計及充電請求預(yù)測補償?shù)碾妱悠囉行虺潆姴呗?/h1>
2016-10-13 10:42:21夏鑫玨歐陽帆劉海峰梁文武
電力系統(tǒng)保護與控制 2016年24期
徐 浩，夏鑫玨，李 輝，歐陽帆，劉海峰，張 磊，梁文武
?
計及充電請求預(yù)測補償?shù)碾妱悠囉行虺潆姴呗?/p>
徐 浩1，夏鑫玨2，李 輝1，歐陽帆1，劉海峰1，張 磊3，梁文武1
(1.國網(wǎng)湖南省電力公司電力科學(xué)研究院，湖南 長沙 410007；2.河北省電力勘測設(shè)計研究院，河北 石家莊 050031；3.國網(wǎng)湖南省電力公司，湖南 長沙 410000)
針對現(xiàn)有有序充電策略未能充分考慮和應(yīng)用后續(xù)時段內(nèi)新增充電請求的問題，提出了一種計及充電請求預(yù)測補償?shù)淖≌瑓^(qū)電動汽車有序充電控制策略。在均分出的每個控制時段末，該策略依據(jù)實際新增充電請求數(shù)據(jù)修正了先前控制時段對當(dāng)前控制時段新增充電請求的預(yù)測結(jié)果，并采用預(yù)測結(jié)果對后續(xù)各控制時間段內(nèi)的新增待充電請求作了補償，提高了充電請求預(yù)測結(jié)果的應(yīng)用效果。在此基礎(chǔ)上，構(gòu)建了使系統(tǒng)負(fù)荷波動最小的有序充電控制模型。大量的算例分析及結(jié)果表明，該策略實施效果上佳，應(yīng)用前景可觀。
電動汽車；住宅區(qū)充電行為；充電請求預(yù)測；動態(tài)優(yōu)化；有序充電策略
0 引言
電動汽車(Electric Vehicles, EVs)是一種清潔能源交通工具，可有效降低噪聲污染、二氧化碳排放量及化石能源消耗[1-2]。從各國政府及制造商對電動汽車發(fā)展的大力支持和推廣、電動汽車目前的市場份額及今后的發(fā)展趨勢、電動汽車自身的優(yōu)越特性來看，未來電動汽車的市場份額將達到一個較高水平[3-5]。但作為一種大功率電力負(fù)荷，電動汽車充電行為的固有隨機性將影響配電系統(tǒng)的負(fù)荷特性和經(jīng)濟運行[6-8]。特別是當(dāng)大量充電行為集中發(fā)生在系統(tǒng)傳統(tǒng)負(fù)荷高峰期時，系統(tǒng)負(fù)荷的峰值和峰谷差都將顯著增加[9-10]。因此，研究電動汽車有序充電策略、優(yōu)化規(guī)模化充電行為極有必要，其一方面能可靠、高效地滿足用戶龐大的充電需求，另一方面可將充電負(fù)荷對電網(wǎng)的負(fù)面影響降到最低。
目前，國內(nèi)外學(xué)者已就電動汽車有序充電問題做了大量的研究。文獻[11]以使系統(tǒng)能耗最小為目標(biāo)，利用非線性規(guī)劃算法對電動汽車充電行為進行了動態(tài)優(yōu)化。文獻[12]在考慮變壓器容量約束和用戶充電需求響應(yīng)能力的基礎(chǔ)上，建立了實現(xiàn)充電站運行經(jīng)濟效益最大化的電動汽車有序充電優(yōu)化模型。文獻[13]相繼以使充電站收益最大和因縮小峰谷差所受激勵最大為目標(biāo)，提出了充電站內(nèi)有序充電的兩階段優(yōu)化模型。這些文獻所研究的對象都是公共充電行為，即發(fā)生在位于公共場所的集中充電站內(nèi)的充電行為[14]。在公共充電行為，用戶進站后立即提出充電請求，并同時明示其車輛的最晚離站時刻。充電站站級控制中心或其上級控制中心則需要對用戶進站時已經(jīng)存在的充電請求及在用戶進站時刻至其最晚離站時刻之間新產(chǎn)生的充電請求進行有序安排，實現(xiàn)既定優(yōu)化目標(biāo)。但在制定有序充電策略時，上述文獻未能將在用戶進站至其最晚離站時刻之間新產(chǎn)生的充電請求考慮在內(nèi)，而僅研究將用戶進站時已存在的充電請求有序安排在其最晚離站時刻之前，因此其獲得的有序充電策略可能并非最優(yōu)。造成這一缺陷的主要原因是公共充電行為隨機性大，以至于在制定當(dāng)前時刻的有序充電策略時難以準(zhǔn)確預(yù)測后續(xù)時間段內(nèi)新增充電請求的生成時刻和數(shù)量。
但對住宅區(qū)充電行為進行有序控制時，上述問題可得以有效解決。因為相關(guān)研究表明，當(dāng)住宅區(qū)電動汽車達到較大規(guī)模時，其整體行駛特性將呈現(xiàn)一定的規(guī)律性[15-16]，在設(shè)計當(dāng)前控制時段內(nèi)住宅區(qū)有序充電策略時，可采取充電請求預(yù)測的方式將后續(xù)控制時段內(nèi)新增的充電請求考慮在內(nèi)，優(yōu)化有序充電策略的實施效果?；谶@個思想，文獻[5]假設(shè)規(guī)模化電動汽車用戶行駛習(xí)慣近似為正態(tài)分布，并預(yù)測了全天各時段的新增充電請求；文獻[17]基于美國家用車輛使用習(xí)慣調(diào)查結(jié)果同樣將用戶的出行規(guī)律模擬為正態(tài)分布。這些文獻在充電請求預(yù)測結(jié)果的基礎(chǔ)上，采用靜態(tài)優(yōu)化的方式將后續(xù)時段內(nèi)新增充電請求融入進有序充電策略中，在一定程度上改善了有序充電策略的的實施效果。靜態(tài)優(yōu)化策略假定用戶在未來時刻的充電請求都是完全按照文獻[5]或文獻[17]所提正態(tài)分布規(guī)律發(fā)生，但事實上新增充電請求的預(yù)測結(jié)果與實際結(jié)果之間存在差異，因此靜態(tài)優(yōu)化策略在實施過程中可能出現(xiàn)實際新增充電請求與其制定的充電計劃相悖的不利情形，以至于文獻[5]或文獻[17]所制定的有序充電控制目標(biāo)無法順利實現(xiàn)。
本文提出了一種計及充電請求預(yù)測補償?shù)淖≌瑓^(qū)電動汽車有序充電控制策略。該策略基于與車輛行駛習(xí)慣相關(guān)的統(tǒng)計數(shù)據(jù)對后續(xù)各控制時間內(nèi)的新增充電請求進行了預(yù)測，并采用動態(tài)優(yōu)化的方式對規(guī)模化充電行為進行有序控制，提高了充電請求預(yù)測結(jié)果的應(yīng)用效果。在均分出的每個控制時段末，該策略首先依據(jù)實際新增充電請求數(shù)據(jù)修正了先前控制時段對該控制時段的新增充電請求預(yù)測結(jié)果，然后采用充電請求預(yù)測結(jié)果對后續(xù)各控制時間段內(nèi)的新增待充電請求進行補償，在此基礎(chǔ)上，構(gòu)建了使系統(tǒng)負(fù)荷波動最小的有序充電控制模型，并采用Monte Carlo算法對該模型作了求解。算例分析的良好結(jié)果表明，該策略具有比無補償有序充電策略和有補償?shù)撵o態(tài)有序充電策略更好的實施效果，具有非常可觀的應(yīng)用前景。
1 住宅區(qū)充電行為分析
電動汽車的規(guī)模化發(fā)展離不開有效又便捷充電方式的開發(fā)。住宅區(qū)充電行為具有操作性強、對用戶零干擾、允許持續(xù)充電時間較長、居民用電電價低等優(yōu)點，并采用充電功率較小的常規(guī)充電模式，對電網(wǎng)的沖擊較小，因而被認(rèn)為是最理想的充電方式[14]，其廣泛實施有利于提高電動汽車的實用性。目前，電動汽車?yán)m(xù)駛里程已較長，91.4%電動汽車用戶的日充電需求量都在車載電池的容量范圍內(nèi)[15-16]。這部分用戶日最后一次出行結(jié)束后將其電動汽車充滿電，第二天全天都無需進行二次充電。隨著電動汽車動力特性及車載電池性能的不斷發(fā)展，未來將有更多的用戶最多每天只需充一次電。因此不難想象，未來住宅區(qū)充電行為將在電動汽車用戶的充電模式中占有極大的比重。
住宅區(qū)充電行為多發(fā)生于用戶日最后一次出行結(jié)束以后，允許充電時段可一直延續(xù)到次日第一次出行開始，期間間隔時間較長，具有較高的可控性。為了配合有序充策略的順利實施，筆者認(rèn)為電動汽車上都裝有智能充電設(shè)備作技術(shù)支撐。用戶日最后一次出行結(jié)束后即將需要充電的電動汽車連接至鄰近電源設(shè)備并產(chǎn)生充電請求，但受智能充電設(shè)備約束，充電過程并不立即開始。智能充電設(shè)備是基于雙向、高速通信機制的過程層電子設(shè)備，其具備的功能至少應(yīng)包括以下幾項：①?在電動汽車與電源設(shè)備相連接的情況下，控制電動汽車開始充電的時刻；②?記錄電動汽車的實時荷電狀態(tài)，即開始充電時刻的荷電狀態(tài)，并計算其所需充電時長；③?與上級控制中心進行通信交互，提交充電請求，上傳充電所需時長，接受并執(zhí)行上級控制中心下達的充電控制指令。在智能充電設(shè)備輔助下，用戶將電動汽車連接電源后，直到次日第一次用車前都無需過問充電過程。
此外，鑒于電動汽車車載電池的壽命以充電次數(shù)來衡量，本文不考慮間歇充電模式[5]。充電過程一經(jīng)開始，將一直持續(xù)到電池充滿。因此，住宅區(qū)充電行為有序充電策略的主要控制因素是用戶開始充電的時刻。通過對充電開始時刻的控制，滿足各用戶的充電需求，并錯開充電負(fù)荷峰值和配電網(wǎng)傳統(tǒng)負(fù)荷峰值，實現(xiàn)配電網(wǎng)的經(jīng)濟高效運行。
2 住宅區(qū)有序充電控制策略
將一天均分為48個控制時段，即每個控制時段為半小時。配網(wǎng)控制中心僅在每個控制時段末對待充電電動汽車的充電開始時刻進行有序安排。其中，待充電電動汽車指在當(dāng)前時刻已產(chǎn)生充電請求但還未開始充電的電動汽車。住宅區(qū)充電行為與公共充電行為不同，其不存在最晚離站時刻。但考慮到全國范圍內(nèi)大部分行業(yè)工作作息時間基本同步，本文為住宅區(qū)用戶設(shè)置了兩個最晚充電截止時刻，即次日7:00和次日12:00，分配如下：對于日最后一次出行結(jié)束時刻(即充電開始時刻)早于24:00的用戶，其充電行為可最晚持續(xù)到次日7:00；對于日最后一次出行結(jié)束時刻介于24:00和次日7:00之間的用戶，為了保證其有足夠的時間將電動汽車電池充滿，其充電行為可最晚持續(xù)到次日12:00。為了方便論述，對于日最后一次出行結(jié)束時刻早于24:00的用戶，在制定其有序充電策略時，從7:30至次日7:00，依次將各控制時段標(biāo)記為1,2,…,48；對于日最后一次出行結(jié)束時刻介于24:00和次日7:00之間的用戶，在制定其有序充電策略時，從12:30至次日12:00，依次將各控制時段標(biāo)記為1,2,…,48。以系統(tǒng)負(fù)荷(包括傳統(tǒng)負(fù)荷和充電負(fù)荷)波動最小化為目標(biāo)，住宅區(qū)有序充電策略可表示為
(2)
(3)
上述有序充電策略中，傳統(tǒng)負(fù)荷預(yù)測值通過系統(tǒng)過往日負(fù)荷曲線獲得；充電請求預(yù)測值(即預(yù)測出的在當(dāng)前控制時段后續(xù)的各控制時段內(nèi)產(chǎn)生的充電請求的數(shù)量)通過用戶過往日最后一次出行結(jié)束時刻統(tǒng)計數(shù)據(jù)獲得。配網(wǎng)控制中心統(tǒng)籌在當(dāng)前控制時段已存在的充電請求及預(yù)測出的將在后續(xù)各控制時段內(nèi)產(chǎn)生的充電請求，根據(jù)優(yōu)化模型的解給出安排在當(dāng)前控制時間末及其后續(xù)各充電時間段末開始充電的充電負(fù)荷。系統(tǒng)日負(fù)荷曲線較為固定，預(yù)測值與實際值相差不大；但電動汽車充電隨機性強，充電請求的預(yù)測值與實際值之間存在差異，因此，在時間序列上，配網(wǎng)控制中心會依次在每個控制時間末制定一次有序充電策略，并用后續(xù)控制時段制定的充電計劃覆蓋前一控制時段末制定的充電計劃，通過這種重疊式的計劃修正來優(yōu)化有序充電策略的實施效果。在當(dāng)前控制時段末制定的充電策略中，僅為確定值，這部分用戶將在當(dāng)前控制時段末開始充電；而,,都是不確定值，并不一定會在相應(yīng)控制時段末開始充電，這部分用戶在后一控制時段末將被重新視為未獲得充電安排的待充電電動汽車，是后一控制時段末制定有序充電策略時的控制變量。
此外，上述有序充電策略需滿足以下約束條件：
1) 充電開始時刻約束
即每個用戶的充電開始時刻應(yīng)該晚于該用戶日最后一次出行結(jié)束的時刻，并保證充電截止時刻早于用戶的最晚充電截止時刻：
(5)
2) 荷電狀態(tài)約束
即每個用戶在整個充電過程中的荷電狀態(tài)介于充電開始時荷電狀態(tài)和1之間。
3) 容量約束
即各控制時段末的系統(tǒng)總負(fù)荷水平應(yīng)不超過住宅區(qū)上級變壓器的容量：
4) 充電連續(xù)性約束
即某電動汽車一旦開始充電，則充電過程將一直持續(xù)到該電動汽車充滿電為止。
3 算例分析
為了驗證本文所提有序充電策略的實施效果，本節(jié)擬基于加拿大Manitoba地區(qū)冬季典型日負(fù)荷曲線和2001年美國交通部對全美家用車輛的調(diào)查結(jié)果(National Household Travel Survey, NHTS)作算例分析。算例分析共包括4種充電情形：①?計及充電請求預(yù)測補償?shù)膭討B(tài)有序充電模式，即本文所提有序充電模式；②?計及充電請求預(yù)測補償?shù)撵o態(tài)有序充電模式，即文獻[5, 17]提出的有序充電模式；③?無補償?shù)行虺潆娔Ｊ?，即文獻[11-13]提出的有序充電模式；④?無補償且無序充電模式，即假定用戶在日最后一次出行結(jié)束后立即開始對電動汽車充電。4種充電模式針對的都是住宅區(qū)充電行為，其中，在第④?種充電模式下用戶的充電起始時刻等于其充電請求生成時刻。下文首先給出充電請求生成時刻和用戶所需充電時長的模擬方法，然后詳述4種充電模式的仿真步驟，最后對比3種充電模式實施效果并給出仿真結(jié)論。
依據(jù)NHTS，家用車輛日最后一次出行結(jié)束時刻的概率分布特性可用式(10)刻畫[15-16]。
圖1 充電開始時刻概率密度曲線
Fig. 1 Probability density curve of charging start time
用戶所需充電時長與其提出充電請求時的荷電狀態(tài)(即充電起始荷電狀態(tài))線性相關(guān)，如式(6)所示。假定電動汽車行駛過程中的的累積耗電量與行駛里程具有線性關(guān)系，則其充電起始荷電狀態(tài)與日行駛里程有如下關(guān)系。
(12)
本章采用蒙特卡洛法對前3種充電模式的實施效果進行模擬仿真。其中，第①種充電模式的具體仿真步驟如下：
1) 計算出在當(dāng)前控制時段后續(xù)的各控制時段內(nèi)新增待充電電動汽車數(shù)量。
式中：指第個控制時段；表示電動汽車保有量；0.5指控制時段時長為半個小時。
2) 依據(jù)式(12)和式(11)依次隨機生成各控制時段上新增待充電電動汽車的充電起始荷電狀態(tài)，并依據(jù)式(6)計算各用戶所需的充電時長。
3) 依據(jù)式(4)求解各用戶充電起始時刻的值域空間，并用函數(shù)隨機生成各用戶的充電起始時刻。
4) 將各用戶所產(chǎn)充電負(fù)荷疊加到系統(tǒng)負(fù)荷中。
5) 依據(jù)式(1)計算系統(tǒng)負(fù)荷方差，并與過程變量相比較。過程變量初值設(shè)為200。若所得負(fù)荷方差小于過程變量，則將過程變量替換為該負(fù)荷方差值，并記錄此時各控制時段末的系統(tǒng)負(fù)荷值；若所得負(fù)荷方差大于過程變量，則不做任何操作轉(zhuǎn)入下一仿真步驟。
6) 判斷是否達到Monte Carlo總循環(huán)次數(shù)。每次仿真中總循環(huán)次數(shù)設(shè)為10 000次，足以保證Monte Carlo的準(zhǔn)確度。若為達到總循環(huán)次數(shù)，則轉(zhuǎn)至步驟(1)；否則結(jié)束仿真，輸出過程變量及其對應(yīng)的系統(tǒng)負(fù)荷曲線。
在第①種充電模式仿真步驟的基礎(chǔ)作些修改可得出第②種充電模式和第③種充電模式的仿真步驟。從上述仿真步驟中去掉第2)步即獲得第②種充電模式的仿真步驟。第③種充電模式的仿真步驟與第②種充電模式近似一致，只是存在兩處差異：(a) 第1)步不需要計算后續(xù)各控制時段內(nèi)新增待充電電動汽車的數(shù)量，而僅需計算當(dāng)前控制時段末所有待充電電動汽車的數(shù)量；(b) 第2)步中不需要生成后續(xù)各控制時段內(nèi)新增待充電電動汽車的荷電狀態(tài)，而僅需生成當(dāng)前控制時段末所有待充電電動汽車的荷電狀態(tài)。此外，第④種充電模式無需有序控制，其仿真過程較簡單：首先依據(jù)式(11)—式(13)隨機生成各控制時段內(nèi)新增待充電電動汽車的數(shù)量和所需充電時長，然后直接將充電負(fù)荷疊加到系統(tǒng)負(fù)荷中，此處不另作贅述。
基于上述步驟，作者分別仿真了電動汽車保有量為10萬臺、20萬臺和30萬臺時有序充電策略的實施效果。Manitoba地區(qū)目前擁有643 580輛注冊乘用車，3種仿真規(guī)模分別占到Manitoba地區(qū)汽車保有量的15.5%、31%和46.6%[18]。仿真過程中，電動汽車車載電池容量和額定充電功率分別設(shè)為32 kW·h和8 kW·h。針對4種充電模式的仿真結(jié)果如圖2—圖4及表1—表3所示。其中，圖2—圖4分別是電動汽車保有量為10萬臺、20萬臺和30萬臺時4種充電模式實施后的系統(tǒng)負(fù)荷曲線；表1、表2和表3分別為電動汽車保有量為10萬臺、20萬臺和30萬臺時3種充電模式實施后的系統(tǒng)負(fù)荷特性。
圖2 電動汽車保有量為10萬臺的仿真結(jié)果
圖3 電動汽車保有量為20萬臺的仿真結(jié)果
圖2—圖4各包含5條曲線，其中原始負(fù)荷為加拿大Manitoba地區(qū)冬季典型日負(fù)荷曲線。分析圖2—圖4及表1—表3，可獲得如下結(jié)論：1) 在第④種充電模式下，系統(tǒng)負(fù)荷峰值、峰谷差和方差都較原始負(fù)荷有明顯提升，說明無序充電行為惡化了系統(tǒng)的負(fù)荷特性；2) 第①種充電模式和第②種充電模式下，系統(tǒng)負(fù)荷峰谷差和方差均比第③種充電模式下的情況好，說明在有序充電策略中考慮后續(xù)時段的充電請求可獲得更好的實施效果；3) 第①種充電模式下，系統(tǒng)負(fù)荷峰谷差和方差均比第②種充電模式下的情況好，說明對充電行為進行動態(tài)優(yōu)化控制可獲得更好的實施效果；4) 隨著電動汽車保有量的增加，第①種充電模式較另兩種有序充電模式在改善系統(tǒng)負(fù)荷特性上的優(yōu)越性體現(xiàn)得更加明顯，以負(fù)荷方差為例，當(dāng)電動汽車保有量從10萬臺增至30萬臺時，第①種充電模式與第②種充電模式的偏差從0.002 9擴大至0.010 2，與第③種充電模式的偏差從0.008 7擴大至0.041 5。
圖4 電動汽車保有量為30萬臺的仿真結(jié)果
表1 電動汽車保有量為10萬臺的負(fù)荷特性表
進一步分析圖3，發(fā)現(xiàn)第③種充電模式將更多的負(fù)荷安排在了03:00—07:00之間，而在23:00—24:00之間安排的充電負(fù)荷較少，以致造成系統(tǒng)負(fù)荷谷值和方差的改善效果不夠充分。究其原因，第③種充電模式在安排充電計劃時，沒有考慮后續(xù)新增充電請求的影響，從第一個控制時段開始即盡量將充電負(fù)荷安排到系統(tǒng)負(fù)荷最低谷期，以至于負(fù)荷最低谷期積累的待充電負(fù)荷過多。這種趨勢在圖4中表現(xiàn)更明顯。圖4中，第①種充電模式(或第②種充電模式)充分利用了11:00—17:00時段內(nèi)系統(tǒng)吸納充電負(fù)荷的能力，因而獲得了更好的負(fù)荷特性；而第③種充電模式則忽略了這段時期系統(tǒng)吸納充電負(fù)荷的能力，將大量的充電負(fù)荷都堆積在系統(tǒng)負(fù)荷最低谷期，使得系統(tǒng)負(fù)荷谷值和方差都較前兩種充電模式惡劣。
表2 電動汽車保有量為20萬臺的負(fù)荷特性表
表3 電動汽車保有量為30萬臺的負(fù)荷特性表
進一步分析圖4，發(fā)現(xiàn)第②種充電模式在11:00—17:00時段內(nèi)安排的充電負(fù)荷比第①種充電模式少，以致更多的充電負(fù)荷集中到7:00之前的若干控制時段內(nèi)。而由圖1可知，充電請求預(yù)測結(jié)果峰值的出現(xiàn)時間早于實際結(jié)果的峰值。因此，在第②種充電模式制定的充電計劃中，11:00—17:00時段之間安排有足夠多的充電負(fù)荷。但這一時段內(nèi)新增充電請求的實際值小于預(yù)測值，以至于在實施過程中充電計劃不能完全落實，由此造成了第②種充電模式的實施效果不如第①種充電模式。事實上，即使充電請求預(yù)測峰值的出現(xiàn)時間晚于實際峰值，比如圖1中兩條曲線交換屬性，第①種充電模式仍然可以獲得更好的事實效果，因為此時第②種充電模式將陷入同第③種充電模式一樣未能充分利用次低估期吸納充電負(fù)荷能力而不能獲得更好實施效果的不利局面。
4 結(jié)論
本文針對住宅區(qū)充電行為，提出了一種計及充電請求預(yù)測補償?shù)挠行虺潆姴呗浴Ｔ摬呗圆捎贸潆娬埱箢A(yù)測結(jié)果補償在當(dāng)前控制時段后續(xù)的各控制時段內(nèi)新增待充電電動汽車，可優(yōu)化控制策略的實施效果。在大量算例分析及結(jié)果的基礎(chǔ)上，本文獲得如下結(jié)論：
(1) 充電負(fù)荷在數(shù)值上遠(yuǎn)小于傳統(tǒng)負(fù)荷，因此傳統(tǒng)負(fù)荷低谷期具有足夠容納所有充電負(fù)荷的能力，即有序充電策略的可行性較高。
(2) 基于充電請求預(yù)測補償?shù)膭討B(tài)有序充電策略具有比無補償?shù)行虺潆姴呗愿玫膶嵤┬Ч?。原因在于無補償?shù)行虺潆姴呗詻]有考慮后續(xù)新增充電請求的影響，往往會將大部分充電負(fù)荷安排到系統(tǒng)負(fù)荷最低谷期，而忽略了系統(tǒng)負(fù)荷次低谷期吸納充電負(fù)荷能力。
(3) 基于充電請求預(yù)測補償?shù)膭討B(tài)有序充電策略具有比靜態(tài)有序充電策略更好的實施效果。原因在于靜態(tài)有序充電策略沒有考慮后續(xù)時段充電請求預(yù)測值與實際值的差異，以致所制定的充電計劃往往難以順利實現(xiàn)。
(4) 隨著電動汽車保有量增長，基于充電請求補償?shù)膭討B(tài)有序充電策略較另外兩種有序充電策略在改善系統(tǒng)負(fù)荷特性上的優(yōu)越性體現(xiàn)得更加明顯。
[1] 張學(xué)清, 梁軍, 張利, 等. 計及風(fēng)光電源的一種地區(qū)電網(wǎng)電動汽車充電調(diào)度方法[J]. 電工技術(shù)學(xué)報, 2013, 28(2): 28-35.
ZHANG Xueqing, LIANG Jun, ZHANG Li, et al. Approach for plug-in electric vehicles charging scheduling considering wind and photovoltaic power in chinese regional power grids[J]. Transactions of China Electrotechnical Society, 2013, 28(2): 28-35.
[2] 肖湘寧, 溫劍鋒, 陶順, 等. 電動汽車充電基礎(chǔ)設(shè)施規(guī)劃中若干關(guān)鍵問題的研究和建議[J]. 電工技術(shù)學(xué)報, 2014, 29(8): 1-10.
XIAO Xiangning, WEN Jianfeng, TAO Shun, et al. Study and recommendations of the key issues in planning of electric vehicles’ charging facilities[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 1-10.
[3] 黨杰, 湯奕, 寧佳, 等. 基于用戶意愿和出行規(guī)律的電動汽車充電負(fù)荷分配策略[J]. 電力系統(tǒng)保護與控制, 2015, 43(16): 8-15.
DANG Jie, TANG Yi, NING Jia, et al. A strategy for distribution of electric vehicles charging load based on user intention and trip rule[J]. Power System Protection and Control, 2015, 43(16): 8-15.
[4] 張聰, 許曉慧, 孫海順, 等. 基于自適應(yīng)遺傳算法的規(guī)模化電動汽車智能充電策略研究[J]. 電力系統(tǒng)保護與控制, 2014, 42(14): 19-24.
ZHANG Cong, XU Xiaohui, SUN Haishun, et al. Smart charging strategy of large-scale electric vehicles based on adaptive genetic algorithm[J]. Power System Protection and Control, 2014, 42(14): 19-24.
[5] 黃貴鴻, 雷霞, 蘆楊, 等. 考慮用戶滿意度的電動汽車用戶側(cè)最優(yōu)智能充放電策略[J]. 電力系統(tǒng)保護與控制, 2015, 43(24): 40-47.
HUANG Guihong, LEI Xia, LU Yang, et al. Optimus smart charge-discharge tactics in electric vehicle user profile considering user’s satisfaction[J]. Power System Protection and Control, 2015, 43(24): 40-47.
[6] 楊冰, 王麗芳, 廖承林. 大規(guī)模電動汽車充電需求及影響因素[J]. 電工技術(shù)學(xué)報, 2013, 28(2): 22-27.
YANG Bing, WANG Lifang, LIAO Chenglin. Research on power-charging demand of large-scale electric vehicles and its impacting factors[J]. Transactions of China Electrotechnical Society, 2013, 28(2): 22-27.
[7] 徐國鈞, 劉永勝, 李題印, 等. 基于層次分析和概率模擬的電動汽車對配網(wǎng)負(fù)荷影響研究[J]. 電力系統(tǒng)保護與控制, 2012, 40(22): 38-45.
XU Guojun, LIU Yongsheng, LI Tiyin, et al. Study on the impact of electric vehicles charging load integrated into distribution network based on analytic hierarchy process and probabilistic simulation[J]. Power System Protection and Control, 2012, 40(22): 38-45.
[8] 田文奇, 和敬涵, 姜久春, 等. 電動汽車換電站有序充電調(diào)度策略研究[J]. 電力系統(tǒng)保護與控制, 2012, 40(21): 114-119.
TIAN Wenqi, HE Jinghan, JIANG Jiuchun, et al. Researchon dispatching strategy for coordinated charging of electric vehicle battery swapping station[J]. Power System Protection and Control, 2012, 40(21): 114-119.
[9] 葛少云, 黃镠, 劉洪. 電動汽車有序充電的峰谷電價時段優(yōu)化[J]. 電力系統(tǒng)保護與控制, 2012, 40(10): 1-5.
GE Shaoyun, HUANG Liu, LIU Hong. Optimization of peak-valley TOU power price time-period in ordered charging mode of electric vehicle[J]. Power System Protection and Control, 2012, 40(10): 1-5.
[10] FERNáNDEZ L P, SAN ROMáN T G, COSSENT R, et al. Assessment of the impact of plug-in electric vehicles on distribution networks[J]. IEEE Transactions on Power Systems, 2011, 26(1): 206-213.
[11] ESMAILI M, RAJABI M. Optimal charging of plug-in electric vehicles observing power grid constraints[J]. IET Generation, Transmission & Distribution, 2014, 8(4): 583-590.
[12]徐智威, 胡澤春, 宋永華, 等. 充電站內(nèi)電動汽車有序充電策略[J]. 電力系統(tǒng)自動化, 2012, 32(11): 38-43.
XU Zhiwei, HU Zechun, SONG Yonghua, et al. Coordinated charging of plug-in electric vehicle in charging stations[J]. Automation of Electric Power Systems, 2012, 32(11): 38-43.
[13]張良, 嚴(yán)正, 馮冬涵, 等. 采用兩階段優(yōu)化模型的電動汽車充電站內(nèi)有序充電策略[J]. 電網(wǎng)技術(shù), 2014, 38(4): 967-973.
ZHANG Liang, YAN Zheng, FENG Donghan, et al. Two-stage optimization model based coordinated charging for EV charging station[J]. Power System Technology, 2014, 38(4): 967-973.
[14] XU Hao, MIAO Shihong, ZHANG Chunyong, et al. Optimal placement of charging facilities for large-scale electric vehicles[J]. International Journal of Electrical Power & Energy System, 2013, 53(1): 159-165.
[15] TAYLOR M J, ALEXANDER A. Evaluation of the impact of plug-in electric vehicle loading on distribution system operations[C] // IEEE Power & Energy Society General Meeting, Calgary, Canada, 2009: 1-6.
[16] Department for Transport. Transport statistics bulletin- national travel survey: 2008[R]. London: Department for Transport, April 9, 2009.
[17] ESMAILI M, RAJABI M. Optimal charging of plug-in electric vehicles observing power grid constraints[J]. IET Generation, Transmission & Distribution, 2014, 8(4): 583-590.
[18] SHAHIDINEJAD S, FILIZADEH S, BIBEAU E. Profile of charging load on the grid due to plug-in vehicles[J]. IEEE Transactions on Smart Grid, 2012, 3(1): 135-141.
(編輯 周金梅)
An ordered charging strategy for electric vehicles accounting the compensation of predicted charging requests
XU Hao1, XIA Xinjue2, LI Hui1, OUYANG Fan1, LIU Haifeng1, ZHANG Lei3, LIANG Wenwu1
(1.State Grid Hunan Electric Power Corporation Research Institute, Changsha 410007, China;2. Hebei Electric Power Design &Research Institute, Shijiazhuang 050031, China; 3. State Grid Hunan Electric Power Corporation, Changsha 410000, China)
Aiming at the problem of an inadequate consideration and application of newly generated charging requests in subsequent periods, this paper proposes an ordered charging strategy accounting the compensation of predicted charging requests for the residential charging behaviors. At the end of each control periods evenly divided, the strategy corrects the predicted results of newly generated charging request of the current control time period, which is conducted in the former control time periods, and utilizes the predicted charging requests to compensate the newly added electric vehicles waiting for charging in each control time periods following the current control time period, which improves the application effect of predicted results of charging requests effectively. On this basis, the paper establishes an ordered charging control model aimed at minimizing the load fluctuations. Numerous example analyses and results show that the strategy can obtain very good implementation effects, and thus own great application prospects.
electric vehicle; residential charging behavior; charging request prediction; dynamic optimization; ordered charging
10.7667/PSPC152220
2015-12-23；
2016-03-30
徐 浩(1987-)，男，博士，主要研究方向為電力系統(tǒng)繼電保護與控制技術(shù)、微網(wǎng)及配網(wǎng)新技術(shù)；E-mail: 702110505@qq.com 夏鑫玨(1987-)，男，碩士，主要研究方向為智能系統(tǒng)設(shè)計、機器學(xué)習(xí)。E-mail: yourxinjue@163.com
猜你喜歡
當(dāng)代中國工人住宅區(qū)的保護與更新研究進展住區(qū)(2023年5期)2023-12-01 08:12:00 馬來西亞捕獲闖進住宅區(qū)的一頭巨型鱷長約5米重約800公斤奧秘(2023年1期)2023-02-28 03:11:36 冬“傲”時刻環(huán)球人物(2022年4期)2022-02-22 22:05:06 捕獵時刻小資CHIC！ELEGANCE(2021年32期)2021-09-18 06:17:14 四個養(yǎng)生黃金時段，你抓住了嗎中國生殖健康(2019年8期)2019-01-07 01:18:20 無限追蹤⑧小獼猴智力畫刊(2018年7期)2018-08-08 11:20:42 住宅區(qū)景觀設(shè)計及施工的品質(zhì)管理思考中國房地產(chǎn)業(yè)(2016年8期)2016-03-01 01:26:13 街拍的歡樂時刻到來了爆笑ｓｈｏｗ(2015年4期)2015-06-24 01:55:12 傍晚是交通事故高發(fā)時段發(fā)明與創(chuàng)新(2015年33期)2015-02-27 10:40:10 分時段預(yù)約在PICC門診維護中的應(yīng)用與探討西南軍醫(yī)(2015年5期)2015-01-23 01:25:07
徐 浩，夏鑫玨，李 輝，歐陽帆，劉海峰，張 磊，梁文武
?
計及充電請求預(yù)測補償?shù)碾妱悠囉行虺潆姴呗?/p>
徐 浩1，夏鑫玨2，李 輝1，歐陽帆1，劉海峰1，張 磊3，梁文武1
(1.國網(wǎng)湖南省電力公司電力科學(xué)研究院，湖南 長沙 410007；2.河北省電力勘測設(shè)計研究院，河北 石家莊 050031；3.國網(wǎng)湖南省電力公司，湖南 長沙 410000)
針對現(xiàn)有有序充電策略未能充分考慮和應(yīng)用后續(xù)時段內(nèi)新增充電請求的問題，提出了一種計及充電請求預(yù)測補償?shù)淖≌瑓^(qū)電動汽車有序充電控制策略。在均分出的每個控制時段末，該策略依據(jù)實際新增充電請求數(shù)據(jù)修正了先前控制時段對當(dāng)前控制時段新增充電請求的預(yù)測結(jié)果，并采用預(yù)測結(jié)果對后續(xù)各控制時間段內(nèi)的新增待充電請求作了補償，提高了充電請求預(yù)測結(jié)果的應(yīng)用效果。在此基礎(chǔ)上，構(gòu)建了使系統(tǒng)負(fù)荷波動最小的有序充電控制模型。大量的算例分析及結(jié)果表明，該策略實施效果上佳，應(yīng)用前景可觀。
電動汽車；住宅區(qū)充電行為；充電請求預(yù)測；動態(tài)優(yōu)化；有序充電策略
0 引言
電動汽車(Electric Vehicles, EVs)是一種清潔能源交通工具，可有效降低噪聲污染、二氧化碳排放量及化石能源消耗[1-2]。從各國政府及制造商對電動汽車發(fā)展的大力支持和推廣、電動汽車目前的市場份額及今后的發(fā)展趨勢、電動汽車自身的優(yōu)越特性來看，未來電動汽車的市場份額將達到一個較高水平[3-5]。但作為一種大功率電力負(fù)荷，電動汽車充電行為的固有隨機性將影響配電系統(tǒng)的負(fù)荷特性和經(jīng)濟運行[6-8]。特別是當(dāng)大量充電行為集中發(fā)生在系統(tǒng)傳統(tǒng)負(fù)荷高峰期時，系統(tǒng)負(fù)荷的峰值和峰谷差都將顯著增加[9-10]。因此，研究電動汽車有序充電策略、優(yōu)化規(guī)模化充電行為極有必要，其一方面能可靠、高效地滿足用戶龐大的充電需求，另一方面可將充電負(fù)荷對電網(wǎng)的負(fù)面影響降到最低。
目前，國內(nèi)外學(xué)者已就電動汽車有序充電問題做了大量的研究。文獻[11]以使系統(tǒng)能耗最小為目標(biāo)，利用非線性規(guī)劃算法對電動汽車充電行為進行了動態(tài)優(yōu)化。文獻[12]在考慮變壓器容量約束和用戶充電需求響應(yīng)能力的基礎(chǔ)上，建立了實現(xiàn)充電站運行經(jīng)濟效益最大化的電動汽車有序充電優(yōu)化模型。文獻[13]相繼以使充電站收益最大和因縮小峰谷差所受激勵最大為目標(biāo)，提出了充電站內(nèi)有序充電的兩階段優(yōu)化模型。這些文獻所研究的對象都是公共充電行為，即發(fā)生在位于公共場所的集中充電站內(nèi)的充電行為[14]。在公共充電行為，用戶進站后立即提出充電請求，并同時明示其車輛的最晚離站時刻。充電站站級控制中心或其上級控制中心則需要對用戶進站時已經(jīng)存在的充電請求及在用戶進站時刻至其最晚離站時刻之間新產(chǎn)生的充電請求進行有序安排，實現(xiàn)既定優(yōu)化目標(biāo)。但在制定有序充電策略時，上述文獻未能將在用戶進站至其最晚離站時刻之間新產(chǎn)生的充電請求考慮在內(nèi)，而僅研究將用戶進站時已存在的充電請求有序安排在其最晚離站時刻之前，因此其獲得的有序充電策略可能并非最優(yōu)。造成這一缺陷的主要原因是公共充電行為隨機性大，以至于在制定當(dāng)前時刻的有序充電策略時難以準(zhǔn)確預(yù)測后續(xù)時間段內(nèi)新增充電請求的生成時刻和數(shù)量。
但對住宅區(qū)充電行為進行有序控制時，上述問題可得以有效解決。因為相關(guān)研究表明，當(dāng)住宅區(qū)電動汽車達到較大規(guī)模時，其整體行駛特性將呈現(xiàn)一定的規(guī)律性[15-16]，在設(shè)計當(dāng)前控制時段內(nèi)住宅區(qū)有序充電策略時，可采取充電請求預(yù)測的方式將后續(xù)控制時段內(nèi)新增的充電請求考慮在內(nèi)，優(yōu)化有序充電策略的實施效果?；谶@個思想，文獻[5]假設(shè)規(guī)模化電動汽車用戶行駛習(xí)慣近似為正態(tài)分布，并預(yù)測了全天各時段的新增充電請求；文獻[17]基于美國家用車輛使用習(xí)慣調(diào)查結(jié)果同樣將用戶的出行規(guī)律模擬為正態(tài)分布。這些文獻在充電請求預(yù)測結(jié)果的基礎(chǔ)上，采用靜態(tài)優(yōu)化的方式將后續(xù)時段內(nèi)新增充電請求融入進有序充電策略中，在一定程度上改善了有序充電策略的的實施效果。靜態(tài)優(yōu)化策略假定用戶在未來時刻的充電請求都是完全按照文獻[5]或文獻[17]所提正態(tài)分布規(guī)律發(fā)生，但事實上新增充電請求的預(yù)測結(jié)果與實際結(jié)果之間存在差異，因此靜態(tài)優(yōu)化策略在實施過程中可能出現(xiàn)實際新增充電請求與其制定的充電計劃相悖的不利情形，以至于文獻[5]或文獻[17]所制定的有序充電控制目標(biāo)無法順利實現(xiàn)。
本文提出了一種計及充電請求預(yù)測補償?shù)淖≌瑓^(qū)電動汽車有序充電控制策略。該策略基于與車輛行駛習(xí)慣相關(guān)的統(tǒng)計數(shù)據(jù)對后續(xù)各控制時間內(nèi)的新增充電請求進行了預(yù)測，并采用動態(tài)優(yōu)化的方式對規(guī)模化充電行為進行有序控制，提高了充電請求預(yù)測結(jié)果的應(yīng)用效果。在均分出的每個控制時段末，該策略首先依據(jù)實際新增充電請求數(shù)據(jù)修正了先前控制時段對該控制時段的新增充電請求預(yù)測結(jié)果，然后采用充電請求預(yù)測結(jié)果對后續(xù)各控制時間段內(nèi)的新增待充電請求進行補償，在此基礎(chǔ)上，構(gòu)建了使系統(tǒng)負(fù)荷波動最小的有序充電控制模型，并采用Monte Carlo算法對該模型作了求解。算例分析的良好結(jié)果表明，該策略具有比無補償有序充電策略和有補償?shù)撵o態(tài)有序充電策略更好的實施效果，具有非常可觀的應(yīng)用前景。
1 住宅區(qū)充電行為分析
電動汽車的規(guī)模化發(fā)展離不開有效又便捷充電方式的開發(fā)。住宅區(qū)充電行為具有操作性強、對用戶零干擾、允許持續(xù)充電時間較長、居民用電電價低等優(yōu)點，并采用充電功率較小的常規(guī)充電模式，對電網(wǎng)的沖擊較小，因而被認(rèn)為是最理想的充電方式[14]，其廣泛實施有利于提高電動汽車的實用性。目前，電動汽車?yán)m(xù)駛里程已較長，91.4%電動汽車用戶的日充電需求量都在車載電池的容量范圍內(nèi)[15-16]。這部分用戶日最后一次出行結(jié)束后將其電動汽車充滿電，第二天全天都無需進行二次充電。隨著電動汽車動力特性及車載電池性能的不斷發(fā)展，未來將有更多的用戶最多每天只需充一次電。因此不難想象，未來住宅區(qū)充電行為將在電動汽車用戶的充電模式中占有極大的比重。
住宅區(qū)充電行為多發(fā)生于用戶日最后一次出行結(jié)束以后，允許充電時段可一直延續(xù)到次日第一次出行開始，期間間隔時間較長，具有較高的可控性。為了配合有序充策略的順利實施，筆者認(rèn)為電動汽車上都裝有智能充電設(shè)備作技術(shù)支撐。用戶日最后一次出行結(jié)束后即將需要充電的電動汽車連接至鄰近電源設(shè)備并產(chǎn)生充電請求，但受智能充電設(shè)備約束，充電過程并不立即開始。智能充電設(shè)備是基于雙向、高速通信機制的過程層電子設(shè)備，其具備的功能至少應(yīng)包括以下幾項：①?在電動汽車與電源設(shè)備相連接的情況下，控制電動汽車開始充電的時刻；②?記錄電動汽車的實時荷電狀態(tài)，即開始充電時刻的荷電狀態(tài)，并計算其所需充電時長；③?與上級控制中心進行通信交互，提交充電請求，上傳充電所需時長，接受并執(zhí)行上級控制中心下達的充電控制指令。在智能充電設(shè)備輔助下，用戶將電動汽車連接電源后，直到次日第一次用車前都無需過問充電過程。
此外，鑒于電動汽車車載電池的壽命以充電次數(shù)來衡量，本文不考慮間歇充電模式[5]。充電過程一經(jīng)開始，將一直持續(xù)到電池充滿。因此，住宅區(qū)充電行為有序充電策略的主要控制因素是用戶開始充電的時刻。通過對充電開始時刻的控制，滿足各用戶的充電需求，并錯開充電負(fù)荷峰值和配電網(wǎng)傳統(tǒng)負(fù)荷峰值，實現(xiàn)配電網(wǎng)的經(jīng)濟高效運行。
2 住宅區(qū)有序充電控制策略
將一天均分為48個控制時段，即每個控制時段為半小時。配網(wǎng)控制中心僅在每個控制時段末對待充電電動汽車的充電開始時刻進行有序安排。其中，待充電電動汽車指在當(dāng)前時刻已產(chǎn)生充電請求但還未開始充電的電動汽車。住宅區(qū)充電行為與公共充電行為不同，其不存在最晚離站時刻。但考慮到全國范圍內(nèi)大部分行業(yè)工作作息時間基本同步，本文為住宅區(qū)用戶設(shè)置了兩個最晚充電截止時刻，即次日7:00和次日12:00，分配如下：對于日最后一次出行結(jié)束時刻(即充電開始時刻)早于24:00的用戶，其充電行為可最晚持續(xù)到次日7:00；對于日最后一次出行結(jié)束時刻介于24:00和次日7:00之間的用戶，為了保證其有足夠的時間將電動汽車電池充滿，其充電行為可最晚持續(xù)到次日12:00。為了方便論述，對于日最后一次出行結(jié)束時刻早于24:00的用戶，在制定其有序充電策略時，從7:30至次日7:00，依次將各控制時段標(biāo)記為1,2,…,48；對于日最后一次出行結(jié)束時刻介于24:00和次日7:00之間的用戶，在制定其有序充電策略時，從12:30至次日12:00，依次將各控制時段標(biāo)記為1,2,…,48。以系統(tǒng)負(fù)荷(包括傳統(tǒng)負(fù)荷和充電負(fù)荷)波動最小化為目標(biāo)，住宅區(qū)有序充電策略可表示為
(2)
(3)
上述有序充電策略中，傳統(tǒng)負(fù)荷預(yù)測值通過系統(tǒng)過往日負(fù)荷曲線獲得；充電請求預(yù)測值(即預(yù)測出的在當(dāng)前控制時段后續(xù)的各控制時段內(nèi)產(chǎn)生的充電請求的數(shù)量)通過用戶過往日最后一次出行結(jié)束時刻統(tǒng)計數(shù)據(jù)獲得。配網(wǎng)控制中心統(tǒng)籌在當(dāng)前控制時段已存在的充電請求及預(yù)測出的將在后續(xù)各控制時段內(nèi)產(chǎn)生的充電請求，根據(jù)優(yōu)化模型的解給出安排在當(dāng)前控制時間末及其后續(xù)各充電時間段末開始充電的充電負(fù)荷。系統(tǒng)日負(fù)荷曲線較為固定，預(yù)測值與實際值相差不大；但電動汽車充電隨機性強，充電請求的預(yù)測值與實際值之間存在差異，因此，在時間序列上，配網(wǎng)控制中心會依次在每個控制時間末制定一次有序充電策略，并用后續(xù)控制時段制定的充電計劃覆蓋前一控制時段末制定的充電計劃，通過這種重疊式的計劃修正來優(yōu)化有序充電策略的實施效果。在當(dāng)前控制時段末制定的充電策略中，僅為確定值，這部分用戶將在當(dāng)前控制時段末開始充電；而,,都是不確定值，并不一定會在相應(yīng)控制時段末開始充電，這部分用戶在后一控制時段末將被重新視為未獲得充電安排的待充電電動汽車，是后一控制時段末制定有序充電策略時的控制變量。
此外，上述有序充電策略需滿足以下約束條件：
1) 充電開始時刻約束
即每個用戶的充電開始時刻應(yīng)該晚于該用戶日最后一次出行結(jié)束的時刻，并保證充電截止時刻早于用戶的最晚充電截止時刻：
(5)
2) 荷電狀態(tài)約束
即每個用戶在整個充電過程中的荷電狀態(tài)介于充電開始時荷電狀態(tài)和1之間。
3) 容量約束
即各控制時段末的系統(tǒng)總負(fù)荷水平應(yīng)不超過住宅區(qū)上級變壓器的容量：
4) 充電連續(xù)性約束
即某電動汽車一旦開始充電，則充電過程將一直持續(xù)到該電動汽車充滿電為止。
3 算例分析
為了驗證本文所提有序充電策略的實施效果，本節(jié)擬基于加拿大Manitoba地區(qū)冬季典型日負(fù)荷曲線和2001年美國交通部對全美家用車輛的調(diào)查結(jié)果(National Household Travel Survey, NHTS)作算例分析。算例分析共包括4種充電情形：①?計及充電請求預(yù)測補償?shù)膭討B(tài)有序充電模式，即本文所提有序充電模式；②?計及充電請求預(yù)測補償?shù)撵o態(tài)有序充電模式，即文獻[5, 17]提出的有序充電模式；③?無補償?shù)行虺潆娔Ｊ?，即文獻[11-13]提出的有序充電模式；④?無補償且無序充電模式，即假定用戶在日最后一次出行結(jié)束后立即開始對電動汽車充電。4種充電模式針對的都是住宅區(qū)充電行為，其中，在第④?種充電模式下用戶的充電起始時刻等于其充電請求生成時刻。下文首先給出充電請求生成時刻和用戶所需充電時長的模擬方法，然后詳述4種充電模式的仿真步驟，最后對比3種充電模式實施效果并給出仿真結(jié)論。
依據(jù)NHTS，家用車輛日最后一次出行結(jié)束時刻的概率分布特性可用式(10)刻畫[15-16]。
圖1 充電開始時刻概率密度曲線
Fig. 1 Probability density curve of charging start time
用戶所需充電時長與其提出充電請求時的荷電狀態(tài)(即充電起始荷電狀態(tài))線性相關(guān)，如式(6)所示。假定電動汽車行駛過程中的的累積耗電量與行駛里程具有線性關(guān)系，則其充電起始荷電狀態(tài)與日行駛里程有如下關(guān)系。
(12)
本章采用蒙特卡洛法對前3種充電模式的實施效果進行模擬仿真。其中，第①種充電模式的具體仿真步驟如下：
1) 計算出在當(dāng)前控制時段后續(xù)的各控制時段內(nèi)新增待充電電動汽車數(shù)量。
式中：指第個控制時段；表示電動汽車保有量；0.5指控制時段時長為半個小時。
2) 依據(jù)式(12)和式(11)依次隨機生成各控制時段上新增待充電電動汽車的充電起始荷電狀態(tài)，并依據(jù)式(6)計算各用戶所需的充電時長。
3) 依據(jù)式(4)求解各用戶充電起始時刻的值域空間，并用函數(shù)隨機生成各用戶的充電起始時刻。
4) 將各用戶所產(chǎn)充電負(fù)荷疊加到系統(tǒng)負(fù)荷中。
5) 依據(jù)式(1)計算系統(tǒng)負(fù)荷方差，并與過程變量相比較。過程變量初值設(shè)為200。若所得負(fù)荷方差小于過程變量，則將過程變量替換為該負(fù)荷方差值，并記錄此時各控制時段末的系統(tǒng)負(fù)荷值；若所得負(fù)荷方差大于過程變量，則不做任何操作轉(zhuǎn)入下一仿真步驟。
6) 判斷是否達到Monte Carlo總循環(huán)次數(shù)。每次仿真中總循環(huán)次數(shù)設(shè)為10 000次，足以保證Monte Carlo的準(zhǔn)確度。若為達到總循環(huán)次數(shù)，則轉(zhuǎn)至步驟(1)；否則結(jié)束仿真，輸出過程變量及其對應(yīng)的系統(tǒng)負(fù)荷曲線。
在第①種充電模式仿真步驟的基礎(chǔ)作些修改可得出第②種充電模式和第③種充電模式的仿真步驟。從上述仿真步驟中去掉第2)步即獲得第②種充電模式的仿真步驟。第③種充電模式的仿真步驟與第②種充電模式近似一致，只是存在兩處差異：(a) 第1)步不需要計算后續(xù)各控制時段內(nèi)新增待充電電動汽車的數(shù)量，而僅需計算當(dāng)前控制時段末所有待充電電動汽車的數(shù)量；(b) 第2)步中不需要生成后續(xù)各控制時段內(nèi)新增待充電電動汽車的荷電狀態(tài)，而僅需生成當(dāng)前控制時段末所有待充電電動汽車的荷電狀態(tài)。此外，第④種充電模式無需有序控制，其仿真過程較簡單：首先依據(jù)式(11)—式(13)隨機生成各控制時段內(nèi)新增待充電電動汽車的數(shù)量和所需充電時長，然后直接將充電負(fù)荷疊加到系統(tǒng)負(fù)荷中，此處不另作贅述。
基于上述步驟，作者分別仿真了電動汽車保有量為10萬臺、20萬臺和30萬臺時有序充電策略的實施效果。Manitoba地區(qū)目前擁有643 580輛注冊乘用車，3種仿真規(guī)模分別占到Manitoba地區(qū)汽車保有量的15.5%、31%和46.6%[18]。仿真過程中，電動汽車車載電池容量和額定充電功率分別設(shè)為32 kW·h和8 kW·h。針對4種充電模式的仿真結(jié)果如圖2—圖4及表1—表3所示。其中，圖2—圖4分別是電動汽車保有量為10萬臺、20萬臺和30萬臺時4種充電模式實施后的系統(tǒng)負(fù)荷曲線；表1、表2和表3分別為電動汽車保有量為10萬臺、20萬臺和30萬臺時3種充電模式實施后的系統(tǒng)負(fù)荷特性。
圖2 電動汽車保有量為10萬臺的仿真結(jié)果
圖3 電動汽車保有量為20萬臺的仿真結(jié)果
圖2—圖4各包含5條曲線，其中原始負(fù)荷為加拿大Manitoba地區(qū)冬季典型日負(fù)荷曲線。分析圖2—圖4及表1—表3，可獲得如下結(jié)論：1) 在第④種充電模式下，系統(tǒng)負(fù)荷峰值、峰谷差和方差都較原始負(fù)荷有明顯提升，說明無序充電行為惡化了系統(tǒng)的負(fù)荷特性；2) 第①種充電模式和第②種充電模式下，系統(tǒng)負(fù)荷峰谷差和方差均比第③種充電模式下的情況好，說明在有序充電策略中考慮后續(xù)時段的充電請求可獲得更好的實施效果；3) 第①種充電模式下，系統(tǒng)負(fù)荷峰谷差和方差均比第②種充電模式下的情況好，說明對充電行為進行動態(tài)優(yōu)化控制可獲得更好的實施效果；4) 隨著電動汽車保有量的增加，第①種充電模式較另兩種有序充電模式在改善系統(tǒng)負(fù)荷特性上的優(yōu)越性體現(xiàn)得更加明顯，以負(fù)荷方差為例，當(dāng)電動汽車保有量從10萬臺增至30萬臺時，第①種充電模式與第②種充電模式的偏差從0.002 9擴大至0.010 2，與第③種充電模式的偏差從0.008 7擴大至0.041 5。
圖4 電動汽車保有量為30萬臺的仿真結(jié)果
表1 電動汽車保有量為10萬臺的負(fù)荷特性表
進一步分析圖3，發(fā)現(xiàn)第③種充電模式將更多的負(fù)荷安排在了03:00—07:00之間，而在23:00—24:00之間安排的充電負(fù)荷較少，以致造成系統(tǒng)負(fù)荷谷值和方差的改善效果不夠充分。究其原因，第③種充電模式在安排充電計劃時，沒有考慮后續(xù)新增充電請求的影響，從第一個控制時段開始即盡量將充電負(fù)荷安排到系統(tǒng)負(fù)荷最低谷期，以至于負(fù)荷最低谷期積累的待充電負(fù)荷過多。這種趨勢在圖4中表現(xiàn)更明顯。圖4中，第①種充電模式(或第②種充電模式)充分利用了11:00—17:00時段內(nèi)系統(tǒng)吸納充電負(fù)荷的能力，因而獲得了更好的負(fù)荷特性；而第③種充電模式則忽略了這段時期系統(tǒng)吸納充電負(fù)荷的能力，將大量的充電負(fù)荷都堆積在系統(tǒng)負(fù)荷最低谷期，使得系統(tǒng)負(fù)荷谷值和方差都較前兩種充電模式惡劣。
表2 電動汽車保有量為20萬臺的負(fù)荷特性表
表3 電動汽車保有量為30萬臺的負(fù)荷特性表
進一步分析圖4，發(fā)現(xiàn)第②種充電模式在11:00—17:00時段內(nèi)安排的充電負(fù)荷比第①種充電模式少，以致更多的充電負(fù)荷集中到7:00之前的若干控制時段內(nèi)。而由圖1可知，充電請求預(yù)測結(jié)果峰值的出現(xiàn)時間早于實際結(jié)果的峰值。因此，在第②種充電模式制定的充電計劃中，11:00—17:00時段之間安排有足夠多的充電負(fù)荷。但這一時段內(nèi)新增充電請求的實際值小于預(yù)測值，以至于在實施過程中充電計劃不能完全落實，由此造成了第②種充電模式的實施效果不如第①種充電模式。事實上，即使充電請求預(yù)測峰值的出現(xiàn)時間晚于實際峰值，比如圖1中兩條曲線交換屬性，第①種充電模式仍然可以獲得更好的事實效果，因為此時第②種充電模式將陷入同第③種充電模式一樣未能充分利用次低估期吸納充電負(fù)荷能力而不能獲得更好實施效果的不利局面。
4 結(jié)論
本文針對住宅區(qū)充電行為，提出了一種計及充電請求預(yù)測補償?shù)挠行虺潆姴呗浴Ｔ摬呗圆捎贸潆娬埱箢A(yù)測結(jié)果補償在當(dāng)前控制時段后續(xù)的各控制時段內(nèi)新增待充電電動汽車，可優(yōu)化控制策略的實施效果。在大量算例分析及結(jié)果的基礎(chǔ)上，本文獲得如下結(jié)論：
(1) 充電負(fù)荷在數(shù)值上遠(yuǎn)小于傳統(tǒng)負(fù)荷，因此傳統(tǒng)負(fù)荷低谷期具有足夠容納所有充電負(fù)荷的能力，即有序充電策略的可行性較高。
(2) 基于充電請求預(yù)測補償?shù)膭討B(tài)有序充電策略具有比無補償?shù)行虺潆姴呗愿玫膶嵤┬Ч?。原因在于無補償?shù)行虺潆姴呗詻]有考慮后續(xù)新增充電請求的影響，往往會將大部分充電負(fù)荷安排到系統(tǒng)負(fù)荷最低谷期，而忽略了系統(tǒng)負(fù)荷次低谷期吸納充電負(fù)荷能力。
(3) 基于充電請求預(yù)測補償?shù)膭討B(tài)有序充電策略具有比靜態(tài)有序充電策略更好的實施效果。原因在于靜態(tài)有序充電策略沒有考慮后續(xù)時段充電請求預(yù)測值與實際值的差異，以致所制定的充電計劃往往難以順利實現(xiàn)。
(4) 隨著電動汽車保有量增長，基于充電請求補償?shù)膭討B(tài)有序充電策略較另外兩種有序充電策略在改善系統(tǒng)負(fù)荷特性上的優(yōu)越性體現(xiàn)得更加明顯。
[1] 張學(xué)清, 梁軍, 張利, 等. 計及風(fēng)光電源的一種地區(qū)電網(wǎng)電動汽車充電調(diào)度方法[J]. 電工技術(shù)學(xué)報, 2013, 28(2): 28-35.
ZHANG Xueqing, LIANG Jun, ZHANG Li, et al. Approach for plug-in electric vehicles charging scheduling considering wind and photovoltaic power in chinese regional power grids[J]. Transactions of China Electrotechnical Society, 2013, 28(2): 28-35.
[2] 肖湘寧, 溫劍鋒, 陶順, 等. 電動汽車充電基礎(chǔ)設(shè)施規(guī)劃中若干關(guān)鍵問題的研究和建議[J]. 電工技術(shù)學(xué)報, 2014, 29(8): 1-10.
XIAO Xiangning, WEN Jianfeng, TAO Shun, et al. Study and recommendations of the key issues in planning of electric vehicles’ charging facilities[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 1-10.
[3] 黨杰, 湯奕, 寧佳, 等. 基于用戶意愿和出行規(guī)律的電動汽車充電負(fù)荷分配策略[J]. 電力系統(tǒng)保護與控制, 2015, 43(16): 8-15.
DANG Jie, TANG Yi, NING Jia, et al. A strategy for distribution of electric vehicles charging load based on user intention and trip rule[J]. Power System Protection and Control, 2015, 43(16): 8-15.
[4] 張聰, 許曉慧, 孫海順, 等. 基于自適應(yīng)遺傳算法的規(guī)模化電動汽車智能充電策略研究[J]. 電力系統(tǒng)保護與控制, 2014, 42(14): 19-24.
ZHANG Cong, XU Xiaohui, SUN Haishun, et al. Smart charging strategy of large-scale electric vehicles based on adaptive genetic algorithm[J]. Power System Protection and Control, 2014, 42(14): 19-24.
[5] 黃貴鴻, 雷霞, 蘆楊, 等. 考慮用戶滿意度的電動汽車用戶側(cè)最優(yōu)智能充放電策略[J]. 電力系統(tǒng)保護與控制, 2015, 43(24): 40-47.
HUANG Guihong, LEI Xia, LU Yang, et al. Optimus smart charge-discharge tactics in electric vehicle user profile considering user’s satisfaction[J]. Power System Protection and Control, 2015, 43(24): 40-47.
[6] 楊冰, 王麗芳, 廖承林. 大規(guī)模電動汽車充電需求及影響因素[J]. 電工技術(shù)學(xué)報, 2013, 28(2): 22-27.
YANG Bing, WANG Lifang, LIAO Chenglin. Research on power-charging demand of large-scale electric vehicles and its impacting factors[J]. Transactions of China Electrotechnical Society, 2013, 28(2): 22-27.
[7] 徐國鈞, 劉永勝, 李題印, 等. 基于層次分析和概率模擬的電動汽車對配網(wǎng)負(fù)荷影響研究[J]. 電力系統(tǒng)保護與控制, 2012, 40(22): 38-45.
XU Guojun, LIU Yongsheng, LI Tiyin, et al. Study on the impact of electric vehicles charging load integrated into distribution network based on analytic hierarchy process and probabilistic simulation[J]. Power System Protection and Control, 2012, 40(22): 38-45.
[8] 田文奇, 和敬涵, 姜久春, 等. 電動汽車換電站有序充電調(diào)度策略研究[J]. 電力系統(tǒng)保護與控制, 2012, 40(21): 114-119.
TIAN Wenqi, HE Jinghan, JIANG Jiuchun, et al. Researchon dispatching strategy for coordinated charging of electric vehicle battery swapping station[J]. Power System Protection and Control, 2012, 40(21): 114-119.
[9] 葛少云, 黃镠, 劉洪. 電動汽車有序充電的峰谷電價時段優(yōu)化[J]. 電力系統(tǒng)保護與控制, 2012, 40(10): 1-5.
GE Shaoyun, HUANG Liu, LIU Hong. Optimization of peak-valley TOU power price time-period in ordered charging mode of electric vehicle[J]. Power System Protection and Control, 2012, 40(10): 1-5.
[10] FERNáNDEZ L P, SAN ROMáN T G, COSSENT R, et al. Assessment of the impact of plug-in electric vehicles on distribution networks[J]. IEEE Transactions on Power Systems, 2011, 26(1): 206-213.
[11] ESMAILI M, RAJABI M. Optimal charging of plug-in electric vehicles observing power grid constraints[J]. IET Generation, Transmission & Distribution, 2014, 8(4): 583-590.
[12]徐智威, 胡澤春, 宋永華, 等. 充電站內(nèi)電動汽車有序充電策略[J]. 電力系統(tǒng)自動化, 2012, 32(11): 38-43.
XU Zhiwei, HU Zechun, SONG Yonghua, et al. Coordinated charging of plug-in electric vehicle in charging stations[J]. Automation of Electric Power Systems, 2012, 32(11): 38-43.
[13]張良, 嚴(yán)正, 馮冬涵, 等. 采用兩階段優(yōu)化模型的電動汽車充電站內(nèi)有序充電策略[J]. 電網(wǎng)技術(shù), 2014, 38(4): 967-973.
ZHANG Liang, YAN Zheng, FENG Donghan, et al. Two-stage optimization model based coordinated charging for EV charging station[J]. Power System Technology, 2014, 38(4): 967-973.
[14] XU Hao, MIAO Shihong, ZHANG Chunyong, et al. Optimal placement of charging facilities for large-scale electric vehicles[J]. International Journal of Electrical Power & Energy System, 2013, 53(1): 159-165.
[15] TAYLOR M J, ALEXANDER A. Evaluation of the impact of plug-in electric vehicle loading on distribution system operations[C] // IEEE Power & Energy Society General Meeting, Calgary, Canada, 2009: 1-6.
[16] Department for Transport. Transport statistics bulletin- national travel survey: 2008[R]. London: Department for Transport, April 9, 2009.
[17] ESMAILI M, RAJABI M. Optimal charging of plug-in electric vehicles observing power grid constraints[J]. IET Generation, Transmission & Distribution, 2014, 8(4): 583-590.
[18] SHAHIDINEJAD S, FILIZADEH S, BIBEAU E. Profile of charging load on the grid due to plug-in vehicles[J]. IEEE Transactions on Smart Grid, 2012, 3(1): 135-141.
(編輯 周金梅)
An ordered charging strategy for electric vehicles accounting the compensation of predicted charging requests
XU Hao1, XIA Xinjue2, LI Hui1, OUYANG Fan1, LIU Haifeng1, ZHANG Lei3, LIANG Wenwu1
(1.State Grid Hunan Electric Power Corporation Research Institute, Changsha 410007, China;2. Hebei Electric Power Design &Research Institute, Shijiazhuang 050031, China; 3. State Grid Hunan Electric Power Corporation, Changsha 410000, China)
Aiming at the problem of an inadequate consideration and application of newly generated charging requests in subsequent periods, this paper proposes an ordered charging strategy accounting the compensation of predicted charging requests for the residential charging behaviors. At the end of each control periods evenly divided, the strategy corrects the predicted results of newly generated charging request of the current control time period, which is conducted in the former control time periods, and utilizes the predicted charging requests to compensate the newly added electric vehicles waiting for charging in each control time periods following the current control time period, which improves the application effect of predicted results of charging requests effectively. On this basis, the paper establishes an ordered charging control model aimed at minimizing the load fluctuations. Numerous example analyses and results show that the strategy can obtain very good implementation effects, and thus own great application prospects.
electric vehicle; residential charging behavior; charging request prediction; dynamic optimization; ordered charging
10.7667/PSPC152220
2015-12-23；
2016-03-30
徐 浩(1987-)，男，博士，主要研究方向為電力系統(tǒng)繼電保護與控制技術(shù)、微網(wǎng)及配網(wǎng)新技術(shù)；E-mail: 702110505@qq.com 夏鑫玨(1987-)，男，碩士，主要研究方向為智能系統(tǒng)設(shè)計、機器學(xué)習(xí)。E-mail: yourxinjue@163.com
猜你喜歡
住區(qū)(2023年5期)2023-12-01 08:12:00
奧秘(2023年1期)2023-02-28 03:11:36
環(huán)球人物(2022年4期)2022-02-22 22:05:06
小資CHIC！ELEGANCE(2021年32期)2021-09-18 06:17:14
中國生殖健康(2019年8期)2019-01-07 01:18:20
小獼猴智力畫刊(2018年7期)2018-08-08 11:20:42
中國房地產(chǎn)業(yè)(2016年8期)2016-03-01 01:26:13
爆笑ｓｈｏｗ(2015年4期)2015-06-24 01:55:12
發(fā)明與創(chuàng)新(2015年33期)2015-02-27 10:40:10
西南軍醫(yī)(2015年5期)2015-01-23 01:25:07
