含電動(dòng)汽車參與的微電網(wǎng)調(diào)度策略研究

唐菁敏，王杰，劉思淼

含電動(dòng)汽車參與的微電網(wǎng)調(diào)度策略研究

唐菁敏，王杰，劉思淼

（昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500）

大量電動(dòng)汽車入網(wǎng)無序充電會(huì)給電網(wǎng)穩(wěn)定性和可靠性造成不利影響?？紤]到電動(dòng)汽車充放電，以及蓄電池?fù)p耗成本和峰谷電價(jià)對(duì)微電網(wǎng)運(yùn)行產(chǎn)生的影響，建立以微電網(wǎng)運(yùn)行成本和環(huán)境保護(hù)成本最小化為目標(biāo)的微電網(wǎng)調(diào)度模型。應(yīng)用基于差分進(jìn)化的改進(jìn)多目標(biāo)免疫算法對(duì)模型進(jìn)行優(yōu)化。通過算例仿真，對(duì)比分析在微電網(wǎng)環(huán)境下電動(dòng)汽車無序和有序的調(diào)度模式，證明了電動(dòng)汽車的有序充放電對(duì)微電網(wǎng)的經(jīng)濟(jì)效益和環(huán)境保護(hù)效益有積極的作用，驗(yàn)證了基于差分進(jìn)化的改進(jìn)多目標(biāo)免疫算法在調(diào)度優(yōu)化上的有效性。

有序充電；峰谷電價(jià)；微電網(wǎng)；多目標(biāo)優(yōu)化

0 引言

隨著社會(huì)環(huán)保意識(shí)和能源安全意識(shí)的提高，人們逐漸認(rèn)識(shí)到傳統(tǒng)電網(wǎng)的固有缺陷。智能微電網(wǎng)技術(shù)為各國建設(shè)綠色、安全、可持續(xù)的供電系統(tǒng)提供了創(chuàng)新性解決方案。微電網(wǎng)中可再生能源出力的不確定性，可能會(huì)影響大電網(wǎng)的穩(wěn)定性[1]。為了推動(dòng)智能電網(wǎng)的發(fā)展和應(yīng)用，更應(yīng)該對(duì)微電網(wǎng)的優(yōu)化調(diào)度做更多的研究。未來電動(dòng)汽車大量并網(wǎng)對(duì)電網(wǎng)產(chǎn)生不利影響，使其參與微電網(wǎng)的運(yùn)行調(diào)度，與可再生能源協(xié)調(diào)運(yùn)行，在一定程度上可緩解電網(wǎng)的壓力[2]。

文獻(xiàn)[3]建立以儲(chǔ)能系統(tǒng)壽命最長為目標(biāo)的優(yōu)化調(diào)度模型，運(yùn)用粒子群算法優(yōu)化系統(tǒng)機(jī)組和儲(chǔ)能的出力，但是并沒有進(jìn)一步利用電動(dòng)汽車集群提高微電網(wǎng)運(yùn)行的水平。文獻(xiàn)[4]考慮到微電網(wǎng)整體效益和環(huán)境代價(jià)，建立了含電動(dòng)汽車的微電網(wǎng)經(jīng)濟(jì)調(diào)度模型，結(jié)果證明了電動(dòng)汽車集群參與微電網(wǎng)調(diào)度能夠減少運(yùn)行成本，但是忽略了儲(chǔ)能系統(tǒng)損耗成本對(duì)微電網(wǎng)的影響。文獻(xiàn)[5]建立微電網(wǎng)為主側(cè)，電動(dòng)汽車為從側(cè)的博弈模型，通過分時(shí)電價(jià)和碳排放配額的雙重激勵(lì)政策來引導(dǎo)電動(dòng)汽車的充放電，使雙方的利益更高。文獻(xiàn)[6]考慮電動(dòng)汽車的出行特性和風(fēng)光等可再生能源出力的間歇性，運(yùn)用動(dòng)態(tài)電價(jià)來激勵(lì)更多的用戶參與微電網(wǎng)調(diào)度，實(shí)現(xiàn)微電網(wǎng)中分布式電源和電動(dòng)汽車的協(xié)調(diào)控制，但是目標(biāo)函數(shù)中沒有考慮到環(huán)境效益。文獻(xiàn)[7]分析了電動(dòng)汽車參與需求的比例對(duì)微電網(wǎng)經(jīng)濟(jì)和環(huán)保運(yùn)行的影響。文獻(xiàn)[8]建立電動(dòng)汽車對(duì)電價(jià)的響應(yīng)模型，證明分時(shí)電價(jià)下電動(dòng)汽車有序充放電策略能有效減小微電網(wǎng)運(yùn)行成本，但沒有充分考慮用戶的響應(yīng)度。文獻(xiàn)[9]考慮到電動(dòng)汽車的充電需求，分析電動(dòng)汽車在家庭充電樁和公共充電站的智能充電優(yōu)化方法，但是未考慮電動(dòng)汽車放電。文獻(xiàn)[10]考慮用戶、微電網(wǎng)的成本以及EV的調(diào)度費(fèi)用，建立了含EV的微電網(wǎng)經(jīng)濟(jì)調(diào)度模型。

針對(duì)上述研究中的不足，本文綜合考慮了儲(chǔ)能和車聯(lián)網(wǎng)（vehicle-to-grid，V2G）損耗成本對(duì)微電網(wǎng)運(yùn)行調(diào)度的影響，重新建立微電網(wǎng)優(yōu)化調(diào)度模型，通過對(duì)柴油機(jī)、微型渦輪機(jī)出力、儲(chǔ)能系統(tǒng)充放電功率及與配電網(wǎng)交互功率進(jìn)行協(xié)同優(yōu)化，降低微電網(wǎng)運(yùn)行成本和環(huán)境保護(hù)成本。應(yīng)用差分進(jìn)化策略和自適應(yīng)變異算子對(duì)免疫算法進(jìn)行改進(jìn)，驗(yàn)證了所提調(diào)度策略的有效性。

1 系統(tǒng)模型

1.1 分布式發(fā)電模型

在本文研究的系統(tǒng)模型中，微電網(wǎng)主要由WT（風(fēng)機(jī)）、PV（光伏發(fā)電裝置）、MT（微型渦輪）、DE（柴油機(jī)）、儲(chǔ)能裝置和其他常規(guī)負(fù)荷組成。

（1）電池充放電功率

蓄電池作為微電網(wǎng)運(yùn)行必不可少的部分，當(dāng)其參與到系統(tǒng)調(diào)度時(shí)，蓄電池的充放電狀態(tài)極大影響系統(tǒng)的運(yùn)行[11]。因此，其充放電模型如下：

式中：()為時(shí)刻電池的電量情況；(–1)為–1時(shí)刻蓄電池剩余電量；為電池的自放電系數(shù)；c為電池的充電效率；bat為電池容量；Δ為電池持續(xù)時(shí)間；d為電池放電效率。

（2）電動(dòng)汽車模型

私家車具有很大的隨機(jī)性。然而研究表明，電動(dòng)汽車的使用習(xí)慣遵循正態(tài)分布。因?yàn)樗郊臆嚫哂衅毡樾?，所以本文針?duì)裝有鉛酸電池的私家車進(jìn)行了研究。該類電池的容量是30 kW·h，充放電效率均為0.9。電動(dòng)汽車的充電行為可用如下模型[8]表示：

式中：為車主日行程結(jié)束時(shí)刻；s為開始充電時(shí)刻的標(biāo)準(zhǔn)差；s為開始充電時(shí)間的期望值。根據(jù)相關(guān)研究，s=3.4，s=17.6。

電動(dòng)汽車的日行駛里程服從對(duì)數(shù)正態(tài)分布，概率密度函數(shù)為：

式中：為1天內(nèi)行駛的公里數(shù)；d為標(biāo)準(zhǔn)差；p為期望值，d=3.2，p=0.88。

1.2 目標(biāo)函數(shù)

在含電動(dòng)汽車的微電網(wǎng)環(huán)境下，在微電網(wǎng)運(yùn)行的過程中，不僅要考慮到微電網(wǎng)公司收益，還要考慮到微電網(wǎng)運(yùn)行對(duì)環(huán)境造成的影響?；诖?，本文以微電網(wǎng)的運(yùn)行成本和環(huán)境保護(hù)為目標(biāo)函數(shù)，建立考慮電動(dòng)汽車影響的微電網(wǎng)調(diào)度模型，并考慮了電池和電動(dòng)汽車損失的成本，得到微電網(wǎng)運(yùn)行成本和環(huán)境補(bǔ)償成本的計(jì)算方法如下：

目前要求企業(yè)在進(jìn)行生產(chǎn)的時(shí)候不能以破壞環(huán)境為代價(jià)，在獲得收益的同時(shí)，也必須考慮到環(huán)境保護(hù)的效益。因此，微電網(wǎng)的經(jīng)濟(jì)調(diào)度目標(biāo)為式（4），包括微電網(wǎng)的成本1和環(huán)境補(bǔ)償成本2兩個(gè)部分。

微電網(wǎng)的成本1由式（5）表示，主要包括以下幾個(gè)部分：發(fā)電的燃料費(fèi)fuel、設(shè)備維護(hù)費(fèi)用in、買電費(fèi)用buy和賣電的收益sell、電動(dòng)汽車損耗成本費(fèi)用補(bǔ)償b。

式（6）表示環(huán)境補(bǔ)償成本2，包括柴油機(jī)和燃?xì)廨啓C(jī)化石能源燃燒的環(huán)境補(bǔ)償成本和主電網(wǎng)化石能源燃燒的環(huán)境補(bǔ)償成本。式（6）中：為該設(shè)備產(chǎn)生污染物的類型；為包含總的污染物的種類，如二氧化碳、二氧化硫、氮氧化物都是設(shè)備運(yùn)行會(huì)產(chǎn)生的污染物；DE,h、MT,h為柴油機(jī)和微型渦輪機(jī)的型污染物的補(bǔ)償費(fèi)用；buy,h為主要網(wǎng)絡(luò)污染物的補(bǔ)償費(fèi)。

微電網(wǎng)中柴油機(jī)和微型渦輪機(jī)的運(yùn)轉(zhuǎn)發(fā)電需要燃料來提供動(dòng)能，所以購買燃料的費(fèi)用fuel由式（7）表示，DE和MT分別表示柴油機(jī)和微型渦輪機(jī)所需的燃料費(fèi)用。

微網(wǎng)中各個(gè)發(fā)電的設(shè)備在工作一段時(shí)間后，都需要進(jìn)行故障檢測(cè)和維護(hù)，避免影響后續(xù)的發(fā)電工作，其運(yùn)營和維護(hù)費(fèi)用如式（8）所述[12]。式中：in,i為設(shè)備維護(hù)的系數(shù)；P()為發(fā)電機(jī)的輸出功率。

式（9）表示微電網(wǎng)購電和售電的費(fèi)用，因?yàn)槲㈦娋W(wǎng)運(yùn)行中功率輸出具有不確定性，在微電網(wǎng)與大電網(wǎng)之間存在電量交易[13]。

式（9）中：buy()為微電網(wǎng)購電的成本；sell()為時(shí)刻微電網(wǎng)售電的收益；()為時(shí)刻的電價(jià)。

1.3 約束條件

（1）供需平衡制約

微電網(wǎng)的發(fā)電量要能滿足接入負(fù)荷的用電需求。

（2）分布式發(fā)電功率限制

為了不損壞發(fā)電設(shè)備，延長各個(gè)發(fā)電設(shè)備的使用壽命，對(duì)輸出功率進(jìn)行設(shè)置，滿足以下條件：

（3）電網(wǎng)中的電力交換約束

微網(wǎng)并網(wǎng)時(shí)，對(duì)主網(wǎng)的供電應(yīng)滿足聯(lián)絡(luò)線的上下限，使其能合理交換電能。

（4）EV充放電過程中的功率限制

董喜陽，1986年生于吉林九臺(tái)。文學(xué)碩士。詩人、作家，兼事文學(xué)、美術(shù)評(píng)論。魯迅文學(xué)院第三十四屆中青年作家高級(jí)研討班（青年作家班）學(xué)員。中國作協(xié)會(huì)員。作品散見于《詩刊》《人民日?qǐng)?bào)》《大家》《詩選刊》等刊物?，F(xiàn)居長春。

EV在參與V2G技術(shù)時(shí)，有充電和放電兩種模式，充放電時(shí)，功率應(yīng)滿足上下限。

（5）電荷狀態(tài)限制

在微電網(wǎng)中，電池與電動(dòng)汽車電池進(jìn)行電能交換時(shí)，電池的最大電量和最小電量存在臨界值，使電池使用的時(shí)間更長。

2 基于改進(jìn)免疫算法的微電網(wǎng)優(yōu)化調(diào)度策略

本文建立的模型是含有多變量和多約束優(yōu)化的問題。多目標(biāo)免疫算法（MOIA）的優(yōu)越性能一直被用在解決各種優(yōu)化問題上。然而，現(xiàn)有的MOIA仍然難以獲得高質(zhì)量的結(jié)果。為了找到一組接近Pareto最優(yōu)前沿解[13]，提出了差分免疫算法DE-MOIA，使用兩種差分進(jìn)化策略和自適應(yīng)變異算子，盡可能避免MOIA算法陷入局部最優(yōu)解中，確保全局搜索能力和局部搜索能力優(yōu)于其他算法，流程如下：

在該算法輸入端，為種群的代數(shù)；A為活躍的種群數(shù)；D為優(yōu)勢(shì)種群數(shù)；C為克隆種群的大小；A為輸出得到的最后活躍種群數(shù)。

（1）隨機(jī)產(chǎn)生個(gè)初始抗體，=D+C，得到初始抗體群0；

（2）算法進(jìn)入主循環(huán)，直到值達(dá)到最大迭代次數(shù)；

（3）使用NSGA II[14]中提出的擁擠比較算子，從初始抗體P中選擇優(yōu)勢(shì)抗體D作為顯性抗體D；

（4）從D中選擇非支配的個(gè)體，得到A，如果|A|>A，則從A中丟棄A–|A|抗體；

（5）通過在A上成比例的進(jìn)行克隆，經(jīng)過C次克隆過程，得到C；

2.1 比例克隆

式中：(a)為抗體a的擁擠距離，在公式中邊界解的值是趨于無窮的。因此，邊界抗體的值是除邊界抗體外所有抗體最大值的兩倍[15]。

2.2 差異進(jìn)化

式中：a1、a2、a3是從D中隨機(jī)選出；best是從A中隨機(jī)選出；=0.5；=rand[0,1]。

2.3 自適應(yīng)變異算子

式中：和l分別為當(dāng)前總體中所有解的第個(gè)決策變量的最大值和最小值。

式中：=20。

突變概率值p表示為：

式中：=0.5；b為當(dāng)前的迭代次數(shù)；max為允許的最大迭代次數(shù)。

3 仿真結(jié)果分析

3.1 實(shí)驗(yàn)場(chǎng)景及相關(guān)數(shù)據(jù)

本文的實(shí)驗(yàn)數(shù)據(jù)來自某市微電網(wǎng)項(xiàng)目。微電網(wǎng)主要使用清潔可再生能源，包括風(fēng)和光，其他的發(fā)電單元柴油機(jī)、燃?xì)廨啓C(jī)等都是輔助作用。系統(tǒng)中風(fēng)、光和負(fù)載的輸出功率如圖1所示。從圖1可以看出，8:00—23:00是用電高峰期，在時(shí)段24:00—7:00之間為用電低谷，其中最小負(fù)荷為45.45 kW，最大負(fù)荷為149.64 kW。

圖1 負(fù)荷曲線和風(fēng)光出力曲線

在模型中設(shè)置無序充放電和有序充放電兩個(gè)場(chǎng)景。因此，可以根據(jù)用戶的充電行為和市場(chǎng)價(jià)格行為分別模擬電動(dòng)汽車的無序充放電功率和有序充放電功率。在微電網(wǎng)中主要利用風(fēng)、光的發(fā)電量，把電動(dòng)汽車的充電功率都疊加在原負(fù)荷上，并在有序和無序兩種模式下進(jìn)行優(yōu)化求解。

相關(guān)環(huán)境補(bǔ)償參數(shù)如表1所示。發(fā)電設(shè)備運(yùn)行約束如表2所示。各設(shè)備的成本參數(shù)見表3。微電網(wǎng)的峰谷電價(jià)具體資費(fèi)信息見表4。

表1 環(huán)境補(bǔ)償成本及排放系數(shù)

表2 各分布式電源的運(yùn)行約束

表3 發(fā)電單元的成本參數(shù)

表4 峰谷電價(jià)

3.2 輸出結(jié)果分析

基于含電動(dòng)汽車參與的微電網(wǎng)調(diào)度模型，使用MATLAB仿真軟件對(duì)模型進(jìn)行優(yōu)化，設(shè)定模型中種群大小為100，最大迭代次數(shù)為100，克隆種群的大小為100，活性抗體種群的大小為30，電動(dòng)汽車的數(shù)量設(shè)置為100輛。

3.2.1 EVS無序充電下微電網(wǎng)運(yùn)行優(yōu)化

微電網(wǎng)內(nèi)電動(dòng)汽車無序充放電時(shí)中各個(gè)發(fā)電單元的出力情況如圖2所示。

圖2 無序充電下分布式能源出力情況

從圖2可以看出，在時(shí)間段1:00—8:00之間柴油機(jī)和微型渦輪機(jī)的輸出功率都為零，這時(shí)電網(wǎng)的電價(jià)為0.3元/kW·h，總體來看，購電成本比發(fā)電成本更低，所以微電網(wǎng)主要接受大電網(wǎng)和蓄電池供電。在9:00—13:00主要以微型渦輪機(jī)和柴油機(jī)發(fā)電為主。14:00—17:00時(shí)段，負(fù)荷減少，微型渦輪機(jī)和柴油機(jī)出力上升，污染排放物減少。18:00—22:00是用電高峰期，大電網(wǎng)出力急劇上升，蓄電池也大量放電滿足用電高峰期負(fù)荷需求。

3.2.2 EVS有序充電下微電網(wǎng)運(yùn)行優(yōu)化

從圖3微網(wǎng)內(nèi)各個(gè)分布式能源在有序充電下出力情況可以看出，DE和MT在1:00—8:00（谷時(shí)段）出力幾乎為零，此時(shí)大電網(wǎng)電價(jià)最低，優(yōu)先安排從電網(wǎng)購電和儲(chǔ)能系統(tǒng)放電，增加了系統(tǒng)的售電收益，減少了污染排放。在13:00—17:00（平時(shí)段），MT和DE的出力也較少。這是因?yàn)殡妱?dòng)汽車作為移動(dòng)儲(chǔ)能參與放電，代替了部分DE和MT的出力，從而減少了DE和MT發(fā)電的燃料成本，保證了微電網(wǎng)的經(jīng)濟(jì)效益和環(huán)境效益。在9:00—13:00和18:00—22:00（峰時(shí)段），微電網(wǎng)購電的成本相對(duì)較高，優(yōu)先安排DE、MT發(fā)電和蓄電池放電。

圖3 有序充電下分布式能源出力情況

在以上這兩種調(diào)度模式下，微電網(wǎng)運(yùn)行成本和環(huán)境保護(hù)成本如表5所示。

表5 微電網(wǎng)運(yùn)行成本和環(huán)境保護(hù)成本

從表5看出，電動(dòng)汽車的有序充放電降低微電網(wǎng)的運(yùn)行成本與氣體排放量，提升微電網(wǎng)的經(jīng)濟(jì)效益和環(huán)境效益，因?yàn)殡妱?dòng)汽車參與V2G可以在峰谷電價(jià)的引導(dǎo)下選擇在夜間充電，降低了高電價(jià)時(shí)的用電量。

4 結(jié)論

本文主要研究了基于差分進(jìn)化的多目標(biāo)免疫算法對(duì)微電網(wǎng)調(diào)度策略的優(yōu)化。提出在峰谷電價(jià)機(jī)制下，在無序和有序充放電兩種模式下，以微網(wǎng)運(yùn)行成本和環(huán)境保護(hù)成本最小化為目標(biāo)的調(diào)度機(jī)制。在保證微網(wǎng)穩(wěn)定的前提下，合理配置各個(gè)分布式發(fā)電單元的出力情況，協(xié)調(diào)調(diào)度策略。該模型不僅考慮了電動(dòng)汽車參與V2G對(duì)調(diào)度的影響，還考慮到蓄電池的損耗成本和能量損失。對(duì)于最后調(diào)度結(jié)果的優(yōu)化，提出了一種基于差分進(jìn)化的改進(jìn)多目標(biāo)免疫優(yōu)化算法，對(duì)提出的調(diào)度策略在電動(dòng)汽車有序和無序充放電兩種情況下進(jìn)行驗(yàn)證，求出了最優(yōu)調(diào)度策略，驗(yàn)證了該算法在降低微電網(wǎng)運(yùn)行成本和環(huán)境成本上的有效性。

[1] 張穎, 容展鵬, 張宇雄, 等. 基于微電網(wǎng)的電網(wǎng)需求響應(yīng)研究[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(21): 20-26. ZHANG YING, RONG ZHANPENG, ZHANG YUXIONG, et al. Study of grid demand response based on micro grid[J]. Power System Protection and Control, 2015, 43(21): 20-26(in Chinese).

[2] 毛玉榮. 電動(dòng)汽車充放電與微電網(wǎng)運(yùn)行的協(xié)調(diào)優(yōu)化[D]. 長沙: 湖南大學(xué), 2016. MAO YURONG. Coordinated optimization of EV charge-discharge and microgrid operation[D]. Changsha: Hunan University, 2016(in Chinese).

[3] 沈玉明, 胡博, 謝開貴, 等.計(jì)及儲(chǔ)能壽命損耗的孤立微電網(wǎng)最優(yōu)經(jīng)濟(jì)運(yùn)行[J]. 電網(wǎng)技術(shù), 2014, 38(9): 2371-2378. SHEN YUMING, HU BO, XIE KAIGUI, et al. Optimal economic operation of isolated microgrid considering battery life loss[J]. Power System Technology, 2014, 38(9): 2371-2378(in Chinese).

[4] 李恒杰, 鞏旭, 陳偉, 等. 基于改進(jìn)粒子群算法的含電動(dòng)汽車的微電網(wǎng)經(jīng)濟(jì)調(diào)度[J]. 蘭州理工大學(xué)學(xué)報(bào), 2019, 45(2): 97-102. LI HENGJIE, GONG XU, CHEN WEI, et al. Economic scheduling of microgrid with electric vehicles based on improved particle swarm optimization algorithm[J]. Journal of Lanzhou University of Technology, 2019, 45(2): 97-102(in Chinese).

[5] 李咸善, 陳敏睿, 程杉, 等. 基于雙重激勵(lì)協(xié)同博弈的含電動(dòng)汽車微電網(wǎng)優(yōu)化調(diào)度策略[J]. 高電壓技術(shù), 2020, 46(7): 2286-2296. LI XIANSHAN, CHEN MINRUI, CHENGSHAN, et al. Research on optimal scheduling strategy of microgrid with electric vehicles based on dual incentive cooperative game[J]. High VoltageEngineering, 2020, 46(7): 2286-2296(in Chinese).

[6] 魏大鈞, 張承慧, 孫波, 等. 基于分時(shí)電價(jià)的電動(dòng)汽車充放電多目標(biāo)優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2014, 38(11): 2972-2977. WEI DAYUN, ZHANG CHENGHUI, SUN BO, et al. A time-of-use price based multi-objective optimal dispatchingfor charging and discharging of electric vehicles[J]. Power grid technology, 2014, 38(11): 2972-2977(in Chinese).

[7] 孫叢叢, 王致杰, 江秀臣, 等. 分時(shí)電價(jià)環(huán)境下計(jì)及電動(dòng)汽車充放電影響的微電網(wǎng)優(yōu)化控制策略[J]. 可再生能源, 2018, 36(1): 64-71. SUN CONGCONG, WANG ZHIJIE, JIANG XIUCHEN, et al. Optimal control strategy for microgrid considering charging/discharging of electric vehicles under time-of-use tariffs[J]. Renewable Energy Resources, 2018, 36(1): 64-71(in Chinese).

[8] 禹威威, 劉世林, 陳其工, 等. 考慮電動(dòng)汽車充電和需求側(cè)響應(yīng)的光伏微電網(wǎng)多目標(biāo)優(yōu)化調(diào)度[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2018, 30(1): 88-97. YU WEIWEI,LIU SHILIN, CHEN QIGONG, et al. Multi-objective optimization scheduling for PV microgrid considering electric vehicle charging and demand response[J].Proceedings of the CSU-EPSA, 2018, 30(1): 88-97(in Chinese).

[9] SRIVASTAVA A K, ANNABATHINA B, KAMALASADAN S. The challenges and policy options for integrating plug -in hybrid electric vehicle into the electric grid[J]. Electricity Journal, 2017, 23(3): 83-91.

[10] 陳浩宇. 考慮電動(dòng)汽車的并網(wǎng)型微電網(wǎng)優(yōu)化協(xié)調(diào)調(diào)度[D]. 太原: 山西大學(xué), 2018. CHEN HAOYU. Optimized and coordinated dispatch of grid-connected microgrid considering electric vehicles[D]. Taiyuan: Shanxi University, 2018(in Chinese).

[11] 馬益平. 考慮電動(dòng)汽車調(diào)度的微電網(wǎng)混合儲(chǔ)能容量?jī)?yōu)化配置[J]. 電力系統(tǒng)保護(hù)與控制, 2017, 45(23): 104-113. MA YIPING. Optimal configuration of hybrid energy storage capacity of microgrid considering electric vehicle dispatching[J]. Power System Protection and Control, 2017, 45(23): 104-113(in Chinese).

[12] 宋澤宇. 含電動(dòng)汽車與可再生能源的微電網(wǎng)協(xié)同調(diào)度策略研究[D]. 秦皇島: 燕山大學(xué), 2019. SONG ZEYU. Research on cooperative dispatching strategy of microgrid including electric vehicles and renewable energy[D]. Qinhuangdao: Yanshan University, 2019(in Chinese).

[13] MOHAMED F A, KOIVO H N. System modelling and online optimal management of microgrid using multiobjective optimization[C]// International Conference on Clean Electrical Power, 2007: 148-153.

[14] DEB K, PRATAP A, AGARWAL S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2): 182-197.

[15] WANG ZEHUA, ZANG WENKE, JIANG DONG. An improved multi-objective immune algorithm based on differential evolution[C]// 2019 10th International Conference on Information Technology in Medicine and Education (ITME). 2019: 597-601.

[16] ZITZLER E, DEB K, THIELE L. Comparison of multiobjective evolutionary algorithms: empirical results[J]. Evolutionary Computation, 2000, 8(2): 173-195.

[17] 張大鵬. 含電動(dòng)汽車負(fù)荷的微電網(wǎng)調(diào)度研究[D]. 天津: 河北工業(yè)大學(xué), 2016. ZHANG DAPENG. Research on dispatch of microgrid with electric vehicles load[D]. Tianjin: Hebei University of Technology, 2016(in Chinese).

Research on Dispatching Strategy of Microgrid with Electric Vehicle

TANG Jingmin, WANG Jie, LIU Simiao

(Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China)

The disorderly charging of a large number of electric vehicles into the grid will adversely affect the stability and reliability of the grid. Taking into account the impact of the charging and discharging of electric vehicles, the cost of battery loss and the influence of peak-valley price on the operation of the microgrid, a microgrid dispatching model with the goal of minimizing microgrid operating costs and environmental protection costs is established. The improved multi-objective immune algorithm based on differential evolution is used to optimize the model. Through example simulation, comparative analysis of the disorderly and orderly dispatching modes of electric vehicles in the microgrid environment is carried out, and it is proved that the orderly charging of electric vehicles has a positive effect on the economic and environmental benefits of the microgrid. And it is verified that improved multi-objective immune algorithm based on differential evolution is effective in scheduling optimization.

orderly charging; peak-valley price; microgrid; multi-objective optimization

10.3969/j.ISSN.1672-0792.2021.02.004

TM72

A

1672-0792(2021)02-0025-07

2020-09-29

國家自然科學(xué)基金（61761025）

唐菁敏（1979—），男，副教授，主要研究方向?yàn)闊o線協(xié)作通信，認(rèn)知無線電網(wǎng)絡(luò)，Ad-hoc網(wǎng)絡(luò)和物聯(lián)網(wǎng)技術(shù)，智能電網(wǎng)；

王 杰（1995—），男，碩士研究生，主要研究方向智能電網(wǎng)；

劉思淼（1995—），女，碩士研究生，主要研究方向智能電網(wǎng)。

王 杰