电动汽车换电站（共8篇）
电动汽车换电站 篇1
2012年3月15日, 位于北京市朝阳区高安屯循环经济产业园内的高安屯电动汽车充换电站正式投运。该站是世界上规模最大、服务能力最强的电动汽车充换电站, 技术水平世界一流, 极具环保示范效应。该站的建成, 标志着国家电网公司智能充换电服务网络建设取得重大成果, 对促进北京市电动汽车及相关产业又好又快发展, 具有十分重要的意义。
高安屯充换电站建筑面积8 189 m2, 是北京东部地区电动环卫车、乘用车和公交车的充换电服务中心。该站集充电、换电和电池配送三大功能于一体, 站内设有4条换电流水线, 换电速度快, 可同时服务8辆电动汽车;设有1条配送线, 每小时可配送24组电池。站内充电机容量10 080 kW, 能同时为1 104组电池充电。该站采取循环低碳的设计理念, 以园区内垃圾焚烧及沼气发电为主要电能供给, 同时融合光伏发电、风电等新能源。该站技术亮点多, 集成了微电网控制、自动换装、智能仓储、数字监控等多种先进技术。
据悉, 过去2年, 国家电网公司在北京市建成投运了15座充换电站、370个充电桩, 能满足1 300辆以上纯电动汽车的充换电需求。根据规划, 国家电网公司将以高安屯充换电站的投运为契机, 进一步优化网络, 加大投资, 加强创新, 加快建设, 力争“十二五”末在北京建成具有世界一流水平的智能充换电服务网络, 形成以北京为中心, 辐射环渤海经济区域的智能充换电服务城际网络。
电动汽车换电站 篇2
根据国家《关于印发汽车以旧换新实施办法的通知》和《2009年老旧汽车报废更新补贴资金发放范围及标准》有关规定，2009年老旧汽车报废更新补贴资金的车辆补贴范围及补贴标准已确定。我市为贯彻汽车以旧换新和老旧汽车报废更新补贴政策，市财政局等八部门联合制定了实施细则。具体政策和办理程序如下：
一、老旧汽车报废更新补贴范围及补贴标准
（一）2009年1月1日—12月31日期间交售给报废汽车回收企业的，注册登记日期在2001年1月1日—2005年12月31日，车长大于
4.8米（含4.8米）、小于7.5米的农村客运车辆，补贴标准为每辆车10000元人民币。
符合上述补贴范围的老旧汽车车主，凭中华人民共和国道路运输证、运输管理部门出具的意见、《报废汽车回收证明》和有效身份证明等凭据申请补贴资金。
（二）2009年1月1日—12月31日期间交售给报废汽车回收企业的，注册登记日期在2000年1月1日—2002年12月31日且使用年限在7—9年之间的下列车型：
一是车长7.5米以上（含7.5米）且乘座人数（包括驾驶人）23人以上（含23人）的载客汽车, 补贴标准为每辆车5000元人民币；二是车长9米以上（含9米）且当年更新的汽车排放标准符合国三阶段要求（北京当年更新的汽车排放标准符合国四阶段要求）的城市公
交车，补贴标准为每辆车15000元人民币；
三是不足9米且当年更新的汽车排放标准符合国三阶段要求（北京当年更新的汽车排放标准符合国四阶段要求）的城市公交车，补贴标准为每辆车10000元人民币；
四是总质量在12000kg（千克）以上（含12000kg）的载货汽车及准牵引总质量在12000kg（千克）以上（含12000kg）的半挂牵引车,补贴标准为每辆车5000元人民币。没有动力装置的全挂车、半挂车不属于补贴范围。
符合上述补贴范围的老旧汽车车主，凭《报废汽车回收证明》、有效身份证明和更新车辆购车发票等凭据申请补贴资金。
二、汽车以旧换新补贴范围及补贴标准
（一）补贴范围：在2009年6月1日-2010年5月31日期间，将符合下列条件的汽车交售给依法设立的指定报废汽车回收拆解企业，并换购新车的（报废汽车的车主名称与换购新车车主名称应一致）：
1、使用不到8年的老旧微型载货车，老旧中型出租载客车;
2、使用不到12年的老旧中、轻型载货车;
3、使用不到12年的老旧中型载客车（不含出租车）；
4、提前报废的各类“黄标车”。
使用年计算的起始和终止日期分别为车辆初次登记日期和注销日期。
（二）补贴标准：
1、报废老旧汽车的补贴标准：
30日期间，每周周五到市行政审批大厅汽车以旧换新联合服务窗口申请补贴资金，并提供以下材料：
（一）《汽车以旧换新补贴资金申请表》（可在联合服务窗口领取，也可从商务部网站下载）；
（二）《报废汽车回收证明》原件；
（三）《机动车注销证明》原件及复印件；
（四）新车购车发票原件及复印件；
（五）机动车登记证书原件及复印件；
（六）车辆购置税完税凭证原件及复印件；
（七）中华人民共和国道路运输证、运输管理部门出具的意见（农村客运车辆）；
（八）有效身份证明原件及复印件；
（九）与车主同名的个人银行账户存折（青岛农信一本通存折或信通卡）或单位基本账户开户证复印件。
（十）对于购买6吨以下货车、微型载客车（不含轿车）等可享受汽车摩托车下乡补贴的车主，须持公安部门开具的未办理汽车下乡登记证明申办补贴。
对符合条件的报废老旧汽车、“黄标车”并购买新车的，市财政局应于受理后15个工作日内将补贴资金发放给车主；对不符合条件的，市发改委应退回申请并说明理由。
车主逾期提出补贴资金申请的，不予受理。
电动汽车换电站 篇3
电动汽车充换电站是电动汽车电能补给的重要场所, 可提供充电和换电服务。光伏发电系统和全钒液流储能系统作为2种独立的新型充换电站电力来源装置, 在减少污染、支撑常规电力方面起到了重要作用。
1 充换电站电力来源
大连友谊街充换电站电力主要由市电作为主要供电来源, 光伏发电系统和全钒液流储能系统作为辅助电力来源。
1.1 市电情况简介
(1) 供电方式选择。根据充换电站规模, 遵循国家电网公司相关规范要求, 结合当地电网规划, 确定该充换电站采用10千伏双电源供电。
(2) 供电方案。由66千伏友谊街变电所10千伏母线出一回电缆线路至本项目变电所, 电缆约3千米, 电缆排管约2.6千米;另外由66千伏华南变电所10千伏母线出一回电缆线路至本项目变电所, 电缆约3.5千米, 电缆排管约3千米。
(3) 站内供电系统建设规模。根据充电系统及站内用电容量配置2台2000千伏安的主变, 10千伏开关柜10面, 0.4千伏低压柜13面。
(4) 电气主接线。充换电站10千伏侧母线采用单母线分段接线, 0.4千伏侧也采用单母线分段接线。
(5) 谐波治理。为了抑制电池更换站的谐波电流注入公用电网, 以确保电能质量和电力系统的安全经济运行, 站内配置有源滤波和无功补偿装置, 共配置补偿电流为200安/台的有源滤波装置4台。
1.2 光伏发电/全钒液流储能系统简介
该系统作为大连市政府的示范工程, 对于推进新能源和电动汽车在大连的可持续发展是非常必要的。目前, “新能源储能型”电动汽车充换电站因具有环保、安全、经济、高效的特点, 被国内外专家认为是未来电动汽车充换电站的发展趋势。
这种全新充换电站优势在于:
(1) 利用清洁可再生能源, 节能减排。
(2) 降低充换电站配电容量, 易于推广。储能装置和新能源引入缓解电动汽车充电对电网的负荷压力。
(3) 避免对电网的冲击, 安全可靠。蓄电装置连接发电端和用电端, 避免了大电流充电对电网的直接冲击, 实现电动汽车的集中或快速充电。
(4) 降低充换电站运营成本, 经济性好。在晚间充分利用电网优惠价格的谷电存储在储能装置中, 白天电网高峰负荷时实现电能回馈, 降低了充换电站的成本。
(5) 作为独立储能电站, 紧急备用。在特殊时期, 充换电站可以作为临时电站为重要部门和设备供电。
作为辅助电力来源的光伏发电和全钒液流储能系统, 在白天配合主要电力来源一起对所有电动汽车电池进行充电。友谊街充换电站初期拥有50辆大型纯电动汽车, 备用30组电池 (每组10块) , 每组电池每天充电4次, 每天完成120组次的充电任务。其中, 充换电站的电力来源最终都会分配到充电机中, 由充电机向电池充电。充换电站配备了240台EVCR-FX10kW分箱充电机, 为站内全部300箱电池提供电力。大箱电池采用一对一的充电方式, 小箱电池采用一对二的充电方式。充电机额定输出电压为80V, 额定输出电流120安, 额定输出功率为10千瓦。当每车剩余30%电量时更换电池进行分箱充电。在充换电站中, 主要电力来源市电与辅助电力来源光伏发电系统、全钒液流储能系统所产生或储存的电力, 全部分配到充换电站低压侧配电柜中, 由配电柜向充电机输送电力。其中全钒液流储能系统的储能逆变器也可从配电柜将电能储存在电池中。稳定的电力来源使友谊街充换电站电池充电工作持续稳定进行。
充换电站光伏发电装机为50千瓦, 工作模式为直接并网, 光伏逆变器将直流电转化为交流电, 而后送至10千伏变电所低压母排上, 给变电所提供电力。
光伏发电在有效地利用了可再生能源的同时更节约了用电成本。结合大连的地理位置及光照资源情况, 该地区每天有效日照时间约3.6小时, 平均每天可节省电费180元, 年节约电费约60000元。同时, 光伏发电还具有以下优点:绿色、环保;使用寿命长达25年;安全可靠、无噪声;资源丰富;建设周期短。
大连友谊街充换电站全钒液流储能电池室占地98平米, 其中储能电池系统占地26平米。电池室要求建筑物高于3.5米, 门高于2.5米, 用以搬运和存放电池。储能电池室无地下室, 保证地面能提供相应负荷, 全室注意通风并安装空调, 保证电池室内空气流通, 温度接近环境温度, 以防电池过热或过冷。
全钒液流储能电池也称作全钒氧化还原液流电池, 因其拥有诸多优势而被选作为充电站的储能电池。具有以下优点:安全可靠;充电放电次数大于10000次, 寿命长;工作效率极高, 作业效率在75%以上;绿色环保;电解液可多次回收利用, 且不会产生对人体有害物质。
全钒液流储能系统额定功率60千瓦, 平均每天储能10小时, 额定储电容量600千瓦时。其工作原理为夜间用电低谷时段, 市电通过储能逆变器向储能电池输送电能, 达到充电的目的, 在早晚用电高峰时段, 电池通过逆变器放电至10kV的变电所低压母排上, 给充电机充电。另外, 全钒液流储能电池的一个重要作用是当电网供电中断时, 作为应急电源将储能电池中的电导出供充电机应急使用。友谊街充换电站每天按照谷电峰用, 若每天额定充换电各10个小时, 至少节省4050元, 年节约150万元。
全钒液流储能电池用于电动汽车快速充电站, 可以降低充换电站对电网的冲击和电能质量的影响, 降低充换电站的运营成本。随着电动汽车的快速发展, 大规模、高效蓄电型电动汽车快速充换电站有很好的商业化前景。
2 整套系统运行模式
白天:光伏发电、全钒液流储能电池、市电三路供电, 绿色、环保;夜晚:市电供电, 储能电池储存夜间谷电, 谷电峰用。
整套系统具有以下优点:光伏发电/全钒液流储能电池联合供电, 实现光伏可调控性;储能电池可实现市电谷电峰用;光伏发电直接并网, 发电利用率高;市电断电, 储能电池可作应急电源, 供充换电站重要设备使用。
该新能源储能型充换电站供电解决方案, 不仅实现了光伏发电和夜间谷电的充分利用, 并且大大提高了充换电站的供电稳定性和可靠性, 增加了电动汽车快速充换电站绿色、环保的低碳理念, 完全体现了充换电站建设理念。
3 推广应用前景展望
随着电动汽车的发展, 世界各国已将电动汽车充换电站的建设纳入日程。以色列、日本和美国都已制订明确的电动汽车充换电站建设计划, 帮助电动汽车在本国早日实现商业化。
我国政府已出台一系列的政策来支持电动汽车的发展及充换电站的建设。2009年初, 科技部和财政部提出“十城千辆”电动汽车示范应用工程。即通过连续3年的推广, 对国内10个大城市进行1000辆新能源汽车试验运行, 由此扩大新能源汽车供应设施规模。2009年3月公布的《汽车产业振兴规划细则》中提出要实施以电动汽车为主的新能源汽车战略, 到2011年要形成50万辆电动汽车的产能, 同时也明确指出, 于2009年12月推出新能源汽车基础建设规划, 建立电动汽车快速充电网络, 加快停车场等公共场所公用充电设施建设。
电动汽车充换电站的建设正随着电动汽车的快速发展逐渐受到关注, 商业化前景日渐明朗。全钒液流储能电池用于蓄电型电动车充换电站, 可以降低充换电站对电网的冲击和电能质量的影响, 降低充电站的运营成本, 具有很好的产业化和市场化应用前景。
大连作为科技部“十城千辆”电动汽车示范城市之一, 于2008年12月18日全面启动节能与新能源汽车示范工程, 将一汽集团提供的12辆混合动力客车正式投放大连市15路公交客运线路运行。大连市电动汽车充换电站的建成对全国具有很好的示范作用, 对促进电动汽车在全国的应用推广, 推动光伏等可再生能源的发展, 提高我国在电动汽车充换电站及大规模全钒液流储能电池领域的核心竞争力, 提升我国储能电池产业化技术水平, 有利于促进我国产业升级, 提高国家科技竞争力。
4 结束语
电动汽车换电站 篇4
电动汽车(Electric Vehicle,EV)作为我国战略性新兴产业得到大力发展,未来规模化电动汽车通过电网直接充电并不能有效降低碳排放,摆脱或减轻对化石燃料的依赖[1]。将电动汽车接入微网[2,3]是实现电动汽车与可再生能源集成应用的最直接方式,可以取得诸多效益[4,5]:1)提高电动汽车清洁能源的利用率,降低碳排放水平;2)电动汽车协助解决可再生能源间歇性问题,提高微网运行静态稳定性;3)实现可再生能源的就地消纳,降低二者单独接入电网造成的不良影响。
电动汽车换电站(Battery Swap Station,BSS)具有快捷经济方便等特点,通过对动力电池(Power Battery,PB)进行集群充放电控制[6],可减小大量电动汽车接入微网产生的负面效应,也可以调度换电站满足换电需求后,在低谷时段充电高峰时段放电,实现套利[7]。
目前,国内外学者针对微网中接入电动汽车的优化运行已做了许多研究。文献[8]以最大程度响应微网控制中心的调度功率为目标,优化换电站充放电发挥储能系统作用。文献[9]将微网内电动汽车作为分散式储能单元,并与集中式储能元件协调配合,发挥移峰填谷的作用且更具经济性。文献[10]从微观的角度建立了微网的电动汽车换电站详细运行模型,对比分析了换电站接入模式和传统储能电站接入模式下微网运行状况,但需要深入研究系统无功优化。
与以上研究中将BSS作为储能系统的思路不同,本文将BSS作为可调度负荷,通过控制其充电功率来平滑微网功率波动以及提高运行经济性,从而挖掘未配置储能情况下通过负荷调度实现微网优化运行的潜力,降低调度的复杂度。以一个包含风力发电(Wind Turbine,WT)、光伏发电(Photovoltaic,PV)、燃料电池(Fuel Cell,FC)、微型燃气轮机(Microturbine,MT)、电动汽车换电站(BSS)和热电负荷的具体微网为研究对象,以最小运行成本作为优化目标,根据分时电价差异,运用遗传算法优化各微源出力以及BSS充电功率,形成最佳运行方式。通过C++编程仿真验证所提策略的有效性。
1 BSS运行模型
微网内各微源模型的研究已比较成熟,风机出力模型参见文献[11];光伏出力模型参见文献[12];微型燃气轮机、燃料电池模型及参数参见文献[13]。针对以锂离子电池和铅酸蓄电池为主流的电动汽车动力电池[14],本文选择磷酸铁锂电池,其荷电状态(State of Charge,SOC)模型参见文献[15];重点研究动力电池损耗模型及BSS充电模式对优化运行的影响,并假定换电站可满足换电需求。
1.1动力电池(PB)运行损耗模型
文献[16]研究表明磷酸铁锂电池的使用寿命与其放电深度、充放电电流倍率、环境温度以及荷电状态等因素有关,由于本文优化调度中只研究PB充电,并假定环境温度稳定,因此只考虑充电电流倍率以及运行荷电状态对PB寿命的损耗。根据文献[16,17]建立动力电池充电损耗成本模型(),PB寿命损耗成本除受充电功率()影响外,还受充电始末荷电状态(SOCstart,SOCend)、充电影响因子(kch)的影响。
式中:Cint为PB购买投资成本;NPB为循环充放电次数,求解方法参见文献[18];SOCmax为PB最大荷电状态。
频繁切换动力电池的充放电状态也会影响动力电池的使用寿命[10],因此,建立动力电池充电状态切换损耗成本模型:
式中:kch,cutout,kch,access分别为动力电池切断和接入损耗因子。
可知,当充电功率越大,荷电状态越小时切换动力电池充电状态对动力电池的冲击较大,切换成本亦较大。
1.2 动力电池(PB)充电模型
BSS内装有充电机为PB充电。根据充电机组之间的连接方式不同,将充电模式分为串联充电模式和并联充电模式。根据PB充电状态,将处于正在充电状态的PB称为在线动力电池,处于待充或充满状态的PB称为库存动力电池。
充电机组以并联方式运行即为并联充电模式。此种模式下各在线PB充电功率相互独立,每台充电机以恒功率对PB充电,则BSS充电总功率为离散值。当调度指令需要调整BSS充电功率时,可通过充电机的接入和断开实现,调度较为简单,且动力电池运行在恒功率状态,有利于延长使用寿命。但BSS充电功率调整中PB充电切换较频繁,亦会带来寿命损耗,可通过式(1)和式(2)定量分析。并联运行模式接线如图1所示,PB充电切换可通过对开关k1…kn的控制实现。
充电机以串联方式运行即为串联充电模式。此种模式下各在线PB具有相同的充电功率,为保障PB运行在较高的充电功率,规定单体PB的充电功率不低于额定功率的一半。当调度指令需要调整BSS充电功率时,调整各在线PB的充电功率在可调裕度内共同承担调整功率,从而实现BSS充电功率的连续调节,提高BSS参与系统调峰的能力,但动力电池难以确保运行在额定功率下,其损耗成本通过式(1)计算得到。串联运行模式接线如图2所示。
2 微网经济调度模型
2.1 优化目标
良好的经济效益和环境效益是微网在电力系统中得以发展的推动力,本文以微网最小运行成本为优化目标,环境效益以污染排放成本作为衡量指标并融入到运行成本中。目标函数表示如下:
式中:C为微网运行成本;Cgrid为微网和外网功率交互成本;N为微源总数;i为微源编号;为微源i的运行成本;为微源i的环境排放成本;CBSS为BSS运行成本。
式中:T为优化时段总数;t为优化时段;为时段t内微网和外网的交互功率;pt为时段t内的电价。
式中:M为动力电池总数;分别为动力电池j的充电成本、切断和接入成本。
2.2约束条件
BSS充电功率约束如式(6)和式(7):
式中:为t时刻BSS充电功率;为BSS最大充电功率。
式中:PPB,rated为PB充电功率额定值。
BSS并联模式充电功率约束如式(8)所示:
式中:n为在线动力电池数。
BSS串联模式充电功率约束见式(9):
可见,BSS并联模式下充电功率为离散值,串联模式下为连续变化值。
燃料电池运行约束如式(1 0)—式(12)所示,式(11)是FC无功出力约束,式(12)是FC有功出力爬坡约束。
式中:为FC在t时刻的出力;PFC,min,PFC,max为FC最小、最大有功出力。
式中:为FC在t时刻的无功出力;SFC,inv为FC逆变器额定容量。
式中:为FC最大爬坡速率。
联络线功率约束如式(13)—式(15)所示:
式中:为联络线在时刻t时交互功率;Pgrid,min、Pgrid,max为联络线最小、最大有功功率。
式中:为联络线在时刻t时无功功率;Qgrid,max为联络线最大无功功率。
式中:cosφ为联络线功率因数;c为功率因数限值。
2.3 BSS充电调度策略
考虑到PB过充过放对其寿命的影响,SOC设定范围为[30%,95%],并根据PB荷电状态将PB分为A、B、C 3类:A为可更换PB,SOC∈[90%,95%];B类为优先切断PB,SOC∈[60%,90%);C类优先接入PB,SOC∈[30%,60%)。根据BSS不停充电模式,制定相应调度策略。
2.3.1串联充电调度策略
(1)根据调度指令,当需要减小BSS充电功率时,各在线PB在充电功率裕度内平均分担减小的功率;若各PB已达最小充电功率仍不能满足调度需求,优先断开在线PB中为B类且荷电量较小者。这样希望更多B类在线PB中荷电量较大的尽快充满,将更多的电能集中于可更换PB,实现盈利。
(2)当需要增加BSS充电功率时,同样由各在线PB在充电功率裕度内平均分担增加的充电功率;若各PB已达最大充电功率仍不能满足需求,优先接入C类PB中荷电量较小者充电,这样做有2个好处:1)避免低荷电量影响PB的使用寿命;2)使其尽快充至较高荷电状态,参与BSS充电功率调度以及满足换电需求。
2.3.2并联充电调度策略
当调度BSS降低充电功率时,切断在线PB中属于B组且荷电量较小者;当调度BSS增加充电功率时,优先接入属于A组且荷电量较小的PB。
3 优化算法
遗传算法是一种寻求全局最优解而不需要任何初始化信息的高效优化算法,被广泛应用于电源规划、无功优化及电力市场等电力系统领域[19]。遗传算法在进化过程中以适应度函数来评价染色体的优劣,其有效性影响着遗传算法的搜索方向和进化效率。本文对于进化过程中难以满足约束条件个体的适应度添加惩罚项,引导进化避劣趋优,设计适应度评价函数f如下:
式中:C为运行成本;δ为惩罚项;λ为惩罚项系数。
适应度添加惩罚一般有常数惩罚和可变惩罚,可变惩罚可进一步分为静态惩罚(即随着违背程度的加深而增加惩罚压力)和动态惩罚(随着进化过程而增加惩罚的压力)2种[20]。对于微网优化调度,此类复杂问题采用常数惩罚的效率不高,并且惩罚系数的选择较为困难。本文采用动态的惩罚系数,惩罚压力随进化过程成对数增长,动态惩罚系数的形式为:λ=ln(30g),其中g为进化当前代数。
本文以FC有功出力和逆变器无功出力、BSS充电功率以及逆变器无功出力作为优化变量,潮流计算确定联络线有功无功交互功率。遗传算法如下:
(1)输入微网运行参数以及遗传算法参数,随机生成种群。
(2)对染色体进行解码,计算FC有功出力及其逆变器无功出力、BSS充电功率及其逆变器无功出力,判断是否满足潮流约束及运行约束;确定联络线交互功率。
(3)计算个体适应度,判断是否达到迭代次数。若已达迭代次数,则转入步骤(4);若未达到迭代次数,则通过轮盘赌选择、多点交叉、多点变异,转入步骤(2)。
(4)输出最优结果。
4 算例分析
如图3所示,微网通过PCC节点和外网相连,线路参数:R=0.64Ω/km,X=0.1Ω/km;负荷功率因数取0.9。微网内热负荷由MT运行于“以热定电”方式,BSS和FC逆变器提供无功出力。微网运行参数见表1,分时电价如表2所示,PV、WT和MT出力及热、电负荷预测值如图4所示。
4.1 有功无功优化分析
有功无功优化结果主要受网架结构、各微源运行参数以及电价的影响。此处仅给出BSS串联运行模式下的有功优化结果,并在4.3节重点分析BSS不同运行模式对优化的影响。有功、无功优化结果分别如图5和图6所示。
对运行结果分析中,另行定义净负荷功率为负荷功率与不可控微源(WT、PV和MT)总出力的差值,通过优化BSS充电功率、FC出力和联络线交互功率满足净负荷功率需求。从图5中可知,通过分时电价可引导联络线在电价较低时段以较大功率向微网供电,而在电价较高时段降低供电功率,并增加相对于高电价而言发电成本较低的FC出力,从而提高了经济性且有利于缓解配网供电堵塞。而通过对BSS的灵活调度控制,可实现BSS避峰填谷,且提高了微网系统的调峰能力,有利于对高渗透率可再生能源的消纳。
从图6可以看出,微网内的无功缺额主要由BSS和FC逆变器提供,联络线因功率因数的限制,其无功出力受有功出力的影响较大,难以为系统提供较大无功补偿,从而使得微网系统一定程度上实现无功自给,提高了微网运行静态稳定性,降低了安装无功补偿装置的成本。
4.2燃料电池爬坡速率对优化的影响
微网内电源爬坡速率约束增强了系统不同时间断面的耦合性,避免功率变化过大而影响系统运行静态稳定性,但却降低了微源的灵活可调节性。图7给出了FC不同爬坡速率下的优化结果,可知:爬坡速率为25kW/h相比于20kW/h时,FC出力调节更加灵活,在高峰时段能以较快速度调整到较大出力,进入低谷时段亦可实现快速降低出力,从而提高了FC参与系统调峰的能力。应根据微源的物理运行参数以及微网系统抗扰动能力设置微源爬坡速率。
4.3 BSS运行优化分析
图8和图9分别给出了BSS在串、并联运行模式下系统运行优化结果以及BSS内动力电池充电优化结果。从图8中可知,不同运行模式对微网系统运行的影响主要体现在BSS充电功率上,但其变化趋势影响不大。相比于并联运行模式,BSS串联运行模式下充电功率调整更灵活,可为负荷调度参与系统调节提供参考。图9中,BSS串联运行模式下,在线动力电池数目的变化相对较少,有利于降低高充电功率下频繁切换充电状态对动力电池的影响,且作为充电负荷可调度性强,更有利于配合电源侧实现优化运行。BSS并联运行方式下充电总量为636 kWh,微网运行成本为2 310.22元;而BSS串联运行方式下充电总量为657 kWh,微网运行成本为2302.44元,效益更好。
4.4 优化方案实施前后的对比分析
微网实施优化调度策略前,假设整个运行周期内BSS以恒功率充电,联络线和FC通过调整供电功率来配合不可控微源追踪负荷功率,运行结果如图10所示。
由图10可知,在没有优化策略下,BSS可实现恒功率充电,降低了频繁切换动力电池产生的损耗成本,但难以利用分时电价差异实现在低电价时段最大限度的从外网购电,而在负荷需求增大且电价较高时,由于BSS充电功率仍然较高,需从外网购买更多高价电能以及开启成本较高的FC出力来满足负荷需求,降低了运行经济性,且难以体现微网作为可调度负荷参与系统削峰填谷的优势。优化前后运行结果如表3所示,BSS串联和并联2种接线方式下对微网优化后运行成本均降低,从而验证该优化策略的有效性,运行人员可根据对动力电池的优化需求选择接线方式。
5结语
为挖掘电动汽车参与负荷调度的潜力,本文从BSS作为纯充电负荷的角度入手,研究了BSS运行模型,并对比分析了BSS在串、并联充电模式下优化结果。研究表明:BSS作为可调度负荷参与系统调节有利于微网对可再生能源的消纳,可节省安装储能装置的成本;BSS串联运行方式下具有更好的经济效益,且调度灵活,更有利于系统调峰。
微网系统内风机、光伏等随机性微源渗透率的提高增加了优化调度的难度,但随着智能家电以及电动汽车等可控负荷的大量接入,使负荷调度成为可能,从而为微网的优化调度提供了新思路。因此,实现微网“源-储-荷”的协调优化调度将是未来研究的重点。
摘要：将换电站作为可控负荷,根据分时电价差异引导其避峰填谷,减小微网系统峰谷差,提高运行效率。以微网最小运行成本为优化目标,通过改进遗传算法优化各微源出力以及换电站充电功率,对比分析了换电站不同充电模式对微网能量优化的影响。结果表明:换电站作为可调度负荷参与系统调节有利于微网对可再生能源的消纳,节省安装储能装置的成本,BSS串联运行方式下调度灵活,效益更好。
电动公交车充换电站安全优化研究 篇5
目前,电动汽车充换电设施大致分为充电和换电两大类,电动公交车交流慢速充电,满充电时间一般为8~10h,即使选择直流快速充电,满充电时间也要1~3h,但作为电动公交车必须严格满足车辆调度系统的发车频次,而公交车发车间隔要比充电时间小得多,尤其是早晚高峰,公交车欠电时回站充电显然无法满足车辆调度运行需要,对公交车进行换电即可解决充电速度慢与车辆调度的矛盾,机器人能在10min之内完成换电工作。所以电动公交车以换电为主、充电为辅是目前技术条件下的一种普遍模式。
1 设计和运行过程中主要安全问题
1.1 设计冗余度过大
现有电动汽车充换电站有关电池储备量、配电容量、充电机数量、换电工位等核心参数设计时存在设计冗余度过大的问题,主要是因为充换电站属于新生事物,没有专门的设计依据和标准,相关设计经验较少,可用于设计改进的运行数据也不足,为保证充换电站能满足车辆的运行需要,一般以车辆和电池的极限参数展开设计。有关公交车运行参数及运行模式对充换电站核心参数的综合影响理解不深入,如电池充电时间基本是按照电池100%放电的充电时间设计、充换电站配电功率简单地按运行充电机的最大输出功率计算等。
1.2 车辆充电管理策略简单
为简单满足公交车运行需要,并未深入考虑公交车运行特点、电池充电安全性以及换电站负荷特性,造成充换电站备用电池储备量较大,集中充电风险高、负荷波动大等问题。实际上在充换电站内以降低集中充电危险性和改善负荷特性为目标的充电控制策略是可行的,因为公交车存在高峰和平峰的运行规律,而备用电池的数量、充电时间和功率是可在一定范围内进行调节,可以在很大程度上改善充换电站的负荷特性和充电安全可靠性。
2 电池储存及充电管理的安全目标
对于电动车锂离子电池而言,由于产品具有一定的燃爆特性,因此考虑储存量时不能单一考虑满足电动汽车运行过程中换电的需要,还需要考虑充电模式、电网负荷、运行成本以及电动车锂离子电池本身的危险特性。这样的复杂情况,给电动车充换电站的电池储存及管理增加了较大的难度。对于电动车充换电站,在电动汽车电池管理上应该努力达到以下目标。
2.1 确保运行的安全可靠性
电动汽车充电电池瞬时储量过大或电池集中充电电网负荷过大,都会造成充换电站风险过高而引发事故,因此首先要确保充换电站运行的安全可靠。
2.2 合理构建电池安全库存
合理构建电池安全库存,既降低充换电站事故风险和库存成本控制,又能满足车辆运行的要求,是充换电站的理想状态。
2.3 拟定最佳充换电方案
目前充换电站充换电模式比较主观,未充分考虑充电风险、运行成本、电网负荷等因素。综合考虑这些因素拟定最佳充电方案能降低充电时大功率电流对充换电站的风险、削弱集中充电给电网造成的负荷以及减少充电运行成本。
3 充换电模式优化
3.1 现有充换电模式比较
现在电动汽车充换电站主要采用车辆进站即换即充和夜间谷时集中充换电两种模式。所谓即换即充运行模式是车辆电量不足的电池卸下后,立即接驳充电设施开始充电,该运行模式的优点是能充分发挥换电站的最大充电能力,瞬时充电负荷较小,电池储备量较少。然而,由于公交车运行时间大多数为用电峰时,该模式未能充分利用分时电价政策实现错峰用电。另外,由于需充电的车辆具有很大的随机性,可能会导致某个时间段充电负荷较大。夜间集中充换电模式指更换下来的电池集中到夜间用电谷时进行充电,该模式能充分利用分时电价的优惠政策从而降低充换电站充电运行成本,但谷时集中充电会导致多台大功率充电机集中运行,电池储备量会急剧增加,而电动汽车装备的动力电池价格仍然十分昂贵并且电池具有燃爆危险性。因此,有必要对这两种充换电模式进行充分分析,确定最佳充换电方案。
3.2 基于AHP的充换电模式优化
层次分析法(AHP)是一种定性和定量相结合的决策分析方法。笔者运用AHP法对两种模式在运行过程中的经济性与安全性展开评价,主要考虑电池储备量、充电负荷、换电工位数以及充电机的数量这几个关键影响指标建立最佳充电模式层次结构模型,运用两两比较,构造出各层次中的所有判断矩阵后进行层次排序及一致性检验,计算出各级要素的权重,层次结构模型及分析结果,如图1所示。
图1 最佳充换电模式层次结构模型
综合考虑安全性和经济性,即换即充模式的权重为0.793 7,谷时集中充电模式权重为0.206 3,可见前一种模式更具有优越性和通用性。因此,笔者针对即换即充模式展开电池储备量和充电负荷的设计计算。
4 电池安全库存优化设计
4.1 优化原则
(1)充换电站备用电池设计时要考虑最严峻的情况,即选取一天中高峰时间最长的一段及与其相邻的平峰时间段。经过调查,现在普遍城市的早高峰时间更长,所以选取早高峰及上下午平峰作为备用电池需求量最大的时间段是合理的。
(2)备用电池的计算原则是要满足车辆回站后换电时间和排队等待换电时间小于车辆回站允许时间的前提下库存量最小。
4.2 基本设计模型
4.2.1 充换电站参数设计模型中基本原则
(1)充换电站设计时要考虑最严峻的情况,即早高峰和上下午平峰时间段,如图2所示。
图2 公交车营运时间与运行时间关系图
(2)模型中的计算方法是基于换电站为单条线路服务,并且车辆只运行一圈就换电充电。
4.2.2 充换电站设计模型
该优化设计是在现有充换电站和假设公交车调度系统不受充换电站控制作为前提的,充换电站电池安全库存优化时主要考虑的关键参数包括:备用电池组数Nb、配电功率Pp两个关键参数。而这些关键参数又和车辆运行时间Ty、高峰持续时间Th、车辆单次充电运行周期Ta、高峰发车间隔thi、平峰发车间隔tci、换电时间tg、电池集中充电时间Tjc、电池组平均充电功率Pave等参数密切相关。理论上讲,还应该考虑道路拥堵、车辆突发事故等因素情况对于换电站电池库存量的影响,然而由于电动公交车因为自身续航里程等局限性,目前电动公交车基本都是在城郊或新城区等道路状况较好的地段营运,并且车辆突发交通事故具有不可控性及概率较低等特性,因此这些因素的影响对于整个系统优化几乎可以忽略。得出基本的充换电站电池安全库存优化设计参数模型,如图3所示。
图3 电池安全库存优化参数模型
不同条件下充换电站核心参数的数学计算模型为:
(1)站内允许公交车数量计算方法。当Ta>Th,即车辆单次充电运行周期大于高峰持续时间条件下的车辆数,如式(1)所示。
式中:Nc为公交车数量,辆;Th为高峰持续时间,min;Ta为车辆单次充电运行周期,min;tg为换电时间,min;thi为高峰发车间隔,min;tci为平峰发车间隔,min。
当Ta<Th,即车辆单次充电运行周期小于高峰持续时间条件下的车辆数,如式(2)所示。
(2)更换工位数计算方法,如式(3)所示。
式中:Ng为换电工位数量,个。
(3)备用电池计算方法。当Tjc>Th,即集中充电时间大于高峰时间条件下的备用电池,如式(4)所示。
式中:Nb为备用电池组数,组;Tjc为电池集中充电时间,min。
当Tjc<Th即集中充电时间小于高峰时间条件下的备用电池,如式(5)所示。
(4)站内需配置的充电功率计算方法。当Tjc>Th,即集中充电时间大于高峰时间条件下的充电功率,如式(6)所示:
式中:P为站内需配置的充电功率,MW;Pave为电池组平均充电功率,MW。
当Tjc<Th,即集中充电时间小于高峰时间条件下的充电功率,如式(7)所示。
车辆单条线路服务,并且只运行一圈就换电充电时,根据上述数学计算模型电动公交充换电站可以根据运营情况方便简单地计算出公交车数量、备用电池数、换电工位数和充电功率,在保证充换电站经济运营的基础上减少站内不必要的备用电池的储备,对充电负荷较大的时间段加以监控,降低充换电站的安全风险。
以江苏南通某公交车充换电站为例,该站充电柜集中充电满充时间Tjc约为120min,而该地区早高峰持续时间Th约为90 min,车辆单次充电运行周期约为150min,另外该站高峰时段发车间隔thi为7min,平峰时段发车间隔tci为15 min。换电机器人一般能在10 min之内对所需换电车辆进行换电,更换电池时间tg取10min,根据电动汽车用锂离子电池充电功率曲线电池组平均充电功率Pave为50kW,分析可知该充换电站车辆单次充电运行周期大于高峰持续时间,集中充电时间大于高峰时间,根据式(1)、式(3)、式(4)、式(6)计算该站需要配备的公交车数量、备用电池数量、换电工位及充电功率,对比结果如表1所示。
计算结果与充换电站实际运营状况比较接近,证明了该数学模型的正确性和可行性,同时可以发现,该站备用电池数量和充电功率的配置尚有一定可以降低的空间,按照计算结果减少该站电池储备量、降低配电功率,无论从经济性还是安全性而言都是有价值的。
表1 设计参数与实际使用情况对比
5 结语
针对现有电动公交车汽车充换电站充电负荷较高和电池储备量较大的问题,从安全性和经济性两个方面考虑确定了最佳充换电模式,并在此基础上建立了以电池储备量最小化为目标的充换电站安全运行模型。笔者以现有的充换电模式为对象展开优化,以充电储备量最小为设计目标,没有深入考虑运行成本、充电负荷以及车辆运行过程中的一些突发情况对于电池储备的影响,后期会综合考虑充电成本与电池储备量之间的耦合关系,进一步完善电动汽车充换电站安全经济运行模型。
参考文献
[1]张建林.Matlab&Excel定量预测与决策——运作案例精编[M].北京:电子工业出版社,2012.
[2]张维戈,张帝,温家鹏.电动公交更换式充电站的优化设计[J].北京交通大学学报,2012,36(2):100-104.
[3]刘坚.电动汽车充电方式和商业运营模式初探[J].汽车工程师,2011,(1):19-23.
[4]陈良亮,张浩,倪峰.电动汽车能源供给设施建设现状与发展探讨[J].电力系统自动化,2011,35(14):11-17.
[5]卓金武.Matlab在数学建模中的应用[M].北京:北京航空航天大学出版社,2011.
[6]张朝晖.基于层次分析法的医院消防安全评估[J].消防科学与技术,2014,33(8):954-957.
[7]GB/T 29781-2013,电动汽车充电站通用要求[S].
[8]司戈,王青松.锂离子电池火灾危险性及相关研究进展[J].消防科学与技术,2014,33(8):994-996.
[9]贾广华,刘宏星.纯电动公交车自燃火灾事故调查[J].消防科学与技术,2010,29(7):647-649.
[10]GB/T 29772-2013,电动汽车电池更换站通用技术要求[S].
[11]汪书苹,李伟,武明澄,等.基于数值模拟方法的电动汽车充换电站火灾危险分析研究[J].华东电力,2014,42(1):137-142.
电动汽车换电站 篇6
随着环境、能源问题的日益突出, 电动汽车EV (Electric Vehicle) 受到了各国政府的重视, 电动汽车的大规模使用可以大量减少温室气体的排放, 促进能源结构的调整[1,2]。文献[3-4]讨论了大量电动汽车负荷的接入对电网产生的影响, 如大量电动汽车在负荷高峰期间充电, 将加剧电网负荷的峰谷差从而增加调峰的难度, 在配电网中会造成局部过负荷从而加重配电网的负担等, 将对电网的安全、调度和经济运行产生不利影响。所以需要较精确的电动汽车负荷预测作为依据, 进行电动汽车的有序充电控制, 参与电力系统的调峰甚至调频。
根据使用能源和动力驱动系统的不同, 电动汽车可以分为纯电动汽车PEV (Pure Electric Vehicles) 、插电式混合动力汽车PHEV (Plug-in Hybrid Electric Vehicles) 及燃料电池电动汽车。其中, 纯电动汽车完全靠电能驱动;由于受电池容量限制, 尚未大规模普及, 但已成为中国电动汽车产业发展的重点, 且通过科研和试点取得了一定的成绩。目前, 在国内已有一些一定规模的纯电动公交车和出租车的试点。北京在奥运会后逐步增加了电动公交汽车的数量, 采用换电方式, 公交站也作为充换电站。目前的运行已经有了一定的规模, 充电站的负荷也初步体现出了统计特征, 在此背景下, 开展充电站的负荷预测, 为后续电动汽车有序充电管理系统提供有力支撑。
本文研究对象是公交汽车充电站日负荷预测方法。由于试点较少, 国内外对纯电动汽车充电站负荷预测研究的文献不多[5,6]。文献[5]提出了模糊聚类和BP神经网络相结合的方法预测换电站的短期负荷。文献[6]采用蒙特卡洛的方法预测电动汽车充电负荷的时空分布特性。本文为预测充电站的日充电负荷曲线, 借鉴了电力系统日负荷预测的方法。目前, 电力系统日负荷预测方法主要分为2种:基于历史负荷数据的传统经典方法和基于历史负荷数据及其影响因素的机器学习方法。为了在预测模型中能更好地结合各种因素影响, 提高预测精度, 基于人工智能技术的神经网络预测模型和模糊预测模型得到了广泛的应用[7,8,9]。神经网络等机器学习方法是基于最小化经验风险的机器学习方法, 但是在实际应用中, 样本的数量总是有限的, 此时经验风险最小并不意味着期望风险最小, 如神经网络的“过学习”问题, 在某些情况下, 训练误差过小会导致推广能力的下降, 即泛化能力变差。由Vapnik等人提出的基于结构风险最小化原理 (SRM) 的支持向量机SVM (Support Vector Machine) 算法, 以有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中, 以获得最佳的泛化能力。
由于SVM的参数对其性能影响很大, 所以SVM用于预测的研究主要集中于预测模型参数的选择, 目前确定参数的方法主要有2种, 一种是经验或实验法选取[10,11,12], 另一种是使用遗传算法 (GA) [13,14]、粒子群优化 (PSO) 算法[15]、微分进化[16]等优化算法确定。文献[10]的参数分析表明核参数p和正则化参数C对SVM的性能影响较大, 当p和C固定于某一合适值时, SVM性能对不敏感损失参数ε不敏感。本文采用两阶段确定参数的方法:第一阶段对参数ε取定值;第二阶段采用GA对p和C寻优。
本文对北京市某电动公交车站的充电负荷特性进行了分析, 确定了影响电动公交车充电负荷的主要因素, 并根据这些因素, 通过计算灰色关联度选取相似日建立小样本作为SVM模型的输入数据;介绍了SVM模型的回归算法、确定SVM预测模型的3个参数的方法和整个预测流程;使用公交换电站的充电负荷数据对本文的方法进行了验证。
1 纯电动汽车负荷特性分析
电动汽车的类型目前主要分为公交车、出租车、公共事业车、微型车和私人乘用车。电池的更换方式有整车充电和更换电池2种。充放电方式有单向无序充电、单向有序充电和双向有序充放电3种。电动汽车充电负荷的形成是由用户的行为引发, 在充电设施处产生, 因此充电负荷的分布具有时空特性, 必须明确汽车在特定地点、特定时间的充电行为。影响电动汽车充电负荷的主要因素包括:用户的行为特性、电动汽车电池的充放电特性、电动汽车充电方式和电动汽车规模等。作为电动汽车充电负荷的触发侧, 用户的行为特性对于确定电动汽车充电负荷至关重要。用户的行为特性包含电动汽车的类型、行驶里程、接入电网的时间、离开电网的时间、停放的场所等。天气情况、温度、节假日等外在因素也会影响用户的行为特性。
1.1 电动公交车充电站负荷特性分析
本文采集了北京某公交车充电站2012年7、8、9月的充电负荷数据, 公交车规模30辆左右, 目前, 9 k W充电桩有240个, 75 k W应急充电桩4个, 充电方式为单向无序换电充电。
图1是该充电站2012年7月6日、7月7日和7月8日的日充电负荷曲线图。从该日负荷曲线可以看出, 负荷峰值出现在13:00—14:00和17:00—18:00, 所有充电在23:00之前基本完成, 此时开始没有负荷, 一直持续到次日09:00左右。
通过对7、8、9月的充电负荷曲线 (见图2) 的观察, 可以看出它们的变化趋势具有一定的相似性, 表明了选取相似日进行负荷预测的可行性。
图3是2012年7月该充电站充电功率日最大峰谷差直方图。其中, 最大峰谷差为1.065 MW, 最小峰谷差为0.64 MW。峰谷差围绕0.8 MW上下波动, 并且波动幅度较明显。图4是7月6日每5 min的短时波动量曲线。从图4中可以看出, 在有充电负荷期间, 短时波动量较大, 最大值为37 k W, 最小波动量接近为0, 最小波动量和最大波动量之间的差值比较大。充电站充电负荷的短时波动较为明显。
1.2 影响因素分析
电动公交车充电站的充电负荷是由电池充电产生, 影响电池消耗速度的因素有很多, 公交车所用电池型号一致, 所以这里不考虑电池本身的特性。由于公交车行驶线路的固定, 影响电池消耗的速度主要与当时的车速有关, 而车速又与当时的车流量有关。文献[17]中叙述了影响车流量的因素, 如温度、天气情况 (晴、下雨等) 等。结合现有数据, 本文着重分析温度、日类型、天气情况、充电开始时间及充电结束时间对公交充电站充电负荷的影响。
图5是7月1日至9月30日的日最高温度 (归一化值) 和日平均负荷的散点图, 为了证明日最高温度和日平均负荷之间的相关性, 本文采用计算线性相关系数的方法衡量2个随机变量间的相关程度。计算公式如下:
其中, r为相关系数;Xi、Yi分别为第i日的最高温度和日平均负荷;分别为历史日最高温度和日平均负荷的平均值;N为历史日天数。当时, 认为最高温度和日平均负荷有强相关性。
通过计算, 日最高温度和日平均负荷的相关系数为0.800 2, 表明最高温度和日平均负荷之间存在强相关关系。夏天当温度升高时, 充电负荷也增加, 其原因是天气炎热、公交车开空调, 加快了电能的消耗, 最终导致充电负荷的增加。
日类型和天气情况会影响用户的行为特性, 进而影响充电站的充电负荷。由表1可以看出日类型对充电站负荷的影响不显著, 这是由于公交车在工作日和非工作日的调度安排差别不大。但是, 今后若调度安排改变, 对于不同日类型, 公交车的出行规律也不同, 进而影响充电站的充电负荷曲线。为了使本文的模型更具泛用性, 因此本文考虑日类型的影响。由表2可以看出下雨和无雨对充电站充电负荷有一定的影响。雨天的充电站充电负荷小于无雨天。此外, 由图1可以看出充电站充电开始时间、充电结束时间不同, 日负荷曲线白天从零开始上升、夜里下降为零的时刻也不相同, 但是对于预测日, 充电开始时间和充电结束时间无法得知。所以本文考虑的因素有最高温度、日类型和天气情况。
本文以最高温度的归一化值和日类型、天气情况的映射值作为特征量选取相似日。归一化公式如式 (2) 所示, 日类型和天气情况的映射值分别如表3、4所示。
其中, x′为某一天的最高温度;x′max为7、8、9月中最高温度;x为归一化后的值。
1.3 基于灰色关联度的样本筛选
通过选取相似日的方法, 可以提高预测精度, 也可以降低SVM样本训练时间。传统选取相似日的方法是基于人工经验的选取, 常常会引入不良样本, 增大预测误差。目前选取相似日的方法有证据理论[12]、聚类分析[18]、趋势相似度法[19]、灰色关联法[20]等。本文采用计算灰色关联度的方法选取相似日。
采用灰色关联度分析方法选取相似日, 本文计入的因素为最高温度、日类型和天气情况, 使得训练样本和预测日之间在气象特征上具有较高相似性, 可以提高预测精度。计算历史日n天的因素序列Xm= (xm (1) , …, xm (t) ) 与待预测日的因素序列X0= (x0 (1) , …, x0 (t) ) 之间的相关度。其中, m=1, 2, …, n;t是计入因素个数。
首先求取待预测日因素序列与历史日因素序列的差序列矩阵Δ=[Δ10, …, Δm 0, …, Δn 0]′, 其中, 再求取两级最大差和最小差:
最后计算X0对Xm的灰色关联度:
其中, Δm0 (k) =xm (k) -x0 (k) ;ρ为分辨系数, 取0.5。
2 SVM回归模型及参数选择
2.1 SVM回归算法
SVM回归算法目前主要使用的是v-SVM、ε-SVM和LS-SVR等算法。本文采用ε-SVM算法。
对于非线性负荷, 通过非线性映射将每个样本点映射到高维空间, 在高维空间中作线性回归。样本点如下:
其中, xi和yi分别为输入和输出量, 其中xi为包括最高温度归一化值、日类型, 天气情况映射值和相似日负荷值的向量, yi为真实值;l为样本点个数。
则非线性负荷的预测模型为:
其中, f (x) 为模型输出的预测值;w为权向量;b为偏置。
根据Vapnik的最小化结构风险原则, 其结构风险定义为:
其中, 是正则化部分, 反映的是函数f (x) 的泛化能力;C是正则化系数, 决定正则化部分和经验风险之间的平衡;ei=f (xi) -yi, 是经验风险, 由ε不敏感损失函数来度量, 如式 (6) 所示。
因此, ε-SVR的目标函数为:
其中, ξi、ξi*为松弛变量。为求解该问题, 引入拉格朗日乘子和核函数, 根据对偶理论, 把该问题变为:
解得:
其中, nSV为支持向量的个数。由式 (9) 可以看出, 只要知道核函数的形式即可进行预测, 而不需要知道映射函数Ф (x) 和高维空间Rn。由于目前尚无理论指导选取核函数, 常用的核函数有线性函数、多项式函数、径向基函数、多层感知器函数, 因此, 本文使用的是径向基核函数, 如下式所示:
由式 (8) 可知, ε-SVR模型需要选择正则化系数C、参数ε和核参数p。
2.2 参数自适应
以9月1日至9月7日的相似日作为训练样本, 以9月8日为测试样本, 则当p在0.001~1范围内以步长0.05变化、C在0.1~40范围内以步长为2变化、ε在0.001~0.01范围内以步长为0.001变化时, 试验1结果如表5所示。当C和p在上述范围内变化、ε=0.001时, 试验2结果如图6所示。采用均方根误差 (RMSE) 进行评价:
其中, T=1, 2, …, 96为日负荷预测总点数。
试验1的RMSE均处于0.07~0.11之间, 从表5可以看出, 平均RMSE均处于0.082~0.083之间, RMSE变化较稳定。从图6中可以看出, 当ε=0.001、C和p在上述范围内变化时, RMSE都处于0.07~0.11之间, 变化不大, 较稳定。可见参数ε对模型性能的影响不显著。因此, 本文对ε取定值, 由于参数ε在ε-SVR模型中控制着支持向量的稀疏性, ε越大, 支持向量的个数就越少, 当大于某一值时, 就会出现“欠学习”现象, 增大预测误差。本文令ε=0.001。
试验发现选取不合适的C和p, 会对SVR的性能产生较大影响。所以本文使用GA确定参数C和p。GA不依赖于初始种群, 通过复制、交叉和变异作用, 具有较好的全局优化特性。步骤如下:
a.随机产生初始种群, 个体数目取20, 根据实际数据, 分别从 (0.1, 40) 和 (0.001, 1) 范围内随机选取C和p的值;
b.计算适应度, 适应度函数为结构风险倒数, 即
c.选择轮盘赌策略, 适应度高的个体被选中遗传到下一代的概率高, 适应度低的个体可能被淘汰, 然后对下一代的个体进行交叉和变异操作;
d.由新一代的种群返回步骤b, 经过一定数量的迭代后, 就会得到最优的C和p, 即所选的C和p使得结构风险最小。
表6选取了3组训练样本进行收敛性分析 (训练样本的形成见算例验证部分) , 每组数据重复上述4个步骤300次, 记录下每次最终的适应度作统计, 如数据1, 除去一些明显的异值, 剩下的数据的个数占总的数据个数的93%, 其均值为1.939 2, 方差为0.000 72。由表6可知, GA具有较好的收敛性。
2.3 预测流程
预测流程如下:
a.采用五点滑动平均[21]的方法对充电负荷数据进行预处理, 然后再对负荷数据、影响因素数据进行归一化;
b.采用计算灰色关联度的方法选取关联度最大的3天为待预测日的相似日, 相似日的负荷数据和因素数据共同构成训练样本和测试样本, 作为ε-SVR模型的输入;
c.使用GA选取最佳正则化参数C和核参数p;
d.利用ε-SVR模型进行电动汽车充电站的日充电负荷预测。
具体流程图如图7所示。
3 算例验证
对北京市某公交换电站进行96点的日充电负荷预测, 以2012年7月1日至8月31日的充电负荷数据为历史数据, 以9月1日至9月7日为训练样本, 9月8日为测试样本, 再以7月2日至9月1日为历史数据, 9月2日至9月8日为训练样本, 9月9日为测试样本, 依此类推, 将最新的信息放入模型中。采用RMSE进行评价, 所得的预测结果如表7所示。
从表7可以看到, 使用标准SVM得到的预测误差, 最大为17.87%, 最小为7.87%, 平均为12.37%, 采用本文的方法, 得到的预测误差最大为15.61%, 最小为6.95%, 平均为10.85%, 基本满足预测要求。相比于标准SVM得到的预测结果, 本文方法的精度提高了1.52%。
当C在0.1~40之间、p在0.001~1之间、ε在0.001~0.01之间时, 使用GA对以上3个参数寻优时, 得到的预测误差最大为16%, 最小为7.04%, 平均值为10.93%, 由表7可以看出预测结果和本文提出的方法接近。
当C在0.1~40之间、p在0.001~1之间、ε在0.001~0.1之间时, 使用GA对以上3个参数寻优时, 得到的预测误差最大为16.42%, 最小为7.85%, 平均误差为11.99%。由表7可以看出当参数ε选取的寻优范围不合理时, 会降低预测的精度。
表7的最后2列是采用传统的ARMA和一元线性回归方法得到的预测结果。由于充电站充电负荷的波动性较大, 使得ARMA和一元线性回归的预测误差较大。在这23天中, ARMA的RMSE最大为26.12%, 最小为10.04%, 平均值为16%, 波动范围为16.1%;一元线性回归的RMSE最大为20.36%, 最小为6.41%, 平均值为12.27%, 波动范围为13.95%;而本文的改进SVM方法的RMSE最大为15.61%, 最小为6.95%, 平均值为10.85%, 波动范围为8.66%;可见本文的方法具有较好的预测精度和稳定性。
图8为采用本文方法预测的9月8日和9月28日的充电站充电负荷曲线图。9月8日的预测误差最小, RMSE为6.95%;9月28日的预测误差最大, RMSE为15.61%。
4 结论
a.本文结合现有数据, 分析了影响充电站公交车充电负荷的主要因素。对原始数据进行了预处理, 减少了坏数据对预测结果的影响, 并采用灰色关联方法选取相似日, 增加了数据的相关性, 采用基于结构风险最小的SVM方法进行建模, 具有全局最优的优点和更好的泛化性能。通过实例表明了公交车充电站的日负荷预测精度平均可达10.85%, 预测时间在5 min之内, 能基本满足电动汽车充电有序控制的要求。
b.对于SVM模型, 本文采用了两阶段确定模型参数的方法, 与标准的SVM模型相比, 预测精度提高了1.52%;当学习参数ε的选取范围较大时, 改进方法的预测精度与3个参数同时寻优的方法相比, 提高了1.14%。同时与传统的ARMA和一元线性回归方法相比, 采用本文的方法具有较好的预测精度和稳定性。
电动汽车换电站 篇7
在当今社会发展受资源和环境问题[1]的双重制约下,电动汽车因其在节能减排方面无可比拟的优势,以及相关技术的不断成熟,不断促进其规模化应用。电动汽车大规模接入电网,若不对充电负荷加以引导、控制,会使其易集中在原电网负荷峰值时段造成电网“峰峰重叠”,从而危及电网运行的稳定性和经济性。因此,已有大量相关文献对充电策略进行了研究。
充电策略一般分无序充电和有序充电两种: 无序充电是指电池容量低于阈值或最后一次返回后开始充电,是一种随机的即刻充电方式; 有序充电是指合理安排电池充电计划,将充电负荷作为能控负荷对其进行调度,以优化电网运行。
在更换电池模式下,采用电池集中充电模式,有利于有序充电管理,提高了充电负荷的可控性和灵活性,抑制、消除了电动汽车对电网的不良影响,减少了负荷波动和峰谷差。文献[2]针对集中充电统一配送模式,根据分时电价,建立充电费用和抑制日负荷波动二阶段优化模型,并仿真得出该充电控制策略可有效降低充电费用和负荷波动。文献[3]提出了电动汽车换电充裕度的概念,基于电动汽车用户出行需求,建立无序充电模式下的电池冗余度模型,采用蒙特卡洛方法,得到换电站一日内不同时段的换电需求和所需储备电池的数量。文献[4]将电动汽车电池数量规划问题分为近期和远期两个规划阶段,基于日最大换电需求预测曲线,考虑物流配送原则和能力,确定规划电池组数量。但有序充电由于将电池充电负荷从电网高峰转移至低谷时段,高峰时段更换下的电池无法即刻充电,必然增加了电动汽车换电站冗余储备电池的数量。考虑目前电动汽车蓄电池成本昂贵,有必要开展针对电动汽车充电负荷的优化控制,以引导对换电站电池冗余度影响的研究。
本文提出在有序充电控制模式下,电动汽车换电站的电池冗余度模型,将充电总功率作为优化变量,以抑制电网总体负荷波动作为充电优化控制目标函数,建立电动汽车换电需求模型。通过自适应遗传算法和蒙特卡洛方法,结合有序充电和电池冗余度,分析讨论有序充电的作用和弊端。
1有序充电优化控制目标
在无序充电模式下,电网原有负荷和换电站充电负荷易出现“峰峰重叠”的情况,加重了电网负担,并且会带来不必要的系统发电容量和配电变压器建设成本,不利于电网安全稳定运行。为防止这种不利情况的发生,本文以抑制电网负荷波动作为控制策略优化的目标函数。该控制策略以一日作为一个控制周期,以每小时作为一个时间段,即将一日分为24个时段进行有序充电优化控制。以平抑负荷波动为目标函数,即
式中: PLt为原电网负荷在时段t的负荷,即不含电动汽车充电负荷的调整前的原电网负荷; Pit为第i座充电桩在时段t的充电负荷; n为充换电站充电桩的数量,因此即为换电站在时段t的充电负荷总和; Pav为充电负荷调整后的日平均负荷,且有
2换电冗余度
在换电模式下,由于电池充电的时间较长,电池换下后无法即刻充满电投入下一轮运营中,因此电池总数必然大于电动汽车数量,即电池具有一定的冗余度才能满足换电要求。主要的影响因素是时段t换电所需电池组数量以及换电站所能提供的满电电池数量。用数学公式表示如下:
式中: Nleft. t - 1为换电站满足电动汽车在时段t - 1的换电需求后,所剩余的储备蓄电池数量; Nt为换电站在时段t - 1尚未充满电,在时段t - 1到时段t电量达到满负荷的电池数目; Rt为在时段t电动汽车所需要更换的电池数量即时段t的换电需求。
Nleft. t - 1主要取决于时段t - 1的充满电的电池数量和换电需求,以及时段t - 2的剩余满电电池数,其计算公式为:
3电动汽车充换电需求
目前国内研究电动汽车 充换电需 求多采用2009年美国家庭出行调查( NHTS) 统计数据。家用乘用车的日行驶里程直观反映了电动汽车的日消耗电能。本文采用文献[5]的方法,归一化处理单台汽车日行驶里程统计数据,并采用极大似然估计方法,将日行驶里程统计分布近似为对数正态分布。 可得单台汽车日行驶里程概率密度函数如下所示:
式中: s为电动汽车日行驶里程; μD = 0. 98; σD =1. 14。
文献[6]给出了普通家用汽车各时段行驶距离所占每日总里程比例的统计结果。由于直接拟合该数据会带来较大误差,并且本文所关心的是时间段电池冗余度,因此,采用离散化变量来表示汽车各时段行驶距离所占日行驶距离的百分数fs( t) ,如图1所示。
离散化处理后,某辆电动汽车j在时段t的行驶距离为:
式中: Sj0为日行驶总里程。
对于第j辆电动汽 车,其时段t的电量为CSoc. j( t),决定于时段t - 1的剩余电量及时段t所消耗的电量,即
式中: C为电动汽车蓄电池额定满电量; Soc. j( t)为时段t的电池剩余百分率; CSoc. j( t)为第j辆电动汽车电池在时段t的电量; W100为电动汽车百公里耗电量。
为保护电池寿命,当电池剩余电量为k C( k为介于0到1之间的确定数,由电动汽车电池制造水平确定) 时,车主会选择更换电池。更换电池约束为:
更换下来的电池在充电桩有空余的情况下,立即在换电站内采用常规充电方式充电。
4换电站充电约束条件
换电站充电约束主要包括单台充电桩充电功率约束、换电站充电功率上下限约束,以及电池充电功率与充电电量约束,即
式中: Pt为换电站在时段t的充电功率; Pit为第i座充电桩在时段t进行充电的功率,取决于电池型号、电量及充电设备功率; Pitmax为第i座充电桩的设计最大充电功率; Ptmax为换电站在时段t的最大充电功率,取决于充电桩的总数及其功率,以及时段t换电站所在电网能承受的最大负荷; Ptmin为换电站在时段t的最小充电功率。本文没有考虑电动汽车在电网高 峰时段向 电网倒送 电 ( vehicle-to-grid, V2G) 的情况,因此单座充电桩最小充电功率设定为0,即充电桩不会向电网倒送电,处于闲置状态。
充电时电池充电功率与充电电量约束主要包括:
式中: ΔQit为第i座充电桩的电池在充电时段t内的充电量,这里 Δt取1 h。
5求解方法
5.1自适应遗传算法
本文采用自适应遗传算法优化控制换电站充电负荷功率,并通过蒙特卡洛方法来模拟电动汽车充电需求,以研究有序充电模式下的换电站电池冗余度问题。
自适应遗传算法弥补了传统遗传算法局部搜索能力不足、易早熟的缺陷。本文采用文献[7-9]提出的动态调整交叉和变异概率的方法,改进交叉和变异算子。依据个体基因优良程度和遗传状态给予相应的交叉和变异概率。如果个体适应度较差,则给予其较大的交叉概率和较小的变异概率,个体适应度较好则相反。随着进化代数的增加,减少交叉概率、增大变异概率。
交叉算子关系到算法的全局搜索能力。为确保在进化初期的大范围、全局性搜索,避免早熟,要求在进化初期给予交叉算子较大的概率,在进化末期给予较小的概率。修正如下:
式中: pc为交差概率; pc_max为最大交叉概率; pc_min为最小交叉概率; ge为进化代数; ge_max为所设定的最大进化代数; favg为种群平均适应度值; f'为交叉的父辈个体中适应度较大的个体适应度。
变异算子关系到算法的局部搜索能力。为在进化末期增强算法的局部搜索能力,要求变异算子在进化初期给予较小概率,进化末期给予较大的概率, 因此改动如下:
式中: pm为变异概率; p m_max为最大变异概率; p m_min为最小变异概率; f为将要变异的个体适应度值。
5.2求解流程
求解流程如图2所示。
6算例分析
6.1算例数据
本算例以某地负荷曲线为例[10],调整前时段1 ~ 24的功率分别为289. 7,270. 8,262. 2,253. 2, 242. 1,234. 6,232. 6,264. 1,323. 6,354,373. 2,359. 9,340. 6,368. 1,366. 2,359. 4,348. 6,320. 2,316. 1, 318. 7,312. 6,306. 1,292. 3,305. 3 MW。以1 h作为时间间隔,每日24 h充电功率作为基因编码,研究换电站优化控制充电对电网及换电站电池冗余度的影响,并验证上 文模型。电动汽车 样本数量 为10 000辆,电动汽车 百公里耗 电量W100为15 k W·h,电池容量C取30 k W·h[11]。本文首先对比充电集装群的充电桩规模在800台时,即对总计含有800台充电桩的换电站或单体充电桩群,在不同充电规模下,有序充电对电网的冲击及其对电池冗余度的影响。
6.2有序充电和无序充电对比
在保障换电需求的情况下,充电策略不影响电动汽车换电需求。图3所示为两种充电模式的换电需求曲线,约在时段9和18达到高峰。考虑蒙特卡洛方法的随机性,两种模式下换电需求曲线有较小的波动。经过自适应遗传算法的迭代,可以得到有序充电模式下一日内换电站的充电负荷。
表1是对充电规模分别为700,800,900台时, 分别采用无序和有序充电时电网最大负荷、峰谷差、 负荷波动情况和电池冗余度的模拟结果。
图4所示为优化前后的充电负荷对比。在缺乏充电管理情况下,充电负荷略延后于换电需求,在时段11左右达到充电高峰,并与电网负荷高峰重叠, 增大了电网最大负荷。在有序充电模式下,由图4可见,目标函数可以准确找到电网负荷低谷进行充电[12,13,14]。换电站将充电高峰转移至电网低谷时段 ( 夜晚或凌晨) ,而在电网高峰时段减小充电功率或停止充电,以改善电网负荷水平。充电优化控制策略的削峰填谷作用显著,验证了本文优化控制策略和算法的有效性。
图5所示为各时段的换电冗余电池数量,可见在改善电网负荷情况的同时,有序充电也带来了冗余备用电池数的上升。储备电池数量在时段19左右达到高峰,是因为换电站经历了从时段17左右开始的持续的换电高峰,消耗了满电量储备电池。有序充电模式下各时段储备电池数量波动与无序充电模式下一致。但在换电高峰期间,同时也是电网高峰期,有序充电模式下更换下来的电池根据充电计划将延后充电。延后充电所造成的充电功率和容量的损失,由电网低谷时增加的充电功率和容量所弥补,因此相比换下即充的无序充电,需要储存更多的冗余电池。
对比无序充电模式,有序充电模式可减小最大负荷19. 13 MW,减少峰谷差42. 52 MW,负荷波动下降44. 07% ,验证了本文有序充电控制策略的有效性,但同时也提升了电池冗余度11. 59% 。
6.3充电规模对有序充电的影响
图6所示为不同充电规模下的负荷对比。充电集装群规模在700台时,为满足换电需求,充换电站几乎没有充电余量来实行优化控制充电,因此无法实现填谷的作用。随着充电桩规模的增加,充换电站可利用的充电余量越大,谷时充电功率越大,峰时充电功率越小,这也就意味着随着充电规模的增加, 高峰时段充电负荷和电网总负荷越小。充电集装群规模为900台时,相比于700台,可减小最大负荷17. 30 MW,减小峰谷差24. 8 MW,负荷波动下降约36. 32% 。
但由图7可见,随着充电规模的增大,充换电站电池冗余度也随之增大。这是因为在有序充电模式下,充电规模越大,可利用的充电电量裕度越大,因此负荷更集中在电网的谷时充电,在换电高峰期间, 同时也是电网高峰期,更换下来的电池根据充电计划将延后充电。延后充电所造成的充电功率和容量的损失,由电网低谷时增加的充电功率和容量所弥补,因此充电集装群规模为900台时,相比于700台时提升了电池冗余度约9. 72% 。
因此,针对某区域电网内换电站进行有序充电调度时,对负荷曲线的改善情况和电池冗余度提升情况应有一个最佳的匹配值,这是换电站定容和选址需要考虑的因素。目前电动汽车尚未规模化,充电设备和电池成本也未商业化、市场化,因此,本文仅从技术和效果的角度对换电站电池冗余度和充电规模进行了分析,未从经济成本的角度进行计算。 当电动汽车电池和充电设备成本趋于稳定后,可综合考虑增大充电规模时相应增加的设备购置费用、 有序充电控制策略改善的电网负荷情况的收益,以及电池冗余度增加的电池购置费用,以期得到最优的换电站经济性运营。
7结语
本文根据电动汽车换电站的特点,针对一日中24个时段,将换电站作为整体负荷考虑,以抑制电网总体负荷波动作为目标函数,建立了电动汽车有序充电策略模型,并采用自适应遗传算法求解。以某地区的电网负荷曲线为例,分析了有序充电对电网负荷的改善情况和对换电站电池冗余度的影响。 结果表明,优化策略能够有效抑制负荷波动,减小系统峰谷差,起到了削峰填谷的作用,但同时也提升了换电站的电池冗余度,导致电池购置费用的增加。
电动汽车换电站 篇8
近年来我国经济的发展迅速,人民生活水平日益提高,随之而来的是我国对石油等能源需求的快速增长及严重的环境问题。而电动汽车一方面可以吸收新能源减少我国对石油等能源的依赖,另一方面可以缓解传统汽车尾气排放造成的环境污染。因此电动汽车的发展受到了国家的高度重视,得到了国家的政策大力支持和财政倾斜[1]。
随着电动汽车数量的不断增长,大规模电动汽车随机无序接入电网充放电将对电网的运行产生一定影响。如果任由电动汽车用户无序充电,不仅有可能会对电网运行经济性产生影响,而且还会严重恶化电能质量、产生接入节点电压偏移,影响电网的安全性和稳定性。反之,如果能使电动汽车用户有序充电,不仅不会对电网造成负担而且还能实现削峰填谷、降低购电成本、降低网损等优化目标[2]。
由于电动汽车用户充电行为在时间和空间上都具有不确定性,因此电动汽车和作为电网负荷具有较大的随机性[3]。考虑到充电站作为电动汽车集中接入电网的载体,可以采取分层分区的调度方法,上层为区域调度中心下发对充电站的调度计划,下层通过充电站站内充电控制策略实现电动汽车的有序充电。
因此,建立具有充电站负荷需求预测功能、多调度目标(削峰填谷、购电成本最低)下的网际控制功能与站内有序充电控制功能的充电站多级协调控制系统,具有十分重要的现实和理论意义。
1 系统结构设计
区域充电站协调控制系统作为调度员辅助决策的工具,可实现区域内充电站负荷需求及备用电量的预测,按照平抑负荷曲线、购电成本最低两种目标针对电动汽车充换电服务网络在结构上分层、地理上分区的特点,对不同等级的充电站采取不同的调控措施,给出区域内多时空尺度下各充电站的调度计划,实现区域范围内充电站的协调调度。系统结构上分为基础数据层、业务逻辑层和展示应用层,如图1所示,层与层相互联系,密不可分。
输入数据层为业务逻辑层的算法提供必要的数据支持,包括历史充电数据算法分析库、参数修正专家库、充电设施设备库、电动汽车数据、电池数据、实时数据接口以及调度指令接口。历史充电数据算法分析库为业务逻辑层提供历史充电数据,为负荷预测学习、负荷预测、区域级调度以及站级协调控制的数据分析、参数修正和数据仿真提供海量数据支持;参数修正专家库主要包括曾经应用的参数修正策略、修正方案以及修正后结果,为模型参数修正提供方案和策略的支持;充电设施设备库、电动汽车数据和电池数据为系统对充电站的调度策略提供设备参数和历史运行数据支持;实时接口用于获取当前充电设施、车辆运行状态以及电池实时状态数据;调度指令接口用于接收更高级别调度系统下发的调度指令。
业务逻辑层产生区域内充放电站的预测结果和调度方案,是系统的核心部分。业务逻辑层包括预测学习模块、负荷预测模块、模型参数修正模块、区域级调度模块、站级协调控制模块以及仿真评估模块。预测学习模块利用历史充电数据算法分析库进行自主学习,通过学习不断调整负荷预测的模块和参数;负荷预测模块则结合历史充电数据算法分析库、充电设施设备库、电动汽车数据、电池数据以及实时数据进行长期、中期和短期的负荷预测,负荷预测数据包括站级、区域级预测数据;模型参数修正模块则不断根据负荷预测数据和实时数据对负荷预测模型以及模型中的参数进行修正,以确保负荷预测的数据贴近真实数据;区域级调度模块和站级协调控制模块分别完成不同层次的调度和控制,区域级调度模块将上级调度指令进行分解,结合各区域的负荷预测数据,形成各区域的调度计划,站级协调控制模块则是根据站内负荷预测数据以及充电需求形成站内的协调控制策略;仿真评估模块通过模拟不同的参数和条件对预测和调度结果进行仿真,并从削峰填谷和经济运行的角度来对协调控制策略进行评估。
展示应用层在接收到业务逻辑层传来的数据之后,可将预测结果、调度方案以及仿真评估结果以简洁明了图表、曲线、表格等多种形式展示给用户,主要包括负荷预测结果、模型参数修正方案、调度策略方案、站内有序充电控制方案以及协调控制评估结果。
2 负荷预测模块
2.1 负荷预测模型
充电站的负荷需求预测不仅能直观的反应出充电站未来的短期负荷需求,而且为调度策略提供必要的数据支持。充电站的日负荷需求与电动汽车数量及类型、充电站分布地理位置、电动汽车用户出行规律等许多因素有关,对充电站的日负荷需求模型直接建模不仅复杂,而且容易偏离实际。然而,充电站日负荷需求历史数据构成的时间序列具有较强的规律性,充电站的负荷需求在短期(数天)内具有较强的自相关性。引起充电站负荷时间序列非平稳性的原因有突发的路况(临时道路封停等)、意外的运营情况(充电站暂时停止提供服务)等。而将意外造成的负荷波动排除后,剩下的负荷时间序列是平稳的[4]。对于主平稳的序列可以使用AR(Auto-Regressive Model)模型或者ARMA(AutoRegressive and Moving Average Model)模型进行预报。
根据临沂市某充换电站的日负荷需求进行了预测,并与真实数据进行了对比。预测图如图2所示。本系统使用的预测方法,可以满足充电站日负荷预测需求,在精度允许范围内,计算效率较高,符合工程实际需要。
2.2 模型参数修正
在充电站负荷需求预测ARMA模型的阶数和参数的确定以后,选择使用EBL(Explanation-basedlearning)的机器学习方法来对ARMA模型的参数进行修正。机器学习是通过对人类学习机理的模仿,建立一种类似人类学习过程的计算模型或者认知模型。EBL作为机器学习的一种,将整个学习过程分为两步,首先提供给系统一个实例,由系统知识库寻找与实例相关的规则,寻找并记录实例相关的规则与实例之间的因果关系解释。然后,由系统对因果关系解释进行概括,保留主要影响因素,略去次要影响因素,并将主要因素进行合适的组合,最终形成判断规则或控制方法[5]。
将EBL概念具体应用到预测模型的参数修正中,给出的系统示例及流程图如图3所示。
3 协调控制策略
电动汽车的迅猛发展给电力系统的运行带来了不可忽视的影响。现有的电动汽车有序接入优化策略研究大多是基于调度中心对电动汽车的直接调度(V2G),考虑到这种从上至底的调度模式对调度中心的数据处理能力和通讯能力有很高的要求,因此系统在得到了负荷预测的数据之后,采取了分层分区的调度模式,将一天分为96个时段,系统内决策模型有两个,一个以削峰填谷为目标,来减少电网负荷峰谷差,从而减轻电网调峰压力。另一个以购电成本最低为目标,实现充电站盈利最大。两种调度模型均可得到对充电站的调度指令。下发对各区域充电站每个时间段的调度指令,接着对单个充电站进行站内充电优化,最终得到充电站多时段的充电计划。由于下发到充电站的调度指令问题建模后是一个涉及等式和不等式约束的二次规划问题,因此采用了Lemke算法对模型进行了求解。
Lemke算法的基本思路是,由一个准互补基本可行解触发,通过转轴方法(即主元消去)求出一个新的互补基本可行解。通过迭代,找到问题的解。Lemke算法的流程如图4所示。
在得到了各时段下发到充电站的调度指令之后,下一步需要对充电站站内进行有序充电。由于该调度系统主要面向锂电池电动汽车,认为充电站内每种类型的充电桩充电在单位时段内保持恒功率,即充电站在一个充电时段的充电功率为离散值,因此充电站的充电计划与调度中心下发的调度命令会有一定的偏离。一方面要使充电站内的充电计划贴近调度中心下发的调度命令,另一方面考虑到充电站充换电池的操作时间及工作人员的人工成本,希望充电站内充电桩的变动数量较小。因此针对充电站站内的有序充电,以小幅度偏离调度命令下的以相邻时段充电桩变动数量之和最小为目标。建立多目标的调度模型。在第一层目标允许变动范围内,尽量使得充电桩变动数量最小,节省成本和人工时间。
4 系统实现
区域电网充换电站协调控制系统在临沂市进行了部署与测试,结合临沂市充换电站的区域分布,采用分级部署的方式,在集控中心和各充换电站都进行了部署,由集控中心主系统通过与电网调度系统的接口获取调度信息,将调度计划分解后下发给各充换电站,然后由各充换电站的站级系统进行电动汽车的充电安排。这种分层调控的示意图如图5所示。
区域内充换电站协调控制系统运行稳定可靠,每天可完成单日充换电站的负荷预测及负荷需求预测,预测精度满足调度要求,并能实现削峰填谷、经济运行不同策略下的对充换电站的调度指令,完成充换电站站内的有序充电。系统运行如图6所示。
系统提供以削峰填谷和经济运行为目标的协调控制,针对以上两种目标,对系统进行模拟验证。
削峰填谷效果模拟运行结果如图7所示,负荷曲线1为原负荷曲线,负荷曲线2为电动公交有序接入后的负荷曲线,负荷曲线3为电动公交无序接入后的负荷曲线。从图中可以看出,电动汽车的接入在凌晨负荷低谷时段均提高了负荷需求,但是电动公交无序接入,在夜高峰期间也安排了充电,则会增大电网的峰谷差,峰谷差扩大到99.88MW。与此相对,有序充电则将充电安排避开了晚高峰,达到了减少峰谷差的目的,将电网峰谷差降到了77.92MW。
经济运行效果模拟运行结果如图8所示,支出曲线1为有序充电条件下得到买电支出曲线,支出费用曲线2为无序充电得到买电支出费用曲线。通过对比可以看出,有序充电情况下夜晚时段充电站支出费用从46760元降到26891元。
5 结束语
本文从系统结构、负荷预测、协调控制策略等方面对区域充电站协调调度系统进行了详细阐述。该系统从实际出发,根据电动汽车充放电服务网络在结构上分层、在地理上分区的特点,应用分层分区的电动汽车调度方法,建立了建立电动汽车充电站协调控制策略,实现不同调度需求(削峰填谷、购电经济化)下对充放电站(含离散充电桩)的调度控制,并取得了良好的应用效果。
摘要：为了解决电动汽车充换电站规模应用后对区域电网负荷产生的影响,通过负荷预测方法、基于EBL的参数修正技术以及分层分区调度算法设计实现了区域电网充换电站协调控制系统,通过在充换电站的实际运行表明,协调控制系统可以有效地调整电动汽车充电时间以及充电功率,实现了以削峰填谷,降低购电成本的目标。
关键词：充电站,负荷预测,分层调度
参考文献
[1]林燕.我国电动汽车发展形势展望[J].电子与封装,2011,11(1):45-47.
[2]徐立中,杨光亚,许昭,等.电动汽车充电负荷对丹麦配电系统的影响[J].电力系统自动化,2011,35(14):18-23.
[3]赵俊华,文福拴,杨爱民,等.电动汽车对电力系统的影响及其调度与控制问题[J].电力系统自动化,2011,35(14):2-10.
[4]侯凯元,穆钢,杨右虹,等.地区电网短期负荷预测系统的研究[J].电力系统及其自动化学报,2001,13(5):36-38.