毕业论文-考虑配电网影响的电动汽车充电站选址研究

HUNANUNIVERSITY毕业论文论文题目考虑配电网影响的电动汽车充电站选址研究学生姓名学生学号专业班级学院名称电气与信息工程学院指导老师学院院长2014年月日页目录毕业论文原创性声明 I考虑配电网影响的电动汽车充电站选址研究 II摘要 IIAbstract III1绪论 21.1课题背景及意义 21.2国内外电动汽车产业及其充电设施发展现状 31.2.1国外电动汽车的发展现状 31.2.2国内电动汽车的发展现状 51.2.3国外充电设施建设情况 61.2.4国内充电设施建设情况 71.3电动汽车充电站对配电网影响及优化研究现状 81.3.1电动汽车充电站对电网影响研究现状 81.3.2充电负荷对配电网影响研究现状 81.3.3电动汽车优化充放电研究现状 91.4论文构成及研究方法 112电动汽车充电站建设方案优选模型 112.1引言 112.2电动汽车充电站规划模型 122.3约束条件 143粒子群优化算法 163.1引言 163.2粒子群算法基本原理 173.3粒子群算法数学描述 183.4粒子群算法的发展 193.4.1自适应粒子群算法(AdaptiveParticleSwarmOptimization,APSO) 203.4.2混合粒子群算法(HybridparticleSwarmoptimization,HPSO) 213.4.3协同粒子群算法(CooperativeParticleSwarmOptimization,CPSO) 243.4.4离散粒子群算法(DiscreteParticleSwarmOptimization，DPSO) 243.5粒子群算法的应用 254优化模型的粒子群求解及仿真 264.1模型的粒子群求解 264.1.1注意事项 264.1.2求解步骤及流程 264.1.3潮流计算方法 284.2算例仿真 294.3仿真结果 30总结与展望 32总结 32展望 32致谢 341绪论1.1课题背景及意义研究表明,城市空气中有害的物质主要是有机碳和多环芳烃,而空气中多环芳烃污染的主要来源便是汽车尾气排放。汽车尾气排放不仅会造成地表空气臭氧含量过高,加重城市热岛效应,使城市环境转向恶化;还会危害城市环境,引发呼吸系统疾病。2015年春季，大范围雾霾天气笼罩中国中东部大部分地区，多地pm2.5值持续超过正常值，空气质量指数达到严重污染等级。进入21世纪以来,汽车污染逐渐成为了全球性问题,目前全世界已有两亿多辆汽车,仅每年铅量的排放就达40万吨,成为最严重的大气污染源[1]。近年来国际石油、煤炭等不可再生性能源价格飞涨，大大增加了以矿物能源为原材料的基础产业以及相关产业的生产成本[2]，为了保护生态环境，降低生产成本，提高生产效率，促进人类可持续发展，大力推进电动汽车普及应用已经势在必行。此外，发展电动汽车有利于改善能源结构，改善国家能源危机。据最新资料显示，中国的石油产量只占有世界石油产量的2%，然而2015年我国对外石油依存度已经接近60%，远远突破了50%的国际警戒线。所以可以实现无排放、低噪音、以电为动力的电动汽车成为了解决这一能源和环境问题的重要方式[3]。在电动汽车飞速发展的时代，作为电动汽车有效的配套充电补给设施，电动汽车充电站的建设已经越来越重要。然而电动汽车充电机在工作的时后会产生较高的谐波电流，这一谐波进入电网可能使得电网电能质量大大降低，因此谐波对配电网会产生极大的危害[4]：（1）影响电能计量，谐波源损害电网，但是因其发出谐波而减少电能计量，而非谐波用户却吸收了谐波功率,由此多计量了电量[31]；（2）电力线路线损增加，使得电气设备加剧发热，导致其寿命降低；（3）谐波较高可能会导致使得控制设备产生误动作，进而造成生产运行的停止；（4）谐波可能导致电网局部并联谐振及串联谐振。在一些大中型充电站内，往往存在较多充电机谐波源，所以为减小谐波对电网的危害，在充电站建设初期，应对预测其产生的谐波，并针对性的制定谐波治理方案[32]。除此以外，电动汽车充电站负荷较高，接入配网时也许会造成节点电压下降等损害，严重危害电网的安全稳定运行,因此考虑配电网影响的电动汽车充电站选址便尤为重要。1.2国内外电动汽车产业及其充电设施发展现状1.2.1国外电动汽车的发展现状1．美国美国的汽车行业从很早就开始关注电动汽车的相关技术研究。通用、福特、戴姆勒-克莱斯勒三大汽车公司于1991年便开始研究电动汽车车用电池技术。同年十月，美国国会同意拨款2.26亿美元用于研究高性能的车用电池。之后,美国政府出台了一系列计划，用于电动汽车的研究。在2010年美国官方投入总计60亿美元以推动电动汽车产业的发展，包括研发电动汽车电池技术、修建充电设施以及减免电动汽车消费税等。此外,美国各行业十余家大型企业共同建立了美国电动汽车联盟,并制定了美国电动汽车未来发展计划及目标[1]：1）截至2020年，美国电动汽车数量达到1400万辆，插入式电动汽车及纯电动汽车能够满足25%的轻型汽车需求；2）到2040年美国电动汽车数量争取达到2.5亿辆；3）建议美国政府专项拨款1300亿美元用于生产并推动传统厂商的转型和车用电池的研发，并且制定相关减税政策来鼓励公民购买电动汽车，在美国33个一线城市进行先期试点，逐渐形成优异的电动汽车生态系统。2．日本日本是世界电动汽车领域的先驱，早在19世纪60年代，就开始了电动汽车的研发；并于1967年成立了电动汽车协会；70年代初，日本正式推出《电动汽车开发计划》,斥巨资研发电动汽车；1991年11月，日本制定了《第三次电动汽车普及计划》.1997年，丰田公司推出了“普锐斯”混合动力轿车，全球销量现已超过200万辆；2010年，日产公司推出了“聆风”纯电动汽车，这是世界上第一款量产型纯电动汽车,并在2011年初陆续在日本、欧洲和美国市场上市；2010年4月日本制定了《新一代汽车战略2010》，设定了到2020年“新一代汽车”在日本的新车市场中销售比例占到50%的目标，由此，日本电动汽车产业的发展进一步提速。日本电动汽车产业的发展不仅得益于政府在基础研究方面的积极投入，更重要的是车企、电池厂商、电力企业等公司企业的相互合作与联盟的推动作用。3．德国德国是一个传统的汽车工业强国，其国内国民生产总值中汽车工业产值占据了五分之一。政府以及相关科研机构和企业都消耗了大量的人力物力财力在电动汽车发展方面。2009年8月,德国政府出台了《国家电动汽车计划》，其中把纯电动汽车以及插入式混合动力汽车设为主要发展的产业，并且规划了车用电池技术和相关汽车零部件的发展计划，积极推动电动汽车的发展。在这一计划中，争取到2030年，电动汽车的数量突破500万辆；城市交通于2050年基本摆脱对石油的依赖。德国在2010年成立了“国家电动汽车平台”（NPE），其中包括驱动技术组、电池技术组以及基础建设组等共计七个工作组，德国众多知名汽车企业、装备制造企业和化工企业均在其中。国家电动汽车平台直接导致德国政府制定了电动汽车的最新发展计划。这一计划中，政府大大提高了对电动汽车研发的投入。并且根据国家电动汽车平台的预测，德国政府截止到2020年可能统计需要投入40亿欧元来资助电动汽车的研究与开发。德国电动汽车的发展不仅是政府在推动，近年来,德国一些巨头企业也加大了电池、电机等相关零部件和电动汽车核心技术的研发力度，并成立了动力电池产业联盟。该联盟获得了教育科研部6000万欧元的研发资助,并计划投资4亿欧元来开发轻便、高效、、安全的新型车用动力电池。此外，德国在电机与电控技术领域同样拥有十分先进技术，并且拥有量产的能力。然而在整车产品的宣传推行方面，德国车企并没有急于向市场推出量产产品,而是将精力放在了产业布局和实路测试上，对待电动汽车的市场推广持谨慎态度[33]。4．法国在电动汽车的研发和推广方面,法国均有极大的成就。在技术研发领域，雪铁龙集团从1972就开始对电动汽车进行研究和开发，投资7亿多法郎，兴建了一个新型的研究试验中心，拥有一个100多人研究团队,负责研究和开发电动汽车的关键技术。法国SAFT公司在电动汽车车用电池的研究方面技术成熟，并于1991年与雪铁龙集团以及法国政府签订了一份关于合作研发车用镉镍电池的合约，并且花费1亿法郎用于兴建中试车间，电动汽车电池组年产量可达5000套。在电动汽车推广应用方面，法国在1975年组建了“电动汽车跨部协调委员会”，在政府带领下，从法律、政策等方面积极推动电动汽车产业的发展。此后,法国政府颁布了一系列计划以发展新能源汽车，实现在2020年电动汽车产量达200万辆的目标。1.2.2国内电动汽车的发展现状1.国家政策支持中国的电动汽车产业起步相对较晚，近年来一直在追赶世界技术前沿，在政府层面不断出台各种政策,以此推动电动汽车产业的发展。在“十五”计划期间，科技部设专项拨款8.8亿元用来资助高校、企业和科研机构进行技术研究与开发，确立了“三纵三横”的研发布局，其中“三纵”指的是纯电动汽车、混合动力汽车以及燃料电池汽车;“三横”指的是电机及其控制系统、多能源动力总成控制系统以及电池及其管理系统[34]。2011年10月科技部、财政部等四部委颁布了《进一步做好节能与新能源汽车示范推广试点工作的通知》，通知免除了电动汽车车牌拍卖、摇号以及限行等一系列限制措施。科技部于2012年3月出台了《电动汽车科技发展“十二五”专项规划》，制定了电动汽车未来发展的目标及技术路线。同年6月政府出台了《节能与新能源汽车产业发展规划》，争取在2015年新能源汽车累计产销达五十万辆；截止2020年，实现插电式混合动力汽车和纯电动汽车生产规模达到两百万辆，累计产销量突破五百万辆的目标。2．技术支持在“十一五”期间，国家出台863计划重大项目，投资近12亿元用于新能源汽车的研究，其中包括公共支撑平台建设、示范工程建设、关键技术研发、相关标准研究等多个方面，参与研发的单位有400多家，工作人员多达1.46万人,累计建成了55个电动汽车研发平台，15个工程技术中心及国家级实验室，80余个产业基地；在此期间，累计申请了总计2011项专利，其中发明专利为1015项,几乎占据了50%；颁布了62项标准，其中国家标准30项，行业标准32项[35]。2005~2012年期间,在电动汽车方面我国申请的专利数占到了全球专利数的百分之八，与韩国、德国并列全球第三，与之前相比有了极大的进步。在相关科研机构的积极参与以及政策的激励下，我国在电池技术和电机驱动领域都获得了极大进步。在锂离子电池技术与生产能力方面都有了一定的进步。在燃料电池领域，电池的性能有了很大突破，成本也在减小很多，耐久性突破三千小时，生产能力大大提升,每年可以批量生产上千套。在电机系统领域，系统性能以及产业化能力均有极大提升。高密度的永磁电机,它的最高效率已经突破了94%，功率密度突破了2.68千瓦/公斤，各企业均有过万套的年产能力。现阶段，我国各大汽车企业、高校以及科研机构都加大了对电动汽车的研发，特别是对电池技术、电控技术和电机驱动技术领域。自进入21世纪以来,随着国家经济实力的提升和科学技术的进步，我国的电动汽车产业发展十分迅速,前景十分光明[3]。1.2.3国外充电设施建设情况充电站按照功能可以划分为四个子模块：配电系统、充电系统、电池调度系统、充电站监控系统。充电站给汽车充电一般分为3种方式：普通充电、快速充电、电池更换[5]。目前，美国、日本、以色列、法国、英国等国家都已经开始建设各自的电动汽车充电设施，主要以充电桩为主。1．美国美国在电动汽车与充电设施设想上各州有一定差异，加利福尼亚以及弗吉尼亚等州都进行了充电设施的建设。其中建设力度最大投资最多的是加利福尼亚州，项目计划总投资达10亿美元，将于2012年在多个城市的商厦、居民区、政府办公楼以及停车场建设充电桩，以保证电动汽车使用者可以随时充电。截至2010年，美国已经有超过18000个充电装置建成并投入使用，仍然供不应求。2．日本日本的电动汽车充电装置较为发达，在2009年，便建成投入100余座电动汽车充电站，其中60%都在东京地区。日本政府表示将在今后三年内建设超过千座充电站，以此推广电动汽车。东京电力公司将带头承建相关的基础建设，在2010年东京首先建成超过200座充电站，并且规划三年后增加到1000座以上[31]。在东京市区，楼宇路旁随处都可以见到充电桩。3．英国在英国，伦敦市区中已经有60余个电动汽车免费充电桩，驾驶电动汽车的人可以非常方便地在小区附近、办公楼旁以及繁华街道上找到充电桩，只需要75英镑的管理费便可以享受一年内不计次数充电和停车的服务。1.2.4国内充电设施建设情况2009年11月,国内首座电动汽车示范充电站——上海濟溪电动汽车充电站,在上海通过专家验收。同年12月底，国内最大电动汽车充电站在深圳启用。2010年,我国各大主要城市纷纷加紧电动汽车充电站的建设。2010年国家电网已经建成的充电站就包括大约27个城市,总共75座充电站和6209个充电柱。2013年9月28日，位于北京通州区的小圣庙电动出租车充电站建成投运。该站是全国规模最大、服务能力最强的电动出租车充电站，共设有交直流充电桩110个，可同时满足210辆电动出租车的充电需求。2015年1月5日，位于华贸公寓的北京首座光伏公共充电站启用，成为华贸商圈里首个面向市民开放的公共充电站。截至目前，我国建成的电动汽车充电桩达到了2.6万个（国家电网数据），不过根据国内多家媒体的调查，充电桩投入使用的比例十分低。此外，我国各地的直流充电接口与通讯协议标准至今尚未统一，电动汽车地方目录（本质是地方保护主义）尽管被宣布取消，实际上却依然存在。1.3电动汽车充电站对配电网影响及优化研究现状1.3.1电动汽车充电站对电网影响研究现状电动汽车充电站的接入对电网影响很大，其中主要包含谐波影响、电网负荷特性影响、负荷不平衡影响、电压电流冲击影响以及功率损耗影响等方面。在负荷特性方面，因为电动汽车用户的充电行为和习惯存在很大的不确定性和随机性，所以目前国内主要采用数学统计和简化假设这两种方法进行研究；对充电负荷预测，目前主要采用对历史负荷曲线进行叠加，“填谷”等方法，但是这些方法都缺乏实际运行数据进行参考，因此利用数学统计的方法，根据实际测量的数据进行拟合将更切合实际[6].谐波方面，在国内对于充电站谐波影响分析相对比较单一,主要是建立简化的充电机、站模型,只包括整流滤波部分,以此分析充电站谐波电流的大小,并没有涉及到谐波电流对电网的具体影响；而在国外,对于充电站谐波影响的研究相对成熟,除了建立简化的充电机模型以外,还建立了想对完整的充电机模型,包括整流滤波和直流斩波变换两部分，不仅研究了谐波电流对变压器寿命的影响,还研究了谐波电流的大小以及对居民区其它负荷产生的影响。多数研究人员都采用不同的工具和方法对电动汽车大规模接入电网产生的谐波问题进行了研究，例如通过中心极限定理以及概率统计学大数定律，实现多谐波源谐波分析数学模型的建立，以此来研究不止一个充电机产生谐波电流的特性，利用CAD或者MATLAB仿真软件对充电站模型进行仿真，并通过快速傅里叶变换对电流谐波进行分析，研究充电站谐波电流特性。1.3.2充电负荷对配电网影响研究现状大量电动汽车在接入配电网后，大量的充电负荷会对电网造成很大冲击。电网层次的不同，充电负荷对其造成的影响也并不相同，因此研究的侧重点也会有所差异。考虑高压输电网络，当今的研究大多是从负荷平衡的方面研究电动汽车接入电网后，相应的发电，输电配套设施是否可以满足大量充电负荷接入引起的系统负荷增长，以及在充电模式不同的情况下，现有的系统可以容纳电动汽车的最大数量。考虑配电网方面，因为通过充电设施后，电动汽车直接接入配电网，所以电动汽车充电负荷介入后对配电网的影响相比较高压输电网有很大的差异，国内外的研究机构及学者从各个不同的角度对其进行了大量的研究工作，期中主要包括有以下几个方面。（1）电动汽车充电负荷对配电网中电能质量造成的影响。电动汽车充电负荷对电网电能质量的冲击，可以分为稳态影响以及暂态影响，稳态影响是指电动汽车在接入配电网后，对电网各节点三相不平衡度及电压偏移的影响；暂态影响则主要是电动汽车在进行充电的过程中，电力电子器件产生谐波污染所造成的问题。电动汽车充电负荷除了产生谐波[7]影响电能质量外，还影响了各节点的电压偏移情况与三相不平衡。研究表明，充电负荷大规模投入配电系统会使得最大电压偏移的程度加大，同一时刻充电的电动汽车数量越多，充电系统负荷高峰和充电开始的时间就越靠近，此时电压偏移程度也就越大。针对三相不平衡这一问题，研究表明大规模电动汽车在投入配电网中运行会导致三相不平衡的问题，因此充电负荷接入电网时应合理的分配于三相之间。（2）大量充电负荷接入配电网对其相关设备的影响。电动汽车大规模接入配电网以后，不仅仅提高了配电系统的负荷水平，同样也使得配电系统中线路、变压器等设备的负载大大增加，这将有可能导致设备重载越限，而因为较长时间维持在较重的负载运行状态，可能使得设备寿命大大缩短。（3）电动汽车充电负荷对配电网经济性存在影响。目前已有较多相关文献针对充电负荷对电网经济性造成的影响进行研究分析，主要表现在大规模接入电动汽车前后配电网网损的变化情况。文献[8]考虑典型配电系统算例，计算了电动汽车大规模接入后系统的网损变化。其计算的结果阐明电动汽车接入后，网损相比较接入之前会有所增加。1.3.3电动汽车优化充放电研究现状大量研究表明，电动汽车在接入电网后将对配电网造成影响，为尽可能消除这一影响，国内外的研究学者针对性的提出了众多的充电优化方法，这些充电优化方案总体上可以归为两种：其一是站在用户的角度考虑所提出的优化充电方案，它的目标是在现阶段电价下，在尽可能满足用户充电需求的基础上，用控制各个变量的方法，实现充电费用最低；第二种是站在电网的立场所提出的优化充电方案，由此来实现电网运行最优的目标，其目标包括很多种：网损最小，系统负荷波动最小，限制最大负荷等。随着科学技术的发展，电动汽车未来可能有能力向电网反向放电，即V2G技术，电动汽车在是负荷的同时，同时也是电源和移动储能单元。以美国为例，如果将美国国内机动车数量的10%替换为电动汽车并接入电网，那么美国的V2G功率高达286.5GW，几乎占全国总负荷水平的68%左右[9]。除此以外，绝大部分电动汽车一天中有90%以上的时间是处于空闲状态的，这一情况也为电动汽车运用放电的方式参与电网运行提供了方便。所以下面将从电网运行最优、用户费用最低以及考虑V2G的电动汽车优化充放电方案三个充电方案表明电动汽车充放电的优化研究现状。（1）考虑配电网的最优化运行充电优化方案。在现存的一系列充电优化方案中，其中优化目标有配电网的网损最小，负荷的峰谷差最小，限制最大负荷以及负荷波动最小等。本文文献[13]通过动态规划法，对接入不同节点的电动汽车充电负荷进行调整，从而尽可能的减小配电系统的网损，结果表明经过优化后的配电系统的网损率相比较无序充电有较大改善。文献[14]通过直接负荷控制的方法，在负荷大于变压器容量时，终止电动汽车继续充电，以杜绝电动汽车充电导致变压器过载的可能性。文献[15]基于实时电价的情况下，通过动态估计插值算法，对每一辆电动汽车接入配电网的时间进行控制，不仅降低了系统的峰谷差，还在一定程度上减小了用户的充电成本。文献[36]在预测了系统的基础负荷的基础上，对每辆电动汽车最优的开始充电时间进行求解，考虑用户需求，尽可能的减小负荷尽可能峰谷差，并且平抑负荷的波动。（2）考虑用户充电费用最低的充电优化方案。文献[10]基于英国的实时电价，通过线性规划的方法，对不同时间段充电的电动汽车数量进行控制，保证用户的充电费用最小。文献[11]对分时电价和处于不同负荷电状态下最大的电池充电功率进行考虑，利用改变峰谷时段内充电功率的方法，保证总的充电费用最低。文献[12]通过设立电动汽车集合体，通过直接负荷控制的方法，对G2V，V2G，V2V三种不同模式进行选择，在保证用户充电需求的同时实现总体费用最低。（3）基于V2G技术的电动汽车充放电优化方案[16]。现如今国内外著名学者对如何对电网的运行特性进行优化以及电动汽车采用V2G方式参与电网运行的可行性、经济性进行了很多的研究，研究成果表明电动汽车可以为电网提供系统备用。现有文献对电动汽车接入配电网后对电网的影响以及相应的优化充放电方案有了一定程度的研究。然而，现在的研究工作尚且处于起步阶段。很多研究项目在电动汽车充电负荷方面就仅仅是基本地假设电动汽车有关参量满足正态分布特性，并没有精确的建立电动汽车充电负荷模型；评价指标的量化单一，并没有全面准确的研究充电负荷对电网造成的冲击与影响；如今的充放电优化方案中，多数方案都是直接对每一辆电动汽车的充放电功率和充放电时间进行控制，并没有考虑当大量电动汽车接入电网后，对电网的测量以及通信系统的稳定造成的极大冲击，因此我们需要开展一些可实际运用到工作中的充放电优化方案。1.4论文构成及研究方法本文总共分为三个部分，第一部分对电动汽车充电站对配电网影响的研究，并针对性的进行验证。第二部分是利用matlab进行建模仿真，给出电网约束如电压偏移，有功网损等条件一定，利用模型进行计算，以求得成本，对电网影响，地理位置以及客户满意度[17]的综合最优模型。第三部分以某地区的实际范例为基础对前两部分的理论计算及建模仿真进行验证。本文的主要研究包括工作包括：通过查找资料，在一定服务范围建设若干充电站，其充电站容量给定。根据上述数据，建立电动汽车充电站模型进行潮流计算，分析配电网的网损、电压偏移、负荷峰谷差等影响因素波动，择优进行充电站选址.以某地区配电网为实例对上述研究进行实验，论证其可实施性.考虑配电网（电压偏移，功率，网损等）影响下电动汽车充电站的最优选址.2电动汽车充电站建设方案优选模型2.1引言当今社会化石能源储量持续减少，环境问题日益严重，各国政府及企业均积极支持推广具有低能耗、低污染特性的新能源汽车，例如燃料电池汽车，纯电动汽车，混合动力汽车，燃料电池汽车等。然而燃料电池汽车制造成本高，安全性相对较低，而且汽车燃料在储存和补充上较为困难，性价比较低，因此在未来一段时间内很难投入市场[31]。近年来纯电动汽车与混合动力汽车技术逐渐成熟，正逐步投入市场进行商业化运营。纯电动汽车以及混合动力汽车都需要依靠电网补充能源，两类汽车在广泛投入使用后，大量的充电负荷随之而来，将对电网产生很大影响，因此对于电源、配电设备以及输电网等的规划与建设要严格把关，因此考虑配电网影响下电动汽车充电站选址的选址优化就成为当下十分重要的课题。现如今国内外电动汽车大多都处于试点阶段，充电站最优规划也逐渐被国内外的众多学者所重视，发表大量文献。然而即便这些文献都建立了数学模型研究电动汽车充电站规划的，并提出了很多基本概念，但是模型中并没有贴合实际，电动汽车的充电行为与路网的结构和车流的关系并没有在文献中有所体现，也没有针对用户充电前后的空驶路程等一系列影响因素进行讨论。本论文在主要考虑充电站运营商盈利，兼顾了电网公司和电动汽车用户双方利益的情况下，提出了一种基于社会收益最大化的电动汽车充电站规划布局的优选模型。在充分考虑路网结构和容量信息等影响因素的情况下，充电站选址定容的优化方法对充电站选址十分重要。考虑容量时以节点车流量数目来表示路网中的车流情况，以用户的充电路程最小对服务区域进行划分，并利用Voronoi图来实现充电站服务范围的自动划分。最后，以净收益最大为目标对充电站进行最优选址规划。2.2电动汽车充电站规划模型在充电站网络的规划阶段，需要统筹考虑未来电动汽车的充电需求及充电站运营的成本效益，避免未来因为规划不到位造成扩建而增大成本，不利于充电站网络健康、良好的运营；电动汽车充电站的规划建设既要考虑充电站的建设运行成本，也要考虑充电站建成后的社会效益。本模型在进行电动汽车充电站的规划方案优选时，在主要考虑了充电站运营商利益的情况下，兼顾用户的充电便利度，将全社会收益最大化作为方案优选的目标函数。1.收益的数学表达：R=Re-C其中R为电动汽车充电站净收益，Re为充电站总收入，C为充电站的成本。2.收入的数学表达：其中wi为电动汽车充电站i的容量，p为充电电价。3.成本的计算公式如下：式中：C是全社会成本，是电动汽车充电站投资成本，是充电站运行成本，是充电站检修维护成本，是充电站故障成本，是用户便利度成本。（1）充电站投资成本为：式中：表示建筑工程费用，=5*(w1*w1+w2*w2+w3*w3)+18*(w1+w2+w3)，建筑工程费用主要包括站内房屋建筑、一般土建、采暖、通风及照明工程等；表示设备购置费，=15*(w1*w1+w2*w2+w3*w3)+12*(w1+w2+w3)，设备购置费用主要包括电气一次设备、电气二次设备、通讯、暖通、给排水及消防设备等；表示安装工程费，=5*(w1*w1+w2*w2+w3*w3)+3*(w1+w2+w3)，安装工程费用主要包括配电站工程、通讯及调度自动化系统的安装等；表示其他费用，=5*(w1*w1+w2*w2+w3*w3)+10*(w1+w2+w3)，其他费用包括建设场地征用及清理费、装修费、项目建设管理及技术服务费用等。（2）充电站运行成本为：式中表示能耗费，=2*(w1*w1+w2*w2+w3*w3)+1*(w1+w2+w3)，能耗费用主要是指充电站为电动汽车充电消耗的电能、电气一次、二次设备损耗等；表示人工费，=1*(w1*w1+w2*w2+w3*w3)+0.5*(w1+w2+w3)，人工费用主要包括工作人员的培训费、工资及其他服务人员的劳务费用等。（3）充电站检修维护成本：式中表示日常设备的维护费用=0.4*(w1*w1+w2*w2+w3*w3)+0.3*(w1+w2+w3)；表示计划检修费用，=0.3*(w1*w1+w2*w2+w3*w3)+0.2*(w1+w2+w3)。（4）充电站故障成本为：式中表示充电站平均每次发生故障单位时间修复成本，表示充电站发生故障的次数，表示充电站设备平均修复时间，表示充电站平均每次故障单位时间的惩罚成本，表示充电站故障持续时间。用户便利度成本为了合理规划充电站的站点，用户便利度是影响其规划的重要因素，现以用户与电动汽车充电站的距离体现用户便利度成本。式中d是用户与电动汽车充电站的距离，w是便利成本系数，p为充电电价。收益模型中存在较多参数，其数值如下表所示：表1模型参数列表参数名符号参数值充电站平均每次发生故障单位时间修复成本0.03万/h充电站发生故障的次数3次充电站设备平均修复时间8h充电站平均每次故障单位时间的惩罚成本0.0001万/h充电站故障持续时间42h基准折现率0.065充电电价P0.8元运行年限T20年2.3约束条件（1）线路中的输电功率约束：式中:pi表示线路传输功率;表示线路允许传输功率的最大值。利用罚函数对不等式约束进行约束:式中:kl作为罚因子是一个足够大的常数。（2）功率平衡的约束:式中:是平衡节点的注入功率;是节点i的初始有功负荷。（3）最大馈线电流约束式中Iij是配电网馈线流过的电流，Iijmax是配电网中馈线允许流过的最大电流。变压器的容量约束Si和Simax分别是对应区域供电的变压器负载以及该变压器所能承受的最大负载。（5）电动汽车可以接入配电网的最大充电功率约束式中Pci是充电站i的充电功率；Pcmax为电动汽车可以接入配电网的最大充电功率。节点电压偏移约束式中Vi为配电网节点i的电压幅值；Vimin和Vimax分别是该节点电压幅值的下限和上限；M为配电网的节点数量。（7）地理位置约束式中若为1,则表示经过政府考虑土地需求,在i点许可建立充电站,若为0,则不准许建立充电站。（8）充电站建设个数约束M＜5考虑到城市土地资源一般比较紧张,为了避免资源闲置所引起的浪费,应限制规划区内充电站个数，式中:M为允许建设的充电站个数。3粒子群优化算法3.1引言大自然是开启人类智慧的老师。人类在社会系统、生物系统等运行机制引导下,发展并建立多种多样的研究工具和手段来化解研究过程中遇到的难题。其中包括遗传优化算法(GeneticAlgorithm,GA)、粒子群优化算法（ParticleSwarmOptimization）、蚁群优化算法(AntColonyOptimization,ACO)、进化规划(GeneticProgramming,EP)以及人工神经网络(ArtificialNeuralNetworks,ANN)等[19]。这些算法在工程方面都已经有了广泛的应用,其中有很多成功案例。计算智能(ComputationalIntelligence)方面，有两类基于群体智能(swarmIntelligence,SI)的算法粒子群优化算法和蚁群优化算法。其中蚁群优化算法是摸拟蚂蚁群落寻找食物行为,这一算法已成功在很多组合优化问题中得以应用;而后者就是本文将要介绍并使用的粒子群优化算法。粒子群优化算法(Particleswarmoptimization,PSO)是一种基于群体智能方法的演化计算技术，是通过研究鱼群与鸟群的群体运动行为而得到的，这一算法的出现是演化计算领域的一个新的思路[20]。3.2粒子群算法基本原理在自然界中很多生物的行为呈现群体特性,这种群体行为可以用简单的几条规则在计算机上进行建模,也就是用简单的几条规则在计算机中建立个体的运动模型,然而这一群体的行为可能相当繁杂。比如文献[21]中,Reynolds便规定下列三个行为作为简单的个体行为规则:（l)向远离最近同伴的方向前行;（2)向群体中心运动。（3)向目的地运动;这就是知名的Boid(Bird一oid)模型。在这一群体中每一个个体的运动都必须遵守这三条规则,利用这一模型对整个群体的运动进行模拟。粒子群算法的基本概念同样如此,群中每个粒子的运动都可以用几条规则来表述,因此粒子群算法规则简单、容易实现、收敛速度快以及可调参数少的特性越来越多地引起专家学者们的注意我们可以假想这样一个场景:鸟群在区域内随机搜寻食物,然而在这个区域里只有一份食物,鸟群中所有的个体都不知道食物的位置,但是它们知道当前所处的位置距离食物还有多远。此时只要在当前离食物最近个体的周围区域进行寻找，就可以达成预定的目标。粒子群算法就是从这种生物种群行为特征中发展而来的。在粒子群算法中,我们可以把每个优化问题的潜在解都假定为D维搜索空间上的一个位置点,称其为“粒子”。粒子以一定的速度在搜索空间中飞行,搜索速度依据其自身的飞行经验以及其同伴的飞行经验来进行动态调节。群体中的粒子都存在一个适应度值，这一适应度值是由目标函数所决定的,并且粒子知道自己当前发现的最优位置和现时位置的距离，这是粒子自己的飞行经验。除此之外,群体中每个粒子均知道到当前整个群体中所有粒子搜索到的最优位置,这一现象是粒子同伴的经验。每个粒子通过以下信息调整自己当前所在的位置:1)粒子现时位置;2)粒子现时速度;3)粒子现时位置与自身最优位置间隔的距离;4)粒子现时位置与群体最优位置间隔的距离。粒子群优化算法正是一个在由多个初始化随机形成的粒子形成的种群之中,用迭代的方式进行搜索的寻优算法。3.3粒子群算法数学描述粒子群可以通过数学描述:假想一个D维目标搜索的空间中,存在一个包含m个代表潜在问题解的粒子所形成的粒子群,其中的,i=1,2,...,m表示粒子m在D维解空间上的一个矢量点。将代入一个和所求解问题相关的目标函数可以对相应的适应度值进行计算。用,i=1,2,...,m记录第i个粒子寻找到的最优点(即计算得到的适应值为最小的点,记为pbest)。在这一种群中,至少存在一个粒子是最优的,编号记为g,则,就是种群搜索得到的最优值(即gbest),其中g。而每个粒子都存在一个速度变量,用，i=l,2,…,m来体现第i个粒子的速度。粒子群算法一般通过下面的公式对粒子进行操作:(3.1)（3.2）其中i=1,2,3,...,m表示粒子的标号;k为迭代次数;学习因子c1、c2是两个正值常数，一般取值为2;r1,r2是两个随机数，均匀分布于[0,1]之间。为了保证和值在一个合理的区域内,需要设定Vmax和Xmax来加以限制。公式(3.1)主要通用来计算粒子i新的速度:粒子i之前时刻的速度,粒子i现时位置与自己最优位置之间的距离,粒子i现时位置与群体最优位置之间的距离。公式(3.2)是粒子i计算新位置坐标的公式。通过式(3.l)、(3.2)的计算粒子决定下一步的运动方向与位置。下图3.1,以二维空间为例描绘了粒子根据公式(3.l)、(3.2)对位置进行移动的原理。图3.1粒子移动原理图从社会学的角度来看待的话,公式(3.l)的第一部分可以称之为记忆项,表明之前运动速度大小和方向的影响;公式的第二部分可以称为自身的认知项,它是从现时位置指向该粒子本身最优位置的一个方向矢量,指的是粒子的动作来自于自身经验的部分;公式的第三部分可以称为群体认知项,它是从现时位置指向种群最优点的一个方向矢量,表现了种群粒子间的合作以及知识的分享。种群中粒子就是利用自身的经验以及同伴中最优的经验来对接下来的运动进行判定,这与人类行为十分相似,人们往往也是通过总结自身的信息以及从外界得到的信息来作出决定。HYPERLINK3.4粒子群算法的发展粒子群算法的概念简单，很容易实现,其代码也相对较短,和其他优化算法相比,这也是它的优点之一。现如今,粒子群算法己经取得了极大的进步,并且已经在很多领域得到应用。但是它的缺点也很明显，容易陷入局部极小点,搜索精度相对不高,因此很研究者们针对性的对其作了各种各样的改进。现在已经由粒子群基本算法发展出了很多不同的改进版本,这些版本都是在基本粒子群算法的基础上加以改进。下面便是几种改进的粒子群算法。HYPERLINK3.4.1自适应粒子群算法(AdaptiveParticleSwarmOptimization,APSO)目前，很多文献阐述了惯性因子w值对粒子群优化功能造成的影响,研究表明较大的w值可以更好地避免进入局部极小点,较小的w值则可以使算法更容易收敛,所以针对性的实现了自适应调整惯性因子的方法,也就是伴随着算法的迭代,对惯性因子w的值进行线性减小。对这一方法进行进一步的改善，即用模糊规则动态的对惯性因子进行修改[22],也就是制造一个二输入、一输出的模糊推理机对惯性因子进行动态修改。模糊推理机的两个输入是规范化的当前最优性能演化以及当前的惯性因子;输出的则是惯性因子的增量。最优候选解的适应度值是粒子群算法至今为止所了解的最优候选解的性能测度。规范化的当前最好性能演化可以通过下式计算:其中和是CBPE可能取值的上限和下限。模糊推理机的输入和输出的论域可以定义为3个模糊集合:LOW,MEDIUM及HIGH,相对应的模糊隶属度函数分别是Left-Triangle,Traingle,Right-Triangle,其中文献[22]给出的这三种模糊隶属度函数的定义分别如下:Left-Trangle可以定义为:Triangle可以定义为:Right-Triangle可以定义为:相应的模糊度函数图形如下:图3.2图3.2模糊度函数对于一些基准函数,例如Rasrigrin、Rosennbrock以及Griewank的试验结果证明,这一类自适应粒子群算法都可以取得预想的成果,同样也可以用于很多优化问题。通过自适应调整惯性系数,同时考虑搜索效率和搜索精度,这一算法是合理有效的。然而对于许多较为繁杂的非线性优化问题,想要利用自适应调整一个全局系数来提生搜索精准度的余地并不是无限的。3.4.2混合粒子群算法(HybridparticleSwarmoptimization,HPSO)在遗传算法思想的启发下,文献[23,24]提出了混合粒子群算法(HybridPSO,HPSO)这一概念。混合粒子群算法是将基本粒子群算法和选择机制进行结合得到的,基本粒子群算法的搜索过程对pbest和gbest的依赖性很强,搜索区域受到pbest和gbest的严格限制。在一般的进化算法中,更合理地分配有限的资源，需要通过选择机制来挑选相对较好的区域并淘汰相对较差的区域。混合粒子群算法的选择机制与遗传算法十分相似。混合粒子群算法会对每一个个体基于现时位置的适应度值进行计算,并对其进行排序,然后选择群体中半数适应度值较差个体的现时位置和速度更替为另外一半相对较好的个体的现时位置和速度,同时保留每个个体的最好位置pbest。所以群体搜索集中到相对较优的空间,同时也还会受到每一个个体自身之前最优位置的影响。混合粒子群算法的流程如图3.3所示图3.3混合PSO算法的流程图混合粒子群算法的计算流程如下:（1)所有粒子初始化;（2)计算每个粒子的适应度值;（3)利用适应度值对粒子进行选择;（4)对粒子的搜索位置进行调整,粒子从新的位置继续搜索;（5)如果达到最大迭代次数或者最优解停滞不再发生变化,终止迭代;若不满足，则回到步骤(2)继续进行。文献[25]提出了具有繁殖和子群的混合粒子群算法。粒子群中所有的粒子都被设定了杂交概率,这一概率是由用户自己来确定的,和粒子的适应度值没有关联。在迭代过程中,根据其杂交概率抽取一定数目的粒子放入一个库中。库中的粒子随机地两两进行杂交,生成与父母粒子相等数目的孩子粒子,并且利用孩子粒子对父母粒子进行替换,以确保种群的粒子数目不会改变。孩子粒子的位置可以通过父母粒子位置的算术加权和来进行计算,即（3.3）（3.4）其中是D维空间的位置矢量，而和,分别表示父母粒子和孩子粒子的位置;p是D维空间中分布均匀的随机数向量,称之为杂交概率,p的所有分量取值均在[0,1]之间。其中孩子粒子的速度可以通过如下公式求解:(3.5)(3.6)其中是速度矢量,,和k=1,2分别表示孩子粒子和父母粒子的速度。对于局部的粒子群算法而言,这一方法相当于在一个种群中规划了一些子种群,所以杂交操作不仅可以在同一个子群内部进行,也可以在不同的子群之间进行。在文献[23-25]的实验结果表明,混合粒子群算法的收敛速度相对较快,搜索精度也很高,对非线性优化问题可以得到满意的结论。不过这一方法引入了很多待调整的参数,因此对使用者的经验要求较高。HYPERLINK3.4.3协同粒子群算法(CooperativeParticleSwarmOptimization,CPSO)文献[26]提出了协同粒子群算法,它的基本思想是利用K个相互之间独立的粒子群分别在D维的目标搜索空间中以不同维度的方向进行搜索。具体方法是:确定划分因子K以及粒子群的粒子数M,将输入粒子的速度和位置向量分划到K个相互独立的粒子群。粒子群中粒子的位置和速度向量都是D/K维的。在迭代过程中,这K个粒子群状态的更新都是相互独立的,粒子群之间信息不共享。在计算适应度值的时候,对每个粒子群中的最优粒子位置向量进行拼接,合成D维向量并将其代入适应函数来计算适应度值。例如,基于24个自变量的粒子群优化问题,即D=24。若选定M=10,K=5,则每个粒子的速度及位置向量的维数为D/K=5。这种协同粒子群算法有也存在一定缺陷，即“启动延迟”(Startupdelay)现象明显,在进行迭代的初期,适应度值下降相对缓慢,也就是说,收敛的速度较慢。文献[35]的实验结果表明粒子群数量越大,收敛速度越慢。不过因为这种协同粒子群算法实际上运用的是局部学习的策略,所以比基本粒子群算法更容易跳出局部极小点，收敛精度相对较高。HYPERLINK3.4.4离散粒子群算法(DiscreteParticleSwarmOptimization，DPSO)粒子群的基本算法最开始是优化连续函数的。但是实际中很多问题是组合优化问题,所以Kennedy及Eberhart博士在基本粒子群算法的基础上提出了离散二进制粒子群算法来解决这一类问题[27]。离散二进制粒子群算法基本粒子群算法和离散二进制粒子群算法的主要差别就在于运动方程,其中离散二进制粒子群算法的运动方程为:（3.7）（3.8）式（3.8）中，是sigmoid函数；为随机矢量的第D维分量,其中粒子的位置包含(0,l)两种状态,粒子速度V与某个概率的门限值有关,粒子速度越快,粒子位置为1的可能性就越大,反之则越小。在上式(3.7)中没有权重函数w对粒子速度进行控制。为了防止粒子速度V过快,可以限制Vmax,使函数sig(V)不会十分接近0或1,以确保一定概率使得算法可以从一种状态跃迁为另一种状态。从上述内容可以了解,除了式(3.7),(3.8)不同以外,离散二进制粒子群算法与基本粒子群算法近乎一样。文献[22]对这一工作进行了推广,研究了离散粒子群算法,并将其实际应用于各种问题的求解。离散粒子群算法对基本粒子群算法的应用领域进行了扩展,让我们了解到了其在组合优化问题中良好的应用前景。然而,正如文献[27]指出的缺陷,粒子群算法对于一些连续函数优化问题的求解存在优势,现如今的离散粒子群算法在组合优化这类问题上并不比蚁群算法优秀。HYPERLINK3.5粒子群算法的应用当今学术界已经存在很多利用粒子群算法替换反向传播算法来对神经网络进行训练的论文,大量研究表明粒子群算法是一种十分有发展潜力的神经元网络训练算法。粒子群算法的运算速度较快而且同样可以得到较好的实验结论,并且不存在遗传算法碰到的问题[28]。粒子群算法还可以用于对BP神经元网络的权值进行选择[29]，文献[29]BP分别设定5个、3个和1个神经元在BP神经网络的输入层、隐含层以及输出层上。研究结果显示如果使用标准BP算法进行训练,大约需要3.5个小时,然而在使用粒子群算法以后,训练时间大大降低。除此以外,还可以利用粒子群算法对人体颤抖进行。这是一个非常有挑战性的领域[30],其中包括帕金森病以及原发性振颤病症。利用粒子群算法对一个神经网络进行进化,这个进化神经网络可以精准且快速地辨别病态颤抖和正常颤抖。粒子群算法在电力系统领域也有广泛应用,涉及到带有约束条件,使用各种不同版本的粒子群算法相结合来决定分别对连续和离散的变量进行控制的策略。粒子群算法和其它演化计算算法存在很多共同点,可以用来求解大多数优化问题,例如多元函数优化,带约束的优化问题等。此外,粒子群还可以在多目标优化问题及动态问题中进行应用。现如今,虽然发展迅速，但对粒子群算法的研究还处于起步阶段,相比较其它成熟的演化算法,粒子群算法应用的范围相对较小。但是随着研究的逐渐深化,在未来粒子群算法将会应用到更多的领域中,例如机器人路径规划、电路设计等领域。4优化模型的粒子群求解及仿真4.1模型的粒子群求解4.1.1注意事项如前所述，本文优化规划模型采用粒子群算法求解。假定区域内每个充电站容量由经验值给定。为了便于讨论，先要明确以下问题：（1）各充电站的服务范围的确定首先根据工程规划经验求出初始站址，确定各充电站的服务范围，进而计算各充电站的容量需求。服务范围的划分借鉴Voronoi图思想，要求每座充电站服务范围内的充电需求点到该充电站的直线最短距离都不大于充电需求点到其他充电站的直线最短距离。（2）充电站便利度的确定在确定充电站服务范围后，需要知道各节点的便利度情况,通过计算充电需求到充电站的距离，确定充电站的便利度。4.1.2求解步骤及流程在利用粒子群算法求解模型的过程中，首先在规划区域内随机产生三个点作为初始站点位置，利用Voronoi方法对充电站的服务范围和负荷需求点进行划分，其中充电站的服务范围划分时，要以服务半径作为约束条件，以此对各服务分区内充电站的费用进行计算。并且选择距离充电站址最近的配电网节点接入充电站，对电网的安全性进行检验。通过多次计算，最终得到收益最大目标下的充电站站址。通过粒子群算法求解充电站最优选址规划，算法流程如下所示：（1)初始化算法参数。包括种群的大小，进化次数，种群规模，迭代次数等参数（2)对种群的所有粒子实施一次测量，得到对应的充电站站址坐标。根据充电站站址坐标，划分充电站的服务区域，进行适应度评估求出适应度值。（3)寻找个体极值和群体极值。（4)速度更新和位置更新（5)粒子适应度值计算（6)个体极值和群体极值更新（7）是否满足条件，若满足则迭代结束，若不满足则返回步骤4)（8)结束，输出最优站址节点图4.1算法流程图4.1.3潮流计算方法（1）原始数据形成节点导纳矩阵；（2）确定初值、迭代次数以及误差精度；（3）进行迭代计算；（4）判断是否满足精度，判断是否收敛。4.2算例仿真根据前文所建立模型，现以某地区典型配电网算例为例，分析建立只提供快速充电服务的充电站，研究配电网对集中式电动汽车充电站选址的影响。如下图所示，规划一个面积大小为5*5(km2)的区域，将其对应到坐标轴中的区域[0≤x≤20;0≤y≤20]。上图是该地区的路网和电网节点图，其中包括16个电网节点（黑色标示）和11个路网节点（红色标示），其中11节点配电网线路以及负荷参数由经验确定。电网节点线路走向如图中红线分布，其中各电网节点坐标以及负荷如下表2所示，路网节点坐标以及车流量如下表2所示。服务区域由泰森多边形确定，以保证区域内节点位置与本区域电动汽车充电站距离最小。图4.2规划区域线路及节点示意图表2配电网络各节点坐标及负荷数据电网节点编号x坐标y坐标节点负荷/kw1551942105269.3253155350.55420517152010416.162015545.77571515763.8815157