满足电动汽车快慢同步充电需求的有序充电策略

吴育胜，薛斐，石进永，汪映辉

(1.海南电网有限责任公司，海南 海口 570100；2. 国电南瑞科技股份有限公司，江苏 南京 211106)

作为新兴清洁能源交通工具，电动汽车(electric vehicle，EV)应用前景广阔，逐步呈现替代传统能源车辆的趋势。但是由于续航里程限制，使得“充电焦虑”和“里程焦虑”成为约束EV行业大力发展的一大难题[1-3]。

快速充电站(fast charge station，FCS)的使用能解决“里程焦虑”问题，国内外已有许多专家对FCS进行了研究。文献[4]基于私家电动车历史出行数据，结合充电过程数据，分析了影响充电行为的因素；文献[5]分析了车辆行驶和停留等状态下充电需求时空分布特点，提出了一种基于出行时空状态链的EV充电需求模型；文献[6]对节假日、工作日2个不同场景的交通特性以及用户出行特点进行分析，改进加权Voronoi图，以用户排队忍耐极限、电网潮流等因素为约束条件，提出了多场景EV充电网络规划模型，用于合理规划EV充电网络；文献[7]通过分析FCS不同应用场景下的停车和引导需求以及缴费结算等业务需求，设计了FCS运营监控系统；文献[8]提出了一种基于虚拟同步机的EV快速充电控制技术，在兼顾快速充电的同时，通过模拟同步机的惯量和阻尼特性，平抑传输功率的波动，改善并网点电能质量；文献[9]通过分析EV快充负荷曲线，提出采用公用电感并考虑利用滤波电容对负荷无功功率进行补偿的设计方法；文献[10]利用层次分析法和熵权法分别确定准则层和指标层权重，结合层次递推的模糊综合评价方法，量化快充网对各主体的影响并进行综合评估。快速充电能缩短充电时间，合理制订智能停车充电计划，降低充电成本，灵活响应电力市场需求[11]。FCS从电网运营商和用户不同角度出发，解决充电问题，提高停车场(parking lot，PL)电力调度经济性[12-13]。FCS对充电设备要求高，需要考虑运营成本、客户服务性和优化选址，以及充电端口、等待空间和快充的电力可用性[14]。

针对上述问题，本文提出一种基于传统PL改造的新型FCS结构及EV快慢同步有序充电策略，适用于EV不同充电等级。首先分析电力市场结构和配置，建立PL-FCS模型；然后基于日前调度、周期性实时调度和周期内实时调度，制订快慢同步有序充电策略；基于电力市场相互作用的随机调度任务，通过最松弛优先资源分配方案实现快速充电任务；最后，通过算例验证该快慢同步有序充电策略的有效性。

1 新型PL-FCS结构

1.1 FCS配置

构建能为EV提供快慢同步充电服务的智能PL时，需要考虑慢充和快充高峰负荷叠加。本文提出的PL-FCS在传统PL配置上加以改进，具备快慢同时充电能力，如图1所示。图1中包含交流慢充EV、直流快充车辆(fast charge vehicle，FCV)和储能系统(energy storage system，ESS)，通过ESS充放电功能辅助大电网完成EV快慢充业务。

图1 PL-FCS结构Fig.1 PL-FCS structure

在城市地区和高速公路的PL设置FCS，可以满足由于长途旅行、夜间驾驶或驾驶员忘记在家充电而产生的快充需求。在所有EV中，仅有部分车辆需要快速充电，其余的EV可在PL使用慢速充电模式。交流慢速充电主要通过智能充电计划在午夜进行，而快速充电负荷主要集中分布在清晨和深夜时段。本文提出改进的智能PL，通过合理的能源分配规划满足2个充电等级的能源需求。

1.2 电力交易模式

电力市场中的支付模式分为单结算和多结算[15-16]。多结算模式更普遍，该模式中前一天的请求作为第1次结算，即

(1)

在第2次结算中，实时设备费用按实时价格支付，即

(2)

(3)

式中γ为惩罚因子。

2 有序充电规划策略

图2 在慢充EV和ESS能源组件中的FCV充电需求分布Fig.2 FCV charging distribution in EV and ESS energy modules

2.1 日前规划策略

针对日前调度，EV集群τ的能量动态表示为

(4)

EV数量动态表示为

mτ,t=mτ,t-1+Δmτ,t,∀τ={t,…,T}.

(5)

式中：mτ,t为时段t集群τ的未充电EV数量；Δmτ,t为集群τ中在时段t新到达的未充电EV数量。

为了确保EV的最小或最大电池负荷状态(state of charge，SOC)不受FCV负荷波动影响，这里介绍2种极端情况。

∀t∈{1,…,T-1},∀τ≥t.

(6)

第2种极端情况是由于到达的FCV比预期的要少，所以从慢充EV集群τ到FCV的总能量在时段t时未被使用。在这种情况下，EV应该有足够未充电量来吸收FCV未使用的多余能量，即

∀t∈{1,…,T-1},∀τ≥t.

(7)

考虑以上2种极端情况，可以保证慢充EV平抑FCV负荷波动需求，并且每个集群中的慢充EV在出发时也应该达到期望的SOC水平，即

∀τ∈{1,…,T}.

(8)

(9)

最后，EV充放电限制可以根据每个集群内的最小和最大充放电功率来表示，即：

(10)

(11)

ESS的动态表示可以用类似FCV的方式表达：

(12)

(13)

(14)

yt=T=yini；

(15)

(16)

(17)

(18)

综上所述，提供给FCV的电量由FCS内慢充EV和ESS提供，且总和Wsum,t应该等于每个时段内预测的FCV负荷，即

(19)

式中：等式右边求和项表示EV对FCV充电贡献，后2项表示ESS的贡献；ηfcv为FCV的充电效率；ηev2fcv表示慢充EV到FCV的放电效率；ηess2fcv表示ESS到FCV的放电效率。

日前计划的目标函数是通过随机规划方法得到的，随机规划方法由2个主要层次构成，即

(20)

(21)

(22)

2.2 周期性实时规划策略

实时规划阶段的目标是根据目前已实现的场景和剩余时段可能出现的场景，将电网计划电量采购与慢充EV、ESS、FCV的实际电量需求和刚性负荷之间的不匹配最小化。为此，可以使用前一天目标函数中的观望决策，对剩余的时间范围执行新的规划，周期性实时规划采用随机模型预测控制(stochastic model predictive control，SMPC)方法完成。利用SMPC方法[17]，令Tp为算法规划周期，对式(4)—(18)中的EV在规划时段k到K=k+Tp-1之间的值进行实时条件化：

(23)

t′∈{k+1,…,K},τ≥t；

(24)

(25)

∀τ∈{k,…,Tp}；

(26)

u′xτ,t≤Uxτ,t；

(27)

(28)

(29)

式(12)—(18)中ESS动态实时方程可表示为：

(30)

(31)

∀t∈{k,…,k+Tp-1}；

(32)

yt=T=yini；

(33)

u′y,t≤Uy,t；

(34)

(35)

(36)

(37)

2.3 周期内实时规划策略

如图3所示，在周期内规划阶段，将每个时段t划分为N个相同的子区间。在每个子区间内FCV负荷由预先确定的资源提供，包括从电网向慢充EV和ESS提供的与FCV相关的u′x和u′y，从慢充EV和ESS发出的功率分别为dFCV和DFCV。构建一个可用资源的堆栈，在每个子区间内更新这些资源。每个资源在堆栈中的位置是基于其FCV相关费用的优先级被交付到FCV负荷。

图3 FCV充电的周期内规划算法Fig.3 Cycle planning algorithm for FCV charging

在慢充EV存储的FCV资源堆栈中，使用最松弛优先(most laxity first，MLF)概念[18-19]。EV集群τ的松弛度

φτ,t=(τ-t)-Gτ,t；

(38)

(39)

时段t内任意子区间n0开始时的总可用电量由聚合器计算，即

(40)

式中：“used”表示从前一个子区间的可用资源中扣除并注入FCV的能量；n表示第n个子区间。第1大项表示时段t注入FCV的预定总能量，第2大项表示在1≤n≤n0时时段t注入FCV的部分能量。由于充放电限制以及式(40)中元素仅在整个周期间隔内实现，FCV调度的所有能量在每个子区间都可用。因此，任意子间隔向FCV注入的电量

(41)

式中δ=1/N为子区间持续时间。式(41)右边的项已根据它们在优先级堆栈中的位置进行了排序，以便快速分配资源。

在每个子区间n的FCV向未充电FCV的能级动态

(42)

3 仿真结果

为了评价所提模型的有效性，假设存在1个拥有500户家庭、以及几乎相同数量EV的城市社区PL-FCS，并且具备全天24 h服务的基础设施。

3.1 场景生成和假设

在有序充电规划中，主要的不确定性来源包括日前和实时价格、刚性负荷以及慢充EV和FCV的到来和离开。假设普通EV电池容量16 kWh和24 kWh，FCV电池取32 kWh，并预定了PL接受最小停留时间。

考虑到价格的不确定性，使用7月的日前价格和实时价格。如图4所示，采用二维自组织映射(self-organizing maps，SOM)方法对日前和实时价格进行聚类[20]。基于历史数据中出现的频率得到各自的概率值，图例中的百分数为历史数据中出现的频率。

图4 日前价格以及实时价格与日前价格的比值Fig.4 Day-ahead price and ratio of real-time price and day-ahead price

对于500辆的EV车队，对应大约120辆FCV，代表了EV车队中快充请求与总充电请求的实际比例。考虑充电需求的不确定性，采用低、中、高快充需求的3种场景，表1给出了负荷分布场景。

表1 PL-FCS的FCV负荷场景Tab.1 FCV load scenarios in PL-FCS

假设EV交流最大充放电功率为4 kW，快充功率最高为200 kW，其他参数见表2。

表2 慢充EV、FCV和ESS参数Tab.2 EV, FCV and ESS parameters

将混合整数线性规划问题转化为一般线性规划问题，并使用MATLAB中的Linprog算法进行求解。

3.2 慢充EV-FCV计划

算例中含有慢充EV、FCV和刚性负荷。日前规划周期为24 h，实时SMPC周期为15 min，控制周期内子区间时间δ=3 min(每段5个子区间)，假设惩罚因子为0.5，FCV充电的收入按固定费率1.1元/kWh计算。由于更高的SOC水平可能需要更长的等待时间，充电至SOC为0.9即可。

算例考虑了使用、不使用ESS这2种模式，与预期一致，大部分常规慢充EV充电任务都是在夜间完成的。如图5所示，在高峰时段，电网供电的大部分被馈送到FCV，其余部分被EV吸收。在16：00—18：00，净EV排放聚合器基于激励的需求响应效果对应了算例中能源价格最高的时间段。

图5 慢充EV充放电、FCV充电时间Fig.5 EV charging and discharging time and FCV charging time

实际慢充EV充放电用来吸收高峰时段快充负荷波动，如图6所示。在高峰时期，慢充EV帮助吸收快充需求负荷波动，加速FCV的充电过程，减少了充电时间，缓解了电网负荷压力。

图6 实际慢充EV充放电Fig.6 Actual EV charging and discharging

表3列出了上述算例中聚合器计划的一些重要指标的期望值。由表3可知，算例中的充电计划能有效节约成本，因为聚合器会在高峰时期减少从电网购买的电力，转向EV放电，EV收益增加，电池退化成本相对减少。

表3 算例中重要指标的期望值Tab.3 Important expected values in the examples

如果没有ESS参与，仅通过慢充EV在高峰时间放电，将导致FCV在一天中其他时间会有一些阻塞；但是，伴随着更高的阻塞率，FCV将获得更高的充电功率，充电速度更快。相反，在ESS参与的情况下，FCV充电功率略有降低，充电时间也有所增加，这是因为FCV的阻塞率较低，进入的次数较多。

2种情况下FCV的功率分布如图7所示。其中，日平均功率是一天中非零充电功率的平均值。在快充需求高峰期即15：00—21：00，所有FCV的充电功率都达到了相当一致的水平；09：00—14：00的充电功率相对较低，这是由于PL的FCV数量相对较少，充电速度快。

图7 FCV的功率分布Fig.7 Power distribution of FCV

图8说明了FCV到达、服务和阻塞趋势。从表3和图8中可以看出，在所有情况下，阻塞率相对较小，这表明所提出的方法在传统智能PL中容纳大量快充请求车辆的效率很高。同时再次验证了ESS的参与能有效降低FCV阻塞率。

图8 到达、服务和阻塞的FCV数量Fig.8 Reach numbers of FCV, services, and blocking

4 结束语

针对传统PL中加入快充车辆规划，本文介绍了一种适应适量快充比例的智能PL。该设施的运行通过3个阶段的随机规划框架实现，仿真算例结果证明该规划框架有效，且易于实施。所研究的聚合器可满足现有PL容量20%的快充需求，通过技术升级可以将现有的PL设施改造成PL-FCS综合体，大幅降低成本。该规划框架能及时且经济有效地处理各类负荷，包括慢充EV、FCV以及刚性负荷。通过提供快速的充电调节，降低了聚合器的成本和电动汽车的慢充电成本，同时减少了电网的部分快充负荷压力。