基于思維進(jìn)化算法的電動(dòng)汽車有序充電控制策略

余曉玲, 余曉婷， 韓曉娟

(1. 華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，北京 102206；2. 青海大學(xué)水利電力學(xué)院，青海 西寧 810016)

基于思維進(jìn)化算法的電動(dòng)汽車有序充電控制策略

余曉玲1, 余曉婷2， 韓曉娟1

(1. 華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，北京 102206；2. 青海大學(xué)水利電力學(xué)院，青海 西寧 810016)

大量電動(dòng)汽車充電會加大充電站負(fù)荷峰谷差，影響充電站安全穩(wěn)定運(yùn)行。因此提出了一種基于思維進(jìn)化算法(MEA)的電動(dòng)汽車有序充電控制策略：以用戶充電費(fèi)用最少和充電站負(fù)荷峰谷差最小為目標(biāo)函數(shù)，采用MEA算法動(dòng)態(tài)計(jì)算接入充電站電動(dòng)汽車的最優(yōu)充電時(shí)段，由用戶自主響應(yīng)，從而實(shí)現(xiàn)充電站內(nèi)電動(dòng)汽車的有序充電控制。為驗(yàn)證該策略的有效性，利用蒙特卡洛方法模擬用戶充電需求，對算例進(jìn)行仿真分析。結(jié)果表明：與無序充電相比，有序充電控制策略可在降低電動(dòng)汽車用戶費(fèi)用的基礎(chǔ)上實(shí)現(xiàn)充電負(fù)荷的削峰填谷；相比于使用遺傳算法,MEA算法具有一定優(yōu)勢。

電動(dòng)汽車充電站; 蒙特卡洛模擬; 思維進(jìn)化算法; 有序充電; 峰谷電價(jià)

0 引言

近年來，發(fā)展電動(dòng)汽車被世界各國普遍確立為發(fā)展低碳經(jīng)濟(jì)和保障能源安全的重要手段[1，2]，然而大規(guī)模電動(dòng)汽車接入電網(wǎng)充電，將對電力系統(tǒng)運(yùn)行產(chǎn)生一定影響[3]，且會改變電網(wǎng)負(fù)荷特性。如果不采取有效的充電控制策略，將進(jìn)一步加劇電網(wǎng)負(fù)荷峰谷差，可能導(dǎo)致配電網(wǎng)線路過載、電壓跌落[4]、配電網(wǎng)損耗增加[5]、配電變壓器過載[6，7]、諧波污染[8]等一系列問題。同時(shí)，電動(dòng)汽車作為新型的移動(dòng)負(fù)載，其充電行為具有較強(qiáng)的時(shí)空不確定性，無序充電將形成沖擊性負(fù)荷，影響電網(wǎng)穩(wěn)定。因此電動(dòng)汽車有序充電控制對于降低電網(wǎng)運(yùn)行風(fēng)險(xiǎn)，提高電網(wǎng)運(yùn)行效益與穩(wěn)定性具有重要意義[9]。

目前有關(guān)電動(dòng)汽車有序充電的研究有：文獻(xiàn)[10]提出了一種以降低配網(wǎng)網(wǎng)損為目標(biāo)的電動(dòng)汽車有序充電在線控制方法；文獻(xiàn)[11]提出了面向電動(dòng)汽車換電模式的兩階段有序充電方法；文獻(xiàn)[12]提出了基于隊(duì)列方式的功率控制優(yōu)化充電策略；文獻(xiàn)[13]在分析配電系統(tǒng)饋線網(wǎng)絡(luò)損耗、配電網(wǎng)負(fù)載率以及負(fù)荷波動(dòng)方差三者之間關(guān)系的基礎(chǔ)上，研究用于降低損耗的有序充電控制方法。

上述文獻(xiàn)中有序充電控制方法主要基于數(shù)學(xué)優(yōu)化模型，通過動(dòng)態(tài)控制充電功率實(shí)現(xiàn)有序充電，但并不適用于大規(guī)模電動(dòng)汽車有序充電的在線應(yīng)用。同時(shí)，有序充電過程會頻繁調(diào)節(jié)充電樁充電功率，影響電池和充電機(jī)壽命，用戶支持度較低[14]。

因此，文中提出了一種基于思維進(jìn)化算法(MEA)的有序充電控制策略：通過峰谷電價(jià)引導(dǎo)電動(dòng)汽車負(fù)荷轉(zhuǎn)移。以用戶充電費(fèi)用最小和充電站負(fù)荷峰谷差最小為目標(biāo)函數(shù)，以充電站功率平衡及滿足用戶充電需求為約束條件，建立電動(dòng)汽車有序充電控制的優(yōu)化模型，采用MEA算法對模型優(yōu)化計(jì)算，得到電動(dòng)汽車的最優(yōu)充電時(shí)段，由用戶自主響應(yīng)，從而實(shí)現(xiàn)充電站內(nèi)電動(dòng)汽車的有序充電控制。

1 基于MEA算法的有序充電控制策略

文中提出的有序充電控制策略，主要是充電站根據(jù)峰谷電價(jià)和功率限制等條件，制定分時(shí)段充電計(jì)劃，期望用戶自主響應(yīng)，通過電價(jià)引導(dǎo)達(dá)到降低峰谷差的目的。采用峰谷電價(jià)，是“電力需求側(cè)管理”的一種重要手段，也是引導(dǎo)電力用戶進(jìn)行合理分時(shí)段用電的基本方式[15]。圖1為有序充電控制策略流程。

圖1 有序充電控制流程Fig.1 Flow chart of the proposed coordinated charging method

(1) 獲得充電需求數(shù)據(jù)。電動(dòng)汽車接入充電樁，充電樁通過電動(dòng)汽車的電池管理系統(tǒng)得到該車電池容量B和初始電池荷電狀態(tài)值S0，用戶通過客戶端輸入其預(yù)期停留時(shí)間TL與預(yù)期充電后電池荷電狀態(tài)值St。

(2) 計(jì)算預(yù)期充電時(shí)長。充電站的管理系統(tǒng)利用式(1)計(jì)算充電后電池荷電狀態(tài)值達(dá)到St時(shí)的預(yù)期充電時(shí)長Tg。

(1)

式中：「?為向上取整符號；Pe為充電樁輸出的恒定功率；Δt為每個(gè)時(shí)間段的長度，文中取15 min。

(3) 根據(jù)Tg計(jì)算結(jié)果，判斷是否為正常情況。定義TL內(nèi)滿足負(fù)荷功率限制的時(shí)間段之和為充電站可充電時(shí)間Tp。如果TgTp，即充電站無法在TL內(nèi)滿足用戶的充電需求，此情況為異常一；如果Tg

(4) 確定有序充電時(shí)間段。充電站利用電動(dòng)汽車的充電需求與峰谷電價(jià)，采用MEA算法計(jì)算出有序充電時(shí)間段、有序充電費(fèi)用及無序充電費(fèi)用。

(5) 用戶自主響應(yīng)充電模式。由用戶自主選擇有序或無序充電，充電站根據(jù)用戶選擇確定最終充電計(jì)劃，以實(shí)現(xiàn)電動(dòng)汽車的有序充電控制。

(6) 異常情況處理。異常情況一：用戶可以選擇離開或繼續(xù)充電。若用戶想繼續(xù)充電，需要延長TL或者降低St。若用戶更改充電需求，則重復(fù)步驟(2)直到充電站可以滿足用戶的充電需求。異常情況二：用戶可以選擇無序充電、有序充電、更改數(shù)據(jù)或直接離開。由于不連續(xù)充電會對電動(dòng)汽車電池造成一定損傷，故用戶對該充電方式的響應(yīng)度較低。若用戶選擇無序充電，則充電樁立即開始為電動(dòng)汽車充電，充電時(shí)自動(dòng)跳過不滿足負(fù)荷約束條件的時(shí)間段；若用戶響應(yīng)有序充電，則無法保證用戶連續(xù)充電，充電站系統(tǒng)會在充電站負(fù)荷最小的時(shí)間段內(nèi)為電動(dòng)汽車充電且該時(shí)段內(nèi)為充電電價(jià)均為谷時(shí)電價(jià)，以補(bǔ)償不連續(xù)充電給用戶帶來的損害；若用戶選擇延長TL或者降低St，則重復(fù)步驟(2)，直到充電站可以滿足用戶的充電需求。

2 優(yōu)化模型

2.1 目標(biāo)函數(shù)

以用戶充電費(fèi)用最少和充電站負(fù)荷峰谷差最小為目標(biāo)函數(shù)，如式(2)所示。

(2)

式中：f1為用戶充電費(fèi)用；cf為充電站峰時(shí)電價(jià)；cg為谷時(shí)電價(jià)；Tf，Tg分別為電動(dòng)汽車在峰時(shí)段的充電時(shí)長和谷時(shí)段的充電時(shí)長；f2為充電站的負(fù)荷峰谷差；Pf為充電站負(fù)荷峰值；Pg為充電站負(fù)荷谷值。

2.2 約束條件

(1) 功率約束。

Pcmin

(3)

式中：P(i)為充電站第i時(shí)間段的功率;Pcmax為充電站可輸出的最大有效功率;Pcmin為充電站可輸出的最小有效功率。

(2) 荷電狀態(tài)值約束。充電結(jié)束時(shí)電動(dòng)汽車電池荷電狀態(tài)需達(dá)到用戶預(yù)期電池荷電狀態(tài)值。

B(St-S0)≤ΔtNPe

(4)

式中：N為可安排充電的時(shí)間段數(shù)。

3 基于MEA算法的充電時(shí)間尋優(yōu)

3.1 MEA算法

MEA算法由孫承意等人于1998年提出，并且已被成功應(yīng)用到解決復(fù)雜的組合優(yōu)化問題[16]。該算法將群體劃分為有生子群體和臨時(shí)子群體，在此基礎(chǔ)上定義的趨同和異化操作分別探測和開發(fā)解空間新的點(diǎn)，這兩種功能相互協(xié)調(diào)且保持一定的獨(dú)立性，便于分別提高效率。MEA可記憶不止一代的進(jìn)化信息，這些信息可一直使趨同和異化向著有力的方向進(jìn)行[17]。MEA算法流程如圖2所示。

圖2 思維進(jìn)化算法流程Fig.2 Flow chart of MEA

(1) 種群的初始化：利用初始化種群產(chǎn)生函數(shù)產(chǎn)生大小為s的種群；利用子種群產(chǎn)生函數(shù)產(chǎn)生大小為b的優(yōu)勝子種群和大小為t的臨時(shí)子種群；

(2) 趨同操作：在子群體范圍內(nèi)，個(gè)體為成為勝者而競爭的過程叫趨同，一個(gè)子群體在趨同的過程中，若不再產(chǎn)生新的勝者，則稱該子群體已經(jīng)成熟。當(dāng)子群體成熟時(shí)，該子群體的趨同過程結(jié)束；

(3) 異化操作：各個(gè)優(yōu)勝子種群和臨時(shí)子種群趨同操作完成后，便執(zhí)行異化操作。在整個(gè)解空間中，各子群體為成為勝者而競爭，不斷的探測解空間中心點(diǎn)，此過程稱為異化；

(4) 判斷是否滿足終止條件：滿足迭代停止條件時(shí)，算法結(jié)束優(yōu)化過程，否則返回步驟(2)；

(5) 輸出最優(yōu)解：據(jù)編碼規(guī)則，對尋找到的最優(yōu)個(gè)體進(jìn)行解析，輸出最優(yōu)解。

3.2 基于MEA算法的充電時(shí)間尋優(yōu)

考慮到對電池性能的影響，充電策略要保證充電時(shí)間的連續(xù)性。將一天連續(xù)時(shí)間離散化為96個(gè)時(shí)間段。電動(dòng)汽車用戶接入充電槍后，充電樁記錄電動(dòng)汽車接入時(shí)間Ts，并從該車的電池管理系統(tǒng)獲取B、S0等信息，由用戶手動(dòng)輸入TL、St等信息。其中Ts∈(1,2,...,96)，S0∈(0,1),St∈(0,1)。

實(shí)際上，利用MEA算法對電動(dòng)汽車進(jìn)行有序充電，就是在滿足約束條件的基礎(chǔ)上，找出最佳的充電開始時(shí)間Tb(Ts≤Tb≤(Ts+TL-Tg))，使得目標(biāo)函數(shù)最優(yōu)。文中采用MEA算法以充電開始時(shí)間后移的段數(shù)為目標(biāo)函數(shù)的解。充電開始時(shí)間后移的段數(shù)確定之后，充電開始時(shí)間也就隨之確定。MEA算法中的每個(gè)個(gè)體代表一個(gè)后移的時(shí)間段數(shù)，即一個(gè)可行解。經(jīng)過MEA算法的趨同和異化操作，可以找到使目標(biāo)函數(shù)最優(yōu)的可行解，即Tb。如果用戶響應(yīng)有序充電，則在下一時(shí)間段更新充電站系統(tǒng)狀態(tài)，并且等待到Tb再進(jìn)行充電；如果用戶不響應(yīng)有序充電，從下一時(shí)間段開始更新充電站系統(tǒng)狀態(tài)，并且開始充電，按照峰值電價(jià)進(jìn)行計(jì)價(jià)。但由于約束條件的限制，會出現(xiàn)MEA算法無解的異常情況。

4 算例仿真

為驗(yàn)證基于MEA算法的有序充電控制策略的有效性，以北京市某電動(dòng)汽車充電站為例進(jìn)行仿真分析。由于目前電動(dòng)汽車的充電費(fèi)用和服務(wù)費(fèi)用尚無統(tǒng)一標(biāo)準(zhǔn)，因此設(shè)置充電高峰電價(jià)cf為1.509 6元/(kW·h)，低谷電價(jià)cg為充電高峰電價(jià)的一半，即0.754 8元/ (kW·h)[14]。

表1為該充電站的充電需求調(diào)研情況，采用蒙特卡洛算法模擬600輛電動(dòng)汽車充電日需求數(shù)據(jù)；MEA算法中設(shè)置種群大小s為100，優(yōu)勝子種群b和臨時(shí)子種群t分別為5，迭代次數(shù)imax為30。利用MATLAB編程實(shí)現(xiàn)電動(dòng)汽車的有序充電控制。

表1 電動(dòng)汽車充電參數(shù)Table 1 Charging parameters of electric vehicles

不同用戶響應(yīng)度下充電站電動(dòng)汽車充電負(fù)荷曲線如圖3所示?？梢钥闯?，用戶響應(yīng)度越高，負(fù)荷轉(zhuǎn)移效果越明顯。有序充電下，當(dāng)只有20%的用戶響應(yīng)時(shí)，充電站負(fù)荷轉(zhuǎn)移效果較差；當(dāng)有50%的用戶響應(yīng)時(shí)，負(fù)荷轉(zhuǎn)移效果一般；當(dāng)有90% 用戶響應(yīng)時(shí)，負(fù)荷轉(zhuǎn)移效果較好。即用戶響應(yīng)度越高，系統(tǒng)的削峰填谷效果越明顯。

圖3 不同用戶響應(yīng)度下負(fù)荷曲線對比Fig.3 Load curves underdifferent customer participation probability

現(xiàn)采用遺傳算法(GA)對電動(dòng)汽車充電時(shí)間進(jìn)行尋優(yōu)，實(shí)現(xiàn)有序充電控制。GA算法的參數(shù)設(shè)置如下: 種群大小為100，迭代次數(shù)為30。比較GA與MEA兩種算法下不同用戶響應(yīng)度時(shí)的負(fù)荷峰谷差，結(jié)果如表2所示。可以看出，響應(yīng)度相同時(shí)，與GA算法相比，采用MEA算法時(shí)日負(fù)荷峰谷差較小，削峰填谷效果更好。

表2 不同響應(yīng)度下負(fù)荷峰谷差對比Table 2 Comparation of maximum peak to valley difference under different customer participation probability kW

圖4為基于兩種算法得到的不同響應(yīng)度下一天內(nèi)電動(dòng)汽車用戶總充電費(fèi)用對比圖?？梢钥闯?，有序充電可降低用戶充電費(fèi)用，且響應(yīng)度越高，用戶充電花費(fèi)越低。與無序充電相比，響應(yīng)度為90%時(shí)，用戶充電費(fèi)用降低較多；響應(yīng)度為20%時(shí)，用戶充電費(fèi)用降低較少。響應(yīng)度相同時(shí)，與GA算法相比，采用MEA算法能使用戶充電費(fèi)用更低，即MEA算法比GA算法更能有效降低用戶充電費(fèi)用。

圖4 不同用戶響應(yīng)度下用戶充電費(fèi)用對比Fig.4 Comparation of charging fees of users under different customer participation probability

5 結(jié)語

文中以電動(dòng)汽車的充電需求和充電站的功率限制為約束條件，以用戶充電費(fèi)用最少和充電站負(fù)荷峰谷差最小為目標(biāo)，提出了基于MEA算法的充電站有序控制策略。采用MEA算法對模型進(jìn)行優(yōu)化計(jì)算，并比較了采用MEA與GA兩種算法下的負(fù)荷峰谷差與用戶充電費(fèi)用，結(jié)論如下：(1) 基于MEA算法的有序充電控制策略，在滿足客戶充電需求基礎(chǔ)上，可以實(shí)現(xiàn)電動(dòng)汽車充電負(fù)荷轉(zhuǎn)移，提高充電站運(yùn)行的穩(wěn)定性，減少用戶充電費(fèi)用；(2) 與GA算法相比，相同用戶響應(yīng)度時(shí)，采用MEA算法的日負(fù)荷峰谷差更小，用戶充電費(fèi)用更少。

[1] 張洪財(cái), 胡澤春, 宋永華,等. 考慮時(shí)空分布的電動(dòng)汽車充電負(fù)荷預(yù)測方法[J]. 電力系統(tǒng)自動(dòng)化, 2014, 38(1):13-20.

ZHANG Hongcai, HU Zechun, SONG Yonghua, et al. Forecasting method of electric vehicle charging load considering time and space distribution [J]. Automation of Electric Power Systems, 2014, 38 (1): 13-20.

[2] 沈瓏桓, 宋國兵. 電動(dòng)汽車電池更換服務(wù)收費(fèi)標(biāo)準(zhǔn)研究[J]. 江蘇電機(jī)工程, 2013, 32(3):26-29.

SHEN Longhuan, SONG Guobing. Research on toll standard of electric vehicles battery swap service[J]. Jiangsu Electrical Engineering, 2013, 32(3):26-29.

[3] 俞豪君, 梁 茜, 許文超,等. 慢充和換電方式下的電動(dòng)汽車充電負(fù)荷計(jì)算[J]. 江蘇電機(jī)工程, 2015, 34(2):58-61.

YU Haojun, LIANG Qian, XU Wenchao, et al. Charging load calculation of electric vehicles under normal charging mode and battery exchange mode[J]. Jiangsu Electrical Engineering, 2015, 34(2):58-61.

[4] 郭小強(qiáng), 李 建, 王寶誠,等. 微電網(wǎng)暫態(tài)故障時(shí)電動(dòng)汽車充電器動(dòng)態(tài)行為研究[J]. 電器與能效管理技術(shù), 2017(3):78-83.

GUO Xiaoqiang, LI Jian, WANG Baocheng, et al. Research on dynamic behavior of electric vehicle charger in transient fault of microgrid[J]. Low Voltage Apparatus, 2017(3):78-83.

[5] 涂軼昀, 李 燦, 承 林,等. 電動(dòng)汽車接入電網(wǎng)及其對電力系統(tǒng)的影響[J]. 華東電力, 2011，39(7):1085-1088.

TU Yiyun, LI Can, CHENG Lin, et al. Vehicle-to-grid technology and its impact on power system[J]. East China Electric Power, 2011，39(7):1085-1088.

[6] 孫建龍, 李 妍, 胡國偉,等. 電動(dòng)汽車接入對配電變壓器使用壽命的影響[J]. 高電壓技術(shù), 2015, 41(11):3830-3835.

SUN Jianlong, LI Yan, HU Guowei,et al. Influence of electric vehicle access on service life of distribution transformer[J]. High Voltage Engineering, 2015, 41(11):3830-3835.

[7] 蔡亞楠. 電動(dòng)汽車規(guī)?；潆妼ε潆娮儔浩鲏勖挠绊懛治鯷D]. 重慶大學(xué), 2016.

CAI Yanan. Analysis of influence of large-scale electric vehicle charging on life of distribution transformer[D]. Chongqing University,2016.

[8] 吳 凱, 程啟明, 白園飛,等. 電動(dòng)汽車充電機(jī)的諧波分析與治理[J]. 電源技術(shù), 2014, 38(9):1720-1722.

WU Kai, CHENG Qiming, BAI Yuanfei. et al. Harmonic analysis and control of electric vehicle charger[J]. Chinese Journal of Power Sources, 2014, 38(9):1720-1722.

[9] 陳奇芳, 劉 念, 陳 征,等. 考慮充電需求與隨機(jī)事件的光伏充電站實(shí)時(shí)運(yùn)行策略[J]. 電工技術(shù)學(xué)報(bào), 2016, 31(18):142-150.

CHEN Qifang, LIU Nian, CHEN Zheng, et al. Real-time operation strategy for PV-Based EV charging station considering charging demand and random events[J]. Transactions of China Electrotechnical Society, 2016, 31(18):142-150.

[10] 占愷嶠，宋永華，胡澤春，等． 以降損為目的的電動(dòng)汽車有序充電優(yōu)化[J]．中國電機(jī)工程學(xué)報(bào)，2012,32(31)：11-18．

ZHAN Kaiqiao, SONG Yonghua, HU Zechun, et al. Coordination of electric vehicle charging to minimizea ctive power losses [J]．Proceedings of the CSEE，2012,32(31):11-18.

[11] 羅卓偉，胡澤春，宋永華，等． 換電模式下電動(dòng)汽車電池充電負(fù)荷建模與有序充電研究[J]．中國電機(jī)工程學(xué)報(bào)，2012，32(31)：1-10．

LUO Zhuowei，HU Zechun，SONG Yonghua，et al．Study on charging load modeling and coordinated charging of electric vehicles under battery swapping modes [J]． Proceedings of the CSEE ， 2012 ， 32(31): 1-12．

[12] 胡海彬. 電動(dòng)汽車充電站功率控制策略研究[D]. 電子科技大學(xué), 2011.

HU Haibin. Research on power control strategy of electric vehicles in charging station [D]. University of Electronic Science and Technology of China, 2011.

[13] SORTOMME E, HINDI M M, MACPHERSON S D J, et al. Coordinated charging of plug-in hybrid electric vehicles to minimize distribution system losses[J]. IEEE Transactions on Smart Grid, 2011, 2(1):198-205.

[14] 徐智威, 胡澤春, 宋永華,等. 基于動(dòng)態(tài)分時(shí)電價(jià)的電動(dòng)汽車充電站有序充電策略[J]. 中國電機(jī)工程學(xué)報(bào), 2014, 34(22):3638-3646.

XU Zhiwei, HU Zechun, SONG Yonghua,et al. Coordinated charging of electric vehicles in charging station[J]. Proceedings of the CSEE, 2014, 34(22): 3638-3646.

[15] 葛少云,郭建祎,劉 洪, 等. 計(jì)及需求側(cè)響應(yīng)及區(qū)域風(fēng)光出力的電動(dòng)汽車有序充電對電網(wǎng)負(fù)荷曲線的影響[J]. 電網(wǎng)技術(shù),2014,38(7): 1806-1811.

GE Shaoyun, GUO Jianyi, LIU Hong, et al. Considering the demand response and regional landscape output orderly charging of electric vehicle impact on the load curve of power grid [J]. Power System Technology, 2014,38(7):1806-1811.

[16]艾格林, 孫永輝, 衛(wèi)志農(nóng),等. 基于MEA-Elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率短期預(yù)測[J]. 電網(wǎng)與清潔能源, 2016, 32(4):119-125.

AI Geling,SUN Yonghui, WEI Zhinong, et al. Photovoltaic power prediction MEA-Elman neural network based on short-term[J]. Power System and Clean Energy, 2016, 32 (4): 119-125.

[17] LIU H, TIAN H, LIANG X, et al. New wind speed forecasting approaches using fast ensemble empirical model decomposition, genetic algorithm, mind evolutionary algorithm and artificial neural networks[J]. Renewable Energy, 2015, 83:1066-1075.

余曉玲

余曉玲(1995—)，女，青海海東人，工學(xué)碩士，研究方向?yàn)樾履茉窗l(fā)電控制技術(shù)、儲能系統(tǒng)性能評估等(E-mail：ldyzyxl@163 .com)；

余曉婷(1997—),女,青海海東人，工科學(xué)士，研究方向?yàn)殡姎夤こ碳捌渥詣?dòng)化、大規(guī)模儲能技術(shù)(E-mail:ldyzyxl@126.com)；

韓曉娟(1970—)，女，吉林吉林人，教授，研究方向?yàn)樾履茉窗l(fā)電控制技術(shù)、儲能系統(tǒng)性能評估等(E-mail： wmhxj@163.com)。

(編輯方 晶)

ACoordinatedChargingStrategyforPEVChargingStationsBasedonMindEvolutionaryAlgorithm

YU Xiaoling1, YU Xiaoting2, HAN Xiaojuan1

(1. School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China;2. School of Water Conservancy and Electric Power, Qinghai University, Xining 810016, China)

A large number of electri c vehicles connected to charging stations will increase the peak-valley difference and affect the safe and stable operation of the electric vehicle charging stations. Thus a coordinated charging strategy for plug-in electric vehicle (PEV) charging stations based on Mind Evolutionary Algorithm (MEA) is proposed. The strategy set minimum customer charging costs and minimum peak-valley difference as objective function. The optimal charging period of electric vehicles is calculated dynamically by using MEA. Customers decide whether or not to respond to peak-valley prices and to delay their charging to lower price periods by themselves. The charging coordination of electric vehicles is then realized. In order to verify the effectiveness of the proposed strategy, the Monte Carlo simulation method was utilized to generate the charging needs of customers based on actual customer charging behaviors. The distribution transformer load profiles, customer charging costs were simulated under uncoordinated and coordinated charging scenarios correspondingly. Simulation results indicate that under the proposed coordinated charging control strategy, customer charging costs can be greatly reduced and the peak shaving of distribution transformer loading profile can also be achieved; compared with genetic algorithm, the effect of MEA is better.

plug-in electric vehicle (PEV) charge station; Monte Carlo simulation; MEA; coordinated charging strategy；peak and valley electric charges

TM73

A

2096-3203(2017)06-0058-05

2017-07-10；

2017-08-07

國家自然科學(xué)基金資助項(xiàng)目 (51577065)