一種含風光儲的電動汽車充電站容量配比方法
【專利摘要】本發明公開了一種含風光儲的電動汽車充電站容量配比方法，以電動汽車充電需求，通過風機設備和光伏設備的出力數據、以及運行成本，以充電站經濟收益最大化為目標，計算含風光儲的電動汽車充電站中的風機設備、光伏設備、儲能電池和充電樁的容量配比，在滿足區域電動汽車充電需求的基礎上，減小含風光儲的電動汽車充電站建站成本和提高建站規劃的合理性。
【專利說明】
一種含風光儲的電動汽車充電站容量配比方法
技術領域
[0001] 本發明屬于電動汽車技術領域，更為具體地講，涉及一種含風光儲的電動汽車充 電站容量配比方法。
【背景技術】
[0002] 電動汽車的使用需要電動汽車充電站的支撐，目前我國電動汽車充電站的發展還 沒有形成相應的規模，電動汽車充電站的分布主要集中在一線城市，在其他的大部分地區 充電站的建設極其缺乏，隨著國家對新能源汽車的大力推廣，市場對電動汽車充電站的需 求量也會越來越大，電動汽車充電站的建設將成為以后新能源電動汽車發展的重點。
[0003] 風光資源作為可再生資源，已經在全世界得到廣泛應用。我國在新能源方面的應 用也越來越重視：國家十三五計劃大力發展新能源，其中風光能源作為新能源中的重要資 源，其發展也越來越受到關注。中國具有豐富的風光資源，地域廣闊，建立含風光儲的電動 汽車充電站可以有效地利用風光兩種清潔能源，也可以為電動汽車提供充電服務，滿足電 動汽車的快速發展。同時，配比合理的離網型風光儲電動汽車充電站不需要并入大電網，可 以減小大規模電動汽車充電對電網帶來的沖擊。
[0004] 含風光儲的電動汽車充電站是由風機設備、光伏設備、儲能電池與電動汽車充電 站相結合組成的新能源智能微網。離網型的風光儲電動汽車充電站一方面可以利用無成本 的太陽能和光能發電為電動汽車供電，多余的能量可以儲存在儲能電池中。另一方面離網 型充電站不需要并入大電網，減小了大規模電動汽車充電對電網的沖擊。然而，建設含風光 儲的電動汽車充電站仍普遍存在各種問題，其中建設成本昂貴、系統運營收益較低、風光資 源利用效率不高、系統控制成本過高等問題尤為突出。因此，如何對風力發電、光伏發電、儲 能電池的容量進行合理的優化配置，以實現聯合發電系統經濟收益的最優化、提高風光資 源利用率等問題，成為一個必須進行研究的課題。
[0005] 在國內外對新能源容量配比的研究中，對于充電負荷的充電需求數據，通常是根 據歷史數據或者當地實時充電負荷的數據進行的研究，在沒有得到具體的充電負荷數據， 容量配比方法難以進行。本文針對在沒有具體充電負荷數據時，通過統計學方法，研究出電 動汽車充電的功率需求，在此基礎上進行的容量配比研究。

【發明內容】

[0006] 本發明的目的在于克服現有技術的不足，提供一種含風光儲的電動汽車充電站容 量配比方法，在滿足電動汽車充電的前提下，通過對風光儲容量進行配比，來實現電動汽車 建站收益的最大化。
[0007] 為實現上述發明目的，本發明一種含風光儲的電動汽車充電站容量配比方法，其 特征在于，包括以下步驟：
[0008] (1 )、計算每小時正在充電的電動汽車的充電總功率Pk
[0009] (1.1)、計算每臺電動汽車的充電起始時刻f
[0010]設電動汽車的總數量為n，對概率密度函數隨機取值，得到每臺電動汽車的不同充 電起始時刻;
[0012]其中，i = l，2,…,ηΜΜ'μιΜ均為常數；
[0013] (1.2)、計算每臺電動汽車的充電時長ti
[0014]電動汽車充電功率與時間關系滿足：
[0016] 其中，戶為電動汽車充電功率;P。為電動汽車充電設備的充電功率，為恒定值;SOCi 為第i臺電動汽車開始充電時的電量占電池容量的百分比;C為電動汽車電池充滿電時的電 池電量；
[0017] 電動汽車電量與功率關系滿足：
[0019] 結合公式(2)和(3)可以得到每臺電動汽車的充電時長t1;
[0020] (1.3)、計算每小時正在充電的電動汽車的充電總功率Pk
[0021 ]根據充電起始時刻<和充電時長ti，統計出每小時內正在充電的電動汽車的數量 Nk，則每小時內正在充電的電動汽車的充電總功率Pk = Nk · Pc，k = 1，2，…，24，代表一天24 小時；
[0022] (2)、計算風機設備和光伏設備的出力
[0023] 根據預先統計的某一地區平均一年中每小時的風速Vk、光照強度GTk和溫度Tsk，結 合威布爾出力模型，計算出風機設備的出力Pw(k);
[0025]其中，為風力發電機長期穩定工作下的最大功率;Va為能使風力發電機運行的最 小速度;Ve為能使風機在額定狀態下工作的風速;Vb為能使風力發電機損壞的最小風速;m為 威布爾參數；
[0026]結合HOMER光出力模型計算出光伏設備的出力Pv(k);
[0028] 其中，為光伏電池板在標準測試下的穩定運行的最大功率;Sv為常數;Gs為標準 測試條件下的光照強度;DP為常系數;Tc為標準測試下的電池溫度；
[0029] (3)、建立約束條件和目標函數
[0030] 根據步驟(1)得到的充電總功率Pk，以及步驟(2)中得到的風機設備的出力Pw(k)和 光伏設備的出力P v(k)，建立約束條件為：
[0032]其中，Pd為每臺儲能電池的額定功率;Nw、NP、Nd分別為風機設備個數、光伏設備個 數和儲能電池個數;σ為常數;Pz為風光儲電動汽車充電站的裝機容量;dw為風力發電機葉片 直徑、S P每臺光伏設備占地面積、Sd每臺儲能電池占地面積;L為風光儲電動汽車充電站的總 長度、S為風光儲電動汽車充電站的占地總面積；
[0033]建立目標函數為：
[0035] 其中，T為風光儲電動汽車充電站存在收益的天數;Cd為平均一天η臺電動汽車的 充電收益;Co為電動汽車電池容量；為每度電費的價格;r為發電設備折舊額與原始折舊 價格的比例；1為發電設備使用的時間;N」，j = l，2,3分別為風機設備、光伏設備、儲能設備 的臺數;(^，」=1，2,3為風力發電機、光伏設備、儲能設備的單臺價格；
[0036] (4)、利用改進的遺傳算法計算出含風光儲的電動汽車充電站容量配比結果
[0037] (4.1)、初始化種群個數為h、迭代次數為d、交叉概率為P1、變異概率為p 2;
[0038] (4.2)、在步驟(3)中的約束條件下，對風機設備個數Nw、光伏設備個數NdP儲能電 池個數Nd分別隨機賦值成h組不同的風光儲組合；
[0039] (4.3)、將步驟(3)中建立的目標函數設置為適應度函數；
[0040] (4.4)、根據適應度函數計算出每組風光儲組合對應的適應度函數值，再將h組適 用度函數值按從大到小的順序排序；
[0041]將種群個數為h、迭代次數為d代入到公式h(c%)d>l中，計算出滿足常數c的最大 值為f，再按照排好的順序，從h組風光儲組合中選出適應度函數值最大的前h*f %組風光儲 組合；
[0042] (4.5)、根據交叉概率P1、變異概率p2，將h*f %組風光儲組合進行交叉變異操作，生 成新的h*f%組風光儲組合，再判斷新的h*f%組風光儲組合是否滿足步驟(3)中建立的約 束條件，如果滿足約束條件，則進行步驟(4.6);如果不滿足約束條件，則繼續交叉變異，直 到新的h*f%風光儲組合滿足約束條件，再進行步驟(4.6);
[0043] (4.6)、以新的h*f %組風光儲組合為基準，按照步驟(4.5)所述方法進行迭代，直 到迭代次數到達d時，選出第d次迭代時，h*f %組風光儲組合中適應度函數值最大的風光儲 組合，即為容量配比結果。
[0044] 本發明的發明目的是這樣實現的：
[0045] 本發明一種含風光儲的電動汽車充電站容量配比方法，以電動汽車充電需求，通 過風機設備和光伏設備的出力數據、以及運行成本，以充電站經濟收益最大化為目標，計算 含風光儲的電動汽車充電站中的風機設備、光伏設備、儲能電池和充電粧的容量配比，在滿 足區域電動汽車充電需求的基礎上，減小含風光儲的電動汽車充電站建站成本和提高建站 規劃的合理性。
[0046] 同時，本發明一種含風光儲的電動汽車充電站容量配比方法還具有以下有益效 果：
[0047] (1)、通過基于統計學的電動汽車充電功率需求模型，獲得區域電動汽車充電功率 需求；
[0048] (2)、采用威布爾出力模型和HOMER光出力模型分別得到風電設備、光伏設備的出 力曲線；
[0049] (3)、以電動汽車充電功率需求、風光儲裝機容量等約束條件，建立基于電動汽車 充電站充電收益最大化為目標函數的容量配比模型；
[0050] (4)、通過改進的遺傳算法對建立的容量配比模型進行求解，得到風光儲電動汽車 充電站的容量配比最優結果。
【附圖說明】
[0051] 圖1是本發明一種含風光儲的電動汽車充電站容量配比方法流程圖；
[0052] 圖2是電動汽車充電起始時刻的概率分布圖；
[0053] 圖3是電動汽車初始時刻的S0C概率分布圖；
[0054]圖4是某充電站中每個小時正在充電的電動汽車數量；
[0055] 圖5是某地一年中平均每小時的風速數據曲線；
[0056] 圖6是某地一年中平均每小時的光照強度曲線；
[0057]圖7是某地一年中平均每小時的溫度曲線；
[0058] 圖8是某地一年中平均每小時單臺風機設備的出力曲線；
[0059] 圖9是某地一年中平均每小時單臺光伏設備出力曲線；
[0060] 圖10是三種容量配比下的輸出功率與負荷功率。
【具體實施方式】
[0061] 下面結合附圖對本發明的【具體實施方式】進行描述，以便本領域的技術人員更好地 理解本發明。需要特別提醒注意的是，在以下的描述中，當已知功能和設計的詳細描述也許 會淡化本發明的主要內容時，這些描述在這里將被忽略。
[0062] 實施例
[0063] 圖1是本發明一種含風光儲的電動汽車充電站容量配比方法流程圖。
[0064] 在本實施例中，如圖1所示，本發明一種含風光儲的電動汽車充電站容量配比方 法，包括以下步驟：
[0065] S1、計算每小時正在充電的電動汽車的充電總功率Pk
[0066] (1.1)、計算每臺電動汽車的充電起始時刻@
[0067]設電動汽車的總數量為n = 600,通過對電動汽車行駛習慣進行調查，其調查數據 結果用統計學方法進行處理，充電起始時刻近似為正態分布，其概率密度函數如下公式 (1 )，通過對概率密度函數隨機取值，如圖2所示，其中，橫坐標表示0~24小時，縱坐標表示 電動汽車充電起始時刻的概率，進而可以得到每臺電動汽車的不同充電起始時刻< ;
[0069] 其中，i = 1,2,…均為常數;在本實施例中，概率密度函數./?)的隨 機取值范圍為[0·8，1]，μ1=17·6，σ1 = 3·4;μ2 = 14，σ2=1〇·6;
[0070] S1.2、計算每臺電動汽車的充電時長ti
[0071 ]電動汽車充電時長與電動汽車起始充電時刻、起始充電時刻S0C、電動汽車的電池 容量、充電設備功率有關，而電動汽車的電池容量和充電設備的功率是恒定值，因此決定電 動汽車充電時長的關鍵在于起始充電時刻S0C;
[0072] 電動汽車開始充電時的S0C近似于正態分布N(0.2,0.322)，由圖3可以看出電動汽 車初始時刻S0C在0.1~0.3之間的概率比較大，這個結果與實際情況比較相符。一般用戶會 在電動汽車電量達到0.1~0.3左右進行充電，如果充電電量過低可能導致電動汽車續航困 難，如果電動汽車充電電量過高又會導致用戶時間浪費。圖3是由仿真軟件對電動汽車初始 時刻S0C概率密度的仿真結果，其中，橫坐標表示電動汽車起始充電時的S0C值，縱坐標表示 對應S0C值時的概率;對于給定的600輛電動汽車，取概率在0.8~1之間對應的S0C的隨機值 可得到每輛電動汽車初始充電時刻值S0Ci，i = l，2,……,600；
[0073] 下面對每臺電動汽車的充電時長ti的計算方法進行詳細說明，電動汽車充電功率 與時間關系滿足：
[0075] 其中，F為電動汽車充電功率;Pc為電動汽車充電設備的充電功率，為恒定值;SOCi 為第i臺電動汽車開始充電時的電量占電池容量的百分比;C為電動汽車電池充滿電時的電 池電量；
[0076] 電動汽車電量與功率關系滿足：
[0078] 結合公式(2)和(3)可以得到每臺電動汽車的充電時長t1;
[0079] S1.3、計算每小時正在充電的電動汽車的充電總功率Pk
[0080] 在確定了一天24小時電動汽車充電數量、每臺電動汽車充電的起始時刻、每臺電 動汽車充電時長之后，每小時正在充電的電動汽車的充電總功率需求即可確定；
[0081 ] 根據充電起始時刻< 和充電時長ti，統計出600輛電動汽車中，每小時內正在充電 的電動汽車的數量Nk，如圖4所示，則每小時內正在充電的電動汽車的充電總功率Pk = Nk · Pc，k= 1，2,…，24,代表一天24小時，其中，在圖4中，橫坐標表示0~24小時，縱坐標表示正 在充電的電動汽車數量。
[0082] S2、計算風機設備和光伏設備的出力
[0083] 根據預先統計的某一地區平均一年中每小時的風速Vk、光照強度GTk和溫度Tsk，在 本實施例中，收集某地一年的風光資源數據，通過求取平均值得到每小時風力、光照強度和 溫度數據，如表1;
[0085] 表 1
[0086] 由上表可得出平均一年中，每小時的風力、光照強度、溫度曲線，如圖5~7所示，其 中，橫坐標表示0~24小時，縱坐標依次表示風速、光輻射強度和溫度;其次，在本實施例中， 風機設備的型號選擇WPS-10000,其各項參數為:額定功率10kw，最大功率12kw，葉片直徑 6.2m，啟動風速2.6m/s，切出風速20m/s，額定風速10m/s，額定電壓220v，價格49000元;光伏 設備的型號選擇KE-GU5KTL，其各項參數為最大功率5KW，輸出電壓220v，輸出電流22A，價格 45000元;儲能電池的參數為:容量28AH，充放電電壓36V，價格為4000元；
[0087]下面先結合威布爾出力模型，計算出風機設備的出力Pw(k);
[0089] 其中，Pe=12kw為風力發電機長期穩定工作下的最大功率;Va = 2.6m/s為能使風力 發電機運行的最小速度;Ve= 10m/s為能使風機在額定狀態下工作的風速;Vb = 20m/s為能使 風力發電機損壞的最小風速;m = 3為威布爾參數；
[0090] 將表1中的風速數據和風機設備的參數代入公式(4)，可得出圖8所示的每小時單 臺風機設備的出力曲線，其中，橫坐標表示0~24小時，縱坐標表示風力發電機輸出功率；
[0091] 結合HOMER光出力模型計算出光伏設備的出力Pv(k);
[0093] 其中，t=5kw為光伏電池板在標準測試下的穩定運行的最大功率;Sv = 3.5為常 數;Gs= 1000為標準測試條件下的光照強度;DP = -0.47 %為常系數;Tc = 25為標準測試下的 電池溫度；
[0094] 將表1中的光照強度、溫度和光伏設備的參數代入公式(5)可得出圖9所示的每小 時單臺風光伏設備的出力曲線，其中，橫坐標表不〇~24小時，縱坐標表不光伏設備輸出功 率。
[0095] S3、建立約束條件和目標函數
[0096] 在確定了充電總功率、風、光出力之后，開始建立容量配比計算模型，該計算模型 以電動汽車充電功率需求、風光儲裝機容量等作為約束條件，以含風光儲的電動汽車充電 站運行經濟效益最大化為優化目標；
[0097] 電動汽車充電站建站的大前提是滿足電動汽車的充電功率需求，因此充電功率需 求成為了首要的約束條件；
[0098] 其次，電動汽車的充電功率需求是有限的，在建造電動汽車充電站之前需要根據 充電功率的需求對風光儲電動汽車充電站設定一個裝機容量，該裝機容量限制了風光儲發 電設備的個數和功率大小；
[0099] 最后，在規劃建設一個風光儲電動汽車充電站時，其占地面積是事先規劃好的，一 般規定在建造風力發電機時，相鄰的風力發電機之間的距離至少要大于5倍的風機葉片直 徑，可以通過這個規定確定風力發單機臺數與場地長度的關系，因為通常風力發電機在高 處，故一般不考慮風力發電機的地面面積，光伏發電設備和儲能電池通常在地面，故其面積 需要考慮；
[0100]結合上述因素，根據步驟S1得到的充電總功率Pk，以及步驟S2中得到的風機設備 的出力Pw(k)和光伏設備的出力Pv(k)，建立約束條件為：
[0102] 其中，Pd為每臺儲能電池的額定功率;Nw、NP、Nd分別為風機設備個數、光伏設備個 數和儲能電池個數;σ為常數，一般去〇. 2 ;PZ為風光儲電動汽車充電站的裝機容量;dw為風力 發電機葉片直徑、SP每臺光伏設備占地面積、Sd每臺儲能電池占地面積;L為風光儲電動汽車 充電站的總長度、S為風光儲電動汽車充電站的占地總面積；
[0103] 建立目標函數為：
[0105] 其中，T為風光儲電動汽車充電站存在收益的天數;Cd為平均一天η臺電動汽車的 充電收益;Co為電動汽車電池容量為每度電費的價格;r為發電設備折舊額與原始折舊 價格的比例；1為發電設備使用的時間;化，」=1，2,3分別為風機設備、光伏設備、儲能設備 的臺數;(^，」=1，2,3為風力發電機、光伏設備、儲能設備的單臺價格；
[0106] S4、利用改進的遺傳算法計算出含風光儲的電動汽車充電站容量配比結果
[0107] 34.1、初始化種群個數為11=120、迭代次數為(1 = 30、交叉概率為？1 = 0.6、變異概 率為 P2 = 〇 .03;
[0108] S4.2、在步驟S3中的約束條件下，對風機設備個數Nw、光伏設備個數NP和儲能電池 個數Nd分別隨機賦值成h組不同的風光儲組合；
[0109] S4.3、將步驟S3中建立的目標函數設置為適應度函數；
[0110] S4.4、根據適應度函數計算出每組風光儲組合對應的適應度函數值，再將h組適用 度函數值按從大到小的順序排序；
[0111] 將種群個數為h、迭代次數為d代入到公式h(c%)d>l中，計算出滿足常數c的最大 值為f，再按照排好的順序，從h組風光儲組合中選出適應度函數值最大的前h*f %組風光儲 組合；
[0112] S4.5、根據交叉概率P1、變異概率p2，將h*f %組風光儲組合進行交叉變異操作，生 成新的h*f%組風光儲組合，再判斷新的h*f%組風光儲組合是否滿足步驟S3中建立的約束 條件，如果滿足約束條件，則進行步驟S4.6;如果不滿足約束條件，則繼續交叉變異，直到新 的h*f %風光儲組合滿足約束條件，再進行步驟S4.6;
[0113] S4.6、以新的h*f %組風光儲組合為基準，按照步驟S4.5所述方法進行迭代，直到 迭代次數到達d時，選出第d次迭代時，h*f %組風光儲組合中適應度函數值最大的風光儲組 合，即為容量配比結果。
[0114]仿真：
[0116] 表2
[0117] 表2中第一行是通過改進的遺傳算法得出的最優容量配比結果，后面兩組結果是 選擇的種群中滿足約束條件的兩組種群結果，對比可以看出雖然后面組結果滿足了電動汽 車充電的功率需求，但是其十年收益效果沒有第一組的收益好。
[0118] 通過對表2的容量配比結果進行仿真，其結果如圖10所示，其中，橫軸代表0~24小 時，縱軸代表功率；圖10中的"*"、"+"、"〇"、"X"分別表示電動汽車充電負荷、表2中第一行對 應的風光儲出力、表2中第二行對應的風光儲出力、表2中第三行對應的風光儲出力，
[0119] 可以看出三種容量配比的風光儲聯合輸出功率均滿足了電動汽車的充電功率需 求，這是因為三種不同的容量配比是在滿足約束條件下遺傳算法的種群，約束條件中電動 汽車充電負荷限制了風光儲的容量，其區別在于十年的電動汽車充電站收益不同。可以看 出隨著風機臺數達到一定的數量值時隨著風機臺數的增加，收益并沒有增大。其收益結果 是與容量配比結果綜合組合有關，與單項風力發電機、光伏設備、儲能電池的數量沒有直接 的關系。仿真結果表明本發明可以在滿足電動汽車充電功率的前提下，實現電動汽車充電 站建站收益經濟性的最大化。
[0120] 盡管上面對本發明說明性的【具體實施方式】進行了描述，以便于本技術領域的技術 人員理解本發明，但應該清楚，本發明不限于【具體實施方式】的范圍，對本技術領域的普通技 術人員來講，只要各種變化在所附的權利要求限定和確定的本發明的精神和范圍內，這些 變化是顯而易見的，一切利用本發明構思的發明創造均在保護之列。
【主權項】
1. 一種含風光儲的電動汽車充電站容量配比方法，其特征在于，包括以下步驟： (1 )、計算每小時正在充電的電動汽車的充電總功率Pk (1.1) 、計算每臺電動汽車的充電起始時刻彳 設電動汽車的總數量為n，對概率密度函數隨機取值，可以得到每臺電動汽車的不同充 電起始時刻if;其中，i = l，2,…均為常數； (1.2) 、計算每臺電動汽車的充電時長ti 電動汽車充電功率與時間關系滿足：其中，?5為電動汽車充電功率;P。為電動汽車充電設備的充電功率，為恒定值;SOCi為第i 臺電動汽車開始充電時的電量占電池容量容量的百分比；C為電動汽車電池充滿電時的電 池電量； 電動汽車電量與功鑾關系滿圮，結合公式(2)和(3)可以得到每臺電動汽車的充電時長t1; (1.3 )、計算每小時正在充電的電動汽車的充電總功率Pk 根據充電起始時刻^和充電時長ti，統計出每小時內正在充電的電動汽車的數量Nk，貝lj 每小時內正在充電的電動汽車的充電總功率Pk=Nk · Pc，k = 1，2，…，24，代表一天24小時； (2)、計算風機設備和光伏設備的出力 根據預先統計的某一地區平均一年中每小時的風速Vk、光照強度GTk和溫度Tsk，結合威 布爾出力模型，計算出風機設備的出力Pw(k);其中，為風力發電機長期穩定工作下的最大功率;Va為能使風力發電機運行的最小速 度;為能使風機在額定狀態下工作的風速;Vb為能使風力發電機損壞的最小風速;m為威布 爾參數； 結合HOMER光出力模型計算出光伏設備的出力Pv(k);其中，^為光伏電池板在標準測試下的穩定運行的最大功率;Sv為常數;GS為標準測試 條件下的光照強度;DP為常系數;Tc為標準測試下的電池溫度； (3) 、建立約束條件和目標函數 根據步驟（1)得到的充電總功率Pk，以及步驟(2)中得到的風機設備的出力Pw(k)和光伏 設備的出力Pv(k)，建立約束條件可以為：其中，Pd為每臺儲能電池的額定功率;Nw、NP、Nd分別為風機設備個數、光伏設備個數和儲 能電池個數;σ為常數;Pz為風光儲電動汽車充電站的裝機容量;dw為風力發電機葉片直徑、 SP每臺光伏設備占地面積、Sd每臺儲能電池占地面積;L為風光儲電動汽車充電站的總長度、 S為風光儲電動汽車充電站的占地總面積； 建立目標函數為：其中，T為風光儲電動汽車充電站存在收益的天數;Cd為平均一天η臺電動汽車的充電收 益;Co為電動汽車電池容量為每度電費的價格;r為發電設備折舊額與原始折舊價格的 比例；1為發電設備使用的時間;K，j = l，2,3分別為風機設備、光伏設備、儲能設備的臺數； Cj，j = 1，2，3為風力發電機、光伏設備、儲能設備的單臺價格； (4) 、利用改進的遺傳算法計算出含風光儲的電動汽車充電站容量配比結果 (4.1) 、初始化種群個數為h、迭代次數為d、交叉概率為P1、變異概率為p2; (4.2) 、在步驟(3)中的約束條件下，對風機設備個數Nw、光伏設備個數NP和儲能電池個 數Nd分別隨機賦值成h組不同的風光儲組合； (4.3) 、將步驟(3)中建立的目標函數設置為適應度函數； (4.4) 、根據適應度函數計算出每組風光儲組合對應的適應度函數值，再將h組適用度 函數值按從大到小的順序排序； 將種群個數為h、迭代次數為d代入到公式h(c%)d>l中，計算出滿足常數c的最大值為 f，再按照排好的順序，從h組風光儲組合中選出適應度函數值最大的前h*f %組風光儲組 合； (4.5) 、根據交叉概率P1、變異概率p2，將h*f %組風光儲組合進行交叉變異操作，生成新 的h*f%組風光儲組合，再斷新的h*f%組風光儲組合是否滿足步驟(3)中建立的約束條件， 如果滿足約束條件，則進行步驟(4.6);如果不滿足約束條件，則繼續交叉變異，直到新的h* f %風光儲組合滿足約束條件，再進行步驟(4.6); (4.6) 、以新的h*f %組風光儲組合為基準，按照步驟(4.5)所述方法進行迭代，直到迭 代次數到達d時，選出第d次迭代時，h*f %組風光儲組合中適應度函數值最大的風光儲組 合，即為容量配比結果。2.根據權利要求1所述的一種含風光儲的電動汽車充電站容量配比方法，其特征在于， 所述的概率密度函數/(<)的隨機取值范圍為[0.8,1]。
【文檔編號】G06Q50/06GK105868499SQ201610248255
【公開日】2016年8月17日
【申請日】2016年4月20日
【發明人】彭超, 許上宇, 何建, 鄒見效, 徐紅兵
【申請人】電子科技大學