含風(fēng)光儲(chǔ)的電動(dòng)汽車(chē)充電站容量?jī)?yōu)化研究綜述

解治中，葛麗娟，蓋曜麟

（內(nèi)蒙古農(nóng)業(yè)大學(xué)，內(nèi)蒙古自治區(qū) 呼和浩特 010000）

0 引言

含風(fēng)光儲(chǔ)的電動(dòng)汽車(chē)充電站是由風(fēng)力發(fā)電機(jī)、光伏設(shè)備、儲(chǔ)能裝置組成的發(fā)電系統(tǒng)與充電站整合而成的新型微網(wǎng)[1]。該微網(wǎng)利用風(fēng)光互補(bǔ)發(fā)電系統(tǒng)作為電動(dòng)汽車(chē)充電站的主要能量來(lái)源，但由于風(fēng)光互補(bǔ)發(fā)電系統(tǒng)易受客觀天氣變化影響，所以加入儲(chǔ)能裝置以保障電動(dòng)汽車(chē)充電的連續(xù)性[2]。目前，國(guó)內(nèi)外的研究主要集中在以電網(wǎng)為能量來(lái)源的充電站上，將風(fēng)光互補(bǔ)發(fā)電系統(tǒng)和充電站結(jié)合起來(lái)研究的文獻(xiàn)較少。

1 風(fēng)光互補(bǔ)發(fā)電系統(tǒng)

1.1 風(fēng)光互補(bǔ)發(fā)電系統(tǒng)的構(gòu)成

風(fēng)光互補(bǔ)發(fā)電系統(tǒng)主要由風(fēng)力發(fā)電機(jī)組、太陽(yáng)能電池組、儲(chǔ)能裝置、控制器、逆變器、交流直流負(fù)載等部分組成。風(fēng)光互補(bǔ)發(fā)電系統(tǒng)結(jié)構(gòu)如圖1所示。該系統(tǒng)是集風(fēng)能、太陽(yáng)能、儲(chǔ)能裝置及系統(tǒng)智能控制技術(shù)為一體的可再生能源發(fā)電系統(tǒng)[3]。

圖1 風(fēng)光互補(bǔ)發(fā)電系統(tǒng)結(jié)構(gòu)圖

1.2 風(fēng)光互補(bǔ)發(fā)電系統(tǒng)的容量配比

風(fēng)光互補(bǔ)發(fā)電系統(tǒng)的規(guī)劃要根據(jù)建設(shè)地的風(fēng)、光資源特點(diǎn)，對(duì)風(fēng)光儲(chǔ)的容量進(jìn)行科學(xué)配置。合理的容量配置可以增強(qiáng)系統(tǒng)功率輸出穩(wěn)定性，提高風(fēng)光資源利用率，減少儲(chǔ)能裝置容量，獲得良好的經(jīng)濟(jì)效益。因此，科學(xué)合理配置風(fēng)光儲(chǔ)容量已經(jīng)成為了風(fēng)光互補(bǔ)發(fā)電系統(tǒng)規(guī)劃設(shè)計(jì)領(lǐng)域中的核心課題。根據(jù)風(fēng)光互補(bǔ)發(fā)電系統(tǒng)的運(yùn)行狀態(tài)，可以將其分為離網(wǎng)運(yùn)行的微電網(wǎng)和并網(wǎng)運(yùn)行的微電網(wǎng)。

1.2.1 離網(wǎng)運(yùn)行的微電網(wǎng)容量配比研究現(xiàn)狀

文獻(xiàn) [4-18]介紹了離網(wǎng)運(yùn)行微電網(wǎng)的容量?jī)?yōu)化配置方法。其中文獻(xiàn) [4]提出了一種考慮系統(tǒng)供電可靠性、風(fēng)光互補(bǔ)性、系統(tǒng)成本最小的風(fēng)光儲(chǔ)容量?jī)?yōu)化配置方法，該優(yōu)化方法以風(fēng)光儲(chǔ)裝機(jī)容量、儲(chǔ)能電池充放電特性為約束條件，在提高風(fēng)、光資源利用率的同時(shí)有效地延長(zhǎng)了儲(chǔ)能電池的使用壽命；缺點(diǎn)是當(dāng)系統(tǒng)成本固定時(shí)，該方法不能保障系統(tǒng)的穩(wěn)定性。文獻(xiàn) [5]以系統(tǒng)總成本作為目標(biāo)函數(shù)，系統(tǒng)可靠性為約束，采用粒子群算法對(duì)系統(tǒng)的風(fēng)光儲(chǔ)容量進(jìn)行優(yōu)化配置，粒子群算法模型雖簡(jiǎn)潔，卻具有優(yōu)異的探索效率、良好的收斂性及精度；缺點(diǎn)是對(duì)于離散的優(yōu)化問(wèn)題處理效果不佳，容易陷入局部最優(yōu)。文獻(xiàn) [6]以全生命周期成本為優(yōu)化目標(biāo)，負(fù)荷缺電率等可靠性指標(biāo)為約束條件；提出了一種基于改進(jìn)粒子群算法的儲(chǔ)能裝置容量?jī)?yōu)化方法，改進(jìn)后的算法與傳統(tǒng)粒子群算法相比計(jì)算速度有了較大提高且避免了過(guò)早收斂，能求得全局最優(yōu)解。文獻(xiàn) [7]以負(fù)荷損失概率和發(fā)電成本最小為目標(biāo)對(duì)系統(tǒng)的風(fēng)光儲(chǔ)容量進(jìn)行配置，首先將負(fù)載劃分為高優(yōu)先級(jí)負(fù)載HPL（high priority load）和低優(yōu)先級(jí)負(fù)載LPL（low priority load）兩大類(lèi)，然后利用負(fù)載轉(zhuǎn)移技術(shù)，無(wú)論發(fā)電條件如何，都優(yōu)先供電給HPL，在滿(mǎn)足了HPL和蓄電池充滿(mǎn)電之后才可以給LPL供電。該方法優(yōu)點(diǎn)是方案實(shí)施靈活，缺點(diǎn)是LPL的供電可靠性得不到保障。文獻(xiàn) [8-9]以系統(tǒng)年成本、負(fù)荷缺電率和二氧化碳排放最小為目標(biāo)函數(shù)，光伏板傾斜角度、風(fēng)機(jī)輪轂高度為約束條件建立了風(fēng)光柴蓄配置優(yōu)化模型，模型的主要優(yōu)點(diǎn)是對(duì)光伏板的太陽(yáng)輻射進(jìn)行了詳細(xì)的計(jì)算，缺點(diǎn)是在求解過(guò)程中沒(méi)有考慮風(fēng)速的影響，只適用于靜態(tài)環(huán)境。然后分別通過(guò)改進(jìn)的偏好啟發(fā)協(xié)同進(jìn)化算法PICEA-g(preference-inspired co-evolutionary algorithm)和改進(jìn)的非支配排序遺傳算法NSGAII（non-dominated sorting genetic algorithm II） 求得風(fēng)光柴蓄的最優(yōu)配置。與傳統(tǒng)進(jìn)化算法相比PICEA-g算法的優(yōu)化目標(biāo)數(shù)量可以靈活擴(kuò)展、計(jì)算更高效且更簡(jiǎn)單；改進(jìn)的NSGAII算法相較于改進(jìn)前計(jì)算更加簡(jiǎn)單，優(yōu)化結(jié)果的精度也更高。文獻(xiàn) [10]針對(duì)風(fēng)機(jī)、光伏、生物柴油發(fā)電機(jī)、儲(chǔ)能系統(tǒng)容量配置問(wèn)題，以系統(tǒng)生命周期成本最小化為目標(biāo)函數(shù)，儲(chǔ)能裝置費(fèi)用、生物柴油發(fā)動(dòng)機(jī)輸出功率、系統(tǒng)可靠性為約束建立了優(yōu)化模型。然后將和聲搜索算法與模擬退火算法結(jié)合起來(lái)求解該模型，結(jié)果表明提出的混合和聲搜索模擬退火算法在尋優(yōu)效率和收斂性方面都優(yōu)于單獨(dú)的和聲搜索或單獨(dú)的模擬退火算法。文獻(xiàn) [11]利用熵權(quán)法對(duì)風(fēng)光柴儲(chǔ)的系統(tǒng)成本、污染物排放量及風(fēng)光資源利用率進(jìn)行歸一化處理。然后選用改進(jìn)的仿電磁學(xué)算法 ELM(electromagnetism-like mechanism)對(duì)風(fēng)光柴儲(chǔ)容量配置問(wèn)題進(jìn)行求解時(shí)較好地解決了模型約束條件較多且非線(xiàn)性的問(wèn)題。與傳統(tǒng)粒子群算法和基本ELM算法比較，改進(jìn)后的算法在快速性、準(zhǔn)確性和全局收斂性方面具有明顯優(yōu)勢(shì)。文獻(xiàn) [12-15]采用遺傳算法實(shí)現(xiàn)風(fēng)光互補(bǔ)發(fā)電系統(tǒng)成本 (目標(biāo))函數(shù)最小化，以此對(duì)風(fēng)光儲(chǔ)容量配置優(yōu)化。與傳統(tǒng)的優(yōu)化方法如動(dòng)態(tài)規(guī)劃和梯度技術(shù)相比，遺傳算法在全局優(yōu)化方面具有計(jì)算過(guò)程簡(jiǎn)單的優(yōu)點(diǎn)，但沒(méi)有考慮整個(gè)系統(tǒng)的可靠性是該優(yōu)化模型的一個(gè)缺點(diǎn)。文獻(xiàn) [16]提出對(duì)細(xì)菌覓食算法進(jìn)行改進(jìn)，然后將其應(yīng)用到離網(wǎng)運(yùn)行的風(fēng)光互補(bǔ)發(fā)電系統(tǒng)的容量配置中，改進(jìn)后的細(xì)菌覓食算法在全局最優(yōu)搜索能力、尋優(yōu)速度、精度方面顯著增強(qiáng)。文獻(xiàn) [17]提出一種混沌自適應(yīng)進(jìn)化算法對(duì)風(fēng)光儲(chǔ)容量配置進(jìn)行優(yōu)化。該新算法將混沌初始種群算子和分組選擇策略導(dǎo)入，避免了傳統(tǒng)進(jìn)化算法的過(guò)早收斂，提升了算法的全局尋優(yōu)能力。文獻(xiàn) [18]將帕累托非劣排序與微分進(jìn)化算法相結(jié)合，并改進(jìn)了傳統(tǒng)微分進(jìn)化算法中的算子變異策略。改進(jìn)后的混合算法可以對(duì)多目標(biāo)尋優(yōu)且尋優(yōu)速度也得到了明顯加強(qiáng)，因而能快速、有效求解出風(fēng)光儲(chǔ)的容量最優(yōu)配置。

1.2.2 并網(wǎng)型微電網(wǎng)容量配比研究現(xiàn)狀

對(duì)于并網(wǎng)型風(fēng)光互補(bǔ)發(fā)電系統(tǒng)的容量配置優(yōu)化問(wèn)題，文獻(xiàn) [19]綜合考慮風(fēng)速、太陽(yáng)輻照、環(huán)境溫度和負(fù)荷存在的隨機(jī)性，在滿(mǎn)足失負(fù)荷概率的條件下，利用抽樣平均法對(duì)風(fēng)光儲(chǔ)系統(tǒng)進(jìn)行隨機(jī)優(yōu)化，使系統(tǒng)整個(gè)生命周期成本最小，二氧化碳排放最少，可再生能源利用率最高，該方法由于是采用隨機(jī)優(yōu)化所以更貼近工程實(shí)際，但不確定地隨機(jī)加入增加了問(wèn)題的復(fù)雜性。文獻(xiàn) [20]以二氧化碳排放量最少為優(yōu)化目標(biāo)，考慮了系統(tǒng)的全生命周期成本、系統(tǒng)穩(wěn)定性、風(fēng)光互補(bǔ)性等約束條件，對(duì)風(fēng)光儲(chǔ)容量進(jìn)行合理配置。文獻(xiàn) [21]以系統(tǒng)成本最少為目標(biāo)，負(fù)荷缺電率和能量浪費(fèi)率為約束條件，通過(guò)對(duì)標(biāo)準(zhǔn)粒子群算法的慣性權(quán)重策略進(jìn)行改進(jìn)，解決了標(biāo)準(zhǔn)粒子群算法在搜索過(guò)程中過(guò)早收斂易陷入局部極值的問(wèn)題；對(duì)比改進(jìn)算法前后的仿真結(jié)果，改進(jìn)后尋優(yōu)能力更好，容量配置更合理。文獻(xiàn) [22]以系統(tǒng)全生命周期內(nèi)收益最大為目標(biāo)，風(fēng)光互補(bǔ)性、風(fēng)光資源利用率、跟蹤調(diào)度曲線(xiàn)能力為約束條件，構(gòu)建了風(fēng)光儲(chǔ)的容量?jī)?yōu)化配置模型，由于風(fēng)機(jī)、光伏設(shè)備數(shù)量和抽水蓄能容量等優(yōu)化變量中既有連續(xù)變量又有離散變量，提出一種變步長(zhǎng)循環(huán)離散算法來(lái)求解容量配置模型，該方法適用于大規(guī)模風(fēng)光互補(bǔ)發(fā)電系統(tǒng)的規(guī)劃。文獻(xiàn) [23]根據(jù)風(fēng)光發(fā)電效率的衰減特性，提出一種基于發(fā)電效率衰減、分時(shí)電價(jià)和負(fù)荷增長(zhǎng)等條件的并網(wǎng)型風(fēng)光發(fā)電系統(tǒng)容量?jī)?yōu)化模型，然后采用遺傳算法求解該模型，得到了風(fēng)光儲(chǔ)的最優(yōu)容量配置。不過(guò)利用遺傳算法求解容易收斂到局部最優(yōu)解且面對(duì)大量個(gè)體的計(jì)算比較耗時(shí)。文獻(xiàn) [24-25]以系統(tǒng)投資收益、可靠性和可再生能源利用率為目標(biāo)函數(shù)，建設(shè)場(chǎng)地、蓄電池運(yùn)行、風(fēng)光蓄容量約束和電網(wǎng)功率交換為約束條件，建立了風(fēng)光儲(chǔ)容量?jī)?yōu)化配置模型，針對(duì)傳統(tǒng)遺傳算法的不足采用改進(jìn)的遺傳算法對(duì)容量配置模型求解；改進(jìn)后的遺傳算法在對(duì)風(fēng)光儲(chǔ)容量配置優(yōu)化計(jì)算時(shí)表現(xiàn)出良好的全局搜索能力和收斂速度，而且該方法延長(zhǎng)了蓄電池壽命、提升了微電網(wǎng)的孤島能力。文獻(xiàn) [26]將粒子群算法與遺傳算法結(jié)合，結(jié)合后的新算法克服了經(jīng)典粒子群算法在進(jìn)化后期易陷入局部最優(yōu)且收斂速度慢的缺點(diǎn)，可以較為快速、有效地求解出風(fēng)光互補(bǔ)發(fā)電系統(tǒng)的容量配置，并提高了系統(tǒng)并網(wǎng)運(yùn)行的穩(wěn)定性和經(jīng)濟(jì)性。文獻(xiàn) [27]以棄風(fēng)、棄光電量最少為優(yōu)化目標(biāo)，輸出功率穩(wěn)定作為約束條件，采用循環(huán)求解法對(duì)發(fā)電系統(tǒng)的風(fēng)光儲(chǔ)進(jìn)行容量?jī)?yōu)化，缺點(diǎn)是沒(méi)有考慮系統(tǒng)的成本因素。文獻(xiàn) [28]采集風(fēng)光互補(bǔ)發(fā)電系統(tǒng)建設(shè)地點(diǎn)的風(fēng)光資源數(shù)據(jù)，對(duì)風(fēng)機(jī)、光伏發(fā)電出力情況進(jìn)行估算，采用圖形觀察法求解出風(fēng)光最優(yōu)容量配置，不足之處是沒(méi)有把儲(chǔ)能裝置考慮進(jìn)去，且圖形觀察法的求解結(jié)果只是近似解導(dǎo)致精確度不高。

本節(jié)介紹了基于風(fēng)光互補(bǔ)發(fā)電系統(tǒng)的各種容量配置優(yōu)化模型，研究人員利用各種優(yōu)化算法去求解這些模型，其中人工智能算法如遺傳算法、粒子群算法、進(jìn)化算法等在風(fēng)光互補(bǔ)發(fā)電系統(tǒng)的容量配比研究中得到大量應(yīng)用，不過(guò)由于這些方法還是存在著一些不足，于是研究人員針對(duì)這些優(yōu)化方法的不足去加以改進(jìn)。對(duì)于一些復(fù)雜的問(wèn)題，單一的人工智能算法及其改進(jìn)算法可能不足以找到所需的解決方案，這時(shí)候兩種或兩種以上新算法的有效結(jié)合成為了新的研究熱點(diǎn)。這種混合算法具有更好的收斂速度和更靈活高效的全局尋優(yōu)能力，因而在對(duì)風(fēng)光互補(bǔ)發(fā)電系統(tǒng)做進(jìn)一步的探索時(shí)具有重要意義。

2 電動(dòng)汽車(chē)充電站的規(guī)劃

隨著國(guó)家提倡綠色出行，選擇電動(dòng)汽車(chē)作為代步工具逐漸成為一種新時(shí)尚，然而電動(dòng)汽車(chē)充電站的建設(shè)是電動(dòng)汽車(chē)普及過(guò)程中的掣肘。在進(jìn)行大規(guī)模電動(dòng)汽車(chē)充電站的建設(shè)過(guò)程中，如何科學(xué)規(guī)劃充電站不僅關(guān)系到電動(dòng)汽車(chē)用戶(hù)出行的便捷性還涉及到資源的合理配置，進(jìn)而影響電動(dòng)汽車(chē)的規(guī)模化應(yīng)用。

文獻(xiàn) [29-30]通過(guò)采集城市路網(wǎng)、車(chē)流信息篩選出電動(dòng)汽車(chē)充電站站址，采用排隊(duì)論來(lái)確定充電站容量；該方法的不足之處在于把充電站的選址限制在了各個(gè)交通路口具有一定的局限性。文獻(xiàn) [31]以系統(tǒng)全生命周期成本最小為目標(biāo)，功率平衡、節(jié)點(diǎn)電壓和線(xiàn)路容量為約束，選用精英策略對(duì)樹(shù)形結(jié)構(gòu)編碼單親遺傳算法改進(jìn)，然后對(duì)電動(dòng)汽車(chē)充電站的選址和容量進(jìn)行優(yōu)化。與傳統(tǒng)的樹(shù)形結(jié)構(gòu)編碼單親遺傳算法相比改進(jìn)后的方法在優(yōu)化過(guò)程中求解效率和精度更高。文獻(xiàn) [32]結(jié)合深度學(xué)習(xí)理論，提出了一種基于充電站周邊交通、區(qū)域發(fā)展和電網(wǎng)安全等因素的電動(dòng)汽車(chē)充電站容量預(yù)測(cè)模型；該模型與傳統(tǒng)的充電站定容方法相比更高效、準(zhǔn)確，且該模型具有自學(xué)習(xí)性，可以隨著環(huán)境變化進(jìn)行自適應(yīng)。文獻(xiàn) [33]根據(jù)居民用電負(fù)荷情況來(lái)估算電動(dòng)汽車(chē)數(shù)量，利用層次分析法解出充電站各候選站址的權(quán)重系數(shù)，最后以投資金額最小為目標(biāo)函數(shù)來(lái)確定充電站的選址和容量。文獻(xiàn) [34]利用區(qū)域交通流量守恒原理對(duì)某區(qū)域電動(dòng)汽車(chē)保有量和分布進(jìn)行預(yù)測(cè)，以年最小費(fèi)用為目標(biāo)，采用遺傳算法求解出該區(qū)域充電站的最優(yōu)站址和容量。文獻(xiàn) [35]建立了以俘獲電動(dòng)汽車(chē)數(shù)量最多、配電系統(tǒng)網(wǎng)絡(luò)損耗最小和節(jié)點(diǎn)電壓偏移最小為目標(biāo)的多目標(biāo)決策模型，采用改進(jìn)的二進(jìn)制粒子群優(yōu)化算法對(duì)模型求解，得出充電站的最優(yōu)布局。

與尋找風(fēng)光互補(bǔ)發(fā)電系統(tǒng)最佳容量配比相似，確定電動(dòng)汽車(chē)充電站的站址和容量首先要測(cè)定充電站服務(wù)區(qū)域內(nèi)的電動(dòng)汽車(chē)保有量及其分布，然后建立科學(xué)的選址和容量模型，再利用各種算法對(duì)模型求解從而獲得充電站的最優(yōu)站址和容量。經(jīng)過(guò)科學(xué)規(guī)劃的充電站不僅可以滿(mǎn)足其服務(wù)范圍內(nèi)電動(dòng)汽車(chē)用戶(hù)的充電需求還可以減少充電站建設(shè)投資成本，對(duì)于充電站的發(fā)展具有重要作用。

3 含風(fēng)光儲(chǔ)的電動(dòng)汽車(chē)充電站

含風(fēng)光儲(chǔ)的電動(dòng)汽車(chē)充電站是將風(fēng)光互補(bǔ)發(fā)電系統(tǒng)和充電站整合到一起的產(chǎn)物，因此該系統(tǒng)在規(guī)劃的時(shí)候就要借鑒風(fēng)光互補(bǔ)發(fā)電系統(tǒng)和電動(dòng)汽車(chē)充電站的規(guī)劃方法。文獻(xiàn) [36]以滿(mǎn)足電動(dòng)汽車(chē)充電需求為前提，系統(tǒng)投資、運(yùn)行及缺電損失等成本最低為目標(biāo)，建立了一種含風(fēng)光儲(chǔ)的離網(wǎng)型電動(dòng)汽車(chē)充電站容量?jī)?yōu)化配置模型；利用微分進(jìn)化算法求解模型得到風(fēng)光儲(chǔ)及充放電機(jī)的最優(yōu)容量配置，缺點(diǎn)是沒(méi)有考慮系統(tǒng)的可靠性問(wèn)題。文獻(xiàn) [37]基于統(tǒng)計(jì)學(xué)方法提出一種計(jì)算電動(dòng)汽車(chē)充電負(fù)荷的方法，然后以充電站經(jīng)濟(jì)收益最大為目標(biāo)，電動(dòng)汽車(chē)充電負(fù)荷需求、風(fēng)光儲(chǔ)裝機(jī)容量為約束，建立了含風(fēng)光儲(chǔ)的離網(wǎng)型電動(dòng)汽車(chē)充電站容量配置模型，采用改進(jìn)的遺傳算法對(duì)模型求解得到充電站的最優(yōu)容量配置，實(shí)現(xiàn)了經(jīng)濟(jì)收益的最大化。文獻(xiàn) [38]以?xún)?chǔ)能裝置充放電為約束，系統(tǒng)總成本最小為目標(biāo)函數(shù)，采用粒子群算法求解出電動(dòng)汽車(chē)在不同能量管理方式下，含風(fēng)光儲(chǔ)的并網(wǎng)型電動(dòng)汽車(chē)充電站的最優(yōu)容量配置方案。該方法可有效提高系統(tǒng)穩(wěn)定性且減少了儲(chǔ)能裝置的投資費(fèi)用。文獻(xiàn) [39]以風(fēng)光資源利用率最大、系統(tǒng)功率波動(dòng)最小為目標(biāo)，建立含風(fēng)光儲(chǔ)的并網(wǎng)型電動(dòng)汽車(chē)充電站運(yùn)行優(yōu)化模型；模型將功率平衡、充電功率限制作為約束，提出一種改進(jìn)的動(dòng)態(tài)多種群多目標(biāo)粒子群算法對(duì)模型優(yōu)化。該優(yōu)化方法可以使充電站并網(wǎng)運(yùn)行時(shí)的負(fù)荷峰谷差有效減小并緩解電網(wǎng)調(diào)度壓力；不過(guò)對(duì)于充電站的全生命周期成本沒(méi)有進(jìn)行考慮，工程經(jīng)濟(jì)性需進(jìn)一步研究。文獻(xiàn) [40]建立了基于電網(wǎng)分級(jí)調(diào)度結(jié)構(gòu)的含風(fēng)光儲(chǔ)的充電站模型，針對(duì)該微網(wǎng)模型采用分種群多目標(biāo)粒子群優(yōu)化算法對(duì)風(fēng)光資源利用率、系統(tǒng)可靠性以負(fù)荷峰谷差等目標(biāo)函數(shù)進(jìn)行優(yōu)化，有效地提高了微網(wǎng)系統(tǒng)的可靠性、風(fēng)光資源利用率、接入電網(wǎng)的穩(wěn)定性。文獻(xiàn) [41]根據(jù)氣象數(shù)據(jù)的季節(jié)性變化，以投資及運(yùn)營(yíng)成本最小為目標(biāo)，建立含風(fēng)光儲(chǔ)的并網(wǎng)型電動(dòng)汽車(chē)充電站容量?jī)?yōu)化模型，以?xún)?chǔ)能裝置充放電、并網(wǎng)點(diǎn)功率波動(dòng)率約束等作為約束，采用改進(jìn)差分進(jìn)化算法對(duì)模型求解，有效地減小了系統(tǒng)的功率波動(dòng)，實(shí)現(xiàn)了削峰填谷。文獻(xiàn) [42]為了提高系統(tǒng)可靠性與風(fēng)光資源利用水平，建立了以風(fēng)光互補(bǔ)系統(tǒng)出力、蓄電池充放電、負(fù)荷響應(yīng)轉(zhuǎn)移等為約束條件，系統(tǒng)總成本最小為目標(biāo)函數(shù)的含風(fēng)光儲(chǔ)的并網(wǎng)型電動(dòng)汽車(chē)充電站容量?jī)?yōu)化模型，將人工免疫算法引入粒子群算法中，用改進(jìn)后的算法求解模型避免了傳統(tǒng)粒子群算法的過(guò)早收斂。文獻(xiàn) [43]建立了以系統(tǒng)投資成本和網(wǎng)損最小為目標(biāo)函數(shù)的含風(fēng)光儲(chǔ)的電動(dòng)汽車(chē)充電站容量?jī)?yōu)化配置模型，采用核極限學(xué)習(xí)機(jī)對(duì)模型求解，該求解方法由于不需要進(jìn)行迭代計(jì)算因此計(jì)算效率相較于傳統(tǒng)遺傳算法、粒子群算法更高。文獻(xiàn) [44]以環(huán)境成本和有功功率損耗最小為目標(biāo)函數(shù)，采用改進(jìn)的粒子群算法對(duì)目標(biāo)函數(shù)求解。該方法雖然克服了求結(jié)果易陷入局部最優(yōu)解的缺陷，但是在風(fēng)光互補(bǔ)發(fā)電系統(tǒng)和電動(dòng)汽車(chē)的參數(shù)設(shè)置上較為復(fù)雜，計(jì)算難度較高。

含風(fēng)光儲(chǔ)的電動(dòng)汽車(chē)充電站根據(jù)運(yùn)行狀態(tài)也可分為離網(wǎng)運(yùn)行和并網(wǎng)運(yùn)行兩種。由于離網(wǎng)型充電站主要是解決偏遠(yuǎn)地區(qū)電動(dòng)汽車(chē)的充電問(wèn)題，所以在研究中多側(cè)重于充電站的成本和供電可靠性；并網(wǎng)型充電站由于接入了電網(wǎng)，把電網(wǎng)作為風(fēng)光儲(chǔ)系統(tǒng)供電不足時(shí)的備用電源，因而在研究中更多地考慮充電站接入電網(wǎng)以后對(duì)電網(wǎng)的影響。

4 結(jié)論

盤(pán)點(diǎn)現(xiàn)階段國(guó)內(nèi)外含風(fēng)光儲(chǔ)的電動(dòng)汽車(chē)充電站研究現(xiàn)狀，普及新型電動(dòng)汽車(chē)充電站需解決以下3個(gè)問(wèn)題。

a）雖然國(guó)內(nèi)外掀起了一股電動(dòng)汽車(chē)充電站建設(shè)熱潮，但含風(fēng)光儲(chǔ)的電動(dòng)汽車(chē)充電站仍處于示范建設(shè)階段，并沒(méi)有建立起統(tǒng)一的建設(shè)規(guī)劃標(biāo)準(zhǔn)和成熟的運(yùn)營(yíng)模式。

b）風(fēng)機(jī)、光伏組件、還有儲(chǔ)能電池高昂的售價(jià)使含風(fēng)光儲(chǔ)的充電站的建設(shè)成本高昂成為阻礙其大規(guī)模建設(shè)的最大掣肘。

c）含風(fēng)光儲(chǔ)的充電站由于風(fēng)機(jī)和光伏設(shè)備占地面積較大，在建設(shè)規(guī)劃階段土地因素需要多加考慮。