董偉

（三門峽職業(yè)技術(shù)學(xué)院汽車學(xué)院）

0 引言

在化石型能源日益枯竭、環(huán)境污染日益加劇的全球環(huán)境下，新能源汽車由于采用清潔型能源，使其普遍受到廣大用戶的青睞，其保有量顯著增加[1]。新能源汽車的充電負(fù)荷對(duì)于配電網(wǎng)來(lái)說(shuō)是不可忽略的，新能源汽車的不合理充電會(huì)對(duì)配電網(wǎng)的安全性、穩(wěn)定性、可靠性產(chǎn)生一定程度的影響[2-3]。

針對(duì)新能源汽車充電所帶來(lái)的問(wèn)題，根據(jù)新能源汽車充電負(fù)荷具有可控性的特點(diǎn)，本文構(gòu)建新能源汽車充電控制模型，從配電網(wǎng)和電力用戶兩方面考慮，既要將新能源汽車充電負(fù)荷對(duì)配電網(wǎng)的影響程度降到最低，又要最大限度降低充電成本，并且采用非支配排序遺傳算法對(duì)模型進(jìn)行求解，通過(guò)算例仿真驗(yàn)證本文所提出控制策略的有效性和科學(xué)性[4]。

1 新能源汽車充電模式

隨著城市新能源汽車保有量的不斷上升，與之相配套的充電裝置也要跟隨建設(shè)[5-6]。新能源汽車集中充電的物理框架在新能源汽車充電控制策略的研究中發(fā)揮了重要作用，具體架構(gòu)如圖1所示。

圖1 新能源汽車集中充電物理架構(gòu)

本文所提出的新能源汽車充電控制策略適用于新能源汽車集中充電模式。在這種集中充電模式下，通過(guò)一個(gè)控制單元對(duì)接入到充電站進(jìn)行充電的新能源汽車的集群充電行為進(jìn)行管理[7-8]。在智能電網(wǎng)中，新能源汽車對(duì)應(yīng)于一個(gè)充電樁進(jìn)行充電，由控制單元通過(guò)充電樁檢測(cè)新能源汽車的充電參數(shù)，包括充電開(kāi)始時(shí)刻、充電結(jié)束時(shí)刻、電池額定容量、電池實(shí)時(shí)電量、預(yù)計(jì)充電結(jié)束時(shí)刻等[9]?？刂茊卧軌蚋潆娋W(wǎng)進(jìn)行數(shù)據(jù)交互，得到配電網(wǎng)的負(fù)荷預(yù)測(cè)數(shù)據(jù)，計(jì)算得到每輛新能源汽車在每個(gè)時(shí)間步長(zhǎng)下的充電功率，由對(duì)應(yīng)的充電樁來(lái)執(zhí)行[10]。控制單元會(huì)對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)刷新，根據(jù)實(shí)際情況安排新能源汽車的充電計(jì)劃?？刂茊卧獣?huì)根據(jù)不同新能源汽車的數(shù)據(jù)計(jì)算新能源汽車以最大功率充電是否能夠達(dá)到電池充電狀態(tài)量（普遍情況為滿電量的95%）[11-12]。本文的研究都假設(shè)新能源汽車以最大電池充電量為充電目標(biāo)，如果充電期間以最大功率進(jìn)行充電仍然不能夠達(dá)到電池充電狀態(tài)量，則不進(jìn)行充電調(diào)度，始終保持以最大功率進(jìn)行充電。

2 新能源汽車充電控制策略

2.1 新能源汽車充電控制模型

為了兼顧新能源汽車充電負(fù)荷對(duì)配電網(wǎng)的影響以及充電成本，本文構(gòu)建了新能源汽車充電控制模型，模型的目標(biāo)函數(shù)包含兩部分，即充電總成本最低和負(fù)荷方差最小。新能源汽車的充電會(huì)對(duì)配電網(wǎng)的安全、穩(wěn)定、可靠運(yùn)行造成一定程度的影響，從供電公司的角度來(lái)說(shuō)，將充電成本最低作為目標(biāo)函數(shù)，充分考慮了新能源汽車車主的利益，吸引更多的新能源汽車到集中充電停車場(chǎng)參與到集中充電活動(dòng)中，配電網(wǎng)也因此聚集了相當(dāng)容量的新能源汽車，并對(duì)其充電行為進(jìn)行科學(xué)控制；將負(fù)荷方差最小作為另一個(gè)目標(biāo)函數(shù)，能夠?qū)崿F(xiàn)對(duì)負(fù)荷波動(dòng)的有效抑制，降低對(duì)配電網(wǎng)的沖擊，有利于配電網(wǎng)的安全、可靠、穩(wěn)定運(yùn)行。實(shí)現(xiàn)供電公司和新能源汽車車主的雙贏。

2.2 目標(biāo)函數(shù)

（1）充電成本最低

基于電價(jià)分時(shí)機(jī)制，保證新能源汽車充電成本最低，是從新能源汽車車主經(jīng)濟(jì)性的角度出發(fā)，最大限度保證新能源汽車在電價(jià)低的時(shí)段（也就是負(fù)荷低的時(shí)段）充電，這樣做能夠起到削峰填谷的作用。目標(biāo)函數(shù)的表達(dá)式為：

式中，n是充電站中參與集中充電的新能源汽車的數(shù)量；m是時(shí)間步長(zhǎng)；Pk是k時(shí)段的分時(shí)電價(jià)；t為當(dāng)前的時(shí)段號(hào)碼，△t為時(shí)段的持續(xù)時(shí)長(zhǎng)。

（2）負(fù)荷方差最小

充電成本最低目標(biāo)函數(shù)會(huì)使大量的新能源汽車在配電網(wǎng)負(fù)荷低的時(shí)段集中充電，如果此時(shí)新能源汽車充電的負(fù)荷足夠大，則可能會(huì)在配電網(wǎng)負(fù)荷低的時(shí)段將負(fù)荷重新拉高，形成新的負(fù)荷高峰時(shí)段，為了避免這種情況的出現(xiàn)，提出另一個(gè)目標(biāo)函數(shù)，即符合方差最小。電網(wǎng)本身負(fù)荷加上新能源汽車充電負(fù)荷在各時(shí)段最小，能夠保證配電網(wǎng)全運(yùn)行周期的負(fù)荷更為平滑，進(jìn)一步降低備用發(fā)電機(jī)組的容量。在實(shí)際運(yùn)行中，負(fù)荷方差最小對(duì)應(yīng)于配電網(wǎng)損耗最小，采用負(fù)荷方差最小避免了復(fù)雜的潮流計(jì)算。本身模型的求解過(guò)程也更為簡(jiǎn)便，目標(biāo)函數(shù)的表達(dá)式為：

式中，Pl.k為第k個(gè)時(shí)段配電網(wǎng)負(fù)荷的預(yù)測(cè)值；Pl.s為第s個(gè)時(shí)段配電網(wǎng)負(fù)荷的預(yù)測(cè)值。

2.3 約束條件

（1）充電樁充電功率約束條件

式中，Pmax為充電樁所能夠提供的最大充電功率；λ為充電轉(zhuǎn)換效率。

（2）新能源汽車電池充電狀態(tài)量約束條件

式中，SOCi.des是第i個(gè)參與集中充電的新能源汽車車主期望達(dá)到的新能源汽車電池充電狀態(tài)量的水平；SOCi.dep是第i個(gè)參與集中充電的新能源汽車結(jié)束充電時(shí)的電池充電狀態(tài)量的水平；SOCmax是新能源汽車電池所允許的電池充電狀態(tài)量的上限值，超過(guò)這個(gè)數(shù)值則電池過(guò)充。

（3）新能源汽車電池充電爬坡斜率約束條件

式中，SOCi(k+1)是第i輛新能源汽車在k+1時(shí)段的電池充電狀態(tài)量的水平；SOCi(k)是第k輛新能源汽車在k時(shí)段的電池充電狀態(tài)量的水平；△SOCimax是充電爬坡斜率的上限值。新能源汽車充電時(shí)的充電爬坡斜率不能超過(guò)上限值。

3 充電控制模型求解方法

本文提出的充電控制模型是實(shí)時(shí)優(yōu)化的，每次優(yōu)化都需要進(jìn)行模型求解，因此采用非支配排序遺傳算法對(duì)模型進(jìn)行求解。

非支配排序遺傳算法主要具備三項(xiàng)特點(diǎn)：快速非支配排序法，能夠降低運(yùn)算復(fù)雜程度；采用精英策略，保證了計(jì)算準(zhǔn)確度；加入擁擠度參數(shù)，避免特定共享參數(shù)的指定。非支配排序遺傳算法的運(yùn)算結(jié)果是得到最優(yōu)解集合，由于充電控制模型對(duì)運(yùn)算實(shí)時(shí)性有著較高的要求，因此采用信息熵的序數(shù)偏好法從最優(yōu)解集合中尋取最優(yōu)解，其原理是通過(guò)計(jì)算最優(yōu)解集合中的各個(gè)最優(yōu)解與目標(biāo)值的差異來(lái)實(shí)現(xiàn)權(quán)重參數(shù)的確定，如果與目標(biāo)值的差異性越小則權(quán)重參數(shù)取值越低，對(duì)最終結(jié)果的影響程度就越低；如果與目標(biāo)值的差異性越大則權(quán)重參數(shù)取值越高，對(duì)最終結(jié)果的影響程度就越高。

4 算例分析

為了對(duì)本文提出的新能源汽車充電控制策略進(jìn)行驗(yàn)證，以某停車場(chǎng)充電站為例進(jìn)行分析，新能源汽車的開(kāi)始充電時(shí)刻是符合正態(tài)分布曲線要求的，概率密度曲線的均值取8，方差取1.5，電池充電狀態(tài)量初始值設(shè)定為0.3～0.5之間的隨機(jī)數(shù)，充電時(shí)長(zhǎng)取1～8h之間的隨機(jī)數(shù)，充電效率取0.85，充電樁所能提供的最大充電功率為7.8kW。為了便于進(jìn)行仿真，時(shí)段長(zhǎng)度設(shè)定為1h，總充電時(shí)長(zhǎng)取24h。

基于Matlab環(huán)境下，采用非支配排序遺傳算法對(duì)模型進(jìn)行仿真分析，設(shè)定新能源汽車的總數(shù)為50輛，迭代次數(shù)為300，交叉率為0.75，變異率為0.25，如圖2所示為仿真分析結(jié)果。

圖2 非支配排序遺傳算法仿真結(jié)果

非支配排序遺傳算法得到的Pareto前沿分布均勻穩(wěn)定，驗(yàn)證該算法對(duì)于模型求解的有效性。如圖2所示，描述新能源汽車充電成本與負(fù)荷標(biāo)準(zhǔn)差（對(duì)應(yīng)于方差）這兩個(gè)目標(biāo)函數(shù)的分布關(guān)系，提供了科學(xué)的決策信息，隨著負(fù)荷標(biāo)準(zhǔn)差的逐步增大，充電成本會(huì)降低，這是由于在電價(jià)低的時(shí)段內(nèi)新能源汽車充電負(fù)荷越大，充電成本越低，但可能會(huì)在這個(gè)時(shí)段內(nèi)造成負(fù)荷的上升，引起配電網(wǎng)負(fù)荷波動(dòng)。

5 結(jié)束語(yǔ)

本文專門針對(duì)新能源汽車集中充電問(wèn)題進(jìn)行分析，基于電價(jià)分時(shí)構(gòu)建新能源汽車充電控制模型，將充電成本和負(fù)荷方差作為控制目標(biāo)，將充電功率、電池狀態(tài)量、充電爬坡斜率作為約束條件，基于非支配排序遺傳算法對(duì)模型進(jìn)行求解。經(jīng)過(guò)仿真驗(yàn)證，本文所提出的新能源汽車充電控制策略能夠具有一定的先進(jìn)性和較高的經(jīng)濟(jì)價(jià)值，可以進(jìn)行大規(guī)模推廣應(yīng)用。