基于多時間尺度的電動汽車硬件在環仿真平臺

楊 凱， 林永君， 白青飛， 陳 鑫， 李 靜

(華北電力大學 新能源電力系統國家重點實驗室，河北 保定 071003)

0 引 言

在碳達峰、碳中和背景下，一方面電動汽車的使用在生產生活中愈演愈烈，另一方面，電動汽車大規模的接入電網會作為大功率的非線性負荷，充放電會影響電網的電能質量，增加電網諧波含量[1]。因而，國內外對電動汽車接入電網（V2G）影響的研究分析變為重中之重，但涉及到多為電動汽車與電網互動控制策略等理論研究，文獻[2]基于經濟性開發了電動汽車與電網泛在互聯的智能儲能技術平臺；文獻[3]通過建立面向智能網聯汽車的云數據平臺為車聯網技術在邊緣落地提供可行的方案；文獻[4]基于云的大數據平臺探索不同智能算法下的電池電動汽車對電網的影響；文獻[5]利用MySQL和Java搭建了一種基于分層架構的大規模電動汽車有序充電仿真平臺，并用于不同算法下的大規模電動汽車充電行為的驗證分析和比較；文獻[6]基于云平臺和物聯網技術設計算法應用于電動汽車有序充電調度系統；文獻[7]建立電動汽車與電網互動充電安全實驗系統，實現了V2G之間能量和信息的雙向互動，為實現電動汽車參與電網削峰填谷、調頻等奠定了技術基礎；文獻[8]建立電動汽車與充電設施監控平臺解決不同電動汽車充電站信息共享問題以降低電動汽車充電對電網的影響；文獻[9]提出了大規模電動汽車與電網互動的總體研究思路；文獻[10]基于國家標志開發了電動汽車直流充電樁自動化測試平臺，閉環測試實現了對充電設施各項功能的指標。

雖然上述研究針對V2G中的關鍵問題進行仿真分析和研究，但是大部分基于控制策略的理論研究，因此有必要搭建一個針對多場景下的車網智能互動仿真平臺[11]，通過模擬多時間尺度下電動汽車接入電網仿真的仿真驗證。本文設計了基于多時間尺度的車網協同硬件在環仿真平臺，該平臺的搭建涉及實時數據庫、仿真模型、能量管理系統和硬件設備，該平臺通過實現車網智能互動整個運行過程中能量和信息的閉環流動，及調度過程數據的可視化，可以給電動汽車用戶、充電站和電網調度等相關人員實時調度和遠端測試。仿真平臺可用于模擬不同場景下電動汽車充放電與電網互動的影響，也可用于電網、充電設施、臺區充電站、智能樓宇、家庭等各個要素的實時仿真和充電樁的檢測。

1 車網智能互動平臺的需求分析

基于多種場景下電動汽車充放電能量與電網互動能力的仿真，仿真平臺應具有以下功能：

1）具備車網智能互動硬件在環仿真實驗功能，實現電動汽車充放電能量與電網仿真系統的有效互動、智能有序充電、新能源消納、需求響應等驗證分析。

2）平臺可視化界面基于html5，B/S架構，支持本地部署多終端使用，基于需求具備延展性和可擴展性和周密的系統安全防范。

3）模型算法庫既可以支持目前多種算法的同步仿真測試，也可以基于需求自定義算法模型，支持用戶在線修改與調整策略組態。

4)基于車網智能互動平臺，針對不同用戶需求如滿足個體用戶實現電動汽車充放電經濟性、電動汽車實現充電樁及電動汽車的檢測、管理機構通過獲取數據進而制定有效政策。

基于上述需求，電動汽車與電網將通過車網智能互動平臺這個橋梁連接上下層管理，從而實現信息互動與管理。

2 平臺實現

2.1 整體框架

所建立車網互動硬件在環仿真平臺，以實時數據庫為橋梁，連接上層能量管理系統、底層實時仿真模型與硬件設備；其中實時仿真模型與數據庫間基于Modbus TCP/IP協議進行數據傳輸，硬件設備與實時數據庫間基于串口實現數據傳輸，通過C#編寫計算引擎算法，實現對能量管理算法的調用，實現上層能量管理算法與實時數據庫間的通信，基于數據庫開發的可視化界面可實時展示各層級間的交互數據，平臺整體框架見圖1。

圖1 車網協同硬件在環仿真平臺框架

2.2 軟件架構

2.2.1 數據庫實現

實時數據庫與上層的能量管理系統及下層的硬件在環實時仿真相連接，使得平臺運行過程中的實時數據存儲、維護及查詢，為數據分析系統的開發和應用提供了一個數據平臺，實現管理信息的實時性、高效性。

仿真平臺運行過程涉及設備多，考慮到各系統特性不一致。因此，針對目前涉及到的設備進行分檔建表，如表1所示，并將實時運行參數存儲于數據庫中，可以對歷史數據進行有效查詢以及展示實時動態特性參數。并方便后續平臺數據的拓展性。

表1 設備參數

本平臺采用基于MySql開發的分布式時序數據庫。該數據庫可提供量級高效寫入存儲功能，具有可擴展的數據協同應用，并提供自定義的計算引擎庫，可供用戶設計能量管理算法，提供圖形化的應用開發界面等優異特性。實時數據庫為一個模塊化軟件系統，主要分為計算引擎模塊和服務器模塊，計算引擎模塊負責能量管理算法的設計，服務器模塊負責數據采集，壓縮，存儲等工作。

2.2.2 能量管理算法及接口

基于數據庫設計，進行能量管理算法的開發。仿真平臺基于不同場景建立算法引擎庫，可以實現算法管理、調試及添加用戶定制功能的算法實現策略組態和運行。算法引擎庫根據數據庫提供的參數設置算法輸入和輸出，即可實現能量管理系統運行。針對典型的V2G、V2B和V2H場景設計了3種算法：V2G算法、V2B算法和V2G算法。限于論文篇幅的限值，本論文著重分析V2B場景。

V2B場景以分散式資源的當前時刻輸出功率、電動汽車充電站充放電和電網交互功率以及電動汽車充放電狀態為優化變量[12-13]，建立電動汽車與智能樓宇互動的多時間尺度單目標優化運行能量管理模型。

1）目標函數。基于有序調度電動汽車充放電行為實現樓宇微網運行成本最小為目標，其目標函數為：

3）日內模型建立。基于日前優化模型求解的基礎上，模擬風光不確定性，利用蓄電池充放電功率以及聚合電動汽車的上下可調整量電網進行調節。蓄電池約束條件如下所示：

據日前階段小時級預測數據，以電網聯絡線功率和售電價格為目標；日內模擬風光不確定性，綜合利用分散式柔性可調資源功率調節，建立在約束條件下的多時間尺度優化算法[14]。流程圖如圖2所示運行V2B算法時，依據各設備調度從數據庫中獲取實時各設備出力作為算法輸入，計算出經濟性最優。

圖2 多時間尺度算法流程圖

2.2.3 平臺算法接口

仿真平臺算法接口采用圖3所示，設計的平臺算法接口1基于Matlab建立能量管理算法，經打包生成引擎庫可調用的DLL，嵌入值數據庫系統后臺，實現算法模型的調用；平臺算法接口2采用C#直接調用外部程序文件，從而實現外部求解器算法模型的嵌入調度。

圖3 仿真平臺算法接口模型

能量管理算法采用繼承化設計，支持自定義功能算法策略組態，并支持多種算法策略同步進行，建立算法模塊可進行在線調整、修改及模塊周期設定，為后續算法擴展提供便捷的設計。

2.2.4 平臺可視化界面

監控組態界面基于C#所開發的可視化界面如圖4所示，畫面實時參數均展示實時仿真模型過程參數，其包括靜態特性參數，實時運行測量參數等；基于上層能量管理系統的算法引擎庫獲取底層資源的動態特性過程數據，統計分析其運行趨勢及運行結果。

圖4 可視化平臺監控組態界面

2.2.5 仿真模型庫

為搭建不同場景下的底層模型，增強底層模型的可重構性，為此本文基于Simulink建立區域電網與電動汽車互動模型庫，所建立模型庫包含主流電動汽車、充電設施、配電網架構、風光儲系統、居民典型負荷、工業典型負荷等數據模型。

基于所建立車網協同模型庫，搭建V2B場景底層模型，如圖5為V2B場景模型。基于Benchmark算例確定底層拓撲結構和網架結構[15]，所建立模型中含有風機、光伏等可再生能源以及儲能系統用來在微網孤島運行時的提供功率支撐，系統負荷包含電動汽車充電樁[16]，固定負荷以及移時負荷。

圖5 V2B場景Simulink模型

2.3 硬件架構

2.3.1 電網實時仿真器

車網協同硬件在環仿真平臺[17]硬件采用上海遠寬能源公司所生產的電網仿真器，該仿真器配套有StarSim相關軟件，在StarSim中進行子系統劃分，利用StarSim組建可視化操作界面，StarSim和PXI通過各自的數字量和模擬量通道實現通信和控制的交互。所配套監控畫面用于對微秒級別的小步長實時仿真數據的展示。在硬件在環過程中，只需要將模型的輸入輸出與實際的硬件IO映射起來，即可實時仿真。運行功率硬件在環結構如圖6所示。

圖6 功率硬件在環數字側示意圖

基于上述搭建的微網仿真模型，在滿足離線運行要求后，按照StarSim軟件拆分規則，將模型拆分為FPGA模型和CPU模型，FPGA上主要為小步長實時仿真的電子電力模型，CPU為用戶自定義的控制算法Control Block，它與FPGA上的電子電力模型實現自閉環一起構成實時仿真系統。

2.3.2 硬件設備

車網協同硬件在環仿真平臺架構圖如圖7所示。基于所設計車網協同模型庫搭建場景Simulink底層仿真模型，通過StarSim軟件生成可執行文件，載入電網實時仿真器，載入同時將微電網模型中3個通道模擬量通過I/O采集板卡采集到功率放大器輸入端（±10 V交流信號）。電網仿真器則模擬一個區域電網，按多時間尺度模擬電網的用電預測，生成區域電網的負荷需求和發電需求，功率放大器和電網仿真器硬件在環接口相連，接受仿真信號并放大，模擬電網特性。功率放大器后接直流充放電機和光儲一體機。直流充放電機后接電池模擬器，二者結合模擬電動汽車系統。電動汽車模擬系統和光儲一體機按接受到需求信息響應。直流充放電機與電池模擬器中間連接線放置傳感器將電流信號通過I/O采集板卡的模擬量輸入通道傳回至電網實時仿真器的微電網模型，并乘以相應系數還原為真實值進行處理，從而更改模型中相關單元的運行狀態。與此同時基于實時數據庫的能量管理系統啟動，實時監測各設備的運行參數，并根據實時數據生成能量調度指令進而控制設備的響應，圖8為整體流程圖。

圖8 車網協同仿真平臺流程圖

3 平臺測試

針對V2B場景，所設計場景電壓等級為10.5 kV，系統包含風力發電機組、光伏發電機組，可調控電動汽車資源，蓄電池以及10 kW可投切負荷。其中風電機組裝機容量為160 kW，光伏機組裝機容量為220 kW，可調控電動汽車規模為15輛，單輛車充電功率上限設為20 kW/h，放電功率上限為5 kW/h，單車容量設為50 kWh。

V2B場景樓宇電網交互功率匯總圖展現能量管理系統指令下控至子系統模型，如圖9所示源側與荷側設備能耗基于橫軸對稱，及滿足功率平衡條件，驗證了所建立simulink模型的有效性。該場景以智能樓宇運行成本最小為目標，優化電動汽車的充放電行為，所考慮電動汽車基于蒙特卡羅抽樣得樓宇微網電動汽車出行規律曲線，如圖9中藍色實現即電網購電曲線及在電價較高時段參與電網放電，在電價較低時段進行充電以滿足出行要求，電網價格的設定與電網負荷成正比關系；電動汽車充放電行為見圖10中7:00-9:00、15:00-19:00時刻，此時電價較高電動汽車參與放電，20:00-21:00時刻此時電價較低，同時為滿足離開時刻約束電動汽車出現充電峰值。對比電動汽車無序充電曲線如圖10中藍線所示，0:00-4:00，22:00-4:00由抽樣函數的緣故無可調度汽車故有序無序曲線均為零。

圖9 V2B場景功率匯總曲線

圖10 電動汽車充放電曲線

由風、光等可在可再生能源與樓宇剛性負荷預測的偏差，考慮在更短的時間段對其進行調度，以彌補預測偏差同時跟蹤日前電網聯絡線功率，可再生能源預測偏差通過疊加擾動模擬得到，在日內基于15 min時間尺度對聚合電動汽車出力，移時負荷進行調整，當新能源發電差值大于負荷差值時顯示新能源過剩，不投切負荷；當新能源發電偏差小于負荷時，切除負荷以消除偏差，如圖11中粉色柱狀圖所示，所設計場景通過合理調度電動汽車參與調度并在日內引入移時負荷以及蓄電池參與合理調整以消除預測偏差跟蹤日前電網聯絡線功率，相比電動汽車無序充電可節約549.5元。

圖11 負荷功率匯總曲線

4 結束語

本文應用分層架構建立了基于多時間尺度的車網協同硬件在環仿真平臺，用于實現對車網協同過程數據的實時監測與仿真過程參數的可視化，基于平臺架構完成V2B、V2G和V2H場景能量調度算法的仿真驗證。該平臺具有以下特性：

1)能夠完成實現電網、充電設施、臺區充電站、智能樓宇、家庭等各個要素的實時仿真。

2)基于不同場景仿真模擬電動汽車充放電能量與電網仿真器的有效互動以及充電樁的檢測等。

3)依據引擎庫不同的算法靈活組合算法設計并實現引擎庫的拓展和開發。

基于仿真分析，驗證了V2B、V2H和V2G能量管理算法的可行性。本文設計的硬件在環仿真平臺涉及硬件和軟件架構，可實現電動汽車與電網智能互動技術等應用場景下的互動策略仿真與分析研究，該平臺對半實物半物理仿真測試平臺的開發有借鑒意義，具有一定的工程應用價值。