基于改进粒子群优化算法的电动汽车最优充放电策略研究

2017-03-06曹一晓

电子技术与软件工程 2017年1期

随着我国人们经济收入的持续增加，对汽车的拥有量也在呈现不断上升的趋势，在这样的情况下对环境造成的污染也越来越严重，因此，我国开始大力推广新能源电动汽车，这样可以减少污染物的排放，从而起到保护环境的作用。随着大量的电动汽车接入到电网进行相应的充电，这在某种程度上面便给电网的安全、经济运行造成一定的威胁。因此，本论文首先对电动汽车的最优充放电策略进行了相应的建模，接下来，再对基于遗传变异及模拟退火思想的改进粒子群优化算法进行了相应的概述，最后，进行了电动汽车充放电策略的仿真试验。

【关键词】充放电策略遗传变异电动汽车最优仿真

1 对电动汽车的最优充放电策略进行建模

1.1 对电动汽车建模进行概述

由于不同的用户具有不同的偏好、并且用户出行时间也存在差异等，这就导致电动汽车接入到电网是具有很大的随机性的。为了对电动汽车进行最优化的控制，需要采取措施实现电网与用户达到双赢的目的。假设上下班时间段，电动汽车离开电网（即没有进行充电）的时间是服从正态分布的，而对于非上下班时间离开电网时间的概率假设其是服从均匀分布的，对于时刻β，我们假设电动汽车离开电网的概率是为Pleave，β，在这样的情況下，我们可以认为在时刻β接入电网的电动汽车的相应的比例是为：Pβ ≈ 1-Pleave，β。

由于不同的电动汽车出现目的不一样，很显然，其行驶的里程及对电量的消耗也是存在差异的。根据相关调查统计，可以很明确的知道电动汽车每一天消耗电量的曲线图。

为了更好的对电池的荷电状态（简称SOC）进行跟踪，需要设定一个变量来对电池的相关剩余电量进行描述，假设变量为Eαstore，β。在我国，由于电动汽车数量众多，那么，就不能够直接对每一辆电动汽车的充放电情况进行控制，鉴于该种情况，本论文主要是针对同一个节点的N辆电动汽车视为一个功率能够进行双向流动的储能单元，因此，针对Eαstore，β的计算方程式如下所示：

Eαstore，β1 Eαstore，β Pβ·Nα，EV·PαEV，β·Δt-（1-Pβ）·Eβv2r （1）

对于Eαstore，β是表示在节点α电动汽车在时刻β的剩余电量等。对于Eαstore，β1是表示在节点α电动汽车在时刻β+1的剩余电量等。

1.2 对最优充放电策略建模进行概述

针对电网的总负荷来讲，通常情况下它是分为用户的基本负荷以及电动汽车的充放电负荷的。本论文研究是假设用户的基本负荷为已知的。

1.2.1 目标函数

3 电动汽车充放电策略仿真结果分析

3.1 无序充电仿真

针对常规充电来讲，充电时间一般是需要5-8h，因此，假设电动汽车接入电网的时间区间[5，8]是服从均匀分布的，在这样的情况下，对电动汽车的充电过程进行蒙特卡仿真，这样便可以得到如下图1所示的电动汽车充电方面的负荷曲线图。

3.2 基于最优潮流充放电策略仿真

图2为OLTC的变化仿真图。

4 结束语

本论文对电动汽车的最优充放电策略进行了相关的建模，接下来，对基于遗传变异及模拟退火思想的改进粒子群优化算法进行了简要的概述，最后，对电动汽车充放电策略仿真结果分析。