CN108629446A - 考虑含分布式电源配电网可靠性的充电站选址定容方法 - Google Patents

Abstract

本发明提供一种考虑含分布式电源配电网可靠性的充电站选址定容方法，包括以下步骤：1、确定配电网中充电站建设的容量和数量约束；2、建立一个适用于含分布式电源配电网的、计及建设成本、停电损失成本、充电站服务半径约束的充电站选址定容模型；3、构建计及停电损失成本的最小化年均综合成本和考虑分布式电源影响的最小化平均持续停电时间的目标函数；4、用改进多目标遗传算法求解该充电站选址定容模型，经寻优迭代，搜索出优化多目标的函数的最佳折中解；5、输出最优的电动汽车充电站选址定容方案；本发明充分地考虑了分布式电源和电动汽车充电站对配电网可靠性的影响，能进一步提高大量电动汽车接入配电网的可靠性。

Description

考虑含分布式电源配电网可靠性的充电站选址定容方法

技术领域

本发明涉及一种考虑含分布式电源配电网可靠性的充电站选址定容方法，具体在于提供一种在有分布式电源接入配电网的情况下，考虑配电网可靠性的电动汽车充电站选址定容方法。

背景技术

随着环境日益恶化、能源逐渐枯竭以及电池技术的瓶颈不断被突破，大量绿色能源发电入网及电动汽车重新受到人们的关注。为了推动电动汽车产业的快速发展，服务于电动汽车的充电站这一基础设施正大力建设，充电站的接入位置及容量对配电网的供电可靠性有重要影响。

然而，现阶段建立充电站的选址定容模型时，一般只是考虑用户的出行习惯、城市的路网结构、建设成本等信息，未能充分考虑电动汽车充电站对配电网可靠性造成的影响，这很可能导致充电站接入配电网后，配电网的可靠性降低，甚至威胁配电网的安全运行。

发明内容

本发明要解决的技术问题是提供了一种考虑含分布式电源配电网可靠性的充电站选址定容方法，用于在分布式电源入网后，并且尽可能不降低供电可靠性的前提下，解决电动汽车充电站的选址定容问题。

本发明采用的技术方案是：一种考虑含分布式电源配电网可靠性的电动汽车充电站选址定容方法，包括以下步骤：

步骤1：确定配电网中可建设充电站的节点和本区域内电动汽车充电站的建设数量、可选择的充电站容量大小和充电站建设的最小容量及其约束条件，约束条件如下式(1)～式(3)所示；其中变量i表示配电网中的节点编号，B表示配电网中所有节点的总数，S_i表示i节点处充电站的建设容量，当S_i＝0时，表示在i节点处不建设充电站；否则，表示i节点建设容量为S_i的充电站，S_{EV min}表示充电站建设的最小容量，N_min表示充电站建设个数的下限，N_max表示充电站建设个数的上限，

步骤2：建立一个适用于含分布式电源配电网的、计及充电站建设成本和停电损失成本、充电站服务半径和电网约束的电动汽车充电站选址定容模型；

步骤2.1：构建包括投资、维护和运行成本在内的年均建设成本函数，如下式(4)所示；其中C_C为充电站的年均建设成本，r₀为充电站的年回收率，m为运行年限，C_I、C_M和C_O为投资、维护和运行成本，都是单位容量费用，

步骤2.2：构建电动汽车的合理续航里程函数，如下式(5)所示；其中d_EV为电动汽车的合理续航里程；P_EV为电动汽车发动机的额定功率；η_EV为电动汽车将电能转化成机械能的总效率；v_EV为与电动汽车续航里程有关的国家标准中所规定的匀速行驶速度；SOC_opt为电池组最佳放电深度时的荷电状态；SOC_max为电池组处于放电极限时的荷电状态；W_EV为电池组的额定容量；V_EV为电池组的端电压；η_I为电池组的额定放电电流与实际放电电流之比，

步骤2.3：通过电动汽车的合理续航里程d_EV确定电动汽车充电站的服务半径，其不等式约束如下式(6)所示；其中d_R为电动汽车充电站的服务半径，d_cs为两个相邻充电站之间的距离，

步骤2.4：构建停电损失成本函数，如下式(7)所示；其中C_R表示停电损失成本，br为配电网中的支路编号，Br为配电网中支路的总数，λ_br为br号支路单位长度的故障率，l_br为br号支路的长度，Isl表示配电网发生故障时孤岛内节点的集合，CDF_i为节点i处的停电损失函数，L_i为受停电影响的节点i处的负荷大小，包括节点的负荷与充电站的负荷S_i，t_re、t_sw分别是故障修复时间和故障切换时间，

步骤3：构建计及停电损失成本的最小化年均综合成本和考虑分布式电源影响的最小化平均持续停电时间的目标函数，如下式(8～10)所示；其中C_cost为充电站的年均综合成本，ASIDI为平均持续停电时间，f为目标函数，

C_cost＝C_R+C_C (8)

min f＝min(C_cost,ASIDI) (10)

步骤4：用改进多目标遗传算法求解步骤1～步骤3建立的充电站选址定容模型，经寻优迭代，搜索出优化多目标的函数的最佳折中解；

步骤4.1：染色体编码及种群初始化；染色体采用如下式(11)所示的整数编码，其中染色体的基因都是表示各个节点建立充电站的容量，

S＝{S₁,S₂,…,S_B} (11)

式(11)中，S₁，S₂，S_B表示在1，2，B节点处充电站的建设容量；

步骤4.2：确定适应度函数；目标函数中的各子目标函数都要求取极小值，但是，各目标函数不可能同时取到极小值，为了使目标函数求得最优解，利用模糊隶属度分别描述帕累托最优解集中的各子目标函数对应的满意度，从而选出一个最佳折中解，具体步骤如下：

对于数学模型如下式(12)所示的优化问题：

min f＝min(f₁,f₂,…,f_N) (12)

其模糊隶属度可用下式(13)表示为：

将帕累托最优解集中各个染色体对于目标函数的标准化满意度作为各染色体的适应度，即：

式(12～14)中，N为目标函数的总个数；f为目标函数；f₁,f₂,…,f_N为各子目标函数，f_j为第j个子目标函数的函数值；和分别为第j个子目标函数的最大值和最小值；p_j为第j个子目标函数对应的满意度；fitness为染色体对于目标函数的标准化满意度，即适应度值；

步骤4.3：选择过程；采用适应度比例法和最佳个体保留法相结合的选择策略，首先采用适应度比例法选择，选择每个染色体的概率与其适应度值成比例，如下式(15)所示，随后，采用最佳个体保留法将上一代的适应度最佳的个体直接保存下来，同时从产生的新的子代中淘汰一个适应度最差的个体，

式(15)中，P_i为个体x_i被选中的概率，fitness(x_i)为个体x_i对于目标函数的标准化满意度，NP为种群大小；

步骤4.4：交叉和变异过程；在进行交叉操作时，通过混合交叉法进行实值重组；采用实值变异进行变异操作；

步骤4.5：迭代收敛条件；连续多代子代出现的最优个体的适应度等于父代最优个体适应度时，就终止运算；

步骤5：输出最优解映射的电动汽车充电站选址定容方案。

本发明的有益效果是：1、建立了一种考虑含分布式电源配电网可靠性的电动汽车充电站选址定容模型；2、提出了一种通过改进多目标遗传算法求解优化模型，得出考虑含分布式电源配电网可靠性的充电站配置最优方案的方法；3、所提模型的方法能够优化含分布式电源的配电网中充电站选址定容方案，更进一步的提高配电网的可靠性，为电动汽车的长远发展提供有力的技术支撑。

附图说明

图1为本发明的整体步骤流程框图；

图2为改进的IEEE 33节点配电网拓扑图(图中数字编号分别为线路编号和母线编号)；

图3为改进多目标遗传算法收敛曲线图；

图4为优化后充电站最佳配置示意图(图中数字编号分别为线路编号和母线编号)。

具体实施方式

下面结合实施例及附图对本发明作进一步的详细说明，但本发明的实施方式不限于此。

实施例1：如图1-4所示，一种考虑含分布式电源配电网可靠性的充电站选址定容方法，包括以下步骤：

步骤1：确定配电网中可建设充电站的节点和本区域内电动汽车充电站的建设数量、可选择的充电站容量大小和充电站建设的最小容量及其约束条件，约束条件如下式(1)～式(3)所示；其中变量i表示配电网中的节点编号，B表示配电网中所有节点的总数，S_i表示i节点处充电站的建设容量，当S_i＝0时，表示在i节点处不建设充电站；否则，表示i节点建设容量为S_i的充电站，S_EVmin表示充电站建设的最小容量，N_min表示充电站建设个数的下限，N_max表示充电站建设个数的上限，

步骤2：建立一个适用于含分布式电源配电网的、计及充电站建设成本和停电损失成本、充电站服务半径和电网约束的电动汽车充电站选址定容模型；

步骤2.1：构建包括投资、维护和运行成本在内的年均建设成本函数，如下式(4)所示；其中C_C为充电站的年均建设成本，r₀为充电站的年回收率，m为运行年限，C_I、C_M和C_O为投资、维护和运行成本，都是单位容量费用，

步骤2.2：构建电动汽车的合理续航里程函数，如下式(5)所示；其中d_EV为电动汽车的合理续航里程；P_EV为电动汽车发动机的额定功率；η_EV为电动汽车将电能转化成机械能的总效率；v_EV为与电动汽车续航里程有关的国家标准中所规定的匀速行驶速度；SOC_opt为电池组最佳放电深度时的荷电状态；SOC_max为电池组处于放电极限时的荷电状态；W_EV为电池组的额定容量；V_EV为电池组的端电压；η_I为电池组的额定放电电流与实际放电电流之比，

步骤2.3：通过电动汽车的合理续航里程d_EV确定电动汽车充电站的服务半径，其不等式约束如下式(6)所示；其中d_R为电动汽车充电站的服务半径，d_cs为两个相邻充电站之间的距离，

步骤2.4：构建停电损失成本函数，如下式(7)所示；其中C_R表示停电损失成本，br为配电网中的支路编号，Br为配电网中支路的总数，λ_br为br号支路单位长度的故障率，l_br为br号支路的长度，Isl表示配电网发生故障时孤岛内节点的集合，CDF_i为节点i处的停电损失函数，L_i为受停电影响的节点i处的负荷大小，包括节点的负荷与充电站的负荷S_i，t_re、t_sw分别是故障修复时间和故障切换时间，

步骤3：构建计及停电损失成本的最小化年均综合成本和考虑分布式电源影响的最小化平均持续停电时间的目标函数，如下式(8～10)所示；其中C_cost为充电站的年均综合成本，ASIDI为平均持续停电时间，f为目标函数，

C_cost＝C_R+C_C (8)

min f＝min(C_cost,ASIDI) (10)

步骤4：用改进多目标遗传算法求解步骤1～步骤3建立的充电站选址定容模型，经寻优迭代，搜索出优化多目标的函数的最佳折中解；

步骤4.1：染色体编码及种群初始化；染色体采用如下式(11)所示的整数编码，其中染色体的基因都是表示各个节点建立充电站的容量，

S＝{S₁,S₂,…,S_B} (11)

式(11)中，S₁，S₂，S_B表示在1，2，B节点处充电站的建设容量；

步骤4.2：确定适应度函数；目标函数中的各子目标函数都要求取极小值，但是，各目标函数不可能同时取到极小值，为了使目标函数求得最优解，利用模糊隶属度分别描述帕累托最优解集中的各子目标函数对应的满意度，从而选出一个最佳折中解，具体步骤如下：

对于数学模型如下式(12)所示的优化问题：

min f＝min(f₁,f₂,…,f_N) (12)

其模糊隶属度可用下式(13)表示为：

将帕累托最优解集中各个染色体对于目标函数的标准化满意度作为各染色体的适应度，即：

式(12～14)中，N为目标函数的总个数；f为目标函数；f₁,f₂,…,f_N为各子目标函数，f_j为第j个子目标函数的函数值；和分别为第j个子目标函数的最大值和最小值；p_j为第j个子目标函数对应的满意度；fitness为染色体对于目标函数的标准化满意度，即适应度值；

步骤4.3：选择过程；采用适应度比例法和最佳个体保留法相结合的选择策略，首先采用适应度比例法选择，选择每个染色体的概率与其适应度值成比例，如下式(15)所示，随后，采用最佳个体保留法将上一代的适应度最佳的个体直接保存下来，同时从产生的新的子代中淘汰一个适应度最差的个体，

式(15)中，P_i为个体x_i被选中的概率，fitness(x_i)为个体x_i对于目标函数的标准化满意度，NP为种群大小；

步骤4.4：交叉和变异过程；在进行交叉操作时，通过混合交叉法进行实值重组；采用实值变异进行变异操作；

步骤4.5：迭代收敛条件；连续多代子代出现的最优个体的适应度等于父代最优个体适应度时，就终止运算；

步骤5：输出最优解映射的电动汽车充电站选址定容方案。

举例说明：下面以在15节点接入一个输出功率为800kW的恒定分布式电源的改进IEEE33节点配电网为实施例，如图2所示，进一步说明本发明的操作过程。

假设1、商业和住宅用户处被认为是电动汽车充电站的候选地址；

假设2、两充电站之间的距离为其所在配电网中两个节点之间的线路的长度。

相关参数设置如下表(1～4)所示。

表1 IEEE33节点配电网支路长度

表2 IEEE33节点配电网各点负荷分布

注：负荷等级中的1、2和3分别表示的是住宅、商业和工业负荷

表3 负荷停电损伤函数CDF

注：表中t表示停电时间

表4 充电站建设参数

电动汽车相关参数，发动机的额定功率P_EV＝60kW；总效率η_EV＝90％；电动汽车的匀速行驶速度v_EV＝40km/h；电池组的端电压V_EV＝380V；电池组的额定容量W_EV＝100Ah；电池组最佳放电深度时的荷电状态SOC_opt＝50％；电池组处于放电极限时的荷电状态SOC_max＝30％；电流比为η_I＝1.38；

针对图2所示的改进的IEEE 33节点配电网，按步骤1计划在整个配电网中建设的充电站总容量为2000kW，充电站的建站数量约束为3≤N≤6；根据步骤2和步骤3建立考虑含分布式电源配电网可靠性的充电站选址定容模型，按照表(1～4)的参数设置计算目标函数；再按照步骤4利用MATLAB软件实现改进多目标遗传算法的寻优迭代过程，求解选址定容模型；其中改进多目标遗传算法参数设置：种群大小为100；交叉概率为0.9；变异概率为0.1；当连续150代进化适应值都不发生改变时，结束迭代；迭代过程中改进遗传算法的收敛曲线如附图3所示。由图可以看出进化53代左右之后，个体最优满意度趋于稳定，说明在53次迭代后，能得到目标函数的稳定解，收敛速度较快。最后按照步骤5将最优解映射到充电站的选址定容配置如下表5所示，在配电网中的配置如附图4所示，相关的优化指标如下表6所示。

表5 充电站最佳配置结果

表6 优化指标结果

算例显示，本发明所提方法能适用于优化考虑含分布式电源配电网可靠性的充电站选址定容方案，采用本方法得到的充电站配置方案具有较好的经济性。

本发明在配电网接入分布式电源的情况下，将体现供电可靠性水平的停电损失成本和平均中断持续时间指标引入到优化模型中，以最小年均综合成本和最小平均中断持续时间为目标，建立了考虑含分布式电源配电网可靠性的电动汽车充电站选址定容模型；通过改进的多目标遗传算法求解该模型，得到充电站的最佳选址和容量配置。

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (1)

1.一种考虑含分布式电源配电网可靠性的充电站选址定容方法，其特征在于：包括以下步骤：

步骤1：确定配电网中可建设充电站的节点和本区域内电动汽车充电站的建设数量、可选择的充电站容量大小和充电站建设的最小容量及其约束条件，约束条件如下式(1)～式(3)所示；其中变量i表示配电网中的节点编号，B表示配电网中所有节点的总数，S_i表示i节点处充电站的建设容量，当S_i＝0时，表示在i节点处不建设充电站；否则，表示i节点建设容量为S_i的充电站，S_EVmin表示充电站建设的最小容量，N_min表示充电站建设个数的下限，N_max表示充电站建设个数的上限，

步骤2：建立一个适用于含分布式电源配电网的、计及充电站建设成本和停电损失成本、充电站服务半径和电网约束的电动汽车充电站选址定容模型；

步骤2.1：构建包括投资、维护和运行成本在内的年均建设成本函数，如下式(4)所示；其中C_C为充电站的年均建设成本，r₀为充电站的年回收率，m为运行年限，C_I、C_M和C_O为投资、维护和运行成本，都是单位容量费用，

步骤2.2：构建电动汽车的合理续航里程函数，如下式(5)所示；其中d_EV为电动汽车的合理续航里程；P_EV为电动汽车发动机的额定功率；η_EV为电动汽车将电能转化成机械能的总效率；v_EV为与电动汽车续航里程有关的国家标准中所规定的匀速行驶速度；SOC_opt为电池组最佳放电深度时的荷电状态；SOC_max为电池组处于放电极限时的荷电状态；W_EV为电池组的额定容量；V_EV为电池组的端电压；η_I为电池组的额定放电电流与实际放电电流之比，

步骤2.3：通过电动汽车的合理续航里程d_EV确定电动汽车充电站的服务半径，其不等式约束如下式(6)所示；其中d_R为电动汽车充电站的服务半径，d_cs为两个相邻充电站之间的距离，

步骤2.4：构建停电损失成本函数，如下式(7)所示；其中C_R表示停电损失成本，br为配电网中的支路编号，Br为配电网中支路的总数，λ_br为br号支路单位长度的故障率，l_br为br号支路的长度，Isl表示配电网发生故障时孤岛内节点的集合，CDF_i为节点i处的停电损失函数，L_i为受停电影响的节点i处的负荷大小，包括节点的负荷与充电站的负荷S_i，t_re、t_sw分别是故障修复时间和故障切换时间，

步骤3：构建计及停电损失成本的最小化年均综合成本和考虑分布式电源影响的最小化平均持续停电时间的目标函数，如下式(8～10)所示；其中C_cost为充电站的年均综合成本，ASIDI为平均持续停电时间，f为目标函数，

C_cost＝C_R+C_C (8)

minf＝min(C_cost,ASIDI) (10)

步骤4：用改进多目标遗传算法求解步骤1～步骤3建立的充电站选址定容模型，经寻优迭代，搜索出优化多目标的函数的最佳折中解；

步骤4.1：染色体编码及种群初始化；染色体采用如下式(11)所示的整数编码，其中染色体的基因都是表示各个节点建立充电站的容量，

S＝{S₁,S₂,…,S_B} (11)

式(11)中，S₁，S₂，S_B表示在1，2，B节点处充电站的建设容量；

步骤4.2：确定适应度函数；目标函数中的各子目标函数都要求取极小值，但是，各目标函数不可能同时取到极小值，为了使目标函数求得最优解，利用模糊隶属度分别描述帕累托最优解集中的各子目标函数对应的满意度，从而选出一个最佳折中解，具体步骤如下：

对于数学模型如下式(12)所示的优化问题：

minf＝min(f₁,f₂,…,f_N) (12)

其模糊隶属度可用下式(13)表示为：

将帕累托最优解集中各个染色体对于目标函数的标准化满意度作为各染色体的适应度，即：

式(12～14)中，N为目标函数的总个数；f为目标函数；f₁,f₂,…,f_N为各子目标函数，f_j为第j个子目标函数的函数值；和分别为第j个子目标函数的最大值和最小值；p_j为第j个子目标函数对应的满意度；fitness为染色体对于目标函数的标准化满意度，即适应度值；

步骤4.3：选择过程；采用适应度比例法和最佳个体保留法相结合的选择策略，首先采用适应度比例法选择，选择每个染色体的概率与其适应度值成比例，如下式(15)所示，随后，采用最佳个体保留法将上一代的适应度最佳的个体直接保存下来，同时从产生的新的子代中淘汰一个适应度最差的个体，

式(15)中，P_i为个体x_i被选中的概率，fitness(x_i)为个体x_i对于目标函数的标准化满意度，NP为种群大小；

步骤4.4：交叉和变异过程；在进行交叉操作时，通过混合交叉法进行实值重组；采用实值变异进行变异操作；

步骤4.5：迭代收敛条件；连续多代子代出现的最优个体的适应度等于父代最优个体适应度时，就终止运算；

步骤5：输出最优解映射的电动汽车充电站选址定容方案。