電動汽車與可再生能源的協(xié)調(diào)優(yōu)化

周楊，王東華

(1. 廣東電網(wǎng)發(fā)展研究院有限責任公司，廣東 廣州 510080；2.中國南方電網(wǎng)有限責任公司超高壓輸電公司廣州局，廣東 廣州510405)

?

電動汽車與可再生能源的協(xié)調(diào)優(yōu)化

周楊1，王東華2

(1. 廣東電網(wǎng)發(fā)展研究院有限責任公司，廣東 廣州 510080；2.中國南方電網(wǎng)有限責任公司超高壓輸電公司廣州局，廣東 廣州510405)

針對電動汽車和可再生能源之間的多目標協(xié)調(diào)調(diào)度，建立了以配電網(wǎng)負荷波動最小、總網(wǎng)絡(luò)損耗最小和電動汽車用戶充電成本最小為目標函數(shù)的多目標協(xié)調(diào)控制模型，并采用量子粒子群多目標搜索算法進行求解，得到各個時刻電動汽車合理的入網(wǎng)數(shù)量。以IEEE-33節(jié)點配電系統(tǒng)進行仿真實驗，結(jié)果表明，利用電動汽車的電池儲能系統(tǒng)作為電網(wǎng)和可再生能源的緩沖，能降低可再生能源發(fā)電間歇性和電動汽車入網(wǎng)隨機性對電網(wǎng)的影響，促使電網(wǎng)側(cè)和用戶側(cè)的雙邊利益最大化。

電動汽車；可再生能源；協(xié)調(diào)控制；量子粒子群優(yōu)化算法；多目標優(yōu)化

隨著環(huán)境污染和化石燃料枯竭等問題的日益凸顯，電動汽車被認為是減少對化石能源依賴和二氧化碳排放的有效解決方法，正受到各國政府和相關(guān)企業(yè)的高度關(guān)注[1-3]。電動汽車數(shù)量增長，其入網(wǎng)充電勢必會給現(xiàn)有電網(wǎng)造成巨大的沖擊。太陽能、風能等可再生能源的輸出功率具有波動性，直接接入電網(wǎng)會對電網(wǎng)的電能質(zhì)量和穩(wěn)定性產(chǎn)生較大的影響。電動汽車電池是潛在的儲能電源，善加利用可以在電網(wǎng)與可再生能源之間起緩沖作用，平滑可再生能源的自然可變性，保證電網(wǎng)頻率的穩(wěn)定性，從而提高可再生能源的發(fā)電效率和電網(wǎng)接納可再生能源的能力。

電動汽車-電網(wǎng)互動技術(shù)(vehicle-to-grid, V2G)是基于電動汽車與電網(wǎng)間的雙向能量交換，探討電動汽車入網(wǎng)協(xié)調(diào)優(yōu)化策略的新技術(shù)。文獻[4]研究了通過優(yōu)化電動汽車充電與電網(wǎng)間的協(xié)調(diào)控制來提高電力系統(tǒng)供電可靠性、經(jīng)濟性的可能性；文獻[5]研究了電動汽車參與電網(wǎng)調(diào)頻的控制策略；文獻[6]采用分時充電電價對電動汽車充電行為加以引導，實現(xiàn)“削峰填谷”；文獻[7]建立了一個經(jīng)濟調(diào)度模型，以研究可入網(wǎng)電動汽車充放電行為的隨機性和風電出力的不確定性。隨著V2G研究的進一步深入，綜合考慮電動汽車與可再生能源的協(xié)調(diào)優(yōu)化將是一大研究重點，但目前相關(guān)研究較少。

電動汽車與可再生能源之間的協(xié)調(diào)優(yōu)化，不僅需要考慮電網(wǎng)對安全穩(wěn)定運行和“削峰填谷”的訴求，還需要考慮電動汽車用戶的經(jīng)濟成本，以促進電動汽車的普及。本文針對這一協(xié)調(diào)優(yōu)化問題建立多目標協(xié)調(diào)優(yōu)化模型，并用算例對該模型進行驗證。

1 電動汽車和可再生能源模型

1.1 電動汽車時空充電模型

目前關(guān)于電動汽車駕駛特性的相關(guān)數(shù)據(jù)較少，但考慮到電動汽車在行駛規(guī)律上與傳統(tǒng)燃油汽車并無區(qū)別，故可從現(xiàn)有對傳統(tǒng)機動車的交通分析報告入手，分析電動汽車的駕駛特性。對英國交通部提供的全國出行調(diào)查數(shù)據(jù)分析表明，機動車日行駛里程d近似服從對數(shù)正態(tài)分布或Weibull分布。為滿足用戶出行習慣的多樣性，考慮多種出行種類(對應(yīng)的概率密度函數(shù)見表1[8])，采用蒙特卡洛法生成各出行種類下的出行距離

式中：μ和σ分別為正態(tài)分布的平均值與標準差，k和c分別為Weibull分布的形狀參數(shù)和尺度參數(shù)。

表1 出行種類百分比及對應(yīng)概率密度函數(shù)

出行種類所占比例/%概率分布函數(shù)類型參數(shù)通勤16Lognormalμ=3.27,σ=1.02商務(wù)3Weibullc=111.75,k=1.27教育11Lognormalμ=2.48,σ=1.16購物20Lognormalμ=2.76,σ=1.18個人事務(wù)20Lognormalμ=3.02,σ=1.32訪友15Weibullμ=83.81,σ=0.93其余娛樂15Lognormalμ=3.42,σ=1.29

本文的研究基于以下假設(shè)：充電基礎(chǔ)設(shè)施發(fā)達，充電地點不局限于居民區(qū)，也可以是工商業(yè)區(qū)等工作地點；用戶通常習慣在抵達工作地點或出行結(jié)束返回住所后立刻將電動汽車接入電網(wǎng)開始充電。

文獻[9]對居民區(qū)和工商業(yè)區(qū)內(nèi)機動車的出行時間和停放行為進行了統(tǒng)計調(diào)查和數(shù)據(jù)分析。早晨，人們駕車離開居民區(qū)前往位于工商業(yè)區(qū)的工作地點，工商業(yè)區(qū)迎來上班抵達高峰，車輛停放時間通常為白天08:00—18:00；傍晚，人們駕車駛離工商業(yè)區(qū)回到住所，居民區(qū)迎來出行結(jié)束高峰，車輛停放時間通常為晚上18:00—次日07:00。

用戶抵達工作地點的時間概率密度函數(shù)

式中：ta為用戶抵達工作地點的時間，μa=7.97，σa=0.66。

用戶出行結(jié)束返回住所時間的概率密度函數(shù)

式中：tb為用戶出行結(jié)束返回住所的時間，μb=17.6，σb=3.4。

假設(shè)上一次使用前電池為滿電量，則電動汽車每日所消耗的電能

式中W為平均能耗，按0.15kWh/km計算。

電能的變化最終體現(xiàn)在電池荷電狀態(tài)(stateofcharge，SOC)的變化上，充電前電池初始SOC

式中：Cb為電池容量，Ub為電池的標稱電壓。

對一從給定時刻k開始充電的電動汽車來說，其到時刻t(k≤t)仍在充電的概率

式中N為電池從零電量充至滿電量所需時間。

采用鋰電池為研究對象，其充電功率可近似看作一定值Pc。為便于數(shù)值計算，以Δt為間隔離散化。假設(shè)電動汽車在給定時刻k開始充電的概率為Φ(k)，Φ(k)由充電控制策略所決定。對于待研究區(qū)域電網(wǎng)內(nèi)的n輛電動汽車，一天內(nèi)任一時刻t的充電功率平均值

式中：t0為充電開始時間，tend為充電結(jié)束時間。

1.2 風電出力模型

風力發(fā)電的出力隨風速的變化而變化，目前國內(nèi)外公認的風速分布概率模型為兩參數(shù)Weibull分布函數(shù)，其概率密度函數(shù)

式中v為風速。

風力發(fā)電機組有功出力與風速之間的關(guān)系為：

式中：Pw為風力發(fā)電機的實際有功出力，Pr為風力發(fā)電機的額定有功出力，vr、vi和vo分別為額定風速、切入風速和切出風速。

1.3 光伏發(fā)電出力模型

光伏發(fā)電的實際輸出功率主要取決于太陽的輻射強度。在一段時間內(nèi)，太陽輻射的光照強度近似滿足Beta分布，其概率密度函數(shù)

式中：Γ為Gamma函數(shù)，I和Imax分別為光伏電池板傾斜面上的實際光照強度和最大光照強度，α和β為Beta分布的形狀參數(shù)。

光伏發(fā)電的實際輸出功率與其接受的太陽輻射強度成正比，單個電池組件的輸出功率

式中：A為單個電池組件的面積，η為對應(yīng)電池組件的光電轉(zhuǎn)換效率。當光伏電池方陣共有N個組件正常工作時，方陣的總輸出功率為NP。

2 電動汽車和可再生能源的協(xié)調(diào)優(yōu)化模型

2.1 目標函數(shù)

電動汽車和可再生能源的協(xié)調(diào)優(yōu)化需考慮電網(wǎng)和電動汽車用戶兩方面的訴求，一方面盡量協(xié)調(diào)電動汽車和間歇性可再生能源對電網(wǎng)的影響，平抑電網(wǎng)等效負荷波動，降低配電網(wǎng)總損耗；另一方面盡可能地降低電動汽車用戶的充電成本，加快電動汽車普及速度。兩方面的訴求對電池的充電要求存在一定的沖突性。

優(yōu)化模型目標具體如下：

a)平抑配電網(wǎng)等效負荷波動，其數(shù)學表達式為

其中

式中：F1為配電網(wǎng)等效負荷波動值，Pload,t、Pw,t、Ps,t、Pev,t分別為t時刻電網(wǎng)的原有負荷、風力發(fā)電機組出力、光伏發(fā)電出力和電動汽車的充電功率，Pav為Pload,t、Pw,t、Ps,t、Pev,t的平均值。

b)配電網(wǎng)總損耗F2最小，其數(shù)學表達式為

式中：Rl為線路l的電阻值，Il,t為t時刻流過線路l的電流，lmax為總線路數(shù)。

c)電動汽車用戶充電成本F3最小，其數(shù)學表達式為

式中C(t)為t時刻的電價。

2.2 約束條件

2.2.1 電動汽車電池電量約束

對單臺電動汽車而言，電池的充電電量和存儲電量應(yīng)滿足如下條件：

式中：t0為充電開始時刻，T為充電持續(xù)時間，Qe為電池額定滿充電量，Qmin和Qmax分別為電池可存儲電量的最小值和最大值，Qt為t時刻電動汽車存儲的總電量。

對t時刻內(nèi)的所有電動汽車而言，應(yīng)滿足如下條件：

其中

式中：μ為電動汽車充電效率，Qcons,t為t時刻所有電動汽車消耗的電量，ε為電動汽車單位里程的平均能耗，Ncons,t為t時刻處于行駛狀態(tài)的電動汽車數(shù)量；Qcons,i,t為t時刻第i輛電動汽車行駛的距離。

2.2.2 充電時間約束

充電時間t限定在電動汽車閑置階段，即

式中：Tarrive為電動汽車抵達充電地點的時間，Tleave為電動汽車離開充電地點的時間。

2.2.3 電動汽車充電負荷約束

式中：λ1(i)、λ2(i)、λ3(i)分別為表明節(jié)點i處的負荷是否屬于居民區(qū)、工業(yè)區(qū)或商業(yè)區(qū)的變量，其值為“1”表示屬于，其值為“0”表示不屬于；Pr(t)、Pi(t)、Pc(t)分別為t時刻居民區(qū)、工業(yè)區(qū)和商業(yè)區(qū)有功負荷的標幺值；Pr、Pi、Pc分別為居民區(qū)、工業(yè)區(qū)和商業(yè)區(qū)的負荷峰值；xi(t)為t時刻接入節(jié)點i處開始充電的純電動汽車(pure electric vehicle，PEV)數(shù)量。

2.2.4 系統(tǒng)潮流約束

式中：Ui為節(jié)點i的電壓，Gi,j、Bi,j、θi,j分別為節(jié)點i和j之間的電導、電納和電壓相位差，PG(i,j)、QG(i,j)分別為t時刻節(jié)點i的發(fā)電機有功出力和無功出力；PL(i,j)、QL(i,j)分別為t時刻節(jié)點i的負荷有功功率和無功功率，n為系統(tǒng)節(jié)點數(shù)量。

2.2.5 電壓幅值約束

式中：Ui,t為t時刻節(jié)點i的電壓值，Uimax、Uimin分別為節(jié)點i的電壓上限值和下限值。

2.2.6 支路傳輸功率約束

式中：Slmax為線路l的最大傳輸容量，Sl為線路l的傳輸容量。

2.3 多目標優(yōu)化調(diào)度

采用基于量子粒子群優(yōu)化(quantum-behavedparticle swarm optimization, QPSO)算法的多目標優(yōu)化算法求解上述多目標優(yōu)化模型，該算法全局搜索能力強，且粒子狀態(tài)僅含位置向量，算法參數(shù)少，更容易利用編程實現(xiàn)和控制[10]。算法流程如圖1所示。

圖1 基于QPSO算法的多目標優(yōu)化算法流程

多目標優(yōu)化問題通常不存在唯一解使所有目標均最優(yōu)，其最優(yōu)解通常為Pareto解，所有Pareto解構(gòu)成的集合稱為Pareto解集。

3 仿真算例

3.1 仿真系統(tǒng)

本文采用IEEE-33節(jié)點系統(tǒng)作為仿真對象，該系統(tǒng)為三相平衡系統(tǒng)，單線圖如圖2所示。三相功率的基準值SB=10 MVA，線電壓的基準值UB=12.66 kV。節(jié)點1連接到主電網(wǎng)，為參考節(jié)點，其余節(jié)點均為負荷節(jié)點。假定節(jié)點2—18為居民區(qū)，節(jié)點19—25為工業(yè)區(qū)，節(jié)點26—33為商業(yè)區(qū)，3種典型負荷的標準化日負荷曲線如圖3所示。

圖2 IEEE-33節(jié)點配電網(wǎng)單線圖和負荷分區(qū)

圖3 3種典型負荷的標準化日負荷曲線

設(shè)定風力發(fā)電和光伏發(fā)電的最高發(fā)電容量比為15%，并在線路的中間偏末端接入電網(wǎng)。風力發(fā)電機組4臺，為國產(chǎn)FD-24-200型機組，裝設(shè)在節(jié)點18、25、32，分別為2、1、1臺；光伏發(fā)電400組，光伏方陣型號為SFM144Hx250wp，裝設(shè)在節(jié)點17、24、33，分別為200、100、100組。某風速曲線和光照強度曲線對應(yīng)的風電和光伏發(fā)電有功出力見表2，一天各時刻的購電電價見表3。

表2 風電和光伏發(fā)電有功出力

時刻有功出力/kW風電光伏發(fā)電時刻有功出力/kW風電光伏發(fā)電01:00343.60.013:00335.2325.102:00395.80.014:00302.3408.703:00446.30.015:00253.5343.704:00405.00.016:00214.7185.805:00369.70.017:00180.2102.206:00341.00.018:00202.155.807:00298.146.519:00192.80.008:00321.7102.220:00164.20.009:00321.7195.121:00200.40.010:00350.3288.022:00241.70.011:00291.4260.123:00264.40.012:00335.2250.824:00270.30.0

表3 峰谷分時電價

時段用電狀態(tài)購電價格/(元·kW-1h-1)00:00—08:00低谷0.36508:00—12:00高峰0.86912:00—17:00平段0.68717:00—21:00高峰0.86921:00—00:00平段0.687

3.2 Pareto最優(yōu)解

本文建立的協(xié)調(diào)優(yōu)化模型目標數(shù)為3，設(shè)定粒子維數(shù)為15，包含住宅區(qū)域的9個可充電時刻和工作區(qū)域的6個可充電時刻，個體變量即各時刻接入電網(wǎng)充電的電動汽車數(shù)量。優(yōu)化得到的非劣解在目標空間中的分布如圖4所示。

圖4 Pareto最優(yōu)解空間分布

從圖4可以看出，算法搜索到的非劣解構(gòu)成了Pareto前沿，整個解集具有較好的分布性。

表4比較了加入風光發(fā)電系統(tǒng)前后的最優(yōu)解。

表4 最優(yōu)解比較

系統(tǒng)類型損耗/MWh不加風光發(fā)電系統(tǒng)加風光發(fā)電系統(tǒng)充電成本/元不加風光發(fā)電系統(tǒng)加風光發(fā)電系統(tǒng)負荷波動值/kW2不加風光發(fā)電系統(tǒng)加風光發(fā)電系統(tǒng)配電網(wǎng)總損耗最優(yōu)解2.9862.237184519415767949349用戶充電成本最優(yōu)解3.0232.2781222104395404104752配電網(wǎng)負荷波動最優(yōu)解3.0292.237242321524304546863

由表4可知：配電系統(tǒng)加入風光發(fā)電系統(tǒng)后，配電網(wǎng)總損耗最優(yōu)值從2.986 kWh降到2.237 kWh，降低了25.1%，電動汽車用戶充電成本最優(yōu)值從1 222元下降到1 043元，節(jié)省了14.7%，說明風力和光伏等可再生能源的接入不僅減少了配電網(wǎng)損耗，還可降低電動汽車用戶的充電成本。

3.3 最終方案

Pareto解集的所有解均是最優(yōu)解，最終方案的選取可根據(jù)實際需求來決定。針對本文考慮的3個目標函數(shù)，制定選取原則：首先保證電能質(zhì)量，確保各節(jié)點電壓不越限，降低電網(wǎng)的線路損耗；其次降低用戶的充電成本，加快電動汽車的普及；最后盡量減少電網(wǎng)等效負荷的波動，提高電網(wǎng)的經(jīng)濟運行。據(jù)此，最終方案選取考察目標的優(yōu)先順序為F2→F3→F1。各時刻電動汽車入網(wǎng)數(shù)量的最終優(yōu)化結(jié)果見表5，對應(yīng)充電功率曲線如圖5所示。

表5 各可入網(wǎng)時刻開始充電的PEV數(shù)量的最終方案

時刻入網(wǎng)時刻開始充電的PEV數(shù)量百分比/%時刻入網(wǎng)時刻開始充電的PEV數(shù)量百分比/%01:001318:00002:001519:00008:00620:00009:001321:00010:00522:00211:00423:00112:001124:00813:0022

圖5 電動汽車充電功率曲線

從表5可以看出：13:00和02:00入網(wǎng)開始充電的電動汽車數(shù)量較多，并在充電時長內(nèi)持續(xù)消耗電網(wǎng)功率。13:00是白天最后可入網(wǎng)時刻，且工商業(yè)區(qū)傳輸線路短、網(wǎng)絡(luò)損耗小、電壓不易越限；02:00是夜晚最后可入網(wǎng)時刻，將充電負荷填入原有負荷的低谷時段。

從表2、表3和圖7可以看出：12:00—17:00太陽能發(fā)電充足且屬于平段電價，該時段充電負荷達到最高峰；00:00—06:00是負荷低谷和電價低谷時段，風力發(fā)電出力較高，充電負荷亦較高。充分利用這2個時段，可以有效緩解用電壓力，降低充電成本。

為了更好地分析最終方案對電網(wǎng)的影響，加入隨機充電模式進行比較。圖6為含電動汽車充電的等效負荷曲線。

圖6 含電動汽車充電的等效負荷曲線

從圖6可看出：隨機充電方式下的充電負荷與原有負荷高峰疊加；多目標優(yōu)化充電方式則充分考慮風光出力變化和充電電價的高低，靈活安排入網(wǎng)電動汽車數(shù)量，實現(xiàn)多目標函數(shù)值最優(yōu)。通過潮流計算，統(tǒng)計各時刻各節(jié)點電壓最低值如圖7所示。

圖7 各時刻節(jié)點電壓的最低值

由圖7可以看出：在負荷高峰時段，多目標優(yōu)化充電方式較隨機充電方式更不易越限。

圖8為平均日網(wǎng)絡(luò)損耗曲線。

圖8 平均日網(wǎng)絡(luò)損耗曲線

從圖8可看出：多目標優(yōu)化充電方式下，平均日網(wǎng)絡(luò)損耗曲線與橫坐標圍成的日網(wǎng)絡(luò)損耗面積，遠小于隨機充電方式時，實現(xiàn)了配電網(wǎng)總損耗的優(yōu)化。

4 結(jié)論

本文基于電動汽車時空充電模型和風能、太陽能發(fā)電數(shù)學模型，建立了電動汽車和可再生能源的多目標協(xié)同優(yōu)化調(diào)度方案，在減小間歇性可再生能源對電網(wǎng)沖擊的同時，降低了電動汽車用戶的充電成本。采用具有更強全局搜索能力的多目標QPSO算法能夠獲得多種優(yōu)化調(diào)度方案，可根據(jù)電網(wǎng)和用戶的不同實際需求進行選擇。

實例仿真結(jié)果表明，該模型可以有效地利用電動汽車電池儲能系統(tǒng)作為電網(wǎng)和可再生能源的緩沖，降低可再生能源發(fā)電間歇性和電動汽車入網(wǎng)隨機性對電網(wǎng)的影響，尋求電網(wǎng)側(cè)和用戶側(cè)的雙邊利益最大化，促進電動汽車的推廣普及。

[1] 王錫凡，邵成成，王秀麗，等．電動汽車充電負荷與調(diào)度控制策略綜述[J].中國電機工程學報，2013，33(1)：1-10.

WANG Xifan，SHAO Chengcheng，WANG Xiuli，et al．Survey of Electric Vehicle Charging Load and Dispatch Control Strategies[J].Proceedings of the CSEE，2013，33(1)：1-10.

[2] ASHTARI A，BIBEAU E，SHAHIDINEJAD S，et al．PEV Charging Profle Prediction and Analysis Based on Vehicle Usage Data[J].IEEE Transactions on Smart Grid，2012，3(1)：341-349.

[3] 荊朝霞，鐘童科，林志龍，等．電動汽車充電行為對電網(wǎng)負荷曲線的影響[J].南方電網(wǎng)技術(shù)，2013，7(1)：80-84.

JING Zhaoxia，ZHONG Tongke，LIN Zhilong，et al．The Impact of Electric Vehicles Charging Behavior on The Load Curve of Power Grid[J].Southern Power System Technology，2013，7(1)：80-84.

[4] QIAN Kejun，ZHOU Chengke，ALLAN M，et al．Modeling of Load Demand Due to EV Battery Charging in Distribution Systems[J].IEEE Transactions on Power Systems，2011，26(2)：802-810.

[5] MU Yunfei，WU Jianzhong，EKANAYAKE J，et al．Primary Frequency Response from Electric Vehicles in the Great Britain Power System[J].IEEE Transactions on Smart Grid，2013，4(2)：1142-1150.

[6] 鄭丹，袁泉．采用分時充電電價時電動汽車充電需求分析[J].廣東電力，2014，27(12)：24-29.

ZHENG Dan，YUAN Quan．Analysis on Charging Demand of Electric Vehicle Based on Application of Time-sharing Charging Price[J].Guangdong Electric Power，2014，27(12)：24-29.

[7] 趙俊華，文福拴，薛禹勝，等．計及電動汽車和風電出力不確定性的隨機經(jīng)濟調(diào)度[J].電力系統(tǒng)自動化，2010，34(20)：22-29.

ZHAO Junhua，WEN Fushuan，XUE Yusheng，et al．Power System Stochastic Economic Dispatch Considering Uncertain Outputs from Plug-in Electric Vehicles and Wind Generators[J].Automation of Electric Power Systems，2010，34(20)：22-29.

[8] Department of Transportation. National Travel Survey：2010[R].London：Department of Transportation，2010.

[9] 岳芳．上班出行行為特征研究[D].北京：北京交通大學，2008.

[10] 史峰，王輝，郁磊，等．MATLAB智能算法30個案例分析[M].北京：北京航空航天大學出版社，2013：102-107.

(編輯 李麗娟)

Coordinated Optimization on Electric Vehicles and Renewable Energy

ZHOU Yang1,WANG Donghua2

(1. Guangdong Power Grid Development Research Institute Co., Ltd., Guangzhou, Guangdong 510080, China; 2. Guangzhou Bureau, CSG EHV Power Transmission Company, Guangzhou, Guangdong 510405, China)

In allusion to multi-objective coordinated dispatching for electric vehicles and renewable energy, this paper establishes a multi-objective coordinated control model taking minimum load fluctuation of the power distribution network, minimum network loss and minimum charging cost of electric vehicle users for objective functions. It also uses quantum particle swarm(PSO) multi-objective searching algorithm for solution and then gets reasonable network accessing numbers of electric vehicles at each time. IEEE-33 node power distribution system is used for simulating experiment and results indicate that it is able to reduce generation intermittent of renewable energy and influence on the power grid by random of network accessing of electric vehicles by taking battery energy storage system of the electric vehicle as cushion for the power grid and renewable energy, as well as promote maximization of bilateral benefits of grid side and user side.

electric vehicle; renewable energy; coordinated control; quantum particle swarm optimization algorithm; multi-objective optimization

2016-04-27

2016-07-11

10.3969/j.issn.1007-290X.2016.10.008

TM714；TM910.6

A

1007-290X(2016)10-0042-07

周楊(1987)，男，湖北荊州人。工程師，工學碩士，從事電網(wǎng)規(guī)劃與系統(tǒng)分析工作。

王東華(1991)，女，江西吉安人。助理工程師，工學碩士，從事直流輸電系統(tǒng)運行管理工作。