陳年 李波 韓忠 / 泰州市計量測試院
近年來,我國電動汽車(Electric Vehicle,簡稱EV)進入飛速發(fā)展新階段,成交量連續(xù)5年位居全球第一,累計銷售超過480萬輛,占全球機動車銷售總額的一半以上。而充電站的合理規(guī)劃與建設(shè)是大規(guī)模推廣EV的保障,目前我國已經(jīng)投入使用的交、直流充電樁共計343 998個,到2020年全國范圍新增集中式充換電站超過12萬座,分散式充電站超過480萬個。
但是,目前充電站卻存在著布局不合理,使用率過低等問題,充電樁淪為“擺設(shè)”。同時,對EV充電樁的計量性能提供檢測服務(wù)成為與人們生活息息相關(guān)而又急需解決的問題。因此,對充電站進行適度超前且合理的規(guī)劃布局不僅能提高充電站的使用率,還能降低政府和檢驗檢測機構(gòu)、充電站設(shè)備投資建設(shè)者、EV用戶的成本,最終促進整個EV產(chǎn)業(yè)鏈的發(fā)展。
目前,對于充電站站址規(guī)劃國內(nèi)外學(xué)者已展開了大量研究。文獻[1]針對目前EV的使用現(xiàn)狀,提出了充電站規(guī)劃的因素和遵循的基本原則。文獻[2]將EV用戶的充電距離及路程用電損耗作為最小函數(shù)目標,以提高用戶的使用滿意度及經(jīng)濟效益,達到推廣EV充電站的目的。文獻[3]考慮了充電站的長期規(guī)劃效益,但沒有考慮短期內(nèi)EV保有量變化的影響,沒有對充電站的規(guī)劃方案實現(xiàn)動態(tài)更新。文獻[4]分析了充電站、分布式系統(tǒng)接入電網(wǎng)對配電系統(tǒng)穩(wěn)定性的影響,建立了以總投資成本、檢測服務(wù)、維護成本和失負荷成本最小為目標函數(shù)的配電系統(tǒng)、EV充電站與分布式儲能復(fù)合規(guī)劃模型,實現(xiàn)了對配電系統(tǒng)的動態(tài)規(guī)劃和EV充電設(shè)施及分布式儲能系統(tǒng)的選址。合理的充電站站址分布也方便今后檢驗檢測機構(gòu)開展檢定校準服務(wù)工作。
考慮到目前國內(nèi)EV用戶保有量雖處于高速增長狀態(tài),但總體保有量仍處于較低水平,同時國產(chǎn)電池技術(shù)、充電樁基礎(chǔ)設(shè)施等軟硬件尚不完善,此時合理規(guī)劃充電站的站址就顯得舉足輕重。因此,首先從充電站的點需求和流量需求兩個方面考慮,構(gòu)建以EV充電站設(shè)備建設(shè)者、EV用戶和檢驗檢測機構(gòu)三者綜合成本最小目標函數(shù)模型;其次,用Voronoi圖結(jié)合粒子群算法的改進算法,實現(xiàn)對目標范圍的自動尋優(yōu),獲得了充電站站址的最終位置及檢測服務(wù)范圍。
點需求主要從宏觀方面預(yù)測EV充電負荷的時空分布特征。首先,預(yù)測某規(guī)劃地區(qū)未來EV的保有量,將該地區(qū)分成不同的區(qū)域,然后依據(jù)不同類型土地使用情況、停車分布特性、停車密度等來計算停車需求模型,得到該地區(qū)停車需求的時空分布,最終用來決定充電站及充電樁的數(shù)量。上述點需求的預(yù)測方法通常使用蒙特卡洛算法,該算法簡單、清晰,易于實現(xiàn)。
流量需求主要考慮EV車主駕駛習(xí)慣、天氣、日期、EV狀態(tài)、檢驗檢測機構(gòu)服務(wù)能力等多種因素的影響,結(jié)合出行者的出行起點與終點類型、出行線路圖、形成所需電量,模擬出路網(wǎng)中總車流量來推算出充電需求,并以此為依據(jù)進行充電站站址的規(guī)劃。與點需求相比,流量需求充分考慮了EV用戶的實際需求、檢驗檢測的服務(wù)能力及路網(wǎng)的實際運行情況,所以,流量需求分析更加具體、到位,能滿足充電需求的動態(tài)變化。但該方法難以獲取準確的概率分布模型。流量需求流程如圖1所示。
圖1 流量需求
基于流量需求預(yù)測充分考慮了出行者的出行特性、公路網(wǎng)的實際情況、檢驗檢測機構(gòu)服務(wù)能力、EV電池特性等,對充電需求時空分布的分析更加細致。采用蒙特卡洛抽樣模擬、博弈論等思想獲取概率分布模型。
根據(jù)流量需求和點需求的充電需求分布情況分析,綜合考慮EV充電站設(shè)備建設(shè)者、EV用戶和檢驗檢測機構(gòu)三者綜合成本,建立目標函數(shù):
式中:minC—— 充電站折算到每一年的最低費用;
N—— 區(qū)域內(nèi)充電站的數(shù)量;
i—— 某個充電站(i= 1,2,3,…,i);
C1i—— 第i個充電站一次性投資折算到每年的費用;
C2i—— 第i個充電站每年設(shè)備維護費用;
C3i—— 第i個充電站電能損耗費用;
C4i—— 第i個充電站基礎(chǔ)設(shè)施建設(shè)折算到每年的費用;
C5i—— 某個電動汽車用戶成本;
C6i—— 第i個充電站檢驗檢測機構(gòu)服務(wù)成本
1)充電站的一次性投資年費用
式中:ei—— 充電站變壓器數(shù)量;
a—— 變壓器單價;
ci—— 充電站基建成本;
mi—— 充電站的充電機數(shù)量;
b—— 充電機價格;
r0—— 充電站的貼現(xiàn)率;
z—— 充電站運行服務(wù)年限
2)充電站設(shè)備維護成本
充電站的維護成本主要包括設(shè)備耗材、設(shè)備折舊、工人工資、水電費等。常假設(shè)折算系數(shù)λ來計算充電站設(shè)備維護成本:
3)充電站電能損耗年費用
式中:CFe、CCa—— 變壓器鐵耗和銅耗;
Tv—— 充電站充電時長;
P0—— 電網(wǎng)電價(用戶充電電價);
CL—— 線路損耗;
CD—— 充電機自身損耗;
ki—— 充電機的同時率
4)充電站基礎(chǔ)設(shè)施建設(shè)年費用
式中:ξg—— 每千米道路投資成本;
li—— 充電站連接到主干道的鋪軌長度
5)EV用戶成本
EV用戶成本由充電往返途中的電量損耗成本和用戶時間成本組成,其數(shù)學(xué)表達式為[5]
式中:V(j) —— 充電站服務(wù)范圍內(nèi)需求點集合;
j—— 充電服務(wù)范圍內(nèi)某一需求點;
dij—— 需求點j與充電站的距離;
nev,j—— 需求點j的EV數(shù)量;
η—— 充電用戶需求比例;
g—— 單位電量可行駛里程
6)檢驗檢測機構(gòu)服務(wù)成本
式中:q—— 檢驗檢測機構(gòu)時間服務(wù)成本;
N—— 需要提供檢驗檢測服務(wù)的充電站數(shù)量;
t—— 檢測某個充電站所花費的時間;
m—— 檢測儀器折算到單位工作時間的成本
Voronoi圖是俄國數(shù)學(xué)家G. Voronoi提出的,并將其擴展至高維空間。目前,Voronoi圖已被廣泛應(yīng)用在幾何信息相關(guān)的許多領(lǐng)域,如空間中求每一個多邊形內(nèi)的任意一點到本多邊形母點的最短距離,這與充電站的選址思路相近,但Voronoi圖卻削弱全局尋優(yōu)能力;而粒子群算法源于對鳥群捕食行為的研究,作為一種重要的優(yōu)化算法已經(jīng)成功地應(yīng)用于函數(shù)優(yōu)化、極值尋優(yōu)、神經(jīng)網(wǎng)絡(luò)訓(xùn)練等領(lǐng)域。主要通過個體之間信息變化的共享,使整個種群的運動變成一種有序的推進狀態(tài)。用xi表示每個粒子的位置,其結(jié)果對應(yīng)一個規(guī)劃問題的最優(yōu)解;即
式中:d—— 粒子的維度,即充電站的數(shù)量;
xid—— 第i個粒子是否選擇第d個充電站,其值為0或1,表達式為
式中:S(vid) —— 位置xid取1的概率;
vid—— 粒子的速度
由式(9)可得,粒子位置為1的概率是S(vid),為0 的概率是1 -S(vid)。
但上述粒子群算法在實際應(yīng)用中也存在一些問題,如:全局尋優(yōu)能力較差、易出現(xiàn)早熟現(xiàn)象、收斂速度慢等。因此,對粒子群算法做如下改進:
當(dāng)粒子速度小于或趨于0時,粒子位置發(fā)生改變的概率為0;當(dāng)粒子速度為0 時位置值不變;當(dāng)粒子速度為正時,粒子位置可能變?yōu)?;改進后粒子群算法收斂速度加快,局部搜索能力增強。因此,采用Voronoi圖結(jié)合粒子群算法進行模型求解,具體流程如圖2所示。
圖2 算法流程
本文選定城市中比較有代表性的路段進行合理分析,路網(wǎng)節(jié)點36個,并以數(shù)字1~36號標注;通過使用MATLAB工具箱對提出的選址模型進行動態(tài)仿真,其相關(guān)參數(shù)參照文獻[6],同時,預(yù)估該區(qū)域充電站數(shù)量為4~10個。
由圖3可以看出,當(dāng)該區(qū)域修建5個充電站時全社會的成本最小。圖4根據(jù)充電站的規(guī)劃得到具體的檢測服務(wù)劃分范圍,充電站A輻射節(jié)點為1、2、10、11、14;充電站B輻射節(jié)點為24、25、26、34、35、36;充電站C輻射節(jié)點為15、16、17、21、22、23、27、28 ;充電站D輻射節(jié)點為3、4、5、6、7、8、9;充電站E輻射節(jié)點為18、19、29、30、31、32。圖5為粒子群算法適應(yīng)度收斂曲線,由于適應(yīng)度下降速度快,進而更好地達到了收斂的效果。通過圖3~圖5,證明了所提出算法的可靠性,最終得到了合理的規(guī)劃選擇。
圖3 充電站規(guī)劃社會年總成本曲線
圖4 充電站站址和服務(wù)范圍
圖5 算法收斂曲線
構(gòu)建EV充電站設(shè)備建設(shè)者、EV用戶和檢驗檢測機構(gòu)的綜合成本最小目標函數(shù)模型。通過構(gòu)建改進的粒子群算法,結(jié)合Voronoi圖對規(guī)劃的路段進行仿真分析。結(jié)果表明,規(guī)劃的充電站站址分布均勻,服務(wù)范圍明確,社會總成本較低,對未來充電站站址的規(guī)劃具有參考意義。后續(xù)可建立充電站的周期檢定、出廠檢測、安全巡檢為一體的智能化檢驗檢測實驗室,滿足政府監(jiān)管和市場檢測監(jiān)測的需求。