規(guī)?；妱?dòng)汽車充電負(fù)荷的預(yù)測(cè)及其對(duì)電網(wǎng)的影響

蘇小林，張艷娟，武 中，閻曉霞

(1.山西大學(xué)電力工程系，山西太原 030013；2.國(guó)網(wǎng)山西省電力公司經(jīng)濟(jì)技術(shù)研究院，山西太原 030001)

0 引 言

基于環(huán)境污染、溫室效應(yīng)和能源危機(jī)等考慮，世界各國(guó)高度重視電動(dòng)汽車產(chǎn)業(yè)發(fā)展，電動(dòng)汽車市場(chǎng)化率逐年增大。由于充電的需要，電動(dòng)汽車的規(guī)?；瘜?duì)電網(wǎng)造成影響[1-3]。電動(dòng)汽車充電需求預(yù)測(cè)是開(kāi)展電網(wǎng)規(guī)劃和制定運(yùn)行計(jì)劃的基礎(chǔ)，掌握充電負(fù)荷的時(shí)空分布，能為電網(wǎng)升級(jí)改造和運(yùn)行調(diào)度提供決策依據(jù)[4]。

近年來(lái)，各國(guó)學(xué)者在電動(dòng)汽車充電需求預(yù)測(cè)方面做了大量的研究工作。研究方法主要是通過(guò)分析充電負(fù)荷的影響因素和概率分布特性，根據(jù)電動(dòng)汽車負(fù)荷時(shí)間分布特性、電動(dòng)汽車行駛規(guī)律、電動(dòng)汽車空間分布特性進(jìn)行統(tǒng)計(jì)預(yù)測(cè)。文獻(xiàn)[5]以美國(guó)交通統(tǒng)計(jì)數(shù)據(jù)為依據(jù)，擬合得到電動(dòng)汽車的充電開(kāi)始時(shí)間等變量，利用卷積計(jì)算單輛電動(dòng)汽車充電功率的期望值，累計(jì)得到不同場(chǎng)景下的充電負(fù)荷。文獻(xiàn)[6]通過(guò)對(duì)車主GPS設(shè)備記錄的行駛數(shù)據(jù)，從中抽取日行駛里程以及目的地的到達(dá)和離開(kāi)時(shí)間，計(jì)算得到未來(lái)大量電動(dòng)汽車接入時(shí)的充電負(fù)荷曲線。Difei Tang[7]利用圖論建立了充電需求的空間分布，同時(shí)利用馬爾科夫鏈和蒙特卡洛模擬私家車主的日出行規(guī)律，進(jìn)而分析了私家車充電負(fù)荷的時(shí)空分布特性。Bae S[8]等人對(duì)高速路上的快速充電站的充電負(fù)荷進(jìn)行了分析，利用動(dòng)態(tài)交通流模型和排隊(duì)論對(duì)充電時(shí)間和充電間隔進(jìn)行建模，此種方法是在給定空間場(chǎng)景下進(jìn)行的，難以推廣運(yùn)用到城市交通行為更為復(fù)雜的地區(qū)。

以上文獻(xiàn)主要研究特定區(qū)域電動(dòng)汽車充電負(fù)荷的時(shí)間分布，缺乏對(duì)充電負(fù)荷的時(shí)空分布進(jìn)行預(yù)測(cè)。而充電負(fù)荷的時(shí)空分布預(yù)測(cè)直接關(guān)系到配電網(wǎng)未來(lái)規(guī)劃、運(yùn)行的經(jīng)濟(jì)性和合理性，也為變電站的選址、供電設(shè)備的選擇提供依據(jù)。為此，本文以私家車為研究對(duì)象，將電動(dòng)汽車充電負(fù)荷與預(yù)測(cè)區(qū)域用地規(guī)劃和車輛出行規(guī)律相結(jié)合，從時(shí)間特性和空間特性兩個(gè)層面綜合對(duì)充電負(fù)荷進(jìn)行預(yù)測(cè)。

1 充電負(fù)荷的預(yù)測(cè)思路

電動(dòng)汽車充電負(fù)荷時(shí)空預(yù)測(cè)的概念性框圖如圖1所示。首先，根據(jù)交通調(diào)查數(shù)據(jù)利用預(yù)測(cè)區(qū)域用地?cái)?shù)據(jù)和停車需求模型得到私家車在不同用地的時(shí)空分布。其次分析車輛的出行行為，利用交通出行鏈模擬車輛的動(dòng)態(tài)行駛規(guī)律。再將用戶的充電行為分為目的地充電方式和應(yīng)急充電方式，對(duì)于目的地充電方式，需要根據(jù)該目的地的停車時(shí)間和電池荷電狀態(tài)得到充電行為發(fā)生的概率。在得到不同目的地的充電開(kāi)始時(shí)間和充電時(shí)間長(zhǎng)度等概率分布后，利用蒙特卡洛模擬計(jì)算私家車在不同功能用地的充電負(fù)荷。

圖1 電動(dòng)汽車充電負(fù)荷時(shí)空分布預(yù)測(cè)思路

2 空間分類分區(qū)及泊車規(guī)律

空間分類分區(qū)是根據(jù)電動(dòng)汽車類型和充電地點(diǎn)對(duì)充電負(fù)荷以及用地類型進(jìn)行分類。依據(jù)土地使用性質(zhì)，利用分類分區(qū)法[9]將預(yù)測(cè)區(qū)域進(jìn)行空間劃分，以得到電動(dòng)汽車充電負(fù)荷在預(yù)測(cè)地區(qū)的具體空間分布位置。

電動(dòng)汽車?yán)猛２雌陂g進(jìn)行充電，其停泊規(guī)律直接影響同時(shí)接入電網(wǎng)電動(dòng)汽車的數(shù)量。本文采用停車生成率法[10-12]得到不同功能用地的最大停車需求。同時(shí)，考慮到車輛時(shí)間變化特性，根據(jù)不同類型用地不同時(shí)間到達(dá)和駛離該用地的車輛數(shù)，引入動(dòng)態(tài)系數(shù)，確定不同時(shí)段的動(dòng)態(tài)停車需求，如式(1)：

Edsj(t)=PdsjXdsjfdsj(βdsj(t)-λdsj(t))

(1)

式中：Edsj(t)表示d年第s區(qū)第j類用地t時(shí)段實(shí)際停車需求量；Pdsj表示d年第s區(qū)第j類用地停車生成率(單位停車需求)；Xdsj表示d年第s區(qū)第j類用地建筑面積；fdsj表示d年第s區(qū)第j類用地的發(fā)展?fàn)顩r相關(guān)系數(shù)；βdsj(t)為d年s區(qū)j類用地t時(shí)段交通到達(dá)量；λdsj(t)為d年s區(qū)j類用地t時(shí)段交通駛離量；βdsj(t)-λdsj(t)為不同時(shí)段的停車變化率，可描述不同功能用地車輛停放情況的時(shí)間變化特性。

3 電動(dòng)汽車的出行規(guī)律與預(yù)測(cè)模型

3.1 私家車出行目的地

私家車的日常出行活動(dòng)隨機(jī)性較強(qiáng)，據(jù)文獻(xiàn)[13]中對(duì)居民出行行為的分析結(jié)果，私家車的出行目的地主要分布如圖2所示。

圖2 私家車主要出行目的占比

從圖2可以看出，私家車主在家的比例占60%，工作、購(gòu)物、就餐、休閑等活動(dòng)約占30%左右。就餐和接送等活動(dòng)，由于其停車時(shí)間較短，無(wú)法進(jìn)行充電。因此，滿足私家車在停泊時(shí)間進(jìn)行充電的目的地主要為居住區(qū)，工作區(qū)和商業(yè)區(qū)。

3.2 私家車出行鏈

基于私家車出行活動(dòng)和出行目的多樣性，本文利用交通理論中的交通出行鏈[14-15]描述用戶的日常出行規(guī)律。出行鏈包含每一次出行活動(dòng)的起始地點(diǎn)、結(jié)束地點(diǎn)、停車地點(diǎn)、行駛路徑、開(kāi)始時(shí)間、結(jié)束時(shí)間、停車時(shí)間，如圖3所示。對(duì)于私家車而言，家通常為首次出行地點(diǎn)，對(duì)其出行分布進(jìn)行研究，就是對(duì)基于家出行的私家車到達(dá)各個(gè)目的地出行鏈中的特征參數(shù)進(jìn)行分析。

圖3 私家車出行鏈結(jié)構(gòu)圖

3.2.1 出行鏈的空間分布關(guān)系

從出行鏈可以看出，用戶出行活動(dòng)的每個(gè)目的地之間并不是毫無(wú)聯(lián)系，而是相互影響的，但每次出行過(guò)程只與前一次的出行目的相關(guān)，可視為無(wú)后效性。由于電動(dòng)汽車的停車地點(diǎn)是一個(gè)離散的隨機(jī)過(guò)程，該離散過(guò)程可視為馬爾科夫鏈。具有無(wú)后效性的隨機(jī)過(guò)程可用{Xn,n=0,1，…}表示，如果對(duì)任何一列狀態(tài)序列X0,X1…,Xn,Xn+1， 及對(duì)任何n≥0，隨機(jī)過(guò)程{Xn,n≥0}滿足下式

P{Xn+1=xn+1|X0=x0,…,Xn-1=xn-1,

Xn=xn}=P{Xn+1=xn+1|Xn=xn}

(2)

則稱{Xn,n≥0}為離散時(shí)間的Markov鏈。當(dāng)Xn的狀態(tài)xn已知時(shí)，則得到Xn+1處于狀態(tài)xn+1條件概率稱為一步轉(zhuǎn)移概率，記做

Pn,n+1=P(Xn+1=xn+1|Xn=xn)

(3)

若將每個(gè)出行目的地視為一種狀態(tài)，用戶的出行目的地的狀態(tài)可視為{E1,E2…Ei,Ej}狀態(tài)集，(i，j為出行目的地類型)，且Pij滿足條件：

(4)

3.2.2 出行鏈的時(shí)間分布關(guān)系

根據(jù)圖3可以看出，在一個(gè)完整的出行鏈中，時(shí)間變量(假定從目的地i去往目的地j)滿足

(5)

式中：Tja表示到達(dá)j目的地的時(shí)間；Tid為離開(kāi)i目的地的時(shí)間；Tij表示從目的地i去往目的地j的行駛時(shí)間；Tjd為j目的地的離開(kāi)時(shí)間；Tjp為j目的地停車時(shí)間。

由式(5)可知，只有在分析首次出行時(shí)刻、行駛時(shí)間、停車時(shí)長(zhǎng)的基礎(chǔ)上，才能計(jì)算得到到達(dá)時(shí)間和離開(kāi)時(shí)間。

3.3 私家車出行規(guī)律建模

由于目前我國(guó)電動(dòng)私家車的出行統(tǒng)計(jì)數(shù)據(jù)缺乏，本文假定電動(dòng)私家車與燃油車的出行規(guī)律相近。通過(guò)對(duì)美國(guó)交通出行數(shù)據(jù)(NHTS2009)的分析得到私家車的出行規(guī)律，主要利用數(shù)據(jù)庫(kù)中的Daily trip (DAYV2PUB.csv)的數(shù)據(jù)分析車輛的出行行為，包括每天的出行時(shí)間，結(jié)束時(shí)間，行駛里程和每次出行活動(dòng)的目的以及每個(gè)目的地的停車情況。

3.3.1 出行鏈的空間分布模型

私家車的出行鏈包含多種出行目的地，主要有居住區(qū)、工作區(qū)和商業(yè)區(qū)。設(shè)事件Ej(j=R,W,C,分別對(duì)應(yīng)居住區(qū)、工作區(qū)和商業(yè)區(qū))發(fā)生時(shí)，電動(dòng)汽車到達(dá)目的地j。不同目的地之間的轉(zhuǎn)移概率可用狀態(tài)轉(zhuǎn)移概率矩陣表示為

(6)

式中：Pij表示電動(dòng)汽車從目的地i運(yùn)動(dòng)到目的地j的狀態(tài)轉(zhuǎn)移概率。

目的地之間的行駛里程為目的地之間的單次行駛里程，直接影響電動(dòng)汽車電池能耗。不同目的地之間的距離隨機(jī)性較大，但也具有一定的規(guī)律性，本文利用Origin軟件對(duì)DAYV2PUB.csv數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，得到目的地之間的行駛里程分布規(guī)律，如圖4所示。

圖4 日行駛里程分布

由圖4擬合結(jié)果可以看出，車輛行駛里程分布規(guī)律基本滿足對(duì)數(shù)正態(tài)分布，其概率密度函數(shù)如下：

(7)

3.3.2 出行鏈的時(shí)間分布模型

根據(jù)對(duì)數(shù)據(jù)庫(kù)的統(tǒng)計(jì)分析發(fā)現(xiàn)，大多數(shù)私家車用戶一天行駛的出發(fā)地點(diǎn)是居住區(qū)，首次出行時(shí)間分布擬合結(jié)果如圖5所示。其分布規(guī)律基本服從正態(tài)分布，可表示為

(8)

式中：f(μs,σs)為首次出行時(shí)間的概率密度；μs、σs分別為首次出行時(shí)間的均值和標(biāo)準(zhǔn)差。

圖5 首次出行時(shí)間分布

單次行駛時(shí)間取決于目的地之間的行駛里程和行駛速度。假定正常路況下平均行駛速度一定，行駛時(shí)間和行駛里程近似成線性關(guān)系[16]。為反映交通情況對(duì)車輛行駛時(shí)間的影響，引入交通擁堵系數(shù)反映路面行車狀況，則行駛時(shí)長(zhǎng)為

(9)

用戶的停車時(shí)間Tp受多方面因素影響，主要取決于停車地點(diǎn)的使用性質(zhì)。當(dāng)車輛規(guī)模較大時(shí)，停車時(shí)間近似服從多維正態(tài)分布，停車時(shí)間的概率密度為

(10)

式中：fp(μp,σp)為停車時(shí)間的概率密度；al為各正態(tài)分布的權(quán)重系數(shù)；k為擬合的正態(tài)分布維數(shù)，up.l、σp.l分別為第l個(gè)正態(tài)分布的均值和標(biāo)準(zhǔn)差。

充電起始荷電狀態(tài)(SOC)主要與電動(dòng)汽車類型、行駛里程、單位里程耗電量有關(guān)。車輛到達(dá)某一目的地時(shí)的電池荷電狀態(tài)可按式(11)計(jì)算。

(11)

如果私家車到達(dá)某一目的地要進(jìn)行充電，則認(rèn)為其到達(dá)即充電，直到將電池充滿或者是下一次行程的出發(fā)時(shí)刻。則在下一次出發(fā)時(shí)，電池的荷電狀態(tài)為

SOC(Tjd)=SOC(Tja+Tjp)=

(12)

式中：SOC(Tjd)為離開(kāi)j目的地時(shí)電池荷電狀態(tài)；η為充電機(jī)的充電效率；Pc為充電接口功率；則充電間隔時(shí)間為

Tjc≤Tjp

(13)

式中：Tjc充電間隔時(shí)間受到停車時(shí)間間隔Tjp的限制，即若用戶在某個(gè)停車地點(diǎn)停車行為結(jié)束，即使沒(méi)有充滿電，也停止充電，繼續(xù)下一行程，此條件符合實(shí)際的用車情況。

4 充電行為分析

私家車充電地點(diǎn)和充電方式不確定，主要發(fā)生在以下兩種情況：目的地充電、充電站應(yīng)急充電。

4.1 目的地充電

在到達(dá)某目的地后，多種因素會(huì)影響到駕車者的充電行為，如電池荷電狀態(tài)，停車時(shí)間，用戶充電習(xí)慣，電價(jià)政策等。本文主要考慮兩個(gè)關(guān)鍵因素，即到達(dá)目的地時(shí)的荷電狀態(tài)和在該目的地的停車時(shí)間長(zhǎng)度。

考慮到駕車者充電行為的不確定性，本文采用模糊理論分析駕車者的充電行為。將停車狀態(tài)下的電池的荷電狀態(tài)和停車時(shí)間數(shù)據(jù)進(jìn)行模糊化，作為模糊算法的輸入?yún)?shù)，根據(jù)模糊推理規(guī)則，利用Mamdani模糊推理方法，得到停泊狀態(tài)下電動(dòng)汽車的充電概率。

SOC作為輸入變量，其模糊集合為“低”“中等”“高”，考慮到電池的壽命，電池的荷電狀態(tài)一般在20%～80%之間，隸屬度函數(shù)如圖6(a)。

停車時(shí)間Tp，其模糊子集采用“短”“中”“長(zhǎng)”，假定低于20min為短，45min到3h左右為一般停車時(shí)間，大于3h為長(zhǎng)時(shí)間停車，隸屬度函數(shù)如圖6(b)。

對(duì)于充電概率，采用“低”“中低”“中”“中高”“高”模糊集描述，隸屬度函數(shù)如圖6(c)。

圖6 SOC、停車時(shí)間、充電概率的隸屬度函數(shù)

根據(jù)日常電動(dòng)汽車用戶的充電習(xí)慣，制定出模糊推理規(guī)則，如表1所列。依據(jù)模糊推理規(guī)則，通過(guò)Mamdani模糊推理方法，利用重心法將輸出的模糊量進(jìn)行反模糊化，得到在t時(shí)段目的地i停泊車輛進(jìn)行充電概率Pi,t,c，其分布如圖7所示。

表1 充電概率的模糊推理規(guī)則

圖7 不同SOC和停車時(shí)間下的充電概率

4.2 應(yīng)急充電

基于大多數(shù)用戶對(duì)電池壽命、充電費(fèi)用等因素的考慮，用戶優(yōu)先選擇到達(dá)目的地進(jìn)行常規(guī)充電，只有在還未到達(dá)下一停車目的地，電池的荷電狀態(tài)已經(jīng)低于電池的閾值，車主通過(guò)到快速充電站充電進(jìn)行能量補(bǔ)充，因此在途車輛在t時(shí)刻采用快速充電方式的概率為

(14)

5 充電負(fù)荷計(jì)算

將預(yù)測(cè)區(qū)域分為I個(gè)街區(qū)，m個(gè)功能用地，當(dāng)車輛到達(dá)某一功能用地j時(shí)，根據(jù)電池的荷電狀態(tài)和停車時(shí)間，判斷其是否進(jìn)行充電，當(dāng)決定充電，根據(jù)到達(dá)目的地的時(shí)間和進(jìn)站時(shí)間的概率分布抽取不同車型的充電開(kāi)始時(shí)間，根據(jù)抽取充電開(kāi)始的荷電狀態(tài)計(jì)算充電時(shí)間長(zhǎng)度，則第n輛電動(dòng)汽車到達(dá)目的地j，在t時(shí)段的充電的概率為

Ftjn=Fsc(Tjs≤t,Tjs+Tjc≥t)+

Fsc(Tjs≥t,Tjs+Tjc-24≥t)

(15)

式中：Ftjn為到達(dá)目的地j第n輛車t時(shí)段的充電概率；Fsc為充電開(kāi)始時(shí)間和充電時(shí)間長(zhǎng)度的聯(lián)合概率分布函數(shù)；Tjs為到達(dá)目的地j充電開(kāi)始時(shí)間；Tjc為到達(dá)目的地j充電時(shí)間長(zhǎng)度。由此，可得到第n輛電動(dòng)汽車到達(dá)目的地j的充電負(fù)荷概率分布，將t時(shí)段到達(dá)目的地j每一輛車的充電負(fù)荷進(jìn)行累加，得到t時(shí)段目的地j的電動(dòng)汽車充電負(fù)荷為

(16)

式中：Ptjn為t時(shí)段目的地j充電負(fù)荷；N為t時(shí)段不同場(chǎng)所不同車型的充電車輛數(shù)。最后對(duì)一天中不同時(shí)段的充電負(fù)荷進(jìn)行計(jì)算，得到不同功能用地一日整體充電負(fù)荷。電動(dòng)私家車充電負(fù)荷時(shí)空分布預(yù)測(cè)流程如圖8所示。

圖8 充電負(fù)荷計(jì)算流程圖

6 算例分析

6.1 仿真參數(shù)設(shè)置

本文將根據(jù)前面所述的模型，對(duì)A市某片區(qū)的充電負(fù)荷進(jìn)行預(yù)測(cè)。根據(jù)《A城市總體規(guī)劃(2010—2020)》，該區(qū)用地分布情況如圖9所示，根據(jù)交通走廊及道路網(wǎng)將該區(qū)分為4個(gè)街區(qū)，不同的顏色代表不同的功能用地，其中黃色代表居民區(qū)，紅色代表工商業(yè)區(qū)，黑色圓點(diǎn)代表應(yīng)急快速充電站，具體用地情況如表2所示。

圖9 預(yù)測(cè)地區(qū)區(qū)域劃分圖

街區(qū)建筑面積/hm2居住用地/hm2商業(yè)用地/m2辦公用地/hm2平均容積率總停車泊位01259.87065.519.82.43615302292.479.550.249.52.12774003441.274.130.669.32.126530041011.0216.711.810.92.051170

將不同用地的泊位配建標(biāo)準(zhǔn)作為本算例的停車需求生成率，將平均容積率作為不同區(qū)域開(kāi)發(fā)強(qiáng)度的評(píng)價(jià)指標(biāo)系數(shù)，文獻(xiàn)[11]中對(duì)居住區(qū)、工作區(qū)和商業(yè)區(qū)車輛進(jìn)出情況進(jìn)行調(diào)研，根據(jù)每小時(shí)車輛駛?cè)牒婉偝隽康臄?shù)據(jù)，得出不同功能用地一天不同時(shí)段車輛的停車變化率，如圖10所示。結(jié)合各功能用地的建筑面積，根據(jù)式(1)得到3種功能用地不同時(shí)刻的停車需求。

圖10 不同用地停車變化率

根據(jù)該市電動(dòng)汽車產(chǎn)業(yè)規(guī)劃，據(jù)預(yù)測(cè)2020年電動(dòng)私家車的保有量為32 094輛。以該地區(qū)主要的車型參數(shù)作為模擬數(shù)據(jù)，其額定工況下參數(shù)如表3。車輛使用鋰電池，假設(shè)每次充電均充滿，充電效率為90%，用戶充電結(jié)束時(shí)電池荷電狀態(tài)的期望值為100%，電池荷電狀態(tài)的最低閥值為20%，充電過(guò)程近似為恒功率充電。

表3中，充電功率分別代表居住區(qū)、工作區(qū)、商業(yè)區(qū)以及快速充電站的充電功率。文獻(xiàn)[17]將出行活動(dòng)按照活動(dòng)優(yōu)先權(quán)分為一階活動(dòng)和二階活動(dòng)，一階活動(dòng)是指居民出行核心的往返過(guò)程，在此基礎(chǔ)上的活動(dòng)視為二階活動(dòng)。據(jù)文中對(duì)居民活動(dòng)的調(diào)查數(shù)據(jù)，結(jié)合式(6)，得到一天中早晚3個(gè)主要出行目的地的出行狀態(tài)轉(zhuǎn)移概率矩陣為

矩陣各行/列分別對(duì)應(yīng)居住區(qū)、工作區(qū)和商業(yè)區(qū)。

據(jù)調(diào)研該地區(qū)私家車日均行駛里程為35.78km，其中不同目的地之間的行駛里程以及出行時(shí)間擬合情況和參數(shù)由表4列出。快速充電站主要滿足應(yīng)急車輛的充電，充電時(shí)間主要分布在日間[8:00～20:00]時(shí)段。

表3 電動(dòng)汽車參數(shù)

表4 私家車出行數(shù)據(jù)的擬合參數(shù)

6.2 仿真結(jié)果

6.2.1 不同用地的充電負(fù)荷曲線

根據(jù)各車輛出行規(guī)律的擬合參數(shù)和仿真參數(shù)，采用蒙特卡洛仿真法計(jì)算私家車在不同街區(qū)不同功能用地的充電負(fù)荷曲線，預(yù)測(cè)結(jié)果如圖11所示。

圖11 不同街區(qū)私家車充電負(fù)荷曲線

由圖11可知，由于不同片區(qū)同一功能用地的比例、建筑面積和發(fā)展程度均不相同，導(dǎo)致不同街區(qū)同類用地充電曲線存在差異。同時(shí)，在同一街區(qū)不同功能用地的充電負(fù)荷也相差較大，負(fù)荷峰值和峰值時(shí)刻各不相同。同時(shí)看到由于商業(yè)區(qū)的停車時(shí)間短，充電概率較低，充電負(fù)荷較小。01、02街區(qū)主要以工商業(yè)區(qū)為主，相比于其他街區(qū)商業(yè)區(qū)的充電負(fù)荷較高，03街區(qū)由于分布較多的辦公用地，工作區(qū)的充電負(fù)荷相對(duì)較高，此街區(qū)內(nèi)有一個(gè)快速充電站，使得該地區(qū)白天的充電負(fù)荷較高。以04街區(qū)為代表的綜合居住區(qū)，充電負(fù)荷主要集中在居住區(qū)。可看出充電負(fù)荷和所處空間位置相關(guān)性較強(qiáng)。

6.2.2 不同場(chǎng)景下充電負(fù)荷對(duì)電網(wǎng)造成的影響

① 無(wú)序充電對(duì)電網(wǎng)的影響

分別對(duì)不同功能用地負(fù)荷情況進(jìn)行研究，假定電網(wǎng)負(fù)荷近幾年變化規(guī)律相近，將2018～2020年居住區(qū)、工作區(qū)、商業(yè)區(qū)私家車充電負(fù)荷疊加到3種功能用地的電網(wǎng)負(fù)荷，得到總負(fù)荷，如圖12所示。

圖12 不同功能用地充電負(fù)荷對(duì)電網(wǎng)的影響

②有序充電對(duì)充電負(fù)荷曲線的影響

為了緩解對(duì)電網(wǎng)造成的沖擊，通過(guò)延遲充電時(shí)間或分時(shí)電價(jià)等手段對(duì)充電負(fù)荷進(jìn)行引導(dǎo)，使得充電避開(kāi)電網(wǎng)高峰時(shí)段。以居民區(qū)私家車充電為例，當(dāng)用戶18:00返回家立即進(jìn)行充電時(shí)，負(fù)荷曲線如圖13所示。當(dāng)用戶通過(guò)定時(shí)裝置等方法將充電時(shí)間延遲5h進(jìn)行充電，負(fù)荷曲線如圖14。將有序充電負(fù)荷與居民區(qū)的負(fù)荷進(jìn)行疊加，總負(fù)荷曲線如圖15所示。

圖13 無(wú)序充電時(shí)居住區(qū)充電負(fù)荷

圖14 有序充電時(shí)居住區(qū)充電負(fù)荷

圖15 有序充電時(shí)居住區(qū)總負(fù)荷曲線

對(duì)2020年的上述幾種情景，分析計(jì)算充電負(fù)荷對(duì)電網(wǎng)特性指標(biāo)的影響，其結(jié)果如表5所列。在無(wú)序充電時(shí)，居民區(qū)的晚高峰發(fā)生在20:00～23:00時(shí)段，與原電網(wǎng)相比，最大負(fù)荷增加12%，峰谷差率增加7%。工作區(qū)的負(fù)荷集中于7:00～18:00工作時(shí)段，峰谷差率增加4%。商業(yè)區(qū)充電負(fù)荷主要集中于9:00～21:00，峰谷差率增加5%。在有序充電情況下，和原電網(wǎng)相比，最大負(fù)荷變化較小，峰谷差降低12%。從上面的分析可知，如該區(qū)沒(méi)有相應(yīng)的充電引導(dǎo)措施，則需要對(duì)不同功能用地配電變壓器和線路進(jìn)行升級(jí)改造，防止過(guò)載情況發(fā)生。為了降低改造成本，需要采取相應(yīng)措施，調(diào)整充電行為，使保證供電設(shè)備運(yùn)行經(jīng)濟(jì)性和電網(wǎng)穩(wěn)定性。

7 結(jié) 論

充電負(fù)荷預(yù)測(cè)是電網(wǎng)規(guī)劃和運(yùn)行調(diào)度的基礎(chǔ)。本文針對(duì)充電隨機(jī)性較強(qiáng)的私家車充電負(fù)荷進(jìn)行預(yù)測(cè)。通過(guò)引入出行鏈描述其動(dòng)態(tài)變化過(guò)程，同時(shí)，將不同用途車輛的充電行為分為確定的充電行為和不確定的充電行為，進(jìn)而又將不確定的充電行為分為目的地充電和應(yīng)急充電，通過(guò)模糊理論得到車輛在目的地的充電概率。利用蒙特卡洛模擬方法對(duì)居住區(qū)、工作區(qū)和商業(yè)區(qū)的充電負(fù)荷進(jìn)行計(jì)算，同時(shí)對(duì)不同用地充電對(duì)電網(wǎng)造成的影響進(jìn)行分析，結(jié)果看出不同功能用地由于車輛的停泊規(guī)律差異較大，導(dǎo)致充電負(fù)荷分布差異明顯，同時(shí)對(duì)電網(wǎng)造成不同影響。

表5 不同情景電動(dòng)汽車充電負(fù)荷對(duì)電網(wǎng)的影響

[1] 胡澤春，宋永華，徐智威，等．電動(dòng)汽車接入電網(wǎng)的影響和利用[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2012，32(4)：1-10．

[2] 田立亭，張明霞，汪奐伶．電動(dòng)汽車與電網(wǎng)影響的評(píng)估和解決方案[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2012，32(31)：43-49．

[3] 李慧玲，白曉民．電動(dòng)汽車充電對(duì)配電網(wǎng)的影響及對(duì) 策[J]．電力系統(tǒng)自動(dòng)化，2011，35(17)：38-43．[4] 王錫凡，邵成成，王秀麗，等．電動(dòng)汽車充電負(fù)荷與調(diào)度控制策略綜述[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2013，33(1)：1-10．

[5] Qian K J，Wang Y．Modeling of load demand due to EV battery charging in distribution systems[J]．IEEE Trans on Power System，2011，26(2)：802-810．

[6] Ashtari A，Bibeau E，Shahidinejad S，et al．PEV charging profile prediction and analysis based on vehicle usage data[J]．IEEE Trans on Smart Grid，2012，3(1)：341-350．

[7] Tang Difei，Wang Peng．Probabilistic modeling of

nodal charging demand based on spatial-temporal dynamics of moving electric vehicles[J]．IEEE Trans on Smart Grid，2015，15(3)：1-9．

[8] Bae S，Kwasinski A．Spatial and temporal model of electric vehicle charging demand[J]．IEEE Trans on Smart Grid，2012，3(1)：394-403．

[9] 肖白，周潮，穆剛．空間電力負(fù)荷預(yù)測(cè)方法綜述與展望[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2013，33(25)：78-92.

[10]張洪財(cái)，胡澤春，宋永華，等．考慮時(shí)空分布的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)方法[J]．電力系統(tǒng)自動(dòng)化，2014，38(1):13-20.

[11]王瑞．基于用地區(qū)位分析的停車需求預(yù)測(cè)研究[D]．昆明:昆明理工大學(xué),2010．

[12]關(guān)宏志，王鑫，王雪．停車需求預(yù)測(cè)方法研究[J]．北京工業(yè)大學(xué)學(xué)報(bào)，2006，32(7)：600-604．

[13]US Department of Transportation Federal Highway Administration，2009 National Household Travel Survey [EB/OL]．http://nhts.ornl.gov，2009．

[14]Bowman J L and Ben-Akiva M E. Activity-based disaggregate travel demand model system with activity schedules [J]．Transportation Research Part，2000(15)：1-28．

[15]溫劍鋒，陶順，肖湘寧,等．基于出行鏈隨機(jī)模擬的電動(dòng)汽車充電需求分析[J]．電網(wǎng)技術(shù)，2015，39(6)：1477 -1484．

[16]周濤，韓周濤，韓筱璞，等．人類行為時(shí)空特性的統(tǒng)計(jì)力學(xué)[J]．電子科技大學(xué)學(xué)報(bào)，2013，42(4)：481-540．

[17]許志勇．基于活動(dòng)鏈的居民出行需求預(yù)測(cè)模型研究[D]．成都：西南交通大學(xué)．2010．