融合多源信息的电动汽车充电负荷预测及其对配电网的影响.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书资料大小：2.87M 资料格式：pdf 举报版权申诉

weixin_38589314-14154851-16359647457610369512.pdf-第1页.png

第1页 / 共16页

weixin_38589314-14154851-16359647457610369512.pdf-第2页.png

第2页 / 共16页

weixin_38589314-14154851-16359647457610369512.pdf-第3页.png

第3页 / 共16页

weixin_38589314-14154851-16359647457610369512.pdf-第4页.png

第4页 / 共16页

weixin_38589314-14154851-16359647457610369512.pdf-第5页.png

第5页 / 共16页

weixin_38589314-14154851-16359647457610369512.pdf-第6页.png

第6页 / 共16页

weixin_38589314-14154851-16359647457610369512.pdf-第7页.png

第7页 / 共16页

weixin_38589314-14154851-16359647457610369512.pdf-第8页.png

第8页 / 共16页

201812001

12-1附录（陈丽丹）

第３８卷第１２期２０１８年１２月电力自动化设备ＥｌｅｃｔｒｉｃＰｏｗｅｒＡｕｔｏｍａｔｉｏｎＥｑｕｉｐｍｅｎｔＶｏｌ．３８Ｎｏ．１２Ｄｅｃ．２０１８ ❶　　　　融合多源信息的电动汽车充电负荷预测及其对配电网的影响（１．华南理工大学广州学院电气工程学院，广东广州５１０８００；陈丽丹１，２，张　尧２，ＡｎｔｏｎｉｏＦｉｇｕｅｉｒｅｄｏ３２．华南理工大学电力学院，广东广州５１０６４０；３．约克大学电子工程系，英国约克郡ＹＯ１０５ＤＤ）车接入电网后的影响评估是开展电网与电动汽车互摘要：电动汽车充电负荷具有时间和空间不确定性、随机性，提出一种融合路网、交通、电网、天气、车辆、充电设施等多源信息的考虑用户出行行为和充电需求的电动汽车充电负荷时空分布预测模型。由图论方法构建城市路网和电网信息模型及两者的耦合关系；引入出行链，以概率函数拟合车辆首次出行时间和行程目的地的驻留时间，采用Ｄｉｊｋｓｔｒａ算法规划车辆的出行路径以获得各段行程距离，由道路等级和各时段交通信息获得车辆的行驶速度，以计算行程行驶时间和荷电状态，再根据各行程目的地的充电需求判断条件，计算充电时长和充电负荷；采用蒙特卡洛方法对各功能区电动汽车出行的时间和空间充电负荷分布进行整体仿真；并根据耦合关系将充电负荷归算至对应电网节点，再通过时间序列潮流计算评估电动汽车接入电网后无序充电对电网负荷、电压和网损的影响。算例通过设置不同的场景预测了不同功能区和电网节点的充电负荷曲线，分析了不同因素对充电负荷分布及电网的影响，验证了所提模型的有效性。关键词：电动汽车；多源信息；充电负荷预测；路网电网；时空模型；配电网；蒙特卡洛方法；Ｄｉｊｋｓｔｒａ算法中图分类号：ＴＭ７６１；Ｕ４６９．７２０　引言近年来，电动汽车受到各国政府和企业的大力支持和推广［１］，随着充电设施的逐步建设和电动汽车使用力度的加大，电动汽车的充电需求也将有新一轮增长，有效的电动汽车充电负荷预测和电动汽动研究的基础［２］。然而，电动汽车作为一种特殊的负荷和储能装置，它的可移动性使其充电负荷具有时间和空间随机性和动态性，其充电负荷分布受车辆出行后的道路结构、交通路况、行驶路径及出行目的地等因素影响［３］。从电网角度出发，因电动汽车接入时间、接入地点的不同，电网的负荷、节点电压、损耗等运行指标也将随之发生变化。为分析电动汽车接入后的充电需求、对电网的影响以及后续评估应能力，应考虑电动汽车所在区域的交通道路网信息和所在的电网信息及其耦合特性，并结合电动汽车的出行特性、充电行为，分析电动汽车充电负荷的时间和空间分布特征。测的研究，并取得了丰硕的成果，其中一部分基于电收稿日期：２０１８－０１－０２；修回日期：２０１８－０９－２１基金项目：国家自然科学基金资助项目（６１６０３１４１）；广东省普通高校青年创新人才自然科学项目（２０１５ＫＱＮＣＸ２２９）；国家留学基金资助项目（２０１７０８４４０５１１）ＰｒｏｊｅｃｔｓｕｐｐｏｒｔｅｄｂｙｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（６１６０３１４１），ｔｈｅＹｏｕｎｇＣｒｅａｔｉｖｅＴａｌｅｎｔｓｉｎＣｏｌｌｅｇｅｓａｎｄＵｎｉｖｅｒｓｉｔｉｅｓｏｆＧｕａｎｇｄｏｎｇＰｒｏｖｉｎｃｅ（２０１５ＫＱＮＣＸ２２９）ａｎｄｔｈｅＣＳＣＳｃｈｏｌａｒｓｈｉｐ（２０１７０８４４０５１１）１０．１６０８１／ｊ．ｉｓｓｎ．１００６－６０４７．２０１８．１２．００１动汽车充电负荷的时间分布特性开展研究，如文献［４⁃５］分别建立了起始荷电状态、日行驶里程和起始充电时间的概率模型，利用蒙特卡洛方法计算电动汽车充电负荷的时间分布，但其均未涉及充电负荷的空间分布。文献［６］根据电动汽车类型、电池容量、用户习惯、充电频率等因素，规划不同的充电场景，构建了充电负荷时间分布预测模型，但同样缺乏空间信息。文献［７］提出元日期窗口的概念并考虑多日一充模式对充电负荷的影响，该方法适用于电动汽车的电池容量较大且日行驶里程较少的情形。文献［８］选择用地决策法，根据土地性质和相对应的停车规律，较好地描述了不同用地场所的电动汽车充电负荷曲线，但还需进一步考虑具体某一车辆在一天内的出行时空和充电需求情况的关联性。文献［９］提出一种考虑电动汽车空间运动特性的充电负荷预测方法，所提方法能计算电动汽车在各种场所总的充电负荷时间分布，但不能反映各个地块及各电网节点下充电负荷的具体情形。然而，无论是充电桩（站）的规划还是电网的规划，均需考虑充电负荷的时空分布情况。文献［３，１０］利用交通起止点ＯＤ（ＯｒｉｇｎａｔｉｏｎＤｅｓｔｉｎａｔｉｏｎ）分析法模拟电动汽车的行驶路径，采用蒙特卡洛方法对各类电动汽车的充电负荷进行时空预测，但实际上每个时段ＯＤ矩阵的获取是比较困难的，且容易造成充电负荷的重复计算。综上所述，现有的电动汽车充电负荷预测方法仍存在一定的局限性：① 耦合度不够，电动汽车充电负荷因具有移动性，与交通道路网、电网的关系密切，并受天气、充电设施、出行规律等因素影响； ② 注重充电负荷时间分布的预测，忽略了对空间特文献标识码：Ａ区域内各节点电动汽车的时间可调控能力和需求响目前已有不少文献开展了电动汽车充电负荷预

❷　　　　电力自动化设备第３８卷本文构建的电动汽车充电负荷时空预测模型框评估电动汽车接入电网影响的相关研究也有较性的分析。多的成果［１１⁃１２］，但是已有方法对电动汽车的出行规律、充电需求判断等方面的考虑不足，在评估电动汽车接入对电网的影响时，局限于考虑负荷总量在时间上的叠加，忽略了不同区域、不同接入点具有不同的充电功率水平和需求，同时还需考虑充电地点与电网节点的耦合性，才能更合理地体现对电网的影响。基于上述分析，本文提出了一种融合路网、交通、天气、电网等多源信息的考虑用户出行需求的电动汽车充电时空分布预测方法，所提方法能得到任何时间、任何地点、任何车辆的充电需求，并结合路网和电网地理的耦合特性，从时空两维度评估电动汽车接入后对电网负荷、网损、电压等方面的影响。１　融合多源信息的充电负荷预测基本思路架如图１所示。网模型，基于电网拓扑信息建立电网模型，根据居民出行调查数据库构建出行模型，基于天气温度数据和交通流量数据构建每千米耗电量模型，并基于车型；然后通过蒙特卡洛方法生成每辆电动汽车出行的不确定性参数；根据模糊规则方法计算每个时段电动汽车每千米的耗电量；按照出行链行程目的地并结合道路交通模型，利用最短行驶距离算法确定车辆的行驶路径；再结合电池的荷电水平判断充电需求，确定电动汽车的充电时段和位置，由此得到充电负荷的时空信息，并进行反复抽样，以得到电动汽车充电负荷的时空分布预测结果。２　基于图论方法的路网和电网建模２．１　路网建模辆信息和充电设施信息建立单辆电动汽车的充电模该时空预测模型框架基于路网拓扑信息建立路车辆出行后的行驶路径和时间受其所在地区的路网、交通情况影响，因此，在进行充电负荷计算前，需考虑路网、交通信息的建模。实际的道路网错综复杂，将其进行抽象，以附录中图Ａ１为示例，利用图论方法描述和说明道路网的拓扑结构［１３］，并用式（１）表述。Ｇ＝（Ｖ（Ｇ），Ｅ（Ｇ），ψＧ） ì ï Ｖ（Ｇ）＝｛ｖｉｉ＝１，２，…，ｎ｝ ïï í Ｅ（Ｇ）＝｛〈ｖｉ，ｖｊ〉ｖｉ，ｖｊ∈Ｖ｝ ï ïï ψＧ＝｛ｅｉｊ〈ｖｉ，ｖｊ〉∈Ｅ｝ î （１）ｉ＝ｊｅｉｊ＝ｅｊｉ＝其中，Ｖ（Ｇ）为路网中的交叉节点，即道路交叉口集合，ｎ为节点总数；Ｅ（Ｇ）为路网中的道路路段集合，路段长度ｅｉｊ根据式（２）确定；ψＧ为道路权值的邻接矩阵，描述各路段长度及节点的连接关系。ｄｉｊ　路段〈ｖｉ，ｖｊ〉连通 ì ïï ０ í ïï ｉｎｆ路段〈ｖｉ，ｖｊ〉不连通 î （２）其中，ｉｎｆ表示无穷大；ｄｉｊ为路段〈ｖｉ，ｖｊ〉的距离，并且ｄｉｊ≠０。另外，本文采用笛卡尔直角坐标系表示路网节点的空间地理位置，如节点ｖｉ在坐标系中的位置为（ｘｉ，ｙｉ），ｄｉｊ的计算公式如式（３）所示。（３）假设路网中所有路段均可双向通行，附录中图ｄｉｊ＝‖ｖｉ－ｖｊ‖２＝（ｘｊ－ｘｉ）２＋（ｙｊ－ｙｉ）２Ａ１所示路网的邻接矩阵如式（４）所示。ｉｎｆｄ２５ｄ３５ｄ４５００ｄ２１ｉｎｆｄ４１ｉｎｆｉｎｆｄ２３０ｉｎｆｄ５３ｄ１２０ｄ３２ｉｎｆｄ５２ｄ１４ｉｎｆｉｎｆ０ｄ５４ ù ú ú ú ú ú úú û ψＧ＝ é ê ê ê ê ê êê ë （４）本文建模时将电网简化为由节点和弧段组成的２．２　电网建模网络结构，不考虑开关，节点仅表示发电机和负载。电网的拓扑结构如式（５）所示。图１融合多源信息的电动汽车充电负荷时空预测框架Ｆｉｇ．１Ｆｒａｍｅｗｏｒｋｏｆｓｐａｔｉａｌ⁃ｔｅｍｐｏｒａｌｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｏｆＥＶｃｈａｒｇｉｎｇｌｏａｄｂａｓｅｄｏｎｍｕｌｔｉ⁃ｓｏｕｒｃｅｉｎｆｏｒｍａｔｉｏｎ

陈丽丹，等：融合多源信息的电动汽车充电负荷预测及其对配电网的影响 ❸　　　　第１２期Ｇｄ＝（Ｖｄ（Ｇ），Ｅｄ（Ｇ），ψｄＧ） ì ï Ｖｄ（Ｇ）＝｛ｎｉｉ＝１，２，…，ｎＧ｝ ï ï Ｅｄ（Ｇ）＝｛〈ｎｉ，ｎｊ〉ｎｉ，ｎｊ∈Ｖｄ｝ ïï í ψｄＧ＝｛（ｒｉ，ｘｉ，ｃｉ，Ｐｌｉ）〈ｎｉ，ｎｊ〉∈Ｅｄ｝ ï ï ＢｄＧ＝｛（Ｐｄｉ，Ｑｄｉ）ｉ＝１，２，…，ｎＧ｝ ï ＦｄＧ＝｛ｆｉ（ｔ）ｔ＝１，２，…，Ｔ｝ ï î Ｐｌｒ１ｃ１１Ｐｌｒ２ｃ２２ ︙ ︙ ︙ ︙ ｃｌｄＰｌｌｄｒｌｄ ψｄＧ＝ｘ１ｘ２ é ê ê ê ê êê ë ù ú ú ú ú úú û ｘｌｄ（５）（６）假设本文研究的私家电动汽车以其所在住宅区离、行程时间、道路质量、拥挤程度、出行费用、综合路阻等［１４］。本文假设用户以“ 最短行驶距离” 作为路径选择的重要依据，由源点到目的点的行驶路径采用以“ 行驶距离” 为路阻的Ｄｉｊｋｓｔｒａ算法［１５］进行规划。３．２　出行链结构为一天的起讫点，车辆在一天的行程中会前往一个或多个功能区活动，相应地可能在一个或多个驻留点进行充电。因此，采用由一系列中间驻留点构成的出行链表征车辆在一天内的出行空间特性，如式（８）所示。出行链的结构示意图如图２所示。　Ｑ＝｛ｑ０（ｘ０，ｙ０），ｑ１（ｘ１，ｙ１），…，ｑｓ（ｘｓ，ｙｓ），…｝（８）其中，Ｑ为出行链对应驻留点的集合；ｓ为驻留点序号；（ｘｓ，ｙｓ）为驻留点ｓ对应的坐标；ｑｓ为出行过程中的驻留点，ｑ０为出行链出发点。设ｐａ为２个连续驻留点之间的一条路径，ψ（ｑｓ，ｑｓ＋１）为２个连续驻留点之间的路径集合，ｐａ∈ψ（ｑｓ，ｑｓ＋１）为一个出行链对应的一条路径，Π 为出行链对应的路径集合，如式（９）所示。　 Π＝｛ψ（ｑ０，ｑ１），ψ（ｑ１，ｑ２），…，ψ（ｑｓ，ｑｓ＋１），…｝（９）Ｆｉｇ．２Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｔｒｉｐｃｈａｉｎ图２出行链的结构示意图ｐ（ｉ＝０，１，…，ｓ，…）分别为电动汽车图２中，ｔｉｌ、ｔｉ离开第ｉ个驻留点的时间和在该驻留点停驻的时间，ｔ０ｌ、ｔ０ｐ分别为电动汽车离开家的时间和返家后的停驻时间；ΔＴｉ，ｊ、Ｌｉ，ｊ分别为第ｉ、ｊ个驻留点之间的行驶时间和行驶里程。３．３　出行时间特征３．３．１　出行时间概率分布行者上一次出行的到达时间和下一次出行的出发时出行链中都有相应的链点，每个链点包含了出间，本文采用拟合性灵活的三参数威布尔概率函数进行描述，如式（１０）所示。ｌ－γ ｔ０ ö ÷ ｃ ø （１０）其中，ｋ为形状参数，无量纲；ｃ为尺度参数，单位为ｍｉｎ；γ 为位置参数。ｋ、ｃ这２个参数控制威布尔分布曲线的形状，ｋ表示分布曲线的峰值情况，ｃ与行程出发时间的平均值有关。３．３．２　路段行驶时间ｌ－γ ｋ－１ｅｘｐ－ｔ０ｃｌ）＝ｋｆ（ｔ０ｃ某时段通过各路段的平均行程时间通过式 æ ç è æ ç è ö ÷ ø é êê ë ｋ ù úú û 其中，Ｖｄ（Ｇ）为电网的节点集合；ｎＧ为电网节点数量；Ｅｄ（Ｇ）为电网节点之间的支路集合；ψｄＧ为电网支路的电阻、电抗、电纳和支路传输功率极限等参数矩阵；ＢｄＧ为电网各节点的平均有功功率、无功功率；ＦｄＧ为电网节点负荷变化系数；Ｔ为一天的总时间；ｌｄ为支路数量。２．３　路网电网耦合关系城市电网都是基于地理位置建设的，首先根据城市规划的各区域功能定位将地理划分为住宅区、工作区和其他区域（商业等），并以路网的道路为界；然后，由于电网通常按供电分区供电，供电分区的划分考虑与城市规划相协调，常以道路、河流等自然障碍为界，因此本文假设区域电网的节点负责对应部分功能区的供电。当计算充电负荷时，将各功能地块按电网节点供电分区进行汇总，归算得到电网相应各个节点的充电负荷，如式（７）所示。Ｐｇ（ｔ）＝∑ｆ∈ｇ［Ｐｆ（７）其中，ｆ∈ｇ表示功能地块ｆ归属于电网节点ｇ供电；ｂ（ｔ）、Ｐｆｅ（ｔ）和Ｐｇ（ｔ）分别为时刻ｔ功能地块ｆ的基Ｐｆ本负荷、电动汽车无序充电负荷和电动汽车无序充电时电网节点ｇ的总负荷。３　电动汽车出行时空分析３．１　出行时空轨迹及路径规划３．１．１　出行时间轨迹曲线充电需求与用户的出行行为直接相关，一般出行用户在工作日发生的出行活动规律性较强。单个出行者在多个日期的时空轨迹如附录中图Ａ２所示，从图中可看出，出行者每天出行的路径并不是一成不变的，但其表现的出行时间和出行空间则相对集中。３．１．２　出行路径规划当车辆由当前所在地（源点）前往某一活动目的地（目的点）时，用户往往会提前进行路径选择，根据其自身的不同偏好选择不同的路阻，如行驶距ｂ（ｔ）＋Ｐｆｅ（ｔ）］

　　Ｆ（ｖｒ）＝ｖｒ－ｖ０ ì ï ｖａ－ｖ０ ï ï ｖｒ－ｖａ ï ｖｂ－ｖａ ï ï ｖｒ－ｖｂ ï í ｖｃ－ｖｂ ï ｖｒ－ｖｃ ï ï ｖｄ－ｖｃ ï ï ｖｒ－ｖｄ ï ｖｌｉｍ－ｖｄ ï î ｖ０≤ｖｒ＜ｖａ（严重堵塞）ｖａ≤ｖｒ＜ｖｂ（堵塞）ｖｂ≤ｖｒ＜ｖｃ（城市工况）ｖｃ≤ｖｒ＜ｖｄ（畅通）ｖｄ≤ｖｒ＜ｖｌｉｍ（高速）（１２） ❹　　　　（１１）计算。Ｔｒ＝Ｌｒｖｒ（１１）其中，Ｔｒ为实际通过路段所需时间；Ｌｒ为路段长度；ｖｒ为通过该路段时行驶的平均速度，其值受道路等级、拥堵情况、出行时段等因素的影响，文献［１３］考虑不同的道路等级，设置不同的平均速度，文献［１６］根据历史交通路网的车流数据获得平均速度，文献［１７］按拥挤、缓行、畅通３个等级交通指数对应取值。本文根据不同等级道路的限速值和不同时段的交通情况，采用分段均匀分布函数描述，如式（１２）所示。Ｔｒ其中，ｖ０和ｖｌｉｍ分别为道路最低和最高行驶速度，单位为ｋｍ／ｈ；ｖａ、ｖｂ、ｖｃ、ｖｄ为不同路况下的行驶速度边界值，单位为ｋｍ／ｈ。由３．１节中的最短路径规划算法选出最优路径后，可计算行程出发点ｓ到目的点ｓ＋１之间的行驶总时间 ΔＴｓ，ｓ＋１，如式（１３）所示。 ΔＴｓ，ｓ＋１＝ ∑ｐａ∈ψ（ｑｓ，ｑｓ＋１）（１３）作区域和其他区域驻留时长的概率密度服从广义极３．３．３　目的地驻留时间车辆行驶到目的地会有一定时间的驻留，第ｓ个目的地（家为最后一个目的地）的驻留时间ｔｓｐ取决于驻留场所的性质，文献［１８］的研究表明车辆在住宅区驻留时长的概率密度服从威布尔分布，在工值分布。３．３．４　下一行程出发时间ｌ由式（１０）抽取确定，抵达目的地的时间和从驻留点ｓ到目的地ｓ＋１路段的行程出发时间分别为：车辆在一天中首个行程从家出发的时间ｔ０ａ＝ｔ０ｔｓｌ＝ｔ０ｔｓｌ＋∑ｓ－１ｉ＝０ ΔＴｉ，ｉ＋１＋∑ｓ－１ｌ＋∑ｓ－１ｉ＝０ ΔＴｉ，ｉ＋１＋∑ｓｉ＝１ｉ＝１ｔｉｐｔｉｐ（１４）（１５）电力自动化设备第３８卷ａ为抵达目的地ｓ的时刻；ｔｓ其中，ｔｓｌ为离开驻留点ｓ前往目的地ｓ＋１的时刻；ｉ＝０表示出发点为家，在抵达目的地ｓ前，经过ｓ－１个驻留点和ｓ段行程路径。４　电动汽车充电负荷计算４．１　充电需求判断及用户决策车辆行驶到某一目的地后，用户根据当前时刻的剩余电量情况，判断车辆是否需要充电，本文假设当前电池剩余电量少于３０％或不足以支撑下次行驶时，需在当前目的地充电，用户决策流程如附录中图Ａ３所示。电动汽车在当前目的地的充电概率如式（１６）所示。 ζｓ { ｍ＝１　Ｓ（ｔｓ（１６）０　其他其中，ζｓｍ为第ｍ辆电动汽车在目的地ｓ是否需要充电的判断条件，１表示需要充电，０表示不需要充电；ａ）为抵达目的地ｓ时电池的荷电状态；ＬＲ＝Ｓ（ｔｓＳ（ｔｓａ）／ ωｍａｘ为剩余里程（单位为ｋｍ），ωｍａｘ为电动汽车每千米行程耗电量的最大值，本文仿真中取为０．３ｋＷ·ｈ／ｋｍ；Ｌｓ，ｓ＋１为当前目的地ｓ到下一目的地ｓ＋１之间的距离，单位为ｋｍ。４．２　荷电状态计算（１７）计算得到。车辆抵达当前目的地ｓ时的初始荷电状态由式ａ）≤３０％或ＬＲ≤Ｌｓ，ｓ＋１ｌ）－ ∑Ｎｓ－１，ｓ ωｄｌｄｄ＝１ＥｂＳ（ｔｓａ）＝Ｓ（ｔｓ－１（１７）ｌ）为离开其中，ｔｓ－１ｌ为离开上一目的地的时刻；Ｓ（ｔｓ－１目的地ｓ－１时的荷电状态，首次离家时刻的荷电状态Ｓ（ｔ０ｌ）可由用户设定，本文取为０．９；Ｅｂ为电池容量，单位为ｋＷ·ｈ；ωｄ为电动汽车经过路段ｄ时每千米的耗电量，单位为ｋＷ·ｈ／ｋｍ，一般取值为０．１５～０．３ｋＷ·ｈ／ｋｍ，仿真时采用文献［９］中的模糊计算方法获得；ｌｄ为路段ｄ的行驶距离，单位为ｋｍ；Ｎｓ－１，ｓ为从出发点ｓ－１到目的地ｓ根据最短路径算法选择的所经路径的路段总数。车辆离开当前目的地ｓ的荷电状态由式（１８）确定。ｍ＝０Ｓ（ｔｓａ）　 ζｓ ì ïï { 　　Ｓ（ｔｓｃｔｓａ）＋ηＰｓ í ｍｉｎＳ（ｔｓｃ６０Ｅｂ，１ ïï î 其中，η 为充电机的效率；Ｐｓｃ为在目的地ｓ处的充电功率水平，单位为ｋＷ；ｔｓｃ为在目的地ｓ处的充电时长。式（１８）表示车辆在当前目的地ｓ经过充电需求判断决策后，若确定不需要充电，则离开时的荷电状态与抵达时相同；若确定需要充电，则选择充至用户预设的电量或充到离开当前目的地为止。 }　 ζｓ（１８）ｍ＝１ｌ）＝

第１２期陈丽丹，等：融合多源信息的电动汽车充电负荷预测及其对配电网的影响 ❺　　　　ａ）］Ｅｂ ηＰｓｃｃ＝［Ｓｓｅｔ－Ｓ（ｔｓ４．３　充电时长计算抵达当前目的地ｓ的时刻可由式（１４）获得，经充电需求判断后，若需在该目的地充电，那么充电时长可由式（１９）确定。ｔｓ（１９）其中，Ｓｓｅｔ为用户设定的充电预期荷电状态，默认为０．９。当充电时长大于驻留时间时，充电时长取为驻留时长。４．４　充电负荷计算车的行驶时空分布及在各个目的地处的信息，包括抵达时间、驻留时间、离开时间、抵达时的荷电状态、是否需要充电、充电时长、离开时的荷电状态等。然负荷。当车辆抵达某个目的功能地块时，由式（１７）计算得到此时的荷电状态，并根据式（１６）判断是否需要充电，若需要充电，则充电起始时间由式（１４）确定，充电时长由式（１９）计算。这样，功能地块ｆ处的充电负荷可表示为：后可计算各个目的地即各功能地块的电动汽车充电由前述方法可获得每个住宅小区的每辆电动汽（２０）ｃ∑Ｎｆｅｖ（ｔ）ｍ（ｔ）ｅ（ｔ）＝Ｐｆ μｆＰｆｍ＝１ { ａ＋ｔｆｍ（ｔ）＝１　ａ＜ｔ＜ｔｆｔｆｃ０　其他ｍ（ｔ）为第ｍ辆电动汽车在时刻ｔ的充电状态其中，μｆｃ可由式（１９）求得；标记，充电时为１，否则为０；ｔｆｅｖ（ｔ）为时刻ｔ功能地块ｆ内的电动汽车数量。Ｎｆ然后，根据路网和电网的地理耦合关系，将各功能地块的充电负荷归算到相应的电网节点。电网节点在时刻ｔ的总负荷为其基本负荷和其所供地块的电动汽车充电负荷之和，如式（７）所示。电网节点ｇ在时刻ｔ的充电负荷Ｐｇ（ｔ）可表示为：（２１）ｅ（ｔ）ＰｆＰｇ（ｔ）＝∑ｆ∈ｇ μｆ图３电动汽车充电负荷时空预测计算流程图Ｆｉｇ．３Ｆｌｏｗｃｈａｒｔｏｆｓｐａｔｉａｌ⁃ｔｅｍｐｏｒａｌｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｆｏｒＥＶｃｈａｒｇｉｎｇｌｏａｄ直线距离，但实际道路会有一定的弧度或曲折，仿真时乘以曲折系数１．１５。区域内各地块功能分类及其如附录中表Ａ３所示。对应道路节点和对应住宅地块的电动汽车数量情况ｂ．交通信息。本文将路网中的全部路段分为２个等级，分级情况见附录中表Ａ２，车辆在不同等级道路及不同路况情形下的速度不一样，设置如附录中表Ａ４所示。息见文献［９］的附录。算例中系统输入的天气温度信息和交通路况信ｃ．电网信息。本文测试算例的电网采用ＩＥＥＥ３０节点标准系统，电网各节点供电分区及典型负荷曲线类型等情况如附录中表Ａ５所示，各负荷类型负荷变化系数如附录中图Ａ６所示。ｄ．电动汽车参数。假设区域内共有６．７６万辆私家电动汽车，初始位置均停在住宅区，各住宅地块的电动汽车数量见融合多源信息的电动汽车充电负荷时空预测计算流程如图３所示。输入数据包括路网模型的详细参数、交通信息、电网模型的详细参数、电动汽车参数、用户行为信息等。整体仿真流程如附录中图Ａ４所示。５　算例分析５．１　参数设置ａ．路网信息。以附录中图Ａ５所示区域主要道路为例，该地区占地面积约６２５ｋｍ２，主干路网包含７２个道路节点和１２２条道路。道路节点地理坐标如附录中表Ａ１所示，道路路段、道路等级等情况如附录中表Ａ２所示，道路路段长度是由节点坐标根据式（３）求得的

❻　　　　电力自动化设备第３８卷附录中表Ａ３。选取尼桑ｌｅａｆ和比亚迪ｅ６电动汽车用于分析，电动汽车相关参数如附录中表Ａ６所示。ｅ．车辆首次出行时间。因电动汽车用户的实际出行数据积累还较少，本文采用美国交通部ＮＨＴＳ２００９居民调查数据库作为分析车辆出行行为的数据来源［１９］，选取其中主要含有的表１所示的四大类型出行链来说明所建模型和计算方法的有效性，每类出行链的首次出行时间由式（１０）抽取得到，Ｈ表示住宅区（家），Ｗ表示工业区等工作场所，Ｅ代表购物、社交、吃饭等其他活动目的地。出行链 γ ４５５６１４４５２４７０Ｔａｂｌｅ１Ｐａｒａｍｅｔｅｒｓｏｆｓｔａｒｔｔｉｍｅｄｉｓｔｒｉｂｕｔｉｏｎｆｏｒｆｉｒｓｔｔｒｉｐ表１首次出行时间参数ｋ３．３４３．５７４．１５３．８６ｃ／ｍｉｎ５０６６８１４９７５２０简单链Ｈ－Ｗ－ＨＨ－Ｅ－Ｈ复杂链Ｈ－Ｗ－Ｅ－ＨＨ－Ｅ－Ｗ－Ｈ　　ｆ．各场所驻留时间。各场所的驻留时间影响着充电时长，电动汽车在各场所的驻留时间与场所性质密切相关，根据３．３．３节确定在场所Ｈ、Ｗ、Ｅ的驻留时间，参数如下： { Ｈ：（ｋ，ｃ）＝（１．１５３，１９５．７８７ｍｉｎ）Ｗ：（σ，μ，ξ）＝（１６４．５０６，４３８．４４，－０．２３４）Ｅ：（σ，μ，ξ）＝（４１．７６１，６８．５５２０，０．６５７）ｇ．系统仿真参数。本文采用文献［２０］中的方差系数法为判据评判蒙特卡洛模拟法的精度，蒙特卡洛模拟法的仿真次数取为２００和预先设定的精度取为０．１。５．２　仿真结果分析５．２．１　充电负荷时空分布图４为各区块一天的充电负荷情况。由图４（ａ）可看出，各个住宅区的充电负荷基本集中于电动汽车返家后的一段时间内，１５号住宅区的充电负荷最高，这是因为该区内的电动汽车数量最多。充重叠，可能造成“峰上峰” 的情形及住宅区配变的过载。由图４（ｂ）可看出，工作场所的充电负荷集中于车辆抵达的时间段内，２—５号工作场所负荷最高，均处区域边缘。而其他功能各个区的充电负荷普遍集中于白天时段。图５为电网各个节点的充电负荷情况。从图５中能比较直观地看出充电负荷的时空分布特点，电网节点１０、１５、１６、２３和２６在负荷高峰时段的负荷最高，节点１０负责给２５和２６号地块供电，这２个地块均为住宅区，且电动汽车数量保有量最多。从图５中还可看出，相对于其他节点，节点５在上午有一定的充电负荷，这是因为节点５处于研究区域的边缘，且负责给２—５号工业区供电。电负荷高峰时段与住宅区的电网基本负荷高峰时段图４各个功能区电动汽车充电负荷分布（７５％渗透率）Ｆｉｇ．４ＥＶｃｈａｒｇｉｎｇｌｏａｄｄｉｓｔｒｉｂｕｔｉｏｎｏｆｅａｃｈｆｕｎｃｔｉｏｎｂｌｏｃｋ（ｐｅｎｅｔｒａｔｉｏｎｉｓ７５％）图５电网各节点电动汽车充电负荷期望值（７５％渗透率）Ｆｉｇ．５ＥｘｐｅｃｔｅｄＥＶｃｈａｒｇｉｎｇｌｏａｄｏｆｅａｃｈｂｕｓｉｎｐｏｗｅｒｇｒｉｄ（ｐｅｎｅｔｒａｔｉｏｎｉｓ７５％）５．２．２　对电网的影响分析电动汽车接入电网充电会对电网产生一定的影

第１２期陈丽丹，等：融合多源信息的电动汽车充电负荷预测及其对配电网的影响 ❼　　　　景和计及电动汽车无序充电场景下的电网时序潮响，本节基于电动汽车的充电负荷时空分布特性，评估其对电网负荷、电压、损耗的影响。首先，根据附录中图Ａ５所示的负荷变化系数，将ＩＥＥＥ３０节点标准系统的各节点负荷转换为随时间变化的负荷，然后结合电动汽车的时空分布特性，计算基本负荷场流，并比较各种场景下的节点电压曲线和损耗情况，分析电动汽车接入后对电网的影响。ａ．不同渗透率下的总负荷曲线。图６为不同渗透率下区域电网总负荷情况。由图６可看出，随着电动汽车渗透率的增加，造成了在原电网高峰负荷基础上负荷的进一步叠加，在１００％渗透率的场景下，电动汽车充电负荷给算例电网带来了４．７４％的平均负荷增长率和１３．１８％的最高负荷增长率，且时段较为集中；而对电网基础负荷较低的夜晚时段几乎没有影响。图６不同渗透率下区域电网总负荷Ｆｉｇ．６Ｔｏｔａｌｌｏａｄｏｆｒｅｇｉｏｎａｌｇｒｉｄｗｉｔｈｄｉｆｆｅｒｅｎｔｐｅｎｅｔｒａｔｉｏｎｓｂ．电网节点电压曲线。图７（ａ）和７（ｂ）分别为无电动汽车接入和１００％渗透率场景下的电网各节点电压分布曲线，可看出１００％渗透率场景下的电压整体水平降低；图７（ｃ）为不同负荷类型典型节点的电压曲线，由图可看出，由于电动汽车接入充电，住宅区电网节点在负荷晚高峰（１８∶００—２０∶００）时段电压降落幅度最大，其中节点２６的电压最大降幅达６．３８％；图７（ｄ）为不同渗透率下各个节点的最低电压情况；图７（ｅ）为图７不同场景下电网节点电压Ｆｉｇ．７Ｖｏｌｔａｇｅｏｆｐｏｗｅｒｇｒｉｄｎｏｄｅｕｎｄｅｒｄｉｆｆｅｒｅｎｔｓｃｅｎａｒｉｏｓ节点２６在不同渗透率下的电压曲线，可见随着渗透率的增加，节点电压将不满足供电电压要求。图７中电压为标幺值。

电力自动化设备第３８卷 ❽　　　　ｃ．不同渗透率下的网损对比。表２给出了电动汽车不同渗透率下的网损平均值和最大值。由表２可见，系统网损随着电动汽车接入比例的增加而增大。高压电网的网损一般要求控制在１％～３％，算例中当渗透率达７５％及以上时，网损超过３％，将不利于电力系统的经济运行。表２不同渗透率下区域电网的网损Ｔａｂｌｅ２Ｐｏｗｅｒｌｏｓｓｏｆｒｅｇｉｏｎａｌｐｏｗｅｒｇｒｉｄｕｎｄｅｒｄｉｆｆｅｒｅｎｔｐｅｎｅｔｒａｔｉｏｎｓａ．车辆首次出行时间检验。图８为表１所示复杂出行链Ｈ－Ｗ－Ｅ－Ｈ（即“住宅区（家）工作场所（上班）其他功能（如去商场购物）住宅区（回家）”）中首个行程Ｈ－Ｗ的出行时间统计分布和采用式（１０）随机产生的结果曲线。渗透系统平均网损最率／％０２５５０网损／％２．５９２．７３２．８７大值／％４．４４４．５２４．８３５．３　所提方法有效性检验渗透率／％７５１００系统平均网损／％３．０１３．１８网损最大值／％５．２６５．７３图８行程Ｈ－Ｗ的出行时间分布Ｆｉｇ．８ＳｔａｒｔｔｉｍｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｒｉｐＨ⁃Ｗｂ．不同类型车辆情形。设置附录中表Ａ６所示的２种类型车辆参数，比较这２种电动汽车充电负荷的时空分布差异性，图９给出了该情形下各类型功能区的总充电负荷曲线。由图９可看出，在出行过程中，车辆在各个活动目的地的充电需求并不大，充电负荷仍然集中于住宅区，尼桑ｌｅａｆ用户的第１段行程距离较远或后续行程较长时间在工作场所（Ｗ）或其他功能区（Ｅ）处具有一定的充电需求，而比亚迪ｅ６用户在工作场所（Ｗ）或其他功能区（Ｅ）处基本不需要充电。这是因为比亚迪ｅ６的电池容量为５７ｋＷ·ｈ，而尼桑ｌｅａｆ电池容量仅为２４ｋＷ·ｈ，因仿真算例为纵横２５ｋｍ× ２５ｋｍ的区域，且从家出发时荷电状态为０．９，比亚迪ｅ６的续航里程基本能够支撑大部分用户的日行驶里程需求，但当电池容量较小的尼桑ｌｅａｆ用户的出行距离较远时，考虑到后续行驶的里程需求，部分用户需在当前目的地充电。ｃ．出行信息变化情形。ｔｙｐｅｓｏｆＥＶｓ（ｐｅｎｅｔｒａｔｉｏｎｉｓ１２．５％）图９２种电动汽车的充电负荷期望值对比（１２．５％渗透率）Ｆｉｇ．９Ｃｏｍｐａｒｉｓｏｎｏｆｅｘｐｅｃｔｅｄｔｏｔａｌｃｈａｒｇｉｎｇｌｏａｄｂｅｔｗｅｅｎｔｗｏ不同地区居民的出行方式不一样，将出行链类型全部设置为Ｈ－Ｗ－Ｈ，其他信息不变，此时的电动汽车充电负荷如图９所示。由图９可知，无论是尼桑ｌｅａｆ还是比亚迪ｅ６，当区域出行方式均为Ｈ－Ｗ－Ｈ时，算例参数下区域的总充电负荷峰值均未超过１０００ｋＷ，这与算例区域的地理结构相关，因为起始点均是住宅区（Ｈ）的车辆的出行目的地仅为工作场所（Ｗ），而各工作场所（Ｗ）的位置离各个住宅区（Ｈ）的地理位置均较近。ｄ．与现有方法预测结果对比。以文献［４⁃５］中的方法对区域内电动汽车进行充电负荷预测并计算各方法的日均充电电量，对比曲线如图１０所示。图１０各种方法预测的电动汽车总充Ｆｉｇ．１０ＰｒｅｄｉｃｔｅｄｔｏｔａｌＥＶｃｈａｒｇｉｎｇｌｏａｄｏｆ电负荷曲线（２５％渗透率）ｅａｃｈｍｅｔｈｏｄ（ｐｅｎｅｔｒａｔｉｏｎｉｓ２５％）由图１０可看出，在预测区域电动汽车总充电负荷时，３种方法预测的充电高峰均发生在车辆返家后的时段，其中文献［４］方法预测的峰荷出现时刻稍晚，这与程序仿真时设置的参数有关，因为文献［４］假设充电发生地点为工作场所和住宅区，因此在０９∶００出现了充电小高峰；而文献［５］方法假设的

分享到：

赞收藏

资料库

融合多源信息的电动汽车充电负荷预测及其对配电网的影响.pdf

相关推荐

开发技术

热门标签

最新资料