电动汽车作为一种节能环保的新型出行工具, 逐渐受到人们关注.2012年中国国务院通过了《节能与新能源汽车产业发展规划(2012—2020年)》, 提出预计到2020年, 纯电动汽车和插电式混合动力汽车生产能力达到200万辆, 累计产销量超过500万辆.但目前电动汽车存在很多不足, 行驶里程短、充电时间长、充电设施不完善.更重要的是由于目前大部分国家主要靠化石燃料获得电能, 如中国、印度[2], 电动汽车并不能有效解决环境污染问题.并且随着电动汽车数量的剧增, 其充电过程对已经饱和的电网造成了进一步影响[3].
为了解决以上问题, 工业界和学术界在不同领域展开研究实践.在能源结构方面, 各国极力推广新能源发电, 如太阳能、风能、潮汐能以及核电等[4-5].在电动汽车充电方面, 采用错峰充电、双向充电放电方式[6-7], 让电动汽车参与到发电及送电当中.根据电动汽车充电特性和用户使用习惯等, 对电动汽车充电进行有效调度和管理, 从而进一步缓解电网压力[8].本文主要通过对电动汽车用户驾驶和充电行为分析, 探讨在办公场所搭建光伏充电站的可行性.
基于用电需求, 进行了光伏充电系统设计, 在满足用户日常用电需求的情况下, 最大限度降低搭建和运营成本.本文的主要工作有:
1) 基于真实电动汽车日常使用数据, 用户的出行特性、在办公场所的停车时间以及电动车能耗等, 对用户日用车需求和能耗进行了分析.
2) 基于对办公场所能耗的分析, 设计实现了一套完整的光伏电动汽车充电站仿真平台, 对用户用电需求和光伏可行性进行了分析和验证.
3) 基于能耗需求、组件规格和成本, 设计了最优配比方案, 最大限度提高了光伏利用率,降低了光伏电站的搭建及运营成本.
1 光伏充电站系统仿真设计本文研究的光伏电动汽车充电站主要由光伏发电系统、储能系统、逆变器、充电桩、负载和电网组成.其工作流程是光伏电池板吸收太阳能, 将其转化为电能; 逆变器作为能量中央控制器, 实时跟踪光伏阵列发电最大功率输出点; 负载电动汽车使用充电桩进行充电; 当光伏阵列发电功率高于负载功率需求时, 将多余能量存入到储能系统中, 反之储能系统和电网放电供给负载.
1.1 光伏发电系统光伏发电系统仿真主要包含天气模型和光伏板阵列模型.天气模型主要通过Meteonorm[9]软件获取目标城市各项天气数据, 根据数据计算得到光伏板辐射度和温度信息.本文采用固定角度的光伏阵列, 其光照和光伏板温度情况为
(1) |
(2) |
(3) |
辐射度IPOA由直射辐射度Idir和散射辐射度Idif组成.其中:DNI为正常直接辐射; aoi为在不同时刻太阳和光伏板角度信息; Id, g为地面散射辐射度;Id, s为天空散射辐射度.光伏模组的温度通过室外温度和光伏片温度获取, Tamb, Tm和tc分别为室外温度、光伏模组和光伏片温度; WS为室外风速; a和b为风速对光伏板影响的相关系数; Iref为标况下的辐射度1 kW/m2; ΔT为辐射度对光伏片温度影响系数.光伏板模型采用5参数模型对光伏发电情况进行评估[10].公式如下:
(4) |
(5) |
(6) |
(7) |
其中:Ipv, I0, vt, n为光生电流、PN结反向饱和电流、二极管的热电压和理想性因素; Rsh, Rs为等效电阻; Isc为标准条件的短路电流;TempC_Isc为短路电流的温度系数.
单个电池片发电情况获得后, 根据单块电池板的规格参数[11]获得单块板子以及阵列在某时刻的发电情况, 之后通过最大功率点追踪(mppt)捕获光伏发电最大功率.
(8) |
其中:ppv, mppt为最大功率跟踪时的输出的能量;Npv为光伏系统中板子数量.
1.2 储能系统储能系统通过电池单体串并联方式构成.储能系统仿真主要跟踪在不同的光伏能量输出和负载需求下, 储能系统能量的变化情况.本文SOCbat(kWh)表示电池电量信息, 电池的充电和放电效率表示为ηch(%)和ηdis(%), Ebat, ch表示充电能量(kWh), Ebat, dis表示电池放电能量(kWh).建模如下:
(9) |
在实际运行中, 电池管理系统限制过充过放, 电池电量SOCbat在任意时刻都应该被控制在有效工作范围内.
(10) |
为提高系统稳定性,延长电池使用时间, 电池的输出和输入功率应该被限制在一定的条件下, 其主要受电池最大额定输入输出功率、当前电池容量和室外环境影响.如下列公式所示:
(11) |
(12) |
其中:pmax, bat为电池充放电的限制功率值;pbat, ch, pbat, dis分别为t时刻电池的最大充电功率和最大放电功率;Ebat为储能系统额定容量.储能系统的寿命可根据输入输出的功率情况获得:
(13) |
其中Nbattlife为电池的循环次数.
1.3 逆变器模块逆变器作为能量转换模块, 将直流电转换成交流电供给交流负载使用.为了简化设计, 本文采用集成型逆变器, 即集成了捕获太阳能最大功率输出和储能系统电能管理的逆变器.当负载需求低于太阳能发电功率时, 逆变器将电能储存于储能系统中, 当电池充满后, 多余的电能通过逆变器回馈电网; 当不满足负载需求时, 电网补充不足的能量.
(14) |
(15) |
其中:ηinv为逆变器转换效率; pEV(t)为t时刻的负载功率需求; ptG(t)和pfG(t)为光伏回馈电网功率和电网输出功率.
2 电动汽车用户行为分析设计了出行及用电需求模型, 以沈阳市某工厂15位员工一年的电动汽车使用数据作为分析依据, 对能量需求建模分析, 帮助工厂设计太阳能电动汽车充电站.其数据主要包含车辆行驶相关参数如GPS、速度、挡位, 以及电动汽车的电池信息如电流、电压、温度.根据不同使用行为, 可统计用户到达和离开工厂时间, 以及到达公司时汽车的剩余电量.基于统计结果, 分别使用约翰逊曲线、广义正态分布和指数修正正态分布对用户的出行行为进行数据拟合, 进而得到用户电能需求模型.本文以15 min作为步长, 统计工作时间内各项指标情况, 统计结果如图 1所示.从图中可以看出, 到达公司时间分布在早上8:15左右, 说明此时为员工上班高峰期, 同样可知电动汽车也在这时停放在充电站; 同理,离开公司时间分布在下午17:15左右, 电动汽车也在此时离开电站; 到达公司电池电量信息能够反映用户在充电站的充电需求情况.
结合以上数据分析, 使用蒙特卡洛方法模拟100辆车在公司的用电需求情况.本文仿真假设用户到达公司充电站即开始充电, 基于不同的初始电量、离开公司时间以及电动车电池规格, 最终得到每辆车的充电能量, 总用电需求如图 2所示.
从图中可看出, 电站用电发生在到达公司时刻, 并且需求会急剧上升直到中午趋于稳定.随着时间的推移, 电动汽车电池充满或由于汽车离开公司, 需求逐渐下降, 并在下班时刻逐渐下降到一个稳定区间.从功率需求曲线来看, 符合光伏发电功率规律, 中午时刻阳光充足, 发电功率高, 其他时刻功率逐渐随辐射度变弱而降低, 说明在该工厂建设光伏充电站是可行的.
3 建站模型 3.1 成本模型针对光伏发电情况、储能系统运行机制和负载功率需求, 基于不同的可靠性参数设计, 可以得到不同的建设方案.建设电站主要包含初始投资成本CI, 周期性成本Cm, 电网用电成本CG.
(16) |
(17) |
(18) |
(19) |
其中:电站初始搭建成本包括光伏板、储能系统、逆变器、充电桩成本, Celse为其他配件成本, 本文为电线、变压器和控制器成本;Npv, Nbatt, Ninv, Ncharger分别为主要部件容量系数或个数; 维护费用CM包含储能系统和光伏系统及配件维护费用, 其中当储能系统达到一定循环次数后进行更换的费用记为CbattNbattNre, Nre为运行周期内更换次数, 光伏系统及配件维修主要基于电站规模和运营年数[12];fPV为维修费用占初始投资成本比率, 设为0.25;aPV表示常规服务成本占总维修费用的比例, 设为0.25;CdelBattI为去掉电池成本后的其他初始投资成本;N为运营年数;n为运营年; CG主要包含购买电花费和售卖电收益两部分;pfG和ptG为电网供给电站功率和电站售电功率;Ceb和Ces为对应时刻的购电和售电费用, 为了简化计算, 本文设为固定值;T为固定步长时一年的时间仿真个数(如仿真步长15 min, 则T=35 040).基于以上公式可以算出系统运行的度电成本(LCOE), 用于评估系统的度电成本, 即一度电的花费.
(20) |
其中:N为运行年数; Cncs为电站每年用电成本; En为年产电能; r为贴现率(本文假设为5%).
3.2 系统可靠性模型系统可靠性模型主要包含两个模型:损失负荷概率(LLP)[13]和系统自制率(SA)[13].LLP体现了总体功率不足的情况, 能够帮助用户获知目前系统设计能否满足负载需求.SA用于评估在时间域系统完全依靠光伏发电供给能量的情况.LLP公式如下:
(21) |
其中:ptLoL是t时刻光伏电能不足功率;ptCon是工厂内电动汽车总的需求功率.
(22) |
其中:tLoL是运行时间内不能满足负载需求的时间; tOP为总体运行时间.
4 优化设计及案例分析 4.1 仿真平台依据Meteonorm提供的数据, 对沈阳市光伏系统进行了仿真实验.图 3模拟的是2020年9月28日~10月3日的电力调度情况.光伏阵列额定功率为300 kW, 采用YL270C-30b光伏板, 电池储能系统使用DJ100(2 V 100 AH)蓄电池实现, 电动汽车为100辆, 充电桩功率选用220 V, 16 A充电规格.
图 3中紫色代表光伏发电情况, 可以看出光伏发电在不同时间受天气的影响, 发电功率变化很大, 这就使得在不满足负载(黑线)需求时, 需要通过储能系统(虚线)或电网(粉色)进行供电; 当光伏发电系统在白天发电功率满足需求时, 可以最大限度地给储能系统充电, 确保依靠电池储存能量, 汽车在夜间也能正常充电, 从而减少对电网的依赖, 尽量多使用绿色能源供电, 并且当电池充满后, 可将多余的能量回馈电网获取收益.
4.2 系统分析以优化建站成本为出发点考虑, 对有/无储能的并网发电系统, 以及组件不同配置情况下光伏电站的可行性进行分析.
4.2.1 成本分析不同的光伏储能系统容量会导致不同的搭建和运营成本.合理规划配置容量不仅能够降低成本, 还能够有效提高电站供电稳定性, 降低电网依赖, 缓解电网压力, 达到自发自用效果.图 4展示了不同配置下, 度电成本和电网供电(曲面颜色)的情况.可以看出, 度电成本随光伏容量提高而降低, 并且电网购电量逐渐降低.储能系统在0~500 kWh范围内选取, 对度电成本和电网供给影响不大, 这是因为在多余电能反馈回电网获得收益时, 降低了储能的需求.
图 5展示了不同配置情况下光伏电站对电网依赖情况.从系统容量和系统自制率可以看出, 光伏系统容量是损失负荷概率主要影响因素, 提高光伏系统容量能够增加系统的新能源利用率, 但也可以看出, 当光伏系统增加到容量为300 kW时, LLP下降率降低, 从20%开始缓慢下降.
图 6为在不同容量配置下的自主运行能力.系统自制率同样受到光伏系统影响较大, 同样300 kW时SA增速减缓, 唯一不同的是当储能系统在55 kWh以内能够提高SA值, 超过55 kWh之后增加不是很明显.这里充分说明了由于公司充电时间多发生在白天, 系统夜间充电很少, 降低了对储能系统的依赖.储能系统在55 kWh以内就能够很好地服务夜间充电.
针对沈阳市某工厂的情况, 在不影响正常使用条件下, 最优化模型为最小化度电成本, 约束条件为光伏发电功率占总需求功率的20%(LLP≤0.2);光伏阵列额定功率和储能系统额定容量分别在0~500 kW和0~500 kWh进行选取; 光伏发电自制率也在80%以上(SA≥0.8);光伏储能系统工作范围在总容量(SOCfull)5%到95%之间, 初始电量为总容量的5%.仿真步长为15 min, 仿真的设计参数如表 1所示.
最优度电成本优化模型如下:
本文使用粒子群算法(PSO)对问题进行求解.PSO算法思想是将优化问题潜在解用搜索空间中一个粒子表示, 所有粒子都有一个被优化函数决定的适应值, 还有一个速度决定它们飞行方向和距离, 粒子们就追随当前最优粒子在解空间中搜索.本问题的种群粒子数为20个, 最大迭代数为100, 惯性因子ω为0.5, 学习因子C1、C2均为0.5, 优化停止标准是连续迭代中最小值改善范围在1e-8以内.
经过49次迭代后得到最优建站结果是光伏容量为499.99 kW, 储能系统容量为45.61 kWh配置下, 度电成本为0.42元/kWh, SA为80.00%, LLP是10.72%.全年总负载需求是464 974.92 kWh, 光伏发电量为735 470.09 kWh, 输入到电网能量为317 201.97 kWh, 电网供给能量为49 837.41 kWh.储能系统电量百分比平均值和中位数为53.18%和58.62%, 电池每6年需要更换一次.
5 结论本文基于真实的电动汽车特性和用户出行数据建立了在工作场所光伏充电站仿真平台, 能够仿真电站运行过程中各项参数, 并通过建立优化配置模型, 在有效提高光伏充电站利用率的同时降低电站建设成本.本文仿真方法还可推广到其他工厂或城市进行电站建设规划.通过实验结果发现, 员工充电需求符合光伏发电规律, 能够更高效使用太阳能.在并网情况下, 储能系统能够提高太阳能利用率, 但从搭建成本考虑, 该充电场景下光伏充电站更适合建立拥有少量储能电池的情况.
[1] |
Hartley G.Grids just keep getting greener[EB/OL]. (2017-10-07)[2018-05-10]. http://www.energysavingtrust.org.uk/blog/grids-just-keep-getting-greener.
|
[2] |
Schey S L, Smart J G, Scoffield D R.A first look at the impact of electric vehicle charging on the electric grid in the EV project[R]. Idaho Falls: Idaho National Laboratory(INL), 2012.
https://www.researchgate.net/publication/255000937_A_First_Look_at_the_Impact_of_Electric_Vehicle_Charging_on_the_Electric_Grid_in_the_EV_Project |
[3] |
许健, 刘念, 于雷, 等.
计及重要负荷的工业光伏微电网储能优化配置[J]. 电力系统保护与控制, 2016, 44(9): 29–37.
( Xu Jian, Liu Nian, Yu Lei, et al. Optimal allocation of energy storage system of PV microgrid for industries considering important load[J]. Journal of Power System Protection and Control, 2016, 44(9): 29–37. ) |
[4] |
Jones L E.
Renewable energy integration:practical management of variability, uncertainty, and flexibility in power grids[M]. Cambridge: Academic Press, 2017.
|
[5] |
刘东奇, 王耀南, 袁小芳.
电动汽车充放电与风力/火力发电系统的协同优化运行[J]. 电工技术学报, 2017, 32(3): 18–26.
( Liu Dong-qi, Wang Yao-nan, Yuan Xiao-fang, et al. Cooperative dispatch of large-scale electric vehicles with wind-thermal power generating system[J]. Transactions of China Electro-technical Society, 2017, 32(3): 18–26. ) |
[6] |
李洪美, 崔翰韬, 万秋兰.
考虑电动汽车充电策略的配网重构二阶锥规划模型[J]. 中国电机工程学报, 2015, 35(18): 4674–4681.
( Li Hong-mei, Cui Han-tao, Wan Qiu-lan. Distribution network reconfiguration based on second-order conic programming considering EV charging strategy[J]. Proceedings of the CSEE, 2015, 35(18): 4674–4681. ) |
[7] |
Hu J, Morais H, Sousa T, et al.
Electric vehicle fleet management in smart grids:a review of services, optimization and control aspects[J]. Renewable and Sustainable Energy Reviews, 2016, 56: 1207–1226.
DOI:10.1016/j.rser.2015.12.014 |
[8] |
Meteonorm Software[EB/OL]. (2018-05-01)[2018-05-10]. http://www.meteonorm.com/.
|
[9] |
King D L, Boyson W E, Kratochvil J A.Photovoltaic array performance model[R]. Washington, DC: Department of Energy, 2004.
|
[10] |
Go Solar California.PV modules[EB/OL]. (2018-05-01)[2018-05-10]. http://www.gosolarcalifornia.ca.gov/equipment/pv_modules.php.
|
[11] |
Orosz M S, Quoilin S, Hemond H.
Technologies for heating, cooling and powering rural health facilities in sub-Saharan Africa[J]. Proceedings of the Institution of Mechanical Engineers, Part A:Journal of Power and Energy, 2013, 227(7): 717–726.
DOI:10.1177/0957650913490300 |
[12] |
Ekren O, Ekren B Y.
Size optimization of a PV/wind hybrid energy conversion system with battery storage using simulated annealing[J]. Applied Energy, 2010, 87(2): 592–598.
DOI:10.1016/j.apenergy.2009.05.022 |
[13] |
Kennedy J, Eberhart R.Particle swarm optimization[C]//Proceedings of the IEEE International Conference on Neural Networks.Perth, 1995: 1942-1948.
|