基于交互能源機制的電動汽車充電站日前能量優化管理

黃啟茹，胡俊杰，單俊嘉

（新能源電力系統國家重點實驗室(華北電力大學)，北京市 昌平區 102206）

0 引言

在“雙碳”目標背景下，為應對傳統能源的枯竭和環境污染的問題，倡導國民采用綠色出行方式勢在必行[1-2]。電動汽車(electric vehicle，EV)作為一種綠色出行工具，具有節能環保的特點[3]。而充電設施是實現EV電能補給和互動的樞紐[4]，研究表明，分布式電源與EV和充電設施的結合具備很大優勢[5-8]，不僅能夠促進可再生能源就地消納，還能降低運營成本[9]。隨著EV數量的大規模增加，其出行帶來了新的能源分配問題，如何設計EV充電協調機制，對結合可再生能源的EV充電站進行能量優化管理，是當下研究的熱點之一。

目前，對EV充電站能量優化管理方法的研究主要包括基于電網為主體的EV有序充電控制方法[10-12]、充電站功率分配方法[13-14]等。文獻[10]構建了減小配電網電壓越限風險的優化模型，以電價為優化變量，引導EV合理選擇充電站；文獻[11]中調度部門采用不同電價引導EV充放電，實現削峰填谷；文獻[12]建立了由控制中心統一控制的EV有序充電架構。但在充電站與EV較多的情況下，以上研究所采用的集中控制方式，會帶來較大的計算負擔和控制成本，且并未考慮可再生能源與充電站結合。文獻[13-14]提出了結合可再生能源充電站的充電功率分配方法，提高了充電站服務速率和充電樁利用率。然而，以上研究大多考慮以電網為主體的交易機制，而忽略了充電站本身也具有的產消者特性及其參與電力市場的潛能。

交互能源機制(transactive energy，TE)具有分布式調度與控制、賦予參與主體經濟效益等優點[15]，通過融合經濟手段和電網控制手段，利用“價值”作為協調手段，對產消者進行能量管理與優化調度[15]。文獻[16]基于交互能源機制建立了產消者交易模型和能量管理策略，有效提高了分布式能源的接入比例和產消者主體的經濟性；文獻[17]基于交互能源機制對產消者集群進行優化調度，解決了集中式調度模式下模型求解困難和隱私問題；文獻[18]針對多元用戶和產消者集群的經濟調度問題，提出了基于交互能源機制的經濟調度方法。

總結發現，上述研究主要聚焦于產消者能量管理和優化調度方面，而較少地考慮如何通過控制機制充分發揮含光伏充電站的產消者特性，從而提高經濟性。鑒于此，本文結合交互能源機制，以光伏EV充電站為研究對象，充分考慮光伏出力的不確定性，建立電能分布式交易模型。

1 分布式交易策略

1.1 光伏EV充電站結構

光伏EV充電站由光伏發電單元、交直流換流器、充電設施等設備組成。圖1表示光伏EV充電站的結構。EV快充充電站由直流充電器、充電設施等設備組成，圖2表示EV快充充電站的結構。

圖1 光伏EV充電站結構Fig. 1 Structure of photovoltaic charging station for EV

圖2 EV快充充電站結構Fig. 2 Structure of quick-charging station for EV

本文所提電動汽車充電站配置交流充電樁和直流充電樁[19]，以滿足用戶的不同充電需求。通過所配置充電樁的類型不同，可分為快充與慢充充電站。其中，直流充電樁用于緊急情況下的快速充電，此種充電方式采用大電流直接給電池充電，在30 min內能充至電量的80%[20]；交流充電樁對沒有緊急充電需求的電動汽車進行慢充補電[21]，此種充電方式采用恒壓恒流的傳統電源對電池充電，大約需要6~8 h才能充滿電[22]。

1.2 充電站分布式交易框架

圖3表示EV充電站能量交易機制的框架，主要考慮電網、交易平臺、充電站、及EV4大主體直接進行信息交互和電能交易。

圖3 EV充電站能量交易機制框架Fig. 3 Framework of energy trading mechanism of EV charging station

由于每個時刻充電站內有充電需求的電動汽車數量具有隨機性。本文采用蒙特卡洛模擬法獲得其數量。各慢充充電站充分利用自身光伏資源發電，除了滿足本站各個時刻電動汽車的充電需求之外，還能將余電賣給交易平臺，而同一時刻無法滿足站內EV充電需求的充電站可以從交易平臺進行購電。如果在某一時刻整個交易平臺電能不足以支撐所有充電站所需的電能時，充電站可直接從電網進行購電。本文所建立的電動汽車充電站分布式交易框架，采用交互能源機制，弱化了電網在EV充電市場中的主體地位，將充電站和電網之間的單向交易轉換為以充電站之間交易為主的多邊交易，提升了充電站參與電力市場交易的靈活性，避免了遠距離輸電，在提高經濟性的同時，也促進了分布式電源的就地消納。

2 數學模型

2.1 光伏發電模型

設EV充電站集群數為Nevcs，對于其中一個站n，其光伏模型如下

式中：Nevcs為電動汽車充電站的數量；表 示第s個場景下充電站n內光伏發電功率；表示光伏發電功率最大值。

光伏發電系統的發電成本函數表示如下[23]

式中：Cpv是光伏發電成本單價；C′pv是光伏設備成本；Ppv,ave為光伏設備平均年發電量；Tpv為光伏設備壽命年限。

2.2 光伏不確定性模型

考慮到光伏出力具有不可控性，本文采用多場景法來處理光伏出力所帶來的不確定性。研究表明，多場景法可以有效地處理光伏發電的不確定性[23]，場景生成方法可參考文獻[24]。本文采用蒙特卡洛模擬法生成大量光伏出力場景，利用同步回代削減法將相似的樣本聚類，以減少計算量。設有初始場景集為Ns個，樣本Qi(t)和Qj(t)的樣本距離為，為讓削減后場景接近于原始場景，需要滿足概率距離Ddi=πimin。最終得到滿足需求的樣本數目。

2.3 EV模型

1） 單輛EV模型。

充電站內EV的充電需求受并網時刻電池荷電狀態(state of charge, SOC)、離網時刻SOC以及充電時刻等因素的影響[25]。本文采用蒙特卡洛仿真方法得到單臺EV的并網時間、離網時間等信息。

2） EV集群模型。

3 交互能源機制支撐的電動汽車充電站交易模型

3.1 交易模型

文獻[16]基于交互能源機制，建立了產消者交易模型和能量管理策略。有鑒于此，本文相應提出了EV充電站交易模型與日前能量優化管理方法。在此交易模型下，充電站通過自身光伏發電、從交易平臺和電網購電來滿足站內電動汽車充電需求，在光伏充足時，充電站也可以將剩余的光伏發電電能出售給平臺獲取利潤。

設在t時段s場景下，充電站n的購電功率為； 售電功率為。其中：

式中：為t時段，充電站n在第s個場景下從電網購買的功率；為t時段，充電站n在第s個場景下從交易平臺上購買的功率。

從電網購電的電價模型為

式中：ct為平臺下發的t時刻日前初始電價；βt為功率需求對電價的敏感系數；Ptbfg為充電站在t時段從電網購買的功率。

分布式光伏發電機組的出力受自然條件影響較大，因此本文采用基于場景分析技術的隨機優化方法描述由此帶來的不確定性，在初始場景集合中削減生成Npv個典型場景。將日前24 h均分為NT個時間間隔，各EV充電站采用式(9)表示的電價模型。以所有充電站在日前市場的利潤最大為目標，建立如下能量交易模型

式(10)隨機優化問題中，πs為場景s發生的概率，T=48，表示將24h均分為48個時間間隔，Nevcs表示EV充電站數量，式中前2項為EV充電站從電網購電的成本，第3項表示網損費用，第4項為充電站給EV提供服務的收益。其中：為第s個場景下，充電站n在t時段內站內EV充電的電能；η為充電效率。第5項為光伏發電成本，其中gh為電能交互時的網損參數[16]。

式中：s表示場景號；為充電站n在t時段從平臺買電的上限；為充電站n在t時段在平臺售電的上限；為電動汽車i的荷電狀態，應滿足上下限約束；Pm為變壓器功率限制。

考慮到充電站各個時刻利用自身光伏發電、從電網和平臺購電來滿足站內EV充電需求及日常負荷,在光伏出力過剩時，將余電賣給交易平臺以獲取利潤，可將充電站n的功率平衡方程寫為

對應公共約束為

引入拉格朗日乘子ηt可以將式(10)寫為

根據拉格朗日對偶分解原理，將目標函數解耦得到

通過求解多個參與的充電站的子問題來得到最優解，各個子問題求解過程中均需滿足式（12）中各項約束條件。本文結合次梯度法[18]求解式(15)。利用式(16)對拉格朗日乘子ηt進行更新。

式中:μ為拉格朗日乘子的迭代次數;σh為恒定步長系數。收斂判據如式(17)

式中εh為迭代收斂判據。

3.2 EV充電站電能交易流程

圖4表示EV充電站電能交易流程圖。在本文所描述的基于交互能源機制的EV充電站分布式交易，是通過多次信息交互方式，即多次交換功率和價格的方式實現整個交易系統平衡的。具體流程如下表述。

圖4 EV充電站電能交易流程圖Fig. 4 Flowchart of electric energy transaction of EV charging station

1）數據初始化，通過對以往數據進行分析，交易平臺下發初始交易價格，各充電站進行初始充電資源的配置。各時段內EV充電功率視為充電站負荷。各站根據初始交易價格求解功率計劃，求解完畢后向交易平臺上報本站購售電情況，由于充電站僅需向平臺上傳購售電計劃，無需上傳發用電計劃，很好地保護了充電站及車主隱私。

2）以滿足式(11)—(13)中各項約束為前提，交易平臺向充電站下發更新后的價格，充電站各自優化求解得到新的功率計劃和新的交易價格。

3）交易平臺檢驗是否實現功率平衡。如果實現平衡，交易結束；如果未能實現平衡，則更新充電站購售電電價，再次生成功率計劃，直至滿足功率平衡。

本文所建立的基于交互能源機制下的充電站分布式交易機制與傳統交易模式在本質上都是在保證區域總變壓器不過載的情況下，滿足EV充電需求。

從調度角度來看，傳統調度一般采用雙層充放電調度模型和有序充電策略等，實現對電網的削峰填谷。但隨著EV數目急劇增加，集中式充放電協調難度加大。而本文所提的充電站交易機制，一方面，提供了快充、慢充2種充電形式，為有不同充電需求的用戶提供了不同的選擇，慢充站可以合理利用分布式資源，在不影響滿足用戶充電需求的前提下改變各時刻充電電能，將更多的電能出售以獲得利潤；另一方面，通過充電站之間的電能交易，降低了充電站運行成本，實現了分布式資源的就地消納。本文所應用的充電站交易模型主要具有以下優勢：

1）通過價格引導的手段對充電站參與市場的行為進行引導，有利于充分發揮充電站資源的靈活性，提高光伏等可再生能源的就地消納。

2）含光伏充電站的分布式調度框架給予充電站充分的自主管理權，使充電站參與電力市場節省了大量的控制成本與計算成本。

4 算例分析

4.1 參數設置

本文假設30min為一個交易周期，對今日00:00到今日24:00進行優化調度，即將24 h分為48個時段進行日前交易，以5個同區域內公共充電站為例進行算例分析，在Windows10環境下運用Matlab cplex求解器求取目標函數。本文在考慮了分布式光伏發電不確定性的情況下，分別對3個快充站和2個慢充站進行仿真，其中快充充電站不具有光伏發電能力。圖5表示同一天內各光伏出力場景發生的概率，概率之和為1。場景削減后的各場景光伏出力情況如圖6所示，由圖可知，光伏出力日特性明顯與光照強度變化呈一致性，12：00左右光伏出力最大。各光伏場景描述如表1所示。模型各參數設置如表2所示。固定負荷、EV的相關數據參考文獻[19]。

表2 模型參數設置Table 2 Setting of model parameters

圖5 同一天各光伏出力場景概率函數分布Fig. 5 Probability function distribution of output scene of each PV station on the same date

圖6 各場景下光伏出力Fig. 6 PV station output of each scenarios

表1 各光伏場景描述Table 1 Description of each PV scene

4.2 交易情況

圖7表示了在場景1的各個時刻下，EV充電站電力市場交易模式下的各個充電站功率情況。將3個慢充站編號為1、2、3，快充站編號為4和5。由圖可知，快充站4、5不具有光伏發電系統。由于快充充電站車流量相對于慢充充電站更大，從交易平臺和電網購電功率相較于慢充充電站也更多。充電站為了使自身利益最大化，慢充充電站1、2、3充分利用自身光伏發電。當光伏出力無法支撐站內EV充電需求時，在初步保證配網安全性的前提下，充電站需要從交易平臺甚至從電網購電。當光伏出力過剩時，以滿足站內EV充電需求為前提，充電站可將余電出售給交易平臺，同一時刻有需求的充電站向平臺購電。充電站1由于具有較高比例的光伏，在光伏出力較大的時段，作為主要能源支撐，當光伏充裕時，將余電售給平臺，充電站2、3同樣具有光伏發電系統，其光伏出力行為與充電站1較為類似；而充電站4、5由于不具有光伏資源，從平臺和電網購電用于滿足站內EV充電需求，維持系統平衡。

圖7 充電站功率情況Fig. 7 Power situation of each EV charging station

不難得出，本文提出的充電站交易模型能夠充分激發充電站對自身所含分布式光伏的利用，促進了分布式光伏的就地消納，且由于電能僅在同一區域內的充電站與平臺、充電站與電網之間進行交易，大大降低了由電網控制中心總體協調控制所帶來的運行成本及控制難度，避免了電能的遠距離傳輸，同時減少了傳輸過程中電能損耗。電動汽車充電站在發揮市場作用的同時也起到系統層面的控制作用，調動電能實現了系統的能量平衡。

4.3 可拓展性分析

本節隨機選擇其中一個充電站模型進行復制，在任一場景中將充電站的數量從5個增加到30個。圖8表示迭代次數隨充電站數量變化的關系圖。由圖可知，隨著充電站數量的增加，收斂迭代次數也在增加。對于30個充電站進行日前能量優化管理，仍能收斂，因此本文所提算法仍具有有效性。

圖8 迭代次數與充電站數量關系Fig. 8 Relationship between the iteration times and the number of charging stations

4.4 電能交易價格分析

圖9、圖10例舉了在13:00和17:00時刻，各個光伏場景下，充電站之間電能交易價格與迭代次數的關系。由圖可以得出，在本文選用的8個典型光伏場景下，交易價格均能收斂，系統能量達到平衡。由于13:00為光伏發電能力最優時刻，電價較低，為0.446元/kW·h。此時，各站光伏出力優先滿足站內電動汽車充電需求，故充電站向平臺購電的需求較小，交易價格較低。17:00為光伏發電能力較弱時刻，電價較高，為0.987元/kW·h。充電站向平臺購電需求大，交易價格較高。算例所展示的2時刻的電價均符合市場規律。針對同一時段的不同場景進行分析，在光伏發電能力較弱的場景，其交易價格越高；在光伏發電能力較強的場景，其交易價格越低。

圖9 各場景下電動汽車充電站2于13:00上報的價格Fig. 9 The upward reported price of EV charging station No. 2 at 13:00 under each scenario

圖10 各場景下電動汽車充電站2于17:00上報的價格Fig. 10 The upward reported price of EV charging station No. 2 at 17:00 under each scenario

表3為本文所提充電站交易模式與傳統模式下的收益對比。由表可得，本文所提充電站交易模式下，充電站收益明顯提高。充電站充分利用了自身分布式光伏,促進了可再生資源就地消納，同時也促進了電力市場交易，提高了經濟性。

表3 各充電站收益對比Table 3 Comparison of revenues of each charging station

在傳統交易模式下，充電站通過自身光伏發電、從電網購電來滿足站內EV充電需求，而在光伏出力過剩時，可能會造成棄光。與分布式交易模型類似，將日前24 h均分為48個時間間隔，各EV充電站以采用式(9)的電價模型，以所有EV充電站在日前市場的利潤最大為目標，建立EV充電站能量交易模型。

5 結論

1) 利用多場景法解決光伏不確定性問題，相較于文獻[20]單一地將光伏發電量考慮為定值，制定的日前計劃更具有準確性。

2)本文所提的交易機制有利于光伏等分布式發電資源的就地消納，符合可再生能源結合EV充電站的建設和發展新趨勢。

3)本文基于交互能源機制，充分利用EV充電站的“分布式”特點，構建電網、交易平臺、EV充電站之間的電能分布式交易模型，提高了充電站參與市場的積極性與靈活性，相較于傳統模式下降低了充電站成本，提高了經濟性。