本發(fā)明涉及智能配電網(wǎng)優(yōu)化、電動(dòng)汽車充放電策略優(yōu)化領(lǐng)域，特別是涉及一種基于正弦余弦算法的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化方法。

背景技術(shù)：

隨著社會(huì)的不斷進(jìn)步發(fā)展和經(jīng)濟(jì)水平的不斷提升，用戶側(cè)分布式設(shè)備(以電動(dòng)汽車為主)將在可見的未來內(nèi)大量滲入電網(wǎng)。電動(dòng)汽車具有零排放、低噪聲、無污染、效率高等優(yōu)勢(shì)，被認(rèn)為是緩解能源危機(jī)的有效措施之一，正被世界各國(guó)加速推廣。但是，若不對(duì)電動(dòng)汽車充電行為加以引導(dǎo)，大量電動(dòng)汽車的無序充電將會(huì)大大加劇電網(wǎng)負(fù)荷曲線峰谷差，增大系統(tǒng)網(wǎng)損，造成電壓越限等嚴(yán)重情況，對(duì)電網(wǎng)安全可靠運(yùn)行造成嚴(yán)重的威脅。因此，電網(wǎng)有必要對(duì)如何引導(dǎo)電動(dòng)汽車的充電行為，對(duì)接入的電動(dòng)汽車制定合理地充放電計(jì)劃，V2G(Vehicle To Grid)技術(shù)可以在電網(wǎng)有需求時(shí)將電池中的剩余能量反饋給電網(wǎng)，合理地利用該技術(shù)可以使EV參與電網(wǎng)調(diào)峰、平抑可再生能源的出力波動(dòng)、調(diào)頻、實(shí)現(xiàn)電網(wǎng)削峰填谷、改善配電網(wǎng)的負(fù)荷曲線、平抑可再生能源的間歇性、還可以減少用戶的充電費(fèi)用，從而實(shí)現(xiàn)電網(wǎng)側(cè)和用戶側(cè)雙贏的效果。同時(shí)，電動(dòng)汽車作為能源互聯(lián)網(wǎng)和主動(dòng)配電網(wǎng)的重要組成部分，在電力市場(chǎng)改革的大背景下，基于分時(shí)電價(jià)對(duì)該部分內(nèi)容進(jìn)行研究也對(duì)推進(jìn)能源互聯(lián)網(wǎng)的建設(shè)，增強(qiáng)需求側(cè)響應(yīng)能力有著重要意義。

現(xiàn)在電網(wǎng)公司都在加大對(duì)電動(dòng)汽車接入電網(wǎng)后運(yùn)行問題的研究，從而有效改進(jìn)電力企業(yè)生產(chǎn)管理模式，提高企業(yè)效益。但仍然存在一些問題，例如，當(dāng)前對(duì)電動(dòng)汽車充放電優(yōu)化建模的研究大多以單臺(tái)電動(dòng)汽車為優(yōu)化單位，該方法面對(duì)大規(guī)模電動(dòng)汽車接入時(shí)將產(chǎn)生計(jì)算效率低，計(jì)算精度差，甚至出現(xiàn)“維數(shù)災(zāi)難”的問題。

技術(shù)實(shí)現(xiàn)要素：

(一)解決的技術(shù)問題

針對(duì)現(xiàn)有對(duì)大規(guī)模電動(dòng)汽車充放電優(yōu)化技術(shù)的不足，本發(fā)明提供了一種針對(duì)大規(guī)模電動(dòng)汽車的多目標(biāo)充放電優(yōu)化算法，能夠適應(yīng)大規(guī)模電動(dòng)汽車充放電優(yōu)化算法，能夠適應(yīng)大規(guī)模電動(dòng)汽車充放電優(yōu)化的計(jì)算量，具有較快的計(jì)算速度和較好的計(jì)算速度和較好的計(jì)算精度，解決了傳統(tǒng)對(duì)電動(dòng)汽車優(yōu)化模型面對(duì)大規(guī)模電動(dòng)汽車接入時(shí)產(chǎn)生的計(jì)算慢，精度低的問題。

(二)技術(shù)方案

基于此，本申請(qǐng)?zhí)岢鲆环N基于正弦余弦算法(SCA)的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化方法，其通過提供大規(guī)模電動(dòng)汽車和電動(dòng)汽車群體的特性和約束的數(shù)學(xué)模型，在分時(shí)電價(jià)機(jī)制下，提出電網(wǎng)側(cè)負(fù)荷曲線優(yōu)化以及用戶側(cè)充電費(fèi)用目標(biāo)。從而能夠優(yōu)化電動(dòng)汽車充放電功率，提升電網(wǎng)對(duì)電動(dòng)汽車的接納能力，產(chǎn)生電網(wǎng)側(cè)和用戶側(cè)雙贏的效果。

一種基于正弦余弦算法(SCA)的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化方法，包括以下步驟：采集電網(wǎng)常規(guī)負(fù)荷預(yù)測(cè)信息、分時(shí)電價(jià)和各時(shí)刻接入電網(wǎng)的電動(dòng)汽車信息，包括接入時(shí)間、離開時(shí)間、電池容量、電池充放電極限、充電電量；

根據(jù)接入電網(wǎng)的電動(dòng)汽車的接入時(shí)間和離開時(shí)間劃分電動(dòng)汽車群體；

以該時(shí)刻到優(yōu)化結(jié)束時(shí)刻的減小區(qū)域內(nèi)電網(wǎng)負(fù)荷曲線波動(dòng)和降低用戶充電費(fèi)用為優(yōu)化目標(biāo)，經(jīng)各目標(biāo)值進(jìn)行加權(quán)處理確定適應(yīng)度函數(shù)；

以電動(dòng)汽車群體充放電極限、充電需求及相關(guān)約束條件確定基本控制模型；

根據(jù)區(qū)域內(nèi)常規(guī)負(fù)荷預(yù)測(cè)情況、分時(shí)電價(jià)情況制定電動(dòng)汽車群體各時(shí)段的充放電策略；

根據(jù)模型參數(shù)及約束條件初始化可控變量，所述初始化可控變量為各電動(dòng)汽車群體各時(shí)段的充放電功率；

用SCA算法和適應(yīng)度函數(shù)進(jìn)行解的適應(yīng)度評(píng)價(jià)；

根據(jù)正弦余弦變化的數(shù)學(xué)模型確定SCA算法搜索方向，更新各電動(dòng)汽車群體各時(shí)段的充放電功率；

判斷是否達(dá)到最大迭代次數(shù)或判斷收斂，若達(dá)到最大迭代次數(shù)或收斂，則結(jié)束計(jì)算并輸出各電動(dòng)汽車群體各時(shí)段的充放電功率策略，否則，返回用SCA算法和適應(yīng)度函數(shù)進(jìn)行適應(yīng)度評(píng)價(jià)的步驟。

在其中一個(gè)實(shí)施例中，所述電動(dòng)汽車為居民家用電動(dòng)汽車。

在其中一個(gè)實(shí)施例中，所述電動(dòng)汽車的參數(shù)包括接入時(shí)間、離開時(shí)間、電池容量、充電需求、電池充放電極限和初始電量。所有參數(shù)皆為隨機(jī)生成。

在其中一個(gè)實(shí)施例中，根據(jù)電動(dòng)汽車不同的接入時(shí)間和離開時(shí)間對(duì)大規(guī)模電動(dòng)汽車進(jìn)行群體的分群，以電動(dòng)汽車群體作為優(yōu)化單位，從而制定充放電策略。

在其中一個(gè)實(shí)施例中，所述根據(jù)大規(guī)模電動(dòng)汽車充放電策略優(yōu)化目標(biāo)分為電網(wǎng)側(cè)削峰填谷目標(biāo)和用戶側(cè)經(jīng)濟(jì)性目標(biāo)，經(jīng)加權(quán)后作為適應(yīng)度函數(shù)

(三)有益效果

與現(xiàn)有技術(shù)相比，本發(fā)明提供了一種基于正弦余弦算法(SCA)的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化方法，具備以下有益效果：

上述基于正弦余弦算法的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化模型來對(duì)解決大規(guī)模電動(dòng)汽車接入電網(wǎng)后充放電策略制定的問題。根據(jù)電動(dòng)汽車的特性對(duì)大規(guī)模電動(dòng)汽車進(jìn)行分群體，以電動(dòng)汽車群體為單位進(jìn)行優(yōu)化，解決了以單臺(tái)電動(dòng)汽車為優(yōu)化單位的弊端。根據(jù)電網(wǎng)一日內(nèi)的常規(guī)負(fù)荷曲線和分時(shí)電價(jià)，以電網(wǎng)側(cè)削峰填谷和用戶側(cè)經(jīng)濟(jì)性為目標(biāo)，合理地制定電動(dòng)汽車的充放電策略。另外，本發(fā)明設(shè)計(jì)的基于正弦余弦算法的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化方法采用的正弦余弦算法(Sine Cosine Algorithm，SCA)是一種新穎的群搜索智能算法，相比于經(jīng)典的遺傳算法(Genetic Algorithm，GA)、粒子群算法(Particle Swarm Optimization，PSO)等，具有收斂速度更快，全局收斂性更強(qiáng)等特點(diǎn)，從而使電動(dòng)汽車充放電計(jì)劃制定地更為合理。

附圖說明

圖1為本發(fā)明的基于正弦余弦算法(SCA)的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化方法的方法流程圖；

圖2為常規(guī)負(fù)荷曲線日前預(yù)測(cè)數(shù)據(jù)示意圖；

圖3為分時(shí)電價(jià)。

具體實(shí)施方式

請(qǐng)參考圖1、圖2和圖3，本發(fā)明的一個(gè)實(shí)施方式提供一種基于正弦余弦算法(SCA)的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化方法。該實(shí)施方式以大規(guī)模電動(dòng)汽車作為研究對(duì)象，算例中把電網(wǎng)側(cè)削峰填谷和用戶側(cè)經(jīng)濟(jì)性目標(biāo)函數(shù)中的權(quán)重系數(shù)都設(shè)為1，表示電網(wǎng)削峰填谷和經(jīng)濟(jì)性對(duì)于實(shí)現(xiàn)電網(wǎng)和用戶雙贏來說同等重要。其中，電動(dòng)汽車類型均為家用汽車，電動(dòng)汽車型號(hào)可按實(shí)際情況選取。該基于正弦余弦算法的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化方法包括以下步驟：

步驟S110，采集電網(wǎng)常規(guī)負(fù)荷預(yù)測(cè)信息、分時(shí)電價(jià)和各時(shí)刻接入電網(wǎng)的電動(dòng)汽車信息，包括接入時(shí)間、離開時(shí)間、電池容量、電池充放電極限、充電電量。上述參數(shù)是根據(jù)大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化模型要求所需要的。

考慮到城市上班族的實(shí)際情況，采用一日兩充的充電模式，其中：

各車日間接入電網(wǎng)時(shí)間服從N(9，0.6)的正態(tài)分布；

日間離開電網(wǎng)時(shí)間服從N(17，0.4)的正態(tài)分布；

夜間接入電網(wǎng)時(shí)間服從N(18，0.8)的正態(tài)分布；

次日離開電網(wǎng)時(shí)間服從N(7.5，0.4)的正態(tài)分布；

各車接入電網(wǎng)的初始SOC服從N(0.6，0.1)的正態(tài)分布；

電池類型以Nissan-Leaf為例，電池容量為24kW.h，充電功率極限為6kW，放電功率極限為-6kW；

車主的期望電量均為1，充放電效率η取0.95；

區(qū)域內(nèi)常規(guī)日負(fù)荷曲線由日前預(yù)測(cè)數(shù)據(jù)給出，如圖2所示。

電網(wǎng)分時(shí)電價(jià)信息如圖3所示。

步驟S120，相同接入時(shí)間和相同離開時(shí)間的電動(dòng)汽車分為一個(gè)群體，統(tǒng)一進(jìn)行優(yōu)化。

步驟S130，以該時(shí)刻到優(yōu)化結(jié)束時(shí)刻減少電網(wǎng)側(cè)削峰填谷和用戶充電費(fèi)用最小為優(yōu)化目標(biāo)，經(jīng)各目標(biāo)值進(jìn)行加權(quán)處理后確定適應(yīng)度函數(shù)。具體如下：

F＝ω₁*F(1)+ω₂*F (2)

P_con,t表示時(shí)刻t常規(guī)負(fù)荷的功率；P_i,t表示電動(dòng)汽車群體i于時(shí)刻t的充放電功率；n為時(shí)刻t所劃分的集群數(shù)；T_start和T_end分別為優(yōu)化的開始時(shí)段和結(jié)束時(shí)段；和分別為兩個(gè)目標(biāo)的權(quán)重系數(shù)。

步驟S140，以電動(dòng)汽車群體充放電極限、充電需求及相關(guān)約束條件確定基本控制模型。具體如下：

單臺(tái)電動(dòng)汽車的充放電模型可描述為

S＝(1-SOC)C_max

P_dis.max≤P≤P_char.max

其中，S為充電需求，SOC為當(dāng)前的電池荷電狀態(tài)，C_max為電池容量，P為各時(shí)段的充放電功率，P_dis.max和P_char.max分別為電池放電和充電極限，Q為充放電時(shí)的無功功率，λ為充電樁的功率因數(shù)。

電動(dòng)汽車群體充放電模型可描述為：

其中，m為群體編號(hào)，Cⁱ_max,m為群體電池總?cè)萘浚琲為群體總數(shù)，n為群體內(nèi)所含電動(dòng)汽車總數(shù)，S_i為群體總充電需求。

步驟S150，將一天24個(gè)小時(shí)分為96個(gè)時(shí)段，每個(gè)時(shí)段為15分鐘，以每個(gè)時(shí)段為單位制定充放電策略。

步驟S160，初始化可控變量為各電動(dòng)汽車群體各時(shí)段的充放電功率。

約束條件具體如下：

式表示電動(dòng)汽車群體各時(shí)段的充放電功率須等于群體充電需求。

式表示各時(shí)段的充電功率總和不能夠超過總充電需求，即不能夠出現(xiàn)過度充電現(xiàn)象。

其中，P^m_dis.max和P^m_char.max分別為電動(dòng)汽車群體各時(shí)段可消納的充放電極限功率。表示各時(shí)段的充放電功率不能夠超出電動(dòng)汽車群體的消納范圍。

步驟S170，隨機(jī)生成一個(gè)種群，每個(gè)種群包含N各個(gè)體，每個(gè)個(gè)體皆為電動(dòng)汽車群體各時(shí)段的充放電功率，用正弦余弦算法和適應(yīng)度函數(shù)對(duì)種群中的個(gè)體進(jìn)行適應(yīng)度評(píng)價(jià)。

步驟S180，每個(gè)個(gè)體根據(jù)正弦余弦變化的數(shù)學(xué)模型確定個(gè)體的搜索方向。

具體如下：

其中，X^k+1_i為第i個(gè)個(gè)體k+1次迭代時(shí)的解，X^k_i為第i個(gè)個(gè)體k次迭代時(shí)的解，P^k_i為k次迭代時(shí)中種群內(nèi)的最優(yōu)解，r₃和r₄均為0到1內(nèi)的隨機(jī)量，為在當(dāng)前正負(fù)搜索步長(zhǎng)內(nèi)的隨機(jī)變量。

在該搜索模式下，種群內(nèi)各個(gè)體將朝最優(yōu)解方向靠攏，生成新的變量，并最終收斂到最優(yōu)解。

步驟S190，判斷是否達(dá)到最大迭代次數(shù)或是判斷結(jié)果是否收斂，若是達(dá)到最大迭代次數(shù)或收斂，則并輸出各電動(dòng)汽車群體各時(shí)段的充放電策略，否則，則返回用正弦余弦算法和適應(yīng)度函數(shù)進(jìn)行適應(yīng)度評(píng)價(jià)的步驟。每次計(jì)算后，迭代次數(shù)k＝k+1，判斷是否達(dá)到最大迭代次數(shù)，若是，結(jié)束計(jì)算，否則，返回步驟S170。通過以上步驟就可以得到電動(dòng)汽車群體各時(shí)段的充放電功率，既可以改善電網(wǎng)負(fù)荷曲線水平，又可以減少用戶充電費(fèi)用，達(dá)到雙贏的效果。

本發(fā)明設(shè)計(jì)的基于正弦余弦算法的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化方法相對(duì)于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果：

(1)本發(fā)明設(shè)計(jì)的基于正弦余弦算法的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化方法，考慮了大規(guī)模未來電動(dòng)汽車的普及的情況，將大規(guī)模電動(dòng)汽車進(jìn)行分群，提出以電動(dòng)汽車群體為優(yōu)化單位的方法進(jìn)行充放電策略的制定，提高了計(jì)算效率、改善了優(yōu)化結(jié)果。

(2)本發(fā)明設(shè)計(jì)的基于正弦余弦算法的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化方法，綜合考慮了電網(wǎng)側(cè)和用戶側(cè)的目標(biāo)，既改善了電網(wǎng)負(fù)荷曲線，又降低了用戶充電費(fèi)用，實(shí)現(xiàn)了電網(wǎng)和用戶雙贏的結(jié)果。

(3)本發(fā)明設(shè)計(jì)的基于正弦余弦算法的大規(guī)模電動(dòng)汽車充放電多目標(biāo)優(yōu)化方法，采用的正弦余弦算法是一種新穎的群搜索智能算法，相比于經(jīng)典的遺傳算法(Genetic Algorithm，GA)、粒子群算法(Particle Swarm Optimization，PSO)等，具有收斂速度更快，全局收斂性更強(qiáng)等特點(diǎn)，從而使電動(dòng)汽車充放電計(jì)劃制定地更為合理。

以上所述實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對(duì)本發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對(duì)于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。