计算智能在电动车充电站规划的应用研究综述
发布时间：2021-01-31 19:03
虽然近年来电动汽车销售市场在不断扩大,但过低的充电桩利用率使得电动汽车充换电服务运营商的收益并不乐观。通过大数据分析充电站的部署方式可以有效提升充电桩利用率。阐述了演化计算和群体智能主要算法的原理,研究了充电站规划的多目标优化数学模型,论述了演化计算和群体智能在充电站规划中的应用,研究了演化计算和群体智能在充电站规划过程中的改进方式,讨论了人工神经网络和模糊系统应用于充电站规划的可能性,并对发展现状和未来趋势进行了总结与展望。
【文章来源】：计算机工程与应用. 2020,56(02)北大核心
【文章页数】：10 页
【部分图文】：
电动汽车充电大数据应用场景
遗传算法最初由密歇根大学教授Holland提出，是一种通过模仿种群进化过程寻找全局最优解的启发式算法，结合遗传算法基本流程[9-10]，应用于充电站规划的遗传算法流程如图2所示。首先，输入初始站址坐标、充电需求热点和相关路网电网约束条件，通过对站址坐标编码构成初始种群。然后针对每个初始站址计算目标函数值，寻找出初步最优站址。随后按照适应度函数值对站址进行随机选择，通过交叉变异站址编码更新站址位置。再次进行适应度函数计算，比较更新最优站址，判断收敛条件。如果满足收敛条件则输出最优站址规划，否则再次进行交叉变异操作。在应用遗传算法过程中，站址编码与染色体交叉变异的示例如图3所示，初始种群为给定的多种站址方案，如果所选站址建站则该位置表示为1，否则为0，从而采用二进制编码站址方案。交叉操作则为两种站址方案之间某一位置的编码进行互换，而变异操作则可以通过指定某位取反。
在应用遗传算法过程中，站址编码与染色体交叉变异的示例如图3所示，初始种群为给定的多种站址方案，如果所选站址建站则该位置表示为1，否则为0，从而采用二进制编码站址方案。交叉操作则为两种站址方案之间某一位置的编码进行互换，而变异操作则可以通过指定某位取反。在应用遗传算法求解具体问题时，染色体的编码规则、适应度函数的选取、遗传算子的设计以及算法参数的确定上需要针对具体问题分析，这也是应用遗传算法求解问题的难点所在[11-15]。只有通过合适的策略应用遗传算法，才能最大程度地保存种群的多样性，提升算法的准确性，使得算法能够更快地收敛至理想的结果。
【参考文献】：
期刊论文
[1]中国新能源汽车行业发展水平分析及展望[J]. 唐葆君,王翔宇,王彬,吴郧,邹颖,许黄琛,马也. 北京理工大学学报(社会科学版). 2019(02)
[2]考虑驾驶人出行链的电动汽车充电站规划[J]. 王冬,刘继春,曹芷健,牛毅,唐虎,刘俊勇. 电力系统及其自动化学报. 2018(06)
[3]基于模糊多目标优化的电动汽车充电网络规划[J]. 丁丹军,戴康,张新松,顾菊平,周辉,钱科军. 电力系统保护与控制. 2018(03)
[4]基于粗糙集的电动汽车充电站规划综合评价[J]. 刘广,曾成碧,苗虹. 现代电力. 2018(01)
[5]Charging Pile Siting Recommendations via the Fusion of Points of Interest and Vehicle Trajectories[J]. Yuan Kong,Jianping Wu,Ming Xu,Kezhen Hu. 中国通信. 2017(11)
[6]基于深度学习的充电站容量规划方法[J]. 李智,侯兴哲,刘永相,孙洪亮,朱珠,龙羿,徐婷婷. 电力系统保护与控制. 2017(21)
[7]基于变权Voronoi图和混合粒子群算法的电动汽车充电站规划[J]. 麻秀范,王皓,李颖,王超,洪潇. 电工技术学报. 2017(19)
[8]自适应K值的粒子群聚类算法[J]. 白树仁,陈龙. 计算机工程与应用. 2017(16)
[9]智能用电网交互系统负荷预测仿真研究[J]. 张建伟,杨昊,赵永辉,李仕林. 计算机仿真. 2016(09)
[10]电动汽车充电站规划方案的模糊物元评估方法[J]. 谭洋洋,杨洪耕,徐方维,张曦. 电力建设. 2016(09)
硕士论文
[1]锂离子电池公交车与超级电容公交车系统能量效率及能耗综合分析与系统优化[D]. 刘月晨.北京交通大学 2018
本文编号：3011420
【文章来源】：计算机工程与应用. 2020,56(02)北大核心
【文章页数】：10 页
【部分图文】：
电动汽车充电大数据应用场景
遗传算法最初由密歇根大学教授Holland提出，是一种通过模仿种群进化过程寻找全局最优解的启发式算法，结合遗传算法基本流程[9-10]，应用于充电站规划的遗传算法流程如图2所示。首先，输入初始站址坐标、充电需求热点和相关路网电网约束条件，通过对站址坐标编码构成初始种群。然后针对每个初始站址计算目标函数值，寻找出初步最优站址。随后按照适应度函数值对站址进行随机选择，通过交叉变异站址编码更新站址位置。再次进行适应度函数计算，比较更新最优站址，判断收敛条件。如果满足收敛条件则输出最优站址规划，否则再次进行交叉变异操作。在应用遗传算法过程中，站址编码与染色体交叉变异的示例如图3所示，初始种群为给定的多种站址方案，如果所选站址建站则该位置表示为1，否则为0，从而采用二进制编码站址方案。交叉操作则为两种站址方案之间某一位置的编码进行互换，而变异操作则可以通过指定某位取反。
在应用遗传算法过程中，站址编码与染色体交叉变异的示例如图3所示，初始种群为给定的多种站址方案，如果所选站址建站则该位置表示为1，否则为0，从而采用二进制编码站址方案。交叉操作则为两种站址方案之间某一位置的编码进行互换，而变异操作则可以通过指定某位取反。在应用遗传算法求解具体问题时，染色体的编码规则、适应度函数的选取、遗传算子的设计以及算法参数的确定上需要针对具体问题分析，这也是应用遗传算法求解问题的难点所在[11-15]。只有通过合适的策略应用遗传算法，才能最大程度地保存种群的多样性，提升算法的准确性，使得算法能够更快地收敛至理想的结果。
【参考文献】：
期刊论文
[1]中国新能源汽车行业发展水平分析及展望[J]. 唐葆君,王翔宇,王彬,吴郧,邹颖,许黄琛,马也. 北京理工大学学报(社会科学版). 2019(02)
[2]考虑驾驶人出行链的电动汽车充电站规划[J]. 王冬,刘继春,曹芷健,牛毅,唐虎,刘俊勇. 电力系统及其自动化学报. 2018(06)
[3]基于模糊多目标优化的电动汽车充电网络规划[J]. 丁丹军,戴康,张新松,顾菊平,周辉,钱科军. 电力系统保护与控制. 2018(03)
[4]基于粗糙集的电动汽车充电站规划综合评价[J]. 刘广,曾成碧,苗虹. 现代电力. 2018(01)
[5]Charging Pile Siting Recommendations via the Fusion of Points of Interest and Vehicle Trajectories[J]. Yuan Kong,Jianping Wu,Ming Xu,Kezhen Hu. 中国通信. 2017(11)
[6]基于深度学习的充电站容量规划方法[J]. 李智,侯兴哲,刘永相,孙洪亮,朱珠,龙羿,徐婷婷. 电力系统保护与控制. 2017(21)
[7]基于变权Voronoi图和混合粒子群算法的电动汽车充电站规划[J]. 麻秀范,王皓,李颖,王超,洪潇. 电工技术学报. 2017(19)
[8]自适应K值的粒子群聚类算法[J]. 白树仁,陈龙. 计算机工程与应用. 2017(16)
[9]智能用电网交互系统负荷预测仿真研究[J]. 张建伟,杨昊,赵永辉,李仕林. 计算机仿真. 2016(09)
[10]电动汽车充电站规划方案的模糊物元评估方法[J]. 谭洋洋,杨洪耕,徐方维,张曦. 电力建设. 2016(09)
硕士论文
[1]锂离子电池公交车与超级电容公交车系统能量效率及能耗综合分析与系统优化[D]. 刘月晨.北京交通大学 2018
本文编号：3011420
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3011420.html
