一种基于正弦余弦算法的大规模电动汽车充放电多目标优化方法与流程

本发明涉及智能配电网优化、电动汽车充放电策略优化领域，特别是涉及一种基于正弦余弦算法的大规模电动汽车充放电多目标优化方法。

背景技术：

随着社会的不断进步发展和经济水平的不断提升，用户侧分布式设备(以电动汽车为主)将在可见的未来内大量渗入电网。电动汽车具有零排放、低噪声、无污染、效率高等优势，被认为是缓解能源危机的有效措施之一，正被世界各国加速推广。但是，若不对电动汽车充电行为加以引导，大量电动汽车的无序充电将会大大加剧电网负荷曲线峰谷差，增大系统网损，造成电压越限等严重情况，对电网安全可靠运行造成严重的威胁。因此，电网有必要对如何引导电动汽车的充电行为，对接入的电动汽车制定合理地充放电计划，V2G(Vehicle To Grid)技术可以在电网有需求时将电池中的剩余能量反馈给电网，合理地利用该技术可以使EV参与电网调峰、平抑可再生能源的出力波动、调频、实现电网削峰填谷、改善配电网的负荷曲线、平抑可再生能源的间歇性、还可以减少用户的充电费用，从而实现电网侧和用户侧双赢的效果。同时，电动汽车作为能源互联网和主动配电网的重要组成部分，在电力市场改革的大背景下，基于分时电价对该部分内容进行研究也对推进能源互联网的建设，增强需求侧响应能力有着重要意义。

现在电网公司都在加大对电动汽车接入电网后运行问题的研究，从而有效改进电力企业生产管理模式，提高企业效益。但仍然存在一些问题，例如，当前对电动汽车充放电优化建模的研究大多以单台电动汽车为优化单位，该方法面对大规模电动汽车接入时将产生计算效率低，计算精度差，甚至出现“维数灾难”的问题。

技术实现要素：

(一)解决的技术问题

针对现有对大规模电动汽车充放电优化技术的不足，本发明提供了一种针对大规模电动汽车的多目标充放电优化算法，能够适应大规模电动汽车充放电优化算法，能够适应大规模电动汽车充放电优化的计算量，具有较快的计算速度和较好的计算速度和较好的计算精度，解决了传统对电动汽车优化模型面对大规模电动汽车接入时产生的计算慢，精度低的问题。

(二)技术方案

基于此，本申请提出一种基于正弦余弦算法(SCA)的大规模电动汽车充放电多目标优化方法，其通过提供大规模电动汽车和电动汽车群体的特性和约束的数学模型，在分时电价机制下，提出电网侧负荷曲线优化以及用户侧充电费用目标。从而能够优化电动汽车充放电功率，提升电网对电动汽车的接纳能力，产生电网侧和用户侧双赢的效果。

一种基于正弦余弦算法(SCA)的大规模电动汽车充放电多目标优化方法，包括以下步骤：采集电网常规负荷预测信息、分时电价和各时刻接入电网的电动汽车信息，包括接入时间、离开时间、电池容量、电池充放电极限、充电电量；

根据接入电网的电动汽车的接入时间和离开时间划分电动汽车群体；

以该时刻到优化结束时刻的减小区域内电网负荷曲线波动和降低用户充电费用为优化目标，经各目标值进行加权处理确定适应度函数；

以电动汽车群体充放电极限、充电需求及相关约束条件确定基本控制模型；

根据区域内常规负荷预测情况、分时电价情况制定电动汽车群体各时段的充放电策略；

根据模型参数及约束条件初始化可控变量，所述初始化可控变量为各电动汽车群体各时段的充放电功率；

用SCA算法和适应度函数进行解的适应度评价；

根据正弦余弦变化的数学模型确定SCA算法搜索方向，更新各电动汽车群体各时段的充放电功率；

判断是否达到最大迭代次数或判断收敛，若达到最大迭代次数或收敛，则结束计算并输出各电动汽车群体各时段的充放电功率策略，否则，返回用SCA算法和适应度函数进行适应度评价的步骤。

在其中一个实施例中，所述电动汽车为居民家用电动汽车。

在其中一个实施例中，所述电动汽车的参数包括接入时间、离开时间、电池容量、充电需求、电池充放电极限和初始电量。所有参数皆为随机生成。

在其中一个实施例中，根据电动汽车不同的接入时间和离开时间对大规模电动汽车进行群体的分群，以电动汽车群体作为优化单位，从而制定充放电策略。

在其中一个实施例中，所述根据大规模电动汽车充放电策略优化目标分为电网侧削峰填谷目标和用户侧经济性目标，经加权后作为适应度函数

(三)有益效果

与现有技术相比，本发明提供了一种基于正弦余弦算法(SCA)的大规模电动汽车充放电多目标优化方法，具备以下有益效果：

上述基于正弦余弦算法的大规模电动汽车充放电多目标优化模型来对解决大规模电动汽车接入电网后充放电策略制定的问题。根据电动汽车的特性对大规模电动汽车进行分群体，以电动汽车群体为单位进行优化，解决了以单台电动汽车为优化单位的弊端。根据电网一日内的常规负荷曲线和分时电价，以电网侧削峰填谷和用户侧经济性为目标，合理地制定电动汽车的充放电策略。另外，本发明设计的基于正弦余弦算法的大规模电动汽车充放电多目标优化方法采用的正弦余弦算法(Sine Cosine Algorithm，SCA)是一种新颖的群搜索智能算法，相比于经典的遗传算法(Genetic Algorithm，GA)、粒子群算法(Particle Swarm Optimization，PSO)等，具有收敛速度更快，全局收敛性更强等特点，从而使电动汽车充放电计划制定地更为合理。

附图说明

图1为本发明的基于正弦余弦算法(SCA)的大规模电动汽车充放电多目标优化方法的方法流程图；

图2为常规负荷曲线日前预测数据示意图；

图3为分时电价。

具体实施方式

请参考图1、图2和图3，本发明的一个实施方式提供一种基于正弦余弦算法(SCA)的大规模电动汽车充放电多目标优化方法。该实施方式以大规模电动汽车作为研究对象，算例中把电网侧削峰填谷和用户侧经济性目标函数中的权重系数都设为1，表示电网削峰填谷和经济性对于实现电网和用户双赢来说同等重要。其中，电动汽车类型均为家用汽车，电动汽车型号可按实际情况选取。该基于正弦余弦算法的大规模电动汽车充放电多目标优化方法包括以下步骤：

步骤S110，采集电网常规负荷预测信息、分时电价和各时刻接入电网的电动汽车信息，包括接入时间、离开时间、电池容量、电池充放电极限、充电电量。上述参数是根据大规模电动汽车充放电多目标优化模型要求所需要的。

考虑到城市上班族的实际情况，采用一日两充的充电模式，其中：

各车日间接入电网时间服从N(9，0.6)的正态分布；

日间离开电网时间服从N(17，0.4)的正态分布；

夜间接入电网时间服从N(18，0.8)的正态分布；

次日离开电网时间服从N(7.5，0.4)的正态分布；

各车接入电网的初始SOC服从N(0.6，0.1)的正态分布；

电池类型以Nissan-Leaf为例，电池容量为24kW.h，充电功率极限为6kW，放电功率极限为-6kW；

车主的期望电量均为1，充放电效率η取0.95；

区域内常规日负荷曲线由日前预测数据给出，如图2所示。

电网分时电价信息如图3所示。

步骤S120，相同接入时间和相同离开时间的电动汽车分为一个群体，统一进行优化。

步骤S130，以该时刻到优化结束时刻减少电网侧削峰填谷和用户充电费用最小为优化目标，经各目标值进行加权处理后确定适应度函数。具体如下：

F＝ω₁*F(1)+ω₂*F (2)

P_con,t表示时刻t常规负荷的功率；P_i,t表示电动汽车群体i于时刻t的充放电功率；n为时刻t所划分的集群数；T_start和T_end分别为优化的开始时段和结束时段；和分别为两个目标的权重系数。

步骤S140，以电动汽车群体充放电极限、充电需求及相关约束条件确定基本控制模型。具体如下：

单台电动汽车的充放电模型可描述为

S＝(1-SOC)C_max

P_dis.max≤P≤P_char.max

其中，S为充电需求，SOC为当前的电池荷电状态，C_max为电池容量，P为各时段的充放电功率，P_dis.max和P_char.max分别为电池放电和充电极限，Q为充放电时的无功功率，λ为充电桩的功率因数。

电动汽车群体充放电模型可描述为：

其中，m为群体编号，Cⁱ_max,m为群体电池总容量，i为群体总数，n为群体内所含电动汽车总数，S_i为群体总充电需求。

步骤S150，将一天24个小时分为96个时段，每个时段为15分钟，以每个时段为单位制定充放电策略。

步骤S160，初始化可控变量为各电动汽车群体各时段的充放电功率。

约束条件具体如下：

式表示电动汽车群体各时段的充放电功率须等于群体充电需求。

式表示各时段的充电功率总和不能够超过总充电需求，即不能够出现过度充电现象。

其中，P^m_dis.max和P^m_char.max分别为电动汽车群体各时段可消纳的充放电极限功率。表示各时段的充放电功率不能够超出电动汽车群体的消纳范围。

步骤S170，随机生成一个种群，每个种群包含N各个体，每个个体皆为电动汽车群体各时段的充放电功率，用正弦余弦算法和适应度函数对种群中的个体进行适应度评价。

步骤S180，每个个体根据正弦余弦变化的数学模型确定个体的搜索方向。

具体如下：

其中，X^k+1_i为第i个个体k+1次迭代时的解，X^k_i为第i个个体k次迭代时的解，P^k_i为k次迭代时中种群内的最优解，r₃和r₄均为0到1内的随机量，为在当前正负搜索步长内的随机变量。

在该搜索模式下，种群内各个体将朝最优解方向靠拢，生成新的变量，并最终收敛到最优解。

步骤S190，判断是否达到最大迭代次数或是判断结果是否收敛，若是达到最大迭代次数或收敛，则并输出各电动汽车群体各时段的充放电策略，否则，则返回用正弦余弦算法和适应度函数进行适应度评价的步骤。每次计算后，迭代次数k＝k+1，判断是否达到最大迭代次数，若是，结束计算，否则，返回步骤S170。通过以上步骤就可以得到电动汽车群体各时段的充放电功率，既可以改善电网负荷曲线水平，又可以减少用户充电费用，达到双赢的效果。

本发明设计的基于正弦余弦算法的大规模电动汽车充放电多目标优化方法相对于现有技术具有如下的优点及效果：

(1)本发明设计的基于正弦余弦算法的大规模电动汽车充放电多目标优化方法，考虑了大规模未来电动汽车的普及的情况，将大规模电动汽车进行分群，提出以电动汽车群体为优化单位的方法进行充放电策略的制定，提高了计算效率、改善了优化结果。

(2)本发明设计的基于正弦余弦算法的大规模电动汽车充放电多目标优化方法，综合考虑了电网侧和用户侧的目标，既改善了电网负荷曲线，又降低了用户充电费用，实现了电网和用户双赢的结果。

(3)本发明设计的基于正弦余弦算法的大规模电动汽车充放电多目标优化方法，采用的正弦余弦算法是一种新颖的群搜索智能算法，相比于经典的遗传算法(Genetic Algorithm，GA)、粒子群算法(Particle Swarm Optimization，PSO)等，具有收敛速度更快，全局收敛性更强等特点，从而使电动汽车充放电计划制定地更为合理。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。