基于實測數(shù)據(jù)的多類型電動汽車充電負荷分析

蔣林洳，龍羿，李興源，張元星，陳中

(1.中國電力科學(xué)研究院有限公司用電與能效研究所檢測中心(北京市電動汽車充換電工程技術(shù)研究中心)，北京 100192； 2.國網(wǎng)重慶市電力公司營銷服務(wù)中心，重慶 401123； 3.東南大學(xué) 電氣工程學(xué)院，南京 210096)

0 引 言

自2012年制定《節(jié)能與新能源汽車發(fā)展規(guī)劃(2011年～2020年)》后，我國電動汽車市場進入自主品牌快速發(fā)展的新階段。2015年，我國新能源汽車累計產(chǎn)銷突破50 萬輛，對全球市場的貢獻超過一半。2016年我國電動汽車的保有量達到109 萬輛，已成為全球規(guī)模最大的新能源汽車制造國[1-2]。

考慮到其經(jīng)濟性及環(huán)境保護作用，電動汽車將成為未來各國經(jīng)濟增長的重要組成部分[3-4]，分析電動汽車用車行為，有利于電動汽車負荷預(yù)測以及有序充電策略的制定等。文獻[5-6]從新能源汽車的發(fā)展歷程切入，將2019年政府補貼下降的不利影響做了部分歸納，同時指出稅收優(yōu)惠等配套政策將給產(chǎn)業(yè)帶來新的動力；文獻[7-10]借助相關(guān)數(shù)學(xué)模型，對國外電動汽車用戶出行行為進行研究，其中John G等人將Nissan LEAF電動汽車作為研究對象，進一步探討了用戶的充電行為特征；文獻[11]采用探索性空間數(shù)據(jù)分析(ESDA)技術(shù)對上海市的出租汽車統(tǒng)計信息進行分析，利用莫倫值(Moran’s I)進行評估，表明出租汽車出行具有較強的空間正相關(guān)性，與中心商業(yè)區(qū)的活動高度相關(guān)，時空結(jié)構(gòu)穩(wěn)定；文獻[12]對共享汽車這一新型出行方式進行了初步分析，基于EVCARD公司的訂單數(shù)據(jù)，借助描述性統(tǒng)計量分析用戶通勤時段出行特征；文獻[13]利用數(shù)據(jù)挖掘等方法，分析了城市級物流電動汽車充電行為規(guī)律，得到了服從正態(tài)分布的充電前后SOC模型，為用戶的出行策略提供科學(xué)支持；文獻[14]采用聚類法，研究了共享汽車用戶行為與企業(yè)利潤間的關(guān)系，并借助多層感知神經(jīng)網(wǎng)絡(luò)對不同用戶進行了分類預(yù)測；文獻[15]基于蒙特利爾地區(qū)用戶的用車數(shù)據(jù)，采用數(shù)據(jù)挖掘等方法按用戶特征進行群體分類；文獻[16]建立了數(shù)據(jù)驅(qū)動的線性回歸模型，分析得出停車位的數(shù)量是影響用戶出行的首要因素；文獻[17]結(jié)合地理信息對電動汽車訂單數(shù)據(jù)進行時空特性分析，利用線性回歸的方法對訂單量進行預(yù)測。

隨著電動汽車行業(yè)發(fā)展，其帶來的居民出行模式改變問題不容忽視，將成為城市交通領(lǐng)域的熱點問題，探討不同電動汽車車型的出行規(guī)律具有較高研究價值?；趯崪y用戶訂單數(shù)據(jù)，對某地2018年12月1日～12月30日的電動汽車數(shù)據(jù)進行分析，得到公交車、運輸車、私家車、租賃車四種車型的出行預(yù)測規(guī)律，并采用蒙特卡洛法對區(qū)域電動汽車負荷進行建模預(yù)測。

1 數(shù)據(jù)預(yù)處理

1.1 數(shù)據(jù)采集格式

截止目前，采用的平臺數(shù)據(jù)庫存儲了從2018年12月1日～2018年12月30日共計1 656 776條電動汽車數(shù)據(jù)，時間跨度為30天。篩選出其中數(shù)量較多的車型，最終得到1 541 923條初選數(shù)據(jù)，源數(shù)據(jù)保留率為93.07%。每條數(shù)據(jù)包含了用戶的多維用車行為信息，包括車型、采集時間、車輛SOC、里程數(shù)以及行駛速度(見表1)。

表1 采集數(shù)據(jù)格式

表1中，車型包括電動公交車、電動運輸車、電動私家車、電動租賃車四大類;數(shù)據(jù)采集時間包括采集起始時間(Time_start)與采集結(jié)束時間(Time_end)。車輛SOC包括車輛起始SOC(Soc_start)與車輛結(jié)束SOC(Soc_end)；里程數(shù)默認為車輛里程計數(shù)器計數(shù)，包括起始里程數(shù)(Mileage_start)與結(jié)束里程數(shù)(Mileage_end)；行駛速度包括最大速度(Speed_max)與最小速度(Speed_min)。

1.2 數(shù)據(jù)預(yù)處理流程

采集到數(shù)據(jù)中存在一定數(shù)量的異常數(shù)據(jù)與數(shù)據(jù)缺失情況(見圖1)，按Step1～Step4對其進行預(yù)處理，刪除異常數(shù)據(jù)并補充缺失部分。

圖1 異常數(shù)據(jù)與數(shù)據(jù)缺失

Step 1：輸入數(shù)據(jù)，根據(jù)電動汽車公司統(tǒng)計數(shù)據(jù)得知，車輛啟動到車輛停止至少需要4 min，各車型單次用車時間小于12 h，即滿足條件4 min≤ (Time_end-Time_start)≤12 h，否則將其刪除；

Step 2：由于采集的數(shù)據(jù)為用車信息，不包含電動汽車充電數(shù)據(jù)，若滿足Soc_end>Soc_start且Soc_start≤100，否則將其刪除；

Step 3：默認里程計數(shù)滿足條件Mileage_end> Mlieage_start，根據(jù)用戶用車經(jīng)驗值，單次行駛里程同時滿足(Mileage_end- Mlieage_start)≤100 km，否則將其刪除；

Step 4：假設(shè)采集到的數(shù)據(jù)為某一完整的行駛過程，則該過程中最小速度滿足條件Speed_min=0，否則將其刪除。

由于數(shù)據(jù)采集過程中會收到通信質(zhì)量、收發(fā)端不穩(wěn)定等因素影響，會有部分數(shù)據(jù)缺失關(guān)鍵信息或丟失等現(xiàn)象，針對此情況，本研究過程采用拉格朗日插值法[18]進行補充，。經(jīng)過預(yù)處理后，異常數(shù)據(jù)占比最大不超過2%(見表2)。

表2 各車型采集數(shù)據(jù)預(yù)處理結(jié)果

2 多類型電動汽車用車行為分析

基于數(shù)據(jù)預(yù)處理結(jié)果，采用數(shù)學(xué)統(tǒng)計方法對15 419 223條訂單數(shù)據(jù)進行聚類分析，從用戶出行里程、用戶停車率量方面進行線性回歸分析，分別按24 h(每日)的時間跨度進行用戶出行規(guī)律歸納，并建立了相關(guān)用車行為模型(見圖2)。

圖2 多類型電動汽車用車行為分析流程

如圖2所示，首先逐條輸入采集到的的電動汽車訂單數(shù)據(jù)，格式如表1所示；然后按1.2章節(jié)對數(shù)據(jù)進行預(yù)處理，刪除部分無效數(shù)據(jù)并對部分缺失數(shù)據(jù)進行補充；提取數(shù)據(jù)中的出行里程與出行時間信息，分別采用K-S(Kolmogorov-Smirnov)法、J-B(Jarque-Bera)法等方法驗證分布特性，并采用極大似然法擬合曲線，最后形成出行里程、停車率模型。

2.1 各車型用戶出行里程分布

將訂單數(shù)據(jù)按用戶單次出行距離進行分類，即單次出行距離=(Mileage_end-Mileage_start)，分組間隔為5 km，得到所示的用戶出行里程分布(見圖3)。

圖3 用戶出行里程分布圖

分別對各車型用戶數(shù)據(jù)采用K-S檢驗(Kolmogorov-Smirnov檢驗)方法進行檢驗，即：

(1)

(2)

(3)

式中Fn(x)為樣本集的累計分布函數(shù)；F(x)為假設(shè)的理論分布函數(shù)；I為冪函數(shù)。基于Glivenko-Cantelli理論，若Xi服從理論分布F(x)，則n趨于無窮時Dn趨于0。本節(jié)假設(shè)用戶用車里程服從冪函數(shù)分布，采用K-S方法檢驗，然后由極大似然法擬合曲線，得到分布模型(見表3)。

表3 多車型用戶出行里程分布模型

2.2 各車型用戶停車時間分布

數(shù)據(jù)經(jīng)過預(yù)處理后，對每日的分時用車數(shù)量進行統(tǒng)計分析，間隔取1 h，可得每日0～24 h的用車數(shù)量分布(見圖4)。

圖4 多車型每日分時出行數(shù)量分布

將圖4所示數(shù)據(jù)按式(4)進行處理，進一步得到各車型用戶的分時停車率信息。

(4)

式中SCk(i)為i時刻第k種車型的停車率；CAk(i)為i時刻第k種車型的出行數(shù)量；CAk為統(tǒng)計數(shù)據(jù)中第k種車型的總數(shù)量，將圖4所示的出行數(shù)量轉(zhuǎn)化為用戶停車率分布,如圖5所示。

圖5 多車型每日分時停車率分布

3 多類型電動汽車充電負荷建模

根據(jù)第2章的統(tǒng)計結(jié)果，已知電動汽車單日出行里程服從表3所示的分布函數(shù)。結(jié)合充電時間、電池參數(shù)等對電動汽車充電負荷進行模擬仿真。

3.1 電池參數(shù)設(shè)置

假設(shè)電動汽車為已知電動汽車車型、常規(guī)行駛電池耗量、以及充電樁功率，充電需求時間為：

(5)

式中e為該車型每公里耗電量(kWh/km)；Xcar為該車型每日的出行里程數(shù)(km)；Pcharge為該充電樁的充電功率(快充與慢充)；T為充電需求時間。參考市場上的具體車型數(shù)據(jù)，四類電動汽車車型具體參數(shù)如表4所示。

表4 四類電動汽車參數(shù)

3.2 充電時間概率分布

若當(dāng)?shù)趇條數(shù)據(jù)的Soc_end小于第i+1條數(shù)據(jù)的Soc_start，則可認為第i條數(shù)據(jù)的Time_end為充電起始時刻。結(jié)合2.2節(jié)統(tǒng)計結(jié)果與車輛運行規(guī)律，對每日充電次數(shù)、充電類型選擇、分布概率模型加以數(shù)學(xué)約束，則可估計多車型的充電時間概率分布(見表5)。

表5 多車型充電時間分布

電動私家車具有的非盈利特性，默認其充電不設(shè)限制時長，即每次充電直至充滿電為止。

3.3 電動汽車充電負荷仿真

將表5的充電時間分布結(jié)合蒙特卡洛模擬法(Monte Carlo)，即可對區(qū)域集群性的電動汽車負荷進行模擬仿真，通過產(chǎn)生隨機數(shù)來模擬具有不確定性的電動汽車充電行為(見圖6)。

圖6 電動汽車負荷仿真流程

為了簡化計算流程，仿真設(shè)定了下列條件：

(1)由于在大部分電池的充電過程中，恒流充電占據(jù)了主導(dǎo)地位[19]，所有類型充電方式視為恒流充電，且忽略其他隨機因素的影響；

(2)所有車輛只在表5所示的規(guī)定時段內(nèi)充電，其他時段充電負荷量予以忽略；

(3)區(qū)域內(nèi)的總負荷為獨立車輛充電負荷的疊加，即對同時刻的不同車型充電負荷進行求和。

根據(jù)2030年中國汽車保有量按等比例設(shè)置電動公交車500 輛，電動運輸車800 輛，電動私家車20 000 輛，電動出租車1 000 輛，不考慮私家車的工作日/休息日用車行為差異[20-21]。仿真結(jié)果精確至分鐘，循環(huán)次數(shù)N=5 000。按圖6的流程，抽取每日行駛里程與充電開始時間，并計算充電時長，形成各車型充電曲線(見圖7)。

圖7 各車型充電負荷仿真結(jié)果

為量化評價各車型的充電負荷，統(tǒng)計各車型充電量占比以及峰值最大負荷(見表6)。

根據(jù)圖8與表6，由于電動私家車的數(shù)量較多，電動出租車默認采用快速充電模式，二者產(chǎn)生的負荷峰值遠高于電動公交車與電動運輸車，同時電動私家車、電動出租車為充電負荷的主要來源，分別占比54.51%與23.80%。將圖8的各車型充電負荷累加，可得該區(qū)域內(nèi)的電動汽車集群充電負荷。

表6 各車型充電負荷占比

圖8 電動汽車負荷仿真結(jié)果

為量化電動汽車集群對區(qū)域用電負荷的影響，結(jié)合某地區(qū)的典型日用電負荷(精確至分鐘)，分析電動汽車負荷對電網(wǎng)的影響(見圖9)。

圖9 電動汽車負荷對電網(wǎng)的影響

圖9中，由于四種類型的電動汽車均處于無序充電狀態(tài)，9:00～15:00之間出現(xiàn)了“峰上加峰”現(xiàn)象，電網(wǎng)運行負荷進一步增加。同時，由于電動汽車的移動儲能特性，23:00～05:00之間的谷時負荷得到了一定的補充。

4 結(jié)束語

基于電動汽車平臺的實測數(shù)據(jù)，對數(shù)據(jù)進行了分析與處理，刪除部分異常數(shù)據(jù)；通過分析電動汽車用戶的用車里程與停車時間分布，得到不同用戶的用車行為模型；通過蒙特卡洛模擬法對四種類型電動汽車的總充電負荷進行了仿真分析，得出以下結(jié)論：

(1)電動私家車、電動出租車的充電量占比較大，具有巨大的電網(wǎng)調(diào)度空間，結(jié)合具體運營模式，有潛力作為新能源并網(wǎng)的緩沖儲能設(shè)施以及負荷側(cè)削峰填谷的重要手段；

(2)針對具體區(qū)域的電動汽車負荷，在無序充電的情況下會產(chǎn)生不同程度的“峰上加峰”的情況，增加電網(wǎng)峰谷差，降低運行效率?？梢越Y(jié)合分時電價、有序充電等策略引導(dǎo)負荷轉(zhuǎn)移，減少電網(wǎng)運行壓力與用戶充電成本。