CN107026450B - 基于遗传算法的b2g和v2g配电网功率控制系统及方法 - Google Patents
基于遗传算法的b2g和v2g配电网功率控制系统及方法 Download PDFInfo
- Publication number
- CN107026450B CN107026450B CN201610832597.5A CN201610832597A CN107026450B CN 107026450 B CN107026450 B CN 107026450B CN 201610832597 A CN201610832597 A CN 201610832597A CN 107026450 B CN107026450 B CN 107026450B
- Authority
- CN
- China
- Prior art keywords
- power
- node
- electric car
- formula
- battery pile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims abstract description 17
- 230000003993 interaction Effects 0.000 claims abstract description 9
- 210000000349 chromosome Anatomy 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 230000036642 wellbeing Effects 0.000 claims description 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000009790 rate-determining step (RDS) Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L55/00—Arrangements for supplying energy stored within a vehicle to a power network, i.e. vehicle-to-grid [V2G] arrangements
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Abstract
一种基于遗传算法的B2G和V2G配电网功率控制系统及方法，所述系统包括有与配电网、分布式电源、退役电池堆和电动汽车进行数据交互的控制中心，控制中心通过充电桩与电动汽车电连接，充电桩分别与退役电池堆和分布式电源电连接。控制步骤为：1)采集配电网、电动汽车、分布式电源和退役电池堆的状态信息；2)采用遗传算法计算电动汽车和退役电池堆的出力计划，并根据出力计划控制输出。本发明弥补了V2G空间的分散性，增加了低谷电力市场增量；将退役电池堆与电动汽车综合进行控制运算，退役电池堆和电动汽车可作为分布式电源的后备容量，平滑分布式电源的并网；充分发挥改进遗传算法的寻优特性，进一步提高能源利用率，优化电网运行经济性。
Description
技术领域
本发明涉及电力系统配电网优化技术领域，特别是一种B2G和V2G配电网功率控制系统及方法。
背景技术
近年来，电动汽车因其环境友好、低噪声、高能源使用效率等优势飞速发展，2014年全球市场共销售353522辆电动汽车，同比增长56.78％；其中，电动乘用车323864辆，占比91.61％。电动乘用车指“双80”车，即最高时速80km/h以上，同时一次充电续航里程80km以上；电动客车及电动专用车29658辆，占比8.39％。随着电动汽车的大规模应用，动力电池性能的提升，电动汽车接入方式的智能化，V2G模式应运而生，V2G模式将接入电网的电动汽车作为可控负荷和移动电源，合理控制电动汽车的接入方式，从而将动力电池中储存的电能提供给电网，为电网的经济运行出力。同时电动汽车动力电池在容量下降到80％～85％后，就要“退役”，其工况将不再适用于电动汽车动力电池，大量电动汽车退役电池的产生，将动力电池的梯级利用推向研究热点，而把退役电池用作储能站储能电池是最好的选择。基于电动汽车退役电池的B2G，结合V2G，将进一步提高能源使用效率，能够为电网削峰填谷，最大化实现电网经济运行，同时为分布式电源的平滑接入奠定基础。但是电动汽车与传统负荷不同，电动汽车充放电功率受用户驾车行为、电池特性、充放电装置等因素影响，在时间和空间上都具有不确定性。电动汽车和储能站在并网时，随机性较大，不能最大程度地发挥其作用，甚至会加大配电网负荷高峰压力，影响电网安全运营。
发明内容
本发明的一个目的就是提供一种基于遗传算法的B2G和V2G配电网功率控制系统，通过该系统可以完成含电动汽车V2G和退役电池堆B2G的配电网功率优化。
本发明的该目的是通过这样的技术方案实现的，它包括有与配电网、分布式电源、退役电池堆和电动汽车进行数据交互的控制中心，控制中心通过充电桩与电动汽车电连接，充电桩分别与退役电池堆和分布式电源电连接。
进一步，所述配电网、分布式电源、退役电池堆和电动汽车将配电网状态信息发送至控制中心，控制中心根据配电网状态信息制定退役电池堆并网的出力计划，并根据用户响应和控制计划，制定电动汽车的充放电计划。
进一步，控制中心与充电桩之间通过宽带电力线载波通信；充电桩上配置人机交互界面，用户通过人机交互界面配合控制中心定制充放电计划及费用结算。
进一步，充电桩通过图像识别技术读取电动汽车的车辆信息或通过无线通信技术与车载终端进行信息交互，获取电动汽车的车辆信息。
进一步，所述系统还包括有废旧电池堆管理子系统，废旧电池堆管理子系统获取退役电池堆的状态信息，并通过宽带电力线载波通信方式发送给控制中心。
本发明的另一个目的就是提供一种基于遗传算法的B2G和V2G配电网功率控制方法，它可以通过遗传算法将V2G和B2G的处理计划进行综合计算，从而对配电网进行功率优化。
本发明的该目的是通过这样的技术方案实现的，具体步骤如下：
1)控制中心采集配电网的状态信息、电动汽车的电量信息、分布式电源的状态信息和退役电池堆的状态信息；
2)控制中心采用遗传算法计算电动汽车和退役电池堆的出力计划，再将输出指令发送至电动汽车车载终端和退役电池堆。
进一步，步骤2)中所述基于遗传算法的功率优化的具体步骤如下：
2-1)遗传算法将进行统一编码的电动汽车和退役电池堆的出力计划(x1,x2,x3…xn)进行初始化，得到(x1,x2,x3…xn)0；
2-2)将出力计划用于配电网潮流计算，并得到目标函数值J0，并将结果进行存储，目标函数为：
其中，W(x1,x2,x3…xn)为V2G与B2G智能结合出力的经济收益，其中n为电动汽车与退役电池堆总个数，需要对每一台电动汽车和退役电池堆进行统一编号；xi，i＝1，2，3…n，表示第i台装置出力；ΔS为配网各支路网损之和；
2-3)利用遗传算法对初始化的出力计划(x1,x2,x3…xn)进行随机-精英策略、双点交叉策略、移民策略的变异，从而得到新的出力计划(x1,x2,x3…xn)1；
2-4)转向步骤2-2)，得到J1，并将结果进行存储；
2-5)制定迭代次数，对步骤2-2)至步骤2-4)进行重复运算，求得最优的出力计划。
进一步，步骤2-2)所述配电网潮流计算为基于NRM的牛顿类算法，其具体方法为：
2-2-1)将节点电压和导纳表示为直角坐标向量时，其表达式如式(2)：
式中，Vi为节点i的电压，ei和fi分别为其实部和虚部；Yij为节点i和节点j之间支路的导纳；Gij为电导；Bij为电纳；
2-2-2)根据节点电压，可将节点负荷表示为式(3)：
式中，Pi为节点i的有功负荷；Qi为节点i的无功负荷；
对于PQ节点，其节点功率不平衡量ΔPi和ΔQi为式(4)：
对于PV节点，其节点功率和电压不平衡量为式(5)：
2-2-3)2-2-3)对于N个节点的系统，第N个节点为平衡节点，而平衡节点的电压已知，因此不必参与迭代计算，因此式(4)和式(5)的方程组共有2(N-1)个方程式，待求变量为e1，f1，e2，f2，…，en-1，fn-1，共2(N-1)个待求量，方程组(4)和方程组(5)共同构成2(N-1)个联立的非线性代数方程，此方程组的修正方程组为式(6)：
ΔW＝-JΔV (6)
2-2-4)根据式(6)计算出节点电压的修正量Δei (k)和Δfi (k)，那么迭代后的节点电压为：
2-2-5)利用ei (k)和fi (k)，根据式(4)和式(5)计算ΔPi (k)，ΔQi (k)及ΔVi 2(k)，并校验其是否收敛，容许误差ε＝10-5，如果收敛，则计算平衡节点功率和全部线路功率，以及目标函数J(k)；如果不收敛，则采用ei (k+1)和fi (k+1)继续循环计算，直到收敛，并计算目标函数J(k +1)，到此一次完整的计算结束。然后采用遗传算法改变退役电池堆和电动汽车的出力，即改变PQ节点的节点功率，再次进行潮流计算，收敛后并计算目标函数。该方法的目标函数为：
其中，W(x1,x2,x3…xn)为V2G与B2G智能结合出力的经济收益，其中n为电动汽车与退役电池堆总个数，需要对每一台电动汽车和退役电池堆进行统一编号；xi表示第i台装置的出力；ΔS为配电网各支路网损之和；W(x1,x2,x3…xn)的具体形式如式(9)所示；ΔS的具体形式如式(10)所示：
式(9)中，A为当前电价；t为放电时间；
式(10)中，m为配电网拓扑结构中总的支路数；Si表示第i条支路的网损；式(11)中，i和j表示由节点i和节点j构成的支路bi，i和j即为节点编号；Ui为节点i的节点电压；Uj为节点j的节点电压；Rij表示由节点i和节点j构成的支路的总电阻。
进一步，步骤2-3)所述随机-精英策略、双点交叉策略、移民策略的变异的具体方法为：
随机精英策略具体步骤：选择初始种群中随机的a个个体，a<解群规模M，并判定a个个体中适应值最高的个体，将其直接保存到下一代种群中，循环进行此步骤，当保存个数达到解群规模M时，停止筛选；
精英策略，本代解群中适应值最大的染色体个体，不进行任何处理直接进入下一代种群，而除此之外的个体，均进行交叉和变异，并等概率遗传到下一代种群，将随机策略和精英策略结合；
双点交叉策略具体步骤：将本代种群中的染色体进行两两随机组队，染色体是经过二进制编码的的数据，选择两个随机断点，两个染色体均从此处断开，然后交换两断点中间部分染色体，组成两个新染色体，并将两个染色体分别带入本代解群中求解群适应度，保留适应度高的新染色体，遗传到下一代种群中；
移民策略具体步骤：记录20代种群的适应值，判断20代种群的适应值变化量，如果变化量低于预设的阈值，判定为早熟，将增加新的染色体用于替换种群中适应值最差的染色体，新染色体的产生采用变异手段对原种群中的同等数量的染色体进行变异。
由于采用了上述技术方案，本发明具有如下的优点：
与现有电动汽车和充电桩随机出力的方式相比，本项发明基于改进的遗传算法使V2G与B2G的智能结合，其优点如下：
1)采用V2G与B2G的智能结合的方法，弥补了V2G空间的分散性，增加了配电网低谷电力市场增量；
2)充分发挥改进遗传算法的寻优特性，找到适合于V2G与B2G的智能结合的功率控制方法，进一步提高能源利用率，优化电网运行经济性；
3)V2G与B2G的智能结合的功率控制方法，为智能电网的潮流计算奠定了基础，为拓扑结构日益复杂的配网的电力系统暂态仿真提供基础，将电动汽车与退役电池堆进行综合考虑，提高了能源利用效率，增加了低谷电力市场的培育对象，并增大了电力系统的备用容量。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的结构示意图；
图2为V2G与B2G智能结合算法流程图；
图3为双点交叉示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示，基于遗传算法的B2G和V2G配电网功率控制系统包括有：控制中心、充电桩、退役电池堆和分布式电源。工作时，控制中心实时采集配电网运行状态，通过遗传算法进行功率优化计算。将优化后的电动汽车出力计划发送给充电桩，通过人机交互界面与用户信息交互，根据配电网的状态和用户的需求制定充放电计划和相应的费用结算；将优化后的退役电池堆的处理计划发送给废旧电池堆管理子系统BMS，从而达到配电网功率优化的技术目的。充电桩与控制中心通过电力线载波进行通信，电动汽车靠近充电桩后，充电桩通过图像识别技术对电动汽车进行识别，再通过无线通信技术与电动汽车数据交互。退役电池堆的状态检测主要由废旧电池堆管理子系统完成，同时废旧电池堆管理子系统将退役电池堆的状态信息发送至控制中心。
如图2所示，基于遗传算法的B2G和V2G配电网功率控制方法，具体步骤如下：
1)控制中心采集配电网的状态信息、电动汽车的电量信息、分布式电源的状态信息和退役电池堆的状态信息；
2)控制中心采用遗传算法计算电动汽车和退役电池堆的输出计划，再将输出指令发送至电动汽车车载终端和退役电池堆BMS系统。
步骤2)中所述遗传算法的具体步骤如下：
2-1)遗传算法将进行统一编码的电动汽车和退役电池堆的出力(x1,x2,x3…xn)进行初始化，得到(x1,x2,x3…xn)0；
2-2)以电动汽车和退役电池堆的出力(x1,x2,x3…xn)0用于配电网潮流计算，并得到目标函数值J0，并将结果进行存储，目标函数为：
其中，W(x1,x2,x3…xn)为V2G与B2G智能结合出力的经济收益，其中n为电动汽车与退役电池堆总个数，需要对每一台电动汽车和退役电池堆进行统一编号；xi，i＝1，2，3…n，表示第i台装置出力；ΔS为配网各支路网损之和；
2-3)利用遗传算法对初始化的出力计划(x1,x2,x3…xn)进行随机-精英策略、双点交叉策略、移民策略的变异，并将结果进行存储，从而得到新的出力计划(x1,x2,x3…xn)1；
2-4)转向步骤2-2)，得到J1，并将结果进行存储；
2-5)制定迭代次数，对步骤2-2)至步骤2-4)进行重复运算，求得最优的出力计划。
进一步，步骤2-2)所述配电网潮流计算为基于NRM的牛顿类算法，其具体方法为：
2-2-1)将节点电压和导纳表示为直角坐标向量时，其表达式如式(2)：
式中，Vi为节点i的电压，ei和fi分别为其实部和虚部；Yij为节点i和节点j之间支路的导纳；Gij为电导；Bij为电纳；
2-2-2)根据节点电压，可将节点负荷表示为式(3)：
式中，Pi为节点i的有功负荷；Qi为节点i的无功负荷；
对于PQ节点，其节点功率不平衡量ΔPi和ΔQi为式(4)：
对于PV节点，其节点功率和电压不平衡量为式(5)：
2-2-3)对于N个节点的系统，第N个节点为平衡节点，而平衡节点的电压已知，因此不必参与迭代计算，因此式(4)和式(5)的方程组共有2(N-1)个方程式，待求变量为e1，f1，e2，f2，…，en-1，fn-1，共2(N-1)个待求量，方程组(4)和方程组(5)共同构成2(N-1)个联立的非线性代数方程，此方程组的修正方程组为式(6)：
ΔW＝-JΔV (6)
2-2-4)根据式(6)计算出节点电压的修正量Δei (k)和Δfi (k)，那么迭代后的节点电压为：
2-2-5)利用ei (k)和fi (k)，根据式(4)和式(5)计算ΔPi (k)，ΔQi (k)及ΔVi 2(k)，并校验其是否收敛，容许误差ε＝10-5，如果收敛，则计算平衡节点功率和全部线路功率，以及目标函数J(k)；如果不收敛，则采用ei (k+1)和fi (k+1)继续循环计算，直到收敛，并计算目标函数J(k +1)，到此一次完整的计算结束。然后采用遗传算法改变退役电池堆和电动汽车的出力，即改变PQ节点的节点功率，再次进行潮流计算，收敛后并计算目标函数。该方法的目标函数为：
其中，W(x1,x2,x3…xn)为V2G与B2G智能结合出力的经济收益，其中n为电动汽车与退役电池堆总个数，需要对每一台电动汽车和退役电池堆进行统一编号；xi表示第i台装置的出力；ΔS为配电网各支路网损之和；W(x1,x2,x3…xn)的具体形式如式(9)所示；ΔS的具体形式如式(10)所示：
式(9)中，A为当前电价；t为放电时间；
式(10)中，m为配电网拓扑结构中总的支路数；Si表示第i条支路的网损；式(11)中，i和j表示由节点i和节点j构成的支路bi，i和j即为节点编号；Ui为节点i的节点电压；Uj为节点j的节点电压；Rij表示由节点i和节点j构成的支路的总电阻。
进一步，步骤2-3)所述随机-精英策略、双点交叉策略、移民策略的变异的具体方法为：随机精英策略具体步骤：选择初始种群中随机的a个个体，a<解群规模M，并判定a个个体中适应值最高的个体，将其直接保存到下一代种群中，循环进行此步骤，当保存个数达到解群规模M时，停止筛选，此为随机策略。精英策略的指，本代解群中适应值最大的个体(染色体)，不进行任何处理直接进入下一代种群，而除此之外的个体，均进行交叉和变异，并等概率遗传到下一代种群。将随机策略和精英策略结合，即为随机-精英策略，保证了解群的多样性，同时又保证了解群的高适应度。
如图3所示，双点交叉策略具体步骤：将本代种群中的染色体进行两两随机组队，染色体是经过二进制编码的的数据，选择两个随机断点，两个染色体均从此处断开，然后交换两断点中间部分染色体，组成两个新染色体，并将两个染色体分别带入本代解群中求解群适应度，保留适应度高的新染色体，遗传到下一代种群中，此即为双点交叉策略。
移民策略是指更新种群中染色体的一种策略，可以避免种群早熟和保持种群的多样性。移民策略具体步骤：记录20代种群的适应值，判断20代种群的适应值变化量，如果变化量低于预设的阈值，判定为早熟，将增加新的染色体用于替换种群中适应值最差的染色体，新染色体的产生采用变异手段对原种群中的同等数量的染色体进行变异。
以2个100kWh退役电池堆、4辆30kwh的电动汽车构成的B2G和V2G为例，退役电池堆出力以Ai(i＝1,2)表示，电动汽车出力以Bi(i＝1,2,3,4)表示，进行统一编码，待求解可表示为X＝[x1,x2,x3,x4,x5,x6]，当前电价为1元每kWh。给定每个待求解的解范围，如-30≤x5≤30，得到算法的初始种群，确定交叉概率pc＝0.45和遗传概率pm＝0.06，以及最大迭代次数100。将退役电池堆和电动汽车的初始出力计划(X0＝[50，50，15，15，15])放入26节点配网进行潮流计算，得到当下潮流情况下的网损，结合当前电价和出力时间，计算得到目标函数J0＝0.2359；对出力计划采用遗传算法进行重组，得到J1＝0.2219；经过100次迭代得到J99＝0.00151。从而得到最优出力计划X99＝[61.54，64.82，10.21，13.00，11.82，13.44]。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于遗传算法的B2G和V2G配电网功率控制系统，其特征在于：所述系统包括有与配电网、分布式电源、退役电池堆和电动汽车进行数据交互的控制中心，控制中心通过充电桩与电动汽车电连接，充电桩分别与退役电池堆和分布式电源电连接；
所述遗传算法的具体步骤如下：
2-1)遗传算法将进行统一编码的电动汽车和退役电池堆的出力计划(x1,x2,x3…xn)进行初始化，得到(x1,x2,x3…xn)0；
2-2)将出力计划用于配电网潮流计算，并得到目标函数值J0，并将结果进行存储，目标函数为：
其中，W(x1,x2,x3…xn)为V2G与B2G智能结合出力的经济收益，其中n为电动汽车与退役电池堆总个数，需要对每一台电动汽车和退役电池堆进行统一编号；xi，i＝1，2，3…n，表示第i台装置出力；ΔS为配网各支路网损之和；
2-3)利用遗传算法对初始化的出力计划(x1,x2,x3…xn)进行随机-精英策略、双点交叉策略、移民策略的变异，从而得到新的出力计划(x1,x2,x3…xn)1；
2-4)转向步骤2-2)，得到J1，并将结果进行存储；
2-5)制定迭代次数，对步骤2-2)至步骤2-4)进行重复运算，求得最优的出力计划。
2.如权利要求1所述的B2G和V2G配电网功率控制系统，其特征在于：所述配电网将配电网、分布式电源、退役电池堆和电动汽车的状态信息发送至控制中心，控制中心根据配电网状态信息制定退役电池堆并网的出力计划，并根据用户响应和控制计划，制定电动汽车的充放电计划。
3.如权利要求1所述的B2G和V2G配电网功率控制系统，其特征在于：控制中心与充电桩之间通过宽带电力线载波通信；充电桩上配置人机交互界面，用户通过人机交互界面配合控制中心定制充放电计划及费用结算。
4.如权利要求1所述的B2G和V2G配电网功率控制系统，其特征在于：充电桩通过图像识别技术读取电动汽车的车辆信息或通过无线通信技术与车载终端进行信息交互，获取电动汽车的车辆信息。
5.如权利要求1所述的B2G和V2G配电网功率控制系统，其特征在于：所述系统还包括有废旧电池堆管理子系统，废旧电池堆管理子系统获取退役电池堆的状态信息，并通过宽带电力线载波通信方式发送给控制中心。
6.一种如权利要求1至5任意一项所述的控制系统进行基于遗传算法的B2G和V2G的配电网功率控制方法，其特征在于，具体步骤如下：
1)控制中心采集配电网的状态信息、电动汽车的电量信息、分布式电源的状态信息和退役电池堆的状态信息；
2)控制中心采用遗传算法计算电动汽车和退役电池堆的出力计划，再将输出指令发送至电动汽车车载终端和退役电池堆；步骤2)中所述遗传算法的具体步骤如下：
2-1)遗传算法将进行统一编码的电动汽车和退役电池堆的出力计划(x1,x2,x3…xn)进行初始化，得到(x1,x2,x3…xn)0；
2-2)将出力计划用于配电网潮流计算，并得到目标函数值J0，并将结果进行存储，目标函数为：
其中，W(x1,x2,x3…xn)为V2G与B2G智能结合出力的经济收益，其中n为电动汽车与退役电池堆总个数，需要对每一台电动汽车和退役电池堆进行统一编号；xi，i＝1，2，3…n，表示第i台装置出力；ΔS为配网各支路网损之和；
2-3)利用遗传算法对初始化的出力计划(x1,x2,x3…xn)进行随机-精英策略、双点交叉策略、移民策略的变异，从而得到新的出力计划(x1,x2,x3…xn)1；
2-4)转向步骤2-2)，得到J1，并将结果进行存储；
2-5)制定迭代次数，对步骤2-2)至步骤2-4)进行重复运算，求得最优的出力计划。
7.如权利要求6所述的基于遗传算法的B2G和V2G配电网功率控制方法，其特征在于，步骤2-2)所述配电网潮流计算为基于NRM的牛顿类算法，其具体方法为：
2-2-1)将节点电压和导纳表示为直角坐标向量时，其表达式如式(2)：
式中，Vi为节点i的电压，ei和fi分别为其实部和虚部；Yij为节点i和节点j之间支路的导纳；Gij为电导；Bij为电纳；
2-2-2)根据节点电压，可将节点负荷表示为式(3)：
式中，Pi为节点i的有功负荷；Qi为节点i的无功负荷；
对于PQ节点，其节点功率不平衡量△Pi和△Qi为式(4)：
对于PV节点，其节点功率和电压不平衡量为式(5)：
2-2-3)2-2-3)对于N个节点的系统，第N个节点为平衡节点，而平衡节点的电压已知，因此不必参与迭代计算，因此式(4)和式(5)的方程组共有2(N-1)个方程式，待求变量为e1，f1，e2，f2，…，en-1，fn-1，共2(N-1)个待求量，方程组(4)和方程组(5)共同构成2(N-1)个联立的非线性代数方程，此方程组的修正方程组为式(6)：
△W＝-J△V (6)
2-2-4)根据式(6)计算出节点电压的修正量△ei (k)和△fi (k)，那么迭代后的节点电压为：
2-2-5)利用ei (k)和fi (k)，根据式(4)和式(5)计算△Pi (k)，△Qi (k)及△Vi 2(k)，并校验其是否收敛，容许误差ε＝10-5，如果收敛，则计算平衡节点功率和全部线路功率，以及目标函数J(k)；如果不收敛，则采用ei (k+1)和fi (k+1)继续循环计算，直到收敛，并计算目标函数J(k+1)，到此一次完整的计算结束。然后采用遗传算法改变退役电池堆和电动汽车的出力，即改变PQ节点的节点功率，再次进行潮流计算，收敛后并计算目标函数。该方法的目标函数为：
其中，W(x1,x2,x3…xn)为V2G与B2G智能结合出力的经济收益，其中n为电动汽车与退役电池堆总个数，需要对每一台电动汽车和退役电池堆进行统一编号；xi表示第i台装置的出力；ΔS为配电网各支路网损之和；W(x1,x2,x3…xn)的具体形式如式(9)所示；ΔS的具体形式如式(10)所示：
式(9)中，A为当前电价；t为放电时间；
式(10)中，m为配电网拓扑结构中总的支路数；Si表示第i条支路的网损；式(11)中，i和j表示由节点i和节点j构成的支路bi，i和j即为节点编号；Ui为节点i的节点电压；Uj为节点j的节点电压；Rij表示由节点i和节点j构成的支路的总电阻。
8.如权利要求7所述的基于遗传算法的B2G和V2G配电网功率控制方法，其特征在于，步骤2-3)所述随机-精英策略、双点交叉策略、移民策略的变异的具体方法为：
随机精英策略具体步骤：选择初始种群中随机的a个个体，a<解群规模M，并判定a个个体中适应值最高的个体，将其直接保存到下一代种群中，循环进行此步骤，当保存个数达到解群规模M时，停止筛选；
精英策略，本代解群中适应值最大的染色体个体，不进行任何处理直接进入下一代种群，而除此之外的个体，均进行交叉和变异，并等概率遗传到下一代种群，将随机策略和精英策略结合；
双点交叉策略具体步骤：将本代种群中的染色体进行两两随机组队，染色体是经过二进制编码的的数据，选择两个随机断点，两个染色体均从此处断开，然后交换两断点中间部分染色体，组成两个新染色体，并将两个染色体分别带入本代解群中求解群适应度，保留适应度高的新染色体，遗传到下一代种群中；
移民策略具体步骤：记录20代种群的适应值，判断20代种群的适应值变化量，如果变化量低于预设的阈值，判定为早熟，将增加新的染色体用于替换种群中适应值最差的染色体，新染色体的产生采用变异手段对原种群中的同等数量的染色体进行变异。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610832597.5A CN107026450B (zh) | 2016-09-19 | 2016-09-19 | 基于遗传算法的b2g和v2g配电网功率控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610832597.5A CN107026450B (zh) | 2016-09-19 | 2016-09-19 | 基于遗传算法的b2g和v2g配电网功率控制系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107026450A CN107026450A (zh) | 2017-08-08 |
| CN107026450B true CN107026450B (zh) | 2019-10-15 |
Family
ID=59524053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610832597.5A Active CN107026450B (zh) | 2016-09-19 | 2016-09-19 | 基于遗传算法的b2g和v2g配电网功率控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107026450B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108563839B (zh) * | 2018-03-23 | 2022-04-05 | 哈尔滨工程大学 | 一种核设施退役模型程式化仿真方法 |
| CN108909964A (zh) * | 2018-04-25 | 2018-11-30 | 哈尔滨工程大学 | 一种多航态下的船舶减摇控制器切换控制方法 |
| CN110932300B (zh) * | 2019-12-18 | 2022-05-13 | 国网福建省电力有限公司 | 一种考虑梯次利用储能的配电网优化调度方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102832662A (zh) * | 2012-08-08 | 2012-12-19 | 中国电力科学研究院 | 电动汽车充放储一体化系统 |
| CN103138019A (zh) * | 2013-01-28 | 2013-06-05 | 佛山市邦普循环科技有限公司 | 一种电动汽车用动力电池的余能梯次利用方法 |
| CN104063596A (zh) * | 2014-06-20 | 2014-09-24 | 上海电力学院 | 一种电动汽车充放储一体站接入配电网电压分布计算方法 |
| CN205081480U (zh) * | 2015-09-17 | 2016-03-09 | 比亚迪股份有限公司 | 电池储能系统 |
| CN105914799A (zh) * | 2016-05-03 | 2016-08-31 | 北京北变微电网技术有限公司 | V2g交直流混合微电网供电体系结构 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8762189B2 (en) * | 2012-02-24 | 2014-06-24 | Nec Laboratories America, Inc. | Systems and methods for stochastically using electric vehicles as mobile energy storage |
-
2016
- 2016-09-19 CN CN201610832597.5A patent/CN107026450B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102832662A (zh) * | 2012-08-08 | 2012-12-19 | 中国电力科学研究院 | 电动汽车充放储一体化系统 |
| CN103138019A (zh) * | 2013-01-28 | 2013-06-05 | 佛山市邦普循环科技有限公司 | 一种电动汽车用动力电池的余能梯次利用方法 |
| CN104063596A (zh) * | 2014-06-20 | 2014-09-24 | 上海电力学院 | 一种电动汽车充放储一体站接入配电网电压分布计算方法 |
| CN205081480U (zh) * | 2015-09-17 | 2016-03-09 | 比亚迪股份有限公司 | 电池储能系统 |
| CN105914799A (zh) * | 2016-05-03 | 2016-08-31 | 北京北变微电网技术有限公司 | V2g交直流混合微电网供电体系结构 |
Non-Patent Citations (1)
| Title |
|---|
| 电动汽车与智能电网从V2G到B2G的全新结合模式;薛飞 等;《电网技术》;20120229;29-34 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107026450A (zh) | 2017-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kavousi-Fard et al. | Stochastic reconfiguration and optimal coordination of V2G plug-in electric vehicles considering correlated wind power generation | |
| CN106487005B (zh) | 一种考虑输配电价的电网规划方法 | |
| Wang et al. | Traffic-constrained multiobjective planning of electric-vehicle charging stations | |
| CN108944531A (zh) | 一种电动汽车有序充电控制方法 | |
| CN104281889B (zh) | 电动汽车ev充电负荷多目标随机规划方法 | |
| CN107979092A (zh) | 一种考虑分布式电源与软开关接入的配电网动态重构方法 | |
| CN107026450B (zh) | 基于遗传算法的b2g和v2g配电网功率控制系统及方法 | |
| Kavousi-Fard et al. | Optimal distribution feeder reconfiguration for increasing the penetration of plug-in electric vehicles and minimizing network costs | |
| CN106786977B (zh) | 一种电动汽车充电站的充电调度方法 | |
| CN105449675A (zh) | 优化分布式能源接入点和接入比例的电力网络重构方法 | |
| CN105321003A (zh) | 一种含vsc-hvdc的交直流系统多目标潮流优化方法 | |
| CN106941256B (zh) | 计及mpsc和mccc的配电网主变联络结构优化规划方法 | |
| CN103034912A (zh) | 一种分布式电源选址定容的优化方法 | |
| CN108562300A (zh) | 考虑目的地导向及下一行程用电需求的电动汽车充电引导方法 | |
| CN104917173A (zh) | 适应配电网大容量负荷转移的配电网优化方法 | |
| CN106329568A (zh) | 户商型光伏发电经济调度控制系统 | |
| CN109560574A (zh) | 一种考虑不确定因素的智能配电网网架规划方法 | |
| CN107274085A (zh) | 一种双电型船舶的储能设备的优化管理方法 | |
| CN110276517A (zh) | 一种基于mopso算法的电动汽车充电站选址方法 | |
| CN108808664A (zh) | 一种考虑电网分区优化运行的城市电网规划方法 | |
| CN104156774B (zh) | 一种考虑了相邻系统的电力支援方法 | |
| CN110034596A (zh) | WRSNs中基于SOM神经网络的多基站充电方法 | |
| CN115660346A (zh) | 一种基于边缘控制的规模化车网互动负荷调控方法 | |
| CN104484555B (zh) | 评估220kV自愈式环网最大供电能力的方法 | |
| Gupta et al. | A simplified sine cosine algorithm for the solution of optimal reactive power dispatch |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |