基于遺傳算法的小區(qū)電動(dòng)汽車充電策略研究

摘 要：大量電動(dòng)汽車的充電負(fù)荷無序接入，會(huì)對(duì)電網(wǎng)造成很多負(fù)面影響，因此需要對(duì)居民進(jìn)行有序充電策略研究。本文先根據(jù)居民區(qū)車主行為特性搭建充電負(fù)荷模型，并對(duì)無序充電進(jìn)行仿真計(jì)算分析。再利用遺傳算法模擬仿真出不同時(shí)段下的有序充電結(jié)果，分析論證優(yōu)化的可行性。

關(guān)鍵詞：電動(dòng)汽車充電 有序充電 遺傳算法

1 電動(dòng)汽車用戶的無序充電分析與仿真

無序充電是指用戶根據(jù)自身生活及出行習(xí)慣自主進(jìn)行的充電行為，不受外界因素影響［1］。不考慮存在引導(dǎo)用戶充電的因素，用戶通常在抵達(dá)家中后立即開始充電，充電行為將持續(xù)至用戶下一次需要用車或電池電量達(dá)到用戶所設(shè)定的預(yù)期值（本文假設(shè)為預(yù)期電量值為100%），結(jié)束本次的充電行為。

建立模型時(shí)，用戶歸家時(shí)間、離家時(shí)間以及行駛里程這三個(gè)參數(shù)通常被視為相互獨(dú)立的隨機(jī)變量。本文以某小區(qū)為樣本建立模型，相關(guān)參數(shù)如下［2］：

（1）小區(qū)變電所配置總?cè)萘繛?600kVA，功率因數(shù)0.9。

（2）共230戶，一戶一輛電動(dòng)車。

（3）電動(dòng)汽車滲透比為30%。

（4） 230戶居民購買的電動(dòng)汽車電池類型均為鋰電池，電池的額定容量為40kW·h，額定充電功率為7kW，每百公里耗電量0.5kW·h/km。

（5）當(dāng)小區(qū)電動(dòng)汽車進(jìn)行充電時(shí)，均選擇常規(guī)的慢速充電方式進(jìn)行充電。

（6）居民對(duì)電動(dòng)汽車的預(yù)期充電量均為電池電量充至100%。

通過觀察多日負(fù)荷數(shù)據(jù)可以發(fā)現(xiàn)常規(guī)用電負(fù)荷具有規(guī)律性，選取多日常規(guī)負(fù)荷數(shù)據(jù)均值作為算例中小區(qū)常規(guī)負(fù)荷［3］。按照時(shí)30分鐘劃分一個(gè)時(shí)間間隔，一天即分為48個(gè)時(shí)段，最后再將仿真結(jié)果的橫坐標(biāo)換算回24小時(shí)，小區(qū)常規(guī)負(fù)荷曲線如圖1所示。

根據(jù)上述假設(shè)條件，第a個(gè)時(shí)間段內(nèi)小區(qū)充電總負(fù)荷為多輛電動(dòng)汽車充電負(fù)荷疊加求和的值，計(jì)算公式如式1所示：

其中

— —第a段時(shí)間中總充電負(fù)荷，a＝1，2，…，48；

M— —汽車總數(shù)；

— —第個(gè)時(shí)間段時(shí)，第m輛車的充電功率。

將a個(gè)時(shí)段內(nèi)的充電總負(fù)荷與小區(qū)平時(shí)居民的常規(guī)用電負(fù)荷相加求和，即可得該時(shí)段小區(qū)居民配電總負(fù)荷的值，具體如式（2）所示：

具體步驟如下：

1.首先將仿真次數(shù)M初始化，設(shè)已經(jīng)進(jìn)行的仿真次數(shù)m=１，且m≤M。

2.小區(qū)電動(dòng)汽車總數(shù)初始化后為Nh。設(shè)當(dāng)前待充電車輛為第n輛電動(dòng)汽車，并令n初始值為1，且n≤Nh。

3.利用隨機(jī)數(shù)得出日行駛里程為d。

4.計(jì)算電動(dòng)汽車開始充電的初始電荷量Ss，即電動(dòng)汽車返回小區(qū)時(shí)電池剩余的電荷量。

5.判斷該輛電動(dòng)汽車本輪是否需要充電。首先判斷電池剩余電量是否滿足充電條件，如滿足則進(jìn)行下一步，如不滿足則返回第三步，使n=n+1，繼續(xù)下一輛車的負(fù)荷計(jì)算過程。

6.設(shè)電動(dòng)汽車起始充電時(shí)間值為Tc，且Tc為隨機(jī)值，并且用戶返回小區(qū)時(shí)刻即電動(dòng)汽車開始充電時(shí)刻。

7.計(jì)算電池從當(dāng)前電量充至100%電池電量所需的時(shí)間。

8.疊加每一個(gè)時(shí)間段內(nèi)的充電負(fù)荷。

9.判定是否完成對(duì)所有車輛的計(jì)算。

①當(dāng)n=Nh，則對(duì)所有電動(dòng)汽車充電的負(fù)荷完成相應(yīng)計(jì)算過程，可以跳轉(zhuǎn)至下一步驟；

②若n≤Nh，則表示仍有電動(dòng)汽車未完成充電負(fù)荷計(jì)算，則程序跳轉(zhuǎn)回第3步，同時(shí)更新n=Nh+1，通過這樣的循環(huán)迭代過程，繼續(xù)對(duì)下一輛電動(dòng)汽車進(jìn)行充電負(fù)荷的計(jì)算。

10.對(duì)程序仿真運(yùn)行次數(shù)是否達(dá)到設(shè)定值M進(jìn)行判斷。當(dāng)m=M時(shí)，則判定仿真結(jié)束；當(dāng)m＜M時(shí)，則意味著仿真次數(shù)還未達(dá)到設(shè)定值，程序跳轉(zhuǎn)回到第2步，并使m=m+1，同時(shí)重復(fù)上述計(jì)算，直到仿真運(yùn)行次數(shù)達(dá)到設(shè)定值M。

設(shè)置仿真次數(shù)M為1000，運(yùn)行結(jié)束后，具體曲線圖如圖2所示。

可以看出，充電負(fù)荷主要集中在下午2時(shí)至凌晨0時(shí)。電動(dòng)汽車的充電需求從下午5時(shí)開始顯著增加，在晚上8時(shí)左右達(dá)到頂峰。此時(shí)段常規(guī)用電負(fù)荷疊加充電負(fù)荷后，會(huì)導(dǎo)致總負(fù)荷超出了小區(qū)變壓器總?cè)萘康南拗?。而晚?時(shí)至次日凌晨1，隨著電動(dòng)汽車的電池充電電量逐漸達(dá)到用戶預(yù)期（即100%電量），充電負(fù)荷開始不斷下降，該時(shí)段小區(qū)常規(guī)用電負(fù)荷和用電總負(fù)荷也隨之下降［4］。

2 電動(dòng)汽車有序充電

通過上文仿真可以看出，無序充電會(huì)使得小區(qū)電動(dòng)汽車充電高峰與常規(guī)用電負(fù)荷高峰重合，導(dǎo)致總負(fù)荷峰值超出小區(qū)配變能承受的最大負(fù)荷，引起“峰上加峰”等問題。因此引入有序充電算法是十分必要的。

2.1 遺傳算法（GA）

遺傳算法通過“生存”與“檢測(cè)”等迭代過程，實(shí)現(xiàn)了高效的優(yōu)化搜索，體現(xiàn)了生物進(jìn)化中的自然選擇與遺傳機(jī)制[5]。GA會(huì)在迭代過程中反復(fù)迭代整個(gè)單一解，每一步過程中會(huì)從當(dāng)前種群中選擇優(yōu)良個(gè)體進(jìn)入下一代，并通過這些優(yōu)良個(gè)體為下一代繁殖后代，最終整個(gè)種群會(huì)朝著“最佳解決方案”進(jìn)化[6]。當(dāng)多個(gè)目標(biāo)在特定區(qū)域內(nèi)均要求達(dá)到最優(yōu)解時(shí)，這些目標(biāo)之間往往會(huì)出現(xiàn)沖突。為了求解此類問題的帕累托（Pareto）最優(yōu)解，本文采用并列選擇法。

2.2 分時(shí)電價(jià)

本文將電價(jià)納入仿真建模的關(guān)鍵因素考慮，為準(zhǔn)確描述電價(jià)對(duì)充電負(fù)荷的影響，本文引入價(jià)格彈性，它能夠有效反映電價(jià)波動(dòng)時(shí)充電需求的變化趨勢(shì)[7]。

價(jià)格彈性系數(shù)的計(jì)算公式如式（3）為：

在本文的仿真建模過程中，價(jià)格彈性系數(shù)為負(fù)數(shù)，以定量描述這種負(fù)向關(guān)聯(lián)[8]。電動(dòng)汽車用戶的充電需求與分時(shí)電價(jià)響應(yīng)關(guān)系如圖3所示：

由上圖可以得知，居民小區(qū)電動(dòng)汽車電能代理商在制定分時(shí)電價(jià)策略時(shí)既要考慮到配電網(wǎng)側(cè)的利益，也應(yīng)該考慮到電動(dòng)汽車用戶側(cè)的利益，二者平衡才能確保充電策略有效施行。綜上所述設(shè)定分時(shí)電價(jià)的波動(dòng)限值約束如式（4）、（5）所示：

式中，以及分別表示分時(shí)電價(jià)的上下限，為分時(shí)電價(jià)的平均值，單位均為元/kW·h。

3 案例仿真

假設(shè)初始電價(jià)為1元／（kW·h），最低充電電價(jià)不得低于發(fā)電的邊際成本電價(jià)0.25元/（kW·h），最高電價(jià)不得高于2元／（kW·h）。根據(jù)參考文獻(xiàn)[9]可得電動(dòng)汽車在峰、谷、平時(shí)段的價(jià)格彈性矩陣：

遺傳算法通過迭代過程不斷優(yōu)化種群中的個(gè)體，通過不斷迭代和選擇，最終可以得到優(yōu)化后的峰谷平時(shí)段電價(jià)，如表1所示。

如圖4所示，是利用遺傳算法計(jì)算并優(yōu)化后的有序充電負(fù)荷曲線。

由圖4可以看出，當(dāng)?shù)竭_(dá)設(shè)定的峰時(shí)段時(shí)，系統(tǒng)總負(fù)荷曲線明顯呈下降趨勢(shì)，而電價(jià)谷、平時(shí)段，充電負(fù)荷開始上升，起到了一定的“削峰填谷”作用。

表2所示為無序充電和優(yōu)化后有序充電的相關(guān)數(shù)據(jù)對(duì)比，從表格中可以看出充電策略優(yōu)化后用戶充電消費(fèi)金額和符合均方差都明顯降低。

由上述圖表可知，當(dāng)用戶按照出行習(xí)慣給電動(dòng)汽車充電時(shí)，這些接入電網(wǎng)的無序負(fù)荷將會(huì)給小區(qū)配電系統(tǒng)及該區(qū)域配電網(wǎng)帶來干擾，而這些干擾會(huì)對(duì)電網(wǎng)運(yùn)行的經(jīng)濟(jì)性和穩(wěn)定性造成一定影響。

4 結(jié)語

本文先對(duì)小區(qū)電動(dòng)汽車用戶的無序充電進(jìn)行仿真，發(fā)現(xiàn)小區(qū)電動(dòng)汽車無序充電負(fù)荷疊加常規(guī)用電負(fù)荷后，總負(fù)荷在用電高峰時(shí)段會(huì)超出變壓器總配置容量，對(duì)電網(wǎng)經(jīng)濟(jì)安全穩(wěn)定運(yùn)行產(chǎn)生如用戶充電費(fèi)用增加、小區(qū)配電變壓器過載等不良影響，電動(dòng)汽車滲透率越高，影響越嚴(yán)重。通過實(shí)施分時(shí)電價(jià)發(fā)現(xiàn)可以有效引導(dǎo)用戶在特定時(shí)間段進(jìn)行充電，從而降低峰谷負(fù)荷差異。因此，本文以配電系統(tǒng)峰谷均方差最小化為目標(biāo)函數(shù)，通過合理的電價(jià)策略來引導(dǎo)用戶充電，構(gòu)建電動(dòng)汽車有序充電模型。通過算例分析可知，高響應(yīng)度的用戶更加傾向于根據(jù)電價(jià)變動(dòng)調(diào)整自身的充電行為，從而更加有效地平衡了電網(wǎng)負(fù)荷，起到一定“削峰填谷”的作用。

參考文獻(xiàn)：

[1]桂俊平，常湧，李行之，等.基于分時(shí)電價(jià)的電動(dòng)汽車充電負(fù)荷影響研究[M].武漢大學(xué)學(xué)報(bào)（工學(xué)版）2018（10），915-919+935.

[2]王曉輝.社區(qū)電動(dòng)汽車有序充電策略的研究[D].南昌：南昌大學(xué)，2021.

[3]黑桐.居民小區(qū)內(nèi)電動(dòng)汽車有序充放電策略研究[D].濟(jì)南：山東大學(xué)，2018.

[4]李鵬廣.小區(qū)電動(dòng)汽車分布式充放電控制策略研究[D].湖南：湘潭大學(xué)，2019.

[5]歐名勇，陳仲偉，譚玉東，等.基于峰谷分時(shí)電價(jià)引導(dǎo)下的電動(dòng)汽車充電負(fù)荷優(yōu)化[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2020，35（05）：54-59.

[6]李慶.多目標(biāo)優(yōu)化遺傳算法的改進(jìn)及其在有序充電中的應(yīng)用研究[D].青島：山東科技大學(xué)，2020.

[7]智威，胡澤春，宋永華，等.充電站內(nèi)電動(dòng)汽車有序充電策略[J].電力系統(tǒng)自動(dòng)化，2012，36（11）：38-43.

[8]茍方杰.考慮出行不確定性的電動(dòng)私家車充電策略研究[D].成都：西南交通大學(xué)，2020.

[9]胡澤春，宋永華，徐智威，等.電動(dòng)汽車接入電網(wǎng)的影響與利用[J].中國(guó)電機(jī)工程學(xué).