基于對等網絡的電動汽車充放電控制方法

白英楠，姜志新，羅曉樂，車寶林

（國網吉林省電力有限公司松原供電公司，吉林 松原 138000）

0 引 言

發展電動汽車作為解決能源短缺和全球氣候問題的有效途徑受到了全世界的關注。我國政府高度重視電動汽車產業的發展，預計到2030年電動汽車充電總功率將占裝機容量的25%[1]。但是，電動汽車的接入會給電網安全帶來沉重的負擔。研究電動汽車有序充電放調度策略，減小對電網的影響，具有重要意義。文獻[2]以供電側填谷和用戶成本最小為目標，采用動態插值算法協調控制區域電動汽車，實現了電動汽車的有序充電。文獻[3]基于分時電價引導電動汽車有序充電。文獻[4]考慮網損的約束，提出了局部電網結構充電和全局電網充電的方法。

V2V（Vehicle to Vehicle）技術利用電池儲存電量可對其他電動汽車充電，實現了電動汽車的相互充電，也能改善電網運行的可靠性。與V2G技術不同的是，V2V技術通過電動汽車之間的相互供電，可在電網的負荷高峰期直接減少充電負荷，使電網穩定運行，調節方式更加直接和有效。

本文提出基于對等網絡的電動汽車充放電控制方法，以電動汽車為單位設計節點的通信、運算及實時決策，以對等計算（Peer-to-Peer Computing）技術為基礎，建立了電動汽車充放電的對等網絡架構。考慮到電動汽車用戶最大利益，結合電網運行指標，在電動汽車狀態約束條件下采用粒子算法進行求解，并通過算例分析驗證了模型的有效性。

1 電動汽車有序充放電對等網絡框架

電動汽車有序充放電對等網絡框架將能源互聯網劃分為平臺層、業務層和應用層3個邏輯業務領域，如圖1所示。廣泛分布式電動汽車集群主要在應用層業務范疇。基于能源互聯網的廣泛分布式電動汽車對等協調控制策略的實施如下：位于應用層的廣泛分布式電動汽車1集群，其車載智能EV矩陣控制系統2作為整個系統對等協調控制的節點抽象信息和控制載體，實現任意一點與其他一點或者多點能夠直接發起和結束充放電需求，而不需要供電側的干預和介入；當系統內應用層的需求發生極端情況，知識區域內所有的應用層需求互相之間不能滿足時，區域主動式EV矩陣能源分配與監測系統4介入進行協調與分配，進而可以通過配電自動化子站5向更高的配電自動化主站7申請協調控制；配電自動化主站7一方面直接進行協調與分配，另一方面在必要時可以向更高的配電調度自動化系統。

圖1 電動汽車有序充放電對等網絡框架

傳統電動汽車的信息流動方向為單工模式，即從單個電動汽車節點到供電側再到調度側，然后從調度側到供電側再到單個電動汽車節點，各節點之間以及各節點到供電側之間的需求信息是互相隔離和封閉的。本策略能夠實現廣泛分布式電動汽車集群任意兩點和多點之間的通信，構建符合電動汽車使用特性的數據模型、與其對應的通信和控制模式以及各級控制系統。各節點基于雙向和多向信息進行智能化決策，不但能夠獲取供電側的相應信息，更能獲取其他節點的狀態信息。

信息共享方式的改變，使得廣泛分布式電動汽車集群內任意一點能夠直接發起或者響應充放電需求，進而實現用戶需求驅動，并實現基于能源互聯網的即插即用、開放互聯以及自由對等特性，同時實現用戶之間直接進行需求交換，即實現用戶需求的透明化、信息傳遞的扁平化以及系統控制與響應的分布化。

傳統控制方式中，所有的調度、分配、控制都是基于電動汽車發生需求后，或者使用特定的數學方法預測或者預估電動汽車的需求，只能被動獲取電動汽車節點信息，因而控制方式可定義為被動響應式。本策略可以變電動汽車控制方式被動為主動，由電動汽車節點自身實現需求匹配和通信控制，主動進行狀態信息的更新和互通。在這個過程中，區域控制中心充當保護、監督和調配的角色。正常情況下，區域控制中心僅確保安全運行的監督。極端情況下，區域控制中心才介入進行管理和控制，以及申請上級系統的協調、支持與調配。

2 對等網絡下電動汽車有序充放電的控制策略

2.1 目標函數

本文建立典型日負荷曲線下峰谷差最小、負荷波動最小的目標，因此優化目標為系統負荷水平的方差最小。其中，目標函數以各時段的充電負荷為控制變量，目標函數為：

式中：Pb,t表示常規負荷在t時刻的負荷大小，ub表示一天內，常規負荷的平均水平，表示第k輛電動汽車在時段t內的充電功率需求。

2.2 約束條件

電動汽車充電功率約束為：

電動汽車動力電池SOC約束為：

式中：SOC(l,k,t)表示電動汽車動力電池的實時荷電狀態。SOCmin、SOCmax表示保證電動汽車動力電池壽命不受損壞的情況下動力電池的最大荷電量和最小荷電量。

電動汽車充電約束為：

3 算例分析

3.1 參數設定

隨著電池技術的發展和政府對新能源汽車的大力支持，未來電動私家車的市場相當可觀。以比亞迪集團的秦EV300電動私家車為例，它的最大續航里程可達到300 km。由于電動私家車的運行特性、充電方式等與用戶行為密切相關，故可分為工作日和休息日進行考慮。從統計學角度來看，人出行多出現在工作單位、住宅和商場等娛樂場所。因此，分析私家車的行為特性，在各地點的停放時間在概率上將呈現一定的規律性。

電動私家車行駛的結束時間與人的行駛規律密切相關，與使用傳統的油動力汽車還是電動私家車無密切關系。人們使用汽車多用于上下班、商場購物等，因此可參照傳統燃油動力私家車數據。通過統計私家車行駛規律，私家車每天行程結束時間x近似滿足正態分布，概率密度函數為：

式中：us是電動私家車行駛結束時間概率密度函數的期望值，取us=15.6；σs表示概率密度函數的標準差，取σs=3.4。

3.2 電動私家車每日行駛里程概率分布

去除偶然事件，電動私家車行駛里程相對固定，即家、工作地點以及商場之間的道路。美國統計局對電動私家車行駛里程做了大量統計，電動私家車電動汽車每日行駛里程近似滿足對數正態分布[5-6]。對數正態分布的概率密度函數為：

式中：r表示單臺電動私家車每日行駛里程；μD表示概率密度函數變量r的對數lnr的平均數，取μD=4.4；σD表示概率密度函數變量r的對數lnr的標準差，取σD=0.88。

2020年全國電動汽車推廣運行超過500萬輛，到2030年中國電動汽車總量將突破8 000萬輛。工作日充電負荷曲線如圖2所示。對比遼寧省電動汽車發展規劃“在2020年遼寧省電動汽車推廣使用應超過2萬輛以上”，電動汽車數量設置在15 000輛。

圖2 2030年電動汽車工作日充電負荷曲線

本文選取松原市夏季典型日負荷為例優化電動汽車有序充電。松原市夏季典型日負荷曲線在夜晚22時刻負荷為20 129 kW，達到當日負荷峰值；在凌晨4時刻負荷為17 945 kW，為該日負荷上午最低谷。

3.3 模型求解及仿真結果分析

仿真算例以電動汽車有序充放電后日負荷峰谷差的平方最小為目標，以電動汽車充放電時間為控制變量，考慮電網與電動汽車充電本身的實際約束，采用傳統粒子群算法求解仿真算例，仿真500次求平均值，最后結果如圖3所示。

圖3 有序調控充電負荷曲線

如圖3所示，當電動汽車無序充電時，日負荷峰谷差為5 984 kW，有序充放電調控下峰谷差為2 935 kW。峰谷差減小了2 945 kW。

普通有序充電和采用對等網絡的電動汽車充放電控制均能實現“削峰填谷”的效果，減輕電網運行的壓力，使電網具有更高的可靠性。但是采用對等網絡的電動汽車充放電控制通過電動汽車的放電轉移部分充電負荷，使負荷峰值較普通有序充電模式更小，變壓器有更大的安全運行裕度。

4 結 論

本文提出了對等網絡下的電動汽車充放電控制方法，實現了移峰填谷，不僅能顯著減少用戶充電成本，而且有利于電網的經濟安全運行。仿真結果顯示，對等網絡下電動汽車充電減少了電網的峰谷平衡，相比傳統的有序充電電動汽車相應度更加靈活，充電控制更好。