综述：电动汽车充电站能源管理系统的优化方法：综述

《JOURNAL OF POWER SOURCES》：Optimization approaches for energy management system in electric vehicle charging Station: A comprehensive review

电动汽车充电站中可再生能源整合的能量管理系统优化方法比较研究，提出基于标准绩效指标的定量评估框架，分析数学优化、元启发式算法和强化学习的性能权衡与适用场景，揭示当前EMS评价体系的研究空白。

　　

Afshan Salim | Nur Fadilah Bte Ab Aziz | Karam Khairullah Mohammed | Nur Azzammudin Bin Rahmat | Saad Mekhilef

斯威本科技大学工程学院，澳大利亚墨尔本

摘要

本文强调了需要具备适应性、可扩展性和对不确定性有意识的能源管理系统（EMS）解决方案，以支持大规模电动汽车（EV）的整合并减少电网压力。随着电动汽车渗透率的增加，特别是在可再生能源整合和充电需求不确定的情况下，电动汽车充电站面临更多的运营和电网挑战。本文对用于可再生能源集成型电动汽车充电站的EMS优化方法进行了全面的文献回顾。与以往仅描述单一方法的综述不同，本研究引入了一个基于量化标准和评估框架的方法，使用标准化的性能指标和基准意识评分来比较数学优化、元启发式和强化学习方法。基于雷达的比较分析揭示了在最优性、适应性、不确定性处理和电网合规性方面的系统性权衡。研究结果为评估这些方法的适用性提供了结构化的见解，并指出了当前EMS评估中的关键差距。

引言

近年来，全球对环境问题的关注日益增加。交通运输部门在汽油动力车辆导致的二氧化碳（CO2）排放大幅增加中扮演了重要角色[1]。随着各国努力实现碳中和并履行国际气候协议，从内燃机车辆向电动汽车的转变已成为可持续交通战略的基本组成部分[2]。电动汽车的普及突显了充电基础设施的需求。因此，充电站在电动汽车技术中的重要性不亚于电动汽车本身[3]。充电站数量的增加会给主电网带来额外的压力[4]。为了避免这种情况，需要精心规划和安排的充电设施[4]。电动汽车充电站（EVCS）所有者正在引入太阳能光伏（PV）和储能系统（ESS）等可再生能源，以减少电动汽车充电对电网的影响并降低排放[5]。 设计不佳的EVCS可能会对当地变压器造成过度负担，降低电能质量，并增加高峰时段的充电费用。这会导致运营成本增加和可靠性降低。此外，由于用户行为多样、出行模式不规律以及充电需求变化，电动汽车的到站时间难以预测，进一步复杂化了电网的规划和运营[6]。为了应对这些挑战，优化的能源管理系统（EMS）可以确保此类运营的成功。EMS作为核心智能系统，协调EVCS内的电力流动。它从电网、光伏系统和电池储能系统（BESS）等不同来源分配能源，同时优先考虑成本优化、电网稳定性和用户满意度。它负责充电调度、能源分配、需求响应和实时电力流优化，从而确保EVCS在供需波动的情况下仍能高效运行[7]。挑战在于开发一种既能最大化太阳能利用、又能降低成本或实现利润最大化的EMS，并能满足电动汽车的多样化需求。在过去十年中，EMS设计经历了显著发展，从简单的基于规则的方法转变为复杂的数学编程和人工智能（AI）驱动的系统[8]。与此同时，基础电力系统研究表明，有效的不确定性管理依赖于协调的控制架构、强大的诊断能力和可靠的数据解释[9][10][11]。关于孤岛式微电网的研究表明，在不确定的运行条件下，分布式发电、储能系统和负荷削减的分散协调对于维持电压和频率稳定性至关重要[9]。补充的诊断研究进一步证实，集成先进的信号处理和机器学习技术可以实现关键电网连接资产的可靠故障检测和不确定性处理，从而强调了数据完整性对于可靠EMS决策的重要性[11,12]。 早期的EMS实现依赖于预定义的规则集，例如始终优先使用光伏能源而非电网电力，在非高峰时段为电池充电，在高峰需求时段放电电池。虽然这些基于规则的方法易于实施且计算效率高，但它们无法适应太阳能发电量波动和电动汽车突然到来等变化情况，因此在成本和能源效率方面并不理想[13]。为了解决EVCS运行中的非线性和不确定性问题，人们研究了多种元启发式算法，包括遗传算法（GA）、粒子群优化（PSO）、蚁群优化（ACO）和灰狼优化（GWO）。这些技术特别适用于多目标问题，因为EMS必须同时平衡成本、可再生能源的利用和服务质量[14,15]。尽管元启发式方法不能保证全局最优解，但它们在处理高维问题时表现出强大的性能[16]。近年来，机器学习（ML）和强化学习（RL）在预测性和适应性EMS中的应用引起了广泛关注。ML和RL算法的一些应用包括电动汽车需求预测、动态定价响应以及通过与系统的试错互动进行适应性能源分配[17,18]。然而，AI技术严重依赖高质量的历史数据，并且在像EVCS这样的关键基础设施中可能面临可解释性方面的问题[13]。本文强调了EMS在实现经济高效、可靠和可持续的可再生能源集成型EVCS运行中的关键作用。与以往主要关注强化学习、元启发式优化或系统级协调等孤立方法领域的综述不同，本研究将传统的控制方法、基于优化的方法和数据驱动的EMS方法整合在一个统一的分析框架下。许多先前的调查侧重于算法描述，而没有提供基于基准的控制器级性能比较，从而限制了对特定EMS方法在不同运行规模、不确定性水平和部署约束下成败原因的深入了解。为了解决这一差距，本文通过对比分析现有综述（第5.6节，表9）并引入了一种结构化的、基于标准的EMS优化方法评估方法。关键性能指标包括经济性能、可再生能源利用率、电网互动、充电可靠性、对不确定性的鲁棒性和计算可行性。通过将EMS方法选择与可测量的技术经济和运营结果联系起来，本文提供了关于数学、元启发式和基于学习的EMS方法的优点、局限性和适用性的分析见解，同时指出了研究差距和下一代电动汽车充电基础设施的设计启示。本文概述了电动汽车充电基础设施和EMS的关键内容，首先解释了研究文章的选择方法，然后介绍了充电站基础设施类型和关键组件（如电源和电池储能系统），接着讨论了EMS的功能（如负载平衡、成本优化和可再生能源整合），随后探讨了应用于EMS设计的优化技术（从传统数学方法到新兴的数据驱动方法，如ML），并分析了当前面临的挑战（如实时数据采集），并探讨了AI驱动EMS的未来潜力。最后总结了先进技术对于实现高效和可持续电动汽车充电基础设施的重要性。

系统文献回顾方法

进行了系统的文献回顾，以识别有关电动汽车充电站（EVCS）的EMS研究。回顾协议遵循既定的系统文献回顾实践，对所有数据库应用了预定义的搜索字符串、筛选标准和纳入规则。搜索在Scopus、Web of Science（WoS）和IEEE Xplore三个数据库中进行，使用以下查询词：“electric vehicle charging station” OR “EV charging station” OR “charging station”

电动汽车充电站（EVCS）概述

交通运输领域的快速电气化推动了EVCS的前所未有的需求，而EVCS对于电动汽车的广泛采用至关重要。随着电动汽车数量的持续增加，开发高效、可扩展和智能的充电站变得越来越重要。这将确保充电基础设施的可靠性、经济性和可持续性[19]。本节提供了充电站类型、其架构和关键组件的全面概述

能源管理系统概述

随着EVCS规模和复杂性的不断扩大，对先进控制策略的需求也日益迫切。有效的控制框架必须同时管理波动的能源需求、来自可再生能源的可变供应以及不断上升的运营成本[49,50]。早期关于孤岛式微电网的研究表明，分布式发电、储能系统和负荷削减的协调分散控制对于管理运营不确定性至关重要

EMS建模和优化方法

每种优化策略根据系统配置、数据可用性和具体控制目标具有不同的优势[66]。图4展示了用于EMS设计的优化方法的总体分类，将其分为数学方法、元启发式方法和基于AI的方法

讨论：优化方法选择及其对EMS设计的实际影响

表7中的比较评估、表8中的方法平均结果以及图6和图7中的雷达可视化提供了基于证据的基础，用于理解不同优化范式在EMS中的实际表现，而不仅仅是理论上的表述。结果揭示了评估重点、适应性和报告严谨性方面的方法论权衡。

结论

本综述对电动汽车充电站的能源管理系统（EMS）优化方法进行了结构化的、基于证据的评估，目的是批判性地比较各种方法的表现，而不是提出新的EMS架构。通过使用八个基于百分比的性能标准和基于基准的权重，本研究系统地分析了最近的EMS文献，并将异构结果转化为一致的比较框架。

CRediT作者贡献声明

Afshan Salim：撰写——原始草稿、方法论、概念化。Nur Fadilah Bte Ab Aziz：监督、数据整理。Karam Khairullah Mohammed：撰写——审阅与编辑、监督、方法论。Nur Azzammudin Bin Rahmat：监督。Saad Mekhilef：撰写——审阅与编辑、监督。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了马来西亚高等教育部（MOHE）通过研究资助支持 FRGS/1/2023/TK08/UNITEN/02/9。