基于Monte Carlo隨機(jī)模擬算法的電動(dòng)汽車(chē)無(wú)序充電負(fù)荷計(jì)算模型

摘"要：為了有效降低電動(dòng)汽車(chē)無(wú)序充電負(fù)荷對(duì)于電力系統(tǒng)穩(wěn)定性的影響，研究了基于Monte"Carlo隨機(jī)模擬算法的計(jì)算模型。綜合考慮用戶(hù)充電行為各參數(shù)的概率密度，使得構(gòu)建的模型更精確。分析了不同的充電策略對(duì)于充電負(fù)荷曲線(xiàn)的影響，并利用綜合策略模型使得用戶(hù)的充電成本更低，利用基于"Levy飛行策略的改進(jìn)麻雀算法對(duì)綜合充電策略的權(quán)重系數(shù)進(jìn)行尋優(yōu)計(jì)算，以使得用戶(hù)的成本和電網(wǎng)穩(wěn)定均能獲得不錯(cuò)的效果。在此基礎(chǔ)上，提出利用雙層優(yōu)化模型對(duì)模型進(jìn)一步優(yōu)化，綜合考慮用戶(hù)滿(mǎn)意度和電力波動(dòng)的情況，結(jié)果表明改進(jìn)后的模型，可以節(jié)省充電成本15.9%，降低電力系統(tǒng)負(fù)荷峰谷差約10.1%。

關(guān)鍵詞：蒙特卡洛；電動(dòng)汽車(chē)；無(wú)序充電；電力波動(dòng)

中圖分類(lèi)號(hào)：U491.8;TM73""""文獻(xiàn)標(biāo)識(shí)碼：A

Calculation"Model"of"Disorderly"Charging"Load"of"Electric"

Vehicle"Based"on"Monte"Carlo"Stochastic"Simulation"Algorithm

MA"Guozhen1，"WANG"Yunjia1，"WANG"Zhumei2，"DU"Wentong3

（1.Economic"and"Technological"Research"Institute"of"State"Grid"Hebei"Electric"Power"Co.，Ltd.，"

Shijiazhuang，"Hebei"050000，"China;"2.Shijiazhuang"College""of"Applied"Technology，"Shijiazhuang，

Hebei"050073，China;"3.Beijing"Zhong"Neng"Guang"Lian"Technology"Co.，Ltd.，"Beijing"100034"China）

Abstract：In"order"to"effectively"reduce"the"impact"of"disorderly"charging"load"of"electric"vehicle"on"power"system"stability，"this"paper"studies"the"calculation"model"based"on"Monte"Carlo"random"simulation"algorithm，"comprehensively"considering"the"probability"density"of"various"parameters"of"user"charging"behavior，"so"as"to"make"the"model"more"accurate."The"improved"algorithm"based"on"Levy’s"charging"strategy"and"the"user’s"comprehensive"charging"strategy"can"be"used"to"optimize"the"charging"effect"of"the"power"grid."On"this"basis，"a"twolevel"optimization"model"is"proposed"to"further"optimize"the"model，"comprehensively"considering"the"situation"of"user"satisfaction"and"power"fluctuation."The"results"show"that"the"improved"model"can"save"15.9%"of"charging"cost"and"reduce"the"peak"valley"difference"of"power"system"load"by"about"10.1%.

Key"words：Monte"Carlo;"electric"vehicle;"disorderly"charging;"power"fluctuation

能源是人類(lèi)社會(huì)發(fā)展中必不可缺的資源，隨著過(guò)度開(kāi)采和能源短缺等問(wèn)題逐漸突出。實(shí)現(xiàn)資源的高效分配以及不可再生能源的有效替代，被提上了日程[1]。電動(dòng)汽車(chē)是改善能源危機(jī)的重要工具，利用電動(dòng)汽車(chē)替代傳統(tǒng)的燃油汽車(chē)，可以有效降低石化能源的消耗，改善生態(tài)環(huán)境，助力實(shí)現(xiàn)人類(lèi)生存環(huán)境的可持續(xù)發(fā)展[2]。

電動(dòng)汽車(chē)的推廣，使得其數(shù)量越來(lái)越多，從而對(duì)充電負(fù)荷的需求也越來(lái)越大。由于電動(dòng)汽車(chē)的充電充滿(mǎn)隨機(jī)性，受到用戶(hù)個(gè)人行為影響嚴(yán)重，研究電動(dòng)汽車(chē)的無(wú)序充電，對(duì)于維持電力系統(tǒng)的穩(wěn)定和保障配電網(wǎng)的安全運(yùn)行具有重要的意義[3]。劉敦楠等[4]研究了電動(dòng)汽車(chē)的充電負(fù)荷情況預(yù)測(cè)，綜合考慮氣溫、氣象等因素對(duì)充電行為的影響。李怡然等[5]通過(guò)構(gòu)建日內(nèi)調(diào)度模型，運(yùn)用多段優(yōu)化的策略，實(shí)現(xiàn)了用戶(hù)側(cè)成本優(yōu)化和負(fù)荷削峰填谷的效果。

對(duì)于電動(dòng)汽車(chē)的無(wú)序充電負(fù)荷問(wèn)題，本文研究了基于Monte"Carlo隨機(jī)模擬算法的計(jì)算模型構(gòu)建問(wèn)題，通過(guò)構(gòu)建雙層優(yōu)化模型，綜合考慮充電過(guò)程中用戶(hù)滿(mǎn)意度和配電網(wǎng)負(fù)荷調(diào)度問(wèn)題，最終實(shí)現(xiàn)配電網(wǎng)負(fù)荷的波動(dòng)平抑、用戶(hù)滿(mǎn)意的效果。

1"電動(dòng)汽車(chē)充電

1.1"充電模式

電動(dòng)汽車(chē)的充電負(fù)荷與充電模式也有一定關(guān)系，充電模式主要包括常規(guī)充電、快速充電以及換電池充電等[6]。

不同的充電模式具有不同的優(yōu)缺點(diǎn)。

常規(guī)充電的優(yōu)點(diǎn)為充電不受線(xiàn)路影響，利用市電即可完成，建設(shè)成本低。充電電流不會(huì)對(duì)電網(wǎng)產(chǎn)生大的沖擊，對(duì)電池使用壽命等影響小。但由于該種模式的充電電流小，因此也被稱(chēng)作慢速充電。從而其充電過(guò)程需要大量的時(shí)間，只有車(chē)輛停留時(shí)間較長(zhǎng)的情況下才適用。

快速充電利用大功率進(jìn)行充電，因此充電效率較高，短時(shí)間內(nèi)即可完成充電，適用于高速服務(wù)區(qū)等急用情況，其缺點(diǎn)在于充電樁建設(shè)成本高，對(duì)電池的損耗嚴(yán)重。

更換電池模式是一種新的充電模式，通過(guò)電池的更換，可以有效緩和電池充電時(shí)間與充電成本之間的矛盾，電池更換效率高，同時(shí)可以利用閑時(shí)充電實(shí)現(xiàn)削峰填谷的電力調(diào)度作用[7]。其缺點(diǎn)在于不同車(chē)輛的電池型號(hào)、電池標(biāo)準(zhǔn)不一致，電池?fù)p耗費(fèi)用較高等，不適用于個(gè)人電動(dòng)汽車(chē)。

1.2"用戶(hù)駕駛統(tǒng)計(jì)特性

根據(jù)統(tǒng)計(jì)規(guī)律，對(duì)用戶(hù)的駕駛行為進(jìn)行統(tǒng)計(jì)，分別總結(jié)其對(duì)于充電負(fù)荷有影響因素的概率密度情況。

（1）用戶(hù)出行時(shí)刻分布情況

根據(jù)數(shù)據(jù)統(tǒng)計(jì)，對(duì)于電動(dòng)汽車(chē)出行的時(shí)間分布情況，上下午各不相同。上午出行的概率密度f(wàn)ut（x）可以利用Logistic分布進(jìn)行計(jì)算，表示為：

fut（x）=exp"x－μutσutσut1+exp"x－μutσut2（1）

式中，μut和"σut分別為對(duì)應(yīng)上午出行時(shí)間的均值和方差。

下午出行時(shí)間的概率密度分布情況，可以利用Poisson分布進(jìn)行統(tǒng)計(jì)，表示為：

Px=k=λkk！e－λ（2）

式中，λ為泊松分布隨機(jī)變量。

（2）用戶(hù)行駛里程分布情況

用戶(hù)的行駛里程，能夠有效反映出其電量使用情況，通過(guò)分析車(chē)輛運(yùn)行里程和耗電量，可以對(duì)剩余電量進(jìn)行求解，從而分析出需要的充電時(shí)間[8]。

根據(jù)數(shù)據(jù)擬合的結(jié)果，行駛里程的概率密度函數(shù)可以表示為：

fml=12πσmlexp－（ln"l－μm）22σ2m（3）

式中，μm和σm分別對(duì)應(yīng)行駛里程概率密度的均值和方差。對(duì)應(yīng)不同類(lèi)型的車(chē)輛，其數(shù)值各不相同。

（3）用戶(hù)日出行次數(shù)分布情況

用戶(hù)日出行的次數(shù)與電量的消耗具有正比的關(guān)系，用戶(hù)出行次數(shù)的概率密度f(wàn)n（x），可以用公式表示為：

fnx=12πσn－（x－μn）22σ2n（4）

式中，μn和σn分別對(duì)應(yīng)行駛里程概率密度的均值和方差。

（4）用戶(hù)日出行時(shí)長(zhǎng)分布情況

用戶(hù)的日出行時(shí)長(zhǎng)一般情況下大約為30分鐘左右，根據(jù)統(tǒng)計(jì)結(jié)果，用戶(hù)出行時(shí)長(zhǎng)的概率密度函數(shù)可以表示為：

fs（x）=1σs·e－μsσs·x1σs－1（1+e－μs·x1σs）2（5）

式中，μs和σs分別對(duì)應(yīng)出行時(shí)長(zhǎng)概率密度的均值和方差。

（5）用戶(hù)起始充電時(shí)長(zhǎng)分布情況

用戶(hù)充電時(shí)長(zhǎng)需要根據(jù)情況分成兩個(gè)部分，即起始充電時(shí)間和充電結(jié)束時(shí)間[9]。

按照日常習(xí)慣，起始充電時(shí)間通常情況下為用戶(hù)下班后歸家時(shí)間，這個(gè)時(shí)間約為18時(shí)左右，也是用電晚高峰時(shí)間，由于電動(dòng)汽車(chē)充電時(shí)間的連續(xù)性，使得用電負(fù)荷大幅增加。

用戶(hù)歸家時(shí)間的概率密度函數(shù)，經(jīng)統(tǒng)計(jì)用函數(shù)表示為：

fe（x）=

12πσeexp－（x+24－μe）22σ2e，0lt;x≤μe－12

12πσeexp－（x－μe）22σ2e，ue－12lt;x≤24"（6）

式中：μe和"σe分別為對(duì)應(yīng)充電開(kāi)始時(shí)間的均值和方差。

充電結(jié)束時(shí)間一般為次日的用戶(hù)出行時(shí)間，故其分布情況可以參考式（1）。

2"Monte"Carlo隨機(jī)模擬

Monte"Carlo隨機(jī)模擬算法，可以有效處理概率問(wèn)題和隨機(jī)時(shí)間關(guān)聯(lián)問(wèn)題，具有良好的數(shù)學(xué)處理能力[10]。通過(guò)獲取事件的發(fā)生概率，可以有效地對(duì)隨機(jī)時(shí)間進(jìn)行期望求解。

其處理過(guò)程主要包括：構(gòu)建隨機(jī)事件概率模型、進(jìn)行隨機(jī)變量抽樣和無(wú)偏估計(jì)求解。MonteCarlo隨機(jī)模擬算法產(chǎn)生的隨機(jī)數(shù)，根據(jù)時(shí)間隨機(jī)概率，選擇隨機(jī)變量對(duì)問(wèn)題進(jìn)行求解。

電動(dòng)汽車(chē)的充電行為具有極大的隨機(jī)性，完全由用戶(hù)個(gè)人出行規(guī)律決定，從而使得充電時(shí)間過(guò)度集中，產(chǎn)生這種無(wú)序負(fù)荷會(huì)給配電系統(tǒng)的穩(wěn)定運(yùn)行帶來(lái)挑戰(zhàn)，需要對(duì)其進(jìn)行引導(dǎo)和控制。

2.1"無(wú)序充電模型

為了得到電動(dòng)汽車(chē)的無(wú)序充電負(fù)荷，通過(guò)Monte"Carlo隨機(jī)模擬算法，建立負(fù)荷模型，利用分時(shí)計(jì)算的方法，以15min為一個(gè)時(shí)間段，得到汽車(chē)負(fù)荷的表達(dá)式為：

Pi=∑Nn=1Pn，i（7）

電動(dòng)汽車(chē)無(wú)序充電的負(fù)荷計(jì)算流程，如圖1所示。

2.2"車(chē)輛的負(fù)荷情況

利用Monte"Carlo負(fù)荷計(jì)算模型，總結(jié)電動(dòng)汽車(chē)的充電負(fù)荷分布情況[11]。不同滲透率下的充電負(fù)荷趨勢(shì)曲線(xiàn)如圖2所示。

個(gè)人電動(dòng)汽車(chē)是充電的主體，數(shù)量巨大，其充電行為的影響也更為重要。一般來(lái)說(shuō)，個(gè)人電動(dòng)汽車(chē)的行為會(huì)根據(jù)個(gè)人習(xí)慣而異，具有較大的隨機(jī)性。但是統(tǒng)計(jì)顯示，大量的個(gè)人電動(dòng)汽車(chē)運(yùn)行于早晚高峰期，主要作為上下班的交通工具，具有大量的停留時(shí)間，因此慢速充電即可滿(mǎn)足其使用需求[12]。

從圖2中可以看到，在考慮不同滲透率的情況下，個(gè)人電動(dòng)汽車(chē)的充電負(fù)荷趨勢(shì)變化并不明顯，僅是存在峰值大小的變化。個(gè)人電動(dòng)汽車(chē)的充電峰值位于19時(shí)附近，此時(shí)用戶(hù)大量歸家，從而程序充電至凌晨。充滿(mǎn)后充電負(fù)荷變少，次日6時(shí)左右充電負(fù)荷接近于0。

2.3"基于時(shí)間尺度的調(diào)度策略

電動(dòng)汽車(chē)的無(wú)序充電行為會(huì)使得電網(wǎng)面臨很大的壓力，峰谷差值加劇、波動(dòng)情況嚴(yán)重，影響電力系統(tǒng)穩(wěn)定。需要對(duì)其充電策略進(jìn)行引導(dǎo)，考慮不同充電策略情況下的負(fù)荷引導(dǎo)[13]。

（1）隨機(jī)充電策略

PR=1，""Rgt;0.5PR=0，""Rlt;0.5（8）

式中，R為0～1間的隨機(jī)數(shù)；PR為用戶(hù)充電概率。

（2）剩余里程策略

PS=1，"""Slt;SmPS=0，""S≥Sm"（9）

式中，S為用戶(hù)車(chē)輛剩余里程，Sm為用戶(hù)考慮充電的里程焦慮值，PS為用戶(hù)充電概率。

（3）電價(jià)引導(dǎo)的充電策略

PT=1，""""Tlt;Ta

PT=0，"""T≥Ta（10）

式中，T為此時(shí)充電電價(jià)，Ta為全天平均電價(jià)，PT為用戶(hù)充電概率。

（4）綜合充電策略

Pc=W1PR+W2PS+W3PT∑3i=1Wi=1，""i=1，2，3"（11）

式中，Wi為選擇不同充電方式的權(quán)重系數(shù)，當(dāng)用戶(hù)充電概率Pc小于0.5時(shí)，汽車(chē)不充電，其他情況下，汽車(chē)充電。

2.4"雙層優(yōu)化模型

為了降低電動(dòng)汽車(chē)無(wú)序充電對(duì)于電網(wǎng)的沖擊，提出了雙層優(yōu)化模型，分別考慮電網(wǎng)的穩(wěn)定性，以及用戶(hù)的充電成本兩個(gè)方面[14]。

雙層優(yōu)化的第一層，主要是通過(guò)基于"Levy飛行策略的改進(jìn)麻雀算法，來(lái)對(duì)充電策略的權(quán)重進(jìn)行搜尋，獲得最優(yōu)充電時(shí)間段。利用Levy飛行策略的距離優(yōu)勢(shì)，提高麻雀算法的搜索范圍，進(jìn)而提高其性能。改進(jìn)麻雀算法的流程如圖3所示。

第2層優(yōu)化的目標(biāo)，在于考慮負(fù)荷波動(dòng)的情況下，計(jì)算車(chē)輛充電概率，使得充電對(duì)于電網(wǎng)的波動(dòng)影響最小。

負(fù)荷波動(dòng)ΔS2可以用公式表示為：

ΔS2=∫T1（Ptw+Pt0）2－（Pt0）2dt"（12）

式中，Ptw為t時(shí)刻電動(dòng)汽車(chē)產(chǎn)生的無(wú)序充電負(fù)荷；Pt0為t"時(shí)刻電網(wǎng)原先的負(fù)荷。

可充電時(shí)間段CS可以表示為：

CS=PChgt;Pth（13）

Pth為可充電的概率限定值；Pch為電動(dòng)汽車(chē)的充電概率。

3"實(shí)驗(yàn)結(jié)果與分析

3.1"參數(shù)設(shè)置

為了驗(yàn)證本文優(yōu)化模型對(duì)于電動(dòng)汽車(chē)無(wú)序充電的效果，利用Matlab對(duì)某區(qū)域的電動(dòng)汽車(chē)負(fù)荷進(jìn)行研究。設(shè)定該區(qū)域內(nèi)的容量上限為3000"kW，電動(dòng)汽車(chē)數(shù)量為600輛。設(shè)定改進(jìn)麻雀算法的種群為60，迭代次數(shù)為300。電動(dòng)汽車(chē)的電池容量為65"kWh，充電功率為6.5"kW。設(shè)定綜合調(diào)度策略的權(quán)重系數(shù)W1，W2和W3初始值均為1/3。

分時(shí)電價(jià)情況，如表1所示。

3.2"目標(biāo)函數(shù)

對(duì)于無(wú)序充電的優(yōu)化目標(biāo)，需要考慮多個(gè)函數(shù)，從而維持配電網(wǎng)的穩(wěn)定，以及用戶(hù)成本的降低[15]。

多目標(biāo)函數(shù)主要包括：

（1）電網(wǎng)負(fù)荷均峰比Lm

max"Lm=average0≤t≤1440Pt0+∑ni=1Ptimax0≤t≤1440Pt0+∑ni=1Pti（14）

式中，Pti為t時(shí)刻，電動(dòng)汽車(chē)i的無(wú)序充電負(fù)荷。

（2）充電費(fèi)用Es最優(yōu)

max"Esr=1－∑Nn=1∑i+j－1t=1Cij·Pk·fij·Δt∑Nn=1∑i+j－1i=1Cij·Pk·fij·Δt"（15）

式中，N為汽車(chē)總量；i和j分別對(duì)應(yīng)充電開(kāi)始和充電結(jié)束的時(shí)間；Cij為對(duì)應(yīng)時(shí)間段i和j的充電平均電價(jià)；"fij為充電行為識(shí)別辨識(shí)，取0時(shí)表示電動(dòng)汽車(chē)此時(shí)不充電，取1時(shí)表示電動(dòng)汽車(chē)此時(shí)充電；Pk為此時(shí)電動(dòng)汽車(chē)充電行為產(chǎn)生的功率；Δt為充電時(shí)長(zhǎng)；"Esr為用戶(hù)充電行為費(fèi)用節(jié)省率。

3.電網(wǎng)負(fù)荷均方差和Sm的表示式為：

Sm=1∑Ni=1（∑Ni=1Pti+Pt0－Pa）2

Pa=∑Tt=1Pt0/T"（16）

式中，T為時(shí)間段的數(shù)量；Pa為一天24小時(shí)內(nèi)的無(wú)序充電負(fù)荷平均值。

3.3"結(jié)果與分析

（1）充電策略對(duì)比

利用Monte"Carlo隨機(jī)模擬算法，對(duì)采用不同充電策略的無(wú)序充電負(fù)荷進(jìn)行計(jì)算，結(jié)果對(duì)比情況如圖4所示。

從圖4中結(jié)果可以看到，不同的充電策略對(duì)于相對(duì)無(wú)序的電動(dòng)汽車(chē)充電來(lái)說(shuō)，用一定的引導(dǎo)作用。

采用隨機(jī)充電策略的負(fù)荷分布情況基本均勻，全天均有可能充電，主要的負(fù)荷高峰位于10-15時(shí)，其原因主要在于早高峰的車(chē)輛出行會(huì)消耗一定的能量，對(duì)于時(shí)間充裕的用戶(hù)，就會(huì)在中午進(jìn)行充電。

電價(jià)引導(dǎo)策略的采用，主要是為了起到電力調(diào)度中削峰填谷的作用。對(duì)于平時(shí)負(fù)荷較少的時(shí)間段，采用低電價(jià)，引導(dǎo)用戶(hù)在此時(shí)充電。從結(jié)果上看，低電價(jià)的時(shí)間段存在大量的車(chē)輛充電行為，也在此時(shí)產(chǎn)生電力負(fù)荷的高峰。一定的充電引導(dǎo)可以削峰填谷，但是過(guò)多的充電行為集中會(huì)破壞電網(wǎng)的穩(wěn)定，需要加以控制。

剩余里程充電策略情況，其負(fù)荷曲線(xiàn)與隨機(jī)充電策略曲線(xiàn)類(lèi)似，同樣由于早高峰的耗電較多，從而使得午間充電的車(chē)輛增多。用電負(fù)荷形成高峰。

綜合充電策略由于兼顧了不同的策略類(lèi)型，因此其在無(wú)序充電調(diào)動(dòng)方面，效果更好，能夠有效緩解其他策略的負(fù)荷缺陷，起到削峰填谷的作用，并提高用戶(hù)的滿(mǎn)意度和電網(wǎng)穩(wěn)定性。

為了更好地比較不同充電策略在削峰填谷方面的作用，將配電網(wǎng)的其他負(fù)荷加入進(jìn)來(lái)，考慮充電負(fù)荷與基礎(chǔ)負(fù)荷結(jié)合后的電力負(fù)荷情況，結(jié)果如圖5所示。

圖5中可以看到，由于圖4中的隨機(jī)充電策略和剩余里程策略在電網(wǎng)負(fù)荷中形成了高峰，從而使得結(jié)合后的總負(fù)荷進(jìn)一步提高，不利于電網(wǎng)的穩(wěn)定。電價(jià)引導(dǎo)策略雖然形成了一定的移峰效果，但是由于充電過(guò)于集中，從而也在低價(jià)時(shí)間段形成一定的小高峰。綜合策略的效果相對(duì)穩(wěn)定，能對(duì)峰谷形成一定的抑制，但是效果依然有待提升。

（2）改進(jìn)麻雀算法優(yōu)化

單獨(dú)利用改進(jìn)麻雀算法，對(duì)于前文的綜合策略進(jìn)行優(yōu)化，根據(jù)優(yōu)化目標(biāo)，對(duì)不同充電策略的權(quán)重進(jìn)行尋優(yōu)。優(yōu)化后的結(jié)果與其他綜合策略進(jìn)行負(fù)荷曲線(xiàn)對(duì)比，結(jié)果如圖6所示。

從圖6中可以看到，單獨(dú)改進(jìn)麻雀算法，有較好的優(yōu)化負(fù)荷的分布情況，有效改進(jìn)了電力調(diào)度的削峰填谷時(shí)間，在電力低谷期進(jìn)行電動(dòng)汽車(chē)充電，減小電力系統(tǒng)的負(fù)荷波動(dòng)情況。

（3）雙層優(yōu)化策略

在雙層優(yōu)化策略的調(diào)度之間，電動(dòng)汽車(chē)的充電負(fù)荷曲線(xiàn)與其他策略的負(fù)荷對(duì)比情況，如圖7所示。

從圖7的結(jié)果可以看到，本文的雙層優(yōu)化策略能夠較好地調(diào)度充電負(fù)荷，對(duì)于電網(wǎng)的削峰填谷來(lái)說(shuō)，具有重要的意義。

單純的無(wú)序充電會(huì)使得負(fù)荷集中，從而在用電高峰期形成另外一個(gè)充電負(fù)荷峰，使得系統(tǒng)的穩(wěn)定性更差，負(fù)荷波動(dòng)加劇。從充電費(fèi)用的角度，用戶(hù)的用電成本上升，此時(shí)的電價(jià)相對(duì)更高，用戶(hù)的滿(mǎn)意程度下降。

利用改進(jìn)麻雀算法，可以使得綜合調(diào)度策略更為合理，電網(wǎng)的峰谷差得到緩和，在低價(jià)的時(shí)間段為電動(dòng)汽車(chē)充電的用戶(hù)更多，用電負(fù)荷得到較好的分配，利用算法優(yōu)化后的綜合策略權(quán)重系數(shù)W1"、W2、"W3分別為：0.3325，0.4618，0.2057。

雙層優(yōu)化測(cè)量中，充分考慮了綜合權(quán)重的影響，并利用其作為模型的輸入條件進(jìn)行負(fù)荷求解，不同充電策略得到的負(fù)荷結(jié)果如表2所示。

表2中的數(shù)據(jù)結(jié)果可以看出，利用雙層優(yōu)化充電策略能夠很好地節(jié)省用戶(hù)的用電成本，節(jié)省用電費(fèi)用約占原先無(wú)序充電情況的15.9%。在峰谷差的調(diào)整方面，雙層模型同樣起到重要的作用，降低了約10.1%。相比單純的改進(jìn)麻雀算法，本文優(yōu)化策略依然占據(jù)優(yōu)勢(shì)，雖然節(jié)省成本約低了1.1%，單調(diào)整峰谷差方面增加了2.3%，綜合指標(biāo)高了1.7%。從而在保證電力系統(tǒng)穩(wěn)定的基礎(chǔ)上，提高了用戶(hù)的滿(mǎn)意度。

4"結(jié)"論

電動(dòng)汽車(chē)的無(wú)序充電會(huì)嚴(yán)重影響電力系統(tǒng)的穩(wěn)定。為了精確分析其影響并制定合理的引導(dǎo)策略，研究了基于Monte"Carlo隨機(jī)模擬算法電動(dòng)汽車(chē)無(wú)序充電模型，通過(guò)分析電動(dòng)汽車(chē)用戶(hù)的特性，獲得電動(dòng)汽車(chē)行為的準(zhǔn)確模型。利用不同充電引導(dǎo)策略，對(duì)負(fù)荷曲線(xiàn)進(jìn)行分析，獲得更低的用戶(hù)消費(fèi)和更好的電力調(diào)度效果。利用改進(jìn)麻雀算法對(duì)綜合策略的權(quán)重系數(shù)進(jìn)行尋優(yōu)，結(jié)果證明改進(jìn)后的模型具有更好的削峰填谷效果，對(duì)于電力系統(tǒng)的穩(wěn)定具有重要意義。構(gòu)建雙層優(yōu)化模型，綜合考慮用戶(hù)充電費(fèi)用與負(fù)荷波動(dòng)兩個(gè)方面的優(yōu)化，實(shí)驗(yàn)結(jié)果表明，該算法可以很好地起到削峰填谷的作用，相比單純改進(jìn)麻雀算法來(lái)說(shuō)，電網(wǎng)穩(wěn)定性效果更好，用戶(hù)充電成本更低。

參考文獻(xiàn)

［１］"蔡國(guó)偉，姜雨晴，黃南天，等.電力需求響應(yīng)機(jī)制下基于多主體雙層博弈的規(guī)模化電動(dòng)汽車(chē)充放電優(yōu)化調(diào)度[J].中國(guó)電機(jī)工程學(xué)報(bào)，2023，43（1）：85-98.

［2］"肖麗，謝堯平，胡華鋒，等.基于V2G的電動(dòng)汽車(chē)充放電雙層優(yōu)化調(diào)度策略[J].高壓電器，2022，58（5）：164-171.

［3］"陳宇，吳曉剛，杜玖玉，等.計(jì)及出租車(chē)充電行為的微電網(wǎng)能量管理研究[J].汽車(chē)工程，2022，44（4）：525-534.

［4］"劉敦楠，張悅，彭曉峰，等.計(jì)及相似日與氣象因素的電動(dòng)汽車(chē)充電負(fù)荷聚類(lèi)預(yù)測(cè)[J].電力建設(shè)，"2021，"42（2）："43-49.

［5］"李怡然，張姝，肖先勇，等."V2G"模式下計(jì)及供需兩側(cè)需求的電動(dòng)汽車(chē)充放電調(diào)度策略[J].電力自動(dòng)化設(shè)備，2021，41（3）：129-135+143.

［6］"王少林，王剛，王曉磊，等.基于改進(jìn)蜂群算法的電動(dòng)汽車(chē)微電網(wǎng)優(yōu)化調(diào)度[J].電氣應(yīng)用，2022，41（4）："63-70+13-14."

［7］"薛新白，萬(wàn)芮，牛鳳文.可入網(wǎng)電動(dòng)汽車(chē)對(duì)配電網(wǎng)負(fù)荷影響的研究[J].現(xiàn)代制造技術(shù)與裝備，2022，58（3）：8-10.

［8］"史倩蕓，吳傳申，高山.考慮電動(dòng)汽車(chē)需求響應(yīng)的微電網(wǎng)預(yù)測(cè)控制研究[J].電力需求側(cè)管理，2022，24（2）：1-6+13.

［9］"羅玉玲，渠硯青，陳超波，等.考慮車(chē)主響應(yīng)度的峰谷電價(jià)時(shí)段優(yōu)化模型研究[J].電工技術(shù)，2022（4）：71-75.

［10］林銘蓉，胡志堅(jiān)，高明鑫，等.基于時(shí)空規(guī)律的電動(dòng)汽車(chē)負(fù)荷建模及其自動(dòng)需求響應(yīng)[J].南方電網(wǎng)技術(shù)，2022，16（1）：99-107.

［11］羅維祥，常喜強(qiáng)，伏睿，等.考慮供需需求的電動(dòng)汽車(chē)充放電調(diào)度策略[J]..電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2022，34（7）：106-112.

［12］張良，孫成龍，蔡國(guó)偉，等.基于PSO算法的電動(dòng)汽車(chē)有序充放電兩階段優(yōu)化策略[J].中國(guó)電機(jī)工程學(xué)報(bào)，2022，42（5）："1837-1852.

[13]丁建順，任民，馬亞彬，等.基于區(qū)塊鏈技術(shù)的電動(dòng)汽車(chē)充電樁共享檢測(cè)[J].電測(cè)與儀表，2023，60（7）：26-32.

[14]汪天允，張浩.基于人工魚(yú)群算法的電動(dòng)汽車(chē)優(yōu)化充電策略[J].電測(cè)與儀表，2023，60（7）：33-38.

[15]秦建華，潘崇超，張璇，等.基于充電行為分析的電動(dòng)汽車(chē)充電負(fù)荷預(yù)測(cè)[J].電測(cè)與儀表，2023，60（4）：19-26.