电动汽车有序充电可行性分析

卢倚平

（浙江大学 310000)

1 电动汽车的发展概述

1.1 研究背景

现阶段，能源与环境问题成为了世界范围内的主要问题。在工业时代下，汽车产业得到了飞快的发展，汽车数量的剧增，在给生活带来便利的同时，也使得地球能源和环境面临着巨大的危机。汽车消耗的石油占到了全球石油消耗量的75%左右[1]，逐渐增大的石油消耗量使得全球能源问题更加突出。另一方面，汽车产生的尾气对地球环境造成了严重污染，是目前造成大气污染的首要原因。

为减轻全球面临的能源和环境问题，世界各国己经认识到发展使用清洁能源的汽车才是未来汽车产业的正确方向。电动汽车是一种以电力作为动力源的汽车，与消耗燃油的传统汽车相比，具有低污染或无污染、能效高等优点，而且电能可通过太阳能、风能或水力发电等清洁能源获取。普及大众使用电动汽车对于解决全球能源和环境问题具有重要意义。因此，大力发展电动汽车，成为全球各国汽车产业的主要发展方向。

1.2 电动汽车的国内外发展现状

过去的5年里，全球电动汽车市场正以很快的速度增长，电动汽车产销量均明显提升。2017年全球电动汽车销量达到122.3万辆，较2012年的12.2万辆实现了巨大提升。其中中国、美国、挪威、德国与法国成为了全球销量前5名的大国（图1）。

图1 全球新能源乘用车2017年与2016年销量对比

从国外电动汽车发展历程来看，各国政府采取的技术路线并不同[2]。在产业化方面除经济扶持、政策优惠和法规强制外，还通过示范运营、加强基础设施建设、优惠租赁、政府采购和节能环保宣传等手段，保证生产、研发及销售等各环节协调发展。同时，各国扶持电动汽车产业的政策都根据不同经济阶段的实际需求而进行动态调整，使产业发展顺利由政府推动过渡到市场推动，为我国电动汽车发展提供了宝贵经验。

我国作为全球第二大电动汽车市场，近年来在政府的强力推动下，电动汽车的产量和销量均实现了巨大的飞跃，但我国电动汽车目前也存在很大的发展瓶颈。首先，电动汽车的研发和产业化等各环节涉及多个管理部门，而目前的政策缺乏统筹协调和延续性。其次，当前我国在汽车车载能源系统、驱动系统及整车控制系统等技术上，与国外比仍存在较大差距，汽车产品成熟度不高，可供市场选择的车型较少，缺乏竞争优势。最后，充电基础设施建设还不是很完备，消费者对电动汽车的认同度也不是太高。

2 电动汽车续航里程预测

电动汽车续驶里程预测，可用于在制定电动汽车有序充电策略过程中，确定用户的出行需求，根据用户到达充电站时的SOC判断当前电量是否满足用户下次出行需求，确定本次是否为电动汽车进行充电。根据文献[3]介绍，可以通过采用模糊聚类算法来对行驶工况片段进行模糊聚类分析，进而得到电动汽车行驶工况识别，然后就可以对电动汽车的续航里程进行预测（图2）。

图2 电动汽车续驶里程预测流程

电动汽车续驶里程预测过程中，对电动汽车行驶片段的历史数据，利用己知的各工况聚类中心进行识别，计算电动汽车各工况的比例，读取当前电动汽车SOC及各工况的平均耗电量，从而计算电动汽车的续驶里程。计算方式如公式1所示。

其中,Ss为电动汽车当前SOC，Q为电动汽车的电池容量，Xi为各工况的片段数，Wi为各工况的耗电量,其中i=1,2,...,12。详细计算，当SOC=0.2时，续航里程为17 km。该数据将用于以下有序充电的程序编写过程。

3 电动汽车有序充电策略

本文提出的电动汽车有序充电策略采用双层模型[4]，分为用户侧模型及电网侧模型。其中，用户侧模型根据之前的电动汽车续驶里程预测方法计算电动汽车的充电量。电网侧模型基于局域配电网的负荷状况，考虑用户充电的便利性，以电动汽车下次出行的里程长短优先级，电动汽车用户所用的钱最少以及局域配电网负荷峰谷差最小为调度目标函数，对电动汽车充电进行规划和调度。调度优先级别为，局域配电网负荷峰谷差最小优先于下次出行里程长短，优先于电动汽车用户所消费的电价。

3.1 用户侧模型

设用户响应充电时间调控的概率为p。用户侧模型的主要目的为，在满足用户下次充电前出行需求的基础上，以电动汽车动力电池容量衰退最小为目标，确定电动汽车的充电量。在用户到达充电站开始充电前,由用户输入当前时间T_in，电动汽车当前的SOC记为Ss，预计驶离充电站的时间T_out，及其预计行驶里程L。

根据电动汽车当前SOC，利用公式(1)计算当前SOC下电动汽车续驶里程预测值L1。SOC为20%时电动汽车的续驶里程L2=17 km。若L1＞L+L2，表明当前电量充足（模型中预留了20%的电量）。若在电动汽车电量充足情况下，由电动汽车用户来决定是否还要充电（设定用户决定充电的概率为p0），若决定充电，则该次充电为电动汽车充满电。在充电时间充足的情况下，则该次充电过程的充电量如公式(2)所示。若决定不充，则该次不对电动汽车充电。

若L1＜L+L2，表明当前电量不充足。由用户决定是否接受调控的充电量，若不接受，则与上述流程类似，为用户的电动汽车充满电。若接受，则该次充电量如公式(3)所示。其中，P汽车等于25.6 kWh。

接着，由用户决定是否愿意接受充电时间的调控（概率为p），若不接受时间调控，则立即开始为电动汽车充电，若接受，则将充电数据输入电网侧模型,对用户充电时间进行调控。总的有序充电用户侧的模型如图3所示。

图3 电动汽车有序充电电网侧模型

3.2 电网侧模型

该层模型的优化目标是在满足用户出行规律的基础上，按照调度的优先级，对电动汽车的充电时间进行调控。只要用户接受对于电动汽车充电时间的调控，上层用户侧模型即把充电量数据和行驶里程L输入电网侧模型；若用户不接受充电时间的调控，则电网侧模型不对用户充电时间进行优化，仅更新局域配电网的负荷数据。

局域配电网当日负荷曲线一般根据该局域配电网的历史负荷数据预测得到。将一天分为96个时段，则每个负荷点的时间间隔为15 min。局域配电网的原始负荷大小为P_load，另外，设电动汽车的充电过程为恒功率充电，充电功率为△P=3 kWh。电动汽车有序充电电网侧模型如图4所示。

图4 电动汽车有序充电电网侧模型

3.3 优化函数三个目标的说明

局域配电网负荷峰谷差最小，设第k个时段内正在充电的电动汽车总负荷为Pk，共有n辆电动汽车在同时进行充电，则如公式(4)所示。

因此，在第k个时段内，局域配电网的总负荷Psumk是局域配电网原始负荷Pk与该时段内电动汽车充电负荷Pk的叠加。

在用户停车时间段(T_in至T_out)，以配电网负荷峰谷差最小为目标1。

用户需求（对充电时间的渴望程度），如公式7所示，L1-L2为考虑预留20%电量时电动汽车的续航里程，L为下一个时间段电动汽车需要行驶的路程。当L1-L2较低，或者下一个时间段需要行驶的路程L较大时，Wn就会越小，这表明此时该电动汽车用户的充电需要比较急切，因此要优先满足该用户的充电需求。

如公式(8)所示，为用户所用电费最小的计算方法。

4 有序充电仿真算例

4.1 算例设计

以配电网某220 V节点下的负荷为例进行分析，该节点一天的电价变化如表1所示[5]。

表1 局域配电网负荷数据

4.2 算例结果

设定无序充电的情境为一旦用户有充电需求，则立刻为该电动汽车连入配电网进行充电。为了与电动汽车有序充电的结果进行对比，本文同时对电动汽车无序充电的情况进行了仿真模拟[6]，采用多目标粒子群算法进行多目标优化的结果（图5）。

图5 电动汽车充电负荷曲线对比

如表2所示，列出了100台电动汽车投入到电网后，分别用无序充电和有序充电2种充电模式，所花费的充电成本和电网负荷的峰谷差与日负荷的方差值。

表2 100台电动汽车无序充电和有序充电结果比较

如图6所示，给出了用户响应率为0.3、0.5和0.7时的配电网负荷曲线。

图6 不同用户响应率下局域配电网负荷曲线

从图中可以看出，随着用户响应率的增加，充电负荷被转移到一天中负荷较低点越多。同时，充电负荷在进一步的下降。当用户响应度高的时候，有序充电对于缓解局域配电网峰谷差的效果会更加明显。

通过实现对电动汽车续航能力的预测，以及考虑用户的出行规律和满足配电网的负荷状况，制定了兼顾电动汽车用户和配电网的电动汽车有序充电模型。该模型主要包括有序充电优化目标、充电约束条件及配电控制流程，然后利用多目标优化算法对提出的充电优化目标进行求解。最后，利用一个实际算例对电动汽车有序充电策略进行模拟。仿真结果表明，对于用户，很大程度可以满足用户的充电急迫需求，并减少充电花费。对于配电网，可以有效削峰填谷，使配电网更加稳定。当用户响应度越高且连入配电网的电动汽车越多时，其对配电网负荷曲线的改善能力越有效。

5 结论及展望

5.1 总结

随着电动汽车的规模化应用，电动汽车无序充电会给配电网的安全和经济运行带来新的困难和挑战，因此，研究电动汽车有序充电策略具有很重要的现实意义。有序充电是指当电动汽车接上电源后，在满足电网约束条件以及用户使用客观需求的条件下，由调度中心控制开始充电的时间以及电动汽车充电功率的大小，车主不能主观改变任意时刻的充电曲线。

目前我国的电动汽车发展仍不成熟，车载能源系统、驱动系统及整车控制系统等技术上与国外比仍存在较大差距，汽车产品成熟度不高，需要在各种方面借鉴国外先进经验。通过进行实际分析，得到了电动汽车续航里程的预测方法，并将其运用到电动汽车有序充电策略的计算中。

并在此基础上提出了用户侧和配电网侧的电动汽车有序充电双层模型。用户侧模型根据电动汽车续驶里程预测方法计算电动汽车的充电量。电网侧模型基于局域配电网的负荷状况，对电动汽车充电进行规划和调度。学习了改进的多目标优化粒子群算法[7]，采用了更优全局向导的寻找策略[8-9]。并在实例模拟中仿真来验证有序充电的可行性。

5.2 展望

本文对于解决电动汽车规模化应用后的配电网负荷问题有一定帮助。但由于在实例模拟仿真中，电动汽车的数据量比较少，因此本文对于电动汽车有序充电策略的研究仍是不完整的，还有很多可以完善和提高的地方。例如，本文中的电动汽车续航里程预测方法中，在参考的文献中只是考虑了比亚迪车型的一些工况参数以及少数用户的驾驶行为，而不同型号的汽车以及不同用户的驾驶行为是存在差异的，因此需要建立一个比较完备的，适用于大部分情况的电动汽车续航里程预测模型。

本文提出的电动汽车有序充电策略主要体现在时间尺度上的调度，而没有考虑对电动汽车充电进行空间尺度上的调度。随着电动汽车的普及，某个区域中充电桩的数目往往不够，因此单纯从时间尺度上去进行调度是不够合理的。只有实现了电动汽车在时间尺度和空间尺度的联合调度，才能使有序充电策略在实际中得到更好的开展和应用。

[1]何盼盼,曹以龙.电动汽车充电机充电策略设计[J].上海电力学院学报,2015,31(01):11-14.

[2]刘卓然,陈健,林凯,赵英杰,许海平.国内外电动汽车发展现状与趋势[J].电力建设,2015,36(07):25-32.

[3]莫智文,舒兰,许彪.模糊数学理论及其应用评述[J].四川师范大学学报(自然科学版),1998(03):82-87.

[4]苏粟,刘紫琦,王世丹,杨恬恬,胡勇,张仁尊,李玉璟.基于用户驾驶行为特性的电动汽车有序充电策略[J].电力自动化设备,2018,38(03):63-71.

[5]蒋小维.基于改进遗传算法的电动汽车有序充电控制策略研究[D].湖北工业大学,2016.

[6]黄润,周鑫,严正,顾洁.计及电动汽车不确定性的有序充电调度策略[J].现代电力,2012,29(03):57-63.

[7]倪庆剑,邢汉承,张志政,王蓁蓁,文巨峰.粒子群优化算法研究进展[J].模式识别与人工智能,2007,20(03):349-357.

[8]阳春华,莫志勋,李勇刚.基于改进粒子群优化算法的约束多目标优化[J].计算机工程,2010,36(20):203-205+213.

[9]薛洪波,伦淑娴.粒子群算法在多目标优化中的应用综述[J].渤海大学学报(自然科学版),2009,30(03):265-269.