住宅小區(qū)充電站電動汽車有序充電方法

郭瑞　孟祥軍　羅璇

摘? 要：規(guī)?；妱悠嚐o序充電會給電網(wǎng)的安全運行帶來風(fēng)險和負(fù)擔(dān)。為此，提出兩種電動汽車有序充電模式即自動開斷充電模式和平滑調(diào)節(jié)充電模式，在現(xiàn)有住宅小區(qū)配電網(wǎng)的基礎(chǔ)上，對應(yīng)地建立以配電變壓器、線路容量等為約束條件，以傳輸給電動汽車電能最大為目標(biāo)的兩種有序充電優(yōu)化模型，并結(jié)合隨機模擬和改進(jìn)粒子群算法求解。

關(guān)鍵詞：住宅小區(qū);充電站電動汽車;有序充電方法

1電動汽車模型建立

當(dāng)EV隨機接入系統(tǒng)后，若EV充電站能將一定區(qū)域內(nèi)的EV統(tǒng)一管理，當(dāng)EV接入充電樁后獲得該車的數(shù)據(jù)，即荷電狀態(tài)SOC，期望離開時間tleave，結(jié)合所有站內(nèi)EV的數(shù)據(jù)對每臺EV充電功率進(jìn)行分配，進(jìn)行有序的充電調(diào)度。在滿足用戶的需求前提下，將一部分充電負(fù)荷轉(zhuǎn)移至用電低峰期，即可實現(xiàn)EV的有序充電。

假設(shè)EV于tin接入電網(wǎng)便以最大功率直接進(jìn)行充電，充滿所需時間tdismin，若車主設(shè)定的離開時間tleave>tin+tdismin則視該EV為可調(diào)EV，可對該EV的充電時間進(jìn)行調(diào)整，從而實現(xiàn)有序充電。單臺EV的模型表示為：

式中：SOCt為電池t時段的荷電狀態(tài);Cmax為電池容量;SOCmin、SOCmax分別為荷電狀態(tài)的最小值、最大值;SOCleave、SOCdemand分別為EV離開電網(wǎng)時荷電狀態(tài)及用戶的需求值;Pt為t時段的充電功率;Pmin、Pmax分別為充電功率的最小值、最大值。

2EV負(fù)荷特性分類方法

對EV負(fù)荷特性進(jìn)行分類，一般使用聚類分析法，對EV車主行駛行為與充電特性根據(jù)一定的準(zhǔn)則劃分，使得劃分到同一類型中的用戶最大程度地具有相似或接近的負(fù)荷特性，并且不同類型的負(fù)荷特性具有較大的差異性和區(qū)別顯著的特征。

模糊C均值聚類算法對EV特性數(shù)據(jù)進(jìn)行聚類，可以得到相對更為科學(xué)、合理的劃分結(jié)果。首先隨機選取若干EV負(fù)荷特性數(shù)據(jù)的樣本作為初始聚類中心，并賦予所有樣本對各個聚類中心數(shù)值一定的隸屬度。該算法的目標(biāo)函數(shù)J為所有數(shù)據(jù)點到各個聚類中心的距離與隸屬度的加權(quán)總和，然后迭代上述過程，反復(fù)修正聚類中心，其修正過程如式（3）所示，即

式中：N為EV負(fù)荷的數(shù)據(jù)樣本數(shù)量;k為聚類數(shù)目;xj為第j個EV負(fù)荷的樣本;ui為第i類EV數(shù)據(jù)樣本的聚類中心;ui（r）為ui的第r次迭代;μmij為第j個樣本屬于第i類簇的隸屬度;r為算法當(dāng)前迭代次數(shù);μij（r）為第r次迭代第j個樣本屬于第i類簇的隸屬度;m為模糊系數(shù)，通常取m=2;dij（r）為第j個EV數(shù)據(jù)樣本在第r次迭代后，計算得到的與第i類EV數(shù)據(jù)樣本的聚類中心的距離。

算法過程描述如下：

（1）確定聚類數(shù)目k，從EV樣本數(shù)據(jù)集中隨機選取k個樣本，并將其作為初始EV特性類別的聚類中心;

（2）完成每個EV特性類別的聚類中心的初始化后，根據(jù)式（2）和式（3）計算距離dij（r）和隸屬度μij（r）;

（3）計算第i個EV特性類別的聚類中心ui（r+1）;

（4）設(shè)定閾值ε，反復(fù)更新J（r+1），若有J（r+1）-J（r）<ε，則終止迭代過程。

以北京市某住宅區(qū)的EV出行數(shù)據(jù)為樣本，隨機選取500臺電動汽車進(jìn)行分析，利用上述方法進(jìn)行聚類，得到其充電開始時間、充電持續(xù)時間、初始荷電狀態(tài)的三維聚類結(jié)果。得到2個聚類中心分別為（8.75，2.2，0.5），（17.2，2.2，0.5），且上午的充電開始時間服從正態(tài)分布，下午的充電開始時間服從柯西分布;充電持續(xù)時間和初始荷電狀態(tài)都服從正態(tài)分布。

3基于馬爾科夫鏈的電動汽車模式轉(zhuǎn)移模型

在描述隨機過程中，馬爾科夫鏈（Markovchain，MC）是一種十分常見的工具。

同一EV在不同日的EV充電曲線可以看作不同模式下的EV充電負(fù)荷在動態(tài)變化，當(dāng)日的EV充電模式僅與前一天的EV充電模式有關(guān)，與之前的EV充電模式無關(guān)。因此將EV的充電負(fù)荷變化過程近似于馬爾科夫鏈，建立由精煉后的多條典型EV充電曲線和EV負(fù)荷模式的轉(zhuǎn)移概率矩陣組成的模型，對EV隨機動態(tài)變化過程進(jìn)行描述。

模糊C均值聚類算法能夠有效地將形狀相近或距離緊密的EV充電負(fù)荷曲線劃分成一類，進(jìn)而形成若干類差異性較大的EV充電負(fù)荷類別，以此作為EV充電負(fù)荷模式劃分的依據(jù)。

對每臺EV以每天15min的間隔采樣一次，其功率采樣點序列即為EV日充電負(fù)荷曲線，即

對標(biāo)幺化后的每臺EV的Nk條標(biāo)幺化充電負(fù)荷曲線進(jìn)行模式劃分，采用模糊C均值聚類算法進(jìn)行聚類分析，ck為聚類數(shù)目，則聚類目標(biāo)函數(shù)為

式中：μmk，i，j為第k臺電動汽車的第j條日充電負(fù)荷曲線樣本中屬于第i類電動汽車充電負(fù)荷的隸屬度;Lk，i為第i類的EV充電負(fù)荷聚類中心曲線。

并由此設(shè)定用戶xk被分類為第i個模糊類時的EV充電負(fù)荷模式為Mk，i，并以EV充電負(fù)荷聚類中心曲線Lk，i對EV充電負(fù)荷模式Mk，i進(jìn)行表征。

完成對EV充電負(fù)荷的模式劃分后，根據(jù)對歷史EV日充電負(fù)荷曲線的劃分結(jié)果，在認(rèn)為EV充電負(fù)荷模式轉(zhuǎn)移過程為齊次馬爾科夫鏈的假設(shè)基礎(chǔ)上，對xk的EV充電負(fù)荷模式轉(zhuǎn)移過程進(jìn)行具體分析。

4EV有序充電求解

4.1目標(biāo)函數(shù)

將住宅小區(qū)內(nèi)的運行成本最低作為目標(biāo)函數(shù)，即

式中：PEV、PCon分別為EV和常規(guī)負(fù)荷的功率;F（PEV，PCon）為與PEV、PCon相關(guān)的運行成本;g（PEV，PCon）為相關(guān)約束條件，包括EV的充電功率約束和常規(guī)負(fù)荷約束、變壓器容量約束等。

4.2多種群遺傳算法

針對EV的有序充電優(yōu)化問題，采用多種群遺傳算法（multiplepopulationGA，MPGA）進(jìn)行求解，MPGA針對標(biāo)準(zhǔn)遺傳算法的早熟現(xiàn)象進(jìn)行了改進(jìn)。EV有序充電優(yōu)化中，決策方案數(shù)目隨著接入EV數(shù)目的增多而呈指數(shù)型增長，使用性能良好的MPGA算法能夠在有限的算力和時間內(nèi)通過種群的進(jìn)化過程完成尋優(yōu)，得到令人滿意的結(jié)果。

設(shè)置交叉重組概率在[0.7，0.9]內(nèi)隨機產(chǎn)生，變異概率在[0.001，0.05]內(nèi)隨機產(chǎn)生，最優(yōu)個體最少保持代數(shù)MAXGEN取值為10～15。

5結(jié)語

本文基于先進(jìn)的數(shù)據(jù)挖掘技術(shù)，利用模糊C均值聚類算法把握了EV的負(fù)荷特性，對EV的隨機動態(tài)變化過程進(jìn)行描述與分析，并應(yīng)用MPGA算法求解住宅小區(qū)內(nèi)EV的有序充電問題，由求解結(jié)果可看出本文的優(yōu)化方法可降低運行成本、實現(xiàn)削峰填谷，提升了電網(wǎng)的經(jīng)濟(jì)效益，并對充電站配電容量的規(guī)劃設(shè)計具有一定的指導(dǎo)意義。

參考文獻(xiàn)

[1] 張鈺，張玥，韓新陽，等.碳排放最小化條件下電動汽車有序充電策略研究[J].中國電力，2020，53（4）：147-154.

[2] 杜明秋，李妍，王標(biāo)，等.電動汽車充電控制的深度增強學(xué)習(xí)優(yōu)化方法[J].中國電機工程學(xué)報，2019，39（14）：4042-4048.

[3] 吳甲武，邱曉燕，潘胤吉，等.基于改進(jìn)雞群算法的電動汽車有序充電策略研究[J].電測與儀表，2019，56（9）：97-103.