银杉蓄电池考虑成本协同优化与绿色电力兼容利用的城市电动公交车换电站集群充放电调度模型
发布时间：2026-03-21 10:21:15 点击： 次
电动公交车的广泛采用与部署是实现城市低碳转型、支撑新型电力系统建设的基础保障。换电站(BSS)中电池组的充放电协同调度，是同时满足城市公交服务需求与有效消纳可再生能源的关键瓶颈。首先构建了换电站集群(BSSC)的一体化系统框架：对内聚合各换电站实现电池有序充放电，对外接入区域电网消纳可再生能源；分析了集群内换电模式、分布式光伏(PV)与外部可再生能源的兼容特性；继而建立了基于蒙特卡洛法的电动公交车换电需求预测模型。其次，建立了以同时最小化电池调度成本和最大化绿电利用率为目标的BSSC双目标调度模型，并采用改进的多目标粒子群优化（IMOPSO）算法进行求解。最后，基于中国北方某城市的实际数据开展案例研究，通过三种情景对比验证了所提模型的有效性。进一步地，对充电桩数量、电池备用裕度系数、分时电价及季节变化等因素开展敏感性分析。结果表明：该优化模型在经济性、服务可靠性与绿电利用率之间实现了有效均衡，为BSSC的调度提供了技术路径与参考依据。© 2017 Elsevier Inc. 版权所有。
随着全球气候变化的加剧和碳排放问题的日益凸显，交通运输业的绿色低碳转型已成为必然趋势。公共交通作为提供高效集约化出行方式的关键力量，在推动交通行业转型中发挥着核心作用[1]。其中，电动公交车因其规模效应与管理便捷性，被公认为交通领域实现低碳运营的重要路径[2]。在多项政策的强力推动下，电动公交车的发展呈现快速增长态势。换电模式得到广泛应用，该模式下可直接用车载电池组替换充满电的电池包，并对替换下的电池进行集中统一充电[3]。当电动汽车驶入BSS后，工作人员或换电机器人将卸下已用电池，并为车辆安装满电电池包，整个过程仅需数分钟，相比充电模式更为便捷。与此同时，电池交换站（BSS）将统一调度并均衡分配电池组，充放电装置则负责管理充放电过程。这些电池组可视为可调负荷，利用其储能特性为电网提供辅助服务。作为换电模式下电动公交车的供能设施，BSS因其服务时间短、操作便捷等特点已实现大规模建设[4]。然而，电池组作为新型负荷大规模接入电网，其无序充电将导致电力系统负荷增长、峰谷差扩大等负面影响[5]。因此，在兼容绿电消纳的同时优化调度成本，实现多座独立BSS协同运行以有序调度电动公交车电池组，已成为值得深入研究的重点课题。
目前，电池交换站（BSS）的运行结构主要从两个视角进行研究。第一种是仅考虑单一电网侧供电的BSS运行结构。Tan等[6]提出了一种基于遗传算法的车网协同最优调度策略，旨在最小化电网负荷差异。Shaker等[7]提出了一种集中充电模式下BSS与配电网协同规划的优化框架。Ding等[8]通过构建基于蒙特卡洛模拟的BSS经济调度策略多目标联合优化模型，探讨了BSS作为电网储能单元的影响。第二种是以新能源优先的BSS运行结构。Xiao等[9]将光伏功率预测混合建模与充电桩最优调度方法相结合，提出了一种集成电动汽车充电站的光伏/电池储能系统容量配置与调度模型。Zhang等参考文献[10]构建了一个融合光伏电池换充储一体站的综合多能系统，并建立了多时间尺度鲁棒综合系统调度模型。Xiang等[11]提出了一种考虑储能共享的电动汽车电池交换站(BSS)协同双层优化模型，该模型缓解了主动配电网中发电与负荷需求之间的不匹配问题。然而，目前关于BSS运行结构的研究大多仅局限于电动汽车与电网的交互，主要电力仍来自电网。考虑可再生能源的BSS运行研究相对较少[12]。
为应对电动汽车不稳定的读档需求，目前主要采用两种预测方法：基于机器学习的人工智能方法和基于车辆行驶模式的模型。Sultanuddin等人[13]提出了一种基于改进强化学习方法（双深度Q学习算法）的可调节、可扩展且灵活的电动汽车车队策略。Tuchnitz等人[14]开发了基于强化学习的充电协调系统，该系统采用人工神经网络作为函数逼近器，为实际运行条件下的电动汽车车队提供了灵活、易适应且可扩展的解决方案。Prince等人[15]研究了支持向量读档预测方法和BP神经网络算法在电动公交车电池交换站读档预测中的应用。然而，这些方法需要大量历史数据进行训练，且技术操作难度较高。针对车辆行驶模式预测问题，可采用蒙特卡罗模拟方法、短期预测技术及多场景分析技术处理换电需求(BSD)[[16], [17], [18]]。Fei等[19]提出了换电站点对点服务模型，通过建立灰色预测模型预估电动汽车维保数量，并利用车辆保有量与电池数量的关联关系预测电池需求。Fan等[20]构建了基于模糊聚类-马尔可夫链的换电站读档预测模型，以应对随机性换电需求。在现有基于模型的读档预测方法中，复杂换电场景易导致预测偏差。本研究以具有固定行驶规律的新能源公交车辆为对象，鉴于蒙特卡罗模拟方法在预测领域成熟度高且适用于换电需求预测，本文采用该方法进行换电需求预测分析。
此外，关于电池交换站（BSS）调度策略的研究主要集中于经济性以及电网运行的安全性和稳定性[[21], [22], [23], [24]]。Mao等[25]基于K近邻算法建立了模块化分段式BSS的有序充电模型，通过考虑变量间的耦合关系来拟合出行数据。Chen等[26]提出了一种带有储能装置的插电式电动巴士快速充电站最优实时协调充放电策略。尽管这些研究基本考虑了电池交换站（BSS）运营的经济性以及电网安全稳定性，但现有文献尚未对BSS内部大量电池组进行深入分析。由于荷电状态（SOC）与数量限制，此类模型的最优解通常难以直接应用于实际场景。Li等学者[27]提出按充电时长对更换电池进行分组，并结合峰谷时段设置充放电调度优先级，以满足电池交换需求。A.Ayad等人[28]提出了一种新颖的多目标混合整数非线性规划模型，用于优化设计基于电池更换的电动公交系统，该模型考虑了电动公交时刻表中时间偏差及高峰时段换电的惩罚措施。然而，这些文献主要研究电池更换站（BSS）内部的调度问题，缺乏对多个BSS聚合形成电池更换中心（BSSC）后运营调度的研究。本文以BSSC为研究对象，全面分析了各状态电池数量对BSSC经济性和电网运行的影响。该体系不仅能整合BSS消纳绿电，还能将负荷波动控制在特定范围内，从而缓解对电网的冲击。
本文与现有研究的主要差异已总结并分类于表1。本研究的主要贡献可概括如下：
本文剩余部分结构如下：第二节为城市公交BSSC调度运行分析，包括城市公交BSSC集成框架、BSSC调度运行及城市公交BSD预测。第三节为基于IMOPSO算法的BSSC调度成本与兼容绿电利用双目标优化模型。第四节参照某城市实际数据，对模型有效性及充电桩数量、电池备用裕度系数和分时电价等参数进行敏感性分析。第五节为结论部分。
引言
目前，电池交换站（BSS）的运行结构主要从两个视角进行研究。第一种是仅考虑单一电网侧供电的BSS运行结构。Tan等[6]提出了一种基于遗传算法的车网协同最优调度策略，旨在最小化电网负荷差异。Shaker等[7]提出了一种集中充电模式下BSS与配电网协同规划的优化框架。Ding等[8]通过构建基于蒙特卡洛模拟的BSS经济调度策略多目标联合优化模型，探讨了BSS作为电网储能单元的影响。第二种是以新能源优先的BSS运行结构。Xiao等[9]将光伏功率预测混合建模与充电桩最优调度方法相结合，提出了一种集成电动汽车充电站的光伏/电池储能系统容量配置与调度模型。Zhang等参考文献[10]构建了一个融合光伏电池换充储一体站的综合多能系统，并建立了多时间尺度鲁棒综合系统调度模型。Xiang等[11]提出了一种考虑储能共享的电动汽车电池交换站(BSS)协同双层优化模型，该模型缓解了主动配电网中发电与负荷需求之间的不匹配问题。然而，目前关于BSS运行结构的研究大多仅局限于电动汽车与电网的交互，主要电力仍来自电网。考虑可再生能源的BSS运行研究相对较少[12]。
为应对电动汽车不稳定的读档需求，目前主要采用两种预测方法：基于机器学习的人工智能方法和基于车辆行驶模式的模型。Sultanuddin等人[13]提出了一种基于改进强化学习方法（双深度Q学习算法）的可调节、可扩展且灵活的电动汽车车队策略。Tuchnitz等人[14]开发了基于强化学习的充电协调系统，该系统采用人工神经网络作为函数逼近器，为实际运行条件下的电动汽车车队提供了灵活、易适应且可扩展的解决方案。Prince等人[15]研究了支持向量读档预测方法和BP神经网络算法在电动公交车电池交换站读档预测中的应用。然而，这些方法需要大量历史数据进行训练，且技术操作难度较高。针对车辆行驶模式预测问题，可采用蒙特卡罗模拟方法、短期预测技术及多场景分析技术处理换电需求(BSD)[[16], [17], [18]]。Fei等[19]提出了换电站点对点服务模型，通过建立灰色预测模型预估电动汽车维保数量，并利用车辆保有量与电池数量的关联关系预测电池需求。Fan等[20]构建了基于模糊聚类-马尔可夫链的换电站读档预测模型，以应对随机性换电需求。在现有基于模型的读档预测方法中，复杂换电场景易导致预测偏差。本研究以具有固定行驶规律的新能源公交车辆为对象，鉴于蒙特卡罗模拟方法在预测领域成熟度高且适用于换电需求预测，本文采用该方法进行换电需求预测分析。
此外，关于电池交换站（BSS）调度策略的研究主要集中于经济性以及电网运行的安全性和稳定性[[21], [22], [23], [24]]。Mao等[25]基于K近邻算法建立了模块化分段式BSS的有序充电模型，通过考虑变量间的耦合关系来拟合出行数据。Chen等[26]提出了一种带有储能装置的插电式电动巴士快速充电站最优实时协调充放电策略。尽管这些研究基本考虑了电池交换站（BSS）运营的经济性以及电网安全稳定性，但现有文献尚未对BSS内部大量电池组进行深入分析。由于荷电状态（SOC）与数量限制，此类模型的最优解通常难以直接应用于实际场景。Li等学者[27]提出按充电时长对更换电池进行分组，并结合峰谷时段设置充放电调度优先级，以满足电池交换需求。A.Ayad等人[28]提出了一种新颖的多目标混合整数非线性规划模型，用于优化设计基于电池更换的电动公交系统，该模型考虑了电动公交时刻表中时间偏差及高峰时段换电的惩罚措施。然而，这些文献主要研究电池更换站（BSS）内部的调度问题，缺乏对多个BSS聚合形成电池更换中心（BSSC）后运营调度的研究。本文以BSSC为研究对象，全面分析了各状态电池数量对BSSC经济性和电网运行的影响。该体系不仅能整合BSS消纳绿电，还能将负荷波动控制在特定范围内，从而缓解对电网的冲击。
本文与现有研究的主要差异已总结并分类于表1。本研究的主要贡献可概括如下：
- •
构建了一种集成式电池共享中心（BSSC）系统框架，其内部聚合多个电池交换站（BSS）以实现电池有序充放电，外部则与区域电网连接以消纳可再生能源。BSS中的电池组配备双向充电桩，可与区域电网进行能量交互，同时通过分布式光伏单向接入提供补充电力。 - •
研究涵盖了BSSC电池调度的全流程与多性向模式。将电池组划分为四类状态：满电电池、待充电电池、充电中电池及放电中电池。以不同状态下的电池数量作为优化变量，并采用蒙特卡洛方法进行BSD预测。 - •
建立了BSSC的双目标调度模型，将最低电池调度成本作为优化目标之一。同时，引入BSSC净负荷曲线与外部可再生能源功率曲线的最高匹配度，以实现绿色电力兼容利用。采用IMOPSO算法对该问题进行求解。
本文剩余部分结构如下：第二节为城市公交BSSC调度运行分析，包括城市公交BSSC集成框架、BSSC调度运行及城市公交BSD预测。第三节为基于IMOPSO算法的BSSC调度成本与兼容绿电利用双目标优化模型。第四节参照某城市实际数据，对模型有效性及充电桩数量、电池备用裕度系数和分时电价等参数进行敏感性分析。第五节为结论部分。