一種基于單元數(shù)量控制的電動汽車充換電站電池充放電策略

張華棟， 楊 明， 李建祥， 劉海波， 盧 鶴， 刁浩然

(1. 國網(wǎng)山東省電力公司， 山東 濟南 250001； 2. 電網(wǎng)智能化調(diào)度與控制教育部重點實驗室，山東大學(xué)， 山東 濟南 250061； 3. 國網(wǎng)山東省電力公司電力科學(xué)研究院， 山東 濟南 250001)

一種基于單元數(shù)量控制的電動汽車充換電站電池充放電策略

張華棟1， 楊 明2， 李建祥3， 劉海波3， 盧 鶴2， 刁浩然2

(1. 國網(wǎng)山東省電力公司， 山東 濟南 250001； 2. 電網(wǎng)智能化調(diào)度與控制教育部重點實驗室，山東大學(xué)， 山東 濟南 250061； 3. 國網(wǎng)山東省電力公司電力科學(xué)研究院， 山東 濟南 250001)

電動汽車充換電站兼顧電力系統(tǒng)電源與負(fù)荷的雙重屬性，因而，充分挖掘其柔性、靈活的供需電特性，對其做出合理的充換電決策，具有十分重要的現(xiàn)實意義。傳統(tǒng)的充放電控制策略以連續(xù)的充電電量為決策變量，然而，受電池荷電狀態(tài)與數(shù)量限制，此類模型的最優(yōu)解往往難以與現(xiàn)實對應(yīng)。由此，基于日前分時電價，本文提出雙向能量交換下以電池充放臺數(shù)為決策變量的充換電站充放電二階段優(yōu)化控制方法，方法第一階段以充換電站運行的最小支出費用為目標(biāo)，在其基礎(chǔ)上，第二階段以站內(nèi)滿充電池數(shù)量最大為目標(biāo)尋求最優(yōu)充換電策略。以實際山東焦莊充換電站為例，比較了無序充電與本文有序充放電的充電負(fù)荷及費用支出，分析了本文提出的以電池充放臺數(shù)為決策變量和傳統(tǒng)方法以連續(xù)充電電量為決策變量的優(yōu)化結(jié)果的區(qū)別，驗證了本文提出方法的有效性。

電動汽車；充換電站；電池充放電；電池臺數(shù)；二階段優(yōu)化

1 引言

發(fā)展電動汽車涉及環(huán)境保護、優(yōu)化能源結(jié)構(gòu)等國家戰(zhàn)略問題，受到了多國政府的高度重視和大力支持[1]。大規(guī)模電動汽車接入電網(wǎng)，一方面，將對電力系統(tǒng)的運行和規(guī)劃產(chǎn)生不容忽視的影響；另一方面，可以對充電負(fù)荷實施有序控制，甚至利用電池放電向電網(wǎng)運行提供支撐[2]。電動汽車充換電站是銜接電網(wǎng)與電動汽車之間的關(guān)鍵橋梁[3]，充分利用充換電站功率需求的柔性，研究其有序充換電策略，具有十分重要的現(xiàn)實意義。

電動汽車的充電模式可分電池充電(充電)和電池更換(換電)兩種[4]。其中，換電模式具有操作方便、用戶體驗好、易于統(tǒng)一管理等特點，是最主要的電動汽車電能補給方式。在換電模式下，電動汽車充換電站可利用電池的儲能特性，在電價低谷期對電池進行集中充電，降低充電成本；在滿足換電需求的前提下，其還可以在電價高峰期向電網(wǎng)出售電能，獲取賣電收益。上述有序充換電策略不僅可以對電網(wǎng)負(fù)荷起到良好的移峰填谷作用，而且有效降低了充換電站的充電成本，提高了充換電站運營的經(jīng)濟效益[5,6]。

目前，針對電動汽車充換電站充放電優(yōu)化控制決策，許多學(xué)者開展了富有成效的研究。文獻[6]考慮了大規(guī)模電動汽車用戶的無序充電行為容易對電網(wǎng)造成“峰上加峰”等影響，以充換電站各時刻的充電功率為決策變量，建立多目標(biāo)調(diào)度數(shù)學(xué)模型，采用自適應(yīng)變異的粒子群算法對其求解，得出次日優(yōu)化充電計劃。文獻[7]建立了以配電網(wǎng)網(wǎng)損最小為目標(biāo)的電動汽車充電優(yōu)化模型，考慮了電壓幅值等約束，采用迭代修正節(jié)點電壓的方法求解凸二次規(guī)劃模型，運算速度可滿足在線運行的要求。文獻[8]提出建立最小化網(wǎng)絡(luò)損耗和提高負(fù)荷因數(shù)的雙層目標(biāo)，利用隨機規(guī)劃方法優(yōu)化充電方式。文獻[9]考慮公交車的運行規(guī)律和耗電特性等因素，定量分析了車輛的日換電需求，以充電成本最小為首要目標(biāo)，分別建立了兩階段和雙目標(biāo)優(yōu)化充電模型。文獻[10]基于電價預(yù)測，利用動態(tài)規(guī)劃法優(yōu)化各電池的充電時間，在不影響電池性能的前提下，降低了總充電成本。需要注意的是，以上控制策略均假設(shè)電動汽車電池的連續(xù)充電電量在充電過程中是完全可控的，未能深入考慮實際電動汽車的充電特性受電池容量、離散的電池數(shù)量和充電樁數(shù)量的限制，其得出的最優(yōu)解往往在現(xiàn)實中難以實現(xiàn)[11]。

由此，本文基于分時電價機制，提出了雙向能量交換模式下以離散的電池充放臺數(shù)為決策變量的充換電站二階段優(yōu)化模型。其中，第一階段以充換電站的支出費用最小為目標(biāo)進行優(yōu)化；第二階段在第一階段的求解基礎(chǔ)上，選取使?jié)M充電池數(shù)量最大的充放電計劃為模型的最優(yōu)控制策略。算例基于實際山東焦莊充換電站的運營數(shù)據(jù)，比較了無序充電與本文提出的有序充放電情景下的充電負(fù)荷及費用支出，分析了以離散的電池充放臺數(shù)為決策變量與以連續(xù)的充電電量為決策變量的優(yōu)化結(jié)果的區(qū)別，驗證了方法的實用性及有效性。

2 充換電站充放電優(yōu)化控制方法

2.1 背景介紹

電動汽車充換電站是集充放電功能與換電功能于一體的大型電動汽車服務(wù)設(shè)施。換電服務(wù)模式下，其以滿充電池與電動汽車用戶進行電池交換來滿足用戶的換電需求，并根據(jù)交換電池所含的電能差取得收益。完成電池交換后，充換電站將電動汽車用戶換下來的入站電池通過充電設(shè)備進行充放電操作，其換電過程如圖1所示。

圖1 換電過程示意圖Fig.1 Figure of power exchange

圖1中，充換電站的換電過程被劃分為M個離散時段。由于實際電動汽車的入站時間是隨機、難以掌控的，為方便分析，本文假設(shè)充換電站在距電動汽車入站時間最近的下一時段的起點完成對入站電池與滿充電池的交換并繼而安排入站電池的充放電計劃。

2.2 電動汽車電池荷電狀態(tài)離散化

建立以電池充放臺數(shù)為決策變量的優(yōu)化控制模型，首先，要將電池荷電狀態(tài)離散化成不同的等級，且電池荷電等級數(shù)量需控制在調(diào)度可接受的范圍

內(nèi)。由于電動汽車鋰電池的充放電過程可視為恒功率充放過程[12]，在單位時間步長內(nèi)充電樁功率及充放電模式確定的情況下，通過模擬電池充放電過程，可實現(xiàn)電池荷電狀態(tài)(State of charge, SOC)的離散化。

電池荷電狀態(tài)定義為：在相同的放電倍率下，電池的可放電量與電池的額定容量之比[13]，即

(1)

式中，Qd為電池的剩余電量；Qt為電池的額定容量。容易理解，當(dāng)電池滿充，即達到充電截止電壓時，SOC為100%；電池放電結(jié)束，即達到放電截止電壓時，其SOC為0%。

電動汽車電池充放電過程模擬如圖2所示。假設(shè)電池電量共被劃分為k個不同的荷電等級，j(j=1,2,…,k)為電池的某一荷電狀態(tài)等級標(biāo)識，其可經(jīng)單時段充電操作后到達jc(jc=1,2,…,k)荷電等級狀態(tài)，又可由cj(cj=1,2,…,k)荷電等級狀態(tài)的電池進行單時段充電得到。同理，若電池電量處于j荷電等級狀態(tài)，其既可由dj(dj=1,2,…,k)荷電等級狀態(tài)的電池進行單時段放電得到，又可經(jīng)單時段放電操作后到達jd(jd=1,2,…,k)荷電等級狀態(tài)。將荷電狀態(tài)標(biāo)識按照SOC的大小排序，即SOC1代表電量為0%的電池，SOCk代表SOC為100%的電池，SOCj表示荷電等級標(biāo)識為j的電池的荷電狀態(tài)。進而，設(shè)N1為空電電池的數(shù)量，Nk為滿充電池的數(shù)量，Nj表示荷電等級標(biāo)識為j的電池的數(shù)量。

圖2 電動汽車電池充放電過程示意圖Fig.2 Electric vehicle battery charging and discharging process

2.3 傳統(tǒng)模型

對于傳統(tǒng)的以連續(xù)充放電電量為決策變量的電動汽車充換電站充放電優(yōu)化控制，目前已有較多研究，其模型可表述為：

(2)

由模型可以看出，傳統(tǒng)方法以充換電站運行的經(jīng)濟最優(yōu)為目標(biāo)，其考慮了總電量約束、充換電站功率約束及用戶換電電量的需求約束，但沒有考慮充換電站充電電量與用戶換電電池數(shù)量以及充換電站充電電量與換電電池荷電狀態(tài)之間的耦合關(guān)系。然而，在實際中，充換電站的充放電決策實質(zhì)是對不同時段內(nèi)電池充放臺數(shù)的控制決策。而對充電電量的優(yōu)化決策最終要通過離散電池的充放電實現(xiàn)，顯然，不考慮電池荷電狀態(tài)和數(shù)量的傳統(tǒng)模型最優(yōu)化解，在現(xiàn)實中可能無法得到可行的電池充放電方案。

2.4 基于電池充放臺數(shù)的二階段優(yōu)化模型

在雙向能量傳輸模式下，本文提出了一種以電池充放臺數(shù)為決策變量的二階段優(yōu)化控制模型。其中，第一階段優(yōu)化以充換電站總支出費用最小為目標(biāo)；第二階段優(yōu)化則在第一階段的求解基礎(chǔ)上，選取最大化滿充電池數(shù)量的解為最終的優(yōu)化決策，具體模型如下。

(1)目標(biāo)函數(shù)

第一階段優(yōu)化以充換電站運行的經(jīng)濟性為目標(biāo)，即向電網(wǎng)支出的總電費fs最少。將電池荷電狀態(tài)離散后，式(2)的目標(biāo)函數(shù)可表示為：

(3)

考慮到各時段起點時的滿充電池數(shù)量越多，充換電站應(yīng)對用戶的換電需求的能力越強，因而，在第一階段經(jīng)濟性最優(yōu)的基礎(chǔ)上，第二階段優(yōu)化以最大化各時段起點處的滿充電池數(shù)量之和fx為目標(biāo)，如式(4)所示：

(4)

為保證第一階段優(yōu)化效果，第二階段優(yōu)化過程需要以第一階段優(yōu)化后的最小支出費用為約束，即充換電站的費用支出不大于第一階段優(yōu)化后的費用支出R，其表示為：

(5)

(2)約束條件

1)充換電站電池總量約束

(6)

2)用戶換電需求約束

用戶換電需求約束要求充換電站在t時段起點的滿充電池數(shù)量不小于在t時段預(yù)測的用戶換電需求數(shù)量。本文采用設(shè)置概率置信度的方式來滿足用戶的換電需求，方法如下：首先，將用戶的換電需求分為多個電量區(qū)間，并將其按由小到大依次排序，設(shè)置η為概率置信度，P(s)為用戶換電需求電量區(qū)間為s的概率，從換電需求量最低的區(qū)間開始累加，直至概率總和達到置信度，并將最后一個區(qū)間記為q，則該區(qū)間q即為需要滿足的用戶換電需求電量，基于歷史經(jīng)驗統(tǒng)計，可得到該換電需求區(qū)間q對應(yīng)的換電電池數(shù)量及荷電等級狀態(tài)，從而設(shè)置約束，如式(7)和式(8)所示：

(7)

(8)

3)換電站充電樁數(shù)量約束

(9)

式中，Npum為充換電站充電樁的個數(shù)。該約束表示在t時段充換電站同時對電池進行充放電的數(shù)量不大于充換電站內(nèi)充電樁的數(shù)量。

4)可操作的電池數(shù)量約束

(10)

該約束表示，t時段對荷電等級標(biāo)識為j的電池充電操作數(shù)量和放電操作數(shù)量的和不大于t時段荷電等級標(biāo)識為j的電池數(shù)量。

5)電池容量約束

(11)

6)充電樁功率約束

(12)

式中，pmax為充換電站充電樁的最大充放電功率，即額定充電功率；ppum為充換電站充電樁的實際充放電功率。該約束表明，在模型中，各充電樁功率數(shù)值恒定，以額定功率進行充電或放電操作。

7)電池荷電狀態(tài)轉(zhuǎn)移約束

對入站電池的荷電狀態(tài)進行離散化后，入站電池的荷電狀態(tài)集合為Ω，Ω={1,2,…,k}。其中滿充電池的數(shù)量變化約束可表示為：

(13)

入站電池荷電等級的電池數(shù)量變化約束可表示為：

(14)

站內(nèi)其他荷電等級的電池數(shù)量的變化約束可以表示為：

(15)

2.5 方法流程

式(3)～式(15)構(gòu)成了完整的多目標(biāo)混合整數(shù)規(guī)劃模型，其決策變量為充換電站在各時段的不同荷電等級電池的充放臺數(shù)。方法的應(yīng)用流程如圖3所示。首先，根據(jù)歷史數(shù)據(jù)與經(jīng)驗，充換電站可統(tǒng)計得出電動汽車用戶在各時段的換電需求區(qū)間的概率；同時，通過對入站電池充放電歷史數(shù)據(jù)的統(tǒng)計，完成對入站電池荷電狀態(tài)的離散化；進而，輸入充換電站的原有貯存電池荷電狀態(tài)及充電樁功率參數(shù)；最后，通過二階段優(yōu)化模型對電池充放數(shù)量進行優(yōu)化求解，得到對電池充放臺數(shù)的優(yōu)化控制決策。

圖3 本文方法流程Fig.3 Diagram of method presented in paper

3 算例分析

算例以實際山東臨沂焦莊電動公交汽車充換電站運行數(shù)據(jù)為基礎(chǔ)。焦莊站站內(nèi)充電樁數(shù)量為20臺，其充放電功率為30kW，站內(nèi)單塊電池容量為180kW·h，以1h為單位時間間隔，考慮對日前8∶00～17∶00共10個時段的充放電計劃安排，利用本文方法對其實施充放電優(yōu)化控制分析，算例使用GAMS軟件進行編程求解。

3.1 入站電池SOC離散化分析及初始數(shù)據(jù)

通過統(tǒng)計焦莊站實際入站電池的單次充電電量樣本，得到入站電池單次充電電量頻率分布，如圖4所示。實際入站電池SOC集中在67%和88%附近。進而，根據(jù)實際充電樁充電功率與電池容量數(shù)據(jù)，將電池荷電水平平均劃分為7個等級狀態(tài)(以下表中簡稱“狀態(tài)”)，如表1所示，每個等級狀態(tài)的電池電量為30kW·h。

圖4 入站電池單次充電電量分布圖Fig.4 Distributions of battery on single charging

狀態(tài)1234567SOC(%)01733506784100

假設(shè)選取的某典型日各時段電池入站數(shù)量及其荷電狀態(tài)情況如表2所示。選取的該典型日下充換電站在初始時段已有貯存的電池數(shù)量及其荷電狀態(tài)如表3所示，充換電站所在地區(qū)典型日的分時電價表如表4所示。

表2 入站電池數(shù)量信息表Tab.2 Quantities of inbound battery

3.2 充換電站用戶換電需求概率分析

充換電站的用戶換電需求樣本數(shù)據(jù)來自山東臨

沂焦莊電動公交充換電站的實際運營記錄，樣本統(tǒng)計了充換電站2014年6月14日至8月10日每日8:00～17:00每小時的換電需求電量，總計625組樣本數(shù)據(jù)，其經(jīng)驗概率分布如圖5所示。

表3 初始時段電池數(shù)量信息表Tab.3 Quantities and SOC of battery on first period

表4 分時電價表Tab.4 Table of TOU price

圖5 樣本數(shù)據(jù)經(jīng)驗概率分布Fig.5 Empirical probabilistic distribution

由圖5可以看出，該充換電站用戶的單時段換電需求上限為1000kW·h，下限為0。本文采用等區(qū)間劃分方法將其劃分為10個區(qū)間，各區(qū)間換電需求電量為100kW·h，如表5所示。換電區(qū)間數(shù)越大，說明充換電站在單時段的負(fù)荷需求量越大。

表5 充換電站換電需求劃分Tab.5 Divisions of electric demand for swapping station

依據(jù)運營經(jīng)驗與歷史數(shù)據(jù)，獲得充換電站在該典型日下未來10個時段各換電需求區(qū)間的概率分布，如表6所示。其表示充換電站用戶的各換電需求區(qū)間(表6中簡寫為“區(qū)間”)隨時間變化的概率轉(zhuǎn)移情況，表6中數(shù)值代表對應(yīng)時段充換電站換電需求為其對應(yīng)區(qū)間的概率大小?？紤]式(7)和式(8)約束，本文設(shè)置換電需求概率置信度為0.8，得到各時段應(yīng)滿足的換電需求狀態(tài)如表7所示。

3.3 無序充電模式下的充電計劃

通常將電動汽車電池的即換即充模式(將電動汽車用戶更換下的電池立即接入充電樁充電的模式)稱作無序充電模式。算例基于選取的表2～表4的典型日信息，對電動汽車電池實施無序充電，其充電計劃與表2所示的各時段的電池入站信息相同，即充換電站的充電計劃不受分時電價的影響，一旦電池入站就立刻安排對其充電。由于采取即換即充策略，基于表4的分時電價，可計算得出充換電站的支出費用為3378元。

表6 充換電站換電需求區(qū)間的概率轉(zhuǎn)移表Tab.6 State transition probabilities of electric demand range

表7 置信度為0.8的換電需求狀態(tài)表Tab.7 Electric demand state at confidence level of 0.8

3.4 基于電池充放臺數(shù)的優(yōu)化控制

利用本文提出的基于電池充放臺數(shù)的電動汽車電池充放電優(yōu)化控制方法，一階段優(yōu)化后，各時段的電池充電安排如表8所示，各時段電池放電安排如表9所示，電池的荷電狀態(tài)隨時段變化的轉(zhuǎn)移分布情況如表10所示。

表8 一階段優(yōu)化后電池充電安排表

由表8和表9可以看出，受分時電價和用戶換電需求的影響，充換電站的充電安排集中在1～7時段，而電池放電集中安排在8～10階段。優(yōu)化結(jié)果表明，當(dāng)站內(nèi)滿充電池數(shù)量足以滿足剩余時段用戶的換電需求后，充換電站在7～10時段安排站內(nèi)電池放電以減少支出費用。

表9 一階段優(yōu)化后電池放電安排表Tab.9 Battery discharging schedules after first stage optimization

表10 一階段優(yōu)化后電池荷電狀態(tài)轉(zhuǎn)移分布表Tab.10 SOC transfer distributions after first-stage optimization

通常將優(yōu)化后的電池充放行為稱為有序充電模式。對比表2與表8、表9可以看出，經(jīng)過有序優(yōu)化后，充換電站在分時電價的平時及谷時充電功率增加，在峰時對電網(wǎng)進行反向送電。經(jīng)計算，一階段有序充電模式下，充換電站費用支出為1303元，相比無序充電，減少了費用支出1615元。支出費用的大幅減少表明一階段充換電站的電池充放優(yōu)化控制取得了理想的經(jīng)濟效果。

在一階段優(yōu)化的基礎(chǔ)上進行二階段尋優(yōu)后，各時段的電池充、放電安排如表11和表12所示，電池荷電狀態(tài)轉(zhuǎn)移情況如表13所示。

表11 二階段優(yōu)化后電池充電安排Tab.11 Battery charging schedules after second-stage optimization

表12 二階段優(yōu)化后電池放電安排表Tab.12 Battery discharging schedules after second-stage optimization

經(jīng)計算，二階段優(yōu)化后，充換電站的費用支出仍為1303元。但對比一階段的優(yōu)化結(jié)果可以發(fā)現(xiàn)，在進行二階段優(yōu)化后，電池的充電安排及放電安排發(fā)生了改變，此種改變的效果并沒有造成充換電站支出費用的增加。進而，對比表13與表10可以發(fā)現(xiàn)，經(jīng)二階段優(yōu)化后，電池荷電等級為7的滿充電池數(shù)量較只進行一階段優(yōu)化的滿充電池數(shù)量有所增加，有利于充換電站應(yīng)對客戶更換電池需求的隨機不確定性，證明了本文方法的第二階段優(yōu)化在保證第一階段優(yōu)化的經(jīng)濟性前提下，可以最大化滿充電池的數(shù)量。

表13 二階段優(yōu)化后電池荷電狀態(tài)轉(zhuǎn)移表Tab.13 SOC transfer distributions after second-stage optimization

3.5 與傳統(tǒng)模型的對比分析

采用傳統(tǒng)模型式(2)的充換電站有序充電結(jié)果如表14所示?？梢钥闯?，傳統(tǒng)模型優(yōu)化控制得出的充換電站在各時段充電功率均為0，即全時段無電池充電安排，這是由于充換電站起始時段滿充電池的總電量滿足1～10時段的換出電量約束。由表2可知，該典型日充換電站1～5時段累計換出的滿充電池數(shù)量為36塊，而由表3可知，初始時段滿充電池總數(shù)為30塊。顯然，如果在1～4時段不安排電池充電，那么在5～10時段，充換電站無法滿足電動汽車用戶的換電需求。這種情況產(chǎn)生的原因在于，傳統(tǒng)模型以連續(xù)的電量為決策控制變量，而充換電站的總電量分配在多個離散的電池個體當(dāng)中，電池的更換與電池的充放電操作必須依賴于離散的電池個體完成。因此，傳統(tǒng)模型的優(yōu)化結(jié)果可能出現(xiàn)在實際中不可行的情景。

表14 傳統(tǒng)模型優(yōu)化結(jié)果Tab.14 Optimization results of classic model

3.6 換電需求約束分析

本文模型采用滿足設(shè)置的概率置信度的方式獲得用戶換電需求，并以換電需求最大區(qū)間的電池數(shù)量作為換電需求約束。顯然，置信度的取值越大，充換電站滿足用戶換電需求的能力就越強，然而，也會因此導(dǎo)致充換電站的電能儲備過剩，充換電站支出費用增加的問題。

不同的概率置信度設(shè)置將會得出不同的用戶換電需求結(jié)果，因而會導(dǎo)致不同的換電策略及支出費用，現(xiàn)模擬兩個不同的換電需求場景來分析充換電站的費用支出情況，結(jié)果如表15和表16所示。

表15 換電需求情況表(場景1)Tab.15 Battery exchange demands of scenario 1

表16 換電需求情況表(場景2)Tab.16 Battery exchange demands of scenario 2

可以看出，場景1與場景2的換電需求不同，將其分別作為本文模型的換電需求約束，可計算出經(jīng)二階段優(yōu)化后，充換電站的支出費用分別為1296元和960元，驗證了在不同的換電需求下，充換電站的支出費用不同的結(jié)論。

4 結(jié)論

本文首先分析了充換電站電池荷電狀態(tài)離散化的過程及傳統(tǒng)模型的不足，在此基礎(chǔ)上提出了以電池充放臺數(shù)為決策變量的二階段優(yōu)化模型。算例結(jié)果表明，本文方法可以根據(jù)分時電價合理安排電池充放，相比于無序充電模式，大幅降低了充換電站的支出費用；克服了傳統(tǒng)模型的解在現(xiàn)實中未必可行的缺點；算例部分還對換電需求約束的不同導(dǎo)致的決策結(jié)果的影響進行了對比分析。本文方法為電動汽車充換電站充放電控制提供了一種有效思路。

[1] 田立亭, 張明霞, 汪奐伶 (Tian Liting, Zhang Mingxia, Wang Huanling). 電動汽車對電網(wǎng)影響的評估和解決方案 (Evaluation and solutions for electric vehicles’ impact on the grid)[J]. 中國電機工程學(xué)報 (Proceeding of the CSEE), 2012, 32(31): 43-49.

[2] 張文亮, 武斌, 李武峰, 等 (Zhang Wenliang, Wu Bin, Li Wufeng, et al.). 我國純電動汽車的發(fā)展方向及能源供給模式的探討 (Discussion on development trend of battery electric vehicles in china and its energy supply mode)[J]. 電網(wǎng)技術(shù)(Power System Technology), 2009, 33(4): 1-5.

[3] 吳健生, 李小舟 (Wu Jiansheng, Li Xiaozhou). 基于最大熵理論的多類型電動汽車充換電站規(guī)劃 (Coordinated planning of multi-type electric vehicle charging stations based on maximal entropy theory)[J]. 電工電能新技術(shù)(Advanced Technology of Electrical Engineering and Energy), 2015, 34(9):29-32.

[4] 何承坤, 王麗芳, 張仲石,等 (He Chengkun, Wang Lifang, Zhang Zhongshi, et al.). 基于容差控制的電動汽車動力系統(tǒng)動態(tài)負(fù)載模擬 (Dynamic load emulation for electric vehicle powertrain based on error tolerance control)[J]. 電工電能新技術(shù) (Advanced Technology of Electrical Engineering and Energy), 2015, 34(6):22-26.

[5] 陳良亮, 張浩, 倪峰, 等 (Chen Liangliang, Zhang Hao, Ni Feng, et al.). 電動汽車能源供給設(shè)施建設(shè)現(xiàn)狀與發(fā)展探討 (Present situation and development trend for construction of electric vehicle energy supply infrastructure) [J]. 電力系統(tǒng)自動化(Automation of Electric Power Systems), 2011, 35(14): 11-17.

[6] 田文奇, 和敬涵, 姜久春, 等 (Tian Wenqi, He Jinghan, Jiang Jiuchun, et al.). 基于自適應(yīng)變異粒子群算法的電動汽車換電池站充電調(diào)度多目標(biāo)優(yōu)化(Multi-objective optimization of charging dispatching for electric vehicle battery swapping station based on adaptive mutation particle swarm optimization)[J]. 電網(wǎng)技術(shù)(Power System Technology), 2012, 36(11): 25-29.

[7] 占愷嶠, 宋永華, 胡澤春, 等(Zhan Kaiqiao, Song Yonghua, Hu Zechun, et al.). 以降損為目標(biāo)的電動汽車有序充電優(yōu)化(Coordination of electric vehicle charging to minimize active power losses)[J]. 中國電機工程學(xué)報(Proceedings of the CSEE), 2012, 32(31): 11-18.

[8] Clement-Nyns K, Haesen E, Driesen J. The impact of charging plug-in hybrid electric vehicles on a residential distribution grid[J]. IEEE Transactions on Power Systems, 2010, 25(1): 371-380.

[9] 陽岳希, 胡澤春, 宋永華(Yang Yuexi, Hu Zechun, Song Yonghua). 電動公交充換電站的優(yōu)化運行研究(Research on optimal operation of battery swapping and charging station for electric buses)[J]. 中國電機工程學(xué)報(Proceedings of the CSEE), 2012, 32(31): 35-42.

[10] Rotering N, Ilic M. Optimal charge control of plug-in hybrid electric vehicles in deregulated electricity markets[J]. IEEE Transactions on Power Systems, 2011, 26(3): 1021-1029.

[11] 戎曉雪, 劉熙媛, 孫啟明, 等(Rong Xiaoxue, Liu Xiyuan, Sun Qiming, et al.). 電動汽車充換電站換電池的有序充電優(yōu)化(Coordinated charging strategy for battery in EV charging and switching station)[J]. 電力建設(shè)(Electric Power Construction), 2015 (7): 120-125.

[12] 宋永華, 胡澤春, 陽岳希 (Song Yonghua, Hu Zechun, Yang Yuexi). 電動汽車電池的現(xiàn)狀及發(fā)展趨勢 (Present status and development trend of batteries for electric vehicles)[J]. 電網(wǎng)技術(shù)(Power System Technology), 2011, 35(4): 1-7.

[13] 榮雅君, 楊偉, 牛歡,等 (Rong Yajun, Yang Wei, Niu Huan, et al.). 基于BP-EKF算法的電動汽車電池管理系統(tǒng)SOC精準(zhǔn)估計 (Accurate estimation of SOC value of electric vehicle battery based on EKF algorithm optimized by BP neural network)[J]. 電工電能新技術(shù) (Advanced Technology of Electrical Engineering and Energy), 2015, 34(9):22-28.

Strategy of battery charging and discharging for electric vehicle swapping station based on battery unit number

ZHANG Hua-dong1, YANG Ming2, LI Jian-xiang3, LIU Hai-bo3, LU He2, DIAO Hao-ran2

(1. State Grid Shandong Province Electric Company, Jinan 250001, China; 2. Key Laboratory of Power System Intelligent Dispatch and Control, Shandong University, Jinan 250061, China; 3. Electric Power Research Institute of State Grid Shandong Province Electric Company, Jinan 250001, China)

Electric vehicle swapping station has both the power source and load properties, therefore, it is of great practical significance to fully exploit its electrical characteristics of supply and demand to make a reasonable decision for charge of power. Classic charging and discharging control strategies take continuous charging electric power as their control variable, however, by the battery state of charge and quantitative restrictions, the optimal solutions of such models are often difficult to match the reality. Based on time price of electricity, a two level optimization model about electric vehicle swapping station control is proposed, with number of swapping batteries as the decision variable. The first level of the model is to optimize the operating cost, and the second level is to maximize the number of full batteries without increasing the operating cost. Taking Jiao Zhuang swapping station in Shandong province as an example, this paper compares charging load and costs at disorderly charging and orderly charging, and analyzes the differences between the results of optimization and traditional optimization, which demonstrates the effectiveness of the method proposed.

electric vehicle; swapping station; battery charging and discharging; number of battery; two-stage programming

2015-12-18

國家重點基礎(chǔ)研究發(fā)展計劃(973計劃)項目(2013CB228205)

張華棟(1976-), 男, 山東籍, 高級工程師, 碩士, 研究方向為營銷管理, 電動汽車運營管理； 楊 明(1980-), 男, 山東籍, 副教授, 博士, 研究方向為電力系統(tǒng)運行與控制。

TM 73

A

1003-3076(2016)08-0057-09