基于遺傳算法的新能源充電站能量優化管理

郝 越

（深圳供電局有限公司，廣東 深圳 518000）

0 引 言

隨著技術的進步，電動汽車數量和新能源充電站數量不斷增加。然而，現有研究均集中于電動汽車入網后電網穩定性的分析[1]和電動汽車充放電給電網帶來的利潤盈虧[2]等方面，對電動汽車充電的新能源充電站的能量優化管理研究很少。文獻[3]根據購電和售電關系寫出目標函數和約束條件，用lingo求解即可得到最大利潤；文獻[4]建立改進的排隊論模型，列出電動汽車充電設施及服務建立的平衡方程，并以先到先充、充完即走、等待過長即走為基本原則，建立充電往來的關系，得出電動汽車可以開始充電的時間點。這些研究缺乏相應的理論指導，對其計算結果分析不夠深入，很難指導實際工程。

本文以單日利潤最大為目標函數，以功率平衡和電動汽車充放電功率、光伏發電裝置的發電功率、電網交互功率、狀態變量等為約束條件，建立了兩種情況下的優化模型，采用遺傳算法對模型求解，最終得到兩種模型下的最大利潤。

1 充電站能量優化管理模型建立

1.1 全額利用情況建模

在新能源充電站的總利潤與新能源充電站向電網售電收益、向用戶售電的收益以及充電站從電網購電費用之間建立目標函數：

式中，新能源充電站的總利潤為F；新能源充電站向電網售電收益為Fsell-grid；向用戶售電的收益為Fsell-user。其中：

式中，Psell-grid(t)為t時刻光伏發電裝置向電網售出的電量；csell-grid(t)為t時刻光伏發電裝置向電網售電的價格；PEV·i-sell(t)、PEV·i-buy(t)分別為t時刻電動汽車i向電網售出的電量和向電網購買的電量；cEV-sell(t)為t時刻電動汽車向電網售電的價格；x(t)為電動汽車的放電狀態，x(t)為0時電動汽車不放電，x(t)為1時電動汽車放電向電網售電；y(t)為電動汽車的充電狀態，y(t)為0時電動汽車不充電，y(t)為1時電動汽車從電網購買電量進行充電；Psell-user(t)為t時刻新能源充電站向用戶售出的電量；csell-user(t)為t時刻新能源充電站向用戶售電的價格。

對于目標函數（1）而言，從功率平衡和狀態變量的要求兩個方面進行約束，具體如下。

（1）功率平衡約束：

式中，PEV(t)為t時刻電動汽車的充電功率，Ppv(t)為t時刻光伏發電裝置發出的功率。

（2）電動汽車充電功率約束：

（3）光伏發電裝置的發電功率約束：

式中，Ppv-max(t)為t時刻光伏發電裝置的最大出力。

（4）與電網交互功率約束：

式中，Pgrid-min(t)為t時刻新能源充電站與電網之間的交互功率；Pgrid-min(t)、Pgrid-max(t)分別為t時刻新能源充電站與電網之間的交互功率的最小值與最大值。

（5）狀態變量約束：

1.2 允許棄光情況建模

當光伏發電裝置的發電成本高于從電網購的成本購電成本時或者當發電成本高于向電網售電成本時，會出現光伏電站棄光現象。此時，光伏出力滿足：

式中，Ppv(t)為t時刻光伏發電裝置發出的功率；Ppv.N(t)為t時刻光伏發電裝置發出的額定功率。

目標函數及其余約束條件與全額利用情況下相同，如式（1）～式（9）所示。

2 基于遺傳算法的模型求解

遺傳算法是一種尋求全局最優解而不需要任何初始化信息的高效優化算法[5]。本文采用從臨時Parcto解集中選出N個擁擠距離最大的個體作為精華保留，從而使當前周圍個體密度小的Parcto解占優，對保持種群的多樣性有利。

（1）選擇問題的一個編碼方式，在搜索空間U上定義一個適應度函數f(x)，給定種群規模N、交叉率Pc、變異率Pm和代數T；

（2）隨機產生U中的N個個體s1,s2,…,sN組成初始種群S(1)={s1,s2,…,sN}，置代數計數器t=1；計算S中的每一個個體si的適應度函數fi=f(si)；

（3）若滿足算法終止規則，則算法停止，取S中適應度最大的個體作為所求結果，否則計算概率：

（4）按這個概率決定選中機會，每次從S中隨機選定1個個體并將其染色體復制，共N次，組成群體S1；

（5）按交叉率Pc決定的染色體數c從S1中隨機確定c個染色體，配對進行交叉操作替代原染色體得到群體S2；

（6）按變異率Pm決定的變異次數m，從S2中隨機確定m個染色體，重復步驟（5）操作，得到群體S3；

（7）將群體S3作為新種群，轉步驟（3），其具體的計算流程如圖1所示。

3 算例分析

圖2為一新能源充電站的系統結構。站內設有8臺充電樁和光伏發電裝置，每臺充電樁的充電功率在50 kW范圍內可調。

假設該充電站為100輛電動汽車提供服務，充電電價固定為1.5元/kW·h。用戶未來24 h的充電需求如文獻[6]中電動汽車充電記錄所示。充電站利潤為其向電網和用戶售電收入減去其從電網購電的成本。在光伏全額利用和允許棄光兩種情況下分別計算未來24 h充電站的最大利潤，并分析得到的結果。

圖1 遺傳算法的求解流程

圖2 新能源充電站結構

3.1 全額利用條件下

在光伏發電全額利用情況下，采用遺傳算法求解優化模型，則新能源充電站出力情況見圖3。

圖3 光伏全額利用下電站出力結果

由圖3可知，在光伏全額利用的情況下，考慮峰谷電價差進行合理優化，得到新能源充電站的最大總利潤為508.49元。在0:00-6:00時段內，光伏不出力且購電電價較低，新能源充電站通過向電網購電來滿足電動汽車的充電需求。在購電電價高峰時段6:00-14:00內，新能源充電站所需電量由光伏發電裝置所發出的電量滿足。此時段內不從電網購電，由于該時段內售電電價較高，光伏發電裝置所發電量除滿足電動汽車的充電需求外，將剩余的電量向電網出售，從而提高新能源充電站的利潤。在15:00-18:00時段內，由于光照逐漸減少，新能源充電站主要依靠從電網購電來滿足電動汽車的充電需求。18:00-24:00時段內無光照，充電站的電量需求僅依靠從電網購電來滿足。

3.2 允許棄光條件下

在允許棄光情況下，對建立的優化模型采用遺傳算法進行求解，所得新能源充電站處理情況如圖4所示。

圖4 棄光情況下電站出力結果

由圖4可知，在允許光伏棄光的情況下，考慮峰谷電價差對電站利潤進行合理優化，得到新能源充電站的最大總利潤為1 011.23元。在0:00-6:00時段內，無光照光伏不出力，新能源充電站通過向電網購電來滿足電動汽車的充電需求。在購電電價高峰時段6:00-16:00內，光照較強，光伏發電裝置所發電量除滿足電動汽車充電外，由于向電網售電的價格較低，因此會出現光伏發電裝置棄光現象。在18:00-24:00時段內無光照，充電站的電量需求僅依靠從電網購電來滿足。

4 結 論

由于電動汽車既可以作為負荷也可以向電網提供電能的特性，對含有電動汽車的新能源充電站的優化管理可以提高能源利用效率，同時充分促使電動汽車用戶參與到大電網中來，從而成為電網中一種可以有效管理的能源。通過對當前電網和充電站的形式進行分析，為充電站帶來利潤的同時，有利于維持電網的穩定，減小不必要的波動和損失。