住宅小区充电站电动汽车有序充电方法

0引言

电力作为国家发展的基础保障，其需求随着新能源的开发和电力政策改革的深化发生了深刻的变化。电动汽车（electric vehicle，EV）作为配电网中渗透率较高的一种新型可调负荷，受到了人们越来越多的关注。

EV的可调特性主要体现在其电池的充放电过程，将入网EV的充电时间由用电高峰期转移至低峰期，即可实现EV的有序充电，对于电网运行成本的降低以及负荷的“削峰填谷”具有一定的作用。但EV的负荷特性具有较大的时空不确定性，如何对充满随机性的EV进行有序充电的优化，成为了目前电力行业亟待解决的工作难题。目前已有众多文献对EV的有序充电进行了研究。文献［1］建立了EV充电与清洁能源协同的时空模型并提出有序充电策略，但不能满足充满不确定性的实际工程应用。文献［2］基于电网在线运行状态监测系统进行数据的采集，采用竞争深度Q网络结构，对EV充电进行优化控制。文献［3］建立EV有序充电的多目标模型，并提出一种基于改进鸡算法的有序充电策略。文献［4］利用EV作为分布式储能时所具有的灵活性和可调节性，引入EV 管理机构，提高对EV充放电管理的便捷性。

利用先进的数据挖掘技术对EV的充放电进行优化，文献［5］对数据进行挖掘，并采用K⁃means聚类对数据进一步处理，对EV有序充电具有指导意义。文献［6］基于数据挖掘技术和K⁃means聚类算法，提出了EV用户细分方法和价值评价方法，为运维和策略制定提供有效依据。文献［7］利用K⁃means 聚类方法，通过对车主行为和充电时间分析，总结了

EV用户的行为特征。

因此，本文结合时下电力系统特点，基于先进数据挖掘技术首先建立起EV的数学模型，以北京市某住宅小区的EV出行历史数据为例，利用模糊C

住宅小区充电站电动汽车有序充电方法李敬航1，杨德玲1，赖伟坚1，林泽宏1，张世斌1，李捷2，管维灵2（1.广东电网有限责任公司东莞供电局，广东东莞523000；

2.苏州华天国科电力科技有限公司，江苏苏州215000）

摘要：对充满随机性的电动汽车进行有序充电管理，是当今“绿出行”时代亟待解决的问题。基于数据挖掘技术首先建立起电动汽车的数学模型，以北京市某小区电动汽车出行历史数据为例，利用模糊C均值聚类算法对车主的行驶行为、入网电动汽车的初始电池荷电状态进行分析，把握电动汽车负荷特性。基于马尔科夫链的思想建立由精炼后的多条典型电动汽车负荷模式转移概率矩阵组成的模型，对电动汽车的随机动态变化过程进行描述，并应用多种遗传算法求解电动汽车的有序充电问题。以小区充电站为例，并与其他方法进行对比，验证了本文模型和方法的有效性。

关键词：电动汽车；数据挖掘技术；模糊C均值聚类算法；马尔科夫链；有序充电

Abstract：How to orderly charge electric vehicles with ran⁃domness is an urgent problem to be solve

d in“green travel”peri⁃od today.Firstly,a mathematical model of electric vehicles based on advanced data mining technology is established.To grasp the load characteristics of the electric vehicle,the fuzzy C⁃means clus⁃tering algorithm is used to analyze the driving behavior of the own⁃er and the initial battery state of the incoming electric vehicle tak⁃ing the historical data of electric vehicle travel in a community in Beijing as an example.Based on the idea of Markov chain,a model consisting of several typical electric vehicle load mode transition probability matrices is established to describe the stochastic dy⁃namic process of electric vehicles.Multiple population GA is ap⁃plied to solve the orderly charging problem of electric vehicles. Taking the community charging station as an example and compar⁃ing with other methods,the effectiveness of the model and method is verified.

Key words：electric vehicle；advanced data mining technolo⁃gy；fuzzy C⁃means clustering algorithm；Markov chain；orderly charging

Orderly charging method of electric vehicle in charging station of residential area LI Jinghang1,YANG Deling1,LAI Weijian1,LIN Zehong1,ZHANG Shibin1,LI Jie2,GUAN Weiling2（1.Dongguan Power Supply Bureau,Guangdong Power Grid Co.,Ltd.,Dongguan523000,China；

2.Suzhou Huatian Guoke Power Technology Co.,Ltd.,Suzhou215000,China）

DOI:10.3969/j.issn.1009-1831.2021.03.007

收稿日期：2020-12-07；修回日期：2021-01-20

基金项目：国家自然科学基金资助项目（51777078）；广东

电网有限责任公司科技项目（031900KK52170132）

文章编号：1009-1831（2021）03-0031-05中图分类号：TM73；TM76文献标志码：A

00:006:00

12:00

18:00

图1模糊C均值算法聚类结果Clustering results of fuzzy C⁃means algorithm

3基于马尔科夫链的电动汽车模式转移模型

在描述随机过程中，马尔科夫链（Markov chain ，MC ）是一种十分常见的工具。

同一EV 在不同日的EV 充电曲线可以看作不同模式下的EV 充电负荷在动态变化，当日的EV 充电模式仅与前一天的EV 充电模式有关，与之前的EV 充电模式无关。因此将EV 的充电负荷变化过程近似于马尔科夫链，建立由精炼后的多条典型EV 充电曲线和EV 负荷模式的转移概率矩阵组成的模型，对EV 随机动态变化过程进行描述。

模糊C 均值聚类算法能够有效地将形状相近或距离紧密的EV 充电负荷曲线划分成一类，进而形成若干类差异性较大的EV 充电负荷类别，以此作为EV 充电负荷模式划分的依据。

对每台EV 以每天15min 的间隔采样一次，其功率采样点序列即为EV 日充电负荷曲线，即

D k,i =(D k,i,1,D k,i,2,…,D k,i,96)（4）式中：

D k,i,j 为EV 样本x k 第i 天第j 个采样时刻的功率值，j 取1，2， (96)

EV 日充电负荷曲线样本进行标幺化处理，即

D S k,i =D k,i

D k,i_Max

（5）式中：D k,i_Max 为EV 日充电负荷曲线样本的最大值。

对标幺化后的每台EV 的N k 条标幺化充电负荷曲线进行模式划分，采用模糊C 均值聚类算法进行

聚类分析，c k 为聚类数目，则聚类目标函数为

J k =∑j =1N k

∑i =1

c k

μm

k,i,j ||L k,i -D S k,j ||2

（6）

式中：μm k,i,j 为第k 台电动汽车的第j 条日充电负荷曲线样本中属于第i 类电动汽车充电负荷的隶属

度；

L k,i 为第i 类的EV 充电负荷聚类中心曲线。并由此设定用户x k 被分类为第i 个模糊类时的

EV 充电负荷模式为M k ,i ，并以EV 充电负荷聚类中心曲线L k,i 对EV 充电负荷模式M k ,i 进行表征。

完成对EV 充电负荷的模式划分后，根据对历史EV 日充电负荷曲线的划分结果，在认为EV 充电负荷模式转移过程为齐次马尔科夫链的假设基础上，对x k 的EV 充电负荷模式转移过程进行具体分析。

用户x k 充电模式M k,r 到M k,l 的一步转移概率为

p k,r,l =P {X k (t +1)=M k,l |X k (t )=M k,r }=N k,r,l

N k,r

（7）

式中：X k (t )为用户x k 第t 天所处的充电负荷模式；N k,r,l 为用户x k 从充电模式M k,r 转移到M k,l 的频数；

N k,r 为x k 处于充电模式M k,r 的天数。

用户x k 处于充电模式M k,r 的概率为

P (M k,r )=P {X k (t )=M k,r }=

N k,r

N k

（8）

用户x k 从充电模式M k,r 一步转出的概率为

（9）p k,r =P {X k (t +1)≠M k,l |X k (t )=M k,r }=1-N k,r,r

N k,r =1-p k,r,r

式中：

N k,r,r 为用户x k 从充电模式M k,r 仍转移到充电模式M k,r 的频数；p k,r,r 为x k 从处于充电模式M k,r 仍转移到充电模式M k,r 的一步转移概率。

EV 有序充电求解

4.1

目标函数

将住宅小区内的运行成本最低作为目标函数，即

íîïï

min ∑t =1T

F ()P EV ,P (P EV ,P Con )≤0

（10）式中：P EV 、

P Con 分别为EV 和常规负荷的功率；F ()P EV ,P Con 为与P EV 、P Con 相关的运行成本；

g(P EV ,P Con )为相关约束条件，

包括EV 的充电功率约束和常规负荷约束、变压器容量约束等。

4.2多种遗传算法

盖世汽车网

针对EV 的有序充电优化问题，采用多种遗传算法（multiple population GA ，MPGA ）进行求解，MPGA 针对标准遗传算法的早熟现象进行了改进。EV 有序充电优化中，决策方案数目随着接入EV 数目的增多而呈指数型增长，使用性能良好的MPGA 算法能够在有限的算力和时间内通过种的进化过程完成寻优，得到令人满意的结果。

设置交叉重组概率在［0.7，0.9］内随机产生，变异概率在［0.001，0.05］内随机产生，最优个体最少保持代数MAXGEN 取值为10~15。

算例分析

5.1

基本参数

本文采用某居民住宅小区进行算例仿真，该小区除EV 之外的常规负荷如图2所示，小区的常规负荷峰值可达3500kW ，最低负荷为2345kW ；假设该小区共有500辆电动汽车，小区充电站内有100台充电桩，充电桩的额定充电功率为10kW ；优化时间为24h ，以每15min 为一个断面，从早上8:00到次日早上8:00共96个时段。在matlab2018a 的环境下进行编程，用MPGA 进行求解。

100

2 200

2 4002 6002 800

3 0003 2003 4003 600 >B 8 k W

图2常规负荷图

Fig.2The diagram of conventional load

5.2算例分析

5.2.1有序充电和无序充电的结果对比

图3和表1为无序充电和有序充电的优化结果对比。可以看出，所提出的有序充电优化方法对于改善系统运行情况有一定的积极作用。无序充电时大量的EV 充电时间集中在中午和晚上2个高峰，与常规负荷叠加，产生“峰上加峰”的现象，影响变压器的安全运行。采用本文方法后，绝大部分充电负荷被转移到谷时段。运行成本从8.52万元降低到了7.45万元，降低了12%以上；最大峰谷差从1587.2kW 降低到1039.1kW ，降低了34%以上。

01020

304050

60708090100

2 800

3 0003 2003 4003 6003 800

4 0004 2004 4004 600

B 8 k W

图3总负荷曲线对比图

Fig.3Comparison of total load curves

表1无序充电和有序充电结果对比

Table 1

The comparison result of orderly charging and

disorderly charging

无序充电有序充电

运行成本/万元

8.527.45

最大峰谷差/kW

1587.21039.1

5.2.2

不同EV 渗透率下的结果对比

图4给出了该小区采用本文的方法进行有序充电、在不同EV 渗透率下的总负荷曲线对比图。可以看出随着EV 渗透率的增大，充电站能对更多的充电负荷进行调控，更多EV 的充电负荷都由用电高峰期转移到了用电低谷期，对于降低运行成本和

“削峰填谷”的作用越明显。

4050607080

100

3 200

3 4003 6003 800

4 0004 2004 400 B 8 k W

#E(5%

#E(10%

#E(15%#E(20%

图4不同EV 渗透率下的负荷曲线对比Fig.4Comparison of load curves under different EV

permeability

为进一步挖掘住宅小区充电站有序充电方法对充电设施配电容量规划的影响，定义充电负荷同时率为

ℓ=max(P (t ))P single N （11）

式中：P(t)为t 时刻EV 的充电总负荷；

P single 为单台EV 充电功率；N 为EV 数量。

则住宅小区充电站EV 充电负荷规划计算模型为［8］

S =P single Nℓη（12）

式中：

S 为充电站EV 充电负荷规划容量；η为充电效率。

表2为不同EV 渗透率下的S 对比。通过有序充电的指导，可降低充电站的配电容量规划值，且渗透率越高，效果越明显，对于充电站的配变容量配置具有一定的指导意义。

表2

不同EV 渗透率下的S 对比

Table 2Comparison of S at different EV penetration rates MW

充电模式

无序充电有序充电S

5%渗透率1.01680.912010%渗透率1.75341.124015%渗透率2.34221.270420%渗透率

2.83521.4209

5.2.3

算法对比

利用充电站负荷的预测误差σ作为本文方法的一个评价指标，并与其他方法进行对比，即

σ=|

|||||P fore ,t -P real ,t P fore ,t ×100%（13）

式中：P fore ,t 、P real ,t 分别为t 时刻的预测负荷和真实负荷。

分别设置3种方案进行优化仿真，①利用本文

李敬航，等

住宅小区充电站电动汽车有序充电方法

方法模拟EV行为，用遗传算法［9］进行求解；②利用文献［10］的方法，即用蒙特卡洛算法模拟EV行为，用MPGA算法进行求解；③利用本文方法模拟EV 行为，用MPGA算法进行求解。结果如表3所示。

表3不同算法优化结果对比

Table3Optimization results comparison of different

algorithm

算法方案1方案2方案3平均σ/%

5.3

汉兰达爬坡门视频9.4

5.3

运行成本/万元

8.06

7.96

7.45

启辰t90最大峰谷差/kW

1282.7

1303.6

1039.1

可以看出，采用遗传算法求解，亦能寻到合适的解，降低运行成本和峰谷差，但容易陷入局部最优解；利用蒙特卡洛法模拟EV的行为，大部分时刻的σ值都维持在较高水平；而利用模糊C均值聚类对EV负荷的特性进行提取和分类，并基于马尔科夫链描述EV负荷的随机变化过程，能使模型更接近实际场景，并采用MPGA进行求解，能最大程度地降低运行成本与峰谷差。

6结束语

本文基于先进的数据挖掘技术，利用模糊C均值聚类算法把握了EV的负荷特性，对EV的随机动态变化过程进行描述与分析，并应用MPGA算法求解住宅小区内EV的有序充电问题，由求解结果可看出本文的优化方法可降低运行成本、实现削峰填谷，提升了电网的经济效益，并对充电站配电容量的规划设计具有一定的指导意义。

未来，随着电力市场化改革的推行，电力生产和消费将发生变化，如何利用博弈论，考虑充电站与电网运营商双方的利益，以实现二者的“双赢”，是本文下一步的研究重点。D

东风教练车参考文献：

［1］张钰，张玥，韩新阳，等.碳排放最小化条件下电动汽车有序充电策略研究［J］.中国电力，202

0，53（4）：147-154.

ZHANG Yu,ZHANG Yue,HAN Xinyang,et al.Research

a4f6on electric vehicle smart charging strategy on carbon

emission minimization［J］.Electric Power,2020,53（4）：

147-154.

［2］杜明秋，李妍，王标，等.电动汽车充电控制的深度增强学习优化方法［J］.中国电机工程学报，2019，39

（14）：4042-4048.

DU Mingqiu,LI Yan,WANG Biao,et al.Deep reinforce⁃

ment learning optimization method for charging control of

electric vehicles［J］.Proceedings of the CSEE,2019,39

（14）：4042-4048.［3］吴甲武，邱晓燕，潘胤吉，等.基于改进鸡算法的电动汽车有序充电策略研究［J］.电测与仪表，2019，56

（9）：97-103.

WU Jiawu,QIU Xiaoyan,PAN Yinji,et al.Research on

orderly charging strategy of electric vehicle based on im⁃

proved chicken swarm optimization［J］.Electrical Mea⁃

surement&Instrumentation,2019,56（9）：97-103.

［4］祖向东，张宇辉，牛国君，等.基于电动汽车柔性充放电的主动配电网供需协同优化调度［J］.东北电力大

学学报，2019，39（3）：29-37.

ZU Xiangdong,ZHANG Yuhui,NIU Guojun,et al.Sup⁃

ply⁃demand coordination optimal dispatch of active distri⁃

bution network with electric vehicle group flexible charg⁃

ing/discharging response［J］.Journal of Northeast Elec⁃

tric Power University,2019,39（3）：29-37.

限号天津

［5］孙欣，李俊飚，张亚迪，等.基于数据挖掘技术的嘉定地区电动汽车个人用户充电桩信息分析［J］.电力与能

源，2019，40（2）：181-183，216.

SUN Xin,LI Junbiao,ZHANG Yadi,et al.Information

analysis of electric vehicle incharged pile in Jiading area

based on data mining technology［J］.Power&Energy,

2019,40（2）：181-183,216.

［6］张禄，李国昌，陈艳霞，等.基于数据挖掘的电动汽车用户细分及价值评价方法［J］.电力系统保护与控制，

2018，46（22）：124-130.

ZHANG Lu,LI Guochang,CHEN Yanxia,et al.Customer

segmentation and value evaluation method based on data

mining for electric vehicles［J］.Power System Protection

and Control,2018,46（22）：124-130.

［7］李永攀，黄兵，解大.基于K⁃means聚类的电动汽车用户行为特征可视化分析［J］.电气自动化，2019，41（1）：

12-15，81.

LI Yongpan,HUANG Bing,XIE Da.Visual analysis on

the behavior characteristics of electric vehicle users

based on K⁃means clustering［J］.Electrical Automation,

2019,41（1）：12-15,81.

［8］陈旭，杨柳，杨振刚，等.住宅小区电动汽车有序充电潜力评估［J］.电力系统保护与控制，2020，48（2）：122-128.

CHEN Xu,YANG Liu,YANG Zhengang,et al.Assess⁃

ment of orderly charging potential of electric vehicles in

residential areas［J］.Power System Protection and Con⁃

trol,2020,48（2）：122-128.

［9］胡澄，刘瑜俊，徐青山，等.面向含风电楼宇的电动汽车优化调度策略［J］.电网技术，2020，44（2）：564-572.

HU Cheng,LIU Yujun,XU Qingshan,et al.Optimal

scheduling strategy for electric vehicles in buildings with

wind power［J］.Power System Technology,2020,44（2）：

564-572.

［10］陈奎，马子龙，周思宇，等.电动汽车两阶段多目标有序充电策略研究［J］.电力系统保护与控制，2020，48

（1）：65-72.

CHEN Kui,MA Zilong,ZHOU Siyu,et al.Charging con⁃

trol strategy for electric vehicles based on two⁃stage

multi⁃target optimization［J］.Power System Protection

and Control,2020,48（1）：65-72.

（责任编辑郝洁）

住宅小区充电站电动汽车有序充电方法

发布评论取消回复

最近发表

热门文章

标签列表