任運業(yè)

安科瑞電氣股份有限公司 上海嘉定 201801

摘要 ：文章基于南方某市的電動汽車充電數(shù)據，得出各類型電動汽車在不同日期類型的充電開始時間、充電電量、充電功率的分布規(guī)律。采用蒙特卡洛算法模擬計算了該市 2021年各類型電動汽車工作日與休息日的充電負荷情況，結果表明，電動私家車在休息日的午間和凌晨充電負荷要高于工作日；該市電動出租車在工作日與休息日的充電負荷占比分別為 60．42% 、58．55% ，在三類型車中始終大; 電動私家車工作日與休息日充電負荷曲線有較大差異，電網總負荷會在 19:00 達到高峰。驗證了電動汽車的大規(guī)模引入會增加電網的峰值和峰谷差，同時將充電行為數(shù)據擬合為公式，旨在為未來的電網擴容建設和對電動汽車的有序充電控制提供幫助。

關鍵詞：電動汽車；充電行為分析；負荷預測

0 引言

隨著環(huán)境的惡化和化石能源短缺現(xiàn)象的加劇，電動汽車以其相對低廉的價格、契合綠色出行的理念、消納間歇性可再生能源電力等特點，近些年在世界范圍 內都得到了較快的發(fā)展。而大規(guī)模電動汽車并入電網給電網的安全帶來了嚴重的威脅。即隨著電動汽車數(shù)量的提高，會給電網負荷帶來了巨大的沖擊。因此，對電動汽車的充電負荷趨勢進行預測，對于電網及充電樁后續(xù)的規(guī)劃建設，以及采用何種方式來緩解大規(guī)模電動汽車充電過程對電網帶來的沖擊，都具有重要的研究價值和現(xiàn)實意義。

針對電動汽車充電負荷預測可以分為從空間角度和時間角度進行預測。文獻研究電動汽車在空間約束下的出行特性，采用交通起止點法和蒙特卡洛算法完成對電動汽車充電負荷的時空預測。文獻針對電動汽車在居民區(qū)的充電特征，建立相關模型。文獻以某一地區(qū)為例，根據狀態(tài)轉移矩陣得到居民區(qū)、工商業(yè)區(qū)電動汽車的數(shù)量，研究不同功能區(qū)域電動汽車充電負荷的差異性。文獻對蒙特卡洛算法的尋優(yōu)路徑優(yōu)化，完成對電動汽車時間尺度上的負荷預測，提高了運算速度。

文中分析了前人研究電動汽車的充電負荷特性因素的不足之處，對某市工作日與休息日各類型車的實際充電行為數(shù)據進行統(tǒng)計分析，包括充電開始時間、充電電量、充電功率的分布特征。采用蒙特卡洛法計算各類型電動汽車的負荷曲線，比較各類型車負荷曲線的差異，分析充電負荷曲線對該市電網負荷的影響。

1 影響電動汽車充電負荷特性的因素

充電開始時間、充電持續(xù)時間、充電功率是影響電動汽車充電負荷特性的關鍵因素。下文將針對其進行分析。

1.1開始充電時間

用戶的充電開始時間取決于車輛的類型以及用戶的個人行為等。之前的研究多是以燃油車的出行特性來近似代替電動汽車的出行特性，例如文獻［13］采用 NHTS( National Household Travel Survey) 的數(shù)據，將燃油汽車最后一次出行的結束時刻近似視為開始充電時間 t，如式( 1) 所示，t 與其頻率滿足正態(tài)分布，其中 μs 、 σs 分別為 t 的期望和標準差。

fs (t) =exp [ －] (1)

1.2充電持續(xù)時間

充電持續(xù)時間 Tchar 決定了充電時間的長短，取決于充電電量 Q 和充電功率 P 。通過式(2) 得到，即 :

Tchar =(2)

考慮到車型的不同，充電 電量 Q 難 以確定，文獻 ［14］研究了交通以及氣溫狀況對充電電量的影響，文獻將用戶每次用車時的電池電荷狀態(tài)SOC的概率密度函數(shù)(State of Charge) 視為正態(tài)分布，通過概率密度函數(shù)隨機抽取得到SOC，通過式(3) 即可得到充電 電量 Q，其中α為期望充電完成后的荷電狀態(tài)，一般來說α取為 1，E 為滿電電量。

Q = ( α - SOC) × E (3)

文獻亦根據NHTS的數(shù)據，將日行駛里程L視為滿足對數(shù)正態(tài)分布。通過式(4)得到日行駛里程 L，其中 μD 、σD 分別為 lnL 的期望和標準差。

fD (L) =exp [ －] (4)

通過式(5) ，得到充電電量 Q 。其中 S 為每公里耗 電量，α 一般取 1 。

Q = α × S × L (5)

這些做法由于缺乏實際的電動汽車充電數(shù)據，導致將數(shù)量龐大的電動汽車難以確定的滿電電量 E、每公里耗電量 S、充電功率 P 等均視為一個定值，過于理想化的設定會降低模型的精度，使得最終的充電負荷預測結果會有偏差。而文中采用的是處理后的開始充電時間、充電電量，以及充電功率這些實際充電行為數(shù)據，更加符合實際狀況。

1.3 充電功率

充電功率 P 直接決定了充電持續(xù)階段的負荷情況。文獻僅考慮了車輛某一充電倍率下的充電， 假設充電功率在某個范圍內滿足均勻分布，具有一定的局限性。文獻采用分段函數(shù)來表示充電過程中 功率的變化情況，使得結果更加準確，但該模型僅針對鎳氫電池使得最終的充電負荷結果亦具有一定的局限性。

2 電動汽車充電行為分析

基于充電行為的差異性，以下針對各類型電動汽車從開始充電時間、充電電量、充電功率進行分析。

2.1公交車

公交車出行規(guī)律較為固定。為了更好地比較不同日期各類型車輛充電行為的不同，將開始充電時間、充電電量、充電功率均按照日期進行了分類，將周一到周 五記為工作日，周六周日記為休息日。對南方某市電動公交車充電站的充電數(shù)據，處理后得到電動公交車不同日期的開始充電時間分布圖，如圖 1 所示。

圖 1 電動公交車開始充電時間分布

可以發(fā)現(xiàn)公交車開始充電時間有兩個峰值，分別 為中午 12:00 附近和晚上 23:00 附近，且在 23:00 附近會達到一天中的最大峰值。 由于充電時間不同，充電 電量和功率也會不同，因此，將充電電量按照時間進行分類，將白天定義為 7: 00 ～ 17: 00，晚上定義為 18: 00 到第二天 6:00 。得到電動公交車不同日期白天和晚上的充電電量分布情況如圖 2、圖 3 所示。

圖 2 電動公交車白天充電電量分布

圖 3 電動公交車晚上充電電量分布

對充電電量進行劃分，計算訂單中的每一段充電電量對應的平均充電功率如表 1 所示，相較于直接規(guī)定以某一充電功率充電，結果會更加精確。將電動公交車定義為一天一充，其中開始充電時間、充電電量、均按照以上分布規(guī)律生成對應的隨機數(shù)，以此來代替用戶不確定的充電行為。

2.2出租車

出租車(包括網約車) 同屬運營類車輛，近年來發(fā)展迅速。 同理得到出租車不同日期開始充電時間分布圖如圖 4 所示，白天和晚上的充電電量分布圖如圖 5、圖 6 所示。

表1 電動公交車不同時間及充電電量下的充電功率

圖4 電動出租車開始充電時間分布圖

總體來說工作日和休息日出租車的開始充電時間分布近似相同，主要集中在中午 12: 00 ～ 15: 00，晚上 22:00 ～1:00，接近凌晨的充電頻率略高于中午的充電頻率。

圖 5 電動出租車白天充電電量分布

圖 6 電動出租車晚上充電電量分布

同理對充電電量進行分類，每一類的電量，匹配所對應的訂單中的平均功率如表 2 所示，文中將電動出租車的充電頻率定為一天兩次。

表 2 電動出租車不同時間及充電電量下的充電功率

2．3 私家車

私家車主要用于上下班，大部分時間處于閑置狀態(tài)，休息日多用于外出娛樂。對數(shù)據處理后得到電動私家車開始充電時間分布圖如圖 7 所示，充電電量分布圖如圖 8、圖 9 所示。

圖 7 電動私家車開始充電時間分布

圖 8 電動私家車白天充電電量分布

圖 9 電動私家車晚上充電電量分布

私家車工作日開始充電時間更多的是集中在下班高峰期，約在 19:00 達到高峰，且晚上充電頻率顯著高于中午。休息日在午間充電頻率整體高于工作日，在 18:00 ～21:00 達到一天中的峰值。

同理將對充電電量大小進行分類，每一類的電量匹配所對應的訂單中的平均功率如表3所示，將電動私家車的充電頻率定為一天一次。

表3 電動私家車不同時間及充電電量下的充電功率

3 電動汽車充電負荷預測模型

已知該地區(qū) 2015 年～2020 年的電動汽車保有量，計算得到該地區(qū)電動汽車保有量年均漲高達75.26% ，對增長趨勢進行擬合處理如圖 10 所示，計算得到 2021年該地區(qū)電動汽車的總保有量。已知該地區(qū)某市電動汽車保有量占比，以及公交車、出租車、私家車之前的數(shù)量 占 比，得到 2021年該市總保有量為64 616輛，其中公交車為 2565輛，出租車( 包括網約 車) 為 20541 輛，私家車為 41 510 輛。

圖 10 某地區(qū) 2015年-2020年電動汽車保有量變化

通過上文各類型車充電開始時間、充電電量、充電功率的分布規(guī)律以及保有量數(shù)據，對南方某市 2021年的公交車、出租車、私家車的充電負荷數(shù)據采取蒙特卡洛算法進行預測計算。蒙特卡洛算法是在已知某些隨機變量大量數(shù)據的前提下，通過大量的隨機試驗，反復抽取隨機數(shù)，以此來替代電動汽車的隨機充電行為，計算變量在試驗中出現(xiàn)的頻率近似估計其概率值，并將其作為問題的解。圖 11為基于蒙特卡洛算法的電動汽車充電負荷預測流程圖，通過仿真計算得到公交車、出租車、私家車一天的充電負荷情況。為了簡化計算流程，做出以下假設 :

(1) 各個類型電動汽車的開始充電時間與充電電量互相獨立，彼此互不影響 ;

(2) 充電過程均視為恒功率充電 ;

(3) 區(qū)域內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。

文中將三種類型電動汽車充電負荷曲線的負荷值相加，計算各類型車不同日期類型的負荷占比，以及負荷峰值如表 4所示。由于電動出租車充電頻率高，且保有量較高，無論工作日還是休息日，該市的電動出租車充電負荷占比始終最高，分別為 60．42% 和58．88% 。 由于工作日和休息日對電動公交車和電動出租車的負荷預測曲線影響較小，文中只列出電動私家車工作日與休息日的負荷曲線對比圖12，以及三種電動汽車在工作日的負荷曲線對比圖13，發(fā)現(xiàn)私家車在休息日中午和凌晨的充電負荷要高于工作日，工作日更多選擇在下班高峰期進行充電。

圖 11 充電負荷計算流程圖

表 4 各類型電動汽車不同時間負荷峰值與負荷占比

圖 12 電動私家車不同日期的負荷曲線對比

圖 13 三種類型車工作日的充電負荷曲線對比

將公交車、出租車、私家車三者的負荷曲線疊加得到圖 14，可以發(fā)現(xiàn)工作日與休息日電動汽車的總的負荷曲線分布規(guī)律相似。由于出租車的負荷占比始終最大，導致總體分布曲線類似于出租車的充電負荷曲線。

圖 14 三種類型電動汽車充電負荷曲線之和

已知該市 2016 年冬季典型日負荷曲線如圖 15 中 的原負荷曲線所示。并將圖14結果疊加到原負荷曲 線之上，得到2021年該市電動汽車總負荷曲線與原負荷曲線對比圖，如圖 15 所示。并繪制了表5，展示三條曲線負荷峰值、谷值、峰谷差、方差之間的差異，括號內展示了相較于基礎負荷的增長率。表 6、表 7 分別為各類型車開始充電時間、充電電量的概率密度函數(shù)擬合公式的具體參數(shù)。

從圖15 以及表5 可以看出，電動汽車的充電過程使得電網的整體負荷有了較大的提升，會在晚上 19: 00 達到高峰，約為 835．09 MW( 工作日)，830．20 MW( 休 息日) ，負荷峰值分別提高了7．79% ( 工作日) ，7．16% (休息日) 。相對來說，在夜間負荷谷值的提升更為明顯，分別提高 10．70% ，11．12% ，利用這一特性后續(xù)可以采用 V2G［27-30］等有序充電控制技術，將電動汽車作為一個獨立的儲能單元與電網進行有效的交互調度，在滿足用戶充電需求的前提下，提高發(fā)電設備在夜間 的利用率，實現(xiàn)削峰填谷，保證電網的安全穩(wěn)定運行。負荷峰谷差由原來的 366．99 MW 提高至 383．70 MW( 工作日) 、377．10MW ( 休 息 日) 分別提高 4．55%，2．75% 。而負荷的波動情況一般用方差來表示，負荷方差分別提高 9．62% ( 工作日) ，7．94% ( 休息日) ，也表明電動汽車的引入加劇了電網的不穩(wěn)定波動。

圖 15 電動汽車總負荷曲線與原負荷曲線對比

表 5 不同負荷曲線的對比

文中將各類型電動汽車的開始充電時間以及充電電量通過 Matlab 進行擬合處理，篩選出 R2 =0．95 的函 數(shù)，其中 R2 表示復相關系數(shù)，其越接近 1，表示擬合效 果越好。發(fā)現(xiàn)除了私家車在工作日與休息日，開始充電時間的概率密度函數(shù)用高階傅里葉函數(shù)( 如式 6) 擬合效果較好以外，其余均通過一階或多階高斯分布函數(shù)( 如式 7) 完成擬合。同時采用最小二乘法估計公式的各項參數(shù)，結果如表 6 與表 7 所示，其中 x 表示開始充電時間或是充電電量，∫ (x) 表示與之對應的概率密度。通過對充電行為進行函數(shù)擬合，旨在得到一種更加普遍且實際的概率模型，為今后的研究提供幫助。

f(x) = a0 + a1 × cos(x × w) + b1 × sin(x × w) + … + an × sin(n × x × w) + bn × sin(n × x × w) (6)

f(x) = a1 × exp [ ( －2 ] + a2 × exp [ ( －2 ] +···+ an × exp [ ( －2 ] (7)

表 6 各類型車開始充電時間概率密度函數(shù)具體參數(shù)

表7 各類型車充電電量概率密度函數(shù)具體參數(shù)

4 安科瑞充電樁收費運營云平臺

4.1概述

AcrelCloud-9000安科瑞充電樁收費運營云平臺系統(tǒng)通過物聯(lián)網技術對接入系統(tǒng)的汽車充電站、電動自行車充電站以及各個充電樁進行不間斷地數(shù)據采集和監(jiān)控，實時監(jiān)控充電樁運行狀態(tài)，進行充電服務、支付管理，交易結算，資源管理、電能管理、明細查詢等，同時對充電機過溫保護、漏電、充電機輸入/輸出過壓、欠壓、絕緣低各類故障進行預警；充電樁支持以太網、4G或WIFI等方式接入互聯(lián)網，用戶通過微信、支付寶、云閃付掃碼充電。

4.2應用場合

適用于住宅小區(qū)等物業(yè)環(huán)境、各類企事業(yè)單位、醫(yī)院、景區(qū)、學校、園區(qū)等公建、公共停車場、公路充電站、公交樞紐、購物中心、商業(yè)綜合體、商業(yè)廣場、地下停車場、高速服務區(qū)、公寓寫字樓等場合。

4.3系統(tǒng)結構

現(xiàn)場設備層：連接于網絡中的各類傳感器，包括多功能電力儀表、汽車充電樁、電瓶車充電樁、電能質量分析儀表、電氣火災探測器、限流式保護器、煙霧傳感器、測溫裝置、智能插座、攝像頭等。

網絡通訊層：包含現(xiàn)場智能網關、網絡交換機等設備。智能網關主動采集現(xiàn)場設備層設備的數(shù)據，并可進行規(guī)約轉換，數(shù)據存儲，并通過網絡把數(shù)據上傳至搭建好的數(shù)據庫服務器，智能網關可在網絡故障時將數(shù)據存儲在本地，待網絡恢復時從中斷的位置繼續(xù)上傳數(shù)據，保證服務器端數(shù)據不丟失。

平臺管理層：包含應用服務器和數(shù)據服務器，完成對現(xiàn)場所有智能設備的數(shù)據交換，可在PC端或移動端實現(xiàn)實時監(jiān)測充電站配電系統(tǒng)運行狀態(tài)、充電樁的工作狀態(tài)、充電過程及人員行為，并完成微信、支付寶在線支付等應用。

4.4平臺功能描述

4.4.1充電服務

充電設施搜索，充電設施查看，地圖尋址，在線自助支付充電，充電結算，導航等。

4.4.2首頁總覽

總覽當日、當月開戶數(shù)、充值金額、充電金額、充電度數(shù)、充電次數(shù)、充電時長，累計的開戶數(shù)、充值金額、充電金額、充電度數(shù)、充電次數(shù)、充電時長，以及相應的環(huán)比增長和同比增長以及樁、站分布地圖導航、本月充電統(tǒng)計。

4.4.3交易結算

充電價格策略管理，預收費管理，賬單管理，營收和財務相關報表。

4.4.4故障管理

故障管理故障記錄查詢、故障處理、故障確認、故障分析等管理項，為用戶管理故障和查詢提供方便。

4.4.5統(tǒng)計分析

統(tǒng)計分析支持運營趨勢分析、收益統(tǒng)計，方便用戶以曲線、能耗分析等分析工具，瀏覽樁的充電運營態(tài)勢。

4.4.6運營報告

按用戶周期分析汽車、電瓶車充電站、樁運行、交易、充值、充電及報警、故障情況，形成分析報告。

4.4.7APP、小程序移動端支持

通過模糊搜索和地圖搜索的功能，可查詢可用的電樁和電站等詳細信息。掃碼充電，在線支付:掃描充電樁二維碼，完成支付，微信支付完成后，即可進行充電。

4.4.8資源管理

充電站檔案管理，充電樁檔案管理，用戶檔案管理，充電樁運行監(jiān)測，充電樁異常交易監(jiān)測。

4.5選型配置

5 結束語

由于早期的研究缺乏實際數(shù)據的支持，對充電電量和充電功率的設定較為主觀，降低了模型計算的精度，文章基于南方某市電動汽車充電的實際數(shù)據，對其進行篩選處理，得到不同類型電動汽車充電行為的分布規(guī)律，并將其充電行為數(shù)據擬合成函數(shù)形式。而后采用蒙特卡羅算法對三種類型電動車的充電負荷曲線進行了模擬計算，得到以下結論:

(1) 電動汽車的大規(guī)模無序充電行為會進一步提高電網的峰值與峰谷差，導致峰上加峰現(xiàn)象的出現(xiàn)；

(2) 電動出租車充電負荷占比較高，同時具有較大的隨機性，未來具有較大的調度潛力，可以通過多種方式對其充電行為進行引導，進一步降低其充電行為對電網的影響。

參考文獻

［1］蔡黎，葛棚丹，代妮娜，等．電動汽車入網負荷預測及其與電網互 動研究進展綜述［J］．智慧電力，2022，50(7): 96-103.

［2］段俊東，李高尚，李一石，等．考慮風電消納的電動汽車充電站有 序充電控制［J］．儲能科學與技術，2021，10(2): 630-637 .

［3］郭建龍．電動汽車充電負荷的建模及其對配電系統(tǒng)的影響分析［D］廣州: 華南理工大學，2017 .

［4］孔順飛，胡志堅，謝仕煒，等．考慮分布式儲能與電動汽車充電網絡的配電網多目標規(guī)劃［J］．電力科學與技術學報，2021，36 (1) : 106-116 .

［5］基于充電行為分析的電動汽車充電負荷預測.秦建華等.

［6］安科瑞企業(yè)微電網設計與應用手冊2020.06

作者簡介

任運業(yè)，男，現(xiàn)任職于安科瑞電氣股份有限公司。