《Energies》：Coordinated Capacity Planning and Charging Scheduling for Multiple EV Charging Stations Considering Time-of-Use Pricing and Energy Storage
编辑推荐：
随着电动汽车 (EVs) 的快速增长，高充电需求加剧了充电站 (CSs) 利用率的不均衡以及给配电网带来的压力。因此，研究人员提出了一种考虑分时 (TOU) 电价和储能系统 (ESSs) 的多充电站容量规划与充电调度的协同方法。研究中建立了一个总系统成本模型，
随着电动汽车 (EVs) 的快速增长，高充电需求加剧了充电站 (CSs) 利用率的不均衡以及给配电网带来的压力。因此，研究人员提出了一种考虑分时 (TOU) 电价和储能系统 (ESSs) 的多充电站容量规划与充电调度的协同方法。研究中建立了一个总系统成本模型，包括变压器和 ESS 成本。其次，提出了一种深度神经网络引导的改进麻雀搜索算法 (DNN-ISSA)，通过预测初始容量中心来优化充电桩和停车位的数量。此外，提出了一种充电调度算法，通过引入 TOU 价格响应函数来修正充电概率，从而优化用户的充电时间。针对济南市36个充电站的案例研究表明，所提出的方法在1000、5000和10000个需求点下，分别将平均充电时间减少了15.7、15.4和15.2分钟，同时将总系统成本从7392万元降低至7036万元。与改进麻雀搜索算法 (ISSA)、粒子群优化算法 (PSO) 和麻雀-粒子群优化算法 (SSA-PSO) 相比，DNN-ISSA 的收敛值分别降低了15.05%、21.67%和11.61%。所提出的方法提高了能源利用率，缓解了峰值负荷，并支持了低碳的电动汽车充电运营。
随着“双碳”目标的推进与新能源汽车产业的快速发展，电动汽车已成为城市交通低碳转型的重要方向。然而，电动汽车的快速增长导致充电需求持续上升，使得充电需求在时间和空间上分布不均。在峰值时段，局部区域容易出现充电拥堵、排队时间增加和充电效率下降等问题；同时，集中充电可能会加剧充电站的负荷波动，对配电网的安全稳定运行造成压力。分时 (TOU) 电价机制能够通过价格信号引导用户将充电需求转移至低谷时段，而储能系统 (ESS) 则可通过低谷充电和峰值放电实现削峰填谷。尽管现有的充电站规划研究在选址定容、充电调度和智能优化方面取得了进展，但仍存在局限性：在统一框架内对容量决策、充电行为、TOU 电价与 ESS 运行进行协同考虑的研究不足；现有模型对用户出行时间、排队时间、充电时间与社会成本的综合表征不够充分；在数据驱动研究中，深度学习多用于需求预测而较少用于构建面向优化的初始解；混合元启发式方法仍依赖随机初始化，在多维整数变量优化中容易导致初始解质量差、搜索盲目和收敛缓慢。为解决上述问题，研究人员开展了一项关于多充电站容量规划与充电调度协同优化的研究，构建了以最小化总系统成本为目标的联合优化框架，并验证了其在降低系统成本、平滑负荷方面的重要意义。该论文发表在《Energies》期刊上。
在关键技术与方法方面，研究人员开发了一种深度神经网络引导的改进麻雀搜索算法 (DNN-ISSA)。该算法利用深度神经网络 (DNN) 学习充电站特征与容量决策之间的非线性映射关系，通过预测初始容量中心来引导种群初始化与早期搜索。同时，算法中引入了黄金正弦策略、自适应 Lévy 扰动、约束修复机制和局部邻域搜索以提高收敛速度与解的质量。在充电调度方面，研究人员基于真实的充电站运营数据，利用 M/M/s/K 排队模型描述用户的随机到达与服务过程，并引入带有价格敏感系数的 TOU 价格响应函数来修正用户的充电概率。案例研究的样本队列来源于济南市某典型城区范围内收集的 36 个实际运营充电站数据，涵盖了 72,856 次完整的充电会话记录。
5.2.1. 训练结果分析：通过观察 DNN 初始化模型的训练损失和均方根误差 (RMSE) 曲线，发现模型误差在早期迅速下降并逐渐稳定，收敛后仅有轻微波动且无明显发散，表明该模型具有良好的收敛性和稳定性。
5.2.2. 充电站容量规划结果：通过与改进麻雀搜索算法 (ISSA)、粒子群优化算法 (PSO) 和麻雀-粒子群优化算法 (SSA-PSO) 对比，DNN-ISSA 取得了更快的收敛速度和更低的目标值。统计检验表明其具有最低的中位数和均值。此外，考虑储能系统 (ESS) 后，充电桩总数、停车位总数和总系统成本分别下降了5.22%、10.75%和4.82%，证实引入 ESS 有助于优化容量配置并降低整体成本。
5.2.3. 充电时间优化结果：在 1000、5000 和 10000 个需求点的仿真中，所提出的调度策略有效引导用户避开高峰时段，平均充电时间较未调度场景分别减少了 15.7、15.4 和 15.2 分钟。负荷评估指标显示，TOU 电价场景下的峰值负荷、峰谷差和峰均值比均低于对比场景，有效改善了负荷分布。
5.2.4. 敏感性分析：针对 TOU 价格敏感性系数的分析表明，适度的价格敏感性可有效平滑负荷，但过高的敏感性会导致需求过度转移至低价时段从而产生新的负荷高峰。基于 Latin超立方抽样 (LHS) 的 ESS 容量敏感性分析显示，增加 ESS 容量可降低总成本，但在容量超过 150% 后，峰谷差不再持续优化，需在系统经济性与负荷平滑之间取得平衡。
总结与讨论部分指出，研究人员开发了一个考虑 TOU 电价和 ESS 运行的多充电站优化模型，并基于济南市的 36 个充电站数据进行了验证。研究结论表明，首先，所提出的 DNN-ISSA 有效提升了容量规划优化的求解精度和收敛性能，与传统 ISSA、PSO 和 SSA-PSO 相比，其目标函数收敛值分别降低了 15.05%、21.67% 和 11.61%，证明 DNN 引导的初始化提高了初始种群质量并减少了盲目搜索。其次，引入 ESS 成本后，总系统成本从 7392.37 万元降至 7036.08 万元，表明 ESS 能够利用 TOU 电价差通过低谷充电和峰值放电降低购电成本与系统总成本，并在一定程度上缓解峰值充电负荷对配电网的冲击。最后，基于 TOU 价格响应的充电调度算法有效缩短了用户充电时间并平滑了负荷，在不同需求点场景下平均充电时间均显著减少。
