一種電動汽車充電站的充電調度方法與流程

2023-05-03 23:58:31

本發明涉及電動汽車充電領域，更具體地，涉及電動汽車充電站的充電調度方法。

背景技術：

近年來，由於化石能源資源有限，且汙染較大，使得新能源受到廣泛關注。新能源由於其汙染小、資源不受限等優點，成為目前較好和有潛力的一種發電方式。但其由於受天氣影響而普遍存在的隨機性使其對電網的可靠運行產生了不可忽視的影響。以風能發電為例，風能的大小受時間段的影響很大，可能在電網高負荷時出現低出力，也可能在電網低負荷時出現高出力。這種隨機性導致其具有反調峰性。由於我國目前電網的調度方式以確定性調度為主，導致我國目前的棄風現象比較嚴重。據統計，2015年上半年我國風電棄風電量達到175億kWh[1]。同時，電動汽車由於其消耗電能無尾氣排放等優點得到迅速發展，越來越多的集成到電網充電獲得電能。截至2014年底，全國共建成充換電站780座，交直流充電樁3.1萬個，為超過12萬輛電動汽車提供充換電服務。到2020年，有望建成滿足超過500萬輛電動汽車充電需求的充電基礎設施體系[2]。因此，綜合協調新能源發電與電動汽車電能轉換，充分利用風電出力、抵消供需兩側隨機性，成為未來電網綠色發展的一個方向。

目前的研究工作主要集於研究電動汽車的負荷聚集效應，對於汽車的個體充電行為還沒有進行有效的研究。隨著充電設施的日益普及，對單個汽車的優化充電策略亟需研究。

技術實現要素：

本發明提供一種克服上述問題或者至少部分地解決上述問題的電動汽車充電站的充電調度方法。

根據本發明的一個方面，提供一種電動汽車充電站的充電調度方法，包括：

S1、基於初始時刻的新能源發電站的有功發電功率和每個電動汽車的充電行為對應的充電量以及剩餘充電時間，對充電站和新能源發電站所在的配電網區域進行潮流分析，獲得配電網區域的有功網損；

S2、基於當前時刻的所述新能源發電站的有功發電功率以及所有所述充電行為的總充電功率，獲得充電功率和有功發電功率的匹配度；以及

S3、基於所述有功網損和匹配度，獲得第一充電調度模型，遍歷當前時刻所有可能的充電行為，將使所述第一充電調度模型值最小的充電行為，作為當前時刻的充電策略。

本申請提出一種電動汽車充電站的充電調度方法，通過建立電動汽車負載與新能源出力之間的匹配度以及配電網系統的網絡損耗的充電調度模型，在使電動汽車充電與新能源出力實現最大匹配的同時，兩者所在配電網區域的網絡損耗也可以維持在一個相對較低的範圍，既充分利用了不穩定的新能源，同時對降低配電網系統的網損也起到了積極的作用，保證了每一時段的充電策略在多時間尺度下的最優性。

附圖說明

圖1為根據本發明實施例的一種電動汽車充電站的充電調度方法的流程圖；

圖2為根據本發明實施例的優化調度流程圖；

圖3為根據本發明實施例的IEEE 5節點配電網的結構示意圖；

圖4為根據本發明實施例的基本策略下的24小時內電動汽車充電序列示意圖；

圖5為根據本發明實施例的基本策略下24小時內電動汽車充電所需功率與風力發電站發出功率的變化曲線圖；

圖6為根據本發明實施例的只考慮網損最小的24小時內電動汽車優化充電序列示意圖；

圖7為根據本發明實施例的只考慮網損最小的24小時內電動汽車充電所需功率與風力發電站發出功率的變化曲線圖；

圖8為根據本發明實施例的只考慮匹配度最大的24小時內電動汽車優化充電序列示意圖；

圖9為根據本發明實施例的只考慮匹配度最大的24小時內電動汽車充電所需功率與風力發電站發出功率的變化曲線圖；

圖10為根據本發明實施例的IEEE30節點配電網系統中接入風力發電站和電動汽車充電站的配電網絡接線圖；

圖11為根據本發明實施例的IEEE 30節點不同控制策略下電動汽車充電功率變化曲線圖。

具體實施方式

下面結合附圖和實施例，對本發明的具體實施方式作進一步詳細描述。以下實施例用於說明本發明，但不用來限制本發明的範圍。

圖1示出了本發明實施例的一種電動汽車充電站的充電調度方法的流程圖，包括：

S1、基於初始時刻的新能源發電站的有功發電功率和每個電動汽車的充電行為對應的充電量以及剩餘充電時間，對充電站和新能源發電站所在的配電網區域進行潮流分析，獲得配電網區域的有功網損；

S2、基於當前時刻的所述新能源發電站的有功發電功率以及所有所述充電行為的總充電功率，獲得充電功率和有功發電功率的匹配度；以及

S3、基於所述有功網損和匹配度，獲得第一充電調度模型，遍歷當前時刻所有可能的充電行為，將使所述第一充電調度模型值最小的充電行為，作為當前時刻的充電策略。

本發明提出一種電動汽車充電站的充電調度方法，通過建立電動汽車負載與風電出力之間的匹配度以及配電網系統的網絡損耗的充電調度模型，在使電動汽車充電與新能源出力實現最大匹配的同時，兩者所在配電網區域的網絡損耗也可以維持在一個相對較低的範圍，既充分利用了不穩定的新能源，同時對降低配電網系統的網損也起到了積極的作用。

本發明中的新能源包括但不限於風能、水能或者太陽能，出於理解難度的考慮，以下實施例均以風力發電站進行描述。

電動汽車充電調度事件是一個離散隨機系統，且該系統未來的狀態只與當前時刻狀態和決策者的動作有關，而與當前時刻之前的狀態和行為無關，即無後效性。因此本發明將利用馬爾科夫決策過程構建電動汽車充電調度模型。

首先將系統狀態空間定義為St＝[Wt,Ytk]，其中t＝1,2,…,T，k＝1,2,…,N，N表示配電網區域內電動汽車的數量，Wt表示風力發電站在t時刻產生的有功發電功率，Ytk表示第k輛電動汽車在t時段的電動汽車停車事件。該停車事件Ytk可由兩個狀態變量和表示，分別表示第k輛電動汽車在t時段的剩餘充電時間和所需電能。

其次，將系統的行為空間定義為該行為表示電動汽車在t時刻的充電行為。當時表示第k輛電動汽車在t時刻被安排充電，否則當前電動汽車大多採用恆功率充電方式，且恆功率充電可延長電池壽命，因此本發明中所有電動汽車均為恆功率充電。第k輛電動汽車在t時刻的充電電能表示為：其中p表示電動汽車的充電功率，Δt表示時間間隔。

基於上述系統狀態空間和行為空間的描述，當前時刻的電動汽車充電事件和下一時刻電動汽車的充電事件具有如下關係：

上式表示電動汽車處於停車狀態、t時刻處於行駛狀態而t+1時刻處於停車狀態、處於行駛狀態三種情形下電動汽車的剩餘充電時間L和所需電能E的狀態轉移方程。

其中，和滿足：

式3中，和分別表示第k輛電動汽車在t時刻處於行駛狀態而在t+1時刻處於停車狀態時，在t+1時刻的剩餘充電時間和所需電能。表示第k輛電動汽車在t時刻處於停車狀態，反之和的變化範圍由式3確定，其中g1表示從停車時刻起到停車結束所需要的Δt的數量，g2表示從停車時刻起到電動汽車完成充電過程所需要的最少Δt的數量。

為了最大限度地利用風能，減少棄風現象，本發明首先考慮了t時刻電動汽車充電功率與風力發電站發出功率之間的匹配問題，這裡用匹配度來衡量匹配效果。匹配度越高，表明t時刻電動汽車充電所需電量能夠更多地由風力發電站來提供，定義如下：

其中表示t時刻配電網區域內所有電動汽車的總充電功率，其定義如下：

本發明考慮的風力發電站是併網運行的，因此考慮配電網的輸電成本是有必要的，這裡用配電網區域內的有功網損來衡量，用Ptloss表示，定義如下：

其中，Pti和分別表示t時刻節點i的有功功率和無功功率，Ui表示t時刻節點i的電壓，Rij表示節點i和j之間線路的電阻，X表示節點總數。節點的概念，是電力系統裡最基本的概念，所謂節點，不會考慮具體這個節點裡有多少負荷。只考慮這個節點上，進來多少功率，出去多少功率。

在一個實施例中，本發明提供的第一充電調度模型的表達式為：

其中，Ct表示t時刻的第一充電調度模型；λ為表示調度參數，取值介於0至1之間，Ptloss和Mt為模型中的兩個優化目標。

基於第一充電調度模型可以根據當前時刻電動汽車的狀態來確定這一時段電動汽車的充電策略，但是該策略並沒有考慮所制定充電策略對未來電動汽車充電行為的影響。一方面，風力發電具有隨機性，在建立調度目標時需考慮風電的隨機性；另一方面，僅考慮當前時刻的充電行為可能會導致電動汽車缺乏全時間段的協調優化，造成未來可能的線路過載等問題，從而在連續時間段內來看每一時段的充電策略並非是最優的。

在一個實施例中，配電網的安全運行不可避免需要對電力的使用環境進行多項約束，本發明需要在滿足以下5種約束條件下才能保證充電策略的安全：

(1)電動汽車充電功率的約束：

為了保證t時段第k輛電動汽車所需充電能量不超過電池本身的最大容量值，因此有：

其中，Ecap表示電動汽車的電池容量。

此外，t時段第k輛電動汽車的所需充電能量不得超過其在停車時間內所能接入的最大充電電量，做定義如下：

(2)火電廠發電功率的約束：

在本模型中，t時刻火力發電廠發出的電能用於當風力發電站所產生的風能不足以滿足負荷用電需求時向負荷提供電能，用PtG表示。其滿足的約束條件為：

其中，和分別表示火力發電廠的有功發電功率的最大值和最小值，和分別表示火力發電廠的無功發電功率的最大值和最小值。

(3)潮流等式約束：

其中，PtGi和分別表示t時刻節點i注入的火力發電機的有功功率和無功功率；PtWi和分別表示t時刻節點i注入的風力發電機的有功功率和無功功率；PtLi和分別表示配電系統中t時刻節點i的有功負荷功率和無功負荷功率，Vti和Vtj分別表示t時刻節點i和節點j的電壓，表示t時刻節點i和j之間的相角差，Gij和Bij分別表示節點導納矩陣第i行第j列元素的實部和虛部。

(4)節點電壓約束：

其中，和分別為配電系統中節點i電壓幅值的上下限。

(5)有功潮流約束:

其中，Ptl表示配電系統中t時刻線路l的有功潮流，和分別表示線路l的有功潮流的上下限值。

由於潮流計算是電力系統穩定運行所必須的，這個計算是在滿足約束中的2，3，4，5的情況下進行的，計算可得出當這些電動汽車接入電網充電時，線路上流過的潮流是否滿足約束5，各節點電壓是否滿足約束4，運行是否滿足約束3，火電廠出力是否滿足約束2。

眾所周知，電動汽車充電和風能出力是隨機的，也就是未來是不可預知的，但是，不考慮未來的情況，只在當前時刻已有條件下制定最優策略，在當前來看是最優的，從大的時間尺度來看，未必是最優的。根本原因在於這兩個事件的隨機性以及前後時刻狀態之間的關聯性。

因此，考慮將T小時的第一充電調度模型Ct的期望值作為電動汽車多時間尺度隨機調度模型的充電調度模型，具體定義如下：

其中，E表示求大括號裡的期望值，S1表示模型的初始系統狀態空間。

在解決多時間尺度問題時，通常的做法是將某一時間尺度內第一充電調度模型的期望值作為充電調度模型來考慮，但是該方法需要採用公式15遍歷每一種可能出現的充電策略，隨著電動汽車數量的增大，策略生成的計算複雜度增高，遭遇維數災難(dimension curve)問題，通過目前的計算機來仿真需要耗費很長的時間。

為了克服上述問題，本發明基於蒙特卡洛模擬的方法，考慮了一種大量路徑下基於基本策略的方法(也稱為Rollout方法)來模擬對未來時刻充電行為的影響。之所以採用蒙特卡羅模擬，其原因是本發明模型的未來時刻的值並不存在解析式，而且在大量模擬條件下誤差小到忽略不計。

路徑表示在不同初始狀態下採取基本策略而得到的系統狀態序列。對電動汽車用戶來說，即停即充符合人們的日常使用習慣，因此本發明選取了電動汽車停車後便開始充電直至電量充滿這一事件作為在預測未來時刻電動汽車充電行為時的基本策略。

假設路徑總數為Z，未來時刻電動汽車的充電行為即t時刻之後的充電行為用表示，它能估計第一充電調度模型中的期望運算算子，表達式為：

其中和分別表示第z條路徑下第q時間段內的系統狀態變量和行為變量，表示第z條路徑下第q時間段內電動汽車按照基本策略進行充電時的第一充電調度模型。

比如t+1時刻，按照概率分布的方法，產生100不同的個電動汽車的停車事件和風能出力的樣本數據，在這些不同數據的條件下，電動汽車採用基本策略充電。這就是100條路徑。每一條路徑都要去按照公式7計算第一充電調度模型，除以100便得到了未來時刻的模擬值。

為了通過比較來選出每一時段最優的充電策略，需要對每一種可能的充電行為進行遍歷求解。由於新的充電調度模型應包含當前時刻電動汽車充電調度策略對未來充電行為的影響，因此，在一個實施例中，本發明提供了第二充電調度模型，其表達式為：

該式表示用來評價本發明所建模型性能指標的狀態-行為對的Q因子(Q-factor)。第二充電調度模型意味著在制定當前時刻最優充電策略時，採用蒙特卡洛模擬的方法，對t時刻之後的電動汽車最優充電行為採用基本充電策略來進行近似模擬。Rollout算法則通過對每個行為的近似Q因子進行計算，得到當前狀態St的優化行為，所述優化行為即Qt值取最小時各電動汽車的充電行為，表達式為：

a＝argminQt(St,At) (18)

其中，a表示Qt值取最小時各電動汽車的充電行為。

由於所述第一充電調度模型所包含的兩個優化目標的數值並不處於同一數量級，因此在做兩個目標權重大小的分析時需要先對兩個優化目標進行處理。

在一個實施例中，本發明採用最大最小值歸一化方法對第一充電調度模型進行修正，修正後的表達式為：

其中，和表示系統網絡損耗的上下限值；Mt表示t時刻的匹配度，Mmax和Mmin表示匹配值的上下限值。網絡損耗的上限值即所有電動汽車同時接入充電時的網絡損耗，網絡損耗的下限值為電動汽車全部沒有接入電網充電，匹配度的上下限值即為1和0。

基於此，所述第二充電調度模型可被修正為：

其中，表示採用最大最小值歸一化方法處理後的值。

圖2示出了每一時段調度策略制定的具體流程，如圖2可知，

首先輸入電動汽車和風能的初始狀態信息和Wt；

將初始狀態信息輸入到配電網系統中，進行潮流分析，分析初始狀態信息是否滿足充電功率約束和配電網約束，若不符合約束條件，則更新充電策略，直至滿足約束條件；

在滿足約束條件的基礎上，計算當前時刻的Ct，採用蒙特卡洛模擬的方法估計未來時刻期望值計算當前時刻的第三充電調度模型Qt；

遍歷所有的充電策略，選擇使第三充電調度模型Qt最小的充電行為作為最優充電策略。

下面集合算例對本發明實施例中的充電調度方法進行仿真分析，本實施例中，本發明中的電動汽車的電池採用了BYD e6的參數，風力發電機採用了Vestas的參數，具體參數設置如表1所示。風力發電站的輸出功率採用韋伯分布來產生，其中的形狀參數和位置參數分別取1.309和7.0576。

表1風力發電機和電動汽車的參數設置

其中，ω表示電動汽車行駛每千米需要的電量，基於前述假設，電動汽車的出行距離e可由下式計算：

e＝ω·dk (21)

其中dk表示第k輛電動汽車的行駛距離。

通過韋伯分布產生每個時間段的風速後，風力發電站的大小可由下式來計算：

其中，Wcap表示風力發電機的額定功率，vrated表示額定風速，vcutin表示風力發電機的切入風速，vcutout表示風力發電機的切出風速。

由於電動汽車的停車事件可由它的起始停車時間和停車時間長度來描述，而停車時間長度取決於起始停車時間和所需充電功率。這裡假設本模型中所有的電動汽車停車事件的停車時間長度均服從截斷高斯分布。本模型中的高斯分布採用了文獻(S.Shahidinejad,E.Bibeau,and S.Filizadeh.Statistical development of a duty cycle for plug-in vehicles in a North American urban setting using fleet information.IEEE Transactions on Vehicle Technology,2010,59(8):3710-3719.)中的參數，電動汽車在t時刻停車的概率pt和停車時間長度的平均值μt和方差值σt如表2所示。

表2停車事件相關參數

在接下來的仿真中，本發明將模型中的參數T設置為24小時，即以一天為周期來優化電動汽車充電過程。

根據前述建立的概率分布，運用Matlab進行仿真，產生電動汽車停車事件(包括起始停車時間和停車時間長度)和各時段產生的風能。

首先採用IEEE 5節點配電網系統來驗證本發明所提模型的合理性。

圖3示出了本發明實施例的IEEE 5節點配電網的結構示意圖，如圖3所示，節點1作為風力發電站節點，節點5作為火力發電廠節點，節點2作為電動汽車充電站，其餘節點作為普通用戶群節點。

該電動汽車充電站最多可同時接入12輛電動汽車進行充電，採用如前所述的配電網5節點系統，用Matlab2015在一臺CPU為2.5GHz，內存為6GB的筆記本電腦上進行仿真。

1)按照前面所提到的基本充電策略進行充電，即只要電動汽車停車就對其充電，這種充電方法也是目前大多數用戶採取的充電策略。通過仿真得到12輛電動汽車24小時內電動汽車充電站與風力發電站之間線路的總網損為1.1961kW，電動汽車充電站所需功率與風力發電站發出功率在一天24小時內的平均匹配度為0.2037。

圖4示出了基本策略下的電動汽車充電序列示意圖，設0時刻為模型的初始狀態，汽車所需電能為9kW，所以在0到3時刻時處於停車狀態的電動汽車均接入充電樁進行充電。之後的時刻根據各個電動汽車的初始停車時間、停車時間長度和所需電能來進行充電。這種即停即充的充電方式可以保證電動汽車充電量最大化。

圖5示出了基本策略下24小時內電動汽車充電所需功率與風力發電站發出功率的變化曲線圖。由圖5可以看出，24小時內電動汽車充電站所需功率與風力發電站發出功率之間的匹配效果並不好，因此對電動汽車進行優化調度是有必要的。

在一個實施例中，採用改進的電動汽車優化調度策略，並將第三充電調度模型中的λ設置為1，即充電策略只考慮網損最小。

圖6示出了只考慮網損最小的電動汽車優化充電序列示意圖。由於此時電動汽車充電的目標考慮系統的網損最小，受配電網各時段潮流分布的約束影響，電動汽車的充電序列將會作出改變。圖6相比圖4的充電序列圖變得更為分散。雖然在一定程度上減少了電動汽車的總充電量，但保證了每輛電動汽車在當天充電結束時電池容量可以達到80％以上，滿足了用戶的出行需求。計算出此時12輛電動汽車在一天24小時內與風力發電站之間線路的的總網損為1.1703kW，匹配度為0.2601。

圖7示出了只考慮網損最小的24小時內電動汽車充電所需功率與風力發電站發出功率的變化曲線圖。由圖7可以看出，雖然電動汽車充電站與風力發電站之間線路的總網損減少了，但是匹配效果並沒有較為明顯的改善。

在一個實施例中，採用前面提到的改進的電動汽車優化調度策略，並將第三充電調度模型中λ設置為0，即充電策略只考慮電動汽車充電所需功率與風力發電站發出功率的匹配問題。

圖8示出了只考慮匹配度最大的電動汽車優化充電序列示意圖。與圖3相比，由於此時電動汽車充電時首先利用附近節點風力發電站所發出的電能，因而充電序列圖比較分散，對應於不同的風電出力，電動汽車將會根據優化調度策略改變自己的充電計劃。同樣，此時的充電策略可以保證每輛電動汽車在當天充電結束時電池容量達到80％以上，滿足了用戶的出行需求。計算得出此時12輛電動汽車在一天24小時內的電動汽車充電站與風力發電站之間線路的總網損為1.1776kW，匹配度為0.7552。

圖9示出了只考慮匹配度最大的24小時內電動汽車充電所需功率與風力發電站發出功率的變化曲線圖。由圖9可以看出，此時的匹配度與基本策略相比有了很大提高，即電動汽車充電所需功率可以很好的利用風力發電站發出的功率，而且此時24小時系統總網損相比基本策略也有所降低，與以網損最小為目標的優化調度策略下求出的網損相比，也相差不大，說明了本發明所提優化調度策略的有效性。

在上述三種情形分析的基礎上，接下來對表示網損和匹配度所佔權重大小的λ取不同數值時的情形進行了仿真，如表3所示。

表3不同權重下模型的優化結果

由表3可以看出，在本發明所提的電動汽車優化調度策略下，隨著λ取值的減小，系統的匹配度得到了提高，但網絡損耗也在增加，因此可以根據實際情況來選取權重值對電動汽車充電進行優化調度。

在一個實施例中，採用IEEE30節點配電網系統來驗證本發明所提模型的合理性。

圖10示出了本發明實施例中IEEE30節點配電網系統中接入風力發電站和電動汽車充電站的配電網絡接線圖，其中節點16、22、25、30為風力發電站的接入位置，節點15、21、24、29為電動汽車充電站，節點18表示傳統火力發電廠。每個充電站可容納30輛電動汽車同時充電。

電動汽車的停車事件依然採用上述提到的概率分布來產生電動汽車停車事件(包括起始停車時間和停車事件長度)。風力發電機和電動汽車的參數設置如表1所示。

為了分析的方便，首先假設節點16、22、25、30這四個風力發電站服從相同的韋伯分布，即不考慮地域對風力的影響。採用截斷高斯分布和卡方分布來產生節點15、21、24、29這四個電動汽車充電站共120輛電動汽車的具體充電行為。

基於IEEE 30節點配電網系統，採用前文所述的基本控制策略和以匹配度最大為目標的優化策略對電動汽車充電進行調度，圖11示出了24小時內電動汽車充電所需功率與風力發電站發出功率的變化曲線圖。

不同充電策略下24小時內29條線路的總網損和電動汽車充電所需功率與風電出力之間的平均匹配度如表4所示。

表4不同策略下的線路總網損和平均匹配度

比較上述兩種不同的控制策略，可以發現，改進的控制策略相比基本控制策略在電動汽車充電功率與風能的匹配上有了很大的提高，同時對整個區域配電網的網損也有了大幅降低，說明本發明所提的電動汽車優化充電方法可以很大限度地利用風能，降低本區域的網損。

接下來對表示網損和匹配度所佔權重大小的取不同數值時的情形進行了仿真，如表5所示。可以看出，當λ減小時，電動汽車充電與風電出力的匹配度得到了大幅提高，此時的網損相比λ較大時的網損相差並不大，說明本發明所提優化方法在提高電動汽車充電與風電出力之間匹配度的同時，也減少了整個配電系統區域內的網絡損耗。在實際電網優化調度中，可以根據電動汽車用戶需求、風力發電量以及網損經濟性等方面對兩個優化目標的權重係數進行選擇。

表5不同權重下模型的優化結果

最後，本申請的方法僅為較佳的實施方案，並非用於限定本發明的保護範圍。凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。