融合光伏系统和电容器组配置的电动汽车充电站最优容量与选址综合方法

《Next Energy》：Integrated approach for optimal capacity and site of electric vehicle charging stations incorporated with photovoltaic systems and allocation of capacitor banks

　　

电动汽车（EVs)为减少环境污染提供了一种有前景的解决方案。然而，电动汽车充电站 (EVCSs) 的快速扩张给配电网带来了重大技术挑战，包括有功损耗增加和电压不稳定。战略性的EVCS规划对于缓解这些影响至关重要。本研究提出了一种综合的两阶段框架，用于在配电网中协同优化配置光伏 (PV) 系统和电容器组 (CBs) 的EVCS选址与定容。该方法采用蒲公英优化算法 (DO)，一种近年来的元启发式算法，来求解多目标优化问题。研究在大型IEEE 118节点配电系统上进行了验证，该系统根据土地成本划分为3个地理区域。在第一阶段，DO通过最小化有功和无功功率损耗、平均电压偏差指数 (AVDI) 和EVCS土地成本，同时最大化电压稳定性指数 (VSI)，确定各区域EVCS（一个配备50 kW快速充电器的EVCS和另一个配备100 kW快速充电器的EVCS）和PV单元的最优位置和容量。第二阶段则优化CB的选址和定容，采用各区域集中式或分布式补偿方案，以确保电压调节，将总无功补偿最小化作为目标替代土地成本。此外，该框架利用OpenDSS考虑时变负荷和PV发电特性，采用基于帕累托的多目标优化来探索竞争目标之间的权衡，并考虑特定区域的土地成本和快速充电连接器的不同分布。对比分析表明，DO在收敛性和解质量方面优于Jaya优化、粒子群优化 (PSO)、海洋捕食者算法 (MPA)、人工大猩猩群体优化器 (GTO)、教与学优化 (TLBO) 和蚁狮优化器 (ALO)。敏感性分析进一步验证了该框架在不同土地成本情景下的鲁棒性，为配电网运营商和充电站运营商提供了有价值的见解。

## 研究背景与问题提出

交通运输是全球第二大CO₂排放来源，2023年占全球排放量的20.68%，其中内燃机车辆占该部门总排放量的43.5%。实现2050年净零排放情景需要有效干预措施，电动汽车技术的进步显著降低了车辆价格，加速了全球普及。然而，电动汽车充电基础设施 (EVCI) 的大幅扩张对配电网造成严峻技术挑战，包括有功和无功功率损耗增加、电压质量恶化以及电压稳定裕度降低。现有研究在EVCS规划中仍存在明显不足：大多数研究仅考虑配电网运营商 (DNO) 或充电站运营商 (CSO) 单一视角，缺乏多利益相关方的协同优化；多数研究将充电设施选址与可再生能源配置、无功补偿分别处理，缺乏综合优化框架；此外，固定负荷和发电假设难以反映实际运行特性，且帕累托优化方法在评估多目标权衡中的应用尚不充分。因此，亟需建立一种能够同时考虑DNO技术目标与CSO经济目标、集成可再生能源与无功补偿、并适应时变运行条件的EVCS优化规划方法。

## 研究方法与关键技术

本研究采用两阶段多目标优化框架，核心技术方法包括：(1) 基于IEEE 118节点大型配电网的建模与区域划分，该系统额定电压11 kV，总负荷为22709.7 kW和17041.1 kVAR，按土地成本差异划分为3个地理区域；(2) 蒲公英优化算法 (DO) 的元启发式优化，该算法模拟蒲公英种子的上升、下降和着陆三阶段运动机制，设置种群规模50、最大迭代次数300，通过非线性递减扰动参数α和布朗运动实现全局探索与局部开发平衡；(3) 基于min-max归一化和缩放处理的多目标函数构建，采用加权求和法整合5个冲突目标；(4) 利用OpenDSS进行时变负荷和PV发电的24小时动态仿真，负荷按工业、商业、住宅三类分时特性建模，PV考虑晴天和阴天两种辐射条件；(5) 帕累托最优解集分析，通过10组不同权重场景揭示目标间权衡关系；(6) 与Jaya优化算法 (JOA)、PSO、MPA、GTO、TLBO、ALO等6种算法的对比验证，以及±20%土地成本变化的敏感性分析。

## 研究结果

**第一阶段案例研究1：无PV系统的EVCS优化配置**

研究人员使用DO算法优化3个区域中FC1（50 kW快速充电器）和FC2（100 kW快速充电器）两类EVCS的位置和连接器数量。结果表明，所有连接器均位于靠近电网变电站的支路起始位置以最小化线路损耗。与随机部署EVCS相比，最优配置使有功损耗降低18.9%，无功损耗降低15.7%，AVDI降低10.4%，土地成本降低5.2%，VSI提升2.7%，最低电压为0.866 p.u.。然而，该最低电压仍低于ANSI C84.1-2020标准规定的0.95 p.u.下限，且原始系统已有41个节点电压低于该限值，表明系统本身需要无功补偿。

**第一阶段案例研究2：集成PV系统的EVCS优化配置**

在EVCS位置配置PV系统，PV面板覆盖全部站区面积，按每连接器25 m²、每平方米1 kW计算。优化结果显示，土地成本最高的Zone 3容纳了最少数量的连接器。与案例1相比，PV系统集成进一步降低了各项目标函数值，有功损耗降至1345 kW，无功损耗降至1022 kVAR，AVDI为0.0453，VSI提升至0.567，土地成本降至447,000美元，最低电压微升至0.867 p.u.。但电压剖面显示33-43、67-77、80-88、104-112及118号母线等节点电压仍低于0.95 p.u.，触发第二阶段无功补偿需求。

**第二阶段案例研究3：集中式CB配置**

采用每区域安装1台集中式CB的方案，优化确定3台CB的位置和容量分别为：Zone 1的39号母线2650 kVAR、Zone 2的74号母线4400 kVAR、Zone 3的110号母线4500 kVAR。该方案使有功损耗降至1332 kW（较案例2降低1%），无功损耗大幅降至897 kVAR（降低12.2%），AVDI降至0.0292（改善35.5%），VSI跃升至0.8149（提升43%），所有母线电压均处于0.95-1.00 p.u.合格范围内。

**第二阶段案例研究4：分布式CB配置**

采用每区域安装2台分布式CB的方案，6台CB分布在21、39、70、75、80、118号母线，容量分别为1000、2650、1700、2600、1000、4350 kVAR。该方案获得最低的多目标函数值和最优电压剖面，性能指标与案例3相近：有功损耗1233 kW，无功损耗840 kVAR，AVDI 0.0274，VSI 0.8146，最低电压0.9513 p.u。两案例对比表明，分布式方案有功损耗更低但总投资略高，最终选择需结合运维条件综合决策。

**综合评估与对比分析**

所有案例的系统性能汇总显示：随机部署EVCS导致48个节点电压越限，最优EVCS配置减至42个，集成PV后恢复至基础系统水平的41个；第二阶段CB配置彻底消除电压越限，且电网视在功率降至29081.6 kVA，低于无EVCS的基础系统30018.1 kVA。DO算法对比验证表明，其求解F_obj1较次优的PSO降低17%，有功损耗降低2%，且具有最快收敛速度。敏感性分析揭示Zone 1土地成本增加20%时该区域连接器总数从34降至25，总土地成本上升3.7%；成本降低20%时连接器增至40，损耗上升1.5%但总土地成本降低10.3%，而AVDI、VSI和最低电压对土地成本变化不敏感。帕累托分析通过10种权重场景量化了目标冲突：优先单个目标时，VSI专注场景达0.5692最高值但土地成本441,000美元；土地成本优先场景仅432,000美元但VSI降至0.5665。时变仿真表明，基于晴天PV优化的方案应用于阴天时，平均有功损耗、无功损耗和AVDI分别增加4%、1.75%和1.3%，VSI降低9.8%，第15时次出现最低电压0.846 p.u.。

## 研究结论与意义

研究建立的综合两阶段框架成功实现了大型配电网中EVCS、PV系统和CB的协同优化配置。第一阶段的DO算法有效平衡了DNO技术目标与CSO经济目标，PV系统集成显著改善了网络性能但尚不足以解决电压越限；第二阶段CB配置确保了电压合格，集中式与分布式方案各具优势。研究表明土地成本变化显著影响EVCS空间分布但对电压质量指标影响微弱，时变条件分析揭示了PV出力不确定性对系统性能的实际影响。该方法为配电网运营商和充电站运营商在实际规划中的多目标决策提供了系统化工具，对促进电动汽车基础设施与配电网协调发展、支持净零排放目标具有重要工程应用价值。论文发表于《Next Energy》。