基于改进鸡群算法的电动汽车有序充电策略研究

1、基于改进鸡群算法的电动汽车有序充电策略研究*吴甲武，邱晓燕，潘胤吉，肖建康（四川大学 电气信息学院 智能电网四川省重点实验室，成都610065）摘要：为了减小电动汽车无序充电给配电网安全稳定运行带来的不利影响，提出一种基于改进鸡群算法的电动汽车有序充电策略。首先，综合考虑电动汽车用户和配电网的利益，建立以用户充电费用最小和配电网负荷峰谷差最小为目标的电动汽车充电多目标优化数学模型；在此基础上，提出一种有序充电策略，该策略将随时间推移不断滚动更新电动汽车的充电计划；其次，运用鸡群算法求解该问题，并针对标准鸡群算法中出现的易早熟，收敛精度不高等问题，引入双亲引导机制对其进行改良；最后，以某一配电网

2、为例进行具体分析，仿真结果验证了充电策略的实用性和改进算法的有效性。关键词：电动汽车；充电策略；多目标优化；滚动优化；改进鸡群算法；双亲引导机制 中图分类号：TM911 文献标识码：B 文章编号：1001-1390（2019）09-0000-00Research on orderly charging strategy of electric vehicle based on improved chicken swarm optimizationWu Jiawu, Qiu Xiaoyan, Pan Yinji, Xiao Jiankang(Intelligent Electric Power

3、Grid key Laboratory of Sichuan Province, School of Electrical Engineering and Information, Sichuan University, Sichuan University, Chengdu 610065,China, China) ABSTRACTbstract: In order to reduce the adverse effects of electric vehicle disordered charging to the safe and stable operation of distribu

4、tion network, an ordered charging strategy of electric vehicles based on improved chicken swarm optimization is proposed in this paper. FirstFirstly, comprehensively considering the interests of the user side of the electric vehicle and the interests of the distribution network, the multi-objective

5、optimization mathematical model of electric vehicle charging is set up based on the minimum charge cost of the user and the minimum load peak difference of the distribution network. On this basis, an orderly charging strategy is proposed, and. The the strategy will continuously roll up the charging

6、plan of the electric vehicle with time. Secondly, the chicken swarm optimization is adopteduse the chicken swarm optimization to solve the problem of calculate calculating the charging plan. The method is used to solve the problem. In view of the prematurity and low convergence precision of the stan

7、dard chicken swarm optimization, the parental guidance mechanism is introduced to improve it. Finally, a distribution network is used as an example to carry out simulation analysis. The simulation results verify the practicability of the charging strategy and the effectiveness of the improved algori

8、thm.KEY WORDSeywords：: electric vehicle, charging strategy, multi-objective optimization, rolling optimization, improved chicken swarm optimization, parental guidance mechanism0 引 言*基金项目：四川省科技厅重点研发项目(2017FZ0103) 近年来，化石能源枯竭和环境污染等全球问题逐渐凸显，节能减排和减少对化石燃料的依赖已经成为世界各国的普遍共识。在此背景下，电动汽车因其清洁、高效等特点，得到了快速的发展和普及1-

9、2，然而大规模电动汽车的接入将会对配电网的安全稳定运行带来不利影响。如果不对电动汽车充电进行有效管理，将会进一步增大配电网负荷峰谷差、缩短变压器寿命，产生线路过载、电压跌落、谐波污染等一系列问题3-5。为解决电动汽车无序充电带来的这些影响，国内外学者基于用户出行习惯和配电网原始负荷等信息，提出了一系列有序充电策略并利用相关算法对建立的优化模型进行求解。文献6采用线性规划的方法求解以充电站购电费用最小为目标的需求响应模型；文献7以低压直流多接口充电设施为优化研究对象，利用序列规划二次算法和动态规划算法对所建立的模型进行求解；文献8考虑到电动汽车固定充电电价策略的缺陷，将集中式有序充电调度问题分解

10、为N个子问题，提出分散式有序充电策略，并利用拉格朗日松弛法求解了以充电站收益最大为目标的优化模型。文献6-8针对各自建立的有序充电模型，应用了传统优化算法去求解，这种优化算法通常具有比较完善的理论支撑且收敛速度较快，但当出现多极值问题，且模型求解维度较大时，其求解就变得较为困难。对此，很多文献将智能优化算法应用到有序充电模型的求解中，因为这种算法对于多极值、多约束等更为复杂的数学模型具有更好的适用性。文献9利用鸡群算法(chicken swarm optimization，CSO)求解了其所建立的优化数学模型，虽然取得了一定效果，但是对于标准鸡群算法中存在的容易陷入局部最优、收敛精度不高等问题

11、并没有提及。文献10提出一种基于子向量的改进粒子群算法，并应用于以负荷曲线均方差最小为优化目标的数学模型；文献11为了降低求解问题的维度，提高计算速率，从群体的角度对电动汽车的充电进行有序引导，并利用遗传算法去求解以负荷峰谷差最小为目标的集群响应模型。文献12以换电站换电池有序充电控制策略问题为研究对象，建立以负荷曲线离差平方和最小为目标的数学模型，对于模型中的整数规划问题，作者提出一种改进的布谷鸟算法对其进行求解并取得了良好的预期效果。但文献10-12 都仅考虑了电动汽车充电负荷对配电网侧的影响，完全以配电网侧作为利益主体，而没有考虑电动汽车用户侧的利益问题。为同时兼顾电动汽车用户充电时的经

12、济最优性和配电网运行时的安全稳定性，本文在以上研究基础上，建立以用户充电费用最小和配电网峰谷差最小为目标的电动汽车充电多目标优化数学模型；并提出一种有序充电策略，该策略随时间推移不断滚动更新电动汽车的充电计划。接着利用鸡群算法求解该问题，并引入双亲引导机制对其进行改良。最后以某配电网为例进行分析，仿真结果表明所提有序充电策略能兼顾用户与配电网双方利益，同时改进鸡群算法能避免早熟且具有较高收敛精度。1 电动汽车充电管理框架 图1为电动汽车充电时的场景示意图。从图中看出，电动汽车的充电管理框架总体可分为充电站控制中心和电动汽车群体两个层次。电动汽车驶入充电站充电时，车上自带的电池管理系统将入站时的

13、初始荷电状态(State of Charge, SOC)、电池的总容量以及用户自己设置的离站时间、离站时期望的SOC值等信息上传至智能充电装置，再由智能充电装置上传至充电站控制中心。控制中心则根据得到的信息经过一定的优化计算，确定每辆车在每个时刻是否进行充电，并下达控制命令从而最终实现有序充电引导。图1 充电场景示意图Fig.1 Schematic diagram of Charging charging scenario diagram2 优化的数学模型2.1目标函数为综合考虑电动汽车用户侧利益和配电网侧利益，本文建立了电动汽车充电的多目标优化数学模型。设置的两个目标分别是：充电费用最小和负

14、荷峰谷差最小。1)目标函数 1：充电费用最小。考虑分时充电价格，以充电费用最小为优化目标可以使部分电动汽车用户从负荷高峰时段转移到负荷低谷时段和平时段进行充电，从而减小配电网的供电压力，起到削峰填谷的作用。该目标函数的公式表达为： (1)式中n表示电动汽车数量；T表示优化的时间段数；表示时段j的分时充电电价；表示电动汽车的充电功率；表示第i辆电动汽车在时段j的充电状态，时表示第i辆电动汽车在时段j进行充电，时表示第i辆电动汽车在时段j不进行充电；t表示优化时段所处的编号；表示优化时间间隔。2)目标函数2：负荷峰谷差最小。仅以充电费用最小作为优化目标时，大量电动汽车负荷将集中在低谷时段充电，当这

15、部分充电负荷足够大时，可能会重新形成另外一个比原始负荷高峰更高的负荷尖峰。为避免这种情况的出现，提出以配电网最小负荷峰谷差为第二个优化目标，以此来平滑有功负荷曲线，保证配电网的安全稳定运行。该目标函数的公式表达为： (2) (3)式中 表示第 j 个时段配电网的原始负荷值。电动汽车有序充电的多目标优化函数经过量纲的归一化后，可统一写成如下的表达式： (4)式中表示用统一充电电价充电时用户的充电费用；表示原始负荷曲线的峰谷差；和分别表示各子目标函数对应的加权系数，且存在。在确定权重时，为权衡主观性与客观性，本文利用文献13中提出的AHP-熵权法来确定这两个加权系数。2.2 约束条件1)负荷限制约

16、束。在每个时刻，配电网的总负荷小于配电网最大负荷限值。 (5)式中为配电网最大负荷限值。2)电动汽车充电时间限制。 (6)式中：为电动汽车驶入充电站的时间；为电动汽车离开充电站的时间。3)每辆电动汽车的用户需求约束。 (7)式中为电动汽车用户离开时期望达到的SOC值；为用户进站的初始SOC值；为电动汽车充电电池的额定容量。3 基于改进鸡群算法的滚动优化策略3.1 改进鸡群算法鸡群算法是在2014年由MENG Xianbing等14根据鸡群觅食行为而提出的一种新颖的仿生智能优化算法。CSO模拟了鸡群等级制度和鸡群搜索行为，其分群优化的思想使CSO在迭代时具有较好的寻优特性 15-16。该算法将搜

17、索空间的粒子比作鸡群，并根据粒子适应度的大小将其分为公鸡、母鸡、小鸡三个类群，每个类群有各自的搜索方式。每隔G代，鸡群中的角色又会重新进行分配以此提高算法的收敛性能。CSO将适应度好的个体定义为公鸡粒子，其搜索能力最强。定义为第i个个体的j维在第t次迭代时的空间位置，则公鸡的位置更新公式如下： (8) (9) 式中表示均值为0，方差为的正态分布；f表示与个体x对应的适应度值；表示一个很小的常数；表示公鸡个数。母鸡的位置更新公式如下： (10) (11) (12) 式中表示0,1之间的随机数；表示母鸡i所在子群对应的公鸡，表示公鸡对母鸡i的影响系数；表示从鸡群的公鸡和母鸡中随机选取的个体，表示所

18、选个体对母鸡i的影响系数。小鸡的位置更新公式如下： (13) 式中m表示第i只小鸡对应的母鸡；F表示母鸡对小鸡的影响系数，通常取为0,2之间的随机数。从公式(13)可以看出，小鸡仅根据自身当前所处位置和所在子群母鸡的位置进行相应的搜索策略更新，而无法取得公鸡的位置信息。当母鸡陷入局部最优时，小鸡因为仅和母鸡建立联系也将会陷入局部最优，这将导致CSO在迭代结束时无法获取全局最优解而陷入早熟。针对上述问题，本文对小鸡的位置更新策略进行改进，采用二次非线性递减惯性权重，并引入双亲引导机制，使小鸡同时向所在子群的母鸡和公鸡学习。经过改进后，式(13)可改写为：(14) 式中q表示第i只小鸡所在子群对应

19、的公鸡；Q表示小鸡向所在子群公鸡的学习系数，Q的取值参考F的取值；表示二次非线性递减惯性权重，其表达式如下式所示： (15) 式中表示惯性权重的最大值；表示惯性权重的最小值；k表示当前迭代次数；表示最大迭代次数。经过上述改进后，算法在迭代初期时较大的惯性权重有利于算法进行全局搜索，而迭代后期较小的惯性权重则有利于算法进行更准确的局部搜索；与此同时，在标准CSO中引入双亲引导机制可进一步避免算法陷入早熟，提高算法收敛精度。改进CSO的具体流程介绍如下：1)初始化鸡群参数：确定种群规模，公鸡、母鸡和小鸡占鸡群总数的比例，更新代数，粒子维度，最大迭代次数，惯性权重和学习因子等基本参数。2)计算每个个

20、体的适应度，根据适应度的大小将鸡群分成若干子群，确定母子关系，并初始化个体最优值和全局最优值，令迭代次数k=1；3)开始进行迭代寻优更新；4)判断迭代次数是否为G的倍数，是则对鸡群重新排序分配角色，否则对公鸡、母鸡和小鸡分别按式(8)、式(10)和式(14)进行位置更新；5)更新个体最优值和全局最优值；6)k=k+1，判断是否达到最大迭代次数，是则输出结果，否则转到步骤3)。3.2 电动汽车滚动优化策略 有别于日前调度策略，本文提出的有序充电引导策略是随着时间的推移滚动进行的，即根据每个时刻进入充电站的电动汽车状态实时地调整调度计划。其关键步骤为，充电站控制中心在每个时段开始的时候刷新数据，如

21、果检测到有新的电动汽车接入或离开，则更新系统信息并利用改进CSO优化计算未来T个时段的充电计划，并严格实施当前时段的充电安排；如果数据没有发生变化，则执行上一个时段对此时段的优化调度安排。如此反复，不断地将后续控制时间段制定的充电计划去覆盖前一控制时间段制定的充电计划，以此实现电动汽车充电的滚动优化调度。基于改进CSO的滚动优化充电策略的具体流程如图2所示。图2滚动优化控制流程图Fig.2 Rolling optimization control flow chart4 算例分析4.1 仿真参数设置本文以某一配电网为例进行仿真分析，并假设该配电网的其中一个节点为电动汽车充电站负荷，其他节点为常

22、规原始负荷，优化模型中的具体参数设置如下：1)充电站所在配电网的最大负荷限值为2 400 kW。2)电动汽车进站时间按均值为17，方差为3.3的正态分布进行模拟。3)电动汽车离站时间按均值为9，方差为3.3的正态分布进行模拟。4)电动汽车的初始SOC量按均值为0.4，方差为0.1的正态分布进行模拟。5)本文采用常规充电方式对电动汽车进行充电，并认为充电功率保持不变，设为7 kW。6)一个调度周期设为24 h，每段控制时间设为15 min，即将一天分为96个控制时段来进行分析。7)充电电价和原始负荷数据来自于文献17，其中统一充电电价为1.3元，充电分时电价数据如表1所示，配电网原始负荷曲线如图

23、3所示。表1 充电分时电价数据Tab.1 Data of time-of-use electricity price时段充电分时电价(元/kWh)00:0008:000.408:0012:002.012:0015:001.215:0021:002.021:0024:001.2图3 配电网原始负荷曲线Fig.3 Original load curve of distribution system8)算法的相关参数设置：最大迭代次数设为500，鸡群总数设为80，公鸡、母鸡和小鸡各占鸡群总数的20%、60%和20%，与小鸡具有亲子关系的母鸡占鸡群总数的10%，每10代进行角色更新，惯性权重最大值设为

24、0.9，惯性权重最小值设为0.4。4.2 滚动优化策略效果对比为了说明本文所提滚动优化有序充电策略所起的作用，将其与即到即冲的无序充电方式进行对比分析。同时，为了比较不同数量电动汽车接入配电网充电时调度结果的不同效果，分别模拟50辆、100辆和200辆汽车进站充电时的情况。三种情况的电动汽车无序充电和滚动优化调度结果如表2所示。表2电动汽车优化调度结果Tab.2 Optimal dispatch results of electric vehicles汽车数量控制方式充电费用/元最大峰谷差/kW50无序充电11 827.31 639.6优化充电5 028.01 388.1100无序充电22 1

25、84.41 804.0优化充电8 691.21 262.1200无序充电45 217.62 449.6优化充电16 495.41 085.11)50辆电动汽车进站充电时的无序充电负荷曲线和滚动优化充电负荷曲线如图4所示。图4 50辆车有序、无序充电的总负荷Fig.4 Total load of coordinated and uncoordinated charging with 50 ev从图4中可以看出，相比于无序充电，本文所提滚动优化策略的一部分电动汽车充电负荷转移到了负荷低谷时期，起到了一定的削峰填谷作用。从表2数据也可以看出，充电费用相比于无序充电减少了6 799.3元，峰谷差相比于

26、无序充电减少了251.5 kW。2)100辆电动汽车进站充电时的无序充电负荷曲线和滚动优化充电负荷曲线如图5所示。图5 100辆车有序、无序充电的总负荷Fig.5 Total load of coordinated and uncoordinated charging with 100 EV从图5中可以看出，随着进站充电的电动汽车数量增加，电动汽车无序充电时形成了另外一个比原始负荷最高峰还高的负荷尖峰。而滚动优化策略有相当大部分的充电负荷转移到了负荷低谷期，负荷充电曲线变得更为平滑，起到了更好的削峰填谷作用。从表2中的数据也可以看出，滚动优化策略的充电费用相比于无序充电减少了13 493.2元

27、，最大负荷峰谷差减少了541.9 kW。3)100辆电动汽车进站充电时的无序充电负荷曲线和滚动优化充电负荷曲线如图6所示。图6 200辆车有序、无序充电的总负荷Fig.6 Total load of coordinated and uncoordinated charging with 200 EV从图6可以看出，当电动汽车的数量进一步增大时，无序充电对配电网影响愈加严重，所形成的负荷尖峰甚至超过了配电网的最大负荷限制，这将严重威胁到配电网的安全稳定运行。而滚动优化策略不仅在用户充电费用上相较于无序充电减少了28 722.2元，而且其调节峰谷差的能力也表现得更为明显，峰谷差的减少量达到了1 3

28、64.5 kW。综合以上三种情况可以看出：三种电动汽车负荷渗透率下，采取滚动优化有序充电策略后充电费用相比于无序充电分别减少57.49%、60.80%和63.52%，说明本文的充电策略可以显著降低用户的充电费用，且随着电动汽车负荷渗透率的提高，其效果越明显。在滚动有序充电控制策略下，三种不同渗透率的充电负荷的调度结果都能让配电网的负荷峰谷差减小，且渗透率越大，减小的幅度越明显。其具体数据相比于无序充电分别减小15.34%、30.03%和55.70%，说明本文所提充电策略对于具有一定规模电动汽车集群充电的配电网，其平抑有功负荷波动的效果明显，削峰填谷作用显著。4.3 改进CSO效果对比为了说明本

29、文所提改进CSO在求解模型时的收敛效果和收敛精度，将改进CSO和标准CSO的计算结果进行对比，如表3所示。表3算法求解数学模型结果Tab.3 Solving mathematical model results by algorithm汽车数量算法充电费用/元最大峰谷差/kW50标准CSO5 260.41 421.3改进CSO5 028.01 388.1100标准CSO改进CSO9 010.48 691.21 306.11 262.1200标准CSO17 083.61 144.4改进CSO16 495.41 085.1从以上结果可看出，无论是对于电动汽车用户的充电费用还是对于配电网的负荷峰谷差

30、，改进CSO所求解出来的结果都比标准CSO要好，说明本文所提改进策略能更好地提高算法的收敛精度。200辆电动汽车充电时，利用标准CSO和改进CSO求解相应模型的迭代收敛曲线如图7所示。图7 算法迭代曲线图Fig.7 Convergence curves of the algorithm从图7可以看出，由于改进CSO能更好地平衡算法的全局搜索与局部搜索能力，故其可以有效避免算法陷入早熟，有利于充电站控制中心得到更好的优化调度结果。5 结束语为减小电动汽车无序充电给配电网带来的不利影响，本文提出了基于改进鸡群算法的有序充电策略，其调度策略会随时间的推移不断滚动更新电动汽车的充电计划。算例仿真结果表

31、明，所提的有序充电策略能够有效地减小电动汽车用户的充电费用和配电网负荷的峰谷差，起到良好的削峰填谷作用，且随着电动汽车负荷渗透率的提高，其带来的效果越明显；改进CSO能有效避免算法陷入局部最优，提高算法的收敛精度，获取问题的最优解。参 考 文 献1 张洪财, 胡泽春, 宋永华, 等. 考虑时空分布的电动汽车充电负荷预测方法J. 电力系统自动化, 2014, 38( 1) : 1320. Zhang Hongcai, Hu Zechun, Song Yonghua, et al. Forecasting method of electric vehicle charging load consi

32、dering time and space distribution J. Automation of Electric Power Systems, 2014, 38 ( 1) : 13-20. 2 胡泽春, 宋永华, 徐智威, 等. 电动汽车接入电网的影响与利用J. 中国电机工程学报, 2012, 32(4): 1-10. Hu Zechun, Song Yonghua, Xu Zhiwei, et al. Impacts and utilization of electric vehicles integration into power systemsJ. Proceedings of

33、 the CSEE, 2012, 32(4): 1-10. 3 AGAH S M M, ABBASI A. The impact of charging plug-in hybrid electric vehicles on residential distribution transformersC /Smart Grids (ICSG), 2012 2nd Iranian Conference on: IEEE, 2012: 1-5. 4 孙建龙, 李 妍, 胡国伟, 等. 电动汽车接入对配电变压器使用寿命的影响J. 高电压技术, 2015, 41 ( 11) : 3830-3835. S

34、un Jianlong, Li Yan, Hu Guowei, Et al. Influence of electric vehicle access on service life of distribution transformerJ. High Voltage Engineering, 2015, 41( 11) : 38303835. 5 高赐威, 张亮. 电动汽车充电对电网影响的综述J. 电网技术, 2011, 35(2): 127-131. Gao Ciwei, Zhang Liang. A survey of influence of electrics vehicle cha

35、rging on power gridJ. Power System Technology, 2011, 35(2): 127-131. 6 陈奇芳, 刘念, 赵天阳, 等. 基于滚动线性规划的光伏充电站自动需求响应J. 电网技术, 2016, 40(10): 2967-2974.Chen Qifang, Liu Nian, Zhao Tianyang, et al. Automatic demand response for PV charging station based on receding linear programmingJ. Power System Technology,

36、2016, 40(10): 2967-2974. 7 李敏, 苏小林, 阎晓霞, 等. 多目标分层分区的电动汽车有序充放电优化控制J. 电网技术, 2015, 39(12): 3556-3562. Li Min, Su Xiaolin, Yan Xiaoxia, et al. Coordinated charging and discharging of plug-in electric vehicles based on multi-layered and multi-regional optimizationJ. Power System Technology, 2015, 39(12):

37、 3556-3562. 8 程杉, 王贤宁, 冯毅煁. 电动汽车充电站有序充电调度的分散式优化J. 电力系统自动化, 2018, 42(1): 39-46. Chen San, Wang Xianning, Feng Yichen. Decentralized optimization of ordered charging scheduling in electric vehicle charging stationJ. Automation of electric Power System, 2018, 42(1): 39-46. 9 王兴成, 胡汉梅, 刘林. 基于鸡群优化算法的配电网络

38、重构J. 电工电气, 2016, (3): 20-24. Wang Xingcheng, Hu Hanmei, Liu Lin. Distribution network reconfiguration based on chicken swarm optimization algorithmJ. Electrotechnics Electric, 2016, (3): 20-24. 10 韩海英, 和敬涵, 王小君, 等. 田文奇.基于改进粒子群算法的电动车参与负荷平抑策略J. 电网技术, 2011, 35(10): 165-169. Han Haiying, He Jinghan, Wan

39、g Xiaojun, et al. An improved particle swarm optimization-based load response strategy with participation of vehicle to gridJ. Power System Technology, 2011, 35(10): 165-169. 11 陈静鹏, 艾芊, 肖斐. 基于集群响应的规模化电动汽车充电优化调度J. 电力系统自动化, 2016, 40(22): 43-48. Chen Jingpeng, Ai Qian, Xiao Fei. Optimal charging sched

40、uling for massive electric vehicles based on cluster responseJ. Automation of Electric Power Systems, 2016, 40(22): 43-48. 12 黄敏丽, 于艾清. 基于改进布谷鸟算法的电动汽车换电站有序充电策略研究J. 中国电机工程学报, 2018, 38(4): 1075-1083+1284. Huang Minli, Yu Aiqing. Study on coordinated charging strategy for battery swapping station based on improved cuckoo search algorithmJ. Proceedings of the CSEE, 2018, 38(4): 1075-1083, 1284. 13 沙熠, 邱晓燕, 宁雪姣, 等. 协调储能与柔性负荷的主动配电网多目标优化调度J. 电网技术, 2016, 40(5): 1394-1399. Sha Yi, Qiu Xiaoyan, Ning Xuejiao, et al. Multi-Objective optimization of active dist