陳麗丹，張 堯，Antonio Figueiredo

(1. 華南理工大學(xué)廣州學(xué)院 電氣工程學(xué)院，廣東 廣州 510800；2. 華南理工大學(xué) 電力學(xué)院，廣東 廣州 510640；3. 約克大學(xué) 電子工程系，英國 約克郡 YO10 5DD)

0 引言

近年來，電動汽車受到各國政府和企業(yè)的大力支持和推廣[1]，隨著充電設(shè)施的逐步建設(shè)和電動汽車使用力度的加大，電動汽車的充電需求也將有新一輪增長，有效的電動汽車充電負(fù)荷預(yù)測和電動汽車接入電網(wǎng)后的影響評估是開展電網(wǎng)與電動汽車互動研究的基礎(chǔ)[2]。然而，電動汽車作為一種特殊的負(fù)荷和儲能裝置，它的可移動性使其充電負(fù)荷具有時(shí)間和空間隨機(jī)性和動態(tài)性，其充電負(fù)荷分布受車輛出行后的道路結(jié)構(gòu)、交通路況、行駛路徑及出行目的地等因素影響[3]。從電網(wǎng)角度出發(fā)，因電動汽車接入時(shí)間、接入地點(diǎn)的不同，電網(wǎng)的負(fù)荷、節(jié)點(diǎn)電壓、損耗等運(yùn)行指標(biāo)也將隨之發(fā)生變化。為分析電動汽車接入后的充電需求、對電網(wǎng)的影響以及后續(xù)評估區(qū)域內(nèi)各節(jié)點(diǎn)電動汽車的時(shí)間可調(diào)控能力和需求響應(yīng)能力，應(yīng)考慮電動汽車所在區(qū)域的交通道路網(wǎng)信息和所在的電網(wǎng)信息及其耦合特性，并結(jié)合電動汽車的出行特性、充電行為，分析電動汽車充電負(fù)荷的時(shí)間和空間分布特征。

目前已有不少文獻(xiàn)開展了電動汽車充電負(fù)荷預(yù)測的研究，并取得了豐碩的成果，其中一部分基于電動汽車充電負(fù)荷的時(shí)間分布特性開展研究，如文獻(xiàn)[4-5]分別建立了起始荷電狀態(tài)、日行駛里程和起始充電時(shí)間的概率模型，利用蒙特卡洛方法計(jì)算電動汽車充電負(fù)荷的時(shí)間分布，但其均未涉及充電負(fù)荷的空間分布。文獻(xiàn)[6]根據(jù)電動汽車類型、電池容量、用戶習(xí)慣、充電頻率等因素，規(guī)劃不同的充電場景，構(gòu)建了充電負(fù)荷時(shí)間分布預(yù)測模型，但同樣缺乏空間信息。文獻(xiàn)[7]提出元日期窗口的概念并考慮多日一充模式對充電負(fù)荷的影響，該方法適用于電動汽車的電池容量較大且日行駛里程較少的情形。文獻(xiàn)[8]選擇用地決策法，根據(jù)土地性質(zhì)和相對應(yīng)的停車規(guī)律，較好地描述了不同用地場所的電動汽車充電負(fù)荷曲線，但還需進(jìn)一步考慮具體某一車輛在一天內(nèi)的出行時(shí)空和充電需求情況的關(guān)聯(lián)性。文獻(xiàn)[9]提出一種考慮電動汽車空間運(yùn)動特性的充電負(fù)荷預(yù)測方法，所提方法能計(jì)算電動汽車在各種場所總的充電負(fù)荷時(shí)間分布，但不能反映各個地塊及各電網(wǎng)節(jié)點(diǎn)下充電負(fù)荷的具體情形。然而，無論是充電樁(站)的規(guī)劃還是電網(wǎng)的規(guī)劃，均需考慮充電負(fù)荷的時(shí)空分布情況。文獻(xiàn)[3,10]利用交通起止點(diǎn)OD(Orignation Destination)分析法模擬電動汽車的行駛路徑，采用蒙特卡洛方法對各類電動汽車的充電負(fù)荷進(jìn)行時(shí)空預(yù)測，但實(shí)際上每個時(shí)段OD矩陣的獲取是比較困難的，且容易造成充電負(fù)荷的重復(fù)計(jì)算。綜上所述，現(xiàn)有的電動汽車充電負(fù)荷預(yù)測方法仍存在一定的局限性：① 耦合度不夠，電動汽車充電負(fù)荷因具有移動性，與交通道路網(wǎng)、電網(wǎng)的關(guān)系密切，并受天氣、充電設(shè)施、出行規(guī)律等因素影響；② 注重充電負(fù)荷時(shí)間分布的預(yù)測，忽略了對空間特性的分析。

評估電動汽車接入電網(wǎng)影響的相關(guān)研究也有較多的成果[11-12]，但是已有方法對電動汽車的出行規(guī)律、充電需求判斷等方面的考慮不足，在評估電動汽車接入對電網(wǎng)的影響時(shí)，局限于考慮負(fù)荷總量在時(shí)間上的疊加，忽略了不同區(qū)域、不同接入點(diǎn)具有不同的充電功率水平和需求，同時(shí)還需考慮充電地點(diǎn)與電網(wǎng)節(jié)點(diǎn)的耦合性，才能更合理地體現(xiàn)對電網(wǎng)的影響。

基于上述分析，本文提出了一種融合路網(wǎng)、交通、天氣、電網(wǎng)等多源信息的考慮用戶出行需求的電動汽車充電時(shí)空分布預(yù)測方法，所提方法能得到任何時(shí)間、任何地點(diǎn)、任何車輛的充電需求，并結(jié)合路網(wǎng)和電網(wǎng)地理的耦合特性，從時(shí)空兩維度評估電動汽車接入后對電網(wǎng)負(fù)荷、網(wǎng)損、電壓等方面的影響。

1 融合多源信息的充電負(fù)荷預(yù)測基本思路

本文構(gòu)建的電動汽車充電負(fù)荷時(shí)空預(yù)測模型框架如圖1所示。

圖1 融合多源信息的電動汽車充電負(fù)荷時(shí)空預(yù)測框架Fig.1 Framework of spatial-temporal forecasting model of EV charging load based on multi-source information

該時(shí)空預(yù)測模型框架基于路網(wǎng)拓?fù)湫畔⒔⒙肪W(wǎng)模型，基于電網(wǎng)拓?fù)湫畔⒔㈦娋W(wǎng)模型，根據(jù)居民出行調(diào)查數(shù)據(jù)庫構(gòu)建出行模型，基于天氣溫度數(shù)據(jù)和交通流量數(shù)據(jù)構(gòu)建每千米耗電量模型，并基于車輛信息和充電設(shè)施信息建立單輛電動汽車的充電模型；然后通過蒙特卡洛方法生成每輛電動汽車出行的不確定性參數(shù)；根據(jù)模糊規(guī)則方法計(jì)算每個時(shí)段電動汽車每千米的耗電量；按照出行鏈行程目的地并結(jié)合道路交通模型，利用最短行駛距離算法確定車輛的行駛路徑；再結(jié)合電池的荷電水平判斷充電需求，確定電動汽車的充電時(shí)段和位置，由此得到充電負(fù)荷的時(shí)空信息，并進(jìn)行反復(fù)抽樣，以得到電動汽車充電負(fù)荷的時(shí)空分布預(yù)測結(jié)果。

2 基于圖論方法的路網(wǎng)和電網(wǎng)建模

2.1 路網(wǎng)建模

車輛出行后的行駛路徑和時(shí)間受其所在地區(qū)的路網(wǎng)、交通情況影響，因此，在進(jìn)行充電負(fù)荷計(jì)算前，需考慮路網(wǎng)、交通信息的建模。實(shí)際的道路網(wǎng)錯綜復(fù)雜，將其進(jìn)行抽象，以附錄中圖A1為示例，利用圖論方法描述和說明道路網(wǎng)的拓?fù)浣Y(jié)構(gòu)[13]，并用式(1)表述。

(1)

其中，V(G)為路網(wǎng)中的交叉節(jié)點(diǎn)，即道路交叉口集合，n為節(jié)點(diǎn)總數(shù)；E(G)為路網(wǎng)中的道路路段集合，路段長度eij根據(jù)式(2)確定；ψG為道路權(quán)值的鄰接矩陣，描述各路段長度及節(jié)點(diǎn)的連接關(guān)系。

(2)

其中，inf表示無窮大；dij為路段〈vi,vj〉的距離，并且dij≠0。另外，本文采用笛卡爾直角坐標(biāo)系表示路網(wǎng)節(jié)點(diǎn)的空間地理位置，如節(jié)點(diǎn)vi在坐標(biāo)系中的位置為(xi,yi)，dij的計(jì)算公式如式(3)所示。

(3)

假設(shè)路網(wǎng)中所有路段均可雙向通行，附錄中圖A1所示路網(wǎng)的鄰接矩陣如式(4)所示。

(4)

2.2 電網(wǎng)建模

本文建模時(shí)將電網(wǎng)簡化為由節(jié)點(diǎn)和弧段組成的網(wǎng)絡(luò)結(jié)構(gòu)，不考慮開關(guān)，節(jié)點(diǎn)僅表示發(fā)電機(jī)和負(fù)載。電網(wǎng)的拓?fù)浣Y(jié)構(gòu)如式(5)所示。

(5)

(6)

2.3 路網(wǎng)-電網(wǎng)耦合關(guān)系

城市電網(wǎng)都是基于地理位置建設(shè)的，首先根據(jù)城市規(guī)劃的各區(qū)域功能定位將地理劃分為住宅區(qū)、工作區(qū)和其他區(qū)域(商業(yè)等)，并以路網(wǎng)的道路為界；然后，由于電網(wǎng)通常按供電分區(qū)供電，供電分區(qū)的劃分考慮與城市規(guī)劃相協(xié)調(diào)，常以道路、河流等自然障礙為界，因此本文假設(shè)區(qū)域電網(wǎng)的節(jié)點(diǎn)負(fù)責(zé)對應(yīng)部分功能區(qū)的供電。當(dāng)計(jì)算充電負(fù)荷時(shí)，將各功能地塊按電網(wǎng)節(jié)點(diǎn)供電分區(qū)進(jìn)行匯總，歸算得到電網(wǎng)相應(yīng)各個節(jié)點(diǎn)的充電負(fù)荷，如式(7)所示。

(7)

3 電動汽車出行時(shí)空分析

3.1 出行時(shí)空軌跡及路徑規(guī)劃

3.1.1 出行時(shí)間軌跡曲線

充電需求與用戶的出行行為直接相關(guān)，一般出行用戶在工作日發(fā)生的出行活動規(guī)律性較強(qiáng)。單個出行者在多個日期的時(shí)空軌跡如附錄中圖A2所示，從圖中可看出，出行者每天出行的路徑并不是一成不變的，但其表現(xiàn)的出行時(shí)間和出行空間則相對集中。

3.1.2 出行路徑規(guī)劃

當(dāng)車輛由當(dāng)前所在地(源點(diǎn))前往某一活動目的地(目的點(diǎn))時(shí)，用戶往往會提前進(jìn)行路徑選擇，根據(jù)其自身的不同偏好選擇不同的路阻，如行駛距離、行程時(shí)間、道路質(zhì)量、擁擠程度、出行費(fèi)用、綜合路阻等[14]。本文假設(shè)用戶以“最短行駛距離”作為路徑選擇的重要依據(jù)，由源點(diǎn)到目的點(diǎn)的行駛路徑采用以“行駛距離”為路阻的Dijkstra算法[15]進(jìn)行規(guī)劃。

3.2 出行鏈結(jié)構(gòu)

假設(shè)本文研究的私家電動汽車以其所在住宅區(qū)為一天的起訖點(diǎn)，車輛在一天的行程中會前往一個或多個功能區(qū)活動，相應(yīng)地可能在一個或多個駐留點(diǎn)進(jìn)行充電。因此，采用由一系列中間駐留點(diǎn)構(gòu)成的出行鏈表征車輛在一天內(nèi)的出行空間特性，如式(8)所示。出行鏈的結(jié)構(gòu)示意圖如圖2所示。

Q={q0(x0,y0),q1(x1,y1),…,qs(xs,ys),…}

(8)

其中，Q為出行鏈對應(yīng)駐留點(diǎn)的集合；s為駐留點(diǎn)序號；(xs,ys)為駐留點(diǎn)s對應(yīng)的坐標(biāo)；qs為出行過程中的駐留點(diǎn)，q0為出行鏈出發(fā)點(diǎn)。設(shè)pa為2個連續(xù)駐留點(diǎn)之間的一條路徑，ψ(qs,qs+1)為2個連續(xù)駐留點(diǎn)之間的路徑集合，pa∈ψ(qs,qs+1)為一個出行鏈對應(yīng)的一條路徑，Π為出行鏈對應(yīng)的路徑集合，如式(9)所示。

Π={ψ(q0,q1),ψ(q1,q2),…,ψ(qs,qs+1),…}

(9)

圖2 出行鏈的結(jié)構(gòu)示意圖Fig.2 Schematic diagram of trip chain

3.3 出行時(shí)間特征

3.3.1 出行時(shí)間概率分布

出行鏈中都有相應(yīng)的鏈點(diǎn)，每個鏈點(diǎn)包含了出行者上一次出行的到達(dá)時(shí)間和下一次出行的出發(fā)時(shí)間，本文采用擬合性靈活的三參數(shù)威布爾概率函數(shù)進(jìn)行描述，如式(10)所示。

(10)

其中，k為形狀參數(shù)，無量綱；c為尺度參數(shù)，單位為min；γ為位置參數(shù)。k、c這2個參數(shù)控制威布爾分布曲線的形狀，k表示分布曲線的峰值情況，c與行程出發(fā)時(shí)間的平均值有關(guān)。

3.3.2 路段行駛時(shí)間

某時(shí)段通過各路段的平均行程時(shí)間通過式(11)計(jì)算。

(11)

(12)

其中，v0和vlim分別為道路最低和最高行駛速度，單位為km/h；va、vb、vc、vd為不同路況下的行駛速度邊界值，單位為km/h。

由3.1節(jié)中的最短路徑規(guī)劃算法選出最優(yōu)路徑后，可計(jì)算行程出發(fā)點(diǎn)s到目的點(diǎn)s+1之間的行駛總時(shí)間ΔTs,s+1，如式(13)所示。

(13)

3.3.3 目的地駐留時(shí)間

3.3.4 下一行程出發(fā)時(shí)間

(14)

(15)

4 電動汽車充電負(fù)荷計(jì)算

4.1 充電需求判斷及用戶決策

車輛行駛到某一目的地后，用戶根據(jù)當(dāng)前時(shí)刻的剩余電量情況，判斷車輛是否需要充電，本文假設(shè)當(dāng)前電池剩余電量少于30% 或不足以支撐下次行駛時(shí)，需在當(dāng)前目的地充電，用戶決策流程如附錄中圖A3所示。電動汽車在當(dāng)前目的地的充電概率如式(16)所示。

(16)

4.2 荷電狀態(tài)計(jì)算

車輛抵達(dá)當(dāng)前目的地s時(shí)的初始荷電狀態(tài)由式(17)計(jì)算得到。

(17)

(18)

4.3 充電時(shí)長計(jì)算

抵達(dá)當(dāng)前目的地s的時(shí)刻可由式(14)獲得，經(jīng)充電需求判斷后，若需在該目的地充電，那么充電時(shí)長可由式(19)確定。

(19)

其中，Sset為用戶設(shè)定的充電預(yù)期荷電狀態(tài)，默認(rèn)為0.9。當(dāng)充電時(shí)長大于駐留時(shí)間時(shí)，充電時(shí)長取為駐留時(shí)長。

4.4 充電負(fù)荷計(jì)算

由前述方法可獲得每個住宅小區(qū)的每輛電動汽車的行駛時(shí)空分布及在各個目的地處的信息，包括抵達(dá)時(shí)間、駐留時(shí)間、離開時(shí)間、抵達(dá)時(shí)的荷電狀態(tài)、是否需要充電、充電時(shí)長、離開時(shí)的荷電狀態(tài)等。然后可計(jì)算各個目的地即各功能地塊的電動汽車充電負(fù)荷。當(dāng)車輛抵達(dá)某個目的功能地塊時(shí)，由式(17)計(jì)算得到此時(shí)的荷電狀態(tài)，并根據(jù)式(16)判斷是否需要充電，若需要充電，則充電起始時(shí)間由式(14)確定，充電時(shí)長由式(19)計(jì)算。這樣，功能地塊f處的充電負(fù)荷可表示為：

(20)

然后，根據(jù)路網(wǎng)和電網(wǎng)的地理耦合關(guān)系，將各功能地塊的充電負(fù)荷歸算到相應(yīng)的電網(wǎng)節(jié)點(diǎn)。電網(wǎng)節(jié)點(diǎn)在時(shí)刻t的總負(fù)荷為其基本負(fù)荷和其所供地塊的電動汽車充電負(fù)荷之和，如式(7)所示。電網(wǎng)節(jié)點(diǎn)g在時(shí)刻t的充電負(fù)荷Pg(t)可表示為：

(21)

融合多源信息的電動汽車充電負(fù)荷時(shí)空預(yù)測計(jì)算流程如圖3所示。輸入數(shù)據(jù)包括路網(wǎng)模型的詳細(xì)參數(shù)、交通信息、電網(wǎng)模型的詳細(xì)參數(shù)、電動汽車參數(shù)、用戶行為信息等。整體仿真流程如附錄中圖A4所示。

圖3 電動汽車充電負(fù)荷時(shí)空預(yù)測計(jì)算流程圖Fig.3 Flowchart of spatial-temporal forecasting model for EV charging load

5 算例分析

5.1 參數(shù)設(shè)置

a. 路網(wǎng)信息。

以附錄中圖A5所示區(qū)域主要道路為例，該地區(qū)占地面積約625 km2，主干路網(wǎng)包含72個道路節(jié)點(diǎn)和122條道路。道路節(jié)點(diǎn)地理坐標(biāo)如附錄中表A1所示，道路路段、道路等級等情況如附錄中表A2所示，道路路段長度是由節(jié)點(diǎn)坐標(biāo)根據(jù)式(3)求得的直線距離，但實(shí)際道路會有一定的弧度或曲折，仿真時(shí)乘以曲折系數(shù)1.15。區(qū)域內(nèi)各地塊功能分類及其對應(yīng)道路節(jié)點(diǎn)和對應(yīng)住宅地塊的電動汽車數(shù)量情況如附錄中表A3所示。

b. 交通信息。

本文將路網(wǎng)中的全部路段分為2個等級，分級情況見附錄中表A2，車輛在不同等級道路及不同路況情形下的速度不一樣，設(shè)置如附錄中表A4所示。

算例中系統(tǒng)輸入的天氣溫度信息和交通路況信息見文獻(xiàn)[9]的附錄。

c. 電網(wǎng)信息。

本文測試算例的電網(wǎng)采用IEEE 30節(jié)點(diǎn)標(biāo)準(zhǔn)系統(tǒng)，電網(wǎng)各節(jié)點(diǎn)供電分區(qū)及典型負(fù)荷曲線類型等情況如附錄中表A5所示，各負(fù)荷類型負(fù)荷變化系數(shù)如附錄中圖A6所示。

d. 電動汽車參數(shù)。

假設(shè)區(qū)域內(nèi)共有6.76萬輛私家電動汽車，初始位置均停在住宅區(qū)，各住宅地塊的電動汽車數(shù)量見附錄中表A3。選取尼桑leaf和比亞迪e6電動汽車用于分析，電動汽車相關(guān)參數(shù)如附錄中表A6所示。

e. 車輛首次出行時(shí)間。

因電動汽車用戶的實(shí)際出行數(shù)據(jù)積累還較少，本文采用美國交通部NHTS2009居民調(diào)查數(shù)據(jù)庫作為分析車輛出行行為的數(shù)據(jù)來源[19]，選取其中主要含有的表1所示的四大類型出行鏈來說明所建模型和計(jì)算方法的有效性，每類出行鏈的首次出行時(shí)間由式(10)抽取得到，H表示住宅區(qū)(家)，W表示工業(yè)區(qū)等工作場所，E代表購物、社交、吃飯等其他活動目的地。

表1 首次出行時(shí)間參數(shù)Table 1 Parameters of start time distribution for first trip

f. 各場所駐留時(shí)間。

各場所的駐留時(shí)間影響著充電時(shí)長，電動汽車在各場所的駐留時(shí)間與場所性質(zhì)密切相關(guān)，根據(jù)3.3.3 節(jié)確定在場所H、W、E的駐留時(shí)間，參數(shù)如下：

g. 系統(tǒng)仿真參數(shù)。

本文采用文獻(xiàn)[20]中的方差系數(shù)法為判據(jù)評判蒙特卡洛模擬法的精度，蒙特卡洛模擬法的仿真次數(shù)取為200和預(yù)先設(shè)定的精度取為0.1。

5.2 仿真結(jié)果分析

5.2.1 充電負(fù)荷時(shí)空分布

圖4為各區(qū)塊一天的充電負(fù)荷情況。由圖4(a)可看出，各個住宅區(qū)的充電負(fù)荷基本集中于電動汽車返家后的一段時(shí)間內(nèi)，15號住宅區(qū)的充電負(fù)荷最高，這是因?yàn)樵搮^(qū)內(nèi)的電動汽車數(shù)量最多。充電負(fù)荷高峰時(shí)段與住宅區(qū)的電網(wǎng)基本負(fù)荷高峰時(shí)段重疊，可能造成“峰上峰”的情形及住宅區(qū)配變的過載。由圖4(b)可看出，工作場所的充電負(fù)荷集中于車輛抵達(dá)的時(shí)間段內(nèi)，2—5號工作場所負(fù)荷最高，均處區(qū)域邊緣。而其他功能各個區(qū)的充電負(fù)荷普遍集中于白天時(shí)段。

圖4 各個功能區(qū)電動汽車充電負(fù)荷分布(75%滲透率)Fig.4 EV charging load distribution of each function block(penetration is 75%)

圖5為電網(wǎng)各個節(jié)點(diǎn)的充電負(fù)荷情況。從圖5中能比較直觀地看出充電負(fù)荷的時(shí)空分布特點(diǎn)，電網(wǎng)節(jié)點(diǎn)10、15、16、23和26在負(fù)荷高峰時(shí)段的負(fù)荷最高，節(jié)點(diǎn)10負(fù)責(zé)給25和26號地塊供電，這2個地塊均為住宅區(qū)，且電動汽車數(shù)量保有量最多。從圖5中還可看出，相對于其他節(jié)點(diǎn)，節(jié)點(diǎn)5在上午有一定的充電負(fù)荷，這是因?yàn)楣?jié)點(diǎn)5處于研究區(qū)域的邊緣，且負(fù)責(zé)給2—5號工業(yè)區(qū)供電。

圖5 電網(wǎng)各節(jié)點(diǎn)電動汽車充電負(fù)荷期望值(75%滲透率)Fig.5 Expected EV charging load of each bus in power grid(penetration is 75%)

5.2.2 對電網(wǎng)的影響分析

電動汽車接入電網(wǎng)充電會對電網(wǎng)產(chǎn)生一定的影響，本節(jié)基于電動汽車的充電負(fù)荷時(shí)空分布特性，評估其對電網(wǎng)負(fù)荷、電壓、損耗的影響。首先，根據(jù)附錄中圖A5所示的負(fù)荷變化系數(shù)，將IEEE 30節(jié)點(diǎn)標(biāo)準(zhǔn)系統(tǒng)的各節(jié)點(diǎn)負(fù)荷轉(zhuǎn)換為隨時(shí)間變化的負(fù)荷，然后結(jié)合電動汽車的時(shí)空分布特性，計(jì)算基本負(fù)荷場景和計(jì)及電動汽車無序充電場景下的電網(wǎng)時(shí)序潮流，并比較各種場景下的節(jié)點(diǎn)電壓曲線和損耗情況，分析電動汽車接入后對電網(wǎng)的影響。

a. 不同滲透率下的總負(fù)荷曲線。

圖6為不同滲透率下區(qū)域電網(wǎng)總負(fù)荷情況。由圖6可看出，隨著電動汽車滲透率的增加，造成了在原電網(wǎng)高峰負(fù)荷基礎(chǔ)上負(fù)荷的進(jìn)一步疊加，在100%滲透率的場景下，電動汽車充電負(fù)荷給算例電網(wǎng)帶來了4.74%的平均負(fù)荷增長率和13.18%的最高負(fù)荷增長率，且時(shí)段較為集中；而對電網(wǎng)基礎(chǔ)負(fù)荷較低的夜晚時(shí)段幾乎沒有影響。

圖6 不同滲透率下區(qū)域電網(wǎng)總負(fù)荷Fig.6 Total load of regional grid with different penetrations

b. 電網(wǎng)節(jié)點(diǎn)電壓曲線。

圖7 不同場景下電網(wǎng)節(jié)點(diǎn)電壓Fig.7 Voltage of power grid node under different scenarios

c. 不同滲透率下的網(wǎng)損對比。

表2給出了電動汽車不同滲透率下的網(wǎng)損平均值和最大值。由表2可見，系統(tǒng)網(wǎng)損隨著電動汽車接入比例的增加而增大。高壓電網(wǎng)的網(wǎng)損一般要求控制在1%～3%，算例中當(dāng)滲透率達(dá)75%及以上時(shí)，網(wǎng)損超過3%，將不利于電力系統(tǒng)的經(jīng)濟(jì)運(yùn)行。

表2 不同滲透率下區(qū)域電網(wǎng)的網(wǎng)損Table 2 Power loss of regional power grid under different penetrations

5.3 所提方法有效性檢驗(yàn)

a. 車輛首次出行時(shí)間檢驗(yàn)。

圖8為表1所示復(fù)雜出行鏈H-W-E-H(即“住宅區(qū)(家)-工作場所(上班)-其他功能(如去商場購物)-住宅區(qū)(回家)”)中首個行程H-W的出行時(shí)間統(tǒng)計(jì)分布和采用式(10)隨機(jī)產(chǎn)生的結(jié)果曲線。

圖8 行程H-W的出行時(shí)間分布Fig.8 Start time distribution of trip H-W

b. 不同類型車輛情形。

設(shè)置附錄中表A6所示的2種類型車輛參數(shù)，比較這2種電動汽車充電負(fù)荷的時(shí)空分布差異性，圖9給出了該情形下各類型功能區(qū)的總充電負(fù)荷曲線。

圖9 2種電動汽車的充電負(fù)荷期望值對比(12.5% 滲透率)Fig.9 Comparison of expected total charging load between two types of EVs(penetration is 12.5%)

由圖9可看出，在出行過程中，車輛在各個活動目的地的充電需求并不大,充電負(fù)荷仍然集中于住宅區(qū)，尼桑leaf用戶的第1段行程距離較遠(yuǎn)或后續(xù)行程較長時(shí)間在工作場所(W)或其他功能區(qū)(E)處具有一定的充電需求，而比亞迪e6用戶在工作場所(W)或其他功能區(qū)(E)處基本不需要充電。這是因?yàn)楸葋喌蟚6的電池容量為57 kW·h，而尼桑leaf電池容量僅為24 kW·h，因仿真算例為縱橫25 km×25 km的區(qū)域，且從家出發(fā)時(shí)荷電狀態(tài)為0.9，比亞迪e6的續(xù)航里程基本能夠支撐大部分用戶的日行駛里程需求，但當(dāng)電池容量較小的尼桑leaf用戶的出行距離較遠(yuǎn)時(shí)，考慮到后續(xù)行駛的里程需求，部分用戶需在當(dāng)前目的地充電。

c. 出行信息變化情形。

不同地區(qū)居民的出行方式不一樣，將出行鏈類型全部設(shè)置為H-W-H，其他信息不變，此時(shí)的電動汽車充電負(fù)荷如圖9所示。由圖9可知，無論是尼桑leaf還是比亞迪e6，當(dāng)區(qū)域出行方式均為H-W-H時(shí)，算例參數(shù)下區(qū)域的總充電負(fù)荷峰值均未超過1 000 kW， 這與算例區(qū)域的地理結(jié)構(gòu)相關(guān)，因?yàn)槠鹗键c(diǎn)均是住宅區(qū)(H)的車輛的出行目的地僅為工作場所(W)，而各工作場所(W)的位置離各個住宅區(qū)(H)的地理位置均較近。

d. 與現(xiàn)有方法預(yù)測結(jié)果對比。

以文獻(xiàn)[4-5]中的方法對區(qū)域內(nèi)電動汽車進(jìn)行充電負(fù)荷預(yù)測并計(jì)算各方法的日均充電電量，對比曲線如圖10所示。

圖10 各種方法預(yù)測的電動汽車總充電負(fù)荷曲線(25% 滲透率)Fig.10 Predicted total EV charging load of each method(penetration is 25%)

由圖10可看出，在預(yù)測區(qū)域電動汽車總充電負(fù)荷時(shí)，3種方法預(yù)測的充電高峰均發(fā)生在車輛返家后的時(shí)段，其中文獻(xiàn)[4]方法預(yù)測的峰荷出現(xiàn)時(shí)刻稍晚，這與程序仿真時(shí)設(shè)置的參數(shù)有關(guān)，因?yàn)槲墨I(xiàn)[4]假設(shè)充電發(fā)生地點(diǎn)為工作場所和住宅區(qū)，因此在09∶00出現(xiàn)了充電小高峰；而文獻(xiàn)[5]方法假設(shè)的是一日一充，充電時(shí)刻均為返家后接入配電網(wǎng)；本文所提方法考慮了車輛多種出行類型、多個可能發(fā)生充電的場所及充電需求判斷條件，得到的充電負(fù)荷預(yù)測曲線更為平緩，這是因?yàn)楸疚姆椒ú粌H考慮了通勤車輛，也考慮了一定比例的其他車輛出行情況，且充電不一定只發(fā)生在工作場所和住宅區(qū)，車輛在所駐留的場所均有充電的可能，根據(jù)下一行程的行駛需求判斷是否需要充電，這將更加合理。另外，本文所提方法預(yù)測的總充電負(fù)荷與文獻(xiàn)[4]和文獻(xiàn)[5]方法分別有12.64%和5.37%的偏差，這主要是因?yàn)楸疚膶④囕v一天初始出行時(shí)的荷電狀態(tài)設(shè)置為0.9。

6 結(jié)論

電動汽車是智能交通、智能電網(wǎng)、能源互聯(lián)網(wǎng)發(fā)展的方向，其充電需求的時(shí)空分布預(yù)測是研究難點(diǎn)和熱點(diǎn)，本文提出了一種融合多源信息、涵蓋多種關(guān)鍵因素的充電負(fù)荷時(shí)空預(yù)測方法，有以下特點(diǎn)：

a. 不同于傳統(tǒng)的充電負(fù)荷預(yù)測方法側(cè)重于時(shí)間分布的預(yù)測，缺乏對充電負(fù)荷空間分布特性的具體呈現(xiàn)，本文所提方法能夠反映不同時(shí)間和不同空間下電動汽車的行駛、停留及充電需求情況，彌補(bǔ)了現(xiàn)有方法的不足；

b. 本文所提方法融合了多源信息，能夠體現(xiàn)電網(wǎng)、充電設(shè)施、電動汽車和用戶行為、路網(wǎng)、交通等之間的耦合特性和相互作用情況；

c. 本文基于充電負(fù)荷的時(shí)空分布特性，從時(shí)間和空間2個維度評估了電動汽車入網(wǎng)對電網(wǎng)負(fù)荷、網(wǎng)損和電壓的影響，一方面有助于合理規(guī)劃電動汽車充放電設(shè)施，另一方面有利于研究各個不同功能區(qū)、不同電網(wǎng)節(jié)點(diǎn)的電動汽車的可調(diào)度時(shí)段和可調(diào)度容量的潛力。

仿真分析中考慮了4種類型的出行鏈，起始點(diǎn)均為住宅區(qū)，并默認(rèn)用戶出行以最短距離進(jìn)行路徑規(guī)劃，同時(shí)假設(shè)汽車充電都發(fā)生在行程目的地。隨著電動汽車的規(guī)?；瘧?yīng)用、充電設(shè)施的逐步建設(shè)，關(guān)于更多類型的出行鏈、不同初始分布和行駛路途中前往集中充電站快速補(bǔ)充電能等情形將有待于后續(xù)研究。

附錄見本刊網(wǎng)絡(luò)版(http:∥www.epae.cn)。