电动汽车充电管理的建模与仿真研究

黄梓瑜，潘硕，陈勇刚

(西南石油大学电气信息学院，四川成都610500)

电动汽车充电管理的建模与仿真研究

黄梓瑜，潘硕，陈勇刚

(西南石油大学电气信息学院，四川成都610500)

电动汽车以其绿色环保的特点逐渐为人们所接受，但电动汽车接入电网构成的复杂分布式结构充电系统，对电网产生的不利影响逐渐显现出来。为解决无序充电对电网的不利影响，首先建立电动汽车充电模型，然后提出充电管理的Agent优化解决方案，最后在Matlab/Simuink与JADE平台中进行仿真验证。仿真结果表明：基于Multi-Agent的电动汽车充电管理是可行的，能够在满足充电需求的前提下，优化用电配置，将高峰用电移至低谷。

电动汽车；电网；充电管理；仿真

随着节能减排方针的实施与新能源汽车的积极示范与推广，电动汽车(EV)走进百姓生活的速度加快。然而，由于电动汽车是大功率用电设备，当数量较多的电动汽车接入电网充电，势必对电网造成负荷冲击。在不增加电网设备的情况下，有效的电动汽车充电管理，是电网经济、智能、高效运行的要求[1]。

由于电动汽车充电的分布式特点，在选用控制策略时，既要考虑它的高效和实用，也需兼顾系统组建的经济灵活。多代理技术(Multi-agent system，MAS)正符合这个特点，各个代理的自治性、自主性、交互性、感知性使得MAS在开发复杂分布式系统方面优势突出。

1 电动汽车充电负荷模型

建立电动汽车充电负荷模型应当首先分析影响充电特性的因素，主要包括电池类型、用户使用习惯以及充电控制策略等因素，有些因素具有较强的随机性，在建模过程中用随机模拟计算充电负荷的预计值，随着模拟次数的增多，其预计精度也逐渐提高。

1.1 充电功率模型

目前，电动汽车主要使用铅酸、锂离子、氢镍这三种车载电池。本文选择GM EV1battery(lead-acid)作为研究对象。图1给出车载充电机在接入充电桩时，电池充电状态(State of charge，SOC)初始量与充电过程功率需求预测值的对应关系。

根据图1建立SOC简化拟合公式，其表达式为：

式中：t为充电时间；tmax为最大充电时长。

图1 电池SOC量与充电功率需求对应关系

考虑到车载充电机高频DC-DC转换效率的问题，充电机在充电过程中充电效率η不是恒定的，为考察充电过程中电网功率消耗，需建立Pi、P0、η三者之间的关系。车载充电机充电效率η近似表达式为：

由式(2)及P0=Piη，可得到充电机输入功率随时间变化关系。建立的充电机输入功率近似模型为：

式中：Pi(fit)表示拟合后的输入功率；t为充电时间，t0是充电接入的时间(对应SOC0)；t1为充电机由恒流充电转为恒压充电的时间；tmax为充电最大时长；P0max为充电机最大输出功率。时间、功率单位分别为h，kW。

1.2 EV初始SOC概率分布

电动汽车用户行驶里程近似为对数正态分布，其概率密度函数如下所示：

式中：d为日行驶里程。电动汽车电池SOC与其行驶里程d近似满足线性关系，即：

式中：E为车辆充电时的初始电池状态SOC；D为电动汽车纯电动状态的最大行驶里程，通常取130 km。α为再次充电时距最近一次充电的天数，假设私家电动汽车为每两天充一次电。由式(4)与(5)，可得到电动汽车充电前电池SOC的概率密度函数为：

表1给出不同汽车类型行驶里程的统计，其中um、σm分别为日行驶里程期望与偏差[2]，可求得私家车日行驶里程的概率分布参数u=2.97、σ=0.52。将其代入公式(6)，得到电动汽车初始SOC的概率分布。

???????????????????????/(km?d)????u=E(x) ()−−D?? 130.8 43.0??? 265.5 86.2??? 60.5 31.2??? 35.9 19.6x

1.3 EV起始充电时间分布

电动汽车使用时间的分布如图2所示。用户的出行时间不仅限于早高峰(7：00-9：00)和晚高峰(16：00-19：00)也出现在中午的小高峰。

图2 电动汽车日均使用时间分布

使用时间的分布会影响EV起始充电时间的分布，到家时间分布近似服从正态分布，拟合得到用户到家时间的概率密度表达式为[3]：

式中：t为到家时间；u=17，σ=2.8。

考虑到用户用电习惯，用户到家后会直接对EV充电，记此时为初始充电时间t0。易知EV起始充电时间分布如式(7)所示，近似服从正态分布，充电高峰时段(14:00-20:00)。

1.4 EV负荷功率需求计算

结合充电功率模型，得单台充电机随时间变化的功率需求公式为：

式中：t0是开始充电的时间；SOC0为初始充电量。

设tin是24 h中电动汽车充电接入的时间，即式(7)中的t，根据1.2节EV初始SOC概率分布，电动汽车SOC0初始量均值为52%，单台充电机由初始SOC0到充满时功率需求在一天中的分布如图3所示。

图3 单台充电机功率需求分布

根据单台充电机功率需求，求得多台充电机功率需求公式为：

式中：Ptotal表示总的功率需求；Pi为第i台电动汽车功率需求；k为充电汽车数量。

2 MAS框架下Agent设计

Agent是一种具有知识、目标、能力的软件代理，一个能在特定环境下连续、自发地实现相关功能，并且与相关代理和进程相联系的软件实体[4]。MAS结合单个Agent，对复杂系统进行求解，其能力优于单个Agent。EV充电管理MAS体系结构分为3层：第一层为电动汽车代理层(EV agent)；第二层为充电桩代理层(CS agent)；第三层为负荷控制与监控中心代理层(LCAMC agent)，同时在本层连接电网调度中心代理层(LDC agent)。各Agent功能及任务如表2所示。

在使用Agent技术的同时，可结合使用灵活电价政策，调整用户用电意愿，更好地达到科学用电的目的[5]。

3 JADE平台下MAS框架仿真验证

选择某小区作为研究对象，仿真验证MAS框架下EV充电管理的实用性，具体实施步骤如下：观察小区日负荷曲线，峰值出现在(10：00-14：00)和(16：00-20：00)。当EV接入该区域后，在无序状态下，必然升高负荷峰值；引入多代理技术，调度中心根据小区电动汽车充电请求控制分配充电时间，当充电请求超过调度中心所能提供的负荷时，调度中心暂时不予响应，直到充电请求低于调度中心提供的负荷时，再响应EV充电请求。

(Load Control And Monitor Centre Agent)"#LDC agent?789:;???<=??>??????"@89AB?6 EV??CD&E??FG?LDC agent(Load Dispatch Centre Agent) @?:;??? HI:;??J LDC agent?????????????????Agent Name ?? ??EV agent(Electric Vehicle Agent)???????????????????????????????? !CS agent?CS agent(Charging Station)./LCAMC agent 01234 56 EV???LCAMC agent"#EV agent$LCAMC agent???%&HMI??’(?)LCAMC agent*+&??,-???

图4 有序充电功率图

有序充电功率随时间的分布如图4所示，从图可知，基于Multi-Agent的电动汽车充电管理能够灵活调节充电时间，避开高峰用电时间段，实现高峰负荷的转移功能。可以预知，随着接入电动汽车数量的增加，本方法相比于无序充电的优势会更加突出。

4 结束语

本文着重建立电动汽车充电的数学模型，分析电动汽车的充电特性，搭建Simulink仿真模型，利用多代理技术，在A-gent中植入充电管理算法，最后通过JADE平台进行仿真。仿真结果验证了在MAS框架下EV充电管理的可行性，能够对电力负荷起到移峰填谷的作用，当大规模电动汽车接入电网时，可减小对电网的冲击，提高用电效率。

[1]马玲玲，杨军，付聪，等.电动汽车充放电对电网影响研究综述[J].电力系统保护与控制，2013(3)：140-148.

[2]LI G,ZHANG X P.Modeling of plug-in hybrid electric vehicle charging demand in probabilistic power flow calculations[J].Smart Grid,IEEE Transactions on,2012,3(1):492-499.

[3]蔡德福，钱斌，陈金富，等.含电动汽车充电负荷和风电的电力系统动态概率特性分析[J].电网技术，2013,37(3)：590-596.

[4]范玉顺，曹军威.多代理系统理论、方法与应用[M].北京：清华大学出版社，2002.

[5]戴鹏，顾丹珍，张志伟.适用于电动汽车优化充电的管理方法[J].电源技术，2015(2)：277-279，289.

Modeling and simulation of electric vehicle charging management

HUANG Zi-yu,PAN Shuo,CHEN Yong-gang
(School of Electrical Engineering and Information,Southwest Petroleum University,Chengdu Sichuan 610500,China)

Electric vehicles are gradually accepted with the feature of environmental protection.The negative impact of the complex distributed charging system of electric vehicle on the power grid is gradually emerging.In order to solve the problem caused by disorderly charging on the grid,the mathematical model was established for electric vehicle charging.An Agent optimization solution was proposed for charging management.The simulation was carried out on Matlab/Simuink and JADE platform.Simulation results show that it can optimize the use of power allocation and transfer the load from peak to trough.

electric vehicle;power grid;charging management;simulation

TM 743

A

1002-087 X(2016)08-1692-03

2016-01-22

四川省教育厅重点项目(12ZA194)

黄梓瑜(1961—)，男，四川省人，副教授，硕士生导师，工学博士，主要研究方向为智能电网、分布式控制。