基于混合差分蜂群算法的城市电动汽车充电站布局规划

李菁华，张　峥，方　达，张欣宜，鞠默欣，

(1.东北电力大学 电气工程学院,吉林 吉林 132012；2.国网辽宁省电力公司 大连供电公司,辽宁 大连 116021；3.国网陕西省电力公司 西安供电公司,西安 710032；4.国网吉林省电力公司 电力科学研究院,长春 130021；)



基于混合差分蜂群算法的城市电动汽车充电站布局规划

李菁华1，张峥1，方达2，张欣宜3，鞠默欣4，

(1.东北电力大学 电气工程学院,吉林 吉林 132012；2.国网辽宁省电力公司 大连供电公司,辽宁 大连 116021；3.国网陕西省电力公司 西安供电公司,西安 710032；4.国网吉林省电力公司 电力科学研究院,长春 130021；)

考虑城市内电动汽车的动态分布以及充电站建设的规模、成本等，建立以充电站的建设成本、运营成本和输电损耗为基础，以道路交通流量为约束条件，充分考虑区域地理条件、运行成本等综合优化模型。在确定目标函数的基础上，使用混合差分蜂群算法优化区域内充电站的空间布局。混合了差分进化算法和人工蜂群算法，提高了收敛速度，并且使目标函数值更优。最后用算例证明所使用的模型与优化算法在优化充电站布局方面的可靠性和优越性。

混合差分蜂群算法；电动汽车；充电站

随着石油等石化燃料价格的不断攀升，汽车排放的污染物等带来的环保方面问题的关注度不断提高，节能减排已经是全世界热度最高的课题之一，各领域的研究中都加大了考虑节能减排的力度，新能源汽车在此时迎来了大力发展的机会。世界上的一些发达国家早已展开了对电动汽车的研究与普及，在洛杉矶、巴黎、柏林等城市大兴建设充电站等电动汽车配套设施。在我国，电动汽车的研究起步较晚，近几年的国家政策中越来越多地提出对于发展新能源汽车的相关条款。根据2013年中华人民共和国国家统计局统计年鉴公布的相关统计数据，到2020年，纯电动汽车、充电式混合动力汽车和其他新能源汽车将占据中国10%-20%的乘用车销量，并将逐渐在城市交通中各类型乘用车中占据主导地位，2020年我国电动汽车的保有量将达到2.5亿辆[1]，如此大的规模将对我国电网供用电、市场经济和节能减排策略等方面带来巨大的影响与挑战。因此，发展电动汽车及其相关设施等方面的研究在现实中有着重要的意义。

城市中与电动汽车最相关的就是充电设施的建设，充电设施的完备与否对于电动汽车发展进程有着直接影响。由于我国电动汽车逐渐进入规模化和网络化以及目前城市内部建设的日渐饱和，城市相关规划部门和交通部门主要需要考虑充电设施的优化布局问题。文献[2]提出了适用于多个电动汽车快速直流充电的模型，使用独立的中央控制处理，并用仿真验证该模型在车辆快充和并入电网的可行性。文献[3]将国内外对于电动汽车相关充电设施的发展和现状进行了分析比对，并阐述了在不同类型的新能源汽车的不同充电模式下的特点与差异。文献[4]在研究了电动汽车充电站接入配电网后产生谐波的特点和计算方法的基础上，建立了充电站谐波计算仿真模型，通过对仿真数据及充电站谐波特点的分析，提出了一种简化的充电站谐波工程算法。文献[5]建立电动汽车日换电需求模型，考虑削峰填谷作用利用改进遗传算法与自适应粒子群相结合的混合智能算法对充电站规划进行优化，同时将加权伏罗诺伊图应用于集中型充电站服务区域的划分，实现了集中型充电站负载率的均衡。

现有的文献大多局限于充电设施的运营模式、谐波分析、选址原则等方面的研究，本文首先从定量的角度考虑区域不同类型、土地成本和道路电动汽车数量等，使用以交通流量信息为约束条件，充电站年均综合成本最小化为目标函数的综合优化数学模型，在此基础上将差分进化算法与人工蜂群算法相结合，以更快的收敛速度、更高的搜索精度和更符合优化要求的目标函数值来对电动汽车充电站布局进行优化，最后通过一个实际算例对本文的模型和计算结果的可行性和可靠性进行验证。

1　电动汽车充电站规划布局模型

电动汽车充电站的主要功能是向电动汽车提供满足各种状态下的需要的高质量充电的服务，其在建设和运营过程中需考虑同时充电汽车的数量、道路交通流量等状态信息，以及建设成本、供电损耗、维修费用等经济成本。本文在进行充电站布局优化中使用以各类经济成本为基础，交通流量为约束条件，充电站年均综合成本最小化为目标函数的综合优化模型[6]。

(1)

(2)

(3)

(4)

(5)

(6)

(7)

2　混合差分蜂群算法

2.1人工蜂群算法

人工蜂群算法(Artificial Bee Colony，ABC)是近年新兴的智能算法，在2005年由土耳其学者Karaboga提出[7-8]，主要是通过学习模仿自然界中蜂群在无统一指挥情况下精准确定优质蜜源的智慧行为而提出的算法。人工蜂群算法主要由蜜源、引领蜂、跟随蜂和侦查蜂四部分构成。引领蜂负责发现蜜源，并在数量上与蜜源一一对应；跟随蜂通过与引领蜂交换信息，找到蜜源并进行挑选，其在数量上也对应于蜜源数量；如果引领蜂和跟随蜂在阈值limit次的筛选蜜源过程中不能挑出质量更好的蜜源，引领蜂就会放弃现有的蜜源，并自身转换为侦查蜂去发掘新的蜜源，当发现新蜜源后，其又会重新转化为引领蜂的角色。上述过程中的蜜源就是待优化问题的可能解，引领蜂用来维持优良解，跟随蜂用来提高收敛速度和质量，侦查蜂用来使优化过程摆脱局部最优而从更大范围寻求最优。人工蜂群算法操作简单、控制参数少，不需要外界信息，搜索精度高，其特有的角色转换机制使得收敛速度大大提高。目前，人工蜂群算法已经成功应用于人工神经网络训练、组合优化、电力系统优化、系统和工程设计等多个领域。

但由于该算法时间提出时间较晚，目前的研究成果比较分散且缺乏系统性，而且同很多全局优化算法一样，人工蜂群算法在实际应用中，对于参数的设定有很强的依赖性，对收敛模型的建立的要求也很高。本文使用的混合差分蜂群算法(Hybrid Differential Evolution and Bee Colony Algorithm，HDEBC)是2014年郭童、林峰提出的[9]，是将差分进化算法同人工蜂群算法相结合，两种方法都是启发式的优化算法，都需要进行个体“变异”产生新个体来不断寻求最优解，但由于人工蜂群算法几乎不考虑外部因素，而差分进化算法在“变异”操作过程中更多地吸收外部信息，这使得新产生的个体比原个体有较大的差异，能更早摆脱局部最优而进入更大范围的择优过程。

2.2混合差分蜂群算法

混合差分蜂群算法主要由变异行为、交叉行为和选择行为三部分构成。

(8)

式中：fi为第i个解的适应度值；NP为待优化问题潜在解的个数。

(9)

(10)

用式(10)更新即为将此时的个体与全局最优个体交叉以加快收敛速度，此时的交叉率Pb一般选择为0.05-0.15。

3　基于HDEBC的电动汽车充电站规划布局优化

运用本文所使用的HDEBC算法，对城市电动汽车充电站进行规划的流程如下：

图1　HDEBC算法流理图

1) 算法参数初始化。根据满足区域最大充电需求和不同等级的充电站之间的关系确定充电站数量n的取值范围;

2) 充电站位置初始化。对于不同的充电站数量n及初始种群规模参数，随机给出充电站初始位置;

3) “聚类”操作。针对不同的n，将当前的个体按照就近原则把充电负荷分配到地理位置最近的充电站；当距离某个充电负荷最近的充电站容量达到上限时，则将该充电负荷分配到距离次近的充电站，如此进行直到分配结束为止；考虑其他相关因素，根据式(1)计算出每个优化结果的目标函数值;

4) 引领蜂阶段：针对当前种群，进行差分进化操作，包括变异操作、交叉操作和贪婪选择操作;

5) 跟随蜂阶段：针对当前种群，用轮盘赌选择机制进行差分进化操作;

6) 侦查蜂阶段：针对当前达到阈值Limit次迭代没有更新出更优的个体进行重新初始化操作;

7) 若满足算法终止条件则终止算法，并输出最优解，否则转到步骤3)。

由上述步骤形成的流程图，见图1。

4　算例分析

本文以某市某区为例：该区域总面积22.6 km2，东西跨度4.1 km，南北跨度5.5 km；主干道2条，次干道4条，支路7条；区域常住人口4.2万人，区域内日均车流总量为3.246万辆。拟在该区域内建立若干个电动汽车充电站，使得在目标运行年限为20年的情况下充电站年均综合费用最小。

表1　充电站的等级及相应成本

表2　各类型土地成本

表3　交通流量数据

表4　参数取值表

根据表3和表4的数据，结合算例基本信息，可求得该区域最大同时充电电动汽车数为97。再结合表1的数据，若按1等级充电站建设全区域最少需要建3座充电站，若按4等级充电站建设全区域最多需要建13座充电站。设本算例中需要求得的最优建设方案中的充电站座数为n，则n的取值为[3，13]内的整数。跟据n的不同得到不同的年均综合费用，通过优化得到使年均综合费用最小的n以及具体的年均综合费用值。

表5　优化结果

由于在实际情况中，不同用地性质下的土地征地成本不同，结合表1-表4的数据，可知不同的用地成本与规模对于建站综合成本有着很大的影响。随着充电站建站数量的增加，单个充电站的规模随之缩小，充电机数目和占地面积也随之减少，而单台充电机的本体造价却随之上升。而充电机的本体造价是充电站建设成本的主要构成之一，随着充电站建设数量的上升总建设成本也将随之上升。

图2　建站位置示意图

在运算中，几种参数取值如下：种群规模取值50，惯性因子变化范围为0.4-0.8，变异概率为0.04，学习因子为2.0，限定迭代次数为150次。

基于以上基本数据，对算例进行50次独立运行，得到在[3，13]范围内建设充电站年均综合费用最小值分别为314.45、312.38、316.21、328.72、363.56、420.14、425.34、430.84、453.68、471.2、488.72万元。由以上结果可知，建设3座充电站和5座充电站时目标结果相对较优，建设4座充电站时目标结果最优。同时，根据上述数据从建设4座充电站开始随着建设充电站数量的增加，目标函数值也随之不断上升可以看出，结果同之前的预期完全一致。规划区域建设4座充电站的各充电站等级和坐标位置如表5所示，空间位置如图2所示。同时可以看出，各个充电电站位置也都在各自服务区内满足该区车辆充电的需求。根据国家统计局公布的相关数据可知，电动汽车的数量在整个私人汽车需求量的比重直接影响了对充电站优化建设的结果。随着电动汽车保有率的增加，随机时刻下的电动汽车充电需求也随之增加，同时也加大了对每个需要充电负荷点的就近充电站容量的需求。通过改变电动汽车的保有率ξ的参数，得到不同的充电站优化结果。当ξ值分别取10%(以上计算所使用参数)、20%和40%时，得到的优化结果整理如表6。

表6　不同ξ值下的优化结果

图3　2种算法下的最佳适应度曲线对比

最后将本文所使用的算法优化结果同单一使用人工蜂群算法所得到的优化结果相对比[12]，如图3所示。

从对比图中明显看出，混合了差分进化算法的HDEBC算法在收敛速度上比单一人工蜂群算法快至少10次迭代，并且优化得到的目标函数值也小至少5万元。在迭代前期，HDEBC算法收敛速度很快，并在30次迭代内达到目标函数最小。

运算过程中，对比两种算法在迭代10次和50次时的情况如图4。

图4　HDEBC算法和ABC算法迭代过程对比图

产生差异主要由于人工蜂群算法几乎不采取外部信息，仅靠内部特有的角色转换机制完成多次迭代，而混合差分蜂群算法在每次产生新的个体时都充分考虑到维持种群的多样性，保留更优个体的同时也保留一部分劣质个体，从而避免陷入局部最优的情况。

根据以上分析可知，考虑电动汽车保有率、充电需求点位置、土地成本、建设成本等在不同位置建站对于充电站规划有着不同影响，同时通过算例证明本文所使用的综合优化模型在实际计算中良好的辅助决策作用以及HDEBC算法在电动汽车充电站布局优化问题上的可行性和优越性。

5　结　　论

本文考虑不同等级充电站的服务能力、规模、占地成本以及区域不同等级道路的交通流量信息、电动汽车充电需求点位置等，使用以交通流量信息为约束条件的综合优化模型。基于此使用混合差分蜂群算法，对区域充电站建设数目、规模等进行优化，并得出以下结论：

1)本文使用的综合优化模型考虑了建设充电站成本和电动汽车充电需求成本，较为科学、全面地表述了实际情况下区域电动汽车充电站布局规划过程；

2)HDEBC算法相比于单一的ABC算法具有更好的收敛速度和更低的目标函数值，差分进化算法充分考虑外部信息进行择优变异的特点使HDEBC算法更多地考虑种群多样性，加快了收敛速度与精度避免运行陷入局部最优；

3)算例结果证明本文算法与模型的使用的优越性。

同时，由于HDEBC中的基础算法ABC算法是近几年才提出和推广的算法，其在实际运用中还缺乏实例和系统性，同时同很多智能算法相似，HDEBC算法对于收敛模型的建立有一定的依赖性，在之后的研究中仍需要对HDEBC算法继续丰富和改进。

[1]中华人民共和国国家统计局.中国统计年鉴.2013[M].中国统计出版社，2013.

[2] Arancibia A，Strunz K.Modeling of an electric vehicle charging station for fast DC charging[C]//2012 IEEE International Electric Vehicle Conference.2012：1-6.

[3]陈良亮，张浩，倪峰，等.电动汽车能源供给设施建设现状与发展探讨[J].电力系统自动化，2011，35(14)：11-17.

[4]黄梅，黄少芳.电动汽车充电站谐波的工程计算方法[J].电网技术，2008,32(20)：20-23.

[5]所丽，唐巍，白牧可，等.考虑削峰填谷的配电网集中型充电站选址定容规划[J].中国电机工程学报，2014,34(7)：1052-1060.

[6]刘自发，张伟，王泽黎.基于量子粒子群优化算法的城市电动汽车充电站优化布局[J].中国电机工程学报，2012,32(22)：39-45.

[7]D Karaboga.An idea based on honey bee swarm for numerical optimization[R].Compu- ters Engineering Department,Engineering Faculty,Ericyes University,2005.

[8]D Karaboga.A comparative study of artificial bee colony algorithm[J].Applied Mathematics and Computation,2009,2(14): 108-132.

[9]郭童，林峰.基于混合差分蜂群算法的贝叶斯网络结构学习[J].模式识别与人工智能，2014,27(6)：540-545.

[10] 北京市质量技术监督局.DB11/Z 728-2010 电动汽车电能供给与保障技术规范：充电站[S].北京：北京市质量技术监督局，2010.

[11] 任玉珑，史乐峰，张谦，等.电动汽车充电站最优分布和规模研究[J].电力系统自动化，2011，35(14)：53-57.

[12] 张成，滕欢.电动汽车充电站规划模型及评价方法[J].电力系统及其自动化学报，2014，28(1)：49-52.

Optimal Planning of Charging Station for Electric Vehicle Based on Hybrid Differential Evolution and Bee Colony Algorithm

LI Jing-hua1,ZHANG Zheng1,FANG Da2,ZHANG Xin-yi3,JU Mo-xin4

(1.Northeast Dianli University,Jilin Jilin 132012；2.State Grid Liaoning Province Power Company Dalian Electric Power Supply Company,Liaoning Dalian 116021；3.State Grid Shaanxi Province Power Company Xi’an Electric Power Supply Company, Xi’an 710032；4.State Grid Jilin Province Power Company Power Research Institute,Changchun 130021)

Considered within the dynamic distribution of urban electric vehicle and the scale and cost of charging station，an integrated optimization model was pretend based on construction costs，running costs，power supply loss and the geographical conditions of a district.Based on the determined objective function，the spatial layout of charging station is optimized using hybrid differential evolution and bee colony algorithm(HDEBC).This algorithm mixed differential evolution algorithm and artificial bee colony algorithm to improve the convergence speed and optimize the objective function value.Finally，an example is present in the paper to prove the reliability and superiority of the running of the algorithm in the charging station layout optimization.

Hybrid differential evolution and bee colony algorithm；Electric vehicle；Charging station

2016-04-12

李菁华(1992-)，女，吉林省吉林市人，东北电力大学电气工程学院在读硕士研究生，主要研究方向：计算机在电力系统中的应用、电动汽车充电站优化布局.

1005-2992(2016)04-0084-08

TM72

A