電動(dòng)汽車電池更換站集群充電控制策略研究

張齊東 黃學(xué)良 陳 中 陳立興 徐云鵬

電動(dòng)汽車電池更換站集群充電控制策略研究

張齊東 黃學(xué)良 陳 中 陳立興 徐云鵬

（東南大學(xué)電氣工程學(xué)院 南京 210096）

本文基于規(guī)?；妱?dòng)汽車充放電負(fù)荷模型，建立考慮車主互動(dòng)意愿的電價(jià)模型，通過電價(jià)對(duì)車主的換電池行為進(jìn)行有序引導(dǎo)，從而實(shí)現(xiàn)電網(wǎng)的調(diào)峰策略。采用遺傳算法對(duì)適用于電動(dòng)汽車的最優(yōu)日前實(shí)時(shí)電價(jià)進(jìn)行求解。最后建立電動(dòng)汽車電池更換站內(nèi)集群充電的控制模型，以電池更換站的運(yùn)行經(jīng)濟(jì)性與站內(nèi)充放電機(jī)狀態(tài)切換次數(shù)最優(yōu)為目標(biāo)，采用智能算法對(duì)集群調(diào)度模型進(jìn)行求解，實(shí)現(xiàn)在滿足用戶換電池需求基礎(chǔ)之上的換電站最優(yōu)化運(yùn)行。

電動(dòng)汽車 智能電網(wǎng) 換電站 有序充電 調(diào)度策略

1 引言

根據(jù)國(guó)務(wù)院通過的《節(jié)能與新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃（2012—2020年）》統(tǒng)計(jì)，到2015年，我國(guó)純電動(dòng)汽車和插電式混合動(dòng)力汽車?yán)塾?jì)產(chǎn)銷量達(dá)到50萬輛，到2020年將會(huì)超過500萬輛，專家預(yù)計(jì)2030年將會(huì)超過3000萬輛。據(jù)統(tǒng)計(jì)2013年全國(guó)純電動(dòng)汽車保有量為38.16萬輛。據(jù)派克研究所的一份最新報(bào)告顯示，中國(guó)電動(dòng)汽車每年的復(fù)合增長(zhǎng)率則預(yù)計(jì)會(huì)超過40%，由這一預(yù)測(cè)可知，到2020年我國(guó)純電動(dòng)汽車保有量將達(dá)到402.25萬輛，到2030年將達(dá)到1372.11萬輛。電動(dòng)汽車規(guī)?；l(fā)展是必然趨勢(shì)。

規(guī)?；妱?dòng)汽車的接入對(duì)電網(wǎng)的安全運(yùn)行將是一個(gè)巨大挑戰(zhàn),為此國(guó)內(nèi)外眾多學(xué)者研究了電動(dòng)汽車接入電網(wǎng)后對(duì)配網(wǎng)的影響[1-3]，包括電動(dòng)汽車充電負(fù)荷的分布與預(yù)測(cè)[4-6]以及電動(dòng)汽車充電調(diào)度的實(shí)現(xiàn)方法[7,8]。在電動(dòng)汽車充電站內(nèi)運(yùn)行策略的優(yōu)化方面，文獻(xiàn)[9]研究了換電模式下不同時(shí)段的充電需求，得到了應(yīng)該儲(chǔ)備的電池組數(shù)量；文獻(xiàn)[10]研究了基于動(dòng)態(tài)電價(jià)的充電決定策略，并建立了購(gòu)買電池原始投資和后期運(yùn)營(yíng)成本的經(jīng)濟(jì)數(shù)學(xué)模型；文獻(xiàn)[11]測(cè)試和分析了充電站的不同運(yùn)營(yíng)模式；文獻(xiàn)[12]以降低網(wǎng)損為目標(biāo)，對(duì)電動(dòng)乘用車的有序充電進(jìn)行了研究?，F(xiàn)有研究多以快速充電或者慢速充電這類單一充電方式為研究對(duì)象，且在優(yōu)化過程中并未考慮電池自身的壽命折損因素。本文重點(diǎn)基于電動(dòng)汽車的換電池模式在互動(dòng)方面的優(yōu)勢(shì)性，在電網(wǎng)采取實(shí)時(shí)電價(jià)的條件下，對(duì)站內(nèi)電池組的充放電控制策略進(jìn)行了仿真，以電池更換站收益最大與站以及站內(nèi)充電樁與電池健康度最大為目標(biāo)進(jìn)行了優(yōu)化設(shè)計(jì)，即保證了運(yùn)營(yíng)經(jīng)濟(jì)性，又最大程度的降低了反復(fù)充放電過程給電池帶來的損傷。

2 基于電網(wǎng)調(diào)峰策略的實(shí)時(shí)電價(jià)模型

2.1電池更換站網(wǎng)絡(luò)實(shí)時(shí)電價(jià)計(jì)算模型

電動(dòng)汽車作為一個(gè)能量存儲(chǔ)庫(kù)，V2G技術(shù)可以實(shí)現(xiàn)電動(dòng)汽車和電網(wǎng)的能量雙向流動(dòng)[13,14]，其充電行為還可以通過制定峰谷電價(jià)或者實(shí)時(shí)電價(jià)等手段進(jìn)行控制，受到了廣泛的關(guān)注和研究[15]。實(shí)時(shí)電價(jià)即實(shí)時(shí)定價(jià)。在用電高峰時(shí)段，將電價(jià)調(diào)高，而在用電低谷階段，將電價(jià)降低，從而使電動(dòng)汽車用戶有選擇地避開用電高峰時(shí)期，實(shí)現(xiàn)電網(wǎng)峰谷調(diào)節(jié)的需求。

研究表明，除了公交車等特殊車輛，一天中超過90%的時(shí)間里汽車會(huì)處于停駛狀態(tài)[16]。理論上認(rèn)為所有停駛的電動(dòng)汽車均可以參與V2G。

圖1 電動(dòng)汽車互動(dòng)概率Fig.1 Interaction probability of electrical vehicles

但是，并不是所有停駛電動(dòng)汽車的車主都愿意參與V2G，因此還需要考慮車主的互動(dòng)意愿，則在時(shí)段t可以調(diào)度的電動(dòng)汽車數(shù)量Ndis(t)為:

其中，式中，N為區(qū)域電網(wǎng)中電動(dòng)汽車的數(shù)量；Gpark(t)為電動(dòng)汽車的停駛概率；β為互動(dòng)意愿率，即愿意參與V2G的車主占所有車主的比例。

電動(dòng)汽車互動(dòng)概率Gact(t)隨時(shí)間的變化情況如圖1所示。

2.2日前電價(jià)求解

所建立的電價(jià)模型旨在調(diào)度愿意互動(dòng)的電動(dòng)汽車，一方面滿足車主的充電要求，另一方面實(shí)現(xiàn)削峰填谷，優(yōu)化電網(wǎng)運(yùn)行。

（1）目標(biāo)函數(shù)

優(yōu)化目標(biāo)為電網(wǎng)等效負(fù)荷方差最小為:

其中，

式中，t∈1，2，…，T；T為研究周期內(nèi)的小時(shí)數(shù)，本文中取24，即研究日實(shí)時(shí)電價(jià)；L(t)為時(shí)段t的常規(guī)負(fù)荷值；PC(t)為時(shí)段t愿意參與V2G的電動(dòng)汽車充電功率；PNC(t)為時(shí)段t不愿意參與V2G的電動(dòng)汽車充電功率。

（2）約束條件

約束條件應(yīng)包括確保所有愿意參與V2G的電動(dòng)汽車在一個(gè)調(diào)度周期內(nèi)總的充電功率保持不變，即充電量等于用電量，以及對(duì)充電功率的約束，表示如下:

式中，Pi(t)為第i輛電動(dòng)汽車在時(shí)段t的充電功率，Pi(t)＞0表示充電，Pi(t)＜0表示放電。

一般情況下，在用電高峰時(shí)段，將電價(jià)調(diào)高，鼓勵(lì)用戶放電；而在用電低谷階段，將電價(jià)降低，鼓勵(lì)用戶充電，從而可以達(dá)到以電價(jià)引導(dǎo)電動(dòng)汽車充放電來實(shí)現(xiàn)移峰填谷的目的。對(duì)于由電價(jià)升降所引發(fā)用電量的變化即彈性系數(shù)ε，其計(jì)算公式如下所示[17]:

式中，qt1和qt2分別表示時(shí)段t的參考電價(jià)和當(dāng)前電價(jià)；pt1和pt2分別表示時(shí)段t的參考負(fù)荷值和當(dāng)前負(fù)荷值。

2.3 當(dāng)日電價(jià)求解

本文考慮在某一個(gè)時(shí)間窗口內(nèi)，通過優(yōu)化電動(dòng)汽車的充電功率來補(bǔ)償日前預(yù)測(cè)值與時(shí)前預(yù)測(cè)值之差，使預(yù)測(cè)誤差與電動(dòng)汽車充電功率變化量之和的絕對(duì)值最小，并且使該時(shí)間窗口內(nèi)電動(dòng)汽車總的充電功率保持不變。

（1）目標(biāo)函數(shù)為:其中，

式中，M為時(shí)間窗口的時(shí)段數(shù)；PC,2(k)為第二次優(yōu)化中，時(shí)段k愿意參與互動(dòng)調(diào)度的電動(dòng)汽車的充電功率；PW,h(k)為時(shí)段k風(fēng)電功率的時(shí)前預(yù)測(cè)值。

（2）約束條件

約束條件與計(jì)算日前電價(jià)時(shí)的約束條件相同為:

式中，t可在M，M+1，…，T中取值。

3 電動(dòng)汽車電池更換站內(nèi)集群充電控制策略

換電池為電動(dòng)汽車能量補(bǔ)充的重要方式，能夠縮短用戶的等待時(shí)間，且換下的電池由電池更換站統(tǒng)一進(jìn)行充電，方便調(diào)度管理，將成為未來電動(dòng)汽車能量補(bǔ)給的重要方式之一。本文以選取優(yōu)化最小時(shí)間單位為半小時(shí)，優(yōu)化時(shí)段為24h，根據(jù)次日的進(jìn)站流量密度曲線對(duì)電池更換需求進(jìn)行預(yù)測(cè)，對(duì)次日的電池更換站充換電流程進(jìn)行優(yōu)化。認(rèn)為用戶換給充電站的電池均已使用至電量閥值（剩余20%）。按照電池的健康程度，將站內(nèi)的電池按一定比例分為A、B、C三組，針對(duì)不同的健康程度設(shè)定不同的使用方案。在此之外需要額外考慮一部分的備用電池，這部分備用不參與放電收益，僅作為換電備用使用。

3.1目標(biāo)函數(shù)

A．電池更換站全天運(yùn)行收益最大

以電池更換站向用戶提供電池更換服務(wù)的收益與向電網(wǎng)饋電所得的收益總和最大為目標(biāo)，目標(biāo)函數(shù)為:

式中Pdisj、Pcj分別為j時(shí)段電池更換站內(nèi)的饋電總功率和充電總功率；pdisj、pcj分別為j時(shí)段電池更換站向電網(wǎng)饋電的電價(jià)和從電網(wǎng)買電的電價(jià)，p0為電池更換站換給用戶一塊電池所收取的費(fèi)用，為固定常數(shù)；Nchangej為j時(shí)段換給用戶的電池?cái)?shù)目；△T為單位優(yōu)化時(shí)段。

B．電池更換站內(nèi)充放電機(jī)及電池健康度最優(yōu)

以電池更換站內(nèi)充放電機(jī)在一天之內(nèi)狀態(tài)切換次數(shù)總和最小為目標(biāo)，目標(biāo)函數(shù)為:式中nswitch為站內(nèi)所有電池組1d之內(nèi)狀態(tài)切換總次數(shù)；充放電機(jī)狀態(tài)切換次數(shù)是由變量矩陣統(tǒng)計(jì)所得。

3.2約束條件

A．站內(nèi)電池總數(shù)的約束

電池更換站內(nèi)可供使用的各組別電池?cái)?shù)量應(yīng)小于等于各組別已充滿電池的數(shù)量與備用電池?cái)?shù)之和；且A、B、C三組電池在各個(gè)狀態(tài)下的數(shù)量綜合應(yīng)等于該站擁有的電池?cái)?shù)。

式中，NAj、 NBj、 NCj分別為從初始時(shí)刻到j(luò)時(shí)刻這段時(shí)間內(nèi)，A、B、C三組電池中處于已充好狀態(tài)的電池?cái)?shù)量。

NAchargej、 NBchargej、 NCchargej分別為當(dāng)前j時(shí)段A、B、C三組電池中已充好的電池?cái)?shù)量。

NAchangej、 NBchangej分別為當(dāng)前j時(shí)段A、B兩組電池中可以提供給換給用戶更換的數(shù)目，由于C組電池不參與電池更換，因此不存在 NCchangej。

NAdischargej、 NCdischargej分別為當(dāng)前j時(shí)段A、C兩組電池中處于放電狀態(tài)的電池?cái)?shù)量，由于B組電池不參與并網(wǎng)放電，因此不存在 NBdischargej。

B．充放電機(jī)數(shù)目約束

當(dāng)前j時(shí)段所有處于充電、放電狀態(tài)的電池總數(shù)應(yīng)不超過站內(nèi)充電機(jī)數(shù)量M，約束條件表達(dá)式為:

C．用戶需求約束

站內(nèi)可用于用戶更換的電池?cái)?shù)量滿足當(dāng)前車輛換電量，并保證20%的裕度。

D．連續(xù)充電約束

設(shè)定電池完成一次充電行為需要的時(shí)間為Δt，電池接入某一充放電機(jī)時(shí)，該充放電機(jī)的持續(xù)工作時(shí)間應(yīng)為Δt的整數(shù)倍，即保證充放電機(jī)工作狀態(tài)的連續(xù)性，避免出現(xiàn)頻繁的充放電狀態(tài)切換。

3.3變量設(shè)置

在每日24點(diǎn)之前，對(duì)電池更換站內(nèi)的信息進(jìn)行統(tǒng)計(jì)，以進(jìn)行下一次日前計(jì)劃的制定。包括站內(nèi)所有充電機(jī)的工作狀態(tài)、站內(nèi)所有充電機(jī)的故障情況、站內(nèi)所剩電池的信息。

每個(gè)充電機(jī)存在3種狀態(tài):充電、放電、和停運(yùn)，對(duì)應(yīng)實(shí)數(shù)[1，-1，0]。認(rèn)為電機(jī)的充放電過程均為恒功率，效率均為90%。采取快充模式進(jìn)行充電。設(shè)站內(nèi)的充電機(jī)總數(shù)為M，對(duì)應(yīng)于電池組的分類，同樣也將充電機(jī)按電池組比例分為A、B、C三組，A組充電機(jī)僅對(duì)A組電池進(jìn)行充放電操作，B、C組同理。那么變量矩陣表示為:

3.4優(yōu)化算法

自適應(yīng)改進(jìn)行為人工魚群算法的自適應(yīng)性，體現(xiàn)在算法尋優(yōu)程序在執(zhí)行過程中重要參數(shù)的自動(dòng)修正上[18]。改進(jìn)方式如下:在算法的初始階段，每條人工魚在較大的可視域visual內(nèi)以較大的移動(dòng)步長(zhǎng)step尋找較優(yōu)解，從而擴(kuò)大了算法的搜索范圍。隨著算法的迭代，自適應(yīng)地減小可視域visual和移動(dòng)步長(zhǎng)step，從而自動(dòng)的加快算法的收斂速度和有效地提高算法的求解精度。具體實(shí)現(xiàn)方式見式(14):

式中，visualmin為可視域最小值，取0.001；stepmin為移動(dòng)步長(zhǎng)最小值，取0.0002；Tmax為最大迭代次數(shù)；step為移動(dòng)步長(zhǎng)step = 0.125visual；α為衰減因子；t為當(dāng)前迭代次數(shù)；s取值范圍為[1 ,30]。Visual為可視域，其初值可以取搜索范圍的最大值的1/4左右。式(14)對(duì)可視域visual 和步長(zhǎng) step 進(jìn)行了改進(jìn)；這種對(duì)參數(shù)進(jìn)行自動(dòng)修正的功能正解決了基本人工魚群算法求解精度不高的問題。

電池更換站的充電策略優(yōu)化屬于帶約束的優(yōu)化問題，自適應(yīng)改進(jìn)行為人工魚群算法直接可以用于無約束的優(yōu)化問題中，而不可以直接用于帶約束的優(yōu)化問題中。懲罰函數(shù)法是一種可以把約束優(yōu)化問題轉(zhuǎn)化為一系列無約束優(yōu)化問題來進(jìn)行處理的方法[19]。如給定一帶約束式子:

式中，f(X)為目標(biāo)函數(shù)；Blame(X)為懲罰函數(shù)，將約束的條件表示成函數(shù)的形式；

根據(jù)懲罰函數(shù)法的性質(zhì)，不難得到，對(duì)于求解最小值的目標(biāo)函數(shù)f(X)來說，滿足約束條件的X，均可以使Blame(X)的值為零。因此求解式(16)就相當(dāng)于求解式(15)。

3.5仿真過程

電動(dòng)汽車電池更換站內(nèi)集群優(yōu)化充電過程如圖所示。

將帶約束式子(4)轉(zhuǎn)寫成罰函數(shù)的形式:

圖2 電池更換站內(nèi)最優(yōu)充電策略求解電流程圖Fig.2 The flow chart for solving the replacement battery charging station optimal strategies

首先將電動(dòng)汽車用戶通過互動(dòng)意愿概率分為兩類，以電網(wǎng)等效負(fù)荷方差最小為目標(biāo)，通過彈性系數(shù)矩陣得到日前電價(jià)qt,d；其次通過優(yōu)化電動(dòng)汽車的充電功率來補(bǔ)償日前預(yù)測(cè)值與時(shí)前預(yù)測(cè)值之差，得到當(dāng)日電價(jià)qt,h；然后結(jié)合進(jìn)站流量的預(yù)測(cè)，以收益最大和健康度最優(yōu)分別對(duì)站內(nèi)A、B、C三組充電機(jī)的換電過程利用人工魚群算法進(jìn)行優(yōu)化，直至滿足終止條件輸出最優(yōu)結(jié)果。

4 算例分析

根據(jù)實(shí)時(shí)電價(jià)與車輛流量的日前預(yù)測(cè)值，結(jié)合歷史數(shù)據(jù)，通過模擬仿真計(jì)算，得到次日的的日前充電計(jì)劃的充電機(jī)狀態(tài)矩陣。輸入信息如圖3與圖4所示。完成全天24h的換電工作模擬后，可以對(duì)電池更換站的收益進(jìn)行統(tǒng)計(jì)分析。

圖3 充電價(jià)格預(yù)測(cè)曲線Fig.3 Price forecasting curve of batteries’ charging

圖4 未來24小時(shí)電池更換需求量預(yù)測(cè)曲線Fig.4 The battery replacement demand predict curve in the next 24 hours

對(duì)于電池更換站的換電池收費(fèi)與饋電電價(jià)的計(jì)算思路如下:

電池更換站年收益率為:式中，Dydi為電池更換站每天換電服務(wù)的所有電動(dòng)汽車充電量；ηY為電池更換站充電損耗率；CY為電池更換站銷售電價(jià)；CYY為電池更換站每年運(yùn)營(yíng)折算成本；CYM為電池更換站向電網(wǎng)購(gòu)電電價(jià)，即充電成本價(jià)；EY為電池更換站建設(shè)成本；F為電池更換站每年租賃電池成本。

換一塊電池的價(jià)格為CY*Q*0.8，其中Q為單塊電池的容量；放電價(jià)格高于換電價(jià)格CY，取裕度10-20%?？紤]到電池更換站的建設(shè)成本、電池購(gòu)買成本、運(yùn)行維護(hù)成本等問題，將饋電價(jià)格設(shè)為購(gòu)電價(jià)格的5倍。

對(duì)電池更換站全天的收益與站內(nèi)充電機(jī)的狀態(tài)切換次數(shù)進(jìn)行統(tǒng)計(jì)，得到圖5與圖6。從圖中可以看出，充電機(jī)狀態(tài)切換次數(shù)過多時(shí)，電池更換站的收益較低；當(dāng)充電機(jī)狀態(tài)切換次數(shù)低于某一數(shù)值時(shí)，其切換次數(shù)多少不再對(duì)電池更換站的收益產(chǎn)生規(guī)律性影響，此時(shí)電池更換站的收益僅收到充電成本、饋電收益、換電收益及電池備用率的影響。

圖5 電池更換站全天收入仿真結(jié)果Fig.5 The daily income of the battery changing station

圖6 充放電機(jī)切換次數(shù)低于180次時(shí)電池更換站全天收入仿真結(jié)果Fig.6 The daily income of the battery changing station based on the charge and discharge machines’ switching times below 180

通過計(jì)算得到，若不對(duì)站內(nèi)電池的使用策略進(jìn)行優(yōu)化，僅按照用戶的需求進(jìn)行隨用隨充的充電安排，則無法使用空閑電池向電網(wǎng)進(jìn)行饋電。按照這種方式進(jìn)行經(jīng)營(yíng)，在不扣除電池購(gòu)買成本、電池更換站建造及維護(hù)成本的情況下，整個(gè)電池更換站運(yùn)行一天的收入約為1萬元。

若考慮電池的優(yōu)化分配，進(jìn)行分類梯度利用，并對(duì)電池的充電時(shí)間進(jìn)行優(yōu)化，利用電池的空閑時(shí)段進(jìn)行饋電，則在同等條件下，整個(gè)電池更換站運(yùn)行一天的收入仿真結(jié)果如圖5所示，當(dāng)電池更換站內(nèi)所有充放電機(jī)狀態(tài)切換次數(shù)高于180次時(shí)，切換次數(shù)與全站的收入之間存在一定的反比關(guān)系，而當(dāng)切換次數(shù)降到180次以下時(shí)，收入與充放電機(jī)狀態(tài)切換次數(shù)之間就不再具有明顯的比例關(guān)系，如圖6所以，電池更換站的全天收入基本約在2萬元左右。從圖6可以得到優(yōu)化結(jié)果，當(dāng)站內(nèi)所有電池的切換次數(shù)總和在162次時(shí)，電池更換站收益達(dá)到最大值22200元。

5 結(jié)論

本文主要研究充放電機(jī)的集群控制調(diào)度算法，以電池更換站的運(yùn)行經(jīng)濟(jì)性與站內(nèi)充放電機(jī)狀態(tài)切換次數(shù)最優(yōu)為目標(biāo)，結(jié)合電池更換的管理策略與電池的梯度利用原則進(jìn)行優(yōu)化模型的設(shè)計(jì)，采用智能算法對(duì)集群調(diào)度模型進(jìn)行求解，在滿足用戶換電池需求的基礎(chǔ)之上實(shí)現(xiàn)自身運(yùn)行的最優(yōu)化。

通過算例仿真可以看出，電池更換站通過響應(yīng)電網(wǎng)下發(fā)的不同電價(jià)實(shí)現(xiàn)自身的經(jīng)濟(jì)性最優(yōu)，同時(shí)間接實(shí)現(xiàn)對(duì)電網(wǎng)調(diào)峰策略的響應(yīng)；在此基礎(chǔ)上以電池健康度為指標(biāo)，通過梯度利用在保證電池健康的基礎(chǔ)上進(jìn)行電池的合理利用，最大限度地保證了站內(nèi)電池的健康度，延長(zhǎng)電池的使用壽命；并且約束條件中考慮了分時(shí)段用戶滿意度，實(shí)現(xiàn)全局總體優(yōu)化。在切換次數(shù)降低到一定程度后可以得到最優(yōu)可行解。

[1] C. N. kristien, H. Edwin, D. Johan. The impact of charging plug-in hybrid electric vehicles on a residential distribution grid[J]. IEEE Trans. Power System, 2010(25)： 371-380.

[2] W Su, M. Y. Chow. Performance evaluation of an EDA-based Large-scale plug-in hybrid electric vehicle charging algorithm[J]. IEEE Trans. Smart Grid, 2011, 3： 308-315.

[3] J. B. Ricardo, A. M. Manuel, J. S. Filipe, et al. Optimized Bidding of a EV aggregation agent in the electricity market[J]. IEEE Trans. Smart Grid, 2012, 3：443-452.

[4] 田文奇, 和敬涵, 姜久春, 等. 電動(dòng)汽車充電負(fù)荷空間分配優(yōu)化算法[J]. 電工技術(shù)學(xué)報(bào), 2013, 28(3)：269-276.

Tian Wenqi, He Jinghan, Jiang Jiuchun, et al. Electric vehicle charging load spatial allocation optimization algorithm[J]. Transactions of China Electrotechnical Society, 2013, 28(3)： 269-276.

[5] 楊冰, 王麗芳, 廖承林. 大規(guī)模電動(dòng)汽車充電需求及影響因素[J]. 電工技術(shù)學(xué)報(bào), 2013, 28(2)： 22-27.

Yang Bing, Wang Lifang, Liao Chenglin. Research on Power-Charging Demand of Large-Scale Electric Vehicles and Its Impacting Factors[J]. Transactions Of China Electrotechnical Society, 2013, 28(2)：22-27.

[6] 徐國(guó)鈞, 劉永勝, 李題印, 等. 基于層次分析和概率模擬的電動(dòng)汽車對(duì)配網(wǎng)負(fù)荷影響研究[J]. 電力系統(tǒng)保護(hù)與控制, 2012, 40(22)： 38-44.

XU Guo-jun1, LIU Yong-sheng, LI Ti-yin, et al. Study on the impact of electric vehicles charging load integrated into distribution network based on analytic hierarchy process and probabilistic simulation[J]. Power System Protection and Control, 2012, 40(22)：38-44.

[7] 張學(xué)清, 梁軍, 張利, 等. 計(jì)及風(fēng)光電源的一種地區(qū)電網(wǎng)電動(dòng)汽車充電調(diào)度方法[J]. 電工技術(shù)學(xué)報(bào), 2013, 28(2)： 28-35.

Zhang Xueqing Liang Jun Zhang Li, et al. Approach for Plug-in Electric Vehicles Charging Scheduling Considering Wind and Photovoltaic Power in Chinese Regional Power Grids[J]. Transactions Of China Electrotechnical Society, 2013, 28(2)： 28-35.

[8] 葛少云, 黃镠, 劉洪. 電動(dòng)汽車有序充電的峰谷電價(jià)時(shí)段優(yōu)化[J]. 電力系統(tǒng)保護(hù)與控制, 2012, 40(10)：2-5.

Ge Shaoyun, Huang Liu, Liu Hong. Optimization of peak-valley TOU power price time-period in ordered charging mode of electric vehicle[J]. Power System Protection and Control, 2012, 40(10)： 2-5.

[9] 張昌華, 孟勁松, 曹永興, 等. 換電模式下電動(dòng)汽車換電充裕度模型及仿真研究[J]. 電網(wǎng)技術(shù), 2012, 36(9)： 15-19.

Zhang Changhua, Meng Jingsong, Cao Yongxing, et al. A Battery Swapping Requirement Adequacy Model for Electric Vehicles and Its Simulation Research[J]. Power System Technology, 2013, 36 (9)：15-19.

[10] Owen Worley, Diego Klabjan. Optimization of Battery Charging and Purchasing at Electric Vehicle Battery Swap Stations[C]. Vehicle Power and Propulsion Conference (VPPC). Chicago： IEEE, 2011： 1-4.

[11] Thoralf Winkler, Przemyslaw Komarnicki, Gerhard Mueller. Electric vehicle charging stations in magdeburg[C]. Vehicle Power and Propulsion Conference (VPPC). Dearborn： IEEE, 2009： 60-65.

[12] 占愷嶠, 宋永華, 胡澤春, 等. 以降損為目標(biāo)的電動(dòng)汽車有序充電優(yōu)化[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2012, 32(31)： 11-18.

Zhan Kaiqiao, Song Yonghua, Hu Zechun, et al. Coordination of electric vehicle charging to minimize active power losses[J]. Proceedings of the CSEE, 2012, 32 (31)： 11-18.

[13] A. N. Brooks. Vehicle-to-Grid Demonstration Project：Grid Regulation Ancillary Service with a Battery Electric Vehicle. AC Propulsion, Inc., San Dimas, CA. Tech. Rep. 01-313, Dec. 10, 2002.

[14] J. R. Pillai, B. Bak-jensen. Integration of Vehicleto-Grid in the Western Danish power system[J]. IEEE Trans. Sustainable Energy, 2011(2)： 12-19.

[15] 王錫凡, 邵成成, 王秀麗, 等. 電動(dòng)汽車充電負(fù)荷與調(diào)度控制策略綜述[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(1)： 1-10.

Wang Xifan, Shao Chengcheng, Wang Xiuli, et al. Survey of Electric Vehicle Charging Load and Dispatch Control Strategies[J]. Proceedings of the CSEE, 2013, 33 (1)： 1-10.

[16] KEMPTON W, LETENDER S. Electric vehicles as a new power source for electric utilities[J]. Transportation Research： Part D, 1997, 2(3)： 157-175.

[17] 秦禎芳, 岳順民, 余貽鑫, 等. 零售端電力市場(chǎng)中的電量電價(jià)彈性矩陣[J]. 電力系統(tǒng)自動(dòng)化, 2004, 28(5)： 16-24.

Qin Zhenfang, Yue Shunmin, Yu Yixin, et al. Price Elasticity Matrix of Demand in Current Retail Power Market[J]. Automation of Electric Power System, 2004, 28 (5)： 16-24.

[18] 吳月萍, 杜奕. 改進(jìn)的人工魚群算法的參數(shù)分析[J].計(jì)算機(jī)工程及其應(yīng)用, 2011, 48(13)： 50-51.

Wu Yueping, Du Yi. Parameters analysis of improved artificial fish swarm algorithm. Computer Engineering and Applications[J]. Computer Engineering and Applications, 2011, 48 (13)： 50-51.

[19] L. X. Chen, G. J. Liu. Optimization design of electromagnetic system based on adaptive improved behavior of artificial fish swarm algorithm[J]. Low Voltage Apparatus, 2012, 23： 17-21.

Research on Control Strategy for the Uniform Charging of Electric Vehicle Battery Swapping Station

Zhang Qidong Huang Xueliang Chen Zhong Chen Lixing Xu Yunpeng
（School of Electrical Engineering Southeast University Nanjing 210096 China）

In this paper, price model is established considering car owners’ interaction will based on the scale of charging and discharging load model of EVs, guide the orderly charging behavior through the battery change price, so as to realize the strategy of power grid peak shaving, genetic algorithm is used to solve the optimal real-time electricity price model. Finally, taking the battery changing stations economic operation and the charge and discharge machine state switching frequency optimal as the goals, using intelligent algorithm to solve the scheduling model, the optimal operation model of the EVs’ battery changing station cluster control is set up to meet the users’ demand for batteries.

Electric vehicle, smart grid, battery swapping station, coordinated charging, dispatching strategy

TM715; TM910.6

張齊東 女，1990年生，碩士研究生，研究方向?yàn)殡妱?dòng)汽車與電網(wǎng)互動(dòng)、智能電網(wǎng)。

國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃) 資助項(xiàng)目（No.2012AA050210）。

2014-09-22

黃學(xué)良 男，1969年生，教授，博士生導(dǎo)師，研究方向?yàn)闊o線電能傳輸技術(shù)、電力電子技術(shù)在電力系統(tǒng)中的應(yīng)用、智能用電技術(shù)。