-
在“双碳”目标背景下，为应对传统能源的枯竭和环境污染的问题，倡导国民采用绿色出行方式势在必行[1-2]。电动汽车(electric vehicle，EV)作为一种绿色出行工具，具有节能环保的特点[3]。而充电设施是实现EV电能补给和互动的枢纽[4]，研究表明，分布式电源与EV和充电设施的结合具备很大优势[5-8]，不仅能够促进可再生能源就地消纳，还能降低运营成本[9]。随着EV数量的大规模增加，其出行带来了新的能源分配问题，如何设计EV充电协调机制，对结合可再生能源的EV充电站进行能量优化管理，是当下研究的热点之一。
目前，对EV充电站能量优化管理方法的研究主要包括基于电网为主体的EV有序充电控制方法[10-12]、充电站功率分配方法[13-14]等。文献[10]构建了减小配电网电压越限风险的优化模型，以电价为优化变量，引导EV合理选择充电站；文献[11]中调度部门采用不同电价引导EV充放电，实现削峰填谷；文献[12]建立了由控制中心统一控制的EV有序充电架构。但在充电站与EV较多的情况下，以上研究所采用的集中控制方式，会带来较大的计算负担和控制成本，且并未考虑可再生能源与充电站结合。文献[13-14]提出了结合可再生能源充电站的充电功率分配方法，提高了充电站服务速率和充电桩利用率。然而，以上研究大多考虑以电网为主体的交易机制，而忽略了充电站本身也具有的产消者特性及其参与电力市场的潜能。
交互能源机制(transactive energy，TE)具有分布式调度与控制、赋予参与主体经济效益等优点[15]，通过融合经济手段和电网控制手段，利用“价值”作为协调手段，对产消者进行能量管理与优化调度[15]。文献[16]基于交互能源机制建立了产消者交易模型和能量管理策略，有效提高了分布式能源的接入比例和产消者主体的经济性；文献[17]基于交互能源机制对产消者集群进行优化调度，解决了集中式调度模式下模型求解困难和隐私问题；文献[18]针对多元用户和产消者集群的经济调度问题，提出了基于交互能源机制的经济调度方法。
总结发现，上述研究主要聚焦于产消者能量管理和优化调度方面，而较少地考虑如何通过控制机制充分发挥含光伏充电站的产消者特性，从而提高经济性。鉴于此，本文结合交互能源机制，以光伏EV充电站为研究对象，充分考虑光伏出力的不确定性，建立电能分布式交易模型。
-
光伏EV充电站由光伏发电单元、交直流换流器、充电设施等设备组成。图1表示光伏EV充电站的结构。EV快充充电站由直流充电器、充电设施等设备组成，图2表示EV快充充电站的结构。
图 1 光伏EV充电站结构
Figure 1. Structure of photovoltaic charging station for EV
图 2 EV快充充电站结构
Figure 2. Structure of quick-charging station for EV
本文所提电动汽车充电站配置交流充电桩和直流充电桩[19]，以满足用户的不同充电需求。通过所配置充电桩的类型不同，可分为快充与慢充充电站。其中，直流充电桩用于紧急情况下的快速充电，此种充电方式采用大电流直接给电池充电，在30 min内能充至电量的80%[20]；交流充电桩对没有紧急充电需求的电动汽车进行慢充补电[21]，此种充电方式采用恒压恒流的传统电源对电池充电，大约需要6~8 h才能充满电[22]。
-
图3表示EV充电站能量交易机制的框架，主要考虑电网、交易平台、充电站、及EV4大主体直接进行信息交互和电能交易。
图 3 EV充电站能量交易机制框架
Figure 3. Framework of energy trading mechanism of EV charging station
由于每个时刻充电站内有充电需求的电动汽车数量具有随机性。本文采用蒙特卡洛模拟法获得其数量。各慢充充电站充分利用自身光伏资源发电，除了满足本站各个时刻电动汽车的充电需求之外，还能将余电卖给交易平台，而同一时刻无法满足站内EV充电需求的充电站可以从交易平台进行购电。如果在某一时刻整个交易平台电能不足以支撑所有充电站所需的电能时，充电站可直接从电网进行购电。本文所建立的电动汽车充电站分布式交易框架，采用交互能源机制，弱化了电网在EV充电市场中的主体地位，将充电站和电网之间的单向交易转换为以充电站之间交易为主的多边交易，提升了充电站参与电力市场交易的灵活性，避免了远距离输电，在提高经济性的同时，也促进了分布式电源的就地消纳。
-
设EV充电站集群数为Nevcs，对于其中一个站n，其光伏模型如下
$$ 0 \leqslant P_{n,t,s}^{{\text{pv}}} \leqslant P_{n,t,s}^{{\text{pv}},\max } $$ (1) 式中：Nevcs为电动汽车充电站的数量；
$ P_{n,t,s}^{{\text{pv}}} $ 表示第s个场景下充电站n内光伏发电功率；$ P_{n,t,s}^{{\text{pv}},\max } $ 表示光伏发电功率最大值。光伏发电系统的发电成本函数表示如下[23]
$$ {C^{{\text{pv}}}} = \frac{{{C^{{{'{\rm{pv}}}}}}}}{{{P^{{\text{pv,ave}}}} \cdot {T^{{\text{pv}}}}}} $$ (2) 式中：
$ {C^{{\text{pv}}}} $ 是光伏发电成本单价；${C^{{{'{\rm{pv}}}}}}$ 是光伏设备成本；${P^{{\text{pv,ave}}}}$ 为光伏设备平均年发电量；${T^{{\text{pv}}}}$ 为光伏设备寿命年限。 -
考虑到光伏出力具有不可控性，本文采用多场景法来处理光伏出力所带来的不确定性。研究表明，多场景法可以有效地处理光伏发电的不确定性[23]，场景生成方法可参考文献[24]。本文采用蒙特卡洛模拟法生成大量光伏出力场景，利用同步回代削减法将相似的样本聚类，以减少计算量。设有初始场景集为Ns个，样本Qi(t)和Qj(t)的样本距离为
$ {\left\| {\left. {{Q_i}\left( t \right) - {Q_j}\left( t \right)} \right\|} \right._2} $ ，为让削减后场景接近于原始场景，需要满足概率距离${D_{di}} = {{\text{π}}_i} \min {\left\| {\left. {{Q_i}\left( t \right) - {Q_j}\left( t \right)} \right\|} \right._2}$ 。最终得到满足需求的样本数目。 -
1） 单辆EV模型。
充电站内EV的充电需求受并网时刻电池荷电状态(state of charge, SOC)、离网时刻SOC以及充电时刻等因素的影响[25]。本文采用蒙特卡洛仿真方法得到单台EV的并网时间、离网时间等信息。
$$ P_{i,t}^{{{\rm{Ev,min}}}} \leqslant P_{i,t}^{{{\rm{Ev,ch}}}} \leqslant P_{i,t}^{{{\rm{Ev,max}}}} $$ (3) $$ {Q_i}S_{i,t}^{{\text{SOC}}} = {Q_i}S_{i,t - 1}^{{\text{SOC}}} + P_{i,t}^{{{\rm{Ev,ch}}}}\Delta t $$ (4) $$ M = \left\{ \begin{aligned} & {1{\text{ , }}t \in {\text{[}}{T_{{\text{start}}}},{T_{{\text{depart}}}}]} \\ & {0{\text{ , }}t \in {\text{[0,}}{T_{{\text{start}}}}] \cup [{T_{{\text{depart}}}},48]} \end{aligned} \right. $$ (5) $$ S_{i,\min }^{{\text{SOC}}} \leqslant S_{i,t}^{{\text{SOC}}} \leqslant S_{i,\max }^{{\text{SOC}}} $$ (6) 式中：
$ P_{i,t}^{{\text{EV}},{\text{ch}}} $ 为单辆EV的平均充电功率；$ {P^{{\text{EV}},\max }} $ 、$ {P^{{\text{EV}},\min }} $ 为单辆EV对应充电功率的上下限；$ S_{i,t}^{{\text{SOC}}} $ 表示EV电池荷电状态，其中：$ {S}_{i,\mathrm{min}}^{\text{SOC}}、{S}_{i,\mathrm{max}}^{\text{SOC}} $ 表示第$ i $ 辆电动汽车SOC上下限；M表示t时段EV并网状态。2） EV集群模型。
$$ P_{n,t}^{{\text{EV,ch}}} = \sum\limits_{i = 1}^{{N_{{\text{ev}}}}} {P_{i,t}^{{\text{ch}}}} $$ (7) -
文献[16]基于交互能源机制，建立了产消者交易模型和能量管理策略。有鉴于此，本文相应提出了EV充电站交易模型与日前能量优化管理方法。在此交易模型下，充电站通过自身光伏发电、从交易平台和电网购电来满足站内电动汽车充电需求，在光伏充足时，充电站也可以将剩余的光伏发电电能出售给平台获取利润。
设在t时段s场景下，充电站n的购电功率为
$ P_{n,t,s}^{{\text{buy}}} $ ；售电功率为$ P_{n,t,s}^{{\text{sell}}} $ 。其中：$$ P_{n,t,s}^{{\text{buy}}} = P_{n,t,s}^{{\text{bfp}}} + P_{n,t,s}^{{\text{bfg}}} $$ (8) 式中：
$ P_{n,t,s}^{{\text{bfg}}} $ 为t时段，充电站n在第s个场景下从电网购买的功率；$ P_{n,t,s}^{{\text{bfp}}} $ 为t时段，充电站n在第s个场景下从交易平台上购买的功率。从电网购电的电价模型为
$$ {y_t} = {c_t} + {\beta _t}P_t^{{\text{bfg}}} $$ (9) 式中：ct为平台下发的t时刻日前初始电价；βt为功率需求对电价的敏感系数；Ptbfg为充电站在t时段从电网购买的功率。
分布式光伏发电机组的出力受自然条件影响较大，因此本文采用基于场景分析技术的随机优化方法描述由此带来的不确定性，在初始场景集合中削减生成Npv个典型场景。将日前24 h均分为NT个时间间隔，各EV充电站采用式(9)表示的电价模型。以所有充电站在日前市场的利润最大为目标，建立如下能量交易模型
$$ F = \max \sum\limits_{s = 1}^{{N_{{\text{pv}}}}} {{{\text{π}}_s}} \sum\limits_{t = 1}^T {\sum\limits_{n = 1}^{{N_{{\text{evcs}}}}} \left\{ \begin{aligned} & - {c_t}P_{n,t,s}^{{\text{bfg}}} - {\beta _t}{(P_{n,t,s}^{{\text{bfg}}})^2} - \\ &{g_h}{(P_{n,t,s}^{{\text{bfp}}})^2}{\text{ + }}{c_t}E_{n,t,s}^{\text{b}}/\eta \\ & - C_n^{{\text{pv}}} \end{aligned} \right\} } $$ (10) 式(10)随机优化问题中，πs为场景s发生的概率，T=48，表示将24h均分为48个时间间隔，Nevcs表示EV充电站数量，式中前2项为EV充电站从电网购电的成本，第3项表示网损费用，第4项为充电站给EV提供服务的收益。其中：
$ E_{n,t,s}^{\text{b}} $ 为第s个场景下，充电站n在t时段内站内EV充电的电能；η为充电效率。第5项为光伏发电成本，其中gh为电能交互时的网损参数[16]。$$ \left\{ \begin{gathered} 0 \leqslant P_{n,t,s}^{{\text{bfp}}} \leqslant P_{n,t}^{{\text{bfp,}}\max } \\ 0 \leqslant P_{n,t,s}^{{\text{stp}}} \leqslant P_{n,t}^{{\text{stp,}}\max } \\ 0 \leqslant P_{n,t,s}^{{\text{bfg}}} \\ {\text{0 < }}{P_{{\text{ev}},t,s}} < {P_{{\text{ev}},t,\max }} \\ S_{i,\min }^{{\text{SOC}}} \leqslant S_i^{{\text{SOC}}} \leqslant S_{i,\max }^{{\text{SOC}}} \\ P_{n,t}^{{\text{bfg}}} + P_{n,t}^{{\text{bfp}}} + {P_{{\text{load}}}} \leqslant {P_{\text{m}}} \\ \end{gathered} \right. $$ (11) 式中：s表示场景号；
$ P_{n,t}^{{\text{bfp,max}}} $ 为充电站n在t时段从平台买电的上限；$ P_{n,t}^{{\text{stp,max}}} $ 为充电站n在t时段在平台售电的上限；$ S_i^{{\text{SOC}}} $ 为电动汽车i的荷电状态，应满足上下限约束；$ {P_{\text{m}}} $ 为变压器功率限制。考虑到充电站各个时刻利用自身光伏发电、从电网和平台购电来满足站内EV充电需求及日常负荷,在光伏出力过剩时，将余电卖给交易平台以获取利润，可将充电站
$ n $ 的功率平衡方程写为$$ P_{n,t,s}^{{\text{stp}}} + P_{n,t,s}^{{\text{load}}} = P_{n,t.s}^{{\text{bfp}}} + P_{n,t,s}^{{\text{bfg}}} + P_{n,t,s}^{{\text{pv}}} $$ (12) 对应公共约束为
$$ \sum\limits_n^{{N_{{\text{evcs}}}}} {P_{n,t,s}^{{\text{bfp}}}} = \sum\limits_n^{{N_{{\text{evcs}}}}} {P_{n,t,s}^{{\text{stp}}}} $$ (13) 引入拉格朗日乘子
$ {\eta _t} $ 可以将式(10)写为$$ F = \max \sum\limits_{s = 1}^{{N_{{\text{pv}}}}} {{{\text{π}}_s}} \sum\limits_{t = 1}^T {\sum\limits_{n = 1}^{{N_{{\text{evcs}}}}} {\left\{ \begin{gathered} - {c_t}P_{n,t}^{{\text{bfg}}} - \\ {\beta _t}{(P_{n,t}^{{\text{bfg}}})^2} - \\ {g_{\text{h}}}{(P_{n,t}^{{\text{bfp}}})^2} \\ - C_{\text{n}}^{{\text{pv}}}{\text{ + }}{c_t}E_{n,t}^{\text{b}}/\eta \\ - {\eta _t}P_{n,t}^{{\text{bfp}}}{\text{ + }}{\eta _t}P_{n,t}^{{\text{stp}}} \\ \end{gathered} \right\}} } $$ (14) 根据拉格朗日对偶分解原理，将目标函数解耦得到
$$ F = \max \sum\limits_{s = 1}^{{N_{{\text{pv}}}}} {{{\text{π}}_s}} \sum\limits_{t = 1}^T {\left\{ \begin{gathered} - {c_t}P_{n,t}^{{\text{bfg}}} - {\beta _t}{(P_{n,t}^{{\text{bfg}}})^2} - \\ {g_{\text{h}}}{(P_{n,t}^{{\text{bfp}}})^2}{\text{ + }}{c_t}E_{n,t}^{\text{b}}/\eta - C_{\text{n}}^{{\text{pv}}} \\ + {\eta _t}P_{n,t}^{{\text{bfp}}}{\text{ + }}{\eta _t}P_{n,t}^{{\text{stp}}} \\ \end{gathered} \right\}} $$ (15) 通过求解多个参与的充电站的子问题来得到最优解，各个子问题求解过程中均需满足式（12）中各项约束条件。本文结合次梯度法[18]求解式(15)。利用式(16)对拉格朗日乘子ηt进行更新。
$$ \begin{gathered} {\eta _t}[\mu + 1] = {\eta _t}[\mu ] + \\ {\sigma _h}\left(\sum\limits_{u = 1}^{{N_{{\text{evcs}}}}} P_{n,t}^{{\text{bfp}}}[\mu ] - \sum\limits_{u = 1}^{{N_{{\text{evcs}}}}} P_{n,t}^{{\text{stp}}}[\mu ]\right) \end{gathered} $$ (16) 式中:μ为拉格朗日乘子的迭代次数;σh为恒定步长系数。收敛判据如式(17)
$$ |{\eta _t}[\mu + 1] - {\eta _t}[\mu ]| \leqslant {\varepsilon _{\rm{h}}} $$ (17) 式中εh为迭代收敛判据。
-
图4表示EV充电站电能交易流程图。在本文所描述的基于交互能源机制的EV充电站分布式交易，是通过多次信息交互方式，即多次交换功率和价格的方式实现整个交易系统平衡的。具体流程如下表述。
图 4 EV充电站电能交易流程图
Figure 4. Flowchart of electric energy transaction of EV charging station
1）数据初始化，通过对以往数据进行分析，交易平台下发初始交易价格，各充电站进行初始充电资源的配置。各时段内EV充电功率视为充电站负荷。各站根据初始交易价格求解功率计划，求解完毕后向交易平台上报本站购售电情况，由于充电站仅需向平台上传购售电计划，无需上传发用电计划，很好地保护了充电站及车主隐私。
2）以满足式(11)—(13)中各项约束为前提，交易平台向充电站下发更新后的价格，充电站各自优化求解得到新的功率计划和新的交易价格。
3）交易平台检验是否实现功率平衡。如果实现平衡，交易结束；如果未能实现平衡，则更新充电站购售电电价，再次生成功率计划，直至满足功率平衡。
本文所建立的基于交互能源机制下的充电站分布式交易机制与传统交易模式在本质上都是在保证区域总变压器不过载的情况下，满足EV充电需求。
从调度角度来看，传统调度一般采用双层充放电调度模型和有序充电策略等，实现对电网的削峰填谷。但随着EV数目急剧增加，集中式充放电协调难度加大。而本文所提的充电站交易机制，一方面，提供了快充、慢充2种充电形式，为有不同充电需求的用户提供了不同的选择，慢充站可以合理利用分布式资源，在不影响满足用户充电需求的前提下改变各时刻充电电能，将更多的电能出售以获得利润；另一方面，通过充电站之间的电能交易，降低了充电站运行成本，实现了分布式资源的就地消纳。本文所应用的充电站交易模型主要具有以下优势：
1）通过价格引导的手段对充电站参与市场的行为进行引导，有利于充分发挥充电站资源的灵活性，提高光伏等可再生能源的就地消纳。
2）含光伏充电站的分布式调度框架给予充电站充分的自主管理权，使充电站参与电力市场节省了大量的控制成本与计算成本。
-
本文假设30min为一个交易周期，对今日00:00到今日24:00进行优化调度，即将24 h分为48个时段进行日前交易，以5个同区域内公共充电站为例进行算例分析，在Windows10环境下运用Matlab cplex求解器求取目标函数。本文在考虑了分布式光伏发电不确定性的情况下，分别对3个快充站和2个慢充站进行仿真，其中快充充电站不具有光伏发电能力。图5表示同一天内各光伏出力场景发生的概率，概率之和为1。场景削减后的各场景光伏出力情况如图6所示，由图可知，光伏出力日特性明显与光照强度变化呈一致性，12：00左右光伏出力最大。各光伏场景描述如表1所示。模型各参数设置如表2所示。固定负荷、EV的相关数据参考文献[19]。
图 5 同一天各光伏出力场景概率函数分布
Figure 5. Probability function distribution of output scene of each PV station on the same date
图 6 各场景下光伏出力
Figure 6. PV station output of each scenarios
表 1 各光伏场景描述
Table 1. Description of each PV scene
场景 1 2 3 4 5 6 7 8 光照强度 中 较强 较强 较弱 强 弱 较弱 中 光伏出力 中等 较大 较大 较小 最大 小 较小 中等 表 2 模型参数设置
Table 2. Setting of model parameters
参数 数值 $ P_{n,t}^{{\text{stp,}}\max } $/kW 2000 $ P_{n,t}^{{\text{bfp,max}}} $/kW 2000 $ {P_{\text{m}}} $/kW 10000 $ {\beta _t} $ 0.001 $ {\sigma _h} $ 0.00005 $ {\varepsilon _h} $ 0.000001 $ {P^{{\text{EV}},\max }} $/kW 50 -
图7表示了在场景1的各个时刻下，EV充电站电力市场交易模式下的各个充电站功率情况。将3个慢充站编号为1、2、3，快充站编号为4和5。由图可知，快充站4、5不具有光伏发电系统。由于快充充电站车流量相对于慢充充电站更大，从交易平台和电网购电功率相较于慢充充电站也更多。充电站为了使自身利益最大化，慢充充电站1、2、3充分利用自身光伏发电。当光伏出力无法支撑站内EV充电需求时，在初步保证配网安全性的前提下，充电站需要从交易平台甚至从电网购电。当光伏出力过剩时，以满足站内EV充电需求为前提，充电站可将余电出售给交易平台，同一时刻有需求的充电站向平台购电。充电站1由于具有较高比例的光伏，在光伏出力较大的时段，作为主要能源支撑，当光伏充裕时，将余电售给平台，充电站2、3同样具有光伏发电系统，其光伏出力行为与充电站1较为类似；而充电站4、5由于不具有光伏资源，从平台和电网购电用于满足站内EV充电需求，维持系统平衡。
图 7 充电站功率情况
Figure 7. Power situation of each EV charging station
不难得出，本文提出的充电站交易模型能够充分激发充电站对自身所含分布式光伏的利用，促进了分布式光伏的就地消纳，且由于电能仅在同一区域内的充电站与平台、充电站与电网之间进行交易，大大降低了由电网控制中心总体协调控制所带来的运行成本及控制难度，避免了电能的远距离传输，同时减少了传输过程中电能损耗。电动汽车充电站在发挥市场作用的同时也起到系统层面的控制作用，调动电能实现了系统的能量平衡。
-
本节随机选择其中一个充电站模型进行复制，在任一场景中将充电站的数量从5个增加到30个。图8表示迭代次数随充电站数量变化的关系图。由图可知，随着充电站数量的增加，收敛迭代次数也在增加。对于30个充电站进行日前能量优化管理，仍能收敛，因此本文所提算法仍具有有效性。
图 8 迭代次数与充电站数量关系
Figure 8. Relationship between the iteration times and the number of charging stations
-
图9、图10例举了在13:00和17:00时刻，各个光伏场景下，充电站之间电能交易价格与迭代次数的关系。由图可以得出，在本文选用的8个典型光伏场景下，交易价格均能收敛，系统能量达到平衡。由于13:00为光伏发电能力最优时刻，电价较低，为0.446元/kW·h。此时，各站光伏出力优先满足站内电动汽车充电需求，故充电站向平台购电的需求较小，交易价格较低。17:00为光伏发电能力较弱时刻，电价较高，为0.987元/kW·h。充电站向平台购电需求大，交易价格较高。算例所展示的2时刻的电价均符合市场规律。针对同一时段的不同场景进行分析，在光伏发电能力较弱的场景，其交易价格越高；在光伏发电能力较强的场景，其交易价格越低。
图 9 各场景下电动汽车充电站2于13:00上报的价格
Figure 9. The upward reported price of EV charging station No. 2 at 13:00 under each scenario
图 10 各场景下电动汽车充电站2于17:00上报的价格
Figure 10. The upward reported price of EV charging station No. 2 at 17:00 under each scenario
表3为本文所提充电站交易模式与传统模式下的收益对比。由表可得，本文所提充电站交易模式下，充电站收益明显提高。充电站充分利用了自身分布式光伏,促进了可再生资源就地消纳，同时也促进了电力市场交易，提高了经济性。
表 3 各充电站收益对比
Table 3. Comparison of revenues of each charging station
电动汽车充电站 基于交互能源
机制的收益/元基于传统
模式的收益/元充电站1 462.4231 344.7230 充电站2 438.4219 319.8423 充电站3 442.5133 328.0314 充电站4 364.6677 243.8048 充电站5 410.7350 307.7851 在传统交易模式下，充电站通过自身光伏发电、从电网购电来满足站内EV充电需求，而在光伏出力过剩时，可能会造成弃光。与分布式交易模型类似，将日前24 h均分为48个时间间隔，各EV充电站以采用式(9)的电价模型，以所有EV充电站在日前市场的利润最大为目标，建立EV充电站能量交易模型。
-
1) 利用多场景法解决光伏不确定性问题，相较于文献[20]单一地将光伏发电量考虑为定值，制定的日前计划更具有准确性。
2)本文所提的交易机制有利于光伏等分布式发电资源的就地消纳，符合可再生能源结合EV充电站的建设和发展新趋势。
3)本文基于交互能源机制，充分利用EV充电站的“分布式”特点，构建电网、交易平台、EV充电站之间的电能分布式交易模型，提高了充电站参与市场的积极性与灵活性，相较于传统模式下降低了充电站成本，提高了经济性。
A Day-ahead Energy Optimization Management Method for Electric Vehicle Charging Station Based on Interactive Energy Mechanism
-
摘要: 针对光伏充电站能量优化管理问题，现有研究大多以电网为主体，而较少考虑其具备的产消者特性。为此，结合交互能源机制，提出了一种含光伏发电的电动汽车充电站日前能量优化管理方法。在初步保证配电网安全稳定运行的前提下，建立考虑光伏电源不确定性问题的充电站电能分布式交易模型。其次，利用拉格朗日分解原理和次梯度法进行求解得到日前电能计划，实现了电动汽车充电站间能量的优化共享和可再生能源的就地消纳，同时也保护了充电站信息隐私。最后，通过算例分析证明了所提模型的合理性和有效性。Abstract: In allusion to the energy optimization management of photovoltaic (abbr. PV) charging station, most of the existing studies take the power grid as the principal part and the characteristics of the producer and consumer processed by photovoltaic charging stations are less considered. For this reason, combining with the transactive energy mechanism a day-ahead energy optimization management method for electric vehicle (abbr. EV) charging station containing PV generation was proposed. Firstly, under the premise of preliminarily ensuring the secure and stable operation of distribution network, an electric energy distributed trading model, in which the uncertainty of PV power was taken into account, for charging station was established. Secondly, by use of Lagrange decomposition principle and the subgradient method the established model was solved and the day-ahead electric energy plan was obtained, so that the energy optimization sharing among EV charging stations and the onsite accommodation of renewable energy could be realized, meanwhile, the information privacy of charging stations was protected. Finally, by means of analysis on examples both rationality and validity of the established model were verified.
-
Key words:
- electric vehicle /
- charging station /
- distributed dispatch /
- transactive energy /
- electricity market
-
图 3 EV充电站能量交易机制框架
Figure 3. Framework of energy trading mechanism of EV charging station
图 4 EV充电站电能交易流程图
Figure 4. Flowchart of electric energy transaction of EV charging station
图 5 同一天各光伏出力场景概率函数分布
Figure 5. Probability function distribution of output scene of each PV station on the same date
图 8 迭代次数与充电站数量关系
Figure 8. Relationship between the iteration times and the number of charging stations
图 9 各场景下电动汽车充电站2于13:00上报的价格
Figure 9. The upward reported price of EV charging station No. 2 at 13:00 under each scenario
图 10 各场景下电动汽车充电站2于17:00上报的价格
Figure 10. The upward reported price of EV charging station No. 2 at 17:00 under each scenario
表 1 各光伏场景描述
Table 1. Description of each PV scene
场景 1 2 3 4 5 6 7 8 光照强度 中 较强 较强 较弱 强 弱 较弱 中 光伏出力 中等 较大 较大 较小 最大 小 较小 中等 
下载: 导出CSV
表 2 模型参数设置
Table 2. Setting of model parameters
参数 数值 $ P_{n,t}^{{\text{stp,}}\max } $ /kW2000 $ P_{n,t}^{{\text{bfp,max}}} $ /kW2000 $ {P_{\text{m}}} $ /kW10000 $ {\beta _t} $ 0.001 $ {\sigma _h} $ 0.00005 $ {\varepsilon _h} $ 0.000001 $ {P^{{\text{EV}},\max }} $ /kW50
下载: 导出CSV
表 3 各充电站收益对比
Table 3. Comparison of revenues of each charging station
电动汽车充电站 基于交互能源
机制的收益/元基于传统
模式的收益/元充电站1 462.4231 344.7230 充电站2 438.4219 319.8423 充电站3 442.5133 328.0314 充电站4 364.6677 243.8048 充电站5 410.7350 307.7851
下载: 导出CSV
-
[1] 刘建荣, 郝小妮. 考虑环保意识的低碳出行行为研究[J]. 交通运输系统工程与信息, 2019, 19(1): 26−32. LIU Jianrong, HAO Xiaoni. Incorporating environmental consciousness into low-carbon traveling behavior[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(1): 26−32(in Chinese). [2] 吴憩棠. 我国"十城千辆"计划的进展[J]. 新能源汽车, 2009, 1(24): 15−19. WU Qitang. Progresses in "Ten-cities&Thousand Units" plan[J]. Automobile & Parts, 2009, 1(24): 15−19(in Chinese). [3] SONG Yonghua, YANG Xia, LU Zongxiang. Integration of plug-in hybrid and electric vehicles: Experience from China[C]//2010 IEEE Power and Energy Society General Meeting, Minneapolis, United States, 2010: 1−6. [4] 平健, 陈思捷, 张宁, 等. 基于智能合约的配电网去中心化交易机制[J]. 中国电机工程学报, 2017, 37(13): 22−30. PING Jian, CHEN Sijie, ZHANG Ning, et al. Decentralized transactive mechanism in distribution network based on smart contract[J]. Proceedings of the CSEE, 2017, 37(13): 22−30(in Chinese). [5] SEKYUNG H, SOOHEE H, KAORU S. Development of an optimal vehicle-to-grid aggregator for frequency regulation[J]. IEEE Transactions on Smart Grid, 2010: 65−72. [6] WHITE C D, ZHANG K M. Using vehicle-to-grid technology for frequency regulation and peak-load reduction[J]. Journal of Power Sources, 2011: 3972−3980. [7] KARIMA K, LOTIFI K. Energy management strategy of a photovoltaic electric vehicle charging station[C]//2019 19th International Conference on Sciences and Techniques of Automatic Control and Computer Engineering, Sousse, Tunisia, 2019: 124−129. [8] 肖湘宁, 温剑锋, 陶顺, 等. 电动汽车充电基础设施规划中若干关键问题的研究与建议[J]. 电工技术学报, 2014, 29(8): 1−10. XIAO Xiangning, WEN Jianfeng, TAO Shun, et al. Study and recommendations of the key issues in planning of electric vehicles’ charging facilities[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 1−10(in Chinese). [9] 李睿雪, 胡泽春. 电动公交车光储充电站日运行随机优化策略[J]. 电网技术, 2017, 41(12): 3772−3780. LI Ruixue, HU Zechun. Stochastic optimization strategy for daily operation of electric bus charging station with PV and energy storage[J]. Power System Technology, 2017, 41(12): 3772−3780(in Chinese). [10] 薛溟枫, 毛晓波, 潘湧涛, 等. 基于LSTM神经网络的电动汽车充电站需求响应特性封装及配电网优化运行[J]. 电力建设, 2021, 42(6): 76−85. XUE Mingfeng, MAO Xiaobo, PAN Yongtao, et al. Demand response package model of electric vehicle charging station based on LSTM neural network and optimal operation of distribution network[J]. Electric Power Construction, 2021, 42(6): 76−85(in Chinese). [11] 董海鹰, 贠韫韵, 汪宁渤, 等. 基于双重电价的电动汽车充放电两阶段优化调度策略[J]. 太阳能学报, 2021, 42(4): 115−124. DONG Haiying, YUN Yunyun, WANG Ningbo, et al. Two-stage dispatch optimization stratey for charging and discharging of electric vehicles based on double electricity price[J]. Acta Energia Sloariss Sinica, 2021, 42(4): 115−124(in Chinese). [12] 李景丽, 杨旭晨, 张琳娟, 等. 规模化电动汽车有序充电分层控制策略研究[J]. 电测与仪表, 2021, 58(5): 168−175. LI Jingli, YANG Xuchen, ZHANG Linjuan, et al. Research on hierarchical control strategy of orderly charging of large-scale electric vehicles[J]. Electrical Measurement & Instrumentation, 2021, 58(5): 168−175(in Chinese). [13] ZHANG Jing, YUAN Ruiming, YAN Dongxiang, et al. A non-cooperative game based charging power dispatch in electric vehicle charging station and charging effect analysis[C]//2018 2nd IEEE Conference on Energy Internet and Energy System Integration, Beijing, China, 2018: 1−6. [14] 申江伟, 杨理想, 高鹏, 等. 基于动态功率分配的电动汽车充电站设计[J]. 集成电路应用, 2020, 37(8): 114−115. SHEN Jiangwei, YANG Lixiang, GAO Peng, et al. Electric vehicle charging station by dynamic distribution[J]. Application of IC, 2020, 37(8): 114−115(in Chinese). [15] 胡俊杰, 王坤宇, 艾欣, 等. 交互能源: 实现电力能源系统平衡的有效机制[J]. 中国电机工程学报, 2019, 39(4): 953−966. HU Junjie, WANG Kunyu, AI Xin, et al. Transactive energy: an effective mechanism for balancing electric energy system[J]. Proceedings of the CSEE, 2019, 39(4): 953−966(in Chinese). [16] 单俊嘉, 李阳, 胡俊杰. 基于交互能源机制的产消者能量管理方法[J]. 电力建设, 2019, 40(11): 31−38. SHAN Junjia, LI Yang, HU Junjie. Application of transactive energy mechanism in prosumer energy management[J]. Electric Power Construction, 2019, 40(11): 31−38(in Chinese). [17] 艾欣, 王坤宇, 胡俊杰, 等. 基于交互能源机制的产消者群分布式调度方法研究[J]. 电网技术, 2020, 44(5): 1766−1777. AI Xin, WANG Kunyu, HU Junjie. Study on distributed scheduling approach of aggregated prosumers based on transactive energy mechanism[J]. Power System Technology, 2020, 44(5): 1766−1777(in Chinese). [18] 梁毅, 朱怡莹, 周荣生, 等. 基于交互能源机制的多元用户经济调度方法[J]. 电气应用, 2021, 40(2): 18−23. LIANG Yi, ZHU Yiying, ZHOU Rongsheng, et al. An economic dispatch method for multi-users based on the transactive energy mechanism[J]. Electrotechnical Application, 2021, 40(2): 18−23(in Chinese). [19] 邹福强. 电动汽车光伏充电站的在线能量管理方法[D]. 北京: 华北电力大学, 2016. [20] 陈奇芳, 刘念, 赵天阳, 等. 基于滚动线性规划的光伏充电站自动需求响应[J]. 电网技术, 2016, 40(10): 2967−2974. CHEN Qifang, LIU Nian, ZHAO Tianyang, et al. Automatic demand response for PV charging station based on receding linear programming[J]. Power System Technology, 2016, 40(10): 2967−2974(in Chinese). [21] 王浩然, 陈思捷, 严正, 等. 基于区块链的电动汽车充电站充电权交易: 机制、模型和方法[J]. 中国电机工程学报, 2020, 40(2): 425−436. WANG Haoran, CHEN Sijie, YAN Zheng, et al. Blockchain-enabled charging right trading among EV charging stations: mechanism, model, and method[J]. Proceedings of the CSEE, 2020, 40(2): 425−436(in Chinese). [22] 平健, 陈思捷, 张宁, 等. 基于智能合约的配电网去中心化交易机制[J]. 中国电机工程学报, 2017, 37(13): 22−30. PING Jian, CHEN Sijie, ZHANG Ning, et al. Decentralized transactive mechanism in distribution network based on smart contract[J]. Proceedings of the CSEE, 2017, 37(13): 22−30(in Chinese). [23] SALAMEH Z M, BOROWY B S, AMIN A R A. Photovoltaic module-site matching based on the capacity factors[J]. IEEE Transactions on Energy Conversion, 1995, 10(2): 326−332. [24] 王贵斌, 赵俊华, 文福拴, 等. 配电系统中电动汽车与可再生能源的随机协同调度[J]. 电力系统自动化, 2012, 36(19): 22−29. WANG Guibin, ZHAO Junhua, WEN Fushuan, et al. Stochastic optimization dispatching of plug-in hybrid electric vehicles in coordination with renewable generation in distribution systems[J]. Automation of Electric Power Systems, 2012, 36(19): 22−29(in Chinese). [25] 姚伟锋, 赵俊华, 宋永华, 等. 基于双层优化的电动汽车充放电调度策略[J]. 电力系统及其自动化, 2012, 32(11): 30−36. YAO Weifeng, ZHAO Junhua, SONG Yonghua, et al. A charging and discharging dispatching strategy for electric vehicles based on bi-level optimization[J]. Automation of Electric Power Systems, 2012, 32(11): 30−36(in Chinese). -
点击查看大图
计量
- 文章访问数: 160
- HTML全文浏览量: 44
- PDF下载量: 17
- 被引次数: 0
