充电调度（精选3篇）
充电调度 篇1
0引言
当前,汽油、柴油等不 可再生能 源日趋枯 竭、价格不断 上扬,化石燃料仍然是当今世界的主要能源,并且石油、天 然气、煤炭等不可再生能源的消费在全球范围内依然保持持续增长的趋势。过度燃烧化石能源同时带来了日趋严重的环 境污染和气候问题。
随着经济的不断发展,私家车的需求日益增长给环境带来了很多的负面影响。机动车燃油排放的尾气已成为城市空 气污染源的主要组成部分之一。据我国有关部门统计数据,我国的汽车石油消耗占总消耗的比例已超过1/3。如北京的主要大气污染物中,机动车尾气的排放带来的可吸入颗粒物占城市总量的23.3%,而其产生的氮氧化物、一氧化碳等污染物甚至超过城市总量的50%。
如此严峻的能源危机、环境问题以及人们对汽车越来越高的依赖程度使各国政府开始广泛关注电动汽车发展问题。电动汽车是由电机驱动的机动车,包括电池电动汽车、混合动力汽车以及燃料电池电动汽车等,其具有高效、节能、低噪 音、零排放等显著优点,电动汽车的大力推广将会在很大程度上改善能源环境问题。
电动汽车的普及虽然在一定程度上改善了环境问题,但是大量电动汽车接入电网充电却给电力系统带来了巨大的负担,对电网的安全稳定运行造成了不可预估的影响,其充电经济性也成为亟待解决的问题。鉴于此,本文重点介绍了电动汽车充电负荷的性质,分析了其对电力系统的影响,并总结了有关 电动汽车充电优化控制问题,最后提出了目前有关电动汽车入网研究中存在的问题。
1电动汽车入网研究概述
1.1电动汽车分类及其特性
电动汽车是指以车载电源为动力,用电机驱 动车轮行 驶,符合道路交通、安全法规各项要求的车辆。它一般以高效率充电电池或燃料电池为 动力源,来代替汽 油 (或柴油)等石油产品。电动汽车可分为蓄电池电动汽车、燃料电动汽车和混合电动汽车3类。
(1)蓄电池电动汽车。即纯电动汽车,仅采用蓄电池作为动力源,使用时不会产生任何大气污染物,且技术相对简单 成熟。但是,现有的电池生产技术还不够成熟,想要大规 模生产纯电动汽车还需一定的时间,要使电动汽车具有竞争力,就要开发出比能量高、比功率大、使用寿命长的高效 电池。由于受到电池技术的制约,其续驶里程受到限制。
(2)燃料电动汽车。燃料电动汽车通过电动机进行驱动,车载的氢气和氧气 在燃料电 池中发生 化学反应 以供应能 量。燃料电动汽车的优点较为显著:有较长的续驶里程;能量转换效率较高;不会产生环境污染问题。但燃料电动汽车也存在不少缺点:电池发动机的耐久性差、寿命短、制造成本 高,对工作环境适应性差;且燃料电动汽车本身的使用成本过高,不利于在用户中推广。
(3)混合电动汽车。混合动力汽车技术成熟,价格便宜,维护方便,符合低排放的环保要求,具有较长的续驶里程,并且现有的加油站和电网充电设施均可以对混合动力电动汽车进行加油,因此不需要投入大量资金建设基础设施。但是作为传统汽车和电动汽车之 间的过渡 类型,当电动汽 车的技术 发展成熟,可以控制成本以后,混合电动汽车最终会被完全取代。
为了建立电动汽车充电负荷模型,势必要了解电动汽车的充电模式。充电模式要满足电动汽车动力电池的充电特性,以延长动力电池的使用寿命,且要有不同的充电方案来满足不同用户的充电要求。当前主要有常规充电、快速充电和电池组快速更换系统3种模式。
1.2电动汽车接入电网研究现状
大规模电动汽车并网后,其充电行为的聚合效应将对电力系统产生重要影响。针对电动汽车并网的研究,可以归纳为以下3个方面:电动汽车充电负荷建模仿真、电动汽车并网 对电力系统的影响分析、电动汽车充电优化调度。
电动汽车充电负荷与传统负荷存在很大的差异,前者在时间和空间上都具有很大的不确定性。现有的充电负荷确 定方法主要分为3种:基于出行需求的确定分析法、蒙特卡洛 模拟法和充电站充电负荷的概率分 析法[1]。基于出行 需求的确 定分析法是利用对于传统汽车用户的出行行为进行调查,并统计数据,得到用户出行规律的参数。蒙特卡洛模拟是利用参数拟合得到用户出行规律的参数,如今国内外有很多研究文献将这两种方法相结合,调查得到传统汽车用户的相关出行特 征,分析电动汽车群的充电功率的时序分布情况,利用参数拟合出每一辆电动汽车的起始充电时间、行驶里程等因素的概率密度函数,得到电动汽车群的充电负荷模拟结果。充电站充电负荷的概率分析法是基于抵达充电站的电动汽车数量、抵达时间和充电需求这3类因素,对充电负荷进行概率性分析研究。在这种方法中广泛利用泊松过程、排队论等方法,根据充电站的 充电桩数量、电动汽车的充电时间与到达时间建立电动汽车充电负荷在时间与空间上分布的模型。
电动汽车接入对电网的影响涉及电源、输电和配电等多个方面。对于电源侧的影响主要体现在负荷的增长,如果对用户行为不加以引导,可能会导致大部分用户在电网负荷高峰期将电动汽车接入电网充电,造成电网负荷的峰谷差增大,高峰期负荷的增长,需要增加发电侧电机出力,即加重了电力系 统的负担[2]。电动汽车接入对输电网的影响是相对较小的,随着大量电动汽车接入电网,其充电负荷的时空不确定性主要对输电网安全、经济运行和规划等方面产生影响[3]。电动汽车接入对电力系统产生的影响主要体现在配电网层面,包括对电能质量和配网经济性运行的影响[4]。对配电网 电能质量 的影响主 要包括电压下降、谐波污染和三相不平衡3个方面;对于配网 经济性运行的影响主要包括两方面:网络损耗和变压器寿命。
对于电动汽车的充电优化控制问题,国内外在优化电网运行和降低用户成本等方面做了许多研究。有文献以降低配 网网络损耗为目标,建立电动汽车充电优化模型,并通过多种 数学模型以达到优化效果,但是却容易 忽略电压 约束问题[5];为了减小峰谷差同时平滑负荷分布,如今的研究采用优化电动汽车充电时间或制定合适的峰谷电价引导用户选择适当的充电时间等方法,但是应进一步对电动汽车充电行为所产生的经济效益进行分析;有文献考虑预测电价以及电价与电动汽车充电电量之间的关系,以实现用户经济效益最优,却又忽略了大 规模电动汽车充电行为聚合效应对电网削峰填谷的影响[6];有部分文献同时考虑了电动汽车充电行为的经济效益和削峰填谷作用,然而电价与电动汽车的充电量之间的关系是否符合零售端市场中电价与用 户电量的 关系,还需结合 电动汽车 使用规律、电池自身特性等方面进行进一步研究[7]。
可再生能源的并网也是现阶段的研究热点之一,然而由于气象条件等多种因素的影响,可再生能源发电的输出功率具有不连续性和不确定性,会对电网产生周期性的冲击;而电动汽车可调控性相对灵活,合理调控电动汽车充电行为以消纳可再生能源波动的影响是切实可行的方法。风电、光伏等新能源出力昼夜变化具有一定的规律,根据此规律优化电动汽车充电行为可以在一定程度上平抑风电出力波动。因此,考虑电动汽车与风电机组出力的不确定性,建立计及电动汽车充电负荷以及风电出力动态概率模型,提出一种随机经济调度模型以改善风电与电动汽车接入后电网的安全稳定问题是如今研究的热点。但是,这类研究对于 电动汽车 用户的充 电时间假 设过于理 想化,且对于用户的充电要求和充电利益考虑较少[8]。
就目前而言,国内外对于电动汽车的充电优化控制问题的研究取得了较多的成果,但是如何将区域电网层面的电动汽车有序充电策略分解至每辆电动汽车上的研究涉及较少。大部分研究在提出的电动汽车有序充电模型中,虽然考虑了每位用户的充电需求或者电池充放电次数约束,然而每辆电动汽车的充电策略却没有具体给出;有研究提出了一系列原则以实现电动汽车充电负荷的自动分配,却造成了电动汽车频繁充放 电,影响电池寿命[9];如今有研究提出了电动汽车充放电双层优化模型,将电动汽车集中充放电优化控制策略作为上层模型,下层模型中,结合用户意愿和电池储能特性,制定各电动汽车 的充放电方案,但是对于电动汽车出行规律的影响,以及电池 充放电次数约束等因素却没有考虑[10]。
2目前研究存在的问题
目前针对电动汽车的有序充电、个体充电调度以及利用电动汽车充 电行为消 纳间歇性 能源出力 波动性方 面存在以 下问题:
对于电动汽车充电行为的经济效益和对电网 负荷产生 的影响,有不少文献选择侧重于其中一点进行研究:考虑电动 汽车充电负荷的削峰填谷作用或者利用电价引导电动汽车用户调整充电时间,但是这样的研究不够全面,容易忽略另外 一方面的影响。
有文献综合考虑电动汽车充电负荷的削峰填 谷作用以 及其引发的经济效益,然而文献中考虑的零售端市场中电价与用户电量的关系是否符合实际市场关系还有待商榷,电动汽车使用规律、电池自身特性等方面还需要进一步研究。
目前,国内外的文献针对 电动汽车 整体有序 充电进行 了大量的研究,也取得了很多研究成果,但是大规模电动汽车的有序充电策略是需要通过每一个电动汽车个体的充电行为聚合后形成,整体充电策略可以给出每个时段的总的充电功率,但是在每个时段中,应该将这 些充电功 率具体分 配给哪些 车辆,才可以满足不同用户 的具体需 求是如今 研究涉及 较少的问题。
电动汽车充电与可再生能源协同调度问题同样取 得了很多的研究成果,但是大部 分文献在 建立电动 汽车与分 布式能源协同充电调度模 型时,对影响电 动汽车充 电负荷因 素的考虑比较理想化,对电动汽 车用户的 充电要求 和充电利 益考虑较少。
3结语
大规模电动汽车并网后,其充放电行为的聚合效应将对电力系统产生重要影响。欲实现电动汽车的大规模推广,必须有效改善电动汽车充电对电网的负面影响,因此有必要掌握电动汽车使用规律,实现对电动汽车群集中充电负荷进行控制。并且就目前而言,如何将制定出的区域电网层面的电动汽车充电策略分解至每辆电动汽车上的研究涉及较少。而将群体 策略向下分配至每个个体才能最终实现电动汽车有序充电的调控,所以,如何进行负荷分配是今后电动汽车研究工作中必须深入解决的问题。
充电调度 篇2
当今社会对煤、石油、天然气等传统化石能源拥有巨大的需求, 但是越来越严重的环境问题和能源紧缺, 迫使公众亟待寻找一种可以节省能源并且环保可靠地交通工具, 而电动汽车的出现解决了这一问题。但是大规模电动汽车在同一时间段集中充电将带来新一轮的负荷增长, 尤其是电动汽车在高峰期充电将进一步加剧电网负荷峰谷差, 将会对配电网的运行造成严重影响, 包括电压跌落、线路或变压器负荷超载、加大损耗风险。另外, 电动汽车对电网造成的叠加负荷也同时表现出随机性和分散性, 使得调控电网变得更加复杂。因此, 为了保证电网运行的稳定性, 降低能源浪费以及达到效益最优化, 对于电动汽车的充电行为模式进行优化是有必要的。
确定最优充电模式的唯一途径是综合考虑充电设备 (包括充电站和充电桩) 和充电汽车两方面的数据信息, 并且对所有数据进行统一分析和处理。近年来, 根据侧重点的不同, 不同的研究机构和人员研究、比较了多种不同的充电模型。从研究层面上来划分的话, 可以分为以下几个方面:1) 单一电动汽车充电控制;2) 同一充电站多充电目标集中充电处理;3) 区域内多个站的电动汽车协调充电控制。文献针对有序充电的策略方法, 归纳为基于最优经济运行的充电模型、最优市场机制和商业运营模式、时空有序性3类方法;文献提出一种基于电网负荷的有序充电控制模型, 进行实时有序控制, 提高了电网的安全性;文献在考虑电动汽车的充电功率、充电时间以及变压器可用容量等约束条件的前提下, 提出基于多智能体协同控制的电动汽车充电优化策略;文献将电动汽车看成一个小型“集聚体”, 以有功网损最小为目标函数, 计及节点电压、线路潮流、配变容量、集中式充电功率的动态爬升约束以及充电能量平衡约束, 提出基于配电网安全运行的充电优化问题模型;文献提出了一种基于分布式控制的电动汽车有序充电控制模型, 并给出了分布式有序充电控制的优化计算方法;文献通过网格选取法, 考虑到配电变压器的供电容量, 从时间和功率两个维度来控制电动汽车的充电行为。但目前还未存在一种综合考虑电网和用户多种因素及优先级的充电方案, 更无有效的算法实现此类充电方案。
为了得到多种优化方案, 需要统一电网、充电设备和电动汽车三方面的数据信息, 并进行有效的分析处理。伴随着电动汽车保有量的提升, 为了满足充电需求, 充电站和充电桩必将会在电网内增加负荷接入点, 这样一来会造成各种异构化数据激增。云计算平台能够高效地采用集群化并行处理技术来解决海量数据的分析处理。实现区域电网内电动汽车优化充电需要综合考虑电网侧、用户侧多方面因素, 结合多种经典优化算法, 利用多维信息融合处理技术, 本文提出了一种基于多级反馈队列的电动汽车优化充电模型, 并阐述了在云计算平台对该模型的实现过程。
电动汽车多级反馈队列充电模型
模型需求目标分析
充电汽车的充电行为主要包含了三个行为主体:电网、充电汽车和充电代理商。三者之间的交互包含了能量和数据两种交互信息。要提出最优化的充电模型, 需要处理好三个关系:一是政府、企业和市场的关系;二是产品、基础设施和商业模式的关系;三是汽车的使用者、电力企业和充电代理商的关系。对于汽车的使用者, 重点是关注充电电价、充电耗时以及充电是否方便等需求;对于后两者, 重点是关注电网运行的安全性和稳定性、是否符合公平性原则以及电能是否充分利用。保证用户公平性是充电服务最重要的目标之一, 关系到电能有序利用的实施效果。公平性原则是为了满足电动汽车用户有突发性充电需求, 避免了电能不能补充的情况。而保证电网稳定运行和提升能源利用率, 又是对充电进行优化的最终目标。因此, 最优充电模型应该关注排队早、时间要求迫切、充电时间长的充电汽车首先充电。并且在充电过程中, 要实时地进行策略调整来满足各方的不同需求。这里综合考虑多方面关系, 根据各方需求, 建立区域电网内多级反馈队列优化充电模型。
基于多级反馈队列的优化充电模型建立
在计算机操作系统中, 有一种作业调度的应用场景:在同一时刻, 大量作业同时请求有限资源, 系统如何调度从而为作业有序地分配资源。参考作业调度的工作流程, 可以用类似的方案处理电动汽车充电的工作任务。在满足公平性原则的前提下, 将每一次的充电行为看做是一个调度任务, 相对应的电力能源就是资源。模型的最终目的是得到最优的任务执行序列, 来达到较高的电力能源利用率以及最小的电网负荷。
多级反馈队列进程调度算法为了保证公平性和较高的资源利用率, 采用了基于高优先级优先调度和时间轮转片轮转调度算法, 在处理过程中不断进行调整。在本文提出的电动汽车充电模型中, 根据排队时间长短、充电时间长短、充电时间紧迫性以及已经等待的时间等指标来定义任务的初始优先级。然后把充电的全部过程切成等长的时间, 不同的任务队列对应的单条时间长度可以不同。每个单独的时间充电完成以后, 调整优先级, 然后根据调整后的优先级进行任务调度。
图1为多级反馈队列优化充电模型整体架构图。
多级反馈队列优化充电模型调度算法分为以下步骤:
1) 在考虑了任务时长、已经排队时长以及用户紧迫度等因素以后, 对可以参与有序充电队列调度的充电任务计算对应的任务优先级。本文依据响应比算法, 以充电紧迫程度为优先级, 提出公式 (1) 作为优先级计算公式。
公式中, T表示完成充电所需的剩余时间, W表示已经排队时长, TC表示当前时间, TU表示用户设置的充电任务截止时间 (即取车时间) 。 (TU-TC) -T表示距离任务截止的时间和剩余任务所需要的时间之差, 用来表示当前用户充电任务紧迫程度。对于等待而未充电的用户, 其剩余充电所需时长T为固定值, 而W即等待时间逐渐增大, 因此响应比会增加;对于正在充电的用户来说, 其一开始等待的时长W已经为定值, 而剩余充电所需时长T则逐渐变小, 因此响应比会降低。对于公式分母部分, 无论等待充电还是正在充电的用户, 随着时间的推移, 距离设置的充电结束时间值越近, TU-TC越小, 代表任务越紧迫, 其响应比也就越高。而分母增加-T则是为了保证充电能够完整的进行, 因为若到了距离结束时限的时长无限接近于充电时长T还未开始充电, 则 (TU-TC) -T无限接近于0, 整个响应比会无限大, 使优先级达到最大。
2) 根据优先级, 设置多级队列。根据优先级确定各个任务执行的先后顺序, 同时依据优先级的大小分到若干不同等级的任务队列当中。不同等级的队列对应不同大小的时间片, 时间片长短和队列的优先级成反比。
3) 首先, 按照优先级从高到低的顺序选择队列中的充电任务开始执行, 每次时间片执行完毕, 需要再一次计算来确定各个任务的优先级, 并以此为依据, 再次分配充电任务到不同的队列中。
4) 只有当优先级最高的队列中的任务完成以后, 才处理优先级次一级的队列中的任务。
图2和图3分别为车辆接入流程和车辆充电流程。其中, 车辆接入流程为事件驱动型, 即车辆接入事件激活流程, 将充电任务存入充电优先队列;车辆充电流程为时间驱动型, 即时间片不断轮转, 每次时间片轮转结束时, 从优先级队列中取出任务进行充电, 并重新计算优先级队列。
以上提出的基于多级反馈队列实现的充电模型, 在保证电网稳定运行的基础上, 同时兼顾了每一个用户的实际充电需求, 达到了不同用户之间的公平。
基于云计算平台的多级反馈队列充电模型M-R算法实现
区域电网电动汽车多信息源融合问题分析
实现多级反馈队列充电模型需要考虑到以下几个方面:充电汽车、充电用户个人、充电站以及电网负荷等多方面的数据信息。在处理充电任务时, 需要综合分析多方数据, 不可避免的会遇到以下问题:
1) 综合分析多方数据时遇到的异构数据问题。
2) 电动汽车和充电设备 (包括充电站和充电桩) 分散性较强, 并会产生海量数据, 这些数据的存储问题需要解决。
3) 实现模型计算时需要考虑到多种因素, 最终得到最优方案, 这导致分析计算复杂, 计算量巨大。
4) 充电方案的生成需要具有时效性, 充电用户提交的充电需求应该迅速得到反馈。
综上所述, 在处理电动汽车充电任务时所遇到的问题呈现出数据量大, 处理时效性强等特点。想要解决以上问题, 需要使用云平台实现对大数据的处理。Hadoop是一个能够对大量数据进行分布式处理的软件平台, 实现了Map Reduce编程模型和HDFS分布式存储架构。对于电动汽车充电任务而言, Map Reduce模型实现了海量数据计算的并行化处理, HDFS存储结构解决了充电任务过程中需要存储的多方信息分散化的问题, 并保证了数据的统一管理。
基于Hadoop的多级反馈队列优化充电模型系统架构和平台搭建
基于Hadoop的多级反馈队列优化充电模型系统架构如图4所示。
在实现模型系统时, 按照逻辑层次的划分, 主要分为以下几个部分:
1) 物理层:其中包括实际的计算机服务器、虚拟机集群、计算机通信网络共同组成的服务器集群。
2) 数据储存和基础计算层:是实现Hadoop云计算平台的关键部分。通过和物理层的数据联系, 搭建了云计算平台最主要的三个部分:HDFS、HBase、Map Reduce。
3) 高级计算层:是更高级业务计算的处理部分, 已经存储到数据储存层的数据通过数据总线提交到这一层, 同时通过基础计算层提供的接口来实现复杂的计算模型。
4) 业务交互层:实现平台业务对用户的可视化展示并提供用户操作服务, 交互手段包括Web应用和手机App。
5) 调度控制层:实现了平台各个模块之间的控制管理, 可以提供平台业务功能模块控制、平台服务器间工作负荷调整以及日志管理等功能。
6) 消息数据总线:为平台不同模块之间的数据和信息交互提供了通道, 对平台各个模块进行了解耦合, 为平台提供了良好的可扩展性。
平台软硬件环境配置如表1所示。
在集群上搭建Hadoop-1.1.2内核的云计算环境, 其他组件版本为JDK-1.7.0_67, HBase-0.94.11。
基于HBase的分布式存储结构
基于多级反馈队列的充电模型采用非关系型数据库HBase, 因为HBase可以实现对充电任务中海量数据的存储并且提供对这些超大数据的快速索引。另外, HBase对Hadoop也有很好的支持。根据HBase具有的延展特性和非关系特性, 在设计存储数据库的时候, 主要创建了两个层次的数据表:第一, 包含了多种电网侧基础数据 (包括充电设备信息、电网负荷信息等) 的基础数据表;第二, 记录了从用户创建充电任务开始与之相关的需求和操作信息的充电任务表。
在HBase数据库中, 表的结构是由Row Key、列族、时间戳和Cell组成的。表2和表3分别为两张表的基础结构, 由于空间关系, 未列出具体列键信息。
基于Map Reduce的模型并行化算法实现
多级反馈队列充电模型的M-R算法按照Map Reduce机制分为Map阶段和Reduce阶段, 依据框架接口设计Map函数和Reduce函数。模型中各个充电任务的优先级是由Map函数计算得来的, 而通过比较优先级得出多级反馈队列由Reduce函数完成。这个算法包含一个二次排序过程, 将各个充电任务按照优先级进行排序, 使传入Reduce的是已排好序的任务, 从而提升效率。模型的实现过程如表4、5、6所示。
总结与展望
本文主要介绍了一种基于反馈队列调度的电动汽车充电模型及其云实现, 提出了一种电动汽车优化充电方案, 并利用M-R框架实现了方案的并行化计算。解决了大规模电动汽车接入电网导致的一系列电气问题和相关大数据分析问题, 对于智能电网中其他优化计算问题也具有一定参考价值。
随着电动汽车的普及和发展, 电动汽车作为电网负荷给电网带来的运行压力会越来越明显, 分析用户充电行为、优化用户充电策略能够主动为电网侧降低运行风险、保障电网安全。在智能电网与车联网等多方信息数据融合进一步发展的未来, 结合了能源互联网概念的电动汽车充电策略应当会有更深层次的发展。
充电调度 篇3
在过去的十多年间,汽车工业迅速发展,导致石油消耗量不断攀升,造成空气和环境污染严重恶化,在此背景下,不少发达国家采用减少环境污染、提高经济效率和保障能源安全为主要的能源策略,这样以电为动力,实现“零排放”、“低噪音”的电动汽车产业孕育而生。中国及世界各发达国家政府大力扶持电动汽车产业的发展,推动了电动汽车的有效应用,但是大量的电动汽车势必会对电网和交通系统造成影响。在电网方面,电动汽车充电负荷接入电网引起电压偏移以及造成电网能量损耗,在交通方面,电动汽车大规模的使用将造成道路拥堵,给人们生活带来不便[1]。
目前,为了解决上述问题,国内外学者已经着眼于关于电动汽车充电调度的研究,主要分为电动汽车与电网的联系和电动汽车与交通网的联系。无论是单纯考虑交通状况还是单纯依据电网运行状况的电动汽车充电调度都是不全面的,而综合交通和电网情况作为电动汽车充电路径的依据才能在保证电动汽车可靠到达充电站充电的前提下,同时保证电网的安全可靠运行,并且缩短充电的等待时间,从而实现系统整体性能的最优化。本文综合考虑了电动汽车大规模的接入对电网安全、综合效益和交通系统通行能力的影响,建立了有序充电调度策略的数学模型,采用了基于云计算的神经网络方法求解电动汽车充电调度的最优路径,并进行了仿真分析,验证了该调度策略可以有效改善电网安全和经济性能以及交通系统的通行能力,有利于提升电网和交通网的运行性能。
1电动汽车有序充电模型
1.1电动汽车综合效益分析
(1)环境效益
和传统燃油汽车相比,电动汽车的环境效益具有环境污染小、能源消耗低、噪音小等优点。大量燃油汽车能源消耗过大是造成能源短缺的首要因素,而电动汽车直接使用的电能可来源于煤、石油、天然气等多种能源,也可利用风力、水力、太阳能等可再生能源。我国每年花费大量资金用于治理大气污染、能源损耗,从这些方面可以看出,电动汽车相对于传统燃油汽车而言环境效益显著。
(2)经济效益
据相关资料显示,电动汽车每公里消耗的用电成本不及燃油汽车耗油成本的一半,这样就大大减少了车主的开销成本。随着国家政策的大力扶持,充电站的逐渐普及,电动汽车受到越来越多人的关注与喜欢。与其他新能源汽车相比,电动汽车更适应现代电力基础设施。我国电力资源充足,需要的附加投资更少。对电网来说,电动汽车在负荷低谷时接入电网进行充电,在负荷高峰时接入电网进行放电,以此起到“削峰填谷”作用,从而给电网带来可观的经济效益。
(3)社会效益
电动汽车产业对社会产生的效益是巨大的,首先电动汽车行业的发展对于社会相关产业和技术具有一定的推动作用,如电池制造业和充电桩等基础设施,也为社会提供了更多的就业机会。其次,电动汽车作为新型的交通工具,其带来的社会效益是无法估量的,它推动了一系列新技术的发展,如储能技术、传感技术、通信技术等,这些新技术的不断发展将有利推动社会工业化的进程。再次,电动汽车的推广使用将对人们出行带来无限便利,势必将改变人们的出行方式。
1.2目标函数
本文在分析兼顾电动汽车综合效益的基础上,建立了电动汽车有序充放电数学模型[2],并分别以发电机组燃料成本F1,机组启停成本F2,碳排放量F3,负荷曲线峰谷差F4,道路通行能力F5作为调度策略优化的目标函数。由于电动汽车和充电站的使用规律和人们的生活规律成正相关,因此,调度策略以1天作为1个调度周期,将每小时作为1个阶段,共24个阶段。
(1)机组燃料成本
式中:M为发电机组总数;Si(t)为第i个发电机组在t时段的运行状态,1代表运行,0代表关机;Pi(t)为机组出力;Cli为第i个发电机组t时段的发电成本函数;ai,bi和ci为第i个发电机组的发电成本系数。
(2)机组启停成本
式中:C2i为第i个发电机组t时段的机组启停成本函数。
(3)碳排放量
式中:C3i为第i个发电机组t时段的碳排放量函数。
(4)负荷曲线峰谷差
式中:lj为电动汽车负荷;Dj为基本负荷;j为第j个充电站。
(5)道路通行能力
式中:N为路段总数;W为充电站总数;E(X)i为充电需求路段的快速充电需求次数;dij为从需求路段i到距离其最近的充电站j的距离;Zij为从需求路段i到距离其最近的充电站j可通过的电动汽车数;η为道路通行能力系数;μ为车流密度系数。
综上所述,总目标函数F为:
2调度策略的求解
电动汽车的充电站调度问题是一个高维、多变量、多约束、非线性的优化问题[3,4,5],在进行电动汽车充电调度时,需要综合考虑多方面的信息,由于目标函数及约束条件较多,造成数据量非常庞大,需要一种先进的管理方法对充电站调度问题进行科学管理,但传统的优化算法难以解决且过程复杂,因此本文采用基于云计算的神经网络算法进行求解。
2.1目标函数
云计算便于将庞大的计算数据和存储数据通过计算机网络分散到远程服务器进行计算,并根据用户所提出的要求进行服务,使用户能够有效地将资源为自己所用。云计算能够简化电动汽车充电站调度的复杂过程,将传统的调度问题转化为云计算中的虚拟数据处理。
在建立云计算的神经网络模型的过程中,需要综合考虑不同目标函数及其约束条件[4,5,6]。首先对电动汽车充电站神经网络模型中的参数进行归一化处理,使模型中的全部参数的取值在[0,1]范围内,具体方法如下:
将充电站调度路径矩阵中的第a列数值的极大值设置为max ba,极小值设置为min ba,cij是标准化后的数值,则标准化前的数值bij值进行归一化处理后所得结果为:
不同的充电站其调度的合理性可用下式表示:
基于云计算环境下的电动汽车充电调度神经网络模型可表示为:
式中:ω为权值系数。
2.2电动汽车充电调度神经网络模型求解
为了保证电动汽车充电调度神经网络模型在稳态时输出的是一个有效换位矩阵,则该模型需要满足以下约束条件:
(1)路径合理
为了避免选到不存在的路径,则运动函数ρx,i需要满足:
(2)存在输入输出路径
为了确保神经网络模型的终点存在输入输出路径,则满足函数E2如下:
式中:u2为惩罚系数;Vxi为每层神经元输入函数;Vdi为每层神经元输出函数。
(3)确保模型收敛
为了保证神经网络模型的状态收敛,则存在约束函数E3为:
式中:u3为惩罚系数。
(4)保证最短路径
起点为s,终点为d,则存在约束函数E4为:
式中:u4为惩罚系数;Vdr为每条路
(5)神经网络的目标函数
式中:u5为惩罚系数;Cxi为每层神经元函数系数。
根据上面所述,神经网络的能量函数为:
每个神经元的输出结果为:
综上所述,建立基于云计算环境下的电动汽车充电调度神经网络模型,从而根据总目标函数得到最优值,即最优路径。
3仿真分析
本文针对电动车一配电网一交通网模型建立仿真平台,根据车主不同时段的使用习惯进行了24 h的仿真,综合考虑了配电网系统、充电站和交通系统的安全高效运行。
3.1电网侧
当不考虑调度问题的优化时,各类电动汽车按照他们的意愿和需求接入电网时,可近似认为电动汽车不参与对电网的放电,此时各类电动汽车负荷曲线如图1所示。
优化前后的系统日负荷曲线和电动汽车充、放电日负荷曲线如图2所示。
从图2可以看出,电动汽车接入系统前,负荷峰值为1 580 MW,峰谷差为720 MW;电动汽车接入电力系统后,负荷峰值为1 528.38 MW,峰谷差为528.26MW。由此可见,电动汽车接入系统后,负荷峰值减少了51.62 MW,峰谷差减少了191.74 MW,对负荷曲线可以起到明显的削峰填谷作用。
3.2综合效益侧
优化前后的机组燃料成本、启停成本、碳排放量、峰值、峰谷差和目标函数值如表1所示。从表1中可以直观地看出,优化后目标函数各指标的结果普遍比优化前低,电动汽车有序充放电带来的好处显而易见。
3.3交通侧
重度拥堵率是指道路交通中重度拥堵的道路占全路网道路的比例。图3是晚高峰时段传统调度策略和本文调度策略下私家车充电站附近道路重度拥堵率的曲线图,由图3可知,在本文有序充电调度策略下,私家车充电站附近的道路拥堵情况得到明显改善。
本文分别统计了不同调度策略下电动汽车充电等待时间的情况,以某地区私家车的充电等待时间为例,如表2所示,在传统的调度策略下,处于充电等待的私家车占私家车总量的14.7%,而最长的充电等待时间将超过1 h,而在本文调度策略下,处于充电等待的私家车只占总数的6.9%,最长的等待时间也将超不过30 min
4结论
本文通过研究不同类型的电动汽车与电网和交通网之间的关系,建立了考虑综合效益的目标函数,提出了基于云计算神经网络算法的充电站调度策略。通过仿真证明,与传统的调度策略相比,本文提出的调度策略在兼顾电动汽车综合效益上可以有效地降低机组的运行成本和碳排放成本,负荷峰值和峰谷差也得到了有效地减小,各个充电站的车辆数目的分布更为平均,明显减少了充电等待车辆的数目,缩短了电动汽车的充电等待时间,并缓解了充电站附近的交通拥堵问题
参考文献
[1]寇凌峰.电动汽车大规模接入对电网的影响分析[D].华北电力大学.
[2]田立亭,史双龙,贾卓.电动汽车充电功率需求的统计学建模方法[J].电网技术,2010,34(11):126-130.
[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]陆凌蓉,文福拴,薛禹胜,等.计及可入网电动汽车的电力系统机组最优组合[J].电力系统自动化,2011,35(21):16-20.
[5]周孝信.构建新一代能源系统的设想[J].陕西电力,2015,43(9):2-4.
[6]杨俊乾.关于电动汽车充电模式的思考[J].电气技术,2010,48(5):30-31.
[7]SABER A Y.VENAYAGAMOORTHY G K.Unit Commitment with Vehicle-to-grid Using Article Swarm Optimization[J].IEEE Power Technology,2009,12(18):1-8.