考虑充电需求与随机事件的光伏充电站实时运行策略

陈奇芳 刘 念 陈 征 张建华



考虑充电需求与随机事件的光伏充电站实时运行策略

陈奇芳1刘 念1陈 征2,3张建华1

（1. 新能源电力系统国家重点实验室（华北电力大学） 北京 102206 2. 国网节能服务有限公司 北京 100052 3. 国网（北京）节能设计研究院有限公司 北京 100052）

电动汽车光伏充电站是将充电设施与光伏发电系统进行结合的有效形式，能有效地减少电动汽车的间接碳排放，降低充电行为对配电网的影响。针对电动汽车光伏充电站，提出了一种实时运行策略。该策略将电动汽车按充电行为分为刚性充电和柔性充电两类，以满足电动汽车充电需求、提高光伏就地消纳和降低充电行为对配电网的影响为原则。该策略包含4个部分：电动汽车交互分类，电动汽车充电可行域，动态事件触发机制和电动汽车实时功率分配算法。此外，该策略是基于非预测机制，避免了因预测算法精度问题而引入的不确定误差。通过仿真实验结果综合分析可知，该策略能有效发挥光伏充电站的优势并且实现预期目标，对于光伏充电站的推广具有一定的价值和意义。

光伏充电站 电动汽车 实时运行策略 功率分配

0 引言

由于日益严峻的能源危机和温室效应，人们的生存和发展受到了严重的威胁，因此，节能减排问题受到了世界各国的广泛关注[1-4]。许多国家把发展新能源和电动汽车当作减少碳排放和确保能源安全的有效手段[5-8]。然而，电动汽车需要接入电网充电，因此，需要考虑由此引起的其他问题[9-11]。首先，电动汽车的间接排放受到发电能源组成的影响。若为电动汽车提供的电能来自火电，则不能从根本上解决电动汽车的间接排放问题，无法充分发挥电动汽车的清洁优势。其次，随着电动汽车规模的增大，需要投入巨大的资金扩建发电、输电和配电容量[12,13]。

在智慧城市的建设中，电动汽车光伏充电站将扮演重要的角色。光伏发电系统作为重要的清洁能源发电系统，能够方便地安装在城市建筑屋顶上，为电动汽车提供电能。光伏与电动汽车充电设施的集成能够有效地减少电动汽车的间接排放，同时满足白天充电需求，减少对电网的依赖[14-16]。

目前，国内外对电动汽车充电站与光伏集成系统的充电策略进行了一定的研究[17-20]。从充电策略角度，目前的研究可以分为两大类：一类是研究充电策略对配电网的影响；另一类是研究基于预测的优化策略。文献[17]研究了大量插电式混合电动汽车在装有光伏的公寓大楼和办公楼的充电策略。文章从对配电网影响、就地消纳能力和电动汽车行驶距离的角度对不同的充电策略和充电功率进行了评估，结果表明采用合适的充电策略能够有效降低充电行为对配电网的不利影响。文献[18]从工作场所光伏充电站的经济性和环境效益角度，提出了一种优化充电策略。但是，文章中提出的算法仅从光伏充电站充电总功率的角度优化从电网的购电量，并未对每辆电动汽车提出功率优化分配策略。文献[19]提出了一种含光伏系统的智能家庭/楼宇电动汽车充电策略。该策略分为两个阶段，光伏出力和电能需求预测阶段与电动汽车充电调度阶段。由于预测误差会对优化结果产生不确定影响，因而，算法的有效性依赖于预测的准确度。文献[20]针对工业/商业工作场合中与大电网连接的充电站，提出了一种实时能量管理算法。该实时能量管理算法采用了基于统计规律的模型来预测光伏出力、电动汽车到站时间和电动汽车到站时的初始荷电状态（State Of Charge, SOC）。

本文针对电动汽车光伏充电站，提出了一种基于非预测的实时运行策略。根据电动汽车的充电行为，将电动汽车分为刚性充电和柔性充电两类。有效结合光伏出力，为柔性充电类电动汽车分配合理的充电功率，满足用户白天的充电需求，促进光伏最大化就地消纳，同时，减少电动汽车充电行为给电网带来的不利影响。该策略主要由电动汽车分类、充电可行域（Feasible Charging Region, FCR）、动态事件触发（Dynamic Event Trigger, DET）和实时功率优化分配（Real-Time Power Allocation, RTPA）四个部分构成。考虑到每辆电动汽车的充电特性，采用FCR约束电动汽车的充电过程，确保用户的充电需求。根据电动汽车的数量、充电总功率和光伏功率的变化，采用DET机制触发RTPA算法为每辆电动汽车分配合适的充电功率。

本文提出的实时运行策略主要有如下优点： ①针对光伏充电站提出的实时运行策略既能够满足电动汽车白天的充电需求，又能够促进光伏最大化就地消纳，减少充电行为对电网的影响；②根据电动汽车SOC和光伏出力的变化，采用动态事件触发机制动态调整电动汽车的充电倍率；③功率分配策略简单易行，不依赖于光伏出力和电动汽车充电需求的统计数据或预测算法。

1 光伏充电站典型结构

电动汽车光伏充电站的典型结构如图1所示，主要包括光伏发电系统、充电机、电动汽车、AC-DC双向变流器以及中央控制器五个部分。

图1 电动汽车光伏充电站典型结构

光伏电池阵列通过DC-DC变流器连接到直流母线，通过充电机为电动汽车提供充电功率，剩余的光伏功率通过AC-DC双向变流器馈送到电网。光伏发电系统通过控制器实现最大功率点跟踪（Maximum Power Point Tracking, MPPT）模式。中央控制器能够对光伏发电系统、AC-DC双向变流器和充电机进行监测和控制，实现电能的双向流动和充电功率的按需调节。

2 电动汽车分类

根据电动汽车的充电行为，可将充电站中电动汽车分为刚性充电类和柔性充电类，柔性充电类在充电过程中可能会转变为被动刚性充电类，如图2所示。

图2 电动汽车分类

电动汽车充电倍率不接受充电站统一调节，或者不具有调节裕度的这类电动汽车归类为刚性充电类。刚性充电类分为主动和被动两种。由于电动汽车的充电倍率、离开时间和目标SOC可以由用户设定，也可以保持充电站默认设置。若用户设定充电倍率为恒定充电倍率，不接受充电站的统一调节，则此类用户为主动刚性用户。若用户设定充电倍率接受统一调节，但是由于用户设定的离开时间较短，而目标SOC较高，因此，只能给这类用户以最大的充电倍率进行充电，但也不能够在设定的离开时间之前达到目标SOC，这类用户归类为被动刚性充电类。

电动汽车充电倍率接受充电站统一调节，并且具有调节裕度的这类电动汽车归类为柔性充电类。相对于刚性充电类电动汽车，柔性充电类用户设定的离开时间合适，目标SOC合理，或者保持默认设置，则充电站可以根据需求对柔性类电动汽车分配合理的充电功率，在用户设定的离开时间之前达到目标SOC。

3 实时运行策略设计

3.1 基本原则

本文提出的运行策略具有三个基本原则：满足用户的充电需求，促进光伏功率最大化就地消纳和减少充电行为对配电网的影响。电动汽车进站后，每个用户可以设定预期充电目标SOC或者采用默认目标SOC，因此，充电站的首要目标是满足用户的充电需求，达到预期目标。在确保充电需求的情况下，如何实现光伏功率的最大化就地消纳，同时减少充电行为引起的巨大尖峰负荷对电网设备带来的安全威胁是需要解决的两个重要问题。

为了实现三个原则，本文分别采用充电可行域、动态事件触发状态机制和实时功率分配策略对用户需求进行量化建模，从而实现对电动汽车的充电行为进行约束，实现充电功率实时动态跟随光伏功率的变化。

3.2 充电可行域模型

电动汽车充电过程中，SOC与充电电流的关系可以表示为

从而，电动汽车充电过程中的SOC可以表述为

为了满足第一个原则，若用户设定的离开时间充足，则电动汽车必须达到充电目标SOC，即obj。电动汽车最小的充电持续时间为

因而电动汽车的最晚起始充电时间

式中，d为电动汽车充电离开时间。

图3所示为电动汽车充电可行域，表示充电起始时间、充电倍率与SOC之间的关系图。线段1的斜率表示电动汽车的最大充电倍率，线段3的斜率表示电动汽车的最小充电倍率。因而，电动汽车的充电倍率可行域为，同理，电动汽车的充电起始时间可行域为。

图3 电动汽车充电可行域

3.3 动态事件触发机制

在充电过程中，光伏充电站内电动汽车的数量、充电总功率和光伏出力具有随机性和波动性。本文提出的运行策略采用动态事件触发机制，当发生新增电动汽车参与充电（Event1）、有电动汽车充电完成（Event2）、光伏出力变化量达到一定阈值（Event3）和充电总功率变化量达到一定阈值（Event4）这四种情况（“1”表示发生，“0”表示未发生）时，会触发充电功率分配策略。

3.3.1 光伏出力变化量达到一定的阈值

式（8）为光伏变化量自适应动态阈值生成方法。

设置固定阈值时，若阈值设置太小，则功率分配计算过于频繁，而电动汽车数量较多时，分配到每辆电动汽车的功率几乎不会发生改变。如果单次功率分配算法的计算量较大，则会给控制系统带来严重的负担。当电动汽车数量较少时，较小的光伏变化量分配到每辆电动汽车，也能使电动汽车的充电倍率发生有效的变化，若此时阈值设置太大，则会造成光伏功率得不到及时的分配。

3.3.2 充电总功率变化量达到一定的阈值

式（9）为充电总功率变化量动态阈值生成方法。

3.4 事件触发状态机

本文采用状态机来实现事件驱动机制，如图4所示。运行策略主要包含三个状态：事件监测状态、功率分配状态和策略执行状态。正常情况下状态机处于事件监测状态，当检测到四个事件中的一个或几个时，则触发功率分配状态进行功率分配计算，计算完成之后（Padone=1表示计算完成，Padone=0表示正在计算过程中），触发执行状态，将功率分配结果下发至充电机执行，下发完毕之后（Exdone=1表示执行完毕，Exdone=0表示正在执行状态），继续进行事件监测。

图4 事件触发状态机

3.5 实时运行策略

图5所示为中央控制器、充电机和电动汽车三者之间的信息交互。

图5 中央控制器、充电机和电动汽车三者之间的信息交互

当电动汽车到达充电站与充电机连接之后，电动汽车的电池管理系统（Battery Management System, BMS）将电池容量、最大充电倍率、当前电压和当前SOC等信息发送给充电机，当前电压和当前SOC信息是周期性发送。用户需要通过充电机的人机界面设定目标SOC、离开时间和是否受控等信息。充电机将从人机界面和BMS得到的信息传送给中央控制器。中央控制器接收光伏充电站中所有充电机的数据和来自光伏发电系统的实时光伏出力等其他数据，并对接收到的数据进行相应的处理，得到电动汽车的充电可行域、电动汽车的分类、刚性充电类电动汽车数量、柔性充电类电动汽车的数量、电动汽车总数量、充电总功率、光伏出力、电动汽车离开时间d、电动汽车可调节系数、光伏动态阈值和充电总功率动态阈值等数据。

以第辆电动汽车为例。根据FCR模型可知，第辆电动汽车的充电起始时间在区间，充电倍率在区间，充电功率可以根据式（10）计算得到。

实时运行策略的流程如图6所示，具体实施过程如下。

图6 实时运行策略流程

（2）计算电动汽车的充电可行域，并对电动汽车进行分类，分别计算各类电动汽车的数量。

（3）实时事件监测。如果出现四种事件中的一种或几种，则开始功率分配，执行第（4）步，否则，继续执行第（3）步。

（4）为刚性充电类电动汽车分配最大充电功率，计算这些电动汽车的充电总功率和数量。

（5）通过式（13）计算柔性充电类电动汽车的最小充电总功率，从而可以得到光伏充电站的充电总功率。

约束条件为

4 算例分析

4.1 仿真模型参数设置

以商业楼宇光伏充电站为研究对象，其网络拓扑如图7所示。光伏充电站通过双向AC-DC接入交流母线，站内光伏与电动汽车充电机接入直流母线，整个光伏充电站与楼宇其他用电负荷一同接入配电网。

图7 仿真模型拓扑结构

光伏装机容量为240kW，选用夏季典型日出力基础数据，如图8所示。

图8 夏季典型日光伏出力曲线

电动汽车数量为120辆，默认目标SOC为0.85，即obj=0.85，动力电池参数见表1。图9所示为编号从1～120的电动汽车到站、离站时间、停留时长的统计数据和随机生成的初始SOC示意图。在Matlab中搭建了仿真模型，对运行策略进行了仿真实验。

表1 动力电池参数表

Tab.1 The parameters of EV battery

图9 随机生成的初始SOC和到达时间

4.2 对比结果分析

为了说明本文提出的运行策略的有效性，将其与常规的运行策略进行了对比分析。

对于常规的运行策略，电动汽车随到随充，以恒流的方式进行充电，充电站并不对电动汽车进行有序充电管理，直到电动汽车达到目标SOC。

从图10中可以看到，由于采用常规充电策略，充电站并未对电动汽车采取控制措施，电动汽车集中在同一时段进行刚性充电，而光伏功率不能满足充电需求，从而导致电网负荷急剧增加，与原始负荷曲线相比，峰值负荷增加了约350kW。从约10∶30到充电结束，由于常规充电策略不能将光伏出力与充电功率结合，不能实现光伏最大化就地消纳，从而导致充电行为对电网产生较大的影响，严重时可能因为线路过负荷引起配电网故障。从图11中可以看到，由于较低的初始SOC和较短的停留时间，虽然采用了最大允许充电功率充电，有4辆刚性电动汽车仍然无法达到目标SOC。

图10 常规运行策略效果曲线

图11 常规充电策略电动汽车SOC对比

Fig.11 Comparison between initial SOC and departure SOC controlled by regular strategy

本文提出的实时运行策略以满足用户充电需求和促进光伏最大化就地消纳，减少对电网影响为原则，对电动汽车的充电行为进行了有序的控制。采用FCR模型限制电动汽车的充电行为，采用DET机制动态触发RTPA算法对电动汽车的充电功率进行了优化分配，运行策略效果如图12～图15所示。

图12 充电中电动汽车数量变化

图13 实时运行策略效果

图14 抽取的5辆电动汽车充电倍率

图15 充电前后SOC对比

由图12可知，从7∶00～10∶00左右，同时充电的电动汽车数量迅速增加，10∶00～14∶00时段，同时充电的电动汽车数量达到平衡状态，14∶00～17∶00时段，电动汽车陆续充满，同时充电中的电动汽车数量迅速减少。

从图12和图13中可以看出，从7∶00～10∶40左右，随着电动汽车数量的增加，光伏功率不能满足充电需求，为了达到充电目标SOC同时降低对电网的影响，RTPA算法给刚性类电动汽车分配最大充电倍率，给柔性类电动汽车分配最小充电倍率，此时，功率缺额由电网提供，电网峰值负荷增加50kW左右，是常规充电策略增长量的1/7左右。在10∶00～14∶30时段，由于光伏功率充足，因此，DET机制动态触发RTPA算法跟随光伏功率的变化为电动汽车分配充电功率，以减少对电网的影响。将图13与图10对比可知，约从10∶30开始到充电结束，采用常规策略充电，光伏功率未得到充分就地消纳，而本文提出的实时运行策略能够有效地促进光伏最大化就地消纳。

图14中为随机选取的5辆电动汽车的充电倍率曲线，其中编号120的电动汽车为刚性需求类电动汽车，由于较短的充电时长和较低的SOC，RTPA算法为其分配了最大充电功率，使其尽可能满足充电需求。而其他4辆电动汽车为柔性类，其充电功率由RTPA根据光伏功率和FCR模型进行了合理的分配。对比图11和图15中可以看出，采用本文提出的运行策略在满足用户需求上具有与常规运行策略相同的性能。

5 结论

本文针对光伏充电站提出一种实时运行策略，以满足用户充电需求和促进光伏最大化就地消纳，减少对电网影响为原则，对光伏出力和电动汽车充电需求未采用预测算法，而是基于实时决策框架。根据电动汽车的充电行为，将电动汽车分为刚性充电和柔性充电两类，采用充电可行域对电动汽车的充电行为进行控制，以满足电动汽车的充电需求。并根据电动汽车的数量、充电总功率和光伏功率的变化，采用DET机制触发RTPA算法为每辆电动汽车分配合适的充电功率，有效地将充电行为与光伏出力有机结合。对比实验结果显示本文提出的算法对于不同分类的电动汽车能进行合理的充电功率分配，满足用户白天的充电需求，促进光伏最大化就地消纳，同时，减少电动汽车充电行为给电网带来的不利影响。

参考文献

[1] 路欣怡, 刘念, 陈征, 等. 电动汽车光伏充电站的多目标优化调度方法[J]. 电工技术学报, 2014, 29(8): 46-56.

Lu Xinyi, Liu Nian, Chen Zheng, et al. Multi- objective optimal scheduling for PV-assisted charging station of electric vehicles[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 46-56.

[2] 肖湘宁, 温剑锋, 陶顺, 等. 电动汽车充电基础设施规划中若干关键问题的研究与建议[J]. 电工技术学报, 2014, 29(8): 1-10.

Xiao Xiangning, Wen Jianfeng, Tao Shun, et al. Study and recommendations of the key issues in planning of electric vehicles’charging facilities[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 1-10.

[3] 鲍谚, 贾利民, 姜久春, 等. 电动汽车移动储能辅助频率控制策略的研究[J]. 电工技术学报, 2015, 30(11): 115-126.

Bao Yan, Jia Limin, Jiang Jiuchun, et al. Research on the control strategy of electric vehicle mobile energy storage in ancillary frequency regulation[J]. Transa- ctions of China Electrotechnical Society, 2015, 30(11): 115-126.

[4] 刘月贤, 王天钰, 杨亚宇, 等. 电动汽车充放电系统建模与仿真[J]. 电力系统保护与控制, 2013, 42 (13): 70-76.

Liu Yuexian, Wang Tianyu, Yang Yayu, et al. Modeling and simulation of electric vehicles’ charge and discharge system[J]. Power System Protection and Control, 2013, 42(13): 70-76.

[5] Jian L N, Xue H H, Xu G Q, et al. Regulated charging of plug-in hybrid electric vehicles for minimizing load variance in household smart microgrid[J]. IEEE Transactions on Industrial Electronics, 2013, 60(8): 3218-3226.

[6] 陶顺, 肖湘宁, 温剑锋. 电动汽车分散充电设施配比度分析与计算方法[J]. 电工技术学报, 2014, 29(8): 11-19.

Tao Shun, Xiao Xiangning, Wen Jianfeng. Con- figuration ratio for distributed electrical vehicle charging infrastructures[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 11-19.

[7] 佟晶晶, 温俊强, 王丹, 等. 基于分时电价的电动汽车多目标优化充电策略[J]. 电力系统保护与控制, 2016, 44(1): 17-23.

Tong Jingjing, Wen Junqiang, Wang Dan, et al. Multi-objective optimization charging strategy for plug-in electric vehicles based on time-of-use price[J]. Power System Protection and Control, 2016, 44(1): 17-23.

[8] 刘月贤, 王天钰, 杨亚宇, 等. 电动汽车充放电系统建模与仿真[J]. 电力系统保护与控制, 2014, 42(13): 70-76.

Liu Yuexian, Wang Tianyu, Yang Yayu, et al. Modeling and simulation of electric vehicles’charge and discharge system[J]. Power System Protection and Control, 2014, 42(13): 70-76.

[9] Rautiainen A, Mutanen A, Repo S, et al. Case studies on impacts of plug-in vehicle charging load on the planning of urban electricity distribution networks[C]// 8th International Conference and Exhibition on Ecological Vehicles and Renewable Energies (EVER), Monte Carlo, 2013: 1-7.

[10] Fernández L P, Roman T G S, Cossent R, et al. Assessment of the impact of plug-in electric vehicles on distribution networks[J]. IEEE Transactions on Power Systems, 2011, 26(1): 206-213.

[11] Dyke K J, Schofield N, Barnes M. The impact of transport electrification on electrical networks[J]. IEEE Transactions on Industrial Electronics, 2010, 57(12): 3917-3926.

[12] Cao Y J, Tang S W, Li C B, et al. An optimized EV charging model considering TOU price and SOC curve[J]. IEEE Transactions on Smart Grid, 2012, 3(1): 388-393.

[13] Marra F, Yang G Y, Træholt C, et al. EV Charging facilities and their application in LV feeders with photovoltaics[J]. IEEE Transactions on Smart Grid, 2013, 4(3): 1533-1540.

[14] Saber A Y, Venayagamoorthy G K. Plug-in vehicles and renewable energy source for cost and emission reduction[J]. IEEE Transactions on Industrial Electronics, 2011, 58(4): 1229-1238.

[15] Traube J, Lu F, Maksimovic D. Mitigation of solar irradiance intermittency in photovoltaic power systems with integrated electric-vehicle charging functionality[J]. IEEE Transactions on Power Elec- tronics, 2013, 28(6): 3058-3067.

[16] Birnie D P. Solar-to-vehicle (S2V) systems for powering commuters of the future[J]. Journal of Power Sources, 2009, 186(2): 539-542.

[17] Byeon G, Yoon T, Oh S, et al. Energy management strategy of the DC distribution system in buildings using the EV service model[J]. IEEE Transactions on Power Electronics, 2013, 28(4): 1544-1554.

[18] Zhu W, Wang L F, Dounis A I, et al. Integration of plug-in hybrid electric vehicles into energy and comfort management for smart building[J]. Energy and Buildings, 2012, 47: 260-266.

[19] Fabian Kennel, Gorges D, Liu Steven. Energy management for smart grids with electric vehicles based on hierarchical MPC[J]. IEEE Transactions on Industrial Informatics, 2013, 9(3): 1528-1537.

[20] Roy J V, Leemput N, Geth F, et al. Electric vehicle charging in an office building microgrid with distributed energy resources[J]. IEEE Transactions on Sustainable Energy, 2014, 5(4): 1389-1396.

Real-Time Operation Strategy for PV-Based EV Charging Station Considering Charging Demand and Random Events

112,31

（1. State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources North China Electric Power University Beijing 102206 China 2. State Grid Energy Conservation Service Co. Ltd Beijing 100052 China 3. State Grid (Beijing) Energy Conservation Design and Research Institute Co. Ltd Beijing 100052 China）

PV-based EV charging station is an effective system to integrate the PV generation system into the charging facility. It would effectively reduce indirect carbon emission and the impacts on the grid network. In this paper, a real-time operation strategy is proposed for the PV-based EV charging station. EVs are classified into two categories: the rigid EVs and the flexible EVs, following three principles of adapting to charging demand, maximizing the self-consumption of PV energy and reducing the impacts on the power grid. It consists of four main parts, that is, EV classification, the feasible charging rate, the mechanism of dynamical event triggering and the algorithm of real-time power allocation for EVs. Furthermore, in order to avoid the defect introduced by forecasting algorithm, non-forecasting strategy is adopted. The simulation results have shown that the proposed strategy can make full use of PV system. The strategy will promote the application of PV-based EV charging station.

PV-based EV charging station, electric vehicles, real-time operation strategy, power allocation

U469.72；TK51

陈奇芳 男，1986年生，博士，研究方向为需求侧能量管理、电动汽车等。

E-mail: amiqicqf@163.com（通信作者）

刘 念 男，1981年生，副教授，研究方向为需求侧能量管理、电力信息安全、电动汽车等。

E-mail: nian_liu@163.com

2016-03-07 改稿日期 2016-06-12

国家自然科学基金（51577059）和中央高校基金（2015XS03）资助项目。