摘要:電動汽車以無序充電方式接入配電網(wǎng)時與網(wǎng)內(nèi)基礎(chǔ)用電負(fù)荷疊加，會形成峰上加峰的現(xiàn)象，不利于配電網(wǎng)的穩(wěn)定運行。針對上述問題，首先對私家車充電負(fù)荷進行建模，采用蒙特卡羅抽樣模擬電動汽車無序行為下的充電負(fù)荷曲線。然后提出一種新型的多時段動態(tài)充電價格機制，引導(dǎo)車主有序充電，并以配電網(wǎng)負(fù)荷波動最小為目標(biāo)函數(shù)，優(yōu)化電動汽車充電行為。最后在IEEE33節(jié)點配電網(wǎng)中，分別分析有序和無序充電負(fù)荷并網(wǎng)時電動汽車充電費用、配電網(wǎng)電壓偏移率及網(wǎng)損，結(jié)果表明所提策略可有效兼顧用戶利益和配電網(wǎng)的穩(wěn)定運行。

關(guān)鍵詞：電動汽車；配電網(wǎng)；多時段動態(tài)充電價格；安科瑞充電樁收費運營云平臺系統(tǒng)

1、前言

伴隨我國能源結(jié)構(gòu)的調(diào)整，制定以綠色新能源為主體的新型電力系統(tǒng)可為推進國家“雙碳”目標(biāo)的早日實現(xiàn)發(fā)揮積極作用，電動汽車的推廣和應(yīng)用在節(jié)能減排方面有著優(yōu)勢，推進電動汽車發(fā)展是推動我國能源轉(zhuǎn)型發(fā)展的重要環(huán)節(jié)。雖然電動汽車的存在為人們出行帶來了巨大的便利，但由于其充電行為具有不確定性，大量無序、隨機的負(fù)荷直接并網(wǎng)會對配電網(wǎng)造成許多不可預(yù)知的負(fù)面影響。因此應(yīng)大力推廣對電動汽車的有序充電管理，以兼顧電網(wǎng)安全、經(jīng)濟效益和用戶利益。

在解決電動汽車并網(wǎng)時如何管控的問題上，已有學(xué)者進行研究?？紤]到配電網(wǎng)用電峰谷差較大導(dǎo)致變壓器過載和產(chǎn)生大量網(wǎng)內(nèi)損耗，提出了一種對電動汽車充電功率進行實時優(yōu)化的策略，算例結(jié)果表明該策略可以有效降低網(wǎng)損。針對大規(guī)模電動汽車入網(wǎng)現(xiàn)象，根據(jù)網(wǎng)內(nèi)用電負(fù)荷狀態(tài)及電動汽車充電需求等實時數(shù)據(jù)，利用模糊控制算法對電動汽車的充電行為做有序優(yōu)化，有效避免了大規(guī)模車群入網(wǎng)引起的負(fù)荷尖峰問題。將電動汽車電池的可放最大容量為選定優(yōu)化目標(biāo)，通過競價的方法，引導(dǎo)用戶在用電高峰時間段利用電動汽車的V2G技術(shù)饋電給電網(wǎng)，以達到“削峰填谷”的效果?；谔摂M電價，考慮以系統(tǒng)負(fù)荷峰谷差最小、用戶經(jīng)濟性指標(biāo)最大和電池的折舊費用最小為目標(biāo)對電動汽車建模，通過仿真算例證明了該策略提出的有效性。提出了一種基于峰谷分時電價為背景的，考慮電動汽車充放電隨機性的有序充放電策略，使得電動汽車在負(fù)荷高峰期向網(wǎng)饋電，負(fù)荷低谷期充電，平滑了網(wǎng)內(nèi)用電曲線。以分時電價為背景，構(gòu)建同時考慮用戶用電繳費情況和負(fù)荷穩(wěn)定性的多目標(biāo)優(yōu)化調(diào)度模型，使電動汽車參與有序充電管理規(guī)劃。通過算例分析驗證了該方法不但可以減小負(fù)荷的峰谷差，還能提高用戶用電的經(jīng)濟效益。

2、私家車無序模式充電模型

本文從以下4個方面構(gòu)建電動汽車的充電模型。

a.電動汽車電池特性

本文選用鋰電池為研究對象。與普通汽車相同，不同類型私家車電池容量有差異。

x=［20，30］ (1)

fQ (x) ={ 其他

式中：fQ為私家車鋰電池容量的概率密度；x表示該時刻的電池容量大小，一般取值為20～30kWh。

鋰電池充電變化過程如圖1所示。由于充電起始過程和結(jié)束過程的時間非常短暫，可以近似地認(rèn)為鋰電池充電是恒功率充電。

b.車主日行駛里程

本文引用美國交通部汽車日出行數(shù)據(jù)進行分析

圖1鋰電池簡化充電過程

電動汽車車主每日用車行駛里程數(shù)的概率密度函數(shù)為:

fD (z) =exp [－(2)

式中：fD為車主日行駛里程的概率密度函數(shù)；μD為期望值；σD為標(biāo)準(zhǔn)差。

c.車主最后歸程時刻

假設(shè)車主每日結(jié)束行程時刻即為電動汽車每日開始充電時刻，最后歸程概率密度函數(shù)為

exp [－]，μs－12＜w≤24

lexp [－]，0＜w≤μs－12 (3)

fs (w) =〈

式中：fs為車主最后規(guī)程的概率密度函數(shù)；w為回家時刻；μs為期望值；σs為標(biāo)準(zhǔn)差。

d.車主離家時間

假設(shè)車主每日用車期間只可放電不可充電，出行開始時刻的概率密度函數(shù)為：

exp [－]，0＜v≤μd + 12

lexp [－]，μe +12＜v≤24 (4)

fe (v) =〈

式中：fe為車主啟程離家的概率密度函數(shù)；v為離家時刻。

結(jié)合用戶出行數(shù)據(jù)及電動汽車充電模型利用蒙特卡洛算法，得到500輛電動汽車的24h無序充電負(fù)荷曲線，如圖2所示。

圖2電動汽車無序充電負(fù)荷曲線

3、多時段動態(tài)電價下電動汽車有序充電模型

3.1多時段動態(tài)電價區(qū)間劃分

傳統(tǒng)的分時電價一旦制定后其區(qū)間不再變化，但居民的用電行為會隨著季節(jié)變化、地域不同和個人舒適度而改變，與原分時電價的價格區(qū)間范圍有偏差，產(chǎn)生負(fù)荷和電價的峰谷不匹配的現(xiàn)象。而電動汽車的充電行為在時間上有很大隨機性，導(dǎo)致實時電價的制定考慮因素十分復(fù)雜。因此本文根據(jù)短期負(fù)荷預(yù)測為基礎(chǔ)提出一種新型的多時段動態(tài)電價策略。

目前為止，隸屬度函數(shù)是對傳統(tǒng)用電價格進行劃分方法。以表1某地區(qū)分時電價為例，首先基于模糊數(shù)學(xué)的理論，可將每個時間段認(rèn)為是一個獨立的模糊集合，然后利用隸屬度函數(shù)構(gòu)建時段內(nèi)每時刻對應(yīng)的隸屬度，并根據(jù)隸屬度值將其劃分到對應(yīng)的時間段。再將短期預(yù)測的基礎(chǔ)負(fù)荷劃分成多時段，根據(jù)每時段對應(yīng)的負(fù)荷值計算相對應(yīng)的電價。

表1某地區(qū)的分時電價

電價的劃分跨度ΔL為

ΔL =(5)

Ci = α·ΔL+Cmin (6)

通過以上公式對電價的劃分，最后取定結(jié)果見圖3?？梢钥闯龆鄷r段動態(tài)電價的制定可隨著基礎(chǔ)荷值的高低自動調(diào)節(jié)，使得價格制定更人性化，價格區(qū)間劃分更細致，對車主充電行為的引導(dǎo)更 精準(zhǔn)。

圖3電價取定結(jié)果

3.2電動汽車有序充電策略

電動汽車聚合商是專門針對電動汽車充電進行 資源整合的參與者，其部署的智能充電樁可提供常規(guī)充電模式和充電優(yōu)化模式。常規(guī)充電模式可將電 動汽車的電池充至期望電量值，而優(yōu)化模式則需要根據(jù)車主個人用電需求輸入結(jié)束充電時刻及結(jié)束時刻的充電期望值。車輛接入后，充電樁將獲取該車信息，將輸入值及車電池的剩余電量反饋到系統(tǒng)調(diào)度中心，對收集的數(shù)據(jù)進行在線智能計算，形成電動汽車的充電計劃。

3.3目標(biāo)函數(shù)

本文以網(wǎng)內(nèi)負(fù)荷波動最小為目標(biāo)函數(shù)。

minF =(Pi －P) 2 (7)

Pi = Pi，EV+Pi，load (8)

式中：F為目標(biāo)函數(shù) ；N 為谷時段數(shù)目；Pi為第i個時間段配電網(wǎng)內(nèi)的總負(fù)荷大?。籔為總負(fù)荷的預(yù)期均值；Pi，EV為電動汽車并網(wǎng)時第i個時段的充電負(fù)荷值；Pi，load為第i個時段配電網(wǎng)的基礎(chǔ)負(fù)荷值。

3.4約束條件

a.充電樁充電功率Pch約束

Pch，min ≤Pch ≤Pch，max (9)

b.充電時段T約束Ts ≤T≤Te (10)

本文優(yōu)化中不計電池?fù)p耗，假設(shè)電池容量為恒定值。

S =Pi ·Th (11)

3.5算法求解

傳統(tǒng)的遺傳算法是一種起源于生物進化規(guī)律演 變的尋優(yōu)算法。從任意初始種群開始，通過選擇、交叉、變異等環(huán)節(jié)，產(chǎn)生一些對環(huán)境適應(yīng)度高的個 體并進入搜索空間中更好的區(qū)域，不斷繁衍進化，最終得到最大適應(yīng)度的個體作為解輸出。但由 于進化過程中交叉概率參數(shù)及變異概率參數(shù)為定值，忽略了進化過程中種群的自適應(yīng)特性，存在過早收斂的缺陷。且算法沒有保留精英機制，適應(yīng)度高的個體可能在進化中丟失優(yōu)秀的基因。為了解決 以上問題，本文采用自適應(yīng)交叉概率 Kc 和自適應(yīng)變異概率Km以及精英保留機制進行優(yōu)化求解。

4、算例仿真與分析

4.1仿真場景設(shè)定

本文仿真過程選擇在IEEE33節(jié)點配電網(wǎng)中進行，其拓?fù)淙鐖D4所示。假設(shè)節(jié)點1為平衡節(jié)點，即電源接入節(jié)點，余下32個節(jié)點全部為PQ節(jié)點。假設(shè)整個配電網(wǎng)系統(tǒng)中含基礎(chǔ)負(fù)荷以及1500輛電動汽車，車群被均勻分配到節(jié)點19、23和26中。以私家車比亞迪E1車型作為研究對象，規(guī)定每輛 電動汽車的動力電池規(guī)格相同，參數(shù)為:220V，16A慢充模式，限制容量為35kWh，3.52kW恒功率充電，充電效率為0.82，轉(zhuǎn)換效率為0.90。

圖4IEEE33節(jié)點拓?fù)?/p>

4.2對用電負(fù)荷的分析

電動汽車以不同方式充電的負(fù)荷曲線及配電網(wǎng)總負(fù)荷曲線如圖5、圖6所示。

由圖5和圖6可知，通過動態(tài)價格的引導(dǎo)，電動汽車充電行為趨于有序化，車主對充電時間段的選擇逐漸向夜間轉(zhuǎn)移，負(fù)荷峰值水平大幅度下降，說明新型電價的提出可以使車主的用電行為不再大面積集中，系統(tǒng)總用電負(fù)荷曲線相對變得平緩，有削峰填谷的效果。

圖5電動汽車有序/無序充電負(fù)荷曲線

圖6配電網(wǎng)總負(fù)荷曲線

4.3對配電網(wǎng)影響分析

將IEEE33節(jié)點配電網(wǎng)模型的節(jié)點負(fù)荷參數(shù)和優(yōu)化后的有序充電負(fù)荷數(shù)據(jù)導(dǎo)入MATLAB軟件語言編程，對比以下3種場景下的配電網(wǎng)電壓偏移及網(wǎng)損。

場景1:配電網(wǎng)內(nèi)未接入電動汽車負(fù)荷。場景2:配電網(wǎng)內(nèi)接入無序充電負(fù)荷。

場景3:配電網(wǎng)內(nèi)接入有序充電負(fù)荷。

圖7表示部分時段下3種用電方式的網(wǎng)損率。可見18:00—24:00由于無序充電負(fù)荷的接入使得網(wǎng)內(nèi)網(wǎng)損明顯升高。09:00—21:00時，對比接入無序充電負(fù)荷和有序充電負(fù)荷，后者可有效降低配電網(wǎng)網(wǎng)損，尤其在電價高峰時段21:00網(wǎng)損率下降了2.77%，效果好。說明多時段分時電價的提出引導(dǎo)車主有序充電對調(diào)節(jié)配電網(wǎng)網(wǎng)損具有一定效果。

圖7部分時段的網(wǎng)損率

由圖8可知，場景1配電網(wǎng)未接入充電負(fù)荷時的電壓偏移都抑制在±7%以內(nèi)，縱橫對比沒有發(fā)現(xiàn)嚴(yán)重的電壓偏移現(xiàn)象，但是節(jié)點18和19在20:00—21:00時間段上有局部節(jié)點處在越限邊界。由圖9可知，場景2中配電網(wǎng)內(nèi)接入無序充電負(fù)荷時，節(jié)點13－19和28－33在晚間出現(xiàn)電壓越限情況，原因是無序充電負(fù)荷的高峰期恰巧與網(wǎng)內(nèi)基礎(chǔ)負(fù)荷用電的高峰期時段相疊。

圖8未接入充電負(fù)荷時各節(jié)點電壓仿真圖

圖9接入無序充電負(fù)荷時各節(jié)點電壓仿真圖

圖10表示場景3下配電網(wǎng)內(nèi)接入有序充電負(fù) 荷時各個節(jié)點電壓的偏移情況。與圖9和圖10對比可知，有序充電負(fù)荷的接入使局部節(jié)點越限現(xiàn)象得到緩解，偏移的電壓回歸到正常標(biāo)準(zhǔn)范圍內(nèi)。說明所提出的新型動態(tài)分時電價可以通過對電動汽車進行充電有序化管理來改善配電網(wǎng)電壓偏移現(xiàn)象。

由于大量負(fù)荷突然接入使各節(jié)點電壓發(fā)生偏移現(xiàn)象，因此對最大負(fù)載量時刻(21:00)各節(jié)點電 壓偏移情況進行對比更有意義，結(jié)果如圖11所示

圖10接入有序充電負(fù)荷時各節(jié)點電壓仿真圖

圖11不同場景下各節(jié)點電壓水平曲線

由圖11可知，未接入無序負(fù)荷時網(wǎng)內(nèi)各節(jié)點 的電壓偏移都抑制在±7%范圍以內(nèi)，電壓無越限行為。當(dāng)無序充電負(fù)荷并網(wǎng)后，一部分節(jié)點電壓發(fā)生顯著偏移，且偏移量均超過規(guī)定標(biāo)準(zhǔn)范圍。而經(jīng)過多時段動態(tài)電價策略調(diào)控的有序充電行為接入配電網(wǎng)后，網(wǎng)內(nèi)各節(jié)點電壓值還原到標(biāo)準(zhǔn)范圍以內(nèi)，其中變化18號節(jié)點電壓標(biāo)幺值由0.9467調(diào)整到0.9828，電壓偏移率修正了3.61%。

5、安科瑞充電樁收費運營云平臺系統(tǒng)

5.1概述

AcrelCloud-9000安科瑞充電樁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)的汽車充電站、電動自行車充電站以及各個充電樁進行不間斷地數(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，資源管理、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(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。

5.2應(yīng)用場合

適用于住宅小區(qū)等物業(yè)環(huán)境、各類企事業(yè)單位、醫(yī)院、景區(qū)、學(xué)校、園區(qū)等公建、公共停車場、公路充電站、公交樞紐、購物中心、商業(yè)綜合體、商業(yè)廣場、地下停車場、高速服務(wù)區(qū)、公寓寫字樓等場合。

5.3系統(tǒng)結(jié)構(gòu)

現(xiàn)場設(shè)備層：連接于網(wǎng)絡(luò)中的各類傳感器，包括多功能電力儀表、汽車充電樁、電瓶車充電樁、電能質(zhì)量分析儀表、電氣火災(zāi)探測器、限流式保護器、煙霧傳感器、測溫裝置、智能插座、攝像頭等。

網(wǎng)絡(luò)通訊層：包含現(xiàn)場智能網(wǎng)關(guān)、網(wǎng)絡(luò)交換機等設(shè)備。智能網(wǎng)關(guān)主動采集現(xiàn)場設(shè)備層設(shè)備的數(shù)據(jù)，并可進行規(guī)約轉(zhuǎn)換，數(shù)據(jù)存儲，并通過網(wǎng)絡(luò)把數(shù)據(jù)上傳至搭建好的數(shù)據(jù)庫服務(wù)器，智能網(wǎng)關(guān)可在網(wǎng)絡(luò)故障時將數(shù)據(jù)存儲在本地，待網(wǎng)絡(luò)恢復(fù)時從中斷的位置繼續(xù)上傳數(shù)據(jù)，保證服務(wù)器端數(shù)據(jù)不丟失。

平臺管理層：包含應(yīng)用服務(wù)器和數(shù)據(jù)服務(wù)器，完成對現(xiàn)場所有智能設(shè)備的數(shù)據(jù)交換，可在PC端或移動端實現(xiàn)實時監(jiān)測充電站配電系統(tǒng)運行狀態(tài)、充電樁的工作狀態(tài)、充電過程及人員行為，并完成微信、支付寶在線支付等應(yīng)用。

5.4平臺功能描述

5.4.1充電服務(wù)

充電設(shè)施搜索，充電設(shè)施查看，地圖尋址，在線自助支付充電，充電結(jié)算，導(dǎo)航等。

5.4.2首頁總覽

總覽當(dāng)日、當(dāng)月開戶數(shù)、充值金額、充電金額、充電度數(shù)、充電次數(shù)、充電時長，累計的開戶數(shù)、充值金額、充電金額、充電度數(shù)、充電次數(shù)、充電時長，以及相應(yīng)的環(huán)比增長和同比增長以及樁、站分布地圖導(dǎo)航、本月充電統(tǒng)計。

5.4.3交易結(jié)算

充電價格策略管理，預(yù)收費管理，賬單管理，營收和財務(wù)相關(guān)報表。

5.4.4故障管理

故障管理故障記錄查詢、故障處理、故障確認(rèn)、故障分析等管理項，為用戶管理故障和查詢提供方便。

5.4.5統(tǒng)計分析

統(tǒng)計分析支持運營趨勢分析、收益統(tǒng)計，方便用戶以曲線、能耗分析等分析工具，瀏覽樁的充電運營態(tài)勢。

5.4.6運營報告

按用戶周期分析汽車、電瓶車充電站、樁運行、交易、充值、充電及報警、故障情況，形成分析報告。

5.4.7APP、小程序移動端支持

通過模糊搜索和地圖搜索的功能，可查詢可用的電樁和電站等詳細信息。掃碼充電，在線支付:掃描充電樁二維碼，完成支付，微信支付完成后，即可進行充電。

5.4.8資源管理

充電站檔案管理，充電樁檔案管理，用戶檔案管理，充電樁運行監(jiān)測，充電樁異常交易監(jiān)測。

5.5系統(tǒng)硬件配置