基于二进制瞬态搜索优化(BTSO)算法的聚合电动汽车与储能电池实时优化管控——用于居民虚拟电厂(VPP)配电网电压调节的技术支撑

《ENERGY CONVERSION AND MANAGEMENT》：Optimal real-time management of aggregated EVs and batteries for technical support of residential virtual power plants using a binary TSO algorithm

　　

为减少居民用户特别是交通领域的碳排放，英国政府鼓励使用零排放车辆如电动汽车（Electric Vehicle, EV），并推广安装户用光伏（Photovoltaic, PV）与静态电池储能系统（Battery Energy Storage System, BESS）。然而，大量家用EV充电器接入将显著增加配电网（Distribution Network, DN）重构投资需求。为此，本文提出一种基于居民虚拟电厂（Virtual Power Plant, VPP）的聚合大规模智能EV充电器与BESS的实时优化管控方法，以支撑配电网节点电压调节。此外，VPP最大化受服务充电器数量并确保所有并网EV公平充电。首先，本文提出一种新颖的二进制瞬态搜索优化（Binary Transient Search Optimization, BTSO）算法，用于求解高维二进制决策变量（EV充电器投切ON/OFF）。其次，构建含约1000户住宅的改进IEEE 33节点系统，每户配备EV、户用PV系统、静态BESS及家用电器。随后，将所提BTSO-VPP应用于监测改进IEEE 33总线系统节点电压并协调所有并网EV充电需求。仿真结果表明，相比七种对照算法，BTSO-VPP可将各节点电压维持在0.94 p.u.以上，且保证所有EV公平充电，并对荷电状态（State of Charge, SOC）较低的EV给予充电优先权。

本文为 Mohammed Qais, Desen Kirli, Aristides Kiprakis 发表于《Energy Conversion and Management》的研究论文解读。

研究背景与意义

英国家庭交通碳排放占全国总量27%，为实现2050年净零目标，政府推行2035年起新车均为EV的政策，并补贴户用PV与BESS安装及EV低谷充电。然而大规模住宅EV充电器同时投入会引发配电网（Distribution Network, DN）电压越下限与线路过载，传统方案需高额线路改造或新增分布式电源（Distributed Energy Resource, DER）。虚拟电厂（Virtual Power Plant, VPP）可通过云端聚合分散可控负荷与DER参与市场并支撑电网运行，但现有VPP多关注经济与环境目标，较少针对大规模住宅EV与BESS协同调控以保障DN电压质量与充电公平性。本研究据此提出基于新型二进制元启发式算法的住宅VPP控制架构，兼顾电压约束与低SOC（State of Charge，荷电状态）EV优先充电公平性，对缓解配电网扩容压力、提升EV接纳能力具工程参考价值。

关键技术方法

研究人员以改进IEEE 33节点辐射式配电网为平台，均匀接入1000栋零能耗住宅（Zero Energy House, ZEH），每栋含实测15 min分辨率日负荷曲线、随机分配2–8 kW户用PV（按爱丁堡屋面面积与商用组件建模）、6–24 kWh静态BESS（按PV余电与负荷匹配商用型号）、一辆私有EV（电池容量40–105 kWh，能耗率0.221–0.311 kWh/mile，往返出行时间按工作日通勤分布随机生成）。VPP每15 min采集所有并网EV与BESS的SOC，经前推回代潮流计算预判各节点电压，若最低节点电压低于0.94 p.u.（英标）则调用BTSO求解高维二进制目标函数——最大化加权(1?SOC_ev,i)×X_i（X_i∈{0,1}为第i台EV充电器投切状态）且满足全网V_j∈[V_min,V_max]。BTSO由连续域瞬态搜索优化（Transient Search Optimizer, TSO）改编：初始化N×D二进制矩阵（按M<0.5判TRUE/FALSE），迭代中依过阻尼/欠阻尼瞬态方程算连续更新量，通过比较最优位置X^*与当前位置距离同均匀分布r₂∈[?1,1]判定翻转（取X^*或其取反），参数T=2a·r₃?a，C=a·r₄+1，a=2?2t/Max_itr。BESS管理策略含本地自发自用补网充（Scenario 3）与VPP日前预测余缺后安排午间低谷网购电充满（Scenario 4）。仿真工具为Python+PandaPower，对照BGA、BPSO、BSA、BQDE、BQA、BDE、BGWO七种二进制算法（种群20，迭代10）。

研究结果

5.1. Scenario 1: local control without BTSO-VPP

无VPP协调时，18:30约1000台EV同步以6.6 kW充电致总购网功率达8 MW，末端节点电压跌至低于0.94 p.u.（最低约0.84 p.u.），馈线负载率达117%；BESS仅靠冬季有限PV充至平均SOC≈0.5，EV返家后部分因电压约束未充满。表明无控大规模EV晚间同时充电严重恶化DN电压与线路热稳定。

5.2. Scenario 2: BTSO-VPP without batteries coordination

仅VPP协调EV充电、BESS本地管理。VPP在18:30仅允许约33%（~2 MW）并网EV充电以维持V_min≥0.94 p.u.；因受限功率，EV平均SOC次晨约0.95（个别<1），BESS仍靠PV充至平均SOC≈0.5。证明BTSO可保障电压合规但无BESS支撑时EV完成率受限。

5.3. Scenario 3: BTSO-VPP with PV-battery coordination

PV优先充BESS、余量供负荷，VPP协调EV充电。BESS充至平均SOC≈0.9并在晚间辅助供电，VPP在18:30可服务约67%（~4 MW）EV需求，EV次晨平均SOC≈1.0，全线电压≥0.94 p.u.。显示PV-BESS协同可显著抬升可服务EV比例与SOC达标率。

5.4. Scenario 4: BTSO-VPP for EVs and grid-batteries coordination

VPP日前预测PV出力与负荷，判断BESS末态SOC不足时安排在10:00–12:00非高峰网购电补满BESS；PV先供负荷再充BESS，晚间BESS与电网共同服务EV。VPP可服务约83%（~5 MW）EV需求，BESS接近全满，EV次晨基本全满，全线电压维持于[0.94,1] p.u.。证实VPP统筹BESS低谷补电可最大化EV可充量并守住电压底线。

5.5. Comparative analysis

八种二进制算法中BGA、BPSO、BSA、BQDE因高维变量与少迭代失效（最低V_min<0.94 p.u.）。BTSO所得EV SOC均值0.99988、最小值0.987987、标准差0.00119，均优于BQA/BDE/BGWO；BTSO收敛速度快于BGWO。各算法最低节点电压均满足≥0.94 p.u.，BTSO对应V_min=0.940031 p.u.。BTSO虽单步耗时略高于BGWO（6.79 s vs 5.75 s/200次评估），但在求解质量与稳定性上具竞争力。电压灵敏度分析显示节点18与33对负荷最敏感，BTSO-VPP将其抬升至合规范围；线路负载率由无控时117%降至60%。

讨论与结论翻译

本研究提出一种基于二进制瞬态搜索优化（BTSO）的居民虚拟电厂（VPP）用于管控大量家用EV充电器与BESS。主要目标为在所有并网EV公平充电的同时将母线电压维持于限值内。首先，所提VPP确保家用静态电池在日间通过户用光伏（PV）或在阴雨天通过电网电力充满。随后，VPP聚合所有接入家用电池与EV的荷电状态（SOC），并利用潮流计算预测配电网各节点电压。最终，BTSO-VPP向EV充电器发送最优决策（开启或关闭），并优先对SOC最低的EV进行充电。所提BTSO-VPP应用于接入改进IEEE 33配电系统全部节点的1000户住宅之BESS与EV充电器协调。每户模型含家用电器冬季需能功率、户用PV冬季出力、相应电池充放电功率及EV充放驱动功率之24小时剖面。仿真结果表明，大量EV同时充电导致电压跌落达18%，超出英国标准（6%）；VPP如方案2仅能同时服务33%总EV需求，而方案4中所提BTSO-VPP可同时服务超过80%总EV需求。此外，BTSO-VPP将电压由0.84 p.u.提升至0.94 p.u.，并将主馈线负载率由117%降至60%。统计结果与收敛曲线亦显示BTSO相较于七种二进制算法具竞争优势。