面向汽車充電預約的光儲充電站能量調度策略

趙文薇，林 兵，2，盧 宇，，王明芬

（1.福建師范大學 物理與能源學院，福州 350117；2.北京大學 信息科學技術學院，北京 100871；3.福建師范大學 協和學院，福州 350117）

0 概述

2019 年全球一次能源利用中，84%來自化石能源［1］。中國是世界最大的能源生產國和消費國，2020 年碳排放占全球碳排放總量的31%，居第1 位［2］。而汽車，是交通領域二氧化碳的主要排放源。新能源電動汽車（Electric Vehicle，EV）的普及可以有效減少二氧化碳排放，降低碳污染和汽車的運行成本［3］。汽車電動化無疑是交通領域實現“碳達峰、碳中和”目標的主要路徑［4］。

推進EV 推廣普及的關鍵因素是其充電的便捷性。目前，公認最具應用前景的解決方案是EV 的能源補給基礎設施——光儲充電站（Photovoltaic Storage Charging Station，PSCS）的合理 化部署［5］。大量EV 的不協調充電行為可能對電力質量和電網整體穩定性構成重大沖擊，形成高峰，降低儲備利潤，擾亂供需，影響電壓［6］。同時，隨著以光伏（Photovoltaic，PV）、風電為主要形式的分布式能源和儲能技術的快速發展［7］，帶儲能系統（Energy Storage System，ESS）的PSCS［8］為應用調峰和需求響應策略提供了可能，能夠實現分布式能源、儲能、智能充電相互協調支撐的綠色運行模式。

PSCS 在滿足EV 負荷需求的同時，通過合理吐納PV，控制儲能系統在負荷低谷時間片充電，在較高的銷售價格下實現多余能源到電網，以降低需求側峰谷差、提高電力供需平衡，達到降低成本、安全運行的目的。為了描述這種動態調度，系統內供應和需求之間的能量交互可以建模為能量管理模型。針對能量管理，ALUISIO 等［9］對EV 日常運行和PV產量預測的運營成本進行了研究，提出了種供EV 的直流微電網運行優化規劃的方法。DICORATO等［10］考慮模塊化電動汽車供應基礎設施的結構，進行協調控制及設計雙向充電功能，但沒有考慮EV 充電規劃。RAFIQUE 等［11］提出一種基于實編碼GA 算法的優化模型來優化能源的調度。作為凸規劃問題，YAN 等［12］考慮EV 充電需求、PV 的不確定性，使用隨機規劃模型，但對EV 充電規劃沒有進行具體研究。LUO 等［13］重點從多類型充電設施出發考慮其年社會成本，建立了混合整數二階段規劃優化問題。BIYA 等［14］采用基于最大功率跟蹤、PID 和電流控制策略的充電站設計方法，實現分布能量管理。YAN 等［15］考慮PV 發電和充電需求的不確定性，但同樣沒有考慮細化充電規劃。ZHENG 等［16］重點研究了配電網潮流和母線電壓約束的多電動汽車充電站在線最優充電策略，但未考慮需求端充電規劃。曹凌捷［17］針對目前充電站負荷高峰與電源出力不匹配的特點，重點分析如何對系統中的供電側進行能量管理。陳理寧等［18］兼顧PV 出力、電動汽車充電功率及儲能充放電狀態，采用多目標帕累托優化模型，并采用NSGA-Ⅱ算法進行求解。張麗娜等［19］構建以系統總運行成本最小為目標的優化模型，用粒子群優化算法進行求解。禹威威等［20］綜合多因素構建了在分時電價和需求側響應機制下的多目標優化模型，使用非支配排序遺傳算法進行優化求解。王守相等［21］建立了提升配電網靈活性的兩階段優化模型，構建了基于蒙特卡洛樹搜索的EV 有序充電模型，采用粒子群優化算法進行優化求解。SARKER 等［22］考慮儲能系統的損耗成本、EV 的隨機能源需求以及儲能調度的魯棒性，提出集群管理框架，以最小化EV 充電站運營成本。陳剛等［23］針對系統分散分布的特點，考慮儲能電池的壽命損耗成本，提出基于多智能體一致性算法的儲能單元分布式協同控制策略。LUO 等［24］采用隨機動態規劃和貪婪算法計算充分充電價格。郝越等［25］對于調度模型采用GA 對以單日利潤最大為目標函數進行求解。江宏玲等［26］考慮儲能系統的購電成本和未來一段時間的運行收益，但未考慮需求端充電規劃。

目前關于PSCS 的能量管理研究較多，其中部分針對EV 需求側進行優化調度，也有一些針對PV 產量預測和系統約束優化，相比，較少學者在能量優化過程中針對充電規劃進行優化調度，關于需求端和能源端前后配合的優化工作也比較少。因此，考慮到今后大規模的充電需求和時間約束，在滿足EV 充電需求的情況下，實現預約機制下PSCS 的EV 充電負荷調度和能量管理愈發重要。

基于上述研究現狀，本文對儲能系統調度和充電策略展開研究，本文研究通過PSCS 系統模型，考慮預約車輛充電的時機、功率調配和能量調度，以充電形式和能源調配的協作來實現能量調度的流動性。此外，提出基于帶精英策略的遺傳算法的混合遞推優化策略（Elitist Genetic Algorithm Hybrid Recursive，EGAHR），即一種在PSCS 系統中考慮充電規劃的能量調度優化的機制。采用貪婪決策方法對系統能源進行調度，滿足EV 的充電要求，并最小化電網側成本。同時，EGAHR 策略利用最佳擬合的思想來優化調度，以保證系統可以找到最佳能量調度策略。最后，基于PSCS 歷史數據和數據集，通過模擬不同系統配置下的能量調度和效果變化進行仿真實驗，驗證EGAHR 策略的效果。

1 系統模型和問題定義

PSCS 系統主要包含電網、ESS、PV、負荷單元和其他電子設備。負荷單元包含基礎負荷和EV 充電負荷，可由PV、ESS 和電網協同供電。作為充電負荷的輸入口，充電樁為EV 提供充電服務，同時收集EV 充電信息。

圖1 是PSCS 系統架構，由圖1 可知，電網和ESS通過AC-DC 轉換器接入，PV 通過DC-DC 轉換器連接到母線。能量管理系統（Energy Management System，EMS）內部基于EGAHR 算法設定能量調度策略。為了確保EV 充電的服務質量，假設每階段EV 數不大于充電樁數。

圖1 PSCS 系統架構Fig.1 Architecture of PSCS system

圖2 進一步展示了PSCS 系統能量流調度細節。在PSCS 系統的日常運行中，EMS 系統獲取PV 發電、儲能狀態、EP、EV 等相關信息，并管理所有EV 的充電過程，實現充電能源的調度策略制定。PV 輸出優先服務需求負荷，過剩能量存儲到ESS 或反饋到電網。當PV 輸出不能滿足負荷需求時，則由電網或ESS 來供給。ESS 的關鍵作用是在低EP 時期存儲電網電力或多余的PV 發電，并在高EP 時放電，利用峰谷差進一步減少成本。為避免PV 波動性的影響，上述運行假設PV 已知，而考慮充電規劃的能量調度策略和算法，將在下一節介紹。

圖2 PSCS 系統的能量流調度Fig.2 Energy flow scheduling for PSCS system

圖3 EV 充電時段關系示意圖Fig.3 Schematic diagram of EV charging time relationship

1.1 EV 預約充電模型

EMS 系統根據EV 預約信息（充電需求、到達時間和離開時間），在合適的時間以合適的充電模式來選擇合適能源充電，達到削峰填谷目的的同時，降低車主充電費用和運營商的成本。假設：EV 離開前的荷電狀態（State of Charge，SOC）達到100%，為簡化實際模型，忽略EV 和儲能中電池的效率和壽命造成的成本影響。

EV 的充電模式分快充P1和慢充P2兩種，同時采取智充策略。若平行充電車輛過多導致用電緊張，達到上限而采取錯峰供電，則階段性調節慢充為第3 種零功率P0充電。EVi的停車時間和充電需求分別表示為tp,i和Ro,i，快充和慢充的充電時間分別由t1和t2表示，充電樁的輸出功率決定于停車時間和滿足需求用快慢充電方式所用時間的關系。當一段時間需求能量負荷達到最大限制時，使充電設施被飽和占用或EV 充電時間過少等情況統稱為其他狀態。充電功率的表達式如式（1）所示：

對于慢充的EV，EMS 系統可以通過間斷控制將充電時間調整到低EP 時間片。對于快充的EV，一旦開始充電，過程將不會中斷，EMS 在優化調度中只需要確定何時開始充電即可。

1.2 需求計算

對于EVi，本文假設EV 的充電完成時間可以早于其斷開時間，但不能超過用戶定義的斷開時間。EV 停車時間和充電時間關系的示意圖如圖4所示。

圖4 EV 停車時間和充電時間關系的示意圖Fig.4 Schematic diagram of relationship between parking time and charging time of EV

設I表示整個期間預約充電EV 的預期總量。本文用I×T的邏輯矩陣W（0-1）記錄在不同時間片EV的充電狀態，如圖5 所示是EV 充電狀態示意圖。有如下EV 充電狀態的二元變量wi,t：

圖5 EV 充電狀態示意圖Fig.5 Schematic diagram of EV charging state

其中：[Ai,Di]表示EVi的接入時間片范圍；nc,i表示EVi完成充電任務的時間片個數。nc,i的計算過程為：

此時，考慮到包括空調散熱、設備運轉等的基礎負荷Lbase,t，在t時間片用電總負荷PEVA,t為：

其中：PEV,t表示t時間片的EV 負荷，通常情況下，由于EV 預約信息的差異性，智充策略的充電決策受直接影響。

1.3 能量供應模型

為滿足EV 的充電需求，在PSCS 內部由能源相互調度供應。因此，根據功率守恒約束，在t時間片內本文有：

其中：PEVA,t表示包含EV 負載的總負荷；PESS,EVA,t表示由ESS 供電；PPV,EVA,t表示 由PV 供電；PGrid,EVA,t表示由電網供電。

1.3.1 ESS 模型

設SSOC,t為ESS 在t時間片的荷電狀態，其范圍為0～1，可由ESS 在t時間片的剩余電量ERem,t和總容量ETotal來計算，如式（11）所示：

在ESS 充放電過程中，電池荷電狀態隨著能量的流入流出呈現動態變化。本文用ΔPESS,t表示ESS輸入功率Pc,ESS,t和輸出功率Pd,ESS,t之差，另外，ESS 的輸入輸出功率由于化學能電能轉化，存在一定的損耗，本文用μESS,c表示輸入的損耗系數，用μESS,d表示輸出的損耗系數。因此，ESS 在充放電過程中，SOC的動態調整如下所示：

其中：PPV,ESS,t、PGrid,ESS,t分別表示t時間片PV、電網給ESS 的電能；PESS,Grid,t表示ESS 給電 網的電能。

1.3.2 PV 模型

由于PV 在未來很難采集到太陽能的準確值，EMS 通過歷史數據估算的PV 數據進行調度管理。PV 首先可以為EV 供電，多余電力存儲在ESS 中，或在適當時候出售給電網。它們之間的能量平衡式如式（16）所示：

其 中：PPV,t為t時間片PV 的總發電量；PPV,EV,t是t時 間片PV 給EV 的能量；PPV,ESS,t是t時間片PV 給ESS 的能量；PPV,Grid,t是t時間片PV 給電網的電量。

1.3.3 電網模型

EV 或ESS 可以直 接由電 網供電，ESS 和PV 也可以將多余的電力在適當的時間片出售給電網。因此，t時間片的電網側能量可表示為：

其中：PGrid,b,t和Ps,Grid,t分別表示t時間片從電網購買和向電網出售的功率。

1.4 優化目標和約束條件

本文EMS 的目標是為平滑電網充電負荷，基于分時EP 滿足所有EV 充電需求的同時，使PSCS 系統效益最大化，圖6 為多種分布能源調度流程。由圖6可知，PSCS 的效益取決于能源成本和收益。收益根據預約機制EV 信息的確定為常量，本文考慮減小成本使效益最大化。由于PV 安裝后太陽能的收集成本較低，因此只考慮來自電網的電能成本。

圖6 多種分布能源調度流程Fig.6 Procedure of multi-distributed energy dispatch

本文尋找一個最優的智充策略，使來自電網的能量成本最小。令WI,T={wi,1,wi,2,…,wi,T,?i}表示調度EV 所有時間片的充電決策。EV 充電的調度優化問題可表示為：

其中：fCOST表示需優化的總成本；Yb,t和Ys,t表示t時間片從電網購電和向電網售電的EP；電網、儲能、充電樁可用功率的上限，分別用PGrid,max、PESS,max、Pch,max表示；QESS,max表示儲能的存儲容量最大限制；wi,t為決策變量；zt表示基礎負荷變量。限制包括ESS 充放電約束條件、電網的功率約束、充電樁的功率約束、ESS運行荷電狀態、存儲容量、功率等以及ESS 充放電動作的互斥約束、負載約束。已知預測PV 發電量和基于預約機制的所有EV 的充電需求和接入時間片范圍，充電調度優化問題為凸優化問題，通過現有的集中算法和策略進行求解。

2 基于EGA 的混合遞推優化策略

本文基于帶精英保留策略的遺傳算法（Elitist Genetic Algorithm，EGA），以最小化電網成本fCOST為目標制定適應度函數，考慮EV 充電規劃，通過混合遞推優化策略進行能量調度。優化調度算法機制流程如圖7 所示，依據傳統GA 算法調整優化參數以適應模型，將改動的代碼代入尋優更新即可。

圖7 優化調度算法機制流程Fig.7 Procedure of optimal scheduling algorithm mechanism

2.1 EGA 算法

EGA 算法是對原始遺傳算法（Genetic Algorithm，GA）的改進，能更好地搜索全局最優解，彌補現有算法的不足，找到更好的解空間。

2.1.1 問題編碼

問題編碼影響了EGA 算法的可搜索性，要求EGA 算法滿足3 個基本條件：完整性、非冗余、可行性。受文獻［27］的啟發，采用離散編碼方式來構建I×T維候選解染色體，每個染色體代表問題的一個候選解，即一個調度結果。染色體在問題空間中迭代更新，得到更優的染色體。

假設染色體個體數量為C，迭代次數N，則迭代n時第c個體EVi的充電狀態表示為wi,t,n,c，矩陣可以表示為Wn,c，如式（21）所示：

2.1.2 適應度函數

為了評價個體的績效，本文使用式（22）計算每個個體的適應度值，即Ffitness。其中μ為防止適應度值為負的系數。φ和ζ是懲罰因子，當PGrid,t>PGrid,max時，φ是一個大正數。當PGrid,t≤PGrid,max時，φ=1。同理當PEV,t>PEV,max時，φ是一個大正數。當PEV,t≤PEV,max時，ζ=1。通過設置懲罰因子φ和ζ，可以在搜索過程中有效排除不符合限制條件的個體。

2.1.3 更新策略

本文采用錦標賽選擇法對遺傳基因進行選擇。從種群中隨機選擇大小為k的個體群（個體被選擇的概率相同），選擇適應度最好的個體作為生成下一代的父體，重復操作直到新的種群規模達到原來的種群規模。通過單點交叉對選出個體進行交叉操作，發生概率為Pc，一般Pc范圍設置為0.7～0.9。變異概率Pm，由于實際中變異的可能性非常小，一般將Pm范圍設置為0.01～0.20。如圖8 所示為變量變異示意圖，通過變異來隨機改變這些個體中0 和1 的數量，為不在當前種群中的個體提供一個機會，可以有效避免局部最優，擴大種群范圍使算法的全局優化功能提升。

圖8 變量變異示意圖Fig.8 Schematic diagram of variable variation

如圖9 所示為EGA 算法流程。將每代種群進化中搜索到的最優適應度值的個體best 保存為精英個體，再對剩下的個體進行遺傳操作，以此避免目前種群中最好的基因受到丟失和破壞。采用EGA 擬合模型參數具有如下優點：1）保留傳統GA 的可并行性，算法效率高，節省了尋優的時間；2）精英保留策略的引入，提高了傳統GA 的搜索速度，全局收斂性更快。

圖9 EGA 算法流程Fig.9 Procedure of EGA algorithm

2.2 混合遞推策略

混合遞推策略即考慮充電規劃的能量調度策略，包含EV 需求側的充電規劃和能量調度過程。在不同的時間片內，PSCS 的能量調度將發生變化，有以下變化情況：車輛的充電時段；ESS 的充放電數據；PV 流向數據；電網取電數據。

2.2.1 EV 需求側的充電規劃算法

本小節基于預約信息進行充電規劃初步設定（充電功率的快慢和時段），具體將在在算法1 中給出。首先根據預約信息，按照EV 的需求設置充電量和停車時間，計算車輛分別采取快充和慢充兩種充電方式的時間情況，生成EVs 的充電狀態邏輯矩陣，為確定車輛的最佳充電方式做基礎準備。

算法1EV 需求側的充電規劃算法

2.2.2 能量調度算法

能量調度算法設計采用貪婪決策方法對系統能源進行調度，考慮到最小化棄光，本文優先決策PV，基于PV 發電已知和算法1 中EV 需求側充電規劃，算法2 給出能量調度策略。首先，進行無ESS 下的充電優化，確保首先使用PV 為EV 充電。其次，找出優化區間內是否有多余PV 功率，多余功率將在合適的充電時間片向ESS 充電或在合適的銷售時間片向電網出售。然后，根據EP 確定ESS 充放電周期，高EP 時期放電，低EP 時期充電。接著，基于更新后的PGrid和PESS，采用EGA 求解優化問題。最后，根據輸出的最優個體更新EV 充電規劃。EMS 控制每臺EV 的運行并記錄其工作狀態。

算法2能量調度算法

3 實驗結果與分析

為檢測本文算法的性能，本文通過幾個仿真案例進行了研究分析，選擇原始遺傳算法（GA）、灰狼算法（IBGWO）、粒子群算法（PSO）作為對比算法，并對相關結果進行了討論。

3.1 參數設置

除非另有說明，模擬設置如下。本文考慮一個工作區域停車場智能光儲充電站由PV 發電系統和上限PGrid,max=40 kWh/h 的電網供電。設一天為研究范圍，有Δt=30 min，使T=48。

對于EV 預約數據，本文根據工作場所停車場PSCS 日常統計數據計算，發現其歷史數據到達時間的分布可以近似為正態分布，其中均值和標準差分別為μA和σA，而其離開時間可以近似為一種對數正態分布，均值和標準差分別為μL和σL。車輛數量的表達式如式（23）所示：

其中：fA(t)為到達時間的概率密度函數（PDF）；FA(t)為相應的累積分布函數（CDF）；MA,t為t現存的車輛數，MA,t?(0，I)。根據對 數正態 分布函 數μD和σD兩個參數，可以近似得到EV 行駛距離的累積分布函數，其表達式如下：

其中：μD、σD分別為函數的期望值和標準差。每輛即將到來的電動汽車的預約充電需求可由給出。

調查數據顯示，早晨08∶00 左右為上班用車期，晚上18∶00 左右為下班用車期，在此EV 的到達時間和離開時間分布參數依次為（μA=7∶30，σA=3）和（μL=17∶30，σL=3），如圖10 EV 的SOC 分布圖所示。假設EV 的規格相同，本文采用蔚來汽車ES6/ES8/EC6 等常用EV 容量，電池容量設置為70 kWh。EV 初始SOC值均勻地從區間[0，1]隨機設置，目標SOC設為1。基本負荷信息以負荷預測的結果為基礎，EV 預約充電信息如表1 所示。具體的系統參數如表2 所示，分時電價如表3 所示。假設出售給電網的電價是購買電價的1/5。

表1 EV 預約充電信息Table 1 EV booking charging information

表2 系統參數Table 2 System parameters

表3 分時電價Table 3 TOU power price 單位：（元·kWh-1）

圖10 EV 數量的SOC 分布圖Fig.10 SOC distribution map of EV number

本文的PV 發電數據由寧德時代示范點［28］提供。試驗仿真平臺使用Python 語言搭建，運行于Intel Core i5（2.3 GHz）處理器和8 GB 內存的計算機中。

根據前文設置的參數，本文設定幾個測試案例：

1）沒有ESS 和PV 的EV 充電站：生成此案例場景是為了獲取在沒有ESS 和PV 的情況下EV 充電站的運行成本。EV 的總充電功率來自電網。僅接電網的停車場，EV 從到達時開始充電，充電過程不間斷。需要注意的是，滿足EV 充電需求的電網供電沒有限制。本案例的表現是評價其他研究案例的基礎。后增加算法和策略進行優化，得到停車場的運行狀態和用電成本。

2）有ESS 沒有PV 的EV 充電站：本測試案例目的是評估在EV 充電站部署ESS 的算法，測試ESS 在EV 充電站發揮作用的情況。當附近沒有可用的可再生資源時，ESS 可調控不同電價時刻的購電情況，從而為EV 充電站運營商提供購電差利潤。

3）基于ESS 和PV 的EV 充電站：本測試案例是為了評估本文算法在基于PV 的EV 充電站中部署ESS 的有效性。

4）考慮到充電汽車數量大幅減少的情況，本文采用此案例測試基礎運營情況下的調度。對其整體運行負荷進行評估。

前3 種情況下充電站最終需求充電負荷分布如圖11 所示。可以看出，3 種情況下充電站的EV 充電負荷分布趨勢明顯不同。在所有情況下，案例3 的高峰時間片的充電需求明顯向其他時間片進行轉移。這是因為PV 和ESS 的聯合優化使需求的可轉移空間變大，從而有利于案例2 向低峰時間片轉移，而案例1 的可轉移靈活性較差。

圖11 EV 需求充電負荷分布Fig.11 Distribution of EV demand charging load

3.2 實驗結果與分析

3.2.1 不同測試案例下的能量管理情況

本文通過研究不同測試案例下的能量調度情況來驗證本文針對PSCS 系統的設置的能量管理策略。圖12 所示為不同案例下電網供電及能源動態情況，其中圖12（a）和圖12（b）表示表示案例1 使用算法和策略前后的EV 充電功率，可以看出EV 從到達時間開始充電，峰值負荷將大幅上升，對電力系統的安全運行產生一定的威脅，且面臨高峰用電罰款，這顯然不是停車場經營者想要的。停車場經營者在建造初期就會設定好每個車位都開始充電時的最高額定功率，所以應允許所有車開始充電。為實現削峰填谷，控制峰值負荷，本文設計需求策略和算法來完成EV充電的簡單調度。通過EV 充電功率曲線對比，算法和需求策略可以在不超過電網功率限制的情況下有效地將EV 負載轉移到低EP 時間片。由于停車場內只有電網提供電力，在這種情況下，EV 充電負荷等于電網的電力。

圖12 不同案例下電網供電及能源動態情況Fig.12 Grid power supply and energy dynamics in different cases

如圖12（c）和圖12（d）分別展示了ESS 加入下的電網供電趨勢和ESS 的動態變化情況，可以看到由于ESS 的加入，來自電網的功率在高EP 期間大幅降低，很好地將電網的大部分負載需求轉移到ESS。ESS 在高EP 期間釋放存儲的能量給EV 充電，與圖圖12（a）和圖12（b）相比，充分利用低EP 期間以最大電網功率限制對ESS 進行充電，并為下一個高EP 時間儲存能量，獲得最大的經濟效益。在高EP 周期結束時，ESS 將放電到最小容量限制。因此，在這種情況下，ESS 被充分利用來為EV 充電，其總輸出功率受其最大容量的限制。

圖12（e）和圖12（f）表示兼備ESS 和PV 的能源動態趨勢和PV 能量分配情況，在PV 和ESS 的配合下，用電需求在低EP 時期更加集中。由于PV 的作用，在高EP 期間，只從電網購買少量或不購買電網電力。PV 和ESS 在降低電網功率方面起著重要作用。減少ESS 的充放電次數有利于延長ESS 的使用壽命。當未來優化范圍內充電負荷較低時，可以明顯看出，從09∶00 到16∶00，優化范圍內的PV 功率遠大于EV 負載。多余的PV 電能存儲在ESS 中，用于為即將到來的EV 充電或根據EP 出售給電網，當ESS 儲能達到最大容量限制時，則直接出售給電網。同時，在保證ESS 存儲足夠電量且滿足未來到達EV充電需求的前提下，EMS 可選擇在高EP 時間片將多余的PV 電力出售給電網，如圖12 中13∶00 到16∶00所示。如果總是優先給ESS 充電，很有可能在ESS達到容量限制后，在低EP 期內會有多余的PV 電量，不得不低價賣給電網。與此相比，本文提出的策略具有更好的經濟效益。

圖13 所示為能量管理后的各能源變化示意圖，其中圖13（a）表示總的需求功率供電分配情況，在00∶00 到06∶00 低EP 期間，由于PV 還未開始發 電，EMS 設定減少ESS 充放電次數，需求在此階段由電網直接供電。在06∶00 到22∶00 中 高EP 期 間，由ESS 和PV 協作供電，充分發揮兩者的調度作用，從而減少充電站投資電力成本。圖13（b）表示ESS 的動態變化情況，展示了基于ESS 和PV 的EV 充電站在分時電價下ESS 的充放電情況以及內部能源動態變化情況，在低EP 時期，ESS 的SOC 上升的主要供給方為電網，在09∶00 到14∶00 期間，若PV 在保證EV 充電后仍有大量剩余則供給ESS 充電。EV 充電站的充放電口功率大小根據ESS 的SOE 和PV 的預測發電量來計算。當有ESS 無PV 的時候，可以采取低價買電高價賣電，但是這樣會加大ESS 的充放電頻率，造成ESS 使用期限內的提前衰化，所以需要評估ESS 壽命電池損耗的代價和掙中間差價的利潤大小，進行代價和利潤的權衡。

圖13 能量管理后的各能源變化示意圖Fig.13 Schematic diagram of the change of each energy source after energy management

從這幾個案例中可以看出，ESS 和PV 系統對于降低整體充電成本至關重要。

表4 為本文4 個不同案例設置詳情的比較，其中：YES 表示有此項；NO 表示沒有此項；YB 表示有較大容量的此項；Y200 表示容量為200 kWh 時的調度。在案例1 中，采取EGA 算法和需求策略使成本降低了6.3%。雖然在沒有ESS 的情況下節省的費用很少，但該策略有效降低了系統的運行成本。與案例1 相比，案例2 增加了ESS 的部署，使其降低了55.0%的成本。與案例2 相比，案例3 在有ESS 的情況下增加了PV 的使用，成本在原先基礎上又降低了81.5%。當PV 和ESS 加入到系統中時，大幅降低了運行成本。與案例1 相比，案例2 和案例3 的成本分別降低了55.0%和91.7%。

表4 不同案例的設置詳情Table 4 Setting details of different cases 單位：元

在案例3 中，YB 指有大規模部署，結果表明，同比增大ESS 的儲電量，反而增大了50.2%的成本，由此看來，ESS 的部署不可盲目增大，需要與系統對應設施相匹配。同比增大PV 的發電量，則成本為負，因為PV 發電充裕，在滿足EV 負荷的前提下，將多余的電力賣給電網盈利。

本文基于現實場景下構建模型，更好擬合實際場景下的電力動態情況，在精細化程度和邏輯可靠性上優于簡單框架［17］，更符合當前環境下PSCS 的應用環境。

3.2.2 與其他算法的比較

為更好證明本文算法的有效性，將本文算法與GA、PSO、IBGWO 算法進行了比較，結果如表5 所示，其中算法平均成本表示兩個算法處理后的平均成本。

表5 不同算法的結果對比Table 5 Comparison of results of different algorithms 單位：元

由表5 可以看出，隨著個體數的增大，EGA 和GA 尋優效果分別提升了7.1%和5.1%，將迭代次數增加，則分別提升了3.7%和4.8%。對比平均成本和最優成本可以看出，EGA 算法比GA 算法和IBGWO算法的性能更好。與GA 算法相比，EGA 算法的平均成本和最佳成本分別降低了2.2% 和2.1%。與IBGWO 算法相比，本文算法則分別降低了15.4%和14.2%；與PSO 算法相比，EGA 算法的平均成本和最佳成本分別降低了20.3%和21.9%。

由表5 還可知，EGA 算法和GA 算法在成本優化的實驗結果上比IBGWO 算法和PSO 算法優越20.0%。從算法特性分析，EGA 算法、GA 算法等遺傳算法對連續性和離散型數據模型均友好，算法復雜度不會產生較大波動，IBGWO 算法和PSO 算法模擬自然界群體收斂目標行為，收斂行為多用于衡量連續性動作和變化，且有較好的結果，算法復雜度不會有量級變化。本文面向符合離散數據模型的場景，匹配解決離散數據模型的分析算法，適應度會較高，能夠取得較好的成果。

圖14 所示是不同算法的性能對比，可以發現，隨著個體數和迭代次數的調整，算法性能有明顯的優化，但由于受到時間復雜度的制約，參數繼續上調算法的尋優效果不明顯。如圖14 中IBGWO 灰狼算法和PSO 粒子群算法相比，由于IBGWO 灰狼算法更適用于此算法參數狼數較少的（10～50），而粒子群算法的參數粒子數相對較多的（100-20/50），實用性的差別導致在選用統一參數平相對比時，兩者的結果與理論所闡述的效果符合程度不高，總體效果沒有遺傳算法在本文所建模型的表現效果好。因此，實驗證明，本文算法和提出的改進策略可以很好地提高求解的穩定性和效率，大幅提高了在解決實時調度問題中的實用性。

4 結束語

本文基于RGAHR 算法，提出一種面向汽車充電預約的PSCS 系統上下層優化的調度策略，目的為優化調度主次，使EMS 在電網側取電時的成本消耗最小。實驗結果表明，在調整參數的模型下，基于RGAHR 算法的調度策略依舊有效，并隨著迭代次數的增加，優化效果更加明顯。另外，加入貪心依序遞推機制可有效在光伏和EV 負荷不確定的情況下合理規劃充電及供電來源和時段，顯著降低光儲充電站運行的電網取電成本。因此，本文方法可以為多種不同的EV 充電模型和差異化電價趨勢模型提供參考，能為PSCS 合理配備ESS 和PV 提供科學經濟的部署方案。下一步將在模型構建方面進一步考慮EV 雙向充放電情況下，光儲充電站經濟部署PV 和ESS 所需的補貼金額，以達到系統內部能源配置調度運行成本最小的目的。在優化算法方面，本文將基于多種目標尋優擴大調度的全面性，針對部署和運營兩部分進行成本最小化調度分析。