電動汽車典型快充站優(yōu)化運(yùn)行配置方法①

張璐璐,朱光云,施寅躍,柯慧敏

1(海南電網(wǎng)有限責(zé)任公司,?？?570100)

2(海南電網(wǎng)有限責(zé)任公司 ?？诠╇娋?海口 570100)

3(國電南瑞科技股份有限公司,南京 211106)

引言

近幾年,電動汽車產(chǎn)業(yè)發(fā)展日新月異,作為降低碳排放的重要手段,我國電動汽車產(chǎn)銷量快速增長[1].電動汽車的快速增長需配套一定規(guī)模的充電設(shè)施尤其大功率快充樁,快充設(shè)備接入會沖擊電網(wǎng)安全運(yùn)行,影響用戶用電質(zhì)量[2,3].如何配置快充站,保證站內(nèi)多個(gè)快充樁和分布式電源及儲能等設(shè)備的優(yōu)化運(yùn)行,是今后研究重點(diǎn).

文獻(xiàn)[4]提出以降低周期運(yùn)維成本為目標(biāo)的電動汽車充電站優(yōu)化設(shè)計(jì)方案,電動汽車被假定作為智能能源樞紐與電網(wǎng)相連,電動汽車車主對汽車行駛距離的“里程焦慮”問題;文獻(xiàn)[5]提出了一種基于博弈論的分散式電動汽車充電調(diào)度方案,該方案能最大限度地降低用戶的支付費(fèi)用并提高電網(wǎng)效率,為輔助服務(wù)提供最大的潛在容量;文獻(xiàn)[6]通過分析電網(wǎng)功率損失最小建立分布式電源及充電站選址安裝規(guī)劃模型;文獻(xiàn)[7]提出了一種混合整數(shù)非線性優(yōu)化方法來優(yōu)化快速充電站的布置和規(guī)模;文獻(xiàn)[8]設(shè)計(jì)了一種含風(fēng)力發(fā)電的電動汽車充電站,可以對電動汽車進(jìn)行充電,還可以平衡與之相連的電網(wǎng)的負(fù)荷需求;文獻(xiàn)[9]分析了電動汽車充電站整車充電、更換電池兩種運(yùn)營模式,從其自身競爭力、盈利方式及對電網(wǎng)運(yùn)行的影響等3 個(gè)方面對這兩種運(yùn)營模式進(jìn)行了比較分析;文獻(xiàn)[10]提出了基于區(qū)塊鏈的電動汽車充電站充電權(quán)交易機(jī)制與模型,確保配網(wǎng)的安全運(yùn)行及充電權(quán)交易的公開透明與高效智能.上述文獻(xiàn)主要對傳統(tǒng)充電站優(yōu)化設(shè)計(jì)及優(yōu)化運(yùn)行研究,但是對于含分布式電源及儲能的快充站優(yōu)化運(yùn)行研究相對較少.本文通過分析典型快充站內(nèi)風(fēng)電、光伏及電動汽車運(yùn)行特點(diǎn),以充電站總運(yùn)行成本最小為優(yōu)化目標(biāo),以站內(nèi)總功率平衡、分布式電源容量限制、節(jié)點(diǎn)功率限制等為約束條件,建立典型快充站優(yōu)化運(yùn)行配置模型,利用遺傳優(yōu)化算法求解模型適應(yīng)度最優(yōu)值,仿真算例表明該模型可充分利用站內(nèi)分布式電源和儲能優(yōu)勢,降低大功率快充樁對電網(wǎng)沖擊波動.

1 站內(nèi)典型設(shè)備運(yùn)行特性分析

1.1 電動汽車充電行為分析

電動汽車充電時(shí)長是影響快充站優(yōu)化設(shè)計(jì)的一個(gè)因素.充電時(shí)長與電池容量、充電功率等有關(guān),其表達(dá)式如下:

式中,tc為充電時(shí)間,Cb為電池額定容量,Pc為平均充電功率,SOC為電池荷電狀態(tài),范圍為0～1.

通過分析充電樁數(shù)量及每個(gè)樁充電功率,計(jì)算充電站總充電功率需求:

式中,Ps為站內(nèi)總充電功率,t為充電時(shí)刻,mc為充電樁數(shù)量,Pc,k(t)為第k個(gè)充電樁在t時(shí)刻充電功率.

1.2 風(fēng)力發(fā)電特性分析

風(fēng)力發(fā)電機(jī)輸出功率是隨風(fēng)速變化不可控的,但是可以通過預(yù)測風(fēng)速的分布情況來得到輸出功率,其典型輸出功率模型為:

式中,PWT為發(fā)電機(jī)組輸出功率,PWTr為發(fā)電機(jī)組額定輸出功率,單位是kW;v為實(shí)際風(fēng)速,vci為切入風(fēng)速,為額定風(fēng)速,vco為切出風(fēng)速,單位是m/s;a、b、c為發(fā)電機(jī)組功率特性參數(shù).

在模擬過程中,可以從一系列隨機(jī)數(shù)中得到風(fēng)速每小時(shí)的變化,如下式所示:

式中,p為隨機(jī)數(shù),c為比例因子,k為形狀因子,c和k均由所處位置決定.

1.3 光伏太陽能

光伏電池為直流輸出,其輸出電壓和電流一般隨電池上光照強(qiáng)度和溫度的變化而變化,光伏電池的輸出功率模型為:

式中,PPV(t)為t時(shí)段內(nèi)光伏電池輸出功率,Pmax為t時(shí)段內(nèi)光伏電池最大輸出功率,單位是kW;G(t)為t時(shí)段內(nèi)實(shí)際光照強(qiáng)度,單位是w/m2;f(G(t))為光照強(qiáng)度概率密度函數(shù);k為波爾茲曼常量,有k=1.381×10–23J/K;T(t)為t時(shí)段內(nèi)實(shí)際溫度,單位是°C.光照強(qiáng)度G(t)概率密度函數(shù)如式(6)所示:

式中,Gmax為t時(shí)段內(nèi)最大光照強(qiáng)度,單位是w/m2;Γ為Gamma 函數(shù);α、β為Beta 分布的形狀參數(shù),其值可根據(jù)t時(shí)段內(nèi)實(shí)際光照強(qiáng)度的平均值μ和方差σ計(jì)算出.

光伏電池最大輸出功率函數(shù)為:

式中,Iph為光伏電池的光電流,I0為二極管反向飽和電流,單位是A;Rs為等效串聯(lián)電阻,Rp為等效并聯(lián)電阻,單位是Ω;n為二極管理想因子(1≤n≤2);q為電荷量,有q=1.602×10–19C;Ns為串聯(lián)光伏單元個(gè)數(shù);TPV為電池溫度,單位是°F.

2 優(yōu)化配置建模

2.1 目標(biāo)函數(shù)

文中所提出的目標(biāo)函數(shù)中為最大凈現(xiàn)值(NPV),即現(xiàn)金流入現(xiàn)值和現(xiàn)金流出現(xiàn)值之差,也包括了使用期限內(nèi)更換和維護(hù)電池的費(fèi)用.

式(8)中,Ch為h年凈現(xiàn)金流量,I為初始投資成本,i為年利率;式(9)中,INft為每小時(shí)內(nèi)現(xiàn)金流入量,OUTft為每小時(shí)內(nèi)現(xiàn)金流出量,Cm為更換和維護(hù)儲能電池費(fèi)用;式(10)中,Csh為充電站內(nèi)單個(gè)充電樁安裝成本,Qc為已安裝充電樁數(shù)量,Ck為風(fēng)電裝機(jī)成本,Qk為風(fēng)機(jī)數(shù)量,yk為二元決策變量,m為風(fēng)機(jī)總類型數(shù)量,Cp為光伏板每平方米造價(jià),Sp為光伏板安裝表面積,Cs為儲能系統(tǒng)成本,Es為已安裝儲能系統(tǒng)標(biāo)稱容量.

式(9)中各變量表達(dá)式如下:

式(11)～式(13)中,PEV為每小時(shí)向電動汽車用戶提供的總充電功率,CEV為單位時(shí)間收取電動汽車用戶電價(jià),PS2G為每小時(shí)充電站向電網(wǎng)反饋的電能,CG為電力市場每小時(shí)購買電能價(jià)格,PG2S為每小時(shí)充電站從電網(wǎng)消耗的電能,Cb為電力市場電能每小時(shí)銷售價(jià)格,Ps為每小時(shí)內(nèi)儲能系統(tǒng)釋放電能,Ts為電池容量生命周期,Cmh為h年內(nèi)儲能系統(tǒng)維護(hù)費(fèi)用,其他變量含義與式(8)～式(10)一致.

2.2 約束條件

(1)充電站功率平衡

式中,PWT為式(3)中風(fēng)機(jī)輸出功率,PPV為式(5)光伏電池輸出功率,Ps放為儲能系統(tǒng)單位時(shí)間放電功率,Ps充為儲能系統(tǒng)單位時(shí)間充電功率,其他變量與式(11)～式(13)含義一致.

(2)儲能能量平衡

式中,Esh為儲能系統(tǒng)在t小時(shí)存儲能量,Esh–1為儲能系統(tǒng)在t–1 小時(shí)中的存儲能量,Est充為t小時(shí)中的充電量,Est放為t小時(shí)中的放電量.

(3)風(fēng)力發(fā)電機(jī)組供電功率約束

式中,PWT為風(fēng)力發(fā)電機(jī)提供的發(fā)電功率,PWT額為已安裝風(fēng)力發(fā)電機(jī)額定發(fā)電功率.

(4)光伏板功率約束

式中,PPV為光伏發(fā)電機(jī)發(fā)電功率,PPV額為已安裝的光伏發(fā)電機(jī)額定功率.

(5)儲能系統(tǒng)充放電功率和電能約束

式中,PS額為所安裝儲能系統(tǒng)的額定功率,其他兩個(gè)變量與式(14)中含義一致.

儲能系統(tǒng)在t小時(shí)內(nèi)放電能量必須等于或小于t–1 小時(shí)內(nèi)的儲存能量;在t小時(shí)內(nèi)的充電量必須等于或小于儲能系統(tǒng)標(biāo)稱容量和t–1 小時(shí)內(nèi)儲存能量差值.

(6)接入點(diǎn)的電網(wǎng)供電和消耗功率約束

式中,PGmax為接入點(diǎn)最高功率限制,其他變量含義與式(11)～式(13)含義一致.

(7)充電站供電功率限制

式中,PEV額為所安裝充電樁額定功率.

(8)電動汽車的等待時(shí)間限制

式中,tEVk為每輛車的等待時(shí)間,tEVmax為預(yù)期等待最長時(shí)間.

3 優(yōu)化算法

針對本文動態(tài)規(guī)劃配置模型,相對于蟻群算法等遺傳算法具有較快的求解速度,本文利用遺傳算法進(jìn)行求解模型,流程如圖1所示.

圖1 遺傳算法流程

3.1 染色體:優(yōu)化變量

染色體代表每個(gè)個(gè)體,這里表示與充電站的結(jié)構(gòu)有關(guān)的變量,包括充電樁的數(shù)量和功率,風(fēng)力發(fā)電機(jī)的數(shù)量和類型,光伏板的表面積,儲能系統(tǒng)容量和與電網(wǎng)的連接傳輸容量.限制條件如表1中所示.

3.2 交叉和變異算子

染色體有3 個(gè)整型基因和4 個(gè)實(shí)型基因,用于整數(shù)型三種基因的交叉算子創(chuàng)建一個(gè)隨機(jī)的二元向量,如果向量為1,則從第一父代選擇基因,如果向量為0,則從第二父代選擇基因;然后,結(jié)合這些基因創(chuàng)造出兩個(gè)子代.如果二進(jìn)制向量為[1 0 1],且父向量為parent1=[a b c]和parent2=[1 2 3],則子向量為child1=[a 2 c]和child2=[1 b 3].4 個(gè)實(shí)型基因的交叉算子分別從雙親parent1和parent2 中生成子女的每一個(gè)基因k,使用的函數(shù)為:

式中,Ratio的值設(shè)為0.8.

在突變算子中,首先生成一個(gè)介于0和1 之間的隨機(jī)數(shù),如果這個(gè)數(shù)小于一個(gè)閾值(在本例中為0.001),那么這個(gè)染色體就會發(fā)生突變;然后1和pf 基因之間的整數(shù)隨機(jī)數(shù)表示應(yīng)用該突變的基因;最后對于整數(shù)型基因,該基因被在該基因的限制范圍內(nèi)產(chǎn)生的整數(shù)隨機(jī)數(shù)所改變.對于實(shí)數(shù)型基因,在該基因的極限之間產(chǎn)生一個(gè)實(shí)數(shù)隨機(jī)數(shù).

3.3 適應(yīng)度函數(shù):盈利能力

適應(yīng)度函數(shù)與NPV 在數(shù)學(xué)模型中描述的目標(biāo)函數(shù)相同,初始費(fèi)用對應(yīng)于安裝每個(gè)能源系統(tǒng)元件的成本,收入與提供給客戶為其車輛充電的電能以及銷售給電網(wǎng)的剩余電能相關(guān).此外,費(fèi)用包含從電網(wǎng)購買電能的費(fèi)用,充電站的維護(hù)費(fèi)用和電池更換的費(fèi)用.

使用順序蒙特卡羅方法進(jìn)行模擬.首先,該算法根據(jù)到達(dá)時(shí)間、電池容量和電池SOC 來計(jì)算每小時(shí)EV 需求;然后,計(jì)算風(fēng)能和太陽能發(fā)電機(jī)產(chǎn)生的電能,以及發(fā)電機(jī)、電池、充電樁和電網(wǎng)之間的電能流量,在計(jì)算電能流量時(shí)必須考慮電能流量約束;最后,計(jì)算適應(yīng)度函數(shù)值,如圖2所示.

銷售給電網(wǎng)和從電網(wǎng)購買的電能成本是根據(jù)電力市場的每小時(shí)電能成本加上相應(yīng)的電網(wǎng)使用費(fèi)來計(jì)算的,而出售給電動汽車的能源成本是電力市場成本加上利潤.

圖2 適應(yīng)度函數(shù)流程

4 算例分析

4.1 算例描述

用于對EV 需求、風(fēng)電和光伏資源進(jìn)行建模的數(shù)據(jù)在“輸入數(shù)據(jù)模型”部分,表2為優(yōu)化算法的決策變量的限制.

表2 經(jīng)濟(jì)成本(單位:元/kW)

算例1:充電站只由電網(wǎng)供電.在這種方案下,充電站連接到電網(wǎng),并且所需的所有能量都從電網(wǎng)購買.算例2:充電站只由可再生能源供電.在這種方案下,充電站與電網(wǎng)隔離,僅由太陽能和風(fēng)能供電.算例3:充電站同時(shí)由可再生能源和電網(wǎng)供電.在這種方案下,充電站有可再生能源供電同時(shí)與電網(wǎng)進(jìn)行連接.3 種算例中電動汽車總充電功率滿足式(14)充電站總功率平衡約束,單個(gè)電動汽車充電時(shí)間及充電功率等充電行為不受模型約束.模型仿真過程中,其他邊界條件滿足式(15)～式(26)約束要求.充電站各設(shè)備安裝-維修成本及交易價(jià)格如表2所示.

表2中成本包含各設(shè)備安裝成本及1年內(nèi)維修成本,均按每kW 容量設(shè)定,模型未考慮隨著時(shí)間增加維修費(fèi)用增加情況.

4.2 仿真結(jié)果分析

針對3 種算例,基于表1優(yōu)化約束和表2經(jīng)濟(jì)成本,利用圖1遺傳算法迭代計(jì)算式(8)最大凈現(xiàn)值(NPV)模型,每小時(shí)模擬一次.參考圖2適應(yīng)度函數(shù)流程,根據(jù)EV 到達(dá)時(shí)間、電池容量等信息計(jì)算每小時(shí)充電需求以及風(fēng)機(jī)和光伏出力情況,以及各設(shè)備與電網(wǎng)功率交互.最終每種模式優(yōu)化配置情況及經(jīng)濟(jì)效果分析見表3和表4.

表3 每個(gè)算例配置情況

表4 每個(gè)算例的經(jīng)濟(jì)結(jié)果

表3給出了每種算例下充電樁數(shù)量及每個(gè)充電樁的功率,電網(wǎng)和充電站站之間交互最大功率,風(fēng)力發(fā)電機(jī)的數(shù)量,太陽能PV 板的表面積,儲能容量.

表4給出了凈現(xiàn)值(NPV)、投資額、電池更換成本、維護(hù)成本、從電網(wǎng)購買電能的成本、向電網(wǎng)出手電能的收入和向EV 駕駛者出售電能的收入等.

4.3 算例比較分析

從表3可以看出,3 種算例下充電樁數(shù)量和功率基本相同,因?yàn)樗鼈冎饕Q于需求特性.在算例1 中充電樁數(shù)量較少,該方案下充電站僅由電網(wǎng)供電,其電能價(jià)格比可再生能源更昂貴;算例3 同時(shí)由電網(wǎng)和可再生能源供電,但算例3 電網(wǎng)功率卻比算例1 多,因?yàn)樗憷? 中充電站僅能從電網(wǎng)購買電能,而算例3 中充電站可以向電網(wǎng)購買電能的同時(shí)也可以向電網(wǎng)出售電能;比較算例2和算例3 中的可再生能源功率可以發(fā)現(xiàn),算例3 中的可再生能源有四個(gè)風(fēng)電機(jī)和1871.95 m2的太陽能板,而算例2 中僅有1456.38 m2的太陽能板,這是因?yàn)樗憷? 中生產(chǎn)出多余的電能無法利用,所以僅需要生產(chǎn)出滿足需求的電能即可,而算例3 可以向電網(wǎng)出售電能而獲取利潤,所以建設(shè)較多的可再生電源會更好.

從經(jīng)濟(jì)角度來看,在算例3 中獲得了最佳解決方案,NPV的值高于算例2.在算例3 中,充電站采用混合策略,該策略可以從向EV 所有者和電網(wǎng)出售電能中獲得收入.由于可再生發(fā)電機(jī)和電池的安裝成本,算例2和算例3的投資額比算例1 要大得多,如表4所示.

圖3顯示了每種算例下每個(gè)月使用的電能(出售給EV和電網(wǎng)).

圖3 每個(gè)算例每月使用的電能來源

算例1 只有4 個(gè)充電樁,所以當(dāng)所有充電樁都被占用時(shí),消費(fèi)者則不會選擇停下來充電.算例2 有5 個(gè)充電樁,它可以為更多的消費(fèi)者服務(wù).但在某些情況下,由于可再生能源的波動或浪費(fèi)了過多的能源,可能會出現(xiàn)能源短缺.算例3 有5 個(gè)充電樁,但優(yōu)化配置要求安裝更多的太陽能可再生能源,因?yàn)槭Ｓ嗄茉纯梢猿鍪劢o電網(wǎng).

圖4以年度等效值比較了3 個(gè)算例.算例1的總成本很高,因?yàn)檫\(yùn)營成本很高.算例3的收入最高,因?yàn)樗梢韵螂娋W(wǎng)出售電能,因此利潤最高.

在算例1 中,銷售給EV的所有電能都是電網(wǎng)提供的.在算例2 中,所有電能都來自風(fēng)能和太陽能源,但需要電池為EV 間接提供充電服務(wù),并且在當(dāng)天凌晨5 點(diǎn)左右,充電站無法提供所需求的電能.在算例3 中,當(dāng)可再生能源不足時(shí),充電站使用電網(wǎng)為電動汽車提供電能.

在3 個(gè)算例模擬迭代計(jì)算過程中,充電站每天運(yùn)行情況根據(jù)站內(nèi)分布式電源設(shè)備出力及電動汽車充電需求不同而不同,圖5給出一年內(nèi)某典型一天該充電站功率需求曲線.

圖4 年度等值的比較

圖5 3 種模式下充電站內(nèi)優(yōu)化配置結(jié)果

圖5(a)中,算例1 僅由電網(wǎng)給電動汽車供電,給出站內(nèi)充電樁總充電功率曲線,該曲線為每小時(shí)模擬過程中所有充電樁給電動汽車充電的累加功率.圖5(b)為算例2 情況下充電站內(nèi)各設(shè)備與充電樁功率交換情況,所有電能均來自風(fēng)電和光伏,且在發(fā)電低谷期由儲能系統(tǒng)提供充電服務(wù).在算例3 中,如圖5(c)所說,當(dāng)風(fēng)電和光伏發(fā)電不足時(shí),充電站使用電網(wǎng)為電動汽車提供電能,由于儲能系統(tǒng)充放電存在損耗,該算例中儲能系統(tǒng)未參與互動,另外,由于風(fēng)電和光伏出力不存在過剩情況,向電網(wǎng)送電功率為0,即PS2G曲線與橫坐標(biāo)重合.

5 結(jié)論

本文從技術(shù)和經(jīng)濟(jì)因素層面優(yōu)化了電動汽車快速充電站的設(shè)計(jì)模型,采用遺傳算法結(jié)合蒙卡洛特模擬進(jìn)行求解分析,更加逼真地模擬了電動汽車需求和更新生成,得到了更加全面的需求模型.并通過算例比較得出電動汽車快速充電站的最佳設(shè)計(jì)模式,可以通過使用可再生能源發(fā)電來提高盈利能力,同時(shí)需要與電網(wǎng)連接以保證充電站的工作穩(wěn)定性.本研究對建設(shè)電動汽車充電站、促進(jìn)新能源發(fā)電,以及實(shí)現(xiàn)更可持續(xù)的能源管理有著重要意義.