孟新元18721502664

江苏安科瑞电器制造有限公司 江苏江阴 214405

摘要:电动汽车以无序充电方式接入配电网时与网内基础用电负荷叠加，会形成峰上加峰的现象，不利于配电网的稳定运行。针对上述问题，首先对私家车充电负荷进行建模，采用蒙特卡罗抽样模拟电动汽车无序行为下的充电负荷曲线。然后提出一种新型的多时段动态充电价格机制，引导车主有序充电，并以配电网负荷波动最小为目标函数，优化电动汽车充电行为。最后在IEEE33节点配电网中，分别分析有序和无序充电负荷并网时电动汽车充电费用、配电网电压偏移率及网损，结果表明所提策略可有效兼顾用户利益和配电网的稳定运行。

关键词：电动汽车；配电网；多时段动态充电价格；安科瑞充电桩收费运营云平台系统

1、前言

伴随我国能源结构的调整，制定以绿色新能源为主体的新型电力系统可为推进国家“双碳”目标的早日实现发挥积极作用，电动汽车的推广和应用在节能减排方面有着无可比拟的优势，推进电动汽车发展是推动我国能源转型发展的重要环节。虽然电动汽车的存在为人们出行带来了巨大的便利，但由于其充电行为具有不确定性，大量无序、随机的负荷直接并网会对配电网造成许多不可预知的负面影响。因此应大力推广对电动汽车的有序充电管理，以兼顾电网安全、经济效益和用户利益。

在解决电动汽车并网时如何管控的问题上，已有学者进行研究。考虑到配电网用电峰谷差较大导致变压器过载和产生大量网内损耗，提出了一种对电动汽车充电功率进行实时优化的策略，算例结果表明该策略可以有效降低网损。针对大规模电动汽车入网现象，根据网内用电负荷状态及电动汽车充电需求等实时数据，利用模糊控制算法对电动汽车的充电行为做有序优化，有效避免了大规模车群入网引起的负荷尖峰问题。将电动汽车的可放最大容量为选定优化目标，通过竞价的方法，引导用户在用电高峰时间段利用电动汽车的V2G技术馈电给电网，以达到“削峰填谷”的效果。基于虚拟电价，考虑以系统负荷峰谷差最小、用户经济性指标最大和的折旧费用最小为目标对电动汽车建模，通过仿真算例证明了该策略提出的有效性。提出了一种基于峰谷分时电价为背景的，考虑电动汽车充放电随机性的有序充放电策略，使得电动汽车在负荷高峰期向网馈电，负荷低谷期充电，平滑了网内用电曲线。以分时电价为背景，构建同时考虑用户用电缴费情况和负荷稳定性的多目标优化调度模型，使电动汽车参与有序充电管理规划。通过算例分析验证了该方法不但可以减小负荷的峰谷差，还能提高用户用电的经济效益。

2、私家车无序模式充电模型

本文从以下4个方面构建电动汽车的充电模型。

a.电动汽车特性

本文选用锂为研究对象。与普通汽车相同，不同类型私家车容量有差异。

x=［20，30］ (1)

fQ (x) ={ 其他

式中：fQ为私家车锂容量的概率密度；x表示该时刻的容量大小，一般取值为20～30kWh。

锂充电变化过程如图1所示。由于充电起始过程和结束过程的时间非常短暂，可以近似地认为锂充电是恒功率充电。

b.车主日行驶里程

本文引用美国交通部汽车日出行数据进行分析

图1锂简化充电过程

电动汽车车主每日用车行驶里程数的概率密度函数为:

fD (z) =exp [－(2)

式中：fD为车主日行驶里程的概率密度函数；μD为期望值；σD为标准差。

c.车主最后归程时刻

假设车主每日结束行程时刻即为电动汽车每日开始充电时刻，最后归程概率密度函数为

exp [－]，μs－12＜w≤24

lexp [－]，0＜w≤μs－12 (3)

fs (w) =〈

式中：fs为车主最后规程的概率密度函数；w为回家时刻；μs为期望值；σs为标准差。

d.车主离家时间

假设车主每日用车期间只可放电不可充电，出行开始时刻的概率密度函数为：

exp [－]，0＜v≤μd + 12

lexp [－]，μe +12＜v≤24 (4)

fe (v) =〈

式中：fe为车主启程离家的概率密度函数；v为离家时刻。

结合用户出行数据及电动汽车充电模型利用蒙特卡洛算法，得到500辆电动汽车的24h无序充电负荷曲线，如图2所示。

图2电动汽车无序充电负荷曲线

3、多时段动态电价下电动汽车有序充电模型

3.1多时段动态电价区间划分

传统的分时电价一旦制定后其区间不再变化，但居民的用电行为会随着季节变化、地域不同和个人舒适度而改变，与原分时电价的价格区间范围有偏差，产生负荷和电价的峰谷不匹配的现象。而电动汽车的充电行为在时间上有很大随机性，导致实时电价的制定考虑因素十分复杂。因此本文根据短期负荷预测为基础提出一种新型的多时段动态电价策略。

目前为止，隶属度函数是对传统用电价格进行划分的最成熟且通用性最广的方法。以表1某地区分时电价为例，首先基于模糊数学的理论，可将每个时间段认为是一个独立的模糊集合，然后利用隶属度函数构建时段内每时刻对应的隶属度，并根据隶属度值将其划分到对应的时间段。再将短期预测的基础负荷划分成多时段，根据每时段对应的负荷值计算相对应的电价。

表1某地区的分时电价

电价的划分跨度ΔL为

ΔL =(5)

Ci = α·ΔL+Cmin (6)

通过以上公式对电价的划分，最后取定结果见图3。可以看出多时段动态电价的制定可随着基础荷值的高低自动调节，使得价格制定更人性化，价格区间划分更细致，对车主充电行为的引导更 精准。

图3电价取定结果

3.2电动汽车有序充电策略

电动汽车聚合商是专门针对电动汽车充电进行 资源整合的参与者，其部署的智能充电桩可提供常规充电模式和充电优化模式。常规充电模式可将电 动汽车的充至期望电量值，而优化模式则需要根据车主个人用电需求输入结束充电时刻及结束时刻的充电期望值。车辆接入后，充电桩将获取该车信息，将输入值及车的剩余电量反馈到系统调度中心，对收集的数据进行在线智能计算，形成电动汽车的充电计划。

3.3目标函数

本文以网内负荷波动最小为目标函数。

minF =(Pi －P) 2 (7)

Pi = Pi，EV+Pi，load (8)

式中：F为目标函数 ；N 为谷时段数目；Pi为第i个时间段配电网内的总负荷大小；P为总负荷的预期均值；Pi，EV为电动汽车并网时第i个时段的充电负荷值；Pi，load为第i个时段配电网的基础负荷值。

3.4约束条件

a.充电桩充电功率Pch约束

Pch，min ≤Pch ≤Pch，max (9)

b.充电时段T约束Ts ≤T≤Te (10)

本文优化中不计损耗，假设容量为恒定值。

S =Pi ·Th (11)

3.5算法求解

传统的遗传算法是一种起源于生物进化规律演 变的寻优算法。从任意初始种群开始，通过选择、交叉、变异等环节，产生一些对环境适应度高的个 体并进入搜索空间中更好的区域，不断繁衍进化，最终得到最大适应度的个体作为最优解输出。但由 于进化过程中交叉概率参数及变异概率参数为定值，忽略了进化过程中种群的自适应特性，存在过早收敛的缺陷。且算法没有保留精英机制，适应度高的个体可能在进化中丢失优秀的基因。为了解决 以上问题，本文采用自适应交叉概率 Kc 和自适应变异概率Km以及精英保留机制进行优化求解。

4、算例仿真与分析

4.1仿真场景设定

本文仿真过程选择在IEEE33节点配电网中进行，其拓扑如图4所示。假设节点1为平衡节点，即电源接入节点，余下32个节点全部为PQ节点。假设整个配电网系统中含基础负荷以及1500辆电动汽车，车群被均匀分配到节点19、23和26中。以私家车比亚迪E1车型作为研究对象，规定每辆 电动汽车的动力规格相同，参数为:220V，16A慢充模式，限制容量为35kWh，3.52kW恒功率充电，充电效率为0.82，转换效率为0.90。

图4IEEE33节点拓扑

4.2对用电负荷的分析

电动汽车以不同方式充电的负荷曲线及配电网总负荷曲线如图5、图6所示。

由图5和图6可知，通过动态价格的引导，电动汽车充电行为趋于有序化，车主对充电时间段的选择逐渐向夜间转移，负荷峰值水平大幅度下降，说明新型电价的提出可以使车主的用电行为不再大面积集中，系统总用电负荷曲线相对变得平缓，有削峰填谷的效果。

图5电动汽车有序/无序充电负荷曲线

图6配电网总负荷曲线

4.3对配电网影响分析

将IEEE33节点配电网模型的节点负荷参数和优化后的有序充电负荷数据导入MATLAB软件语言编程，对比以下3种场景下的配电网电压偏移及网损。

场景1:配电网内未接入电动汽车负荷。场景2:配电网内接入无序充电负荷。

场景3:配电网内接入有序充电负荷。

图7表示部分时段下3种用电方式的网损率。可见18:00—24:00由于无序充电负荷的接入使得网内网损明显升高。09:00—21:00时，对比接入无序充电负荷和有序充电负荷，后者可有效降低配电网网损，尤其在电价高峰时段21:00网损率下降了2.77%，效果最显著。说明多时段分时电价的提出引导车主有序充电对调节配电网网损具有一定效果。

图7部分时段的网损率

由图8可知，场景1配电网未接入充电负荷时的电压偏移都抑制在±7%以内，纵横对比没有发现严重的电压偏移现象，但是节点18和19在20:00—21:00时间段上有局部节点处在越限边界。由图9可知，场景2中配电网内接入无序充电负荷时，节点13－19和28－33在晚间出现电压越限情况，原因是无序充电负荷的高峰期恰巧与网内基础负荷用电的高峰期时段相叠。

图8未接入充电负荷时各节点电压仿真图

图9接入无序充电负荷时各节点电压仿真图

图10表示场景3下配电网内接入有序充电负 荷时各个节点电压的偏移情况。与图9和图10对比可知，有序充电负荷的接入使局部节点越限现象得到缓解，偏移的电压回归到正常标准范围内。说明所提出的新型动态分时电价可以通过对电动汽车进行充电有序化管理来改善配电网电压偏移现象。

由于大量负荷突然接入使各节点电压发生偏移现象，因此对最大负载量时刻(21:00)各节点电 压偏移情况进行对比更有意义，结果如图11所示

图10接入有序充电负荷时各节点电压仿真图

图11不同场景下各节点电压水平曲线

由图11可知，未接入无序负荷时网内各节点 的电压偏移都抑制在±7%范围以内，电压无越限行为。当无序充电负荷并网后，一部分节点电压发生显著偏移，且偏移量均超过规定标准范围。而经过多时段动态电价策略调控的有序充电行为接入配电网后，网内各节点电压值还原到标准范围以内，其中变化最显著的18号节点电压标幺值由0.9467调整到0.9828，电压偏移率修正了3.61%。

5、安科瑞充电桩收费运营云平台系统

5.1概述

AcrelCloud-9000安科瑞充电桩收费运营云平台系统通过物联网技术对接入系统的汽车充电站、电动自行车充电站以及各个充电桩进行不间断地数据采集和监控，实时监控充电桩运行状态，进行充电服务、支付管理，交易结算，资源管理、电能管理、明细查询等，同时对充电机过温保护、漏电、充电机输入/输出过压、欠压、绝缘低各类故障进行预警；充电桩支持以太网、4G或WIFI等方式接入互联网，用户通过微信、支付宝、云闪付扫码充电。

5.2应用场合

适用于住宅小区等物业环境、各类企事业单位、医院、景区、学校、园区等公建、公共停车场、公路充电站、公交枢纽、购物中心、商业综合体、商业广场、地下停车场、高速服务区、公寓写字楼等场合。

5.3系统结构

现场设备层：连接于网络中的各类传感器，包括多功能电力仪表、汽车充电桩、电瓶车充电桩、电能质量分析仪表、电气火灾探测器、限流式保护器、烟雾传感器、测温装置、智能插座、摄像头等。

网络通讯层：包含现场智能网关、网络交换机等设备。智能网关主动采集现场设备层设备的数据，并可进行规约转换，数据存储，并通过网络把数据上传至搭建好的数据库服务器，智能网关可在网络故障时将数据存储在本地，待网络恢复时从中断的位置继续上传数据，保证服务器端数据不丢失。

平台管理层：包含应用服务器和数据服务器，完成对现场所有智能设备的数据交换，可在PC端或移动端实现实时监测充电站配电系统运行状态、充电桩的工作状态、充电过程及人员行为，并完成微信、支付宝在线支付等应用。

5.4平台功能描述

5.4.1充电服务

充电设施搜索，充电设施查看，地图寻址，在线自助支付充电，充电结算，导航等。

5.4.2首页总览

总览当日、当月开户数、充值金额、充电金额、充电度数、充电次数、充电时长，累计的开户数、充值金额、充电金额、充电度数、充电次数、充电时长，以及相应的环比增长和同比增长以及桩、站分布地图导航、本月充电统计。

5.4.3交易结算

充电价格策略管理，预收费管理，账单管理，营收和财务相关报表。

5.4.4故障管理

故障管理故障记录查询、故障处理、故障确认、故障分析等管理项，为用户管理故障和查询提供方便。

5.4.5统计分析

统计分析支持运营趋势分析、收益统计，方便用户以曲线、能耗分析等分析工具，浏览桩的充电运营态势。

5.4.6运营报告

按用户指定周期分析汽车、电瓶车充电站、桩运行、交易、充值、充电及报警、故障情况，形成分析报告。

5.4.7APP、小程序移动端支持

通过模糊搜索和地图搜索的功能，可查询可用的电桩和电站等详细信息。扫码充电，在线支付:扫描充电桩二维码，完成支付，微信支付完成后，即可进行充电。

5.4.8资源管理

充电站档案管理，充电桩档案管理，用户档案管理，充电桩运行监测，充电桩异常交易监测。

5.5系统硬件配置

6、结语

本文基于分时电价与短期负荷预测提出了一种新型多时段动态充电价格机制，引导车主规划用车安排，使充电行为由无序变为有序。建立以配电网内负荷波动最小为目标函数，利用MATLAB软件进行算法编程，结果表明所提出的多时段动态电价策略可减小网内的负荷波动，有明显的削峰填谷作用，为车主减少21.17%的充电成本。此外还有效降低了21:00用电高峰期2.77%的网损率并修正18号节点3.61%的电压偏移率，实现了保证车主充电利益与提高配电网运行安全的并存。