第49卷第2期2022年2月
Vol.49，No.2
Feb.2022湖南大学学报（自然科学版）
Journal of Hunan University（Natural Sciences）
新型电力系统下综合电动汽车充电站的优化运行
颜勤†，涂晓帆
（长沙理工大学电气与信息工程学院，湖南长沙410114）
摘要：构建以新能源为主体、用电负荷多元化发展的新型电力系统是实现中国“双碳”目标的重要途径.源与荷双重不确定性的考验，对电力系统调控平衡能力及运行调度方式提出
了更高的要求.本文提出一个集成了插电式电动汽车（Plug-in Electric Vehicles，PEV）、新能源
hicle Charging Station，IEVCS），建立了一个考虑其时间特性及协同互动的四阶段智能优化控
制算法.目标在于最大程度地降低考虑了用户满意度及潜在不确定性的IEVCS运行成本，同
时通过调整PEV充放电、电池储能充放电、电网供给电量、可调整负荷等的优化调度来保障实
时供需平衡.文中分析了该算法每个阶段的作用，并验证了每个阶段在应对源荷不确定性状
况时为电力供给提供更多弹性及冗余度的必要性.
关键词：综合电动汽车充电站；插电式电动汽车；光伏发电；电池储能；商用建筑物；优化控制算法
中图分类号：TM73文献标志码：A
Optimized Operation of an Integrated Electric Vehicle Charging
Station with Renewables and Storage under New Power System
YAN Qin†，TU Xiaofan
（School of Electrical and Information Engineering，Changsha University of Science and Technology，Changsha410114，China）
Abstract：The construction of a New Power System with mainly renewable energy and diversification of electri⁃cal load is the essential path to achieve the“carbon peak and neutrality”target in China.Facing the dual uncertainty challenge of both source and load，it sets higher requirement for the power system coordination and operation abili⁃ties.This paper proposed a four-stage intelligent optimization and control algorithm for a bidirectional Integrated Electric Vehicle Charging Station（IEVCS）equipped with photovoltaic generation and battery storage and integrated with a commercial building.It aimed at maximally reducing the customer satisfaction-involved operational cost con⁃sidering the potential uncertainties，while guaranteeing the balance of real-time supply and demand by adjusting the optimally scheduled charging/discharging of PEVs and battery storage，grid supply，and deferrable load.This paper analyzed the role of each stage in the algorithm and verified the necessity of each stage to provide power supply more resilience and redundancy facing unpredictable conditions.
Key words：integrated electric vehicle charging station；plug-in electric vehicles；photovoltaic（PV）genera⁃tion；energy storage；commercial buildings；optimization and control algorithm
∗收稿日期：2021-10-18
基金项目：卡塔尔国家研究基金资助项目（NPRP8-241-2-095），Qatar National Research Fund（NPRP8-241-2-095）
作者简介：颜勤（1988—），女，湖南长沙人，博士，长沙理工大学讲师
†通信联系人，E-mail：*****************
文章编号：1674-2974（2022）02-0176-07DOI：10.16339/jki.hdxbzkb.2022227
第2期颜勤等：新型电力系统下综合电动汽车充电站的优化运行
“双碳”目标下，新能源发电在中国能源结构中将逐渐占据主导地位，交通电气化也成为了一个重要的发展趋势.作为新能源交通工具，插电式电动汽车（Plug-in Electric Vehicles，PEV）是一种极佳的可控负荷和电源资源，可通过调控来缓解新能源发电带来的功率波动，提升新能源消纳水平，其技术发展和推广使用将加快实现“双碳”目标，助力构建新型电力系统［1］.
中国建筑运行能耗占全国能源消耗总量21.7%，碳排放占比21.9%［2］，加之商业用电负荷呈大都市化趋势，负荷波动性强及用电峰谷差较大等问题突出，将商业建筑物用电与新能源及灵活资源（如电动汽车到建筑物（V2B）的运行模式）相融合进行统一调度，不仅能降低碳排放、降低能源成本、提高电能供应可靠性［3］，还具有巨大的商业潜力［4］.大型住宅楼和商业楼上宽敞的屋顶空间及光伏板作为遮
盖保护汽车免遭暴晒的能力使得光伏发电（Photovoltaic Generation，PV）的利用成为了满足建筑能耗的有效途径［3］.
许多研究将PEV充电站与光伏发电结合起来以帮助降低成本及减少碳排放［5-6］.为解决可再生能源的随机性，常使用额外的储能或旋转备用［7-8］.
针对PEV、充电站与楼宇之间的关系，目前已提出了一些优化模型和调度策略［5，9-11］.文献［9］考虑用户响应度和楼宇用电最大需求量约束，建立了基于V2B的PEV智慧充电桩模型；文献［5］为实现不间断充电及成本最小化，提出了一种集成PV、储能、电网和柴油发电机组的充电站；文献［10］考虑分布式发电市场化交易和用户充放电意愿，提出带PV的智能楼宇与PEV之间的能量调度策略；文献［11］提出“专变共享”模式，充电站靠租借楼宇的冗余容量来满足PEV需求.但目前研究中很少提出将集成储能及PV的PEV充电站直接与楼宇相结合的方式，也没有综合考虑运营成本、用户满意度、负荷损失及充电站利润.文献［12］按照不同的用途、［13］根据各车型充电方式与出行特点对PEV进行分类，但根据实时状态和收费标准对PEV分类更有实时性.不少文献研究了降低优化算法复杂度的方法，如通过舍弃最小性能差，如文献［14］中的计算复杂度为O(T3)，各阶段计算时间为1~10s/PEV，要实现实时调控就需减少计算时间.
针对上述问题，本文针对集可再生能源（如太阳能光伏发电PV）、固定蓄电池和商业建筑于一体的综合
电动汽车充电站（Integrated Electric Vehicle Charging Station，IEVCS），提出了一种新的四阶段优化控制算法.算法分为日前及时前预测优化调度和实时控制两大部分，以降低综合运行成本为目标，建立考虑潜在不确定性和顾客满意度指标的运营成本优化模型，再实时分层控制协调供需平衡，同时可节省总体计算时间.用电负荷按重要性及灵活性、PEV 按电池状态及充电需求进行实时分类.通过最大化用户参与奖励来鼓励吸引更多PEV用户参与到放电方案中，提供更大的弹性来应对不可预测的情况，更可靠地为用户服务.
1综合电动汽车充电站模型
双向IEVCS新模式，如图1所示，连接配电网及终端电力用户，其设计位于商业建筑物内或周边停车场，属于商业建筑物附属充电站或合作关系.
电网
建筑物
综合
电动汽车
充放电站
（IEVCS）
电池
储能
PV EV1
EV2
EV3
智能优化控制器
图1综合电动汽车充电站IEVCS网络
Fig.1Network of the integrated electric
vehicle charging station（IEVCS）
当电力供给与需求失衡时，优先内部自我消化.建筑物负荷应是IEVCS的“责任”，其电费或负荷损失都归
为其运营成本.当IEVCS有电力剩余时用来支持建筑物负荷需求，仍有富余且电网处于峰值负荷需额外供给时，允许返售电量给电网，但需优先保障内部负荷供应并根据负荷种类优先级进行调配，包括PEV充电、储能充电及建筑物负荷需求.在满足用户用电要求及电网需求的前提下，可调整或平移PEV充/放电、储能充/放电或建筑物灵活负荷.考虑到电池充放电效率，当有其他可用能源时储能放电不是优先选择.根据光伏板输出功率大小、电网供需状态、PEV充电需求、固定储能电量状态及当前电价等条件，针对不同的优化目标，IEVCS可运行在不同模式下，电力潮流方向也会随之改变.
177
湖南大学学报（自然科学版）
2022年
2四阶段优化控制模型
该优化控制模型可按时间线分为四个阶段（如图2所示）：1）日前优化：制定日前优化能源管理计划；2）根据日前计划，更新多层PEV 充电分时定价方案，计算放电参与补贴上限；3）时前优化：制定时前优化能源管理计划；4）实时控制：根据时前计划及实时数据反馈，实施实时控制策略.
日前
时前
实时
阶段Ⅰ：日前优化能源管理计划阶段Ⅱ：设定PEV 充放电定价方案阶段Ⅲ：时前优化能源管理计划阶段Ⅳ：
根据第三阶段计划能源时前及实时数据，得到实时控制计划
图2四阶段优化控制算法框架Fig.2Schema of the four-stage optimization
and control algorithm
各阶段优化控制算法流程图如图3所示.日前优化计划会改变负荷需求预测，因此根据负荷峰谷时间段，在阶段II 中将基于多层分时定价方案［15］对PEV 充电电价及在保证特定成本边界条件下的PEV 放电参与补贴上限进行更新，满足充电站需求的同时给PEV 用户带来最大程度的经济激励以深入参与
市场调控.阶段III 的优化在时前15min 进行，考虑了时前预测数据及阶段II 中的价格更新，每次的优化涵盖了下一个小时至最后一辆PEV 离开时间.因此设计时前优化是为了使优化更加精确以及考虑当天的突发状况，而阶段IV 是为了处理实时数据与预测数据之间的偏差来调整时前计划.基于时前结果的实时控制不仅可节省更多的运行成本，也可更大程度地使IEVCS 具备应对供需关系变化的能力.
输出Ⅰ
输入Ⅰ
阶段Ⅰ
阶段Ⅱ输入Ⅱ
输出Ⅱ优化模型Ⅰ日前
优化模型ⅡPEV 统计模型基本负荷预测光伏发电概率预测模型
输出ⅠPEV 充/放电量电池储能充/放电量电网供电/返售功率建筑物用电负荷供给
日前优化计划多层分时定价方案
Max CEV
（PEV 用户的放电合同补贴）
最大PEV 放电参与补贴更新PEV 充电电价
价格更新
优化目标函数：
min C total=∑约束条件：P 1+…=D 1+………
PEV 充/放电量电池储能充/放电量电网供电/返售功率建筑物用电负荷供给
日前优化计划
日前预测数据
（a ）阶段I 与阶段II
输入Ⅲ
输出Ⅲ
输出Ⅳ
输入Ⅳ
阶段Ⅳ调整比较实时
时前预测数据日前预测数据更新价格
控制策略输入Ⅲ
输出Ⅲ
优化模型Ⅰ时前
阶段Ⅲ
输入Ⅰ输出Ⅱ
优化目标函数：min Ctotal=∑约束条件：P 1+…=D 1+………
PEV 充/放电量
电池储能充/放电量电网供电/返售功率建筑物用电负荷供给PEV 充/放电量
电池储能充/放电量电网供电/返售功率建筑物用电负荷供给
PEV 充/放电量
电池储能充/放电量电网供电/返售功率建筑物用电负荷供给最大PEV 放电参与补贴更新PEV 充电电价
PEV 统计模型基本负荷预测光伏发电概率预测模型
基本负荷预测PEV 统计模型光伏发电预测模型实时反馈数据：基本负荷、PEV 数据
光伏发电数据电池储能数据
时前预测数据
日前预测数据
（b ）阶段III 与阶段IV
图3优化控制算法流程图
Fig.3Flowchart of the four-stage optimization
and control algorithm
2.1PEV 及建筑物负荷建模
通常来说，一天（24h ）是一个完整的仿真周期，但充电站里一天之中最后一个离开的PEV 通常会停留至凌晨之后.因此，在提出的算法中，仿真周期依然是24h （从凌晨开始算），但每次仿真的覆盖时间由一天之内到达但最后离开的PEV 决定.
日前PEV 行程预测数据通过统计分析方法计算.每一辆到达的PEV 用户都会设置目标离开时间及目标电量值.当电池容量为e max i 的PEV i 在T 0i 时刻接入时电量为e T 0
i
i （初始电荷状态SOC 为SOC in i ），离开时的目标电量为E i （目标电荷状态SOC 为SOC fn i ），在连接时间段T i 内每一时刻t 的充电、放电功率为e t +i 、e t -i ，则PEV i 需满足：
∑t =T 0i +1
T 0i +T i e
t
i
=
∑t =T 0i +1
T 0i +T i
()
e
t +
i
-e t -i =E i -e T 0
i
i
=SOC fn i ×e max i -SOC in i ×e max
i
（1）
负荷可大致分为4类：重要负荷、功率可控负
荷、可平移负荷、一般负荷.重要负荷的电能供给需保障；功率可控负荷重要但灵活可控，如空调、取暖器之类的温控设备；可平移负荷一般为洗衣机、洗碗机之类的可平移用电时间段的设备；余下的可灵活选择性负荷为一般负荷.一个商业建筑物的各种类
负荷大致分布如图4所示［16］.
2.2阶段I 及III 中的优化模型
优化模型的目标函数包括了每一时刻t 的电网供电成本C t G 、光伏发电及储能设备的运行成本C t PV 、
C t BS 、负荷损失成本（expected energy not supplied ，
EENS ）C EENS ，t
b 、PEV 放电补贴成本∑i
C t c ，i 、
PEV 充电收178
第2期颜勤等：新型电力系统下综合电动汽车充电站的优化运行
益∑i
Pr t i 以及电量返售电网收益Pr t G .
200
180160140120100806040200
用电功率/k W
2468
1012141618202224
一般负荷可平移负荷功率可控负荷重要负荷·
时间/s
图4典型商业建筑物各类型负荷分布Fig.4Power consumption of a commercial building
Min C total =∑t
(C t G +∑i
C t c ，i +C t PV +C EENS ，t
b +C t BS -∑i
Pr t i -Pr t G )
（2）
式中：
C t G =∑t
(
)
σ×P t +
G （3）
∑i
C t c ，i =∑t
∑i
(
)
σEV ×e t -i （4）C t PV =θPV ×p max PV （5）C
EENS ，t
b =∑t
(
D t b
-b
t
b
)×c
EENS b
（6）C t BS =θBS ×s max BS
（7）∑i
Pr t i
=∑i
(
)
θ
EV
×∑t
e
t +i
（8）Pr t G =∑t
(
)
σG ×P t -
G （9）
式中：
σ为单位电网电价；σG 、σEV 分别为返售电网单位电价及参与放电业务的PEV 的单位放电电价；P t +G 、P t -G 分别为IEVCS 与电网之间买、卖电交易功率；θEV 、θPV 、θBS 分别为PEV 充电、PV 运行及储能设备运
行的单位成本；p max PV 、s max BS 为PV 的发电容量及储能的电池容量；EENS 的计算根据负荷需求D t b 及实际负荷供给b t b 决定，每种负荷根据其重要性与紧急性而有不
同的单位负荷损失成本c EENS b
.对于IEVCS 中的每一个元件在任一时刻都要满
足其约束条件.例如，对于每一辆PEV i 需满足：
ìí
îïïïïïïïïïï0≤e t +i ≤e max ，c i ，t ∈[T 0
i ，
T 0i +T i ]0≤e t -i ≤e max ，d i ，t ∈[T 0
i ，
T 0i +T i ]20%×e max i ≤e T 0i
i +∑0t
e t i ≤e max i
ìí
î
ïïïïe T 0i
i =SOC in i ×e max i
∑t =T 0i
+1T 0i
+T i
e t i =SOC fn i ×e max
i -e T 0i
i （10）
此外，任一时刻需满足功率平衡方程、潮流方
程、电压限制及节点功率传输限制等条件［17］.2.3阶段IV 中的控制策略
本文运用的控制策略重点在于不同比较结果下的场景区分、PEV 实时分类、针对不同预测偏差的优化逻辑等.
具体流程见图5.Dif 表示在实时状况下是否存
在发电量多于用电需求或用电负荷增加的情况.控制路径取决于Dif 、各类用电电价、各类负荷单位损失成本c EENS b 等，其中电网电价的高低体现了该时刻负荷的峰谷情况.该实时控制的基本原则为：
输入
t >T max?结束
更新t
no
yes
时前预
测数据时前优化结果更新定价方案实时反馈数据
Dif>0?no
yes yes no
no
no
no
no
no
中国汽车模型网no
no no
no
no
no
no no yes yes yes yes yes yes yes yes
yes yes yes yes yes
yes 平衡？
平衡？平衡？平衡？
平衡？平衡？平衡？平衡？平衡？平衡？平衡？平衡？平衡？平衡？
选择性切除负荷
调整其他在线PEV
调整可平移负荷
减储能充电→加储能放电
调整第2类PEV→调整第3类PEV
减电网返售→加电网供电减储能放电→加储能充电
电价<P ?
电价<P ?减电网供电减储能放电→加储能充电减电网返售→加电网供电调整第2类PEV 调整第3类PEV
调整可平移负荷调整其他在线PEV 选择性切除负荷
yes
图5IEVCS 实时运行控制策略Fig.5Flowchart of the control strategy
1）为减少新能源弃风弃光现象，采取“能并尽并”、“多发满发”原则.
2）实时数据跟预测数据进行比较，比较变量有PV 输出功率、建筑物负荷需求、在站PEV 数量及充电需求、储能设备的电荷状态等.
3）PEV 根据其充电需求及出发时间分为3大
类：①现时刻必须充电以满足用户要求；②可以按需求灵活调控充电时间；③与预测值一致，按时前优化
计划操作.
4）判断逻辑和优先级根据控制路径有区别.
5）当发电量大于预测值，如果电网电价高则减
少电网供电量，反之则减少储能设备供电或增加电量储备.
179
湖南大学学报（自然科学版）2022年
6）当负荷需求大于预测值，需根据电网电价高
低考虑从储能还是电网增加供电，再依次考虑调整第2类、第3类PEV 用户的充放电安排，以及第3类建筑物负荷的用电时间.
该控制策略根据优先级顺序进行调控，为突发天气变化或负荷变化状况提供了很大的富余.事实
上，由于PEV 及新能源发电的高随机性及不确定性，预测数据通常有很大可能的偏差，这些所有可能的场景都在控制策略中有所考虑.该实时控制的大致流程如表1所示.
表1实时控制流程Tab.1Flowchart of the control
算法程序流程：实时控制策略
载入：阶段III 的时前优化结果，阶段II 的价格结果输入：时前预测数据，实时数据D t b ，p t PV ，etc.
输出：实时调控变量P t +G ，
P t -G ，e t +i ，e t -i ，s t +BS ，s t -BS ，b t b 1.更新时间t ，输入数据
2.设置时前优化结果为实时调控变量初始值
3.将已有PEV 进行分类，检查Dif
4.如果Dif >0，见图5具体判断场景举例：
if σ<σlim →
if
{
p
t
BS
+s
t +BS -s t -BS +Dif >s
max ，c BS or Dif >r avl ，c BS
or Dif >r c BS -s
t +BS
→ìíî
Δs t +BS
=min(r avl ，c BS ，s max ，c BS -(p t BS +s t +BS -s t -BS ))ΔP t -G =Dif -Δs t +
BS else →Δs t +
BS =Dif
else →ΔP t -G =Dif
endif
5.否则如果Dif <0，见图5具体判断
6.跳至1直到进入下一个小时
7.结束
3仿真验证
图1中的整个IEVCS 连接在IEEE 33节点测试系统
［18］
的节点18上.设置目标区域人口为300人，
PEV 市场占有率约30%，再根据统计数据估计PEV 的日前预测数据，每次优化的仿真时间涵盖至隔天的凌晨5：00（29h ）.储能的最大容量设定为113.4
kWh ，最大充放电功率为70.875kW/h ；PV 的最大输出功率设定为153kW.充电站内设置有18个充电桩，最大充电功率为7.2kW/h.
为了验证该四阶段优化控制算法中每个阶段及对于涵盖时间延长的作用及必要性，本文假定PV 受到突发天气影响导致发电功率在9：00-15：00受限
的情况［19］，以及PEV 实时随机数据与日前预测数据的差别，并设置了多种场景进行仿真比较.3.1日前计划与时前计划比较
为了验证加入时前优化的作用，场景比较设置为直接用日前优化进行基本控制（场景1）与加入时前优化后再进行基本控制（场景2）.显然时前预测数据比日前预测数据要更精确，但由于每小时进行的时前优化调整该小时开始直至隔天凌晨5点的运行计划，可平移负荷可能会因为前几小时的发电不足推迟至25~29h 内，但平移的负荷需要在一天之内补偿，所以尽管时前优化会给出当前小时的最优计划，也可能导致调整的负荷堆积在后面几个小时内，造成更高的运行成本.
比较结果如图6所示，突发状况确实会导致供电负担集中在当日后几小时内，但较场景1中灵活负荷因8：00-11：00电价高而大量推后，场景2因每小时的及时反馈使得储能在电价低的时段（2：00-7：00）存储大量电能，为10：00-15：00应对天气变化节省了大量成本，总运行成本约为场景1的1/15.
场景2
场景1
706050403020100-10成本/$
成本/$
1
357911131517192123场景2（时前计划）场景1（日前计划）
1400120010008006004002000-200
时间/h
图6场景1与场景2的运行成本比较
Fig.6Scenario 1vs.Scenario 2in hourly operational cost
3.2基本控制与实时控制比较
为了验证加入实时控制策略的作用，场景比较设置为采用基本控制策略（场景3）与采用所提出的实时控制策略（场景4）.基本控制策略的原则是，当发电功率高于负荷需求时，优先将电量存储在储能设备中，反之则多出的负荷需求由电网供应.
从比较结果来看，场景3的总运行成本是场景4的1.55倍，实时控制使得10：00PV 发电功率变化时储能放电更多（如图7所示），11：00时可平移负荷消耗更少，在电价不高时段存储在储能里的电量更多.可见，当预测数据相对准确时，两场景成本差异不大，不可预见性越大，成本差异越明显.因此，实时控制策略更有效地利用储能设备及可调整负荷为可能发生的不利情况做了更充分的准备.
180
发布评论