鄧志賢，蘭玉清，陳進(jìn)

（1.云南電網(wǎng)有限責(zé)任公司昆明供電局，昆明 650000；2.昆明云鍺高新技術(shù)有限公司，昆明 650000）

0 前言

隨著電動(dòng)汽車推廣，充電設(shè)施的建設(shè)也迫在眉睫，而對(duì)某區(qū)域充電負(fù)荷進(jìn)行預(yù)測(cè)，就成了指導(dǎo)充電設(shè)施規(guī)劃的基礎(chǔ)。而在充電設(shè)施規(guī)劃的基礎(chǔ)上，又可以對(duì)電動(dòng)汽車充電策略進(jìn)行研究。只有在負(fù)荷預(yù)測(cè)的基礎(chǔ)上有步驟地進(jìn)行電動(dòng)汽車充電設(shè)施建設(shè)，才能在推進(jìn)電動(dòng)汽車發(fā)展的同時(shí)提高充電設(shè)施的利用率和減小電網(wǎng)負(fù)荷峰谷差。

電動(dòng)汽車對(duì)于能量的需求全部來源于電能。電能作為一種清潔能源，相比于直接燃燒一次能源，有著更高的能源利用率，同時(shí)，也避免了化石燃料燃燒所引起的二氧化碳、二氧化硫等溫室氣體的排放。目前，國(guó)內(nèi)外學(xué)者已經(jīng)提出了一些充電樁規(guī)劃方案和電動(dòng)汽車有序充電策略。包括將電動(dòng)汽車充電過程參與系統(tǒng)頻率調(diào)節(jié)、減少配電網(wǎng)損耗、降低峰值和低谷、抑制新能源輸出波動(dòng)等。

1 研究問題的提出

針對(duì)電動(dòng)汽車的推廣，需要對(duì)電動(dòng)汽車充電設(shè)施進(jìn)行合理的規(guī)劃。文獻(xiàn)[1]考慮電動(dòng)汽車接入電網(wǎng)(V2G)技術(shù)作用，建立合理的電價(jià)機(jī)制，引導(dǎo)電動(dòng)汽車用戶在負(fù)荷高峰期合理有序地充放電，對(duì)充電站作為電源和負(fù)荷運(yùn)行分別定義相應(yīng)的運(yùn)行權(quán)系數(shù)，用于計(jì)算配網(wǎng)綜合運(yùn)行成本。大部分是對(duì)充電站的選址問題、充電設(shè)施建設(shè)模式對(duì)于電網(wǎng)的影響、優(yōu)化布局等進(jìn)行研究。在此基礎(chǔ)上，通過對(duì)充電站的合理規(guī)劃，提高充電樁利用率，以降低充電設(shè)施建設(shè)成本為目標(biāo)。

針對(duì)電動(dòng)汽車對(duì)電網(wǎng)產(chǎn)生的影響，需要對(duì)電動(dòng)汽車充電進(jìn)行控制。文獻(xiàn)[2]討論了電動(dòng)汽車荷載的隨機(jī)性。通過負(fù)荷預(yù)測(cè)和軋制優(yōu)化，提高了電動(dòng)汽車有序充電的峰值填充效果。文獻(xiàn)[3]分析了區(qū)域電網(wǎng)中的電動(dòng)汽車如何與風(fēng)電協(xié)調(diào)合作，減少負(fù)荷波動(dòng)，使用動(dòng)態(tài)規(guī)劃方法解決負(fù)載波動(dòng)問題。這些研究主要是讓電動(dòng)汽車充電過程參與系統(tǒng)頻率調(diào)節(jié)、減少配電網(wǎng)損耗、降低峰值和低谷、抑制新能源輸出波動(dòng)等。因此需要研究以最小化系統(tǒng)等效負(fù)荷峰谷差為目標(biāo)。達(dá)到節(jié)約電網(wǎng)運(yùn)行和投資成本，提高設(shè)備利用率的目的。

因此，如何基于充電負(fù)荷預(yù)測(cè)結(jié)果對(duì)充電樁數(shù)量進(jìn)行規(guī)劃，如何在規(guī)劃的基礎(chǔ)上實(shí)現(xiàn)有序充電是目前研究的重點(diǎn)。

2 研究方案

以電動(dòng)汽車充電設(shè)施規(guī)劃以及充電策略的制定為目標(biāo)進(jìn)行研究。主要內(nèi)容大致分為以下三部分：

1）對(duì)電動(dòng)汽車行駛特性與分類，在行駛里程、出行次數(shù)、充電概率等因素進(jìn)行了分析，根據(jù)這些影響因素的特性構(gòu)造一個(gè)簡(jiǎn)單、適用的概率模型或隨機(jī)模型，即利用蒙特卡洛法產(chǎn)生電動(dòng)汽車充電起始時(shí)刻、充電時(shí)長(zhǎng)等方面的數(shù)據(jù)。使問題的解對(duì)應(yīng)于該模型中隨機(jī)變量的某些特征（如概率、均值和方差等），所構(gòu)造的模型在主要特征參量方面要與實(shí)際問題或系統(tǒng)相一致。基于這些特性利用蒙特卡洛法產(chǎn)生符合實(shí)際的隨機(jī)數(shù)據(jù)，并利用MATLAB進(jìn)行建模得到電動(dòng)汽車充電負(fù)荷需求預(yù)測(cè)結(jié)果。

2）基于電動(dòng)汽車充電負(fù)荷預(yù)測(cè)結(jié)果，以提高充電樁利用率、縮小充電站建設(shè)成本為目標(biāo)采用PSO尋優(yōu)算法對(duì)充電樁數(shù)量進(jìn)行了規(guī)劃，在實(shí)例的基礎(chǔ)上進(jìn)行了仿真，確定了區(qū)域內(nèi)優(yōu)化后充電樁的數(shù)量及建設(shè)成本，驗(yàn)證了本文所提出規(guī)劃方法的有效性。

3）在充電樁規(guī)劃結(jié)果的基礎(chǔ)上，從電網(wǎng)角度出發(fā)，以負(fù)荷峰谷差最小從而降低調(diào)度成本為目標(biāo)。依然采用PSO尋優(yōu)算法，通過仿真結(jié)果分析制定了電動(dòng)汽車充電策略并證明了該策略的可行性。

3 算例分析

3.1 場(chǎng)景介紹

在一個(gè)城區(qū)內(nèi)，該區(qū)域主要包含了居民區(qū)、商場(chǎng)、寫字樓三種不同功能的區(qū)域。而根據(jù)功能種類的不同，各區(qū)域所包含的電動(dòng)汽車的用戶種類也有所差別，同時(shí)在電動(dòng)汽車充電行駛特性、充電特性等也有很大差別。比如，居民樓用戶的充電時(shí)間大部分集中于夜晚，而寫字樓用戶則在白天集中充電，商場(chǎng)則一直人來人往，故其充電時(shí)間則比較分散，屬于一直含有充電用戶的類別。因此我們可以綜合這幾類因素以達(dá)到協(xié)調(diào)充電，完成提高充電效率的目的。區(qū)域規(guī)劃圖如圖1。

其 中， 居 民 樓 為：A1、A2、A3、B1、D1、D2、D3；寫字樓為：B3、C1、C3；商業(yè)區(qū)為：B2、C2。

圖1 區(qū)域規(guī)劃圖

為節(jié)省充電區(qū)域占地面積及方便用戶充電，計(jì)劃在居民區(qū)B1，寫字樓C3兩處集中建設(shè)充電樁，而充電方式也采用常規(guī)充電方式，其充電功率為W=7 kW。根據(jù)電動(dòng)汽車的行駛特性，在利用蒙特卡洛產(chǎn)生隨機(jī)數(shù)據(jù)時(shí)，利用混合高斯分布對(duì)電動(dòng)汽車的充電特性進(jìn)行以下確定。具體參數(shù)設(shè)置如表1。

表1 混合高斯分布參數(shù)

表1中，k表示權(quán)重，E表示均值，δ表示方差。

3.2 電動(dòng)汽車充電負(fù)荷需求預(yù)測(cè)

3.2.1 蒙特卡洛在本文中應(yīng)用

針對(duì)三種不同區(qū)域用戶，從用戶數(shù)量、行駛特性、充電特性三個(gè)因素進(jìn)行仿真，仿真數(shù)據(jù)則源于采集的實(shí)際充電特性結(jié)合蒙特卡洛法產(chǎn)生的隨機(jī)數(shù)據(jù)。由蒙特卡洛法，根據(jù)概率模型的特點(diǎn)和隨機(jī)變量的分布特性，設(shè)計(jì)和選取合適的抽樣方法，并對(duì)每個(gè)隨機(jī)變量進(jìn)行抽樣。按照所建立的模型進(jìn)行仿真試驗(yàn)、計(jì)算，求出問題的隨機(jī)解。根據(jù)充電時(shí)刻和日行駛里程數(shù)之間的數(shù)學(xué)關(guān)系，利用概率論中二維分布的相關(guān)知識(shí)最終得到概率密度分布，但在進(jìn)行仿真時(shí)發(fā)現(xiàn)該概率密度函數(shù)表達(dá)式為含參數(shù)的定積分，不易產(chǎn)生隨機(jī)數(shù)，因此先求出充電電能，最后計(jì)算充電時(shí)間常數(shù)的方法，從而避免了充電時(shí)間復(fù)雜的表達(dá)式。采用Acceptance-Rejection Method 進(jìn)行模擬。結(jié)果如圖2所示。

圖2 一天內(nèi)各時(shí)刻單輛功率需求的期望與標(biāo)準(zhǔn)差

以上分析了在居民區(qū)無規(guī)劃管理情況下一天內(nèi)單輛電動(dòng)汽車充電功率需求的數(shù)學(xué)模型，但實(shí)際情況是一天內(nèi)有多輛汽車需要充電，由中心極限定理可知，在某一時(shí)刻假設(shè)有N輛汽車需要充電，只要N足夠大，這N輛電動(dòng)汽車的總體功率需求將呈現(xiàn)正態(tài)分布，并且其期望為，方差為。其中和分別是單輛車在這一時(shí)刻充電功率需求的期望和標(biāo)準(zhǔn)差，可由上述仿真結(jié)果求得。根據(jù)正態(tài)分布原則，我們可以將內(nèi)這個(gè)區(qū)間作為置信區(qū)間來估計(jì)功率需求的上下限。在仿真中，取N=1000，則這1000輛汽車充電功率需求將如圖2所示分布在兩條線之間。從圖2中還可以看出，汽車總體功率需求在19:30最大。

圖3 寫字樓負(fù)荷預(yù)測(cè)

3.2.2 負(fù)荷預(yù)測(cè)結(jié)果

在該模型內(nèi)主要包含了居民區(qū)、商場(chǎng)、寫字樓三種不同功能的區(qū)域。根據(jù)不同區(qū)域用戶類型的不同，其電動(dòng)汽車充電功率需求也有很大差異。

1）由寫字樓大部分為上班族的特點(diǎn)，其充電時(shí)間普遍集中在白天。在一天內(nèi)該區(qū)域電動(dòng)汽車充電負(fù)荷特性預(yù)測(cè)結(jié)果如圖3所示。

以下四個(gè)圖為寫字樓區(qū)域在不同數(shù)量（N）電動(dòng)汽車下的充電負(fù)荷特性預(yù)測(cè)結(jié)果，橫軸為時(shí)間T，令15 min為一個(gè)單位則一天時(shí)間可換算為96個(gè)單位時(shí)間，縱軸為該區(qū)域總充電功率需求。觀察預(yù)測(cè)結(jié)果圖可知用戶數(shù)量?jī)H影響負(fù)荷大小，并不會(huì)影響充電特性。在該區(qū)域電動(dòng)汽車數(shù)量N=473時(shí)，由預(yù)測(cè)結(jié)果圖可知極大功率需求數(shù)據(jù)為t=10:28 am，P=301.95 kW；t=18:00 pm，P=364.21 kW。

2）居民區(qū)充電時(shí)間集中于夜晚，可能在白天也存在少部分充電用戶，但可以通過合理的提議讓居民區(qū)用戶將充電時(shí)間安排在夜晚，以便于平衡充電功率。在一天內(nèi)該區(qū)域電動(dòng)汽車充電負(fù)荷特性預(yù)測(cè)結(jié)果如圖4所示。

以下四個(gè)圖為居民區(qū)域在不同數(shù)量（N）電動(dòng)汽車下的充電負(fù)荷特性預(yù)測(cè)結(jié)果，橫軸為時(shí)間T，令15 min為一個(gè)單位則一天時(shí)間可換算為96個(gè)單位時(shí)間，縱軸為該區(qū)域總充電功率需求。在該區(qū)域電動(dòng)汽車數(shù)量N=568時(shí)，由預(yù)測(cè)結(jié)果圖可知極大功率需求數(shù)據(jù)為t=1:28 am，P=446.27 kW；t=23:15 pm，P=358.62 kW。分別對(duì)應(yīng)的功率需求存在兩個(gè)波峰的原因是電動(dòng)汽車充電完成大約在5小時(shí)，可安排充電站管理人員通過合理的規(guī)劃將電動(dòng)汽車分為兩批進(jìn)行充電。

圖4 居民區(qū)負(fù)荷預(yù)測(cè)

3）商業(yè)區(qū)的充電功率特性則比較穩(wěn)定，因?yàn)樵谏虡I(yè)區(qū)營(yíng)業(yè)期間會(huì)有不斷來往的消費(fèi)者，因此不會(huì)存在較大波動(dòng)。在一天內(nèi)該區(qū)域電動(dòng)汽車充電負(fù)荷特性預(yù)測(cè)結(jié)果如圖5所示。

圖5 商業(yè)區(qū)負(fù)荷預(yù)測(cè)

以上四個(gè)圖為商業(yè)區(qū)在不同數(shù)量（N）電動(dòng)汽車下的充電負(fù)荷特性預(yù)測(cè)結(jié)果，橫軸為時(shí)間T，令15 min為一個(gè)單位則一天時(shí)間可換算為96個(gè)單位時(shí)間，縱軸為該區(qū)域總充電功率需求。在消費(fèi)高峰期會(huì)存在一定的峰值。在該區(qū)域電動(dòng)汽車數(shù)量N=710時(shí)，由預(yù)測(cè)結(jié)果圖可知極大功率需求數(shù)據(jù)為t=11:15 am，P=167.34 kW；t=19:25 pm，P=229.73 kW。雖然商業(yè)區(qū)的流動(dòng)車輛比較多，但由于去商場(chǎng)的電動(dòng)汽車用戶大部分是就餐、購(gòu)物、娛樂等原因，停留時(shí)間一般不會(huì)超過兩小時(shí)，因此絕大部分用戶不會(huì)對(duì)車輛進(jìn)行充電。

3.3 電動(dòng)汽車充電樁數(shù)量規(guī)劃

3.3.1 PSO尋優(yōu)算法在充電樁規(guī)劃應(yīng)用

本模型中需要建設(shè)兩個(gè)充電站，因此也涉及到優(yōu)化方面問題，根據(jù)粒子群改進(jìn)算法對(duì)兩個(gè)充電站的充電樁數(shù)量進(jìn)行優(yōu)化。從而達(dá)到優(yōu)化設(shè)計(jì)的目的。采用的改進(jìn)算法的改進(jìn)方面是隨機(jī)權(quán)重策略，即隨機(jī)地選取ω值，使得微粒歷史速度對(duì)當(dāng)前速度的影響是隨機(jī)的，為服從某種隨機(jī)分布的隨機(jī)數(shù)，從一定程度上可從兩方面克服ω的線性遞減帶來的不足。首先，如果在進(jìn)化初期接近最好點(diǎn)，隨機(jī)ω可能產(chǎn)生相對(duì)較好的ω值，加快算法的收斂速度。另外，如果在算法初期找不到最優(yōu)點(diǎn)，ω的線性遞減，使得算法最終收斂不到此最好點(diǎn)，而ω的隨機(jī)生成可以克服此局限。ω的計(jì)算公式如下：

在公式1中，N（0,1）表示標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)，rand(0,1)表示0到1之間的隨機(jī)數(shù)。研究表明，隨機(jī)權(quán)重策略的PSO算法對(duì)于多峰函數(shù)，能在一定程度上避免陷于局部最優(yōu)，該方法多用于動(dòng)態(tài)系統(tǒng)中。

3.3.2 充電樁優(yōu)化結(jié)果

優(yōu)化目標(biāo)：充電站建設(shè)成本

公式2中，C為優(yōu)化后兩個(gè)充電站的建設(shè)總成本；N為兩個(gè)充電站建設(shè)充電樁總數(shù)；N1為居民區(qū)B1處充電站充電樁數(shù)目，在B1充電站處原有10個(gè)充電樁，且根據(jù)空間條件最多能在該點(diǎn)建設(shè)100個(gè)充電樁，因此10≤N1≤100；N2為寫字樓C3處充電站充電樁數(shù)目，在C3充電站處原有16個(gè)充電樁，且根據(jù)空間條件最多能在該點(diǎn)建設(shè)80個(gè)充電樁，因此16≤N2≤80；P1、P2為兩個(gè)充電站充電樁的單個(gè)建設(shè)成本，P1=1.84萬(wàn)元、P2=2.17萬(wàn)元；a、b為充電樁價(jià)格波動(dòng)系數(shù)，會(huì)跟隨N1、N2變化，具體情況如表2所示。

表2 價(jià)格波動(dòng)系數(shù)

在優(yōu)化計(jì)算過程中，保留一定裕度，設(shè)置裕度k=1.1。通過隨機(jī)權(quán)重策略的粒子群算法尋優(yōu)計(jì)算之后得到結(jié)果，在B1居民樓電動(dòng)汽車充電站需建設(shè)充電樁數(shù)量N1=54個(gè)，在C3寫字樓電動(dòng)汽車充電站需建設(shè)充電樁數(shù)量N2=37個(gè)，兩個(gè)充電站的優(yōu)化成本為C=172.464萬(wàn)元。

在充電樁數(shù)量?jī)?yōu)化后將寫字樓、居民區(qū)、商業(yè)區(qū)三塊區(qū)域的預(yù)測(cè)充電功率進(jìn)行疊加，得到該模型內(nèi)的預(yù)測(cè)功率需求總和。模型中電動(dòng)汽車充電負(fù)荷特性總和預(yù)測(cè)結(jié)果如圖6所示。

其中，橫軸為時(shí)間t，令15 min為一個(gè)單位，則一天時(shí)間可換算為96個(gè)單位時(shí)間，縱軸為該區(qū)域總充電功率需求。在該封閉模型中電動(dòng)汽車充電負(fù)荷特性總和預(yù)測(cè)圖中，最大需求功率為Pmax=576.436 kW，時(shí)間t=72、即區(qū)域最大功率需求時(shí)間出現(xiàn)在晚上六點(diǎn)。

3.4 有序充電策略

3.4.1 PSO尋優(yōu)算法在有序充電應(yīng)用

在研究電動(dòng)汽車有序充電過程中依然采用粒子群改進(jìn)算法進(jìn)行優(yōu)化，從而實(shí)現(xiàn)最小化系統(tǒng)等效負(fù)荷峰谷差的目的。且依然采用隨機(jī)權(quán)重策略的PSO改進(jìn)算法。

3.4.2 有序充電優(yōu)化結(jié)果

1）有序充電的主要是為了實(shí)現(xiàn)最小化系統(tǒng)等效負(fù)荷峰谷差，達(dá)到節(jié)約電網(wǎng)運(yùn)行和投資成本，提高設(shè)備利用率的目的優(yōu)化目的。減小負(fù)荷的峰谷差是指減小某區(qū)域的日負(fù)荷峰谷差，這就需要在該區(qū)域日負(fù)荷曲線的基礎(chǔ)上，去尋找限定條件下最優(yōu)的充電策略。在3.1節(jié)所介紹的場(chǎng)景下設(shè)置有473輛電動(dòng)汽車情況下，按照常規(guī)負(fù)荷情況對(duì)該區(qū)域進(jìn)行日負(fù)荷預(yù)測(cè)。其日負(fù)荷曲線如圖7所示。

圖6 負(fù)荷預(yù)測(cè)總和

該曲線是通過對(duì)某城區(qū)的日負(fù)荷結(jié)果進(jìn)行統(tǒng)計(jì)并結(jié)合設(shè)計(jì)場(chǎng)景而得，得到的初始曲線是一個(gè)波動(dòng)頻率較高的鋸齒形曲線，通過高斯變換之后將其變?yōu)橐粭l光滑的曲線。從該日負(fù)荷曲線中可以得知，該區(qū)域最大日負(fù)荷點(diǎn)出現(xiàn)在t=18:24 pm，此時(shí)P=7668.6763 kW，而最小負(fù)荷點(diǎn)出現(xiàn)在t=6:21 pm，此時(shí)P=4547.5409 kW。

圖7 日負(fù)荷曲線

2）通過PSO尋優(yōu)算法得到電動(dòng)汽車有序充電的功率需求總和，在一天內(nèi)該模型中電動(dòng)汽車充電負(fù)荷特性總和預(yù)測(cè)結(jié)果如圖8所示。

其中，橫軸為時(shí)間t，令15 min為一個(gè)單位，則一天時(shí)間可換算為96個(gè)單位時(shí)間，縱軸為該區(qū)域總充電功率需求。在該封閉模型中電動(dòng)汽車充電負(fù)荷特性總和預(yù)測(cè)圖中，優(yōu)化前最大需求功率為Pmax=576.436 kW，時(shí)間t=72、即區(qū)域最大功率需求時(shí)間出現(xiàn)在晚上六點(diǎn)，優(yōu)化后Pmax=368.578 kW。

圖8 優(yōu)化前后負(fù)荷預(yù)測(cè)結(jié)果

3）在得到該場(chǎng)景內(nèi)日負(fù)荷曲線的情況下，我們可以在此基礎(chǔ)上加入電動(dòng)汽車無序充電和有序充電的情況。具體情況如圖9所示。

圖9 有序充電前后日負(fù)荷曲線

在圖9中，紅色曲線是電動(dòng)汽車進(jìn)行無序充電情況下該區(qū)域的日負(fù)荷情況，藍(lán)色曲線是電動(dòng)汽車在有序充電情況下該區(qū)域的日負(fù)荷情況?？梢钥闯?，有序充電情況下抑制負(fù)荷峰谷差效果并不是很明顯，這是由于電動(dòng)汽車充電負(fù)荷相對(duì)于該區(qū)域總負(fù)荷而言占比很小的原因。但是也可以看出在有序充電情況下日負(fù)荷曲線變得更加平緩，波動(dòng)更小。在8:24 am至第二天凌晨2:48 am可以看到明顯的優(yōu)化效果，而在另一時(shí)間段由于電動(dòng)汽車充電負(fù)荷需求較小，則優(yōu)化效果較小。兩條曲線的總電量都為W=158 843.28 kW.h，Pav=66 18.47 kW，電動(dòng)汽車的有序充電使負(fù)荷峰值從無序時(shí)的8217.6 kW下降到8042.9 kW，下降了174.7 kW；負(fù)荷峰值從無序時(shí)的4796.2 kW上升到4817.6 kW，上升了21.4 kW。從負(fù)荷整體趨勢(shì)上著眼，有序充電方式使配電網(wǎng)的峰谷差率從初始的41.6%下降至40.1%，一定程度上平抑了配電網(wǎng)的負(fù)荷波動(dòng)，減小了負(fù)荷峰谷差，改善了負(fù)荷特性。采用本文提出的雙層模型充電方案，電動(dòng)汽車通過在峰荷時(shí)放電緩解了電網(wǎng)的調(diào)峰壓為，減少了電網(wǎng)運(yùn)行的備用容量，提高了系統(tǒng)運(yùn)行的可靠性和經(jīng)濟(jì)性。兩種不同的充電方式情況下，電動(dòng)汽車對(duì)該區(qū)域總負(fù)荷的影響情況如表3。

表3 不同充電方式下電網(wǎng)負(fù)荷的峰谷差

根據(jù)表格中的優(yōu)化計(jì)算數(shù)據(jù)可以看出在有序充電情況下負(fù)荷峰谷差得到了明顯改善。而在抑制負(fù)荷波動(dòng)方面有序充電較無序充電而言有明顯改善。

3.5 小結(jié)

本章首先對(duì)算例的場(chǎng)景進(jìn)行了一定的介紹，對(duì)其中的一些條件因素進(jìn)行限制規(guī)定；而后，基于電動(dòng)汽車行駛特性（行駛里程、出行次數(shù)、充電概率）對(duì)電動(dòng)汽車充電負(fù)荷進(jìn)行了預(yù)測(cè)；然后，基于電動(dòng)汽車充電負(fù)荷預(yù)測(cè)結(jié)果，采用PSO尋優(yōu)算法對(duì)充電樁數(shù)量進(jìn)行了規(guī)劃；最后，在規(guī)劃結(jié)果的基礎(chǔ)上，從電網(wǎng)角度出發(fā)，以負(fù)荷峰谷差最小為目標(biāo)，制定了電動(dòng)汽車充電策略。仿真結(jié)果驗(yàn)證了本文所提出規(guī)劃方法以及充電策略的有效性。

4 結(jié)束語(yǔ)

為了提高電動(dòng)汽車充電樁效率，節(jié)約成本，引導(dǎo)用戶進(jìn)行有序充電，本文建立了一種基于改進(jìn)粒子群算法的電動(dòng)汽車有序充電控制模型，充分考慮了電動(dòng)汽車的運(yùn)行特性、充電特性，將模型解耦為基于時(shí)間尺度優(yōu)化調(diào)度子模型。算例表明，該模型可以實(shí)現(xiàn)24小時(shí)實(shí)時(shí)電動(dòng)汽車充電優(yōu)化控制，實(shí)現(xiàn)提高充電樁效率和激勵(lì)用戶有序充電的雙重優(yōu)化目標(biāo)。具體的研究成果總結(jié)如下：

1）大規(guī)模電動(dòng)汽車的無序充電行為會(huì)對(duì)電網(wǎng)運(yùn)行帶來許多挑戰(zhàn)，本文首先研究了電動(dòng)汽車的充電負(fù)荷特性和負(fù)荷建模，而電動(dòng)汽車的充電負(fù)荷特性主要受汽車保有量、汽車充電方式、開始充電時(shí)間、充電功率、充電時(shí)長(zhǎng)和充電頻率等因素影響，在蒙特卡洛法概率抽樣的基礎(chǔ)上，計(jì)算規(guī)?；妱?dòng)汽車的充電負(fù)荷需求量，然后通過改進(jìn)PSO算法得到在設(shè)計(jì)場(chǎng)景中的充電樁數(shù)量最優(yōu)解，最終降低充電功率峰值差，從而實(shí)現(xiàn)提高電動(dòng)汽車充電樁效率的目標(biāo)。

2）電動(dòng)汽車作為一種良好的需求側(cè)響應(yīng)資源，本文在研究電動(dòng)汽車有序充電時(shí)考慮了在安全約束的條件下，首先根據(jù)電動(dòng)汽車充電負(fù)荷預(yù)測(cè)結(jié)果對(duì)充電樁進(jìn)行了規(guī)劃，然后在充電樁規(guī)劃結(jié)果的基礎(chǔ)上構(gòu)建了合理的有序充電模型，通過在不同時(shí)刻調(diào)度電動(dòng)汽車合理接入到節(jié)點(diǎn)實(shí)現(xiàn)了電動(dòng)汽車充電功率優(yōu)化，最后通過改進(jìn)PSO算法得到最優(yōu)解，實(shí)現(xiàn)最小化系統(tǒng)等效負(fù)荷峰谷差，達(dá)到節(jié)約電網(wǎng)運(yùn)行和投資成本，提高設(shè)備利用率的優(yōu)化目的。