一种电动汽车充电站选址规划方法及装置与流程

1.本发明涉及电动汽车技术领域，具体而言，涉及一种电动汽车充电站选址规划方法及装置。


背景技术：

2.电动汽车充电站作为电动汽车的能量提供方，其选址规划对于提高电动汽车用户的满意度及促进新能源产业的发展进程有重大意义。
3.电动汽车充电站选址规划是一个复杂的多约束多目标优化问题，需要在耦合电力交通网中综合考虑交通流以及潮流的分布，尽可能地改善用户体验并降低充电站对配电网的影响。
4.但是，目前现有的电动汽车充电站的选址规划方法主要是基于预先设定的电动汽车的出行需求以及只考虑当前的交通出行需求的用户均衡模型来确定电动汽车充电站的选址，由于电动汽车的出行需求是预先设定好的且用户均衡模型只考虑当前的交通出行需求，导致选址规划的结果欠缺实用性以及鲁棒性，使得无法在既在最大程度上满足用户的充电需求，又同时保证充电站建立成本最小，并且现有的选址规划方法未考虑充电过程对环境的影响。
5.因此，现有的选址规划方法无法在最大程度满足用户的充电需求，同时保证充电站建立成本最小的前提下，对电动汽车充电站位置进行合理有效的规划。


技术实现要素：

6.本发明提供了一种电动汽车充电站选址规划方法及装置，能够在最大程度满足用户的充电需求，同时保证充电站建立成本最小的前提下，对电动汽车充电站位置进行合理有效的规划。具体的技术方案如下。
7.第一方面，本发明提供了一种电动汽车充电站选址规划方法，所述方法包括：
8.对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合，基于最优传输距离确定每类场景集合对应的典型场景，其中，所述多源历史场景数据包括电动汽车出行需求历史数据、所述规划区域的配电网风机发电功率历史数据和所述规划区域电力负荷信息历史数据；
9.针对每个典型场景，建立电动汽车在该典型场景下的交通网中的各路段的路段出行时间函数以及各待建立充电站的排队充电时间函数，建立电动汽车在各待建立充电站进行充电产生的碳排放量的碳排放流模型，基于所述路段出行时间函数、所述排队充电时间函数和所述碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，求解所述半动态用户均衡模型得到该典型场景下的各路段的交通流量以及各待建立充电站的交通流量；
10.针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数以及电动汽车充电失败成本函数，基于该典型场景下的各路段的交通流量、各待建立
充电站的交通流量、半动态用户均衡模型、所述实际总运营成本函数以及所述电动汽车充电失败成本函数建立该典型场景下的表征充电站建立成本大小的电动汽车充电站选址规划模型；
11.针对每个典型场景，基于离散二进制粒子群算法对该典型场景下的电动汽车充电站选址规划模型进行求解，得到该典型场景下的电动汽车充电站选址规划方案，其中，所述电动汽车充电站选址规划方案为电动汽车充电站的站址设置方案；
12.基于最大最小准则以及各个典型场景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定最终电动汽车充电站选址规划方案。
13.可选的，所述对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合的步骤，包括：
14.对规划区域的第一预设时间段内的多源历史场景数据进行预处理生成预处理后数据；
15.基于预先建立的目标卷积神经网络深度学习模型对所述预处理后数据进行聚类得到多类场景集合，其中，所述目标卷积神经网络深度学习模型用于将多源场景样本数据和场景类别相关联。
16.可选的，所述目标卷积神经网络深度学习模型的训练过程为：
17.获取样本集中的第二预设时间段内的多源场景样本数据，将所述多源场景样本数据输入至初始卷积神经网络深度学习模型中，其中，所述多源场景样本数据包括电动汽车出行需求数据、所述规划区域的配电网风机发电功率数据和所述规划区域电力负荷信息数据；
18.将所述初始卷积神经网络深度学习模型的初始模型参数作为当前模型参数，基于所述当前模型参数对所述多源场景样本数据进行深度特征提取得到高级特征表示的多源场景样本数据，并进行前向传播计算；
19.确定多个初始聚类中心，将初始聚类中心作为当前聚类中心，通过软聚类方法对所述高级特征表示的多源场景样本数据进行聚类得到每个多源场景样本数据属于每个当前聚类中心的概率，基于所述概率将所述多源场景样本数据聚类至各个当前聚类中心代表的场景类别中；
20.判断是否满足预设停止条件；
21.如果是，完成训练，得到使多源场景样本数据和场景类别相关联的目标卷积神经网络深度学习模型；
22.如果否，根据每个多源场景样本数据属于每类初始聚类中心的概率以及加权平均方法更新每个初始聚类中心，将更新后的聚类中心作为当前聚类中心；
23.通过反向传播计算得到损失函数，并更新所述初始模型参数，将更新后的模型参数作为当前模型参数；
24.返回执行所述基于所述当前模型参数对所述多源场景样本数据进行深度特征提取得到高级特征表示的多源场景样本数据的步骤。
25.可选的，所述基于最优传输距离确定每类场景集合对应的典型场景的步骤，包括：
26.针对每类场景集合中的每个场景，计算该场景与该类场景集合中的其他场景之间的最优传输距离之和，将该类场景集合中最优传输距离之和最小的场景确定为该类场景集
合对应的典型场景。
27.可选的，所述基于所述路段出行时间函数、所述排队充电时间函数和所述碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型的步骤，包括：
28.基于所述路段出行时间函数、所述排队充电时间函数和所述碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，表示为：
[0029][0030]
式中，min f
isdue
为针对每个典型场景，在该典型场景下的电动汽车出行最小成本，c
time
为时间成本，c
carb
为规划区域的碳价格，为t时刻第k个待建立充电站所在的第j个节点的碳排放强度，为t时刻第k个待建立充电站的充电功率，t为时间集合，ea(t)为t时刻路段a的交通流量，a为交通网中的路段集合，ta为电动汽车在该典型场景下的路段a上的路段出行时间，k为待建立充电站集合，ek(t)为t时刻第k个待建立充电站的交通流量，tk为电动汽车在该典型场景下的第k个待建立充电站的排队充电时间，ω为积分变量；
[0031]
其中，确定所述半动态用户均衡模型需要满足的约束条件为：
[0032]
电动汽车以及燃油汽车在路径上的通行时间约束：
[0033][0034][0035]
式中，为t时刻电动汽车在起点r和终点s之间的第h条路径上的总通行时间，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的总通行时间，ta(t)为t时刻电动汽车在路段a上的路段出行时间，a为交通网中的路段集合，ea(t)为t时刻路段a的交通流量，为判断路段a是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量，k为待建立充电站集合，tk(t)为t时刻电动汽车在第k个待建立充电站的排队充电时间，ek(t)为t时刻第k个待建立充电站的交通流量，为判断第k个待建立充电站是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量，为判断路段a是否属于燃油汽车在起点r和终点s之间的第h条路径的二元变量；
[0036]
电动汽车以及燃油汽车在路径上的剩余交通流量约束：
[0037][0038]
式中，为t时刻电动汽车在起点r和终点s之间的剩余交通流量，为t时刻燃油汽车在起点r和终点s之间的剩余交通流量，为电动汽车在起点r和终点s之间的
路径的集合，为燃油汽车在起点r和终点s之间的路径的集合，为t时刻电动汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻电动汽车在起点r和终点s之间的第h条路径上的总通行时间，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的总通行时间，τ为时间间隔长度；
[0039]
电动汽车以及燃油汽车的修正交通出行需求量约束：
[0040][0041][0042]
式中，为t时刻电动汽车在起点r和终点s之间的修正交通出行需求量，为t时刻燃油汽车在起点r和终点s之间的修正交通出行需求量，q
rs
(t)为t时刻在起点r和终点s之间的交通出行需求量，λ为电动汽车比率系数，为t-1时刻电动汽车在起点r和终点s之间的剩余交通流量，为t-1时刻燃油汽车在起点r和终点s之间的剩余交通流量，为t时刻电动汽车在起点r和终点s之间的剩余交通流量，为t时刻燃油汽车在起点r和终点s之间的剩余交通流量；
[0043]
分配给电动汽车以及燃油汽车在路径上的交通流量约束：
[0044][0045]
式中，为电动汽车在起点r和终点s之间的路径的集合，为燃油汽车在起点r和终点s之间的路径的集合，为t时刻电动汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻电动汽车在起点r和终点s之间的修正交通出行需求量，为t时刻燃油汽车在起点r和终点s之间的修正交通出行需求量，λ为电动汽车比率系数；
[0046]
交通网的路段以及待建立充电站的交通流量约束：
[0047][0048][0049]
式中，ea(t)为t时刻路段a的交通流量，ek(t)为t时刻第k个待建立充电站的交通流量，r为起点r的集合，s为终点s的集合，为燃油汽车在起点r和终点s之间的路径的集合，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的交通流量，为判断路段a是否属于燃油汽车在起点r和终点s之间的第h条路径的二元变量，为电动汽车在起点r和终点s之间的路径的集合，为t时刻电动汽车在起点r和终点s之间的第h条路
径上的交通流量，为判断路段a是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量，为判断第k个待建立充电站是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量。
[0050]
可选的，所述针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数的步骤，包括：
[0051]
针对每个典型场景，建立在该典型场景下的所有待建立充电站接入所述配电网后产生的电压偏移成本函数和网损成本函数；
[0052]
基于所述电压偏移成本函数和所述网损成本函数建立在该典型场景下的所有待建立充电站的实际总运营成本函数。
[0053]
可选的，所述针对每个典型场景，基于离散二进制粒子群算法对该典型场景下的电动汽车充电站选址规划模型进行求解，得到该典型场景下的电动汽车充电站选址规划方案的步骤，包括：
[0054]
针对每个典型场景，在该典型场景下的k1维空间中随机生成j个粒子，为所述j个粒子设置初始适应值与初始搜寻速度，其中，k1为待建立充电站数，每个粒子代表一种电动汽车充电站选址规划方案，其中，j和k1为正整数；
[0055]
将各个粒子的初始适应值作为当前适应值，基于预设适应度函数对各个粒子的当前适应值进行适应度计算，确定各个粒子的个体最优适应值以及所有粒子中的群体最优适应值，其中，所述适应度函数表征电动汽车充电站建立成本的大小；
[0056]
针对每个粒子，将该粒子的初始搜寻速度作为当前搜寻速度，基于所述群体最优适应值、该粒子的个体最优适应值以及当前适应值更新该粒子的当前搜寻速度得到更新后搜寻速度，根据所述更新后搜寻速度更新该粒子的当前适应值得到更新后适应值；
[0057]
判断是否符合迭代结束条件；
[0058]
如果是，将所述群体最优适应值作为该典型场景下的电动汽车充电站选址规划方案；
[0059]
如果否，将各个粒子的更新后适应值作为当前适应值，将各个粒子的更新后搜寻速度作为当前搜寻速度，返回执行所述基于预设适应度函数对各个粒子的当前适应值进行适应度计算的步骤。
[0060]
可选的，所述基于最大最小准则以及各个典型场景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定最终电动汽车充电站选址规划方案的步骤，包括：
[0061]
将各个典型场景下的电动汽车充电站规划方案带入到各个典型场景下的电动汽车充电站选址规划模型中，得到各个电动汽车充电站规划方案在每个典型场景下的充电站建立成本；
[0062]
针对每个电动汽车充电站规划方案，将所有典型场景下的最大的充电站建立成本作为该电动汽车充电站规划方案的最大充电站建立成本；
[0063]
将各个电动汽车充电站规划方案的最大充电站建立成本中最小的最大充电站建立成本对应的电动汽车充电站规划方案作为最终电动汽车充电站规划方案。
[0064]
第二方面，本发明提供一种电动汽车充电站选址规划装置，所述装置包括：
[0065]
聚类模块，用于对规划区域的第一预设时间段内的多源历史场景数据进行聚类得
到多类场景集合，基于最优传输距离确定每类场景集合对应的典型场景，其中，所述多源历史场景数据包括电动汽车出行需求历史数据、所述规划区域的配电网风机发电功率历史数据和所述规划区域电力负荷信息历史数据；
[0066]
半动态用户均衡模型建立模块，用于针对每个典型场景，建立电动汽车在该典型场景下的交通网中的各路段的路段出行时间函数以及各待建立充电站的排队充电时间函数，建立电动汽车在各待建立充电站进行充电产生的碳排放量的碳排放流模型，基于所述路段出行时间函数、所述排队充电时间函数和所述碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，求解所述半动态用户均衡模型得到该典型场景下的各路段的交通流量以及各待建立充电站的交通流量；
[0067]
电动汽车充电站选址规划模型建立模块，用于针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数以及电动汽车充电失败成本函数，基于该典型场景下的各路段的交通流量、各待建立充电站的交通流量、半动态用户均衡模型、所述实际总运营成本函数以及所述电动汽车充电失败成本函数建立该典型场景下的表征充电站建立成本大小的电动汽车充电站选址规划模型；
[0068]
电动汽车充电站选址规划方案确定模块，用于针对每个典型场景，基于离散二进制粒子群算法对该典型场景下的电动汽车充电站选址规划模型进行求解，得到该典型场景下的电动汽车充电站选址规划方案，其中，所述电动汽车充电站选址规划方案为电动汽车充电站的站址设置方案；
[0069]
最终电动汽车充电站选址规划方案确定模块，用于基于最大最小准则以及各个典型场景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定最终电动汽车充电站选址规划方案。
[0070]
由上述内容可知，本发明实施例提供的一种电动汽车充电站选址规划方法及装置，可以对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合，基于最优传输距离确定每类场景集合对应的典型场景，其中，所述多源历史场景数据包括电动汽车出行需求历史数据、所述规划区域的配电网风机发电功率历史数据和所述规划区域电力负荷信息历史数据，针对每个典型场景，建立电动汽车在该典型场景下的交通网中的各路段的路段出行时间函数以及各待建立充电站的排队充电时间函数，建立电动汽车在各待建立充电站进行充电产生的碳排放量的碳排放流模型，基于所述路段出行时间函数、所述排队充电时间函数和所述碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，求解所述半动态用户均衡模型得到该典型场景下的各路段的交通流量以及各待建立充电站的交通流量，针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数以及电动汽车充电失败成本函数，基于该典型场景下的各路段的交通流量、各待建立充电站的交通流量、半动态用户均衡模型、所述实际总运营成本函数以及所述电动汽车充电失败成本函数建立该典型场景下的表征充电站建立成本大小的电动汽车充电站选址规划模型，针对每个典型场景，基于离散二进制粒子群算法对该典型场景下的电动汽车充电站选址规划模型进行求解，得到该典型场景下的电动汽车充电站选址规划方案，其中，所述电动汽车充电站选址规划方案为电动汽车充电站的站址设置方案，基于最大最小准则以及各个典型场景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定最终电动汽车充电站选址规划方案。
由此，本发明实施例中，基于多源历史场景数据进行聚类，是真实的历史数据，而不是采用预先设定的电动汽车的出行需求，使得基于考虑了多种不确定因素的多源历史场景数据得到的典型场景更贴合实际，具有现实意义，并且不再采用只考虑当前的交通出行需求的用户均衡模型，而是采用考虑路段出行时间成本、电动汽车充电排队成本以及碳排成本的半动态用户均衡模型，因此，可以贴合实际的求解得到耦合多周期交通网中的交通流量，提高选址规划结果的实用性，并引入了碳排放流模型，从消费侧跟踪电动汽车充产生的碳排放量，使得基于碳排放流模型可以规划产生较小碳排放量的电动汽车充电站选址规划模型，最后基于最大最小准则以及各个典型场景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定建立成本最小的最终电动汽车充电站选址规划方案，从而实现在最大程度满足用户的充电需求，同时保证充电站建立成本最小的前提下，对电动汽车充电站位置进行合理有效的规划。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
[0071]
本发明实施例的创新点包括：
[0072]
1、基于多源历史场景数据进行聚类，是真实的历史数据，而不是采用预先设定的电动汽车的出行需求，使得基于考虑了多种不确定因素的多源历史场景数据得到的典型场景更贴合实际，具有现实意义。
[0073]
2、不再采用只考虑当前的交通出行需求的用户均衡模型，而是采用考虑路段出行时间成本、电动汽车充电排队成本以及碳排成本的半动态用户均衡模型，因此，可以贴合实际的求解得到耦合多周期交通网中的交通流量，提高选址规划结果的实用性。
[0074]
3、引入了碳排放流模型，从消费侧跟踪电动汽车充产生的碳排放量，使得基于碳排放流模型可以规划产生较小碳排放量的电动汽车充电站选址规划模型。
[0075]
4、基于最大最小准则以及各个典型场景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定建立成本最小的最终电动汽车充电站选址规划方案，从而实现在最大程度满足用户的充电需求，同时保证充电站建立成本最小的前提下，对电动汽车充电站位置进行合理有效的规划。
[0076]
5、通过离散二进制粒子群算法对电动汽车充电站选址规划模型进行求解，由于离散二进制粒子群算法本身求解速度快，因此，大大减少了求解时间，更加高效的求解出电动汽车充电站选址规划方案。
[0077]
6、通过软聚类方法以及加权平均方法对初始卷积神经网络深度学习模型进行训练，可以得到使多源场景样本数据和场景类别相关联的目标卷积神经网络深度学习模型，通过该目标卷积神经网络深度学习模型可以对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合。
附图说明
[0078]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0079]
图1为本发明实施例提供的电动汽车充电站选址规划方法的一种流程示意图；
[0080]
图2为规划区域的12节点交通网示意图；
[0081]
图3为规划区域的30节点配电网示意图；
[0082]
图4(a)为6个典型场景的电动汽车出行需求曲线图；
[0083]
图4(b)为6个典型场景的风机发电功率曲线图；
[0084]
图4(c)为6个典型场景的电力负荷信息曲线图；
[0085]
图5为电动汽车充电站选址规划方案p1在典型场景s1中当t＝16时刻的交通网的交通流分布示意图；
[0086]
图6为本发明实施例提供的一种电动汽车充电站选址规划装置的结构示意图。
具体实施方式
[0087]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0088]
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0089]
本发明实施例公开了一种电动汽车充电站选址规划方法及装置，能够在最大程度满足用户的充电需求，同时保证充电站建立成本最小的前提下，对电动汽车充电站位置进行合理有效的规划。下面对本发明实施例进行详细说明。
[0090]
图1为本发明实施例提供的电动汽车充电站选址规划方法的一种流程示意图。该方法应用于电子设备。该方法具体包括以下步骤。
[0091]
s110：对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合，基于最优传输距离确定每类场景集合对应的典型场景，其中，多源历史场景数据包括电动汽车出行需求历史数据、规划区域的配电网风机发电功率历史数据和规划区域电力负荷信息历史数据。
[0092]
由于现有的电动汽车充电站的选址规划方法中电动汽车的出行需求是预先设定好的，这使得选址规划的结果欠缺实用性，因此，本发明实施例中为了避免此种情况的发生，不再预先设定好电动汽车的出行需求，而是以历史数据为基准来进行选址规划。
[0093]
具体的，对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合，基于最优传输距离确定每类场景集合对应的典型场景。
[0094]
由于在进行电动汽车充电站选址规划时，不确定因素不仅包括电动汽车出行需求，还包括规划区域的配电网风机发电功率和规划区域电力负荷信息，因此，在本发明实施例中，设置多源历史场景数据包括电动汽车出行需求历史数据、规划区域的配电网风机发电功率历史数据和规划区域电力负荷信息历史数据。
[0095]
其中，对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合，可以包括：
[0096]
对规划区域的第一预设时间段内的多源历史场景数据进行预处理生成预处理后
数据；
[0097]
基于预先建立的目标卷积神经网络深度学习模型对预处理后数据进行聚类得到多类场景集合，其中，目标卷积神经网络深度学习模型用于将多源场景样本数据和场景类别相关联。
[0098]
具体的，对规划区域的第一预设时间段内的多源历史场景数据进行预处理生成预处理后数据可以为：
[0099]
将规划区域的第一预设时间段内的多源历史场景数据转换为适合目标卷积神经网络深度学习模型输入的矩阵，得到预处理后数据。
[0100]
其中，规划区域为需要建立电动汽车充电站的区域，第一预设时间段可以基于经验确定，至少大于24小时。
[0101]
在将规划区域的第一预设时间段内的多源历史场景数据转换为适合目标卷积神经网络深度学习模型输入的矩阵后，即可输入至目标卷积神经网络深度学习模型中进行聚类，即基于预先建立的目标卷积神经网络深度学习模型对预处理后数据进行聚类得到多类场景集合，其中，目标卷积神经网络深度学习模型用于将多源场景样本数据和场景类别相关联，每类场景集合中包括多个场景。
[0102]
其中，目标卷积神经网络深度学习模型的训练过程可以为：
[0103]
获取样本集中的第二预设时间段内的多源场景样本数据，将多源场景样本数据输入至初始卷积神经网络深度学习模型中，其中，多源场景样本数据包括电动汽车出行需求数据、规划区域的配电网风机发电功率数据和规划区域电力负荷信息数据；
[0104]
将初始卷积神经网络深度学习模型的初始模型参数作为当前模型参数，基于当前模型参数对多源场景样本数据进行深度特征提取得到高级特征表示的多源场景样本数据，并进行前向传播计算；
[0105]
确定多个初始聚类中心，将初始聚类中心作为当前聚类中心，通过软聚类方法对高级特征表示的多源场景样本数据进行聚类得到每个多源场景样本数据属于每个当前聚类中心的概率，基于概率将多源场景样本数据聚类至各个当前聚类中心代表的场景类别中；
[0106]
判断是否满足预设停止条件；
[0107]
如果是，完成训练，得到使多源场景样本数据和场景类别相关联的目标卷积神经网络深度学习模型；
[0108]
如果否，根据每个多源场景样本数据属于每类初始聚类中心的概率以及加权平均方法更新每个初始聚类中心，将更新后的聚类中心作为当前聚类中心；
[0109]
通过反向传播计算得到损失函数，并更新初始模型参数，将更新后的模型参数作为当前模型参数；
[0110]
返回执行基于当前模型参数对多源场景样本数据进行深度特征提取得到高级特征表示的多源场景样本数据的步骤。
[0111]
在训练目标卷积神经网络深度学习模型时，需要获取样本集中的第二预设时间段内的多源场景样本数据，其中，多源场景样本数据包括电动汽车出行需求数据、规划区域的配电网风机发电功率数据和规划区域电力负荷信息数据。
[0112]
可以理解的是，电子设备首先需要构建一个初始卷积神经网络深度学习模型，然
后对其进行训练，进而得到目标卷积神经网络深度学习模型。示例性的，初始卷积神经网络深度学习模型可以为cnns(convolutional neural networks，卷积神经网络)。
[0113]
在获得了样本集中的第二预设时间段内的多源场景样本数据后，将多源场景样本数据输入至初始卷积神经网络深度学习模型中进行训练。
[0114]
具体来说，将初始卷积神经网络深度学习模型的初始模型参数作为当前模型参数，基于当前模型参数对多源场景样本数据进行深度特征提取得到高级特征表示的多源场景样本数据，并进行前向传播计算，其中，初始模型参数可以为权重和偏置。
[0115]
然后，确定多个初始聚类中心，将初始聚类中心作为当前聚类中心，通过软聚类方法对高级特征表示的多源场景样本数据进行聚类得到每个多源场景样本数据属于每个当前聚类中心的概率，基于概率将多源场景样本数据聚类至各个当前聚类中心代表的场景类别中。
[0116]
其中，通过软聚类方法对高级特征表示的多源场景样本数据进行聚类得到每个多源场景样本数据属于每个当前聚类中心的概率的公式如下所示：
[0117][0118]
式中，p(μj|xi)为第i个多源场景样本数据xi属于第j个当前聚类中心μj的概率，β为超参数，d(xi,μj)为第i个多源场景样本数据xi和第j个当前聚类中心μj之间的距离，u为聚类中心的个数，u为聚类中心的总数。
[0119]
其中，β用于控制聚类的“软化”程度。
[0120]
在将多源场景样本数据聚类至各个当前聚类中心代表的场景类别中后，判断是否满足预设停止条件，如果是，完成训练，得到使多源场景样本数据和场景类别相关联的目标卷积神经网络深度学习模型，其中，预设停止条件可以为达到设定的迭代次数。
[0121]
如果否，需要更新聚类中心，即根据每个多源场景样本数据属于每类初始聚类中心的概率以及加权平均方法更新每个初始聚类中心，将更新后的聚类中心作为当前聚类中心。
[0122]
其中，加权平均方法的公式如下所示：
[0123][0124]
式中，表示在第z+1次迭代中更新后的第j个当前聚类中心μj的位置，n表示多源场景样本数据的总数量，xi为第i个多源场景样本数据。
[0125]
聚类中心更新完成后，通过反向传播计算得到损失函数，并更新初始模型参数，将更新后的模型参数作为当前模型参数，返回执行基于当前模型参数对多源场景样本数据进行深度特征提取得到高级特征表示的多源场景样本数据的步骤，直至满足预设停止条件为止。
[0126]
可见，通过软聚类方法以及加权平均方法对初始卷积神经网络深度学习模型进行训练，可以得到使多源场景样本数据和场景类别相关联的目标卷积神经网络深度学习模型，通过该目标卷积神经网络深度学习模型可以对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合。
[0127]
在得到多类场景集合后，需要基于最优传输距离确定每类场景集合对应的典型场景，其中，典型场景为具有代表性的场景。
[0128]
具体的，基于最优传输距离确定每类场景集合对应的典型场景，可以包括：
[0129]
针对每类场景集合中的每个场景，计算该场景与该类场景集合中的其他场景之间的最优传输距离之和，将该类场景集合中最优传输距离之和最小的场景确定为该类场景集合对应的典型场景。
[0130]
其中，场景bi与场景bj之间的最优传输距离的公式如下所示：
[0131][0132]
式中，bi为第i个场景，bj为第j个场景，dw为最优传输距离，f为累加时间，n为单行时间，t为时间集合。
[0133]
例如：假设场景集合a中包括场景1、场景2和场景3，那么计算场景1和场景2之间的最优传输距离，场景1和场景3之间的最优传输距离，场景2和场景3之间的最优传输距离，然后计算场景1和场景2之间的最优传输距离与场景1和场景3之间的最优传输距离之和，计算场景1和场景2之间的最优传输距离与场景2和场景3之间的最优传输距离之和，如果场景1和场景2之间的最优传输距离与场景1和场景3之间的最优传输距离之和小于场景1和场景2之间的最优传输距离与场景2和场景3之间的最优传输距离之和，则将场景1作为场景集合a对应的典型场景。
[0134]
s120：针对每个典型场景，建立电动汽车在该典型场景下的交通网中的各路段的路段出行时间函数以及各待建立充电站的排队充电时间函数，建立电动汽车在各待建立充电站进行充电产生的碳排放量的碳排放流模型，基于路段出行时间函数、排队充电时间函数和碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，求解半动态用户均衡模型得到该典型场景下的各路段的交通流量以及各待建立充电站的交通流量。
[0135]
由于现有的电动汽车充电站的选址规划方法中采用只考虑当前的交通出行需求的用户均衡模型，导致选址规划的结果欠缺实用性以及鲁棒性，因此，本发明实施例中为了避免此种情况的发生，不再采用只考虑当前的交通出行需求的用户均衡模型，而是采用考虑路段出行时间成本、电动汽车充电排队成本以及碳排成本的半动态用户均衡模型。
[0136]
具体的，针对每个典型场景，建立电动汽车在该典型场景下的交通网中的各路段的路段出行时间函数以及各待建立充电站的排队充电时间函数。
[0137]
其中，由于出行者在交通网中的路段出行时间应该考虑路段的拥堵时间，因此，针对每个典型场景，建立的电动汽车在该典型场景下的交通网中的各路段的路段出行时间函数所使用的公式如下所示：
[0138][0139]
式中，a为交通网中的路段集合，ea(t)为t时刻路段a的交通流量，为电动汽车在路段a上的通畅出行时间，ca为路段a的道路容量，ta为电动汽车在路段a上的路段出行时间。
[0140]
上述所建立的电动汽车在该典型场景下的交通网中的各路段的路段出行时间函
数为美国联邦公路局函数。
[0141]
其中，由于出行者在待建立充电站的排队充电时间应该考虑在待建立充电站的充电时间与排队时间，因此，基于排队论结合充电时间，针对每个典型场景，建立的电动汽车在该典型场景下的各待建立充电站的排队充电时间函数所使用的公式如下所示：
[0142][0143]
式中，k为待建立充电站集合，ek(t)为t时刻第k个待建立充电站的交通流量，表示t时刻第k个待建立充电站的充电时间，为第k个待建立充电站容纳电动汽车的数量，j为排队时间常数，tk为电动汽车在第k个待建立充电站的排队充电时间，其中，排队充电时间为排队时间与充电时间之和。
[0144]
由于现有的电动汽车充电站的选址规划方法中未考虑充电过程对环境的影响，导致对环境产生较大影响，因此，本发明实施例中为了避免此种情况的发生，在选址规划时考虑了充电过程对环境的影响。
[0145]
具体的，引入碳排放流模型追溯充电站电能来源从而确定电动汽车充电带来的碳排放量。碳排放强度是碳排放流模型的重要指标，其定义为充电过程中单位有功功率产生的碳排放量。因此，针对每个典型场景，建立电动汽车在各待建立充电站进行充电产生的碳排放量的碳排放流模型。
[0146]
其中，建立的电动汽车在各待建立充电站进行充电产生的碳排放量的碳排放流模型如下所示：
[0147][0148]
式中，为t时刻配电网中的第j个节点的碳排放强度，为第j个节点处的燃煤机组的集合，为第j个节点处的风力发电机组的集合，为向第j个节点注入功率的支路的集合，为t时刻第j个节点处的第g个燃煤机组的有功功率，为t时刻第j个节点处的第y个风力发电机组的有功功率，为t时刻第l个支路向第j个节点处注入的有功功率，ρg为第g个燃煤机组的碳排放强度，为t时刻向第j个节点处注入有功功率的第l个支路的碳排放强度。
[0149]
在针对每个典型场景，建立电动汽车在该典型场景下的交通网中的各路段的路段出行时间函数以及各待建立充电站的排队充电时间函数，建立电动汽车在各待建立充电站进行充电产生的碳排放量的碳排放流模型后，即可基于路段出行时间函数、排队充电时间函数和碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，求解半动态用户均衡模型得到该典型场景下的各路段的交通流量以及各待建立充电站的交通流量。
[0150]
具体的，基于路段出行时间函数、排队充电时间函数和碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，可以包括：
[0151]
基于路段出行时间函数、排队充电时间函数和碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，表示为：
[0152][0153]
式中，min f
isdue
为针对每个典型场景，在该典型场景下的电动汽车出行最小成本，c
time
为时间成本，c
carb
为规划区域的碳价格，为t时刻第k个待建立充电站所在的第j个节点的碳排放强度，为t时刻第k个待建立充电站的充电功率，t为时间集合，ea(t)为t时刻路段a的交通流量，a为交通网中的路段集合，ta为电动汽车在该典型场景下的路段a上的路段出行时间，k为待建立充电站集合，ek(t)为t时刻第k个待建立充电站的交通流量，tk为电动汽车在该典型场景下的第k个待建立充电站的排队充电时间，ω为积分变量。
[0154]
在上式中，第一项为电动汽车的路段出行时间成本，第二项为电动汽车的充电排队成本，第三项为电动汽车的碳排放成本，三项成本之和为电动汽车出行者的出行成本也就是电动汽车出行成本。
[0155]
其中，确定半动态用户均衡模型需要满足的约束条件为：
[0156]
(1)电动汽车以及燃油汽车在路径上的通行时间约束：
[0157][0158][0159]
式中，为t时刻电动汽车在起点r和终点s之间的第h条路径上的总通行时间，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的总通行时间，ta(t)为t时刻电动汽车在路段a上的路段出行时间，a为交通网中的路段集合，ea(t)为t时刻路段a的交通流量，为判断路段a是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量，k为待建立充电站集合，tk(t)为t时刻电动汽车在第k个待建立充电站的排队充电时间，ek(t)为t时刻第k个待建立充电站的交通流量，为判断第k个待建立充电站是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量，为判断路段a是否属于燃油汽车在起点r和终点s之间的第h条路径的二元变量。
[0160]
(2)电动汽车以及燃油汽车在路径上的剩余交通流量约束：
[0161][0162]
式中，为t时刻电动汽车在起点r和终点s之间的剩余交通流量，为t时刻燃油汽车在起点r和终点s之间的剩余交通流量，为电动汽车在起点r和终点s之间的
路径的集合，为燃油汽车在起点r和终点s之间的路径的集合，为t时刻电动汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻电动汽车在起点r和终点s之间的第h条路径上的总通行时间，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的总通行时间，τ为时间间隔长度。
[0163]
其中，剩余交通流量为没有行驶至终点s的车辆数，示例性的，f为1小时。
[0164]
(3)电动汽车以及燃油汽车的修正交通出行需求量约束：
[0165][0166][0167]
式中，为t时刻电动汽车在起点r和终点s之间的修正交通出行需求量，为t时刻燃油汽车在起点r和终点s之间的修正交通出行需求量，q
rs
(t)为t时刻在起点r和终点s之间的交通出行需求量，λ为电动汽车比率系数，为t-1时刻电动汽车在起点r和终点s之间的剩余交通流量，为t-1时刻燃油汽车在起点r和终点s之间的剩余交通流量，为t时刻电动汽车在起点r和终点s之间的剩余交通流量，为t时刻燃油汽车在起点r和终点s之间的剩余交通流量。
[0168]
其中，修正交通出行需求量为实际交通出行需求量，示例性的，λ为0.3。
[0169]
(4)分配给电动汽车以及燃油汽车在路径上的交通流量约束：
[0170][0171]
式中，为电动汽车在起点r和终点s之间的路径的集合，为燃油汽车在起点r和终点s之间的路径的集合，为t时刻电动汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻电动汽车在起点r和终点s之间的修正交通出行需求量，为t时刻燃油汽车在起点r和终点s之间的修正交通出行需求量，λ为电动汽车比率系数。
[0172]
(5)交通网的路段以及待建立充电站的交通流量约束：
[0173][0174][0175]
式中，ea(t)为t时刻路段a的交通流量，ek(t)为t时刻第k个待建立充电站的交通流量，r为起点r的集合，s为终点s的集合，为燃油汽车在起点r和终点s之间的路径的集合，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的交通流量，为判断路段
a是否属于燃油汽车在起点r和终点s之间的第h条路径的二元变量，为电动汽车在起点r和终点s之间的路径的集合，为t时刻电动汽车在起点r和终点s之间的第h条路径上的交通流量，为判断路段a是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量，为判断第k个待建立充电站是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量。
[0176]
基于上述约束条件求解半动态用户均衡模型即可得到该典型场景下的各路段的交通流量以及各待建立充电站的交通流量。
[0177]
s130：针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数以及电动汽车充电失败成本函数，基于该典型场景下的各路段的交通流量、各待建立充电站的交通流量、半动态用户均衡模型、实际总运营成本函数以及电动汽车充电失败成本函数建立该典型场景下的表征充电站建立成本大小的电动汽车充电站选址规划模型。
[0178]
由于充电站在运营过程中接入配电网后会对电力系统产生影响，因此在计算充电站的实际运行成本时，需要考虑由充电站接入配电网后引起的电压偏移与网损成本。
[0179]
具体的，针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数。
[0180]
其中，针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数，可以包括：
[0181]
针对每个典型场景，建立在该典型场景下的所有待建立充电站接入配电网后产生的电压偏移成本函数和网损成本函数；
[0182]
基于电压偏移成本函数和网损成本函数建立在该典型场景下的所有待建立充电站的实际总运营成本函数。
[0183]
其中，电压偏移成本函数、网损成本函数和所有待建立充电站的实际总运营成本函数所使用的公式如下所示：
[0184][0185][0186]
式中，f
oper
为所有待建立充电站的实际总运营成本，f
vd
为所有待建立充电站接入配电网后产生的电压偏移成本，f
pl
为所有待建立充电站接入配电网后产生的网损成本，c
vd
为电压偏移系数，c
pl
为网损系数，ω
nd
为配电网中的节点集合，ω
ld
为配电网中的支路集合，t为时间集合，为第j个节点在t时刻的电压，为第j个节点的额定电压，g
ij
为第i个节点和第j个节点之间的节点导纳矩阵实部，为第i个节点在t时刻的电压，为支路ij在t时刻的相角偏移。
[0187]
示例性的，c
vd
为1625，c
pl
为150。
[0188]
由于如果充电站的选址不合理，有效充电区域覆盖的范围较小，则容易导致电动汽车无法到达充电站从而导致充电失败，因此在对充电站进行规划时，需要考虑电动汽车电失败的成本。
[0189]
具体的，针对每个典型场景，建立在该典型场景下的电动汽车充电失败成本函数。
[0190]
其中，电动汽车充电失败成本函数所使用的公式如下所示：
[0191][0192]
式中，f
fail
为电动汽车充电失败成本，c
fail
为车辆充电失败系数，t为时间集合，为判断电动汽车在起点r和终点s之间是否具有行驶的路径的二元变量，如果具有行驶的路径，则否则λ为电动汽车比率系数，r和起点r的集合，s为终点s的集合，q
rs
(t)为t时刻在起点r和终点s之间的交通出行需求量。
[0193]
在本发明实施例中，构建的是综合电动汽车出行成本、待建立充电站的实际运营总成本以及电动汽车充电失败成本之和最小的电动汽车充电站选址规划模型。
[0194]
因此，在针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数以及电动汽车充电失败成本函数后，即可基于该典型场景下的各路段的交通流量、各待建立充电站的交通流量、半动态用户均衡模型、实际总运营成本函数以及电动汽车充电失败成本函数建立该典型场景下的表征充电站建立成本大小的电动汽车充电站选址规划模型。
[0195]
具体的，将该典型场景下的各路段的交通流量以及各待建立充电站的交通流量带入半动态用户均衡模型中，得到带入后半动态用户均衡模型，然后将带入后半动态用户均衡模型、实际总运营成本函数以及电动汽车充电失败成本函数之和作为该典型场景下的表征充电站建立成本大小的电动汽车充电站选址规划模型。由此，得到每个典型场景下的电动汽车充电站选址规划模型。
[0196]
其中，电动汽车充电站选址规划模型所使用的公式如下所示：
[0197]
minf＝f
isdue
+f
oper
+f
fail
[0198]
式中，f为电动汽车充电站建立成本，f
isdue
为电动汽车出行成本，f
oper
为所有待建立充电站的实际总运营成本，f
fail
为电动汽车充电失败成本。
[0199]
s140：针对每个典型场景，基于离散二进制粒子群算法对该典型场景下的电动汽车充电站选址规划模型进行求解，得到该典型场景下的电动汽车充电站选址规划方案，其中，电动汽车充电站选址规划方案为电动汽车充电站的站址设置方案。
[0200]
在得到每个典型场景下的电动汽车充电站选址规划模型后，针对每个典型场景，基于离散二进制粒子群算法对该典型场景下的电动汽车充电站选址规划模型进行求解，得到该典型场景下的电动汽车充电站选址规划方案，其中，电动汽车充电站选址规划方案为电动汽车充电站的站址设置方案。
[0201]
其中，步骤s140，可以包括：
[0202]
针对每个典型场景，在该典型场景下的k1维空间中随机生成j个粒子，为j个粒子设置初始适应值与初始搜寻速度，其中，k1为待建立充电站数，每个粒子代表一种电动汽车充电站选址规划方案，其中，j和k1为正整数；
[0203]
将各个粒子的初始适应值作为当前适应值，基于预设适应度函数对各个粒子的当前适应值进行适应度计算，确定各个粒子的个体最优适应值以及所有粒子中的群体最优适应值，其中，适应度函数表征电动汽车充电站建立成本的大小；
[0204]
针对每个粒子，将该粒子的初始搜寻速度作为当前搜寻速度，基于群体最优适应值、该粒子的个体最优适应值以及当前适应值更新该粒子的当前搜寻速度得到更新后搜寻速度，根据更新后搜寻速度更新该粒子的当前适应值得到更新后适应值；
[0205]
判断是否符合迭代结束条件；
[0206]
如果是，将群体最优适应值作为该典型场景下的电动汽车充电站选址规划方案；
[0207]
如果否，将各个粒子的更新后适应值作为当前适应值，将各个粒子的更新后搜寻速度作为当前搜寻速度，返回执行基于预设适应度函数对各个粒子的当前适应值进行适应度计算的步骤。
[0208]
其中，针对每个粒子，基于群体最优适应值、该粒子的个体最优适应值以及当前适应值更新该粒子的当前搜寻速度得到更新后搜寻速度所使用的公式如下所示：
[0209][0210]
式中，v
idt+1
为t+1时刻第d维空间的第i个粒子的搜寻速度，v
idt
为t时刻第d维空间的第i个粒子的搜寻速度，γ为惯性权重，c1与c2为[0,1]之间的一个随机小数，rand函数用于产生随机数，为t时刻第d维空间的第i个粒子的个体最优适应值，为t时刻第d维空间的第i个粒子的适应值，为t时刻第d维空间的粒子的群体最优适应值。
[0211]
也就是说，上述公式中的v
idt+1
就是更新后搜寻速度。
[0212]
其中，根据更新后搜寻速度更新该粒子的当前适应值得到更新后适应值所使用的公式如下所示：
[0213][0214]
式中，x
id
为第d维空间的第i个粒子的适应值，sig(v
id
)为第d维空间的第i个粒子的搜寻速度取1的概率，rand函数用于产生随机数，v
id
为第d维空间的第i个粒子的搜寻速度。
[0215]
也就是说，上述公式中的x
id
就是更新后适应值。
[0216]
示例性的，迭代结束条件可以为达到设定的迭代次数。
[0217]
由此，通过离散二进制粒子群算法对电动汽车充电站选址规划模型进行求解，由于离散二进制粒子群算法本身求解速度快，因此，大大减少了求解时间，更加高效的求解出电动汽车充电站选址规划方案。
[0218]
s150：基于最大最小准则以及各个典型场景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定最终电动汽车充电站选址规划方案。
[0219]
在得到各个典型场景下的电动汽车充电站选址规划方案后，需要选出一个最优的最终电动汽车充电站选址规划方案。
[0220]
具体的，步骤s150，可以包括：
[0221]
将各个典型场景下的电动汽车充电站规划方案带入到各个典型场景下的电动汽车充电站选址规划模型中，得到各个电动汽车充电站规划方案在每个典型场景下的充电站建立成本；
[0222]
针对每个电动汽车充电站规划方案，将所有典型场景下的最大的充电站建立成本作为该电动汽车充电站规划方案的最大充电站建立成本；
[0223]
将各个电动汽车充电站规划方案的最大充电站建立成本中最小的最大充电站建立成本对应的电动汽车充电站规划方案作为最终电动汽车充电站规划方案。
[0224]
由此，通过最大最小准则从各个典型场景下的电动汽车充电站选址规划方案中选择一个在极差的情况下还没有发生很大建立成本的方案作为最终电动汽车充电站规划方案，是最具有鲁棒性的规划方案。
[0225]
由上述内容可知，本发明实施例可以对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合，基于最优传输距离确定每类场景集合对应的典型场景，其中，所述多源历史场景数据包括电动汽车出行需求历史数据、所述规划区域的配电网风机发电功率历史数据和所述规划区域电力负荷信息历史数据，针对每个典型场景，建立电动汽车在该典型场景下的交通网中的各路段的路段出行时间函数以及各待建立充电站的排队充电时间函数，建立电动汽车在各待建立充电站进行充电产生的碳排放量的碳排放流模型，基于所述路段出行时间函数、所述排队充电时间函数和所述碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，求解所述半动态用户均衡模型得到该典型场景下的各路段的交通流量以及各待建立充电站的交通流量，针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数以及电动汽车充电失败成本函数，基于该典型场景下的各路段的交通流量、各待建立充电站的交通流量、半动态用户均衡模型、所述实际总运营成本函数以及所述电动汽车充电失败成本函数建立该典型场景下的表征充电站建立成本大小的电动汽车充电站选址规划模型，针对每个典型场景，基于离散二进制粒子群算法对该典型场景下的电动汽车充电站选址规划模型进行求解，得到该典型场景下的电动汽车充电站选址规划方案，其中，所述电动汽车充电站选址规划方案为电动汽车充电站的站址设置方案，基于最大最小准则以及各个典型场景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定最终电动汽车充电站选址规划方案。由此，本发明实施例中，基于多源历史场景数据进行聚类，是真实的历史数据，而不是采用预先设定的电动汽车的出行需求，使得基于考虑了多种不确定因素的多源历史场景数据得到的典型场景更贴合实际，具有现实意义，并且不再采用只考虑当前的交通出行需求的用户均衡模型，而是采用考虑路段出行时间成本、电动汽车充电排队成本以及碳排成本的半动态用户均衡模型，因此，可以贴合实际的求解得到耦合多周期交通网中的交通流量，提高选址规划结果的实用性，并引入了碳排放流模型，从消费侧跟踪电动汽车充产生的碳排放量，使得基于碳排放流模型可以规划产生较小碳排放量的电动汽车充电站选址规划模型，最后基于最大最小准则以及各个典型场景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定建立成本最小的最终电动汽车充电站选址规划方案，从而实现在最大程度满足用户的充电需求，同时保证充电站建立成本最小的前提下，对电动汽车充电站位置进行合理有效的规划。
[0226]
为了方便理解，下面通过一具体实施例对电动汽车充电站选址规划方法进行描述：
[0227]
规划区域的交通网采用经典的12节点交通网如图2所示，规划区域的配电网采用ieee30节点配电网如图3所示，图2为规划区域的12节点交通网示意图，图3为规划区域的30
节点配电网示意图，图2中的t1-t12为交通网节点，cs1-cs7为候选充电站，图3中的1-30为配电网节点，第一预设时间段为5年，从7个候选充电站中选择3个待建立充电站进行建立。
[0228]
交通网中道路的各路段的参数如下表1所示：
[0229][0230]
交通网的o-d(origin-destination，起点终点)对和电动汽车出行需求占总出行需求比率如下表2所示：
[0231]
[0232][0233]
根据步骤s110得到6个典型场景s1-s6，6个典型场景s1-s6对应的电动汽车出行需求、风机发电功率和电力负荷信息如图4(a)、图4(b)和图4(c)所示，图4(a)为6个典型场景的电动汽车出行需求曲线图，图4(b)为6个典型场景的风机发电功率曲线图，图4(c)为6个典型场景的电力负荷信息曲线图。
[0234]
电动汽车充电站选址规划模型的部分关键参数如下表3所示：
[0235]
参数λc
time
(￥/h)c
carb
(￥/吨)c
vd
(￥/p.u)c
pl
(￥/mw)值0.35501625150
[0236]
由图4(a)-图4(c)所示的6个典型场景，在图2和图3所示的耦合电力交通网中，根据表1、表2与表3进行参数配置，进一步基于步骤s120-s140求解得到各个典型场景下的电动汽车充电站选址规划方案如下表4所示：
[0237]
典型场景待建立充电站位置电动汽车充电站选址规划方案f/107￥s11,3,4p116.02s22,3,4p218.21s32,4,6p314.70s43,5,7p417.69s51,3,6p516.56s61,3,4p118.06
[0238]
将表4中的各个典型场景下的电动汽车充电站选址规划方案带入到各个典型场景下的电动汽车充电站选址规划模型中，得到各个电动汽车充电站规划方案在每个典型场景下的充电站建立成本如下表5所示：
[0239]
规划方案s1(107￥)s2(107￥)s3(107￥)s4(107￥)s5(107￥)s6(107￥)p116.0218.3215.1317.8517.0918.06p216.4918.2115.2118.6517.1518.17p316.2618.3714.7017.8616.7218.62p416.2818.2414.9317.6916.6318.80p516.0418.6114.9718.0116.5618.58
[0240]
表5中的规划方案就是指电动汽车充电站选址规划方案。其中，电动汽车充电站选址规划方案p1在典型场景s1中当t＝16时刻的交通网的交通流分布如图5所示，图5中交通网节点之间的数字代表两个交通网节点之间的车辆数，cs1上方的56代表交通网节点t2与候选充电站1之间的车辆数，cs1左方弧线侧的38代表候选充电站1的燃油汽车的车辆数，
cs1直线侧的46代表候选充电站1的电动汽车的车辆数，cs1下方的74代表候选充电站1与交通网节点t5之间的车辆数，cs3和cs4同理，在此不再赘述。
[0241]
面对不同规划区域的碳价格以及电动汽车比率系数，本发明实施例也能给予电动汽车充电站选址规划指导。在典型场景s2以及不同规划区域的碳价格下基于步骤s150得到的最终电动汽车充电站选址规划方案如下表6所示：
[0242]ccarb
(￥/吨)f/107￥待建立充电站位置f
carb
/107￥5018.212,3,42.9310020.102,4,63.4215021.961,3,74.8720023.741,3,716.4840030.301,3,712.30
[0243]
在典型场景s2以及不同电动汽车比率系数下基于步骤s150得到的最终电动汽车充电站选址规划方案如下表7所示：
[0244][0245]
表7中，f
road
为电动汽车出行者的路段出行时间成本，f
char
为电动汽车出行者的充电排队成本，f
carb
为电动汽车的碳排放成本。
[0246]
图6为本发明实施例提供的一种电动汽车充电站选址规划装置的结构示意图，所述装置包括：
[0247]
聚类模块601，用于对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合，基于最优传输距离确定每类场景集合对应的典型场景，其中，所述多源历史场景数据包括电动汽车出行需求历史数据、所述规划区域的配电网风机发电功率历史数据和所述规划区域电力负荷信息历史数据；
[0248]
半动态用户均衡模型建立模块602，用于针对每个典型场景，建立电动汽车在该典型场景下的交通网中的各路段的路段出行时间函数以及各待建立充电站的排队充电时间函数，建立电动汽车在各待建立充电站进行充电产生的碳排放量的碳排放流模型，基于所述路段出行时间函数、所述排队充电时间函数和所述碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，求解所述半动态用户均衡模型得到该典型场景下的各路段的交通流量以及各待建立充电站的交通流量；
[0249]
电动汽车充电站选址规划模型建立模块603，用于针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数以及电动汽车充电失败成本函数，基于该典型场景下的各路段的交通流量、各待建立充电站的交通流量、半动态用户均衡模型、
所述实际总运营成本函数以及所述电动汽车充电失败成本函数建立该典型场景下的表征充电站建立成本大小的电动汽车充电站选址规划模型；
[0250]
电动汽车充电站选址规划方案确定模块604，用于针对每个典型场景，基于离散二进制粒子群算法对该典型场景下的电动汽车充电站选址规划模型进行求解，得到该典型场景下的电动汽车充电站选址规划方案，其中，所述电动汽车充电站选址规划方案为电动汽车充电站的站址设置方案；
[0251]
最终电动汽车充电站选址规划方案确定模块605，用于基于最大最小准则以及各个典型场景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定最终电动汽车充电站选址规划方案。
[0252]
本发明实施例提供的一种电动汽车充电站选址规划装置，可以在最大程度满足用户的充电需求，同时保证充电站建立成本最小的前提下，对电动汽车充电站位置进行合理有效的规划。
[0253]
在一种实现方式中，所述聚类模块601，可以包括：
[0254]
预处理子模块，用于对规划区域的第一预设时间段内的多源历史场景数据进行预处理生成预处理后数据；
[0255]
聚类子模块，用于基于预先建立的目标卷积神经网络深度学习模型对所述预处理后数据进行聚类得到多类场景集合，其中，所述目标卷积神经网络深度学习模型用于将多源场景样本数据和场景类别相关联。
[0256]
在一种实现方式中，所述装置还包括训练模块，所述训练模块用于训练所述目标卷积神经网络深度学习模型，所述训练模块包括：
[0257]
样本获取子模块，用于获取样本集中的第二预设时间段内的多源场景样本数据，将所述多源场景样本数据输入至初始卷积神经网络深度学习模型中，其中，所述多源场景样本数据包括电动汽车出行需求数据、所述规划区域的配电网风机发电功率数据和所述规划区域电力负荷信息数据；
[0258]
前向传播计算子模块，用于将所述初始卷积神经网络深度学习模型的初始模型参数作为当前模型参数，基于所述当前模型参数对所述多源场景样本数据进行深度特征提取得到高级特征表示的多源场景样本数据，并进行前向传播计算；
[0259]
聚类中心确定子模块，用于确定多个初始聚类中心，将初始聚类中心作为当前聚类中心，通过软聚类方法对所述高级特征表示的多源场景样本数据进行聚类得到每个多源场景样本数据属于每个当前聚类中心的概率，基于所述概率将所述多源场景样本数据聚类至各个当前聚类中心代表的场景类别中；
[0260]
第一判断子模块，用于判断是否满足预设停止条件，如果是，触发训练完成子模块，如果否，触发聚类中心更新子模块；
[0261]
所述训练完成子模块，用于完成训练，得到使多源场景样本数据和场景类别相关联的目标卷积神经网络深度学习模型；
[0262]
所述聚类中心更新子模块，用于根据每个多源场景样本数据属于每类初始聚类中心的概率以及加权平均方法更新每个初始聚类中心，将更新后的聚类中心作为当前聚类中心；
[0263]
反向传播计算子模块，用于通过反向传播计算得到损失函数，并更新所述初始模
型参数，将更新后的模型参数作为当前模型参数，触发所述前向传播计算子模块中的所述基于所述当前模型参数对所述多源场景样本数据进行深度特征提取得到高级特征表示的多源场景样本数据。
[0264]
在一种实现方式中，所述聚类模块601，可以具体用于：
[0265]
针对每类场景集合中的每个场景，计算该场景与该类场景集合中的其他场景之间的最优传输距离之和，将该类场景集合中最优传输距离之和最小的场景确定为该类场景集合对应的典型场景。
[0266]
在一种实现方式中，所述半动态用户均衡模型建立模块602，可以具体用于：
[0267]
基于所述路段出行时间函数、所述排队充电时间函数和所述碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，表示为：
[0268][0269]
式中，min f
isdue
为针对每个典型场景，在该典型场景下的电动汽车出行最小成本，c
time
为时间成本，c
carb
为规划区域的碳价格，为t时刻第k个待建立充电站所在的第j个节点的碳排放强度，为t时刻第k个待建立充电站的充电功率，t为时间集合，ea(t)为t时刻路段a的交通流量，a为交通网中的路段集合，ta为电动汽车在该典型场景下的路段a上的路段出行时间，k为待建立充电站集合，ek(t)为t时刻第k个待建立充电站的交通流量，tk为电动汽车在该典型场景下的第k个待建立充电站的排队充电时间，ω为积分变量；
[0270]
其中，确定所述半动态用户均衡模型需要满足的约束条件为：
[0271]
电动汽车以及燃油汽车在路径上的通行时间约束：
[0272][0273][0274]
式中，为t时刻电动汽车在起点r和终点s之间的第h条路径上的总通行时间，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的总通行时间，ta(t)为t时刻电动汽车在路段a上的路段出行时间，a为交通网中的路段集合，ea(t)为t时刻路段a的交通流量，为判断路段a是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量，k为待建立充电站集合，tk(t)为t时刻电动汽车在第k个待建立充电站的排队充电时间，ek(t)为t时刻第k个待建立充电站的交通流量，为判断第k个待建立充电站是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量，为判断路段a是否属于燃油汽车在起点r和终点s之间的第h条路径的二元变量；
[0275]
电动汽车以及燃油汽车在路径上的剩余交通流量约束：
[0276][0277]
式中，为t时刻电动汽车在起点r和终点s之间的剩余交通流量，为t时刻燃油汽车在起点r和终点s之间的剩余交通流量，为电动汽车在起点r和终点s之间的路径的集合，为燃油汽车在起点r和终点s之间的路径的集合，为t时刻电动汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻电动汽车在起点r和终点s之间的第h条路径上的总通行时间，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的总通行时间，τ为时间间隔长度；
[0278]
电动汽车以及燃油汽车的修正交通出行需求量约束：
[0279][0280][0281]
式中，为t时刻电动汽车在起点r和终点s之间的修正交通出行需求量，为t时刻燃油汽车在起点r和终点s之间的修正交通出行需求量，q
rs
(t)为t时刻在起点r和终点s之间的交通出行需求量，λ为电动汽车比率系数，为t-1时刻电动汽车在起点r和终点s之间的剩余交通流量，为t-1时刻燃油汽车在起点r和终点s之间的剩余交通流量，为t时刻电动汽车在起点r和终点s之间的剩余交通流量，为t时刻燃油汽车在起点r和终点s之间的剩余交通流量；
[0282]
分配给电动汽车以及燃油汽车在路径上的交通流量约束：
[0283][0284]
式中，为电动汽车在起点r和终点s之间的路径的集合，为燃油汽车在起点r和终点s之间的路径的集合，为t时刻电动汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻电动汽车在起点r和终点s之间的修正交通出行需求量，为t时刻燃油汽车在起点r和终点s之间的修正交通出行需求量，λ为电动汽车比率系数；
[0285]
交通网的路段以及待建立充电站的交通流量约束：
[0286][0287][0288]
式中，ea(t)为t时刻路段a的交通流量，ek(t)为t时刻第k个待建立充电站的交通流
量，r为起点r的集合，s为终点s的集合，为燃油汽车在起点r和终点s之间的路径的集合，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的交通流量，为判断路段a是否属于燃油汽车在起点r和终点s之间的第h条路径的二元变量，为电动汽车在起点r和终点s之间的路径的集合，为t时刻电动汽车在起点r和终点s之间的第h条路径上的交通流量，为判断路段a是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量，为判断第k个待建立充电站是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量。
[0289]
在一种实现方式中，所述电动汽车充电站选址规划模型建立模块603，可以包括：
[0290]
电压偏移与网损建立子模块，用于针对每个典型场景，建立在该典型场景下的所有待建立充电站接入所述配电网后产生的电压偏移成本函数和网损成本函数；
[0291]
实际总运营成本建立子模块，用于基于所述电压偏移成本函数和所述网损成本函数建立在该典型场景下的所有待建立充电站的实际总运营成本函数。
[0292]
在一种实现方式中，所述电动汽车充电站选址规划方案确定模块604，可以包括：
[0293]
初始设置子模块，用于针对每个典型场景，在该典型场景下的k1维空间中随机生成j个粒子，为所述j个粒子设置初始适应值与初始搜寻速度，其中，k1为待建立充电站数，每个粒子代表一种电动汽车充电站选址规划方案，其中，j和k1为正整数；
[0294]
适应值确定子模块，用于将各个粒子的初始适应值作为当前适应值，基于预设适应度函数对各个粒子的当前适应值进行适应度计算，确定各个粒子的个体最优适应值以及所有粒子中的群体最优适应值，其中，所述适应度函数表征电动汽车充电站建立成本的大小；
[0295]
适应值更新子模块，用于针对每个粒子，将该粒子的初始搜寻速度作为当前搜寻速度，基于所述群体最优适应值、该粒子的个体最优适应值以及当前适应值更新该粒子的当前搜寻速度得到更新后搜寻速度，根据所述更新后搜寻速度更新该粒子的当前适应值得到更新后适应值；
[0296]
第二判断子模块，用于判断是否符合迭代结束条件，如果是，触发确定子模块，如果否，触发执行子模块；
[0297]
所述确定子模块，用于将所述群体最优适应值作为该典型场景下的电动汽车充电站选址规划方案；
[0298]
所述执行子模块，用于将各个粒子的更新后适应值作为当前适应值，将各个粒子的更新后搜寻速度作为当前搜寻速度，触发所述适应值确定子模块中的所述基于预设适应度函数对各个粒子的当前适应值进行适应度计算。
[0299]
在一种实现方式中，所述最终电动汽车充电站选址规划方案确定模块605，可以包括：
[0300]
充电站建立成本确定子模块，用于将各个典型场景下的电动汽车充电站规划方案带入到各个典型场景下的电动汽车充电站选址规划模型中，得到各个电动汽车充电站规划方案在每个典型场景下的充电站建立成本；
[0301]
最大充电站建立成本确定子模块，用于针对每个电动汽车充电站规划方案，将所有典型场景下的最大的充电站建立成本作为该电动汽车充电站规划方案的最大充电站建
立成本；
[0302]
最终电动汽车充电站规划方案确定子模块，用于将各个电动汽车充电站规划方案的最大充电站建立成本中最小的最大充电站建立成本对应的电动汽车充电站规划方案作为最终电动汽车充电站规划方案。
[0303]
上述装置实施例与方法实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。装置实施例是基于方法实施例得到的，具体的说明可以参见方法实施例部分，此处不再赘述。
[0304]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0305]
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0306]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

技术特征：
1.一种电动汽车充电站选址规划方法，其特征在于，所述方法包括：对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合，基于最优传输距离确定每类场景集合对应的典型场景，其中，所述多源历史场景数据包括电动汽车出行需求历史数据、所述规划区域的配电网风机发电功率历史数据和所述规划区域电力负荷信息历史数据；针对每个典型场景，建立电动汽车在该典型场景下的交通网中的各路段的路段出行时间函数以及各待建立充电站的排队充电时间函数，建立电动汽车在各待建立充电站进行充电产生的碳排放量的碳排放流模型，基于所述路段出行时间函数、所述排队充电时间函数和所述碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，求解所述半动态用户均衡模型得到该典型场景下的各路段的交通流量以及各待建立充电站的交通流量；针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数以及电动汽车充电失败成本函数，基于该典型场景下的各路段的交通流量、各待建立充电站的交通流量、半动态用户均衡模型、所述实际总运营成本函数以及所述电动汽车充电失败成本函数建立该典型场景下的表征充电站建立成本大小的电动汽车充电站选址规划模型；针对每个典型场景，基于离散二进制粒子群算法对该典型场景下的电动汽车充电站选址规划模型进行求解，得到该典型场景下的电动汽车充电站选址规划方案，其中，所述电动汽车充电站选址规划方案为电动汽车充电站的站址设置方案；基于最大最小准则以及各个典型场景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定最终电动汽车充电站选址规划方案。2.如权利要求1所述的方法，其特征在于，所述对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合的步骤，包括：对规划区域的第一预设时间段内的多源历史场景数据进行预处理生成预处理后数据；基于预先建立的目标卷积神经网络深度学习模型对所述预处理后数据进行聚类得到多类场景集合，其中，所述目标卷积神经网络深度学习模型用于将多源场景样本数据和场景类别相关联。3.如权利要求2所述的方法，其特征在于，所述目标卷积神经网络深度学习模型的训练过程为：获取样本集中的第二预设时间段内的多源场景样本数据，将所述多源场景样本数据输入至初始卷积神经网络深度学习模型中，其中，所述多源场景样本数据包括电动汽车出行需求数据、所述规划区域的配电网风机发电功率数据和所述规划区域电力负荷信息数据；将所述初始卷积神经网络深度学习模型的初始模型参数作为当前模型参数，基于所述当前模型参数对所述多源场景样本数据进行深度特征提取得到高级特征表示的多源场景样本数据，并进行前向传播计算；确定多个初始聚类中心，将初始聚类中心作为当前聚类中心，通过软聚类方法对所述高级特征表示的多源场景样本数据进行聚类得到每个多源场景样本数据属于每个当前聚类中心的概率，基于所述概率将所述多源场景样本数据聚类至各个当前聚类中心代表的场景类别中；
判断是否满足预设停止条件；如果是，完成训练，得到使多源场景样本数据和场景类别相关联的目标卷积神经网络深度学习模型；如果否，根据每个多源场景样本数据属于每类初始聚类中心的概率以及加权平均方法更新每个初始聚类中心，将更新后的聚类中心作为当前聚类中心；通过反向传播计算得到损失函数，并更新所述初始模型参数，将更新后的模型参数作为当前模型参数；返回执行所述基于所述当前模型参数对所述多源场景样本数据进行深度特征提取得到高级特征表示的多源场景样本数据的步骤。4.如权利要求1-3任一项所述的方法，其特征在于，所述基于最优传输距离确定每类场景集合对应的典型场景的步骤，包括：针对每类场景集合中的每个场景，计算该场景与该类场景集合中的其他场景之间的最优传输距离之和，将该类场景集合中最优传输距离之和最小的场景确定为该类场景集合对应的典型场景。5.如权利要求1所述的方法，其特征在于，所述基于所述路段出行时间函数、所述排队充电时间函数和所述碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型的步骤，包括：基于所述路段出行时间函数、所述排队充电时间函数和所述碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，表示为：式中，min f
isdue
为针对每个典型场景，在该典型场景下的电动汽车出行最小成本，c
time
为时间成本，c
carb
为规划区域的碳价格，为t时刻第k个待建立充电站所在的第j个节点的碳排放强度，为t时刻第k个待建立充电站的充电功率，t为时间集合，e
a
(t)为t时刻路段a的交通流量，a为交通网中的路段集合，t
a
为电动汽车在该典型场景下的路段a上的路段出行时间，k为待建立充电站集合，e
k
(t)为t时刻第k个待建立充电站的交通流量，t
k
为电动汽车在该典型场景下的第k个待建立充电站的排队充电时间，ω为积分变量；其中，确定所述半动态用户均衡模型需要满足的约束条件为：电动汽车以及燃油汽车在路径上的通行时间约束：电动汽车以及燃油汽车在路径上的通行时间约束：式中，为t时刻电动汽车在起点r和终点s之间的第h条路径上的总通行时间，
为t时刻燃油汽车在起点r和终点s之间的第h条路径上的总通行时间，t
a
(t)为t时刻电动汽车在路段a上的路段出行时间，a为交通网中的路段集合，e
a
(t)为t时刻路段a的交通流量，为判断路段a是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量，k为待建立充电站集合，t
k
(t)为t时刻电动汽车在第k个待建立充电站的排队充电时间，e
k
(t)为t时刻第k个待建立充电站的交通流量，为判断第k个待建立充电站是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量，为判断路段a是否属于燃油汽车在起点r和终点s之间的第h条路径的二元变量；电动汽车以及燃油汽车在路径上的剩余交通流量约束：电动汽车以及燃油汽车在路径上的剩余交通流量约束：式中，为t时刻电动汽车在起点r和终点s之间的剩余交通流量，为t时刻燃油汽车在起点r和终点s之间的剩余交通流量，为电动汽车在起点r和终点s之间的路径的集合，为燃油汽车在起点r和终点s之间的路径的集合，为t时刻电动汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻电动汽车在起点r和终点s之间的第h条路径上的总通行时间，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的总通行时间，τ为时间间隔长度；电动汽车以及燃油汽车的修正交通出行需求量约束：电动汽车以及燃油汽车的修正交通出行需求量约束：式中，为t时刻电动汽车在起点r和终点s之间的修正交通出行需求量，为t时刻燃油汽车在起点r和终点s之间的修正交通出行需求量，q
rs
(t)为t时刻在起点r和终点s之间的交通出行需求量，λ为电动汽车比率系数，为t-1时刻电动汽车在起点r和终点s之间的剩余交通流量，为t-1时刻燃油汽车在起点r和终点s之间的剩余交通流量，为t时刻电动汽车在起点r和终点s之间的剩余交通流量，为t时刻燃油汽车在起点r和终点s之间的剩余交通流量；分配给电动汽车以及燃油汽车在路径上的交通流量约束：
式中，为电动汽车在起点r和终点s之间的路径的集合，为燃油汽车在起点r和终点s之间的路径的集合，为t时刻电动汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的交通流量，为t时刻电动汽车在起点r和终点s之间的修正交通出行需求量，为t时刻燃油汽车在起点r和终点s之间的修正交通出行需求量，λ为电动汽车比率系数；交通网的路段以及待建立充电站的交通流量约束：交通网的路段以及待建立充电站的交通流量约束：式中，e
a
(t)为t时刻路段a的交通流量，e
k
(t)为t时刻第k个待建立充电站的交通流量，r为起点r的集合，s为终点s的集合，为燃油汽车在起点r和终点s之间的路径的集合，为t时刻燃油汽车在起点r和终点s之间的第h条路径上的交通流量，为判断路段a是否属于燃油汽车在起点r和终点s之间的第h条路径的二元变量，为电动汽车在起点r和终点s之间的路径的集合，为t时刻电动汽车在起点r和终点s之间的第h条路径上的交通流量，为判断路段a是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量，为判断第k个待建立充电站是否属于电动汽车在起点r和终点s之间的第h条路径的二元变量。6.如权利要求1所述的方法，其特征在于，所述针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数的步骤，包括：针对每个典型场景，建立在该典型场景下的所有待建立充电站接入所述配电网后产生的电压偏移成本函数和网损成本函数；基于所述电压偏移成本函数和所述网损成本函数建立在该典型场景下的所有待建立充电站的实际总运营成本函数。7.如权利要求1所述的方法，其特征在于，所述针对每个典型场景，基于离散二进制粒子群算法对该典型场景下的电动汽车充电站选址规划模型进行求解，得到该典型场景下的电动汽车充电站选址规划方案的步骤，包括：针对每个典型场景，在该典型场景下的k1维空间中随机生成j个粒子，为所述j个粒子设置初始适应值与初始搜寻速度，其中，k1为待建立充电站数，每个粒子代表一种电动汽车充电站选址规划方案，其中，j和k1为正整数；将各个粒子的初始适应值作为当前适应值，基于预设适应度函数对各个粒子的当前适应值进行适应度计算，确定各个粒子的个体最优适应值以及所有粒子中的群体最优适应值，其中，所述适应度函数表征电动汽车充电站建立成本的大小；
针对每个粒子，将该粒子的初始搜寻速度作为当前搜寻速度，基于所述群体最优适应值、该粒子的个体最优适应值以及当前适应值更新该粒子的当前搜寻速度得到更新后搜寻速度，根据所述更新后搜寻速度更新该粒子的当前适应值得到更新后适应值；判断是否符合迭代结束条件；如果是，将所述群体最优适应值作为该典型场景下的电动汽车充电站选址规划方案；如果否，将各个粒子的更新后适应值作为当前适应值，将各个粒子的更新后搜寻速度作为当前搜寻速度，返回执行所述基于预设适应度函数对各个粒子的当前适应值进行适应度计算的步骤。8.如权利要求1所述的方法，其特征在于，所述基于最大最小准则以及各个典型场景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定最终电动汽车充电站选址规划方案的步骤，包括：将各个典型场景下的电动汽车充电站规划方案带入到各个典型场景下的电动汽车充电站选址规划模型中，得到各个电动汽车充电站规划方案在每个典型场景下的充电站建立成本；针对每个电动汽车充电站规划方案，将所有典型场景下的最大的充电站建立成本作为该电动汽车充电站规划方案的最大充电站建立成本；将各个电动汽车充电站规划方案的最大充电站建立成本中最小的最大充电站建立成本对应的电动汽车充电站规划方案作为最终电动汽车充电站规划方案。9.一种电动汽车充电站选址规划装置，其特征在于，所述装置包括：聚类模块，用于对规划区域的第一预设时间段内的多源历史场景数据进行聚类得到多类场景集合，基于最优传输距离确定每类场景集合对应的典型场景，其中，所述多源历史场景数据包括电动汽车出行需求历史数据、所述规划区域的配电网风机发电功率历史数据和所述规划区域电力负荷信息历史数据；半动态用户均衡模型建立模块，用于针对每个典型场景，建立电动汽车在该典型场景下的交通网中的各路段的路段出行时间函数以及各待建立充电站的排队充电时间函数，建立电动汽车在各待建立充电站进行充电产生的碳排放量的碳排放流模型，基于所述路段出行时间函数、所述排队充电时间函数和所述碳排放流模型建立该典型场景下的表征电动汽车出行成本最小的半动态用户均衡模型，求解所述半动态用户均衡模型得到该典型场景下的各路段的交通流量以及各待建立充电站的交通流量；电动汽车充电站选址规划模型建立模块，用于针对每个典型场景，建立在该典型场景下的所有待建立充电站的实际总运营成本函数以及电动汽车充电失败成本函数，基于该典型场景下的各路段的交通流量、各待建立充电站的交通流量、半动态用户均衡模型、所述实际总运营成本函数以及所述电动汽车充电失败成本函数建立该典型场景下的表征充电站建立成本大小的电动汽车充电站选址规划模型；电动汽车充电站选址规划方案确定模块，用于针对每个典型场景，基于离散二进制粒子群算法对该典型场景下的电动汽车充电站选址规划模型进行求解，得到该典型场景下的电动汽车充电站选址规划方案，其中，所述电动汽车充电站选址规划方案为电动汽车充电站的站址设置方案；最终电动汽车充电站选址规划方案确定模块，用于基于最大最小准则以及各个典型场
景下的电动汽车充电站选址规划模型从各个典型场景下的电动汽车充电站选址规划方案中确定最终电动汽车充电站选址规划方案。10.如权利要求9所述的装置，其特征在于，所述聚类模块，包括：预处理子模块，用于对规划区域的第一预设时间段内的多源历史场景数据进行预处理生成预处理后数据；聚类子模块，用于基于预先建立的目标卷积神经网络深度学习模型对所述预处理后数据进行聚类得到多类场景集合，其中，所述目标卷积神经网络深度学习模型用于将多源场景样本数据和场景类别相关联。

技术总结
本发明实施例公开一种电动汽车充电站选址规划方法及装置。该方法中基于真实的多源历史场景数据进行聚类，更贴合实际具有现实意义，采用考虑路段出行时间成本、电动汽车充电排队成本以及碳排成本的半动态用户均衡模型，可以贴合实际的求解得到耦合多周期交通网中的交通流量，提高选址规划结果的实用性，并引入了碳排放流模型，从消费侧跟踪电动汽车充产生的碳排放量，使得基于碳排放流模型可以规划产生较小碳排放量的电动汽车充电站选址规划模型，最后基于最大最小准则确定建立成本最小的最终电动汽车充电站选址规划方案，从而实现在最大程度满足用户的充电需求，同时保证充电站建立成本最小的前提下，对电动汽车充电站位置进行合理有效的规划。置进行合理有效的规划。置进行合理有效的规划。


技术研发人员：刘浠流 陈冠霖 吴宁 肖静 吴晓锐 李勋 黄智锋
受保护的技术使用者：南方电网电动汽车服务有限公司
技术研发日：2023.05.18
技术公布日：2023/10/7