(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111653174.4 (22)申请日 2021.12.3 0 (71)申请人 南通大学 地址 226019 江苏省南 通市啬园路9号 (72)发明人 张新松　李大祥　董健　郭傲伟　 赵至哲　高宁宇　张齐　 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/18(2020.01) G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06Q 50/30(2012.01) G06N 3/12(2006.01) G06F 111/04(2020.01)G06F 111/06(2020.01) G06F 111/08(2020.01) (54)发明名称 一种多目标电动汽车充电网络规划方法 (57)摘要 本发明涉及电动汽车充电网络的技术领域， 公开了一种多目标电动汽车充电网络规划方法。 包括： S1： 给定规划边界条件； S2： 建立同时考虑 电动汽车平均充电行驶距离最短与充电网络建 设成本最低的充电网络多目标机会约束规划模 型； S3： 设计染色体编码方案以及交叉、 变异操作 算子， 采用基于可行性法则的非支 配遗传算法求 解充电网络多目标机会约束规划模 型， 给出充电 网络多目标机会约束规划模型的Pareto解集； S4： 从Pareto解集中投资成本最低的解出发， 根 据边际投资收益最大原则确定最优充电网络规 划方案。 本发 明降低了电动汽车至充电站的平均 行驶距离与充电网络建 设成本。 权利要求书4页 说明书11页 附图3页 CN 114329783 A 2022.04.12 CN 114329783 A 1.一种多目标电动汽车充电网络规划方法， 其特 征在于， 包括以下步骤： S1： 设定规划边界条件， 所述规划边界条件包括： 交通网络拓扑结构与参数、 充电站候 选地址、 各候选场址的充电站建设成本、 充电站建设总数、 充电行驶里程阀值和置信度； 所 述充电站候选地址均为交通网络中的交通节点； S2： 建立同时考虑电动汽车平均充电行驶距离最短与充电网络建设成本最低的充电网 络多目标机会约束规划模型， 所述充电网络多目标机会约束规划模型的机会约束包括充电 行驶距离 机会约束和充电站建 设总数约束； 所述电动汽车平均充电行驶距离最短可用如下公式表示： 其中， Dave为整个交通网络中的电动汽车平均充电行驶距离， ΩR为交通网络中的道路集 合， i为交通网络中的道路索引， Ti为道路i的车流量， dav,i为道路i上行驶电动汽车的平均充 电行驶距离； 所述充电网络建 设成本最低可用如下公式表示： 其中， Ctotal为电动汽车充电网络建设成本， Ccon,j为在候选地址j建设充电站的建设成 本， N为充电站候选场址总数； 所述充电行驶距离机会约束是指充电行驶距离低于给定里程阀值的概率不超过事先 给定置信度的概 率， 可用如下公式表示： 其中， pi为道路i上EV充电行驶里程 不超过充电行驶里程阀值的概 率， β 为置信度； S3： 采用基于可行性法则的非支配遗传算法对所述充电网络多目标机会约束规划模型 进行求解， 给出所述充电网络多目标机会约束规划模型的Pareto 解集； 其中， 所述采用基于可行性法则的非支配遗传算法对所述充电网络多目标机会约束规 划模型进行求 解具体包括以下步骤： S31.设定 遗传算法参数， 包括： 种群规模Npop， 交叉率Pc， 变异率Pm与最大进化代数Gmax； S32.随机生成由Npop条染色体组成的父代种群Q1,1； 父代种群Q1,1中的染色体为N个码位 组成的二进制码串， 第j个码位取值为 “1”表示在候选场址j建设充电站， 否则， 不在候选场 址j建设充电站； 各染色体有且仅有M个码位取值 为“1”； S33.令g＝0， g为进化代数索引； S34.令g＝ g+1， 开始第g代进化， 采用二元锦标赛法对父代种群Q1,g进行复制操作、 交叉 操作与变异操作， 生 成临时种群Q2,g， 临时种群Q2,g的种群规模为Npop， 并将临时种群Q2,g与父 代种群Q1,g合并， 构成待 进化种群Q3,g， 待进化种群Q3,g的种群规模为2Npop； S35.计算进化种群Q3,g中各条染色体代表的规划方案中电动汽车至最近充电站的平均 行驶距离Dave,k、 充电网络的综合建设成本Ctotal,k与电动汽车充电行驶距离不超 过给定里程权　利　要　求　书 1/4 页 2 CN 114329783 A 2阀值的概 率Pev,k； S36.基于可行性法则确定待进化种群Q3,g中所有染色体的优先度， 并根据各染色体的 优先度对染色体进行排序， 然后根据各个染色体的优先度在待进化种群Q3,g中的排序设计 染色体适应度； 所述基于可 行性法则确定待 进化种群Q3,g中所有染色体的优先度具体为： 在待进化种群Q3,g中， 将满足机会约束的染色体归入可行解集， 根据Pareto支配原理对 可行解集中的所有染色体进行 分层， 将每 一层级的所有染色体按充电网络建设 成本Ctotal从 小到大进 行排序后计算每一层级中各染色体的虚拟适应度； 将不满足机会约束的染色体归 入非可行解集， 计算非可行解集中每个染色体的约束违反程度， 并按照以下原则确定各染 色体的优先度； (1)可行解集中的染色体的优先度高于非可 行解集中的染色体； (2)可行解集中， 染色体所属层级越低， 优先度越高； 染色体所属层级相同时， 虚拟适应 度大的染色体优先度高， 虚拟适应度的计算方法如下式所示： 其中， Fr,n为第r层、 第n个染色体的虚拟适应度； rmax为待进化种群Q3,g中可行解集 的染 色体层级数； nr为第r层染色体的个数； 为第r层、 第n+1个染色体对应的充电网络综合 建设成本， 为其对应的平均充电行驶距离； 为第r层、 第n ‑1个染色体对应的充电 网络综合建 设成本， 为其对应的平均充电行驶距离； H为给定的一个大 数； (4)非可行解集中， 染色体的约束违反程度越小， 优先度越高， 约束违反程度计算公式 如下： 其中， CV表示某染色体对应的规划方案的约束违反程度， Pev为某染色体对应的规划方 案中电动汽车充电行驶距离不超过 给定里程阀值的概 率； S37.判断进化代数索引g是否等于最大进化代数Gmax； 若g＝Gmax， 则继续执行步骤S38； 否则， 采用 “精英选择”策略， 取前Npop条染色体作为父代种群， 并跳转至步骤S34； S38.将可行解集中第一层级的染色体作为电动汽车充电网络多目标机会约束规划模 型的Pareto 最优解集输出； S4.以所述Pareto解集中充电网络综合建设成本最低的充电网络规划方案为基准， 根 据边际投资收益 最大原则确定最优充电网络规划方案 。 2.根据权利要求1所述的多目标电动汽车充电网络规划方法， 其特征在于， 所述道路i 上行驶EV的平均充电行驶距离的计算公式如下： 其中， ld,i为道路i的长度； fi(x)为道路i上距起 点距离为x处的EV的充电行驶距离 。 3.根据权利要求1所述的多目标电动汽车充电网络规划方法， 其特征在于， 所述道路i 的车流量由交通网络最短路径集 合Ωq中经过道路i的最短路径车流 量求和而得；权　利　要　求　书 2/4 页 3 CN 114329783 A 3