对电动汽车充电网络规划方案的整体满意度，具体如公式(11)所示：

μ＝min{μ₁,μ₂} (11)

公式(11)中，μ₁表示规划人员对第一优化目标为电动汽车充电网络充电服务能力最大的满意度，取值介于[0,1]之间；μ₂表示规划人员对第二优化目标为配电系统网损电量期望最小的满意度，取值介于[0,1]之间；

S3.3：基于满意度指标μ，将电动汽车充电网络多目标随机规划模型转换为基于最大满意度的单目标规划模型，如公式(12)所示：

maxμ (12)

公式(12)中，μ为满意度指标；

所述基于最大满意度的单目标随机规划模型的约束包括公式(4)至公式(8)、公式(13)至公式(15)；其中，公式(13)具体如下：

F_c≤F_c,max (13)

公式(13)中，F_c为电动汽车充电网络截获的总车流量，可对其充电服务能力进行衡量；F_c,max为电动汽车充电网络充电服务能力的最大值；

其中，公式(14)具体如下：

F_loss≥F_loss，min (14)

公式(14)中，F_loss表示配电系统规划典型日内的网损电量期望；F_loss,min为配电系统规划典型内的网损电量期望最小值；

其中，公式(15)具体如下：

0≤μ≤1 (15)

公式(15)中，μ为满意度指标；

S4：根据电动汽车充电网络多目标随机规划模型的特征设计染色体编码方案与交叉、变异操作算子，采用遗传算法求解单目标随机规划模型，给出电动汽车充电网络最优规划方案；

步骤S4所述的单目标随机规划模型的求解步骤具体如下：

S4.1：给定遗传算法参数，包括：种群规模N_pop，交叉率P_c，变异率P_m与最大进化代数G_max；

S4.2：随机生成由N_pop条染色体组成的初始种群；所述初始种群中的染色体为N_sta个码位组成的二进制码串，第i个码位取值为“1”时在候选地址i建设充电站，否则为不在候选地址i建设充电站；各染色体中有且仅有M个码位取值为“1”；

S4.3：进化代数索引g初始化为0，即令g＝0；

S4.4：令g＝g+1，开始进行第g代进化，染色体索引n初始化为1，即令n＝1；

S4.5：对当前种群中的第n条染色体进行解码，确定M个电动汽车充电站的建设位置，基于截流选址模型计算各充电站截获分别截获的车流量F_c,j(j＝1,2,···,M)和电动汽车充电网络截获的总车流量F_c，求解以公式(16)为优化目标，公式(5)与公式(6)为约束的非线性整数规划问题，获得各电动汽车充电站中的充电桩配置数目，具体如下：

公式(16)中，V_match为充电站截获的车流量与充电桩配置数目之间的匹配度；M为充电站建设总数；j为充电网络中的充电站索引，j＝1,2,···,M；z_j为充电站j中的充电桩配置数目；S4.6：采用场景概率法进行配电系统概率潮流计算，确定规划典型日内的网损电量期望F_loss，各配电节点电压的概率分布特性与各配电线路潮流的概率分布特性；

S4.7：根据公式(9)至公式(11)计算满意度指标μ，接着，按公式(17)至公式(19)确定第n条染色体的适应度V_fit,n：

V_fit,n＝μ-η₁×V_p1-η₂×V_p2 (17)

公式(17)至(19)中，采用罚函数法分别处理公式(7)与公式(8)给出的机会约束，η₁与η₂为罚系数；算子表示取中较大的数；V_p1与V_p2分别表示公式(7)与公式(8)给出机会约束的违背程度，可分别由公式(18)与公式(19)计算；

S4.8：判断是否完成对当前种群中所有染色体的适应度计算，即判断染色体索引n是否等于种群规模N_pop；若nN_pop，则令n＝n+1，并跳转至步骤S4.5，继续计算种群中其它染色体的适应度；否则，继续执行下一步骤S4.9；

S4.9：判断是否到达最大进化代数，即判断进化代数索引g是否等于最大进化代数G_max；若g＝G_max，则继续执行下一步骤S4.10；否则，以适应度为依据，对当前染色体种群进行复制、交叉与变异操作，更新染色体种群，并跳转至步骤S4.4；

S4.10：将当前种群最优秀染色体对应的充电网络规划方案作为电动汽车充电网络多目标随机规划模型的最优解输出，结束算法流程。