含多分布式電源配電網的電動汽車充電站優化配置方法與流程
2023-07-10 09:06:11
本發明涉及一種含多分布式電源配電網的電動汽車充電站選址定容的優化配置，屬電氣工程和新能源技術領域。
背景技術：
以新能源技術為基礎的分布式電源(Distributed Generator,DG)和電動汽車(Electric vehicle,EV)在世界各國得到廣泛發展。我國把新能源發電技術和電動汽車列為戰略性新興產業，新能源DG和EV將成為未來中國的發展主流，多DG和EV大量接入配電網已成為必然趨勢。電動汽車充電站作為重要的EV配套設施，若無序接入配電網會引起大量諧波和電流畸變問題。對電動汽車充電站進行優化配置具有重要意義。
目前，與電動汽車充電站優化配置相關的研究成果，大多局限於對充電設施的選址原則、成本費用及運行模式方面的研究。實際上，一方面，電動汽車直接用配電網的傳統電能充電，實際產生的間接碳排放量並不比傳統燃油汽車低，在多DG併入配電網時，需要充分考慮DG因素來提高對新能源利用率，發揮EV真正的低碳減排作用；另一方面現有研究成果採用確定性地充電站服務半徑，未考慮到人與人之間的主觀認知差異，缺乏柔性機制和靈活性。專利成果方面，儘管與電動汽車充電站相關的成果較多，但大部分集中於EV充電站本身結構的設計，如申請號為CN201610080929.9，CN201610080099.X，CN201610023420.0分別提出了一種用於電動汽車的智能化充電站、多功能充電站、防水汽腐蝕充電站；還有一部分注重於EV充電站的充電管理和控制，如CN201410809367.8，CN201510976719.3分別提出了一種考慮電網保護的充電站控制系統和一種基於充電預約的充電管理方法；而少數關於EV充電站選址定容優化配置的成果，如CN201510627316.8，CN201310404628.3，CN201210391040.4的發明專利分別提出了一種基於確定性服務半徑約束條件的選址方法、一種考慮交通網絡的規劃方法和一種基於兩階段優化的選址定容方法，但其所提方法均未涉及模糊服務半徑概念且未充分考慮多DG併網影響。本發明專利針對EV充電站的選址定容問題進行研究，充分考慮多DG併入配電網的前景，提出了EV充電站的模糊服務半徑新概念，提出了一種基於模糊服務半徑的、計及DG因素、交通流量、電能質量和建設成本的EV充電站選址定容優化配置的新模型，以及通過粒子群算法(Particle Swarm Optimization,PSO)尋優迭代求解最優配置的方法。
技術實現要素：
本發明要克服現有EV充電站優化配置方法不能有效適用於含多DG配電網以及服務半徑缺乏柔性機制的問題，提出了EV充電站的模糊服務半徑新概念，提出了一種基於模糊服務半徑的、計及DG因素、交通流量、電能質量和建設成本的EV充電站優化配置新模型和通過PSO算法求解出最優的含多DG配電網EV充電站選址定容配置的方法，並具有較好的經濟性和優化效果。
本發明為實現上述目的，提出了一種採用PSO算法求解的、能夠有效適用於含多分布式電源配電網的EV充電站優化配置方法，所述多分布式電源是指新能源開發利用和分布式發電技術背景下的多個分布式電源接入配電網，所述優化配置方法是指在滿足多目標約束條件下EV充電站的最佳選址和容量配置。所述優化配置方法，包括以下步驟：
1、定義「EV充電站的模糊服務半徑」新概念；在考慮人與人之間的認知差異具有模糊性的條件下，用一個基於模糊理論的隸屬度表徵EV充電站服務半徑的覆蓋效果，使充電站的位置滿足方便用戶充電的距離要求；單個EV充電站的模糊服務半徑的隸屬度用表示，表徵第j個節點位置的EV車主選擇第i個充電站服務的概率，以第j個節點位置與第i個充電站的距離dij為自變量，隸屬度取值範圍在數值[0，1]區間；單個EV充電站的隸屬度函數表示式如式(1)(2)所示；其中為用於替換的中間變量，θ1為服務半徑的最小距離閾值，θ2為服務半徑的最大距離閾值；當節點處於充電站的θ1範圍內隸屬度取最大限制值為1，當節點處於充電站的θ1～θ2範圍之間隸屬度呈S特性下降，當節點超出充電站的θ2範圍時隸屬度為0；
2、重新分配多個EV充電站之間模糊服務半徑交疊區域的隸屬度；當存在多個EV充電站，則處於它們的服務半徑最大閾值範圍內的交疊部分的隸屬度需要按比例進行重新分配，用於防止由於充電站距離過近而導致隸屬度累加而溢出的問題，分配運算如式(3)所示；其中為經過重新分配後的模糊服務半徑隸屬度；
3、構建計及DG影響的環境代價函數；考慮到新能源DG發電出力的間歇性，EV充電站與DG配合能夠提高新能源利用率和降低間接碳排放，構建計及DG影響的環境代價函數如下式(4)(5)所示；其中Cen表示總的年均環境代價，N為預期建設EV充電站的總數，α為碳排放治理的費用折算率，η為新能源DG的平均利用率，ε1為能耗與距離的折算率，ε2為充電站間接碳排放折算率；Di為第i個充電站到DG的最短饋線距離,和分別為第i個充電站的年均消耗電能和充電裝置數量；τ1為年總時數，PDG為新能源發電功率，PW為新能源向電網輸送功率；
4、構建優化模型中的年均收益函數、年均建設代價函數和多目標約束條件；EV充電站優化配置在計算獲得較高年均收益的同時，還需要綜合考慮多個因素的制約包括EV數量、交通流量、電能質量、設備成本和建設成本；
步驟401，構建EV數量和交通流量的約束條件如式(6)(7)所示，其中δtr表示所有充電站覆蓋到的總EV流量，為第j個節點位置的車流量，zev表示規劃區域內的電動汽車市場佔有率，N為預期建設EV充電站的數量，M為規劃區域內的總節點數，為最小EV流量限制值；
步驟402，構建基於EV流量的年均收益函數，如式(8)所示；其中Bpr為所有充電站年均收益，λ1為每輛EV每次充電的平均消費，λ2為EV每次充電的平均電能成本，β1為電動汽車每年在充電站充電的平均次數，β2為包括人員工資和維護費用的運行成本折算係數；
Bpr＝β1δtr(λ1-λ2)(1-β2) (8)
步驟403，構建保證供電可靠性的電能質量約束條件如式(9-11)所示；式中Vj為第j個節點的電壓幅值，和分別為它的電壓幅值下限和上限；Ih為第h條線路的電流，為它的最大電流限制值，HLine為饋線總數；為第i個充電站的充電功率，為規劃區域允許接入的EV充電負荷的最大功率；
步驟404，構建包括土地成本、設備成本和基建成本在內的約束條件和年均建設代價函數，如式(12-14)所示；其中變量的下標i表示對應第i個充電站，為徵地面積，為所處位置的土地單價，為充電裝置數量，為配電變壓器數量，為充電站的其他基礎建設成本；CΣ為年均建設代價，Tye為目標運行年限，Cev為充電裝置單價，Ctr配電變壓器單價，λ4為EV最大同時充電概率；λ5為單個配電變壓器能為多個充電裝置提供電力的比率；
5、構建以年均純利潤最大化為目標的優化目標函數，如式(15)所示；式中目標函數表示最大化年均純利潤，f的取值即優化過程的適應值，由年平均收益Bpr減去年均建設代價CΣ和年均環境代價Cen得到；
max f＝Bpr-CΣ-Cen (15)
6、採用PSO算法求解優化模型，經過尋優迭代，搜索出優化目標函數的適應值最佳的優化配置方案；
步驟601，粒子群初始化；生成初始粒子種群，粒子的初始位置在規劃區域內隨機賦值，粒子的初始速度在其閾值範圍內隨機賦值；
步驟602，適應值計算；將粒子群的當前位置坐標進行映射，將其歸屬到距離最近的EV充電站候選節點，按式(15)計算每個粒子的適應值；
步驟603，更新個體極值和全局極值；對於滿足不等式約束條件的粒子，若其中存在粒子的適應值優於該粒子曾找到的最優位置，則更新它的個體極值；若目前的全局最優粒子優於到目前為止它們搜索到的全局極值，則更新全局極值；
步驟604，將每個粒子的坐標和速度分為橫軸和縱軸二組數據處理，按式(16-19)進行粒子狀態的迭代更新，並且限制粒子速度的最大閾值為vmax；其中w為慣性權重；c1和c2為加速因子；r1和r2為[0,1]之間的隨機數；上、下標k、n、γ的含義分別是第k次迭代時在第n維的第γ個粒子，上標k+1表示下一次迭代，和分別表示它的橫向和縱向坐標，和分別表示它的橫向和縱向速度，和分別表示個體極值的橫向和縱向坐標，和分別表示全局極值的橫向和縱向坐標；
步驟605，若迭代次數達到最大值，進入步驟606；否則返回步驟602循環操作；
步驟606，輸出優化結果；將最優解的粒子解碼，輸出其映射的EV充電站選址位置和容量配置，作為EV充電站優化配置的最佳方案。
本發明的有益效果主要表現在：1、定義了「EV充電站的模糊服務半徑」新概念，並提出了多個EV充電站之間模糊服務半徑交疊區域隸屬度的重新分配方法；2、構建了一種基於模糊服務半徑的、計及DG因素、交通流量、電能質量和建設成本的EV充電站選址定容優化配置的新模型；3、提出了一種通過PSO算法求解優化模型，得出含多DG配電網EV充電站配置最優方案的方法；4、所提模型和方法能夠在兼顧環境代價和建設成本的同時謀求年均純利潤最大化，可為新能源發電技術和電動汽車產業的共同發展提供技術支撐。
附圖說明
圖1為本發明方法的總體框圖。
圖2為模糊服務半徑隸屬度的函數曲線圖。
圖3為含四個DG的IEEE 34節點配電網的拓撲結構圖。
圖4為新能源DG按24小時劃分的平均功率曲線圖。
圖5為PSO尋優迭代過程中的最優適應值收斂過程圖。
具體實施方式
下面結合實施例及附圖對本發明作進一步的詳細說明，但本發明的實施方式不限於此。實施例中一種含多分布式電源配電網的電動汽車充電站優化配置方法的總體框圖如附圖1所示，包括以下步驟：
1、定義「EV充電站的模糊服務半徑」新概念；在考慮人與人之間的認知差異具有模糊性的條件下，用一個基於模糊理論的隸屬度表徵EV充電站服務半徑的覆蓋效果，使充電站的位置滿足方便用戶充電的距離要求；單個EV充電站的模糊服務半徑的隸屬度用表示，表徵第j個節點位置的EV車主選擇第i個充電站服務的概率，以第j個節點位置與第i個充電站的距離dij為自變量，隸屬度取值範圍在數值[0，1]區間；單個EV充電站的隸屬度函數表示式如式(1)(2)所示；模糊服務半徑的特性曲線如圖2所示；
2、重新分配多個EV充電站之間模糊服務半徑交疊區域的隸屬度；當存在多個EV充電站，則處於它們的服務半徑最大閾值範圍內的交疊部分的隸屬度需要按比例進行重新分配，用於防止由於充電站距離過近而導致隸屬度累加而溢出的問題，分配運算如式(3)所示；
3、構建計及DG影響的環境代價函數；考慮到新能源DG發電出力的間歇性，EV充電站與DG配合能夠提高新能源利用率和降低間接碳排放，構建計及DG影響的環境代價函數如下式(4)(5)所示；
4、構建優化模型中的年均收益函數、年均建設代價函數和多目標約束條件；EV充電站優化配置在計算獲得較高年均收益的同時，還需要綜合考慮多個因素的制約包括EV數量、交通流量、電能質量、設備成本和建設成本；
步驟401，構建EV數量和交通流量的約束條件如式(6)(7)所示；
步驟402，構建基於EV流量的年均收益函數，如式(8)所示；
步驟403，構建保證供電可靠性的電能質量約束條件如式(9-11)所示；
步驟404，構建包括土地成本、設備成本和基建成本在內的約束條件和年均建設代價函數，如式(12-14)所示；
5、構建以年均純利潤最大化為目標的優化目標函數，如式(15)所示；
6、採用PSO算法求解優化模型，經過尋優迭代，搜索出優化目標函數的適應值最佳的優化配置方案；
步驟601，粒子群初始化；生成初始粒子種群，粒子的初始位置在規劃區域內隨機賦值，粒子的初始速度在其閾值範圍內隨機賦值；
步驟602，適應值計算；將粒子群的當前位置坐標進行映射，將其歸屬到距離最近的EV充電站候選節點，按式(15)計算每個粒子的適應值；
步驟603，更新個體極值和全局極值；對於滿足不等式約束條件的粒子，若其中存在粒子的適應值優於該粒子曾找到的最優位置，則更新它的個體極值；若目前的全局最優粒子優於到目前為止它們搜索到的全局極值，則更新全局極值；
步驟604，將每個粒子的坐標和速度分為橫向和縱向二組數據處理，分別按式(16-19)進行粒子狀態的迭代更新，並且限制粒子速度的最大閾值為vmax；
步驟605，若迭代次數達到最大值，進入步驟606；否則返回步驟602循環操作；
步驟606，輸出優化結果；將最優解的粒子解碼，輸出其映射的EV充電站選址位置和容量配置，作為EV充電站優化配置的最佳方案。
下面以IEEE 34節點配電網為實施例，進一步說明本發明的操作過程，添加四個DG在併入配電網的拓撲結構，用DG1～DG4命名四個DG，它們的併網位置如圖3所示。四個新能源DG發電特性，其中按24小時劃分的平均功率曲線如圖4所示。規劃區域總面積2110.29km2，東西跨度146.65km，南北跨度14.39km；用MATLAB/simulink建模仿真，步驟4中約束條件中的基礎數據，包括各節點的電力負荷數據如表1所示，交通車流量、基礎建設成本、土地類型、土地價格數據如表2所示。
表1電力負荷數據
表2各節點數據
在該算例中，在參考標準文件《電動汽車電能供給與保障技術規範：充電站》基礎上，對所提優化模型中的參數和閾值進行合理的設置，其中無量綱並用「--」標註，如表3所示。
表3相關優化參數表
針對圖3所示IEEE 34節點配電網，基於步驟1和步驟2建立模糊服務半徑隸屬度的計算方法，再利用步驟3-4建立EV充電站優化配置數學模型中的約束條件，按照表3參數設置進行計算步驟5的優化目標函數作為適應值，並利用MATLAB軟體進行步驟6的PSO尋優迭代過程，求解優化配置模型。其中粒子群參數設置：規模選取50，加速因子為c1＝c2＝1.2，速度限制vmax＝600，最大迭代次數200次。迭代過程中全局極值的適應值收斂過程如圖5所示，優化後的效果相對於初始配置提升了41.25萬元/年。達到最大迭代次數後，得到優化配置結果映射到系統節點為{808,818,852,844,860}；最優配置的輸出優化內容如表4所示。
表4輸出最優結果
算例分析顯示，本發明所提方法能在含多DG配電網中對EV充電站進行有效的優化配置，基於定義的模糊服務半徑隸屬度使最優配置結果具有柔性機制，還可兼顧新能源DG的利用率，並具有較好的經濟性和優化效果。
如上所述，便可較好地實現本發明，上述實施例僅為本發明的典型實施例，並非用來限定本發明的實施範圍，即凡依本發明內容所作的均等變化與修飾，都為本發明權利要求所要求保護的範圍所涵蓋。