電動汽車典型快充站優化運行配置方法①

張璐璐,朱光云,施寅躍,柯慧敏

1(海南電網有限責任公司,海口 570100)

2(海南電網有限責任公司 ?？诠╇娋??？?570100)

3(國電南瑞科技股份有限公司,南京 211106)

引言

近幾年,電動汽車產業發展日新月異,作為降低碳排放的重要手段,我國電動汽車產銷量快速增長[1].電動汽車的快速增長需配套一定規模的充電設施尤其大功率快充樁,快充設備接入會沖擊電網安全運行,影響用戶用電質量[2,3].如何配置快充站,保證站內多個快充樁和分布式電源及儲能等設備的優化運行,是今后研究重點.

文獻[4]提出以降低周期運維成本為目標的電動汽車充電站優化設計方案,電動汽車被假定作為智能能源樞紐與電網相連,電動汽車車主對汽車行駛距離的“里程焦慮”問題;文獻[5]提出了一種基于博弈論的分散式電動汽車充電調度方案,該方案能最大限度地降低用戶的支付費用并提高電網效率,為輔助服務提供最大的潛在容量;文獻[6]通過分析電網功率損失最小建立分布式電源及充電站選址安裝規劃模型;文獻[7]提出了一種混合整數非線性優化方法來優化快速充電站的布置和規模;文獻[8]設計了一種含風力發電的電動汽車充電站,可以對電動汽車進行充電,還可以平衡與之相連的電網的負荷需求;文獻[9]分析了電動汽車充電站整車充電、更換電池兩種運營模式,從其自身競爭力、盈利方式及對電網運行的影響等3 個方面對這兩種運營模式進行了比較分析;文獻[10]提出了基于區塊鏈的電動汽車充電站充電權交易機制與模型,確保配網的安全運行及充電權交易的公開透明與高效智能.上述文獻主要對傳統充電站優化設計及優化運行研究,但是對于含分布式電源及儲能的快充站優化運行研究相對較少.本文通過分析典型快充站內風電、光伏及電動汽車運行特點,以充電站總運行成本最小為優化目標,以站內總功率平衡、分布式電源容量限制、節點功率限制等為約束條件,建立典型快充站優化運行配置模型,利用遺傳優化算法求解模型適應度最優值,仿真算例表明該模型可充分利用站內分布式電源和儲能優勢,降低大功率快充樁對電網沖擊波動.

1 站內典型設備運行特性分析

1.1 電動汽車充電行為分析

電動汽車充電時長是影響快充站優化設計的一個因素.充電時長與電池容量、充電功率等有關,其表達式如下:

式中,tc為充電時間,Cb為電池額定容量,Pc為平均充電功率,SOC為電池荷電狀態,范圍為0～1.

通過分析充電樁數量及每個樁充電功率,計算充電站總充電功率需求:

式中,Ps為站內總充電功率,t為充電時刻,mc為充電樁數量,Pc,k(t)為第k個充電樁在t時刻充電功率.

1.2 風力發電特性分析

風力發電機輸出功率是隨風速變化不可控的,但是可以通過預測風速的分布情況來得到輸出功率,其典型輸出功率模型為:

式中,PWT為發電機組輸出功率,PWTr為發電機組額定輸出功率,單位是kW;v為實際風速,vci為切入風速,為額定風速,vco為切出風速,單位是m/s;a、b、c為發電機組功率特性參數.

在模擬過程中,可以從一系列隨機數中得到風速每小時的變化,如下式所示:

式中,p為隨機數,c為比例因子,k為形狀因子,c和k均由所處位置決定.

1.3 光伏太陽能

光伏電池為直流輸出,其輸出電壓和電流一般隨電池上光照強度和溫度的變化而變化,光伏電池的輸出功率模型為:

式中,PPV(t)為t時段內光伏電池輸出功率,Pmax為t時段內光伏電池最大輸出功率,單位是kW;G(t)為t時段內實際光照強度,單位是w/m2;f(G(t))為光照強度概率密度函數;k為波爾茲曼常量,有k=1.381×10–23J/K;T(t)為t時段內實際溫度,單位是°C.光照強度G(t)概率密度函數如式(6)所示:

式中,Gmax為t時段內最大光照強度,單位是w/m2;Γ為Gamma 函數;α、β為Beta 分布的形狀參數,其值可根據t時段內實際光照強度的平均值μ和方差σ計算出.

光伏電池最大輸出功率函數為:

式中,Iph為光伏電池的光電流,I0為二極管反向飽和電流,單位是A;Rs為等效串聯電阻,Rp為等效并聯電阻,單位是Ω;n為二極管理想因子(1≤n≤2);q為電荷量,有q=1.602×10–19C;Ns為串聯光伏單元個數;TPV為電池溫度,單位是°F.

2 優化配置建模

2.1 目標函數

文中所提出的目標函數中為最大凈現值(NPV),即現金流入現值和現金流出現值之差,也包括了使用期限內更換和維護電池的費用.

式(8)中,Ch為h年凈現金流量,I為初始投資成本,i為年利率;式(9)中,INft為每小時內現金流入量,OUTft為每小時內現金流出量,Cm為更換和維護儲能電池費用;式(10)中,Csh為充電站內單個充電樁安裝成本,Qc為已安裝充電樁數量,Ck為風電裝機成本,Qk為風機數量,yk為二元決策變量,m為風機總類型數量,Cp為光伏板每平方米造價,Sp為光伏板安裝表面積,Cs為儲能系統成本,Es為已安裝儲能系統標稱容量.

式(9)中各變量表達式如下:

式(11)～式(13)中,PEV為每小時向電動汽車用戶提供的總充電功率,CEV為單位時間收取電動汽車用戶電價,PS2G為每小時充電站向電網反饋的電能,CG為電力市場每小時購買電能價格,PG2S為每小時充電站從電網消耗的電能,Cb為電力市場電能每小時銷售價格,Ps為每小時內儲能系統釋放電能,Ts為電池容量生命周期,Cmh為h年內儲能系統維護費用,其他變量含義與式(8)～式(10)一致.

2.2 約束條件

(1)充電站功率平衡

式中,PWT為式(3)中風機輸出功率,PPV為式(5)光伏電池輸出功率,Ps放為儲能系統單位時間放電功率,Ps充為儲能系統單位時間充電功率,其他變量與式(11)～式(13)含義一致.

(2)儲能能量平衡

式中,Esh為儲能系統在t小時存儲能量,Esh–1為儲能系統在t–1 小時中的存儲能量,Est充為t小時中的充電量,Est放為t小時中的放電量.

(3)風力發電機組供電功率約束

式中,PWT為風力發電機提供的發電功率,PWT額為已安裝風力發電機額定發電功率.

(4)光伏板功率約束

式中,PPV為光伏發電機發電功率,PPV額為已安裝的光伏發電機額定功率.

(5)儲能系統充放電功率和電能約束

式中,PS額為所安裝儲能系統的額定功率,其他兩個變量與式(14)中含義一致.

儲能系統在t小時內放電能量必須等于或小于t–1 小時內的儲存能量;在t小時內的充電量必須等于或小于儲能系統標稱容量和t–1 小時內儲存能量差值.

(6)接入點的電網供電和消耗功率約束

式中,PGmax為接入點最高功率限制,其他變量含義與式(11)～式(13)含義一致.

(7)充電站供電功率限制

式中,PEV額為所安裝充電樁額定功率.

(8)電動汽車的等待時間限制

式中,tEVk為每輛車的等待時間,tEVmax為預期等待最長時間.

3 優化算法

針對本文動態規劃配置模型,相對于蟻群算法等遺傳算法具有較快的求解速度,本文利用遺傳算法進行求解模型,流程如圖1所示.

圖1 遺傳算法流程

3.1 染色體:優化變量

染色體代表每個個體,這里表示與充電站的結構有關的變量,包括充電樁的數量和功率,風力發電機的數量和類型,光伏板的表面積,儲能系統容量和與電網的連接傳輸容量.限制條件如表1中所示.

3.2 交叉和變異算子

染色體有3 個整型基因和4 個實型基因,用于整數型三種基因的交叉算子創建一個隨機的二元向量,如果向量為1,則從第一父代選擇基因,如果向量為0,則從第二父代選擇基因;然后,結合這些基因創造出兩個子代.如果二進制向量為[1 0 1],且父向量為parent1=[a b c]和parent2=[1 2 3],則子向量為child1=[a 2 c]和child2=[1 b 3].4 個實型基因的交叉算子分別從雙親parent1和parent2 中生成子女的每一個基因k,使用的函數為:

式中,Ratio的值設為0.8.

在突變算子中,首先生成一個介于0和1 之間的隨機數,如果這個數小于一個閾值(在本例中為0.001),那么這個染色體就會發生突變;然后1和pf 基因之間的整數隨機數表示應用該突變的基因;最后對于整數型基因,該基因被在該基因的限制范圍內產生的整數隨機數所改變.對于實數型基因,在該基因的極限之間產生一個實數隨機數.

3.3 適應度函數:盈利能力

適應度函數與NPV 在數學模型中描述的目標函數相同,初始費用對應于安裝每個能源系統元件的成本,收入與提供給客戶為其車輛充電的電能以及銷售給電網的剩余電能相關.此外,費用包含從電網購買電能的費用,充電站的維護費用和電池更換的費用.

使用順序蒙特卡羅方法進行模擬.首先,該算法根據到達時間、電池容量和電池SOC 來計算每小時EV 需求;然后,計算風能和太陽能發電機產生的電能,以及發電機、電池、充電樁和電網之間的電能流量,在計算電能流量時必須考慮電能流量約束;最后,計算適應度函數值,如圖2所示.

銷售給電網和從電網購買的電能成本是根據電力市場的每小時電能成本加上相應的電網使用費來計算的,而出售給電動汽車的能源成本是電力市場成本加上利潤.

圖2 適應度函數流程

4 算例分析

4.1 算例描述

用于對EV 需求、風電和光伏資源進行建模的數據在“輸入數據模型”部分,表2為優化算法的決策變量的限制.

表2 經濟成本(單位:元/kW)

算例1:充電站只由電網供電.在這種方案下,充電站連接到電網,并且所需的所有能量都從電網購買.算例2:充電站只由可再生能源供電.在這種方案下,充電站與電網隔離,僅由太陽能和風能供電.算例3:充電站同時由可再生能源和電網供電.在這種方案下,充電站有可再生能源供電同時與電網進行連接.3 種算例中電動汽車總充電功率滿足式(14)充電站總功率平衡約束,單個電動汽車充電時間及充電功率等充電行為不受模型約束.模型仿真過程中,其他邊界條件滿足式(15)～式(26)約束要求.充電站各設備安裝-維修成本及交易價格如表2所示.

表2中成本包含各設備安裝成本及1年內維修成本,均按每kW 容量設定,模型未考慮隨著時間增加維修費用增加情況.

4.2 仿真結果分析

針對3 種算例,基于表1優化約束和表2經濟成本,利用圖1遺傳算法迭代計算式(8)最大凈現值(NPV)模型,每小時模擬一次.參考圖2適應度函數流程,根據EV 到達時間、電池容量等信息計算每小時充電需求以及風機和光伏出力情況,以及各設備與電網功率交互.最終每種模式優化配置情況及經濟效果分析見表3和表4.

表3 每個算例配置情況

表4 每個算例的經濟結果

表3給出了每種算例下充電樁數量及每個充電樁的功率,電網和充電站站之間交互最大功率,風力發電機的數量,太陽能PV 板的表面積,儲能容量.

表4給出了凈現值(NPV)、投資額、電池更換成本、維護成本、從電網購買電能的成本、向電網出手電能的收入和向EV 駕駛者出售電能的收入等.

4.3 算例比較分析

從表3可以看出,3 種算例下充電樁數量和功率基本相同,因為它們主要取決于需求特性.在算例1 中充電樁數量較少,該方案下充電站僅由電網供電,其電能價格比可再生能源更昂貴;算例3 同時由電網和可再生能源供電,但算例3 電網功率卻比算例1 多,因為算例1 中充電站僅能從電網購買電能,而算例3 中充電站可以向電網購買電能的同時也可以向電網出售電能;比較算例2和算例3 中的可再生能源功率可以發現,算例3 中的可再生能源有四個風電機和1871.95 m2的太陽能板,而算例2 中僅有1456.38 m2的太陽能板,這是因為算例2 中生產出多余的電能無法利用,所以僅需要生產出滿足需求的電能即可,而算例3 可以向電網出售電能而獲取利潤,所以建設較多的可再生電源會更好.

從經濟角度來看,在算例3 中獲得了最佳解決方案,NPV的值高于算例2.在算例3 中,充電站采用混合策略,該策略可以從向EV 所有者和電網出售電能中獲得收入.由于可再生發電機和電池的安裝成本,算例2和算例3的投資額比算例1 要大得多,如表4所示.

圖3顯示了每種算例下每個月使用的電能(出售給EV和電網).

圖3 每個算例每月使用的電能來源

算例1 只有4 個充電樁,所以當所有充電樁都被占用時,消費者則不會選擇停下來充電.算例2 有5 個充電樁,它可以為更多的消費者服務.但在某些情況下,由于可再生能源的波動或浪費了過多的能源,可能會出現能源短缺.算例3 有5 個充電樁,但優化配置要求安裝更多的太陽能可再生能源,因為剩余能源可以出售給電網.

圖4以年度等效值比較了3 個算例.算例1的總成本很高,因為運營成本很高.算例3的收入最高,因為它可以向電網出售電能,因此利潤最高.

在算例1 中,銷售給EV的所有電能都是電網提供的.在算例2 中,所有電能都來自風能和太陽能源,但需要電池為EV 間接提供充電服務,并且在當天凌晨5 點左右,充電站無法提供所需求的電能.在算例3 中,當可再生能源不足時,充電站使用電網為電動汽車提供電能.

在3 個算例模擬迭代計算過程中,充電站每天運行情況根據站內分布式電源設備出力及電動汽車充電需求不同而不同,圖5給出一年內某典型一天該充電站功率需求曲線.

圖4 年度等值的比較

圖5 3 種模式下充電站內優化配置結果

圖5(a)中,算例1 僅由電網給電動汽車供電,給出站內充電樁總充電功率曲線,該曲線為每小時模擬過程中所有充電樁給電動汽車充電的累加功率.圖5(b)為算例2 情況下充電站內各設備與充電樁功率交換情況,所有電能均來自風電和光伏,且在發電低谷期由儲能系統提供充電服務.在算例3 中,如圖5(c)所說,當風電和光伏發電不足時,充電站使用電網為電動汽車提供電能,由于儲能系統充放電存在損耗,該算例中儲能系統未參與互動,另外,由于風電和光伏出力不存在過剩情況,向電網送電功率為0,即PS2G曲線與橫坐標重合.

5 結論

本文從技術和經濟因素層面優化了電動汽車快速充電站的設計模型,采用遺傳算法結合蒙卡洛特模擬進行求解分析,更加逼真地模擬了電動汽車需求和更新生成,得到了更加全面的需求模型.并通過算例比較得出電動汽車快速充電站的最佳設計模式,可以通過使用可再生能源發電來提高盈利能力,同時需要與電網連接以保證充電站的工作穩定性.本研究對建設電動汽車充電站、促進新能源發電,以及實現更可持續的能源管理有著重要意義.