一种基于用户行为的电动汽车充电站选址方法与流程

1.本发明涉及大数据技术领域，具体是一种基于用户行为的电动汽车充电站选址方法。


背景技术：

2.根据国际能源署统计，交通系统的能源消耗和相关碳排放分别约占全球的29％和23％，是目前能源危机和环境污染问题的重要根源之一。为实现交通系统的节能减排，我国投入了大量的资金，大力推进电动汽车产业发展。在此背景下，有必要研究基于数据驱动的电动汽车充电站选址技术，从而指导相关的电动汽车服务，为改善用户电动汽车的使用体验，提供理论和技术支撑。
3.目前的相关研究多单独从电网、运营商视角出发，主要考虑配电网或成本。例如，申请(专利)号：202011051740.x，名称：基于改进的鲸鱼算法的电动汽车充电站选址建模方法，该专利在传统充电站选址研究的基础上加入服务容量因素的影响，构建最小化成本且限制服务容量的电动汽车充电站选址模型，但没有从电动汽车用户角度进行选址优化。申请(专利)号：202110291281.0，名称：一种电动汽车充电站选址优化方法及系统，该专利主要考虑人口分布、区域功能、地理位置因素，构建考虑建设成本和距离条件约束的充电站选址模型来进行选址，其无法更好地从用户具体需求出发来进行选址。
4.部分研究从用户视角出发，主要基于充电站的使用数据来对用户需求进行预测，从而进一步考虑充电站选址问题。例如，申请(专利) 号：201910167083.6，名称：一种电动汽车充电桩的选址方法和系统，该专利主要基于的数据包括目标地区的地图、人口密度分布数据、信息点数据和多个潜在充电事件数据，然后基于实现随机充电事件满足率和充电桩使用率最优来进行选址，缺乏基于用户使用行为的考虑以及用户便利性、充电站成本的考虑。
5.此外，也有一些研究开始引入电动汽车的出行数据来计算充电负荷，从而指导选址，但在特征维度的充分性等一些方面仍有待提高。例如，申请(专利)号：201910820177.9，名称：考虑用户充电体验和配电网运行风险的充电站规划方法，该专利考虑的特征维度主要包括：充电站地址及各分区电动汽车容量、充电过程参数、配电网络等，基于此进行充电负荷的计算，综合用户充电体验、电网运行情况及充电站建设成本等需求来进行充电站规划。该专利引入了电动汽车的历史出行数据、荷电状态等维度的数据，一定程度上能较好地从用户角度出发进行考虑，但缺乏时空流动特征、地理因素(如poi、路段等)、速度等特征的考虑，全面性有所不足。申请(专利)号：201910534374.4，名称：一种考虑用户充电需求转移的充电站选址定容策略，该专利主要针对用户充电行为随机性和充电行为对电网电能质量影响，以电动汽车历史行驶轨迹数据以及充电桩建造运营维护成本服务盈利模式为基础，根据电动汽车里程以及客观地理环境因素，对电动汽车充电站进行选址定容，最大化充电服务商盈利以及减少对电网电能质量的影响，但该专利不对单个电动汽车充电行为进行预测，而是采用历史汽车行驶轨迹制定最优选址定容方案，静态的数据一定程度上会对结果
造成影响。
6.综上，现有的研究很少充分利用电动汽车用户的行为数据来对具体的用户需求进行挖掘，从而进行充电站选址。


技术实现要素：

7.针对现有技术存在的上述不足，本发明提供一种基于用户行为的电动汽车充电站选址方法，可以提供更为灵活的基于具体需要的充电站选址决策。
8.本发明采用的技术方案为：
9.步骤一、基于车辆数据、时间数据、位置数据、轨迹数据、poi 数据、soc数据进行挖掘，得到特征量的概率分布，利用蒙特卡洛模拟方法进行电动汽车充电需求预测；
10.步骤二、基于步骤一预测的电动汽车充电需求，利用多目标决策方法构键电动汽车充电站选址模型；
11.步骤三、基于构建的电动汽车充电站选址模型，利用仿真模拟的方法以及改进的飞蛾火焰算法进行模型求解，得到具体的选址决策。进一步的，所述步骤一具体包括：
12.a、获取数据，包括电动汽车用户的车辆数据、时间数据、位置数据、轨迹数据、poi数据、soc数据；
13.b、对步骤a获取的数据进行预处理；
14.c、对步骤b预处理后的数据进行挖掘，包括地图匹配、生成再生数据、通过网格划分进行空间建模、poi识别、功能区时空流动特征挖掘；
15.d、基于步骤c的数据挖掘结果，进行电动汽车用户的出行过程模拟及充电决策模拟，基于出行过程模拟和充电决策模拟对用户的充电需求进行计算，得到各个区域的理论充电需求量。
16.进一步的，步骤二中基于预测的电动汽车充电需求，利用多目标决策方法构键电动汽车充电站选址模型，具体为：
17.(1)以尽可能高的服务水平满足电动汽车用户的充电需求为目标，设定电动汽车充电需求满足约束，所述电动汽车充电需求满足约束包括最大充电距离约束和充电需求满足率约束：
18.设研究区域内有需求点集合m，需求点数量为m，充电站最大数量为n，充电站集合n，用户能接受的最大充电距离为d，则充电站的平均充电距离可由以下公式表示：
[0019][0020]
其中，di为第i座充电站的平均充电距离，(xi,yi)为第i座充电站的坐标，(xj,yj)为需求点的坐标，mi表示第i座充电站服务的需求点集合，mi为第i座充电站服务的需求点个数；
[0021]
其中最大充电距离约束为：
[0022]
充电站的需求满足率包括快充
和慢充的满足率，由该区域充电需求量最多的时间段的需求满足率决定，充电需求量为同一时刻需要充电的电动汽车数量，充电站需求满足率约束如下：
[0023][0024][0025]
其中，sci为第i座充电站的慢充满足率；fci为第i座充电站的快充满足率；m
i1
为有慢充需求的电动汽车数量；m
i2
为有快充需求的电动汽车数量；n
i1
为第i座充电站有n
i1
个慢充桩；n
i2
为为第i座充电站有n
i2
个快充桩；cl为充电需求满足率最低水平；
[0026]
(2)以充电站总建设成本最小为目标，进行目标函数的设置： mincost
总
＝cost
固定
cost
可变
；
[0027]
(3)综合步骤(1)及步骤(2)，得到充电站选址模型如下：目标函数：
[0028]
最小化平均充电距离：
[0029][0030]
最小化充电站成本：
[0031]
mincost
总
＝cost
固定
cost
可变
[0032]
约束条件：
[0033][0034][0035][0036]
进一步的，步骤三、基于构建的电动汽车充电站选址模型，利用仿真模拟的方法以及改进的飞蛾火焰算法进行模型求解，得到具体的选址决策，即充电站数量及选址地点，具体为：
[0037]
根据充电需求，运用改进的飞蛾火焰算法，对选址和定容进行模拟，求出占优解集，得到最终的选址决策，具体步骤如下：
[0038]
①
输入充电需求数据；
[0039]
②
对最大站点数量n、种群规模s、最大迭代次数k、最大充电距离、充电站最大服务容量参数进行初始化；
[0040]
③
在现有的需求点中随机生成初生代飞蛾种群；
[0041]
④
开始迭代，并计算本次迭代的火焰数量f，若为首次迭代，则计算得到第一代飞蛾种群适应度，基于此进行种群排序，将排序后的种群作为火焰矩阵，然后跳转至第
⑦
步，若非首次迭代，则转第
⑤
步；
[0042]
⑤
合并新种群和前一次迭代中未排序的种群，在此基础上计算种群适应度，基于个体适应度对新种群进行排序；
[0043]
⑥
对于排序后的种群，将前半部分的个体作为本次迭代中的最优种群，并将这部分个体中的前f个作为火焰矩阵；
[0044]
⑦
让飞蛾逐步向火焰靠近，基于此对飞蛾种群进行更新；
[0045]
⑧
根据终止条件判断是否结束迭代，若满足终止条件，则终止迭代，输出数据；否则转至第
④
步，继续迭代；
[0046]
随着迭代次数的增加，两个目标函数：平均充电距离和充电站建设成本的值逐渐收敛，得到全部帕累托占优解，占优解组成的面为帕累托前沿面，当帕累托前沿面分布的广度和均匀度较好时，则方法有效，占优解之间没有优劣之分，两个帕累托占优解之间进行比较，若一个解在某个目标上的值优于另一个解，其在令一个目标上的值一定劣于另一个解，根据具体情况选取最终的选址方案；
[0047]
其中，种群适应度的计算流程如下：首先，输入飞蛾种群数据，并计算个体的各目标函数值；然后，根据个体目标函数值进行非支配分层；接着，计算每个层级个体的拥挤度，具体公式如下：
[0048][0049]
式中，i 1和i-1是与第i个个体相邻的两个个体；d
ji
为第i个个体的第j个目标函数上的拥挤距离；f
ji 1
为第i 1个个体的第j个目标函数的值；f
jmax
和f
jmin
分别为第j个目标函数的最大值与最小值；再有，基于非支配分层后的层级和每一层级的拥挤度来排序个体，层级不同，则层级越小个体越优；层级相同，则拥挤度越大个体越优，最后，计算各个个体的适应度，最优为1，最劣为0，中间的在0-1 之间进行等间距取值。
[0050]
进一步的，步骤a中所述所述车辆数据包括车辆id；所述时间数据包括路途开始时间、沿途各个目的地的到达/离开时间、停留时间；所述位置数据包括起点/终点位置、停留地位置；所述轨迹数据包括轨迹gps纬度、轨迹gps经度、速度数据、方向数据。
[0051]
进一步的，步骤b中对步骤a获取的数据进行预处理，具体为：
[0052]
首先，按单日数据分为若干集合；
[0053]
然后，对坏点数据进行删除，所述坏点数据包括：不在研究区域范围内的数据；同一车辆同一时间段短距离内的多条重复数据；速度异常的数据；异常偏移的数据；
[0054]
最后，基于具体需求，对poi数据进行分类的确定，具体分类为：居民区、商业区、工业区、公共服务区。
[0055]
进一步的，步骤c中对步骤b预处理后的数据进行挖掘，具体为：
[0056]
首先，进行地图匹配，即将gps轨迹与路网模型进行匹配；
[0057]
其次，生成再生特征数据：od出行集、路网同行速度集、实际行驶路径集；
[0058]
然后，进行空间建模，选择合适尺度对研究区域进行网格划分, 划分方法为：
①
在不同尺度下对研究的空间范围进行划分，并进行网格编号：au(j)＝{au(1),au(2),...au(m)}，其中，u为划分的尺度，u∈[50,500]，间隔为50m；au(j)为尺度u下第j个网格的编号；m
为一共划分了m 个网格；
②
计算不同空间尺度下网格内的有效数据量：其中，eu(i)为第i个网格中有效od点的数量，通过
①②
两步，得到最佳的u值，并基于此进行网格划分；
[0059]
再者，进行poi识别：结合实际情况，进行poi分类，在此基础上，基于poi数据进行功能区的识别，即计算网格内各类poi密度占比确定该网格的功能性质，确定网格的功能类型：
①
计算各个网格中od点集合中各类poi的个数：其中，n
ik
为第i个网格中k类型的poi数量；no(i,m,k)为第i个网格中第m个k类型的起点；nd(i,n,k)为第i个网格中第n个k类型的终点；
②
计算各个网格中的poi类型情况：ni＝∑n(i,k)，其中ni为第i个网格中poi总数，n(i,k)为第i个网格中k类型的poi数量；
③
根据需要对网格进行聚合；
[0060]
最后，对功能区时空流动特征进行挖掘，结合od集合poi识别，挖掘功能区的时空流动特征。
[0061]
进一步的，步骤d具体包括：
[0062]
首先，进行电动汽车出行过程模拟：基于步骤c中的数据挖掘结果，确定电动汽车各个出行特征量的概率分布，针对每个特征量，运用蒙特卡洛模拟方法抽取服从符合其概率分布的随机数，实现对每辆电动汽车出行过程的模拟；
[0063]
然后，进行电动汽车用户的充电决策模拟：基于电动汽车电池现有剩余电量、下次出行距离和在当前且的地停留时长三个因素来对电动汽车到达某一个地点之后是否会充电以及充电时长进行判断，运用蒙特卡洛模拟方法抽取服从这三个特征量概率分布的随机数并在计算机上进行模拟，得到每辆电动汽车每次充电的数据，在此基础上，进行决策判断；
[0064]
再有，将电动汽车出行过程模拟和充电决策过程模拟进行整合，得到电动汽车一天的充电需求数据，包括充电需求发生的地点、发生的时间以及充电时长；
[0065]
最后，进行充电需求计算：对研究区域进行网格划分；处在同一个小方格区域中的需求被看作是发生在同一地点；将每个小方格区域的中心称为该区域的理论充电需求发生点；将一天的时间按每小时划分为24个时间段，统计每个小区域各个时间段的快充需求量fq
need-t
和慢充需求量sq
need-t
；选取需求量最大的时间段中的需求量作为该区域的的理论充电需求量q
need
，则可以得到以下公式：
[0066]qneed
＝max{fq
need-t
sq
need-t
}(t＝1,2,...24)。
[0067]
进一步的，所述决策判断具体包括：
[0068]
第四，判断是否充电：当soc＜soc
min
q
next
时，则选择充电；当 soc≥soc
min
q
next
时，则选择不充电，其中，soc为电动汽车当前荷电状态，soc
min
为用户可接受的最低荷电状态，q
next
为下次出行所需电量；
[0069]
第五，判断选择何种模式充电：当soc q
慢
≥soc
min
q
next
时，选择慢充；当soc q
慢
＜soc
min
q
next
时，选择快充，其中，q
慢
为停留时间内慢充电量；
[0070]
第六，判断充电量及充电时长：当停留时间内能充满，则 q
充
＝soc
max-soc，
当停留时间内无法充满，则t＝t
停留
，q
充
＝t*p，其中q
充
为充电电量，soc
max
为满电状态的电量，t为充电时长，p 为充电功率，t
停留
为停留时长。
[0071]
进一步的，所述出行特征量包括出行地点、出行时刻、出行目的地、到达目的地时刻、出行距离、目的地停留时长。
[0072]
本发明提供一种基于用户行为的电动汽车充电站选址方法，站在用户角度，利用电动汽车用户的轨迹数据、地理数据、电池数据等多个维度的数据，充分挖掘用户的真实需求，基于此进行电动汽车充电站选址，在具体选址中，同时基于用户角度和充电站角度进行优化选址，利用多目标决策的方法：基于最小化平均充电距离和最小化充电站成本来构建目标函数，基于充电距离、需求满足率等约束构建约束条件，利用蒙特卡洛方法进行选址的模拟，最后利用改进的飞蛾火焰算法进行求解，可以提供更为灵活的基于具体需要的充电站选址决策。本发明可为实际场景中的电动汽车充电站规划提供依据。
附图说明
[0073]
图1是本发明一种基于用户行为的电动汽车充电站选址方法其中一个实施例的流程图；
[0074]
图2是真实充电需求与离规划充电站距离间的关系。
具体实施方式
[0075]
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例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做出创造性劳动的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。
[0076]
请参阅图1，本发明实施例提供一种基于用户行为的电动汽车充电站选址方法，首先，基于电动汽车出行数据进行充电需求预测；其次，利用多目标决策方法构建电动汽车充电站选址模型；最后，利用仿真模拟的方法以及改进的飞蛾火焰算法进行模型求解，得到具体的选址决策。具体包括以下步骤：
[0077]
a、从数据源获取以下数据：车辆数据(车辆id)；时间数据(行程开始时间、行程结束时间)；位置数据(行程起点位置、行程终点位置)；轨迹数据(轨迹gps纬度、轨迹gps经度、速度数据)； poi数据；soc数据。
[0078]
b、对获取到的原始数据进行预处理，具体为：
[0079]
首先，按单日数据分为若干集合。
[0080]
然后，对坏点数据进行删除，所述坏点数据包括：不在研究区域范围内的数据；同一车辆同一时间段短距离内的多条重复数据；速度异常的数据如瞬时速度超过120km/h的轨迹数据；异常偏移的数据。
[0081]
最后，基于具体需求，对poi数据进行分类的确定，具体分类为：居住区、工业区、商业区、公共服务区。
[0082]
c、基于步骤b预处理后的数据进行挖掘，具体为：
[0083]
首先，进行地图匹配，即将gps轨迹与路网模型进行匹配。
[0084]
其次，生成再生特征数据：od出行集、路网同行速度集、实际行驶路径集。
[0085]
然后，进行空间建模。选择合适尺度对研究区域进行网格划分。具体的划分方法为：
①
在不同尺度下对研究的空间范围进行划分，并进行网格编号：lu(i)＝{lu(1),lu(2),...lu(n)}，其中，u为划分的尺度，u 的范围为50-500m，间隔50m进行取值；lu(i)为尺度u下第j个网格的编号；n为一共划分了n个网格。
②
计算不同空间尺度下网格内的有效数据量：其中，vu(i)为第i个网格中有效od点的数量。通过
①②
两步，得到最佳的u值，并基于此进行网格划分。
[0086]
再者，进行poi识别。结合实际情况，进行poi分类，在此基础上，基于poi数据进行功能区的识别，即计算网格内各类poi密度占比确定该网格的功能性质，确定网格的功能类型：
①
计算各个网格中od点集合中各类poi的个数：其中，n
ik
为第i个网格中k类型的poi数量；no(i,k)为第i个网格中k类型起点的数量；nd(i,k)为第i个网格中k类型终点的数量。
②
计算各个网格中的poi类型情况：其中ni为第i个网格中poi总数， n
ik
为第i个网格中k类型的poi数量。
③
根据需要对网格进行聚合。
[0087]
最后，对功能区时空流动特征进行挖掘，结合od集合poi识别，挖掘功能区的时空流动特征。
[0088]
d、基于步骤c的数据挖掘结果，进行电动汽车充电需求模型的构建，具体为：
[0089]
首先，进行电动汽车出行过程模拟。基于步骤c中挖掘得到的出行数据，确定电动汽车各个出行特征量(出行地点、出行时刻、出行目的地、到达目的地时刻、出行距离、目的地停留时长)的概率分布，针对每个特征量，运用蒙特卡洛模拟方法抽取服从符合其概率分布的随机数，就可以实现对每辆电动汽车出行过程的模拟。其中，蒙特卡洛模拟中随机变量q的数学期望的确定是通过对随机变量ε进行n次重复抽样，得到n个观察值，再进一步根据以下公式计算：
[0090][0091]
然后，进行电动汽车用户的充电决策模拟。主要基于电动汽车电池现有剩余电量、下次出行距离和在当前且的地停留时长三个因素来对电动汽车到达某一个地点之后是否会充电以及充电时长进行判断。运用蒙特卡洛模拟方法抽取服从这三个特征量概率分布的随机数并在计算机上进行模拟，得到每辆电动汽车每次充电的数据。在此基础上，主要进行三种决策判断：
[0092]
第一，判断是否充电。当soc
p
＜soc
min
n
next
时，则选择充电；当 soc
p
≥soc
min
n
next
时，则选择不充电。其中，soc
p
为电动汽车当前荷电状态，soc
min
为用户可接受的最低荷电状态，n
next
为下次出行所需电量。
[0093]
第二，判断选择何种模式充电。当soc
p
n
慢
≥soc
min
n
next
时，选择慢充；当soc
p
n
慢
＜soc
min
n
next
时，选择快充。其中，n
慢
为停留时间内慢充电量。
[0094]
第三，判断充电量及充电时长。当停留时间内能充满，则 n
充
＝soc
max-soc
p
，当停留时间内无法充满，则t＝t
停留
，n
充
＝t*p。其中n
充
为充电电量，soc
max
为满电状态
的电量，t为充电时长，p 为充电功率，t
停留
为停留时长。
[0095]
再有，将电动汽车出行过程模拟和充电决策过程模拟进行整合，得到电动汽车一天的充电需求数据，包括充电需求发生的地点、发生的时间以及充电时长。
[0096]
最后，进行充电需求计算。对研究区域进行网格划分；处在同一个小方格区域中的需求被看作是发生在同一地点；将每个小方格区域的中心称为该区域的理论充电需求发生点；将一天的时间按每小时划分为24个时间段，统计每个小区域各个时间段的快充需求量fn
t
和慢充需求量sn
t
；选取需求量最大的时间段中的需求量作为该区域的的理论充电需求量t
need
，则可以得到以下公式：
[0097]
t
need
＝max{fn
t
sn
t
}(t＝1,2,...24)
[0098]
e、基于步骤a-d中预测得到的电动汽车充电量需求，构建充电站选址模型：以平均充电距离最小和总建设成本最小为目标，设定电动汽车最大充电距离约束和充电站服务容量约束，最后运用多目标优化方法求解充电站选址和定容的帕累托最优方案，具体为：
[0099]
(1)以尽可能高的服务水平满足电动汽车用户的充电需求为目标，设定电动汽车充电需求满足约束。充电需求满足约束主要包括两点：最大充电距离约束和充电需求满足率约束：
[0100]
第一，最大充电距离约束：
[0101]
设平均充电距离为：其中，s
avg
为某一座充电站的平均充电距离，sn为该充电站服务的某个需求点到充电站距离， n为总的需求量，需要先确定充电站服务的需求点有哪些：首先从需求点的角度，根据充电距离约束为每个需求点找到距其最近的充电站；然后，从充电站的角度，为每座充电站划分出其服务范围内的需求点，并计算充电站的平均服务距离，具体步骤如下：
[0102]
①
在设定充电站数量有最大数值的情况下，第一步迭代时，从需求点中随机选出与站点数量相同数量的需求点作为充电站的初始位置；
[0103]
②
根据最大充电距离约束，确定在需求点的最大充电距离范围内存在哪些充电站。若在需求点的最大充电距离范围内没有充电站点，则给相应的目标函数加上一个惩罚值，距离越远惩罚值越大；
[0104]
③
根据最小充电距离约束，从第一步得到的充电站集合中选出距需求点最近的一个作为其接受充电服务的站点；
[0105]
④
当每一个需求点都找到其接受充电服务的站点后。采用逆向思维，从充电站的角度，确定每一座充电站服务的需求点的集合；
[0106]
⑤
计算每座充电站的平均充电距离和整个待布局区域的平均充电距离；
[0107]
设研究区域内有需求点集合m，需求点数量为m，充电站最大数量为n，充电站集合n，用户能接受的最大充电距离为d，则充电站的平均充电距离可由以下公式表示：
[0108][0109]
其中，di为第i座充电站的平均充电距离，(xi,yi)为第i座充电站的坐标，(xj,yj)为
需求点的坐标，mi表示第i座充电站服务的需求点集合，mi为第i座充电站服务的需求点个数；
[0110]
研究区域的平均充电距离为该区域内所有充电站的平均充电距离的平均值，则最小化研究区域的平均充电距离的公式如下：
[0111][0112]
最大充电距离约束为：
[0113][0114]
第二，充电需求满足率约束：
[0115]
充电站的需求满足率包括快充和慢充的满足率，由该区域充电需求量最多的时间段的需求满足率决定，充电需求量为同一时刻需要充电的电动汽车数量。具体的充电站需求满足率约束如下：
[0116][0117][0118]
其中，sci为第i座充电站的慢充满足率；fci为第i座充电站的快充满足率；m
i1
为有慢充需求的电动汽车数量；m
i2
为有快充需求的电动汽车数量；n
i1
为第i座充电站有n
i1
个慢充桩；n
i2
为为第i座充电站有n
i2
个快充桩；cl为充电需求满足率最低水平；
[0119]
(2)以充电站总建设成本最小为目标，进行目标函数的设置： mincost
总
＝cost
固定
cost
可变
；
[0120]
(3)综合步骤(1)及步骤(2)，得到充电站选址模型如下：目标函数：
[0121]
最小化平均充电距离：
[0122][0123]
最小化充电站成本：
[0124]
mincost
总
＝cost
固定
cost
可变
。
[0125]
约束条件：
[0126][0127]
[0128][0129]
f、基于步骤e中构建的电动汽车充电站选址模型，利用仿真模拟及改进的飞蛾火焰算法对模型进行求解，得到最终的选址决策，具体为：
[0130]
首先，运用蒙特卡洛方法模拟充电需求预测过程，得到充电需求数据；
[0131]
然后，根据充电需求，运用改进的飞蛾火焰算法，对选址和定容进行模拟，求出帕累托最优解，得到最终的选址决策。具体步骤如下：
[0132]
①
输入充电需求数据；
[0133]
②
对最大站点数量n、种群规模s、最大迭代次数k、最大充电距离、充电站最大服务容量等固定参数进行初始化；
[0134]
③
在现有的需求点中随机生成初生代飞蛾种群；
[0135]
④
开始迭代，并计算本次迭代的火焰数量f。若为首次迭代，则计算得到第一代飞蛾种群适应度，基于此进行种群排序，将排序后的种群作为火焰矩阵，然后跳转至第
⑦
步。若非首次迭代，则转第
⑤
步；
[0136]
⑤
合并新种群和前一次迭代中未排序的种群，在此基础上计算种群适应度，基于个体适应度对新种群进行排序；
[0137]
⑥
对于排序后的种群，将前半部分的个体作为本次迭代中的最优种群，并将这部分个体中的前f个作为火焰矩阵；
[0138]
⑦
让飞蛾逐步向火焰靠近，基于此对飞蛾种群进行更新；
[0139]
⑧
根据终止条件判断是否结束迭代，若满足终止条件，则终止迭代，输出数据；否则转至第
④
步，继续迭代。
[0140]
其中，种群适应度的计算流程如下：首先，输入飞蛾种群数据，并计算个体的各目标函数值；然后，根据个体目标函数值进行非支配分层。接着，计算每个层级个体的拥挤度，具体公式如下：
[0141][0142]
式中，i 1和i-1是与第i个个体相邻的两个个体；d
ji
,为第i个个体的第j个目标函数上的拥挤距离；f
ji 1
为第i 1个个体的第j个目标函数的值；f
jmax
和f
jmin
分别为第j个目标函数的最大值与最小值。再有，基于非支配分层后的层级和每一层级的拥挤度来排序个体。层级不同，则层级越小个体越优；层级相同，则拥挤度越大个体越优。最后，计算各个个体的适应度，最优为1，最劣为0，中间的在0-1之间进行等间距取值。
[0143]
最终，满足本发明电动汽车充电站选址模型的研究区域选址位置、充电设施数量及成本如表1所示。
[0144]
表1
[0145][0146]
在对规划结果的验证上，通过对比充电站高峰时段内的充电需求数与规划的充电站之间的最短距离来进行效果验证，对比结果如表2 所示。
[0147]
表2
[0148][0149]
在此基础上通过折线图更直观地体现实际充电需求和规划充电站的距离关系，如图2所示。结果表明离规划的充电站距离越远的充电站实际充电需求越少；反之离规划的充电站距离越近的充电站实际充电需求越多，一定程度上可以验证规划模型及结果的合理性。
[0150]
以上实施例仅用以说明本发明的技术方案，而非对其限制，任何人依然可以对本发明的具体实施方式进行修改或等同替换，而未脱离本发明精神和范围的任何修改或等同替换，其均应涵盖在本发明的权利要求保护范围之内。