摘要：针对电动汽车储能充电桩无序充放电行为引起负荷峰谷差率，以及电动汽车的动态特性等问题。建立了考虑分时电价的储能式充电桩有序充放电优化调度策略。以电动汽车充放电电价、电动汽车充放电状态和充放电功率为决策变量，构建了以电动汽车充放电成本最小和充电桩收益最高为优化目标的电动汽车充放电调度数学模型，并为解决所提模型中多变量、多目标以及高维优化的问题，提出一种基于精英反向学习策略改进白鲨优化算法(EWSO),并使用CEC2021进行测试。综合考虑不同时间段储能充放电和充电桩放电负荷的功率约束，进行算例分析。结果表明，所提方法能极大程度降低用户充电费用，优化率为16.8%~27.5%,验证了模型的有效性及改进方法的可行性。

　　关键词：储能式充电桩；优化运行策略；白鲨优化算法；削峰填谷；典型日负荷

　　0引言

　　大规模电动汽车接入电网充电将引起电压控制、谐波、供需平衡等方面的问题[1]。尤其是在电动汽车位于电网峰值入网充电会超出小区的电网承载力，会对电网的电能质量造成较大影响，同时峰值充电将产生较多的费用[2-3]。因此，亟需研究一种提高电网运行安全系数，减小充电费用的电动汽车有序充电策略。

　　基于配电网中电动汽车充电优化问题，专家学者们引入智能优化算法对模型进行求解，并得到较好的结果。由于问题的非凸性，传统算法很难找到全局最优解[4]。因此，智能优化算法已被广泛用于充电优化运行策略的研究[5-7]。文献[8]利用改进的自适应步长果蝇优化算法(MASSFOA)对分时电价进行优化，提高电动汽车的连续充放电性能，增加充电站代理的收入。文献[9]提出使用二次规划数学模型结合遗传算法的策略，优化储能充放电功率，并通过仿真测试验证所提方法有效性较高。但GA表现出缓慢的收敛性，而DE算法往往过早收敛[10]。此外，粒子群优化(PSO)算法由于其快速收敛性，通常用于以多目标方式优化电动汽车充电[11-12],

　　但求解性能往往与求解目标维度成反比。并且上述研究学者在设计算法时并没有全面考虑元启发式算法的缺陷，无法使算法的寻优性能达到最优。为了解决上述问题，提出了一种基于改进白鲨优化算法的储能式充电桩优化运行策略。首先对用电负荷和分时电价进行了分析。然后利用电动汽车的充放电价格、电动汽车的充电和放电状态以及充放电功率作为决策变量，构建了电动汽车充放电调度的数学模型。该模型的目的是最大限度地降低电动汽车充电和放电的成本，同时最大限度地提高充电站的收入。其次提出一种基于精英反向学习策略的白鲨优化器，以解决研究的复杂性，减少峰谷负荷之间的差距，达到电动汽车充放电成本最小和充电桩收益最高。为了验证EWSO寻优性能的优越性，使用具有挑战性的CEC2021测试函数进行性能验证。最后，进行仿真分析，比较基于EWSO优化前后的电动汽车充电成本，即无序与有序充电下的成本，本文所提模型的有效性及优越性。

　　1用电负荷及分时电价分析

　　在为用户提供充电服务时，确保充放电信息的即时性对于控制中心的调节至关重要[13]。为最大化电网的运行效率，针对入网的储能式充电桩，在用电高峰期，优先利用储能电量进行电动车充电，并将储能充电负载调整至夜间以填补电网基础负荷的低谷。同时，通过调节储能的放电时间和功率来削减负荷峰值，以确保整体用电负载曲线尽可能平稳。上述策略有助于平衡电网的供需关系，提高电网运行的稳定性和效率，同时也能够降低用户的充电成本，改善用户体验。另外，随着电动汽车数量的增加，充电需求也会相应增加，因此及时采集用户充电信息并进行合理调度是确保充电服务高效运行的关键。同时对用户的充放电信息进行实时采集和分析，可以为控制中心提供重要的参考，实时调节充放电过程，以适应电网负荷的变化，最大程度地满足用户的需求。

　　2考虑小区接入储能式充电桩的充放电优化策略

　　本文所用参数释义如表2所示。

　　2.1考虑小区接入充电桩的充放电优化策略

　　根据小区实时基础负荷需求功率，在保证固定变电站最大输入功率的同时计算各时间段充电桩的最大功率。

       各时间节点充放电约束以及放电负荷约束如下。

　　其中式(3)表示充电桩在0点至早上8点内，即低谷时的充放电功率范围。

　　式(4)表示储能充电桩充放电在非低谷时的功率范围。

　　2.2充放电时间约束

　　计算电车接入充电桩后的充电效率。

　　储能式充电桩在低谷时段进行充电，因此计算其充电时间：

　　用户接入充电桩后，计算其充电所需的无序充电和有序充电的时间。

　　2.3小区车辆充电与充电桩总功率约束

　　小区车辆充放电期间与充电桩的系统遵循功率平衡约束：

　　小区车辆经联络线与充电桩充进行功率交互不能超过联络线允许传输上限，约束如下：

　　在任何时间段，所有电车接入充电桩时，所叠加的负荷都应该小于变电站接入小区最大输入功率：

　　且单台电动汽车在任意时刻电池荷电状态应该控制在电池容量的范围内：

　　2.4用户成本及充电桩利润

　　用户将根据无序充电和有序充电产生的费用选择其充电方式，费用与储能电量的计算公式如下：

　　由式(16)和(17)可知两种情况下的充电桩i的利润值：

　　储能充电桩在实行削峰填谷的情况下总体收益M为：

　　本文以在实行削峰填谷的情况下储能式充电桩总体收益最高，即用户产生费用最低为优化目标。

　　3改进白鲨优化算法及性能测试

　　为高效对储能充电桩的充放电模型进行求解，提出一种基于精英反向学习策改进白鲨优化算法，以此提升电网安全性及降低用户充电成本。

　　3.1白鲨优化算法

　　WSO受到大白鲨捕猎时在在海里巡游及觅食时的听觉和嗅觉的行为的启发，寻优策略主要包括速度更新策略、位置更新策略以及最佳位置移动策略，WSO基础公式如文献[14]所示。

　　3.2精英反向学习策略

　　假设当前种群中的白鲨个体为w,通过使用精英反向学习策略构造反向白鲨种群OP,j,具体公式为：

　　式中：K∈(0,1),为d维向量；(aj,bj)为第d维空间动态边界；w为精英个体。

　　搜索经验无法通过固定边界保存，因此采用动态边界逐步缩小的搜索空间，以此提升算法收敛速度。若反向解跳出动态边界，采用随机生成的方法重置，公式如下：

　　3.3 VWSO寻优流程

　　步骤1：初始化种群，随机生成一定数量的解向量作为初始种群。

　　步骤2：计算适应度，根据问题的适应度函数，计算每个解向量的适应度值。

　　步骤3：开发行为，白鲨种群在求解空间中移动，更新白鲨个体位置。

　　步骤4：觅食行为，白鲨种群在求解空间向最佳猎物聚集并进行猎杀，并根据两个最优白鲨个体更新其余白鲨位置。

　　步骤5：精英反向学习策略，根据精英反向学习公式重置白鲨个体位置，以此增加白鲨个体寻优的全局性，提升寻优性能。

　　步骤6：跳转至步骤2,直到满足达到算法寻优的最大迭代次数。

　　3.4 EWSO寻优性能分析

　　为验证EWSO的寻优性能，采用CEC2021中Bias and Rotation函数集中进行寻优性能测试[15],并将测试结果与WOA、GWO以及WSO进行对比分析[16-17]。所有算法维度均设置为20,迭代次数为200。取测试结果的最优值作为评价指标，图1及表3所示为F1、F3、F5、F8这4个函数的测试结果。

　　结合图表进行分析，其中表3中寻优最佳结果已经被加粗，可以看到EWSO针对挑战性较强的CEC2021测试函数，可以极快找到最优适应度值，以此证明EWSO具有极高的寻优精度以及收敛速度。

　　4仿真分析

　　为了验证所提方法的有效性，本节进行了仿真分析，以某个小区位于一条110 kV变电站下，主变容量为30 MW的情景为例。假设该小区有1500户，平均每户拥有0.8辆私家车，电动汽车渗透率为25%。

　　4.1典型日负荷峰谷差优化分析

　　为验证本文所提模型及算法的有效性，进行典型日负荷峰谷差优化仿真。典型日参数设置如表4所示。

　　根据表1给出的分时电价及表4中的参数，并基于所提模型计算得到图2。由图可知，典型日变电站最高峰为16.3 MW、最低谷段负荷值为12 MW,峰谷差4.3 MW。

　　EWSO算法优化后的负荷最高峰为16.2 MW、最低谷段负荷值为12 MW,峰谷差为4.2 MW,相较于其余算法优化曲线最佳，相较典型负荷日曲线，峰谷差率降低了25.9%。以此证明本文所提方法能明显降低小区负荷的峰谷差率。

　　4.2不同度量条件下充电优化分析

　　为进一步验证所提方法的优越性。表5所示为充放电功率优化分析结果，变量为充电车辆数以及充电需求量，分别为未优化充电费用（元），优化后充电费用（元）以及优化率。分析表5可得，随着充电车辆数的增大，本文方法优化率有一定的差异，在充电车辆少时，优化效果较大；同时随着充电需求SOC的增加，优化率也有所降低，当需求SOC更大时，优化率将小幅减小。但上述所有仿真测试的优化率均在16.83%27.57%之间，极大程度上减小了用户的充电成本。

　　并有效证明本文所提方法的优化率较高，可以显著降低用户充电产生的费用。上述仿真证明了本文所提算法优越性强，所提优化模型有效性高。

　　5结束语

　　本文针对既能够缓解电力系统负载波动，又能够降低电动汽车用户充电成本和提高充电桩收益的多目标优化问题，首先建立了储能式充电桩优化运行数学模型，并为求解模型提出了精英反向学习改进白鲨优化算法(EWSO),仿真分析主要结论如下。

　　(1)使用具有挑战性的CEC2021测试函数对EWSO进行寻优性能测试，结果证明EWSO在寻优精度和收敛速度方面的显著性能，优越性强。

　　(2)基于所提模型进行不同SOC及充电车辆数的仿真测试，结果证明所提储能充电桩优化调度方法能够显著降低用户充电成本，提升电网运行安全性。

　　综上所述，所提模型和有效性高，算法优越性强，有着较好的应用前景。

　[1]LIU Hong,ZENG Pingliang,GUO Jianyi,et al.An optimization strategy of controlled electric vehicle charging considering de-mand side response and regional wind and photovoltaic[J].Jour-nal of Modern Power Systems and Clean Energy,2015,3(2):232-239.

　　[2]Kapustin N O,Grushevenko D A.Long-term electric vehicles outlook and their potential impact on electric grid[J].Energy Policy,2020,137:111103.

　　[3]冯仕杰，刘韬，潘萨，等．基于分层优化的电动汽车有序充电策略[J].电气工程学报，2021,16(3):137-144.

　　[4]Zhang X,Wang Z,Lu Z.Multi-objective load dispatch for micro-grid with electric vehicles using modified gravitational search and particle swarm optimization algorithm[J].Appl Energy,2022,306:118018.

　　[5]Liu J,Lin G,Rehtanz C,Huang S,Zhou Y,Li Y.Data-driven in-telligent EV charging operating with limited chargers considering the charging demand forecasting[J].Int J Electr Power Energy Syst,2022,141:108218.

　　[6]WANG Shouxiang,ZHANG Shantao,WANG Kai,et al.Multi-objective optimal operation of distributed energy storage consider-ing user demand response under time-of-use price[J].Electric Power Automation Equipment,2020,40(1):125-132.

　　[7]Islam MR,Lu H,Islam MR.An IoT-based decision support tool for improving the performance of smart grids connected with dis-tributed energy sources and electric vehicles[J].IEEE Trans Ind Appl,2020,56:4552-4562.

　　[8]Yang F,Yu S,Meng C.et al.A three-stage optimization of char-ging scheduling of electric vehicles considering electricity price and user selection[J].Electr Eng,2024.

　　[9]ZHANG Meidan,SONG Xiaozhe,XIN Huanhai,et al.Optimal operation strategy of battery energy storage system in distribution networks with consideration of power losses[J].Power System Technology,2013,37(8):2123-2128.

　　[10]王武，杨晓博，王红艳．基于差分进化小波神经网络的配电变压器故障检测[J].机电工程技术，2023,52(7):155-158.

　　[11]Du W,Ma J,Yin W.Orderly charging strategy of electric vehi-cle based on improved PSO algorithm[J].Energy 2023,271:127088.

　　[12]Anand MP,Bagen B,Rajapakse A.Reliability oriented distribu-tion system analysis considering electric vehicles and hybrid en-ergy resources[J].Int J Electr Power Energy Syst,2022,137:107500.

　　[13]李鹏，俞天杨，俞斌，等．基于改进多目标粒子群算法的储能式充电桩优化运行策略[J/OL].南京信息工程大学学报（自然科学版），1-11[2024-03-28].

　　[14]BRAIK M,HAMMOURI A,ATWAN J,et al.White Shark Opti-mizer:a novel bio-inspired metaheuristic algorithm for global optimization problems[J].Knowledge-Based Systems,2022,243:108457.

　　[15]马志海，刘升．增强型野马优化算法及其工程应用[J].计算机应用研究，2024,41(7):2061-2068.

　　[16]ELM的列车轴承故障诊断[J].机电工程技术，2023,52(5):295-299.

　　[17]冯苗苗，崔敏，吕淑清，等．混合遗传灰狼算法在装配车间调度中的应用[J].机电工程技术，2023,52(9):118-122.