Page 72 - 电力与能源2024年第三期

346 秦振华：智能充电站运营系统决策模型优化研究

如下： 负荷进行计算、测量。粒子群算法中初始粒子数
X ( ) t 量设置为 100 个。
1
Q = C （7）
0
X (t + 1 ) 基于本文提出的充电决策，电网负荷波动波
（4）有序充电决策。通过粒子群算法计算各 形如图 3 所示。从图 3 可知，通过本文提出的方
个时段的电动汽车充电的电量： 法，电网负荷波动较为平滑，波动率为 49.2%。
Q
F( y) = q i( x)∑ f max( ) t （8）
f ( ) x
式中 F（y） —— 第 y 个 时 段 的 充 电 站 充 电 量 ；
f （x） ——粒子群算法的优化目标；q i （x）——约束
函数中非可信粒子违背程度，其中 i 表示第 i 个约
f
束函数； max （t）——第 t 次迭代时非可行粒子计算
图 3 电网负荷波动波形
获得的适应度值。
经过式（8）求解后，可获得充电站的充电计划 3 结语
决策，如图 2 所示。
本文提出了一种充电站充电决策制定方法，
首先通过滚动优化对充电站的充电时间进行时段

划分，共划分为 96 段，然后预测电动汽车用户的
短期充电负荷，最后利用粒子群算法优化电动汽
车在每一个时间段内的充电负荷，制定该时段的
最优充电曲线。充电站可利用充电决策参与电网
的“削峰填谷”，优化电网配置。

参考文献：
［1］ 徐家慧，武 毅，曹 宇，等 . 电动汽车充电设施充运营服

务能力评价体系［J］ 中国科技信息，2018（21）：98-100.
.
［2］ 李智星，张 成，余明阳，等 . 计及分布式电源时序性的电
动 汽 车 充 电 站 运 营 管 理 研 究［J］ 农 村 电 气 化 ，2022（2）：
.
图 2 充电站充电决策 69-73.
［3］ 文艺林，胡泽春，宁 剑，等 . 基于分布鲁棒机会约束的充
利用图 2 所示的充电站充电决策可制定充电
电 运 营 商 参 与 调 峰 市 场 投 标 策 略［J］ 电 力 系 统 自 动 化 ，
.
站的充电计划，实现充电站用电负荷最优。
2022，46（7）：23-32.
［4］ 陈 坤，盛裕杰，李 涛，等 . 计及用户决策的异质性与不
2 算例分析
完 全 理 性 的 电 网 — 充 电 运 营 商 协 同 运 行［J］ 现 代 电 力 ，
.
2023，40（3）：332-341.
为验证本文提出的方法，搭建了仿真模型，所
［5］ 黄帅博，陈 蓓，高降宇 . 基于马尔可夫决策过程的电动汽
选用的电动汽车有 3 种：第一种电动汽车的蓄电
.

车 充 电 站 能 量 管 理 策 略［J］ 电 力 自 动 化 设 备 ，2022，42
池容量为 47.5 kWh，最大续航里程数为 305 km； （10）：92-99.
第二种电动汽车的蓄电池容量为 41.4 kWh，最大 ［6］ 徐 薇，黄悦丰，陈彩华 . 考虑配置储能系统的电动公交充
电 站 充 放 电 调 度 策 略［J］ 运 筹 学 学 报 ，2023，27（2）：

.
续航里程数为 260 km，第三种电动汽车的蓄电池
95-109.
容量为 63 kWh，最大续航里程数为 295 km。3 种 收稿日期：2024-02-19
电动汽车共 200 辆。 (本文编辑：赵艳粉）
同时，随机选定了一个居民区，对其日常用电