基于NS-MFO的電動汽車充電網(wǎng)絡(luò)優(yōu)化規(guī)劃

趙金龍 張衛(wèi)鋼 魏秀嶺 杜傳祥

摘 要： 在傳統(tǒng)汽車逐漸被電動汽車取代的時代環(huán)境中，存在能源充電補給站的位置規(guī)劃問題。提出一種基于NS-MFO的電動汽車充電網(wǎng)絡(luò)優(yōu)化規(guī)劃，根據(jù)能源補給充電站的多目標(biāo)因素，采用飛蛾螺旋形搜索。完成NS-MFO適應(yīng)度計算，配置NS-MFO飛蛾火焰算法流程，最終得出能源補給充電站的位置網(wǎng)絡(luò)優(yōu)化規(guī)劃。

關(guān)鍵詞： NS-MFO; 適應(yīng)度; 擁擠距離

中圖分類號： TM715 ? ? ?文獻標(biāo)志碼： A

Abstract： In the era that the traditional vehicle is gradually replaced by the electric vehicle， there are problems in the location planning of the energy charging station.In this paper， an optimal planning of EV charging network based on NS-MFO is proposed. According to the multi-objective factors of energy supply charging station， moth spiral search is adopted.The fitness calculation of NS-MFO is completed， and the algorithm flow of NS-MFO moth flame is configured. Finally， the location network optimization plan of energy supply and charging station is obtained.

Key words： NS-MFO; adaptive degree; crowding-distance

0 引言

我國是人口大國，科技的進步，人們對物質(zhì)文明的需求和汽車價格的降低，導(dǎo)致人們對汽車的擁有率與日俱增，人們感受到便利的同時，也帶來大量的尾氣量，促使人們逐漸面臨空氣環(huán)境質(zhì)量嚴(yán)峻的考驗。傳統(tǒng)能源汽車帶來的尾氣污染問題，受到人們的關(guān)注，替代傳統(tǒng)能源的電動汽車應(yīng)運而生，且受到極大的關(guān)注和扶持[1]。電動汽車的發(fā)展和普及過程中，制約其飛速發(fā)展的關(guān)鍵因素之一就是能源問題，因此，電動汽車充電網(wǎng)絡(luò)優(yōu)化規(guī)劃則是必不可少的研究問題，充電所需的充電站和網(wǎng)絡(luò)布局是研究的重點問題。

電動能源是電動汽車能否順利運營的關(guān)鍵因素，而充電站是能夠保證電動汽車有效運行的基礎(chǔ)支撐，同時完成對電動汽車維護和檢測等附加服務(wù)，此項基礎(chǔ)支撐的完備，直接制約電動汽車發(fā)展前景。在當(dāng)今電動汽車的市場化過程中，如何建立高效的充電網(wǎng)絡(luò)能源補給和附加增值服務(wù)，是電動汽車成功進入普適階段的關(guān)鍵因子。充電安裝設(shè)備、維護、土地等基礎(chǔ)設(shè)施都將制約電動汽車的價格成本，那么研究如何節(jié)約成本，如何實現(xiàn)普及電動汽車應(yīng)用，如何進行電動汽車充電網(wǎng)絡(luò)優(yōu)化規(guī)劃，則成為當(dāng)前研究的關(guān)鍵所在。

1 NS-MFO飛蛾火焰模型

進行電動汽車的充電站以及充電的網(wǎng)絡(luò)的規(guī)劃以及建設(shè)過程中，應(yīng)該充分考慮和衡量多方面的制約因素，這主要涉及到土地資源成本、充電設(shè)備成本以及建成后的社會效益，既要衡量充電站自身的成本也要考慮電動汽車使用者的利益[2]。因此，構(gòu)建電動汽車充電站規(guī)劃與布設(shè)的數(shù)學(xué)模型，將總的建設(shè)和消耗的成本最優(yōu)化為電動汽車充電站規(guī)劃的多目標(biāo)數(shù)學(xué)函數(shù)，使電動汽車的充電站建設(shè)投資及年運行費用之和最小[3-4]。

夜間活動的飛行昆蟲依靠光線導(dǎo)航，如若在飛行昆蟲的飛行區(qū)域放置光源，飛行昆蟲則依靠其發(fā)散光線等角螺旋式飛行，最終飛向光源。這一自然現(xiàn)象最終由Mirjalili于2015年提出飛蛾火焰優(yōu)化算法（MFO），本文為解決多目標(biāo)問題的求解，Savsani[5]對MFO算法進行改進，提出非支配飛蛾火焰算法（NS-MFO）[6]。NS-MFO飛蛾火焰算法求解多目標(biāo)規(guī)劃問題五步模型如下[7]。

第一步：系統(tǒng)random產(chǎn)生原始飛蛾種群，根據(jù)原始飛蛾種群計算適應(yīng)度排序和火焰number，構(gòu)造火焰子陣;

第二步：飛蛾螺旋式靠近火焰光源，更新二代飛蛾族群;

第三步：更新完成之后，根據(jù)火焰數(shù)量的計算，合并未排序的飛蛾種群，排序之后，再次對排序整體的前半族群進行火焰子陣劃分;

第四步：飛蛾螺旋式接近火焰光源，同時更新族群位置和計算當(dāng)代飛蛾族群的適應(yīng)度數(shù)值，為下次迭代準(zhǔn)備;

第五步：判定是否結(jié)束，如若未達到接近火焰閾值，則返回第三步，否則終止迭代并記錄族群位置信息[8]。

判定NS-MFO在處理多目標(biāo)問題是否有效，本文采用三種測試函數(shù)對其進行測試，即Test_ZDT1、Test_ZDT2和Test_ZDT3，目標(biāo)維數(shù)30，取值范圍[0，1]，三種測試函數(shù)如表1所示。

2 NS-MFO網(wǎng)絡(luò)規(guī)劃

2.1 NS-MFO算法流程

NS-MFO算法求解充電站網(wǎng)絡(luò)規(guī)劃多目標(biāo)優(yōu)化流程，如圖2所示。

NS-MFO算法求解充電站網(wǎng)絡(luò)規(guī)劃多目標(biāo)優(yōu)化流程如下。

1） NS-MFO算法流程起始初始化最大站點、種群規(guī)模和最大迭代次數(shù)等參數(shù)進入，Random原始飛蛾種群，每迭代一次，計數(shù)值i加1;

2） 同時計算火焰數(shù)量f，判斷計數(shù)值i是否為1，如若為1，則跳過對新種群與上一次迭代未排序種群合并的步驟，直接進入飛蛾靠近火焰，更新種群;

3） 且判斷i是否等于k，如若達到效果，則直接輸出結(jié)果，否則再次進行迭代。

在NS-MFO算法中，飛蛾和火焰都是后備解，飛蛾圍繞火焰螺旋形搜索，依靠其趨光性，其展現(xiàn)一條螺旋曲線的位置更新路徑，趨光螺旋如式（1）。Mi=Diebtcos（2πt）+Fj

（1）式中的Di=Fj-Mi表示第i飛蛾與第j火焰之間的距離，b為螺旋形狀常數(shù)，決定螺旋線的形狀。t則為[-1，1]之間的隨機數(shù)值，若取極限值-1和1時，則可在其為-1時，飛蛾距離火焰下一位置最近;否則其值為1時，表示飛蛾距離火焰下一位置最遠(yuǎn)[9-10]。

2.2 NS-MFO適應(yīng)度計算

NS-MFO適應(yīng)度計算首先計算種群個體目標(biāo)值，根據(jù)計算的目標(biāo)值完成非支配分層，每一層擁擠程度通過擁擠距離d進行計算，擁擠度公式如式（2）。dij=fi+1j-fi-1jfmaxj-fminj

（2） ?適應(yīng)度最后整體排序之后，完成輸出，計算適應(yīng)度時，最優(yōu)個體適應(yīng)度為1，最劣個體適應(yīng)度為0，可按等間距取0-1的數(shù)值，NS-MFO適應(yīng)度計算流程，如圖3所示。

公式（2）中的i+1、i-1為第i相鄰個體，i為個體序號，j為目標(biāo)函數(shù)序號，dij為第i個體的第j個目標(biāo)函數(shù)上的擁擠距離，f為個體序號在目標(biāo)函數(shù)上的值，fmaxj和fminj為第j個目標(biāo)函數(shù)的最大和最小值。適應(yīng)度最優(yōu)為1，最差的為0，取值范圍在[0，1]之間，分層層級越小，個體則優(yōu);分層同層情況，擁擠距離越大，則越優(yōu)。

3 NS-MFO案例分析

本文以西安市雁塔區(qū)為例，整個雁塔區(qū)擬規(guī)劃建設(shè)30個節(jié)點，種群個體坐標(biāo)和車流量，如表2所示。

根據(jù)公式2完成對NS-MFO適應(yīng)度核心計算。虛擬電動汽車的充電效率為95%，電動汽車的充電站固有成本為90 w和運行年限15年，充電站的發(fā)展前景率為15%。充電站電價標(biāo)準(zhǔn)為0.5元/kW·h;運行耗電量0.2 kW·h/km。根據(jù)NS-MFO流程進行計算，計算劃分30個電動汽車能源供給區(qū)域。

為保證NS-MFO的多目標(biāo)問題有效性，采用表1測試函數(shù)進行測試，維數(shù)30，范圍[0，1]，計算擁擠度d，完成NS-MFO適應(yīng)度計算，配置NS-MFO飛蛾火焰算法流程，計算電動汽車充電站的網(wǎng)絡(luò)規(guī)劃和成本總額，本文西安雁塔區(qū)能源補給全年成本曲線，如圖4所示。

根據(jù)本文能源補給成本曲線數(shù)據(jù)和種群個體特性，可計算出能源補給充電最優(yōu)配置，如表3所示。

由西安雁塔區(qū)能源補給全年成本曲線曲線特性，在雁塔區(qū)建設(shè)4處能源補給站時，消耗總計成本可降至585.29萬元。因此NS-MFO的多目標(biāo)問題求解，可計算出其能源補給站服務(wù)網(wǎng)絡(luò)劃分位置，如圖5所示。

4 總結(jié)

本文以西安市雁塔區(qū)為例，在一定的調(diào)研和假設(shè)數(shù)據(jù)基礎(chǔ)上，保證NS-MFO的多目標(biāo)問題有效性，采用表1測試函數(shù)進行測試，維數(shù)30，范圍[0，1]，計算擁擠度d，完成NS-MFO適應(yīng)度計算，配置NS-MFO飛蛾火焰算法流程，完成對電動汽車能源補給充電網(wǎng)絡(luò)進行規(guī)劃和優(yōu)化，大大降低整體的費用消耗，體現(xiàn)其規(guī)劃的實用性。

參考文獻

[1] Hwoon M. A tool to optimize the initial distribution of hydrogen filling stations [J].Transportation Research （Part D）， 2007， 12（2）：70-82.

[2] Upchurch C， Kuby M. Comparing the P-median and flow-refueling models for locating alternative-fuel stations [J]. Journal of Transport Geography，2010， 18（6）：750-758.

[3] 孫小慧，劉鍇，左志. 考慮時空間限制的電動汽車充電站布局模型研究[J].科學(xué)進展， 2012，31（6）：692-699.

[4] Wang Y W，Lin C C. Locating multiple types of recharging stations for battery-powered electric vehicle transport [J].Transportation Research （Part E）， 2013（58）：76-87.

[5] 路志英， 葛少云，王成山.基于粒子群優(yōu)化的加權(quán)Voronoi圖充電站規(guī)劃[J].中國電機工程學(xué)報，2009，29（16）：35-41.

[6] 任玉瓏，史樂峰，張謙，等.電動汽車充電站最優(yōu)分布和規(guī)模研究[J].電力系統(tǒng)自動化，201l，35（14）：53-57.

[7] 程俊博.ZigBee無線技術(shù)在智能交通信號采集系統(tǒng)設(shè)計中的運用[J].微型電腦應(yīng)用，2019，35（6）：24-26.

[8] 劉卓然，陳健，林凱，等.國內(nèi)外電動汽車發(fā)展現(xiàn)狀與趨勢[J].電力建設(shè)，2015，36（7）：25-32.

[9] 盧芳. 基于排隊論的電動汽車充電站選址定容研究[D].北京：北京交通大學(xué)，2015.

[10] 左益. 基于全局優(yōu)化和局部學(xué)習(xí)的進化多目標(biāo)優(yōu)化算法[D]. 西安：西安電子科技大學(xué)，2016.

（收稿日期： 2020.02.22）