王利利，張琳娟，尚雪寧，高德云

1.國網河南省電力公司經濟技術研究院，鄭州450000

2.北京交通大學 電子信息工程學院，北京100044

1 引言

近年來，在汽車銷售市場中電動汽車的占比越來越高。2017年新能源汽車保有量達到122.78萬輛，新能源汽車產銷量居世界第一[1]。然而，對于電動汽車充電服務運營商來說，情況并不樂觀。中國電動汽車百人會在2019 年4 月發(fā)布了《中國充電服務市場如何健康發(fā)展》研究報告。其中指出[2]，全國公共充電設施的平均小時利用率不足10%，這意味著充電運營商亟需通過優(yōu)化電動汽車充換電站的布局來提升充電設施的利用率。

在充電樁建設規(guī)劃布局的過程中，需要綜合分析運營信息、交通信息、電網負荷等多種數據，公平合理地滿足電動汽車用戶、運營商、交通網管理部門、電網管理部門、環(huán)境保護等各方需求約束[3-4]。不同的充電樁部署方式可以對電動汽車用戶滿意度、運營商盈利情況、交通網擁堵情況和電網負荷情況造成不同的影響。因此如何尋找一個最優(yōu)的充電樁部署方式來滿足各方需求約束是一個典型的NP-Hard問題。

電動汽車充換電站的規(guī)劃問題可以用大數據分析來解決。如圖1 所示，車輛用戶、路邊基礎設施和充電站可以通過無線接入網將數據上傳。無線接入網內的邊緣計算實體可以先對數據進行預處理，然后將數據上傳給充電服務運營商的云計算集群。充電服務運營商通過綜合分析用戶的歷史行為數據，可以有效地預測各地區(qū)的充電需求，從而優(yōu)化電動汽車充換電站的部署方式，提升充電設施利用率。電動汽車充電服務大數據具有規(guī)模大、類型多、價值密度低和處理速度要求高等特點[5]。針對這樣的特點，傳統(tǒng)的統(tǒng)計分析方法無法很好地從數據中挖掘價值，這就需要通過計算智能方法來分析數據。文獻[6]綜合分析了現有的計算智能方法，將其分為人工神經網絡、模糊系統(tǒng)、演化計算和群體智能并分別介紹了各自的特點與優(yōu)勢。由于演化計算和群體智能如遺傳算法和粒子群優(yōu)化算法比較適用于尋找全局最優(yōu)解，對于解決充電站規(guī)劃部署這種NP-Hard問題具有很高的應用價值。所以目前解決充電樁規(guī)劃問題，主要應用遺傳算法和粒子群算法來進行全局尋優(yōu)求解。遺傳算法具有很強的自適應性[7]，通過模仿基因變異和自然選擇的過程，可以增加解的多樣性，避免陷入局部搜索。粒子群算法則具有保留群體和個體的歷史搜索信息的特點，收斂速度較快，容易實現[8]。針對充電樁規(guī)劃問題，不僅需要合理的數學建模來描述問題，更需要對計算智能方法進行改進才能在保證解集多樣性的前提下提升搜索的收斂速度。與此同時，人工神經網絡所具有的在線學習能力可以進行實時充電需求預測從而更加合理地選擇站址和劃分服務范圍，模糊系統(tǒng)對于模糊性現象的發(fā)掘可以用于縮減評價目標并發(fā)現數據中隱含的相關性關系。

圖1 電動汽車充電大數據應用場景

2 遺傳算法和粒子群優(yōu)化算法概述

2.1 遺傳算法原理概述

遺傳算法最初由密歇根大學教授Holland 提出，是一種通過模仿種群進化過程尋找全局最優(yōu)解的啟發(fā)式算法，結合遺傳算法基本流程[9-10]，應用于充電站規(guī)劃的遺傳算法流程如圖2 所示。首先，輸入初始站址坐標、充電需求熱點和相關路網電網約束條件，通過對站址坐標編碼構成初始種群。然后針對每個初始站址計算目標函數值，尋找出初步最優(yōu)站址。隨后按照適應度函數值對站址進行隨機選擇，通過交叉變異站址編碼更新站址位置。再次進行適應度函數計算，比較更新最優(yōu)站址，判斷收斂條件。如果滿足收斂條件則輸出最優(yōu)站址規(guī)劃，否則再次進行交叉變異操作。

圖2 遺傳算法基本流程圖

在應用遺傳算法過程中，站址編碼與染色體交叉變異的示例如圖3 所示，初始種群為給定的多種站址方案，如果所選站址建站則該位置表示為1，否則為0，從而采用二進制編碼站址方案。交叉操作則為兩種站址方案之間某一位置的編碼進行互換，而變異操作則可以通過指定某位取反。

圖3 遺傳算法原理示意圖

在應用遺傳算法求解具體問題時，染色體的編碼規(guī)則、適應度函數的選取、遺傳算子的設計以及算法參數的確定上需要針對具體問題分析，這也是應用遺傳算法求解問題的難點所在[11-15]。只有通過合適的策略應用遺傳算法，才能最大程度地保存種群的多樣性，提升算法的準確性，使得算法能夠更快地收斂至理想的結果。

2.2 粒子群優(yōu)化算法原理概述

Kennedy 和Eberhart 在1995 年設計的粒子群優(yōu)化算法是一種通過模擬鳥群覓食活動的群優(yōu)化算法，主要用于解決尋找多目標連續(xù)函數的最優(yōu)解問題[16-17]，結合粒子群優(yōu)化算法基本流程[18]，應用于充電站規(guī)劃的基本流程如圖4所示。

圖4 粒子群優(yōu)化算法基本流程圖

在求解時可以將充電站建設方案看作一個粒子，針對該方案內的所有充電站地理位置生成一組坐標。假設計劃建設充電站數目為m，種群數量為n，則隨機產生n 個粒子，每個粒子中包含m 組坐標用于確定站址的初始位置和速度。第二步計算各站址的適應度函數。第三步和第四步則分別選出個體和群體最優(yōu)站址方案Pbid(t)和Pbgd(t)。第五步則根據式（1）至式（4）更新站址規(guī)劃[18]，式（1）表示建址方案i 在d 維空間上的速度vid(t+1)由上一時刻粒子速度vid(t)與個體最優(yōu)差值ΔPbid和群體最優(yōu)差值ΔPbgd組成，式（2）表示個體最優(yōu)差值ΔPbid通過個體最優(yōu)位置Pbid(t)和粒子當前位置xid(t)的差值乘以隨機數R1和個體慣性權重c1，式（3）表示群體最優(yōu)差值Pbgd(t)與粒子當前位置xid(t)的差值乘以一個隨機數R2和群慣性權重系數c2得出，粒子位置xid(t+1)則由粒子上一時刻位置與粒子速度的和得出。第六步判斷是否已經得出收斂結果，得出則輸出最優(yōu)解，否則跳回第二步。在應用粒子群優(yōu)化算法時，慣性權重系數的設置、收斂條件的限定、隨機數的選取策略等會在很大程度上影響算法的性能[19-21]。而且該算法后期收斂速度較慢，容易陷入局部搜索導致算法早熟[22-26]。在應用時需要結合具體問題來彌補粒子群優(yōu)化算法的缺陷。

3 電動汽車充電站規(guī)劃問題研究

3.1 充電需求

在進行電動汽車充電樁規(guī)劃問題建模時，首先要考慮的是正確預測充電需求熱點。如圖5所示，充電需求預測可以通過兩種方式獲取，一種是直接統(tǒng)計歷史數據，另一種是間接預測出區(qū)域內的充電需求。直接式的充電需求分析是指通過原始數據直接得出充電需求的量化值。間接式充電需求預測則是指通過非直接相關數據挖掘其與充電需求的關系，比如通過社交網絡、充電行為等非直接相關數據發(fā)現其與充電需求的關聯規(guī)則，通過相似項分析的方法得出用戶的充電需求。

圖5 充電需求預測方式

區(qū)域內電動汽車保有量和交通流量的歷史數據可以作為衡量區(qū)域內充電需求的主要指標[27-34]。

式（5）表示區(qū)域內充電負荷需求Breq與區(qū)域內電動汽車數量Ncar成正比關系，系數a 則為車輛平局充電需求負荷值。 Fave作為區(qū)域內年平均車輛流量可以作為充電站用戶流量負載能力Fchar的最小值保證充電站符和交通流量需求。

區(qū)域內電動汽車數量Ncar和區(qū)域內年平均電動汽車流量Fave的數值可以通過利用蒙特卡洛方法求出[35-36]。蒙特卡洛方法可以通過歷史數據的抽樣實驗得到變量的模擬分布[37]。通過統(tǒng)計分析電動汽車數量和流量的歷史數據，可以得出充電需求沿時間的概率分布，從而得出充電需求的期望值。

除電動汽車保有量和交通流量以外，通過車主的充電行為模式和社交網絡內的信息流也可以挖掘出充電需求的數量[38-40]。在大數據時代，任何信息都可以用于輔助決策。車主的充電行為可以充分反應用戶的充電規(guī)律，充電運營商可以在服務過程中收集這類信息以輔助充電樁規(guī)劃決策。除此之外，運營商也可以通過建立車主社交網絡來進行信息的采集，一方面優(yōu)化了用戶的充電服務體驗，另一方面也可以通過優(yōu)化充電樁部署模式提升充電樁利用率。當然這種方式需要經過用戶的允許，不能侵犯用戶的隱私安全。

3.2 站址選擇與服務范圍劃分

在確定需求熱點之后，需要選擇合適位置部署電動汽車充電站以及劃分充電站的服務范圍。Voronoi圖可以將平面點集中的每個站點覆蓋區(qū)域進行合理劃分，從而達到區(qū)域內任意點與區(qū)域內站點之間的距離小于與區(qū)域外任意站點之間的距離[41]。采用變權的Voronoi圖劃分充電站點服務范圍可以動態(tài)地反應所選站點的服務能力與服務半徑[42]。最優(yōu)充電站址點集的產生則需要通過演化計算和群體智能的方法尋找滿足優(yōu)化目標和約束條件的最優(yōu)解集。

3.3 優(yōu)化目標函數

電動汽車充電站規(guī)劃問題的優(yōu)化目標在于最小化電網管理者及充電運營商成本以及最小化用戶充電成本[43-48]。

在進行充電樁部署決策時，充電運營商成本和電網管理者成本需要考慮多方因素進行合理的衡量。如式（7）所示，充電運營商成本和電網管理者成本C 由充電站建設成本Ccon、充電站運營維護成本Crun和配電網絡損耗Cnet決定。式（8）表示充電站建設成本Ccon主要決定于土地成本Cland、變壓器成本Cver、充電機成本Cmac以及折舊率ε。土地成本主要決定于用地面積與性質，變壓器與充電機成本則主要決定于所用數量。折舊率ε 的表達式如式（9）所示，取決于折舊系數β 及使用年限y。充電站運營成本如式（10）所示，χ 為區(qū)域內每輛車每年的平均充電次數，δ 為每車每次充電為充電站帶來的運行成本系數。配電網絡損耗如式（11）所描述，由全局充電站數目Nsta和每個充電站的電網負荷系數φ決定。

除了考慮充電運營商成本和電網管理者成本，充電用戶充電成本也需要進行量化。用戶充電成本Tuser的組成如式（12）所示，分別由用戶充電時間成本Tchar、用戶排隊等待時間成本Twait和用戶行駛至充電站的時間成本Tdis組成。用戶充電時間成本由車輛類型、充電站類型決定，不同的車輛有著不同的充電時間，而快速充電站與慢速充電站的充電時間也各不相同。由于用戶排隊等待時間成本Twait可以通過M/M/s排隊論模型求出其期望值[49-50]。用戶行駛至充電站的時間成本Tdis則可以由需求點與供應點的平均距離進行衡量，從而得出用戶駛往充電站的平均時間成本。

如圖6 所示為待優(yōu)化成本的主要構成。在進行優(yōu)化時，考慮到充電站服務能力的提升雖然會降低充電者的充電時間成本與充電費用成本，但是與此同時充電運營商和電網管理者的成本也會增加。同時考慮到環(huán)保因素[51]，如何權衡多方利益，在最小化用戶成本的前提下最大化運營商和電網管理者的收益將是充電樁規(guī)劃問題的主要矛盾。

圖6 優(yōu)化目標示意圖

3.4 約束條件

在進行目標優(yōu)化函數求解時，還要考慮充電站容量、站址間隔等約束條件[52-58]。對于電力系統(tǒng)來說，一定區(qū)域內的充電負荷能力是有限的。所以在進行充電站規(guī)劃時，區(qū)域內的充電負荷量應該不超過區(qū)域內供電負荷上限。與此同時，為滿足充電需求，充電站容量也應大于充電用戶的基本需求量。式（13）反映了充電負荷的約束條件。式中Pmin表示區(qū)域內充電基本需求量，Pmax表示區(qū)域內供電負荷上限，Psta(i)表示第i 個站址的充電負荷量。

為保證充電站的分布符合城市用地規(guī)劃并滿足用戶需求，站間距離應保持在一定范圍內。如式（14）所示，Dmin表示站間最小距離以保證充電樁部署方案不符合實際用地限制，Dmax表示站間最大距離以保證滿足用戶需求，Dsta(i)則為第i 個充電站距離最近的充電站的距離。

受制于充電站建設規(guī)劃成本，充電站建設總數量應當小于投資金額所能建設的最大充電站數量。如式（15）所示，投資金額Mp與平均建站成本Me的比值作為建站數量Nsta的上限值約束總充電站數量。

路網交通條件也會作為充電站規(guī)劃的約束條件。充電站的建設會引來大量的交通流量，為防止交通擁堵，充電站交通流量也應有所約束。如式（16）所示L(i)表示充電站點i 附近的道路集合。式（17）表示充電站點i 的最大交通流量Fmax(i)由每條道路的最大交通流量Fli組成。式（18）表示站點i 所產生的交通流量F(i)應當小于路網限制的最大值。

如圖7 所示為充電站優(yōu)化問題的主要約束條件。為模型建立約束條件，可以保證算法求解數學模型時不會出現脫離現實的解，提升算法的收斂性能與速度。而另一方面，為快速準確地求解電動汽車充電樁規(guī)劃問題，針對該問題改進演化計算和群體智能方法是不可或缺的。

圖7 優(yōu)化目標示意圖

4 充電樁規(guī)劃問題中的計算智能應用研究

4.1 遺傳算法應用研究

采用遺傳算法求解充電樁規(guī)劃問題，需要對站址進行編碼，根據目標函數構造遺傳算法的適應度函數，并根據算法流程求解。如表1 所示為遺傳算法在電動汽車充電站規(guī)劃問題中的應用研究。文獻[59]根據區(qū)域交通流量守恒定律將區(qū)域車輛密度設為常數，應用傳統(tǒng)的遺傳算法進行了分析，采用排序算法選擇最優(yōu)個體，簡單實用、適應性強。文獻[60]基于地理信息排除不適合建站的位置，縮小數據集。在求解時采用算術交叉更新染色體，引入定位分配算子，結合交叉分配定位算法，具有較好的全局搜索和局部搜索能力，同時將充電者的時間成本予以考慮，實現了社會綜合效益的最大化。文獻[61]綜合考慮電網約束、交通流量約束和運營成本約束，對約束條件進行了詳細的分析，使用量子遺傳算法求解，采取了更合適的編碼方式，具有收斂速度快的優(yōu)勢，然而由于缺少充電運營數據，算法參數設計仍不完善。文獻[62]則對充電樁進行快充樁和慢充樁的區(qū)分，建立多等級的電動汽車充電設施選址模型，同樣采用遺傳算法求解。文獻[63]則主要針對電動出租車的充電行為進行規(guī)劃，采用Voronoi 圖的方法劃分充電站的服務范圍，利用排隊論的方法確定充電站的容量，使用量子遺傳算法自適應調整策略，根據迭代次數調整旋轉角，具有更好的遍歷性。文獻[64]通過分層遺傳算法求解問題，采用雙層的編碼策略并引入了檢查算子和禁忌表，從而更好地滿足約束條件并且提升了算法性能。

使用遺傳算法可以很好地解決充電站規(guī)劃問題，通過合理的染色體編碼以及自適應的交叉變異策略，可以在保證解集多樣性的前提下提升算法的收斂速度。同時，在應用遺傳算法解決電動汽車充電站規(guī)劃問題時，可以針對問題的特點對算法進行相應改進。比如修改離散編碼方式為連續(xù)編碼方式以提升算法搜索能力、采用量子編碼進行交叉變異豐富解集多樣性、增加新的算法流程剔除不合適的解、融合其他算法提升算法效率等等。如何針對電動汽車充電站規(guī)劃問題改進遺傳算法，仍有很大的研究空間。

4.2 粒子群算法應用研究

除了遺傳算法意外，粒子群優(yōu)化算法也很適合用于電動汽車充電站的規(guī)劃。由于粒子群優(yōu)化算法是以粒子坐標為搜索對象，所以非常適合充電樁的選址規(guī)劃問題。

表1 遺傳算法應用研究

如表2 所示為粒子群優(yōu)化算法在解決電動汽車充電站規(guī)劃問題中的應用總結。文獻[65]以居民負荷模擬車輛數量，采用層次分析法給出候選站址權重系數。綜合分析站址與變電站距離、充電站安裝費用和運行費用以及實時電價，采用粒子群算法進行模型求解。文獻[27]使用Voronoi 圖和改進粒子群優(yōu)化算法聯合求解規(guī)劃問題，優(yōu)化了慣性權重和學習因子，提高了搜索的速度。同時在每次迭代過程中更新Voronoi 圖，可以直接根據車輛密度信息進行站址規(guī)劃，使得站址選擇能夠更好地契合應用需求。文獻[28]采用量子理論中的疊加態(tài)特性和概率表達特性，利用量子旋轉門進行狀態(tài)更新，利用量子非門引入編譯操作，增強了算法全局搜索的能力，提升了迭代速度。文獻[66]采用差分進化混合粒子群算法，同時進行粒子群算法和差分進化算法，比較二者平均適應度，在二者的最優(yōu)個體之間進行交叉變異和最優(yōu)位置替換。在保證多樣性的同時具有很好的收斂性。文獻[42]采用改進的概率映射函數來解決混合離散粒子群算法中后期收斂速度慢、局部搜索能力弱的問題。采用變權Voronoi 圖的方法，為每個站點賦予可變的權重，更加合理地劃分了覆蓋范圍。文獻[67]針對粒子群得出解集的非劣性使用VIKOR方法對解進行排序得出最優(yōu)解。文獻[68]采用混合的遺傳算法和粒子群優(yōu)化算法，通過染色體交叉和變異操作增加解集多樣性，在保證搜索速度的同時增加了解集的多樣性。

粒子群算法具有個體間可以相互交流信息的特點，在收斂速度上具有一定的優(yōu)勢，但是容易陷入局部搜索、喪失粒子群的多樣性，而且局部搜索能力偏弱。對于粒子群算法在充電樁規(guī)劃問題上的應用研究，主要集中于將粒子群算法與其他算法融合，提升粒子群算法局部搜索能力和保持粒子群多樣性的同時仍然具備較好的收斂能力。

4.3 其他算法應用研究

解決全局尋優(yōu)問題的多目標優(yōu)化算法，除了遺傳算法和粒子群優(yōu)化算法，還有教學優(yōu)化算法、禁忌搜索算法、人工免疫算法等。這些算法都可以解決充電樁規(guī)劃的問題。文獻[69]采用MOTLBO（Multi-Objective Teaching-Learning Based Optimization，多目標教學優(yōu)化算法）算法對充電規(guī)劃問題進行求解，通過綜合分析需求，將優(yōu)化目標定為最小化充電需求與充電位置的總里程數、最小化充電樁建設代價、滿足其他約束條件等多個目標。經評估該算法在反世代距離評價指標（Inverted Generational Distance，IGD）和最優(yōu)解集的廣泛性方面具有很好的表現。文獻[70]以最大化覆蓋交通流量、最大限度減少充電時間、最大化充電樁利用率、最大化運營商收入為優(yōu)化目標，利用旅行鏈的方法確定充電需求，采用人工免疫算法求解問題。文獻[71]設計了一種多等級的充電站選址模型，并用改進的禁忌算法進行求解。文獻[72]通過MOEA/D（Multiobjective Evolutionary Algorithm based on Decomposition，基于分解的多目標進化算法）算法求解充電樁規(guī)劃問題，通過分解目標優(yōu)化問題，對子問題同時進行優(yōu)化，可以達到降低計算復雜度的目的。

這些算法都在一定程度上為解決充電樁規(guī)劃問題提供了借鑒，多目標教學優(yōu)化算法可以有效提升算法效率、人工免疫算法可以保證解集的多樣性而禁忌算法則可以根據之前的搜索結果優(yōu)化搜索過程，可以說每種算法都有自己的優(yōu)勢。

4.4 人工神經網絡和模糊系統(tǒng)的應用研究

與傳統(tǒng)的針對歷史數據進行充電需求預測的方式不同的是，人工神經網絡可以通過在線學習的方式預測充電需求。文獻[73-74]設計了一個用于學習路況信息和交通流量擁塞等級的機器學習框架，并且提出了一種預測用戶駕駛環(huán)境的機器學習算法，可以有效地預測路網信息和用戶駕駛傾向。文獻[75]提出了基于小波神經網絡算法的智能用電網交互系統(tǒng)負荷預測方法，將小波算法與人工神經網絡結合，加快收斂速度的同時賦予其去噪能力。文獻[76]提出了一種基于深度學習和人工神經網絡的容量規(guī)劃預測方法，通過分析路網信息、電網信息等多方面要素，訓練充電環(huán)境與需求的映射模型。文獻[77]則針對電動公交車進行了能量估算的研究，通過采用電池使用數據訓練人工神經網絡模型，從而估計車輛的電池利用情況?？梢园l(fā)現，人工神經網絡在充電需求預測方面有著很好的應用前景。無論是直接式的充電需求預測和間接式的充電需求預測，都是一種反應式方式，通過對歷史數據的分析從而得出區(qū)域充電需求熱點。然而，人工神經網絡所具有的在線學習特點則可以實現一種預知式的充電需求預測。如路網信息、電網負荷、用戶電池使用情況、用戶駕駛行為等信息可以實時上傳給云數據中心，使得充電需求可以更加準確地預測出來。

表2 粒子群優(yōu)化算法應用研究

表3 各算法優(yōu)缺點對比

表4 各計算智能方法應用對比

模糊系統(tǒng)在充電樁規(guī)劃問題中的應用則分為兩類。其中一類[78-80]將模糊系統(tǒng)應用于充電站規(guī)劃方案的評價中，在評價已有充電站規(guī)劃方案時，由于評價指標過多導致無法對充電站進行綜合性的評價。采用模糊系統(tǒng)的方法可以對評價指標進行約簡，通過構造多種評價指標與單種綜合指標的模糊映射關系，從而評判充電站規(guī)劃方案的優(yōu)劣。而另一類[81-83]則是應用模糊系統(tǒng)將多目標充電站規(guī)劃問題轉化為單目標規(guī)劃問題，與上述應用不同的是，模糊系統(tǒng)是通過與演化計算與群體智能的結合在求解最優(yōu)解的過程中起作用。通過構造模糊隸屬度函數，將多個目標函數模糊化，然后根據優(yōu)先級或滿意度建立單目標函數，從而解決多目標優(yōu)化各個目標函數之間的沖突問題。以上兩種應用都是將具體的問題模糊化，然而如何將模糊的問題具體化卻是模糊系統(tǒng)最鮮明的特點。比如對于充電用戶的充電服務反饋來說，往往是模糊的“好”與“壞”，其中影響用戶體驗的因素并不能顯式地體現出來。通過模糊系統(tǒng)的聚類分析方法可以發(fā)現影響用戶體驗的相關因素，發(fā)現未知的相關性關系或得出已知的相關性關系之間的重要程度，從而為充電規(guī)劃做出更加清晰的指導。

4.5 充電樁規(guī)劃優(yōu)化算法討論

衡量演化計算和群體智能算法的標準，主要集中于收斂速度、解集多樣性、避免陷入局部搜索的能力、實現困難度等方面[84]。如表3 所示，遺傳算法和人工免疫算法具有很好的避免陷入局部搜索的能力，然而在收斂速度上有所欠缺，實現也較為復雜。粒子群算法、教學優(yōu)化算法雖然實現困難度較低、收斂速度也較快，但是卻容易陷入局部搜索，喪失解集多樣性。禁忌搜索算法具有很好的收斂速度和解集多樣性，但是實現過于復雜。綜合比較各種算法，可以說各有優(yōu)劣也各有特色。如果使用單一算法解決問題，在解決問題時不能達到最好的效果。所以，不同的算法混合應用可以很好地利用各個方法的優(yōu)勢，取長補短，解決充電樁規(guī)劃問題。

除此之外，針對人工神經網絡、模糊系統(tǒng)、演化計算和群體智能在充電站規(guī)劃問題中的應用特點來說，不同的計算智能方法可以用于解決不同的問題。如表4 所示，針對演化計算和群體智能方法解決復雜優(yōu)化問題的優(yōu)越性以及二者互補的特點，可以采用混合算法對充電規(guī)劃問題進行求解。對于人工神經網絡來說，針對電動汽車充電用戶具有很強的移動性，充電需求熱點也會根據交通情況而變化，采用人工神經網絡方法可以動態(tài)實時地分析用戶的充電需求，從而為站址選擇提供更加精確的信息。對于模糊系統(tǒng)而言，其強大的模糊聚類分析能力不僅可以簡化已有充電站的服務能力評價以及化簡多目標優(yōu)化問題，同時也可以通過相關性分析發(fā)現影響充電站規(guī)劃的隱性因素，從而讓充電站的規(guī)劃部署更好地為用戶服務、為運營商盈利。

5 結束語

本文通過總結演化計算在電動汽車充換電規(guī)劃中的應用，為提升充電樁利用率提供了研究的方向。通過綜合電動汽車充換電規(guī)劃的數學建模方法，給出了優(yōu)化的目標函數和約束條件，對充電需求預測方法進行了探討。分析對比了遺傳算法、粒子群優(yōu)化算法、教學優(yōu)化算法、人工免疫算法和禁忌搜索算法在充電樁規(guī)劃問題中的應用情況。對演化計算和群體智能針對充電樁規(guī)劃問題所做出的改進進行了分析。對比分析了人工神經網絡、模糊系統(tǒng)、演化計算和群體智能在充電站規(guī)劃問題中的應用特點，展望了各自的應用前景。