電動汽車的主動管理及其對配網的影響建模

王利利，李猛，全少理，李鵬，李科

（國網河南省電力公司經濟技術研究院，鄭州450052）

0 引 言

由于數字經濟社會的發展需要，對安全、可靠、經濟的電力網需求正不斷增加，使得智能電網成為電力系統相關從業者關注的焦點［1-2］。在低碳經濟的推進背景下，一種節能減排的解決方法是使配電網主動化，這將導致電網結構的深刻變革和控制管理方法的改變。在安全，可靠，經濟的基礎條件下，若分布式能源（Distributed Generation，DG）的數量和容量在電網中增大，就要求在規劃設計、運行控制、市場管理等方面提高對不同電源的容差和經濟利用率。然而，我國目前的配電網結構相對薄弱，設備老化，配電自動化的覆蓋率低于9%［3］。

主動配電網（Active Distribution Network，ADN）的提出是為使傳統被動配電網基礎設施更適應配電網中出現的大規模新的分布式參與者（發電單元與功率消費者）。2008年國際大電網會議提出了主動配電網的概念，認為ADN可通過使用靈活的網絡拓撲結構來管理潮流，以便對局部的DG進行主動控制和主動管理［4］。未來主動配電網的結構如圖1所示。其特點包括以下方面：消費與生產的快速改變，電能服務由分布式參與者提供，雙向的能量流，更強的信息互動，智能電氣設備的應用等。總之，需要可控和可擴展的網絡結構。

在接入配電網的分布式能源中，電動汽車（Elec-tric Vehicle，EV）作為節能減排的新能源汽車代表，其規模正在不斷增大。電動汽車在技術方面獨具電動汽車-電網互動（Vehicle to Grid，V2G）優勢［5］，具有能量雙向流動的特性。隨著電動汽車接入電網的數量不斷增大，若不對電動汽車進行有效管理，其無序充電將對電網造成功率損耗和電壓降落等影響［6-7］。AND強調配電網具有主動控制和管理的能力，電動汽車屬于可控負荷，因而對電動汽車進行有序規劃和管理可對AND起到有效的幫助。

圖1 未來的主動配電網Fig.1 AND in the future

本文介紹了大規模電動汽車接入后應采取的電網運行管理和控制策略，闡述了電動汽車及其主動管理對電網穩態運行的影響，并提出了相應的數學模型和算法流程，最后通過仿真驗證所建模型的可行性和有效性。

1 電動汽車的充電策略與控制結構

1.1 充電策略

EV電池是具有特殊性質的負荷，這些特性既可以被忽略，將EV僅視為常規負荷，也可以制定特殊充電策略來利用這種獨特優勢。

根據美國汽車工程師協會（SAE）標準J1772，充電功率等級可分為三級，如表1所示。

表1 電動汽車充電功率等級Tab.1 Charging power level of EV

通常，慢速充電指1級，快速充電包括2級和3級。

在采用快速充電的解決方案中，不到1 h就可能實現完全充電。由于此類用戶具有急切的需求，所以具有不可控的特性。另一方面，根據EV的荷電狀態（SOC）和容量，采用1級充電的完全充電時長達12 h。在1級充電方案選擇中，假定EV車主有四個充電選項可選擇，包括兩個非可控的和兩個可控的，如圖2所示。

圖2 1級充電模式Fig.2 Charging mode of level one

1.1.1 無序充電

這是通過無計劃的“即插即用”將EV連接到電網，故EV可以和其他設備一樣被視為正常負荷。

在EV大量使用并且很多采用無序充電的情況下，EV負荷很可能會導致電網出現幾個技術問題，如使電壓大幅下降和支路超負荷等。

1.1.2 分時電價

分時電價是管理電能需求的標準市場方式。在某個特定的時段實施廉價的電價以轉移負荷高峰時的負荷，從而實現削峰。

然而這不是主動管理策略，該方法能否成功取決于EV用戶是否愿意利用這種政策優勢。并且當大量EV在電價較低時段的開始時刻同時連接電網，可能使電網達到承受極限。

1.1.3 智能充電

智能充電策略設想了一個主動管理系統，其中存在以EV整合實體為中心的分層控制結構，它用于控制EV充電速率。

智能充電管理有可能最有效的利用每一時刻的可用能源，因為EV整合商將自然地選擇在谷時段購電，從而以更低成本為其用戶提供能源。

1.1.4 車輛到電網

這可看作是智能充電的一個擴展。在V2G模式下，EV負荷可控性和存儲功率都將被充分利用，電動汽車與電網之間存在雙向的功率流動。

然而由于電池老化問題會產生的損失，V2G模式下提供給EV用戶的經濟利益必須高于智能充電方式。

1.2 正常系統運行下的控制結構

1.2.1 整合商的提出

EV大規模接入時，電力系統的技術管理需要把集中分層管理/控制結構與車網接口處的本地控制結合起來，以實現充電控制。

簡單地使用智能設備將EV接入電網不能夠解決所有由EV接入配電網所產生的問題，如控制支路阻塞程度或者使EV能夠參與電力市場。在這些情況下，需要進行協調控制，因而包括EV管理在內的整個電網運行的分層管理和控制體系是非常必要的。因此，需要在分層體系中建立一個能夠處理EV和中央控制實體之間信息交換的適當的通信設施。

在電網正常運行的狀態下，EV由一個全新的集中實體——整合商，來控制和管理。整合商的主要功能是將EV組合起來，根據用戶需求去利用電力市場中的商機［8-9］。如果EV單獨進入這一市場，他們的影響力將非常小，同時由于隨機特性使得其可靠性很低。可如果有了整合商，并將EV組合起來參與市場協商，那么所提供服務的規模將更大，其可用性也令人更加放心。

1.2.2 分層控制結構

在文獻［10］中，通過運用含變量的有限狀態機方法與制定相應的監管控制措施來管理電動汽車，文中指出未來含電動汽車的配電網研究應擴展發展到雙層控制框架：底層的安全控制和頂層的監控自主控制。

同樣的，配電網的管理控制系統將采取一種分層結構，分為高壓控制層、中壓控制層和低壓控制層，且每層都有一個中央控制單元。

為了管理大量停靠在廣泛地理區域內（已分布有中壓和低壓電網）的EV，有必要建立整合商作為EV和電力市場的接口。這些整合商將有能力實現EV組合，使得它們所代表的負荷/存儲移動設備具有足夠大的規模來參與電力市場［8］。此外，整合商通常要考慮駕駛人的需求，這些需求包括通過智能電表提供的有關電力需求和連接時段的信息。本文建立的分層管理體系如圖3所示。

由于整合商是在較大地理區域發展業務的，因此，它將由兩種不同的實體組成：區域整合單元（Regional Aggregation Unit，RAU）和微網整合單元（MGAU）。

圖3 整合商分層管理結構Fig.3 Integrator hierarchical management structure

RAU位于高壓/中壓變電站等級，與下游的位于中壓/低壓變電站等級的MGAU進行通信。RAU和MGAU建立的目的是減少實時應用所需的通信和計算負荷，這將為整合商提供有關中低壓網絡中EV集群的預處理信息。每輛EV必須具有特殊接口單元—車輛控制器（Vehicle Controller，VC），以實現EV和上游整合商間的雙向通信。VC可以位于EV將連接的智能電表之中，同時必須使用智能表計通信設施來為這種體系結構提供支持。除了VC，還有一種控制大型停車場充電的新元件—車輛集群控制器（Cluster of Vehicles Controller，CVC），它直接與中壓網絡相連。CVC下的單個EV控制器不需要和高層次控制器主動通信。在正常運行時，EV控制器將與MGAU互動，而CVC直接與RAU進行互動。

2 電動汽車接入配電網影響的模型研究

2.1 方法描述

預計EV的大量接入將會大大影響配電網的管理和運營方式，因而有必要了解EV接入后會給配電網帶來的影響。文獻［11］提出分散式和集中式兩種互動充電策略對大規模EV接入電網進行充放電控制。文獻［12］給出了一個確定性策略用于評估EV接入對電網的影響，可以定位EV在電網母線的位置，并最終確定一天的EV負荷。

EV建模在本文中主要研究低壓和中壓的網絡建模。在低壓網絡中，因為EV大多情況下處于1級充電功率水平，很可能使單相與低壓電網連接。因此，在建模中將EV表示為一個單相負荷。對于中壓電網，由于EV電池是在2級或者3級充電功率的情況下直接連入中壓電網產生的負荷，在建模時應視為三相平衡負荷。

為了評估EV接入對低壓和中壓配網的穩態影響，本文提出的方法如下：將按照確定方法將EV分布在網絡各母線，并確定EV的日負荷。采用三種充電策略評估EV對電網的影響，分別是無序充電、分時電價充電和智能充電。由于V2G模式可能會對EV電池的壽命產生影響，所以短期和中期內V2G模式都不可能實現，暫不考慮。

該方法假定EV固有充電負荷會出現在電網各個節點，且與各節點的居民用電安裝容量成正比。當實施不同的充電策略時，這種方法可以估計給定配電網能安全承載的最大EV數目。

無序充電和分時電價的充電方法是基于一些簡單的規則，而智能充電方法涉及一個目標優化問題，即通過EV負荷管理來削減電網峰值負荷。

文中假定所研究的各種充電策略中EV電池始終以3 kW恒功率充電，且EV每天充電時間4 h，即每輛EV每天從電網吸收12 kW·h的電能。假設每公里消耗的電能為0.2 kW·h，則每天吸收的電能可以使EV一次行駛60km。

2.2 數學模型

建立的數學模型主要用于確定EV接入電網的地點和時間。

第一步是確定每個EV接入電網的時間。假設EV每天只行駛兩次，每次充電時間都介于前一天最后一次行駛結束和第二天開始第一次行駛之間。圖4所示的出行時間概率分布，是運用統計學方法對某地區普通交通行為的特征研究得到的，圖4中所示的電動汽車每日出行時間概率分布是EV每天兩次行駛時間的概率分布。

第二步是定義EV從電網有效吸收能量的時間。

采用無序充電時，車主隨時會將EV接入充電。因此車主回家后，EV接入后自動啟動充電，并將持續4 h。

采用分時電價時，假定在電價引導下EV車主在電價低時充電。只有在低電價時段接入不足4 h時，EV才會在這個時間之外充電。

圖4 電動汽車每日出行時間概率分布Fig.4 Probability distribution of EV daily trip time

至于智能充電，假設存在一個EV充電管理系統，可以控制EV充電，從而盡可能避免EV充電使網絡峰值功率增加。根據這個假設，智能充電被歸結為一個優化問題，其主要優化目標是使電網的峰值負荷最小，公式如下：

約束條件為：

式（1）中括號內的式子代表了電網的峰值功率，單位為kW，即為電動汽車負荷和電網常規負荷總和在24 h內的最大值。是第t時間段母線j的常規負荷，單位為kW。是第t時間段第i輛EV的充電狀態；如果，則EV充電；若則EV不充電。n×24階的二元變量就是優化問題的決策變量。t是時間步長標號，i是EV標號，n是假設的電網地理地區內電動汽車總數，j是母線標號，m是電網中母線的個數。表示了第t時間段第i輛EV停放并且接入了電網的狀態。若，表示第i輛EV在第t時間段接入了電網；若則為第i輛EV沒有接入電網也不能充電的狀態。n×24階二元變量是優化問題的參數矩陣。

式（2）的等式約束假設所有EV的每天充電時間正好4 h，然而式（3）的條件假設只有當EV接入電網時才開始充電。式（1）中的數字3表示為所有EV假設的充電功率，單位是kW。

智能充電策略模型是一個純粹的整數規劃問題，因為所有的決策變量被限制為整數。

確定EV充電時間后，對于所研究的上述充電策略，考慮EV負荷與各母線常規負荷安裝容量成正比，式（4）給出了個電網母線接入EV數目的計算方法：

式中Nr.EVj為與母線j相連的EV數目；為安裝在母線j的居民負荷（kW）是在網絡中總的居民用電負荷（kW）。

式（4）的結果將使得居民負荷高的母線將會分配更多的EV。根據式（4）的結論，所有EV都將有對應的母線號，即表示它們所連接充電的母線。此流程可以計算每個時間步長內系統各節點的EV負荷。

最后，三種充電策略下的電網總負荷可通過在常規負荷中加入各自的EV負荷計算得出，計算公式如下：

2.3 算法實現

為確定一定市場滲透率的EV對配電網的影響，或者使計算沒有違背其技術限制下在給定電網中的EV最大接入數目，制定算法步驟如下：

（1）定義進行研究的類型（評估一定市場滲透率的EV產生的影響或者計算在給定電網中可以安全承載的EV最大數量）；

（2）評估不含EV的電網初始運行情況；

（3）確定電網覆蓋區域內假定的EV數量；

（4）確定每輛EV接入電網的時間段；

（5）根據所研究充電策略特性，確定EV從電網有效吸收功率的時間段；

（6）確定各電網節點處的EV分布；

（7）計算電網總負荷，對各節點、每個時間步長內，將EV負荷與常規負荷相加；

（8）分析電網新的運行情況；

（9）增加EV數量并重復步驟4～9（只有在步驟1的研究類型是“電網可安全承載的最大EV數量”時，這一步才執行）；

（10）儲存所有相關數據。

算法流程圖如圖5所示。

圖5 算法流程圖Fig.5 Algorithm flow chart

算法中所有潮流計算均由PSS/E軟件完成。

3 仿真分析

本文采用上述算法評估了EV充電對作為實驗案例的某個市郊中壓電網的影響。假定將EV充電負荷接入各個電網節點，并且與節點已安裝的居民負荷成正比。仿真中的分析對象包括電壓分布，負荷曲線的變化等。

以圖6所示的典型15 kV市郊中壓配電網作為本次研究實驗案例，圖中數字1～5指出了容易發生電壓問題的母線，常開支路用虛線表示，其中有兩個供電點，圖中用圓圈表示。在供電點，給定電壓值是1.05 p.u.，并假定常規負荷的功率因素是0.96。

圖6 中壓配電網Fig.6 Medium voltage distribution network

為進行為期24h的仿真，使用了一個市郊中壓配電網的典型日負荷曲線，如圖7所示。

圖7 典型日負荷曲線Fig.7 Typical daily load curve

所選典型日的峰值負荷功率是16.6MW，而電能消耗大約是277 MW·h。假設每個家庭平均擁有1.5輛EV，那么可以確定在該電網的地理范圍內EV的總數量大約為12 700輛。

（1）EV的最大允許接入消納量

該中壓電網中EV的最大允許接入比例分別是，無序充電策略17%，分時電價策略20%，智能充電策略63%。這樣比例的EV數量是根據在電網地理范圍內常規汽車的總數量而得到的。因此，對于無序充電策略、分時電價充電策略（22時至8時）和智能充電策略，電網能夠安全接入的 EV數量分別是2 159、2 540和8 001輛。

（2）負荷曲線的變化

圖8所示的負荷曲線是不同充電策略下的負荷曲線，其中假定EV的接入比例為63%，這是不加強電網時智能充電策略下EV最大可能接入比例。在沒有EV負荷的情況下，電網峰值負荷是16.6 MW。運用無序充電策略時峰值負荷增加到34.4 MW，分時電價充電策略時增加到36.6 MW，智能充電策略時增加到20.8 MW。后者是一個值得注意的成就，因為在EV接入比例為63%，對應接入大約8 000輛EV的情況，峰值負荷只增加了4.2 MW。

圖8 EV接入比例為63%時的負荷曲線Fig.8 Load curve when the EV access rate is 63%

（3）電壓分布

如表2所示，根據其中數據可以評估EV接入對某些在電氣距離上遠離供電點的母線的電壓分布的影響，表中數據采用標幺值。

表2 母線1～5上的電壓（p.u.）Tab.2 Voltage on the bus 1～5（p.u.）

對于無序充電策略，5條最關鍵母線的平均電壓降是11.8%，離供電母線最遠的母線1具有最大的電壓降。當運用分時電價充電策略時，這5條母線的平均電壓降是13.2%。智能充電策略可以獲得更好的電壓分布，當運用這種充電策略時，盡管這些母線的電壓平均下降6.1%，但是不低于電壓的下限值：0.90 p.u.。

采用智能充電策略時接近電壓下限值，基于此原因，63%的EV接入比例代表了這種充電策略下最大可能的極限值，因為對于更高接入水平，電壓將低于0.90 p.u.。同樣，對于無序充電策略和分時電價充電策略，當達到電壓下限值時，EV接入消納比例分別是17%和20%。

上述結果表明，電壓是限制EV更高接入量的因素。對于相同接入消納比例，與支路最大負荷限制相比，電壓下限將率先達到。運用智能充電策略總能獲得更好的效果。

總之，仿真表明確定性方法可以用來進行影響評估的研究，在EV充電管理的實時應用中，可以執行電網監視及其運行狀況評估，以及其他可能的方面。

4 結束語

未來電力系統正面臨大規模分布式發電接入所帶來的新的技術、商業和監管的挑戰，電動汽車的接入可能會影響配電網的管理和運營。為更好的管理和控制電動汽車，本文為以電動汽車為中心整合制定了分層控制框架，提出了確定性方法用以確定電動汽車在電網母線中的分配和完整日中的負荷，所建模型用來評估給定市場滲透率下電動汽車對電網的影響，同時也能估計三種充電策略下給定電網所能承受的電動汽車最大數目。