摘 要:電動汽車(elecric vehicle,EV)充電負荷變化量受微電網爬坡性能限制,因此文中考慮微電網機組爬坡特性,提出一種計及動態電價的 EV參與微電網調度雙層優化策略。上層為 EV 負荷模型,分析不同類型EV 快/慢充特性,考慮微電網電價對EV 充電需求的引導,建立以用戶滿意度最大為目標的EV負荷模型。下層為多微電網運行模型,根據微電網凈負荷大小制定動態電價策略,考慮EV 充電負荷對微電網新能源的消納及電源爬坡的需求優化各區域動態電價,并以微電網凈負荷波動及運行成本最小為目標,建立多微電網區域運行模型。最后對某城市區域微電網及 EV 充電需求算例進行分析和驗證,結果表明:與固定電價及峰谷分時電價相比,所提方法實現了EV 負荷在微電網區域有序充電、平抑凈負荷波動的效果,能有效降低充電行為對微電網安全經濟運行的影響。

關鍵詞:電動汽車(EV);微電網;動態電價;快/慢充負荷;爬坡

一、引言

隨著化石能源的不斷消耗,其導致的環境問題日益嚴峻,分布式電源大量人網,微電網作為分布式電源的重要載體,逐漸成為解決不可再生能源緊缺及其污染問題的主要形式。同時,由區域內多個微電網經輸電線路聯絡構成的多微電網系統得到了廣泛的關注和應用。電動汽車(electric vehicle,EV)作為微電網中的一種柔性負荷,不僅能提高微電網內可再生能源的利用率,還能增強微電網系統的穩定性,具有巨大的經濟效益和環境價值。但是,隨著 EV 在微電網中的滲透率不斷提升,其時空分布的隨機性和不確定性會增大微電網原有的負荷峰值,對微電網的安全穩定運行造成影響。因此,如何利用 EV 負荷需求響應特性,減小大規模聚集充電對微電網安全穩定運行的影響實現 EV 負荷在微電網區域的優化調度,具有十分重要的現實意義。

二、EV充電負荷預測模型

文中主要研究私家車、出租車和公交車3類充電負荷需求,具體分析各類型車輛的充電模式、充電地點和充電時間的選擇,并設置負荷預測模型的各類參數。

不同類型的EV充電負荷在時間和空間上都具有隨機性,近似認為3類用戶群體的充電需求初始時刻在不同的時間段都滿足正態分布,且充電需求初始時刻的 S0C 也滿足正態分布。

(1)私家車負荷。私家車的用戶最多,在不同時段和不同地點都有充電需求。在辦公區,用戶在白天工作時段靈活選擇快充或慢充模式補充電能;在商業區,用戶在白天及傍晚選擇快充模式快速補充電能;在居民區,極少數用戶在白天選擇快充模式補充電能,大多數用戶在傍晚及夜間選擇慢充模式補充電能。

(2)出租車負荷。出租車的運營時間為全天,所以一般采取一天兩充的模式,充電時間選擇在人流量較少的時段,分別為中午時段以及午夜時段。由于出租車的行程不固定,所以充電需求節點分布較為隨機,考慮距離和充電價格后選擇快充模式。

(3)公交車負荷。公交車的運營時間大致為06:00-22:00,其運營時間、路線相對集中,可以進行集中充電,一般采取一天兩充的模式。隨機選擇各個微電網充電站節點進行充電,在中午時段進行快充,晚上下班后進行慢充。

表1為EV充電負荷預測參數。

部分私家車選擇白天在辦公區、晚上在居民區進行慢充,由于慢充時間較長,所以將此類 EV 看作時間上可轉移的負荷。由于快充時間較短,調度更為靈活,私家車及出租車處于快充模式時可以在充電時段內選擇不同充電站進行快充,因此可作為空間上可轉移的負荷。另外,公交車的充電時間和地點相對固定,所以其充電方式在相關約束下切換充電時間可在固定的某段時間內靈活安排。

三、算例分析

3.1情景設置

文中設置如下3個對照情景。

情景一:根據負荷預測參數生成EV快/慢充負荷曲線,無序充電,采取固定電價模式。

情景二:通過峰谷分時電價引導EV充電需求時空分布。

情景三:采用文中所提方法,通過各區域微電網動態電價引導EV 充電需求時空分布。

3.2各區域負荷分析

根據各類型EV負荷預測參數,運用蒙特卡洛模擬方法對充電位置、充電需求初始時刻及S0C 等參數進行概率抽樣,模擬得到各區域的快/慢充負荷。3 個情景所得結果如圖1所示。

對比各區域快/慢充負荷及凈負荷可知07:00-10:00 時段內,情景一中辦公區的快/慢充負荷均在快速增長,導致辦公區的凈負荷爬坡較大,此時快充負荷通過動態電價被引導至商業區及居民區進行快充，慢充負荷通過改變充電起始時間，實現了快/慢充負荷在時空上的轉移。優化后，情景三中辦公區的凈負荷波動大幅減小,同時對商業區及居民區的凈負荷波動的影響較小。

10:00-18:00 時段內,情景一中居民區微電網內有較多的風/光出力未被消納,此時辦公區及商業區的部分快充負荷通過動態電價被引導至居民區進行快充。情景三通過負荷轉移實現了風/光出力的有效消納,同時對商業區的凈負荷波動也有減小,但辦公區的凈負荷波動略有增大。

18:00-24:00 時段內,光伏停止發電,風電出力減小,各區域基礎負荷處于高峰時段,情景一中商業區的凈負荷爬坡最大,此時商業區的部分快充負荷通過動態電價被引導至辦公區及居民區進行快充。情景三中辦公區和居民區的凈負荷波動略有增大,但有效緩解了凈負荷波動對商業區微電網帶來的沖擊。

00:00-07:00時段內,風電出力逐漸增大，基礎負荷用電減小,情景三中辦公區及居民區的部分慢充負荷由 18:00-24:00 時段轉移至此時段進行充電,商業區的部分快充負荷也轉移到辦公區及居民區進行快充。

情景二則按照不同時段的不同電價對EV 負荷進行引導。相較于情景二,情景三中快充負荷的調度更為靈活,其能夠根據各微電網的運行特性選擇不同充電站進行電能補充。通過對各個時段的分析,情景三基于各區域動態電價引導快/慢充負荷進行時空轉移,實現了多微電網區域整體利益最優。

相較于情景一,情景二中部分區域的凈負荷峰谷差及方差出現了不降反升的情況,而情景三中各區域凈負荷峰谷差分別減小了 11.3%、22.2%及 19.7%,凈負荷方差分別減小了 18.9%、22.5%及6.5%?？梢园l現,通過動態電價引導 E充電需求時空分布,各區域微電網的凈負荷峰谷差、方差都得到了不同程度的降低,實現了多微電網區域的安全穩定運行。

四、解決方案

圖2平臺結構圖

充電運營管理平臺是基于物聯網和大數據技術的充電設施管理系統，可以實現對充電樁的監控、調度和管理，提高充電樁的利用率和充電效率，提升用戶的充電體驗和服務質量。用戶可以通過APP或小程序提前預約充電，避免在充電站排隊等待的情況，同時也能為充電站提供更準確的充電需求數據，方便后續的調度和管理。通過平臺可對充電樁的功率、電壓、電流等參數進行實時監控，及時發現和處理充電樁故障和異常情況對充電樁的功率進行控制和管理，確保充電樁在合理的功率范圍內充電，避免對電網造成過大的負荷。

五、安科瑞充電樁云平臺具體的功能

平臺除了對充電樁的監控外，還對充電站的光伏發電系統、儲能系統以及供電系統進行集中監控和統一協調管理，提高充電站的運行可靠性，降低運營成本，平臺系統架構如圖3所示。

圖3充電樁運營管理平臺系統架構

大屏顯示：展示充電站設備統計、使用率排行、運營統計圖表、節碳量統計等數據。

圖4大屏展示界面

站點監控：顯示設備實時狀態、設備列表、設備日志、設備狀態統計等功能。

圖5站點監控界面

設備監控：顯示設備實時信息、配套設備狀態、設備實時曲線、關聯訂單信息、充電功率曲線等。

圖6設備監控界面

運營趨勢統計：顯示運營信息查詢、站點對比曲線、日月年報表、站點對比列表等功能。

圖7運營趨勢界面

收益查詢：提供收益匯總、實際收益報表、收益變化曲線、支付方式占比等功能。

圖8收益查詢界面

故障分析：提供故障匯總、故障狀態餅圖、故障趨勢分析、故障類型餅圖等功能。

圖9故障分析界面

訂單記錄：提供實時/歷史訂單查詢、訂單終止、訂單詳情、訂單導出、運營商應收信息、充電明細、交易流水查詢、充值余額明細等功能。

圖10訂單查詢界面

六、產品選型

安科瑞為廣大用戶提供慢充和快充兩種充電方式，便攜式、壁掛式、落地式等多種類型的充電樁，包含智能7kw/21kw交流充電樁，30kw直流充電樁，60kw/80kw/120kw/180kw直流一體式充電樁來滿足新能源汽車行業快速、經濟、智能運營管理的市場需求。實現對動力電池快速、安全、合理的電量補給，同時為提高公共充電樁的效率和實用性，具有有智能監測：充電樁智能控制器對充電樁具備測量、控制與保護的功能；智能計量：輸出配置智能電能表，進行充電計量，具備完善的通信功能；云平臺：具備連接云平臺的功能，可以實現實時監控，財務報表分析等等；遠程升級：具備完善的通訊功能，可遠程對設備軟件進行升級；保護功能：具備防雷保護、過載保護、短路保護，漏電保護和接地保護等功能；適配車型：滿足國標充電接口，適配所有符合國標的電動汽車，適應不同車型的不同功率。下面是具體產品的型號和技術參數。

八、結論

針對峰谷分時電價不能較好地應用于EV參與微電網調度的問題,文中提出了計及動態電價的EV參與微電網調度雙層優化策略,對峰谷分時電價進一步優化,根據各區域微電網出力以及負荷的異質性,通過電價引導EV 負荷的時空分布,最后對區域微電網及EV 充電需求進行算例驗證,對比不同電價模式下 EV 負荷參與微電網調度的結果,得出以下結論:

(1)文中通過不同類型EV 負荷預測參數以及快/慢充調度策略,得到各區域EV負荷時空分布由優化結果對比可知,慢充負荷在不同電價模式下的變化幅度較小,主要是快充負荷參與電價需求響應。

(2)峰谷分時電價引導EV 負荷參與微電網調度,在峰谷差、方差及微電網運行成本上都只得到小幅度優化,甚至出現不降反升的情況;相比于峰谷分時電價,文中動態電價策略充分考慮微電網內機組的爬坡特性以及新能源的消納,達到了各區域凈負荷“削峰填谷”的實際效果,實現了微電網的安全經濟運行。

(3)用戶參與需求響應會減小出行滿意度,但動態電價策略大幅提升了用戶的充電費用滿意度,使得整體的用戶滿意度得到有效保證,文中雙層優化模型將電價作為上下層的交互變量,實現了微電網與 EV 用戶的互利共贏。

參 考 文 獻：

[1]湯雯博.面向配電網的多微電網協同優化調度研究[D].南京:南京郵電大學,2020.

TANG Wenbo. Research on collaborative optimal scheduling ofmulti-microgrid for distribution network [ D]. Nanjing :NanjingUniversity of Posts and Telecommunications ,2020.

[2]王愷,趙文會,張偉時,等.雙碳背景下微電網的優化配置研究[J].電力需求側管理,2023,25(4):86-92.

WANG Kai,ZHA0 Wenhui,ZHANG Weishi,et al. Optimal al-location of microgrid under the background of carbon peakingand neutralization[」. Power Demand Side Management ,2023 ,25(4):86-92.

[3]陳津.電動汽車接人下區域聯合微網的經濟調度策略與協同優化方法[D].武漢:華中科技大學,2019.

CHEN Jin. Economic dispatching strategy and cooperative optimization of regional combined microgrids with integration of e-lectric vehicles [ D ]. Wuhan : HuazhongyUniversity of Scienceand Technology,2019.

[4]FOTOUHI Z,HASHEMI M R,NARIMANI H,et al. A generalmodel for EV drivers' charging behavior[ J]. lEEE Transactionson Vehicular Technology,2019,68(8):7368-7382.

[5]程杉,陳梓銘,徐康儀,等.基于合作博弈與動態分時電價的電動汽車有序充放電方法[J.電力系統保護與控制,2020，48(21):15-21.

CHENG Shan, CHEN Ziming, XU Kangyi,et al. An orderlycharging and discharging method for electric vehicles based on acooperative game and dyamic time-of-use price [ 」]. PowerSystem Protection and Control,2020,48(21):15-21.

[6]陳麗丹,張堯,Antonio Figueiredo.電動汽車充放電負荷預測研究綜述[J].電力系統自動化,2019,43(10):177-191.

CHEN Lidan,ZHANG Yao,FIGUEIREDO A. Overview of char-ging and discharging load forcasting for electric vehiclesJ]Automation of Electric Power Systems,2019,43( 10):177-191.

[7]蔡黎,葛棚丹,代妮娜,等.電動汽車人網負荷預測及其與電網互動研究進展綜述[J].智慧電力,2022,50(7):96-103.

CAl Li,GE Pengdan,DAl Nina,et al. Review of research pro-gress on load prediction and grid interaction of electric vehicles[J].Smart Power,2022,50(7):96-103.

[8]王浩林,張勇軍,毛海鵬.基于時刻充電概率的電動汽車充電負荷預測方法[J].電力自動化設備,2019,39(3):207-213.

WANG Haolin,ZHANG Yongjun, MA0 Haipeng. Chargingload forecasting method based on instantaneous charging prob.ability for electric vehicles[ Jl. Electric Power Automation E.quipment,2019,39(3):207-213.

[9]姜欣,馮永濤,熊虎,等.基于出行概率矩陣的電動汽車充電站規劃[J].電工技術學報,2019,34(S1):272-281.

JANG Xin,FENG Yongtao ,XIONG Hu,et al. Electric vehiclecharging station planning based on travel probability matrix[J]. Transactions of China Electrotechnical Society, 2019, 34(S1):272-281.

審核編輯 黃宇