一種制定充電排班計劃指導充電過程的方法

歐陽凌云

摘要：以上海市真南路大型停車場為例，通過建模、大數據計算、排序算法等技術手段，制定一天所有車輛的充電排班計劃。根據現場實際車輛進出場情況分布式計算充電時序，對充電排班計劃進行調整。從而改變隨到隨充的充電模式，可能造成的高峰用電、漏充、少充、用電負荷安全等問題，滿足公交營運需求，合理調配充電資源。

關鍵詞：充電排班計劃;充電時序;建模;排序算法

中圖分類號：TP3 ? ? ? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2020）17-0231-04

1引言

《2016年度中國新能源公交車推廣應用研究報告》數據顯示，2016年全國新增公交車9萬多輛，其中八成以上是新能源車型，《報告》中預測，按照推廣目錄要求，2019年新能源公交車數量將突破30萬輛。顯然，新能源公交行業前景可期。然而，在產業發展的背后，仍存在不少亟待解決的問題，除了車輛安全、電池技術創新等問題，還有公交的營運特性的限制和電力負荷能力的約束。

公交行業具有很強的時段性，上海地方交通法規規定：工作日的早高峰： 7：30 - 9：30、 晚高峰： 16：30 - 18：30，對于純電動公交汽車，電池容量大，雖然采用直流大功率等不同的技術手段，然而不可避免的，所有車輛會夜間回停車場，集中充電;公交充電不同于私家車，私家車可以按先來后到，排隊充電，公交是有運營要求的，要確保準點發車，對于充電車輛的時序有要求;公交充電地點集中，用電容量會產生飽和，有用電安全問題;公交充電時間集中，慢充雖然相對安全，但充電時間長，通常慢充充滿電平均耗時2小時左右，可以考慮削峰填谷，但此方式不一定滿足公交營運;一機幾充影響幾輛車的充電速率，不是直接的數據疊加，每增減一輛都會影響整個充電機上的其他車輛充電速率。

2制定充電序列指導充電過程的必要性

隨著國家十三五規劃綱要的發布，我集團公司積極響應號召，已經擬定2018年至2022年，新能源公交車將從現在2000臺車增至8000臺。至2019年底，真南路停車場（簡稱真南場）需服務的車輛數，從2016年的200輛，增至380輛。車少、電力負荷充足的時候，現場可以采用削峰填谷、排隊充電模式。然而，伴隨服務車輛數增多，許多未知數、許多行業的特性限制帶來的問題也接踵而來。比如，公交調度方式多樣，每天的出車數不固定，充電場不知道當天需要服務的車數，尚有多少車輛沒進場？當前的電力負荷下，場站還能服務多少輛車？計劃充電400輛車，如果采用谷時充電，會不會影響頭班發車？如果谷時段完不成充電任務，又該采用什么方式充電？等等，如果采用盲充（充多少算多少）的模式，很可能造成管理混亂，評估錯誤，高峰用電、漏充、少充、用電負荷安全等問題。因此，急需一種方法手段輔助運營管理。

為了改善這些問題，本文提出了一種制定充電排班計劃指導充電過程的方法。以滿足公交營運為前提，綜合考慮充電時間、場站電力負荷，根據充、放電數據的規律搭建數據模型，分布式實時計算充電時序，產生充電排班計劃，以充電排班計劃為基礎，指導現場充電工作。

為了易于算法實現，本文提出的方法，忽略個性差異，統一參數線性建模，忽略電壓變化，只考慮恒流段充電電流，以單樁的最大功率估算場站的最大電力負荷。參考公交的營運特性和谷時優先，以22：00為充電開始點（谷時開始時間）正序推算充電時序，或以4：00為充電結束點（公交營運的起點）倒序推算充電時序，產生一天所有車輛的充電排隊計劃。隨著現場實際車輛進出場，修正該車輛的開始充電時間及修正此車后序的充電車輛的充電時段;若中途遇到臨時充電情況，產生預約充電機制，提高其權重，重算充電時序，對充電排隊計劃進行調整。通過對此方法的研究，為每輛車做充電計劃，解決漏充、少充的問題;為充電車輛排序，調配充電資源，解決用電負荷不足的問題;模擬調整車數、設備數，計算場站飽和度（即最大充電功率最大服務車輛數），優化充電功率的利用率。模擬調整不同的充電模式，如削峰填谷（6：00為谷時結束時間），以獲得經濟效益。力求充電過程管理流程化、簡單化，只需查詢充電排班計劃的執行情況，即可得運營情況。

相較于其他有序充電控制方法，如，以錯峰節能為目的的有序充電方法，其滿足私家電動汽車充電，本文認為，公共交通的首要目標不是盈利，是社會公益性的，在滿足營運的基礎上，降低成本，節約資源，安全生產，本方法更貼切公交行業。如，以車樁網一體化的充電調度方法，解決的是調度質量不高，新能源公交車利用率偏低的問題，側重調度優化，采用的也是先到先充，先充先發方式。本文認為，路況復雜，大型停車場離市區或終點站較遠，不適合隨時調整發車次序及單邊回場充電，本方法更滿足上海公交現狀。

3構建模型

3.1模型的假設條件

充電時序算法是本方法的核心算法，使用大數據計算、大數據建模，所有充電樁充放電過程按照統一參數線性建模，不考慮樁使用年度的差異;相同品牌、型號的車輛不考慮差異性，充放電過程按照統一參數線性建模，不考慮使用年度的差異;到達時間按照排班時間計算，不考慮路況影響;殘余電量按照里程乘以單位平均耗電量線性計算，不考慮路況、駕駛員影響;車輛動態接入充電樁所有電氣參數按照線性計算。充電場站執行充電排班計劃，每有一輛車準備充電或充電結束，實時分布式計算重新規劃、計劃。

3.2模型的建立

3.2.1線性車輛放電模型

x為全天行駛公里數，單位km，y為所需充電量，單位Kwh，以2019年5月的數據擬合，全天行駛公里數參考后期整合圈數，充電量為當日8：00至次日8：00。

3.2.1.1分車型，線性放電模型

3.2.1.2分車型、線路，線性放電模型

3.2.2線性車輛充電模型

x為充電量（耗電量），單位Ah，y為所需充電時長，單位min，以2019年5月的數據擬合，充電量為當日8：00至次日8：00。

3.2.2.1分車型，線性充電模型

3.2.2.2分車型、線路，線性充電模型

3.2.3 SOC估算模型

3.2.4用電功率調整，對比效果

圖5為真南場2019年5月實際營運的用電功率，服務車數360輛，從18：00（峰時）充至3：00（谷時）。

圖6為理想化功率負荷調整，白天平時少量補電，夜間只谷時用電，達到錯峰用電，經濟效益最優。

4模型應用

4.1 構建大數據服務中心

采用大數據框架，能很好地解決計算的速度問題。上海市浦西地區12個大型停車場，670個充電設備，2，688個充電終端，考慮充電高峰時段的并發，對充電時序的重算有很高的實時性要求。為此，平臺技術架構如下：

平臺技術架構分五層，存儲層、中間件層、緩存層、業務層和展示層：存儲層中，數據庫Mysql、搜索服務器Elasticsearch分別是對業務數據和實際接口存儲;中間件層中有logstash、kafka，logstash收集實際接口數據，存儲在Elasticsearch中，kafka實際接口數據收到保存kafka隊列中，交給業務層處理;緩存層中，redis、臨時存儲業務數據，減輕對數據庫的壓力;業務層中，負責處理系統相關業務，數據計算包括數據分析計算，報表計算，大屏計算，充電排班計劃計算等;展示層中負責系統與用戶進行交互，使用vue.js，element-ui，echart.js，node.js，百度地圖，jquery， videojs-contrib-hls.js等相關技術。

4.2 算法實現

4.2.1充電約束

（1）排班時間約束：22：00為充電開始點（谷時段開始時間）正序推算充電時序;4：00為充電結束點（公交營運的起點），倒序推算充電序列（充電開始點、充電結束點是可配置參數）。

（2）時間約束：充電開始時間晚于入場時間，充電結束時間早于出場時間。

（3）優先級約束：“先到先充”等價于“晚到先排”。

（4）車位約束：車位號等同于槍號，以車隊為單位，車位有區域限制。

（5）充電SOC約束：剩余SOC充至目標SOC，100%（目標SOC是可配置參數）。

（6）充電間隔約束：充電間隔10秒（充電間隔是可配置參數）。

（7）設備功率約束：單樁單槍，以單樁的最大功率工作。

4.2.2充電排班計劃內容

充電時序算法產生充電排班計劃，其內容包括：營運公司、車隊、車牌、場站、充電樁、充電槍、計劃離場時間、計劃充電開始時間、計劃充電結束時間、當前SOC、剩余充電時間。

4.2.3充電用時公式

T=0.3428 * X* （1 - Y） + 5.8204 + 1

其中，T表示充電需用時，X表示電池的額定容量，Y表示回場時的剩余SOC，默認SOC充至100%，取常數1。

4.2.4充電排班計劃示意圖

4.2.5算法流程

以正序算法為例。首先進行數據初始化，例如計劃路單的初始化，充電槍、充電樁及其所屬關系的初始化，計劃路單根據公交公司總調度的每日安排行車計劃確定，數據初始化完成之后進入計劃排班，形成充電排班計劃后進行數據存儲。在計劃排班中，首先設置排班的起始時間和排班數量，當到達樁上最大使用時間后，釋放當前充完電的充電樁，查找每個車隊最晚到達、未充電且出場時間大于樁上最大使用時間的車輛，為每個車隊最晚到達車輛安排充電。各車隊回場時間最晚的車輛，充電排序的優先級越高。

4.2.6功率預測的結果分析

充電排班計劃生成后，可計算每輛車的充電電量，充電電量的單位是Kwh，因此可以通過單位時間內充電時長的占比推算功率曲線。以真南場為例，建場初期，現場工作不清楚場站的負荷能力，為防止充電不及時導致車輛無法出場，采用了隨到隨充的模式。通過制定充電排班計劃，反映成預測功率曲線，從圖10可以推斷，真南場可以采用谷時充電模式。真南場參考此分析結論，優化充電模式，為防止意外發生及增加服務車數，晚高峰充電工作調整為21點開始，從調整工作后的曲線圖11上可以看出，實際充電情況與預測基本吻合。另外從圖可得出，在正常情況下，充電功率的利用仍有優化的空間，場站尚有余量為更多的車輛服務的結論。

從充電排班計劃預測的功率曲線可得出，曲線的精度受充電時長的測算、電樁的實際功率影響最大。充電時長的測算正是模型研究的結果，電池的充電效能跟電池的健康狀況有關，不健康的狀態會影響電池的充電速率，因此電池的不同年限，充電速率也不同。另一個因素電樁的實際功率在充電中是非線性變化的，本方法雖然使用最大的單樁功率，但也考慮它的非線性輸出及因散熱采用的降額，在做測算時最大的單樁功率做了系數處理。

4.3大數據服務中心與公交車互動實例

大數據服務中心與公交車互動包括如下步驟。

（1）公交車的車載終端通過公交公司總調度系統與大數據服務中心實時通信，上傳行駛里程。

（2）大數據服務中心接收里程信息，與環比電池電量衰減情況及今日路單計劃里程對比，當出現“當前電量不足以完成剩下的計劃里程”“電池電量衰減異常”“計劃回場充電”等計算結論時，產生“建議信息”，發送至車載終端，建議回場。

（3）司機確認，向充電場站發送預約鎖定信息。

（4）公交車進停車場后，車位檢測系統確認就位，發送確認信息至大數據服務中心。

（5）公交車插槍后，進入大數據服務中心的充電排隊隊列，由大數據服務中心按明日的發車計劃、計劃營運公里及當前剩余SOC和電池的容量等，計算出充電車輛的優先級及采用的最優充電模式，開始全場站統一調配資源。

（6）公交車開始充電，由大數據服務中心監控充電進程及安全，隨時更新充電排隊隊列及調整資源。

（7）充電完成后，退出充電排隊隊列，大數據服務中心回收資源。

5結論

本文闡述了一種制定充電排班計劃指導充電過程的方法，強調滿足公交營運計劃的基礎上，輔助其優化管理。通過在真南場的應用實踐，有效解決了高峰用電期間發生的漏充、少充、用電安全等問題，在此算法基礎上，可通過修改場內車輛數、充電設施數、充電時段、目標SOC等參數，模擬充電模式和推測場站飽和度，使得調配資源有了合理的依據，為大型停車場規劃提出合理建議，具有一定的實際意義。在計劃的指導下，精細化充電管理工作，是一種充電管理方法的新探索。本文所述的充電時序算法實現，采用大數據框架，大數據計算，是技術的提升。多平臺的數據共享和對多類型數據融合分析，強化了數據的關聯性分析。

因目前場站內服務車輛數不飽和，因此只采用了線性建模、排序算法構建充電時序模型，當場站服務車輛數趨近飽和時，需要通過控制每輛車充電電量達到節能和擴大場站的服務能力。因此，需要構建更為細致的智能充電模型。如，充電樁建模是充電樁充電過程線性模型的參數估計;車輛建模是給定品牌、型號的車輛充電、放電線性模型的參數估計;充電系統建模是車輛接入、離開充電樁時電氣參數變化的動態更新;車輛行為和狀態建模是依賴于出廠電量、行駛里程的車輛耗電計算;車輛到達、離開場站的排隊模擬;車輛動態接入、離開充電系統的排隊模擬;充電樁服務車輛的過程建模;電力負荷、單車最小充電量約束下的充電樁任務分配方案隨機事件生成算法;充電樁任務分配方案的性能評估模型;充電樁調度機制的優化算法;優化調度下最大服務車輛數的計算。希冀進一步的研究和研發可以為大型充電場管理提供更優質的服務。

參考文獻：

[1] 胡杰，蔡世杰，黃騰飛，王成，杜常清. 電動汽車動力電池充電能量的預測方法[J].機械科學與技術，2019.

[2] [澳]亞歷山大·泰勒，丹尼爾·瓦茲尼格 主編 陳勇 譯.新能源汽車動力電池技術[M].北京理工大學出版社， 2017.

[3] 周志敏，紀愛華.電動汽車充電站樁工程設計[M].電子工業出版社出版，2017.

[4] 姜久春.電動汽車充電設施運作與維護技術[M]. 北京交通大學出版社， 2016.

[5] 姜久春.電動汽車充電技術及系統[M]. 北京交通大學出版社， 2018.

【通聯編輯：代影】