張節(jié)潭， 謝 睿， 郭樹鋒， 孟祥甫， 魏 韡， 梅生偉(. 青海省光伏發(fā)電并網(wǎng)技術(shù)重點(diǎn)實(shí)驗(yàn)室， 國(guó)網(wǎng)青海省電力公司電力科學(xué)研究院， 青海 西寧 80008；2. 清華大學(xué)電機(jī)系， 北京 0008； 3.電力系統(tǒng)及發(fā)電設(shè)備控制和仿真國(guó)家重點(diǎn)實(shí)驗(yàn)室， 清華大學(xué)， 北京 0008； . 青海省光伏發(fā)電并網(wǎng)技術(shù)重點(diǎn)實(shí)驗(yàn)室， 國(guó)網(wǎng)青海省電力公司經(jīng)濟(jì)技術(shù)研究院， 青海 西寧 80008; . 國(guó)網(wǎng)西寧供電公司電動(dòng)汽車服務(wù)分公司， 青海 西寧 80008)

1 引言

近年來，化石能源消耗與城市環(huán)境污染問題受到廣泛關(guān)注。電動(dòng)汽車由于其清潔環(huán)保的優(yōu)勢(shì)，保有量正在穩(wěn)步提高。電動(dòng)汽車的普及離不開快速便捷的充電服務(wù)，而充電站的選址與運(yùn)行也將對(duì)電網(wǎng)運(yùn)行產(chǎn)生影響。因此，有必要研究充電設(shè)施的合理規(guī)劃，包括充電站的選址定容和電網(wǎng)的升級(jí)改造。

電動(dòng)汽車充電設(shè)施的規(guī)劃與交通網(wǎng)和電網(wǎng)都有密切的聯(lián)系，涉及多學(xué)科交叉。現(xiàn)有研究通常側(cè)重于充電站的規(guī)劃問題，較少關(guān)注電網(wǎng)規(guī)劃，或在建模時(shí)對(duì)電網(wǎng)進(jìn)行了簡(jiǎn)化。例如，文獻(xiàn)[1,2]采用加權(quán)伏羅諾伊圖劃分充電站服務(wù)區(qū)域，其中文獻(xiàn)[1]考慮了配電網(wǎng)約束條件，用粒子群算法求解充電站定容選址的最大收益模型；文獻(xiàn)[2]計(jì)及路網(wǎng)中車流信息，在定容部分使用了排隊(duì)模型。文獻(xiàn)[3]提出了考慮交通網(wǎng)車流量的電動(dòng)汽車充電站的多目標(biāo)優(yōu)化模型。文獻(xiàn)[4]提出了描述電動(dòng)汽車充電行為的一種時(shí)空模型，可用于分析充電站對(duì)電網(wǎng)的影響。文獻(xiàn)[5]提出了一種考慮碳排放的充電站多目標(biāo)規(guī)劃。文獻(xiàn)[6]構(gòu)建了以投資成本、系統(tǒng)網(wǎng)損、服務(wù)范圍為目標(biāo)，并考慮交通配流均衡的網(wǎng)-站協(xié)調(diào)規(guī)劃模型。文獻(xiàn)[7]協(xié)調(diào)換充、慢充、快充電站，并且使用熵的概念，定量描述充電站與充電需求的重合程度。文獻(xiàn)[8]采用引力關(guān)系，考慮充電站和電動(dòng)汽車數(shù)量之間、便捷性和充電次數(shù)之間的相互影響，建立最大化收益的選址規(guī)劃模型。文獻(xiàn)[9]研究了高速路網(wǎng)中的充電站，采用兩階段法，先用路網(wǎng)信息與電動(dòng)汽車?yán)m(xù)航里程確定候選站址，再考慮充電需求與成本確定站址與容量。文獻(xiàn)[10]提出了一種在無阻塞環(huán)形高速公路沿線規(guī)劃充電站的方法，通過對(duì)交通狀況的模擬得到充電點(diǎn)的空間分布，然后采用聚類算法得出充電站的選址，并計(jì)算充電站負(fù)荷，以此定容。文獻(xiàn)[11]基于道路信息，分析充電站設(shè)置是否滿足需求，用線性方程近似描述電網(wǎng)潮流，將未滿足的充電需求、充電站費(fèi)用和配電網(wǎng)費(fèi)用作為聯(lián)合成本，建立了一個(gè)混合整數(shù)線性規(guī)劃模型。

本文提出一種高速路沿線電動(dòng)汽車充電設(shè)施規(guī)劃的兩階段方法。第一階段根據(jù)給定的交通負(fù)荷，通過聚類算法確定充電站的選址和容量；第二階段基于第一階段得到的充電負(fù)荷，建立電網(wǎng)升級(jí)的優(yōu)化模型。模型中考慮了準(zhǔn)確的交流潮流分布，采用凸松弛理論和整數(shù)規(guī)劃技巧可將電網(wǎng)規(guī)劃轉(zhuǎn)化為混合整數(shù)二階錐優(yōu)化問題，進(jìn)而采用商業(yè)軟件求解，得到發(fā)電機(jī)和線路升級(jí)的最優(yōu)方案。

與現(xiàn)有文獻(xiàn)相比，本文主要有以下兩方面的創(chuàng)新：①本文方法同時(shí)考慮了充電站規(guī)劃、電網(wǎng)升級(jí)和發(fā)電設(shè)備擴(kuò)容問題；②本文電網(wǎng)規(guī)劃方法較同類文獻(xiàn)中基于近似潮流分布的模型更為準(zhǔn)確。應(yīng)當(dāng)指出，當(dāng)前運(yùn)行環(huán)境下，電動(dòng)汽車充電站供電網(wǎng)絡(luò)中發(fā)電設(shè)備數(shù)量較少；在未來能源互聯(lián)網(wǎng)背景下，電網(wǎng)中可能出現(xiàn)較多的燃?xì)鈾C(jī)組和熱電聯(lián)產(chǎn)機(jī)組，考慮發(fā)電設(shè)備擴(kuò)容具有一定的前瞻性。此外，本文主要研究輻射狀電網(wǎng)的規(guī)劃問題，此類電網(wǎng)的交流最優(yōu)潮流問題一般具有精確的凸松弛模型，易于分析計(jì)算；對(duì)于環(huán)狀電網(wǎng)，所提方法亦可采用直流潮流模型對(duì)電網(wǎng)規(guī)劃問題進(jìn)行建模。

2 交通模型與充電站規(guī)劃

本文基于文獻(xiàn)[10]提出的方法建立交通需求模型，用于充電站選址和定容?？煞譃槿齻€(gè)步驟：①根據(jù)電動(dòng)汽車參數(shù)分布、起訖點(diǎn)(Origin-Destination，OD)分析和起始時(shí)間分布等信息，進(jìn)行蒙特卡洛模擬，計(jì)算電動(dòng)汽車充電點(diǎn)(指電量消耗至恰好需要充電的時(shí)間和地點(diǎn))的分布；②應(yīng)用SNN算法(Shared Nearest Neighbor clustering algorithm)對(duì)充電點(diǎn)聚類，得出充電站選址；③根據(jù)聚類點(diǎn)電動(dòng)汽車的電池信息，得到每個(gè)充電站的負(fù)荷曲線。以負(fù)荷峰值為基準(zhǔn)，應(yīng)用排隊(duì)模型，對(duì)充電設(shè)施投資與用戶等待時(shí)間做聯(lián)合優(yōu)化，得到每個(gè)充電站最優(yōu)充電設(shè)施的數(shù)量，即充電站容量。與文獻(xiàn)[10]相比，本文方法在充電站選址時(shí)，考慮了電網(wǎng)節(jié)點(diǎn)的地理分布，即充電站只能選在電網(wǎng)節(jié)點(diǎn)位置。

2.1 計(jì)算充電點(diǎn)的空間-時(shí)間分布

2.1.1 電動(dòng)汽車?yán)m(xù)航能力建模

根據(jù)實(shí)際電動(dòng)汽車?yán)m(xù)航能力，將其分成4種類型(L7e、M1、N1和N2，分別是重型四輪車、載客車輛、輕型載貨車輛和商用載貨車輛[12])，用給定的概率分布(帶上下界的正態(tài)分布或伽馬分布)描述各種類型電動(dòng)汽車的電池最大容量Cap。正態(tài)分布和伽馬分布的概率密度函數(shù)分別為：

(1)

(2)

式中，μ和σ為正態(tài)分布的參數(shù)；α和β為伽馬分布的參數(shù)。電動(dòng)汽車最大行駛路程Ranmc與Cap的關(guān)系通過擬合給出，它們大致成正比。

假設(shè)電池存儲(chǔ)電量與行駛路程是線性關(guān)系。令SOCi表示高速公路入口處電池存儲(chǔ)電量的百分?jǐn)?shù)，SOCc表示電動(dòng)汽車需要充電時(shí)電池電量的百分?jǐn)?shù)，Ranac表示電動(dòng)汽車從進(jìn)入高速公路到需要充電能行駛的路程，Ransc表示電動(dòng)汽車在SOCc下能行駛的路程。則有：

Ranac=η(SOCi-SOCc)Ranmc

(3)

Ransc=η·SOCc·Ranmc

(4)

式中，η為一個(gè)效率參數(shù)，用于考慮電動(dòng)汽車在加速減速過程中的能量消耗。

2.1.2 交通行為建模

假設(shè)用戶選擇起點(diǎn)到終點(diǎn)間的最短路徑，且電動(dòng)汽車以平均速度v行駛。

用OD矩陣來描述用戶的起點(diǎn)與終點(diǎn)。設(shè)高速公路上共有m個(gè)出入口，OD矩陣A(m階方陣)中元素aij表示從入口i到出口j的電動(dòng)汽車的數(shù)量。由A可以得到概率OD矩陣P(m階方陣)，其中每個(gè)元素pij表示從入口i到出口j的電動(dòng)汽車數(shù)量占總數(shù)量的比例，滿足

(5)

行駛開始時(shí)間ts由實(shí)際調(diào)查數(shù)據(jù)得到的分布描述。

2.1.3 蒙特卡洛模擬

使用蒙特卡洛模擬計(jì)算充電點(diǎn)的空間時(shí)間分布。對(duì)每一次模擬，首先按給定概率分布產(chǎn)生電動(dòng)汽車類型、Cap、SOCi和SOCc，根據(jù)Ranmc與Cap的擬合結(jié)果計(jì)算Ranmc，進(jìn)而計(jì)算Ranac。然后，按概率OD矩陣產(chǎn)生起點(diǎn)與終點(diǎn)，按分布產(chǎn)生ts，計(jì)算出要行駛的路程Dod。假設(shè)電動(dòng)汽車電量到達(dá)SOCc即充電，充電后電量為SOCi，計(jì)算行駛過程中充電點(diǎn)的空間與時(shí)間坐標(biāo)，每次行駛中充電點(diǎn)數(shù)量等于Dod/Ranac向0取整。大量重復(fù)這樣的模擬，得到充電點(diǎn)的空間時(shí)間分布。

2.2 充電站選址

先確定充電站服務(wù)半徑SR，原則是保證每輛電動(dòng)汽車在SOCc的狀態(tài)下能行駛到最近的充電站。根據(jù)2.1.3節(jié)的Ransc分布，在指定置信水平下即可得出SR。

以下采用修改的SNN聚類算法，在候選站點(diǎn)集合中確定充電站選址?？筛鶕?jù)實(shí)際情況選擇候選站點(diǎn)，例如將電網(wǎng)節(jié)點(diǎn)作為候選站點(diǎn)。沒有候選站點(diǎn)的情況下可直接采用充電點(diǎn)集合作為下述算法中的候選站點(diǎn)集合。

設(shè)nCS為候選站點(diǎn)總數(shù)，令CS(k)表示第k個(gè)候選站點(diǎn)，定義NN(k)為與候選站點(diǎn)k距離小于SR的充電點(diǎn)的集合，1≤k≤nCS。定義相似性矩陣S(nCS階方陣)，其元素滿足skk=0，skl=|NN(k)∩NN(l)|，1≤k≤nCS，1≤l≤nCS，k≠l，其中|NN(k)∩NN(l)|表示集合NN(k)∩NN(l)中元素的個(gè)數(shù)。

定義相似性向量L(nCS階向量)，其中

(6)

較大的lk值提示候選站點(diǎn)k應(yīng)該成為充電站。

利用充電點(diǎn)空間坐標(biāo)與候選站點(diǎn)位置計(jì)算得矩陣S和向量L。然后開始聚類過程，將L從大到小排序得到候選站點(diǎn)的排列L′，取L′的第一個(gè)候選站點(diǎn)放入充電站集合SS中，與此點(diǎn)距離小于SR的充電點(diǎn)放入聚類集C(1)中。再處理排序第二的候選站點(diǎn)，如果它與SS中已有的任意點(diǎn)的相似性是0，則將它放入SS中，同時(shí)也產(chǎn)生了聚類集C(2)；如果它與SS中某點(diǎn)相似性大于0，則不操作。按照這種方法，依排序處理所有的點(diǎn)，得到SS以及|SS|個(gè)聚類集。最后，用一個(gè)事先指定的下界d檢查每個(gè)聚類集的大小，過小的聚類集對(duì)應(yīng)的聚點(diǎn)將從SS中刪去。最終SS就是充電站集合。

2.3 充電設(shè)施數(shù)量?jī)?yōu)化

將2.2節(jié)獲得的聚類集恢復(fù)時(shí)間坐標(biāo)，即可計(jì)算每個(gè)充電站充電負(fù)荷的時(shí)間分布。以下假設(shè)充電設(shè)施數(shù)量滿足高峰時(shí)期的負(fù)荷需求。

2.3.1 排隊(duì)模型

對(duì)每個(gè)充電站應(yīng)用排隊(duì)模型，假設(shè)需要充電的電動(dòng)汽車相互獨(dú)立，是一個(gè)標(biāo)準(zhǔn)的排隊(duì)問題。按照排隊(duì)理論，如下關(guān)系成立：

(7)

(8)

(9)

(10)

式中，Ls為平均排隊(duì)長(zhǎng)度；Wq為平均等待時(shí)間；c為充電設(shè)施數(shù)量；λ為泊松分布參數(shù)，代表高峰小時(shí)到達(dá)的需充電電動(dòng)汽車數(shù)量；μ2為指數(shù)分布參數(shù)，代表充電設(shè)施平均服務(wù)速率。

2.3.2 優(yōu)化模型

假設(shè)所有充電設(shè)施是相同的，均能給任意電動(dòng)汽車提供充電服務(wù)。優(yōu)化時(shí)考慮設(shè)施成本與用戶等待成本。假設(shè)設(shè)施成本與設(shè)施數(shù)量是線性關(guān)系，令Cs表示折算到每小時(shí)的單位設(shè)施成本，則

(11)

式中，Vc為每臺(tái)充電設(shè)施生命周期總成本；ir為利率；p為生命周期。設(shè)Cw為一個(gè)用戶等待1h的成本，tw為等待時(shí)間上限，則優(yōu)化模型為：

(12)

實(shí)際上c應(yīng)該有上界，因此求解這個(gè)問題時(shí)，可以直接求出所有可能的目標(biāo)函數(shù)值，并檢查約束條件是否滿足，從而得到最優(yōu)解。

3 電網(wǎng)規(guī)劃模型

3.1 支路潮流模型

設(shè)有向圖G=(N,E)表示電網(wǎng)的結(jié)構(gòu)，N的元素是頂點(diǎn)，代表電網(wǎng)中的節(jié)點(diǎn)；E的元素是邊，代表電網(wǎng)中的線路。頂點(diǎn)標(biāo)號(hào)從0開始，頂點(diǎn)0表示平衡節(jié)點(diǎn)。用i→j、(i,j)或i-j表示從頂點(diǎn)i到頂點(diǎn)j的邊，邊的方向?yàn)閰⒖挤较?。令zij=rij+ jxij表示i→j的線路阻抗。令I(lǐng)ij表示i→j的電流，Sij=Pij+ jQij表示i→j的始端功率，Vi表示節(jié)點(diǎn)i的電壓，si=pi+ jqi表示節(jié)點(diǎn)i的注入功率。由文獻(xiàn)[13]，支路潮流模型可表示為：

Vi-Vj=zijIij,?(i,j)∈E

(13)

(14)

(15)

式(13)為支路壓降方程，式(14)定義了支路首節(jié)點(diǎn)的功率注入，式(15)為節(jié)點(diǎn)功率平衡條件。支路潮流模型式(13)～式(15)為以Sij、Iij、Vj、s0，(i,j)∈E為變量的非線性方程組。

3.2 凸松弛模型

為了能夠有效地求解基于支路潮流模型的最優(yōu)潮流問題，對(duì)支路潮流方程組做松弛化處理。

記lij=|Iij|2，vi=|Vi|2。將式(14)代入式(13)得：

(16)

故

(17)

由式(14)得：

(18)

再將式(15)按實(shí)部、虛部分解，得如下方程組：

(19)

(20)

vj=vi-2(rijPij+xijQij)+

(21)

(22)

以Pij、Qij、lij、vj、sj、s0、(i,j)∈E作為變量時(shí)，式(19)～式(21)是線性的，非線性僅存在于式(22)中。將式(22)改寫為如下不等式：

?(i,j)∈E

(23)

式(23)為旋轉(zhuǎn)二階錐約束，它等價(jià)于標(biāo)準(zhǔn)二階錐約束：

?(i,j)∈E

(24)

將式(19)～式(21)與式(23)稱為松弛的支路潮流模型，可行域?yàn)槎嗝骟w與二階錐的交集，故為凸集，并將如下最優(yōu)潮流問題記為OPF-Cr：

min{f(x)|x∈XCr,xl≤x≤xu}

(25)

式中，x為優(yōu)化變量，可行域XCr為凸集，滿足式(19)～式(21)及式(23)；xu和xl分別為優(yōu)化變量的上界和下界；線路潮流約束可表示為二次不等式約束：

?(i,j)∈E

(26)

式(26)不改變模型的凸性。文獻(xiàn)[14]指出，只要目標(biāo)函數(shù)對(duì)于節(jié)點(diǎn)注入功率是凸的單調(diào)增函數(shù)，且線路中不同時(shí)存在反向的有功和無功潮流，不等式(23)在最優(yōu)解處即為有效約束，即二階錐松弛是精確的。

3.3 電網(wǎng)升級(jí)優(yōu)化模型

電網(wǎng)升級(jí)優(yōu)化模型中作如下假定：

(2)電網(wǎng)的網(wǎng)絡(luò)結(jié)構(gòu)與線路參數(shù)已知，節(jié)點(diǎn)0是平衡節(jié)點(diǎn)。

(3)對(duì)E中的指定邊，可以增加線路的條數(shù)，增加的線路參數(shù)與該邊原有線路參數(shù)相同。

(4)對(duì)N中的指定頂點(diǎn)，可以增加發(fā)電設(shè)備來改變?cè)摴?jié)點(diǎn)發(fā)電功率的上下限。

(27)

(28)

(29)

(30)

(31)

式中，(i,j)∈E。

電網(wǎng)升級(jí)后折算到單位時(shí)間的運(yùn)行成本為：

(32)

升級(jí)后電網(wǎng)的支路潮流模型為：

(33)

(34)

(35)

(36)

?i∈N

(37)

(38)

(39)

(40)

(41)

?(i,j)∈E

(42)

式中，zijn∈{0,1}；NL為根據(jù)Nij的可能范圍選取的一個(gè)正整數(shù)。令

?(i,j)∈E

(43)

式(43)等價(jià)于線性不等式組：

(44)

(45)

(46)

由此得到電網(wǎng)升級(jí)優(yōu)化的混合整數(shù)二階錐優(yōu)化模型：

s.t.

4 案例

環(huán)形高速公路的各出入口距離參考點(diǎn)的路程如表1所示，4種類型的電動(dòng)汽車的比例、電池最大容量Cap分布信息如表2所示。

該環(huán)形高速公路日平均行駛電動(dòng)汽車17297輛。Ranmc與Cap的關(guān)系由表3數(shù)據(jù)插值得到。電動(dòng)汽車行駛開始時(shí)間在一天中的分布如圖1所示。

概率OD矩陣如圖2所示。有關(guān)充電站選址定容的其他參數(shù)值設(shè)定如表4所示。

假設(shè)候選站點(diǎn)是所有的出入口與相鄰兩個(gè)出入口間的三等分點(diǎn)處。應(yīng)用第2節(jié)的方法，進(jìn)行充電站選址與充電設(shè)施數(shù)量?jī)?yōu)化，結(jié)果如表5所示，其中編號(hào)、數(shù)量、位置、峰值分別代表充電站編號(hào)、充電設(shè)施數(shù)量、充電站位置、每小時(shí)充電車輛數(shù)峰值。

表1 出入口位置Tab.1 Entrance and exit

表2 電動(dòng)汽車比例與Cap分布信息Tab.2 Distribution of Cap

表3 Ranmc與Cap的關(guān)系Tab.3 Relationship between Ranmc and Cap

圖1 電動(dòng)汽車行駛開始時(shí)間分布Fig.1 Travel starting time of electric vehicles

圖2 概率OD矩陣Fig.2 Probability OD matrix

表4 仿真參數(shù)Tab.4 Parameters for simulation

表5 充電站選址與充電設(shè)施數(shù)量?jī)?yōu)化結(jié)果Tab.5 Planning result of charging stations

SR的取值會(huì)影響充電站個(gè)數(shù)，SR越小表示充電站的服務(wù)半徑越小，因此規(guī)劃結(jié)果中的充電站個(gè)數(shù)越大。不同SR時(shí)充電站數(shù)量如表6所示。

表6 充電站數(shù)量Tab.6 Number of charging stations

該地區(qū)電網(wǎng)結(jié)構(gòu)如圖3所示。根據(jù)計(jì)算出的充電站選址位置，將每個(gè)充電站作為某一節(jié)點(diǎn)上的負(fù)荷，充電站與節(jié)點(diǎn)關(guān)系如表7所示。線路參數(shù)如表8所示。

圖3 電網(wǎng)結(jié)構(gòu)Fig.3 Power network

表7 充電站與節(jié)點(diǎn)Tab.7 Charging stations and buses

表8 電網(wǎng)線路參數(shù)Tab.8 Parameters of lines

表9 線路增加條數(shù)Tab.9 Lines expansion

表10 發(fā)電裝置增加Tab.10 Generator expansion

經(jīng)檢驗(yàn)，表9和表10的結(jié)果均使式(23)中等號(hào)成立，即凸松弛是精確的。由表9和表10可知，隨需求增大，線路和發(fā)電裝置增加量也變大，這一點(diǎn)符合直觀。

改變線路的建設(shè)費(fèi)用參數(shù)，則規(guī)劃結(jié)果隨之改變。當(dāng)線路建設(shè)成本參數(shù)Prl降低而發(fā)電設(shè)備投資參數(shù)Prg不變時(shí)，規(guī)劃結(jié)果傾向于通過新增線路而不是發(fā)電設(shè)備來滿足負(fù)荷需求，如表11所示。

表11 新增線路與新增發(fā)電設(shè)備量Tab.11 Lines expansion and generator expansion

采用對(duì)比實(shí)驗(yàn)的方法討論本文創(chuàng)新點(diǎn)的價(jià)值。將以上參數(shù)設(shè)定記為情形1，情形2設(shè)置為不能增加發(fā)電裝置，其他參數(shù)與情形1相同。設(shè)置意圖是討論發(fā)電設(shè)備擴(kuò)容的必要性。為了檢驗(yàn)精確潮流模型的優(yōu)勢(shì)，將情形3的參數(shù)設(shè)為和情形1相同，但使用文獻(xiàn)[15]中線性近似的潮流模型：

(47)

(48)

vj=vi-2(rijPij+xijQij),?(i,j)∈E

(49)

(50)

表12 不同情形下的規(guī)劃結(jié)果Tab.12 Planning results under different scenarios

對(duì)比情形1和情形2，在50%日充電需求下它們結(jié)果相同，此時(shí)沒有發(fā)電設(shè)備擴(kuò)容的需求。但是，在100%和150%日充電需求下，情形2和情形1相比需要新增的線路更多，最優(yōu)值更大。這說明增加發(fā)電裝置有一定補(bǔ)充作用，本文提供了一種綜合考慮線路升級(jí)和發(fā)電設(shè)備擴(kuò)容的規(guī)劃方法，與僅升級(jí)線路相比有利于降低總成本。情形3和情形1的結(jié)果有顯著差異，說明在這個(gè)算例中，使用精確的潮流模型是有必要的。

5 結(jié)論

對(duì)于高速公路沿線電動(dòng)汽車充電設(shè)施規(guī)劃問題，本文提出了針對(duì)充電站選址定容及其供電網(wǎng)絡(luò)升級(jí)的兩階段方法。本文所提方法綜合考慮了交通流量信息和電網(wǎng)最優(yōu)潮流，所得結(jié)果能夠較為準(zhǔn)確地反映實(shí)際情況。應(yīng)當(dāng)指出，充電站的建設(shè)和電網(wǎng)升級(jí)實(shí)際上是耦合的，如何將兩個(gè)階段的問題綜合考慮值得進(jìn)一步研究。

[1] 唐現(xiàn)剛，劉俊勇，劉友波，等 (Tang Xiangang, Liu Junyong, Liu Youbo, et al.). 基于計(jì)算幾何方法的電動(dòng)汽車充電站規(guī)劃 (Electric vehicle charging station planning based on computational geometry method) [J]. 電力系統(tǒng)自動(dòng)化 (Automation of Electric Power Systems)，2012，36(8)：24-30.

[2] 葛少云，馮亮，劉洪，等 (Ge Shaoyun, Feng Liang, Liu Hong, et al.). 考慮車流信息與配電網(wǎng)絡(luò)容量約束的充電站規(guī)劃 (Planning of charging stations considering traffic flow and capacity constraints of distribution network) [J]. 電網(wǎng)技術(shù) (Power System Technology), 2013,37(3): 582-588.

[3] 王輝， 王貴斌，趙俊華, 等 (Wang Hui, Wang Guibin, Zhao Junhua, et al.). 考慮交通網(wǎng)絡(luò)流量的電動(dòng)汽車充電站規(guī)劃 (Optimal planning for electric vehicle charging stations considering traffic network flows) [J]. 電力系統(tǒng)自動(dòng)化 (Automation of Electric Power Systems), 2013,37(13): 63-69.

[4] Mu Y, Wu J, Jenkins N, et al. A spatial temporal model for grid impact analysis of plug-in electric vehicles [J]. Applied Energy, 2014, 114(2): 456-465.

[5] 陳光，毛召磊，李濟(jì)沅，等 (Chen Guang, Mao Zhaolei, Li Jiyuan, et al.). 計(jì)及碳排放的電動(dòng)汽車充電站多目標(biāo)規(guī)劃 (Planning of electric vehicle charging stations considering carbon emission) [J]. 電力系統(tǒng)自動(dòng)化 (Automation of Electric Power Systems), 2014,38(17): 49-53.

[6] 姚偉峰， 趙俊華，文福拴，等 (Yao Weifeng, Zhao Junhua, Wen Fushuan, et al.). 配電系統(tǒng)與電動(dòng)汽車充電網(wǎng)絡(luò)的協(xié)調(diào)規(guī)劃 (Coordinated planning for power distribution system and electric vehicle charging infrastructures) [J]. 電力系統(tǒng)自動(dòng)化 (Automation of Electric Power Systems), 2015,39(9): 10-19.

[7] 吳健生，李小舟 (Wu Jiansheng, Li Xiaozhou). 基于最大熵理論的多類型電動(dòng)汽車充換電站規(guī)劃 (Coordinated planning of multi-type electric vehicle charging stations based on maximal entropy theory) [J]. 電工電能新技術(shù) (Advanced Technology of Electrical Engineering and Energy), 2015,34(9): 29-32.

[8] 程宏波， 肖永樂，王勛，等 (Cheng Hongbo, Xiao Yongle, Wang Xun, et al.). 基于引力模型的電動(dòng)汽車充電站選址規(guī)劃 (Site planning of electric vehicles charging station based on gravity model) [J]. 電工電能新技術(shù) (Advanced Technology of Electrical Engineering and Energy), 2016,35(5): 61-66.

[9] 賈龍， 胡澤春，宋永華，等 (Jia Long, Hu Zechun, Song Yonghua, et al.). 高速路網(wǎng)上電動(dòng)汽車充電站布點(diǎn)優(yōu)化 (Planning of electric vehicle charging stations in highway network) [J]. 電力系統(tǒng)自動(dòng)化 (Automation of Electric Power Systems), 2015,39(15): 82-89.

[10] Dong X, Mu Y, Jia H, et al. Planning of fast EV charging stations on a round freeway [J]. IEEE Transactions on Sustainable Energy, 2016, 7(4): 1452-1461.

[11] Zhang H, Moura S J, Hu Z, et al. PEV fast-charging station siting and sizing on coupled transportation and power networks [J/OL]. IEEE Transactions on Smart Grid. DOI 10.1109/TSG.2016.2614939.

[12] EU Merge Project. Deliverable 2.1：Modelling electric storage devices for electric vehicles [EB/OL]. http://www.ev-merge.eu/files/images/stories/uploads/MERGE_WP2_D2.1.pdf.

[13] Farivar M, Low S H. Branch flow model: Relaxations and convexification [J]. IEEE Transactions on Power Systems, 2013, 28(3): 2554-2572.

[14] Huang S, Wu Q, Wang J, et al. A sufficient condition on convex relaxation of AC optimal power flow in distribution networks [J]. IEEE Transactions on Power Systems, 2017, 31(2): 1359-1368.

[15] Chen X, Wu W, Zhang B, et al. Data-driven DG capacity assessment method for active distribution networks [J]. IEEE Transactions on Power Systems, 2017, 32(5): 3946-3957.