安科瑞 陳聰

摘要：針對電動汽車充電負(fù)荷與運(yùn)營經(jīng)濟(jì)收益的矛盾問題，以用戶側(cè)為研究對象，用戶行為習(xí)慣為約束條件，建立粒子群控制策略模型。在保證電動汽車正常使用的情況下，利用粒子群算法計算出的充放電功率分布，使參與V2G的用戶則可以在分時電價基礎(chǔ)上選擇出合適的時間段向電網(wǎng)饋電，進(jìn)而獲取經(jīng)濟(jì)收益。對基于用戶行為的實時電價下電動汽車與電網(wǎng)交換功率進(jìn)行仿真分析，驗證其算法的可行性和有效性。

關(guān)鍵詞：電動汽車；有序充放電；控制策略；V2G

電動汽車配套設(shè)施的充電網(wǎng)絡(luò)系統(tǒng)提出了要求。一套智能充電系統(tǒng)及充電策略不僅可以使充電網(wǎng)絡(luò)的負(fù)荷波動小，減少充電系統(tǒng)電網(wǎng)壓力，也可以將用戶經(jīng)濟(jì)成本降低，達(dá)到用戶側(cè)和電網(wǎng)側(cè)雙贏的結(jié)果。提出了：基于V2G技術(shù)的PHEV有序充放電策略和電壓電流雙閉環(huán)的電壓空間矢量控制策略?？紤]納入車主行為的條件并滿足電網(wǎng)功率進(jìn)行有序充放電策略。采用混合式充電方式解決大規(guī)模車輛充電的影響和根據(jù)不同時間段制定充放電的電價，并提出目標(biāo)函數(shù)有序充電策略。當(dāng)前大多數(shù)的管理策略未能考慮分析，多數(shù)學(xué)者通常從電池的容量及剩余電量出發(fā)考慮，研究比較片面，僅側(cè)重頻率調(diào)節(jié)或負(fù)荷平衡，V2G技術(shù)的優(yōu)勢未能充分發(fā)揮。本文以用戶側(cè)為研究對象，車主行為習(xí)慣為約束條件，建立粒子群控制模型。1　1基于用戶行為的V2G控制策略描述

文中所有采用V2G的車輛均是在特定時間內(nèi)完成充電或放電，充放電時間段不同，經(jīng)濟(jì)收益也不同，這種方式并未改變電池的充放電次數(shù)，只進(jìn)行時間上的調(diào)整，減少對電動車儲能電池的傷害和沖擊，不會折損其壽命。綜合考慮電網(wǎng)企業(yè)目前實行的分時電價計價原則，將用戶參與V2G獲得的經(jīng)濟(jì)收益設(shè)定為目標(biāo)函數(shù)，在一定的約束條件下，采用粒子群優(yōu)化算法，尋求目標(biāo)函數(shù)解。在實時電價的背景下，用戶調(diào)整自身充電時間，在高峰期可以向電網(wǎng)饋電，輔助電網(wǎng)調(diào)頻，削峰填谷，進(jìn)而獲取經(jīng)濟(jì)效益；在低峰期時，用戶開始充電，降低經(jīng)濟(jì)費(fèi)用。考慮到用戶存在有些時間段不參與V2G技術(shù)，因此可實現(xiàn)在一天的部分時間段內(nèi)設(shè)置與電網(wǎng)的交換功率為0。

2電動汽車充電負(fù)荷預(yù)測研究

電動汽車具有高能效、低污染、環(huán)境友好等優(yōu)勢，成為緩解能源危機(jī)與環(huán)境污染的重要手段。然而大量的電動汽車充電需求將引發(fā)新一輪的用電負(fù)荷增長，造成配電線路的“阻塞”，因此，電力企業(yè)除了從供給側(cè)對電力系統(tǒng)進(jìn)行規(guī)劃與調(diào)度外，也著力于從需求側(cè)提高電動汽車充電負(fù)荷的預(yù)測水平。

目前電動汽車的充電負(fù)荷建模主要分為時序建模和時空建模。綜合考慮多重因素利用Bass回歸分析模型預(yù)測EV保有量，根據(jù)用戶充電行為的概率密度函數(shù)得到三種電動汽車的充電負(fù)荷預(yù)測結(jié)果。

時序建模是利用元日期窗口與大數(shù)定理，建立多日一充的模式，考慮EV用戶充電習(xí)慣的不確定性，利用二項分布建立電動汽車充電負(fù)荷的計算模型。時序性建模方法大多根據(jù)車主出行結(jié)束到家時刻和日行駛里程進(jìn)行建模，但是不同類型的電動汽車在不同時段停駛于不同目的地，將產(chǎn)生不同的充電需求，因而未能涉及到電動汽車的空間位移特性。

行鏈理論的時空建模方法考慮用戶在不同功能分區(qū)的出行規(guī)律，采用出行鏈理論模擬充電負(fù)荷的時空分布?；诔鲂墟溊碚撾S機(jī)生成一天的出行序列，結(jié)合居民出行調(diào)研數(shù)據(jù)建立EV充電負(fù)荷預(yù)測模型。綜合考慮電動汽車類型和區(qū)域特性，通過改進(jìn)重力模型進(jìn)行充電負(fù)荷計算。于出行鏈理論，考慮分時電價、載客量以及溫度的影響，分別建立了私家車、出租車以及公交車的充電負(fù)荷模型。上述大多基于出行鏈理論獲得電動汽車充電負(fù)荷在不同功能分區(qū)的時空分布，但未能考慮實際道路交通與電網(wǎng)的耦合關(guān)系，也未能計及實際交通路網(wǎng)以及動態(tài)交通信息對充電負(fù)荷的影響，使得充電負(fù)荷預(yù)測精度不高。

時空預(yù)測方法通過建立全軌跡空間模型表征電動汽車的時空屬性，考慮用戶的充電意愿以及出行需求，疊加日充電功率獲得充電負(fù)荷的時空分布?？紤]動態(tài)交通路況建立車輛時空轉(zhuǎn)移模型，通過建立出行時間和出行目的地的聯(lián)合概率密度分布確定下一行駛特征，提出精度較

高的時空預(yù)測方法。

3有源配電網(wǎng)優(yōu)化運(yùn)行研究

傳統(tǒng)調(diào)壓方式包括有載調(diào)壓變壓器調(diào)節(jié)分接頭擋位，投切電容器組、靜止無功補(bǔ)償器等無功裝置就地補(bǔ)償，但是隨著大量電動汽車和高比例可再生能源并入電網(wǎng)，電動汽車充電的隨機(jī)性以及分布式電源出力的不確定性對有源配電網(wǎng)的安全穩(wěn)定運(yùn)行提出了更高要求。傳統(tǒng)調(diào)壓方式難以應(yīng)對大規(guī)模電動汽車充電以及分布式電源消納帶來的電壓波動問題，而電動汽車與電網(wǎng)互動技術(shù)和DG逆變器技術(shù)的發(fā)展為電網(wǎng)、電源、負(fù)荷三者之間的協(xié)調(diào)優(yōu)化提供了技術(shù)支撐，通過源源互補(bǔ)，網(wǎng)源協(xié)調(diào)以及源荷互動實現(xiàn)系統(tǒng)電壓的優(yōu)化控制，成為當(dāng)前研究的熱點(diǎn)。

針對電動汽車接入與分布式電源共存的配電網(wǎng)，建立了風(fēng)電、光伏發(fā)電以及EV充電負(fù)荷的概率模型，并與無功補(bǔ)償裝置相結(jié)合建立概率調(diào)壓模型，獲得較好的電壓穩(wěn)定效果。對電動汽車充電進(jìn)行有序調(diào)度，同時將傳統(tǒng)調(diào)壓方式與DG無功出力相結(jié)合，建立不同時段的無功電壓協(xié)調(diào)優(yōu)化模型，有效地改善了系統(tǒng)的運(yùn)行電壓。通過建立節(jié)點(diǎn)EV充電負(fù)荷模型提出了有源配電網(wǎng)的日前和日內(nèi)優(yōu)化運(yùn)行模型，分兩階段優(yōu)化電動汽車的有序充電，有效地降低了購電成本。上述僅將電動汽車作為充電負(fù)荷，適用于電動汽車規(guī)模較小的情況，且網(wǎng)、源、荷三者協(xié)調(diào)優(yōu)化的效果不高，有源配電網(wǎng)接納分布式電源的能力有限，也無法適應(yīng)大規(guī)模電動汽車的充電需求。隨著V2G技術(shù)的應(yīng)用和分時電價的普及，電動汽車除了作為負(fù)

荷充電外，也可以作為移動儲能元件進(jìn)行放電參與電網(wǎng)的多源互補(bǔ)協(xié)調(diào)優(yōu)化。協(xié)調(diào)電動汽車V2G模式與風(fēng)電、光伏發(fā)電的有功出力，建立了多目標(biāo)協(xié)同調(diào)度模型，能夠使得電動汽車用戶收益，避免了可再生能源間歇出力的影響。基于DG逆變器的有功、無功解耦控制，提出可跨地區(qū)消納DG的多目標(biāo)優(yōu)化調(diào)度模型，能夠挖掘分布式電源的無功潛力，促進(jìn)DG的消納以及提高其利用率。將有源配電網(wǎng)的優(yōu)化控制劃分為長周期有功、無功資源優(yōu)化控制和短周期多源協(xié)調(diào)校正控制，前者進(jìn)行優(yōu)化實現(xiàn)潮流控制，后者對有源配電網(wǎng)進(jìn)行分區(qū)劃定，實現(xiàn)多源協(xié)同優(yōu)化運(yùn)行?？紤]電動汽車的充電跳躍性，建立周期內(nèi)多時段優(yōu)化運(yùn)行模型，實現(xiàn)了電動汽車V2G調(diào)節(jié)與其他調(diào)壓方式的運(yùn)行優(yōu)化。基于V2G模式考慮需求側(cè)具有儲能特性和非儲能特性的雙向可控負(fù)荷，協(xié)同其他電壓調(diào)節(jié)方式建立電壓無功多目標(biāo)優(yōu)化模型，在提高需求響應(yīng)的同時改善了有源配電網(wǎng)的潮流分布。

從無序充電到有序充放電策略，大多對電動汽車進(jìn)行個體調(diào)度，實際可操作性不強(qiáng)，因此，當(dāng)前的研究也有諸多采用集群控制策略。通過提取電動汽車集群控制模型的隨機(jī)特征參數(shù)，跟蹤電動汽車充電特性，獲取充放電策略。考慮到EV充放電的靈活性，通過對電動汽車集群控制，并跟蹤光伏發(fā)電出力曲線，建立了基于MPC的實時凸優(yōu)化調(diào)度模型，有效避免過充或過放的同時降低了光伏發(fā)電出力的波動。集群調(diào)度需要提取電動汽車的隨機(jī)特征，優(yōu)化時間較長，也容易忽略單個電動汽車的特性參數(shù)。針對集群控制和個體調(diào)度存在的問題，提出一種分布式電動汽車調(diào)度策略，通過協(xié)調(diào)電動汽車集控和停車場協(xié)控獲取充放電功率，減小了算法維度，提高了電動汽車的響應(yīng)速度，但不包含其他無功補(bǔ)償裝置協(xié)調(diào)控制。通過對電動汽車分群，從充放電系統(tǒng)和網(wǎng)絡(luò)拓?fù)鋬蓚€層面搭建內(nèi)外嵌套模型優(yōu)化調(diào)度電動汽車的充放電功率，能夠保證車主利益的同時優(yōu)化配電網(wǎng)的運(yùn)行工況，但將24小時根據(jù)充電時間和充電行為特性進(jìn)行分群，忽略了各個時段以及不同功能分區(qū)充電負(fù)荷的隨機(jī)性。針對高層住宅小區(qū)，對電動汽車充放電提出分層優(yōu)化控制策略，三層優(yōu)化控制模型相互補(bǔ)充，將分布控制與集中控制相結(jié)合，具有較好的經(jīng)濟(jì)效益與應(yīng)用價值，但未能與上層配電網(wǎng)相結(jié)合，也未涉及分布式電源，適用范圍較窄。

綜上所述，針對電動汽車以V2G模式參與有源配電網(wǎng)的運(yùn)行進(jìn)行了諸多研究，但是隨著電動汽車規(guī)模擴(kuò)大，一方面要考慮電動汽車入網(wǎng)的控制策略，也要考慮電動汽車規(guī)模的調(diào)度方式，另一方面，不同區(qū)域內(nèi)電動汽車類型以及充電負(fù)荷的時空分布對有源配電網(wǎng)的影響不同，需要根據(jù)各區(qū)域的負(fù)荷、電動汽車和分布式電源的分布特性，使之相互協(xié)調(diào)有針對性地制定相應(yīng)區(qū)域的充放電調(diào)度。與此同時，將電動汽車與各調(diào)壓方式相結(jié)合優(yōu)化有源配電網(wǎng)的運(yùn)行時，電動汽車調(diào)度往往以宏觀的角度平抑負(fù)荷波動，而各調(diào)壓方式則以各時段優(yōu)化為主，因此，需要考慮兩者不同的時間維度進(jìn)行協(xié)調(diào)優(yōu)化，充分調(diào)度電動汽車充放電以減少其他調(diào)壓方式的成本，充分利用DG逆變器的復(fù)用技術(shù)發(fā)出無功以消納過剩的出力，并平衡系統(tǒng)的運(yùn)行電壓，從而實現(xiàn)有源配電網(wǎng)的經(jīng)濟(jì)和安全運(yùn)行。

4安科瑞充電樁收費(fèi)運(yùn)營云平臺系統(tǒng)選型方案

4.1概述

AcrelCloud-9000安科瑞充電柱收費(fèi)運(yùn)營云平臺系統(tǒng)通過物聯(lián)網(wǎng)技術(shù)對接入系統(tǒng)的電動電動自行車充電站以及各個充電整法行不間斷地數(shù)據(jù)采集和監(jiān)控，實時監(jiān)控充電樁運(yùn)行狀態(tài)，進(jìn)行充電服務(wù)、支付管理，交易結(jié)算，資要管理、電能管理，明細(xì)查詢等。同時對充電機(jī)過溫保護(hù)、漏電、充電機(jī)輸入/輸出過壓，欠壓，絕緣低各類故障進(jìn)行預(yù)警；充電樁支持以太網(wǎng)、4G或WIFI等方式接入互聯(lián)網(wǎng)，用戶通過微信、支付寶，云閃付掃碼充電。

4.2應(yīng)用場所

適用于民用建筑、一般工業(yè)建筑、居住小區(qū)、實業(yè)單位、商業(yè)綜合體、學(xué)校、園區(qū)等充電樁模式的充電基礎(chǔ)設(shè)施設(shè)計。

4.3系統(tǒng)結(jié)構(gòu)

系統(tǒng)分為四層：

1）即數(shù)據(jù)采集層、網(wǎng)絡(luò)傳輸層、數(shù)據(jù)層和客戶端層。

2）數(shù)據(jù)采集層：包括電瓶車智能充電樁通訊協(xié)議為標(biāo)準(zhǔn)modbus-rtu。電瓶車智能充電樁用于采集充電回路的電力參數(shù)，并進(jìn)行電能計量和保護(hù)。

3）網(wǎng)絡(luò)傳輸層：通過4G網(wǎng)絡(luò)將數(shù)據(jù)上傳至搭建好的數(shù)據(jù)庫服務(wù)器。

4）數(shù)據(jù)層：包含應(yīng)用服務(wù)器和數(shù)據(jù)服務(wù)器，應(yīng)用服務(wù)器部署數(shù)據(jù)采集服務(wù)、WEB網(wǎng)站，數(shù)據(jù)服務(wù)器部署實時數(shù)據(jù)庫、歷史數(shù)據(jù)庫、基礎(chǔ)數(shù)據(jù)庫。

5）應(yīng)客戶端層：系統(tǒng)管理員可在瀏覽器中訪問電瓶車充電樁收費(fèi)平臺。終端充電用戶通過刷卡掃碼的方式啟動充電。

小區(qū)充電平臺功能主要涵蓋充電設(shè)施智能化大屏、實時監(jiān)控、交易管理、故障管理、統(tǒng)計分析、基礎(chǔ)數(shù)據(jù)管理等功能，同時為運(yùn)維人員提供運(yùn)維APP，充電用戶提供充電小程序。

4.4安科瑞充電樁云平臺系統(tǒng)功能

4.4.1智能化大屏

智能化大屏展示站點(diǎn)分布情況，對設(shè)備狀態(tài)、設(shè)備使用率、充電次數(shù)、充電時長、充電金額、充電度數(shù)、充電樁故障等進(jìn)行統(tǒng)計顯示，同時可查看每個站點(diǎn)的站點(diǎn)信息、充電樁列表、充電記錄、收益、能耗、故障記錄等。統(tǒng)一管理小區(qū)充電樁，查看設(shè)備使用率，合理分配資源。

4.4.2實時監(jiān)控

實時監(jiān)視充電設(shè)施運(yùn)行狀況，主要包括充電樁運(yùn)行狀態(tài)、回路狀態(tài)、充電過程中的充電電量、充電電壓電流，充電樁告警信息等。

4.4.3交易管理

平臺管理人員可管理充電用戶賬戶，對其進(jìn)行賬戶進(jìn)行充值、退款、凍結(jié)、注銷等操作，可查看小區(qū)用戶每日的充電交易詳細(xì)信息。

4.4.4故障管理

設(shè)備自動上報故障信息，平臺管理人員可通過平臺查看故障信息并進(jìn)行派發(fā)處理，同時運(yùn)維人員可通過運(yùn)維APP收取故障推送，運(yùn)維人員在運(yùn)維工作完成后將結(jié)果上報。充電用戶也可通過充電小程序反饋現(xiàn)場問題。

4.4.5統(tǒng)計分析

通過系統(tǒng)平臺，從充電站點(diǎn)、充電設(shè)施、、充電時間、充電方式等不同角度，查詢充電交易統(tǒng)計信息、能耗統(tǒng)計信息等。

4.4.6基礎(chǔ)數(shù)據(jù)管理

在系統(tǒng)平臺建立運(yùn)營商戶，運(yùn)營商可建立和管理其運(yùn)營所需站點(diǎn)和充電設(shè)施，維護(hù)充電設(shè)施信息、價格策略、折扣、優(yōu)惠活動，同時可管理在線卡用戶充值、凍結(jié)和解綁。

4.4.7運(yùn)維APP

面向運(yùn)維人員使用，可以對站點(diǎn)和充電樁進(jìn)行管理、能夠進(jìn)行故障閉環(huán)處理、查詢流量卡使用情況、查詢充電\充值情況，進(jìn)行遠(yuǎn)程參數(shù)設(shè)置，同時可接收故障推送

4.4.8充電小程序

面向充電用戶使用，可查看附近空閑設(shè)備，主要包含掃碼充電、賬戶充值，充電卡綁定、交易查詢、故障申訴等功能。

4.4.9系統(tǒng)硬件配置

5 總結(jié)

針對集中式充放電實現(xiàn)方式，以用戶側(cè)為研究對象，用戶側(cè)經(jīng)濟(jì)費(fèi)用低、對電網(wǎng)擾動小為研究目標(biāo)。結(jié)合當(dāng)前電網(wǎng)企業(yè)實行的峰谷電價政策，給出電動汽車與電網(wǎng)每一時刻的交換功率，使整體達(dá)到雙贏的結(jié)果。

本文盡管在分布式電源的時序建模、電動汽車充電負(fù)荷的時空預(yù)測以及有源配電網(wǎng)的優(yōu)化運(yùn)行方面取得了一定成果，但仍存在一些不足，有待進(jìn)一步研究和完善：

(1)分布式電源出力的時序建模中主要基于狀態(tài)數(shù)決策模型確定狀態(tài)數(shù)，后續(xù)可研究歷史功率序列的聚類分析確定狀態(tài)數(shù)；滑動平均濾波法的時間窗設(shè)置依賴于經(jīng)驗，后續(xù)可制定相應(yīng)的控制策略確定時間窗大小，也可綜合考慮其他濾波方法進(jìn)行對比分析。

(2)對于電動汽車充電負(fù)荷的時空預(yù)測，僅考慮了出租車和私家車，后續(xù)可研究其他類型電動汽車的時空分布情況，且電動汽車的出行規(guī)律基于全美家庭交通出行調(diào)查數(shù)據(jù)，隨著電動汽車的廣泛應(yīng)用，未來可參考國內(nèi)電動汽車用戶的出行規(guī)律；路阻函數(shù)模型僅考慮道路交叉路口延遲和路段延遲，后續(xù)研究可基于交通道路規(guī)劃情況，考慮電動汽車具體行駛車道，建立包含左轉(zhuǎn)、右轉(zhuǎn)和直行的路阻函數(shù)模型。

(3)有源配電網(wǎng)的雙層優(yōu)化運(yùn)行模型以24小時為調(diào)度周期，對于上層優(yōu)化模型來說，時間跨度相對較大，對算法尋優(yōu)的性能要求較高，后續(xù)可分時段進(jìn)行充放電的優(yōu)化調(diào)度；分布式電源的短期功率預(yù)測誤差雖滿足預(yù)測標(biāo)準(zhǔn)，但需進(jìn)一步優(yōu)化神經(jīng)網(wǎng)絡(luò)以獲得更高的精度；配電網(wǎng)優(yōu)化運(yùn)行研究僅開展了日前優(yōu)化運(yùn)行，開展實時滾動和反饋優(yōu)化運(yùn)行研究。

參考文獻(xiàn)

1. 薛靜云,張銀環(huán).基于用戶行為的V2G模式下電動汽車等有序充放電控制策略研究

2. 彭晶,黃虹,劉福潮,基于V2G技術(shù)的電動汽車有序充放電策略研究

[3] 安科瑞企業(yè)微電網(wǎng)設(shè)計與應(yīng)用手冊.2022.05版