程 杉，汪業(yè)喬，廖瑋霖，左先旺，代 江

含電動汽車的新能源微電網(wǎng)多目標(biāo)分層優(yōu)化調(diào)度

程 杉1,2，汪業(yè)喬1,2，廖瑋霖1,3，左先旺1,2，代 江4

(1.三峽大學(xué)電氣與新能源學(xué)院，湖北 宜昌 443002；2.電力系統(tǒng)智能運(yùn)行與安全防御宜昌市重點實驗室(三峽大學(xué))，湖北 宜昌 443002；3.國網(wǎng)湖北省電力有限公司直流運(yùn)檢公司，湖北 宜昌 443000；4.貴州電網(wǎng)有限責(zé)任公司電力調(diào)度控制中心，貴州 貴陽 550002)

電動汽車(EV)和新能源微電網(wǎng)(NEMG)分屬不同利益主體。針對EV接入NEMG后的經(jīng)濟(jì)運(yùn)行問題，建立計及EV有序充放電行為和車主綜合滿意度的NEMG多目標(biāo)分層調(diào)度數(shù)學(xué)模型并提出求解計算方法。EV層以最大化車主的綜合滿意度為目標(biāo)，通過CPLEX軟件求解得到EV充放電計劃并傳遞給NEMG層。NEMG層基于EV充放電計劃調(diào)整微電網(wǎng)內(nèi)部可控分布式電源出力，以達(dá)到最小化系統(tǒng)綜合成本和交互功率波動的目標(biāo)。為求解該高維、非線性和多目標(biāo)模型，提出基于可信度的三黑洞系統(tǒng)捕獲策略多目標(biāo)粒子群優(yōu)化算法。仿真結(jié)果表明，含EV微電網(wǎng)分層架構(gòu)相比不分層架構(gòu)能實現(xiàn)EV和NEMG的互利共贏，驗證了所提方法的科學(xué)性及有效性。

電動汽車；新能源微電網(wǎng)；滿意度；分層優(yōu)化；多目標(biāo)粒子群優(yōu)化

0 引言

根據(jù)國務(wù)院辦公廳印發(fā)的《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃(2021—2035年)》，為加快我國建設(shè)汽車強(qiáng)國，有效促進(jìn)節(jié)能減排水平，到2035年純電動汽車將成為新銷售車輛的主流，公共領(lǐng)域用車全面電動化。而根據(jù)我國電力系統(tǒng)的一次能源利用現(xiàn)狀，電動汽車(Electric Vehicle, EV)直接接入電網(wǎng)并不能實現(xiàn)真正意義上的低碳，規(guī)?；尤脒€可能引起系統(tǒng)峰值負(fù)荷增長，進(jìn)而對系統(tǒng)的安全和穩(wěn)定運(yùn)行產(chǎn)生負(fù)面影響[1]。對EV動力電池統(tǒng)一管理，可以有效緩解大規(guī)模EV接入電網(wǎng)所帶來的負(fù)面影響，尤其是接入新能源微電網(wǎng)(New Energy Microgrid, NEMG)，既可以就地消納可再生能源，實現(xiàn)真正意義上的低碳[2-3]，又可以通過V2G技術(shù)實現(xiàn)削峰填谷、提供輔助服務(wù)等多重效益[4-6]。因此，為滿足EV用戶的充電需求和參與V2G收益，保障NEMG的安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行，科學(xué)合理的EV有序充放電控制和NEMG運(yùn)行調(diào)度起著至關(guān)重要的作用。

目前，國內(nèi)外學(xué)者對EV接入NEMG后的調(diào)度問題已經(jīng)進(jìn)行了大量研究。文獻(xiàn)[7]建立了含EV的NEMG經(jīng)濟(jì)調(diào)度模型，提出了基于改進(jìn)遺傳算法的求解計算方法，結(jié)果表明：EV有序充放電既可以減輕負(fù)荷高峰時NEMG的供電負(fù)擔(dān)、發(fā)電成本，又可以實現(xiàn)良好的環(huán)境效益。文獻(xiàn)[8]提出一種動態(tài)電價調(diào)整策略，充分調(diào)動EV參與NEMG的調(diào)度，結(jié)果表明EV有序充放電可以減少NEMG中儲能的配置容量。而文獻(xiàn)[9]提出了在NEMG中利用集群EV充放電的靈活性來平抑光伏功率波動的實時調(diào)度方法，結(jié)果表明平抑效果良好，而且參與調(diào)度的EV數(shù)量越多，平抑效果越佳。文獻(xiàn)[3]則考慮EV充換儲一體化電站和NEMG的所有權(quán)不同，提出了基于Stackelberg博弈的含一體化電站的NEMG雙層優(yōu)化調(diào)度模型及其方法，仿真結(jié)果表明所得均衡策略既可以實現(xiàn)互利共贏又可以有效利用一體化電站內(nèi)部資源從而避免潛在的經(jīng)濟(jì)損失。上述文獻(xiàn)均通過對EV有序充放電調(diào)度來提高NEMG的經(jīng)濟(jì)性，但除文獻(xiàn)[3]外，其他研究沒有考慮到EV的利益，由于EV參與V2G時和NEMG屬于兩個不同的利益主體，有必要在對含EV的NEMG調(diào)度優(yōu)化時考慮并保證EV的利益。

NEMG的調(diào)度是通過合理分配各分布式電源出力來解決負(fù)荷需求[10-11]的優(yōu)化問題，涉及經(jīng)濟(jì)性、環(huán)保性等指標(biāo)，具有高維度、非線性、多約束、多目標(biāo)的特點。文獻(xiàn)[12]以NEMG的運(yùn)行成本最小、環(huán)境效益最高和綜合費用最低為目標(biāo)函數(shù)，通過線性加權(quán)法將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)問題來求解，這種方法簡化了多目標(biāo)優(yōu)化問題的求解，但該方法并不能反映出子目標(biāo)之間的關(guān)系，本質(zhì)上是一種“單目標(biāo)優(yōu)化方法”[13]，優(yōu)化結(jié)果的可靠性會有所下降。文獻(xiàn)[14]在文獻(xiàn)[12]基礎(chǔ)上利用NSGA-Ⅱ算法求解得到Pareto前沿，最后采用模糊決策方法選取最終解。文獻(xiàn)[15]則提出了含EV的NEMG多目標(biāo)分級優(yōu)化調(diào)度模型，并采用多目標(biāo)粒子群優(yōu)化(Multi-objective Particle Swarm Optimization)算法求解該優(yōu)化模型。將多目標(biāo)優(yōu)化方法應(yīng)用于求解多目標(biāo)優(yōu)化問題得到的多樣性解，可以為決策者提供NEMG調(diào)度中各指標(biāo)之間關(guān)系的有用信息，有助于找到能夠惠及多方利益的一組折中解[13]。

基于以上討論，本文提出考慮EV有序充放電行為和車主綜合滿意度的NEMG多目標(biāo)分層調(diào)度優(yōu)化數(shù)學(xué)模型及其求解方法。EV層充分考慮EV參與V2G的利益，以車主費用支出和出行的綜合滿意度最大為目標(biāo)，通過CPLEX優(yōu)化EV充放電計劃并傳遞給NEMG層。NEMG層基于優(yōu)化后的EV充放電計劃，以系統(tǒng)綜合成本最小和與主網(wǎng)交互功率波動最小為目標(biāo)函數(shù)，采用基于三黑洞捕獲策略的多目標(biāo)粒子群優(yōu)化(Three-black-hole Capturing Strategy based MPSO, MPSO-TCS)算法求解該高維、非線性的多目標(biāo)優(yōu)化模型，優(yōu)化調(diào)整NEMG內(nèi)部可控分布式電源出力?；谒憷齕16]的仿真結(jié)果和對比分析驗證了所提方法的科學(xué)性及有效性。

1 NEMG分層優(yōu)化框架

圖1 NEMG及其分層優(yōu)化框架

2 分層優(yōu)化模型

2.1 EV層

2.1.1目標(biāo)函數(shù)

1) 第輛EV費用滿意度

2) 第輛EV的出行滿意度

2.1.2約束條件

1) EV充放電功率約束

式中，charmax、dismax分別為EV充電和放電的最大功率。

2) EV充放電狀態(tài)變量約束

3) EV荷電狀態(tài)約束

2.2 NEMG層

2.2.1目標(biāo)函數(shù)

為減小對主網(wǎng)的影響并實現(xiàn)自身經(jīng)濟(jì)運(yùn)行，以最小化NEMG綜合成本和最小化與主網(wǎng)交互功率波動作為優(yōu)化目標(biāo)。

1) NEMG綜合成本最小

式中：op、en分別為NEMG的運(yùn)行成本和環(huán)境成本，表達(dá)式分別如式(12)和式(18)所示。

NEMG與主網(wǎng)能量交互成本grid可表示為

2) NEMG與主網(wǎng)交互功率波動最小

式中，grid,av為調(diào)度周期內(nèi)的平均交互功率。

2.2.2約束條件

1) 功率平衡約束

2) 分布式電源出力約束

3) 分布式電源爬坡約束

4) SB充放電功率約束

5) NEMG買賣電狀態(tài)變量約束

6) SB充放電狀態(tài)變量約束

7) SB荷電狀態(tài)約束

3 求解方法

3.1 分層優(yōu)化求解

采用CPLEX軟件和MPSO-TCS算法聯(lián)合求解NEMG的多目標(biāo)分層優(yōu)化調(diào)度模型，前者求解EV層的混合整數(shù)線性規(guī)劃問題得到EV的充電計劃；后者用于求解NEMG層的非線性、多維、多約束和多目標(biāo)優(yōu)化問題。

3.2 MPSO-TCS算法

3.2.1隨機(jī)黑洞粒子群優(yōu)化算法

文獻(xiàn)[17]提出了隨機(jī)黑洞粒子群優(yōu)化(RBHPSO)算法。RBHPSO選取全局最優(yōu)粒子為中心、為半徑的區(qū)域形成黑洞，視黑洞為近似真實解所在的區(qū)域，每個粒子都有一定幾率被黑洞吸收或逃離，為粒子增加了新的搜索區(qū)域，具有較好的優(yōu)化特性和較快的收斂特性。當(dāng)粒子逃離黑洞時，即>，按傳統(tǒng)方式更新：

3.2.2基于可信度的三黑洞系統(tǒng)捕獲策略

RBHPSO算法仍存在陷入早熟的可能，且在非連續(xù)函數(shù)、含多重局部最優(yōu)解的函數(shù)上收斂性能差，文獻(xiàn)[18]提出了TCS。在迭代前期，全局最優(yōu)粒子是真實最優(yōu)粒子的可信度不大，但隨著迭代次數(shù)的增加，粒子總會朝著真實最優(yōu)粒子運(yùn)動，全局最優(yōu)粒子可能是真實最優(yōu)粒子的可信度逐步增大，故而引入隨機(jī)數(shù)可信度因子∈[0,1]。

此外，為了防止粒子初始化過于集中導(dǎo)致快速陷入局部最優(yōu)的問題，引入另外兩個黑洞。在前期，三個黑洞共同吸引粒子，粒子將隨機(jī)地被某一個黑洞捕獲，但是隨著迭代次數(shù)增加，更多的粒子將被全局最優(yōu)附近的黑洞吸收，此黑洞吸引力增大，這導(dǎo)致更多粒子被其捕獲，故而此黑洞逐步壯大，反之另外兩個黑洞逐步縮小，直至瓦解。此黑洞中心位置總是在變動的，總是在以下三種位置中的某一位置：全局最優(yōu)粒子和上界的中點、全局最優(yōu)粒子和下界的中點、全局最優(yōu)附近的點。當(dāng)粒子逃離黑洞時，即>，按式(31)更新。當(dāng)粒子被黑洞吸收時，即≤，按式(33)更新。

3.2.3 MPSO-TCS算法性能測試

將基于TCS的粒子群算法擴(kuò)展為MPSO，并采用經(jīng)典的擁擠距離排序策略得到Pareto解[19]即得到MPSO-TCS算法。為對比分析將基于RBHPSO的MPSO記為MPSO-RBH。選取ZDT1—ZDT4測試函數(shù)進(jìn)行測試，其中ZDT3為非連續(xù)函數(shù)，使得求解不同系列的解變得較為困難，而ZDT4為多峰函數(shù)，多重局部Pareto前端導(dǎo)致很多算法都難以收斂到真實解。如圖2為兩算法確認(rèn)出的Pareto前沿對比。很明顯，MPSO-RBH算法收斂性很差，而MPSO-TCS算法的Pareto前沿不但逼近真實且分布性很好。

圖2 ZDT3和ZDT4的Pareto前沿對比圖

3.3 基于CPLEX和MPSO-TCS的模型求解

基于CPLEX和MPSO-TCS的模型求解流程如圖3所示，具體步驟如下：

1) 讀取EV的參數(shù)及電網(wǎng)電價。

2) EV層以式(1)為目標(biāo)函數(shù)、以式(7)—式(10)為約束條件，通過CPLEX軟件求解出EV的最優(yōu)充放電功率并傳遞給NEMG層。

3) 讀取NEMG系統(tǒng)參數(shù)，設(shè)置粒子群參數(shù)，初始化粒子群。

4) NEMG將EV的最優(yōu)充放電功率與基礎(chǔ)日負(fù)荷、PV、WT出力疊加，得到NEMG的凈負(fù)荷。

5) NEMG以式(11)和式(19)為目標(biāo)函數(shù)、以式(21)—式(29)為約束條件，通過MPSO-TCS算法求解出Pareto解和Pareto前沿。

圖3 分層求解流程圖

4 結(jié)論與展望

4.1 算例參數(shù)

本文接入NEMG的EV數(shù)量為50輛，根據(jù)EV的出行規(guī)律[21]，采用蒙特卡洛方法可得到EV的接入電網(wǎng)時刻、離開電網(wǎng)時刻、初始荷電狀態(tài)、期望荷電狀態(tài)等基本信息[22]，EV的其他參數(shù)如表1所示[10,16]。NEMG中DE和MT的燃料成本曲線如圖4所示，DE、MT運(yùn)行參數(shù)和SB的相關(guān)參數(shù)[23]如表2所示，污染物排放相關(guān)參數(shù)[16,24]如表3所示。WT、PV以最大功率輸出，其出力和NEMG基本日負(fù)荷曲線[16]如圖5所示。EV充、放電價和NEMG買賣電價均采用如圖6所示的分時電價[16]。MPSO-TCS算法的種群規(guī)模為50，黑洞半徑取0.01，總迭代次數(shù)為100。

表1 EV的其他參數(shù)

圖4 各分布式電源的燃料成本曲線

表2 分布式電源和SB的相關(guān)參數(shù)

表3 污染物排放和處理參數(shù)

圖5 WT和PV出力、日負(fù)荷曲線圖

圖6 分時電價

4.2 結(jié)果與分析

4.2.1 EV層優(yōu)化結(jié)果

考慮兩種策略作為對比，策略1：按照車主意愿的無序充電；策略2：費用支出最少的有序充放電。如圖7所示為三種策略對應(yīng)的疊加負(fù)荷與基礎(chǔ)日負(fù)荷對比?？梢姡翰呗?下的EV充電集中在09：00—13：00和18：00—22：00，這兩個時間段是車主到達(dá)工作地點和抵達(dá)居住地點的時段，該時段內(nèi)車主按照意愿無序充電導(dǎo)致了負(fù)荷“峰上加峰”，加重了NEMG負(fù)擔(dān)。策略2下，由于利益驅(qū)使，EV在高電價時段09：00—13：00和18：00—22：00放電獲取利益，在低電價時段01：00—06：00充電降低充電成本，但由于“羊群效應(yīng)”又出現(xiàn)新的負(fù)荷高峰和低谷。而在本文策略下，費用支出和出行便利的雙重影響，使得EV理性充、放電，有效起到了“削峰填谷”的效果。

表4為三種策略的定量指標(biāo)值對比。可知：與策略1隨性的無序充電和策略2追求費用支出最低不同，本文策略既取得了顯著地降低負(fù)荷峰谷差和負(fù)荷方差的效果，又有效地避免了費用支出過高的現(xiàn)象。由此可見，本文所提策略“成人達(dá)己”，有效平衡了出行滿意度和費用滿意度，取得了綜合滿意度最大的效果。

圖7 不同策略下的負(fù)荷曲線

表4 不同策略下的指標(biāo)對比

4.2.2 NEMG層優(yōu)化結(jié)果

從圖9可見：首先，相比主網(wǎng)發(fā)電的污染物排放，MT、DE發(fā)電成本及污染處理費用低，在各個時段均為NEMG的供電單元，不足部分才調(diào)用SB放電和從主網(wǎng)購電，盈余時則向SB充電和主網(wǎng)賣電。其次，與DE相比，MT具有更低的運(yùn)行成本，因此MT全額出力，DE輸出功率在150～200 kW。再者，NEMG為最小化綜合成本，在低電價時段(如01：00—06：00)從主網(wǎng)買電，在高電價時段(如09：00—13:00和18：00—22：00)向主網(wǎng)賣電。最后，SB的主要作用一方面是通過在較低電價時段(如01：00—8：00和22：00—24：00)充電、較高電價時段(11：00—21：00)放電，降低NEMG的運(yùn)行成本，另一方面通過有序充電降低NEMG與主網(wǎng)的交互功率波動(如09：00—10：00)。

圖8 多目標(biāo)優(yōu)化的Pareto前沿

圖9 NEMG中各單元出力曲線

4.2.3 與不分層時的結(jié)果對比

圖10 不分層情況下的Pareto前沿

5 結(jié)論

本文為兼顧EV與NEMG雙方利益，根據(jù)利益主體不同，提出采用分層優(yōu)化。EV層考慮車主綜合滿意度，優(yōu)化EV的充放電計劃，NEMG層為了降低NEMG綜合成本及與主網(wǎng)交互波動，調(diào)整內(nèi)部可控分布式電源出力，以達(dá)到EV和NEMG雙贏局面。經(jīng)過仿真驗證，得出如下結(jié)論。

1) 提出的綜合滿意度模型，使得EV的充放電更加合理，能有效起到“削峰填谷”的作用。

2) 提出的MPSO-TCS算法對于求解高維、非線性的多目標(biāo)優(yōu)化模型收斂性良好，能逼近真實的Pareto前沿且分布性很好。

3) 與不分層優(yōu)化相比，分層優(yōu)化能更好實現(xiàn)EV與NEMG在運(yùn)行成本、環(huán)境效益等方面的共贏局面。

[1] CHENG Shan, WEI Zhaobin, ZHAO Zikai. Decentralized optimization for charging-storage station considering spatial-temporal transfer randomness of electric vehicles[J]. International Journal of Energy Research, 2021, 45(5): 6800-6815.

[2] 何照安, 沈迪, 劉源, 等. 基于電動汽車群接入的光儲充放一體化微電網(wǎng)系統(tǒng)研究[J]. 新能源汽車供能技術(shù), 2019, 3(1): 1-6.

HE Zhaoan, SHEN Di, LIU Yuan, et al. Research on integrated photovoltaic, energy storage, electric vehicle charging and discharge microgrid system based on electric vehicle group access[J]. Energy Supply Techniques of New Energy Vehicles, 2019, 3(1): 1-6.

[3] 程杉, 倪凱旋, 趙孟雨. 基于Stackelberg博弈的充換儲一體化電站微電網(wǎng)雙層協(xié)調(diào)優(yōu)化調(diào)度[J]. 電力自動化設(shè)備, 2020, 40(6): 49-55, 69.

CHENG Shan, NI Kaixuan, ZHAO Mengyu. Stackelberg game based bi-level coordinated optimal scheduling of microgrid accessed with charging-swapping-storage integrated station[J]. Electric Power Automation Equipment, 2020, 40(6): 49-55, 69.

[4] 程杉, 陳梓銘, 徐康儀, 等. 基于合作博弈與動態(tài)分時電價的電動汽車有序充放電方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(21): 15-21.

CHENG Shan, CHEN Ziming, XU Kangyi, et al. An orderly charging and discharging method for electric vehicles based on a cooperative game and dynamic time-of-use price[J]. Power System Protection and Control, 2020, 48(21): 15-21.

[5] 程杉, 楊堃, 魏昭彬, 等. 計及電價優(yōu)化和放電節(jié)制的電動汽車充電站優(yōu)化調(diào)度[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(11): 1-8.

CHENG Shan, YANG Kun, WEI Zhaobin, et al. Orderly charging and discharging scheduling of electric vehicle charging station considering prices optimization and discharge behavior control[J]. Power System Protection and Control, 2021, 49(11): 1-8.

[6] 陳明強(qiáng), 高健飛, 暢國剛, 等. V2G模式下微網(wǎng)電動汽車有序充電策略研究[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(8): 141-148.

CHEN Mingqiang, GAO Jianfei, CHANG Guogang, et al. Research on orderly charging strategy of micro-grid electric vehicles in V2G model[J]. Power System Protection and Control, 2020, 48(8): 141-148.

[7] 王璟, 王利利, 郭勇, 等. 計及電動汽車的微電網(wǎng)經(jīng)濟(jì)調(diào)度方法[J]. 電力系統(tǒng)保護(hù)與控制, 2016, 44(17): 111-117.

WANG Jing, WANG Lili, GUO Yong, et al. Microgrid economic dispatch method considering electric vehicles[J]. Power System Protection and Control, 2016, 44(17): 111-117.

[8] 趙興勇, 王帥, 吳新華, 等. 含分布式電源和電動汽車的微電網(wǎng)協(xié)調(diào)控制策略[J]. 電網(wǎng)技術(shù), 2016, 40(12): 3732-3740.

ZHAO Xingyong, WANG Shuai, WU Xinhua, et al. Coordinated control strategy research of micro-grid including distributed generations and electric vehicles[J]. Power System Technology, 2016, 40(12): 3732-3740.

[9] 胡俊杰, 周華嫣然, 李陽. 集群電動汽車平抑光伏波動實時調(diào)度策略[J]. 電網(wǎng)技術(shù), 2019, 43(7): 2552-2560.

HU Junjie, ZHOU Huayanran, LI Yang. Real-time dispatching strategy for aggregated electric vehicles to smooth power fluctuation of photovoltaics[J]. Power System Technology, 2019, 43(7): 2552-2560.

[10] MURTY V V S N, KUMAR A. Multi-objective energy management in microgrids with hybrid energy sources and battery energy storage systems[J]. Protection and Control of Modern Power Systems, 2020, 5(4): 304-310.

[11] 陸立民, 褚國偉, 張濤, 等. 基于改進(jìn)多目標(biāo)粒子群算法的微電網(wǎng)儲能優(yōu)化配置[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(15): 116-124.

LU Limin, CHU Guowei, ZHANG Tao, et al. Optimal configuration of energy storage in a microgrid based on improved multi-objective particle swarm optimization[J]. Power System Protection and Control, 2020, 48(15): 116-124.

[12] 吳紅斌, 侯小凡, 趙波, 等. 計及可入網(wǎng)電動汽車的微網(wǎng)系統(tǒng)經(jīng)濟(jì)調(diào)度[J]. 電力系統(tǒng)自動化, 2014, 38(9): 77-84, 99.

WU Hongbin, HOU Xiaofan, ZHAO Bo, et al. Economical dispatch of microgrid considering plug-in electric vehicles[J]. Automation of Electric Power Systems, 2014, 38(9): 77-84, 99.

[13] CHENG Shan, CHEN Minyou. Multi-objective reactive power optimization strategy for distribution system with penetration of distributed generation[J]. International Journal of Electrical Power & Energy Systems, 2014, 62: 221-228.

[14] FARZIN H, FOTUHI-FIRUZABAD M, MOEINI- AGHTAIE M. A stochastic multi-objective framework for optimal scheduling of energy storage systems in microgrids[J]. IEEE Transactions on Smart Grid, 2017, 8(1): 117-127.

[15] 侯慧, 薛夢雅, 陳國炎, 等. 計及電動汽車充放電的微電網(wǎng)多目標(biāo)分級經(jīng)濟(jì)調(diào)度[J]. 電力系統(tǒng)自動化, 2019, 43(17): 55-62.

HOU Hui, XUE Mengya, CHEN Guoyan, et al. Multi- objective hierarchical economic dispatch for microgrid considering charging and discharging of electric vehicles[J]. Automation of Electric Power Systems, 2019, 43(17): 55-62.

[16] LU Xinhui, ZHOU Kaile, YANG Shanlin, et al. Multi-objective optimal load dispatch of microgrid with stochastic access of electric vehicles[J]. Journal of Cleaner Production, 2018, 195: 187-199.

[17] ZHANG Junqi, LIU Kun, TAN Ying, et al. Random black hole particle swarm optimization and its application[C] // 2008 International Conference on Neural Networks and Signal Processing, IEEE, June 7-11, 2008, Nanjing, China: 359-365.

[18] 廖瑋霖, 程杉, 尚冬冬, 等. 多策略融合的粒子群優(yōu)化算法[J]. 計算機(jī)工程與應(yīng)用, 2021, 57(1): 69-76.

LIAO Weilin, CHENG Shan, SHANG Dongdong, et al. Particle swarm optimization algorithm integrated with multiple-strategies[J]. Computer Engineering and Applications, 2021, 57(1): 69-76.

[19] DEB K, PRATAP A, AGARWAL S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Transaction on Evolutionary Computation, 2002, 6(2): 182-197.

[20] XU Yan, ZHANG Rui, DONG Zhaoyang, et al. Optimal placement of static compensators for multi-objective voltage stability enhancement of power systems[J]. IET Generation Transmission & Distribution, 2015, 9(15): 2144-2151.

[21] 張良, 嚴(yán)正, 馮冬涵, 等. 采用兩階段優(yōu)化模型的電動汽車充電站內(nèi)有序充電策略[J]. 電網(wǎng)技術(shù), 2014, 38(4): 967-973.

ZHANG Liang, YAN Zheng, FENG Donghan, et al. Two-stage optimization model based coordinated charging for EV charging station[J]. Power System Technology, 2014, 38(4): 967-973.

[22] 程杉, 王賢寧, 馮毅煁. 電動汽車充電站有序充電調(diào)度的分散式優(yōu)化[J]. 電力系統(tǒng)自動化, 2018, 42(1): 39-46.

CHENG Shan, WANG Xianning, FENG Yichen. Decentralized optimization of ordered charging scheduling in electric vehicle charging station[J]. Automation of Electric Power Systems, 2018, 42(1): 39-46.

[23] 李剛, 李峰, 孔亮, 等. 不同電價下含儲能系統(tǒng)的微電網(wǎng)經(jīng)濟(jì)調(diào)度[J]. 中國電力, 2018, 51(2): 125-132.

LI Gang, LI Feng, KONG Liang, et al. Economic dispatch of microgrid with energy storage under different price policies[J]. Electric Power, 2018, 51(2): 125-132.

[24] HOU Hui, XUE Mengya, XU Yan, et al. Multiobjective joint economic dispatching of a microgrid with multiple distributed generation[J]. Energies, 2018, 11(12): 3264.

Bi-level multi-objective optimization of a new energy microgrid with electric vehicles

CHENG Shan1, 2, WANG Yeqiao1, 2, LIAO Weilin1, 3, ZUO Xianwang1, 2, DAI Jiang4

(1. College of Electrical Engineering and New Energy, China Three Gorges University, Yichang 443002, China;2. Yichang Key Laboratory of Intelligent Operation and Security Defense of Power System (CTGU), Yichang 443002,China; 3.DC Operation Maintenance Company of State Grid Hubei Electric Power Co., Ltd., Yichang 443000, China;4. Electric Power Dispatching and Control Center of Guizhou Power Grid Co., Ltd., Guiyang 550002, China)

Electric vehicles (EVs) and the New Energy Microgrid (NEMG) belong to different stakeholders. There can be economic operational problems after EVs are connected to an NEMG. A mathematical model of NEMG multi-objective hierarchical scheduling considering EV orderly charge and discharge behavior and owner’ comprehensive satisfaction is established, and calculation method for analysis is proposed. The EV layer aims to maximize the comprehensive satisfaction of the vehicle owner. The EV charge and discharge plan is established by CPLEX software and transmitted to the NEMG layer. The NEMG layer adjusts the output of controllable distributed generation in the microgrid based on the EV charge and discharge plan to minimize the comprehensive cost of system and interactive power fluctuation. To analyze the high-dimensional, nonlinear and multi-objective model, a multi-objective particle swarm optimization algorithm of a three-black-hole-system capture based on reliability is presented. The simulation results show that the layered architecture of the microgrid with EV can achieve mutual benefit and win-win of EV and NEMG compared with a non-layered architecture. This verifies the validity and effectiveness of the proposed method.

electric vehicle; new energy microgrid; satisfaction; layered optimization; multi-objective particle swarm optimization

10.19783/j.cnki.pspc.211149

2021-08-23；

2021-12-08

，博士，教授，主要研究方向為新能源微電網(wǎng)運(yùn)行優(yōu)化與控制、電動汽車充換電設(shè)施與可再生能源集成、智能計算及其在電力系統(tǒng)中的應(yīng)用等；E-mail: hpucquyzu@ctgu.edu.cn

汪業(yè)喬(1998—)，男，碩士研究生，主要研究方向為電動汽車的優(yōu)化與調(diào)度；E-mail: 1315165753@qq.com

廖瑋霖(1995—)，男，碩士研究生，主要研究方向為智能算法及其在微電網(wǎng)中的應(yīng)用。E-mail: 419454402@qq.com

國家自然科學(xué)基金項目資助(51607105)

This work is supported by the National Natural Science Foundation of China (No. 51607105).

(編輯 周金梅)