基于多目标优化的电动汽车-储能协同充放电方法

本发明涉及微电网优化调度领域，具体涉及一种基于多目标优化的电动汽车-储能协同充放电方法。

背景技术：

1、电动汽车作为一种新型双向电力负荷，既可以作为移动式储能元件也可以作为负荷消耗功率。鉴于储能系统和电动汽车v2g技术均具有充放电潜力，因此可以对它们进行灵活调度以实现平滑负荷曲线、减小峰谷差等方面的作用。

2、社区微电网中储能和电动汽车的有序充放电可以使得电网中的负荷平衡更加稳定，同时也可以为用户和电网提供更加灵活的能源服务。针对这一问题，目前的研究主要集中在以下两个方面：

3、1)储能容量优化配置问题：

4、目前研究者主要通过优化算法和模型来解决这一问题。其中包括基于线性规划模型、多目标优化模型、遗传算法、蚁群算法、粒子群算法等。通过比较各种算法的优缺点，研究者可以得出最佳的储能容量优化配置策略，从而实现最大化电网效益和最小化成本。

5、2)电动汽车有序充放电问题：

6、针对电动汽车无序充电带来的挑战，研究者目前主要探索基于智能充电技术的有序充电方案。例如，开发基于车载通信技术的充电调度算法，使得电动汽车在高峰期和低谷期有序地充电和放电，并确保电网的稳定性和安全性。此外，基于人工智能和机器学习技术，研究者也可以开发出更加智能的充电调度策略，为用户提供更好的能源服务。

7、随着对微电网能量管理研究的不断深入，如何在能量管理的基础上，建立能量管理的最优策略从而实现能量的最优分配，是一个亟待解决的问题。此外，负荷需求的不确定性、分布式能源出力的随机性以及电动车无序充电行为也会给社区微网带来严重的电能质量问题，因此，开展含电动汽车的源网荷储社区微网的协同优化调度研究具有重要的现实意义。

技术实现思路

1、针对现有技术的不足，本发明提出一种基于多目标优化的电动汽车-储能协同充放电方法，该方法在光荷储社区微网系统中，以用户支出费用、并网功率峰谷差以及均方差三目标建立一个日前优化调度模型，利用改进的非支配排序遗传算法求解得到储能和电动汽车的计划出力值，通过电动汽车和储能的充放电特性与电网进行双向互动，利用其充放电潜力在负荷峰时段进行放电，平谷时段进行充电储能，从而平抑负荷曲线，减小峰谷差。该方法实现了储能和电动汽车v2g协同参与优化调度并能有效平衡系统的峰谷负荷，同时能够降低用户的费用支出。

2、本发明采取的技术方案为：

3、基于多目标优化的电动汽车-储能协同充放电方法，包括以下步骤：

4、步骤一：搭建包含光伏发电系统、储能系统、电动汽车以及社区用户的用电负荷的社区微网系统；

5、步骤二：采用峰平谷电价策略对电动汽车的充放电行为进行控制，使得储能和电动汽车协同并网，并在峰时放电，平谷时充电；

6、步骤三：储能和电动汽车协同并网后，建立考虑负荷峰谷差最小、并网波动均方差最小以及用户支出费用最小的目标优化模型；

7、步骤四：根据改进的非支配排序遗传算法(nondominated sorting geneticalgorithm,nsga-ii)对步骤三建的目标优化模型进行求解，求出满足要求的pareto非劣解集合；

8、步骤五：pareto非劣解集合中，根据模糊隶属度函数从优解集中挑选出最优解，作为储能和电动汽车的计划出力值。

9、所述步骤一中:

10、a：光伏出力主要与光照强度有关，本发明利用贝塔分布模型来拟合光照强度的分布函数，其概率密度为：

11、

12、式中，γ表示伽马函数；r表示实际测得的光照强度；rmax表示最大光照强度；α、β分别为贝塔分布式的两个形状参数。

13、其光伏输出功率表达式为：

14、ppv＝η×r×a

15、式中，ppv表示光伏电池组总的的输出功率；η表示光伏电池组的转换效率；a表示光伏电池组的总面积；

16、b：储能因为具备灵活的充放电特性，可以用其实现峰电谷用、平滑负荷曲线等作用。

17、储能系统电量与其充放电功率的关系表示为：

18、ces(t)＝ces(t-1)+ps(t)△t

19、式中，ces(t-1)和ces(t)分别表示时段t-1和时段t储能系统存储的电量；ps(t)表示时段t时储能系统能够输出的功率；△t为时段t-1和时段t之间的时间间隔。

20、储能系统的充放电过程如下：

21、(1)放电过程：

22、储能系统在第j天的t小时内的放电功率为：

23、

24、式中，ped为储能系统额定放电功率；cesmax为储能系统的最大容量；ces(t-1,j)为储能系统在第j天第t-1时段的储能容量。

25、ces(t,j)受其自身的储能容量的影响，其表达式为：

26、

27、式中，ces(t,j)表示储能系统在第j天第t时段的储能容量；cesmin为储能系统的最小容量。

28、cesv(t,j)为储能系统的理想容量，其表达式为：

29、

30、式中，ηed为储能系统的放电效率；

31、(2)充电过程：

32、储能系统在第j天t小时内的充电功率为：

33、

34、式中，pec为储能系统额定充电功率。

35、ces(t,j)＝ces(t-1,j)+△tpes(t,j)ηes

36、式中，ηes为储能系统的充电效率；pes(t,j)表示储能系统在第j天第t时段的充电功率。

37、所述步骤二中：

38、大量电动汽车的随机接入微网进行无序的充放电行为，可能会导致负荷曲线的峰谷差进一步增大，本发明采用峰谷电价策略对电动汽车车主的充放电行为进行引导，利用电动汽车既可以是负荷，也可以作为移动式储能的特点，平抑负荷波动，并降低车主充电的成本。

39、由于电动汽车车主的行为特征，例如离家时间、返程时间的随机性，将放电过程分为日间峰时段(6：00～16：00)和晚间峰时段(16：00之后)，制定两种放电策略：

40、(1).第j天日间峰时段t小时所有参与分时电价响应的电动汽车实际放电功率为：

41、

42、式中，nd(t)表示日间峰时段参与放电的电动汽车数量；i表示响应分时电价的第i辆电动汽车。

43、为第i台电动汽车的日间峰时段放电功率，其表达式为：

44、

45、式中，ηevd为放电效率；soc0为电动汽车满电荷电状态；socmin为放电的最小荷电状态；cev为电动汽车容量。

46、

47、式中，pb为闲置状态的电动汽车所占比例；ξ为用户参与系数，表示响应分时电价策略的车主占总电动汽车车主的比例；nev为电动汽车总数；md为日间峰时段数。

48、(2).第j天晚间峰时段t小时所有参与分时电价响应的电动汽车实际放电功率为：

49、

50、其中：

51、

52、

53、

54、式中，mn为晚间峰时段数；pa为响应分时电价且处于出行状态的电动汽车；fs(t)为电动汽车返回时间的概率函数；nn(t)为晚间峰时段参与放电的电动汽车数量。

55、电动汽车的充电策略：

56、第j天平谷时段t小时电动汽车进行充电，其充电量为：

57、

58、式中，cevc(t,j)为平谷时段t小时的充电负荷，由于受到分时电价的因素，较大规模的电动汽车具备相似的充电行为特征，可由蒙特卡洛法进行模拟。

59、所述步骤二中：

60、通过设置参数λ1、λ2分别调节峰谷时段储能系统和电动汽车并网的比例，则二者协同并网出力的模型为：

61、pd(t,j)＝λ1pesd(t,j)+(1-λ1)pevd(t,j) t∈峰时段

62、pc(t,j)＝λ2pesc(t,j)+(1-λ2)pevc(t,j) t∈平谷时段

63、式中，pd(t,j)为第j天第t时段储能和电动汽车的放电功率；pc(t,j)为第j天第t时段储能和电动汽车的充电功率；pesd(t,j)表示第j天第t时段储能系统的放电功率；pevd(t,j)表示第j天第t时段参与分时电价响应的电动汽车的放电功率；pesc(t,j)表示第j天第t时段储能系统的充电功率；pevc(t,j)表示第j天第t时段电动汽车的充电功率。

64、其中，假设在峰时段所有参与分时电价响应的电动车进行放电所能提供的总功率为pevd，所有储能设备所能提供的总功率为pesd，则可得：

65、

66、同理可得，平谷时段时λ2的取值情况为：

67、假设在平谷时段所有参与分时电价响应的电动车进行充电所需要的总功率为pevc，所有储能设备所需要的总功率为pesc，则可得：

68、

69、储能和电动汽车协同并网后，第j天第t时段的时序负荷pla(t,j)为：

70、

71、式中，pl(t,j)、ppv(t,j)分别为第j天第t时段的原始负荷功率和光伏输出功率。

72、所述步骤三中：以储能与电动汽车协同并网后，对负荷曲线削峰填谷效果最优为目标，建立考虑负荷峰谷差最小的优化目标函数f1和考虑并网波动均方差最小的优化目标函数f2如下：

73、f1＝min(plamax(j)-plamin(j))

74、

75、式中，plamax(j)、plamin(j)分别为第j天最大和最小的时序负荷功率；tn为一天中的时段数。

76、响应分时电价进行有序充放电会在一定程度上改变用户原有的行为特征，从实施有序充放电策略的经济性角度考虑，建立考虑用户支出费用最小的优化目标函数f3：

77、

78、式中，δt为各时段充电电价；χt＝0或1，分别非充电和充电状态。

79、上述目标函数的约束条件为：

80、①光伏出力约束:

81、ppvmin≤ppv(t,j)≤ppvmin；

82、ppvmin、ppvmin分别表示光伏出力的上下限；ppv(t,j)表示第j天第t时段光伏的输出功率。

83、②储能的容量约束：

84、cesmin≤ces(t)≤cesmax；

85、③电动汽车电池的安全约束：

86、socmin≤soci(t,j)≤socmax；

87、socmin表示电池荷电状态的下限；soci(t,j)表示第j天第t时段第i辆电动汽车的荷电状态；socmax表示电池荷电状态的上限。

88、④功率平衡约束：

89、pgrid(t,j)＝pla(t,j)；

90、式中，pgrid(t,j)为第j天第t时段电网所提供的功率；pla(t,j)表示第j天第t时段的时序负荷。所述步骤四包括以下步骤：

91、步骤a：根据社区微网储能和电动汽车协同充放电控制问题，随机生成n个个体，输入算法基本参数，设定初始交叉概率和变异概率，并对每个个体进行编码，采用cubic混沌映射策略，由此生成的初始种群分布更加均匀，个体之间的差异更小。cubic混沌映射函数如下：

92、

93、式中，xk为第k个个体所在的位置；a、b为混沌影响因子；cubic映射范围取决于a、b的值，b∈(2.3,3)时，其映射状态为混沌序列；xk+1表示由第k个个体混沌映射的第k+1个个体所在的位置。

94、步骤b：计算种群中各个个体的适应值和违反约束值；

95、步骤c：利用改进的非支配排序策略和个体的拥挤距离对个体优劣进行排序；

96、步骤d：选择优势个体作为父代种群；

97、步骤e：对父代进行选择、交叉、变异操作生成子代种群；

98、步骤f：对父代种群使用精英策略选择的精英个体与与步骤e中生成的子代种群进行种群合并；

99、步骤g：重新计算生成的新种群的个体适应值和违反约束值；

100、步骤h：判断是否达到最大迭代次数，若是，则输出pareto非劣解集；若不是，则重新执行步骤c。

101、所述步骤c包括改进的非支配排序策略：

102、引入新的个体优劣评价指标—支配耦合度δ：表示非支配集中个体的支配耦合度越小，其多目标优化问题中大部分子目标的优化效果越好，该个体的性能更优异，更有可能遗传给子代。其表达式为：

103、

104、式中，个体ak属于非支配集；s为子目标个数；和代表第s个子目标的适应度值的最大值和最小值；fs(ak)表示个体ak的适应度值。

105、此时，个体ak有非支配等级支配耦合度拥挤距离三个属性；

106、对于任意两个个体ak、bk，若或者或者则个体ak的性能更优异。

107、所述步骤e包括引入自适应交叉变异算子：传统nsga-ii算法的交叉变异概率均为定值，可能会破坏优秀个体，造成种群“退化”。

108、

109、式中，ρc、ρm分别为交叉概率和变异概率；g、g分别为总进化次数和当前进化次数。

110、所述步骤五中，具体如下：

111、首先遍历pareto解集，计算出第k个解中第s个目标函数的隶属度：

112、

113、fsmin、fsmax分别表示第s个目标函数的最小和最大适应度值。

114、决策者可以根据负荷情况调整偏好系数，也即各目标的权重值，采用加权法得到最优解问题的隶属度加权值，所得的最大值对应的pareto解即为所求问题的最优解。计算公式如下：

115、

116、式中，ρs分别第s个子目标函数的偏好系数；n为种群数目；为隶属度函数值；s表示目标函数的总个数；s表示第s个目标函数。

117、本发明一种基于多目标优化的电动汽车-储能协同充放电方法，技术效果如下：

118、1)本发明步骤一中，研究对象为包含光伏发电系统、储能系统、电动汽车以及社区用户的用电负荷的社区微网系统。这种集成了光伏发电系统、储能系统、电动汽车以及社区用户的用电负荷的社区微网系统具有多方面的技术效果，包括能源利用效率的提升、能源平衡的优化、供电可靠性的提高、环境污染的减少以及经济效益的增加等，这种综合能源管理系统有望在未来的城市能源转型中发挥重要作用。

119、2)本发明步骤二中，采用峰平谷电价策略对电动汽车车主的充放电行为进行引导，使得储能和电动汽车在峰时放电，平谷时充电进行协同并网。采用峰平谷电价策略对电动汽车车主的充放电行为进行引导，设置参数λ1、λ2分别调节峰谷时段储能系统和电动汽车并网的比例从而实现储能和电动汽车的协同运行，从而优化能源利用和供需平衡，还能提高电力系统的稳定性、提高经济效益和促进可持续能源推广，这种策略有助于构建更加智能、高效和环保的能源管理体系。

120、3)本发明步骤三中，以储能与电动汽车协同并网后，建立考虑负荷峰谷差最小、并网波动均方差最小以及用户支出费用最小的三目标优化模型。为了最大限度地优化能源利用和用户经济效益，可以建立一个综合考虑负荷峰谷差、并网波动均方差和用户支出费用的三目标优化模型。这个模型的目标是在满足电力需求的前提下，通过合理调度储能和电动汽车的充放电行为，达到以上三个优化目标。这个模型的求解过程会涉及到电力系统负荷预测、储能和电动汽车状态管理等方面的信息以及多目标优化算法的应用。通过该模型的优化结果，可以实现储能与电动汽车的协同并网，最大限度地优化能源利用和用户经济效益。

121、4)本发明步骤四中，根据改进的非支配排序遗传算法对三目标优化问题进行求解，求出满足三目标的pareto非劣解集合。本发明通过引入新的个体优劣评价指标—支配耦合度δ，通过排序找出性能更优异的个体进行遗传变异操作，因而提出的这个集合中的每个解都是在三个优化目标上都达到相对较好性能的解，能够为决策者提供多样性的选择。

122、5)本发明步骤五中，在三目标pareto非劣解集合中，根据模糊隶属度函数从优解集中挑选出最优解作为储能和电动汽车的计划出力值。在三目标pareto非劣解集合中，如果决策者希望从中选择一个最优解作为储能和电动汽车的计划出力值，可以借助模糊隶属度函数来进行决策。模糊隶属度函数可以用来量化每个解在各个目标上的优越程度，从而辅助做出最终的决策。