實時電價下含V2G功能的電動汽車?yán)硇猿浞烹娔Ｐ图捌浞治?/h1>
2016-10-13 10:40:30王彪，尹霞
電力系統(tǒng)保護與控制 2016年24期
王 彪，尹 霞
?
實時電價下含V2G功能的電動汽車?yán)硇猿浞烹娔Ｐ图捌浞治?/p>
王 彪，尹 霞
(河南職業(yè)技術(shù)學(xué)院，河南 鄭州 450046)
為了利用實時電價實現(xiàn)電動汽車?yán)硇猿潆?，以電動汽車運營收益最大化為目標(biāo)，以滿足電動汽車動力電池充放電容量及電動汽車行程需求為約束條件，構(gòu)造了一個電動汽車充放電收益最大化模型，該模型較好地表示電動汽車充放電決策。以美國家庭出行調(diào)查為依據(jù)，根據(jù)用戶充出行規(guī)律，采用蒙特卡洛模擬法模擬用戶行程需求，對電動汽車充放電運行的經(jīng)濟效益進行仿真計算和分析。研究結(jié)果表明，通過響應(yīng)電網(wǎng)實時電價，理性充放電模型可顯著提高電動汽車的經(jīng)濟效益。同時，由于夜間電價相對便宜而白天相對較高的電價激勵，電動汽車多在配電系統(tǒng)負(fù)載率較低時充電，在系統(tǒng)峰荷附近反向放電，從而起到削峰填谷的效應(yīng)。
電動汽車；動力電池；電動汽車接入電網(wǎng)；收益模型；實時電價；移峰填谷
0 引言
隨著電動汽車的發(fā)展與普及，未來將會有大量電動汽車廣泛接入電網(wǎng)，電動汽車充電負(fù)荷是電力系統(tǒng)重要的新增負(fù)荷。文獻(xiàn)[1-2]對電動汽車充電負(fù)荷計算方法進行了探索并對中國電動汽車在2020年充電負(fù)荷進行了預(yù)測。電動汽車放電負(fù)荷的特性對充電設(shè)施建設(shè)、系統(tǒng)調(diào)度以及相關(guān)政策分析都有重要意義。電動汽車的V2G功能對電網(wǎng)穩(wěn)定性、可靠性的提高有益，通過電動汽車的電池儲能進行削峰填谷、提供調(diào)頻、備用等輔助服務(wù), 文獻(xiàn)[3]對電動汽車接入電網(wǎng)的影響及電動汽車充放電控制與應(yīng)用方面進行了研究。電動汽車的負(fù)荷組合是一個挑戰(zhàn)性的工作。無論是充電還是V2G都與電動汽車的行駛習(xí)慣、充放電設(shè)施的方便性、電池的特性以及充放電價格有關(guān)。
目前，利用美國家庭出行調(diào)查數(shù)據(jù)，在認(rèn)為電動汽車用戶與現(xiàn)有汽車用戶用車方式基本相同的情況下，討論了電動汽車充電負(fù)荷的特征?，F(xiàn)有的研究表明，需要通過充電的有序管理緩解隨意充電而形成的充電高峰。有關(guān)V2G的研究目前人們從平均值上比較了V2G功能對電動汽車用戶的好處，從一般意義上討論了V2G對電網(wǎng)的影響。
電動汽車充放電負(fù)荷特性研究中的難點在于充放電過程發(fā)生在：① 電動汽車處于停駛狀態(tài)；② 車主愿意進行充放電；③ 有充放電設(shè)施。第1條與行駛習(xí)慣有關(guān)，通常首先要滿足行駛需求，第3條取決于充放電站的設(shè)置，難點在第2條。目前的研究大都數(shù)采取預(yù)先規(guī)定的方法，如文獻(xiàn)[4]采取電動汽車車主以最后一次回到時刻家充電。
本文構(gòu)造一個電動汽車充放電收益最大化模型，該模型較好地表現(xiàn)了電動汽車充放電決策，為進一步討論，利用美國汽車行駛數(shù)據(jù)和電價政策進行分析，具體討論不同類型的電動汽車用戶的負(fù)荷特征，特別給出了V2G的提供特點。
1 電動汽車動力電池模型
1.1 動力電池容量及電池荷電狀態(tài)
動力電池容量是電池性能的指標(biāo)之一，電池容量表示在一定條件下(溫度、終止電壓、放電倍率等)電池所釋放的電量。表示動力電池充滿電時容量。目前人們已經(jīng)開發(fā)了針對不同的應(yīng)用的電池模型，鉛酸電池、鋰離子電池、鎳氫電池等[5-6]。
電動汽車通過動力電池充放電與電網(wǎng)發(fā)生關(guān)系，而其中最關(guān)鍵的指標(biāo)是電池荷電狀態(tài)(SOC)。電池的荷電狀態(tài)是用來反映電池的當(dāng)前狀態(tài)，這是國內(nèi)國外較一致的認(rèn)知，其數(shù)值上則定義：電池當(dāng)前電量與完全充電電量的比值，故電池荷電狀態(tài)是以百分制的形式來描述電池當(dāng)前可用容量，表示動力電池充滿狀態(tài)，表示動力電池放空狀態(tài)。表示電動汽車電池起始荷電狀態(tài)，表示電動汽車電池終止荷電狀態(tài)。是動力電池允許最小荷電狀態(tài)，為了防止動力電池過放電，當(dāng)動力電池荷電狀態(tài)低于允許最小荷電狀態(tài)時，中止放電；為了防止動力電池過充電，是動力電池允許最大荷電狀態(tài)，當(dāng)電池荷電狀態(tài)高于允許最大荷電狀態(tài)時，中止充電，過充電保護[7-8]。動力電池荷電狀態(tài)分布及其對應(yīng)不同適用情況如圖1所示。
1.2 動力電池SOC計算
1) 電動汽車行駛距離已知的條件下，其電池消耗荷電狀態(tài)
2) 當(dāng)給電氣汽車動力電池充電時，充電后的得到荷電狀態(tài)充電
3) 電動汽車對電網(wǎng)供電的V2G服務(wù)，電動汽車銷售電能，銷售的電池荷電狀態(tài)
1.3 動力電池?fù)p耗模型
幾年來，車用動力電池研究有了長足的進步，目前，電動汽車動力電池主要為鉛酸電池，鎳氫電池，鋰離子電池，這些電池技術(shù)應(yīng)用于電動汽車，為電動汽車提供動力，其中鋰離子動力電池能量大，密度高，循環(huán)使用壽命高，體積小，質(zhì)量輕，無污染，安全性能較好，鋰離子動力電池應(yīng)用廣泛[9-11]。
但電動汽車動力電池有壽命，每次充放電都會對電池造成損耗，其充放次數(shù)是有限的，所以就會有電池充放電成本，動力電動損耗成本為電池充放點單位電能折合的電池?fù)p耗費用率乘以電池的充電電量或放電電量
1.4 日產(chǎn)Altra電動汽車動力電池
目前電動汽車大多采用鋰離子車用動力電池，本文采用日產(chǎn)電動汽車數(shù)據(jù)，電池容量為29 kWh。電池充放電功率曲線并不是一條直線，而是一條不規(guī)則的曲線，對于鋰離子動力電池而言，其充放電功率曲線可以近似為一條直線，在實際計算過程中把動力電池充放電功率近似為直線[12]，鋰離子動力電池充放電功率近似為7 kW；充電時間4 h左右，日產(chǎn)電動汽車參數(shù)如表1所示。
表1 日產(chǎn)電動汽車參數(shù)
2 電動汽車行駛數(shù)據(jù)及電價市場機制
2.1 美國家庭出行調(diào)查統(tǒng)計分析
用戶行為即車輛行駛習(xí)慣是影響電動汽車充放電的關(guān)鍵因素，具有隨機性，電動汽車起始充放電時刻和日行駛距離是對電動汽車產(chǎn)生影響的主要用戶行為。本文使用的車輛出行行為數(shù)據(jù)來自于2009年美國交通部對全美家用車輛的出行調(diào)查結(jié)果[13]，為了把數(shù)據(jù)輸入到數(shù)學(xué)模型中去，對數(shù)據(jù)做進一步的處理。把每日行程進行分段，例如，汽車一日行程中有四段行程。根據(jù)統(tǒng)計結(jié)果每日行程數(shù)幾乎都在兩至六段。
根據(jù)2009年美國交通部家庭出行調(diào)查報告，可以統(tǒng)計汽車用戶一日行程不適用概率情況，如圖2 所示，在一天行程中，汽車用戶有2~3個使用高峰時段，第一時段是7:00—9:00，第二時段是13:00前后，第三時段是17:00—19:00，統(tǒng)計全美家庭出行用戶來說，即使在使用高峰階段，汽車不適用概率最低仍為0.86，這就為汽車電池作為可再生分布式能源V2G服務(wù)提供了時間上的可能[14]。
圖2 汽車一天中不使用概率情況
2.2 電價市場機制
電動汽車的充放電電價對于電動汽車充電負(fù)荷和V2G服務(wù)提供的時間分布具有重要的影響。從充電機制來說，很多作者建議采用分時電價機制給電動汽車充電負(fù)荷充電。文獻(xiàn)[17]給出的分時電價，即采用了3段，12:00—7:00電價最低，8:00—14:00以及2:00—24:00采用中等電價，而13:00—22:00則使用最高的電價。
對于提供V2G服務(wù)的電價，可以根據(jù)其具體服務(wù)的項目按照市場價格購買。本文研究利用電池儲能進行削峰填谷，以及在高峰時段通過銷售電能而獲利。采用的電價為PJM市場的實時電價[15]。以2013年全年的實時電價數(shù)據(jù)為基礎(chǔ)，獲得了24 h的電價分布。實時電價平均值如圖3所示。
圖3 實時電價平均值
3 電動汽車?yán)硇猿浞烹姏Q策模型
圖4 電動汽車最優(yōu)充放電運行模型
Fig. 4 EV optimal operating and charging/discharging model
模型約束條件如下所述。
1) 電量平衡約束。在一個周期的時間里(通常為24 h，第一個行程開始時的起始荷電狀態(tài)等于最后一個行程的電池的荷電狀態(tài)，即在一日行程內(nèi)充電電量減去放電電量為零。
2) 電動汽車行程約束。電動汽車動力電池起始電量滿足第一個行程。
(7)
3) 電池荷電狀態(tài)約束。電動汽車在每個時段充電最大充/放電量要小于電池允許最大荷電狀態(tài)。電動汽車在第段行程充放電結(jié)束時電動汽車電量要滿足大于最小允許荷電狀態(tài)，小于最大允許荷電狀態(tài)電動汽車在第段行程第個時段池充/放電結(jié)束時電動汽車電量要滿足不小于動力電池最小允許荷電電量，不大于最大允許荷電電量，共有個這類約束條件。
(9)
4) 時間約束。電動汽車在同一時段內(nèi)可以選擇充電或放電但不可同時進行充放電；電動汽車在行駛時不能充電或V2G放電。
(13)
本文建立的電動汽車有序充電優(yōu)化模型為混合規(guī)劃模型，使用YALMIP工具箱[16]進行求解。
4 基于蒙特卡洛模擬法計算及分析
4.1 考慮行駛時間里程速度隨機性的模擬模型
全面考察電動汽車行駛情況與電價政策的影響，本文按照第2.1節(jié)的方式對出行數(shù)據(jù)進行統(tǒng)計。并對PJM的電價按照第2.2節(jié)的方式進行統(tǒng)計。進一步考慮電動汽車用戶不同天的行程數(shù)目的變化以及行程的距離，開始時間等都會有變化，采用蒙特卡洛模擬可得到實際電價、行駛特點情況下電動汽車充放電特點[17-21]。
首先按照行程的概率選擇當(dāng)日的行程，然后根據(jù)行程次數(shù)的類別中開始時間的分布，行駛時間的分布以及行駛速度的分布，求得獲得一個確定的當(dāng)日行駛安排。然后利用充放電模型進行充放電決策，其流程如圖5所示。
實際仿真結(jié)果表明，在模擬5000次后電動汽車日平均充放電收益平均值基本不變，為兼顧計算速度及精度，將蒙特卡羅模擬次數(shù)設(shè)為5000次。
充放電當(dāng)都采用實時電價時，電動汽車則有較好的收益?？蓪ASE A當(dāng)做現(xiàn)有的電價水平下的電動汽車含V2G的情況，而將CASE B 近似的將電動汽車看成是電力市場一份子，顯然在CASE B中電動汽車電池的存儲收益是相當(dāng)可觀的。這也為未來的電價制定留下了相當(dāng)大的空間。按照第3.1節(jié)給出的算法，在充電電價采用分時電價，而V2G電價采用PJM的實時電價(稱之為CASE A)，以及充電電價和放電電價均采用實時電價(稱之為CASE B)，求得電動汽車的運行成本收據(jù)，如表2所示。
圖5 基于蒙特卡洛模擬的電動汽車收益計算流程
表2 2~6段行程收益值
4.2 充放電量特性分析
目前，部分文獻(xiàn)根據(jù)全美家用車輛的調(diào)查統(tǒng)計結(jié)果，假設(shè)電動汽車開始充電時刻為最后一次出行返回時刻，通過對數(shù)據(jù)進行曲線擬合，則起始充電時刻大致可以認(rèn)為滿足正態(tài)分布，并通過計算得到正態(tài)分布，均值，均方差。從而可以得到電動汽車起始充電時刻數(shù)學(xué)模型。電動汽車所消耗的電量與出行距離相關(guān)，并根據(jù)全美家用車輛的調(diào)查統(tǒng)計結(jié)果，得出結(jié)論，日行駛里程滿足對數(shù)正態(tài)分布，均，均方差。從而可以得到電動汽車起始荷電狀態(tài)數(shù)學(xué)模型。若電動汽車數(shù)據(jù)采用本文中的日產(chǎn)純電動汽車數(shù)據(jù)，從而可以得到平均單輛電動汽車充電負(fù)荷曲線，如圖6所示。
圖6 單輛電動汽車充電負(fù)荷
以電動汽車開始充電時刻認(rèn)為最后一次出行返回時刻，則由圖6可知，則電動汽車充電負(fù)荷低谷在24:00—10:00；而充電負(fù)荷高峰在16:00—22:00，在4:00—7:00幾乎沒有充電負(fù)荷，在18:00—19:00達(dá)到充電負(fù)荷最高峰，這不僅沒有達(dá)到削峰填谷的目的，反而加劇了峰谷差。
圖7 實時電價下單輛電動汽車充放電負(fù)荷
圖7為實時電價下單輛電動汽車充放電負(fù)荷圖，當(dāng)沒有V2G功能時，通過充電僅補償交通行駛消耗的電池電能。按照實時電價機制，其充電曲線分布如圖所示。由充電曲線可以發(fā)現(xiàn)，對實時電價而言,其不同小時的電價是不同的，因此其分布也就更加具有變化性(例如在15:00時刻還有不可忽視的充電電量)，而不進行V2G 服務(wù)的情況相比，進行V2G 務(wù)后的尼桑電池充電量增加了10.7 kWh，是其不參與V2G服務(wù)時充電量的1.63倍。這些新增加的電量將作為V2G服務(wù)返回給了電網(wǎng)，也就是說，如果采用對等的電價機制,電動汽車主在自愿的原則下,會提供至少與交通耗電相當(dāng)?shù)碾娏窟M行V2G服務(wù).電動汽車進行V2G服務(wù)的潛力非常大。有如此大的電量進行V2G 服務(wù)的原因是在充電和V2G均采用實時電價時，V2G 的收益比較好。日產(chǎn)電池提供V2G 服務(wù)后增加了40.21美分的收益,減去其充電增加的充電費用以及因為多進行充放電而形成的電池?fù)p耗費用,一日還可增加收益30.56美分。
本文采用實時電價的目的有兩個：① 說明當(dāng)充放電電價采用具有相同水平的實時電價時,即便考慮電池的損耗，電動汽車電池提供V2G 服務(wù)可以讓電動汽車獲得更多的利益；② 說明由于電動汽車在采用實時電價作為充放電電價后,其可以獲取的利益相對非常大，且V2G功能實現(xiàn)后有足夠的經(jīng)濟空間通過成立中間的組織實施管理有序充電。這再次說明如果采用實時電價,則只有動態(tài)調(diào)整實時電價,才有可能平抑新的充電高峰。
5 結(jié)論
本文根據(jù)2011年美國交通部對全美家用車輛的出行調(diào)查結(jié)果，結(jié)合日產(chǎn)純電動汽車運行相關(guān)數(shù)據(jù)，以電動汽車運營效益最大化為目標(biāo)，以電動汽車充放電容量滿足電動汽車行程需求為約束條件，構(gòu)造了一個電動汽車充放電收益最大化數(shù)學(xué)模型，該模型較好地表示電動汽車充放電決策，通過仿真分析，得到以下結(jié)論。
1) 本文利用日行程和電價信息，構(gòu)造了一個包含V2G功能的電動汽車充、放電模型，為考慮電動汽車車主的意愿提供了一種工具。
2) 利用該模型可以發(fā)現(xiàn)，電動汽車采用V2G技術(shù)后會給電動汽車車主帶來利益，而且還可以協(xié)助電網(wǎng)提供削峰填谷功能，是推動電動汽車發(fā)展的積極因素。
3) 利用該模型，本文考察了基于美國PJM實時電價和分時電價以及都采用實時電價情況下電動汽車的充，放電策略。發(fā)現(xiàn)電動汽車充電電價在批發(fā)的實時電價和分時電價之間存在可調(diào)整的空間，為組織充電供應(yīng)商提供了經(jīng)濟上的可能性。
4) 本模型還可以進一步包含多輛電動汽車的情況，進而成為討論整體電動汽車負(fù)荷的工具。
[1] LUO Z, SONG Y, HU Z, et al. Forecasting charging load of plug-in electric vehicles in China[C] // Power and Energy Society General Meeting, 2011 IEEE. IEEE, 2011: 1-8.
[2] 羅卓偉, 胡澤春, 宋永華, 等. 電動汽車充電負(fù)荷計算方法[J]. 電力系統(tǒng)自動化, 2011, 35(14): 36-42.
LUO Zhuowei, HU Zechun, SONG Yonghua, et al. Study on plug-in electric vehicles charging load calculating[J]. Automation of Electric Power Systems, 2011, 35(14): 36-42.
[3] 胡澤春, 宋永華, 徐智威. 電動汽車接入電網(wǎng)的影響與利用[J]. 中國電機工程學(xué)報, 2012, 32(4): 1-10.
HU Zechun, SONG Yonghua, XU Zhiwei. Impacts and utilization of electric vehicles integration into power systems[J]. Proceedings of the CSEE, 2012, 32(4): 1-10.
[4] The U.S. Department of Transportation Federal Highway Administration, National Household Travel Survey, 2009[EB/OL].http://nhts.ornl.gov/download.shtml#2009.
[5] PETERSON S B, APT J, WHITACRE J F. Lithium-ion battery cell degradation resulting from realistic vehicle and vehicle-to-grid utilization[J]. Journal of Power Sources, 2010, 195(8): 2385-2392.
[6] 連湛偉, 石欣, 克瀟,等. 電動汽車充換電站動力電池全壽命周期在線檢測管理系統(tǒng)[J]. 電力系統(tǒng)保護與控制, 2014, 42(12): 137-142.
LIAN Zhanwei, SHI Xin, KE Xiao, et al. The whole life cycle on-line detection and management system of power battery in the electric vehicle charging and exchanging station[J]. Power System Protection and Control, 2014. 42(12): 137-142.
[7] OLDEWURTEL F, BORSCHE T, BUCHER M, et al. A framework for and assessment of demand response and energy storage in power systems[C] // Bulk Power System Dynamics and Control-IX Optimization, Security and Control of the Emerging Power Grid (IREP), 2013 IREP Symposium. IEEE, 2013: 1-24.
[8] 張聰, 許曉慧, 孫海順, 等. 基于自適應(yīng)遺傳算法的規(guī)?；妱悠囍悄艹潆姴呗匝芯縖J]. 電力系統(tǒng)保護與控制, 2014, 42(14): 19-24.
ZHANG Cong, XU Xiaohui, SUN Haishun, et al. Smart charging strategy of large-scale electric vehicles based on adaptive genetic algorithm[J]. Power System Protection and Control, 2014, 42(14): 19-24.
[9] ?胡信國. 動力電池進展[J]. 電池工業(yè), 2007, 12(2): 113-118.
HU Xinguo. The development trends of the power batteries[J]. Chinese Battery Industry, 2007, 12(2): 113-118.
[10]王少龍, 侯明, 王瑞山. 動力電池的研究現(xiàn)狀及發(fā)展趨勢[J]. 云南冶金, 2007, 12(2): 113-118.
WANG Shaolong, HOU Ming, WANG Ruishan. Research situation and development trend of power battery[J]. Yunnan Metallurgy, 2007, 12(2): 113-118.
[11]郭煜華, 范春菊. 含大規(guī)模電動汽車的配電網(wǎng)保護技術(shù)研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(8): 14-20.
GUO Yuhua, FAN Chunju. Research on relaying technologies of distribution network including mass electric vehicles[J]. Power System Protection and Control, 2015, 43(8): 14-20.
[12] QIAN K, ZHOU C, ALLAN M, et al. Load model for prediction of electric vehicle charging demand[C] // Power System Technology (POWERCON), 2010 International Conference on. IEEE, 2010: 1-6.
[13] QIAN K, ZHOU C, ALLAN M, et al. Modeling of load demand due to EV battery charging in distribution systems[J]. IEEE Transactions on Power Systems, 2011, 26(2): 802-810.
[14] ZHANG L, BROWN T, SAMUELSEN S. Evaluation of charging infrastructure requirements and operating costs for plug-in electric vehicles[J]. Journal of Power Sources, 2013, 240: 515-524.
[15] Markets & operations, Energy markets, day-ahead energy market[EB/OL].http://www.pjm.com/markets-and-perations/ energy/day-ahead.aspx.
[18] LOFBERG J. YALMIP: a toolbox for modeling and optimization in MATLAB[C] // Computer Aided Control Systems Design, 2004 IEEE International Symposium on. IEEE, 2004: 284-289.
[19] LU L, HAN X, LI J, et al. A review on the key issues for lithium-ion battery management in electric vehicles[J]. Journal of Power Sources, 2013, 226: 272-288.
[20] GENG Y, MA Z, XUE B, et al. Co-benefit evaluation for urban public transportation sector–a case of Shenyang, China[J]. Journal of Cleaner Production, 2013, 58: 82-89.
[21] 劉貴平, 劉坤杰, 劉娜. 閉環(huán)需求化風(fēng)電場運維模式[J].電網(wǎng)與清潔能源, 2016, 32(6): 143-152.
LIU Guiping, LIU Kunjie, LIU Na. Maintenance management model of the closed-loop demand wind farm[J]. Power System and Clean Energy, 2016, 32(6): 143-152.
(編輯 張愛琴)
Modeling and analysis on the rational charging and discharging of electric vehicle with V2G function under real-time prices
WANG Biao, YIN Xia
(Henan Vocational and Technical College, Zhengzhou 450046, China)
Under the constraints of power battery charging and discharging capacity and customer travel needs, an EV charging and discharging model is proposed to maximize the electric vehicle economic benefits and coordinate the charging and discharging of EVs. The vehicle travel behavior data used are derived from the National Household Travel Survey (NHTS). Monte Carlo simulation method is utilized to generate the trip's needs of customers based on actual customers' travel rule. The economic benefits of electric vehicle charging/discharging are simulated and analyzed. The results indicate that the economic benefits of the rational charging/discharging model can be significantly improved by responding the time of use electricity price. Meanwhile, due to the relatively cheaper off-peak electricity price at night than the expensive on-peak electricity price during the day, electric vehicles tend to charge at low load time and discharge inversely at peak load time in distribution system so as to achieve peak load shifting.
electric vehicle; power battery; vehicle to grid (V2G); benefits model; real-time price; peak load shifting
10.7667/PSPC152240
河南省科技廳科技發(fā)展項目(20141478)
2015-12-28；
2016-07-22
王 彪(1985-)，男，工程碩士，講師，主要研究方向為單片機技術(shù)、電動汽車技術(shù)、汽車電子技術(shù)；E-mail: wbhn1985@sina.com 尹 霞(1979-)，女，學(xué)士，講師，研究方向為單片機技術(shù)、電動汽車技術(shù)、汽車電子技術(shù)。
猜你喜歡
德國：電價上漲的背后邏輯能源(2018年10期)2018-12-08 08:02:40 基于雙擴展卡爾曼濾波的電池荷電狀態(tài)估計測控技術(shù)(2018年11期)2018-12-07 05:49:38 探索電價改革商周刊(2018年16期)2018-08-14 01:51:52 動力電池礦戰(zhàn)能源(2017年12期)2018-01-31 01:43:00 動力電池回收——崛起的新興市場資源再生(2017年4期)2017-06-15 20:28:30 基于MARS 的電池荷電狀態(tài)估計電源技術(shù)(2017年1期)2017-03-20 13:37:58 可再生能源電價附加的收支平衡分析當(dāng)代經(jīng)濟(2016年26期)2016-06-15 20:27:19 爭議光伏標(biāo)桿上網(wǎng)電價能源(2016年11期)2016-05-17 04:57:24 《動力電池技術(shù)與應(yīng)用》電源技術(shù)(2016年9期)2016-02-27 09:05:45 《動力電池材料》電源技術(shù)(2016年2期)2016-02-27 09:04:43
王 彪，尹 霞
?
實時電價下含V2G功能的電動汽車?yán)硇猿浞烹娔Ｐ图捌浞治?/p>
王 彪，尹 霞
(河南職業(yè)技術(shù)學(xué)院，河南 鄭州 450046)
為了利用實時電價實現(xiàn)電動汽車?yán)硇猿潆?，以電動汽車運營收益最大化為目標(biāo)，以滿足電動汽車動力電池充放電容量及電動汽車行程需求為約束條件，構(gòu)造了一個電動汽車充放電收益最大化模型，該模型較好地表示電動汽車充放電決策。以美國家庭出行調(diào)查為依據(jù)，根據(jù)用戶充出行規(guī)律，采用蒙特卡洛模擬法模擬用戶行程需求，對電動汽車充放電運行的經(jīng)濟效益進行仿真計算和分析。研究結(jié)果表明，通過響應(yīng)電網(wǎng)實時電價，理性充放電模型可顯著提高電動汽車的經(jīng)濟效益。同時，由于夜間電價相對便宜而白天相對較高的電價激勵，電動汽車多在配電系統(tǒng)負(fù)載率較低時充電，在系統(tǒng)峰荷附近反向放電，從而起到削峰填谷的效應(yīng)。
電動汽車；動力電池；電動汽車接入電網(wǎng)；收益模型；實時電價；移峰填谷
0 引言
隨著電動汽車的發(fā)展與普及，未來將會有大量電動汽車廣泛接入電網(wǎng)，電動汽車充電負(fù)荷是電力系統(tǒng)重要的新增負(fù)荷。文獻(xiàn)[1-2]對電動汽車充電負(fù)荷計算方法進行了探索并對中國電動汽車在2020年充電負(fù)荷進行了預(yù)測。電動汽車放電負(fù)荷的特性對充電設(shè)施建設(shè)、系統(tǒng)調(diào)度以及相關(guān)政策分析都有重要意義。電動汽車的V2G功能對電網(wǎng)穩(wěn)定性、可靠性的提高有益，通過電動汽車的電池儲能進行削峰填谷、提供調(diào)頻、備用等輔助服務(wù), 文獻(xiàn)[3]對電動汽車接入電網(wǎng)的影響及電動汽車充放電控制與應(yīng)用方面進行了研究。電動汽車的負(fù)荷組合是一個挑戰(zhàn)性的工作。無論是充電還是V2G都與電動汽車的行駛習(xí)慣、充放電設(shè)施的方便性、電池的特性以及充放電價格有關(guān)。
目前，利用美國家庭出行調(diào)查數(shù)據(jù)，在認(rèn)為電動汽車用戶與現(xiàn)有汽車用戶用車方式基本相同的情況下，討論了電動汽車充電負(fù)荷的特征?，F(xiàn)有的研究表明，需要通過充電的有序管理緩解隨意充電而形成的充電高峰。有關(guān)V2G的研究目前人們從平均值上比較了V2G功能對電動汽車用戶的好處，從一般意義上討論了V2G對電網(wǎng)的影響。
電動汽車充放電負(fù)荷特性研究中的難點在于充放電過程發(fā)生在：① 電動汽車處于停駛狀態(tài)；② 車主愿意進行充放電；③ 有充放電設(shè)施。第1條與行駛習(xí)慣有關(guān)，通常首先要滿足行駛需求，第3條取決于充放電站的設(shè)置，難點在第2條。目前的研究大都數(shù)采取預(yù)先規(guī)定的方法，如文獻(xiàn)[4]采取電動汽車車主以最后一次回到時刻家充電。
本文構(gòu)造一個電動汽車充放電收益最大化模型，該模型較好地表現(xiàn)了電動汽車充放電決策，為進一步討論，利用美國汽車行駛數(shù)據(jù)和電價政策進行分析，具體討論不同類型的電動汽車用戶的負(fù)荷特征，特別給出了V2G的提供特點。
1 電動汽車動力電池模型
1.1 動力電池容量及電池荷電狀態(tài)
動力電池容量是電池性能的指標(biāo)之一，電池容量表示在一定條件下(溫度、終止電壓、放電倍率等)電池所釋放的電量。表示動力電池充滿電時容量。目前人們已經(jīng)開發(fā)了針對不同的應(yīng)用的電池模型，鉛酸電池、鋰離子電池、鎳氫電池等[5-6]。
電動汽車通過動力電池充放電與電網(wǎng)發(fā)生關(guān)系，而其中最關(guān)鍵的指標(biāo)是電池荷電狀態(tài)(SOC)。電池的荷電狀態(tài)是用來反映電池的當(dāng)前狀態(tài)，這是國內(nèi)國外較一致的認(rèn)知，其數(shù)值上則定義：電池當(dāng)前電量與完全充電電量的比值，故電池荷電狀態(tài)是以百分制的形式來描述電池當(dāng)前可用容量，表示動力電池充滿狀態(tài)，表示動力電池放空狀態(tài)。表示電動汽車電池起始荷電狀態(tài)，表示電動汽車電池終止荷電狀態(tài)。是動力電池允許最小荷電狀態(tài)，為了防止動力電池過放電，當(dāng)動力電池荷電狀態(tài)低于允許最小荷電狀態(tài)時，中止放電；為了防止動力電池過充電，是動力電池允許最大荷電狀態(tài)，當(dāng)電池荷電狀態(tài)高于允許最大荷電狀態(tài)時，中止充電，過充電保護[7-8]。動力電池荷電狀態(tài)分布及其對應(yīng)不同適用情況如圖1所示。
1.2 動力電池SOC計算
1) 電動汽車行駛距離已知的條件下，其電池消耗荷電狀態(tài)
2) 當(dāng)給電氣汽車動力電池充電時，充電后的得到荷電狀態(tài)充電
3) 電動汽車對電網(wǎng)供電的V2G服務(wù)，電動汽車銷售電能，銷售的電池荷電狀態(tài)
1.3 動力電池?fù)p耗模型
幾年來，車用動力電池研究有了長足的進步，目前，電動汽車動力電池主要為鉛酸電池，鎳氫電池，鋰離子電池，這些電池技術(shù)應(yīng)用于電動汽車，為電動汽車提供動力，其中鋰離子動力電池能量大，密度高，循環(huán)使用壽命高，體積小，質(zhì)量輕，無污染，安全性能較好，鋰離子動力電池應(yīng)用廣泛[9-11]。
但電動汽車動力電池有壽命，每次充放電都會對電池造成損耗，其充放次數(shù)是有限的，所以就會有電池充放電成本，動力電動損耗成本為電池充放點單位電能折合的電池?fù)p耗費用率乘以電池的充電電量或放電電量
1.4 日產(chǎn)Altra電動汽車動力電池
目前電動汽車大多采用鋰離子車用動力電池，本文采用日產(chǎn)電動汽車數(shù)據(jù)，電池容量為29 kWh。電池充放電功率曲線并不是一條直線，而是一條不規(guī)則的曲線，對于鋰離子動力電池而言，其充放電功率曲線可以近似為一條直線，在實際計算過程中把動力電池充放電功率近似為直線[12]，鋰離子動力電池充放電功率近似為7 kW；充電時間4 h左右，日產(chǎn)電動汽車參數(shù)如表1所示。
表1 日產(chǎn)電動汽車參數(shù)
2 電動汽車行駛數(shù)據(jù)及電價市場機制
2.1 美國家庭出行調(diào)查統(tǒng)計分析
用戶行為即車輛行駛習(xí)慣是影響電動汽車充放電的關(guān)鍵因素，具有隨機性，電動汽車起始充放電時刻和日行駛距離是對電動汽車產(chǎn)生影響的主要用戶行為。本文使用的車輛出行行為數(shù)據(jù)來自于2009年美國交通部對全美家用車輛的出行調(diào)查結(jié)果[13]，為了把數(shù)據(jù)輸入到數(shù)學(xué)模型中去，對數(shù)據(jù)做進一步的處理。把每日行程進行分段，例如，汽車一日行程中有四段行程。根據(jù)統(tǒng)計結(jié)果每日行程數(shù)幾乎都在兩至六段。
根據(jù)2009年美國交通部家庭出行調(diào)查報告，可以統(tǒng)計汽車用戶一日行程不適用概率情況，如圖2 所示，在一天行程中，汽車用戶有2~3個使用高峰時段，第一時段是7:00—9:00，第二時段是13:00前后，第三時段是17:00—19:00，統(tǒng)計全美家庭出行用戶來說，即使在使用高峰階段，汽車不適用概率最低仍為0.86，這就為汽車電池作為可再生分布式能源V2G服務(wù)提供了時間上的可能[14]。
圖2 汽車一天中不使用概率情況
2.2 電價市場機制
電動汽車的充放電電價對于電動汽車充電負(fù)荷和V2G服務(wù)提供的時間分布具有重要的影響。從充電機制來說，很多作者建議采用分時電價機制給電動汽車充電負(fù)荷充電。文獻(xiàn)[17]給出的分時電價，即采用了3段，12:00—7:00電價最低，8:00—14:00以及2:00—24:00采用中等電價，而13:00—22:00則使用最高的電價。
對于提供V2G服務(wù)的電價，可以根據(jù)其具體服務(wù)的項目按照市場價格購買。本文研究利用電池儲能進行削峰填谷，以及在高峰時段通過銷售電能而獲利。采用的電價為PJM市場的實時電價[15]。以2013年全年的實時電價數(shù)據(jù)為基礎(chǔ)，獲得了24 h的電價分布。實時電價平均值如圖3所示。
圖3 實時電價平均值
3 電動汽車?yán)硇猿浞烹姏Q策模型
圖4 電動汽車最優(yōu)充放電運行模型
Fig. 4 EV optimal operating and charging/discharging model
模型約束條件如下所述。
1) 電量平衡約束。在一個周期的時間里(通常為24 h，第一個行程開始時的起始荷電狀態(tài)等于最后一個行程的電池的荷電狀態(tài)，即在一日行程內(nèi)充電電量減去放電電量為零。
2) 電動汽車行程約束。電動汽車動力電池起始電量滿足第一個行程。
(7)
3) 電池荷電狀態(tài)約束。電動汽車在每個時段充電最大充/放電量要小于電池允許最大荷電狀態(tài)。電動汽車在第段行程充放電結(jié)束時電動汽車電量要滿足大于最小允許荷電狀態(tài)，小于最大允許荷電狀態(tài)電動汽車在第段行程第個時段池充/放電結(jié)束時電動汽車電量要滿足不小于動力電池最小允許荷電電量，不大于最大允許荷電電量，共有個這類約束條件。
(9)
4) 時間約束。電動汽車在同一時段內(nèi)可以選擇充電或放電但不可同時進行充放電；電動汽車在行駛時不能充電或V2G放電。
(13)
本文建立的電動汽車有序充電優(yōu)化模型為混合規(guī)劃模型，使用YALMIP工具箱[16]進行求解。
4 基于蒙特卡洛模擬法計算及分析
4.1 考慮行駛時間里程速度隨機性的模擬模型
全面考察電動汽車行駛情況與電價政策的影響，本文按照第2.1節(jié)的方式對出行數(shù)據(jù)進行統(tǒng)計。并對PJM的電價按照第2.2節(jié)的方式進行統(tǒng)計。進一步考慮電動汽車用戶不同天的行程數(shù)目的變化以及行程的距離，開始時間等都會有變化，采用蒙特卡洛模擬可得到實際電價、行駛特點情況下電動汽車充放電特點[17-21]。
首先按照行程的概率選擇當(dāng)日的行程，然后根據(jù)行程次數(shù)的類別中開始時間的分布，行駛時間的分布以及行駛速度的分布，求得獲得一個確定的當(dāng)日行駛安排。然后利用充放電模型進行充放電決策，其流程如圖5所示。
實際仿真結(jié)果表明，在模擬5000次后電動汽車日平均充放電收益平均值基本不變，為兼顧計算速度及精度，將蒙特卡羅模擬次數(shù)設(shè)為5000次。
充放電當(dāng)都采用實時電價時，電動汽車則有較好的收益?？蓪ASE A當(dāng)做現(xiàn)有的電價水平下的電動汽車含V2G的情況，而將CASE B 近似的將電動汽車看成是電力市場一份子，顯然在CASE B中電動汽車電池的存儲收益是相當(dāng)可觀的。這也為未來的電價制定留下了相當(dāng)大的空間。按照第3.1節(jié)給出的算法，在充電電價采用分時電價，而V2G電價采用PJM的實時電價(稱之為CASE A)，以及充電電價和放電電價均采用實時電價(稱之為CASE B)，求得電動汽車的運行成本收據(jù)，如表2所示。
圖5 基于蒙特卡洛模擬的電動汽車收益計算流程
表2 2~6段行程收益值
4.2 充放電量特性分析
目前，部分文獻(xiàn)根據(jù)全美家用車輛的調(diào)查統(tǒng)計結(jié)果，假設(shè)電動汽車開始充電時刻為最后一次出行返回時刻，通過對數(shù)據(jù)進行曲線擬合，則起始充電時刻大致可以認(rèn)為滿足正態(tài)分布，并通過計算得到正態(tài)分布，均值，均方差。從而可以得到電動汽車起始充電時刻數(shù)學(xué)模型。電動汽車所消耗的電量與出行距離相關(guān)，并根據(jù)全美家用車輛的調(diào)查統(tǒng)計結(jié)果，得出結(jié)論，日行駛里程滿足對數(shù)正態(tài)分布，均，均方差。從而可以得到電動汽車起始荷電狀態(tài)數(shù)學(xué)模型。若電動汽車數(shù)據(jù)采用本文中的日產(chǎn)純電動汽車數(shù)據(jù)，從而可以得到平均單輛電動汽車充電負(fù)荷曲線，如圖6所示。
圖6 單輛電動汽車充電負(fù)荷
以電動汽車開始充電時刻認(rèn)為最后一次出行返回時刻，則由圖6可知，則電動汽車充電負(fù)荷低谷在24:00—10:00；而充電負(fù)荷高峰在16:00—22:00，在4:00—7:00幾乎沒有充電負(fù)荷，在18:00—19:00達(dá)到充電負(fù)荷最高峰，這不僅沒有達(dá)到削峰填谷的目的，反而加劇了峰谷差。
圖7 實時電價下單輛電動汽車充放電負(fù)荷
圖7為實時電價下單輛電動汽車充放電負(fù)荷圖，當(dāng)沒有V2G功能時，通過充電僅補償交通行駛消耗的電池電能。按照實時電價機制，其充電曲線分布如圖所示。由充電曲線可以發(fā)現(xiàn)，對實時電價而言,其不同小時的電價是不同的，因此其分布也就更加具有變化性(例如在15:00時刻還有不可忽視的充電電量)，而不進行V2G 服務(wù)的情況相比，進行V2G 務(wù)后的尼桑電池充電量增加了10.7 kWh，是其不參與V2G服務(wù)時充電量的1.63倍。這些新增加的電量將作為V2G服務(wù)返回給了電網(wǎng)，也就是說，如果采用對等的電價機制,電動汽車主在自愿的原則下,會提供至少與交通耗電相當(dāng)?shù)碾娏窟M行V2G服務(wù).電動汽車進行V2G服務(wù)的潛力非常大。有如此大的電量進行V2G 服務(wù)的原因是在充電和V2G均采用實時電價時，V2G 的收益比較好。日產(chǎn)電池提供V2G 服務(wù)后增加了40.21美分的收益,減去其充電增加的充電費用以及因為多進行充放電而形成的電池?fù)p耗費用,一日還可增加收益30.56美分。
本文采用實時電價的目的有兩個：① 說明當(dāng)充放電電價采用具有相同水平的實時電價時,即便考慮電池的損耗，電動汽車電池提供V2G 服務(wù)可以讓電動汽車獲得更多的利益；② 說明由于電動汽車在采用實時電價作為充放電電價后,其可以獲取的利益相對非常大，且V2G功能實現(xiàn)后有足夠的經(jīng)濟空間通過成立中間的組織實施管理有序充電。這再次說明如果采用實時電價,則只有動態(tài)調(diào)整實時電價,才有可能平抑新的充電高峰。
5 結(jié)論
本文根據(jù)2011年美國交通部對全美家用車輛的出行調(diào)查結(jié)果，結(jié)合日產(chǎn)純電動汽車運行相關(guān)數(shù)據(jù)，以電動汽車運營效益最大化為目標(biāo)，以電動汽車充放電容量滿足電動汽車行程需求為約束條件，構(gòu)造了一個電動汽車充放電收益最大化數(shù)學(xué)模型，該模型較好地表示電動汽車充放電決策，通過仿真分析，得到以下結(jié)論。
1) 本文利用日行程和電價信息，構(gòu)造了一個包含V2G功能的電動汽車充、放電模型，為考慮電動汽車車主的意愿提供了一種工具。
2) 利用該模型可以發(fā)現(xiàn)，電動汽車采用V2G技術(shù)后會給電動汽車車主帶來利益，而且還可以協(xié)助電網(wǎng)提供削峰填谷功能，是推動電動汽車發(fā)展的積極因素。
3) 利用該模型，本文考察了基于美國PJM實時電價和分時電價以及都采用實時電價情況下電動汽車的充，放電策略。發(fā)現(xiàn)電動汽車充電電價在批發(fā)的實時電價和分時電價之間存在可調(diào)整的空間，為組織充電供應(yīng)商提供了經(jīng)濟上的可能性。
4) 本模型還可以進一步包含多輛電動汽車的情況，進而成為討論整體電動汽車負(fù)荷的工具。
[1] LUO Z, SONG Y, HU Z, et al. Forecasting charging load of plug-in electric vehicles in China[C] // Power and Energy Society General Meeting, 2011 IEEE. IEEE, 2011: 1-8.
[2] 羅卓偉, 胡澤春, 宋永華, 等. 電動汽車充電負(fù)荷計算方法[J]. 電力系統(tǒng)自動化, 2011, 35(14): 36-42.
LUO Zhuowei, HU Zechun, SONG Yonghua, et al. Study on plug-in electric vehicles charging load calculating[J]. Automation of Electric Power Systems, 2011, 35(14): 36-42.
[3] 胡澤春, 宋永華, 徐智威. 電動汽車接入電網(wǎng)的影響與利用[J]. 中國電機工程學(xué)報, 2012, 32(4): 1-10.
HU Zechun, SONG Yonghua, XU Zhiwei. Impacts and utilization of electric vehicles integration into power systems[J]. Proceedings of the CSEE, 2012, 32(4): 1-10.
[4] The U.S. Department of Transportation Federal Highway Administration, National Household Travel Survey, 2009[EB/OL].http://nhts.ornl.gov/download.shtml#2009.
[5] PETERSON S B, APT J, WHITACRE J F. Lithium-ion battery cell degradation resulting from realistic vehicle and vehicle-to-grid utilization[J]. Journal of Power Sources, 2010, 195(8): 2385-2392.
[6] 連湛偉, 石欣, 克瀟,等. 電動汽車充換電站動力電池全壽命周期在線檢測管理系統(tǒng)[J]. 電力系統(tǒng)保護與控制, 2014, 42(12): 137-142.
LIAN Zhanwei, SHI Xin, KE Xiao, et al. The whole life cycle on-line detection and management system of power battery in the electric vehicle charging and exchanging station[J]. Power System Protection and Control, 2014. 42(12): 137-142.
[7] OLDEWURTEL F, BORSCHE T, BUCHER M, et al. A framework for and assessment of demand response and energy storage in power systems[C] // Bulk Power System Dynamics and Control-IX Optimization, Security and Control of the Emerging Power Grid (IREP), 2013 IREP Symposium. IEEE, 2013: 1-24.
[8] 張聰, 許曉慧, 孫海順, 等. 基于自適應(yīng)遺傳算法的規(guī)?；妱悠囍悄艹潆姴呗匝芯縖J]. 電力系統(tǒng)保護與控制, 2014, 42(14): 19-24.
ZHANG Cong, XU Xiaohui, SUN Haishun, et al. Smart charging strategy of large-scale electric vehicles based on adaptive genetic algorithm[J]. Power System Protection and Control, 2014, 42(14): 19-24.
[9] ?胡信國. 動力電池進展[J]. 電池工業(yè), 2007, 12(2): 113-118.
HU Xinguo. The development trends of the power batteries[J]. Chinese Battery Industry, 2007, 12(2): 113-118.
[10]王少龍, 侯明, 王瑞山. 動力電池的研究現(xiàn)狀及發(fā)展趨勢[J]. 云南冶金, 2007, 12(2): 113-118.
WANG Shaolong, HOU Ming, WANG Ruishan. Research situation and development trend of power battery[J]. Yunnan Metallurgy, 2007, 12(2): 113-118.
[11]郭煜華, 范春菊. 含大規(guī)模電動汽車的配電網(wǎng)保護技術(shù)研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(8): 14-20.
GUO Yuhua, FAN Chunju. Research on relaying technologies of distribution network including mass electric vehicles[J]. Power System Protection and Control, 2015, 43(8): 14-20.
[12] QIAN K, ZHOU C, ALLAN M, et al. Load model for prediction of electric vehicle charging demand[C] // Power System Technology (POWERCON), 2010 International Conference on. IEEE, 2010: 1-6.
[13] QIAN K, ZHOU C, ALLAN M, et al. Modeling of load demand due to EV battery charging in distribution systems[J]. IEEE Transactions on Power Systems, 2011, 26(2): 802-810.
[14] ZHANG L, BROWN T, SAMUELSEN S. Evaluation of charging infrastructure requirements and operating costs for plug-in electric vehicles[J]. Journal of Power Sources, 2013, 240: 515-524.
[15] Markets & operations, Energy markets, day-ahead energy market[EB/OL].http://www.pjm.com/markets-and-perations/ energy/day-ahead.aspx.
[18] LOFBERG J. YALMIP: a toolbox for modeling and optimization in MATLAB[C] // Computer Aided Control Systems Design, 2004 IEEE International Symposium on. IEEE, 2004: 284-289.
[19] LU L, HAN X, LI J, et al. A review on the key issues for lithium-ion battery management in electric vehicles[J]. Journal of Power Sources, 2013, 226: 272-288.
[20] GENG Y, MA Z, XUE B, et al. Co-benefit evaluation for urban public transportation sector–a case of Shenyang, China[J]. Journal of Cleaner Production, 2013, 58: 82-89.
[21] 劉貴平, 劉坤杰, 劉娜. 閉環(huán)需求化風(fēng)電場運維模式[J].電網(wǎng)與清潔能源, 2016, 32(6): 143-152.
LIU Guiping, LIU Kunjie, LIU Na. Maintenance management model of the closed-loop demand wind farm[J]. Power System and Clean Energy, 2016, 32(6): 143-152.
(編輯 張愛琴)
Modeling and analysis on the rational charging and discharging of electric vehicle with V2G function under real-time prices
WANG Biao, YIN Xia
(Henan Vocational and Technical College, Zhengzhou 450046, China)
Under the constraints of power battery charging and discharging capacity and customer travel needs, an EV charging and discharging model is proposed to maximize the electric vehicle economic benefits and coordinate the charging and discharging of EVs. The vehicle travel behavior data used are derived from the National Household Travel Survey (NHTS). Monte Carlo simulation method is utilized to generate the trip's needs of customers based on actual customers' travel rule. The economic benefits of electric vehicle charging/discharging are simulated and analyzed. The results indicate that the economic benefits of the rational charging/discharging model can be significantly improved by responding the time of use electricity price. Meanwhile, due to the relatively cheaper off-peak electricity price at night than the expensive on-peak electricity price during the day, electric vehicles tend to charge at low load time and discharge inversely at peak load time in distribution system so as to achieve peak load shifting.
electric vehicle; power battery; vehicle to grid (V2G); benefits model; real-time price; peak load shifting
10.7667/PSPC152240
河南省科技廳科技發(fā)展項目(20141478)
2015-12-28；
2016-07-22
王 彪(1985-)，男，工程碩士，講師，主要研究方向為單片機技術(shù)、電動汽車技術(shù)、汽車電子技術(shù)；E-mail: wbhn1985@sina.com 尹 霞(1979-)，女，學(xué)士，講師，研究方向為單片機技術(shù)、電動汽車技術(shù)、汽車電子技術(shù)。
猜你喜歡
能源(2018年10期)2018-12-08 08:02:40
測控技術(shù)(2018年11期)2018-12-07 05:49:38
商周刊(2018年16期)2018-08-14 01:51:52
能源(2017年12期)2018-01-31 01:43:00
資源再生(2017年4期)2017-06-15 20:28:30
電源技術(shù)(2017年1期)2017-03-20 13:37:58
當(dāng)代經(jīng)濟(2016年26期)2016-06-15 20:27:19
能源(2016年11期)2016-05-17 04:57:24
電源技術(shù)(2016年9期)2016-02-27 09:05:45
電源技術(shù)(2016年2期)2016-02-27 09:04:43
