0引言

全球經濟增長導致化石能源過度消耗，加劇環境污染。電動汽車因其環保優勢迅速崛起，預計到2030年中國電動汽車保有量將達到6000萬輛。這有助于減少化石能源依賴，推廣綠色出行，但也對電網穩定性構成挑戰。因此，研究有序充電策略至關重要。現有研究多關注充電站成本小，忽略多方利益平衡。本文提出基于優劣解距離法的優化策略，旨在降低充電成本，實現電網負荷削峰填谷。同時，構建綜合考慮配電網交互功率、充電站收益、電池損耗及放電成本的調度模型，全面評估優化充電過程。針對分布式能源隨機性，本文構建多目標兩階段優化模型，通過精細調度策略平抑能源波動、降低充電成本，并提出含分布式電源和電動汽車充電的優化重構模型，支持電網穩定運行和成本效益提升。為適應含光伏和儲能單元的社區環境，提出基于鼠群優化算法的雙層多目標有序充電策略，展示智能算法在電動汽車充電管理領域的潛力。最后，設計基于云邊協同的調度架構，利用云計算和邊緣計算優勢，實現數據快速處理與實時響應，為電動汽車充電管理的智能化、高效化提供技術支撐。

1光儲充一體化社區無序充電分析

1.1光儲充一體化社區系統結構

圖1呈現了一個集成了光伏發電、儲能與充電功能的社區系統，該系統由光伏單元、儲能單元及變壓器三大核心組件構成。圖中箭頭清晰標注了電能的流動路徑：光伏單元與電網共同作為電能供應源，而充電樁與常規負荷則作為電能消耗端。值得注意的是，儲能單元在系統中扮演著雙重角色，它既能作為電源供電，也能作為負載消耗電能。為便于模型分析，此處將儲能單元在充電狀態下的功率視為正值，放電時則視為負值，從而將其簡化為一種特殊的用電負荷。

圖1光儲充一體化社區系統結構

當光伏出力超過充電負荷時，首先供給充電樁使用，隨后為儲能單元充電，剩余部分則供給常規負荷；若光伏出力不足，則由儲能單元提供電力，差額部分則由電網進行補充。

1.2社區無序充電負荷

居民的充電行為雖具有個體隨機性，但其整體趨勢卻深受生活習慣與出行規律的雙重影響。本文依據2017年美國交通部發布的統計數據，并經過精心調整以更貼近中國居民的出行實際情況。圖2展示了居民出行規律的概率密度分布，為我們深入理解這一現象提供了直觀依據。

圖2居民出行規律概率密度分布

圖2明確展示了電動汽車的充電行為主要集中在每日的16:00至21:00時段開始，并在次日的06:00至10:00時段結束充電。此外，這些電動汽車的日行駛里程普遍較短，大多不超過50公里。

1.3無序充電負荷模擬

本文采用蒙特卡洛法來模擬居民電動車的無序充電行為。我們設定電動車每日充電一次，直至電量完全充滿，且充電過程維持恒定功率，同時選取了符合社區特性的常規充電方式作為模擬基礎。電動車無序充電負荷的具體模擬流程已在圖3中詳細展示，其主要步驟如下。

圖3無序充電負荷模擬流程

1）輸入仿真次數和電動汽車數量，并進行初始化操作；

2）依據概率模型隨機生成充電時間及行駛里程數據；

3)  計算各次充電的電量，并累加以得到總負荷；

4)  當達到設定的仿真次數后，輸出平均充電負荷曲線。

1.4社區無序充電仿真分析

社區電動汽車充電負荷、儲能設備和光伏單元的輸出功率如圖4(a)所示。疊加社區常規負荷后，得到無序充電下的整體負荷情況，如圖4(b)。光伏單元在08:00至17:00為主要出力時段，此間光伏發電量足以覆蓋充電負荷和儲能設備能耗，并為常規負荷供電，實現電力就地消納，降低能源損耗。但電動汽車充電負荷高峰與社區常規負荷高峰重疊，增大峰谷差，加劇電網波動。儲能設備在此時釋放電能供給充電樁，降低負荷峰值，支持電網穩定運行。

圖4無序充電仿真結果

在晚上六點到十點時段內，社區電力負荷常常超出變壓器的承載能力，進而引發過載現象，并加速了其老化進程。相較于傳統社區，光儲充一體化社區雖在負荷峰值及越限時長上有所緩解，但問題仍舊未得到根本解決，持續威脅著居民用電的安全性與穩定性。因此，深入探索電動汽車充電的有序調度策略，顯得尤為重要且迫切。。

2基于鼠群優化算法的雙層多目標有序充電策略

2.1雙層多目標有序充電策略

本策略精心構建了一個雙層多目標優化模型，其核心目的在于有效縮減社區負荷的峰谷差異，并極力降低用戶的充電成本。此模型的雙層結構清晰分明：第一層聚焦于電網層面，以削減峰谷差為主要目標；第二層則深入用戶層面，旨在通過優化減少用戶的充電費用，同時，將電網層的運算結果作為重要約束條件，以確保整個社區負荷的平穩運行。詳細的操作流程請參閱圖5。

圖5雙層多目標有序充電策略流程

1) 獲取未來24小時社區負荷和光伏預測數據，動態獲取用戶充電信息，包括充電時間及充電量；

2) 若有新車接入或用戶改變充電信息，電網層優化社區負荷峰谷差，輸出充電時間、光伏充放電功率和充電負荷；

3) 電網層充電負荷作為用戶層優化模型約束，用戶層優化用戶充電費用，輸出充電時間、光伏充放電功率；

4) 重復步驟2)和3)，直至達到迭代次數，輸出新的充電計劃；

5) 若無新車接入或用戶改變充電信息，遵循上一時段充電計劃；

6) 重復步驟2)—5)，直至優化時段達到時段數。

2.2基于云邊協同的調度架構

電動汽車有序充電調度通常采取集中式架構設計，然而，在大規模接入場景下，云主站處理海量數據可能會引發計算延遲甚至錯誤。為此，我們依據“云管邊端”的先進理念，創新性地提出了云邊協同的有序充電調度架構。

圖7基于云邊協同的調度架構

基于云邊協同的調度架構涵蓋感知端側、邊緣側與云端側，其調度流程精煉如下：

用戶借助APP向云平臺發送充電請求；

1)云平臺匯聚用戶信息、儲能與充電樁狀態，并整合光伏出力和負荷預測數據

2)云平臺通過求解優化模型，確定充電時間、儲能功率及負荷分配，并將相關參數下發至邊緣側；

3)邊緣側則負責部署并執行優化模型，接收并處理參數后，將結果上傳回云平臺；

4)此過程循環進行，直至達到迭代次數，最終生成充電計劃；

5)充電計劃的執行指令則由邊緣側直接傳達至感知端側設備，實現精準控制。

3算例分析

本文深入探討了湖南某光儲充一體化社區的詳細參數。具體而言，該社區的光伏單元容量為200kW，發電成本維持在每千瓦時0.35元的水平；儲能單元則擁有200kWh的容量，其充放電功率高達50kW，且放電深度可達90%。此外，該社區的配電網變壓器容量達到1000kVA，功率因數保持在0.9的優異水平。

在社區構成方面，共有300戶居民，每戶均配備一輛電動汽車，其中電動汽車的滲透率達到50%，即總共有150輛電動汽車。每輛電動汽車的電池容量為50kWh，百公里耗電量為25kWh，而充電樁的功率則設定為7kW/h。

在電價策略上，該社區采用分時電價制度，時間間隔設定為?t=1，具體電價信息請參考表1。

3.2結果分析

本文通過仿真深入剖析了五種充電場景，具體包括：普通社區的無序充電模式、光儲充一體化社區中的無序充電實踐、電網層級的有序充電策略、用戶層級的有序充電規劃，以及雙層多目標優化的有序充電方案。

1)5種充電場景下充電負荷和社區負荷

仿真結果明確顯示，盡管社區已經配備了光儲單元，但無序充電的方式仍然未能有效解決負荷越限和波動的問題。針對此，電網層與用戶層的有序充電策略，以及更為復雜的雙層多目標有序充電方案的仿真結果，已分別呈現在圖8至圖10中。

圖8明確揭示了電網層有序充電的顯著優勢：在充分滿足用戶充電需求的基礎上，成功地將負荷轉移至電價低谷時段，進而實現了削峰填谷的目標。然而，值得注意的是，隨著電動汽車數量的持續增長，一個不可忽視的趨勢顯現——更多負荷將不可避免地流向電價平時段，這一變化直接導致充電成本的攀升，進而可能削弱用戶對有序充電策略的積極響應度。

圖9顯示，用戶層的有序充電策略有效滿足日常需求，并將用電負荷轉移至電價低谷和光伏供電時段，顯著降低費用。然而，盡管儲能單元在電價高峰提供電力支持，緩解用電壓力，但在低谷時段可能引發新的負荷高峰，加劇電網波動。

圖10顯示了雙層多目標有序充電策略在負荷分布上的優勢，它能有效分散充電負荷，實現削峰填谷，降低峰谷差值，并減少用戶充電成本，提高經濟效益。

2)5種充電場景下負荷波動對比分析

分析了社區電動汽車在無序和有序充電策略下的負荷狀況，詳見表2。

表2顯示，在無序充電狀態下，社區負荷超過變壓器極限，導致過載，峰值達970.89kW，峰谷差率為54.25%。盡管光儲充一體化社區通過光伏和儲能系統減少了負荷峰值和峰谷差率，分別降低45.23kW和2.23%，但未能解決負荷越限問題。相比之下，三種有序充電策略有效降低負荷峰谷差，保持峰值在900kW以下。特別是電網層有序充電和雙層多目標有序充電策略，分別減少峰谷差223.34kW和194.89kW，峰谷差率下降20.81%和17.37%。

3)5種充電場景下用戶充電費用對比分析

社區電動汽車無序與有序充電策略的充電情況對比分析結果見表3。

根據數據分析，無序充電模式，電力負荷主要集中在電價高峰和平時段，從而導致費用增加，而有序充電策略將負荷轉移至電價低谷和光伏時段，可以有效降低費用。用戶層和雙層多目標有序充電實踐效果顯著，均價分別下降0.43元/kWh和0.4元/kWh。

三種有序充電策略均有效，但用戶層策略可能引發新的負荷高峰，對減少峰谷差構成挑戰。電網層策略在降低用戶成本方面考慮不足，可能減弱用戶響應積極性。

雙層多目標有序充電策略在平衡需求方面表現優異，有效降低負荷峰谷差和用戶費用，提升經濟效益和用戶響應積極性，是電動汽車充電管理優化的理想選擇。

4解決方案

圖11平臺結構圖

充電運營管理平臺依托物聯網與大數據技術，實現對充電樁的精準監控、智能調度與高效管理，旨在提升充電樁的使用效率與充電速率，進而優化用戶的充電體驗。用戶可便捷預約充電時段，有效規避排隊等待，同時為充電站提供精準的需求預測數據，助力其實現精細化管理。該平臺能夠實時追蹤充電樁的各項運行參數，迅速響應并處理各類故障，精準調控充電功率，確保電網負荷維持在合理區間，保障能源供應的穩定與安全。

5安科瑞充電樁云平臺具體的功能

平臺監控充電樁，并對光伏發電、儲能及供電系統進行集中化管理，旨在提升整體運行的可靠性并有效降低成本。系統架構詳情請參考圖示。

圖12充電樁運營管理平臺系統架構

大屏展示充電站設備統計、使用率排行榜、運營統計圖表及節碳量統計等關鍵數據。

圖13大屏展示界面

站點監控功能全面，實時呈現設備狀態、詳盡設備列表、日志記錄以及狀態統計等關鍵信息。

圖14站點監控界面

設備監控：實時展示設備信息、配套設備狀態、設備運行曲線、相關訂單詳情及充電功率變化曲線等。

圖15設備監控界面

運營趨勢統計概覽：全面呈現運營信息查詢、站點對比曲線圖、日月年詳盡報表、及站點對比列表等核心功能。

圖16運營趨勢界面

收益查詢系統：全面展示收益匯總概覽、精確提供實際收益報表、直觀呈現收益變化曲線、詳盡分析支付方式占比等核心功能。

圖17收益查詢界面

故障分析：涵蓋故障匯總、故障狀態餅圖展示、故障趨勢深度剖析以及故障類型餅圖呈現等功能。

圖18故障分析界面

訂單記錄功能升級，包括實時和歷史訂單查詢、訂單終止、詳盡詳情查看、訂單導出、運營商應收信息、充電明細、交易流水查詢及充值余額追蹤。

圖19訂單查詢界面

6產品選型

7現場圖片

8結論

光儲充一體化社區通過鼠群優化算法實現雙層多目標有序充電策略，既滿足電網和用戶利益，減少峰谷差，又降低充電成本。云邊協同調度架構有效應對大規模電動汽車接入。算例分析顯示，該策略優于無序和單層有序充電，實現削峰填谷，節約成本，確保電網安全穩定。未來研究將考慮不同電動汽車型號、電池類型，擴展至更廣泛場景。

參考文獻

[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.基于深度強化學習的電動汽車充電調度算法研究進展[J].電力系統保護與控制,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化策略[J].電力系統保護與控制,2021,49(7):94-102.

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

[5]安科瑞企業微電網設計與應用手冊2022.5版.