安科瑞 陳聰

摘　要：在雙碳目標的指引下，建筑屋頂可作為分布式光伏的重要場景，同時汽車電動化是交通領域減碳的關鍵舉措。然而，大量光伏出力和電動汽車充電需求在時間上的不匹配，給電網穩定性帶來較大壓力。提出一種光伏-直流智能充電樁的有序充電策略，在滿足充電需求的基礎上，減少外網供電，可有效提高光伏自消納能力和負荷滿足率。以北京市某辦公建筑為例，通過實驗測試和模擬計算，分析了不同天氣條件下系統運行效果。結果表明，該充電策略可以完*利用建筑光伏滿足電動汽車充電需求，無須向外網取電，即負荷滿足率可達100%。與傳統恒功率充電方式相比，光伏消納率提高了42%，光伏并網功率下降了54%，為建筑光伏高效利用和交通領域電氣化提供借鑒和參考。

關鍵詞：充電樁；有序充電策略；電動汽車；S2V；直流系統

0引言

在雙碳目標的指引下，以風光電為主的可再生能源將被廣泛使用，建筑屋頂光伏是其中的重要組成部分，到2025年，公共機構新建建筑屋頂光伏覆蓋率將達到50%，以建筑屋頂光伏系統為代表的分布式能源系統也會得到大量應用。

然而，大規模分布式光伏接入電網可能會對電網的安全運行帶來不利影響，如何有效實現就地消納是亟待研究的問題。同時，電動汽車蓬勃發展，預計2030年中國將保有約8000萬輛電動汽車，巨大的充電需求也會對區域電力系統造成巨大挑戰。據統計，私家電動汽車約有90%以上的時間停放在建筑內或周邊停車場，其充電過程與建筑能源系統深度融合。因此，探究電動汽車與建筑光伏的互動方式，并挖掘其對建筑光伏的利用潛力，以程度消納可再生能源，對于降低碳排放有重要意義。

2009年，利用太陽能為電動汽車充電（solarto-vehicle，S2V）的概念被提出后，利用停車場的光伏滿足合理范圍內的電動汽車通勤電力需求的做法得到驗證，發表了S2V相關硬件、經濟性和策略的研究成果。但目前電動汽車的主要充電模式大多為恒功率充電，造成了大量瞬時尖峰負荷，給電網帶來巨大的壓力。另外，光伏電力的波動性、隨機性和間歇性等不穩定特征，與電力需求側的負荷存在較大的不匹配關系。實際S2V場景中往往需要從電網取電為電動汽車充電，同時又有部分光伏無法消納。因此，設計一種新的有序充電策略，將電動汽車充電需求與光伏發電特性相匹配，對于綠電消納十分重要。

文獻采用一種多目標優化算法進行電動汽車有序充電，從而降低負荷波動率和用戶充電成本。文獻提出一種微電網電動汽車有序充電策略，采用模糊控制算法優化安排電動汽車充電計劃，實現電力的削峰填谷，并通過模擬仿真進行了檢驗。文獻以住宅小區電動汽車集群為研究對象，建立了基于分時電價的有序充電集中式優化模型并采用基于模擬退火機制的混沌粒子群算法進行優化，降低了充電負荷的峰谷比。但這些研究并未考慮電動汽車充電需求與光伏電力的協同問題，得出的結論通常是讓電動汽車在夜間進行充電。文獻考慮了電動汽車充電與集中式光伏發電直接協同，但針對分布式光伏，尤其是建筑光伏的研究較少。文獻考慮了分布式光伏和負荷的不確定因素，提出一種上層以配電網年用電成本小、下層以優化電網穩定性為目標的雙層控制策略。文獻以微電網為研究對象，考慮充電需求和風光電輸出的不確定性，根據每個節點充電設備利用率的高低控制充電站運行時間。文獻對分布式光伏發電下的電動汽車充電策略進行了分析，提出了充電行為策略的優化方案，促進了電動汽車充電負荷與分布式電力的匹配性，但并未考慮將光伏發電功率與充電樁充電功率協同控制，未能在實時的充電控制層面給出進一步研究。

除此之外，電動汽車車主的充電行為模式也是影響充電負荷的關鍵因素。文獻基于用戶意愿和出行規律對電動汽車充電負荷進行了優化分配。文獻根據車用電需求和調峰需求提出了一種可適應多種充電模式的優化控制策略。文獻進一步考慮了在光伏發電條件下，充電需求、充電行為與光伏消納之間的耦合控制，采用了非預測機制實現充電功率的動態分配。但上述研究尚未考慮用戶行為對充電條件的適應性變化，由于電動汽車在辦公場景下長時間停留，可以采用即停即插的充電模式，使充電功率的調配具有更大的柔性調節空間。

因此，本文基于建筑光伏的發電特性和電動汽車的充電負荷特性，提出了一種基于直流母線電壓的有序充電控制策略，在滿足電動車充電需求的基礎上，盡量減少外網充電行為，實現本地光伏電力的有效利用。

1系統配置與控制策略

1.1系統拓撲

本研究直流充電系統包括光伏模塊、充電樁、交流電網和建筑負載，并聯在直流母線上，系統拓撲結構如圖1所示。光伏模塊通過一個直流/直流變換器（DC/DC）接到直流母線上，設置系統僅通過光伏模塊為充電樁供電，充電樁無法從電網取電；交流電網是一個雙向的能量交互模塊，通過整流器（AC/DC）與直流母線連接：當系統從電網取電時，AC/DC處于整流狀態，將交流電轉換成直流電，為系統供電；當光伏富余時，系統向電網送電，AC/DC處于逆變狀態，將直流電轉換成一定頻率和幅值的交流電送入電網；單向直流充電樁和建筑用電作為系統主要負載，其中建筑負載為可選項，即不連接建筑負載時，該系統僅為電動汽車提供充電服務；電動汽車可視為該系統的移動蓄電池，其充電電流可調，使得負載功率可在較大范圍內變化。上述各部分通過母線電壓作為信號在運行中保持系統能量平衡。

圖1系統拓撲結構

1.2直流母線電壓控制策略

為大化利用太陽能清潔能源，光伏模塊需盡可能地以大功率輸出，本系統通過改進的大功率點跟蹤（maximum power point tracking，MPPT）擾動觀測法[19,22]，追蹤改變電壓以獲得大功率狀態點。需要注意的是，光伏輸出的功率只與光照強度和光伏板溫度有關，系統中其他模塊運行策略不干擾光伏模塊輸出電壓（UPV,max），UPV,max始終為光伏組件在當前時刻的大功率點電壓。本文系統中母線電壓（UDC）通過和DC/DC占空比（系統開關開啟時間與周期時間的比值，α）確定，二者關系為

（1）

式中：UDC,max和UDC,min分別為直流母線允許的高和低電壓。

母線電壓升高或保持在高位，意味著光伏的發電功率充足，可提高充電樁充電的總功率，多余的光伏電力則會并入電網；當母線電壓降低，意味著光伏的發電功率不足，則需要降低充電樁的總充電的功率。

1.3充電樁控制策略

為了使充電樁的功率能夠自適應地主動調節，本文提出一種基于直流母線電壓的充電樁有序充電控制策略。系統運行過程中，電動汽車大充電功率（Pc,max）是指令功率的上限值，充電樁額定功率（Pc,rated）將限制充電樁大實際輸出功率，基于此根據直流母線電壓（UDC）和車輛電池荷電狀態（Soc）確定充電功率（P∗），即充電功率指令值是關于UDCSocPc,maxPc,rated等參數的函數，即有P∗=f(UDC,Soc,Pc,max,Pc,rated...)。其中，P∗與UDC正相關，光伏富余時，母線電壓升高，充電樁功率增大；P∗與Soc負相關，車輛電池荷電狀態低時，優先以更大功率充電。

當電動汽車接入系統之后，充電樁獲取電動汽車參數（Soc和Pc,max）。根據Soc計算起始點充電電壓U0（UDC＞U0時，開始充電）和功率曲線弧度nc（實現不同Soc電動汽車的充電功率控制，使得相同母線電壓下，車輛電池荷電狀態更低的車輛優先以更大功率充電）。U0和nc的計算公式為

U0=Soc(UDC,max-UDC,min-2ΔU)+UDC,min+ΔU（2）

nc=Soc/(1-Soc)（3）

式中：ΔU為死區電壓差。

隨后，根據母線電壓UDC所處的區間，判斷并計算指令充電功率P*，計算公式為

（4）

除此之外，在整個配電系統中，電動汽車電池管理系統的權限高。為保護電動汽車，一般在充電電流降低至1A或充電功率小于0.5kW時的近零功率充電，電動汽車電池管理系統將判斷充電接近充滿或電路故障，從而切斷充電。

2 實驗場景與性能評價方法

2.1實驗場景

本文選取北京某辦公建筑為例，搭建如圖2所示實驗系統。依據T/CABEE030—2022《民用建筑直流配電標準》，該辦公樓直流母線電壓等級為375V，并允許在一定范圍內（如85%~105%）變化。建筑屋頂光伏裝機容量為20kWp，建筑周邊接入2個額定功率為6.6kW的智能充電樁，采用1.3節中的控制策略。實驗過程中建筑內負載使用頻率較低，因此不作為本文分析重點。

圖2實驗系統拓撲與場地實景

2.2充電功率控制效果

本文設置充電樁循環監測系統周期為30ms，直流母線電壓上、下限分別是395V和320V，死區電壓差ΔU為5V。為檢驗充電樁功率控制的有效性，本文對不同Soc和母線電壓下的21個指令功率和充電樁實際功率進行了監測，每個功率測試點進行15次測試并取平均值，控制效果如圖3所示。在不同Soc和母線電壓下，智能充電樁的充電功率與實際功率能夠保持接近，實現符合預期的控制，實際功率與指令功率之間的偏差率均小于±10%，平均偏差率為1%，表明智能充電樁在實際系統中可適應直流母線電壓的變化和不同車型的接入，可實現預期的充電策略。

2.3光伏消納率和負荷滿足率

為分析充電樁控制策略的可行性，本文采用光伏消納率（selfconsumptionrate，SCR）和負荷滿足率（loadsatisfactionrate，LSR）對系統進行評價。光伏消納率和負荷滿足率越高，意味著光伏電力得到有效利用的程度越高。

式中：SCR為光伏發電中用于負載耗電的比例；LSR為負載用電中來自光伏電力的比例；EPV、Ecar分別為計算時間段內的光伏發電量和電動汽車充電量，kW·h；Egrid,export、Egrid,import分別為并網電量和從電網取電的電量，kW·h。

圖3指令功率與實際功率偏差示意

當不用采用外網充電（Egrid,import=0）時，負荷滿足率為1，即完*由建筑光伏對電動汽車進行充電。

3運行效果分析

Soc系統經過測試調優后投入實際運行，使用人員主要為周邊建筑辦公人員，汽車充電時間均處于日間工作時間，車主將車輛停放時可自由接入進行免費充電。本研究涉及數據主要包括：實時的光伏發電功率、光伏上網功率和各充電樁充電功率，以及母線電壓、車輛進出場時間和等參數信息。依據天氣狀況，選取光伏充足和光伏不足2個典型日，對充電樁實際運行效果進行分析。

3.1光伏充足典型日

3.1.1系統供用電情況

SCR晴朗天氣時，光伏充足工況下系統供用電情況如圖4所示。光伏大發電功率為13.7kW，日累計發電量為71.8kW·h，可滿足2輛電動汽車同時充電。其中2號充電樁在08:00開始工作，1號充電樁在09:00開始工作。在14:00前光伏發電量保持充足，14:00之后光伏發電量下降。在運行過程中，充電樁消耗了大量的光伏電力，多余的光伏電力并入電網，大并網功率為6.5kW，在光伏功率大時發生，此時為52.3%。光伏電力較少時，充電功率受控，緊隨光伏發電功率變化，整體運行效果符合策略設計，成功實現在光伏波動特性下多電動汽車的有序充電。2輛電動汽車分別充電30.6 kW·h和13.9 kW·h，實現了100%的負載滿足率和63%的光伏消納率，多余光伏并入電網，系統不從電網取電。

圖4光伏充足日系統供用電情況

3.1.2充電樁運行效果

光伏充足工況下，充電樁的控制效果如圖5所示。光伏發電時，母線電壓跟隨光伏組件的大功率點電壓發生變化，母線電壓基本維持在385~390V。當光伏發電量減少，母線電壓下降，充電樁的充電功率也會因此減??；當光伏發電量回升時，母線電壓也會升高，進而提高充電功率。

圖5光伏充足日充電功率與車電池情況

根據1.3節充電策略，充電樁的充電功率受車輛的Soc和母線電壓影響。相同母線電壓下，車輛Soc越大，充電功率越低，以保障低電量的電動汽車可以獲得更大的充電功率。由圖5可知，1號充電樁雖然晚于2號充電樁接入電動汽車，但是由于1號樁車輛Soc相對更低，在其接入后系統優先將有限的光伏電力供給1號充電樁，導致2號充電樁充電功率突降。在光伏電力發生波動和不足時，光伏功率也優先分配給了Soc更低的電動汽車，實現了對低電量車的需求保障。同時，隨著電動汽車Soc的上升，充電樁的充電功率也在不斷下降。通過母線電壓與Soc的配合控制，實現了電動汽車充電負荷特性與光伏發電特性的有效匹配，2輛車的Soc都達到了80%以上。

圖6光伏不足日系統供用電情況

3.2光伏不足典型日

3.2.1系統供用電情況

陰雨天氣時，在光伏發電量少的工況下，系統供用電情況如圖6所示。在該條件下，光伏大發電功率為5.9kW，日累計發電量為22.1kW·h。充電樁在08:00開始工作，未能消耗的光伏電力并入電網，大并網功率為1.4kW，在充電樁開始工作前發生。在充電策略的控制下充電功率緊隨光伏發電功率變化，大程度實現對光伏的利用。電動汽車共充電19.1kW·h，實現了100%的負載滿足率和86%的光伏消納率，多余光伏并入電網，系統不從電網取電。需要注意的是，除了充電負荷之外，部分光伏電力還用于充電樁系統的響應和控制，將此部分計入后光伏消納率為94%，光伏電力幾乎全部用于滿足電動汽車的充電需求。

3.2.2充電樁運行效果

Soc在光伏不足日，光伏發電量少且波動更為劇烈，母線電壓也隨之波動，在06:00—11:00期間出現了大幅度上升和下降，如圖7所示。為了對充電功率進行有效控制，充電樁的計算和響應更為頻繁，這一過程也消耗了部分電力。實現了充電功率曲線與光伏發電功率曲線的高度重合，在不從電網取電的情況下，有效利用光伏電力，使得電動汽車的達到了80%以上。

圖7光伏不足日充電功率與車電池情況

4智能充電模式與傳統恒功率模式對比

為分析本文智能充電模式的技術優勢，本文采用蒙特卡洛模擬方法，基于3.1節實測數據的光伏條件對實際工況下的傳統恒功率充電模式（充電樁保持6.6kW額定功率供電，光伏不足時從電網取電）和智能充電模式進行模擬計算。模擬過程中，電動汽車電池參數和轉移行為均通過實際調研情況采集，模擬8輛車在典型日的充電情況，模擬80次后結果達到收斂。平均每天充電樁充電功率和光伏發電功率變化情況如圖8所示。

圖8模擬的典型日恒功率與變功率數據

在恒功率充電模式和智能充電模式下，電動汽車的總充電量相同，均為44 kW·h/天，平均每輛車5.5 kW·h/天，這是由電動汽車的能量需求所決定的，符合北京市日常通勤單程距離22.9 km的能量需求[24]。但由圖8可以看出，在恒功率充電模式下，電動汽車接入充電樁系統后立即就會以大的充電功率開始充電，直到達到較高值，充電功率受電動汽車電池管理系統控制才會逐漸下降，在這一模式下，充電需求的波峰與光伏發電的波峰相錯開，在08:00—10:00之間需要從電網取電來補足電動汽車的充電功率需求，大取電功率達到了10.9 kW。而當光伏發電量達到峰值時，電動汽車的充電需求已經下降，更多的光伏被棄掉或者并入電網，這一模式下的平均為71.1%，平均為43.2%，光伏并網的大功率達到了11.5 kW。在功率可控的變功率模式下，電動汽車充電功率與光伏發電功率得到了很好的匹配，無須從電網取電即可滿足電動汽車的充電需求，并且有效降低了光伏并網的大功率，這一模式下的平均為100%，平均為61.3%，相比恒功率模式下提高了42%，光伏大并網功率為5.3 kW，下降了54%。

綜上所述，相比傳統恒功率充電模式，本文所提出的智能充電模式更能適應光伏的發電特性，能夠在滿足電動汽車充電需求的同時更好消納光伏。但在實驗過程中光伏的發電總量遠大于電動汽車的需求量，在未來會在實驗場地安裝更多的充電樁，吸引更多用戶來使用，促進光伏消納；另一方面，在充電策略上還可以補充時間點這一參數用于調節，使時間尺度上電動汽車的充電功率更為平穩，避免上午電量充滿后導致下午大量光伏并網的情況。

5安科瑞充電樁收費運營云平臺系統選型方案

5.1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。

5.2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。

5.3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。

5.4安科瑞充電樁云平臺系統功能

5.4.1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。

5.4.2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。

5.4.3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。

5.4.4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。

5.4.5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。

5.4.6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。

5.4.7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

5.4.8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。

5.5系統硬件配置

6 結論

為促進電動汽車充電行為與分布式建筑光伏匹配，本文提出了一種基于母線電壓的智能充電樁控制策略，并在實際的辦公建筑中進行了測試運行，分析運行結果得出以下結論。

1）該策略能夠有效地根據光伏發電情況和電動汽車電池情況調整充電樁的充電功率，實現光伏功率跟蹤和有序充電，系統的控制偏差率低于±10%，能夠在不同工況下穩定運行。

2）在實際運行中充電功率得到有效控制，緊隨母線電壓變化，并根據的升高而下降，實現了有序充電。可以不從電網取電，僅利用光伏電力滿足電動汽車車主的日常通勤用電需求，達到了100%。

3）通過模擬的方法與傳統的充電方式進行比較，本文提出的策略可以將提高42%，將光伏并網峰值功率下降54%，大幅減少分布式光伏對電網的影響。本文提出的智能充電樁控制策略可促進建筑光伏與電動汽車的實時互動，在滿足充電需求的基礎上，減少外網供電，提高光伏自消納能力和負荷滿足率，為建筑光伏高效利用和交通領域電氣化提供了借鑒和參考。除此之外，本研究充電策略將長期持續在辦公樓運行，未來可對用戶滿意度和充電行為進行進一步分析。

參考文獻

[1]丁屹峰，曾爽，張寶群，王立永，劉暢，付智，張吉.光伏-直流智能充電樁有序充電策略與應用效果.

[2]詹天津,謝玉榮.國內分布式光伏發展形勢分析及思考[J].華電技術,2021,43(12):60–65.ZHANTianjin,XIEYurong.DevelopmentstatusanalysisandconsiderationondomesticdistributedPVenergy[J].HuadianTechnology,2021,43(12):60–65.

[3]中國汽車工程學會.節能與新能源汽車技術路線圖2.0[R].上海:中國汽車工程學會,2020.

[4]BIRNIED.Solar-to-vehicle(s2v)systemsforpoweringcommutersofthefuture[J].JournalofPowerSources,2009,186(2):539–542.[5]安科瑞企業微電網應用手冊2020.06版.