周楊，王東華

(1. 廣東電網(wǎng)發(fā)展研究院有限責(zé)任公司，廣東 廣州 510080；2.中國南方電網(wǎng)有限責(zé)任公司超高壓輸電公司廣州局，廣東 廣州510405)

?

電動(dòng)汽車與可再生能源的協(xié)調(diào)優(yōu)化

周楊1，王東華2

(1. 廣東電網(wǎng)發(fā)展研究院有限責(zé)任公司，廣東 廣州 510080；2.中國南方電網(wǎng)有限責(zé)任公司超高壓輸電公司廣州局，廣東 廣州510405)

針對(duì)電動(dòng)汽車和可再生能源之間的多目標(biāo)協(xié)調(diào)調(diào)度，建立了以配電網(wǎng)負(fù)荷波動(dòng)最小、總網(wǎng)絡(luò)損耗最小和電動(dòng)汽車用戶充電成本最小為目標(biāo)函數(shù)的多目標(biāo)協(xié)調(diào)控制模型，并采用量子粒子群多目標(biāo)搜索算法進(jìn)行求解，得到各個(gè)時(shí)刻電動(dòng)汽車合理的入網(wǎng)數(shù)量。以IEEE-33節(jié)點(diǎn)配電系統(tǒng)進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明，利用電動(dòng)汽車的電池儲(chǔ)能系統(tǒng)作為電網(wǎng)和可再生能源的緩沖，能降低可再生能源發(fā)電間歇性和電動(dòng)汽車入網(wǎng)隨機(jī)性對(duì)電網(wǎng)的影響，促使電網(wǎng)側(cè)和用戶側(cè)的雙邊利益最大化。

電動(dòng)汽車；可再生能源；協(xié)調(diào)控制；量子粒子群優(yōu)化算法；多目標(biāo)優(yōu)化

隨著環(huán)境污染和化石燃料枯竭等問題的日益凸顯，電動(dòng)汽車被認(rèn)為是減少對(duì)化石能源依賴和二氧化碳排放的有效解決方法，正受到各國政府和相關(guān)企業(yè)的高度關(guān)注[1-3]。電動(dòng)汽車數(shù)量增長，其入網(wǎng)充電勢(shì)必會(huì)給現(xiàn)有電網(wǎng)造成巨大的沖擊。太陽能、風(fēng)能等可再生能源的輸出功率具有波動(dòng)性，直接接入電網(wǎng)會(huì)對(duì)電網(wǎng)的電能質(zhì)量和穩(wěn)定性產(chǎn)生較大的影響。電動(dòng)汽車電池是潛在的儲(chǔ)能電源，善加利用可以在電網(wǎng)與可再生能源之間起緩沖作用，平滑可再生能源的自然可變性，保證電網(wǎng)頻率的穩(wěn)定性，從而提高可再生能源的發(fā)電效率和電網(wǎng)接納可再生能源的能力。

電動(dòng)汽車-電網(wǎng)互動(dòng)技術(shù)(vehicle-to-grid, V2G)是基于電動(dòng)汽車與電網(wǎng)間的雙向能量交換，探討電動(dòng)汽車入網(wǎng)協(xié)調(diào)優(yōu)化策略的新技術(shù)。文獻(xiàn)[4]研究了通過優(yōu)化電動(dòng)汽車充電與電網(wǎng)間的協(xié)調(diào)控制來提高電力系統(tǒng)供電可靠性、經(jīng)濟(jì)性的可能性；文獻(xiàn)[5]研究了電動(dòng)汽車參與電網(wǎng)調(diào)頻的控制策略；文獻(xiàn)[6]采用分時(shí)充電電價(jià)對(duì)電動(dòng)汽車充電行為加以引導(dǎo)，實(shí)現(xiàn)“削峰填谷”；文獻(xiàn)[7]建立了一個(gè)經(jīng)濟(jì)調(diào)度模型，以研究可入網(wǎng)電動(dòng)汽車充放電行為的隨機(jī)性和風(fēng)電出力的不確定性。隨著V2G研究的進(jìn)一步深入，綜合考慮電動(dòng)汽車與可再生能源的協(xié)調(diào)優(yōu)化將是一大研究重點(diǎn)，但目前相關(guān)研究較少。

電動(dòng)汽車與可再生能源之間的協(xié)調(diào)優(yōu)化，不僅需要考慮電網(wǎng)對(duì)安全穩(wěn)定運(yùn)行和“削峰填谷”的訴求，還需要考慮電動(dòng)汽車用戶的經(jīng)濟(jì)成本，以促進(jìn)電動(dòng)汽車的普及。本文針對(duì)這一協(xié)調(diào)優(yōu)化問題建立多目標(biāo)協(xié)調(diào)優(yōu)化模型，并用算例對(duì)該模型進(jìn)行驗(yàn)證。

1 電動(dòng)汽車和可再生能源模型

1.1 電動(dòng)汽車時(shí)空充電模型

目前關(guān)于電動(dòng)汽車駕駛特性的相關(guān)數(shù)據(jù)較少，但考慮到電動(dòng)汽車在行駛規(guī)律上與傳統(tǒng)燃油汽車并無區(qū)別，故可從現(xiàn)有對(duì)傳統(tǒng)機(jī)動(dòng)車的交通分析報(bào)告入手，分析電動(dòng)汽車的駕駛特性。對(duì)英國交通部提供的全國出行調(diào)查數(shù)據(jù)分析表明，機(jī)動(dòng)車日行駛里程d近似服從對(duì)數(shù)正態(tài)分布或Weibull分布。為滿足用戶出行習(xí)慣的多樣性，考慮多種出行種類(對(duì)應(yīng)的概率密度函數(shù)見表1[8])，采用蒙特卡洛法生成各出行種類下的出行距離

式中：μ和σ分別為正態(tài)分布的平均值與標(biāo)準(zhǔn)差，k和c分別為Weibull分布的形狀參數(shù)和尺度參數(shù)。

表1 出行種類百分比及對(duì)應(yīng)概率密度函數(shù)

出行種類所占比例/%概率分布函數(shù)類型參數(shù)通勤16Lognormalμ=3.27,σ=1.02商務(wù)3Weibullc=111.75,k=1.27教育11Lognormalμ=2.48,σ=1.16購物20Lognormalμ=2.76,σ=1.18個(gè)人事務(wù)20Lognormalμ=3.02,σ=1.32訪友15Weibullμ=83.81,σ=0.93其余娛樂15Lognormalμ=3.42,σ=1.29

本文的研究基于以下假設(shè)：充電基礎(chǔ)設(shè)施發(fā)達(dá)，充電地點(diǎn)不局限于居民區(qū)，也可以是工商業(yè)區(qū)等工作地點(diǎn)；用戶通常習(xí)慣在抵達(dá)工作地點(diǎn)或出行結(jié)束返回住所后立刻將電動(dòng)汽車接入電網(wǎng)開始充電。

文獻(xiàn)[9]對(duì)居民區(qū)和工商業(yè)區(qū)內(nèi)機(jī)動(dòng)車的出行時(shí)間和停放行為進(jìn)行了統(tǒng)計(jì)調(diào)查和數(shù)據(jù)分析。早晨，人們駕車離開居民區(qū)前往位于工商業(yè)區(qū)的工作地點(diǎn)，工商業(yè)區(qū)迎來上班抵達(dá)高峰，車輛停放時(shí)間通常為白天08:00—18:00；傍晚，人們駕車駛離工商業(yè)區(qū)回到住所，居民區(qū)迎來出行結(jié)束高峰，車輛停放時(shí)間通常為晚上18:00—次日07:00。

用戶抵達(dá)工作地點(diǎn)的時(shí)間概率密度函數(shù)

式中：ta為用戶抵達(dá)工作地點(diǎn)的時(shí)間，μa=7.97，σa=0.66。

用戶出行結(jié)束返回住所時(shí)間的概率密度函數(shù)

式中：tb為用戶出行結(jié)束返回住所的時(shí)間，μb=17.6，σb=3.4。

假設(shè)上一次使用前電池為滿電量，則電動(dòng)汽車每日所消耗的電能

式中W為平均能耗，按0.15kWh/km計(jì)算。

電能的變化最終體現(xiàn)在電池荷電狀態(tài)(stateofcharge，SOC)的變化上，充電前電池初始SOC

式中：Cb為電池容量，Ub為電池的標(biāo)稱電壓。

對(duì)一從給定時(shí)刻k開始充電的電動(dòng)汽車來說，其到時(shí)刻t(k≤t)仍在充電的概率

式中N為電池從零電量充至滿電量所需時(shí)間。

采用鋰電池為研究對(duì)象，其充電功率可近似看作一定值Pc。為便于數(shù)值計(jì)算，以Δt為間隔離散化。假設(shè)電動(dòng)汽車在給定時(shí)刻k開始充電的概率為Φ(k)，Φ(k)由充電控制策略所決定。對(duì)于待研究區(qū)域電網(wǎng)內(nèi)的n輛電動(dòng)汽車，一天內(nèi)任一時(shí)刻t的充電功率平均值

式中：t0為充電開始時(shí)間，tend為充電結(jié)束時(shí)間。

1.2 風(fēng)電出力模型

風(fēng)力發(fā)電的出力隨風(fēng)速的變化而變化，目前國內(nèi)外公認(rèn)的風(fēng)速分布概率模型為兩參數(shù)Weibull分布函數(shù)，其概率密度函數(shù)

式中v為風(fēng)速。

風(fēng)力發(fā)電機(jī)組有功出力與風(fēng)速之間的關(guān)系為：

式中：Pw為風(fēng)力發(fā)電機(jī)的實(shí)際有功出力，Pr為風(fēng)力發(fā)電機(jī)的額定有功出力，vr、vi和vo分別為額定風(fēng)速、切入風(fēng)速和切出風(fēng)速。

1.3 光伏發(fā)電出力模型

光伏發(fā)電的實(shí)際輸出功率主要取決于太陽的輻射強(qiáng)度。在一段時(shí)間內(nèi)，太陽輻射的光照強(qiáng)度近似滿足Beta分布，其概率密度函數(shù)

式中：Γ為Gamma函數(shù)，I和Imax分別為光伏電池板傾斜面上的實(shí)際光照強(qiáng)度和最大光照強(qiáng)度，α和β為Beta分布的形狀參數(shù)。

光伏發(fā)電的實(shí)際輸出功率與其接受的太陽輻射強(qiáng)度成正比，單個(gè)電池組件的輸出功率

式中：A為單個(gè)電池組件的面積，η為對(duì)應(yīng)電池組件的光電轉(zhuǎn)換效率。當(dāng)光伏電池方陣共有N個(gè)組件正常工作時(shí)，方陣的總輸出功率為NP。

2 電動(dòng)汽車和可再生能源的協(xié)調(diào)優(yōu)化模型

2.1 目標(biāo)函數(shù)

電動(dòng)汽車和可再生能源的協(xié)調(diào)優(yōu)化需考慮電網(wǎng)和電動(dòng)汽車用戶兩方面的訴求，一方面盡量協(xié)調(diào)電動(dòng)汽車和間歇性可再生能源對(duì)電網(wǎng)的影響，平抑電網(wǎng)等效負(fù)荷波動(dòng)，降低配電網(wǎng)總損耗；另一方面盡可能地降低電動(dòng)汽車用戶的充電成本，加快電動(dòng)汽車普及速度。兩方面的訴求對(duì)電池的充電要求存在一定的沖突性。

優(yōu)化模型目標(biāo)具體如下：

a)平抑配電網(wǎng)等效負(fù)荷波動(dòng)，其數(shù)學(xué)表達(dá)式為

其中

式中：F1為配電網(wǎng)等效負(fù)荷波動(dòng)值，Pload,t、Pw,t、Ps,t、Pev,t分別為t時(shí)刻電網(wǎng)的原有負(fù)荷、風(fēng)力發(fā)電機(jī)組出力、光伏發(fā)電出力和電動(dòng)汽車的充電功率，Pav為Pload,t、Pw,t、Ps,t、Pev,t的平均值。

b)配電網(wǎng)總損耗F2最小，其數(shù)學(xué)表達(dá)式為

式中：Rl為線路l的電阻值，Il,t為t時(shí)刻流過線路l的電流，lmax為總線路數(shù)。

c)電動(dòng)汽車用戶充電成本F3最小，其數(shù)學(xué)表達(dá)式為

式中C(t)為t時(shí)刻的電價(jià)。

2.2 約束條件

2.2.1 電動(dòng)汽車電池電量約束

對(duì)單臺(tái)電動(dòng)汽車而言，電池的充電電量和存儲(chǔ)電量應(yīng)滿足如下條件：

式中：t0為充電開始時(shí)刻，T為充電持續(xù)時(shí)間，Qe為電池額定滿充電量，Qmin和Qmax分別為電池可存儲(chǔ)電量的最小值和最大值，Qt為t時(shí)刻電動(dòng)汽車存儲(chǔ)的總電量。

對(duì)t時(shí)刻內(nèi)的所有電動(dòng)汽車而言，應(yīng)滿足如下條件：

其中

式中：μ為電動(dòng)汽車充電效率，Qcons,t為t時(shí)刻所有電動(dòng)汽車消耗的電量，ε為電動(dòng)汽車單位里程的平均能耗，Ncons,t為t時(shí)刻處于行駛狀態(tài)的電動(dòng)汽車數(shù)量；Qcons,i,t為t時(shí)刻第i輛電動(dòng)汽車行駛的距離。

2.2.2 充電時(shí)間約束

充電時(shí)間t限定在電動(dòng)汽車閑置階段，即

式中：Tarrive為電動(dòng)汽車抵達(dá)充電地點(diǎn)的時(shí)間，Tleave為電動(dòng)汽車離開充電地點(diǎn)的時(shí)間。

2.2.3 電動(dòng)汽車充電負(fù)荷約束

式中：λ1(i)、λ2(i)、λ3(i)分別為表明節(jié)點(diǎn)i處的負(fù)荷是否屬于居民區(qū)、工業(yè)區(qū)或商業(yè)區(qū)的變量，其值為“1”表示屬于，其值為“0”表示不屬于；Pr(t)、Pi(t)、Pc(t)分別為t時(shí)刻居民區(qū)、工業(yè)區(qū)和商業(yè)區(qū)有功負(fù)荷的標(biāo)幺值；Pr、Pi、Pc分別為居民區(qū)、工業(yè)區(qū)和商業(yè)區(qū)的負(fù)荷峰值；xi(t)為t時(shí)刻接入節(jié)點(diǎn)i處開始充電的純電動(dòng)汽車(pure electric vehicle，PEV)數(shù)量。

2.2.4 系統(tǒng)潮流約束

式中：Ui為節(jié)點(diǎn)i的電壓，Gi,j、Bi,j、θi,j分別為節(jié)點(diǎn)i和j之間的電導(dǎo)、電納和電壓相位差，PG(i,j)、QG(i,j)分別為t時(shí)刻節(jié)點(diǎn)i的發(fā)電機(jī)有功出力和無功出力；PL(i,j)、QL(i,j)分別為t時(shí)刻節(jié)點(diǎn)i的負(fù)荷有功功率和無功功率，n為系統(tǒng)節(jié)點(diǎn)數(shù)量。

2.2.5 電壓幅值約束

式中：Ui,t為t時(shí)刻節(jié)點(diǎn)i的電壓值，Uimax、Uimin分別為節(jié)點(diǎn)i的電壓上限值和下限值。

2.2.6 支路傳輸功率約束

式中：Slmax為線路l的最大傳輸容量，Sl為線路l的傳輸容量。

2.3 多目標(biāo)優(yōu)化調(diào)度

采用基于量子粒子群優(yōu)化(quantum-behavedparticle swarm optimization, QPSO)算法的多目標(biāo)優(yōu)化算法求解上述多目標(biāo)優(yōu)化模型，該算法全局搜索能力強(qiáng)，且粒子狀態(tài)僅含位置向量，算法參數(shù)少，更容易利用編程實(shí)現(xiàn)和控制[10]。算法流程如圖1所示。

圖1 基于QPSO算法的多目標(biāo)優(yōu)化算法流程

多目標(biāo)優(yōu)化問題通常不存在唯一解使所有目標(biāo)均最優(yōu)，其最優(yōu)解通常為Pareto解，所有Pareto解構(gòu)成的集合稱為Pareto解集。

3 仿真算例

3.1 仿真系統(tǒng)

本文采用IEEE-33節(jié)點(diǎn)系統(tǒng)作為仿真對(duì)象，該系統(tǒng)為三相平衡系統(tǒng)，單線圖如圖2所示。三相功率的基準(zhǔn)值SB=10 MVA，線電壓的基準(zhǔn)值UB=12.66 kV。節(jié)點(diǎn)1連接到主電網(wǎng)，為參考節(jié)點(diǎn)，其余節(jié)點(diǎn)均為負(fù)荷節(jié)點(diǎn)。假定節(jié)點(diǎn)2—18為居民區(qū)，節(jié)點(diǎn)19—25為工業(yè)區(qū)，節(jié)點(diǎn)26—33為商業(yè)區(qū)，3種典型負(fù)荷的標(biāo)準(zhǔn)化日負(fù)荷曲線如圖3所示。

圖2 IEEE-33節(jié)點(diǎn)配電網(wǎng)單線圖和負(fù)荷分區(qū)

圖3 3種典型負(fù)荷的標(biāo)準(zhǔn)化日負(fù)荷曲線

設(shè)定風(fēng)力發(fā)電和光伏發(fā)電的最高發(fā)電容量比為15%，并在線路的中間偏末端接入電網(wǎng)。風(fēng)力發(fā)電機(jī)組4臺(tái)，為國產(chǎn)FD-24-200型機(jī)組，裝設(shè)在節(jié)點(diǎn)18、25、32，分別為2、1、1臺(tái)；光伏發(fā)電400組，光伏方陣型號(hào)為SFM144Hx250wp，裝設(shè)在節(jié)點(diǎn)17、24、33，分別為200、100、100組。某風(fēng)速曲線和光照強(qiáng)度曲線對(duì)應(yīng)的風(fēng)電和光伏發(fā)電有功出力見表2，一天各時(shí)刻的購電電價(jià)見表3。

表2 風(fēng)電和光伏發(fā)電有功出力

時(shí)刻有功出力/kW風(fēng)電光伏發(fā)電時(shí)刻有功出力/kW風(fēng)電光伏發(fā)電01:00343.60.013:00335.2325.102:00395.80.014:00302.3408.703:00446.30.015:00253.5343.704:00405.00.016:00214.7185.805:00369.70.017:00180.2102.206:00341.00.018:00202.155.807:00298.146.519:00192.80.008:00321.7102.220:00164.20.009:00321.7195.121:00200.40.010:00350.3288.022:00241.70.011:00291.4260.123:00264.40.012:00335.2250.824:00270.30.0

表3 峰谷分時(shí)電價(jià)

時(shí)段用電狀態(tài)購電價(jià)格/(元·kW-1h-1)00:00—08:00低谷0.36508:00—12:00高峰0.86912:00—17:00平段0.68717:00—21:00高峰0.86921:00—00:00平段0.687

3.2 Pareto最優(yōu)解

本文建立的協(xié)調(diào)優(yōu)化模型目標(biāo)數(shù)為3，設(shè)定粒子維數(shù)為15，包含住宅區(qū)域的9個(gè)可充電時(shí)刻和工作區(qū)域的6個(gè)可充電時(shí)刻，個(gè)體變量即各時(shí)刻接入電網(wǎng)充電的電動(dòng)汽車數(shù)量。優(yōu)化得到的非劣解在目標(biāo)空間中的分布如圖4所示。

圖4 Pareto最優(yōu)解空間分布

從圖4可以看出，算法搜索到的非劣解構(gòu)成了Pareto前沿，整個(gè)解集具有較好的分布性。

表4比較了加入風(fēng)光發(fā)電系統(tǒng)前后的最優(yōu)解。

表4 最優(yōu)解比較

系統(tǒng)類型損耗/MWh不加風(fēng)光發(fā)電系統(tǒng)加風(fēng)光發(fā)電系統(tǒng)充電成本/元不加風(fēng)光發(fā)電系統(tǒng)加風(fēng)光發(fā)電系統(tǒng)負(fù)荷波動(dòng)值/kW2不加風(fēng)光發(fā)電系統(tǒng)加風(fēng)光發(fā)電系統(tǒng)配電網(wǎng)總損耗最優(yōu)解2.9862.237184519415767949349用戶充電成本最優(yōu)解3.0232.2781222104395404104752配電網(wǎng)負(fù)荷波動(dòng)最優(yōu)解3.0292.237242321524304546863

由表4可知：配電系統(tǒng)加入風(fēng)光發(fā)電系統(tǒng)后，配電網(wǎng)總損耗最優(yōu)值從2.986 kWh降到2.237 kWh，降低了25.1%，電動(dòng)汽車用戶充電成本最優(yōu)值從1 222元下降到1 043元，節(jié)省了14.7%，說明風(fēng)力和光伏等可再生能源的接入不僅減少了配電網(wǎng)損耗，還可降低電動(dòng)汽車用戶的充電成本。

3.3 最終方案

Pareto解集的所有解均是最優(yōu)解，最終方案的選取可根據(jù)實(shí)際需求來決定。針對(duì)本文考慮的3個(gè)目標(biāo)函數(shù)，制定選取原則：首先保證電能質(zhì)量，確保各節(jié)點(diǎn)電壓不越限，降低電網(wǎng)的線路損耗；其次降低用戶的充電成本，加快電動(dòng)汽車的普及；最后盡量減少電網(wǎng)等效負(fù)荷的波動(dòng)，提高電網(wǎng)的經(jīng)濟(jì)運(yùn)行。據(jù)此，最終方案選取考察目標(biāo)的優(yōu)先順序?yàn)镕2→F3→F1。各時(shí)刻電動(dòng)汽車入網(wǎng)數(shù)量的最終優(yōu)化結(jié)果見表5，對(duì)應(yīng)充電功率曲線如圖5所示。

表5 各可入網(wǎng)時(shí)刻開始充電的PEV數(shù)量的最終方案

時(shí)刻入網(wǎng)時(shí)刻開始充電的PEV數(shù)量百分比/%時(shí)刻入網(wǎng)時(shí)刻開始充電的PEV數(shù)量百分比/%01:001318:00002:001519:00008:00620:00009:001321:00010:00522:00211:00423:00112:001124:00813:0022

圖5 電動(dòng)汽車充電功率曲線

從表5可以看出：13:00和02:00入網(wǎng)開始充電的電動(dòng)汽車數(shù)量較多，并在充電時(shí)長內(nèi)持續(xù)消耗電網(wǎng)功率。13:00是白天最后可入網(wǎng)時(shí)刻，且工商業(yè)區(qū)傳輸線路短、網(wǎng)絡(luò)損耗小、電壓不易越限；02:00是夜晚最后可入網(wǎng)時(shí)刻，將充電負(fù)荷填入原有負(fù)荷的低谷時(shí)段。

從表2、表3和圖7可以看出：12:00—17:00太陽能發(fā)電充足且屬于平段電價(jià)，該時(shí)段充電負(fù)荷達(dá)到最高峰；00:00—06:00是負(fù)荷低谷和電價(jià)低谷時(shí)段，風(fēng)力發(fā)電出力較高，充電負(fù)荷亦較高。充分利用這2個(gè)時(shí)段，可以有效緩解用電壓力，降低充電成本。

為了更好地分析最終方案對(duì)電網(wǎng)的影響，加入隨機(jī)充電模式進(jìn)行比較。圖6為含電動(dòng)汽車充電的等效負(fù)荷曲線。

圖6 含電動(dòng)汽車充電的等效負(fù)荷曲線

從圖6可看出：隨機(jī)充電方式下的充電負(fù)荷與原有負(fù)荷高峰疊加；多目標(biāo)優(yōu)化充電方式則充分考慮風(fēng)光出力變化和充電電價(jià)的高低，靈活安排入網(wǎng)電動(dòng)汽車數(shù)量，實(shí)現(xiàn)多目標(biāo)函數(shù)值最優(yōu)。通過潮流計(jì)算，統(tǒng)計(jì)各時(shí)刻各節(jié)點(diǎn)電壓最低值如圖7所示。

圖7 各時(shí)刻節(jié)點(diǎn)電壓的最低值

由圖7可以看出：在負(fù)荷高峰時(shí)段，多目標(biāo)優(yōu)化充電方式較隨機(jī)充電方式更不易越限。

圖8為平均日網(wǎng)絡(luò)損耗曲線。

圖8 平均日網(wǎng)絡(luò)損耗曲線

從圖8可看出：多目標(biāo)優(yōu)化充電方式下，平均日網(wǎng)絡(luò)損耗曲線與橫坐標(biāo)圍成的日網(wǎng)絡(luò)損耗面積，遠(yuǎn)小于隨機(jī)充電方式時(shí)，實(shí)現(xiàn)了配電網(wǎng)總損耗的優(yōu)化。

4 結(jié)論

本文基于電動(dòng)汽車時(shí)空充電模型和風(fēng)能、太陽能發(fā)電數(shù)學(xué)模型，建立了電動(dòng)汽車和可再生能源的多目標(biāo)協(xié)同優(yōu)化調(diào)度方案，在減小間歇性可再生能源對(duì)電網(wǎng)沖擊的同時(shí)，降低了電動(dòng)汽車用戶的充電成本。采用具有更強(qiáng)全局搜索能力的多目標(biāo)QPSO算法能夠獲得多種優(yōu)化調(diào)度方案，可根據(jù)電網(wǎng)和用戶的不同實(shí)際需求進(jìn)行選擇。

實(shí)例仿真結(jié)果表明，該模型可以有效地利用電動(dòng)汽車電池儲(chǔ)能系統(tǒng)作為電網(wǎng)和可再生能源的緩沖，降低可再生能源發(fā)電間歇性和電動(dòng)汽車入網(wǎng)隨機(jī)性對(duì)電網(wǎng)的影響，尋求電網(wǎng)側(cè)和用戶側(cè)的雙邊利益最大化，促進(jìn)電動(dòng)汽車的推廣普及。

[1] 王錫凡，邵成成，王秀麗，等．電動(dòng)汽車充電負(fù)荷與調(diào)度控制策略綜述[J].中國電機(jī)工程學(xué)報(bào)，2013，33(1)：1-10.

WANG Xifan，SHAO Chengcheng，WANG Xiuli，et al．Survey of Electric Vehicle Charging Load and Dispatch Control Strategies[J].Proceedings of the CSEE，2013，33(1)：1-10.

[2] ASHTARI A，BIBEAU E，SHAHIDINEJAD S，et al．PEV Charging Profle Prediction and Analysis Based on Vehicle Usage Data[J].IEEE Transactions on Smart Grid，2012，3(1)：341-349.

[3] 荊朝霞，鐘童科，林志龍，等．電動(dòng)汽車充電行為對(duì)電網(wǎng)負(fù)荷曲線的影響[J].南方電網(wǎng)技術(shù)，2013，7(1)：80-84.

JING Zhaoxia，ZHONG Tongke，LIN Zhilong，et al．The Impact of Electric Vehicles Charging Behavior on The Load Curve of Power Grid[J].Southern Power System Technology，2013，7(1)：80-84.

[4] QIAN Kejun，ZHOU Chengke，ALLAN M，et al．Modeling of Load Demand Due to EV Battery Charging in Distribution Systems[J].IEEE Transactions on Power Systems，2011，26(2)：802-810.

[5] MU Yunfei，WU Jianzhong，EKANAYAKE J，et al．Primary Frequency Response from Electric Vehicles in the Great Britain Power System[J].IEEE Transactions on Smart Grid，2013，4(2)：1142-1150.

[6] 鄭丹，袁泉．采用分時(shí)充電電價(jià)時(shí)電動(dòng)汽車充電需求分析[J].廣東電力，2014，27(12)：24-29.

ZHENG Dan，YUAN Quan．Analysis on Charging Demand of Electric Vehicle Based on Application of Time-sharing Charging Price[J].Guangdong Electric Power，2014，27(12)：24-29.

[7] 趙俊華，文福拴，薛禹勝，等．計(jì)及電動(dòng)汽車和風(fēng)電出力不確定性的隨機(jī)經(jīng)濟(jì)調(diào)度[J].電力系統(tǒng)自動(dòng)化，2010，34(20)：22-29.

ZHAO Junhua，WEN Fushuan，XUE Yusheng，et al．Power System Stochastic Economic Dispatch Considering Uncertain Outputs from Plug-in Electric Vehicles and Wind Generators[J].Automation of Electric Power Systems，2010，34(20)：22-29.

[8] Department of Transportation. National Travel Survey：2010[R].London：Department of Transportation，2010.

[9] 岳芳．上班出行行為特征研究[D].北京：北京交通大學(xué)，2008.

[10] 史峰，王輝，郁磊，等．MATLAB智能算法30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2013：102-107.

(編輯 李麗娟)

Coordinated Optimization on Electric Vehicles and Renewable Energy

ZHOU Yang1,WANG Donghua2

(1. Guangdong Power Grid Development Research Institute Co., Ltd., Guangzhou, Guangdong 510080, China; 2. Guangzhou Bureau, CSG EHV Power Transmission Company, Guangzhou, Guangdong 510405, China)

In allusion to multi-objective coordinated dispatching for electric vehicles and renewable energy, this paper establishes a multi-objective coordinated control model taking minimum load fluctuation of the power distribution network, minimum network loss and minimum charging cost of electric vehicle users for objective functions. It also uses quantum particle swarm(PSO) multi-objective searching algorithm for solution and then gets reasonable network accessing numbers of electric vehicles at each time. IEEE-33 node power distribution system is used for simulating experiment and results indicate that it is able to reduce generation intermittent of renewable energy and influence on the power grid by random of network accessing of electric vehicles by taking battery energy storage system of the electric vehicle as cushion for the power grid and renewable energy, as well as promote maximization of bilateral benefits of grid side and user side.

electric vehicle; renewable energy; coordinated control; quantum particle swarm optimization algorithm; multi-objective optimization

2016-04-27

2016-07-11

10.3969/j.issn.1007-290X.2016.10.008

TM714；TM910.6

A

1007-290X(2016)10-0042-07

周楊(1987)，男，湖北荊州人。工程師，工學(xué)碩士，從事電網(wǎng)規(guī)劃與系統(tǒng)分析工作。

王東華(1991)，女，江西吉安人。助理工程師，工學(xué)碩士，從事直流輸電系統(tǒng)運(yùn)行管理工作。