牛牧童，廖 凱，楊健維，向悅萍

考慮季節(jié)特性的多時(shí)間尺度電動(dòng)汽車負(fù)荷預(yù)測(cè)模型

牛牧童，廖 凱，楊健維，向悅萍

(西南交通大學(xué)電氣工程學(xué)院，四川 成都 611756)

當(dāng)前對(duì)電動(dòng)汽車(Electric Vehicle, EV)充電負(fù)荷預(yù)測(cè)的研究大多集中在短期單一時(shí)間尺度，且鮮有考慮在較長(zhǎng)時(shí)間尺度下不同季節(jié)電動(dòng)汽車充電負(fù)荷存在的差異?；诖?，提出一種考慮季節(jié)特性的多時(shí)間尺度電動(dòng)汽車負(fù)荷預(yù)測(cè)模型。首先，考慮季節(jié)特性對(duì)EV的電池最大載電量、里程耗電量和空調(diào)耗電量的影響，結(jié)合時(shí)空分布規(guī)律建立短期日內(nèi)的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型。其次，為了展現(xiàn)從短期(短時(shí)間尺度)到中長(zhǎng)期(長(zhǎng)時(shí)間尺度)的多時(shí)間尺度特性，建立考慮多種因素影響的Bass修正模型預(yù)測(cè)未來不同年份的EV保有量。結(jié)合短期EV充電負(fù)荷預(yù)測(cè)模型，可延展至中長(zhǎng)期EV充電負(fù)荷的預(yù)測(cè)，從而實(shí)現(xiàn)綜合短期、中長(zhǎng)期的多時(shí)間尺度EV負(fù)荷預(yù)測(cè)。最后，采用上海市氣溫信息及行車數(shù)據(jù)進(jìn)行仿真驗(yàn)證。結(jié)果表明，所提模型可以有效地預(yù)測(cè)未來數(shù)年EV發(fā)展趨勢(shì)以及考慮季節(jié)特性的多時(shí)間尺度EV充電負(fù)荷。

電動(dòng)汽車；負(fù)荷預(yù)測(cè)；Bass模型；多時(shí)間尺度；季節(jié)特性

0 引言

以電動(dòng)汽車(Electric Vehicle, EV)為代表的新能源動(dòng)力交通工具是解決化石能源危機(jī)與環(huán)境污染問題的重要措施之一[1-2]。近年來，EV在技術(shù)、政策、觀念和市場(chǎng)的多方面推動(dòng)下迅猛發(fā)展，截至2020年，其保有量在全球已逾900萬輛[3]。一方面，充電樁的規(guī)劃建設(shè)需緊跟EV保有量的增長(zhǎng)；另一方面，大規(guī)模EV無序充電負(fù)荷與電網(wǎng)基礎(chǔ)負(fù)荷疊加，將會(huì)引發(fā)諸如負(fù)荷峰谷差加大、運(yùn)行約束越限、電能質(zhì)量下降等問題[4-6]，影響電力系統(tǒng)的穩(wěn)定性與經(jīng)濟(jì)性。為此，需要對(duì)EV保有量發(fā)展演化及充電負(fù)荷需求進(jìn)行預(yù)測(cè)，從而為區(qū)域的充電設(shè)施及配電網(wǎng)設(shè)備的改造與新建提供合理參考和建議。

針對(duì)EV充電負(fù)荷預(yù)測(cè)，目前國(guó)內(nèi)外已經(jīng)做了大量研究，主要集中在對(duì)EV短期充電負(fù)荷預(yù)測(cè)的研究：充電概率建模[7]和時(shí)空分布建模[8-10]。在充電概率建模方面，文獻(xiàn)[7]提出了基于不同類型電動(dòng)汽車不同充電行為概率模型與蒙特卡洛模擬的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)方法。在時(shí)空分布建模方面，停車生成率模型[8]、時(shí)空活動(dòng)[9]與出行鏈模型[10]、馬爾可夫決策過程[11-12]等是電動(dòng)汽車充電負(fù)荷預(yù)測(cè)研究中的常用模型。此外，還有許多研究從交通系統(tǒng)和電網(wǎng)系統(tǒng)相互耦合影響出發(fā)建立了電動(dòng)汽車充電需求預(yù)測(cè)模型。文獻(xiàn)[13]提出了交通路網(wǎng)約束下，模擬用戶出行行為的電動(dòng)汽車充電負(fù)荷時(shí)空預(yù)測(cè)模型。文獻(xiàn)[14]通過建立交通網(wǎng)-配電網(wǎng)的交互模型預(yù)測(cè)典型區(qū)域路網(wǎng)充電負(fù)荷。文獻(xiàn)[15]在路網(wǎng)與電網(wǎng)交互影響的基礎(chǔ)上考慮車主主觀心理非完全理性選擇特性，提出了一種考慮路網(wǎng)-電網(wǎng)信息交互和用戶心理的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)方法。除了上述模型驅(qū)動(dòng)型預(yù)測(cè)外，隨著大數(shù)據(jù)的發(fā)展，以實(shí)測(cè)數(shù)據(jù)分析EV充電負(fù)荷的數(shù)據(jù)驅(qū)動(dòng)型預(yù)測(cè)手段也逐漸成熟。文獻(xiàn)[16]中以深圳市出租車原始行駛數(shù)據(jù)提取居民出行規(guī)律，結(jié)合OD矩陣分析方法預(yù)測(cè)城市功能區(qū)充電負(fù)荷趨勢(shì)。文獻(xiàn)[17]通過對(duì)“滴滴”出行原始數(shù)據(jù)集進(jìn)行大數(shù)據(jù)手段處理得到的出行特征數(shù)據(jù)，結(jié)合單體電動(dòng)汽車模型建立電動(dòng)汽車充電需求負(fù)荷模型。但上述預(yù)測(cè)方法得到的結(jié)果往往是在日內(nèi)的短期充電負(fù)荷演變，無法推斷較長(zhǎng)時(shí)間后EV充電負(fù)荷變化趨勢(shì)，并不能對(duì)EV充電設(shè)施與電網(wǎng)在未來建設(shè)規(guī)劃上給予有效參考。

較長(zhǎng)時(shí)間尺度下EV充電負(fù)荷預(yù)測(cè)研究相對(duì)較少，文獻(xiàn)[18]為了研究EV發(fā)展趨勢(shì)與負(fù)荷的交互影響，提出了一種保有量預(yù)測(cè)與車輛行為仿真交替進(jìn)行的城市電動(dòng)私家車中長(zhǎng)期充電負(fù)荷預(yù)測(cè)方法。但其模型中忽略了車主出行目的的固定性，也并未考慮較長(zhǎng)時(shí)間下季節(jié)特性對(duì)EV充電負(fù)荷的影響。

綜上，現(xiàn)有的EV充電負(fù)荷預(yù)測(cè)研究大多著眼于描述單一時(shí)間尺度內(nèi)尤其是短期可能出現(xiàn)的負(fù)荷特性，且忽略了季節(jié)不同所產(chǎn)生的充電負(fù)荷的差異，無法在多時(shí)間尺度下展現(xiàn)EV的發(fā)展變化趨勢(shì)與充電負(fù)荷時(shí)空分布的演變。

基于此，本文提出一種考慮季節(jié)特性的EV多時(shí)間尺度充電負(fù)荷預(yù)測(cè)模型。首先，以出行鏈描述車輛的出行行為模擬車輛時(shí)空分布規(guī)律，再通過對(duì)EV電池最大載電量、出行耗電量的建?？坍嫾竟?jié)特性對(duì)EV充電負(fù)荷的影響，建立短期EV充電負(fù)荷預(yù)測(cè)模型。其次，考慮傳統(tǒng)能源汽車競(jìng)爭(zhēng)、城市GDP發(fā)展、政策與油價(jià)等多種因素的影響，建立Bass修正模型，預(yù)測(cè)未來不同年份的EV保有量，更新短期EV充電負(fù)荷模型中的保有量，實(shí)現(xiàn)多時(shí)間尺度負(fù)荷預(yù)測(cè)。最后，通過算例仿真驗(yàn)證所提出的考慮季節(jié)特性的多時(shí)間尺度電動(dòng)汽車負(fù)荷預(yù)測(cè)模型的有效性。

1 考慮季節(jié)特性的短期EV充電負(fù)荷預(yù)測(cè)

本節(jié)考慮不同季節(jié)特性對(duì)充電負(fù)荷的影響，建立EV短期負(fù)荷預(yù)測(cè)模型。首先，建立EV用戶出行鏈，模擬EV用戶出行行程。然后，考慮季節(jié)溫度的影響，計(jì)算EV電池最大載電量0及出行耗電量1，由式(1)可獲得行程后的剩余電量soc。最后，通過充電策略進(jìn)行充電選擇，充電完成后進(jìn)行下一次行程，直到EV用戶一天行程結(jié)束。

式中，1由行程的里程耗電量1_1以及空調(diào)耗電量1_2組成，如式(2)所示。

1.1 EV用戶出行鏈

出行鏈?zhǔn)菍V用戶不同的出行目的以特定的時(shí)間順序鏈接起來，表示為各類出行活動(dòng)構(gòu)成的序列，可以很好地描繪用戶的日出行規(guī)律。出行鏈對(duì)應(yīng)的時(shí)空變化關(guān)系如圖1所示，時(shí)間層表示從開始到結(jié)束的時(shí)間變化，Δ表示行駛和停留時(shí)間段，表示到達(dá)和離開時(shí)間點(diǎn)，空間層表示出行過程的空間變化，表示節(jié)點(diǎn)間的行駛里程。

本文基于出行鏈模型描述車輛日出行行為特性。按照出行鏈結(jié)構(gòu)和區(qū)域功能，將區(qū)域分為住宅區(qū)、工作區(qū)和商業(yè)區(qū)等功能區(qū)，并做以下假設(shè)：一天內(nèi)EV初始位置和最終到達(dá)都屬于住宅區(qū)；不考慮充電樁因素對(duì)EV充電的影響；不考慮不同功能區(qū)之間路徑因素的影響。

1.1.1 出行活動(dòng)類型

相關(guān)調(diào)查表明[10]，居民出行活動(dòng)以簡(jiǎn)單鏈(起訖點(diǎn)均為H，鏈長(zhǎng)為3)為主?？紤]主要出行目的，忽略可能會(huì)在某處短暫停留的情況，將出行目的分為5類：回家(Home, H)、工作(Work, W)、社交休閑(Social and Recreational, SR)、購物吃飯(Shopping& Eating, SE)和其他活動(dòng)(Other, O)。本文考慮最長(zhǎng)含3個(gè)行駛目的地的出行鏈結(jié)構(gòu)，其結(jié)構(gòu)可分為簡(jiǎn)單鏈和復(fù)雜鏈2種模式，如圖2所示。

圖1 出行鏈對(duì)應(yīng)的時(shí)空變化

圖2 簡(jiǎn)單和復(fù)雜出行鏈結(jié)構(gòu)模型

1.1.2 區(qū)域轉(zhuǎn)移概率

1.1.3 出行時(shí)間

EV用戶每日起始出行時(shí)刻可近似為正態(tài)分布[18]，其概率密度函數(shù)為

式中：s為起始出行時(shí)刻均值，s= 8.56；s為初始出行時(shí)刻方差，s= 1.57，單位為h。

出行鏈中途各類出行活動(dòng)花費(fèi)的時(shí)間(車輛停留的時(shí)間)呈現(xiàn)不同的概率分布特性。由美國(guó)家庭交通出行調(diào)查數(shù)據(jù)(National Household Travel Survey, NHTS)[19]數(shù)據(jù)統(tǒng)計(jì)可知，W及SR類型出行活動(dòng)花費(fèi)時(shí)間近似滿足正態(tài)分布，SE、H及O類型出行活動(dòng)花費(fèi)時(shí)間近似滿足指數(shù)分布，如式(6)。各類出行活動(dòng)對(duì)應(yīng)的均值與標(biāo)準(zhǔn)差擬合結(jié)果如表1所示。此處H類型出行活動(dòng)指在家中短暫停留后繼續(xù)當(dāng)日出行，即不考慮出行鏈的起始點(diǎn)。

表1 各類出行活動(dòng)停留時(shí)間概率分布擬合結(jié)果

1.2 EV電池最大載電量

為模擬EV充電行為，首先需要考慮季節(jié)溫度對(duì)電池的影響，獲得EV電池最大載電量。EV電池對(duì)溫度具有較強(qiáng)的敏感性[20-21]，在不同溫度下放電量如圖3所示，電池的實(shí)際最大載電量會(huì)發(fā)生變化。設(shè)定25 ℃為參考溫度，此時(shí)電池放電量為10 380 mAh，相對(duì)電量為100%。由圖3可知，高于25 ℃時(shí)，電池實(shí)際最大載電量變化不明顯；低于25 ℃時(shí)，隨著溫度降低呈明顯下降趨勢(shì)，0 ℃時(shí)電池放電量為8 200 mAh，相對(duì)容量?jī)H為79.3%。

圖3 不同溫度下電池放電量

由圖3可知，不同溫度下電池實(shí)際最大載電量為

1.3 EV耗電量

計(jì)算行程過程中總耗電量1，由式(2)可知，1包括行程中的里程耗電量1_1以及空調(diào)耗電量1_2兩部分。

1) 里程耗電量

每段行程行駛里程可近似滿足對(duì)數(shù)正態(tài)分布[22]，其概率密度函數(shù)為

由式(10)可知，EV單位里程耗電量主要受到行程速度的影響。而暴雨暴雪、霧霾等天氣會(huì)導(dǎo)致道路設(shè)施的可認(rèn)知性降低和路面附著力下降，進(jìn)而影響行車速度[22]。同時(shí)，雨雪霧天氣也會(huì)影響道路交通流通性，限制汽車行駛速度。參考文獻(xiàn)[23-25]中不同天氣對(duì)應(yīng)不同能見度和附著系數(shù)的車速限制建議，定制出具有季節(jié)性的安全行駛速度，如表2。

表2 不同季節(jié)不同天氣下的安全行駛速度

2) 車載空調(diào)耗電量

參考文獻(xiàn)[25]對(duì)不同溫度下空調(diào)使用率進(jìn)行調(diào)研，將相關(guān)數(shù)據(jù)擬合生成空調(diào)啟動(dòng)概率正態(tài)分布函數(shù)，如式(11)所示。

1.4 EV用戶充電策略

由相關(guān)統(tǒng)計(jì)習(xí)慣可知，車主充電行為的靈活性、主觀性較強(qiáng)[18]。大多數(shù)車主充電習(xí)慣采用靈活充電類型，即EV每到達(dá)一處目的地，只要該地配備有充電設(shè)施，就進(jìn)行充電。本文假設(shè)，若某EV用戶決定在某地進(jìn)行充電，則在其到達(dá)該目的地時(shí)馬上接入充電設(shè)施，連續(xù)充電直至達(dá)到理想電量或最大停留時(shí)間，如式(14)所示。

2 基于Bass修正模型EV中長(zhǎng)期負(fù)荷預(yù)測(cè)

為實(shí)現(xiàn)中長(zhǎng)期負(fù)荷的預(yù)測(cè)，需要得知不同年份的EV保有量規(guī)模，本文建立Bass修正模型，以預(yù)測(cè)未來數(shù)年的電動(dòng)汽車的保有量。

2.1 Bass修正模型

Bass模型主要是對(duì)創(chuàng)新產(chǎn)品、技術(shù)的采用和擴(kuò)散進(jìn)行市場(chǎng)占有率預(yù)測(cè)的模型，用來模擬新產(chǎn)品被用戶接受的過程?；颈憩F(xiàn)形式為

上述模型并未涉及到價(jià)格對(duì)新產(chǎn)品擴(kuò)散的影響方面，因此Frank Bass提出了修正Bass模型(Generalized Bass Model)[27]，在原模型的基礎(chǔ)上引入修正系數(shù)()，用以反映多種價(jià)格因素對(duì)產(chǎn)品推廣的影響，如式(16)、式(17)所示。

式中：()為時(shí)段新產(chǎn)品價(jià)格；為1%的價(jià)格增長(zhǎng)造成的市場(chǎng)吸引力下降程度。

2.2 模型參數(shù)估計(jì)與修正

本文在Bass模型的基礎(chǔ)上分析EV當(dāng)前市場(chǎng)發(fā)展特性，考慮傳統(tǒng)能源汽車競(jìng)爭(zhēng)、城市GDP發(fā)展、政策與油價(jià)等多種因素的影響，對(duì)模型系數(shù)進(jìn)行估計(jì)與修正。

1) 模仿系數(shù)()的修正

購買決策受社會(huì)系統(tǒng)內(nèi)部因素包括其他消費(fèi)者對(duì)EV的使用反饋以及EV基礎(chǔ)設(shè)施影響，這一部分消費(fèi)者主要是由模仿系數(shù)體現(xiàn)，也被稱作“內(nèi)部影響系數(shù)”，取值范圍在0～1。參考文獻(xiàn)[18, 28-29]，類比充電便利模型刻畫滿意度與EV滲透率對(duì)電動(dòng)汽車發(fā)展的影響，定義模仿系數(shù)為

式中：()為時(shí)段(第年)模仿系數(shù)；為電動(dòng)私家車?yán)m(xù)航里程；為電動(dòng)私家車平均日行駛里程；z為車樁比；()/為滲透率；為調(diào)節(jié)因子。

2) 創(chuàng)新系數(shù)()的修正

EV的消費(fèi)者中有一部分人群的購買決策不受包括其他消費(fèi)者和EV基礎(chǔ)設(shè)施等在內(nèi)的社會(huì)系統(tǒng)內(nèi)部因素的影響[30]，而是有賴于大眾媒體的宣傳，由創(chuàng)新系數(shù)來體現(xiàn)，也被稱作“外部影響系數(shù)”，取值范圍在0～1之間。考慮到宣傳效應(yīng)過程會(huì)存在一定滯后性，人群對(duì)EV接受程度的增量與宣傳力度成正比[31]，因此定義創(chuàng)新系數(shù)為

3) 價(jià)格系數(shù)()的修正

目前常規(guī)能源汽車仍然是汽車市場(chǎng)的主體，其價(jià)格因素對(duì)EV發(fā)展有較大的競(jìng)爭(zhēng)影響，同時(shí)城市GDP發(fā)展水平也間接影響著購買者對(duì)價(jià)格因素的敏感度。因此，采用文獻(xiàn)[32]的定義方式建立修正系數(shù)()，如式(20)。

式中：EV()和CV()分別為EV總成本和常規(guī)能源汽車總成本折算到購買初年的現(xiàn)值；為成本影響系數(shù)，為負(fù)值?？偝杀景ㄙ徺I成本及使用成本。

購買成本在含稅價(jià)格的基礎(chǔ)上扣除了補(bǔ)貼金額以及折現(xiàn)后的車輛殘值，如式(22)。

使用成本是指使用期限內(nèi)能耗與保養(yǎng)費(fèi)用的貼現(xiàn)值之和，如式(23)。

2.3 中長(zhǎng)期EV負(fù)荷預(yù)測(cè)建模流程

由Bass修正模型預(yù)測(cè)未來不同年份的EV保有量規(guī)模，根據(jù)不同年份的保有量更新短期負(fù)荷預(yù)測(cè)模型，實(shí)現(xiàn)EV中長(zhǎng)期負(fù)荷預(yù)測(cè)。具體流程如圖4。

圖4 中長(zhǎng)期EV負(fù)荷預(yù)測(cè)流程

3 考慮季節(jié)特性的多時(shí)間尺度EV充電負(fù)荷預(yù)測(cè)仿真流程

由短期負(fù)荷預(yù)測(cè)模型得出不同季節(jié)特性下EV日內(nèi)充電負(fù)荷曲線，再根據(jù)Bass修正模型預(yù)測(cè)未來十年內(nèi)EV保有量，更新短期負(fù)荷預(yù)測(cè)模型的保有量可計(jì)算出未來10年不同季節(jié)下的日負(fù)荷曲線，預(yù)測(cè)流程如附圖1所示。

為了獲得EV用戶每段行程的剩余電量SOC，需要確定EV電池的實(shí)際最大載電量、行程的里程耗電量以及空調(diào)耗電量。根據(jù)溫度確定電池的實(shí)際最大載電量，結(jié)合單輛車空調(diào)的啟用采取判定方法求得空調(diào)耗電量，確定行程里程耗電量需要計(jì)算EV在日內(nèi)充電負(fù)荷的時(shí)空分布。因此，對(duì)輸入規(guī)模的EV進(jìn)行出行行為仿真：

首先，設(shè)定以生活區(qū)為起始點(diǎn)，離開家時(shí)的電池初始電量為最大載電量的95%，對(duì)車輛進(jìn)行初始出行時(shí)刻抽取。

然后，從區(qū)域轉(zhuǎn)移概率矩陣中提取終點(diǎn)落在各個(gè)區(qū)域的概率，對(duì)終點(diǎn)進(jìn)行抽樣，由起止區(qū)域得到這一段行駛里程。

最后，根據(jù)表3道路路徑使用頻率占比抽取行程的道路等級(jí)，結(jié)合設(shè)定的安全速度獲得行程的耗電量。路徑使用頻率占比計(jì)算流程如附圖2。

由初始電量和損耗電量差值得到電池剩余電量，再抽取停留時(shí)間后，根據(jù)車主充電習(xí)慣決定是否在此充電。當(dāng)車輛完成最后一次行程后，更新各區(qū)域的充電負(fù)荷，當(dāng)完成所有EV行為仿真后可得到本年該區(qū)總體及各功能區(qū)日充電負(fù)荷曲線。根據(jù)不同季節(jié)下溫度和安全行駛速度，得出不同季節(jié)特性的EV短期(日內(nèi))充電負(fù)荷的時(shí)空分布，更新不同年份的保有量得到該區(qū)整體的中長(zhǎng)期(未來十年)充電負(fù)荷曲線從而實(shí)現(xiàn)不同時(shí)間尺度下的負(fù)荷預(yù)測(cè)。

表3 行程道路路徑使用頻率占比

4 算例分析

4.1 參數(shù)設(shè)置

參考上海市氣象統(tǒng)計(jì)局統(tǒng)計(jì)的2020年全年溫度數(shù)據(jù)，按照時(shí)間劃分為春秋季、夏季和冬季，再結(jié)合季節(jié)性氣溫特點(diǎn)，取20 ℃為典型常溫(春秋季)天氣，0 ℃和35 ℃分別為典型冬季和夏季氣溫。其中，電池相對(duì)容量百分?jǐn)?shù)[25]：0℃=79.3%，20℃= 98.8%，35℃=103%。根據(jù)對(duì)應(yīng)溫度的空調(diào)啟動(dòng)概率，單輛車空調(diào)的啟用采取判定方法：通過對(duì)單輛車生成服從(0，1)均勻分布的隨機(jī)數(shù)，若<啟動(dòng)空調(diào)。

4.2 結(jié)果分析

4.2.1 EV保有量預(yù)測(cè)分析

對(duì)比不同城市GDP發(fā)展水平、宣傳力度、油價(jià)增幅和政策補(bǔ)貼退坡對(duì)EV保有量預(yù)測(cè)的影響。

在圖5中，默認(rèn)條件為上海市GDP背景，油價(jià)增幅為6%，政策補(bǔ)貼退坡力度為20%，宣傳力度為0.4。對(duì)上述單一條件設(shè)置變量對(duì)比分析其對(duì)EV保有量增長(zhǎng)的影響，其他為默認(rèn)條件。

圖5 不同因素影響下的EV保有量預(yù)測(cè)

如圖5所示，相較于油價(jià)與政策退坡幅度，在短期內(nèi)城市GDP水平、宣傳力度對(duì)EV保有量的影響較小，但隨著時(shí)間推移，兩者對(duì)電動(dòng)汽車的增幅作用會(huì)逐漸顯現(xiàn)。宣傳力度越大，對(duì)電動(dòng)汽車的推廣作用越明顯，城市GDP水平越高，人們購買電動(dòng)汽車的意愿更強(qiáng)。同樣也可看出政策退坡幅度越大、油價(jià)增幅力度越弱，電動(dòng)汽車保有量的增長(zhǎng)幅度就越小。在中長(zhǎng)期以后上述不同因素對(duì)電動(dòng)汽車保有量增長(zhǎng)均會(huì)產(chǎn)生較明顯影響。

從整體增長(zhǎng)態(tài)勢(shì)來看，相較于中期的快速增長(zhǎng)，在后期由于電動(dòng)汽車市場(chǎng)潛量逐漸趨于飽和，基礎(chǔ)充電設(shè)施建設(shè)發(fā)展也相對(duì)保持穩(wěn)定，使得整體保有量的增長(zhǎng)稍有放緩，趨于市場(chǎng)發(fā)展成熟階段。

4.2.2 EV多時(shí)間尺度負(fù)荷預(yù)測(cè)分析

在保有量預(yù)測(cè)數(shù)據(jù)的基礎(chǔ)上，對(duì)多時(shí)間尺度的EV充電負(fù)荷進(jìn)行預(yù)測(cè)。將不同年份的EV保有量預(yù)測(cè)結(jié)果作為相應(yīng)年份的EV數(shù)量，針對(duì)不同功能區(qū)，進(jìn)行不同季節(jié)下的EV充電負(fù)荷預(yù)測(cè)。一方面可以從短期日內(nèi)分析不同功能區(qū)的時(shí)空分布特性與季節(jié)差異；另一方面可以從較長(zhǎng)時(shí)間尺度下(中長(zhǎng)期)分析EV充電負(fù)荷增長(zhǎng)趨勢(shì)及季節(jié)特性對(duì)EV充電負(fù)荷的影響。

圖6為2030年各功能區(qū)EV充電負(fù)荷曲線?？梢钥闯觯壕用裆顓^(qū)負(fù)荷需求最大，呈雙高峰分布，高峰時(shí)段集中在12：00和21：00附近；工作區(qū)次之，高峰時(shí)段集中在08：00附近；其他區(qū)域負(fù)荷需求都較小，且分布規(guī)律有明顯差異。

由于季節(jié)因素對(duì)于一個(gè)區(qū)域內(nèi)不同功能區(qū)的差異不大，本節(jié)的EV中長(zhǎng)期負(fù)荷預(yù)測(cè)以整個(gè)區(qū)域的負(fù)荷為對(duì)象，分析2021—2030年春秋季、夏季和冬季的典型日的負(fù)荷需求情況。圖7為2030年該區(qū)域在不同季節(jié)下整體負(fù)荷曲線對(duì)比。

圖6 2030年各功能區(qū)EV充電負(fù)荷預(yù)測(cè)曲線

圖7 2030年不同季節(jié)典型日充電負(fù)荷對(duì)比

由圖7可以看出，EV充電負(fù)荷具有較明顯的季節(jié)特性。冬季和夏季負(fù)荷需求要大于春秋季，主要是由于冬季溫度較低夏季氣溫較高，空調(diào)使用率較高，使得EV的空調(diào)耗電量顯著增大。同時(shí)，由于溫度較低的環(huán)境下電池性能受到的影響較高溫環(huán)境下更明顯，因此，冬季EV充電需求量也比夏季略高。

圖8為該區(qū)域在2021—2030年春秋季、夏季、冬季典型日負(fù)荷需求預(yù)測(cè)曲線，同樣可以看出EV充電負(fù)荷在冬季最高，春秋季最低，而圖8中三者增長(zhǎng)幅度相差不大，主要是因?yàn)镋V充電負(fù)荷增長(zhǎng)主要取決于EV保有量的增長(zhǎng)。

圖8 2021—2030年不同季節(jié)充電負(fù)荷典型日預(yù)測(cè)

整理圖8中各季節(jié)的峰值數(shù)據(jù)，得到該區(qū)域在2021—2030年不同季節(jié)典型日的負(fù)荷峰值及峰值差，如圖9所示，其中天氣A、B對(duì)應(yīng)的速度如表2。由圖9可以看出，冬季節(jié)典型日的負(fù)荷峰值最大，夏季次之，春秋季最低。同時(shí)行車速度的降低也會(huì)使得EV單位里程耗電量增加，導(dǎo)致負(fù)荷需求增大。由不同季節(jié)的峰值差可以看出冬季和夏季之間負(fù)荷峰值差距較小，因?yàn)槌叵码姵匦阅苴呌谧罴亚也簧婕翱照{(diào)的耗電量，充電負(fù)荷相對(duì)較小，因此冬季和夏季的負(fù)荷峰值明顯高于春秋季。

圖9 2021—2030年不同季節(jié)典型日負(fù)荷峰值

5 結(jié)論

本文建立了考慮季節(jié)特性的短期EV充電負(fù)荷模型，在此基礎(chǔ)上，結(jié)合Bass修正模型將預(yù)測(cè)時(shí)間從短期延展至中長(zhǎng)期，進(jìn)而實(shí)現(xiàn)了不同季節(jié)下短期和中長(zhǎng)期EV充電負(fù)荷預(yù)測(cè)，得到多時(shí)間尺度下EV充電負(fù)荷預(yù)測(cè)曲線，通過算例仿真得到以下結(jié)論：

1) 所提考慮多因素影響的Bass修正模型可以有效預(yù)測(cè)不同年份的EV保有量，反映城市GDP發(fā)展水平、油價(jià)增幅力度、宣傳力度以及補(bǔ)貼力度等因素對(duì)未來的EV保有量發(fā)展的影響?？蔀闆Q策者制定EV推廣政策提供一定的參考依據(jù)。

2) 相比于常規(guī)的單一時(shí)間尺度負(fù)荷預(yù)測(cè)模型，建立了考慮季節(jié)特性的多時(shí)間尺度負(fù)荷預(yù)測(cè)模型。一方面，可以有效刻畫在較長(zhǎng)時(shí)間尺度下不同季節(jié)特性的EV充電負(fù)荷特性；另一方面，通過Bass修正模型，實(shí)現(xiàn)了從短期到中長(zhǎng)期的多時(shí)間尺度負(fù)荷預(yù)測(cè)。預(yù)測(cè)時(shí)間范圍更為全面，對(duì)未來智能電網(wǎng)的EV充電設(shè)施建設(shè)規(guī)劃與配網(wǎng)調(diào)度更具參考意義。

附錄

附表1 車輛相關(guān)參數(shù)

附表2 不同年份的最大市場(chǎng)潛量

附表3 2020年全國(guó)及相關(guān)城市GDP

由于汽車市場(chǎng)尚未飽和，常規(guī)能源汽車保有量以增長(zhǎng)率=0.15?0.012逐年增長(zhǎng)至飽和[18]，EV最大市場(chǎng)潛量為常規(guī)能源汽車總數(shù)的90%。根據(jù)《上海市新能源汽車產(chǎn)業(yè)大數(shù)據(jù)研究報(bào)告2019》，截至2019年底，上海市注冊(cè)常規(guī)能源汽車數(shù)量約為290萬輛，EV約26萬輛。由此，根據(jù)以上數(shù)據(jù)和關(guān)系計(jì)算出每年的潛在市場(chǎng)數(shù)量。

參考《中共上海市委關(guān)于制定上海市國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和二〇三五年遠(yuǎn)景目標(biāo)的建設(shè)》、國(guó)家統(tǒng)計(jì)局發(fā)布的《2020年國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》、國(guó)家統(tǒng)計(jì)局局長(zhǎng)邱曉華主持的未來15年中國(guó)生產(chǎn)力發(fā)展的展望與宏觀研究報(bào)告以及GDP研究權(quán)威人士許憲春的《未來15年中國(guó)生產(chǎn)力發(fā)展的展望與預(yù)測(cè)》等文件資料，設(shè)置未來10年全國(guó)GDP以λ＝0.02+0.006的增速逐年增長(zhǎng)，上海市GDP在未來10年內(nèi)以每年6個(gè)百分點(diǎn)進(jìn)行增長(zhǎng)。

附表4 上海市未來不同年份的車樁比

根據(jù)上海市新能源汽車公共數(shù)據(jù)網(wǎng)(SHEVDC)與上海市新能源汽車公共數(shù)據(jù)采集與監(jiān)測(cè)研究中心，預(yù)測(cè)初年(2020年)上海市車樁比為0.8。參考《上海市促進(jìn)電動(dòng)汽車充(換)電設(shè)施互聯(lián)互通有序發(fā)展暫行辦法》、《上海市推進(jìn)新型基礎(chǔ)設(shè)施建設(shè)行動(dòng)方案(2020—2022年)》以及《中共上海市委關(guān)于制定上海市國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和二〇三五年遠(yuǎn)景目標(biāo)的建設(shè)》，基于建設(shè)規(guī)劃目標(biāo)，設(shè)置未來10充電樁配套EV建設(shè)發(fā)展，車樁比發(fā)展：z=0.8+0.05(當(dāng)z＞1.2時(shí)，保持z不變)。

附圖1 EV充電負(fù)荷預(yù)測(cè)流程圖

Attached Fig. 1 Flow chart of EV charging load forecasting

附圖2 不同等級(jí)道路路徑使用頻率占比計(jì)算流程圖

Attached Fig. 2 Flow chart for calculating the proportion of the use frequency of road paths of different grades

文中式(10)所定義一級(jí)、二級(jí)和三級(jí)道路參考現(xiàn)行交通部施行的《國(guó)家公路工程技術(shù)標(biāo)準(zhǔn)》，仿真所用一級(jí)、二級(jí)和三級(jí)道路數(shù)據(jù)，是通過對(duì)路網(wǎng)開源網(wǎng)站(OPENSTREETMAP)中某局部地區(qū)交通路網(wǎng)的數(shù)據(jù)處理所獲得。海量行駛軌跡大數(shù)據(jù)來源為“滴滴訂單軌跡開源數(shù)據(jù)”。

參考文獻(xiàn)

[1] 檀勤良, 代美, 梅書凡. 考慮電動(dòng)汽車碳配額及需求響應(yīng)的電力系統(tǒng)調(diào)度研究[J]. 電網(wǎng)與清潔能源, 2021, 37(7): 79-86.

TAN Qinliang, DAI Mei, MEI Shufan. Research on electric vehicle carbon quota and demand response in electric power system dispatching[J]. Advances of Power System & Hydroelectric Engineering, 2021, 37(7): 79-86.

[2] 姚穎蓓, 陸建忠, 傅業(yè)盛, 等. 華東地區(qū)電動(dòng)汽車發(fā)展趨勢(shì)及用電需求預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(4): 141-145.

YAO Yingbei, LU Jianzhong, FU Yesheng, et al. Electric vehicle development trends and electricity demand forecast in East China[J]. Power System Protection and Control, 2021, 49(4): 141-145.

[3] BloombergNEF electric vehicle outlook 2020[EB/OL]. [2020]. https:// about. bnef. com/ electric-vehicle-outlook/.

[4] CAI H, CHEN Q, GUAN Z, et al. Day-ahead optimal charging/discharging scheduling for electric vehicles in microgrids[J]. Protection and Control of Modern Power Systems, 2018, 3(1): 93-107.

[5] 馬玲玲, 楊軍, 付聰, 等. 電動(dòng)汽車充放電對(duì)電網(wǎng)影響研究綜述[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(3): 140-148.

MA Lingling, YANG Jun, FU Cong, et al. Review on impact of electric car charging and discharging on power grid[J]. Power System Protection and Control, 2013, 41(3): 140-148.

[6] 侯慧, 徐燾, 柯賢彬, 等. 電動(dòng)汽車快充對(duì)配電網(wǎng)的風(fēng)險(xiǎn)研究[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(16): 87-93.

HOU Hui, XU Tao, KE Xianbin, et al. Research on risks of electric vehicle charging to distribution network[J]. Power System Protection and Control, 2019, 47(16): 87-93.

[7] 羅卓偉, 胡澤春, 宋永華, 等. 電動(dòng)汽車充電負(fù)荷計(jì)算方法[J]. 電力系統(tǒng)自動(dòng)化, 2011, 35(14): 36-42.

LUO Zhuowei, HU Zechun, SONG Yonghua, et al. Study on plug-in electric vehicles charging load calculating[J]. Automation of Electric Power Systems, 2011, 35(14): 36-42.

[8] 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.

ZHANG Hongcai, HU Zechun, SONG Yonghua, et al. A prediction method for electric vehicle charging load considering spatial and temporal distribution[J]. Automation of Electric Power Systems, 2014, 38(1): 13-20.

[9] 錢甜甜, 李亞平, 郭曉蕊, 等. 基于時(shí)空活動(dòng)模型的電動(dòng)汽車充電功率計(jì)算和需求響應(yīng)潛力評(píng)估[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(23): 127-134.

QIAN Tiantian, LI Yaping, GUO Xiaorui, et al. Calculation of electric vehicle charging power and evaluation of demand response potential based on spatial and temporal activity model[J]. Power System Protection and Control, 2018, 46(23): 127-134.

[10] 陳麗丹, 聶涌泉, 鐘慶. 基于出行鏈的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(4): 216-225.

CHEN Lidan, NIE Yongquan, ZHONG Qing. A model for electric vehicle charging load forecasting based on trip chains[J]. Transactions of China Electrotechnical Society, 2015, 30(4): 216-225.

[11] TANG D, WANG P. Probabilistic modeling of nodal charging demand based on spatial-temporal dynamics of moving electric vehicles[J]. IEEE Transactions on Smart Grid, 2015, 7(2): 627-636.

[12] 張謙, 王眾, 譚維玉, 等. 基于MDP隨機(jī)路徑模擬的電動(dòng)汽車充電負(fù)荷時(shí)空分布預(yù)測(cè)[J]. 電力系統(tǒng)自動(dòng)化, 2018, 42(20): 65-72.

ZHANG Qian, WANG Zhong, TAN Weiyu, et al. Spatial-temporal distribution prediction of charging load for electric vehicle based on MDP random path simulation[J]. Automation of Electric Power Systems, 2018, 42(20): 65-72.

[13] 李含玉, 杜兆斌, 陳麗丹, 等. 基于出行模擬的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型及V2G評(píng)估[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(21): 88-102.

LI Hanyu, DU Zhaobin, CHEN Lidan, et al. Trip simulation based charging load forecasting model and vehicle-to-grid evaluation of electric vehicles[J]. Automation of Electric Power Systems, 2019, 43(21): 88-102.

[14] 李曉輝, 李磊, 劉偉東, 等. 基于動(dòng)態(tài)交通信息的電動(dòng)汽車充電負(fù)荷時(shí)空分布預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(1): 117-125.

LI Xiaohui, LI Lei, LIU Weidong, et al. Spatial-temporal distribution prediction of charging load for electric vehicles based on dynamic traffic information[J]. Power System Protection and Control, 2020, 48(1): 117-125.

[15] 龍雪梅, 楊軍, 吳賦章, 等. 考慮路網(wǎng)-電網(wǎng)交互和用戶心理的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(14): 86-93.

LONG Xuemei, YANG Jun, WU Fuzhang, et al. Electric vehicle charging load prediction considering road network-grid interaction and user psychology[J]. Automation of Electric Power Systems, 2020, 44(14): 86-93.

[16] ZHANG H C, TANG W Z, HU Z C, et al. A method for forecasting the spatial and temporal distribution of PEV charging load[C] // Proceedings of 2014 IEEE PES General Meeting Conference, July 27-31, 2014, National Harbor, MD, America:1-5.

[17] 邢強(qiáng), 陳中, 黃學(xué)良, 等. 基于數(shù)據(jù)驅(qū)動(dòng)方式的電動(dòng)汽車充電需求預(yù)測(cè)模型[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2020, 40(12): 3796-3813.

XING Qiang, CHEN Zhong, HUANG Xueliang, et al. Electric vehicle charging demand forecast model based on data-driven mode[J]. Proceedings of the CSEE, 2020, 40(12): 3796-3813.

[18] 于海東, 張焰, 潘愛強(qiáng). 電動(dòng)汽車充電負(fù)荷中長(zhǎng)期推演模型[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(21): 80-93.

YU Haidong, ZHANG Yan, PAN Aiqiang. Mid-long term deduction model of electric private car charging load[J]. Automation of Electric Power Systems, 2019, 43(21): 80-93.

[19] US Department of Transportation, Federal Highway Administration. 2017 national household travel survey [EB/OL]. [2017]. http: // nhts. ornl.gov.

[20] 張?jiān)? 李斌, 顏湘武, 等. 基于電池模型的電動(dòng)汽車充電故障監(jiān)測(cè)與預(yù)警方法[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(10): 143-154.

ZHANG Yuanxing, LI Bin, YAN Xiangwu, et al. Monitoring and early warning method of EV charging failure based on a battery model[J]. Power System Protection and Control, 2021, 49(10): 143-154.

[21] 孫慶, 楊秀金, 代云飛, 等. 溫度對(duì)磷酸鐵鋰電池性能的影響[J]. 電動(dòng)自行車, 2011(9): 22-27.

SUN Qing, YANG Xiujin, DAI Yunfei, et al. The influence of temperature on the performance of lithium iron phosphate batteries[J]. Electric Bicycle, 2011(9): 22-27.

[22] 王睿, 高欣, 李軍良, 等. 基于聚類分析的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(16): 37-44.

WANG Rui, GAO Xin, LI Junliang, et al. Electric vehicle charging demand forecasting method based on clustering analysis[J]. Power System Protection and Control, 2020, 48(16): 37-44.

[23] LAURIKKO J, GRANSTROM R, HAAKANA A. Realistic estimates of EV range based on extensive laboratory and field tests in Nordic climate conditions[C] // Electric Vehicle Symposium and Exhibition, November 17-20, 2013, Barcelona, Spain: 1-12.

[24] LI H M, WANG Q Q, XIONG W X. New model of travel-time prediction considering weather conditions: case study of urban expressway[J]. Journal of Transportation Engineering, Part A: Systems, 2021, 147(3): 967-975.

[25] 王海玲, 張美霞, 楊秀. 基于氣溫影響的電動(dòng)汽車充電需求預(yù)測(cè)[J]. 電測(cè)與儀表, 2017, 54(23): 123-128.

WANG Hailing, ZHANG Meixia, YANG Xiu. Electric vehicle charging demand forecast based on the influence of temperature[J]. Electrical Measurement & Instrumentation, 2017, 54(23): 123-128.

[26] 張恒嘉. 基于實(shí)證的純電動(dòng)汽車性能評(píng)估方法和普及可能性研究[D]. 武漢: 武漢理工大學(xué), 2014.

ZHANG Hengjia. Study on the assessing methods and the possibility of popularity of pure electric vehicles based on the empirical test[D]. Wuhan: Wuhan University of Technology, 2014.

[27] BASS F M, KRISHNAN T V, JAIN D C. Why the Bass model fits without decision variables[J]. Marketing Science, 1994, 13(3): 203-223.

[28] 楊威, 向月, 劉俊勇, 等. 基于多代理技術(shù)的電動(dòng)汽車規(guī)模演化模型[J]. 電網(wǎng)技術(shù), 2017, 41(7): 2146-2154.

YANG Wei, XIANG Yue, LIU Junyong, et al. Multi-agent modeling for the scale evolution of plug-in electric vehicles[J]. Power System Technology, 2017, 41(7): 2146-2154.

[29] 周昊, 劉俊勇, 劉友波, 等. 基于系統(tǒng)動(dòng)力學(xué)的電動(dòng)汽車規(guī)模推演分析與仿真[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2017, 29(8): 1-7.

ZHOU Hao, LIU Junyong, LIU Youbo, et al. Analysis and simulation of electric vehicles scale evolution based on system dynamics[J]. Proceedings of the CSU-EPSA, 2017, 29(8): 1-7.

[30] 曾鳴, 曾繁孝, 朱曉麗, 等. 基于Bass模型的我國(guó)電動(dòng)汽車保有量預(yù)測(cè)[J]. 中國(guó)電力, 2013, 46(1): 36-39.

ZENG Ming, ZENG Fanxiao, ZHU Xiaoli, et al. Forecast of electric vehicles in China based on Bass model[J]. Electric Power, 2013, 46(1): 36-39.

[31] EPPSTEIN M J, GROVER D K, MARSHALL J S, et al. An agent-based model to study market penetration of plug-in hybrid electric vehicles[J]. Energy Policy, 2011, 39(6): 3789-3802.

[32] 龍子泉, 常靜敏, 陳植元. 激勵(lì)政策對(duì)新能源汽車推廣的影響研究—基于修正Bass模型的實(shí)證分析[J]. 科技管理研究, 2016, 36(4): 138-144.

LONG Ziquan, CHANG Jingmin, CHEN Zhiyuan. Effects of incentives to the promotion of new energy vehicles—based on the empirical analysis of modified Bass model[J]. Science and Technology Management Research, 2016, 34(4): 138-144.

Multi-time-scale electric vehicle load forecasting model considering seasonal characteristics

NIU Mutong, LIAO Kai, YANG Jianwei, XIANG Yueping

(School of Electrical Engineering, Southwest Jiaotong University, Chengdu 611756, China)

Current research on electric vehicle (EV) charging load forecasting is mostly focused on a short-term single time-scale, and few consider the differences of electric vehicle charging load in different seasons on a longer time scale. Therefore, a multi-time-scale electric vehicle load forecasting method considering seasonal characteristics is proposed. First, a short-term day-to-day electric vehicle charging load prediction model is established taking into account the influence of seasonal characteristics on the initial battery power, mileage power and air-conditioning power consumption of the EV, and combining time and space distribution rules. Secondly, in order to show the characteristics of multiple time scales from short-term (within a day) to medium-and long-term (years), a modified Bass model that takes into account the influence of multiple factors is built to predict the EV holdings in different years in the future. Combined with short-term EV, the charging load forecasting model can be extended to mid-to-long-term EV charging load forecasting, thereby achieving multi-time-scale EV load forecasting and integrating short-term and mid-to-long-term. Finally, through simulation verification with the temperature information and driving data of Shanghai, the results demonstrate that the proposed model is able to effectively predict the EV development trend over the next few years and the EV charging load under multiple time scales considering seasonal characteristics.

electric vehicle; load forecasting; Bass model; multi-time-scale; seasonal characteristics

10.19783/j.cnki.pspc.210628

國(guó)家自然科學(xué)基金項(xiàng)目資助(51977180)

This work is supported by the National Natural Science Foundation of China (No. 51977180).

2021-05-25；

2021-08-12

牛牧童(1997—)，男，碩士研究生，主要研究方向?yàn)殡妱?dòng)汽車充電負(fù)荷預(yù)測(cè)；E-mail: niumutong@my.swjtu.edu.cn

廖 凱(1988—)，男，通信作者，博士，副教授，主要研究方向?yàn)殡娏ο到y(tǒng)穩(wěn)定分析與控制、新能源電力系統(tǒng)保護(hù)與控制；E-mail: liaokai_lk@hotmail.com

楊健維(1983—)，女，博士，副教授，主要研究方向?yàn)殡妱?dòng)汽車優(yōu)化調(diào)度。E-mail: jwyang@swjtu.edu.cn

(編輯 葛艷娜)