CN105720597B - 用于优化电动汽车充储放一体化电站充放电功率的方法 - Google Patents

Abstract

用于优化电动汽车充储放一体化电站充放电功率的方法,通过粒子算法优化一体化电站与电网互动功率，能显著降低电网负荷的峰谷差，一体化电站参与电网辅助服务的能力与电站储能***容量成正相关关系，即容量越大，一体化电站参与电网辅助服务的能力越强，削峰填谷的效果就越显著，本发明还可以进一步降低充储放一体化电站的电池损耗成本。

Description

用于优化电动汽车充储放一体化电站充放电功率的方法

技术领域

本发明涉及一种电动汽车与电网互动技术领域，特别是一种优化一体化电站与电网互动功率的方法。

背景技术

电动汽车是汽车工业的研究热点，目前已成为各国政府、能源厂商以及汽车厂商的关注焦点，如美国的EV Project计划和中国的“十城千辆”计划。可以预计未来随着电池技术的不断进步，石油资源的逐渐枯竭，电动汽车将逐渐普及。随着未来电动汽车大规模的普及，大规模接入电网充电，由于充电负荷的随机性和分散性，必将给电网发电、输电、配电、用电、调度等带来不可忽视的影响。如导致新的负荷尖峰，增大网损，某些节点电压水平的降低等。因此，如何通过合理控制电动汽车的充电行为，减少规模化电动汽车充电给电网带来的不利影响，成为亟待解决的重要问题。

目前电动汽车与电网互动技术的研究，部分是将电动汽车作为电网中的分布式储能单元，根据调度指令参与电网调频、调峰的作用。部分研究了电池向电网集中供电(Battery to grid，B2G)模式。B2G模式为电动汽车充电站的开发建设开辟了新思路，即建设充储放一体化电站。然而，在对充储放一体化电站的相关研究中，相关的优化方法往往只考虑电站为电网提供调峰调频等辅助服务能力的评估，忽略了电池频繁充放电对电池寿命的影响。实际上，由于目前电池价格昂贵，电池成本占电站成本比重较大，频繁充放电势必会增大电池损耗，使电池寿命缩短，进而影响充储放电站经济性运行，增大电站的运行成本，同时影响电网辅助服务的效果。因此，为了规避电动汽车规模化应用给电网带来的不利影响，实现电站的经济性运行，确保电网辅助服务的效果，有必要对考虑电池损耗成本的充储放一体化电站运行优化方法进行优化研究。

发明内容

本发明的目的就是提供一种用于优化电动汽车充储放一体化电站充放电功率的方法，它不仅能很好的平抑电网的负荷波动，减小电网负荷峰谷差，同时也能有效地减少电动汽车充储放电站电池的损耗成本。

本发明的目的是通过这样的技术方案实现的，具体步骤如下：

1)确定一体化电站以电网峰谷差和电池损耗成本最小为优化目标的目标函数；

2)构建一体化电站的充放电功率、电池容量和备用容量的约束条件；

3)结合步骤1)中所述目标函数和步骤2)中所述的约束条件，构建最优化数学模型，并利用粒子群算法求该最优化数学模型，得到每一时段一体化电站与电网互动的最优充放电功率；

步骤1)中所述以电网峰谷差和电池损耗成本最小为优化目标的目标函数的计算方法为：

P_lx(t)＝P_ly(t)+P_lc(t)+P(t)

F＝min[α(maxP_lx(t)-minP_lx(t))+βC]

式中，P_ly(t)为区域电网的日负荷，P_lx(t)为电网经一体化电站调节后的负荷，C为一体化电池损耗成本，r_d为由单位放电功率折合的电池损耗费率，取0.4，α、β分别为负荷曲线峰谷差和电池损耗成本在优化目标中所占的权重，且α+β＝1，P(t)为一体化电站与电网互动的充放电功率，P_lc(t)表示区域内电动汽车的日充换电负荷。

进一步，步骤2)中所述的约束条件为：

2-1)一体化电站与电网互动的充放电功率P(t)的约束条件为：

-P_max≤P(t)≤P_max

式中，P_max表示电网给一体化电站充电的最大功率，-P_max表示一体化电站向电网放电的最大功率；

2-2)一体化电站的电池容量约束条件为：

kQ_max≤Q(t)≤Q_max

式中,Q_max为一体化电站的最大储能容量，k为备用容量系数；

2-3)备用容量的约束条件为：

Q_b＝kQ_max

式中,Q_b为备用容量，Q_max为一体化电站的最大储能容量，k为备用容量系数；

2-4)一体化电站与电网互动的充放电功率P(t)与一体化电站内电池容量Q(t)满足以下公式：

ΔQ＝P(t)×t

Q(t+1)＝Q(t)+ΔQ-P_lc(t)

式中，P_lc(t)表示区域内电动汽车的日充换电负荷。

进一步，备用容量系数k取值为20％。

进一步，步骤3)中所述利用粒子群算法求最优化数学模型的具体方法为：

3-1)输入已知条件和算法基本参数，初始化粒子的位置和速度；已知条件包括区域内配电网日负荷以及电动汽车的充换电负荷；

3-2)根据约束条件来修改粒子位置；

3-3)计算粒子群的适应度，即目标函数，记录粒子个体最好位置和群体最好位置；

3-4)根据粒子群算法的粒子速度和位置更新公式更新粒子速度和位置；

3-5)检查粒子位置是否超过限值，是则返回步骤3-2)，反之则转入步骤3-6)；

3-6)计算粒子群的适应度，更新并记录粒子最优位置和群体最最优位置；

3-7)判断是否达到预设结束条件，是则停止计算，并输出此时粒子位置，即一体化电站与电网互动的充放电功率P(t)，反之则返回步骤3-4)。

进一步，步骤3-4)中所述粒子速度和位置更新公式具体为：

式中，v_Id ^k是v是粒子I在第k次迭代中第d维的速度；ω为惯性权重；c₁、c₂是学习因子，按照经验常取c₁＝c₂＝2；rand₁ ^k,rand₂ ^k是[0,1]之间的随机数；x_Id ^k是粒子I在第k次迭代中第d维的位置；pbest_Id ^k是粒子I个体极值点在第d维的坐标；gbest_Id ^k是整个群体全局极值点在第d维的坐标。

由于采用了上述技术方案，本发明具有如下的优点：

本发明通过粒子算法优化一体化电站与电网互动功率，能显著降低电网负荷的峰谷差，一体化电站参与电网辅助服务的能力与电站储能***容量成正相关关系，即容量越大，一体化电站参与电网辅助服务的能力越强，削峰填谷的效果就越显著，本发明还可以进一步降低充储放一体化电站的电池损耗成本。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的流程示意图；

图2为某一区域配电网日负荷曲线图；

图3为区域内电动汽车的日充换电负荷曲线图；

图4为优化前后配电网日负荷曲线图；

图5为电站容量-电网峰谷差减少率曲线图；

图6为不同容量下电站损耗成本图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

一种用于优化电动汽车充储放一体化电站充放电功率的方法，如图1所示，包括以下步骤：

1)确定一体化电站以电网峰谷差和电池损耗成本最小为优化目标的目标函数；

2)构建一体化电站的充放电功率、电池容量和备用容量的约束条件；

3)结合步骤1)中所述目标函数和步骤2)中所述的约束条件，构建最优化数学模型，并利用粒子群算法求该最优化数学模型，得到每一时段一体化电站与电网互动的最优充放电功率。

步骤1)中所述以电网峰谷差和电池损耗成本最小为优化目标的目标函数的计算方法为

P_lx(t)＝P_ly(t)+P_lc(t)+P(t)

F＝min[α(maxP_lx(t)-minP_lx(t))+βC]

式中，P_ly(t)为区域电网的日负荷，P_lx(t)为电网经一体化电站调节后的负荷，C为一体化电池损耗成本，r_d为由单位放电功率折合的电池损耗费率，取0.4，α、β分别为负荷曲线峰谷差和电池损耗成本在优化目标中所占的权重，且α+β＝1，P(t)为一体化电站与电网互动的充放电功率，P_lc(t)表示区域内电动汽车的日充换电负荷。

步骤2)中所述的约束条件为：

2-1)一体化电站与电网互动的充放电功率P(t)的约束条件为：

-P_max≤P(t)≤P_max

式中，P_max表示电网给一体化电站充电的最大功率，-P_max表示一体化电站向电网放电的最大功率；

2-2)一体化电站的电池容量约束条件为：

kQ_max≤Q(t)≤Q_max

式中,Q_max为一体化电站的最大储能容量，k为备用容量系数；

2-3)备用容量的约束条件为：

Q_b＝kQ_max

式中,Q_b为备用容量，Q_max为一体化电站的最大储能容量，k为备用容量系数；

2-4)一体化电站与电网互动的充放电功率P(t)与一体化电站内电池容量Q(t)满足以下公式：

ΔQ＝P(t)×t

Q(t+1)＝Q(t)+ΔQ-P_lc(t)

式中，P_lc(t)表示区域内电动汽车的日充换电负荷。

步骤3)中所述利用粒子群算法求最优化数学模型的具体方法为：

3-1)输入已知条件和算法基本参数，初始化粒子的位置和速度；已知条件包括区域内配电网日负荷以及电动汽车的充换电负荷；

3-2)根据约束条件来修改粒子位置；

3-3)计算粒子群的适应度，即目标函数，记录粒子个体最好位置和群体最好位置；

3-4)根据粒子群算法的粒子速度和位置更新公式更新粒子速度和位置；

3-5)检查粒子位置是否超过限值，是则返回步骤3-2)，反之则转入步骤3-6)；

3-6)计算粒子群的适应度，更新并记录粒子最优位置和群体最最优位置；

3-7)判断是否达到预设结束条件，是则停止计算，并输出此时粒子位置，即一体化电站与电网互动的充放电功率P(t)，反之则返回步骤3-4)。

进一步，步骤3-4)中所述粒子速度和位置更新公式具体为：

式中，v_Id ^k是v是粒子I在第k次迭代中第d维的速度；ω为惯性权重；c₁、c₂是学习因子，按照经验常取c₁＝c₂＝2；rand₁ ^k,rand₂ ^k是[0,1]之间的随机数；x_Id ^k是粒子I在第k次迭代中第d维的位置；pbest_Id ^k是粒子I个体极值点在第d维的坐标；gbest_Id ^k是整个群体全局极值点在第d维的坐标。

以某地区配电网的日负荷为例，如图2所示。区域内接入了一座最大储能电池容量为8MWh的充储放一体化电站，其电动汽车的日充换电负荷如图3所示。

根据图2和图3可得，该地区的电网日负荷的峰荷时段为11:00-15:00，谷负荷时段为04:00-07:00；而电动汽车的充换电峰荷时段10:00-14:00，谷负荷时段为03:00-06:00，两者变化趋势大致一致。这样的变化趋势，会导致峰值负荷出现重叠，增大电网峰谷差，出现“峰上加峰”现象，降低了电网负荷率，使得电网负荷波动进一步加大，不利于电网安全稳定运行。

区域内优化前日负荷为配电网日负荷与电动汽车日充换电负荷叠加。图4所示为采用优化方法后，与优化前配电网日负荷的对比曲线图。由图4可知，区域电网考虑了电动汽车充换电负荷后的日负荷出现峰负荷的时段大概为12:00-14:00，谷负荷的时段大概为05:00-07:00。此外，与未考虑电站的优化方法相比，采用本发明的优化方法制定一体化电站充放电计划后，电网日负荷得到明显改进，降低了电网峰负荷，增大了电网谷负荷，能有效规避规模化电动汽车充电给电网带来的负荷波动，平抑电网峰谷差。

为了不失一般性，本发明还分别对储能电池容量为4MWh、5MWh、5.5MWh、6MWh、7MWh等不同容量的一体化电站进行了仿真，进一步研究了一体化电站储能电池容量的变化对优化策略结果的影响。图5为电网负荷峰谷差减少率与一体化电站容量的关系。

从图5中可以看出，储能容量为4MWh、5MWh、5.5MWh、6MWh、7MWh、8MWh时，电网峰谷差减少率分别为：5.4％、9.4％、10.5％、13.1％、15.1％。电网负荷峰谷差减少率变化与充储放一体化电站储能***容量的变化正相关，随着容量的增加而逐渐增加，容量为4MW时，电网负荷峰谷差减少率最小，为5.4％，容量为8MW时，电网负荷峰谷差减少率最大为15.1％，其余容量时，则介于两者之间。但这种正相关不是线性关系，而是开始增加较快，后面增加较慢，具体为4MW～6MW时增加比较快，增长的幅度较大，6MW～8MW增加较慢，增长的幅度较小。这可能主要是因为一体化电站储能***容量越大，参与电网调节的能力就越强，电池放电量增多使得其损耗成本增大，优化方法为降低其损耗成本，不得不采取折衷的方法，减慢了削峰填谷能力的增长幅度。

图6本发明优化方法与未计及电池损耗的优化方法下储能电池损耗成本与储能电池容量的比较。从图中可知，本发明优化方法下，一体化电站储能电池容量为4MWh、5MWh、6MWh、7MWh、8MWh时，电池损耗成本分别为1053元、1184元、1464元、2012元、5150元。而在不计及电池损耗成本优化方法下，电池损耗成本分别为1489元、1681元、1976元、2768元、7004元。电池损耗成本随着一体化电站储能电池容量增加而增加。这主要是因为随着一体化电站储能电池容量的增加，所需要的电池必然增加，则在单个电池损耗成本一定的情况下，总的电池损耗成本也会增加。此外，本发明优化方法下的电池损耗成本明显低于不计及电池损耗成本优化方法，采用本发明提出的优化方法，能在尽可能平抑负荷波动、削峰填谷的同时，还能有效减小一体化电站电池损耗成本，显著提高充储放一体化电站运行经济性，当未来随着电动汽车的普及，充储放一体化电站的数量和容量大量增加时，降低电池损耗成本给一体化电站所带来的经济效益就会相当可观。

从上面的结果可以看出，利用本发明一种电动汽车充储放一体化电站运行的优化控制方法，能显著降低电网负荷峰谷差，为电网提供削峰填谷等辅助服务。一体化电站参与电网辅助服务的能力与电站储能***容量成正相关关系，即容量越大，一体化电站参与电网辅助服务的能力越强，削峰填谷效果就越显著。与未计及电池损耗成本的优化方法相比，本发明优化方法在降低电网负荷峰谷差下，还可以进一步降低充储放一体化电站的电池损耗成本，是一种经济、可靠的优化控制方法。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.用于优化电动汽车充储放一体化电站充放电功率的方法，其特征在于，具体步骤如下：

1)确定一体化电站以电网峰谷差和电池损耗成本最小为优化目标的目标函数；

2)构建一体化电站的充放电功率、电池容量和备用容量的约束条件；

3)结合步骤1)中所述目标函数和步骤2)中所述的约束条件，构建最优化数学模型，并利用粒子群算法求该最优化数学模型，得到每一时段一体化电站与电网互动的最优充放电功率；

步骤1)中所述以电网峰谷差和电池损耗成本最小为优化目标的目标函数的计算方法为：

P_lx(t)＝P_ly(t)+P_lc(t)+P(t)

<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>C</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>24</mn> </munderover> <msub> <mi>r</mi> <mi>d</mi> </msub> <mi>P</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced>

F＝min[α(maxP_lx(t)-minP_lx(t))+βC]

式中，P_ly(t)为区域电网的日负荷，P_lx(t)为电网经一体化电站调节后的负荷，C为一体化电池损耗成本，r_d为由单位放电功率折合的电池损耗费率，取0.4，α、β分别为负荷曲线峰谷差和电池损耗成本在优化目标中所占的权重，且α+β＝1，P(t)为一体化电站与电网互动的充放电功率，P_lc(t)表示区域内电动汽车的日充换电负荷。

2.如权利要求1所述的用于优化电动汽车充储放一体化电站充放电功率的方法，其特征在于，步骤2)中所述的约束条件为：

2-1)一体化电站与电网互动的充放电功率P(t)的约束条件为：

-P_max≤P(t)≤P_max

式中，P_max表示电网给一体化电站充电的最大功率，-P_max表示一体化电站向电网放电的最大功率；

2-2)一体化电站的电池容量约束条件为：

kQ_max≤Q(t)≤Q_max

式中,Q_max为一体化电站的最大储能容量，k为备用容量系数；

2-3)备用容量的约束条件为：

Q_b＝kQ_max

式中,Q_b为备用容量，Q_max为一体化电站的最大储能容量，k为备用容量系数；

2-4)一体化电站与电网互动的充放电功率P(t)与一体化电站内电池容量Q(t)满足以下公式：

ΔQ＝P(t)×t

Q(t+1)＝Q(t)+ΔQ-P_lc(t)

式中，P_lc(t)表示区域内电动汽车的日充换电负荷。

3.如权利要求2所述的用于优化电动汽车充储放一体化电站充放电功率的方法，其特征在于：备用容量系数k取值为20％。

4.如权利要求2所述的用于优化电动汽车充储放一体化电站充放电功率的方法，其特征在于，步骤3)中所述利用粒子群算法求最优化数学模型的具体方法为：

3-1)输入已知条件和算法基本参数，初始化粒子的位置和速度；已知条件包括区域内配电网日负荷以及电动汽车的充换电负荷；

3-2)根据约束条件来修改粒子位置；

3-3)计算粒子群的适应度，即目标函数，记录粒子个体最好位置和群体最好位置；

3-4)根据粒子群算法的粒子速度和位置更新公式更新粒子速度和位置；

3-5)检查粒子位置是否超过限值，是则返回步骤3-2)，反之则转入步骤3-6)；

3-6)计算粒子群的适应度，更新并记录粒子最优位置和群体最最优位置；

3-7)判断是否达到预设结束条件，是则停止计算，并输出此时粒子位置，即一体化电站与电网互动的充放电功率P(t)，反之则返回步骤3-4)。

5.如权利要求4所述的用于优化电动汽车充储放一体化电站充放电功率的方法，其特征在于，步骤3-4)中所述粒子速度和位置更新公式具体为：

<mrow> <msubsup> <mi>v</mi> <mrow> <mi>I</mi> <mi>d</mi> </mrow> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <msubsup> <mi>&amp;omega;v</mi> <mrow> <mi>I</mi> <mi>d</mi> </mrow> <mi>k</mi> </msubsup> <mo>+</mo> <msub> <mi>c</mi> <mn>1</mn> </msub> <msubsup> <mi>rand</mi> <mn>1</mn> <mi>k</mi> </msubsup> <mrow> <mo>(</mo> <msubsup> <mi>pbest</mi> <mrow> <mi>I</mi> <mi>d</mi> </mrow> <mi>k</mi> </msubsup> <mo>-</mo> <msubsup> <mi>x</mi> <mrow> <mi>I</mi> <mi>d</mi> </mrow> <mi>k</mi> </msubsup> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>c</mi> <mn>2</mn> </msub> <msubsup> <mi>rand</mi> <mn>2</mn> <mi>k</mi> </msubsup> <mrow> <mo>(</mo> <msubsup> <mi>gbest</mi> <mrow> <mi>I</mi> <mi>d</mi> </mrow> <mi>k</mi> </msubsup> <mo>-</mo> <msubsup> <mi>x</mi> <mrow> <mi>I</mi> <mi>d</mi> </mrow> <mi>k</mi> </msubsup> <mo>)</mo> </mrow> </mrow>

<mrow> <msubsup> <mi>x</mi> <mrow> <mi>I</mi> <mi>d</mi> </mrow> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <msubsup> <mi>x</mi> <mrow> <mi>I</mi> <mi>d</mi> </mrow> <mi>k</mi> </msubsup> <mo>+</mo> <msubsup> <mi>v</mi> <mrow> <mi>I</mi> <mi>d</mi> </mrow> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> </mrow>

式中，v_Id ^k是v是粒子I在第k次迭代中第d维的速度；ω为惯性权重；c₁、c₂是学习因子，按照经验常取c₁＝c₂＝2；rand₁ ^k,rand₂ ^k是[0,1]之间的随机数；x_Id ^k是粒子I在第k次迭代中第d维的位置；pbest_Id ^k是粒子I个体极值点在第d维的坐标；gbest_Id ^k是整个群体全局极值点在第d维的坐标。