林銘蓉，胡志堅(jiān)，高明鑫，陳錦鵬

(武漢大學(xué)電氣與自動(dòng)化學(xué)院，武漢市 430072)

0 引 言

近年來(lái)，全球?qū)τ诃h(huán)境污染及能源匱乏等問(wèn)題的關(guān)注度日益增加，電動(dòng)汽車(electric vehicle，EV)因其綠色、環(huán)保的優(yōu)勢(shì)被大量接入電網(wǎng)[1]。電動(dòng)汽車作為路-電兩網(wǎng)的銜接者加入以后，改變了原本的負(fù)荷曲線，給配電網(wǎng)的可靠性帶來(lái)負(fù)面影響。城市交通系統(tǒng)和配電系統(tǒng)息息相關(guān)，電動(dòng)汽車作為電力網(wǎng)負(fù)荷終端，其時(shí)空分布受路網(wǎng)約束[2]。因此考慮路-電耦合能更精確地預(yù)測(cè)電動(dòng)汽車時(shí)空負(fù)荷及其對(duì)配電網(wǎng)可靠性的影響。

準(zhǔn)確預(yù)測(cè)電動(dòng)汽車充電負(fù)荷是配電網(wǎng)安全運(yùn)行的重要基礎(chǔ)。當(dāng)前，對(duì)于電動(dòng)汽車充電負(fù)荷預(yù)測(cè)主要基于排隊(duì)論、出行鏈、停車概率等[3-4]。文獻(xiàn)[5]基于出行鏈，模擬每輛電動(dòng)汽車一天內(nèi)的行駛特性，獲取電動(dòng)汽車充電頻率，但缺少對(duì)用戶充電決策模糊性的考慮。文獻(xiàn)[6]以停車概率預(yù)測(cè)負(fù)荷空間分布，以擴(kuò)大范圍的模糊函數(shù)確定充電模式，能夠較好模擬用戶對(duì)充電模式的差異性選擇。文獻(xiàn)[7]基于模糊理論，建立了考慮充電設(shè)施充裕度的出行需求與充電需求模型。但以上文獻(xiàn)均未考慮與配電網(wǎng)之間的耦合，預(yù)測(cè)缺乏實(shí)用性。文獻(xiàn)[8]通過(guò)對(duì)單體電動(dòng)汽車負(fù)荷建模，運(yùn)用交通起止點(diǎn)分析法模擬出行路徑，建立各類電動(dòng)汽車充電負(fù)荷模型。文獻(xiàn)[9]依據(jù)車流量確定出行需求，建立山地城市的電動(dòng)汽車負(fù)荷模型，但需要對(duì)每日車流量進(jìn)行監(jiān)控，數(shù)據(jù)收集時(shí)間長(zhǎng)。

國(guó)內(nèi)外學(xué)者對(duì)于含電動(dòng)汽車的配網(wǎng)可靠性評(píng)估主要分為兩個(gè)階段。一是從電動(dòng)汽車數(shù)量、接入位置、充電模式等方面分析EV接入對(duì)于配網(wǎng)可靠性的影響[10-11]。文獻(xiàn)[12]考慮電動(dòng)汽車與電網(wǎng)互動(dòng)(vehicle-to-grid,V2G)技術(shù)，對(duì)含電動(dòng)汽車的配電網(wǎng)可靠性進(jìn)行評(píng)估。但文獻(xiàn)[10-12]均設(shè)定電動(dòng)汽車于某一固定點(diǎn)接入電網(wǎng)，未考慮電動(dòng)汽車作為移動(dòng)式負(fù)荷，空間位置上的隨機(jī)性。二是在第一階段的基礎(chǔ)上研究基于交通網(wǎng)約束的含EV的配網(wǎng)可靠性評(píng)估。如文獻(xiàn)[13]以全軌跡空間狀態(tài)量描述私家車充電負(fù)荷的時(shí)空分布，基于最優(yōu)負(fù)荷削減策略進(jìn)行含分布式電源(distributed generation，DG)的可靠性評(píng)估。但現(xiàn)有研究均未考慮路-電耦合特性的EV負(fù)荷及其參與需求響應(yīng)對(duì)配網(wǎng)可靠性的影響。

本文首先給出路-電耦合的電動(dòng)汽車時(shí)空負(fù)荷預(yù)測(cè)整體框架；接著給出路網(wǎng)模型和包含出行起止點(diǎn)、路徑選擇、充電需求的用戶模型；提出考慮需求響應(yīng)(demand response,DR)的充電需求補(bǔ)充模型、電動(dòng)汽車充電負(fù)荷時(shí)空預(yù)測(cè)模型以及基于雙向?qū)蛹?jí)結(jié)構(gòu)的可靠性評(píng)估方法。最后，以某區(qū)域路網(wǎng)和配電網(wǎng)為例，模擬不同典型日下負(fù)荷的時(shí)空分布，并就各種場(chǎng)景下配電網(wǎng)的可靠性指標(biāo)變化進(jìn)行分析。本文提出的路-電耦合電動(dòng)汽車充電負(fù)荷預(yù)測(cè)方法，既考慮到兩網(wǎng)耦合，又能較好模擬出行需求。

1 路-電耦合模式結(jié)構(gòu)及時(shí)空負(fù)荷預(yù)測(cè)框架

本文建立的電動(dòng)汽車路-電耦合模式結(jié)構(gòu)及時(shí)空負(fù)荷預(yù)測(cè)框架如圖1所示。城市交通網(wǎng)狀況與電網(wǎng)運(yùn)行狀況密不可分。城市交通網(wǎng)道路擁擠程度、通行能力會(huì)影響車主出行路徑、行駛時(shí)間，繼而改變電動(dòng)汽車充電地點(diǎn)及充電時(shí)間，改變配電網(wǎng)負(fù)荷時(shí)空分布，影響配電網(wǎng)可靠性[14]。配電網(wǎng)為維持自身安全可靠運(yùn)行，基于電價(jià)機(jī)制、獎(jiǎng)懲機(jī)制與電動(dòng)汽車進(jìn)行互動(dòng)，調(diào)控電動(dòng)汽車接入電網(wǎng)的時(shí)間，改變車主充電意愿，影響車主計(jì)劃的出行路徑，反映在各道路車流量的變化情況上。

圖1 路-電耦合模式結(jié)構(gòu)及時(shí)空負(fù)荷預(yù)測(cè)框架 Fig.1 Structure chart of road-electricity coupling model and space-time load forecasting framework

首先，根據(jù)路網(wǎng)拓?fù)浣Y(jié)構(gòu)、道路等級(jí)、紅綠燈及各功能區(qū)域分布情況建立路網(wǎng)模型。接著根據(jù)路網(wǎng)模型抽取出行鏈，運(yùn)用基于Logit流量延誤函數(shù)的改進(jìn)Flody算法選擇行駛路徑，采用模糊理論確定用戶充電意愿，判斷是否參加需求響應(yīng)，形成用戶模型。結(jié)合路網(wǎng)模型及用戶模型生成當(dāng)前位置、初始電量、上下班時(shí)間、休閑時(shí)長(zhǎng)及各關(guān)鍵時(shí)間節(jié)點(diǎn)，即每輛電動(dòng)汽車的狀態(tài)參數(shù)，繼而獲得電動(dòng)汽車時(shí)空負(fù)荷模型，耦合至配電網(wǎng)，獲得配網(wǎng)模型。最后，基于雙向?qū)蛹?jí)結(jié)構(gòu)進(jìn)行可靠性評(píng)估。

2 路網(wǎng)模型及用戶模型

2.1 交通拓?fù)渚仃?/h3>

假定道路均為雙向，獲取任意兩點(diǎn)間距離D(i,j)，形成交通拓?fù)渚仃嘍。D(i,j)的賦值規(guī)則如下：

(1)

式中：l(i,j)表示i,j兩點(diǎn)間的道路長(zhǎng)度；inf表示i,j兩點(diǎn)間不存在直接連通的道路。

2.2 出行起點(diǎn)及目的

出行鏈?zhǔn)峭ㄟ^(guò)模擬人的活動(dòng)目的，形成按時(shí)間順序排列的地點(diǎn)閉合連接鏈，可以刻畫車主一天內(nèi)的活動(dòng)軌跡，獲取始發(fā)地、中轉(zhuǎn)地，使得模擬車輛轉(zhuǎn)移時(shí)更接近車主實(shí)際決策[15-17]。出行鏈具有空間屬性和時(shí)間屬性雙重特性，具體形式如表1所示。

表1 出行鏈結(jié)構(gòu)Table 1 Travel chain structure

2.3 路徑選擇

在城市化快節(jié)奏生活觀念影響下，車主通常傾向于選擇耗時(shí)最短的路徑。本文根據(jù)交通網(wǎng)拓?fù)淠Ｐ?，采用基于Logit流量延誤函數(shù)[18]的改進(jìn)Flody算法優(yōu)化路徑選擇。算法的基本步驟如下：

步驟1：基于Logit流量延誤函數(shù)獲得各路網(wǎng)節(jié)點(diǎn)通行時(shí)間矩陣T，具體步驟參考文獻(xiàn)[18]，在此不再贅述。

步驟2：基于步驟1考慮道路實(shí)際交通狀況，采用改進(jìn)的Flody算法，將權(quán)值由道路長(zhǎng)度改進(jìn)為道路通行時(shí)間，選取耗時(shí)最短的出行路徑，得各交通起止點(diǎn)(origin destination，OD)間的最短通行時(shí)間矩陣Ts、路徑矩陣B。

若i,j兩點(diǎn)間耗時(shí)最短的出行路徑由p條直連道路組成，則從i點(diǎn)出發(fā)到達(dá)j點(diǎn)的行駛里程、行駛時(shí)間如下：

(2)

ΔTij=Ts(i,j)

(3)

式中：Δdij、ΔTij分別為i點(diǎn)出發(fā)到達(dá)j點(diǎn)的行駛里程、行駛時(shí)間；Dq為i,j兩點(diǎn)間第q條直連道路長(zhǎng)度。

2.4 電量消耗

假設(shè)隨電動(dòng)汽車行駛里程的增大，耗電量線性增加，從地點(diǎn)i出發(fā)，到達(dá)目的地j，EV的荷電量由式(4)決定[19]：

(4)

2.5 充電需求

用戶充電行為不能簡(jiǎn)單地歸納為在“到達(dá)目的地充電”和“到達(dá)目的地且無(wú)法滿足下一次行程充電”兩種情況下滿足0-1分布。本文由用戶主觀意愿出發(fā)，當(dāng)荷電量與下次行程所需電量相比越不足，用戶充電需求越迫切，引入“電量充裕度”[7]來(lái)表征當(dāng)前電量對(duì)于下次出行需求所需電量的充裕度：

(5)

式中：PA為電量充裕度指標(biāo)；di+1為下次出行的行駛里程。

參考文獻(xiàn)[7]，采用降嶺型分布的隸屬函數(shù)來(lái)描述用戶充電決策的個(gè)體差異，其數(shù)學(xué)表達(dá)式如下：

(6)

式中：l、u分別表示上下限函數(shù)。當(dāng)PA

確定有充電需求后，進(jìn)行充電模式選擇?？斐浣档碗姵氐氖褂脡勖瑥挠脩羝珢?ài)度出發(fā)，優(yōu)先采用慢充模式，首先計(jì)算慢充所需時(shí)間：

(7)

式中:Tslow、Pslow分別為慢充所需時(shí)間和慢充功率。

若在停駐時(shí)間段內(nèi)，慢充無(wú)法滿足用戶用電需求，則采用快充。具體判斷式如下，若滿足則采用慢充，不滿足則采用快充：

(8)

電動(dòng)汽車活動(dòng)范圍為城市內(nèi)，距離均不遠(yuǎn)，且典型電動(dòng)汽車?yán)m(xù)航能力均達(dá)300 km以上，因此不考慮中途充電行為。結(jié)束一天的行程返回家中后有足夠的充電時(shí)間，因此默認(rèn)歸家后進(jìn)行慢充直至滿電結(jié)束。

2.6 考慮需求響應(yīng)的充電需求補(bǔ)充模型

引入分時(shí)電價(jià)和獎(jiǎng)懲機(jī)制，激勵(lì)車主為達(dá)自身經(jīng)濟(jì)收益最大化，主動(dòng)參與供需平衡調(diào)節(jié)[20]。首先確定EV是否有需求響應(yīng)潛力[21]。若在停駐時(shí)間段內(nèi)，EV參與需求響應(yīng)不影響下一次行程進(jìn)行，則判斷該EV具有需求響應(yīng)潛力。若EV參與需求響應(yīng)后導(dǎo)致出發(fā)電量無(wú)法滿足下次行程所需電量，則該EV不具有需求響應(yīng)潛力。具體計(jì)算方法如下：

(9)

式中：DRP為第e輛EV的需求響應(yīng)潛力指標(biāo)；Pcharge為EV的充電功率。

采用需求價(jià)格彈性系數(shù)ε(h,k)來(lái)表征用戶因分時(shí)電價(jià)而調(diào)節(jié)自身用電需求量的行為，引入需求響應(yīng)的負(fù)荷模型如下：

(10)

式中：Q(h)、Q0(h)、ΔQ(h)分別為用戶h時(shí)刻DR后的電力需求量、原電力需求量和電力需求改變量；P0(h)、ΔP(h)分別為h時(shí)刻原電價(jià)及執(zhí)行DR后的電價(jià)改變量；C(h)為當(dāng)系統(tǒng)供不應(yīng)求時(shí)，用戶h時(shí)刻削減單位負(fù)荷得到的補(bǔ)貼；D(h)為當(dāng)系統(tǒng)供不應(yīng)求時(shí)，用戶h時(shí)刻未按照合約削減負(fù)荷，實(shí)行每單位負(fù)荷為D(h)的懲罰。

3 充電負(fù)荷計(jì)算

采用蒙特卡洛模擬1 d內(nèi)EV的時(shí)空分布情況，以15 m為步長(zhǎng)，蒙特卡洛仿真次數(shù)設(shè)為1 000，一次蒙特卡洛模擬流程如圖2所示，具體步驟如下：

圖2 一次蒙特卡洛電動(dòng)汽車時(shí)空負(fù)荷預(yù)測(cè)流程Fig.2 Time-space load forecasting flow chart of Monte Carlo electric vehicle

1)基于路網(wǎng)模型、用戶模型、需求響應(yīng)模型獲得單輛電動(dòng)汽車每段行程的充電起止時(shí)間、充電地點(diǎn)時(shí)長(zhǎng)等時(shí)空分布信息；

2)在一次蒙特卡洛模擬中，將每輛EV在各節(jié)點(diǎn)的充電負(fù)荷相疊加，獲得區(qū)域內(nèi)Nev輛EV在各交通節(jié)點(diǎn)的負(fù)荷分布情況，根據(jù)路-電節(jié)點(diǎn)耦合關(guān)系，歸算至配電網(wǎng)。

不同典型日的EV充電行為有顯著的差別，直接將典型日EV負(fù)荷疊加至可靠性評(píng)估中使用的基礎(chǔ)年負(fù)荷數(shù)據(jù)中是不合理的。因此需將工作日、休息日1 d仿真所得的負(fù)荷轉(zhuǎn)化為時(shí)變年負(fù)荷，便于4.2節(jié)進(jìn)行可靠性評(píng)估使用。各節(jié)點(diǎn)的年負(fù)荷分布情況具體轉(zhuǎn)化式如下：

(11)

4 含EV的配電網(wǎng)可靠性評(píng)估

4.1 可靠性評(píng)估相關(guān)指標(biāo)體系

傳統(tǒng)的可靠性評(píng)估主要從元件故障率、故障持續(xù)時(shí)間出發(fā)，分析整個(gè)系統(tǒng)的停電率、停電時(shí)長(zhǎng)、用戶供電可用率及負(fù)荷缺供量。但對(duì)EV接入的配電網(wǎng)可靠性進(jìn)行評(píng)估，需要考慮系統(tǒng)故障時(shí)孤島內(nèi)DG出力波動(dòng)及EV負(fù)荷波動(dòng)對(duì)系統(tǒng)可靠性的影響，量化EV作為用戶對(duì)配網(wǎng)可靠性的評(píng)估，傳統(tǒng)方法缺少此方面內(nèi)容，因此本文增加電動(dòng)汽車充電穩(wěn)定率指標(biāo)用于評(píng)估含EV的配電網(wǎng)可靠性。

參考文獻(xiàn)[10]，傳統(tǒng)可靠性評(píng)估采用的指標(biāo)有：系統(tǒng)平均停電頻率指標(biāo)(system average interruption frequency index，SAIFI)、系統(tǒng)平均停電持續(xù)時(shí)間指標(biāo)(system average interruption duration index，SAIDI)、平均供電可用率指標(biāo)(average service availability index，ASAI)、系統(tǒng)期望缺供電量指標(biāo)(energy not supplied index，ENSI)。本文在此基礎(chǔ)上，提出以下指標(biāo)：

電動(dòng)汽車充電穩(wěn)定率指標(biāo)CSR：

(12)

式中：Ma為a節(jié)點(diǎn)年均充電電動(dòng)汽車數(shù)目；Fa為a節(jié)點(diǎn)年均受停電影響的電動(dòng)汽車數(shù)目；b為節(jié)點(diǎn)總數(shù)。

4.2 基于雙向?qū)蛹?jí)結(jié)構(gòu)的可靠性評(píng)估方法

傳統(tǒng)可靠性評(píng)估算法計(jì)算效率低下，考慮開(kāi)關(guān)故障的雙向?qū)蛹?jí)結(jié)構(gòu)可靠性評(píng)估算法計(jì)算效率高，能夠精確地對(duì)系統(tǒng)進(jìn)行可靠性評(píng)估[22]?；陔p向?qū)蛹?jí)結(jié)構(gòu)的可靠性評(píng)估如圖3所示，其評(píng)估算法相關(guān)步驟說(shuō)明如下：

圖3 基于雙向?qū)蛹?jí)結(jié)構(gòu)的可靠性評(píng)估流程圖Fig.3 Flow chart of reliability evaluation based on bi-directional hierarchy

1)輸入DG出力及電動(dòng)汽車負(fù)荷樣本；

2)以斷路器及隔離開(kāi)關(guān)為邊界形成元件塊，并計(jì)算元件塊等效可靠性參數(shù)；

3)以主電源至主饋線末節(jié)點(diǎn)為正方向，上游元件故障會(huì)對(duì)下游元件塊產(chǎn)生影響，開(kāi)關(guān)故障融合至下游相鄰元件塊，順向傳遞可靠性參數(shù)；

4)以隔離開(kāi)關(guān)為首的元件塊出現(xiàn)故障會(huì)對(duì)上游元件產(chǎn)生影響，開(kāi)關(guān)故障融合至相鄰逆向下游元件塊，逆向傳遞修正元件塊可靠性參數(shù)；

5)比較孤島內(nèi)DG出力與總負(fù)荷大小，確定孤島成功形成的概率[23]；

6)采用啟發(fā)式策略，優(yōu)先削減離DG電氣距離近的負(fù)荷，修正孤島內(nèi)負(fù)荷的可靠性指標(biāo)；

7)計(jì)算系統(tǒng)可靠性指標(biāo)。

5 算例仿真

5.1 仿真參數(shù)

本文首先按照某城市進(jìn)行路網(wǎng)建模。算例城市路網(wǎng)如圖4所示，該路網(wǎng)包含23個(gè)節(jié)點(diǎn)、35條道路。各道路長(zhǎng)度數(shù)據(jù)見(jiàn)附表A1，紅綠燈分布、自由流速度、道路通行能力、飽和度參考文獻(xiàn)[18]。下文為簡(jiǎn)化描述，如無(wú)特殊說(shuō)明，節(jié)點(diǎn)均指交通網(wǎng)節(jié)點(diǎn)。居民區(qū)(H)1為節(jié)點(diǎn)1—7，居民區(qū)2為節(jié)點(diǎn)16—23，工作區(qū)(W)為節(jié)點(diǎn)13—15，商業(yè)區(qū)(R)為節(jié)點(diǎn)8—12。路網(wǎng)拓?fù)鋱D如圖4所示，圖4中道路長(zhǎng)短不代表實(shí)際道路長(zhǎng)短。配網(wǎng)測(cè)試系統(tǒng)以如圖5所示的改進(jìn)的IEEE-RBTS Bus6測(cè)試系統(tǒng)中主饋線F4為算例。元件可靠性參數(shù)、基礎(chǔ)負(fù)荷數(shù)據(jù)參考文獻(xiàn)[24]。各類開(kāi)關(guān)的切換時(shí)間為1 h。在分支線53、59處加入2臺(tái)風(fēng)力發(fā)電機(jī)(wind turbine generator，WTG)，WTG相關(guān)參數(shù)見(jiàn)附表A2。為簡(jiǎn)化分析，本文假設(shè)各地點(diǎn)均有充裕的充電設(shè)施。依據(jù)臨近性原則，充電樁節(jié)點(diǎn)優(yōu)先接入與自身地理位置直線距離最近的電網(wǎng)節(jié)點(diǎn)。路網(wǎng)節(jié)點(diǎn)和配電網(wǎng)節(jié)點(diǎn)的對(duì)應(yīng)關(guān)系見(jiàn)附表A3。

圖4 算例城市路網(wǎng)圖Fig.4 Example of urban road network

圖5 IEEE RBTS Bus6 系統(tǒng)接線圖Fig.5 Wiring diagram of IEEE RBTS Bus6 system

電動(dòng)汽車相關(guān)參數(shù)見(jiàn)附表A4。不同類型日下各出行鏈占比如附表A5所示，峰谷時(shí)段劃分采用文獻(xiàn)[25]所提方法，各時(shí)段電價(jià)見(jiàn)附表A6。獎(jiǎng)勵(lì)與懲罰分別為0.20、0.30 元/(kW·h)，需求價(jià)格彈性系數(shù)矩陣為：

(13)

5.2 結(jié)果分析

算例區(qū)域典型工作日及休息日EV時(shí)空負(fù)荷在各節(jié)點(diǎn)各時(shí)段的分布如圖6所示。由圖6可知，不同典型日EV充電負(fù)荷在時(shí)間、空間上的分布情況各不相同。工作日充電負(fù)荷成雙峰特性，主要集中分為兩大部分。一部分分布于06：00—10：00，在交通節(jié)點(diǎn)13—15，這是因?yàn)楣ぷ魅丈习鄬?dǎo)致電量消耗，至工作地點(diǎn)充電產(chǎn)生。另一部分分布于16：00—21：00，在工作區(qū)外的節(jié)點(diǎn)，這是因?yàn)橄掳嗪笾辽虉?chǎng)或歸家充電所產(chǎn)生的。休息日充電負(fù)荷集中于居民區(qū)，時(shí)段08：00—16：00，這是因?yàn)樾菹⑷?6：00—14：00出行至商場(chǎng)的EV歸家后充電產(chǎn)生。這符合實(shí)際情況，也證明了本文方法的有效性。

圖6 不同典型日充電負(fù)荷時(shí)空分布Fig.6 Spatial and temporal distribution of charging loads in different typical day

圖7表征了不同典型日基礎(chǔ)負(fù)荷、計(jì)及電動(dòng)汽車負(fù)荷以及考慮需求響應(yīng)這3種情況下算例區(qū)域一天內(nèi)各時(shí)段的負(fù)荷分布。可以看出，工作日16：00—20：00，電動(dòng)汽車負(fù)荷疊加基礎(chǔ)負(fù)荷，極大提升晚高峰峰值。休息日09：00—14：00，二者疊加形成午高峰。但按照所提策略引入DR后，使得EV轉(zhuǎn)移充電時(shí)間，各時(shí)段負(fù)荷波動(dòng)過(guò)大得到改善，工作日負(fù)荷峰谷差由6.65 MW降低為4.59 MW，休息日負(fù)荷峰谷差由4.08 MW降低為2.83 MW，波動(dòng)性明顯減小，有削峰填谷的作用。

圖7 不同典型日不同情況下區(qū)域總負(fù)荷曲線Fig.7 Regional total load curve under different typical days and conditions

應(yīng)用本文提出的評(píng)估算法，構(gòu)建5種場(chǎng)景進(jìn)行可靠性評(píng)估，其可靠性指標(biāo)如表2所示。場(chǎng)景1：含DG，無(wú)DR；場(chǎng)景2：含DG、EV，無(wú)DR；場(chǎng)景3：含DG、EV，考慮分時(shí)電價(jià)(即獎(jiǎng)勵(lì)與懲罰均為0元/(kW﹒h))；場(chǎng)景4：含EV、DG，同時(shí)考慮分時(shí)電價(jià)、獎(jiǎng)懲制度(獎(jiǎng)勵(lì)為0.2元/(kW﹒h))；場(chǎng)景5：含EV、DG，同時(shí)考慮分時(shí)電價(jià)、獎(jiǎng)懲制度(獎(jiǎng)勵(lì)為0.4元/(kW﹒h))。

表2 不同場(chǎng)景下的系統(tǒng)可靠性指標(biāo)Table 2 Values of system reliability indices in different scenarios

由表2可以看出，對(duì)比場(chǎng)景1和場(chǎng)景2可知，EV的接入使得配網(wǎng)可靠性降低。這是由于車主自身用車，習(xí)慣于午間及晚間到達(dá)工作地點(diǎn)或歸家后立即對(duì)EV進(jìn)行充電，大規(guī)模EV接入所產(chǎn)生的無(wú)序充電負(fù)荷與基礎(chǔ)負(fù)荷的早高峰、晚高峰疊加，進(jìn)一步擴(kuò)大負(fù)荷峰谷差，對(duì)配網(wǎng)可靠性產(chǎn)生不利影響。對(duì)比場(chǎng)景2和場(chǎng)景3可知，分時(shí)電價(jià)的實(shí)施，通過(guò)電價(jià)水平引導(dǎo)車主調(diào)整自身用電需求。從場(chǎng)景3、4、5可得綜合電價(jià)機(jī)制與激勵(lì)機(jī)制的需求響應(yīng)可以更進(jìn)一步引導(dǎo)電動(dòng)汽車參與削峰填谷，改善配網(wǎng)可靠性。同時(shí)，隨著獎(jiǎng)勵(lì)水平的提高，EV參與需求響應(yīng)的積極性提高，配網(wǎng)可靠性進(jìn)一步提升，但過(guò)高的獎(jiǎng)勵(lì)水平將加大電網(wǎng)支出，因此需控制獎(jiǎng)懲水平，使二者均衡，以獲得最大收益。

為更深入分析EV參與需求響應(yīng)對(duì)配電網(wǎng)可靠性影響的作用機(jī)理，取節(jié)點(diǎn)8、9、10、11、12形成的孤島1進(jìn)行分析。圖8為孤島內(nèi)風(fēng)力機(jī)組出力及總負(fù)荷DR前后的分布情況，表3為孤島內(nèi)各節(jié)點(diǎn)DR前后的可靠性指標(biāo)。由圖8可知風(fēng)電機(jī)組出力具有很強(qiáng)的不穩(wěn)定性，不能時(shí)刻維持供應(yīng)孤島內(nèi)總負(fù)荷的需求。由表3可知，考慮DR后，孤島內(nèi)各節(jié)點(diǎn)故障平均持續(xù)時(shí)間均縮短，這是因?yàn)镋V參與DR后，10:00、11:00、16:00負(fù)荷相較于原負(fù)荷降低至風(fēng)力機(jī)組出力以下，若此時(shí)系統(tǒng)發(fā)生故障，孤島內(nèi)負(fù)荷不會(huì)發(fā)生停電，因此其故障平均持續(xù)時(shí)間降低，可靠性提高。

表3 孤島1各節(jié)點(diǎn)可靠性指標(biāo)Table 3 Reliability index of each node in island 1

圖8 孤島1中各負(fù)荷及風(fēng)電出力情況Fig.8 Load and wind power output in island 1

為驗(yàn)證路-電耦合特性對(duì)EV時(shí)空負(fù)荷預(yù)測(cè)及可靠性的影響，設(shè)定場(chǎng)景1為考慮路-電耦合，場(chǎng)景2為僅考慮電網(wǎng)，不考慮交通網(wǎng)耦合所產(chǎn)生道路擁擠、通行能力受限等情況的影響，車速全程設(shè)定為60 km/h。圖9為各場(chǎng)景節(jié)點(diǎn)負(fù)荷分布情況，可以看出，路網(wǎng)的道路通行能力、紅綠燈因素等交通信息會(huì)對(duì)EV時(shí)空負(fù)荷分布產(chǎn)生影響，雖在部分節(jié)點(diǎn)類似，但還是有所差異。同時(shí)也可看出節(jié)點(diǎn)15充電需求最低，節(jié)點(diǎn)5充電需求最高，可以此作為未來(lái)充電樁數(shù)量規(guī)劃的依據(jù)。

圖9 不同場(chǎng)景下各節(jié)點(diǎn)負(fù)荷分布 Fig.9 Load distribution of each node in different scenarios

選取節(jié)點(diǎn)9、11、22、23為例，比較兩種場(chǎng)景下故障平均持續(xù)時(shí)間這一可靠性指標(biāo)，其結(jié)果如表4所示。

表4 路-電耦合特性對(duì)可靠性的影響Table 4 Influence of road-electricity coupling characteristics on reliability

路-電耦合特性實(shí)質(zhì)為考慮道路因素對(duì)車輛實(shí)際行駛路線及速度的影響，在道路擁堵時(shí)選取距離遠(yuǎn)耗時(shí)低的路線，更貼近實(shí)際。車輛實(shí)際行駛路線的變化會(huì)改變EV耗電量，繼而改變EV充電負(fù)荷大小。因此路-電耦合特性影響的深淺可用充電負(fù)荷變化程度的大小來(lái)衡量。

由表4可得，考慮路-電耦合前后，節(jié)點(diǎn)9、11充電負(fù)荷變化微小，負(fù)荷增長(zhǎng)幅度為1～2 kW，這是因?yàn)樵摴?jié)點(diǎn)位于路網(wǎng)中部，且與之連接的道路基本為普通路，因此各節(jié)點(diǎn)出發(fā)至此的耗時(shí)低及距離低的路徑大致相同。節(jié)點(diǎn)22、23位于路網(wǎng)最右側(cè)，左側(cè)各點(diǎn)至節(jié)點(diǎn)22、23的路線組合有多種方式，耗時(shí)低及距離低的路徑不同的概率大，因此節(jié)點(diǎn)22、23充電負(fù)荷相較于節(jié)點(diǎn)9、11增幅大，路-電耦合特性在節(jié)點(diǎn)22、23的作用更為明顯。當(dāng)系統(tǒng)發(fā)生故障時(shí)，考慮路-電耦合特性后，總負(fù)荷增長(zhǎng)，DG出力無(wú)法滿足孤島內(nèi)總負(fù)荷需求的概率增高，造成DG出力低于孤島內(nèi)總負(fù)荷大小時(shí)，孤島內(nèi)負(fù)荷被反復(fù)切除，因此節(jié)點(diǎn)9、11、22、23的故障平均持續(xù)時(shí)間均增大，可靠性降低。且由于路-電耦合特性在節(jié)點(diǎn)22的作用大于節(jié)點(diǎn)11，考慮路-電耦合特性前后，節(jié)點(diǎn)11、22的故障平均持續(xù)時(shí)間分別增加0.001 9 h/a、0.022 8 h/a，可見(jiàn)路-電耦合作用越大，可靠性降低幅度越大。綜上，說(shuō)明了考慮路-電耦合特性對(duì)含EV的配網(wǎng)可靠性評(píng)估的重要性。

6 結(jié) 論

1)本文所提充電負(fù)荷預(yù)測(cè)模型能夠更準(zhǔn)確地預(yù)測(cè)電動(dòng)汽車充電負(fù)荷時(shí)空分布情況，可為未來(lái)充電樁建設(shè)規(guī)劃等提供依據(jù)。

2)無(wú)論工作日還是休息日，電動(dòng)汽車無(wú)序充電都造成“峰峰疊加”，不利于配電網(wǎng)穩(wěn)定運(yùn)行。

3)所提電動(dòng)汽車需求響應(yīng)補(bǔ)充模型可有效改善配電網(wǎng)可靠性指標(biāo)，為電力系統(tǒng)運(yùn)行與調(diào)度提供重要依據(jù)。

4)在對(duì)電動(dòng)汽車時(shí)空負(fù)荷進(jìn)行預(yù)測(cè)及其對(duì)配網(wǎng)可靠性影響進(jìn)行評(píng)估時(shí)需考慮路-電耦合的影響。

本文主要以電動(dòng)私家車為研究對(duì)象，未考慮電動(dòng)公交車、出租車等其他類型電動(dòng)車，下一步可拓展對(duì)全種類電動(dòng)汽車負(fù)荷進(jìn)行建模分析。本文在交通仿真及參數(shù)設(shè)定方面做了一些假設(shè)，如假設(shè)各地點(diǎn)均有充裕的充電設(shè)施，車主沿耗時(shí)最短路徑行駛，歸家后直接充電，未考慮多日一充。隨著電力、交通、通信網(wǎng)絡(luò)之間的聯(lián)系更加緊密，車主的出行規(guī)律將更為復(fù)雜，下一步可開(kāi)展更為精細(xì)化的電動(dòng)汽車時(shí)空分布負(fù)荷預(yù)測(cè)及可靠性評(píng)估。