学习十八大团日活动总结

学习十八大团日活动总结

关于“学习十八大精神”的团日活动总结

一、活动背景

中国共产党于11月8日召开了十八次全国代表大会，并于11月15日胜利闭幕。大会选举产生了新一届党的领导人，制定了新时期党发展方向和方针政策。作为新时期的共青团员，我们要坚定不移的跟党走，为了深入学习并了解党的十八大精神，以丰富同学们的精神世界，提高思想层次，11级护理四班在201*年12月21日上午博学楼B302教室召开主题为“学习十八大精神”的主题团日活动。11级护理四班全体同学参加了本次活动。活动由第六团小组主持召开。

组长：甲组员：乙，丙，丁，戊，己。二、活动概述

活动由团小组组长邢文召组织召开，并担任主持人。班会的内容有：

1、甲以ppt的形式介绍了毛泽东、邓小

平、江泽民等老一辈领导人带领中国共产党走过的光辉历程和他们的历史功绩。

2、乙带领大家学习了八荣八耻，十八大的

会议内容以及党制定的方针政策。

3、丙带领大家模仿十八大开幕式，全体同学

起立唱国歌。观看关于十八的视频，讲述十八大的四个要点及意义。4、最后甲宣布活动结束。

整个会议过程中，主持人充分调动全体同学的积极性，推动班会有序展开；上台讲述的同学精神饱满，声音洪亮，富有激情，赢得同学们的阵阵掌声；台下同学们积极参与，认真配合保持会场纪律，会议模仿十八大开幕式唱国歌，更是将班会推向高潮，全体同学一齐大声唱起国歌，嘹亮的歌声在教室回荡.班会结束后，班长、团支书以及各班委组织大家离开会场，并号召大家深入学习并宣扬十八大精神，班会取得了圆满成功.三、活动影响

1、使同学们更为深刻的了解了十八大精神，同时使同学们认识到，中国共产党第十八次全国代表大会是我国政治中的一件大事，对于全国各族人民、党员是一件喜事，决定了我国今后的政策走向、未来的经济体制及一系列改革路径。胡总书记的报告明确把贯彻落实科学发展观提升到更高的理论指导地位，为中国今后10年的发展指明了方向，提出了任务。报告简明扼要、重点突出，论断精辟，鼓舞斗志、振奋人心。

2、十八大学习增强了同学们的民族自豪感，同时也是同学们更加坚持与拥护中国共产党的领导。

3、通过筹备本次学习十八大精神的主题班会，让同学之间的合作意识有了很大的提升，同学之间的默契也得到了提高四、活动经验与不足四、活动经验与不足总体来说，我们这次以“学习十八大精神”为主题的团日活动班会，还是比较成功的，成功的原因我们总结为以下几点：1、准备较充分。“凡事预则立，不预则废”在这次班会中得到了充分体现，正是因为有了详实的考虑、周全的计划和充分的准备，这次班会才有了成功开展的前提。

2、分工具体安排合理。在活动没有开始之前，团小组组长就已经将活动的流程以及每个流程的主要负责人负责的任务合理分配好了。同时也注意到活动与同学们学习时间的协调。事后，同学们普遍反映良好。

3、活动效果良好。同学们都反映本次活动形式活泼，寓教于乐，是同学们在快乐的氛围中学习了十八大精神。在成功的背后，我们也认真反省思考了我们的不足：1、时间较为仓促。由于教室较为紧张且同学们的时间较为难统一，所以在时间选择方便比较紧张。

2、配合不够密切，没有充分调动各个班委的积极性，下次活动应该让大家都参与进来，共同办好活动。

3、本次活动没有多媒体，只用电脑播放效果不太好。五、活动总结

虽然本次活动在组织细节上还有一些不尽如人意的地方，但总体上来说本次活动是成功的，收到了预期的效果。我们一定会在今后的活动中争取更大的进步。

编辑人：戊摄像：己

时间：

扩展阅读：深入学习党的十八大精神主题团日活动总结

编辑老师:您好！对审稿意见的回复见文末,谢谢！

考虑交通网络流量的电动汽车充电站规划

摘要:充电站的合理选址和定容对电动汽车的规模化应用具有重要意义。考虑到充电站具有城市交通公共服务设施以及普通用电设施的双重属性,以俘获的交通流量最大、配电系统网络损耗最小以及节点电压偏移最小为目标,建立了充电站最优规划的一个多目标决策模型。首先,采用超效率数据包络分析评价方法,确定归一化后各个目标函数合理的权重系数,把多目标优化问题转换成单目标优化问题。之后,采用改进的二进制粒子群优化算法求解该单目标优化模型。最后,以33节点配电系统以及25节点交通网络为例,说明了所发展的模型和方法的基本特征。关键词:电动汽车;充电站规划;交通流量;超效率数据包络分析;改进二进制粒子群

0引言1

发展电动汽车产业是减少温室气体排放和降低对化石燃料依赖的一种重要举措。随着电动汽车技术特别是电池技术的发展和一些国家在政策上的大力支持,电动汽车在过去的十多年间得到了快速发展。

电动汽车充电站能够为电动汽车提供充电、维修等服务,是发展电动汽车产业所需要的重要设施。充电站规划主要包括选址和定容,其规划合理与否不仅影响电动汽车用户出行的便利从而影响电动汽车的推广使用,还会影响配电系统的电能质量。在最近几年中,国内外在充电站规划方面已经做了一些初步的研究工作。文献[2]分析了影响电动汽车充电站规划的多方面因素,并对其布局规划提出了原则性建议。文献[3]提出了基于地理因素和服务半径的两阶段充电站选址方法,采用伏罗诺伊(Voronoi)图对充电站的充电服务区域进行划分,并建立了以规划期内充电站建设总成本和网损费用为优化目标的充电站规划模型。文献[4]在对不同类型的电动汽车充电需求分析基础上,建立了综合考虑充电站投资建设成本和运行成本的集中型充电站最优容量配模型。文献[5]考虑了规划区内电动汽车换电需求分布不均匀问题,并以投资和运行成本最小为目标,建立了换电站最优规划模型。

现有的相关文献多数将充(换)电站视作普通的用电设施进行规划,而忽视了其提供公共服务的特性。事实上,电动汽车充电站具有两方面属性。首先,充电站是一种城市交通公共服务设施,其功能类似于加油站

[6,7]

[1]

电力网络改建、网损、节点电压质量等。因此,如何在满足相关约束条件的情况下,充电站能够为更多的车主提供便利服务,且尽量减少对配电系统的负面影响,就是一个亟需研究的重要问题。

基于上述考虑,本文借鉴分布式电源选址思想[8-11],融合电力设施规划方法[12]与城市交通服务设施选址理论[13-15],综合考虑充电站的两方面属性,建立了考虑交通网络流量的充电站多目标规划模型,并采用数据包络分析(DataEnvelopmentAnalysis,DEA)方法[16]确定各个目标的权重,把多目标规划问题转化为单目标问题。之后,采用改进的二进制粒子群优化算法(BinaryParticleSwarmOptimization,BPSO)求解该单目标优化模型。最后,以33节点配电系统[17]和25节点交通网络[15]为例对所发展的模型与方法做了说明。

1电动汽车交通流量分析

在交通领域,针对服务设施选址问题,现有的大多数研究工作主要针对网络节点上的用户,优化目标一般给定为设施投资建设成本或用户到服务设施的旅行成本。电动汽车在道路上行驶,充电需求不是集中在节点上,而是在交通网络中流动,故可以采用交通流量模拟电动汽车的充电需求,而充电站规划可借鉴交通领域的截流选址模型[18]。

现有的截流选址模型一般假定,只要在某条线路/路径上有服务设施,则该条线路上的所有顾客流均被俘获。就充电站规划问题而言,考虑到电动汽车行驶里程限制,在单一节点上建设充电站未必能够满足汽车在日常线路上来回行驶需求（即该线路上的交通流量不能被完全俘获）,需要考虑在某个节点组合上建设充电站为电动汽车提供充电服务。以图1为例进行说明。

1

,都是为车辆提供服务;其次,充电站是一种用电设

施,其规划建设要考虑对配电系统诸多方面的影响,如

图1一条往返路径的例子Fig.1Anexampleoftheround-trip

电动汽车从出发点O到目的地D。这里假设只要电动汽车经过充电站,即可充满,暂不考虑充电站容量和充电时间等条件限制。对不同的电动汽车最大行驶里程L,存在以下几种情况:

L大于200km,在任意一个点建设充电站都可

满足电动汽车充电需求;

L小于200km但大于180km,在A或B点建

设充电站均可满足充电需求;

L小于180km但大于120km,仅B点建设充电

站可满足充电需求;

L小于120km但大于60km,任何单独一点上

建设充电站都不能满足充电需求,需在两个或以上节点上建设充电站;

L小于60km,任何节点以及节点组合上建设充

电站均不能满足电动汽车充电需求。本文借鉴截流选址模型,采用交通流量模拟充电需求,并计及电动汽车续航里程等因素约束,选择适当的交通节点建设充电站,使得充电站组合俘获的交通流量总和最大（即为尽量多的用户提供充电服务）。

2充电站最优规划模型

充电站规划不仅要考虑用户充电的方便性,还需要综合考虑充电站接入配电系统后对电能质量的影响和系统运行的安全性与经济性,因此是一个典型的多目标优化决策问题。

一般而言,重要交通节点（如火车站、汽车站、大型超市和大型居民区等）也是电力系统的重要负荷节点。基于这样的背景,本文假设配电系统部分节点在地理上和交通网络重要节点重合(这里所谓的“重合”指两者同处于一块小区域中,未必严格在一个地理点上),而配电系统线路和交通网络道路则未必重合。此外,由于充电站需要满足车辆行驶中的充电需要,同时也是规模较大的负荷节点,因此将充电站的候选位设定在交通网络和配电系统的重合节点。图2为配电系统和交通网络节点重合示例。

图2配电系统和交通网络节点重合示意图Fig.2Thegeographicoverlappingofthebusesinthedistributionnetworkandnodesinthetrafficnetwork

在上述背景下,本文以俘获交通流量最大、配电系统网损最小以及节点电压偏移最小为目标构建充电站规划的多目标优化决策模型。2.1目标函数

1)俘获的交通流量

假设当电动汽车经过充电站时,不管此时电池剩余电量水平,车主都会接受充电服务直至充满。考虑到汽车GPS导航和车主的行车经验,这里假设电动汽车车主会选择从出发点到目的地之间的最短路径作为日常行驶线路,最短路径及其通过节点可以通过Floyd算法

[19]

求出;每条路径上电动汽车行驶产生的交通流量可

以通过重力空间互动模型[15]求得。目标函数及重力空间互动模型表达式分别如式(1)和(2)所示:

maxf1fqyq(1)

qQfqWOWD/(dq1.5)(2)

式中:q为电动汽车从出发地O到达目的地D之间的最短路径;Q为最短路径的全集,假设交通网络系统中有n个节点,考虑到对称性,且不考虑环路,则共有n(n-1)/2条最短路径;fq为路径q上的交通流量;WO为路径q起点O的权重;WD为终点D的权重;dq为路径q的长度;yq表示路径q上的交通流量是否被俘获,如果是,则为1,否则为0。

2)配电系统网损

电动汽车充电站接入配电系统后,系统的潮流分布将会发生改变,随之将引起配电系统网络损耗发生变化。网络损耗不但与原始负荷有关,还与电动汽车充电站的建设位和容量大小有关。配电系统网损最小目标可描述如下:

minfkk2PLoss(UikPSi,UikQSi)(3)式中:PkkSi和QSi分别为在第i个节点建设的第k种类型

充电站的有功容量和无功容量;Uik表示是否在节点i建设第k种类型电动汽车充电站,1和0分别表示建设和不建设。这里假设充电站共有0.1MW,0.2MW,0.3MW,0.4MW四种容量可选。

3)节点电压偏移

充电站的接入将会导致配电系统中的节点电压轮廓发生变化。这里提出电压偏移指标,用于计算系统节点电压与平衡节点电压偏差。计算公式如下:

minfN1ViV03i()(4)i1V0式中:N为系统中节点数目;V0为平衡节点电压;Vi为节点i的电压;i为权重因子,根据节点的重要性而定,这里定义PiiP,即认为节点的重要性与该节点负Load荷大小正相关,Pi为节点i的原始负荷,PLoad为配电系统总负荷。2.2约束条件1)节点组合约束

假设电动汽车在行驶过程中,不能偏离其最短路径q,且充满电后电动汽车最大行驶里程为L。如果出发点有充电站,则剩余可行驶里程设为L;如果没有,则可以假设剩余可行驶里程为0.5L,原因如下:若剩余可行驶里程为0.5L,且能够在电量耗尽前到达离起始点最近的充电站充电,则返回时仍能在该充电站充满电,且返回到出发点后,剩余可行驶里程不小于0.5L。

这里给出如下两个定义:1)若节点组合h(此时假设包含在组合h的所有节点都已建设充电站)能给最短路径q上的电动汽车提供充电服务,使其能够从出发地到达目的地,并有充足的电量返回到出发地,则称该组合为有效节点组合;2)有效节点组合所包括的所有节点都建设充电站时,则称该有效节点组合开放。很明显,只有当线路q上至少存在一个有效节点组合h,且该组合开放,线路q上的交通流量才被俘获。

y1aqhvh1hHqq=0aqhvh=0(5)

hHq式中:aqh表示q上的节点组合h是否有效,取值1和0分别表示有效和无效;vh表示h组合是否开放,取值1和0分别表示开放和不开放;Hq表示线路q上所有有效的节点组合,其确定算法在下文给出。2)充电站带负荷能力约束

为了满足电动汽车用户充电需求,规划区域内的充电站额定容量应不小于电动汽车的最大充电负荷需求。

N1mUPkikSiWmax0(6)

i1k1式中:Wmax为综合考虑了车主出行特征,以及电动汽车数量、电池容量等因素计算得出的最大充电负荷需求;m为充电站的种类。3)充电站建设个数限制

考虑到城市土地资源一般比较紧张,为了避免资源闲所引起的浪费,应限制规划区内充电站个数:

N1mUik=M(7)

i1k1式中:M为允许建设的充电站个数。

4)现实中一个节点最多只能建设一种类型充电站。

mUik1(8)

k15)线路输电功率约束

PlPmaxl(9)

式中:Pl为配电线路l的传输功率;Pmaxl表示线路l允许的传输功率上限。采用罚函数处理不等式约束:

KK2l(PlPlmax)，PlPlmaxL(Pl)(10)0，PlPlmax式中:Kl为给定的充分大的常数。6)功率平衡约束:

N1N1PSUBPLossPDiUikPkSi(11)

i1i1式中:PSUB为平衡节点注入功率;PDi为节点i的原始负荷。

7)系统潮流等式约束

NPUkDiikPSiViVj(GijcosijBijsinij)j1NQDiUikQkSiViVj(GijsinijBijcosij)j1(12)

式中:Gij和Bij分别为节点导纳矩阵的实部和虚部;ij为支路ij的相角差。

联合式(1)-(12),构成了电动汽车充电站多目标规划模型。所建模型为非线性混合整数规划问题,传统优化方法难以求解。这里采用超效率DEA评价方法来确定各个目标的权重系数[20],利用线性加权方法把多目标规划问题转换成单目标问题,采用改进的二进制粒子群智能优化算法求解转换后的单目标优化问题。

3求解方法

3.1有效节点组合的确定

采用下述算法[14]

确定能够给线路q充电的有效节

点组合Hq:步骤1:初始化

1.1应用Floyd算法产生交通网络系统中所有起点O至终点D的最短路径q,并存储这些最短路径长度以及最短路径所经过的节点。

1.2建立一个空的主列表H用于存储所有线路q的有效节点组合Hq。

步骤2:产生路径q上所有可能候选组合。以图1为例,可能的组合为:{O},{A},{B},{D},{O,A},{O,B},{O,D},{A,B},{A,D},{B,D},{O,A,B},{O,B,D},{O,A,D},{A,B,D},{O,A,B,D}。

步骤3:从候选组合中删除因电动汽车行驶距离限制而无效的节点组合。具体方法如下:

3.1从起点O开始,如果O上有充电站,则将电动汽车剩余可行驶里程设为最大行驶里程L;如果O上没有充电站,则将剩余可行驶里程设为0.5L。

3.2移向路径q上的下一个节点,剩余可行驶里程为原剩余可行驶里程减去已行驶里程。依次检查如下五种可能情况:

1)若剩余可行驶里程小于或等于0,即电量耗尽,从

线路q候选集合中去除此组合,返回步骤3检查下一个候选组合;

2)如果节点是终点D,则考虑如下两种情况:

如果终点D上有充电站,则该组合有效,将其储存到主列表中,返回步骤3检查下一个候选

组合。

如果终点D上没有充电站,则返回步骤3.2。此时,电动汽车开始由终点返回。

3)如果节点是起点O,则电动汽车没有耗尽电量而成

功返回,此候选充电站组合就为q的有效组合,将其储存并返回步骤3检查下一个候选组合情况;4)如果节点上有充电站,则将剩余可行驶里程设为

电动汽车最大可行驶里程L,并返回步骤3.2;5)在其它情况下,返回步骤3.2。

3.3当路径q上有效节点组合筛选完毕后,转到步骤4。

步骤4:除去线路q的有效节点组合中是其它有效组合超集的组合,如A,B是A的超集。具体方法如下:

4.1将有效组合按照节点数量降序排序。4.2从第一个有效组合开始检查,如果它是后面任何一个组合的超集,则去掉此组合。

4.3检查下一个组合,重复此过程直至路径q的所有有效组合检查完毕。

步骤5:记录路径q的所有有效组合h,以及h中的每个节点k,并存放在两个关系系数矩阵a和b之中。如果h组合可以给路径q充电,则aqh为1,否则则为0;如果节点k在组合h中,则bhk为1,否则为0。对于q的所有有效节点组合h:

1)如果该节点组合没有出现在主列表中,则将该组

合加入到主列表中,并aqh和bhk均为1。2)如果该节点组合已经存在主列表,设aqh为1。步骤6:对所有路径q重复步骤2-5。3.2超效率DEA模型

DEA是一种通过数学规划比较多输入多输出的决策单元相对效率,进而对决策单元进行效率评价(即评价决策单元优劣)的方法。

传统的DEA模型根据每个决策单元相对效率Ek,将决策单元分为DEA有效(Ek=1)和DEA无效(EkmmaxEkujyjkj1ss..tvixik1i1(13)

msujyjrxir0,r1,...n,rkj1vii1uj,vi0,i1,...,s,j1,...,m式中:n为决策单元个数;s为决策单元输入量个数;m为输出量个数;xik表示第k个决策单元的第i个输入量,vi为其变量系数;yjk表示第k个决策单元的第j个输出

量,uj为其变量系数。

式(13)所描述的优化模型为线性规划问题,已有成熟而有效的方法可以求解,如Matlab软件包中就有线性规划工具箱。对于求解得到的有效决策单元(Ek1),根据它们的相对效率Ek的大小排序,最大值对应的决策单元相对于其它决策单元更为有效,即在等量投入下,该决策单元能够有更多的产出。3.3目标函数权重系数的确定

把多目标规划转换为单目标规划一种常用的方法是对各目标函数加权求和,这样如何确定适当权重系数就是一个关键的问题。本文采用超效率DEA模型确定目标函数权重,以目标函数的权重系数向量αd,βd为决策单元,其中αd为输入量的权重系数向量,βd为输出量的权重系数向量,在此权重向量下优化得到的最小化目标值和最大化目标值分别作为决策单元的输入和输出。对于本文的充电站多目标规划问题,其权重系数向量可表示为:

111211αd,βd=212221(14)

.........d1d2d1对俘获的交通流量、配电系统网络损耗以及节点电

压偏移作归一化处理,即f2min(f、f3作为决策单

2)min(f3)元的输入量,min(f1)f作为决策单元的输出量。基于超

1效率DEA模型评价该d个决策单元,根据最终评价结

果Ek,选出一个权重向量作为归一化后各个目标函数的权重系数。采用线性加权转化得到的单目标函数表达

式为:

minFf2f3min(f1)k1min(f2)k2min(f3)+k1f(15)

13.4求解步骤

1)采用Floyd算法计算交通网络中所有起点O到终点D的最短路径q,识别路径q通过的节点;采用重力空间互动模型计算q上的交通流量。

2)根据3.1节算法的步骤确定每条路径q上的有效节点组合Hq。

3)分别以前述的三个目标函数中的每一个作为单个目标函数,不考虑另外两个目标函数,求取这三种情况下的最优解。

4)采用伪随机数发生器产生的一组权重向量,把多目标优化问题转化为单目标问题,采用BPSO算法[22,23]求解。

5)把求得的优化变量值带入三个目标函数中,得到三个目标值。采用3.3节的超效率DEA方法进行评价,把两个最小化目标值作为决策单元的输入,一个最大化目标值作为决策单元的输出;根据最终评价结果从一组权重向量中选出一个最有效的权重向量作为各目标的最终权重系数。

6)确定电动汽车充电站的最优选址和容量。

4算例

4.1确定规划区内最大充电负荷

电动汽车最大充电负荷与电动汽车数量、充电功率、电池容量以及车主使用习惯等因素密切相关。由于电动汽车尚未大规模推广使用,无法获得反映车主使用习惯的可靠统计数据。这里以已有燃油车辆的相关数据进行分析。

根据美国交通部在201*年对全美私家车辆出行情

况的调查统计结果(201*NationalHouseholdTravelSurvey)[24],首先利用文献[25]所提出的方法对电动汽车日行驶里程、最后一次出行返回时间(起始充电时间)等统计结果进行拟合分析。之后,以1分钟为步长,采用蒙特卡罗仿真方法可以求出1天当中单台电动汽车充电功率的平均值。

假设电动汽车的充电功率在3-4kW间服从均匀分布,且充电功率因数为1;给定蒙特卡罗抽样次数为5000,仿真结果如图3所示:

图3单台电动汽车充电功率平均值

Fig.3Themeanvalueofthechargingpowerofasingle

electricvehicle

从图3可以看出,在19点单台电动汽车的充电功率均值达到最大,为0.606kW。假设规划区内有1000辆电动汽车,考虑到电动汽车未来的发展趋势,规划应具有一定的前瞻性,故给定规划区内最大充电负荷为0.8MW。4.2结果与分析

以33节点配电系统以及25节点交通网络来说明所发展模型和方法的可行性与有效性。这里采用如下假设:交通网络节点1-25与配电系统节点1-25重合,也即配电系统中1-25号节点之间的实际道路连通状况如图4中的交通网络所示。

图433节点配电系统和25节点交通网络

Fig.4Thetestsystemwitha33-nodedistributionsystemanda

25-nodetrafficnetwork

需要说明,对于配电系统和交通网络不重合的节点,即交通网络节点和配电系统节点在地理位上不耦合,这相当于本文所发展的模型的一个简化情形,所提出的算法仍然适用。

共有0.1MW、0.2MW、0.3MW和0.4MW四种充电站候选容量;要求建设的充电站个数给定为4;给定电动汽车最大行驶里程L为120km;根据各交通节点的繁忙程度设节点权重,如表1所示[15]。

表1交通节点权重系数

Table1Weightsofvarioustrafficnodes节点权重节点权重节点权重10.54100.54190.8020.80110.05200.2730.27120.54210.2740.27130.05220.5450.27140.54230.0560.07150.27241.3470.05160.27250.0580.54170.2790.27181.07

在不考虑另外两个目标函数的情况下,依次单独优化三个目标,可得网损最小值为0.1907MW、节点电压偏移最小值为0.0448(标幺值)、俘获的交通流量最大值为1.3947（占总交通流量的45.8%）。

假设每个目标函数的权重变化范围为0.1-0.8,步长为0.1,这样总计36组权重向量,采用线性加权求和方法把多目标决策问题转换为单目标问题;之后,利用改进BPSO求解转化后的单目标优化问题,并把求得的优化变量值带入到各个目标函数中,分别求出在不同权重向量下各个目标函数的值。最后,采用超效率DEA方法评价36组权重向量的有效性,以确定最为有效的一组权重向量,计算结果和评价结果列于表2。

表2计算结果和DEA评价结果

Table2SimulationandDEAevaluationresults

决策单元[αd,βd]

网络损耗/MW节点电压偏移(标幺值)俘获交通流量DEA评价值

10.10.10.80.25030.05181.36060.958220.10.20.70.23820.05041.31580.952430.10.30.60.23790.05001.30800.954340.10.40.50.24200.05061.30350.939850.10.50.40.22630.04911.27610.961760.10.60.30.23420.04981.32090.967670.10.70.20.20990.04701.11520.905480.10.80.10.21000.04681.03160.837190.20.10.70.23750.05051.38431.0162100.20.20.60.23730.05031.32030.9576110.20.30.50.22960.04961.32450.9851120.20.40.40.21520.04801.23140.9751130.20.50.30.20550.04661.16220.9637140.20.60.20.19990.04621.08830.9277150.20.70.10.19840.04561.03980.8931160.30.10.60.23530.04981.32090.9676170.30.20.50.23300.04961.30310.9592180.30.30.40.22260.04851.23940.9488190.30.40.30.21470.04751.15890.9198200.30.50.20.20790.04701.11710.9156210.30.60.10.19020.04510.84190.7543220.40.10.50.22570.04911.32451.0068230.40.20.40.20870.04721.17790.9618240.40.30.30.21590.04761.20810.9535250.40.40.20.201*0.04591.03980.8802260.40.50.10.201*0.04610.99200.8381270.50.10.40.21780.04811.23940.9697280.50.20.30.21520.04801.23140.9751290.50.30.20.20830.04691.10810.9065300.50.40.10.19430.04540.92300.8095310.60.10.30.19580.04571.02290.8902320.60.20.20.19860.04590.98010.8410330.60.30.10.19600.04581.00070.8700340.70.10.20.19720.04590.93390.8070350.70.20.10.19650.04550.94320.817936

0.80.10.10.1956

0.0458

0.8773

0.7643

7

从表2中可以看出,决策单元9和22的超效率DEA评价值都大于1,均为有效决策单元,但9号决策单元的相对效率更高,故采用9号决策单元所对应的权重系数0.2、0.1和0.7,分别作为目标函数f1、f2和f3的权重系数最为合理。求解由三个目标函数线性加权后形成的单目标优化问题得到的最优规划结果为:在配电系统中的节点18、24、8和14分别建设容量为0.1、0.1、0.2和0.4MW的充电站。从图4中配电系统（26号为平衡节点）可以看出,容量大的充电站建在配电系统馈线的较前端,这样可以有效减少网络损耗和电压偏移;从图4中交通网络可以看出,充电站多处在交通枢纽位,通过的交通流量较大,规划的充电站能够给更多电动汽车提供便捷充电服务。

在确定了充电站站址和容量后,这里进一步分析电动汽车最大行驶里程L对充电站俘获交通流量的影响,结果如图5所示。

图5不同行驶里程下充电站可俘获的交通流量比例Fig.5Percentagesofflowscapturedbychargingstations

fordifferenttravelingdistances

从图5可以看出,在充电站站址确定的情况下,电动汽车的最大行驶里程越大,给定数量的充电站能够服务的车辆越多。在目前充电设施网络还不完善的情况下,提高电动汽车的电池续航里程,使得给定数量的充电设施能够为更多车辆提供充电服务以满足其行驶需求,这对发展电动汽车产业至关重要。

5结语

在综合考虑充电站作为城市交通公共服务设施和基本用电设施的两方面属性的基础上,本文建立了充电站多目标规划模型,并采用超效率DEA评价方法来确定各目标权重,把多目标优化问题转化为单目标问题求解。之后,采用改进的二进制粒子群优化算法求解

该单目标优化模型。最后,通过算例说明了所发展的模型与方法的基本特征。

需要指出,本文的研究假设了电动汽车是沿着去目的地的最短路径行驶的。实际上,车主未必能够准确识别最短路径,有时最短路径上可能存在交通阻塞而无法行驶,如何适当考虑这些实际因素将是下一阶段的研究重点。

参考文献

[1]SCHNEIDERK,GERKENSMEYERC,KINTNER-MEYER

M,etal.Impactassessmentofplug-inhybridvehiclesonPacificNorthwestdistributionsystems[C]//ProceedingsofIEEEPowerEngineeringSocietyGeneralMeeting,July20-24,201*,Pittsburgh,PA,USA:1-6.

[2]徐凡,俞国勤,顾临峰,等.电动汽车充电站布局规划浅

析[J].华东电力,201*,37(10):1678-1682.

XUFan,YUGuoqin,GULinfeng,etal.Tentativeanalysisoflayoutofelectricalvehiclechargingstations[J].EastChinaElectricPower,201*,37(10):1678-1682.

[3]刘志鹏,文福拴,薛禹胜,等.电动汽车充电站的最优选址

和定容[J].电力系统自动化,201*,36(3):54-59.

LIUZhipeng,WENFushuan,XUEYusheng,etal.Optimalsitingandsizingofelectricvehiclechargingstations[J].AutomationofElectricPowerSystems,201*,36(3):54-59.[4]高赐威,张亮,薛飞,等.集中型充电站容量规划模型研

究[J].中国电机工程学报,201*,32(31):27-34.

GAOCiwei,ZHANGLiang,XUEFei,etal.Studyoncapacityandsiteplanningoflarge-scalecentralizedchargingstations[J].ProceedingsoftheCSEE,201*,32(31):27-34.[5]熊虎,向铁元,荣欣,等.电动汽车电池更换站布局的最

优规划[J].电力自动化设备,201*,32(09):1-6.

XIONGHu,XIANGTieyuan,RONGXin,etal.Optimalallocationofelectricvehiclebatteryswapstations[J].ElectricPowerAutomationEquipment,201*,32(09):1-6.

[6]宋亚辉.城市电动汽车充电设施布局规划研究[D].北京:

北京交通大学,201*.

SONGYahui.Researchonthelayoutplanningofelectricvehiclechargingstationinthecity[D].Peking:BeijingJiaotongUniversity,201*.

[7]崔静.我国城市加油站布局研究[D].青岛:中国石油大学,

201*.

CUIJing.Studyonthelayoutofgasstationsinourcountry’scity[D].Qingdao:ChinaUniversityofPetroleum,201*.

[8]刘志鹏,文福拴,薛禹胜,等.计及可入网电动汽车的分布

式电源最优选址和定容[J].电力系统自动化,201*,35(18):11-16.

LIUZhipeng,WENFushuan,XUEYusheng,etal.Optimalsitingandsizingofdistributedgeneratorsconsideringplug-inelectricvehicles[J].AutomationofElectricPowerSystems,201*,35(18):11-16.

[9]ALARCONRA,AULTG,GALLOWAYS.Multi-objective

planningofdistributedenergyresources:Areviewofthestate-of-the-art[J].RenewableandSustainableEnergyReviews,201*,14(5):1353-1366.

[10]HUNGDQ,MITHULANANTHANN,BANSALRC.

AnalyticalexpressionsforDGallocationinprimarydistributionnetworks[J].IEEETransonEnergyConversion,201*,25(3):814-820.

[11]ACHARYAN,MAHATP,MITHULANANTHANN.An

analyticalapproachforDGallocationinprimarydistributionnetwork[J].InternationalJournalofElectricalPowerandEnergySystems,201*,28(10):669-678.

[12]王成山,刘涛,谢莹华.基于混合遗传算法的变电站选址

定容[J].电力系统自动化,201*,30(6):30-34.

WANGChengshan,LIUTao,XIEYinghua.Substationlocatingandsizingbasedonhybridgeneticalgorithm[J].AutomationofElectricPowerSystems,201*,30(6):30-34.[13]LIMS,KUBYM.Heuristicalgorithmsforsiting

alternative-fuelstationsusingtheflow-refuelinglocationmodel[J].EuropeanJournalofOperationalResearch,201*,204(1):51-61.

[14]KIMJ,KUBYM.Thedeviation-flowrefuelinglocation

modelforoptimizinganetworkofrefuelingstations[J].InternationalJournalofHydrogenEnergy,201*,37(6):5406-5420.

[15]HODGSONMJ.Aflowcapturinglocation-allocationmodel

[J].GeographicalAnalysis,1990,22:270-279.

[16]SHIL,DINGHL,XUZ.Determinationofweightcoefficient

forpowersystemrestoration[J].IEEETransonPowerSystems,201*,27(2):1140-1141.

[17]SINGHD,MISRARK,SINGHD.Effectofloadmodelsin

distributedgenerationplanning[J].IEEETransonPowerSystems,201*,22(4):2204-2211.

[18]张曦.需求多元化的网络截流设施选址问题研究[D].武

汉:华中科技大学,201*.

ZHANGXi.Studiesonmulti-demandflowinterceptionfacilitylocationproblemofthenetwork[D].Wuhan:HuazhongUniversityofScienceandTechnology,201*.[19]胡桔州.Floyd最短路径算法在配送中心选址中的应用[J].

湖南农业大学学报(自然科学版),201*,30(4):382-384.HUJuzhou.AnalgorithmfordistributioncenterbasedontheFloyd-shortest-path[J].JournalofHunanAgriculturalUniversity(NaturalSciences),201*,30(4):382-384.[20]梁娟,林元庆.具有多目标决策评价功能的多目标决策方

法[J].中国管理科学,201*,12(z1):118-121.LIANG

Juan,

LIN

Yuanqing.

The

multi-objective

decision-makingmodelwithflexibleobjectivestructure[J].ChineseJournalofManagementScience,201*,12(z1):118-121.

[21]魏权龄.数据包络分析.北京:科学出版社,201*.

WEIQuanling.Dataenvelopmentanalysis.Beijing:SciencePress,201*.

[22]刘波,张焰,杨娜.改进的粒子群优化算法在分布式电

源选址和定容中的应用[J].电工技术学报,201*,23(2):103-108.

LIUBo,ZHANGYan,YANGNa.Improvedparticleswarmoptimizationmethodanditsapplicationinthesitingandsizingofdistributedgenerationplanning[J].TransactionsofChinaElectrotechnicalSociety,201*,23(2):103-108.

[23]刘涌,侯志俭,蒋传文.求解机组组合问题的改进离散粒

子群算法[J].电力系统自动化,201*,30(4):35-39.

LIUYong,HOUZhijian,JIANGChuanwen.Unitcommitmentviaanenhancedbinaryparticleswarmoptimizationalgorithm[J].AutomationofElectricPowerSystems,201*,30(4):35-39.

[24]FederalHighwayAdministration,U.S.Departmentof

Transportation.

201*

National

Household

Travel

Survey[DB/OL].[201*-09-15].

[25]田立亭,史双龙,贾卓.电动汽车充电功率需求的统计学

建模方法[J].电网技术,201*,34(11):126-130.

TIANLiting,SHIShuanglong,JIAZhuo.Astatisticalmodelforchargingpowerdemandofelectricvehicles[J].PowerSystemTechnology,201*,34(11):126-130.

━━━━━━━━━━━━

OptimalPlanningofElectricVehicleChargingStationsConsideringTrafficNetworkFlows

Abstract:Reasonablesitingandsizingofchargingstationsareimportantforextensiveapplicationsofelectricvehicles.Amulti-objectivedecision-makingmodelfortheoptimalplanningofelectricvehiclechargingstationsisdeveloped,withthedualattributesofchargingstationsaspublicservicefacilitiesofurbantrafficsandordinaryelectricfacilitiestakenintoaccount.Threeobjectivefunctionsaredefinedtorespectivelymaximizethecapturedtrafficnetworkflow,minimizethenetworkloss,andtominimizetheaveragevoltagedeviation.Thewell-establishedsuper-efficiencydataenvelopmentanalysis(DEA)isemployedtodeterminetheappropriateweightsamongthethreeobjectivefunctions,andinthiswaythemulti-objectiveoptimizationproblemistransformedintoasingle-objectiveprogrammingone.Then,theenhancedbinaryparticleofswarmoptimization(BPSO)isusedtosolvethesingle-objectiveprogrammingmodel.Finally,a33-nodetestfeederanda25-nodetrafficnetworkareutilizedtoillustratetheessentialfeaturesofthedevelopedmodelandtheeffectivenessofthepresentedmethod.

Keywords:electricvehicle;chargingstationplanning;trafficnetworkflow;super-efficiencydataenvelopmentanalysis(DEA);enhancedbinaryparticleswarmoptimizationalgorithm

对审稿意见的回复

审稿意见1:文章引言和模型,与文献[6]有较大的相似度。作者答复：

谢谢！根据审稿意见,我们做了明显的修改。

本文的初稿在引言和模型结构方面,确实借鉴了原来的文献[6]（修改稿中为文献[3],后称文献[3]）的写作模式,不过所建立的模型和文献[3]有明显不同。文献[3]以规划期内充电站的总成本（包括投资、运行和维护成本）和网损费用为目标函数,考虑的是充电站规划的经济性目标,本文则是以提高电动汽车充电的便利性和减少充电站接入引起的配电系统网损和电压波动的负面影响为目标。另外,文献[3]采用了原对偶内点法求解,本文则采用了超效率的DEA模型和改进二进制粒子群算法处理所发展的多目标优化模型。本文和文献[3]在数学模型和求解方法方面都有明显区别。

审稿意见2：从文章的名称来看,文章的重点是确定充电需求,但从文章实际内容来看,文章在确定充电需求方面并没有明显创新。作者答复：

谢谢！确定规划区内电动汽车的充电需求是充电站规划时需要考虑的一个重要问题,文献[5,25]等在这方面做了相当深入的研究。确实,本文在确定充电需求方面没有做创新性工作,而是参考了文献[25]的方法来计算规划区内的最大充电需求。

友情提示：本文中关于《学习十八大团日活动总结》给出的范例仅供您参考拓展思维使用，学习十八大团日活动总结：该篇文章建议您自主创作。

来源：网络整理 免责声明：本文仅限学习分享，如产生版权问题，请联系我们及时删除。

《学习十八大团日活动总结》由互联网用户整理提供,转载分享请保留原作者信息,谢谢!
链接地址：http://www.bsmz.net/gongwen/635436.html

• 上一篇：学习十八大精神总结
• 下一篇：、学习十八大精神主题班会活动总结