基于电价分时的新能源汽车充电控制策略研究

董伟

（三门峡职业技术学院汽车学院）

0 引言

在化石型能源日益枯竭、环境污染日益加剧的全球环境下，新能源汽车由于采用清洁型能源，使其普遍受到广大用户的青睐，其保有量显著增加[1]。新能源汽车的充电负荷对于配电网来说是不可忽略的，新能源汽车的不合理充电会对配电网的安全性、稳定性、可靠性产生一定程度的影响[2-3]。

针对新能源汽车充电所带来的问题，根据新能源汽车充电负荷具有可控性的特点，本文构建新能源汽车充电控制模型，从配电网和电力用户两方面考虑，既要将新能源汽车充电负荷对配电网的影响程度降到最低，又要最大限度降低充电成本，并且采用非支配排序遗传算法对模型进行求解，通过算例仿真验证本文所提出控制策略的有效性和科学性[4]。

1 新能源汽车充电模式

随着城市新能源汽车保有量的不断上升，与之相配套的充电装置也要跟随建设[5-6]。新能源汽车集中充电的物理框架在新能源汽车充电控制策略的研究中发挥了重要作用，具体架构如图1所示。

图1 新能源汽车集中充电物理架构

本文所提出的新能源汽车充电控制策略适用于新能源汽车集中充电模式。在这种集中充电模式下，通过一个控制单元对接入到充电站进行充电的新能源汽车的集群充电行为进行管理[7-8]。在智能电网中，新能源汽车对应于一个充电桩进行充电，由控制单元通过充电桩检测新能源汽车的充电参数，包括充电开始时刻、充电结束时刻、电池额定容量、电池实时电量、预计充电结束时刻等[9]。控制单元能够跟配电网进行数据交互，得到配电网的负荷预测数据，计算得到每辆新能源汽车在每个时间步长下的充电功率，由对应的充电桩来执行[10]。控制单元会对数据进行实时刷新，根据实际情况安排新能源汽车的充电计划。控制单元会根据不同新能源汽车的数据计算新能源汽车以最大功率充电是否能够达到电池充电状态量（普遍情况为满电量的95%）[11-12]。本文的研究都假设新能源汽车以最大电池充电量为充电目标，如果充电期间以最大功率进行充电仍然不能够达到电池充电状态量，则不进行充电调度，始终保持以最大功率进行充电。

2 新能源汽车充电控制策略

2.1 新能源汽车充电控制模型

为了兼顾新能源汽车充电负荷对配电网的影响以及充电成本，本文构建了新能源汽车充电控制模型，模型的目标函数包含两部分，即充电总成本最低和负荷方差最小。新能源汽车的充电会对配电网的安全、稳定、可靠运行造成一定程度的影响，从供电公司的角度来说，将充电成本最低作为目标函数，充分考虑了新能源汽车车主的利益，吸引更多的新能源汽车到集中充电停车场参与到集中充电活动中，配电网也因此聚集了相当容量的新能源汽车，并对其充电行为进行科学控制；将负荷方差最小作为另一个目标函数，能够实现对负荷波动的有效抑制，降低对配电网的冲击，有利于配电网的安全、可靠、稳定运行。实现供电公司和新能源汽车车主的双赢。

2.2 目标函数

（1）充电成本最低

基于电价分时机制，保证新能源汽车充电成本最低，是从新能源汽车车主经济性的角度出发，最大限度保证新能源汽车在电价低的时段（也就是负荷低的时段）充电，这样做能够起到削峰填谷的作用。目标函数的表达式为：

式中，n是充电站中参与集中充电的新能源汽车的数量；m是时间步长；Pk是k时段的分时电价；t为当前的时段号码，△t为时段的持续时长。

（2）负荷方差最小

充电成本最低目标函数会使大量的新能源汽车在配电网负荷低的时段集中充电，如果此时新能源汽车充电的负荷足够大，则可能会在配电网负荷低的时段将负荷重新拉高，形成新的负荷高峰时段，为了避免这种情况的出现，提出另一个目标函数，即符合方差最小。电网本身负荷加上新能源汽车充电负荷在各时段最小，能够保证配电网全运行周期的负荷更为平滑，进一步降低备用发电机组的容量。在实际运行中，负荷方差最小对应于配电网损耗最小，采用负荷方差最小避免了复杂的潮流计算。本身模型的求解过程也更为简便，目标函数的表达式为：

式中，Pl.k为第k个时段配电网负荷的预测值；Pl.s为第s个时段配电网负荷的预测值。

2.3 约束条件

（1）充电桩充电功率约束条件

式中，Pmax为充电桩所能够提供的最大充电功率；λ为充电转换效率。

（2）新能源汽车电池充电状态量约束条件

式中，SOCi.des是第i个参与集中充电的新能源汽车车主期望达到的新能源汽车电池充电状态量的水平；SOCi.dep是第i个参与集中充电的新能源汽车结束充电时的电池充电状态量的水平；SOCmax是新能源汽车电池所允许的电池充电状态量的上限值，超过这个数值则电池过充。

（3）新能源汽车电池充电爬坡斜率约束条件

式中，SOCi(k+1)是第i辆新能源汽车在k+1时段的电池充电状态量的水平；SOCi(k)是第k辆新能源汽车在k时段的电池充电状态量的水平；△SOCimax是充电爬坡斜率的上限值。新能源汽车充电时的充电爬坡斜率不能超过上限值。

3 充电控制模型求解方法

本文提出的充电控制模型是实时优化的，每次优化都需要进行模型求解，因此采用非支配排序遗传算法对模型进行求解。

非支配排序遗传算法主要具备三项特点：快速非支配排序法，能够降低运算复杂程度；采用精英策略，保证了计算准确度；加入拥挤度参数，避免特定共享参数的指定。非支配排序遗传算法的运算结果是得到最优解集合，由于充电控制模型对运算实时性有着较高的要求，因此采用信息熵的序数偏好法从最优解集合中寻取最优解，其原理是通过计算最优解集合中的各个最优解与目标值的差异来实现权重参数的确定，如果与目标值的差异性越小则权重参数取值越低，对最终结果的影响程度就越低；如果与目标值的差异性越大则权重参数取值越高，对最终结果的影响程度就越高。

4 算例分析

为了对本文提出的新能源汽车充电控制策略进行验证，以某停车场充电站为例进行分析，新能源汽车的开始充电时刻是符合正态分布曲线要求的，概率密度曲线的均值取8，方差取1.5，电池充电状态量初始值设定为0.3～0.5之间的随机数，充电时长取1～8h之间的随机数，充电效率取0.85，充电桩所能提供的最大充电功率为7.8kW。为了便于进行仿真，时段长度设定为1h，总充电时长取24h。

基于Matlab环境下，采用非支配排序遗传算法对模型进行仿真分析，设定新能源汽车的总数为50辆，迭代次数为300，交叉率为0.75，变异率为0.25，如图2所示为仿真分析结果。

图2 非支配排序遗传算法仿真结果

非支配排序遗传算法得到的Pareto前沿分布均匀稳定，验证该算法对于模型求解的有效性。如图2所示，描述新能源汽车充电成本与负荷标准差（对应于方差）这两个目标函数的分布关系，提供了科学的决策信息，随着负荷标准差的逐步增大，充电成本会降低，这是由于在电价低的时段内新能源汽车充电负荷越大，充电成本越低，但可能会在这个时段内造成负荷的上升，引起配电网负荷波动。

5 结束语

本文专门针对新能源汽车集中充电问题进行分析，基于电价分时构建新能源汽车充电控制模型，将充电成本和负荷方差作为控制目标，将充电功率、电池状态量、充电爬坡斜率作为约束条件，基于非支配排序遗传算法对模型进行求解。经过仿真验证，本文所提出的新能源汽车充电控制策略能够具有一定的先进性和较高的经济价值，可以进行大规模推广应用。