1、目的地充电的电动汽车分布式充电桩选型 乌云娜 李芳 许传博 谢超 许儒航 华北电力大学经济与管理学院 华北电力大学新能源电力与低碳发展研究北京市重点实验室 摘 要： 为了解决城市内电动汽车充电排队及分布式充电桩闲置的问题, 首先对充电桩类型进行预筛选;然后, 基于用户目的地充电的行为选择, 考虑用户的停车规律及充电起始荷电状态, 计算用户对不同类型充电设施的需求概率, 在满足用户充电需求的基础上, 以充电桩的综合成本最小为目标函数建立了充电桩选型最优模型;最后, 将所选模型应用于某高校电动汽车充电桩规划中。研究结果表明:针对 5 种不同的充电桩日有效工作时间, 可确定 6 个型号充电桩的数量,
2、 并且充电桩的日有效工作时间为 12 h 时, 建设总成本最低, 为 48 180 元。关键词： 电动汽车; 充电需求; 目的地; 分布式充电桩; 选型; 作者简介：乌云娜 (1956-) , 女, 吉林松原人, 教授, 硕士, 博士生导师, 主要研究方向为新能源电力建设.收稿日期：2017-05-12基金：国家自然科学基金项目 (71271085) Type Selection of Distributed Charging Piles for Destination Charging Electric VehiclesWU Yunna LI Fang XU Chuanbo XIE Chao
3、 XU Ruhang School of Economics Abstract： In order to solve the problems of charging queues for electric vehicles and idle distributed charging piles in urban, the type of charging piles were selected. Then, the demand probability of different types of charging facilities was calculated based on the
4、charging mode of user destination, the parking regular pattern of users and charging initial charge state. Under the condition of satisfying the users charging demand, a type selection optimization model of charging pile was established, which takes the minimum comprehensive cost of charging pile as
5、 the objective function. Finally, the proposed model was applied to the planning of electric vehicle charging pile in a university.The results show that the number of 6 kinds of charging piles is determined according to the daily effective working time of 5 different charging piles. The total constr
6、uction cost is the lowest with 48 180 Yuan, when the daily effective working time of charging piles is 12 h.Keyword： electric vehicle; charging demand; destination; distributed charging pile; type selection; Received： 2017-05-120 引言随着石油资源的枯竭和环境污染问题的加剧, 电动汽车作为新能源消费革命的主力越来越受到各国的重视1。大力发展电动汽车, 能够加快燃油替代,
7、 减少汽车尾气排放, 对中国从汽车大国迈向汽车强国具有重要意义2。完善充电基础设施体系是电动汽车普及的基本保障。分布式充电桩是电动汽车补充能量的重要方式, 其建设数量、规划布局等会对电动汽车的广泛应用和规模化发展产生重要影响, 是电动汽车快速发展的关键, 因此, 分布式充电桩的建设尤为重要。现阶段国内外关于充电桩规划的研究较多, 主要是围绕选址与定容两方面进行3-9。文献10提出了一种小区内充电桩与公共充电桩互补的规划方法, 在确定小区内充电桩数量的基础上, 考虑电动汽车分布不平衡、充电距离最小、电动汽车多日一充等因素, 对公共充电桩进行选址定容, 从而确定了区域内整体充电桩的规划流程。文献1
8、1考虑了电动汽车充电负荷对配网电压的影响, 以电压降落最小为目标, 建立了基于模拟退火算法的充电桩选址的最优分布模型。上述文献在解决电动汽车充电桩的选址和定容方面做出了贡献, 然而, 充电桩的选型作为充电桩规划的重要内容之一, 却被大多数学者所忽视。在现实中, 电动汽车排队充电和充电桩闲置的问题屡见不鲜, 而充电桩选型的目的就是为了更加合理地配置各个型号充电桩的数量, 在满足用户充电需求的同时, 又能最大程度上优化资源配置。因此, 对充电桩选型进行研究将有助于电动汽车的快速发展。目前, 关于充电桩选型的研究甚少, 文献12以用户慢速充电单次补充的电能能否满足下一次行驶需求作为慢充需求的判断条件
9、, 提出了电动汽车分散充电设施配比度的计算方法。文献12所提方法可确定快充和慢充两类分散充电设施的相对合理配置数量, 对充电设施的选型研究具有一定的指导意义。然而, 在充电桩型号划分中, 仅仅根据快充和慢充分类略显粗糙。实际上, 无论是快充还是慢充, 都有不同的功率, 因此, 计算各个功率的充电桩数量更符合实际。分布式充电桩对充电设施的整体布局有重要的影响。与满足各种类型电动汽车 (包括公交车、环卫车、物流车等) 充电需求的充换电站相比, 分布式充电桩的服务对象主要是私家车。未来私家车所占比例将达到 70%80%, 是电动汽车推广的主体。面向私家车的分布式充电桩选型的合理与否, 将直接关系到电
10、动汽车的发展速度11。因此, 本文细化了私家车的充电需求, 将各功能区的分布式充电桩独立出来, 考虑充电桩使用中的实际情景, 解决充电桩规划建设中的型号及数量问题。首先, 专家通过考察地理环境、电网、交通等条件筛选出适合规划区域建设的充电桩类型;其次, 基于用户目的地充电的行为选择假设, 考虑用户的停车规律及充电起始荷电状态 (state of charge, SOC) , 计算用户对不同类型充电桩的需求概率;最后, 在满足用户充电需求的基础上, 建立了投资成本、运维成本、土地成本最小化的充电桩选型模型, 优化得到最优方案。1 基于目的地充电的电动汽车充电需求概率预测确定规划区内电动汽车的充电
11、需求是分布式充电桩选型的基础。分布式充电桩主要依小区、商场、企事业单位、城区街道等各功能区的停车场而建, 这些地方通常是用户出行的目的地。根据上海市电动汽车示范运行一周年数据分析显示, 大多数用户在目的地停车时会选择下车即充电, 即目的地充电13。随着电动汽车电池性能的提高和分布式充电设施的完善, 用户在目的地补充的电量足够维持剩余的行驶需求, 因此对于私家车而言, 目的地充电成为有效的补电方式。用户在空闲的停车时间给电动汽车补电, 既能满足用户外出的电量需求, 又能保护锂电池。所以本文基于用户目的地充电的行为选择假设, 计算用户对不同类型充电桩的需求概率。用户对不同型号充电桩的偏好由两个因素
12、决定:停车时间和剩余电量。在理想情况下, 停车时间 tj的电动汽车 j 所需要的充电桩功率为:其中:P j为电动汽车充电所需功率;C j为电动汽车 j 的电池容量;SOC j为电动汽车j 的充电起始 SOC;tj为电动汽车 j 的停车时间。由于充电桩功率 Pi是非连续的, 一般情况下, 求出的 Pj与 Pi是不相等的。此时, 用户选择 Pi的条件为:其中:P 0取值为两个相邻充电桩功率差的中值。因此, 将所有用户视为单位 1, 其中选择功率 Pi的充电桩的用户比率为 pi, 且假设充电起始 SOC 和停车时间是两个相互独立的变量, f SOC (SOC) 为电动汽车停车时处于不同电池负荷状态的
13、概率密度函数, f T (t) 为电动汽车停车时间的概率密度函数, 则 pi可转化为:2 分布式电动汽车充电桩选型的数学模型2.1 充电桩候选桩型的确定由于城市内的土地资源稀缺, 充电桩的占地面积应尽可能小。如果车位靠墙, 应优先考虑壁挂式充电桩。综合考虑待规划区域内车辆和交通信息, 预估电动汽车的总充电需求, 初步筛选出功率合适的充电桩型号。2.2 数学模型的建立分布式充电桩的主要功能是给电动汽车补电, 满足用户外出的用电需求。本文以综合成本最小化为目标, 考虑建设成本、运维成本、停车场改造费用、因建设充电桩造成的电网升级费用等, 以充电需求和停车位改造空间为约束条件, 建立充电桩选型综合优
14、化数学模型。其中:C 为投运至目标年的年均综合成本;C 为充电桩的建设成本;C 为运维成本;r0为贴现率;S i为 i 型充电桩的平均使用年限;n i为 i 型充电桩的数量;c i0为 i型充电桩的固定成本;A i为安装 i 型充电桩需要改造的面积;c i为改造停车位单价;P i为 i 型充电桩的输出功率;c i为增加单位功率的充电设施造成电网升级所需的投资成本;c i为 i 型充电桩单位功率的年平均运维成本。2.3 约束条件分布式充电桩的规划建设首先要满足区域内电动汽车的充电需求, 电动汽车保有量由规划年内机动车的保有量及电动汽车渗透率预测得到。由于机动车保有量是按照一定时间内来往的车次预估
15、的, 本文假设 1 个车次的电动汽车发生 1次充电行为, 由此求得区域内电动汽车充电需求总量为:其中:C 为电动汽车的电池容量; 为平均充电起始 SOC;N 为区域内电动汽车的数量;N 为区域内机动车数量; 为电动汽车的渗透率, 在不同规划年不同功能区 取不同的值。本文考虑最大化的满足用户的充电需求, 结合式 (4) , 得到充电桩的需求约束为:其中:p i为用户选择 i 型充电桩的概率;Q 为电动汽车充电需求总量;T i为 i 型充电桩日有效工作时间。在人口密集的城市, 充电桩安装普遍面临着用地贵、征地难、电力设施铺设工程大等难题。对于已建成的功能区, 开展停车位改造和充电设施建设需要考虑停
16、车位的可改造面积。其中:规划区域内停车位的可改造面积用 A 表示, 对于立柱式充电桩, A 为占地面积;对于壁挂式充电桩, A 为可以布线的墙壁面积。本文所建立的分布式充电桩选型模型为含不等式约束的线性整数规划模型, 模型中的整数变量是不同类型充电桩的个数。求解结果是各选型方案对应的综合成本。3 案例分析本文以某高校为算例进行电动汽车充电桩选型规划。该高校共有 8 个地上停车场, 2 个地下停车场, 工作日的车辆进出数量比周末多。本文基于最大化满足用户充电需求的原则, 统计调研工作日的平均进出机动车数为 2 800 车次/d, 在规划年内该高校的电动汽车渗透率为 5%, 目前已知的是该高校可以
17、布线并安装壁挂式充电桩的墙壁面积为 6 m, 可供安装立柱式充电桩的地上面积约为 30 m。本文计算电动汽车的电池容量为 30 k Wh, 停车时平均充电起始 SOC 为 0.5, 电网升级成本为 692 元/k VA, 当年的贴现率为 0.1。经过专家分析该高校的车辆、电网、交通、地理条件等信息数据, 选出几种合适的充电桩型号, 相关参数如表 1 所示。表 1 专家初筛选充电桩类型参数 下载原表 3.1 充电需求概率计算由式 (4) 可知, 基于目的地充电的原则, 用户会优先选择在停车时间内将电动汽车充满的充电桩, 那么计算用户充电需求概率, 就需要用户停车持续时间的统计数据, 以及用户发生
18、停车行为时电动汽车剩余电量的数据。本文通过对进出校园车辆的停车行为进行调查统计, 得到不同停车持续时间的频率分布, 拟合得到如图 1 所示的频率直方图及概率分布。根据拟合结果可得该高校机动车的停车持续时间的概率密度函数为:图 1 某高校停车持续时间频率直方图及概率分布 下载原图此处假设电动汽车的停车持续时间的拟合函数与机动车一样。美国能源部于 2009 年发起电动汽车项目, 文献14对该项目中纯电动汽车的驾驶和充电行为进行了统计, 文献12将用户充电起始 SOC 的统计结果进行拟合, 得到充电起始 SOC 的概率密度函数为:根据式 (4) 、式 (12) 和式 (13) 计算得出用户选择不同功
19、率充电桩的概率分布, 如表 2 所示。3.2 充电桩选型规划通过式 (5) 式 (11) 计算得出该高校不同类型充电桩的数量及对应的综合成本, 如表 3 所示。表 3 中:T i是充电桩的日有效工作时间, 主要由充电桩的日平均可用时间与设备闲置率决定。由表 3 可知:随着充电设施的日有效工作时间的增加, 每个充电桩的服务效率和服务能力不断增大, 建设的充电桩数量不断减少, 规划综合成本也不断降低。这就要求用户根据自己的停车时间选择合适的充电桩, 并且在充电完成后及时驶离充电桩, 以方便后续用户的使用, 提高充电桩的利用效率。表 2 用户选择不同功率充电桩的概率分布 下载原表 表 3 充电桩选型
20、方案综合成本分析 下载原表 4 结束语针对不同功能区分布式充电桩的选型问题, 定量分析了基于目的地充电的用户充电需求概率。建立了投资成本、运维成本、土地成本最小化的充电桩选型模型, 优化得到最优方案。本文提出的分布式充电桩的选型规划方案经济合理, 可以满足该高校电动汽车的充电需求。不同城市功能区电动汽车的停车规律及充电行为不尽相同, 因此, 在使用本文方法确定分布式充电设施建设数量时, 应在目标区域进行实地调研和数据采集, 使规划方案更加符合目标地区的实际情况。参考文献1YAGCITEKIN B, UZUNOGLU M, KARAKAS A.A new deployment method for electric vehicle charging infrastructureJ.Turkish journal of electrical engineering&computer sciences, 2015, 24 (3) :1292-1305.
