含風光儲的電動汽車充電站容量優(yōu)化研究綜述

解治中，葛麗娟，蓋曜麟

（內(nèi)蒙古農(nóng)業(yè)大學，內(nèi)蒙古自治區(qū) 呼和浩特 010000）

0 引言

含風光儲的電動汽車充電站是由風力發(fā)電機、光伏設備、儲能裝置組成的發(fā)電系統(tǒng)與充電站整合而成的新型微網(wǎng)[1]。該微網(wǎng)利用風光互補發(fā)電系統(tǒng)作為電動汽車充電站的主要能量來源，但由于風光互補發(fā)電系統(tǒng)易受客觀天氣變化影響，所以加入儲能裝置以保障電動汽車充電的連續(xù)性[2]。目前，國內(nèi)外的研究主要集中在以電網(wǎng)為能量來源的充電站上，將風光互補發(fā)電系統(tǒng)和充電站結(jié)合起來研究的文獻較少。

1 風光互補發(fā)電系統(tǒng)

1.1 風光互補發(fā)電系統(tǒng)的構(gòu)成

風光互補發(fā)電系統(tǒng)主要由風力發(fā)電機組、太陽能電池組、儲能裝置、控制器、逆變器、交流直流負載等部分組成。風光互補發(fā)電系統(tǒng)結(jié)構(gòu)如圖1所示。該系統(tǒng)是集風能、太陽能、儲能裝置及系統(tǒng)智能控制技術(shù)為一體的可再生能源發(fā)電系統(tǒng)[3]。

圖1 風光互補發(fā)電系統(tǒng)結(jié)構(gòu)圖

1.2 風光互補發(fā)電系統(tǒng)的容量配比

風光互補發(fā)電系統(tǒng)的規(guī)劃要根據(jù)建設地的風、光資源特點，對風光儲的容量進行科學配置。合理的容量配置可以增強系統(tǒng)功率輸出穩(wěn)定性，提高風光資源利用率，減少儲能裝置容量，獲得良好的經(jīng)濟效益。因此，科學合理配置風光儲容量已經(jīng)成為了風光互補發(fā)電系統(tǒng)規(guī)劃設計領(lǐng)域中的核心課題。根據(jù)風光互補發(fā)電系統(tǒng)的運行狀態(tài)，可以將其分為離網(wǎng)運行的微電網(wǎng)和并網(wǎng)運行的微電網(wǎng)。

1.2.1 離網(wǎng)運行的微電網(wǎng)容量配比研究現(xiàn)狀

文獻 [4-18]介紹了離網(wǎng)運行微電網(wǎng)的容量優(yōu)化配置方法。其中文獻 [4]提出了一種考慮系統(tǒng)供電可靠性、風光互補性、系統(tǒng)成本最小的風光儲容量優(yōu)化配置方法，該優(yōu)化方法以風光儲裝機容量、儲能電池充放電特性為約束條件，在提高風、光資源利用率的同時有效地延長了儲能電池的使用壽命；缺點是當系統(tǒng)成本固定時，該方法不能保障系統(tǒng)的穩(wěn)定性。文獻 [5]以系統(tǒng)總成本作為目標函數(shù)，系統(tǒng)可靠性為約束，采用粒子群算法對系統(tǒng)的風光儲容量進行優(yōu)化配置，粒子群算法模型雖簡潔，卻具有優(yōu)異的探索效率、良好的收斂性及精度；缺點是對于離散的優(yōu)化問題處理效果不佳，容易陷入局部最優(yōu)。文獻 [6]以全生命周期成本為優(yōu)化目標，負荷缺電率等可靠性指標為約束條件；提出了一種基于改進粒子群算法的儲能裝置容量優(yōu)化方法，改進后的算法與傳統(tǒng)粒子群算法相比計算速度有了較大提高且避免了過早收斂，能求得全局最優(yōu)解。文獻 [7]以負荷損失概率和發(fā)電成本最小為目標對系統(tǒng)的風光儲容量進行配置，首先將負載劃分為高優(yōu)先級負載HPL（high priority load）和低優(yōu)先級負載LPL（low priority load）兩大類，然后利用負載轉(zhuǎn)移技術(shù)，無論發(fā)電條件如何，都優(yōu)先供電給HPL，在滿足了HPL和蓄電池充滿電之后才可以給LPL供電。該方法優(yōu)點是方案實施靈活，缺點是LPL的供電可靠性得不到保障。文獻 [8-9]以系統(tǒng)年成本、負荷缺電率和二氧化碳排放最小為目標函數(shù)，光伏板傾斜角度、風機輪轂高度為約束條件建立了風光柴蓄配置優(yōu)化模型，模型的主要優(yōu)點是對光伏板的太陽輻射進行了詳細的計算，缺點是在求解過程中沒有考慮風速的影響，只適用于靜態(tài)環(huán)境。然后分別通過改進的偏好啟發(fā)協(xié)同進化算法PICEA-g(preference-inspired co-evolutionary algorithm)和改進的非支配排序遺傳算法NSGAII（non-dominated sorting genetic algorithm II） 求得風光柴蓄的最優(yōu)配置。與傳統(tǒng)進化算法相比PICEA-g算法的優(yōu)化目標數(shù)量可以靈活擴展、計算更高效且更簡單；改進的NSGAII算法相較于改進前計算更加簡單，優(yōu)化結(jié)果的精度也更高。文獻 [10]針對風機、光伏、生物柴油發(fā)電機、儲能系統(tǒng)容量配置問題，以系統(tǒng)生命周期成本最小化為目標函數(shù)，儲能裝置費用、生物柴油發(fā)動機輸出功率、系統(tǒng)可靠性為約束建立了優(yōu)化模型。然后將和聲搜索算法與模擬退火算法結(jié)合起來求解該模型，結(jié)果表明提出的混合和聲搜索模擬退火算法在尋優(yōu)效率和收斂性方面都優(yōu)于單獨的和聲搜索或單獨的模擬退火算法。文獻 [11]利用熵權(quán)法對風光柴儲的系統(tǒng)成本、污染物排放量及風光資源利用率進行歸一化處理。然后選用改進的仿電磁學算法 ELM(electromagnetism-like mechanism)對風光柴儲容量配置問題進行求解時較好地解決了模型約束條件較多且非線性的問題。與傳統(tǒng)粒子群算法和基本ELM算法比較，改進后的算法在快速性、準確性和全局收斂性方面具有明顯優(yōu)勢。文獻 [12-15]采用遺傳算法實現(xiàn)風光互補發(fā)電系統(tǒng)成本 (目標)函數(shù)最小化，以此對風光儲容量配置優(yōu)化。與傳統(tǒng)的優(yōu)化方法如動態(tài)規(guī)劃和梯度技術(shù)相比，遺傳算法在全局優(yōu)化方面具有計算過程簡單的優(yōu)點，但沒有考慮整個系統(tǒng)的可靠性是該優(yōu)化模型的一個缺點。文獻 [16]提出對細菌覓食算法進行改進，然后將其應用到離網(wǎng)運行的風光互補發(fā)電系統(tǒng)的容量配置中，改進后的細菌覓食算法在全局最優(yōu)搜索能力、尋優(yōu)速度、精度方面顯著增強。文獻 [17]提出一種混沌自適應進化算法對風光儲容量配置進行優(yōu)化。該新算法將混沌初始種群算子和分組選擇策略導入，避免了傳統(tǒng)進化算法的過早收斂，提升了算法的全局尋優(yōu)能力。文獻 [18]將帕累托非劣排序與微分進化算法相結(jié)合，并改進了傳統(tǒng)微分進化算法中的算子變異策略。改進后的混合算法可以對多目標尋優(yōu)且尋優(yōu)速度也得到了明顯加強，因而能快速、有效求解出風光儲的容量最優(yōu)配置。

1.2.2 并網(wǎng)型微電網(wǎng)容量配比研究現(xiàn)狀

對于并網(wǎng)型風光互補發(fā)電系統(tǒng)的容量配置優(yōu)化問題，文獻 [19]綜合考慮風速、太陽輻照、環(huán)境溫度和負荷存在的隨機性，在滿足失負荷概率的條件下，利用抽樣平均法對風光儲系統(tǒng)進行隨機優(yōu)化，使系統(tǒng)整個生命周期成本最小，二氧化碳排放最少，可再生能源利用率最高，該方法由于是采用隨機優(yōu)化所以更貼近工程實際，但不確定地隨機加入增加了問題的復雜性。文獻 [20]以二氧化碳排放量最少為優(yōu)化目標，考慮了系統(tǒng)的全生命周期成本、系統(tǒng)穩(wěn)定性、風光互補性等約束條件，對風光儲容量進行合理配置。文獻 [21]以系統(tǒng)成本最少為目標，負荷缺電率和能量浪費率為約束條件，通過對標準粒子群算法的慣性權(quán)重策略進行改進，解決了標準粒子群算法在搜索過程中過早收斂易陷入局部極值的問題；對比改進算法前后的仿真結(jié)果，改進后尋優(yōu)能力更好，容量配置更合理。文獻 [22]以系統(tǒng)全生命周期內(nèi)收益最大為目標，風光互補性、風光資源利用率、跟蹤調(diào)度曲線能力為約束條件，構(gòu)建了風光儲的容量優(yōu)化配置模型，由于風機、光伏設備數(shù)量和抽水蓄能容量等優(yōu)化變量中既有連續(xù)變量又有離散變量，提出一種變步長循環(huán)離散算法來求解容量配置模型，該方法適用于大規(guī)模風光互補發(fā)電系統(tǒng)的規(guī)劃。文獻 [23]根據(jù)風光發(fā)電效率的衰減特性，提出一種基于發(fā)電效率衰減、分時電價和負荷增長等條件的并網(wǎng)型風光發(fā)電系統(tǒng)容量優(yōu)化模型，然后采用遺傳算法求解該模型，得到了風光儲的最優(yōu)容量配置。不過利用遺傳算法求解容易收斂到局部最優(yōu)解且面對大量個體的計算比較耗時。文獻 [24-25]以系統(tǒng)投資收益、可靠性和可再生能源利用率為目標函數(shù)，建設場地、蓄電池運行、風光蓄容量約束和電網(wǎng)功率交換為約束條件，建立了風光儲容量優(yōu)化配置模型，針對傳統(tǒng)遺傳算法的不足采用改進的遺傳算法對容量配置模型求解；改進后的遺傳算法在對風光儲容量配置優(yōu)化計算時表現(xiàn)出良好的全局搜索能力和收斂速度，而且該方法延長了蓄電池壽命、提升了微電網(wǎng)的孤島能力。文獻 [26]將粒子群算法與遺傳算法結(jié)合，結(jié)合后的新算法克服了經(jīng)典粒子群算法在進化后期易陷入局部最優(yōu)且收斂速度慢的缺點，可以較為快速、有效地求解出風光互補發(fā)電系統(tǒng)的容量配置，并提高了系統(tǒng)并網(wǎng)運行的穩(wěn)定性和經(jīng)濟性。文獻 [27]以棄風、棄光電量最少為優(yōu)化目標，輸出功率穩(wěn)定作為約束條件，采用循環(huán)求解法對發(fā)電系統(tǒng)的風光儲進行容量優(yōu)化，缺點是沒有考慮系統(tǒng)的成本因素。文獻 [28]采集風光互補發(fā)電系統(tǒng)建設地點的風光資源數(shù)據(jù)，對風機、光伏發(fā)電出力情況進行估算，采用圖形觀察法求解出風光最優(yōu)容量配置，不足之處是沒有把儲能裝置考慮進去，且圖形觀察法的求解結(jié)果只是近似解導致精確度不高。

本節(jié)介紹了基于風光互補發(fā)電系統(tǒng)的各種容量配置優(yōu)化模型，研究人員利用各種優(yōu)化算法去求解這些模型，其中人工智能算法如遺傳算法、粒子群算法、進化算法等在風光互補發(fā)電系統(tǒng)的容量配比研究中得到大量應用，不過由于這些方法還是存在著一些不足，于是研究人員針對這些優(yōu)化方法的不足去加以改進。對于一些復雜的問題，單一的人工智能算法及其改進算法可能不足以找到所需的解決方案，這時候兩種或兩種以上新算法的有效結(jié)合成為了新的研究熱點。這種混合算法具有更好的收斂速度和更靈活高效的全局尋優(yōu)能力，因而在對風光互補發(fā)電系統(tǒng)做進一步的探索時具有重要意義。

2 電動汽車充電站的規(guī)劃

隨著國家提倡綠色出行，選擇電動汽車作為代步工具逐漸成為一種新時尚，然而電動汽車充電站的建設是電動汽車普及過程中的掣肘。在進行大規(guī)模電動汽車充電站的建設過程中，如何科學規(guī)劃充電站不僅關(guān)系到電動汽車用戶出行的便捷性還涉及到資源的合理配置，進而影響電動汽車的規(guī)模化應用。

文獻 [29-30]通過采集城市路網(wǎng)、車流信息篩選出電動汽車充電站站址，采用排隊論來確定充電站容量；該方法的不足之處在于把充電站的選址限制在了各個交通路口具有一定的局限性。文獻 [31]以系統(tǒng)全生命周期成本最小為目標，功率平衡、節(jié)點電壓和線路容量為約束，選用精英策略對樹形結(jié)構(gòu)編碼單親遺傳算法改進，然后對電動汽車充電站的選址和容量進行優(yōu)化。與傳統(tǒng)的樹形結(jié)構(gòu)編碼單親遺傳算法相比改進后的方法在優(yōu)化過程中求解效率和精度更高。文獻 [32]結(jié)合深度學習理論，提出了一種基于充電站周邊交通、區(qū)域發(fā)展和電網(wǎng)安全等因素的電動汽車充電站容量預測模型；該模型與傳統(tǒng)的充電站定容方法相比更高效、準確，且該模型具有自學習性，可以隨著環(huán)境變化進行自適應。文獻 [33]根據(jù)居民用電負荷情況來估算電動汽車數(shù)量，利用層次分析法解出充電站各候選站址的權(quán)重系數(shù)，最后以投資金額最小為目標函數(shù)來確定充電站的選址和容量。文獻 [34]利用區(qū)域交通流量守恒原理對某區(qū)域電動汽車保有量和分布進行預測，以年最小費用為目標，采用遺傳算法求解出該區(qū)域充電站的最優(yōu)站址和容量。文獻 [35]建立了以俘獲電動汽車數(shù)量最多、配電系統(tǒng)網(wǎng)絡損耗最小和節(jié)點電壓偏移最小為目標的多目標決策模型，采用改進的二進制粒子群優(yōu)化算法對模型求解，得出充電站的最優(yōu)布局。

與尋找風光互補發(fā)電系統(tǒng)最佳容量配比相似，確定電動汽車充電站的站址和容量首先要測定充電站服務區(qū)域內(nèi)的電動汽車保有量及其分布，然后建立科學的選址和容量模型，再利用各種算法對模型求解從而獲得充電站的最優(yōu)站址和容量。經(jīng)過科學規(guī)劃的充電站不僅可以滿足其服務范圍內(nèi)電動汽車用戶的充電需求還可以減少充電站建設投資成本，對于充電站的發(fā)展具有重要作用。

3 含風光儲的電動汽車充電站

含風光儲的電動汽車充電站是將風光互補發(fā)電系統(tǒng)和充電站整合到一起的產(chǎn)物，因此該系統(tǒng)在規(guī)劃的時候就要借鑒風光互補發(fā)電系統(tǒng)和電動汽車充電站的規(guī)劃方法。文獻 [36]以滿足電動汽車充電需求為前提，系統(tǒng)投資、運行及缺電損失等成本最低為目標，建立了一種含風光儲的離網(wǎng)型電動汽車充電站容量優(yōu)化配置模型；利用微分進化算法求解模型得到風光儲及充放電機的最優(yōu)容量配置，缺點是沒有考慮系統(tǒng)的可靠性問題。文獻 [37]基于統(tǒng)計學方法提出一種計算電動汽車充電負荷的方法，然后以充電站經(jīng)濟收益最大為目標，電動汽車充電負荷需求、風光儲裝機容量為約束，建立了含風光儲的離網(wǎng)型電動汽車充電站容量配置模型，采用改進的遺傳算法對模型求解得到充電站的最優(yōu)容量配置，實現(xiàn)了經(jīng)濟收益的最大化。文獻 [38]以儲能裝置充放電為約束，系統(tǒng)總成本最小為目標函數(shù)，采用粒子群算法求解出電動汽車在不同能量管理方式下，含風光儲的并網(wǎng)型電動汽車充電站的最優(yōu)容量配置方案。該方法可有效提高系統(tǒng)穩(wěn)定性且減少了儲能裝置的投資費用。文獻 [39]以風光資源利用率最大、系統(tǒng)功率波動最小為目標，建立含風光儲的并網(wǎng)型電動汽車充電站運行優(yōu)化模型；模型將功率平衡、充電功率限制作為約束，提出一種改進的動態(tài)多種群多目標粒子群算法對模型優(yōu)化。該優(yōu)化方法可以使充電站并網(wǎng)運行時的負荷峰谷差有效減小并緩解電網(wǎng)調(diào)度壓力；不過對于充電站的全生命周期成本沒有進行考慮，工程經(jīng)濟性需進一步研究。文獻 [40]建立了基于電網(wǎng)分級調(diào)度結(jié)構(gòu)的含風光儲的充電站模型，針對該微網(wǎng)模型采用分種群多目標粒子群優(yōu)化算法對風光資源利用率、系統(tǒng)可靠性以負荷峰谷差等目標函數(shù)進行優(yōu)化，有效地提高了微網(wǎng)系統(tǒng)的可靠性、風光資源利用率、接入電網(wǎng)的穩(wěn)定性。文獻 [41]根據(jù)氣象數(shù)據(jù)的季節(jié)性變化，以投資及運營成本最小為目標，建立含風光儲的并網(wǎng)型電動汽車充電站容量優(yōu)化模型，以儲能裝置充放電、并網(wǎng)點功率波動率約束等作為約束，采用改進差分進化算法對模型求解，有效地減小了系統(tǒng)的功率波動，實現(xiàn)了削峰填谷。文獻 [42]為了提高系統(tǒng)可靠性與風光資源利用水平，建立了以風光互補系統(tǒng)出力、蓄電池充放電、負荷響應轉(zhuǎn)移等為約束條件，系統(tǒng)總成本最小為目標函數(shù)的含風光儲的并網(wǎng)型電動汽車充電站容量優(yōu)化模型，將人工免疫算法引入粒子群算法中，用改進后的算法求解模型避免了傳統(tǒng)粒子群算法的過早收斂。文獻 [43]建立了以系統(tǒng)投資成本和網(wǎng)損最小為目標函數(shù)的含風光儲的電動汽車充電站容量優(yōu)化配置模型，采用核極限學習機對模型求解，該求解方法由于不需要進行迭代計算因此計算效率相較于傳統(tǒng)遺傳算法、粒子群算法更高。文獻 [44]以環(huán)境成本和有功功率損耗最小為目標函數(shù)，采用改進的粒子群算法對目標函數(shù)求解。該方法雖然克服了求結(jié)果易陷入局部最優(yōu)解的缺陷，但是在風光互補發(fā)電系統(tǒng)和電動汽車的參數(shù)設置上較為復雜，計算難度較高。

含風光儲的電動汽車充電站根據(jù)運行狀態(tài)也可分為離網(wǎng)運行和并網(wǎng)運行兩種。由于離網(wǎng)型充電站主要是解決偏遠地區(qū)電動汽車的充電問題，所以在研究中多側(cè)重于充電站的成本和供電可靠性；并網(wǎng)型充電站由于接入了電網(wǎng)，把電網(wǎng)作為風光儲系統(tǒng)供電不足時的備用電源，因而在研究中更多地考慮充電站接入電網(wǎng)以后對電網(wǎng)的影響。

4 結(jié)論

盤點現(xiàn)階段國內(nèi)外含風光儲的電動汽車充電站研究現(xiàn)狀，普及新型電動汽車充電站需解決以下3個問題。

a）雖然國內(nèi)外掀起了一股電動汽車充電站建設熱潮，但含風光儲的電動汽車充電站仍處于示范建設階段，并沒有建立起統(tǒng)一的建設規(guī)劃標準和成熟的運營模式。

b）風機、光伏組件、還有儲能電池高昂的售價使含風光儲的充電站的建設成本高昂成為阻礙其大規(guī)模建設的最大掣肘。

c）含風光儲的充電站由于風機和光伏設備占地面積較大，在建設規(guī)劃階段土地因素需要多加考慮。