具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

下面结合附图，对本发明的技术方案作进一步具体的说明：

充电负荷曲线计算的重点在于建立电动汽车起始充电时间和起始荷电状态的数学函数模型。电动汽车总的日充电负荷即为所有接入电网充电的电动汽车充电负荷之和。通过每辆电动汽车的起始充电时间，起始荷电状态，求出每辆车的日充电负荷曲线。将所有电动汽车的日充电负荷曲线累加，可计算出电动汽车充电站的总充电负荷曲线。各类车辆的起始充电时间，起始荷电状态如下表所示：

表1各类车辆的起始充电时间以及荷电状态

附图1为充电站负荷计算流程图，由附图2可知，电网的原始日负荷曲线的波谷在2:00-7:00，14:00-17:00，其中5:00和15:00为最低点；波峰分别在11:00-13:00、19:00-21:00，其中12:00、20:00为最高点，23点之后，负荷曲线开始呈下降趋势。

由附图3可知，电动汽车充电的原始日负荷曲线的波谷在7:00-12:00，18:00-21:00；波峰分别在13:00-16:00、22:00-次日5:00，21点之后，负荷曲线开始呈上升趋势。

由附图4可知，电网日负荷曲线的波谷与电动汽车日负荷曲线的波峰在黑色箭头所指虚线区域内，电网日负荷曲线的波峰与电动汽车日负荷曲线的波谷在绿色箭头所指虚线区域内，这表明电动汽车的高峰用电时刻与电网的用电高峰是不冲突的，甚至还有互补的趋势，因此可以利用这种趋势，通过有效的电动汽车充电站充放电方案来减小电网负荷峰谷差。

基于上述分析，本发明在电网的原始日负荷曲线的波谷时间段内，即00:00-6:00，14:00-16:00使电动汽车充电站对电动汽车进行大规模充电，在其余时间段内，开放部分充电桩对电动汽车进行充电。在电网的原始日负荷曲线的波峰时间段内，即10:00-13:00、19:00-21:30，对电动汽车充电站进行放电，这样既满足了电动汽车充电的需求，也能够平滑电网的负荷曲线，达到削峰填谷的目的，具体比例如下表所示：

表2电动汽车充电站充放电比例表

为验证所提方案的有效性，本发明采用典型工作日的电动汽车充电情况进行模拟。电动汽车充电负荷仿真时间为00:00至24:00，时间间隔为十分钟，分段潮流数据提取时间为00:00至24:00，时间间隔为1分钟。

电动汽车充电站设有60个充电桩，以十分钟为一间隔开始仿真，每个电动汽车的荷电状态都存在一定差异，这导致电动汽车充电站每一分钟都可能有汽车进站和出站，按表1所示，各类车辆的起始充电时间服从正态分布，在一段时间段内，电动汽车种类不变，变动的数目(进站出站)差别不大，达到一定时间后，电动汽车的种类开始发生变化，通过仿真电动汽车充电站的运行状态，得到考虑每一时刻汽车出站和进站情况下的电动汽车在电动汽车充电站充电的数量，充电站内每一时刻每一辆电动汽车所需的电量之和就为充电站的负载容量，电动汽车充电站通过负荷曲线的峰值来确定容量，各类电动汽车的电池容量大小如下表所示：

表3各类电动汽车电池容量表

为研究方便,本发明在计算前做了以下假设：

1)电动汽车数量已经达到一定规模，电动汽车充电站能够一直保持在工作状态。

2)本发明采用30节点路-电耦合网络，数据以算例为准，电动汽车充电站在仿真时间段内依次接入各节点。

3)电动汽车的种类服从泊松分布，电动汽车数量服从正态分布,根据电动汽车日负荷曲线仿真的结果，电动汽车充电站的容量为1.3MW，车主的期望荷电状态均为1,充电桩效率η取0.95。

4)电动汽车常规充电功率为2～4KW，快速充电功率为32～64KW，本发明的充电过程简化为恒功率特性，取常规充电功率为3KW，快速充电功率为48KW。

一种基于灰狼算法的电动汽车充电站布点规划方案，考虑其基于削峰填谷的调节效益以及对电网的影响，采用灰狼算法求解最优方案。所述数学模型如下：

1.目标函数1：

目标函数中，S₁表示母线节点电压偏差量，U_bus-i表示母线节点电压，U_N表示额定电压，N表示母线节点数。

目标函数2：

目标函数中，S₂表示交流电有功功率裕度，P_EV代表与节点i相连的交流线的平均功率，P_k代表与节点i相连的交流线的有功功率水平，M代表与节点i相连的交流线总数。

目标函数3：

目标函数中，S₃是电力系统网损的目标函数，U_i和U_j分别是节点i和节点j的电压幅值；G_ij为节点i和节点j间的支路的电导；N_L为输电线路集合；θ_i，θ_j为节点i和节点j的电压的相角。

目标函数4：

目标函数中，S₄代表交通流量的目标函数，F_i，F_j为线路起点i,终点j的车辆权重系数，d_{EVCS_k}代表交通路网中路径k的长度。

目标函数5：

目标函数中，S_{n_CS}表示第n个充电站对EV用户的吸引力，电动汽车充电站的充电范围越大越好，本方案将通过灰狼算法对规划方案求解，为适应算法规则，S₅代表电动汽车充电站充电范围的倒数，即S₅越小，代表充电范围越大。

根据电动汽车充电站的工作时段，分两种情况来考虑电动汽车充电站对电网的影响，目标函数如下式所示：

S_C＝k₁S₁+k₂S₂+k₃S₃+k₄S₄+k₅S₅

S_F＝k₆S₁+k₇S₂+k₈S₃+k₉S₄+k₁₀S₅

S＝a_c×S_C+a_f×S_F

K₁+K₂+K₃+K₄+K₅＝1

K₆+K₇+K₈+K₉+K₁₀＝1

a_c+a_f＝1

S_C、S_F为电动汽车充电站在充电和放电时刻的目标函数，K₁、K₂……K₁₀为子目标在总目标里的比例系数，a_c，a_f为权重系数，分别表示充电和放电时刻的目标函数在总目标函数里所占的比例，可根据实际需要进行调节，S₁、S₂、S₃、S₄、S₅分别为母线节点电压偏差量、交流线有功功率裕度水平、全网的网损水平，交通流量和充电站服务范围，S为考虑电动汽车充电站的充放电能力后，所得到的目标函数。

2.约束条件：

1)节点电压约束

U_imin≤U_i≤U_imax

式中：U_imax、U_imin为节点i处电压的最大值和最小值。

2)支路容量约束

式中：P_ij、Q_ij为支路上的有功和无功；

S_ijmax为支允许的最大容量。

3)电动汽车充电数量及总需求约束

N_EV≤N_EVCS

式中：N_EV为电动汽车的充电数量，N_EVCS为电动汽车充电站的允许充电台数，T为电动汽车充电站内充电桩的数量，S_CDZ为充电桩的容量，S_EV为电动汽车的容量，SOC为电动汽车的剩余电量。

4)功率平衡方程约束：

式中：P_i、Q_i是在节点i处输入的有功功率和无功功率；

P_Li、Q_Li为节点i处负荷的有功功率和无功功率；

G_ij、B_ij为支路的电导和电纳；

U_i、U_j为节点i、j的节点电压；

P_DGi、Q_DGi是分布式电源向节点i注入的有功功率和无功功率；

θ_ij为电压的相角差

5)充电站数量约束

0≤n_{i_EVCS}≤1

式中：n_{i_EVCS}为节点i处电动汽车充电站的数量，在规划过程中，每个路网节点智能建设一座电动汽车充电站。

6)电动汽车充电站服务范围约束

2≤N_{EVCS_i}≤10

式中：N_{EVCS_i}，N_{EVCS_k}分别为第i个和第k个电动汽车充电站的影响范围包含节点数。

7)电动汽车充电站重合度约束

式中：N_{EVCS_i}，N_{EVCS_k}分别为第i个和第k个电动汽车充电站的影响范围包含节点数，即电动汽车充电站服务范围，ξ表示两个电动汽车充电站服务范围内相同的节点数，即重合度。在本方案规划方案中，每个电动汽车充电站的重合度不宜过高。

3.采用灰狼优化算法对所述数学模型进行求解，如附图9所示，具体包括如下步骤：

步骤1：输入各节点负荷量、支路阻抗水平以及电源水平等；

步骤2：根据模型参数和约束条件对电动汽车充电站的容量和各个狼群的位置进行初始化，即M个电动汽车充电站的初始位置；

步骤3：根据初始化狼群的位置，通过第三章所提的配电网动态数据提取方法，对目标函数值进行计算；

步骤4：根据计算的结果进行寻优判断，最优解作为领头狼，更新a和协同系数向量A，同时更新当前解对猎物影响的随机权重C；

步骤5：根据电动汽车充电站的初始位置计算和比较的结果，更新狼群的分级和各个狼群的移动方向，通过式确定狼群的新方位；

步骤6：根据式D＝|CX_P(t)-X(t)|，X(t+1)＝X_P(t)-AD对电动汽车充电站的最优布点进行靠近包围；

步骤7：根据步骤2，在包围的过程中，对每一次狩猎的结果进行求解，保留最优解，判断是否达到停止条件，满足则狩猎接受，否者返回步骤2继续求解；

步骤8：直到求得最优解或达到最大收敛次数，输出电动汽车充电站的最优布点规划方案；

4.为了验证本发明方法的有益效果，进行了以下仿真实验：

本方案采用IEEE 30的配电网和30个路网节点的耦合框架进行仿真分析，相应的配电网-交通网耦合框架如附图10所示，图中节点间的单位距离为1KM,相应的充电站的位置用网格填充表示，且在附图10中充电站数量以M取3为例。且各个节点的影响因子权重如下表所示：

表4影响因子权重表

1)单座充电站规划方案仿真

在IEEE-30节点标准算例中，1,2,5,8,11,13为参考节点和PV节点，一般为电厂和电站，因此不作为电动汽车充电站布点的节点考虑。当M＝1时，采用灰狼算法进行优化求解，在求解过程中，以十次循环为一周，取每一周的最后一次求解结果，通过数据的提取来体现灰狼算法寻优的过程，提取结果如下表所示：

表5单座充电站方案表

当单座电动汽车充电站按本方案所提规划方案接入路-电耦合网络时，通过灰狼算法，各个方案的交通流量和服务范围如下表所示：

表6路网因数表

交通流量目标函数值的设定为满足灰狼算法优化算法的寻优，设定为倒数的形式，即目标函数值越小，表示该节点交通流量越大，所以由上表可知，方案6的交通流量优于其他方案的流量值。方案4的服务范围节点数因为式2≤N_{EVCS_i}≤10的约束，选取为10个服务节点，具体各个方案的服务范围节点图见附图18-23。

且通过灰狼算法得到目标函数S_C的优化数据,各个方案的数据对比如附图11所示：

由附图11可知，当单座电动汽车充电站作为负载接入路-电耦合网络时，方案6的目标函数值与其他方案相比是最优的。但本方案所提规划方案不仅要考虑电动汽车充电站的负载特性，还要考虑电动汽车充电站的储能特性，所以当单座电动汽车充电站作为电源接入路-电耦合网络时，通过灰狼算法得到目标函数S_F的优化数据,各个方案的数据对比如附图12所示：

由附图12可知，方案5与方案6的目标函数值明显优于另外的四个方案，这也体现出了灰狼算法的寻优过程及其有效性，方案5比方案6的服务范围略大，但是方案6的电压偏差和功率裕度都是明显优于方案5的，结合表6，附图18-23，方案5中电动汽车充电站的服务范围虽大于方案6，但是电动汽车充电站的位置太过于接近耦合网络末端，地理位置没有方案6合理。

结合目标函数S_C和S_F的值，根据公式S＝a_c×S_C+a_f×S_F，当单座电动汽车充电站接入配电网时，得到6个方案的优化数据，相应的优化结果如附图13所示：

结合表6以及上述方案对比，可知方案6对应的目标函数值最优，因此单座电动汽车充电站接在17号节点相应指标会更好。当电动汽车充电站作为负荷接入配电网时，在24小时各个节点的电压偏差如附图14所示：

在24小时各个节点的功率裕度如附图15所示：

当电动汽车充电站作为电源接入配电网时，在24小时各个节点的电压偏差如附图16所示：

在24小时各个节点的功率裕度如附图17所示：

方案1-6的电动汽车充电站在路网中的服务范围见附图18-23。

由上述仿真结果可知，按本方案所提优化方案，当单座电动汽车充电站接入路-电耦合网络时，可以在满足充电需求的同时，使服务范围最大化，并能有效的减小电动汽车充电站对电网的影响，稳定电网的运行。

2)多座充电站规划方案仿真

当M＝3时，按本方案所提方案对路-电耦合网络进行布点规划，同单座充电站规划方案仿真中所述，对灰狼算法优化过程中的求解方案进行抽样提取，具体方案如下表所示：

表7多座充电站方案表

结合交通路网，通过灰狼算法求解，当电动汽车充电站按照上述方案接入后，各个方案的交通流量与服务范围如下表所示：

表8路网因素表

如上表所示，方案6中电动汽车充电站所在节点的交通流量都优于其他方案，方案3-5因为式2≤N_{EVCS_i}≤10的约束，最小为2节点，最大为10节点，具体各个方案的服务范围节点图见附图31-36。

当电动汽车充电站作为负荷接入路-电耦合网络时，各个方案的优化数据对比如附图24所示：

如附图24所示，方案6的目标函数明显优于另外五个方案，再考虑电动汽车充电站的电源特性，当多座电动汽车充电站作为电源接入路-电耦合网络时，通过灰狼算法得到的各个方案的目标函数S_F的优化数据如附图25所示：

如附图25所示，当电动汽车充电站作为电源接入耦合网络时，方案6的各个目标函数同样为最优的。

结合目标函数S_C和S_F的值，根据公式S＝a_c×S_C+a_f×S_F，当多座电动汽车充电站接入路-电耦合网络时，得到6个方案的优化数据，相应的优化结果如附图26所示：

结合表8以及上述方案对比，可知方案6对应的目标函数值最优。当电动汽车充电站作为负荷接入配电网时，在24小时各节点的电压偏差如附图27所示：

在24小时各个节点的功率裕度如附图28所示：

当电动汽车充电站作为电源接入配电网时，在24小时各个节点的电压偏差如附图29所示：

在24小时各个节点的功率裕度如附图30所示：

方案1-5的电动汽车充电站在路网中的服务范围如附图31-36所示：

各个方案的服务范围信息表如下表所示：

表9服务范围信息表

由上表可知，方案6的覆盖范围最大，在整个路-电耦合网络内，方案6的无覆盖节点数也是最少的，虽然它的服务范围重合率略高于方案3-5，但是通过比较附图31-36，方案3的无覆盖节点数太多，无法满足EV用户的需求，方案4与方案5虽服务范围重合度占优，但电动汽车充电站所处位置相较于方案6较差，方案4中电动汽车充电站所处节点略偏向路-电耦合网络前段，方案5中电动汽车充电站所处节点较偏向网络末端，方案6中的位置可以最大的满足EV用户的需求，综上所述，方案6相较于其他方案为最优方案。

3)基于削峰填谷的调节效益仿真

电动汽车充电站按本方案所提优化方案接入路-电耦合网络后，能够有效的降低负荷高峰，填补负荷低谷，单个电动汽车充电站参与调节后的电网日负荷曲线如附图37-38所示：

附图37-38截取电网部分日负荷曲线，电动汽车充电站按本方案所提方案对电网日负荷曲线进行调节后，可看出有明显的削峰填谷趋势。

由于容量的限制，本方案电动汽车充电站对配电网负荷曲线的调节并不明显，但按照本方案所提优化方案，当电动汽车充电站的站数达到一定规模后，电动汽车充电站群参与调节后的电网日负荷曲线如附图39所示:

如附图39所示，日负荷曲线的波动得到了明显的抑制，电动汽车充电站对电网放电降低了电网的负荷高峰，电动汽车充电站对EV充电提高了电网的负荷低谷，稳定了电网的运行。由此可见当电动汽车充电站按本方案所提充放电方案进行优化运行后，能够对电网日负荷曲线进行有效的调节，达到削峰填谷的目的，提高供电可靠性，这也充分证明了本方案所研究的电动汽车充电站规划方案的有效性。

4)优化算法比较

本方案通过将灰狼算法和PSO算法的寻优过程以及结果进行对比，比较结果如附图40所示：

如附图40所示，灰狼算法在收敛速度以及求解精度上都优于PSO算法，相较于PSO算法，灰狼算法算法在满足求解精度的同时，求解速度更快，所占内存更小，这也体现了本方案基于灰狼算法的电动汽车充电站最优布点规划方案的可靠性。

本发明中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。