电动汽车有序充电可行性分析

罗 杰 石增玲 刘济宁 刘明龙 王连刚

（山东科技大学，山东 青岛 266590）

0 引言

随着国内外电动汽车的应用与发展，电动汽车作为重要的电力负荷，将对我国电力系统的规划与运行产生不可忽视的影响，如何实现其有序充电以减小对电网的影响成为亟待解决的课题。本文通过建立不同目标函数的数学模型，基于模拟退火算法和粒子群优化算法，提出实现有序充电的调度策略，最后对电动汽车的发展做了展望。

1 电动汽车发展现状

目前世界各国汽车企业陆续开发出了有自己特色的新能源汽车。电动汽车按动力来源来划分，大体可以分为三种类型：纯电动汽车（BEV）、混合动力电动汽车（HEV）、燃料电池电动汽车（FCEV）。 美国最早开始燃料电动汽车的研发，通用汽车公司早在1968年生产出第一辆燃料电池的电动汽车，美国政府提出到2015年美国要实现100万辆混合式电动汽车的目标表明美国电动汽车的研究重点从燃料电池型转向了混合动力型；而日本混合动力电动汽车技术已趋于成熟，其中丰田汽车公司走在该领域的前沿；欧洲侧重于纯电动轿车和燃料电池公共汽车的研发，主攻柴油机、生物燃料、氢燃料市场化的工作。

2012年3月27日，我国科学技术部以国科发计〔2012〕195号印发《电动汽车科技发展“十二五”专项规划》，详细规划了电动汽车发展战略与目标，提出了科技创新的重点任务，国家研发计划的实施和轻型电动汽车产业的突飞猛进发展为整个电动汽车行业造就了多层次的技术研发和生产大军。

2 实现电动汽车有序充电调度的理论依据

有序充电[1]是指当电动汽车接上电源后，在满足电网约束条件以及用户使用客观需求的条件下，由调度中心控制开始充电的时间以及电动汽车充电功率的大小，车主不能主观改变任意时刻的充电曲线。

实现电动汽车的有序充电，对电动汽车的充电行为进行控制，本质上是把电动汽车电池作为分散式的储能装置，把其当作可调度的电网资源，在电网负荷处于低谷时充电，相反，在电网负荷处于高峰时退出充电，即发挥削峰填谷的作用。总的来说，系统优化的方法多种多样，比如二次规划法、模拟退火算法、进化算法、粒子群算法、DIRECT算法、神经网络算法等。本文则采用粒子群优化算法以及模拟退火算法对电动汽车充电调度进行分析。

2.1 基于模拟退火算法的充电调度优化

模拟退火算法（Simulated Annealing，SA）是一种拟物算法,最早由Krikpatrick在1983年提出。由于物理退火过程和一般优化问题具有普遍的相似性，因此Krikpatrick把退火的思想引入到处理实际问题中来，通过Monte Carlo迭代策略创造性的提出了求解组合优化问题的行之有效方法，称为模拟退火算法。

模拟退火算法是模拟固体物质的退火原理，利用Mertopolis抽样的策略在解空间中进行不定向搜索[2]，对当前“随机抽样、产生新解→计算目标函数差→选择接受或是舍弃”进行迭代，不断重复抽样的过程，最终便能够得到问题的全局最优解。

Mertopolis抽样策略在取值范围内存在着从一个值跳变到另一个值得情况，在模拟退火算法中，从变量i到跳变到变量j的这种状态的变化，我们可以表述为：

其中，△=f(i)-f(j),f(i)是函数在变量在取i时的解，f(j)是函数在变量取j时的解；t表示当前的温度，Pt(i⇒j)表示从状态i到状态j是否被系统所采纳这样一个状态的转化过程。因此，我们在区间（0,1）上的随机取得的一个数值，如果Pt(i⇒j)的值大于随机数，那么这个迭代过程产生的新解将系统采纳以作为当前解，否则便不采纳系统产生的新解。接下来不断重复这一过程，不断产生新解，不断取舍。这个过程会不断重复，直到取得最优解。模拟退火算法流程图如图1所示，其计算步骤如下：

图1 模拟退火算法流程图

1）初始化：首先选择初始温度t0，需要注意的是，此时的温度要足够高；接下来令t=t0，接着系统便随机产生初始解S，在这种情况下，我们便可以得到在t不同的情况下，不同的Mapkob的链长L。

2）在这个温度t下，取不同的k值，从k=1至k=L，分别计算步骤3）～6）。

3）通过当前取得的数值，由状态产生函数，系统便随机生成一个新的状态值S′。

4）得到 f(S′)后，计算前后状态的差值 Δ=f(S′)-f(s)，其中 f(s)为适应度函数。

5）若 Δ＜0，则系统接受 S′为新的产生状态；如若不然，则在（0,1）区间随机生成随机数rand，以概率exp(-Δ/t)＞rand接受S′为新的状态。

6）若系统取值满足终止条件，则把当前获得的解作为最优解，结束算法；否则，重新降低温度t，并且返回步骤2）。

2.2 基于粒子群优化算法的调度优化

粒子群优化算法（Particle Swarm Optimization,PSO）最早由Kenney与 Eberhart于1995年提出的[3]，其算法的基本思想:初始化一群粒子，每次迭代中，粒子通过跟踪两个极值跟踪自己，粒子本身找到的历史最后解（个体极值点pbest）以及整个种群目前找到的最好解（全局极值点gbest），然后需要计算粒子的适应值，以判断粒子位置距最优点的距离，每次迭代中，根据适应度值更新gbest和pbest。其中迭代终止的条件是设置最大迭代次数或全局最优位置满足预定最小适应阀值。

假设由n个以自由形态存在的粒子存在于N维空间中；

粒子i的位置：xi=(xi1,xi2,…xid)将xi代入适应函数f(xi)求适应值；

粒子 i的速度：vi=(vi1,vi2,…vid)；

粒子i的个体极值点位置：pbesti=(pi1,pi2…pid)；

种群的全局极值点位置：gbest=(g1,g2,…gd)

粒子i在N维空间中的速度位置更新公式：

粒子i在N维空间中的位置更新公式xin=xin+vin

c1,c2-学习因子，经验取值c1=c2=2，调节学习最大步长；

r1和r2-两个随机数，取值范围（0,1）以增加搜索随机性；

w-惯性因子，w≥0，它的作用是在解空间中自动确定搜索范围；粒子群优化算法的流程图如图2所示。

图2 粒子群优化算法的流程图

2.3 实现有序充电可行性分析

上述两种算法，都调理清晰的阐述了建立模型的基本步骤，可以根据用户充电规律，任意采用两种模拟方法，来模拟出用户充电需求，通过对电动汽车在有序充电和无序充电种情形下充电站运行的经济效益及配电变压器负载情况，实现对电动汽车有序充电调度。

3 电动汽车未来技术畅想

随着超级电容、超级充电桩等设备数量的增多和其性能的不断提高，电动汽车将迎来一个高速的发展过程，尤其是电动汽车与智能电网的融合技术、电动汽车与物联网融合技术，一旦这些前瞻性技术成熟，必将为电动汽车在电网调度的控制下实现有序充电提供可能，以减小对电网的冲击。

3.1 电动汽车成为智能电网的一部分

电动汽车与智能电网的融合 （Vehicle to Grid,V2G）最近得到美国、德国的重视。V2G的概念体现了电动汽车与电网的关系，使得电动汽车能与电网协调连接，从而实现最优化的充电模式。理想的V2G平台式车辆在非高峰时段自动充电，在高峰时段放电，以替代效率较低的调峰电厂。最近美国和德国就V2G技术专门进行了磋商，欲打造一个充满活力、运行效率极高的电网系统。

3.2 电动汽车成为物联网的重要组成部分

物联网的定义是:通过射频识别(RFID)、红外感应器、全球定位系统、激光扫描器等信息传感设备,按约定的协议,把任何物品与互联网连接起来,进行信息交换和通讯,以实现智能化识别、定位、跟踪、监控和管理的一种网络[4]；未来电动汽车将通过整合全球定位系统（GPS）导航技术、车对车交流技术、无线通信及远程遥感技术和智能交通技术等实现人与车、车与车、车与充电网络等之间的互动，将道路、交通、车辆和充电网络等全部置于计算机控制之下，构成一个复杂高效的管理系统。

4 结束语

本文总结了国内外电动汽车发展的现状，通过引入模拟退火算法和粒子群优化算法，分析了建立电动汽车充电负荷调度的模型的可行性。本文仅从理论层次作了简要的探讨，希望能为接下来的研究工作提供一定地参考。

［1］黄润.电动汽车入网对电网负荷影响的研究[D].上海交通大学,2012.

［2］辛振铭.一种改进的模拟退火算法在TSP问题中的研究与应用[D].东北师范大学,2010.

［3］姚耀中,徐玉如.粒子群优化算法分析[J].哈尔滨工程大学学报,2007,28(11):1242-1246.

［4］王英武,刘肖骢.浅析物联网技术在智能电网发展中的应用研究[J].中国电力教育,2011,03(190):111-114.