行之知识产权综合服务平台

技术领域

本发明涉及一种大规模电动汽车优化充放电系统，尤其是涉及一种基于最优潮流的大规模电动汽车优化充放电系统。

背景技术

电动汽车（Electric Vehicle，EV)作为新一代的节能环保型汽车，是汽车工业发展的必然趋势。电动汽车具有可控负荷和电源的双重身份，充电时其可视为电网的负荷，放电时可视为电网的电源，电动汽车为提高电网的经济运行提供了机遇。然而，若大规模的电动汽车同时接入电网，其无序充放电行为将给电网带来强大的冲击，可能使电网过负荷运行，影响电网的安全性和经济性。因此，将接入电网的电动汽车纳入电网的调度体系，研究电动汽车统一充放电策略，这对于在满足电动汽车充电需求的同时提高电网运行的经济性具有重要的理论价值和实际意义。

目前国内外已经针对电动汽车接入电网的充放电问题展开了一些研究，取得了一定的成果，但是大规模的电动汽车充放电问题还没有很好的解决。如：有些研究了电动汽车有序充电的控制策略，但其研究对象仅局限于公共充电站内的电动汽车，未在电网的层面上考虑电动汽车充电对电网的影响；有些研究了电动汽车与电网侧火电或风电机组协调运行的问题，但其没有考虑网损和网络安全约束问题；有些考虑了以实时电价为背景，提出了基于需求侧响应思想的电动汽车集中充电机制，但其没有考虑电动汽车的V2G（Vehicle toGrid）功能和对电网安全性和经济性的影响；有些研究了电动汽车的充放电经济调度策略，但忽略了电动汽车的充放电功率约束且没有考虑汽车的行驶功率需求规律；有些建立了以配电网网损最小为目标的电动汽车充电优化模型，采用迭代修正节点电压的方法求解，但没有考虑配网中有载调压变压器的调节；有些研究了在满足电网安全运行的条件下，以使实际日负荷曲线接近理想曲线为目标的电动汽车充电策略，但其没有考虑电动汽车的V2G功能。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于最优潮流的大规模电动汽车优化充放电系统，其特征在于，

一电网调度中心：根据城市汽车管理中心上传的电池可用容量，SOC，预计离开电网时间及离开时期望的SOC值等信息，对电网进行最优潮流计算，目标为电网网损最小、日负荷曲线波动最小、有载调压变压器分接头调节次数最少，满足用户离开电网时期望的SOC值，根据最优潮流计算结果，分配各个小区集中管理单元各个时段的可充放电容量；

一城市电动汽车管理中心：与所述电网调度中心连接，所述城市管理中心收集下面各个小区集中管理单元的信息，统计整理后再打包上传给电网调度中心，调度中心计算分析后，再把结果下传给城市电动汽车管理中心，城市汽车管理中心再分别给各个小区集中管理单元分配可充电容量；

若干小区集中管理单元：与城市电动汽车管理中心连接，用于收集所辖区域内充电桩的信息，包括是否接入电动汽车，接入电动汽车的时间，电池的SOC、容量，预计离开电网的时间及离开时期望的SOC值等信息，并且根据电动汽车需求类似原则对电动汽车进行分类，然后把这些信息上传给城市电动汽车管理中心，根据城市汽车管理中心给定的可充电容量，根据分类安排电动汽车的充电或者放电，使得小区对电网表现的总充电负荷为电网调度中心给定的功率，一个小区视为电网的一个配网节点；

若干充电桩：所述充电桩连接到小区集中管理单元上，一个小区集中管理单元连接若干充电桩，该充电桩用于连接电动汽车和电网的装置，可以读取汽车能量管理单元的电池SOC、电池容量、电动汽车充放电电流大小、预计离开时间及离开时期望的SOC等信息，并且上传给小区集中管理单元，也可接受小区集中管理单元的控制命令，控制电动汽车充电或者放电；

若干能量管理单元：一个充电桩连接有一个能量管理单元，该能量管理单元用于记录车载蓄电池的容量等信息，监测电池的SOC，预测剩余电量可用时长及电动汽车可行距离，连接充电桩时，设置电动汽车充放电的电流大小、预计离开电网的时间及离开时期望的SOC值。

一种基于最优潮流的大规模电动汽车优化充放电方法，其特征在于，具体方法是：电网调度中心将每个小区集中管理单元等效为一个巨大的蓄电池，将其纳入电网的统一调度，以日负荷曲线平滑、网损最小、有载调压变压器调节次数最少、用户满意度高为目标函数，以电网安全稳定运行为约束调节建立优化模型，用改进粒子群优化算法求解各个小区集中管理单元的可充电容量，小区集中管理单元再按照电动汽车的不同需求给各车制定充放电计划，包括以下步骤：

步骤1，电动汽车接入电网前，用户设置充放电电流的限值、预计离开时间及离开时SOC的下限值；

步骤2，电动汽车连接充电桩，充电桩读取汽车能量管理单元中电池的信息及用户设置的信息，

步骤3，充电桩把从汽车能量管理单元中读取的信息上报给小区集中管理单元；

步骤4，小区集中管理单元根据充电桩上报的信息对电动汽车进行分类，分为需要急充的、可以慢充的，可以放电的三类；并把统计的信息上报给城市电动汽车管理中心；

步骤5，城市电动汽车管理中心收集各个小区集中管理单元上传的信息，对小区集中管理单元进行等效蓄电池的建模处理，再把信息进行整理打包后，统一上传给电网调度中心；

步骤6，电网调度中心接收城市电动汽车管理中心上传的信息，将各个小区集中管理单元纳入电网的统一调度，进行最优潮流计算，根据计算结果，分配各个小区集中管理单元充电功率，并把信息打包下传给城市电动汽车管理中心；

步骤7，城市电动汽车管理中心将电网调度中心分配的充电容量信息分配给各个小区集中管理单元；

步骤8，小区集中管理单元根据分配的允许充电功率和电动汽车的分类，制定好各车的充电或者放电计划；

步骤9，充电桩接收小区集中管理单元下发的控制信息，控制电动汽车充电或者放电。

在上述的一种基于最优潮流的大规模电动汽车优化充放电方法，所述步骤5中，对小区集中管理单元进行等效蓄电池的建模处理的具体方法是：上班时段和下班时段，电动汽车离开电网的时间服从正态分布，其他时间离开电网的概率服从均匀分布，设P_leave,β为时刻β电动汽车离开电网的概率，则可认为时刻β接入电网的电动汽车的比例P_rβ≈1-P_leave,β，若N_α,EV为小区集中管理单元α所辖的电动汽车总量，则P_rβ·N_α,EV为节点α时刻β接入电网的电动汽车数量，其中，定义电动汽车在空间上服从均匀分布；

定义等效蓄电池的容量为荷电状态SOC为γ_α,β，充放电功率上下限值为则它们的计算公式如下：

$E_{\mathrm{\α},\mathrm{\β}}^{\mathrm{store}}=P_{\mathrm{r\β}}\·N_{\mathrm{\α},\mathrm{EV}}\·E_{\mathrm{\α}}^{\mathrm{EV}}$ 式一

${\mathrm{\γ}}_{\mathrm{\α},\mathrm{\β}+1}={\mathrm{\γ}}_{\mathrm{\α},\mathrm{\β}}+\frac{P_{\mathrm{r\β}}\·N_{\mathrm{\α},\mathrm{EV}}\·P_{\mathrm{\α},\mathrm{\β}}^{\mathrm{store}}\·\mathrm{\Δt}}{E_{\mathrm{\α},\mathrm{\β}+1}^{\mathrm{store}}}$ 式二

$\left\{\begin{array}{c}{P}_{\mathrm{\α},\max }^{\mathrm{store}}=P_{\mathrm{r\β}}\·N_{\mathrm{\α},\mathrm{EV}}\·P_{\mathrm{\α},\max }^{\mathrm{EV}}\\ P_{\mathrm{\α},\min }^{\mathrm{store}}=P_{\mathrm{r\β}}\·N_{\mathrm{\α},\mathrm{EV}}\·P_{\mathrm{\α},\min }^{\mathrm{EV}}\end{array}\right.$ 式三

式中，为节点α时刻β等效蓄电池的容量，P_rβ为时刻β接入电网的电动汽车的比例，N_α,EV为节点α的电动汽车总量，为一辆电动汽车的平均容量，γ_α,β、γ_α,β+1为节点α的等效蓄电池在时刻β和时刻β+1的SOC，为等效蓄电池的充放电功率，正值代表充电，负值代表放电，Δt为时刻β和β+1之间的时间间隔，为蓄电池充放电功率的上下限值，为单辆电动汽车充放电功率的上下限值；式二中，电动汽车数量变化引起的等效蓄电池SOC的变化忽略不计。

在上述的一种基于最优潮流的大规模电动汽车优化充放电方法，所述步骤6中，潮流计算基于以下模型：

以同时满足电动汽车用户群体需求和提升电网经济运行效益为指导目标，考虑电动汽车用户满意度、电网日负荷曲线平滑、减少电网的有功网损和电网控制设备的频繁调节为目标函数，在网络约束、有载调压变压器约束、传输功率约束、充放电功率约束、电动汽车SOC约束的约束条件下，提出了考虑电动汽车接入电网随机性的基于最优潮流的电动汽车充放电优化策略，并用基于遗传变异和模拟退火思想的改进粒子群优化算法来求解充放电优化问题；

定义用户满意度函数为：

$g_4=1-\frac{\underset{\mathrm{\α}=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\γ}}_{\mathrm{\α}7}}{n}$ 式四

式中，γ_α7为节点α的等效蓄电池在早上7:00的SOC值；n为电网络节点数，等效蓄电池的SOC值越大，可代表电动汽车的SOC值也越大，函数值越小，即为用户满意度越高，且规定电池的SOCγ≥0.6时，才允许其向电网放电，以保障用户的出行电量需求；

对于上述多目标的优化问题，可以通过加权线性组合来化成单目标的优化问题，所以，最终目标函数表述为：

minf=ε₁·g₁+ε₂·g₂+ε₃·g₃+(1-ε₁-ε₂-ε₃)·g₄ 式五

$\left\{\begin{array}{c}{g}_1=\underset{\mathrm{\β}=1}{\overset{n_{\mathrm{\β}}}{\mathrm{\Σ}}}\underset{\mathrm{\α}=1}{\overset{n_l}{\mathrm{\Σ}}}{P}_{\mathrm{Loss},\mathrm{\α\β}}\\ g_2=\underset{\mathrm{\β}=1}{\overset{n_{\mathrm{\β}}}{\mathrm{\Σ}}}\underset{\mathrm{\α}=1}{\overset{n_t}{\mathrm{\Σ}}}\left|\right|t{|}_{\mathrm{\α\β}}-1|\\ g_3=\underset{\mathrm{\β}=1}{\overset{n_{\mathrm{\β}}}{\mathrm{\Σ}}}{(P_{\mathrm{\β}}-\stackrel{\‾}{P})}^2\\ g_4=1-\frac{\underset{\mathrm{\α}=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\γ}}_{\mathrm{\α}7}}{n}\end{array}\right.$ 式六

式中，P_Loss,αβ为支路α在β时刻的有功损耗标幺值；|t|_αβ为有载调压变压器α在β时刻的变比；n_l为网络包含支路数；n_t为有载调压变压器的个数；n_β为一天总的时间间隔数；P_β为β时刻的网络总负荷标幺值；为无EV接入时日负荷曲线的平均值的标幺值；γ_α7为节点α的等效蓄电池在早上7:00的SOC值；n为电网络节点数，g₁表示有功网损；g₂表示有载调压变压器调节次数；g₃表示日负荷曲线的平滑度；g₄表示用户满意度；ε₁、ε₂、ε₃为权重系数，且令ε₁=0.3，ε₂=0.3，ε₃=0.3，

所述的约束条件为：

P_Gα-P_Dα-P_Tα=0 式七

Q_Gα-Q_Dα-Q_Tα=0 式八

|t|_α,min≤|t|_α≤|t|_α,max 式九

$P_{\mathrm{\α},\min }^{\mathrm{store}}\≤P_{\mathrm{\α}}^{\mathrm{store}}\≤P_{\mathrm{\α},\max }^{\mathrm{store}}$ 式十

V_α,min≤V_α≤V_α,max 式十一

|P_l|≤P_l,max 式十二

γ_α≥0.1 式十三

式中，P_Gα，Q_Gα为节点α的注入功率；P_Dα，Q_Dα为节点α的负荷功率；P_Tα，Q_Tα为节点α的传输功率；|t|_α,max，|t|_α,min为有载调压变压器α变比上下限；为节点α的蓄电池充放电功率的上下限值；V_α,max，V_α,min为节点α的电压上下限；P_l,max为线路l的功率上限；γ_α为节点α的等效蓄电池的SOC。

在上述的一种基于最优潮流的大规模电动汽车优化充放电方法，电网调度中心的最优潮流优化模型的求解用改进粒子群优化算法进行求解，具体包括以下步骤：

步骤1，各小区集中管理单元的信息等，并在满足约束条件下初始化新生粒子的位置X_i和速度V_i；

步骤2，进行潮流计算和等效蓄电池的SOC计算，并判断计算出的状态变量是否满足约束条件；若不满足，重新生成该粒子，若满足，则生成下一个粒子，直到生成所有粒子；

步骤3，评估每个粒子的适应值，并寻找每个粒子的个体最优值和全局最优值，分别记为P_i和P_g；

步骤4，置k=k+1，更新惯性因子w和退火温度T；

步骤5，计算一个粒子的当前速度V_i，若越限则限制在边界上；计算该粒子当前的位置X_i，若越限则限制在边界上；

步骤6，根据该粒子的位置进行潮流计算；并且计算等效蓄电池的SOC；重新评估该粒子的适应值，并判断是否更新该粒子的P_i和整个种群的P_g；

步骤7，回到步骤5算下一个粒子，值到所有粒子都更新完；

步骤8，根据设置的变异概率，随机选取一定数量的粒子进行变异，分别根据变异粒子的位置信息进行潮流计算，重估变异粒子的适应值；根据模拟退火的温度控制规则，以一定的概率接受粒子的不良变异来重新判断是否更新变异粒子的P_i和整个种群的P_g；

步骤9，若k达到最大迭代次数，则输出最优解，否则转向步骤4。

因此，本发明具有如下优点：能够解决大规模电动汽车接入电网充放电带来的各种问题，有序安排大规模的电动汽车完成充放电，能够在满足用户出行用电需求的同时，充分利用电动汽车来提高电网运行的安全性和经济性，本发明适用于电动汽车在小区，商业区、工作区、公共充电站的充放电管理。

附图说明

附图1是本发明的结构示意图。

附图2是一天中各个时刻接入电网的电动汽车比例。

附图3是用改进粒子群算法求解基于最有潮流的电动汽车充放电模型流程图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

一、本发明包括汽车能量管理单元、充电桩、小区集中管理单元、电网调度中心。电网调度中心将每个小区集中管理单元等效为一个巨大的蓄电池，将其纳入电网的统一调度，以日负荷曲线平滑、网损最小、有载调压变压器调节次数最少、用户满意度高为目标函数，以电网安全稳定运行为约束调节建立优化模型，用改进粒子群优化算法求解各个小区集中管理单元的可充电容量，小区集中管理单元再按照电动汽车的不同需求给各车制定充放电计划，具体的单元的功能如下：

电网调度中心：根据城市汽车管理中心上传的电池可用容量，SOC，预计离开电网时间及离开时期望的SOC值等信息，对电网进行最优潮流计算，目标为电网网损最小、日负荷曲线波动最小、有载调压变压器分接头调节次数最少，满足用户离开电网时期望的SOC值。根据最优潮流计算结果，分配各个小区集中管理单元各个时段的可充放电容量。

一城市电动汽车管理中心：与所述电网调度中心连接，所述城市管理中心收集下面各个小区集中管理单元的信息，统计整理后再打包上传给电网调度中心，调度中心计算分析后，再把结果下传给城市电动汽车管理中心，城市汽车管理中心再分别给各个小区集中管理单元分配可充电容量。

若干小区集中管理单元：与城市电动汽车管理中心连接，用于收集所辖区域内充电桩的信息，包括是否接入电动汽车，接入电动汽车的时间，电池的SOC、容量，预计离开电网的时间及离开时期望的SOC值等信息，并且根据电动汽车需求类似原则对电动汽车进行分类，然后把这些信息上传给城市电动汽车管理中心。根据城市汽车管理中心给定的可充电容量，根据分类安排电动汽车的充电或者放电，使得小区对电网表现的总充电负荷为电网调度中心给定的功率。一个小区视为电网的一个配网节点。

若干充电桩：所述充电桩连接到小区集中管理单元上，一个小区集中管理单元连接若干充电桩，该充电桩用于连接电动汽车和电网的装置，可以读取汽车能量管理单元的电池SOC、电池容量、电动汽车充放电电流大小、预计离开时间及离开时期望的SOC等信息，并且上传给小区集中管理单元。也可接受小区集中管理单元的控制命令，控制电动汽车充电或者放电。

若干能量管理单元：一个充电桩连接有一个能量管理单元，该能量管理单元用于记录车载蓄电池的容量等信息，监测电池的SOC，预测剩余电量可用时长及电动汽车可行距离，连接充电桩时，设置电动汽车充放电的电流大小、预计离开电网的时间及离开时期望的SOC值等信息。

二、工作时，结合上述的硬件单元，操作步骤如下：

包括以下步骤：

步骤1，电动汽车接入电网前，用户设置充放电电流的限值、预计离开时间及离开时SOC的下限值。

步骤2，电动汽车连接充电桩，充电桩读取汽车能量管理单元中电池的信息及用户设置的信息。

步骤3，充电桩把从汽车能量管理单元中读取的信息上报给小区集中管理单元。

步骤4，小区集中管理单元根据充电桩上报的信息对电动汽车进行分类。分为需要急充的、可以慢充的，可以放电的三类；并把统计的信息上报给城市电动汽车管理中心。

步骤5，城市电动汽车管理中心收集各个小区集中管理单元上传的信息，对小区集中管理单元进行等效蓄电池的建模处理，再把信息进行整理打包后，统一上传给电网调度中心。

在本步骤中，对小区集中管理单元进行等效蓄电池的建模处理的具体方法是：上班时段和下班时段，电动汽车离开电网的时间服从正态分布，其他时间离开电网的概率服从均匀分布，设P_leave,β为时刻β电动汽车离开电网的概率，则可认为时刻β接入电网的电动汽车的比例P_rβ≈1-P_leave,β，若N_α,EV为小区集中管理单元α所辖的电动汽车总量，则P_rβ·N_α,EV为节点α时刻β接入电网的电动汽车数量，其中，定义电动汽车在空间上服从均匀分布；

定义等效蓄电池的容量为荷电状态SOC为γ_α,β，充放电功率上下限值为则它们的计算公式如下：

$E_{\mathrm{\α},\mathrm{\β}}^{\mathrm{store}}=P_{\mathrm{r\β}}\·N_{\mathrm{\α},\mathrm{EV}}\·E_{\mathrm{\α}}^{\mathrm{EV}}$ 式一

${\mathrm{\γ}}_{\mathrm{\α},\mathrm{\β}+1}={\mathrm{\γ}}_{\mathrm{\α},\mathrm{\β}}+\frac{P_{\mathrm{r\β}}\·N_{\mathrm{\α},\mathrm{EV}}\·P_{\mathrm{\α},\mathrm{\β}}^{\mathrm{store}}\·\mathrm{\Δt}}{E_{\mathrm{\α},\mathrm{\β}+1}^{\mathrm{store}}}$ 式二

$\left\{\begin{array}{c}{P}_{\mathrm{\α},\max }^{\mathrm{store}}=P_{\mathrm{r\β}}\·N_{\mathrm{\α},\mathrm{EV}}\·P_{\mathrm{\α},\max }^{\mathrm{EV}}\\ P_{\mathrm{\α},\min }^{\mathrm{store}}=P_{\mathrm{r\β}}\·N_{\mathrm{\α},\mathrm{EV}}\·P_{\mathrm{\α},\min }^{\mathrm{EV}}\end{array}\right.$ 式三

式中，为节点α时刻β等效蓄电池的容量，P_rβ为时刻β接入电网的电动汽车的比例，N_α,EV为节点α的电动汽车总量，为一辆电动汽车的平均容量，γ_α,β、γ_α,β+1为节点α的等效蓄电池在时刻β和时刻β+1的SOC，为等效蓄电池的充放电功率，正值代表充电，负值代表放电，Δt为时刻β和β+1之间的时间间隔，为蓄电池充放电功率的上下限值，为单辆电动汽车充放电功率的上下限值；式二中，电动汽车数量变化引起的等效蓄电池SOC的变化忽略不计。

步骤6，电网调度中心接收城市电动汽车管理中心上传的信息，将各个小区集中管理单元纳入电网的统一调度，进行最优潮流计算，根据计算结果，分配各个小区集中管理单元充电功率，并把信息打包下传给城市电动汽车管理中心。

在本步骤中，潮流计算基于以下模型：

以同时满足电动汽车用户群体需求和提升电网经济运行效益为指导目标，考虑电动汽车用户满意度、电网日负荷曲线平滑、减少电网的有功网损和电网控制设备的频繁调节为目标函数，在网络约束、有载调压变压器约束、传输功率约束、充放电功率约束、电动汽车SOC约束的约束条件下，提出了考虑电动汽车接入电网随机性的基于最优潮流的电动汽车充放电优化策略，并用基于遗传变异和模拟退火思想的改进粒子群优化算法来求解充放电优化问题；

定义用户满意度函数为：

$g_4=1-\frac{\underset{\mathrm{\α}=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\γ}}_{\mathrm{\α}7}}{n}$ 式四

式中，γ_α7为节点α的等效蓄电池在早上7:00的SOC值；n为电网络节点数，等效蓄电池的SOC值越大，可代表电动汽车的SOC值也越大，函数值越小，即为用户满意度越高，且规定电池的SOCγ≥0.6时，才允许其向电网放电，以保障用户的出行电量需求；

对于上述多目标的优化问题，可以通过加权线性组合来化成单目标的优化问题，所以，最终目标函数表述为：

minf=ε₁·g₁+ε₂·g₂+ε₃·g₃+(1-ε₁-ε₂-ε₃)·g₄ 式五

$\left\{\begin{array}{c}{g}_1=\underset{\mathrm{\β}=1}{\overset{n_{\mathrm{\β}}}{\mathrm{\Σ}}}\underset{\mathrm{\α}=1}{\overset{n_l}{\mathrm{\Σ}}}{P}_{\mathrm{Loss},\mathrm{\α\β}}\\ g_2=\underset{\mathrm{\β}=1}{\overset{n_{\mathrm{\β}}}{\mathrm{\Σ}}}\underset{\mathrm{\α}=1}{\overset{n_t}{\mathrm{\Σ}}}\left|\right|t{|}_{\mathrm{\α\β}}-1|\\ g_3=\underset{\mathrm{\β}=1}{\overset{n_{\mathrm{\β}}}{\mathrm{\Σ}}}{(P_{\mathrm{\β}}-\stackrel{\‾}{P})}^2\\ g_4=1-\frac{\underset{\mathrm{\α}=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\γ}}_{\mathrm{\α}7}}{n}\end{array}\right.$ 式六

式中，P_Loss,αβ为支路α在β时刻的有功损耗标幺值；|t|_αβ为有载调压变压器α在β时刻的变比；n_l为网络包含支路数；n_t为有载调压变压器的个数；n_β为一天总的时间间隔数；P_β为β时刻的网络总负荷标幺值；为无EV接入时日负荷曲线的平均值的标幺值；γ_α7为节点α的等效蓄电池在早上7:00的SOC值；n为电网络节点数，g₁表示有功网损；g₂表示有载调压变压器调节次数；g₃表示日负荷曲线的平滑度；g₄表示用户满意度；ε₁、ε₂、ε₃为权重系数，且令ε₁=0.3，ε₂=0.3，ε₃=0.3，

所述的约束条件为：

P_Gα-P_Dα-P_Tα=0 式七

Q_Gα-Q_Dα-Q_Tα=0 式八

|t|_α,min≤|t|_α≤|t|_α,max 式九

$P_{\mathrm{\α},\min }^{\mathrm{store}}\≤P_{\mathrm{\α}}^{\mathrm{store}}\≤P_{\mathrm{\α},\max }^{\mathrm{store}}$ 式十

V_α,min≤V_α≤V_α,max 式十一

|P_l|≤P_l,max 式十二

γ_α≥0.1 式十三

式中，P_Gα，Q_Gα为节点α的注入功率；P_Dα，Q_Dα为节点α的负荷功率；P_Tα，Q_Tα为节点α的传输功率；|t|_α,max，|t|_α,min为有载调压变压器α变比上下限；为节点α的蓄电池充放电功率的上下限值；V_α,max，V_α,min为节点α的电压上下限；P_l,max为线路l的功率上限；γ_α为节点α的等效蓄电池的SOC。

然后，基于上述的潮流模型，用改进粒子群优化算法进行求解，具体包括以下步骤：

1，各小区集中管理单元的信息等，并在满足约束条件下初始化新生粒子的位置X_i和速度V_i；

2，进行潮流计算和等效蓄电池的SOC计算，并判断计算出的状态变量是否满足约束条件；若不满足，重新生成该粒子，若满足，则生成下一个粒子，直到生成所有粒子；

3，评估每个粒子的适应值，并寻找每个粒子的个体最优值和全局最优值，分别记为P_i和P_g；

4，置k=k+1，更新惯性因子w和退火温度T；

5，计算一个粒子的当前速度V_i，若越限则限制在边界上；计算该粒子当前的位置X_i，若越限则限制在边界上；

6，根据该粒子的位置进行潮流计算；并且计算等效蓄电池的SOC；重新评估该粒子的适应值，并判断是否更新该粒子的P_i和整个种群的P_g；

7，回到步骤5算下一个粒子，值到所有粒子都更新完；

8，根据设置的变异概率，随机选取一定数量的粒子进行变异，分别根据变异粒子的位置信息进行潮流计算，重估变异粒子的适应值；根据模拟退火的温度控制规则，以一定的概率接受粒子的不良变异来重新判断是否更新变异粒子的P_i和整个种群的P_g；

9，若k达到最大迭代次数，则输出最优解，否则转向步骤4。

步骤7，城市电动汽车管理中心将电网调度中心分配的充电容量信息分配给各个小区集中管理单元。

步骤8，小区集中管理单元根据分配的允许充电功率和电动汽车的分类，制定好各车的充电或者放电计划。

步骤9，充电桩接收小区集中管理单元下发的控制信息，控制电动汽车充电或者放电。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。