安科瑞 陳聰

摘要：針對大型充電場站內(nèi)規(guī)模化電動汽車的有序充電問題，提出一種基于雙深度Q網(wǎng)絡(luò)深度強化學習方法的電動汽車充電安排策略，能有效計及電動汽車出行模式和充電需求的不確定性，實現(xiàn)充電場站充電成本化的目標。對電動汽車泊車時間和充電需求特征進行提取，實現(xiàn)降低充電成本、提高電網(wǎng)穩(wěn)定性和供電服務(wù)質(zhì)量的目標。深度強化學習在成本優(yōu)化和負荷優(yōu)化方面效果*著，結(jié)合負荷預測和構(gòu)建智能充電站優(yōu)化選擇系統(tǒng)具有廣闊應(yīng)用前景。未來可在算法優(yōu)化、融合更多數(shù)據(jù)和技術(shù)、拓展應(yīng)用場景及政策標準制定等方面進一步發(fā)展。

關(guān)鍵詞：電動汽車；充電場站；深度強化學習；有序充電；

1.引言

隨著新能源汽車銷量的快速增長，大規(guī)模充電場站的建設(shè)需求日益凸顯。據(jù)乘聯(lián)會銷量數(shù)據(jù)顯示，2017年中國新能源乘用車銷量達到了57.6萬臺，位列全球，且保持著較高的增長率。中國汽車工業(yè)協(xié)會預計，2018年新能源汽車銷量將超過100萬輛。然而，大規(guī)模充電場站面臨著諸多挑戰(zhàn)。

一方面，整體電網(wǎng)用電峰值負荷增加。尤其對于電動汽車充電行為，傍晚的充電峰值負荷將大大增加。報告顯示，到2020年與2030年，在無序充電情形下，國家電網(wǎng)公司經(jīng)營區(qū)域峰值負荷增加1361萬千瓦和1.53億千瓦。另一方面，配電網(wǎng)增容改造需求增加、安全管理難度增加。部分地區(qū)隨著電動汽車的增加，充電需求也隨之增加，這將導致部分地區(qū)的充電設(shè)施建設(shè)發(fā)展的提升。同時，電動汽車的增加對大電流供電穩(wěn)定性需求也在增加，不合理的接線可能會增加各級配電網(wǎng)保護動作跳閘的風險。此外，供電服務(wù)質(zhì)量和效率要求提升。居民區(qū)充電樁一般是單個用戶小容量“零散報裝”的模式，相比于“整體報裝”模式，工作量、服務(wù)效率和服務(wù)質(zhì)量都有較高需求。

在這樣的背景下，深度強化學習在大規(guī)模充電場站中的應(yīng)用顯得尤為重要。深度強化學習能夠有效計及電動汽車出行模式和充電需求的不確定性，實現(xiàn)充電場站充電成本化的目標。通過對電動汽車泊車時間和充電需求特征進行提取，建立適用于大規(guī)模電動汽車有序充電的馬爾可夫決策過程模型，并應(yīng)用強化學習算法求解電動汽車有序充電策略，可以有效減少充電場站的充電成本，同時使模型訓練難度不受電動汽車規(guī)模影響。

2.研究目的

本文旨在解決大規(guī)模充電場站面臨的諸多問題，利用深度強化學習技術(shù)實現(xiàn)電動汽車的有序充電，從而達到降低充電場站充電成本、提高電網(wǎng)穩(wěn)定性和供電服務(wù)質(zhì)量的目標。

隨著新能源汽車市場的不斷擴大，大規(guī)模充電場站的建設(shè)和運營面臨著巨大挑戰(zhàn)。深度強化學習作為一種具有強大學習能力和決策能力的人工智能技術(shù)，為解決這些問題提供了新的思路和方法。

通過對電動汽車泊車時間和充電需求特征的提取，建立馬爾可夫決策過程模型，可以更好地理解電動汽車的充電行為和需求不確定性。應(yīng)用雙深度Q網(wǎng)絡(luò)（DDQN）等深度強化學習算法求解電動汽車有序充電策略，能夠在考慮電動汽車出行模式和充電需求不確定性的情況下，實現(xiàn)充電場站充電成本化。

具體而言，本文的研究目標包括以下幾個方面：一是減少充電場站的充電成本，通過優(yōu)化充電策略，降低電力消耗和運營成本；二是提高電網(wǎng)穩(wěn)定性，避免充電高峰對電網(wǎng)造成過大壓力，減少變壓器過載等風險；三是提升供電服務(wù)質(zhì)量，滿足用戶的充電需求，提高服務(wù)效率和用戶滿意度。

深度強化學習在大規(guī)模充電場站中的應(yīng)用具有重要的現(xiàn)實意義和廣闊的發(fā)展前景。通過本文的研究，希望為大規(guī)模充電場站的建設(shè)和運營提供有效的技術(shù)支持和決策依據(jù)。

3.應(yīng)用優(yōu)勢

在大規(guī)模充電場站中，深度強化學習具有諸多優(yōu)勢。首先，它能夠處理電動汽車出行模式和充電需求的不確定性。由于電動汽車的使用行為具有隨機性，充電需求難以準確預測，深度強化學習可以通過與環(huán)境的不斷交互，學習適應(yīng)這種不確定性，從而制定出更加合理的充電策略。例如，通過對歷史充電數(shù)據(jù)的學習，深度強化學習算法可以預測不同時間段的充電需求概率分布，進而優(yōu)化充電安排，降低充電成本。

其次，深度強化學習可以實現(xiàn)全局解。在大規(guī)模充電場站中，充電策略的制定需要考慮多個因素，如電網(wǎng)負荷、充電成本、用戶需求等。傳統(tǒng)的優(yōu)化方法往往難以同時考慮這些因素，而深度強化學習可以通過不斷地試錯和學習，逐漸逼近全局解。例如，通過對不同充電策略的模擬和評估，深度強化學習算法可以找到在滿足電網(wǎng)穩(wěn)定性和用戶需求的前提下，充電成本化的策略。

此外，深度強化學習具有自適應(yīng)性和可擴展性。隨著電動汽車市場的不斷發(fā)展和充電場站規(guī)模的不斷擴大，充電需求和環(huán)境也會發(fā)生變化。深度強化學習算法可以自動適應(yīng)這些變化，無需人工重新設(shè)計優(yōu)化規(guī)則。同時，深度強化學習算法可以很容易地擴展到更大規(guī)模的充電場站和更多的電動汽車，具有良好的可擴展性。

4.有序充電需求

有序充電對充電場站運營和電網(wǎng)具有重要意義。對于充電場站運營而言，有序充電可以提高充電樁的利用率，減少車輛排隊時間，提升運營效益。例如，在車多樁少的情況下，通過合理安排充電次序和設(shè)定中止充電SOC值，可以提高充電站的服務(wù)效率。同時，有序充電可以降低充電成本。根據(jù)彈性電價機制，將充電時間安排在電價低的谷時段，可以有效減少充電費用。對于電網(wǎng)而言，有序充電可以實現(xiàn)削峰填谷，減小電網(wǎng)負荷波動，提高電網(wǎng)穩(wěn)定性和供電質(zhì)量。數(shù)據(jù)顯示，到2020年與2030年，在無序充電情形下，國家電網(wǎng)公司經(jīng)營區(qū)域峰值負荷將分別增加1361萬千瓦和1.53億千瓦。而通過有序充電，可以有效緩解充電高峰對電網(wǎng)造成的壓力，減少配電網(wǎng)增容改造需求，降低安全管理難度。

5安科瑞充電樁收費運營云平臺助力有序充電開展

5.1概述

AcrelCloud-9000安科瑞充電柱收費運營云平臺系統(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)控充電樁運行狀態(tài)，進行充電服務(wù)、支付管理，交易結(jié)算，資要管理、電能管理，明細查詢等。同時對充電機過溫保護、漏電、充電機輸入/輸出過壓，欠壓，絕緣低各類故障進行預警；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。

5.2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、學校、園區(qū)等充電樁模式的充電基礎(chǔ)設(shè)施設(shè)計。

5.3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)議為標準modbus-rtu。電瓶車智能充電樁用于采集充電回路的電力參數(shù)，并進行電能計量和保護。

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，同時為運維人員提供運維APP，充電用戶提供充電小程序。

5.4安科瑞充電樁云平臺系統(tǒng)功能

5.4.1智能化大屏

智能化大屏展示站點分布情況，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)、充電樁故障等進行統(tǒng)計顯示，同時可查看每個站點的站點信息、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。

5.4.2實時監(jiān)控

實時監(jiān)視充電設(shè)施運行狀況，主要包括充電樁運行狀態(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。

5.4.3交易管理

平臺管理人員可管理充電用戶賬戶，對其進行賬戶進行充值、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信息。

5.4.4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行派發(fā)處理，同時運維人員可通過運維APP收取故障推送，運維人員在運維工作完成后將結(jié)果上報。充電用戶也可通過充電小程序反饋現(xiàn)場問題。

5.4.5統(tǒng)計分析

通過系統(tǒng)平臺，從充電站點、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。

5.4.6基礎(chǔ)數(shù)據(jù)管理

在系統(tǒng)平臺建立運營商戶，運營商可建立和管理其運營所需站點和充電設(shè)施，維護充電設(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。

5.4.7運維APP

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

5.4.8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。

5.5系統(tǒng)硬件配置

6.總結(jié)

深度強化學習能夠有效應(yīng)對大規(guī)模充電場站中電動汽車出行模式和充電需求的不確定性。通過對電動汽車泊車時間和充電需求特征的提取，實現(xiàn)了充電場站充電成本化的目標，同時使模型訓練難度不受電動汽車規(guī)模影響。

在大規(guī)模充電場站中，深度強化學習具有諸多優(yōu)勢。它能夠處理不確定性，實現(xiàn)全局解，具有自適應(yīng)性和可擴展性。通過與環(huán)境的不斷交互，深度強化學習算法可以學習適應(yīng)復雜多變的充電需求和電網(wǎng)環(huán)境，制定出更加合理的充電策略。

總之，深度強化學習在大規(guī)模充電場站中的應(yīng)用為解決充電場站面臨的諸多問題提供了有效的技術(shù)支持和決策依據(jù)，具有重要的現(xiàn)實意義和廣闊的發(fā)展前景。

參考文獻：

[1]陳果.適用于大規(guī)模充電場站的深度強化學習有序充電策略

[2]陳呂鵬，潘振寧，余濤，等.基于動態(tài)非合作博奔的大規(guī)模電動汽車實時優(yōu)化調(diào)度

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