基于車聯網框架的電動汽車有序充電策略

陳小閩，王 鋼，汪隆君

(華南理工大學電力學院，廣東廣州 510640)

0 引 言

節(jié)能與新能源汽車已經成為全球汽車產業(yè)的發(fā)展方向，到2020年，純電動汽車和插電式混合動力汽車累計產銷量預計超過500萬輛[1]，呈迅速增長的趨勢。一方面，電動汽車總體可觀的充電量可能造成電網容量不足、頻率偏移以及日負荷峰谷差增大[2-4]，另一方面,電動汽車作為具有可調度性的負荷，其需求響應潛力具有巨大的挖掘空間[5]。為了充分發(fā)揮電動汽車充電負荷對電網的調節(jié)作用，同時減少其對電網的不利影響，提出有序充電的構想[6]。在分析電動汽車充電對電網運行影響的基礎上[7-9]，以降低用戶充電成本、提升電網運行效率與穩(wěn)定性、消納分布式能源等為目標，合理規(guī)劃用戶充電時間及充電功率，實現電網與用戶利益雙贏[10-12]。文獻[13]綜合考慮了電動汽車對交通網絡和電網的動態(tài)影響，通過規(guī)劃用戶的充電時間和駕駛模式，緩解電動汽車給交通網絡與電網帶來的雙重壓力；文獻[14-16]研究了基于V2G技術的電動汽車有序充電，通過電能在電動汽車與電網之間的雙向流動，實現電網的調峰調頻與經濟運行要求。

現有對有序充電的研究側重于優(yōu)化目標的選擇以及充電方案的制定，缺乏引導用戶參與有序充電的環(huán)節(jié)。在構建用戶響應行為模型時將電動汽車視為完全接受調度負荷，或者以某一固定概率進行充電響應，高估用戶充電行為的可調度性，導致有序充電體系缺乏完整性與可操作性。

“互聯網+”的興起為電力行業(yè)帶來了轉變發(fā)展模式的機遇。借助互聯網的高覆蓋率與高傳輸效率，實現電網與用戶的互動，促進需求側響應，使電網朝著更加智能與高效的方向發(fā)展[17-18]。在電動汽車有序充電領域，用戶通過互聯網移動終端將電動汽車與充電系統(tǒng)連接，實現對電動汽車充電行為的遠程控制，同時充電管理者可將有序充電方案通過互聯網平臺傳達給用戶移動終端，二者通過互聯網進行連接與互動的過程即電動汽車車聯網系統(tǒng)運行機理。該系統(tǒng)通過互聯網移動終端實現用戶、電動汽車以及充電系統(tǒng)三者聯絡，是實施有序充電方案的載體。

為此，以減少日負荷曲線波動為目標，不增加用電高峰期電網供電壓力和不形成充電晚高峰為約束構建二次優(yōu)化模型，以藍牙傳輸為基礎，以“互聯網+”作為平臺構建車聯網系統(tǒng)框架，通過該系統(tǒng)實現有序充電方案，同時獲得電動汽車群體充電行為響應信息，掌握用戶充電行為的規(guī)律與特征，進一步完善優(yōu)化模型。最后通過算例驗證方案的有效性。

1 車聯網系統(tǒng)結構

車聯網系統(tǒng)主要由兩部分構成[19]，二者通過藍牙通信實現信息互聯。

① 以電子控制單元ECU(electronic control unit)為中心的車輛狀態(tài)信息監(jiān)測系統(tǒng)，該系統(tǒng)主要通過電壓、電流、溫度傳感器、以及計數器得到電動汽車電池電壓、電流、溫度、充放電次數，通過安時積分法[20]計算電池實時SOC(state of charge)。

圖1 車聯網系統(tǒng)結構圖Fig.1 Structure of vehicle networking system

② 以車聯網APP為中心的用戶響應互動系統(tǒng)。該系統(tǒng)主要實現以下功能：a.在建議電動汽車充電的時間段向用戶推送信息，并統(tǒng)計用戶響應情況；b.通過無線網絡連接APP與充電裝置，用戶可通過APP上傳充電方案至充電樁，實現對電動汽車充電的控制；c.通過移動網絡獲得車輛位置信息、充電樁狀態(tài)信息、道路交通實時信息，用戶結合自身出行意愿進行充電樁選擇，APP可為用戶提供充電導航方案[21]。

2 車聯網框架

2.1 車聯網APP推送流程

圖2 車聯網APP推送流程圖Fig.2 Electric vehicle networking APP push flow chart

車聯網APP推送流程如圖2，根據預測得到的當前日負荷數據，以及優(yōu)化模型得到每個時間區(qū)間內推送量的理論值(2、3節(jié)中所述),將當前日分為若干推送時間段，確定每一推送時間段的推送量，在每一個推送時間段首端時刻進行推送。用戶SOC值決定其推送的優(yōu)先權，即SOC值越小被推送的概率越高。若用戶未響應，則在下一建議充電時間段進行推送；若用戶響應推送，提示用戶選擇充電樁并利用車聯網APP獲得的車輛位置信息、道路交通實時信息為用戶進行路徑規(guī)劃。用戶到達充電樁后，通過無線網絡連接手機與充電樁，在APP上設置充電模式以及充電要求，充電模式分為快充和常規(guī)充電，充電要求分為3種：①以充電結束時間為約束，即用戶預先設置充電結束時間，并未對充電量做出要求；②以充電量為約束，即用戶要求充電結束時電量達到其設定值，并未對充電時間做出要求；③以充電結束時間和充電量為約束，即用戶希望在某一時間內使電量達到設定值。車聯網系統(tǒng)根據已獲得的電動汽車的實時充電情況，包括正在充電和已經預約充電的電動汽車，向用戶建議最早開始充電時間以及充電結束時的電池SOC估計值。若用戶同意充電方案，則車聯網APP將用戶的充電設置上傳到充電樁，充電樁按時為用戶充電；若用戶不同意充電方案，則根據用戶自行設置的充電開始時間和結束時間為其進行充電。車聯網APP統(tǒng)計用戶響應情況并修正概率分布模型見2.2節(jié)。

2.2 概率分布及修正方法

本文通過引入用戶響應推送的概率以及不同充電模式選擇的概率量化表示用戶在得到APP推送后響應推送以及選擇其中一種充電模式的可能性。其中用戶采用的充電模式主要與充電時間有關，用戶響應推送概率與電池SOC以及建議充電時間有關。根據車聯網系統(tǒng)獲得的用戶響應數據，統(tǒng)計歷史用戶充電模式選擇頻率與響應推送頻率。采用移動平均法獲得當前日用戶所采用的充電模式以及響應推送的概率估計值。

i∈[1,2,…,NT]

(1)

Pmr,fi=xm,fi/xR,fiPkr,fi=xk,fi/xR,fi

i∈[1,2,…,NT]

(2)

j∈[Sa,Sb]

(3)

(4)

(5)

(6)

式中：Pk,Ti、Pm,Ti為第T天i時刻用戶進行快充和常規(guī)充電概率；Pkr,fi、Pmr,fi為第f天i時刻用戶進行快充和常規(guī)充電的頻率；xm,fi、xk,fi分別為第f天i時刻進行常規(guī)充電和快充的用戶數；xR,fi為第f天i時刻用戶實際響應量；PR,Tij為第T天i時刻電動汽車電池SOC處于區(qū)間j的用戶響應概率；PRr,fij為第f天i時刻電動汽車電池SOC處于區(qū)間j的用戶響應頻率；xR,fKj為第f天第K個推送時間段電動汽車電池SOC在區(qū)間j的用戶實際響應量；nfKj表示第f天第K個推送時間段電動汽車電池SOC在區(qū)間j的用戶實際推送量；tfKm，tfKn為第f天第K個推送時間段開始和結束時間；a為時間步長；Na為移動平均的項數值；NPTK表示第T天第K個推送時間段包含的時間區(qū)間個數；NT為當前日時間分段總數；Sa、Sb表示SOC推送區(qū)間的下限值和上限值。

2.3 推送量理論值優(yōu)化算法

本文采用優(yōu)化算法得到每小時推送量理論值，考慮電動汽車不同充電模式以及充電時長的概率分布，以通過電動汽車的有序充電平抑負荷曲線波動為目標，以電動汽車總量(式(10))、避免在負荷高峰時期充電(式(11))以及不形成充電晚高峰(式(12))為約束條件構建如下優(yōu)化模型。

目標函數：

(7)

約束條件：

PC,Ti=xTiPk,TiPke+xTiPm,TiPme+

(9)

PC,Ti=0i∈Tb

(11)

PC,Ti+PL,Ti

(13)

Tm=tm/aTk=tk/aNLm=Tb/a

(14)

式中：PL,Ti、PC,Ti分別第T天i時刻負荷功率和電動汽車充電功率；其中i時刻電動汽車充電功率由i時刻接入的電動汽車充電功率與之前接入并持續(xù)充電到i時刻的電動汽車充電功率之和；Pav,T為第T天用戶響應后的總負荷平均值；Pme、Pke為電動汽車常規(guī)充電和快充的充電功率；PLm,T為當前日用電高峰期負荷平均值；NLm為用電高峰期時間分段數；P(tC>i-j)為電動汽車充電時長大于i-j的概率;xTi為第T天i時響應充電用戶數量理論值；tm，tk為分別采用快充和常規(guī)充電模式電池SOC從下限值充至上限值所需時間；NEV為電動汽車總數；Tb為用電高峰期。

2.4 實際推送量計算方法

根據優(yōu)化模型得到的每個時間區(qū)間用戶推送量理論值，將當前日劃分成若干個推送時間段(如圖3)，結合用戶響應概率分布情況，提出得到每一推送時間段實際推送量方法，其中推送時間段由若干連續(xù)時間區(qū)間組成。

(15)

j∈[Sa,Sb]

(16)

式中：PR,TKj為第T天第K個推送時間段電動汽車電池SOC在區(qū)間j時對應的用戶響應概率；XTK表示第T天第K個推送時間段推送總量；hSOC表示SOC的區(qū)間步長；αj表示電動汽車電池SOC處于區(qū)間j的概率；tTKm,tTKn為第T天第K個推送時間段開始和結束時刻。

圖3 推送時間段劃分示意圖Fig.3 Sketch map of push time segment

3 算 例

3.1 假設條件以及參數設置

3.1.1參數設置

廣州現有私家車保有量約為234萬，其中有10萬輛為電動汽車，其滲透率為4.27%。型號為BYD E6，最大續(xù)航里程為400km，快充和常規(guī)充電功率分別為90kW和14kW，采用恒功率充電。采用快充和常規(guī)充電時電池電量從下限值充至上限值所需時間分別為1h和6h，每日10時至16時為用電高峰期，時間步長為1h。

3.1.2假設條件

圖4 用戶充電模式概率分布Fig.4 Probability distribution of user charge mode

用戶充電模式及響應行為初始概率分布如圖4～圖5，考慮用戶響應數據的時效性，距離當前日過久的響應數據對概率估計的參考價值較低，故移動平均項數取3，即利用當前日前3d的用戶響應數據進行當前日用戶響應概率及充電模式選擇概率估計。用戶初始SOC服從正態(tài)分布N～(0.6,0.12)[22]，在常規(guī)充電的情況下，充電結束時電動汽車電池SOC達到上限值，則充電時長與SOC為線性關系，其概率分布如表1。主要針對SOC值低于0.7的用戶進行推送，考慮到電池的特性與安全，SOC的推送區(qū)間為(0.3,0.7)。

圖5 用戶響應行為概率分布圖Fig.5 Probability distribution of user response behavior

表1 電動汽車充電時長概率分布Tab.1 Long time probability distribution of electric vehicle charging

3.2 推送量確定

利用matlab非線性規(guī)劃函數對式(4)～(11)的優(yōu)化模型進行求解。得到每小時推送的期望值以及期望充電功率理論曲線(圖6～圖7)。

圖6 電動汽車充電負荷理論值Fig.6 Expected value of electric vehicle response

圖7 電動汽車推送量理論值Fig.7 Expected value of electric vehicle push

從優(yōu)化結果可以看出，當前日需要電動汽車響應充電的時間段主要集中在深夜。此時負荷處于一天中低谷時期，由于工作日私家車主要在下班之后開始使用，結合優(yōu)化結果，選擇當前日16:00和21:00時進行推送。根據概率模型得到用戶響應概率分別為0.6和0.56，則兩個時間段推送量實際值分別為11 000輛和44 200輛。

3.3 用戶響應情況

基于用戶初始SOC概率分布，采用蒙特卡洛模擬法[23-24]模擬每個推送時刻每個用戶的響應行為，得到用戶實際充電功率曲線如圖8。

圖8 電動汽車響應情況Fig.8 Response of electric vehicle

由圖8看出當前日用戶響應量不足，在0～7時用電低谷時期響應量僅為期望值的56%，為了使響應量達到預期，車聯網APP統(tǒng)計每一時間段不同SOC狀態(tài)的用戶響應情況，采用移動平均法修正優(yōu)化模型中的Pm、Pk、PR,得到第2天實際推送量?；谏鲜龇椒ǖ玫胶? d的用戶響應結果如圖9所示。圖10、圖11為利用第2、第3、第4日用戶響應數據，通過移動平均法修正后的Pm、Pk、PR。

圖9 連續(xù)4日用戶響應情況Fig.9 User response of four consecutive days

圖10 通過移動平均法修正后的Pk和Pm Fig.10 Modified Pk and Pm

圖11 通過移動平均法修正后的PRFig.11 Modified PR

由算例結果可以看出，通過車聯網APP統(tǒng)計的用戶實際響應數據修正用戶選擇充電模式和響應行為的概率分布，在開始推送的前2日用戶響應不足，第3日增加推送量后用戶響應量過剩，利用2.2中的方法修改推送量后，第5日用戶實際充電響應曲線逼近通過優(yōu)化算法得到的理論曲線，基本達到了期望充電效果，計算顯示充電后總負荷曲線的方差由169.35減少至127.39，減少了24.8%。

4 結 論

本文提出結合車聯網APP和電動汽車電池狀態(tài)監(jiān)測裝置的車聯網系統(tǒng)結構，構建以平抑負荷為目標，以避免在用電高峰時期充電和不形成用電晚高峰為約束的優(yōu)化模型，在“互聯網+”的基礎上制定車聯網框架。采用蒙特卡洛模擬的方法模擬5 d用戶響應曲線，結果表明通過統(tǒng)計用戶響應數據并對用戶選擇充電模式及響應行為概率模型進行修正的方法使用戶響應量接近理論值，通過該方法達到了平抑負荷曲線的效果，實現了電動汽車有序充電。