基于协同进化的光伏电站与电动汽车充电网络规划方法技术

本发明专利技术提供了基于协同进化的光伏电站与电动汽车充电网络规划方法，S10给定规划边界条件；S20使用所述规划边界条件建立光伏电站与电动汽车充电网络随机协同规划模型；以及S30设计分别用于表示光伏电站与电动汽车充电网络建设方案的染色体编码策略与对应的交叉、变异操作算子，采用协同进化算法求解光伏电站与电动汽车充电网络随机协同规划模型，给出光伏电站与电动汽车充电网络最优规划方案。本发明专利技术的基于协同进化的光伏电站与电动汽车充电网络规划方法，对电动汽车充电站与光伏电站的建设位置和建设容量进行协同优化，在确保配电系统运行工况满足技术要求的前提下，最小化配电系统运行成本，为工程技术人员提供参考。

【技术实现步骤摘要】
基于协同进化的光伏电站与电动汽车充电网络规划方法
本专利技术涉及电动车充电网络
，具体涉及基于协同进化的光伏电站与电动汽车充电网络规划方法。
技术介绍
大力发展以光伏为代表的可再生能源发电和以电动汽车为代表的清洁能源交通工具是促进能源变革，实现可持续发展的重要途径之一。现有技术下，配电系统是分布式光伏并网和电动汽车充电的重要场所，显然，电动汽车充电网络和光伏电站将共同影响配电系统运行工况。对配电系统来说，不合理的光伏电站和电动汽车充电站布局将恶化运行工况，影响对用户的正常供电，具体表现为网损电量增加，节点电压偏差超标与线路潮流越限等。在此背景下，有必要对配电系统中的光伏电站和电动汽车充电网络进行协同规划，在确保配电系统运行工况满足技术要求的前提下，最小化配电系统运行成本。电动汽车充电站的充电负荷和光伏出力均具有随机特性，在这两大随机因素的共同作用下，配电系统运行工况呈现显著的随机特性，因此，光伏电站与电动汽车充电网络协同规划模型必然成为随机优化模型。综上，亟需提出考虑配电系统运行工况随机特性的光伏电站与电动汽车充电网络随机协同规划模型与对应的求解方法。文献一《ComprehensiveoptimizationmodelforsizingandsitingofDGunits,EVchargingstations,andenergystoragesystems》(IEEETransactionsonSmartGrid，2018年，第9卷，第4期，第3871页至3882页)建立了用于同时优化配电系统中分布式光伏电站、电动汽车充电站与储能电站建设地址和容量的二阶锥优化模型，并采用GAMS软件进行求解。研究中，对分布式光伏电站出力与电动汽车充电负荷的时变特性进行了考虑，但未计及这二者的随机特性，有一定的局限性。在考虑包括光伏电站在内的分布式电源同时对配电网负荷和充电站进行供电的前提下，文献二《含分布式电源及电动汽车充电站的配电网多目标规划研究》(电网技术，2015年，第39卷，第2期，第450页至456页)建立了用于同时优化分布式电源和电动汽车充电站建设地址和容量的多目标优化模型，并采用多目标自由搜索算法给出了模型的Pareto解集。然而，该文献并未考虑分布式电源出力与电动汽车充电站充电负荷的随机特性，给出的规划结果具有一定的局限性。在考虑光伏电站出力与充电站充电负荷随机特性的基础上，文献三《含光伏分布式电源配电网的电动汽车充电站机会约束规划》(电力系统及其自动化学报，2017年，第29卷，第6期，第45页至52页)建立了用于分布式光伏电站和电动汽车充电站建设地址优化的随机规划模型，并采用蝙蝠算法求解模型。该文献对光伏电站出力与充电站充电负荷的随机特性考虑的不够充分，且主要侧重于对电动汽车充电站和光伏电站的建设地址进行优化，具有一定的局限性。电动汽车充电网络和光伏电站将共同影响配电系统的运行工况，不合理的光伏电站和电动汽车网络布局将恶化配电系统运行工况，影响对用户的正常供电，具体表现为网损电量增加，节点电压偏差超标与线路潮流越限等。因此，有必要对配电系统中的光伏电站和电动汽车充电网络进行协同规划，在确保配电系统运行工况满足技术要求的前提下，最小化配电系统运行成本。然而，现有技术方法并未充分考虑分布式光伏电站出力与充电负荷的随机特性，具有一定的局限性。
技术实现思路
为了解决上述问题，本专利技术提供基于协同进化的光伏电站与电动汽车充电网络规划方法，对电动汽车充电站与光伏电站的建设位置和建设容量进行协同优化，在确保配电系统运行工况满足技术要求的前提下，最小化配电系统运行成本，为工程技术人员提供参考。为了实现以上目的，本专利技术采取的技术方案是：基于协同进化的光伏电站与电动汽车充电网络规划方法，包括如下步骤：S10给定规划边界条件，所述规划边界条件包括：配电系统拓扑参数与规划典型日内的负荷，规划典型日内的充电负荷与光伏出力概率场景集，充电站候选地址总数，充电站建设总数与总建设容量，充电站建设类型与对应的建设容量，光伏电站候选地址总数，光伏电站建设总数与总建设容量，光伏电站建设类型与对应的建设容量，节点电压最大允许偏移百分数，节点电压越限与潮流越限置信度；S20使用所述规划边界条件建立光伏电站与电动汽车充电网络随机协同规划模型；以及S30设计分别用于表示光伏电站与电动汽车充电网络建设方案的染色体编码策略与对应的交叉、变异操作算子，采用协同进化算法求解光伏电站与电动汽车充电网络随机协同规划模型，给出光伏电站与电动汽车充电网络最优规划方案。进一步地，所述步骤S20包括：光伏电站与电动汽车充电网络随机协同规划模型的优化目标为减小配电系统规划典型日内的网损电量，如公式(1)所示，其中，Floss为配电系统规划典型日内的网损电量期望；t为潮流分析时段索引，Tf为典型日内的潮流分析时段数；l为配电线路索引；Ωbr为配电线路索引集合；ΔPloss,l,t为配电线路l在潮流分析时段t的损耗功率，为随机变量；E(·)为对随机变量求期望的运算符；所述S20还包括确定约束以及机会约束，所述确定约束包括分别通过公式(2)～(5)获取的表示充电站建设总数机会约束、表示光伏电站建设总数机会约束、表示充电站总建设容量的机会约束以及表示光伏电站总建设容量的机会约束，所述机会约束包括分别通过公式(6)～(7)获得的表示节点电压偏移机会约束以及表示线路潮流越限机会约束，其中，Mch为充电站建设总数；Nch为充电站候选地址总数；i为候选地址索引；xi是表征是否在候选地址i建设充电站的0-1变量，为光伏电站与电动汽车充电网络随机协同规划模型中的0-1优化变量，取“1”表示在候选地址i建设充电站，取“0”表示不在候选地址i建设充电站，i＝1,2,3,···,Nch；其中，Mpv为光伏电站建设总数；Npv为光伏电站候选地址总数；j为候选地址索引；yj是表征是否在候选地址j建设充电站的0-1变量，为光伏电站与电动汽车充电网络随机协同规划模型中的0-1优化变量，取“1”表示在候选地址j建设光伏电站，取“0”表示不在候选地址j建设光伏电站，j＝1,2,3,···,Npv；其中，zi为候选地址i的充电站建设容量，将待建电动汽车充电站分为Qev类；Cch为充电站总建设容量；其中，Wj为候选地址j的光伏电站建设容量，对光伏电站来说，待建光伏电站分为Qpv类；Cpv为光伏电站总建设容量；其中，Pr{·}表示括号中随机事件发生的概率；k是配电节点索引；Ωbus为配电节点索引集合；Uk为节点k的电压，为随机变量，概率分布特性由概率潮流分析结果给出；UN为配电系统额定电压；α％为节点最大电压允许偏移百分数；β1为电压越限置信度；Pr{Il＞Il，max}≤β2l∈Ωbr(7)其中，Il为配电线路l中的负荷电流，为随机变量，概率分布特性由概率潮流分析结果给出；Il,max为配电线路l的最大允许电流；β2为潮流越限置信度。进一步地，所述步骤S30包括如下步骤：S本文档来自技高网...

【技术保护点】
1.基于协同进化的光伏电站与电动汽车充电网络规划方法，其特征在于，包括如下步骤：/nS10给定规划边界条件，所述规划边界条件包括：配电系统拓扑参数与规划典型日内的负荷，规划典型日内的充电负荷与光伏出力概率场景集，充电站候选地址总数，充电站建设总数与总建设容量，充电站建设类型与对应的建设容量，光伏电站候选地址总数，光伏电站建设总数与总建设容量，光伏电站建设类型与对应的建设容量，节点电压最大允许偏移百分数，节点电压越限与潮流越限置信度；/nS20使用所述规划边界条件建立光伏电站与电动汽车充电网络随机协同规划模型；以及/nS30设计分别用于表示光伏电站与电动汽车充电网络建设方案的染色体编码策略与对应的交叉、变异操作算子，采用协同进化算法求解光伏电站与电动汽车充电网络随机协同规划模型，给出光伏电站与电动汽车充电网络最优规划方案。/n

【技术特征摘要】
1.基于协同进化的光伏电站与电动汽车充电网络规划方法，其特征在于，包括如下步骤：
S10给定规划边界条件，所述规划边界条件包括：配电系统拓扑参数与规划典型日内的负荷，规划典型日内的充电负荷与光伏出力概率场景集，充电站候选地址总数，充电站建设总数与总建设容量，充电站建设类型与对应的建设容量，光伏电站候选地址总数，光伏电站建设总数与总建设容量，光伏电站建设类型与对应的建设容量，节点电压最大允许偏移百分数，节点电压越限与潮流越限置信度；
S20使用所述规划边界条件建立光伏电站与电动汽车充电网络随机协同规划模型；以及
S30设计分别用于表示光伏电站与电动汽车充电网络建设方案的染色体编码策略与对应的交叉、变异操作算子，采用协同进化算法求解光伏电站与电动汽车充电网络随机协同规划模型，给出光伏电站与电动汽车充电网络最优规划方案。


2.根据权利要求1所述的基于协同进化的光伏电站与电动汽车充电网络规划方法，其特征在于，所述步骤S20包括：
光伏电站与电动汽车充电网络随机协同规划模型的优化目标为减小配电系统规划典型日内的网损电量，如公式(1)所示，



其中，Floss为配电系统规划典型日内的网损电量期望；t为潮流分析时段索引，Tf为典型日内的潮流分析时段数；l为配电线路索引；Ωbr为配电线路索引集合；ΔPloss,l,t为配电线路l在潮流分析时段t的损耗功率，为随机变量；E(·)为对随机变量求期望的运算符；
所述S20还包括确定约束以及机会约束，所述确定约束包括分别通过公式(2)～(5)获取的表示充电站建设总数机会约束、表示光伏电站建设总数机会约束、表示充电站总建设容量的机会约束以及表示光伏电站总建设容量的机会约束，所述机会约束包括分别通过公式(6)～(7)获得的表示节点电压偏移机会约束以及表示线路潮流越限机会约束，



其中，Mch为充电站建设总数；Nch为充电站候选地址总数；i为候选地址索引；xi是表征是否在候选地址i建设充电站的0-1变量，为光伏电站与电动汽车充电网络随机协同规划模型中的0-1优化变量，取“1”表示在候选地址i建设充电站，取“0”表示不在候选地址i建设充电站，i＝1,2,3,···,Nch；



其中，Mpv为光伏电站建设总数；Npv为光伏电站候选地址总数；j为候选地址索引；yj是表征是否在候选地址j建设充电站的0-1变量，为光伏电站与电动汽车充电网络随机协同规划模型中的0-1优化变量，取“1”表示在候选地址j建设光伏电站，取“0”表示不在候选地址j建设光伏电站，j＝1,2,3,···,Npv；



其中，zi为候选地址i的充电站建设容量，将待建电动汽车充电站分为Qev类；Cch为充电站总建设容量；



其中，Wj为候选地址j的光伏电站建设容量，对光伏电站来说，待建光伏电站分为Qpv类；Cpv为光伏电站总建设容量；



其中，Pr{·}表示括号中随机事件发生的概率；k是配电节点索引；Ωbus为配电节点索引集合；Uk为节点k的电压，为随机变量，概率分布特性由概率潮流分析结果给出；UN为配电系统额定电压；α％为节点最大电压允许偏移百分数；β1为电压越限置信度；
Pr{Il>Il,max}≤β2l∈Ωbr(7)
其中，Il为配电线路l中的负荷电流，为随机变量，概率分布特性由概率潮流分析结果给出；Il,max为配电线路l的最大允许电流；β2为潮流越限置信度。


3.根据权利要求1所述的基于协同进化的光伏电站与电动汽车充电网络规划方法，其特征在于，所述步骤S30包括如下步骤：
S301设定遗传算法参数，所述遗传算法参数包括对光伏电站建设方案进行优化的种群规模Npop1、对电动汽车充电站建设方案进行优化的种群规模Npop2、交叉率Pc、变异率Pm以及协同进化的最大进化代数Gmax；
S302初始化种群Ψev中的染色体，采用整数编码方案对种群Ψev中的染色体进行编码，其中，Ψev为用于充电网络建设方案优化的种群；
S303初始化种群Ψpv中的染色体，采用整数编码方案对种群Ψpv中的染色体进行编码，其中，Ψpv用于光伏电站建设方案优化的种群；
S304从种群Ψev与Ψpv中各随机挑选一条染色体，构建初始生态系统；
S305进化代数索引g初始化为0，即令g＝0；
S306令g＝g+1，开始进行第g代进化，种群Ψev中的染色体索引m与种群Ψpv中的染色体索引n均初始化为1，即令m＝1，n＝1；
S307对种群Ψev中的第m条染色体进行解码，确定Mch个电动汽车充电站的建设位置，建设容量与总建设容量Ct-ev，对生态系统中表示光伏电站建设方案的染色体进行解码，确定Mev个光伏电站的建设位置，建设容量与总建设容量Ct-pv；采用场景概率法进行配电系统概率潮流计算，确定规划典型日内的网损电量期望Floss，各节点电压幅值与各线路潮流的概率分布特性，按公式(8)～(...

【专利技术属性】
技术研发人员：张新松，姜柯柯，曹书秀，陆胜男，郭晓丽，朱建锋，徐杨杨，李智，高宁宇，张齐，易龙芳，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32