CN111178619B - 一种考虑分布式电源和充电站联合规划的多目标优化方法 - Google Patents

Abstract

本发明公开了一种考虑分布式电源和充电站联合规划的多目标优化方法，该方法针对配电网中的分布式电源和电动汽车充电站的规划问题，考虑分布式电源和充电负荷的时序性，建立分布式电源的时序出力模型，以出行链的形式描述规划区居民在一天之内的行为转移概率分布，同时以高斯混合模型和最大期望算法对电动汽车群体时间出行链上的特征量进行拟合，空间出行链以概率转移矩阵进行拟合，以蒙特卡洛法对地区内的电动汽车群充电负荷进行模拟，最后构建了以配电网有功功率损耗最小、分布式电源并网总容量最大和电动汽车群充电额外花费里程最小的多目标优化模型，同时确定约束条件，对此优化模型，确定编码方式，以带精英保留策略的非支配排序遗传算法进行求解。

Description

一种考虑分布式电源和充电站联合规划的多目标优化方法

技术领域

本发明涉及的一种考虑分布式电源和充电站联合规划的多目标优化方法，属于电力***规划与运行范畴。

背景技术

为了控制温室气体的排放，减少对空气环境的污染，同时也为了缓解当今各种化石能源逐渐枯竭的紧张局势，近些年来分布式电源(Distributed Generation,DG)和电动汽车(Electric Vehicle,EV)越来越受到各国政府、科研学者和能源供应商的广泛关注和高度重视。随着新能源发电技术和电池技术愈加成熟，分布式电源和电动汽车越来越多地应用到实际电力生产和交通***中。但分布式电源和电动汽车并网规划面临一系列的困难和挑战。在配电网规划方面，分布式电源的接入改变了***内负荷的分布情况和增长规律，传统的配电网的负荷预测、电源电网规划方法在一定程度上不再适用。而电动汽车并网规划问题同样具有挑战性，其规划方案需要考虑充电站在总量上平衡、空间上均衡、时间上交错等，同时还要充电站负荷对低压配电网的影响。

考虑到分布式电源和电动汽车充电负荷具有一定的不确定性，需要提出考虑分布式电源和充电站联合规划的理论方法。从目前关于对分布式电源和充电站并网规划的研究中可以发现，现有的并网规划研究文献中所提出方法一般包含三大步骤：1.构建目标函数，这些目标函数反映了并网规划的经济效益、环保效益、电网优化等；2.建立符合实际的模型，对网络中电源出力、负荷需求等建立合适模型，以得到更加贴切实际需求的规划方案；3.采用高效的算法，或对原有的算法进行改进，使算法的寻优能力更好，这样求得的解才是最佳的规划方案。目前部分关于配电网中的分布式电源和充电站规划研究存在以下不足：

1)未建立考虑时序性的分布式电源的出力模型。分布式电源在一段时间序列上的出力是变化的，需要对一个典型日进行时间序列划分，建立考虑时序性的分布式电源出力模型。

2)未建立合理的电动汽车充电负荷的时空分布模型。电动汽车充电负荷在时间和空间上都有分布，具有时空耦合的特征，需要对规划区的电动汽车群的充电负荷的时空分布进行合理的模拟。

3)未从多角度优化分布式电源和充电站的规划方案。分布式电源和充电站规划涉及到配电网经济运行、新能源利用和电动汽车用户体验多个层面，需要建立多个优化目标。

4)未对多目标优化选择合适的优化方法进行求解。考虑实际规划方案由于人为因素或者环境因素的局限性，需要从多目标优化的本质出发，获取多个优化方案，以扩大优化的参考空间。

综上所述，有必要建立分布式电源和电动汽车充电站联合规划的优化模型，并同时需要考虑分布式电源的时序性和充电负荷的时空耦合，从多个角度出发，选择合适的算法对多个目标进行优化。

发明内容

本发明所要解决的技术问题在于，针对现有技术的不足，提出了一种考虑分布式电源时序性、充电负荷时空分布特征的分布式电源和充电站联合规划的多目标优化方法。该方法针对规划地区的风力发电机和光伏电池两种分布式电源，结合出行链以模拟充电负荷的时空分布，建立多目标优化模型，最后以NSGA-2算法进行求解。

为解决以上技术问题，本发明采用的技术方案为：

本发明提供一种考虑分布式电源和充电站联合规划的多目标优化方法，包括以下步骤：

步骤S1、将地区典型日在时间上划分为N_T个时段以构建时间序列，根据该地区典型日的风速和光照强度得出风电和光伏在时间序列上的出力特性；同时获取配电网所有节点常规负荷在时序上的数据分布。

步骤S2、以出行链的方式描述电动汽车群的出行规律，将规划区划分为N_D种区域类型，用集合S＝{D₁,D₂,…,D_ND}表示，以GMM和EM算法对出行链中的时间链上用户首次出行时刻、各区域下的EV停车时长两个特征量进行拟合，且以k-means聚类法对混合数进行事前估计。

步骤S3、以出行链的方式描述电动汽车群的出行规律，构建一个大小为N_T*N_D*(N_D+1)的概率转移矩阵，矩阵中元素表示为在某个时段内的EV用户出行从一个区域转移到另一个区域的概率，且增加一个结束出行的概率；同时构建配电网所有节点的区域属性的权重，通过规划区人们出行到达配电网节点下的出行目的统计数据获取。

步骤S4、构建分布式电源并网总容量最大、配电网有功损耗最小、EV用户充电额外花费里程最小的多目标函数，以分布式电源在配电网中的位置和并网容量、充电站的位置为决策变量，根据以下步骤计算目标函数；

S4.1对单台电动汽车的出行行为进行模拟，通过步骤S2中获取的拟合模型抽取EV的首次出行时刻，以及步骤S3中概率转移矩阵，结合节点区域属性权重，得出电动汽车出行的起点和终点。

S4.2根据EV的剩余电量能否支撑其完成剩余路程，将电动汽车分为充电和不充电两种行为。若不需要充电，则到达目的地停留或结束出行；若需要充电，则经过电动汽车充电站完成充电后到达目的地停留或结束出行。单次出行的整个过程均按照最短路径选择。若结束出行，转步骤S4.4，否则转步骤S4.3。

S4.3通过步骤S2中获取的拟合模型抽取EV的停留时长，以及步骤S3中概率转移矩阵判断是否进行下一次出行；若结束出行，转步骤S4.4，否则根据S3中概率转移矩阵，结合节点区域属性权重，得出电动汽车出行的起点和终点，继续步骤S4.2。

S4.4以蒙特卡洛法对电动汽车群的出行行为按照上述步骤进行模拟，计算各充电站充电负荷的时空分布，计算分布式电源并网总容量、全时段内的配电网总有功损耗、电动汽车群充电相比不充电时额外花费的车程。

步骤S5、以分布式电源在配电网中的位置和并网容量、充电站的位置为决策变量，构建约束条件，初始化NSGA-2算法的参数和种群，完成NSGA-2算法的寻优过程，得出分布式电源和充电站位置和并网容量的规划方案。

本发明采用以上技术方案，与现有技术相比的有益效果为：

本发明考虑分布式电源的充电负荷时序性，在此基础上的规划方案能满足不同时段内的约束条件，计算的配电网有功损耗也准确地反映实际电网运行的经济性；将规划地区划分多个地区，能够差异化对待不同地区的出行特性和规律，使模拟所得充电负荷更为准确；建立的多目标优化模型，考虑了多个层面的利益，且NSGA-2算法所得多个优化方案在实际应用时具有较为广阔的参考空间，优化方法更能满足实际规划的需求。

附图说明

图1是本发明的多目标优化方法的流程图。

图2是本发明实施例中NSGA-2算法的流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的人员理解本发明，但应该清楚本发明不限于具体实施的范围，只要各种变化在所附权利要求限定之内，这些变化显而易见的，均在本发明保护之列。

本发明是一种考虑配电网经济运行、新能源的有效利用和电动汽车用户充电体验因素，以配电网有功功率损耗最小、分布式电源并网总容量最大和电动汽车群充电额外花费里程最小为目标的多目标优化方法。

本发明提出一种考虑分布式电源和充电站联合规划的多目标优化方法的具体实施方式，如图1所示，可包含以下步骤：

步骤S1、将地区典型日在时间上划分为NT＝24个时段以构建时间序列，根据该地区典型日的风速和光照强度得出风电和光伏在时间序列上的出力特性；同时获取配电网所有节点常规负荷在时序上的数据分布。

其中风速和风力发电机出力的关系表示为：

式中，P_WG为风机有功功率输出，P_WGN为风机额定输出功率，v_i、v_o、v_N、v_t分别为风机的切入风速、切出风速、额定风速、实际风速。

光照强度、温度和光伏电池的出力的关系表示为：

P_PV＝L*A*η (2)

式中，P_PV为光伏电池的输出功率，L为太阳辐射强度(kW/m²)，A为光伏电池的面积，η为光伏电池的光电转化效率。

通过对规划区的风速、光照强度的时序分布的统计，风机和光伏的时序出力可用下式表示：

式中，P_WG(t)和P_PV(t)为风机和光伏在第t时段内的出力，P_WGN和P_PVN为风机和光伏的额定功率，η_WG(t)和η_PV(t)为对应时段内的风机和光伏的时序特性，数值在0-1之间，可通过测量规划区风速、光照结合式和计算所得。

步骤S2、以出行链的方式描述电动汽车群的出行规律，将规划区划分为ND种区域类型，取N_D＝4，区域类型分为居民区、商业区、工业区和休闲区，用集合S＝{D₁,D₂,D₃,D₄}表示，采集实际汽车出行数据对时间链上的首次出行时刻T_{S 1}和四种区域下的停车时长t_p进行拟合，建立高斯混合拟合模型：

式中，K为模型的个数，π_k为第k个高斯分量的权重，均值和方差分别为μ_k、σ_k ²。通过k-means聚类法对K进行事前估计，选定K后利用EM算法对权重，均值和方差进行参数估计。

步骤S3、以出行链的方式描述电动汽车群的出行规律，构建一个大小为NT*ND*(ND+1)的概率转移矩阵，实例化可为24*4*5大小的矩阵，矩阵中元素表示为在某个时段内的EV用户出行从一个区域转移到另一个区域的概率，且将EV回到住宅区分为逗留和结束出行两部分。其中，第t时段内的概率转移矩阵Pt可表示为：

上式中，p_t,Di→Dj表示在第t的时段中，处在D_i区域的电动汽车结束本次出行进行下一次出行前往目的区域D_j的概率。同时构建配电网所有节点的区域属性的权重，形式为：

上式中，权重大小通过规划区人们出行到达该节点下的出行目的所属区域类统计数据获取。

步骤S4、构建目标函数及其求解方法。以分布式电源并网总容量最大、配电网有功损耗最小、EV用户充电额外花费里程最小为多目标函数，以分布式电源在配电网中的位置和并网容量、充电站的位置为决策变量，根据以下步骤计算目标函数；

S4.1对单台电动汽车的出行行为进行模拟，通过步骤S2中获取的拟合模型抽取EV的首次出行时刻，以及步骤S3中概率转移矩阵，结合节点区域属性权重，以轮盘法得出电动汽车出行的起点和终点。

S4.2根据EV的剩余电量能否支撑其完成剩余路程，将电动汽车分为充电和不充电两种行为。若不需要充电，则到达目的地停留或结束出行，剩余电量为：

C_D＝C_S-d_s→d*p_k (7)

式中，C_D为到达目的地以后电动汽车的剩余电量，C_S为EV从起点开始出行时的剩余电量，d_s→d为起点和终点之间的最短里程，单位：千米(km)，p_k为EV每千米的耗电量。

若需要充电，EV必须先以某电动汽车充电站为中间节点，完成充电后继续前往目的地，则这种情况下整个路径的里程可以表示为：

d_s→d＝d_s→cs+d_cs→d (8)

式中，d_s→cs为EV从起点到电动汽车充电站的里程，d_cs→d为EV完成充电从充电站继续前往目的地的里程。假设EV到充电站后将电量充满，则EV到目的地后的剩余电量为：

C_D＝C_Full-d_cs→d*p_k (9)

式中，C_Full为EV电池充满时的电量。用户在起点和终点之间的行驶时长t_x可表示为：

t_x＝d_s→d/v+t_c (10)

式中，t_x为EV典型日内某次出行的行驶时长，故d_s→d相应地为出行的等效里程，v为电动汽车正常行驶的平均速度，t_c为EV某次出行中在电动汽车充电站的充电时长，若用户未进行充电，则t_c＝0。

若结束出行，转步骤S4.4，否则转步骤S4.3。

S4.3通过步骤S2中获取的拟合模型抽取EV的停留时长，以及步骤S3中概率转移矩阵判断是否进行下一次出行；若结束出行，转步骤S4.4，否则根据步骤S3中概率转移矩阵，结合节点区域属性权重，得出电动汽车出行的起点和终点，继续步骤S4.2。

S4.4以蒙特卡洛法对电动汽车群的出行行为按照上述步骤S4.1～S4.3进行模拟，累加计算各充电站充电负荷的时空分布，计算分布式电源并网总容量、全时段内的配电网总有功损耗，且累加电动汽车群充电经过充电站两段式最短路径相比不充电时的最短路径额外多出的车程。三个目标函数可分别表示为：

式(11)表示配电网全时段内的线路有功损耗之和，N_L为配电网线路条数，R_l为第l条线路的电阻大小，N_T为划分的时段数，I_l(t)为第t个时段内的第l条线路上的电流，通过模拟充电负荷进行潮流计算后得到。

式(12)表示分布式电源并网总容量最大，P_w,e表示安装在配电网第e个节点上的风力发电机容量，P_s,e表示安装在配电网第e个节点上的光伏容量，N_e为配电网节点数。

式(13)表示电动汽车群充电额外花费里程最小，N_Car为规划区的电动汽车的数量，d_s→d(c)为第c辆电动汽车的实际行驶路程，d_s→d,min(c)为第c辆电动汽车在假设可以不充电情况下的最小行驶路程。

步骤S5、以分布式电源在配电网中的位置和并网容量、充电站的位置为决策变量，构建约束条件，考虑约束条件有：潮流约束、电压约束、支路传输功率约束、DG渗透率约束。初始化NSGA-2算法的参数和种群，完成NSGA-2算法的寻优过程，得出分布式电源和充电站位置和并网容量的规划方案。如图2所示，具体步骤为：

S5.1初始化参数，确定编码方式。初始化参数，包括种群规模N_Z，最大遗传代数G_max，交叉率p_c0，变异率p_m0。配电网节点和交通网节点有部分重合，电动汽车充电站候选的接入点为两者重合的位置。决策变量为DG接入位置和接入容量，以及和EV充电站的位置，确定编码方式为：

x＝[L_s,P_s,L_w,P_w,L_ev] (14)

x为决策变量，L_s和L_w分别代表光伏和风机的接入位置，P_s和P_w分别为光伏组件和风力发电机的接入容量，L_ev为EV充电站的位置。

S5.2生成初始种群。若随机产生的个体不满足约束条件，则重新生成此个体，直至所有生成的个体均满足条件即可。进化代数Gen＝1。

S5.3初代群体快速非支配排序。根据个体基因模拟EV群的充电分布和分布式电源时序出力，对种群中的所有个体进行快速非支配排序。

S5.4初代群体选择、交叉、变异，生成新的子代种群，其中不满足约束条件的，进行自然淘汰，然后选择新的个体进行替代。

S5.5 Gen＝Gen+1，将父代和子代种群合并，进行和步骤(3)一样的操作，对合并的种群进行快速非支配排序，进行拥挤度计算，选择合适的个体组成新的父种群。

S5.6新生父种群进行选择、交叉、变异操作，生成新一代子种群。若Gen≤G_max，转步骤(5)继续进化，否则跳出循环，算法结束。

以上所述具体实施方式详细对本发明内容作了进一步详细的描述，部分参数和函数进行了实例化，实际应用中可有等同替换，也可视具体情况选取合适的参数。

Claims (9)

1.一种考虑分布式电源和充电站联合规划的多目标优化方法，其特征在于，包含以下步骤：

步骤S1、将地区典型日在时间上划分为N_T个时段以构建时间序列，根据该地区典型日的风速和光照强度得出风电和光伏在时间序列上的出力特性；同时获取配电网所有节点常规负荷在时序上的数据分布；

步骤S2、以出行链的方式描述电动汽车群的出行规律，将规划区划分为N_D种区域类型，用集合S＝{D₁,D₂,…,D_ND}表示，以GMM和EM算法对出行链中的时间链上用户首次出行时刻、各区域下的电动汽车EV停车时长两个特征量进行拟合，且以k-means聚类法对混合数进行事前估计；

步骤S3、构建一个大小为N_T*N_D*(N_D+1)的概率转移矩阵，矩阵中元素表示为在某个时段内的EV用户出行从一个区域转移到另一个区域的概率，且增加一个结束出行的概率；同时构建配电网所有节点的区域属性的权重，通过规划区人们出行到达配电网节点下的出行目的统计数据获取；

步骤S4、构建分布式电源并网总容量最大、配电网有功损耗最小、EV用户充电额外花费里程最小的多目标函数，以分布式电源在配电网中的位置和并网容量、充电站的位置为决策变量，根据以下步骤计算目标函数；

S4.1、对单台电动汽车的出行行为进行模拟，通过步骤S2中获取的拟合模型抽取EV的首次出行时刻，以及步骤S3中概率转移矩阵，结合节点区域属性权重，得出电动汽车出行的起点和终点；

S4.2、根据EV的剩余电量能否支撑其完成剩余路程，将电动汽车分为充电和不充电两种行为；若不需要充电，则到达目的地停留或结束出行；若需要充电，则经过电动汽车充电站完成充电后到达目的地停留或结束出行；单次出行的整个过程均按照最短路径选择，若结束出行，转步骤S4.4，否则转步骤S4.3；

S4.3、通过S2中获取的拟合模型抽取EV的停留时长，以及S3中概率转移矩阵判断是否进行下一次出行；若结束出行，转步骤S4.4，否则根据S3中概率转移矩阵，结合节点区域属性权重，得出电动汽车出行的起点和终点，返回执行步骤S4.2；

S4.4、以蒙特卡洛法对电动汽车群的出行行为按照上述步骤进行模拟，计算各充电站充电负荷的时空分布，计算分布式电源并网总容量、全时段内的配电网总有功损耗、电动汽车群充电相比不充电时额外花费的车程；

步骤S5、以分布式电源在配电网中的位置和并网容量、充电站的位置为决策变量，构建约束条件，初始化NSGA-2算法的参数和种群，完成NSGA-2算法的寻优过程，得出分布式电源和充电站位置和并网容量的规划方案；

在步骤S4.4中，以蒙特卡洛法对电动汽车群的出行行为进行模拟，累加计算各充电站充电负荷的时空分布，计算分布式电源并网总容量、全时段内的配电网总有功损耗，且累加电动汽车群充电经过充电站两段式最短路径相比不充电时的最短路径额外多出的车程，建立三个目标函数：

上式表示配电网全时段内的线路有功损耗之和，N_L为配电网线路条数，R_l为第l条线路的电阻大小，N_T为划分的时段数，I_l(t)为第t个时段内的第l条线路上的电流，通过模拟充电负荷进行潮流计算后得到，

上式表示分布式电源并网总容量最大，P_w,e表示安装在配电网第e个节点上的风力发电机容量，P_s,e表示安装在配电网第e个节点上的光伏容量，N_e为配电网节点数；

上式表示电动汽车群充电额外花费里程最小，N_Car为规划区的电动汽车的数量，d_s→d(c)为第c辆电动汽车的实际行驶路程，d_s→d,min(c)为第c辆电动汽车在假设可以不充电情况下的最小行驶路程。

2.根据权利要求1所述的一种考虑分布式电源和充电站联合规划的多目标优化方法，其特征在于：步骤S1中，划分典型日为N_T个时段，具体是通过对规划区的风速、光照强度的时序分布的统计，构建风机和光伏的时序出力：

其中，P_WG(t)和P_PV(t)分别为风机和光伏在第t时段内的出力，P_WGN和P_PVN分别为风机和光伏的额定功率，η_WG(t)和η_PV(t)分别为对应时段内的风机和光伏的时序特性，数值在0-1之间。

3.根据权利要求1所述的一种考虑分布式电源和充电站联合规划的多目标优化方法，其特征在于：步骤S2中，以出行链的方式描述电动汽车群的出行规律，将规划区划分为N_D种区域类型，是采集实际汽车出行数据对时间链上的首次出行时刻T_{S_1}和N_D种区域下的停车时长t_p进行拟合，建立高斯混合拟合模型如下：

其中，K为混合模型的个数，π_k为第k个高斯分量的权重，μ_k、σ_k ²分别为均值和方差。

4.根据权利要求3所述的一种考虑分布式电源和充电站联合规划的多目标优化方法，其特征在于：步骤S2中，通过k-means聚类法对K进行事前估计，选定K后利用EM算法对权重，均值和方差进行参数估计。

5.根据权利要求1所述的一种考虑分布式电源和充电站联合规划的多目标优化方法，其特征在于：步骤S3中，所述增加一个结束出行的概率，是在概率转移矩阵第三维最后一列数据表示EV结束出行的概率。

6.根据权利要求5所述的一种考虑分布式电源和充电站联合规划的多目标优化方法，其特征在于：步骤S3中，构建配电网所有节点的区域属性的权重，具体表达式如下：

式中元素ε为配电网节点周边对应N_D种区域类型的组成权重。

7.根据权利要求1所述的一种考虑分布式电源和充电站联合规划的多目标优化方法，其特征在于：S4.2中，若不需要充电，则到达目的地停留或结束出行，剩余电量为：

C_D＝C_S-d_s→d*p_k

式中，C_D为到达目的地以后电动汽车的剩余电量，C_S为EV从起点开始出行时的剩余电量，d_s→d为起点和终点之间的最短里程，单位是千米，p_k为EV每千米的耗电量；

若需要充电，EV必须先以某电动汽车充电站为中间节点，完成充电后继续前往目的地，则这种情况下整个路径的里程表示为：

d_s→d＝d_s→cs+d_cs→d

式中，d_s→cs为EV从起点到电动汽车充电站的里程，d_cs→d为EV完成充电从充电站继续前往目的地的里程，假设EV到充电站后将电量充满，则EV到目的地后的剩余电量为：

C_D＝C_Full-d_cs→d*p_k

式中，C_Full为EV电池充满时的电量，将用户在起点和终点之间的行驶时长t_x表示为：

t_x＝d_s→d/v+t_c

式中，t_x为EV典型日内某次出行的行驶时长，故d_s→d相应地为出行的等效里程，v为电动汽车正常行驶的平均速度，t_c为EV某次出行中在电动汽车充电站的充电时长，若用户未进行充电，则t_c＝0。

8.根据权利要求1所述的一种考虑分布式电源和充电站联合规划的多目标优化方法，其特征在于：步骤S5中，是以分布式电源在配电网中的位置和并网容量、充电站的位置为决策变量，构建约束条件，考虑约束条件有：潮流约束、电压约束、支路传输功率约束、DG渗透率约束，以NSGA-2算法进行寻优。

9.根据权利要求1或8任一所述的一种考虑分布式电源和充电站联合规划的多目标优化方法，其特征在于：步骤S5的具体步骤为：

S5.1、初始化参数，确定编码方式；

初始化参数，包括种群规模N_Z，最大遗传代数G_max，交叉率p_c0，变异率p_m0，配电网节点和交通网节点有部分重合，电动汽车充电站候选的接入点为两者重合的位置，决策变量为DG接入位置和接入容量，以及和EV充电站的位置，确定编码方式为：

x＝[L_s,P_s,L_w,P_w,L_ev]

其中，x为决策变量，L_s和L_w分别代表光伏和风机的接入位置，P_s和P_w分别为光伏组件和风力发电机的接入容量，L_ev为EV充电站的位置；

S5.2、生成初始种群；若随机产生的个体不满足约束条件，则重新生成此个体，直至所有生成的个体均满足条件即可，进化代数Gen＝1；

S5.3、初代群体快速非支配排序；根据个体基因模拟EV群的充电分布和分布式电源时序出力，对种群中的所有个体进行快速非支配排序；

S5.4、初代群体选择、交叉、变异，生成新的子代种群，其中不满足约束条件的，进行自然淘汰，然后选择新的个体进行替代；

S5.5、令Gen＝Gen+1，将父代和子代种群合并，进行和S5.3一样的操作，对合并的种群进行快速非支配排序，进行拥挤度计算，选择合适的个体组成新的父种群；

S5.6、对新生父种群进行选择、交叉、变异操作，生成新一代子种群；若Gen≤G_max，转S5.5继续进化，否则跳出循环，算法结束。