风光储电动汽车换电站多目标运行优化

付　华，柳梦雅，陈子春（.辽宁工程技术大学电气与控制工程学院，葫芦岛505；.开滦集团公司机电部，唐山06308）

风光储电动汽车换电站多目标运行优化

付华1，柳梦雅1，陈子春2
（1.辽宁工程技术大学电气与控制工程学院，葫芦岛125105；2.开滦集团公司机电部，唐山063018）

针对可再生能源与电动汽车充换电负荷之间的协调优化问题，建立了含风光储发电单元的电动汽车换电站多目标运行优化模型。采用多种群和动态自适应策略，提出了一种改进的动态多种群多目标粒子群算法，对这一多维、多约束、非线性的多目标优化问题进行求解。以某地区实际电网数据进行算例仿真，验证了模型和算法的有效性。结果表明，优化后的风光储电动汽车换电站不仅可以实现可再生能源的就地消纳，而且有助于减小负荷峰谷差。

风光储；电动汽车；换电站；多目标优化；动态多种群多目标粒子群优化

DOI：10.3969/j.issn.1003-8930.2016.04.007

随着能源短缺和环境污染的日益加剧，充分利用可再生能源进行发电、推广电动汽车的使用已成为节能减排的重要手段［1-2］。但风电、光伏等可再生能源受自然环境制约，出力不可调度，随机性和间歇性强，并网利用率低［3-4］。电动汽车充电负荷也给电网的稳定运行带来了巨大挑战［5-6］。

由此，寻求风、光等可再生能源与电动汽车充电需求之间协调互补的有效途径，具有重要意义。然而国内外的相关研究刚刚处于起步阶段，亟待进一步深入。文献［7］分析了将可再生能源与电动汽车通过微网形式进行集成的优势与适用性，结合国内外相关示范工程，总结了集成微网的3种典型结构，并指出了后续研究中的难点和关键问题。文献［8］基于丹麦多个电动汽车项目，说明了电动汽车接入含大规模风电的电网，可以带来巨大的环境及经济效益。文献［9］针对含光伏发电系统的电动汽车换电站，以系统运行费用最小为目标建立模型，对各组成单元的容量配比进行优化。文献［10］基于模糊理论，针对含风光出力的地区电网，提出了一种电动汽车有序充电调度方法。

本文提出了一种可再生能源与电动汽车集成的新模式，将风光储发电系统与电动汽车换电站相结合，建立风光储电动汽车换电站的运行优化模型，其实质是风电、光伏、储能设备出力和电动汽车充换电需求之间的协调优化问题。首先，基于风光储发电单元的出力特性，以可再生能源利用率最大、负荷波动最小和负荷峰谷差最小为目标，建立电动汽车换电站的多目标运行优化模型。其次，基于标准粒子群算法的思想，提出一种改进的动态多种群多目标粒子群算法DSMOPSO （dynamic multiple swarms multi-objective particle swarm optimization），对模型进行优化。最后，以某地区电网的实际数据为例，进行算例仿真，验证了所提模型和算法的有效性。

1　风光储发电单元模型

1.1风电出力模型

换电站风力发电单元的输出功率由风电机组本身的输出特性和风机转轴处的风速所决定［11］，可表示为

式中：PW为风电机组的输出功率；v为风力发电机转轴处的实际风速；vci为切入风速；vco为切出风速；vN为额定风速；PN为风力发电机的额定输出功率。

其中，选取Weibull分布对实际风速进行拟合，其概率密度函数为

式中：v0为实际测量风速；k为形状参数；c为尺度参数。

折算成风力发电机转轴处的风速，表达式为

式中：h为风力发电机转轴处的高度；h0为实测风速的参考高度。

1.2光伏出力模型

换电站光伏发电单元的稳态输出功率受光照强度和环境温度共同影响［12］，可表示为

式中：PPV为光伏电池的输出功率；G为光照强度；T为光伏电池工作温度；GSTC、TSTC、PSTC分别为标准测试条件下的光照强度、环境温度和测试功率最大值；kT为功率温度系数，取值为-0.004 7/℃；标准测试条件：环境温度为25℃，光照强度为1 000 W/m2。

1.3储能设备模型

为保证电动汽车换电站优先利用可再生能源，储能设备的充放电状态及出力由风光联合出力PH和电动汽车的充电负荷PEV共同决定，设ΔP为两者之间的差额，即

换电站储能单元的储能容量S满足以下约束条件：

根据我国目前的电网运行要求，为保证电能质量，暂不考虑电动汽车换电站向电网放电，仅考虑从电网吸收电能。

（1）当ΔP＞0时，风光联合出力能够满足当前的充换电需求，储能设备进入充电状态，把剩余的电能储存在储能单元中，以便在负荷高峰和可再生能源出力不足时为电动汽车动力电池充电。

（2）当ΔP＜0，即风电和光伏发电的出力之和不能满足当前充换电需求，且储能单元的容量S＞Smin时，储能设备转入放电状态。

所以，储能单元的出力为

（3）放电过程中若S≤Smin，则换电站从常规大电网吸收电能，设其值为Pgrid。

综上所述，风光储发电单元的联合出力为

2　换电站多目标优化运行模型

2.1目标函数

为减少电动汽车换电站对煤、石油等高污染、不可再生能源的依赖，实现风光出力的就地消纳，减少风光储发电单元和电动汽车充换电对电网的不良影响，本文以可再生能源利用率最大、减小负荷波动、负荷峰谷差最小［13］为目标，建立风光储电动汽车换电站的多目标运行优化模型。模型以1 d 24 h为1个调度周期。

1）可再生能源利用率最大

定义换电站的能量来源中，从常规电网吸收的电能比例为 f1，为保证可再生能源利用率最大，则f1越小越好。式中，PEV（t）为t时刻电动汽车电池组的充电功率。

2）负荷波动最小

式中：f2为负荷波动率；Pd（t）为t时刻区域电网中除充电负荷以外的基础负荷；PEV（t）为t时刻电动汽车的充电负荷；Pav为调度周期内负荷平均值。

3）负荷峰谷差最小

本文以电网负荷率作为衡量电网峰谷差的指标。负荷率越高，说明电网负荷峰谷差越小，负荷较为平均；负荷率越低，表明电网峰谷差异越大，需要削峰填谷，使电网负荷变化减小。

式中，f3为电网负荷率。

2.2约束条件

1）功率平衡约束

为保证换电站的稳定运行，必须满足换电站电源与负荷之间实时的功率平衡，即

2）充电功率约束

受电动汽车电池自身特性的限制，其充电过程必须满足一定的功率约束，即

式中，PEVmin、PEVmax为换电站内电动汽车电池组所能承受的充电功率上下限。

3）换电站电池备用约束

考虑电动汽车的换电需求具有很大的随机性，换电站本身需要预留一部分备用容量［14］，t时刻换电站内电池储存的电量E（t）可表示为

式中：n（t）为t时刻需要换电池的电动汽车电池组数量；ENEV为电池组的额定容量。

换电站内电池组的容量备用约束为

式中：Emin（t）为根据需求预测而得到的电动汽车换电池需求最小值；η为换电站的电量备用率。

综上所述，风光储电动汽车换电站的多目标运行优化模型为

3　模型的求解

3.1标准PSO算法

粒子群优化PSO（particle swarm optimization）算法是由Kennedy等受到自然界中鸟类觅食行为的启发而提出的一种群智能算法［15］。算法通过粒子对自身经验的总结和对其他粒子的学习，不断修正自身运动状态，逐渐趋向最优解。标准PSO算法中，粒子速度和位置更新公式为

PSO算法中，所有的粒子都向最优解的方向飞行，粒子群趋向单一，所以用PSO算法求解容易造成早熟收敛、陷入局部最优、解的多样性差等问题。

3.2 改进DSMOPSO算法

事实上，在自然界中为了更好地达到迁徙、觅食和抵抗天敌的目的，不同种类的鸟群往往聚集在一起组成混合群。由于不同的鸟类物种拥有各自的生存技能且偏爱不同的食物，不同鸟类之间的信息分享和协作大大提高了整个混合鸟群的存活率及觅食效率。受这种自然现象的启发，多种群粒子群算法应运而生［16］。

本文所建立的换电站优化运行模型，实质上是一个多变量、多约束、非线性的多目标优化问题。鉴于模型的复杂性和粒子群算法易陷入局部最优和早熟收敛的缺陷，本文在标准PSO算法和多种群粒子群算法的基础上进行改进，提出一种改进的动态多种群多目标粒子群优化DSMOPSO （dynamic multiple swarms multi-objective particle swarm optimization）算法对模型进行求解。

3.2.1子群体的划分策略

为了弥补传统PSO算法的上述缺陷，将整个粒子群划分为若干子群，子群内部对解空间进行独立搜索，各子群间进行必要的信息交流。子群数量增多，有利于增加解的多样性；子群数量减少，有利于提高解的收敛速度。采用动态自适应策略［17-18］，在搜索过程的不同阶段，动态调整子群数量。子群体划分的步骤如下。

（1）计算第k次迭代时，换电站运行优化模型中各目标空间的边界和。

（2）计算网格的模。

将目标空间分成M×M×M个网格，按下式计算各个网格的模为

（3）遍历初始粒子群中所有粒子，对任意粒子i，令

则粒子的位置为

（4）计算粒子间距离。

将粒子间距离作为子群划分的依据，数学表达式为

3.2.2粒子的更新策略

基于标准PSO算法的更新规则，提出DSMOP⁃SO算法的粒子更新公式为

3.3算法流程

应用改进DSMOPSO算法解决风光储电动汽车换电站运行优化模型的流程如下：①系统初始化。初始化风光储发电单元和电动汽车换电站的相关参数；②算法初始化。随机产生初始群体，设定迭代次数k=1；③子群体划分。采用3.2.1所述的子群体划分策略划分子群；④适应度计算。对每个粒子，根据式（10）计算换电站所在区域电网中可再生能源的利用率，根据式（11）～（13）计算电网中的负荷波动和负荷峰谷差，舍弃不满足约束条件的个体；⑤最优值选择。记录整个粒子群的全局最优位置、各粒子的个体最优位置和子群体中的局部最优位置；⑥更新。按式（25）、（26）更新粒子的速度和位置；⑦迭代结束判断。达到最大迭代次数则输出最终非支配解集和对应的帕累托前沿，否则令k=k+1并转到步骤（3）。

4　算例仿真

4.1仿真数据

采用某地区实际电网负荷为原始数据（如表1所示），测试所提模型和算法的有效性。取该区域某一天风速和光照强度的实测数据，如图1和图2所示。算例中采用的风机总额定容量为450 kW，额定风速为12 m/s，切入风速为2.5 m/s，切出风速为25 m/s。光伏发电单元采用的光伏阵列在标准测试条件下总的最大功率输出为300 kW。储能单元总额定功率为200 kW。设每个电动汽车电池组的额定容量均为100 kW∙h，最大充电功率均为12 kW。换电站的最小负荷功率取决于换电站办公、照明等负荷，换电站的电量备用率为10%。

表1　原始负荷数据Tab.1　Original load data

4.2仿真结果

本文采用动态多种群MOPSO算法对所提模型进行优化。粒子数取为100，最大迭代次数为1 000，最大速度为0.4，惯性权重w在［0.4，0.9］之间线性递增。优化后得到换电站各时刻的充电功率PEV（t），如图3所示。

图1　风速曲线Fig.1　Wind speed curve

图2 光照强度曲线Fig.2　Light intensity curve

图3　换电站各时刻的充电功率Fig.3　Charging power of BSS

由图3和表1对比，可以看出，优化后换电站充电功率的峰值时段对应负荷低谷时段；充电功率较低的时段对应负荷的高峰时段。这个结果表明，优化后，电动汽车换电站可以利用常规电网负荷低谷时段进行充电，起到了减小负荷峰谷差的作用，同时也证明了所提出的动态多种群MOPSO算法的有效性。

由表2可见，通过电动汽车换电站与风光储发电单元的协调优化，弃风弃光率减小，可再生能源的利用率增大。

表2　弃风弃光率Tab.2　Wind and PV abandon rate

计及换电站的充电负荷后，可以得到新的等效负荷，如图4所示。对比加入换电站前后的负荷曲线可见，计及换电站优化后的等效负荷曲线更加光滑平整，峰谷差减小。综上，通过风光储电动汽车换电站的优化运行，不但可以充分利用可再生能源，同时也使常规电网的运行得到了改善。

图4　等效负荷曲线Fig.4 Synthetic load curve

5　结论

（1）结合风光储发电单元的出力特性，提出了含风光储发电单元的电动汽车换电站多目标运行优化模型。该模型以可再生能源利用率最大、负荷波动最小、负荷峰谷差最小为目标，综合考虑功率平衡、充电功率限制、换电站备用等约束，可充分发挥风、光、储各电源的优势，整合后实现各电源出力随机性和不确定性的互补，提高了电网对可再生能源的消纳能力。

（2）风光储电动汽车换电站的优化运行，可对常规电网起到调节作用。换电站联网运行时，可以减少负荷峰谷差，缓解电网的调度压力。

（3）本文所提出的模型实际上是一个多维、多约束、非线性的多目标优化问题，针对这一问题，提出了一种新的改进动态多种群MOPSO算法，使问题得以求解，但仍需进行进一步的研究，寻求更高精度、更快收敛速度的多目标优化算法。

［1］吉平，周孝信，宋云亭，等（Ji Ping，Zhou Xiaoxin，Song Yunting，et al）.区域可再生能源规划模型述评与展望（Review and prospect of regional renewable energy plan⁃ning models）［J］.电网技术（Power System Technology），2013，37（8）：2071-2079.

［2］王晓晶，陈星莺，陈楷，等（Wang Xiaojing，Chen Xingy⁃ing，Chen Kai，et al）.智能配电网清洁性评估指标研究（Research on cleaning evaluation indices of smart distri⁃bution grid）［J］.中国电机工程学报（Proceedings of the CSEE），2013，33（31）：43-50.

［3］张丽英，叶廷路，辛耀中，等（Zhang Liying，Ye Tinglu，Xin Yaozhong，et al）.大规模风电接入电网的相关问题及措施（Problems and measures of power grid accommo⁃dating large scale wind power）［J］.中国电机工程学报（Proceedings of the CSEE），2010，30（25）：1-9.

［4］丁明，王伟胜，王秀丽，等（Ding Ming，Wang Weisheng，Wang Xiuli，et al）.大规模光伏发电对电力系统影响综述（A review on the effect of large-scale PV generation on power systems）［J］.中国电机工程学报（Proceedings of the CSEE），2014，34（1）：1-14.

［5］高赐威，张亮（Gao Ciwei，Zhang Liang）.电动汽车充电对电网影响的综述（A survey of influence of electrics vehicle charging on power grid）［J］.电网技术（Power System Technology），2011，35（2）：127-131.

［6］刘文霞，张敏，张建华，等（Liu Wenhua，Zhang Min，Zhang Jianhua，et al）.电动汽车负荷对配电网可靠性影响的量化分析（Reliability modeling and quantitative analysis of distribution network considering electric vehi⁃cle charging and discharging）［J］.电力系统及其自动化学报（Proceedings of the CSU-EPSA），2013，25（4）：1-6.

［7］肖湘宁，陈征，刘念（Xiao Xiangning，Chen Zheng，Liu Nian）.可再生能源与电动汽车充放电设施在微电网中的集成模式与关键问题（Integrated mode and key is⁃sues of renewable energy sources and electric vehicles’charging and discharging facilities in microgrid）［J］.电工技术学报（Transactions of China Electrotechnical Soci⁃ety），2013，28（2）：1-14.

［8］杨黎晖，许昭，JϕStergaard，等（Yang Lihui，Xu Zhao，JϕStergaard，et al）.电动汽车在含大规模风电的丹麦电力系统中的应用（Electric vehicles in Danish power system with large penetration of wind power）［J］.电力系统自动化（Automation of Electric Power Systems），2011，35（14）：43-47.

［9］Tang Xiao，Liu Nian，Zhang Jianhua，et al.Capacity opti⁃mization configuration of electric vehicle battery ex⁃change stations containing photovoltaic power generation ［C］//7th International Power Electronics and Motion Con⁃trol Conference，Harbin，China，2012：2061-2065.

［10］张学清，梁军，张利，等（Zhang Xueqing，Liang Jun，Zhang Li，et al）.计及风光电源的一种地区电网电动汽车充电调度方法（Approach for plug-in electric vehicles charging scheduling considering wind and photovoltaic power in Chinese regional power grids）［J］.电工技术学报（Transactions of China Electrotechnical Society），2013，28（2）：28-35.

［11］符杨，蒋一鎏，李振坤（Fu Yang，Jiang Yiliu，Li Zhen⁃kun）.基于混合量子遗传算法的微电网电源优化配置（Optimal allocation of distributed generation for mi⁃crogrid based on hybrid quantum genetic algorithm）［J］.电力系统保护与控制（Power System Protection and Control），2013，41（24）：50-57.

［12］朱兰，严正，杨秀，等（Zhu Lan，Yan Zheng，Yang Xiu，et al）.风光储微网系统蓄电池容量优化配置方法研究（Optimal configuration of battery capacity in microgrid composed of wind power and photovoltaic generation with energy storage）［J］.电网技术（Power System Tech⁃nology），2012，36（12）：26-31.

［13］田文奇，和敬涵，姜久春，等（Tian Wenqi，He Jinghan，Jiang Jiuchun，et al）.电动汽车换电站有序充电调度策略研究（Research on dispatching strategy for coordinat⁃ed charging of electric vehicle battery swapping station）［J］.电力系统保护与控制（Power System Protection and Control），2012，40（21）：114-119.

［14］张舒，胡泽春，宋永华，等（Zhang Shu，Hu Zechun，Song Yonghua，et al）.考虑电动汽车换电站与电网互动的机组组合问题研究（Research on unit commitment consid⁃ering interaction between battery swapping station and power grid）［J］.中国电机工程学报（Proceedings of the CSEE），2012，32（10）：49-55.

［15］Kennedy J，Eberhart R.Particle swarm optimization［C］// IEEE Conference on Neural Networks.Perth，Australia，1995：1942-1948.

［16］Yen G G，Wen Fung Leong.Dynamic multiple swarms in multiobjectiveparticleswarmoptimization［J］.IEEE Trans on Systems，Man and Cybernetics，2009，39（4）：890-911.

［17］杨俊杰，周建中，方仍存，等（Yang Junjie，Zhou Jian⁃zhong，Fang Rengcun，et al）.基于自适应网格的多目标粒子群优化算法（Multi-objective particle swarm optimi⁃zation based on adaptive grid algorithms）［J］.系统仿真学报（Journal of System Simulation），2008，20（21）：5843-5847.

［18］冯超，周步祥，林楠，等（Feng Chao，Zhou Buxiang，Lin Nan，et al）.电动汽车充电站规划的多种群混合遗传算法（Electric vehicle charging station planning based on multiple-population hybrid genetic algorithm）［J］.电力系统及其自动化学报（Proceedings of the CSU-EP⁃SA），2013，25（6）：123-129.

Multi-objective Optimization of Battery Swapping Station with Wind Photovoltaic and Energy Storage

FU Hua1，LIU Mengya1，CHEN Zichun2
（1.Faculty of Electrical&Control Engineering，Liaoning Technical University，Huludao 125105，China；2.Electrical Department of Kailuan Group Company，Tangshan 063018，China）

In allusion to the coordination between renewable energy sources（RES）and electric vehicle（EV）load，a multi-objective optimization model of the EVs′battery swapping station（BSS）containing wind，photovoltaic（PV）and energy storage is built.As the model is multidimensional，nonlinear and having many constraints，this paper proposes an improved algorithm called dynamic multiple swarms in multi-objective particle swarm optimization（DSMOPSO）based on the multiple-swarms and dynamic adaptive strategy.A simulation based on an area′s load data is made to show the ef⁃fectiveness of the model and algorithm.The results show that the optimizated BSS can not only realize the local use of the RES，but also contribute to the peak-valley difference reduction.

wind photovoltaic and energy storage；electric vehicle；battery swapping station；multi-objective optimiza⁃tion；dynamic multiple swarms multi-objective particle swarm optimization

TM91

A

1003-8930（2016）04-0038-06

2014-05-31；

2015-06-05

国家自然科学基金资助项目（51274118、70971059）。

付华（1962—），女，博士，教授，博导，研究方向为电力电子与电力传动、智能电网和低碳电力等。Email：fxfuhua@ 163.com

柳梦雅（1990—），女，硕士研究生，研究方向为智能电网、电力系统优化运行。Email：lngdlmy@163.com

陈子春（1965—），男，博士，高工，硕士生导师，研究方向为工矿企业供电系统节能优化技术。Email：1622915350@qq.com