基于遗传算法的充电站与新能源协调规划

引言

随着化石能源的过度消耗,全球能源危机不断加剧,环境破坏愈发严重。在自然资源紧张和环境污染加剧的双重压力下,在城市交通系统节能减排方面具有优势的电动汽车受到了人们的广泛关注。随着相关技术的不断成熟,电动汽车的规模化应用必将成为未来城市交通系统的重要特征,是解决城市环境问题和缓解能源危机的有效途径。随着新能源战略的部署和实施,电动汽车保有量持续攀升,与之配套的电动汽车充换电设施已率先开始建设,将逐步形成充电桩、充电站、换电站等设施相结合的电动汽车充换电系统。

本文综合考虑了新能源和充电站的优化规划,以充电站、新能源、用户和配电网多方利益最优为目标,建立了充电站与新能源协调规划模型,并采用模拟退火遗传算法求解该规划模型,最后以一个实际算例验证了该模型与所用算法的可行性与有效性。

1选址模型

本文建立了以全社会成本最小为目标的新能源与充电站协调规划模型,以充电站建设投资成本、充电站运行维护成本、用户充电途中损耗成本、新能源投资成本、环境成本和配电网网络损耗成本最小为目标。目标函数如下:

式中,Ccs为充电站建设投资成本:Cope为充电站运行维护成本:Cu为充电途中损耗成本:CDG为新能源投资成本:Ce为环境成本:Closs为配电网网络损耗成本。

（1）充电站建设投资成本:包括充电站固定投资成本和充电机建设成本,其数学表达式如下:

式中,Pchs为慢充设备额定容量:Pchf为快充设备额定容量:Ccon为充电设备单位容量建设成本:csi与cfi分别为充电站i安装的慢充与快充设备数量:w为充电站固定建设投资费用:N为充电站规划建设数:k为投资回收率:m为投资回收年限。

其中,快充设备与慢充设备配置数量可由基于排队理论的定容模型得到。

（2）充电站运行维护成本:包括充电设备的折旧成本、维护成本、人工成本等。由于各成本取值难以具体确定,我们将初期投资费用乘以相应的百分比7作为充电站的运行维护费用,采用下式计算:

（3）充电途中损耗成本:由用户在充电站充电时间与用户前往充电站途中油耗确定,具体可由下式得到:

式中,g为电动汽车单位电量行驶里程（km/kw·h）:p为电价（元/kw·h）:ku为用户出行时间价值,取值可参考规划年规划区人均收入（元/h）:7为电动汽车平均速度（km/h）:Ty为一年的天数:dij为负荷点j到充电站i的距离（km）:gj为负荷点j的电动汽车数:Nj为充电站i服务区域内负荷点的数量。

其中,电动汽车与其相对应充电站的距离可由Floyd最短路径算法得到。

（4）新能源投资成本:由新能源投资成本和新能源运行维护成本组成,其数学表达式如下:

式中,E为可能安装分布式电源的节点总数:F为分布式发电方案总和:cDG为分布式发电方案的单位容量成本:PDGef为e节点安装第f种发电方案的额定容量:xDGef为0-1决策变量,即e节点是否安装第f种发电方案。

（5）环境成本。环境成本可由下式计算得到:

式中,J为发电技术类数:I为污染种类:vei为第i种污染产生的环境价值:vi为第i类污染的单位污染罚款:0ji为采用第j类发电技术生产单位电量时的第i类污染物排放量:Pj为第j类发电技术的年发电量。

（6）配电网网络损耗成本:新能源的接入与充电站的接入均会对配电网潮流产生影响。新能源与充电站接入配电网后

配电网网络损耗成本如下:

式中,closs为单位网损成本:1为配电系统中支路数:cL为单位网损成本:Ii为支路电流:Ri为支路电阻:i为时间。

该规划模型中约束条件主要为潮流约束、节点电压约束、支路传输功率约束、充电站容量约束、分布式电源安装容量约束、变量逻辑约束。

2定容模型

充电站内快速充电设备数量可由排队理论确定,本文以慢充设备与快充设备配置数量2:1的比例确定慢充设备。充电站排队系统模型如图1所示。

电动汽车在充电站接受充电服务的行为往往被认为是一个标准的c/c/℃模型[4],即到达充电站充电的电动汽车数量服从泊松分布,电动汽车接受服务的时间服从负指数分布。本文以用户排队等待时间小于极限值为约束条件,最小化充电站快充设备数量对充电站进行定容。具体定容模型如下式所示:

式中,℃为充电站快充设备数量:W为用户在充电站排队时间:Wq为用户在充电站最大排队等待时间:p为充电站服务强度,p<1:A为电动汽车平均到达率:P0为全部快充设备空闲概率。

3求解算法

本文采用遗传算法求解该规划问题。由于本文所提充电站规划模型是一个目标函数最小化问题,遗传算法通常以最大化适应度值为目标,我们对目标函数做适当处理,将最小化目标函数转化为最大化适应度值。

式中,Cmax为C的最大估计值。

基于遗传算法中随机产生的初始种群,求解适应度值具体步骤如下:

（1）采用Floyd最短路径算法得到规划区域各交通节点之间的最短路径距离矩阵。

（2）对染色体进行解码,确定染色体所映射的充电站和新能源选址。

（3）由Floyd最短路径确定各交通节点与充电站对应关系,得到各充电站所服务电动汽车数与电动汽车用户前往其对应充电站的距离。

（4）基于各充电站所服务电动汽车数,采用基于排队理论的定容模型,确定各充电站内应配置的快充设备的数量,再根据快充设备与慢充设备的配置比例确定慢充设备数量,从而确定充电站容量。

（5）基于各交通节点对应的充电需求点电动汽车数量与用户前往其对应充电站的距离,计算用户充电途中损耗成本。

（6）基于充电站与新能源选址、容量计算各成本,计算目标函数值。

（7）基于全社会成本计算该染色体适应度值。

4仿真研究

本文以江苏某实际区域为算例进行研究,该区域面积约3.5km2。基于实际各路口交通流量确定候选充电站站址,同时给定新能源候选地址。在该规划区域内规划3座充电站,参数设置如表1所示,新能源有500kw和1Mw两种容量选择。采用遗传算法求解上述规划模型,规划结果如图2所示,确定选址为充电站候选站址1、2、5和新能源2号候选地址。

充电站定容结果如表2所示,新能源定容结果为500kw,这主要是由于容量较小的新能源投资成本较低。

表2规划3座充电站时最优规划方案定容结果

5结语

本文在传统充电站规划问题的基础上研究了新能源与充电站协调规划,建立了合理可行的新能源与充电站协调规划模型,并选用了优化性能良好的遗传算法求解该规划问题,兼顾了充电站、新能源、电动汽车用户、配电网等多方利益,能够同时对充电站与新能源进行选址和定容,算例验证了本文所提规划模型与所选算法的可行性与有效性。