付　華，柳夢雅，陳子春（.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院，葫蘆島505；.開灤集團(tuán)公司機(jī)電部，唐山06308）

風(fēng)光儲電動汽車換電站多目標(biāo)運(yùn)行優(yōu)化

付華1，柳夢雅1，陳子春2
（1.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院，葫蘆島125105；2.開灤集團(tuán)公司機(jī)電部，唐山063018）

針對可再生能源與電動汽車充換電負(fù)荷之間的協(xié)調(diào)優(yōu)化問題，建立了含風(fēng)光儲發(fā)電單元的電動汽車換電站多目標(biāo)運(yùn)行優(yōu)化模型。采用多種群和動態(tài)自適應(yīng)策略，提出了一種改進(jìn)的動態(tài)多種群多目標(biāo)粒子群算法，對這一多維、多約束、非線性的多目標(biāo)優(yōu)化問題進(jìn)行求解。以某地區(qū)實(shí)際電網(wǎng)數(shù)據(jù)進(jìn)行算例仿真，驗(yàn)證了模型和算法的有效性。結(jié)果表明，優(yōu)化后的風(fēng)光儲電動汽車換電站不僅可以實(shí)現(xiàn)可再生能源的就地消納，而且有助于減小負(fù)荷峰谷差。

風(fēng)光儲；電動汽車；換電站；多目標(biāo)優(yōu)化；動態(tài)多種群多目標(biāo)粒子群優(yōu)化

DOI：10.3969/j.issn.1003-8930.2016.04.007

隨著能源短缺和環(huán)境污染的日益加劇，充分利用可再生能源進(jìn)行發(fā)電、推廣電動汽車的使用已成為節(jié)能減排的重要手段［1-2］。但風(fēng)電、光伏等可再生能源受自然環(huán)境制約，出力不可調(diào)度，隨機(jī)性和間歇性強(qiáng)，并網(wǎng)利用率低［3-4］。電動汽車充電負(fù)荷也給電網(wǎng)的穩(wěn)定運(yùn)行帶來了巨大挑戰(zhàn)［5-6］。

由此，尋求風(fēng)、光等可再生能源與電動汽車充電需求之間協(xié)調(diào)互補(bǔ)的有效途徑，具有重要意義。然而國內(nèi)外的相關(guān)研究剛剛處于起步階段，亟待進(jìn)一步深入。文獻(xiàn)［7］分析了將可再生能源與電動汽車通過微網(wǎng)形式進(jìn)行集成的優(yōu)勢與適用性，結(jié)合國內(nèi)外相關(guān)示范工程，總結(jié)了集成微網(wǎng)的3種典型結(jié)構(gòu)，并指出了后續(xù)研究中的難點(diǎn)和關(guān)鍵問題。文獻(xiàn)［8］基于丹麥多個電動汽車項(xiàng)目，說明了電動汽車接入含大規(guī)模風(fēng)電的電網(wǎng)，可以帶來巨大的環(huán)境及經(jīng)濟(jì)效益。文獻(xiàn)［9］針對含光伏發(fā)電系統(tǒng)的電動汽車換電站，以系統(tǒng)運(yùn)行費(fèi)用最小為目標(biāo)建立模型，對各組成單元的容量配比進(jìn)行優(yōu)化。文獻(xiàn)［10］基于模糊理論，針對含風(fēng)光出力的地區(qū)電網(wǎng)，提出了一種電動汽車有序充電調(diào)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(fēng)光儲發(fā)電系統(tǒng)與電動汽車換電站相結(jié)合，建立風(fēng)光儲電動汽車換電站的運(yùn)行優(yōu)化模型，其實(shí)質(zhì)是風(fēng)電、光伏、儲能設(shè)備出力和電動汽車充換電需求之間的協(xié)調(diào)優(yōu)化問題。首先，基于風(fēng)光儲發(fā)電單元的出力特性，以可再生能源利用率最大、負(fù)荷波動最小和負(fù)荷峰谷差最小為目標(biāo)，建立電動汽車換電站的多目標(biāo)運(yùn)行優(yōu)化模型。其次，基于標(biāo)準(zhǔn)粒子群算法的思想，提出一種改進(jìn)的動態(tài)多種群多目標(biāo)粒子群算法DSMOPSO （dynamic multiple swarms multi-objective particle swarm optimization），對模型進(jìn)行優(yōu)化。最后，以某地區(qū)電網(wǎng)的實(shí)際數(shù)據(jù)為例，進(jìn)行算例仿真，驗(yàn)證了所提模型和算法的有效性。

1　風(fēng)光儲發(fā)電單元模型

1.1風(fēng)電出力模型

換電站風(fēng)力發(fā)電單元的輸出功率由風(fēng)電機(jī)組本身的輸出特性和風(fēng)機(jī)轉(zhuǎn)軸處的風(fēng)速所決定［11］，可表示為

式中：PW為風(fēng)電機(jī)組的輸出功率；v為風(fēng)力發(fā)電機(jī)轉(zhuǎn)軸處的實(shí)際風(fēng)速；vci為切入風(fēng)速；vco為切出風(fēng)速；vN為額定風(fēng)速；PN為風(fēng)力發(fā)電機(jī)的額定輸出功率。

其中，選取Weibull分布對實(shí)際風(fēng)速進(jìn)行擬合，其概率密度函數(shù)為

式中：v0為實(shí)際測量風(fēng)速；k為形狀參數(shù)；c為尺度參數(shù)。

折算成風(fēng)力發(fā)電機(jī)轉(zhuǎn)軸處的風(fēng)速，表達(dá)式為

式中：h為風(fēng)力發(fā)電機(jī)轉(zhuǎn)軸處的高度；h0為實(shí)測風(fēng)速的參考高度。

1.2光伏出力模型

換電站光伏發(fā)電單元的穩(wěn)態(tài)輸出功率受光照強(qiáng)度和環(huán)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(qiáng)度；T為光伏電池工作溫度；GSTC、TSTC、PSTC分別為標(biāo)準(zhǔn)測試條件下的光照強(qiáng)度、環(huán)境溫度和測試功率最大值；kT為功率溫度系數(shù)，取值為-0.004 7/℃；標(biāo)準(zhǔn)測試條件：環(huán)境溫度為25℃，光照強(qiáng)度為1 000 W/m2。

1.3儲能設(shè)備模型

為保證電動汽車換電站優(yōu)先利用可再生能源，儲能設(shè)備的充放電狀態(tài)及出力由風(fēng)光聯(lián)合出力PH和電動汽車的充電負(fù)荷PEV共同決定，設(shè)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(jù)我國目前的電網(wǎng)運(yùn)行要求，為保證電能質(zhì)量，暫不考慮電動汽車換電站向電網(wǎng)放電，僅考慮從電網(wǎng)吸收電能。

（1）當(dāng)ΔP＞0時，風(fēng)光聯(lián)合出力能夠滿足當(dāng)前的充換電需求，儲能設(shè)備進(jìn)入充電狀態(tài)，把剩余的電能儲存在儲能單元中，以便在負(fù)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(dāng)ΔP＜0，即風(fēng)電和光伏發(fā)電的出力之和不能滿足當(dāng)前充換電需求，且儲能單元的容量S＞Smin時，儲能設(shè)備轉(zhuǎn)入放電狀態(tài)。

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(guī)大電網(wǎng)吸收電能，設(shè)其值為Pgrid。

綜上所述，風(fēng)光儲發(fā)電單元的聯(lián)合出力為

2　換電站多目標(biāo)優(yōu)化運(yùn)行模型

2.1目標(biāo)函數(shù)

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(shí)現(xiàn)風(fēng)光出力的就地消納，減少風(fēng)光儲發(fā)電單元和電動汽車充換電對電網(wǎng)的不良影響，本文以可再生能源利用率最大、減小負(fù)荷波動、負(fù)荷峰谷差最?。?3］為目標(biāo)，建立風(fēng)光儲電動汽車換電站的多目標(biāo)運(yùn)行優(yōu)化模型。模型以1 d 24 h為1個調(diào)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(guī)電網(wǎng)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(fù)荷波動最小

式中：f2為負(fù)荷波動率；Pd（t）為t時刻區(qū)域電網(wǎng)中除充電負(fù)荷以外的基礎(chǔ)負(fù)荷；PEV（t）為t時刻電動汽車的充電負(fù)荷；Pav為調(diào)度周期內(nèi)負(fù)荷平均值。

3）負(fù)荷峰谷差最小

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

式中，f3為電網(wǎng)負(fù)荷率。

2.2約束條件

1）功率平衡約束

為保證換電站的穩(wěn)定運(yùn)行，必須滿足換電站電源與負(fù)荷之間實(shí)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(nèi)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(jī)性，換電站本身需要預(yù)留一部分備用容量［14］，t時刻換電站內(nèi)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(shù)量；ENEV為電池組的額定容量。

換電站內(nèi)電池組的容量備用約束為

式中：Emin（t）為根據(jù)需求預(yù)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(fēng)光儲電動汽車換電站的多目標(biāo)運(yùn)行優(yōu)化模型為

3　模型的求解

3.1標(biāo)準(zhǔn)PSO算法

粒子群優(yōu)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(fā)而提出的一種群智能算法［15］。算法通過粒子對自身經(jīng)驗(yàn)的總結(jié)和對其他粒子的學(xué)習(xí)，不斷修正自身運(yùn)動狀態(tài)，逐漸趨向最優(yōu)解。標(biāo)準(zhǔn)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(yōu)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(yōu)、解的多樣性差等問題。

3.2 改進(jìn)DSMOPSO算法

事實(shí)上，在自然界中為了更好地達(dá)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(xié)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(xiàn)象的啟發(fā)，多種群粒子群算法應(yīng)運(yùn)而生［16］。

本文所建立的換電站優(yōu)化運(yùn)行模型，實(shí)質(zhì)上是一個多變量、多約束、非線性的多目標(biāo)優(yōu)化問題。鑒于模型的復(fù)雜性和粒子群算法易陷入局部最優(yōu)和早熟收斂的缺陷，本文在標(biāo)準(zhǔn)PSO算法和多種群粒子群算法的基礎(chǔ)上進(jìn)行改進(jìn)，提出一種改進(jìn)的動態(tài)多種群多目標(biāo)粒子群優(yōu)化DSMOPSO （dynamic multiple swarms multi-objective particle swarm optimization）算法對模型進(jìn)行求解。

3.2.1子群體的劃分策略

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

（1）計(jì)算第k次迭代時，換電站運(yùn)行優(yōu)化模型中各目標(biāo)空間的邊界和。

（2）計(jì)算網(wǎng)格的模。

將目標(biāo)空間分成M×M×M個網(wǎng)格，按下式計(jì)算各個網(wǎng)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(jì)算粒子間距離。

將粒子間距離作為子群劃分的依據(jù)，數(shù)學(xué)表達(dá)式為

3.2.2粒子的更新策略

基于標(biāo)準(zhǔn)PSO算法的更新規(guī)則，提出DSMOP?SO算法的粒子更新公式為

3.3算法流程

應(yīng)用改進(jìn)DSMOPSO算法解決風(fēng)光儲電動汽車換電站運(yùn)行優(yōu)化模型的流程如下：①系統(tǒng)初始化。初始化風(fēng)光儲發(fā)電單元和電動汽車換電站的相關(guān)參數(shù)；②算法初始化。隨機(jī)產(chǎn)生初始群體，設(shè)定迭代次數(shù)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(yīng)度計(jì)算。對每個粒子，根據(jù)式（10）計(jì)算換電站所在區(qū)域電網(wǎng)中可再生能源的利用率，根據(jù)式（11）～（13）計(jì)算電網(wǎng)中的負(fù)荷波動和負(fù)荷峰谷差，舍棄不滿足約束條件的個體；⑤最優(yōu)值選擇。記錄整個粒子群的全局最優(yōu)位置、各粒子的個體最優(yōu)位置和子群體中的局部最優(yōu)位置；⑥更新。按式（25）、（26）更新粒子的速度和位置；⑦迭代結(jié)束判斷。達(dá)到最大迭代次數(shù)則輸出最終非支配解集和對應(yīng)的帕累托前沿，否則令k=k+1并轉(zhuǎn)到步驟（3）。

4　算例仿真

4.1仿真數(shù)據(jù)

采用某地區(qū)實(shí)際電網(wǎng)負(fù)荷為原始數(shù)據(jù)（如表1所示），測試所提模型和算法的有效性。取該區(qū)域某一天風(fēng)速和光照強(qiáng)度的實(shí)測數(shù)據(jù)，如圖1和圖2所示。算例中采用的風(fēng)機(jī)總額定容量為450 kW，額定風(fēng)速為12 m/s，切入風(fēng)速為2.5 m/s，切出風(fēng)速為25 m/s。光伏發(fā)電單元采用的光伏陣列在標(biāo)準(zhǔn)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(shè)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(fù)荷功率取決于換電站辦公、照明等負(fù)荷，換電站的電量備用率為10%。

表1　原始負(fù)荷數(shù)據(jù)Tab.1　Original load data

4.2仿真結(jié)果

本文采用動態(tài)多種群MOPSO算法對所提模型進(jìn)行優(yōu)化。粒子數(shù)取為100，最大迭代次數(shù)為1 000，最大速度為0.4，慣性權(quán)重w在［0.4，0.9］之間線性遞增。優(yōu)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(fēng)速曲線Fig.1　Wind speed curve

圖2 光照強(qiáng)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(yōu)化后換電站充電功率的峰值時段對應(yīng)負(fù)荷低谷時段；充電功率較低的時段對應(yīng)負(fù)荷的高峰時段。這個結(jié)果表明，優(yōu)化后，電動汽車換電站可以利用常規(guī)電網(wǎng)負(fù)荷低谷時段進(jìn)行充電，起到了減小負(fù)荷峰谷差的作用，同時也證明了所提出的動態(tài)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(fēng)光儲發(fā)電單元的協(xié)調(diào)優(yōu)化，棄風(fēng)棄光率減小，可再生能源的利用率增大。

表2　棄風(fēng)棄光率Tab.2　Wind and PV abandon rate

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

圖4　等效負(fù)荷曲線Fig.4 Synthetic load curve

5　結(jié)論

（1）結(jié)合風(fēng)光儲發(fā)電單元的出力特性，提出了含風(fēng)光儲發(fā)電單元的電動汽車換電站多目標(biāo)運(yùn)行優(yōu)化模型。該模型以可再生能源利用率最大、負(fù)荷波動最小、負(fù)荷峰谷差最小為目標(biāo)，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(fā)揮風(fēng)、光、儲各電源的優(yōu)勢，整合后實(shí)現(xiàn)各電源出力隨機(jī)性和不確定性的互補(bǔ)，提高了電網(wǎng)對可再生能源的消納能力。

（2）風(fēng)光儲電動汽車換電站的優(yōu)化運(yùn)行，可對常規(guī)電網(wǎng)起到調(diào)節(jié)作用。換電站聯(lián)網(wǎng)運(yùn)行時，可以減少負(fù)荷峰谷差，緩解電網(wǎng)的調(diào)度壓力。

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

［1］吉平，周孝信，宋云亭，等（Ji Ping，Zhou Xiaoxin，Song Yunting，et al）.區(qū)域可再生能源規(guī)劃模型述評與展望（Review and prospect of regional renewable energy plan?ning models）［J］.電網(wǎng)技術(shù)（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(wǎng)清潔性評估指標(biāo)研究（Research on cleaning evaluation indices of smart distri?bution grid）［J］.中國電機(jī)工程學(xué)報(bào)（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(guī)模風(fēng)電接入電網(wǎng)的相關(guān)問題及措施（Problems and measures of power grid accommo?dating large scale wind power）［J］.中國電機(jī)工程學(xué)報(bào)（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(guī)模光伏發(fā)電對電力系統(tǒng)影響綜述（A review on the effect of large-scale PV generation on power systems）［J］.中國電機(jī)工程學(xué)報(bào)（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(wǎng)影響的綜述（A survey of influence of electrics vehicle charging on power grid）［J］.電網(wǎng)技術(shù)（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(fù)荷對配電網(wǎng)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(tǒng)及其自動化學(xué)報(bào)（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(shè)施在微電網(wǎng)中的集成模式與關(guān)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(shù)學(xué)報(bào)（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(guī)模風(fēng)電的丹麥電力系統(tǒng)中的應(yīng)用（Electric vehicles in Danish power system with large penetration of wind power）［J］.電力系統(tǒng)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(xué)清，梁軍，張利，等（Zhang Xueqing，Liang Jun，Zhang Li，et al）.計(jì)及風(fēng)光電源的一種地區(qū)電網(wǎng)電動汽車充電調(diào)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(shù)學(xué)報(bào)（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(wǎng)電源優(yōu)化配置（Optimal allocation of distributed generation for mi?crogrid based on hybrid quantum genetic algorithm）［J］.電力系統(tǒng)保護(hù)與控制（Power System Protection and Control），2013，41（24）：50-57.

［12］朱蘭，嚴(yán)正，楊秀，等（Zhu Lan，Yan Zheng，Yang Xiu，et al）.風(fēng)光儲微網(wǎng)系統(tǒng)蓄電池容量優(yōu)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(wǎng)技術(shù)（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(diào)度策略研究（Research on dispatching strategy for coordinat?ed charging of electric vehicle battery swapping station）［J］.電力系統(tǒng)保護(hù)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(wǎng)互動的機(jī)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(jī)工程學(xué)報(bào)（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，F(xiàn)ang Rengcun，et al）.基于自適應(yīng)網(wǎng)格的多目標(biāo)粒子群優(yōu)化算法（Multi-objective particle swarm optimi?zation based on adaptive grid algorithms）［J］.系統(tǒng)仿真學(xué)報(bào)（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(guī)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(tǒng)及其自動化學(xué)報(bào)（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(xué)基金資助項(xiàng)目（51274118、70971059）。

付華（1962—），女，博士，教授，博導(dǎo)，研究方向?yàn)殡娏﹄娮优c電力傳動、智能電網(wǎng)和低碳電力等。Email：fxfuhua@ 163.com

柳夢雅（1990—），女，碩士研究生，研究方向?yàn)橹悄茈娋W(wǎng)、電力系統(tǒng)優(yōu)化運(yùn)行。Email：lngdlmy@163.com

陳子春（1965—），男，博士，高工，碩士生導(dǎo)師，研究方向?yàn)楣さV企業(yè)供電系統(tǒng)節(jié)能優(yōu)化技術(shù)。Email：1622915350@qq.com