一种制定充电排班计划指导充电过程的方法

欧阳凌云

摘要：以上海市真南路大型停车场为例，通过建模、大数据计算、排序算法等技术手段，制定一天所有车辆的充电排班计划。根据现场实际车辆进出场情况分布式计算充电时序，对充电排班计划进行调整。从而改变随到随充的充电模式，可能造成的高峰用电、漏充、少充、用电负荷安全等问题，满足公交营运需求，合理调配充电资源。

关键词：充电排班计划;充电时序;建模;排序算法

中图分类号：TP3             文献标识码：A

文章编号：1009-3044（2020）17-0231-04

1引言

《2016年度中国新能源公交车推广应用研究报告》数据显示，2016年全国新增公交车9万多辆，其中八成以上是新能源车型，《报告》中预测，按照推广目录要求，2019年新能源公交车数量将突破30万辆。显然，新能源公交行业前景可期。然而，在产业发展的背后，仍存在不少亟待解决的问题，除了车辆安全、电池技术创新等问题，还有公交的营运特性的限制和电力负荷能力的约束。

公交行业具有很强的时段性，上海地方交通法规规定：工作日的早高峰： 7：30 - 9：30、 晚高峰： 16：30 - 18：30，对于纯电动公交汽车，电池容量大，虽然采用直流大功率等不同的技术手段，然而不可避免的，所有车辆会夜间回停车场，集中充电;公交充电不同于私家车，私家车可以按先来后到，排队充电，公交是有运营要求的，要确保准点发车，对于充电车辆的时序有要求;公交充电地点集中，用电容量会产生饱和，有用电安全问题;公交充电时间集中，慢充虽然相对安全，但充电时间长，通常慢充充满电平均耗时2小时左右，可以考虑削峰填谷，但此方式不一定满足公交营运;一机几充影响几辆车的充电速率，不是直接的数据叠加，每增减一辆都会影响整个充电机上的其他车辆充电速率。

2制定充电序列指导充电过程的必要性

随着国家十三五规划纲要的发布，我集团公司积极响应号召，已经拟定2018年至2022年，新能源公交车将从现在2000台车增至8000台。至2019年底，真南路停车场（简称真南场）需服务的车辆数，从2016年的200辆，增至380辆。车少、电力负荷充足的时候，现场可以采用削峰填谷、排队充电模式。然而，伴随服务车辆数增多，许多未知数、许多行业的特性限制带来的问题也接踵而来。比如，公交调度方式多样，每天的出车数不固定，充电场不知道当天需要服务的车数，尚有多少车辆没进场？当前的电力负荷下，场站还能服务多少辆车？计划充电400辆车，如果采用谷时充电，会不会影响头班发车？如果谷时段完不成充电任务，又该采用什么方式充电？等等，如果采用盲充（充多少算多少）的模式，很可能造成管理混乱，评估错误，高峰用电、漏充、少充、用电负荷安全等问题。因此，急需一种方法手段辅助运营管理。

为了改善这些问题，本文提出了一种制定充电排班计划指导充电过程的方法。以满足公交营运为前提，综合考虑充电时间、场站电力负荷，根据充、放电数据的规律搭建数据模型，分布式实时计算充电时序，产生充电排班计划，以充电排班计划为基础，指导现场充电工作。

为了易于算法实现，本文提出的方法，忽略个性差异，统一参数线性建模，忽略电压变化，只考慮恒流段充电电流，以单桩的最大功率估算场站的最大电力负荷。参考公交的营运特性和谷时优先，以22：00为充电开始点（谷时开始时间）正序推算充电时序，或以4：00为充电结束点（公交营运的起点）倒序推算充电时序，产生一天所有车辆的充电排队计划。随着现场实际车辆进出场，修正该车辆的开始充电时间及修正此车后序的充电车辆的充电时段;若中途遇到临时充电情况，产生预约充电机制，提高其权重，重算充电时序，对充电排队计划进行调整。通过对此方法的研究，为每辆车做充电计划，解决漏充、少充的问题;为充电车辆排序，调配充电资源，解决用电负荷不足的问题;模拟调整车数、设备数，计算场站饱和度（即最大充电功率最大服务车辆数），优化充电功率的利用率。模拟调整不同的充电模式，如削峰填谷（6：00为谷时结束时间），以获得经济效益。力求充电过程管理流程化、简单化，只需查询充电排班计划的执行情况，即可得运营情况。

相较于其他有序充电控制方法，如，以错峰节能为目的的有序充电方法，其满足私家电动汽车充电，本文认为，公共交通的首要目标不是盈利，是社会公益性的，在满足营运的基础上，降低成本，节约资源，安全生产，本方法更贴切公交行业。如，以车桩网一体化的充电调度方法，解决的是调度质量不高，新能源公交车利用率偏低的问题，侧重调度优化，采用的也是先到先充，先充先发方式。本文认为，路况复杂，大型停车场离市区或终点站较远，不适合随时调整发车次序及单边回场充电，本方法更满足上海公交现状。

3构建模型

3.1模型的假设条件

充电时序算法是本方法的核心算法，使用大数据计算、大数据建模，所有充电桩充放电过程按照统一参数线性建模，不考虑桩使用年度的差异;相同品牌、型号的车辆不考虑差异性，充放电过程按照统一参数线性建模，不考虑使用年度的差异;到达时间按照排班时间计算，不考虑路况影响;残余电量按照里程乘以单位平均耗电量线性计算，不考虑路况、驾驶员影响;车辆动态接入充电桩所有电气参数按照线性计算。充电场站执行充电排班计划，每有一辆车准备充电或充电结束，实时分布式计算重新规划、计划。

3.2模型的建立

3.2.1线性车辆放电模型

x为全天行驶公里数，单位km，y为所需充电量，单位Kwh，以2019年5月的数据拟合，全天行驶公里数参考后期整合圈数，充电量为当日8：00至次日8：00。

3.2.1.1分车型，线性放电模型

3.2.1.2分车型、线路，线性放电模型

3.2.2线性车辆充电模型

x为充电量（耗电量），单位Ah，y为所需充电时长，单位min，以2019年5月的数据拟合，充电量为当日8：00至次日8：00。

3.2.2.1分车型，线性充电模型

3.2.2.2分车型、线路，线性充电模型

3.2.3 SOC估算模型

3.2.4用电功率调整，对比效果

图5为真南场2019年5月实际营运的用电功率，服务车数360辆，从18：00（峰时）充至3：00（谷时）。

图6为理想化功率负荷调整，白天平时少量补电，夜间只谷时用电，达到错峰用电，经济效益最优。

4模型应用

4.1 构建大数据服务中心

采用大数据框架，能很好地解决计算的速度问题。上海市浦西地区12个大型停车场，670个充电设备，2，688个充电终端，考虑充电高峰时段的并发，对充电时序的重算有很高的实时性要求。为此，平台技术架构如下：

平台技术架构分五层，存储层、中间件层、缓存层、业务层和展示层：存储层中，数据库Mysql、搜索服务器Elasticsearch分别是对业务数据和实际接口存储;中间件层中有logstash、kafka，logstash收集实际接口数据，存储在Elasticsearch中，kafka实际接口数据收到保存kafka队列中，交给业务层处理;缓存层中，redis、临时存储业务数据，减轻对数据库的压力;业务层中，负责处理系统相关业务，数据计算包括数据分析计算，报表计算，大屏计算，充电排班计划计算等;展示层中负责系统与用户进行交互，使用vue.js，element-ui，echart.js，node.js，百度地图，jquery， videojs-contrib-hls.js等相关技术。

4.2 算法实现

4.2.1充电约束

（1）排班时间约束：22：00为充电开始点（谷时段开始时间）正序推算充电时序;4：00为充电结束点（公交营运的起点），倒序推算充电序列（充电开始点、充电结束点是可配置参数）。

（2）时间约束：充电开始时间晚于入场时间，充电结束时间早于出场时间。

（3）优先级约束：“先到先充”等价于“晚到先排”。

（4）车位约束：车位号等同于枪号，以车队为单位，车位有区域限制。

（5）充电SOC约束：剩余SOC充至目标SOC，100%（目标SOC是可配置参数）。

（6）充电间隔约束：充电间隔10秒（充电间隔是可配置参数）。

（7）设备功率约束：单桩单枪，以单桩的最大功率工作。

4.2.2充电排班计划内容

充电时序算法产生充电排班计划，其内容包括：营运公司、车队、车牌、场站、充电桩、充电枪、计划离场时间、计划充电开始时间、计划充电结束时间、当前SOC、剩余充电时间。

4.2.3充电用时公式

T=0.3428 * X* （1 - Y） + 5.8204 + 1

其中，T表示充电需用时，X表示电池的额定容量，Y表示回场时的剩余SOC，默认SOC充至100%，取常数1。

4.2.4充电排班计划示意图

4.2.5算法流程

以正序算法为例。首先进行数据初始化，例如计划路单的初始化，充电枪、充电桩及其所属关系的初始化，计划路单根据公交公司总调度的每日安排行车计划确定，数据初始化完成之后进入计划排班，形成充电排班计划后进行数据存储。在计划排班中，首先设置排班的起始时间和排班数量，当到达桩上最大使用时间后，释放当前充完电的充电桩，查找每个车队最晚到达、未充电且出场时间大于桩上最大使用时间的车辆，为每个车队最晚到达车辆安排充电。各车队回场时间最晚的车辆，充电排序的优先级越高。

4.2.6功率预测的结果分析

充电排班计划生成后，可计算每辆车的充电电量，充电电量的单位是Kwh，因此可以通过单位时间内充电时长的占比推算功率曲线。以真南场为例，建场初期，现场工作不清楚场站的负荷能力，为防止充电不及时导致车辆无法出场，采用了随到随充的模式。通过制定充电排班计划，反映成预测功率曲线，从图10可以推断，真南场可以采用谷时充电模式。真南场参考此分析结论，优化充电模式，为防止意外发生及增加服务车数，晚高峰充电工作调整为21点开始，从调整工作后的曲线图11上可以看出，实际充电情况与预测基本吻合。另外从图可得出，在正常情况下，充电功率的利用仍有优化的空间，场站尚有余量为更多的车辆服务的结论。

从充电排班计划预测的功率曲线可得出，曲线的精度受充电时长的测算、电桩的实际功率影响最大。充电时长的测算正是模型研究的结果，电池的充电效能跟电池的健康状况有关，不健康的状态会影响电池的充电速率，因此电池的不同年限，充电速率也不同。另一个因素电桩的实际功率在充电中是非线性变化的，本方法虽然使用最大的单桩功率，但也考虑它的非线性输出及因散热采用的降额，在做测算时最大的单桩功率做了系数处理。

4.3大数据服务中心与公交车互动实例

大数据服务中心与公交车互动包括如下步骤。

（1）公交车的车载终端通过公交公司总调度系统与大数据服务中心实时通信，上传行驶里程。

（2）大數据服务中心接收里程信息，与环比电池电量衰减情况及今日路单计划里程对比，当出现“当前电量不足以完成剩下的计划里程”“电池电量衰减异常”“计划回场充电”等计算结论时，产生“建议信息”，发送至车载终端，建议回场。

（3）司机确认，向充电场站发送预约锁定信息。

（4）公交车进停车场后，车位检测系统确认就位，发送确认信息至大数据服务中心。

（5）公交车插枪后，进入大数据服务中心的充电排队队列，由大数据服务中心按明日的发车计划、计划营运公里及当前剩余SOC和电池的容量等，计算出充电车辆的优先级及采用的最优充电模式，开始全场站统一调配资源。

（6）公交车开始充电，由大数据服务中心监控充电进程及安全，随时更新充电排队队列及调整资源。

（7）充电完成后，退出充电排队队列，大数据服务中心回收资源。

5结论

本文阐述了一种制定充电排班计划指导充电过程的方法，强调满足公交营运计划的基础上，辅助其优化管理。通过在真南场的应用实践，有效解决了高峰用电期间发生的漏充、少充、用电安全等问题，在此算法基础上，可通过修改场内车辆数、充电设施数、充电时段、目标SOC等参数，模拟充电模式和推测场站饱和度，使得调配资源有了合理的依据，为大型停车场规划提出合理建议，具有一定的实际意义。在计划的指导下，精细化充电管理工作，是一种充电管理方法的新探索。本文所述的充电时序算法实现，采用大数据框架，大数据计算，是技术的提升。多平台的数据共享和对多类型数据融合分析，强化了数据的关联性分析。

因目前场站内服务车辆数不饱和，因此只采用了线性建模、排序算法构建充电时序模型，当场站服务车辆数趋近饱和时，需要通过控制每辆车充电电量达到节能和扩大场站的服务能力。因此，需要构建更为细致的智能充电模型。如，充电桩建模是充电桩充电过程线性模型的参数估计;车辆建模是给定品牌、型号的车辆充电、放电线性模型的参数估计;充电系统建模是车辆接入、离开充电桩时电气参数变化的动态更新;车辆行为和状态建模是依赖于出厂电量、行驶里程的车辆耗电计算;车辆到达、离开场站的排队模拟;车辆动态接入、离开充电系统的排队模拟;充电桩服务车辆的过程建模;电力负荷、单车最小充电量约束下的充电桩任务分配方案随机事件生成算法;充电桩任务分配方案的性能评估模型;充电桩调度机制的优化算法;优化调度下最大服务车辆数的计算。希冀进一步的研究和研发可以为大型充电场管理提供更优质的服务。

参考文献：

[1] 胡杰，蔡世杰，黄腾飞，王成，杜常清. 电动汽车动力电池充电能量的预测方法[J].机械科学与技术，2019.

[2] [澳]亚历山大·泰勒，丹尼尔·瓦兹尼格 主编 陈勇 译.新能源汽车动力电池技术[M].北京理工大学出版社， 2017.

[3] 周志敏，纪爱华.电动汽车充电站桩工程设计[M].电子工业出版社出版，2017.

[4] 姜久春.电动汽车充电设施运作与维护技术[M]. 北京交通大學出版社， 2016.

[5] 姜久春.电动汽车充电技术及系统[M]. 北京交通大学出版社， 2018.

【通联编辑：代影】