安科瑞 陳聰

摘要：針對當(dāng)前有序充電策略優(yōu)化目標(biāo)單一且未考慮新能源出力的現(xiàn)狀，提出了面向光儲充一體化社區(qū)的有序充電策略。首先，將降低社區(qū)負(fù)荷峰谷差作為電網(wǎng)層優(yōu)化目標(biāo)，將減少用戶充電費(fèi)用作為用戶層優(yōu)化目標(biāo)，完成雙層多目標(biāo)有序充電模型的設(shè)計。其次，設(shè)計基于云邊協(xié)同的調(diào)度架構(gòu)，將電網(wǎng)層優(yōu)化模型部署在云端側(cè)，用戶層優(yōu)化模型部署在邊緣側(cè)。該架構(gòu)能有效利用邊緣側(cè)的計算資源，緩解云端側(cè)面對電動汽車大規(guī)模接入時的計算壓力。以5種充電場景為例進(jìn)行算例分析。實驗表明，與無序充電相比，所提策略能夠使社區(qū)負(fù)荷峰谷差減少40.47%，充電均價減少52.63%。與單層有序充電策略相比，該策略綜合效果優(yōu)勢明顯，在保障配電網(wǎng)安全穩(wěn)定運(yùn)行的同時，兼顧電動汽車用戶的經(jīng)濟(jì)利益。

關(guān)鍵詞：光儲充一體化社區(qū)；有序充電；雙層多目標(biāo)優(yōu)化模型；云邊協(xié)同；電動汽車

0引言

近年來，隨著全球經(jīng)濟(jì)的快速發(fā)展，大量化石能源被開采使用，對環(huán)境造成污染，而電動汽車因具有環(huán)保、低碳等優(yōu)點(diǎn)得以快速發(fā)展，據(jù)《電動汽車發(fā)展戰(zhàn)略研究報告》數(shù)據(jù)預(yù)測，2030年我國電動汽車保有量將達(dá)到6000萬輛。電動汽車數(shù)量的增加可以有效減少對傳統(tǒng)能源的使用，但電動汽車大量接入電網(wǎng)勢必會帶來諸多影響，如加劇負(fù)荷波動、增大負(fù)荷峰谷差、減少電網(wǎng)設(shè)備壽命等。因此研究電動汽車有序充電策略具有重要意義和實用價值。

目前，國內(nèi)外已經(jīng)針對電動汽車有序充電策略開展了相關(guān)研究。以變壓器容量等為約束條件、以充電站經(jīng)營成本低為目標(biāo)建立有序充電模型。在分時電價的基礎(chǔ)上，提出一種基于動態(tài)分時電價的電動汽車有序充電方法，引導(dǎo)車主有序充電，平抑配電網(wǎng)負(fù)荷波動。以上研究僅針對單一目標(biāo)進(jìn)行優(yōu)化，未考慮多方利益。充分考慮到用戶多方面需求，提出了基于優(yōu)劣解距離法的電動汽車有序充電優(yōu)化策略，該策略既能節(jié)約用戶充電成本，又能實現(xiàn)電力負(fù)荷削峰填谷的目標(biāo)。以配電網(wǎng)與充電站交互功率、充電站運(yùn)營收益兩方面為目標(biāo)，建立充電站調(diào)度模型，減小電池的損耗與放電成本。但上述研究都未考慮新能源出力的情況。針對分布式能源出力具有隨機(jī)性等問題，構(gòu)建了多目標(biāo)兩階段優(yōu)化模型，平抑了分布式能源出力波動，同時降低了用戶充電成本。針對電動汽車的入網(wǎng)問題，提出了含分布式電源和電動汽車充電的優(yōu)化重構(gòu)模型，在IEEE33節(jié)點(diǎn)標(biāo)準(zhǔn)配電系統(tǒng)中進(jìn)行仿真驗證。但上述研究未考慮加入儲能裝置提高分布式能源的就地消納。借助住宅小區(qū)的有序充電控制系統(tǒng)，利用分時電價調(diào)節(jié)電動汽車充電負(fù)荷，達(dá)到用戶側(cè)和電網(wǎng)側(cè)利益的目的，但文中的集中式調(diào)度架構(gòu)在面對大規(guī)模電動汽車接入時，容易因計算量大而導(dǎo)致響應(yīng)速度慢等問題。

綜上所述，現(xiàn)有研究存在以下問題：1)優(yōu)化目標(biāo)單一，缺乏對用戶、電網(wǎng)等多方面利益的考慮；2)沒有考慮加入分布式能源和儲能設(shè)備來提高用戶響應(yīng)策略的積極性和分布式能源的就地消納；3)現(xiàn)有的集中式調(diào)度架構(gòu)在大規(guī)模電動汽車接入的情況下，存在計算資源緊張、響應(yīng)速度慢的問題。鑒于上述問題，本文針對包含光伏單元和儲能單元的社區(qū)，以光儲充一體化社區(qū)為例，提出了一種基于鼠群優(yōu)化算法(ratswarmoptimizer,RSO)的雙層多目標(biāo)有序充電策略，在光伏充分消納的情況下，考慮用戶側(cè)和電網(wǎng)側(cè)的利益，有助于負(fù)荷的削峰填谷，降低峰谷差，同時減少充電費(fèi)用。此外設(shè)計了基于云邊協(xié)同的調(diào)度架構(gòu)，有效利用邊緣側(cè)的計算能力，降低云端側(cè)面對大規(guī)模數(shù)據(jù)的計算壓力。

1光儲充一體化社區(qū)無序充電分析

1.1光儲充一體化社區(qū)系統(tǒng)結(jié)構(gòu)

如圖1所示，光儲充一體化社區(qū)系統(tǒng)由光伏單元、儲能單元和變壓器等組成。其中箭頭表示電能的流向，光伏單元和電網(wǎng)提供電能，充電樁和常規(guī)負(fù)荷消耗電能。其中儲能單元比較特殊，既能提供電能，也能消耗電能，為了后續(xù)簡化充電模型，把儲能單元看作負(fù)荷消耗電能，計算時儲能單元若處于充電狀態(tài)，則功率為正，反之功率為負(fù)。

圖1光儲充一體化社區(qū)系統(tǒng)結(jié)構(gòu)

當(dāng)光伏出力大于充電負(fù)荷時，光伏單元先對充電樁供電，其次向儲能單元供電，若有富余再流向常規(guī)負(fù)荷；當(dāng)光伏出力小于充電負(fù)荷時，儲能單元對充電樁進(jìn)行供電，充電負(fù)荷的差額由電網(wǎng)提供。

1.2社區(qū)無序充電負(fù)荷模型

單個居民的充電行為是隨機(jī)的和無序的，但從整體而言，充電規(guī)律會受到社區(qū)居民生活習(xí)慣和出行規(guī)律的影響。本文以2017年美國交通部對全美家用轎車出行的統(tǒng)計結(jié)果為依據(jù)，并結(jié)合中美出行時段差異做了一定程度的調(diào)整，使之更符合我國居民用戶的出行情況。

調(diào)整之后居民回家時間的概率密度函數(shù)為

式中：xs為居民回家時間；期望值?s?18.74；標(biāo)準(zhǔn)差? s? 3.41。假設(shè)居民回家就開始充電，即可以把回家時間看作電動汽車開始充電時間。調(diào)整之后居民離家時間的概率密度函數(shù)為

式中：xe為居民離家時間；期望值?e? 7.92；標(biāo)準(zhǔn)差? e? 3.24。假設(shè)居民離家才結(jié)束充電，即可以把離家時間看作電動汽車結(jié)束充電時間。

電動汽車日行駛里程的概率密度函數(shù)為

式中：d為電動汽車日行駛里程；期望值?d? 3.2；標(biāo)準(zhǔn)差? d?0.88。

居民出行規(guī)律概率密度分布如圖2所示。

圖2居民出行規(guī)律概率密度分布

從圖2可以看出：電動汽車開始充電時間集中在16：00—21：00，結(jié)束充電時間集中在06：00—10：00，日行駛里程集中在50km以內(nèi)。

1.3無序充電負(fù)荷模擬

本文采用蒙特卡洛法模擬社區(qū)居民的無序充電行為。假設(shè)電動汽車每天充電一次，直到充滿為止，整個充電過程近似為恒功率充電，并選擇更適合社區(qū)的常規(guī)充電方式。電動汽車無序充電負(fù)荷模擬流程如圖3所示，具體步驟如下。

圖3無序充電負(fù)荷模擬流程

1)輸入大仿真次數(shù)和電動汽車總數(shù)量，并進(jìn)行初始化；

2)根據(jù)前文提到的概率模型，隨機(jī)生成車主充電開始時間、結(jié)束時間和日行駛里程；

3)結(jié)合電動汽車相關(guān)參數(shù)計算得到充電電量，并累加得到充電負(fù)荷；

4)當(dāng)完成所有電動汽車充電負(fù)荷的計算后，進(jìn)行下一次仿真，仿真次數(shù)達(dá)到大值后，取平均值輸出電動汽車無序充電負(fù)荷曲線。

1.4社區(qū)無序充電仿真分析

社區(qū)電動汽車無序充電負(fù)荷和儲能單元、光伏單元出力情況如圖4(a)所示，三者再和社區(qū)常規(guī)負(fù)荷疊加得到無序充電下的社區(qū)負(fù)荷，如圖4(b)所示。

從圖4中可以看出：光伏單元出力時間集中在在08：00—17：00，期間光伏發(fā)電量可以覆蓋充電負(fù)荷和儲能單元的消耗，剩下的再供給社區(qū)常規(guī)負(fù)荷使用，無須上網(wǎng)，減少傳輸時的損耗，實現(xiàn)就地消納。但充電負(fù)荷集中的時間段正好是常規(guī)負(fù)荷的高峰時間段，容易“峰上加峰”，進(jìn)一步增加峰谷差，加劇電網(wǎng)負(fù)荷波動。此時儲能單元可以放電，對充電樁供電，降低負(fù)荷峰值。

圖4無序充電仿真結(jié)果

在18：00—22：00這一時間段，社區(qū)負(fù)荷已經(jīng)超過變壓器有功功率上限，使變壓器處于過載狀態(tài)，損害其使用壽命。和普通社區(qū)相比，光儲充一體化社區(qū)的負(fù)荷峰值和越*時間都有一定程度降低，但仍未解決社區(qū)負(fù)荷越限和波動大的問題，影響居民的安全用電，亟需對電動汽車充電行為開展有序調(diào)度研究。

2基于鼠群優(yōu)化算法的雙層多目標(biāo)有序充電策略

2.1雙層多目標(biāo)有序充電策略

本策略提出了社區(qū)負(fù)荷峰谷差和用戶充電費(fèi)用小的雙層多目標(biāo)優(yōu)化模型。一層是電網(wǎng)層，將降低社區(qū)負(fù)荷峰谷差作為優(yōu)化目標(biāo)；二層是用戶層，將減少用戶充電費(fèi)用作為優(yōu)化目標(biāo)，并把電網(wǎng)層優(yōu)化結(jié)果作為本層優(yōu)化模型的約束條件，減少用戶充電費(fèi)用，同時考慮社區(qū)負(fù)荷平穩(wěn)性。雙層多目標(biāo)有序充電策略具體流程如圖5所示。

圖5雙層多目標(biāo)有序充電策略流程

1)獲取未來24h社區(qū)常規(guī)負(fù)荷和光伏出力預(yù)測數(shù)據(jù)，動態(tài)獲取用戶充電信息，包括開始充電時間、結(jié)束充電時間、充電量等；

2)當(dāng)某時段有新車接入或用戶改變充電信息時，電網(wǎng)層根據(jù)社區(qū)負(fù)荷峰谷差小的優(yōu)化目標(biāo)求解并輸出用戶開始充電時間、光伏的充放電功率和充電負(fù)荷；

3)電網(wǎng)層輸出的充電負(fù)荷作為用戶層優(yōu)化模型的約束條件，用戶層根據(jù)用戶充電費(fèi)用小的優(yōu)化目標(biāo)求解并輸出用戶開始充電時間、光伏的充放電功率；

4)重復(fù)步驟2)和3)，達(dá)到大迭代次數(shù)，輸出新的充電計劃；

5)若沒有新車接入或用戶改變充電信息，則遵循上一時段充電計劃；

6)重復(fù)步驟2)—步驟5)，直到優(yōu)化時段達(dá)到大時段數(shù)。

2.2電網(wǎng)層優(yōu)化模型

2.2.1目標(biāo)函數(shù)

電網(wǎng)層的優(yōu)化目標(biāo)是降低社區(qū)負(fù)荷峰谷差，目標(biāo)函數(shù)為

式中，Pall為總負(fù)荷。

2.2.2約束條件

1)功率平衡約束

式中：Ppva為光伏出力功率；Pc為充電負(fù)荷；Pg為常規(guī)負(fù)荷；Ps為儲能單元充放電功率。

2)總負(fù)荷限制約束

式中：Pmax為社區(qū)變壓器的大有功功率；P_R為社區(qū)變壓器的額定容量；?_R為功率因數(shù)。式(6)代表社區(qū)總負(fù)荷不能超過社區(qū)變壓器的大有功功率。

3)用戶充電需求約束

充電時間約束為

式中：Timin為i輛電動汽車充滿電的短時間，即按大功率進(jìn)行充電需要的時間；Tineedi輛電動汽車充滿電需要的充電時長；T ⁱmax為/輛電動汽車的長充電時間，即車主回家到離家之間的時間；S ^?st為i輛電動汽車開始充電時的電池荷電狀態(tài)；di為i輛電動汽車的日行駛里程；E100為電動汽車百公里耗電量；B為電池的額定容量；P_cs為充電樁的額定充電功率。

電池電量約束為

式中，Sⁱ_end為i輛電動汽車結(jié)束充電時電池的荷電狀態(tài)。

1. 儲能單元約束

儲能單元充放電功率約束為

式中，Psmax為大充放電功率。

儲能單元容量約束為

式中：Bcmax為儲能單元大容量；Bc為儲能單元實際容量。

2.3用戶層優(yōu)化模型

2.3.1目標(biāo)函數(shù)

社區(qū)的電力來自光伏單元和配電網(wǎng)，充電費(fèi)用也來自這兩部分，其余充電設(shè)施建設(shè)的費(fèi)用暫不考慮，充電費(fèi)用目標(biāo)函數(shù)為

式中：Pⁱ_pvc為i個時段的光伏單元在電動汽車和儲能單元上的輸出功率；Rpv為光伏的單位發(fā)電成本；P為i個時段電網(wǎng)在電動汽車和儲能單元上的輸出功率；Ri為i個時段的分時電價；?t為單位時段；Pⁱ_pva為i個時段的光伏出力功率；Pⁱ_c為i個時段的充電負(fù)荷；Pⁱ_s為i個時段的儲能單元充放電功率。

2.3.2約束條件

式中Pⁱ_c1為電網(wǎng)層輸出i個時段的充電負(fù)荷；Pⁱ_c2為用戶層輸出i個時段的充電負(fù)荷。

其余約束條件和2.2.2節(jié)相同。

2.4優(yōu)化模型求解方法

電動汽車雙層多目標(biāo)有序充電優(yōu)化模型優(yōu)化對象眾多，且存在多個約束條件，傳統(tǒng)方法求解困難。本文采用鼠群優(yōu)化算法進(jìn)行求解。鼠群優(yōu)化算法是一種新型群智能優(yōu)化算法，在局部搜索和全局搜索之間實現(xiàn)動態(tài)平衡，避免了粒子群算法容易陷入局部優(yōu)的問題。

鼠群優(yōu)化算法通過模擬鼠群的捕食行為，將鼠群的捕食行為分為兩個過程——追逐獵物和攻擊獵物，并進(jìn)行數(shù)學(xué)建模。

在鼠群追逐獵物過程中，假設(shè)鼠群中的優(yōu)個體知道獵物的位置，鼠群中的其他個體便可以通過優(yōu)個體來更新自己的位置，更新策略如式(18)和式(20)所示。

式中：P^t_i為獵物對于i只老鼠來說的位置；A為自身權(quán)重；X^t_i為i只老鼠；x^t_best

為鼠群中的優(yōu)個體；t為當(dāng)前迭代次數(shù)；C為0~2之間的隨機(jī)數(shù)；R為1~5之間的隨機(jī)數(shù)。

在攻擊獵物過程中，算法從數(shù)學(xué)上定義老鼠與獵物的打斗過程，老鼠位置更新公式為

式中，X_i^t+1是i只老鼠在下一次迭代中的位置。

鼠群優(yōu)化算法通過模擬鼠群追逐獵物和攻擊獵物的行為，并通過調(diào)整式(18)中的參數(shù)A和C使老鼠到達(dá)不同的位置，完成對搜索空間的搜索。本文利用鼠群優(yōu)化算法對優(yōu)化模型進(jìn)行求解，得到優(yōu)充電計劃，包含電動汽車開始充電時間和儲能單元充放電功率，具體流程如圖6所示。

圖6鼠群優(yōu)化算法流程

2.5基于云邊協(xié)同的調(diào)度架構(gòu)

目前電動汽車有序充電調(diào)度主要采取集中式調(diào)度架構(gòu)，但在面對大規(guī)模電動汽車接入電網(wǎng)時，云主站往往會因為數(shù)據(jù)龐大導(dǎo)致計算時間過長，甚至出現(xiàn)錯誤。對此，在配電網(wǎng)“云管邊端”的建設(shè)模式基礎(chǔ)上，基于云邊協(xié)同設(shè)計有序充電調(diào)度架構(gòu)，如圖7所示。

圖7基于云邊協(xié)同的調(diào)度架構(gòu)

基于云邊協(xié)同的調(diào)度架構(gòu)由感知端側(cè)、邊緣側(cè)和云端側(cè)構(gòu)成，具體調(diào)度流程如下。

1)用戶通過手機(jī)APP將預(yù)設(shè)充電開始時間、結(jié)束時間等充電信息發(fā)送給云平臺；

2)云主站從云平臺獲取用戶充電信息，從智能融合終端獲取儲能單元和充電樁的狀態(tài)信息，并匯集未來24h的光伏出力、社區(qū)負(fù)荷預(yù)測數(shù)據(jù)；

3)云主站內(nèi)電網(wǎng)層優(yōu)化模型求解得到電動汽車開始充電時間、儲能單元充放電功率和充電負(fù)荷，然后將參數(shù)下發(fā)至邊緣側(cè)；

4)智能融合終端內(nèi)部署用戶層優(yōu)化模型，接收參數(shù)并進(jìn)行求解，并將參數(shù)上傳回云端側(cè)；

5)重復(fù)步驟3)和4)，直到達(dá)到設(shè)置的大迭代次數(shù)，輸出充電計劃；

6)智能融合終端內(nèi)有序充電APP將充電計劃控制指令下發(fā)到感知端側(cè)設(shè)備。

3算例分析

3.1參數(shù)設(shè)置

本文以湖南某光儲充一體化社區(qū)為研究對象，其中詳細(xì)參數(shù)如下。

1)光伏單元容量200kW，平均發(fā)電成本為0.35元/kWh。

2)儲能單元容量為200kWh，大充放電功率為50kW/h，大放電深度為90%。

3)配電網(wǎng)變壓器額定容量為1000kVA，功率因數(shù)為0.9。

4)社區(qū)內(nèi)有300戶居民，假設(shè)每戶一輛車，且擁有電動汽車的用戶配置一個充電樁；電動汽車滲透率為50%，即電動汽車150輛。單臺電動汽車電池額定容量為50kWh，類型為鋰電池，百公里耗電量為25kWh；充電樁額定充電功率為7kW/h。

以1h為時間間隔，即?t=1，當(dāng)?shù)胤謺r電價如表1所示。

3.2結(jié)果分析

本文以普通社區(qū)無序充電、光儲充一體化社區(qū)無序充電、電網(wǎng)層有序充電、用戶層有序充電、雙層多目標(biāo)有序充電等5種充電場景為例進(jìn)行仿真分析。

1)5種充電場景下充電負(fù)荷和社區(qū)負(fù)荷

普通社區(qū)無序充電和光儲充一體化社區(qū)無序充電的仿真結(jié)果見圖4，由圖4中可以看出，社區(qū)雖然配備了光儲單元，但在無序充電下仍然無法有效解決社區(qū)負(fù)荷越限和波動大的問題。

電網(wǎng)層有序充電、用戶層有序充電和雙層多目標(biāo)有序充電的仿真結(jié)果如圖8—圖10所示。

圖8電網(wǎng)層有序充電

由圖8可以看出：電網(wǎng)層有序充電可以在保證用戶正常充電需求的情況下，將充電負(fù)荷轉(zhuǎn)移到電價低谷時期，從而實現(xiàn)削峰填谷。但隨著接入電動汽車數(shù)量的增加，勢必會將更多的充電負(fù)荷轉(zhuǎn)移到電價平時段，增加充電費(fèi)用，降低用戶響應(yīng)有序充電策略的積極性。

圖9用戶層有序充電

由圖9可以看出：用戶層有序充電同樣可以在保證用戶正常充電需求的情況下，將充電負(fù)荷轉(zhuǎn)移到電價低谷時段和光伏出力時段，從而減少充電費(fèi)用。此外，儲能單元也可以保障電價高峰時段零星的充電需求，但充電負(fù)荷容易在電價低谷時段形成新的高峰，加劇負(fù)荷的波動，影響電網(wǎng)的正常運(yùn)行。

圖10雙層多目標(biāo)有序充電

由圖10可以看出：雙層多目標(biāo)有序充電的充電負(fù)荷分布范圍更大，既能充分發(fā)揮充電負(fù)荷削峰填谷的作用，降低負(fù)荷峰谷差，也能減少用戶充電費(fèi)用。

2)5種充電場景下負(fù)荷波動對比分析

對社區(qū)電動汽車執(zhí)行無序和有序充電策略的社區(qū)負(fù)荷情況進(jìn)行對比分析，具體數(shù)據(jù)如表2所示。

由表2可以看出：無序充電時，由于“峰上加峰”的現(xiàn)象，社區(qū)負(fù)荷超過變壓器的有功功率上限，使變壓器處于過載狀態(tài)，負(fù)荷峰值和峰谷差率分別達(dá)到970.89kW和54.25%。光儲充一體化社區(qū)依靠光伏系統(tǒng)和儲能系統(tǒng)雖然能降低負(fù)荷峰值和峰谷差率，分別減少了45.23kW和2.23%，但依然不能解決社區(qū)負(fù)荷越限問題。

而3種有序充電策略均能有效降低負(fù)荷峰谷差，且負(fù)荷峰值都未超過上限900kW，其中電網(wǎng)層有序充電和雙層多目標(biāo)有序充電效果較好，和光儲充一體化社區(qū)無序充電相比，峰谷差分別降低了223.34kW和194.89kW，峰谷差率分別降低了20.81%和17.37%。

3)5種充電場景下用戶充電費(fèi)用對比分析

對社區(qū)電動汽車執(zhí)行無序和有序充電策略的社區(qū)充電情況進(jìn)行對比分析，具體數(shù)據(jù)如表3所示。

結(jié)合圖4、圖8—圖10，由表3可以看出：在無序充電情況下，充電負(fù)荷主要集中在電價高峰時段和平時段，充電費(fèi)用較高；在有序充電情況下，將充電負(fù)荷有效轉(zhuǎn)移到電價低谷時段和光伏出力時段，充電費(fèi)用較低。其中，用戶層有序充電和雙層多目標(biāo)有序充電效果較好，和光儲充一體化社區(qū)無序充電相比，充電均價分別降低了0.43元/kWh和0.4元/kWh。

3種有序充電策略均能取得不錯的效果，但用戶層有序充電容易使社區(qū)總負(fù)荷在電價低谷時段形成新的峰，不利于減少峰谷差。電網(wǎng)層有序充電僅考慮了配電網(wǎng)的穩(wěn)定性，忽略了用戶的用電成本需求，容易降低用戶的響應(yīng)積極性。而雙層多目標(biāo)有序充電在降低負(fù)荷峰谷差和減少用戶充電費(fèi)用方面都能取得令人滿意的效果，該策略在降低社區(qū)負(fù)荷波動性、保障配電網(wǎng)安全運(yùn)行的同時，提高了用戶的經(jīng)濟(jì)效益和響應(yīng)策略的積極性。

4解決方案

圖11平臺結(jié)構(gòu)圖

充電運(yùn)營管理平臺是基于物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)的充電設(shè)施管理系統(tǒng)，可以實現(xiàn)對充電樁的監(jiān)控、調(diào)度和管理，提高充電樁的利用率和充電效率，提升用戶的充電體驗和服務(wù)質(zhì)量。用戶可以通過APP或小程序提前預(yù)約充電，避免在充電站排隊等待的情況，同時也能為充電站提供更準(zhǔn)確的充電需求數(shù)據(jù)，方便后續(xù)的調(diào)度和管理。通過平臺可對充電樁的功率、電壓、電流等參數(shù)進(jìn)行實時監(jiān)控，及時發(fā)現(xiàn)和處理充電樁故障和異常情況對充電樁的功率進(jìn)行控制和管理，確保充電樁在合理的功率范圍內(nèi)充電，避免對電網(wǎng)造成過大的負(fù)荷。

5安科瑞充電樁云平臺具體的功能

平臺除了對充電樁的監(jiān)控外，還對充電站的光伏發(fā)電系統(tǒng)、儲能系統(tǒng)以及供電系統(tǒng)進(jìn)行集中監(jiān)控和統(tǒng)一協(xié)調(diào)管理，提高充電站的運(yùn)行可靠性，降低運(yùn)營成本，平臺系統(tǒng)架構(gòu)如圖所示。

圖12充電樁運(yùn)營管理平臺系統(tǒng)架構(gòu)

大屏顯示：展示充電站設(shè)備統(tǒng)計、使用率排行、運(yùn)營統(tǒng)計圖表、節(jié)碳量統(tǒng)計等數(shù)據(jù)。

圖13大屏展示界面

站點(diǎn)監(jiān)控：顯示設(shè)備實時狀態(tài)、設(shè)備列表、設(shè)備日志、設(shè)備狀態(tài)統(tǒng)計等功能。

圖14站點(diǎn)監(jiān)控界面

設(shè)備監(jiān)控：顯示設(shè)備實時信息、配套設(shè)備狀態(tài)、設(shè)備實時曲線、關(guān)聯(lián)訂單信息、充電功率曲線等。

圖15設(shè)備監(jiān)控界面

運(yùn)營趨勢統(tǒng)計：顯示運(yùn)營信息查詢、站點(diǎn)對比曲線、日月年報表、站點(diǎn)對比列表等功能。

圖16運(yùn)營趨勢界面

收益查詢：提供收益匯總、實際收益報表、收益變化曲線、支付方式占比等功能。

圖17收益查詢界面

故障分析：提供故障匯總、故障狀態(tài)餅圖、故障趨勢分析、故障類型餅圖等功能。

圖18故障分析界面

訂單記錄：提供實時/歷史訂單查詢、訂單終止、訂單詳情、訂單導(dǎo)出、運(yùn)營商應(yīng)收信息、充電明細(xì)、交易流水查詢、充值余額明細(xì)等功能。

圖19訂單查詢界面

6產(chǎn)品選型

安科瑞為廣大用戶提供慢充和快充兩種充電方式，便攜式、壁掛式、落地式等多種類型的充電樁，包含智能7kw/21kw交流充電樁，30kw直流充電樁，60kw/80kw/120kw/180kw直流一體式充電樁來滿足新能源汽車行業(yè)快速、經(jīng)濟(jì)、智能運(yùn)營管理的市場需求。實現(xiàn)對動力電池快速、高效、安全、合理的電量補(bǔ)給，同時為提高公共充電樁的效率和實用性，具有有智能監(jiān)測：充電樁智能控制器對充電樁具備測量、控制與保護(hù)的功能；智能計量：輸出配置智能電能表，進(jìn)行充電計量，具備完善的通信功能；云平臺：具備連接云平臺的功能，可以實現(xiàn)實時監(jiān)控，財務(wù)報表分析等等；遠(yuǎn)程升級：具備完善的通訊功能，可遠(yuǎn)程對設(shè)備軟件進(jìn)行升級；保護(hù)功能：具備防雷保護(hù)、過載保護(hù)、短路保護(hù)，漏電保護(hù)和接地保護(hù)等功能；適配車型：滿足國標(biāo)充電接口，適配所有符合國標(biāo)的電動汽車，適應(yīng)不同車型的不同功率。下面是具體產(chǎn)品的型號和技術(shù)參數(shù)。

7現(xiàn)場圖片

8結(jié)論

光儲充一體化社區(qū)雖然可以提高光伏的就地消納，降低社區(qū)負(fù)荷峰值，但仍存在社區(qū)負(fù)荷的越限問題。對此提出了基于鼠群優(yōu)化算法的雙層多目標(biāo)有序充電策略，該策略滿足了電網(wǎng)層和用戶層的雙方利益，不僅可以減少社區(qū)負(fù)荷峰谷差，還能降低用戶充電費(fèi)用。同時基于云邊協(xié)同的調(diào)度架構(gòu)充分利用云端側(cè)和邊緣側(cè)的計算資源，可以應(yīng)對電動汽車大規(guī)模接入的情況。根據(jù)算例分析，該策略取得的綜合效果明顯優(yōu)于無序充電和單層有序充電策略，起到了削峰填谷、節(jié)約用戶充電費(fèi)用的作用，保障了電網(wǎng)的安全、穩(wěn)定運(yùn)行。

本文未考慮到不同電動汽車型號、電池類型等因素，此外僅考慮社區(qū)有序充電場景，后續(xù)將展開進(jìn)一步研究，使該策略更具實用性和擴(kuò)展性。

參考文獻(xiàn)

[1]康童,朱吉然,馮楚瑞,范敏,任磊,唐海國.面向光儲充一體化社區(qū)的有序充電策略研究

[2]張延宇,饒新朋,周書奎,等.基于深度強(qiáng)化學(xué)習(xí)的電動汽車充電調(diào)度算法研究進(jìn)展[J].電力系統(tǒng)保護(hù)與控制,2022,50(16):179-187.

[3]李景麗,時永凱,張琳娟,等.考慮電動汽車有序充電的光儲充電站儲能容量優(yōu)化策略[J].電力系統(tǒng)保護(hù)與控制,2021,49(7):94-102.

[4]鄧慧瓊,張曉飛,曾凡淦,等.動態(tài)分時電價機(jī)制下的電動汽車充放電調(diào)度策略研究[J].智慧電力,2023,51(3):59-66,78.

[5]安科瑞企業(yè)微電網(wǎng)設(shè)計與應(yīng)用手冊2022.5版.