情境化需求不确定性下电动汽车充电站多目标规划的混合深度学习集成预测与群进化优化框架

《Swarm and Evolutionary Computation》:A hybrid deep learning–ensemble forecasting and swarm-evolutionary optimization framework for multiobjective electric vehicle charging station planning under contextual demand uncertainty

【字体: 大 中 小 】 时间:2026年08月29日 来源:Swarm and Evolutionary Computation 9.6

编辑推荐:

   摘要电动汽车(EV)的快速增长加剧了在高度波动和不确定的需求下规划坚固、经济充电设施的需求。充电基础设施的部署通过技术损耗和电压调节直接影响馈线级能效,并在需求波动下可能增加配电资产的运行压力,需要联合选址与定容决策以平衡投资成本、服务可靠性和网络运行约束。本研究提出了一种基

  

摘要

电动汽车(EV)的快速增长加剧了在高度波动和不确定的需求下规划坚固、经济充电设施的需求。充电基础设施的部署通过技术损耗和电压调节直接影响馈线级能效,并在需求波动下可能增加配电资产的运行压力,需要联合选址与定容决策以平衡投资成本、服务可靠性和网络运行约束。本研究提出了一种基于情境仿真的多目标规划框架,整合了需求预测、不确定性建模和优化。采用混合长短期记忆-极端梯度提升(LSTM–XGBoost)模型生成基线需求曲线,在此基础上通过情境仿真和蒙特卡洛模拟建模电动汽车用户行为,构建具有情境依赖性的随机场景,以代表包括极端运行条件在内的真实需求波动。所形成的选址与定容问题被表述为多目标混合整数非线性规划问题,并使用混合算术优化算法-非支配排序简化群优化(AOA–NSSSO)算法求解,该算法平衡了全局探索与局部精修。在IEEE基准系统上的实验表明,该框架改善了网络性能、电压安全性和在最差情况下的鲁棒性,实现了100%可行性和零电压越限概率。将投资成本作为显式目标引入后,揭示了支出与运行性能之间的清晰技术经济权衡,在保障电压安全的前提下减少了部署规模与成本。

引言

全球交通系统正在向电气化快速转型,各国政府和行业正在追求脱碳目标和更清洁的城市出行方式。这一转型正在重塑支撑基础设施,因为电气化出行需要大规模、协调良好的充电服务,且这些服务与交通需求模式和地方能源供应能力紧密耦合[1]。因此,充电基础设施的规划决策已成为城市和系统规划者的战略关切,因为它们影响着长期投资效率、服务可靠性以及不确定需求条件下电气化交通的韧性[2]。
电动汽车的快速增长产生了对电动汽车充电站(EVCS)有效规划的迫切需求[3]。EVCS的部署决策决定了充电需求如何在空间和时间内分配,并直接影响配电网性能[4]。当需求在空间上高度集中或分配不合理时,网络可能出现增加的功率损耗和恶化的电压曲线,用户可能面临服务可用性下降和等待时间延长[5]。从能源系统的角度来看,这些影响还反映在馈线级效率降低和配电资产运行压力增加上,在不确定需求下维持可接受的电压曲线可以降低资产老化风险。
EVCS规划需要长期的投资决策以在不确定性下平衡运行性能。这种不确定性源于两个不同的来源:电网侧基线预测误差(通常通过聚合分布建模)和用户侧电动汽车行为随机性(通过基于事件的仿真捕捉)。将这两者合并为一个模型过于简化了它们的独特特征,并可能在极端条件下低估网络约束违规的风险,凸显了鲁棒规划的必要性[6, 7, 8]。当前文献通常分为两种范式。成本驱动的研究主要关注设施选址、容量和预算分配[9, 10, 11]以优化成本和服务覆盖[12];然而,通过简化电气网络,它们往往忽视了电网可行性和运行风险[13]。相反,电网导向的研究明确嵌入了潮流约束以优化技术目标如功率损耗和电压偏差,但其关注点通常仍局限于电力系统性能[14]。
尽管现有文献提供了两种视角,但仍面临多项挑战。目标集合仍常由电力系统指标主导,而成本相关的考量被简化或忽略[15, 16]。需求不确定性也很少以情境依赖的方式纳入,许多模型在标称预测下评估解决方案而未将随机变异传递至规划阶段。尽管取得了这些进展,但一个在单一帕累托方法中联合解决这些局限性的综合框架仍然缺乏。具体而言,此前的研究未同时整合:(i) 电网性能指标之外的显式投资成本目标,(ii) 基线需求的具有情境依赖性的场景生成,以及(iii) 电网侧与用户侧不确定性的明确分离,这两者反映了根本不同的统计特性。如表1所示并在第2.2节中讨论的,单个要素仅孤立出现。纳入成本的研究通常依赖确定性需求,而建模不确定性的研究很少将成本作为显式目标。即使考虑了两种不确定性来源,它们通常也被聚合为单一分布,模糊了情境依赖的基线误差与事件驱动的电动汽车行为之间的界限。这一差距限制了实际应用,因为规划者必须同时最小化支出、确保鲁棒的电网性能,并考虑到不确定运行条件下需求波动的全部范围。
为弥补这些空白,我们提出了一种基于情境仿真的多目标优化框架,用于在基线能耗预测不确定性和随机充电需求下规划EVCS。采用混合长短期记忆-极端梯度提升(LSTM–XGBoost)模型预测基线消耗并构建运行情境,同时通过蒙特卡洛模拟表征随机电动汽车充电需求;两者共同驱动情境仿真程序生成多样化需求场景,嵌入多目标规划模型中,并通过混合算术优化算法-非支配排序简化群优化(AOA–NSSSO)算法求解最优EVCS选址与定容问题。该框架在IEEE 33节点、69节点和123节点基准系统上验证,并从解质量、鲁棒性和计算效率方面与最先进的元启发式和优多目标优化器进行了比较。
本文的主要贡献如下。(1) 我们将EVCS选址与定容问题表述为风险导向的多目标问题,在其中情境条件化需求不确定性直接传播至目标函数和鲁棒性评估中(FR、VVP、EVM和CVaR)。因此,尾部风险驱动搜索过程本身,而非在标称预测下固定解决方案后再进行评估。(2) 我们将需求不确定性建模为两个结构上不同的流:电网侧预测误差(异方差且具有情境依赖性)和用户侧充电行为(事件驱动),两者分别模拟,仅在聚合阶段叠加。由于两种来源遵循不同的统计规律,这种分离保留了最差情况可行性评估所依赖的尾部行为,而单一聚合分布则会将其平滑。(3) 我们设计了AOA–NSSSO,一种基于秩划分的混合算法,其中AOA驱动的精英子种群在选址微变异算子下精修定容决策,而NSSSO驱动的群则探索联合选址-定容空间。选址-定容的一致性通过解决方案编码来强制实现,而非事后修复步骤,从而确保每个被评估的候选解均由构造保证可行。
本文其余部分安排如下。第2节综述了EVCS规划、需求预测和不确定性下规划的相关研究。第3节提出了确定性模型和情境化模型,包括两个不确定性流和投资成本目标。第4节介绍了求解算法和情境场景生成方法。第5节报告了实验结果。第6节总结全文并展望了未来研究方向。

章节摘要

EVCS规划模型:选址、定容、成本、服务与电网集成

EVCS规划文献通常采用两种互补视角。一组研究侧重于基础设施投资和服务性能。在这一研究方向中,EVCS部署通常被表述为设施选址和容量规划问题。规划决策通常涉及充电站位置和充电能力,包括充电点的数量。目标通常关注投资和运营成本,以及服务相关的指标,如

问题描述

在一个配电网络上考虑电动汽车充电站规划,该网络包含一组候选安装位置。规划任务是确定:(i) 是否应在每个候选位置安装充电站,以及(ii) 相应的容量决策,即每个选定站点安装的充电点数量。这些决策必须在充电需求实现之前做出,并应满足配电网络在

所提方法

所提框架如图1、图2所示,由三个顺序阶段组成,旨在支持不确定条件下的鲁棒EVCS规划。第一阶段开发了一个两阶段混合预测模型,整合了深度学习和集成学习。具体来说,首先使用LSTM网络作为主要预测器来捕捉长期时间依赖性和历史需求模式。随后,使用XGBoost对LSTM预测的残差分量进行建模,从而

实验结果

本节从四个方面评估所提规划框架:
  • 1.
    混合LSTM–XGBoost模型的预测性能与基线预测方法进行验证比较。
  • 2.
    AOA–NSSSO优化器在IEEE配电测试系统上与基准元启发式算法进行比较。
  • 3.
    在情境驱动的需求不确定性下分析鲁棒性,排除财务目标。
  • 4.
    纳入财务目标以检验投资权衡。

结论

本研究提出了一种基于情境仿真的多目标规划框架,用于在预测不确定性下部署电动汽车充电站。所提框架的主要贡献是对两种不同的需求不确定性来源进行了独立建模。第一种是电网侧基线负荷不确定性,通过不同运行条件下具有情境依赖性的预测误差分布来表示。第二种是用户侧电动汽车充电不确定性,其

CRediT作者贡献声明

Chun-Chih Chiu:写作——审阅与编辑、验证、指导、方法论、资金获取、概念化。Nguyen Thao Huong:写作——初稿撰写、可视化、形式化分析、数据管理、概念化。
Chun-Chih Chiu | Nguyen Thao Huong
台湾科技大学智能制造技术研究所,台北,106335,台湾
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号