基于NS-MFO的电动汽车充电网络优化规划

赵金龙 张卫钢 魏秀岭 杜传祥

摘 要： 在传统汽车逐渐被电动汽车取代的时代环境中，存在能源充电补给站的位置规划问题。提出一种基于NS-MFO的电动汽车充电网络优化规划，根据能源补给充电站的多目标因素，采用飞蛾螺旋形搜索。完成NS-MFO适应度计算，配置NS-MFO飞蛾火焰算法流程，最终得出能源补给充电站的位置网络优化规划。

关键词： NS-MFO; 适应度; 拥挤距离

中图分类号： TM715      文献标志码： 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

我国是人口大国，科技的进步，人们对物质文明的需求和汽车价格的降低，导致人们对汽车的拥有率与日俱增，人们感受到便利的同时，也带来大量的尾气量，促使人们逐渐面临空气环境质量严峻的考验。传统能源汽车带来的尾气污染问题，受到人们的关注，替代传统能源的电动汽车应运而生，且受到极大的关注和扶持[1]。电动汽车的发展和普及过程中，制约其飞速发展的关键因素之一就是能源问题，因此，电动汽车充电网络优化规划则是必不可少的研究问题，充电所需的充电站和网络布局是研究的重点问题。

电动能源是电动汽车能否顺利运营的关键因素，而充电站是能够保证电动汽车有效运行的基础支撑，同时完成对电动汽车维护和检测等附加服务，此项基础支撑的完备，直接制约电动汽车发展前景。在当今电动汽车的市场化过程中，如何建立高效的充电网络能源补给和附加增值服务，是电动汽车成功进入普适阶段的关键因子。充电安装设备、维护、土地等基础设施都将制约电动汽车的价格成本，那么研究如何节约成本，如何实现普及电动汽车应用，如何进行电动汽车充电网络优化规划，则成为当前研究的关键所在。

1 NS-MFO飞蛾火焰模型

进行电动汽车的充电站以及充电的网络的规划以及建设过程中，应该充分考虑和衡量多方面的制约因素，这主要涉及到土地资源成本、充电设备成本以及建成后的社会效益，既要衡量充电站自身的成本也要考虑电动汽车使用者的利益[2]。因此，构建电动汽车充电站规划与布设的数学模型，将总的建设和消耗的成本最优化为电动汽车充电站规划的多目标数学函数，使电动汽车的充电站建设投资及年运行费用之和最小[3-4]。

夜间活动的飞行昆虫依靠光线导航，如若在飞行昆虫的飞行区域放置光源，飞行昆虫则依靠其发散光线等角螺旋式飞行，最终飞向光源。这一自然现象最终由Mirjalili于2015年提出飞蛾火焰优化算法（MFO），本文为解决多目标问题的求解，Savsani[5]对MFO算法进行改进，提出非支配飞蛾火焰算法（NS-MFO）[6]。NS-MFO飞蛾火焰算法求解多目标规划问题五步模型如下[7]。

第一步：系统random产生原始飞蛾种群，根据原始飞蛾种群计算适应度排序和火焰number，構造火焰子阵;

第二步：飞蛾螺旋式靠近火焰光源，更新二代飞蛾族群;

第三步：更新完成之后，根据火焰数量的计算，合并未排序的飞蛾种群，排序之后，再次对排序整体的前半族群进行火焰子阵划分;

第四步：飞蛾螺旋式接近火焰光源，同时更新族群位置和计算当代飞蛾族群的适应度数值，为下次迭代准备;

第五步：判定是否结束，如若未达到接近火焰阈值，则返回第三步，否则终止迭代并记录族群位置信息[8]。

判定NS-MFO在处理多目标问题是否有效，本文采用三种测试函数对其进行测试，即Test_ZDT1、Test_ZDT2和Test_ZDT3，目标维数30，取值范围[0，1]，三种测试函数如表1所示。

2 NS-MFO网络规划

2.1 NS-MFO算法流程

NS-MFO算法求解充电站网络规划多目标优化流程，如图2所示。

NS-MFO算法求解充电站网络规划多目标优化流程如下。

1） NS-MFO算法流程起始初始化最大站点、种群规模和最大迭代次数等参数进入，Random原始飞蛾种群，每迭代一次，计数值i加1;

2） 同时计算火焰数量f，判断计数值i是否为1，如若为1，则跳过对新种群与上一次迭代未排序种群合并的步骤，直接进入飞蛾靠近火焰，更新种群;

3） 且判断i是否等于k，如若达到效果，则直接输出结果，否则再次进行迭代。

在NS-MFO算法中，飞蛾和火焰都是后备解，飞蛾围绕火焰螺旋形搜索，依靠其趋光性，其展现一条螺旋曲线的位置更新路径，趋光螺旋如式（1）。Mi=Diebtcos（2πt）+Fj

（1）式中的Di=Fj-Mi表示第i飞蛾与第j火焰之间的距离，b为螺旋形状常数，决定螺旋线的形状。t则为[-1，1]之间的随机数值，若取极限值-1和1时，则可在其为-1时，飞蛾距离火焰下一位置最近;否则其值为1时，表示飞蛾距离火焰下一位置最远[9-10]。

2.2 NS-MFO適应度计算

NS-MFO适应度计算首先计算种群个体目标值，根据计算的目标值完成非支配分层，每一层拥挤程度通过拥挤距离d进行计算，拥挤度公式如式（2）。dij=fi+1j-fi-1jfmaxj-fminj

（2）  适应度最后整体排序之后，完成输出，计算适应度时，最优个体适应度为1，最劣个体适应度为0，可按等间距取0-1的数值，NS-MFO适应度计算流程，如图3所示。

公式（2）中的i+1、i-1为第i相邻个体，i为个体序号，j为目标函数序号，dij为第i个体的第j个目标函数上的拥挤距离，f为个体序号在目标函数上的值，fmaxj和fminj为第j个目标函数的最大和最小值。适应度最优为1，最差的为0，取值范围在[0，1]之间，分层层级越小，个体则优;分层同层情况，拥挤距离越大，则越优。

3 NS-MFO案例分析

本文以西安市雁塔区为例，整个雁塔区拟规划建设30个节点，种群个体坐标和车流量，如表2所示。

根据公式2完成对NS-MFO适应度核心计算。虚拟电动汽车的充电效率为95%，电动汽车的充电站固有成本为90 w和运行年限15年，充电站的发展前景率为15%。充电站电价标准为0.5元/kW·h;运行耗电量0.2 kW·h/km。根据NS-MFO流程进行计算，计算划分30个电动汽车能源供给区域。

为保证NS-MFO的多目标问题有效性，采用表1测试函数进行测试，维数30，范围[0，1]，计算拥挤度d，完成NS-MFO适应度计算，配置NS-MFO飞蛾火焰算法流程，计算电动汽车充电站的网络规划和成本总额，本文西安雁塔区能源补给全年成本曲线，如图4所示。

根据本文能源补给成本曲线数据和种群个体特性，可计算出能源补给充电最优配置，如表3所示。

由西安雁塔区能源补给全年成本曲线曲线特性，在雁塔区建设4处能源补给站时，消耗总计成本可降至585.29万元。因此NS-MFO的多目标问题求解，可计算出其能源补给站服务网络划分位置，如图5所示。

4 总结

本文以西安市雁塔区为例，在一定的调研和假设数据基础上，保证NS-MFO的多目标问题有效性，采用表1测试函数进行测试，维数30，范围[0，1]，计算拥挤度d，完成NS-MFO适应度计算，配置NS-MFO飞蛾火焰算法流程，完成对电动汽车能源补给充电网络进行规划和优化，大大降低整体的费用消耗，体现其规划的实用性。

参考文献

[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] 孙小慧，刘锴，左志. 考虑时空间限制的电动汽车充电站布局模型研究[J].科学进展， 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.基于粒子群优化的加权Voronoi图充电站规划[J].中国电机工程学报，2009，29（16）：35-41.

[6] 任玉珑，史乐峰，张谦，等.电动汽车充电站最优分布和规模研究[J].电力系统自动化，201l，35（14）：53-57.

[7] 程俊博.ZigBee无线技术在智能交通信号采集系统设计中的运用[J].微型电脑应用，2019，35（6）：24-26.

[8] 刘卓然，陈健，林凯，等.国内外电动汽车发展现状与趋势[J].电力建设，2015，36（7）：25-32.

[9] 卢芳. 基于排队论的电动汽车充电站选址定容研究[D].北京：北京交通大学，2015.

[10] 左益. 基于全局优化和局部学习的进化多目标优化算法[D]. 西安：西安电子科技大学，2016.

（收稿日期： 2020.02.22）