摘要：提出一种电动汽车充电起始时间随机选取方法。由控制决策生成器获取当前控制区域电价与负载信息，并根据负载曲线，对负荷曲线中谷时段进行分段处理，计算电网在各时段的负荷容纳能力。各充电桩根据负荷容纳能力计算不同充电时长的用户对应的充电起始时刻概率分布，并依据概率分布随机决定接入用户充电起始时间。该方法将谷时段电网负荷容纳能力量化为充电概率分布，按各时段负荷容纳能力随机生成充电任务，达到均衡利用谷时段电力资源的目的。

关键词：电动汽车；有序充电；削峰填谷；随机控制策略

0引言

本文以峰谷分时电价为背景，以居民小区家用电动汽车慢速充电为研究对象，由控制决策生成器获取当前控制区域电价与负载信息，提出一种充电桩自决策的电动汽车充电负荷随机接入控制策略，实施流程无须通过集中式网络进行实时的通信和控制，可由充电设备独立完成。控制策略能将电动汽车充电负荷有效转移至谷电价时段，并且转移后的负荷曲线平滑无剧烈变化，实现削峰填谷、平抑负荷波动，减少系统和用户成本，适用于较大规模居民小区，是一种高效率低成本的有序充电控制方案。

1有序充电及其系统架构

由国家发展和改革委员会于2014年下发的《关于电动汽车用电价格政策有关问题的通知》中指出，中国居民区电动汽车充电设施执行峰谷分时电价政策，鼓励电动汽车用户选择谷电价时段进行充电。但若只是单纯地使用户等到谷时段再充电而不加调控，不仅无法达到预期的引导效果，反而会使谷时段产生剧烈的负荷变化，影响电网安全稳定。为此，本文提出一种有序地将大量充电负荷转移至谷时段的控制方案。

本系统包含如下运行步骤。

1）获取小区负载曲线：用电信息采集系统根据居民区历史负荷数据，预测当日小区常规（不含电动汽车充电）用电负荷，并生成负荷曲线。

2）决策参数表生成：控制策略生成器获取常规负荷曲线，基于所提策略生成决策参数表，并发送给区域内各充电桩。

3）充电桩独立控制：充电桩由电动汽车电池管理系统得到接入电动汽车的电池信息，由用户通过人机交互界面输入得到充电需求相关信息，计算得出该电动汽车需要的充电时长及功率。当用户确认参与有序充电策略后，充电桩依照决策参数表，计算充电时间概率分布，并随机决定充电起止时间。对于不参与策略的用户，充电桩立即开始充电。

2充电负荷随机接入控制策略

2.1控制决策生成器策略流程

控制决策生成器是本文所提控制策略的中枢，获取当前控制区域电价与负载信息，并根据负载曲线，对负荷曲线中谷时段进行分段处理，计算电网在各时段的负荷容纳能力，计算不同充电时长的用户对应的分组规则。具体包含如下流程。

1）谷时段划分：控制策略生成器在接收用电信息采集系统提供的小区常规负荷曲线后，首先需要定位谷时段开始时刻tval，s以及结束时刻tval，e，随后对谷时段进行划分，将谷时段划分为N个长度相等的子时段，需要说明的是，子时段数量直接影响概率计算和负荷控制的精细度，在实际应用中应考虑适当增大N值。下文中为计算与说明简便，以图1中N=4为准。谷时段为23：00至次日07：00。

图1谷时段划分方案及负荷裕度计算示意图

2）计算各子时段负荷裕度：负荷裕度表征了电网在某时段承载负荷的能力。将谷时段划分后形成的子时段记为Sj，则Sj时段的负荷裕度定义为：

式中：P（t）为小区负荷随时间t变化的函数关系表达式；Pref为基准负荷值，它等于谷时段负荷的值，它与P（t）的差随时间积分形成的面积即为tj到tj+1时段的负荷裕度。

3）按充电时长对待充电电动汽车集群进行分组：根据谷时段划分情况，设所有可能的充电起始时刻集合为T，在图1样例中T=｛23：00，00：00，…，06：00｝，以充电时间第i辆电动汽车（记为EVi）所需充电时长，Tval表示谷时段时长。

①TEVi≤Tval：该组电动汽车能够在谷时段内完成充电需求。以各子时段起始时刻为可用起始充电时刻，则TEVi为0~1h的电动汽车群归于电动汽车集合1，其对应的可用起始充电时刻为T集合内所有4个时刻。TEVi在1~2h范围的电动汽车群分入电动汽车集合2,这部分电动汽车如果在06:00开始充电，则不能在谷时段结束前(07:00前）完成充电，故该组电动汽车对应的可用起始充电时刻为T集合内除去06:00外的7个时刻。以此类推，TEVi为7~4h的电动汽车群归于电动汽车集合4, 其对应的可用起始充电时刻仅能取23:00。

②TEVi>Tval：该组电动汽车不能完全在谷时段内完成充电需求，均归为电动汽车集合0,该集合内的电动汽车默认在谷时段开始时刻进行充电。若默认安排使用户充电结束时刻晚于离去时刻，则将充电起始时刻提前至在离去时刻完成充电需求即可。

2.2充电桩策略流程

本文所提控制策略中，充电桩具有自决策的权力，各台充电桩只需从控制决策生成器下载决策参数表，随后可由充电桩按概率独立执行充电任务，无需复杂的集中式通信控制。具体操作流程如下。

1)读取接入电动汽车相关信息并计算充电时长：当有新车EVi接入充电桩时，用户通过桩上人机交互界面输入充电模式、需求荷电状态Sde,i和离去时刻tdep,i。本策略仅针对选择慢充模式，且愿意参与谷时段有序充电的用户。由电池管理系统获取初始荷电状态Sini,i与电池容量Wi,由用户输入获取Sde,i与tdep,i,则该EVi充电时长TEVi计算如下：

TEVi=

式中：ηi为EVi的充电效率；PEVi为EVi的充电功率。

2)充电桩从控制决策生成器下载决策参数表，并根据接入电动汽车的充电时长TEVi,找到该电动汽车可用的起始充电时刻分布情况以及在这些时刻开始充电的概率。例如，图1样例中，接入某台充电桩的电动汽车，其充电时长TEVi计算结果为45min,则充电桩由决策参数表找到该电动汽车属于电动汽车集合1,其可用起始充电时刻为T集合所有4个时刻。

3)按接入用户时间约束条件调整充电时刻：若因个体电动汽车接入时间晚于或离去时间早于某些可用起始充电时刻，充电桩只需筛除这些可用时刻即可。例如电动汽车集合1内有个体在23:45到达，则此时可用起始充电时刻23:00已过，需筛除。相应地，有个体需在05:50离开，则可用起始充电时刻06:00需筛除。筛除过后该个体可用起始充电时刻产生了变化，充电桩调整电动汽车个体可用起始充电时刻分布。

4)为了达到均衡利用谷时段电力资源的目的，

充电桩根据决策参数表，将谷时段电网负荷容纳能力量化为充电概率分布，按各时段负荷容纳能力随机生成充电任务。对满足TEVi≤Tval的某EVi,根据需求充电时长，该EVi的充电时间可能包含数个子时段的集合。设该EVi总共可以选择M个子时段集合来完成充电，其中第m个子时段集合记为Ωm,m∈[1,M]。Ωm所对应的负荷裕度总和为Pset,m,则有

Pset,m=jPsup,j(3)

每个子时段集合具有特定的负荷裕度值。充电桩从所有M个可用子时段集合中随机选择一个作为实际充电时段，选择第m个子时段集合的概率为：

式中：Ci为EVi在第m个可用子时段集合充电的概率。例如某电动汽车的可用充电子时段集合为Ω1,Ω2,Ω3,经计算，这三个子时段集合对应的充电概率分别为20%,30%,50%,充电桩按此概率选定子时段集合充电。每台充电桩的策略流程是独立的，相互间不影响决策，也不需要信息交换。

2.3策略激励措施

本策略拟为用户提供激励措施，以增加用户参与调控的积极性。本策略按照电网谷时段负荷承载能力转移电动汽车充电时间，充分利用谷时段电力资源，节省电网维护成本，为电网带来经济效益。相对地，电网可与充电用户进行双向互动，为参与优化策略的用户提供价格激励措施，使用户享受低于谷时段电价的优惠，从而节省用户充电开销，让更多用户参与调控。

3算例分析

3.1相关参数设置

本文按该比例设置参与控制策略的电动汽车比例，且BEV充电功率取10kW,PHEV充电功率取3kW,为简便起见，充电效率ηi均取1。用户出行行为相关参数，包括出行时刻、日行驶里程与返回时刻及返回时对应荷电状态等，沿用2009年全美家庭出行调查(NHTS)中的结果，其返回时刻和日行驶里程分别近似服从正态分布和对数正态分布，其概率密度函数式见文献。

3.2仿真过程及结果

本文在3.1节所述的参数设置下，使用蒙特卡洛方法随机产生电动汽车接入数据，包括tdep,i、EVi到达时刻tarr,i和Sini,i。令Sde,i=1,为验证参与调控电动汽车规模对本策略效果的影响，令参与有序充电电动汽车数量分别为10,200,300辆，*.后得到小区负荷曲线如图2所示。

图2居民区电动汽车有序充电负荷曲线

三种电动汽车数量下负荷曲线的方差见表1。

表1不同规模电动汽车负荷方差对比

由图2中负荷曲线可以看出，本策略能够将居民区大量电动汽车充电负荷平稳转移至谷时段，并且能根据谷时段常规负荷波动情况控制各时段转移量的大小，使整体负荷曲线趋势缓和。结合表1中方差数据可知，参与调控的电动汽车规模越大，负荷曲线将越趋于平缓，调控效果越好。从整体负荷曲线看，虽然充电桩是以相互间不影响的独立决策方式运作的，但其对负荷的调控效果与集中式控制策略并无明显差异。

为进一步简化策略流程，降低系统复杂度，本文提出一种充电负荷均匀转移至谷时段的模式。该模式简化了负荷裕度的计算，认为各时段负荷裕度均相等。在电动汽车分组完成后，充电桩等概率地选择谷时段某一满足用户充电需求的时刻开始充电。

本文提出的双序谷时段充电模式加入对比分析，比较无序充电模式、双序谷时段充电模式、基于负荷裕度的随机充电方法和等概率均匀转移负荷的随机充电方法的性能。其余参数同3.1节中设置。负荷曲线及峰谷差、负荷方差、总电价仿真结果分别如图3、表2所示。

图34种模式下的充电负荷曲线

表24种模式下充电负荷指标对比

由仿真结果可知，无序充电模式下，电动汽车用户的充电时间集中在16:00—22:00,这个时间段是一天中的第二个用电高峰期，常规负荷叠加电动汽车充电负荷，造成“峰上加峰”现象，易导致配电网过载等问题出现。表2中负荷指标表明，本文所提等概率均匀转移负荷模式与基于裕度转移模式均能有效减小峰谷差并平抑负荷波动，但基于裕度转移模式负荷峰谷差与方差更低。等概率均匀转移模式削峰填谷、平抑负荷波动的效果不及基于裕度转移，但省略了负荷裕度的计算过程，更易实现。因此，实行本文所提电动汽车有序充电控制策略，不仅能削峰填谷，平抑负荷波动，也能减少用户充电成本，达到电网与用户间的双赢。

4安科瑞充电桩收费运营云平台系统选型方案

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。

4.2应用场所

适用于民用建筑、一般工业建筑、居住小区、实业单位、商业综合体、学校、园区等充电桩模式的充电基础设施设计。

4.3系统结构

系统分为四层：

1)即数据采集层、网络传输层、数据层和客户端层。

2）数据采集层：包括电瓶车智能充电桩通讯协议为标准modbus-rtu。电瓶车智能充电桩用于采集充电回路的电力参数，并进行电能计量和保护。

3）网络传输层：通过4G网络将数据上传至搭建好的数据库服务器。

4）数据层：包含应用服务器和数据服务器，应用服务器部署数据采集服务、WEB网站，数据服务器部署实时数据库、历史数据库、基础数据库。

5）应客户端层：系统管理员可在浏览器中访问电瓶车充电桩收费平台。终端充电用户通过刷卡扫码的方式启动充电。

小区充电平台功能主要涵盖充电设施智能化大屏、实时监控、交易管理、故障管理、统计分析、基础数据管理等功能，同时为运维人员提供运维APP，充电用户提供充电小程序。

4.4安科瑞充电桩云平台系统功能

4.4.1智能化大屏

智能化大屏展示站点分布情况，对设备状态、设备使用率、充电次数、充电时长、充电金额、充电度数、充电桩故障等进行统计显示，同时可查看每个站点的站点信息、充电桩列表、充电记录、收益、能耗、故障记录等。统一管理小区充电桩，查看设备使用率，合理分配资源。

4.4.2实时监控

实时监视充电设施运行状况，主要包括充电桩运行状态、回路状态、充电过程中的充电电量、充电电压电流，充电桩告警信息等。

4.4.3交易管理

平台管理人员可管理充电用户账户，对其进行账户进行充值、退款、冻结、注销等操作，可查看小区用户每日的充电交易详细信息。

4.4.4故障管理

设备自动上报故障信息，平台管理人员可通过平台查看故障信息并进行派发处理，同时运维人员可通过运维APP收取故障推送，运维人员在运维工作完成后将结果上报。充电用户也可通过充电小程序反馈现场问题。

4.4.5统计分析

通过系统平台，从充电站点、充电设施、、充电时间、充电方式等不同角度，查询充电交易统计信息、能耗统计信息等。

4.4.6基础数据管理

在系统平台建立运营商户，运营商可建立和管理其运营所需站点和充电设施，维护充电设施信息、价格策略、折扣、优惠活动，同时可管理在线卡用户充值、冻结和解绑。

4.4.7运维APP

面向运维人员使用，可以对站点和充电桩进行管理、能够进行故障闭环处理、查询流量卡使用情况、查询充电\充值情况，进行远程参数设置，同时可接收故障推送

4.4.8充电小程序

面向充电用户使用，可查看附近空闲设备，主要包含扫码充电、账户充值，充电卡绑定、交易查询、故障申诉等功能。

4.5系统硬件配置

5结语

峰谷电价背景下居民区家用电动汽车无序充电时间过于集中，会加剧电网峰值压力，造成负荷冲击，而基于有序充电的集中式控制系统复杂度高，不易实现。本文提出一种电动汽车充电起始时间随机选取方法。通过理论分析与仿真验证，结论如下。

1)本文所提基于负荷裕度的随机充电策略能够有效实现负荷平稳转移，削减峰谷差，降低负荷方差，合理分配谷时段电力资源。策略实施过程只需定时更新控制决策生成器中相关参数，其余工作可由充电桩自决策独立完成，无需集中式通信控制，避免了大量的实时通信流程，便于实际应用，适用于各类充电场景。

2)本文所提等概率均匀转移负荷的随机充电方法相比基于负荷裕度的随机充电策略实施流程更为简单，系统成本更低，但削峰填谷、平抑负荷波动的效果稍差。在区域电网无法获得可用负荷曲线数据，不具备计算负荷裕度的条件时，可考虑采用等概率均匀转移法作为简化方案。

3)由于目前中国电动汽车处于发展中，规模有限，尚不能提供大量实际运行数据，本文工作还较多停留在理论阶段，可能存在一些未考虑到的问题，具有一定的局限性。另外，使用概率控制的方式本身有一定不确定性无法避免，具有改进的空间。在进一步的研究中，应结合真实场景可能存在的约束条件，对优化目标和调控手段进行完善。