本發(fā)明涉及電力系統(tǒng)配電網(wǎng)優(yōu)化技術領域，特別是一種b2g和v2g配電網(wǎng)功率控制系統(tǒng)及方法。
背景技術：
近年來，電動汽車因其環(huán)境友好、低噪聲、高能源使用效率等優(yōu)勢飛速發(fā)展，2014年全球市場共銷售353522輛電動汽車，同比增長56.78％；其中，電動乘用車323864輛，占比91.61％。電動乘用車指“雙80”車，即最高時速80km/h以上，同時一次充電續(xù)航里程80km以上；電動客車及電動專用車29658輛，占比8.39％。隨著電動汽車的大規(guī)模應用，動力電池性能的提升，電動汽車接入方式的智能化，v2g模式應運而生，v2g模式將接入電網(wǎng)的電動汽車作為可控負荷和移動電源，合理控制電動汽車的接入方式，從而將動力電池中儲存的電能提供給電網(wǎng)，為電網(wǎng)的經(jīng)濟運行出力。同時電動汽車動力電池在容量下降到80％～85％后，就要“退役”，其工況將不再適用于電動汽車動力電池，大量電動汽車退役電池的產(chǎn)生，將動力電池的梯級利用推向研究熱點，而把退役電池用作儲能站儲能電池是最好的選擇?；陔妱悠囃艘垭姵氐腷2g，結合v2g，將進一步提高能源使用效率，能夠為電網(wǎng)削峰填谷，最大化實現(xiàn)電網(wǎng)經(jīng)濟運行，同時為分布式電源的平滑接入奠定基礎。但是電動汽車與傳統(tǒng)負荷不同，電動汽車充放電功率受用戶駕車行為、電池特性、充放電裝置等因素影響，在時間和空間上都具有不確定性。電動汽車和儲能站在并網(wǎng)時，隨機性較大，不能最大程度地發(fā)揮其作用，甚至會加大配電網(wǎng)負荷高峰壓力，影響電網(wǎng)安全運營。
技術實現(xiàn)要素：
本發(fā)明的一個目的就是提供一種基于遺傳算法的b2g和v2g配電網(wǎng)功率控制系統(tǒng)，通過該系統(tǒng)可以完成含電動汽車v2g和退役電池堆b2g的配電網(wǎng)功率優(yōu)化。
本發(fā)明的該目的是通過這樣的技術方案實現(xiàn)的，它包括有與配電網(wǎng)、分布式電源、退役電池堆和電動汽車進行數(shù)據(jù)交互的控制中心，控制中心通過充電樁與電動汽車電連接，充電樁分別與退役電池堆和分布式電源電連接。
進一步，所述配電網(wǎng)、分布式電源、退役電池堆和電動汽車將配電網(wǎng)狀態(tài)信息發(fā)送至控制中心，控制中心根據(jù)配電網(wǎng)狀態(tài)信息制定退役電池堆并網(wǎng)的出力計劃，并根據(jù)用戶響應和控制計劃，制定電動汽車的充放電計劃。
進一步，控制中心與充電樁之間通過寬帶電力線載波通信；充電樁上配置人機交互界面，用戶通過人機交互界面配合控制中心定制充放電計劃及費用結算。
進一步，充電樁通過圖像識別技術讀取電動汽車的車輛信息或通過無線通信技術與車載終端進行信息交互，獲取電動汽車的車輛信息。
進一步，所述系統(tǒng)還包括有廢舊電池堆管理子系統(tǒng)，廢舊電池堆管理子系統(tǒng)獲取退役電池堆的狀態(tài)信息，并通過寬帶電力線載波通信方式發(fā)送給控制中心。
本發(fā)明的另一個目的就是提供一種基于遺傳算法的b2g和v2g配電網(wǎng)功率控制方法，它可以通過遺傳算法將v2g和b2g的處理計劃進行綜合計算，從而對配電網(wǎng)進行功率優(yōu)化。
本發(fā)明的該目的是通過這樣的技術方案實現(xiàn)的，具體步驟如下：
1)控制中心采集配電網(wǎng)的狀態(tài)信息、電動汽車的電量信息、分布式電源的狀態(tài)信息和退役電池堆的狀態(tài)信息；
2)控制中心采用遺傳算法計算電動汽車和退役電池堆的出力計劃，再將輸出指令發(fā)送至電動汽車車載終端和退役電池堆。
進一步，步驟2)中所述基于遺傳算法的功率優(yōu)化的具體步驟如下：
2-1)遺傳算法將進行統(tǒng)一編碼的電動汽車和退役電池堆的出力計劃(x1,x2,x3…xn)進行初始化，得到(x1,x2,x3…xn)0；
2-2)將出力計劃用于配電網(wǎng)潮流計算，并得到目標函數(shù)值j0，并將結果進行存儲，目標函數(shù)為：
其中，w(x1,x2,x3…xn)為v2g與b2g智能結合出力的經(jīng)濟收益，其中n為電動汽車與退役電池堆總個數(shù)，需要對每一臺電動汽車和退役電池堆進行統(tǒng)一編號；xi，i＝1，2，3…n，表示第i臺裝置出力；δs為配網(wǎng)各支路網(wǎng)損之和；
2-3)利用遺傳算法對初始化的出力計劃(x1,x2,x3…xn)進行隨機-精英策略、雙點交叉策略、移民策略的變異，從而得到新的出力計劃(x1,x2,x3…xn)1；
2-4)轉向步驟2-2)，得到j1，并將結果進行存儲；
2-5)制定迭代次數(shù)，對步驟2-2)至步驟2-4)進行重復運算，求得最優(yōu)的出力計劃。
進一步，步驟2-2)所述配電網(wǎng)潮流計算為基于nrm的牛頓類算法，其具體方法為：
2-2-1)將節(jié)點電壓和導納表示為直角坐標向量時，其表達式如式(2)：
式中，vi為節(jié)點i的電壓，ei和fi分別為其實部和虛部；yij為節(jié)點i和節(jié)點j之間支路的導納；gij為電導；bij為電納；
2-2-2)根據(jù)節(jié)點電壓，可將節(jié)點負荷表示為式(3)：
式中，pi為節(jié)點i的有功負荷；qi為節(jié)點i的無功負荷；
對于pq節(jié)點，其節(jié)點功率不平衡量δpi和δqi為式(4)：
對于pv節(jié)點，其節(jié)點功率和電壓不平衡量為式(5)：
2-2-3)2-2-3)對于n個節(jié)點的系統(tǒng)，第n個節(jié)點為平衡節(jié)點，而平衡節(jié)點的電壓已知，因此不必參與迭代計算，因此式(4)和式(5)的方程組共有2(n-1)個方程式，待求變量為e1，f1，e2，f2，…，en-1，fn-1，共2(n-1)個待求量，方程組(4)和方程組(5)共同構成2(n-1)個聯(lián)立的非線性代數(shù)方程，此方程組的修正方程組為式(6)：
δw＝-jδv(6)
2-2-4)根據(jù)式(6)計算出節(jié)點電壓的修正量δei(k)和δfi(k)，那么迭代后的節(jié)點電壓為：
2-2-5)利用ei(k)和fi(k)，根據(jù)式(4)和式(5)計算δpi(k)，δqi(k)及δvi2(k)，并校驗其是否收斂，容許誤差ε＝10-5，如果收斂，則計算平衡節(jié)點功率和全部線路功率，以及目標函數(shù)j(k)；如果不收斂，則采用ei(k+1)和fi(k+1)繼續(xù)循環(huán)計算，直到收斂，并計算目標函數(shù)j(k+1)，到此一次完整的計算結束。然后采用遺傳算法改變退役電池堆和電動汽車的出力，即改變pq節(jié)點的節(jié)點功率，再次進行潮流計算，收斂后并計算目標函數(shù)。該方法的目標函數(shù)為：
其中，w(x1,x2,x3…xn)為v2g與b2g智能結合出力的經(jīng)濟收益，其中n為電動汽車與退役電池堆總個數(shù)，需要對每一臺電動汽車和退役電池堆進行統(tǒng)一編號；xi表示第i臺裝置的出力；δs為配電網(wǎng)各支路網(wǎng)損之和；w(x1,x2,x3…xn)的具體形式如式(9)所示；δs的具體形式如式(10)所示：
式(9)中，a為當前電價；t為放電時間；
式(10)中，m為配電網(wǎng)拓撲結構中總的支路數(shù)；si表示第i條支路的網(wǎng)損；式(11)中，i和j表示由節(jié)點i和節(jié)點j構成的支路bi，i和j即為節(jié)點編號；ui為節(jié)點i的節(jié)點電壓；uj為節(jié)點j的節(jié)點電壓；rij表示由節(jié)點i和節(jié)點j構成的支路的總電阻。
進一步，步驟2-3)所述隨機-精英策略、雙點交叉策略、移民策略的變異的具體方法為：
隨機精英策略具體步驟：選擇初始種群中隨機的a個個體，a<解群規(guī)模m，并判定a個個體中適應值最高的個體，將其直接保存到下一代種群中，循環(huán)進行此步驟，當保存?zhèn)€數(shù)達到解群規(guī)模m時，停止篩選；
精英策略，本代解群中適應值最大的染色體個體，不進行任何處理直接進入下一代種群，而除此之外的個體，均進行交叉和變異，并等概率遺傳到下一代種群，將隨機策略和精英策略結合；
雙點交叉策略具體步驟：將本代種群中的染色體進行兩兩隨機組隊，染色體是經(jīng)過二進制編碼的的數(shù)據(jù)，選擇兩個隨機斷點，兩個染色體均從此處斷開，然后交換兩斷點中間部分染色體，組成兩個新染色體，并將兩個染色體分別帶入本代解群中求解群適應度，保留適應度高的新染色體，遺傳到下一代種群中；
移民策略具體步驟：記錄20代種群的適應值，判斷20代種群的適應值變化量，如果變化量低于預設的閾值，判定為早熟，將增加新的染色體用于替換種群中適應值最差的染色體，新染色體的產(chǎn)生采用變異手段對原種群中的同等數(shù)量的染色體進行變異。
由于采用了上述技術方案，本發(fā)明具有如下的優(yōu)點：
與現(xiàn)有電動汽車和充電樁隨機出力的方式相比，本項發(fā)明基于改進的遺傳算法使v2g與b2g的智能結合，其優(yōu)點如下：
1)采用v2g與b2g的智能結合的方法，彌補了v2g空間的分散性，增加了配電網(wǎng)低谷電力市場增量；
2)充分發(fā)揮改進遺傳算法的尋優(yōu)特性，找到適合于v2g與b2g的智能結合的功率控制方法，進一步提高能源利用率，優(yōu)化電網(wǎng)運行經(jīng)濟性；
3)v2g與b2g的智能結合的功率控制方法，為智能電網(wǎng)的潮流計算奠定了基礎，為拓撲結構日益復雜的配網(wǎng)的電力系統(tǒng)暫態(tài)仿真提供基礎，將電動汽車與退役電池堆進行綜合考慮，提高了能源利用效率，增加了低谷電力市場的培育對象，并增大了電力系統(tǒng)的備用容量。
本發(fā)明的其他優(yōu)點、目標和特征在某種程度上將在隨后的說明書中進行闡述，并且在某種程度上，基于對下文的考察研究對本領域技術人員而言將是顯而易見的，或者可以從本發(fā)明的實踐中得到教導。本發(fā)明的目標和其他優(yōu)點可以通過下面的說明書和權利要求書來實現(xiàn)和獲得。
附圖說明
本發(fā)明的附圖說明如下。
圖1為本發(fā)明的結構示意圖；
圖2為v2g與b2g智能結合算法流程圖；
圖3為雙點交叉示意圖。
具體實施方式
下面結合附圖和實施例對本發(fā)明作進一步說明。
如圖1所示，基于遺傳算法的b2g和v2g配電網(wǎng)功率控制系統(tǒng)包括有：控制中心、充電樁、退役電池堆和分布式電源。工作時，控制中心實時采集配電網(wǎng)運行狀態(tài)，通過遺傳算法進行功率優(yōu)化計算。將優(yōu)化后的電動汽車出力計劃發(fā)送給充電樁，通過人機交互界面與用戶信息交互，根據(jù)配電網(wǎng)的狀態(tài)和用戶的需求制定充放電計劃和相應的費用結算；將優(yōu)化后的退役電池堆的處理計劃發(fā)送給廢舊電池堆管理子系統(tǒng)bms，從而達到配電網(wǎng)功率優(yōu)化的技術目的。充電樁與控制中心通過電力線載波進行通信，電動汽車靠近充電樁后，充電樁通過圖像識別技術對電動汽車進行識別，再通過無線通信技術與電動汽車數(shù)據(jù)交互。退役電池堆的狀態(tài)檢測主要由廢舊電池堆管理子系統(tǒng)完成，同時廢舊電池堆管理子系統(tǒng)將退役電池堆的狀態(tài)信息發(fā)送至控制中心。
如圖2所示，基于遺傳算法的b2g和v2g配電網(wǎng)功率控制方法，具體步驟如下：
1)控制中心采集配電網(wǎng)的狀態(tài)信息、電動汽車的電量信息、分布式電源的狀態(tài)信息和退役電池堆的狀態(tài)信息；
2)控制中心采用遺傳算法計算電動汽車和退役電池堆的輸出計劃，再將輸出指令發(fā)送至電動汽車車載終端和退役電池堆bms系統(tǒng)。
步驟2)中所述遺傳算法的具體步驟如下：
2-1)遺傳算法將進行統(tǒng)一編碼的電動汽車和退役電池堆的出力(x1,x2,x3…xn)進行初始化，得到(x1,x2,x3…xn)0；
2-2)以電動汽車和退役電池堆的出力(x1,x2,x3…xn)0用于配電網(wǎng)潮流計算，并得到目標函數(shù)值j0，并將結果進行存儲，目標函數(shù)為：
其中，w(x1,x2,x3…xn)為v2g與b2g智能結合出力的經(jīng)濟收益，其中n為電動汽車與退役電池堆總個數(shù)，需要對每一臺電動汽車和退役電池堆進行統(tǒng)一編號；xi，i＝1，2，3…n，表示第i臺裝置出力；δs為配網(wǎng)各支路網(wǎng)損之和；
2-3)利用遺傳算法對初始化的出力計劃(x1,x2,x3…xn)進行隨機-精英策略、雙點交叉策略、移民策略的變異，并將結果進行存儲，從而得到新的出力計劃(x1,x2,x3…xn)1；
2-4)轉向步驟2-2)，得到j1，并將結果進行存儲；
2-5)制定迭代次數(shù)，對步驟2-2)至步驟2-4)進行重復運算，求得最優(yōu)的出力計劃。
進一步，步驟2-2)所述配電網(wǎng)潮流計算為基于nrm的牛頓類算法，其具體方法為：
2-2-1)將節(jié)點電壓和導納表示為直角坐標向量時，其表達式如式(2)：
式中，vi為節(jié)點i的電壓，ei和fi分別為其實部和虛部；yij為節(jié)點i和節(jié)點j之間支路的導納；gij為電導；bij為電納；
2-2-2)根據(jù)節(jié)點電壓，可將節(jié)點負荷表示為式(3)：
式中，pi為節(jié)點i的有功負荷；qi為節(jié)點i的無功負荷；
對于pq節(jié)點，其節(jié)點功率不平衡量δpi和δqi為式(4)：
對于pv節(jié)點，其節(jié)點功率和電壓不平衡量為式(5)：
2-2-3)對于n個節(jié)點的系統(tǒng)，第n個節(jié)點為平衡節(jié)點，而平衡節(jié)點的電壓已知，因此不必參與迭代計算，因此式(4)和式(5)的方程組共有2(n-1)個方程式，待求變量為e1，f1，e2，f2，…，en-1，fn-1，共2(n-1)個待求量，方程組(4)和方程組(5)共同構成2(n-1)個聯(lián)立的非線性代數(shù)方程，此方程組的修正方程組為式(6)：
δw＝-jδv(6)
2-2-4)根據(jù)式(6)計算出節(jié)點電壓的修正量δei(k)和δfi(k)，那么迭代后的節(jié)點電壓為：
2-2-5)利用ei(k)和fi(k)，根據(jù)式(4)和式(5)計算δpi(k)，δqi(k)及δvi2(k)，并校驗其是否收斂，容許誤差ε＝10-5，如果收斂，則計算平衡節(jié)點功率和全部線路功率，以及目標函數(shù)j(k)；如果不收斂，則采用ei(k+1)和fi(k+1)繼續(xù)循環(huán)計算，直到收斂，并計算目標函數(shù)j(k+1)，到此一次完整的計算結束。然后采用遺傳算法改變退役電池堆和電動汽車的出力，即改變pq節(jié)點的節(jié)點功率，再次進行潮流計算，收斂后并計算目標函數(shù)。該方法的目標函數(shù)為：
其中，w(x1,x2,x3…xn)為v2g與b2g智能結合出力的經(jīng)濟收益，其中n為電動汽車與退役電池堆總個數(shù)，需要對每一臺電動汽車和退役電池堆進行統(tǒng)一編號；xi表示第i臺裝置的出力；δs為配電網(wǎng)各支路網(wǎng)損之和；w(x1,x2,x3…xn)的具體形式如式(9)所示；δs的具體形式如式(10)所示：
式(9)中，a為當前電價；t為放電時間；
式(10)中，m為配電網(wǎng)拓撲結構中總的支路數(shù)；si表示第i條支路的網(wǎng)損；式(11)中，i和j表示由節(jié)點i和節(jié)點j構成的支路bi，i和j即為節(jié)點編號；ui為節(jié)點i的節(jié)點電壓；uj為節(jié)點j的節(jié)點電壓；rij表示由節(jié)點i和節(jié)點j構成的支路的總電阻。
進一步，步驟2-3)所述隨機-精英策略、雙點交叉策略、移民策略的變異的具體方法為：隨機精英策略具體步驟：選擇初始種群中隨機的a個個體，a<解群規(guī)模m，并判定a個個體中適應值最高的個體，將其直接保存到下一代種群中，循環(huán)進行此步驟，當保存?zhèn)€數(shù)達到解群規(guī)模m時，停止篩選，此為隨機策略。精英策略的指，本代解群中適應值最大的個體(染色體)，不進行任何處理直接進入下一代種群，而除此之外的個體，均進行交叉和變異，并等概率遺傳到下一代種群。將隨機策略和精英策略結合，即為隨機-精英策略，保證了解群的多樣性，同時又保證了解群的高適應度。
如圖3所示，雙點交叉策略具體步驟：將本代種群中的染色體進行兩兩隨機組隊，染色體是經(jīng)過二進制編碼的的數(shù)據(jù)，選擇兩個隨機斷點，兩個染色體均從此處斷開，然后交換兩斷點中間部分染色體，組成兩個新染色體，并將兩個染色體分別帶入本代解群中求解群適應度，保留適應度高的新染色體，遺傳到下一代種群中，此即為雙點交叉策略。
移民策略是指更新種群中染色體的一種策略，可以避免種群早熟和保持種群的多樣性。移民策略具體步驟：記錄20代種群的適應值，判斷20代種群的適應值變化量，如果變化量低于預設的閾值，判定為早熟，將增加新的染色體用于替換種群中適應值最差的染色體，新染色體的產(chǎn)生采用變異手段對原種群中的同等數(shù)量的染色體進行變異。
以2個100kwh退役電池堆、4輛30kwh的電動汽車構成的b2g和v2g為例，退役電池堆出力以ai(i＝1,2)表示，電動汽車出力以bi(i＝1,2,3,4)表示，進行統(tǒng)一編碼，待求解可表示為x＝[x1,x2,x3,x4,x5,x6]，當前電價為1元每kwh。給定每個待求解的解范圍，如-30≤x5≤30，得到算法的初始種群，確定交叉概率pc＝0.45和遺傳概率pm＝0.06，以及最大迭代次數(shù)100。將退役電池堆和電動汽車的初始出力計劃(x0＝[50，50，15，15，15])放入26節(jié)點配網(wǎng)進行潮流計算，得到當下潮流情況下的網(wǎng)損，結合當前電價和出力時間，計算得到目標函數(shù)j0＝0.2359；對出力計劃采用遺傳算法進行重組，得到j1＝0.2219；經(jīng)過100次迭代得到j99＝0.00151。從而得到最優(yōu)出力計劃x99＝[61.54，64.82，10.21，13.00，11.82，13.44]。
最后說明的是，以上實施例僅用以說明本發(fā)明的技術方案而非限制，盡管參照較佳實施例對本發(fā)明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本技術方案的宗旨和范圍，其均應涵蓋在本發(fā)明的權利要求范圍當中。