區域電動車實時預估控制有序充電策略

摘 要：以減小負荷峰谷差為目標，結合電動車用戶的實際充電行為，提出了一種基于改進遺傳算法的電動車實時預估有序充電控制策略。通過對接入的部分電動車進行預估充電克服了傳統遺傳算法在解決電動車充電問題時的搜索空間大、收斂性差、容易陷入維數災等缺點，同時還降低了負荷曲線的峰谷差率，減小負荷波動。采用蒙特卡洛模擬辦法模擬電動車用戶的充電需求，對比分解不同電動車預估充電比例下的仿真結果，研究結果聲明，本文提出的辦法在提高算法收斂性的同時，能夠有效地減小負荷波動，降低峰谷差率。

0 引言

作為新一代的交通工具，電動車在降低人類化石燃料消耗、減少碳排放等方面有著顯著的功效。但隨著大量電動車隨機無序接入電網充電，其必然帶來新一輪的負荷增長，如果不對其進行有序協調控制，就很有可能降低電網運行效率，危害電網的安全性、穩定性和經濟性。因此，要怎么樣利用有效的控制手段實現電動車有序充電，是國內外學者研究的重點。

本文以私家電動車常規充電方式為研究對象，提出了一種用于將分布式接入的電動車在能量和信息上整合的實時預估充電聚集控制系統，并在對傳統遺傳算法改進的基礎之上，提出了一種新的電動車有序充電控制策略，該策略通過對一部分電動車進行預估充電，在保證算法收斂性的同時有效地減小負荷曲線波動，降低峰谷差率。最后，本文以某區域配電網為例，采用蒙特卡洛模擬辦法對比分解了在不同預估充電電動車比例下的仿真結果。

1 電動車實時預估充電聚集控制系統

電動車聚集控制系統是將整合后的電動車群接入配電網的中介系統，是大規模電動車與電網的接口，其依據區域內配電網的實時信息和電動車用戶的需求信息，將該區域內接入的電動車群作為一個能量整體參與電網運行，并由特定的管理策略控制每臺電動車的充放電過程。很多文獻在功能上對聚集控制系統進行優化，使得大規模分布式接入的電動車可以有效地參與電網調頻、機組組合優化以及提高電網及用戶的經濟性。

本文從功能上提出了一種用于減小峰谷差的實時預估充電聚集控制系統，該系統主要功能模塊為信息采集與管理模塊以及優化協調控制模塊，實時預估充電聚集管理系統框圖如圖1所示。

信息采集與管理模塊主要用于對電網實時運行信息以及電動車充電需求信息進行采集與預解決，并向優化協調控制模塊提供決策信息。

在電網側，其主要從區域配電網獲取電網運行狀態信息并依據該區域配電網的歷史常規負荷，預測當日常規負荷曲線。本文采用96點的日負荷曲線預測辦法，時間間隔為15min，用Pbj（ j=1,2,……,96）表示一天中第j個時間段內常規負荷的大小。

在用戶側，其可自動獲取該電動車的接入時間αi、電池容量Ci以及當前電池的荷電狀態等信息，同時為了制定電動車有序充電控制策略，用戶非得通過充電樁向實時預估充電聚集控制系統提供預期離開時間βi以及預期電動車荷電狀態信息。由于不同的充電方式對應不同的充電功率，本文假設居民私家電動車采用常規充電，且充電過程為恒功率充電。

信息采集與管理模塊依據用戶充電需求信息進行預解決，確定一天中不同時間點接入的電動車接入狀態矩陣t，其元素tij表示第i輛電動車在第j個時間段的接入狀態，表示該電動車此時刻并未接入電網，則表示接入。

優化協調控制模塊依據每個時間段信息采集與管理模塊提供的決策信息制定這個時間段內所有接入的電動車的有序充電策略，并提供各充電機詳盡的充電行為。系統每15min更新一次，以制定將來時間段內電動車有序充電控制策略。

2 電動車有序充電數學模型

以區域配電網峰谷差最小為目標，目標函數如下：

式中：P為電動私家車的恒定充電功率； nj為第j個時間段接入配電網的電動車總量；x為電動車的充電狀態矩陣，元素xij表第i輛車在第j個時間段的充電狀態，表示該車此時空閑，表示該車此時處于充電狀態； Po為計及電動車充電后配電網的理想負荷值，計算公式如下：

其中。

任意時刻電動車的荷電狀態都應滿足如下約束：

式中：是一個時間段內電動車充電電量。

電動車充電需求約束如下：

由此可見，上述優化模型可認為是非線性0—1優化組合問題，因此以二進制編碼為基礎的遺傳算法在處理這類問題上具有天然的可行性。

3 改進遺傳算法

電動車有序充電問題是一個大規模非線性0—1優化問題，雖然遺傳算法天然地具備有效解決0—1問題的優點，但傳統的遺傳算法其較大的種群規模和隨機操作的遺傳算子并沒有結合電動車充電問題的特點，以至于在隨機交織和變異過程中不僅會萌生大量不可行解且收斂速度非常慢。針對這一問題，本文提出了一種減小可行域搜索范圍并提高收斂速度的改進遺傳算法。

3.1 編碼

本文要優化的充電狀態矩陣為遺傳算法中的個體，每一個充電狀態矩陣蘊含了當前接入的所有電動車的充電狀態，其詳盡形式為：

式中：xk為遺傳算法中第k個個體：xi為編碼矩陣的行向量，表示在某個時間段接入的該輛電動車在不同時刻的充電狀態。

第i輛電動車的可能充電時間區間并不是充電矩陣的任意位置（或一天中任意時刻），而是依據用戶充電需求信息，由該輛電動車的接入時間αi以及預期離開時間βi所決定。

3.2 初始化及適度函數選取

遺傳種群初始化時，按照編碼矩陣中行向量的順序進行。以xk中xi為例，初始化過程如下：

1）依據用戶錄入的充電需求信息，確定第i輛電動車的接入時間αi及預期離開時間βi，并進一步確定該輛電動車在這一天中的可能充電時間區間；

2）依據電動車的初始荷電狀態和用戶預期荷電狀態，確定電動車實際所需的充電段數。其中。

3）在該輛電動車的可能充電時間區間中，隨機選擇Jid個充電時刻作為該輛電動車的初始充電點。

本文選取目標函數的倒數形式作為適度函數值，保證峰谷差率小的方案的基因被保留下來進行遺傳。

3.3 交織操作和對偶變異

本文采用確定式采樣的辦法在父代中選擇交配個體，并采用局部錦標賽選擇法在父代個體和交織個體間選擇子代個體。同時，為了加大搜索空間及收斂性，交織操作可以重復進行幾次。

當充電狀態矩陣中的某一位進行變異時，實際上改變了某輛電動車在某一時刻的充電狀態，為保證用戶的充電需求及電池壽命，就非得對該變異位進行補償，即選擇可能充電時間區間中除這一位的其他位進行對偶變異。

隨機選擇一個個體中的某一輛電動車以及其可能充電區間內的一個變異點rand，對該點進行0—1變異，隨后在可能充電區間內隨機選擇除這點以為的與該變異點原充電狀態相反的點進行對偶變異。

3.4 收斂性改進

采用上面的辦法進行求解后發現，算法收斂速度很慢，即便進化代數很大，也無法得到理想的效果。這是由于充電狀態矩陣是一個大規模多維0—1矩陣，容易陷入維數災。因此為了提高收斂性以及進一步減小峰谷差，本文對第j個時間段內接入的一部分電動車采用預估充電的初始化方式，即依據電網的負荷信息，對這一部分電動車采用實時選擇性充電，詳盡過程如下：

1）判斷第j個時間段內是不是有新車接入，若有則選擇其中輛進行預估充電；

2）依據新接入電動車i的充電需求信息確定其接入時間αi、離開時間βi以及實際所需充電段數Jid，進而確定其可能充電時間區域；

3）在其可能充電區間內選擇總負荷最小的點優先進行充電，如下式：

4）重復第3）步直到滿足客戶充電需求；

5）重復第1）步至第4）步第直到選擇的輛電動車全部預估完畢；

由此可見，交織操作并不會影響每個個體中進行預估充電的電動車，而只依賴變異操作來對預估充電的電動車進行微調。因此選擇進行預估充電的電動車數量要適中，太小不能提高算法收斂性，太大則容易造成局部最優，本文取。算法流程圖如圖2所示。

4 基于蒙特卡洛模擬的仿真算例

4.1 參數設置

蒙特卡洛模擬是一種基于概率和統計理論的隨機模擬。本文基于私家電動車的時空分布，采用蒙特卡洛辦法模擬一天中私家電動車的行駛情況，從而建立私家電動車充電負荷模型。

假設某區域內有100輛私家電動車，且電動車已經實現標準化，則常規充電的充電功率設為P＝7kW。考慮到電動車電池壽命，可設。

改進遺傳算法的參數設置如下：種群大小為300，交織概率為0.9，交織重復次數為5，變異概率0.1，變異窗口大小為3，預估充電的電動車比例分別取。

4.2 結果分解

圖3為計及電動車充電的負荷曲線。圖4為在不同預估充電電動車比例下負荷的峰谷差率。結合圖3和圖4可以看出：在未采用預估充電時，即＝0時，采用一般遺傳算法雖然大大降低了因電動車無序充電而引起的負荷的劇烈增長，但其并為充足利用負荷低谷對電動車充電（即峰谷差率很大），且在用電高峰時依然造成峰上疊峰；當采用預估充電＝0.3時，負荷曲線更趨于平緩，進一步優化了用電高峰時電動車的充電行為，未造成疊峰現象，同時，負荷峰谷差率也進一步減小。

但當預估充電電動車比例系數進一步增大＝0.4時，雖然在負荷峰谷差率上有進一步優化，但優化效果并不分明，且負荷曲線也與＝0.3時差異不大，當＝0.5時，則其峰谷差率與＝0.4趨于相同。這是由于進行預估充電的電動車比例越大，遺傳算法的交織操作的效果越弱，僅依賴變異來進行微調。因此預估充電的電動車比例應當保持在適度的范圍內，否則容易陷入局部最優。

5 結論

本文依據傳統遺傳算法以二進制為基礎的特點，結合電動車用戶的實際充電行為，提出了一種基于改進遺傳算法的電動車有序充電控制策略。該策略在保證用戶充電需求的前提下，對部分電動車采用預估充電的初始化辦法，既克服了傳統遺傳算法在解決電動車充電問題時的搜索空間大、收斂性差等缺點，同時還降低了負荷曲線的峰谷差率，避免了峰上疊峰的現象。本文通過蒙特卡洛辦法模擬電動車用戶的充電行為，仿真結果聲明，本文提出的基于改進遺傳算法的有序充電控制策略能夠有效的減小因電動車無序充電造成的負荷劇烈增長，減小負荷波動，避免峰上疊峰。

由于電動車不僅是充電負荷，在一定情況下還能作為移動儲能為電網提供輔助服務。因此下一步的研究側重于，通過電動車的V2G功能，真正地實現利用電動車削峰填谷。（劉劍欣，葉健誠，潘巍，徐青山，辛建波）

聲明： 本站所發布文章部分圖片和內容自于互聯網，如有侵權請聯系刪除