淺談基于充電行為分析的電動汽車充電負(fù)荷預(yù)測

 摘要:文章基于南方某市的電動汽車充電數(shù)據(jù)，得出各類型電動汽車在不同日期類型的充電開始時間、充電電量、充電功率的分布規(guī)律。采用蒙特卡洛算法模擬計算了該市2021年各類型電動汽車工作日與休息日的充電負(fù)荷情況，結(jié)果表明，電動私家車在休息日的午間和凌晨充電負(fù)荷要高于工作日；該市電動出租車在工作日與休息日的充電負(fù)荷占比分別60.42%、5&55%,在三類型車中始終*大;電動私家車工作日與休息日充電負(fù)荷曲線有較大差異,電網(wǎng)總負(fù)荷會在19：00達(dá)到*高峰。驗證了電動汽車的大規(guī)模引入會增加電網(wǎng)的峰值和峰谷差，同時將充電行為數(shù)據(jù)擬合為公式，旨在為未來的電網(wǎng)擴容建設(shè)和對電動汽車的有序充電控制提供幫助。

關(guān)鍵詞:電動汽車;充電行為分析;負(fù)荷預(yù)測

0引言

隨著環(huán)境的惡化和化石能源短缺現(xiàn)象的加劇，電動汽車以其相對低廉的價格、契合綠色出行的理念、消納間歇性可再生能源電力等特點，近些年在范圍內(nèi)都得到了較快的發(fā)展。而大規(guī)模電動汽車并入電網(wǎng)給電網(wǎng)的安全帶來了嚴(yán)重的威脅。即隨著電動汽車數(shù)量的提高，會給電網(wǎng)負(fù)荷帶來了巨大的沖擊"列。因此，對電動汽車的充電負(fù)荷趨勢進行預(yù)測，對于電網(wǎng)及充電樁后續(xù)的規(guī)劃建設(shè)，以及采用何種方式來緩解大規(guī)模電動汽車充電過程對電網(wǎng)帶來的沖擊，都具有重要的研究價值和現(xiàn)實意義。針對電動汽車充電負(fù)荷預(yù)測可以分為從空間角度和時間角度進行預(yù)測。文獻研究電動汽車在空間約束下的出行特性，采用交通起止點法和蒙特卡洛算法完成對電動汽車充電負(fù)荷的時空預(yù)測。文獻針對電動汽車在居民區(qū)的充電特征，建立相關(guān)模型。文獻以某一地區(qū)為例,根據(jù)狀態(tài)轉(zhuǎn)移矩陣得到居民區(qū)、工商業(yè)區(qū)電動汽車的數(shù)量，研究不同功能區(qū)域電動汽車充電負(fù)荷的差異性。文獻對蒙特卡洛算法的尋優(yōu)路徑優(yōu)化，完成對電動汽車時間尺度上的負(fù)荷預(yù)測，提高了運算速度。

文中分析了人研究電動汽車的充電負(fù)荷特性因素的不足之處，對某市工作日與休息日各類型車的實際充電行為數(shù)據(jù)進行統(tǒng)計分析，包括充電開始時間、充電電量、充電功率的分布特征。采用蒙特卡洛法計算各類型電動汽車的負(fù)荷曲線，比較各類型車負(fù)荷曲線的差異，分析充電負(fù)荷曲線對該市電網(wǎng)負(fù)荷的影響。

1影響電動汽車充電負(fù)荷特性的因素充電

開始時間、充電持續(xù)時間、充電功率是影響電動汽車充電負(fù)荷特性的關(guān)鍵因素。下文將針對其進行分析。

1.1開始充電時間

用戶的充電開始時間取決于車輛的類型以及用戶的個人行為等。之的研究多是以燃油車的出行特性來近似代替電動汽車的出行特性，例如文獻［13］采用NHTS(NationalHouseholdTravelSurvey)的數(shù)據(jù)，將燃油汽車*后一次出行的結(jié)束時刻近似視為開始充電時間t,如式⑴所示,/與其頻率滿足正態(tài)分布，其中兒、久分別為t的期望和標(biāo)準(zhǔn)差。

1.2充電持續(xù)時間

充電持續(xù)時間Char決定了充電時間的長短，取決于充電電量Q和充電功率P。通過式(2)得到，即：考慮到車型的不同，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］將用戶每次用車時的電池電荷狀態(tài)SOC的概率密度函數(shù)(StateofCharge)視為正態(tài)分布，通過概率密度函數(shù)隨機抽取得到SOC,通過式(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),一般來說a取為1,E為滿電電量。

Q=(.a-SOC)xE(3)文獻［16］亦根據(jù)NHTS的數(shù)據(jù)，將日行駛里程L視為滿足對數(shù)正態(tài)分布。通過式(4)得到日行駛里程Z,其中“d"d分別為Ini的期望和標(biāo)準(zhǔn)差

通過式(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際的電動汽車充電數(shù)據(jù)，導(dǎo)致將數(shù)量龐大的電動汽車難以確定的滿電電量E、每公里耗電量S、充電功率P等均視為一個定值,過于理想化的設(shè)定會降低模型的精度,使得*終的充電負(fù)荷預(yù)測結(jié)果會有偏差。而文中采用的是處理后的開始充電時間、充電電量,以及充電功率這些實際充電行為數(shù)據(jù),更加符合實際狀況。

1.3充電功率

充電功率P直接決定了充電持續(xù)階段的負(fù)荷情況。文獻［17］僅考慮了車輛某一充電倍率下的充電,假設(shè)充電功率在某個范圍內(nèi)滿足均勻分布,具有一定的局限性。文獻采用分段函數(shù)來表示充電過程中功率的變化情況,使得結(jié)果更加準(zhǔn)確,但該模型僅針對鐮氫電池,使得*終的充電負(fù)荷結(jié)果亦具有一定的局限性。

2電動汽車充電行為分析

基于充電行為的差異性，以下針對各類型電動汽車從開始充電時間、充電電量、充電功率進行分析。

2.1公交車

公交車出行規(guī)律較為固定。為了更好地比較不同日期各類型車輛充電行為的不同，將開始充電時間、充電電量、充電功率均按照日期進行了分類,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充電站的充電數(shù)據(jù)，處理后得到電動公交車不同日期的開始充電時間分布圖，如圖1所示。

可以發(fā)現(xiàn)公交車開始充電時間有兩個峰值，分別為中午12：00附近和晚上23：00附近，且在23：00附近會達(dá)到一天中的*大峰值。由于充電時間不同，充電電量和功率也會不同，因此，將充電電量按照時間進行分類,將白天定義為7:00-17:00,晚上定義為18：00到第二天6：00o得到電動公交車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。

對充電電量進行劃分，計算訂單中的每一段充電電量對應(yīng)的平均充電功率如表1所示,相較于直接規(guī)定以某一充電功率充電，結(jié)果會更加準(zhǔn)。將電動公交車定義為一天一充，其中開始充電時間、充電電量、均按照以上分布規(guī)律生成對應(yīng)的隨機數(shù)，以此來代替用戶不確定的充電行為。

2.2出租車

出租車（包括網(wǎng)約車）同屬運營類車輛，近年來發(fā)展迅速。同理得到出租車不同日期開始充電時間分布圖如圖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電動公交車不同時間及充電電量下的充電功率

總體來說工作日和休息日出租車的開始充電時間分布近似相同，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。

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

2.3私家車

私家車主要用于上下班，大部分時間處于閑置狀態(tài)，休息日多用于外出娛樂。對數(shù)據(jù)處理后得到電動私家車開始充電時間分布圖如圖7所示，充電電量分布圖如圖8、圖9所示。

圖7電動私家車開始充電時間分布

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

3電動汽車充電負(fù)荷預(yù)測模型

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

通過上文各類型車充電開始時間、充電電量、充電功率的分布規(guī)律以及保有量數(shù)據(jù)，對南方某市2021年的公交車、出租車、私家車的充電負(fù)荷數(shù)據(jù)采取蒙特卡洛算法進行預(yù)測計算。蒙特卡洛算法落旳是在已知某些隨機變量大量數(shù)據(jù)的提下,通過大量的隨機試驗,反復(fù)抽取隨機數(shù),以此來替代電動汽車的隨機充電行為，計算變量在試驗中出現(xiàn)的頻率近似估計其概率值,并將其作為問題的解。

圖11為基于蒙特卡洛算法的電動汽車充電負(fù)荷預(yù)測流程圖,通過仿真計算得到公交車、出租車、私家車一天的充電負(fù)荷情況。

為了簡化計算流程,做出以下假設(shè):

(1)各個類型電動汽車的開始充電時間與充電電量互相獨立，彼此互不影響；

(2)充電過程均視為恒功率充電；

(3)區(qū)域內(nèi)的總負(fù)荷為獨立車輛充電負(fù)荷的疊加,

即對同時刻的不同車型充電負(fù)荷進行求和。文中將三種類型電動汽車充電負(fù)荷曲線的負(fù)荷值相加，計算各類型車不同日期類型的負(fù)荷占比，以及負(fù)荷峰值如表4所示。由于電動出租車充電頻率高，保有量較高,無論工作日還是休息日，該市的電動出租車充電負(fù)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公交車和電動出租車的荷預(yù)測曲線影響較小，文中只列出電動私家車工作日與休息日的負(fù)荷曲線對比圖12,以及三種電動汽車在工作日的負(fù)荷曲線對比圖13,發(fā)現(xiàn)私家車在休息日中午和凌晨的充電負(fù)荷要高于工作日，工作日更多選擇在下班高峰期進行充電。

將公交車、出租車、私家車三者的負(fù)荷曲線疊加得到圖14,可以發(fā)現(xiàn)工作日與休息日電動汽車的總的負(fù)荷曲線分布規(guī)律相似。由于出租車的負(fù)荷占比始終*大，導(dǎo)致總體分布曲線類似于出租車的充電負(fù)荷曲線。

已知該市2016年冬季典型日負(fù)荷曲線如圖15中的原負(fù)荷曲線所示。并將圖14結(jié)果疊加到原負(fù)荷曲線之上，得到2021年該市電動汽車總負(fù)荷曲線與原負(fù)荷曲線對比圖，如圖15所示。并繪制了表5,展示三條曲線負(fù)荷峰值、谷值、峰谷差、方差之間的差異,括號內(nèi)

展示了相較于基礎(chǔ)負(fù)荷的增長率。表6、表7分別為各類型車開始充電時間、充電電量的概率密度函數(shù)擬合公式的具體參數(shù)。

從圖15以及表5可以看出，電動汽車的充電過程使得電網(wǎng)的整體負(fù)荷有了較大的提升，會在晚上19：00達(dá)到高峰，約為835.09MW（工作日），830.20MW（休息日），負(fù)荷峰值分別提高了7.79%（工作日），7.16%（休息日）。相對來說，在夜間負(fù)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(xù)可以采用V2G[27-30]等有序充電控制技術(shù)，將電動汽車作為一個獨立的儲能單元與電網(wǎng)進行有效的交互調(diào)度,在滿足用戶充電需求的提下,提高發(fā)電設(shè)備在夜間的利用率，實現(xiàn)削峰填谷，確保電網(wǎng)的安全穩(wěn)定運行。負(fù)荷峰谷差由原來的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(fù)荷的波動情況一般用方差來表示，負(fù)荷方差分別提高9.62%（工作日），7.94%（休息日），也表明電動汽車的引入加劇了電網(wǎng)的不穩(wěn)定波動。

文中將各類型電動汽車的開始充電時間以及充電電量通過Matlab進行擬合處理，篩選B2>0.95的函數(shù)，其中疋表示復(fù)相關(guān)系數(shù)，其越接近1,表示擬合效果越好。發(fā)現(xiàn)除了私家車在工作日與休息日，開始充電時間的概率密度函數(shù)用高階傅里葉函數(shù)（如式6）擬合效果較好以外,其余均通過一階或多階高斯分布函數(shù)（如式7）完成擬合。同時采用*小二乘法估計公式的各項參數(shù)，結(jié)果如表6與表7所示，其中％表示開始充電時間或是充電電量,/（%）表示與之對應(yīng)的概率密度。通過對充電行為進行函數(shù)擬合，旨在得到一種更加普遍且實際的概率模型,為后的研究提供幫助。

AcrelCloud-9000安科瑞充電柱收費運營云平臺系統(tǒng)通過物聯(lián)網(wǎng)技術(shù)對接入系統(tǒng)的電動電動自行車充電站以及各個充電整法行不間斷地數(shù)據(jù)采集和監(jiān)控，實時監(jiān)控充電樁運行狀態(tài)，進行充電服務(wù)、支付管理，交易結(jié)算，資要管理、電能管理，明細(xì)查詢等。同時對充電機過溫保護、漏電、充電機輸入/輸出過壓，欠壓，絕緣低各類故障進行預(yù)警；充電樁支持以太網(wǎng)、4G或WIFI等方式接入互聯(lián)網(wǎng)，用戶通過微信、支付寶，云閃付掃碼充電。

4.2應(yīng)用場所

適用于民用建筑、一般工業(yè)建筑、居住小區(qū)、實業(yè)單位、商業(yè)綜合體、學(xué)校、園區(qū)等充電樁模式的充電基礎(chǔ)設(shè)施設(shè)計。

4.3系統(tǒng)結(jié)構(gòu)

4.3.1系統(tǒng)分為四層：

1）即數(shù)據(jù)采集層、網(wǎng)絡(luò)傳輸層、數(shù)據(jù)中心層和客戶端層。

2）數(shù)據(jù)采集層：包括電瓶車智能充電樁通訊協(xié)議為標(biāo)準(zhǔn)modbus-rtu。電瓶車智能充電樁用于采集充電回路的電力參數(shù)，并進行電能計量和保護。

3）網(wǎng)絡(luò)傳輸層：通過4G網(wǎng)絡(luò)將數(shù)據(jù)上傳至搭建好的數(shù)據(jù)庫服務(wù)器。

4）數(shù)據(jù)中心層：包含應(yīng)用服務(wù)器和數(shù)據(jù)服務(wù)器，應(yīng)用服務(wù)器部署數(shù)據(jù)采集服務(wù)、WEB網(wǎng)站，數(shù)據(jù)服務(wù)器部署實時數(shù)據(jù)庫、歷史數(shù)據(jù)庫、基礎(chǔ)數(shù)據(jù)庫。

5）應(yīng)客戶端層：系統(tǒng)管理員可在瀏覽器中訪問電瓶車充電樁收費平臺。終端充電用戶通過刷卡掃碼的方式啟動充電。

小區(qū)充電平臺功能主要涵蓋充電設(shè)施智能化大屏、實時監(jiān)控、交易管理、故障管理、統(tǒng)計分析、基礎(chǔ)數(shù)據(jù)管理等功能，同時為運維人員提供運維APP，充電用戶提供充電小程序。

4.4安科瑞充電樁云平臺系統(tǒng)功能

4.4.1智能化大屏

智能化大屏展示站點分布情況，對設(shè)備狀態(tài)、設(shè)備使用率、充電次數(shù)、充電時長、充電金額、充電度數(shù)、充電樁故障等進行統(tǒng)計顯示，同時可查看每個站點的站點信息、充電樁列表、充電記錄、收益、能耗、故障記錄等。統(tǒng)一管理小區(qū)充電樁，查看設(shè)備使用率，合理分配資源。

4.4.2.實時監(jiān)控

實時監(jiān)視充電設(shè)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賬戶，對其進行賬戶進行充值、退款、凍結(jié)、注銷等操作，可查看小區(qū)用戶每日的充電交易詳細(xì)信息。

4.4.4故障管理

設(shè)備自動上報故障信息，平臺管理人員可通過平臺查看故障信息并進行派發(fā)處理，同時運維人員可通過運維APP收取故障推送，運維人員在運維工作完成后將結(jié)果上報。充電用戶也可通過充電小程序反饋現(xiàn)場問題。

4.4.5統(tǒng)計分析

通過系統(tǒng)平臺，從充電站點、充電設(shè)施、、充電時間、充電方式等不同角度，查詢充電交易統(tǒng)計信息、能耗統(tǒng)計信息等。

4.4.6基礎(chǔ)數(shù)據(jù)管理

在系統(tǒng)平臺建立運營商戶，運營商可建立和管理其運營所需站點和充電設(shè)施，維護充電設(shè)施信息、價格策略、折扣、優(yōu)惠活動，同時可管理在線卡用戶充值、凍結(jié)和解綁。

4.4.7運維APP

面向運維人員使用，可以對站點和充電樁進行管理、能夠進行故障閉環(huán)處理、查詢流量卡使用情況、查詢充電\充值情況，進行遠(yuǎn)程參數(shù)設(shè)置，同時可接收故障推送

4.4.8充電小程序

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

4.5系統(tǒng)硬件配置

5結(jié)束語

由于早期的研究缺乏實際數(shù)據(jù)的支持，對充電電量和充電功率的設(shè)定較為主觀,降低了模型計算的精度，文章基于南方某市電動汽車充電的實際數(shù)據(jù)，對其進行篩選處理，得到不同類型電動汽車充電行為的分布規(guī)律，并將其充電行為數(shù)據(jù)擬合成函數(shù)形式。而后采用蒙特卡羅算法對三種類型電動車的充電負(fù)荷曲線進行了模擬計算，得到以下結(jié)論：

(1)電動汽車的大規(guī)模無序充電行為會進一步提高電網(wǎng)的峰值與峰谷差,導(dǎo)致峰上加峰現(xiàn)象的出現(xiàn)；

(2)電動出租車充電負(fù)荷占比較高，同時具有較大的隨機性，未來具有較大的調(diào)度潛力，可以通過多種方式對其充電行為進行引導(dǎo)，進一步降低其充電行為對電網(wǎng)的影響。