電動汽車配套設施的充電網絡系統提出了要求。一套智能充電系統及充電策略不僅可以使充電網絡的負荷波動小，減少充電系統電網壓力，也可以將用戶經濟成本降低，達到用戶側和電網側雙贏的結果。提出了：基于V2G技術的PHEV有序充放電策略和電壓電流雙閉環的電壓空間矢量控制策略?？紤]納入車主行為的條件并滿足電網功率進行有序充放電策略。采用混合式充電方式解決大規模車輛充電的影響和根據不同時間段制定充放電的電價，并提出目標函數有序充電策略。當前大多數的管理策略未能考慮分析，多數學者通常從電池的容量及剩余電量出發考慮，研究比較片面，僅側重頻率調節或負荷平衡，V2G技術的優勢未能充分發揮。本文以用戶側為研究對象，車主行為習慣為約束條件，建立粒子群控制模型。

1基于用戶行為的V2G控制策略描述

文中所有采用V2G的車輛均是在特定時間內完成充電或放電，充放電時間段不同，經濟收益也不同，這種方式并未改變電池的充放電次數，只進行時間上的調整，減少對電動車儲能電池的傷害和沖擊，不會折損其壽命。綜合考慮電網企業目前實行的分時電價計價原則，將用戶參與V2G獲得的經濟收益設定為目標函數，在一定的約束條件下，采用粒子群優化算法，尋求目標函數解。在實時電價的背景下，用戶調整自身充電時間，在高峰期可以向電網饋電，輔助電網調頻，削峰填谷，進而獲取經濟效益；在低峰期時，用戶開始充電，降低經濟費用?？紤]到用戶存在有些時間段不參與V2G技術，因此可實現在一天的部分時間段內設置與電網的交換功率為0。

2電動汽車充電負荷預測研究

電動汽車具有高能效、低污染、環境友好等優勢，成為緩解能源危機與環境污染的重要手段。然而大量的電動汽車充電需求將引發新一輪的用電負荷增長，造成配電線路的“阻塞"，因此，電力企業除了從供給側對電力系統進行規劃與調度外，也著力于從需求側提高電動汽車充電負荷的預測水平。

目前電動汽車的充電負荷建模主要分為時序建模和時空建模。綜合考慮多重因素利用Bass回歸分析模型預測EV保有量，根據用戶充電行為的概率密度函數得到三種電動汽車的充電負荷預測結果。

時序建模是利用元日期窗口與大數定理，建立多日一充的模式，考慮EV用戶充電習慣的不確定性，利用二項分布建立電動汽車充電負荷的計算模型。時序性建模方法大多根據車主出行結束到家時刻和日行駛里程進行建模，但是不同類型的電動汽車在不同時段停駛于不同目的地，將產生不同的充電需求，因而未能涉及到電動汽車的空間位移特性。

行鏈理論的時空建模方法考慮用戶在不同功能分區的出行規律，采用出行鏈理論模擬充電負荷的時空分布?；诔鲂墟溊碚撾S機生成一天的出行序列，結合居民出行調研數據建立EV充電負荷預測模型。綜合考慮電動汽車類型和區域特性，通過改進重力模型進行充電負荷計算。于出行鏈理論，考慮分時電價、載客量以及溫度的影響，分別建立了私家車、出租車以及公交車的充電負荷模型。上述大多基于出行鏈理論獲得電動汽車充電負荷在不同功能分區的時空分布，但未能考慮實際道路交通與電網的耦合關系，也未能計及實際交通路網以及動態交通信息對充電負荷的影響，使得充電負荷預測精度不高。

時空預測方法通過建立全軌跡空間模型表征電動汽車的時空屬性，考慮用戶的充電意愿以及出行需求，疊加日充電功率獲得充電負荷的時空分布?？紤]動態交通路況建立車輛時空轉移模型，通過建立出行時間和出行目的地的聯合概率密度分布確定下一行駛特征，提出精度較

高的時空預測方法。

3有源配電網優化運行研究

傳統調壓方式包括有載調壓變壓器調節分接頭擋位，投切電容器組、靜止無功補償器等無功裝置就地補償，但是隨著大量電動汽車和高比例可再生能源并入電網，電動汽車充電的隨機性以及分布式電源出力的不確定性對有源配電網的安全穩定運行提出了更高要求。傳統調壓方式難以應對大規模電動汽車充電以及分布式電源消納帶來的電壓波動問題，而電動汽車與電網互動技術和DG逆變器技術的發展為電網、電源、負荷三者之間的協調優化提供了技術支撐，通過源源互補，網源協調以及源荷互動實現系統電壓的優化控制，成為當前研究的熱點。

針對電動汽車接入與分布式電源共存的配電網，建立了風電、光伏發電以及EV充電負荷的概率模型，并與無功補償裝置相結合建立概率調壓模型，獲得較好的電壓穩定效果。對電動汽車充電進行有序調度，同時將傳統調壓方式與DG無功出力相結合，建立不同時段的無功電壓協調優化模型，有效地改善了系統的運行電壓。通過建立節點EV充電負荷模型提出了有源配電網的日前和日內優化運行模型，分兩階段優化電動汽車的有序充電，有效地降低了購電成本。上述僅將電動汽車作為充電負荷，適用于電動汽車規模較小的情況，且網、源、荷三者協調優化的效果不高，有源配電網接納分布式電源的能力有限，也無法適應大規模電動汽車的充電需求。

隨著V2G技術的應用和分時電價的普及，電動汽車除了作為負荷充電外，也可以作為移動儲能元件進行放電參與電網的多源互補協調優化。協調電動汽車V2G模式與風電、光伏發電的有功出力，建立了多目標協同調度模型，能夠使得電動汽車用戶收益，避免了可再生能源間歇出力的影響?；贒G逆變器的有功、無功解耦控制，提出可跨地區消納DG的多目標優化調度模型，能夠挖掘分布式電源的無功潛力，促進DG的消納以及提高其利用率。將有源配電網的優化控制劃分為長周期有功、無功資源優化控制和短周期多源協調校正控制，前者進行優化實現潮流控制，后者對有源配電網進行分區劃定，實現多源協同優化運行?？紤]電動汽車的充電跳躍性，建立周期內多時段優化運行模型，實現了電動汽車V2G調節與其他調壓方式的運行優化。基于V2G模式考慮需求側具有儲能特性和非儲能特性的雙向可控負荷，協同其他電壓調節方式建立電壓無功多目標優化模型，在提高需求響應的同時改善了有源配電網的潮流分布。

從無序充電到有序充放電策略，大多對電動汽車進行個體調度，實際可操作性不強，因此，當前的研究也有諸多采用集群控制策略。通過提取電動汽車集群控制模型的隨機特征參數，跟蹤電動汽車充電特性，獲取充放電策略?？紤]到EV充放電的靈活性，通過對電動汽車集群控制，并跟蹤光伏發電出力曲線，建立了基于MPC的實時凸優化調度模型，有效避免過充或過放的同時降低了光伏發電出力的波動。集群調度需要提取電動汽車的隨機特征，優化時間較長，也容易忽略單個電動汽車的特性參數。針對集群控制和個體調度存在的問題，提出一種分布式電動汽車調度策略，通過協調電動汽車集控和停車場協控獲取充放電功率，減小了算法維度，提高了電動汽車的響應速度，但不包含其他無功補償裝置協調控制。通過對電動汽車分群，從充放電系統和網絡拓撲兩個層面搭建內外嵌套模型優化調度電動汽車的充放電功率，能夠保證車主利益的同時優化配電網的運行工況，但將24小時根據充電時間和充電行為特性進行分群，忽略了各個時段以及不同功能分區充電負荷的隨機性。針對高層住宅小區，對電動汽車充放電提出分層優化控制策略，三層優化控制模型相互補充，將分布控制與集中控制相結合，具有較好的經濟效益與應用價值，但未能與上層配電網相結合，也未涉及分布式電源，適用范圍較窄。

綜上所述，針對電動汽車以V2G模式參與有源配電網的運行進行了諸多研究，但是隨著電動汽車規模擴大，一方面要考慮電動汽車入網的控制策略，也要考慮電動汽車規模的調度方式，另一方面，不同區域內電動汽車類型以及充電負荷的時空分布對有源配電網的影響不同，需要根據各區域的負荷、電動汽車和分布式電源的分布特性，使之相互協調有針對性地制定相應區域的充放電調度。與此同時，將電動汽車與各調壓方式相結合優化有源配電網的運行時，電動汽車調度往往以宏觀的角度平抑負荷波動，而各調壓方式則以各時段優化為主，因此，需要考慮兩者不同的時間維度進行協調優化，充分調度電動汽車充放電以減少其他調壓方式的成本，充分利用DG逆變器的復用技術發出無功以消納過剩的出力，并平衡系統的運行電壓，從而實現有源配電網的經濟和安全運行。

4安科瑞充電樁收費運營云平臺系統選型方案

4.1概述

AcrelCloud-9000安科瑞充電柱收費運營云平臺系統通過物聯網技術對接入系統的電動電動自行車充電站以及各個充電整法行不間斷地數據采集和監控，實時監控充電樁運行狀態，進行充電服務、支付管理，交易結算，資要管理、電能管理，明細查詢等。同時對充電機過溫保護、漏電、充電機輸入/輸出過壓，欠壓，絕緣低各類故障進行預警；充電樁支持以太網、4G或WIFI等方式接入互聯網，用戶通過微信、支付寶，云閃付掃碼充電。

4.2應用場所

適用于民用建筑、一般工業建筑、居住小區、實業單位、商業綜合體、學校、園區等充電樁模式的充電基礎設施設計。

4.3系統結構

系統分為四層：

1）即數據采集層、網絡傳輸層、數據層和客戶端層。

2）數據采集層：包括電瓶車智能充電樁通訊協議為標準modbus-rtu。電瓶車智能充電樁用于采集充電回路的電力參數，并進行電能計量和保護。

3）網絡傳輸層：通過4G網絡將數據上傳至搭建好的數據庫服務器。

4）數據層：包含應用服務器和數據服務器，應用服務器部署數據采集服務、WEB網站，數據服務器部署實時數據庫、歷史數據庫、基礎數據庫。

5）應客戶端層：系統管理員可在瀏覽器中訪問電瓶車充電樁收費平臺。終端充電用戶通過刷卡掃碼的方式啟動充電。

小區充電平臺功能主要涵蓋充電設施智能化大屏、實時監控、交易管理、故障管理、統計分析、基礎數據管理等功能，同時為運維人員提供運維APP，充電用戶提供充電小程序。

4.4安科瑞充電樁云平臺系統功能

4.4.1智能化大屏

智能化大屏展示站點分布情況，對設備狀態、設備使用率、充電次數、充電時長、充電金額、充電度數、充電樁故障等進行統計顯示，同時可查看每個站點的站點信息、充電樁列表、充電記錄、收益、能耗、故障記錄等。統一管理小區充電樁，查看設備使用率，合理分配資源。

4.4.2實時監控

實時監視充電設施運行狀況，主要包括充電樁運行狀態、回路狀態、充電過程中的充電電量、充電電壓電流，充電樁告警信息等。

4.4.3交易管理

平臺管理人員可管理充電用戶賬戶，對其進行賬戶進行充值、退款、凍結、注銷等操作，可查看小區用戶每日的充電交易詳細信息。

4.4.4故障管理

設備自動上報故障信息，平臺管理人員可通過平臺查看故障信息并進行派發處理，同時運維人員可通過運維APP收取故障推送，運維人員在運維工作完成后將結果上報。充電用戶也可通過充電小程序反饋現場問題。

4.4.5統計分析

通過系統平臺，從充電站點、充電設施、、充電時間、充電方式等不同角度，查詢充電交易統計信息、能耗統計信息等。

4.4.6基礎數據管理

在系統平臺建立運營商戶，運營商可建立和管理其運營所需站點和充電設施，維護充電設施信息、價格策略、折扣、優惠活動，同時可管

理在線卡用戶充值、凍結和解綁。

4.4.7運維APP

面向運維人員使用，可以對站點和充電樁進行管理、能夠進行故障閉環處理、查詢流量卡使用情況、查詢充電\充值情況，進行遠程參數設置，同時可接收故障推送

4.4.8充電小程序

面向充電用戶使用，可查看附近空閑設備，主要包含掃碼充電、賬戶充值，充電卡綁定、交易查詢、故障申訴等功能。

4.4.9系統硬件配置

5 總結

針對集中式充放電實現方式，以用戶側為研究對象，用戶側經濟費用低、對電網擾動小為研究目標。結合當前電網企業實行的峰谷電價政策，給出電動汽車與電網每一時刻的交換功率，使整體達到雙贏的結果。

本文盡管在分布式電源的時序建模、電動汽車充電負荷的時空預測以及有源配電網的優化運行方面取得了一定成果，但仍存在一些不足，有待進一步研究和完善：

(1)分布式電源出力的時序建模中主要基于狀態數決策模型確定狀態數，后續可研究歷史功率序列的聚類分析確定狀態數；滑動平均濾波法的時間窗設置依賴于經驗，后續可制定相應的控制策略確定時間窗大小，也可綜合考慮其他濾波方法進行對比分析。

(2)對于電動汽車充電負荷的時空預測，僅考慮了出租車和私家車，后續可研究其他類型電動汽車的時空分布情況，且電動汽車的出行規律基于全美家庭交通出行調查數據，隨著電動汽車的廣泛應用，未來可參考國內電動汽車用戶的出行規律；路阻函數模型僅考慮道路交叉路口延遲和路段延遲，后續研究可基于交通道路規劃情況，考慮電動汽車具體行駛車道，建立包含左轉、右轉和直行的路阻函數模型。

(3)有源配電網的雙層優化運行模型以24小時為調度周期，對于上層優化模型來說，時間跨度相對較大，對算法尋優的性能要求較高，后續可分時段進行充放電的優化調度；分布式電源的短期功率預測誤差雖滿足預測標準，但需進一步優化神經網絡以獲得更高的精度；配電網優化運行研究僅開展了日前優化運行，開展實時滾動和反饋優化運行研究。

參考文獻

[1] 薛靜云,張銀環.基于用戶行為的V2G模式下電動汽車等有序充放電控制策略研究

[2] 彭晶,黃虹,劉福潮,基于V2G技術的電動汽車有序充放電策略研究

[3] 安科瑞企業微電網設計與應用手冊.2022.05版