電動汽車ev充電負荷多目標隨機規劃方法
2023-11-10 22:38:57 2
電動汽車ev充電負荷多目標隨機規劃方法
【專利摘要】本發明提供一種基於非支配排序遺傳算法的EV充電負荷多目標隨機規劃方法，通過結合配電系統最優運行的要求，考慮了多個隨機因素的影響，建立了新的基於EV充電負荷的配電網多目標隨機優化模型，利用改進的非支配排序遺傳算法-Ⅱ(non-dominated sorting genetic algorithm-2，NSGA-2)求解，以電動汽車蓄電池滿充、蓄電池充電功率不越限及配網潮流約束等作為約束條件，以配電網網損、電源節點負荷峰值、負荷波動情況優化為子目標，實現EV充電負荷多目標隨機規劃。
【專利說明】電動汽車EV充電負荷多目標隨機規劃方法
【技術領域】
[0001] 本申請涉及一種電動汽車充電，特別設計一種基於非支配排序遺傳算法的電動汽 車EV充電負荷多目標隨機規劃方法。
【背景技術】
[0002] 電池荷電狀態（S0C)是用來描述電池容量狀態的重要參數，對電池汽車的運行及 電池的維護和管理具有重要意義。由於電池所能放出的容量要受放電倍率、電池溫度、電池 充放電循環次數等很多因素的影響，因此，表示電池容量狀態的參數S0C也必然與這些因 素有關。在放電電流變化的情況下，就會對S0C估算出現計算方面的困難。電池在進行充 電時起始時刻的S0C直接影響電池的充電時間。
[0003] 電動汽車由於不直接消耗化石能源可以有效地減小C02的排放，並降低車主費用 等方面的優勢得到了政府和企業的青睞，相關研究取得了巨大進展，預計到2015年新購車 輛中將有10%是混合動力汽車，不斷增長的電動汽車將給電網增加18%的負荷，電動汽車 大規模推廣行為的同時也將對接入配網帶來較大的衝擊。國內外研究人員對電動汽車的充 電做了大量的研究，但現有EV充電負荷優化策略還存在各種各樣的問題，或假定電動汽車 充電行為完全可控，忽略了隨機性，或策略優化目標過於單一，或初始時刻EV電池荷電狀 態模型不能真實反映實際充電負荷狀態等。
【發明內容】
[0004] 本發明提供一種基於非支配排序遺傳算法的EV充電負荷多目標隨機規劃方法， 通過結合配電系統最優運行的要求，考慮了多個隨機因素的影響，建立了新的基於EV充電 負荷的配電網多目標隨機優化模型，利用改進的非支配排序遺傳算法-II (non-dominated sorting genetic algorithm-2，NSGA_2)求解，以電動汽車蓄電池滿充、蓄電池充電功率不 越限及配網潮流約束等作為約束條件，以配電網網損、電源節點負荷峰值、負荷波動情況優 化為子目標，實現EV充電負荷多目標隨機規劃。
[0005] -種基於非支配排序遺傳算法的電動汽車EV充電負荷多目標隨機規劃方法，所 述方法包括：汽車剩餘荷電狀態與返家時間分布。
[0006] 通過對統計數據的數理估計可得汽車的日行駛裡程服從對數正態分布
[0007]
【權利要求】
1. 一種基於非支配排序遺傳算法的電動汽車EV充電負荷多目標隨機規劃方法，所述 方法包括： (1) 、構建汽車剩餘荷電狀態與返家時間分布的數學模型；
⑴ 其中，St(rtal為電池充滿狀態下EV最長行駛裡程；Ss。。表示電池的荷電狀態；S = 0.88 ; u = 3. 2 ； 如EV在最後一次返家後立即接入智能汽車充電站開始充電，則EV最後一次返家時間 t滿足如下分布：
(2) 該分布服從正態分布，標準差為St，期望為yt; (2) 、選擇充電負荷優化子目標： (a)、以整個優化周期內網損最小作為EV充電負荷優化子目標：
(3) 其中，M為整個優化周期內的時段數，N為配網支路數，口^、(^」、1^、\分別為優化周期 第j個優化時段內第i條支路末端節點有功功率、無功功率、支路電阻及末端節點電壓；通 過整個優化周期內網損最小能夠減少充電負荷接入配電網的衝擊，且能夠實現削峰填谷作 用；對於實現網損最小可以在不改變網絡結構的情況下，調節網絡運行狀態，消除過載及平 衡負荷，應滿足以下不等式約束： Vi，min 彡 KVf， (4) 其中，為節點電壓上下限； 滿足以下等式約束：
(5) 其中，分別為第j個優化時段第i條支路末端節點基礎負荷有功功率、無功 功率，[分別為第j個優化時段第i條支路末端節點EV充電疊加的有功功率、無功 功率；
C6) 其中，NnUDbCT為第j個優化時段第i條支路末端節點接入的EV數量；需要滿足如下 約束：
(7) 其中，分別為EV充電功率上下限；q表示EV蓄電池在該時段不充電的概率， 0 < q < 1 ； 滿足如下約束：
(8) e為ev充電功率因數角； (b) 、以整個優化周期內流過電源節點的負荷峰值最小作為EV充電負荷優化子目標： min maxpTJ j G [1, M] (9) 其中，P"為電源節點在優化周期內第j個時段的有功功率大小，M為整個優化周期內 的時段數；
其中，g為電源節點在優化周期內的負荷均值；因此，基於EV充電負荷的優化可以用數學描述為如下多目標多約束優化問題： (c) 、P敕冬找固加由由姬#佔的傷益、油油晶，丨、你乇pv充電負荷優化子目標： (10)
(11) 其中，其中，M為整個優化周期內的時段數，N為配網支路數，Pi，j、qi，j、ri、\分別為優 化周期第j個優化時段內第i條支路末端節點有功功率、無功功率、支路電阻及末端節點電 壓；P"為電源節點在優化周期內第j個時段的有功功率大小；巧為電源節點在優化周期內 的負荷均值； 滿足如下約束條件：
(12) 其中，為節點電壓上下限；、<；"分別為第j個優化時段第i條支路末 端節點基礎負荷有功功率、無功功率，分別為第j個優化時段第i條支路末端節 點EV充電疊加的有功功率、無功功率；口1_41_分別為￡￥充電功率上下限冰表示第1^輛 EV;SSQC(i，M，k)為優化周期內第M個時段末，即優化結束時，各量EV電池滿充容量； (3) 、選擇實數編碼的非支配排序遺傳算法NSGA-2求其Pareto解集； (d) 、算法選擇多項式變異算子及模擬二進位交叉（simulated binary crossover, SBX)算子執行進化操作，並利用聯賽法選擇較優個體進入下一代，聯賽規模取為種群大小 的一半，為避免機器時間的浪費，在固定遺傳代數的終止條件下，增加新的循環終止條件： 當連續5代進化操作得到的非支配解集合內所有個體對三個子目標的平均適應度都不小 於之前得到的Pareto解集的最小適應度時，即認為算法已經收斂到了 Pareto最優解，終止 循環； (e) 優化起始時段7:00到22:00,原始負荷曲線維持在一個較高的水準，因此在這一時 段應以較大的概率q:使得EV充電功率為0,而在餘下的時段以較小的概率q2加速EV充電， 為此設置啟發算子：
(13) 初始化編碼過程中，％均按上式啟發算子編碼，該啟發算子避免了原有遺傳算法編 碼的盲目性，有效地加速了算法的收斂； (f) 對於約束的處理：在原有染色體串上添加一約束違背懲罰位Spm :對違背節點電壓 約束的染色體較大懲罰Spm = inf，對違背soc約束的染色體分段懲罰：① Ss。。> 1或Ss。。 < 0 時，Spen = inf ;② 0? 9 彡 S彡 1 時，Spen = 0 ;③ 0 彡 Ssoc 彡 0? 9 時，心，/ V.9-U， f為懲罰係數，隨著遺傳代數增大而增大； (4) 約束違背懲罰位在算法中的作用：重新定義pareto優勝：對於個體i和j，當且僅 當fi (n)彡f」(n)對於所有n個子目標成立，且至少存在一個k G n使得(k)彡f」(k)成 立，另且= $/?,成立，才能使得個體i優於個體j ;其中，fi (n)為第i個個體對第n個子 目標的適應值。
【文檔編號】G06Q50/06GK104281889SQ201410523671
【公開日】2015年1月14日 申請日期:2014年10月8日 優先權日:2014年10月8日
【發明者】李錳, 王利利, 劉巍, 黃澤華, 李鵬, 王志剛 申請人:國家電網公司, 國網河南省電力公司經濟技術研究院