基于思維進化算法的電動汽車有序充電控制策略

余曉玲, 余曉婷， 韓曉娟

(1. 華北電力大學控制與計算機工程學院，北京 102206；2. 青海大學水利電力學院，青海 西寧 810016)

基于思維進化算法的電動汽車有序充電控制策略

余曉玲1, 余曉婷2， 韓曉娟1

(1. 華北電力大學控制與計算機工程學院，北京 102206；2. 青海大學水利電力學院，青海 西寧 810016)

大量電動汽車充電會加大充電站負荷峰谷差，影響充電站安全穩定運行。因此提出了一種基于思維進化算法(MEA)的電動汽車有序充電控制策略：以用戶充電費用最少和充電站負荷峰谷差最小為目標函數，采用MEA算法動態計算接入充電站電動汽車的最優充電時段，由用戶自主響應，從而實現充電站內電動汽車的有序充電控制。為驗證該策略的有效性，利用蒙特卡洛方法模擬用戶充電需求，對算例進行仿真分析。結果表明：與無序充電相比，有序充電控制策略可在降低電動汽車用戶費用的基礎上實現充電負荷的削峰填谷；相比于使用遺傳算法,MEA算法具有一定優勢。

電動汽車充電站; 蒙特卡洛模擬; 思維進化算法; 有序充電; 峰谷電價

0 引言

近年來，發展電動汽車被世界各國普遍確立為發展低碳經濟和保障能源安全的重要手段[1，2]，然而大規模電動汽車接入電網充電，將對電力系統運行產生一定影響[3]，且會改變電網負荷特性。如果不采取有效的充電控制策略，將進一步加劇電網負荷峰谷差，可能導致配電網線路過載、電壓跌落[4]、配電網損耗增加[5]、配電變壓器過載[6，7]、諧波污染[8]等一系列問題。同時，電動汽車作為新型的移動負載，其充電行為具有較強的時空不確定性，無序充電將形成沖擊性負荷，影響電網穩定。因此電動汽車有序充電控制對于降低電網運行風險，提高電網運行效益與穩定性具有重要意義[9]。

目前有關電動汽車有序充電的研究有：文獻[10]提出了一種以降低配網網損為目標的電動汽車有序充電在線控制方法；文獻[11]提出了面向電動汽車換電模式的兩階段有序充電方法；文獻[12]提出了基于隊列方式的功率控制優化充電策略；文獻[13]在分析配電系統饋線網絡損耗、配電網負載率以及負荷波動方差三者之間關系的基礎上，研究用于降低損耗的有序充電控制方法。

上述文獻中有序充電控制方法主要基于數學優化模型，通過動態控制充電功率實現有序充電，但并不適用于大規模電動汽車有序充電的在線應用。同時，有序充電過程會頻繁調節充電樁充電功率，影響電池和充電機壽命，用戶支持度較低[14]。

因此，文中提出了一種基于思維進化算法(MEA)的有序充電控制策略：通過峰谷電價引導電動汽車負荷轉移。以用戶充電費用最小和充電站負荷峰谷差最小為目標函數，以充電站功率平衡及滿足用戶充電需求為約束條件，建立電動汽車有序充電控制的優化模型，采用MEA算法對模型優化計算，得到電動汽車的最優充電時段，由用戶自主響應，從而實現充電站內電動汽車的有序充電控制。

1 基于MEA算法的有序充電控制策略

文中提出的有序充電控制策略，主要是充電站根據峰谷電價和功率限制等條件，制定分時段充電計劃，期望用戶自主響應，通過電價引導達到降低峰谷差的目的。采用峰谷電價，是“電力需求側管理”的一種重要手段，也是引導電力用戶進行合理分時段用電的基本方式[15]。圖1為有序充電控制策略流程。

圖1 有序充電控制流程Fig.1 Flow chart of the proposed coordinated charging method

(1) 獲得充電需求數據。電動汽車接入充電樁，充電樁通過電動汽車的電池管理系統得到該車電池容量B和初始電池荷電狀態值S0，用戶通過客戶端輸入其預期停留時間TL與預期充電后電池荷電狀態值St。

(2) 計算預期充電時長。充電站的管理系統利用式(1)計算充電后電池荷電狀態值達到St時的預期充電時長Tg。

(1)

式中：「?為向上取整符號；Pe為充電樁輸出的恒定功率；Δt為每個時間段的長度，文中取15 min。

(3) 根據Tg計算結果，判斷是否為正常情況。定義TL內滿足負荷功率限制的時間段之和為充電站可充電時間Tp。如果TgTp，即充電站無法在TL內滿足用戶的充電需求，此情況為異常一；如果Tg

(4) 確定有序充電時間段。充電站利用電動汽車的充電需求與峰谷電價，采用MEA算法計算出有序充電時間段、有序充電費用及無序充電費用。

(5) 用戶自主響應充電模式。由用戶自主選擇有序或無序充電，充電站根據用戶選擇確定最終充電計劃，以實現電動汽車的有序充電控制。

(6) 異常情況處理。異常情況一：用戶可以選擇離開或繼續充電。若用戶想繼續充電，需要延長TL或者降低St。若用戶更改充電需求，則重復步驟(2)直到充電站可以滿足用戶的充電需求。異常情況二：用戶可以選擇無序充電、有序充電、更改數據或直接離開。由于不連續充電會對電動汽車電池造成一定損傷，故用戶對該充電方式的響應度較低。若用戶選擇無序充電，則充電樁立即開始為電動汽車充電，充電時自動跳過不滿足負荷約束條件的時間段；若用戶響應有序充電，則無法保證用戶連續充電，充電站系統會在充電站負荷最小的時間段內為電動汽車充電且該時段內為充電電價均為谷時電價，以補償不連續充電給用戶帶來的損害；若用戶選擇延長TL或者降低St，則重復步驟(2)，直到充電站可以滿足用戶的充電需求。

2 優化模型

2.1 目標函數

以用戶充電費用最少和充電站負荷峰谷差最小為目標函數，如式(2)所示。

(2)

式中：f1為用戶充電費用；cf為充電站峰時電價；cg為谷時電價；Tf，Tg分別為電動汽車在峰時段的充電時長和谷時段的充電時長；f2為充電站的負荷峰谷差；Pf為充電站負荷峰值；Pg為充電站負荷谷值。

2.2 約束條件

(1) 功率約束。

Pcmin

(3)

式中：P(i)為充電站第i時間段的功率;Pcmax為充電站可輸出的最大有效功率;Pcmin為充電站可輸出的最小有效功率。

(2) 荷電狀態值約束。充電結束時電動汽車電池荷電狀態需達到用戶預期電池荷電狀態值。

B(St-S0)≤ΔtNPe

(4)

式中：N為可安排充電的時間段數。

3 基于MEA算法的充電時間尋優

3.1 MEA算法

MEA算法由孫承意等人于1998年提出，并且已被成功應用到解決復雜的組合優化問題[16]。該算法將群體劃分為有生子群體和臨時子群體，在此基礎上定義的趨同和異化操作分別探測和開發解空間新的點，這兩種功能相互協調且保持一定的獨立性，便于分別提高效率。MEA可記憶不止一代的進化信息，這些信息可一直使趨同和異化向著有力的方向進行[17]。MEA算法流程如圖2所示。

圖2 思維進化算法流程Fig.2 Flow chart of MEA

(1) 種群的初始化：利用初始化種群產生函數產生大小為s的種群；利用子種群產生函數產生大小為b的優勝子種群和大小為t的臨時子種群；

(2) 趨同操作：在子群體范圍內，個體為成為勝者而競爭的過程叫趨同，一個子群體在趨同的過程中，若不再產生新的勝者，則稱該子群體已經成熟。當子群體成熟時，該子群體的趨同過程結束；

(3) 異化操作：各個優勝子種群和臨時子種群趨同操作完成后，便執行異化操作。在整個解空間中，各子群體為成為勝者而競爭，不斷的探測解空間中心點，此過程稱為異化；

(4) 判斷是否滿足終止條件：滿足迭代停止條件時，算法結束優化過程，否則返回步驟(2)；

(5) 輸出最優解：據編碼規則，對尋找到的最優個體進行解析，輸出最優解。

3.2 基于MEA算法的充電時間尋優

考慮到對電池性能的影響，充電策略要保證充電時間的連續性。將一天連續時間離散化為96個時間段。電動汽車用戶接入充電槍后，充電樁記錄電動汽車接入時間Ts，并從該車的電池管理系統獲取B、S0等信息，由用戶手動輸入TL、St等信息。其中Ts∈(1,2,...,96)，S0∈(0,1),St∈(0,1)。

實際上，利用MEA算法對電動汽車進行有序充電，就是在滿足約束條件的基礎上，找出最佳的充電開始時間Tb(Ts≤Tb≤(Ts+TL-Tg))，使得目標函數最優。文中采用MEA算法以充電開始時間后移的段數為目標函數的解。充電開始時間后移的段數確定之后，充電開始時間也就隨之確定。MEA算法中的每個個體代表一個后移的時間段數，即一個可行解。經過MEA算法的趨同和異化操作，可以找到使目標函數最優的可行解，即Tb。如果用戶響應有序充電，則在下一時間段更新充電站系統狀態，并且等待到Tb再進行充電；如果用戶不響應有序充電，從下一時間段開始更新充電站系統狀態，并且開始充電，按照峰值電價進行計價。但由于約束條件的限制，會出現MEA算法無解的異常情況。

4 算例仿真

為驗證基于MEA算法的有序充電控制策略的有效性，以北京市某電動汽車充電站為例進行仿真分析。由于目前電動汽車的充電費用和服務費用尚無統一標準，因此設置充電高峰電價cf為1.509 6元/(kW·h)，低谷電價cg為充電高峰電價的一半，即0.754 8元/ (kW·h)[14]。

表1為該充電站的充電需求調研情況，采用蒙特卡洛算法模擬600輛電動汽車充電日需求數據；MEA算法中設置種群大小s為100，優勝子種群b和臨時子種群t分別為5，迭代次數imax為30。利用MATLAB編程實現電動汽車的有序充電控制。

表1 電動汽車充電參數Table 1 Charging parameters of electric vehicles

不同用戶響應度下充電站電動汽車充電負荷曲線如圖3所示。可以看出，用戶響應度越高，負荷轉移效果越明顯。有序充電下，當只有20%的用戶響應時，充電站負荷轉移效果較差；當有50%的用戶響應時，負荷轉移效果一般；當有90% 用戶響應時，負荷轉移效果較好。即用戶響應度越高，系統的削峰填谷效果越明顯。

圖3 不同用戶響應度下負荷曲線對比Fig.3 Load curves underdifferent customer participation probability

現采用遺傳算法(GA)對電動汽車充電時間進行尋優，實現有序充電控制。GA算法的參數設置如下: 種群大小為100，迭代次數為30。比較GA與MEA兩種算法下不同用戶響應度時的負荷峰谷差，結果如表2所示?？梢钥闯觯憫认嗤瑫r，與GA算法相比，采用MEA算法時日負荷峰谷差較小，削峰填谷效果更好。

表2 不同響應度下負荷峰谷差對比Table 2 Comparation of maximum peak to valley difference under different customer participation probability kW

圖4為基于兩種算法得到的不同響應度下一天內電動汽車用戶總充電費用對比圖。可以看出，有序充電可降低用戶充電費用，且響應度越高，用戶充電花費越低。與無序充電相比，響應度為90%時，用戶充電費用降低較多；響應度為20%時，用戶充電費用降低較少。響應度相同時，與GA算法相比，采用MEA算法能使用戶充電費用更低，即MEA算法比GA算法更能有效降低用戶充電費用。

圖4 不同用戶響應度下用戶充電費用對比Fig.4 Comparation of charging fees of users under different customer participation probability

5 結語

文中以電動汽車的充電需求和充電站的功率限制為約束條件，以用戶充電費用最少和充電站負荷峰谷差最小為目標，提出了基于MEA算法的充電站有序控制策略。采用MEA算法對模型進行優化計算，并比較了采用MEA與GA兩種算法下的負荷峰谷差與用戶充電費用，結論如下：(1) 基于MEA算法的有序充電控制策略，在滿足客戶充電需求基礎上，可以實現電動汽車充電負荷轉移，提高充電站運行的穩定性，減少用戶充電費用；(2) 與GA算法相比，相同用戶響應度時，采用MEA算法的日負荷峰谷差更小，用戶充電費用更少。

[1] 張洪財, 胡澤春, 宋永華,等. 考慮時空分布的電動汽車充電負荷預測方法[J]. 電力系統自動化, 2014, 38(1):13-20.

ZHANG Hongcai, HU Zechun, SONG Yonghua, et al. Forecasting method of electric vehicle charging load considering time and space distribution [J]. Automation of Electric Power Systems, 2014, 38 (1): 13-20.

[2] 沈瓏桓, 宋國兵. 電動汽車電池更換服務收費標準研究[J]. 江蘇電機工程, 2013, 32(3):26-29.

SHEN Longhuan, SONG Guobing. Research on toll standard of electric vehicles battery swap service[J]. Jiangsu Electrical Engineering, 2013, 32(3):26-29.

[3] 俞豪君, 梁 茜, 許文超,等. 慢充和換電方式下的電動汽車充電負荷計算[J]. 江蘇電機工程, 2015, 34(2):58-61.

YU Haojun, LIANG Qian, XU Wenchao, et al. Charging load calculation of electric vehicles under normal charging mode and battery exchange mode[J]. Jiangsu Electrical Engineering, 2015, 34(2):58-61.

[4] 郭小強, 李 建, 王寶誠,等. 微電網暫態故障時電動汽車充電器動態行為研究[J]. 電器與能效管理技術, 2017(3):78-83.

GUO Xiaoqiang, LI Jian, WANG Baocheng, et al. Research on dynamic behavior of electric vehicle charger in transient fault of microgrid[J]. Low Voltage Apparatus, 2017(3):78-83.

[5] 涂軼昀, 李 燦, 承 林,等. 電動汽車接入電網及其對電力系統的影響[J]. 華東電力, 2011，39(7):1085-1088.

TU Yiyun, LI Can, CHENG Lin, et al. Vehicle-to-grid technology and its impact on power system[J]. East China Electric Power, 2011，39(7):1085-1088.

[6] 孫建龍, 李 妍, 胡國偉,等. 電動汽車接入對配電變壓器使用壽命的影響[J]. 高電壓技術, 2015, 41(11):3830-3835.

SUN Jianlong, LI Yan, HU Guowei,et al. Influence of electric vehicle access on service life of distribution transformer[J]. High Voltage Engineering, 2015, 41(11):3830-3835.

[7] 蔡亞楠. 電動汽車規模化充電對配電變壓器壽命的影響分析[D]. 重慶大學, 2016.

CAI Yanan. Analysis of influence of large-scale electric vehicle charging on life of distribution transformer[D]. Chongqing University,2016.

[8] 吳 凱, 程啟明, 白園飛,等. 電動汽車充電機的諧波分析與治理[J]. 電源技術, 2014, 38(9):1720-1722.

WU Kai, CHENG Qiming, BAI Yuanfei. et al. Harmonic analysis and control of electric vehicle charger[J]. Chinese Journal of Power Sources, 2014, 38(9):1720-1722.

[9] 陳奇芳, 劉 念, 陳 征,等. 考慮充電需求與隨機事件的光伏充電站實時運行策略[J]. 電工技術學報, 2016, 31(18):142-150.

CHEN Qifang, LIU Nian, CHEN Zheng, et al. Real-time operation strategy for PV-Based EV charging station considering charging demand and random events[J]. Transactions of China Electrotechnical Society, 2016, 31(18):142-150.

[10] 占愷嶠，宋永華，胡澤春，等． 以降損為目的的電動汽車有序充電優化[J]．中國電機工程學報，2012,32(31)：11-18．

ZHAN Kaiqiao, SONG Yonghua, HU Zechun, et al. Coordination of electric vehicle charging to minimizea ctive power losses [J]．Proceedings of the CSEE，2012,32(31):11-18.

[11] 羅卓偉，胡澤春，宋永華，等． 換電模式下電動汽車電池充電負荷建模與有序充電研究[J]．中國電機工程學報，2012，32(31)：1-10．

LUO Zhuowei，HU Zechun，SONG Yonghua，et al．Study on charging load modeling and coordinated charging of electric vehicles under battery swapping modes [J]． Proceedings of the CSEE ， 2012 ， 32(31): 1-12．

[12] 胡海彬. 電動汽車充電站功率控制策略研究[D]. 電子科技大學, 2011.

HU Haibin. Research on power control strategy of electric vehicles in charging station [D]. University of Electronic Science and Technology of China, 2011.

[13] SORTOMME E, HINDI M M, MACPHERSON S D J, et al. Coordinated charging of plug-in hybrid electric vehicles to minimize distribution system losses[J]. IEEE Transactions on Smart Grid, 2011, 2(1):198-205.

[14] 徐智威, 胡澤春, 宋永華,等. 基于動態分時電價的電動汽車充電站有序充電策略[J]. 中國電機工程學報, 2014, 34(22):3638-3646.

XU Zhiwei, HU Zechun, SONG Yonghua,et al. Coordinated charging of electric vehicles in charging station[J]. Proceedings of the CSEE, 2014, 34(22): 3638-3646.

[15] 葛少云,郭建祎,劉 洪, 等. 計及需求側響應及區域風光出力的電動汽車有序充電對電網負荷曲線的影響[J]. 電網技術,2014,38(7): 1806-1811.

GE Shaoyun, GUO Jianyi, LIU Hong, et al. Considering the demand response and regional landscape output orderly charging of electric vehicle impact on the load curve of power grid [J]. Power System Technology, 2014,38(7):1806-1811.

[16]艾格林, 孫永輝, 衛志農,等. 基于MEA-Elman神經網絡的光伏發電功率短期預測[J]. 電網與清潔能源, 2016, 32(4):119-125.

AI Geling,SUN Yonghui, WEI Zhinong, et al. Photovoltaic power prediction MEA-Elman neural network based on short-term[J]. Power System and Clean Energy, 2016, 32 (4): 119-125.

[17] LIU H, TIAN H, LIANG X, et al. New wind speed forecasting approaches using fast ensemble empirical model decomposition, genetic algorithm, mind evolutionary algorithm and artificial neural networks[J]. Renewable Energy, 2015, 83:1066-1075.

余曉玲

余曉玲(1995—)，女，青海海東人，工學碩士，研究方向為新能源發電控制技術、儲能系統性能評估等(E-mail：ldyzyxl@163 .com)；

余曉婷(1997—),女,青海海東人，工科學士，研究方向為電氣工程及其自動化、大規模儲能技術(E-mail:ldyzyxl@126.com)；

韓曉娟(1970—)，女，吉林吉林人，教授，研究方向為新能源發電控制技術、儲能系統性能評估等(E-mail： wmhxj@163.com)。

(編輯方 晶)

ACoordinatedChargingStrategyforPEVChargingStationsBasedonMindEvolutionaryAlgorithm

YU Xiaoling1, YU Xiaoting2, HAN Xiaojuan1

(1. School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China;2. School of Water Conservancy and Electric Power, Qinghai University, Xining 810016, China)

A large number of electri c vehicles connected to charging stations will increase the peak-valley difference and affect the safe and stable operation of the electric vehicle charging stations. Thus a coordinated charging strategy for plug-in electric vehicle (PEV) charging stations based on Mind Evolutionary Algorithm (MEA) is proposed. The strategy set minimum customer charging costs and minimum peak-valley difference as objective function. The optimal charging period of electric vehicles is calculated dynamically by using MEA. Customers decide whether or not to respond to peak-valley prices and to delay their charging to lower price periods by themselves. The charging coordination of electric vehicles is then realized. In order to verify the effectiveness of the proposed strategy, the Monte Carlo simulation method was utilized to generate the charging needs of customers based on actual customer charging behaviors. The distribution transformer load profiles, customer charging costs were simulated under uncoordinated and coordinated charging scenarios correspondingly. Simulation results indicate that under the proposed coordinated charging control strategy, customer charging costs can be greatly reduced and the peak shaving of distribution transformer loading profile can also be achieved; compared with genetic algorithm, the effect of MEA is better.

plug-in electric vehicle (PEV) charge station; Monte Carlo simulation; MEA; coordinated charging strategy；peak and valley electric charges

TM73

A

2096-3203(2017)06-0058-05

2017-07-10；

2017-08-07

國家自然科學基金資助項目 (51577065)