鉅大LARGE | 點擊量：894次 | 2021年06月24日
區(qū)域電動車實時預(yù)估控制有序充電策略
摘要：以減小負(fù)荷峰谷差為目標(biāo)，結(jié)合電動汽車用戶的實際充電行為，提出了一種基于改進(jìn)遺傳算法的電動汽車實時預(yù)估有序充電控制策略。通過對接入的部分電動汽車進(jìn)行預(yù)估充電克服了傳統(tǒng)遺傳算法在解決電動汽車充電問題時的搜索空間大、收斂性差、容易陷入維數(shù)災(zāi)等缺點，同時還降低了負(fù)荷曲線的峰谷差率，減小負(fù)荷波動。采用蒙特卡洛模擬辦法模擬電動汽車用戶的充電需求，比較分解不同電動汽車預(yù)估充電比例下的仿真結(jié)果，研究結(jié)果聲明，本文提出的辦法在提高算法收斂性的同時，能夠有效地減小負(fù)荷波動，降低峰谷差率。
0引言
作為新一代的交通工具，電動汽車在降低人類化石燃料消耗、減少碳排放等方面有著顯著的功效。但隨著大量電動汽車隨機(jī)無序接入電網(wǎng)充電，其必然帶來新一輪的負(fù)荷上升，假如不對其進(jìn)行有序協(xié)調(diào)控制，就很有可能降低電網(wǎng)運行效率，危害電網(wǎng)的安全性、穩(wěn)定性和經(jīng)濟(jì)性。因此，要怎么樣利用有效的控制手段實現(xiàn)電動汽車有序充電，是國內(nèi)外學(xué)者研究的重點。
本文以私家電動汽車常規(guī)充電方式為研究對象，提出了一種用于將分布式接入的電動汽車在能量和信息上整合的實時預(yù)估充電聚集控制系統(tǒng)，并在對傳統(tǒng)遺傳算法改進(jìn)的基礎(chǔ)之上，提出了一種新的電動汽車有序充電控制策略，該策略通過對一部分電動汽車進(jìn)行預(yù)估充電，在保證算法收斂性的同時有效地減小負(fù)荷曲線波動，降低峰谷差率。最后，本文以某區(qū)域配電網(wǎng)為例，采用蒙特卡洛模擬辦法比較分解了在不同預(yù)估充電電動汽車比例下的仿真結(jié)果。
1電動汽車實時預(yù)估充電聚集控制系統(tǒng)
符合Exic IIB T4 Gc防爆標(biāo)準(zhǔn)
充電溫度：0~45℃
-放電溫度：-40~+55℃
-40℃最大放電倍率：1C
-40℃ 0.5放電容量保持率≥70%
電動汽車聚集控制系統(tǒng)是將整合后的電動汽車群接入配電網(wǎng)的中介系統(tǒng)，是大規(guī)模電動汽車與電網(wǎng)的接口，其依據(jù)區(qū)域內(nèi)配電網(wǎng)的實時信息和電動汽車用戶的需求信息，將該區(qū)域內(nèi)接入的電動汽車群作為一個能量整體參與電網(wǎng)運行，并由特定的管理策略控制每臺電動汽車的充放電過程。很多文獻(xiàn)在功能上對聚集控制系統(tǒng)進(jìn)行優(yōu)化，使得大規(guī)模分布式接入的電動汽車可以有效地參與電網(wǎng)調(diào)頻、機(jī)組組合優(yōu)化以及提高電網(wǎng)及用戶的經(jīng)濟(jì)性。
本文從功能上提出了一種用于減小峰谷差的實時預(yù)估充電聚集控制系統(tǒng)，該系統(tǒng)重要功能模塊為信息采集與管理模塊以及優(yōu)化協(xié)調(diào)控制模塊，實時預(yù)估充電聚集管理系統(tǒng)框圖如圖1所示。
信息采集與管理模塊重要用于對電網(wǎng)實時運行信息以及電動汽車充電需求信息進(jìn)行采集與預(yù)解決，并向優(yōu)化協(xié)調(diào)控制模塊供應(yīng)決策信息。
在電網(wǎng)側(cè)，其重要從區(qū)域配電網(wǎng)獲取電網(wǎng)運行狀態(tài)信息并依據(jù)該區(qū)域配電網(wǎng)的歷史常規(guī)負(fù)荷，預(yù)測當(dāng)日常規(guī)負(fù)荷曲線。本文采用96點的日負(fù)荷曲線預(yù)測辦法，時間間隔為15min，用Pbj（j=1,2,……,96）表示一天中第j個時間段內(nèi)常規(guī)負(fù)荷的大小。
在用戶側(cè)，其可自動獲取該電動汽車的接入時間αi、電池容量Ci以及當(dāng)前電池的荷電狀態(tài)等信息，同時為了制定電動汽車有序充電控制策略，用戶非得通過充電樁向?qū)崟r預(yù)估充電聚集控制系統(tǒng)供應(yīng)預(yù)期離開時間βi以及預(yù)期電動汽車荷電狀態(tài)信息。由于不同的充電方式對應(yīng)不同的充電功率，本文假設(shè)居民私家電動汽車采用常規(guī)充電，且充電過程為恒功率充電。
信息采集與管理模塊依據(jù)用戶充電需求信息進(jìn)行預(yù)解決，確定一天中不同時間點接入的電動汽車接入狀態(tài)矩陣t，其元素tij表示第i輛電動汽車在第j個時間段的接入狀態(tài)，表示該電動汽車此時刻并未接入電網(wǎng)，則表示接入。
優(yōu)化協(xié)調(diào)控制模塊依據(jù)每個時間段信息采集與管理模塊供應(yīng)的決策信息制定這個時間段內(nèi)所有接入的電動汽車的有序充電策略，并供應(yīng)各充電機(jī)詳盡的充電行為。系統(tǒng)每15min更新一次，以制定將來時間段內(nèi)電動汽車有序充電控制策略。
2電動汽車有序充電數(shù)學(xué)模型
以區(qū)域配電網(wǎng)峰谷差最小為目標(biāo)，目標(biāo)函數(shù)如下：
式中：P為電動私家車的恒定充電功率；nj為第j個時間段接入配電網(wǎng)的電動汽車總量；x為電動汽車的充電狀態(tài)矩陣，元素xij表第i輛車在第j個時間段的充電狀態(tài)，表示該車此時空閑，表示該車此時處于充電狀態(tài)；Po為計及電動汽車充電后配電網(wǎng)的理想負(fù)荷值，計算公式如下：
其中。
任意時刻電動汽車的荷電狀態(tài)都應(yīng)滿足如下約束：
式中：是一個時間段內(nèi)電動汽車充電電量。
電動汽車充電需求約束如下：
由此可見，上述優(yōu)化模型可認(rèn)為是非線性0—1優(yōu)化組合問題，因此以二進(jìn)制編碼為基礎(chǔ)的遺傳算法在處理這類問題上具有天然的可行性。
3改進(jìn)遺傳算法
電動汽車有序充電問題是一個大規(guī)模非線性0—1優(yōu)化問題，雖然遺傳算法天然地具備有效解決0—1問題的優(yōu)點，但傳統(tǒng)的遺傳算法其較大的種群規(guī)模和隨機(jī)操作的遺傳算子并沒有結(jié)合電動汽車充電問題的特點，以至于在隨機(jī)交織和變異過程中不僅會萌生大量不可行解且收斂速度非常慢。針對這一問題，本文提出了一種減小可行域搜索范圍并提高收斂速度的改進(jìn)遺傳算法。
3.1編碼
本文要優(yōu)化的充電狀態(tài)矩陣為遺傳算法中的個體，每一個充電狀態(tài)矩陣蘊含了當(dāng)前接入的所有電動汽車的充電狀態(tài)，其詳盡形式為：
式中：xk為遺傳算法中第k個個體：xi為編碼矩陣的行向量，表示在某個時間段接入的該輛電動汽車在不同時刻的充電狀態(tài)。
第i輛電動汽車的可能充電時間區(qū)間并不是充電矩陣的任意位置（或一天中任意時刻），而是依據(jù)用戶充電需求信息，由該輛電動汽車的接入時間αi以及預(yù)期離開時間βi所決定。
3.2初始化及適度函數(shù)選取
遺傳種群初始化時，按照編碼矩陣中行向量的順序進(jìn)行。以xk中xi為例，初始化過程如下：
1）依據(jù)用戶錄入的充電需求信息，確定第i輛電動汽車的接入時間αi及預(yù)期離開時間βi，并進(jìn)一步確定該輛電動汽車在這一天中的可能充電時間區(qū)間；
2）依據(jù)電動汽車的初始荷電狀態(tài)和用戶預(yù)期荷電狀態(tài)，確定電動汽車實際所需的充電段數(shù)。其中。
3）在該輛電動汽車的可能充電時間區(qū)間中，隨機(jī)選擇Jid個充電時刻作為該輛電動汽車的初始充電點。
本文選取目標(biāo)函數(shù)的倒數(shù)形式作為適度函數(shù)值，保證峰谷差率小的方法的基因被保留下來進(jìn)行遺傳。
3.3交織操作和對偶變異
本文采用確定式采樣的辦法在父代中選擇交配個體，并采用局部錦標(biāo)賽選擇法在父代個體和交織個體間選擇子代個體。同時，為了加大搜索空間及收斂性，交織操作可以重復(fù)進(jìn)行幾次。
當(dāng)充電狀態(tài)矩陣中的某一位進(jìn)行變異時，實際上改變了某輛電動汽車在某一時刻的充電狀態(tài)，為保證用戶的充電需求及電池壽命，就非得對該變異位進(jìn)行補償，即選擇可能充電時間區(qū)間中除這一位的其他位進(jìn)行對偶變異。
隨機(jī)選擇一個個體中的某一輛電動汽車以及其可能充電區(qū)間內(nèi)的一個變異點rand，對該點進(jìn)行0—1變異，隨后在可能充電區(qū)間內(nèi)隨機(jī)選擇除這點以為的與該變異點原充電狀態(tài)相反的點進(jìn)行對偶變異。
3.4收斂性改進(jìn)
采用上面的辦法進(jìn)行求解后發(fā)現(xiàn)，算法收斂速度很慢，即便進(jìn)化代數(shù)很大，也無法得到理想的效果。這是由于充電狀態(tài)矩陣是一個大規(guī)模多維0—1矩陣，容易陷入維數(shù)災(zāi)。因此為了提高收斂性以及進(jìn)一步減小峰谷差，本文對第j個時間段內(nèi)接入的一部分電動汽車采用預(yù)估充電的初始化方式，即依據(jù)電網(wǎng)的負(fù)荷信息，對這一部分電動汽車采用實時選擇性充電，詳盡過程如下：
1）判斷第j個時間段內(nèi)是不是有新車接入，若有則選擇其中輛進(jìn)行預(yù)估充電；
2）依據(jù)新接入電動汽車i的充電需求信息確定其接入時間αi、離開時間βi以及實際所需充電段數(shù)Jid，進(jìn)而確定其可能充電時間區(qū)域；
3）在其可能充電區(qū)間內(nèi)選擇總負(fù)荷最小的點優(yōu)先進(jìn)行充電，如下式：
4）重復(fù)第3）步直到滿足客戶充電需求；
5）重復(fù)第1）步至第4）步第直到選擇的輛電動汽車全部預(yù)估完畢；
由此可見，交織操作并不會影響每個個體中進(jìn)行預(yù)估充電的電動汽車，而只依賴變異操作來對預(yù)估充電的電動汽車進(jìn)行微調(diào)。因此選擇進(jìn)行預(yù)估充電的電動汽車數(shù)量要適中，太小不能提高算法收斂性，太大則容易造成局部最優(yōu)，本文取。算法流程圖如圖2所示。
4基于蒙特卡洛模擬的仿真算例
4.1參數(shù)設(shè)置
蒙特卡洛模擬是一種基于概率和統(tǒng)計理論的隨機(jī)模擬。本文基于私家電動汽車的時空分布，采用蒙特卡洛辦法模擬一天中私家電動汽車的行駛情況，從而建立私家電動汽車充電負(fù)荷模型。
假設(shè)某區(qū)域內(nèi)有100輛私家電動汽車，且電動汽車已經(jīng)實現(xiàn)標(biāo)準(zhǔn)化，則常規(guī)充電的充電功率設(shè)為P＝7kW?？紤]到電動汽車電池壽命，可設(shè)。
改進(jìn)遺傳算法的參數(shù)設(shè)置如下：種群大小為300，交織概率為0.9，交織重復(fù)次數(shù)為5，變異概率0.1，變異窗口大小為3，預(yù)估充電的電動汽車比例分別取。
4.2結(jié)果分解
圖3為計及電動汽車充電的負(fù)荷曲線。圖4為在不同預(yù)估充電電動汽車比例下負(fù)荷的峰谷差率。結(jié)合圖3和圖4可以看出：在未采用預(yù)估充電時，即＝0時，采用一般遺傳算法雖然大大降低了因電動汽車無序充電而引起的負(fù)荷的劇烈上升，但其并為充足利用負(fù)荷低谷對電動汽車充電（即峰谷差率很大），且在用電高峰時依然造成峰上疊峰；當(dāng)采用預(yù)估充電＝0.3時，負(fù)荷曲線更趨于平緩，進(jìn)一步優(yōu)化了用電高峰時電動汽車的充電行為，未造成疊峰現(xiàn)象，同時，負(fù)荷峰谷差率也進(jìn)一步減小。
但當(dāng)預(yù)估充電電動汽車比例系數(shù)進(jìn)一步增大＝0.4時，雖然在負(fù)荷峰谷差率上有進(jìn)一步優(yōu)化，但優(yōu)化效果并不分明，且負(fù)荷曲線也與＝0.3時差異不大，當(dāng)＝0.5時，則其峰谷差率與＝0.4趨于相同。這是由于進(jìn)行預(yù)估充電的電動汽車比例越大，遺傳算法的交織操作的效果越弱，僅依賴變異來進(jìn)行微調(diào)。因此預(yù)估充電的電動汽車比例應(yīng)當(dāng)保持在適度的范圍內(nèi)，否則容易陷入局部最優(yōu)。
5結(jié)論
本文依據(jù)傳統(tǒng)遺傳算法以二進(jìn)制為基礎(chǔ)的特點，結(jié)合電動汽車用戶的實際充電行為，提出了一種基于改進(jìn)遺傳算法的電動汽車有序充電控制策略。該策略在保證用戶充電需求的前提下，對部分電動汽車采用預(yù)估充電的初始化辦法，既克服了傳統(tǒng)遺傳算法在解決電動汽車充電問題時的搜索空間大、收斂性差等缺點，同時還降低了負(fù)荷曲線的峰谷差率，防止了峰上疊峰的現(xiàn)象。本文通過蒙特卡洛辦法模擬電動汽車用戶的充電行為，仿真結(jié)果聲明，本文提出的基于改進(jìn)遺傳算法的有序充電控制策略能夠有效的減小因電動汽車無序充電造成的負(fù)荷劇烈上升，減小負(fù)荷波動，防止峰上疊峰。
由于電動汽車不僅是充電負(fù)荷，在一定情況下還能作為移動儲能為電網(wǎng)供應(yīng)輔助服務(wù)。因此下一步的研究側(cè)重于，通過電動汽車的V2G功能，真正地實現(xiàn)利用電動汽車削峰填谷。（劉劍欣，葉健誠，潘巍，徐青山，辛建波）
