風光儲電動汽車換電站多目標運行優化

付　華，柳夢雅，陳子春（.遼寧工程技術大學電氣與控制工程學院，葫蘆島505；.開灤集團公司機電部，唐山06308）

風光儲電動汽車換電站多目標運行優化

付華1，柳夢雅1，陳子春2
（1.遼寧工程技術大學電氣與控制工程學院，葫蘆島125105；2.開灤集團公司機電部，唐山063018）

針對可再生能源與電動汽車充換電負荷之間的協調優化問題，建立了含風光儲發電單元的電動汽車換電站多目標運行優化模型。采用多種群和動態自適應策略，提出了一種改進的動態多種群多目標粒子群算法，對這一多維、多約束、非線性的多目標優化問題進行求解。以某地區實際電網數據進行算例仿真，驗證了模型和算法的有效性。結果表明，優化后的風光儲電動汽車換電站不僅可以實現可再生能源的就地消納，而且有助于減小負荷峰谷差。

風光儲；電動汽車；換電站；多目標優化；動態多種群多目標粒子群優化

DOI：10.3969/j.issn.1003-8930.2016.04.007

隨著能源短缺和環境污染的日益加劇，充分利用可再生能源進行發電、推廣電動汽車的使用已成為節能減排的重要手段［1-2］。但風電、光伏等可再生能源受自然環境制約，出力不可調度，隨機性和間歇性強，并網利用率低［3-4］。電動汽車充電負荷也給電網的穩定運行帶來了巨大挑戰［5-6］。

由此，尋求風、光等可再生能源與電動汽車充電需求之間協調互補的有效途徑，具有重要意義。然而國內外的相關研究剛剛處于起步階段，亟待進一步深入。文獻［7］分析了將可再生能源與電動汽車通過微網形式進行集成的優勢與適用性，結合國內外相關示范工程，總結了集成微網的3種典型結構，并指出了后續研究中的難點和關鍵問題。文獻［8］基于丹麥多個電動汽車項目，說明了電動汽車接入含大規模風電的電網，可以帶來巨大的環境及經濟效益。文獻［9］針對含光伏發電系統的電動汽車換電站，以系統運行費用最小為目標建立模型，對各組成單元的容量配比進行優化。文獻［10］基于模糊理論，針對含風光出力的地區電網，提出了一種電動汽車有序充電調度方法。

本文提出了一種可再生能源與電動汽車集成的新模式，將風光儲發電系統與電動汽車換電站相結合，建立風光儲電動汽車換電站的運行優化模型，其實質是風電、光伏、儲能設備出力和電動汽車充換電需求之間的協調優化問題。首先，基于風光儲發電單元的出力特性，以可再生能源利用率最大、負荷波動最小和負荷峰谷差最小為目標，建立電動汽車換電站的多目標運行優化模型。其次，基于標準粒子群算法的思想，提出一種改進的動態多種群多目標粒子群算法DSMOPSO （dynamic multiple swarms multi-objective particle swarm optimization），對模型進行優化。最后，以某地區電網的實際數據為例，進行算例仿真，驗證了所提模型和算法的有效性。

1　風光儲發電單元模型

1.1風電出力模型

換電站風力發電單元的輸出功率由風電機組本身的輸出特性和風機轉軸處的風速所決定［11］，可表示為

式中：PW為風電機組的輸出功率；v為風力發電機轉軸處的實際風速；vci為切入風速；vco為切出風速；vN為額定風速；PN為風力發電機的額定輸出功率。

其中，選取Weibull分布對實際風速進行擬合，其概率密度函數為

式中：v0為實際測量風速；k為形狀參數；c為尺度參數。

折算成風力發電機轉軸處的風速，表達式為

式中：h為風力發電機轉軸處的高度；h0為實測風速的參考高度。

1.2光伏出力模型

換電站光伏發電單元的穩態輸出功率受光照強度和環境溫度共同影響［12］，可表示為

式中：PPV為光伏電池的輸出功率；G為光照強度；T為光伏電池工作溫度；GSTC、TSTC、PSTC分別為標準測試條件下的光照強度、環境溫度和測試功率最大值；kT為功率溫度系數，取值為-0.004 7/℃；標準測試條件：環境溫度為25℃，光照強度為1 000 W/m2。

1.3儲能設備模型

為保證電動汽車換電站優先利用可再生能源，儲能設備的充放電狀態及出力由風光聯合出力PH和電動汽車的充電負荷PEV共同決定，設ΔP為兩者之間的差額，即

換電站儲能單元的儲能容量S滿足以下約束條件：

根據我國目前的電網運行要求，為保證電能質量，暫不考慮電動汽車換電站向電網放電，僅考慮從電網吸收電能。

（1）當ΔP＞0時，風光聯合出力能夠滿足當前的充換電需求，儲能設備進入充電狀態，把剩余的電能儲存在儲能單元中，以便在負荷高峰和可再生能源出力不足時為電動汽車動力電池充電。

（2）當ΔP＜0，即風電和光伏發電的出力之和不能滿足當前充換電需求，且儲能單元的容量S＞Smin時，儲能設備轉入放電狀態。

所以，儲能單元的出力為

（3）放電過程中若S≤Smin，則換電站從常規大電網吸收電能，設其值為Pgrid。

綜上所述，風光儲發電單元的聯合出力為

2　換電站多目標優化運行模型

2.1目標函數

為減少電動汽車換電站對煤、石油等高污染、不可再生能源的依賴，實現風光出力的就地消納，減少風光儲發電單元和電動汽車充換電對電網的不良影響，本文以可再生能源利用率最大、減小負荷波動、負荷峰谷差最?。?3］為目標，建立風光儲電動汽車換電站的多目標運行優化模型。模型以1 d 24 h為1個調度周期。

1）可再生能源利用率最大

定義換電站的能量來源中，從常規電網吸收的電能比例為 f1，為保證可再生能源利用率最大，則f1越小越好。式中，PEV（t）為t時刻電動汽車電池組的充電功率。

2）負荷波動最小

式中：f2為負荷波動率；Pd（t）為t時刻區域電網中除充電負荷以外的基礎負荷；PEV（t）為t時刻電動汽車的充電負荷；Pav為調度周期內負荷平均值。

3）負荷峰谷差最小

本文以電網負荷率作為衡量電網峰谷差的指標。負荷率越高，說明電網負荷峰谷差越小，負荷較為平均；負荷率越低，表明電網峰谷差異越大，需要削峰填谷，使電網負荷變化減小。

式中，f3為電網負荷率。

2.2約束條件

1）功率平衡約束

為保證換電站的穩定運行，必須滿足換電站電源與負荷之間實時的功率平衡，即

2）充電功率約束

受電動汽車電池自身特性的限制，其充電過程必須滿足一定的功率約束，即

式中，PEVmin、PEVmax為換電站內電動汽車電池組所能承受的充電功率上下限。

3）換電站電池備用約束

考慮電動汽車的換電需求具有很大的隨機性，換電站本身需要預留一部分備用容量［14］，t時刻換電站內電池儲存的電量E（t）可表示為

式中：n（t）為t時刻需要換電池的電動汽車電池組數量；ENEV為電池組的額定容量。

換電站內電池組的容量備用約束為

式中：Emin（t）為根據需求預測而得到的電動汽車換電池需求最小值；η為換電站的電量備用率。

綜上所述，風光儲電動汽車換電站的多目標運行優化模型為

3　模型的求解

3.1標準PSO算法

粒子群優化PSO（particle swarm optimization）算法是由Kennedy等受到自然界中鳥類覓食行為的啟發而提出的一種群智能算法［15］。算法通過粒子對自身經驗的總結和對其他粒子的學習，不斷修正自身運動狀態，逐漸趨向最優解。標準PSO算法中，粒子速度和位置更新公式為

PSO算法中，所有的粒子都向最優解的方向飛行，粒子群趨向單一，所以用PSO算法求解容易造成早熟收斂、陷入局部最優、解的多樣性差等問題。

3.2 改進DSMOPSO算法

事實上，在自然界中為了更好地達到遷徙、覓食和抵抗天敵的目的，不同種類的鳥群往往聚集在一起組成混合群。由于不同的鳥類物種擁有各自的生存技能且偏愛不同的食物，不同鳥類之間的信息分享和協作大大提高了整個混合鳥群的存活率及覓食效率。受這種自然現象的啟發，多種群粒子群算法應運而生［16］。

本文所建立的換電站優化運行模型，實質上是一個多變量、多約束、非線性的多目標優化問題。鑒于模型的復雜性和粒子群算法易陷入局部最優和早熟收斂的缺陷，本文在標準PSO算法和多種群粒子群算法的基礎上進行改進，提出一種改進的動態多種群多目標粒子群優化DSMOPSO （dynamic multiple swarms multi-objective particle swarm optimization）算法對模型進行求解。

3.2.1子群體的劃分策略

為了彌補傳統PSO算法的上述缺陷，將整個粒子群劃分為若干子群，子群內部對解空間進行獨立搜索，各子群間進行必要的信息交流。子群數量增多，有利于增加解的多樣性；子群數量減少，有利于提高解的收斂速度。采用動態自適應策略［17-18］，在搜索過程的不同階段，動態調整子群數量。子群體劃分的步驟如下。

（1）計算第k次迭代時，換電站運行優化模型中各目標空間的邊界和。

（2）計算網格的模。

將目標空間分成M×M×M個網格，按下式計算各個網格的模為

（3）遍歷初始粒子群中所有粒子，對任意粒子i，令

則粒子的位置為

（4）計算粒子間距離。

將粒子間距離作為子群劃分的依據，數學表達式為

3.2.2粒子的更新策略

基于標準PSO算法的更新規則，提出DSMOP?SO算法的粒子更新公式為

3.3算法流程

應用改進DSMOPSO算法解決風光儲電動汽車換電站運行優化模型的流程如下：①系統初始化。初始化風光儲發電單元和電動汽車換電站的相關參數；②算法初始化。隨機產生初始群體，設定迭代次數k=1；③子群體劃分。采用3.2.1所述的子群體劃分策略劃分子群；④適應度計算。對每個粒子，根據式（10）計算換電站所在區域電網中可再生能源的利用率，根據式（11）～（13）計算電網中的負荷波動和負荷峰谷差，舍棄不滿足約束條件的個體；⑤最優值選擇。記錄整個粒子群的全局最優位置、各粒子的個體最優位置和子群體中的局部最優位置；⑥更新。按式（25）、（26）更新粒子的速度和位置；⑦迭代結束判斷。達到最大迭代次數則輸出最終非支配解集和對應的帕累托前沿，否則令k=k+1并轉到步驟（3）。

4　算例仿真

4.1仿真數據

采用某地區實際電網負荷為原始數據（如表1所示），測試所提模型和算法的有效性。取該區域某一天風速和光照強度的實測數據，如圖1和圖2所示。算例中采用的風機總額定容量為450 kW，額定風速為12 m/s，切入風速為2.5 m/s，切出風速為25 m/s。光伏發電單元采用的光伏陣列在標準測試條件下總的最大功率輸出為300 kW。儲能單元總額定功率為200 kW。設每個電動汽車電池組的額定容量均為100 kW?h，最大充電功率均為12 kW。換電站的最小負荷功率取決于換電站辦公、照明等負荷，換電站的電量備用率為10%。

表1　原始負荷數據Tab.1　Original load data

4.2仿真結果

本文采用動態多種群MOPSO算法對所提模型進行優化。粒子數取為100，最大迭代次數為1 000，最大速度為0.4，慣性權重w在［0.4，0.9］之間線性遞增。優化后得到換電站各時刻的充電功率PEV（t），如圖3所示。

圖1　風速曲線Fig.1　Wind speed curve

圖2 光照強度曲線Fig.2　Light intensity curve

圖3　換電站各時刻的充電功率Fig.3　Charging power of BSS

由圖3和表1對比，可以看出，優化后換電站充電功率的峰值時段對應負荷低谷時段；充電功率較低的時段對應負荷的高峰時段。這個結果表明，優化后，電動汽車換電站可以利用常規電網負荷低谷時段進行充電，起到了減小負荷峰谷差的作用，同時也證明了所提出的動態多種群MOPSO算法的有效性。

由表2可見，通過電動汽車換電站與風光儲發電單元的協調優化，棄風棄光率減小，可再生能源的利用率增大。

表2　棄風棄光率Tab.2　Wind and PV abandon rate

計及換電站的充電負荷后，可以得到新的等效負荷，如圖4所示。對比加入換電站前后的負荷曲線可見，計及換電站優化后的等效負荷曲線更加光滑平整，峰谷差減小。綜上，通過風光儲電動汽車換電站的優化運行，不但可以充分利用可再生能源，同時也使常規電網的運行得到了改善。

圖4　等效負荷曲線Fig.4 Synthetic load curve

5　結論

（1）結合風光儲發電單元的出力特性，提出了含風光儲發電單元的電動汽車換電站多目標運行優化模型。該模型以可再生能源利用率最大、負荷波動最小、負荷峰谷差最小為目標，綜合考慮功率平衡、充電功率限制、換電站備用等約束，可充分發揮風、光、儲各電源的優勢，整合后實現各電源出力隨機性和不確定性的互補，提高了電網對可再生能源的消納能力。

（2）風光儲電動汽車換電站的優化運行，可對常規電網起到調節作用。換電站聯網運行時，可以減少負荷峰谷差，緩解電網的調度壓力。

（3）本文所提出的模型實際上是一個多維、多約束、非線性的多目標優化問題，針對這一問題，提出了一種新的改進動態多種群MOPSO算法，使問題得以求解，但仍需進行進一步的研究，尋求更高精度、更快收斂速度的多目標優化算法。

［1］吉平，周孝信，宋云亭，等（Ji Ping，Zhou Xiaoxin，Song Yunting，et al）.區域可再生能源規劃模型述評與展望（Review and prospect of regional renewable energy plan?ning models）［J］.電網技術（Power System Technology），2013，37（8）：2071-2079.

［2］王曉晶，陳星鶯，陳楷，等（Wang Xiaojing，Chen Xingy?ing，Chen Kai，et al）.智能配電網清潔性評估指標研究（Research on cleaning evaluation indices of smart distri?bution grid）［J］.中國電機工程學報（Proceedings of the CSEE），2013，33（31）：43-50.

［3］張麗英，葉廷路，辛耀中，等（Zhang Liying，Ye Tinglu，Xin Yaozhong，et al）.大規模風電接入電網的相關問題及措施（Problems and measures of power grid accommo?dating large scale wind power）［J］.中國電機工程學報（Proceedings of the CSEE），2010，30（25）：1-9.

［4］丁明，王偉勝，王秀麗，等（Ding Ming，Wang Weisheng，Wang Xiuli，et al）.大規模光伏發電對電力系統影響綜述（A review on the effect of large-scale PV generation on power systems）［J］.中國電機工程學報（Proceedings of the CSEE），2014，34（1）：1-14.

［5］高賜威，張亮（Gao Ciwei，Zhang Liang）.電動汽車充電對電網影響的綜述（A survey of influence of electrics vehicle charging on power grid）［J］.電網技術（Power System Technology），2011，35（2）：127-131.

［6］劉文霞，張敏，張建華，等（Liu Wenhua，Zhang Min，Zhang Jianhua，et al）.電動汽車負荷對配電網可靠性影響的量化分析（Reliability modeling and quantitative analysis of distribution network considering electric vehi?cle charging and discharging）［J］.電力系統及其自動化學報（Proceedings of the CSU-EPSA），2013，25（4）：1-6.

［7］肖湘寧，陳征，劉念（Xiao Xiangning，Chen Zheng，Liu Nian）.可再生能源與電動汽車充放電設施在微電網中的集成模式與關鍵問題（Integrated mode and key is?sues of renewable energy sources and electric vehicles’charging and discharging facilities in microgrid）［J］.電工技術學報（Transactions of China Electrotechnical Soci?ety），2013，28（2）：1-14.

［8］楊黎暉，許昭，J?Stergaard，等（Yang Lihui，Xu Zhao，J?Stergaard，et al）.電動汽車在含大規模風電的丹麥電力系統中的應用（Electric vehicles in Danish power system with large penetration of wind power）［J］.電力系統自動化（Automation of Electric Power Systems），2011，35（14）：43-47.

［9］Tang Xiao，Liu Nian，Zhang Jianhua，et al.Capacity opti?mization configuration of electric vehicle battery ex?change stations containing photovoltaic power generation ［C］//7th International Power Electronics and Motion Con?trol Conference，Harbin，China，2012：2061-2065.

［10］張學清，梁軍，張利，等（Zhang Xueqing，Liang Jun，Zhang Li，et al）.計及風光電源的一種地區電網電動汽車充電調度方法（Approach for plug-in electric vehicles charging scheduling considering wind and photovoltaic power in Chinese regional power grids）［J］.電工技術學報（Transactions of China Electrotechnical Society），2013，28（2）：28-35.

［11］符楊，蔣一鎏，李振坤（Fu Yang，Jiang Yiliu，Li Zhen?kun）.基于混合量子遺傳算法的微電網電源優化配置（Optimal allocation of distributed generation for mi?crogrid based on hybrid quantum genetic algorithm）［J］.電力系統保護與控制（Power System Protection and Control），2013，41（24）：50-57.

［12］朱蘭，嚴正，楊秀，等（Zhu Lan，Yan Zheng，Yang Xiu，et al）.風光儲微網系統蓄電池容量優化配置方法研究（Optimal configuration of battery capacity in microgrid composed of wind power and photovoltaic generation with energy storage）［J］.電網技術（Power System Tech?nology），2012，36（12）：26-31.

［13］田文奇，和敬涵，姜久春，等（Tian Wenqi，He Jinghan，Jiang Jiuchun，et al）.電動汽車換電站有序充電調度策略研究（Research on dispatching strategy for coordinat?ed charging of electric vehicle battery swapping station）［J］.電力系統保護與控制（Power System Protection and Control），2012，40（21）：114-119.

［14］張舒，胡澤春，宋永華，等（Zhang Shu，Hu Zechun，Song Yonghua，et al）.考慮電動汽車換電站與電網互動的機組組合問題研究（Research on unit commitment consid?ering interaction between battery swapping station and power grid）［J］.中國電機工程學報（Proceedings of the CSEE），2012，32（10）：49-55.

［15］Kennedy J，Eberhart R.Particle swarm optimization［C］// IEEE Conference on Neural Networks.Perth，Australia，1995：1942-1948.

［16］Yen G G，Wen Fung Leong.Dynamic multiple swarms in multiobjectiveparticleswarmoptimization［J］.IEEE Trans on Systems，Man and Cybernetics，2009，39（4）：890-911.

［17］楊俊杰，周建中，方仍存，等（Yang Junjie，Zhou Jian?zhong，Fang Rengcun，et al）.基于自適應網格的多目標粒子群優化算法（Multi-objective particle swarm optimi?zation based on adaptive grid algorithms）［J］.系統仿真學報（Journal of System Simulation），2008，20（21）：5843-5847.

［18］馮超，周步祥，林楠，等（Feng Chao，Zhou Buxiang，Lin Nan，et al）.電動汽車充電站規劃的多種群混合遺傳算法（Electric vehicle charging station planning based on multiple-population hybrid genetic algorithm）［J］.電力系統及其自動化學報（Proceedings of the CSU-EP?SA），2013，25（6）：123-129.

Multi-objective Optimization of Battery Swapping Station with Wind Photovoltaic and Energy Storage

FU Hua1，LIU Mengya1，CHEN Zichun2
（1.Faculty of Electrical&Control Engineering，Liaoning Technical University，Huludao 125105，China；2.Electrical Department of Kailuan Group Company，Tangshan 063018，China）

In allusion to the coordination between renewable energy sources（RES）and electric vehicle（EV）load，a multi-objective optimization model of the EVs′battery swapping station（BSS）containing wind，photovoltaic（PV）and energy storage is built.As the model is multidimensional，nonlinear and having many constraints，this paper proposes an improved algorithm called dynamic multiple swarms in multi-objective particle swarm optimization（DSMOPSO）based on the multiple-swarms and dynamic adaptive strategy.A simulation based on an area′s load data is made to show the ef?fectiveness of the model and algorithm.The results show that the optimizated BSS can not only realize the local use of the RES，but also contribute to the peak-valley difference reduction.

wind photovoltaic and energy storage；electric vehicle；battery swapping station；multi-objective optimiza?tion；dynamic multiple swarms multi-objective particle swarm optimization

TM91

A

1003-8930（2016）04-0038-06

2014-05-31；

2015-06-05

國家自然科學基金資助項目（51274118、70971059）。

付華（1962—），女，博士，教授，博導，研究方向為電力電子與電力傳動、智能電網和低碳電力等。Email：fxfuhua@ 163.com

柳夢雅（1990—），女，碩士研究生，研究方向為智能電網、電力系統優化運行。Email：lngdlmy@163.com

陳子春（1965—），男，博士，高工，碩士生導師，研究方向為工礦企業供電系統節能優化技術。Email：1622915350@qq.com