考慮充電需求與隨機事件的光伏充電站實時運行策略

陳奇芳 劉 念 陳 征 張建華

?

考慮充電需求與隨機事件的光伏充電站實時運行策略

陳奇芳1劉 念1陳 征2,3張建華1

（1. 新能源電力系統國家重點實驗室（華北電力大學） 北京 102206 2. 國網節能服務有限公司 北京 100052 3. 國網（北京）節能設計研究院有限公司 北京 100052）

電動汽車光伏充電站是將充電設施與光伏發電系統進行結合的有效形式，能有效地減少電動汽車的間接碳排放，降低充電行為對配電網的影響。針對電動汽車光伏充電站，提出了一種實時運行策略。該策略將電動汽車按充電行為分為剛性充電和柔性充電兩類，以滿足電動汽車充電需求、提高光伏就地消納和降低充電行為對配電網的影響為原則。該策略包含4個部分：電動汽車交互分類，電動汽車充電可行域，動態事件觸發機制和電動汽車實時功率分配算法。此外，該策略是基于非預測機制，避免了因預測算法精度問題而引入的不確定誤差。通過仿真實驗結果綜合分析可知，該策略能有效發揮光伏充電站的優勢并且實現預期目標，對于光伏充電站的推廣具有一定的價值和意義。

光伏充電站 電動汽車 實時運行策略 功率分配

0 引言

由于日益嚴峻的能源危機和溫室效應，人們的生存和發展受到了嚴重的威脅，因此，節能減排問題受到了世界各國的廣泛關注[1-4]。許多國家把發展新能源和電動汽車當作減少碳排放和確保能源安全的有效手段[5-8]。然而，電動汽車需要接入電網充電，因此，需要考慮由此引起的其他問題[9-11]。首先，電動汽車的間接排放受到發電能源組成的影響。若為電動汽車提供的電能來自火電，則不能從根本上解決電動汽車的間接排放問題，無法充分發揮電動汽車的清潔優勢。其次，隨著電動汽車規模的增大，需要投入巨大的資金擴建發電、輸電和配電容量[12,13]。

在智慧城市的建設中，電動汽車光伏充電站將扮演重要的角色。光伏發電系統作為重要的清潔能源發電系統，能夠方便地安裝在城市建筑屋頂上，為電動汽車提供電能。光伏與電動汽車充電設施的集成能夠有效地減少電動汽車的間接排放，同時滿足白天充電需求，減少對電網的依賴[14-16]。

目前，國內外對電動汽車充電站與光伏集成系統的充電策略進行了一定的研究[17-20]。從充電策略角度，目前的研究可以分為兩大類：一類是研究充電策略對配電網的影響；另一類是研究基于預測的優化策略。文獻[17]研究了大量插電式混合電動汽車在裝有光伏的公寓大樓和辦公樓的充電策略。文章從對配電網影響、就地消納能力和電動汽車行駛距離的角度對不同的充電策略和充電功率進行了評估，結果表明采用合適的充電策略能夠有效降低充電行為對配電網的不利影響。文獻[18]從工作場所光伏充電站的經濟性和環境效益角度，提出了一種優化充電策略。但是，文章中提出的算法僅從光伏充電站充電總功率的角度優化從電網的購電量，并未對每輛電動汽車提出功率優化分配策略。文獻[19]提出了一種含光伏系統的智能家庭/樓宇電動汽車充電策略。該策略分為兩個階段，光伏出力和電能需求預測階段與電動汽車充電調度階段。由于預測誤差會對優化結果產生不確定影響，因而，算法的有效性依賴于預測的準確度。文獻[20]針對工業/商業工作場合中與大電網連接的充電站，提出了一種實時能量管理算法。該實時能量管理算法采用了基于統計規律的模型來預測光伏出力、電動汽車到站時間和電動汽車到站時的初始荷電狀態（State Of Charge, SOC）。

本文針對電動汽車光伏充電站，提出了一種基于非預測的實時運行策略。根據電動汽車的充電行為，將電動汽車分為剛性充電和柔性充電兩類。有效結合光伏出力，為柔性充電類電動汽車分配合理的充電功率，滿足用戶白天的充電需求，促進光伏最大化就地消納，同時，減少電動汽車充電行為給電網帶來的不利影響。該策略主要由電動汽車分類、充電可行域（Feasible Charging Region, FCR）、動態事件觸發（Dynamic Event Trigger, DET）和實時功率優化分配（Real-Time Power Allocation, RTPA）四個部分構成?？紤]到每輛電動汽車的充電特性，采用FCR約束電動汽車的充電過程，確保用戶的充電需求。根據電動汽車的數量、充電總功率和光伏功率的變化，采用DET機制觸發RTPA算法為每輛電動汽車分配合適的充電功率。

本文提出的實時運行策略主要有如下優點： ①針對光伏充電站提出的實時運行策略既能夠滿足電動汽車白天的充電需求，又能夠促進光伏最大化就地消納，減少充電行為對電網的影響；②根據電動汽車SOC和光伏出力的變化，采用動態事件觸發機制動態調整電動汽車的充電倍率；③功率分配策略簡單易行，不依賴于光伏出力和電動汽車充電需求的統計數據或預測算法。

1 光伏充電站典型結構

電動汽車光伏充電站的典型結構如圖1所示，主要包括光伏發電系統、充電機、電動汽車、AC-DC雙向變流器以及中央控制器五個部分。

圖1 電動汽車光伏充電站典型結構

光伏電池陣列通過DC-DC變流器連接到直流母線，通過充電機為電動汽車提供充電功率，剩余的光伏功率通過AC-DC雙向變流器饋送到電網。光伏發電系統通過控制器實現最大功率點跟蹤（Maximum Power Point Tracking, MPPT）模式。中央控制器能夠對光伏發電系統、AC-DC雙向變流器和充電機進行監測和控制，實現電能的雙向流動和充電功率的按需調節。

2 電動汽車分類

根據電動汽車的充電行為，可將充電站中電動汽車分為剛性充電類和柔性充電類，柔性充電類在充電過程中可能會轉變為被動剛性充電類，如圖2所示。

圖2 電動汽車分類

電動汽車充電倍率不接受充電站統一調節，或者不具有調節裕度的這類電動汽車歸類為剛性充電類。剛性充電類分為主動和被動兩種。由于電動汽車的充電倍率、離開時間和目標SOC可以由用戶設定，也可以保持充電站默認設置。若用戶設定充電倍率為恒定充電倍率，不接受充電站的統一調節，則此類用戶為主動剛性用戶。若用戶設定充電倍率接受統一調節，但是由于用戶設定的離開時間較短，而目標SOC較高，因此，只能給這類用戶以最大的充電倍率進行充電，但也不能夠在設定的離開時間之前達到目標SOC，這類用戶歸類為被動剛性充電類。

電動汽車充電倍率接受充電站統一調節，并且具有調節裕度的這類電動汽車歸類為柔性充電類。相對于剛性充電類電動汽車，柔性充電類用戶設定的離開時間合適，目標SOC合理，或者保持默認設置，則充電站可以根據需求對柔性類電動汽車分配合理的充電功率，在用戶設定的離開時間之前達到目標SOC。

3 實時運行策略設計

3.1 基本原則

本文提出的運行策略具有三個基本原則：滿足用戶的充電需求，促進光伏功率最大化就地消納和減少充電行為對配電網的影響。電動汽車進站后，每個用戶可以設定預期充電目標SOC或者采用默認目標SOC，因此，充電站的首要目標是滿足用戶的充電需求，達到預期目標。在確保充電需求的情況下，如何實現光伏功率的最大化就地消納，同時減少充電行為引起的巨大尖峰負荷對電網設備帶來的安全威脅是需要解決的兩個重要問題。

為了實現三個原則，本文分別采用充電可行域、動態事件觸發狀態機制和實時功率分配策略對用戶需求進行量化建模，從而實現對電動汽車的充電行為進行約束，實現充電功率實時動態跟隨光伏功率的變化。

3.2 充電可行域模型

電動汽車充電過程中，SOC與充電電流的關系可以表示為

從而，電動汽車充電過程中的SOC可以表述為

為了滿足第一個原則，若用戶設定的離開時間充足，則電動汽車必須達到充電目標SOC，即obj。電動汽車最小的充電持續時間為

因而電動汽車的最晚起始充電時間

式中，d為電動汽車充電離開時間。

圖3所示為電動汽車充電可行域，表示充電起始時間、充電倍率與SOC之間的關系圖。線段1的斜率表示電動汽車的最大充電倍率，線段3的斜率表示電動汽車的最小充電倍率。因而，電動汽車的充電倍率可行域為，同理，電動汽車的充電起始時間可行域為。

圖3 電動汽車充電可行域

3.3 動態事件觸發機制

在充電過程中，光伏充電站內電動汽車的數量、充電總功率和光伏出力具有隨機性和波動性。本文提出的運行策略采用動態事件觸發機制，當發生新增電動汽車參與充電（Event1）、有電動汽車充電完成（Event2）、光伏出力變化量達到一定閾值（Event3）和充電總功率變化量達到一定閾值（Event4）這四種情況（“1”表示發生，“0”表示未發生）時，會觸發充電功率分配策略。

3.3.1 光伏出力變化量達到一定的閾值

式（8）為光伏變化量自適應動態閾值生成方法。

設置固定閾值時，若閾值設置太小，則功率分配計算過于頻繁，而電動汽車數量較多時，分配到每輛電動汽車的功率幾乎不會發生改變。如果單次功率分配算法的計算量較大，則會給控制系統帶來嚴重的負擔。當電動汽車數量較少時，較小的光伏變化量分配到每輛電動汽車，也能使電動汽車的充電倍率發生有效的變化，若此時閾值設置太大，則會造成光伏功率得不到及時的分配。

3.3.2 充電總功率變化量達到一定的閾值

式（9）為充電總功率變化量動態閾值生成方法。

3.4 事件觸發狀態機

本文采用狀態機來實現事件驅動機制，如圖4所示。運行策略主要包含三個狀態：事件監測狀態、功率分配狀態和策略執行狀態。正常情況下狀態機處于事件監測狀態，當檢測到四個事件中的一個或幾個時，則觸發功率分配狀態進行功率分配計算，計算完成之后（Padone=1表示計算完成，Padone=0表示正在計算過程中），觸發執行狀態，將功率分配結果下發至充電機執行，下發完畢之后（Exdone=1表示執行完畢，Exdone=0表示正在執行狀態），繼續進行事件監測。

圖4 事件觸發狀態機

3.5 實時運行策略

圖5所示為中央控制器、充電機和電動汽車三者之間的信息交互。

圖5 中央控制器、充電機和電動汽車三者之間的信息交互

當電動汽車到達充電站與充電機連接之后，電動汽車的電池管理系統（Battery Management System, BMS）將電池容量、最大充電倍率、當前電壓和當前SOC等信息發送給充電機，當前電壓和當前SOC信息是周期性發送。用戶需要通過充電機的人機界面設定目標SOC、離開時間和是否受控等信息。充電機將從人機界面和BMS得到的信息傳送給中央控制器。中央控制器接收光伏充電站中所有充電機的數據和來自光伏發電系統的實時光伏出力等其他數據，并對接收到的數據進行相應的處理，得到電動汽車的充電可行域、電動汽車的分類、剛性充電類電動汽車數量、柔性充電類電動汽車的數量、電動汽車總數量、充電總功率、光伏出力、電動汽車離開時間d、電動汽車可調節系數、光伏動態閾值和充電總功率動態閾值等數據。

以第輛電動汽車為例。根據FCR模型可知，第輛電動汽車的充電起始時間在區間，充電倍率在區間，充電功率可以根據式（10）計算得到。

實時運行策略的流程如圖6所示，具體實施過程如下。

圖6 實時運行策略流程

（2）計算電動汽車的充電可行域，并對電動汽車進行分類，分別計算各類電動汽車的數量。

（3）實時事件監測。如果出現四種事件中的一種或幾種，則開始功率分配，執行第（4）步，否則，繼續執行第（3）步。

（4）為剛性充電類電動汽車分配最大充電功率，計算這些電動汽車的充電總功率和數量。

（5）通過式（13）計算柔性充電類電動汽車的最小充電總功率，從而可以得到光伏充電站的充電總功率。

約束條件為

4 算例分析

4.1 仿真模型參數設置

以商業樓宇光伏充電站為研究對象，其網絡拓撲如圖7所示。光伏充電站通過雙向AC-DC接入交流母線，站內光伏與電動汽車充電機接入直流母線，整個光伏充電站與樓宇其他用電負荷一同接入配電網。

圖7 仿真模型拓撲結構

光伏裝機容量為240kW，選用夏季典型日出力基礎數據，如圖8所示。

圖8 夏季典型日光伏出力曲線

電動汽車數量為120輛，默認目標SOC為0.85，即obj=0.85，動力電池參數見表1。圖9所示為編號從1～120的電動汽車到站、離站時間、停留時長的統計數據和隨機生成的初始SOC示意圖。在Matlab中搭建了仿真模型，對運行策略進行了仿真實驗。

表1 動力電池參數表

Tab.1 The parameters of EV battery

圖9 隨機生成的初始SOC和到達時間

4.2 對比結果分析

為了說明本文提出的運行策略的有效性，將其與常規的運行策略進行了對比分析。

對于常規的運行策略，電動汽車隨到隨充，以恒流的方式進行充電，充電站并不對電動汽車進行有序充電管理，直到電動汽車達到目標SOC。

從圖10中可以看到，由于采用常規充電策略，充電站并未對電動汽車采取控制措施，電動汽車集中在同一時段進行剛性充電，而光伏功率不能滿足充電需求，從而導致電網負荷急劇增加，與原始負荷曲線相比，峰值負荷增加了約350kW。從約10∶30到充電結束，由于常規充電策略不能將光伏出力與充電功率結合，不能實現光伏最大化就地消納，從而導致充電行為對電網產生較大的影響，嚴重時可能因為線路過負荷引起配電網故障。從圖11中可以看到，由于較低的初始SOC和較短的停留時間，雖然采用了最大允許充電功率充電，有4輛剛性電動汽車仍然無法達到目標SOC。

圖10 常規運行策略效果曲線

圖11 常規充電策略電動汽車SOC對比

Fig.11 Comparison between initial SOC and departure SOC controlled by regular strategy

本文提出的實時運行策略以滿足用戶充電需求和促進光伏最大化就地消納，減少對電網影響為原則，對電動汽車的充電行為進行了有序的控制。采用FCR模型限制電動汽車的充電行為，采用DET機制動態觸發RTPA算法對電動汽車的充電功率進行了優化分配，運行策略效果如圖12～圖15所示。

圖12 充電中電動汽車數量變化

圖13 實時運行策略效果

圖14 抽取的5輛電動汽車充電倍率

圖15 充電前后SOC對比

由圖12可知，從7∶00～10∶00左右，同時充電的電動汽車數量迅速增加，10∶00～14∶00時段，同時充電的電動汽車數量達到平衡狀態，14∶00～17∶00時段，電動汽車陸續充滿，同時充電中的電動汽車數量迅速減少。

從圖12和圖13中可以看出，從7∶00～10∶40左右，隨著電動汽車數量的增加，光伏功率不能滿足充電需求，為了達到充電目標SOC同時降低對電網的影響，RTPA算法給剛性類電動汽車分配最大充電倍率，給柔性類電動汽車分配最小充電倍率，此時，功率缺額由電網提供，電網峰值負荷增加50kW左右，是常規充電策略增長量的1/7左右。在10∶00～14∶30時段，由于光伏功率充足，因此，DET機制動態觸發RTPA算法跟隨光伏功率的變化為電動汽車分配充電功率，以減少對電網的影響。將圖13與圖10對比可知，約從10∶30開始到充電結束，采用常規策略充電，光伏功率未得到充分就地消納，而本文提出的實時運行策略能夠有效地促進光伏最大化就地消納。

圖14中為隨機選取的5輛電動汽車的充電倍率曲線，其中編號120的電動汽車為剛性需求類電動汽車，由于較短的充電時長和較低的SOC，RTPA算法為其分配了最大充電功率，使其盡可能滿足充電需求。而其他4輛電動汽車為柔性類，其充電功率由RTPA根據光伏功率和FCR模型進行了合理的分配。對比圖11和圖15中可以看出，采用本文提出的運行策略在滿足用戶需求上具有與常規運行策略相同的性能。

5 結論

本文針對光伏充電站提出一種實時運行策略，以滿足用戶充電需求和促進光伏最大化就地消納，減少對電網影響為原則，對光伏出力和電動汽車充電需求未采用預測算法，而是基于實時決策框架。根據電動汽車的充電行為，將電動汽車分為剛性充電和柔性充電兩類，采用充電可行域對電動汽車的充電行為進行控制，以滿足電動汽車的充電需求。并根據電動汽車的數量、充電總功率和光伏功率的變化，采用DET機制觸發RTPA算法為每輛電動汽車分配合適的充電功率，有效地將充電行為與光伏出力有機結合。對比實驗結果顯示本文提出的算法對于不同分類的電動汽車能進行合理的充電功率分配，滿足用戶白天的充電需求，促進光伏最大化就地消納，同時，減少電動汽車充電行為給電網帶來的不利影響。

參考文獻

[1] 路欣怡, 劉念, 陳征, 等. 電動汽車光伏充電站的多目標優化調度方法[J]. 電工技術學報, 2014, 29(8): 46-56.

Lu Xinyi, Liu Nian, Chen Zheng, et al. Multi- objective optimal scheduling for PV-assisted charging station of electric vehicles[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 46-56.

[2] 肖湘寧, 溫劍鋒, 陶順, 等. 電動汽車充電基礎設施規劃中若干關鍵問題的研究與建議[J]. 電工技術學報, 2014, 29(8): 1-10.

Xiao Xiangning, Wen Jianfeng, Tao Shun, et al. Study and recommendations of the key issues in planning of electric vehicles’charging facilities[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 1-10.

[3] 鮑諺, 賈利民, 姜久春, 等. 電動汽車移動儲能輔助頻率控制策略的研究[J]. 電工技術學報, 2015, 30(11): 115-126.

Bao Yan, Jia Limin, Jiang Jiuchun, et al. Research on the control strategy of electric vehicle mobile energy storage in ancillary frequency regulation[J]. Transa- ctions of China Electrotechnical Society, 2015, 30(11): 115-126.

[4] 劉月賢, 王天鈺, 楊亞宇, 等. 電動汽車充放電系統建模與仿真[J]. 電力系統保護與控制, 2013, 42 (13): 70-76.

Liu Yuexian, Wang Tianyu, Yang Yayu, et al. Modeling and simulation of electric vehicles’ charge and discharge system[J]. Power System Protection and Control, 2013, 42(13): 70-76.

[5] Jian L N, Xue H H, Xu G Q, et al. Regulated charging of plug-in hybrid electric vehicles for minimizing load variance in household smart microgrid[J]. IEEE Transactions on Industrial Electronics, 2013, 60(8): 3218-3226.

[6] 陶順, 肖湘寧, 溫劍鋒. 電動汽車分散充電設施配比度分析與計算方法[J]. 電工技術學報, 2014, 29(8): 11-19.

Tao Shun, Xiao Xiangning, Wen Jianfeng. Con- figuration ratio for distributed electrical vehicle charging infrastructures[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 11-19.

[7] 佟晶晶, 溫俊強, 王丹, 等. 基于分時電價的電動汽車多目標優化充電策略[J]. 電力系統保護與控制, 2016, 44(1): 17-23.

Tong Jingjing, Wen Junqiang, Wang Dan, et al. Multi-objective optimization charging strategy for plug-in electric vehicles based on time-of-use price[J]. Power System Protection and Control, 2016, 44(1): 17-23.

[8] 劉月賢, 王天鈺, 楊亞宇, 等. 電動汽車充放電系統建模與仿真[J]. 電力系統保護與控制, 2014, 42(13): 70-76.

Liu Yuexian, Wang Tianyu, Yang Yayu, et al. Modeling and simulation of electric vehicles’charge and discharge system[J]. Power System Protection and Control, 2014, 42(13): 70-76.

[9] Rautiainen A, Mutanen A, Repo S, et al. Case studies on impacts of plug-in vehicle charging load on the planning of urban electricity distribution networks[C]// 8th International Conference and Exhibition on Ecological Vehicles and Renewable Energies (EVER), Monte Carlo, 2013: 1-7.

[10] Ferna?ndez L P, Roman T G S, Cossent R, et al. Assessment of the impact of plug-in electric vehicles on distribution networks[J]. IEEE Transactions on Power Systems, 2011, 26(1): 206-213.

[11] Dyke K J, Schofield N, Barnes M. The impact of transport electrification on electrical networks[J]. IEEE Transactions on Industrial Electronics, 2010, 57(12): 3917-3926.

[12] Cao Y J, Tang S W, Li C B, et al. An optimized EV charging model considering TOU price and SOC curve[J]. IEEE Transactions on Smart Grid, 2012, 3(1): 388-393.

[13] Marra F, Yang G Y, Tr?holt C, et al. EV Charging facilities and their application in LV feeders with photovoltaics[J]. IEEE Transactions on Smart Grid, 2013, 4(3): 1533-1540.

[14] Saber A Y, Venayagamoorthy G K. Plug-in vehicles and renewable energy source for cost and emission reduction[J]. IEEE Transactions on Industrial Electronics, 2011, 58(4): 1229-1238.

[15] Traube J, Lu F, Maksimovic D. Mitigation of solar irradiance intermittency in photovoltaic power systems with integrated electric-vehicle charging functionality[J]. IEEE Transactions on Power Elec- tronics, 2013, 28(6): 3058-3067.

[16] Birnie D P. Solar-to-vehicle (S2V) systems for powering commuters of the future[J]. Journal of Power Sources, 2009, 186(2): 539-542.

[17] Byeon G, Yoon T, Oh S, et al. Energy management strategy of the DC distribution system in buildings using the EV service model[J]. IEEE Transactions on Power Electronics, 2013, 28(4): 1544-1554.

[18] Zhu W, Wang L F, Dounis A I, et al. Integration of plug-in hybrid electric vehicles into energy and comfort management for smart building[J]. Energy and Buildings, 2012, 47: 260-266.

[19] Fabian Kennel, Gorges D, Liu Steven. Energy management for smart grids with electric vehicles based on hierarchical MPC[J]. IEEE Transactions on Industrial Informatics, 2013, 9(3): 1528-1537.

[20] Roy J V, Leemput N, Geth F, et al. Electric vehicle charging in an office building microgrid with distributed energy resources[J]. IEEE Transactions on Sustainable Energy, 2014, 5(4): 1389-1396.

Real-Time Operation Strategy for PV-Based EV Charging Station Considering Charging Demand and Random Events

112,31

（1. State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources North China Electric Power University Beijing 102206 China 2. State Grid Energy Conservation Service Co. Ltd Beijing 100052 China 3. State Grid (Beijing) Energy Conservation Design and Research Institute Co. Ltd Beijing 100052 China）

PV-based EV charging station is an effective system to integrate the PV generation system into the charging facility. It would effectively reduce indirect carbon emission and the impacts on the grid network. In this paper, a real-time operation strategy is proposed for the PV-based EV charging station. EVs are classified into two categories: the rigid EVs and the flexible EVs, following three principles of adapting to charging demand, maximizing the self-consumption of PV energy and reducing the impacts on the power grid. It consists of four main parts, that is, EV classification, the feasible charging rate, the mechanism of dynamical event triggering and the algorithm of real-time power allocation for EVs. Furthermore, in order to avoid the defect introduced by forecasting algorithm, non-forecasting strategy is adopted. The simulation results have shown that the proposed strategy can make full use of PV system. The strategy will promote the application of PV-based EV charging station.

PV-based EV charging station, electric vehicles, real-time operation strategy, power allocation

U469.72；TK51

陳奇芳 男，1986年生，博士，研究方向為需求側能量管理、電動汽車等。

E-mail: amiqicqf@163.com（通信作者）

劉 念 男，1981年生，副教授，研究方向為需求側能量管理、電力信息安全、電動汽車等。

E-mail: nian_liu@163.com

2016-03-07 改稿日期 2016-06-12

國家自然科學基金（51577059）和中央高?；穑?015XS03）資助項目。