本發(fā)明涉及電力系統(tǒng)優(yōu)化,尤其涉及一種基于布谷鳥算法的充電樁配置方法、裝置、設(shè)備及介質(zhì)。
背景技術(shù):
1、隨著我國經(jīng)濟(jì)的高速發(fā)展,電動(dòng)汽車(electric?vehicle,ev)的數(shù)量大幅上升,由于ev充電需求的急劇增加,需要大量的充電站(evcs站)接入電網(wǎng)。但是隨意的建設(shè)evcs,不僅無法滿足ev充電需求的急劇增加,而且還有可能對電網(wǎng)的穩(wěn)定性和經(jīng)濟(jì)性產(chǎn)生不利影響。
2、現(xiàn)有技術(shù)中,對充電站(evcs站)配置往往只考慮充電需求,而僅僅根據(jù)充電需求建設(shè)evcs,不僅無法滿足ev充電需求的急劇增加,而且還有可能對電網(wǎng)的穩(wěn)定性和經(jīng)濟(jì)性產(chǎn)生不利影響。同時(shí),根據(jù)充電需求建設(shè)evcs雖然能夠直接滿足ev擁有者的用車需求,但對于充電站(evcs站)的投資者往往并不友好,使得充電站(evcs站)的建設(shè)成本過高,即,現(xiàn)有技術(shù)對于充電站(evcs站)的配置具有局限性,導(dǎo)致充電站(evcs站)的配置不合理。
技術(shù)實(shí)現(xiàn)思路
1、有鑒于此,本發(fā)明提供了一種基于布谷鳥算法的充電樁配置方法、裝置、設(shè)備及介質(zhì),用于解決現(xiàn)有技術(shù)中對于充電站(evcs站)的配置具有局限性,導(dǎo)致充電站(evcs站)的配置不合理的問題。
2、為達(dá)上述之一或部分或全部目的或是其他目的,本發(fā)明提出一種基于布谷鳥算法的充電樁配置方法,包括:
3、通過目標(biāo)區(qū)域內(nèi)各個(gè)路口的歷史電動(dòng)汽車流量數(shù)據(jù)和電動(dòng)汽車的特征數(shù)據(jù)預(yù)測所述目標(biāo)區(qū)域的充電需求數(shù)據(jù);
4、將所述充電需求數(shù)據(jù)、儲能系統(tǒng)的預(yù)設(shè)儲能數(shù)據(jù)和配電網(wǎng)屬性數(shù)據(jù)帶入預(yù)設(shè)配置模型,得到待解模型;
5、通過預(yù)設(shè)多目標(biāo)布谷鳥搜索算法對所述待解模型進(jìn)行求解,得到所述目標(biāo)區(qū)域內(nèi)的充電樁配置策略,所述預(yù)設(shè)多目標(biāo)布谷鳥搜索算法中的步長參數(shù)設(shè)置為常數(shù),且所述步長參數(shù)與所述預(yù)設(shè)多目標(biāo)布谷鳥搜索算法的迭代次數(shù)成反比。
6、可選地,所述通過目標(biāo)區(qū)域內(nèi)各個(gè)路口的歷史電動(dòng)汽車流量數(shù)據(jù)和電動(dòng)汽車的特征數(shù)據(jù)預(yù)測所述目標(biāo)區(qū)域的充電需求數(shù)據(jù)的步驟,包括:
7、基于所述歷史電動(dòng)汽車流量數(shù)據(jù)建立概率分布模型;
8、通過蒙特卡洛模擬方法和所述概率分布模型,預(yù)測目標(biāo)時(shí)間內(nèi)目標(biāo)區(qū)域內(nèi)各個(gè)路口的平均車流量數(shù)據(jù);
9、基于所述平均車流量數(shù)據(jù)和電動(dòng)汽車的特征數(shù)據(jù)預(yù)測所述目標(biāo)區(qū)域的充電需求數(shù)據(jù)。
10、可選地,所述特征數(shù)據(jù)至少包括總里程數(shù)據(jù)、起始行駛時(shí)刻數(shù)據(jù)和起始剩余電量數(shù)據(jù),所述基于所述平均車流量數(shù)據(jù)和電動(dòng)汽車的特征數(shù)據(jù)預(yù)測所述目標(biāo)區(qū)域的充電需求數(shù)據(jù)的步驟,包括:
11、根據(jù)所述特征數(shù)據(jù)中總里程數(shù)據(jù)的數(shù)學(xué)特性建立第一概率密度函數(shù),并基于所述第一概率密度函數(shù)獲取第一概率分布數(shù)據(jù);
12、通過類比法構(gòu)建針對所述起始行駛時(shí)刻數(shù)據(jù)的第二概率密度函數(shù),并基于所述第二概率密度函數(shù)獲取第二概率分布數(shù)據(jù);
13、通過針對所述起始剩余電量數(shù)據(jù)的預(yù)設(shè)概率密度函數(shù),將所述起始剩余電量數(shù)據(jù)作為隨機(jī)變量,獲取第三概率分布數(shù)據(jù);
14、基于所述平均車流量數(shù)據(jù)、所述第一概率分布數(shù)據(jù)、所述第二概率分布數(shù)據(jù)和所述第三概率分布數(shù)據(jù)預(yù)測所述目標(biāo)區(qū)域的充電需求數(shù)據(jù)。
15、可選地,所述基于所述平均車流量數(shù)據(jù)、所述第一概率分布數(shù)據(jù)、所述第二概率分布數(shù)據(jù)和所述第三概率分布數(shù)據(jù)預(yù)測所述目標(biāo)區(qū)域的充電需求數(shù)據(jù)的步驟,包括:
16、通過基于決策樹的充電需求模型,根據(jù)所述第一概率分布數(shù)據(jù)、所述第二概率分布數(shù)據(jù)和所述第三概率分布數(shù)據(jù)獲得所述目標(biāo)區(qū)域的初始充電需求數(shù)據(jù);
17、基于所述平均車流量數(shù)據(jù)和所述初始充電需求數(shù)據(jù)預(yù)測所述目標(biāo)區(qū)域的充電需求數(shù)據(jù)。
18、可選地,在所述將所述充電需求數(shù)據(jù)、儲能系統(tǒng)的預(yù)設(shè)儲能數(shù)據(jù)和配電網(wǎng)屬性數(shù)據(jù)帶入預(yù)設(shè)配置模型,得到待解模型的步驟之前,還包括:
19、基于第一預(yù)設(shè)條件構(gòu)建第一目標(biāo)函數(shù),所述第一目標(biāo)函數(shù)為表征充電樁聯(lián)合儲能系統(tǒng)的綜合成本符合第一預(yù)設(shè)條件的函數(shù);
20、基于第二預(yù)設(shè)條件構(gòu)建第二目標(biāo)函數(shù),所述第二目標(biāo)函數(shù)為表征電動(dòng)汽車等待時(shí)間符合第二預(yù)設(shè)條件的函數(shù);
21、基于第三預(yù)設(shè)條件構(gòu)建第三目標(biāo)函數(shù),所述第三目標(biāo)函數(shù)為表征配電網(wǎng)電壓波動(dòng)符合第三預(yù)設(shè)條件的函數(shù);
22、聯(lián)立所述第一目標(biāo)函數(shù)、所述第二目標(biāo)函數(shù)和所述第三目標(biāo)函數(shù)得到所述預(yù)設(shè)配置模型中函數(shù)方程組;
23、獲取預(yù)設(shè)約束條件,并基于所述預(yù)設(shè)約束條件和所述函數(shù)方程組得到所述預(yù)設(shè)配置模型。
24、可選地,所述預(yù)設(shè)約束條件至少包括:距離約束條件、充電站容量約束條件、節(jié)點(diǎn)電壓約束條件、儲能系統(tǒng)電量約束條件和儲能系統(tǒng)充放電功率約束條件。
25、可選地,所述通過預(yù)設(shè)多目標(biāo)布谷鳥搜索算法對所述待解模型進(jìn)行求解,得到所述目標(biāo)區(qū)域內(nèi)的充電樁配置策略的步驟,包括:
26、通過預(yù)設(shè)多目標(biāo)布谷鳥搜索算法對所述待解模型進(jìn)行求解,所述目標(biāo)區(qū)域內(nèi)待配置充電樁的預(yù)設(shè)位置、待配置充電樁的第一屬性數(shù)據(jù)和預(yù)設(shè)儲能系統(tǒng)的第二屬性數(shù)據(jù),并根據(jù)所述預(yù)設(shè)位置、所述第一屬性數(shù)據(jù)和所述第二屬性數(shù)據(jù)生成所述目標(biāo)區(qū)域內(nèi)的充電樁配置策略。
27、另一方面,本技術(shù)實(shí)施例提供了一種基于布谷鳥算法的充電樁配置裝置,所述裝置包括:
28、預(yù)測模塊,用于通過目標(biāo)區(qū)域內(nèi)各個(gè)路口的歷史電動(dòng)汽車流量數(shù)據(jù)和電動(dòng)汽車的特征數(shù)據(jù)預(yù)測所述目標(biāo)區(qū)域的充電需求數(shù)據(jù);
29、第一計(jì)算模塊,用于將所述充電需求數(shù)據(jù)、儲能系統(tǒng)的預(yù)設(shè)儲能數(shù)據(jù)和配電網(wǎng)屬性數(shù)據(jù)帶入預(yù)設(shè)配置模型,得到待解模型;
30、第二計(jì)算模塊,用于通過預(yù)設(shè)多目標(biāo)布谷鳥搜索算法對所述待解模型進(jìn)行求解,得到所述目標(biāo)區(qū)域內(nèi)的充電樁配置策略,所述預(yù)設(shè)多目標(biāo)布谷鳥搜索算法中的步長參數(shù)設(shè)置為常數(shù),且所述步長參數(shù)與所述預(yù)設(shè)多目標(biāo)布谷鳥搜索算法的迭代次數(shù)成反比。
31、另一方面,本技術(shù)實(shí)施例提供了一種電子設(shè)備,包括:處理器、存儲器和總線,所述存儲器存儲有所述處理器可執(zhí)行的機(jī)器可讀指令,當(dāng)電子設(shè)備運(yùn)行時(shí),所述處理器與所述存儲器之間通過所述總線通信,所述機(jī)器可讀指令被所述處理器執(zhí)行時(shí)執(zhí)行如上述的基于布谷鳥算法的充電樁配置方法的步驟。
32、另一方面,本技術(shù)實(shí)施例提供了一種計(jì)算機(jī)可讀存儲介質(zhì),其特征在于,所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有計(jì)算機(jī)程序,所述計(jì)算機(jī)程序被處理器運(yùn)行時(shí)執(zhí)行如上述的基于布谷鳥算法的充電樁配置方法的步驟。
33、實(shí)施本發(fā)明實(shí)施例,將具有如下有益效果:
34、通過目標(biāo)區(qū)域內(nèi)各個(gè)路口的歷史電動(dòng)汽車流量數(shù)據(jù)和電動(dòng)汽車的特征數(shù)據(jù)預(yù)測所述目標(biāo)區(qū)域的充電需求數(shù)據(jù);將所述充電需求數(shù)據(jù)、儲能系統(tǒng)的預(yù)設(shè)儲能數(shù)據(jù)和配電網(wǎng)屬性數(shù)據(jù)帶入預(yù)設(shè)配置模型,得到待解模型;通過預(yù)設(shè)多目標(biāo)布谷鳥搜索算法對所述待解模型進(jìn)行求解,得到所述目標(biāo)區(qū)域內(nèi)的充電樁配置策略,所述預(yù)設(shè)多目標(biāo)布谷鳥搜索算法中的步長參數(shù)設(shè)置為常數(shù),且所述步長參數(shù)與所述預(yù)設(shè)多目標(biāo)布谷鳥搜索算法的迭代次數(shù)成反比。通過預(yù)設(shè)多目標(biāo)布谷鳥搜索算法提高了充電樁選址定容的效率,兼顧電動(dòng)汽車的充電需求數(shù)據(jù)、儲能系統(tǒng)的預(yù)設(shè)儲能數(shù)據(jù)和配電網(wǎng)的屬性數(shù)據(jù)(電動(dòng)汽車、儲能系統(tǒng)和配電網(wǎng)三個(gè)方面),使得充電樁的配置更合理。