基于NS-MFO的電動汽車充電網絡優化規劃

趙金龍 張衛鋼 魏秀嶺 杜傳祥

摘 要： 在傳統汽車逐漸被電動汽車取代的時代環境中，存在能源充電補給站的位置規劃問題。提出一種基于NS-MFO的電動汽車充電網絡優化規劃，根據能源補給充電站的多目標因素，采用飛蛾螺旋形搜索。完成NS-MFO適應度計算，配置NS-MFO飛蛾火焰算法流程，最終得出能源補給充電站的位置網絡優化規劃。

關鍵詞： NS-MFO; 適應度; 擁擠距離

中圖分類號： TM715 ? ? ?文獻標志碼： 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

我國是人口大國，科技的進步，人們對物質文明的需求和汽車價格的降低，導致人們對汽車的擁有率與日俱增，人們感受到便利的同時，也帶來大量的尾氣量，促使人們逐漸面臨空氣環境質量嚴峻的考驗。傳統能源汽車帶來的尾氣污染問題，受到人們的關注，替代傳統能源的電動汽車應運而生，且受到極大的關注和扶持[1]。電動汽車的發展和普及過程中，制約其飛速發展的關鍵因素之一就是能源問題，因此，電動汽車充電網絡優化規劃則是必不可少的研究問題，充電所需的充電站和網絡布局是研究的重點問題。

電動能源是電動汽車能否順利運營的關鍵因素，而充電站是能夠保證電動汽車有效運行的基礎支撐，同時完成對電動汽車維護和檢測等附加服務，此項基礎支撐的完備，直接制約電動汽車發展前景。在當今電動汽車的市場化過程中，如何建立高效的充電網絡能源補給和附加增值服務，是電動汽車成功進入普適階段的關鍵因子。充電安裝設備、維護、土地等基礎設施都將制約電動汽車的價格成本，那么研究如何節約成本，如何實現普及電動汽車應用，如何進行電動汽車充電網絡優化規劃，則成為當前研究的關鍵所在。

1 NS-MFO飛蛾火焰模型

進行電動汽車的充電站以及充電的網絡的規劃以及建設過程中，應該充分考慮和衡量多方面的制約因素，這主要涉及到土地資源成本、充電設備成本以及建成后的社會效益，既要衡量充電站自身的成本也要考慮電動汽車使用者的利益[2]。因此，構建電動汽車充電站規劃與布設的數學模型，將總的建設和消耗的成本最優化為電動汽車充電站規劃的多目標數學函數，使電動汽車的充電站建設投資及年運行費用之和最小[3-4]。

夜間活動的飛行昆蟲依靠光線導航，如若在飛行昆蟲的飛行區域放置光源，飛行昆蟲則依靠其發散光線等角螺旋式飛行，最終飛向光源。這一自然現象最終由Mirjalili于2015年提出飛蛾火焰優化算法（MFO），本文為解決多目標問題的求解，Savsani[5]對MFO算法進行改進，提出非支配飛蛾火焰算法（NS-MFO）[6]。NS-MFO飛蛾火焰算法求解多目標規劃問題五步模型如下[7]。

第一步：系統random產生原始飛蛾種群，根據原始飛蛾種群計算適應度排序和火焰number，構造火焰子陣;

第二步：飛蛾螺旋式靠近火焰光源，更新二代飛蛾族群;

第三步：更新完成之后，根據火焰數量的計算，合并未排序的飛蛾種群，排序之后，再次對排序整體的前半族群進行火焰子陣劃分;

第四步：飛蛾螺旋式接近火焰光源，同時更新族群位置和計算當代飛蛾族群的適應度數值，為下次迭代準備;

第五步：判定是否結束，如若未達到接近火焰閾值，則返回第三步，否則終止迭代并記錄族群位置信息[8]。

判定NS-MFO在處理多目標問題是否有效，本文采用三種測試函數對其進行測試，即Test_ZDT1、Test_ZDT2和Test_ZDT3，目標維數30，取值范圍[0，1]，三種測試函數如表1所示。

2 NS-MFO網絡規劃

2.1 NS-MFO算法流程

NS-MFO算法求解充電站網絡規劃多目標優化流程，如圖2所示。

NS-MFO算法求解充電站網絡規劃多目標優化流程如下。

1） NS-MFO算法流程起始初始化最大站點、種群規模和最大迭代次數等參數進入，Random原始飛蛾種群，每迭代一次，計數值i加1;

2） 同時計算火焰數量f，判斷計數值i是否為1，如若為1，則跳過對新種群與上一次迭代未排序種群合并的步驟，直接進入飛蛾靠近火焰，更新種群;

3） 且判斷i是否等于k，如若達到效果，則直接輸出結果，否則再次進行迭代。

在NS-MFO算法中，飛蛾和火焰都是后備解，飛蛾圍繞火焰螺旋形搜索，依靠其趨光性，其展現一條螺旋曲線的位置更新路徑，趨光螺旋如式（1）。Mi=Diebtcos（2πt）+Fj

（1）式中的Di=Fj-Mi表示第i飛蛾與第j火焰之間的距離，b為螺旋形狀常數，決定螺旋線的形狀。t則為[-1，1]之間的隨機數值，若取極限值-1和1時，則可在其為-1時，飛蛾距離火焰下一位置最近;否則其值為1時，表示飛蛾距離火焰下一位置最遠[9-10]。

2.2 NS-MFO適應度計算

NS-MFO適應度計算首先計算種群個體目標值，根據計算的目標值完成非支配分層，每一層擁擠程度通過擁擠距離d進行計算，擁擠度公式如式（2）。dij=fi+1j-fi-1jfmaxj-fminj

（2） ?適應度最后整體排序之后，完成輸出，計算適應度時，最優個體適應度為1，最劣個體適應度為0，可按等間距取0-1的數值，NS-MFO適應度計算流程，如圖3所示。

公式（2）中的i+1、i-1為第i相鄰個體，i為個體序號，j為目標函數序號，dij為第i個體的第j個目標函數上的擁擠距離，f為個體序號在目標函數上的值，fmaxj和fminj為第j個目標函數的最大和最小值。適應度最優為1，最差的為0，取值范圍在[0，1]之間，分層層級越小，個體則優;分層同層情況，擁擠距離越大，則越優。

3 NS-MFO案例分析

本文以西安市雁塔區為例，整個雁塔區擬規劃建設30個節點，種群個體坐標和車流量，如表2所示。

根據公式2完成對NS-MFO適應度核心計算。虛擬電動汽車的充電效率為95%，電動汽車的充電站固有成本為90 w和運行年限15年，充電站的發展前景率為15%。充電站電價標準為0.5元/kW·h;運行耗電量0.2 kW·h/km。根據NS-MFO流程進行計算，計算劃分30個電動汽車能源供給區域。

為保證NS-MFO的多目標問題有效性，采用表1測試函數進行測試，維數30，范圍[0，1]，計算擁擠度d，完成NS-MFO適應度計算，配置NS-MFO飛蛾火焰算法流程，計算電動汽車充電站的網絡規劃和成本總額，本文西安雁塔區能源補給全年成本曲線，如圖4所示。

根據本文能源補給成本曲線數據和種群個體特性，可計算出能源補給充電最優配置，如表3所示。

由西安雁塔區能源補給全年成本曲線曲線特性，在雁塔區建設4處能源補給站時，消耗總計成本可降至585.29萬元。因此NS-MFO的多目標問題求解，可計算出其能源補給站服務網絡劃分位置，如圖5所示。

4 總結

本文以西安市雁塔區為例，在一定的調研和假設數據基礎上，保證NS-MFO的多目標問題有效性，采用表1測試函數進行測試，維數30，范圍[0，1]，計算擁擠度d，完成NS-MFO適應度計算，配置NS-MFO飛蛾火焰算法流程，完成對電動汽車能源補給充電網絡進行規劃和優化，大大降低整體的費用消耗，體現其規劃的實用性。

參考文獻

[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] 孫小慧，劉鍇，左志. 考慮時空間限制的電動汽車充電站布局模型研究[J].科學進展， 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.基于粒子群優化的加權Voronoi圖充電站規劃[J].中國電機工程學報，2009，29（16）：35-41.

[6] 任玉瓏，史樂峰，張謙，等.電動汽車充電站最優分布和規模研究[J].電力系統自動化，201l，35（14）：53-57.

[7] 程俊博.ZigBee無線技術在智能交通信號采集系統設計中的運用[J].微型電腦應用，2019，35（6）：24-26.

[8] 劉卓然，陳健，林凱，等.國內外電動汽車發展現狀與趨勢[J].電力建設，2015，36（7）：25-32.

[9] 盧芳. 基于排隊論的電動汽車充電站選址定容研究[D].北京：北京交通大學，2015.

[10] 左益. 基于全局優化和局部學習的進化多目標優化算法[D]. 西安：西安電子科技大學，2016.

（收稿日期： 2020.02.22）