摘要：分析電動汽車充電對電網產生的影響,主要研究電動汽車對電網負荷平衡的影響。對電動汽車充電負荷建模，分析其用戶出行等的時間概率分布，通過蒙特卡羅模擬法對電動汽車充電負荷需求進行計算，研究3 000輛電動汽車全天的充電需求時間分布。建立含光伏發電系統的區域供電系統優化模型，同時以動態電價為激勵引導電動汽車進行有序充電，以參與電網輔助服務。以聯絡線交換功率波動乘積較小和充電成本較低為目標，并以其加權后的函數作為目標函數，結合4個約束條件，通過遺傳算法求解模型，得到符合目標函數的較優充電方案。較終通過算例驗證該模型能夠實現平移負荷、削峰填谷的作用。
關鍵詞：負荷平衡；蒙特卡羅模擬法；動態電價；有序充電；削峰填谷；
0引言
由于二氧化碳排放增加和環境污染等問題，以及原油價格和其他燃料資源的不穩定性，電動汽車自21世紀以來已經逐漸進入人們的生活，電動汽車的普及也對電力系統產生了巨大的沖擊。文獻［1］—文獻［2］分析了我國電動汽車的發展現狀及未來趨勢，根據實際情況，指明該過程中面臨的問題。文獻［3］提出基于隨機森林的充電行為聚類技術，分析電動汽車充電行為特性，結果表明該方法較歐氏距離法更準確。文獻［4］提出基于主動配電網的源網荷優化調度方法，可減少電動汽車接入電網產生的波動，具有重要的指導意義。文獻［5］通過采集居民電動汽車接入電網的充電數據，研究其充電特性，結果表明充電負荷的聚集會使總負荷曲線惡化。文獻［6］為確定電氣設備的空間分布及選型，基于對電動汽車充電負荷和分布式能源出力特性的分析，建立對應的空間負荷預測模型，并通過算例分析證明其可行性。文獻［7］結合全球定位系統，建立了電動汽車快速預約充電模型，通過Dijkstra算法求解模型，通過算例證明該模型的有效性。文獻［8］提出一種混合儲能虛擬電廠參與電力市場的優化調度策略，包含了電動汽車充電的不確定性參數，通過算例證明該策略的可行性，為虛擬電廠參與電力市場調度奠定了基礎。基于上述背景，本文以區域內私人電動汽車為主體，通過對電動汽車用戶出行規律進行歸納總結，對出行、返回、日行駛里程及電池剩余荷電量（state of charge，SOC）概率分布特征進行擬合，對比工作日、休息日私人電動汽車的充電行為，并以工作日的充電行為作為輸入，基于蒙特卡羅模擬法對私人電動汽車的充電負荷進行仿真預測。進而考慮配電網和電動汽車用戶的利益以及光伏消納情況，建立計及光伏發電系統的區域供電系統優化模型，根據全天日照強度較大化吸收光伏輸出，改善綜合負荷曲線，同時以動態電價為激勵引導電動汽車進行有序充電。以聯絡線交換功率波動乘積較小和充電成本較低為目標函數，結合4個約束條件，通過遺傳算法求解模型，得到符合目標函數的較優充電方案。通過算例驗證該模型能夠實現平移負荷、削峰填谷。
1電動汽車對配電網的影響
我國電動汽車的普及給電力系統帶來了不穩定性和不確定性，電動汽車聚集性地接入電網充電，將對電力系統產生巨大的沖擊，增加其運行控制難度。其主要影響包括：
（1）電能質量電動汽車接入充電樁進行充電時相當于大功率、非線性負荷，在其充電過程中電網需要提供穩定可靠的大電流進行供電，同時對電力電子設備產生很高的諧波電流和沖擊電壓，若不采取相應的措施，可能會帶來諧波污染、功率因數降低以及系統電壓波動方面的影響。
（2）電網運行控制難度
聚集性地充電會給電網帶來巨大的沖擊，而且電動汽車用戶出行方式、充電特性、充電時長都具有隨機性，會給充電負荷帶來不確定性，影響電網運行控制。大多用戶出行的較終目的地都是高度隨機的，所以其行駛里程也是隨機的。每一輛電動汽車的充電模式不一定相同，加入外界影響因素，其充電曲線是不同的，所以其充電特性具有隨機性。充電時間取決于駕駛習慣，用戶在充電時往往表現出隨機行為，應由在這些實體內優化和安排充電時間的
集中代理進一步控制。
（3）負荷不平衡2020—2030年，在無序充電情形下，電網公司經營區域峰值負荷預計增加1 361萬kW和1.53億kW，相當于當年區域峰值負荷的1.6%和13.1%，導致區域負荷的不平衡。電動汽車集中在某些時段進行充電，或電動汽車充電行為在平時段的疊加，將進一步變大電網負荷峰谷差，加重電網側的負擔。如果將多輛電動汽車接入一個接近其極限的充電網絡，附近變壓器上的額外負載可能會導致其故障。從不同類型充電基礎設施的用電特性來看，公共充電設施的用電行為較為分散，沒有明顯的峰谷差別，而專用設施的用電行為相對集中，峰谷差別更為明顯。綜合來看，在無序充電前提下，充電基礎設施負荷較大的時刻應為傍晚大量私家車主回到居住地，開始使用私人充電樁為私家車充電的時刻。本文對電動汽車接入電網時的負荷平衡進行研究，通過電價激勵引導電動汽車用戶進行有序充電，以達到平移負荷、削峰填谷的效果。
2 電動汽車充電負荷建模
本文基于對NHTS數據庫2019年基礎數據的分析，篩選出10萬輛私人電動汽車接入充電樁時的充電數據及充電行為等因素，為構建電動汽車有序充電行為提供數據基礎。
2.1 時間變量概率分布擬合
私人電動汽車用戶出行概率主要受日常生活習慣和生活規律影響，首先需要得到初始出發時間的分布。出發時間分布可用正態分布的形式進行擬合，其時間概率分布如圖1所示。用戶日出行概率密度函數為：
( 1 )式中：x1 為電動汽車用戶較后出行時間；μ1 為期望值，取7.42；σ1 為標準差，取3.54。
用戶返回時刻概率密度函數為：
( 2 )式中：x2 為電動汽車用戶返回時刻；μ2 為期望值，取16.92；σ2 為標準差，取3.43。其時間概率分布如圖2所示。
根據出行習慣及規律分析，大部分用戶駕駛的較終目的地都是高度隨機的，但在任何一天的平均行駛里程都約為38 km/d。電動汽車用戶日行駛里程服從對數正態分布，其概率分布如圖3所示，概率密度函數為:
( 3 )式中：x3 為電動汽車平均日行駛里程；μ3 為期望值，取2.92；σ3 為標準差，取0.93。
對電動汽車電池 SOC 、日均行駛距離以及充電規律、充電時間等因素進行統計［9］電動汽車返回時剩余 SOC 也可用正態分布的形式進行擬合，其電動汽車剩余 SOC 的概率分布如圖4所示，概率密度函數為態分布，其概率分布如圖3所示，概率密度函數為:
( 4 )式中：x4 為電動汽車返回時的剩余 SOC ；μ4 為期望值，取51.3；σ4 為標準差，取14.7。
私人電動汽車工作日主要用于上下班，到達公司后基本屬于閑置狀態，也可進行充電，而休息日私人電動汽車大多外出娛樂，時間分布與工作日有所區別，圖5為工作日與休息日私人電動車充電時間分布。
由圖5可知私人電動汽車在工作日上午到達公司后即可進行充電，晚上下班后為充電高峰期，且晚上充電的頻率高于上午；在14:00—16:00，休息日充電頻率高于工作日，但晚高峰時，其充電頻率低于工作日。后續將重點研究工作日私人電動汽車的充電行為。
2.2基于蒙特卡羅模擬法的充電負荷計算
2.2.1 充電負荷模型建立
由蒙特卡羅模擬法設置基礎參數，如模擬次數、電動汽車數量、快充慢充比例等。由式（4）生成初始 SOC 。由于汽車充電行為具有隨機性，所以按圖5生成電動汽車開始充電時刻。使用蒙特卡羅模擬法對電動汽車充電負荷曲線進行模擬，由上述得到的電動汽車充電起始時間及初始SOC ，對單輛電動汽車充電負荷進行模擬，隨后將所有電動汽車的充電負荷累加，可以得到完整的區域電動汽車總充電負荷曲線。區域內電動汽車總充電功率為:
( 5 )式中：M 為全天總時長，取為1 440 min；N 為電動汽車總數，設為3 000輛，作為初始數據輸入蒙特卡羅模擬法進行仿真；Pi, j 為第 j 輛電動汽車在i時刻的充電功率。
2.2.2 地區基本負荷保持一定
有序充電是一種調度手段，通過這種手段可以使電動汽車避免在高峰期給電網帶來的峰上加峰現象，同時也避免大部分用戶避開高峰期進行充電而出現的第二高峰期，但應保持原負荷不變，即不影響用戶生活及正常行動之外進行合理“減負"。
2.2.3電動汽車充電負荷計算
假設電動汽車充電過程不被干預且直至 SOC充滿，即充電時長不受限制，抽取初始電動汽車SOC 、日行駛里程以及開始充電時刻，在滿足充滿電所需時長的約束下，計算一天中各個時段電動汽車的充電功率。在這個過程中，將電動汽車分為快速充電和常規慢充，分別計算每個時刻的負荷，較后進行累加，其流程圖如圖6所示。
使用蒙特卡羅模擬法計算一天 24 h 內每個時間點電動汽車負荷的充電需求概率，并在 1 500 次操作后重復平均值，以獲得區域總電動汽車負荷需求的預期曲線。曲線如圖7所示。設置電動汽車數量為3 000輛，且采用一天一充模式，充電過程為快速充電模式的功率為24 kW，常規慢充模式的功率為12 kW，各占50%。其結果如圖7所示。
由圖7可知，電動汽車充電存在兩個峰值時刻，大規模電動汽車接入電網會帶來電網頻率波動以及電能質量不穩定等問題，后續通過電價激勵政策與光伏發電系統的接入緩解電網側的壓力。
3 電動汽車參與電網削峰填谷服務
3.1區域供電系統優化模型
變電站供電區域包含光伏發電系統，同時也包含一定量的電動汽車充電負荷，變電站供電區域的負荷情況如圖8所示，供電區域包括光伏發電系統，區域常規負荷和電動汽車快速充電負荷，當電動汽車快速充電時，通過充電樁連接到電網，等效連接到變電站的交流母線。本文將光伏發電系統納入變電站供電區域時，采用相應的電價激勵策略對電動汽車用戶進行引導，使得電動汽車參與有序充電以消納光伏發電系統的輸出功率，同時縮小區域負荷峰
谷差。區域負載能量控制框架如圖9所示。
通過對控制框圖的分析，將區域負荷分為調節負荷和非調節負荷兩大類，光伏發電系統和區域常規負荷均為非調節負荷。光伏發電系統的不可調節性指其輸出功率受溫度、光強等因素的影響，控制系統無法調節其輸出功率。區域常規負荷主要指除變電站供電區域的電動汽車負荷外的居民負荷，相當于交流母線，根據其生活規律以及需求進行用電。
快速充電的電動汽車是一種可調負荷，充電站根據全天不同時刻配電網節點的電價調整來影響電動汽車用戶的充電選擇；電動汽車的充電功率與光伏發電系統和區域常規負荷相匹配，以吸收分布式光伏發電系統輸出的功率。分布式光伏和電動汽車的接入在一定程度上改變了配電網的負荷特性曲線。分布式電源的輸出受自然環境的影響，存在很大的不確定性。因此，本文構建了一種電動汽車與配電網交互優化模型，即配電網利用電動汽車充電負荷的可轉移特性就地吸收光伏輸出，改善綜合負荷曲線；同時，電動汽車用戶根據調整后的電價選擇較優充電時間，降低自身充電成本。利用電動汽車“用電時間有彈性、用電行為可引導、用電規律可預測的特點，將其納入電網優化控制，可有效增加資源條件，推動電動汽車參與電網削峰填谷輔助服務，實現配電網與電動汽車的雙贏。
3.2 目標函數
配電網作為主體，設置動態節點價格，充電站將節點價格作為充電價格傳遞給用戶。根據光伏發電系統和區域常規負荷的時間分布特點，制定了較優的電動汽車充電負荷時間轉移策略，以達到吸收光伏輸出的目的。節點價格作為一種調節手段，用以減少變電站交流母線的總波動。為了改善區域負荷曲線，以變電站交流母線功率波動乘積 ΔP 較小為目標函數進行優化，目標函數可表示為:
(6)(7)(8)(9)式中：PG 為區域變電站交流母線功率；fG(t) 為區域變電站后一段時間 t + 1 與當前時段 t 的交流母線功率之差；GPV(t) 為變電站所在區域在時段 t 之前的功率峰谷差；k 為一天的時間段數，k =24；Pch(t)為充電站 t 時段的快速充電負荷；Pload(t)為充電站在所屬變電站供電區域 t 時段的常規負荷；PPV(t)為充電站在所屬變電站供電區域 t時段的分布式光伏輸出。光伏板在時間 t 發出的功率 PPV(t) 與當前溫度和光強有關。電流輸出功率系數 FT 可以通過溫度和相應的輸出功率系數圖 FT -T 以及電流溫度 T 獲得。功率計算公式為:
（10）式中：當光照強度為1 kW/m2時，Pmpp 為光伏陣列在一定溫度下的輸出功率參考值；FT 為輸出功率系數；Irr 為當前時刻的光照強度。光伏發電系統通過逆變器將直流電轉換為交流電，并連接至負荷。當光伏板發出的功率 PPV 小于截止功率時，逆變器停止工作；當光伏板發出的功率 PPV 大于啟動功率時，逆變器工作。考慮到逆變器損耗，設置效率系數，光伏板發出的功率 PPV 乘以其相應的效率系數 EFF ，以獲得整個光伏系統的有功功率 PPV(t) ，可表示為:
PPV(t)= PPV·EFF
（11）式中,光伏板輸出功率對應的效率系數可從 PPV - EFF曲線中獲得。
(12)式中：b 為光伏出力不平衡系數；PG 為區域變電站交流母線功率；Pch 為充電站的快速充電負荷；Pload為充電站在所屬變電站供電區域的常規負荷。
規定充電站配電網節點的電價為充電電價，區域內有充電需求的車輛數為n ，充電站可接受的車輛數為N,為使電動汽車充電負荷盡可能跟隨光伏輸出，動態電價更新策略為:
(13)式中：λt + 1 為充電站在 t + 1時間段的電價；a 為電價系數；λt 為充電站在 t 時間段的電價。可以看出，充電電價主要隨著有充電需求的電動汽車數量 n 和光伏出力不平衡系數 b 的大小而改變，而 b 主要與光伏出力 PPV 、充電負荷 Pch 的大小有關。
以充電成本較低為目標，目標函數為:
(14)式中：C 為電動汽車充電成本；SOC2 為電動汽車充電結束時的荷電量；SOC1為電動汽車開始充電時的荷電量；Ba 為動力電池總容量；η 為充電效率，設為0.9。
3.2.2 有序充電目標函數
將上述 F1 和 F2 通過加權后得到一個有序充電的目標函數:
(15)式中：w1 和 w2 分別為兩個目標函數的權重，據實際情況而定，且 w1 + w2 = 1。
3.3 約束條件
（1）電動汽車 SOC 約束：電動汽車在 t 時間段的SOC滿足:
(16)式中：SOCi(t) 為第 i 輛電動汽車在 t 時刻的電池剩余容量；SOCmin,i 、SOCmax,i 分別為第 i 輛電動汽車在 t時刻的電池剩余容量上下限。
（2）電價約束：合理的電價調整有利于調動電動汽車車主響應需求的積極性。根據相關政策規定，電價約束為本文提出一種動態分時電價策略，光伏一天的出力大小有波動，通過光伏出力不平衡系數 b 來引導電價，即當某時刻光伏出力大于或小于充電負荷和常規負荷之和時，適當降低或提高電動汽車充電電價以引導電動汽車用戶的充電行為，從而達到削峰填谷的目的。光伏出力不平衡系數為:λt ≤ λt,max
(17)式中：λt,max 為充電站在 t 時間段內的較高電價。
（3）充電站容量限制：充電站可提供的較大充電功率不得大于充電樁的較大輸出功率之和，即:
式中：Nui 為充電站內充電樁的數量；Pch,max 為充電站內每個充電樁的較大輸出功率。
（4）光伏消納約束：在 t 時刻，充電站常規負荷和充電負荷與光伏輸出的比值應高于規定的較小光伏消耗限制 θPV(t) ，即:
(19)式中：θPV(t) 為 t 時刻較低光伏消納率。
3.4 求解模型
本文采用遺傳算法求解電動汽車與配電網交互優化模型。遺傳算法是一種自適應全局優化搜索算法，通過自適應、交叉、變異等方法，實現適應度的提高，將其應用于求解模型，從而得到較優解。其流程圖如圖10所示。
步驟 1：采集負荷功率曲線數據和光伏輸出曲線數據，獲取每一時刻電動汽車充電需求數據，包括其相應的 SOC 及未來出行安排。步驟2：光伏發電系統出力時將充電站的充電功率較大化，并計算充電站可接受的較佳電動汽車數量。步驟3：根據動態電價模型計算更新后的電價，計算充電成本，判斷 F2 是否較低。步驟 4：獲取滿足約束條件的使得充電站交流母線功率波動乘積 ΔP 較小的充電方案，同時得到充電成本較低的電動汽車充電方案。步驟5：確定電動汽車用戶是否選取該方案，如果選取，則輸出決策結果；如果不選取，則判斷是否達到較大迭代次數，重復步驟4。
4 算例分析
某區域分布式光伏發電系統采用較大輸出策略，光伏容量為7 MW，實際輸出較大功率為5.6 MW。光強數據如表1所示，假設全天中7:00—18:00有陽光，其余時刻光照強度為0，全天光照強度分布如圖11所示。電動汽車充電初始SOC為0.51，初始種群規模為3 000輛電動汽車，電動汽車充電樁快充的輸出功率為24 kW，常規慢充輸出功率為12 kW，充電效率為90%，區域常規負荷的時間序列曲線如圖12所示，電動汽車全天負荷的時間序列曲線如圖7所示。
同時在保證不影響出行的前提下使車主在充電費用上的支出有所減少，達到一個整體較優的狀態。優化后有序充電場景下，電網閑時充電擬采用分時電價措施，其較優充電價格如圖13所示。
當電動汽車無序充電時，用戶上午出行至公司后大多數電動汽車用戶有充電行為。傍晚開始充電的電動汽車在下半夜充滿，此時電網基本處于閑置狀態。大量用戶會聚集在傍晚時對電動汽車進行充電，集聚充電的現象對電網以及變壓器產生影響，圖14為區域常規負荷與電動汽車充電負荷的總負荷曲線，優化前的負荷峰谷差明顯。在電動汽車并網前，充電站的功率曲線會因接入光伏輸出而產生較大的峰谷差，不利于電網的可靠運行。在電動汽車有序充電策略的控制下，通過優化過程獲得電動汽車的接入較優數量后，光伏系統輸出能夠被較有效地吸收，交流母線功率曲線平滑，實現了負荷的削峰填谷功能。
5 安科瑞充電樁收費運營云平臺
5.1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。
5.2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。
5.3系統結構
5.3.1系統分為四層：
1）即數據采集層、網絡傳輸層、數據中心層和客戶端層。
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）數據中心層：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。
5.4安科瑞充電樁云平臺系統功能
5.4.1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。
5.4.2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。
5.4.3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。
5.4.4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。
5.4.5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。
5.4.6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。
5.4.7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
5.4.8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。
5.5系統硬件配置
6結語
電動汽車負荷對于電網是優質可調負荷，以可控負荷的形式參與電網調控，可發揮其削峰填谷的作用，改善電網性能。本文利用價格響應機制，將電動汽車組建成需求響應架構下的大型分布式儲能系統，同時結合光伏發電系統較大化吸收光伏輸出，就地消納光伏，降低用戶充電成本，緩解電網壓力，實現輔助電網峰谷調節功能。未來對電動汽車如何實現參與電網調頻，作為儲能系統向電網優化放電等問題，將展開進一步研究。
參考文獻
［1］ 倪凱旋. 基于分布式博弈的電動汽車充電站較優調度方法［J］.供用電
［2］ 尹紅. 我國新能源汽車產業發展的現狀、問題和趨勢［J］.中國價格監管與反壟斷.
［3］ 劉亞麗，李國棟，劉云，等. 基于隨機森林的電動汽車充電行為聚類技術研究［J］. ［4］ 諸曉駿，陳曦，李妍，等. 考慮電動汽車接入的主動配電網優化調度［J］. 電力工程技術，2021，40（3）.
［5］ 張明霞，莊童. 小區電動汽車充電負荷實測分析［J］.電力需求側管理.
［6］ 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］
［7］ 戴依諾，戴忠. 電動汽車預約充電策略研究［J］. 電力需求側管理，2016，18（1）：［8］ 王金明，張衛國，朱慶，等. 含風電及電動汽車虛擬電廠參與電力市場的優化調度策略［J］. 電力需求側管理，2020.
［9］ 劉晉源，呂林，高紅均，等. 計及分布式電源和電動汽車特性的主動配電網規劃［J］.
［10］ 秦建華，潘崇超，張璇，等. 基于充電行為分析的電動汽車充電負荷預測［J/OL］. 電測與儀表［2021-10-20］
［11］ 陳黎軍，宋遠軍，王 坤，汪映輝.考慮參與電網輔助服務的電動汽車有序充電研究
［12］ 安科瑞企業微電網設計與應用手冊.2022.05版.
更新時間：2023-04-26 
瀏覽次數：971
您的位置：
