探討參與電網(wǎng)輔助服務(wù)的電車有序充電

 

摘要：分析電動汽車充電對電網(wǎng)產(chǎn)生的影響,主要研究電動汽車對電網(wǎng)負(fù)荷平衡的影響。對電動汽車充電負(fù)荷建模，分析其用戶出行等的時間概率分布，通過蒙特卡羅模擬法對電動汽車充電負(fù)荷需求進行計算，研究3 000輛電動汽車全天的充電需求時間分布。建立含光伏發(fā)電系統(tǒng)的區(qū)域供電系統(tǒng)優(yōu)化模型，同時以動態(tài)電價為激勵引導(dǎo)電動汽車進行有序充電，以參與電網(wǎng)輔助服務(wù)。以聯(lián)絡(luò)線交換功率波動乘積較小和充電成本較低為目標(biāo)，并以其加權(quán)后的函數(shù)作為目標(biāo)函數(shù)，結(jié)合4個約束條件，通過遺傳算法求解模型，得到符合目標(biāo)函數(shù)的較優(yōu)充電方案。較終通過算例驗證該模型能夠?qū)崿F(xiàn)平移負(fù)荷、削峰填谷的作用。

關(guān)鍵詞：負(fù)荷平衡；蒙特卡羅模擬法；動態(tài)電價；有序充電；削峰填谷；

0引言

 

      由于二氧化碳排放增加和環(huán)境污染等問題，以及原油價格和其他燃料資源的不穩(wěn)定性，電動汽車自21世紀(jì)以來已經(jīng)逐漸進入人們的生活，電動汽車的普及也對電力系統(tǒng)產(chǎn)生了巨大的沖擊。文獻(xiàn)［1］—文獻(xiàn)［2］分析了我國電動汽車的發(fā)展現(xiàn)狀及未來趨勢，根據(jù)實際情況，指明該過程中面臨的問題。文獻(xiàn)［3］提出基于隨機森林的充電行為聚類技術(shù)，分析電動汽車充電行為特性，結(jié)果表明該方法較歐氏距離法更準(zhǔn)確。文獻(xiàn)［4］提出基于主動配電網(wǎng)的源網(wǎng)荷優(yōu)化調(diào)度方法，可減少電動汽車接入電網(wǎng)產(chǎn)生的波動，具有重要的指導(dǎo)意義。文獻(xiàn)［5］通過采集居民電動汽車接入電網(wǎng)的充電數(shù)據(jù)，研究其充電特性，結(jié)果表明充電負(fù)荷的聚集會使總負(fù)荷曲線惡化。文獻(xiàn)［6］為確定電氣設(shè)備的空間分布及選型，基于對電動汽車充電負(fù)荷和分布式能源出力特性的分析，建立對應(yīng)的空間負(fù)荷預(yù)測模型，并通過算例分析證明其可行性。文獻(xiàn)［7］結(jié)合全球定位系統(tǒng)，建立了電動汽車快速預(yù)約充電模型，通過Dijkstra算法求解模型，通過算例證明該模型的有效性。文獻(xiàn)［8］提出一種混合儲能虛擬電廠參與電力市場的優(yōu)化調(diào)度策略，包含了電動汽車充電的不確定性參數(shù)，通過算例證明該策略的可行性，為虛擬電廠參與電力市場調(diào)度奠定了基礎(chǔ)。基于上述背景，本文以區(qū)域內(nèi)私人電動汽車為主體，通過對電動汽車用戶出行規(guī)律進行歸納總結(jié)，對出行、返回、日行駛里程及電池剩余荷電量（state of charge，SOC）概率分布特征進行擬合，對比工作日、休息日私人電動汽車的充電行為，并以工作日的充電行為作為輸入，基于蒙特卡羅模擬法對私人電動汽車的充電負(fù)荷進行仿真預(yù)測。進而考慮配電網(wǎng)和電動汽車用戶的利益以及光伏消納情況，建立計及光伏發(fā)電系統(tǒng)的區(qū)域供電系統(tǒng)優(yōu)化模型，根據(jù)全天日照強度較大化吸收光伏輸出，改善綜合負(fù)荷曲線，同時以動態(tài)電價為激勵引導(dǎo)電動汽車進行有序充電。以聯(lián)絡(luò)線交換功率波動乘積較小和充電成本較低為目標(biāo)函數(shù)，結(jié)合4個約束條件，通過遺傳算法求解模型，得到符合目標(biāo)函數(shù)的較優(yōu)充電方案。通過算例驗證該模型能夠?qū)崿F(xiàn)平移負(fù)荷、削峰填谷。

       我國電動汽車的普及給電力系統(tǒng)帶來了不穩(wěn)定性和不確定性，電動汽車聚集性地接入電網(wǎng)充電，將對電力系統(tǒng)產(chǎn)生巨大的沖擊，增加其運行控制難度。其主要影響包括：

      （1）電能質(zhì)量電動汽車接入充電樁進行充電時相當(dāng)于大功率、非線性負(fù)荷，在其充電過程中電網(wǎng)需要提供穩(wěn)定可靠的大電流進行供電，同時對電力電子設(shè)備產(chǎn)生很高的諧波電流和沖擊電壓，若不采取相應(yīng)的措施，可能會帶來諧波污染、功率因數(shù)降低以及系統(tǒng)電壓波動方面的影響。

      （2）電網(wǎng)運行控制難度

聚集性地充電會給電網(wǎng)帶來巨大的沖擊，而且電動汽車用戶出行方式、充電特性、充電時長都具有隨機性，會給充電負(fù)荷帶來不確定性，影響電網(wǎng)運行控制。大多用戶出行的較終目的地都是高度隨機的，所以其行駛里程也是隨機的。每一輛電動汽車的充電模式不一定相同，加入外界影響因素，其充電曲線是不同的，所以其充電特性具有隨機性。充電時間取決于駕駛習(xí)慣，用戶在充電時往往表現(xiàn)出隨機行為，應(yīng)由在這些實體內(nèi)優(yōu)化和安排充電時間的

集中代理進一步控制。

      （3）負(fù)荷不平衡2020—2030年，在無序充電情形下，國家電網(wǎng)公司經(jīng)營區(qū)域峰值負(fù)荷預(yù)計增加1 361萬kW和1.53億kW，相當(dāng)于當(dāng)年區(qū)域峰值負(fù)荷的1.6%和13.1%，導(dǎo)致區(qū)域負(fù)荷的不平衡。電動汽車集中在某些時段進行充電，或電動汽車充電行為在平時段的疊加，將進一步變大電網(wǎng)負(fù)荷峰谷差，加重電網(wǎng)側(cè)的負(fù)擔(dān)。如果將多輛電動汽車接入一個接近其極限的充電網(wǎng)絡(luò)，附近變壓器上的額外負(fù)載可能會導(dǎo)致其故障。從不同類型充電基礎(chǔ)設(shè)施的用電特性來看，公共充電設(shè)施的用電行為較為分散，沒有明顯的峰谷差別，而專用設(shè)施的用電行為相對集中，峰谷差別更為明顯。綜合來看，在無序充電前提下，充電基礎(chǔ)設(shè)施負(fù)荷較大的時刻應(yīng)為傍晚大量私家車主回到居住地，開始使用私人充電樁為私家車充電的時刻。本文對電動汽車接入電網(wǎng)時的負(fù)荷平衡進行研究，通過電價激勵引導(dǎo)電動汽車用戶進行有序充電，以達(dá)到平移負(fù)荷、削峰填谷的效果。

       本文基于對NHTS數(shù)據(jù)庫2019年基礎(chǔ)數(shù)據(jù)的分析，篩選出10萬輛私人電動汽車接入充電樁時的充電數(shù)據(jù)及充電行為等因素，為構(gòu)建電動汽車有序充電行為提供數(shù)據(jù)基礎(chǔ)。

2.1 時間變量概率分布擬合

       私人電動汽車用戶出行概率主要受日常生活習(xí)慣和生活規(guī)律影響，首先需要得到初始出發(fā)時間的分布。出發(fā)時間分布可用正態(tài)分布的形式進行擬合，其時間概率分布如圖1所示。用戶日出行概率密度函數(shù)為：

  ( 1 )式中：x1 為電動汽車用戶較后出行時間；μ1 為期望值，取7.42；σ1 為標(biāo)準(zhǔn)差，取3.54。

 

 

 

用戶返回時刻概率密度函數(shù)為：

 

( 2 )式中：x2 為電動汽車用戶返回時刻；μ2 為期望值，取16.92；σ2 為標(biāo)準(zhǔn)差，取3.43。其時間概率分布如圖2所示。

根據(jù)出行習(xí)慣及規(guī)律分析，大部分用戶駕駛的較終目的地都是高度隨機的，但在任何一天的平均行駛里程都約為38 km/d。電動汽車用戶日行駛里程服從對數(shù)正態(tài)分布，其概率分布如圖3所示，概率密度函數(shù)為:

( 3 )式中：x3 為電動汽車平均日行駛里程；μ3 為期望值，取2.92；σ3 為標(biāo)準(zhǔn)差，取0.93。

      對電動汽車電池 SOC 、日均行駛距離以及充電規(guī)律、充電時間等因素進行統(tǒng)計［9］電動汽車返回時剩余 SOC 也可用正態(tài)分布的形式進行擬合，其電動汽車剩余 SOC 的概率分布如圖4所示，概率密度函數(shù)為態(tài)分布，其概率分布如圖3所示，概率密度函數(shù)為:

 

( 4 )式中：x4 為電動汽車返回時的剩余 SOC ；μ4 為期望值，取51.3；σ4 為標(biāo)準(zhǔn)差，取14.7。

     私人電動汽車工作日主要用于上下班，到達(dá)公司后基本屬于閑置狀態(tài)，也可進行充電，而休息日私人電動汽車大多外出娛樂，時間分布與工作日有所區(qū)別，圖5為工作日與休息日私人電動車充電時間分布。

       由圖5可知私人電動汽車在工作日上午到達(dá)公司后即可進行充電，晚上下班后為充電高峰期，且晚上充電的頻率高于上午；在14:00—16:00，休息日充電頻率高于工作日，但晚高峰時，其充電頻率低于工作日。后續(xù)將重點研究工作日私人電動汽車的充電行為。

2.2基于蒙特卡羅模擬法的充電負(fù)荷計算

2.2.1 充電負(fù)荷模型建立

       由蒙特卡羅模擬法設(shè)置基礎(chǔ)參數(shù)，如模擬次數(shù)、電動汽車數(shù)量、快充慢充比例等。由式（4）生成初始 SOC 。由于汽車充電行為具有隨機性，所以按圖5生成電動汽車開始充電時刻。使用蒙特卡羅模擬法對電動汽車充電負(fù)荷曲線進行模擬，由上述得到的電動汽車充電起始時間及初始SOC ，對單輛電動汽車充電負(fù)荷進行模擬，隨后將所有電動汽車的充電負(fù)荷累加，可以得到完整的區(qū)域電動汽車總充電負(fù)荷曲線。區(qū)域內(nèi)電動汽車總充電功率為:

      

      ( 5 )式中：M 為全天總時長，取為1 440 min；N 為電動汽車總數(shù)，設(shè)為3 000輛，作為初始數(shù)據(jù)輸入蒙特卡羅模擬法進行仿真；Pi, j 為第 j 輛電動汽車在i時刻的充電功率。

2.2.2 地區(qū)基本負(fù)荷保持一定

      有序充電是一種調(diào)度手段，通過這種手段可以使電動汽車避免在高峰期給電網(wǎng)帶來的峰上加峰現(xiàn)象，同時也避免大部分用戶避開高峰期進行充電而出現(xiàn)的第二高峰期，但應(yīng)保持原負(fù)荷不變，即不影響用戶生活及正常行動之外進行合理“減負(fù)"。

2.2.3電動汽車充電負(fù)荷計算

       假設(shè)電動汽車充電過程不被干預(yù)且直至 SOC充滿，即充電時長不受限制，抽取初始電動汽車SOC 、日行駛里程以及開始充電時刻，在滿足充滿電所需時長的約束下，計算一天中各個時段電動汽車的充電功率。在這個過程中，將電動汽車分為快速充電和常規(guī)慢充，分別計算每個時刻的負(fù)荷，較后進行累加，其流程圖如圖6所示。

    

      使用蒙特卡羅模擬法計算一天 24 h 內(nèi)每個時間點電動汽車負(fù)荷的充電需求概率，并在 1 500 次操作后重復(fù)平均值，以獲得區(qū)域總電動汽車負(fù)荷需求的預(yù)期曲線。曲線如圖7所示。設(shè)置電動汽車數(shù)量為3 000輛，且采用一天一充模式，充電過程為快速充電模式的功率為24 kW，常規(guī)慢充模式的功率為12 kW，各占50%。其結(jié)果如圖7所示。

       由圖7可知，電動汽車充電存在兩個峰值時刻，大規(guī)模電動汽車接入電網(wǎng)會帶來電網(wǎng)頻率波動以及電能質(zhì)量不穩(wěn)定等問題，后續(xù)通過電價激勵政策與光伏發(fā)電系統(tǒng)的接入緩解電網(wǎng)側(cè)的壓力。

3.1區(qū)域供電系統(tǒng)優(yōu)化模型

      變電站供電區(qū)域包含光伏發(fā)電系統(tǒng)，同時也包含一定量的電動汽車充電負(fù)荷，變電站供電區(qū)域的負(fù)荷情況如圖8所示，供電區(qū)域包括光伏發(fā)電系統(tǒng)，區(qū)域常規(guī)負(fù)荷和電動汽車快速充電負(fù)荷，當(dāng)電動汽車快速充電時，通過充電樁連接到電網(wǎng)，等效連接到變電站的交流母線。本文將光伏發(fā)電系統(tǒng)納入變電站供電區(qū)域時，采用相應(yīng)的電價激勵策略對電動汽車用戶進行引導(dǎo)，使得電動汽車參與有序充電以消納光伏發(fā)電系統(tǒng)的輸出功率，同時縮小區(qū)域負(fù)荷峰

谷差。區(qū)域負(fù)載能量控制框架如圖9所示。

 

       通過對控制框圖的分析，將區(qū)域負(fù)荷分為調(diào)節(jié)負(fù)荷和非調(diào)節(jié)負(fù)荷兩大類，光伏發(fā)電系統(tǒng)和區(qū)域常規(guī)負(fù)荷均為非調(diào)節(jié)負(fù)荷。光伏發(fā)電系統(tǒng)的不可調(diào)節(jié)性指其輸出功率受溫度、光強等因素的影響，控制系統(tǒng)無法調(diào)節(jié)其輸出功率。區(qū)域常規(guī)負(fù)荷主要指除變電站供電區(qū)域的電動汽車負(fù)荷外的居民負(fù)荷，相當(dāng)于交流母線，根據(jù)其生活規(guī)律以及需求進行用電。

       快速充電的電動汽車是一種可調(diào)負(fù)荷，充電站根據(jù)全天不同時刻配電網(wǎng)節(jié)點的電價調(diào)整來影響電動汽車用戶的充電選擇；電動汽車的充電功率與光伏發(fā)電系統(tǒng)和區(qū)域常規(guī)負(fù)荷相匹配，以吸收分布式光伏發(fā)電系統(tǒng)輸出的功率。分布式光伏和電動汽車的接入在一定程度上改變了配電網(wǎng)的負(fù)荷特性曲線。分布式電源的輸出受自然環(huán)境的影響，存在很大的不確定性。因此，本文構(gòu)建了一種電動汽車與配電網(wǎng)交互優(yōu)化模型，即配電網(wǎng)利用電動汽車充電負(fù)荷的可轉(zhuǎn)移特性就地吸收光伏輸出，改善綜合負(fù)荷曲線；同時，電動汽車用戶根據(jù)調(diào)整后的電價選擇較優(yōu)充電時間，降低自身充電成本。利用電動汽車“用電時間有彈性、用電行為可引導(dǎo)、用電規(guī)律可預(yù)測的特點，將其納入電網(wǎng)優(yōu)化控制，可有效增加資源條件，推動電動汽車參與電網(wǎng)削峰填谷輔助服務(wù)，實現(xiàn)配電網(wǎng)與電動汽車的雙贏。

3.2 目標(biāo)函數(shù)

      配電網(wǎng)作為主體，設(shè)置動態(tài)節(jié)點價格，充電站將節(jié)點價格作為充電價格傳遞給用戶。根據(jù)光伏發(fā)電系統(tǒng)和區(qū)域常規(guī)負(fù)荷的時間分布特點，制定了較優(yōu)的電動汽車充電負(fù)荷時間轉(zhuǎn)移策略，以達(dá)到吸收光伏輸出的目的。節(jié)點價格作為一種調(diào)節(jié)手段，用以減少變電站交流母線的總波動。為了改善區(qū)域負(fù)荷曲線，以變電站交流母線功率波動乘積 ΔP 較小為目標(biāo)函數(shù)進行優(yōu)化，目標(biāo)函數(shù)可表示為:

       

(6)(7)(8)(9)式中：PG 為區(qū)域變電站交流母線功率；fG(t) 為區(qū)域變電站后一段時間 t + 1 與當(dāng)前時段 t 的交流母線功率之差；GPV(t) 為變電站所在區(qū)域在時段 t 之前的功率峰谷差；k 為一天的時間段數(shù)，k =24；Pch(t)為充電站 t 時段的快速充電負(fù)荷；Pload(t)為充電站在所屬變電站供電區(qū)域 t 時段的常規(guī)負(fù)荷；PPV(t)為充電站在所屬變電站供電區(qū)域 t時段的分布式光伏輸出。光伏板在時間 t 發(fā)出的功率 PPV(t) 與當(dāng)前溫度和光強有關(guān)。電流輸出功率系數(shù) FT 可以通過溫度和相應(yīng)的輸出功率系數(shù)圖 FT -T 以及電流溫度 T 獲得。功率計算公式為:

   （10）式中：當(dāng)光照強度為1 kW/m2時，Pmpp 為光伏陣列在一定溫度下的輸出功率參考值；FT 為輸出功率系數(shù)；Irr 為當(dāng)前時刻的光照強度。光伏發(fā)電系統(tǒng)通過逆變器將直流電轉(zhuǎn)換為交流電，并連接至負(fù)荷。當(dāng)光伏板發(fā)出的功率 PPV 小于截止功率時，逆變器停止工作；當(dāng)光伏板發(fā)出的功率 PPV 大于啟動功率時，逆變器工作?？紤]到逆變器損耗，設(shè)置效率系數(shù)，光伏板發(fā)出的功率 PPV 乘以其相應(yīng)的效率系數(shù) EFF ，以獲得整個光伏系統(tǒng)的有功功率 PPV(t) ，可表示為:

PPV(t)= PPV·EFF 

（11）式中,光伏板輸出功率對應(yīng)的效率系數(shù)可從 PPV - EFF曲線中獲得。

(12)式中：b 為光伏出力不平衡系數(shù)；PG 為區(qū)域變電站交流母線功率；Pch 為充電站的快速充電負(fù)荷；Pload為充電站在所屬變電站供電區(qū)域的常規(guī)負(fù)荷。

規(guī)定充電站配電網(wǎng)節(jié)點的電價為充電電價，區(qū)域內(nèi)有充電需求的車輛數(shù)為n ，充電站可接受的車輛數(shù)為N,為使電動汽車充電負(fù)荷盡可能跟隨光伏輸出，動態(tài)電價更新策略為:

(13)式中：λt + 1 為充電站在 t + 1時間段的電價；a 為電價系數(shù)；λt 為充電站在 t 時間段的電價?？梢钥闯?，充電電價主要隨著有充電需求的電動汽車數(shù)量 n 和光伏出力不平衡系數(shù) b 的大小而改變，而 b 主要與光伏出力 PPV 、充電負(fù)荷 Pch 的大小有關(guān)。

以充電成本較低為目標(biāo)，目標(biāo)函數(shù)為:

(14)式中：C 為電動汽車充電成本；SOC2 為電動汽車充電結(jié)束時的荷電量；SOC1為電動汽車開始充電時的荷電量；Ba 為動力電池總?cè)萘?；?為充電效率，設(shè)為0.9。

3.2.2 有序充電目標(biāo)函數(shù)

      將上述 F1 和 F2 通過加權(quán)后得到一個有序充電的目標(biāo)函數(shù):

(15)式中：w1 和 w2 分別為兩個目標(biāo)函數(shù)的權(quán)重，據(jù)實際情況而定，且 w1 + w2 = 1。

3.3 約束條件

（1）電動汽車 SOC 約束：電動汽車在 t 時間段的SOC滿足:

(16)式中：SOCi(t) 為第 i 輛電動汽車在 t 時刻的電池剩余容量；SOCmin,i 、SOCmax,i 分別為第 i 輛電動汽車在 t時刻的電池剩余容量上下限。

（2）電價約束：合理的電價調(diào)整有利于調(diào)動電動汽車車主響應(yīng)需求的積極性。根據(jù)相關(guān)政策規(guī)定，電價約束為本文提出一種動態(tài)分時電價策略，光伏一天的出力大小有波動，通過光伏出力不平衡系數(shù) b 來引導(dǎo)電價，即當(dāng)某時刻光伏出力大于或小于充電負(fù)荷和常規(guī)負(fù)荷之和時，適當(dāng)降低或提高電動汽車充電電價以引導(dǎo)電動汽車用戶的充電行為，從而達(dá)到削峰填谷的目的。光伏出力不平衡系數(shù)為:λt ≤ λt,max

(17)式中：λt,max 為充電站在 t 時間段內(nèi)的較高電價。

（3）充電站容量限制：充電站可提供的較大充電功率不得充電樁的較大輸出功率之和，即:

式中：Nui 為充電站內(nèi)充電樁的數(shù)量；Pch,max 為充電站內(nèi)每個充電樁的較大輸出功率。

（4）光伏消納約束：在 t 時刻，充電站常規(guī)負(fù)荷和充電負(fù)荷與光伏輸出的比值應(yīng)高于規(guī)定的較小光伏消耗限制 θPV(t) ，即:

 

(19)式中：θPV(t) 為 t 時刻較低光伏消納率。

3.4 求解模型

      本文采用遺傳算法求解電動汽車與配電網(wǎng)交互優(yōu)化模型。遺傳算法是一種自適應(yīng)全局優(yōu)化搜索算法，通過自適應(yīng)、交叉、變異等方法，實現(xiàn)適應(yīng)度的提高，將其應(yīng)用于求解模型，從而得到較優(yōu)解。其流程圖如圖10所示。

       步驟 1：采集負(fù)荷功率曲線數(shù)據(jù)和光伏輸出曲線數(shù)據(jù)，獲取每一時刻電動汽車充電需求數(shù)據(jù)，包括其相應(yīng)的 SOC 及未來出行安排。步驟2：光伏發(fā)電系統(tǒng)出力時將充電站的充電功率較大化，并計算充電站可接受的較佳電動汽車數(shù)量。步驟3：根據(jù)動態(tài)電價模型計算更新后的電價，計算充電成本，判斷 F2 是否較低。步驟 4：獲取滿足約束條件的使得充電站交流母線功率波動乘積 ΔP 較小的充電方案，同時得到充電成本較低的電動汽車充電方案。步驟5：確定電動汽車用戶是否選取該方案，如果選取，則輸出決策結(jié)果；如果不選取，則判斷是否達(dá)到較大迭代次數(shù)，重復(fù)步驟4。

      某區(qū)域分布式光伏發(fā)電系統(tǒng)采用較大輸出策略，光伏容量為7 MW，實際輸出較大功率為5.6 MW。光強數(shù)據(jù)如表1所示，假設(shè)全天中7:00—18:00有陽光，其余時刻光照強度為0，全天光照強度分布如圖11所示。電動汽車充電初始SOC為0.51，初始種群規(guī)模為3 000輛電動汽車，電動汽車充電樁快充的輸出功率為24 kW，常規(guī)慢充輸出功率為12 kW，充電效率為90%，區(qū)域常規(guī)負(fù)荷的時間序列曲線如圖12所示，電動汽車全天負(fù)荷的時間序列曲線如圖7所示。

 

 

同時在保證不影響出行的前提下使車主在充電費用上的支出有所減少，達(dá)到一個整體較優(yōu)的狀態(tài)。優(yōu)化后有序充電場景下，電網(wǎng)閑時充電擬采用分時電價措施，其較優(yōu)充電價格如圖13所示。

 

      當(dāng)電動汽車無序充電時，用戶上午出行至公司后大多數(shù)電動汽車用戶有充電行為。傍晚開始充電的電動汽車在下半夜充滿，此時電網(wǎng)基本處于閑置狀態(tài)。大量用戶會聚集在傍晚時對電動汽車進行充電，集聚充電的現(xiàn)象對電網(wǎng)以及變壓器產(chǎn)生影響，圖14為區(qū)域常規(guī)負(fù)荷與電動汽車充電負(fù)荷的總負(fù)荷曲線，優(yōu)化前的負(fù)荷峰谷差明顯。在電動汽車并網(wǎng)前，充電站的功率曲線會因接入光伏輸出而產(chǎn)生較大的峰谷差，不利于電網(wǎng)的可靠運行。在電動汽車有序充電策略的控制下，通過優(yōu)化過程獲得電動汽車的接入較優(yōu)數(shù)量后，光伏系統(tǒng)輸出能夠被較有效地吸收，交流母線功率曲線平滑，實現(xiàn)了負(fù)荷的削峰填谷功能。

5.1概述

       AcrelCloud-9000安科瑞充電柱收費運營云平臺系統(tǒng)通過物聯(lián)網(wǎng)技術(shù)對接入系統(tǒng)的電動電動自行車充電站以及各個充電整法行不間斷地數(shù)據(jù)采集和監(jiān)控，實時監(jiān)控充電樁運行狀態(tài)，進行充電服務(wù)、支付管理，交易結(jié)算，資要管理、電能管理，明細(xì)查詢等。同時對充電機過溫保護、漏電、充電機輸入/輸出過壓，欠壓，絕緣低各類故障進行預(yù)警；充電樁支持以太網(wǎng)、4G或WIFI等方式接入互聯(lián)網(wǎng)，用戶通過微信、支付寶，云閃付掃碼充電。

5.2應(yīng)用場所

       適用于民用建筑、一般工業(yè)建筑、居住小區(qū)、實業(yè)單位、商業(yè)綜合體、學(xué)校、園區(qū)等充電樁模式的充電基礎(chǔ)設(shè)施設(shè)計。

 

5.3系統(tǒng)結(jié)構(gòu)

 

5.3.1系統(tǒng)分為四層：

1）即數(shù)據(jù)采集層、網(wǎng)絡(luò)傳輸層、數(shù)據(jù)中心層和客戶端層。

2）數(shù)據(jù)采集層：包括電瓶車智能充電樁通訊協(xié)議為標(biāo)準(zhǔn)modbus-rtu。電瓶車智能充電樁用于采集充電回路的電力參數(shù)，并進行電能計量和保護。

3）網(wǎng)絡(luò)傳輸層：通過4G網(wǎng)絡(luò)將數(shù)據(jù)上傳至搭建好的數(shù)據(jù)庫服務(wù)器。

4）數(shù)據(jù)中心層：包含應(yīng)用服務(wù)器和數(shù)據(jù)服務(wù)器，應(yīng)用服務(wù)器部署數(shù)據(jù)采集服務(wù)、WEB網(wǎng)站，數(shù)據(jù)服務(wù)器部署實時數(shù)據(jù)庫、歷史數(shù)據(jù)庫、基礎(chǔ)數(shù)據(jù)庫。

5）應(yīng)客戶端層：系統(tǒng)管理員可在瀏覽器中訪問電瓶車充電樁收費平臺。終端充電用戶通過刷卡掃碼的方式啟動充電。

小區(qū)充電平臺功能主要涵蓋充電設(shè)施智能化大屏、實時監(jiān)控、交易管理、故障管理、統(tǒng)計分析、基礎(chǔ)數(shù)據(jù)管理等功能，同時為運維人員提供運維APP，充電用戶提供充電小程序。 

 

5.4安科瑞充電樁云平臺系統(tǒng)功能

5.4.1智能化大屏 

       智能化大屏展示站點分布情況，對設(shè)備狀態(tài)、設(shè)備使用率、充電次數(shù)、充電時長、充電金額、充電度數(shù)、充電樁故障等進行統(tǒng)計顯示，同時可查看每個站點的站點信息、充電樁列表、充電記錄、收益、能耗、故障記錄等。統(tǒng)一管理小區(qū)充電樁，查看設(shè)備使用率，合理分配資源。

 

 

 

5.4.2實時監(jiān)控 

       實時監(jiān)視充電設(shè)施運行狀況，主要包括充電樁運行狀態(tài)、回路狀態(tài)、充電過程中的充電電量、充電電壓/電流，充電樁告警信息等。 

5.4.3交易管理 

      平臺管理人員可管理充電用戶賬戶，對其進行賬戶進行充值、退款、凍結(jié)、注銷等操作，可查看小區(qū)用戶每日的充電交易詳細(xì)信息。 

 

 

 

5.4.4故障管理

        設(shè)備自動上報故障信息，平臺管理人員可通過平臺查看故障信息并進行派發(fā)處理，同時運維人員可通過運維APP收取故障推送，運維人員在運維工作完成后將結(jié)果上報。充電用戶也可通過充電小程序反饋現(xiàn)場問題。

5.4.5統(tǒng)計分析 

       通過系統(tǒng)平臺，從充電站點、充電設(shè)施、、充電時間、充電方式等不同角度，查詢充電交易統(tǒng)計信息、能耗統(tǒng)計信息等。

 

 

5.4.6基礎(chǔ)數(shù)據(jù)管理 

       在系統(tǒng)平臺建立運營商戶，運營商可建立和管理其運營所需站點和充電設(shè)施，維護充電設(shè)施信息、價格策略、折扣、優(yōu)惠活動，同時可管理在線卡用戶充值、 凍結(jié)和解綁。

5.4.7運維APP

       面向運維人員使用，可以對站點和充電樁進行管理、能夠進行故障閉環(huán)處理、查詢流量卡使用情況、查詢充電\充值情況，進行遠(yuǎn)程參數(shù)設(shè)置，同時可接收故障推送

 

5.4.8充電小程序

面向充電用戶使用，可查看附近空閑設(shè)備，主要包含掃碼充電、賬戶充值，充電卡綁定、交易查詢、故障申訴等功能。

 

5.5系統(tǒng)硬件配置

 

 

      電動汽車負(fù)荷對于電網(wǎng)是優(yōu)質(zhì)可調(diào)負(fù)荷，以可控負(fù)荷的形式參與電網(wǎng)調(diào)控，可發(fā)揮其削峰填谷的作用，改善電網(wǎng)性能。本文利用價格響應(yīng)機制，將電動汽車組建成需求響應(yīng)架構(gòu)下的大型分布式儲能系統(tǒng)，同時結(jié)合光伏發(fā)電系統(tǒng)較大化吸收光伏輸出，就地消納光伏，降低用戶充電成本，緩解電網(wǎng)壓力，實現(xiàn)輔助電網(wǎng)峰谷調(diào)節(jié)功能。未來對電動汽車如何實現(xiàn)參與電網(wǎng)調(diào)頻，作為儲能系統(tǒng)向電網(wǎng)優(yōu)化放電等問題，將展開進一步研究。

參考文獻(xiàn)

［1］  倪凱旋. 基于分布式博弈的電動汽車充電站較優(yōu)調(diào)度方法［J］.供用電

［2］  尹紅. 我國新能源汽車產(chǎn)業(yè)發(fā)展的現(xiàn)狀、問題和趨勢［J］.中國價格監(jiān)管與反壟斷.

［3］  劉亞麗，李國棟，劉云，等. 基于隨機森林的電動汽車充電行為聚類技術(shù)研究［J］. ［4］  諸曉駿，陳曦，李妍，等. 考慮電動汽車接入的主動配電網(wǎng)優(yōu)化調(diào)度［J］. 電力工程技術(shù)，2021，40（3）.

［5］  張明霞，莊童. 小區(qū)電動汽車充電負(fù)荷實測分析［J］.電力需求側(cè)管理.

［6］  蒯圣宇，田佳，臺德群，等. 計及分布式能源與電動汽車接入的空間負(fù)荷預(yù)測［J］

［7］  戴依諾，戴忠. 電動汽車預(yù)約充電策略研究［J］. 電力需求側(cè)管理，2016，18（1）：［8］  王金明，張衛(wèi)國，朱慶，等. 含風(fēng)電及電動汽車虛擬電廠參與電力市場的優(yōu)化調(diào)度策略［J］. 電力需求側(cè)管理，2020.

［9］   劉晉源，呂林，高紅均，等. 計及分布式電源和電動汽車特性的主動配電網(wǎng)規(guī)劃［J］.

［10］ 秦建華，潘崇超，張璇，等. 基于充電行為分析的電動汽車充電負(fù)荷預(yù)測［J/OL］. 電測與儀表［2021-10-20］ 

［11］ 陳黎軍，宋遠(yuǎn)軍，王 坤，汪映輝.考慮參與電網(wǎng)輔助服務(wù)的電動汽車有序充電研究

［12］ 安科瑞企業(yè)微電網(wǎng)設(shè)計與應(yīng)用手冊.2022.05版.

作者簡介

劉細(xì)鳳，女，安科瑞電氣股份有限公司，從事電氣相關(guān)物聯(lián)網(wǎng)系統(tǒng)研發(fā)工作；