電動汽車電池更換站集群充電控制策略研究

張齊東 黃學良 陳 中 陳立興 徐云鵬

電動汽車電池更換站集群充電控制策略研究

張齊東 黃學良 陳 中 陳立興 徐云鵬

（東南大學電氣工程學院 南京 210096）

本文基于規模化電動汽車充放電負荷模型，建立考慮車主互動意愿的電價模型，通過電價對車主的換電池行為進行有序引導，從而實現電網的調峰策略。采用遺傳算法對適用于電動汽車的最優日前實時電價進行求解。最后建立電動汽車電池更換站內集群充電的控制模型，以電池更換站的運行經濟性與站內充放電機狀態切換次數最優為目標，采用智能算法對集群調度模型進行求解，實現在滿足用戶換電池需求基礎之上的換電站最優化運行。

電動汽車 智能電網 換電站 有序充電 調度策略

1 引言

根據國務院通過的《節能與新能源汽車產業發展規劃（2012—2020年）》統計，到2015年，我國純電動汽車和插電式混合動力汽車累計產銷量達到50萬輛，到2020年將會超過500萬輛，專家預計2030年將會超過3000萬輛。據統計2013年全國純電動汽車保有量為38.16萬輛。據派克研究所的一份最新報告顯示，中國電動汽車每年的復合增長率則預計會超過40%，由這一預測可知，到2020年我國純電動汽車保有量將達到402.25萬輛，到2030年將達到1372.11萬輛。電動汽車規模化發展是必然趨勢。

規模化電動汽車的接入對電網的安全運行將是一個巨大挑戰,為此國內外眾多學者研究了電動汽車接入電網后對配網的影響[1-3]，包括電動汽車充電負荷的分布與預測[4-6]以及電動汽車充電調度的實現方法[7,8]。在電動汽車充電站內運行策略的優化方面，文獻[9]研究了換電模式下不同時段的充電需求，得到了應該儲備的電池組數量；文獻[10]研究了基于動態電價的充電決定策略，并建立了購買電池原始投資和后期運營成本的經濟數學模型；文獻[11]測試和分析了充電站的不同運營模式；文獻[12]以降低網損為目標，對電動乘用車的有序充電進行了研究。現有研究多以快速充電或者慢速充電這類單一充電方式為研究對象，且在優化過程中并未考慮電池自身的壽命折損因素。本文重點基于電動汽車的換電池模式在互動方面的優勢性，在電網采取實時電價的條件下，對站內電池組的充放電控制策略進行了仿真，以電池更換站收益最大與站以及站內充電樁與電池健康度最大為目標進行了優化設計，即保證了運營經濟性，又最大程度的降低了反復充放電過程給電池帶來的損傷。

2 基于電網調峰策略的實時電價模型

2.1電池更換站網絡實時電價計算模型

電動汽車作為一個能量存儲庫，V2G技術可以實現電動汽車和電網的能量雙向流動[13,14]，其充電行為還可以通過制定峰谷電價或者實時電價等手段進行控制，受到了廣泛的關注和研究[15]。實時電價即實時定價。在用電高峰時段，將電價調高，而在用電低谷階段，將電價降低，從而使電動汽車用戶有選擇地避開用電高峰時期，實現電網峰谷調節的需求。

研究表明，除了公交車等特殊車輛，一天中超過90%的時間里汽車會處于停駛狀態[16]。理論上認為所有停駛的電動汽車均可以參與V2G。

圖1 電動汽車互動概率Fig.1 Interaction probability of electrical vehicles

但是，并不是所有停駛電動汽車的車主都愿意參與V2G，因此還需要考慮車主的互動意愿，則在時段t可以調度的電動汽車數量Ndis(t)為:

其中，式中，N為區域電網中電動汽車的數量；Gpark(t)為電動汽車的停駛概率；β為互動意愿率，即愿意參與V2G的車主占所有車主的比例。

電動汽車互動概率Gact(t)隨時間的變化情況如圖1所示。

2.2日前電價求解

所建立的電價模型旨在調度愿意互動的電動汽車，一方面滿足車主的充電要求，另一方面實現削峰填谷，優化電網運行。

（1）目標函數

優化目標為電網等效負荷方差最小為:

其中，

式中，t∈1，2，…，T；T為研究周期內的小時數，本文中取24，即研究日實時電價；L(t)為時段t的常規負荷值；PC(t)為時段t愿意參與V2G的電動汽車充電功率；PNC(t)為時段t不愿意參與V2G的電動汽車充電功率。

（2）約束條件

約束條件應包括確保所有愿意參與V2G的電動汽車在一個調度周期內總的充電功率保持不變，即充電量等于用電量，以及對充電功率的約束，表示如下:

式中，Pi(t)為第i輛電動汽車在時段t的充電功率，Pi(t)＞0表示充電，Pi(t)＜0表示放電。

一般情況下，在用電高峰時段，將電價調高，鼓勵用戶放電；而在用電低谷階段，將電價降低，鼓勵用戶充電，從而可以達到以電價引導電動汽車充放電來實現移峰填谷的目的。對于由電價升降所引發用電量的變化即彈性系數ε，其計算公式如下所示[17]:

式中，qt1和qt2分別表示時段t的參考電價和當前電價；pt1和pt2分別表示時段t的參考負荷值和當前負荷值。

2.3 當日電價求解

本文考慮在某一個時間窗口內，通過優化電動汽車的充電功率來補償日前預測值與時前預測值之差，使預測誤差與電動汽車充電功率變化量之和的絕對值最小，并且使該時間窗口內電動汽車總的充電功率保持不變。

（1）目標函數為:其中，

式中，M為時間窗口的時段數；PC,2(k)為第二次優化中，時段k愿意參與互動調度的電動汽車的充電功率；PW,h(k)為時段k風電功率的時前預測值。

（2）約束條件

約束條件與計算日前電價時的約束條件相同為:

式中，t可在M，M+1，…，T中取值。

3 電動汽車電池更換站內集群充電控制策略

換電池為電動汽車能量補充的重要方式，能夠縮短用戶的等待時間，且換下的電池由電池更換站統一進行充電，方便調度管理，將成為未來電動汽車能量補給的重要方式之一。本文以選取優化最小時間單位為半小時，優化時段為24h，根據次日的進站流量密度曲線對電池更換需求進行預測，對次日的電池更換站充換電流程進行優化。認為用戶換給充電站的電池均已使用至電量閥值（剩余20%）。按照電池的健康程度，將站內的電池按一定比例分為A、B、C三組，針對不同的健康程度設定不同的使用方案。在此之外需要額外考慮一部分的備用電池，這部分備用不參與放電收益，僅作為換電備用使用。

3.1目標函數

A．電池更換站全天運行收益最大

以電池更換站向用戶提供電池更換服務的收益與向電網饋電所得的收益總和最大為目標，目標函數為:

式中Pdisj、Pcj分別為j時段電池更換站內的饋電總功率和充電總功率；pdisj、pcj分別為j時段電池更換站向電網饋電的電價和從電網買電的電價，p0為電池更換站換給用戶一塊電池所收取的費用，為固定常數；Nchangej為j時段換給用戶的電池數目；△T為單位優化時段。

B．電池更換站內充放電機及電池健康度最優

以電池更換站內充放電機在一天之內狀態切換次數總和最小為目標，目標函數為:式中nswitch為站內所有電池組1d之內狀態切換總次數；充放電機狀態切換次數是由變量矩陣統計所得。

3.2約束條件

A．站內電池總數的約束

電池更換站內可供使用的各組別電池數量應小于等于各組別已充滿電池的數量與備用電池數之和；且A、B、C三組電池在各個狀態下的數量綜合應等于該站擁有的電池數。

式中，NAj、 NBj、 NCj分別為從初始時刻到j時刻這段時間內，A、B、C三組電池中處于已充好狀態的電池數量。

NAchargej、 NBchargej、 NCchargej分別為當前j時段A、B、C三組電池中已充好的電池數量。

NAchangej、 NBchangej分別為當前j時段A、B兩組電池中可以提供給換給用戶更換的數目，由于C組電池不參與電池更換，因此不存在 NCchangej。

NAdischargej、 NCdischargej分別為當前j時段A、C兩組電池中處于放電狀態的電池數量，由于B組電池不參與并網放電，因此不存在 NBdischargej。

B．充放電機數目約束

當前j時段所有處于充電、放電狀態的電池總數應不超過站內充電機數量M，約束條件表達式為:

C．用戶需求約束

站內可用于用戶更換的電池數量滿足當前車輛換電量，并保證20%的裕度。

D．連續充電約束

設定電池完成一次充電行為需要的時間為Δt，電池接入某一充放電機時，該充放電機的持續工作時間應為Δt的整數倍，即保證充放電機工作狀態的連續性，避免出現頻繁的充放電狀態切換。

3.3變量設置

在每日24點之前，對電池更換站內的信息進行統計，以進行下一次日前計劃的制定。包括站內所有充電機的工作狀態、站內所有充電機的故障情況、站內所剩電池的信息。

每個充電機存在3種狀態:充電、放電、和停運，對應實數[1，-1，0]。認為電機的充放電過程均為恒功率，效率均為90%。采取快充模式進行充電。設站內的充電機總數為M，對應于電池組的分類，同樣也將充電機按電池組比例分為A、B、C三組，A組充電機僅對A組電池進行充放電操作，B、C組同理。那么變量矩陣表示為:

3.4優化算法

自適應改進行為人工魚群算法的自適應性，體現在算法尋優程序在執行過程中重要參數的自動修正上[18]。改進方式如下:在算法的初始階段，每條人工魚在較大的可視域visual內以較大的移動步長step尋找較優解，從而擴大了算法的搜索范圍。隨著算法的迭代，自適應地減小可視域visual和移動步長step，從而自動的加快算法的收斂速度和有效地提高算法的求解精度。具體實現方式見式(14):

式中，visualmin為可視域最小值，取0.001；stepmin為移動步長最小值，取0.0002；Tmax為最大迭代次數；step為移動步長step = 0.125visual；α為衰減因子；t為當前迭代次數；s取值范圍為[1 ,30]。Visual為可視域，其初值可以取搜索范圍的最大值的1/4左右。式(14)對可視域visual 和步長 step 進行了改進；這種對參數進行自動修正的功能正解決了基本人工魚群算法求解精度不高的問題。

電池更換站的充電策略優化屬于帶約束的優化問題，自適應改進行為人工魚群算法直接可以用于無約束的優化問題中，而不可以直接用于帶約束的優化問題中。懲罰函數法是一種可以把約束優化問題轉化為一系列無約束優化問題來進行處理的方法[19]。如給定一帶約束式子:

式中，f(X)為目標函數；Blame(X)為懲罰函數，將約束的條件表示成函數的形式；

根據懲罰函數法的性質，不難得到，對于求解最小值的目標函數f(X)來說，滿足約束條件的X，均可以使Blame(X)的值為零。因此求解式(16)就相當于求解式(15)。

3.5仿真過程

電動汽車電池更換站內集群優化充電過程如圖所示。

將帶約束式子(4)轉寫成罰函數的形式:

圖2 電池更換站內最優充電策略求解電流程圖Fig.2 The flow chart for solving the replacement battery charging station optimal strategies

首先將電動汽車用戶通過互動意愿概率分為兩類，以電網等效負荷方差最小為目標，通過彈性系數矩陣得到日前電價qt,d；其次通過優化電動汽車的充電功率來補償日前預測值與時前預測值之差，得到當日電價qt,h；然后結合進站流量的預測，以收益最大和健康度最優分別對站內A、B、C三組充電機的換電過程利用人工魚群算法進行優化，直至滿足終止條件輸出最優結果。

4 算例分析

根據實時電價與車輛流量的日前預測值，結合歷史數據，通過模擬仿真計算，得到次日的的日前充電計劃的充電機狀態矩陣。輸入信息如圖3與圖4所示。完成全天24h的換電工作模擬后，可以對電池更換站的收益進行統計分析。

圖3 充電價格預測曲線Fig.3 Price forecasting curve of batteries’ charging

圖4 未來24小時電池更換需求量預測曲線Fig.4 The battery replacement demand predict curve in the next 24 hours

對于電池更換站的換電池收費與饋電電價的計算思路如下:

電池更換站年收益率為:式中，Dydi為電池更換站每天換電服務的所有電動汽車充電量；ηY為電池更換站充電損耗率；CY為電池更換站銷售電價；CYY為電池更換站每年運營折算成本；CYM為電池更換站向電網購電電價，即充電成本價；EY為電池更換站建設成本；F為電池更換站每年租賃電池成本。

換一塊電池的價格為CY*Q*0.8，其中Q為單塊電池的容量；放電價格高于換電價格CY，取裕度10-20%。考慮到電池更換站的建設成本、電池購買成本、運行維護成本等問題，將饋電價格設為購電價格的5倍。

對電池更換站全天的收益與站內充電機的狀態切換次數進行統計，得到圖5與圖6。從圖中可以看出，充電機狀態切換次數過多時，電池更換站的收益較低；當充電機狀態切換次數低于某一數值時，其切換次數多少不再對電池更換站的收益產生規律性影響，此時電池更換站的收益僅收到充電成本、饋電收益、換電收益及電池備用率的影響。

圖5 電池更換站全天收入仿真結果Fig.5 The daily income of the battery changing station

圖6 充放電機切換次數低于180次時電池更換站全天收入仿真結果Fig.6 The daily income of the battery changing station based on the charge and discharge machines’ switching times below 180

通過計算得到，若不對站內電池的使用策略進行優化，僅按照用戶的需求進行隨用隨充的充電安排，則無法使用空閑電池向電網進行饋電。按照這種方式進行經營，在不扣除電池購買成本、電池更換站建造及維護成本的情況下，整個電池更換站運行一天的收入約為1萬元。

若考慮電池的優化分配，進行分類梯度利用，并對電池的充電時間進行優化，利用電池的空閑時段進行饋電，則在同等條件下，整個電池更換站運行一天的收入仿真結果如圖5所示，當電池更換站內所有充放電機狀態切換次數高于180次時，切換次數與全站的收入之間存在一定的反比關系，而當切換次數降到180次以下時，收入與充放電機狀態切換次數之間就不再具有明顯的比例關系，如圖6所以，電池更換站的全天收入基本約在2萬元左右。從圖6可以得到優化結果，當站內所有電池的切換次數總和在162次時，電池更換站收益達到最大值22200元。

5 結論

本文主要研究充放電機的集群控制調度算法，以電池更換站的運行經濟性與站內充放電機狀態切換次數最優為目標，結合電池更換的管理策略與電池的梯度利用原則進行優化模型的設計，采用智能算法對集群調度模型進行求解，在滿足用戶換電池需求的基礎之上實現自身運行的最優化。

通過算例仿真可以看出，電池更換站通過響應電網下發的不同電價實現自身的經濟性最優，同時間接實現對電網調峰策略的響應；在此基礎上以電池健康度為指標，通過梯度利用在保證電池健康的基礎上進行電池的合理利用，最大限度地保證了站內電池的健康度，延長電池的使用壽命；并且約束條件中考慮了分時段用戶滿意度，實現全局總體優化。在切換次數降低到一定程度后可以得到最優可行解。

[1] C. N. kristien, H. Edwin, D. Johan. The impact of charging plug-in hybrid electric vehicles on a residential distribution grid[J]. IEEE Trans. Power System, 2010(25)： 371-380.

[2] W Su, M. Y. Chow. Performance evaluation of an EDA-based Large-scale plug-in hybrid electric vehicle charging algorithm[J]. IEEE Trans. Smart Grid, 2011, 3： 308-315.

[3] J. B. Ricardo, A. M. Manuel, J. S. Filipe, et al. Optimized Bidding of a EV aggregation agent in the electricity market[J]. IEEE Trans. Smart Grid, 2012, 3：443-452.

[4] 田文奇, 和敬涵, 姜久春, 等. 電動汽車充電負荷空間分配優化算法[J]. 電工技術學報, 2013, 28(3)：269-276.

Tian Wenqi, He Jinghan, Jiang Jiuchun, et al. Electric vehicle charging load spatial allocation optimization algorithm[J]. Transactions of China Electrotechnical Society, 2013, 28(3)： 269-276.

[5] 楊冰, 王麗芳, 廖承林. 大規模電動汽車充電需求及影響因素[J]. 電工技術學報, 2013, 28(2)： 22-27.

Yang Bing, Wang Lifang, Liao Chenglin. Research on Power-Charging Demand of Large-Scale Electric Vehicles and Its Impacting Factors[J]. Transactions Of China Electrotechnical Society, 2013, 28(2)：22-27.

[6] 徐國鈞, 劉永勝, 李題印, 等. 基于層次分析和概率模擬的電動汽車對配網負荷影響研究[J]. 電力系統保護與控制, 2012, 40(22)： 38-44.

XU Guo-jun1, LIU Yong-sheng, LI Ti-yin, et al. Study on the impact of electric vehicles charging load integrated into distribution network based on analytic hierarchy process and probabilistic simulation[J]. Power System Protection and Control, 2012, 40(22)：38-44.

[7] 張學清, 梁軍, 張利, 等. 計及風光電源的一種地區電網電動汽車充電調度方法[J]. 電工技術學報, 2013, 28(2)： 28-35.

Zhang Xueqing Liang Jun Zhang Li, et al. Approach for Plug-in Electric Vehicles Charging Scheduling Considering Wind and Photovoltaic Power in Chinese Regional Power Grids[J]. Transactions Of China Electrotechnical Society, 2013, 28(2)： 28-35.

[8] 葛少云, 黃镠, 劉洪. 電動汽車有序充電的峰谷電價時段優化[J]. 電力系統保護與控制, 2012, 40(10)：2-5.

Ge Shaoyun, Huang Liu, Liu Hong. Optimization of peak-valley TOU power price time-period in ordered charging mode of electric vehicle[J]. Power System Protection and Control, 2012, 40(10)： 2-5.

[9] 張昌華, 孟勁松, 曹永興, 等. 換電模式下電動汽車換電充裕度模型及仿真研究[J]. 電網技術, 2012, 36(9)： 15-19.

Zhang Changhua, Meng Jingsong, Cao Yongxing, et al. A Battery Swapping Requirement Adequacy Model for Electric Vehicles and Its Simulation Research[J]. Power System Technology, 2013, 36 (9)：15-19.

[10] Owen Worley, Diego Klabjan. Optimization of Battery Charging and Purchasing at Electric Vehicle Battery Swap Stations[C]. Vehicle Power and Propulsion Conference (VPPC). Chicago： IEEE, 2011： 1-4.

[11] Thoralf Winkler, Przemyslaw Komarnicki, Gerhard Mueller. Electric vehicle charging stations in magdeburg[C]. Vehicle Power and Propulsion Conference (VPPC). Dearborn： IEEE, 2009： 60-65.

[12] 占愷嶠, 宋永華, 胡澤春, 等. 以降損為目標的電動汽車有序充電優化[J]. 中國電機工程學報, 2012, 32(31)： 11-18.

Zhan Kaiqiao, Song Yonghua, Hu Zechun, et al. Coordination of electric vehicle charging to minimize active power losses[J]. Proceedings of the CSEE, 2012, 32 (31)： 11-18.

[13] A. N. Brooks. Vehicle-to-Grid Demonstration Project：Grid Regulation Ancillary Service with a Battery Electric Vehicle. AC Propulsion, Inc., San Dimas, CA. Tech. Rep. 01-313, Dec. 10, 2002.

[14] J. R. Pillai, B. Bak-jensen. Integration of Vehicleto-Grid in the Western Danish power system[J]. IEEE Trans. Sustainable Energy, 2011(2)： 12-19.

[15] 王錫凡, 邵成成, 王秀麗, 等. 電動汽車充電負荷與調度控制策略綜述[J]. 中國電機工程學報, 2013, 33(1)： 1-10.

Wang Xifan, Shao Chengcheng, Wang Xiuli, et al. Survey of Electric Vehicle Charging Load and Dispatch Control Strategies[J]. Proceedings of the CSEE, 2013, 33 (1)： 1-10.

[16] KEMPTON W, LETENDER S. Electric vehicles as a new power source for electric utilities[J]. Transportation Research： Part D, 1997, 2(3)： 157-175.

[17] 秦禎芳, 岳順民, 余貽鑫, 等. 零售端電力市場中的電量電價彈性矩陣[J]. 電力系統自動化, 2004, 28(5)： 16-24.

Qin Zhenfang, Yue Shunmin, Yu Yixin, et al. Price Elasticity Matrix of Demand in Current Retail Power Market[J]. Automation of Electric Power System, 2004, 28 (5)： 16-24.

[18] 吳月萍, 杜奕. 改進的人工魚群算法的參數分析[J].計算機工程及其應用, 2011, 48(13)： 50-51.

Wu Yueping, Du Yi. Parameters analysis of improved artificial fish swarm algorithm. Computer Engineering and Applications[J]. Computer Engineering and Applications, 2011, 48 (13)： 50-51.

[19] L. X. Chen, G. J. Liu. Optimization design of electromagnetic system based on adaptive improved behavior of artificial fish swarm algorithm[J]. Low Voltage Apparatus, 2012, 23： 17-21.

Research on Control Strategy for the Uniform Charging of Electric Vehicle Battery Swapping Station

Zhang Qidong Huang Xueliang Chen Zhong Chen Lixing Xu Yunpeng
（School of Electrical Engineering Southeast University Nanjing 210096 China）

In this paper, price model is established considering car owners’ interaction will based on the scale of charging and discharging load model of EVs, guide the orderly charging behavior through the battery change price, so as to realize the strategy of power grid peak shaving, genetic algorithm is used to solve the optimal real-time electricity price model. Finally, taking the battery changing stations economic operation and the charge and discharge machine state switching frequency optimal as the goals, using intelligent algorithm to solve the scheduling model, the optimal operation model of the EVs’ battery changing station cluster control is set up to meet the users’ demand for batteries.

Electric vehicle, smart grid, battery swapping station, coordinated charging, dispatching strategy

TM715; TM910.6

張齊東 女，1990年生，碩士研究生，研究方向為電動汽車與電網互動、智能電網。

國家高技術研究發展計劃(863計劃) 資助項目（No.2012AA050210）。

2014-09-22

黃學良 男，1969年生，教授，博士生導師，研究方向為無線電能傳輸技術、電力電子技術在電力系統中的應用、智能用電技術。