研究现状分析

 

近年来，电动汽车（Electric Vehicle，EV）的大量普及为缓解当今能源危机以及改善环境污染问题提供了一个新思路。现有对EV有序充放电进行直接控制的研究主要分为日前优化和实时优化两个方面。实时优化是通过实时采集当前时刻入网EV的信息，包括EV数量、电池荷电状态（SOC）、充电需求、接入和离开时间等，根据实时信息对未来时段的充放电功率进行优化，达到相应的目标。由于单台EV充电行为及需求的随机性，现有对EV的实时优化大多以单台汽车作为独立调度对象，该做法虽可以满足每台车的实际约束，但在面对大量EV接入时势必会引入数量庞大的变量，甚至产生“维数灾难”问题，增加优化难度。因此传统方法很难同时兼顾到实时性与准确性的结合。

 

基于以上考虑，本文首先针对大规模EV接入电网并考虑一日多充的情况，以实时优化为情景，建立了EV集群充放电实时优化模型，配电网能量管理系统（DEMS）根据车主意愿和期望充电完成时间对汽车进行集群的划分，在满足EV充电需求的基础上，调整各集群各时刻的充放电功率使得未来配电网日负荷曲线的方差最小，上层优化采用搜索能力强，计算精度高的灰狼优化算法（Grey Wolf Optimizer，GWO）进行求解，在下层调度方面则提出了集群内部的“能量缓冲一致性”功率再分配算法，合理分配集群内各台EV的充放电功率。

 

 

如何建立针对大规模电动汽车的集群实时优化模型？

 

本文主要依靠各个子区域的电动汽车能量管理系统(electric vehicle energy management system，EV-EMS)对电动汽车进行充放电调度优化控制，即：车主在进行充电过程之前，需将本人意愿，包括是否愿意参与V2G过程，期望充电完成时间(t_end)，期望电量等信息上报至对应子区域的EV-EMS，然后各个子区域的EV-EMS将收集的信息上报至配电网能量管理系统（distribution energy management system，DEMS），DEMS首先根据车主上报的信息和EV初始SOC对汽车进行集群的划分与充放电计划的制定。若是考虑到充电代理商角色的加入，只需引入相关的市场机制和激励措施，使电网获得EV的调度权或电网能够充分引导车主的充电行为，该优化模型架构便仍然适用。
 

 

 

图1  模型计算流程图

模型的流程如图1所示，实际运行中，EMS每个时间段(15min)在线监测更新充电桩的状态，获取每个时段内新接入的EV的信息，对于有意愿参与调度的EV将根据其不同的期望充电完成时间分入不同的集群，各集群用一个统一的充电完成时间取代群内各EV的期望充电完成时间，以此消除了因EV使用规律不同而带来计算困难的问题。

 

集群划分具体可分为三个步骤：

 

1）首先根据车主是否有参与V2G的意愿将汽车分为参与V2G和不参与V2G两大类。

 

2）判断有意愿参与V2G的汽车是否具备参与V2G的能力，将不具备V2G能力的汽车同不参与V2G的汽车编入同一集群。

 

3）根据t_end对有能力且愿意参与V2G的汽车进行细致的集群划分。

 

倘若车主的出行计划有变更，则只需实时更新EV的期望电量和t_end，DEMS将按照上述步骤重新将该EV进行划分，重新制定充放电计划。

 

上层计算以优化时段内电网负荷波动最小为目标，需要满足集群充电需求约束和安全约束及电网运行约束等，具体约束公式详见原文。

 

 

如何制定每台EV的充电计划？

 

计算出集群上层的充放电总功率之后，需将总功率分配到各车上。考虑到集群内各车的电池容量，充放电极限与初始SOC有较大差异，在下层分配时本文提出基于能量缓冲一致性的集群功率再分配一致性算法实现对群内各EV充放电计划的制定，以总功率分配后的同一集群内汽车同一时段的能量缓冲因子λ达到一致作为正确分配的标准。

 

其中，能量缓冲因子λ可定义为如下描述：

 

 

 

在该算法模式下，虽然各EV的电池参数和起始SOC具有一定差别，但当充放电过程进行到一定程度时，集群内各EV的SOC能够有效的趋于一致，并都在期望充电完成时间结束之前达到期望电量，很好解决了各EV电池和初始电量差异给再分配带来的问题。

 

 

模型的效果如何？

 

本文以某大型配电网系统为算例，拓扑的具体信息及各类型EV参数及行为建模详见文章。

 

1000辆EV接入情景下，优化前后和不同时段优化的负荷曲线如图2所示，可以看出模型可以极大平抑负荷曲线波动，随着时间推移和接入EV数量的增多，削峰填谷的效果越好。

 

 

图2  集群优化效果图

图3为一天内各集群的充放电功率指令和响应曲线，可以看出，DEMS在制定集群功率指令时已充分考虑到了集群内EV实际消纳能力，并且下层再分配过程能够很好地使集群内EV响应功率指令，实际充放电功率曲线和功率指令基本吻合。

 

 

 

图3  集群功率指令和功率响应曲线

图4为随机选取的行驶行为和电池参数不尽相同的10台EV的SOC变化曲线和充放电功率。可以看出，功率再分配算法能够兼顾到各EV自身特性和初始SOC的差异性，对总策略进行合理的分配，跟踪集群总策略并完成所有EV的充电任务。

 

图4  SOC变化及充放电功率曲线

集群充放电优化模型对于不同数量的EV接入都可以起到很好的优化效果，并且EV数量的增加并不影响模型的求解时间且计算速度较快，非常适用于大规模电动汽车的实时优化计算。

 

表1  不同车数接入效果比较

 

结论

 

本文利用“相似分群”的理念， 建立针对大规模EV充放电实时优化问题的集群充放电实时优化模型，提出上层分集群计算，下层精准再分配到各车的求解思路，该模型对于处理大规模EV接入问题有着良好的优化效果和较快的求解速度，为今后处理类似问题提供了新的思路。本文的工作都是在电网获取EV调度权的基础上展开的，后续工作可充分考虑电力市场在引导资源优化配置方面的积极作用，探寻“电网-代理商-车主”三赢的电动汽车多时间尺度调度模式。