1. 无序充电的账与静态分时电价的局限1.1 无序充电的账其实很容易算电动汽车有序充放电调度算是我这段时间投入精力最多的一块工作。从最初的离线日调度到最后落地成基于动态分时电价的实时滚动优化系统中间推翻了不少看似“理所当然”的设计。先算一笔最朴素的账一台家用交流桩7kW下班后18点到22点集中充电1000辆车同时段开工相当于凭空给晚间负荷峰值叠加了7MW。这个数字对配电网意味着什么一台10kV变压器的典型容量在630kVA到1000kVA左右7MW已经接近好几条馈线的总负荷。换成120kW快充桩几十辆车同时充电就能让一片区域的变压器直接过载。电网不是按平均负荷设计的是按峰值负荷设计的无序充电真正昂贵的地方在于为了满足每天只持续一两个小时的尖峰整条线路设备都得按这个峰值扩容而扩容成本对应的资产利用率却低得可怜。这个问题的本质是电动汽车作为柔性负荷没有被“引导”起来。车辆接入电网的时间窗口很长真正需要的充电时间往往只有三四个小时中间有大量的调度空间。但如果没有价格信号或控制信号每辆车都会选择“接入即充”把所有灵活性白白浪费掉。这也是为什么这两年从学术界到电网公司都在推“有序充电”和“车网互动”——不是技术上的强制而是经济上、控制上必须把这块弹性利用起来。1.2 静态分时电价为什么不够用静态分时电价是目前最普及的需求响应手段居民侧峰谷电价就是典型代表白天一个价、晚上一个价逻辑上鼓励用户把充电挪到谷段。可实际用下来会发现三个问题。第一价格曲线是季度或月度级别的固定值跟当天电网的真实运行状态没有直接关联。夏天晚上空调负荷本来就高低谷时段可能根本不“低”碰上光伏大发的中午真正的低谷反而出现在午间但静态电价完全感知不到这种日间波动。第二所有用户都知道谷段便宜于是谷段刚开始的半小时会出现“充电拥堵”——大量车辆同时启动形成一个削不掉的二次尖峰业内叫负荷反弹。这种反弹有时候比原来的晚高峰还难看。第三静态电价没有给V2G车辆到电网反向放电留出合理的经济信号。峰段和谷段只差几毛钱用户没有任何动力把车里的电放回电网因为放电带来的电池损耗可能比赚到的差价还高。静态电价本质上是一个“开环”的信号它发布之后就再也不看电网里实际发生了什么。指望靠一个固定价格曲线去应对每天都不一样的负荷曲线、发电曲线精度远远不够。1.3 动态分时电价与实时优化之间的连带关系动态分时电价把价格变成了一个随时间快速变化的信号可以每15分钟或每小时更新一次直接反映当前电网的供需紧张程度。它的本质是把“电网需要什么”翻译成“用户愿意做什么”。电网侧负荷吃紧时价格抬升可再生能源大发时价格压低用户侧调度系统拿到这个实时更新的价格之后必须能快速重新决策是继续充、暂停、还是反手放一点电。这就引出了实时优化调度的必要性。如果电价24小时都不变离线排一个固定充电计划就够了但价格一变昨天的“最优计划”今天就变成次优甚至错误。所以动态分时电价和实时优化是一对捆绑在一起的组合前者提供持续更新的经济信号后者负责把这个信号高效地翻译成每辆车的充放电动作。在我做的系统里滚动时域优化是承载实时调度的核心框架下一节先讲清楚优化模型本身是怎么设计的。2. 优化模型怎么建变量、目标与约束的逐项拆解2.1 时域离散化与决策变量的选择建模第一步是把时间切成小段。以24小时为周期、15分钟一个时间槽一天就有96个决策点。之所以选15分钟是因为动态分时电价在电网侧的更新频率通常也在5到15分钟这个量级同时这个粒度能让混合整数线性规划MILP问题的规模控制在可解范围内。决策变量定义成每个EV在每个时间槽的充电功率P_ch(i,t)和放电功率P_dis(i,t)。另外必须引入一个0-1二进制变量u(i,t)表示“该车在该时间槽是否处于充电状态”。这个变量的作用有两个一是防止同一辆车既充电又放电这在物理上不可能但数学模型里如果只写功率边界优化器很可能会玩“先充后放再充”的套利把戏制造出物理上无意义的环流二是让功率边界约束变成带开关的形式而不是单纯的不等式。二进制变量也是后面求解时间的主要来源后面会专门讲。2.2 目标函数成本、削峰、电池衰减怎么权衡目标函数的常见选择有三个实际项目中通常组合使用。最基础的是用户侧总成本最小化充电电费减去放电收益再加上电池衰减惩罚。写成公式就是min Σ_i Σ_t [ p(t)·P_ch(i,t)·Δt - p(t)·P_dis(i,t)·Δt·η_dis c_deg·P_dis(i,t)·Δt ]其中p(t)是动态电价η_dis是放电效率c_deg是每放出1kWh电对应的电池损耗成本一般按电池更换成本除以全生命周期可放电总量来估算。如果站方或电网侧更关心负荷曲线形态可以在目标里再加一个负荷方差项让所有EV的总功率叠加基础负荷之后尽量平坦。方程形如 λ·Σ_t (P_base(t) Σ_i (P_ch(i,t) - P_dis(i,t)) - P_avg)²。需要注意加上方差项之后问题变成带二次项的混合整数规划MIQP求解时间会明显上升。工程上我更喜欢用“削峰惩罚项”来近似——只对超过某个阈值的总功率加线性惩罚比如总功率超过配变容量80%的部分按高价计入目标。这样做既保留了线性结构求解快效果也够用。2.3 约束条件SOC递推、功率边界与充放电互斥约束条件这层最容易出问题。核心是SOC递推方程SOC(i,t1) SOC(i,t) [η_ch·P_ch(i,t) - P_dis(i,t)/η_dis]·Δt / B_iB_i是电池容量单位kWh。这里特别要注意单位统一功率是kW时间是小时Δt按小时折算15分钟就是0.25乘出来的能量才是kWh否则SOC计算结果会差一个倍率而且这种错误往往很难一眼看出来。SOC要限制在安全窗口内比如10%到90%很多车厂实际允许的窗口更窄。同时每辆车在离开时间点的SOC必须达到用户设定的目标值——这个约束是用户满意度的底线不能省。功率边界写成 0 ≤ P_ch(i,t) ≤ P_ch_max(i)·u(i,t)0 ≤ P_dis(i,t) ≤ P_dis_max(i)·(1-u(i,t))u(i,t)∈{0,1}充放电互斥就通过这个二进制变量写进去了。还有一个很多初稿会漏掉的约束车辆在未接入充电桩的时间段内充放电功率必须强制为0SOC保持不变。不能因为模型里“方便”就把到达前和离开后的时间槽也放开。这个约束漏掉之后优化结果里会出现“车还没到就已经充满”的荒谬现象第一次跑出这种结果时我还以为是求解器出了问题排查半天才发现是自己在建模时偷懒了。2.4 动态电价是如何进入优化模型的动态电价在模型里是一个随时间变化的外生输入序列p(t)。严格来说实时系统里电价是“当前已知、未来预测”的所以模型里用的其实是一段价格预测向量p_forecast每个滚动周期都要刷新。这也是动态分时电价与静态电价在数学建模上的本质差别静态电价是常数向量一次定义全程不变动态电价要求每个重优化周期都重新读入价格向量。工程实现上p_forecast可以来自日前市场出清价、负荷预测加电价映射函数或者干脆是电网侧直接下发的实时价格信号。无论数据来源是什么模型侧只关心它是不是一段长度为预测时域H的向量。这里插一句经验价格预测精度直接影响调度质量但也不需要追求绝对精确滚动优化自带的反馈纠错能力能吸收很大一部分预测误差这点后面灵敏度分析里会验证。3. 实时调度为什么是滚动时域优化算法框架与触发逻辑3.1 离线日调度的三个硬伤我一开始的做法是提前一天拿到明天的完整电价曲线假设所有EV的到达、离开、初始SOC全部已知一次性解出24小时的充放电计划。仿真结果确实漂亮成本最优、曲线平滑但放到现实里根本没法用。三个硬伤摆在面前。第一用户到达时间是随机的。前一秒还没到的车后一秒突然出现在车位上离线计划完全没有考虑这种扰动。第二动态电价本身是预测值实际执行时价格可能已经变了按昨天的预测价格优化出的“最优”在今天可能连次优都算不上。第三充电过程受实际功率波动、电池温度、SOC估计误差影响离线计划一旦开始执行误差就会逐步累积一步错步步错。3.2 滚动时域优化的基本逻辑先解窗口只动一步滚动时域控制也叫模型预测控制MPC思路很直白不要一次把24小时全部定死而是每到一个决策时刻k只把从k到kH这个预测窗口内的优化问题解出来然后只执行第一个时间槽的决策时间推进一个槽之后收集最新状态当前SOC、新到达车辆、最新电价预测重新优化。这个“走走停停”的结构天然适合不确定性环境。每一次重优化都把新信息灌进模型之前预测偏差带来的后果被持续纠正。用一句话概括离线优化赌的是预测全对滚动优化赌的是“错了也能很快改回来”。我在Matlab里跑对比实验时同样的价格预测误差下滚动优化的总成本只比完美信息下的理论最优高几个百分点而离线开环优化在这个误差下可能直接崩溃。3.3 重优化触发机制与预测输入重优化触发有两种策略。时间触发最简单每15分钟到点就重算一次实现容易行为可预测。事件触发则更贴合实际检测到新EV接入、某辆车提前离开、电价发生非预期跳变等关键事件时立即插入一次重优化。工程上通常把两者结合定时扫描作为底线关键事件作为插入触发器。预测输入方面电价预测是最重要的一块。最简单的做法是零阶保持假设未来若干槽的电价延续最新已知价格。这种做法在算法验证阶段完全够用实际部署时再接入更复杂的预测模型。EV到达情况则可以用历史到达率分布或者把“当前在站车辆在途车辆预估”作为输入。这里有个取舍预测做细致了肯定好但预测模块本身也会引入新的误差源初期版本建议先用简单的假设把主链路跑通。3.4 MILP求解规模与实时性预算每个滚动窗口内要解一个混合整数线性规划。不考虑车辆差异带来的稀疏性决策变量总数大约是“车辆数×窗口长度×2个功率变量”二进制变量是“车辆数×窗口长度”。假设50辆车、预测窗口32个槽8小时就是50×32×23200个连续变量和1600个二进制变量约束也在几千条量级。这个规模用主流商用MILP求解器如Gurobi、CPLEX这类配合默认参数通常几秒内能拿到接近最优的解完全满足15分钟一个控制周期的要求。但如果车辆数量涨到几百辆、窗口又拉满全天求解时间会指数级恶化这时候就得考虑用启发式算法或者把二进制变量松弛掉在最优性和实时性之间做取舍。这也是为什么很多实际系统最后做成两级调度上层在慢时间尺度做群体优化下层在快时间尺度做单桩跟踪控制把一个大问题拆成两个好解的问题。4. Matlab代码实现从数据准备到滚动求解循环4.1 代码模块划分与参数封装Matlab代码我按四个模块组织参数定义、数据生成、优化求解、结果分析。参数定义放EV群参数包括电池容量B、最大充放电功率、初始SOC、目标SOC、接入和离开时间以及电价曲线、预测窗口长度H、控制周期Δt。数据生成模块负责产生动态电价序列和EV到离时间设计成支持从外部文件读取真实数据方便替换。优化求解模块用YALMIP建模封装成一个独立函数输入是当前系统状态和价格预测输出是下一个控制周期的决策。结果分析模块画SOC轨迹、功率曲线、费用对比图。这种模块化看起来多花了一点时间但调试阶段能省大量精力。我一开始把所有代码塞在一个脚本里改一个参数就要从头跑一遍后来拆开之后每个模块可以单独验证排查问题的速度明显提升。4.2 YALMIP建模的核心代码细节我用的建模工具是YALMIP工具箱它在Matlab里最大的好处是建模语言接近数学公式调试起来直观。核心代码结构大致如下% 单次滚动窗口内的优化求解 % 输入: SOC_now(M*1), p_forecast(H*1), active_flag(M*H), params % 输出: P_ch_opt(M*H), P_dis_opt(M*H) M params.M; % 车辆总数 H params.H; % 预测窗口长度 dt params.dt; % 单时间槽时长(小时) B params.battery; % 电池容量 kWh % 1. 申明优化变量 P_ch sdpvar(M, H, full); P_dis sdpvar(M, H, full); u binvar(M, H, full); SOC sdpvar(M, H1, full); C []; C [C, SOC(:,1) SOC_now]; % 当前SOC是实测值 % 2. 逐车逐槽构建约束 for i 1:M for t 1:H if active_flag(i,t) 1 % 该车在该槽处于在网状态 C [C, 0 P_ch(i,t) P_ch_max(i) * u(i,t)]; C [C, 0 P_dis(i,t) P_dis_max(i) * (1-u(i,t))]; C [C, SOC(i,t1) SOC(i,t) ... (eta_ch*P_ch(i,t) - P_dis(i,t)/eta_dis)*dt/B(i)]; else C [C, P_ch(i,t) 0, P_dis(i,t) 0, u(i,t) 0]; C [C, SOC(i,t1) SOC(i,t)]; % 离线时段SOC不变 end end C [C, SOC(i,t_leave_idx(i)) SOC_target(i)]; % 离网电量达标 end % 3. 目标函数充电电费 - 放电收益 电池衰减惩罚 obj sum(sum(p_forecast .* P_ch * dt)) ... - sum(sum(p_forecast .* P_dis * dt * eta_dis)) ... c_deg * sum(sum(P_dis * dt)); % 4. 求解 ops sdpsettings(solver, solver_name, verbose, 0, ... mipgap, 0.01); diagnostics optimize(C, obj, ops); P_ch_opt value(P_ch); P_dis_opt value(P_dis);几个细节值得强调。第一SOC、P_ch、P_dis、u都是优化变量SOC通过等式约束建立递推关系初始值SOC_now是当前实测状态这是滚动时域里连接上一轮和本轮的关键接口。第二“不在网时段强制断电”的约束别偷懒省略否则会出现前面说的“未到先充满”问题。第三SOC目标约束里t_leave_idx(i)是车辆离开时刻在窗口内的索引如果离开时间超出窗口要单独做截断处理否则索引越界报错。4.3 滚动求解循环怎么写才稳定滚动求解循环是整个系统的主干结构可以概括为初始化系统状态然后循环执行“收集最新数据、构建当前窗口模型、求解、执行第一个控制动作、推进系统状态”五个步骤。伪代码大致如下for k 1:N_total % 1. 获取当前全局时刻k的状态和最新价格预测 SOC_measured get_current_soc(ev_status, k); p_forecast get_price_forecast(k, kH-1); active_flag get_active_matrix(ev_status, k, H); % 2. 在窗口内构建并求解优化问题复用4.2的建模逻辑 [P_ch_opt, P_dis_opt] solve_window(... SOC_measured, p_forecast, active_flag, params); % 3. 只执行第一个控制周期的动作 apply_control(P_ch_opt(:,1), P_dis_opt(:,1), k); % 4. 利用仿真模型推进状态真实系统则等待测量反馈 ev_status simulate_step(ev_status, ... P_ch_opt(:,1), P_dis_opt(:,1), k); end这里每次调用求解时窗口右端的价格预测必须按最新信息刷新不能复用上一轮的旧数据否则滚动优化的反馈纠错能力就丧失了一半。求解速度方面如果单次求解超过十秒就该检查窗口长度、变量预处理和求解器参数。一个实用的加速手段是热启动把上一轮解作为本次迭代的初始可行解传给求解器商用求解器一般都有对应的MIP start接口实测能省不少时间。4.4 结果可视化与费用统计口径结果分析一般画三张图。第一张是所有EV的总功率曲线叠加电价曲线可以直观看出充电负荷是否从高价段挪走、放电是否集中在电价尖峰段。第二张是典型EV的SOC轨迹验证充放电过程是否始终满足约束。第三张是累积费用对比把无序充电、静态分时、动态分时三种策略的曲线放在一起这张图基本能支撑小论文或项目结题需要的核心结论。费用统计有一个细节要特别提醒目标函数里放电收益是按同一电价计算的负费用但实际结算中双向电价规则可能不同放电收益和充电电费往往不是同一个单价。仿真里怎么假设都行但输出结果时要写清楚假设边界否则评审或同事追问起来容易说不清楚。5. 仿真算例对比与灵敏度分析5.1 算例场景与参数设置用一个简单算例说明效果方便复现。假设某园区充电站有50台7kW交流桩车辆随机到达接入时间分布在下4点到晚10点离开时间集中在早8点到9点。每台车电池容量60kWh初始SOC在20%到50%之间目标SOC设为90%最大充电功率7kW放电功率暂设为3.5kW考虑实际V2G桩的功率等级电池衰减成本按每kWh放电0.15元计入。电价方面静态分时用典型两段制谷段0.35元/kWh23:00到7:00峰段1.1元/kWh。动态分时则在静态谷峰基础上叠加随机扰动模拟电网供需波动峰段最高到1.5元/kWh谷段最低0.2元/kWh扰动每15分钟更新一次。这个设置不算极端但足以看出动态信号对调度结果的方向性影响。5.2 三种策略对比成本、峰值、峰谷差三种策略分别是无序充电接入即充到目标电量、静态分时电价下的启发式延迟充电只延迟到谷段开始、动态分时电价下的滚动时域优化。仿真一天的典型结果如下表策略单日平均充电成本元/车峰值总功率kW峰谷差率无序充电38.631578%静态分时启发式延迟24.228571%动态分时滚动优化18.822052%数据是示例值不同参数下绝对值会有变化但趋势很稳定滚动优化比单纯延迟充电的成本再省两成左右同时峰值负荷明显下降。原因不难理解静态分时只看“谷段”一个区间所有车都挤在23点开充形成了新的负荷尖峰动态分时加实时优化则会把充电功率在谷段内部继续摊平并且在下午电价尖峰时让部分车辆小功率放电既降了成本又削了峰。这个“削峰不靠口号”的效果正是动态电价信号加优化算法的价值所在。5.3 灵敏度分析哪些参数最影响结论我做了几组灵敏度测试结论可以作为工程判断的参考。第一目标SOC从80%升到95%成本上升约15%但峰值功率反而略降。原因是要充得越满可调度的自由度越小系统被迫把充电窗口拉长摊平。这说明用户对电量的要求是影响削峰效果的重要约束不能只看电价。第二电池衰减成本c_deg从0.05元/kWh升到0.3元/kWhV2G放电量从每天约40kWh每车降到几乎为0。这说明衰减成本是V2G场景是否具有经济性的决定性因素。如果手头没有实测衰减数据宁可把c_deg设高一点避免仿真里出现“疯狂放电”这种不符合用户直觉的失真结果。第三价格预测误差从5%增大到30%滚动优化相对静态启发式策略的收益空间缩小一半但优势依然存在。这正是滚动时域结构带来的容错性。换成开环离线优化同样的预测误差下收益可能直接消失。这个结论让我放心地把文章开头说的“动态电价与实时优化是一对组合”这句话坐实了。6. 工程化落地的坑与几点经验6.1 求解时间膨胀与数值病态的处理求解时间是我踩的第一个坑。第一次跑全规模问题时单次求解要两分多钟一个15分钟控制周期根本跑不完。排查后发现两个原因。一是窗口末尾有大量不必要的二进制变量很多车在窗口后半段已经离开但循环里没有排除白白增加了变量维度。二是约束里出现了很多数值很小的系数比如0.0001量级导致求解器数值条件很差单纯收缩迭代次数暴涨。解决办法很直接建模前把每辆车的可调度窗口预处理出来只对在网时段建立变量和约束同时对能量类系数做量纲归一到kWh级别避免极小数出现。这两个改动之后求解时间从两分多钟降到了三四秒几乎一个数量级的提升。6.2 预测误差带来的连锁反应动态电价预测误差是实时调度绕不开的话题。实际测试中我给价格预测加白噪声发现两个有意思的现象。一是有预测误差时优化器倾向于“少动作”。因为动作是基于错误信息的最保守的做法是尽量维持当前状态这其实是MPC框架下鲁棒性的一种体现。二是当价格预测在某个槽位严重失真时比如预测1.5元实际只有0.6元系统会做出“在这个槽位尽量放电”的错误决策如果恰好此时电池压在SOC下限附近下一轮就失去了调度弹性后面几小时都缓不过来。缓解办法是在目标函数里加一个相邻时间槽功率变化惩罚项抑制过于剧烈的开关动作。实测下来这个惩罚项对预测误差的鲁棒性提升非常明显代价是理论最优性损失不到1%完全值得。6.3 从仿真桩到真实充电桩的工程落差最后说几个代码之外的问题反而是在实际部署中更关键的。第一充电桩的控制接口不是想多快就多快。很多桩只支持按设定功率持续执行修改指令前有握手和确认延时控制周期不是越短越好必须和硬件能力对齐。第二车端SOC的估计和通信往往是整车厂的白盒接口实测和BMS上报可能有3%到5%的偏差。SOC递推约束要留裕量别卡着90%的边界去算否则真实场景下可能还没到目标就提前保护性停充。第三多车辆同时响应价格时“均衡”是相对整个系统而言的单个用户可能发现自己的账单并不比邻居便宜多少。做产品化时要把用户公平性也纳入模型否则推广阶段会收到大量抱怨。如果让我给准备做这套系统的开发者一个最直接的建议先把“离线版能跑通、结果合理”这一步做到位再加滚动时域和动态电价不要一上来就把实时性、随机性、多目标全搅在一起。模型每加一层复杂度排查问题的难度是成倍增长的不是简单叠加。先把骨架立稳再慢慢长肉——这套系统的价值恰恰在于每一个环节都能独立验证、独立优化。