安科瑞電氣股份有限公司 上海嘉定 201801

 

摘要：分析電動汽車充電對電網(wǎng)產(chǎn)生的影響,主要研究電動汽車對電網(wǎng)負(fù)荷平衡的影響。對電動汽車充電負(fù)荷建模，分析其用戶出行等的時間概率分布，通過蒙特卡羅模擬法對電動汽車充電負(fù)荷需求進(jìn)行計算，研究3 000輛電動汽車全天的充電需求時間分布。建立含光伏發(fā)電系統(tǒng)的區(qū)域供電系統(tǒng)優(yōu)化模型，同時以動態(tài)電價為激勵引導(dǎo)電動汽車進(jìn)行有序充電，以參與電網(wǎng)輔助服務(wù)。以聯(lián)絡(luò)線交換功率波動乘積較小和充電成本較低為目標(biāo)，并以其加權(quán)后的函數(shù)作為目標(biāo)函數(shù)，結(jié)合4個約束條件，通過遺傳算法求解模型，得到符合目標(biāo)函數(shù)的較優(yōu)充電方案。較終通過算例驗證該模型能夠?qū)崿F(xiàn)平移負(fù)荷、削峰填谷的作用。

關(guān)鍵詞：負(fù)荷平衡；蒙特卡羅模擬法；動態(tài)電價；有序充電；削峰填谷；

0引言

 

      由于二氧化碳排放增加和環(huán)境污染等問題，以及原油價格和其他燃料資源的不穩(wěn)定性，電動汽車自21世紀(jì)以來已經(jīng)逐漸進(jìn)入人們的生活，電動汽車的普及也對電力系統(tǒng)產(chǎn)生了巨大的沖擊。文獻(xiàn)［1］—文獻(xiàn)［2］分析了我國電動汽車的發(fā)展現(xiàn)狀及未來趨勢，根據(jù)實際情況，指明該過程中面臨的問題。文獻(xiàn)［3］提出基于隨機(jī)森林的充電行為聚類技術(shù)，分析電動汽車充電行為特性，結(jié)果表明該方法較歐氏距離法更準(zhǔn)確。文獻(xiàn)［4］提出基于主動配電網(wǎng)的源網(wǎng)荷優(yōu)化調(diào)度方法，可減少電動汽車接入電網(wǎng)產(chǎn)生的波動，具有重要的指導(dǎo)意義。文獻(xiàn)［5］通過采集居民電動汽車接入電網(wǎng)的充電數(shù)據(jù)，研究其充電特性，結(jié)果表明充電負(fù)荷的聚集會使總負(fù)荷曲線惡化。文獻(xiàn)［6］為確定電氣設(shè)備的空間分布及選型，基于對電動汽車充電負(fù)荷和分布式能源出力特性的分析，建立對應(yīng)的空間負(fù)荷預(yù)測模型，并通過算例分析證明其可行性。文獻(xiàn)［7］結(jié)合全球定位系統(tǒng)，建立了電動汽車快速預(yù)約充電模型，通過Dijkstra算法求解模型，通過算例證明該模型的有效性。文獻(xiàn)［8］提出一種混合儲能虛擬電廠參與電力市場的優(yōu)化調(diào)度策略，包含了電動汽車充電的不確定性參數(shù)，通過算例證明該策略的可行性，為虛擬電廠參與電力市場調(diào)度奠定了基礎(chǔ)。基于上述背景，本文以區(qū)域內(nèi)私人電動汽車為主體，通過對電動汽車用戶出行規(guī)律進(jìn)行歸納總結(jié)，對出行、返回、日行駛里程及電池剩余荷電量（state of charge，SOC）概率分布特征進(jìn)行擬合，對比工作日、休息日私人電動汽車的充電行為，并以工作日的充電行為作為輸入，基于蒙特卡羅模擬法對私人電動汽車的充電負(fù)荷進(jìn)行仿真預(yù)測。進(jìn)而考慮配電網(wǎng)和電動汽車用戶的利益以及光伏消納情況，建立計及光伏發(fā)電系統(tǒng)的區(qū)域供電系統(tǒng)優(yōu)化模型，根據(jù)全天日照強(qiáng)度較大化吸收光伏輸出，改善綜合負(fù)荷曲線，同時以動態(tài)電價為激勵引導(dǎo)電動汽車進(jìn)行有序充電。以聯(lián)絡(luò)線交換功率波動乘積較小和充電成本較低為目標(biāo)函數(shù)，結(jié)合4個約束條件，通過遺傳算法求解模型，得到符合目標(biāo)函數(shù)的較優(yōu)充電方案。通過算例驗證該模型能夠?qū)崿F(xiàn)平移負(fù)荷、削峰填谷。

       我國電動汽車的普及給電力系統(tǒng)帶來了不穩(wěn)定性和不確定性，電動汽車聚集性地接入電網(wǎng)充電，將對電力系統(tǒng)產(chǎn)生巨大的沖擊，增加其運(yùn)行控制難度。其主要影響包括：

      （1）電能質(zhì)量電動汽車接入充電樁進(jìn)行充電時相當(dāng)于大功率、非線性負(fù)荷，在其充電過程中電網(wǎng)需要提供穩(wěn)定可靠的大電流進(jìn)行供電，同時對電力電子設(shè)備產(chǎn)生很高的諧波電流和沖擊電壓，若不采取相應(yīng)的措施，可能會帶來諧波污染、功率因數(shù)降低以及系統(tǒng)電壓波動方面的影響。

      （2）電網(wǎng)運(yùn)行控制難度

聚集性地充電會給電網(wǎng)帶來巨大的沖擊，而且電動汽車用戶出行方式、充電特性、充電時長都具有隨機(jī)性，會給充電負(fù)荷帶來不確定性，影響電網(wǎng)運(yùn)行控制。大多用戶出行的較終目的地都是高度隨機(jī)的，所以其行駛里程也是隨機(jī)的。每一輛電動汽車的充電模式不一定相同，加入外界影響因素，其充電曲線是不同的，所以其充電特性具有隨機(jī)性。充電時間取決于駕駛習(xí)慣，用戶在充電時往往表現(xiàn)出隨機(jī)行為，應(yīng)由在這些實體內(nèi)優(yōu)化和安排充電時間的

集中代理進(jìn)一步控制。

      （3）負(fù)荷不平衡2020—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(fù)荷預(yù)計增加1 361萬kW和1.53億kW，相當(dāng)于當(dāng)年區(qū)域峰值負(fù)荷的1.6%和13.1%，導(dǎo)致區(qū)域負(fù)荷的不平衡。電動汽車集中在某些時段進(jìn)行充電，或電動汽車充電行為在平時段的疊加，將進(jìn)一步變大電網(wǎng)負(fù)荷峰谷差，加重電網(wǎng)側(cè)的負(fù)擔(dān)。如果將多輛電動汽車接入一個接近其極限的充電網(wǎng)絡(luò)，附近變壓器上的額外負(fù)載可能會導(dǎo)致其故障。從不同類型充電基礎(chǔ)設(shè)施的用電特性來看，公共充電設(shè)施的用電行為較為分散，沒有明顯的峰谷差別，而專用設(shè)施的用電行為相對集中，峰谷差別更為明顯。綜合來看，在無序充電前提下，充電基礎(chǔ)設(shè)施負(fù)荷較大的時刻應(yīng)為傍晚大量私家車主回到居住地，開始使用私人充電樁為私家車充電的時刻。本文對電動汽車接入電網(wǎng)時的負(fù)荷平衡進(jìn)行研究，通過電價激勵引導(dǎo)電動汽車用戶進(jìn)行有序充電，以達(dá)到平移負(fù)荷、削峰填谷的效果。

       本文基于對NHTS數(shù)據(jù)庫2019年基礎(chǔ)數(shù)據(jù)的分析，篩選出10萬輛私人電動汽車接入充電樁時的充電數(shù)據(jù)及充電行為等因素，為構(gòu)建電動汽車有序充電行為提供數(shù)據(jù)基礎(chǔ)。

2.1 時間變量概率分布擬合

       私人電動汽車用戶出行概率主要受日常生活習(xí)慣和生活規(guī)律影響，首先需要得到初始出發(fā)時間的分布。出發(fā)時間分布可用正態(tài)分布的形式進(jìn)行擬合，其時間概率分布如圖1所示。用戶日出行概率密度函數(shù)為：

  ( 1 )式中：x1 為電動汽車用戶較后出行時間；μ1 為期望值，取7.42；σ1 為標(biāo)準(zhǔn)差，取3.54。

 

 

 

用戶返回時刻概率密度函數(shù)為：

 

( 2 )式中：x2 為電動汽車用戶返回時刻；μ2 為期望值，取16.92；σ2 為標(biāo)準(zhǔn)差，取3.43。其時間概率分布如圖2所示。

根據(jù)出行習(xí)慣及規(guī)律分析，大部分用戶駕駛的較終目的地都是高度隨機(jī)的，但在任何一天的平均行駛里程都約為38 km/d。電動汽車用戶日行駛里程服從對數(shù)正態(tài)分布，其概率分布如圖3所示，概率密度函數(shù)為:

( 3 )式中：x3 為電動汽車平均日行駛里程；μ3 為期望值，取2.92；σ3 為標(biāo)準(zhǔn)差，取0.93。

      對電動汽車電池 SOC 、日均行駛距離以及充電規(guī)律、充電時間等因素進(jìn)行統(tǒng)計［9］電動汽車返回時剩余 SOC 也可用正態(tài)分布的形式進(jìn)行擬合，其電動汽車剩余 SOC 的概率分布如圖4所示，概率密度函數(shù)為態(tài)分布，其概率分布如圖3所示，概率密度函數(shù)為:

 

( 4 )式中：x4 為電動汽車返回時的剩余 SOC ；μ4 為期望值，取51.3；σ4 為標(biāo)準(zhǔn)差，取14.7。

     私人電動汽車工作日主要用于上下班，到達(dá)公司后基本屬于閑置狀態(tài)，也可進(jìn)行充電，而休息日私人電動汽車大多外出娛樂，時間分布與工作日有所區(qū)別，圖5為工作日與休息日私人電動車充電時間分布。

       由圖5可知私人電動汽車在工作日上午到達(dá)公司后即可進(jìn)行充電，晚上下班后為充電高峰期，且晚上充電的頻率高于上午；在14:00—16:00，休息日充電頻率高于工作日，但晚高峰時，其充電頻率低于工作日。后續(xù)將重點研究工作日私人電動汽車的充電行為。

2.2基于蒙特卡羅模擬法的充電負(fù)荷計算

2.2.1 充電負(fù)荷模型建立

       由蒙特卡羅模擬法設(shè)置基礎(chǔ)參數(shù)，如模擬次數(shù)、電動汽車數(shù)量、快充慢充比例等。由式（4）生成初始 SOC 。由于汽車充電行為具有隨機(jī)性，所以按圖5生成電動汽車開始充電時刻。使用蒙特卡羅模擬法對電動汽車充電負(fù)荷曲線進(jìn)行模擬，由上述得到的電動汽車充電起始時間及初始SOC ，對單輛電動汽車充電負(fù)荷進(jìn)行模擬，隨后將所有電動汽車的充電負(fù)荷累加，可以得到完整的區(qū)域電動汽車總充電負(fù)荷曲線。區(qū)域內(nèi)電動汽車總充電功率為:

      

      ( 5 )式中：M 為全天總時長，取為1 440 min；N 為電動汽車總數(shù)，設(shè)為3 000輛，作為初始數(shù)據(jù)輸入蒙特卡羅模擬法進(jìn)行仿真；Pi, j 為第 j 輛電動汽車在i時刻的充電功率。

2.2.2 地區(qū)基本負(fù)荷保持一定

      有序充電是一種調(diào)度手段，通過這種手段可以使電動汽車避免在高峰期給電網(wǎng)帶來的峰上加峰現(xiàn)象，同時也避免大部分用戶避開高峰期進(jìn)行充電而出現(xiàn)的第二高峰期，但應(yīng)保持原負(fù)荷不變，即不影響用戶生活及正常行動之外進(jìn)行合理“減負(fù)"。

2.2.3電動汽車充電負(fù)荷計算

       假設(shè)電動汽車充電過程不被干預(yù)且直至 SOC充滿，即充電時長不受限制，抽取初始電動汽車SOC 、日行駛里程以及開始充電時刻，在滿足充滿電所需時長的約束下，計算一天中各個時段電動汽車的充電功率。在這個過程中，將電動汽車分為快速充電和常規(guī)慢充，分別計算每個時刻的負(fù)荷，較后進(jìn)行累加，其流程圖如圖6所示。

    

      使用蒙特卡羅模擬法計算一天 24 h 內(nèi)每個時間點電動汽車負(fù)荷的充電需求概率，并在 1 500 次操作后重復(fù)平均值，以獲得區(qū)域總電動汽車負(fù)荷需求的預(yù)期曲線。曲線如圖7所示。設(shè)置電動汽車數(shù)量為3 000輛，且采用一天一充模式，充電過程為快速充電模式的功率為24 kW，常規(guī)慢充模式的功率為12 kW，各占50%。其結(jié)果如圖7所示。

       由圖7可知，電動汽車充電存在兩個峰值時刻，大規(guī)模電動汽車接入電網(wǎng)會帶來電網(wǎng)頻率波動以及電能質(zhì)量不穩(wěn)定等問題，后續(xù)通過電價激勵政策與光伏發(fā)電系統(tǒng)的接入緩解電網(wǎng)側(cè)的壓力。

3.1區(qū)域供電系統(tǒng)優(yōu)化模型

      變電站供電區(qū)域包含光伏發(fā)電系統(tǒng)，同時也包含一定量的電動汽車充電負(fù)荷，變電站供電區(qū)域的負(fù)荷情況如圖8所示，供電區(qū)域包括光伏發(fā)電系統(tǒng)，區(qū)域常規(guī)負(fù)荷和電動汽車快速充電負(fù)荷，當(dāng)電動汽車快速充電時，通過充電樁連接到電網(wǎng)，等效連接到變電站的交流母線。本文將光伏發(fā)電系統(tǒng)納入變電站供電區(qū)域時，采用相應(yīng)的電價激勵策略對電動汽車用戶進(jìn)行引導(dǎo)，使得電動汽車參與有序充電以消納光伏發(fā)電系統(tǒng)的輸出功率，同時縮小區(qū)域負(fù)荷峰

谷差。區(qū)域負(fù)載能量控制框架如圖9所示。

 

       通過對控制框圖的分析，將區(qū)域負(fù)荷分為調(diào)節(jié)負(fù)荷和非調(diào)節(jié)負(fù)荷兩大類，光伏發(fā)電系統(tǒng)和區(qū)域常規(guī)負(fù)荷均為非調(diào)節(jié)負(fù)荷。光伏發(fā)電系統(tǒng)的不可調(diào)節(jié)性指其輸出功率受溫度、光強(qiáng)等因素的影響，控制系統(tǒng)無法調(diào)節(jié)其輸出功率。區(qū)域常規(guī)負(fù)荷主要指除變電站供電區(qū)域的電動汽車負(fù)荷外的居民負(fù)荷，相當(dāng)于交流母線，根據(jù)其生活規(guī)律以及需求進(jìn)行用電。

       快速充電的電動汽車是一種可調(diào)負(fù)荷，充電站根據(jù)全天不同時刻配電網(wǎng)節(jié)點的電價調(diào)整來影響電動汽車用戶的充電選擇；電動汽車的充電功率與光伏發(fā)電系統(tǒng)和區(qū)域常規(guī)負(fù)荷相匹配，以吸收分布式光伏發(fā)電系統(tǒng)輸出的功率。分布式光伏和電動汽車的接入在一定程度上改變了配電網(wǎng)的負(fù)荷特性曲線。分布式電源的輸出受自然環(huán)境的影響，存在很大的不確定性。因此，本文構(gòu)建了一種電動汽車與配電網(wǎng)交互優(yōu)化模型，即配電網(wǎng)利用電動汽車充電負(fù)荷的可轉(zhuǎn)移特性就地吸收光伏輸出，改善綜合負(fù)荷曲線；同時，電動汽車用戶根據(jù)調(diào)整后的電價選擇較優(yōu)充電時間，降低自身充電成本。利用電動汽車“用電時間有彈性、用電行為可引導(dǎo)、用電規(guī)律可預(yù)測的特點，將其納入電網(wǎng)優(yōu)化控制，可有效增加資源條件，推動電動汽車參與電網(wǎng)削峰填谷輔助服務(wù)，實現(xiàn)配電網(wǎng)與電動汽車的雙贏。

3.2 目標(biāo)函數(shù)

      配電網(wǎng)作為主體，設(shè)置動態(tài)節(jié)點價格，充電站將節(jié)點價格作為充電價格傳遞給用戶。根據(jù)光伏發(fā)電系統(tǒng)和區(qū)域常規(guī)負(fù)荷的時間分布特點，制定了較優(yōu)的電動汽車充電負(fù)荷時間轉(zhuǎn)移策略，以達(dá)到吸收光伏輸出的目的。節(jié)點價格作為一種調(diào)節(jié)手段，用以減少變電站交流母線的總波動。為了改善區(qū)域負(fù)荷曲線，以變電站交流母線功率波動乘積 ΔP 較小為目標(biāo)函數(shù)進(jìn)行優(yōu)化，目標(biāo)函數(shù)可表示為:

       

(6)(7)(8)(9)式中：PG 為區(qū)域變電站交流母線功率；fG(t) 為區(qū)域變電站后一段時間 t + 1 與當(dāng)前時段 t 的交流母線功率之差；GPV(t) 為變電站所在區(qū)域在時段 t 之前的功率峰谷差；k 為一天的時間段數(shù)，k =24；Pch(t)為充電站 t 時段的快速充電負(fù)荷；Pload(t)為充電站在所屬變電站供電區(qū)域 t 時段的常規(guī)負(fù)荷；PPV(t)為充電站在所屬變電站供電區(qū)域 t時段的分布式光伏輸出。光伏板在時間 t 發(fā)出的功率 PPV(t) 與當(dāng)前溫度和光強(qiáng)有關(guān)。電流輸出功率系數(shù) FT 可以通過溫度和相應(yīng)的輸出功率系數(shù)圖 FT -T 以及電流溫度 T 獲得。功率計算公式為:

   （10）式中：當(dāng)光照強(qiáng)度為1 kW/m2時，Pmpp 為光伏陣列在一定溫度下的輸出功率參考值；FT 為輸出功率系數(shù)；Irr 為當(dāng)前時刻的光照強(qiáng)度。光伏發(fā)電系統(tǒng)通過逆變器將直流電轉(zhuǎn)換為交流電，并連接至負(fù)荷。當(dāng)光伏板發(fā)出的功率 PPV 小于截止功率時，逆變器停止工作；當(dāng)光伏板發(fā)出的功率 PPV 大于啟動功率時，逆變器工作。考慮到逆變器損耗，設(shè)置效率系數(shù)，光伏板發(fā)出的功率 PPV 乘以其相應(yīng)的效率系數(shù) EFF ，以獲得整個光伏系統(tǒng)的有功功率 PPV(t) ，可表示為:

PPV(t)= PPV·EFF 

（11）式中,光伏板輸出功率對應(yīng)的效率系數(shù)可從 PPV - EFF曲線中獲得。

(12)式中：b 為光伏出力不平衡系數(shù)；PG 為區(qū)域變電站交流母線功率；Pch 為充電站的快速充電負(fù)荷；Pload為充電站在所屬變電站供電區(qū)域的常規(guī)負(fù)荷。

規(guī)定充電站配電網(wǎng)節(jié)點的電價為充電電價，區(qū)域內(nèi)有充電需求的車輛數(shù)為n ，充電站可接受的車輛數(shù)為N,為使電動汽車充電負(fù)荷盡可能跟隨光伏輸出，動態(tài)電價更新策略為:

(13)式中：λt + 1 為充電站在 t + 1時間段的電價；a 為電價系數(shù)；λt 為充電站在 t 時間段的電價。可以看出，充電電價主要隨著有充電需求的電動汽車數(shù)量 n 和光伏出力不平衡系數(shù) b 的大小而改變，而 b 主要與光伏出力 PPV 、充電負(fù)荷 Pch 的大小有關(guān)。

以充電成本較低為目標(biāo)，目標(biāo)函數(shù)為:

(14)式中：C 為電動汽車充電成本；SOC2 為電動汽車充電結(jié)束時的荷電量；SOC1為電動汽車開始充電時的荷電量；Ba 為動力電池總?cè)萘浚沪?為充電效率，設(shè)為0.9。

3.2.2 有序充電目標(biāo)函數(shù)

      將上述 F1 和 F2 通過加權(quán)后得到一個有序充電的目標(biāo)函數(shù):

(15)式中：w1 和 w2 分別為兩個目標(biāo)函數(shù)的權(quán)重，據(jù)實際情況而定，且 w1 + w2 = 1。

3.3 約束條件

（1）電動汽車 SOC 約束：電動汽車在 t 時間段的SOC滿足:

(16)式中：SOCi(t) 為第 i 輛電動汽車在 t 時刻的電池剩余容量；SOCmin,i 、SOCmax,i 分別為第 i 輛電動汽車在 t時刻的電池剩余容量上下限。

（2）電價約束：合理的電價調(diào)整有利于調(diào)動電動汽車車主響應(yīng)需求的積極性。根據(jù)相關(guān)政策規(guī)定，電價約束為本文提出一種動態(tài)分時電價策略，光伏一天的出力大小有波動，通過光伏出力不平衡系數(shù) b 來引導(dǎo)電價，即當(dāng)某時刻光伏出力大于或小于充電負(fù)荷和常規(guī)負(fù)荷之和時，適當(dāng)降低或提高電動汽車充電電價以引導(dǎo)電動汽車用戶的充電行為，從而達(dá)到削峰填谷的目的。光伏出力不平衡系數(shù)為:λt ≤ λt,max

(17)式中：λt,max 為充電站在 t 時間段內(nèi)的較高電價。

（3）充電站容量限制：充電站可提供的較大充電功率不得高于充電樁的較大輸出功率之和，即:

式中：Nui 為充電站內(nèi)充電樁的數(shù)量；Pch,max 為充電站內(nèi)每個充電樁的較大輸出功率。

（4）光伏消納約束：在 t 時刻，充電站常規(guī)負(fù)荷和充電負(fù)荷與光伏輸出的比值應(yīng)高于規(guī)定的較小光伏消耗限制 θPV(t) ，即:

 

(19)式中：θPV(t) 為 t 時刻較低光伏消納率。

3.4 求解模型

      本文采用遺傳算法求解電動汽車與配電網(wǎng)交互優(yōu)化模型。遺傳算法是一種自適應(yīng)全局優(yōu)化搜索算法，通過自適應(yīng)、交叉、變異等方法，實現(xiàn)適應(yīng)度的提高，將其應(yīng)用于求解模型，從而得到較優(yōu)解。其流程圖如圖10所示。

       步驟 1：采集負(fù)荷功率曲線數(shù)據(jù)和光伏輸出曲線數(shù)據(jù)，獲取每一時刻電動汽車充電需求數(shù)據(jù)，包括其相應(yīng)的 SOC 及未來出行安排。步驟2：光伏發(fā)電系統(tǒng)出力時將充電站的充電功率較大化，并計算充電站可接受的較佳電動汽車數(shù)量。步驟3：根據(jù)動態(tài)電價模型計算更新后的電價，計算充電成本，判斷 F2 是否較低。步驟 4：獲取滿足約束條件的使得充電站交流母線功率波動乘積 ΔP 較小的充電方案，同時得到充電成本較低的電動汽車充電方案。步驟5：確定電動汽車用戶是否選取該方案，如果選取，則輸出決策結(jié)果；如果不選取，則判斷是否達(dá)到較大迭代次數(shù)，重復(fù)步驟4。

      某區(qū)域分布式光伏發(fā)電系統(tǒng)采用較大輸出策略，光伏容量為7 MW，實際輸出較大功率為5.6 MW。光強(qiáng)數(shù)據(jù)如表1所示，假設(shè)全天中7:00—18:00有陽光，其余時刻光照強(qiáng)度為0，全天光照強(qiáng)度分布如圖11所示。電動汽車充電初始SOC為0.51，初始種群規(guī)模為3 000輛電動汽車，電動汽車充電樁快充的輸出功率為24 kW，常規(guī)慢充輸出功率為12 kW，充電效率為90%，區(qū)域常規(guī)負(fù)荷的時間序列曲線如圖12所示，電動汽車全天負(fù)荷的時間序列曲線如圖7所示。

 

 

同時在保證不影響出行的前提下使車主在充電費(fèi)用上的支出有所減少，達(dá)到一個整體較優(yōu)的狀態(tài)。優(yōu)化后有序充電場景下，電網(wǎng)閑時充電擬采用分時電價措施，其較優(yōu)充電價格如圖13所示。

 

      當(dāng)電動汽車無序充電時，用戶上午出行至公司后大多數(shù)電動汽車用戶有充電行為。傍晚開始充電的電動汽車在下半夜充滿，此時電網(wǎng)基本處于閑置狀態(tài)。大量用戶會聚集在傍晚時對電動汽車進(jìn)行充電，集聚充電的現(xiàn)象對電網(wǎng)以及變壓器產(chǎn)生影響，圖14為區(qū)域常規(guī)負(fù)荷與電動汽車充電負(fù)荷的總負(fù)荷曲線，優(yōu)化前的負(fù)荷峰谷差明顯。在電動汽車并網(wǎng)前，充電站的功率曲線會因接入光伏輸出而產(chǎn)生較大的峰谷差，不利于電網(wǎng)的可靠運(yùn)行。在電動汽車有序充電策略的控制下，通過優(yōu)化過程獲得電動汽車的接入較優(yōu)數(shù)量后，光伏系統(tǒng)輸出能夠被較有效地吸收，交流母線功率曲線平滑，實現(xiàn)了負(fù)荷的削峰填谷功能。

5.1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。

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(xué)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)

 

5.3.1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)中心層和客戶端層。

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)中心層：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。 

 

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(jìn)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(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。 

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(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。 

 

 

 

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(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。

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(yùn)營商戶，運(yùn)營商可建立和管理其運(yùn)營所需站點和充電設(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。

5.4.7運(yùn)維APP

       面向運(yùn)維人員使用，可以對站點和充電樁進(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

 

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

 

 

      電動汽車負(fù)荷對于電網(wǎng)是優(yōu)質(zhì)可調(diào)負(fù)荷，以可控負(fù)荷的形式參與電網(wǎng)調(diào)控，可發(fā)揮其削峰填谷的作用，改善電網(wǎng)性能。本文利用價格響應(yīng)機(jī)制，將電動汽車組建成需求響應(yīng)架構(gòu)下的大型分布式儲能系統(tǒng)，同時結(jié)合光伏發(fā)電系統(tǒng)較大化吸收光伏輸出，就地消納光伏，降低用戶充電成本，緩解電網(wǎng)壓力，實現(xiàn)輔助電網(wǎng)峰谷調(diào)節(jié)功能。未來對電動汽車如何實現(xiàn)參與電網(wǎng)調(diào)頻，作為儲能系統(tǒng)向電網(wǎng)優(yōu)化放電等問題，將展開進(jìn)一步研究。

參考文獻(xiàn)

［1］  倪凱旋. 基于分布式博弈的電動汽車充電站較優(yōu)調(diào)度方法［J］.供用電

［2］  尹紅. 我國新能源汽車產(chǎn)業(yè)發(fā)展的現(xiàn)狀、問題和趨勢［J］.中國價格監(jiān)管與反壟斷.

［3］  劉亞麗，李國棟，劉云，等. 基于隨機(jī)森林的電動汽車充電行為聚類技術(shù)研究［J］. ［4］  諸曉駿，陳曦，李妍，等. 考慮電動汽車接入的主動配電網(wǎng)優(yōu)化調(diào)度［J］. 電力工程技術(shù)，2021，40（3）.

［5］  張明霞，莊童. 小區(qū)電動汽車充電負(fù)荷實測分析［J］.電力需求側(cè)管理.

［6］  蒯圣宇，田佳，臺德群，等. 計及分布式能源與電動汽車接入的空間負(fù)荷預(yù)測［J］

［7］  戴依諾，戴忠. 電動汽車預(yù)約充電策略研究［J］. 電力需求側(cè)管理，2016，18（1）：［8］  王金明，張衛(wèi)國，朱慶，等. 含風(fēng)電及電動汽車虛擬電廠參與電力市場的優(yōu)化調(diào)度策略［J］. 電力需求側(cè)管理，2020.

［9］   劉晉源，呂林，高紅均，等. 計及分布式電源和電動汽車特性的主動配電網(wǎng)規(guī)劃［J］.

［10］ 秦建華，潘崇超，張璇，等. 基于充電行為分析的電動汽車充電負(fù)荷預(yù)測［J/OL］. 電測與儀表［2021-10-20］ 

［11］ 陳黎軍，宋遠(yuǎn)軍，王 坤，汪映輝.考慮參與電網(wǎng)輔助服務(wù)的電動汽車有序充電研究

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

作者簡介

張心志，男，安科瑞電氣股份有限公司