電動汽車充換電站換電池的有序充電優(yōu)化

戎曉雪,劉熙媛,孫啟明,別朝紅

(1.國網(wǎng)濟(jì)南供電公司，濟(jì)南市 250000；2.電力設(shè)備電氣絕緣國家重點實驗室(西安交通大學(xué))，西安市 710049)

?

電動汽車充換電站換電池的有序充電優(yōu)化

戎曉雪1,劉熙媛2,孫啟明1,別朝紅2

(1.國網(wǎng)濟(jì)南供電公司，濟(jì)南市 250000；2.電力設(shè)備電氣絕緣國家重點實驗室(西安交通大學(xué))，西安市 710049)

大規(guī)模的電動汽車充電負(fù)荷具有大功率、波動性和不確定性的特點，將給電網(wǎng)帶來峰值增高、電壓波動等不利影響。為了降低電動汽車充電負(fù)荷對電網(wǎng)的不利影響，建立了電動汽車充換電站換電池的充電優(yōu)化模型。通過對換電池在充電過程中充電時間、充電功率和電池電量的實測數(shù)據(jù)進(jìn)行擬合，得到了電動汽車換電池的充電特性。以此為基礎(chǔ)，建立了電動汽車充換電站的換電池有序充電模型，該模型在滿足充電機(jī)數(shù)量、電動汽車對換電池的需求、充換電站容量和變電站容量約束的前提下，最小化所屬變電站負(fù)荷曲線的離差平方和，并應(yīng)用遺傳算法實現(xiàn)了有序充電模型的快速求解。以山東省某電動汽車充換電站為算例，證明了該模型的快速性、正確性和有效性。

電動汽車；充換電站；換電池；充電特性；有序充電

0 引 言

大規(guī)模電動汽車的充電負(fù)荷將給電網(wǎng)運(yùn)行和規(guī)劃帶來了新的挑戰(zhàn)。研究表明，大規(guī)模電動汽車的無秩序充電將會對配電網(wǎng)絡(luò)帶來很多不利影響，造成電網(wǎng)負(fù)荷峰值增高[1]、網(wǎng)損增大、電壓降低[2]，并給電網(wǎng)帶來諧波，影響電能質(zhì)量[3]。另一方面，電動汽車充電負(fù)荷具有明顯的隨機(jī)性，增大了電網(wǎng)運(yùn)行控制優(yōu)化的難度[4]。然而，合理安排電動汽車充電方式不僅不會給電網(wǎng)帶來沖擊，還可以提高負(fù)荷率和電網(wǎng)設(shè)備的利用率[5-7]、平衡分布式電源的出力[8-9]，因此需要合理安排電動汽車的充電方式，優(yōu)化其充電策略。目前的充電策略主要有以下2種目標(biāo)：

(1)降低充電成本。文獻(xiàn)[10]基于電價預(yù)測序列，利用動態(tài)規(guī)劃法優(yōu)化各電池的充電時間，在不影響電池性能的前提下，降低總充電成本。文獻(xiàn)[11]以最小充電成本為目標(biāo)，綜合考慮拉平充電負(fù)荷曲線，對電動公交的充電方式進(jìn)行了優(yōu)化。文獻(xiàn)[12]提出了電池的離散時間模型，并以總效益最大化為目標(biāo)，建立了與分布式電源協(xié)同配合的優(yōu)化模型。

(2)降低網(wǎng)絡(luò)損耗。文獻(xiàn)[2]以最小化網(wǎng)絡(luò)損耗和提高負(fù)荷因數(shù)為目標(biāo)，利用隨機(jī)規(guī)劃的方法優(yōu)化充電方式。文獻(xiàn)[13]提出以網(wǎng)損成本及設(shè)備更換成本之和的凈現(xiàn)值最小化為目標(biāo)的充電控制策略，優(yōu)化后總成本降低80%。文獻(xiàn)[14]分析了網(wǎng)絡(luò)損耗、負(fù)載率和負(fù)荷序列方差三者的關(guān)系，將二次目標(biāo)函數(shù)最小化網(wǎng)損轉(zhuǎn)化為最小化線性目標(biāo)的配電網(wǎng)負(fù)載率或負(fù)荷序列方差，從而有效提高了計算效率。

以上控制策略均假設(shè)電動汽車的充電功率在充電過程中是可控的，未能考慮電動汽車的充電特性，且多是提出電動汽車分散充電的控制策略，目前在我國沒有具體的工程應(yīng)用背景。

本研究立足于電動汽車充換電站，在考慮電動汽車充電特性的前提上，建立換電池的有序充電模型，使得在滿足電網(wǎng)運(yùn)行約束和電動汽車對電池需求的前提下，最小化電動汽車負(fù)荷對電網(wǎng)的不利影響，同時與電網(wǎng)其他負(fù)荷及分布式電源出力配合，優(yōu)化電網(wǎng)負(fù)荷曲線。

1 電動汽車換電池的充電特性

電動汽車的換電池在充電時服從特定的充電特性，即在充電過程中，其充電功率、荷電狀態(tài)(state of charge，SOC)及充電時間的關(guān)系服從特定的規(guī)律，在建立有序優(yōu)化模型時，需考慮換電池的充電特性。本文以某實際應(yīng)用的鋰電池為例，利用其充電特性曲線，擬合其充電特性，進(jìn)而得到換電池在任意時刻的充電功率和SOC。

1.1 換電池的充電特性曲線

電動汽車換電池的充電過程可分為快速充電期和緩慢充電飽和期。在快速充電期，電池SOC與充電時間近似成線性關(guān)系，可采用線性函數(shù)擬合；而充電功率與充電時間則可采用二次函數(shù)擬合。在緩慢充電飽和期，電池SOC與充電時間近似可用二次函數(shù)擬合，而充電功率則隨充電時間線性下降，可用線性函數(shù)近似擬合。對某電動汽車換電池在充電過程中充電時間、充電功率和電池電量的實測數(shù)據(jù)進(jìn)行描點，可得圖1所示的電動汽車換電池的充電特性曲線。擬合后可得式(1)所示的電池電量與充電時間的關(guān)系式及式(2)所示的充電功率和充電時間的關(guān)系式。

圖1 換電池的充電特性曲線

(1)

式中：CH是換電池的SOC；tH是換電池的SOC由0充至CH所需的充電時間。

(2)

式中PH是換電池的充電功率。

1.2 各時刻換電池充電狀態(tài)及充電功率

實際問題中，需要求取的是實際時刻t時，換電池的充電功率，此時可通過對時間的平移，將實際時刻映射到充電特性曲線上的等效充電時間，進(jìn)而得到時刻t的充電功率。即

tH,i,t=t-tstart,i+tHstart,i

(3)

式中：tH,i,t是換電池i在實際時刻t的等效充電時間；t是充電過程中的實際時刻；tstart,i是換電池i的實際充電起始時刻；tHstart,i是換電池i在時刻tstart,i(充電開始時)的等效充電時間，可通過式(1)由充電開始時的剩余電量CHstart,i求得。

將式(3)求得的換電池i在t時刻的等效充電時間tH,i,t代入式(2)，可得t時刻換電池i的充電功率為

(4)

由圖1可看出，換電池由電量為0充至滿電量需4.5 h，而由電量為CHstart,i充至滿電量所需時間為

tHneed,i=4.5-tHstart,i

(5)

式中tHneed,i是換電池i由電量CHstart,i充至滿電量所需的時間。

tend,i=tstart,i+tHneed,i

(6)

式中tend,i是換電池i充滿電的實際時刻。

確定換電池i的起始充電時刻tstart,i和充滿電的時刻tend,i后，可得到換電池i在任意時刻的充電狀態(tài)，引入標(biāo)志位表征換電池的充電狀態(tài)

(7)

式中：fflagi,t是換電池i在時刻t的充電狀態(tài)(fflagi,t= 0表示換電池i在時刻t還未充電；fflagi,t= 1表示換電池i在時刻t正在充電；fflagi,t= 2表示換電池i在時刻t已充滿電)。

由式(1)～(7)可得，當(dāng)換電池的初始電池電量CHstart,i及充電起始時刻tstart,i確定時，其各時刻的充電狀態(tài)和充電功率也隨之確定。由于初始電池電量CHstart,i取決于換電池的初始狀態(tài)，因此工作人員只可以通過改變各換電池的充電起始時刻來控制各時刻換電池的充電功率。下文將以各換電池的充電起始時刻為控制變量，建立換電池的有序充電模型。

2 有序充電模型

本文提出的換電池有序充電模型在考慮多種約束條件的前提下，對電網(wǎng)負(fù)荷曲線進(jìn)行填谷并盡量拉平負(fù)荷曲線，以降低電網(wǎng)峰值和峰谷差、提高電網(wǎng)負(fù)荷率。實際應(yīng)用中換電池數(shù)約是電動汽車數(shù)的2倍，故本研究認(rèn)為每個優(yōu)化周期中僅充上一優(yōu)化周期內(nèi)更換的電池即可滿足需求，即充電周期開始時，所有換電池均已被換下，此時電池的SOC通過測量裝置測量。利用遺傳算法實現(xiàn)對該有序充電模型的快速有效求解，從而針對常規(guī)充電負(fù)荷和電網(wǎng)其他負(fù)荷值的情況，安排換電池充電。

2.1 目標(biāo)函數(shù)

本文所提的換電池有序充電模型以盡可能地拉平電網(wǎng)負(fù)荷曲線為目標(biāo)，實現(xiàn)充電負(fù)荷對電網(wǎng)負(fù)荷曲線的填谷作用，即目標(biāo)函數(shù)選取最小化所屬變電站的負(fù)荷曲線離差平方和，即

(8)

式中：F是優(yōu)化的目標(biāo)函數(shù)；T是優(yōu)化周期；M是優(yōu)化周期內(nèi)需充滿換電池總數(shù)；PH,i,t是t時刻換電池i的充電功率，與換電池i的充電起始時刻tstart,i有關(guān)；PL,t是t時刻變電站供電的其他負(fù)荷預(yù)測值；PW,t是t時刻分布式電源出力的預(yù)測值，可以通過時間序列法預(yù)測；Pav是優(yōu)化周期內(nèi)所屬變電站的平均負(fù)荷值，表達(dá)式為

(9)

2.2 約束條件

(1)處于充電狀態(tài)的換電池數(shù)不超過總的充電機(jī)數(shù)。

Ncharge,t≤NC(t=1,2，…,T)

(10)

式中：Ncharge,t是t時刻處于充電狀態(tài)的換電池數(shù)量，與各換電池的充電起始時刻有關(guān)；NC是充電機(jī)的總數(shù)。其中，Ncharge,t是通過引入示性函數(shù)計算得到的

(11)

式中:1flagi,t = 1是示性函數(shù)(若fflagi,t= 1，則1flagi,t=1取1，表示換電池i在時刻t處于充電狀態(tài)；否則取0，表示換電池i在時刻t不處于充電狀態(tài))。

(2)充滿電的換電池數(shù)可滿足車輛需求，即大于電動汽車需要的電池數(shù)。

NF,t≥Nneed,t(t=1,2，…,T)

(12)

式中：NF,t是t時刻充滿電的換電池數(shù)；Nneed,t是t時刻電動汽車需求的換電池數(shù)量，以前7天t時刻需求數(shù)的平均值代替。NF,t也是通過示性函數(shù)計算得到的，即

(13)

式中1flagi,t=2是示性函數(shù)(若fflagi,t=2，則1flagi,t=2取1，表示換電池i在時刻t已充滿電；否則取0，表示換電池i在時刻t未充滿電)。

(3)在優(yōu)化周期內(nèi)，所有換電池需充滿電。

NF,T=NB

(14)

式中：NF,T是優(yōu)化周期T結(jié)束時充滿電的換電池數(shù)；NB是優(yōu)化周期內(nèi)需充電的換電池數(shù)。

(4)充換電站功率約束。

(15)

式中PCmax是充換電站所的總充電功率上限。

(5)變電站功率約束。

(16)

式中PTmax是充換電站所屬變電站功率上限。

式(8)～(16)共同組成了電動汽車充換電站中換電池的有序充電模型。以此為依據(jù)安排換電池充電，可在滿足約束條件下，實現(xiàn)所屬變電站負(fù)荷曲線離差平方和最小，從而發(fā)揮電動汽車充電負(fù)荷對電網(wǎng)負(fù)荷曲線的填谷作用，提高電網(wǎng)負(fù)荷率、降低電網(wǎng)運(yùn)行風(fēng)險。

3 基于遺傳算法的有序充電模型求解

在上節(jié)中，建立了電動汽車充換電站中換電池的有序充電模型。該模型為非線性模型，為快速有效地找出模型的最優(yōu)解，本文采取遺傳算法求解該問題，求解的具體求解步驟為：

(1)通過充換電站的測量裝置，測量各換電池充電前的初始SOC；采集充換電站常規(guī)充電負(fù)荷、分布式電源出力、電網(wǎng)其他負(fù)荷的預(yù)測序列。

(2)初始化染色體中的各基因。選取 “24 h”作為優(yōu)化周期；綜合考慮計算量和優(yōu)化效果，選取“1 min”作為優(yōu)化步長。因此在優(yōu)化周期內(nèi)各換電池充電起始時刻共有1 440(24×60)種選擇，為完整表達(dá)這些選擇，可采用具有11個基因的染色體片段來表示各換電池的充電起始時刻。將M(M為換電池的個數(shù))個染色體片段進(jìn)行拼接，得到優(yōu)化所用染色體。初始化染色體上各基因的值(0或者1)即得到一條初始染色體。

(3)形成種群P(S)。確定種群大小后，用上述方法初始化N條染色體(N為種群大小)，即得到種群P(S)。

(4)對染色體進(jìn)行解碼可以得到各換電池的充電起始時刻，其中第i個換電池對應(yīng)的染色體基因片段的地址為11(i-1)到11i-1。

(5)將(4)解碼得到的各換電池的充電起始時刻和(1)得到的換電池初始SOC代入式(1)～(7)中，可得各換電池任意時刻的充電功率和充電狀態(tài)。

(6)計算各時刻正在充電和充滿電的換電池數(shù)、各時刻電動汽車充換電站的總充電功率及各時刻變電站的總功率。

(7)本文的優(yōu)化模型不同于只有目標(biāo)函數(shù)的基本遺傳算法優(yōu)化問題，還含有約束條件，為了表現(xiàn)約束函數(shù)的影響，本文引入懲罰函數(shù)。首先判斷優(yōu)化模型的解是否滿足式(10)～(16)的約束，若滿足，轉(zhuǎn)向(8)；否則，轉(zhuǎn)向(9)。

(8)計算滿足約束條件時的適應(yīng)度函數(shù)。基本遺傳算法常用于解決最大化問題，而本文的優(yōu)化模型是最小化問題，故本文的適應(yīng)度函數(shù)不能直接選取目標(biāo)函數(shù)，而是選取

(17)

式中：F′是染色體的適應(yīng)度；Fmax是染色體適應(yīng)度最大值的估計值，F(xiàn)max取值過大時，不同染色體的適應(yīng)度函數(shù)相差不大，這將導(dǎo)致尋優(yōu)的效果和效率變差；而Fmax取值過小將可能導(dǎo)致部分適應(yīng)度函數(shù)取值為負(fù)，進(jìn)而導(dǎo)致輪盤賭選擇里概率值非負(fù)的要求不能被滿足；因此需根據(jù)目標(biāo)函數(shù)的變化范圍合理的選取Fmax的取值。

(9)計算不滿足約束條件時的適應(yīng)度函數(shù)。當(dāng)某個體不滿足任一約束條件時，其適應(yīng)度函數(shù)將被以一個很小的值懲罰：

F′=Fpunish

(18)

式中Fpunish是染色體不滿足約束時的懲罰值。

(10)對染色體按照一定的規(guī)則和比例進(jìn)行染色體選擇、交叉、變異操作。

(11)形成種群P(S+1)。

(12)令S=S+1，判斷當(dāng)前種群滿足預(yù)定目標(biāo)(達(dá)到預(yù)定的迭代代數(shù))，若不滿足，轉(zhuǎn)向(2)；否則，轉(zhuǎn)向(13)。

(13)選擇當(dāng)前種群中適應(yīng)度最大的染色體，解碼得到各換電池的最優(yōu)充電起始時刻，按此時間安排各換電池充電，可以在滿足充電機(jī)數(shù)量、電動汽車對換電池的需求、充換電站容量限制和變電站容量限制的前提下，最小化變電站負(fù)荷序列的離差平方和。

4 算例分析

本文以山東省某電動汽車充換電站為算例，對優(yōu)化其換電池的充電起始時間。

4.1 換電池充電優(yōu)化結(jié)果

若該電動汽車充換電站1天要充滿400個換電池，共有200臺充電機(jī)，采用本文所提有序充電模型對這400個換電池的充電起始時刻進(jìn)行優(yōu)化，得到各換電池的最優(yōu)充電起始時刻，表1列出了前20個換電池的最優(yōu)充電起始時刻。

表1 前20個換電池的最優(yōu)充電起始時刻

Table 1 Optimal charging starting time of the first 20 batteries

4.2 充電優(yōu)化策略對改善電網(wǎng)負(fù)荷曲線的作用

按優(yōu)化得到的最優(yōu)充電起始時刻給各換電池充電，可得到優(yōu)化周期內(nèi)各時刻換電池的充電功率及變電站總負(fù)荷，如圖2中的藍(lán)色曲線所示。圖2中黑色和紅色曲線分別是無換電池充電和400個換電池?zé)o控制充電下的變電站負(fù)荷序列。由圖2可以看出，電動汽車換電池接入后，若不采取控制措施，電網(wǎng)負(fù)荷峰值將大幅增高、谷值近似不變，系統(tǒng)運(yùn)行的風(fēng)險增大；而采取本文所提的充電優(yōu)化控制策略后，峰值近似不變，谷段負(fù)荷增加，系統(tǒng)峰谷差降低，設(shè)備的利用率提高，即該有序充電模型與無控制充電模型相比，可有效降低變電站負(fù)荷曲線的峰值及峰谷差，拉平電網(wǎng)負(fù)荷曲線，提高電網(wǎng)負(fù)荷率。

當(dāng)換電池數(shù)量變化時，采取有序充電控制后的變電站負(fù)荷曲線如圖3所示。由圖3可以看出，采取有序充電優(yōu)化控制后，變電站負(fù)荷曲線的峰值近似沒有變化，而谷段負(fù)荷卻明顯增加，有效降低了電網(wǎng)負(fù)荷曲線的峰谷差，且當(dāng)換電池數(shù)量在一定范圍內(nèi)變化時，換電池的數(shù)量越多，充電負(fù)荷對電網(wǎng)負(fù)荷曲線的改善越明顯。

圖2 充電優(yōu)化前后，變電站負(fù)荷曲線

圖3 換電池數(shù)量變化時，優(yōu)化充電后的變電站負(fù)荷曲線

為了更直觀地說明本文所提的有序充電優(yōu)化控制策略的效果，表2分別列出了無換電池、含200個換電池100臺充電機(jī)和含400個換電池200臺充電機(jī)的電動汽車充換電站在采取有序充電優(yōu)化控制策略前后，所屬變電站負(fù)荷曲線的離差平方和、峰谷差和峰值。

表2 變電站負(fù)荷曲線的離差平方和及峰谷差

Table 2 Sum of squares and peak-valley of substation load

由表2可看出，當(dāng)系統(tǒng)不含電動汽車換電池時，電網(wǎng)負(fù)荷曲線的離差平方和為3 169 MW2，峰谷差為16.942 MW，峰值為31.002 MW。當(dāng)系統(tǒng)接入200塊換電池后，若不采取控制措施，變電站負(fù)荷曲線的離差平方和、峰谷差和峰值將明顯增大，分別增至3 810 MW2、18.864 MW和32.924 MW，這將導(dǎo)致電網(wǎng)運(yùn)行風(fēng)險增大、設(shè)備利用率降低；而采取本文所提的有序充電優(yōu)化后，離差平方和、峰谷差和峰值分別為3 010 MW2、15.734 MW和31.135 MW，三者較無控制充電時有明顯降低，而與無換電池充電負(fù)荷時相比，峰值近似沒有變化，而峰谷差與離差平方和卻有明顯降低?？梢?，合理安排電動汽車換電池的充電方式，非但不會給電網(wǎng)帶來不利影響，反而可以改善電網(wǎng)負(fù)荷曲線。當(dāng)換電池數(shù)由200變?yōu)?00時，若采取有序充電模型，變電站負(fù)荷曲線的離差平方和、峰谷差指標(biāo)將進(jìn)一步降低為2 217 MW2和14.656 MW，因此采用本文所提的有序充電優(yōu)化控制策略后，當(dāng)電動汽車換電池數(shù)量在一定范圍內(nèi)的增加，其充電負(fù)荷將更明顯的改善電網(wǎng)負(fù)荷曲線，提高電網(wǎng)設(shè)備的利用率。

表3列出了不同充電情景下，變電站的負(fù)荷曲線的谷值、峰值、日平均負(fù)荷、日負(fù)荷率及日最小負(fù)荷率。由表3可看出，當(dāng)充換電站無電動汽車換電池時，變電站的日負(fù)荷曲線的谷值、峰值、日平均負(fù)荷分別為14.060，31.002和23.379 MW，日負(fù)荷率和日最小負(fù)荷率分別為0.690和0.454。當(dāng)系統(tǒng)接入200塊換電池后，若不采取控制措施，則變電站負(fù)荷曲線的谷值基本不變，而峰值明顯提高，導(dǎo)致日負(fù)荷率和日最小負(fù)荷率分別降至0.689和0.427，這將導(dǎo)致電網(wǎng)設(shè)備利用率的降低；采用本文所提的換電池有序充電優(yōu)化策略后，由于大部分換電池都被轉(zhuǎn)移到了電網(wǎng)負(fù)荷曲線的谷段或平段充電，日負(fù)荷率和日最小負(fù)荷率分別提高至0.729和0.495，與無換電池時的負(fù)荷曲線相比，兩項指標(biāo)也有了明顯的提高，可見本文所提的優(yōu)化策略模型很好的發(fā)揮了換電池充電負(fù)荷對電網(wǎng)負(fù)荷曲線的填谷作用。當(dāng)系統(tǒng)接入400塊電池時，在采取優(yōu)化充電策略后，日負(fù)荷率和日最小負(fù)荷率將進(jìn)一步提高至0.769和0.532，可見，當(dāng)換電池在一定范圍內(nèi)的變化時，電動汽車換電池數(shù)量越多，其充電負(fù)荷對日負(fù)荷率和日最小負(fù)荷率的改善作越明顯。

表3 變電站的日負(fù)荷率、日最小負(fù)荷率

Table 3 The load factor and the minimum load factor of substation

5 結(jié) 論

本文分析了電動汽車換電池的充電特性，以此為基礎(chǔ)，建立了電動汽車充換電站的換電池有序充電優(yōu)化模型，優(yōu)化各換電池的充電起始時刻。該模型在滿足充電機(jī)數(shù)量、電動汽車對換電池的需求、充換電站容量和變電站容量約束的前提下，最小化所屬變電站負(fù)荷序列的離差平方和。應(yīng)用遺傳算法求解該有序充電優(yōu)化模型，可以快速的得到綜合考慮電動汽車車主、電動汽車充換電站、電網(wǎng)三方的充電起始時刻。

利用本文所提的電動汽車充換電站負(fù)荷預(yù)測及充電優(yōu)化策略，對山東省某充換電站進(jìn)行了分析研究。計算結(jié)果表明，本文所提充換電站有序充電模型可以合理地安排各換電池的充電起始時刻，使得在滿足電動汽車車主、充換電站、電網(wǎng)三者的約束下，最小化電網(wǎng)負(fù)荷曲線的離差平方和，降低電網(wǎng)負(fù)荷曲線的峰值和峰谷差，并提高電網(wǎng)的日負(fù)荷率和日最小負(fù)荷率，從而提高電網(wǎng)設(shè)備的利用率，降低電網(wǎng)運(yùn)行風(fēng)險。

[1]Ma Z J, Callaway D, Hiskens I. Decentralized charging control for large populations of plug-in electric vehicles: Application of the Nash certainty equivalence principlee[C]// Proceedings of IEEE Conference on Decision and Control. Atlanta, USA: IEEE, 2010:191-195.

[2]Clement 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.

[3]Staats P T, Grady W M, Arapostathis A, et al. A statistical method for predicting the net harmonic currents generated by a concentration of electric vehicle battery chargers[J]. IEEE Transactions on Power Delivery, 1997,12(3):1255-1266.

[4]He Y F, Venkatesh B, Guan L. Optimal scheduling for charging and discharging of electric vehicles[J]. IEEE Transactions on Smart Grid,2012,3(3):1095-1105.

[5]Taylor J, Maitra A, Alexander M, et al. Evaluation of the impact of plug-in electric vehicle loading on distribution system operations[C]// Proceedings of IEEE Power and Energy Society General Meeting. Calgary, Canada: IEEE, 2009：1-6.

[6]Kelly L, Rowe A, Wild P. Analyzing the impacts of plug-in electric vehicles on distribution networks in british columbia[C] // Proceedings of IEEE Power and Energy Society General Meeting. Calgary, Canada: IEEE, 2009 ：1-6.

[7]Ma Y C, Houghton T, Cruden A, et al. Modeling the benefits of vehicle-to-grid technology to a power system[J]. IEEE Transactions on Power Systems,2012, 27(2):1012-1020.

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

[9]Hill C A, Such M C, Chen D M, et al. Battery energy storage for enabling integration of distributed solar power generation[J]. IEEE Transactions on Smart Grid, 2012,3(2):850-857.

[10]Rotering N, Ilic M. Optimal charge control of plug-in hybrid electric vehicles in deregulated electriccity markets[J]. IEEE Transactions on Power System, 2011,26(3):1021-1029.

[11]陽岳希，胡澤春，宋永華.電動公交充換電站的優(yōu)化運(yùn)行研究[J].中國電機(jī)工程學(xué)報，2012，32(31)：35-42. Yang Yuexi, Hu Zechun, Song Yonghua. Research on optimal operation of battery swapping and charging station for electric buses[J]. Proceeding of the CSEE, 2012, 32(31): 35-42.

[12]Grillo S, Marinelli M, Massucco S, et al. Optimal management strategy of a battery-based storage system to improve renewable energy integration in distribution networks[J]. IEEE Transactions on Smart Grid, 2012,3(2):950-958.

[13]Verzijlbergh R A, Grond M O W, Lukszo Z, et al. Network impacts and cost savings of controlled EV charging[J]. IEEE Transactions on Smart Grid, 2012, 3(3):1203-1212.

[14]Sortomme E, Hindi M M, MacPherson S D J, et al. Coordinated charging of plug-in hybrid electric vehicles to minimize distribution system losses[J]. IEEE Transactions on Smart Grid, 2011,2(1):198-205.

戎曉雪 (1989)，女，工學(xué)碩士，主要從事電力系統(tǒng)規(guī)劃與電動汽車充電優(yōu)化方面的工作；

劉熙媛(1992)，女，博士生研究生，主要從事電動汽車充換電站規(guī)劃方面的工作；

孫啟明(1988)，男，工學(xué)碩士，主要從事新能源接入、有序用電方面的工作；

別朝紅(1970)，女，工學(xué)博士，教授，主要從事電力系統(tǒng)規(guī)劃及可靠性、新能源接入等方面的工作。

(編輯：蔣毅恒)

Coordinated Charging Strategy for Battery in EV Charging and Switching Station

RONG Xiaoxue1, LIU Xiyuan2, SUN Qiming1, BIE Zhaohong2

(1. Jinan Power Supply Company, Jinan 250000，China; 2. State Key Laboratory of Electrical Insulation for Power Equipment, Xi’an Jiaotong University, Xi’an 710049，China)

The charging load of large-scale electric vehicles (EVs) is high, fluctuant and uncertain, which will bring negative effects on power grid, such as increased peak load, voltage fluctuations. To reduce the negative effects caused by EVs, this thesis proposes the coordinated charging strategy for battery in EV charging and switching station. By fitting the relationship between state of charge and equivalent charging time, and that between charging power and equivalent charging time, the charging characteristics of switched battery can be obtained. Based on the charging characteristics, the coordinated charging strategy for battery in EV charging and switching station with dedicated line is established to optimize the charging starting time of each battery. The objective of the proposed strategy is to minimize the sum of squares of the substation, and the number of battery chargers, EVs’ needs for batteries, power limit of EV charging and switching station and substation are all taken into account. The proposed methods of charging load forecasting and coordinated charging strategy are applied to an EV Charging and Switching Station, Shandong.

electric vehicles; charging and switching station; switching battery; charging characteristics; coordinated charging strategy

高等學(xué)校博士學(xué)科點專項科研基金資助項目(20130201130001)。

TM 91

A

1000-7229(2015)07-0120-06

10.3969/j.issn.1000-7229.2015.07.017

2015-04-23

2015-06-15

Project Supported by Specialized Research Fund for the Doctoral Program of Higher Education (20130201130001).