CN110323737A - 一种电动汽车充电优化调度方法 - Google Patents

Abstract

本发明公开了一种电动汽车充电优化调度方法。考虑到电动汽车的无序充电给电网带来的负面影响，建立了考虑时空分布的充电模型，对标准萤火虫算法做出改进，研究了渗透率的影响，减小了负荷的峰谷差，并使求解效果更优。主要分为2个步骤：1)建立电动汽车充电负荷模型；2)基于改进萤火虫算法，实现电动汽车优化调度目的。其显著优点在于：解决了较少考虑电动汽车在固定位置以外充电、一日多次充电的问题，建立了情况的考虑时空分布的电动汽车充电模型，使模型更贴近实际情况；对标准萤火虫算法进行改进，引入自适应变异环节，以提高寻优速度与精度。

Description

一种电动汽车充电优化调度方法

技术领域

本发明属于智能电网领域，特别涉及一种电动汽车充电优化调度方法。

背景技术

近年来，由于人类活动的日益频繁，对能源的消耗也不断增加，而能源的供给却受生产力限制和国际形势不明朗的影响而无法随之同步增加，因此围绕能源问题的研究越来越有现实性与迫切性。为了缓解日益严峻的能源危机与空气污染问题，必须在交通运输行业大力发展节能、清洁的交通工具。电动汽车具有耗能少、不产生任何污染的优点，得到了迅猛的发展。电动汽车以电能作为行驶动力，避免了石油的消耗和尾气的排放，同时还有噪声低、能源效率高、维修方便的特点。随着电动汽车的大力普及，关于电动汽车队电网影响的研究也逐步展开。若对电动汽车的充电行为放任不管，必将造成电网负荷高峰与电动汽车负荷高峰叠加，即“峰上加峰”的问题。但通过直接或间接的手段引导电动汽车有计划有秩序的充电则可以有效地解决这一问题。

现有的电动汽车有序充电研究较少考虑电动汽车在固定位置以外充电、一日多次充电的问题。

发明内容

本发明解决的技术问题是提供了一种电动汽车充电优化调度方法。

为了解决上述技术问题，本发明提出一种电动汽车充电优化调度方法，包括以下步骤：

步骤1、建立考虑时空的电动汽车充电负荷模型；

步骤2、建立以平抑负荷波动为目的的目标优化模型，采用改进的萤火虫算法优化每一辆电动汽车接入电网的充电时间，使得目标优化模型的函数值达到最小，得到最优目标。

本发明与现有技术相比，其显著优点在于：(1)解决了较少考虑电动汽车在固定位置以外充电、一日多次充电的问题，建立了情况的考虑时空分布的电动汽车充电模型，使模型更贴近实际情况。(2)对标准萤火虫算法进行改进，引入自适应变异环节，以提高寻优速度与精度。

附图说明

图1是基于出行链的电动汽车充电流程图。

图2是改进萤火虫算法的具体流程图。

图3是不考虑电动汽车充电的区域日负荷曲线图。

图4是改进萤火虫算法优化调度方法后的效果图。

图5是改进萤火虫算法与标准对比曲线图。

具体实施方式

为了解决上述技术问题，本发明提出一种电动汽车充电优化调度方法，包括以下步骤：

步骤1、建立考虑时空的电动汽车充电负荷模型；

为了建立更合理更准确的电动汽车充电负荷模型，车辆充电的场所、车辆充电开始的时刻、车辆行驶的里程、车辆充电的频率等因素都应全部得到考虑。

进一步的实施例中，步骤1中所述电动汽车充电负荷模型具体包括：

电动汽车充电持续时间模型：

其中，α为充电后的电池荷电状态，电池充满为α＝1，η为充电效率，P_c为电动汽车的充电功率，E为电动汽车的电池容量，SOC_j0为电动汽车j目前的剩余路程长短，具体为：

式中，SOC_j1为电动汽车j行程开始前的电池剩余电量，∑l_i为电动汽车下次充电之前已经行驶的距离，D_j为电动汽车的总续航路程。

区域t时刻电动汽车的充电功率模型为：

式中，γ_n,t决定电动汽车与电网的连接，充电期间γ_n,t＝1，其他时间γ_n,t＝0，P_c为电动汽车的充电功率，N_ev为区域内电动汽车总数。

步骤2、建立以平抑负荷波动为目的的目标优化模型，采用改进的萤火虫算法优化每一辆电动汽车接入电网的充电时间，使得目标优化模型的函数值达到最小，得到最优目标，其中建立的目标优化模型为：

式中，P_e,t为t时刻包括电动汽车充电负荷的电网等效负荷，P_av为调整前的日平均负荷，T为充电总时间，其中，电网等效负荷P_e,t和日平均负荷P_av具体为：

P_e,t＝P_b,t+P_n,t

T_a≤T_s≤T_l

T_e≤T_s+T_c≤T_l

其中，P_b,t为t时刻不包括电动汽车充电负荷的电网等效负荷，P_n,t为电动汽车充电功率，P_av为调整前的日平均负荷，n为电动汽车数量，Ta、Tl为电动汽车抵达和离开的时刻，Ts、Te为充电起始和结束时刻。

进一步的实施例中，采用改进的萤火虫算法优化每一辆电动汽车接入电网的充电时间的具体步骤为：

步骤2.1、对目标优化模型进行参数初始化和算法初始化；

步骤2.2、根据渗透电动汽车数量，初始化种群大小；并由目标函数计算改进萤火虫算法的适应度值，记录相应的最优适应度值及最佳位置；

步骤2.3、随机均匀分布产生新的解，并由新个体和原始个体计算萤火虫相对荧光亮度，由新个体和原始个体计算萤火虫相对荧光亮度的具体公式为：

r＝||popnew-pop||

式中，||·||为对应的模函数，popnew为新个体萤火虫个体数，pop为原始个体萤火虫个体数；

步骤2.4、计算萤火虫个体的吸引度γ为光强吸收系数，β₀为计算萤火虫吸引度的标值，为常量；

步骤2.5、更新萤火虫的种群个体和适应度值，并记录此时的目标函数的最优解zbest；

步骤2.6、当时，采用自适应变异在解域内进行种群个体更新，并服从均匀分布；当时，采用公式pop＝pop+rand*(zbest-pop)进行种群个体更新，其中Mutation为自适应变异系数，pop为当前萤火虫个体，rand为随机数，i为当前迭代次数，itermax为设定的最大迭代次数；

步骤2.7、比较步骤2.5更新后的萤火虫个体适应度值与更新前的萤火虫个体适应度值，当萤火虫个体适应度值出现不同时更新种群个体，进入步骤2.8；当萤火虫个体适应度值相同时，直接输出最优目标；

步骤2.8、判断是否达到最大迭代次数，如果未达到，则返回步骤2.3，否则退出循环，输出最优目标。

本发明首先对拥有电动汽车的居民的出行模式进行分析。汽车从家里(起点)出发，经过一天的活动，回到家里(起点)。中间可能要经过其他场所，所以电动汽车的出行轨迹是复杂多样的。这种人们为完成一个或几个在一定时间有序排列的出行目的而形成的往返行程被定义为出行链。

经美国交通部联邦公路管理局统计，一辆车一天的平均出行链长度为3.02，因此本发明考虑的出行链的长度最多不超过3，每次出行的目的地采用美国国家家庭出行调查的统计数据，不同车辆行程服从对数正态分布：

式中，μ_D为某个行驶里程的分布均值；σ_D为某个行驶里程的分布标准差。

对电动汽车完全不干预不控制的充电模式被称为无序充电，无序充电下电动汽车不受调度，一旦车主返家充电立刻开始。对某区域电动汽车的车辆充电开始时刻进行统计，并使用对数正态分布进行拟合，得到：

式中，μ_H为充电开始时刻的分布均值；σ_H为充电开始时刻的分布标准差。

每行驶一段路程，电动汽车的电量都会被消耗，其电池剩余电量都会相应下降。行程结束时剩余的电池剩余电量为：

式中，SOC_j0为电动汽车j目前的剩余电池剩余电量，SOC_j1为电动汽车j行程开始前的电池剩余电量，∑l_i为电动汽车下次充电之前已经行驶的距离，D_j为电动汽车的总续航路程。

电动汽车电池剩余电量过低时是无法完成下一步行程的，此时电动汽车不得不接入电网补充电能，电动汽车充电持续时间模型为：

式中，α为充电后的电池荷电状态，电池充满为α＝1，η为充电效率，本发明中取η＝1，P_c为电动汽车的充电功率，E为电动汽车的电池容量。

电动汽车每次出行，一般假设车辆的剩余电量不低于20％，如果当前剩余电量高于充电要求，则电动汽车继续行驶，直到到达终点为止，具体充电流程如图1所示。

区域内的汽车总数和电动汽车渗透率决定了此地电动汽车的数量：

N_ev(t)＝N(t)×ρ

式中，N(t)为区域内汽车总数，N_ev(t)为区域内电动汽车总数；假设区域内电动汽车的充电功率Pc保持不变，区域t时刻电动汽车的充电功率模型为：

式中，γ_n,t决定电动汽车与电网的连接，充电期间γ_n,t＝1，其他时间γ_n,t＝0，P_c为电动汽车的充电功率，N_ev为区域内电动汽车总数。

以每一辆电动汽车接入电网的时刻为优化变量，建立以平抑负荷波动为目的的目标优化模型，以达到“削峰填谷”的目的，并引入改进萤火虫算法作为求解工具，提高求解精度。

即以负荷曲线的均方差最小作为目标函数：

T为充电总时间，则充电总时间单目标带约束的复杂优化函数可表示为：

P_e,t＝P_b,t+P_n,t

T_a≤T_s≤T_l

T_e≤T_s+T_c≤T_l

其中，P_e,t为t时刻包括电动汽车充电负荷的电网等效负荷，P_b,t为t时刻不包括电动汽车充电负荷的电网等效负荷，P_n,t为电动汽车充电功率，n为电动汽车数量，Ta、Tl为电动汽车抵达和离开的时刻，Ts、Te为充电起始和结束时刻。

为使得目标优化模型的函数值达到最小，得到最优目标，引入改进萤火虫算法作为求解工具。

萤火虫算法(FFA)是一种原理简明、所需参数较少、较为新颖的智能优化算法，它通过对萤火虫的发光行为进行模拟来实现优化的功能。由于标准萤火虫算法存在收敛速度、求解精度等问题，本发明引入自适应变异环节以提高寻优速度与精度。采用改进的萤火虫算法优化区域内每一辆电动汽车接入电网的充电时间，使得目标函数达到最小，具体步骤如图2所示。

实施例1

本实施例通过算例仿真研究了电动汽车渗透率对电动汽车充电负荷的影响，达到了减小峰谷差的目的，验证了方法的正确性和有效性。

以一天作为一个调度周期，电动汽车有关参数设置如下：不考虑电动汽车充电的区域日负荷曲线如图3所示，电动汽车容量24kWh，续航里程160kM，电池充电功率为3.5kW，汽车总数N为280，萤火虫算法种群数量sizepop＝200，迭代次数itermmax＝100,光强吸收系数γ＝0.001，吸引度β0＝0.01。分析区域内电动汽车渗透率分别为0％、30％、50％、70％下的***电负荷曲线，并采用改进萤火虫算法对渗透率30％的日负荷曲线进行优化求解，并于标准萤火虫算法进行对比，具体结果如图4、5所示。

Claims (7)

1.一种电动汽车充电优化调度方法，其特征在于，包括以下步骤：

步骤1、建立考虑时空的电动汽车充电负荷模型；

步骤2、建立以平抑负荷波动为目的的目标优化模型，采用改进的萤火虫算法优化每一辆电动汽车接入电网的充电时间，使得目标优化模型的函数值达到最小，得到最优目标。

2.根据权利要求1所述的一种电动汽车充电优化调度方法，其特征在于，步骤1中所述电动汽车充电负荷模型具体包括：

电动汽车充电持续时间模型：

其中，α为充电后的电池荷电状态，电池充满为α＝1，η为充电效率，P_c为电动汽车的充电功率，E为电动汽车的电池容量，SOC_j0为电动汽车j目前的剩余路程长短；

区域t时刻电动汽车的充电功率模型：

式中，γ_n,t决定电动汽车与电网的连接，充电期间γ_n,t＝1，其他时间γ_n,t＝0，P_c为电动汽车的充电功率，N_ev为区域内电动汽车总数。

3.根据权利要求2所述的一种电动汽车充电优化调度方法，其特征在于，电动汽车充电持续时间模型中电动汽车j目前的电池剩余电量具体为：

式中，SOC_j1为电动汽车j行程开始前的电池剩余电量，∑l_i为电动汽车下次充电之前已经行驶的距离，D_j为电动汽车的总续航路程。

4.根据权利要求1所述的一种电动汽车充电优化调度方法，其特征在于，步骤2中建立的目标优化模型为：

式中，P_e,t为t时刻包括电动汽车充电负荷的电网等效负荷，P_av为调整前的日平均负荷，T为充电总时间。

5.根据权利要求4所述的一种电动汽车充电优化调度方法，其特征在于，

电网等效负荷P_e,t和日平均负荷P_av具体为：

P_e,t＝P_b,t+P_n,t

T_a≤T_s≤T_l

T_e≤T_s+T_c≤T_l

其中，P_b,t为t时刻不包括电动汽车充电负荷的电网等效负荷，P_n,t为电动汽车充电功率，P_av为调整前的日平均负荷，n为电动汽车数量，Ta、Tl为电动汽车抵达和离开的时刻，Ts、Te为充电起始和结束时刻。

6.根据权利要求1所述的一种电动汽车充电优化调度方法，其特征在于，步骤2中采用改进的萤火虫算法优化每一辆电动汽车接入电网的充电时间的具体步骤为：

步骤2.1、对目标优化模型进行参数初始化和算法初始化；

步骤2.2、根据渗透电动汽车数量，初始化种群大小；并由目标函数计算改进萤火虫算法的适应度值，记录相应的最优适应度值及最佳位置；

步骤2.3、随机均匀分布产生新的解，并由新个体和原始个体计算萤火虫相对荧光亮度；

步骤2.4、计算萤火虫个体的吸引度γ为光强吸收系数，β₀为计算萤火虫吸引度的标值，为常量；

步骤2.5、更新萤火虫的种群个体和适应度值，并记录此时的目标函数的最优解zbest；

步骤2.6、当时，采用自适应变异在解域内进行种群个体更新，并服从均匀分布；当时，采用公式pop＝pop+rand*(zbest-pop)进行种群个体更新，其中Mutation为自适应变异系数，pop为当前萤火虫个体，rand为随机数，i为当前迭代次数，itermax为设定的最大迭代次数；

步骤2.7、比较步骤2.5更新后的萤火虫个体适应度值与更新前的萤火虫个体适应度值，当萤火虫个体适应度值出现不同时更新种群个体，进入步骤2.8；当萤火虫个体适应度值相同时，直接输出最优目标；

步骤2.8、判断是否达到最大迭代次数，如果未达到，则返回步骤2.3，否则退出循环，输出最优目标。

7.根据权利要求6所述的一种电动汽车充电优化调度方法，其特征在于，步骤2.3中由新个体和原始个体计算萤火虫相对荧光亮度的具体公式为：

r＝||popnew-pop||

式中，||·||为对应的模函数，popnew为新个体萤火虫个体数，pop为原始个体萤火虫个体数。