含多分布式电源配电网的电动汽车充电站优化配置方法

摘要

含多分布式电源配电网的电动汽车充电站优化配置方法，包括以下步骤：1、定义“EV充电站的模糊服务半径”新概念；2、重新分配多个EV充电站之间模糊服务半径交叠区域的隶属度；3、构建计及DG影响的环境代价函数；4、构建优化模型中的年均收益函数、年均建设代价函数和多目标约束条件；5、构建以年均纯利润最大化为目标的优化目标函数；6、采用PSO算法求解优化模型，经过寻优迭代，搜索出优化目标函数的适应值最佳的优化配置方案。

主权项

含多分布式电源配电网的电动汽车充电站优化配置方法，包括如下步骤：步骤1、定义“EV充电站的模糊服务半径”新概念；在考虑人与人之间的认知差异具有模糊性的条件下，用一个基于模糊理论的隶属度表征EV充电站服务半径的覆盖效果，使充电站的位置满足方便用户充电的距离要求；单个EV充电站的模糊服务半径的隶属度用表示，表征第j个节点位置的EV车主选择第i个充电站服务的概率，以第j个节点位置与第i个充电站的距离d_ij为自变量，隶属度取值范围在数值[0，1]区间；单个EV充电站的隶属度函数表示式如式(1)(2)所示；其中为用于替换的中间变量，θ₁为服务半径的最小距离阈值，θ₂为服务半径的最大距离阈值；当节点处于充电站的θ₁范围内隶属度取最大限制值为1，当节点处于充电站的θ₁～θ₂范围之间隶属度呈S特性下降，当节点超出充电站的θ₂范围时隶属度为0；${\hat{\mu }}_{ij}^{cd}=\left\{\begin{array}{cc}1,& d_{ij}\le {\theta }_1\\ \frac{e^{-d_{ij}^{*}}}{1+e^{-d_{ij}^{*}}},& {\theta }_1<d_{ij}<{\theta }_2\\ 0,& {\theta }_2\le d_{ij}\end{array}\right.---\left(1\right)$$d_{ij}^{*}=8(d_{ij}-{\theta }_1)/({\theta }_2-{\theta }_1)-4---\left(2\right)$步骤2、重新分配多个EV充电站之间模糊服务半径交叠区域的隶属度；当存在多个EV充电站，则处于它们的服务半径最大阈值范围内的交叠部分的隶属度需要按比例进行重新分配，用于防止由于充电站距离过近而导致隶属度累加而溢出的问题，分配运算如式(3)所示；其中为经过重新分配后的模糊服务半径隶属度；${\mu }_{ij}^{cd}=\left\{\begin{array}{cc}{\hat{\mu }}_{ij}^{cd}/\underset{i=1}{\overset{N}{\Sigma }}{\hat{\mu }}_{ij}^{cd},& \underset{i=1}{\overset{N}{\Sigma }}{\hat{\mu }}_{ij}^{cd}>1\\ {\hat{\mu }}_{ij}^{cd},& \underset{i=1}{\overset{N}{\Sigma }}{\hat{\mu }}_{ij}^{cd}\le 1\end{array}\right.---\left(3\right)$步骤3、构建计及DG影响的环境代价函数；考虑到新能源DG发电出力的间歇性，EV充电站与DG配合能够提高新能源利用率和降低间接碳排放，构建计及DG影响的环境代价函数如下式(4)、(5)所示；其中C^en表示总的年均环境代价，N为预期建设EV充电站的总数，α为碳排放治理的费用折算率，η为新能源DG的平均利用率，ε₁为能耗与距离的折算率，ε₂为充电站间接碳排放折算率；D_i为第i个充电站到DG的最短馈线距离,和分别为第i个充电站的年均消耗电能和充电装置数量；τ₁为年总时数，P_DG为新能源发电功率，P_W为新能源向电网输送功率；$C^{en}=\underset{i=1}{\overset{N}{\Sigma }}\alpha (1-\eta )({ϵ}_1{D}_i{N}_i^{ev}{\tau }_1+{ϵ}_2{E}_i^{cd})---\left(4\right)$$\eta =\frac{{\int }_0^{{\tau }_1}{P}_{W}dt}{{\int }_0^{{\tau }_1}{P}_{DG}dt}\times 100\%---\left(5\right)$步骤4、构建优化模型中的年均收益函数、年均建设代价函数和多目标约束条件；EV充电站优化配置在计算获得较高年均收益的同时，还需要综合考虑多个因素的制约包括EV数量、交通流量、电能质量、设备成本和建设成本；步骤401，构建EV数量和交通流量的约束条件如式(6)(7)所示，其中δ^tr表示所有充电站覆盖到的总EV流量，为第j个节点位置的车流量，z^ev表示规划区域内的电动汽车市场占有率，N为预期建设EV充电站的数量，M为规划区域内的总节点数，为最小EV流量限制值；${\delta }^{tr}=\underset{i=1}{\overset{N}{\Sigma }}\underset{j=1}{\overset{M}{\Sigma }}{z}^{ev}{\mu }_{ij}^{cd}{\delta }_j^{tr}---\left(6\right)$$\underset{j=1}{\overset{M}{\Sigma }}{z}^{ev}{\mu }_{ij}^{cd}{\delta }_j^{tr}\ge {\delta }_{\min }^{tr},i=1,2...N---\left(7\right)$步骤402，构建基于EV流量的年均收益函数，如式(8)所示；其中B^pr为所有充电站年均收益，λ₁为每辆EV每次充电的平均消费，λ₂为EV每次充电的平均电能成本，β₁为电动汽车每年在充电站充电的平均次数，β₂为包括人员工资和维护费用的运行成本折算系数；B^pr＝β₁δ^tr(λ₁‑λ₂)(1‑β₂)   (8)步骤403，构建保证供电可靠性的电能质量约束条件如式(9‑11)所示；式中V_j为第j个节点的电压幅值，和分别为它的电压幅值下限和上限；I_h为第h条线路的电流，为它的最大电流限制值，H^Line为馈线总数；P_i^ev为第i个充电站的充电功率，为规划区域允许接入的EV充电负荷的最大功率；$V_j^{\min }\le V_j\le V_j^{max},j=1,2...M---\left(9\right)$$\left|I_h\right|\le I_h^{\max },h=1,2...,H^{Line}---\left(10\right)$$\underset{i=1}{\overset{N}{\Sigma }}{P}_i^{ev}\le P_{max}^{ev}---\left(11\right)$步骤404，构建包括土地成本、设备成本和基建成本在内的约束条件和年均建设代价函数，如式(12‑14)所示；其中变量的下标i表示对应第i个充电站，为征地面积，为所处位置的土地单价，为充电装置数量，为配电变压器数量，为充电站的其他基础建设成本；C_Σ为年均建设代价，T^ye为目标运行年限，C^ev为充电装置单价，C^tr配电变压器单价，λ₄为EV最大同时充电概率；λ₅为单个配电变压器能为多个充电装置提供电力的比率；$C_{\Sigma }=\frac{1}{T^{ye}}\underset{i=1}{\overset{N}{\Sigma }}[S_i^{ev}(C_i^{gr}+C_i^{bu})+N_i^{ev}{C}^{ev}+N_i^{tr}{C}^{tr}]---\left(12\right)$$N_i^{ev}\ge {\lambda }_4\underset{j=1}{\overset{M}{\Sigma }}{z}^{ev}{\mu }_{ij}^{cd}{\delta }_j^{tr},i=1,2...N---\left(13\right)$$N_i^{tr}\ge {\lambda }_5{N}_i^{ev},i=1,2...N---\left(14\right)$步骤5、构建以年均纯利润最大化为目标的优化目标函数，如式(15)所示；式中目标函数表示最大化年均纯利润，f的取值即优化过程的适应值，由年平均收益B^pr减去年均建设代价C_Σ和年均环境代价C^en得到；max f＝B^pr‑C_Σ‑C^en   (15)步骤6、采用PSO算法求解优化模型，经过寻优迭代，搜索出优化目标函数的适应值最佳的优化配置方案；步骤601，粒子群初始化；生成初始粒子种群，粒子的初始位置在规划区域内随机赋值，粒子的初始速度在其阈值范围内随机赋值；步骤602，适应值计算；将粒子群的当前位置坐标进行映射，将其归属到距离最近的EV充电站候选节点，按式(15)计算每个粒子的适应值；步骤603，更新个体极值和全局极值；对于满足不等式约束条件的粒子，若其中存在粒子的适应值优于该粒子曾找到的最优位置，则更新它的个体极值；若目前的全局最优粒子优于到目前为止它们搜索到的全局极值，则更新全局极值；步骤604，将每个粒子的坐标和速度分为横轴和纵轴二组数据处理，按式(16‑19)进行粒子状态的迭代更新，并且限制粒子速度的最大阈值为v^max；其中w为惯性权重；c₁和c₂为加速因子；r₁和r₂为[0,1]之间的随机数；上、下标k、n、γ的含义分别是第k次迭代时在第n维的第γ个粒子，上标k+1表示下一次迭代，和分别表示它的横向和纵向坐标，和分别表示它的横向和纵向速度，和分别表示个体极值的横向和纵向坐标，和分别表示全局极值的横向和纵向坐标；${\bar{v}}_{\gamma n}^{k+1}=w·{\bar{v}}_{\gamma n}^k+c_1{r}_1({\bar{p}}_{\gamma n}^k-x_{\gamma n}^k)+c_2{r}_2({\bar{p}}_{gn}^k-x_{\gamma n}^k)---\left(16\right)$$v_{\gamma n}^{k+1}=w·v_{\gamma n}^k+c_1{r}_1(p_{\gamma n}^k-y_{\gamma n}^k)+c_2{r}_2(p_{gn}^k-y_{\gamma n}^k)---\left(17\right)$$x_{\gamma n}^{k+1}={\bar{v}}_{\gamma n}^{k+1}+x_{\gamma n}^k---\left(18\right)$$y_{\gamma n}^{k+1}=v_{\gamma n}^{k+1}+y_{\gamma n}^k---\left(19\right)$步骤605，若迭代次数达到最大值，进入步骤606；否则返回步骤602循环操作；步骤606，输出优化结果；将最优解的粒子解码，输出其映射的EV充电站选址位置和容量配置，作为EV充电站优化配置的最佳方案。