基于遺傳算法的移動儲能車調度方案優化及應用

（南京國電南自自動化有限公司，南京 210032）

0 引言

隨著儲能技術的發展，儲能作為電力系統中稀缺的靈活調節資源受到了越來越多的重視[1-2]。相對于投資大，占地面積大的儲能電站，移動儲能車使電力資源變得更加靈活。集裝箱式移動儲能發展迅速，接入電網數量增加，承擔削峰填谷，延緩關鍵負荷節點設備擴容并提升配電網側功率因數的作用。與傳統柴油應急電源車、移動飛輪儲能車相比[3-4]，新一代智能型移動儲能系統（車）在技術先進性、運行模式、功能配置、安全保障等方面都具有明顯優勢，不僅可為地震、冰災、礦難等突發事件和應急搶修等提供電源保障，還可以為大數據中心、醫院、機場、通信等提供應急備用電源，在線路檢修期間進行臨時供電，為覆冰線路融冰，甚至可為電動汽車充電。

目前，有專家、學者開展了儲能系統控制策略的研究[5-11]，也有就電動汽車移動儲能應急策略展開研究[12-14]，但關于移動儲能車的研究較少。結合移動儲能發展和充分利用移動儲能參與電網服務，提升電力系統可靠性、靈活性，通過數據分析制定合理運行模式，優化移動儲能運行調度，實現移動儲能設備全生命周期內收益最大化等工作勢在必行。

1 移動儲能應用場景

隨著配電網負荷增大，許多城市老城區臺區變壓器（以下簡稱“臺區變”）給周邊工業、民用負荷供電，存在線路負荷率高、峰谷差較大等情況，同時因負荷中變頻器等設備產生電壓波動、閃變、諧波等電能質量問題，需要優質資源保證供電可靠性和電能質量。

移動儲能車加入供電系統，為臺區變供電，可以減輕臺區負載率，提高供電質量。除了為臺區變減災外，移動儲能車還可以作為備用緊急電源。當有多臺移動儲能車時，需要協調多臺儲能車，共同完成供電任務，此時需要建設儲能管理系統，通過儲能管理系統接入大量分散布置的儲能裝置，實時監測各類用戶負荷需求、配電網運行狀態和接受配電自動化信息和控制中心的調度信號，制定合理的運行模式和切換策略。

2 移動儲能車運行成本

移動儲能車的主要運行成本在于充電電費成本，儲能車的移動成本忽略不計。在進行調度時，需要考慮移動儲能車的健康狀態和充放電次數對壽命的影響，延長移動儲能車的使用壽命，提高儲能車利用效率。

在計算成本時，采用峰谷電價來計算移動儲能車的運行成本。在低谷時段利用低電價充電，高峰時段放電。

3 優化策略模型

進行優化調度時，考慮經濟性和可靠性等因素。經濟性為峰谷差充放電電價差，可靠性為在結合移動儲能車狀態，滿足臺區變減載要求的性能。

考慮經濟性的優化策略的目標函數為：

式中：k 為第k 臺移動儲能車；m 為移動儲能車的個數；t 為時刻，t=1，2，3，…，24；EPt為從t時刻開始單位時段放電的電價；EQkt為第k 臺移動儲能車從t 時刻開始單位時段放電電量；DEQkt為第k 臺移動儲能車從t 時刻開始單位時段充電電量；DEPt為從t 時刻開始單位時段充電的電價；TPit為第i 個臺區變t 時刻的功率值；DPijt為接入第i 個臺區變的第j 臺移動車的放電功率；r 為接入第i 個臺區變的移動儲能車總數；TLPit為第i個臺區變t 時刻的模糊負荷值；C 為懲罰系數。

移動儲能車優化問題求解要滿足臺區變的減載問題，將臺區變的高峰期負荷控制在臺區變的最佳運行功率上，可取為最大出力的80%。在滿足臺區變減載問題上，優化調度移動儲能車，安排充放電時間，以實現經濟效益最大化。

4 優化方案求解

移動儲能車調度優化可分成兩個階段：第一階段求解優化模型，根據優化模型得出移動儲能車的充放電時間安排表；第二階段根據每輛移動儲能車的充放電時間表，進行移動儲能車線路規劃，給出移動儲能車的調度方案。

移動儲能車優化模型的約束條件是滿足臺區變減載。當移動儲能車在臺區變有減載需求前的儲備電量不足以支撐后續時段減載需求時，同時在有充電的條件下，如其他臺區變負荷率較低時，雖然此時充電電價高，但仍可根據用戶實際需求，優先滿足重載臺區變的減載需求，對移動儲能車進行充電，使臺區變減載的電量最大化。

移動儲能車充電時，需考慮移動儲能車的充電時間。移動儲能車開始充電時間點對減載總電量也有影響。通常充電策略為移動儲能車全部放電完成，再進行充電，這種策略調度簡單明了，但不一定是減載總電量最大的方案，此時需要進行優化計算，在確保連續給臺區變減載的情況下，減載總電量最大。

在求解時，先計算全部移動儲能車電能容量是否滿足高峰期減載，若能滿足，則按移動儲能車的位置或充電效率等排序，優先對近距離高效儲能車進行調度，若不能滿足調度要求，則計算儲能車電能的缺額，移動儲能車的缺額為臺區變高峰期負荷高于額定容量80%部分的電能與儲能車可提供電能之差。安排調度儲能車進行充電，以滿足臺區變的減載需求。儲能車的充電速度可取為額定功率。對于這種復雜的優化問題，采用遺傳算法來求解。

遺傳算法是一種啟發式優化算法，借鑒自然界生物“優勝劣汰、適者生存”的進化機制，以遺傳變異理論為基礎，進行代際間的迭代搜索，從而實現隨機全局搜索以及優化。編碼、種群、適應度評估、選擇、交叉、變異等是遺傳算法的基本要素。通常計算步驟包括：

（1）針對優化問題，對參數進行編碼。

（2）隨機生成初始群體。

（3）計算所有個體的適應度函數值。

（4）按優選策略選擇進入下一代的個體。

（5）按交叉概率進行交叉操作。

（6）按變異概率進行變異操作。

（7）如果不滿足終止準則，則轉到步驟（3），否則轉入下一步。

（8）將適應度函數值最優的個體作為該問題的最優解輸出。

適應度函數采用式（1）的經濟效益目標函數，將滿足臺區變減載的約束作為罰函數。移動儲能車優化問題的參數包括儲能車所屬臺變區，所在臺區變放電排序以及在不能滿足減載電量、有電量缺額情況下，停止放電去其他臺區變繼續充電的時間點，其中所屬臺區變和放電排序為整型變量，停止放電時間點為實數，故采用混合遺傳算法進行求解。

所屬臺區變為整型，范圍為1 至臺區變個數；放電排序為整型，范圍為1 至移動儲能車個數，計算時，按該變量的大小在臺區變進行放電排序；停止放電時間點為實數，取0 至1 的實數，在計算轉換時，將該參數與儲能車的最大放電時段相乘，得到儲能車的放電時間點。

遺傳算法可得到多個優化解，待用戶確定一個方案后，根據移動車地理位置規劃調度方案，完成移動儲能車調度。

5 算例分析

某城區移動儲能車調度系統包括1 套監控管理系統設備和4 套移動儲能電源設備，儲能電源中100 kW/220 kWh 和100 kW/250 kWh 移動儲能設備各2 臺，總容量400 kW/940 kWh。有2 個最大負載為500 kW 的臺區變需要在高峰期減載，需減載至最大負載的80%。

臺區變1 和2 的某日預測負荷分別如表1 和表2 所示。

表1 臺區變1 預測負荷

表2 臺區變2 預測負荷

低谷期時段長，儲能車在低谷期充電，在高峰期前已完成充電，且預設高峰期儲能車到低負載率的臺變區充電所需時間為1.5 h。按照一般做法，先確定給每個臺區變減載的儲能車，如給臺區變1 分配100 kW/220 kWh 和100 kW/250 kWh移動儲能設備各1 臺，高峰期開始后，2 輛儲能車依次給臺區變放電，進行減載，前一輛車放至最低電量再由第二輛車繼續放電，在第二輛儲能車放電期間第一輛儲能車前往其他臺區變充電，在第二輛車放電結束后，接力第一輛車持續放電，此種放電方案，可提供610 kWh 的減載電量，但不能滿足全部的放電需求；針對臺區變1，采用混合遺傳算法，編碼為2 臺充電儲能車的充電順序和放電結束時間，充電順序為整型，放電結束時間為實數，適應函數取式（1）中的帶罰函數的經濟效益最大目標函數，變異率取0.15，最大代數為1 000 代，人口數取50，經過遺傳算法計算后可知，將第一輛車首先放電，且在15:00 停止放電，前往其他臺變區充電，第二輛車繼續放電，結束時，充電后的第一輛儲能車繼續放電，總減載電量為633 kWh，可完成臺變區的高峰期的全部減載任務。計算結果表明：采用遺傳算法可以給出更優化的減載方案。此外混合遺傳算法還可給出多臺區多臺儲能車的減載最優方案。基因編碼在前述編碼基礎增加儲能車所屬臺區變的編號。經計算可得，2 個臺區變最優減載分配方案均為分配100 kW/220 kWh 和100 kW/250 kWh移動儲能設備各1 臺，臺區變1 的優化方案如表3 減載方案1 所示，臺區變2 的優化方案為220 kWh 儲能車先放電，至15:11 停止放電，前往其他臺變區充電，第二輛車繼續放電，結束時，充電后的第一輛儲能車繼續放電，4 臺儲能車總減載電量為1 270 kWh，完成全部減載任務。同時，利用混合優化遺傳算法可以給出多種優化方案，便于調度人員實行優化調度。

表3 2 臺區變儲能車減載優化結果對比

6 結語

移動儲能車作為新興的儲能設備，有著廣闊的應用場景。本文針對臺區變減載應用采用混合遺傳算法給出優化方案，案例分析表明方案可行，比傳統方法能提供更多的減載能力。移動儲能車還可應用于備用電源、結合減載、備用電源、協調供電方面，有更深入的研究空間。