考慮電動汽車充電站的分布式電源優化配置研究

，，

(福州大學電氣工程與自動化學院,福建 福州 350116)

1 引言

隨著社會經濟的發展，人們對電力的需求持續增長，且化石燃料資源的短缺日益加深，環境問題不斷突出，而分布式電源( Distributed Generation,DG)和電動汽車技術作為新世紀節能減排的兩個重要技術手段，是未來主動配電網發展的主要方向。但是由于負荷的不確定性，分布式電源及充電站出力的隨機性，導致分布式電源和電動汽車在配電網中的接入將會影響配電系統的穩定性和安全性，同時給配電網規劃提出了新的挑戰，因此綜合考慮兩者對配電系統的影響，研究含電動汽車的分布式電源規劃具有重要的實際意義。

目前，對于分布式電源或電動汽車充電站的優化規劃問題，國內外已經許多的相關研究。但是將兩者關聯起來的相關研究還比較少，目前的研究大多還是進行獨立的DG或電動汽車充電站的優化配置研究。一些學者從系統投資成本、網絡損耗、可靠性等方面進行分布式電源的配置研究，如文獻[1]在貨幣量綱的基礎下建立了綜合系統費用模型，以DG的投資成本、購電成本、網絡損耗費用等為目標。文獻[2]基于負荷和DG出力的時序特性，提出了含有環境成本的分布式電源優化配置模型。文獻[3]考慮了DG 的減排指標，并利用1-9標度法構建了分布式電源低碳優化目標函數模型。一些學者亦從城市交通網絡、充電站投資、充電成本及充電行為等方面進行了電動汽車充電站的最優選址定容規劃。如文獻[4]提出了一種計及碳排放的電動汽車充電站多目標規劃模型，并且考慮了充電站的容量限制等約束條件。文獻[5]采用了Voronoi圖劃分了充電站的服務范圍，并基于排隊論的充電機配置方法，提出了公共充電站的布局優化規劃模型。文獻[6]在考慮了路網結構、車流信息及用戶的路程損耗等因素，提出了一種全社會成本最小的充電站優化規劃模型。文獻[7]基于機會約束建立了考慮光伏電源與充電站的優化配置模型，并采用改進的保留精英策略非支配排序的遺傳算法進行求解，但未涉及到風力發電，沒能考慮到風光的互補特性。文獻[8]在考慮電動汽車充電需求的提前下，構造了一種含電動汽車充電站的風光互補系統容量優化模型，但是沒有考慮負荷和分布式電源出力的時序特性。

因此，本文以風、光兩種類型分布式電源和電動汽車充電站為研究對象，基于負荷和分布式電源的時序特性，建立了考慮電動汽車充電站的分布式電源優化配置模型，以系統年綜合費用、網絡損耗費用、環境成本、負荷停電缺失成本及電壓偏移最小為目標函數。在對各指標進行權重賦值時利用改進的層次分析法，避免了傳統1-9標度層次分析法受人為主觀影響過強的缺點。最后采用改進的文化粒子群算法對規劃模型進行求解，并通過IEEE33節點配電系統算例仿真驗證了該規劃模型的有效性和合理性

2 考慮時序特性的DG優化規劃數學模型

2.1 負荷和DG的時序特性

(1)負荷的時序特性

本文以居民負荷、工業、農業和商業負荷為研究對象，分析不同類型負荷的典型日負荷特性曲線，如圖1所示。由圖可以看出居民負荷較小，每日用電負荷一般集中在16:00～20:00，農業負荷一天的波動性很小基本保持穩定，商業負荷一天的變化最突出，其用電負荷主要集中在早上的7:00～11:00和下午的13:00～16:00，四種類型負荷中工業負荷的負荷率最大，且負荷的波動也很小。

(2)充電負荷的時序特性

電動汽車充電行為受電動汽車用戶的行為控制，所以具有很大的自由度與不確定性。但是一個固定區域的人們共享相同的公共資源，他們的行為必然受到該區域內的公共資源的制約使得其行為有一定的規律可循。本文選取了一年中典型日的電動汽車充電站負荷進行研究，如圖2所示，由圖可以看出在晚上18:00～22:00為充電高峰期，充電負荷最大。

圖1 負荷時序特性圖

圖2 充電負荷時序特性圖

(3)DG的時序特性

WG和PV的輸出功率主要由風速和光照強度決定，兩者的出力大小均具有波動性，而不同季節的風速和光照強度差異很大，所以WG和PV出力與季節密切相關，具有明顯的季節特性。根據氣象資料提供的不同季節的風速和光照強度可以計算出風電和光伏電源在不同季節的輸出功率的時序特性曲線。本文選取春、夏、秋、冬四個季節中的典型日進行WG和PV的出力特性曲線研究，如圖3和圖4所示。

圖3 風電出力

圖4 光伏出力

由圖3可以看出WG冬季出力最大，夏季出力最小；由圖4可以看出PV的夏季出力最大且持續的時間最長，冬季出力最小持續時間最短。從季節性來看，WG和PV的輸出功率具有互補性，且這種特性同樣存在于日出力中，如在PV不出力的0:00～5:00和20:00～24:00這兩個時段WG都有一定的出力，而在PV出力較小的11:00時PV的出力較大，這種互補特性對配電網的運行有著重要的作用。

2.2 數學模型

本文在考慮了電動汽車充電站的基礎上，建立了以系統年綜合費用、網絡損耗費用、環境成本、負荷停電缺失成本及電壓偏移最小為目標函數的優化規劃數學模型。

2.2.1 系統年綜合費用

系統年綜合費用包括DG和電動汽車充電站的投資、運行維護成本，向上級電網的購電成本以及政府補貼。

Ctotal=CFDG+COMDG+CBuy-CHDG

(1)

(2)

(3)

(4)

(5)

(6)

式中：Ctotal為系統年綜合費用，CFDG、COMDG分別為DG和充電站的投資及運行維護成本，CHDG為政府補貼費用。其中，nDG、nEV分別為安裝有DG和充電站的節點集合，Cfpv、Cfwg、Cfev分別PV、WG和充電站的單位容量投資成本，Ppvi、Pwgi、Pevi分別為第i個節點安裝的PV、WG及充電站的容量，Cfcevi為第i個節點安裝的充電站的固定成本；Compv、Comwg、Comev分別為PV、WG和充電站的單位容量運行維護成本，C為電價，Si為第i個季節的天數，PLj為第j個節點的負荷(包括電動汽車充電站所接入的負荷)，Chpv、hwg分別為PV和WG的單位容量政府補貼費用，N為系統節點總數。

2.2.2 網絡損耗成本

(7)

式中：Ik(t)為t時刻支路k的電流；Rk為支路k的電阻大小；L為支路數集合。

2.2.3 環境成本

(8)

(9)

式中：Pf為配電網全年向上級電網的購電量；M為污染物排放的種類；ak為第k種污染物的排放強度；Xk、Yk分別為第K種污染物的環境價值和單位排放量政府懲罰價值。

2.2.4 負荷停電缺失成本(可靠性成本)

(10)

式中：Cl為單位電量停電懲罰價格；fk為第K條支路的故障率；lk為第K條支路的長度；Pkj(t)為第K條支路斷電時第j個節點的負荷大小。

2.2.5 電壓偏移

(11)

式中：U為各節點電壓的實際值；UN為配電網的節點電壓額定值。

2.2.6 約束條件

(1)功率潮流約束

(12)

式中：Pi，Qi分別為節點i的有功功率和無功功率；Vi，Vj分別為節點i，j的電壓值；Gij和Bij分別為支路i，之間的電導和電納。

(2)節點電壓約束

Uimin≤Ui≤Uimax,i∈N

(13)

式中：Uimax和Uimin分別為節點i的電壓上下限。

(3)支路潮流約束

Sj≤Sjmax,j∈N

(14)

式中：Sj為支路j流過的視在功率；Sjmax為支路j允許流過的最大容量限制。

(4)DG安裝的總容量約束

(15)

式中：∑SDG,i為系統接入的DG總容量；Sload為系統的負荷總容量；η為DG接入容量占負荷總容量的比例上限。

(5)充電站容量需求約束

(16)

式中：∑PEV,i為第i個節點充電的容量；Pdemand為規劃水平年內電動汽車的充電容量需求。

(6)充電站容量約束

Pmin，i≤Pi≤Pmax，i，i∈N

(17)

式中：Pmin，i和Pmax，i分別為節點i允許接入的充電站容量的上下限。

2.3 優化規劃目標函數構建

本文采用改進的層次分析法將上述的多目標函數轉換成單目標函數進行求解。在傳統的1-9標度層次分析法中決策人員對各指標的重要性辨別存在困難，受人為主觀因素的影響較大。因此，本文提出改進層次分析法，采用重要、同等重要、不重要的3標度法，可使各指標之間的差異性更明顯，并以此對傳統的層次分析法的一致性校驗進行改進并可得到更準確的結果。其確定各權重的基本步驟為：

(1)根據專家意見采用3標度法形成判定矩陣A=(aij)n×n。其中，當i=j時，αii=0；當i≠j時，若i比j重要則aij=1，若i與j一樣重要則aij=0，否則若i比j不重要，aij=-1；可知A為一個反對稱矩陣(aij=-aji)。

(2)求解A的一個最優傳遞矩陣B，滿足：

(18)

(3)構造一致性矩陣A*=eB，其中：

(19)

(4)求一致性矩陣A*所對應的最大特征值及特征向量即可得到各目標所對應的權重值。分布式電源優化規劃的目標函數是考慮權重因子后將隸屬化后的各項指標求和，其表達式為：

(20)

其中，ωi為各指標相對的權重；fi為隸屬化后的各指標函數值。當目標函數值越小時表示規劃方案越優。

3 求解算法

3.1 編碼方式

本文采用改進的文化粒子群優化算法進行模型的求解。基本的粒子群算法基于模擬鳥群的捕食行為，通過追隨當前群體中的最優值來進行迭代尋優。PSO算法具有計算簡單，魯棒性好等優點，但是存在易“早熟”的現象，全局搜索能力不強的特點。因此，本文提出將改進的粒子群算法納入文化算法的框架，發揮二者的長處，逐步尋找到使目標函數最優的解。配電系統的潮流分布及網絡損耗的求解采用基于前推回代的網絡潮流計算方法，并以此來判斷系統潮流是否滿足約束條件。采用二進制和十進制結合的混合編碼方式，其形式可表達為：

X=[A/B/C/D/E]

其中，A、B采用二進制編碼，分別為WG和PV的決策變量，為1則表示該節點上有安裝分布式電源，為0則表示該位置沒有安裝分布式電源。C、D、E采用實數編碼，分別為各節點對應安裝的WG、PV及充電站的容量。

3.2 文化粒子群優化算法(CPSO)

針對粒子群算法易陷入局部最優解的缺點，提出了采用文化粒子群優化算法進行模型的求解。將改進的粒子群算法納入文化算法的框架，組成基于PS0的主群體空間和信仰空間，兩個空間都有各自獨立的群體并可以獨自進行演化。下層主群體空間定期貢獻精英個體給信仰空間，信仰空間經交叉、選擇和變異演化后又返回來影響下層主群體空間從而增加了粒子群種群的多樣性，增強了算法跳出局部最優的能力，形成了雙演化雙促進的機制。

基本粒子群算法的速度和位置更新公式為：

采用文化粒子群算法求解分布式電源的優化規劃模型的具體步驟為：

Step1：輸入負荷和DG出力在典型日隨時間變化的數據，讀入配電網的原始數據；

Step2：設置主群體空間粒子群的最大迭代次數及種群大小，并初始化粒子群；

Step3：知識空間的設計，知識空間采用遺傳算法進行獨立的演化，采用與主群體空間一樣的編碼方式，知識空間的群體規模一般取為粒子群數的20%到30%；

Step4：計算各時刻各節點的等效負荷以及各節點充電站的充電功率，采用前推回代法進行潮流計算；

Step5：計算主群體空間和知識空間的個體適應度，并進行初始化粒子群空間的個體極值和群體極值；

Step6：接受操作，在粒子群的群體演化過程中，每隔一定的代數(一般取5)用粒子群空間中最好的個體替換知識空間中最差的個體；

Step7：影響操作，在知識空間的群體迭代過程中，每隔一定的代數(本文取10)用知識空間中的一部分個體替換知識空間中較差的一部分個體(一般不超過5個)；

Step8：更新主群體空間中粒子群的速度、位置，并更新群體中個體極值和群體極值的位置；

Step9：判斷是否滿足迭代終止條件，一般設置為最大迭代次數，否則轉到Step2進行下一代的尋優操作。

4 算例分析

4.1 算例參數與設置

本文選取含有33個節點，32條支路，系統節點電壓為10kV的IEEE33節點標準案例系統進行模型和算法的仿真驗證。系統的結構圖如圖5所示。

圖5 IEEE-33節點系統結構圖

為了驗證本文所提出的規劃模型和算法，基于以下假設進行算例仿真：

(1)假設電動汽車充電站的備選節點為5-7-13-20-29，且在備選節點上建設充電站的方案是可行，規劃年內所需的電動汽車充電需求量為800kW；

(2)優化算法參數設置為：粒子群的種群規模為50，最大迭代次數為100，粒子的維數為132；

(3)設備的投資償還期限為q=20年，貼現率為r=0.1，DG總出力的最大比例不超過總負荷的30%，單位電價為0.5元/kWh。將分布式電源和電動汽車充電站節點看作PQ節點處理，功率因數取為0.9。電動汽車充電站的設備投資成本為0.6萬元/kW，充電站的設備運行維護成本為0.015萬元/kW。分布式電源的投資運行維護成本、DG的政府補貼成本、火力發電的污染物排放率及環境成本參見文獻[15]。

4.2 結果分析

本文提出了基于負荷及分布式電源的時序特性，考慮電動汽車充電站的分布式電源規劃模型，并采用文化粒子群算法進行模型的求解。為此，主要為四種情形進行仿真驗證：方案1為考慮電動汽車充電站的分布式電源協調規劃；方案2為不考慮光伏出力；方案3為不考慮風電出力方案；4為采用基本的粒子群算法進行上述模型的求解。具體的DG配置及設備的成本和費用如表1和表2所示。本文通過改進的層次分析法求得的各目標函數對應的權重為[0.174,0.217,0.13,0.391,0.0869]。

表1 規劃配置結果

表2 尋優結果

由表1和表2可以看出在滿足負荷需求和電動汽車充電站容量需求約束的條件下，方案一的系統年綜合費用、網絡損耗成本最低，且網絡的電壓質量最高，系統電壓偏移最小；方案二與方案一相比雖然負荷停電缺失成本較方案一略低，但是系統年綜合費用、網絡損耗成本及電壓偏移等都大于方案一，因此，方案二的綜合評價指標高于方案一；同理，方案三相比于方案一不僅經濟性較差，網絡的電壓偏移也較高；因此，可知在進行考慮電動汽車充電站的分布式電源優化配置時，利用風、光發電出力的互補特性進行分布式電源的優化規劃可以很好的提高系統的供電電壓質量，減少系統綜合投資費用，避免不必要的浪費。對比于方案一與方案四可以看出，采用本文所提的算法進行規劃模型的求解可使綜合投資節省259.6萬元，電壓偏移可降低0.005 1 V，采用方案一與方案四的算法迭代圖如圖所示。

圖6 算法迭代對比圖

由圖可知，采用文化粒子群算法可以很好的解決傳統基本粒子群算法在求解多維、復雜的函數時容易陷入局部最優的缺點，可以尋找到更優的全局最優解。且看出文化粒子群算法在第19代時就已經收斂了，其收斂速度較基本粒子群算法快，因此可以驗證本文所提算法的有效性。

5 結論

本文基于負荷和分布式電源的時序特性建立了考慮電動汽車充電站得分布式電源優化配置模型，并采用文化粒子群算法進行優化規劃模型的求解，最后利用IEEE33節點算例仿真驗證了本文所提的規劃模型及算法的有效性。算例結果表明：

(1)利用風、光兩種分布式電源出力的互補特性進行協調優化配置可以很好的節省分布式電源的投資建設成本、網絡損耗成本、環境成本等，提高系統運行的經濟性及安全性、減少網絡的供電電壓偏移。

(2)考慮負荷和分布式電源的時序特性，及電動汽車充電站受人們充電行為影響的充電負荷的時序特性，更符合負荷和分布式電源的實際運行情況。

(3)進行含電動汽車充電站的分布式電源規劃，不僅提高電網運行的經濟性及穩定性，還可以采用大規模的儲能技術通過控制和優化充電站的充放電來促進對分布式電源的就地消納。對于構建堅強電網、提高供電可靠性，保障電網的安全穩定運行及緩解全球能源危機和環境問題具有十分重要的研究意義和應用價值。