考慮時(shí)空分布的電動(dòng)汽車充電控制策略

黃 珊 郭秀娟

(吉林建筑大學(xué) 電氣與計(jì)算機(jī)學(xué)院,長(zhǎng)春 130118)

隨著能源短缺的日益嚴(yán)重和環(huán)保呼聲的高漲,電動(dòng)汽車(Electric vehicle,EV)作為一種低碳、清潔的交通工具,受到各國(guó)政府的高度關(guān)注[1].

電動(dòng)汽車具有：① 充電負(fù)荷較大,充電時(shí)間長(zhǎng)；② 所有權(quán)歸于用戶,難以進(jìn)行集中式管理；③ 在行駛中,具有時(shí)空分布不確定性等特點(diǎn).當(dāng)電動(dòng)汽車大規(guī)模投入使用時(shí),其連入電網(wǎng)的充電負(fù)荷會(huì)對(duì)電力系統(tǒng)的運(yùn)行與規(guī)劃產(chǎn)生很大的影響(比如電能損耗、運(yùn)營(yíng)成本[2]及諧波污染[3]等).準(zhǔn)確的電動(dòng)汽車負(fù)荷特性分析和高精度的電動(dòng)汽車負(fù)荷預(yù)測(cè)具有重要意義[4],因此,本研究對(duì)應(yīng)的充電策略是目前的首要任務(wù).

1 智能交通系統(tǒng)與OD矩陣簡(jiǎn)介

智能交通系統(tǒng)又稱智能運(yùn)輸系統(tǒng),是將先進(jìn)的信息技術(shù)、數(shù)據(jù)通信技術(shù)、傳感器技術(shù)等有效地綜合運(yùn)用于交通運(yùn)輸管理體系,建立大范圍、全方位、實(shí)時(shí)、準(zhǔn)確、高效的綜合運(yùn)輸管理系統(tǒng).通過行人、車輛、道路的和諧配合提高交通運(yùn)輸效率,緩解交通阻塞,提高路網(wǎng)通過能力,減少交通事故,降低能源消耗并減輕環(huán)境污染.智能交通系統(tǒng)中的關(guān)鍵技術(shù)是反映特定時(shí)段內(nèi)隨時(shí)間變化交通需求模式的OD矩陣，對(duì)OD矩陣進(jìn)行學(xué)習(xí)、探討及應(yīng)用,將有利于交通環(huán)境改善.

OD調(diào)查,即交通起點(diǎn)與終點(diǎn)間交通出行量的調(diào)查.特點(diǎn)是將人車貨的出行活動(dòng)視為交通形成細(xì)胞,由此研究交通的產(chǎn)生與分布.本文運(yùn)用車輛OD調(diào)查,并將研究區(qū)域劃分為5個(gè)部分.OD調(diào)查通常用一個(gè)二維表格表示,稱為OD表(或OD矩陣).OD矩陣是交通網(wǎng)絡(luò)中所有起點(diǎn)與終點(diǎn)之間出行交換數(shù)量的表格,反映用戶對(duì)交通網(wǎng)絡(luò)的基本需求,描述特定時(shí)間段內(nèi)一個(gè)交通網(wǎng)絡(luò)中所有起點(diǎn)到終點(diǎn)的交通出行量[5].

2 計(jì)時(shí)空分布的電動(dòng)汽車充放電模型

2.1 電動(dòng)汽車的特性

以交通使用為基礎(chǔ)對(duì)電動(dòng)汽車進(jìn)行分類,分為私人擁有、公有、退休或是失業(yè)者擁有3種[6]，并根據(jù)分類確定電動(dòng)汽車行駛模式.引入OD分析,旨在電動(dòng)汽車行駛的起點(diǎn)和終點(diǎn)確定電動(dòng)汽車的流動(dòng)性和城市的交通出行量.由于私人擁有型電動(dòng)汽車通常是在家和工作地點(diǎn)間行駛,途徑簡(jiǎn)單,本文選擇此類電動(dòng)汽車進(jìn)行研究.選擇型號(hào)：L7e(貨物運(yùn)輸車)；M1(轎車)；N1(貨物運(yùn)輸車)；N2(貨物運(yùn)輸車)這4種電動(dòng)汽車作為研究對(duì)象.研究假定電池60%是鋰離子,40%是鉛酸.

根據(jù)調(diào)查得到的電動(dòng)汽車電池容量數(shù)據(jù),設(shè)每種類型電動(dòng)汽車(L7e,M1,N2,N2)的電池容量，按式(1)和式(2)計(jì)算，得到各項(xiàng)參數(shù)(見表1).

表1 電動(dòng)汽車電池容量的最適概率密度函數(shù)Table 1 Optimal probability density function of battery capacity for electric vehicles

(1)

式中,Capr為每輛電動(dòng)汽車的電池容量，kW·h；α為形狀參數(shù)；β為尺度參數(shù)；μ為位置參數(shù)；σ為尺度參數(shù)；Γ(α)為伽馬分布.

對(duì)調(diào)查得到的不同類型的電動(dòng)汽車最大行駛距離通過多項(xiàng)式擬合，確定最大行駛距離和電池容量之間的關(guān)系,便于完善時(shí)空模型的數(shù)據(jù)庫.

2.2 OD分析

OD分析是一種使用廣泛的交通運(yùn)輸規(guī)劃方法[7].通過OD分析研究時(shí)空模型中區(qū)域的地理信息、電動(dòng)汽車的數(shù)量和電動(dòng)汽車移動(dòng)性等信息.

利用Trans CAD軟件模擬研究城市,將城市分為5個(gè)區(qū)域，并將所研究城市的3種類型的功能區(qū)(住宅區(qū)、商業(yè)區(qū)和工業(yè)區(qū))合理分配到5個(gè)區(qū)域內(nèi).

在交通規(guī)劃中,質(zhì)心代表功能區(qū)的幾何中心.在時(shí)空模型中,兩區(qū)域間的距離Dij由式(3)的正態(tài)分布得到：

Dij=N(μij，σij2) (3)

式中,μij是質(zhì)心i和j間的直線距離,m；σij是考慮駕駛員喜好的路徑選擇標(biāo)準(zhǔn)偏差.

用ts和tf分別代表電動(dòng)汽車1天內(nèi)第1次行駛的起始時(shí)間.根據(jù)本文選擇的電動(dòng)汽車類型,假定1天只有2次行駛,ts和tf分別為電動(dòng)汽車從家到工作地點(diǎn)的往返時(shí)間.

在一個(gè)特定城區(qū)內(nèi),OD矩陣是用來模擬1天內(nèi)電動(dòng)汽車從初始位置到終點(diǎn)的流動(dòng)性.

在模型中,為便于OD矩陣分析，設(shè)如下變量：

(4)

2.3 電動(dòng)汽車的充電負(fù)荷

根據(jù)以下步驟確定電動(dòng)汽車的充電負(fù)荷.

對(duì)于每輛電動(dòng)汽車,蒙特卡洛模擬的作用是生成相應(yīng)的最適合概密度函數(shù)和約束電池容量.如果產(chǎn)生的電池容量不在規(guī)定的容量范圍內(nèi),將重復(fù)此步驟,直至滿足約束條件.在以上產(chǎn)生每輛電動(dòng)汽車電池容量的基礎(chǔ)上,每輛電動(dòng)汽車相應(yīng)的最大行駛距離由Capr與Ran之間的關(guān)系決定.

利用OD分析模擬電動(dòng)汽車1天的活動(dòng).電動(dòng)汽車1天內(nèi)行駛時(shí)間ts和終止時(shí)間tf的分布如圖1、圖2所示.由圖1曲線可見,電動(dòng)汽車的起始時(shí)間基本上全部在早晨7～8點(diǎn)左右的早高峰時(shí)間段；由圖2曲線可見,電動(dòng)汽車的終止時(shí)間基本上全部在下午4～5點(diǎn)左右的晚高峰時(shí)間段,在晚上9～11點(diǎn)的時(shí)間段也出現(xiàn)了一個(gè)小高峰.

圖1 HBW 1天內(nèi)行駛的起始時(shí)間Fig.1 HBW starting time in a day

圖2 HBW 1天內(nèi)行駛的終止時(shí)間Fig.2 HBW termination time in a day

2.3.1 確定慢速充電的開始時(shí)間tsc

tsc是確定電動(dòng)汽車充電負(fù)荷時(shí)間分布的關(guān)鍵參數(shù).電動(dòng)汽車的充電時(shí)間由人們的日常交通出行和電動(dòng)汽車的充電策略決定.本文采用兩種充電策略確定慢速充電開始時(shí)間tsc.

(1) 無序充電策略. 默認(rèn)電動(dòng)汽車日常行駛結(jié)束回到家以后立刻開始充電，即慢速充電的開始時(shí)間tsc等于電動(dòng)汽車行駛的完成時(shí)間tf,如圖2所示.

(2) 有序充電策略[8]. 設(shè)想有一個(gè)基于雙遞階控制結(jié)構(gòu)的主動(dòng)管理系統(tǒng),一邊由聚合商領(lǐng)導(dǎo),另一邊由系統(tǒng)運(yùn)營(yíng)商控制.進(jìn)一步假定電動(dòng)汽車的充電負(fù)荷根據(jù)聚合商的市場(chǎng)談判或根據(jù)系統(tǒng)運(yùn)營(yíng)商需要控制.公式(5)描述了考慮研究區(qū)域?qū)崟r(shí)交通數(shù)據(jù)和實(shí)時(shí)電價(jià)數(shù)據(jù)情況下智能充電的隨機(jī)模擬,其中μ代表凌晨1點(diǎn),σ代表5小時(shí)的時(shí)間.由此結(jié)果可知,與無序充電策略相比,智能充電策略實(shí)現(xiàn)了將電動(dòng)汽車的充電負(fù)荷從系統(tǒng)的峰值時(shí)間轉(zhuǎn)到低谷時(shí)間.

(5)

2.3.2 確定電動(dòng)汽車充電時(shí)的荷電狀態(tài)(State of capacity,SOC)

設(shè)SOC與行駛距離呈線性下降的關(guān)系,t時(shí)刻電動(dòng)汽車的電池容量為SOCt,是通過ts進(jìn)行每小時(shí)追蹤SOC得到的,通過式(6)和式(7)計(jì)算得出：

SOCt=η·[SOCt-1-D(t-1,t)(i,j)/Ran]t>ts(6)

SOCts=SOC0(7)

其中，SOC0是電動(dòng)汽車的初始SOC,變化在[0.8,0.9]范圍內(nèi)(80%～90%的SOC維持電池壽命)[9]；引入能源效率系數(shù)η,變化在[0.9,1.0],表示現(xiàn)實(shí)社會(huì)交通中加速和減速過程給電動(dòng)汽車帶來的能量損失.當(dāng)電動(dòng)汽車開始充電時(shí),設(shè)此時(shí)的電池容量為SOCc,即：

SOCc=SOCtsc(8)

利用蒙特卡洛模擬在以上步驟中確定tsc和相應(yīng)的L(r,tsc),L(r,tsc)的電力需求,利用文獻(xiàn)[10]提出的方法計(jì)算.

若有n輛電動(dòng)汽車,則需按照上述步驟重復(fù)n次.記錄每個(gè)電動(dòng)汽車1天內(nèi)在L(r,t)的充電負(fù)荷.當(dāng)m(m≤n)輛電動(dòng)汽車在L(r,t)的充電負(fù)荷被記錄時(shí),總的電動(dòng)汽車充電負(fù)荷PT為：

(9)

2.4 時(shí)空模型中的假設(shè)

在時(shí)空模型中進(jìn)行如下假設(shè)，當(dāng)出現(xiàn)符合下列兩者中任意一個(gè)標(biāo)準(zhǔn)的情況時(shí),終止蒙特卡洛模擬的運(yùn)行：

(1) 迭代次數(shù)達(dá)到最大值；

(2) 兩個(gè)順序迭代之間電動(dòng)汽車充電負(fù)荷足夠小時(shí)，如式(10)所示：

(10)

式中,Li為關(guān)于每個(gè)區(qū)域24小時(shí)內(nèi)電動(dòng)汽車充電負(fù)荷的矩陣；NMC表示迭代次數(shù),ε是收斂因子.設(shè)定ε為0.001,NMCS為迭代次數(shù)的最大值,設(shè)定為10.當(dāng)滿足式(11)的標(biāo)準(zhǔn)時(shí)進(jìn)行快速充電.

SOCr<0.2orD(SOCr)

式中,SOCr為實(shí)時(shí)的SOC；Dwh為工作地點(diǎn)和家之間的直線距離，m；D(SOCr)代表使用現(xiàn)有的可用電池容量能夠行駛的距離，m；為保持電池壽命,電池容量SOC不應(yīng)低于0.2[11].

每個(gè)區(qū)域Lr可能包含多條母線,當(dāng)區(qū)域Lr內(nèi)所有電動(dòng)汽車的充電負(fù)荷在t(1≤t≤24)時(shí)刻被設(shè)定好時(shí),獲得電動(dòng)汽車的所在位置對(duì)分配其充電負(fù)荷到一個(gè)特定的網(wǎng)絡(luò)母線上是極其重要的.例如,如果電動(dòng)汽車在t時(shí)刻停在了一個(gè)住宅區(qū)內(nèi),電動(dòng)汽車的充電負(fù)荷將被分配到這個(gè)區(qū)域的所有母線上,然后在時(shí)間t的時(shí)候按比例將電負(fù)荷供給普通住宅.該方法同樣適用于其他區(qū)域的電動(dòng)汽車.

2.5 時(shí)空模型的構(gòu)建

使用MATLAB軟件,模擬某城市的5個(gè)區(qū)域內(nèi)不同類型的電動(dòng)汽車3天的行駛狀況,城市的交通流量的模擬在Trans CAD中進(jìn)行.根據(jù)模擬城市規(guī)模,設(shè)定電動(dòng)汽車的數(shù)量為1 000輛,假設(shè)每種電動(dòng)汽車具有相同的市場(chǎng)占有率；將SOC設(shè)定為最小,為保持電池的壽命,SOC不低于0.2；考慮到電池荷電狀態(tài)具有時(shí)序耦合的特性,車輛出行時(shí)間分布具有隨機(jī)性,為提高模擬結(jié)果的準(zhǔn)確性,將模擬運(yùn)行時(shí)間設(shè)定為4天96小時(shí).

3 算例分析

本算例利用Trans CAD中的UTOWN案例模擬HBW電動(dòng)汽車4天96小時(shí)的行駛情況,并算出電動(dòng)汽車的充電負(fù)荷.該模擬城市內(nèi)有5個(gè)區(qū)域(包含住宅區(qū),商業(yè)區(qū)和功能區(qū)3個(gè)區(qū)域)，每個(gè)區(qū)域可能有一個(gè)或者多個(gè)功能區(qū).利用無序和有序兩種不同的充電策略,充電方式有慢速充電和快速充電.由于模擬的城市區(qū)域范圍較小,電動(dòng)汽車的數(shù)量不是很多,所以電動(dòng)汽車幾乎全部符合慢速充電的條件.本算例采用慢速充電方式，每小時(shí)OD矩陣是從Trans CAD的UTOWN案例中,通過Time of day analysis分析得到的.

采用IEEE 33節(jié)點(diǎn)配電網(wǎng)算例.電動(dòng)汽車負(fù)荷接入節(jié)點(diǎn)4,11,12,15,26.已知基礎(chǔ)日負(fù)荷如圖3所示.采用前推回代法進(jìn)行潮流計(jì)算,對(duì)比分析接入電動(dòng)汽車前后配電網(wǎng)網(wǎng)損、節(jié)點(diǎn)電壓等情況.

圖4是“dumb”充電策略下各支路節(jié)點(diǎn)電壓幅值曲線.從圖中曲線可以看出,在第18小時(shí)、第42小時(shí)、第66小時(shí)和第90小時(shí)左右,都出現(xiàn)了電壓幅值急速下降的現(xiàn)象.由于選擇的電動(dòng)汽車類型是HBW,只在家和工作地點(diǎn)間行駛,電壓幅值急速下降的時(shí)間與正常下班回家的時(shí)間相吻合,由此可知,電動(dòng)汽車的普及更容易導(dǎo)致住宅區(qū)產(chǎn)生低電壓.

圖3 日負(fù)荷(標(biāo)幺值)Fig.3 Daily load (per unit value)

圖4 節(jié)點(diǎn)電壓幅值Fig.4 Node voltage amplitude

圖5 各節(jié)點(diǎn)注入功率Fig.5 Injection power of each node

圖6 各個(gè)線路損耗Fig.6 Each line losses

圖7 慢速充電的充電負(fù)荷Fig.7 Charging load for slow charging

圖5和圖6分別代表各節(jié)點(diǎn)的注入功率和各線路的損耗.圖5中的注入功率包括負(fù)荷功率和線路損耗兩部分.分析圖5、圖6也能看出,在第18小時(shí)、第42小時(shí)、第66小時(shí)和第90小時(shí)左右,功率都出現(xiàn)了峰值,可見，電動(dòng)汽車的充電負(fù)荷對(duì)電力系統(tǒng)配電網(wǎng)的影響不容小覷.

圖7是電動(dòng)汽車在慢速充電情況下的充電負(fù)荷.圖7為三維立體圖,x軸表示時(shí)間,y軸代表模擬城市中的5個(gè)區(qū)域；z軸表示電動(dòng)汽車在慢速充電的充電方式下的充電負(fù)荷.從圖7中可以看出，區(qū)域5在下班時(shí)間的時(shí)間段充電負(fù)荷達(dá)到最大值,由于電動(dòng)汽車的類型是HBW,即可推測(cè)出區(qū)域5是住宅區(qū)；區(qū)域2和區(qū)域3在下班時(shí)間段內(nèi)的充電負(fù)荷也比較高,由此可推測(cè)出2個(gè)區(qū)域包括住宅區(qū)和商業(yè)區(qū)的兩種功能區(qū)；區(qū)域1和區(qū)域4的充電負(fù)荷相對(duì)較低,可推測(cè)兩區(qū)域應(yīng)為工業(yè)區(qū)或包含工業(yè)區(qū)和商業(yè)區(qū)的兩種功能區(qū).

4 結(jié)語

本文研究的時(shí)空模型評(píng)估了大規(guī)模電動(dòng)汽車的部署對(duì)城市配電網(wǎng)的影響，利用OD分析減少由電動(dòng)汽車流動(dòng)而產(chǎn)生的不確定性；通過對(duì)市場(chǎng)電動(dòng)汽車的調(diào)查和分析,了解廣義上的電動(dòng)汽車特性,在時(shí)空模型中運(yùn)用蒙特卡洛模擬得到不同時(shí)刻各個(gè)線路上電動(dòng)汽車的充電負(fù)荷.時(shí)空模型能夠提供節(jié)點(diǎn)電壓和支路負(fù)荷的平均值及概率值,由此證實(shí)電動(dòng)汽車連入電網(wǎng)進(jìn)行充電對(duì)配電網(wǎng)有著一定程度的影響.此外,文中提及的時(shí)空模型對(duì)電力系統(tǒng)的規(guī)劃和評(píng)估有較大幫助.與以往這方面的研究相比較,時(shí)空模型能夠提供更為真實(shí)的模擬結(jié)果,因?yàn)槭褂昧酥悄芙煌ㄑ芯恐械腛D分析技術(shù),在時(shí)間和空間兩個(gè)維度上更準(zhǔn)確地模擬了電動(dòng)汽車的移動(dòng)性.