第 38 卷 第 12 期
2018 年 12 月
电 力 自 动 化 设 备
Electric Power Automation Equipment
Vol.38 No.12
Dec. 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,Antonio Figueiredo3
2. 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 YO10 5DD)
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:TM 761;U 469.72
0 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)
Project supported by the National Natural Science Foundation of
China(61603141),the Young Creative Talents in Colleges and
Universities of Guangdong Province(2015KQNCX229) and the
CSC Scholarship(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(Orignation Destination) 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)= {vi
i=1,2,…,n}
ïï
í
E(G)= {〈vi,vj〉 vi,vj∈V}
ï
ïï
ψG={eij 〈vi,vj〉∈E}
î
(1)
i=j
eij=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)2
A1 所示路网的邻接矩阵如式(4)所示。
inf
d25
d35
d45
0
0
d21
inf
d41
inf
inf
d23
0
inf
d53
d12
0
d32
inf
d52
d14
inf
inf
0
d54
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.1 Framework of spatial⁃temporal forecasting model
of EV charging load based on multi⁃source information
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=(V d(G),E d(G),ψdG)
ì
ï
V d(G)= {ni
i=1,2,…,nG}
ï
ï
Ed(G)= {〈ni,nj〉 ni,nj∈V d}
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
Pl
r1
c1
1
Pl
r2
c2
2
︙ ︙ ︙ ︙
cld Plld
rld
ψdG=
x1
x2
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.2 Schematic diagram of trip chain
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,ti
l、ti
离开第 i 个驻留点的时间和在该驻留点停驻的时
间,t0
l、t0
p 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 - t0
c
l)= k
f(t0
c
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 [P f
(7)
其中,f∈g 表示功能地块 f 归属于电网节点 g 供电;
b(t)、P f
e(t)和 Pg(t)分别为时刻 t 功能地块 f 的基
P f
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) + P f
e(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= Lr
vr
(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 ts
p 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 t0
a = t0
ts
l = t0
ts
l +∑s-1
i = 0 ΔTi,i+1+∑s-1
l +∑s-1
i = 0 ΔTi,i+1+∑s
i = 1
i = 1
ti
p
ti
p
(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,ts
l 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,ζs
m 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( ts
S(ts
a) / 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 0.3
kW·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+1
l ) - ∑Ns-1,s
ωdld
d = 1
Eb
S(ts
a) = S(ts-1
(17)
l ) 为离开
其中,ts-1
l 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(t0
l)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~
0.3 kW·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=0
S(ts
a) ζs
ì
ïï
{
S(ts
cts
a)+ηP s
í
min S(ts
c
60Eb ,1
ïï
î
其中,η 为充电机的效率;P s
c为在目的地 s 处的充电
功率水平,单位为 kW;ts
c 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=1
l)=
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
ηP s
c
c=[Sset-S(ts
4.3 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∑N f
ev(t)
m(t)
e(t) = P f
μf
P f
m = 1
{
a+t f
m(t)= 1
a<t<t f
t f
c
0 其他
m(t)为第 m 辆电动汽车在时刻 t 的充电状态
其中,μf
c 可由式(19) 求得;
标记,充电时为 1, 否则为 0;t f
ev(t) 为时刻 t 功能地块 f 内的电动汽车数量。
N f
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)
P f
Pg(t) =∑f∈g
μf
图 3 电动汽车充电负荷时空预测计算流程图
Fig.3 Flowchart of spatial⁃temporal forecasting model
for EV charging load
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 IEEE 30 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 625 km2,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
455
614
452
470
Table 1 Parameters of start time distribution for first trip
表 1 首次出行时间参数
k
3.34
3.57
4.15
3.86
c/min
506
681
497
520
简单链
H-W-H
H-E-H
复杂链 H-W-E-H
H-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)= (1.153,195.787 min)
W:(σ,μ,ξ)= (164.506,438.44,-0.234)
E:(σ,μ,ξ)= (41.761,68.552 0,0.657)
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.4 EV charging load distribution of each
function block(penetration is 75%)
图 5 电网各节点电动汽车充电负荷期望值(75%渗透率)
Fig.5 Expected EV charging load of each bus in
power grid(penetration is 75%)
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 IEEE 30 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.6 Total load of regional grid with different penetrations
b. 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.7 Voltage of power grid node under different scenarios
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
Table 2 Power loss of regional power grid
under different penetrations
a. 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/%
0
25
50
网损/%
2.59
2.73
2.87
大值/%
4.44
4.52
4.83
5.3 所提方法有效性检验
渗透
率/%
75
100
系统平均
网损/%
3.01
3.18
网损最
大值/%
5.26
5.73
图 8 行程 H-W 的出行时间分布
Fig.8 Start time distribution of trip H⁃W
b. 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 57 kW·h,而尼桑 leaf
电池容量仅为 24 kW·h,因仿真算例为纵横 25 km×
25 km 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。
types of EVs(penetration is 12.5%)
图 9 2 种电动汽车的充电负荷期望值对比(12.5% 渗透率)
Fig.9 Comparison of expected total charging load between two
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
1 000 kW, 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.10 Predicted total EV charging load of
电负荷曲线(25% 渗透率)
each method(penetration is 25%)
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