1、 1 基于用户利益与出行意愿的电动汽车充放电调度 策略 杨春萍 1，赵祺 1，祁兵 1，李彬 1，崔高颖 2 (1.华北电力大学 电气与电子工程学院，北京 102206； 2.国网江苏省电力公司电力科学研究院，南京 210003) 摘要 ： 如今，随着越来越多智能充电桩的建立，人们对电动汽车的需求量日益加大，电动汽车不仅可以提高能源利用率、减少污染，而且还可以反向对电网进行供电，达到削峰填谷的目的。但是随着越来越多的电动汽车接入到电网，越来越多的用户参与到电动汽车调度中，电动汽车的充放电调度也变得越为复杂，在以往的一些调控中总是优 先考虑电网的峰值负荷如何降低，却很少考虑用户的需求与利益。事实
2、上，在保证电网负荷曲线的同时更应该考虑到用户的利益与需求 ,因为用户的利益与需求才是保证调度计划顺利实施的基础。文中基于用户的利益与出行意愿，利用粒子群算法对电动汽车的充放电进行调度，保证了用户的利益与满意度，同时有效削减了电网峰值时刻的负荷。 关键词： 电动汽车；粒子群算法；有序充放电调控；用户利益与需求 中图分类号 ： TM93 文献标识码 ： B 文章编号 ： 1001-1390（ 2018） 00-0000-00 Charge and discharge scheduling strategy of electric vehicle based on interest and trav
3、el intention of users Yang Chunping1, Zhao Qi1, Qi Bing1, Li Bin1, Cui Gaoying2 (1.School of Electrical and Electronic Engineering, North China Electric Power University, Beijing 102206, China. 2. Electric Power Research Institute of State Grid Jiangsu Electric Power Company, Nanjing 210003, China)
4、Abstract： Nowadays, with the establishment of more and more intelligent charging piles, the demand for electric vehicles is growing, and the electric vehicles can not only improve energy efficiency, reduce pollution, but also can reverse the power supply to the grid, so as to cut peak and fill the v
5、alley. But with more and more electric vehicles access to the grid, more and more users participate in the electric vehicle scheduling, and the scheduling of electric vehicle charge and discharge has become more complex. In the past, some of the regulation is always given priority to how to reduce t
6、he peak load of the grid, but rarely consider the needs and interests of users. In fact, the grid load curve should be guaranteed steady; meanwhile, the interests of users and needs should be taken into account, because the interests and needs of users is the foundation to ensure the smooth implemen
7、tation of the scheduling plan. Based on the interest and travel intention users, this paper adopts the particle swarm algorithm to dispatch the electric charge and discharge of the electric vehicle to ensure the interest and satisfaction of users, and effectively reduce the load of the peak time. Ke
8、ywords: electric vehicle, particle swarm optimization, ordered charge and discharge regulation, interests and need of users0 引 言 文献 1构建 了 用户选择充电时间对峰谷电价时段的响应模型 ； 通过蒙特卡洛法模拟得到电动汽车充电负荷的日负荷曲线 ， 并与原始电网负荷曲线叠加 ， 从而形成实施效果下的电网实际负荷情况。在此基础上建立了以峰谷差率最小为目标的最优化*基金项目：国家重点研发计划项目（ 2016YFB0901102）； 国网公司科技项目“城区用户与电网供需友好
9、互动系统项目” 2 模型 ， 通过遗传算法对峰谷电价时段优化问题进行了求解。 文献 2利用蒙特卡洛法对大规模电动汽车接入电网充电负荷进行评估的基础上，建立了电动汽车有序充电模型。以电网负荷削峰填谷为目标，通过遗传算法建立针对电动汽车负荷的需求侧响应策略优化模型 。文献 3仿真了四种情境下电动汽车充电对电网的影响，得到在非电网运营机构会采取分批充电的模式下可以让电动汽车电池的充电功率比较均匀地分布在谷期阶段，有效地填充了负荷低谷。文献 4提出有序充电的智能控制策略，采用中间管理者，将集中优化控制与分布式优化控制相结合。文献 5提出考虑电动汽车充电站布局优化的配网规划模型，提出了一种新的辐射状约束
10、保证可行解对应的规划方案均为辐射状网络。文献 6提出了一种含电动汽车的新型直流配电网，提高分布式发电的利用率，并节省储能装置的投资。文献 7为电动汽车用户设计了一种充放电策略，使用户在保证正常需求的情况下可以在低 电价时段充电，高电价时段向电网售电。文献 8对充换电和集中充电统一配送这 两 种换电模式的结构、运营流程进行了分析，提出分别以总充电费用最小和日负荷曲线波动最小为目标两阶段有序充电优化模型。文献 9提出了电动汽车充电分时电价时段划分方法，并建立了以用户充电费用最小和电池起始充电时间最早为控制目标的数学模型。文献 10利用分时电价机制引导和蒙特卡洛方法模拟不同管理模式下的 EV负荷 ,
11、采用场景生成和 K均值聚类算法构造风光典型场景集 ,以年总经济成本最优为目标函数 ,经粒子群算法优化得出含 EV 的微电网容量配置方案。 文 献 11重点介绍了 V2G 技术中电动汽车与电网互动双向电能检测系统的设计 ，并对双向电能检测系统进行软硬件的设计。 1 问题的描述 由于电动汽车隶属于用户的私人财产，用户的使用意愿具有随意性、不可控性，如果在调控过程中使用户的利益受损，电网将会失去与用户合作的机会。因此，电动汽车的充放电调度需要建立在用户满意度的前提下。本文首先考虑用户的利益与出行意愿，其次考虑电动汽车放电对电网的削峰影响。 1.1 目标函数的建立 101331012210111*)(
12、*)(*)(*)(*)(*)(m a xjjjkjpjqkjpjqkjpjqP（ 1） P 为 30 辆电动汽车在 10 个时刻内 的总收益， q1(j)为在 j 时刻正在充电电动汽车的数量， q2(j)为在 j 时刻不充电也不放电电动汽车的数量， q3(j)为在 j 时刻正 在 放 电 的 电 动 汽 车 的 数 量 ， 其 中q1(j)+q2(j)+q3(j)=30； k1 为： -1， 代表电动汽车正在充电； k2 为 1， 代表电动汽车正在放电； k3 为 0， 代表电动汽车既不充电也不放电。 1.2 约束条件 （ 1）单个用户收益约束 0)( iP （ 2） 为保障每个用户的利益，应
13、当设置单个用户收益约束，使每个用户收益都处于不亏损状 态，如若调控结束后 P（ i） 0，则应给予用户响应补贴，直至 P（ i） 0。 （ 2）放电上限约束与充电下限约束 %90)(%10 iS OC （ 3） 不管调控策略是否对电动汽车 i 进行放电，当SOC（ i） 90%时，都对电动 汽车 i 进行放电操作。当电动汽车 SOC(i) 10%时，电动汽车电量不足，不管调控策略对电动汽车 i如何调控，此时对电动汽车 i 进行充电操作。 （ 3）峰谷差值约束 top v a lly( ) ( )f j f j f（ 4） ftop 为 j 时刻之前的峰时负荷 值， fvally为 j 时刻之前
14、的谷时负荷值， f 为峰谷差值上限，当峰谷差值低于此上限时，对剩余电量不足 10%的电动汽车进行充电操作；当峰谷差值高于此上限时，按照粒子群算法对电动汽车进行充放电操作。 （ 4）满意度约束 ni ani bidiriS 11 )(1d ( i)()(（ 5） topSiS )(0 （ 6） 在第二阶段调度中，当 S(i) 0 时，用户处于满意状态，满意度值 S(i)的增加速度会随着实际电量值增加而减慢；即当电动汽车电量满足用户所需电量时，用户会感到满意， 但是在电动汽车电量满足用户所需电量的前提下，随着充电的进行，用户的满3 意度的增加速度远小于实际电量值的增加速度；这时为了给用户节约电费，
15、应当设置满意度上限值Stop。 2 模型的建立 考虑用户的利益，建立基于粒子群算法的第一阶段模型与基于用户满意度的第二阶段模型。选取日间 12 个时刻对电动汽车进行充放电调控，设置前10 个时刻为第一阶段，在第一阶段中首先利用粒子群算法确定各个时刻充电电动汽车与放电电动汽车的数量，再根据各个电动汽车的剩余电量与相应的约束条件，对具体哪几辆电动汽车充电，哪几辆电动汽车放电进行调控， 目的在于在整个调控过程中使用户的利益得到最佳化；设置后两个时刻为第二阶段，在第二阶段中，根据第一阶段末尾电动汽车剩余电量与用户设置行程所需电量计算得出用户满意度值，继而根据满意度值对电动汽车进行调控，目的在于在整个调
16、控过程结束后，在保障用户利益的基础上，使剩余电量能够满足用户的需求。 读 取 用 户 行 程 和 电 动 汽 车数 据读 取 用 户 行 程 和 电 动 汽 车数 据更 新 所 有 电 动 汽 车 的 剩 余电 量更 新 所 有 电 动 汽 车 的 剩 余电 量根 据 粒 子 群 算 法 确 定 各 时段 电 动 汽 车 充 电 数 量 ， 根据 电 动 汽 车 剩 余 电 量 决 定哪 几 辆 电 动 汽 车 充 放 电根 据 粒 子 群 算 法 确 定 各 时段 电 动 汽 车 充 电 数 量 ， 根据 电 动 汽 车 剩 余 电 量 决 定哪 几 辆 电 动 汽 车 充 放 电j = 1
17、 0 ？j = 1 0 ？根 据 电 动 汽 车 实 际 电 量 和 用户 所 需 电 量 算 出 满 意 度 值 Z根 据 电 动 汽 车 实 际 电 量 和 用户 所 需 电 量 算 出 满 意 度 值 ZZ = 0 ?Z = 0 ?对 此 电 动 汽 车 不进 行 任 何 操 作对 此 电 动 汽 车 不进 行 任 何 操 作对 此 电 动 汽 车 进行 充 电对 此 电 动 汽 车 进行 充 电否否是是是是否否 = j + 1 = j + 1初 始 化 数 据 ， 初 始 化 数 据 ， 图 1 电动汽车调控模型 Fig.1 Electric vehicle control model
18、 2.1 第一阶段模型 在第一阶段模型中，利用粒子群算法对充放电电动 汽车数量确定下来；再根据电动汽车电量对具体电动汽车进行充放电操作；使用户的利益得到最佳化，并保障电动汽车电池不会过度放电。 2.1.1 粒子群算法 在粒子群算法中，对一群没有质量和体积的粒子进行初始化，每个粒子都是目标问题的潜在解向量，根据适用度函数算出每个粒子的适应值，再通过与个体极值、种群极值对比，逐渐向最优值靠拢，其中粒子利用式（ 7）更新速度，利用式（ 8）更新位置，经过若干次的迭代，得到最优解向量。图 2为粒子群算法流程图。 ( ) * ( ) 1 * ( ) * ( ) ( ) 2 *( ) * ( ) ( )
19、V i w V i c randpbe st i pre se nt i crand gbe st i pre se nt i （ 7） )()()( iVip r e s e n tip r e s e n t （ 8） 初 始 化 粒 子 群 ， 设 定 初 始 位 置和 速 度初 始 化 粒 子 群 ， 设 定 初 始 位 置和 速 度根 据 目 标 函 数 计 算 每 个 粒 子 的适 应 值根 据 目 标 函 数 计 算 每 个 粒 子 的适 应 值对 每 个 粒 子 将 其 适 应 值 和 其 经历 过 的 最 好 位 置 的 适 应 值 进 行比 较 ， 若 较 好 ， 将 其
20、作 为 当 前最 好 位 置对 每 个 粒 子 将 其 适 应 值 和 其 经历 过 的 最 好 位 置 的 适 应 值 进 行比 较 ， 若 较 好 ， 将 其 作 为 当 前最 好 位 置对 每 个 粒 子 将 其 适 应 值 和 全 局经 历 过 的 最 好 位 置 的 适 应 值 进行 比 较 ， 若 较 好 ， 将 其 作 为 当前 的 全 局 最 好 位 置对 每 个 粒 子 将 其 适 应 值 和 全 局经 历 过 的 最 好 位 置 的 适 应 值 进行 比 较 ， 若 较 好 ， 将 其 作 为 当前 的 全 局 最 好 位 置根 据 式 对 粒 子 的 位 置 和 速 度进
21、 行 更 新根 据 式 对 粒 子 的 位 置 和 速 度进 行 更 新是 否 达 到 最 大 迭代 次 数 ？是 否 达 到 最 大 迭代 次 数 ？输 出 最 优 适 应 值 和 其 对 应 的 最优 解输 出 最 优 适 应 值 和 其 对 应 的 最优 解是是否否图 2 粒子群算法流程图 Fig.2 Particle swarm algorithm flow chart 2.1.2 粒子群算法在电动汽车充放电调控上的应用 将粒子群算法应用到电动汽车调控第一阶段中，由于不同时刻的电价不同，可通过在不同时刻对电动汽车进行充放电操作，使用户的充电所交电费与放电所得电费得到最优化处理，同时为了
22、保证在第二阶段用户的满意度，电动汽车电量在第一阶段中也不得低 于一定的阈值。 图 3 为第一阶段电动汽车充放电调控模型，首4 先根据各时段电价，利用粒子群算法确定各个时段充放电的电动汽车数量。再根据电动汽车剩余 SOC排序法，对电量剩余多的电动汽车进行放电，对电量剩余少的电动汽车进行充电。下一步进行判断，如果电动汽车 SOC 值大于 90%则对电动汽车进行放电，如果电动汽车 SOC 值小于 10%则对电动汽车进行充电。若当前时段峰谷差值小于 f，则对电动汽车进行充电；若当前时段峰谷差值大于等于 f，则利用电动汽车剩余 SOC 排序法对电动汽车进行充放电操作。 初 初 初 初 初 初 初初 初
23、初 初 初 初 初初 初 初 初 初 初 初 初 初 初 初 初 初 初 初初 初 初 初 初 初 初 初 初 初 初 初q 1 ( j) ,q 2 ( j) ,q 3 ( j) 初 初 初 j初 初 初 初 初初 初 初 初 初 初 初 初 初 初 初 初 初 初初 初 初 初 初 初 初 初 初 初 初 初 初 初 初初 初 初 初 初 初 初 初 初 初 初 初q 1 ( j) ,q 2 ( j) ,q 3 ( j) 初 初 初 j初 初 初 初 初初 初 初 初 初 初 初 初 初 初 初 初 初 初初 初 初 q 1 ( j)初 S O C 初 初 初 初 初 初 初 初 初初 初
24、初 初 初 q 3 ( j)初 S O C 初 初 初 初 初 初 初初 初 初 初 初 初 初 初 初 初 初 初 初 初 初 初 初初 初 初 q 1 ( j)初 S O C 初 初 初 初 初 初 初 初 初初 初 初 初 初 q 3 ( j)初 S O C 初 初 初 初 初 初 初初 初 初 初 初 初 初 初 初 初 初 初 初 初 初 初 初S O C 9 0 % ?S O C 9 0 % ?初 初 初 初 初 初初 初 初 初 初 初初 初 初 初 初 初初 初 初 初 初 初S O C = 0 ?S （ i ） = 0 ?不 对 此 电 动 汽 车 进 行 任 何 操作 ，
25、等 待 用 户 使 用不 对 此 电 动 汽 车 进 行 任 何 操作 ， 等 待 用 户 使 用对 电 动 汽 车 进 行 充电 操 作对 电 动 汽 车 进 行 充电 操 作j = e d ?j = e d ?初 始 化 各 个 参 数j = 1 1初 始 化 各 个 参 数j = 1 1更 新 电 量更 新 电 量j = j + 1j = j + 1图 4 第二阶段电动汽车充放电模型 Fig.4 The second stage charge and discharge model of electric vehicle 3 算例分析 3.1 参数的设置 为了验证二层优化模型对于提升用户
26、利益的有效性以及提升用户满意度的有效性，以北京市某公司员工为例，在 07： 00-19： 00 时段对电动汽车充放电进行仿真计算。假设此公司有员工 300 名，平均每人有一辆汽车，则此公司汽车总数为 300 辆，其中电动汽车 30 辆，电动汽车普及率为 10%。假设用户电动汽车充满电续航里程为 200 km，则可根据式（ 9）计算得出电动汽车 SOC 值。 () diSOC i d需总（ ）= （ 9） 式中 d 需 (i)为用户需求里程， d 总 为电池充满电状态下续航里程。 本文所提出的粒子群算法，以各时段用户利益之和作为适应度函数，通过对各个粒子适应度值的对比计算，得出最优解，继而得到在
27、各个约束条件下用户的最优利益。其中参数 c1 c2 1，进化次数n 200， 种群规模 s 200，假设每辆电动汽车充放电功率为 2.5 kW，电动汽车充电每小时 SOC 值可增加 10%，电动汽车放电每小时 SOC 值同样减少 10%。 图 5 所示为电动汽车初始剩余电量，即电动汽车开始参与调控时的剩余电量；图 6 所示为用户需求里程，在第二阶段调控中，可根据用户需求里程与公式（ 9）计算出用户需求电量；图 7 为峰谷电价图，即各个时段的电价。 0 5 10 15 20 25 3000 . 10 . 20 . 30 . 40 . 50 . 60 . 70 . 80 . 91电动汽车编号电动汽
28、车初始剩余电量（%）图 5 电动汽车初始剩余电量 Fig.5 Initial residual power of electric vehicle 0 5 10 15 20 25 300102030405060708090100电动汽车编号用户需求里程（km）图 6 用户需求里程 Fig.6 Requirements mileage of users 7 : 0 0 8 : 0 0 9 : 0 0 1 0 : 0 0 1 1 : 0 0 1 2 : 0 0 1 3 : 0 0 1 4 : 0 0 1 5 : 0 0 1 6 : 0 0 1 7 : 0 0 1 8 : 0 0 1 9 : 0 0
29、00 . 511 . 52时间各时段电价（元）第二阶段调控第一阶段调控图 7 各时段电价曲线 Fig.7 Price curve for each period 3.2 算例结果 3.2.1 第一阶段调控算例分析 图 8 所示为第一阶段中各时段充放电电动汽车的数量，在 7： 00-9： 00 期间虽然处于低谷电价，但电动汽车电量都比较充足，此时放电电动汽车占据绝大多数；在 10： 00-12： 00 期间，此时处于峰时电价，电动汽车放电可以给电动汽车用户带来更多的收益，所以大多数电动汽车仍处于放电状态；在 13： 00-16： 00 期间，此时电价波动比较剧烈（即13： 00-14： 00 为
30、平时电价， 15： 00 为谷时电价，6 16： 00 为峰时电价），而此时电动汽车经过前几个时段的放电，剩余电量也相应处于较低状态，因此可以看出，在 13： 00-16： 00 时段内，充电电动汽车数量明显增长。 7 : 0 0 8 : 0 0 9 : 0 0 1 0 : 0 0 1 1 : 0 0 1 2 : 0 0 1 3 : 0 0 1 4 : 0 0 1 5 : 0 0 1 6 : 0 0- 2 0- 1 5- 1 0-5051015202530时间电动汽车数量（辆）放电电动汽车数量充电电动汽车数量图 8 第一阶段控制中充放电电动汽车数量 Fig.8 Number of charge
31、-discharge electric vehicle in the first stage 图 9 所示为用户第一阶段控制中负荷曲线图，实线为调控前负荷曲线，虚线为基于粒子群算法的电动汽车调控策略的负荷曲线，在 7:00-10:00， 13：00-16： 00 期间，负荷值都在原有负荷曲线的基础上略有下降；在 10： 00-13： 00 期间，负荷值在原有负荷曲线的基础上有大幅下降；在可以看出在各个时刻负荷值都有所减少，尤其是在峰值时刻，负荷值减少最为明显，说明此调控策略在保证用户利益的基础上还起到了削峰的作用。 7 : 0 0 8 : 0 0 9 : 0 0 1 0 : 0 0 1 1 :
32、 0 0 1 2 : 0 0 1 3 : 0 0 1 4 : 0 0 1 5 : 0 0 1 6 : 0 01000110012001300140015001600时间负荷（kW）调控后调控前图 9 第一阶段控制中负荷曲线图 Fig.9 Load curve in the first stage 图 10 所示为用户利益曲线，在粒子群算法中随着迭代次数的增长，各粒子都会不断向最优值靠近。如图所示当迭代次数为 120 次左右时，用户利益达到最优为 159 元。 0 20 40 60 80 100 120 140 160 180 200115120125130135140145150155160进
33、化次数（次）用户利益（元）图 10 用户利益曲线 Fig.10 Interest curve of users 图 11 所示为第一阶段调控后各个电动汽车剩余电量，为避免过度放电导致的电量过低，电动汽车在第一阶段调控结束后剩余电量应保持在 10%以上，图 11 所示的电动汽车全部满足要求。 0 5 10 15 20 25 3000 . 10 . 20 . 30 . 40 . 50 . 60 . 70 . 80 . 91电动汽车编号电动汽车剩余电量（%）图 11 第一阶段结束后电动汽车剩余电量 Fig.11 Electric car remaining power after the first
34、 stage 3.2.2 第二阶段调控算例分析 图 12 为第二阶段调控后各电动汽车的剩余电量。在经过第二阶段调控后，各电动汽车剩余电量与第一阶段结束时相比都有一定的提升，剩余 SOC值基本保持在 20%-50%之间。由于用户需求电量的差异，导致第二阶段充放电调控具有差异性，当电动汽车剩余电量满足用户需求电量后，电动汽车就不再充电，同时等待用户使用；当电动汽车剩余电量不满足用 户需求时，电动汽车就会持续充电。 7 0 5 10 15 20 25 3000 . 10 . 20 . 30 . 40 . 50 . 60 . 70 . 80 . 91电动汽车编号电动汽车剩余电量（%）图 12 第二阶段
35、调控结束电动汽车剩余电量 Fig.12 Electric car remaining power after the second stage 图 13 所示为第二阶段调控结束后用户满意度值。当用户满意度值大于 0 时，代表用户处于满意状态，电动汽车剩余电量满足用户需求；当用户满意度值小于 0 时，则相反。如图 13 所示，其中处于满意状态的用户数有 27 户，处于不满意状态的用户有 3 户，用户满意率为 90%。由此可以看出第二阶段调控可以基本 满足用户的电量需求。 0 5 10 15 20 25 30- 0 . 0 200 . 0 20 . 0 40 . 0 60 . 0 80 . 1电动
36、汽车编号用户满意度值 Z图 13 第二阶段调控结束后用户满意度值 Fig.13 User satisfaction value after the second stage 图 14 所示为电动汽车用户在参与第一阶段、第二阶段调控后的收益与花费情况，可以看出每个用户都可以通过日间放电获得一定的收益，但用户都要在第二阶段调控中花费少量电费来补充电量，通过第一阶段与第二阶段调控每位用户都至少达到不亏损状态（即总收益为 0）；这是由于用户的收益与电动汽车的起始电量有很大关系，当电动汽车起始电量 较少时，在峰值电价时电动汽车就不能通过放电来获得收益；在理想状态下（即每辆电动汽车的起始电量都在一定的阈值
37、之上），每位用户都可以通过对电网反向供电获得一定的可观收益。 0 5 10 15 20 25 30-50510152025电动汽车编号用户收益或花费（元）第一阶段调控用户收益第二阶段调控用户花费图 14 各用户收益与花费汇总图 Fig.14 Summary chart of the revenue and expenses for each user 表 1 所示为各阶段电动汽车调控结果，结果显示第一阶段用户总盈利 159 元，第二阶段用户总支出 85 元，合计盈利 74 元，满意率达到 90%。调控结果说明此算法可以在满足用户需求的基础上， 使电动汽车对电网进行反向供电从而获得收益，既保证了
38、用户的需求又维护了用户的收益。 表 1 调控结果 Tab.1 Control results 第一阶段 第二阶段 合计 收益 /支出（元） 159 85 74 满意率（ %） 无 90% 90% 表 2 所示为第二阶段调控电动汽车充放电情况，其中 1 代表放电， 0 代表不充也不放， 1 代表充电，可以看出在第二阶段主要是对电动汽车进行充电调控，为了满足用户的用电需求，在第二阶段调控中对电量不足的电动汽车进行充电操作。表 2 第二阶段调控电动汽车充 电情况 Tab.2 Regulation of electric vehicle charging situation in the second
39、 stage 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 17： 00 -1 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 0 8 18： 00 -1 0 -1 0 0 -1 -1 0 -1 0 -1 -1 -1 -1 -1 -1 -1 -1 -1 0 -1 0 -1 -1 0 0 -1 -1 -1 0 4 结束语 为了提高用户收益并满足用户用电需求，考虑电动
40、汽车剩余电量与负荷峰谷差值，利用粒子群算法对电动汽车进行充放电调度：以电动汽车用户利益最佳化为目标，对电动汽车充放电过程进行了计算。仿真结果说明了： （ 1）经过在第一阶段调控中粒子群算法对电动汽车的有序充放电调控，用户在获得一定收益的基础上电动汽车还保持有一定的剩 余电量； （ 2）经过第一阶段粒子群算法对电动汽车的有序充放电调控，各时段负荷值得到明显削减，并且负荷峰谷差值得到削减； （ 3）经过第二阶段的充电调控， 90%的用户对电动汽车剩余电量满意，并且综合两个阶段调控，用户还可获得一定量收益。可以说明此算法既可以使用户得到一定的收益，又能满足用户的用电需求。 参 考 文 献 1 葛少云
41、 , 黄镠 , 刘洪 . 电动汽车有序充电的峰谷电价时段优化 J. 电力系统保护与控制 , 2012, (10): 1-5. Ge Shaoyun, Huang Liu, Liu Hong. Evaluation of peak and valley electricity price in orderly charging of electric vehicle J. Power System Protection and Control, 2012, (10): 1-5. 2 李昊扬 . 基于需求侧响应的电动汽车有序充电研究 D. 天津 : 天津大学 , 2012. Li Haoyang.
42、 Based on the demand side of the response of electric vehicles in order to charge D.Tianjin: Tianjin University, 2012. 3 钟童科 . 大规模电动汽车的充放电行为及其对电网的影响研究 D.广州 : 华南理工大学 , 2012. Zhong Tongke. Charge and discharge behavior of large-scale electric vehicles and its impact on the power grid D. Guangzhou:Sout
43、h China University of Technology, 2012. 4 王建 . 电动汽车充电对电网的影响及有序充电研究 D. 济南 : 山东大学 , 2013. Wang Jian. Electric vehicle charging on the power grid and the impact of orderly charge D. Jinan: Shandong University, 2013. 5 王丽芳 , 朱庆伟 , 李均峰 , 等 . 电动汽车无线充电用磁耦合机构研究进展 J. 集成技术 , 2015, (1): 1-7. Wang Lifang, Zhu Q
44、ingwei, Li Junfeng, et al. Research progress of magnetic coupling mechanism for electric vehicle wireless charging J. Integration Technology, 2015, (1): 1-7. 6 Venayagamoorthy, G.K., P. Mitra, K. Corzine, et al. Real-time modeling of distributed plug-in vehicles for V2G transactionsC. Energy Convers
45、ion Congress and Exposition, 2009. ECCE 2009. IEEE. 2009. 7 罗卓伟 , 胡泽春 , 宋永华 , 等换电模式下电动汽车电池充电负荷建模与有序充电研究 J中国电机工程学报 , 2012, 32(31): 1-10 Luo Zhuowei, Hu Zechun, Song Yonghua, et al. Research on charging load modeling and ordered charging of electric vehicle battery under electromechanical mode J. Chin
46、ese Journal of Electrical Engineering, 2012, 32 (31): 1-10. 8 孙晓明 , 王玮 , 苏粟 , 等 . 基于分时电价的电动汽车有序充电控制策略设计 J. 电力系统自动化 , 2013, 37(1):191-195. Sun Xiaoming, Wang Wei, Su Su, et al.Optimal charging control strategy design of electric vehicle based on time-of-use price J. Automation of Electric Power Syste
47、ms, 2013,37 (1): 191-195. 9 韩锦瑞 . 广东电网公司应对电动汽车发展的规划建设策略研究 D.北京 : 华北电力大学 , 2013. Han Jinrui. Guangdong Power Grid Corporation to deal with the development of electric vehicle planning and construction strategy research D. Beijing:North China Electric Power University, 2013. 10 厉志辉 . 电动汽车充电站对电网影响 D. 济
48、南 : 山东大学 , 2013. Li Zhihui. Electric car charging station on the power grid D. Jinan: Shandong University, 2013. 11 吴宇 , 张彼德 , 袁国森 , 等 .计及电动汽车和风光资源不确定性的微电网优化配置 J.电测与仪表 ,2016, 53(16): 39-44. Wu Yu, Zhang Bide, Yuan Guosen, et al. The optimization of microgrids taking into account the uncertainty of electric vehicle and scenery resources J. Electrical Measurement 修回日期 : 2017-07-16 (王克祥 编发 )
