鄭言沖肖新平文江輝蹇林旎

1（武漢理工大學(xué)理學(xué)院 武漢 430070）

2（南方科技大學(xué)電子與電氣工程系 深圳 518055）

電動汽車智能充電策略研究綜述

鄭言沖1，2肖新平1文江輝1蹇林旎2

1（武漢理工大學(xué)理學(xué)院 武漢 430070）

2（南方科技大學(xué)電子與電氣工程系 深圳 518055）

發(fā)展電動汽車是減少對石油的依賴以及解決環(huán)境污染的有效途徑。但是，大規(guī)模電動汽車無序充電會嚴(yán)重影響電網(wǎng)的穩(wěn)定性，主要表現(xiàn)在電網(wǎng)負(fù)荷峰值升高、電網(wǎng)電壓下降以及電網(wǎng)能量損失變大等方面。眾所周知，對電網(wǎng)進(jìn)行擴(kuò)容改造將需巨大的成本，而智能充電無需對電網(wǎng)進(jìn)行大幅度改造即可有效地解決這一難題。智能充電不僅能為電力運營商創(chuàng)造可觀的經(jīng)濟(jì)效益，同時還能使電動汽車用戶受益。智能充電主要分為集中式充電和分散式充電。集中式充電根據(jù)電網(wǎng)信息和電動汽車的充電需求規(guī)劃電動汽車的充電策略。充電策略的制定主要以電網(wǎng)運行成本最小、電網(wǎng)能量損失最小、電網(wǎng)負(fù)荷方差最小等為目標(biāo)。分散式充電主要在獲取電網(wǎng)狀態(tài)信息和電動汽車的充電需求后制定浮動電價以激勵電動汽車用戶避開用電高峰期。最后，文章簡要介紹了在智能充電框架下電動汽車與可再生能源融合的潛力、智能充電對電池的要求以及相應(yīng)的通訊網(wǎng)絡(luò)構(gòu)建等問題。

電動汽車；無序充電；智能充電；可再生能源

1 引 言

隨著全球經(jīng)濟(jì)的快速發(fā)展，全球性的能源危機(jī)正在逐步加重，尤其表現(xiàn)在對石油的需求上。國際能源署（IEA）發(fā)表的最新數(shù)據(jù)表明，全球在對石油的需求上持續(xù)增長，日需求量從 2005 年的 8430 萬桶增長到 2014 年的 9280 萬桶［1］。而運輸業(yè)所消耗的石油量占到了所耗石油總量的60% 左右，但其二氧化碳排放量僅在 2011 年就產(chǎn)生了約 6892 兆噸［2］。而電動汽車作為一種新能源汽車，以電機(jī)作為動力驅(qū)動，以電能為其動力來源，則可以完全脫離對石油的依賴。目前，美國、日本、西歐的電動汽車市場增長勢頭強(qiáng)勁，產(chǎn)業(yè)進(jìn)入快速發(fā)展通道的跡象愈發(fā)明顯。2012年，美國、日本電動汽車銷售規(guī)模分別達(dá)到 5.3 萬輛和 2.7 萬輛，西歐各國銷售總規(guī)模達(dá) 2.4 萬輛。

電動汽車以電池中的電能作為動力來源，電池的容量決定了電動汽車的最長續(xù)航里程。根據(jù)電動汽車的充電功率，大體可以將電動汽車的充電方法分為以下兩類：

（1）慢充：也稱常規(guī)充電，主要采用交流電小電流（約 15 A）的充電模式，一般充電時間為5～8 小時。而有些電池容量較大的電動汽車，充電時間可能長達(dá) 10～20 小時。

（2）快充：主要采用的是直流大電流（150 A～400 A）充電模式，一般充電時間為 15 分鐘～2小時。

2 無序充電與智能充電

電動汽車無序充電指的是當(dāng)電動汽車接入充電樁時立即以其額定的充電功率充電，直至電動汽車的電池容量達(dá)到最大值［3］。此時的電動汽車完全屬于一種電力負(fù)荷，不會進(jìn)行能量反饋［4］。電動汽車充電在時間和空間上均有很大的隨機(jī)性，可控性和可預(yù)測性差。這對發(fā)電廠來說，根據(jù)電動汽車的充電需求調(diào)節(jié)其發(fā)電功率存在著很大的困難。

智能充電主要是根據(jù)電網(wǎng)電量的供應(yīng)情況而改變電動汽車的充電時間以及充電速率［5］，其中充電策略的確定可分為集中式調(diào)控和分散式調(diào)控。集中式調(diào)控主要以電網(wǎng)運行成本最小、排放的溫室氣體最少［6］、電網(wǎng)能量損失最小［7］、電網(wǎng)負(fù)荷方差最小［8，9］和負(fù)荷因子最大［10，11］為目標(biāo)來確定電動汽車的充電策略，然后通過配電控制中心對電動汽車的充電功率進(jìn)行控制；而分散式調(diào)控則主要是通過制定的電價機(jī)制使車主避開用電高峰期充電［12-14］。但是智能充電在實現(xiàn)上有一定的困難：首先是電池技術(shù)還不夠成熟，如果頻繁地對電池進(jìn)行充放電，那么將會嚴(yán)重影響電池的壽命［15-17］；其次，電動汽車的用戶要配合配電控制中心對其電池進(jìn)行智能管理；再次，建立大量充電站以及配套網(wǎng)絡(luò)通訊設(shè)備等設(shè)施的成本很大［18］。

2.1 無序充電及其導(dǎo)致的問題

無序充電主要會引起電網(wǎng)負(fù)荷峰值升高、電網(wǎng)電壓下降以及電網(wǎng)能量損失增多，但少量的電動汽車無序充電并不會對電網(wǎng)的穩(wěn)定性構(gòu)成威脅，這是至今電力公司還沒對電動汽車實施充電管制的原因。但是，一旦電動汽車的數(shù)量達(dá)到一定的規(guī)模，就會對電網(wǎng)產(chǎn)生嚴(yán)重危機(jī)［19］。對于住宅區(qū)的電網(wǎng)系統(tǒng)，在用電高峰期，充電的電動汽車越多對電網(wǎng)的影響越大［20］。Clement-Nyns 等［21］通過大量的仿真實驗，得到了 1000 次實驗下電動汽車無序充電對電網(wǎng)相關(guān)參數(shù)的統(tǒng)計數(shù)據(jù)，如表 1 所示。下面就電動汽車集中充電對電網(wǎng)的影響分別選取如下幾個方面進(jìn)行分析。

（1）電網(wǎng)負(fù)荷峰值升高

美國加州調(diào)查數(shù)據(jù)顯示，該州 10%～15% 的電動汽車用戶選擇在白天充電，85%～90% 選擇在工作后回到家中進(jìn)行充電。因此大部分電動汽車會集中在 18：00 — 22：00 這個時間段充電，而這個時間段正處于用電高峰期，這會使得電網(wǎng)負(fù)荷峰值升高。Sundstrom 等［22］模擬了在常規(guī)負(fù)荷曲線下電動汽車充電對區(qū)域電網(wǎng)負(fù)荷的影響（如圖 1）。結(jié)果表明，充電汽車在沒有任何指引的前提下充電會導(dǎo)致電網(wǎng)負(fù)荷的波峰進(jìn)一步增大，而電網(wǎng)波谷基本不變，這表明無序充電將會進(jìn)一步導(dǎo)致資源的浪費。而 Leemput 等［23］就單個家居電網(wǎng)進(jìn)行了研究，通過研究家庭電動汽車晚上回家充電的行為，模擬結(jié)果表明電動汽車充電會增大家用電網(wǎng)負(fù)荷的波峰。

表1 電動汽車充電對電網(wǎng)的影響——1000 次模擬實驗統(tǒng)計結(jié)果［21］Table 1 Impacts of EV charging-simulation results

圖1 無序充電導(dǎo)致負(fù)荷峰值升高［21］Fig. 1 The impact of uncoordinated charging

（2）電網(wǎng)電壓下降

當(dāng)大量電動汽車集中在用電高峰期充電時，電網(wǎng)需要較大的輸出電流，而此時電網(wǎng)提供的輸出功率一定，將會導(dǎo)致輸出電壓減小，影響電網(wǎng)電壓的穩(wěn)定性。Deilami 等［7］模擬了在不同電動

汽車市場占有率下，其充電行為對電網(wǎng)電壓的影響，仿真結(jié)果表明在用電高峰期充電會使電網(wǎng)電壓發(fā)生巨大的波動。圖 2 模擬的是電動汽車占有率為 0 和 30% 對電網(wǎng)電壓的影響情況，其中，實線表示的是一天之內(nèi)在沒有電動汽車充電的情況下某地區(qū)電網(wǎng)電壓的變化情況，而虛線表示的是所有電動汽車集中在 0：00 — 6：00 a.m. 充電時電網(wǎng)電壓的變化情況［11］。

圖2 電動汽車占有率為 0 和 30％ 時電網(wǎng)電壓變化情況［11］Fig. 2 Voltage profile with 30％ EVs compared to the voltage profile with 0 EV

（3）能量損失變大

Khayyam 等［24］模擬了無序充電以及在智能控制下電網(wǎng)能量損失情況。從模擬情況圖 （圖 3）可以看到，在用電高峰期，電動汽車無序充電導(dǎo)致電網(wǎng)的能量損失較大，而在無電動汽車充電以及電動汽車在智能控制器調(diào)節(jié)的前提下充電時，能量損失較為平穩(wěn)。在用電高峰期，大量的電動汽車充電導(dǎo)致電網(wǎng)負(fù)荷過高，輸出電流陡增，電線發(fā)熱將導(dǎo)致電網(wǎng)大量能量損失。

圖3 不同情形下電網(wǎng)能量損失［24］Fig. 3 Loss power with different situation

此外，大量的電動汽車集中在用電高峰期充電還會使變壓器的壽命嚴(yán)重縮減，情況嚴(yán)重時可能需要更換成更大的變壓器才能滿足電動汽車的充電需求［25，26］。同時，大量電動汽車集中充電還會為輸電線以及相關(guān)配套設(shè)施帶來嚴(yán)峻的挑戰(zhàn)。

2.2 智能充電及其經(jīng)濟(jì)效益

對電動汽車進(jìn)行智能充電不僅能夠維持電網(wǎng)的穩(wěn)定，還能對環(huán)境的保護(hù)、車主的利益以及電網(wǎng)的收益起到至關(guān)重要的作用。在美國，一輛加入到智能電網(wǎng)中的電動校車與一輛傳統(tǒng)校車相比，每年每個座位能夠節(jié)省大約 5700 美元［27］。起初人們只是試探如何在大規(guī)模電動汽車充電的情形下維持電網(wǎng)的穩(wěn)定性，在此基礎(chǔ)上再考慮獲利的可能性［28］，后來逐漸發(fā)現(xiàn)如果對電動汽車進(jìn)行智能充電，不僅會使電力公司受益，還能改善環(huán)境狀況以及讓電動汽車用戶獲益。從對加州官方提供的數(shù)據(jù)進(jìn)行仿真發(fā)現(xiàn)，對電動汽車進(jìn)行智能充電可以減少 29.5% 的成本以及 79% 的 CO2和 83% 的 NOx的排放量［29］。Saber 等［6］利用電動汽車將可再生能源充分整合進(jìn)電網(wǎng)，以最小化電網(wǎng)運行成本為目標(biāo)優(yōu)化電動汽車的充放電，計算結(jié)果表明，這樣既可以減少發(fā)電廠的運行成本，又可以大大減少二氧化碳排放，同時還可以創(chuàng)造相當(dāng)可觀的經(jīng)濟(jì)效益。

3 智能充電方法介紹

3.1 集中式充電

集中式充電是將電動汽車充電進(jìn)行集約化管理，按照電網(wǎng)的需求以及電動汽車用戶的充電行為對此區(qū)域內(nèi)的電動汽車能量進(jìn)行統(tǒng)一調(diào)度，通過既定的控制策略管理每輛車的充電。目前，電動汽車充電控制策略的確定基于多種形式?；谶@些形式可以通過地面建設(shè)停車場以及配套的智能充電機(jī)對電動汽車進(jìn)行智能充電。對于電網(wǎng)而言，這種集中管理和統(tǒng)一調(diào)度的模式能夠?qū)崿F(xiàn)整體上最優(yōu)，降低電網(wǎng)運營成本。具體操作流程見下圖所示：

圖4 集中式充電方法操作流程Fig. 4 The operational processes of centralized charging

電動汽車在準(zhǔn)備接受充電服務(wù)時，可以向控制中心發(fā)送告知信號，上傳電池實時信息，并通過人機(jī)交互界面完成相關(guān)參數(shù)設(shè)置，包括地理位置、離開時間以及離開時的電池荷電狀態(tài)（State of Change，SOC）值。控制中心在接受到電動用戶的充電需求后，立即更新站內(nèi)數(shù)據(jù)庫信息，并結(jié)合電網(wǎng)的負(fù)荷情況找到最優(yōu)的充電策略，再將充電的指令傳輸給充電樁對電動汽車進(jìn)行充電。

關(guān)于電動汽車充電策略的確定，目前采用的方法各異，優(yōu)化目標(biāo)也不一。最小化電網(wǎng)能量損失仍是最主要運用的目標(biāo)函數(shù)［11，30-34］，它針對確定性的家庭網(wǎng)絡(luò)負(fù)荷，被用來衡量智能充電的有效性［11］；在以最小化電網(wǎng)能量損失為目標(biāo)的前提下，在增加了電網(wǎng)電壓、電網(wǎng)負(fù)荷以及電動汽車的相關(guān)約束下進(jìn)行優(yōu)化，在最小化能量損失的同時保證了電網(wǎng)的穩(wěn)定性［30］。Masoum 等［31］設(shè)計了一個智能負(fù)荷管理系統(tǒng)，同時兼以削減波峰時期的用電需求，該系統(tǒng)可以改善電網(wǎng)狀況。而Luo 等［32］發(fā)現(xiàn)單純地以能量損耗為優(yōu)化目標(biāo)會導(dǎo)致電網(wǎng)電壓下降，然后對該問題進(jìn)行了建模。Zhang 等［33］對電動汽車充電以及換電站同時考慮，得到了最優(yōu)的充電策略，使得能量損失最小以及換電站利潤最大化。Liu 等［34］僅對電動汽車的充電時刻進(jìn)行了優(yōu)化，而充電速率為電動汽車常規(guī)充電速率。

此外，也有學(xué)者考慮采用其他目標(biāo)函數(shù)進(jìn)行數(shù)學(xué)建模。Jian 等［8，9］選取了電網(wǎng)負(fù)荷方差為目標(biāo)進(jìn)行了優(yōu)化，效果也較理想；Davydova 等［35］選取了電網(wǎng)負(fù)荷因子為目標(biāo)進(jìn)行了優(yōu)化；Mets 等［36］選取了以電網(wǎng)負(fù)荷峰值為目標(biāo)建立了二次規(guī)劃模型，結(jié)果表明優(yōu)化的充放電策略能夠使得電力公司受益。

Sortomme 等［10］證明了在電動汽車與電網(wǎng)的交互過程中以最小電網(wǎng)能量損失、最大電網(wǎng)負(fù)荷因子以及最小電網(wǎng)負(fù)荷方差為目標(biāo)建模對電網(wǎng)引起的損耗是基本等價的。以最小化電網(wǎng)能量損失為目標(biāo)需要考慮電網(wǎng)的拓?fù)浣Y(jié)構(gòu)，而以最小化電網(wǎng)負(fù)荷方差為目標(biāo)則不需要，但是以最小化電網(wǎng)負(fù)荷方差為目標(biāo)建模為二次規(guī)劃問題，對于大規(guī)模的電動汽車充電情況需要更多的計算時間。與最小化負(fù)荷方相比，最大化負(fù)荷因子是一個更好的選擇。因為負(fù)荷因子是線性的，以最大化負(fù)荷因子為目標(biāo)進(jìn)行計算的時間僅為以最小化負(fù)荷方差為目標(biāo)的一半。

隨著電動汽車充電規(guī)模的擴(kuò)大，電動汽車進(jìn)行充電策略優(yōu)化時的計算復(fù)雜度也會隨之增加。對于該問題主要通過分層優(yōu)化以及用智能算法加快計算進(jìn)行求解。Jian 等［9］分兩層進(jìn)行優(yōu)化，第一層對各個充電站的配電功率進(jìn)行了優(yōu)化，第二層在第一層優(yōu)化得到的配電功率的基礎(chǔ)上對電動汽車的充放電進(jìn)行了優(yōu)化，結(jié)果表明全局優(yōu)化與雙層優(yōu)化得到的結(jié)果相近；Qi 等［37］也提出了一種分層優(yōu)化的模型，對于所有的充電汽車，先按照區(qū)域進(jìn)行合理劃分，再對劃分區(qū)域后的電動汽車逐個進(jìn)行優(yōu)化以達(dá)到整個電網(wǎng)的穩(wěn)定性需求；Soare 等［38］建立了以電網(wǎng)運行成本最小為目標(biāo)的模型，用改進(jìn)的粒子群算法對模型進(jìn)行求解，大大提高了求解效率；Sousa 等［39］以電網(wǎng)運行成本最小為目標(biāo)建立了優(yōu)化模型，用模擬退火算法進(jìn)行求解，結(jié)果表明該算法能夠在較短的時間內(nèi)得到最優(yōu)解。

3.2 分散式充電

分散式充電的目標(biāo)是電動汽車用戶通過實時的電價信息確定充電的時間以達(dá)到充電成本最低。而電價機(jī)制則是電網(wǎng)配電控制中心根據(jù)電網(wǎng)信息以及電動汽車的用電需求確定的。目前，關(guān)于電價機(jī)制的確定的研究方法各異。一個合理的電價機(jī)制應(yīng)該要能激勵電動汽車用戶選擇合理的時間充電。雖然這種方法不受時間和地點的限制，更易實現(xiàn)，但是每輛車的隨機(jī)性過大，缺乏集中管理調(diào)度，故很難實現(xiàn)整體最優(yōu)。分散式充電流程如下：

圖5 分散式充電方法操作流程Fig. 5 The operational processes of decentralized charging

電動汽車提前將其電能需求信息告知配電控制中心，配電控制中心得到該充電需求后，結(jié)合預(yù)測的電網(wǎng)信息并基于各種目標(biāo)函數(shù)進(jìn)行優(yōu)化，確定了電價信息后再反饋給電動汽車用戶，而電動汽車用戶根據(jù)電價信息選擇合適的時間進(jìn)行充電以使得其充電成本最小。

一個合理的電價機(jī)制是電動汽車智能充電得以實施的決定性因素。電動汽車用戶通常根據(jù)實時的電價機(jī)制改變自己的充電行為，而電動汽車對電網(wǎng)的需求也會隨之發(fā)生變化［40］。然而，這種電價機(jī)制可能會使大量的電動汽車集中在波谷充電，導(dǎo)致意想不到的第二個波峰的出現(xiàn)［41］。因此，電價機(jī)制并不是一成不變的，配電中心要根據(jù)電網(wǎng)信息以及電動汽車的需求信息對電價進(jìn)行實時調(diào)控，以更好地滿足電動汽車的充電需要并維持電網(wǎng)的穩(wěn)定性。

對于電價機(jī)制的確定，在以往的研究中人們考慮的角度不一。單純地以電力公司的利潤最大化或者其運行成本最小化為目標(biāo)得到的充電策略并不一定能激勵電動汽車用戶按照其設(shè)想的方法充電，還可能造成電網(wǎng)的不穩(wěn)定［42］。但在相應(yīng)的電價機(jī)制上通過合理地儲存和調(diào)度電能可以改善這種情況［43］。Ahn 等［13］主要是通過接收來自于集中式電網(wǎng)控制器的命令來決定用戶的充電行為，該方法能夠在現(xiàn)有的電價機(jī)制上到達(dá)全局最優(yōu)，同時能夠?qū)Σü冗M(jìn)行填充，并且也不需要復(fù)雜的網(wǎng)絡(luò)支持，但是需要充電用戶放棄自主選擇充電的權(quán)利。Nguyen 等［44］嘗試在減少電網(wǎng)負(fù)荷方差的同時對用戶的充電成本進(jìn)行優(yōu)化，用一種博弈的方法使得電動汽車用戶改變其充電行為，即每個電動汽車用戶都可以從控制中心獲取數(shù)據(jù)，再對自己的充電行為優(yōu)化，最后控制中心對現(xiàn)有的充電行為進(jìn)行更新。該方法能夠宏觀地對電動汽車的充電行為進(jìn)行監(jiān)控，有效地改善電網(wǎng)狀況，但是需要較強(qiáng)的通信設(shè)備以保證用戶能夠及時得知相關(guān)的信息。

4 智能充電存在的問題及潛力

4.1 電池充電效率及電池老化

電動汽車在智能充電的系統(tǒng)中需要頻繁地改變充電速率，這樣會影響其充電的效率，同時對電動汽車的充電策略的確定帶來一定的影響［45］。此外，電動汽車的充電效率會隨著 SOC 值的增大而增大，但最終維持在一個相對穩(wěn)定的區(qū)間（85%～95%）內(nèi)，且不會有明顯的變化［46］，因此在優(yōu)化時可以取充電效率為其平均水平即可。

電池的過充或者過放都會對電池的壽命產(chǎn)生影響。這是由于過充或者過放均會導(dǎo)致電池的溫度急劇上升，嚴(yán)重縮減其使用壽命。因此，在電動汽車進(jìn)行充電時需要嚴(yán)格規(guī)定電池的 SOC 值范圍以免損害電池。Fernandez 等［16］的研究得到了電池老化率與電池電流以及溫度的關(guān)系式。將此關(guān)系式運用到能量優(yōu)化管理系統(tǒng)中，得到了使電池老化率最低的充電策略。Lunz 等［17］研究了不同充電方式對電動汽車電池老化成本的影響，發(fā)現(xiàn)通過合理的充電方式不僅可以降低電池的老化成本，還能減少其充電成本。Zhang 等［15］提出一種積極的充電策略，可以使電池狀態(tài)維持在一個較合理的 SOC 區(qū)域，以延長電池的壽命。

4.2 通信網(wǎng)絡(luò)的構(gòu)建

不管是對于集中式充電還是分散式充電，都需要依賴通信網(wǎng)絡(luò)獲取電動汽車用戶的信息。無線通信以其成本低以及覆蓋面廣成為了主流的選擇，而電動汽車用戶還可以通過手機(jī)利用 3G或者 4G 網(wǎng)絡(luò)與控制中心保持通信并獲取信息。Yuan 等［47］設(shè)計了一套充電管理系統(tǒng)，通過無線網(wǎng)絡(luò)來控制，由中心管理系統(tǒng)來遙控，可以對電動汽車的充電速率以及充電時間進(jìn)行優(yōu)化。Shepelev 等［48］設(shè)計了一套網(wǎng)絡(luò)系統(tǒng)，通過收集電動汽車數(shù)據(jù)來決定電動汽車的充電功率，再通過網(wǎng)絡(luò)進(jìn)行遠(yuǎn)程調(diào)控。Hild 等［49］則提出利用便攜式電子設(shè)備接收電網(wǎng)信息，再根據(jù)電網(wǎng)狀態(tài)以及其電池狀態(tài)選擇最優(yōu)的充電策略。

4.3 與可再生能源相融合

實現(xiàn)電動汽車和可再生能源的融合有利于促進(jìn)兩者的共同發(fā)展，也有助于提高電網(wǎng)整體運行的經(jīng)濟(jì)與環(huán)境效益?？稍偕茉窗l(fā)電可以降低電動汽車對石化產(chǎn)品的依賴，同時減少碳的排放。通過電動汽車可以有效地解決可再生能源的間歇問題，降低儲存成本，電動汽車可以對產(chǎn)生的電能進(jìn)行消納利用，以降低二者單獨接入電網(wǎng)時對電網(wǎng)穩(wěn)定性產(chǎn)生的不利影響。

如何有效地將電動汽車與可再生能源融合起來是至今仍需要解決的難題。Wi 等［50］對家居網(wǎng)絡(luò)下的光伏發(fā)電系統(tǒng)進(jìn)行了研究，在預(yù)測光能發(fā)電以及電能消費的基礎(chǔ)上得到了電動汽車的最優(yōu)充電策略。Mohammad 等［51］考慮到電動汽車的隨機(jī)性，建立了以電網(wǎng)運行成本最小的優(yōu)化模型，通過仿真說明了該方法能夠有效地將電網(wǎng)、可再生能源以及電動汽車三者進(jìn)行充分融合，使得運行成本最?。?1］。

5 總結(jié)及展望

本文首先就大規(guī)模電動汽車無序充電對電網(wǎng)的影響進(jìn)行了分析，指出如果不對電動汽車用戶的充電行為進(jìn)行指引，將嚴(yán)重影響電網(wǎng)的正常運行。而智能充電不僅可以降低電網(wǎng)的運營成本，還可以降低電動汽車用戶的充電成本。智能充電主要分兩個研究方向：集中式充電和分散式充電。集中式充電主要是結(jié)合電網(wǎng)以及電動汽車用戶的用電需求決定電動汽車的充放電速率和時間。該方式下，配電控制中心占據(jù)主導(dǎo)地位，電動汽車用戶需要配合配電控制中心的調(diào)控。分散式充電主要是通過獲取電網(wǎng)信息以及電動汽車用戶的用電需求制定電價，通過發(fā)布所制定的電價來改變電動汽車的充電行為，此時電動汽車的充電行為受到價格的激勵，有相對的自主性。

智能充電的實行需要網(wǎng)絡(luò)通訊設(shè)備的支持，保證各種信息的獲取，以確定充電策略。目前，各國均在倡導(dǎo)可再生能源的利用，而電動汽車能很好地解決可再生能源使用中的間歇問題，因此可使電動汽車的使用更加節(jié)能化和無碳化。從另一個角度來看，智能充電對電池的性能提出了嚴(yán)峻的挑戰(zhàn)。在智能充電中，如果不考慮電池的狀態(tài)，則將對電池產(chǎn)生嚴(yán)重的損耗，大大增加電池成本。

隨著電動汽車的普及，其充電需求將會顯著增加。這不僅是一個巨大的挑戰(zhàn)，也是一個機(jī)遇，若利用不當(dāng)將會對電網(wǎng)產(chǎn)生不可估量的影響，若利用得當(dāng)則將使各方都成為受益者。

［1］ Energy Information Administration. Short-term energy outlook ［EB/OL］. ［2014-08-14］. http:// www.eia.doe.gov/emeu/steo/pub/steo_charts.pdf.

［2］ International Energy Agency. 2014 Key world energy statistics ［OL］. ［2014-10-28］. http://www. iea.org/publications/freepublications/publication/ KeyWorld2014.pdf.

［3］ Morais H， Sousa T， Vale Z， et al. Evaluation of the electric vehicle impact in the power demand curve in a smart grid environment ［J］. Energy Conversion and Management， 2014， 82: 268-282.

［4］ Hartmann N， ?zdemir ED. Impact of different utilization scenarios of electric vehicles on the German grid in 2030 ［J］. Journal of Power Sources，2011， 196（4）: 2311-2318.

［5］ Sousa T， Morais H， Soares J， et al. Day-ahead resource scheduling in smart grids considering vehicle-to-grid and network constraints ［J］. Applied Energy， 2012， 96: 183-193.

［6］ Saber AY， Venayagamoorthy GK. Plug-in vehicles and renewable energy sources for cost and emission reductions ［J］. IEEE Transactions on Industrial Electronics， 2011， 58（4）: 1229-1238.

［7］ Deilami S， Masoum AS， Moses PS， et al. Real-time coordination of plug-in electric vehicle charging in smart grids to minimize power losses and improve voltage profile ［J］. IEEE Transactions on Smart Grid， 2011， 2（3）: 456-467.

［8］ Jian LN， Xue HH， Xu GQ， et al. Regulated charging of plug-in hybrid electric vehicles for minimizing load variance in household smart microgrid ［J］. IEEE Transactions on Industrial Electronics， 2013，60（8）: 3218-3226.

［9］ Jian LN， Zhu XY， Shao ZY， et al. A scenario ofvehicle-to-grid implementation and its doublelayer optimal charging strategy for minimizing load variance within regional smart grids ［J］. Energy Conversion and Management， 2014， 78: 508-517.

［10］ Sortomme E， Hindi MM， MacPherson SDJ， et al. Coordinated charging of plug-in hybrid electric vehicles to minimize distribution system losses ［J］. IEEE Transactions on smart grid， 2011， 2（1）: 198-205.

［11］ Clement K， Haesen E， Driesen J. Coordinated charging of multiple plug-in hybrid electric vehicles in residential distribution grids ［C］ // Power Systems Conference and Exposition， 2009: 1-7.

［12］ Liu H， Hu ZC， Song YH， et al. Decentralized vehicle-to-grid control for primary frequency regulation considering charging demands ［J］. IEEE Transactions on Power Systems， 2013， 28（3）: 3480-3489.

［13］ Ahn C， Li CT， Peng H. Optimal decentralized charging control algorithm for electrified vehicles connected to smart grid ［J］. Journal of Power Sources， 2011， 196（23）: 10369-10379.

［14］ Zhang K， Xu L， Ouyang M， et al. Optimal decentralized valley-filling charging strategy for electric vehicles ［J］. Energy Conversion and Management， 2014， 78: 537-550.

［15］ Zhang X， Mi CC， Yin C. Active-charging based powertrain control in series hybrid electric vehicles for efficiency improvement and battery lifetime extension ［J］. Journal of Power Sources， 2014，245: 292-300.

［16］ Fernández IJ， Calvillo CF， Sánchez-Miralles A，et al. Capacity fade and aging models for electric batteries and optimal charging strategy for electric vehicles ［J］. Energy， 2013， 60: 35-43.

［17］ Lunz B， Yan Z， Gerschler JB， et al. Influence of plug-in hybrid electric vehicle charging strategies on charging and battery degradation costs ［J］. Energy Policy， 2012， 46: 511-519.

［18］ Zhang L， Brown T， Samuelsen S. Evaluation of charging infrastructure requirements and operating costs for plug-in electric vehicles ［J］. Journal of Power Sources， 2013， 240: 515-524.

［19］ Baharin N， Abdullah TART. Challenges of PHEV penetration to the residential network in malaysia ［J］. Procedia Technology， 2013， 11: 359-365.

［20］ Masoum AS， Deilami S， Moses PS， et al. Impacts of battery charging rates of plug-in electric vehicle on smart grid distribution systems ［C］ // 2010 IEEE PES International Conference and Exhibition on Innovative Smart Grid Technologies Conference Europe， 2010: 1-6.

［21］ Clement-Nyns K， Haesen E， Driesen J. The impact of charging plug-in hybrid electric vehicles on a residential distribution grid ［J］. IEEE Transactions on Power Systems， 2010， 25（1）: 371-380.

［22］ Sundstrom O， Binding C. Flexible charging optimization for electric vehicles considering distribution grid constraints ［J］. IEEE Transactions on Smart Grid， 2012， 3（1）: 26-37.

［23］ Leemput N， Geth F， Claessens B， et al. A case study of coordinated electric vehicle charging for peak shaving on a low voltage grid ［C］ // 2012 3rd IEEE PES International Conference and Exhibition on Innovative Smart Grid Technologies， 2012: 1-7.

［24］ Khayyam H， Ranjbarzadeh H， Marano V. Intelligent control of vehicle to grid power ［J］. Journal of Power Sources， 2012， 201: 1-9.

［25］ Hilshey AD， Hines PDH， Rezaei P， et al. Estimating the impact of electric vehicle smart charging on distribution transformer aging ［J］. IEEE Transactions on Smart Grid， 2013， 4（2）: 905-913.

［26］ Masoum AS， Moses PS， Hajforoosh S. Distribution transformer stress in smart grid with coordinated charging of plug-in eElectric vehicles ［C］ // 2012 IEEE PES International Conference and Exhibition on Innovative Smart Grid Technologies Conference Europe， 2012: 1-8.

［27］ Noel L， McCormack R. A cost benefit analysis of a V2G-capable electric school bus compared to a traditional diesel school bus ［J］. Applied Energy，2014， 126: 246-255.

［28］ Judd SL， Overbye TJ. An evaluation of PHEV contributions to power system disturbances and economics ［C］ // NAPS’ 08 40th North American Power Symposium， 2008: 1-8.

［29］ Arslan O， Karasan OE. Cost and emission impacts of virtual power plant formation in plug-in hybrid electric vehicle penetrated networks ［J］. Energy，2013， 60: 116-124.

［30］ Esmaili M， Rajabi M. Optimal charging of plug-in electric vehicles observing power grid constraints ［J］. Generation， Transmission & Distribution， IET，2014， 8（4）: 583-590.

［31］ Masoum AS， Deilami S， Moses PS， et al. Smart load management of plug-in electric vehicles in distribution and residential networks with charging stations for peak shaving and loss minimisationconsidering voltage regulation ［J］. Generation，Transmission & Distribution， IET， 2011， 5（8）: 877-888.

［32］ Luo X， Chan KW. Real-time scheduling of electric vehicles charging in low-voltage residential distribution systems to minimise power losses and improve voltage profile ［J］. Generation，Transmission & Distribution， IET， 2014， 8（3）: 516-529.

［33］ Zhang M， Chen J. The energy management and optimized operation of electric vehicles based on microgrid ［J］. IEEE Transactions on Power Delivery， 2014， 29（3）: 1427-1435.

［34］ Liu Y， Li QS， Tao S， et al. Coordinated EV charging and its application in distribution networks ［C］ // 2013 International Conference on Technological Advances in Electrical， Electronics and Computer Engineering， 2013: 600-604.

［35］ Davydova A， Chakirov R， Vagapov Y， et al. Coordinated in-home charging of plug-in electric vehicles from a household smart microgrid ［C］ // AFRICON， 2013: 1-4.

［36］ Mets K， D’Hulst R， Develder C. Comparison of intelligent charging algorithms for electric vehicles to reduce peak load and demand variability in a distribution grid ［J］. Journal of Communications and Networks， 2012， 14（6）: 672-681.

［37］ Qi W， Xu ZW， Shen ZJM， et al. Hierarchical coordinated control of plug-in electric vehicles charging in multifamily dwellings ［J］. IEEE Transactions on Smart Grid， 2014， 5（3）: 1465-1474.

［38］ Soares J， Sousa T， Morais H， et al. Applicationspecific modified particle swarm optimization for energy resource scheduling considering vehicle-togrid ［J］. Applied Soft Computing， 2013， 13（11）: 4264-4280.

［39］ Sousa T， Morais H， Vale Z， et al. Intelligent energy resource management considering vehicle-togrid: a simulated annealing approach ［J］. IEEE Transactions on Smart Grid， 2012， 3（1）: 535-542.

［40］ Moghbel M， Masoum MAS， Shahnia F. Coordinated charging of PEVs in unbalanced residential network based on worst node voltage profile ［C］ // 2013 IEEE International Conference on Power and Energy Society General Meeting （PES）， 2013: 1-5.

［41］ Callaway DS， Hiskens IA. Achieving controllability of electric loads ［J］. Proceedings of the IEEE， 2011， 99（1）: 184-199.

［42］ Mohsenian-Rad AH， Wong VWS， Jatskevich J， et al. Autonomous demand-side management based on game-theoretic energy consumption scheduling for the future smart grid ［J］. IEEE Transactions on Smart Grid， 2010， 1（3）: 320-331.

［43］ Adika CO， Wang L. Smart charging and appliance scheduling approaches to demand side management ［J］. International Journal of Electrical Power & Energy Systems， 2014， 57: 232-240.

［44］ Nguyen HK， Song JB. Optimal charging and discharging for multiple PHEVs with demand side management in vehicle-to-building ［J］. Journal of Communications and Networks， 2012， 14（6）: 662-671.

［45］ Amoroso FA， Cappuccino G. Impact of charging efficiency variations on the effectiveness of variable-rate-based charging strategies for electric vehicles ［J］. Journal of Power Sources， 2011，196（22）: 9574-9578.

［46］ Khayyam H， Abawajy J， Javadi B， et al. Intelligent battery energy management and control for vehicleto-grid via cloud computing network ［J］. Applied Energy， 2013， 111: 971-981.

［47］ Yuan ZQ， Xu HP， Han HC， et al. Research of smart charging management system for electric vehicles based on wireless communication networks ［C］ // 2012 IEEE 6th International Conference on Information and Automation for Sustainability，2012: 242-247.

［48］ Shepelev A， Chung CY， Chu CC， et al. Mesh network design for smart charging infrastructure and electric vehicle remote monitoring ［C］ // 2013 International Conference on ICT Convergence，2013: 250-255.

［49］ Hild S， Leavey S， Graf C， et al. Smart charging technologies for portable electronic devices ［J］. IEEE Transactions on Smart Grid， 2014， 5（1）: 328-336.

［50］ Wi YM， Lee JU， Joo SK. Electric vehicle charging method for smart homes/buildings with a photovoltaic system ［J］. IEEE Transactions on Consumer Electronics， 2013， 59（2）: 323-328.

［51］ Khodayar ME， Lei W， Shahidehpour M. Hourly coordination of electric vehicle operation and volatile wind power generation in SCUC ［J］. IEEE Transactions on Smart Grid， 2012， 3（3）: 1271-1279.

A Review of Smart Charging of Electric Vehicles in Distribution Network

ZHENG Yanchong1，2XIAO Xinping1WEN Jianghui1JIAN Linni2

1（ School of Science， Wuhan University of Technology， Wuhan 430070， China ）

2（ Department of Electrical and Electronic Engineering， South University of Science and Technology of China，Shenzhen 518055， China ）

To develop electric vehicles is a way to reduce fossil fuel and alleviate air pollution. But a large scale of electric vehicles will bring a serious impact on the stability of grid， such as the peak widening， voltage deviations and the increase of energy losses. It is well known that it will cost much for the extension and renovation of the grid while smart charging can efficiently solve this problem without radical transformation of the grid. Smart charging of electric vehicles can not only bring economic benefits to the power company， but also benefit customers of electric vehicles. In this paper，the two main control architectures of smart charging， the centralized control and the decentralized control were reviewed. The research of centralized control is based on various targets， such as minimizing operating costs， minimizing energy loss or minimizing load variance. And the decentralized control mainly depends on the price mechanism to motivate users to change their charging behaviours. Finally， the integration of electric vehicles and renewable energy were introduced and the constructions of network communication devices were described.

electric vehicle； uncoordinated charging； smart charging； renewable energy

TM 715

A

2014-10-29

2014-11-05

鄭言沖，碩士研究生，研究方向為電動汽車與電網(wǎng)交互技術(shù)；肖新平，博士，教授，博士研究生導(dǎo)師，研究方向為系統(tǒng)控制及優(yōu)化、統(tǒng)計預(yù)測與決策；文江輝，博士，講師，研究方向為系統(tǒng)控制及優(yōu)化、統(tǒng)計預(yù)測與決策；蹇林旎 （通訊作者），博士，副研究員/助理教授，研究方向為電動汽車與電網(wǎng)交互技術(shù)， E-mail：jian.ln@sustc.edu.cn。