摘要：新能源汽车大规模无序充电会导致电网负荷和电压偏移量过大,需要采取有效措施进行管理和优化,保障电网运行稳定可靠。 通过对新能源汽车驾驶员驾驶行为和充电习惯进行分析,建立电动汽车充电负荷模型,结合长短期记忆网络(LSTM)等技术,设计了一种有序充电控制及优化系统。 该系统可以实时监测车辆充电需求和电网负荷情况,通过智能化控制算法和优化策略,实现对新能源汽车充电过程的有序管理。 测试结果表明,利用此方法对车辆充电展开有序优化后,充电桩负荷波动平稳,电压偏移量在 1% ~4% ,可有效降低电网负荷波动,为电网管理和运营提供了可靠的技术支持。

关键词：新能源汽车;有序充电;优化系统;电压偏移量;LSTM

0引言

随着全球能源需求和环境保护意识的不断提高,新能源汽车作为一种清洁、高效的交通工具,逐渐受到人们的关注和青睐。 然而,新能源汽车的大规模普及也带来了一系列挑战,在传统燃油车辆逐渐被新能源汽车取代的趋势下,充电基础设施的建设和管理成为亟待解决的问题之一[1 - 2]。大规模无序充电不仅会导致电网负荷过大、电压偏移量过大,还会影响电网的稳定运行[3]。 当大量新能源汽车同时进行充电时,会造成短时间内电网负荷剧增,超出电网的承载能力范围,从而引发电网设备过载、供电不稳定等现象发生[4 - 6]。 因此,为了保障电网稳定运行,需要采取有效的措施对新能源汽车的充电行为进行管理和优化。

1 新能源汽车有序充电控制分析

1.1 驾驶行为和充电习惯分析

新能源汽车有序充电控制模型的设计,首先需要对驾驶行为进行分析。 驾驶行为直接影响新能源汽车的充电需求模式和充电时间选择,因此对驾驶员的驾驶行为和充电习惯进行分析具有重要意义[7]。 首先分析驾驶员的充电需求模式,包括充电频率、充电时段、充电时长等因素,得到不同驾驶行为下的充电需求模式,为有序充电控制模型的设计提供基础数据。 其次研究驾驶员的充电习惯,包括选择充电桩的偏好、充电速度的要求、充电方式的选择等,可帮助优化充电桩资源分配和充电策略制定。 最后考虑驾驶员在不同行驶路况下的充电需

求变化,如在高速公路、市区拥堵路段、郊区等。 以上分析有助于制定针对性的充电管理策略,提高充电效率和资源利用率。在新能源汽车有序充电控制模型中,假设充电需求模式与驾驶行为之间存在一定关系[8],表示如下

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

式中 D(t) —在时刻 t 的充电需求;

B(t) —驾驶员的驾驶行为因素,如行驶速度、加速度、车辆负载等;

R(t)— 路况因素,如路况状况、交通流量等;

L(t) —环境因素,如气温、光照等。

假设函数 f 是一个非线性函数,通过统计分析驾驶数据和试验数据来拟合出合适的函数形式,从而预测不同时间点的充电需求,根据实时的驾驶行为、路况和环境因素来调整充电桩的充电策略,实现对新能源汽车充电过程的智能化管理和优化。

1.2 新能源汽车充电负荷模型

建立新能源汽车充电负荷模型是有序充电控制系统设计的关键步骤之一。 该模型可预测不同时间段内新能源汽车的充电负荷,以便有效调控充电桩资源,实现电网负荷的平衡和优化。

新能源汽车车内电量随着车辆公里数的增加而逐渐降低,这是由于电池的充放电循环以及电池老化等因素导致的。 因此,新能源汽车行程终止时的电荷状态 SOC 值会受到车辆行驶里程的影响而产生相应变化[9 - 10]。 可以用以下公式表示车辆行程终止时的 SOC 值( State of Charge)与车辆公里数的关系

SOC = SOC0 - k·Mileage (2)

式中 SOC —行程终止时的电荷状态;

SOC0 —起始时刻的电荷状态;

Mileage —车辆的行驶里程;

k—电池的衰减系数,反映了电池随着循环充放电次数的增加而逐渐损耗的情况。

为更好管理和优化电动汽车的充电行为,在SOC 剩余量过低时需要根据车辆行驶里程、SOC 初始值和电池的衰减系数等因素来计算出 SOC 行驶里程阈值,当 SOC 剩余量低于该阈值时,车辆应前往充电站充电。 结合之前的公式,综合考虑 SOC 剩余量和行驶里程,建立 SOC 行驶里程阈值的计算公式如下

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

式中 SOCthreshoid—SOC 行驶里程阈值,即当 SOC 剩余量低于该阈值时需要前往充电站充电;

Mileagemax—车辆的最大行驶里程;

Mileage—当前车辆的行驶里程。

2新能源汽车有序充电多目标优化

为满足电动汽车充电需求的同时,优化充电过程中的多个目标,如降低充电成本、减少充电时间、提高电池寿命等。 该优化过程涉及到多个因素和目标之间的平衡和权衡,需要综合考虑各种约束条件和优化目标,以实现对新能源汽车充电过程的智能化和高效管理。

2.1 目标函数条件设定

设定目标函数条件直接影响到优化结果的有效性和实用性。 针对多个优化目标设定的目标函数条件[11]

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

式中 f(x)—优化目标函数,通过加权和的方式综合考虑多个影响因素;

fi(x)—各个优化目标的子目标函数,如最小化充电成本、充电效率等;

wi—第 i 个目标函数的权重,反映了各个目标在优化中的重要程度;

x—优化变量,如充电时段、充电电流等。

通过调节各个目标函数的权重 wi,实现对不同优化目标的调控。 例如,注重充电成本最小化时,可增大 w1 的值;注重充电,可增大 w2的值,依此类推。

2.2 基于 LSTM 下有序充电结果寻优

2.2.1 数据采集和预处理

收集新能源汽车的充电历史数据,包括充电时段、充电电流、SOC 值等信息,然后对数据进行预处理,包括数据清洗[式(5)]、归一化处理[式(6)]等,以便用于 LSTM 模型的训练和优化[12]。

2.2.2 建立 LSTM 模型

基于预处理后的数据,建立 LSTM 模型来预测新能源汽车的充电行为。 采用监督学习法,将充电历史数据作为输入序列,将下一个时刻的充电状态(如 SOC 值)作为输出,通过训练 LSTM 模型来学习充电行为的规律和趋势[13]

2.2.3优化充电策略

利用训练好的 LSTM 模型预测新能源汽车在未来时刻的充电状态。 结合多目标优化方法,设定目标函数和约束条件,如最小化充电成本、充电效率等寻找好的充电策略[14]。目标函数为式 (4 ),优化算法的约束条件即g1 (x)≤0,i = 1,2,…,m。其中, g1 ( x) 为约束条件,包括对充电时段、充电电流等参数的约束,确保优化结果的可行性。

2.2.4优化充电策略

在实际应用中,利用实时数据来调整和优化充电策略。 通过不断更新 LSTM 模型和优化算法,使充电过程能根据实时情况进行智能化调整,以达到最佳的充电效果。

3模型仿真与分析

3. 1 仿真设置

基于 Matlab 软件开展仿真,设置仿真时间范围t开始至 t结束确定仿真的时间段。 设置仿真数据采集频率 Δt 确定数据采集的时间间隔。

通过实时监测系统或传感器获取充电桩的实时负荷数据,包括充电电流、充电功率,根据实时负荷数据,计算充电桩负荷的波动性指标,本文选择标准差和波动系数[15]。

计算公式如下

通过对比优化前后充电桩负荷波动性指标(表1)可知,优化后负荷波动性明显降低。 标准差和波动系数的减小表明充电桩负荷的稳定性得到了提高,这对于电网运行的稳定性和可靠具有积极影响。

电压偏移量反映了电压数据集合中各个数据点相对于平均值的偏离程度。 较小的电压偏移量通常表示电压数据相对稳定,变化较小;较大的电压偏移量则表示电压波动较大,电网运行不够稳定。 因此,通过电压偏移量的计算可以对电网的稳定性进行评估。 电压偏移量标准计算步骤如下。1)收集电压数据。 使用传感器或监测系统实时收集电网中各个时刻的电压数据。

优化前后充电桩电压偏移量指标分析,如表 2所示。 结果表明,在所有时间段内,优化后的电压偏移量明显减小。 这表明优化后的充电管理策略有效降低了电压波动,提高了电网电压的稳定性,为电力系统的可靠运行提供了良好保障。

4安科瑞充电桩收费运营云平台

4.1概述

AcrelCloud-9000安科瑞充电柱收费运营云平台系统通过物联网技术对接入系统的电动电动自行车充电站以及各个充电整法行不间断地数据采集和监控，实时监控充电桩运行状态，进行充电服务、支付管理，交易结算，资要管理、电能管理，明细查询等。同时对充电机过温保护、漏电、充电机输入/输出过压，欠压，绝缘低各类故障进行预警；充电桩支持以太网、4G或WIFI等方式接入互联网，用户通过微信、支付宝，云闪付扫码充电。

4.2应用场所

适用于民用建筑、一般工业建筑、居住小区、实业单位、商业综合体、学校、园区等充电桩模式的充电基础设施设计。

4.3系统结构

4.3.1系统分为四层：

1）即数据采集层、网络传输层、数据中心层和客户端层。

2）数据采集层：包括电瓶车智能充电桩通讯协议为标准modbus-rtu。电瓶车智能充电桩用于采集充电回路的电力参数，并进行电能计量和保护。

3）网络传输层：通过4G网络将数据上传至搭建好的数据库服务器。

4）数据中心层：包含应用服务器和数据服务器，应用服务器部署数据采集服务、WEB网站，数据服务器部署实时数据库、历史数据库、基础数据库。

5）应客户端层：系统管理员可在浏览器中访问电瓶车充电桩收费平台。终端充电用户通过刷卡扫码的方式启动充电。

小区充电平台功能主要涵盖充电设施智能化大屏、实时监控、交易管理、故障管理、统计分析、基础数据管理等功能，同时为运维人员提供运维APP，充电用户提供充电小程序。

4.4安科瑞充电桩云平台系统功能

4.4.1智能化大屏

智能化大屏展示站点分布情况，对设备状态、设备使用率、充电次数、充电时长、充电金额、充电度数、充电桩故障等进行统计显示，同时可查看每个站点的站点信息、充电桩列表、充电记录、收益、能耗、故障记录等。统一管理小区充电桩，查看设备使用率，合理分配资源。

4.4.2实时监控

实时监视充电设施运行状况，主要包括充电桩运行状态、回路状态、充电过程中的充电电量、充电电压/电流，充电桩告警信息等。

4.4.3交易管理

平台管理人员可管理充电用户账户，对其进行账户进行充值、退款、冻结、注销等操作，可查看小区用户每日的充电交易详细信息。

4.4.4故障管理

设备自动上报故障信息，平台管理人员可通过平台查看故障信息并进行派发处理，同时运维人员可通过运维APP收取故障推送，运维人员在运维工作完成后将结果上报。充电用户也可通过充电小程序反馈现场问题。

4.4.5统计分析

通过系统平台，从充电站点、充电设施、、充电时间、充电方式等不同角度，查询充电交易统计信息、能耗统计信息等。

4.4.6基础数据管理

在系统平台建立运营商户，运营商可建立和管理其运营所需站点和充电设施，维护充电设施信息、价格策略、折扣、优惠活动，同时可管理在线卡用户充值、冻结和解绑。

4.4.7运维APP

面向运维人员使用，可以对站点和充电桩进行管理、能够进行故障闭环处理、查询流量卡使用情况、查询充电\充值情况，进行远程参数设置，同时可接收故障推送

 4.4.8充电小程序

面向充电用户使用，可查看附近空闲设备，主要包含扫码充电、账户充值，充电卡绑定、交易查询、故障申诉等功能。

4.5系统硬件配置

5结语

  通过对新能源汽车驾驶员驾驶行为和充电习惯进行分析,建立电动汽车充电负荷模型,并结合长短期记忆网络( LSTM) 等技术,设计了一种有序充电控制及优化系统。 该系统采用多目标优化方法,设定了合适的目标函数条件,以实现对新能源汽车充电过程的有序管理和优化。 经仿真分析,得出以下结论。

1)优化后的充电桩管理策略有效降低了充电桩负荷的波动性,提高了电网运行稳定性和可靠性。

2)优化后的电压偏移量明显减小,表明电压波动性得到了有效控制,符合电网稳定运行的要求。

3)优化后的系统在不同时间段均能保持较低的负荷波动和电压波动,为电力系统的安全运行提供良好保障。

参考文献

[1] 宋丽, 孙崇书, 鲁海宁, 等. 基于复合拓扑结构的AGV 大功率无线充电系统设计[ J]. 农机使用与维修, 2023(10): 35 - 41.

[2] 孙婷婷, 方灿, 郑竹安, 等. 微型电动汽车动力电池充电保温系统设计研究[ J]. 农业装备与车辆工程,2024, 62(3): 66 - 69.

[3] 刘丽军, 陈昌, 胡鑫, 等. 基于“车 - 路 - 站 - 网” 信息耦合的电动汽车有序充电策略[ J]. 高电压技术,2024, 50(2): 693 - 703.

[4] 黄子晴, 林兵, 卢宇, 等. 面向多目标优化的充电站选址定容方法[ J]. 福建师范大学学报( 自然科学版), 2024, 40(2): 23 - 35.

[5] 沙广林, 刘璐, 马春艳, 等. 考虑车网互动的电动汽车有 序 充 电 策 略 [ J ]. 供 用 电, 2023, 40 ( 10 ):46 - 54.

[6] 高颉, 张玲华. 考虑风电接入的电动汽车有序充电策略研究[J]. 电子设计工程, 2024, 32(6): 62 - 67.

[7] 周宇凡,高辉,龙羿. 计及动态电价的电动汽车定制化充电策略[ J/ OL]. 电气传动,1 - 8[2024 - 03 - 23].https: / / doi. org / 10. 19457 / j. 1001 - 2095. dqcd25189.

[8] 于梦桐, 高辉, 杨凤坤. 计及电动汽车保有量增长需求的 充 电 负 荷 预 测 [ J ]. 现 代 电 子 技 术, 2024,47(6): 55 - 62.

[9] 林祥, 张浩, 马玉立, 等. 基于改进 LSTM 神经网络的电动汽车充电负荷预测[J]. 现代电子技术, 2024,47(6): 97 - 101.

[10] 吕志鹏,宋振浩,李立生,等. 含电动汽车的工业园区综合能 源 系 统 优 化 调 度 [ J/ OL]. 中 国 电 力, 1 -8[2024 - 03 - 14]. http: / / kns. cnki. net / kcms/ detail /11. 3265. tm. 20240312. 1624. 002. html.

[11] 陈垠锟,吴松泽,吴育坚. 一种电动汽车有序充电的优化方法研究[ J]. 单片机与嵌入式系统应用,2023,23(11):75 - 79.

[12] 刘子仟,黄莉,陆婋泉,等. 计及驾驶习惯影响的电动汽车碳减排量计算方法[ J]. 电力需求侧管理,2024,26(2):62 - 69.

[13] 方胜利, 朱晓亮, 马春艳, 等. 基于 SACPS 算法的住宅小区电动汽车集群有序充电 [ J]. 安徽大学学报(自然科学版), 2024, 48(1): 57 - 64.

[14] 张海涛, 李文娟, 李雪峰, 等. 考虑柔性资源灵活支撑的电 网 有 功/ 无 功 优 化 调 度 [ J]. 电 气 自 动 化,2024, 46(1): 52 - 55 + 59.

[15] 朱桂林, 田丰聚, 王诗航, 等. 电动汽车充电负荷预测与有序充电控制策略分析[ J]. 集成电路应用2024, 41(2): 284 - 285.

[16] 郭俊飞，新能源汽车有序充电控制及优化系统设计.

[17] 安科瑞企业微电网设计与应用手册.2022.05版.