电动汽车充电优化及预测技术综述

电动汽车充电优化及预测技术综述

0计及汽车充电预测的实时充电优化方法作为代表清洁能源汽车的代表，电动汽车近年来得到了迅速发展。电动汽车数量达到一定规模后,如果任由其无序充电将对电网产生负面影响,引发电能质量下降、网损增加,甚至危及电网稳定性。因此,电动汽车智能充电(也称协调充电)问题得到关注,一种典型思路是将充电负荷转移到常规负荷的低谷时段,在满足汽车充电需求的同时,减弱其充电影响。研究表明,智能充电不仅能有效减少无序充电造成的电能质量下降和网损,而且能使电网总负荷曲线实现削峰填谷,增加电网运行效益[10,11,12,13,14,15,16,17,18,19]。电力系统调度分为日前—滚动—实时3个时间窗口,目前电动汽车智能充电优化研究主要侧重于日前离线和实时在线优化两方面。日前优化时,汽车入网时间和充电需求难以确知,需进行日前预测,常用做法是利用交通数据库分析它们的概率分布函数并获取特征参数,在此基础上优化汽车未来几个小时的充电功率。而目前的实时充电优化常采用“滚动式”优化方法,它和日前优化区别在于:第一,电网每个时刻仅考虑当前入网汽车信息,采集、刷新接入时间、当前电量、车主提供的充电需求和预计离开时间,故优化所需信息是确定的;第二,优化后对入网汽车只设定当前时刻充电功率,而非未来一段时间内的充电功率。为便于后文论述,本文将目前常见的实时充电优化方法称为常规方法。这类研究仅考虑入网(已接入电网)汽车信息,不考虑未入网汽车(尚在行驶中,未来可能接入电网)。因此虽然方法可行,但由于优化已知信息局限于入网汽车集合,有时优化效果并不够好。随着信息通信技术(ICT)在电动汽车上的应用和汽车充电数据的不断积累,已有人研究如何结合汽车充电行为的历史规律和汽车当前运行状态,预测未来一段时间电动汽车入网时段、充电需求[24,25,26,27,28,29]。研究表明,虽然单辆电动汽车充电行为规律性较弱,预测较难,但对于由多辆汽车组成的汽车集群,各个时段的电量需求、可用充电功率的规律性较强,容易取得较高的预测精度。基于此,本文在当前常规实时充电优化研究的基础上,考虑了将入网汽车信息,提出了计及汽车充电预测的实时充电优化方法:每个时刻,电网根据电动汽车未来充电行为的预测信息形成充电预测模型,并将预测模型纳入实时滚动优化模型中,求解已入网汽车当前时刻的优化充电功率。与已有研究相比,本文贡献如下。1)考虑到电动汽车预测在未来将越来越可靠,提出了一种新的实时充电优化方法,以引入将入网汽车预测模型的方式来利用预测信息,尝试回答未来预测信息如何有效应用的问题。2)所提方法中,由入网汽车的确定信息构建的充电约束和未入网汽车的预测模型处理为两个分离的约束集合,从而使得无论后者预测精度如何,入网汽车都能满足自身的充电约束,保证实时充电方案的可行性。3)由于预测精度对优化效果也将有直接影响,本文基于滚动优化,通过实时反馈电网当前峰谷水平、入网汽车充电状态和新的预测模型,重新优化当前时刻入网汽车充电功率,避免误差持续累积、放大。针对不同的预测精度进行了对比仿真分析,尤其是验证了较差预测误差下所提方法的效果。1基于实时充电优化模型和预测方法的设计为便于后文说明和对比,本节简介常规实时充电优化方法的数学模型和汽车充电行为预测方法。1.1求解及求解实时充电问题电动汽车在夜间和白天的停车时间进行充电。夜间充电通常指的是晚上18:00左右到次日08:00点左右,这段期间,由于居民用电习惯,负荷仍然存在峰谷特性。由于车主充电习惯,不受控下电动汽车充电负荷将叠加在晚高峰上,造成更大的负荷高峰,需要通过实时充电优化,避免晚高峰,并进行填谷。本文采用夜间充电为例加以介绍,但相应控制目标和相应方法也可应用到白天“日间充电”上。考虑面向夜间充电(如晚上20:00到次日09:00)的实时充电优化问题。在时段[1,T]内(时段间隔为Δt)配电网有N辆电动汽车在不同时刻接入充电,电网实时优化汽车充电功率实现填谷:任一调度时刻t,电网将入网汽车作为优化对象,根据剩余充电需求,建立滚动时间窗内的填谷充电优化模型;求出最优解后,向入网汽车下发当前时刻优化值作为实时充电功率的设定值。建模时,设第n辆电动汽车入网和离开时刻为tnin和tnout,额定充电功率为rnmax,入网前的净充电需求为Rn(净充电需求可由汽车的目标荷电状态,初始荷电状态,电池容量,充电效率以及优化的时间步长确定),时刻t的RT模型可表达为:式中:Nta为时刻t入网充电汽车集合,即Nta={n∈N|tnin≤t<tnout,Rnt>0};Tt为时刻t的优化时间窗,它从当前时刻延伸到Nta中汽车的最迟离开时刻;τ为Tt中任一时刻;U(x)是一个严格凸函数(如0.5x2),严格凸性可保证充电以填谷为目标;rn(τ)为Nta中的汽车n在时刻τ的充电功率;rn为由rn(τ)组成的向量;是其充电功率上限;Rnt为汽车n在时刻t的剩余净充电需求,由充电设施测量确定;D0(τ)是配电网在时刻τ的常规负荷功率。根据各汽车的入网和离开时间,优化中的rn-(t)可由下式确定:在每个时刻,RT模型中的接入汽车集合、优化时间窗、各汽车的电量信息和优化充电功率都将重新采集、刷新,以使实时充电优化结果能满足入网汽车的实际充电需求。1.2单、集群充电行为预测伴随ICT技术的应用和车网通信技术的推进,已有不少研究者基于汽车充电行为的历史数据,并结合当前汽车的状态,预测汽车未来充电行为,如充电时间、充电地点、充电需求等。目前常见3种预测方法。第1种预测方法是分析电动汽车的交通行为特点,建立汽车集群充电行为的动态微分方程,预测汽车充电负荷;第2种方法是利用已有的交通行为数据库,如全国居民出行的调查(NHTS),通过蒙特卡洛仿真车主的交通和充电习惯,建立随机概率模型(如非时齐semi-Markov模型)预测汽车在未来时段的充电时间、地点、负荷需求;第3种方法则是结合汽车的历史充电行为数据(可借助ICT技术采集得到),通过回归分析方法预测未来单辆电动汽车或者集群的充电时段,能量需求等信息。在文献中,采用第3种方法预测单车和汽车集群的充电行为。对于单辆汽车,根据文献,首先通过广义线性模型(GLM)方法预测汽车的入网时间段[tnin,tnout],再在此基础上预测单车的充电需求;而对于汽车集群,因各时刻入网充电汽车数量、充电需求、充电需求分布、最大充电功率(时刻t集群充电需求等于在该时刻离开的各汽车的充电需求之和;时刻t集群充电需求分布等于此时刻入网汽车的充电需求之和;时刻t的集群最大充电功率等于该时刻各电动汽车功率上限之和)等信息的周期规律比较明显,可直接采用线性回归模型进行预测。由于电动汽车集群中汽车个体较多,汽车个体充电规律的不均匀性彼此抵消,集群的规律性可能会更加明显,在电动汽车大规模普及的情况下相对单车预测可能有更高的精度。综上可知,通过交通行为建模或基于历史数据的回归分析等办法,有多种方法可对单车或者汽车集群的充电行为进行有效的预测。基于此,本文未将研究重点放在如何预测充电负荷,而是将单车或者集群的充电预测信息作为建模时的已知输入,重点研究在预测信息可用的情况下,如何在实时充电优化中利用好这些信息,以取得比常规方法更好的效果。2mprt-1方法本节根据单车或者集群的预测信息,在现有RT方法的基础上,分别建立基于单车或者集群模型预测的实时充电优化方法(简称为MPRT方法)。设任一调度时刻t,电网除考虑已入网汽车模型(如约束式(2)),还预测出未来Ttp时段内将入网的各辆电动汽车的接入电网时间段,充电需求,则可利用这些信息构建各车的充电预测模型,并结合约束式(2),得到MPRT-1优化模型如下。式中:Ntp为将在Ttp时段内入网的汽车集合,即;Tt为时刻t的优化时间窗,但从当前时刻延伸到Nta和Ntp中所有汽车的最迟离开时刻;为Ntp中的汽车n在时刻τ的预测充电功率上限,由式(6)确定;其余变量意义同前。该模型中,约束式(2)描述了已入网汽车的功率和电量约束,约束式(5)描述了Ntp中各单辆汽车的预测模型。由式(6)可知汽车未接入电网时,汽车不充电,而入网后为额定充电功率;此外约束式(5)还考虑了Ntp中各汽车的充电需求。值得注意,由于入网汽车的确定信息构建的充电约束和未入网汽车的预测模型处理为两个分离的约束式(2),式(5),所以无论后者预测精度如何,入网汽车都能满足式(2)中的充电约束,保证实时充电方案的可行性。MPRT-1方法中,每个时刻首先确定已入网的汽车集合Nta,并刷新电量数据;再根据预测的时段长度Ttp确定将要入网的汽车集合Ntp和预测信息;再由以上信息,确定优化时间窗Tt,建立优化模型;采用集中式或者分布式优化求解该模型,向入网汽车下发当前时刻的优化值作为实时充电功率设定值,结束该时刻优化计算。计算步骤如图1所示。2.2实时充电预测设任一调度时刻t,如果电网预测出未来Ttp时段内将入网汽车集群各个时刻的充电需求R^p(t)、充电需求分布^pRD(t)、最大充电功率^r珔p(t)等信息,则可利用这些信息构建集群预测模型,并结合约束式(2),得到MPRT-2优化模型如下。式中:Tt表示时刻t的优化时间窗,时间窗最末时刻Tt=max{Ttp,tnout|n∈Nta};rp(τ)表示优化中时刻τ集群充电功率;rp为由rp(τ)组成的向量;α(τ)是反映已充电量对集群可用充电功率影响的因子;其余变量定义如前。约束式(8)采用了文献中的集群预测模型,约束集第1个约束表示每个时刻集群的充电功率不能大于充电功率上限的预测值,引入因子α(τ)是由于集群实际可用充电功率上限将随集群已充电量的增加而减少,α(τ)的计算可参考文献;约束式(8)第2个约束表示集群充电量应不小于该时刻集群的充电需求;第3个约束表示集群充电量不应大于该时刻集群能吸收的最大电量。与MPRT-1方法相比,Ntp中各辆汽车的预测模型在这里由一个集群预测模型代表。从预测的角度看,集群充电行为的规律性更加明显,预测较为容易,有助于电网进行实时充电优化;从计算角度看,若Ntp集合元素较多,MPRT-2方法的优化规模和计算量将比MPRT-1方法明显减少,并容易利用已有的分布式优化方法(如RTODC方法)进行求解。另一方面,由于约束式(2)和式(8)仍然是分离的,MPRT-2方法仍能保证入网汽车实时充电方案的可行性。MPRT-2方法的计算步骤如图2所示。由于MPRT-1和MPRT-2方法思想类似,下文中统称为MPRT方法,分析其与目前常见的RT方法的异同。3实时充电需求的预测将RT和MPRT方法特点总结如表1所示。由上表可见,MPRT方法与目前RT方法的区别就在于优化中利用了将入网汽车的预测信息。换言之,如果每个时刻无预测,即Ttp=0,Ntp=ue064,那么MPRT退化为现有RT方法;否则,引入预测信息将导致新的优化结果。例如,对于“理想”预测,即每个时刻Ttp足够长,Ntp=N/Nta,且入网汽车的预测信息无误差,那么由第2节中两个MPRT优化模型的目标函数和约束式,每个时刻MPRT方法的模型将计及所有汽车的准确充电信息进行优化,易知此时优化充电结果将是填谷的理论最优解,而目前的RT方法则很难获得这一结果。而实际中,Ttp通常为有限时段,且ue064ue020Ntpue020N/Nta,如果未接入的电动汽车的预测精度较高,MPRT方法仍能比目前RT方法更合理地优化入网汽车的充电功率。图3用一个直观的例子说明了利用预测信息有助于电网更合理地安排汽车实时充电功率。图中A和B代表了在t1和t2时刻入网的两组电动汽车的充电需求。图3中假设各时刻优化时间窗都足够长。在图3(a)中,电网采用RT方法进行实时充电优化,由于电网在t2时刻之前并不知道有新汽车接入,所以每个时刻都预留部分A去填充t2之后的负荷低谷,这使得t1到t2时段内的总负荷曲线较低;而在t2时刻,新一组汽车入网,此时汽车总充电需求突增,电网将之填充在t2时刻之后的常规负荷低谷处,使得总负荷曲线较之前明显增高,整个时段内呈阶梯状,并没有实现理想的填谷。而在图3(b)中,电网采用MPRT方法进行实时充电优化,由于利用了预测信息,电网可预见在t2时刻将有充电需求为B的新汽车入网,故尽可能将充电需求A填充在t2时刻之前的负荷低谷处,避免了RT方法中不合理的做法,最终取得更好的填谷效果。4电动汽车实时充电功率的仿真为验证本文方法的有效性,分别对电动汽车入网充电时间的3种分散程度(分别用Case_1,Case_2,Case_3代表)进行仿真。汽车入网充电时间在Case_1中相对集中,而在Case_3中相对分散。3种算例的仿真参数如表2所示。在理想预测和有预测误差的情况下,分别仿真RT,MPRT-1和MPRT-2方法的电动汽车实时充电功率,并和理论上的最优填谷曲线进行对比。参考文献,对单车和集群的预测,分别考虑3种精度(分别用A1,B1,C1以及A2,B2,C2表示),如表3和表4所示。4.1两组最优结果对比理想预测下,比较3种算例的RT和MPRT方法的实时充电优化结果,现有方法和MPRT结果与基准曲线对比如图4所示。负荷为标幺值;充电结束时间09:00。图4中分别对比了从Case_1到Case_3的RT和MPRT方法的填谷效果。图中,RT,MPRT以及理想曲线在所有汽车结束充电(09:00)之后将和常规负荷曲线重合。通过和理论最优解对比,可知无论是MPRT-1还是MPRT-2方法,由于合理利用了对未来入网汽车的预测,图中都和理论上的最优填谷曲线重合,实现了最优充电。而对于RT方法,随着汽车入网时间分散程度增加,图中总负荷曲线阶梯现象明显,甚至严重偏离最优解(如图4(c))。这是因为电网缺乏汽车充电行为的预测信息,在夜间充电早期预留了大部分充电需求,致使夜间充电后期充电需求过大,从而造成阶梯状明显的总负荷曲线,无法实现理想的“填谷”。但是在理想预测或者很高预测精度下,MPRT方法通过对未来的预测,可更加合理地安排每个时刻的充电功率,使得填谷曲线相当接近理论最优解,保证填谷效果。进一步的比较和说明参考附录A。为突出显示避免晚高峰的效果,Case_3下RT,MPRT-2方法和汽车自由充电(一接入电网就以最大功率进行充电)两种模式下系统负荷曲线对比如图5所示。充电结束时间09:00。4.2夜间充电影响通常理想预测难以实现,因而有必要研究不同预测精度对MPRT方法优化结果的影响。表5和表6给出了在不同预测精度下,RT,MPRT-1,MPRT-2方法和最优填谷曲线偏差的二范数。对于上表,可见无论是MPRT-1还是MPRT-2方法,不同预测精度下的结果均优于现有RT方法。在最差预测精度下,MPRT方法所得结果和最优填谷曲线的偏差约是RT方法的10%,特别对于汽车接入时间较分散的Case_3,即使有预测误差的MPRT方法也远优于现有的RT方法。图6进一步给出对于Case_3,C1和C2预测下的MPRT方法,RT方法得到的总负荷曲线,并将之与理想的填谷曲线对比,分析预测误差的影响。图中充电结束时间09:00。由图可见,无论对哪种MPRT方法,预测误差的影响都主要发生在夜间充电早期,它使总负荷曲线在最优充电曲线附近发生波动。这是因为在夜间充电早期,大部分汽车并未入网,相应信息由带误差的充电预测获得。如果某时刻过高估计了未来的充电需求,电网将安排更多入网汽车在该时刻充电,故总充电功率将比最优曲线略高;反之,总充电功率将比最优曲线略低,所以曲线将出现波动,而不再如理想预测时那样能与和理论最优解重合。但即使在最差预测精度下,图中的曲线波动也是比较小的。在夜间充电后期,大部分汽车已经接入,优化信息确定,预测误