張家浩　李國慶　劉琳　余彬　龍莉娟　陳杰

摘要：隨著國家大力發(fā)展新能源汽車的政策，電動汽車和充電基礎(chǔ)設(shè)施規(guī)模不斷擴(kuò)大，如何科學(xué)地規(guī)劃充電網(wǎng)點(diǎn)成為亟待解決的問題。本文根據(jù)分期規(guī)劃的原則，采用基于注意力機(jī)制的長短期記憶網(wǎng)絡(luò)進(jìn)行充電需求預(yù)測，使用量子粒子群優(yōu)化算法進(jìn)行近期充電網(wǎng)點(diǎn)選址定容，然后根據(jù)Voronoi圖來劃分遠(yuǎn)期充電站服務(wù)區(qū)域，從而建立了充電網(wǎng)點(diǎn)精準(zhǔn)規(guī)劃模型。通過對杭州市錢江世紀(jì)城區(qū)域進(jìn)行驗(yàn)證，表明本文模型在科學(xué)規(guī)劃充電網(wǎng)點(diǎn)的同時，能夠?qū)崿F(xiàn)電網(wǎng)、企業(yè)、用戶的多方共贏。

關(guān)鍵詞：充電網(wǎng)點(diǎn)規(guī)劃;長短期記憶神經(jīng)網(wǎng)絡(luò);量子粒子群優(yōu)化;Voronoi圖

中圖分類號：TP183? ? ? ? 文獻(xiàn)標(biāo)識碼： A

文章編號：1009-3044（2021）06-0215-03

Abstract： As the country vigorously develops new energy vehicles， the scale of electric vehicles and charging infrastructure continues to expand. How to scientifically plan charging outlets has become an urgent problem to be solved. According to the principle of staged planning， this paper adopts an attention mechanism-based Long Short-Term Memory Neural Network to predict charging demand， uses Quantum Particle Swarm Optimization algorithm to select the location and capacity of charging network， and then divide the long-term charging station according to the Voronoi diagram. The service area has thus established a precise planning model for charging network points. The verification of the Qianjiang area in Hangzhou shows that this model can achieve a win-win situation for power grids， enterprises， and users while scientifically planning charging points.

Key words： Charging Network Planning; Long Short-Term Memory Neural Network; Quantum Particle Swarm Optimization; Voronoi Diagram

隨著電動汽車用戶數(shù)量不斷增加，如何科學(xué)地規(guī)劃和管理充電網(wǎng)點(diǎn)亟待解決的問題。傳統(tǒng)的電動汽車充電網(wǎng)點(diǎn)規(guī)劃主要從電動汽車用戶充電的便利性或者是充電基礎(chǔ)設(shè)施運(yùn)營商的效益角度出發(fā)。文獻(xiàn)[1-2]考慮用戶出行需求，以最小化電動汽車用戶空駛距離為目標(biāo)進(jìn)行選址。文獻(xiàn)[3]以建設(shè)投資和運(yùn)行成本最低為目標(biāo)進(jìn)行規(guī)劃，文獻(xiàn)[4]考慮車網(wǎng)互動技術(shù)（Vehicle to Grid，V2G）和分時電價，以充電站年總收益最大為目標(biāo)進(jìn)行選址定容。文獻(xiàn)[5-8]兼顧用戶和運(yùn)營商利益，規(guī)劃結(jié)果不僅可滿足用戶出行需求，還能提高運(yùn)營商的利益。但文獻(xiàn)[1-8]都沒有考慮到電動汽車充電站與電網(wǎng)之間的關(guān)系。

因此，本文對多源異構(gòu)數(shù)據(jù)進(jìn)行價值挖掘。首先利用深度學(xué)習(xí)，對近期、遠(yuǎn)期充電負(fù)荷需求進(jìn)行全方位的預(yù)測研究;然后建立了考慮用戶、企業(yè)和電網(wǎng)的多因素優(yōu)化目標(biāo)函數(shù)，利用量子粒子優(yōu)化算法對充電網(wǎng)點(diǎn)選址和定容進(jìn)行建模分析;最后利用錢江某區(qū)域的近期、遠(yuǎn)期充電網(wǎng)點(diǎn)選址定容的結(jié)果，驗(yàn)證了模型的有效性和準(zhǔn)確性。

本文作出的貢獻(xiàn)有：

1）提出了基于用戶、企業(yè)和電網(wǎng)綜合目標(biāo)最優(yōu)的充電網(wǎng)點(diǎn)分期規(guī)劃模型，從提高綜合效益;

2）以杭州市錢江某區(qū)域作為算例進(jìn)行試驗(yàn)，研究成果可對我國電動汽車充電站規(guī)劃提供借鑒和指導(dǎo)。

1模型構(gòu)建

充電網(wǎng)點(diǎn)規(guī)劃模型主要分為區(qū)域充電需求預(yù)測、充電網(wǎng)點(diǎn)數(shù)量確定、近期充電網(wǎng)點(diǎn)選址定容、遠(yuǎn)期充電網(wǎng)點(diǎn)覆蓋四步。

1）區(qū)域充電需求預(yù)測。利用現(xiàn)有的歷史數(shù)據(jù)，使用基于注意力機(jī)制的長短期記憶神經(jīng)網(wǎng)絡(luò)算法，預(yù)測出近期和遠(yuǎn)期的充電負(fù)荷需求。

2）充電網(wǎng)點(diǎn)數(shù)量確定。綜合考慮影響充電網(wǎng)點(diǎn)數(shù)量的影響因素，形成一組滿足約束條件的不等式，然后通過線性規(guī)劃方法求得區(qū)域內(nèi)近期和遠(yuǎn)期充電網(wǎng)點(diǎn)規(guī)劃數(shù)量。

3）近期充電網(wǎng)點(diǎn)選址定容。建立電網(wǎng)、用戶、企業(yè)多目標(biāo)優(yōu)化函數(shù)，結(jié)合AHP層次分析法確定權(quán)重系數(shù)，然后通過量子粒子群優(yōu)化算法求得區(qū)域內(nèi)近期網(wǎng)點(diǎn)的位置和容量。

4）遠(yuǎn)期充電網(wǎng)點(diǎn)覆蓋細(xì)化。在優(yōu)化目標(biāo)函數(shù)中增加遠(yuǎn)期高彈性電網(wǎng)目標(biāo)，得出區(qū)域內(nèi)遠(yuǎn)期網(wǎng)點(diǎn)位置和容量，使用Voronoi圖確定每個充電站服務(wù)區(qū)域，從而可以在服務(wù)區(qū)域內(nèi)反向指導(dǎo)高彈性電網(wǎng)的建設(shè)規(guī)劃工作。

1.1 區(qū)域充電需求預(yù)測

電動汽車充電量預(yù)測作為一種受多因素影響的時序預(yù)測問題，適合使用長短期記憶（Long Short-Term Memory，LSTM）神經(jīng)網(wǎng)絡(luò)模型通過捕獲數(shù)據(jù)之間的前后依賴關(guān)系來處理。本文的充電需求預(yù)測考慮了到區(qū)域歷史充電負(fù)荷、GDP、電動汽車保有量等多種因素。為了減少局部波動數(shù)據(jù)對算法整體預(yù)測的干擾，給經(jīng)典的LSTM算法增加注意力機(jī)制，模型自動訓(xùn)練出針對各部分的關(guān)注力度大小。

以杭州市數(shù)據(jù)最為充分、最具代表性的錢江某區(qū)域?yàn)槔?。首先使用基于注意力機(jī)制的長短期記憶模型對區(qū)域內(nèi)的電動汽車充電需求進(jìn)行預(yù)測，包括如下3個步驟：

1）確定模型參數(shù)。使用2層LSTM模型，每層包含50個隱藏單元。

2）訓(xùn)練模型。模型訓(xùn)練采用2010年至2019年的相關(guān)數(shù)據(jù)歷史，將其序列化后再輸入模型，使用Adam優(yōu)化器進(jìn)行訓(xùn)練。

3）實(shí)際預(yù)測。預(yù)測輸出2021年（近期）和2023年（遠(yuǎn)期）的充電需求分別可達(dá)46.5981萬千瓦時、53.2930萬千瓦時。

1.2 充電網(wǎng)點(diǎn)數(shù)量確定

考慮交通流量、充電負(fù)荷、建設(shè)成本和站間距離4個約束條件，構(gòu)建了如下一組不等式，用于確定區(qū)域內(nèi)的充電網(wǎng)點(diǎn)數(shù)量：

交通流量約束：區(qū)域內(nèi)年平均車輛流量≤充電站用戶流量負(fù)載能力;

充電負(fù)荷約束：區(qū)域內(nèi)充電基本需求量≤總充電站點(diǎn)的充電負(fù)荷量≤區(qū)域內(nèi)總供電負(fù)荷;

建設(shè)成本約束：總規(guī)劃成本/最大建站成本≤充電網(wǎng)點(diǎn)數(shù)量≤總規(guī)劃成本/最小建站成本;

充電站間距離約束：站間最小距離≤充電站距離最近現(xiàn)有充電站距離≤站間最大距離

求解出同時滿足4項(xiàng)約束的網(wǎng)點(diǎn)規(guī)劃數(shù)量為2～6。在這個范圍中，選取最小值2作為能夠滿足錢江某區(qū)域近期需要并進(jìn)行優(yōu)先規(guī)劃的網(wǎng)點(diǎn)數(shù)量，選取最大值6作為遠(yuǎn)期規(guī)劃的網(wǎng)點(diǎn)數(shù)量。

1.3? 近期充電網(wǎng)點(diǎn)選址定容

網(wǎng)點(diǎn)選址需全方位考慮用戶需求、電網(wǎng)布局、建設(shè)成本等多個因素，可轉(zhuǎn)化為一個尋找多因素平衡最優(yōu)點(diǎn)的問題。本文選擇了量子粒子群優(yōu)化QPSO算法，優(yōu)點(diǎn)在于可以通過各個智能體之間能通過相互協(xié)作來更好地適應(yīng)環(huán)境，最終輸出多因素相互平衡的全局最優(yōu)結(jié)果。

為將各因素考慮進(jìn)量子粒子群算法中，建立優(yōu)化目標(biāo)函數(shù)F，如下所示：

各指標(biāo)的權(quán)值C1～C5采用AHP層次分析法對各個單目標(biāo)的相對重要性建立判斷矩陣，然后采用求解矩陣特征值的方法解出權(quán)重。

經(jīng)過綜合計(jì)算，確定優(yōu)化函數(shù)中的權(quán)重值為：C1=0.1、C2=0.07、C3=0.20、C4=0.27、C5=0.36。

設(shè)定參數(shù)值粒子群大小100和迭代次數(shù)200之后，算法迭代并輸出所有充電站點(diǎn)的最優(yōu)規(guī)劃位置。再根據(jù)所得網(wǎng)點(diǎn)位置的優(yōu)化函數(shù)評分進(jìn)行充電負(fù)荷容量分配，最終得到充電網(wǎng)點(diǎn)規(guī)劃位置和對應(yīng)容量。

1.4? 遠(yuǎn)期充電網(wǎng)點(diǎn)覆蓋

遠(yuǎn)期網(wǎng)點(diǎn)的優(yōu)化函數(shù)增加了高彈性系數(shù)E，更新優(yōu)化目標(biāo)函數(shù)F，如下所示：

E表示電網(wǎng)彈性系數(shù)，為電網(wǎng)可調(diào)節(jié)負(fù)荷占電網(wǎng)總負(fù)荷的預(yù)期比例。

在遠(yuǎn)期規(guī)劃中，目標(biāo)函數(shù)F的系數(shù)權(quán)重C1=0.10、C2=0.07、C3=0.18、C4=0.22、C5=0.28、C6=0.15。

使用Voronoi圖確定充電網(wǎng)點(diǎn)服務(wù)區(qū)域，對網(wǎng)點(diǎn)覆蓋的開關(guān)站進(jìn)行劃分，從而引導(dǎo)高彈性電網(wǎng)的建設(shè)。當(dāng)遠(yuǎn)期規(guī)劃網(wǎng)點(diǎn)的覆蓋范圍內(nèi)沒有現(xiàn)成的開關(guān)站或者數(shù)量不足時，需要在長期網(wǎng)點(diǎn)建設(shè)之前在相應(yīng)范圍內(nèi)提前建設(shè)好開關(guān)站，來促進(jìn)電網(wǎng)和充電網(wǎng)點(diǎn)協(xié)同發(fā)展。

2實(shí)驗(yàn)結(jié)果

根據(jù)本文提出的充電網(wǎng)點(diǎn)規(guī)劃模型和相關(guān)數(shù)據(jù)，求得錢江某區(qū)域近期（2021年）和遠(yuǎn)期（2023年）充電網(wǎng)點(diǎn)分期規(guī)劃位置與容量。結(jié)果如表1所示。

將當(dāng)前電動汽車用戶行車軌跡的熱力分布圖與規(guī)劃網(wǎng)點(diǎn)的選址結(jié)果進(jìn)行可視化，如圖1所示?？梢园l(fā)現(xiàn)充電網(wǎng)點(diǎn)的分布與用戶軌跡密度分布相關(guān)性很大，充電網(wǎng)點(diǎn)位置往往靠近行車密集區(qū)，說明布點(diǎn)有利于提高電動汽車用戶充電的便捷性，但由于考慮到了電網(wǎng)因素，并不會完全與人口分布重合。

本文所提出的充電網(wǎng)點(diǎn)規(guī)劃方法將電網(wǎng)開關(guān)站分布因素納入選址規(guī)劃中，雖然用戶和運(yùn)營商成本略有增大，但電網(wǎng)成本將顯著降低，總體綜合成本相較傳統(tǒng)規(guī)劃大幅降低，取得了更好的綜合效益。

3總結(jié)

城市充電網(wǎng)點(diǎn)的精準(zhǔn)規(guī)劃需要實(shí)現(xiàn)科學(xué)的選址和定容，來提高充電網(wǎng)點(diǎn)的利用率。本文根據(jù)分期規(guī)劃的原則，采用基于注意力機(jī)制的長短期記憶網(wǎng)絡(luò)進(jìn)行充電需求預(yù)測，使用量子粒子群優(yōu)化算法進(jìn)行近期充電網(wǎng)點(diǎn)選址定容，然后根據(jù)Voronoi圖來劃分遠(yuǎn)期充電站服務(wù)區(qū)域，從而建立了充電網(wǎng)點(diǎn)精準(zhǔn)規(guī)劃模型。規(guī)劃方案綜合考慮用戶、企業(yè)和電網(wǎng)的綜合目標(biāo)進(jìn)行選址定容。研究成果可對我國電動汽車充電站規(guī)劃提供借鑒和指導(dǎo)。

參考文獻(xiàn)：

[1] 陳靜鵬，艾芊，肖斐.基于用戶出行需求的電動汽車充電站規(guī)劃[J].電力自動化設(shè)備，2016，36（6）：34-39.

[2] 徐青山，蔡婷婷，劉瑜俊，等.考慮駕駛?cè)诵袨榱?xí)慣及出行鏈的電動汽車充電站站址規(guī)劃[J].電力系統(tǒng)自動化，2016，40（4）：59-65，77.

[3] 張秀釗，陳姝敏，王志敏，等.城市快速路口充電站多目標(biāo)規(guī)劃[J].廣東電力，2018，31（4）：79-83.

[4] 張鑫鈺，強(qiáng)偉，文曉龍，等.考慮V2G模式的電動汽車充電站規(guī)劃[J].現(xiàn)代電力，2019，36（1）：71-78.

[5] 李盛偉，孫巧，白星振，等.面向用戶需求的電動汽車充電站最優(yōu)規(guī)劃模型研究[J].可再生能源，2018，36（4）：568-573.

[6] 譚洋洋，楊洪耕，徐方維，等.基于投資收益與用戶效用耦合決策的電動汽車充電站優(yōu)化配置[J].中國電機(jī)工程學(xué)報，2017，37（20）：5951-5960.

[7] 付鳳杰，方雅秀，董紅召，等.基于歷史行駛路線的電動汽車充電站布局優(yōu)化[J].電力系統(tǒng)自動化，2018，42（12）：72-80.

[8] 麻秀范，王皓，李穎，等.基于變權(quán)Voronoi圖和混合粒子群算法的電動汽車充電站規(guī)劃[J].電工技術(shù)學(xué)報，2017，32（19）：160-169.

【通聯(lián)編輯：梁書】