摘要：电动汽车以无序充电方式接入配电网时与网内基础用电负荷叠加，会形成峰上加峰的现象，不利于配电网的稳定运行。针对上述问题，对私家车充电负荷进行建模，采用蒙特卡罗抽样模拟电动汽车无序行为下的充电负荷曲线。然后提出一种新型的多时段动态充电价格机制，引导车主有序充电，并以配电网负荷波动比较小为目标函数，优化电动汽车充电行为。比较后在IEEEE3节点配电网中，分别分析有序和无序充电负荷并网时电动汽车充电费用、配电网电压偏移率及网损，结果表明所提策略可有效兼顾用户利益和配电网的稳定运行。

关键词：电动汽车；配电网；多时段充电价格；电压偏移；网损

0引言

伴随我国能源结构的调整，以新能源为主体的新型电力系统可为推进国家“双碳”目标的早日实现发挥积作用，电动汽车的推广和应用在节能减排方面有优势，推进电动汽车发展是推动我国能源转型发展的重要环节。虽然电动汽车的存在为人们出行带来了的便利，但由于其充电行为具有不确定性，大量无序、随机的负荷直接并网会对配电网造成许多不可预知的负面影响。因此应大力推广对电动汽车的有序充电管理，以兼顾电网、经济效益和用户利益．在解决电动汽车并网时如何管控的问题上，已有学者进行研究。考虑到配电网用电峰谷差较大导致变压器过载和产生大量网内损耗，提出了一种对电动汽车充电功率进行实时优化的策略，算例结果表明该策略可以有效降低网损。针对大规模电动汽车入网现象，根据网内用电负荷状态及电动汽车充电需求等实时数据，利用模糊控制算法对电动汽车的充电行为做有序优化，有效避免了大规模车群入网引起的负荷尖峰问题。将电动汽车电池的可放比较大容量为选定优化目标，通过竞价的方法，引导用户在用电高峰时间段利用电动汽车的V2G技术馈电给电网，以达到“削峰填谷”的效果。基于虚拟电价，考虑以系统负荷峰谷差比较小、用户经济性指标比较大和电池的折旧费用比较小为目标对电动汽车建模，通过算例明了该策略提出的有效性。提出了一种基于峰谷分时电价为背景的，考虑电动汽车充放电随机性的有序充放电策略，使得电动汽车在负荷高峰期向网馈电，负荷低谷期充电，平滑了网内用电曲线。以分时电价为背景，构建同时考虑用户用电缴费情况和负荷稳定性的多目标优化调度模型，使电动汽车参与有序充电管理规划。通过算例分析验证了该方法不但可以减小负荷的峰谷差，还能提高用户用电的经济效益。上述文献中，学者从电网侧角度通过对电动汽车的充电特性直接调度或是从用户侧角度利用价格引导电动汽车优化充电行为来满足电网功率的调节。前者的直接调度仅考虑了对电网的影响，没有调动用户用电的主观意愿，实施推广具有难度；后者虽然利用价格因素很好调动了用户参与性，但现有的分时电价分区少，限制了调度的比较优可能性。因此本文以私家车并入配电网为研究对象，根据短期负荷预测为基础提出一种新型的多时段动态电价策略，引导电动汽车有序充电。对用户用电缴费、配电网的电压偏移及网损情况加以分析后，验了所提出的价格机制可以引导电动汽车有序充电，并兼顾配电网系统的稳定运行和用户利益。

1私家车无序模式充电模型

本文从以下4个方面构建电动汽车的充电模型。ａư电动汽车电池特性本文选用锂电池为研究对象。与普通汽车相同，不同类型私家车电池容量有差异。

式中ｆQ为私家车锂电池容量的概率密度；ｘ表示该时刻的电池容量大小，一般取值为20-30kwh。锂电池充电变化过程如图1所示。由于充电起始过程和结束过程的时间非常短暂，可以近似地认为锂电池充电是恒功率充电。ｂư车主日行驶里程本文引用美国交通部汽车日出行数据进行分析

计算［13］，可知电动汽车车主每日用车行驶里程数的概率密度函数为

式中：ｆD为车主日行驶里程的概率密度函数；μD为期望值；σD为标准差。ｃư车主比较后归程时刻设车主每日结束行程时刻即为电动汽车每日开始充电时刻，比较后归程概率密度函数为

式中：ｆｓ为车主比较后规程的概率密度函数；ｗ为回家时刻；μｓ为期望值；σｓ为标准差。ｄư车主离家时间设车主每日用车期间只可放电不可充电，出行开始时刻的概率密度函数为

式中：ｆｅ为车主启程离家的概率密度函数；ｖ为离家时刻。结合用户出行数据及电动汽车充电模型利用蒙特卡洛算法，得到500辆电动汽车的24ｈ无序充电负荷曲线，如图2所示。

２多时段动态电价下电动汽车有序充电模型

2.1多时段动态电价区间划分

传统的分时电价一旦后其区间不再变化，但居民的用电行为会随着季节变化、地域不同和个人舒适度而改变，与原分时电价的价格区间范围有偏差，产生负荷和电价的峰谷不匹配的现象。而电动汽车的充电行为在时间上有很大随机性，导致实时电价的考虑因素十分复杂。因此本文根据短期负荷预测为基础提出一种新型的多时段动态电价策略。目前为止，隶属度函数是对传统用电价格进行划分的比较成熟且通用性比较广的方法。以表1某地区分时电价为例，基于模糊数学的理论，可将每个时间段认为是一个立的模糊集合，然后利用隶属度函数构建时段内每时刻对应的隶属度，并根据隶属度值将其划分到对应的时间段［14］。再将短期预测的基础负荷划分成多时段，根据每时段对应的负荷值计算相对应的电价。

式中：Cｍａｘ和Cｍｉｎ分别为分时电价的峰值与谷值；C∗为每时段负荷在价格区间上的映射。

式中：Cｉ为。

2.2电动汽车有序充电策略

电动汽车聚合商是专门针对电动汽车充电进行资源整合的参与者，其部署的智能充电桩可提供常规充电模式和充电优化模式。常规充电模式可将电动汽车的电池充至期望电量值，而优化模式则需要根据车主个人用电需求输入结束充电时刻及结束时刻的充电期望值。车辆接入后，充电桩将该车信息，将输入值及车电池的剩余电量反馈到系统调度中间，对收集的数据进行在线智能计算，形成电动汽车的充电计划。

2.3目标函数

本文以网内负荷波动比较小为目标函数。

式中：F为目标函数；N为谷时段数目；Pｉ为ｉ个时段配电网的基础负荷值。

2.4约束条件

小值和比较大值。

Bu充电时段T约束Tｓ≤T≤Tｅ（12）式中：Tｓ为车主每日充电开始时刻；Tｅ为当天充电结束时刻。ｃư总电量Ｓ约束本文优化中不计电池损耗，设电池容量为恒定值。

式中：K为充电的电动汽车数目；Tｃｈｉ为ｉ辆车总充电时间。

2.5算法求解

传统的遗传算法是一种起源于生物进化规律演变的寻优算法。从任意初始种群开始，通过选择、交叉、变异等环节，产生一些对环境适应度高的个体并进入搜索空间中好的区域，不断繁衍进化，比较终得到比较大适应度的个体作为比较优解输出。但由于进化过程中交叉概率参数及变异概率参数为定值，忽略了进化过程中种群的自适应特性，存在过早收敛的缺陷。且算法没有保留机制，适应度高的个体可能在进化中丢失好的基因。为了解决以上问题，本文采用自适应交叉概率Kｃ和自适应变异概率Kｍ以及保留机制进行优化求解［15］。自适应交叉概率Kｃ和自适应变异概率Kｍ公式如下：

式中：K1为基础交叉概率；ｆｍａｘ为个体比较大适应度；ｆａｖ为个体适应度值的平均值；fｌ为每相邻交叉个体中较大的适应度。

式中：K2为基础变异概率；ｆｉ为I代进化的阈值，公式如下：

式中：ｆｉI为ｉ个个体；Kｅｅｐ＝1，则保留，Kｅｅｐ＝0，则不保留。优化过程如图4。

3算例与分析

3.1场景设定

本文过程选择在IEEE33节点配电网中进行，其拓扑如图5所示。设节点1为平衡节点，即电源接入节点，余下32个节点全部为PQ节点。设整个配电网系统中含基础负荷以及1500辆电动汽车，车群被均匀分配到节点19,23和26中。以私家车比亚迪E1车型作为研究对象，规定每辆电动汽车的动力电池规格相同，参数为：220V，16Ａ慢充模式，限制容量为35KWH，3.52KWH恒功率充电，充电效率为0.82，转换效率为0.90

3.2对用电负荷的分析

电动汽车以不同方式充电的负荷曲线及配电网总负荷曲线如图6、图7所示。由图6和图7可知，通过动态价格的引导，电动汽车充电行为趋于有序化，车主对充电时间段的选择逐渐向夜间转移，负荷峰值水平大幅度下降，说明新型电价的提出可以使车主的用电行为不再大面积集中，系统总用电负荷曲线相对变得平缓，有削峰填谷的效果。

由表2可知，无序充电车主日缴纳电费为21880.8元，基于多时段动态电价的有序充电日缴费为17248.8，比无序充电费用降低了21.17％。因此新电价机制的提出可有效降低车主充电成本。

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。