對于一輛電動汽車來說,其充電設(shè)備和充電技術(shù)是至關(guān)重要的。關(guān)于充電功能的設(shè)備主要有兩部分組成,即提供電能的電網(wǎng)設(shè)備和車輛的蓄電池設(shè)備。近年來,能源問題和環(huán)境問題的日益加重,電動汽車的需求也日益增加。如何能夠高效地充放電對于電動汽車應(yīng)用研究顯得必不可少了。以下將對電動汽車充放電技術(shù)的改進措施及電網(wǎng)改善方面介紹幾項研究。
考慮到三相不平衡配電網(wǎng)絡(luò)中可用的Volt-VAr控制、能量存儲設(shè)備(ESD)操作和可調(diào)度分布式發(fā)電(DG),本文提出了一種新的方法來解決電動汽車充電協(xié)調(diào)(EVCC)問題(文中Fig.1)。對于EVCC的動態(tài)調(diào)度,該方法在整個時間段內(nèi)解決了混合整數(shù)線性規(guī)劃(MILP)問題。其目標是最大限度地降低從變電站和DG單位購買的能源總成本,減少電動汽車的能源成本。Volt-VAr控制考慮了沿電網(wǎng)安裝的有載分接開關(guān)、穩(wěn)壓器和可開關(guān)電容器的管理。此外,該方法還考慮了負載的電壓依賴性,其中穩(wěn)態(tài)運行的不平衡分配系統(tǒng)使用線性約束來建模。
將所建立的模型在具有178個節(jié)點(34個中壓節(jié)點和144個低電壓節(jié)點)的三相不平衡配電網(wǎng)絡(luò)中進行了測試。測試結(jié)果表明,DG、ESD、VVC設(shè)備和電動汽車充電的優(yōu)化運行顯示了整體能源成本的降低,并確保技術(shù)限制違規(guī)避稅。從而證明了所提出方法的動態(tài)協(xié)調(diào)是有效的,它在整個時間段內(nèi)對EDN狀態(tài)進行了廣泛的了解。此外,該方法還考慮了電動汽車(EV)到達和離開時間、初始充電狀態(tài)、電池大小和預(yù)測誤差的隨機性。未來的研究工作將實現(xiàn)ESD幫助電動汽車在充電過程中避免能耗縮減的操作以及改善VVC方案,以避免EDN中出現(xiàn)電壓限制。
雖然交通電氣化的概念在解決全球環(huán)境污染問題方面具有巨大的前景,但實際上插電式電動汽車(PEV)的市場滲透率非常低。消費者對充電設(shè)施供應(yīng)有限和充電時間過長的擔憂是這種低滲透率背后的主要原因。從電網(wǎng)的角度來看,較長的PEV高峰負荷期可能會與住宅高峰負荷期重疊,使得能源管理更加困難。因此,適當?shù)氖召M策略可以幫助解決這些問題。
Fig.1.Step-by-step flowchart of theproposed methodology.
本文針對PEV電網(wǎng)提出了智能充電策略(文中Fig.5),該充電策略可提供多種充電選項,包括充電站的交流電2級充電、直流快速充電和電池交換設(shè)施。正如傳統(tǒng)加油站具有不同的能力和定價選項一樣,充電站可以有不同的容量和定價選項,而且每個選項的充值價格可能因站點而異。在這樣的情況下,充電策略的選擇顯得非常重要。對于需要充電設(shè)施的PEV,為PEV用戶確定最合適的充電站,以便用戶能夠以最低的成本進行充電,并且無需很長的等待時間即可到達目的地。本文將最佳充電站尋找的問題轉(zhuǎn)化為多目標優(yōu)化問題,其目標是找到具有最短充電時間、旅行時間和充電成本的充電站。本文使用排隊模型來估計各個充電站的等待時間。為了緩解更長的等待時間和PEV高峰期與住宅負荷期之間潛在重疊的挑戰(zhàn),本文還引入了部分收費的概念??紤]到優(yōu)化解決方案顯著的時間復雜性,本文引入基于蟻群優(yōu)化算法的元啟發(fā)式解決方案來解決該問題。通過仿真得出的結(jié)果表明,該解決方案顯著降低了平均充電等待時間(高達25%)和收費成本(高達15%)。
Fig.5.Flowchart of theproposed smart charging strategy.
當對電動汽車充電或放電時,在車輛和供電建筑之間會發(fā)生功率損耗。電網(wǎng)服務(wù)作為一種新的電動汽車充電方式,最近已開始進行商業(yè)運營。能夠進行這種應(yīng)用的汽車,稱為電網(wǎng)集成汽車。該電動汽車充電和放電情況下的能量轉(zhuǎn)移比僅充電情況下的能量轉(zhuǎn)移要大得多。因此,對電力損失的測量和減少就顯得尤為重要。
本文對整個GIV系統(tǒng)的所有部件(包括建筑電路、供電組件和電動汽車,文中Fig.1)發(fā)生的功率損耗進行了實驗測量,也分別對每個子系統(tǒng)的功耗進行了測量。其中,對于建筑電路,測試了一系列當前電流值。對于EV組件,測試了電流和SOC的不同組合。在實驗條件下,測量的單向總電力損失為12%到36%不等,因此了解電力損失的影響因素對于電路的高效設(shè)計和使用來說非常重要。實驗結(jié)果還表明,用于AC-DC轉(zhuǎn)換的電力電子器件的電力損耗占主導地位,并且其在低功率傳輸和低電荷狀態(tài)下電子效率最低,放電期間的電子效率低于充電期間的電子效率?;谶@些發(fā)現(xiàn),本文提出了兩種工程設(shè)計方法:一是對充電站(收費方面)進行優(yōu)化設(shè)計;二是開發(fā)了一種以最高效率運行的電網(wǎng)服務(wù)調(diào)度算法。其中,充電站以最低費率收費時可能需要較低的資本成本,但會導致較高的能源成本。此外,為了分析電網(wǎng)服務(wù)調(diào)度算法的效率,本文還定量比較兩種提供電網(wǎng)服務(wù)的調(diào)度算法(所開發(fā)的調(diào)度算法和簡單的調(diào)度算法)。結(jié)果表明,通過實驗測量的效率曲線分析得到,所開發(fā)的算法比簡單的算法的功率損耗減少了8.5%。
由于所提出的實驗結(jié)果和充電調(diào)度算法均基于一個特定的EV充電系統(tǒng),其效率曲線對于該EV系統(tǒng)是特定的。因此,精確的效率值在電動汽車和電路中會有所不同。而且,交流到直流(充電)和直流到交流(放電)的拓撲結(jié)構(gòu)通常會在功率水平低時表現(xiàn)出一半的額定功率。未來研究工作應(yīng)根據(jù)一般原則和其他充電器規(guī)格的粗略比較,使得其調(diào)查結(jié)果涵蓋大多數(shù)電動汽車。
Fig.1.System somponentsoverview.
鋰離子電池由于與其他電池相比具有更好的性能,因此常用于電動汽車(EV)中。然而,鋰離子電池也存在一些缺點,例如當過度充電時具有爆炸的危險,充電不足時會縮短電池的壽命周期,并且串聯(lián)電池中的不平衡充電會逐漸降低整體充電容量。本文針對電動汽車應(yīng)用中的鋰離子電池提出了一種新型電池充電均衡算法,并基于該算法開發(fā)出相應(yīng)的電荷均衡器,以提高電池的性能、壽命周期和安全性(文中Fig.4)。
本文僅使用8個鋰離子電池單元和一個從屬板進行測試和試驗。該算法在15.5Ah和3.7V標稱值的串聯(lián)電池單元中實現(xiàn),每個電池單元使用電池監(jiān)視集成電路,通過雙向反激式DC-DC轉(zhuǎn)換器作為充電和放電通道來監(jiān)視和均衡8單元電池組的電池單元。試驗所得結(jié)果表明,所開發(fā)的電荷均衡控制器算法在均衡欠充電和過充電方面表現(xiàn)良好,并且在3.81V的安全操作范圍內(nèi)充電均衡,從而改進了電池驅(qū)動系統(tǒng)的效率,可靠性和安全性問題。試驗結(jié)果還表明,基于該算法的電荷均衡器可以監(jiān)視和均衡更多電池單元之間的充電,可以達到100個電池單元。但是,隨著電池組電池的增加,均衡器需要額外的監(jiān)控IC和雙向開關(guān),因此使得其充電成本有所增加。綜上所述,所提出的電池充電均衡算法有效地降低了過度充電電池爆炸的風險并改善了充電不足電池的壽命周期,適用于自動化系統(tǒng)中模塊化電池充電。此外,對于實際應(yīng)用來說,當電池在充電期間或空閑狀態(tài)下使用時,可以進一步將電池充電流量差作為電池的充電和放電的條件來考慮,以進一步顯示所提出的均衡算法的性能。
Fig.4.Flowchart of the proposed charge equalization algorithm.
電動汽車的成功普及需要用戶與負載服務(wù)實體、適應(yīng)新能源市場和技術(shù)進步之間的緊密耦合。本文通過使用連續(xù)和離散的充電率設(shè)計了一種靜態(tài)和動態(tài)相結(jié)合的框架來緩解車輛充電導致的配電線路過載問題(文中Fig.1)。所提出的解決方案側(cè)重于填谷(供電系統(tǒng)角度)和降低收費成本(用戶角度)。而該解決方案的實時性則使用滾動時域優(yōu)化技術(shù)來實現(xiàn)。除了對收費進行協(xié)調(diào)之外,本文還分析了兩種不同定價結(jié)構(gòu)的影響,以確定用戶的個人成本與系統(tǒng)最優(yōu)方法之間的最優(yōu)性。研究結(jié)果表明,由于各種駕駛習慣,全球定價結(jié)構(gòu)對于所有消費者來說都不是最優(yōu)的。
本文討論了基于靜態(tài)和動態(tài)框架的四種優(yōu)化策略,并闡述了間歇充電的好處。通過盡可能限制住宅高峰期以下的總負荷需求來避免配電系統(tǒng)過載。實驗結(jié)果表明,可以通過系統(tǒng)耦合和用戶目標來實現(xiàn)最佳結(jié)果。客戶的便利性隨著系統(tǒng)限制和與高峰需求相關(guān)的網(wǎng)絡(luò)健康狀態(tài)而得到解決。基于滾動時域優(yōu)化技術(shù)的實時計費方案可以為車輛的動態(tài)協(xié)調(diào)提供最優(yōu)解決方案??偠灾?,適當?shù)碾娰M組合可以滿足所有用戶的利益。因此,可以根據(jù)用戶駕駛需求來組合最合適的定價結(jié)構(gòu)。未來的研究工作將駕駛員的隨機行為考慮進去,從而進一步推動車對電網(wǎng)和可再生能源的普及。
Fig.1.Centralized control schemefor static charging algorithms.
電動汽車(EV)整合商面臨的主要挑戰(zhàn)之一是控制基礎(chǔ)設(shè)施的定義,使其可以供應(yīng)至大量的EV。本文提出了一種基于乘法器的交替方向方法來實現(xiàn)計算可伸縮性的新型優(yōu)化框架,該框架允許在多個服務(wù)器/內(nèi)核之間分配優(yōu)化過程(文中Fig.1)。
本文通過將其應(yīng)用于兩個相關(guān)的聚合目標上來展示所提出框架的性能和多功能性(填谷以及具有電網(wǎng)容量限制的成本最小的充電狀態(tài))。研究結(jié)果表明,隨著車隊規(guī)模變大,所提出的方法的優(yōu)化時間隨受控電動汽車數(shù)量呈線性增長,并且優(yōu)于集中式優(yōu)化基準。
本文提出一種用于EV聚合的可擴展分布式凸優(yōu)化框架,并且驗證了所提出的框架可以解決高達100萬輛電動汽車的充電問題。該框架還解決了高達10萬輛電動汽車充電成本最小化問題。所提出的框架允許指定全局或局部的目標和約束。為了展示這一點,本文設(shè)計了多功能性實驗,例如考慮電池折舊成本和V2G服務(wù)等。多功能性實驗表明,該框架可以解決嚴格的凸問題(如填谷),比非嚴格凸問題(如充電成本最小化)的求解時間更快。此外,實驗結(jié)果還表明,主動全局約束的存在增加了該優(yōu)化框架的迭代次數(shù),從而增加了運行時間。與現(xiàn)有技術(shù)比較分析表明,就運行時間和峰值內(nèi)存使用而言,該優(yōu)化框架提供了更好的可伸縮性。因此,該框架在運行時間和內(nèi)存使用之間提供了可控的權(quán)衡,可用于解決由于EV數(shù)量和內(nèi)存限制較大而導致迄今為止難以處理的EV充電凸優(yōu)化和控制優(yōu)化問題。
Fig.1.EV ADMM sequencediagram.
考慮到電動汽車駕駛里程有限,電動汽車路徑問題(E-VRP)顯得尤為重要。大多數(shù)現(xiàn)有的E-VRP模型假定電池充電水平是充電時間的線性函數(shù),但實際上該函數(shù)是非線性的。本文將當前的E-VRP模型擴展為具有非線性充電函數(shù)的E-VRP-NL模型(文中Fig.4),它采用分段線性近似來捕獲充電過程的非線性充電行為,并提出了一種混合元啟發(fā)式算法用來提供解決路徑問題的解決方案。
為了評估非線性充電函數(shù)的重要性,本文進行了計算研究,將所得的結(jié)果與通常結(jié)果進行比較。結(jié)果表明,忽視非線性充電可能會導致不可行或過于昂貴的解決方案。此外,為了測試所提出的混合元啟發(fā)式算法的有效性,本文提出了一個新的實例測試平臺。測試結(jié)果表明該算法在這些實例中表現(xiàn)良好,并且好的解決方案傾向于使用多個中間路由收費,采用電池充電功能的非線性部分進行充電。未來的研究方向?qū)⒃O(shè)計一種更精確的E-VRP-NL模型,該模型將具有容量化的充電站考慮進去,并與本文的模型進行比較。此外,開發(fā)一種新的優(yōu)化算法,該算法可以同時兼顧準確性和效率,并提出一種折衷方案。該方案不僅可以為所有路線解決固定路線車輛充電收費問題,還可以確保滿足充電站的容量限制。
本文提出了一種實用的解決方案,考慮發(fā)電能源的間歇性和能源使用的不一致性,通過一種新型自適應(yīng)智能控制器,解決可再生能源和電動汽車融入電網(wǎng)的問題。本文描述了由發(fā)電廠和分布式發(fā)電系統(tǒng)組成的智能電網(wǎng),該電網(wǎng)通過光伏電池板和風力渦輪機驅(qū)動,并增加了電動汽車作為蓄電裝置。采用停車場來解決插入式電動汽車融入到電網(wǎng)的低滲透率問題主要有兩個挑戰(zhàn):一是安裝位置;二是電動汽車、電網(wǎng)和分布式發(fā)電系統(tǒng)之間的雙向電力流的建模。因此在此基礎(chǔ)上,本文通過采用非支配排序遺傳算法-II以及前后向替代方法來設(shè)計并解決非線性多目標優(yōu)化問題。此外,采用牛頓-拉夫遜潮流法來計算配電網(wǎng)絡(luò)的功率流。本文還提出了一種基于粒子群優(yōu)化算法的自適應(yīng)神經(jīng)模糊推理系統(tǒng)的混合控制策略,來優(yōu)化上述電網(wǎng)的工作點,進而管理大量電動汽車的充放電問題。
Fig.4.Exampleof a feasible E-VRP-NL solution.
本文研究不僅采用智能NSGA(文中Fig.5)優(yōu)化方法對配電網(wǎng)系統(tǒng)進行優(yōu)化調(diào)整和選址,而且還提出了一種基于PSO自適應(yīng)神經(jīng)模糊推理系統(tǒng)的實時控制器,以實現(xiàn)可再生能源(風能和太陽能)和電動汽車并入智能電網(wǎng)基礎(chǔ)設(shè)施。本文研究還實現(xiàn)了G2V和V2G功能。
未來的研究工作需要解決以下問題:
(1)由于這類研究的目標很大一部分集中在經(jīng)濟方面,因此其他技術(shù)方面(例如頻率偏差和諧波失真)需要進一步調(diào)查研究。
(2)電壓偏差的降低通常會導致電壓總諧波失真的增加,因此這類因素應(yīng)被視為加權(quán)多目標函數(shù)中的目標分量。
(3)除了所提出的用于提高電網(wǎng)穩(wěn)定性的多目標優(yōu)化問題外,還需要評估本研究中確定的EV放電率和充電率的影響。
(4)電池的健康狀態(tài)在V2G功能中起著重要的作用,而本研究并未考慮電池的健康狀況。以后可以通過數(shù)據(jù)融合過程來解決這個問題。
(5)EV充電器的設(shè)計基于對車外放置的假設(shè),這引起了對電池加熱管理以及考慮其他充電站的能力的問題,因此需要進一步了解此類信息。
Fig.5.Flow chart of NSGA-II solving process.
未來電力系統(tǒng)的普及可以減少溫室氣體排放,其中相關(guān)的兩項重要技術(shù)就是是電動汽車(EV)和可再生能源發(fā)電。當電動汽車變得越來越普遍時,由于電動汽車消耗大量電力,電力的總體需求將顯著增加。此外,電動汽車的日常負載曲線在很大程度上取決于電動汽車消耗多少電量和何時消耗電量。微電網(wǎng)是促進可再生能源發(fā)電的重要技術(shù),在微電網(wǎng)規(guī)劃階段應(yīng)考慮需求的增加和負荷曲線的變化問題,從而安裝可靠經(jīng)濟的微電網(wǎng)。本文提出了一種微電網(wǎng)規(guī)劃算法,以找到最經(jīng)濟的配置來滿足電動汽車的充電需求,從而最大程度地利用可再生能源發(fā)電(文中Fig.2)。
本文首先調(diào)查了幾種不受控制和受控制的電動汽車充電調(diào)度方案,即:最小時間充電方案、兩種成本最小化充電方案、最小化方差(最小變量)充電方案和最大可再生充電方案。然后,使用HOMER軟件研究了這些充電方案和不同EV滲透率的最佳微電網(wǎng)配置。最后,提出了最大限度地利用可再生能源的微電網(wǎng)規(guī)劃算法。
該算法采用可再生能源發(fā)電的EV充電方案和HOMER仿真軟件來驗證其性能。仿真結(jié)果表明,該算法構(gòu)建的微電網(wǎng)顯著地降低了投資成本和二氧化碳排放量,有效地解決了電動汽車充電調(diào)度和微電網(wǎng)配置問題,以最大限度地利用可再生能源。通過住宅和校園微電網(wǎng)案例研究分析表明,該算法構(gòu)建的微電網(wǎng)較為經(jīng)濟,其二氧化碳排放量較少。如果安裝的可再生能源發(fā)電在電動汽車充電過程中不產(chǎn)生輸出功率,那么所提出的算法就像最小可再生充電方案一樣工作。否則,它可以最大限度地利用可再生能源,從而實現(xiàn)最低的投資成本和二氧化碳排放量。
Figure 2.Flowchart for theproposed microgrid planning algorithm.
基于充電或放電模式,電動汽車(EV)可以靈活地充當負載或能源。因此,本文提出了一種用于實現(xiàn)下列目標的方法:改進公共耦合(PCC)點的電壓分布;對電動汽車的充放電作適當?shù)恼{(diào)度。所提出的方法基于V2G技術(shù)的經(jīng)濟合理性,通過峰值削減和谷值填充,以進行充電率控制和能量管理來改善有功和無功負載的分布情況(文中Fig.1)。
由于分析電動汽車對電網(wǎng)的影響需要非常準確的數(shù)據(jù),并且需要考慮到電動汽車的普及率和隨機的電池荷電狀態(tài)(SOC),本文提取2001年全國家庭旅行調(diào)查(NHTS)獲得的數(shù)據(jù)用于分析和研究,以制定電動汽車的最后到達時間和負載曲線。本文將兩個隨機算法與蒙特卡羅模擬技術(shù)相結(jié)合以確定所需的參數(shù)。此外,本文還提出了一種具有可變目標函數(shù)的優(yōu)化算法,其中根據(jù)充電或放電模式及其指定約束來確定適當?shù)哪繕撕瘮?shù)。本文采用幾種情景來確定適當?shù)哪繕撕瘮?shù),并通過IEEE 14總線系統(tǒng)進行實時仿真,以驗證所提出的方法的性能優(yōu)越性。仿真結(jié)果表明,所提出的方法通過計算和調(diào)整電網(wǎng)與EV之間交換的有功功率和無功功率能夠有效地改善PCC的電壓分布并控制EV電池的SOC以及電池的充電-放電的持續(xù)時間和速率。
Figure1.Block diagram of the VOF based vehicle-to-gird.
參考文獻
[1]SABILLON-ANTUNEZ C,MELGAR-DOMINGUEZ O D,FRANCO J F,et al.Volt-VAr Control and Energy Storage Device Operation to Improve the Electric Vehicle Charging Coordination in Unbalanced Distribution Networks[J].IEEE Transactions on Sustainable Energy,2017,8(4):1560-1570.
[2]MOGHADDAM Z,AHMAD I,HABIBI D,et al.Smart Charging Strategy for Electric Vehicle Charging Stations[J].IEEETransactions on Transportation Electrification,2018,4(1):76-88.
[3]APOSTOLAKI-IOSIFIDOU E,CODANI P,KEMPTON W.Measurement of power loss during electric vehicle charging and discharging[J].Energy,2017,127:730-742.
[4]HANNAN M A,HOQUE M M,PENG SE,et al.Lithium-Ion Battery Charge Equalization Algorithm for Electric Vehicle Applications[J].IEEE Transactions on Industry Applications,2017,53(3):2541-2549.
[5]MAIGHA,CROWM L.Cost-Constrained Dynamic Optimal Electric Vehicle Charging[J].IEEE Transactions on Sustainable Energy,2017,8(2).
[6]RIVERA J,GOEBEL C,JACOBSEN H.Distributed Convex Optimization for Electric Vehicle Aggregators[J].IEEE Transactionson Smart Grid,2017,8(4):1852-1863.
[7]MONTOYA A,GUéRET C,MENDOZA J E,et al.The electric vehicle routing problem with nonlinear charging function[J]. Transportation Research Part B:Methodological,2017,103:87-110.
[8]RAHBARI O,VAFAEIPOUR M,OMAR N,et al.An optimal versatile control approach for plug-in electric vehicles to integrate renewable energy sources and smart grids[J].Energy,2017,134:1053-1067.
[9]YOON S,KANGS.Economic Microgrid Planning Algorithm with Electric Vehicle Charging Demands[J].Energies,2017,10(10):1487.
[10]NAZARLOOA,FEYZIM R,SABAHI M,et al.Improving Voltage Profile and Optimal Scheduling of Vehicle to Grid Energy based on a New Method[J].Advances in Electrical and Computer Engineering,2018,18(1):81-88.