基于改進人工蜂群算法的電動汽車充電策略優化

劉華鋒，張翀，張迪，許寅皓，顧一鳴，劉秦娥

（1．國網湖北省電力有限公司襄陽供電公司，湖北 襄陽 441002；2．先進輸電技術國家重點實驗室（國網智能電網研究院有限公司），北京 102209；3．直流電網技術與仿真北京市重點實驗室（國網智能電網研究院有限公司），北京 102209）

隨著我國國民生活質量的提高，汽車產業呈迅速發展狀態，然而汽車在為人們帶來便利的同時，也加劇了能源安全和環境污染之間的矛盾。這時以電動汽車為代表的新能源汽車受到了工業界的廣泛關注，電動汽車是一種高效環保的綠色出行工具，不僅可以避免霧霾等空氣污染，而且可以降低汽車對石油能源的依賴。電動汽車的普及雖然可以促進我國能源格局的轉變，但大量電動汽車接入電網，對整個電力系統的穩定性以及安全可靠性產生了重大影響，電力汽車的無序充電導致電力負荷劇增，為電網帶來更多的諧波污染，同時我國需要新增更多電站來滿足電動汽車的電能需求，造成了嚴重浪費。因此，綜合考慮城市電網運行安全，合理規劃電動汽車充電策略成為眾多學者研究的焦點，文獻[1]中為滿足更多用戶的充電需求，設計了一種雙目標分層優化的電動汽車有序充電控制策略；文獻[2]中設計了充電模式優化充電策略，有效降低了電動汽車充電費用。本文針對此課題展開以下探討。

1 獲取電動汽車出行時間概率密度

電動汽車充電負荷特性[3]是本文研究充電策略優化的必要條件，由于電動汽車充電的時間不固定，本章從關鍵因素的電動汽車出行時間入手。根據居民出行調查數據顯示，電動汽車主要用于上下班通勤、接送孩子上下學、節假日出游、購物休閑等，并且大多數用戶會在到達目的地之后立刻對電動汽車進行充電，所以本文將電動汽車到達時間當作充電起始時間。為了獲取電動汽車出行時間概率密度，將家作為行程的起訖點，結合上述出行目的，構建電動汽車出行鏈結構如圖1所示。

圖1 以家為起訖點的電動汽車出行鏈結構圖

由圖可知，在一個區域內，電動汽車出行于這四類不同目的地之間，其充電行為也發生在這四類目的地。電動汽車每一段行程的結束時間以及電動汽車的充電時間是隨機的，因此本文結合傳統燃油汽車出行時間規律，對其行程結束時間數據進行擬合，發現電動汽車的出行時間滿足正態分布，那么獲取電動汽車出行時間概率密度的函數式如下所示：

式中，G（t）表示電動汽車出行時間t的概率密度參數，α、β分別表示電動汽車車主行程結束時間概率擬合曲線圖的形狀參數與尺度參數。如圖1所示的電動汽車出行鏈結構中，電動汽車兩段行程結束時間之間存在約束關系，也就是當前行程結束時間應晚于上一段行程結束的時間，所以可以利用上一段行程結束時間的擬合曲線尺度參數對當前數據做出對應的修正。本文通過式（1）獲取出行時間概率密度數據，作為計算電動汽車充電負荷需求的重要影響因素之一。

2 獲取電動汽車電池充電特性

目前我國電動汽車普遍使用鋰離子電池，并采取恒流加恒壓兩階段充電[4]方式來延長電池使用壽命，就是在電動車充電前期使用恒流充電形式，等動力電池的電壓提升到極限時變為恒壓充電形式，這樣可以有效克服電動車充電過程中的電流過大問題，從而保護電池。因此，本文在獲取電動汽車電池充電特性時，基于恒流－恒壓形式來計算其充電功率，參考某應用鋰離子電池的電動汽車動力電池規格，獲取該電動汽車充電功率變化情況如圖2所示。

圖2 鋰離子電池充電功率曲線圖

由圖可知，鋰離子電池在充電時，前期恒流階段很快就進入穩定狀態，而后期恒壓階段的持續時間較短，電動汽車充電功率很快衰減至零。那么本文刻畫鋰離子電池充電過程的表達式如下：

式中，U表示電動汽車鋰離子電池兩端的電壓參數，E表示鋰離子電池的恒定電勢參數，L表示鋰離子電池的額定容量參數，I表示電動汽車充電的電流參數，C表示鋰離子電池的極化常數值；R表示鋰離子電池的內阻參數，C1、C2分別表示鋰離子電池充電指數段的兩個常數值，Z表示電動汽車鋰離子電池的起始狀態參數。根據式（2）獲得鋰離子電池的充電功率為：

一般情況下，電動汽車會給出電池型號，根據型號就可以確定電池的 E、L、C、R、C1、C2數據，進而推導出電動汽車電池的充電功率特性，以此作為計算充電負荷需求的另一個影響因素。

3 計算電動汽車充電負荷需求

在計算電動汽車充電負荷需求[5]時，本文綜合電動汽車的充電時間和動力電池充電特性等因素，引入蒙特卡羅法模擬電動汽車行駛時間、行駛里程以及電動汽車充電功率的分布情況。利用蒙特卡羅法來計算電動汽車充電負荷需求的步驟如下：首先假設充電的電動汽車數量為n，同時控制電動汽車充電的起始時間數組與持續時間數組之中的電動汽車出行時間概率密度函數樣本數量為n；然后通過一個容量為24×n的二維數組來描述電動汽車每天的充電狀態，如果數組為1則處于充電狀態，電網供給電力負荷，如果數組為0則處于未充電狀態，電網停止供給電力負荷，由此獲得第h臺電動汽車在t時的充電負荷需求為：

式（4）中，m表示電動汽車充電持續時間數組中結果為1的數量，P0表示第h臺電動汽車的恒功率參數。根據式（4）進而計算n臺電動汽車的總充電負荷需求為：

當城市中電動汽車數量日益龐大時，其自由無序充電負荷將為電網負荷峰谷差增加嚴重負擔，所以本文計算電動汽車充電負荷需求，作為充電策略優化的基礎。

4 基于改進人工蜂群算法建立優化模型

城市電網理想的運行方式就是實現供電負荷與電動汽車充電負荷需求的平衡[6]，為了保證電網運行的安全性與穩定性，同時促使電網與電動汽車用戶兩者之間利益最大化，本文將基于多目標函數來建立電動汽車充電策略優化模型。由于多目標的優化模型會造成局部極值以及梯度下降等問題，所以在模型中引入改進人工蜂群算法[7]來解決多目標函數的偽收斂問題。人工蜂群算法是一種基于蜜蜂采蜜機理而提出的優化算法，采蜜通常由采蜜蜂、觀察蜂以及偵察蜂來共同實現，其工作過程如圖3所示。

圖3 蜜蜂采蜜過程圖

由圖可知，偵察蜂主要負責隨機搜索新蜜源，然后在固定區域將蜜源信息分享給觀察蜂，而這時觀察蜂根據信息選擇蜜源，再將此蜜源信息傳遞給采蜜蜂，由采蜜蜂負責選擇蜜源采蜜，以此獲得多目標問題的最優解。然而此算法中的偵察蜂搜索機制較為單一，沒有最優記憶參與，容易獲得局部最優解，所以本文融入遺傳算法交叉進化理念來改進人工蜂群算法，通過觀察蜂對鄰域搜索后蜜源結果之間的交叉進化，獲得最優解記憶，以此保證算法對最優解的全局搜索能力，用公式表示為：

式中，Y′表示改進后的采蜜蜂種群數據，Y表示改進前的采蜜蜂種群數據，δ表示解的適應度函數值，y表示偵察蜂的全局搜索最優記憶數據。本文同時電網負荷峰值和電動汽車充電成本，建立的電動汽車充電策略多目標優化模型為：

式中，f1表示電網負荷均方差優化模型，f2表示電網負荷均峰比優化模型，f3表示電動汽車充電費用優化模型，Pth表示電動汽車h在t時間的充電負荷參數，Pt表示電網的基礎負荷參數，表示電動汽車一天24小時內充電負荷平均值，Mth表示電動汽車h在t時間的充電費用參數，Mmax表示電動汽車充電費用中分時電價的最大值，W表示充電站的標志位，t1表示電動汽車充滿電所需要的時間參數。然后在此模型中引入改進人工蜂群算法，將多目標模型轉換為單目標，如式（8）所示：

式中，ω1、ω2、ω3分別表示電動汽車充電策略的多目標優化模型的加權系數值。改進人工蜂群算法主要就是優化多目標模型的解，通過引入ω1、ω2、ω3這三個數值，將多目標模型組成一個單目標模型，同時輸出最優的充電策略，以此實現電動汽車充電策略優化。

5 仿真實驗

為了驗證本文所提策略的可行性，選取基于利益鏈的電動汽車充電策略優化方法和基于DDPG算法的電動汽車充電策略優化方法，利用Matlab軟件模擬電動汽車充電情況來進行對比實驗，所模擬的配電網線路分布結構如圖4所示。

圖4 電網線路節點拓撲結構圖

在如圖4所示的配電網下接入電動汽車進行模擬實驗，實驗相關參數設置如表1所示。

表1 電動汽車充電實驗參數表

根據表中參數來模擬城市電動汽車充電，前半個月內模擬電動汽車無序充電情況，后半個月分別用上述三種方法對充電策略進行優化，根據優化后的表現來判斷本文所提方法的優化效果。那么獲得不同優化策略下的每日配電網負荷變化情況如圖5所示。

圖5 配電網負荷變化曲線圖

由圖5可知，無序充電策略可以滿足電動汽車的充電需求，不過會造成配電網負荷的峰谷差較大，電力系統穩定性較差。利用這三種方法對充電策略進行優化之后，電網負荷的峰谷差均出現降低現象，其中基于利益鏈的優化策略下電動汽車充電負荷峰谷差降低了269．8kW，基于DDPG算法的優化策略下電動汽車充電負荷峰谷差降低了346．6kW，本文所提策略下的電動汽車充電負荷峰谷差降低了449．2kW，較其他兩種方法分別多179．4kW、102．6kW，由此可以說明本文所提基于改進人工蜂群算法的優化策略具有更明顯優化效果，且可以有效降低電網的負荷波動、提升電網穩定性。

6 結論

電動汽車的普及是環境安全和市場趨勢等因素共同推動的必然結果，針對電動汽車的無序充電大幅增加、電網負荷峰谷差等問題，本文基于電動汽車充電的負荷需求，從電網與電動汽車用戶兩個角度出發，建立電動汽車充電策略優化模型，結合改進人工蜂群算法將多目標優化模型轉換為單目標優化模型，進而獲得電動汽車最優充電策略。并通過仿真實驗結果，展現了本文所提充電策略優化方法的實際應用價值。未來如果出現更新的電動汽車數據，將綜合考慮實際電網結構，繼續深入研究電動汽車充電策略優化方案，為保障我國電網穩定運行做出貢獻。