電動汽車有序充電可行性分析

羅 杰 石增玲 劉濟寧 劉明龍 王連剛

（山東科技大學，山東 青島 266590）

0 引言

隨著國內外電動汽車的應用與發展，電動汽車作為重要的電力負荷，將對我國電力系統的規劃與運行產生不可忽視的影響，如何實現其有序充電以減小對電網的影響成為亟待解決的課題。本文通過建立不同目標函數的數學模型，基于模擬退火算法和粒子群優化算法，提出實現有序充電的調度策略，最后對電動汽車的發展做了展望。

1 電動汽車發展現狀

目前世界各國汽車企業陸續開發出了有自己特色的新能源汽車。電動汽車按動力來源來劃分，大體可以分為三種類型：純電動汽車（BEV）、混合動力電動汽車（HEV）、燃料電池電動汽車（FCEV）。 美國最早開始燃料電動汽車的研發，通用汽車公司早在1968年生產出第一輛燃料電池的電動汽車，美國政府提出到2015年美國要實現100萬輛混合式電動汽車的目標表明美國電動汽車的研究重點從燃料電池型轉向了混合動力型；而日本混合動力電動汽車技術已趨于成熟，其中豐田汽車公司走在該領域的前沿；歐洲側重于純電動轎車和燃料電池公共汽車的研發，主攻柴油機、生物燃料、氫燃料市場化的工作。

2012年3月27日，我國科學技術部以國科發計〔2012〕195號印發《電動汽車科技發展“十二五”專項規劃》，詳細規劃了電動汽車發展戰略與目標，提出了科技創新的重點任務，國家研發計劃的實施和輕型電動汽車產業的突飛猛進發展為整個電動汽車行業造就了多層次的技術研發和生產大軍。

2 實現電動汽車有序充電調度的理論依據

有序充電[1]是指當電動汽車接上電源后，在滿足電網約束條件以及用戶使用客觀需求的條件下，由調度中心控制開始充電的時間以及電動汽車充電功率的大小，車主不能主觀改變任意時刻的充電曲線。

實現電動汽車的有序充電，對電動汽車的充電行為進行控制，本質上是把電動汽車電池作為分散式的儲能裝置，把其當作可調度的電網資源，在電網負荷處于低谷時充電，相反，在電網負荷處于高峰時退出充電，即發揮削峰填谷的作用?？偟膩碚f，系統優化的方法多種多樣，比如二次規劃法、模擬退火算法、進化算法、粒子群算法、DIRECT算法、神經網絡算法等。本文則采用粒子群優化算法以及模擬退火算法對電動汽車充電調度進行分析。

2.1 基于模擬退火算法的充電調度優化

模擬退火算法（Simulated Annealing，SA）是一種擬物算法,最早由Krikpatrick在1983年提出。由于物理退火過程和一般優化問題具有普遍的相似性，因此Krikpatrick把退火的思想引入到處理實際問題中來，通過Monte Carlo迭代策略創造性的提出了求解組合優化問題的行之有效方法，稱為模擬退火算法。

模擬退火算法是模擬固體物質的退火原理，利用Mertopolis抽樣的策略在解空間中進行不定向搜索[2]，對當前“隨機抽樣、產生新解→計算目標函數差→選擇接受或是舍棄”進行迭代，不斷重復抽樣的過程，最終便能夠得到問題的全局最優解。

Mertopolis抽樣策略在取值范圍內存在著從一個值跳變到另一個值得情況，在模擬退火算法中，從變量i到跳變到變量j的這種狀態的變化，我們可以表述為：

其中，△=f(i)-f(j),f(i)是函數在變量在取i時的解，f(j)是函數在變量取j時的解；t表示當前的溫度，Pt(i?j)表示從狀態i到狀態j是否被系統所采納這樣一個狀態的轉化過程。因此，我們在區間（0,1）上的隨機取得的一個數值，如果Pt(i?j)的值大于隨機數，那么這個迭代過程產生的新解將系統采納以作為當前解，否則便不采納系統產生的新解。接下來不斷重復這一過程，不斷產生新解，不斷取舍。這個過程會不斷重復，直到取得最優解。模擬退火算法流程圖如圖1所示，其計算步驟如下：

圖1 模擬退火算法流程圖

1）初始化：首先選擇初始溫度t0，需要注意的是，此時的溫度要足夠高；接下來令t=t0，接著系統便隨機產生初始解S，在這種情況下，我們便可以得到在t不同的情況下，不同的Mapkob的鏈長L。

2）在這個溫度t下，取不同的k值，從k=1至k=L，分別計算步驟3）～6）。

3）通過當前取得的數值，由狀態產生函數，系統便隨機生成一個新的狀態值S′。

4）得到 f(S′)后，計算前后狀態的差值 Δ=f(S′)-f(s)，其中 f(s)為適應度函數。

5）若 Δ＜0，則系統接受 S′為新的產生狀態；如若不然，則在（0,1）區間隨機生成隨機數rand，以概率exp(-Δ/t)＞rand接受S′為新的狀態。

6）若系統取值滿足終止條件，則把當前獲得的解作為最優解，結束算法；否則，重新降低溫度t，并且返回步驟2）。

2.2 基于粒子群優化算法的調度優化

粒子群優化算法（Particle Swarm Optimization,PSO）最早由Kenney與 Eberhart于1995年提出的[3]，其算法的基本思想:初始化一群粒子，每次迭代中，粒子通過跟蹤兩個極值跟蹤自己，粒子本身找到的歷史最后解（個體極值點pbest）以及整個種群目前找到的最好解（全局極值點gbest），然后需要計算粒子的適應值，以判斷粒子位置距最優點的距離，每次迭代中，根據適應度值更新gbest和pbest。其中迭代終止的條件是設置最大迭代次數或全局最優位置滿足預定最小適應閥值。

假設由n個以自由形態存在的粒子存在于N維空間中；

粒子i的位置：xi=(xi1,xi2,…xid)將xi代入適應函數f(xi)求適應值；

粒子 i的速度：vi=(vi1,vi2,…vid)；

粒子i的個體極值點位置：pbesti=(pi1,pi2…pid)；

種群的全局極值點位置：gbest=(g1,g2,…gd)

粒子i在N維空間中的速度位置更新公式：

粒子i在N維空間中的位置更新公式xin=xin+vin

c1,c2-學習因子，經驗取值c1=c2=2，調節學習最大步長；

r1和r2-兩個隨機數，取值范圍（0,1）以增加搜索隨機性；

w-慣性因子，w≥0，它的作用是在解空間中自動確定搜索范圍；粒子群優化算法的流程圖如圖2所示。

圖2 粒子群優化算法的流程圖

2.3 實現有序充電可行性分析

上述兩種算法，都調理清晰的闡述了建立模型的基本步驟，可以根據用戶充電規律，任意采用兩種模擬方法，來模擬出用戶充電需求，通過對電動汽車在有序充電和無序充電種情形下充電站運行的經濟效益及配電變壓器負載情況，實現對電動汽車有序充電調度。

3 電動汽車未來技術暢想

隨著超級電容、超級充電樁等設備數量的增多和其性能的不斷提高，電動汽車將迎來一個高速的發展過程，尤其是電動汽車與智能電網的融合技術、電動汽車與物聯網融合技術，一旦這些前瞻性技術成熟，必將為電動汽車在電網調度的控制下實現有序充電提供可能，以減小對電網的沖擊。

3.1 電動汽車成為智能電網的一部分

電動汽車與智能電網的融合 （Vehicle to Grid,V2G）最近得到美國、德國的重視。V2G的概念體現了電動汽車與電網的關系，使得電動汽車能與電網協調連接，從而實現最優化的充電模式。理想的V2G平臺式車輛在非高峰時段自動充電，在高峰時段放電，以替代效率較低的調峰電廠。最近美國和德國就V2G技術專門進行了磋商，欲打造一個充滿活力、運行效率極高的電網系統。

3.2 電動汽車成為物聯網的重要組成部分

物聯網的定義是:通過射頻識別(RFID)、紅外感應器、全球定位系統、激光掃描器等信息傳感設備,按約定的協議,把任何物品與互聯網連接起來,進行信息交換和通訊,以實現智能化識別、定位、跟蹤、監控和管理的一種網絡[4]；未來電動汽車將通過整合全球定位系統（GPS）導航技術、車對車交流技術、無線通信及遠程遙感技術和智能交通技術等實現人與車、車與車、車與充電網絡等之間的互動，將道路、交通、車輛和充電網絡等全部置于計算機控制之下，構成一個復雜高效的管理系統。

4 結束語

本文總結了國內外電動汽車發展的現狀，通過引入模擬退火算法和粒子群優化算法，分析了建立電動汽車充電負荷調度的模型的可行性。本文僅從理論層次作了簡要的探討，希望能為接下來的研究工作提供一定地參考。

［1］黃潤.電動汽車入網對電網負荷影響的研究[D].上海交通大學,2012.

［2］辛振銘.一種改進的模擬退火算法在TSP問題中的研究與應用[D].東北師范大學,2010.

［3］姚耀中,徐玉如.粒子群優化算法分析[J].哈爾濱工程大學學報,2007,28(11):1242-1246.

［4］王英武,劉肖驄.淺析物聯網技術在智能電網發展中的應用研究[J].中國電力教育,2011,03(190):111-114.