安科瑞 刘秋霞

摘要：大量、无序的插电式混合动力汽车接入电网，会造成高峰时段电网变压器过热、过载，导致跳闸甚至大面积停电。因此电动汽车的协调充电问题是电网中一个研究热点和难点。文章首先将插电式混合动力汽车协调充电问题定义为带约束条件的优化问题，然后提出一种双层*优充电策略对该优化问题进行求解。在第一层基于需求侧管理对电网低压变压器的负荷曲线进行扁平化平滑优化；在第二层基于一致性迭代算法，使插电式混合动力汽车用户的总体充电成本达到最小并同时满足用户的充电需求。所提充电策略既保持了电网变压器供电负荷曲线波动最小，又实现了每个电动汽车用户的充电成本最小，满足了用户的充电需求。

关键词：插电式混合动力汽车；多目标优化；需求侧管理；动态资源分配

0引言

为鼓励电动汽车用户参与到电动汽车的协调充电过程，本文提出了一种用户成本分摊模型，并利用带约束条件的优化模型描述了有*时域内电动汽车协调充电的动态变化过程；其次，为解决所描述的优化问题，本文提出了两层*优充电策略将描述的优化问题分解成2个阶段，分别在低压变压器控制层和用户控制层来予以解决。

1系统模型

1.1图论介绍

在有向图G=(V,E)中,非空集合V=表示图的顶点，E=表示从顶点j可以接受到i的信息，wi,j是关联矩阵W的第i行、第j列元素。对于节点i∈V，其入邻居和出邻居为Ni-=和Ni+=。节点i接收入邻居的信息，并将自身信息发送给出邻居完成信息

在邻居之间的传递。di-=|Ni-|和d=|Ni+|分别表示入邻居和出邻居的个数。强连通的有向图是指任意两个节点之间是可达的。令k=k0,k1,…,kN-1表示N个时间戳,G(k)=(V,E(k))表示k时刻的强连通图。

1.2问题描述

本文研究的分布式电网架构如图1所示，包含1个高压变压器（HVT）连接到1组低压变压器（LVTs），每个低压变压器又连接到多个用户，并且每个用户拥有1台插电式混合动力汽车。

图1分布式电网架构

图1所示的分布式电网架构［19—20］是一种径向放射网状结构，由于低压变压器比高压变压器更容易过载，高压变压器和低压变压器无法同时获得波动最小的负荷曲线。因此本文研究低压侧电网的负载波动情况。在此基础上，本文进一步研究使电动汽车用户充电成本最小化的充电策略，从而使用户能积极参与到负荷曲线的削峰填谷中去。

本文将电网中的插电式混合动力汽车协调充电问题描述成有*时域的多约束优化问题。假设所有电动汽车充电开始和结束的时刻分别为k0和kN-1，xi,k∈R表示电网在k时刻提供给电动汽车i的电能。

一般来说，对于约束条件为线性的凸优化问题具有*一的全局*优解，为了便于求解和表征电动汽车充电用户的充电成本，本文假设每个电动汽车i在时刻k均关联一个凸的二次型成本函数

Fi,k(xi,k)=(xi,k-αi,k)2/2βi,k+γi,k（1）

式中：αi,k和γi,k∈R为成本系数；βi,k>0保证了二次型函数为凸函数。相应的导函数为

Ji,k(xi,k)=dFi,k(xi,k)/dxi,k=(xi,k-αi,k)/βi,k（2）

由于插电式混合动力汽车的锂离子电池容量和最大充电功率有一定的限制，因此电动汽车i在k时刻具有相应的最大充电功率和最小充电功率约束

-xi,k≤xi,k≤i,k（3）

在本文中，假设i,k=i，-xi,k=-xi。为了满足用在某一段时间[k0,kN-1]的充电需求，有如下约束条件

i,k=bi（4）

式中：bi为电动汽车i在时间段[k0,kN-1]内需要充的电能。此外，电网低压变压器提供给所有电动汽车的电能为

i,k=dk（5）

式中：dk为k时刻电网提供给n个电动汽车的电能。

从电动汽车用户的角度，每个用户都希望将自身的充电成本降到*低。因此，在分布式电网中插电式混合动力汽车协调充电问题可表示为如下带约束条件的优化问题

在下一节中本文将给出相应的*优充电控制策略，来解决式（6）所描述的电动汽车协调充电问题。

2*优充电策略

为了解决式（6）所示的有*时域内带等式约束和不等式约束的优化问题，本文提出了一种双层*优充电策略，其框架如图2所示。

图2一种基于LVTs和插电式混合动力汽车之间相互作用的*优控制方案

2.1第一阶段优化

为了能*大程度实现电网低压变压器的负载曲线“削峰填谷”目的，低压变压器控制器基于用户的非电动汽车负载来规划提供给电动汽车充电的电能。令dkj表示在时刻kj变压器提供给n台电动汽车充电的电能，qi(k)表示电动汽车用户i的非电动汽车负载所消耗的功率（如热水器、电吹风、空调等），第一阶段的目标是通过规划给电动汽车充电的电能尽可能使得低压变压器侧总负荷曲线（即电动汽车负荷与非电动汽车负荷之和）最平。通过对某居民用电区域统计其负载变化规律，本文假设某个家庭中的非电动汽车负载对用户i来讲是已知的。第一阶段低压变压器控制器基于需求侧管理负荷曲线波动最小问题可以描述为

式中：目标函数f(d)为各个时刻负荷曲线的波动变化之和，当且仅当f(d)=0时，总体的功率曲线和理想的功率曲线保持一致，即负载曲线*全实现了削峰填谷；dkj为优化变量，表示在时刻kj变压器提供给n台电动汽车充电的电能，kj=k0,k1,…,kN-1为电动汽车的优化时刻；qi(k)为电动汽车用户i的非电动汽车负载所消耗的功率；i为电动汽车i的最大

充电功率；η为期望的负载功率曲线，计算公式为

通过MATLAB线性多约束优化（mu*ivariatelinearprogrammingproblem,MLPP）工具箱可有效解决式（7）所示的线性多约束优化问题。算法如下：

（1）算法1基于LVT需求侧管理调度算法输入：bi,qi(k),i=1,2,…n,k=k0,k1,…,kN-1输出：dkj,kJ=k0,k1,…,kN-1

Step1.PHEVi向LVT发送用户的充电需求bi以及其他非电动汽车的负载qi(k)，i=1,2,…n,k=k0,k1,…,kN-1。

Step2.LVT计算k时刻总体非电动汽车负载

Step3.LVT计算理想的负载功率曲线

Step4.利用MATLAB的MLPP工具箱求解问题（7）。

Step5.LVT将获得的需求侧管理调度结果发送给所有的电动汽车用户。

2.2第二阶段优化

为了能使所有用户的充电成本达到最小，同时满足用户的充电需求，第二阶段将在第一阶段基础上，基于一致性迭代算法来解决最初的优化问题（6），获得全局的*优的调度策略。其中，问题（6）中的第三项等式约束，通过在迭代算法中引入拉格朗日乘子向量，并通过迭代使其收敛到一致的*优值，从而满足该项等式约束。在文献中，本文提出了一致性迭代算法并解决动了态资源分配问题（dynamicresourceallocationproblem,DRAP），获得了全局*一的*优解。在本文中，本文利用一致性迭代算法来解决优化问题（6），算法的证明过程见文献定理1。

（2）算法2基于一致性迭代的*优充电算法

PHEVi（i=1,2,…,n）通过基于邻居信息交换的一致性算法，依次迭代拉格朗日乘子λi,k(t)满足（6）中的第三项等式约束条件，迭代优化变量xi,k(t)满足（6）中第二项不等式约束条件，迭代残差变量si,k(t)满足（6）中第一项等式约束条件。

Step3.电动汽车用户执行相应的*优成本*优调度策略。

针对基于一致性迭代的*优充电算法2，当迭代步长趋向于无穷大时，可以得到问题（6）的*优解。另外，算法2中当前的电动汽车当且仅当与邻居的电动汽车进行信息交换实现了全局*优，是一种*全分布式算法。随着网络节点和规模的扩大，该算法仍然适用。通过结合算法1和算法2，本文提出的双层*优充电策略既保持了电网变压器端的负荷曲线的稳定性，又使得电动汽车用户的充电成本最小，进一步鼓励了用户参与到电网削峰填谷辅助服务中去。

3仿真研究

为了验证本文提出的智能电网中电动汽车双层*优充电策略的有效性，以某小区内分布式电网中小规模的电动汽车渗透为背景。考虑到电动汽车充电时的充电功率对小区内变压器峰值的影响若电动汽车数目过少则导致负荷波动幅度过小，起不到普适性的研究目的。同时，根据对不同汽车数量样本的计算结果进行比对，一般电动汽车充电个数达到4个后，就会对峰值产生显著影响，并且后续随着汽车数量增多，仿真结论均趋于一致。因此本文考虑小区内具有普适性的电动汽车充电场景，以4个电动汽车用户充电为例进行仿真研究。

电动汽车参数如表1所示。电动汽车充电的时间为18:00至次日6:00，共12h，每个小时采样14个点，一共有168个采样点。本文通过以最大功率充电的方式进行对比，从而突出本文的算法有效性。

表1仿真中的电动汽车参数设置

随着通信技术和测量技术在智能电网中的广泛应用，假设在局域网中电动汽车用户之间的拓扑连接方式如图3所示。另外，以最大功率充电的拓扑结构为全联通方式。

图3仿真中强连通电动汽车拓扑结构

在本仿真研究中，所有电动汽车的开始充电时间为18:00，结束时间为次日6:00。采样周期14samples/h。因此整个电动汽车优化运行共有168个采样时刻，本文等间隔地将其分为4组，每组21个采样时刻。在每个时刻，与每个电动汽车关联的成本函数均采用二次型凸函数形式。算法2中的正参数ε=0.2。

图4算法1的电动汽车充电功率曲线

图5以最大功率充电的负荷曲线

图6不协调充电时电动汽车充电的功率分配

图7不协调充电和协调充电电动汽车充电的功率曲线

图8电动汽车用户每日充电成本柱形图

仿真结果如图4—图8所示。图4为通过算法1低压变压器的负载功率曲线。绿色实线表示总的非电动汽车负载。从图4可以看出，当电动汽车的运行周期被分割的时间区间个数趋向于无穷时，总功率曲线将与期望的负载曲线保持一致，达到完整的“削峰填谷”效果。

图5和图6分别为电动汽车在协调充电策略和不协调充电策略下的仿真结果。不协调充电策略是指电动汽车以最大功率进行充电直到达到用户的充电需求。通过图5和图6的对比可以看出，电动汽车的协调充电策略可以极大的减小电动汽车的充电峰值负荷，从而可以进一步减小对电网稳定性的影响。图7表示分别在协调充电和非协调充电情况下总体的功率曲线变化。

从图7可以看出，不协调充电策略的总功率最大值为42kW，相对于期望的功率曲线20kW造成了110%的过载，而协调充电策略波动至25kW，远远小于非协调充电策略，验证了本文提出的算法通过控制电动汽车的充电功率和充电时间使总功率曲线波动明显减小。图8表示在协调充电和非协调充电情况下用户的成本柱形图。

从图8可以看出，协调充电策略不仅仅可以减小全体的电动汽车用户充电成本，同时可以大大减少每个电动汽车用户的充电成本，从而可以鼓励用户参与到电网的“削峰填谷”协调充电调度策略中去。

通过对电动汽车的充电策略进行规划，使用*优的充电策略来完成电动汽车的充电，用电能来替代传统的化学能源，有利于减缓传统能源的消耗速度。进一步，通过大规模利用电动汽车来取代传统的油车，减少污染物的排放，从而减小环境污染。本文的首要目标是通过使得电网曲线波动最小，峰谷差最小，从而避免因峰值过高引起跳闸甚至大面积停电。

4安科瑞充电桩收费运营云平台系统选型方案

4.1概述

AcrelCloud-9000安科瑞充电柱收费运营云平台系统通过物联网技术对接入系统的电动电动自行车充电站以及各个充电整法行不间断地数据采集和监控，实时监控充电桩运行状态，进行充电服务、支付管理，交易结算，资要管理、电能管理，明细查询等。同时对充电机过温保护、漏电、充电机输入/输出过压，欠压，绝缘低各类故障进行预警；充电桩支持以太网、4G或WIFI等方式接入互联网，用户通过微信、支付宝，云闪付扫码充电。

4.2应用场所

适用于民用建筑、一般工业建筑、居住小区、实业单位、商业综合体、学校、园区等充电桩模式的充电基础设施设计。

4.3系统结构

系统分为四层：

1）即数据采集层、网络传输层、数据层和客户端层。

2）数据采集层：包括电瓶车智能充电桩通讯协议为标准modbus-rtu。电瓶车智能充电桩用于采集充电回路的电力参数，并进行电能计量和保护。

3）网络传输层：通过4G网络将数据上传至搭建好的数据库服务器。

4）数据层：包含应用服务器和数据服务器，应用服务器部署数据采集服务、WEB网站，数据服务器部署实时数据库、历史数据库、基础数据库。

5）应客户端层：系统管理员可在浏览器中访问电瓶车充电桩收费平台。终端充电用户通过刷卡扫码的方式启动充电。

小区充电平台功能主要涵盖充电设施智能化大屏、实时监控、交易管理、故障管理、统计分析、基础数据管理等功能，同时为运维人员提供运维APP，充电用户提供充电小程序。

4.4安科瑞充电桩云平台系统功能

4.4.1智能化大屏

智能化大屏展示站点分布情况，对设备状态、设备使用率、充电次数、充电时长、充电金额、充电度数、充电桩故障等进行统计显示，同时可查看每个站点的站点信息、充电桩列表、充电记录、收益、能耗、故障记录等。统一管理小区充电桩，查看设备使用率，合理分配资源。

4.4.2实时监控

实时监视充电设施运行状况，主要包括充电桩运行状态、回路状态、充电过程中的充电电量、充电电压电流，充电桩告警信息等。

4.4.3交易管理

平台管理人员可管理充电用户账户，对其进行账户进行充值、退款、冻结、注销等操作，可查看小区用户每日的充电交易详细信息。

4.4.4故障管理

设备自动上报故障信息，平台管理人员可通过平台查看故障信息并进行派发处理，同时运维人员可通过运维APP收取故障推送，运维人员在运维工作完成后将结果上报。充电用户也可通过充电小程序反馈现场问题。

4.4.5统计分析

通过系统平台，从充电站点、充电设施、、充电时间、充电方式等不同角度，查询充电交易统计信息、能耗统计信息等。

4.4.6基础数据管理

在系统平台建立运营商户，运营商可建立和管理其运营所需站点和充电设施，维护充电设施信息、价格策略、折扣、优惠活动，同时可管理在线卡用户充值、冻结和解绑。

4.4.7运维APP

面向运维人员使用，可以对站点和充电桩进行管理、能够进行故障闭环处理、查询流量卡使用情况、查询充电\充值情况，进行远程参数设置，同时可接收故障推送

4.4.8充电小程序

面向充电用户使用，可查看附近空闲设备，主要包含扫码充电、账户充值，充电卡绑定、交易查询、故障申诉等功能。

4.5系统硬件配置

结束语

本文研究了分布式电网架构中插电式混合动力汽车的协调充电问题。首先，将电动汽车的充电协调问题描述成带多个约束条件的凸优化问题，基于此，本文提出两层*优充电策略来解决该优化问题。在所提提出的*优策略中，上层应用基于需求侧管理的调度算法来求解，在此基础上，下层应用一致性迭代的优化算法进行求解。最后通过数值仿真验证了所提算法的有效性。所提出的*优充电策略既保持了电网变压器供电负荷曲线波动最小，又实现了每个电动汽车用户的充电成本最小，同时满足了用户的充电需求。未来的研究方向会考虑大规模的电动汽车充电场景，即根据用户的行为和习惯随机地将电动汽车接入电网进行充电，并且用户充电的开始和结束时刻各不相同，该种场景可通过本文提出的*优控制策略结合滚动域优化方法来予以解决。

参考文献:

[1]范子恺，俞豪君，朱俊澎，等.电力高峰时段电动汽车负荷优化调度［J］.电力需求侧管理，2014，16（5）：3-9.

[2]吴奇珂，陈昕儒，姜宁，等.峰谷电价背景下考虑电动汽车用户行为的配网规划研究［J］.电力需求侧管理，

[3]蒯圣宇，田佳，台德群，等.计及分布式能源与电动汽车接入的空间负荷预测［J］.电力需求侧管理，2019，21（1）：47-51.

[4]安科瑞企业微电网设计与应用手册.2022.05版

[5]白云霄，刘思捷，钱峰，刘俊磊，鲍威.智能电网中电动汽车双层*优充电策略