電動汽車充放電行為分析與優(yōu)化研究

談 宸，楊書明，蔣知明

（荊楚理工學(xué)院電子信息工程學(xué)院，湖北 荊門 448000）

0 引言

隨著能源環(huán)境問題的日漸凸顯，為落實國家能源發(fā)展戰(zhàn)略，構(gòu)建清潔、高效、安全、可持續(xù)的現(xiàn)代能源體系，電動汽車得到了大力發(fā)展[1-2]。2018—2020年公共服務(wù)車輛中，每年新增電動汽車數(shù)量已提高至30%～50%[3]。隨著電動汽車逐漸規(guī)?；?，電動汽車的無序充電和隨機(jī)性將導(dǎo)致電網(wǎng)峰值負(fù)荷增加、配電網(wǎng)不平衡運行以及系統(tǒng)諧波等相關(guān)問題[4]；同時，電動汽車作為一個移動式儲能設(shè)備，在實現(xiàn)合理的充放電管理后，可以在電網(wǎng)削峰填谷、協(xié)同消納新能源等方面提供助力[5]。因此，分析電動汽車充電狀態(tài)，將電動汽車的充放電與電網(wǎng)的平穩(wěn)運行相結(jié)合，成為了當(dāng)前研究重點。

對于電動汽車充放電與電網(wǎng)運行優(yōu)化問題，專家學(xué)者主要針對電動汽車行為分析、用電負(fù)荷調(diào)節(jié)以及電網(wǎng)經(jīng)濟(jì)穩(wěn)定運行等方面進(jìn)行研究[6-8]。文獻(xiàn)[9-10]分析了電動汽車充放電行為特征以及出行行為特征對自然負(fù)荷曲線和配電網(wǎng)的影響，但其并未分析充電時刻、充電時長、充電量等充電數(shù)據(jù)特征，未考慮不同種類電動汽車對電網(wǎng)負(fù)荷功率和充電樁建設(shè)經(jīng)濟(jì)成本等因素的影響。

因此，本文充分考慮不同充電功率電動汽車比例的影響，建立了充電功率優(yōu)化管理數(shù)學(xué)模型。通過構(gòu)建充電行為分析模型，對電動汽車的充電時刻、充電時長以及充電量等特征因素進(jìn)行可靠分析，并基于特征分析結(jié)果建立電動汽車充電優(yōu)化模型，通過優(yōu)化遺傳算法對模型進(jìn)行求解，確定優(yōu)化管理策略，實現(xiàn)了電動汽車與電網(wǎng)的經(jīng)濟(jì)優(yōu)化運行。

1 電動汽車充電行為分析

電動汽車充電行為具有隨機(jī)性與波動性特點，其充電特征可能受使用者習(xí)慣、系統(tǒng)荷電狀態(tài)等多因素制約，為充分分析電動汽車行為特征對電力系統(tǒng)負(fù)荷功率與系統(tǒng)穩(wěn)定性的影響，首先需對電動汽車各種行為特征進(jìn)行數(shù)據(jù)分析。為保證所分析特征的可靠性，EV的采樣數(shù)據(jù)采用分時、分區(qū)采樣方法，選取某市區(qū)100輛電動汽車作為數(shù)據(jù)樣本，分別記錄其7d的充電行為，包括充電時刻、時長以及充電量等相關(guān)參數(shù)。

1.1 充電時刻分析

為確定電動汽車充電功率對電力系統(tǒng)峰谷負(fù)荷的影響，對不同時刻的電動汽車充電密集程度進(jìn)行預(yù)測。圖1所示為在1周內(nèi)100輛汽車充電時刻的散點分布圖。

圖1 電動汽車充電時刻分布圖Fig.1 Electric vehicle charging time distribution

1.2 充電時長分析

考慮到充電時長也會導(dǎo)致不同時段內(nèi)的充電不均問題，需對充電時長特征進(jìn)行分析。為避免工作日和非工作日的充電特征不同造成整體的分析誤差，對周一和周六的充電時長數(shù)據(jù)進(jìn)行簡要分析，求得相關(guān)數(shù)據(jù)如表1所示。

表1 充電時長數(shù)據(jù)對比表Ta.1 Comparison table of charging time data

由表1數(shù)據(jù)可知，周一和周六的數(shù)據(jù)存在偏差，但整體數(shù)據(jù)較為接近。進(jìn)一步，對單日充電時長和1周的充電時長進(jìn)行對比分析，圖2所示為充電時長的對比圖。

圖2 充電時長的對比圖Fig.2 Comparison chart of charging time

通過充電時長的密集程度進(jìn)行觀察，多數(shù)車輛的充電時長集中于0～10h，當(dāng)充電超過12h后，充電數(shù)量銳減，其中超過30h的概率＜5%；同時，對比充電時長的趨勢可知，單日充電時長與1周充電時長的趨勢具有一致性，其中各自的數(shù)據(jù)標(biāo)準(zhǔn)差分別為7.892和8.166較為接近，即整體的充電時長具有規(guī)律性。

1.3 充電量分析

規(guī)?；妱悠嚨恼w充電量是導(dǎo)致電網(wǎng)負(fù)荷波動的關(guān)鍵因素，基于充電量的概率分布特點，可制定充電樁經(jīng)濟(jì)安裝策略以及充放電優(yōu)化調(diào)控策略，因此分析充電量概率分布是分析充電行為特征的重要因素。

首先分析整體分布?；跇颖緮?shù)據(jù)對每天的充電量進(jìn)行擬合，分別對7d充電量的100個樣本構(gòu)建正態(tài)分布函數(shù)。目標(biāo)函數(shù)代表一輛電動汽車1d充電量的正態(tài)分布為：

構(gòu)建目標(biāo)函數(shù)后，利用matlab的正態(tài)分布工具對樣本進(jìn)行樣本擬和，周一、周二的擬合曲線如圖3(a)、圖3(b)所示。

圖3 正態(tài)分布概率擬合Fig.3 Probability fitting of normal distribution

同時，基于正態(tài)分布概率函數(shù)，為對比各天的用電量數(shù)據(jù)，對每個正態(tài)分布函數(shù)的期望和標(biāo)準(zhǔn)差進(jìn)行求解。周一至周日的用電量概率密度函數(shù)的相關(guān)計算數(shù)據(jù)如表2所示。

觀察計算數(shù)據(jù)可知，1周內(nèi)整體的期望方差較為接近，即各天的電動汽車充電量整體數(shù)據(jù)沒有明顯偏差。但對比周一至周五以及周六至周日的數(shù)據(jù)也可發(fā)現(xiàn)，相對而言工作日的充電量趨勢基本一致，而于非工作日存在一定偏差，因此以年為周期分析充電量時，為簡化計算可忽略工作日與非工作日的偏差影響。而基于單日充電量進(jìn)行預(yù)測與優(yōu)化管理時，需分別進(jìn)行分析討論。

表2 用電量分布數(shù)據(jù)Tab.2 Power consumption distribution data

2 模型建立

2.1 問題分析

傳統(tǒng)電動汽車充放電優(yōu)化模型將全部充電功率作為相同量進(jìn)行處理，并未考慮不同充電功率對整體電網(wǎng)負(fù)荷狀態(tài)的影響，而實際生活中，電動汽車的充電功率存在差異，主要功率分為3個等級：交流1級、交流2級、直流充電。其中各級的充電功率與設(shè)備成本各不相同，電動汽車充電功率等級如表3所示。

表3 充電功率等級Tab.3 Charging power level

由于充電功率等級存在不同，其配置的比例直接會影響經(jīng)濟(jì)成本、充電時長和充電量。因此，需實現(xiàn)不同充電功率的合理配置以實現(xiàn)充電量需求、電網(wǎng)峰谷負(fù)荷優(yōu)化以及設(shè)備投資經(jīng)濟(jì)性的均衡優(yōu)化。

2.2 電動汽車充電優(yōu)化模型

年充電功率預(yù)測模型可確定用戶的整體用電需求，假定用戶整體有10 000輛車的用電需求，以100輛車為樣本，可預(yù)測10 000輛車的年用電量約為5.12×107kW?；陔妱悠嚨挠秒娦枨?，為確定充電功率的優(yōu)化配置，以總用電和用電特征為基礎(chǔ)，建立多目標(biāo)優(yōu)化模型。假設(shè)交流1級、交流2級、直流充電的配置比例為a:b:c，目標(biāo)函數(shù)為：

其中：f1為建設(shè)成本，f2為充電峰谷差，f3為用戶需求，Pi為類型i的充電功率，St為類型i的充電時間，充電時間與電動汽車充電時長概率函數(shù)相關(guān)。

模型的約束條件為：

3 模型求解

考慮到模型為多目標(biāo)優(yōu)化問題，采用優(yōu)化的遺傳算法進(jìn)行求解，算法采用模擬退火算法的Metropolis抽樣準(zhǔn)則對下代種群進(jìn)行選取，讓種群的迭代趨于良性，保證算法收斂速度也避免陷入局部最優(yōu)解。改進(jìn)遺傳算法計算步驟如下：

步驟1：設(shè)定系統(tǒng)迭代相關(guān)參數(shù)。

步驟2：生成初代群體參數(shù)。

步驟3：運行克隆遺傳步驟，生成臨時群體。

步驟4：運用Metropolis判別準(zhǔn)則對臨時群體P(B)中的染色體進(jìn)行判別，決定其是否能進(jìn)入下一代群體。

步驟5：產(chǎn)生新一代群體P(i+1)。

步驟6：執(zhí)行模擬退火的退溫步驟。

步驟7：求解新一代種群的個體適應(yīng)參數(shù)，并得出最大適應(yīng)值。

步驟8：判斷算法是否迭代完成，若最大適應(yīng)度是否連續(xù)10代未出現(xiàn)變化，則算法迭代求解完成，輸出迭代最優(yōu)解；否則返回步驟3，繼續(xù)進(jìn)行迭代尋優(yōu)計算。圖4為改進(jìn)克隆遺傳算法流程圖。

圖4 改進(jìn)克隆遺傳算法流程圖Fig.4 Improved clonal genetic algorithm flow chart

4 結(jié)果分析

本文根據(jù)多目標(biāo)數(shù)學(xué)模型和優(yōu)化的克隆遺傳算法，在Matlab仿真平臺進(jìn)行對系統(tǒng)多目標(biāo)模型進(jìn)行運算求解，同時為驗證改進(jìn)算法的快速性和有效性，分別采用遺傳算法和改進(jìn)遺傳進(jìn)行對比分析，算法迭代曲線圖如圖5所示。

圖5 算法迭代曲線圖Fig.5 Algorithm iteration curve

通過分析圖5可知，改進(jìn)遺傳算法求解速度更快，改進(jìn)遺傳算法更適應(yīng)該目標(biāo)模型，最終改進(jìn)遺傳算法求得的交流1級、交流2級、直流充電的配置比例分別為0.391、0.492、0.117。交流2級配置最多，可優(yōu)化經(jīng)濟(jì)性與功率指標(biāo)；交流1級次之，可減小建設(shè)費用，提高經(jīng)濟(jì)性；直流充電配置用戶滿足快速充電要求，但成本較高，采取最低配置，同時考慮到實際情況下電動汽車快充需求相對較低，因此算法求解的充電配置比例具有合理性。

對仿真數(shù)據(jù)結(jié)果帶入負(fù)荷預(yù)測模型進(jìn)行充電量驗證，所配置比例滿足系統(tǒng)所需負(fù)荷要求以及經(jīng)濟(jì)建設(shè)原則，可實現(xiàn)充電量需求、電網(wǎng)峰谷負(fù)荷以及投資經(jīng)濟(jì)性三者優(yōu)化。

5 結(jié)論

本文以區(qū)域范圍各類電動汽車為研究對象，根據(jù)區(qū)域內(nèi)電動汽車的充電數(shù)據(jù)樣本，對充電時刻、充電時長以及充電量等相關(guān)充電特征參數(shù)進(jìn)行了可靠分析，并基于充電行為和用戶需求，建立了充電量預(yù)測模型和充電優(yōu)化數(shù)學(xué)模型，且根據(jù)改進(jìn)遺傳算法對數(shù)學(xué)模型進(jìn)行求解，確定了滿足用戶需求、優(yōu)化無序充電峰谷差以及設(shè)備經(jīng)濟(jì)性投資等三個方面的最優(yōu)功率配比。該課題對實現(xiàn)不同功率電動汽車的優(yōu)化調(diào)節(jié)、充電樁合理配置等方面具有積極意義。