电动汽车有序充电多目标优化方法.pdf

Microcomputer Applications Vol.39,No.11,2023文章编号：10 0 7-7 57 X(2023)11-0005-05基金项目电动汽车有序充电多目标优化方法微型电脑应用2 0 2 3年第39 卷第11期洪祥1，黄建刚2 3，钱科军，郑众3（1.南京大全电气研究院有限公司，江苏，南京2 110 0 0；2国网江苏省电力有限公司苏州供电分公司，江苏，苏州2 150 0 0；3.国网苏州电动汽车服务有限公司，江苏，苏州2 150 0 0）摘要：电动汽车大规模无序充电会导致电网负荷波动过大、电压偏移量大，因此，需要对电动汽车充电行为进行多目标优化。通过对电动汽车驾驶人员驾驶行为与充电习惯的分析，建立电动汽车充电负荷模型；在粒子群优化算法的基础上，引入二进制编码对优化函数展开求解，实现有序充电策略的优化。测试表明，利用所提方法对车辆充电行为展开有序优化后，充电桩的负荷在2 0 0 0 2 50 0 kW区间波动，波动情况趋于平缓，电压偏移量在3.0 0%以内，网损率在2%左右，有效降低了电网的损耗率，为电力系统的平稳运行提供保障。关键词：充电负荷模型；粒子群优化算法；有序充电；多目标优化中图分类号：TM910.6Multi-objective Optimization Method for Orderly Charging of Electric Vehicles2.Suzhou Power Supply Branch of State Grid Jiangsu Electric Power Co.,Ltd.,Suzhou 215000,China;Abstract:A large scale of unregulated charging of electric vehicles can lead to excessive fluctuation in grid load and significantvoltage deviation.Therefore,it is necessary to optimize the charging behavior of electric vehicles in a multi-objective manner.By analyzing the driving behavior and charging habits of electric vehicle drivers,an electric vehicle charging load model is estab-lished.Based on the particle swarm optimization algorithm,binary coding is introduced to solve the optimization function and a-chieve the optimization of orderly charging strategies.Tests show that by utilizing the proposed method to optimize the char-ging behavior of vehicles in an orderly manner,the load on charging stations fluctuates within the range of 2000 kW to2500 kW,with a tendency towards smoother fluctuations,the voltage deviation remains within 3.00%,and the network lossrate is around 2%,which effectively reduces the loss rate of the power grid and provides assurance for the stable operation ofthe power system.Key words:charging load model;particle swarm optimization;orderly charging;multi-objective optimization0引言电动汽车能够实现电能的储存及自动转换功能，降低汽车尾气的排放，减少城市内的噪声污染，成为汽车制造业发展的新趋势。电动汽车的发展推动了相应充电设备的建设，电动汽车在使用过程中的无序充电行为对电网系统运行造成极大负担。为了保证电网系统的平稳运行，避免城市用电的集体瘫痪，部分相关行业学者针对电动汽车的有序充电方法展开研究。电动汽车有序充电研究的目的是解决能源管理和充电设施管理的问题。首先，对于大量的电动汽车协基金项目：国家自然科学基金（52 10 7 0 0 5）作者简介：洪祥（19 8 8 一），男，硕士，高级工程师，研究方向为智能电网、综合能源服务、虚拟电厂；黄建刚（19 7 9），男，硕士，高级工程师，研究方向为电动汽车发展及综合能源应用；钱科军（19 8 0 一），男，博士，高级工程师，研究方向为能源互联网、电力信息安全；郑众（19 8 2 一），男，本科，高级工程师，研究方向为电动汽车发展及综合能源应用。文献标志码：AHONG Xiang,HUANG Jiangang3,QIAN Kejun”,ZHENG Zhong(1.Nanjing Daqo Electric Research Institute Co.,Ltd.,Nanjing 211000,China;3.State Grid Suzhou Electric Vehicle Service Co.,Ltd.,Suzhou 215000,China)调它们的充电需求，以避免能源的浪费和充电设施的超负荷运行，是需要解决的重要问题。其次，由于不同车辆的需求不同、车主的行驶习惯不同以及电网负载管理的需要，有序充电可以保证每辆车得到公平合理的充电服务，同时能够优化电网的峰谷电量差，降低电网负担，减少供电不足和用电矛盾。因此，电动汽车有序充电的研究旨在制定合理的充电策略和管理方法，以实现电动汽车的智能化充电，并为电网的可持续发展和智能化管理提供技术支撑。余桂华等2 在智能配电技术支持下，通过对用户响应机制的分析，制定动态分时电价，并对不同时段的电动汽车充5(2)Microcomputer Applications Vol.39,No.11,2023电需求展开预测；结合居民用电特点，对区域性电网负荷展开预测，并设计了实时电价下的有序充电方法。李敬航等 3基于电动汽车驾驶人员的驾驶习惯、充电行为建立电动汽车充电数学模型；结合模糊聚类算法，分析电动汽车内置供电设备初始电荷状态以及负荷表现；通过马尔科夫链思想建立电动汽车负荷模式概率转移矩阵，引人遗传算法，对电动汽车的有序充电问题求解。江明等4基于电动汽车车主充电行为的不确定性，利用MFRL方法对充电站数据样本展开分析，以电动汽车车主充电行为模式为依据，引人马尔科夫决策过程对用户用电需求展开预测，建立充电完成度指标对代价函数展开优化，通过TDL算法训练历史充电行为及电荷水平数据，进而完成有序充电方法的设计。对电动汽车进行有序充电行为进行控制。不同电量、不同行驶距离的电动车充电过程属于多目标优化过程，以上方法存在网损率偏高、在用电高峰期无法避免充电站高负荷情况以及电压偏移过高等问题。因此，本文通过对电动汽车驾驶人员驾驶行为与充电习惯的分析，建立电动汽车充电负荷模型，采用粒子群优化算法和二进制编码进行有序充电多目标优化，以实现有序充电策略的优化。1充电负荷控制模型构建1.1驾驶行为分析不同地区的驾驶人员在驾驶习惯上对充电设施可用性、充电成本的认识等方面可能存在差异，从而影响他们的充电行为。其中，驾驶人员的驾驶习惯会影响电动汽车的充电需求频率、选择的充电方式、充电时间和充电策略，因此在构建电动汽车充电负荷控制模型前对电动汽车车主的驾驶行为展开分析。电动汽车从存放地点出发后，其行驶过程可能包括商城、工作地点、公园等多个地点，出行轨迹在通常情况下复杂多样。将驾驶者在一定时间内对出行目的形成的复杂出行轨迹定义为电动汽车出行链 5。根据美国交通运输部对于车辆出行链的统计调查结果，驾驶者每天出行目的产生的出行链平均长度约为3，参考全国家庭出行统计调查结果，设电动汽车驾驶者的行驶行为为,行驶里程的分布均值为vd，驾驶里程的分布标准差为Sa，则电动汽车出行行为的数学形态正态分布公式如式（1）：g()=(gd V2元)-1.exp(-2galn()-va)(1)电动汽车在无干预前提下的随机性充电行为被称作无序充电行为，通常不受外部原因调度。将某区域环境内的电动汽车的充电起始时刻视作该车辆的外出结束时刻，通过对区域环境内的车辆充电情况的调查分析，可得出区域内车辆的累积密度与充电时间关系分布曲线如图1所示。将区域范围内的电动汽车无序充电调查结果代入式（1)车辆出行行为正态分布公式，对图1的拟合结果即为车辆出行行为的分析结果。基金项目1.2建立电动汽车充电负荷控制模型建立电动汽车充电负荷模型可以帮助电力系统规划者和运营者更好地了解充电负荷的特征和行为，从而更好地进行电网规划和运营管理。通过分析驾驶人员的充电习惯，可以了解他们的出行需求和充电习惯，从而更准确地预测和管理充电负荷。电动汽车车内电量会随车辆公里数的增加而逐步降低，此时电动汽车行程终止时的电荷状态SOC值 6 也会产生相应变化。假设当前车辆k的SOC剩余量为SOCko，本次电动汽车的行驶距离为，两者存在相互影响关系。设该电动汽车的续航里程数为E，此时车辆行程结束时刻的状态，可通过SOC剩余量与行驶距离长短之间的相互影响关系表示，具体计算公式如下：SOCko=SoC Z Erg(）当电动汽车驾驶过程中出现SOC剩余量过低的情况时，将因动力不足而无法继续行驶，此时电动汽车只能被动地选择前往充电站补充电能，充电完成以后才能够继续对未完成的出行链展开补充。设在充电期间的对应充电设备运行效率为,车辆充电完成后的电荷状态为，此时电动汽车的充电负荷模型可通过式（3)计算，其中T为电量，T=E(-SOCo)(vX P)-1式（3）中，P表示充电功率，E表示汽车电池容量。若电动汽车离开充电站时的电量为饱和状态，则此时可将电荷状态视作1。2有序充电多目标优化对电动汽车充电负荷模型进行多目标优化，可以减少充电排队等待时间，使得充电过程中能够优先使用价格更低的电价时段进行充电，从而提高充电效率、降低充电成本，同时也有利于电网的稳定和优化。2.1目标函数条件设定以区域范围内的电力系统最小负荷波动为目的,设min G为最小波动目标函数，N为谷时段数，i为当前充电时段，i充电时段下的区域性范围电力系统负荷值为E，有序充电调6微型电脑应用2 0 2 3年第39 卷第11期0.80.60.40.20福510时间/h图1无序充电调查结果152025(3)Microcomputer Applications Vol.39,No.11,2023节下的电力系统总负荷值为E，根据第1部分的分析建立的充电负荷模型T,建立目标函数minG如式（4)：min G=E;=Ei.Ev+Ei.load其中,E,Ev为i时段电动汽车并网前提下的充电站充电负荷值，Ei.load为i时段电力系统运行条件下的基础负荷值。为了保证有序充电的进行,对式（4)的目标函数 min G设定约束条件。设充电站内的充电电动汽车数量为L，充电站内第j(jEL)辆车的充电耗时为ti，充电功率为E，功率因数为r，则该车耗电量U的计算过程如下：U=r(ZE,(min G)t,)此时可建立以充电站内充电桩的运行功率Q为约束条件的目标函数G，设Qch.min为最小运行功率，Qeh.max为最大运行功率，约束条件需满足式（7）关系：(7)根据式（7）得到目标函数条件为Qeh,minmin GQeh,max其中，Qeh=Qeh.min为j=1时即当前为最小运行功率，Qch=Qch,max为j=L时即当前为最大运行功率。2.2基于粒子群优化算法的全局寻优电动汽车的有序充电问题是一个涉及充电站总功率，单独充电桩功率、区域性电力系统负荷情况等 7 多因素复杂问题，因此本文采用粒子群优化算法 8-9 对式(8)约束下的目标函数min G优化问题展开求解。假设O维空间中存在一个由n个粒子组成的粒子群，此时的粒子位置为W,=（w i,2，s，,w,）,空间内的粒子飞行速度为V,=（1，2，U 3，u,），全部粒子的最佳位置为Wh=（W，2，w s，,w n），单独粒子飞行过程中经历的最好位置为W。一（wr，W，w s，w），则在每一次选代中，根据当前位置和速度计算出粒子的适应度值：(9)其中，为粒子惯性权重，当适应度达到一定值时，即Q=Qch,max，停止迭代。依据粒子适应度的大小，更新粒子的位置和速度向最优解靠近。此时空间内第1个粒子的飞行速度Uj更新、粒子最佳位置Wn更新送代计算公式如下：f(n)wh=Wh-1+Ujl其中,di、d 为学习因子,di、s 2 为 o,1中的随机数值。在利用粒子群优化算法 10-11对目标函数展开求解时，发现求解过程中伴随着大量离散问题 12 。为了解决电动汽车有序充电目标函数求解过程中的离散问题，本文方法利用二进制编码 13 方式对传统粒子群优化算法展开优化，利用优化后的粒子群优化算法对目标函数解集展开全局寻优。若Ui取值大于0，则需要对粒子当前位置作出调整，并使粒子位置取值接近于1；若;的取值为0,则粒子保持当前位置不变；若U的取值小于0，需要对粒子当前位置做出调整，并使基金项目粒子位置接近于0。将学习因子统一设置为入，优化后的空间内第个粒子N之T(E,-E)1Lf(n)=9Qch微型电脑应用2 0 2 3年第39 卷第11期的飞行速度为i、粒子最佳位置wu更新迭代，粒子的速度(4)及位置展开全局寻优的计算公式如下：(5)=90j(-1)-入(w;(-1)-w;(-1)+入(Wh(-1)-Wy(-1)rand(g)sig(uji)rand(g)sig(uj)1，rand(g)sig(uj)Lw，rand(g)sig(uu)/其中，j(i-1)表示空间内的单独粒子最优位置，Wh(i-1)表示全(6)局最优位置，Ui表示粒子飞行位置为1时的概率，rand(g)表示0 1范围内的随机数。将电动汽车的充电状态作为空间内粒子在不同维度的坐标，根据实际应用情况对空间内的粒子速度及位置展开初始化处理，并利用式（11)对空间内粒子的速度及位置展开全局寻优，目标函数minG的优化结果为G=wm0基于粒子群优化算法的全局寻优流程如图2 所示。(8)开始定义适应度函数初始化粒子的位置和速度更新粒子速度和位置否适应度值工是返回全局最优粒子的位置和适应度值作为最优解结束图2 粒子群优化算法的全局寻优流程图3仿真与分析3.1仿真设置为了验证本文方法的可行性，选取某家用纯电动汽车进行仿真测试，其额定充电功率为3.3kW，视额定充电功率为其最大充电功率，电动汽车参数如表1所示。SOC剩余量SOCko为0.9；粒子群个数n为10 0 0；粒子的速度范围限制在(10)-1,1,惯性权重9=0.8，学习因子选代初值di=1.4、dz=1.4,最大迭代次数为10 0 0。表1电动汽车相关参数参数电池类型电池容量/kWh百公里耗能/kWh（10 0 k m）-1续航里程/km考虑到出行规律以及计算方便，将一天的充电时间设置7.0(12)取值锂离子电池7014.2420Microcomputer Applications Vol.39,No.11,2023为2 0:0 0 次日8：0 0，某充电站的充电桩如图3所示。充电桩为直流充电桩；充电桩功率为30 kW；充电费用0.5元/kWh。结合1.1小节分析可知，影响驾驶人员行为习惯的主要因素为驾驶习惯、充电习惯、出行习惯等3类。为了验证本文构建的电动汽车充电负荷模型可以实现有序充电的多目标优化，因此设计适应性实验进行分析。通过在不同时间段不同地区收集驾驶行为记录、充电记录、出行模式记录等驾驶数据、充电数据和出行数据，了解驾驶人员的行为习惯是否随着时间的变化而改变。根据准确率的高低判断构建模型在长期使用中的适应性和稳定性，其结果如图4所示。100口驾驶数据口充电数据出行数据9590%/率聊8580757012343567区域编号图4适应性实验结果分析图4可知，本文构建模型获取的7 个区域驾驶数据、充电数据和出行数据准确率均在9 0%以上，证明本文构建模型受地区差异影响较小，具有较高的适应性。可以看出：区域3的驾驶数据准确率是7 个区域中最低的，可能是因为该地区的驾驶人员更倾向于进行长途驾驶，在长途驾驶前进行充电，以确保电量充足；区域2 的充电数据准确率是7个区域中最低的，可能是因为该地区的驾驶人员倾向于频繁进行快速充电，利用本文构建模型可以引导其改变充电策略，采用定时充电或慢充电方式，以降低充电成本和减少对电网的负荷；区域1的出行数据准确率是7 个区域中最高的，可能是因为该地区的驾驶人员通常在特定时间段经过某个区域，提升了准确率，因此建议其在该区域附近的充电站进行充电，以便满足充电需求。综上所示，虽然本文构建模型因为区域、驾驶行为习惯的不同，准确率出现了一定的波动，但是整体而言，本文构建模型具有较优的适应性和稳定性，并可以有针对性地对电动汽车进行引导。3.2结果分析分别采用本文方法、文献 3 方法、文献4 方法对该电动汽车充电行为展开有序充电优化，并比较不同优化方法下基金项目的充电站日负荷情况。负荷的整体波动幅度越小，则对应方法的电能分配效果越好，具体比较结果如图5所示。4.000r一无序充电3.500.本文方法文献 3 方法3.000-.文献 4 方法2.5002.0001500F图3某充电站充电桩100050020:0022:0024:0002:0004:00图5充电站负荷比较分析图5可知：无序充电情况下在2 0：0 0 次日8：0 0 时电动汽车充电站内的负荷波动较大，利用本文方法对该电动汽车展开有序充电部署后，负荷峰值明显下降，且充电站当日负荷整体在2 0 0 0 2 50 0 kW区间波动，波动情况趋于平缓；采用文献 3 方法进行有序充电，负荷在2 4：0 0 时快速上升，7：0 0 快速下降，波动幅度较大；运用文献 4方法进行有序充电时，负荷情况在3：0 0 之前呈现上升状态，且一直上升到350 0 kW，上升幅度较大，且在整个充电过程中，存在2 次较大波动。综上所示，本文方法的电能分配效果较好。如果电网中的电压存在偏移，比如电压过低或电压过高，使充电装置无法适应或不具备自适应功能，就会导致充电速度减慢或充电失败，影响用户使用体验。同时，电网电压偏移对电池充电还可能产生其他的意外后果。因此，为保障电动汽车充电的顺畅和安全，利用同款车型，且电量剩余为2 0%的电动汽车，在区域范围设置10 个网络节点，分别利用本文方法、文献 3 方法、文献4方法对车辆展开有序充电设计，并测试不同方法造成的电压偏移情况。具体比较结果见表2。表2 电压偏移对比电压偏移量/%节点本文方法文献 3 方法12.4522.3132.6242.5752.4662.7872.8482.8792.94102.978微型电脑应用2 0 2 3年第39 卷第11期时间文献 4 方法3.875.323.925.834.156.345.356.235.627.744.837.436.157.345.737.957.346.536.357.29M06:0008:00Microcomputer Applications Vol.39,No.11,2023分析表2 可知：利用本文方法对10 个网络节点展开有序充电策略实施后，造成的电压偏移量在3.0 0%之内，偏移量较小；利用文献 3 方法对第9 个网络节点展开有序充电策略后，电压偏移量为7.34%，且整体电压偏移量在6.0 0%左右；利用文献 4 方法对第8 个网络节点展开有序充电策略后，电压偏移量为7.9 5%，且整体电压偏移量在7.0 0%左右。由此可知，本文方法的电压偏移量较小，可以保障电动汽车充电的顺畅和安全。当电动汽车充电时，需要从电网中获取电能，而电能在传输的过程中会有一定的损耗，也就是网损。如果网损率较高，说明电网能量传输效率较低，电能的丢失也就比较多，这会影响到电动汽车充电时的供电效率和充电速度。采用本文方法、文献 3 方法、文献 4 方法分别对该充电站的电动汽车充电行为展开有序优化，采集该充电站2 4h电网系统损耗数据，并分析有序充电策略实施后2 4h内的网损率变化情况。具体网损率比较情况如图6 所示。6-无序充电一本文方法5-.文献 4 方法文献3 方法%/李鲜区4F32103691215182124时间/h图6 网损率对比观察图6 可知：本文方法在电动汽车充电过程中的网损率在2%左右；文献 3 方法在电动汽车充电9 h时，存在3%的网损率；文献 4 方法在电动汽车充电8 h时，存在3.5%的网损率。本文方法对区域范围内的电网损耗波动平稳，可以提高电能传输效率和稳定性，以确保电动汽车的充电速度和安全性。4总结为降低电动汽车规模性介人对电力系统的损耗，需要对电动汽车的有序充电方法展开研究。本文通过对电动汽车驾驶人员驾驶行为与充电习惯的分析，建立电动汽车充电负荷模型，采用粒子群优化算法和二进制编码进行有序充电多目标优化，得到了有序充电的最优策略。通过比较可知，采用本文方法对电动汽车进行有序充电多目标优化后，充电桩的负荷在2 0 0 0 2 50 0 kW区间波动，波动情况趋于平缓，电压偏移量在3.0 0%之内，偏移量较小，网损率在2%左右，有效降低了电网的损耗率，保障了电力系统的平稳运行。基金项目1 R A U M A K,SIM O LIN T,JA ER VENT A U ST A P,et al.Network-adaptive and Capacity-efficient ElectricVehicle Charging SiteJ.IET Generation,Trans-mission&.Distribution,2022,16(3):548-560.2 余桂华，姚海燕，崔金栋，等基于动态分时电价需求响应下电动汽车有序充电方法 J.农村电气化，2 0 2 1(8):57-60.3 李李敬航，杨德玲，赖伟坚，等住宅小区充电站电动汽车有序充电方法 J电力需求侧管理，2 0 2 1，2 3（3）：31-35.4江明，许庆强，季振亚，基于时序差分学习的充电站有序充电方法J电力工程技术，2 0 2 1，40（1）：181-187.5张雪，周素红，陈菲，基于出行链的建成环境对居民小汽车通勤出行的影响 J地理科学进展，2 0 2 1，40(4):671-680.6 秦东晨，张东明，王婷婷，等电动汽车锂电池建模仿真及SOC估计研究 J.机械设计与制造，2 0 2 1（2）：164-168.7 A H M ED R,NA WA Z A,JA VI D Z,e t a l.O p t i m a lTransmission Switching Based on Probabilistic LoadFlow in Power System with Large-scale RenewableEnergy IntegrationJ.Electrical Engineering,2022,104(2):883-898.8吉协福，刘祚时基于粒子群算法纯电动汽车传统优化设计J机械设计与制造，2 0 2 2（5）：6 0-6 3.9 杨洋，栗风永。基于高斯变异粒子群优化的短期负荷预测 J.计算机仿真，2 0 2 3，40（1）：12 5-130.10张良，孙成龙，蔡国伟，等基于PSO算法的电动汽车有序充放电两阶段优化策略J.中国电机工程学报，2022,42(5):1837-1852.11KOTHANDARAMAN N,KALIAPERUMAL V.Combined Particle Swarm Optimization and ModifiedBilinear Model（PSO-M BM）A lg o r ith m fo r No n lin-earity Detection and Spectral Unmixing of SatelliteImageriesJ.International Journal of Remote Sens-ing，2 0 2 1,42(13):519 0-52 0 9.12杨晓梅，路艳琼，王瑞二阶离散Neumann边值问题的Ambrosetti-Prodi型结果 J山东大学学报（理学版）,2 0 2 1,56(2)：6 4-7 4.13黄海燕，朱俊杰，郑志安，等基于二进制编码多导频搜索的导频设计 J光通信研究，2 0 2 2（1)：58-6 2.微型电脑应用2 0 2 3年第39 卷第11期参考文献（收稿日期：2 0 2 3-0 6-0 29