这是一项关于电动重卡电池换电站充电策略优化的原创性研究，由Shi Peijun（大唐京津冀能源营销有限公司）、Ni Guojian（华北电力大学）、Jin Rifeng（大唐河南发电有限公司）等多位作者合作完成。通讯作者为Qiu Guizhi（中国大唐集团科学技术研究总院华北电力试验研究院）。该研究成果于2025年1月8日发表在学术期刊《Energies》上。

该研究属于电气工程与能源管理领域，其背景是随着风能和光伏等可再生能源的广泛部署，其出力的不确定性，叠加电动重卡换电需求的波动，给电池换电站的集中优化充电管理带来了巨大挑战。无序的大规模充电行为不仅会增加换电站的运营成本，还可能影响电网的稳定性。为应对这一挑战，本研究旨在提出一种考虑源（可再生能源）-荷（电网负荷）-储（储能设备）不确定性的多时间尺度电池充电优化方法，以降低换电站充电成本并提升电网稳定性。

研究的工作流程包含三个主要部分：系统建模、日前优化和日内优化。 首先，研究团队构建了一个全面考虑源-荷-储不确定性的电动重卡电池换电站模型。该模型涵盖了风力发电机、光伏板、储能设备、电池充放电装置以及与电网的交互。模型特别考虑了可再生能源出力（光伏和风电）和负荷需求的预测误差，将实际功率表达为预测值与预测误差之和。同时，模型在分时电价（time-of-use pricing）机制下，模拟了换电站在谷、平、峰不同时段的购电成本。对于站内电池，模型依据荷电状态（State of Charge, SOC）将其分为K个等级，并利用大M法（big M method）构建约束，确保在高换电需求时期，优先对高电量电池进行充电，以加快充满电的电池数量。换电需求本身也被视作一个包含预测误差的不确定变量。模型还设定了一系列运行约束，包括购电功率限制、电池及储能设备的充放电功率限制、电量平衡约束等。 其次，基于日前和日内两个时间尺度，研究将优化问题分解为日前和日内两个子问题。在日前优化阶段，研究者提出了一种基于日内优化反馈信息间隙决策理论（Information-Gap Decision Theory, IGDT）的算法。该方法不依赖不确定变量的精确概率分布，而是通过包络约束模型来界定电池换电数量、光伏和风电出力、负荷功率等不确定参数围绕预测值的波动范围，即不确定性半径。针对决策者的不同风险偏好，IGDT模型分为鲁棒模型和机会模型两种。鲁棒模型将不确定性视为负面因素，寻求在保证成本不超过预设目标的前提下，最大化系统对不确定性的承受能力（即最大化不确定性半径）；而机会模型则将不确定性视为有利条件，寻求在有机会获得更低成本时，最小化所需的不确定性范围。该研究提出的改进IGDT算法，其核心在于能够根据日内优化的实时结果动态调整日前模型中的鲁棒因子和机会因子，从而根据实际情况微调日前优化的风险态度。 在日内优化阶段，为了求解高维、多变量的复杂充电策略调整问题，研究提出了一种基于改进蚱蜢优化算法（improved grasshopper optimization algorithm）。该算法通过三个关键改进来克服传统群智能算法收敛速度慢、易陷入局部最优的问题。第一，采用混沌序列（chaotic sequences）进行种群初始化，使个体在搜索空间内分布更均匀，从而提升初始种群质量。第二，采用精英反向学习（elite opposition-based learning）策略，从当前种群中选取精英个体并赋予其合适的权重，通过协商决策生成一个新的精英领导者，用以引导整个种群的更新，增强全局搜索能力。第三，在位置更新中引入基于莱维飞行（Lévy flight）的随机扰动机制，模拟长距离和短距离移动，帮助算法跳出局部最优。日内优化以最小化每时间段的充电成本为目标，根据最新的短期预测信息对日前调度策略进行调整，并将优化评估结果反馈给日前优化模块，形成闭环。

研究通过基于某省实际换电站参数的仿真实验对提出的算法进行了验证，并与两种基线算法进行了对比。实验结果表明，所提出的多时间尺度优化算法在性能上具有显著优势。首先，在成本控制方面，当迭代次数达到200次时，该算法的日内充电成本相比两种基线算法分别降低了4.26%和6.03%，且收敛速度更快。这归功于混沌序列初始化和精英反向学习策略提升了寻优效率和精度。其次，在电池管理策略方面，仿真展示了电池SOC等级随时间变化的规律：在光伏出力较大的时段，大量电池被充电至满电状态以消纳多余电力；而在傍晚负荷高峰和换电高峰时段，满电电池数量减少，空电电池数量增加。再次，在储能与购电策略方面，结果显示储能在光伏大发时充电，在光伏不足或负荷高峰时放电，甚至在晚高峰期间，即使储能和电池联合放电仍无法满足需求，需从电网高价购电，验证了优化策略的合理性。此外，在风险偏好影响分析中，研究表明在鲁棒模型下，随着鲁棒因子增大，不确定性半径和总运营成本增加；在机会模型下，随着机会因子增大，总成本降低但不确定性半径也增大，这为决策者根据风险偏好制定不同调度策略提供了依据。最后，在电网稳定性方面，优化后的充电策略使换电站在17:00至23:00的峰值负荷从41.4 kW降至39.2 kW，降幅达5.31%，有效降低了最大负荷，证明了该方法有助于换电站参与电网削峰填谷。

本研究得出的结论是，所提出的多时间尺度电池充电优化算法，通过融合改进IGDT的日前优化和改进蚱蜢算法的日内优化，成功应对了源-荷-储多重不确定性对换电站充电管理的挑战。该方法不仅显著降低了充电成本，还通过优化充电功率分布，有效降低了峰值负荷，提升了电网的稳定性。其科学价值在于提出了一种创新的双层优化框架，将处理不确定性的IGDT方法与处理高维复杂优化的改进群智能算法有机结合，并通过反馈机制实现动态调整。其应用价值在于为电动重卡换电站的经济、稳定运行提供了一套切实可行的智能调度方案，有助于推动电动重卡行业的可持续发展。

本研究的亮点主要体现在三个方面。第一，模型的全面性与真实性。它构建的电池充电模型全面整合了可再生能源出力、分时电价、电网负荷波动和换电需求等多元不确定性，更贴近真实电网运行环境。第二，方法论上的创新性。提出的基于日内优化反馈的改进IGDT算法，不仅兼顾了鲁棒与机会两种决策模式，还能动态调整风险偏好，克服了传统鲁棒规划过于保守的弊端。第三，算法设计的先进性。提出的改进蚱蜢优化算法通过混沌初始化、精英反向学习和莱维飞行三种机制的融合，显著提升了求解高维充电策略优化问题时的收敛速度、精度和稳定性，避免了陷入局部最优。未来研究方向将集中在将用户行为模型整合到充电策略优化中，以提供更个性化和高效的换电服务。