本发明提出了一种电动汽车充电负荷估算及充电方式优化方法，其步骤为：S1、分析电动汽车的充电开始时间和充电时长的分布，建立充电开始时间和充电时长的概率密度函数；S2、利用拉丁超立方‑蒙特卡洛统计法对电动汽车的充电负荷进行估算，得到电动汽车的充电负荷曲线；S3、建立充电站充电设备的多目标函数；S4、将电动汽车的当日最大充电负荷作为约束条件，利用遗传粒子群算法对多目标函数进行优化，输出充电站充电设备的最优配置。本发明利用拉丁超立方‑蒙特卡洛统计法估算电动汽车充电负荷曲线，提高了收敛速度，并通过遗传粒子群算法对电动汽车的无序充电行为进行优化，得到充电站充电设备的占比，可用于多种类型充电设备的优化配置问题。
1.一种电动汽车充电负荷估算及充电方式优化方法，其特征在于，其步骤如下：S1、分析电动汽车的充电开始时间和充电时长的分布，建立充电开始时间和充电时长的概率密度函数；
所述步骤S1中建立充电开始时间和充电时长的概率密度函数的步骤包括步骤S11-S12：S11、利用偏度系数和峰度系数分析验证电动汽车的充电开始时间和充电时长的分布为对数偏正态分布，其中，偏度系数P为： 峰度系数F为：n为样本个数，x'i为第i个样本的数值，i＝1,2,…,
n， 为样本平均值，s为样本标准差；偏度系数P和峰度系数F均为0，表示数据集服从标准的正态分布；偏度系数P为正时，数据集左侧分散，偏度系数P为负时，数据集右侧分散；峰度系数F为负时，数据集中数据较集中，两侧数据较少，峰度系数F为正时，则相反；
S12、根据步骤S11中充电开始时间和充电时长的偏度系数P和峰度系数F的值，可判断充电开始时间和充电时长的分布均为偏正态分布，则充电开始时间的概率密度函数f1(x)为： 充电时长的概率密度函数f2(y)为：其中，x为充电开始时间的变量，y为充电时长的变
量，μs1为充电开始时间的均值，σs1为充电开始时间的标准差，μs2为充电时长的均值，σs2为充电时长的标准差；
S2、根据步骤S1中的概率密度函数利用拉丁超立方-蒙特卡洛统计法对电动汽车的充电负荷进行估算，得到电动汽车充电负荷曲线；
S3、将交流1级、交流2级和直流三种充电设备作为决策变量，建立充电站充电设备的多目标函数；
S4、将步骤S2中的电动汽车最大充电负荷作为约束条件，利用遗传粒子群算法对步骤S3中的多目标函数进行优化，输出充电设备在充电站的最优配置。
2.根据权利要求1所述的电动汽车充电负荷估算及充电方式优化方法，其特征在于，所述步骤S2中利用拉丁超立方-蒙特卡洛统计法估算电动汽车充电负荷曲线的方法为：利用蒙特卡洛估算出每个时刻的充电电动汽车的数量和每个时刻每辆电动汽车所使用的的功率，并经拉丁超立方方法抽样，计算N辆电动汽车充电负荷曲线。
3.根据权利要求1所述的电动汽车充电负荷估算及充电方式优化方法，其特征在于，所述步骤S3中建立充电站充电设备的多目标函数的方法为：充电设备分别为交流1级、交流2级和直流，交流1级、交流2级和直流在充电站中所占的比例分别为x1、x2和x3，目标函数为充电设备的总投资和电动汽车无序充电负荷的峰谷差，约束条件为在连接时长内满足用户的预期充电电量；
所述充电设备的总投资为Y1(x1,x2,x3)，电动汽车无序充电负荷的峰谷差为Y2(x1,x2,x3)，则多目标函数为：Y1(x1,x2,x3)＝3000x1+15000x2+50000x3，Y2(x1,x2,x3)＝1.9x1+25.6x2+100x3-1.4x1-7.7x2-40x3；
所述步骤S4中的约束条件为电动汽车最大充电负荷：1.4x1+7.7x2+40x3≥39.06，其中，3000表示每台交流1级充电设备的成本，1.9表示交流1级充电设备的最大功率，
1.4表示交流1级充电设备的最小功率，15000表示每台交流2级充电设备的成本，25.6表示交流2级充电设备的最大功率，7.7表示交流2级充电设备的最小功率，50000表示每台直流充电设备的成本，100表示直流充电设备的最大功率，40表示直流充电设备的最小功率。
4.根据权利要求1所述的电动汽车充电负荷估算及充电方式优化方法，其特征在于，所述步骤S4中利用遗传粒子群算法对步骤S3中的多目标函数进行优化，输出充电设备在充电站的最优配置的方法为：S41、初始化运行参数，包括粒子种群M、变异率、交叉率、迭代次数为t＝0，最大迭代次数为tmax，每个种群包括三个变量；随机产生粒子种群的位置和速度；
S42、计算每个粒子种群的适应度，并根据适应度大小对粒子种群进行排序，根据最大的适应度对应的粒子种群计算充电设备的总投资Y1的值设为历史最优值Y1_min；
S43、根据交叉率随机选择粒子种群的个数进行两两交叉运算得到中间的新粒子种群，再根据变异率随机选择中间的新粒子种群的个数进行两两变异运算得到新的粒子种群；
S44、判断交叉运算和变异运算是否运行完毕，若是，执行步骤S45，否则，执行步骤S43；
S45、迭代次数t+1，计算新的粒子种群的适应度并排序，计算所有新的粒子种群对应的充电设备的总投资Y1；
S46、比较步骤S45中的Y1是否小于历史最优值Y1_min，若是，执行步骤S47，否则，执行步骤S48；
S47、更新新的粒子种群的位置和速度，执行步骤S48；
S48、判断新的粒子种群是否满足约束条件或达到最大迭代次数tmax，若是，执行步骤S49，否则，执行步骤S43；
S49、输出新的粒子种群的最大适应度对应的三个变量的值，即为充电站充电设备的最优配置。
5.根据权利要求4所述的电动汽车充电负荷估算及充电方式优化方法，其特征在于，所述步骤S47中新的粒子种群的位置和速度的更新方法为：其中，i＝1,2,…,M，t＝1,2,…,tmax，Xi(t)为第t次迭代时第i个粒子种群的位置，Vi(t)为第t次迭代时第i个粒子种群的速度：Vi(t+1)为第t+1次迭代时第i个粒子种群的速度，Xi(t+1)为第t+1次迭代时第i个粒子种群的位置，c1和c2为正的学习因子，r1和r2为0到1之间均匀分布的随机数，pi为第i个粒子种群的最优位置。
一种电动汽车充电负荷估算及充电方式优化方法
技术领域
[0001] 本发明涉及新能源汽车技术领域，特别是指一种电动汽车充电负荷估算及充电方式优化方法。
背景技术
[0002] 电动汽车充电站不仅为电动汽车的规模化推广提供了重要的能源保障，还可以提高电力系统运行调度的灵活性，对于电力系统而言，充电站可被视为一种充电负荷。由于电动汽车的充电规律具有较强的随机性，建立能够正确反映随机性且有效实用的电动汽车充电站概率负荷模型是研究中一个亟待解决的问题。电动汽车的大规模普及必须依托于电网供电，而电动汽车的充电行为存在无序性强、同时率高的特点，大规模的电动汽车充电行为将对电网的安全经济运行带来较大影响。
[0003] 目前，在电动汽车充电行为特征研究成果的基础上，对电动汽车负荷的估算采用蒙特卡洛方法，所使用样本量非常大，其收敛性较差；电动汽车充电设备的配置目前多采用遗传智能优化算法，降低充电电费，实现了变电站的经济运行，但遗传算法本身不能很好的利用反馈信息，同时也存在收敛速度较慢的问题。
发明内容
[0004] 针对现有技术存在收敛速度较慢的技术问题，本发明提供了一种电动汽车充电负荷估算及充电方式优化方法，利用拉丁超立方-蒙特卡洛统计法估算的电动汽车充电负荷更准确，并基于遗传粒子群算法优化充电方式以提高收敛速度，可用于多种类型充电设备的优化配置问题。
[0005] 本发明的技术方案是这样实现的：
[0006] 一种电动汽车充电负荷估算及充电方式优化方法，其步骤如下：
[0007] S1、分析电动汽车的充电开始时间和充电时长的分布，建立充电开始时间和充电时长的概率密度函数；
[0008] S2、根据步骤S1中的概率密度函数利用拉丁超立方-蒙特卡洛统计法对电动汽车充电负荷进行估算，得到电动汽车充电负荷曲线；
[0009] S3、将交流1级、交流2级和直流三种充电设备作为决策变量，建立充电站充电设备的多目标函数；
[0010] S4、将步骤S2中的电动汽车最大充电负荷作为约束条件，利用遗传粒子群算法对步骤S3中的多目标函数进行优化，输出充电设备在充电站的最优配置。
[0011] 所述步骤S1中建立充电开始时间和充电时长的概率密度函数的步骤为：
[0012] S11、利用偏度系数和峰度系数分析验证电动汽车的充电开始时间和充电时长的分布为对数偏正态分布，其中，偏度系数P为： 峰度系数F为：n为样本个数，xi'为第i个样本的数值，i＝1,2,…,
n， 为样本平均值，s为样本标准差；偏度系数P和峰度系数F均为0，表示数据集服从标准的正态分布；偏度系数P为正时，数据集左侧分散，偏度系数P为负时，数据集右侧分散；峰度系数F为负时，数据集中数据较集中，两侧数据较少，峰度系数F为正时，则相反；
[0013] S12、根据步骤S11中充电开始时间和充电时长的偏度系数P和峰度系数F的值，可判断充电开始时间和充电时长的分布均为偏正态分布，则充电开始时间的概率密度函数f1(x)为： 充电时长的概率密度函数f2(y)为：其中，x为充电开始时间的变量，y为充电时长的变
量，μs1为充电开始时间的均值，σs1为充电开始时间的标准差，μs2为充电时长的均值，σs2为充电时长的标准差。
[0014] 所述步骤S2中利用拉丁超立方-蒙特卡洛统计法估算电动汽车充电负荷曲线的方法为：利用蒙特卡洛估算出每个时刻的充电电动汽车的数量和每个时刻每辆电动汽车所使用的的功率，并经拉丁超立方方法抽样，计算N辆电动汽车充电负荷曲线。
[0015] 所述步骤S3中建立充电站充电设备的多目标函数的方法为：充电设备分别为交流1级、交流2级和直流，交流1级、交流2级和直流在充电站中所占的比例分别为x1、x2和x3，目标函数为充电设备的总投资和电动汽车无序充电负荷的峰谷差，约束条件为在连接时长内满足用户的预期充电电量；
[0016] 所述充电设备的总投资为Y1(x1,x2,x3)，电动汽车无序充电负荷的峰谷差为Y2(x1,x2,x3)，则多目标函数为：
[0017] Y1(x1,x2,x3)＝3000x1+15000x2+50000x3，
[0018] Y2(x1,x2,x3)＝1.9x1+25.6x2+100x3-1.4x1-7.7x2-40x3；
[0019] 所述步骤S4中的约束条件为电动汽车最大充电负荷：1.4x1+7.7x2+40x3≥39.06，[0020] 其中，3000表示每台交流1级充电设备的成本，1.9表示交流1级充电设备的最大功率，1.4表示交流1级充电设备的最小功率，15000表示每台交流2级充电设备的成本，25.6表示交流2级充电设备的最大功率，7.7表示交流2级充电设备的最小功率，50000表示每台直流充电设备的成本，100表示直流充电设备的最大功率，40表示直流充电设备的最小功率。
[0021] 所述步骤S4中利用遗传粒子群算法对步骤S3中的多目标函数进行优化，输出充电设备在充电站的最优配置的方法为：
[0022] S41、初始化运行参数，包括粒子种群M、变异率、交叉率、迭代次数为t＝0，最大迭代次数为tmax，每个种群包括三个变量；随机产生粒子种群的位置和速度；
[0023] S42、计算每个粒子种群的适应度，并根据适应度大小对粒子种群进行排序，根据最大的适应度对应的粒子种群计算充电设备的总投资Y1的值设为历史最优值Y1_min；
[0024] S43、根据交叉率随机选择粒子种群的个数进行两两交叉运算得到中间的新粒子种群，再根据变异率随机选择中间的新粒子种群的个数进行两两变异运算得到新的粒子种群；
[0025] S44、判断交叉运算和变异运算是否运行完毕，若是，执行步骤S45，否则，执行步骤S43；
[0026] S45、迭代次数t+1，计算新的粒子种群的适应度并排序，计算所有新的粒子种群对应的充电设备的总投资Y1；
[0027] S46、比较步骤S45中的Y1是否小于历史最优值Y1_min，若是，执行步骤S47，否则，执行步骤S48；
[0028] S47、更新新的粒子种群的位置和速度，执行步骤S48；
[0029] S48、判断新的粒子种群是否满足约束条件或达到最大迭代次数tmax，若是，执行步骤S49，否则，执行步骤S43；
[0030] S49、输出新的粒子种群的最大适应度对应的三个变量的值，即为充电站充电设备的最优配置。
[0031] 所述步骤S47中新的粒子种群的位置和速度的更新方法为：
[0032]
[0033] 其中，i＝1,2,…,M，t＝1,2,…,tmax，Xi(t)为第t次迭代时第i个粒子种群的位置，Vi(t)为第t次迭代时第i个粒子种群的速度：Vi(t+1)为第t+1次迭代时第i个粒子种群的速度，Xi(t+1)为第t+1次迭代时第i个粒子种群的位置，c1和c2为正的学习因子，r1和r2为0到1之间均匀分布的随机数，pi为第i个粒子种群的最优位置。
[0034] 本技术方案能产生的有益效果：本发明通过计算电动汽车行为特征的偏度系数和峰度系数建立电动汽车充电特征量的概率统计模型，再利用拉丁超立方-蒙特卡洛统计法建立电动汽车充电负荷曲线，提高了收敛速度；通过遗传粒子群算法对电动汽车的无序充电行为进行优化，得到交流1级、交流2级和直流充电设备的占比，达到削峰填谷和电网安全运行的目的。
附图说明
[0035] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036] 图1为本发明的流程图。
[0037] 图2为本发明的遗传粒子群的充电方式优化流程图。
[0038] 图3为本发明的电动汽车充电特征Q-Q散点图。
[0039] 图4为本发明的充电开始时间直方图。
[0040] 图5为本发明的电动汽车充电开始时间概率分布图。
[0041] 图6为本发明的电动汽车充电开始时间概率统计图。
[0042] 图7为本发明的10000辆电动汽车充电负荷曲线。
[0043] 图8为本发明的交流1级在充电站中所占比例x1与迭代次数的关系曲线。
[0044] 图9为本发明的交流1级、交流2级和直流在充电站中的最优占比直方图。
具体实施方式
[0045] 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，所描述的实施例仅仅是本发明一部分实施例，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付出创造性劳动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。
[0046] 如图1所示，一种电动汽车充电负荷估算及充电方式优化方法，其步骤如下：
[0047] S1、分析电动汽车的充电开始时间和充电时长的分布，建立充电开始时间和充电时长的概率密度函数。
[0048] 如图3所示，所述建立充电开始时间和充电时长的概率密度函数的步骤为：
[0049] S11、利用偏度系数和峰度系数分析验证电动汽车的充电开始时间和充电时长的分布为对数偏正态分布，其中，偏度系数P为： 峰度系数F为：n为样本数据的数量，x′i为第i个样本的数值，i＝
1,2,…,n， 为样本平均值，s为样本标准差。偏度系数和峰度系数的计算结果可以用来衡量数据的分布形状，偏度系数P的取值范围为-3～3，用于衡量数据的对称程度；当偏度系数P为0时，数据集对称；偏度系数P为负数时，左侧分散；偏度系数P为正数时，右侧分散。峰度系数F用于衡量数据的分散度，峰度系数F为负值说明数据较集中，两侧数据集较少，峰度系数F为正值则相反。当偏度系数P和峰度系数F都为0，则说明该数据服从标准的正态分布，利用峰度系数F的计算公式对始数据进行计算，其偏度系数P和峰度系数F的计算结果如表1所示。由表1可以看出，充电开始时间和充电时长计算结果均满足偏正态分布。
[0050] 表1偏度系数和峰度系数的计算结果
[0051]
[0052] 如图3所示，Q-Q散点图可以用来判断两组数据是否满足同一种偏正态分布。由图3可以看出充电时间和充电时长这两组数据都在一条直线的附近，据此可以判断这两种数据满足同一种偏正态分布。利用文献[第十一届“中国电机工程学会杯”全国大学生电工数学建模竞赛.电动汽车充放电优化管理[EB/OL].[2018-5-25].]原始数据做出充电时间的直方图，如图4所示。
[0053] 从图4可以看出分布高峰向左偏移，长尾向右侧延伸。结合峰度系数和偏度系数的计算结果，推测该分布符合对数偏正态分布。根据求出的偏度系数P和峰度系数F，采用Jarque-Bera正态分布检验方法，假设其为对数偏正态分布，检验结果如表2所示。
[0054] 表2正态分布检验结果
[0055]
[0056] 输出结果h是指假设统计样本满足某种正态分布，当输出h＝1时，表示原假设错误；输出h＝0时，表示原假设正确。返回的检验p值是指当p值小于给定的显著性水平(一般取0.05)时，否定原假设。从表2可以看出，电动汽车的充电开始时间和充电时长均满足对数偏正态分布。
[0057] S12、根据表2中充电开始时间和充电时长的偏度系数P和峰度系数F的值，可判断充电开始时间和充电时长的分布均为偏正态分布，则充电开始时间的概率密度函数f1(x)为： 充电时长的概率密度函数f2(y)为：其中，x为充电开始时间的变量，y为充电时长的变
量，μs1为充电开始时间的均值，σs1为充电开始时间的标准差，μs2为充电时长的均值，σs2为充电时长的标准差。
[0058] 所述充电开始时间和充电时长的概率密度直方图及拟合曲线如图5和6所示。
[0059] 从图5可以看出充电开始时间的高峰集中在7点到10点，10点之后充电的人数逐渐减少。从图6可以看出在电动汽车充电时，充电时长多保持在0:00～10:00，在充电时长超过10小时后，大部分电动汽车将停止充电，少部分电动汽车继续充电，充电时长最长达40小时。这种集中式的充电行为对电网的稳定运行将会造成较大冲击。
[0060] 图5和图6对电动汽车充电特征量进行了对数偏正态分布拟合，其拟合的结果可采用三种方法来进行判断，分别是均方误差(MSE)、平均绝对误差(MAD)、最大绝对误差(Max AE)，误差分析结果如表3所示。
[0061] 表3充电特征量拟合曲线误差分析结果
[0062]
[0063] 两个充电特征量的均方误差和平均绝对误差都接近于0，表示拟合效果良好，因此采用对数偏正态分布拟合方法结果是可行的。
[0064] S2、根据步骤S1中的概率密度函数利用拉丁超立方-蒙特卡洛统计法对电动汽车充电负荷进行估算，得到电动汽车充电负荷曲线。利用蒙特卡洛估算出每个时刻的充电电动汽车的数量和每个时刻每辆电动汽车所使用的的功率，并经拉丁超立方方法抽样，计算N辆电动汽车的充电负荷曲线。
[0065] 蒙特卡洛是一种通过产生伪随机数来解决计算问题的方法，普通的蒙特卡洛模拟法是随机取样，而拉丁超立方-蒙特卡洛统计法是一种多维分层抽样法，两者的标准误差公式分别如式(1)和式(2)所示。
[0066]
[0067]
[0068] 式中：σy为标准差，n为样本数据的数量，E1和E2分别为普通蒙特卡洛模拟法和拉丁超立方-蒙特卡洛统计法标准误差。两种方法的标准误差公式比较分析，如式(3)所示。
[0069]
[0070] 由式(3)可以看出，拉丁超立方抽样对样本数据的数量n的节省非常显著，所以用拉丁超立方抽样来改进蒙特卡洛的抽样方法可以使其有更好的收敛性。
[0071] 在建立充电开始时间与充电时长的概率密度函数之后，根据蒙特卡洛估算出每个时刻有多少车充电并且在这一时刻每辆车所使用的功率，经拉丁超立方法抽样，计算10000辆电动汽车的充电日负荷曲线，其结果如图7所示。从图7可以看出0到8点充电功率在逐渐增加，9点达到最大值，9点之后充电功率开始逐渐下降。图7显示充电负荷曲线的走势与充电开始时间概率密度曲线的走势基本一致，但受充电时长影响，电动汽车充电负荷曲线相对充电开始时间的概率密度曲线有一定滞后性。
[0072] S3、将交流1级、交流2级和直流三种充电设备作为决策变量，建立充电站充电设备的多目标函数。
[0073] 表4电动汽车充电功率等级
[0074]
[0075] 所述建立充电站充电设备的多目标函数的方法为：三种不同功率等级的充电装置如表4所示，通过对设备购置台数的合理优化，在充电设备能满足大规模电动汽车充电需求的同时，也能减少充电站建设方面的资金投入，降低电动汽车无序充电负荷的峰谷差，削峰填谷。充电设备分别为交流1级、交流2级和直流，交流1级、交流2级和直流在充电站中所占的比例分别为x1、x2和x3，目标函数为充电设备的总投资和电动汽车无序充电负荷的峰谷差，约束条件为在连接时长内满足用户的预期充电电量。设Y1(x1,x2,x3)为充电设备的总投资，由各设备在充电站所占比例与每台设备成本的乘积之和组成。Y2(x1,x2,x3)为电动汽车无序充电负荷的峰谷差，由各设备在充电站所占比例与各充电设备的最大功率乘积之和减去各设备在充电站所占比例与各充电设备的最小功率乘积之和组成。则多目标函数为：
[0076] Y1(x1,x2,x3)＝3000x1+15000x2+500000x3，
[0077] Y2(x1,x2,x3)＝1.9x1+25.6x2+100x3-1.4x1-7.7x2-40x3，
[0078] 其中，3000表示每台交流1级充电设备的成本，1.9表示交流1级充电设备的最大功率，1.4表示交流1级充电设备的最小功率，15000表示每台交流2级充电设备的成本，25.6表示交流2级充电设备的最大功率，7.7表示交流2级充电设备的最小功率，50000表示每台直流充电设备的成本，100表示直流充电设备的最大功率，40表示直流充电设备的最小功率。
[0079] S4、将步骤S2中的电动汽车最大充电负荷作为约束条件，利用遗传粒子群算法对步骤S3中的多目标函数进行优化，输出充电设备在充电站的最优配置。
[0080] 所述步骤S4中的约束条件为电动汽车最大充电负荷：1.4x1+7.7x2+40x3≥39.06。
[0081] 如图2所示，利用遗传粒子群算法对步骤S3中的多目标函数进行优化，输出充电设备在充电站的最优配置的方法为：首先设定运行参数和初始种群，划分种群开始计算适应度，若不是最优解，则选择算子进行交叉、变异并带入更新的位置和速度进行运算，算出新子群的适应度，判断是否优于之前的局部最优解，若是则替换；重复进行上述运算过程直至的出全局最优解输出结果，便是充电站充电设备的最优规划方案。
[0082] S41、初始化运行参数，包括粒子种群M＝100、变异率为0.9、交叉率为0.9、迭代次数为t＝0，最大迭代次数为tmax＝200，每个种群包括三个变量；随机产生粒子种群的位置和速度，粒子种群的位置取值范围为[0.4,0.8]，粒子种群的速度取值范围为[-1,1]。
[0083] S42、计算每个粒子种群的适应度，并根据适应度大小对粒子种群进行排序，根据最大的适应度对应的粒子种群计算充电设备的总投资Y1的值设为历史最优值Y1_min；适应度的值越大，表示充电设备的总投资Y1的值越小。
[0084] S43、根据交叉率随机选择90个粒子种群进行两两交叉运算得到中间的新粒子种群，再根据变异率随机选择90个中间的新粒子种群进行两两变异运算得到新的粒子种群。
[0085] 所述交叉运算是指将一个粒子种群中的任意两个变量与另一个粒子种群中的对应位置的变量的值进行交换。
[0086] 所述变异运算是指将一个粒子种群中的任意一个变量与另一个粒子种群中的对应位置的变量的值进行交换。
[0087] S44、判断交叉运算和变异运算是否运行完毕，若是，执行步骤S45，否则，执行步骤S43。
[0088] S45、迭代次数t+1，计算新的粒子种群的适应度并排序，计算所有新的粒子种群对应的充电设备的总投资Y1。
[0089] S46、比较步骤S45中的Y1是否小于历史最优值Y1_min，若是，执行步骤S47，否则，执行步骤S48。
[0090] S47、更新新的粒子种群的位置和速度，执行步骤S48；
[0091] 新的粒子种群的位置和速度的更新方法为：
[0092]
[0093] 其中，i＝1,2,…,M，t＝1,2,…,tmax，Xi(t)为第t次迭代时第i个粒子种群的位置，Vi(t)为第t次迭代时第i个粒子种群的速度：Vi(t+1)为第t+1次迭代时第i个粒子种群的速度，Xi(t+1)为第t+1次迭代时第i个粒子种群的位置，c1和c2为正的学习因子，r1和r2为0到1之间均匀分布的随机数，pi为第i个粒子种群的最优位置。
[0094] S48、判断新的粒子种群是否满足约束条件或达到最大迭代次数tmax，若是，执行步骤S49，否则，执行步骤S43。
[0095] S49、输出新的粒子种群的最大适应度对应的三个变量的值，即为充电站充电设备的最优配置。
[0096] 电动汽车的总数为10000辆，采用的最大迭代为200代，种群大小为100个，每个种群即为一个个体，对应一组变量的确定解。在用遗传粒子群求出最优解之前，先根据能满足用户的需求，减少设备投资，降低电动汽车无序充电负荷的峰谷差的要求，确定适应度函数minY1(x1,x2,x3)、minY2(x1,x2,x3)，决策变量三种充电功率设备所占比例x1、x2、x3，依据约束条件判断其是否满足要求。根据遗传粒子群算法的特征设定惯性权重、交叉系数、学习因子等相关参数值，经运算输出符合条件的最优解。取出交流1级充电设备x1数据，迭代情况如图8所示，交流2级充电设备x2和直流充电设备x3的求解方法与交流1级充电设备x1的求解方法相同。
[0097] 遗传粒子群算法优化输出最优解时充电设备的占比如图9所示。从图9可以看出，充电站处于最佳运行状态的条件为各充电设备中交流1级占24.27％，交流2级占51.79％，直流占23.94％，交流功率最大的交流2级设备占比最大，而功率最大的直流设备占比相对较小。
[0098] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
