基于遗传算法的新能源充电站能量优化管理

郝 越

（深圳供电局有限公司，广东 深圳 518000）

0 引 言

随着技术的进步，电动汽车数量和新能源充电站数量不断增加。然而，现有研究均集中于电动汽车入网后电网稳定性的分析[1]和电动汽车充放电给电网带来的利润盈亏[2]等方面，对电动汽车充电的新能源充电站的能量优化管理研究很少。文献[3]根据购电和售电关系写出目标函数和约束条件，用lingo求解即可得到最大利润；文献[4]建立改进的排队论模型，列出电动汽车充电设施及服务建立的平衡方程，并以先到先充、充完即走、等待过长即走为基本原则，建立充电往来的关系，得出电动汽车可以开始充电的时间点。这些研究缺乏相应的理论指导，对其计算结果分析不够深入，很难指导实际工程。

本文以单日利润最大为目标函数，以功率平衡和电动汽车充放电功率、光伏发电装置的发电功率、电网交互功率、状态变量等为约束条件，建立了两种情况下的优化模型，采用遗传算法对模型求解，最终得到两种模型下的最大利润。

1 充电站能量优化管理模型建立

1.1 全额利用情况建模

在新能源充电站的总利润与新能源充电站向电网售电收益、向用户售电的收益以及充电站从电网购电费用之间建立目标函数：

式中，新能源充电站的总利润为F；新能源充电站向电网售电收益为Fsell-grid；向用户售电的收益为Fsell-user。其中：

式中，Psell-grid(t)为t时刻光伏发电装置向电网售出的电量；csell-grid(t)为t时刻光伏发电装置向电网售电的价格；PEV·i-sell(t)、PEV·i-buy(t)分别为t时刻电动汽车i向电网售出的电量和向电网购买的电量；cEV-sell(t)为t时刻电动汽车向电网售电的价格；x(t)为电动汽车的放电状态，x(t)为0时电动汽车不放电，x(t)为1时电动汽车放电向电网售电；y(t)为电动汽车的充电状态，y(t)为0时电动汽车不充电，y(t)为1时电动汽车从电网购买电量进行充电；Psell-user(t)为t时刻新能源充电站向用户售出的电量；csell-user(t)为t时刻新能源充电站向用户售电的价格。

对于目标函数（1）而言，从功率平衡和状态变量的要求两个方面进行约束，具体如下。

（1）功率平衡约束：

式中，PEV(t)为t时刻电动汽车的充电功率，Ppv(t)为t时刻光伏发电装置发出的功率。

（2）电动汽车充电功率约束：

（3）光伏发电装置的发电功率约束：

式中，Ppv-max(t)为t时刻光伏发电装置的最大出力。

（4）与电网交互功率约束：

式中，Pgrid-min(t)为t时刻新能源充电站与电网之间的交互功率；Pgrid-min(t)、Pgrid-max(t)分别为t时刻新能源充电站与电网之间的交互功率的最小值与最大值。

（5）状态变量约束：

1.2 允许弃光情况建模

当光伏发电装置的发电成本高于从电网购的成本购电成本时或者当发电成本高于向电网售电成本时，会出现光伏电站弃光现象。此时，光伏出力满足：

式中，Ppv(t)为t时刻光伏发电装置发出的功率；Ppv.N(t)为t时刻光伏发电装置发出的额定功率。

目标函数及其余约束条件与全额利用情况下相同，如式（1）～式（9）所示。

2 基于遗传算法的模型求解

遗传算法是一种寻求全局最优解而不需要任何初始化信息的高效优化算法[5]。本文采用从临时Parcto解集中选出N个拥挤距离最大的个体作为精华保留，从而使当前周围个体密度小的Parcto解占优，对保持种群的多样性有利。

（1）选择问题的一个编码方式，在搜索空间U上定义一个适应度函数f(x)，给定种群规模N、交叉率Pc、变异率Pm和代数T；

（2）随机产生U中的N个个体s1,s2,…,sN组成初始种群S(1)={s1,s2,…,sN}，置代数计数器t=1；计算S中的每一个个体si的适应度函数fi=f(si)；

（3）若满足算法终止规则，则算法停止，取S中适应度最大的个体作为所求结果，否则计算概率：

（4）按这个概率决定选中机会，每次从S中随机选定1个个体并将其染色体复制，共N次，组成群体S1；

（5）按交叉率Pc决定的染色体数c从S1中随机确定c个染色体，配对进行交叉操作替代原染色体得到群体S2；

（6）按变异率Pm决定的变异次数m，从S2中随机确定m个染色体，重复步骤（5）操作，得到群体S3；

（7）将群体S3作为新种群，转步骤（3），其具体的计算流程如图1所示。

3 算例分析

图2为一新能源充电站的系统结构。站内设有8台充电桩和光伏发电装置，每台充电桩的充电功率在50 kW范围内可调。

假设该充电站为100辆电动汽车提供服务，充电电价固定为1.5元/kW·h。用户未来24 h的充电需求如文献[6]中电动汽车充电记录所示。充电站利润为其向电网和用户售电收入减去其从电网购电的成本。在光伏全额利用和允许弃光两种情况下分别计算未来24 h充电站的最大利润，并分析得到的结果。

图1 遗传算法的求解流程

图2 新能源充电站结构

3.1 全额利用条件下

在光伏发电全额利用情况下，采用遗传算法求解优化模型，则新能源充电站出力情况见图3。

图3 光伏全额利用下电站出力结果

由图3可知，在光伏全额利用的情况下，考虑峰谷电价差进行合理优化，得到新能源充电站的最大总利润为508.49元。在0:00-6:00时段内，光伏不出力且购电电价较低，新能源充电站通过向电网购电来满足电动汽车的充电需求。在购电电价高峰时段6:00-14:00内，新能源充电站所需电量由光伏发电装置所发出的电量满足。此时段内不从电网购电，由于该时段内售电电价较高，光伏发电装置所发电量除满足电动汽车的充电需求外，将剩余的电量向电网出售，从而提高新能源充电站的利润。在15:00-18:00时段内，由于光照逐渐减少，新能源充电站主要依靠从电网购电来满足电动汽车的充电需求。18:00-24:00时段内无光照，充电站的电量需求仅依靠从电网购电来满足。

3.2 允许弃光条件下

在允许弃光情况下，对建立的优化模型采用遗传算法进行求解，所得新能源充电站处理情况如图4所示。

图4 弃光情况下电站出力结果

由图4可知，在允许光伏弃光的情况下，考虑峰谷电价差对电站利润进行合理优化，得到新能源充电站的最大总利润为1 011.23元。在0:00-6:00时段内，无光照光伏不出力，新能源充电站通过向电网购电来满足电动汽车的充电需求。在购电电价高峰时段6:00-16:00内，光照较强，光伏发电装置所发电量除满足电动汽车充电外，由于向电网售电的价格较低，因此会出现光伏发电装置弃光现象。在18:00-24:00时段内无光照，充电站的电量需求仅依靠从电网购电来满足。

4 结 论

由于电动汽车既可以作为负荷也可以向电网提供电能的特性，对含有电动汽车的新能源充电站的优化管理可以提高能源利用效率，同时充分促使电动汽车用户参与到大电网中来，从而成为电网中一种可以有效管理的能源。通过对当前电网和充电站的形式进行分析，为充电站带来利润的同时，有利于维持电网的稳定，减小不必要的波动和损失。