对于一辆电动汽车来说，其充电设备和充电技术是至关重要的。关于充电功能的设备主要有两部分组成，即提供电能的电网设备和车辆的蓄电池设备。近年来，能源问题和环境问题的日益加重，电动汽车的需求也日益增加。如何能够高效地充放电对于电动汽车应用研究显得必不可少了。以下将对电动汽车充放电技术的改进措施及电网改善方面介绍几项研究。

1 电动汽车充电协调的动态调度问题研究[1]

1.1 主要目的及原理

考虑到三相不平衡配电网络中可用的Volt-VAr控制、能量存储设备（ESD）操作和可调度分布式发电（DG），本文提出了一种新的方法来解决电动汽车充电协调（EVCC）问题（文中Fig.1）。对于EVCC的动态调度，该方法在整个时间段内解决了混合整数线性规划（MILP）问题。其目标是最大限度地降低从变电站和DG单位购买的能源总成本，减少电动汽车的能源成本。Volt-VAr控制考虑了沿电网安装的有载分接开关、稳压器和可开关电容器的管理。此外，该方法还考虑了负载的电压依赖性，其中稳态运行的不平衡分配系统使用线性约束来建模。

1.2 主要结论

将所建立的模型在具有178个节点（34个中压节点和144个低电压节点）的三相不平衡配电网络中进行了测试。测试结果表明，DG、ESD、VVC设备和电动汽车充电的优化运行显示了整体能源成本的降低，并确保技术限制违规避税。从而证明了所提出方法的动态协调是有效的，它在整个时间段内对EDN状态进行了广泛的了解。此外，该方法还考虑了电动汽车（EV）到达和离开时间、初始充电状态、电池大小和预测误差的随机性。未来的研究工作将实现ESD帮助电动汽车在充电过程中避免能耗缩减的操作以及改善VVC方案，以避免EDN中出现电压限制。

2 电动汽车充电站智能充电策略[2]

2.1 主要目的

虽然交通电气化的概念在解决全球环境污染问题方面具有巨大的前景，但实际上插电式电动汽车（PEV）的市场渗透率非常低。消费者对充电设施供应有限和充电时间过长的担忧是这种低渗透率背后的主要原因。从电网的角度来看，较长的PEV高峰负荷期可能会与住宅高峰负荷期重叠，使得能源管理更加困难。因此，适当的收费策略可以帮助解决这些问题。

Fig.1.Step-by-step flowchart of theproposed methodology.

2.2 主要原理及结论

本文针对PEV电网提出了智能充电策略（文中Fig.5），该充电策略可提供多种充电选项，包括充电站的交流电2级充电、直流快速充电和电池交换设施。正如传统加油站具有不同的能力和定价选项一样，充电站可以有不同的容量和定价选项，而且每个选项的充值价格可能因站点而异。在这样的情况下，充电策略的选择显得非常重要。对于需要充电设施的PEV，为PEV用户确定最合适的充电站，以便用户能够以最低的成本进行充电，并且无需很长的等待时间即可到达目的地。本文将最佳充电站寻找的问题转化为多目标优化问题，其目标是找到具有最短充电时间、旅行时间和充电成本的充电站。本文使用排队模型来估计各个充电站的等待时间。为了缓解更长的等待时间和PEV高峰期与住宅负荷期之间潜在重叠的挑战，本文还引入了部分收费的概念。考虑到优化解决方案显着的时间复杂性，本文引入基于蚁群优化算法的元启发式解决方案来解决该问题。通过仿真得出的结果表明，该解决方案显著降低了平均充电等待时间（高达25%）和收费成本（高达15%）。

Fig.5.Flowchart of theproposed smart charging strategy.

3 电动汽车充放电过程中功率损耗的测量[3]

3.1 主要目的及原理

当对电动汽车充电或放电时，在车辆和供电建筑之间会发生功率损耗。电网服务作为一种新的电动汽车充电方式，最近已开始进行商业运营。能够进行这种应用的汽车，称为电网集成汽车。该电动汽车充电和放电情况下的能量转移比仅充电情况下的能量转移要大得多。因此，对电力损失的测量和减少就显得尤为重要。

3.2 主要原理及结论

本文对整个GIV系统的所有部件（包括建筑电路、供电组件和电动汽车，文中Fig.1）发生的功率损耗进行了实验测量，也分别对每个子系统的功耗进行了测量。其中，对于建筑电路，测试了一系列当前电流值。对于EV组件，测试了电流和SOC的不同组合。在实验条件下，测量的单向总电力损失为12%到36%不等，因此了解电力损失的影响因素对于电路的高效设计和使用来说非常重要。实验结果还表明，用于AC-DC转换的电力电子器件的电力损耗占主导地位，并且其在低功率传输和低电荷状态下电子效率最低，放电期间的电子效率低于充电期间的电子效率。基于这些发现，本文提出了两种工程设计方法：一是对充电站（收费方面）进行优化设计；二是开发了一种以最高效率运行的电网服务调度算法。其中，充电站以最低费率收费时可能需要较低的资本成本，但会导致较高的能源成本。此外，为了分析电网服务调度算法的效率，本文还定量比较两种提供电网服务的调度算法（所开发的调度算法和简单的调度算法）。结果表明，通过实验测量的效率曲线分析得到，所开发的算法比简单的算法的功率损耗减少了8.5%。

由于所提出的实验结果和充电调度算法均基于一个特定的EV充电系统，其效率曲线对于该EV系统是特定的。因此，精确的效率值在电动汽车和电路中会有所不同。而且，交流到直流（充电）和直流到交流（放电）的拓扑结构通常会在功率水平低时表现出一半的额定功率。未来研究工作应根据一般原则和其他充电器规格的粗略比较，使得其调查结果涵盖大多数电动汽车。

Fig.1.System somponentsoverview.

4 用于电动汽车中锂离子电池的充电均衡算法[4]

4.1 主要目的及原理

锂离子电池由于与其他电池相比具有更好的性能，因此常用于电动汽车（EV）中。然而，锂离子电池也存在一些缺点，例如当过度充电时具有爆炸的危险，充电不足时会缩短电池的寿命周期，并且串联电池中的不平衡充电会逐渐降低整体充电容量。本文针对电动汽车应用中的锂离子电池提出了一种新型电池充电均衡算法，并基于该算法开发出相应的电荷均衡器，以提高电池的性能、寿命周期和安全性（文中Fig.4）。

4.2 主要结论及未来发展

本文仅使用8个锂离子电池单元和一个从属板进行测试和试验。该算法在15.5Ah和3.7V标称值的串联电池单元中实现，每个电池单元使用电池监视集成电路，通过双向反激式DC-DC转换器作为充电和放电通道来监视和均衡8单元电池组的电池单元。试验所得结果表明，所开发的电荷均衡控制器算法在均衡欠充电和过充电方面表现良好，并且在3.81V的安全操作范围内充电均衡，从而改进了电池驱动系统的效率，可靠性和安全性问题。试验结果还表明，基于该算法的电荷均衡器可以监视和均衡更多电池单元之间的充电，可以达到100个电池单元。但是，随着电池组电池的增加，均衡器需要额外的监控IC和双向开关，因此使得其充电成本有所增加。综上所述，所提出的电池充电均衡算法有效地降低了过度充电电池爆炸的风险并改善了充电不足电池的寿命周期，适用于自动化系统中模块化电池充电。此外，对于实际应用来说，当电池在充电期间或空闲状态下使用时，可以进一步将电池充电流量差作为电池的充电和放电的条件来考虑，以进一步显示所提出的均衡算法的性能。

Fig.4.Flowchart of the proposed charge equalization algorithm.

5 基于成本约束的电动汽车充电优化策略[5]

5.1 主要目的及原理

电动汽车的成功普及需要用户与负载服务实体、适应新能源市场和技术进步之间的紧密耦合。本文通过使用连续和离散的充电率设计了一种静态和动态相结合的框架来缓解车辆充电导致的配电线路过载问题（文中Fig.1）。所提出的解决方案侧重于填谷（供电系统角度）和降低收费成本（用户角度）。而该解决方案的实时性则使用滚动时域优化技术来实现。除了对收费进行协调之外，本文还分析了两种不同定价结构的影响，以确定用户的个人成本与系统最优方法之间的最优性。研究结果表明，由于各种驾驶习惯，全球定价结构对于所有消费者来说都不是最优的。

5.2 主要结论及未来发展

本文讨论了基于静态和动态框架的四种优化策略，并阐述了间歇充电的好处。通过尽可能限制住宅高峰期以下的总负荷需求来避免配电系统过载。实验结果表明，可以通过系统耦合和用户目标来实现最佳结果。客户的便利性随着系统限制和与高峰需求相关的网络健康状态而得到解决。基于滚动时域优化技术的实时计费方案可以为车辆的动态协调提供最优解决方案。总而言之，适当的电费组合可以满足所有用户的利益。因此，可以根据用户驾驶需求来组合最合适的定价结构。未来的研究工作将驾驶员的随机行为考虑进去，从而进一步推动车对电网和可再生能源的普及。

Fig.1.Centralized control schemefor static charging algorithms.

6 用于电动汽车充电聚合的分布式凸优化框架[6]

6.1 主要目的及原理

电动汽车（EV）整合商面临的主要挑战之一是控制基础设施的定义，使其可以供应至大量的EV。本文提出了一种基于乘法器的交替方向方法来实现计算可伸缩性的新型优化框架，该框架允许在多个服务器/内核之间分配优化过程（文中Fig.1）。

6.2 主要结论

本文通过将其应用于两个相关的聚合目标上来展示所提出框架的性能和多功能性（填谷以及具有电网容量限制的成本最小的充电状态）。研究结果表明，随着车队规模变大，所提出的方法的优化时间随受控电动汽车数量呈线性增长，并且优于集中式优化基准。

本文提出一种用于EV聚合的可扩展分布式凸优化框架，并且验证了所提出的框架可以解决高达100万辆电动汽车的充电问题。该框架还解决了高达10万辆电动汽车充电成本最小化问题。所提出的框架允许指定全局或局部的目标和约束。为了展示这一点，本文设计了多功能性实验，例如考虑电池折旧成本和V2G服务等。多功能性实验表明，该框架可以解决严格的凸问题（如填谷），比非严格凸问题（如充电成本最小化）的求解时间更快。此外，实验结果还表明，主动全局约束的存在增加了该优化框架的迭代次数，从而增加了运行时间。与现有技术比较分析表明，就运行时间和峰值内存使用而言，该优化框架提供了更好的可伸缩性。因此，该框架在运行时间和内存使用之间提供了可控的权衡，可用于解决由于EV数量和内存限制较大而导致迄今为止难以处理的EV充电凸优化和控制优化问题。

Fig.1.EV ADMM sequencediagram.

7 基于非线性充电模型的电动车辆路径问题研究[7]

7.1 主要目的及原理

考虑到电动汽车驾驶里程有限，电动汽车路径问题（E-VRP）显得尤为重要。大多数现有的E-VRP模型假定电池充电水平是充电时间的线性函数，但实际上该函数是非线性的。本文将当前的E-VRP模型扩展为具有非线性充电函数的E-VRP-NL模型（文中Fig.4），它采用分段线性近似来捕获充电过程的非线性充电行为，并提出了一种混合元启发式算法用来提供解决路径问题的解决方案。

7.2 主要结论

为了评估非线性充电函数的重要性，本文进行了计算研究，将所得的结果与通常结果进行比较。结果表明，忽视非线性充电可能会导致不可行或过于昂贵的解决方案。此外，为了测试所提出的混合元启发式算法的有效性，本文提出了一个新的实例测试平台。测试结果表明该算法在这些实例中表现良好，并且好的解决方案倾向于使用多个中间路由收费，采用电池充电功能的非线性部分进行充电。未来的研究方向将设计一种更精确的E-VRP-NL模型，该模型将具有容量化的充电站考虑进去，并与本文的模型进行比较。此外，开发一种新的优化算法，该算法可以同时兼顾准确性和效率，并提出一种折衷方案。该方案不仅可以为所有路线解决固定路线车辆充电收费问题，还可以确保满足充电站的容量限制。

8 用于插入式电动汽车整合可再生能源和智能电网的多目标控制策略[8]

8.1 主要目的及原理

本文提出了一种实用的解决方案，考虑发电能源的间歇性和能源使用的不一致性，通过一种新型自适应智能控制器，解决可再生能源和电动汽车融入电网的问题。本文描述了由发电厂和分布式发电系统组成的智能电网，该电网通过光伏电池板和风力涡轮机驱动，并增加了电动汽车作为蓄电装置。采用停车场来解决插入式电动汽车融入到电网的低渗透率问题主要有两个挑战：一是安装位置；二是电动汽车、电网和分布式发电系统之间的双向电力流的建模。因此在此基础上，本文通过采用非支配排序遗传算法-II以及前后向替代方法来设计并解决非线性多目标优化问题。此外，采用牛顿-拉夫逊潮流法来计算配电网络的功率流。本文还提出了一种基于粒子群优化算法的自适应神经模糊推理系统的混合控制策略，来优化上述电网的工作点，进而管理大量电动汽车的充放电问题。

Fig.4.Exampleof a feasible E-VRP-NL solution.

8.2 未来发展

本文研究不仅采用智能NSGA（文中Fig.5）优化方法对配电网系统进行优化调整和选址，而且还提出了一种基于PSO自适应神经模糊推理系统的实时控制器，以实现可再生能源（风能和太阳能）和电动汽车并入智能电网基础设施。本文研究还实现了G2V和V2G功能。

未来的研究工作需要解决以下问题：

（1）由于这类研究的目标很大一部分集中在经济方面，因此其他技术方面（例如频率偏差和谐波失真）需要进一步调查研究。

（2）电压偏差的降低通常会导致电压总谐波失真的增加，因此这类因素应被视为加权多目标函数中的目标分量。

（3）除了所提出的用于提高电网稳定性的多目标优化问题外，还需要评估本研究中确定的EV放电率和充电率的影响。

（4）电池的健康状态在V2G功能中起着重要的作用，而本研究并未考虑电池的健康状况。以后可以通过数据融合过程来解决这个问题。

（5）EV充电器的设计基于对车外放置的假设，这引起了对电池加热管理以及考虑其他充电站的能力的问题，因此需要进一步了解此类信息。

Fig.5.Flow chart of NSGA-II solving process.

9 满足电动汽车充电需求的微电网规划算法[9]

9.1 主要目的及原理

未来电力系统的普及可以减少温室气体排放，其中相关的两项重要技术就是是电动汽车（EV）和可再生能源发电。当电动汽车变得越来越普遍时，由于电动汽车消耗大量电力，电力的总体需求将显着增加。此外，电动汽车的日常负载曲线在很大程度上取决于电动汽车消耗多少电量和何时消耗电量。微电网是促进可再生能源发电的重要技术，在微电网规划阶段应考虑需求的增加和负荷曲线的变化问题，从而安装可靠经济的微电网。本文提出了一种微电网规划算法，以找到最经济的配置来满足电动汽车的充电需求，从而最大程度地利用可再生能源发电（文中Fig.2）。

本文首先调查了几种不受控制和受控制的电动汽车充电调度方案，即：最小时间充电方案、两种成本最小化充电方案、最小化方差（最小变量）充电方案和最大可再生充电方案。然后，使用HOMER软件研究了这些充电方案和不同EV渗透率的最佳微电网配置。最后，提出了最大限度地利用可再生能源的微电网规划算法。

9.2 主要结论

该算法采用可再生能源发电的EV充电方案和HOMER仿真软件来验证其性能。仿真结果表明，该算法构建的微电网显著地降低了投资成本和二氧化碳排放量，有效地解决了电动汽车充电调度和微电网配置问题，以最大限度地利用可再生能源。通过住宅和校园微电网案例研究分析表明，该算法构建的微电网较为经济，其二氧化碳排放量较少。如果安装的可再生能源发电在电动汽车充电过程中不产生输出功率，那么所提出的算法就像最小可再生充电方案一样工作。否则，它可以最大限度地利用可再生能源，从而实现最低的投资成本和二氧化碳排放量。

Figure 2.Flowchart for theproposed microgrid planning algorithm.

10 电动汽车电网电压调整和优化调度方法[10]

10.1 主要目的及原理

基于充电或放电模式，电动汽车（EV）可以灵活地充当负载或能源。因此，本文提出了一种用于实现下列目标的方法：改进公共耦合（PCC）点的电压分布；对电动汽车的充放电作适当的调度。所提出的方法基于V2G技术的经济合理性，通过峰值削减和谷值填充，以进行充电率控制和能量管理来改善有功和无功负载的分布情况（文中Fig.1）。

10.2 主要结论

由于分析电动汽车对电网的影响需要非常准确的数据，并且需要考虑到电动汽车的普及率和随机的电池荷电状态（SOC），本文提取2001年全国家庭旅行调查（NHTS）获得的数据用于分析和研究，以制定电动汽车的最后到达时间和负载曲线。本文将两个随机算法与蒙特卡罗模拟技术相结合以确定所需的参数。此外，本文还提出了一种具有可变目标函数的优化算法，其中根据充电或放电模式及其指定约束来确定适当的目标函数。本文采用几种情景来确定适当的目标函数，并通过IEEE 14总线系统进行实时仿真，以验证所提出的方法的性能优越性。仿真结果表明，所提出的方法通过计算和调整电网与EV之间交换的有功功率和无功功率能够有效地改善PCC的电压分布并控制EV电池的SOC以及电池的充电-放电的持续时间和速率。

Figure1.Block diagram of the VOF based vehicle-to-gird.

参考文献

[1]SABILLON-ANTUNEZ C,MELGAR-DOMINGUEZ O D,FRANCO J F,et al.Volt-VAr Control and Energy Storage Device Operation to Improve the Electric Vehicle Charging Coordination in Unbalanced Distribution Networks[J].IEEE Transactions on Sustainable Energy,2017,8(4):1560-1570.

[2]MOGHADDAM Z,AHMAD I,HABIBI D,et al.Smart Charging Strategy for Electric Vehicle Charging Stations[J].IEEETransactions on Transportation Electrification,2018,4(1):76-88.

[3]APOSTOLAKI-IOSIFIDOU E,CODANI P,KEMPTON W.Measurement of power loss during electric vehicle charging and discharging[J].Energy,2017,127:730-742.

[4]HANNAN M A,HOQUE M M,PENG SE,et al.Lithium-Ion Battery Charge Equalization Algorithm for Electric Vehicle Applications[J].IEEE Transactions on Industry Applications,2017,53(3):2541-2549.

[5]MAIGHA,CROWM L.Cost-Constrained Dynamic Optimal Electric Vehicle Charging[J].IEEE Transactions on Sustainable Energy,2017,8(2).

[6]RIVERA J,GOEBEL C,JACOBSEN H.Distributed Convex Optimization for Electric Vehicle Aggregators[J].IEEE Transactionson Smart Grid,2017,8(4):1852-1863.

[7]MONTOYA A,GUÉRET C,MENDOZA J E,et al.The electric vehicle routing problem with nonlinear charging function[J]. Transportation Research Part B:Methodological,2017,103:87-110.

[8]RAHBARI O,VAFAEIPOUR M,OMAR N,et al.An optimal versatile control approach for plug-in electric vehicles to integrate renewable energy sources and smart grids[J].Energy,2017,134:1053-1067.

[9]YOON S,KANGS.Economic Microgrid Planning Algorithm with Electric Vehicle Charging Demands[J].Energies,2017,10(10):1487.

[10]NAZARLOOA,FEYZIM R,SABAHI M,et al.Improving Voltage Profile and Optimal Scheduling of Vehicle to Grid Energy based on a New Method[J].Advances in Electrical and Computer Engineering,2018,18(1):81-88.