电动汽车充放电行为分析与优化研究

谈 宸，杨书明，蒋知明

（荆楚理工学院电子信息工程学院，湖北 荆门 448000）

0 引言

随着能源环境问题的日渐凸显，为落实国家能源发展战略，构建清洁、高效、安全、可持续的现代能源体系，电动汽车得到了大力发展[1-2]。2018—2020年公共服务车辆中，每年新增电动汽车数量已提高至30%～50%[3]。随着电动汽车逐渐规模化，电动汽车的无序充电和随机性将导致电网峰值负荷增加、配电网不平衡运行以及系统谐波等相关问题[4]；同时，电动汽车作为一个移动式储能设备，在实现合理的充放电管理后，可以在电网削峰填谷、协同消纳新能源等方面提供助力[5]。因此，分析电动汽车充电状态，将电动汽车的充放电与电网的平稳运行相结合，成为了当前研究重点。

对于电动汽车充放电与电网运行优化问题，专家学者主要针对电动汽车行为分析、用电负荷调节以及电网经济稳定运行等方面进行研究[6-8]。文献[9-10]分析了电动汽车充放电行为特征以及出行行为特征对自然负荷曲线和配电网的影响，但其并未分析充电时刻、充电时长、充电量等充电数据特征，未考虑不同种类电动汽车对电网负荷功率和充电桩建设经济成本等因素的影响。

因此，本文充分考虑不同充电功率电动汽车比例的影响，建立了充电功率优化管理数学模型。通过构建充电行为分析模型，对电动汽车的充电时刻、充电时长以及充电量等特征因素进行可靠分析，并基于特征分析结果建立电动汽车充电优化模型，通过优化遗传算法对模型进行求解，确定优化管理策略，实现了电动汽车与电网的经济优化运行。

1 电动汽车充电行为分析

电动汽车充电行为具有随机性与波动性特点，其充电特征可能受使用者习惯、系统荷电状态等多因素制约，为充分分析电动汽车行为特征对电力系统负荷功率与系统稳定性的影响，首先需对电动汽车各种行为特征进行数据分析。为保证所分析特征的可靠性，EV的采样数据采用分时、分区采样方法，选取某市区100辆电动汽车作为数据样本，分别记录其7d的充电行为，包括充电时刻、时长以及充电量等相关参数。

1.1 充电时刻分析

为确定电动汽车充电功率对电力系统峰谷负荷的影响，对不同时刻的电动汽车充电密集程度进行预测。图1所示为在1周内100辆汽车充电时刻的散点分布图。

图1 电动汽车充电时刻分布图Fig.1 Electric vehicle charging time distribution

1.2 充电时长分析

考虑到充电时长也会导致不同时段内的充电不均问题，需对充电时长特征进行分析。为避免工作日和非工作日的充电特征不同造成整体的分析误差，对周一和周六的充电时长数据进行简要分析，求得相关数据如表1所示。

表1 充电时长数据对比表Ta.1 Comparison table of charging time data

由表1数据可知，周一和周六的数据存在偏差，但整体数据较为接近。进一步，对单日充电时长和1周的充电时长进行对比分析，图2所示为充电时长的对比图。

图2 充电时长的对比图Fig.2 Comparison chart of charging time

通过充电时长的密集程度进行观察，多数车辆的充电时长集中于0～10h，当充电超过12h后，充电数量锐减，其中超过30h的概率＜5%；同时，对比充电时长的趋势可知，单日充电时长与1周充电时长的趋势具有一致性，其中各自的数据标准差分别为7.892和8.166较为接近，即整体的充电时长具有规律性。

1.3 充电量分析

规模化电动汽车的整体充电量是导致电网负荷波动的关键因素，基于充电量的概率分布特点，可制定充电桩经济安装策略以及充放电优化调控策略，因此分析充电量概率分布是分析充电行为特征的重要因素。

首先分析整体分布。基于样本数据对每天的充电量进行拟合，分别对7d充电量的100个样本构建正态分布函数。目标函数代表一辆电动汽车1d充电量的正态分布为：

构建目标函数后，利用matlab的正态分布工具对样本进行样本拟和，周一、周二的拟合曲线如图3(a)、图3(b)所示。

图3 正态分布概率拟合Fig.3 Probability fitting of normal distribution

同时，基于正态分布概率函数，为对比各天的用电量数据，对每个正态分布函数的期望和标准差进行求解。周一至周日的用电量概率密度函数的相关计算数据如表2所示。

观察计算数据可知，1周内整体的期望方差较为接近，即各天的电动汽车充电量整体数据没有明显偏差。但对比周一至周五以及周六至周日的数据也可发现，相对而言工作日的充电量趋势基本一致，而于非工作日存在一定偏差，因此以年为周期分析充电量时，为简化计算可忽略工作日与非工作日的偏差影响。而基于单日充电量进行预测与优化管理时，需分别进行分析讨论。

表2 用电量分布数据Tab.2 Power consumption distribution data

2 模型建立

2.1 问题分析

传统电动汽车充放电优化模型将全部充电功率作为相同量进行处理，并未考虑不同充电功率对整体电网负荷状态的影响，而实际生活中，电动汽车的充电功率存在差异，主要功率分为3个等级：交流1级、交流2级、直流充电。其中各级的充电功率与设备成本各不相同，电动汽车充电功率等级如表3所示。

表3 充电功率等级Tab.3 Charging power level

由于充电功率等级存在不同，其配置的比例直接会影响经济成本、充电时长和充电量。因此，需实现不同充电功率的合理配置以实现充电量需求、电网峰谷负荷优化以及设备投资经济性的均衡优化。

2.2 电动汽车充电优化模型

年充电功率预测模型可确定用户的整体用电需求，假定用户整体有10 000辆车的用电需求，以100辆车为样本，可预测10 000辆车的年用电量约为5.12×107kW。基于电动汽车的用电需求，为确定充电功率的优化配置，以总用电和用电特征为基础，建立多目标优化模型。假设交流1级、交流2级、直流充电的配置比例为a:b:c，目标函数为：

其中：f1为建设成本，f2为充电峰谷差，f3为用户需求，Pi为类型i的充电功率，St为类型i的充电时间，充电时间与电动汽车充电时长概率函数相关。

模型的约束条件为：

3 模型求解

考虑到模型为多目标优化问题，采用优化的遗传算法进行求解，算法采用模拟退火算法的Metropolis抽样准则对下代种群进行选取，让种群的迭代趋于良性，保证算法收敛速度也避免陷入局部最优解。改进遗传算法计算步骤如下：

步骤1：设定系统迭代相关参数。

步骤2：生成初代群体参数。

步骤3：运行克隆遗传步骤，生成临时群体。

步骤4：运用Metropolis判别准则对临时群体P(B)中的染色体进行判别，决定其是否能进入下一代群体。

步骤5：产生新一代群体P(i+1)。

步骤6：执行模拟退火的退温步骤。

步骤7：求解新一代种群的个体适应参数，并得出最大适应值。

步骤8：判断算法是否迭代完成，若最大适应度是否连续10代未出现变化，则算法迭代求解完成，输出迭代最优解；否则返回步骤3，继续进行迭代寻优计算。图4为改进克隆遗传算法流程图。

图4 改进克隆遗传算法流程图Fig.4 Improved clonal genetic algorithm flow chart

4 结果分析

本文根据多目标数学模型和优化的克隆遗传算法，在Matlab仿真平台进行对系统多目标模型进行运算求解，同时为验证改进算法的快速性和有效性，分别采用遗传算法和改进遗传进行对比分析，算法迭代曲线图如图5所示。

图5 算法迭代曲线图Fig.5 Algorithm iteration curve

通过分析图5可知，改进遗传算法求解速度更快，改进遗传算法更适应该目标模型，最终改进遗传算法求得的交流1级、交流2级、直流充电的配置比例分别为0.391、0.492、0.117。交流2级配置最多，可优化经济性与功率指标；交流1级次之，可减小建设费用，提高经济性；直流充电配置用户满足快速充电要求，但成本较高，采取最低配置，同时考虑到实际情况下电动汽车快充需求相对较低，因此算法求解的充电配置比例具有合理性。

对仿真数据结果带入负荷预测模型进行充电量验证，所配置比例满足系统所需负荷要求以及经济建设原则，可实现充电量需求、电网峰谷负荷以及投资经济性三者优化。

5 结论

本文以区域范围各类电动汽车为研究对象，根据区域内电动汽车的充电数据样本，对充电时刻、充电时长以及充电量等相关充电特征参数进行了可靠分析，并基于充电行为和用户需求，建立了充电量预测模型和充电优化数学模型，且根据改进遗传算法对数学模型进行求解，确定了满足用户需求、优化无序充电峰谷差以及设备经济性投资等三个方面的最优功率配比。该课题对实现不同功率电动汽车的优化调节、充电桩合理配置等方面具有积极意义。