城市尺度下屋顶光伏系统为电动汽车充电的时空优化(An urban-scale spatiotemporal optimization of rooftop photovoltaic charging of electric vehicles)
Nanfan Ji, Rui Zhu, Ziyi Huang & Linlin You
太阳能光伏（Solar Photovoltaic, PV）已经被广泛地用于为电动汽车（Electric Vehicles，EVs）提供动力。尽管许多研究开发了动态的电动汽车充电预测和调度模型，仍然缺乏将屋顶光伏发电与城市电动汽车充电需求结合起来的研究。因此，本研究开发了一个包含三个互联的模块的框架，以研究屋顶光伏发电电动汽车充电的可行性。这套框架是通过统计每个充电站到时间序列电动车充电需求、每个充电站的屋顶太阳能光伏规划、以及开发动态调度算法而构建的。该算法可以在最大化充电供需平衡的情况下实现最大化光伏发电总量，最小化光伏总面积等目标。本研究利用中国广州6到7月期间5574个充电桩等970万条记录进行了测试，结果显示屋顶光伏可以满足90%以上的充电需求。本研究的发现为进一步提高发电能力和动态调度效率提供了指导。
引用
Ji, N., Zhu, R., Huang, Z., & You, L. (2024). An urban-scale spatiotemporal optimization of rooftop photovoltaic charging of electric vehicles. Urban Informatics, 3(1), 4.
https://doi.org/10.1007/s44212-023-00031-7
太阳能光伏系统被认为实现电力行业脱碳的有前途的技术，且预计到2050年将满足全球25%-49%的电力需求。与此同时，电动汽车在能源危机和环境恶化的背景下也被视为传统内燃机汽车的有力替代品。先前研究很少考虑光伏发电潜力的时空变化对电动汽车充电需求的不确定性的影响。因此，本研究试图开发一个动态的时空分配算法框架来最大化使用屋顶太阳能光伏对电动汽车进行充电的能力，研究将太阳能渗透到电动车出行中的潜力。本研究提出了一个研究框架，该框架包含三个互相连接的模块用于将光伏电力调度到电动汽车充电站（图1）：
1. 充电需求模块：首先分析所有充电站中电动汽车的充电记录，通过统计每日充电需求的时序变化，为后续光伏系统的布局提供需求依据。
2. 光伏潜力估算模块：基于3D太阳能模型估算屋顶光伏发电潜力，并在各充电站中心生成圆形区域，假设其中的屋顶可以安装光伏系统。多个充电站的圆形区域可能存在重叠，重叠区域的电力产出按比例分配给相关的充电站。
3. 动态调度算法模块：设计了一个动态调度算法，将富余电力从发电充足的充电站传输至电力不足的充电站，以提高整个系统的充电效率。
图1.研究框架
为提升计算效率，将城市区域划分为均匀的矩形子区域（鱼网处理），在每个子区域计算太阳辐射分布，并通过缓冲区消除边界效应。图2展示了鱼网法下的太阳辐射分布示例，使得在大规模城市范围内的计算能够精细化，同时确保遮挡影响被纳入太阳辐射估算。
图2. 本研究使用的动态调度算法
通过动态平衡供需关系的多目标优化算法，调整光伏区域的供电能力。
图3展示了多个充电站之间的静态供电匹配示例，蓝色、绿色和黄色的圆形区域分别代表三个充电站的供电范围，重叠区域中的电力产出按比例分配给重叠的两个充电站。这种静态匹配在高充电站密度下为动态调度提供了基础。
图3. 所有充电站静态匹配光伏区域的示例
图4为动态调度算法的流程图，展示了如何通过充电站之间的电力传输实现供需平衡。流程分为三个步骤：
1. 识别所有充电站的供需状态（即供电不足或供电过剩），并生成相应的数据集。
2. 针对每个供电不足的充电站，选择满足供电条件的最近供电充足站点，基于距离优先分配富余电力。
3. 若多个充电站无法单一满足供电需求，则进行多个站点的联合供电，直至满足需求或无合适站点为止。
该算法通过优化充电站供电和传输距离，减少了电力浪费，提高了整体充电效率。
图4. 动态调度算法流程图
本研究的实验结果验证了利用屋顶光伏系统（RPV）为电动汽车（EV）充电站供电的可行性，尤其在动态调度算法的优化下，显著提升了供电满足率。
1. 太阳辐射输出（图5）：工业区、商业区和住宅区的太阳辐射在一天内有明显的时空差异。工业区因建筑物密度较低，整体太阳辐射较高；商业区因高层建筑密集，部分时段受阴影影响辐射较低；而住宅区的辐射相对均匀。这表明，建筑密度和城市形态对光伏发电潜力有重要影响。
图5. 上午 6 点至下午 6 点的每小时太阳辐射分布 (a) 工业区。(b) 商业区。(c) 住宅区。
2. 未调度情况下的供需关系（图6，图7）：静态RPV配置下，不同半径的RPV区域对充电需求的满足率不同。当RPV区域半径达到250米时，80%以上的充电需求被满足，表明RPV系统在静态供电条件下已具备显著的需求响应能力。然而，在建筑密度低的区域，供电缺口依然存在。
图6. 未调度三类光伏充电站占比。(a) 前15天统计。(b) 后15天统计。
图7. 前 15 天未调度的供需关系
3. 动态调度的供需优化（图8，图9，图10）：在引入动态调度算法后，系统整体供需平衡得到显著改善。当RPV区域半径达到300米时，动态调度使得超过90%的充电站需求得到完全满足。供电不足的区域通过调度获得邻近充电站的多余电力，极大提升了整体光伏系统的效率和可靠性。
图8. 两类太阳能光伏充电站调度比例 (a) 前 15 天的统计数据。(b) 后15 天的统计数据。
图9. 前 15 天的调度供需关系
图10. 前 15 天四个特定区域的调度供需关系 (a) 工业区。(b) 商业区。(c) 住宅区。(d) 郊区。
4. 调度成功率（图11）：RPV区域半径的大小影响调度成功率，当RPV区域较小时（如半径50米），电力仅能自给；当半径增加至100米，调度成功率达到峰值。过大半径反而导致成功率下降，表明适中的RPV区域设计能最佳地实现多余电力的调度和供电覆盖。
图11. 不同区域内成功调度的太阳能光伏充电站比例
总体而言，实验结果显示，RPV系统在静态供电与动态调度结合下能够满足大部分EV充电需求，且该方案具有广泛的适用性和推广价值。
Nanfan Ji，香港理工大学土地测量及地理资讯学系硕士研究生。
Rui Zhu，新加坡科学技术研究局高性能计算研究院系统科学部门资深科学家。研究兴趣为城市信息学，包括三个相互关联的领域：太阳能城市、城市环境和城市交通。
https://felix-rz.github.io/
Huang Ziyi，香港理工大学土地测量及地理资讯学系硕士研究生。
Linlin You，中山大学智能工程学院副教授，博士生导师，中山大学“百人计划”引进人才，深圳鹏城孔雀计划人才，广东省青年拔尖人才。学科方向为系统与服务（智慧城市物联网、自主式交通系统、城市智能感知、智能网络系统、个性化出行服务），计算与学习（城市空间计算、群体联邦智能、异步联邦学习、联邦元学习、联邦强化学习）。
https://ise.sysu.edu.cn/teacher/teacher02/1371451.htm
END
编辑：林天舒
排版：徐志萌
审核：曾凡鑫
