基于螢火蟲與粒子群混合優(yōu)化算法的移動(dòng)儲(chǔ)能調(diào)度

孫庚，郭峰，于浩，何思源，可洪，林卉

（1.國(guó)網(wǎng)阜新供電公司，遼寧阜新 123000；2.華北電力大學(xué)電力工程系，河北保定 071003）

0 引言

近年來涌現(xiàn)的以電動(dòng)汽車[1-3]為代表的全電驅(qū)動(dòng)移動(dòng)式儲(chǔ)能兼具規(guī)?；瘍?chǔ)能和動(dòng)態(tài)轉(zhuǎn)移的能力[4]，在參與配電網(wǎng)調(diào)節(jié)方面較固定式儲(chǔ)能更具靈活性優(yōu)勢(shì)。為了減少負(fù)荷峰谷差、降低網(wǎng)損，已有的研究對(duì)電動(dòng)汽車參與調(diào)度的定價(jià)已經(jīng)開展了不少的工作。文獻(xiàn)[5]提出了一種考慮社會(huì)福利最大化的調(diào)度博弈雙層定價(jià)機(jī)制，并建立了計(jì)及源荷雙側(cè)不確定因素的電網(wǎng)雙層定價(jià)模型。文獻(xiàn)[6]所提方法解決了獨(dú)立售電公司投資決策問題。文獻(xiàn)[7]提出了一種以分銷網(wǎng)絡(luò)運(yùn)營(yíng)商日前利潤(rùn)最大化和電壓水平調(diào)節(jié)為目標(biāo)的能源管理系統(tǒng)。文獻(xiàn)[8]提出一種考慮交通路況的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型。文獻(xiàn)[9]提出一種交通網(wǎng)-電網(wǎng)耦合網(wǎng)絡(luò)中電動(dòng)汽車充電負(fù)荷低碳優(yōu)化方法。文獻(xiàn)[5-9]中并未考慮交通能耗對(duì)電動(dòng)汽車用戶參與意愿的影響，并對(duì)交通能耗進(jìn)行電價(jià)補(bǔ)貼，僅考慮用戶出行特性進(jìn)行電價(jià)設(shè)定[10-13]。

對(duì)于電動(dòng)汽車、以卡車為載體的移動(dòng)儲(chǔ)能的調(diào)度方面也有部分研究成果，文獻(xiàn)[14]提出一種考慮分布式電源和電動(dòng)汽車集群調(diào)度的配電網(wǎng)絡(luò)重構(gòu)方法。文獻(xiàn)[15]提出了一種新的馬爾可夫決策過程算法。文獻(xiàn)[16]提出了一種基于粒子群優(yōu)化算法的谷期調(diào)度充電模型和策略。文獻(xiàn)[17]建立以發(fā)電成本、排放成本和風(fēng)電成本為最小目標(biāo)的電力系統(tǒng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度模型；文獻(xiàn)[14-17]中均是對(duì)單一類型的移動(dòng)儲(chǔ)能進(jìn)行調(diào)度，并未考慮多類型移動(dòng)儲(chǔ)能的優(yōu)化調(diào)度。

文獻(xiàn)[18]建立了以電網(wǎng)負(fù)荷方差最小、電動(dòng)汽車用戶充放電利潤(rùn)最大化為目標(biāo)的優(yōu)化模型。文獻(xiàn)[19]以電動(dòng)汽車接入的主動(dòng)配電網(wǎng)運(yùn)行成本最小化和負(fù)荷曲線方差最小化為優(yōu)化目標(biāo)建立模型。文獻(xiàn)[20]以污染排放最低及燃料費(fèi)用最小為優(yōu)化目標(biāo)建立含電動(dòng)汽車的調(diào)度模型，文獻(xiàn)[18-20]中極少涉及以負(fù)荷峰谷差、配電網(wǎng)網(wǎng)損、配電網(wǎng)運(yùn)行成本為目標(biāo)的調(diào)度模型。

本文將移動(dòng)儲(chǔ)能分為電動(dòng)汽車、移動(dòng)儲(chǔ)能車、氫燃料發(fā)電車，對(duì)電動(dòng)汽車從當(dāng)前位置到充電站這段距離行駛耗能進(jìn)行直接的補(bǔ)貼，提升移動(dòng)儲(chǔ)能調(diào)度容量。先對(duì)3 類移動(dòng)儲(chǔ)能分別建模，得到不同時(shí)段3 類移動(dòng)儲(chǔ)能分別可調(diào)度的功率，以負(fù)荷峰谷差、網(wǎng)損、配電網(wǎng)運(yùn)行成本為目標(biāo)，為了降低排名異常的概率，采用向量歸一化將多目標(biāo)進(jìn)行優(yōu)化，采用螢火蟲與粒子群混合優(yōu)化算法求解得到三類移動(dòng)儲(chǔ)能共同參與調(diào)度的最優(yōu)方案，其中螢火蟲與粒子群混合優(yōu)化算法引入Tent 混沌映射、柯西變異算子、螢火蟲算法中的模糊自適應(yīng)慣性權(quán)值，通過算例驗(yàn)證該算法的優(yōu)越性，并證明3 類移動(dòng)儲(chǔ)能協(xié)調(diào)調(diào)度可以有效降低負(fù)荷峰谷差、網(wǎng)損和配電網(wǎng)運(yùn)行成本。

1 移動(dòng)儲(chǔ)能參與配電網(wǎng)優(yōu)化運(yùn)行調(diào)度的行為分析

1.1 移動(dòng)儲(chǔ)能充放電的交通能耗

本文在移動(dòng)儲(chǔ)能調(diào)度模型中考慮了交通網(wǎng)絡(luò)的實(shí)時(shí)路況信息[21]，因此需要得到移動(dòng)儲(chǔ)能從當(dāng)前位置到充電站的最短路徑，通過最短路徑結(jié)合實(shí)時(shí)路況信息計(jì)算移動(dòng)儲(chǔ)能前往充電站的交通能耗。dijkstra 算法為貪心算法的一種形式[22]，dijkstra 算法能夠處理最優(yōu)的最短路徑。

通過dijkstra 算法計(jì)算從實(shí)時(shí)位置i到充電站j的最短路徑，根據(jù)實(shí)時(shí)位置i到充電站j的路徑上每對(duì)交叉口(a,b)的最小值，即最短通過時(shí)間之和預(yù)先確定在t時(shí)段從實(shí)時(shí)位置i到充電站j的最佳路徑的交叉口集。最佳路徑計(jì)算如式（1）所示：

式中：Dt為最佳路徑；為在t時(shí)段從實(shí)時(shí)位置i到充電站j所需時(shí)間最短的距離；NI為第I個(gè)交通網(wǎng)中i，j兩點(diǎn)間的最大值。

利用預(yù)測(cè)平均速度，可提前計(jì)算出移動(dòng)儲(chǔ)能在交叉口之間時(shí)間步長(zhǎng)t時(shí)段的平均過境時(shí)間:

式中：為t時(shí)段平均時(shí)間；dab為路徑距離；為t時(shí)段平均速度。

將城市道路分為4 個(gè)等級(jí)，分別為快速路、主干路、次干路以及支路[23]，每種等級(jí)的道路在不同的交通路況下具有不同的車，快速路、主干路、次干路、支路的單位里程能耗計(jì)算如下：

式中：E1，E2，E3，E4分別為快速路、主干路、次干路、支路的單位里程能耗；vev為電動(dòng)汽車車速。

1.2 移動(dòng)儲(chǔ)能運(yùn)行特性建模

1.2.1 電動(dòng)汽車

先根據(jù)電動(dòng)汽車的出行特性進(jìn)行分析[24]。由于電動(dòng)汽車行駛耗電，因此交通能耗成本與電價(jià)有關(guān)，電動(dòng)汽車行駛耗電的成本為：

式中：為配電網(wǎng)需要支付給電動(dòng)汽車的交通能耗總成本；為電動(dòng)汽車參與調(diào)度時(shí)前往充電站每公里補(bǔ)貼；Nev(t)為t時(shí)段參與充電調(diào)度的電動(dòng)汽車數(shù)量；Dev(i)為第i輛電動(dòng)汽車前往充電站的距離；Nev(t)為t時(shí)段參與調(diào)度的電動(dòng)汽車總數(shù)。

配電網(wǎng)支付給電動(dòng)汽車的交通能耗補(bǔ)貼為：

式中：(t)為t時(shí)段電動(dòng)汽車調(diào)度充電時(shí)配電網(wǎng)所需支付的成本；pact(t)為t時(shí)段的分時(shí)電價(jià)；pch(t)為t時(shí)段電動(dòng)汽車充電單位電價(jià)。

根據(jù)以往數(shù)據(jù)生成電動(dòng)汽車下一時(shí)段的預(yù)測(cè)位置及實(shí)時(shí)電量，判斷電量是否可以讓電動(dòng)汽車連續(xù)充電1 h、其位置與充電站距離是否在調(diào)度距離內(nèi)。若2個(gè)條件均滿足，且用戶同意參與調(diào)度，則將該電動(dòng)汽車判斷為下一時(shí)段可以參與調(diào)度，如圖1 所示。

圖1 電動(dòng)汽車參與調(diào)度流程Fig.1 Process of electric vehicle participating in scheduling

1.2.2 移動(dòng)儲(chǔ)能車

首先判斷移動(dòng)儲(chǔ)能車下一時(shí)段是否需要參與應(yīng)急供電，若不需要?jiǎng)t判斷下一時(shí)段需要充電還是放電，需要充電時(shí)判斷電量是否可以支撐移動(dòng)儲(chǔ)能車連續(xù)充電1 h，需要放電時(shí)判斷電量是否可以支撐移動(dòng)儲(chǔ)能車連續(xù)放電1 h，若可以則計(jì)算移動(dòng)儲(chǔ)能車的交通能耗及充放電成本，最后計(jì)算可參與調(diào)度的移動(dòng)儲(chǔ)能車總量。

t時(shí)段移動(dòng)儲(chǔ)能車參與調(diào)度的充電總成本為：

移動(dòng)儲(chǔ)能車參與調(diào)度時(shí)，前往充電站行駛的油耗總成本為：

式中：為配電網(wǎng)需要承擔(dān)的移動(dòng)儲(chǔ)能車交通能耗總成本；pUPS為移動(dòng)儲(chǔ)能車參與調(diào)度時(shí)前往充電站每公里補(bǔ)貼；DUPS(i)為第i輛移動(dòng)儲(chǔ)能車前往充電站的距離；NUPS(t)為t時(shí)段參與調(diào)度的電動(dòng)汽車總數(shù)。

移動(dòng)儲(chǔ)能車調(diào)度流程見圖2。

圖2 移動(dòng)儲(chǔ)能車參與調(diào)度判斷標(biāo)準(zhǔn)Fig.2 Judgment criteria for mobile energy storage vehicle participating in scheduling

1.2.3 氫燃料發(fā)電車

首先判斷氫燃料發(fā)電車下一時(shí)段是否需要參與應(yīng)急供電，若不需要，當(dāng)下一時(shí)段需要放電調(diào)度時(shí)，判斷氫能轉(zhuǎn)換為電能后是否可以支撐氫燃料發(fā)電車連續(xù)放電1 h，若可以則計(jì)算氫燃料發(fā)電車的交通能耗及充氫成本，最后計(jì)算可參與調(diào)度的氫燃料發(fā)電車總量。

氫燃料發(fā)電車充氫總成本為：

氫燃料發(fā)電車前往充電站行駛的油耗總成本為：

式中：為配電網(wǎng)需要承擔(dān)的氫燃料發(fā)電車交通能耗總成本；pH為氫燃料發(fā)電車參與調(diào)度時(shí)前往充電站每公里補(bǔ)貼；DH(i)為第i輛氫燃料發(fā)電車前往充電站的距離；NH(t)為t時(shí)段參與調(diào)度的氫燃料發(fā)電車數(shù)。

氫燃料發(fā)電車調(diào)度流程如圖3 所示。

圖3 氫燃料發(fā)電車參與調(diào)度判斷標(biāo)準(zhǔn)Fig.3 Judgment criteria for hydrogen fuel power generation vehicle participation in scheduling

2 移動(dòng)儲(chǔ)能參與配電網(wǎng)優(yōu)化運(yùn)行調(diào)度模型

2.1 目標(biāo)函數(shù)

移動(dòng)儲(chǔ)能調(diào)度前后負(fù)荷峰谷差計(jì)算為：

負(fù)荷峰谷差過大會(huì)有相應(yīng)的負(fù)荷峰谷差懲罰成本，通過調(diào)度移動(dòng)儲(chǔ)能減少的負(fù)荷峰谷差懲罰成本等同于負(fù)荷峰谷差所得利潤(rùn)，通過調(diào)度移動(dòng)儲(chǔ)能減少負(fù)荷峰谷差ffgc而得到的利潤(rùn)為：

式中：pfgc為負(fù)荷峰谷差單位懲罰成本。

移動(dòng)儲(chǔ)能接入充放電能量損耗、配電網(wǎng)通過減少網(wǎng)損得到的利潤(rùn)為：

式中：fnet,loss為減少網(wǎng)損所得利潤(rùn)；pnet,loss為網(wǎng)損單位成本，為t時(shí)段移動(dòng)儲(chǔ)能充放電能量損耗。

以配電網(wǎng)運(yùn)行成本最小為目標(biāo)，計(jì)算公式為：

式中：fnet為配電網(wǎng)降低的運(yùn)行成本；k1為負(fù)荷峰谷差降低使配電網(wǎng)降低的運(yùn)行成本與降低負(fù)荷峰谷差得到的利潤(rùn)之間的轉(zhuǎn)換因子；k2為網(wǎng)損降低使配電網(wǎng)降低的運(yùn)行成本與降低網(wǎng)損得到的利潤(rùn)之間的轉(zhuǎn)換因子。

2.2 多目標(biāo)向量歸一化

對(duì)于減少負(fù)荷峰谷差所得利潤(rùn)、網(wǎng)損減少所得利潤(rùn)、配電網(wǎng)運(yùn)行成本等多個(gè)目標(biāo)，采用向量歸一化多目標(biāo)優(yōu)化法，有效降低排名異常概率，極大地減少不必要的切換。

1）決策矩陣建立。首先構(gòu)造決策矩陣，向量歸一化多目標(biāo)優(yōu)化法為：

式中：Eα為決策矩陣；Ki為第i個(gè)指標(biāo)，i=1,2,3。

2）矩陣歸一化。由于選擇一個(gè)不合適的切換目標(biāo)會(huì)使系統(tǒng)出現(xiàn)更多不必要的切換，需要對(duì)指標(biāo)進(jìn)行處理，減少排序異常的情況。對(duì)矩陣中每個(gè)元素的值進(jìn)行向量歸一化，其中列向量的每個(gè)元素除以該向量的模長(zhǎng)，排除有誤的數(shù)據(jù)。最后將有效指標(biāo)歸一化處理：

式中：Ni為第i個(gè)歸一化指標(biāo)；m為總指標(biāo)數(shù)。

3）發(fā)散度系數(shù)計(jì)算。當(dāng)?shù)趇個(gè)指標(biāo)歸一化系數(shù)越發(fā)散，熵發(fā)散系數(shù)越高，對(duì)切換決策影響力越高，同理歸一化系數(shù)越收斂，熵發(fā)散系數(shù)越低，對(duì)切換決策影響力越低。

式中：di為第i個(gè)指標(biāo)的熵發(fā)散度系數(shù)；C為一個(gè)常量。

4）熵權(quán)值計(jì)算。使用熵權(quán)法計(jì)算指標(biāo)權(quán)重：

式中：wi為第i個(gè)指標(biāo)的權(quán)重。

5）計(jì)算性能值。根據(jù)前4 個(gè)步驟，最后的歸一化決策矩陣N為：

式中：Nffgc為減少負(fù)荷峰谷差所得利潤(rùn)的計(jì)算值性能；Nfnetloss為減少網(wǎng)損所得利潤(rùn)的計(jì)算值性能；Nfnet為減少配電網(wǎng)運(yùn)行成本的計(jì)算值性能。

最后性能值計(jì)算為：

式中：ptot為配電網(wǎng)調(diào)度所得利潤(rùn)。

3 移動(dòng)儲(chǔ)能參與配電網(wǎng)優(yōu)化運(yùn)行調(diào)度模型求解算法

引入Tent 混沌映射和柯西變異算子使其具有精確的非線性搜索空間。本文采用螢火蟲與粒子群混合優(yōu)化算法求解，該算法綜合利用螢火蟲算法的尋優(yōu)能力和粒子群算法的收斂速度，優(yōu)化了算法的全局搜索能力、收斂速度和適應(yīng)性。

在粒子群算法中，粒子通過跟隨它們當(dāng)前的最佳適應(yīng)度值在問題空間中飛行，通過更新代來搜索最優(yōu)解，粒子的更新由式（21）和式（22）實(shí)現(xiàn):

在迭代時(shí)，根據(jù)粒子的先前速度、粒子的位置以及到目前為止在相鄰的粒子中達(dá)到最佳適應(yīng)度的最佳粒子，為每個(gè)粒子計(jì)算一個(gè)新的速度。慣性權(quán)重控制算法的搜索特性。隨機(jī)數(shù)是[0，1]內(nèi)均勻分布的數(shù)。更新每個(gè)粒子在解超空間中的位置。根據(jù)式（20）和式（21）更新粒子，并使用從最大值到最小值線性遞減的慣性權(quán)重來更新慣性權(quán)重。

式中：kmax為最大迭代次數(shù)；ωmax，ωmin分別為最大、小慣性權(quán)重；mf為動(dòng)量因素。

如果每個(gè)粒子在當(dāng)前迭代中的適應(yīng)度優(yōu)于前一次迭代，則在下一次迭代中其速度保持不變；否則，將根據(jù)式（21）和式（22）更新粒子的速度和位置，這種計(jì)算速度的更新提高了效率。

對(duì)于粒子群算法容易陷入局部最優(yōu)的缺點(diǎn)，本文利用混沌序列的隨機(jī)性和遍歷性，選擇Tent 映射方程產(chǎn)生初始種群，能使初始個(gè)體盡可能均勻分布在搜索區(qū)域中，以此來提高初始種群的多樣性和適應(yīng)性，加快種群進(jìn)化進(jìn)程。Tent 映射方程為：

式中：xi為第i個(gè)粒子。

通過將各種模糊規(guī)則包含到前一慣性權(quán)重的清晰數(shù)據(jù)中來實(shí)現(xiàn)加權(quán)調(diào)整。首先，通過模糊化過程將清晰數(shù)據(jù)轉(zhuǎn)換為模糊集，然后通過解模糊過程將模糊集轉(zhuǎn)換為清晰數(shù)據(jù)。標(biāo)準(zhǔn)化適應(yīng)度值用作0和1 之間的輸入變量，定義為：

式中：Fnorm為標(biāo)準(zhǔn)化適應(yīng)度值；F為當(dāng)前最佳性能評(píng)估值；Fmax，F(xiàn)min分別為適應(yīng)度最大、最小值。

為了防止算法過早收斂，引入柯西變異算子，有效提高算法擺脫局部最優(yōu)解的能力，避免早熟現(xiàn)象的發(fā)生。變異公式為：

式中：Xi(t)為在t代全局最優(yōu)解；λ為調(diào)整參數(shù)；C(0,1)為t=1時(shí)的標(biāo)準(zhǔn)柯西隨機(jī)分布；T為總時(shí)長(zhǎng)。

4 算例分析

4.1 本文所提算法效果驗(yàn)證

本文的算例中包含電動(dòng)汽車1 000 輛，移動(dòng)儲(chǔ)能車100 輛，氫燃料發(fā)電車10 輛。

首先對(duì)不考慮交通能耗及考慮交通能耗2 個(gè)場(chǎng)景進(jìn)行對(duì)比，結(jié)果見表1。

表1 有無考慮交通能耗的結(jié)果Table 1 Comparison of scenarios with and without consideration of transportation energy consumption

由表1 可以明顯看出，考慮交通能耗后，由于電動(dòng)汽車用戶得到的補(bǔ)貼提高，用戶響應(yīng)率隨之增加，因此可調(diào)度的移動(dòng)儲(chǔ)能容量也提高。

考慮交通能耗的情況下，分別對(duì)比由粒子群算法、螢火蟲與粒子群混合優(yōu)化算法的求解結(jié)果，對(duì)比效果如圖4 和圖5 所示。通過粒子群算法求解的調(diào)度前后負(fù)荷峰谷差分別為522.398 3 kW 和522.391 7 kW，而通過粒子群螢火蟲與粒子群混合優(yōu)化求解的調(diào)度前后負(fù)荷峰谷差分別為522.398 3 kW和516.441 0 kW。

通過對(duì)比圖4、圖5 和表1 可以看出使用螢火蟲與粒子群混合優(yōu)化算法求解的多類移動(dòng)儲(chǔ)能調(diào)度與粒子群算法求解相比，負(fù)荷峰谷差減少程度更明顯，效果更好。

圖4 粒子群算法求解的參與調(diào)度前后功率對(duì)比Fig.4 Comparison of power solved by PSO before and after scheduling

圖5 螢火蟲與粒子群混合優(yōu)化算法求解的參與調(diào)度前后功率對(duì)比Fig.5 Comparison of power solved by hybrid optimization algorithm of firefly and PSO before and after scheduling

分別采用粒子群算法、螢火蟲與粒子群混合優(yōu)化算法求解的移動(dòng)儲(chǔ)能參與調(diào)度功率分布如圖6和圖7 所示。通過圖6 和圖7 可以看出多類移動(dòng)儲(chǔ)能參與調(diào)度時(shí)移動(dòng)儲(chǔ)能的利用率更高。

圖6 粒子群算法求解的移動(dòng)儲(chǔ)能參與調(diào)度功率分布圖Fig.6 Power distribution of mobile energy storage scheduling solved by PSO

圖7 螢火蟲與粒子群混合優(yōu)化算法求解的移動(dòng)儲(chǔ)能調(diào)度功率分布圖Fig.7 Power distribution of mobile energy storage scheduling solved by hybrid optimization algorithm of firefly and PSO

分別采用粒子群算法、螢火蟲與粒子群混合優(yōu)化算法求解的網(wǎng)損、配電網(wǎng)降低的運(yùn)行總成本對(duì)比如表2 所示。由表2 可以看出螢火蟲與粒子群混合優(yōu)化算法求解的調(diào)度后網(wǎng)損更小，配電網(wǎng)調(diào)度后降低的運(yùn)行總成本更多。

表2 不同算法求解的結(jié)果Table 2 Results of different algorithms

綜上所述，使用螢火蟲與粒子群混合優(yōu)化算法求解的總體效果遠(yuǎn)優(yōu)于由粒子群算法求解的效果。

4.2 移動(dòng)儲(chǔ)能種類與交通能耗影響分析

對(duì)以下3 種場(chǎng)景進(jìn)行仿真。

場(chǎng)景1：電動(dòng)汽車1000 輛，考慮交通能耗，螢火蟲與粒子群混合優(yōu)化算法求解。

場(chǎng)景2：電動(dòng)汽車1000 輛，移動(dòng)儲(chǔ)能車100 輛，氫燃料發(fā)電車10 輛，不考慮交通能耗，螢火蟲與粒子群混合優(yōu)化算法求解。

場(chǎng)景3：電動(dòng)汽車1000 輛，移動(dòng)儲(chǔ)能車100 輛，氫燃料發(fā)電車10 輛，考慮交通能耗，螢火蟲與粒子群混合優(yōu)化算法求解。

所求解的移動(dòng)儲(chǔ)能功率調(diào)度方案分別如圖8—圖9 所示，所得到的負(fù)荷峰谷差、網(wǎng)損、配電網(wǎng)降低的運(yùn)行總成本對(duì)比如表3 所示。

表3 不同場(chǎng)景下的結(jié)果Table 3 Results in different scenarios

圖8 僅含電動(dòng)汽車參與的調(diào)度前后功率對(duì)比圖Fig.8 Comparison of power before and after scheduling with only EVs

圖9 無交通能耗時(shí)的調(diào)度前后功率對(duì)比圖Fig.9 Comparison of power without transportation energy consumption before and after scheduling

通過圖5、圖8、圖9 可以看出，使用多種類型移動(dòng)儲(chǔ)能參與調(diào)度且考慮交通能耗時(shí)負(fù)荷峰谷差減少程度最明顯，效果最優(yōu)。

僅含電動(dòng)汽車參與調(diào)度的功率和不計(jì)及交通能耗調(diào)度的功率分布如圖10 和圖11 所示。

圖10 僅含電動(dòng)汽車參與的移動(dòng)儲(chǔ)能調(diào)度功率圖Fig.10 Power of mobile energy storage scheduling with only EVs

圖11 無交通能耗的移動(dòng)儲(chǔ)能調(diào)度功率分布圖Fig.11 Power distribution of mobile energy storage scheduling without transportation energy consumption

通過圖7、圖10 和圖11 以看出多類移動(dòng)儲(chǔ)能參與調(diào)度時(shí)移動(dòng)儲(chǔ)能的利用率更高。通過表3 中場(chǎng)景1 與場(chǎng)景3 對(duì)比可知，3 類移動(dòng)儲(chǔ)能協(xié)調(diào)調(diào)度減小負(fù)荷峰谷差、網(wǎng)損的效果比僅由電動(dòng)汽車參與調(diào)度的效果更明顯，由3 類移動(dòng)儲(chǔ)能協(xié)調(diào)調(diào)度時(shí)配電網(wǎng)降低的運(yùn)行成本更多。由場(chǎng)景2 和場(chǎng)景3 對(duì)比可知當(dāng)計(jì)及交通能耗并對(duì)此進(jìn)行電價(jià)補(bǔ)貼時(shí)，總體效果更好。

5 結(jié)論

本文提出了以負(fù)荷峰谷差、網(wǎng)損、配電網(wǎng)運(yùn)行成本為目標(biāo)，使用向量歸一化優(yōu)化多目標(biāo)，通過螢火蟲與粒子群混合優(yōu)化算法求解出3 類移動(dòng)儲(chǔ)能協(xié)調(diào)調(diào)度的最優(yōu)方案。通過算例驗(yàn)證得到以下結(jié)論：

1）3 類移動(dòng)儲(chǔ)能協(xié)調(diào)調(diào)度可以提高移動(dòng)儲(chǔ)能車、氫燃料發(fā)電車的利用率，且其對(duì)減少負(fù)荷峰谷差、網(wǎng)損、配電網(wǎng)運(yùn)行成本的效果明顯優(yōu)于僅由電動(dòng)汽車參與調(diào)度。

2）采用螢火蟲與粒子群混合優(yōu)化算法求解的效果明顯優(yōu)于采用粒子群算法求解的效果。

3）當(dāng)計(jì)及交通能耗并對(duì)此進(jìn)行補(bǔ)貼時(shí)移動(dòng)儲(chǔ)能的可調(diào)度容量遠(yuǎn)大于不計(jì)及交通能耗，且計(jì)及交通能耗后調(diào)度的總體效果更優(yōu)。