朱鷹屏，張緒紅，韓新瑩

(廣東技術(shù)師范學(xué)院 自動化學(xué)院，廣東 廣州 510665)

?

用于配電網(wǎng)網(wǎng)損優(yōu)化的電動汽車智能充電調(diào)度

朱鷹屏，張緒紅，韓新瑩

(廣東技術(shù)師范學(xué)院 自動化學(xué)院，廣東 廣州 510665)

針對家用汽車的使用特點，提出了一種通過綜合調(diào)度電動汽車充電初始時間來進(jìn)行有序充電，使得配電網(wǎng)網(wǎng)損最小的方法。應(yīng)用智能粒子群算法進(jìn)行綜合優(yōu)化，模型以初始充電時刻作為粒子的變量，并在初始化中采用了4種方案，以擴大粒子多樣性，提高搜索范圍。最后以IEEE 33節(jié)點配電網(wǎng)系統(tǒng)進(jìn)行仿真，計算結(jié)果表明該方法簡單實用，相較于無序充電具有較好的網(wǎng)損優(yōu)化功能，可提高電能質(zhì)量，改善網(wǎng)絡(luò)擁堵。

電動汽車；網(wǎng)損優(yōu)化；配電網(wǎng)；初始化

隨著我國汽車工業(yè)的快速發(fā)展，截至2015年10月底，我國機動車保有量為2.76億輛，其中汽車保有量達(dá)到1.69億輛，據(jù)估計，2020年，汽車保有量將超過2億輛。大量汽車的普及給環(huán)境保護(hù)帶來很大的挑戰(zhàn)。電動汽車的推廣使用是目前解決這類問題的最有效辦法[1-3]。

電動汽車充電的規(guī)模性效應(yīng)將對電網(wǎng)的運行帶來一定的影響。研究電動汽車充電對微網(wǎng)和配電網(wǎng)的影響，如對配電網(wǎng)線損、電能質(zhì)量及負(fù)載峰谷差的影響等，成為一個趨勢[4-6]。在近年的研究中，國外以插電式混合動力汽車(plug in hybrid electric vehicle，PHEV)為研究對象比較多，比如：文獻(xiàn)[7]研究了PHEV對小區(qū)配電網(wǎng)的影響及峰谷優(yōu)化；文獻(xiàn)[8]根據(jù)PHEV充電行為，提出一種隨機重構(gòu)方法實現(xiàn)配電網(wǎng)性能優(yōu)化；文獻(xiàn)[9]通過開發(fā)PHEV的最佳協(xié)調(diào)充電方案，解決電網(wǎng)過載及電能質(zhì)量問題[9]。關(guān)于純電動汽車的研究中，文獻(xiàn)[10]通過分析電動汽充電對電網(wǎng)的影響，找到線性近似的方法模擬網(wǎng)絡(luò)壓降，尋找最優(yōu)的充電模式；文獻(xiàn)[11]通過二次規(guī)劃及市場價格均衡理論實現(xiàn)電動汽車最優(yōu)充電方法；在網(wǎng)損優(yōu)化方法中，文獻(xiàn)[12]采用線性約束凸二次規(guī)劃方法，文獻(xiàn)[13]采用靈敏度的分析確定最佳負(fù)荷充電點。

以上研究中，文獻(xiàn)[7-9]主要以PHEV作為研究對象，而非純電動汽車。文獻(xiàn)[10-12]需將非線性問題線性化處理，計算復(fù)雜繁瑣。文獻(xiàn)[13]雖然可以優(yōu)化網(wǎng)損，但在實際的電網(wǎng)運行中，靈敏度不是充電點投入的主要因素。本文采用智能群算法對網(wǎng)損進(jìn)行優(yōu)化，為了獲得種群的多樣性，綜合采用4種初始化方法，由此獲得較好的優(yōu)化結(jié)果。

1　數(shù)學(xué)模型

1.1目標(biāo)函數(shù)

充電優(yōu)化模型以網(wǎng)損最小為目標(biāo)函數(shù)，將一天分成24個時間段，計算出各個時間段配電網(wǎng)的網(wǎng)損，所有時間段的網(wǎng)損相加則得出一天中配電網(wǎng)的網(wǎng)損。本文通過優(yōu)化電動汽車充電的時間即每個時間段的節(jié)點注入功率來優(yōu)化網(wǎng)損[12]，即：

(1)

式中：Zl為線路l的阻抗；Il,t為t時段線路l的電流；lmax為配電網(wǎng)總線路數(shù)；ΔT為1個時間段的時長(1 h)。

朱鷹屏，等：用于配電網(wǎng)網(wǎng)損優(yōu)化的電動汽車智能充電調(diào)度

1.2約束條件

1.2.1充電時長約束

根據(jù)電動汽車的出行情況確定該配電區(qū)域的充電時長約束，一般出行在外的時候不考慮充電。

(2)

式中：T為電動汽車充電時長(時段數(shù))；Tmax為允許最大充電時長(時段數(shù))。

1.2.2電量平衡

電動汽車到達(dá)配電網(wǎng)時的剩余電量(百分?jǐn)?shù))作為充電的初始電量SOC，到電動汽車離開時必須充滿電，即在配電網(wǎng)的充電量為(1-SOC)。

(3)

式中：Ts為電動汽車充滿電所需時長；SOC為初始電量(百分?jǐn)?shù))；B為蓄電池容量；Pcm為電動汽車的充電功率。

1.2.3總充電量約束

配電網(wǎng)中所有節(jié)點電動汽車一天的充電量為：

(4)

式中：ki,t為節(jié)點i在t時段充電的電動汽車數(shù)，N為節(jié)點總數(shù)；Qe為每輛電動汽車所需充的電量；K為配電網(wǎng)中電動汽車總數(shù)量。

1.2.4功率平衡約束

配電網(wǎng)潮流平衡關(guān)系為：

(5)

式中：Pit、Qit分別為節(jié)點i在t時段的有功和無功輸出功率；Uit、Ujt為節(jié)點i、j在t時段的電壓值；θijt為支路ij在t時段的相位差；Gij、Bij分別為支路ij的電導(dǎo)和電納。

1.2.5電壓幅值約束

(6)

式中：Ui為節(jié)點i的電壓；Umin、Umax分別為電壓幅值下限和上限。

1.3模型假設(shè)與條件

a)配電網(wǎng)結(jié)構(gòu)屬于典型的樹狀結(jié)構(gòu)，無環(huán)網(wǎng)，充電地點位于配電網(wǎng)節(jié)點中，無充電位置優(yōu)化。

b)所有電動汽車充電電池按統(tǒng)一規(guī)格處理，即充電功率相同，且都為均充模式。電動汽車到達(dá)配電網(wǎng)充電時的剩余電量為10%，充完電離開配電網(wǎng)時的蓄電池處于滿電狀態(tài)。

c)根據(jù)相關(guān)統(tǒng)計，非節(jié)假日，大中城市居民上班工作的時間大部分集中在9：00至18：00，可將式(2)中電動汽車充電設(shè)定為18：00至第二天9：00，且電動汽車可以隨時進(jìn)入充電調(diào)度狀態(tài)。

2　網(wǎng)損有序優(yōu)化的策略

本文采用粒子群的方式進(jìn)行尋優(yōu)，以每輛車的初始充電時間(整點時刻，下同)作為粒子群的變量，采用連續(xù)充電直至滿電的方式。從起始充電到充滿電這段時長為電動汽車的充電時長。每輛汽車的初始充電時間由粒子群智能安排產(chǎn)生，每個粒子的變量個數(shù)為電動汽車的車輛數(shù)。粒子群的優(yōu)化見文獻(xiàn)[14]。

2.1初始化粒子

為了尋找最優(yōu)的充電策略，初始化充電粒子應(yīng)該具有多樣性，為了擴大搜索范圍，本文初始化采用以下4種方案。

a)方案1：所有汽車起始充電時間相同，比如無序充電都以18：00為起始充電時間，到22：00充電完畢。

b)方案2：起始充電時間在18：00至第二天5：00這11個整點時刻數(shù)值中均勻選取。如在33節(jié)點配電系統(tǒng)240充電汽車模型中，每個起始充電時間出現(xiàn)的數(shù)目為num=33×240/11，再隨機分配給對應(yīng)數(shù)量的車，建立初始化粒子。

c)方案3：每個節(jié)點中電動汽車的起始充電時間都不相同，隨機產(chǎn)生。以2號節(jié)點的6輛電動汽車為例，每輛車的起始充電時間都不相同，如果其初始化通過隨機函數(shù)得C=[8，1，2，4，0，6](C為距18：00的時長(小時))，則每輛車對應(yīng)的起始充電時間見表1。

表1各輛車起始充電時間

車號1號車2號車3號車4號車5號車6號車起始充電時間2:00(第二天)19:0020:0022:0018:0024:00

d)方案4：每輛汽車的起始充電時間隨機產(chǎn)生，在取值范圍內(nèi)不受任何約束。

2.2每輛車的充電狀態(tài)計算

由每輛電動汽車的起始充電時間、初始電量、充電功率可以算出充電時長Ts，電動汽車的充電時段為[t0，t0+Ts]，其中t0為起始充電時段。電動汽車的充電狀態(tài)矩陣為Tmax×K矩陣。

2.3充電負(fù)荷計算

由每個時間段在節(jié)點充電樁處充電的車輛數(shù)可以得出該節(jié)點電動汽車的充電功率

(7)

2.4優(yōu)化算法流程

網(wǎng)損優(yōu)化算法流程如下：

a)初始化粒子群，給定群體規(guī)模，隨機產(chǎn)生粒子速度vi，設(shè)置迭代次數(shù)為1；

b)算出每個時刻各節(jié)點電動汽車的充電負(fù)荷；

c)進(jìn)行潮流計算，得出每個粒子所對應(yīng)的適應(yīng)度即網(wǎng)損，找出個體最優(yōu)值和全局最優(yōu)值；

d)更新速度，更新粒子位置，若越過位置極限則取極限值；

e)重新進(jìn)行適應(yīng)度計算，判斷個體最優(yōu)值與全局最優(yōu)值是否更新；

f)迭代次數(shù)加1，重復(fù)步驟d)、步驟e)，當(dāng)粒子適應(yīng)度迭代收斂時確定優(yōu)化結(jié)果。

3　算例仿真與結(jié)果分析

3.1算例參數(shù)

本算例采用IEEE33節(jié)點配電網(wǎng)作為算例。本網(wǎng)中有32條支路、1個電源網(wǎng)絡(luò)，首端基準(zhǔn)電壓12.66kV，三相功率基準(zhǔn)值取10MVA。以起始充電時間作為變量，以配電網(wǎng)網(wǎng)損作為目標(biāo)函數(shù)，計算各節(jié)點各時刻各電動汽車的充電安排使得網(wǎng)損最小。參數(shù)設(shè)置如下：慣性權(quán)重上限wmax=0.96，下限wmin=0.4；學(xué)習(xí)因子c1=c2=2。粒子種群規(guī)模100，最大迭代次數(shù)200，粒子速度上限vmax=1.5，下限vmin=-1.5。

為分析有序充電與無序充電對電網(wǎng)網(wǎng)損的影響與比較，設(shè)定電動汽車的蓄電池額定電壓320V，額定容量為100A·h，充電功率為7 kW[15]，電動汽車到達(dá)電網(wǎng)的平均剩余電量為10%，則電動汽車需要充電時間為(1-10%)×32/7≈4 h。電動汽車充電時間為18:00至第二天9:00，故起始充電時間的限制為18:00點至第二天5:00。

以配電網(wǎng)240輛電動汽車充電為對象，設(shè)定每個節(jié)點的負(fù)荷曲線相同，其車輛分配見表2。

表2每個節(jié)點運營的電動汽車數(shù)量

節(jié)點編號1234567891011車輛數(shù)069779981089節(jié)點編號1213141516171819202122車輛數(shù)78697686776節(jié)點編號2324252627282930313233車輛數(shù)679661066997

3.2計算結(jié)果及分析

通過MATLAB 7.0環(huán)境下的數(shù)據(jù)編程，運行程序可以得出各種狀況下的網(wǎng)損和電壓變化情況。圖1為無電動汽車充電、電動汽車無序充電、電動汽車有序充電3種情況下網(wǎng)損的對比圖，可以看出：無電動汽車充電時的網(wǎng)損較低；電動汽車無序充電時網(wǎng)損會在18:00形成高峰；而有序充電時網(wǎng)損曲線則較為平緩，且網(wǎng)損總面積也比無序充電時減少很多，通過計算，有序充電比無序充電時的網(wǎng)損降低了6.54%。

圖1　不同情況下網(wǎng)損的對比

圖2為無電動汽車充電、電動汽車無序充電、電動汽車有序充電3種情況下負(fù)荷曲線的對比圖，可以看出無序充電使得配電網(wǎng)的日負(fù)荷曲線波峰增加58.21%。電動汽車的有序充電則使日負(fù)荷曲線變得平緩，而且對原日負(fù)荷曲線起到“填谷”的作用，減小了峰谷差。

圖2　不同情況下負(fù)荷的對比

圖3為一天時間內(nèi)節(jié)點5在無電動汽車充電、電動汽車無序充電、電動汽車有序充電這3種情況下電壓的變化情況，可以看出無序充電使得配電網(wǎng)的電壓在18：00后突然下降，嚴(yán)重影響線路的電壓質(zhì)量。電動汽車的有序充電則使電壓的變化曲線較為平緩，偏移量減小，電壓質(zhì)量得到很大改善。

圖3　一天時間內(nèi)節(jié)點5電壓的變化情況

由仿真結(jié)果分析可知：

a)電動汽車有序充電對減少電網(wǎng)網(wǎng)損的效果是顯著的，在電動汽車數(shù)量為240輛的情況下，有序充電可以使得網(wǎng)損下降6.54%。

b)有序充電不僅可優(yōu)化網(wǎng)損，還可以平抑日負(fù)荷曲線，使日負(fù)荷曲線峰谷差變小。

c)本模型還可以減緩配電網(wǎng)的電壓波動，減小線路的壓力。

4　結(jié)束語

本文提出了一種通過調(diào)度電動汽車的起始充電時間來優(yōu)化配電網(wǎng)網(wǎng)損的方法。無序情況下接入電動汽車充電時間集中，造成該時間段饋電線路負(fù)荷過大，配電網(wǎng)綜合網(wǎng)損增加，不利于配電網(wǎng)的安全運行。本模型采用粒子群智能算法，以配電網(wǎng)一天的總網(wǎng)損為目標(biāo)，通過對初始充電時間的優(yōu)化調(diào)度來解決上述問題，從而獲得有序的充電方案。IEEE 33節(jié)點的仿真計算說明，該方法簡單實用，對于改善線路的傳輸壓力，改進(jìn)網(wǎng)絡(luò)擁堵及提高配電網(wǎng)電能質(zhì)量具有一定的意義。

[1] 闕筱. 2.76億機動車保有量的中國，交通安全有多重要[N]. 中國青年報，2016-01-07(10).

[2] 王林，陳茜，黃利芳. 環(huán)境問題誘發(fā)群體性事件的地域規(guī)律性及其原因剖析[J]. 生態(tài)經(jīng)濟，2015，31(8)：187-191.

WANG Lin，CHEN Xi，HUANG Lifang. Regional Regularity of Group Events Caused by Environmental Problems and Analysis of the Reasons[J]. Ecological Economy，2015，31(8)：187-191.

[3] 張曉利，陸化普. 我國城市公共交通發(fā)展模式與思考[J]. 綜合運輸，2015，37(7)：22-27.

ZHANG Xiaoli，LU Huapu. The Discussion on the Development Mode of Urban Public Transport in China[J]. China Transportation Review，2015，37(7)：22-27.

[4] 李惠玲，白曉民. 電動汽車充電對配電網(wǎng)的影響及對策[J].電力系統(tǒng)自動化，2011，35(17)：38-43.

LI Huiling，BAI Xiaomin. Impacts of Electric Vehicles Charging on Distribution Grid[J]. Automation of Electric Power Systems，2011，35(17)：38-43.

[5] 宮鑫，林濤，蘇秉華. 插電式混合電動汽車充電對配電網(wǎng)的影響[J].電網(wǎng)技術(shù)，2012，36(11)：30-35.

GONG Xin，LIN Tao，SU Binghua. Impact of Plug-in Hybrid Electric Vehicle Charging on Power Distribution Network[J]. Power System Technology，2012，36(11)：30-35.

[6] TAN Jun，WANG Lingfeng. Integration of Plug-in Hybrid Electric Vehicles into Residential Distribution Grid Based on Two-layer Intelligent Optimization[J]. IEEE Transactions on Smart Grid，2014，5(4)：1774-1784.

[7] ROSTAMI M A， KAVOUSI-FARD A， NIKNAM T. Expected Cost Minimization of Smart Grids with Plug-in Hybrid Electric Vehicles Using Optimal Distribution Feeder Reconfiguration[J]. IEEE Transactions on Industrial Informatics，2015，11(2)：388-397.

[8] 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.

[9] HOOG J D，ALPCAN T，BRZIL M，et al. Optimal Charging of Electric Vehicles Taking Distribution Network Constraints into Account[J]. IEEE Transactions on Power Systems，2015，30(1)：365-375.

[10] MDTS K，D’HULST R，DEVELDER C. Comparison of Intelligent Charging Algorithms for Electric Vehicles to Reduce Peak Load and Demand Variability in a Distribution Grid[J]. Journal of Communications and Networks，2012，14(6)：672-681.

[11] 占愷嶠，宋永華，胡澤春，等. 以降損為目標(biāo)的電動汽車有序充電優(yōu)化[J]. 中國電機工程學(xué)報，2012，32(31)：11-19.

ZHAN Kaiqiao，SONG Yonghua，HU Zechun，et al. Coordination of Electric Vehicle Charging to Minimize Active Power Losses[J]. Proceedings of the CSEE，2012，32(31)：11-19.

[12] 唐興，呂林，王華偉，等. 考慮網(wǎng)損因素的示范小區(qū)電動汽車接入研究[J]. 華東電力，2012，40(3)：434-438.

TANG Xing，Lü Lin，WANG Huawei，et al. Electric Vehicle Access to Demonstration District Considering Network Losses[J]. East China Electric Power，2012，40(3)：434-438.

[13] KENNEDY J，EBERHARD R. Particle Swarm Optimization[C]//Proceedings of IEEE International Conference on Neural Networks IV. Perth：IEEE，1995：1942-1948.

[14] 紀(jì)震，廖惠蓮，吳青華. 粒子群算法及應(yīng)用[M]. 北京：科學(xué)出版社，2009.

[15] 羅卓偉，胡澤春，宋永華，等.電動汽車充電負(fù)荷計算方法[J]. 電力系統(tǒng)自動化，2011，35(14)：36-42.

LUO Zhuowei，HU Zechun，SONG Yonghua，et al．Study on Plug-in Electric Vehicles Charging Load Calculating[J]. Automation of Electric Power Systems，2011，35(14)：36-42.

(編輯彭艷)

Intelligent Charging Scheduling for Electric Vehicle for Optimization on Network Loss of Power Distribution Network

ZHU Yingping, ZHANG Xuhong, HAN Xinying

(School of Automation, Guangdong Polytechnic Normal University, Guangzhou, Guangdong 510665, China)

In allusion to applied characteristics of family cars, a kind of method for making network loss of power distribution network minimum by comprehensively controlling initial charging time of electric vehicles for realizing orderly charging is presented. Intelligent particle swarm algorithm is applied for comprehensive optimization, the model takes initial charging time as variable of the particle and four schemes are applied in initialization so as to expand diversity of particle and improve searching range. IEEE33 node system of power distribution network is taken for simulation and results indicate that this method is simple and functional. Compared with disorder charging, this charging mode has good optimization function for reducing network loss and can improve electric energy quality as well as make network congestion better.

electric vehicle; network loss optimization; power distribution network; initialization

2016-03-29

2016-05-10

10.3969/j.issn.1007-290X.2016.09.019

TM715；U469.72

A

1007-290X(2016)09-0094-04

朱鷹屏(1976)，男，江西贛州人。講師，工學(xué)碩士，研究方向為電動汽車的大規(guī)模使用對電網(wǎng)的影響、微網(wǎng)優(yōu)化和節(jié)能。

張緒紅(1968)，男，湖南常德人。副教授，工學(xué)博士(后)，研究方向為節(jié)能技術(shù)在電力系統(tǒng)的應(yīng)用。

韓新瑩(1978)，男，廣東廣州人。講師，工學(xué)博士，研究方向為測控技術(shù)在節(jié)能中的應(yīng)用。