基于优化粒子群算法的城市电动汽车充电站规划*

马玉清

引言

随着环境污染的日益加重和石油资源的紧张，再加上政府的扶持，越来越多的人将电动汽车作为了自己购车的新选择。题主说提的正好和如今现状相反，如今不是不建议购买电动汽车，而是大力扶持电动汽车的发展。和环境污染问题的不断加重，各个国家越来越重视电动汽车发展，电动汽车成为节能与环保的低碳汽车的发展方向。在欧美等区域的发达国家电动汽车已处于逐渐普及阶段，中国政府制定了到2020年电动汽车用户数量达到500万辆的目标[1]。

有关调查表明，影响消费者购买电动汽车的最大阻碍并不是价格，最大原因是消费者认为电动汽车技术不成熟，质量稳定性不敢保证；充换电麻烦、充电基础设施不完善、电池安全性差等因素也是主要原因，充电的便捷性已成为制约电动汽车应用的主要瓶颈之一。

1 电动汽车充电站规划需要考虑的因素

电动汽车充电站建设时需要首先满足所在城市电动汽车发展的要求总体规划和电网规划；其次，要结合区域用户的电荷分布和需求特点，考虑到所有电动汽车使用者的需求，充分考虑提供服务的便捷性；另外，经济成本上要充分考虑充电站建造和后期运营成本，使充电站承建企业、运营企业及充电用户都能接受服务单价，实现综合利益最大化等。

1.1 服务半径

充电站的选址需要考虑城市的近远期规划，充分满足城市的交通综合服务能力。充电站的位置应满足所在城市的电网系统规划，一般来说距离负荷中心较近为好。电动汽车充电站服务半径应考虑到交通密集程度，结合实际情况考虑服务半径，并预留充电站扩建场地，，从近期和远期上都能方便用户充电。

1.2 用户充电需求

电动汽车充电站布局时要充分考虑到用户充电服务需求满足的便捷性，不仅地理位置，还有充电的快捷和经济性。对用户来说，使用电动汽车，不仅在于节约能约和环保，还要求使用便捷性和普通燃油汽车使用基本一致。

1.3 充电站服务的限制

每个电动汽车充电站的最大服务能力是有限的，在建站时要考虑到电动汽车充电站网络的综合布局，对充电高峰需求时做到合理快速分流，比如充换电服务或者临时提供其他乘用工具方便用户出行。

2粒子群算法

2.1粒子群算法理论

求解优化问题的，算法中每个粒子都代表问题的一个潜在解，每个粒子对应一个由适应度函数决定的适应度值。粒子的速度决定了粒子移动的方向和距离，速度随自身及其他粒子的移动经验进行动态调整，从而实现个体在可解空间中的寻优。粒子群算法首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征，适应度值由适应度函数计算得到，其值的好坏表示粒子的优劣。粒子在解空间中运动，通过跟踪个体极值Pbest和群体极值Gbest更新个体位置。个体极值Pbest是指个体所经历位置中计算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置。粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest位置。

2.2粒子群优化算法流程

（1）初始化粒子群：初始化粒子群体（群体规模为n），包括随机位置和速度。（2）计算每个粒子适应度：评价每个粒子的适应度。（3）寻找粒子个体的最优位置：对每个粒子，将其当前适应值与其个体历史最佳位置（pbest）对应的适应值做比较，如果当前的适应值更高，则将用当前位置更新历史最佳位置pbest。（4）寻找粒子群的最优位置：对每个粒子，将其当前适应值与全局最佳位置（gbest）对应的适应值做比较，如果当前的适应值更高，则将用当前粒子的位置更新全局最佳位置gbest。（5）不断更新位置和速度：根据公式更新每个粒子的速度与位置。（6）如未满足结束条件，则返回步骤2，通常算法达到最大迭代次数或者最佳适应度值的增量小于某个给定的阈值时算法停止。

3基于优化粒子群算法的电动汽车充电站规划

电动汽车充电站布局要满足充电站运营企业的获取商业利润需求，并兼顾充电用户的利益。城市电动汽车充电站布局优化的目标是在满足充电站服务要求和用户充电需求的前提下，建立数学模型，使充电站服务成本和用户充电需求成本之和最小。充电站服务成本包括充电站规划建设投资成本、人力成本、充电站维护成本、充电站故障成本。用户充电需求成本包括用户购电成本、用户路途成本、用户充电等待時间成本。

针对带有用户充电服务要求和充电站充电需求限制的充电站布局优化问题，提出电动汽车充电站布局优化的数学模型。采用与电动汽车充电站布局相似的Voronoi图划分电动汽车充电站的服务范围，保证服务范围内的充电汽车需求点到该充电站的距离小于到其他充电站的距离。Voronoi图按照最邻近原则划分平面，Voronoi图的思想与研究内容相符，故采用Voronoi图划分充电汽车充电站的服务范围。但Voronoi 图是划分部分区域的局部最优，不适用于全局寻优。故引入具备全局寻优能力的优化粒子群算法求解问题。

云模型和粒子群相结合是改进粒子群算法惯性权重大小的一种策略。云模型可将定性信息转为定量信息，又有易于与其他方法结合的特点，故云模型多用来控制智能进化算法的参数，完成算法的优化。所以云模型算法适于改进粒子群算法。云模型自适应算法先求出第t次迭代粒子群体搜索到的极值信息和单个粒子在第t代的适应度值的比值，用此比值将种群划分为3个区域，每个区域里的种群位置和速度更新时分别采用不同惯性权重W，其中种群离全局最优值较远时，为提高全局搜索能力，让粒子快速向最优解位置靠拢，粒子速度更新时用较大惯性权重； 种群离全局最优值较近时，为提高局部搜索能力，让粒子更精确地向最优解位置靠拢，速度更新时用较小惯性权重；种群处于中间范围时，其位置处于不确定状态，用云模型将粒子不确定的定性信息转换成确定的定量信息，进行惯性权重的调整。

4结论

采用结合优化粒子群算法建立的城市电动汽车充电站的选址规划，充分考虑了包含建设方、使用方都多方的综合社会效益和经济效益，有利于进一步发展促进更多用户选择购买电动汽车，有利于节约资源和保护环境，有利于促使经济可持续发展。

基金：安徽省高等职业教育创新发展行动计划精品在线开发课程——数字电子技术（XM-06-02）；安徽省高校自然科学研究一般项目（KJ2017B001）；安徽省职业与成人教育学会教育科研规划重点课题（azjxh17023），安徽省级重大教学研究项目（2016jyxm0122）。