提出多目標(biāo)最優(yōu)化方法 進(jìn)而產(chǎn)生柏雷多最優(yōu)電動(dòng)汽車(chē)充電策略

福州大學(xué)電氣工程與自動(dòng)化學(xué)院、***元智大學(xué)電機(jī)工程學(xué)系的研究人員關(guān)昊亮、王進(jìn)華、邱偉育，在2017年第12期《電氣技術(shù)》雜志上撰文，本論文考慮智能電網(wǎng)中家用電動(dòng)汽車(chē)和電動(dòng)出租車(chē)的充電調(diào)度問(wèn)題。充電站可以控制充電速率以最大化其收入；對(duì)于底層電力系統(tǒng)，期望最大化其自身的負(fù)載因子，從而確保系統(tǒng)的穩(wěn)定性。

充電站最大化其收入與電力系統(tǒng)最大化其負(fù)載因子形成一個(gè)多目標(biāo)優(yōu)化問(wèn)題。本文提出多目標(biāo)最優(yōu)化方法來(lái)解決此多目標(biāo)優(yōu)化問(wèn)題，進(jìn)而產(chǎn)生柏雷多(Pareto)最優(yōu)電動(dòng)汽車(chē)充電策略。文末進(jìn)行數(shù)值分析來(lái)驗(yàn)證所提出方法的有效性。

近幾年來(lái)，隨著全球能源危機(jī)的不斷加深、石油資源的日趨枯竭、空氣污染、全球氣溫上升等危害的加劇，各國(guó)政府及汽車(chē)企業(yè)普遍意識(shí)到節(jié)約能源和減少有害氣體的排放是未來(lái)汽車(chē)技術(shù)發(fā)展的必然方向[1]。發(fā)展電動(dòng)汽車(chē)是解決上述問(wèn)題的一條途徑[2]，然而大量的電動(dòng)汽車(chē)接入電網(wǎng)會(huì)增加電網(wǎng)整體的負(fù)擔(dān)。

估計(jì)到2050年，中國(guó)電動(dòng)汽車(chē)的數(shù)量將達(dá)到2億，總充電量將達(dá)到3.3億千瓦[3]，電動(dòng)汽車(chē)的急劇增加對(duì)中國(guó)電力供應(yīng)將造成重要影響。對(duì)于不同的電價(jià)收取模式，電動(dòng)汽車(chē)會(huì)有不同的充電需求、會(huì)在不同時(shí)段從電網(wǎng)獲取電能補(bǔ)給。電網(wǎng)與電動(dòng)汽車(chē)交易模式將漸趨復(fù)雜，需要更加先進(jìn)的電力市場(chǎng)來(lái)支撐此變化[4]。

隨著電動(dòng)汽車(chē)的大規(guī)模增長(zhǎng)，對(duì)于充電站的充電排程與充電速率的研究就顯得尤為重要。充電站作為電網(wǎng)系統(tǒng)的運(yùn)營(yíng)商，會(huì)最先接觸到電動(dòng)汽車(chē)用戶，可以通過(guò)優(yōu)化充電站各個(gè)充電樁的充電速率，來(lái)調(diào)節(jié)各個(gè)時(shí)段的電網(wǎng)負(fù)載，維護(hù)電網(wǎng)穩(wěn)定[5]。

本文分成幾個(gè)部分探討相關(guān)議題：首先討論充電站及其服務(wù)對(duì)象的數(shù)學(xué)模型，然后介紹智能電網(wǎng)模式下的電價(jià)策略，最后探討相對(duì)應(yīng)的多目標(biāo)優(yōu)化問(wèn)題并提出解決方法。為了展示方便，本文以30分鐘為一個(gè)時(shí)段(time slot)，將一天分為48個(gè)時(shí)段。

1充電站及其服務(wù)對(duì)象的討論（略）

1.1充電站規(guī)模

充電站在未來(lái)社會(huì)中的重要性與現(xiàn)在的加油站類似，為了調(diào)節(jié)充電站各時(shí)段的用電負(fù)載量，充電站可以調(diào)控家用電動(dòng)汽車(chē)的充電速率，充電速率的范圍為5kw/h到15kw/h。本文所用模擬的充電站規(guī)模為每個(gè)充電站有20個(gè)充電樁，最大可同時(shí)負(fù)擔(dān)20輛電動(dòng)汽車(chē)進(jìn)行充電。在充電站進(jìn)行充電的電動(dòng)汽車(chē)包括插電式電動(dòng)出租車(chē)(Plug-inElectric Taxi, PET)與家用電動(dòng)汽車(chē)。

1.2插電式電動(dòng)出租車(chē)

1.3家用電動(dòng)汽車(chē)

2智能電網(wǎng)的電價(jià)策略

電網(wǎng)公司會(huì)通過(guò)改變電價(jià)的高低來(lái)引導(dǎo)用電者轉(zhuǎn)移高峰用電量，常見(jiàn)的電價(jià)模型有：即時(shí)電價(jià)（Real-timepricing）、前一天公布的電價(jià)(Day-ahead pricing)、分時(shí)電價(jià)(Time-of-usepricing)、尖峰時(shí)間反饋電價(jià)(Peak-time rebate pricing)等[10-13]。

本文使用美國(guó)賓夕法尼亞州新澤西馬里蘭互聯(lián)電力公司（PJM）在2017年5月25日公布的價(jià)格(前一日公布的電價(jià))，其電價(jià)系統(tǒng)在高峰時(shí)段和離峰時(shí)段的單價(jià)并不相同[14]。本文將一小時(shí)的電價(jià)等值分成2個(gè)時(shí)段，一日共48個(gè)時(shí)段做討論，并利用后面介紹的多目標(biāo)最優(yōu)化方法，做相關(guān)的數(shù)值模擬與分析。

3系統(tǒng)流程與多目標(biāo)最優(yōu)化問(wèn)題（略）

3.1系統(tǒng)流程

充電站作為智能電網(wǎng)的重要組成部分，會(huì)在各個(gè)時(shí)段收集進(jìn)入充電站充電的電動(dòng)汽車(chē)的數(shù)量、電池剩余容量及其充電需求等信息。然后，將這些信息上傳云端，通過(guò)計(jì)算機(jī)調(diào)度中心進(jìn)行統(tǒng)一的優(yōu)化處理，得出各個(gè)充電樁在不同時(shí)段應(yīng)該給予家用電動(dòng)汽車(chē)充電速率的最優(yōu)值。最后，計(jì)算機(jī)調(diào)度中心將結(jié)果反饋給充電站，充電站按照優(yōu)化信息安排家用電動(dòng)汽車(chē)進(jìn)行充電。圖3為智能電網(wǎng)模式中充電站的營(yíng)運(yùn)流程圖。

圖3智能電網(wǎng)中的充電站營(yíng)運(yùn)流程圖

3.2多目標(biāo)優(yōu)化問(wèn)題

本文中的多目標(biāo)問(wèn)題包含最大化一天中充電站的充電服務(wù)收益與最大化充電站自身的負(fù)載因子。這兩個(gè)目標(biāo)將造成權(quán)衡問(wèn)題。當(dāng)充電站想要獲得更高的充電收益時(shí)，充電站對(duì)各個(gè)時(shí)段充電速率的規(guī)劃可能造成充電站一天負(fù)載因子的減少；相反地，當(dāng)想提升充電站一天負(fù)載因子時(shí)，會(huì)造成充電站充電收益的下降。因此，要如何在這個(gè)權(quán)衡問(wèn)題的框架下，通過(guò)改變各個(gè)時(shí)段充電站對(duì)于家用電動(dòng)汽車(chē)的充電速率來(lái)尋找最優(yōu)解為本次研究的重點(diǎn)。

3.3多目標(biāo)免疫算法

在本文中的多目標(biāo)最優(yōu)化問(wèn)題中，兩個(gè)目標(biāo)函數(shù)互相沖突，因此無(wú)法找到一個(gè)解能夠同時(shí)最優(yōu)化兩個(gè)目標(biāo)。關(guān)于多目標(biāo)最優(yōu)化問(wèn)題的解，稱之為柏雷多最優(yōu)解(Pareto optimalsolution)，其特性為：在提升任一目標(biāo)函數(shù)的表現(xiàn)時(shí)，必定降低另一個(gè)目標(biāo)函數(shù)的表現(xiàn)[17][18]。

在解多目標(biāo)最優(yōu)化問(wèn)題時(shí)，多目標(biāo)免疫算法[19]在解相關(guān)問(wèn)題上擁有突出的收斂性與多樣化的優(yōu)點(diǎn)，使得多目標(biāo)免疫算法逐漸成為受歡迎的多目標(biāo)進(jìn)化算法之一。多目標(biāo)免疫算法模仿人類的免疫系統(tǒng)并模擬產(chǎn)生抗體(Antibodies)的機(jī)制。人類的免疫系統(tǒng)在偵測(cè)到病毒后，產(chǎn)生相對(duì)應(yīng)的抗體。

除此之外，免疫系統(tǒng)還具有記憶的能力，當(dāng)遇到相同的攻擊時(shí)，可自動(dòng)產(chǎn)生相對(duì)應(yīng)的抗體抵御攻擊。此特性可用來(lái)加快算法的收斂速度。

在多目標(biāo)最優(yōu)化的問(wèn)題中，目標(biāo)函數(shù)可視為抗原(Antigens)，而免疫系統(tǒng)所產(chǎn)生的抗體可視為多目標(biāo)問(wèn)題的解?？贵w與抗原的適合度(Fitness)則可對(duì)應(yīng)到解和目標(biāo)函數(shù)的適合度。所得到的解將存在同一個(gè)記憶細(xì)胞集合中，透過(guò)不斷的更新和疊代，可以得到均勻分布的柏雷多最優(yōu)解。

4模擬結(jié)果與討論

本文模擬一個(gè)充電站在一天的充電情形，通過(guò)模擬得到圖4，包含30個(gè)柏雷多最優(yōu)解。由于家用電動(dòng)汽車(chē)進(jìn)入充電站時(shí)電池剩余電量是利用隨機(jī)變量產(chǎn)生，因此每次模擬的結(jié)果會(huì)略有不同。

圖4利用多目標(biāo)免疫算法得到的柏雷多最優(yōu)解

在得到柏雷多集合后，為了找出較優(yōu)的負(fù)載因子與充電站可接受的充電收益，我們必須解決此多準(zhǔn)則決策(Multiplecriteria decision making)問(wèn)題。多準(zhǔn)則決策為幫助決策者在數(shù)量有限的方案中，對(duì)不同的準(zhǔn)則進(jìn)行分析與篩選，最后選擇出符合決策者期望的方案。

在多準(zhǔn)則決策的方法中，我們使用曼哈頓最短距離(Minimum Manhattandistance, MMD)方法來(lái)進(jìn)行決策[20]。曼哈頓最短距離法為選擇在柏雷多前沿中與理想矢量具有最短曼哈頓距離的解作為最后的輸出結(jié)果。

圖5(a)表示充電站用10kw/h的固定充電速率給家用電動(dòng)汽車(chē)充電，得到一天各時(shí)段的負(fù)載量。通過(guò)表1的計(jì)價(jià)方式得到充電站一天的總收益為1208美元。圖5(b)表示充電站使用多目標(biāo)最優(yōu)化方法優(yōu)化充電速率后，得到一天各時(shí)段的負(fù)載量。通過(guò)表1的計(jì)價(jià)方式得到充電站一天的總收益為1249美元。

圖5 充電站一天各時(shí)段負(fù)載量 (a)固定充電速率；(b)優(yōu)化充電速率

比較充電站在優(yōu)化前與優(yōu)化后各時(shí)段的負(fù)載量得到圖6。發(fā)現(xiàn)優(yōu)化充電站的充電速率后，高峰用電量有明顯的減少，離峰時(shí)段用電量有所增加，各時(shí)段用電量較平均。負(fù)載因子從0.413提升到0.476，提升了15.3%。

而充電站一天的總收益也從優(yōu)化前的1208美元，提高到1249美元，收益提升了3.4%。此結(jié)果顯示本研究提出的多目標(biāo)最優(yōu)化方法，能有效地控制智能電網(wǎng)中電動(dòng)汽車(chē)充電速率，進(jìn)而提升充電站的負(fù)載因子與收益。

圖6充電站在優(yōu)化前與優(yōu)化后各時(shí)段負(fù)載量

5結(jié)論

在智能電網(wǎng)的環(huán)境下，作為底層電力系統(tǒng)的充電站如果僅考慮如何增加自己供電給用戶時(shí)的收入，有可能讓負(fù)載因子處于較低的狀態(tài)。

為了增加電網(wǎng)的穩(wěn)定度，本文將充電站的服務(wù)收入與負(fù)載因子作為多目標(biāo)最優(yōu)化的目標(biāo)函數(shù)，然后通過(guò)多目標(biāo)免疫算法得到最優(yōu)解。模擬結(jié)果顯示充電站在使用這種優(yōu)化算法后，能同時(shí)提升充電站一天的服務(wù)收入與負(fù)載因子。