本發(fā)明涉及電動汽車充電，具體為一種充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃方法及系統(tǒng)。

背景技術：

1、隨著電動汽車市場的迅猛發(fā)展，充電基礎設施的建設與規(guī)劃成為推動能源結構優(yōu)化和電動汽車普及的關鍵因素，在這一背景下，充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃方法日益受到重視，早期的研究主要集中在充電站的地理位置優(yōu)化和單一電網(wǎng)負荷管理上，相關技術在提高充電便利性和電網(wǎng)運行效率方面取得了一定的成果，然而，隨著電動汽車保有量的增加和充電需求的多樣化，現(xiàn)有的充電基礎設施規(guī)劃技術逐漸暴露出其局限性。

2、現(xiàn)有的充電基礎設施規(guī)劃方法往往未能綜合考慮充電站的位置、數(shù)量與車流量、用戶充放電策略等多因素之間的相互作用，導致在實際應用中存在以下不足，規(guī)劃模型缺乏對充電需求動態(tài)變化的響應能力，難以適應高峰時段的用戶充電需求，造成充電資源的浪費或不足，傳統(tǒng)規(guī)劃方法在優(yōu)化算法上多采用固定參數(shù)的啟發(fā)式算法，這些算法在全局搜索與局部搜索之間難以達到有效平衡，導致充電站配置方案的優(yōu)化程度有限，現(xiàn)有技術未能充分考慮電網(wǎng)側的承載能力和穩(wěn)定性要求，導致充電基礎設施的接入可能對電網(wǎng)造成沖擊，影響電網(wǎng)的安全運行，現(xiàn)有技術在求解優(yōu)化模型時，普遍采用的傳統(tǒng)算法在全局搜索與局部搜索的平衡上存在不足，難以實現(xiàn)充電站配置的最優(yōu)化。因此，如何構建一個高效、實用的協(xié)同規(guī)劃方法，以實現(xiàn)充電基礎設施與電網(wǎng)的優(yōu)化配置，成為當前亟待解決的問題。

技術實現(xiàn)思路

1、鑒于上述存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明解決的技術問題是：現(xiàn)有的現(xiàn)有的充電基礎設施接入電網(wǎng)協(xié)同規(guī)劃方法存在優(yōu)化模型單一，對充電需求動態(tài)變化響應不足，優(yōu)化算法全局與局部搜索平衡性差以及如何實現(xiàn)充電基礎設施與電網(wǎng)高效協(xié)同和優(yōu)化配置的問題。

3、為解決上述技術問題，本發(fā)明提供如下技術方案：一種充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃方法，包括基于充電站位置和數(shù)量構建上層優(yōu)化模型，基于車流量和用戶充放電策略構建下層優(yōu)化模型；通過動態(tài)調(diào)整慣性權重因子與學習因子機制，構建改進的粒子群算法，進行全局搜索與局部搜索的平衡，基于改進的粒子群算法并進行雙層規(guī)劃模型求解，制定充電站配置優(yōu)化方案。

4、作為本發(fā)明所述的充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃方法的一種優(yōu)選方案，其中：所述構建上層優(yōu)化模型包括構建上層規(guī)劃模型目標函數(shù)，在修建充電站時，充電站成本包括建設成本、運維成本以及購電成本，基于綜合成本最小構建的ev充電站規(guī)劃目標表示為：

5、f＝min(ci+cb)

6、其中，f為充電站規(guī)劃的綜合成本最小化目標，ci為充電站的年均投資成本，cb為充電站購電成本；計算充電站的年均投資成本表示為：

7、

8、其中，k為待建充電站總數(shù)，cj,k和cm,k分別為第k個充電站建設成本和運維成本，計算第k個充電站建設成本表示為：

9、

10、其中，r0為貼現(xiàn)率，n0為充電站的運行年限，cch為充電樁的單價，nch,k、ak、以及cf,k分別為第k個充電站的充電樁數(shù)量、占地面積和單位面積租金成本；計算充電站購電成本表示為：

11、

12、其中，ns表示充電站數(shù)量，nj表示第j個充電站的購電成本權重因子，pb為購電電價，pm,i為節(jié)點m在i時段的充電功率；上層優(yōu)化模型約束條件包括充電站之間的距離約束和充電樁數(shù)量約束；充電站之間的距離約束表示為：

13、ds≥dmin

14、其中，ds為任意2個充電站之間的距離，dmin為充電站間的最短距離；充電樁數(shù)量約束表示為：

15、

16、其中，pch為充電樁充電功率，ede為供給充電需求。

17、作為本發(fā)明所述的充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃方法的一種優(yōu)選方案，其中：所述構建下層優(yōu)化模型包括用戶充電全程的總費用為充電成本與放電收益的差值，表示為：

18、

19、其中，ec,k為用戶充電全程的總費用，n為充電用戶數(shù)量，n'為用電用戶索引值，t為充電時間段，tk為充電時間段總數(shù)，pk,t為平均充放電功率，表示放電時的收益率，表示充電時的成本率，δt表示時間間隔，為充放電標識符，取值包括-1、0、1，分別代表車輛處于放電、占用、充電狀態(tài)，對于有序充電行為用戶取值包括0、1，對于具備v2g功能的車網(wǎng)互動用戶取值包括-1、0、1，對于不愿參與調(diào)度的自主充電用戶取值包括1；下層優(yōu)化模型約束條件包括充電量約束、荷電狀態(tài)約束；充電量約束包括基于入網(wǎng)荷電狀態(tài)soc、用戶指定的離網(wǎng)soc區(qū)間、電池容量、接入時間與充放電功率分析電動汽車到達后的凈充電量范圍，表示為：

20、(soclel,k-socarr,k)ek≤wc,k≤(socleu,k-socarr,k)ek

21、其中，wc,k表示電動汽車到達后的凈充電量范圍，socarr,k為車輛到達時的soc，soclel,k表示用戶指定的離網(wǎng)荷電狀態(tài)soc的下限，socleu,k表示用戶指定的離網(wǎng)荷電狀態(tài)soc的上限，[soclel,k,socleu,k]為用戶指定的離網(wǎng)soc區(qū)間，ek為車輛的電池容量；荷電狀態(tài)約束包括電動汽車每時段只能處于充電、放電、占用中的一種，電動汽車充放電過程中的荷電狀態(tài)變化，表示為：

22、

23、其中，soct+1,k為t+1時段車輛的soc，soct,k分別為t時段車輛的soc。

24、作為本發(fā)明所述的充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃方法的一種優(yōu)選方案，其中：所述構建改進的粒子群算法包括每一個粒子通過位置矢量和速度矢量進行表征，位置矢量象征著潛在解空間中的候選解決方案，速度矢量則體現(xiàn)粒子位置在解空間中調(diào)整的方向和幅度，粒子總數(shù)為m，則第n個粒子在維度d中的位置x'n和速度v'n表示為：

25、

26、通過跟蹤每個粒子之前的個體最佳位置和群體最佳位置，調(diào)整每個粒子的速度和位置，個體最優(yōu)位置和群體最優(yōu)位置，表示為：

27、

28、其中，p'n是第n個粒子的個體最優(yōu)位置，p'g是群體最優(yōu)位置；粒子群算法的速度和位置更新公式表示為：

29、

30、其中，w'是慣性權重因子，當進行全局搜索時，增大慣性權重因子，當進行算法的收斂時，減小慣性權重因子，c'1和c'2是學習因子，分別表示粒子的自我學習能力和社會學習能力，r'1和r'2是均勻分布在[0,1]的隨機數(shù)。

31、作為本發(fā)明所述的充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃方法的一種優(yōu)選方案，其中：所述構建改進的粒子群算法還包括通過動態(tài)調(diào)整慣性權重因子與學習因子機制，構建改進的粒子群算法，改進后的策略包括種群初始化，初始化所有粒子的速度和位置，計算所有粒子的目標函數(shù)；確定個體最優(yōu)，初始化過程，每個粒子的個體最優(yōu)為粒子本身；更新慣性權重，慣性權重與算法的局部搜索能力以及全局搜索能力相關，在每次迭代時，將慣性權重按更新函數(shù)進行更新，表示為：

32、

33、其中，w為當前迭代的慣性權重因子，it是當前迭代次數(shù)，mi是總迭代次數(shù)，ws和we是慣性權重因子的初始值和終止值，c1s和c1e是c1的初始值和停止值，c1s大于c1e，c2s和c2e是c2的初始值和停止值；更新粒子的速度和位置；計算粒子的適應度，更新個體最優(yōu)；判斷是否滿足迭代次數(shù)要求，滿足就輸出結果，不滿足則返回更新慣性權重。

34、作為本發(fā)明所述的充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃方法的一種優(yōu)選方案，其中：所述進行雙層規(guī)劃模型求解包括參數(shù)初始化粒子群算法，生成初始種群；將上層產(chǎn)生的充電樁配置方案傳遞給下層，作為下層的初始條件，下層模型根據(jù)車流量和有序充放電策略，確定用戶最優(yōu)充電成本；將最優(yōu)策略傳遞給下層，上層模型直接基于優(yōu)化方案更新全局粒子速度與位置；判斷是否滿足終止條件，若滿足，則全局最優(yōu)為最優(yōu)規(guī)劃方案，若不滿足，則更新粒子的位置和速度，重新將上層產(chǎn)生的充電樁配置方案傳遞給下層。

35、作為本發(fā)明所述的充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃方法的一種優(yōu)選方案，其中：所述制定充電站配置優(yōu)化方案包括基于用戶偏好，將用戶群體劃分為三類，包括有序充電行為用戶、具備v2g功能的車網(wǎng)互動用戶以及不愿參與調(diào)度的自主充電用戶；當用戶類別為有序充電行為用戶以及具備v2g功能的車網(wǎng)互動用戶時，車輛允許在接入電網(wǎng)至預設離網(wǎng)時間段內(nèi)的任何時點開始充電，并確保在預期離網(wǎng)時間達到用戶所期望的電池荷電狀態(tài)soc，調(diào)控目標為用戶的最低充電成本；當用戶類別為具備v2g功能的車網(wǎng)互動用戶時，在滿足充電需求的同時，車輛還允許靈活選擇在用戶接入電網(wǎng)到預計離網(wǎng)之間的一個連續(xù)時間段內(nèi)實施放電操作；當用戶類別為不愿接受調(diào)度的自主充電用戶時，在連接電網(wǎng)之后即刻啟動充電過程，直至電池完全充滿或車輛駛離充電網(wǎng)絡為止。

36、本發(fā)明的另外一個目的是提供一種充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃系統(tǒng)，其能通過基于改進的粒子群算法并進行雙層規(guī)劃模型求解，制定充電站配置優(yōu)化方案，解決了目前的電動汽車充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃技術含有的充電基礎設施與電網(wǎng)高效協(xié)同和優(yōu)化配置不足的問題。

37、作為本發(fā)明所述的充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃系統(tǒng)的一種優(yōu)選方案，其中：包括雙層規(guī)劃模塊，算法改進模塊，配置優(yōu)化模塊；所述雙層規(guī)劃模塊用于基于充電站位置和數(shù)量構建上層優(yōu)化模型，基于車流量和用戶充放電策略構建下層優(yōu)化模型；所述算法改進模塊用于通過動態(tài)調(diào)整慣性權重因子與學習因子機制，構建改進的粒子群算法，進行全局搜索與局部搜索的平衡；所述配置優(yōu)化模塊用于基于改進的粒子群算法并進行雙層規(guī)劃模型求解，制定充電站配置優(yōu)化方案。

38、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序是實現(xiàn)充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃方法的步驟。

39、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)充電基礎設施接入電網(wǎng)的協(xié)同規(guī)劃方法的步驟。

40、本發(fā)明的有益效果：通過構建基于充電站位置和數(shù)量的上層優(yōu)化模型，以及基于車流量和用戶充放電策略的下層優(yōu)化模型，實現(xiàn)了對充電基礎設施規(guī)劃的全面考慮，優(yōu)化了充電站的分布，減少了建設成本和運維成本，同時提高了電網(wǎng)的運行穩(wěn)定性；通過動態(tài)調(diào)整慣性權重因子與學習因子機制，構建了改進的粒子群算法，實現(xiàn)了全局搜索與局部搜索的平衡，提高算法在解決復雜優(yōu)化問題時的適應性和效率，同時也提高了算法的求解精度和速度，確保了充電站配置方案的最優(yōu)化，同時減少了算法陷入局部最優(yōu)的風險；通過迭代優(yōu)化過程，找到了充電站配置的最優(yōu)解，能夠根據(jù)實時數(shù)據(jù)和用戶行為，動態(tài)調(diào)整充電站的配置，以適應不斷變化的市場需求，提升了充電基礎設施的整體性能，降低了用戶的充電成本，同時增強了電網(wǎng)的靈活性和可靠性，本發(fā)明在提高電網(wǎng)的運行穩(wěn)定性、實現(xiàn)充電站與電網(wǎng)高效協(xié)同以及提升電動汽車充電系統(tǒng)的運行效率和經(jīng)濟性方面都取得更加良好的效果。