安科瑞 陳聰

摘要：大量、無序的插電式混合動力汽車接入電網，會造成高峰時段電網變壓器過熱、過載，導致跳閘甚至大面積停電。因此電動汽車的協調充電問題是電網中一個研究熱點和難點。文章首先將插電式混合動力汽車協調充電問題定義為帶約束條件的優化問題，然后提出一種雙層*優充電策略對該優化問題進行求解。在第一層基于需求側管理對電網低壓變壓器的負荷曲線進行扁平化平滑優化；在第二層基于一致性迭代算法，使插電式混合動力汽車用戶的總體充電成本達到最小并同時滿足用戶的充電需求。所提充電策略既保持了電網變壓器供電負荷曲線波動最小，又實現了每個電動汽車用戶的充電成本最小，滿足了用戶的充電需求。

關鍵詞：插電式混合動力汽車；多目標優化；需求側管理；動態資源分配

0引言

為鼓勵電動汽車用戶參與到電動汽車的協調充電過程，本文提出了一種用戶成本分攤模型，并利用帶約束條件的優化模型描述了有*時域內電動汽車協調充電的動態變化過程；其次，為解決所描述的優化問題，本文提出了兩層*優充電策略將描述的優化問題分解成2個階段，分別在低壓變壓器控制層和用戶控制層來予以解決。

1系統模型

1.1圖論介紹

在有向圖G=(V,E)中,非空集合V=表示圖的頂點，E=表示從頂點j可以接受到i的信息，wi,j是關聯矩陣W的第i行、第j列元素。對于節點i∈V，其入鄰居和出鄰居為Ni-=和Ni+=。節點i接收入鄰居的信息，并將自身信息發送給出鄰居完成信息

在鄰居之間的傳遞。di-=|Ni-|和d=|Ni+|分別表示入鄰居和出鄰居的個數。強連通的有向圖是指任意兩個節點之間是可達的。令k=k0,k1,…,kN-1表示N個時間戳,G(k)=(V,E(k))表示k時刻的強連通圖。

1.2問題描述

本文研究的分布式電網架構如圖1所示，包含1個高壓變壓器（HVT）連接到1組低壓變壓器（LVTs），每個低壓變壓器又連接到多個用戶，并且每個用戶擁有1臺插電式混合動力汽車。

圖1分布式電網架構

圖1所示的分布式電網架構［19—20］是一種徑向放射網狀結構，由于低壓變壓器比高壓變壓器更容易過載，高壓變壓器和低壓變壓器無法同時獲得波動最小的負荷曲線。因此本文研究低壓側電網的負載波動情況。在此基礎上，本文進一步研究使電動汽車用戶充電成本最小化的充電策略，從而使用戶能積極參與到負荷曲線的削峰填谷中去。

本文將電網中的插電式混合動力汽車協調充電問題描述成有*時域的多約束優化問題。假設所有電動汽車充電開始和結束的時刻分別為k0和kN-1，xi,k∈R表示電網在k時刻提供給電動汽車i的電能。

一般來說，對于約束條件為線性的凸優化問題具有*一的全局*優解，為了便于求解和表征電動汽車充電用戶的充電成本，本文假設每個電動汽車i在時刻k均關聯一個凸的二次型成本函數

Fi,k(xi,k)=(xi,k-αi,k)2/2βi,k+γi,k（1）

式中：αi,k和γi,k∈R為成本系數；βi,k>0保證了二次型函數為凸函數。相應的導函數為

Ji,k(xi,k)=dFi,k(xi,k)/dxi,k=(xi,k-αi,k)/βi,k（2）

由于插電式混合動力汽車的鋰離子電池容量和最大充電功率有一定的限制，因此電動汽車i在k時刻具有相應的最大充電功率和最小充電功率約束

-xi,k≤xi,k≤i,k（3）

在本文中，假設i,k=i，-xi,k=-xi。為了滿足用在某一段時間[k0,kN-1]的充電需求，有如下約束條件

i,k=bi（4）

式中：bi為電動汽車i在時間段[k0,kN-1]內需要充的電能。此外，電網低壓變壓器提供給所有電動汽車的電能為

i,k=dk（5）

式中：dk為k時刻電網提供給n個電動汽車的電能。

從電動汽車用戶的角度，每個用戶都希望將自身的充電成本降到*低。因此，在分布式電網中插電式混合動力汽車協調充電問題可表示為如下帶約束條件的優化問題

在下一節中本文將給出相應的*優充電控制策略，來解決式（6）所描述的電動汽車協調充電問題。

2*優充電策略

為了解決式（6）所示的有*時域內帶等式約束和不等式約束的優化問題，本文提出了一種雙層*優充電策略，其框架如圖2所示。

圖2一種基于LVTs和插電式混合動力汽車之間相互作用的*優控制方案

2.1第一階段優化

為了能*大程度實現電網低壓變壓器的負載曲線“削峰填谷”目的，低壓變壓器控制器基于用戶的非電動汽車負載來規劃提供給電動汽車充電的電能。令dkj表示在時刻kj變壓器提供給n臺電動汽車充電的電能，qi(k)表示電動汽車用戶i的非電動汽車負載所消耗的功率（如熱水器、電吹風、空調等），第一階段的目標是通過規劃給電動汽車充電的電能盡可能使得低壓變壓器側總負荷曲線（即電動汽車負荷與非電動汽車負荷之和）最平。通過對某居民用電區域統計其負載變化規律，本文假設某個家庭中的非電動汽車負載對用戶i來講是已知的。第一階段低壓變壓器控制器基于需求側管理負荷曲線波動最小問題可以描述為

式中：目標函數f(d)為各個時刻負荷曲線的波動變化之和，當且僅當f(d)=0時，總體的功率曲線和理想的功率曲線保持一致，即負載曲線*全實現了削峰填谷；dkj為優化變量，表示在時刻kj變壓器提供給n臺電動汽車充電的電能，kj=k0,k1,…,kN-1為電動汽車的優化時刻；qi(k)為電動汽車用戶i的非電動汽車負載所消耗的功率；i為電動汽車i的最大

充電功率；η為期望的負載功率曲線，計算公式為

通過MATLAB線性多約束優化（mu*ivariatelinearprogrammingproblem,MLPP）工具箱可有效解決式（7）所示的線性多約束優化問題。算法如下：

（1）算法1基于LVT需求側管理調度算法輸入：bi,qi(k),i=1,2,…n,k=k0,k1,…,kN-1輸出：dkj,kJ=k0,k1,…,kN-1

Step1.PHEVi向LVT發送用戶的充電需求bi以及其他非電動汽車的負載qi(k)，i=1,2,…n,k=k0,k1,…,kN-1。

Step2.LVT計算k時刻總體非電動汽車負載

Step3.LVT計算理想的負載功率曲線

Step4.利用MATLAB的MLPP工具箱求解問題（7）。

Step5.LVT將獲得的需求側管理調度結果發送給所有的電動汽車用戶。

2.2第二階段優化

為了能使所有用戶的充電成本達到最小，同時滿足用戶的充電需求，第二階段將在第一階段基礎上，基于一致性迭代算法來解決最初的優化問題（6），獲得全局的*優的調度策略。其中，問題（6）中的第三項等式約束，通過在迭代算法中引入拉格朗日乘子向量，并通過迭代使其收斂到一致的*優值，從而滿足該項等式約束。在文獻中，本文提出了一致性迭代算法并解決動了態資源分配問題（dynamicresourceallocationproblem,DRAP），獲得了全局*一的*優解。在本文中，本文利用一致性迭代算法來解決優化問題（6），算法的證明過程見文獻定理1。

（2）算法2基于一致性迭代的*優充電算法

PHEVi（i=1,2,…,n）通過基于鄰居信息交換的一致性算法，依次迭代拉格朗日乘子λi,k(t)滿足（6）中的第三項等式約束條件，迭代優化變量xi,k(t)滿足（6）中第二項不等式約束條件，迭代殘差變量si,k(t)滿足（6）中第一項等式約束條件。

Step3.電動汽車用戶執行相應的*優成本*優調度策略。

針對基于一致性迭代的*優充電算法2，當迭代步長趨向于無窮大時，可以得到問題（6）的*優解。另外，算法2中當前的電動汽車當且僅當與鄰居的電動汽車進行信息交換實現了全局*優，是一種*全分布式算法。隨著網絡節點和規模的擴大，該算法仍然適用。通過結合算法1和算法2，本文提出的雙層*優充電策略既保持了電網變壓器端的負荷曲線的穩定性，又使得電動汽車用戶的充電成本最小，進一步鼓勵了用戶參與到電網削峰填谷輔助服務中去。

3仿真研究

為了驗證本文提出的智能電網中電動汽車雙層*優充電策略的有效性，以某小區內分布式電網中小規模的電動汽車滲透為背景。考慮到電動汽車充電時的充電功率對小區內變壓器峰值的影響若電動汽車數目過少則導致負荷波動幅度過小，起不到普適性的研究目的。同時，根據對不同汽車數量樣本的計算結果進行比對，一般電動汽車充電個數達到4個后，就會對峰值產生顯著影響，并且后續隨著汽車數量增多，仿真結論均趨于一致。因此本文考慮小區內具有普適性的電動汽車充電場景，以4個電動汽車用戶充電為例進行仿真研究。

電動汽車參數如表1所示。電動汽車充電的時間為18:00至次日6:00，共12h，每個小時采樣14個點，一共有168個采樣點。本文通過以最大功率充電的方式進行對比，從而突出本文的算法有效性。

表1仿真中的電動汽車參數設置

隨著通信技術和測量技術在智能電網中的廣泛應用，假設在局域網中電動汽車用戶之間的拓撲連接方式如圖3所示。另外，以最大功率充電的拓撲結構為全聯通方式。

圖3仿真中強連通電動汽車拓撲結構

在本仿真研究中，所有電動汽車的開始充電時間為18:00，結束時間為次日6:00。采樣周期14samples/h。因此整個電動汽車優化運行共有168個采樣時刻，本文等間隔地將其分為4組，每組21個采樣時刻。在每個時刻，與每個電動汽車關聯的成本函數均采用二次型凸函數形式。算法2中的正參數ε=0.2。

圖4算法1的電動汽車充電功率曲線

圖5以最大功率充電的負荷曲線

圖6不協調充電時電動汽車充電的功率分配

圖7不協調充電和協調充電電動汽車充電的功率曲線

圖8電動汽車用戶每日充電成本柱形圖

仿真結果如圖4—圖8所示。圖4為通過算法1低壓變壓器的負載功率曲線。綠色實線表示總的非電動汽車負載。從圖4可以看出，當電動汽車的運行周期被分割的時間區間個數趨向于無窮時，總功率曲線將與期望的負載曲線保持一致，達到完整的“削峰填谷”效果。

圖5和圖6分別為電動汽車在協調充電策略和不協調充電策略下的仿真結果。不協調充電策略是指電動汽車以最大功率進行充電直到達到用戶的充電需求。通過圖5和圖6的對比可以看出，電動汽車的協調充電策略可以極大的減小電動汽車的充電峰值負荷，從而可以進一步減小對電網穩定性的影響。圖7表示分別在協調充電和非協調充電情況下總體的功率曲線變化。

從圖7可以看出，不協調充電策略的總功率最大值為42kW，相對于期望的功率曲線20kW造成了110%的過載，而協調充電策略波動至25kW，遠遠小于非協調充電策略，驗證了本文提出的算法通過控制電動汽車的充電功率和充電時間使總功率曲線波動明顯減小。圖8表示在協調充電和非協調充電情況下用戶的成本柱形圖。

從圖8可以看出，協調充電策略不僅僅可以減小全體的電動汽車用戶充電成本，同時可以大大減少每個電動汽車用戶的充電成本，從而可以鼓勵用戶參與到電網的“削峰填谷”協調充電調度策略中去。

通過對電動汽車的充電策略進行規劃，使用*優的充電策略來完成電動汽車的充電，用電能來替代傳統的化學能源，有利于減緩傳統能源的消耗速度。進一步，通過大規模利用電動汽車來取代傳統的油車，減少污染物的排放，從而減小環境污染。本文的首要目標是通過使得電網曲線波動最小，峰谷差最小，從而避免因峰值過高引起跳閘甚至大面積停電。

4安科瑞充電樁收費運營云平臺系統選型方案

4.1概述

AcrelCloud-9000安科瑞充電柱收費運營云平臺系統通過物聯網技術對接入系統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據采集和監控，實時監控充電樁運行狀態，進行充電服務、支付管理，交易結算，資要管理、電能管理，明細查詢等。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警；充電樁支持以太網、4G或WIFI等方式接入互聯網，用戶通過微信、支付寶，云閃付掃碼充電。

4.2應用場所

適用于民用建筑、一般工業建筑、居住小區、實業單位、商業綜合體、學校、園區等充電樁模式的充電基礎設施設計。

4.3系統結構

系統分為四層：

1）即數據采集層、網絡傳輸層、數據層和客戶端層。

2）數據采集層：包括電瓶車智能充電樁通訊協議為標準modbus-rtu。電瓶車智能充電樁用于采集充電回路的電力參數，并進行電能計量和保護。

3）網絡傳輸層：通過4G網絡將數據上傳至搭建好的數據庫服務器。

4）數據層：包含應用服務器和數據服務器，應用服務器部署數據采集服務、WEB網站，數據服務器部署實時數據庫、歷史數據庫、基礎數據庫。

5）應客戶端層：系統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。

小區充電平臺功能主要涵蓋充電設施智能化大屏、實時監控、交易管理、故障管理、統計分析、基礎數據管理等功能，同時為運維人員提供運維APP，充電用戶提供充電小程序。

4.4安科瑞充電樁云平臺系統功能

4.4.1智能化大屏

智能化大屏展示站點分布情況，對設備狀態、設備使用率、充電次數、充電時長、充電金額、充電度數、充電樁故障等進行統計顯示，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。統一管理小區充電樁，查看設備使用率，合理分配資源。

4.4.2實時監控

實時監視充電設施運行狀況，主要包括充電樁運行狀態、回路狀態、充電過程中的充電電量、充電電壓電流，充電樁告警信息等。

4.4.3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、注銷等操作，可查看小區用戶每日的充電交易詳細信息。

4.4.4故障管理

設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果上報。充電用戶也可通過充電小程序反饋現場問題。

4.4.5統計分析

通過系統平臺，從充電站點、充電設施、、充電時間、充電方式等不同角度，查詢充電交易統計信息、能耗統計信息等。

4.4.6基礎數據管理

在系統平臺建立運營商戶，運營商可建立和管理其運營所需站點和充電設施，維護充電設施信息、價格策略、折扣、優惠活動，同時可管理在線卡用戶充值、凍結和解綁。4.4.7運維APP

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

4.4.8充電小程序

面向充電用戶使用，可查看附近空閑設備，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。

4.5系統硬件配置

5結束語

本文研究了分布式電網架構中插電式混合動力汽車的協調充電問題。首先，將電動汽車的充電協調問題描述成帶多個約束條件的凸優化問題，基于此，本文提出兩層*優充電策略來解決該優化問題。在所提提出的*優策略中，上層應用基于需求側管理的調度算法來求解，在此基礎上，下層應用一致性迭代的優化算法進行求解。最后通過數值仿真驗證了所提算法的有效性。所提出的*優充電策略既保持了電網變壓器供電負荷曲線波動最小，又實現了每個電動汽車用戶的充電成本最小，同時滿足了用戶的充電需求。未來的研究方向會考慮大規模的電動汽車充電場景，即根據用戶的行為和習慣隨機地將電動汽車接入電網進行充電，并且用戶充電的開始和結束時刻各不相同，該種場景可通過本文提出的*優控制策略結合滾動域優化方法來予以解決。

參考文獻:

[1]范子愷，俞豪君，朱俊澎，等.電力高峰時段電動汽車負荷優化調度［J］.電力需求側管理，2014，16（5）：3-9.

[2]吳奇珂，陳昕儒，姜寧，等.峰谷電價背景下考慮電動汽車用戶行為的配網規劃研究［J］.電力需求側管理，

[3]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荷預測［J］.電力需求側管理，2019，21（1）：47-51.

[4]安科瑞企業微電網設計與應用手冊.2022.05版

[5]白云霄，劉思捷，錢峰，劉俊磊，鮑威.智能電網中電動汽車雙層*優充電策略