用于配电网网损优化的电动汽车智能充电调度

朱鹰屏，张绪红，韩新莹

(广东技术师范学院 自动化学院，广东 广州 510665)



用于配电网网损优化的电动汽车智能充电调度

朱鹰屏，张绪红，韩新莹

(广东技术师范学院 自动化学院，广东 广州 510665)

针对家用汽车的使用特点，提出了一种通过综合调度电动汽车充电初始时间来进行有序充电，使得配电网网损最小的方法。应用智能粒子群算法进行综合优化，模型以初始充电时刻作为粒子的变量，并在初始化中采用了4种方案，以扩大粒子多样性，提高搜索范围。最后以IEEE 33节点配电网系统进行仿真，计算结果表明该方法简单实用，相较于无序充电具有较好的网损优化功能，可提高电能质量，改善网络拥堵。

电动汽车；网损优化；配电网；初始化

随着我国汽车工业的快速发展，截至2015年10月底，我国机动车保有量为2.76亿辆，其中汽车保有量达到1.69亿辆，据估计，2020年，汽车保有量将超过2亿辆。大量汽车的普及给环境保护带来很大的挑战。电动汽车的推广使用是目前解决这类问题的最有效办法[1-3]。

电动汽车充电的规模性效应将对电网的运行带来一定的影响。研究电动汽车充电对微网和配电网的影响，如对配电网线损、电能质量及负载峰谷差的影响等，成为一个趋势[4-6]。在近年的研究中，国外以插电式混合动力汽车(plug in hybrid electric vehicle，PHEV)为研究对象比较多，比如：文献[7]研究了PHEV对小区配电网的影响及峰谷优化；文献[8]根据PHEV充电行为，提出一种随机重构方法实现配电网性能优化；文献[9]通过开发PHEV的最佳协调充电方案，解决电网过载及电能质量问题[9]。关于纯电动汽车的研究中，文献[10]通过分析电动汽充电对电网的影响，找到线性近似的方法模拟网络压降，寻找最优的充电模式；文献[11]通过二次规划及市场价格均衡理论实现电动汽车最优充电方法；在网损优化方法中，文献[12]采用线性约束凸二次规划方法，文献[13]采用灵敏度的分析确定最佳负荷充电点。

以上研究中，文献[7-9]主要以PHEV作为研究对象，而非纯电动汽车。文献[10-12]需将非线性问题线性化处理，计算复杂繁琐。文献[13]虽然可以优化网损，但在实际的电网运行中，灵敏度不是充电点投入的主要因素。本文采用智能群算法对网损进行优化，为了获得种群的多样性，综合采用4种初始化方法，由此获得较好的优化结果。

1　数学模型

1.1目标函数

充电优化模型以网损最小为目标函数，将一天分成24个时间段，计算出各个时间段配电网的网损，所有时间段的网损相加则得出一天中配电网的网损。本文通过优化电动汽车充电的时间即每个时间段的节点注入功率来优化网损[12]，即：

(1)

式中：Zl为线路l的阻抗；Il,t为t时段线路l的电流；lmax为配电网总线路数；ΔT为1个时间段的时长(1 h)。

朱鹰屏，等：用于配电网网损优化的电动汽车智能充电调度

1.2约束条件

1.2.1充电时长约束

根据电动汽车的出行情况确定该配电区域的充电时长约束，一般出行在外的时候不考虑充电。

(2)

式中：T为电动汽车充电时长(时段数)；Tmax为允许最大充电时长(时段数)。

1.2.2电量平衡

电动汽车到达配电网时的剩余电量(百分数)作为充电的初始电量SOC，到电动汽车离开时必须充满电，即在配电网的充电量为(1-SOC)。

(3)

式中：Ts为电动汽车充满电所需时长；SOC为初始电量(百分数)；B为蓄电池容量；Pcm为电动汽车的充电功率。

1.2.3总充电量约束

配电网中所有节点电动汽车一天的充电量为：

(4)

式中：ki,t为节点i在t时段充电的电动汽车数，N为节点总数；Qe为每辆电动汽车所需充的电量；K为配电网中电动汽车总数量。

1.2.4功率平衡约束

配电网潮流平衡关系为：

(5)

式中：Pit、Qit分别为节点i在t时段的有功和无功输出功率；Uit、Ujt为节点i、j在t时段的电压值；θijt为支路ij在t时段的相位差；Gij、Bij分别为支路ij的电导和电纳。

1.2.5电压幅值约束

(6)

式中：Ui为节点i的电压；Umin、Umax分别为电压幅值下限和上限。

1.3模型假设与条件

a)配电网结构属于典型的树状结构，无环网，充电地点位于配电网节点中，无充电位置优化。

b)所有电动汽车充电电池按统一规格处理，即充电功率相同，且都为均充模式。电动汽车到达配电网充电时的剩余电量为10%，充完电离开配电网时的蓄电池处于满电状态。

c)根据相关统计，非节假日，大中城市居民上班工作的时间大部分集中在9：00至18：00，可将式(2)中电动汽车充电设定为18：00至第二天9：00，且电动汽车可以随时进入充电调度状态。

2　网损有序优化的策略

本文采用粒子群的方式进行寻优，以每辆车的初始充电时间(整点时刻，下同)作为粒子群的变量，采用连续充电直至满电的方式。从起始充电到充满电这段时长为电动汽车的充电时长。每辆汽车的初始充电时间由粒子群智能安排产生，每个粒子的变量个数为电动汽车的车辆数。粒子群的优化见文献[14]。

2.1初始化粒子

为了寻找最优的充电策略，初始化充电粒子应该具有多样性，为了扩大搜索范围，本文初始化采用以下4种方案。

a)方案1：所有汽车起始充电时间相同，比如无序充电都以18：00为起始充电时间，到22：00充电完毕。

b)方案2：起始充电时间在18：00至第二天5：00这11个整点时刻数值中均匀选取。如在33节点配电系统240充电汽车模型中，每个起始充电时间出现的数目为num=33×240/11，再随机分配给对应数量的车，建立初始化粒子。

c)方案3：每个节点中电动汽车的起始充电时间都不相同，随机产生。以2号节点的6辆电动汽车为例，每辆车的起始充电时间都不相同，如果其初始化通过随机函数得C=[8，1，2，4，0，6](C为距18：00的时长(小时))，则每辆车对应的起始充电时间见表1。

表1各辆车起始充电时间

车号1号车2号车3号车4号车5号车6号车起始充电时间2:00(第二天)19:0020:0022:0018:0024:00

d)方案4：每辆汽车的起始充电时间随机产生，在取值范围内不受任何约束。

2.2每辆车的充电状态计算

由每辆电动汽车的起始充电时间、初始电量、充电功率可以算出充电时长Ts，电动汽车的充电时段为[t0，t0+Ts]，其中t0为起始充电时段。电动汽车的充电状态矩阵为Tmax×K矩阵。

2.3充电负荷计算

由每个时间段在节点充电桩处充电的车辆数可以得出该节点电动汽车的充电功率

(7)

2.4优化算法流程

网损优化算法流程如下：

a)初始化粒子群，给定群体规模，随机产生粒子速度vi，设置迭代次数为1；

b)算出每个时刻各节点电动汽车的充电负荷；

c)进行潮流计算，得出每个粒子所对应的适应度即网损，找出个体最优值和全局最优值；

d)更新速度，更新粒子位置，若越过位置极限则取极限值；

e)重新进行适应度计算，判断个体最优值与全局最优值是否更新；

f)迭代次数加1，重复步骤d)、步骤e)，当粒子适应度迭代收敛时确定优化结果。

3　算例仿真与结果分析

3.1算例参数

本算例采用IEEE33节点配电网作为算例。本网中有32条支路、1个电源网络，首端基准电压12.66kV，三相功率基准值取10MVA。以起始充电时间作为变量，以配电网网损作为目标函数，计算各节点各时刻各电动汽车的充电安排使得网损最小。参数设置如下：惯性权重上限wmax=0.96，下限wmin=0.4；学习因子c1=c2=2。粒子种群规模100，最大迭代次数200，粒子速度上限vmax=1.5，下限vmin=-1.5。

为分析有序充电与无序充电对电网网损的影响与比较，设定电动汽车的蓄电池额定电压320V，额定容量为100A·h，充电功率为7 kW[15]，电动汽车到达电网的平均剩余电量为10%，则电动汽车需要充电时间为(1-10%)×32/7≈4 h。电动汽车充电时间为18:00至第二天9:00，故起始充电时间的限制为18:00点至第二天5:00。

以配电网240辆电动汽车充电为对象，设定每个节点的负荷曲线相同，其车辆分配见表2。

表2每个节点运营的电动汽车数量

节点编号1234567891011车辆数069779981089节点编号1213141516171819202122车辆数78697686776节点编号2324252627282930313233车辆数679661066997

3.2计算结果及分析

通过MATLAB 7.0环境下的数据编程，运行程序可以得出各种状况下的网损和电压变化情况。图1为无电动汽车充电、电动汽车无序充电、电动汽车有序充电3种情况下网损的对比图，可以看出：无电动汽车充电时的网损较低；电动汽车无序充电时网损会在18:00形成高峰；而有序充电时网损曲线则较为平缓，且网损总面积也比无序充电时减少很多，通过计算，有序充电比无序充电时的网损降低了6.54%。

图1　不同情况下网损的对比

图2为无电动汽车充电、电动汽车无序充电、电动汽车有序充电3种情况下负荷曲线的对比图，可以看出无序充电使得配电网的日负荷曲线波峰增加58.21%。电动汽车的有序充电则使日负荷曲线变得平缓，而且对原日负荷曲线起到“填谷”的作用，减小了峰谷差。

图2　不同情况下负荷的对比

图3为一天时间内节点5在无电动汽车充电、电动汽车无序充电、电动汽车有序充电这3种情况下电压的变化情况，可以看出无序充电使得配电网的电压在18：00后突然下降，严重影响线路的电压质量。电动汽车的有序充电则使电压的变化曲线较为平缓，偏移量减小，电压质量得到很大改善。

图3　一天时间内节点5电压的变化情况

由仿真结果分析可知：

a)电动汽车有序充电对减少电网网损的效果是显著的，在电动汽车数量为240辆的情况下，有序充电可以使得网损下降6.54%。

b)有序充电不仅可优化网损，还可以平抑日负荷曲线，使日负荷曲线峰谷差变小。

c)本模型还可以减缓配电网的电压波动，减小线路的压力。

4　结束语

本文提出了一种通过调度电动汽车的起始充电时间来优化配电网网损的方法。无序情况下接入电动汽车充电时间集中，造成该时间段馈电线路负荷过大，配电网综合网损增加，不利于配电网的安全运行。本模型采用粒子群智能算法，以配电网一天的总网损为目标，通过对初始充电时间的优化调度来解决上述问题，从而获得有序的充电方案。IEEE 33节点的仿真计算说明，该方法简单实用，对于改善线路的传输压力，改进网络拥堵及提高配电网电能质量具有一定的意义。

[1] 阙筱. 2.76亿机动车保有量的中国，交通安全有多重要[N]. 中国青年报，2016-01-07(10).

[2] 王林，陈茜，黄利芳. 环境问题诱发群体性事件的地域规律性及其原因剖析[J]. 生态经济，2015，31(8)：187-191.

WANG Lin，CHEN Xi，HUANG Lifang. Regional Regularity of Group Events Caused by Environmental Problems and Analysis of the Reasons[J]. Ecological Economy，2015，31(8)：187-191.

[3] 张晓利，陆化普. 我国城市公共交通发展模式与思考[J]. 综合运输，2015，37(7)：22-27.

ZHANG Xiaoli，LU Huapu. The Discussion on the Development Mode of Urban Public Transport in China[J]. China Transportation Review，2015，37(7)：22-27.

[4] 李惠玲，白晓民. 电动汽车充电对配电网的影响及对策[J].电力系统自动化，2011，35(17)：38-43.

LI Huiling，BAI Xiaomin. Impacts of Electric Vehicles Charging on Distribution Grid[J]. Automation of Electric Power Systems，2011，35(17)：38-43.

[5] 宫鑫，林涛，苏秉华. 插电式混合电动汽车充电对配电网的影响[J].电网技术，2012，36(11)：30-35.

GONG Xin，LIN Tao，SU Binghua. Impact of Plug-in Hybrid Electric Vehicle Charging on Power Distribution Network[J]. Power System Technology，2012，36(11)：30-35.

[6] TAN Jun，WANG Lingfeng. Integration of Plug-in Hybrid Electric Vehicles into Residential Distribution Grid Based on Two-layer Intelligent Optimization[J]. IEEE Transactions on Smart Grid，2014，5(4)：1774-1784.

[7] ROSTAMI M A， KAVOUSI-FARD A， NIKNAM T. Expected Cost Minimization of Smart Grids with Plug-in Hybrid Electric Vehicles Using Optimal Distribution Feeder Reconfiguration[J]. IEEE Transactions on Industrial Informatics，2015，11(2)：388-397.

[8] SORTOMME E，HINDI M M，MACPHERSON S D J，et al. Coordinated Charging of Plug-In Hybrid Electric Vehicles to Minimize Distribution System Losses[J]. IEEE Transactions on Smart Grid，2011，2(1)：198-205.

[9] HOOG J D，ALPCAN T，BRZIL M，et al. Optimal Charging of Electric Vehicles Taking Distribution Network Constraints into Account[J]. IEEE Transactions on Power Systems，2015，30(1)：365-375.

[10] MDTS K，D’HULST R，DEVELDER C. Comparison of Intelligent Charging Algorithms for Electric Vehicles to Reduce Peak Load and Demand Variability in a Distribution Grid[J]. Journal of Communications and Networks，2012，14(6)：672-681.

[11] 占恺峤，宋永华，胡泽春，等. 以降损为目标的电动汽车有序充电优化[J]. 中国电机工程学报，2012，32(31)：11-19.

ZHAN Kaiqiao，SONG Yonghua，HU Zechun，et al. Coordination of Electric Vehicle Charging to Minimize Active Power Losses[J]. Proceedings of the CSEE，2012，32(31)：11-19.

[12] 唐兴，吕林，王华伟，等. 考虑网损因素的示范小区电动汽车接入研究[J]. 华东电力，2012，40(3)：434-438.

TANG Xing，LÜ Lin，WANG Huawei，et al. Electric Vehicle Access to Demonstration District Considering Network Losses[J]. East China Electric Power，2012，40(3)：434-438.

[13] KENNEDY J，EBERHARD R. Particle Swarm Optimization[C]//Proceedings of IEEE International Conference on Neural Networks IV. Perth：IEEE，1995：1942-1948.

[14] 纪震，廖惠莲，吴青华. 粒子群算法及应用[M]. 北京：科学出版社，2009.

[15] 罗卓伟，胡泽春，宋永华，等.电动汽车充电负荷计算方法[J]. 电力系统自动化，2011，35(14)：36-42.

LUO Zhuowei，HU Zechun，SONG Yonghua，et al．Study on Plug-in Electric Vehicles Charging Load Calculating[J]. Automation of Electric Power Systems，2011，35(14)：36-42.

(编辑彭艳)

Intelligent Charging Scheduling for Electric Vehicle for Optimization on Network Loss of Power Distribution Network

ZHU Yingping, ZHANG Xuhong, HAN Xinying

(School of Automation, Guangdong Polytechnic Normal University, Guangzhou, Guangdong 510665, China)

In allusion to applied characteristics of family cars, a kind of method for making network loss of power distribution network minimum by comprehensively controlling initial charging time of electric vehicles for realizing orderly charging is presented. Intelligent particle swarm algorithm is applied for comprehensive optimization, the model takes initial charging time as variable of the particle and four schemes are applied in initialization so as to expand diversity of particle and improve searching range. IEEE33 node system of power distribution network is taken for simulation and results indicate that this method is simple and functional. Compared with disorder charging, this charging mode has good optimization function for reducing network loss and can improve electric energy quality as well as make network congestion better.

electric vehicle; network loss optimization; power distribution network; initialization

2016-03-29

2016-05-10

10.3969/j.issn.1007-290X.2016.09.019

TM715；U469.72

A

1007-290X(2016)09-0094-04

朱鹰屏(1976)，男，江西赣州人。讲师，工学硕士，研究方向为电动汽车的大规模使用对电网的影响、微网优化和节能。

张绪红(1968)，男，湖南常德人。副教授，工学博士(后)，研究方向为节能技术在电力系统的应用。

韩新莹(1978)，男，广东广州人。讲师，工学博士，研究方向为测控技术在节能中的应用。