一种分布式电源与电动汽车充电站联合规划方法

技术领域

本发明属于配电网中充电汽车能源分配技术领域，具体涉及一种分布式电源与电动汽车充电站联合规划方法。

背景技术

随着社会发展，为了减少化石能源的利用，避免环境污染的问题，越来越多的DG和EV投入实际的生产与生活，提高了传统配电网的灵活性及环保性。与此同时，也导致配电网的规划问题变得复杂困难。首先在供给侧，大量的DG使用导致传统的配电网络中电源不再单一，源测出力不确定性提高，要协调考虑DG的选址与定容。其次在需求侧，日常生活中出现越来越多的用电设备，常规负荷大小进一步提高。大量的EV投入使用，导致在负荷端也出现强随机的变化。由于DG和EV充电负荷双重的不确定性，使得配电网规划这一非线性问题变得更加复杂。

发明内容

本发明的目的是提供一种分布式电源与电动汽车充电站联合规划方法，能够提高配电网的经济性。

本发明所采用的技术方案是，一种分布式电源与电动汽车充电站联合规划方法，具体按照以下步骤实施：

步骤1、以建设成本费用最小、EV充电站利用率最大为目标建立关于配电网的目标函数；

步骤2、结合DG和EV充电站接入后对配电网潮流影响，设置目标函数约束条件；

步骤3、基于改进飞蛾火焰算法求解适应度函数，确定适应度值，根据适应度值更新火焰位置，通过循环迭代，确定最终规划需求。

本发明的特点还在于：

步骤1具体过程为：

将建设成本费用最小、EV充电站利用率最大为目标，建立目标函数：

min f＝C

式(1)中，C

基于考虑DG的安装费用为一次性投资费用，DG投入后运行周期长，运行及维修费用受经济影响，采用公式(2)对DG总成本进行折算：

式(2)中，C

DG的安装费为：

DG的后期运行费为：

式(3)、式(4)中，N

EV充电站总成本包括三个部分，a.EV充电站的安装费用；b.EV充电站的后期运行费用；c.EV充电站未利用等效惩罚成本；

采用公式(5)对EV充电站总成本进行折算：

式(5)中，C

EV充电站的安装费为：

充电站的后期运行费为：

式中，N

充电站未利用等效惩罚成本为：

式(8)中，N

配电网运营成本包括两部分网损费用和主网购电费用，表示为：

式(9)中，C

配电网网损费用表示为：

式中，e

主网购电费用表示为：

式(11)中，

步骤2具体过程为：

结合DG和EV充电站接入后对配电网潮流影响，采用以下约束条件：

(1)潮流方程约束

式中，P

(2)电压幅值约束

式(13)中，V

(3)支路电流约束

式中，I

(4)DG出力约束

式中，P

(5)EV充电站数量约束

式中，M为需要建设的充电站数目；N

(6)EV充电站容量约束

式中，N

(7)潮流方向约束

步骤3具体过程为：

步骤3.1、初始化飞蛾火焰算法参数，包括飞蛾数量n，待求变量d，即DG安装节点位置、DG安装容量、EV充电站安装节点、EV充电站容量，最大迭代次数T以及对螺旋形状常数b；

步骤3.2、选取EV充电负荷较为集中的节点，构建DG与EV充电站的待安装节点集合，每只飞蛾的位置代表规划问题的一组解向量，该解向量的维度l＝4l′；解向量的第1至第l′个元素、第2l′+1至第3l′个元素分别代表相应的节点是否安装DG、EV充电站，取0时代表不安装，取1时代表安装；第l′+1至第2l′个元素、第3l′+1至4l′个元素则分别代表安装DG、EV充电站的容量大小；

步骤3.3、将约束条件与目标函数作为适应度函数，同时将含EV充电负荷的典型场景代入潮流计算，将计算结果作为搜索空间中初始飞蛾位置，即每只飞蛾对应的适应度值；

步骤3.4、将飞蛾空间位置以适应度值递增的顺序排序后赋值给火焰，作为第一代中火焰的空间位置；

步骤3.5、根据式(19)更新当前代飞蛾的位置；

S(M

式中，S(M

步骤3.6、将更新后的飞蛾位置适应度值重新排序，选取适应度值更优的空间位置对应的火焰作为下一代火焰；

步骤3.7、判断是否满足循环次数需求，如果满足，输出更新后的飞蛾位置，即为最优规划结果，否则，返回步骤3.6进入下一代。

步骤3.6中选取适应度值更优的空间位置具体过程为：根据式(20)自适应机制减少火焰的数量；

式(20)中，l是当前迭代次数；N是最大火焰数；T表示最大迭代次数；

每一代中与序列中所减少火焰对应的飞蛾，则根据当前适应度值最差的火焰更新其自身位置。

本发明有益效果是：

本发明一种分布式电源与电动汽车充电站联合规划方法，结合分布式电源、常规负荷及电动汽车充电负荷的时序特性，以DG与EV充电站的投资安装、主网购电、网损、充电站利用率等效成本等综合成本最低为目标，以潮流方程、电压、网损作为约束，构建DG与EV充电站的联合规划模型，通过改进的飞蛾火焰优化算法解决受限局部最优的问题，对DG与EV充电站进行位置与容量的优化，最终提高配电网的经济性，同时使配电网能够安全稳定的运行。

附图说明

图1是本发明的一种分布式电源与电动汽车充电站联合规划方法流程图；

图2是本发明实施例中实际33节点10kV配电系统示意图；

图3是本发明实施例中各场景规划结果对比图；

图4是本发明实施例中不同季节下网损对比图；

图5是本发明实施例中各场景下节点电压变化图；

图6是本发明实施例中不同场景下的支路电流越界图；

图7(a)是本发明实施例中场景4适应度函数变化示意图；

图7(b)是本发明实施例中场景5适应度函数变化示意图；

图8(a)是本发明实施例中场景4收敛速度变化示意图；

图8(b)是本发明实施例中场景5收敛速度变化示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种分布式电源与电动汽车充电站联合规划方法，如图1所示，具体按照以下步骤实施：

步骤1、以建设成本费用最小、EV充电站利用率最大为目标建立关于配电网的目标函数；步骤1具体过程为：

将建设成本费用最小、EV充电站利用率最大为目标，建立目标函数：

minf＝C

式(1)中，C

基于考虑DG的安装费用为一次性投资费用，而在DG投入后考虑其运行周期较长，其运行及维修费用受经济发展影响，需要进行折算，采用公式(2)对DG总成本进行折算：

式(2)中，C

DG的安装费为：

DG的后期运行费为：

式(3)、式(4)中，N

EV充电站总成本包括三个部分，a.EV充电站的安装费用；b.EV充电站的后期运行费用；c.EV充电站未利用等效惩罚成本；

EV充电站的安装费用同样为一次性投资费用，无需参加折算。而在投入后考虑其运行周期较长，其运行及维修费用受经济发展影响，需要进行折算。同时为使EV充电站能够充分利用，将EV充电站未使用时等效成惩罚成本，此部分成本也同样受经济发展影响，需要进行折算。采用公式(5)对EV充电站总成本进行折算：

式(5)中，C

EV充电站的安装费为：

充电站的后期运行费为：

式中，N

在考虑EV充电站的安装时，由于EV充电负荷的时-空分布特性，过多的规划各站内充电桩数量将会导致充电站内充电桩的闲置，浪费资源。为此将充电桩空闲时需要消耗的费用等效为充电站惩罚成本。参考分时电价策略，当充电桩空闲时，此时未有EV进行充电，所以此时为未营利状态，假设这部分成本为空闲惩罚成本，即由空闲时长乘以相应的分时电价和单位容量。充电站未利用等效惩罚成本为：

式(8)中，N

配电网运营成本包括两部分网损费用和主网购电费用，表示为：

式(9)中，C

在配电网负荷节点中接入DG后，DG和主网联合运行同时向负荷供电，减少了从主网的购电量。配电网网损费用表示为：

式中，e

EV充电站所建设节点也会增加负荷，会在不同程度对配电网网损产生影响。

主网购电费用表示为：

式(11)中，

步骤2、结合DG和EV充电站接入后对配电网潮流影响，设置目标函数约束条件；步骤2具体过程为：

DG和EV充电站接入后将对配电网潮流产生影响，为了确保配电网安全可靠运行，需要在规划过程中构建一定的约束条件，主要从节点电压、支路电流、DG与EV充电站运行等方面进行考虑，采用以下约束条件：

(1)潮流方程约束

式中，P

(2)电压幅值约束

配电网在运行过程中，不同时刻会出现一些节点的电压过低，超出允许的电压幅值下限，DG接入与EV充电站的建设均会对配电网节点电压产生影响，如果在规划过程中没有考虑DG和EV充电负荷的时序特性，可能会导致潮流计算时不能反映配电网节点电压随时间变化的规律，影响规划的合理性。因此，配电网中每个节点的电压幅值都应保持在允许的范围内。

式(13)中，V

(3)支路电流约束

支路电流对配电网的安全稳定运行至关重要。每条线路的电流不应超过其上限。

式中，I

(4)DG出力约束

为了保证DG和配电网运行的可靠性，接入到配电网的DG在运行时，其出力必须满足本身出力限制。

式中，P

(5)EV充电站数量约束

EV充电负荷时-空分布特性如第三章分析可知，由于其可移动的特性导致负荷端也会出现随机的变化，如若不充分考虑EV充电负荷的时-空特性，则会导致充电站的规划不合理，浪费资源。为此我们需要对EV充电站的数量加以限制，使其供电合理。

式中，M为需要建设的充电站数目；N

(6)EV充电站容量约束

每个充电站内充电总容量不应超过其充电站的建设总容量。

式中，N

(7)潮流方向约束

步骤3、基于改进飞蛾火焰算法求解适应度函数，确定适应度值，根据适应度值更新火焰位置，通过循环迭代，确定最终规划需求。步骤3具体过程为：

步骤3.1、初始化飞蛾火焰算法参数，包括飞蛾数量n，待求变量d，即DG安装节点位置、DG安装容量、EV充电站安装节点、EV充电站容量，最大迭代次数T以及对螺旋形状常数b；

步骤3.2、选取EV充电负荷较为集中的节点，构建DG与EV充电站的待安装节点集合，每只飞蛾的位置代表规划问题的一组解向量，该解向量的维度l＝4l′；解向量的第1至第l′个元素、第2l′+1至第3l′个元素分别代表相应的节点是否安装DG、EV充电站，取0时代表不安装，取1时代表安装；第l′+1至第2l′个元素、第3l′+1至4l′个元素则分别代表安装DG、EV充电站的容量大小；

步骤3.3、将约束条件与目标函数作为适应度函数，同时将含EV充电负荷的典型场景代入潮流计算，将计算结果作为搜索空间中初始飞蛾位置，即每只飞蛾对应的适应度值；

步骤3.4、将飞蛾空间位置以适应度值递增的顺序排序后赋值给火焰，作为第一代中火焰的空间位置；

步骤3.5、根据式(19)更新当前代飞蛾的位置；

S(M

式中，S(M

步骤3.6、将更新后的飞蛾位置适应度值重新排序，选取适应度值更优的空间位置对应的火焰作为下一代火焰；

选取适应度值更优的空间位置具体过程为：根据式(20)自适应机制减少火焰的数量；

式(20)中，l是当前迭代次数；N是最大火焰数；T表示最大迭代次数；

每一代中与序列中所减少火焰对应的飞蛾，则根据当前适应度值最差的火焰更新其自身位置。

步骤3.7、判断是否满足循环次数需求，如果满足，输出更新后的飞蛾位置，即为最优规划结果，否则，返回步骤3.6进入下一代。

实施例

下面以图2所示中国东北一城市实际33节点配电系统结构图为例，来分析一种分布式电源与电动汽车充电站联合规划方法，其中待规划分布式电源主要由风电、光伏组成，待规划的充电设施为由电网运营的电动汽车充电站。

采用上述目标函数及目标函数约束条件；

算法参数：AMFO及MFO算法中飞蛾数量设置为40，b设置为1，迭代次数为100；PSO算法中的学习因子为2，粒子数为40。

DG参数：风电的功率因数为滞后0.9，光伏发电的功率因数为1，取风电和光伏发电的安装投资费用分别为4700元/kW和7600元/kW，运维成本取为0.065元/kWh。假设风机、光伏使用寿命为20年。

EV参数：EV总量设为2500辆，即以25％渗透下进行分析。

EV充电站参数：为简化计算，假设充电站内充电桩使用寿命同DG一样为20年，各类型土地单位价格如表1所示，充电站相关参数如表2所示。

表1

表2

电价参数：在计算EV充电负荷等效惩罚成本、网损、及主网购电相关成本时，考虑分时电价，在7:00-8:00、11:00-18:00时为平时电价，电价为0.8元/kWh，在8:00-11:00、18:00-23:00为峰时电价，电价为1.1元/kWh，在23:00至次日7:00为谷时电价，电价为0.4元/kWh。利率和通货膨胀率分别取0.13和0.09。

为了证明本方法所得规划结果合理有效，采用5种场景进行对比。场景1，不装设DG与EV充电站，且无EV充电负荷；场景2，在待规划节点均建设EV充电站，不装设DG；场景3，在待规划节点建设6个EV充电站，与2个风机；场景4，在待规划节点建设6个EV充电站，与2个光伏；场景5，在待规划节点建设6个EV充电站，与2个光伏2个风机；为更清晰展示各种方案对比。

表3给出5种场景考虑因素对比。通过对比场景1与场景2可以分析EV充电负荷接入对经济性的影响。通过场景2至场景5对比，可以分析DG与EV充电站的搭配合理性。

表3

通过本方法得到不同场景下的最优方案，如表4所示：

表4

(a)经济对比

从经济角度分析，场景1因未进行DG与充电站的建设，同时也未考虑EV充电负荷，仅有网损及主网购电的费用，主网购电费用，与其他场景对比可见，主网购电成本占比均较大，EV充电负荷的增加将进一步增加配电网中的网损以及主网购电成本，同时随着EV接入也必然要求充电站的建设，导致总成本进一步增涨，也证明了第三章对EV充电负荷时-空分布特性分析的必要性。

图3展示了其他四种场景的经济对比。场景2中在所有节点均建设EV充电站，导致EV充电站安装成本大大增加，同时，未建设DG，由于基础负荷的增加，主网购电量也相继增大，费用增加28.27％。场景3、场景4均建设6个充电站，分别建设2个风电和2个光伏，场景3中由于风电的接入大大降低了主网购电成本及网损成本，而场景4中由于光伏发电的间歇性，使其主网购电费用相比场景3略高，但相比于场景2可以看出明显主网购电成本明显下降，场景3、场景4相比于场景2总费用分别降低25.33％、17.56％。场景5中则同时建设4个DG和6个充电站，相比于场景3、场景4，通过风光的互补特性，可以大大降低主网购电费用，进一步降低网损费用。相比于场景2总费用降低33.58％，场景5的经济性最优，所以合理的建设DG可以有效降低总成本，提高经济性。

(b)网损对比

图4展示了在不同季节下，4种规划场景对网损影响的对比图。场景3、场景4、场景5通过合理的规划充电站与DG可以有效降低网损，在不同季节下，对比场景2网损均有不同程度的下降。场景3中接入风力发电，由于春、冬两季风力资源较为丰富，相比于秋、夏两季出力更多，从而使网损降低幅度较大，整体上相比场景2平均网损下降65.65％。场景4中接入光伏发电，在夜间无太阳辐照，导致在场景4中在夜间的网损与场景2中相同，而在日间，太阳辐照较大时，可以有效改善网损水平，整体上相比场景2平均网损下降29.42％。场景5中同时接入风电、光伏，通过合理的搭配风电与光伏，可见网损水平得到明显的改善，相比于场景3，由于夜间无光伏发电、同时场景5下风电容量小于场景3，此时网损改善效果一般，而相比于场景4，可以明显看出通过搭配风电的接入，网损水平大大得到改善，效果最佳，整体上相比场景2平均网损下降57.60％。结合经济分析，可以明显看出场景5在大幅改善网损水平的同时，也有更好的经济性。

(c)电压对比

从图5可以看出，场景3、场景4、场景5的规划方案对各节点电压均有所改善，但场景4由于此时太阳辐照较少，其效果不如场景3，场景5由于风电和光伏的互补，使节点电压最低为0.978，整体效果最佳。进一步证明，合理的规划DG和EV充电站可以有效的改善电压情况。

(d)支路越限对比

从图6中可知，当总负荷量增涨32％时，场景2、场景4中出现越限的线路。当总负荷量增涨46％时，越限线路增加至3条。当总负荷量增加至50％时，场景3中开始出现越限支路。当总负荷量增涨56％时，场景5开始出现越限线路，当负荷进一步增加时，场景3、场景5越限线路增加至2条。通过场景3、场景4、场景5的对比，场景5合理的搭配DG与充电站的位置，可以大幅的承受总负荷的增涨，同时有效的改善了支路电流越限的情况，从而提高配电网的稳定运行。

(e)充电站利用率对比

为证明充电站的寻优效果最佳，表5中给出在不同场景下EV充电站的利用率，由于场景1中无EV负荷接入，故不作对比分析。

表5

场景2中在所有待规划节点均建设等级为1的充电站，可明显看出由于建设过多导致普遍利用率较低，不适于试验场景，导致资源浪费。场景3中充电站利用率最高55.32％，最低29.15％，场景4充电站利用率最高60.64％，最低36.62％，由于站址相对较密集，利用率较低，无法充分利用。场景5中相比场景3、场景4接入DG更多，充电站站址范围覆盖更全面，因此利用率得到较好的提升，最高63.12％，最低53.14％，充分利用各个站内资源。

(f)算法效率对比

为验证本文采用算法的快速性与精确性，图7(a)、图7(b)展示了适应度函数对比，图8(a)、图8(b)展示了收敛速度对比，通过图例的比较可明显看出，本文采用算法在三种算法中收敛次数最少，速度最快，进一步证明更利全局寻优，效果更佳。

通过上述方式，本发明一种分布式电源与电动汽车充电站联合规划方法，其特点是提高可再生能源利用、满足配电网供电灵活性需求，结合分布式电源、常规负荷及电动汽车充电负荷的时序特性，DG与EV充电站进行位置与容量的优化。通过本文构建的规划模型，得到合理的规划方案可以有效提高配电网的经济性，同时使配电网能够安全稳定的运行，并且本文的方法提高了DG与EV充电站规划问题的计算效率。具有方法科学合理，适用性强，效果佳，能够考虑电网运营的利益，提高规划效率等优点。