含大規(guī)模電動汽車接入的主動配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度方法

含大規(guī)模電動汽車接入的主動配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度方法肖浩;裴瑋;孔力【摘要】針對大規(guī)模電動汽車接入配電網(wǎng)無序充電帶來的負(fù)荷峰值增加等問題,提出一種含大規(guī)模電動汽車接入的主動配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度方法.首先基于蒙特卡洛抽樣方法分析了大規(guī)模電動汽車的充電負(fù)荷需求;然后,以含大規(guī)模電動汽車接入的主動配電網(wǎng)運行成本最小化和負(fù)荷曲線方差最小化為優(yōu)化目標(biāo),綜合考慮電動汽車的充電需求和配電網(wǎng)的運行約束,構(gòu)建含規(guī)?；妱悠嚱尤氲闹鲃优潆娋W(wǎng)多目標(biāo)優(yōu)化調(diào)度模型，采用帶精英策略的非支配排序遺傳算法(NSGA-口)對多目標(biāo)優(yōu)化模型進(jìn)行求解，針對多目標(biāo)優(yōu)化得到的帕累托(Pareto)最優(yōu)解集規(guī)模大，蘊含信息豐富，導(dǎo)致運行人員難以決策的問題，提出一種基于模糊聚類的方法對多目標(biāo)Pareto最優(yōu)解集進(jìn)行篩選?通過改進(jìn)的IEEE34節(jié)點算例的多場景對比分析，結(jié)果表明:所提出的模型和方法可在保證系統(tǒng)經(jīng)濟運行的同時,有效利用電動汽車的優(yōu)化充電降低系統(tǒng)負(fù)荷峰谷差.％Aimedattheproblemofincreasingpeakloadcausedbyrandomchargingoflargescaleelectricvehicle,amulti-objectiveoptimizationschedulingmethodforactivedistributionnetworkwithlargescaleelectricvehicleaccessisproposed.firstly,thechargingdemandoflargescaleelectricvehicleisanalyzedbasedonMonteCarlosamplingmethod,then,taketheminimumoperationcostandtheminimumloadcurvevarianceofactivedistributionnetworkasoptimizationobjectives,consideringthechargingdemandofelectricvehicleandtheoperationconstraintsofdistributionnetwork,amulti-objectiveoptimizationschedulingmodelforactivedistributionnetworkwithlarge-scaleelectricvehiclesassessisproposed,NSGA-Hoptimizationalgorithmisappliedtosolvethemulti-objectivemodel.FortheParetooptimalsolutionsetislargeandcontainsabundantinformation,itisdifficultfortheoperatorstomakedecision,amethodbasedonfuzzyclusteringisproposedtoselecttheoptimalsolutionfromParetooptimalsolutionset.ThesimulationtestiscarriedoutonthemodifiedIEEE34-nodedistributionsystem,theresultsshowsthatthemethodproposedinthispapercannotonlyensuretheeconomicoperationofthesystem,butalsocanreducetheloadpeakandvalleydifferenceofthesystembyusingtheoptimizedchargingofelectricvehicle.期刊名稱】《電工技術(shù)學(xué)報》【年(卷)，期】2017(032)0z2【總頁數(shù)】11頁(P179-189)【關(guān)鍵詞】主動配電網(wǎng);電動汽車;多目標(biāo)優(yōu)化;運行調(diào)度;NSGA-口;模糊聚類【作者】肖浩;裴瑋;孔力【作者單位】中國科學(xué)院電工研究所北京100190;中國科學(xué)院電工研究所北京100190;中國科學(xué)院電工研究所北京100190【正文語種】中文【中圖分類】TM73電動汽車(ElectricVehicles,EVs)具有良好的節(jié)能、環(huán)保和低排放潛力，近年來得到了廣泛關(guān)注和大力發(fā)展［1］，但由于電動汽車充電行為隨機性較大，大量電動汽車接入配電網(wǎng)對現(xiàn)有電力系統(tǒng)的安全與經(jīng)濟運行也帶來較大挑戰(zhàn)［2］。相關(guān)研究表明，若對電動汽車的充電行為不加以控制，將會導(dǎo)致負(fù)荷峰值增加、供電設(shè)備過載、電能質(zhì)量惡化，從而嚴(yán)重威脅到電力系統(tǒng)的安全穩(wěn)定運行［3,4］。因此，如何優(yōu)化規(guī)?；妱悠嚨某潆姡砸?guī)避其大規(guī)模充電對電網(wǎng)運行造成的不利影響，成為了亟需解決的關(guān)鍵問題。針對電動汽車接入充電對電網(wǎng)帶來的負(fù)面影響，國內(nèi)外已有大量研究展開，并提出了不同的有序充電控制策略，包括基于分時電價的充電控制［5］、動態(tài)規(guī)劃［6］、序列二次規(guī)劃［7］等，文獻(xiàn)［8］以峰谷差率最小為目標(biāo)建立優(yōu)化模型，采用遺傳算法對用戶的充電時間進(jìn)行了優(yōu)化求解。文獻(xiàn)［9］根據(jù)電動汽車換電站特點，提出了以換電站充電功率為控制對象的有序充電調(diào)度策略。文獻(xiàn)［10］提出了一種基于負(fù)荷預(yù)測的有序充電方法，用非線性優(yōu)化的方法讓充電負(fù)荷按計劃投入，使電動汽車充電負(fù)荷投入后總負(fù)荷曲線波動最小。但這些文獻(xiàn)均只是選取典型負(fù)荷曲線為分析對象，且并未考慮電動汽車充電與分布式電源的協(xié)同優(yōu)化調(diào)度問題。而在分布式電源與電動汽車的協(xié)調(diào)優(yōu)化控制方面，文獻(xiàn)［11］建立了考慮電動汽車與風(fēng)電不確定性的隨機經(jīng)濟調(diào)度模型。文獻(xiàn)［12］提出了風(fēng)電—電動汽車協(xié)同調(diào)度的模型，驗證了風(fēng)電—電動汽車協(xié)同調(diào)度方法消納夜間過剩風(fēng)電的可行性。文獻(xiàn)［13］分析了間歇性能源出力和電動汽車充電相互配合的關(guān)系，以期利用電動汽車的充電提高間歇性能源的利用率，但這些文獻(xiàn)中優(yōu)化控制目標(biāo)選取均過于單一，且其對電網(wǎng)安全運行約束等方面考慮不足，對此還需要進(jìn)一步深入的研究。在以上研究的基礎(chǔ)上，本文針對大規(guī)模電動汽車接入主動配電網(wǎng)后無序充電引起的負(fù)荷峰值增加問題，選取含EVs的主動配電網(wǎng)運行成本最低和負(fù)荷曲線方差最小同時為優(yōu)化目標(biāo)，從多目標(biāo)優(yōu)化的角度對分布式發(fā)電與電動汽車的協(xié)同優(yōu)化調(diào)度問題展開研究，確保系統(tǒng)在經(jīng)濟運行的基礎(chǔ)上，盡量降低規(guī)?；妱悠嚨慕尤雽ε潆娋W(wǎng)造成的影響。本文首先基于蒙特卡洛抽樣分析了大規(guī)模電動汽車的充電負(fù)荷需求，進(jìn)而提出了一種含規(guī)模化電動汽車接入的主動配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度模型，采用帶精英策略的改進(jìn)非劣排序遺傳算法（NSGA-II）對優(yōu)化模型進(jìn)行求解，獲取多目標(biāo)Pareto前沿解集，針對Pareto解集規(guī)模大，蘊含信息豐富，難以快速有效決策的問題，提出了一種基于模糊聚類的Pareto最優(yōu)解集篩選方法，最后通過多場景對比分析驗證了模型及算法的有效性。大規(guī)模電動汽車接入配電網(wǎng)的充電負(fù)荷計算是研究電動汽車參與系統(tǒng)運行調(diào)度的基礎(chǔ)，其中影響電動汽車充電負(fù)荷的主要因素包括電動汽車的規(guī)模、起始荷電狀態(tài)（StateofCharge,SOC）、充電功率、起始充電時間、動力電池容量等多個方面［14,15］。由于目前尚沒有規(guī)模化的私家電動汽車，研究中假設(shè)電動汽車的使用不改變用戶的用車習(xí)慣，以傳統(tǒng)燃油車的行駛規(guī)律模擬電動汽車的行駛和充電行為，考慮所有隨機因素的概率分布，基于蒙特卡洛隨機抽樣的方法模擬計算不同規(guī)模下的電動汽車的充電需求。日行駛里程概率分布據(jù)美國交通部對全美家用車輛的調(diào)查（NationalHouseholdTravelSurvey,NHTS）結(jié)果顯示，1天中有14%的家用車輛不被使用，有43.5%的車輛日行駛里程在20英里（約32km）以內(nèi)，83.7%的車輛日行駛里程在60英里（約97km）以內(nèi)［16］。鑒于目前尚沒有規(guī)?；碾妱悠嚁?shù)據(jù)供參考，本文研究中假定電動汽車的行駛里程分布與此傳統(tǒng)燃油車的行駛規(guī)律類似，通過對該統(tǒng)計數(shù)據(jù)進(jìn)行歸一化處理后，基于極大似然估計的方法可得日行駛里程近似為對數(shù)正態(tài)分布，其概率密度函數(shù)可表示為取均值pD=3.2,方差oD=0.88;則日行駛里程的概率分布如圖1所示。在獲得日行駛里程的概率分布后，根據(jù)百公里電耗的假設(shè)及電動汽車出行時電池充滿的假設(shè)，可進(jìn)一步求得出行結(jié)束時刻電動汽車的電池SOC概率分布。起始充電時間概率分布在無序充電背景下，起始充電時刻即為最后1次出行返回時刻，根據(jù)NHTS的統(tǒng)計結(jié)果［17］，起始充電時刻近似服從正態(tài)分布，其概率密度函數(shù)表示為取均值pS=17.6,方差oS=3.4；則起始充電時刻的概率分布圖如圖2所示。充電功率概率分布對于常規(guī)慢速充電，充電起始和結(jié)束階段相對于整個充電過程較短［18］，暫時忽略該過程。同時假設(shè)充電過程近似為恒功率特性，則簡化充電過程如圖3所示?？紤]各類型電動汽車與充電樁的充電特性差異，可假設(shè)各電動汽車充電功率在4~6kW范圍內(nèi)滿足均勻分布，其概率密度函數(shù)可表示為動力電池容量概率分布由于電動汽車采用電池的廠家的多樣性和差異性，這里以均勻分布來描述各個電動汽車的電池容量，假定其滿足20~30kW?h范圍內(nèi)的均勻分布，其概率密度函數(shù)可表示為1.5基于MonteCarlo抽樣的電動汽車充電負(fù)荷計算由以上分析可知，大量電動汽車的充電行為特征近似符合一定的概率模型，因此可以采用隨機性統(tǒng)計方法來描述規(guī)?；妱悠嚨某潆娯?fù)荷特性，本文選用蒙特卡羅隨機抽樣方法來抽樣模擬研究大量電動汽車接入電網(wǎng)的總充電需求。蒙特卡羅(MonteCarlo)方法，又稱統(tǒng)計模擬法、隨機抽樣技術(shù)，是一種以概率和統(tǒng)計理論方法為基礎(chǔ)的一種隨機模擬計算方法，其將所求解的問題同一定的概率模型相聯(lián)系，用計算機實現(xiàn)統(tǒng)計模擬或抽樣，可有效獲取問題的近似解［19,20］。假設(shè)每輛電動汽車充電時間、充電功率、充電方式等并不受其他電動汽車的影響，即相互獨立，基于MonteCarlo抽樣分析方法，根據(jù)每輛電動汽車的行駛情況、電池特性、充電時間以及充電方式等隨機概率分布，生成相應(yīng)的隨機數(shù)，求取單臺電動汽車的日充電負(fù)荷曲線，將每一輛電動汽車充電負(fù)荷曲線累加，則可得到總充電負(fù)荷曲線，計算流程如圖4所示。分別選取不同規(guī)模的電動汽車數(shù)量(N=200、400、600、800、1000),基于MonteCarlo方法進(jìn)行抽樣分析，假設(shè)電網(wǎng)對電動汽車的充電行為不加以引導(dǎo)或控制，電動汽車接入電網(wǎng)后即可開始充電?？梢缘玫綗o序隨機充電下不同規(guī)模電動汽車的總充電負(fù)荷曲線如圖5所示，不同規(guī)模電動汽車無序充電時對原負(fù)荷曲線的影響如圖6所示。由圖5和圖6可以看出，若對大規(guī)模電動汽車的充電不加控制，其無序充電將導(dǎo)致負(fù)荷曲線“峰上加峰”，負(fù)荷峰谷差進(jìn)一步加劇，亟需合理的優(yōu)化充電方案以規(guī)避其對電網(wǎng)運行造成的不良影響。根據(jù)上述分析結(jié)果，為了防止出現(xiàn)電動汽車充電導(dǎo)致的“峰上加峰”的現(xiàn)象，盡量減小系統(tǒng)負(fù)荷峰谷差，提高配網(wǎng)負(fù)荷率，促進(jìn)配網(wǎng)經(jīng)濟運行，本文選取含大規(guī)模電動汽車接入的主動配電網(wǎng)運行成本最低及負(fù)荷曲線方差最小同時作為優(yōu)化控制目標(biāo)，以分布式電源的出力功率和電動汽車的充電功率為控制對象，建立如下的多目標(biāo)優(yōu)化調(diào)度模型。2.1目標(biāo)函數(shù)1)優(yōu)化目標(biāo)1：運行成本最低，即通過優(yōu)化充電負(fù)荷的用電計劃、分布式電源的出力以及配電網(wǎng)聯(lián)絡(luò)線功率計劃，使配電區(qū)域的綜合運行成本最低，目標(biāo)函數(shù)表示為式中，Cf(PDG(i,t))為分布式電源的燃耗成本；(i,t))為分布式電源的維護成本;NDG為分布式電源的總個數(shù)；PDG(i,t)為分布式電源i在t時段的輸出功率；Pgrid(t)為配電變壓器在t時段的聯(lián)絡(luò)線傳輸功率；Ploss(t)為t時段的配電系統(tǒng)網(wǎng)損；3t為t時段的市場購電電價。分布式電源的燃耗成本可近似表示為機組輸出功率的二次函數(shù)，關(guān)系為式中，ai、bi、ci分別為第i個分布式電源的燃耗特性的常數(shù)項、一次項及二次項系數(shù)，對應(yīng)于可再生能源機組，由于其無燃料消耗，燃耗成本可以基本忽略不計，相應(yīng)的燃耗成本系數(shù)將取零；對于微型燃?xì)廨啓C(簡稱微燃機)等分布式電源，可按其出廠測試的燃耗成本數(shù)據(jù)進(jìn)行擬合，得到其相應(yīng)的燃耗成本的系數(shù)。分布式電源的維護成本與機組輸出功率近似成正比例關(guān)系為式中，為第i個分布式電源的維護成本系數(shù)。EVs接入配電網(wǎng)充電會增加配電網(wǎng)的網(wǎng)絡(luò)損耗，因此需要進(jìn)行多時段潮流計算，詳細(xì)考慮各時段的網(wǎng)絡(luò)損耗，網(wǎng)損計算公式為式中，Uj(t)、Uk(t)為節(jié)點j、k在t時段的電壓幅值；Gkj為節(jié)點導(dǎo)納矩陣中第j行第k列元素的實部弋kj(t)為節(jié)點j和節(jié)點k之間的相位差；Nnode為配電系統(tǒng)節(jié)點總數(shù)。2)優(yōu)化目標(biāo)2：負(fù)荷曲線方差最小，即在不改變傳統(tǒng)負(fù)荷的前提下，優(yōu)化控制電動汽車充電功率，使得系統(tǒng)綜合負(fù)荷的方差最小，目標(biāo)函數(shù)為式中，PL(t)為t時段不考慮電動汽車充電的基礎(chǔ)負(fù)荷；PEV(t)為t時段電動汽車的總充電負(fù)荷；為負(fù)荷平均值，可表示為2.2約束條件系統(tǒng)功率平衡約束系統(tǒng)備用容量約束式中,t^為系統(tǒng)備用率。電動汽車電池剩余容量約束t時段電池儲能系統(tǒng)剩余電量的表達(dá)式為式中，為第n個電動汽車在t時段的充電功率；為第n個電動汽車的充電效率；為第n個電動汽車在t時段行駛中消耗的功率；為第n個電動汽車的放電效率；At為兩次調(diào)度之間的時間間隔，其中，SEV(n,t)滿足式中，分別為電動汽車儲能電池允許的最小和最大剩余容量。電動汽車總充電功率約束式中，NEV為電動汽車的接入規(guī)模。（5） 為保證電動汽車第二天的正常行駛，充電結(jié)束末時段電池的剩余容量須等于第一天出行前的起始剩余容量（6） 分布式電源出力約束式中，分別為第i個分布式電源的出力功率下限與上限。（7） 分布式電源出力爬坡率約束式中，分別為第i個分布式電源的上、下爬坡限幅值。（8） 配電變壓器傳輸功率容量限制式中，分別為配電變壓器的傳輸功率下限與上限。（9） 網(wǎng)絡(luò)節(jié)點電壓約束[21]式中，分別為節(jié)點j的允許運行電壓幅值下限與上限。（10） 支路傳輸功率約束式中，分別為節(jié)點k、j之間支路允許傳輸功率的下限與上限。3.1混合仿真平臺為了便于模型的擴展，避免新增元件帶來的潮流計算相關(guān)矩陣不易修改問題，搭建了一種如圖7所示的混合仿真調(diào)度平臺；采用EPRI開發(fā)的配電系統(tǒng)模擬軟件（DistributionSystemSimulatorProgramasOpenSource,OpenDSS）作為配電系統(tǒng)仿真工具，提供底層的物理準(zhǔn)穩(wěn)態(tài)、動態(tài)仿真信息以及實現(xiàn)潮流計算功能[22]，供上層Matlab調(diào)用，Matlab作為中間層負(fù)責(zé)優(yōu)化模型的建立、潮流計算結(jié)果的上傳、控制指令的下發(fā)等任務(wù)，兩層之間基于COM接口進(jìn)行通信；頂層為多目標(biāo)優(yōu)化模型計算模塊，其與Matlab中間層之間基于API接口傳遞數(shù)據(jù)，包括最優(yōu)解集，約束函數(shù)等。3.2基于改進(jìn)非劣排序多目標(biāo)遺傳算法（NSGAII）的多目標(biāo)模型求解上述建立的多目標(biāo)優(yōu)化模型為含有等式和不等式約束的多目標(biāo)非線性規(guī)劃模型，由于在多個目標(biāo)中很難找到合適的權(quán)值將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題進(jìn)行求解，故本文選用多目標(biāo)算法來求解上述多目標(biāo)模型。針對多目標(biāo)優(yōu)化問題，通常某目標(biāo)的改善可能引起其他目標(biāo)性能的降低，無法找到一個使各目標(biāo)均達(dá)到最優(yōu)的解，而是存在一個非劣解的集合，稱為帕累托（Pareto）最優(yōu)解集。本文采用帶精英策略的改進(jìn)非劣排序遺傳算法（NSGA-II）進(jìn)行模型求解[23,24],求取Pareto最優(yōu)解集。NSGA-II算法采用快速非支配排序機制，計算復(fù)雜性低；引入擁擠度和擁擠度比較算子，代替共享半徑的適應(yīng)度共享策略，能保證獲得更均勻的Pareto前沿，保障種群的多樣性?；贜SGA-II的多目標(biāo)優(yōu)化模型求解流程圖如圖8所示，求解過程描述如下。（1）系統(tǒng)初始化。讀取系統(tǒng)各線路參數(shù)、機組參數(shù)、負(fù)荷數(shù)據(jù)、電動汽車數(shù)據(jù)、NSGA-II算法參數(shù)等。（2）初始化種群GO,根據(jù)目標(biāo)函數(shù)式（6）和式（10）可知，優(yōu)化模型的控制變量為向量PDG1,t,...,PDGm,t和PEV,t，如果T=24，可構(gòu)造（m+1）x24維種群進(jìn)行求解，將種群位置用各時段分布式電源出力功率和電動汽車充電站功率表示，可構(gòu)造規(guī)模為N的種群如下。將上述種群作為初始種群G0令迭代次數(shù)g=0。（3）調(diào)用OpenDSS進(jìn)行潮流計算，按式（6）和式（10）計算各個體適應(yīng)度函數(shù)值，計算種群Gg適應(yīng)度值。（4）對種群Gg執(zhí)行非劣排序，擁擠度計算，篩選出種群中的N/2個優(yōu)勢個體作為遺傳變異的個體。（5）對篩選出的優(yōu)勢個體通過遺傳操作（交叉、變異）得到子代種群Hg。（6）將當(dāng)前種群Gg與子代種群Hg合并得到種群Ug，根據(jù)適應(yīng)度函數(shù)值，重新計算各個體的支配關(guān)系和擁擠度距離，對個體進(jìn)行Pareto排序。(7)保留精英，從種群Ug中選擇前N個個體作為父代種群Gg+1。(8)終止條件。判斷終止條件，若滿足，則輸出系統(tǒng)的優(yōu)化結(jié)果，否則返回(4)。3.3基于模糊聚類的Pareto最優(yōu)解集篩選在求得Pareto最優(yōu)解集后，還應(yīng)為運行人員提供決策指導(dǎo)。但Pareto最優(yōu)解集一般規(guī)模較大，并且集合中的決策向量蘊含著不同的信息，使運行人員難以作出決策。對此，本文引入模糊聚類方法處理此類問題［25］。首先可將每個個體的單目標(biāo)函數(shù)值按如下隸屬度函數(shù)進(jìn)行模糊化式中，為第Z個目標(biāo)的第w個前沿解；、分別第Z個目標(biāo)的前沿解集最小值與最大值。將模糊化之后的單目標(biāo)函數(shù)值按目標(biāo)權(quán)重偏好加權(quán)求和，即式中，Z3為第Z個目標(biāo)的目標(biāo)權(quán)重；M為優(yōu)化目標(biāo)總個數(shù)；W為每個目標(biāo)對應(yīng)的前沿解個數(shù)。再將加權(quán)求和后的目標(biāo)值排序，篩選出最符合運行人員需求的解集，最終再經(jīng)過反模糊化后可得最優(yōu)解對應(yīng)的優(yōu)化調(diào)度方案。選取IEEE34節(jié)點系統(tǒng)為測試算例［26］，并對其作適當(dāng)擴展，如圖9所示，裝機容量為1500kW的風(fēng)機(WT)和裝機容量為2OOOkW的光伏發(fā)電系統(tǒng)(PV)分別接入到系統(tǒng)中的860、830節(jié)點，三臺不同型號和裝機容量的微燃機(MT)分別接入到系統(tǒng)中的822、850、838節(jié)點，其基本技術(shù)參數(shù)見表1；系統(tǒng)846節(jié)點接入電動汽車充電站，為400輛通勤電動車充電，通勤用車主要用于上下班，行駛起始時間和結(jié)束時間分別服從正態(tài)分布N(7.32,0.782)和N(18.76,1.302),日行駛里程服從對數(shù)正態(tài)分布log-N(3.66,0.512),400輛電動車的電池容量滿足U(20~30kW?h)的均勻分布，充電功率滿足U(4~6kW)的均勻分布，系統(tǒng)中風(fēng)電、光伏及負(fù)荷的日前預(yù)測功率值如圖10所示［27］，市場分時電價參考文獻(xiàn)[28]，調(diào)度總時長為1天，分為24時段分別進(jìn)行計算。在Matlab環(huán)境下編程，應(yīng)用NSGA-II算法求解計算，NSGA-II算法種群大小100，最大迭代次數(shù)100,交叉概率0.9，變異概率0.1。為說明本文模型和方法的有效性，選取了以下三種不同場景進(jìn)行測試：場景1：無電動汽車接入系統(tǒng)。場景2：400輛電動車通過充電樁接入到系統(tǒng)中846節(jié)點，但其充電不加控制，按無序充電方式充電，即假定到達(dá)后立即開始充電。場景3：400輛電動汽車通過充電樁接入到系統(tǒng)中846節(jié)點，且其按照本文的優(yōu)化調(diào)度方案進(jìn)行充電。場景1和場景2為單目標(biāo)優(yōu)化問題，場景3為多目標(biāo)優(yōu)化問題，采用NSGA-II算法進(jìn)行求解，求解得到相應(yīng)的多目標(biāo)Pareto前沿如圖11所示。由圖11可知，求解得到的最優(yōu)解均勻地分布在Pareto最優(yōu)解前沿上，有效確保了解的多樣性。進(jìn)一步采用模糊聚類方法進(jìn)行評估分析，可以得到圖中(f1=36371.52,f2=1.6421)對應(yīng)的點為最優(yōu)折中解，折中解對應(yīng)的最優(yōu)發(fā)電調(diào)度方案見表2和如圖12所示。由表2和圖12來看，在電價谷時段，如圖12中1：00一7：00,18：00—24：00，三臺微燃機的發(fā)電成本較電網(wǎng)購電成本要高，系統(tǒng)主要從外網(wǎng)購電來滿足負(fù)荷需求；在電價峰時段，如圖12中9：00_16：00,隨著購電成本的不斷增加，系統(tǒng)從主網(wǎng)購電大幅降低，三臺微燃機成為主要的供電單元，且三臺機組之間按照發(fā)電成本高低相互競爭出力；所提出的優(yōu)化運行調(diào)度方案有效降低了系統(tǒng)運行成本，提高了整體運行經(jīng)濟性。為表明系統(tǒng)運行中滿足網(wǎng)絡(luò)運行安全約束，截取了系統(tǒng)在t=3h充電負(fù)荷較大的時間斷面進(jìn)行分析，各節(jié)點的電壓分布情況如圖13所示，可以看出，在系統(tǒng)運行中各節(jié)點電壓均分布在0.951.05(pu)的安全電壓范圍之內(nèi)，有效保障了系統(tǒng)運行的安全與可靠性。進(jìn)一步對比了三種場景下的負(fù)荷曲線，如圖14所示，表3統(tǒng)計計算給出了相應(yīng)的負(fù)荷特性指標(biāo)的對比。由圖14和表3可以看出：(1)當(dāng)電動汽車采用場景2中的無序充電方案時，充電時間主要集中晚間負(fù)荷高峰時段，這將導(dǎo)致負(fù)荷曲線“峰上加峰”，峰值負(fù)荷由原來的11.361MW增長到了12.297MW，不僅增加了調(diào)峰容量和輸變電設(shè)備擴容的需求，也會導(dǎo)致系統(tǒng)運行安全性降低。(2)當(dāng)采用場景3中的優(yōu)化充電方案時，充電時間主要集中在凌晨1:00~6:00的負(fù)荷谷時段，負(fù)荷特性有了明顯改善，峰谷差率下降至30.02%，負(fù)荷率提高到87.63%，充分表明了所提出的電動汽車優(yōu)化充電方案的削峰填谷作用，證明了的模型和方法的有效性。本文研究了大規(guī)模電動汽車接入主動配電網(wǎng)后的電動汽車與分布式電源協(xié)調(diào)運行調(diào)度問題，在分析大規(guī)模電動汽車的充電需求的基礎(chǔ)上，以含大規(guī)模電動汽車接入的主動配電網(wǎng)運行成本最小化和負(fù)荷曲線方差最小化為優(yōu)化目標(biāo)，提出了一種含規(guī)?；妱悠嚱尤氲闹鲃优潆娋W(wǎng)多目標(biāo)優(yōu)化調(diào)度模型，采用帶精英策略的改進(jìn)非劣排序多目標(biāo)遺傳算法對模型進(jìn)行求解，針對優(yōu)化得到的Pareto最優(yōu)解集規(guī)模大，蘊含信息豐富，導(dǎo)致運行人員難以決策的問題，提出基于模糊聚類的方法對多目標(biāo)Pareto最優(yōu)解集進(jìn)行快速篩選，通過IEEE34節(jié)點配電系統(tǒng)的算例分析表明：本文模型和算法可在保證系統(tǒng)經(jīng)濟運行的同時，有效利用電動汽車的優(yōu)化充電降低系統(tǒng)負(fù)荷峰谷差。相關(guān)文獻(xiàn)】[1]GreenRC,WangL,AlamM.Theimpactofplug-inhybridelectricvehiclesondistributionnetworks:Areviewandoutlook[J].RenewableandSustainableEnergyReviews,2011,15(1):544-553.PutrusGA,SuwanapingkarlP,JohnstonD,etal.Impactofelectricvehiclesonpowerdistributionnetworks[C]//IEEEVehiclePowerandPropulsionConference,Dearbom,USA,2009:827-831.胡澤春，宋永華,徐智威，等.電動汽車接入電網(wǎng)的影響與利用[J].中國電機工程學(xué)報,2012,32(4):1-10.HuZechun,SongYonghua,XuZhiwei,etal.Impactsandutilizationofelectricvehiclesintegrationintopowersystems[J].ProceedingsoftheCSEE,2012,32(4):1-10.RaghavanSS,KhalighA.Electrificationpotentialfactor:Energy-basedvaluepropositionanalysisofplug-inhybridelectricvehicles[J].IEEETransactionsonVehicularTechnology,2012,61(3):1052-1059.⑸徐智威，胡澤春，宋永華,等.基于動態(tài)分時電價的電動汽車充電站有序充電策略[J].中國電機工程學(xué)報,2014,34(22):3638-3646.XuZhiwei,HuZechun,SongYonghua,etal.CoordinatedchargingstrategyforPEVchargingstationsbasedondynamictime-of-usetariffs[J].ProceedingsoftheCSEE,2014,34(22):3638-3646.HanS,HanS,SezakiK.Developmentofanoptimalvehicle-to-gridaggregatorforfrequencyregulation[J].IEEETransactionsonSmartGrid,2010,1(1):65-72.Clement-NynsK,HaesenE,DriesenJ.Theimpactofchargingplug-inhybridelectricvehiclesonaresidentialdistributiongrid[J].IEEETransactionsonPowerSystems,2010,25(1):371-380.葛少云,黃镠,劉洪.電動汽車有序充電的峰谷電價時段優(yōu)化[J].電力系統(tǒng)保護與控制,2012,40(10):1-5.GeShaoyun,HuangLiu,LiuHong.Optimizationofpeak-valleyTOUpowerpricetimeperiodinorderedchargingmodeofelectricvehicle[J].PowerSystemProtectionandControl,2012,40(10):1-5.田文奇，和敬涵，姜久春,等.電動汽車換電站有序充電調(diào)度策略研究[J].電力系統(tǒng)保護與控制,2012,40(21):114-119.TianWenqi,HeJinghan,JiangJiuchun,etal.Researchondispatchingstrategyforcoordinatedchargingofelectricvehiclebatteryswappingstation[J].PowerSystemProtectionandControl,2012,40(21):114-119.李秋碩，肖湘寧,郭靜,等.電動汽車有序充電方法研究[J].電網(wǎng)技術(shù),2012,36(12):32-38.LiQiushuo,XiaoXiangning,GuoJing,etal.Researchonschemefororderedchargingofelectricvehicles[J].PowerSystemTechnology,2012,36(12):32-38.趙俊華，文福拴，薛禹勝,等.計及電動汽車和風(fēng)電出力不確定性的隨機經(jīng)濟調(diào)度[J].電力系統(tǒng)自動化,2010,34(20):22-29.ZhaoJunhua,WenFushuan,XueYusheng,etal.Powersystemstochasticeconomicdispatchconsideringuncertainoutputsfromplug-inelectricvehiclesandwindgenerators[J].AutomationofElectricPowerSystems,2010,34(20):22-29.于大洋，宋曙光,張波,等.區(qū)域電網(wǎng)電動汽車充電與風(fēng)電協(xié)同調(diào)度的分析J].電力系統(tǒng)自動化,2011,35(14):24-29.YuDayang,SongShuguang,ZhangBo,etal.SynergisticdispatchofPEVschargingandwindpowerinChineseregionalpowergrids[J].AutomationofElectricPowerSystems,2011,35(14):24-29.FreireR,DelgadoJ,SantosJM,etal.IntegrationofrenewableenergygenerationwithEVchargingstrategiestooptimizegridloadbalancing[C]//13thInternationalIEEEConferenceonIntelligentTransportationSystems(ITSC),Funchal,Portugal,2010:392396.楊冰，王麗芳,廖承林.大規(guī)模電動汽車充電需求及影響因素J].電工技術(shù)學(xué)報,2013,28⑵：22-27.YangBing,WangLifang,LiaoChenglin.Researchonpowerchargingdemandoflarge-scaleelectricvehiclesanditsimpactingfactors[J].TransactionsofChinaElectrotechnicalSociety,2013,28(2):22-27.陳麗丹,聶涌泉，鐘慶?基于出行鏈的電動汽車充電負(fù)荷預(yù)測模型J]?電工技術(shù)學(xué)報,2015,30(4):216-225.ChenLidan,NieYongquan,ZhongQing.Amodelforelectricvehiclechargingloadforecastingbasedontripchains[J].TransactionsofChinaElectrotechnicalSociety,2015,30(4):216-225.SantosA,McGuckinN,NakamotoHY,etal.Summaryoftraveltrends:2009nationalhouseholdtravelsurvey[R].2011.WirasinghaSG,SchofieldN,EmadiA.Plug-inhybridelectricvehicledevelopmentsintheUS:trends,barriers,andeconomicfeasibility[C]//IEEEVehiclePowerandPropulsionConference,Harbin,China,2008:1-8.田立亭，史雙龍，賈卓.電動汽車充電功率需求的統(tǒng)計學(xué)建模方法J].電網(wǎng)技術(shù),2010,34(11):126-130.TianLiting,ShiShuanglong,JiaZhuo.Astatisticalmodelforchargingpowerdemandofelectricvehicles[J].PowerSystemTechnology,2010,34(11):126-130.張明霞，田立亭.一種基于需求分析的電動汽車有序充電實施架構(gòu)[幾電力系統(tǒng)保護與控制，2013,41(3):118-122.ZhangMingxia,TianLiting.Amethodtoorganizethechargingofelectricvehiclebasedondemandanalysis[J].PowerSystemProtectionandControl,2013,41(3):118-122.RobertC,CasellaG.MonteCarlostatisticalmethods[M].NewYork:SpringerScienceamp;BusinessMedia,2013.陳衛(wèi)，楊波，張兆云,等.計及電動汽車充電站接入的配電網(wǎng)承載能力評估與優(yōu)化J].電工技術(shù)學(xué)報,2014,29(8):27-35.ChenWei,YangBo,ZhangZhaoyun,etal.Distributionnetworkssupportabilityevaluationandoptimizationconsideringelec