基于改進(jìn)人工蜂群算法的電動汽車充電策略優(yōu)化

劉華鋒，張翀，張迪，許寅皓，顧一鳴，劉秦娥

（1．國網(wǎng)湖北省電力有限公司襄陽供電公司，湖北 襄陽 441002；2．先進(jìn)輸電技術(shù)國家重點實驗室（國網(wǎng)智能電網(wǎng)研究院有限公司），北京 102209；3．直流電網(wǎng)技術(shù)與仿真北京市重點實驗室（國網(wǎng)智能電網(wǎng)研究院有限公司），北京 102209）

隨著我國國民生活質(zhì)量的提高，汽車產(chǎn)業(yè)呈迅速發(fā)展?fàn)顟B(tài)，然而汽車在為人們帶來便利的同時，也加劇了能源安全和環(huán)境污染之間的矛盾。這時以電動汽車為代表的新能源汽車受到了工業(yè)界的廣泛關(guān)注，電動汽車是一種高效環(huán)保的綠色出行工具，不僅可以避免霧霾等空氣污染，而且可以降低汽車對石油能源的依賴。電動汽車的普及雖然可以促進(jìn)我國能源格局的轉(zhuǎn)變，但大量電動汽車接入電網(wǎng)，對整個電力系統(tǒng)的穩(wěn)定性以及安全可靠性產(chǎn)生了重大影響，電力汽車的無序充電導(dǎo)致電力負(fù)荷劇增，為電網(wǎng)帶來更多的諧波污染，同時我國需要新增更多電站來滿足電動汽車的電能需求，造成了嚴(yán)重浪費。因此，綜合考慮城市電網(wǎng)運行安全，合理規(guī)劃電動汽車充電策略成為眾多學(xué)者研究的焦點，文獻(xiàn)[1]中為滿足更多用戶的充電需求，設(shè)計了一種雙目標(biāo)分層優(yōu)化的電動汽車有序充電控制策略；文獻(xiàn)[2]中設(shè)計了充電模式優(yōu)化充電策略，有效降低了電動汽車充電費用。本文針對此課題展開以下探討。

1 獲取電動汽車出行時間概率密度

電動汽車充電負(fù)荷特性[3]是本文研究充電策略優(yōu)化的必要條件，由于電動汽車充電的時間不固定，本章從關(guān)鍵因素的電動汽車出行時間入手。根據(jù)居民出行調(diào)查數(shù)據(jù)顯示，電動汽車主要用于上下班通勤、接送孩子上下學(xué)、節(jié)假日出游、購物休閑等，并且大多數(shù)用戶會在到達(dá)目的地之后立刻對電動汽車進(jìn)行充電，所以本文將電動汽車到達(dá)時間當(dāng)作充電起始時間。為了獲取電動汽車出行時間概率密度，將家作為行程的起訖點，結(jié)合上述出行目的，構(gòu)建電動汽車出行鏈結(jié)構(gòu)如圖1所示。

圖1 以家為起訖點的電動汽車出行鏈結(jié)構(gòu)圖

由圖可知，在一個區(qū)域內(nèi)，電動汽車出行于這四類不同目的地之間，其充電行為也發(fā)生在這四類目的地。電動汽車每一段行程的結(jié)束時間以及電動汽車的充電時間是隨機(jī)的，因此本文結(jié)合傳統(tǒng)燃油汽車出行時間規(guī)律，對其行程結(jié)束時間數(shù)據(jù)進(jìn)行擬合，發(fā)現(xiàn)電動汽車的出行時間滿足正態(tài)分布，那么獲取電動汽車出行時間概率密度的函數(shù)式如下所示：

式中，G（t）表示電動汽車出行時間t的概率密度參數(shù)，α、β分別表示電動汽車車主行程結(jié)束時間概率擬合曲線圖的形狀參數(shù)與尺度參數(shù)。如圖1所示的電動汽車出行鏈結(jié)構(gòu)中，電動汽車兩段行程結(jié)束時間之間存在約束關(guān)系，也就是當(dāng)前行程結(jié)束時間應(yīng)晚于上一段行程結(jié)束的時間，所以可以利用上一段行程結(jié)束時間的擬合曲線尺度參數(shù)對當(dāng)前數(shù)據(jù)做出對應(yīng)的修正。本文通過式（1）獲取出行時間概率密度數(shù)據(jù)，作為計算電動汽車充電負(fù)荷需求的重要影響因素之一。

2 獲取電動汽車電池充電特性

目前我國電動汽車普遍使用鋰離子電池，并采取恒流加恒壓兩階段充電[4]方式來延長電池使用壽命，就是在電動車充電前期使用恒流充電形式，等動力電池的電壓提升到極限時變?yōu)楹銐撼潆娦问剑@樣可以有效克服電動車充電過程中的電流過大問題，從而保護(hù)電池。因此，本文在獲取電動汽車電池充電特性時，基于恒流－恒壓形式來計算其充電功率，參考某應(yīng)用鋰離子電池的電動汽車動力電池規(guī)格，獲取該電動汽車充電功率變化情況如圖2所示。

圖2 鋰離子電池充電功率曲線圖

由圖可知，鋰離子電池在充電時，前期恒流階段很快就進(jìn)入穩(wěn)定狀態(tài)，而后期恒壓階段的持續(xù)時間較短，電動汽車充電功率很快衰減至零。那么本文刻畫鋰離子電池充電過程的表達(dá)式如下：

式中，U表示電動汽車鋰離子電池兩端的電壓參數(shù)，E表示鋰離子電池的恒定電勢參數(shù)，L表示鋰離子電池的額定容量參數(shù)，I表示電動汽車充電的電流參數(shù)，C表示鋰離子電池的極化常數(shù)值；R表示鋰離子電池的內(nèi)阻參數(shù)，C1、C2分別表示鋰離子電池充電指數(shù)段的兩個常數(shù)值，Z表示電動汽車鋰離子電池的起始狀態(tài)參數(shù)。根據(jù)式（2）獲得鋰離子電池的充電功率為：

一般情況下，電動汽車會給出電池型號，根據(jù)型號就可以確定電池的 E、L、C、R、C1、C2數(shù)據(jù)，進(jìn)而推導(dǎo)出電動汽車電池的充電功率特性，以此作為計算充電負(fù)荷需求的另一個影響因素。

3 計算電動汽車充電負(fù)荷需求

在計算電動汽車充電負(fù)荷需求[5]時，本文綜合電動汽車的充電時間和動力電池充電特性等因素，引入蒙特卡羅法模擬電動汽車行駛時間、行駛里程以及電動汽車充電功率的分布情況。利用蒙特卡羅法來計算電動汽車充電負(fù)荷需求的步驟如下：首先假設(shè)充電的電動汽車數(shù)量為n，同時控制電動汽車充電的起始時間數(shù)組與持續(xù)時間數(shù)組之中的電動汽車出行時間概率密度函數(shù)樣本數(shù)量為n；然后通過一個容量為24×n的二維數(shù)組來描述電動汽車每天的充電狀態(tài)，如果數(shù)組為1則處于充電狀態(tài)，電網(wǎng)供給電力負(fù)荷，如果數(shù)組為0則處于未充電狀態(tài)，電網(wǎng)停止供給電力負(fù)荷，由此獲得第h臺電動汽車在t時的充電負(fù)荷需求為：

式（4）中，m表示電動汽車充電持續(xù)時間數(shù)組中結(jié)果為1的數(shù)量，P0表示第h臺電動汽車的恒功率參數(shù)。根據(jù)式（4）進(jìn)而計算n臺電動汽車的總充電負(fù)荷需求為：

當(dāng)城市中電動汽車數(shù)量日益龐大時，其自由無序充電負(fù)荷將為電網(wǎng)負(fù)荷峰谷差增加嚴(yán)重負(fù)擔(dān)，所以本文計算電動汽車充電負(fù)荷需求，作為充電策略優(yōu)化的基礎(chǔ)。

4 基于改進(jìn)人工蜂群算法建立優(yōu)化模型

城市電網(wǎng)理想的運行方式就是實現(xiàn)供電負(fù)荷與電動汽車充電負(fù)荷需求的平衡[6]，為了保證電網(wǎng)運行的安全性與穩(wěn)定性，同時促使電網(wǎng)與電動汽車用戶兩者之間利益最大化，本文將基于多目標(biāo)函數(shù)來建立電動汽車充電策略優(yōu)化模型。由于多目標(biāo)的優(yōu)化模型會造成局部極值以及梯度下降等問題，所以在模型中引入改進(jìn)人工蜂群算法[7]來解決多目標(biāo)函數(shù)的偽收斂問題。人工蜂群算法是一種基于蜜蜂采蜜機(jī)理而提出的優(yōu)化算法，采蜜通常由采蜜蜂、觀察蜂以及偵察蜂來共同實現(xiàn)，其工作過程如圖3所示。

圖3 蜜蜂采蜜過程圖

由圖可知，偵察蜂主要負(fù)責(zé)隨機(jī)搜索新蜜源，然后在固定區(qū)域?qū)⒚墼葱畔⒎窒斫o觀察蜂，而這時觀察蜂根據(jù)信息選擇蜜源，再將此蜜源信息傳遞給采蜜蜂，由采蜜蜂負(fù)責(zé)選擇蜜源采蜜，以此獲得多目標(biāo)問題的最優(yōu)解。然而此算法中的偵察蜂搜索機(jī)制較為單一，沒有最優(yōu)記憶參與，容易獲得局部最優(yōu)解，所以本文融入遺傳算法交叉進(jìn)化理念來改進(jìn)人工蜂群算法，通過觀察蜂對鄰域搜索后蜜源結(jié)果之間的交叉進(jìn)化，獲得最優(yōu)解記憶，以此保證算法對最優(yōu)解的全局搜索能力，用公式表示為：

式中，Y′表示改進(jìn)后的采蜜蜂種群數(shù)據(jù)，Y表示改進(jìn)前的采蜜蜂種群數(shù)據(jù)，δ表示解的適應(yīng)度函數(shù)值，y表示偵察蜂的全局搜索最優(yōu)記憶數(shù)據(jù)。本文同時電網(wǎng)負(fù)荷峰值和電動汽車充電成本，建立的電動汽車充電策略多目標(biāo)優(yōu)化模型為：

式中，f1表示電網(wǎng)負(fù)荷均方差優(yōu)化模型，f2表示電網(wǎng)負(fù)荷均峰比優(yōu)化模型，f3表示電動汽車充電費用優(yōu)化模型，Pth表示電動汽車h在t時間的充電負(fù)荷參數(shù)，Pt表示電網(wǎng)的基礎(chǔ)負(fù)荷參數(shù)，表示電動汽車一天24小時內(nèi)充電負(fù)荷平均值，Mth表示電動汽車h在t時間的充電費用參數(shù)，Mmax表示電動汽車充電費用中分時電價的最大值，W表示充電站的標(biāo)志位，t1表示電動汽車充滿電所需要的時間參數(shù)。然后在此模型中引入改進(jìn)人工蜂群算法，將多目標(biāo)模型轉(zhuǎn)換為單目標(biāo)，如式（8）所示：

式中，ω1、ω2、ω3分別表示電動汽車充電策略的多目標(biāo)優(yōu)化模型的加權(quán)系數(shù)值。改進(jìn)人工蜂群算法主要就是優(yōu)化多目標(biāo)模型的解，通過引入ω1、ω2、ω3這三個數(shù)值，將多目標(biāo)模型組成一個單目標(biāo)模型，同時輸出最優(yōu)的充電策略，以此實現(xiàn)電動汽車充電策略優(yōu)化。

5 仿真實驗

為了驗證本文所提策略的可行性，選取基于利益鏈的電動汽車充電策略優(yōu)化方法和基于DDPG算法的電動汽車充電策略優(yōu)化方法，利用Matlab軟件模擬電動汽車充電情況來進(jìn)行對比實驗，所模擬的配電網(wǎng)線路分布結(jié)構(gòu)如圖4所示。

圖4 電網(wǎng)線路節(jié)點拓?fù)浣Y(jié)構(gòu)圖

在如圖4所示的配電網(wǎng)下接入電動汽車進(jìn)行模擬實驗，實驗相關(guān)參數(shù)設(shè)置如表1所示。

表1 電動汽車充電實驗參數(shù)表

根據(jù)表中參數(shù)來模擬城市電動汽車充電，前半個月內(nèi)模擬電動汽車無序充電情況，后半個月分別用上述三種方法對充電策略進(jìn)行優(yōu)化，根據(jù)優(yōu)化后的表現(xiàn)來判斷本文所提方法的優(yōu)化效果。那么獲得不同優(yōu)化策略下的每日配電網(wǎng)負(fù)荷變化情況如圖5所示。

圖5 配電網(wǎng)負(fù)荷變化曲線圖

由圖5可知，無序充電策略可以滿足電動汽車的充電需求，不過會造成配電網(wǎng)負(fù)荷的峰谷差較大，電力系統(tǒng)穩(wěn)定性較差。利用這三種方法對充電策略進(jìn)行優(yōu)化之后，電網(wǎng)負(fù)荷的峰谷差均出現(xiàn)降低現(xiàn)象，其中基于利益鏈的優(yōu)化策略下電動汽車充電負(fù)荷峰谷差降低了269．8kW，基于DDPG算法的優(yōu)化策略下電動汽車充電負(fù)荷峰谷差降低了346．6kW，本文所提策略下的電動汽車充電負(fù)荷峰谷差降低了449．2kW，較其他兩種方法分別多179．4kW、102．6kW，由此可以說明本文所提基于改進(jìn)人工蜂群算法的優(yōu)化策略具有更明顯優(yōu)化效果，且可以有效降低電網(wǎng)的負(fù)荷波動、提升電網(wǎng)穩(wěn)定性。

6 結(jié)論

電動汽車的普及是環(huán)境安全和市場趨勢等因素共同推動的必然結(jié)果，針對電動汽車的無序充電大幅增加、電網(wǎng)負(fù)荷峰谷差等問題，本文基于電動汽車充電的負(fù)荷需求，從電網(wǎng)與電動汽車用戶兩個角度出發(fā)，建立電動汽車充電策略優(yōu)化模型，結(jié)合改進(jìn)人工蜂群算法將多目標(biāo)優(yōu)化模型轉(zhuǎn)換為單目標(biāo)優(yōu)化模型，進(jìn)而獲得電動汽車最優(yōu)充電策略。并通過仿真實驗結(jié)果，展現(xiàn)了本文所提充電策略優(yōu)化方法的實際應(yīng)用價值。未來如果出現(xiàn)更新的電動汽車數(shù)據(jù)，將綜合考慮實際電網(wǎng)結(jié)構(gòu)，繼續(xù)深入研究電動汽車充電策略優(yōu)化方案，為保障我國電網(wǎng)穩(wěn)定運行做出貢獻(xiàn)。