充电模型（精选3篇）
充电模型 篇1
1 新型无接触传输系统理论分析
目前新型无接触电能传输系统采用电磁感应原理, 简单来说就是将变压器线圈中心的铁芯截断。初、次级绕组分别绕在不同的磁性结构上, 实现了电源和负载单元之间不需要物理连接就可以进行能量耦合。从而实现了电能的无接触传输。
新型无接触能量传递系统的基本构成框图如下图所示, 可知初、次级子系统之间不存在物理连接。
无接触能量传递系统主要包括以下几个部分:
1) 在输入端将工频交流电压经过功率放大器转换成高频交流电压供给变压器初级绕组。因为电压的频率提高很多, 在空间辐射的电磁波波长减少, 则系统的感应耦合能力就大大增强, 因此损失的能量会大大减少。
输入能量经过变压器感应耦合后, 次级端口输出的是高频电压, 利用功率放大器可以使得传输的功率能够达到要求;
2) 对次级线圈进行补偿:由于新型无接触电能传输系统属于疏松耦合式结构, 系统的功率传输能力较差。同时系统输出电流和电压的大小在很大程度上依赖于负载阻抗的大小, 输出功率受到很大限制。采用次级补偿技术可以有效地改善这种情况。次级补偿有两种基本的拓扑结构——串联/并联补偿结构。在谐振频率下, 采用串联补偿时, 次级补偿电容压降和次级感抗压降相抵消;采用并联补偿时, 流入次级补偿电容中的电流与次级导纳中电流的无功分量相抵消。在两种补偿拓扑下, 反应阻抗对于运行频率和负载变化比较敏感, 可能会增加对初级供电系统的视在功率要求, 引起电能传输问题;
(3) 为了改善初级功率因数, 减小对初级电源的视在功率要求, 需要采取初级补偿技术。最基本的初级补偿拓扑也有两种——串联/并联补偿。串联补偿时, 串联电容上的电压降与初级端的感抗压降相抵消, 降低了电压要求;并联补偿时, 流过并联电容的电流补偿了初级绕组中电流的无功分量, 从而降低了对供电系统的电流要求。在谐振频率下, 电源端的视在功率最小, 等于系统中输入的有功功率的数值。而当运行频率偏离谐振频率时, 电源端的视在功率都急剧上升。当运行频率小于谐振频率时, 并联补偿初级视在功率上升较慢;而当运行频率大于谐振频率时, 串联补偿初级视在功率增加较慢。在实际应用中, 可以使用串、并联补偿相结合的方式, 通过选择适当的补偿电容来提高系统的稳定性和功率因数。
4) 在次级端通过整流原件将输出电流的高频交流电压转化成直流电压, 以达到为电动汽车模型马达供电的目的。
2 模型构建
电动汽车模型的设计有两种方案。方案一:电动汽车模型的主骨架为铁磁材料, 其上绕有线圈。这样设计其既起到了支撑小车, 又可以增加初级绕组和次级绕组的耦合程度, 减轻了小车的重量。
电动汽车模型的侧面:铁芯两端有向地面的突起, 这样设计的目的是可以增加磁的耦合程度。电动汽车模型行驶的木板内部有很多方向与车身平行的原边线圈, 所有的线圈都并联在初级变换器的输出端口上, 以在线圈两端加上高频电压。
不同于方案一, 方案二的线圈是绕在轮轴上的。
3 模型实验过程
在实验过程中, 使用指定型号功率放大器。其能够将工频电压转变为高频电压, 并能够以一定的功率传输出来。但由示波器测得功率放大器所输出的波形并不是标准的高频正弦电压波形, 其中含有大量的谐波电压。为了方便分析, 本文认为输出的为正弦高频电压。并在此基础上, 利用matlab进行仿真, 确定了整流桥并联的电容的值得大小。
并根据我们所确定的值得做出了整流电路, 如图1所示:
但是在实验过程中, 我们发现由于电压的频率过高, 功率会发生反射现象, 不能传输给小车供电。因此, 需要对初级和次级的电感进行电容补偿。补偿的具体的电路图如图2所示。关于补偿的C1, C2的值现在正在进行中。
为使小车能够实现无人值守变电站中的巡守机器人的作用, 小组给小车加装了一个无线收发模块, 其构成为:无线摄像头, 电脑, 软件, USB接收器, 原理是无线摄像头负责拍照并且通过内部集成发射模块经2.4G频率的无线发送, USB接收器负责接收信号并且传输到电脑, 而电脑安装相应软件后采集信号并在可视化窗口上显示摄像头所拍摄的照片。经测试, 该模块可实现图片的实时传输。
4 结论
本文初步建立了新型无接触电能传输系统的无线小车模型, 并在其基础上加装了无线模块, 以达到自动巡视机器人的功能。研究结果表明初级和次级补偿必不可少, 可以大大提高系统的功率传输能力, 而初级补偿则显著减小了对初级供电系统视在功率的要求, 降低了系统成本。
摘要：新型无接触电能传输系统利用电磁感应耦合技术与电力电子技术相结合, 实现电能的无接触传输, 消除了传统的电能传输方式带来的电击、短路和发生火花的危险。本文初步建立了新型无接触电能传输系统的无线小车模型, 并在其基础上加装了无线模块, 以达到自动巡视机器人的功能。研究结果表明初级和次级补偿必不可少, 可以大大提高系统的功率传输能力, 而初级补偿则显著减小了对初级供电系统视在功率的要求, 降低了系统成本。
关键词：新型无接触电能传输系统,无线小车模型,初/次级补偿,无线模块
参考文献
[1]武瑛, 严陆光, 黄常纲, 等.新型无接触电能传输系统的性能分析[J].电工电能新技术, 2003, 22 (4) :10-13.
[2]Jufer M, Macabrey N, Perrottet M.Modeling and test of contactless inductive energy transmission[J].Mathem.&Comput.in Simul.1998 (46) :197-211.
[3]Woo KⅡ, Park H S, Cho Y H, et al.Contactless energy Transmission System for Linear servo Motor[J].IEEE Trans.Magn 2005, 41 (5) :1596-1599.
充电模型 篇2
随着能源危机和环境污染的加剧,电动汽车受到了国内外学者的广泛关注[1,2]。电动汽车的快速发展离不开充电基础设施的合理规划,很多学者对此进行了研究,文献[3-4]介绍了充电模式及充电站规划的基本原则。文献[5]研究了电动汽车对区域电力供应的影响,指出充电设施规划需与配电网规划结合。文献[6]提出了基于博弈论的电动汽车充电站选址优化模型。文献[7]从电动汽车负荷需求的空间分布出发,提出了一个非线性多目标优化模型。文献[8-9]应用区域交通流量守恒定理,将小区内的电动汽车总量视为充电站的负荷点,进行充电负荷总量和分布预测,提出了基于年最小费用的充电站选址模型。文献[10]提出了以充电站年最大运营收益为目标的充电站选址模型。文献[11]采用蒙特卡洛法计算充电负荷,对中国未来电动汽车充电负荷水平进行了分析。文献[12]将充电设施规划分为示范阶段、公益阶段和商业运行阶段,提出了规划原则和流程,以及选址布局模型。这些研究对实际规划具有一定的指导意义,但有些步骤和要求不够清楚具体,有些对数据要求较高,因此,还需继续深入研究,以满足电动汽车及其充电设施发展的需要。
本文研究了基于能量等效负荷预测法的充电设施规划方法和模型,以为充电基础设施的实际规划提供指导。
1 充电基础设施规划的总体方法
1.1 充电模式划分
电动汽车充电主要分整车交流充电、整车快速充电、换电3种模式。对于充电基础设施规划来说,主要关心的是充电负荷和充电基础设施的总量和分布,慢充和快充的不同可以通过建设过程中选择不同的设备来解决。因此,将充电负荷分为采用集中充换电站的集中式充电负荷,以及分布在居住、办公等区域的分散式充电负荷,分别通过各区域充电负荷的集中率、分散率进行计算。
1.2 充电基础设施规划流程
1)现状调查和数据收集。收集规划区域内的车辆、电网、交通、地理条件等有用数据。
2)负荷预测。初步给出集中充电站站址备选方案,在此基础上预测各个集中和分散充电基础设施的电量需求和负荷功率。
3)定址定容。基于负荷预测结果,对各处集中、分散式充电基础设施进行选址定容。
4)校核站址备选方案的合理性和规划方案对电网的影响,如果不满足规划要求,调整备选方案后,重新进行负荷预测和定址定容。
5)综合评估,考察规划方案的经济性和用户便利性。
2 基于能量等效的负荷预测方法
与传统配电网规划相比,电动汽车充电基础设施规划需要解决的核心问题是充电负荷的预测,在确定各个区域负荷分布和充电站的负荷分布后,才能对不同充电基础设施进行定址定容。本文提出的能量等效法是基于能量等效原则,将现有加油站的售油量折算成电动汽车充电电量,在集中充电基础设施站址备选方案的基础上,计算得到区域分散和集中充电基础设施的最大负荷。这一方法适用于电动汽车规模化阶段私人乘用车充电负荷的预测,其基本方法如图1所示,下面予以详细介绍。
2.1 备选站址选择
集中充电基础设施规模大、数量有限,一般可以根据实际需求和限制条件提出备选方案。选择备选站址时,需要考虑如下因素。
2.1.1 交通与使用约束
充电基础设施需要满足电动汽车运行需要,因此,必须满足充电需求、交通条件、使用便利性等方面的约束,主要包括以下几个方面。
1)充电需求约束。
需要根据附近加油站耗油数据(也可以用车辆分布、使用等数据)进行粗略估计站址附近区域内应该达到一定数量的充电负荷需求。
2)交通条件约束。
备选站址需要满足交通需要,靠近城市快速路、主干道等。
3)服务区域覆盖约束。
集中式充电基础设施具有一定的服务半径和范围,所有充电站服务范围的并集应覆盖规划区域。
4)建设条件约束。
要有足够的建设用地,满足停车车位、充电设备、监控设备、管理办公用地需要,这与充电负荷总量有关,在负荷预测完成后还需要进一步校核。
2.1.2 电网建设约束
充电基础设施建设,主要需要考虑出线间隔、线路长度等方面的要求。
1)出线间隔约束。
目前一般采用110 kV/35kV变电站为10kV配电变压器供电,集中式充电基础设施的供电电源必须有出线间隔空余。
2)线路长度约束。
根据《城市配电网规划设计规范》的规定,中压配电线路电压损失不宜超过4%,10kV配电网供电半径一般为3~8km,不宜超过此限值。
3)电力走廊约束。
由于城市用地非常紧张,电力走廊对充电基础设施建设具有较强的约束,因此规划过程中必须考虑电力线路的路径。
4)容载比约束。
为了保障电动汽车规模化应用后的充电站供电能力,为其供电的110kV/35kV电压等级的变电站容载比需要满足相关标准。
2.2 负荷预测
2.2.1 等效充电量折算
由加油站的售油量计算得到其等效的充电电量,计算公式如下:
式中:EFk为第k个加油站的等效总充电电量;n是指所在地区规划的第n年;αFk为加油站所在地区规划年的电动汽车渗透率;s为单位换算系数,将汽油的单位由吨换算为升;Fk为目前的汽油销售量;ξy为由于汽车数量的增加而形成的加油站售油量年增长率;C为电动汽车的平均每吨百公里电耗;H为电动汽车的平均重量;M为传统汽车平均百公里油耗。
2.2.2 集中充电基础设施负荷的计算
假设用户改用电动汽车后,主要是到原来加油站附近的充电站充电。用γFk表示第k个加油站的集中充电率,则对应采用集中充电模式的电量为γFkEFk,需要将其分配到加油站k附近的集中充电基础设施中。
如图2所示,超出最大距离的集中充电基础设施不予分配充电电量,最大距离以内的则采用等负荷距分配法。图中:rFCmax为加油站分配到集中充电基础设施的最大半径;ECi为第i个集中充电基础设施的总充电电量;rFCki为第k个加油站与第i个集中充电基础设施的距离。
该方法使得分配的充电量与距离成反比,因此,从第k个加油站分配到第i个集中充电基础设施的分配率为:
式中:I为集中充电基础设施的个数。
将所有分配到第i个集中充电基础设施的充电电量相加就得到总充电电量:
式中:K为加油站的个数。
将总充电电量除以最大负荷利用小时数σCi就得到了其最大负荷:
2.2.3 区域分散充电负荷的计算
与集中充电基础设施相似,用户改用电动汽车后,会有一部分到附近区域进行充电。用βFk=1-γFk表示第k个加油站的分散充电率,对应采用分散充电模式的电量为βFkEFk,需要将其分配到加油站k附近的所有区域中。
如图3所示,超出最大距离的区域不予分配充电电量,最大距离以内仍采用等负荷距分配法。图中:rFDmax为加油站分配到区域的最大半径;EDj为分配到第j个区域的总充电电量;rFDkj为第k个加油站与第j个区域之间的距离。
由于这里是分配到区域,因此,还必须考虑不同区域的规模系数nj,即分配率与区域规模系数成正比、与距离成反比,其中规模系数反映了区域人口和车辆数。
因此,从第k个加油站分配到第j个区域的分配率为:
式中:J为区域总数。
将所有分配到第j个区域的充电电量相加就得到其总充电电量:
将总充电电量除以区域最大负荷利用小时数σDj就得到了其最大负荷:
2.3 模型参数确定
rFCmax和rFDmax与充电设施供需情况有关,可以根据经验设定,如取2~3km。
能效转换公式中,每吨汽油按1 378L计算,每吨百公里电耗按10kW·h计算,电动汽车平均重量按2t计算,百公里油耗按8L计算。
其他模型参数主要有渗透率αFk,分散率βFk,集中率γFk=1-βFk,区域最大利用小时数,集中最大利用小时数σCj。附录A表A1列出了这些参数的主要影响因素。
为简化起见,对附录A表A1中4个参数采用影响因素的线性模型表示,其计算步骤如下。
1)上述模型参数的线性模型
渗透率为:
分散率为:
集中率为:
区域最大利用小时数为:
集中最大利用小时数为:
式中:ei,fi,gi,hi为各影响因素对应的权重系数。
2)权重系数的确定
早期数据不足时,可由示范工程数据来估计模型参数和影响因素取值,这对规划计算的精度会有较大影响。
当后期有大量统计数据后,代入上述模型可以得到一组超定方程组,利用最小二乘法得到上述权重系数ei,fi,gi,hi的拟合值,进一步用于规划计算,使规划结果趋于准确。
3 选址定容和规划方案校核
3.1 充电基础设施选址定容
3.1.1 集中式充电基础设施
由于负荷预测是基于集中充电基础设施备选站址进行,因此集中充电基础设施位置已经确定,只需要确定其配电变压器容量。
集中充电基础设施配电变压器的最大负荷Pmax为:
需要配置的变压器容量SN为:
式中:PCmax为集中充电最大负荷;PA为最大常规负荷,采用专用变压器时为0;PF为辅助设备的功率;μ为负荷同时率;cosφ为功率因数;η为变压器负载率。
3.1.2 分散式充电基础设施
分散式充电基础设施的负荷包括分散式充电负荷PDmax和常规负荷PA。设充电负荷和常规负荷的同时率为μ,则区域配电变压器的负荷为:
区域配电变压器的容量可以按照式(14)计算得到。
3.2 规划方案校核
由于在提出集中充电基础设施备选站址之后,进行上述负荷预测和选址定容时没有再考虑交通、电网和使用方面的约束,因此,需要对选址定容结果进行校核。如果通过校核,则进一步形成规划方案,否则需要调整方案或者选择新的备选站址方案,重新进行负荷预测和选址定容分析。
集中充电基础设施选址定容方案的校核内容同2.1节备选站址选择,计入新的充电基础设施负荷容量数据后,校核交通、电网和使用方面的约束是否满足。分散充电基础设施选址定容方案的校核也与此相似,这里就不再赘述。
4 规划方案评估
对于充电基础设施,供电企业关心的是经济效益,而车辆用户关注的则是便利性,因此,下文从经济性和便利性两个方面对规划方案进行评估。
4.1 经济性
电动汽车充电基础设施投资经济性可以由投资者最终获取的净现值CNPV来评价:
式中:C0为初始投资额(投资者自有资金);Z为寿命期;C1y为第y年的运营收入;C2y为第y年的现金支出;r为贴现率。
4.2 用户便利性
作为公共服务设施,电动汽车充电基础设施便利性决定了其社会效益的大小,可以用充电负荷平均距离评价。
负荷距即负荷(功率)与距离的乘积,而平均负荷距是指单位负荷(功率)充电需要经过的平均距离,因此,充电负荷平均距离Saverage可以用下式表示:
式中:SCi为第i个集中充电基础设施的充电负荷与其距离;SDj为第j个区域的分散式充电负荷到分散式充电桩的距离。
如果SDj取为0,则式(17)可以化简为:
5 算例分析
考虑到现阶段缺乏电动汽车及其充电设施应用的实际数据,下面基于假想数据给出了根据能量等效方法预测充电负荷的算例。
在规划范围中包括28个区域、8个加油站和4个备选集中式充电基础设施。图4所示为各区域和充电基础设施的地理位置。
表1所示为各区域的坐标、区域类型、规模系数和最大负荷利用小时数。表2所示为各加油站的坐标和假定的渗透率、集中率、分散率。表3所示为各集中式充电基础设施的坐标和最大负荷利用小时数。
注:表中坐标以图4中左下角为坐标原点。
在实际应用中,上述渗透率、集中率、分散率、最大负荷利用小时数可以估计得到,也可以根据上述模型由实际数据拟合得到。
通过计算得到的各区域分散式充电电量、区域最大负荷和各集中式充电基础设施的集中充电电量、最大负荷见表1和表2中相应数据。图5所示为各区域的最大负荷和各充电站的最大负荷分布。
如果有详细充电设施造价数据,还可以进行经济性和便利性的综合评估。由于篇幅所限,这里就不再赘述。
6 结语
本文提出了一种电动汽车充电基础设施规划的基本方法及其参数模型,该方法从常规汽车耗油数据出发,包括了负荷预测、选址定容、方案校核、经济性分析、便利性分析等。
1)提出了能量等效和等负荷距分配方法,把规划区域的售油量按照一定的计算方法转换成集中、分散充电基础设施预期的充电负荷,数据获取具有较强的可行性。
2)提出了选址定容和规划方案校核的方法。包括电动汽车充电负荷需求、配电设施供给、供电可靠性和实际建设的可行性,提出了相关的约束条件。
3)提出了规划方案的评估方法,分别采用净现值和平均充电距离评估规划方案的经济性、便利性,满足用户和运营商的主要需求。
当然,由于目前缺少规划所需的基本数据,本文算例中模型参数还是假定的。随着将来充电基础设施的发展,可以用实际数据对上述方法和模型进行验证并进一步完善。
参考文献
[1]陈良亮,张浩,倪峰,等.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,2011,14(7):11-17.CHEN Liangliang,ZHANG Hao,NI Feng,et al.Presentsituation and development trend for construction of electricvehicle energy supply infrastructure[J].Automation of ElectricPower Systems,2011,14(7):11-17.
[2]徐立中,杨光亚.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,2011,14(7):18-23.XU Lizhong,YANG Guangya.Impacts of electric vehiclecharging on distribution networks in Denmark[J].Automationof Electric Power Systems,2011,14(7):18-23.
[3]徐凡,俞国勤,顾临峰,等.电动汽车充电站布局规划浅析[J].华东电力,2009,37(10):1678-1682.XU Fan,YU Guoqin,GU Linfeng,et al.Study on electricvehicle charging station layout planning[J].East China ElectricPower,2009,37(10):1678-1682.
[4]范永根,钱维忠.电动汽车充电设施规划和建设的探讨[J].华东电力,2010,38(11):1671-1674.FAN Yonggen,QIAN Weizhong.Discussion on the planningand construction of electric vehicle charging infrastructure[J].East China Electric Power,2010,38(11):1671-1674.
[5]HADLEY S W.Evaluating the impact of plug-in hybrid electricvehicles on regional electricity supplies[C]//Proceedings of2007IREP Symposium:Bulk Power System Dynamics andControl-Ⅶ:Revitalizing Operational Reliability,August 19-24,2007,Charleston,SC,USA.
[6]姚建国,赖业宁.智能电网的本质动因和技术需求[J].电力系统自动化,2010,34(2):1-4.YAO Jianguo,LAI Yening.Essence motivation and technicalrequirements of smart grid[J].Automation of Electric PowerSystems,2010,34(2):1-4.
[7]WANG Hengsong,HUANG Qi,ZHANG Changhua,et al.Anovel approach for the layout of electric vehicle charging station[C]//Apperceiving Computing and Intelligence Analysis(ICACIA),December 17-19,2010,Chengdu,China.
[8]李菱,李燕青,姚玉海,等.基于遗传算法的电动汽车充电站的布局规划[J].华东电力,2011,39(6):1004-1006.LI Ling,LI Yanqing,YAO Yuhai,et al.Layout planning ofelectric vehicle charging station based on genetic algorithm[J].East China Electric Power,2011,39(6):1004-1006.
[9]LI Yanqing,LI Ling,YONG Jing,et al.Layout planning ofelectrical vehicle charging stations based on genetic algorithm[J].Electrical Power Systems and Computers,2011,99:661-668.
[10]寇凌峰,刘自发,周欢.区域电动汽车充电站规划的模型和算法[J].现代电力,2010,27(4):44-48.KOU Lingfeng,LIU Zifa,ZHOU Huan.Planning model andalgorithm of regional electric vehicle charging stations[J].Modern Power,2010,27(4):44-48.
[11]罗卓伟,胡泽春,宋永华.电动汽车充电负荷计算方法[J].电力系统自动化,2011,14(7):36-42.LUO Zhuowei,HU Zechun,SONG Yonghua.Study on pluginelectric vehicles charging load calculating[J].Automation ofElectric Power Systems,2011,14(7):36-42.
充电模型 篇3
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。