CN103679372B - 电动公交充换电站的分层协调充电控制方法 - Google Patents

Abstract

本发明涉及一种电动公交充换电站的分层协调充电控制方法，它采用分层调度模型，以充电站为一级基本单位，由调度中心来调度充电站的充放电情况。充电站作为下一级电动公交的控制中心，选择某时段不同类型充电桩的工作数量来满足调度中心需求。最底层电池和最高层调度中心实现分离，从而减少计算量达到分区自治的目的。在晚间电动公交车下班进入充电站充电到次日上班前的时段作为可调度时段，由作为上一级的调度中心分别以削峰填谷和购电成本最低为目标，制定充电策略；各充电站作为下一级与调度中心通信，根据调度中心下发的调度命令，确定本充电站中充电桩的充电安排。

Description

电动公交充换电站的分层协调充电控制方法

技术领域

本发明涉及一种电动车充电控制方法，尤其涉及一种电动公交充换电站的分层协调充电控制方法。

背景技术

电动公交不同于普通的电动汽车，其运行线路固定，且发车时间间隔固定，有极强的运行规律。而为了维持公交车的白天的正常运营，电动公交夜晚需要停靠充电站进行电量的补充。电动公交的夜晚充电需求会对电网产生影响，优化电动公交的充电行为成为考虑的目标。而如由控制中心统一进行每辆电动公交充电行为调度，计算量大，对通讯要求高，且容易造成资源浪费。

电动汽车调度的目的是得到未来一段时间内(一般为24h)特定的调控目标下的(如削峰填谷，有序充电，降低网损)下电动汽车的最优充放电策略。

常见的电动汽车综合充电策略主要分为削峰填谷、平抑可再生能源间歇性、降低网损、经济运行等几种。在确定了充电策略之后，应当考虑电动汽车的控制问题，比如在一定条件下(如为了保证系统受到较小的扰动)可以通过改变部分电动汽车的充电状态或运行状态来使得整个电网系统的运行相对稳定。

所以基于上述考虑，在研究问题的过程中，应当将电动汽车的协调充电与控制问题作为一个整体进行联合考虑。现有文献在电动汽车充电协调行为问题上，大多数采取的是由输电系统调度机构下发协调充电指令到电动汽车进行直接的从上至底的调度模式。但是这种假设存在一定的不合理性，因为虽然现在电动汽车的数量还不多，但如果用发展的眼光长期考虑来看，未来接入电网系统的电动汽车的数量可能很庞大，直接用从上至底的协调模式会导致相应的求解优化问题难于求解，即使能够求解，在求解速度上也不会令人满意。

另一方面，从上至底的集中协调需要系统与接入电网的电动汽车之间都存在实时通讯，这样才能方便状态信息的收集和协调充电指令的下达。然而这种实时通讯通信信道需要高可靠性高速率的传输环境。虽然这种方法在理论上方便建模求解，但考虑到未来电动汽车的庞大数量，就会进一步的提高这样做的成本，真正实施起来会存在一定的问题。

发明内容

本发明的目的就是为解决上述问题，提供一种电动公交充换电站的分层协调充电控制方法，它采用分层协调模型，以充电站为下级基本单位，由控制中心作为上级来协调充电站的充放电情况。充电站作为下级电池的控制中心，选择某时段不同类型充电桩的工作数量来满足调度中心需求。最底层电池和最高层协调中心实现分离，从而减少计算量达到分区自治的目的。

为实现上述目的，本发明采用如下技术方案：

一种电动公交充换电站的分层协调充电控制方法，它以控制中心为上级，以各充电站为下级，建立两层体制，调度中心与各充电站通信，再由各充电站根据上层调度指令决定站内电动公交车如何充电；将晚间电动公交车下班进入充电站充电到次日上班前的时段作为可调度时段，通过AR模型预测可调度时段各充电站充电电量需求，并利用EBL学习算法对AR模型预测参数进行跟踪调整；在可调度时段，上级控制中心根据预测的充电电量，制定各充电站充电策略并下发充电站，各充电站则确定站内充电方案，对站内电动公交进行有序充电；

其中，所述AR模型下的预测充电电量需求为：

$Q_{jt}=\underset{i=1}{\overset{p}{\Σ}}{a}_i{Q}_{jt-i}+{\mathrm{\ϵ}}_t---\left(1\right)$

式中Q_jt表示的是m号充电站t时段电量需求，Q_jt-i为m号充电站t-i时段的电量需求，ε_t为干扰项，p是模型阶数，a_i为参数；

控制中心在制定充电策略时，以削峰填谷最优为目标，考虑充电站充电需求相关约束即单站传输专线的功率约束、单站容量约束、单站的单时段充电功率约束，并在削峰填谷最优的可行解中求取充电站利润收入最大值；

各充电站在制定站内充电方案时，以上级充电策略目标为约束，使充电站同类型充电桩数量变动最小，然后读入电池荷电状态SOC，以活跃电池数量最大为目标，确定电池的充电顺序；此时，将soc在40％至70％的电池定义为活跃电池，以活跃电池数量最大为原则优化充电电池充电顺序，

$max\underset{0\≤e\≤M}{\Σ}\left(Z_e\right)---\left(2\right)$

其中M为充电站内有需求的电池总量，当电池符合“活跃电池”的定义时，Z_e为1，当不符合时Z_e为0；

对AR模型预测参数进行跟踪调整过程是对参数a_i进行跟踪修正，过程为首先判断预测电量与实际数据是否超过允许偏差，如果超过允许偏差，将预测参数以不同的长度和方向发散，将变化后的预测参数带入AR模型公式计算，将预测结果与实际数据作比较，根据预测结果与实际数据的偏离程度选择最优的预测参数。

其中，削峰填谷目标函数为：

$\underset{0\≤t\≤T}{\Σ}{(p_{lt}+\underset{0\≤j\≤N}{\Σ}{p}_{jt}-p_o)}^2---\left(3\right)$

其中，T为控制时段数；N为参与调度的充电站数量，p_lt为第t时段电网原负荷功率，p_jt为j充换电站在t时刻的充电量，P_o负荷平均功率。

其中，约束条件为：

1)单站传输专线的功率约束

充电站的传输专线容量限制了充电站的最大充电功率，则其中单站j站的传输功率约束为：

p_Jt≤p_jlmax (4)

其中p_jlmax为j站专线的最大传输功率；p_Jt为j站的传输功率；

2)单站的电量约束

充电站需要满足次日的最小电量约束，同时，充电电量又受到整个电站总容量的限制，因而，单站的电量约束表示为：

$Q_j\≤\underset{0\≤t\≤T}{\Σ}T\·p_{jt}\≤Q_{cj}+Q_z---\left(5\right)$

其中，Q_j为最小充电量，该电量包括两部分，一部分为白天高峰时段预留的冗余电池内电量Q_rj，这部分电量作为白天高峰期的换电使用，另一部分为电动公交内电池的电量需求Q_cj；Q_z为单站的备用电池总电量；T为控制时段数；p_jt为j充换电站在t时刻的充电量；

3)单站的单时段充电功率约束

单站的单时段充电功率必须介于单站的最小充电能力与最大充电能力之间，假设最小充电功率为0，则单站单时段充电功率约束表示为：

0≤p_jt≤p_jcmax (6)其中p_jcmax为j站的最大充电功率，p_jt为j充换电站在t时刻的充电量。

其中，最优可行解的过程为：

目标函数为：

$min\underset{0\≤\mathrm{\τ}\≤T}{\Σ}(p_{jct}+p_{jrt})\×C_{jt}---\left(7\right)$

其中C_jt为j站不同时段的费用支出，p_jct为j站第t时段充电部分功率，p_jrt为j站第t时段的储能部分功率；由于是在削峰填谷最优的可行解中寻求充电站，目标约束包括不能超过削峰填谷目标函数的最小值R，p_lt为第t时段电网原负荷功率；p_o为负荷平均功率；p_jt为j充换电站在t时刻的充电量，

$\underset{0\≤t\≤T}{\Σ}{(p_{lt}+\underset{0\≤j\≤N}{\Σ}{p}_{jt}-p_o)}^2\≤R---\left(8\right).$

所述各充电站有若干的充电桩，充电桩在时段t内充电近似为恒功率充电，在充电站的充电桩类型和数量一定的情况下，时段t内充电站充电功率为离散值，按照充电站同类型充电桩数量变动最小，假设该充电站内共有B类充电桩，则目标函数为：

$min\underset{0\≤k\≤B}{\underset{0\≤t\≤T}{\mathrm{\Σ}}}\left(\right|x_{kt}-x_{k(t+1)}\left|\right)---\left(9\right)$

式中，x_kt为类型为k的充电桩在t时段工作的充电桩数量；T为控制时段数；

目标寻优时，需要满足充电功率偏差约束，如下所示：

$p_{jt}\≤\underset{0\≤k\≤B}{\Σ}(p_k\·x_{kt})\≤\mathrm{\θ}\·p_{jt}---\left(10\right)$

其中，p_k表示第k种充电桩的充电功率；p_jt为j充换电站在t时刻的充电量；θ为大于1的常数，表明允许的偏差范围。

本发明的有益效果是：首先，它提出了一种修正充电需求预测模型参数的方法，通过EBL学习算法对AR模型预测参数进行跟踪调整，提高了充电需求的准确性。然后采用两层体制，调度中心与各充电站通信，再由各充电站根据上层调度指令决定站内电动公交车如何充电，分层调度避免了调度中心直接与各电动公交车进行通信时出现的数据交换量过大的问题，同时由于电动公交车分布的比较分散，容易出现数据传输的遗漏、错误，从而使得整个调度中心无法获取有效数据，制定有效充电策略的问题，同时，在第一层调度模型中，同时考虑了削峰填谷和充电站经济性的问题，在削峰填谷最优的可行解中寻找使充电站支出费用最小的解，这样一方面通过削峰填谷降低了电网发电调度的难度，另一方面考虑到了充电站的经济性，切合实际；同时，在第二层调度目标中，考虑到人工成本和操作时间，选择了使得同类型充电桩数量变动最小，缩短了操作时间，降低了人工成本，并针对需求电量分布的不均匀性可能带来的实际充电能力小于理论充电能力的问题，提出了“活跃电池”的概念，并以下时段“活跃电池”数量最大为原则进行了电池充电顺序的优化。至此，完成了调度中心—充电站—充电桩—电池从上到下的优化，层次分明，逻辑清楚，有重大的理论和现实意义。

附图说明

图1为本发明的分层调度模式示意图。

图2为负荷曲线变化图。

图3为充电站买电支出费用曲线。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

通过调研山东省某电动汽车试点城市可知，目前电动汽车主要为电动公交车。其电动公交为纯电动公交，车载电池为磷酸铁锂蓄电池。运营时间、发车间隔、单次运行时间、日行驶里程等数据，整理如表1。

表1电动公交运行数据

^*NA表示目前该数据尚不可用。

从表中可知，电动公交车的运营时间均为6:00至18:30。由已经统计到的电动汽车行驶数据可以看到，电动汽车的日行驶里程在510KM～960KM，由于电动汽车的车载电池不足以满足电动公交完成单日运营所需电量，电动汽车一天内要进行两次充电，如果在白天运行中电动汽车的车载电池电量下降到危险水平时，电动公交司机会选择在就近的充电站进行快速充电，然后继续完成原公交线路。在中午11:30至1:30期间，虽然公交汽车不停运，但汽车司机会有一个短暂的午休时间可以将电动公交开往附近的充电站进行充电，待休班结束后，再继续驾驶充过电的电动公交完成下午的工作任务。在晚上18:30以后，公交司机会将电动公交开往充电站充电，第二天早6:00再去充电站取车。

由于电动公交运营时间固定，根据其运行时间规律将电动公交充电时间进行分段处理。

1.白天不可调度时段(6:00-18:30)：

这段时间为电动公交司机的硬性需求时间，电动汽车到站之后，需要立即进行电量的补充，在车载电池电量补充到一定水平时，电动公交司机驾驶汽车离开。

2夜晚可调度时段(18:30-6:00)：

下班后电动汽车司机将电动公交开往附近的充电站后就离开，只要次日取车时，车载电池的电量达到需求的电量即可，充电站的员工可以在夜晚这段时间灵活的选择充电时间。

本发明的电动公交车的调控采用充电站直接与电网控制中心交互调度信息。电网控制中心做好决策后，只需下发给充电站，然后由充电站自己决定电动汽车的充电安排。这种分层调控的示意图如图1所示。

使用大量单站单日的所需电量历史数据，部分数据列表如下，进行拟合，得到夜间所需电量与前两天夜间所需电量的AR模型函数参数，其公式表达如下：

Q＝a₁Q₁+a₂Q₂

a₁＝0.64145

a₂＝0.28798

式中Q为晚上可调度时间内的充电电量需求，Q₁、Q₂分别为前两天夜间充电电量需求。

下表为单站单日夜间所需电量(该站为大型充电站约能满足40台电动公交的夜晚充电需求)。

以削峰填谷为分层调度第一层目标中首先必须满足的目标。削峰填谷主要是为了拉平负荷曲线，由于人类活动规律使得电网负荷曲线出现峰谷相错的情况，而随着社会的发展，峰谷差有拉大的趋势，给电网发电调度带来了困难，因此如果能通过电动汽车充电的控制，缓解电网峰谷差，具有重要的意义。

采用IEEE118节点系统来验证模型的效果(参见叶荣,陈皓勇,王钢,等.多风电场并网时安全约束机组组合的混合整数规划解法[J].电力系统自动化,2010,34(5):29-33,65.)，假设接入的电动公交数量为480辆，需要12座大型充电站或同等充电桩数量的中小充电站满足夜晚集中充电需求，临沂市现有电动公交为60辆(现有1座大型充电站，2座小型充电站)，充电站夜间电池电量总需求为临沂市实际数据(0.8312万千万时)同比放大8倍所得，为6.65万千瓦时。

假定充电站在节点59接入系统，在采用削峰填谷的调度策略后，负荷的曲线变化如下图2所示。

负荷曲线1为原负荷曲线，负荷曲线2为电动公交有序接入后的负荷曲线，负荷曲线3为电动公交无序接入后的负荷曲线。从图中可以看出，电动汽车的接入在凌晨负荷低谷时段均提高了负荷需求，但是电动公交无序接入，在夜高峰期间也安排了充电，则会增大电网的峰谷差，峰谷差扩大到99.88MW。与此相对，有序充电则将充电安排避开了晚高峰，达到了减少峰谷差的目的，将电网峰谷差降到了77.92MW。

在得到削峰填谷的最优解后，在削峰填谷的最优解中，考虑充电站的经济性，进行优化。

某市分时电价表

支出费用的曲线如图3所示：

支出曲线1为有序充电条件下得到买电支出曲线，支出费用曲线2为无序充电得到买电支出费用曲线。通过对比可以看出，有序充电情况下夜晚时段充电站总支出费用从46760元降到26891元。

在进行第二层优化时，以单站为例说明站内有序充电，假定某充电站有50KW的A型充电桩10个，80KW的B型充电桩8个，根据调度中心下发的0:00-1:00时间段的调度功率安排充电桩方案。

某站某时段调度功率表

某站充电桩开启数量表

在确定充电桩开启方案之后，根据“活跃电池”数量最大为原则进行电池充电顺序优化：假定充电站里每块电池从0充满需充400kwh电量(即如采用80kw充电桩需20个时段，每时段soc增加值为0.05)，在0:15分钟时读取的电池soc，信息如下：

电池SOC信息表

可以看到0:15分钟时，活跃电池的数量为8，结合充电桩开启方案，对电池充电顺序进行优化，在0:30分钟时，活跃电池数量为11，得到电池soc信息表如下：

电池SOC信息表

Claims (5)

1.一种电动公交充换电站的分层协调充电控制方法，其特征是，它以控制中心为上级，以各充电站为下级，建立两层体制，调度中心与各充电站通信，再由各充电站根据上层调度指令决定站内电动公交车如何充电；将晚间电动公交车下班进入充电站充电到次日上班前的时段作为可调度时段，通过AR模型预测可调度时段各充电站充电电量需求；在可调度时段，上级控制中心根据预测的充电电量，制定各充电站充电策略并下发充电站，各充电站则确定站内充电方案，对站内电动公交进行有序充电；

其中，所述AR模型下的预测充电电量需求为：

$Q_{jt}=\underset{i=1}{\overset{p}{\Σ}}{a}_i{Q}_{jt-i}+{\mathrm{\ϵ}}_t---\left(1\right)$

式中Q_jt表示的是m号充电站t时段电量需求，Q_jt-i为m号充电站t-i时段的电量需求，ε_t为干扰项，p是模型阶数，a_i为参数；

对AR模型预测参数进行跟踪调整过程是对参数a_i进行跟踪修正，过程为首先判断预测电量与实际数据是否超过允许偏差，如果超过允许偏差，将预测参数以不同的长度和方向发散，将变化后的预测参数带入AR模型公式计算，将预测结果与实际数据作比较，根据预测结果与实际数据的偏离程度选择最优的预测参数；

控制中心在制定充电策略时，以削峰填谷最优为目标，考虑充电站充电需求相关约束即单站传输专线的功率约束、单站容量约束、单站的单时段充电功率约束，并在削峰填谷最优的可行解中求取充电站利润收入最大值；

各充电站在制定站内充电方案时，以上级充电策略目标为约束，使充电站同类型充电桩数量变动最小，然后读入电池荷电状态SOC，以活跃电池数量最大为目标，确定电池的充电顺序；此时，将soc在40％至70％的电池定义为活跃电池，以活跃电池数量最大为原则优化充电电池充电顺序，

$max\underset{0\≤e\≤M}{\Σ}\left(Z_e\right)---\left(2\right)$

其中M为充电站内有需求的电池总量，当电池符合“活跃电池”的定义时，Z_e为1，当不符合时Z_e为0。

2.如权利要求1所述的电动公交充换电站的分层协调充电控制方法，其特征是，削峰填谷目标函数为：

$\underset{0\≤t\≤T}{\Σ}{(p_{lt}+\underset{0\≤j\≤N}{\Σ}{p}_{jt}-p_o)}^2---\left(3\right)$

其中，T为控制时段数；N为参与调度的充电站数量，p_lt为第t时段电网原负荷功率，p_jt为j充换电站在t时刻的充电量，P_o负荷平均功率。

3.如权利要求1所述的电动公交充换电站的分层协调充电控制方法，其特征是，约束条件为：

1)单站传输专线的功率约束

充电站的传输专线容量限制了充电站的最大充电功率，则其中单站j站的传输功率约束为：

p_Jt≤p_jlmax (4)

其中p_jlmax为j站专线的最大传输功率；p_Jt为j站的传输功率；

2)单站的电量约束

充电站需要满足次日的最小电量约束，同时，充电电量又受到整个电站总容量的限制，因而，单站的电量约束表示为：

$Q_j\≤\underset{0\≤t\≤T}{\Σ}T\·p_{jt}\≤Q_{cj}+Q_z---\left(5\right)$

其中，Q_j为最小充电量，该电量包括两部分，一部分为白天高峰时段预留的冗余电池内电量Q_rj，这部分电量作为白天高峰期的换电使用，另一部分为电动公交内电池的电量需求Q_cj；Q_z为单站的备用电池总电量；T为控制时段数；p_jt为j充换电站在t时刻的充电量；

3)单站的单时段充电功率约束

单站的单时段充电功率必须介于单站的最小充电能力与最大充电能力之间，假设最小充电功率为0，则单站单时段充电功率约束表示为：

0≤p_jt≤p_jcmax (6)

其中p_jcmax为j站的最大充电功率，p_jt为j充换电站在t时刻的充电量。

4.如权利要求2所述的电动公交充换电站的分层协调充电控制方法，其特征是，最优可行解的过程为：

目标函数为：

$\min \underset{0\≤t\≤T}{\Σ}(p_{jct}+p_{jrt})\×C_{jt}---\left(7\right)$

其中C_jt为j站不同时段的费用支出，p_jct为j站第t时段充电部分功率，p_jrt为j站第t时段的储能部分功率；由于是在削峰填谷最优的可行解中寻求充电站，目标约束包括不能超过削峰填谷目标函数的最小值R，p_lt为第t时段电网原负荷功率；p_o为负荷平均功率；p_jt为j充换电站在t时刻的充电量，

$\underset{0\≤t\≤T}{\Σ}{(p_{lt}+\underset{0\≤j\≤T}{\Σ}{p}_{jt}-p_o)}^2\≤R---\left(8\right).$

5.如权利要求1所述的电动公交充换电站的分层协调充电控制方法，其特征是，所述各充电站有若干的充电桩，充电桩在时段t内充电近似为恒功率充电，在充电站的充电桩类型和数量一定的情况下，时段t内充电站充电功率为离散值，按照充电站同类型充电桩数量变动最小，假设该充电站内共有B类充电桩，则目标函数为：

$min\underset{0\≤k\≤B}{\underset{0\≤t\≤T}{\Σ}}\left(\right|x_{kt}-x_{k(t+1)}\left|\right)---\left(9\right)$

式中，x_kt为类型为k的充电桩在t时段工作的充电桩数量；T为控制时段数；

目标寻优时，需要满足充电功率偏差约束，如下所示：

$p_{jt}\≤\underset{0\≤k\≤B}{\Σ}(p_k\·x_{kt})\≤\mathrm{\θ}\·p_{jt}---\left(10\right)$

其中，p_k表示第k种充电桩的充电功率；p_jt为j充换电站在t时刻的充电量；θ为大于1的常数，表明允许的偏差范围。