【摘要】：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]

1.1 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,β， 在这样的情况下，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− ,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。

图1-1 电动汽车行驶一天的耗电量曲线图

为了更好的对电池的荷电状态（简称SOC）进行跟踪电力负荷预测论文，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,β+1= Eαstore,β+ Pβ⋅ Nα,EV⋅ PαEV,β⋅Δt −(1− Pβ)⋅ Eβv2r （1-1）

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,β+1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，下图1-2是为典型的日负荷曲线图。

图1-2 典型的日负荷曲线图

1）目标函数

本论文采用早上7点电动汽车的荷电状态（SOC）来对用户的满意度进行衡量，那么，可以把用户满意度的函数设定为：

（1-2）

针对最终的目标函数可以把其表示为：

min f = ε1 ⋅ g1 + ε 2 ⋅ g2 + ε 3 ⋅ g3 + (1 − ε1 − ε 2 − ε 3 )⋅ g4 （1-3）

（1-4）

2）约束条件

对于下面的约束条件需要在每个时间间隔β里面都要满足。

（1-5）

2、基于遗传变异及模拟退火思想的改进粒子群优化算法[2]

与其他算法进行比较，粒子群优算法具有许多优点，如参数很少、原理也是比较简单的、收敛速度也是非常快的等。针对如上优点，本论文采用粒子群优算法对对电动汽车充放电的相关策略问题进行求解。针对第i个粒子的个体体验更新的方程如下所示：

（1-6）

群体体验更新的方程如下所示：

（1-7）

3、电动汽车充放电策略仿真结果分析[3]

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3-1所示的电动汽车充电方面的负荷曲线图。

图3-1 电动汽车充电的负荷曲线图

3.2 基于最优潮流充放电策略仿真

下图3-2为OLTC的变化仿真图。

图3-2 OLTC的变化图

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。

参考文献：

[1] 黄少芳等.电动汽车充电机（站）谐波问题的研究[D].北京：北京交通大型，2013，（03）：54-59.

[2] 田丽亭等.电动汽车充电功率需求的统计学建模方法[J].电网技术，2012，（05）：20-27.

[3] 张亮等.电动汽车充电对电网影响的综述[J].电网技术，2011电力负荷预测论文，（20）：62-67.

相关热词 : 电力负荷预测论文 电力负荷预