CN116108948A - 一种配电网风光及v2g充电站选址定容优化方法 - Google Patents

Abstract

本发明公开了一种配电网风光及V2G充电站选址定容优化方法。通过天牛须改进粒子群算法对风电、光伏以及V2G充电站的选址和容量优化，充分考虑配电网的经济性和可再生能源的消纳。本发明中以建设成本、运维成本、网损费用和弃风弃光惩罚为适应度函数，将V2G场站24小时运作情况(包括可接纳EV的容量和最优选址)以及风电光伏的选址定容进行粒子群编码，通过天牛须改进粒子群方法进行迭代，最终求解得到最优的位置和容量。实施本发明的方法，可以提高选址定容的速度以及准确性。

Description

一种配电网风光及V2G充电站选址定容优化方法

技术领域

本发明涉及电力市场技术领域，特别是涉及一种基于天牛须改进粒子群算法的配电网风光及V2G(Vehicle to Grid，车辆到电网)充电站选址定容优化方法。

背景技术

随着电动汽车保有量不断上升，城市电动车充电站的选址定容规划需要提上日程。而近年来V2G双向互动技术的相关应用为电动汽车灵活应用提供了新的思路与视野，

目前存在一些分布式能源选址定容方法，但V2G充电站与分布式能源存在较大的区别。也有人采用粒子群算法或者其他启发式算法进行选址定容，但是搜索速度和全局寻优能力均没有天牛须改进粒子群算法效果好。

传统的启发式算法对V2G充电场站的选址和接纳的容量搜索较慢，易于陷入局部最优解。没有把风电、光伏接入的情况讨论视为优化问题的一部分，也较少考虑同时规划多场景的选址定容。

发明内容

本发明所要解决的技术问题在于，提供一种配电网风光及V2G充电站选址定容优化方法，通过采用基于天牛须改进粒子群算法，提高了选址定容的速度以及准确性。

为解决上述技术问题，作为本发明的一方面，提供一种配电网风光及V2G充电站选址定容优化方法，至少包括如下步骤：

步骤S10，根据选址相关的参数建立初始化粒子群，并设置初始化粒子群中每一粒子的位置、速度，所述初始化粒子群中的粒子维度为充电站的各类选址定容参数所对应的变量，所述各类选址定容参数至少包括：V2G场站的位置坐标、允许介入的EV(电动汽车)数量、一天各时间段的工作状态、风电光伏的位置坐标以及风电光优容量；

步骤S11，根据适应度函数计算各粒子的适应度值，获得本轮各粒子的局部最优位置以及所述粒子群的全局最优位置；

步骤S12，采用天牛须改进粒子群算法，进行启发式搜索迭代，结合前一轮各粒子的局部最优位置以及所述粒子群的全局最优位置，更新粒子群中每一粒子的速度、位置；

步骤S13，在达到预设置的迭代停止条件后，停止迭代；

步骤S14，获得停止迭代后的各粒子的局部最优值，确定最优的充电站的各类选址定容参数。

优选地，所述步骤S11进一步包括：

采用如下适应度函数公式计算当前各粒子位置的适应度值；

F＝F₁+F₂+F₃+F₄

式中，F₁为建设成本，F₂为运维成本，F₃为网损费用，F₄为弃风及弃光成本；

将所述各粒子的初始适应度函数取值作为所述粒子的局部最优值，将各粒子的位置作为各粒子对应的局部最优位置；

将所有粒子中的最佳的局部最优作为当前全局最优值，并将对应的位置作为粒子群的全局最优位置。

优选地，所述步骤S12进一步包括：

步骤S120，采用下述公式计算本轮迭代中的各粒子的更新速度：

v_i，t＝w×v_i，t-1+c₁×rand×(pdest_t-x_i)+c₂×rand×(gdest_t-x_i)

其中，w为粒子的惯性因子，非负数，代表本时段的速度收到上一阶段速度的影响程度；c₁、c₂为学习因子，也是非负数，其中前者为自身认知项、后者为全局认知项，反应自身学习能力和全局学习能力的强弱；rand为0-1之间的随机数；x_i为第i个粒子的位置；pdest_t为该粒子的局部最优位置，gdest_t为该粒子群的全局最优位置；v_i，t为本轮第i个粒子的速度；v_i，t-1为前一轮第i个粒子的速度；

步骤S121，采用下述公式对各粒子位置进行更新：

x_i，t＝x_i，t-1+v_i，t-1+δ^t-1×b×sign(F(x_i，r)-F(x_i，l))

x_i，r＝x_i，t-1+d^t-1×b

x_i，l＝x_i，t-1-d^t-1×b

d^t-1＝0.95×d^t-2+0.01

δ^t-1＝0.95×δ^t-2

其中，x_i，t为本轮第i个粒子对应的天牛质心位置，x_i，t-1为前一轮第i个粒子对应的天牛质心位置，x_i，r、x_i，l分别为第i个粒子对应的天牛的右、左须触角位置；d^t-1是前一轮天牛须触角的天线距离，d^t-2是前二轮天牛须触角的天线距离，δ^t-1是前一轮天牛步长，δ^t-2是前二轮天牛步长；b为随机数更新，sign(·)为符号函数；F(x_i，l)、F(x_i，r)分别为左右触角位置的适应度值；

步骤S122，根据所述适应度函数公式计算当前各粒子位置的适应度值，比较每个粒子当前的适应度值与前一代的适应度值。如果较优，则将当前适应值作为粒子的局部最优值，对应的位置作为粒子的局部最优位置，否则保留上一代取值。在当前粒子群中找出全局最优值，并将对应的位置作为全局最优位置。

优选地，所述步骤S13进一步包括：

所述预设置的迭代停止条件为：每一轮迭代后的各粒子适应度值达到预定的阈值，或达到预定的迭代次数。

优选地，所述步骤S14进一步包括：

获得停止迭代后的各粒子的局部最优值，以所述每一粒子的局部最优值确定V2G场站的最优位置坐标、允许介入的EV最优数量，各时间段的最优工作状态，以及风电光伏的最优位置坐标和最优容量。

实施本发明实施例，具有如下的有益效果：

本发明提供一种配电网风光及V2G充电站选址定容优化方法，通过在现有的粒子群算法上进行改进，搜索时添加天牛须模块，加强了搜索范围，可以快速高效地获得全局最优解。

本发明首先以建设成本、运维成本、网损费用和弃风弃光惩罚为适应度函数，将场站24小时运作情况(包括可接纳V2G的容量和最优选址)以及风电光伏的选址定容进行粒子群编码，通过天牛须改进粒子群方法进行迭代，最终求解得到最优的位置和容量。

本发明改善了传统启发式算法搜索时速度较慢，易陷入局部最优的问题，天牛须改进粒子群具有快速高效的全局寻优能力。同时，在传统的风电、光伏选址定容的基础上添加了V2G充电站的接纳EV容量和选规划，充分考虑电网经济性和可再生能源的消纳，更贴近实际电网模型。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明提供的一种配电网风光及V2G充电站选址定容优化方法的一个实施例的主流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，示出了本发明提供的一种配电网风光及V2G充电站选址定容优化方法的一个实施例的主流程示意图。在本实施例中，所述方法至少包括：如下步骤：

步骤S10，根据选址相关的参数建立粒子群，并初始化所述粒子群中每一粒子的位置、速度，所述粒子群中的各粒子为充电站的各类选址定容参数所对应的变量，所述各类选址定容参数至少包括：V2G场站的位置坐标、允许介入的EV数量、一天各时间段的工作状态、风电光伏的位置坐标以及风电光优容量；

在本发明的实施例中，需要获取多场景下负荷情况和网络拓扑结构，多场景保证负荷的不确定性，增强规划的准确性。设置规划区：居民区、商业区和办公区，不同区域的建设成本有较大差别，会在适应度函数中体现出来。

还需要设定粒子群大小和迭代次数，粒子群大小代表一个群体的状况，通常包扩各个状态的个体，迭代次数表示这些个体一齐经过过少次的更新换代，迭代时要避免粒子群提前成熟的现象，对应优化陷入局部最优。

具体的，在本实施例中，将优化的变量设为粒子，其中V2G场站的位置坐标、允许介入的EV数量，和一天24小时内的工作状态对应的变量设定为一个粒子的前26个维度；同时将风电光伏的位置坐标和容量两个变更设定为该粒子的后4个维度，其中每个粒子共计30个变量，在物理范围内设定各参数的合理取值初始化粒子群，如或出现不合格的粒子则代数减一，重新进行初始化迭代。

步骤S11，根据适应度函数计算各粒子的适应度值，获得本轮各粒子的局部最优位置以及所述粒子群的全局最优位置；

在一个具体的例子中，所述步骤S11进一步包括：

采用如下适应度函数公式计算当前各粒子位置的适应度值；

F＝F₁+F₂+F₃+F₄

式中，F₁为建设成本，F₂为运维成本，F₃为网损费用，F₄为弃风及弃光成本；

其中，建设成本根据粒子所在坐标代表V2G充电站和风电光伏建设位置，确定在不同区域的建设成本，以及相关运维费用。每次粒子状态位置确定后都用matpower进行一次潮流计算，确定此时网损。对此时所用风电光伏出力与实际状态值做差，代表弃风弃光的量，需要支付一定的服务费。将以上各种损失求和就得到此时该粒子的适应度函数取值。

将所述各粒子的初始适应度函数取值作为所述粒子的局部最优值，将各粒子的位置作为各粒子对应的局部最优位置pdest_t；

将所有粒子中的最佳的局部最优作为当前全局最优值，并将对应的位置作为粒子群的全局最优位置gdest_t。

步骤S12，采用天牛须改进粒子群算法，进行粒子群迭代，结合前一轮各粒子的局部最优位置以及所述粒子群的全局最优位置，更新粒子群中每一粒子的速度、位置；

在一个具体的例子中，所述步骤S12进一步包括：

步骤S120，采用下述公式计算本轮迭代中的各粒子的更新速度：

v_i，t＝w×v_i，t-1+c₁×rand×(pdest_t-x_i)+c₂×rand×(gdest_t-x_i)

其中，w为粒子的惯性因子，非负数，代表本时段的速度收到上一阶段速度的影响程度；c₁、c₂为学习因子，也是非负数，其中前者为自身认知项、后者为全局认知项，反应自身学习能力和全局学习能力的强弱；rand为0-1之间的随机数，用于表示随机抽取速度更新能力；x_i为第i个粒子的位置；pdest_t为该粒子的局部最优位置，gdest_t为该粒子群的全局最优位置；v_i，t为本轮第i个粒子的速度；v_i，t-1为前一轮第i个粒子的速度；

可以理解的是，在每一步迭代中，还要对速度取值范围和位置范围进行限制，避免超出搜索范围，当满足要求时进行迭代更新，不满足时重新计算。

步骤S121，采用下述公式对各粒子位置进行更新：

x_i，t＝x_i，t-1+v_i，t-1+δ^t-1×b×sign(F(x_i，r)-F(x_i，l))

x_i，r＝x_i，t-1+d^t-1×b

x_i，l＝x_i，t-1-d^t-1×b

d^t-1＝0.95×d^t-2+0.01

δ^t-1＝0.95×δ^t-2

其中，x_i，t为本轮第i个粒子对应的天牛质心位置，x_i，t-1为前一轮第i个粒子对应的天牛质心位置，x_i，r、x_i，l分别为第i个粒子对应的天牛的右、左须触角位置；d^t-1是前一轮天牛须触角的天线距离，d^t-2是前二轮天牛须触角的天线距离，δ^t-1是前一轮天牛步长，δ^t-2是前二轮天牛步长；b为随机数更新，以增强搜索的灵活性；sign(·)为符号函数；F(x_i，l)、F(x_i，r)分别为左右触角位置的适应度值；其中，天线距离和天牛步长两者随着迭代次数的增加逐渐变小，减小搜索步长，避免错过全局最优解。b的值恒不为0，保证了天牛须触角的搜索能力，避免陷入局部最优无法跳出。天牛步长代表每个粒子经过粒子本身的速度迭代后，再进行天牛须随机游走，相较纯粒子群算法具有更好的探索能力，随着迭代次数的增加趋近于一个接近于0的极小值，可以寻求到全体最优。

步骤S122，在每轮迭代时，均需要根据所述适应度函数公式计算当前各粒子位置的适应度值；如果该代粒子适应度值优于前代，则将当前适应值作为粒子的局部最优值，对应的位置作为粒子的局部最优位置，否则保留上一代取值。在当前粒子群中找出全局最优值，并将对应的位置作为全局最优位置。

步骤S13，按照上述方法不断更新粒子经过粒子群迭代、天牛须搜索的速度值和位置坐标，在达到预设置的迭代停止条件后，停止粒子群迭代；

在一个具体的例子中，所述预设置的迭代停止条件为：每一轮迭代后的各粒子适应度值达到预定的阈值，或达到预定的迭代次数。

步骤S14，获得停止迭代后的各粒子的局部最优值，确定最优的各类选址定容参数。

在一个具体的例子中，所述步骤S14进一步包括：

获得停止迭代后的各粒子的局部最优值，以所述每一粒子的局部最优值确定V2G场站的最优位置坐标、允许介入的EV最优数量，各时间段的最优工作状态，以及风电光伏的最优位置坐标和最优容量。

实施本发明实施例，具有如下的有益效果：

本发明提供一种配电网风光及V2G充电站选址定容优化方法，通过在现有的粒子群算法上进行改进，搜索时添加天牛须模块，加强了搜索范围，可以快速高效地获得全局最优解。

本发明首先以建设成本、运维成本、网损费用和弃风弃光惩罚为适应度函数，将场站24小时运作情况(包括可接纳V2G的容量和最优选址)以及风电光伏的选址定容进行粒子群编码，通过天牛须改进粒子群方法进行迭代，最终求解得到最优的位置和容量。

本发明改善了传统启发式算法搜索时速度较慢，易陷入局部最优的问题，天牛须改进粒子群具有快速高效的全局寻优能力。同时，在传统的风电、光伏选址定容的基础上添加了V2G充电站的接纳EV容量和选规划，充分考虑电网经济性和可再生能源的消纳，更贴近实际电网模型。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (5)

1.一种配电网风光及V2G充电站选址定容优化方法，其特征在于，至少包括如下步骤：

步骤S10，根据选址相关的参数建立粒子群，并初始化所述粒子群中每一粒子的位置、速度，所述粒子群中的各粒子的维度为充电站的各类选址定容参数所对应的变量，所述各类选址定容参数至少包括：V2G场站的位置坐标、允许介入的EV数量、一天各时间段的工作状态、风电光伏的位置坐标以及风电光优容量；

步骤S11，根据适应度函数计算各粒子的适应度值，获得本轮各粒子的局部最优位置以及所述粒子群的全局最优位置；

步骤S12，采用天牛须改进粒子群算法，进行启发式搜索迭代，结合前一轮各粒子的局部最优位置以及所述粒子群的全局最优位置，更新粒子群中每一粒子的速度、位置；

步骤S13，在达到预设置的迭代停止条件后，停止粒子群迭代；

步骤S14，获得停止迭代后的各粒子的局部最优值，确定最优的各类选址定容参数。

2.如权利要求1所述的方法，其特征在于，所述步骤S11进一步包括：

采用如下适应度函数公式计算当前各粒子位置的适应度值；

F＝F₁+F₂+F₃+F₄

式中，F₁为建设成本，F₂为运维成本，F₃为网损费用，F₄为弃风及弃光成本；

将所述各粒子的初始适应度函数取值作为所述粒子的局部最优值，将各粒子的位置作为各粒子对应的局部最优位置；

将所有粒子中的最佳的局部最优作为当前全局最优值，并将对应的位置作为粒子群的全局最优位置。

3.如权利要求1所述的方法，其特征在于，所述步骤S12进一步包括：

步骤S120，采用下述公式计算本轮迭代中的各粒子的更新速度：

v_i，t＝w×v_i，t-1+c₁×rand×(pdest_t-x_i)+c₂×rand×(gdest_t-x_i)

其中，w为粒子的惯性因子，非负数，代表本时段的速度收到上一阶段速度的影响程度；c₁、c₂为学习因子，也是非负数，其中前者为自身认知项、后者为全局认知项，反应自身学习能力和全局学习能力的强弱；rand为0-1之间的随机数；x_i为第i个粒子的位置；pdest_t为该粒子的局部最优位置，gdest_t为该粒子群的全局最优位置；v_i，t为本轮第i个粒子的速度；v_i，t-1为前一轮第i个粒子的速度；

步骤S121，采用下述公式对各粒子位置进行更新：

x_i，t＝x_i，t-1+v_i，t-1+δ^t-1×b×sign(F(x_i，r)-F(x_i，l))

x_i，r＝x_i，t-1+d^t-1×b

x_i，l＝x_i，t-1-d^τ-1×b

d^t-1＝0.95×d^t-2+0.01

δ^t-1＝0.95×δ^t-2

其中，x_i，t为本轮第i个粒子对应的天牛质心位置，x_i，t-1为前一轮第i个粒子对应的天牛质心位置，x_i，r、x_i，l分别为第i个粒子对应的天牛的右、左须触角位置；d^t-1是前一轮天牛须触角的天线距离，d^t-2是前二轮天牛须触角的天线距离，δ^t-1是前一轮天牛步长，δ^t-2是前二轮天牛步长；b为随机数更新，sign(·)为符号函数；F(x_i，l)、F(x_i，r)分别为左右触角位置的适应度值；

步骤S122，根据所述适应度函数公式计算当前各粒子位置的适应度值，比较每个粒子当前的适应度值与前一代的适应度值。如果较优，则将当前适应值作为粒子的局部最优值，对应的位置作为粒子的局部最优位置，否则保留上一代取值；在当前粒子群中找出全局最优值，并将对应的位置作为全局最优位置。

4.如权利要求3所述的方法，其特征在于，所述步骤S13进一步包括：

所述预设置的迭代停止条件为：每一轮迭代后的各粒子适应度值达到预定的阈值，或达到预定的迭代次数。

5.如权利要求3所述的方法，其特征在于，所述步骤S14进一步包括：

获得停止迭代后的各粒子的局部最优值，以所述每一粒子的局部最优值确定V2G场站的最优位置坐标、允许介入的EV最优数量，各时间段的最优工作状态，以及风电光伏的最优位置坐标和最优容量。

Images