• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      考慮有序充電的居民區(qū)電動汽車中長期充電負(fù)荷預(yù)測

      2022-06-29 11:45:48華遠(yuǎn)鵬王圓圓卜飛飛賈一博
      關(guān)鍵詞:居民區(qū)工作日保有量

      華遠(yuǎn)鵬,王圓圓,韓 丁,卜飛飛,王 涵,賈一博

      (國網(wǎng)河南省電力公司經(jīng)濟(jì)技術(shù)研究院,鄭州 450052)

      電動汽車作為一種清潔的交通工具,具有零污染和零排放的特點,是實現(xiàn)“碳達(dá)峰”與“碳中和”的重要方式。當(dāng)前,電動汽車作為城市通勤工具獲得了快速發(fā)展,保有量的增加使居民區(qū)充電成為主要問題:①建成區(qū)既有的建筑,受線路走廊、配電設(shè)施占地等限制,面臨配電網(wǎng)改造困難或不具備配電網(wǎng)增容改造的條件等問題;②新建小區(qū)規(guī)劃建設(shè)充電設(shè)施時,往往根據(jù)預(yù)期飽和充電功率預(yù)測進(jìn)行配套電網(wǎng)建設(shè),造成配電網(wǎng)資源初期閑置較大,資源浪費[1]。解決上述問題的基礎(chǔ)是居民區(qū)電動汽車充電負(fù)荷預(yù)測,以及充電負(fù)荷是否能實施有序充電而成為具有一定彈性的負(fù)荷。

      國內(nèi)外關(guān)于中長期電動汽車充電負(fù)荷預(yù)測做了大量的研究。文獻(xiàn)[2]提出了大規(guī)模電動汽車充電負(fù)荷的計算方法,并利用統(tǒng)計學(xué)預(yù)測電動汽車充電負(fù)荷;文獻(xiàn)[3]從用戶個體角度建立中長期電動汽車充電需求的多代理模型;文獻(xiàn)[4]提出不同類型電動汽車的充電概率預(yù)測方法;文獻(xiàn)[5]利用Bass模型對上海市整體的電動汽車保有量進(jìn)行中長期推演。當(dāng)前,大中城市配電網(wǎng)規(guī)劃主要采用網(wǎng)格化規(guī)劃方法,即供電分區(qū)-供電網(wǎng)格-供電單元。居民區(qū)電動汽車充電負(fù)荷預(yù)測與配電網(wǎng)整體規(guī)劃思路一致,屬于單元級負(fù)荷預(yù)測。且當(dāng)前充電負(fù)荷預(yù)測研究大多是針對整個城市的電動汽車充電負(fù)荷進(jìn)行的,很少針對城市居民區(qū)充電負(fù)荷進(jìn)行預(yù)測研究。

      關(guān)于有序充電,當(dāng)前主要采用分時電價引導(dǎo)和限功率運行兩種方法。文獻(xiàn)[6]分析了不同定價模型對來自不同利益相關(guān)者的有序計費策略的影響;文獻(xiàn)[7]采用網(wǎng)格選擇法來制定居民區(qū)電動汽車的有序充電策略;文獻(xiàn)[8]建立了電動汽車有序充電控制模型,以最小化配電網(wǎng)的峰谷差為目標(biāo)函數(shù),合理調(diào)度電動汽車充電負(fù)荷,使充電設(shè)施運營商的利益最大化;文獻(xiàn)[9]建立一種電動汽車充電站模型,并以其長期利潤最大化和電動汽車排隊充電時長最小化為目標(biāo),提出一種新的充電站調(diào)度算法。關(guān)于大規(guī)模電動汽車實施有序充電后對中長期充電負(fù)荷,以及對配電網(wǎng)規(guī)劃影響的研究仍然很少。

      本文以居民區(qū)電動汽車充電負(fù)荷為研究對象,提出了居民區(qū)工作日和雙休日電動汽車有序充電負(fù)荷預(yù)測方法,并在此基礎(chǔ)上進(jìn)行居民區(qū)日用負(fù)荷預(yù)測。首先,利用Bass模型預(yù)測居民區(qū)電動汽車中長期保有量,采用蒙特卡洛模擬法得到居民區(qū)單輛電動汽車充電概率,結(jié)合充電概率和保有量預(yù)測結(jié)果,預(yù)測居民區(qū)近三年和目標(biāo)年典型工作日和雙休日電動汽車充電負(fù)荷增長情況;然后,以居民區(qū)整體負(fù)荷的方差最小作為目標(biāo)函數(shù),以充電負(fù)載需求和臺區(qū)配電網(wǎng)容量為約束條件,建立居民區(qū)電動汽車有序充電數(shù)學(xué)模型;最后,采用非線性優(yōu)化算法得到居民區(qū)典型日有序充電負(fù)荷。

      1 居民區(qū)電動汽車中長期有序充電負(fù)荷預(yù)測方法

      居民區(qū)電動汽車中長期有序充電負(fù)荷預(yù)測整體架構(gòu)如圖1所示,由圖1可知,其由3個部分組成,分別為居民區(qū)電動汽車保有量預(yù)測、居民區(qū)電動汽車充電概率預(yù)測和居民區(qū)電動汽車有序充電負(fù)荷預(yù)測。首先,根據(jù)Bass模型對居民區(qū)中長期電動汽車保有量進(jìn)行預(yù)測,得到未來數(shù)年的居民區(qū)電動汽車的保有量和最大保有量上限,其中,居民區(qū)電動汽車保有量受大眾媒體、口碑傳播和居民區(qū)私家車保有量的影響。然后,根據(jù)電動汽車的充電習(xí)慣、累計行駛里程、出行特征和充電功率,建立充電起始荷電狀態(tài)SOC(state of charge)、充電起始時刻和充電時長的數(shù)學(xué)概率模型,并采用蒙特卡洛模擬法分別計算出工作日和雙休日的居民區(qū)電動汽車充電概率曲線。其次,通過結(jié)合居民區(qū)電動汽車保有量預(yù)測和充電概率預(yù)測結(jié)果,得到電動汽車中長期充電預(yù)測負(fù)荷。最后,以居民區(qū)電動汽車中長期充電預(yù)測負(fù)荷為基礎(chǔ),居民區(qū)整體負(fù)荷的方差最小作為目標(biāo)函數(shù),充電時間、居民區(qū)配電網(wǎng)臺區(qū)配變?nèi)萘亢统潆婋娏孔鳛榧s束條件,建立居民區(qū)電動汽車有序充電優(yōu)化模型,并采用非線性優(yōu)化算法求解,從而得到居民區(qū)工作日和雙休日有序充電負(fù)荷。

      圖1 居民區(qū)電動汽車充電負(fù)荷預(yù)測整體架構(gòu)Fig.1 Overall architecture of electric vehicle charging load forecasting in residential areas

      2 居民區(qū)電動汽車保有量預(yù)測

      考慮影響消費者對電動汽車購買行為的因素,使用Bass模型對居民區(qū)電動汽車的中長期保有量進(jìn)行預(yù)測。Bass模型是從宏觀角度對新產(chǎn)品的市場規(guī)模進(jìn)行動態(tài)演化,將新產(chǎn)品的擴(kuò)散過程看作產(chǎn)品逐漸被潛在群體所接納的過程,具體表現(xiàn)為潛在群體逐漸轉(zhuǎn)換為消費群體[8]。

      Bass模型將產(chǎn)品的使用者分成兩類,分別為創(chuàng)新者和模仿者。創(chuàng)新者是接受外界媒體宣傳影響最先使用新產(chǎn)品的消費者;模仿者是受使用者的使用情況或新產(chǎn)品滲透率影響而使用新產(chǎn)品的消費者。Bass模型預(yù)測流程如圖2所示。在Bass模型中含有3個核心變量,即市場總潛力、外部影響系數(shù)和內(nèi)部影響系數(shù)。其中,市場總潛力為新產(chǎn)品擴(kuò)散達(dá)到飽和時的消費者數(shù)量;外部影響系數(shù)又稱創(chuàng)新系數(shù),表示外界媒體宣傳對新產(chǎn)品擴(kuò)散的影響程度;內(nèi)部影響系數(shù)又稱模仿系數(shù),表示社交活動對新產(chǎn)品擴(kuò)散的影響程度。

      圖2 Bass模型邏輯流程Fig.2 Flow chart of logic in Bass model

      Bass模型在離散時域下可表示為

      式中:F(t)為累計到t時刻的新產(chǎn)品總量占市場總潛力的比例;f(t)為t時段新增新產(chǎn)品占市場總潛力的比例;p為外部影響因素;q為內(nèi)部影響因素。

      使用類比法確定Bass模型的相關(guān)參數(shù),對各種耐用品的保有量進(jìn)行預(yù)測,得到外部影響系數(shù)p,其經(jīng)驗取值范圍為0.01~0.03;內(nèi)部影響系數(shù)q,其經(jīng)驗取值范圍為0.3~0.7[9-10]。本文取p=0.03,q=0.38。

      3 居民區(qū)電動汽車充電概率預(yù)測

      居民區(qū)電動汽車充電負(fù)荷受電動汽車自身特性、充電設(shè)施、居民出行習(xí)慣等多種因素影響。本文首先建立充電起始時刻、電動汽車剩余SOC和充電功率的數(shù)學(xué)模型。

      3.1 充電起始時刻

      居民區(qū)電動汽車充電起始時刻與用戶出行特性密切相關(guān)。對于在居民區(qū)充電的私家電動汽車,用戶會選擇在一天行程結(jié)束的時刻作為充電起始時刻。目前,電動汽車還未大規(guī)模普及,缺乏關(guān)于電動汽車出行的相關(guān)數(shù)據(jù)。因此,本文以普通私家汽車的出行特征替代電動私家汽車的出行特征,并分別討論工作日和雙休日的電動私家汽車的出行特征。

      私家車在工作日的出行類型主要分為工作出行和社交購物出行,其中,工作出行的私人小汽車占79.25%,社交購物出行的私人小汽車占20.75%[12]。私家車在雙休日的出行類型主要為社交購物出行。同時,據(jù)統(tǒng)計,私人小汽車在工作日出車率為77%,雙休日出車率為70.4%[12]。

      基于2017年美國交通部對美國家用汽車調(diào)查NHTS(national household travel survey)所收集的數(shù)據(jù)[13],通過數(shù)據(jù)擬合處理得到工作日工作出行和社交購物出行結(jié)束時刻的分布如圖3所示。由圖3可知,工作日工作出行結(jié)束時刻在下午17:18達(dá)到最高峰;社交購物出行結(jié)束時刻有2個高峰,分別為上午12:00和下午18:12。

      圖3 工作日出行結(jié)束時刻分布Fig.3 Distribution of end time of trip on working day

      工作日工作出行結(jié)束時刻的概率密度函數(shù)可表示為

      式中:σw為工作日工作出行結(jié)束時刻標(biāo)準(zhǔn)差,σw=1.747;μw為工作日工作出行結(jié)束時刻均值,μw=17.3。

      工作日社交購物出行結(jié)束時刻的概率密度函數(shù)可表示為

      式中:α1、β1為比例系數(shù),α1=0.384 0,β1=0.59;σ1、σ2為工作日社交購物出行結(jié)束時刻標(biāo)準(zhǔn)差,σ1=2.32,σ2=2.575;μ1、μ2為工作日社交購物出行結(jié)束時刻均值,μ1=12,μ2=18.2。

      同理,由NHTS調(diào)查數(shù)據(jù)擬合處理得到雙休日社交購物出行結(jié)束時刻分布如圖4所示。由圖4可知,雙休日社交購物出行結(jié)束時刻有2個高峰,分別為上午11:36和下午17:00。

      圖4 雙休日社交購物出行結(jié)束時刻分布Fig.4 Distribution of end time of social shopping trip at weekends

      雙休日社交購物出行結(jié)束時刻的概率密度函數(shù)可表示為

      式中:α2、β2為比例系數(shù),α2=0.302,β2=0.639 5;σ3、σ4為雙休日社交購物出行結(jié)束時刻標(biāo)準(zhǔn)差,σ3=2,σ4=3.2;μ3、μ4為雙休日社交購物出行結(jié)束時刻均值,μ3=11.6,μ4=17。

      3.2 充電起始SOC

      根據(jù)私家電動汽車用戶充電習(xí)慣調(diào)研顯示,私家電動車車主的充電策略仍比較保守,48%的電動汽車車主選擇在剩余SOC為41%~60%時進(jìn)行充電,只有7%電動汽車車主選擇在剩余SOC為1%~20%時進(jìn)行充電,也有1%電動汽車車主選擇在剩余SOC為81%~100%時進(jìn)行充電[14]。據(jù)此充電習(xí)慣,可將居民區(qū)電動汽車用戶按起始充電SOC分為S1、S2、…、S5這5種類型,如表1所示。

      表1 居民區(qū)電動汽車用戶分類Tab.1 Classification of electric vehicle users in residential areas%

      電動汽車充電起始SOC與累計出行里程密切相關(guān)。一般情況下,電動汽車充電起始SOC與累計出行里程的大小呈負(fù)相關(guān)。

      根據(jù)相關(guān)統(tǒng)計數(shù)據(jù)表明,車輛單次出行的行駛里程呈現(xiàn)對數(shù)正態(tài)分布[1],其概率密度函數(shù)可表示為

      式中:d為單次出行行駛里程,km;μD為lnd的期望;σD為lnd的標(biāo)準(zhǔn)差。

      設(shè)定工作日單次出行里程的平均值為11.4 km,標(biāo)準(zhǔn)差為4.88 km;雙休日單次出行里程的平均值為13.2 km,標(biāo)準(zhǔn)差為5.23 km[12]。對于不同城市和地區(qū),出行里程的平均值和標(biāo)準(zhǔn)差存在差異,可按照當(dāng)?shù)氐膶嶋H情況,改變出行里程的平均值和方差。

      假設(shè)居民區(qū)私人電動汽車?yán)塾嫵鲂写螖?shù)服從均勻分布,則電動汽車充電起始SOC可表示為

      式中:SOCi為第i輛電動汽車充電起始荷電狀態(tài);dk為第k次出行的行駛里程;n為電動汽車出行的總次數(shù);dfull為電動汽車電池充滿電后的最大行駛里程。

      3.3 充電時長

      居民區(qū)常規(guī)交流慢充功率為3.3 kW和7 kW,本文充電功率選取7 kW。

      電動汽車充電時長主要受充電起始SOC、電池充電功率和容量的影響,則充電時長可表示為

      式中:tc為電動汽車充電時長,h;Pc為充電功率,kW;E為電動汽車電池容量,kW·h。

      3.4 蒙特卡洛模擬充電概率預(yù)測

      蒙特卡洛模擬法是一種建立在概率和統(tǒng)計方法之上的隨機(jī)模擬方法,其一般針對某個復(fù)雜問題建立概率模型,使復(fù)雜問題的解與模型中隨機(jī)變量的某些特征相對應(yīng),從而達(dá)到求解的目的。

      根據(jù)建立的充電開始時刻和充電起始SOC的概率模型,抽取充電開始時刻和對應(yīng)的充電起始SOC,并通過式(7)計算出充電時長。通過大量的隨機(jī)抽樣,可以得到滿足居民區(qū)電動汽車出行特征的隨機(jī)樣本數(shù)組Ts和Tc。其中,隨機(jī)樣本數(shù)組Ts為起始充電時刻,隨機(jī)樣本數(shù)組Tc為與Ts相對應(yīng)的充電時長。

      電動汽車在任意t0時刻沒有處在充電狀態(tài)有兩種情況[3],如圖5所示。其中,ts為電動汽車起始充電時刻;tc為充電時長。

      圖5 電動汽車沒有充電的2種情況Fig.5 Two cases when electric vehicles are not charged

      設(shè)γ=1表示t0時刻電動汽車正在充電,γ=0表示t0時刻電動汽車沒有充電。所抽取的隨機(jī)樣本在t0時刻處于充電狀態(tài)的判斷條件可表示為

      將隨機(jī)抽取的樣本數(shù)組Ts和Tc中的隨機(jī)樣本依據(jù)式(8)進(jìn)行判斷,計算得到對應(yīng)每個隨機(jī)樣本在一天24 h內(nèi)的充電狀態(tài)。構(gòu)建記錄充電狀態(tài)的數(shù)組T,其容量為N×24,N為抽取隨機(jī)樣本的個數(shù),數(shù)組的24列對應(yīng)一天24個時刻。將每個隨機(jī)樣本對應(yīng)的充電狀態(tài)放入所構(gòu)建的充電狀態(tài)數(shù)組T中,分別統(tǒng)計充電狀態(tài)數(shù)組T每一列中γ=1的個數(shù)(n1,n2,…,n24),nk/N即為居民區(qū)電動汽車在k時刻的充電概率。

      居民區(qū)電動汽車在一天24個時刻的充電概率可表示為

      式中:D(t)為t時刻的充電概率;Tkt為第k個隨機(jī)樣本在t時刻的充電狀態(tài)。

      由于居民區(qū)電動汽車出行類型和規(guī)律在工作日和雙休日呈現(xiàn)不同的特征,因此,本文將電動汽車充電概率分為工作日和雙休日兩種情況,分別建立工作日和雙休日影響充電負(fù)荷因素的概率模型,并通過蒙特卡洛模擬法分別得到居民區(qū)電動汽車工作日充電概率和雙休日充電概率。具體步驟如下。

      步驟1確定電動汽車電池容量、電動汽車最大行駛里程和充電功率。

      步驟2根據(jù)出行類型和出行規(guī)律,抽取N個充電起始時刻隨機(jī)樣本,并將樣本放入數(shù)組Ts。

      步驟3根據(jù)單次出行里程分布和居民充電習(xí)慣,抽取N個累計出行里程樣本,通過式(6)、(7)計算出每個樣本所對應(yīng)充電時長,并將每個樣本所對應(yīng)充電時長放入數(shù)組Tc。

      步驟4樣本數(shù)組Ts和Tc中的隨機(jī)樣本依據(jù)式(8)進(jìn)行判斷,得到對應(yīng)每組隨機(jī)樣本在一天24 h內(nèi)的充電狀態(tài),將每組樣本所對應(yīng)的充電狀態(tài)放入數(shù)組T。

      步驟5通過式(9)計算每個時刻的充電概率。

      步驟6將步驟2~5循環(huán)M次,得到M組充電概率數(shù)據(jù)。

      步驟7將M組數(shù)據(jù)對應(yīng)同一時刻的值取平均值,得到最終的居民區(qū)電動汽車充電概率曲線。

      4 考慮有序充電的居民區(qū)充電負(fù)荷預(yù)測

      根據(jù)工作日和雙休日的居民區(qū)電動汽車出行特點分別建立有序充電的目標(biāo)函數(shù);同時,根據(jù)工作日和雙休日居民區(qū)常規(guī)用電習(xí)慣,將電動汽車負(fù)荷按出行要求平移到用電低谷時期;并采用非線性規(guī)劃算法分別求解工作日和雙休日居民區(qū)的整體居民負(fù)荷。

      4.1 目標(biāo)函數(shù)

      居民區(qū)有序充電負(fù)荷預(yù)測目標(biāo)函數(shù)為接入臺區(qū)負(fù)荷方差最小,即

      式中:Pw_EV(i)為第i時刻工作出行的電動汽車充電負(fù)荷;Pss_EV(i)為第i時刻購物社交出行的電動汽車充電負(fù)荷;Pnorm(i)為第i時刻居民區(qū)常規(guī)用電負(fù)荷;Pˉ為小區(qū)總負(fù)荷的均值。

      雙休日電動汽車充電負(fù)荷有序充電的目標(biāo)函數(shù)可表示為

      4.2 約束條件

      1)充電時間約束

      工作出行的出發(fā)時間一般集中在7:00─8:00,購物社交出行的出發(fā)時間一般集中在10:00。本文分別考慮工作和購物兩種出行的充電時間約束。

      工作出行的電動汽車充電時間約束為

      式中:tcw1_open為工作出行的電動汽車有序充電第1個時段的開始時刻,本文取為0:00;tcw1_end為工作出行的電動汽車有序充電第1個時段的結(jié)束時刻,本文取為7:00;tcw2_open為工作出行的電動汽車有序充電第2時段的開始時刻,本文取為14:00;tcw2_end為工作出行的電動汽車有序充電第2時段的結(jié)束時刻,本文取為20:00。

      2)購物社交出行的電動汽車充電時間約束

      式中:tcss1_open為購物社交出行的電動汽車有序充電第1個時段的開始時刻,本文取為0:00;tcss1_end為購物社交出行的電動汽車有序充電第1個時段的結(jié)束時刻,本文取為10:00;tcss2_open為購物社交出行的電動汽車有序充電第2個時段的開始時刻,本文取為14:00;tcss2_end為購物社交出行的電動汽車有序充電第2時段的結(jié)束時刻,本文取為20:00。

      3)容量約束

      通過有序充電優(yōu)化后的居民區(qū)總負(fù)荷應(yīng)該不超過臺區(qū)配變總?cè)萘浚?/p>

      式中:PEV(i)為第i個時刻的電動汽車總充電負(fù)荷;Cmax為居民區(qū)變壓器最大容量上限。

      4)電量約束

      有序充電優(yōu)化前后電動汽車充電電量相等,即

      式中:QEV(i)為第i個時刻的電動汽車充電電量;Qsum為充電電量總和。

      本節(jié)建立的居民區(qū)電動汽車有序充電數(shù)學(xué)模型,是一個典型的非線性規(guī)劃問題,即一個n元實函數(shù)在一組不等式或不等式約束下的極值問題,利用非線性規(guī)劃方法求解居民區(qū)電動汽車有序充電負(fù)荷。

      5 算例分析

      5.1 電動汽車保有量預(yù)測結(jié)果分析

      以河南省某城市為例對本文所提的居民區(qū)電動汽車充電負(fù)荷中長期預(yù)測方法進(jìn)行算例分析。2011─2019年河南省某城市私家汽車保有量和增長率如表2所示。2019年該城市的人口為1 035.2萬人,私家車保有量為349.9萬輛,電動汽車保有量為7.17萬輛,其私家車的千人保有量為338輛,電動汽車滲透率為2.05%。

      表2 2011—2019年河南省年某城市私家車保有量和增長率Tab.2 Number and growth rate of private car ownership in one city of Henan Province from 2011 to 2019

      設(shè)置居民區(qū)住戶數(shù)為600戶,居住人數(shù)為1 800人,則居民區(qū)2019年的私家車保有量約為608輛,電動汽車保有量約為12輛。

      以表2的數(shù)據(jù)為基礎(chǔ),擬合出該城市私家車增長率曲線如圖6所示。私家車增長率函數(shù)可表示為

      圖6 私家車保有量增長率擬合曲線Fig.6 Fitting curve of growth rate of private car ownership

      式中,a、b、c為擬合曲線參數(shù),a=0.465 2,b=2 003,c=12.51。

      由圖6可知,2035年該城市私家車保有量增長率基本為0,因此,本文將2035年設(shè)定為居民區(qū)私家車保有量預(yù)測的遠(yuǎn)景年,即2035年居民區(qū)私家車保有量達(dá)到飽和。結(jié)合式(16)與2019年居民區(qū)私家車保有量,計算未來居民區(qū)私家車保有量飽和值為822輛。

      居民區(qū)電動汽車的市場總潛力上限取為居民區(qū)私家車保有量飽和值(2035年居民區(qū)私家車保有量)的50%、70%、90%,代入Bass模型中,得到居民區(qū)電動汽車保有量預(yù)測結(jié)果如圖7所示。由圖7可知,在2021—2030年居民區(qū)電動汽車保有量快速增長,到2035年電動汽車保有量基本達(dá)到飽和。

      圖7 居民區(qū)電動汽車保有量Fig.7 Number of electric vehicles in residential areas

      5.2 充電概率預(yù)測結(jié)果

      本文以“比亞迪元EV”汽車為分析對象,該電動汽車的具體參數(shù)為電池容量40 kW·h,續(xù)航里程305 km,常規(guī)充電功率7 kW。

      設(shè)置樣本容量N=10×104,重復(fù)100次,分別得到工作日和雙休日的居民區(qū)電動汽車充電概率,充電概率曲線如圖8所示。

      圖8 居民區(qū)電動汽車充電概率Fig.8 Electric vehicle charging probability in residential areas

      5.3 考慮有序充電的充電負(fù)荷預(yù)測結(jié)果

      以2025年為居民區(qū)電動汽車充電負(fù)荷預(yù)測的目標(biāo)年,選取2019年某居民區(qū)典型工作日和雙休日常規(guī)日用負(fù)荷如圖9所示。本文設(shè)置居民區(qū)常規(guī)負(fù)荷的年增長率為1%,結(jié)合居民區(qū)電動汽車保有量預(yù)測結(jié)果與電動汽車充電概率,求解有序充電目標(biāo)函數(shù),可得居民區(qū)電動汽車充電電量預(yù)測結(jié)果如表3所示;考慮有序充電電動汽車負(fù)荷預(yù)測如圖10所示。

      表3 居民區(qū)電動汽車中長期電量預(yù)測Tab.3 Mid-and long-term electricity forecasting for electric vehicles in residential areas

      圖9 典型日常規(guī)負(fù)荷Fig.9 Typical daily routine load

      圖10 配電網(wǎng)整體負(fù)荷優(yōu)化Fig.10 Overall load optimization of distribution network

      由圖10可知,隨著電動汽車數(shù)量的快速發(fā)展,有序充電可大大降低充電負(fù)荷對居民區(qū)配電網(wǎng)容量需求。例如:若采用無序充電,到2025年,典型工作日和雙休日的臺區(qū)整體負(fù)荷將超過臺區(qū)容量,需擴(kuò)容改建;而采用有序充電,臺區(qū)整體負(fù)荷的最大值將不會超過日用負(fù)荷峰值,從而降低配電網(wǎng)投資。此外,有序充電后臺區(qū)負(fù)荷峰谷差明顯低于無序充電,對整體居民區(qū)配電網(wǎng)起到了負(fù)荷平抑作用。

      6 結(jié)論

      本文提出一種基于有序充電的電動汽車中長期負(fù)荷預(yù)測方法,預(yù)測了近3年和目標(biāo)年居民區(qū)配電網(wǎng)工作日和雙休日的電動汽車有序充電負(fù)荷和整體居民負(fù)荷。具體結(jié)論如下。

      (1)工作日和雙休日的居民區(qū)電動汽車充電負(fù)荷呈現(xiàn)不同特性。工作日居民區(qū)電動汽車充電負(fù)荷在晚上約19:00達(dá)到峰值,峰值持續(xù)時間短;雙休日居民區(qū)電動汽車充電負(fù)荷在下午約14:00達(dá)到峰值,峰值持續(xù)時間長。

      (2)居民區(qū)電動汽車無序充電將導(dǎo)致臺區(qū)整體負(fù)荷峰上加峰,通過有序充電規(guī)劃將使居民區(qū)整體負(fù)荷的峰谷差和負(fù)荷方差明顯減少,即減小了電動汽車充電負(fù)荷對臺區(qū)負(fù)荷峰值影響。因此,有序充電可提升居民區(qū)配電網(wǎng)對電動汽車的接納能力并可延緩居民區(qū)配電網(wǎng)升級改造時間。

      猜你喜歡
      居民區(qū)工作日保有量
      全國機(jī)動車保有量突破4億輛,新能源汽車占比2.90%
      潤滑油(2022年3期)2022-11-15 20:07:38
      全國機(jī)動車保有量突破4億輛
      對我國私家車保有量影響因素的統(tǒng)計分析
      智富時代(2019年4期)2019-06-01 07:35:00
      “熊”視眈眈
      暢談(2018年17期)2018-10-28 12:30:46
      集萌社
      是誰讓危險品企業(yè)埋伏居民區(qū)?
      IT時代周刊(2015年9期)2015-11-11 05:51:37
      全國機(jī)動車保有量
      ——《2013年中國機(jī)動車污染防治年報》(第Ⅰ部分)
      居民區(qū)WCDMA網(wǎng)絡(luò)深度覆蓋解決方案
      對《資本論》中工作日問題的哲學(xué)思考
      商(2012年14期)2013-01-07 07:46:16
      鄭州局辦理業(yè)務(wù)全程提速
      丹棱县| 汉沽区| 武功县| 白城市| 象州县| 剑阁县| 特克斯县| 洛南县| 梨树县| 东乌| 津南区| 兴宁市| 岐山县| 康马县| 商洛市| 安福县| 巴东县| 宁都县| 建湖县| 巴彦淖尔市| 南充市| 竹溪县| 寿光市| 苍山县| 滁州市| 房山区| 道孚县| 济源市| 肇州县| 波密县| 莱阳市| 柏乡县| 社旗县| 宣恩县| 文山县| 原阳县| 苗栗市| 湖北省| 永福县| 湘西| 丰城市|