一种基于改进灰狼优化器的电动汽车充电站选址定容方法

本发明专利涉及一种基于改进灰狼优化器的电动汽车充电站选址定容方法，在现代城市规划中具有重要意义。

背景技术：

1、电动汽车的快速发展促进了清洁能源交通系统的建设，而建立有效的充电基础设施是实现这一目标的核心。充电站的选址和定容是影响充电网络效率和服务质量的重要因素，这直接影响着电动车的可接受性和使用便利性。近几年来，已经提出了各种方法来解决电动汽车充电站优化分配的问题,传统解决方法通常包括了几种类型，例如线性规划、整数规划和多标准决策方法等。这些方法试图平衡成本、可达性以及其他诸如电网容量和环境影响等因素，学者们通过数学建模和优化技术确定充电站的位置和容量，以满足整体需求，然而这些方法在解决充电站选址定容问题时存在时间复杂度高并难以在高维空间中找到充电站的最佳位置的问题，导致充电网络在提供服务时存在不均匀性和不便利性。随着启发式算法的发展，研究人员针对用户充电过程中存在不均匀性和不便利性的问题，采用了基于节点的问题模型、重新分配算法、排队理论和服务满意度、真实数据整合等方法，这些研究以用户为中心，将电动汽车使用的各个方面整合到选址定容模型中的复杂性，以提高用户的满意度和充电网络的效率。灰狼优化算法(gwo)是典型的启发式算法，已被广泛应用于解决电动车充电站选址定容问题的多个研究中。

2、由于传统的优化方法在解决充电站选址定容问题时往往效率较低，因此本发明致力于提出一种改进的灰狼算法来解决这一挑战。针对传统的灰狼优化算法容易陷入局部最优和收敛速度慢的问题，我们提出了一种基于改进灰狼优化器的电动汽车充电站选址定容方法(iemgwo)。算法综合采用了多重策略，通过结合多样化的搜索机制与创新的更新规则，显著提升了灰狼优化算法(gwo)在搜索效率和收敛速度方面的性能。首先，在基本的灰狼优化算法基础上，引入了一种新的非线性调整收敛因子a的策略，有助于跳出局部最优解，提高全局搜索的能力；然后，本发明又提出了一种新的位置更新策略，此策略融合了三种独特的方法，每种方法通过引入一个不同分配机制的权重公式，让个体同时从全局最优位置和个体最优位置学习。之后进一步通过这些方法更新灰狼个体的位置，生成三个候选解，并通过计算每个解的适应度值，选择最优的解来更新个体的位置。实验结果表明iemgwo算法所求得的用户到充电站的最小充电总距离优于其他算法，且与其他群智能优化算法相比，具有更好的收敛速度和求解精度。

技术实现思路

1、基于灰狼优化算法的各种方法在充电站选址定容问题方面虽然已经取得了一些成功，但大多数基于灰狼优化算法的解决方案存在容易陷入局部最优和收敛速度慢的问题，现有的各种方法面临两个主要的挑战：(1)传统方法在解决充电站选址定容问题时存在时间效率不高的问题。最小总距离充电站问题通常在二维或三维空间中选择充电站位置，这相对容易处理。然而，随着问题规模的增加，当前方法难以在合理时间内找到充电站的最优位置和最佳容量。因此我们引入了融合多策略的灰狼优化算法去解决这个问题，传统的灰狼优化算法在高维空间中的搜索效率较低，难以在合理时间内找到最优解，因此需要适当的收敛准则来确保算法在合理时间内获得最优解。(2)传统灰狼优化算法在解决充电站选址定容问题时存在局部最优解陷阱。最小总距离充电站选址定容问题目标是找到最佳充电站位置，以最小化用户到达所属充电站的总距离。由于问题的复杂性，存在大量可能的局部最优解，这导致灰狼优化算法陷入其中而无法发现全局最优解。尤其是当充电站数量较多、区域复杂或用户分布不均匀时，算法更容易受到局部最优解的影响，难以得到全局最优解。为了解决上述问题，本发明考虑用户的实际需求和充电距离，设计了基于改进增强多策略灰狼优化算法(iemgwo)的最小总距离充电站选址定容方法。本发明主要包括六个部分：(1)对充电站选址定容问题进行建模。(2)引入非线性的收敛因子。(3)引入权重的位置更新公式。(4)基于改进灰狼优化器的训练框架。(5)对算法的有效性进行实验验证。

2、下面分别介绍以上六部分的内容:

3、1、对充电站选址定容问题进行建模。根据问题实例进行问题定义，定义充电站选址定容问题的决策变量，约束条件和目标函数。

4、2、引入非线性的收敛因子。非线性收敛因子可以在算法的早期阶段提供较大的变化，使得算法能够更广泛地探索解空间，从而增加找到全局最优解的可能性，本发明中将非线性收敛因子引入灰狼优化算法以提升算法的搜索效率和收敛速度方面的性能。

5、3、引入带权重的位置更新公式。通过为个体最优和全局最优位置分配不同的权重，算法可以在保持对全局最优解探索的同时，也考虑到个体历史最优位置，从而增强了全局搜索能力。通过三种独特的权重分配策略，算法能够更有效地更新灰狼个体的位置，生成多个候选解，并通过适应度评估选择最优解，从而提高了解的质量。

6、4、基于改进灰狼优化器的训练框架。首先详细分析并获取用户需求点的具体位置以及相应的充电需求量。接下来，确定在一定范围内需要建设的充电站数量，并设定了模型中使用的各种参数的初始值。模型的下一步是初始化灰狼群体的位置，这个步骤涉及到模拟灰狼群体的行为，以寻找最优的充电站位置，每个灰狼个体都代表了一个潜在的充电站布置方案。最后通过充电站选址定容问题的目标函数计算每个灰狼个体的目标值，找到最优的充电站位置。

7、5、对模型的有效性进行实验验证。通过实验证明，本发明相对于现有的充电站选址定容方法，在相似的计算时间下有着更高质量的解，相比于大多数传统的启发式方法，具有更高的求解质量和更短的计算时间。更重要的是，该模型不仅对于充电站选址定容问题具有高度的适用性和实用性，同时也具备强大的泛化能力，可以应用于其他多种大规模问题的选址决策中。

8、本发明为实现上述目的所采取的详细实施步骤如下：

9、步骤1：对充电站选址定容问题进行建模；假设已知用户需求点的位置集合i＝{x1,x2,x3,......,xn}和所有需求点的需求量集合d＝{d1,d2,d3,......,dn}，且综合考虑各方面因素确定所建充电站总数为p，在充电站数量一定的前提下，在这个区域内选取合适位置并分配适当容量的充电站，以满足电动车用户的充电需求(每个需求点分配给距离其最近的充电站)，使得所有用户需求点到达其所属充电站的距离总和最小。定义决策变量如下：

10、

11、其中，xi的值代表是否在第i个需求点附近建设充电站，建设则值为1，否则为0，yij为1表示第j个充电站为第i个需求点服务，否则为0。所建充电站总数为p，一个需求点只能分配给一个充电站，该充电站必须被建立。因此满足以下约束条件：

12、

13、其中，一个需求点只能分配给一个充电站，因此对于任何一个需求点i，其yij的总和始终为1。每个充电站的容量用以下公式计算：

14、

15、其中，di表示第i个需求点的需求量，yij为1表示第j个充电站为第i个需求点服务，否则为0。用dist(xi,pj)表示第i个需求点到充电站j的距离。综上所述，充电站选址定容问题的目标函数可以表示为：

16、

17、步骤2：引入非线性收敛因子；非线性收敛因子可以根据算法的迭代进程动态调整搜索步长，使得算法在接近最优解时能够进行更精细的搜索，从而提高收敛精度，为了增强算法的全局搜索能力和局部搜索能力，在迭代过程中引入非线性收敛因子，随着迭代次数的增加从2开始减小逐渐趋近于0，计算公式如下：

18、a(t+1)＝max(0.01,2e-0.1a(t)×(1+0.3cos(a(t))))

19、其中，t是当前的迭代次数，当t＝1时，a的值为2，引入非线性收敛因子调整自适应权重系数a以增强算法的全局搜索能力和局部搜索能力，计算公式如下：

20、a＝2a(t)·r-a(t)

21、其中，t是当前的迭代次数，r是在[0,1]之间的随机数，|a|≥1代表灰狼进行全局搜索，|a|＜1表示灰狼进行局部搜索。a是非线性收敛因子，如下式所示：

22、步骤3：引入带权重的位置更新公式；灰狼优化算法在解决复杂优化问题时易陷入局部极值，即出现早熟收敛的现象。为解决上述问题，本发明对位置更新公式进行了改进，利用三种不同的计算方法，生成三个候选解，再分别计算出三个候选解的适应度值，选取适应度值最优的作为最终解，以此确定ω个体的最终位置。

23、其他灰狼个体的位置根据α狼、β狼和δ狼的位置进行更新。更新公式如下：

24、x1＝xα-a1·|c1·xα-x|

25、x2＝xβ-a2·|c2·xβ-x|

26、x3＝xδ-a3·|c3·xδ-x|

27、其中，x1，x2和x3分别表示受α层狼群、β层狼群、δ层狼群影响，xα，xβ和xδ分别表示α狼、β狼和δ狼的位置，x是灰狼个体当前位置，a1，a2和a3为自适应权重系数，c1，c2和c3为随机向量，计算公式如下：

28、c＝2r

29、其中，r是在[0,1]之间的随机数。本发明利用三种不同的计算方法，生成三个候选解，再分别计算出三个候选解的适应度值，选取适应度值最优的作为最终解，以此确定ω个体的最终位置。

30、第一个候选解是让个体同时从全局最优位置和个体历史最优位置进行学习，并引入权重公式，计算公式如下：

31、

32、d＝(1-w)·(r3·(xα-x(t))+(1-r3)·(x1-x(t)))

33、其中，t为当前迭代次数，r3为[0,1]之间的随机数，w表示惯性权重，从初始值w1线性递减到最终值w2，计算如下：

34、w＝w1-(w1-w2)×r4+0.1×r5

35、第二个候选解是给x1，x2和x3分别分配了不同的权重，以引导狼群向最优解方向进化引入了动态权重策略，并利用改进的步长欧式距离计算比例权重，r4和r5为[0,1]之间的随机数，计算公式如下：

36、

37、其中，t为当前迭代次数，t是总的迭代次数，三部分的权重利用以下公式计算，其中ε∈[0,0.01]：

38、

39、第三个候选解是从群体中随机选取个体与当前个体进行差分搜索，同时对个体的记忆公式进行改进，使其能够记忆自身进化过程中的最优解，r1，r2和r3为[0,1]之间的随机数，计算公式如下：

40、

41、将三个候选解分别代入目标函数进行计算，选取适应度值最优的作为ω个体的最终位置，计算公式如下：

42、

43、步骤4：基于改进灰狼优化器的训练框架；在充电站选址定容问题中，所有充电站的不同位置组合可以看作多个不同的规划方案。因此，本发明采用融合了多种策略的灰狼优化算法，增强了传统灰狼优化算法的全局搜索能力和收敛速度，每一只灰狼代表了一种不同的充电站放置方案，用改进灰狼优化器解决充电站选址定容问题的具体步骤如下：

44、步骤4.1：获取用户需求点的具体位置以及相应的充电需求量，确定要建设的充电站数量；

45、步骤4.2：群体初始化；首先，随机生成一定数量的灰狼个体作为初始种群。每个灰狼个体可以表示为一个可能的充电站选址及其对应的容量配置方案。这些个体的位置和状态将根据目标函数的值进行不断更新，以逐步寻找最优解；

46、步骤4.3：目标函数定义；充电桩选址定容问题是在一定的区域内找到所有充电站放置的最优位置并分配合适的容量，使其在满足用户需求的情况下使得所有用户需求点到达其所属充电站的距离总和最小，将该问题转化为一个适应度函数，可表示为xi表示第i个需求点的位置，pj表示第j个充电站，dist(xi,pj)表示第i个需求点到充电站j的距离，yij为1表示第j个充电站为第i个需求点服务，否则为0；

47、步骤4.4：位置更新；其他灰狼个体的位置根据α狼、β狼和δ狼的位置进行更新，结合三种不同策略的位置更新公式进行计算，将生成三个候选解分别代入目标函数进行计算，选取适应度值最优的作为ω个体的最终位置，计算公式如下：

48、

49、其中，f代表目标函数，x1(t+1)，x2(t+1)和x3(t+1)分别代表生成的三个候选解，最终得到xp(t+1)为灰狼个体的最终位置，也代表一个充电站的规划方案。

50、步骤4.5：更新α狼、β狼和δ狼；根据适应度值，选择当前种群中适应度值最优的三个灰狼个体，分别作为α狼、β狼和δ狼。α狼表示当前种群中最优的解决方案，β狼和δ狼分别为次优和第三优的解决方案。

51、步骤4.6：判断终止条件；判断是否达到最大迭代次数或者适应度值不再显著提升，若达到则输出当前最优解，即最佳充电站选址方案；否则返回步骤4.3，继续迭代。

52、步骤4.7：确定充电站的容量；当确定了所有充电站的位置，然后为每个需求点分配最近的充电站，每个充电站的容量确定为所服务需求点的需求量总和。计算公式如下：

53、

54、其中，di表示第i个需求点的需求量，yij为1表示第j个充电站为第i个需求点服务，否则为0。用dist(xi,pj)表示第i个需求点到充电站j的距离。

55、步骤4.8：结果输出；输出最终的充电站选址及容量配置方案，绘制出需求点和充电站的分配连线图。

56、本发明考虑用户的实际需求和充电距离，提出了一种改进的灰狼算法来解决充电站选址定容问题，优化充电网络中用户的充电距离总和，称为基于改进增强多策略灰狼优化算法(iemgwo)的最小总距离充电站选址定容方法。iemgwo算法采用多种策略对原有灰狼算法进行优化，提高了算法的搜索策略和收敛性能。一方面，我们提出了一种新的非线性调整收敛因子的策略，可以调整算法的收敛速度，使得算法更快地趋近于全局最优解，在有限的迭代次数内得到更优的充电站选址定容方案，这可以大大缩短算法求解时间，提高算法的效率。另一方面，我们提出了一种新的位置更新策略，通过整合三种不同权重分配公式的方法，实现了算法个体同时从全局最优和个体最优位置进行学习，之后通过合并三种方法来更新个体位置，并生成三个候选解，随后基于适应度值选择最佳解作为位置更新，增强了算法的全局搜索能力，并有效避免了局部最优陷阱，使其找到全局最优解。本文算法通过结合不同的搜索策略和更新策略显著提升了算法的全局搜索效率，有效避免陷入局部最优解，从而在更广泛的搜索空间中探索全局最优解。多种策略的引入使得灰狼优化算法可以找到更优的充电站选址定容方案，为解决优化问题提供了一种高效的工具。