摘 要：以減小負荷峰谷差為目標(biāo)，結(jié)合電動汽車用戶的實際充電行為，提出了一種基于改進遺傳算法的電動汽車實時預(yù)估有序充電控制策略。通過對接入的部分電動汽車進行預(yù)估充電克服了傳統(tǒng)遺傳算法在處理電動汽車充電問題時的搜索空間大、收斂性差、容易陷入維數(shù)災(zāi)等缺點，同時還降低了負荷曲線的峰谷差率，減小負荷波動。采用蒙特卡洛模擬方法模擬電動汽車用戶的充電需求，對比分析不同電動汽車預(yù)估充電比例下的仿真結(jié)果，研究結(jié)果表明，本文提出的方法在提高算法收斂性的同時，能夠有效地減小負荷波動，降低峰谷差率。

0 引言

作為新一代的交通工具，電動汽車在降低人類化石燃料消耗、減少碳排放等方面有著顯著的功效。但隨著大量電動汽車隨機無序接入電網(wǎng)充電，其必然帶來新一輪的負荷增長，如果不對其進行有序協(xié)調(diào)控制，就很有可能降低電網(wǎng)運行效率，危害電網(wǎng)的安全性、穩(wěn)定性和經(jīng)濟性。因此，如何利用有效的控制手段實現(xiàn)電動汽車有序充電，是國內(nèi)外學(xué)者研究的重點。

本文以私家電動汽車常規(guī)充電方式為研究對象，提出了一種用于將分布式接入的電動汽車在能量和信息上整合的實時預(yù)估充電集中控制系統(tǒng)，并在對傳統(tǒng)遺傳算法改進的基礎(chǔ)之上，提出了一種新的電動汽車有序充電控制策略，該策略通過對一部分電動汽車進行預(yù)估充電，在保證算法收斂性的同時有效地減小負荷曲線波動，降低峰谷差率。最后，本文以某區(qū)域配電網(wǎng)為例，采用蒙特卡洛模擬方法對比分析了在不同預(yù)估充電電動汽車比例下的仿真結(jié)果。

1 電動汽車實時預(yù)估充電集中控制系統(tǒng)

電動汽車集中控制系統(tǒng)是將整合后的電動汽車群接入配電網(wǎng)的中介系統(tǒng)，是大規(guī)模電動汽車與電網(wǎng)的接口，其根據(jù)區(qū)域內(nèi)配電網(wǎng)的實時信息和電動汽車用戶的需求信息，將該區(qū)域內(nèi)接入的電動汽車群作為一個能量整體參與電網(wǎng)運行，并由特定的管理策略控制每臺電動汽車的充放電過程。很多文獻在功能上對集中控制系統(tǒng)進行優(yōu)化，使得大規(guī)模分布式接入的電動汽車可以有效地參與電網(wǎng)調(diào)頻、機組組合優(yōu)化以及提高電網(wǎng)及用戶的經(jīng)濟性。

本文從功能上提出了一種用于減小峰谷差的實時預(yù)估充電集中控制系統(tǒng)，該系統(tǒng)主要功能模塊為信息采集與管理模塊以及優(yōu)化協(xié)調(diào)控制模塊，實時預(yù)估充電集中管理系統(tǒng)框圖如圖1所示。

信息采集與管理模塊主要用于對電網(wǎng)實時運行信息以及電動汽車充電需求信息進行采集與預(yù)處理，并向優(yōu)化協(xié)調(diào)控制模塊提供決策信息。

在電網(wǎng)側(cè)，其主要從區(qū)域配電網(wǎng)獲取電網(wǎng)運行狀態(tài)信息并根據(jù)該區(qū)域配電網(wǎng)的歷史常規(guī)負荷，預(yù)測當(dāng)日常規(guī)負荷曲線。本文采用96點的日負荷曲線預(yù)測方法，時間間隔為15min，用Pbj（ j=1,2,……,96）表示一天中第j個時間段內(nèi)常規(guī)負荷的大小。

在用戶側(cè)，其可自動獲取該電動汽車的接入時間αi、電池容量Ci以及當(dāng)前電池的荷電狀態(tài)等信息，同時為了制定電動汽車有序充電控制策略，用戶必須通過充電樁向?qū)崟r預(yù)估充電集中控制系統(tǒng)提供預(yù)期離開時間βi以及預(yù)期電動汽車荷電狀態(tài)信息。由于不同的充電方式對應(yīng)不同的充電功率，本文假設(shè)居民私家電動汽車采用常規(guī)充電，且充電過程為恒功率充電。

信息采集與管理模塊根據(jù)用戶充電需求信息進行預(yù)處理，確定一天中不同時間點接入的電動汽車接入狀態(tài)矩陣t，其元素tij表示第i輛電動汽車在第j個時間段的接入狀態(tài)，表示該電動汽車此時刻并未接入電網(wǎng)，則表示接入。

優(yōu)化協(xié)調(diào)控制模塊根據(jù)每個時間段信息采集與管理模塊提供的決策信息制定這個時間段內(nèi)所有接入的電動汽車的有序充電策略，并提供各充電機具體的充電行為。系統(tǒng)每15min更新一次，以制定未來時間段內(nèi)電動汽車有序充電控制策略。

2 電動汽車有序充電數(shù)學(xué)模型

以區(qū)域配電網(wǎng)峰谷差最小為目標(biāo)，目標(biāo)函數(shù)如下：

式中：P為電動私家車的恒定充電功率； nj為第j個時間段接入配電網(wǎng)的電動汽車總量；x為電動汽車的充電狀態(tài)矩陣，元素xij表第i輛車在第j個時間段的充電狀態(tài)，表示該車此時空閑，表示該車此時處于充電狀態(tài)； Po為計及電動汽車充電后配電網(wǎng)的理想負荷值，計算公式如下：

其中。

任意時刻電動汽車的荷電狀態(tài)都應(yīng)滿足如下約束：

式中：是一個時間段內(nèi)電動汽車充電電量。

電動汽車充電需求約束如下：

由此可見，上述優(yōu)化模型可認為是非線性0—1優(yōu)化組合問題，因此以二進制編碼為基礎(chǔ)的遺傳算法在解決這類問題上具有天然的可行性。

3 改進遺傳算法

電動汽車有序充電問題是一個大規(guī)模非線性0—1優(yōu)化問題，雖然遺傳算法天然地具備有效處理0—1問題的優(yōu)勢，但傳統(tǒng)的遺傳算法其較大的種群規(guī)模和隨機操作的遺傳算子并沒有結(jié)合電動汽車充電問題的特點，以至于在隨機交叉和變異過程中不僅會產(chǎn)生大量不可行解且收斂速度非常慢。針對這一問題，本文提出了一種減小可行域搜索范圍并提高收斂速度的改進遺傳算法。

3.1 編碼

本文要優(yōu)化的充電狀態(tài)矩陣為遺傳算法中的個體，每一個充電狀態(tài)矩陣包含了當(dāng)前接入的所有電動汽車的充電狀態(tài)，其具體形式為：

式中：xk為遺傳算法中第k個個體：xi為編碼矩陣的行向量，表示在某個時間段接入的該輛電動汽車在不同時刻的充電狀態(tài)。

第i輛電動汽車的可能充電時間區(qū)間并不是充電矩陣的任意位置（或一天中任意時刻），而是根據(jù)用戶充電需求信息，由該輛電動汽車的接入時間αi以及預(yù)期離開時間βi所決定。

3.2 初始化及適度函數(shù)選取

遺傳種群初始化時，按照編碼矩陣中行向量的順序進行。以xk中xi為例，初始化過程如下：

1）根據(jù)用戶錄入的充電需求信息，確定第i輛電動汽車的接入時間αi及預(yù)期離開時間βi，并進一步確定該輛電動汽車在這一天中的可能充電時間區(qū)間；

2）根據(jù)電動汽車的初始荷電狀態(tài)和用戶預(yù)期荷電狀態(tài)，確定電動汽車實際所需的充電段數(shù)。其中。

3）在該輛電動汽車的可能充電時間區(qū)間中，隨機選擇Jid個充電時刻作為該輛電動汽車的初始充電點。

本文選取目標(biāo)函數(shù)的倒數(shù)形式作為適度函數(shù)值，保證峰谷差率小的方案的基因被保留下來進行遺傳。

3.3 交叉操作和對偶變異

本文采用確定式采樣的方法在父代中選擇交配個體，并采用局部錦標(biāo)賽選擇法在父代個體和交叉?zhèn)€體間選擇子代個體。同時，為了加大搜索空間及收斂性，交叉操作可以重復(fù)進行幾次。

當(dāng)充電狀態(tài)矩陣中的某一位進行變異時，實際上改變了某輛電動汽車在某一時刻的充電狀態(tài)，為保證用戶的充電需求及電池壽命，就必須對該變異位進行補償，即選擇可能充電時間區(qū)間中除這一位的其他位進行對偶變異。

隨機選擇一個個體中的某一輛電動汽車以及其可能充電區(qū)間內(nèi)的一個變異點rand，對該點進行0—1變異，隨后在可能充電區(qū)間內(nèi)隨機選擇除這點以為的與該變異點原充電狀態(tài)相反的點進行對偶變異。

3.4 收斂性改進

采用上面的方法進行求解后發(fā)現(xiàn)，算法收斂速度很慢，即便進化代數(shù)很大，也無法得到理想的效果。這是由于充電狀態(tài)矩陣是一個大規(guī)模多維0—1矩陣，容易陷入維數(shù)災(zāi)。因此為了提高收斂性以及進一步減小峰谷差，本文對第j個時間段內(nèi)接入的一部分電動汽車采用預(yù)估充電的初始化方式，即根據(jù)電網(wǎng)的負荷信息，對這一部分電動汽車采用實時選擇性充電，具體過程如下：

1）判斷第j個時間段內(nèi)是否有新車接入，若有則選擇其中輛進行預(yù)估充電；

2）根據(jù)新接入電動汽車i的充電需求信息確定其接入時間αi、離開時間βi以及實際所需充電段數(shù)Jid，進而確定其可能充電時間區(qū)域；

3）在其可能充電區(qū)間內(nèi)選擇總負荷最小的點優(yōu)先進行充電，如下式：

4）重復(fù)第3）步直到滿足客戶充電需求；

5）重復(fù)第1）步至第4）步第直到選擇的輛電動汽車全部預(yù)估完畢；

由此可見，交叉操作并不會影響每個個體中進行預(yù)估充電的電動汽車，而只依靠變異操作來對預(yù)估充電的電動汽車進行微調(diào)。因此選擇進行預(yù)估充電的電動汽車數(shù)量要適中，太小不能提高算法收斂性，太大則容易造成局部最優(yōu)，本文取。算法流程圖如圖2所示。

4 基于蒙特卡洛模擬的仿真算例

4.1 參數(shù)設(shè)置

蒙特卡洛模擬是一種基于概率和統(tǒng)計理論的隨機模擬。本文基于私家電動汽車的時空分布，采用蒙特卡洛方法模擬一天中私家電動汽車的行駛情況，從而建立私家電動汽車充電負荷模型。

假設(shè)某區(qū)域內(nèi)有100輛私家電動汽車，且電動汽車已經(jīng)實現(xiàn)標(biāo)準(zhǔn)化，則常規(guī)充電的充電功率設(shè)為P＝7kW?？紤]到電動汽車電池壽命，可設(shè)。

改進遺傳算法的參數(shù)設(shè)置如下：種群大小為300，交叉概率為0.9，交叉重復(fù)次數(shù)為5，變異概率0.1，變異窗口大小為3，預(yù)估充電的電動汽車比例分別取。

4.2 結(jié)果分析

圖3為計及電動汽車充電的負荷曲線。圖4為在不同預(yù)估充電電動汽車比例下負荷的峰谷差率。結(jié)合圖3和圖4可以看出：在未采用預(yù)估充電時，即＝0時，采用一般遺傳算法雖然大大降低了因電動汽車無序充電而引起的負荷的劇烈增長，但其并為充分利用負荷低谷對電動汽車充電（即峰谷差率很大），且在用電高峰時仍然造成峰上疊峰；當(dāng)采用預(yù)估充電＝0.3時，負荷曲線更趨于平緩，進一步優(yōu)化了用電高峰時電動汽車的充電行為，未造成疊峰現(xiàn)象，同時，負荷峰谷差率也進一步減小。

但當(dāng)預(yù)估充電電動汽車比例系數(shù)進一步增大＝0.4時，雖然在負荷峰谷差率上有進一步優(yōu)化，但優(yōu)化效果并不明顯，且負荷曲線也與＝0.3時差異不大，當(dāng)＝0.5時，則其峰谷差率與＝0.4趨于相同。這是由于進行預(yù)估充電的電動汽車比例越大，遺傳算法的交叉操作的效果越弱，僅依靠變異來進行微調(diào)。因此預(yù)估充電的電動汽車比例應(yīng)該保持在適度的范圍內(nèi)，否則容易陷入局部最優(yōu)。

5 結(jié)論

本文根據(jù)傳統(tǒng)遺傳算法以二進制為基礎(chǔ)的特點，結(jié)合電動汽車用戶的實際充電行為，提出了一種基于改進遺傳算法的電動汽車有序充電控制策略。該策略在保證用戶充電需求的前提下，對部分電動汽車采用預(yù)估充電的初始化方法，既克服了傳統(tǒng)遺傳算法在處理電動汽車充電問題時的搜索空間大、收斂性差等缺點，同時還降低了負荷曲線的峰谷差率，避免了峰上疊峰的現(xiàn)象。本文通過蒙特卡洛方法模擬電動汽車用戶的充電行為，仿真結(jié)果表明，本文提出的基于改進遺傳算法的有序充電控制策略能夠有效的減小因電動汽車無序充電造成的負荷劇烈增長，減小負荷波動，避免峰上疊峰。

由于電動汽車不僅是充電負荷，在一定情況下還能作為移動儲能為電網(wǎng)提供輔助服務(wù)。因此下一步的研究側(cè)重于，通過電動汽車的V2G功能，真正地實現(xiàn)利用電動汽車削峰填谷。（劉劍欣，葉健誠，潘巍，徐青山，辛建波）