電動汽車有序充電多目標優化方法

洪祥, 黃建剛, 錢科軍, 鄭眾

(1. 南京大全電氣研究院有限公司, 江蘇, 南京 211000;2. 國網江蘇省電力有限公司蘇州供電分公司, 江蘇, 蘇州 215000;3. 國網蘇州電動汽車服務有限公司, 江蘇, 蘇州 215000)

0 引言

電動汽車能夠實現電能的儲存及自動轉換功能,降低汽車尾氣的排放,減少城市內的噪聲污染,成為汽車制造業發展的新趨勢[1]。電動汽車的發展推動了相應充電設備的建設,電動汽車在使用過程中的無序充電行為對電網系統運行造成極大負擔。為了保證電網系統的平穩運行,避免城市用電的集體癱瘓,部分相關行業學者針對電動汽車的有序充電方法展開研究。電動汽車有序充電研究的目的是解決能源管理和充電設施管理的問題。首先,對于大量的電動汽車協調它們的充電需求,以避免能源的浪費和充電設施的超負荷運行,是需要解決的重要問題。其次,由于不同車輛的需求不同、車主的行駛習慣不同以及電網負載管理的需要,有序充電可以保證每輛車得到公平合理的充電服務,同時能夠優化電網的峰谷電量差,降低電網負擔,減少供電不足和用電矛盾。因此,電動汽車有序充電的研究旨在制定合理的充電策略和管理方法,以實現電動汽車的智能化充電,并為電網的可持續發展和智能化管理提供技術支撐。

余桂華等[2]在智能配電技術支持下,通過對用戶響應機制的分析,制定動態分時電價,并對不同時段的電動汽車充電需求展開預測;結合居民用電特點,對區域性電網負荷展開預測,并設計了實時電價下的有序充電方法。李敬航等[3]基于電動汽車駕駛人員的駕駛習慣、充電行為建立電動汽車充電數學模型;結合模糊聚類算法,分析電動汽車內置供電設備初始電荷狀態以及負荷表現;通過馬爾科夫鏈思想建立電動汽車負荷模式概率轉移矩陣,引入遺傳算法,對電動汽車的有序充電問題求解。江明等[4]基于電動汽車車主充電行為的不確定性,利用MFRL方法對充電站數據樣本展開分析,以電動汽車車主充電行為模式為依據,引入馬爾科夫決策過程對用戶用電需求展開預測,建立充電完成度指標對代價函數展開優化,通過TDL算法訓練歷史充電行為及電荷水平數據,進而完成有序充電方法的設計。

對電動汽車進行有序充電行為進行控制。不同電量、不同行駛距離的電動車充電過程屬于多目標優化過程,以上方法存在網損率偏高、在用電高峰期無法避免充電站高負荷情況以及電壓偏移過高等問題。因此,本文通過對電動汽車駕駛人員駕駛行為與充電習慣的分析,建立電動汽車充電負荷模型,采用粒子群優化算法和二進制編碼進行有序充電多目標優化,以實現有序充電策略的優化。

1 充電負荷控制模型構建

1.1 駕駛行為分析

不同地區的駕駛人員在駕駛習慣上對充電設施可用性、充電成本的認識等方面可能存在差異,從而影響他們的充電行為。其中,駕駛人員的駕駛習慣會影響電動汽車的充電需求頻率、選擇的充電方式、充電時間和充電策略,因此在構建電動汽車充電負荷控制模型前對電動汽車車主的駕駛行為展開分析。

電動汽車從存放地點出發后,其行駛過程可能包括商城、工作地點、公園等多個地點,出行軌跡在通常情況下復雜多樣。將駕駛者在一定時間內對出行目的形成的復雜出行軌跡定義為電動汽車出行鏈[5]。根據美國交通運輸部對于車輛出行鏈的統計調查結果,駕駛者每天出行目的產生的出行鏈平均長度約為3,參考全國家庭出行統計調查結果,設電動汽車駕駛者的行駛行為為x,行駛里程的分布均值為νd,駕駛里程的分布標準差為ζd,則電動汽車出行行為的數學形態正態分布公式如式(1):

(1)

電動汽車在無干預前提下的隨機性充電行為被稱作無序充電行為,通常不受外部原因調度。將某區域環境內的電動汽車的充電起始時刻視作該車輛的外出結束時刻,通過對區域環境內的車輛充電情況的調查分析,可得出區域內車輛的累積密度與充電時間關系分布曲線如圖1所示。

圖1 無序充電調查結果

將區域范圍內的電動汽車無序充電調查結果代入式(1)車輛出行行為正態分布公式,對圖1的擬合結果即為車輛出行行為的分析結果。

1.2 建立電動汽車充電負荷控制模型

建立電動汽車充電負荷模型可以幫助電力系統規劃者和運營者更好地了解充電負荷的特征和行為,從而更好地進行電網規劃和運營管理。通過分析駕駛人員的充電習慣,可以了解他們的出行需求和充電習慣,從而更準確地預測和管理充電負荷。

電動汽車車內電量會隨車輛公里數的增加而逐步降低,此時電動汽車行程終止時的電荷狀態SOC值[6]也會產生相應變化。假設當前車輛k的SOC剩余量為SOCk0,本次電動汽車的行駛距離為∑lj,兩者存在相互影響關系。設該電動汽車的續航里程數為Ek,此時車輛行程結束時刻的狀態,可通過SOC剩余量與行駛距離長短之間的相互影響關系表示,具體計算公式如下:

(2)

當電動汽車駕駛過程中出現SOC剩余量過低的情況時,將因動力不足而無法繼續行駛,此時電動汽車只能被動地選擇前往充電站補充電能,充電完成以后才能夠繼續對未完成的出行鏈展開補充。設在充電期間的對應充電設備運行效率為γ,車輛充電完成后的電荷狀態為β,此時電動汽車的充電負荷模型可通過式(3)計算,其中T為電量,

T=E(γ-SOCk0)(ν×P)-1

(3)

式(3)中,P表示充電功率,E表示汽車電池容量。若電動汽車離開充電站時的電量為飽和狀態,則此時可將電荷狀態β視作1。

2 有序充電多目標優化

對電動汽車充電負荷模型進行多目標優化,可以減少充電排隊等待時間,使得充電過程中能夠優先使用價格更低的電價時段進行充電,從而提高充電效率、降低充電成本,同時也有利于電網的穩定和優化。

2.1 目標函數條件設定

以區域范圍內的電力系統最小負荷波動為目的,設minG為最小波動目標函數,N為谷時段數,i為當前充電時段,i充電時段下的區域性范圍電力系統負荷值為Ei,有序充電調節下的電力系統總負荷值為E,根據第1部分的分析建立的充電負荷模型T,建立目標函數minG如式(4):

(4)

Ei=Ei,EV+Ei,load

(5)

其中,Ei,EV為i時段電動汽車并網前提下的充電站充電負荷值,Ei,load為i時段電力系統運行條件下的基礎負荷值。

為了保證有序充電的進行,對式(4)的目標函數minG設定約束條件。設充電站內的充電電動汽車數量為L,充電站內第j(j∈L)輛車的充電耗時為tj,充電功率為Ej,功率因數為r,則該車耗電量U的計算過程如下:

(6)

此時可建立以充電站內充電樁的運行功率Qch為約束條件的目標函數G,設Qch,min為最小運行功率,Qch,max為最大運行功率,約束條件需滿足式(7)關系:

(7)

根據式(7)得到目標函數條件為

Qch,min

(8)

其中,Qch=Qch,min為j=1時即當前為最小運行功率,Qch=Qch,max為j=L時即當前為最大運行功率。

2.2 基于粒子群優化算法的全局尋優

電動汽車的有序充電問題是一個涉及充電站總功率、單獨充電樁功率、區域性電力系統負荷情況等[7]多因素復雜問題,因此本文采用粒子群優化算法[8-9]對式(8)約束下的目標函數minG優化問題展開求解。

假設O維空間中存在一個由n個粒子組成的粒子群,此時的粒子位置為Wy=(w1,w2,w3,…,wy),空間內的粒子飛行速度為Vj=(v1,v2,v3,…,vj),全部粒子的最佳位置為Wh=(w1,w2,w3,…,wh),單獨粒子飛行過程中經歷的最好位置為Wα=(w1,w2,w3,…,wα),則在每一次迭代中,根據當前位置和速度計算出粒子的適應度值:

f(n)=?Qch

(9)

其中,?為粒子慣性權重,當適應度達到一定值時,即Qch=Qch,max,停止迭代。依據粒子適應度的大小,更新粒子的位置和速度向最優解靠近。此時空間內第l個粒子的飛行速度vjl更新、粒子最佳位置whl更新迭代計算公式如下:

whl=whl-1+vjl

(10)

其中,d1、d2為學習因子,d1、s2為[0,1]中的隨機數值。

在利用粒子群優化算法[10-11]對目標函數展開求解時,發現求解過程中伴隨著大量離散問題[12]。為了解決電動汽車有序充電目標函數求解過程中的離散問題,本文方法利用二進制編碼[13]方式對傳統粒子群優化算法展開優化,利用優化后的粒子群優化算法對目標函數解集展開全局尋優。若vjl取值大于0,則需要對粒子當前位置作出調整,并使粒子位置取值接近于1;若vjl的取值為0,則粒子保持當前位置不變;若vjl的取值小于0,需要對粒子當前位置做出調整,并使粒子位置接近于0。

(11)

其中,wj(l-1)表示空間內的單獨粒子最優位置,wh(l-1)表示全局最優位置,vjl表示粒子飛行位置為1時的概率,rand(ζ)表示0～1范圍內的隨機數。

將電動汽車的充電狀態作為空間內粒子在不同維度的坐標,根據實際應用情況對空間內的粒子速度及位置展開初始化處理,并利用式(11)對空間內粒子的速度及位置展開全局尋優,目標函數minG的優化結果為

(12)

基于粒子群優化算法的全局尋優流程如圖2所示。

圖2 粒子群優化算法的全局尋優流程圖

3 仿真與分析

3.1 仿真設置

為了驗證本文方法的可行性,選取某家用純電動汽車進行仿真測試,其額定充電功率為3.3 kW,視額定充電功率為其最大充電功率,電動汽車參數如表1所示。SOC剩余量SOCk0為0.9;粒子群個數n為1000;粒子的速度范圍限制在[-1,1],慣性權重?=0.8,學習因子迭代初值d1=1.4、d2=1.4,最大迭代次數為1000。

表1 電動汽車相關參數

考慮到出行規律以及計算方便,將一天的充電時間設置為20:00～次日8:00,某充電站的充電樁如圖3所示。充電樁為直流充電樁;充電樁功率為30 kW;充電費用0.5元/kWh。

圖3 某充電站充電樁

結合1.1小節分析可知,影響駕駛人員行為習慣的主要因素為駕駛習慣、充電習慣、出行習慣等3類。為了驗證本文構建的電動汽車充電負荷模型可以實現有序充電的多目標優化,因此設計適應性實驗進行分析。通過在不同時間段不同地區收集駕駛行為記錄、充電記錄、出行模式記錄等駕駛數據、充電數據和出行數據,了解駕駛人員的行為習慣是否隨著時間的變化而改變。根據準確率的高低判斷構建模型在長期使用中的適應性和穩定性,其結果如圖4所示。

圖4 適應性實驗結果

分析圖4可知,本文構建模型獲取的7個區域駕駛數據、充電數據和出行數據準確率均在90%以上,證明本文構建模型受地區差異影響較小,具有較高的適應性。可以看出:區域3的駕駛數據準確率是7個區域中最低的,可能是因為該地區的駕駛人員更傾向于進行長途駕駛,在長途駕駛前進行充電,以確保電量充足;區域2的充電數據準確率是7個區域中最低的,可能是因為該地區的駕駛人員傾向于頻繁進行快速充電,利用本文構建模型可以引導其改變充電策略,采用定時充電或慢充電方式,以降低充電成本和減少對電網的負荷;區域1的出行數據準確率是7個區域中最高的,可能是因為該地區的駕駛人員通常在特定時間段經過某個區域,提升了準確率,因此建議其在該區域附近的充電站進行充電,以便滿足充電需求。綜上所示,雖然本文構建模型因為區域、駕駛行為習慣的不同,準確率出現了一定的波動,但是整體而言,本文構建模型具有較優的適應性和穩定性,并可以有針對性地對電動汽車進行引導。

3.2 結果分析

分別采用本文方法、文獻[3]方法、文獻[4]方法對該電動汽車充電行為展開有序充電優化,并比較不同優化方法下的充電站日負荷情況。負荷的整體波動幅度越小,則對應方法的電能分配效果越好,具體比較結果如圖5所示。

圖5 充電站負荷比較

分析圖5可知:無序充電情況下在20:00～次日8:00時電動汽車充電站內的負荷波動較大,利用本文方法對該電動汽車展開有序充電部署后,負荷峰值明顯下降,且充電站當日負荷整體在2000～2500 kW區間波動,波動情況趨于平緩;采用文獻[3]方法進行有序充電,負荷在24:00時快速上升,7:00快速下降,波動幅度較大;運用文獻[4]方法進行有序充電時,負荷情況在3:00之前呈現上升狀態,且一直上升到3500 kW,上升幅度較大,且在整個充電過程中,存在2次較大波動。綜上所示,本文方法的電能分配效果較好。

如果電網中的電壓存在偏移,比如電壓過低或電壓過高,使充電裝置無法適應或不具備自適應功能,就會導致充電速度減慢或充電失敗,影響用戶使用體驗。同時,電網電壓偏移對電池充電還可能產生其他的意外后果。因此,為保障電動汽車充電的順暢和安全,利用同款車型,且電量剩余為20%的電動汽車,在區域范圍設置10個網絡節點,分別利用本文方法、文獻[3]方法、文獻[4]方法對車輛展開有序充電設計,并測試不同方法造成的電壓偏移情況。具體比較結果見表2。

表2 電壓偏移對比

分析表2可知:利用本文方法對10個網絡節點展開有序充電策略實施后,造成的電壓偏移量在3.00%之內,偏移量較小;利用文獻[3]方法對第9個網絡節點展開有序充電策略后,電壓偏移量為7.34%,且整體電壓偏移量在6.00%左右;利用文獻[4]方法對第8個網絡節點展開有序充電策略后,電壓偏移量為7.95%,且整體電壓偏移量在7.00%左右。由此可知,本文方法的電壓偏移量較小,可以保障電動汽車充電的順暢和安全。

當電動汽車充電時,需要從電網中獲取電能,而電能在傳輸的過程中會有一定的損耗,也就是網損。如果網損率較高,說明電網能量傳輸效率較低,電能的丟失也就比較多,這會影響到電動汽車充電時的供電效率和充電速度。采用本文方法、文獻[3]方法、文獻[4]方法分別對該充電站的電動汽車充電行為展開有序優化,采集該充電站24 h電網系統損耗數據,并分析有序充電策略實施后24 h內的網損率變化情況。具體網損率比較情況如圖6所示。

圖6 網損率對比

觀察圖6可知:本文方法在電動汽車充電過程中的網損率在2%左右;文獻[3]方法在電動汽車充電9 h時,存在3%的網損率;文獻[4]方法在電動汽車充電8 h時,存在3.5%的網損率。本文方法對區域范圍內的電網損耗波動平穩,可以提高電能傳輸效率和穩定性,以確保電動汽車的充電速度和安全性。

4 總結

為降低電動汽車規模性介入對電力系統的損耗,需要對電動汽車的有序充電方法展開研究。本文通過對電動汽車駕駛人員駕駛行為與充電習慣的分析,建立電動汽車充電負荷模型,采用粒子群優化算法和二進制編碼進行有序充電多目標優化,得到了有序充電的最優策略。通過比較可知,采用本文方法對電動汽車進行有序充電多目標優化后,充電樁的負荷在2000～2500 kW區間波動,波動情況趨于平緩,電壓偏移量在3.00%之內,偏移量較小,網損率在2%左右,有效降低了電網的損耗率,保障了電力系統的平穩運行。