考虑电动汽车规模化入网的动态经济调度.pdf

电 力 自 动 化 设 备 Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ａｕｔｏｍａｔｉｏｎ Ｅｑｕｉｐｍｅｎｔ Ｖｏｌ．33 Ｎｏ．9 Sept. ２０13 第33卷第9期 ２０13年9月 0引言 随着全球能源危机的不断加剧，以石油资源为主 的一次能源日益枯竭，温室效应和大气污染日趋严 重，各国政府已经逐渐认识到节能减排对人类社会 可持续性发展的重要性。 电动汽车具有电代油、零 排放、噪音低等特点，因此它是解决能源和环境问题 的重要手段。 电动汽车产业的发展是缓解全球能源 危机和气候变暖问题的重要举措，也是中国建设坚强 智能电网的有机组成部分［1］。 插电式混合电动汽车PHEVs（Plug鄄in Hybrid Electric Vehicles）在充电时可以当作一个负荷，而在 其闲置时又可以当作分布式电源把电能反馈给电 网［2］。 然而PHEVs的大规模入网会给电力系统的经 济、稳定以及安全运行带来新的挑战［3鄄4］。 文献［5 ］提 出了PHEVs“调度控制中心”这一概念，文中指出参 与PHEVs调度的车辆必须提前一天向调度中心提 出入网申请，从而调度中心可以制定后一天的调度计 划。 文献［6］指出电动汽车采用有序的充电策略会 提高电能质量。 因此如果不对PHEVs的充放电加 以适当的控制，PHEVs大量接入可能会对电网产生 一定的影响。 动态经济调度考虑的是不同时间断面的耦合 性，比静态经济调度更符合电力系统的实际运行［7］。 考虑电动汽车入网的动态经济调度这一方向在国内 外已经有一些研究例如文献［8］构建了计及可入 网电动汽车的电力系统机组最优组合模型；文献［9］ 建立了电动汽车入网以及计及安全约束的机组模型， 最后分别采用AIMMS商业软件对模型进行求解；文 献［10 ］构建了含电动汽车放电的数学模型，然后用 粒子群算法对其进行了求解，但是模型中只是简单地 把电动汽车看作分布式电源，这样有失偏颇。 考虑电动汽车充放电的动态经济调度模型是一 个非线性、高维、多约束的问题，采用常规的算法比 较难以解决。 微分进化DE（Differential Evolution ）算 法是一种高效的智能算法，其性能被证明要优于粒子 群算法、进化策略、遗传算法等其他算法［11］。 但DE 算法在进化后期常会因种群中的个体失去多样性而 陷入局部最优，对于高度复杂的优化问题难以找到全 局最优解。 因此，本文对DE算法进行了改进，提出 一种双种群带精英学习策略的微分进化（BESDE ）算 法，并对所提出的模型进行求解，结果表明，BESDE 算法比DE算法能够得到更好的结果。 1电动汽车规模化入网的动态调度模型 1.1目标函数 电动汽车入网调度模型中应该考虑的问题主要 有机组的发电成本、机组的启停成本、废气的排放成 本以及PHEVs用户的经济效益。 目标函数可以用式（1）来表示 min C鄱 t＝1 T （Cf，tCs，tCe，t-Cphevs，t）（1） 其中，C为社会总成本；T为调度时段数；Cf，t 为所有 机组在t时段的燃料成本费用；Cs，t为所有机组在t 时段的启停费用；Ce，t为所有机组在t时段的废气排 放成本；Cphevs，t为PHEVs用户在t时段所收到的经济 效益。 a.机组的燃料成本费用。 Cf，t鄱 i＝1 m Ui，t｛aibiPi，tciPi，t 2 gisin［hi（Pi ，t-Pi min）］ ｝ （2） 其中，m为燃煤机组的数量；Ui，t为机组i 在t时段的 启停状态，Ui，t0表示停机，Ui，t1表示开机；ai、bi、ci 摘要 构建含有插电式混合电动汽车（PHEVs）充放电的动态经济调度数学模型，以社会总成本（机组燃煤费 用、启停费用、废气的排放成本、PHEVs用户的经济效益）最小为目标函数，并引入相应的约束条件。 提出一种 双种群带精英学习策略的微分进化算法，以求出该模型的最优调度方案。10机系统仿真结果表明，借助合 理的发电计划，PHEVs的规模化入网能够实现对日负荷“削峰填谷”的作用。 关键词 电动汽车； 电力系统； 入网； 成本； 动态经济调度； 微分进化算法； 模型 中图分类号TM 73；Ｕ ４６９.72 文献标识码ADOI10.3969／j.issn.1006-6047.2013.09.015 考虑电动汽车规模化入网的动态经济调度 何明杰 1，彭春华1，曹文辉1，辛建波2，王世舟3 （1.华东交通大学 电气与电子工程学院，江西 南昌330013； 2.江西省电力科学研究院，江西 南昌330006；3.南车株洲电力机车有限公司，湖南 株洲412000） 收稿日期201２－09－12；修回日期2013－07－16 基金项目国家自然科学基金资助项目（51167005）；江西省教 育厅科技项目（GJJ12288）；江西省电力公司科研项目 Project supported by the National Natural Science Foundation of China（51167005），Education Science Research Funds of Jiangxi Province（GJJ12288）and Research Funds of Jiangxi Electric Power Corporation 为机组i的能耗特性参数；Pi，t为机组i在t时段的出 力；gisin［hi（Pi，t-Pi min）］ 为机组 i的脉动效应的表达 式，gi、hi为机组i的阀点效应参数，Pi min为机组 i的最 小出力值［12］。 b.机组的启停费用［13］。 Cs，t Cs，i h Ti，off≤Xi，off（t）≤Ti，offTi，cs Cs，i c Xi，off（t）＞Ti，offTi，cs s （3） 其中，Cs，i h 为机组i的热启动成本；Cs，i c 为机组i的冷 启动成本；Ti，off为机组i的最小连续停运时间；Xi，off（t） 为机组i在t时段连续停运的时间；Ti，cs为机组i的 冷启动时间。 c.废气排放成本。 燃煤机组在发电过程中会产生CO2、SOx和NOx 等废气，废气排放成本可采用式（4）来表示 Ce，t鄱 i＝1 m Ui，t［琢ｉ＋茁ｉＰｉ，t酌iPi，t 2孜iexp（姿iPi ，t）］ （4） 其中，琢ｉ、茁ｉ、酌i、孜i、姿i均为机组i的排放量特性系数 ［14］。 d. PHEVs用户的经济效益。 Ｃｐｈｅｖｓ，tNdis，tPdisfdis，t-Nchr，tPchrfchr，t（5） 其中，Ndis，t（Nchr，t ）为在t时段接入电网的PHEVs 放（充） 电的数量，Pdis（Pchr）为单辆PHEVs的放（充）电平均 功率，fdis，t（fchr，t ）为 PHEVs在t时段的放（充）电电价。 1.2约束条件 a. PHEVs总的放（充）电时间约束。 鄱 t＝1 T Ndis，tNmax dis （6） 鄱 t＝1 T Nchr，tNmax chr （7） 其中，Nmax dis（N max chr）为一个调度周期内PHEVs总的放（充） 电小时数。 调度中心必须每天向已经申请入网的 PHEVs发出调度指令。 考虑到电网的网络安全问题，各时段向电网放 （充）电的PHEVs数量应满足［10］ Ndis，t≤Ndismax，t（8） Nchr，t≤Nchrmax，t（9） 其中，Ndismax，t（Nchrmax，t ）为 t时段向电网放（充）电的PHEVs 的数量上限。 由于在t时段内所调度的PHEVs的数量不能 大于系统中所含PHEVs的总数，所以还要满足 Ndis，tNchr，t≤Nphevs（10） 其中，Nphevs为网络中PHEVs的总数。 b.功率平衡约束。 鄱 i＝1 m Ui，tPi，tPdisNdis，tPD，tPchrNchr，t（11） 其中，PD，t为t时段的系统负荷。 c.旋转备用约束。 为了保证电力系统的安全运行，必须为电网提供 足够的旋转备用容量。PHEVs入网后的系统旋转备 用约束可表示为 鄱 i＝1 m Ui，tPi maxPdisNdis ，t≥PchrNchr，tPD，tSR，t （12） 其中，Pi max为机组 i的最大输出功率；SR，t为t时段系 统旋转备用容量需求。 d.机组出力约束。 Pi min≤Pi ，t≤Pi max （13） e.机组爬坡约束。 Pi，t-Pi，t-1≤URi （14） Pi，t-1-Pi，t≤DRi （15） 其中，URi为机组i在相邻时段出力允许的最大上升 值，DRi为机组i在相邻时段出力允许的最大下降值。 f.最小开停机时间约束。 根据机组运行的要求，所有机组处于运行或停机 状态时，都必须要经过一定的时间之后才能停机或重 新启动。 Xi，off（t）≥Ti，off（16） Xi，on（t）≥Ti，on（17） 其中，Xi，on（t）为机组i在t时段的连续运行时间，Ti，on 为机组i的最小连续运行时间。 2模型求解 2.1改进的DE算法 DE算法在1995年由Storn和Price提出，具有收 敛速度快、鲁棒性好、操作简单等特点，近年来已 得到了广泛的认可和应用［15］。 标准的DE算法主要 包括了变异、交叉和选择等操作。 其中变异可以表 示为 vi G1xG r1F（xGr2-xGr3） （18） 其中，xGr1为随机选取的第r1个个体或者是当前最优 的个体，vi G1为 xGr1对应的变异个体，F为缩放因子，xGr2 和xG r3为随机选取的第r2个和r3个个体，i≠r1≠r2≠r3。 交叉操作可以表示为 uG1 ij vij G1 rand≤CR xGij其 s 他 （19） 其中，CR［０，1］为交叉概率，用来控制种群的多样 性，从而跳出局部最优；xGij为当前第i个个体的第j个 实数参量；vij G1 为xG ij对应的变异个体；uij G1为个体经 过交叉操作之后产生的新个体；rand为［0，1］之间的 随机数。 对于选择操作，DE算法采用“贪婪”选择模式 xG1 i ui G1 f（ui G1）＜ f（xG i） xGi其 s 他 （20） 其中，f（ui G1）和 f（xGi）为目标函数值，xGi为当前个体， ui G1 为经过交叉操作后产生的新个体，xG1 i 为经过选 第9期何明杰，等考虑电动汽车规模化入网的动态经济调度 择操作后得到的个体。 标准的DE算法采用的变异策略主要有DE ／ rand／1、DE／rand／2、DE／best／2、DE／rand ／1、DE／current鄄 to鄄rand ／1、DE ／current鄄to鄄best ／1等。DE ／rand ／2、DE ／ current鄄to鄄rand ／1的变异基向量是随机选择的，所以 全局搜索能力比较强，但是收敛速度比较慢［１６］。 而 DE ／ best ／1和DE ／current鄄to鄄best ／1是以当前最优值 作为变异基向量，因此收敛速度比较快，但是全局搜 索能力较弱［１７］。 因此，本文对DE算法进行如下改进。 a.双种群进化策略。 将种群分为数量相等的A和B这2个子种群［１８］， 子种群A采用DE ／ rand ／ 1的变异策略，这样群体A 在进化的过程中可以保持种群的多样性，对解空间进 行全局的搜索；子种群B采用的是DE ／ best ／ 2的进 化策略，这样可以在进化的时候根据当前最优解进行 局部搜索。 当A和B分别进化nl 代（ l为进化的代 数，本文取50代；n1，2，）之后，用A中的最好个 体代替B中的最差个体，同样用B中的最好个体代 替A中的最差个体，这样可以使种群之间实现信息的 交换，从而在保证整个种群有广泛的全局搜索能力的 同时也可以有精细的局部寻优能力。 b.精英学习策略。 DE算法在进化的后期，由于种群中的所有个体 相似度很高，因而在变异操作中差分项趋于零，最优 个体进化缓慢而很难跳出局部最优解。 根据文献 ［１9］的启示，可以对种群中的最优个体采用如下精 英学习策略进行更新，以跳出局部最优。 具体步骤 如下。 步骤1种群进化一定的代数之后，如果H（q） H（q-k），q为当前迭代的次数，k为连续未更新的代 数，本文取80 代， H为当代搜索到的全局最优解的值。 步骤2随机分别选取种群A、B中最优个体中 的一维gd，按式（21）进行变换 gd1gd（Udmax-Udmin）Gamma（α，β）（21） 其中，Udmax和Udmin为gd上限值和下限值；g d1 为经过 变换后的实数参数；α和β为Gamma分布的形状参 数和尺度参数，本文取β0.5，α按式（22）进行自适 应调整。 ααinitial-（αinitial-αfinal）q ／ qmax（22） 其中，αinitial0.8，αfinal0.2，qmax为最大迭代次数。 步骤3假如新个体的适应值小于原来全局最 优解的值，那么用新的个体代替当前最优个体，否则 与种群中最差个体进行比较，如果比最差个体的适应 值小，则用新个体代替最差个体，否则不做任何变化， 相关算法流程见图1。 2.2算法实现过程中的关键问题分析 （1） 种群初始化。 电动汽车规模化入网的动态调度模型是一个非 线性、非凸、高维的优化问题，而且包含了大量的等 式约束和不等式约束。 对于约束条件的处理，一般 是采用罚函数对其进行加罚淘汰，但是当罚函数选择 过大时会使算法收敛于局部最优解，而罚函数过小则 可能会收敛于不可行解。 所以在执行算法时必须对 约束条件进行处理，让其在可行域内搜索，从而提高 算法的执行效率。 为避免处理等式约束式（6）、（7）和（11）带来的 困难，将第1台机组与T时段安排放（充）电的PHEVs 数量Ndis，T（Nchr，T）作为状态变量［20］，不参与种群编码。 把第1台机组当作平衡机组，让其在整个调度周期内 保持开机状态，其他机组根据各项约束条件由t-1时 段的机组出力Pi，t-1（Pi，t-1＞0和Pi，t-10）来确定t时段 的机组出力Pi，t。 假设系统中有m台机组，调度的总 时段为T，具体操作如下。 Ndis，TNmax dis-鄱 t＝1 T-1 Ndis，t Nchr，TNmax chr-鄱 t＝1 T-1 Nchr，t P1，tPD，tPchrNchr，t-PdisNdis，t-鄱 i＝2 m Ui，tPi，t t （23） 图1 BESDE算法的流程图 Fig.1 Flowchart of BESDE algorithm 输入算法的参数 形成初始种群，分为种群数量相等的 种群A和B，计算种群的目标函数值， 进化迭代次数q0 qq1 种群A按照DE ／ rand ／ 1进化 迭代次数为nl 最优个体 k代未更新 种群B按照DE ／ best ／ 2进化 最优个体 k代未更新 种群之间实 现信息交换 N 优于最优个体 优于最差个体 精英学习策略 更新最优个体 到达qmax 代替最优个体 代替最差个体 N Y Y N N Y N N N Y 开始 迭代次数为nl Y 结束 第33卷 电 力 自 动 化 设 备 Y 设初始种群U0［Ｕｄｉｓ，1Ｕdis，tＵdis，T-1Uchr，1 Uchr，tＵchr，T-1W2，tWi，tWm，T］，U0中的元素均为 ［0，1］随机产生的实数，Ｕdis，t（Ｕchr，t）是用来控制PHEVs 的放（充）电的数量，Wi，t为控制机组的出力的大小。 可根据下面的方法来确定各个时段PHEVs放（充）电 的数量以及机组各个时段开停机状态和出力情况，其 具体操作如下。 a. t时段PHEVs放（充）电的车辆数可由式（24） 来确定 Ndis，tUdis，tNdismax，t Nchr，tUchr，t（Nphevs-Ndis，t t ） （24） b.如果Pi，t-1＞0，说明机组i当前处于运行状态。 如果Xi，on（t-1）＜Ti，on，机组不能停机，此时t时段的 出力范围由式（25）确定 Pmax i，tmin（Pi max，Pi ，t-1URi） Pmin i，tmax（Pi min，Pi ，t-1-DRi t ） （25） 如果Xi，on（t-1）≥Ti，on，机组可以停机，此时t时 段的出力范围由式（26）来确定 Pmax i，tmin（Pi max，Pi ，t-1URi） Pmin i，tmax（0，Pi，t-1-DRi t ） （26） 同理，对于Pi，t-10的情况可以做类似的处理。 由 上式所求得的各个时段机组出力的范围可以由式 （27）、（28）来确定机组出力大小，本文假设所有机组 刚启动时出力随机产生。 Pi，tPmin i，tWi，t（P max i，t-P min i，t） （27） 如果Pi，t＜Pimin，则 Pi，t0（28） 初始化种群的流程图如图2所示。 （2） 违反程度的计算。 经过上面对约束条件的处理，可以基本保证算法 在可行域内搜索。 由于第１台机组没有参与种群 的编码，所以首先必须对其在各个时段是否满足机组 爬坡约束式（14）、（15）进行判断，如果不满足约束条 件还必须对其进行加罚，如式（2９）所示 min Cf（U，X）δ鄱 t＝1 T max［0，（P1，t-P1，t-1）-UR1， （P1，t-1-P1，t）-DR1］（29） 其中，U、X分别为控制变量和状态变量；δ 为罚因 子，一般随迭代次数的增加而增加［２１］，本文取δ＝ 字 （浊-字）q ／ qmax，字和浊分别为70和2000。 （3） 算法流程图。 考虑电动汽车规模化入网的动态经济调度流程 图如图1所示。 3算例分析 3.1算例描述 本文采用10机系统进行仿真计算，该系统含有 10台 机 组 和60 000辆 可 调 度 的PHEVs，50的 PHEVs可以向电网输送电能。 这里假设申请调度 的PHEVs向电网一天内放（充）总电量为定值，且充、 放电各一次。每辆PHEVs平均充电功率为1.8 kW， 充电时长为6 h，充电总电量为10.8 kWh；平均放电 功率为1.7 kW，放电时长为6 h，放电总电量为10.2 kWh［２２］。 单位时间内PHEVs充放电的数量不能超 过总数的95，负荷和机组的参数见文献［２3］。 一 天内２４时段放（充）电实时电价如表1所示。 3.2算例分析 由表2可知PHEVs的放电时间段主要是在 1012、1416和20时段，通过分析可以看出这些 时间点的主要特征是负荷大，而且这些时段的放电电 价较高，基本上都在9.8美分／（kWh）以上；而PHEVs 的充电时段主要是在15、16、17和24时段，原因 是晚上用电负荷较小（主要分布在负荷为1050 MW 以下的时间点充电），但是23时段负荷为900 MW， 时段 放（充）电 电价／［美分 （kWh）-1］ 时段 放（充）电 电价／［美分 （kWh）-1］ 时段 放（充）电 电价／［美分 （kWh）-1］ 18.5（8.2）98.5（8.2）179.0（8.2） 28.5（8.2）1010.2（8.2）188.5（8.2） 38.5（8.0）1112（8.2）198.5（8.2） 48.5（8.0）129.8（8.2）209.8（8.2） 58.5（8.2）138.5（8.2）219.0（8.2） 68.5（8.5）1412（8.2）229.0（8.2） 78.5（8.2）1512（8.2）238.5（8.8） 88.5（8.2）1612（8.2）248.5（8.6） 表1放（充）电的实时电价 Tab.1 Spot price of discharging（charging） 图2初始化群体的流程图 Fig.2 Flowchart of population initialization 输入系统的参数 开始 随机产生［０，1］的实数， 确定t时段机组开停机 的状态和机组的出力 t时段功率平衡 t时段备用充足 tT 输出种群 tt1 N 令t t-T1，on 最大调整 次数小于N N N N Y Y Y Ｙ 随机产生［０，1］的实数， 确定PHEVs放（充）电 的数量 第9期何明杰，等考虑电动汽车规模化入网的动态经济调度 图3不同PHEVs渗透量下日负荷曲线 Fig.3 Daily load curve for different PHEV penetrations 600 1100 1600 1357911 13 15 17 19 21 23 2468 10 12 14 16 18222024 负荷／ MW 时段 70 000辆PHEVs， 90 000辆PHEVs， △ 80 000辆PHEVs PHEVS未入网之前 60 000辆PHEVs ▲ 50 000辆PHEVs， 时段 机组出力／ MW 放电 PHEVs数量 充电 PHEVs数量机组1机组2机组3机组4机组5机组6机组7机组8机组9机组10 1207.16191.99130.00130.00143.4500000057000 2225.24209.33130.00130.00158.0300000057000 3273.06257.54130.00130.00162.0000000057000 4283.05267.55130.00130.00162.0080.000000057000 5288.80273.15130.00130.00162.0080.000000035528 6306.64291.36130.00130.00162.0080.00000000 7331.60316.40130.00130.00162.0080.00000000 8356.52341.48130.00130.00162.0080.00000000 9363.96349.04130.00130.00162.0080.0085.0000000 10399.23384.46130.00130.00162.0080.0085.00000172420 11414.74399.81130.00130.00162.0080.0085.00000285000 12422.40408.28130.00130.00162.0080.0085.0033.8700285000 13424.16408.87130.00130.00162.0080.0064.9700000 14382.23367.32130.00130.00162.0080.000000285000 15332.20317.35130.00130.00162.0080.000000285000 16282.84270.56130.00130.00162.0080.0000002850031500 17288.41272.63130.00130.00162.0080.000000035021 18306.67291.33130.00130.00162.0080.00000000 19314.14298.86130.00130.00162.0080.0085.0000000 20397.19381.37130.00130.00162.0080.0085.00000202580 21373.98359.07130.00130.00162.0080.0064.9500000 22316.75301.27130.00130.00162.0059.98000000 23246.79231.21130.00130.00162.000000000 24225.73210.17130.00130.00158.0100000029951 表2 PHEVs入网后的最优调度方案 Tab.2 Optimal dispatch schedule considering PHEVs ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ◆ ▲ ▲ * ** * ** * * * * ** ** * * ** * * ** * ** △△ △ △△ △△ △ △ △△ △△ △ △ △△△ △ △△ △ △△ 第33卷 电 力 自 动 化 设 备 并没有安排PHEVs在此时段充电，主要原因是此时 段充电电价达到了一天内最高的8.8美分／（kWh）。 综上可知，影响PHEVs调度的主要因素是该时段负 荷大小以及放（充）电电价，而且当系统中的PHEVs 在该渗透量下，影响放电调度更多的是该时段电价的 高低，而影响充电调度更多的则是该时段负荷的大小。 对于机组方面，机组15在所有调度时段都保持 开机状态（机组容量大而且启停时间较长，启停费用 较高，不宜频繁开停机）。 机组1、2的出力较大，占 全部机组出力的50左右（机组1、2爬坡速率比较 快，主要是当作基荷以应对负荷的突然变化）；机组 35在所有时段的功率输出几乎都在最大状态（这 些机组的运行成本比较低，满功率运行可以降低总的 运行成本）；机组68主要是工作在负荷较大的时 段，而且几乎也是满功率运行（这些机组主要是调峰 作用）；机组9、10没有开机，原因是负荷较小的时段 不用开机，从而降低成本，在负荷较大的时段PHEVs 放电作用又使它们避免了开机。 而且由表2可知， PHEVs基本上都是在白天放电（尤其在峰荷时段）， 因此该时段机组的废气排放量也极大减少了，从而提 高了环保效益。 从图3可以看出，由于PHEVs接入电网，使日 负荷曲线比未接入时显得“平缓”，这也说明了PHEVs 的并网可以对日负荷产生“削峰填谷”的作用。 图3中还分别给出了系统中含有5000090000 辆PHEVs时负荷曲线的变化，由图可知随着PHEVs 的增加，日负荷曲线变得越来越“平缓”。 其中负荷 曲线变化最大的是在14时段（日负荷最小的时段）， 不同渗透量下的PHEVs在这些时间段充电数量均 到达了最大值Nchrmax，t。 图4给出了在不同PHEVs渗透量下负荷曲线 的2个“极值点”的放电数量，即12时段（日负荷最 高点）和20时段（日负荷次高点）的放电数量（图4 中纵坐标为该时间段放电数量Ndis，t与Ndismax，t的比 值）。 由图可知，12时段除了渗透量为50000和60000 时放电数量达到Ndismax，t（Ndis，t与Ndismax，t的比值为1），其 他渗透量下随着PHEVs的增加放电数量反而有减 少的趋势，而当系统中为90000辆PHEVs时，只有 18781辆放电，为Ndismax，t的44；20时段与12时段一 样，PHEVs的放电数量亦随着渗透量的增加呈减少 的趋势，仅在10时段放电数量将随着渗透量的增加 而增加（渗透量为90 000时达到Ndismax，t）。 通过分析 可以发现，影响这些时段PHEVs放电数量的主要原 因是该时段的放电电价（10时段的放电电价为10.2 美分／（kWh），12和20时段的放电电价为9.8 美分／（kWh），随着PHEVs渗透量的增加，如果调 度过多的PHEVs在12和20时段放电会增加目标 函数的总成本。 图5分别给出了DE和BESDE算法的寻优曲 线，DE算法设置为400 个种群，BESDE中的A和B 种群数量均为200。 由图可知，DE算法求出的最 小社会成本为789885.87 ，而 BESDE算法求出的结 果为785974.65。DE算法在进化后期由于种群间 失去了多样性，很难跳出局部最优解。 而BESDE算 法由于采取双种群进化，群体之间信息交换策略，从 而使种群既有全局搜索能力又有局部搜索能力，而 且在进化后期通过对最优个体的学习，使之跳出局部 最优解，最终找出全局最优解。 4结论 本文建立了PHEVs大规模入网的动态经济调 度模型，该模型以社会总成本最低为目标函数，采用 BESDE算法对其进行求解。 并且以10机系统对其 进行仿真，结果表明，PHEVs的规模化入网可以实现 对电网负荷“削峰填谷”的作用，而不同规模的PHEVs 对日负荷曲线的影响也大不相同。 本文主要研究的是PHEVs的集中调度，但是随 着PHEVs用户增加，PHEVs的入网节点的选取可能 会影响整个系统的潮流分布，一些涉及到电网安全方 面的问题会变得日益突出，所以在保证网络安全的前 提下为PHEVs选择合适的入网节点是今后需要解 决的问题。 参考文献 ［1］ 朱成章．对我国发展纯电动汽车的质疑与思考［J］．中外能源， 2010，15（9）11鄄15． ZHUChengzhang． Questioningandreflectionsonplanto development Battery Electric Vehicles（BEV）in China［J］． Sino鄄 global Energy，2010，15（9）11鄄15． ［2］HAN S，SEZAKI K． Development of an optimal vehicle鄄to鄄grid aggregator for frequency regulation［J］． IEEE Trans on Smart Grid，2010，1（1）65鄄72． ［3］TAYLOR J，MAITRA A，ALEXANDER M，et al. uations of plug鄄in hybrid electric vehicles on regional electricity suppliers ［C］∥IEEE Power and Energy Society General Meeing. Calgary， AB，Canada［s.n.］，20091鄄6. ［4］DOW L，MARSHIALL M，XU L，et al. A novel approach for uatingtheimpactofelectricvehiclesonthepower distribution system［C］∥IEEE Power and Energy Society General Meeting. Minneapolis，MN，USA［s.n.］，20101鄄6. ［5］GUILLE C，GROSS G. A conceptual framework for the Vehicle鄄 to鄄Grid（V2G）implementation［J］. Energy Policy，2009，37（11） 4379鄄4390． ［6］CLEMENT N K，HAESEN E，DRIESEN J. The impact of charging plug鄄in hybrid electric vehicles on a residential distribution grid ［J］. IEEE Trans on Power Systems，2010，25（3）371鄄380. ［7］XIA X，ELAIW A M. Optimal dynamic economic dispatch of generationa review［J］. Electric Power Systems Research，2010， 80（8）975鄄986. ［8］ 陆凌蓉，文福拴，薛禹胜，等.计及可入网电动汽车的电力系统机 组最优组合［J］.电力系统自动化，2011，35（21）16鄄20. LU Lingrong，WEN Fushuan，XUE Yusheng，et al. Unit commit鄄 ment in power systems with plug鄄in electric vehicles［J］. Auto鄄 mation of Electric Power Systems，2011，35（21）16鄄20. ［9］ 蔡秋娜，文福拴，薛禹胜，等.基于SCUC的可入网混合电动汽车 优化调度方法［J］.电力系统自动化，2012，36（1）38鄄46. CAI Qiuna，WEN Fushuan，XUE Yusheng，et al. An SCUC鄄based optimization approach for power system dispatching with plug鄄in hybrid electric vehicles［J］. Automation of Electric Power Systems， 2012，36（1）38鄄46. ［10］SABER A Y，VENEYAGAMOORTHY GK. Intelligentunit commitment with vechicle鄄to鄄gridacost鄄emission optimization［J］. Journal of Power Sources，2010，195（1）898鄄911. ［11］VESTERSTROM J，THOMSEN R. A comparative study of diffe鄄 rential evolution，particle swarm optimization，and evolutionary algorithms on numerical benchmark problems［C］∥IEEE Con鄄 gress on Evolutionary Computation. Portland，USA［s.n.］，2004 1980鄄1987. ［12］VICTOIRE T A A，JEYAKUMAR A E. Reserve constrained dynamic dispatch of units with valve鄄point effects［J］. IEEE 图4不同PHEVs渗透量下各“极值”时段 放电数量 Fig.4 Discharge amount of peak periods for different PHEV penetrations PHEVs的渗透量 50000600007000080000 90000 1.0 0.5 0 比值 10时段，20时段◆12时段，▲ ▲ ▲ ▲▲ ▲ ◆ ◆ ◆ ◆ ◆ 图5 BESDE和DE算法的寻优曲线 Fig.5 Optimizing curves of BESDE and DE algorithms 迭代次数 总成本／ 苊 880000 780000 830000 0 200400 600800 DE算法，BESDE算法 第9期何明杰，等考虑电动汽车规模化入网的动态经济调度 Dynamic economic dispatch considering large鄄scale integration of electric vehicles HE Mingjie1，PENG Chunhua1，CAO Wenhui1，XIN Jianbo2，WANG Shizhou3 （1. School of Electrical Electronics Engineering，East China Jiaotong University，Nanchang 330013，China； 2. Jiangxi Electric Power Research Institute，Nanchan