0引言

全球經(jīng)濟(jì)增長導(dǎo)致化石能源過度消耗，加劇環(huán)境污染。電動汽車因其環(huán)保優(yōu)勢迅速崛起，預(yù)計(jì)到2030年中國電動汽車保有量將達(dá)到6000萬輛。這有助于減少化石能源依賴，推廣綠色出行，但也對電網(wǎng)穩(wěn)定性構(gòu)成挑戰(zhàn)。因此，研究有序充電策略至關(guān)重要。現(xiàn)有研究多關(guān)注充電站成本小，忽略多方利益平衡。本文提出基于優(yōu)劣解距離法的優(yōu)化策略，旨在降低充電成本，實(shí)現(xiàn)電網(wǎng)負(fù)荷削峰填谷。同時(shí)，構(gòu)建綜合考慮配電網(wǎng)交互功率、充電站收益、電池?fù)p耗及放電成本的調(diào)度模型，全面評估優(yōu)化充電過程。針對分布式能源隨機(jī)性，本文構(gòu)建多目標(biāo)兩階段優(yōu)化模型，通過精細(xì)調(diào)度策略平抑能源波動、降低充電成本，并提出含分布式電源和電動汽車充電的優(yōu)化重構(gòu)模型，支持電網(wǎng)穩(wěn)定運(yùn)行和成本效益提升。為適應(yīng)含光伏和儲能單元的社區(qū)環(huán)境，提出基于鼠群優(yōu)化算法的雙層多目標(biāo)有序充電策略，展示智能算法在電動汽車充電管理領(lǐng)域的潛力。最后，設(shè)計(jì)基于云邊協(xié)同的調(diào)度架構(gòu)，利用云計(jì)算和邊緣計(jì)算優(yōu)勢，實(shí)現(xiàn)數(shù)據(jù)快速處理與實(shí)時(shí)響應(yīng)，為電動汽車充電管理的智能化、高效化提供技術(shù)支撐。

1光儲充一體化社區(qū)無序充電分析

1.1光儲充一體化社區(qū)系統(tǒng)結(jié)構(gòu)

圖1呈現(xiàn)了一個(gè)集成了光伏發(fā)電、儲能與充電功能的社區(qū)系統(tǒng)，該系統(tǒng)由光伏單元、儲能單元及變壓器三大核心組件構(gòu)成。圖中箭頭清晰標(biāo)注了電能的流動路徑：光伏單元與電網(wǎng)共同作為電能供應(yīng)源，而充電樁與常規(guī)負(fù)荷則作為電能消耗端。值得注意的是，儲能單元在系統(tǒng)中扮演著雙重角色，它既能作為電源供電，也能作為負(fù)載消耗電能。為便于模型分析，此處將儲能單元在充電狀態(tài)下的功率視為正值，放電時(shí)則視為負(fù)值，從而將其簡化為一種特殊的用電負(fù)荷。

圖1光儲充一體化社區(qū)系統(tǒng)結(jié)構(gòu)

當(dāng)光伏出力超過充電負(fù)荷時(shí)，首先供給充電樁使用，隨后為儲能單元充電，剩余部分則供給常規(guī)負(fù)荷；若光伏出力不足，則由儲能單元提供電力，差額部分則由電網(wǎng)進(jìn)行補(bǔ)充。

1.2社區(qū)無序充電負(fù)荷

居民的充電行為雖具有個(gè)體隨機(jī)性，但其整體趨勢卻深受生活習(xí)慣與出行規(guī)律的雙重影響。本文依據(jù)2017年美國交通部發(fā)布的統(tǒng)計(jì)數(shù)據(jù)，并經(jīng)過精心調(diào)整以更貼近中國居民的出行實(shí)際情況。圖2展示了居民出行規(guī)律的概率密度分布，為我們深入理解這一現(xiàn)象提供了直觀依據(jù)。

圖2居民出行規(guī)律概率密度分布

圖2明確展示了電動汽車的充電行為主要集中在每日的16:00至21:00時(shí)段開始，并在次日的06:00至10:00時(shí)段結(jié)束充電。此外，這些電動汽車的日行駛里程普遍較短，大多不超過50公里。

1.3無序充電負(fù)荷模擬

本文采用蒙特卡洛法來模擬居民電動車的無序充電行為。我們設(shè)定電動車每日充電一次，直至電量完全充滿，且充電過程維持恒定功率，同時(shí)選取了符合社區(qū)特性的常規(guī)充電方式作為模擬基礎(chǔ)。電動車無序充電負(fù)荷的具體模擬流程已在圖3中詳細(xì)展示，其主要步驟如下。

圖3無序充電負(fù)荷模擬流程

1）輸入仿真次數(shù)和電動汽車數(shù)量，并進(jìn)行初始化操作；

2）依據(jù)概率模型隨機(jī)生成充電時(shí)間及行駛里程數(shù)據(jù)；

3)  計(jì)算各次充電的電量，并累加以得到總負(fù)荷；

4)  當(dāng)達(dá)到設(shè)定的仿真次數(shù)后，輸出平均充電負(fù)荷曲線。

1.4社區(qū)無序充電仿真分析

社區(qū)電動汽車充電負(fù)荷、儲能設(shè)備和光伏單元的輸出功率如圖4(a)所示。疊加社區(qū)常規(guī)負(fù)荷后，得到無序充電下的整體負(fù)荷情況，如圖4(b)。光伏單元在08:00至17:00為主要出力時(shí)段，此間光伏發(fā)電量足以覆蓋充電負(fù)荷和儲能設(shè)備能耗，并為常規(guī)負(fù)荷供電，實(shí)現(xiàn)電力就地消納，降低能源損耗。但電動汽車充電負(fù)荷高峰與社區(qū)常規(guī)負(fù)荷高峰重疊，增大峰谷差，加劇電網(wǎng)波動。儲能設(shè)備在此時(shí)釋放電能供給充電樁，降低負(fù)荷峰值，支持電網(wǎng)穩(wěn)定運(yùn)行。

圖4無序充電仿真結(jié)果

在晚上六點(diǎn)到十點(diǎn)時(shí)段內(nèi)，社區(qū)電力負(fù)荷常常超出變壓器的承載能力，進(jìn)而引發(fā)過載現(xiàn)象，并加速了其老化進(jìn)程。相較于傳統(tǒng)社區(qū)，光儲充一體化社區(qū)雖在負(fù)荷峰值及越限時(shí)長上有所緩解，但問題仍舊未得到根本解決，持續(xù)威脅著居民用電的安全性與穩(wěn)定性。因此，深入探索電動汽車充電的有序調(diào)度策略，顯得尤為重要且迫切。。

2基于鼠群優(yōu)化算法的雙層多目標(biāo)有序充電策略

2.1雙層多目標(biāo)有序充電策略

本策略精心構(gòu)建了一個(gè)雙層多目標(biāo)優(yōu)化模型，其核心目的在于有效縮減社區(qū)負(fù)荷的峰谷差異，并極力降低用戶的充電成本。此模型的雙層結(jié)構(gòu)清晰分明：第一層聚焦于電網(wǎng)層面，以削減峰谷差為主要目標(biāo)；第二層則深入用戶層面，旨在通過優(yōu)化減少用戶的充電費(fèi)用，同時(shí)，將電網(wǎng)層的運(yùn)算結(jié)果作為重要約束條件，以確保整個(gè)社區(qū)負(fù)荷的平穩(wěn)運(yùn)行。詳細(xì)的操作流程請參閱圖5。

圖5雙層多目標(biāo)有序充電策略流程

1) 獲取未來24小時(shí)社區(qū)負(fù)荷和光伏預(yù)測數(shù)據(jù)，動態(tài)獲取用戶充電信息，包括充電時(shí)間及充電量；

2) 若有新車接入或用戶改變充電信息，電網(wǎng)層優(yōu)化社區(qū)負(fù)荷峰谷差，輸出充電時(shí)間、光伏充放電功率和充電負(fù)荷；

3) 電網(wǎng)層充電負(fù)荷作為用戶層優(yōu)化模型約束，用戶層優(yōu)化用戶充電費(fèi)用，輸出充電時(shí)間、光伏充放電功率；

4) 重復(fù)步驟2)和3)，直至達(dá)到迭代次數(shù)，輸出新的充電計(jì)劃；

5) 若無新車接入或用戶改變充電信息，遵循上一時(shí)段充電計(jì)劃；

6) 重復(fù)步驟2)—5)，直至優(yōu)化時(shí)段達(dá)到時(shí)段數(shù)。

2.2基于云邊協(xié)同的調(diào)度架構(gòu)

電動汽車有序充電調(diào)度通常采取集中式架構(gòu)設(shè)計(jì)，然而，在大規(guī)模接入場景下，云主站處理海量數(shù)據(jù)可能會引發(fā)計(jì)算延遲甚至錯(cuò)誤。為此，我們依據(jù)“云管邊端”的先進(jìn)理念，創(chuàng)新性地提出了云邊協(xié)同的有序充電調(diào)度架構(gòu)。

圖7基于云邊協(xié)同的調(diào)度架構(gòu)

基于云邊協(xié)同的調(diào)度架構(gòu)涵蓋感知端側(cè)、邊緣側(cè)與云端側(cè)，其調(diào)度流程精煉如下：

用戶借助APP向云平臺發(fā)送充電請求；

1)云平臺匯聚用戶信息、儲能與充電樁狀態(tài)，并整合光伏出力和負(fù)荷預(yù)測數(shù)據(jù)

2)云平臺通過求解優(yōu)化模型，確定充電時(shí)間、儲能功率及負(fù)荷分配，并將相關(guān)參數(shù)下發(fā)至邊緣側(cè)；

3)邊緣側(cè)則負(fù)責(zé)部署并執(zhí)行優(yōu)化模型，接收并處理參數(shù)后，將結(jié)果上傳回云平臺；

4)此過程循環(huán)進(jìn)行，直至達(dá)到迭代次數(shù)，最終生成充電計(jì)劃；

5)充電計(jì)劃的執(zhí)行指令則由邊緣側(cè)直接傳達(dá)至感知端側(cè)設(shè)備，實(shí)現(xiàn)精準(zhǔn)控制。

3算例分析

本文深入探討了湖南某光儲充一體化社區(qū)的詳細(xì)參數(shù)。具體而言，該社區(qū)的光伏單元容量為200kW，發(fā)電成本維持在每千瓦時(shí)0.35元的水平；儲能單元?jiǎng)t擁有200kWh的容量，其充放電功率高達(dá)50kW，且放電深度可達(dá)90%。此外，該社區(qū)的配電網(wǎng)變壓器容量達(dá)到1000kVA，功率因數(shù)保持在0.9的優(yōu)異水平。

在社區(qū)構(gòu)成方面，共有300戶居民，每戶均配備一輛電動汽車，其中電動汽車的滲透率達(dá)到50%，即總共有150輛電動汽車。每輛電動汽車的電池容量為50kWh，百公里耗電量為25kWh，而充電樁的功率則設(shè)定為7kW/h。

在電價(jià)策略上，該社區(qū)采用分時(shí)電價(jià)制度，時(shí)間間隔設(shè)定為?t=1，具體電價(jià)信息請參考表1。

3.2結(jié)果分析

本文通過仿真深入剖析了五種充電場景，具體包括：普通社區(qū)的無序充電模式、光儲充一體化社區(qū)中的無序充電實(shí)踐、電網(wǎng)層級的有序充電策略、用戶層級的有序充電規(guī)劃，以及雙層多目標(biāo)優(yōu)化的有序充電方案。

1)5種充電場景下充電負(fù)荷和社區(qū)負(fù)荷

仿真結(jié)果明確顯示，盡管社區(qū)已經(jīng)配備了光儲單元，但無序充電的方式仍然未能有效解決負(fù)荷越限和波動的問題。針對此，電網(wǎng)層與用戶層的有序充電策略，以及更為復(fù)雜的雙層多目標(biāo)有序充電方案的仿真結(jié)果，已分別呈現(xiàn)在圖8至圖10中。

圖8明確揭示了電網(wǎng)層有序充電的顯著優(yōu)勢：在充分滿足用戶充電需求的基礎(chǔ)上，成功地將負(fù)荷轉(zhuǎn)移至電價(jià)低谷時(shí)段，進(jìn)而實(shí)現(xiàn)了削峰填谷的目標(biāo)。然而，值得注意的是，隨著電動汽車數(shù)量的持續(xù)增長，一個(gè)不可忽視的趨勢顯現(xiàn)——更多負(fù)荷將不可避免地流向電價(jià)平時(shí)段，這一變化直接導(dǎo)致充電成本的攀升，進(jìn)而可能削弱用戶對有序充電策略的積極響應(yīng)度。

圖9顯示，用戶層的有序充電策略有效滿足日常需求，并將用電負(fù)荷轉(zhuǎn)移至電價(jià)低谷和光伏供電時(shí)段，顯著降低費(fèi)用。然而，盡管儲能單元在電價(jià)高峰提供電力支持，緩解用電壓力，但在低谷時(shí)段可能引發(fā)新的負(fù)荷高峰，加劇電網(wǎng)波動。

圖10顯示了雙層多目標(biāo)有序充電策略在負(fù)荷分布上的優(yōu)勢，它能有效分散充電負(fù)荷，實(shí)現(xiàn)削峰填谷，降低峰谷差值，并減少用戶充電成本，提高經(jīng)濟(jì)效益。

2)5種充電場景下負(fù)荷波動對比分析

分析了社區(qū)電動汽車在無序和有序充電策略下的負(fù)荷狀況，詳見表2。

表2顯示，在無序充電狀態(tài)下，社區(qū)負(fù)荷超過變壓器極限，導(dǎo)致過載，峰值達(dá)970.89kW，峰谷差率為54.25%。盡管光儲充一體化社區(qū)通過光伏和儲能系統(tǒng)減少了負(fù)荷峰值和峰谷差率，分別降低45.23kW和2.23%，但未能解決負(fù)荷越限問題。相比之下，三種有序充電策略有效降低負(fù)荷峰谷差，保持峰值在900kW以下。特別是電網(wǎng)層有序充電和雙層多目標(biāo)有序充電策略，分別減少峰谷差223.34kW和194.89kW，峰谷差率下降20.81%和17.37%。

3)5種充電場景下用戶充電費(fèi)用對比分析

社區(qū)電動汽車無序與有序充電策略的充電情況對比分析結(jié)果見表3。

根據(jù)數(shù)據(jù)分析，無序充電模式，電力負(fù)荷主要集中在電價(jià)高峰和平時(shí)段，從而導(dǎo)致費(fèi)用增加，而有序充電策略將負(fù)荷轉(zhuǎn)移至電價(jià)低谷和光伏時(shí)段，可以有效降低費(fèi)用。用戶層和雙層多目標(biāo)有序充電實(shí)踐效果顯著，均價(jià)分別下降0.43元/kWh和0.4元/kWh。

三種有序充電策略均有效，但用戶層策略可能引發(fā)新的負(fù)荷高峰，對減少峰谷差構(gòu)成挑戰(zhàn)。電網(wǎng)層策略在降低用戶成本方面考慮不足，可能減弱用戶響應(yīng)積極性。

雙層多目標(biāo)有序充電策略在平衡需求方面表現(xiàn)優(yōu)異，有效降低負(fù)荷峰谷差和用戶費(fèi)用，提升經(jīng)濟(jì)效益和用戶響應(yīng)積極性，是電動汽車充電管理優(yōu)化的理想選擇。

4解決方案

圖11平臺結(jié)構(gòu)圖

充電運(yùn)營管理平臺依托物聯(lián)網(wǎng)與大數(shù)據(jù)技術(shù)，實(shí)現(xiàn)對充電樁的精準(zhǔn)監(jiān)控、智能調(diào)度與高效管理，旨在提升充電樁的使用效率與充電速率，進(jìn)而優(yōu)化用戶的充電體驗(yàn)。用戶可便捷預(yù)約充電時(shí)段，有效規(guī)避排隊(duì)等待，同時(shí)為充電站提供精準(zhǔn)的需求預(yù)測數(shù)據(jù)，助力其實(shí)現(xiàn)精細(xì)化管理。該平臺能夠?qū)崟r(shí)追蹤充電樁的各項(xiàng)運(yùn)行參數(shù)，迅速響應(yīng)并處理各類故障，精準(zhǔn)調(diào)控充電功率，確保電網(wǎng)負(fù)荷維持在合理區(qū)間，保障能源供應(yīng)的穩(wěn)定與安全。

5安科瑞充電樁云平臺具體的功能

平臺監(jiān)控充電樁，并對光伏發(fā)電、儲能及供電系統(tǒng)進(jìn)行集中化管理，旨在提升整體運(yùn)行的可靠性并有效降低成本。系統(tǒng)架構(gòu)詳情請參考圖示。

圖12充電樁運(yùn)營管理平臺系統(tǒng)架構(gòu)

大屏展示充電站設(shè)備統(tǒng)計(jì)、使用率排行榜、運(yùn)營統(tǒng)計(jì)圖表及節(jié)碳量統(tǒng)計(jì)等關(guān)鍵數(shù)據(jù)。

圖13大屏展示界面

站點(diǎn)監(jiān)控功能全面，實(shí)時(shí)呈現(xiàn)設(shè)備狀態(tài)、詳盡設(shè)備列表、日志記錄以及狀態(tài)統(tǒng)計(jì)等關(guān)鍵信息。

圖14站點(diǎn)監(jiān)控界面

設(shè)備監(jiān)控：實(shí)時(shí)展示設(shè)備信息、配套設(shè)備狀態(tài)、設(shè)備運(yùn)行曲線、相關(guān)訂單詳情及充電功率變化曲線等。

圖15設(shè)備監(jiān)控界面

運(yùn)營趨勢統(tǒng)計(jì)概覽：全面呈現(xiàn)運(yùn)營信息查詢、站點(diǎn)對比曲線圖、日月年詳盡報(bào)表、及站點(diǎn)對比列表等核心功能。

圖16運(yùn)營趨勢界面

收益查詢系統(tǒng)：全面展示收益匯總概覽、精確提供實(shí)際收益報(bào)表、直觀呈現(xiàn)收益變化曲線、詳盡分析支付方式占比等核心功能。

圖17收益查詢界面

故障分析：涵蓋故障匯總、故障狀態(tài)餅圖展示、故障趨勢深度剖析以及故障類型餅圖呈現(xiàn)等功能。

圖18故障分析界面

訂單記錄功能升級，包括實(shí)時(shí)和歷史訂單查詢、訂單終止、詳盡詳情查看、訂單導(dǎo)出、運(yùn)營商應(yīng)收信息、充電明細(xì)、交易流水查詢及充值余額追蹤。

圖19訂單查詢界面

6產(chǎn)品選型

7現(xiàn)場圖片

8結(jié)論

光儲充一體化社區(qū)通過鼠群優(yōu)化算法實(shí)現(xiàn)雙層多目標(biāo)有序充電策略，既滿足電網(wǎng)和用戶利益，減少峰谷差，又降低充電成本。云邊協(xié)同調(diào)度架構(gòu)有效應(yīng)對大規(guī)模電動汽車接入。算例分析顯示，該策略優(yōu)于無序和單層有序充電，實(shí)現(xiàn)削峰填谷，節(jié)約成本，確保電網(wǎng)安全穩(wěn)定。未來研究將考慮不同電動汽車型號、電池類型，擴(kuò)展至更廣泛場景。

參考文獻(xiàn)

[1]康童,朱吉然,馮楚瑞,范敏,任磊,唐海國.面向光儲充一體化社區(qū)的有序充電策略研究

[2]張延宇,饒新朋,周書奎,等.基于深度強(qiáng)化學(xué)習(xí)的電動汽車充電調(diào)度算法研究進(jìn)展[J].電力系統(tǒng)保護(hù)與控制,2022,50(16):179-187.

[3]李景麗,時(shí)永凱,張琳娟,等.考慮電動汽車有序充電的光儲充電站儲能容量優(yōu)化策略[J].電力系統(tǒng)保護(hù)與控制,2021,49(7):94-102.

[4]鄧慧瓊,張曉飛,曾凡淦,等.動態(tài)分時(shí)電價(jià)機(jī)制下的電動汽車充放電調(diào)度策略研究[J].智慧電力,2023,51(3):59-66,78.

[5]安科瑞企業(yè)微電網(wǎng)設(shè)計(jì)與應(yīng)用手冊2022.5版.