淺談基于充電行為分析的電動(dòng)汽車(chē)充電負荷預測

 摘要:文章基于南方某市的電動(dòng)汽車(chē)充電數據，得出各類(lèi)型電動(dòng)汽車(chē)在不同日期類(lèi)型的充電開(kāi)始時(shí)間、充電電量、充電功率的分布規律。采用蒙特卡洛算法模擬計算了該市2021年各類(lèi)型電動(dòng)汽車(chē)工作日與休息日的充電負荷情況，結果表明，電動(dòng)私家車(chē)在休息日的午間和凌晨充電負荷要高于工作日；該市電動(dòng)出租車(chē)在工作日與休息日的充電負荷占比分別60.42%、5&55%,在三類(lèi)型車(chē)中始終*大;電動(dòng)私家車(chē)工作日與休息日充電負荷曲線(xiàn)有較大差異,電網(wǎng)總負荷會(huì )在19：00達到*高峰。驗證了電動(dòng)汽車(chē)的大規模引入會(huì )增加電網(wǎng)的峰值和峰谷差，同時(shí)將充電行為數據擬合為公式，旨在為未來(lái)的電網(wǎng)擴容建設和對電動(dòng)汽車(chē)的有序充電控制提供幫助。

關(guān)鍵詞:電動(dòng)汽車(chē);充電行為分析;負荷預測

0引言

隨著(zhù)環(huán)境的惡化和化石能源短缺現象的加劇，電動(dòng)汽車(chē)以其相對低廉的價(jià)格、契合綠色出行的理念、消納間歇性可再生能源電力等特點(diǎn)，近些年在范圍內都得到了較快的發(fā)展。而大規模電動(dòng)汽車(chē)并入電網(wǎng)給電網(wǎng)的安全帶來(lái)了嚴重的威脅。即隨著(zhù)電動(dòng)汽車(chē)數量的提高，會(huì )給電網(wǎng)負荷帶來(lái)了巨大的沖擊"列。因此，對電動(dòng)汽車(chē)的充電負荷趨勢進(jìn)行預測，對于電網(wǎng)及充電樁后續的規劃建設，以及采用何種方式來(lái)緩解大規模電動(dòng)汽車(chē)充電過(guò)程對電網(wǎng)帶來(lái)的沖擊，都具有重要的研究?jì)r(jià)值和現實(shí)意義。針對電動(dòng)汽車(chē)充電負荷預測可以分為從空間角度和時(shí)間角度進(jìn)行預測。文獻研究電動(dòng)汽車(chē)在空間約束下的出行特性，采用交通起止點(diǎn)法和蒙特卡洛算法完成對電動(dòng)汽車(chē)充電負荷的時(shí)空預測。文獻針對電動(dòng)汽車(chē)在居民區的充電特征，建立相關(guān)模型。文獻以某一地區為例,根據狀態(tài)轉移矩陣得到居民區、工商業(yè)區電動(dòng)汽車(chē)的數量，研究不同功能區域電動(dòng)汽車(chē)充電負荷的差異性。文獻對蒙特卡洛算法的尋優(yōu)路徑優(yōu)化，完成對電動(dòng)汽車(chē)時(shí)間尺度上的負荷預測，提高了運算速度。

文中分析了人研究電動(dòng)汽車(chē)的充電負荷特性因素的不足之處，對某市工作日與休息日各類(lèi)型車(chē)的實(shí)際充電行為數據進(jìn)行統計分析，包括充電開(kāi)始時(shí)間、充電電量、充電功率的分布特征。采用蒙特卡洛法計算各類(lèi)型電動(dòng)汽車(chē)的負荷曲線(xiàn)，比較各類(lèi)型車(chē)負荷曲線(xiàn)的差異，分析充電負荷曲線(xiàn)對該市電網(wǎng)負荷的影響。

1影響電動(dòng)汽車(chē)充電負荷特性的因素充電

開(kāi)始時(shí)間、充電持續時(shí)間、充電功率是影響電動(dòng)汽車(chē)充電負荷特性的關(guān)鍵因素。下文將針對其進(jìn)行分析。

1.1開(kāi)始充電時(shí)間

用戶(hù)的充電開(kāi)始時(shí)間取決于車(chē)輛的類(lèi)型以及用戶(hù)的個(gè)人行為等。之的研究多是以燃油車(chē)的出行特性來(lái)近似代替電動(dòng)汽車(chē)的出行特性，例如文獻［13］采用NHTS(NationalHouseholdTravelSurvey)的數據，將燃油汽車(chē)*后一次出行的結束時(shí)刻近似視為開(kāi)始充電時(shí)間t,如式⑴所示,/與其頻率滿(mǎn)足正態(tài)分布，其中兒、久分別為t的期望和標準差。

1.2充電持續時(shí)間

充電持續時(shí)間Char決定了充電時(shí)間的長(cháng)短，取決于充電電量Q和充電功率P。通過(guò)式(2)得到，即：考慮到車(chē)型的不同，充電電量Q難以確定，文獻［14］研究了交通以及氣溫狀況對充電電量的影響，文獻［15］將用戶(hù)每次用車(chē)時(shí)的電池電荷狀態(tài)SOC的概率密度函數(StateofCharge)視為正態(tài)分布，通過(guò)概率密度函數隨機抽取得到SOC,通過(guò)式(3)即可得到充電電量Q,其中a為期望充電完成后的荷電狀態(tài),一般來(lái)說(shuō)a取為1,E為滿(mǎn)電電量。

Q=(.a-SOC)xE(3)文獻［16］亦根據NHTS的數據，將日行駛里程L視為滿(mǎn)足對數正態(tài)分布。通過(guò)式(4)得到日行駛里程Z,其中“d"d分別為Ini的期望和標準差

通過(guò)式(5),得到充電電量Q。其中s為每公里耗電量,a—般取1。Q=aX.SxL

(5)這些做法由于缺乏實(shí)際的電動(dòng)汽車(chē)充電數據，導致將數量龐大的電動(dòng)汽車(chē)難以確定的滿(mǎn)電電量E、每公里耗電量S、充電功率P等均視為一個(gè)定值,過(guò)于理想化的設定會(huì )降低模型的精度,使得*終的充電負荷預測結果會(huì )有偏差。而文中采用的是處理后的開(kāi)始充電時(shí)間、充電電量,以及充電功率這些實(shí)際充電行為數據,更加符合實(shí)際狀況。

1.3充電功率

充電功率P直接決定了充電持續階段的負荷情況。文獻［17］僅考慮了車(chē)輛某一充電倍率下的充電,假設充電功率在某個(gè)范圍內滿(mǎn)足均勻分布,具有一定的局限性。文獻采用分段函數來(lái)表示充電過(guò)程中功率的變化情況,使得結果更加準確,但該模型僅針對鐮氫電池,使得*終的充電負荷結果亦具有一定的局限性。

2電動(dòng)汽車(chē)充電行為分析

基于充電行為的差異性，以下針對各類(lèi)型電動(dòng)汽車(chē)從開(kāi)始充電時(shí)間、充電電量、充電功率進(jìn)行分析。

2.1公交車(chē)

公交車(chē)出行規律較為固定。為了更好地比較不同日期各類(lèi)型車(chē)輛充電行為的不同，將開(kāi)始充電時(shí)間、充電電量、充電功率均按照日期進(jìn)行了分類(lèi),將周一到周五記為工作日，周六周日記為休息日。對南方某市電公交車(chē)充電站的充電數據，處理后得到電動(dòng)公交車(chē)不同日期的開(kāi)始充電時(shí)間分布圖，如圖1所示。

可以發(fā)現公交車(chē)開(kāi)始充電時(shí)間有兩個(gè)峰值，分別為中午12：00附近和晚上23：00附近，且在23：00附近會(huì )達到一天中的*大峰值。由于充電時(shí)間不同，充電電量和功率也會(huì )不同，因此，將充電電量按照時(shí)間進(jìn)行分類(lèi),將白天定義為7:00-17:00,晚上定義為18：00到第二天6：00o得到電動(dòng)公交車(chē)不同日期白天和晚上的充電電量分布情況如圖2、圖3所示。

對充電電量進(jìn)行劃分，計算訂單中的每一段充電電量對應的平均充電功率如表1所示,相較于直接規定以某一充電功率充電，結果會(huì )更加準。將電動(dòng)公交車(chē)定義為一天一充，其中開(kāi)始充電時(shí)間、充電電量、均按照以上分布規律生成對應的隨機數，以此來(lái)代替用戶(hù)不確定的充電行為。

2.2出租車(chē)

出租車(chē)（包括網(wǎng)約車(chē)）同屬運營(yíng)類(lèi)車(chē)輛，近年來(lái)發(fā)展迅速。同理得到出租車(chē)不同日期開(kāi)始充電時(shí)間分布圖如圖4所示，白天和晚上的充電電量分布圖如圖5、圖6所示。

表1電動(dòng)公交車(chē)不同時(shí)間及充電電量下的充電功率

總體來(lái)說(shuō)工作日和休息日出租車(chē)的開(kāi)始充電時(shí)間分布近似相同，主要集中在中午12：00~15：00,晚上22：00~1：00,接近凌晨的充電頻率略高于中午的充電頻率。

同理對充電電量進(jìn)行分類(lèi),每一類(lèi)的電量,匹配所對應的訂單中的平均功率如表2所示,文中將電動(dòng)出租車(chē)的充電頻率定為一天兩次。

2.3私家車(chē)

私家車(chē)主要用于上下班，大部分時(shí)間處于閑置狀態(tài)，休息日多用于外出娛樂(lè )。對數據處理后得到電動(dòng)私家車(chē)開(kāi)始充電時(shí)間分布圖如圖7所示，充電電量分布圖如圖8、圖9所示。

圖7電動(dòng)私家車(chē)開(kāi)始充電時(shí)間分布

私家車(chē)工作日開(kāi)始充電時(shí)間更多的是集中在下班高峰期，約在19：00達到高峰，且晚上充電頻率顯著(zhù)高于中午。休息日在午間充電頻率整體高于工作日，在8:00~21:00達到一天中的峰值。同理將對充電電量大小進(jìn)行分類(lèi),每一類(lèi)的電量匹配所對應的訂單中的平均功率如表3所示,將電動(dòng)私家車(chē)的充電頻率定為一天一次。

3電動(dòng)汽車(chē)充電負荷預測模型

已知該地區2015年~2020年的電動(dòng)汽車(chē)保有量,計算得到該地區電動(dòng)汽車(chē)保有量年均漲幅高達75.26%，對增長(cháng)趨勢進(jìn)行擬合處理如圖10所示，計算得到2021年該地區電動(dòng)汽車(chē)的總保有量。已知該地區某市電動(dòng)汽車(chē)保有量占比，以及公交車(chē)、出租車(chē)、私家車(chē)之的數量占比，得到2021年該市總保有量為64616輛,其中公交車(chē)為2565輛，出租車(chē)(包括網(wǎng)約車(chē))為20541輛，私家車(chē)為41510輛。

通過(guò)上文各類(lèi)型車(chē)充電開(kāi)始時(shí)間、充電電量、充電功率的分布規律以及保有量數據，對南方某市2021年的公交車(chē)、出租車(chē)、私家車(chē)的充電負荷數據采取蒙特卡洛算法進(jìn)行預測計算。蒙特卡洛算法落旳是在已知某些隨機變量大量數據的提下,通過(guò)大量的隨機試驗,反復抽取隨機數,以此來(lái)替代電動(dòng)汽車(chē)的隨機充電行為，計算變量在試驗中出現的頻率近似估計其概率值,并將其作為問(wèn)題的解。

圖11為基于蒙特卡洛算法的電動(dòng)汽車(chē)充電負荷預測流程圖,通過(guò)仿真計算得到公交車(chē)、出租車(chē)、私家車(chē)一天的充電負荷情況。

為了簡(jiǎn)化計算流程,做出以下假設:

(1)各個(gè)類(lèi)型電動(dòng)汽車(chē)的開(kāi)始充電時(shí)間與充電電量互相獨立，彼此互不影響；

(2)充電過(guò)程均視為恒功率充電；

(3)區域內的總負荷為獨立車(chē)輛充電負荷的疊加,

即對同時(shí)刻的不同車(chē)型充電負荷進(jìn)行求和。文中將三種類(lèi)型電動(dòng)汽車(chē)充電負荷曲線(xiàn)的負荷值相加，計算各類(lèi)型車(chē)不同日期類(lèi)型的負荷占比，以及負荷峰值如表4所示。由于電動(dòng)出租車(chē)充電頻率高，保有量較高,無(wú)論工作日還是休息日，該市的電動(dòng)出租車(chē)充電負荷占比始終*高,分別為60.42%和5&88%。由于工作日和休息日對電動(dòng)公交車(chē)和電動(dòng)出租車(chē)的荷預測曲線(xiàn)影響較小，文中只列出電動(dòng)私家車(chē)工作日與休息日的負荷曲線(xiàn)對比圖12,以及三種電動(dòng)汽車(chē)在工作日的負荷曲線(xiàn)對比圖13,發(fā)現私家車(chē)在休息日中午和凌晨的充電負荷要高于工作日，工作日更多選擇在下班高峰期進(jìn)行充電。

將公交車(chē)、出租車(chē)、私家車(chē)三者的負荷曲線(xiàn)疊加得到圖14,可以發(fā)現工作日與休息日電動(dòng)汽車(chē)的總的負荷曲線(xiàn)分布規律相似。由于出租車(chē)的負荷占比始終*大，導致總體分布曲線(xiàn)類(lèi)似于出租車(chē)的充電負荷曲線(xiàn)。

已知該市2016年冬季典型日負荷曲線(xiàn)如圖15中的原負荷曲線(xiàn)所示。并將圖14結果疊加到原負荷曲線(xiàn)之上，得到2021年該市電動(dòng)汽車(chē)總負荷曲線(xiàn)與原負荷曲線(xiàn)對比圖，如圖15所示。并繪制了表5,展示三條曲線(xiàn)負荷峰值、谷值、峰谷差、方差之間的差異,括號內

展示了相較于基礎負荷的增長(cháng)率。表6、表7分別為各類(lèi)型車(chē)開(kāi)始充電時(shí)間、充電電量的概率密度函數擬合公式的具體參數。

從圖15以及表5可以看出，電動(dòng)汽車(chē)的充電過(guò)程使得電網(wǎng)的整體負荷有了較大的提升，會(huì )在晚上19：00達到高峰，約為835.09MW（工作日），830.20MW（休息日），負荷峰值分別提高了7.79%（工作日），7.16%（休息日）。相對來(lái)說(shuō)，在夜間負荷谷值的提升更為明顯，分別提高10.70%,11.12%，利用這一特性后續可以采用V2G[27-30]等有序充電控制技術(shù)，將電動(dòng)汽車(chē)作為一個(gè)獨立的儲能單元與電網(wǎng)進(jìn)行有效的交互調度,在滿(mǎn)足用戶(hù)充電需求的提下,提高發(fā)電設備在夜間的利用率，實(shí)現削峰填谷，確保電網(wǎng)的安全穩定運行。負荷峰谷差由原來(lái)的366.99MW提高至383.70MW（工作日）、377.10MW（休息日）分別提高4.55%,2.75%。而負荷的波動(dòng)情況一般用方差來(lái)表示，負荷方差分別提高9.62%（工作日），7.94%（休息日），也表明電動(dòng)汽車(chē)的引入加劇了電網(wǎng)的不穩定波動(dòng)。

文中將各類(lèi)型電動(dòng)汽車(chē)的開(kāi)始充電時(shí)間以及充電電量通過(guò)Matlab進(jìn)行擬合處理，篩選B2>0.95的函數，其中疋表示復相關(guān)系數，其越接近1,表示擬合效果越好。發(fā)現除了私家車(chē)在工作日與休息日，開(kāi)始充電時(shí)間的概率密度函數用高階傅里葉函數（如式6）擬合效果較好以外,其余均通過(guò)一階或多階高斯分布函數（如式7）完成擬合。同時(shí)采用*小二乘法估計公式的各項參數，結果如表6與表7所示，其中％表示開(kāi)始充電時(shí)間或是充電電量,/（%）表示與之對應的概率密度。通過(guò)對充電行為進(jìn)行函數擬合，旨在得到一種更加普遍且實(shí)際的概率模型,為后的研究提供幫助。

AcrelCloud-9000安科瑞充電柱收費運營(yíng)云平臺系統通過(guò)物聯(lián)網(wǎng)技術(shù)對接入系統的電動(dòng)電動(dòng)自行車(chē)充電站以及各個(gè)充電整法行不間斷地數據采集和監控，實(shí)時(shí)監控充電樁運行狀態(tài)，進(jìn)行充電服務(wù)、支付管理，交易結算，資要管理、電能管理，明細查詢(xún)等。同時(shí)對充電機過(guò)溫保護、漏電、充電機輸入/輸出過(guò)壓，欠壓，絕緣低各類(lèi)故障進(jìn)行預警；充電樁支持以太網(wǎng)、4G或WIFI等方式接入互聯(lián)網(wǎng)，用戶(hù)通過(guò)微信、支付寶，云閃付掃碼充電。

4.2應用場(chǎng)所

適用于民用建筑、一般工業(yè)建筑、居住小區、實(shí)業(yè)單位、商業(yè)綜合體、學(xué)校、園區等充電樁模式的充電基礎設施設計。

4.3系統結構

4.3.1系統分為四層：

1）即數據采集層、網(wǎng)絡(luò )傳輸層、數據中心層和客戶(hù)端層。

2）數據采集層：包括電瓶車(chē)智能充電樁通訊協(xié)議為標準modbus-rtu。電瓶車(chē)智能充電樁用于采集充電回路的電力參數，并進(jìn)行電能計量和保護。

3）網(wǎng)絡(luò )傳輸層：通過(guò)4G網(wǎng)絡(luò )將數據上傳至搭建好的數據庫服務(wù)器。

4）數據中心層：包含應用服務(wù)器和數據服務(wù)器，應用服務(wù)器部署數據采集服務(wù)、WEB網(wǎng)站，數據服務(wù)器部署實(shí)時(shí)數據庫、歷史數據庫、基礎數據庫。

5）應客戶(hù)端層：系統管理員可在瀏覽器中訪(fǎng)問(wèn)電瓶車(chē)充電樁收費平臺。終端充電用戶(hù)通過(guò)刷卡掃碼的方式啟動(dòng)充電。

小區充電平臺功能主要涵蓋充電設施智能化大屏、實(shí)時(shí)監控、交易管理、故障管理、統計分析、基礎數據管理等功能，同時(shí)為運維人員提供運維APP，充電用戶(hù)提供充電小程序。

4.4安科瑞充電樁云平臺系統功能

4.4.1智能化大屏

智能化大屏展示站點(diǎn)分布情況，對設備狀態(tài)、設備使用率、充電次數、充電時(shí)長(cháng)、充電金額、充電度數、充電樁故障等進(jìn)行統計顯示，同時(shí)可查看每個(gè)站點(diǎn)的站點(diǎn)信息、充電樁列表、充電記錄、收益、能耗、故障記錄等。統一管理小區充電樁，查看設備使用率，合理分配資源。

4.4.2.實(shí)時(shí)監控

實(shí)時(shí)監視充電設施運行狀況，主要包括充電樁運行狀態(tài)、回路狀態(tài)、充電過(guò)程中的充電電量、充電電壓/電流，充電樁告警信息等。

4.4.3交易管理

平臺管理人員可管理充電用戶(hù)賬戶(hù)，對其進(jìn)行賬戶(hù)進(jìn)行充值、退款、凍結、注銷(xiāo)等操作，可查看小區用戶(hù)每日的充電交易詳細信息。

4.4.4故障管理

設備自動(dòng)上報故障信息，平臺管理人員可通過(guò)平臺查看故障信息并進(jìn)行派發(fā)處理，同時(shí)運維人員可通過(guò)運維APP收取故障推送，運維人員在運維工作完成后將結果上報。充電用戶(hù)也可通過(guò)充電小程序反饋現場(chǎng)問(wèn)題。

4.4.5統計分析

通過(guò)系統平臺，從充電站點(diǎn)、充電設施、、充電時(shí)間、充電方式等不同角度，查詢(xún)充電交易統計信息、能耗統計信息等。

4.4.6基礎數據管理

在系統平臺建立運營(yíng)商戶(hù)，運營(yíng)商可建立和管理其運營(yíng)所需站點(diǎn)和充電設施，維護充電設施信息、價(jià)格策略、折扣、優(yōu)惠活動(dòng)，同時(shí)可管理在線(xiàn)卡用戶(hù)充值、凍結和解綁。

4.4.7運維APP

面向運維人員使用，可以對站點(diǎn)和充電樁進(jìn)行管理、能夠進(jìn)行故障閉環(huán)處理、查詢(xún)流量卡使用情況、查詢(xún)充電\充值情況，進(jìn)行遠程參數設置，同時(shí)可接收故障推送

4.4.8充電小程序

面向充電用戶(hù)使用，可查看附近空閑設備，主要包含掃碼充電、賬戶(hù)充值，充電卡綁定、交易查詢(xún)、故障申訴等功能。

4.5系統硬件配置

5結束語(yǔ)

由于早期的研究缺乏實(shí)際數據的支持，對充電電量和充電功率的設定較為主觀(guān),降低了模型計算的精度，文章基于南方某市電動(dòng)汽車(chē)充電的實(shí)際數據，對其進(jìn)行篩選處理，得到不同類(lèi)型電動(dòng)汽車(chē)充電行為的分布規律，并將其充電行為數據擬合成函數形式。而后采用蒙特卡羅算法對三種類(lèi)型電動(dòng)車(chē)的充電負荷曲線(xiàn)進(jìn)行了模擬計算，得到以下結論：

(1)電動(dòng)汽車(chē)的大規模無(wú)序充電行為會(huì )進(jìn)一步提高電網(wǎng)的峰值與峰谷差,導致峰上加峰現象的出現；

(2)電動(dòng)出租車(chē)充電負荷占比較高，同時(shí)具有較大的隨機性，未來(lái)具有較大的調度潛力，可以通過(guò)多種方式對其充電行為進(jìn)行引導，進(jìn)一步降低其充電行為對電網(wǎng)的影響。