安科瑞充电桩运营云平台在居民小区光储充一体化有序充电策略的研究和应用

摘要：针对当前有序充电策略优化目标单一且未考虑新能源出力的现状，提出了面向光储充一体化社区的有序充电策略。首先，将降低社区负荷峰谷差作为电网层优化目标，将减少用户充电费用作为用户层优化目标，完成双层多目标有序充电模型的设计。其次，设计基于云边协同的调度架构，将电网层优化模型部署在云端侧，用户层优化模型部署在边缘侧。该架构能有效利用边缘侧的计算资源，缓解云端侧面对电动汽车大规模接入时的计算压力。以5种充电场景为例进行算例分析。实验表明，与无序充电相比，所提策略能够使社区负荷峰谷差减少40.47%，充电均价减少52.63%。与单层有序充电策略相比，该策略综合效果优势明显，在保障配电网安全稳定运行的同时，兼顾电动汽车用户的经济利益。

关键词：光储充一体化社区；有序充电；双层多目标优化模型；云边协同；电动汽车

0引言

近年来，随着全球经济的快速发展，大量化石能源被开采使用，对环境造成污染，而电动汽车因具有环保、低碳等优点得以快速发展，据《电动汽车发展战略研究报告》数据预测，2030年我国电动汽车保有量将达到6000万辆。电动汽车数量的增加可以有效减少对传统能源的使用，但电动汽车大量接入电网势必会带来诸多影响，如加剧负荷波动、增大负荷峰谷差、减少电网设备寿命等。因此研究电动汽车有序充电策略具有重要意义和实用价值。

目前，国内外已经针对电动汽车有序充电策略开展了相关研究。以变压器容量等为约束条件、以充电站经营成本低为目标建立有序充电模型。在分时电价的基础上，提出一种基于动态分时电价的电动汽车有序充电方法，引导车主有序充电，平抑配电网负荷波动。以上研究仅针对单一目标进行优化，未考虑多方利益。充分考虑到用户多方面需求，提出了基于优劣解距离法的电动汽车有序充电优化策略，该策略既能节约用户充电成本，又能实现电力负荷削峰填谷的目标。以配电网与充电站交互功率、充电站运营收益两方面为目标，建立充电站调度模型，减小电池的损耗与放电成本。但上述研究都未考虑新能源出力的情况。针对分布式能源出力具有随机性等问题，构建了多目标两阶段优化模型，平抑了分布式能源出力波动，同时降低了用户充电成本。针对电动汽车的入网问题，提出了含分布式电源和电动汽车充电的优化重构模型，在IEEE33节点标准配电系统中进行仿真验证。但上述研究未考虑加入储能装置提高分布式能源的就地消纳。借助住宅小区的有序充电控制系统，利用分时电价调节电动汽车充电负荷，达到用户侧和电网侧利益的目的，但文中的集中式调度架构在面对大规模电动汽车接入时，容易因计算量大而导致响应速度慢等问题。

综上所述，现有研究存在以下问题：1)优化目标单一，缺乏对用户、电网等多方面利益的考虑；2)没有考虑加入分布式能源和储能设备来提高用户响应策略的积极性和分布式能源的就地消纳；3)现有的集中式调度架构在大规模电动汽车接入的情况下，存在计算资源紧张、响应速度慢的问题。鉴于上述问题，本文针对包含光伏单元和储能单元的社区，以光储充一体化社区为例，提出了一种基于鼠群优化算法(ratswarmoptimizer,RSO)的双层多目标有序充电策略，在光伏充分消纳的情况下，考虑用户侧和电网侧的利益，有助于负荷的削峰填谷，降低峰谷差，同时减少充电费用。此外设计了基于云边协同的调度架构，有效利用边缘侧的计算能力，降低云端侧面对大规模数据的计算压力。

1光储充一体化社区无序充电分析

1.1光储充一体化社区系统结构

如图1所示，光储充一体化社区系统由光伏单元、储能单元和变压器等组成。其中箭头表示电能的流向，光伏单元和电网提供电能，充电桩和常规负荷消耗电能。其中储能单元比较特殊，既能提供电能，也能消耗电能，为了后续简化充电模型，把储能单元看作负荷消耗电能，计算时储能单元若处于充电状态，则功率为正，反之功率为负。

图1光储充一体化社区系统结构

当光伏出力大于充电负荷时，光伏单元先对充电桩供电，其次向储能单元供电，若有富余再流向常规负荷；当光伏出力小于充电负荷时，储能单元对充电桩进行供电，充电负荷的差额由电网提供。

1.2社区无序充电负荷模型

单个居民的充电行为是随机的和无序的，但从整体而言，充电规律会受到社区居民生活习惯和出行规律的影响。本文以2017年美国交通部对全美家用轿车出行的统计结果为依据，并结合中美出行时段差异做了一定程度的调整，使之更符合我国居民用户的出行情况。

调整之后居民回家时间的概率密度函数为

式中：xs为居民回家时间；期望值s18.74；标准差 s 3.41。假设居民回家就开始充电，即可以把回家时间看作电动汽车开始充电时间。调整之后居民离家时间的概率密度函数为

式中：xe为居民离家时间；期望值e 7.92；标准差 e 3.24。假设居民离家才结束充电，即可以把离家时间看作电动汽车结束充电时间。

电动汽车日行驶里程的概率密度函数为

式中：d为电动汽车日行驶里程；期望值d 3.2；标准差 d0.88。

居民出行规律概率密度分布如图2所示。

图2居民出行规律概率密度分布

从图2可以看出：电动汽车开始充电时间集中在16：00—21：00，结束充电时间集中在06：00—10：00，日行驶里程集中在50km以内。

1.3无序充电负荷模拟

本文采用蒙特卡洛法模拟社区居民的无序充电行为。假设电动汽车每天充电一次，直到充满为止，整个充电过程近似为恒功率充电，并选择更适合社区的常规充电方式。电动汽车无序充电负荷模拟流程如图3所示，具体步骤如下。

图3无序充电负荷模拟流程

1)输入大仿真次数和电动汽车总数量，并进行初始化；

2)根据前文提到的概率模型，随机生成车主充电开始时间、结束时间和日行驶里程；

3)结合电动汽车相关参数计算得到充电电量，并累加得到充电负荷；

4)当完成所有电动汽车充电负荷的计算后，进行下一次仿真，仿真次数达到大值后，取平均值输出电动汽车无序充电负荷曲线。

1.4社区无序充电仿真分析

社区电动汽车无序充电负荷和储能单元、光伏单元出力情况如图4(a)所示，三者再和社区常规负荷叠加得到无序充电下的社区负荷，如图4(b)所示。

从图4中可以看出：光伏单元出力时间集中在在08：00—17：00，期间光伏发电量可以覆盖充电负荷和储能单元的消耗，剩下的再供给社区常规负荷使用，无须上网，减少传输时的损耗，实现就地消纳。但充电负荷集中的时间段正好是常规负荷的高峰时间段，容易“峰上加峰”，进一步增加峰谷差，加剧电网负荷波动。此时储能单元可以放电，对充电桩供电，降低负荷峰值。

图4无序充电仿真结果

在18：00—22：00这一时间段，社区负荷已经超过变压器有功功率上限，使变压器处于过载状态，损害其使用寿命。和普通社区相比，光储充一体化社区的负荷峰值和越限时间都有一定程度降低，但仍未解决社区负荷越限和波动大的问题，影响居民的安全用电，亟需对电动汽车充电行为开展有序调度研究。

2基于鼠群优化算法的双层多目标有序充电策略

2.1双层多目标有序充电策略

本策略提出了社区负荷峰谷差和用户充电费用小的双层多目标优化模型。一层是电网层，将降低社区负荷峰谷差作为优化目标；二层是用户层，将减少用户充电费用作为优化目标，并把电网层优化结果作为本层优化模型的约束条件，减少用户充电费用，同时考虑社区负荷平稳性。双层多目标有序充电策略具体流程如图5所示。

图5双层多目标有序充电策略流程

1)获取未来24h社区常规负荷和光伏出力预测数据，动态获取用户充电信息，包括开始充电时间、结束充电时间、充电量等；

2)当某时段有新车接入或用户改变充电信息时，电网层根据社区负荷峰谷差小的优化目标求解并输出用户开始充电时间、光伏的充放电功率和充电负荷；

3)电网层输出的充电负荷作为用户层优化模型的约束条件，用户层根据用户充电费用小的优化目标求解并输出用户开始充电时间、光伏的充放电功率；

4)重复步骤2)和3)，达到大迭代次数，输出新的充电计划；

5)若没有新车接入或用户改变充电信息，则遵循上一时段充电计划；

6)重复步骤2)—步骤5)，直到优化时段达到大时段数。

2.2电网层优化模型

2.2.1目标函数

电网层的优化目标是降低社区负荷峰谷差，目标函数为

式中，Pall为总负荷。

2.2.2约束条件

1)功率平衡约束

式中：Ppva为光伏出力功率；Pc为充电负荷；Pg为常规负荷；Ps为储能单元充放电功率。

2)总负荷限制约束

式中：Pmax为社区变压器的大有功功率；P_R为社区变压器的额定容量；⋏_R为功率因数。式(6)代表社区总负荷不能超过社区变压器的大有功功率。

3)用户充电需求约束

充电时间约束为

式中：Timin为i辆电动汽车充满电的短时间，即按大功率进行充电需要的时间；Tineedi辆电动汽车充满电需要的充电时长；T ⁱmax为/辆电动汽车的长充电时间，即车主回家到离家之间的时间；S ^ḭst为i辆电动汽车开始充电时的电池荷电状态；di为i辆电动汽车的日行驶里程；E100为电动汽车百公里耗电量；B为电池的额定容量；P_cs为充电桩的额定充电功率。

电池电量约束为

式中，Sⁱ_end为i辆电动汽车结束充电时电池的荷电状态。

1. 储能单元约束

储能单元充放电功率约束为

式中，Psmax为大充放电功率。

储能单元容量约束为

式中：Bcmax为储能单元大容量；Bc为储能单元实际容量。

2.3用户层优化模型

2.3.1目标函数

社区的电力来自光伏单元和配电网，充电费用也来自这两部分，其余充电设施建设的费用暂不考虑，充电费用目标函数为

式中：Pⁱ_pvc为i个时段的光伏单元在电动汽车和储能单元上的输出功率；Rpv为光伏的单位发电成本；P为i个时段电网在电动汽车和储能单元上的输出功率；Ri为i个时段的分时电价；∆t为单位时段；Pⁱ_pva为i个时段的光伏出力功率；Pⁱ_c为i个时段的充电负荷；Pⁱ_s为i个时段的储能单元充放电功率。

2.3.2约束条件

式中Pⁱ_c1为电网层输出i个时段的充电负荷；Pⁱ_c2为用户层输出i个时段的充电负荷。

其余约束条件和2.2.2节相同。

2.4优化模型求解方法

电动汽车双层多目标有序充电优化模型优化对象众多，且存在多个约束条件，传统方法求解困难。本文采用鼠群优化算法进行求解。鼠群优化算法是一种新型群智能优化算法，在局部搜索和全局搜索之间实现动态平衡，避免了粒子群算法容易陷入局部优的问题。

鼠群优化算法通过模拟鼠群的捕食行为，将鼠群的捕食行为分为两个过程——追逐猎物和攻击猎物，并进行数学建模。

在鼠群追逐猎物过程中，假设鼠群中的优个体知道猎物的位置，鼠群中的其他个体便可以通过优个体来更新自己的位置，更新策略如式(18)和式(20)所示。

式中：P^t_i为猎物对于i只老鼠来说的位置；A为自身权重；X^t_i为i只老鼠；x^t_best

为鼠群中的优个体；t为当前迭代次数；C为0~2之间的随机数；R为1~5之间的随机数。

在攻击猎物过程中，算法从数学上定义老鼠与猎物的打斗过程，老鼠位置更新公式为

式中，X_i^t+1是i只老鼠在下一次迭代中的位置。

鼠群优化算法通过模拟鼠群追逐猎物和攻击猎物的行为，并通过调整式(18)中的参数A和C使老鼠到达不同的位置，完成对搜索空间的搜索。本文利用鼠群优化算法对优化模型进行求解，得到优充电计划，包含电动汽车开始充电时间和储能单元充放电功率，具体流程如图6所示。

图6鼠群优化算法流程

2.5基于云边协同的调度架构

目前电动汽车有序充电调度主要采取集中式调度架构，但在面对大规模电动汽车接入电网时，云主站往往会因为数据庞大导致计算时间过长，甚至出现错误。对此，在配电网“云管边端”的建设模式基础上，基于云边协同设计有序充电调度架构，如图7所示。

图7基于云边协同的调度架构

基于云边协同的调度架构由感知端侧、边缘侧和云端侧构成，具体调度流程如下。

1)用户通过手机APP将预设充电开始时间、结束时间等充电信息发送给云平台；

2)云主站从云平台获取用户充电信息，从智能融合终端获取储能单元和充电桩的状态信息，并汇集未来24h的光伏出力、社区负荷预测数据；

3)云主站内电网层优化模型求解得到电动汽车开始充电时间、储能单元充放电功率和充电负荷，然后将参数下发至边缘侧；

4)智能融合终端内部署用户层优化模型，接收参数并进行求解，并将参数上传回云端侧；

5)重复步骤3)和4)，直到达到设置的大迭代次数，输出充电计划；

6)智能融合终端内有序充电APP将充电计划控制指令下发到感知端侧设备。

3算例分析

3.1参数设置

本文以湖南某光储充一体化社区为研究对象，其中详细参数如下。

1)光伏单元容量200kW，平均发电成本为0.35元/kWh。

2)储能单元容量为200kWh，大充放电功率为50kW/h，大放电深度为90%。

3)配电网变压器额定容量为1000kVA，功率因数为0.9。

4)社区内有300户居民，假设每户一辆车，且拥有电动汽车的用户配置一个充电桩；电动汽车渗透率为50%，即电动汽车150辆。单台电动汽车电池额定容量为50kWh，类型为锂电池，百公里耗电量为25kWh；充电桩额定充电功率为7kW/h。

以1h为时间间隔，即∆t=1，当地分时电价如表1所示。

3.2结果分析

本文以普通社区无序充电、光储充一体化社区无序充电、电网层有序充电、用户层有序充电、双层多目标有序充电等5种充电场景为例进行仿真分析。

1)5种充电场景下充电负荷和社区负荷

普通社区无序充电和光储充一体化社区无序充电的仿真结果见图4，由图4中可以看出，社区虽然配备了光储单元，但在无序充电下仍然无法有效解决社区负荷越限和波动大的问题。

电网层有序充电、用户层有序充电和双层多目标有序充电的仿真结果如图8—图10所示。

图8电网层有序充电

由图8可以看出：电网层有序充电可以在保证用户正常充电需求的情况下，将充电负荷转移到电价低谷时期，从而实现削峰填谷。但随着接入电动汽车数量的增加，势必会将更多的充电负荷转移到电价平时段，增加充电费用，降低用户响应有序充电策略的积极性。

图9用户层有序充电

由图9可以看出：用户层有序充电同样可以在保证用户正常充电需求的情况下，将充电负荷转移到电价低谷时段和光伏出力时段，从而减少充电费用。此外，储能单元也可以保障电价高峰时段零星的充电需求，但充电负荷容易在电价低谷时段形成新的高峰，加剧负荷的波动，影响电网的正常运行。

图10双层多目标有序充电

由图10可以看出：双层多目标有序充电的充电负荷分布范围更大，既能充分发挥充电负荷削峰填谷的作用，降低负荷峰谷差，也能减少用户充电费用。

2)5种充电场景下负荷波动对比分析

对社区电动汽车执行无序和有序充电策略的社区负荷情况进行对比分析，具体数据如表2所示。

由表2可以看出：无序充电时，由于“峰上加峰”的现象，社区负荷超过变压器的有功功率上限，使变压器处于过载状态，负荷峰值和峰谷差率分别达到970.89kW和54.25%。光储充一体化社区依靠光伏系统和储能系统虽然能降低负荷峰值和峰谷差率，分别减少了45.23kW和2.23%，但依然不能解决社区负荷越限问题。

而3种有序充电策略均能有效降低负荷峰谷差，且负荷峰值都未超过上限900kW，其中电网层有序充电和双层多目标有序充电效果较好，和光储充一体化社区无序充电相比，峰谷差分别降低了223.34kW和194.89kW，峰谷差率分别降低了20.81%和17.37%。

3)5种充电场景下用户充电费用对比分析

对社区电动汽车执行无序和有序充电策略的社区充电情况进行对比分析，具体数据如表3所示。

结合图4、图8—图10，由表3可以看出：在无序充电情况下，充电负荷主要集中在电价高峰时段和平时段，充电费用较高；在有序充电情况下，将充电负荷有效转移到电价低谷时段和光伏出力时段，充电费用较低。其中，用户层有序充电和双层多目标有序充电效果较好，和光储充一体化社区无序充电相比，充电均价分别降低了0.43元/kWh和0.4元/kWh。

3种有序充电策略均能取得不错的效果，但用户层有序充电容易使社区总负荷在电价低谷时段形成新的峰，不利于减少峰谷差。电网层有序充电仅考虑了配电网的稳定性，忽略了用户的用电成本需求，容易降低用户的响应积极性。而双层多目标有序充电在降低负荷峰谷差和减少用户充电费用方面都能取得令人满意的效果，该策略在降低社区负荷波动性、保障配电网安全运行的同时，提高了用户的经济效益和响应策略的积极性。

4解决方案

图11平台结构图

充电运营管理平台是基于物联网和大数据技术的充电设施管理系统，可以实现对充电桩的监控、调度和管理，提高充电桩的利用率和充电效率，提升用户的充电体验和服务质量。用户可以通过APP或小程序提前预约充电，避免在充电站排队等待的情况，同时也能为充电站提供更准确的充电需求数据，方便后续的调度和管理。通过平台可对充电桩的功率、电压、电流等参数进行实时监控，及时发现和处理充电桩故障和异常情况对充电桩的功率进行控制和管理，确保充电桩在合理的功率范围内充电，避免对电网造成过大的负荷。

5安科瑞充电桩云平台具体的功能

平台除了对充电桩的监控外，还对充电站的光伏发电系统、储能系统以及供电系统进行集中监控和统一协调管理，提高充电站的运行可靠性，降低运营成本，平台系统架构如图所示。

图12充电桩运营管理平台系统架构

大屏显示：展示充电站设备统计、使用率排行、运营统计图表、节碳量统计等数据。

图13大屏展示界面

站点监控：显示设备实时状态、设备列表、设备日志、设备状态统计等功能。

图14站点监控界面

设备监控：显示设备实时信息、配套设备状态、设备实时曲线、关联订单信息、充电功率曲线等。

图15设备监控界面

运营趋势统计：显示运营信息查询、站点对比曲线、日月年报表、站点对比列表等功能。

图16运营趋势界面

收益查询：提供收益汇总、实际收益报表、收益变化曲线、支付方式占比等功能。

图17收益查询界面

故障分析：提供故障汇总、故障状态饼图、故障趋势分析、故障类型饼图等功能。

图18故障分析界面

订单记录：提供实时/历史订单查询、订单终止、订单详情、订单导出、运营商应收信息、充电明细、交易流水查询、充值余额明细等功能。

图19订单查询界面

6产品选型

安科瑞为广大用户提供慢充和快充两种充电方式，便携式、壁挂式、落地式等多种类型的充电桩，包含智能7kw/21kw交流充电桩，30kw直流充电桩，60kw/80kw/120kw/180kw直流一体式充电桩来满足新能源汽车行业快速、经济、智能运营管理的市场需求。实现对动力电池快速、高效、安全、合理的电量补给，同时为提高公共充电桩的效率和实用性，具有有智能监测：充电桩智能控制器对充电桩具备测量、控制与保护的功能；智能计量：输出配置智能电能表，进行充电计量，具备完善的通信功能；云平台：具备连接云平台的功能，可以实现实时监控，财务报表分析等等；远程升级：具备完善的通讯功能，可远程对设备软件进行升级；保护功能：具备防雷保护、过载保护、短路保护，漏电保护和接地保护等功能；适配车型：满足国标充电接口，适配所有符合国标的电动汽车，适应不同车型的不同功率。下面是具体产品的型号和技术参数。

7现场图片

8结论

光储充一体化社区虽然可以提高光伏的就地消纳，降低社区负荷峰值，但仍存在社区负荷的越限问题。对此提出了基于鼠群优化算法的双层多目标有序充电策略，该策略满足了电网层和用户层的双方利益，不仅可以减少社区负荷峰谷差，还能降低用户充电费用。同时基于云边协同的调度架构充分利用云端侧和边缘侧的计算资源，可以应对电动汽车大规模接入的情况。根据算例分析，该策略取得的综合效果明显优于无序充电和单层有序充电策略，起到了削峰填谷、节约用户充电费用的作用，保障了电网的安全、稳定运行。