考虑矿-变电站既定容量下电池电动矿用卡车充电的电网感知协调

《World Electric Vehicle Journal》：Grid-Aware Charging Coordination of Battery-Electric Mining Trucks Under Firm Mine-Substation Capacity

　　

坑内快速充电的电池电动运输卡车可能使矿用变电站过载，该变电站以MVA为单位的N-1既定容量与工艺负荷共享，而每一项充电限制都会付出运输代价。本文针对一个具有30 MVA既定容量、有载调压变压器、坑内架空线路和拖曳电缆的33 kV代表性露天矿网络，为十二辆2.6 MWh卡车和四台6 MW充电器提出了一种电网感知的充电协调策略。该策略结合了荷电状态阈值、基于截止时间的休息充电、车队功率上限、错峰用餐休息、充电器无功功率以及基于预测的表观功率裕度约束，后者将既定容量转换为每步充电限值。其十二个参数采用L-SHADE在八个随机日上整定，并在1000个独立日上测试。非受控充电每天都超过既定容量（平均峰值43.0 MVA）。协调策略将平均峰值保持在29.7 MVA，将峰值输入功率降低32 %、损耗降低10.9 %，并将平均失去的运输时间从每天30.2卡车小时降至29.5卡车小时；在98 %的裕度下，其在2.9 %的天数中超过30 MVA，而严格合规设置在1000个测试日上从未超过（每天29.6–29.7卡车小时）。功率上限将峰值输入功率降低约1 MW；其运输效益取决于充电器分配规则。错峰休息贡献了大部分运输增益。充电器无功功率作为表观功率裕度，在25 MVA时变得具有决定性。压力测试和预测误差测试表明，运输增益是平均值而非每日保证，且波动的工艺负荷需要计量反馈和更大的裕度。

研究背景方面，运输是露天矿中柴油燃料的最大消耗者，其电气化是矿山脱碳的核心环节。220–240 t级电池电动运输卡车正以多MWh级车载电池和约6 MW固定充电器进行开发与测试，而十二辆此类卡车的代表性车队在运输时约消耗11 MW，四辆卡车同时以6 MW充电可在数分钟内增加24 MW。现有矿用卡车充电研究仅以充电器额定功率、C倍率或有功功率峰值限制充电功率，未以MVA为单位的N-1容量约束充电，也未对坑内馈线、拖曳电缆或有载调压变压器（OLTC）建模；带电网约束的车队充电研究仅限制有功功率峰值或需量电费，未考虑充电器无功功率、表观功率限值以及充电导致的产量损失；且尚无研究将班组的用餐休息和班次安排与电气设定点一同作为决策变量。这些组合对系统设计很重要，因为矿用变电站的既定容量以MVA为单位，与大型、部分感性的工艺负荷共享，基于有功充电功率或已安装变压器容量的设计会高估可用充电容量，而忽略失去的运输时间的设计无法判断电网约束对矿山是否可接受。为此，研究人员在一个耦合的车队–网络框架中研究了充电协调能在多大程度上降低坑内快速充电的电网影响，同时限制由此产生的运输损失，以及协调的哪些组成部分起作用。

研究人员开展了一项代表性并网电池电动运输车队场景研究，采用已发表和制造商推导的设备特性，处理电网集成层面而非声称对完整电池电动采矿车队进行商业验证。卡车调度、电铲分配和生产调度视为给定。研究重用了BIBC/BCBV潮流、准静态OLTC模型、SOC阈值和基于截止时间的充电规则以及L-SHADE优化器等既定方法，科学贡献在于这些模块的耦合方式及耦合模型所揭示的内容：面向车队充电的表观功率（MVA）既定容量约束，将矿山变电站的N-1既定容量转换为对车队充电功率的闭式每步限值，计入计划工艺负荷、充电器与网络的有功损耗、变压器和馈线的附加无功损耗以及充电器提供的无功功率；电气–生产联合表述，在单一目标中权衡失去的运输时间与网络和充电器损耗、峰值有功输入和电压偏差，并将班组的用餐休息时间与电气设定点一同作为决策变量；以及车队专用或网络专用模型无法获得的机理发现。研究得出以下结论：在1000个独立测试日上，十二辆卡车在四台6 MW充电器上非受控充电每天都超过变电站30 MVA既定容量，平均峰值43.0 MVA，偏移最长115 min；在八个训练日上整定的协调策略将平均峰值保持在29.7 MVA，将峰值有功输入降低32 %、网络和充电器损耗降低10.9 %，平均每天减少失去的运输时间0.66卡车小时（2.2 %）；运输增益是统计性的，在20 %的测试日上协调策略比非受控充电损失更多运输时间，如标称日一样；在98 %运行裕度下，其在2.9 %的天数中超过30 MVA既定限值，最多76 kVA且仅一个5 min步长。推荐的严格合规设置（在裕度约束中不计无功信用或采用97.5 %裕度）在30 MVA基准案例测试集中从未超过既定容量，且仍比不含无功功率和错峰的协调变体损失更少运输时间。在既定容量受限时（25 MVA），不计无功信用的严格设置即使重新整定后每天仍损失55.8卡车小时运输时间并伴随13.1卡车小时停滞；无此代价的严格合规要求空闲充电器保持其无功输出，这将失去的运输时间保持在41.2卡车小时、停滞保持在0.78卡车小时，但将损耗从每天12.8 MWh提高到16.6 MWh。消融表明，约为已安装充电功率一半的功率上限决定了电网影响，因为既定容量减去工艺负荷仅留下约两次同时充电的空间；仅既定容量限值在其余参数不变时比带功率上限每天多损失约2.5卡车小时，重新整定后多损失1.4卡车小时（变体G），这一运输效益依赖于允许卡车以任意剩余功率接入的分配规则，并在3 MW最小启动功率下消失，而带功率上限策略较低的峰值输入（约1 MW）则不依赖于此；错峰用餐休息这一纯组织措施贡献了大部分运输增益。充电器无功功率在带有载调压变压器的网络中不需要用于电压控制，它作为表观功率限值的裕度，在既定容量不受限时价值很小，在受限时具有决定性：在25 MVA时，无无功功率，卡车每天停滞13.1卡车小时。在25 MVA时，网络约束成为该代表性车队的主导限制，该值是场景特定的规划阈值。在所研究网络和既定容量限值下，每个充电垫增加第三台充电器并未提高协调稳态峰值，因此可为可用性和冗余增加充电器，但该结论不扩展到未建模的电能质量效应。既定容量限值必须使用与充电器效率匹配的损耗因子，其无功功率估计的滞后解释了罕见的小偏移。该约束的可靠性仅取决于工艺负荷预测：在日内负荷波动下，它需要计量反馈和更大的裕度，而大的非计划负荷阶跃需要基于测量的充电器快速削减。这些结果涉及代表性网络和运输的车队能量抽象下的能量与稳态网络影响。未来工作应针对六个方向：将充电协调与卡车调度和生产调度耦合，从而允许基于生产任务和到充电垫距离的充电优先级；用在运营矿山的实测网络、工艺负荷和卡车数据验证模型；在线协调器根据车队状态调整策略，具有学习型工艺负荷预测、计量反馈和快速充电器削减；基于学习的策略，例如强化学习，在本仿真环境中训练并与透明的基于规则策略进行基准比较；长坑内线路和拖曳电缆上MW级充电器的电磁暂态和谐波研究；以及充电器、现场储能、架线辅助和变电站增容的联合规划。

为开展研究用到的主要关键技术方法包括：基于BIBC/BCBV矩阵的前推回代潮流计算（电压变化容差、最大50次迭代）、准静态有载调压变压器（OLTC）模型（1.25 %分接头步长、死区、最多六次分接头更新迭代）、附加无功损耗的三次不动点迭代计算、充电器损耗模型（基础系数与按标幺缩放的灵敏度系数两组）、SOC演化的车队能量抽象及相分辨异构运输循环模型、基于预测的表观功率裕度约束（式5）、L-SHADE优化器进行十二参数整定（种群30、6000次评估、多种子），以及1000个独立随机测试日的外样本评估协议（训练日种子7、测试日种子2026）。样本队列来源为随机生成器产生的随机日场景，非特定运营矿山实测数据。

研究结果方面。标称日：非受控充电下卡车成组达到30 % SOC阈值，常四辆同时充电，车队消耗24 MW，变电站表观功率达43.1 MVA，超既定容量44 %；OLTC将33 kV电压保持在0.99–1.03 pu，电压不限制充电。所有协调变体将变电站保持在30 MVA以下，峰值28.5–29.8 MVA，将峰值有功输入从40.9 MW降至27.4–27.9 MW（32–33 %），将总损耗降低14–18 %。既定容量的代价是失去的运输时间，协调变体比非受控充电（30.7卡车小时）多损失1.1–3.0卡车小时，错峰将损失从32.6（B）降至31.8（C）和32.1卡车小时（E）。空闲充电器STATCOM运行（F）给出最低峰值表观功率28.5 MVA，但总损耗与非法充电相当，故不再考虑。研究人员强调该结果：限制充电功率以遵守既定容量可能降低生产率，标称日上无协调变体恢复非受控充电的运输量；运输效益是统计增益，并非每个运行模式都实现。随机日鲁棒性：所有协调变体将平均峰值有功输入从40.8降至27.5–27.6 MW（32 %），将总损耗降低10.9–11.9 %；电压和分接头不限制充电。失去的运输时间差异为配对比较且显著；无错峰或无无功的B比非受控充电每天多损失0.24卡车小时，错峰（C）恢复0.69卡车小时，完整策略E比非受控充电每天少损失0.66卡车小时（29.54对30.20，2.2 %），比B少0.90。无功功率单独（D）无帮助。去掉功率上限（G）即使重新整定后每天比E多损失1.44卡车小时。服务优先级：将以SOC递增顺序替换为先到先服务或最小松弛，在其余参数不变下每天降低失去的运输时间0.16和0.17卡车小时，但两者均让卡车在等待中达到下限，每天停滞0.005和0.004卡车小时，而E从不发生停滞，故保留SOC递增顺序。紧迫旁路与压力测试：在整定策略E下，1000个测试日上无卡车达到紧迫阈值（最低SOC 0.24），旁路从未触发；仅在功率上限远低于整定值时触发。压力场景下（运输能量提高25 %、一台充电器停运3 h、最大充电功率降额），紧迫旁路仍未触发，E在每天都保持既定容量（最大29.99 MVA），但每天损失50.1卡车小时对非受控的44.7。异构运输循环：非受控充电仍每天超既定容量（平均峰值41.0 MVA），E在0.3 %的天数中超限最多45 kVA，将损耗从14.0降至12.0 MWh每天，但运输权衡不可靠；在八个异构训练日重新整定后，E从未超过30 MVA，平均峰值27.6 MVA，损耗降至10.6 MWh每天，每天损失30.81卡车小时，比非受控少2.11（仅2.9 %的天数损失更多）。预测误差与无功延迟：充电器无功功率额外一步延迟将超过30 MVA的天数占比从2.9 %提高到51.5 %；裕度约束中不计无功信用则无偏移，代价0.12卡车小时。当预测仅为标称计划时，600 kVA储备不足；反馈上一步计量馈线负荷偏差可消除偏差并将偏移缩短至10–20 min。非计划1.5 MW负荷阶跃无法以可接受代价由一步校正吸收，裕度约束因此是调度层，工艺负荷波动时须结合计量反馈、按一步预测误差确定的裕度和基于测量的快速充电器削减。训练天数与惩罚权重：K为8或16时无超30 MVA偏移，差异约为置信区间大小，K=8对该场景足够；惩罚权重变化100倍结果类似，裕度约束是主要可行性机制。功率上限的选择：无旁路时低于10 MW的上限使车队饥饿，失去的运输时间升至39.4（9 MW）、50.8（8 MW）和94.1（6 MW）卡车小时；10–12 MW之间运输损失最低，12 MW时为29.46卡车小时；12 MW以上回升，18 MW以上由既定容量限值单独主导。12 MW以上的急剧上升由分配规则引起（第三辆卡车以小的剩余功率启动并缓慢充电）；采用3 MW最小启动功率后该上升消失，无上限时运输损失降至29.04卡车小时，比E少0.50，但平均峰值有功输入从27.6升至28.7 MW。因此上限的运输效益依赖于允许任意剩余功率接入的分配规则，不依赖分配规则的上限效益是较低的峰值有功输入；12 MW的最优值不应解读为一般规则。灵敏度分析：25 MVA时仅余6.2–8.3 MVA，整定策略将上限降至9.5–9.6 MW并使用几乎全部无功能力（2.1 Mvar），但车队每天损失41.2卡车小时、比非受控多11.0，并停滞0.78卡车小时。带无功信用和98 %裕度下，变电站77 %的天数超25 MVA；不计无功信用的严格设置即使重新整定后每天损失55.8卡车小时并停滞13.1卡车小时；空闲充电器保持无功输出可实现无运输代价的严格合规（峰值从未超24.9 MVA），但损耗从12.8升至16.6 MWh每天。25 MVA时网络约束成为该代表性矿山和车队的主导限制，应解读为场景特定规划阈值而非通用变电站限值。工艺负荷与功率因数：工艺负荷大15 %使裕度减少约2.6 MVA，协调车队比非受控每天多损失5.1卡车小时并偶有停滞；功率因数0.95或0.80仅使协调运输损失变化0.2–0.5卡车小时；50 Hz与60 Hz结果在置信区间内相同。充电器：每垫第三台充电器将非受控峰值升至56 MVA，但协调峰值不变；协调下可为可用性和冗余选择充电器数量而无需加固网络。车队与能量：16辆卡车或每循环能量多20 %时，协调车队每天比非受控多损失8.2和3.2卡车小时；无功功率在既定容量受限时有价值，否则无价值。充电器损耗：缩放灵敏度系数下总损耗上升约40 %，但协调峰值和运输损失变化很小；预测裕度模型须使用与假设充电器损耗水平一致的损耗因子。优化过程与可复现性：L-SHADE用作十二维策略向量的数值整定方法，实现参数（记忆大小、p-best集合、存档率、初始和最小种群、线性种群缩减、Cauchy和正态分布采样、current-to-pbest/1变异、二项交叉、中点边界修复）已给出，网络求解器容差和迭代限值在MATLAB 2022/Python 3.13实现中提供。种子稳定性：E的两次鲁棒运行收敛到几乎相同的训练目标，差异是种子间散布的十倍；功率上限、充电目标和休息间隔在2 %内一致，而SOC阈值和无功设定点不同；目标在SOC阈值、无功设定点和确切偏移上平坦，但在功率上限、充电目标和休息间隔上确定良好，参数值应解读为近最优集合的成员而非唯一最优。

讨论部分总结：三项实践要点。第一，在带有载调压变压器的矿山网络中，充电器无功功率不是电压控制资源而是表观功率裕度：在容量不受限时增加数百kVA的既定容量裕度，在受限时（25 MVA案例）决定车队能否运行；它应由充电器提供但谨慎使用，因为其消耗充电器损耗。第二，可同时使用的充电容量由既定容量减去工艺负荷决定，此处约为四台充电器中的两台，其余充电器提供冗余；在所研究网络和协调策略的既定容量限值下，每垫第三台充电器未提高协调峰值；该陈述涉及稳态表观功率，不涵盖附加充电器的谐波和暂态行为，且依赖于既定容量限值被强制执行。第三，用餐休息错峰这一纯组织措施给出最大的运输增益。所有这些结论涉及能量和稳态网络影响；长坑内线路和拖曳电缆上MW级充电器的电能质量需单独研究。可迁移性取决于四个量：裕度（裕度与充电器额定值之比决定可同时充电的卡车数；较大裕度下协调主要降低损耗和峰值输入而无运输代价，较小裕度下网络成为主导限制）、网络强度（更长坑内馈线、更低配电电压或无有载调压变压器会增加此处不约束的电压和电流约束）、运输循环（更长或更陡运输、更大有效载荷或更大车队增加须通过上限的能量；异构和相分辨运输循环不改变电网结果但改变运输权衡，除非在代表性日上整定）、运行实践（更多或更长休息或可移动休息的班组增加机会充电和错峰的价值，而固定共同休息消除了此处识别的最大运输增益；采用架线辅助或现场储能的矿山通过变电站的充电能量更少，预期受限更小）。局限性包括代表性数据（网络、工艺负荷、车队、班次模式和日间分布为代表假设，非运营矿山实测，结果不是现场验证且不意味着该卡车级别全车队商业成熟）、模型抽象（未建模调度、到充电垫的行程和基于任务的优先级，初始SOC固定，网络为5 min步长准静态，充电器动态、谐波和闪变不在范围内；异构运输循环测试支持运输能量抽象但不替代生产模型）、充电器损耗（悲观损耗集来自按标幺缩放的50 kVA变流器模型，特定MW级充电器损耗可能不同）、离线整定和目标权重（十二参数离线整定且日内固定，四个主要目标归一化后等权；在线协调器或矿山选择的其他权重可能给出不同权衡）。研究结论翻译：本文研究了代表性电池电动运输车队在代表性露天矿网络既定容量准则下的电网集成与充电协调。所建模车队不是特定运营矿山的记录，而是使用220–240 t卡车级别已发表和制造商推导特性参数化的代表性场景。在1000个独立测试日上，十二辆卡车在四台6 MW充电器上非受控充电每天都超过变电站30 MVA既定容量，平均峰值43.0 MVA、偏移最长115 min。在八个训练日上整定的协调策略将平均峰值保持在29.7 MVA，将峰值有功输入降低32 %、网络和充电器损耗降低10.9 %，平均每天减少失去的运输时间0.66卡车小时（2.2 %）；运输增益是统计性的，在20 %的测试日上协调策略比非受控充电损失更多运输时间，如标称日一样。在98 %运行裕度下，其在2.9 %的天数中超过30 MVA既定限值，最多76 kVA且仅一个5 min步长。推荐的严格合规设置（在裕度约束中不计无功信用或采用97.5 %裕度）在30 MVA基准案例测试集中从未超过既定容量，且仍比不含无功功率和错峰的协调变体损失更少运输时间。在既定容量受限时（25 MVA），不计无功信用的严格设置即使重新整定后每天仍损失55.8卡车小时运输时间并伴随13.1卡车小时停滞；无此代价的严格合规要求空闲充电器保持其无功输出，这将失去的运输时间保持在41.2卡车小时、停滞保持在0.78卡车小时，但将损耗从每天12.8 MWh提高到16.6 MWh。消融表明，约为已安装充电功率一半的功率上限决定了电网影响，因为既定容量减去工艺负荷仅留下约两次同时充电的空间；仅既定容量限值在其余参数不变时比带功率上限每天多损失约2.5卡车小时，重新整定后多损失1.4卡车小时（变体G），这一运输效益依赖于允许卡车以任意剩余功率接入的分配规则，并在3 MW最小启动功率下消失，而带功率上限策略较低的峰值输入（约1 MW）则不依赖于此；错峰用餐休息这一纯组织措施贡献了大部分运输增益。充电器无功功率在带有载调压变压器的网络中不需要用于电压控制，它作为表观功率限值的裕度，在既定容量不受限时价值很小，在受限时具有决定性：在25 MVA时，无无功功率，卡车每天停滞13.1卡车小时。在25 MVA时，网络约束成为该代表性车队的主导限制，该值是场景特定的规划阈值。在所研究网络和既定容量限值下，每个充电垫增加第三台充电器并未提高协调稳态峰值，因此可为可用性和冗余增加充电器；该结论不扩展到未建模的电能质量效应。既定容量限值必须使用与充电器效率匹配的损耗因子，其无功功率估计的滞后解释了罕见的小偏移。该约束的可靠性仅取决于工艺负荷预测：在日内负荷波动下，它需要计量反馈和更大的裕度，而大的非计划负荷阶跃需要基于测量的充电器快速削减。这些结果涉及代表性网络和运输的车队能量抽象下的能量与稳态网络影响。未来工作应针对六个方向：将充电协调与卡车调度和生产调度耦合，从而允许基于生产任务和到充电垫距离的充电优先级；用在运营矿山的实测网络、工艺负荷和卡车数据验证模型；在线协调器根据车队状态调整策略，具有学习型工艺负荷预测、计量反馈和快速充电器削减；基于学习的策略，例如强化学习，在本仿真环境中训练并与透明的基于规则策略进行基准比较；长坑内线路和拖曳电缆上MW级充电器的电磁暂态和谐波研究；以及充电器、现场储能、架线辅助和变电站增容的联合规划。