摘要：新能源汽車大規模無序充電會導致電網負荷和電壓偏移量過大,需要采取有效措施進行管理和優化,保障電網運行穩定可靠。 通過對新能源汽車駕駛員駕駛行為和充電習慣進行分析,建立電動汽車充電負荷模型,結合長短期記憶網絡(LSTM)等技術,設計了一種有序充電控制及優化系統。 該系統可以實時監測車輛充電需求和電網負荷情況,通過智能化控制算法和優化策略,實現對新能源汽車充電過程的有序管理。 測試結果表明,利用此方法對車輛充電展開有序優化后,充電樁負荷波動平穩,電壓偏移量在 1% ~4% ,可有效降低電網負荷波動,為電網管理和運營提供了可靠的技術支持。

關鍵詞：新能源汽車;有序充電;優化系統;電壓偏移量;LSTM

0引言

隨著全球能源需求和環境保護意識的不斷提高,新能源汽車作為一種清潔、高效的交通工具,逐漸受到人們的關注和青睞。 然而,新能源汽車的大規模普及也帶來了一系列挑戰,在傳統燃油車輛逐漸被新能源汽車取代的趨勢下,充電基礎設施的建設和管理成為亟待解決的問題之一[1 - 2]。大規模無序充電不僅會導致電網負荷過大、電壓偏移量過大,還會影響電網的穩定運行[3]。 當大量新能源汽車同時進行充電時,會造成短時間內電網負荷劇增,超出電網的承載能力范圍,從而引發電網設備過載、供電不穩定等現象發生[4 - 6]。 因此,為了保障電網穩定運行,需要采取有效的措施對新能源汽車的充電行為進行管理和優化。

1 新能源汽車有序充電控制分析

1.1 駕駛行為和充電習慣分析

新能源汽車有序充電控制模型的設計,首先需要對駕駛行為進行分析。 駕駛行為直接影響新能源汽車的充電需求模式和充電時間選擇,因此對駕駛員的駕駛行為和充電習慣進行分析具有重要意義[7]。 首先分析駕駛員的充電需求模式,包括充電頻率、充電時段、充電時長等因素,得到不同駕駛行為下的充電需求模式,為有序充電控制模型的設計提供基礎數據。 其次研究駕駛員的充電習慣,包括選擇充電樁的偏好、充電速度的要求、充電方式的選擇等,可幫助優化充電樁資源分配和充電策略制定。 最后考慮駕駛員在不同行駛路況下的充電需

求變化,如在高速公路、市區擁堵路段、郊區等。 以上分析有助于制定針對性的充電管理策略,提高充電效率和資源利用率。在新能源汽車有序充電控制模型中,假設充電需求模式與駕駛行為之間存在一定關系[8],表示如下

D(t) = f(B(t),R(t),L(t)) (1)

式中 D(t) —在時刻 t 的充電需求;

B(t) —駕駛員的駕駛行為因素,如行駛速度、加速度、車輛負載等;

R(t)— 路況因素,如路況狀況、交通流量等;

L(t) —環境因素,如氣溫、光照等。

假設函數 f 是一個非線性函數,通過統計分析駕駛數據和試驗數據來擬合出合適的函數形式,從而預測不同時間點的充電需求,根據實時的駕駛行為、路況和環境因素來調整充電樁的充電策略,實現對新能源汽車充電過程的智能化管理和優化。

1.2 新能源汽車充電負荷模型

建立新能源汽車充電負荷模型是有序充電控制系統設計的關鍵步驟之一。 該模型可預測不同時間段內新能源汽車的充電負荷,以便有效調控充電樁資源,實現電網負荷的平衡和優化。

新能源汽車車內電量隨著車輛公里數的增加而逐漸降低,這是由于電池的充放電循環以及電池老化等因素導致的。 因此,新能源汽車行程終止時的電荷狀態 SOC 值會受到車輛行駛里程的影響而產生相應變化[9 - 10]。 可以用以下公式表示車輛行程終止時的 SOC 值( State of Charge)與車輛公里數的關系

SOC = SOC0 - k·Mileage (2)

式中 SOC —行程終止時的電荷狀態;

SOC0 —起始時刻的電荷狀態;

Mileage —車輛的行駛里程;

k—電池的衰減系數,反映了電池隨著循環充放電次數的增加而逐漸損耗的情況。

為更好管理和優化電動汽車的充電行為,在SOC 剩余量過低時需要根據車輛行駛里程、SOC 初始值和電池的衰減系數等因素來計算出 SOC 行駛里程閾值,當 SOC 剩余量低于該閾值時,車輛應前往充電站充電。 結合之前的公式,綜合考慮 SOC 剩余量和行駛里程,建立 SOC 行駛里程閾值的計算公式如下

SOCthreshoid = SOC0 - k·(Mileagemax - Mileage)(3)

式中 SOCthreshoid—SOC 行駛里程閾值,即當 SOC 剩余量低于該閾值時需要前往充電站充電;

Mileagemax—車輛的最大行駛里程;

Mileage—當前車輛的行駛里程。

2新能源汽車有序充電多目標優化

為滿足電動汽車充電需求的同時,優化充電過程中的多個目標,如降低充電成本、減少充電時間、提高電池壽命等。 該優化過程涉及到多個因素和目標之間的平衡和權衡,需要綜合考慮各種約束條件和優化目標,以實現對新能源汽車充電過程的智能化和高效管理。

2.1 目標函數條件設定

設定目標函數條件直接影響到優化結果的有效性和實用性。 針對多個優化目標設定的目標函數條件[11]

f(x) = w1·f1 (x) + w2·f2 (x) + w3·f3 (x) + w4·f4 (x)(4)

式中 f(x)—優化目標函數,通過加權和的方式綜合考慮多個影響因素;

fi(x)—各個優化目標的子目標函數,如最小化充電成本、充電效率等;

wi—第 i 個目標函數的權重,反映了各個目標在優化中的重要程度;

x—優化變量,如充電時段、充電電流等。

通過調節各個目標函數的權重 wi,實現對不同優化目標的調控。 例如,注重充電成本最小化時,可增大 w1 的值;注重充電,可增大 w2的值,依此類推。

2.2 基于 LSTM 下有序充電結果尋優

2.2.1 數據采集和預處理

收集新能源汽車的充電歷史數據,包括充電時段、充電電流、SOC 值等信息,然后對數據進行預處理,包括數據清洗[式(5)]、歸一化處理[式(6)]等,以便用于 LSTM 模型的訓練和優化[12]。

2.2.2 建立 LSTM 模型

基于預處理后的數據,建立 LSTM 模型來預測新能源汽車的充電行為。 采用監督學習法,將充電歷史數據作為輸入序列,將下一個時刻的充電狀態(如 SOC 值)作為輸出,通過訓練 LSTM 模型來學習充電行為的規律和趨勢[13]

2.2.3優化充電策略

利用訓練好的 LSTM 模型預測新能源汽車在未來時刻的充電狀態。 結合多目標優化方法,設定目標函數和約束條件,如最小化充電成本、充電效率等尋找好的充電策略[14]。目標函數為式 (4 ),優化算法的約束條件即g1 (x)≤0,i = 1,2,…,m。其中, g1 ( x) 為約束條件,包括對充電時段、充電電流等參數的約束,確保優化結果的可行性。

2.2.4優化充電策略

在實際應用中,利用實時數據來調整和優化充電策略。 通過不斷更新 LSTM 模型和優化算法,使充電過程能根據實時情況進行智能化調整,以達到最佳的充電效果。

3模型仿真與分析

3. 1 仿真設置

基于 Matlab 軟件開展仿真,設置仿真時間范圍t開始至 t結束確定仿真的時間段。 設置仿真數據采集頻率 Δt 確定數據采集的時間間隔。

通過實時監測系統或傳感器獲取充電樁的實時負荷數據,包括充電電流、充電功率,根據實時負荷數據,計算充電樁負荷的波動性指標,本文選擇標準差和波動系數[15]。

計算公式如下

通過對比優化前后充電樁負荷波動性指標(表1)可知,優化后負荷波動性明顯降低。 標準差和波動系數的減小表明充電樁負荷的穩定性得到了提高,這對于電網運行的穩定性和可靠具有積極影響。

電壓偏移量反映了電壓數據集合中各個數據點相對于平均值的偏離程度。 較小的電壓偏移量通常表示電壓數據相對穩定,變化較小;較大的電壓偏移量則表示電壓波動較大,電網運行不夠穩定。 因此,通過電壓偏移量的計算可以對電網的穩定性進行評估。 電壓偏移量標準計算步驟如下。1)收集電壓數據。 使用傳感器或監測系統實時收集電網中各個時刻的電壓數據。

優化前后充電樁電壓偏移量指標分析,如表 2所示。 結果表明,在所有時間段內,優化后的電壓偏移量明顯減小。 這表明優化后的充電管理策略有效降低了電壓波動,提高了電網電壓的穩定性,為電力系統的可靠運行提供了良好保障。

4安科瑞充電樁收費運營云平臺

4.1概述

AcrelCloud-9000安科瑞充電柱收費運營云平臺系統通過物聯網技術對接入系統的電動電動自行車充電站以及各個充電整法行不間斷地數據采集和監控，實時監控充電樁運行狀態，進行充電服務、支付管理，交易結算，資要管理、電能管理，明細查詢等。同時對充電機過溫保護、漏電、充電機輸入/輸出過壓，欠壓，絕緣低各類故障進行預警；充電樁支持以太網、4G或WIFI等方式接入互聯網，用戶通過微信、支付寶，云閃付掃碼充電。

4.2應用場所

適用于民用建筑、一般工業建筑、居住小區、實業單位、商業綜合體、學校、園區等充電樁模式的充電基礎設施設計。

4.3系統結構

4.3.1系統分為四層：

1）即數據采集層、網絡傳輸層、數據中心層和客戶端層。

2）數據采集層：包括電瓶車智能充電樁通訊協議為標準modbus-rtu。電瓶車智能充電樁用于采集充電回路的電力參數，并進行電能計量和保護。

3）網絡傳輸層：通過4G網絡將數據上傳至搭建好的數據庫服務器。

4）數據中心層：包含應用服務器和數據服務器，應用服務器部署數據采集服務、WEB網站，數據服務器部署實時數據庫、歷史數據庫、基礎數據庫。

5）應客戶端層：系統管理員可在瀏覽器中訪問電瓶車充電樁收費平臺。終端充電用戶通過刷卡掃碼的方式啟動充電。

小區充電平臺功能主要涵蓋充電設施智能化大屏、實時監控、交易管理、故障管理、統計分析、基礎數據管理等功能，同時為運維人員提供運維APP，充電用戶提供充電小程序。

4.4安科瑞充電樁云平臺系統功能

4.4.1智能化大屏

智能化大屏展示站點分布情況，對設備狀態、設備使用率、充電次數、充電時長、充電金額、充電度數、充電樁故障等進行統計顯示，同時可查看每個站點的站點信息、充電樁列表、充電記錄、收益、能耗、故障記錄等。統一管理小區充電樁，查看設備使用率，合理分配資源。

4.4.2實時監控

實時監視充電設施運行狀況，主要包括充電樁運行狀態、回路狀態、充電過程中的充電電量、充電電壓/電流，充電樁告警信息等。

4.4.3交易管理

平臺管理人員可管理充電用戶賬戶，對其進行賬戶進行充值、退款、凍結、注銷等操作，可查看小區用戶每日的充電交易詳細信息。

4.4.4故障管理

設備自動上報故障信息，平臺管理人員可通過平臺查看故障信息并進行派發處理，同時運維人員可通過運維APP收取故障推送，運維人員在運維工作完成后將結果上報。充電用戶也可通過充電小程序反饋現場問題。

4.4.5統計分析

通過系統平臺，從充電站點、充電設施、、充電時間、充電方式等不同角度，查詢充電交易統計信息、能耗統計信息等。

4.4.6基礎數據管理

在系統平臺建立運營商戶，運營商可建立和管理其運營所需站點和充電設施，維護充電設施信息、價格策略、折扣、優惠活動，同時可管理在線卡用戶充值、凍結和解綁。

4.4.7運維APP

面向運維人員使用，可以對站點和充電樁進行管理、能夠進行故障閉環處理、查詢流量卡使用情況、查詢充電\充值情況，進行遠程參數設置，同時可接收故障推送

 4.4.8充電小程序

面向充電用戶使用，可查看附近空閑設備，主要包含掃碼充電、賬戶充值，充電卡綁定、交易查詢、故障申訴等功能。

4.5系統硬件配置

5結語

  通過對新能源汽車駕駛員駕駛行為和充電習慣進行分析,建立電動汽車充電負荷模型,并結合長短期記憶網絡( LSTM) 等技術,設計了一種有序充電控制及優化系統。 該系統采用多目標優化方法,設定了合適的目標函數條件,以實現對新能源汽車充電過程的有序管理和優化。 經仿真分析,得出以下結論。

1)優化后的充電樁管理策略有效降低了充電樁負荷的波動性,提高了電網運行穩定性和可靠性。

2)優化后的電壓偏移量明顯減小,表明電壓波動性得到了有效控制,符合電網穩定運行的要求。

3)優化后的系統在不同時間段均能保持較低的負荷波動和電壓波動,為電力系統的安全運行提供良好保障。

參考文獻

[1] 宋麗, 孫崇書, 魯海寧, 等. 基于復合拓撲結構的AGV 大功率無線充電系統設計[ J]. 農機使用與維修, 2023(10): 35 - 41.

[2] 孫婷婷, 方燦, 鄭竹安, 等. 微型電動汽車動力電池充電保溫系統設計研究[ J]. 農業裝備與車輛工程,2024, 62(3): 66 - 69.

[3] 劉麗軍, 陳昌, 胡鑫, 等. 基于“車 - 路 - 站 - 網" 信息耦合的電動汽車有序充電策略[ J]. 高電壓技術,2024, 50(2): 693 - 703.

[4] 黃子晴, 林兵, 盧宇, 等. 面向多目標優化的充電站選址定容方法[ J]. 福建師范大學學報( 自然科學版), 2024, 40(2): 23 - 35.

[5] 沙廣林, 劉璐, 馬春艷, 等. 考慮車網互動的電動汽車有 序 充 電 策 略 [ J ]. 供 用 電, 2023, 40 ( 10 ):46 - 54.

[6] 高頡, 張玲華. 考慮風電接入的電動汽車有序充電策略研究[J]. 電子設計工程, 2024, 32(6): 62 - 67.

[7] 周宇凡,高輝,龍羿. 計及動態電價的電動汽車定制化充電策略[ J/ OL]. 電氣傳動,1 - 8[2024 - 03 - 23].https: / / doi. org / 10. 19457 / j. 1001 - 2095. dqcd25189.

[8] 于夢桐, 高輝, 楊鳳坤. 計及電動汽車保有量增長需求的 充 電 負 荷 預 測 [ J ]. 現 代 電 子 技 術, 2024,47(6): 55 - 62.

[9] 林祥, 張浩, 馬玉立, 等. 基于改進 LSTM 神經網絡的電動汽車充電負荷預測[J]. 現代電子技術, 2024,47(6): 97 - 101.

[10] 呂志鵬,宋振浩,李立生,等. 含電動汽車的工業園區綜合能 源 系 統 優 化 調 度 [ J/ OL]. 中 國 電 力, 1 -8[2024 - 03 - 14]. http: / / kns. cnki. net / kcms/ detail /11. 3265. tm. 20240312. 1624. 002. html.

[11] 陳垠錕,吳松澤,吳育堅. 一種電動汽車有序充電的優化方法研究[ J]. 單片機與嵌入式系統應用,2023,23(11):75 - 79.

[12] 劉子仟,黃莉,陸婋泉,等. 計及駕駛習慣影響的電動汽車碳減排量計算方法[ J]. 電力需求側管理,2024,26(2):62 - 69.

[13] 方勝利, 朱曉亮, 馬春艷, 等. 基于 SACPS 算法的住宅小區電動汽車集群有序充電 [ J]. 安徽大學學報(自然科學版), 2024, 48(1): 57 - 64.

[14] 張海濤, 李文娟, 李雪峰, 等. 考慮柔性資源靈活支撐的電 網 有 功/ 無 功 優 化 調 度 [ J]. 電 氣 自 動 化,2024, 46(1): 52 - 55 + 59.

[15] 朱桂林, 田豐聚, 王詩航, 等. 電動汽車充電負荷預測與有序充電控制策略分析[ J]. 集成電路應用2024, 41(2): 284 - 285.

[16] 郭俊飛，新能源汽車有序充電控制及優化系統設計.

[17] 安科瑞企業微電網設計與應用手冊.2022.05版.