CN113500940B - 一种基于粒子群算法的电动汽车有序充放电动态优化策略 - Google Patents

Abstract

本发明针对传统TOUT和RTP充电策略容易在负荷低谷时段产生新的负荷高峰的问题，考虑电网侧的调峰需求和用户侧的充电需求，提出了以建立电动汽车充电负荷模型、建立电动汽车充放电优化算法模型和有序充放电两阶段动态优化策略为内容的基于粒子群算法的电动汽车有序充放电动态优化策略，通过动态更新每辆电动汽车接入电网时的电价信息，利用粒子群算法实现了对电动汽车的有序充放电优化。相比于TOUT、RTP充电策略和无序充电而言，本发明所提出的基于粒子群算法的电动汽车有序充放电动态优化策略能够明显降低负荷曲线的峰谷差和用户的充电成本，具有科学合理，适用性强，效果佳的优点。

Description

一种基于粒子群算法的电动汽车有序充放电动态优化策略

技术领域

本发明涉及车-网互动(Vehicle to Grid,V2G)领域，是一种基于粒子群算法的电动汽车有序充放电动态优化策略。

背景技术

近年来，电动汽车(Electric Vehicle,EV)产业迅猛发展，然而，由于用户的充电行为具有很大的随机性和不确定性，大规模EV接入电网后将会增加对电网的控制难度。研究表明，用户给EV充电的时间与其生活用电时间大致吻合，这意味着规模化的EV无序充电时，充电负荷将与基础负荷叠加，进一步增大负荷曲线的峰谷差。传统分时电价(Time-of-Use Tariff,TOUT)和实时电价(Real-Time Price,RTP)需求响应机制均会在负荷低谷时段产生新的负荷高峰。

发明内容

本发明的目的是，克服现有技术的不足，提供一种科学合理，适用性强，效果佳，能够有效降低电网负荷的峰谷差和用户充电成本的基于粒子群算法的电动汽车有序充放电动态优化策略。

本发明的目的是由以下技术方案来实现的：一种基于粒子群算法的电动汽车有序充放电动态优化策略，其特征是，它包括以下步骤：

1、建立电动汽车充电负荷模型

1)根据出行数据对用户的出行规律进行高斯拟合，得到电动汽车接入/离开电网时间的概率密度函数(Probability Density Function,PDF)，见式(1)，

式中a、b、c分别为高斯曲线的峰值、峰值位置和半宽度信息；

2)将一天24小时均分为96个时间段，则车辆的停车时长表示为：

式中t_park,k为车辆EV_k的停车时长；t_in,k、t_out,k分别为EV_k的接入电网时间和离开电网时间，电动汽车的实际所需充电时长为：

式中t_c,k为车辆EV_k的实际所需充电时长；SOC_k,e为该EV用户的SOC期望值；SOC_k,0为车辆EV_k的初始SOC；C_k为车辆EV_k的电池容量，单位为kW·h；η_c为充电效率；P_k为车辆EV_k的充放电功率，单位为kW，乘数4代表将t_c,k换算成间隔为15min的时间段；

3)引入充放电控制系数：

X_k＝zeros[x_k,1,x_k,2,...,x_k,96] (4)

式中X_k为车辆EV_k充放电控制系数的集合，其元素x_k,1～x_k,96为电动汽车每个时段的充放电控制系数，用来控制车辆EV_k每个时段的充放电行为及充放电功率值，控制规则为式(5)；zeros表示X_k初始化为零向量，

2、建立电动汽车充放电优化算法模型

1)目标函数

电动汽车循环充放电会带来电池退化问题，表述式为式(6)，

式中C_V2Gk,t为车辆EV_k在t时段的电池退化成本，单位为元/kW·h；B_k为电池寿命与循环次数之间的线性关系系数；χ_k,t为车辆EV_k在t时段的循环充放电电量，单位为kW·h；C^B为电池更换成本，单位为元；

考虑电池循环充放电成本后，以车辆EV_k的充放电成本最低为目标函数1：

式中f_k,1为考虑电池损耗后车辆EV_k的充放电成本，元；S_t为t时段的充放电电价，单位为元/kW·h；S_cp、S_cf、S_cv分别为峰时段、平时段、谷时段的充电电价，单位为元/kW·h；S_dp、S_df、S_dv分别为峰时段、平时段、谷时段的放电电价，单位为元/kW·h；

为满足用户的出行需求，以电动汽车所充的电量最多为目标函数2：

式中f_k,2为车辆EV_k充放电完成后的SOC；SOC_0,k为车辆EV_k的初始SOC，基于线性加权和法，将目标函数f_k,1、f_k,2进行规范化处理，见式(9)，

式中f_k为车辆EV_k的多目标优化函数；

分别为单目标函数f_k,1、f_k,2的最大值；λ_k,1、λ_k,2分别为单目标函数f_k,1、f_k,2的优化权重；

2)约束条件

①充放电功率约束

式中P_C,k,t、P_DC,k,t分别为车辆EV_k在t时段的充电功率和放电功率；P_Cmax,t、P_DCmax,t分别为电动汽车充功率和放电功率允许的最大值；

②电池可用容量约束

式中SOC_k,t为车辆EV_k在t时段的SOC；为保证电池的使用寿命，任意时段电池SOC可用容量的上、下限SOC_max、SOC_min，通常分别取1和0.3；

③变压器容量约束

式中N为接入电网中的EV数量；P_load,t为时段t内电网中的基础负荷，kW；S_T为变压器容量限值；

④用户出行需求约束

为保证用户的出行需求，用户离开时的SOC_f,k应不低于用户设置的期望值SOC_k,e，且电量不超过电池容量：

SOC_k,e≤SOC_f,k≤1 (13)

⑤可调度时间约束

由于电动汽车的充放电行为只在其接入电网时间内进行，因此电动汽车接入电网前和退出电网后的充放电控制系数均为0，在并网时间内电动汽车方可接受调度：

t_in,k≤t_V2G,k≤t_out,k (14)

式中t_V2G,k为车辆EV_k参与有序充放电的可调度时间，集合A_k中的元素为车辆EV_k并网时间对应的充放电控制系数；

3、有序充放电两阶段动态优化策略

1)第一阶段充电优化

第一步：将车辆EV_k接入时电网中的每个时段的负荷按大小进行升序排序：

T_k＝sort_Load{t₁,t₂,...,t₉₆} (16)

式中T_k为车辆EV_k接入时电网中96个时段升序排列后的集合；t₁～t₉₆为一天内离散化后的时间段；sort_Load表示每个时段按负荷大小升序排列；

第二步：为车辆EV_k划分峰谷时段：

式中T^k _p、T^k _f、T^k _v分别为车辆EV_k接入电网时段内峰、平、谷时段的集合；

第三步：将车辆EV_k接入电网时段内所有的谷时段设置为以额定功率进行充电：

式中集合

中的元素为车辆EV_k并网时间内谷时段对应的充放电控制系数；

2)第二阶段充放电优化

令车辆EV_k停车时间内的峰时段和平时段的数量为N_k，利用PSO对车辆EV_k的峰时段和平时段的充放电控制系数进行优化时，PSO通过初始化为一群随机粒子，然后通过迭代找到最优解，设每个种群由M个粒子组成，则第i个粒子的初始位置和速度均为维数为N_k的向量：

式中

分别为车辆EV_k在寻优过程中第i个粒子的位置和速度；

考虑电池容量的约束，需对初始化的充放电控制系数进行修正，引入虚拟SOC变量，按照车辆EV_k初始化的充放电控制系数x_k,t依次计算每个时段充放电行为完成后的虚拟SOC：

式中

SOC_k,t-1分别为车辆EV_k本时段的虚拟SOC和上一时段的实际SOC；x_k,t为车辆EV_k本时段初始化的充放电控制系数，充放电控制系数的修正流程为：

①当某时段虚拟SOC大于上限SOC_max时，***对这个时段的充放电控制系数按式(21)进行修正：

②当某时段虚拟SOC小于下限SOC_min时，***对这个时段的充放电控制系数按式(22)进行修正：

充放电控制系数修正完成之后，粒子群进行迭代寻优，第i个粒子搜寻到的最优位置称为个体极值，记为：

整个种群在每一次迭代过程中迄今为止搜寻到的最优解称为全局极值，记为：

当整个粒子种群找到个体极值

和全局极值

后，每个粒子将通过式(25)更新自己的位置和速度：

式中：

分布为车辆EV_k充放电寻优过程中第i个粒子在第t时段的速度和位置；ω为惯性权重；c₁、c₂为学习因子，也称加速常数；r₁、r₂为两个在[0,1]之间变化的加速度权重系数，粒子的位置和速度完成更新后将进行下一次迭代，直到完成所有的迭代过程，最终得到的最佳适应度值即为充放电控制系数的最优值。

本发明针对传统TOUT和RTP充电策略容易在负荷低谷时段产生新的负荷高峰的问题，考虑电网侧的调峰需求和用户侧的充电需求，提出了以建立电动汽车充电负荷模型、建立电动汽车充放电优化算法模型和有序充放电两阶段动态优化策略为内容的基于粒子群算法的电动汽车有序充放电动态优化策略，通过动态更新每辆电动汽车接入电网时的电价信息，利用粒子群算法实现了对电动汽车的有序充放电优化。相比于TOUT、RTP充电策略和无序充电而言，本发明所提出的基于粒子群算法的电动汽车有序充放电动态优化策略能够明显降低负荷曲线的峰谷差和用户的充电成本，具有科学合理，适用性强，效果佳的优点。

附图说明

图1是电动汽车接入电网时间和离开电网时间都在一日内完成时的示意图；

图2是电动汽车接入电网时间在前一天，离开电网时间在第二天时的示意图；

图3是电动汽车不满足有序充放电条件时的示意图；

图4是电动汽车满足有序充放电条件时的示意图；

图5是两阶段充放电动态优化流程。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

参照图1～图5，本实施例的一种基于粒子群算法的电动汽车有序充放电动态优化策略，包括以下步骤：

1、建立电动汽车充电负荷模型

根据NHTS2017出行数据对工作日以“家(Home，H)”为起点、以“工作区(Work，W)”为终点的出行规律(H-W)和以“工作区”为起点、以“家”为终点的出行规律(W-H)进行高斯拟合，得到电动汽车(Electric Vehicle,EV)接入/离开电网时间的概率密度函数(Probability Density Function,PDF)。为观测拟合结果得到的高斯曲线特征，对高斯概率密度函数进行简化：

式中a、b、c分别为高斯曲线的峰值、峰值位置和半宽度信息。

将一天24小时均分为96个时间段，EV接入电网时间与离开电网时间的关系有两种情况：图1为接入电网时间和离开电网时间都在一日内完成，图2为接入电网时间在前一天，离开电网时间在第二天，则车辆的停车时长表示为：

式中t_park,k为车辆EV_k的停车时长；t_in,k、t_out,k分别为EV_k的接入电网时间和离开电网时间。EV的实际所需充电时长为：

式中t_c,k为车辆EV_k的实际所需充电时长；SOC_k,e为该EV用户的SOC期望值；SOC_k,0为车辆EV_k的初始SOC；C_k为车辆EV_k的电池容量，单位为kW·h；η_c为充电效率；P_k为车辆EV_k的充放电功率，单位为kW，乘数4代表将t_c,k换算成间隔为15min的时间段。

为了方便控制每辆EV的充放电行为，引入充放电控制系数：

X_k＝zeros[x_k,1,x_k,2,...,x_k,96] (4)

式中X_k为车辆EV_k充放电控制系数的集合，其元素x_k,1～x_k,96为该EV每个时段的充放电控制系数，用来控制车辆EV_k每个时段的充放电行为及充放电功率值，控制规则为见式(5)；zeros表示X_k初始化为零向量。

2、建立电动汽车充放电优化算法模型

1)目标函数

EV循环充放电会带来电池退化问题，见式(6)。

式中

为车辆EV_k在t时段的电池退化成本，单位为元/kW·h；B_k为电池寿命与循环次数之间的线性关系系数；χ_k,t为车辆EV_k在t时段的循环充放电电量，单位为kW·h；C^B为电池更换成本，单位为元。

考虑电池循环充放电成本后，以车辆EV_k的充放电成本最低为目标函数：

式中f_k,1为考虑电池损耗后车辆EV_k的充放电成本，单位为元；S_t为t时段的充放电电价，单位为元/kW·h；S_cp、S_cf、S_cv分别为峰时段、平时段、谷时段的充电电价，单位为元/kW·h；S_dp、S_df、S_dv分别为峰时段、平时段、谷时段的放电电价，单位为元/kW·h。

为满足用户的出行需求，以EV所充的电量最多为目标函数：

式中f_k,2为车辆EV_k充放电完成后的SOC；SOC_0,k为车辆EV_k的初始SOC。基于线性加权和法，将目标函数f_k,1、f_k,2进行规范化处理，见式(9)。

式中f_k为车辆EV_k的多目标优化函数；

分别为单目标函数f_k,1、f_k,2的最大值；λ_k,1、λ_k,2分别为单目标函数f_k,1、f_k,2的优化权重。

2)约束条件

①充放电功率约束

式中P_C,k,t、P_DC,k,t分别为车辆EV_k在t时段的充电功率和放电功率；P_Cmax,t、P_DCmax,t分别为EV充功率和放电功率允许的最大值。

②电池可用容量约束

式中SOC_k,t为车辆EV_k在t时段的SOC；为保证电池的使用寿命，任意时段电池SOC可用容量的上下限SOC_max、SOC_min通常分别取1和0.3。

③变压器容量约束

式中N为接入电网中的EV数量；P_load,t为时段t内电网中的基础负荷，kW；S_T为变压器容量限值。

④用户出行需求约束

为保证用户的出行需求，用户离开时的SOC_f,k应不低于用户设置的期望值SOC_k,e，且电量不超过电池容量：

SOC_k,e≤SOC_f,k≤1 (13)

⑤可调度时间约束

t_in,k≤t_V2G,k≤t_out,k (14)

式中t_V2G,k为车辆EV_k参与有序充放电的可调度时间，集合A_k中的元素为车辆EV_k并网时间对应的充放电控制系数。式(15)表明EV接入电网前和退出电网后的充放电控制系数均为0，A_k在X_k中的补集元素均为0。

3、有序充放电两阶段动态优化策略

1)第一阶段充电优化

EV的停车时长与实际所需充电时长的关系有两种情况：图3是当EV的实际所需充电时长不小于停车时长时的示意图，该车辆不满足有序充放电条件；图4是当EV的实际所需充电时长小于停车时长时的示意图，该EV满足有序充放电条件，则首先安排该EV进行第一阶段有序充电，具体流程如下：

第一步：将车辆EV_k接入时电网中的每个时段的负荷按大小进行升序排序：

T_k＝sort_Load{t₁,t₂,...,t₉₆} (16)

式中T_k为车辆EV_k接入时电网中96个时段升序排列后的集合；t₁～t₉₆为一天内离散化后的时间段；sort_Load表示每个时段按负荷大小升序排列。

第二步：为车辆EV_k划分峰谷时段：

式中T^k _p、T^k _f、T^k _v分别为车辆EV_k接入电网时段内峰、平、谷时段的集合。

第三步：将车辆EV_k接入电网时段内所有的谷时段设置为以额定功率进行充电：

式中集合

中的元素为车辆EV_k并网时间内谷时段对应的充放电控制系数。

2)第二阶段充放电优化

令车辆EV_k停车时间内的峰时段和平时段的数量为N_k，利用粒子群算法(ParticleSwarm Optimization,PSO)对车辆EV_k的峰时段和平时段的充放电控制系数进行优化时，PSO通过初始化为一群随机粒子，然后通过迭代找到最优解。设每个种群由M个粒子组成，则第i个粒子的初始位置和速度均为维数为N_k的向量：

式中

分别为车辆EV_k在寻优过程中第i个粒子的位置和速度。

充放电控制系数的粒子经过随机初始化后，车辆EV_k接入电网时间内每个时段的充放电控制系数已经预设完成，但考虑电池容量的约束，需对初始化的充放电控制系数进行修正。引入虚拟SOC变量，按照车辆EV_k初始化的充放电控制系数x_k,t依次计算每个时段充放电行为完成后的虚拟SOC：

式中

SOC_k,t-1分别为车辆EV_k本时段的虚拟SOC和上一时段的实际SOC；x_k,t为车辆EV_k本时段初始化的充放电控制系数。充放电控制系数的修正流程如下：

①当某时段虚拟SOC大于上限SOC_max时，***对该时段的充放电控制系数按式(21)进行修正：

②当某时段虚拟SOC小于下限SOC_min时，***对该时段的充放电控制系数按式(22)进行修正：

充放电控制系数修正完成之后，粒子群进行迭代寻优，第i个粒子搜寻到的最优位置称为个体极值，记为：

整个种群在每一次迭代过程中迄今为止搜寻到的最优解称为全局极值，记为：

当整个粒子种群找到个体极值

和全局极值

后，每个粒子将通过如下公式更新自己的位置和速度：

式中：

分布为车辆EV_k充放电寻优过程中第i个粒子在第t时段的速度和位置；ω为惯性权重；c₁、c₂为学习因子，也称加速常数；r₁、r₂为两个在[0,1]之间变化的加速度权重系数。粒子的位置和速度完成更新后将进行下一次迭代，直到完成所有的迭代过程，最终得到的最佳适应度值即为充放电控制系数的最优值。至此车辆EV_k的两阶段充放电动态优化完成，该辆EV开始执行充放电。图5为整个优化过程的流程图。

本发明的具体实施方式仅为一个实例，并非穷举，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。

Claims (1)

1.一种基于粒子群算法的电动汽车有序充放电动态优化策略，其特征是，它包括以下步骤：

1、建立电动汽车充电负荷模型

1)根据出行数据对用户的出行规律进行高斯拟合，得到电动汽车接入/离开电网时间的概率密度函数(Probability Density Function,PDF)，见式(1)，

式中a、b、c分别为高斯曲线的峰值、峰值位置和半宽度信息；

2)将一天24小时均分为96个时间段，则车辆的停车时长表示为：

式中t_park,k为车辆EV_k的停车时长；t_in,k、t_out,k分别为EV_k的接入电网时间和离开电网时间，电动汽车的实际所需充电时长为：

式中t_c,k为车辆EV_k的实际所需充电时长；SOC_k,e为该EV用户的SOC期望值；SOC_k,0为车辆EV_k的初始SOC；C_k为车辆EV_k的电池容量，单位为kW·h；η_c为充电效率；P_k为车辆EV_k的充放电功率，单位为kW，乘数4代表将t_c,k换算成间隔为15min的时间段；

3)引入充放电控制系数：

X_k＝zeros[x_k,1,x_k,2,...,x_k,96] (4)

式中X_k为车辆EV_k充放电控制系数的集合，其元素x_k,1～x_k,96为电动汽车每个时段的充放电控制系数，用来控制车辆EV_k每个时段的充放电行为及充放电功率值，控制规则为式(5)；zeros表示X_k初始化为零向量，

2、建立电动汽车充放电优化算法模型

1)目标函数

电动汽车循环充放电会带来电池退化问题，表述式为式(6)，

式中

为车辆EV_k在t时段的电池退化成本，单位为元/kW·h；B_k为电池寿命与循环次数之间的线性关系系数；χ_k,t为车辆EV_k在t时段的循环充放电电量，单位为kW·h；C^B为电池更换成本，单位为元；

考虑电池循环充放电成本后，以车辆EV_k的充放电成本最低为目标函数1：

式中f_k,1为考虑电池损耗后车辆EV_k的充放电成本，元；S_t为t时段的充放电电价，元/kW·h；S_cp、S_cf、S_cv分别为峰时段、平时段、谷时段的充电电价，单位为元/kW·h；S_dp、S_df、S_dv分别为峰时段、平时段、谷时段的放电电价，单位为元/kW·h；

为满足用户的出行需求，以电动汽车所充的电量最多为目标函数2：

式中f_k,2为车辆EV_k充放电完成后的SOC；SOC_0,k为车辆EV_k的初始SOC，基于线性加权和法，将目标函数f_k,1、f_k,2进行规范化处理，见式(9)，

式中f_k为车辆EV_k的多目标优化函数；

分别为单目标函数f_k,1、f_k,2的最大值；λ_k,1、λ_k,2分别为单目标函数f_k,1、f_k,2的优化权重；

2)约束条件

①充放电功率约束

式中P_C,k,t、P_DC,k,t分别为车辆EV_k在t时段的充电功率和放电功率；P_Cmax,t、P_DCmax,t分别为电动汽车充功率和放电功率允许的最大值；

②电池可用容量约束

式中SOC_k,t为车辆EV_k在t时段的SOC；为保证电池的使用寿命，任意时段电池SOC可用容量的上、下限SOC_max、SOC_min，通常分别取1和0.3；

③变压器容量约束

式中N为接入电网中的EV数量；P_load,t为时段t内电网中的基础负荷，kW；S_T为变压器容量限值；

④用户出行需求约束

为保证用户的出行需求，用户离开时的SOC_f,k应不低于用户设置的期望值SOC_k,e，且电量不超过电池容量：

SOC_k,e≤SOC_f,k≤1 (13)

⑤可调度时间约束

由于电动汽车的充放电行为只在其接入电网时间内进行，因此电动汽车接入电网前和退出电网后的充放电控制系数均为0，在并网时间内电动汽车方可接受调度：

t_in,k≤t_V2G,k≤t_out,k (14)

式中t_V2G,k为车辆EV_k参与有序充放电的可调度时间，集合A_k中的元素为车辆EV_k并网时间对应的充放电控制系数；

3、有序充放电两阶段动态优化策略

1)第一阶段充电优化

第一步：将车辆EV_k接入时电网中的每个时段的负荷按大小进行升序排序：

T_k＝sort_Load{t₁,t₂,...,t₉₆} (16)

式中T_k为车辆EV_k接入时电网中96个时段升序排列后的集合；t₁～t₉₆为一天内离散化后的时间段；sort_Load表示每个时段按负荷大小升序排列；

第二步：为车辆EV_k划分峰谷时段：

式中

T^k _v分别为车辆EV_k接入电网时段内峰、平、谷时段的集合；

第三步：将车辆EV_k接入电网时段内所有的谷时段设置为以额定功率进行充电：

式中集合

中的元素为车辆EV_k并网时间内谷时段对应的充放电控制系数；

2)第二阶段充放电优化

令车辆EV_k停车时间内的峰时段和平时段的数量为N_k，利用PSO对车辆EV_k的峰时段和平时段的充放电控制系数进行优化时，PSO通过初始化为一群随机粒子，然后通过迭代找到最优解，设每个种群由M个粒子组成，则第i个粒子的初始位置和速度均为维数为N_k的向量：

式中

分别为车辆EV_k在寻优过程中第i个粒子的位置和速度；

考虑电池容量的约束，需对初始化的充放电控制系数进行修正，引入虚拟SOC变量，按照车辆EV_k初始化的充放电控制系数x_k,t依次计算每个时段充放电行为完成后的虚拟SOC：

式中

SOC_k,t-1分别为车辆EV_k本时段的虚拟SOC和上一时段的实际SOC；x_k,t为车辆EV_k本时段初始化的充放电控制系数，充放电控制系数的修正流程为：

①当某时段虚拟SOC大于上限SOC_max时，***对这个时段的充放电控制系数按式(21)进行修正：

②当某时段虚拟SOC小于下限SOC_min时，***对该时段的充放电控制系数按式(22)进行修正：

充放电控制系数修正完成之后，粒子群进行迭代寻优，第i个粒子搜寻到的最优位置称为个体极值，记为：

整个种群在每一次迭代过程中迄今为止搜寻到的最优解称为全局极值，记为：

当整个粒子种群找到个体极值

和全局极值

后，每个粒子将通过式(25)更新自己的位置和速度：

式中：

分布为车辆EV_k充放电寻优过程中第i个粒子在第t时段的速度和位置；ω为惯性权重；c₁、c₂为学习因子，也称加速常数；r₁、r₂为两个在[0,1]之间变化的加速度权重系数，粒子的位置和速度完成更新后将进行下一次迭代，直到完成所有的迭代过程，最终得到的最佳适应度值即为充放电控制系数的最优值。

Images