基于兩級充電管理系統的電動汽車智能充電控制系統研究

張 軍, 韓華春, 原增泉

(1. 中國建筑第八工程局有限公司, 北京 100190；2. 國網江蘇省電力公司電力科學研究院，江蘇 南京 211103；3.中國科學院電工研究所，北京 100190)

基于兩級充電管理系統的電動汽車智能充電控制系統研究

張 軍1, 韓華春2, 原增泉3

(1. 中國建筑第八工程局有限公司, 北京 100190；2. 國網江蘇省電力公司電力科學研究院，江蘇 南京 211103；3.中國科學院電工研究所，北京 100190)

隨著電動汽車的發展，電動汽車大規模的無序充電將對現有電網的穩定性造成潛在威脅。如果僅以現有電網擴容作為解決方法，不僅需要大量的投資，且在低負荷時會造成容量的浪費。文中提出了一種基于兩級電動汽車充電管理系統(electric vehicles charging management system, EVCMS)的優化算法，在滿足充電需求的前提下，通過合理調配充電時段和充電速率，來優化需求側管理，減少電動汽車充電對電網的沖擊。該優化算法的影響因素主要包括實時電價、電池剩余容量、電網側負荷容量和充電時段等。

電動汽車；EVCMS；充電終端；模糊控制

0 引言

電動汽車(electrical vehicles, EVs)以電池作為能源，具有節能、零污染和零排放等優勢，正越來越受到各國的廣泛關注。但是，隨著EVs的普及，大量和無序的充電形成的瞬時大負荷將對電網造成巨大沖擊，如電網頻率和電網電壓的波動，進而對電網的穩定運行形成威脅。此外，EVs的無序接入，還會拉大峰谷差，增加峰時的傳輸損耗，甚至可能過載，嚴重損害電網的穩定運行[1-5]。目前，許多學者都在關注這個問題。在文獻[6]中，作者研究了整個美國電網對EVs充電的接納程度，包括12 h和24 h兩種可充電場景。結果表明，現有電網容量可以最多容納EVs負荷需求的73%。在文獻[7]中，根據目前丹麥電力市場的價格，作者優化了充電時間和充電量，并得出結論，在有序充電模式下充電成本可以降低到63%。文獻[7]也指出，相對于無序充電模式，有序充電可以在不同程度上減小峰值負荷和分布損耗。

文中提出了一種協調有序充電的優化算法，該優化算法是基于所提出的電動車輛充電管理系統(electric vehicles charging management system, EVCMS)來實現的。作為該系統的基本單元，充電終端(charge terminals, CTs)起承上啟下的關鍵作用，一方面通過CAN總線與EVs通信，獲取電池荷電狀態(state of charge,SOC)和通過輸入信息獲取用戶預計駐留時間，另一方面也負責執行有序充電算法的控制命令。監控主機(monitor host, MH)借助CTs上傳的實時信息，運行基于模糊控制有序充電優化算法，來決定充電的啟停時刻和充電速率，以實現對電網的削峰填谷的目的。

1 系統結構

隨著EVs的大量普及，現有的充電管理系統已不能滿足電網新的控制和調度要求。因此迫切需要新的智能控制充電管理系統，來實現實時控制和需求側管理的功能[8]。

1.1 兩級充電管理系統的網絡拓樸

文中提出的兩級充電管理系統的拓樸結構如圖1所示，主要由區域電力調度網絡和局域充電控制網絡兩部分組成。

圖1 EVCMS網絡結構圖Fig.1 Schematic structure for EVCMS network

1.1.1 區域功率調度網絡

第一級網絡由功率分配中心(power dispatch center, PDC)和各個局域充電網絡的MH組成。其中，PDC由電力調度主機承擔，為每個局域充電站提供可用最大功率，及時獲取每個局域充電站的實時信息，以對每個局域充電站的最大使用功率進行合理、及時地更新。

1.1.2 局域充電控制網絡

第二級網絡稱為局域充電控制網絡，是每個充電站內設備互聯控制網絡。適用于集中充電區域，如公司和住宅區的停車場等。它包括EVs充電、計量和計費、安全、設備管理和其他方面。本文提出的網絡是基于SCADA定義[9]設計，由數據采集、設備控制、參數調整、多種報警信號等功能組成。以此可以實現網絡交互和控制功能，智能充電控制和實時狀態監控功能。

1.2 主要設備

EVCMS由以下設備組成：CTs、充電協調器和MH等。

CTs是整個充電管理系統的基本元素，一方面獲取信息和數據，并上傳到MH，進行計算和控制指令推理；另一方面，CTs也是MH控制命令的執行者。用戶通過人機界面輸入預期停車充電時間后，而CTs通過CAN總線與電池管理系統通信獲取剩余電池容量、預計充電時間等信息，并以ZigBee[10]無線通信方式上傳給MH。

充電協調器是ZigBee無線網絡的協調者，負責組織節點、分配終端地址、管理無線子網，以保證CTs和MH之間信息交互的暢達。

MH是有序充電優化算法的執行者，通過獲取電力分配中心和CTs的數據和信息，進行智能推理和計算以產生控制指令，并下發給CTs。

1.3 數據傳輸

圖2表明了用戶側、EVs充電管理側和PDC側之間的數據和信息流內容以及方向。

圖2 信息傳輸框圖Fig. 2 Schematic for data transmission

用戶側上傳EVs充電狀態和用戶預期停車充電時間。充電狀態包括電池剩余SOC、電池總容量、電池類型等。

用戶側信息包括EVs狀態和用戶的充電期望。EVs狀態主要表現為電池SOC、電池容量、最高充電電壓、最大充電電流等。用戶充電期望包括用戶預計停車時間、期望最高和最低電池SOC等信息。EVCMS根據這些信息的實時更新來動態調整控制策略。

EVCMS側實時接收PDC下傳的最大可用功率和電價信息，并上傳實時的功率需求信息。

2 充電終端-信息獲取和充電控制

CTs是智能充電控制的信息來源和指令執行者。其中，電池的SOC是借助CAN總線與電池管理系統通信獲得，而用戶期望來源于充電設置時的用戶輸入。此外，PDC的電價信息和EVCMS下發的控制指令通過CTs來存儲和執行。交流CTs通過PWM信號控制最大充電電流，直流CTs通過DC-DC控制充電電壓和充電電流，通過對啟停和充電功率控制，從而實現可以優化站內的充電時間調度和站內總充電功率的控制。

2.1 充電終端CTs

現有的CTs可分為直流充電、交流充電或者兩者皆有。以交直流終端為例，交流和直流CTs原理結構框圖如圖3所示?？煞譃榭刂茊卧⒅绷鞴β蕟卧徒涣鞴β蕟卧?。

圖3 交流和直流CTs結構框圖Fig.3 Schematic for charging terminal’s structure

(1) 基本的控制單元包括MCU控制器、LCD觸摸屏、刷卡模塊、ZigBee通信模塊和CAN總線模塊。

ZigBee模塊使每個CTs成為ZigBee網絡的一個節點，并通過充電協調器與MH進行數據交互。CAN總線模塊使CTs一方面可以與直流功率單元進行數據交互控制直流功率單元的輸出狀態，另一方面與EVs的電池管理系統(BMS)通信，接受BMS的充電控制和狀態參數。

(2) 直流功率單元用于直流CTs，其將輸入的三相380 V交流電壓轉換為電壓和電流可調節的直流電，以用于給電池包充電。直流功率單元主要包括三相VSR、隔離DC-DC和基于DSP的控制單元。其中3個VSR將輸入的三相交流電壓整流為直流750 V左右的高壓作為DC-DC的輸入，DC-DC采用移相全橋結構調節輸出端的電壓和電流大小。同時，在交流三相輸入端，采用三相交流電表作為計量單元。

交流功率單元通過控制交流接觸器來控制交流供電的通斷，同時通過充電插頭的連接導引電路控制PWM信號的占空比大小，確定CTs的可用功率，以此限制EVs的最大充電功率。同時，在交流輸出線上采用單相交流電表作為計量單元。

2.2 CTs與BMS的CAN總線通信協議

CTs借助CAN總線[11,12]與BMS交互進行充電控制，包括6個階段：物理連接完成、低壓輔助上電、充電握手階段、充電參數配置階段、充電階段和充電結束階段。在各個階段，CTs和BMS如果在規定的時間內沒有收到對方報文或者正確報文，即判定為超時，同時進入錯誤處理流程。

3 電動汽車充電優化控制策略

EVs充電優化控制策略運行在監控控制主機上，稱為充電控制單元。充電控制單元主要由參數計算模塊、模糊推理模塊和實時數據采集模塊3部分組成。

3.1 參數計算模塊

對用戶來說，充電行為可以理解為在一定時間內EVs的SOC達到某個期望值。因此對于大規模的EVs充電來說，其充電功率需求和充電時間長度是決定充電速率和充電時段優化調度的2個主要影響因素。

3.1.1 充電需求功率計算

對于直流CTs來說，忽略其本身的功率損耗；對于交流來說，忽略車載CTs的功率損耗，充電功率需求為：

Pmax=VbatIbat=VCTICT

(1)

式(1)中：Vbat為電池包的充電電壓；Ibat為電池包的充電電流；VCT為CTs的輸出電壓；ICT為CTs的輸出電流。

3.1.2 充電時間長度計算

充電時間長度是通過預期停駛充電時間、電池SOC、電池容量和充電速率共同決定的。文獻[13]中，在EVs整個充電過程中，先以恒流模式充電再以恒壓模式充電。其中， 0.3C的恒流充電模式占整個充電時間約96.14% ，而充電電壓相差不大，C為電池容量。因此充電時間長度為：

(2)

式(2)中：TP為實際充電時間長度；Tep為預計停駛的可充電時間長度，該參數通過用戶輸入獲得；E為電池的容量，對于不同類型的EVs，該值是不同的；Pvat為式(1)中的實際充電功率；SSOC為電池的剩余容量，以百分比表示，100%表示電池已經充滿，不需要充電。

3.1.3 可用最大功率

優化算法的每次優化計算，所得到的站內所有CTs的最大功率輸出值都必須小于充電站可用最大充電功率Pgrid，即本站所有CTs的總功率不得超過該值，該值由區域功率調度中心實時下發，即：

(3)

式(3)中：Ptotal為充電站內所有CTs的實際最大輸出功率總和；Pmax為每個CTS的最大輸出功率。

3.2 模糊推理算法

模糊控制是一種基于規則的控制。它直接采用語言型控制規則，出發點是現場操作人員的控制經驗或相關專家的知識，在設計中不需要建立被控對象的精確數學模型，因而使得控制機理和策略易于接受與理解，設計簡單，便于應用[14]。

當一個用戶在停車場上停車時，如不能準確地輸入要停駛多長時間。則用戶的停車時間是“長”、“中”和“短”，而不是以秒計的精確時間。因為不同的EVs具有不同電池類型和剩余電池容量，并且不同用戶有不同停駛需求，所以難以為大規模充電應用創建精確的數學模型。因此對于此種情況，模糊推理是非常合適的。使用每輛EVs的電池SOC和每個用戶期望充電時間2個主要影響因子作為模糊控制器的輸入。通過模糊化、模糊推理和解模糊，得出各個EVs充電速率和充電時間和長度。

3.2.1 模糊推理規則

根據實際調節的經驗，優化充電控制模糊推理規則如表1所示。例如，剩余電池容量SOC較高意味著只需要一小部分充電電量即可把電池充滿；假設其預計停駛時間也比較長，這就意味著該車的充電時間段可以優化到該車離開前的一小段時間內，并且充電速率也不需要太大。這樣就避免了該車即插即充，分用站內的充電功率。而當SOC較低，預計停駛時間較短時，則意味著需要立即對EVs進行充電，且充電功率較大，以滿足用戶的繼續駕駛使用需求。

表1 模糊推理表Table 1 Table for fuzzy inference

3.2.2 隸屬度函數

隸屬度函數的形狀在很大程度上影響控制結果，在文中經過綜合考慮隸屬度函數的性質和計算的簡便性，選用三角函數作為隸屬度函數的形狀。輸入變量和輸出變量的隸屬度函數如圖4所示。電池組的SOC小于45%為“低”；在25%～75%為“中”；大于60%則為“高”。同時，為了得到更精度的輸出控制量，將輸出變量的隸屬度函數分為5個類型，“小”、“中小”、“中”、“中大”和“大”。

圖4 輸入輸出變量的隸屬度函數Fig.4 Schematic for charging terminal’s structure

3.2.3 推理方法和解模糊

Mamdani推理法是經過多個學者證明和實踐過的合理的推理方法[15]，文中的推理方法采用該方法。而解模糊的方法采用重心法，重心法有平滑輸出推理機制的特點，更適合文中的解模糊情況[16]。

3.3 控制規則

文中系統控制輸出的每次更新前提源于2個觸發條件的發生，一個是從PDC發送的最大可用功率的更新，另一個是有EVs接入充電或者充電完成。當這2個條件中的任一條件發生，控制系統將重新計算并更新控制輸出且下發給CTs。當有較低或較高SOC的車輛突然接入充電或者充電完成離開時，將會打破上次推斷調整的控制結果的平衡。例如，當較低SOC的車輛接入充電時，控制系統需要根據所有車的SOC狀態和剩余停車持續時間重新分配每輛EVs的充電時間段及充電速率，并重新下發給CTs進行更新輸出。總而言之，調整是動態的和實時的，并且隨著充電狀態的變化而變化。

4 仿真實驗

為了便于分析，文中假設電網功率在EVs充電過程中是恒定值。選取5輛同一型號的EVs，即其電池容量和最大充電功率相同，SOC期望值均為1，即充滿電，充電站的總可用功率為35 kW。根據車主的行為習慣，EVs在站內預計停留時長服從均勻分布U(2，6)，初始SOC服從正態分布N(0.4，0.12)，據此隨機產生5輛車的充電需求數據，如表2所示。

表2 EVs的充電需求數據Table 2 Charging needs data for EVs

不失一般性，EVs在自主充電行為下，先到先充，車到站后有空位即可接入充電樁，如果此時充電站可用充電功率有剩余，則車按其最大充電功率進行充電；如果功率達不到其最大充電功率，則按充電站剩余可用充電功率進行充電。后到的EVs暫時無可用充電功率，處于等待狀態。待有車充完電離開時，等待充電的車按先后順序連入充電樁進行充電。

圖5為先到先充模式下，無序充電時各時段各車充電功率分配結果。

圖5 各時段EVs充電功率分配圖(無序)Fig.5 Schematic for charging terminal’s structure

由圖5可以看出，先到的前3輛車被分配了其最大充電功率10 kW，第四輛車使用站內剩余功率5 kW充電，第五輛車在前5個充電時段內充電功率都為0，即處于等待狀態，各時段EVs的SOC值(無序)如圖6所示。

圖6 各時段EVs的SOC值(無序)Fig.6 Schematic for charging terminal’s structure

從圖6可以看出先到的前3輛車以其最大充電功率10 kW進行充電，其SOC值隨時間變化的斜率最大；第四輛車以充電站剩余的5 kW功率進行充電，其斜率次之；最后到達的第五輛車沒有可用充電功率，處于等待狀態，斜率為0。直到第六個控制時段，即75 min后，第一輛車SOC達到1充滿離開，第五輛車才連入充電樁開始進行充電。第五輛車充滿電時已經在站內停留了10個充電周期，即150 min，超過了其預期停留時間。因此這種基于先到先充的充電方式不能滿足用戶的充電需求。而與之相對，經過控制優化下的有序充電過程，則可以滿足要求。各時段EVs充電功率分配圖(有序)如圖7所示。

圖7 各時段EVs充電功率分配圖(有序)Fig.7 Schematic for charging terminal’s structure

由圖7可以看出在充電站總可用功率35 kW的約束下，充電需求最緊急的第五輛車在前幾個時段就被分配了較大的充電功率，因此在第六個控制時段就完成了充電，充電時長約為6T=90 min，小于其預期停留時間，滿足了其充電緊急需求。同時由于第一輛車優先級最低，在前2個控制時段內充電功率幾乎為0；到第3個控制時段，其剩余充電時間縮短，待充電電量較大，因此此時其實時優先級較高，因此本時段被分配了較高的充電功率。各時段EVs的SOC值(有序)如圖8所示。

圖8 各時段EVs的SOC值(有序)Fig.8 Schematic for charging terminal’s structure

從圖8中可以看出第五輛車一直擁有較高的充電優先級，其電池SOC值在5輛車中以較大的斜率增長；在前2個控制時段內，優先級較低的第一輛車SOC值基本沒變，優先級較高的2，3，4車的SOC值則以較大的斜率增大；隨著時間增長，由于各車剩余充電時間的縮短和已充電電量的不同，各車的優先級不斷發生變化，相應地其SOC的增長斜率增大或減小。各車均滿足了在指定充電時間內達到期望SOC。

在總功率限制的情況下，有序充電將時間充裕且電量需求較小的第一輛車延遲了30 min，而對充電需求最緊急、停留時間最短的第五輛車給予較大的充電功率，使其在所有車中最先完成充電，滿足了其優先級。對于其余車，有序充電控制程序根據其各自的實時電池SOC狀態和剩余可用充電時間在每一控制時段對其充電功率進行調整，最終所有車充電完成所花費的時間均滿足其預期。

5 結論

文中提出了適用于大規模電動汽車充電應用的兩級充電管理系統結構。該系統不僅適用于分布式充電控制，還適用于集中充電的有序控制。最主要的是結合了這2個方面，能夠真正減輕大量電動汽車負載變化對電網的影響。同時，本系統可以使用有線通信和無線通信2種通信方式，可以使系統狀態的采集和控制命令的傳達更為有效和及時。

另外，在本系統中，電動汽車電池的SOC、停車充電的時間都是模糊控制邏輯的主要影響因素。同時，模糊推理和計算是實時的，并根據觸發條件進行更新。由于充電過程的隨機性和不確定性，很難建立精確的數學模型并根據模型進行控制，而模糊控制不需要精確數學模型，在該應用場合特別適合。仿真實驗證明該控制方法可以有效地解決電動汽車負載的調度控制，減小大規模充電對電網的影響。

[1] MOHSENI P, STEVIE R G. Electric vehicles: Holy grail or fool’s gold[C]∥Power & Energy Society General Meeting, Minnesota, USA, 2009: 1-5.

[2] PILLAI J R, BAK-JENSEN B. Impacts of electric vehicle loads on power distribution systems[C]∥Vehicle Power and Propulsion Conference, Lille, North France, 2010: 1-6.

[3] PARRY E, REDFERN M. Load management of the electricity supply network using plug-in vehicles[C]∥Universities Power Engineering Conference, Cardiff, UK, 2010: 1-6.

[4] SHAHIDINEJAD S, FILIZADEH S, BIBEAU E. Profile of charging load on the grid due to plug-in vehicles[J]. IEEE Transactions on Smart Grid, 2012, 03(1): 135-141.

[5] TREMBLAY O, DESSAINT L A, DEKKICHE A I. A generic battery model for the dynamic simulation of hybrid electric vehicles[C]∥Vehicle Power and Propulsion Conference, IEEE, 2007: 284-289.

[6] CLEMENT-NYNS K, HAESEN E, DRIESEN J. The impact of charging plug-in hybrid electric vehicles on a residential distribution grid[J]. IEEE Transactions on Power Systems, 2010, 25(1): 371-380.

[7] SCHNEIDER K, GERKENSMEYER C, KINTNER-MEYER M, et al.Impact assessment of plug-in hybrid vehicles on pacific northwest distribution systems[C]∥Power and Energy Society General Meeting-Conversion and Delivery of Electrical Energy in the 21st Century. IEEE, 2008: 1-6.

[8] HU W, CHEN Z, BAK-JENSEN B. Optimal operation of electric vehicles in competitive electricity markets and its impact on distribution power systems[C]∥ IEEE PES Powertech, Trondheim, Norway, 2011: 1-7.

[9] BRUCE A G. Reliability analysis of electric utility SCADA systems[C]∥IEEE Power Industry Computer Applications Conference, Columbus, Ohio, 1997: 200-205.

[10] KIM S H, KANG J S, PARK H S, et al. UPnP-ZigBee internetworking architecture mirroring a multi-hop ZigBee network topology[J]. IEEE Transactions on Consumer Electronics, 2009, 55(3).

[11] WAN Xiaofeng, XING Yisi, CAI Lixiang. Application and implementation of CAN bus technology in industry real-time data communication[C]∥ IEEE Industrial Mechatronics and Automation Conference, Changchun, China, 2009: 278-281.

[12] LI Ran, WU Junfeng, WANG Haiying, et al. Design method of CAN BUS network communication structure for electric vehicle[C]∥Strategic Technology, Ulsan, South Korea, 2010: 326-329.

[13] TREMBLAY O, DESSAINT L A, DEKKICHE A I. A generic battery model for the dynamic simulation of hybrid electric vehicles[C]∥ IEEE Vehicle Power and Propulsion Conference, Texas, USA, 2007: 284-289.

[14] LEE C C. Fuzzy logic in control systems: fuzzy logic controller. [J]. IEEE Transactions on Systems, Man, and Cybernetics, 1990, 20(2): 404-418.

[15] MENDEL J M. Fuzzy logic systems for engineering: a tutorial[J]. Proceedings of the IEEE, 1995, 83(3): 345-377.

[16] TEIXEIRA M C M, ZAK S H. Stabilizing controller design for uncertain nonlinear systems using fuzzy Models[J]. IEEE Transactions on Fuzzy Systems, 1999,07(2): 133-142.

(編輯徐林菊)

Smart Charging Control Electrical VehiclesBased on Two-level Charge Management System

ZHANG Jun1, HAN Huachun2, YUAN Zengquan3

(1. China Construction Eighth Engineering Division Co., Ltd, Beijing 100190, China;2. State Grid Jiangsu Electric Power Company Research Institute, Nanjing 211103, China;3. Institute of Electrical Engineering CAS, Beijing 100190, China)

The application of large-scale eectric vehicles (EVs) poses a threat to grid stability if charged without control. It needs expansion of the grid capacity and leads to major investment in current grid and capacity-wasting in low-load time. This paper proposes a solution based on two-level electric vehicles charging management system (EVCMS) to optimal demand side management by means of scheduling charging time and setting charging rates. The influence factors for power management include electricity prices, state-of-charge (SOC) of the battery, electricity available, park duration and others. All these can be achieved through charge terminals (CTs)

electric vehicle; EVCMS; CTs; fuzzy inference

張 軍

2017-04-16；

2017-05-20

TM743

：A

：2096-3203(2017)05-0086-07

張 軍(1985—)，男，山東青島人，工程師，研究方向為建筑材料及電氣(E-mail：suifeng0914@163.com)；

韓華春(1988—)，女，山東濟寧人，博士，研究方向為電動汽車V2G技術、新能源并網關鍵技術(E-mail：598543427@qq.com)；

原增泉(1985—)，男，河南新鄉人，碩士研究生，研究方向為電動汽車充放電系統控制(E-mail：zengquanyuan@mail.iee.ac.cn)。