充电负荷

充电负荷（精选七篇）

充电负荷篇1

在电动汽车良好的发展前景下,如何定量地评估电动汽车充电负荷对电网带来的影响已经成为许多专家学者共同关注的焦点。充电负荷的估算及预测是电动汽车有序充电控制和能量管理等研究的基础[1,2]。目前已见报道的成果有:以电动公交车为研究对象,考虑影响负荷变化的各类相关因素,运用模糊聚类和反向传播(BP)神经网络的方法对充电站的日负荷曲线进行预测[3];以确定纯电动公交车充电站配电容量需求为目标,根据公交客车的运行机制和充电功率曲线特性建立电动公交充电站容量需求的数学模型[4];以电动乘用车为研究对象,分析电动汽车充电负荷各自的相关因素,建立电动汽车充电负荷的统计模型并得到电动汽车充电负荷曲线[5,6,7,8,9]。以上电动乘用车充电负荷计算方法,多数认为电动车替代燃油车的使用不会影响用户出行特征,因而利用用户出行特征统计数据进行研究;研究对象主要是电动公交车和家用电动乘用车,对于出租车充电负荷的研究较少。

本文从出租车的运行模式和行驶特性出发,对比出租车与私家车的充电特征差异,进一步建立出租车日充电负荷的分段概率估算模型,并采用蒙特卡洛仿真方法求得出租车充电站的日负荷曲线。根据深圳市出租车的充电运营数据,验证该建模及求解方法的可行性。

1 出租车充电特征分析

电动汽车用户行为是影响电动汽车充电负荷的重要因素,其主要表现在充电开始时刻和行驶里程两方面。其中行驶里程反映了电动汽车用户当日的耗电量,在一定充电功率下,行驶里程与充电持续时间正相关。电动汽车用户充电开始时刻越集中、行驶里程越长,充电负荷越大。

不同用途的车辆在行驶线路、行驶里程、行驶时间上有所不同。电动公交车运行具有定时、定点、定线的特点,行驶线路和行驶里程固定,一次充电可满足电动公交车的行驶需求,车辆运行及回站充电具有一定的相对稳定性和规律性,可用电力系统负荷预测方法进行负荷估算。私家车主要满足人们的日常出行需要,行驶线路和行驶里程一般能预先估计,一日一次充电一般即能满足出行需要,且夜间基本停运,在夜间可进行常规慢速充电,充电开始时刻和日行驶里程具有随机性,可用统计学建模方法得到其日充电负荷。出租车的运行线路和区域具有很大的随机性,一次充电续驶里程难以满足当日运行要求,且出租车停运时间短,一般采用快速充电方式,其充电开始时刻和日行驶里程具有随机性,可采用统计学建模方法估算其日充电负荷,但出租车具有多次充电的特点,其负荷估算方法与私家车有所不同。

假设私家车在最后一次出行结束后开始充电,图1和图2分别为私家车[10,11]和深圳市出租车的充电开始时刻分布规律。图中的深圳市出租车运营数据来源于课题研究。

对比图1和图2可知,私家车充电开始时刻主要分布在16:00-22:00。出租车行驶里程长,受换班、用餐和夜间运行等因素影响,平均一日需多次充电。深圳市电动出租车统计数据显示,充电开始时刻呈分段概率分布的特点。

出租车充电开始时刻与每次充电前的行驶里程对应,其对应的行驶里程也具有分段分布的特点。因此采用统计学建模方法,根据充电开始时刻和行驶里程的分段概率分布,建立出租车日充电负荷的分段概率模型,分段解耦处理后采用蒙特卡洛方法求解其日充电负荷。

2 出租车充电负荷分段概率模型

2.1 充电开始时刻和行驶里程概率分布特点

深圳出租车一日的充电时间规律如图3所示。根据换班前充满电、用餐时充电和夜间运行前充电这3个因素,将一日24 h分为A,B,C,D四段,表示一日中出租车充电次数为多次。

对深圳市193辆电动出租车7月某日各段充电开始时刻和行驶里程进行统计分析,采用J arqueBera正态分布检验方法,结果如表1和表2所示。输出结果h的含义为:假设检验样本x服从正态分布,当输出h=1时,表示拒绝接受原假设;输出h=0时,表示接受原假设。返回的检验p值是指,当p值小于给定的显著性水平(一般取0.05)时,拒绝原假设。结果表明电动出租车充电开始时刻服从正态分布,如图4和图5所示。

深圳市出租车在A,B,C,D段分别进行充电,每次充电对应的行驶里程与上次充电的时间间隔、是否需要充电交班等因素有关,造成不同时段的行驶里程存在差异。根据统计数据及拟合结果,A和B段时间间隔长,出租车的行驶里程呈正态分布,如图6和图7所示。C和D段时间间隔短,行驶里程也相应较短,并集中在70～120 km之间,其分布特点呈现频数分布高峰向左偏移,长尾向右侧延伸,为正偏态分布,可用对数正态分布表示正偏态分布,如图8和图9所示。

2.2 充电开始时刻和行驶里程概率分布函数

根据上节分析可知,电动出租车充电开始时刻服从分段正态分布,每段的概率密度函数为:

式中:μs为每段分布中充电开始时刻的均值;σs为每段分布中充电开始时刻的标准差,代表充电开始时刻分布的离散程度。

A和B段时间间隔长,出租车的行驶里程呈正态分布,由图7可以发现,深圳市出租车行驶里程的实际分布在50～200 km时符合正态分布,故A和B段行驶里程可用正态分布描述,概率密度为:

式中:μr为每段分布中行驶里程的均值;σr为每段分布中行驶里程的标准差,代表行驶里程分布的离散程度。

C和D段间隔时间短,行驶里程也相应较短,呈对数正态分布的特点。由图9可以发现,深圳市出租车行驶里程的实际分布在30～200 km时符合对数正态分布,故C和D段行驶里程可用对数正态分布描述。其概率密度为:

2.3 充电负荷分段概率模型的建立

电动汽车锂电池采用恒流-恒压两阶段[12]充电方法。恒流段充电功率几乎不变,恒压段时间相对于恒流段时间较短,可以认为充电功率为恒功率Pc。

电动汽车充电时长可等效为:

式中:Tc为充电时长;R为当次充电前行驶里程;W为百公里耗电量。

根据式(1)与行驶里程分布,可求出出租车充电时长分布。若行驶里程服从正态分布,则其线性组合也服从正态分布,即充电时长也服从正态分布;若行驶里程服从对数正态分布,充电时长也符合对数正态分布,分布参数的均值由μr增大为ln(W/(100Pc))+μr。

假设出租车充电开始时刻和充电时长这两个变量相互独立[4],在时间序列上进行分析,某一时刻出租车是否处于充电状态取决于当前时刻出租车是否已经开始充电和充电时长。

图10所示为出租车在某一时刻t0已充电结束或未开始充电的情况,其中ts为充电开始时刻,tc为充电时长。根据出租车的充电开始时刻和充电时长的联合概率分布建立日充电负荷的分段概率模型。

电动汽车在一日中某时刻t0的功率需求为的概率分布为:

式中:为离散型随机变量,为1表示车辆正在充电,为0表示已经充好电或未开始充电;为充电开始时刻和充电时长的联合概率分布函数,,其中FS和分别为充电开始时刻和充电时长的概率分布函数。

联立式(1)—式(7),得到一日中各时刻单台电动出租车日充电负荷的分段概率模型。

3 充电负荷模型的解耦求解

由于上述分段概率模型无解析解,因此采用蒙特卡洛方法[13,14]求解。蒙特卡洛方法是一种基于概率和统计理论的模拟方法,使用随机数来解决计算问题,适用于具有随机性特点的出租车日充电负荷计算。基于概率论[15]中的大数定律,运用蒙特卡洛模拟法,根据分布函数产生随机数,通过计算机模拟求出一日中各时刻单台出租车的充电功率的均值。假设一日中每个时间段有Ni辆车需要充电,由中心极限定理可知,某一时刻出租车的充电需求为Niμc,其中μc为一日中各时刻单台出租车的充电功率均值。

在求解日充电负荷的分段概率模型时,由于出租车每日充电多次,因此采用分段解耦处理,即分次模拟、多段叠加的方法,求得每日各时刻出租车充电功率的均值。多段叠加时需考虑充电持续时间对分段点的影响,因此,分次模拟时每段的模拟时间应相应延长。出租车采用快速充电,充电倍率为0.5C (C为电池容量),即充电起始荷电状态(SOC)为零,至充满时充电时长为2 h。

图11为深圳市出租车充电起始SOC分布规律的统计结果。由图可知,起始SOC分布主要在30%～70%,其对应的充电时长为84 min下降至24 min,因此,模拟时在分段点模拟时间分别延长2,1,0.5 h进行对比,出租车的充电功率如图12所示。

根据图12可知,在A和D段尾部分段点附近,不同延长时间下充电功率变化很小,这是由于充电开始时刻的概率值极小,对负荷影响不大;在B和C段尾部分段点附近,不同延长时间下,其分段点附近估算负荷与实际负荷误差如表1所示。在B段,负荷较高,分段点延长1 h误差较低;在C段,负荷较低,分段点延长0.5 h误差较低。因此,在分段点可采用组合延长时间的方法进行模拟,在A和B段,分段点模拟时间延长1 h,在C段分段点模拟时间延长0.5 h,各阶段分段点误差如表3所示,组合延长时间的方法误差更低。

注:由于各阶段分段点附近负荷值在0～200kW,负荷基值越小,相对误差越大。

4 实例分析

2011年深圳市为出租车提供充电服务的充电站有14座,共70台充电机,充电模式为整车快速充电,充电持续时间为几十分钟到2 h不等。根据出租车的充电记录,可以得出Pc=32 kW,W=28 kW·h。

以15 min为周期,将一日(24 h)划分为96个时间段。根据图2中的充电开始时刻分布直方图,以充电时间最小概率点为分界点,将充电开始时刻分为4段,分别为00:00-09:00(阶段1),09:00—14:00(阶段2),14:00—19:00 (阶段3),19:00—24:00(阶段4)。对统计数据进行处理和拟合,充电开始时刻和行驶里程拟合结果分别见图13和图14。其中充电开始时刻为正态分布,行驶里程在阶段1和2为正态分布,阶段3和4为对数正态分布。

根据第2节和第3节的建模和估算方法,可建立深圳市出租车日充电负荷估算的分段概率模型并得到日负荷曲线。根据深圳市充电数据记录,可得到充电日负荷的实际值,将实际值与估算值进行比较,如图15所示。由图可知,本文的建模估算方法是一种适用于快速式出租车充电站的方法。

5 结语

电动出租车负荷与出租车的行驶特性相关,与私家车不同,具有一日多次充电的特点,根据充电开始时刻和行驶里程分布建立日充电负荷分段概率模型,并解耦求解得到出租车的充电负荷,与出租车具有相似行驶特征的车辆可用本文的分段概率模型进行负荷估算。电动汽车充电负荷的估算是电动汽车有序充电控制和能量管理等研究的基础,对研究未来电动汽车充电负荷对电网的影响具有一定的参考价值。

幼小衔接你为孩子“超负荷充电”吗篇2

支持方：知识恶补，智慧至上

珊珊（85后辣妈）：从幼儿园到小学，对于孩子来讲，还真是个不小的挑战。但从教材上来看，幼儿园的课本图文并茂，侧重于活动、游戏等等，到了小学有了180°大转弯，自然偏重于知识与智力的开发。为了让女儿尽早适应小学课程，提前的知识培训就显得尤为重要了。尽管天天学啊，写啊，5岁的女儿感到有些累，但我还是陪伴女儿坚持了下来，想到“先苦后甜”这个道理，我的心里也就欣欣然了。

王亮（职员爸爸）：如今，最火的莫过于教育培训了，就拿儿子这个年龄的“幼小衔接班”为例，满大街的宣传广告飘来飘去，“入学前先报班”几乎成了家长们人人皆知的“潜规则”。“望子成龙”可是每个家长最大的夙愿，我也惟恐孩子落后于其他同龄伙伴，因此“陪着儿子去充电”成了必须的选择。一切为了孩子，哪怕再苦再累，“革命尚未成功，只有努力到底”。

李慧（教师妈妈）：身为教师的我，自然明白分数的重要性，“高考”是孩子成功成才的“独木桥”，为此我得让儿子“一路冲在最前面”。如今，每个晚上我都和儿子去攻克繁琐的拼音、算术，看似这些“小儿科”的知识也不简单，里面的学问大着呢。而且，我还对儿子进行高强度的模拟训练，比如默写字母N遍，口算数学题100道，一段时间的训练下来，儿子的成绩果然顶呱呱，看到丰硕的收获，我喜在心头。

反对方：养育为先，呵护童真

齐玲（80后妈妈）：在儿子的教育上，我一向倡导“养育”的原则，所谓“养在先”“育在后”，则是指对孩子需要方方面面的综合培养，全面教育，而不能仅仅把目光盯在孩子的学习成绩或智力发展上。当别人家的孩子都在提前为小学而战时，我家儿子还在无忧无虑地享受着快乐的童年，留住这份纯真与美好就是孩子一生的精神财富，远远大于“几加几”的含金量。

陈诚（教师爸爸）：曾几何时，这样一幕深深地刻在了我的脑海里：一个大约四五岁的女孩，在密密麻麻的白纸上抄写着一个个生硬的字母“b、p、m、f、d、t、n、l……”女孩一边写一边念着，整整抄写了十几遍，小手已经变得红肿了，但依然没有学会。童年，不能在知识的压榨下变得如此残酷，因此我家女儿在入学前没有进行专门的补习，但现在上了小学一年级的她成绩却非常优异。相反，没有提前接触过知识的她对课程有着更浓厚的兴趣，课堂上也比其他孩子更为专注认真，或许这正是取胜的秘诀所在。

梁栋（职员爸爸）：“为孩子做好人生的规划师”，这曾是多少爸爸妈妈们的最大夙愿。于是，孩子就成了父母手中的“棋子”，一步步按照设定好的路线迈向知识的征程。相反，我却是个完全信奉“自由式教育”的爸爸，对孩子的未来没有预定的设计，只要孩子幸福快乐就好。于是，我家儿子就成了不少伙伴眼中的“幸运儿”，不需整日学习小学课程，但在我们平时的活动游戏中，儿子也受到一定的熏陶，简单的数学知识也基本掌握了。

专家方：培养习惯，提升情商

罗老师（海珠区实验小学语文科科长）：提起幼小衔接，不少家长走入了“重学习，轻习惯”的误区，其实习惯的培养才是基础的第一步。比如最基本的则是“听、说、读、写”的习惯，在听说的方面，要教给孩子耐心地聆听，并学会正确地表达，与老师愉悦地交流，从而尽快适应小学生活。在读写的方面，一来要培养孩子正确的读书、写字姿势，二来要呵护孩子的兴趣，切不可最初就让孩子大量书写和阅读，一旦扼杀了兴趣，后果将不堪设想。

张丕发（福田小学校长）：“莫把孩子当做神，先把孩子当做人”，这句话就是告诫广大家长不可过度焦虑，而要充分尊重孩子的身心特点，一味地强压知识的棍棒，到头来只会得不偿失。放平心态，从智力因素的培养往非智力因素转移，不妨培养孩子想象和感受的能力，打开思维的空间，尽情地释放灵性，发挥潜能。家长也可以在活动与游戏中进行，寓教于乐，提升孩子的思维能力，为小学阶段的学习奠定坚实的基础。

看来，幼小衔接的门槛上，知识不是万能的，习惯的培养与情商的提升尤为重要。那么，请家长们放平心态，拓展视角，为学龄前儿童“充分减压”，让每一颗童心都能在轻松愉悦的氛围中享受知识的多元化、智能化。

充电负荷篇3

电动汽车[1,2,3,4]充电负荷的计算是研究电动汽车对电网影响及电动汽车作为储能单元参与电力市场辅助应用的前提[5,6]。电动汽车充电负荷建模分为2种方法:基于蒙特卡洛模拟的统计学建模方法;基于大量电动汽车充电实际物理过程的物理学建模方法。前者是在建立诸如起始充电时间、起始荷电状态SOC(State Of Charge)等概率分布的基础上,考虑充电功率、电动汽车数量及电池容量等影响因素,运用蒙特卡洛数学试验累加每辆电动汽车的充电负荷得到总体充电负荷。后者是在探究大量电动汽车并网充电动态物理过程的基础上,通过建立描述该动态物理过程的数学方程来计算充电负荷,该方法能反映不同连续时刻充电负荷之间的内在关联性,使电动汽车代理商(位于电网与电动汽车之间的代理机构,它能对大量电动汽车的充电行为进行优化调度与控制,还能为电网提供诸如调频、调峰、旋转备用等辅助性服务,实现电网与用户的双赢)能准确预测由大量电动汽车以直接负荷控制方式聚合成的“虚拟发电厂”的宏观响应特性,这对电动汽车参与电网辅助性服务有重要影响。

对于充电负荷的统计学建模方法,不同文献对上述影响总体充电负荷因素的处理方法不同[7,8,9,10,11]。对起始SOC,文献[7-10]假设起始SOC为给定值,文献[11]则考虑不同驾驶行为的起始SOC;对充电时间,文献[7]假设充电时段固定,文献[8]假设起始充电时间固定,文献[9,11]基于实际统计数据分析了电动汽车充电时间分布,文献[10]研究了在不同电价、电网控制与不控制等多个场景电动汽车的不同充电时间;文献[12]对上述研究成果进行了总结,并结合实地调研讨论了未来主要电动汽车车型对应的充电方式和充电时间,提出了更为完整的基于蒙特卡洛模拟的电动汽车充电负荷计算方法。

鉴于深入探究大量电动汽车充电的实际物理过程对电动汽车参与电力市场辅助应用具有重要意义,本文提出一种基于随机学中扩散理论的电动汽车负荷模型,即扩散负荷模型。该模型可统筹兼顾充电功率、电动汽车数量、起始SOC、起始充电时间、电池容量等影响总体充电负荷的关键因素,并以电动汽车并网速率为随机扰动变量。为方便应用,该模型将充电功率分为基准功率和可控功率。结合大量实际统计数据,本文分别运用扩散负荷状态空间模型及蒙特卡洛负荷模型对私家电动汽车充电负荷进行计算对比,以验证扩散负荷模型的有效性。

1 电动汽车扩散负荷模型

某一时刻大量电动汽车的总体充电负荷取决于该时刻每辆电动汽车的充电功率及并网电动汽车数量。假设相同型号的电动汽车电池容量及充电功率相同,并且充电功率分为基准功率和可控功率,分别表示为Pb和Pmaxu(t)。其中,u(t)为调度中心向并网电动汽车发送的广域控制信号,-1≤u(t)≤1,所有并网电动汽车均能同步接收到该信号并通过智能充电系统实时调整可控充电功率;Pmax为最大可控充电功率。基准功率保证电动汽车正常用电需求,可控功率将用来参与电力市场辅助应用。

1.1 电动汽车扩散负荷模型建立

在V2G背景下,大量电动汽车并网充电的动态物理过程,可以描述为以电动汽车并网速率为随机扰动变量的大量充电负荷从低SOC向高SOC动态扩散的物理过程。该充电负荷建模思路来自于空调、热水器等热力负荷建模过程[13,14]。大量电动汽车并网充电的动态扩散过程可由图1来描述。

图中,x表示蓄电池的储能;w(x,t)=∂W(x,t)/∂x,在扩散负荷模型中,它作为随机扰动变量,W(x,t)表示t时刻原始储能小于等于x的电动汽车接入电网的速率;Q(x,t)=∂S(x,t)/∂x称为并网电动汽车数量集中度,S(x,t)表示t时刻储能水平小于等于x的电动汽车数量。电动汽车扩散速率就是瞬时充电功率,即Pb+Pmaxu(t)=d x/d t。图中波浪阴影面积与右斜线阴影面积之和为t时刻电动汽车并网速率;横线阴影面积为t时刻电网中电动汽车总数量;左斜线阴影部分面积为不能被利用的电池容量。

为推导描述该扩散过程的数学方程,并求出t时刻电动汽车总体充电负荷,特取两部分能量微元对该扩散过程进行细致研究,如图2所示。

图2中,从t-d t到t时刻,能量微元1、2中的电动汽车电量将分别增加dx,故能量微元1、2中数量为Q(x-dx,t-dt)dx和Q(x,t-dt)dx的电动汽车将扩散到能量微元3、4中;在此过程中将有数量为w(x-d x,t-d t)d x d t和w(x,t-d t)d x d t的电动汽车分别接入能量微元1、2中一起参与扩散;在该微小扩散过程完毕之后,能量微元3、4中的电动汽车数量将为Q(x,t)dx和Q(x+dx,t)dx。故可得如下方程:

于是:

将式(2)两端除以dxdt,整理可得:

考虑到对式(3)取极限可得:

式(3)反映了大量电动汽车由低SOC向高SOC充电时的动态物理扩散过程,它是一个一阶偏微分线性扩散方程。在边界xmin和xmax处没有上述扩散过程发生,故式(3)的边界条件为:

假设相同型号电动汽车充电功率相同,则t时刻并网电动汽车总体充电功率为:

式(4)—(6)便是本文提出的电动汽车扩散负荷模型。该模型将电动汽车充电功率分为基准功率和可控功率。基准功率保证电动汽车正常用电需求;可控功率可用来参与电力市场辅助性服务,如参与AGC应用、平抑新能源间歇性等。

1.2 电动汽车扩散负荷状态空间模型

为方便数值计算,需要将电动汽车扩散负荷模型进行离散化得到电动汽车扩散负荷状态空间模型。将蓄电池容量K等分,每份能量块为Δx,即KΔx=xmax-xmin,对式(4)和式(6)进行离散化处理并考虑式(5),可得电动汽车扩散负荷状态空间模型为:

其中,qi(t)=Qi(iΔx,t)Δx表示t时刻第i个能量块中电动汽车数量,Wi(t)=w(iΔx,t)Δx表示t时刻进入第i个能量块的电动汽车速率。

2 电动汽车充电负荷计算

文献[12]结合《中国汽车产业发展报告(2008年)》预测未来电动汽车中私家电动汽车所占比例达到80%以上。另外,公交车、公务车和出租车通常具有固定的行驶特性和停放场所,其充电负荷需求也可预计为较为固定的模式,而私家车在行驶里程和用户充电行为上都更具随机性和灵活性[15],其充电地点和充电类型也更为复杂。因此,本节取100000辆私家电动汽车作为研究对象。私家车充电地点及充电类型如图3所示,其中第1类充电类型无充电时长限制,充电过程持续到电池充满;第2类充电类型有充电时长限制,充电时段结束时无论是否充满均停止充电。

2.1 蒙特卡洛负荷模型

对第1类充电行为,假设车辆希望离开时充满电,计算得出充电需求,基于充电方式、充电需求计算充电所需时长。在满足所需时长约束下,缩小起始充电时间抽样范围,按制定的概率分布抽取起始充电时间。对第2类充电行为,在给定的起始充电时间范围内,抽取起始充电时间,计算充电限制时长。根据随机抽取的起始SOC和给定的目标SOC,计算满足充电需求所需充电时长。实际充电时间为充电所需时长与充电限制时长中较小值。

2.2 扩散负荷模型

为能应用扩散负荷状态空间模型计算电动汽车充电负荷,必须构建出任意t时刻电动汽车的并网速率向量W(t)。

对第1类充电行为,W(t)的确定算法如图4所示。假设计划参与并网的电动汽车总数量为N,起始SOC的概率密度函数为fSOC(x),起始充电时间的概率密度函数为fbt(t),电动汽车蓄电池容量为L,充电效率为η,则起始SOC在[x,x+d x]的电动汽车并网数量为NfSOC(x)d x。为保证充电结束时用户充满电,该部分电动汽车的并网时间不能迟于即该部分电动汽车的并网时间只能落在图4中时间轴的深色区域中。因此,需要引入限定函数res(x,t),其表达式为:

故在[t,t+dt]时间段,起始SOC在[x,x+d x]区间的并网电动汽车的数量为:

从而任意t时刻电动汽车的并网速率向量W(t)中元素Wi(t)表达式如下:

其中为扩散状态空间模型中最后一个能量块中电动汽车数量,即已充满电的电动汽车数量,该部分电动汽车需要离开电网。

对第2类充电行为,由于引入充电时长限制,并网电动汽车脱离电网原因有:充电时间超过时长限制;电池已充满;充电时段已结束。为能运用扩散负荷状态空间模型计算该类型充电行为下电动汽车充电负荷,作如下合理假设:

a.扩散负荷状态空间模型的电池容量为获得电量的平均值;

b.所有电动汽车的起始SOC为最小值;

c.离开电网时充满电。

在此3个假设下,第2类充电行为便转化为第1类充电行为,因不需考虑起始SOC对电动汽车并网速率的影响,W(t)的构建更为简单,如式(11)所示:

2.3 电动汽车充电负荷计算结果

假设私家车采用锂离子动力电池,充电方式为常规慢充方式,充电电压为320 V,电池额定容量为100 A·h。充电负荷计算以天为单位,时间间隔精确到30 s。对2类充电行为,扩散状态空间模型中电池容量分别为32 k W·h和4 k W·h,K都取1000。考虑到电动汽车动力电池的充电特性,充电过程中基准充电功率将随电池的SOC变化而变化。典型锂离子动力电池的基准充电功率变化规律如下[16]:SOC<0.15时,基准充电功率从零近似线性增加到额定充电功率;0.150.9时,基准充电功率线性减至零。本文假设基准充电功率按上述规律变化,额定充电功率为4 k W。对2类充电行为,可控充电功率都为零,即假设电网不控制用户充电行为。私家车充电负荷预测参数设置见表1[9]。工作日和周末充电负荷的计算结果分别见图5和图6。为方便对比分析,用蒙特卡洛模型计算的私家车工作日和周末充电负荷曲线如图7所示。

由图5—7可知,由于工作日和周末私家车用车习惯不同,其充电负荷呈现不同的特性。私家车在工作日充电地点主要集中在单位停车场及居民区停车场,充电时间主要集中在07:30—17:00和19:00至次日07:00。考虑到起始充电容量分布及起始充电时间分布,私家车工作日充电负荷主要集中在08:00—14:00和19:00至次日02:00,而在10:00和21:30呈现2次负荷高峰,分别约24 MW和76 MW。私家车周末充电负荷主要集中在20:00至次日06:00在01:00呈现负荷高峰,约30 MW。14:00—20:00充电负荷很小且不足5 MW。本文所建扩散负荷模型与蒙特卡洛模型具有相同的准确度。

3 结论

充电负荷篇4

规模化电动汽车的推广使用必将给电网的规划设计和运行带来新的挑战:由于用户充电的主观性很强,会进一步增加电网运行的随机性和不确定性, 给电网的负荷预测、调度运行等造成一定的困难［１－３］。因此在电动汽车尚未规模化应用时,有必要计算和分析电动汽车的充电负荷特性,以及可能给电网带来的影响,给未来电网运行和设计提供科学的理论依据。

目前关于规模化电动汽车充电负荷的研究主要是采用蒙特卡洛模拟电动汽车充电的方法［４－１２］,即根据传统燃油车的行驶规律,确定电动汽车的充电时间和充电能量,得到电动汽车的充电负荷曲线。针对用户的行驶规律,已有研究采用了不同的方法。文献[4,7-8]采用美国交通部统计的用户行驶规律, 重点关注用户最后一次行驶结束时间和日行驶里程概率分布特性,对应于电动汽车的充电起始时间和充电能量,认为充电时间和行驶里程独立,不能完全反映用户个体的行驶特性。文献[10-11]采用车载终端全球定位系统,采集少数用户的实际行驶规律进行分析研究,但是采集的车辆往往很少,不能反映所有用户的行驶规律情况。文献[12]研究了用户行驶开始时间、行驶里程和行驶结束时间之间的耦合关系,分析了规模化电动汽车的充电需求情况,但是研究中只考虑了用户每天均进行充电或者荷电状态(SOC)低于某一个设定值时的负荷情况,而实际运行中用户的充电行为会更加不确定。文献[13]以动力汽车的SOC为参考,采用模糊机理来判断和决定充电时刻,研究了不同充电设施情况下不同电动汽车在每日各个时刻的充电概率,但是没有探讨用户充电行为和充电负荷之间的关系。另外,文献[14- 16]采用对充电站进行建模的充电负荷计算方法,但是在建模的过程中,假设了充电的服务时间长度和充电功率等数值,没有实际的数据支持。

本文以核密度函数为基础改进了含有耦合特性的充电负荷计算模型,采用核密度函数拟合电动汽车的行驶规律,采用多维概率分布函数生成含有耦合特性的行驶规律随机数,并采用二项分布概率表示电动汽车用户的不确定充电行为。基于北京市居民私家车的行驶规律,研究了不同充电行为下规模化电动汽车的充电负荷特性。

1电动汽车充电负荷计算方法及改进

1.1电动汽车充电负荷计算方法

由于目前尚没有规模化的电动汽车运行,无法直接研究电动汽车的充电负荷,因此大多数研究均是假设电动汽车的使用不改变用户的行驶规律,以传统燃油车的行驶规律概率特性为基础,采用蒙特卡洛模拟的方法计算得到充电负荷,计算步骤如下。

1)根据传统燃油汽车行驶规律的概率分布,采用蒙特卡洛模拟技术得到数量为NＥＶ的电动汽车用户的行驶里程、充电开始时间和充电结束限制时间的随机数序列。

2)模拟电动汽车行驶。单台电动汽车行驶前后动力电池SOC的变化情况按照式(1)进行计算。

式中:Sｉ为第i辆电动汽车动力电池的SOC值;dｉ和Dｅｉ分别为第i辆电动汽车的行驶里程和续航里程;tｔｉ＿１和tｔｉ＿２分别为第i辆电动汽车行驶起始和终止时间。

3)选择充电地点,确定电动汽车所需的充电电量与充电时间长度。由式(2)计算充电电量,由式(3)计算充电时间长度。

式中:Eｉ,Cｉ,tｃｉ分别为第i台电动汽车所需的充电电量、动力电池容量和充电所需时间长度;c为恒定充电功率。

4)模拟电动汽车充电,得到各个时刻电动汽车的充电功率。单台电动汽车的充电功率可由式(4) 表示,充电过程中电池SOC变化的过程可由式(5) 计算。

式中:pi(t)为第i辆电动汽车在t时刻的充电功率;tci_1和tci_2分别为第i辆电动汽车充电起始和终止时间,并认为tci_1=tti_2,tci_2=tci_1+tci,当tci_2>ti_1t时,tci_2=tti_1。

5)通过叠加得到规模化电动汽车的充电负荷P(t),由式(6)计算。

1.2电动汽车充电负荷计算方法改进

在上述的计算方法中,存在着以下不足:1对用户的行驶时间和行驶里程均采用确定的概率分布函数进行拟合,不能准确地反映用户的行驶特性,会增加充电负荷的计算误差;2不能充分表示电动汽车集群充电行为的不确定性。针对这些不足,本文提出以下改进方法。

1)基于核密度函数的行驶特性拟合

由于用户行驶时间和行驶里程的概率分布特性均是通过对统计数据拟合、参数估计得到的,如果拟合估计不准确,会引起充电负荷计算的累积误差。因此,提出采用核密度函数的方法对用户行驶时间和行驶里程进行拟合。

设X１,X２,…,Xｎ为统计得到的行驶规律(行驶时间或者行驶里程)样本,采用式(7)估计任意点x处的概率密度函数f(x)的核密度。

式中:x为行驶规律特性参数,例如行驶起始时间、结束时间和日行驶里程等;h为窗口宽度;K(·)为核函数,若第i个样本点Xｉ落入以x为中心,以h/ 2为半径的邻域内时K(·)=1,否则K(·)=0;n为样本个数。

因此,可得到式(7)的累积核密度分布函数为:

2)含有耦合特性的随机数生成

由于用户的行驶特性均基于时间序列,行驶的起始时间、结束时间和行驶里程之间可能会存在一定的耦合特性,因此需要生成含有耦合特性的行驶规律随机数,才能准确模拟用户的充电时间和充电电量。

为了生成含有耦合特性的多元随机数,需要建立样本的多维联合概率分布函数,根据Sklar定理［１７］,一个具有累积边缘分布F１,F２,…,FＮ的N维联合分布函数F,对于xｉ∈(-∞,+∞),存在一个Copula函数C(·)使得:

因此,通过Copula函数可构造行驶起始时间T１、结束时间T２和行驶里程D的多维联合概率分布函数,生成含有耦合特性的随机数序列,计算步骤如下［１０］。

步骤1:采用各随机变量的边缘分布函数,样本的边缘分布由式(8)计算,将T１,T２,D样本均匀化,即转换为区间(0,1)上的随机数序列,UＴ１= FＴ１(T１),UＴ２=FＴ２(T２),UＤ=FＤ(D)。

步骤2:将均匀化的随机数序列UT1,UT2,UD转换为标准正态分布随机数序列,YT1=Φ-1(UT1),YT2=Φ-1(UT2),YD=Φ-1(UD)。

步骤3:估计YＴ１,YＴ２,YＤ正态随机变量的耦合因子ρ,形成相关因子为ρ的多维标准正态分布函数;两两之间的耦合因子可按照式(10)计算。

式中:,分别表示随机变量X和Y的样本均值。

步骤4:利用多维正态分布函数生成相关因子为ρ的NＥＶ组多元随机数对(yｔ１,yｔ２,yｄ)。

步骤5:将生成的(yｔ１,yｔ２,yｄ)转换为原始类型的数据t１= FＴ１－１(yｔ１),t２= FＴ２－１(yｔ２),d = FＤ－１(yｄ),其中,t１,t２,d分别为生成的行驶起始时间、结束时间和行驶里程的随机数。

3)充电行为不确定性建模

目前由于电动汽车的续航里程相对较小,考虑电动汽车最低SOC限制,电动汽车用户的充电行为可归结为行驶结束后充电及行驶途中应急充电两种,本文暂不考虑应急充电情况。行驶结束后,当剩余电量不能满足下次行驶需求时,充电行为是确定性的;若能够满足时,用户的充电行为有“充电”和 “不充电”两种,是不确定性的。

定义充电概率为剩余电量能够满足下次行驶需求的用户(数量m)中选择“充电”用户的比例,用p表示,p∈[0,1]。因此,集群不确定的充电行为近似服从参数为m,p的二项分布B(m,p)。通过设定p值可以计算不同集群充电行为的充电负荷。计算过程中,第i台电动汽车的充电行为可通过以下两步确定:1第1步,设定集群充电概率为一定值p;2第2步,对于第i台电动汽车,随机生成服从均匀分布U(0,1)的随机数r,当r≥p时,选择不充电,当r<p时,选择充电。

不同用途电动汽车的充电行为不同,电动出租汽车每次行驶结束后均要进行充电,因此充电行为是确定性的;而居民私家电动汽车行驶结束后会出现上述的不确定性充电行为,由于目前尚没有规模化私家电动汽车运行,无法统计不确定的充电概率p,因此假设p∈[0,1],研究充电概率从小到大变化时,充电负荷的变化情况。

1.3充电负荷计算流程

综上所述,含有耦合特性并考虑不确定性充电行为的电动汽车充电负荷计算可由图1所示的计算流程说明。

2电动出租汽车充电负荷计算

2.1电动出租汽车行驶规律及充电特性

1)电动出租汽车行驶规律

以某示范运行电动出租汽车基地的运行数据为例来验证改进方法的准确性。通过对电动出租车1 053个运行天/次样本的统计分析,得到如图2所示行驶规律特性,其中,确定性概率密度函数采用对数正态函数。

确定性概率密度函数和核密度函数的拟合误差如附录A表A1所示,可见采用核密度函数的拟合精度较高。拟合误差的计算方法如式(11)所示。

式中:M为统计直方图个数;oｉ为第i个统计区间的统计频率;eｉ为第i个统计区间概率密度曲线下方面积。

采用1.2节中耦合特性的分析方法,计算得到式(12)所示的电动出租汽车行驶特性间的耦合矩阵,从矩阵中可以看出,第1和第2次充电起始时间与上、下午行驶里程之间为正相关,表明充电时间越晚行驶的里程越大;两次充电起始时间之间为正相关,与实际的行驶规律基本吻合。因此,表明了建立含有耦合特性计算方法的必要性。

2)电动出租汽车充电特性

单台电动出租汽车实际的充电功率曲线见附录A图A1,波动范围在 ±0.1kW以内,可以认为充电功率基本为恒定值,其他电动汽车的充电功率曲线与附录A图A1中基本相同,也验证了式(4)中充电功率设定的合理性,因此,在计算电动汽车充电负荷时可设定电动汽车的恒定值,恒定充电功率为5.5kW。

2.2充电负荷计算及误差对比

由于该示范运行基地的电动出租汽车在每次行驶结束后均进行充电,充电习惯是确定性的,采用图1的改进充电负荷计算流程计算时只需要考虑SOC不满足的情况。计算时设定电动汽车数量为100辆,连续仿真100d,单台电动汽车的充电功率设定为5.5kW,动力电池容量为29.1kW·h,电动汽车的续航里程为160km。

按照式(7)和式(8)将电动出租汽车的行驶时间和行驶里程数据进行均匀化处理,以便于构造正态Copula函数。附录A图A2是第1、第2次充电起始时间与下午行驶里程样本在(0,1)区间的分布情况,可以看出附录A图A2(a)呈现负的耦合特性, 附录A图A2(b)呈现正的耦合特性,与式(12)的耦合特性吻合。通过建立Copula函数,并生成100× 100组耦合特性为ρ的行驶规律随机数,附录A图A3所示是与附录A图A2对应的随机数在(0, 1)区间的分布情况,可以看出生成的随机数的分布情况与样本数据的分布情况基本吻合。

按照式(8)的反函数将生成的100×100组(0,1)区间的随机数转换为原始类型的随时数,进而计算电动出租汽车日充电负荷曲线,图3所示为单台电动汽车的平均充电负荷曲线。图中,传统方法为采用确定性概率密度函数拟合。由于每日充电的电动汽车数量不同,计算单台车的平均充电负荷更有意义。采用传统方法时充电负荷的平均误差和最大误差分别为5.09%和19.23%,采用本文改进方法时充电负荷的平均误差和最大误差分别为4.76%和13.71%,可见采用本文提出的改进方法能更准确地计算电动汽车的充电负荷。

3私家电动汽车充电负荷计算

居民私家电动汽车的推广和普及是电动汽车发展的目的,也将是未来规模化运行电动汽车集群的主要构成部分,根据北京市交通委员会《北京市2011年交通发展年报告》,北京市现有汽车中居民私家车占70%左右,因此有必要计算和分析居民私家电动汽车的充电负荷特性。这里假设电动汽车的使用不改变居民的行驶规律,采用传统燃油车的行驶规律特性模拟电动汽车的运行和充电特性,得到电动汽车的充电负荷。

3.1私家车行驶规律分析

1)行驶规律统计分析

以中国科学院电工研究所2012年9月至2013年8月调研北京市6环内私家车行驶特性样本数据进行分析,样本数量2 000多个。通过统计和拟合得到了用户第1次行驶起始时间、到达单位时间、下班时间、最后一次行驶结束时间、单程行驶里程和日行驶里程的随机分布特性,如附录A图A4所示,结果与《北京市2011年交通发展年报告》中给出的结果相吻合。与电动出租车行驶规律特性类似,核密度函数比确定性概率密度函数的拟合精确度更高,能更准确模拟私家电动汽车的行驶规律,拟合误差如附录A表A2所示,与附录A图A4对应,其中确定性概率密度函数同样选择对数正态分布函数。

2)行驶规律间耦合特性分析

通过计算得到居民私家车行驶时间和行驶里程间的耦合特性矩阵,如式(13)所示。矩阵中各行由上往下(各列由左往右)依次对应起始行驶时间、到达单位时间、下班时间、最后一次行驶结束时间和日行驶里程。可以看出:起始行驶时间与到达单位时间之间正相关,与日行驶里程负相关,即起始时间越早,到单位时间越早,而行驶的里程越大;最后一次行驶结束时间与下班时间之间正相关,与行驶里程也正相关,即最后一次行驶结束越晚,下班时间越晚,行驶里程越大;到达单位时间、下班时间与行驶里程之间的耦合特性很弱,这是因为上、下班时间一般比较固定。这几点耦合特性和主观判断相吻合, 定性的验证了采集样本的合理性。

鉴于上述行驶特性因素间的耦合特性,在模拟电动汽车充电需求时,有必要生成含有耦合特性的随机数,以得到更加准确的电动汽车行驶规律。

3.2私家电动汽车充电负荷计算

1)初始条件设定

本文采用目前国内外几种比较典型的电动汽车模拟电动汽车的充电负荷,电动汽车的动力电池容量及续航里程等数据如附录A表A3所示。计算中,电动汽车根据附录A图A4(f)所示的日行驶里程数据进行随机匹配,原则为电动汽车的续航里程至少满足用户的日行驶里程,计算得到各种车型所占的比例见附录A表A3。

根据《北京市2011年交通发展年报告》,截至2010年底北京市共有约600万辆机动车,其中居民私家车约为400万辆,本文研究电动汽车渗透率为50%(即200万辆)时电动汽车的充电负荷,可通过比例计算得到其他渗透率的情况［１８］。

2)不同充电概率时充电负荷计算

采用上述基于核密度函数的充电负荷计算方法,假设每辆车均有相应的充电设施,充电功率为3.3kW(车载充电机功率),电动汽车每日进行两次充电,充电起始时间分别为到达单位和行驶结束时间,SOC的最低限制为0.2,模拟一万次,得到不同充电概率时的充电负荷曲线如图4所示。可以看出,在不同充电概率时,居民私家电动汽车的充电负荷峰值出现的时间基本不变,而负荷峰值随着充电概率的减小而减小,附录A图A5所示为两个充电负荷峰值随充电概率的变化曲线,可以看出两次充电峰值与充电概率之间基本呈线性关系;并且在不同充电概率时,电动汽车的充电负荷会有很大的区别。

3)快速充电对充电负荷的影响

由于用户行为的主观性和随机性,难免有不确定的出行计划,此时需要考虑电动汽车的快速充电行为,而需要进行快速充电用户的数量是一个不确定的值,因此这里假设每日需要进行快速充电用户的比例分别为0.05,0.1和0.2,研究快速充电对充电负荷的影响,快速充电的功率为40kW(目前深圳市电动汽车快速充电功率),并假设不确定充电概率p=0.5。通过计算得到附录A图A6所示的充电负荷曲线。可以看出,快速充电对电动汽车的充电负荷有很大影响,随着快速充电用户的比例增大,充电负荷峰值、峰值波动范围均变大,第1次充电负荷峰值分别为2 861MW,3 261MW和3 804MW,无快速充电时,第1次充电负荷峰值为2 730 MW;整体的充电持续时间也略有减小。

当快速充电的比例为0.2时,不同充电概率的充电负荷峰值变化情况如附录A图A7所示,可以看出,充电峰值与充电概率之间依然近似呈线性关系,而充电峰值更大,两个充电峰值的差值增大,因此在计算规模化电动汽车充电负荷时,有必要考虑电动汽车集群的充电概率。

4)不确定充电负荷对电网负荷影响

以上述计算模型和计算数值为基础,假设快速充电用户的比例为0.1,将3种不确定充电概率情况下的充电负荷叠加到北京市2009年电网总负荷上, 得到不同电动汽车渗透率情况下电网总负荷曲线, 如图5所示。可以看出,在充电概率不同时,电网负荷峰值的大小和出现的时间均有所不同,进而给电网的影响有很大的不同,3种不同充电概率对应的负荷率分别为0.798,0.781和0.729。因此,在研究电动汽车充电负荷调节时需要考虑不确定充电行为引起的充电不确定性问题,可作为进一步研究的内容。

4结语

本文改进了含有耦合特性的充电负荷计算方法,改进方法中采用核密度函数拟合电动汽车的行驶规律统计参数,采用多维概率分布生成电动汽车行驶时间和行驶里程随机数,通过与示范运行电动汽车充电负荷平均值对比,验证了改进方法的准确性。采用二项分布概率表示电动汽车集群充电行为的不确定性,基于北京市居民私家车的行驶规律,分析了充电行为不确定时电动汽车的充电负荷情况及对电网负荷的影响,研究结果表明:不确定充电行为对电动汽车充电负荷的影响很大,随着充电概率的减小充电负荷峰值的降低很大,峰值变化范围及充电持续时间均增大,并给电网负荷造成不确定的影响。研究的结果可用于规模化电动汽车充电负荷调节、充电站建设等问题的研究。

充电负荷篇5

目前汽车充电装置主要分直流充电装置和交流充电装置。直流充电装置是非车载充电机,与交流电网连接,输入电压采用三相四线AC380V±15%,频率50Hz,输出为可调直流电,直接为电动汽车的动力电池充电,实现电池快充功能。交流充电装置安装在电动汽车外、与交流电网连接,为电动汽车车载充电机提供交流电源。由于直流充电桩采用三相四线制供电,可以提供足够的功率,输出的电压和电流调整范围大,能实现快速充电要求。按照用户需求趋势,快充装置的充电时间几乎能够与加油时间不相上下,那就是在直流电下可以10分钟内完成充电。

2电动汽车充电功率需求分析

按目前电动汽车充电方案设计,常规充电、快速充电和电池组快速更换系统三种模式同时存在。常规充电模式采用居民用电直接充电,充电电流较低,约为15A,需要时间长约2~8小时。目前使用最多的电动汽车电池参数在310V/120Ah以上(续航里程约300km)。普通家庭用电总功率约3k W,即使完全用于电动汽车充电,也需要12小时以上才能充满。电池更换模式是更换电池,类似常规充电。快速充电模式提供短时间充电服务,一般充电电流大小为150~400A。由于相应的大电流充电可能会对区域配电网产生有害的影响,因而快速充电模式只适用于专门的充电站。

有研究指出,在一定的市场规模下,影响电动汽车电力需求的因素可概括为动力电池、充电设施、用户行为三个方面。其中,动力电池容量决定用户的充电频率,电池容量越大,用户的充电频率越低,而充电功率也与电池容量相关,电池容量越大充电功率也越大。充电设施的配置比例自然会影响充电需求的时间分布,如对于驾驶电动汽车上下班的用户,若家庭和工作地点的停车位均有可用的充电设施,早晚2个时段都可能形成充电高峰。此外,用户行为可能会是影响电动汽车功率需求的关键因素,而且具有随机性。对电动汽车产生影响的用户行为主要包括开始充电时刻和日行驶里程两个方面,用户开始充电时间越集中,电网需提供的充电功率越大;而日行驶里程反映了用户当日的耗电量,在一定充电功率下,行驶里程与充电持续时间相关。

假设电网不控制电动汽车用户充电行为,将每一辆电动汽车充电负荷曲线累加,可得到总充电负荷曲线。充电负荷计算的难点在于分析电动汽车起始充电时间和起始SOC的随机性。充电负荷计算以天为计算单位,时间间隔精确到分钟,全天共1 440min。第i分钟总充电负荷为所有车辆在此时充电负荷之和,总充电功率可表示为:

根据上述分析,快速充电因需要建立专门充电站,功率需求也可以集中解决,问题控制相对容易。常规充电模式最大电流为15A,若为一辆电动汽车采用专线供电,需用截面为4mm2以上的导线为其充电,一个小区有20%的电动汽车,那么现有的380V低压配电网根本无法满足其集中充电需求。而且,常规充电功率需求主要取决于用户的充电行为,这让问题变得复杂和难以控制,对配网的影响也更加深远。

3汽车接入配网对负荷率的影响

负荷率是指某统计期内的平均负荷与最大负荷之比的百分数,具体的负荷率包括日负荷率、年负荷率、年平均日负荷率等。一般是以自然天为周期统计的日负荷率,衡量在自然天内负荷变动情况,以考核电气设备利用或电力系统运行均衡程度。影响电网负荷率大小的主要因素是电力负荷的结构和天气变化等用电状况。

电动汽车充电时间的叠加或负荷高峰时段的充电行为将会加重配电网负担。假设每辆电动汽车充电功率为10kw,在最极端的情况下,如果6 000万辆电动汽车同时充电,则峰值充电功率将达到6亿千瓦。按照目前总装机容量23.2亿千瓦,这个功率需求到2030年将占到全国总容量的26%。当电动汽车的数量达到一定规模后,如果任由电动汽车大规模的无序充电,巨大的充电功率将形成冲击性负荷,产生的扰动将会对电网形成巨大的冲击,负荷的巨大变化使得电网的频率、电压产生波动,从而影响电网的稳定。

按照前面的计算,接入一辆电动汽车就相当于在电网中多加了2到3家住户。一般的社区局域电网内也就是5到10家住户,加入一辆电动汽车就相当于添加了2-3家住户的负载。而且各个地区的负载能力也不同,电网面临的威胁也会更大。虽然公用的快速充电站问题要好许多,因为这些充电站是商业电网的一部分,他们配备了变压器来解决问题。但电网中数量巨大的用户其用电量瞬息万变,和电网的容量相比呈现出接近于圆滑的曲线变化,而电网中数量有限的发电厂,无论是机组入列还是解列,都呈现出阶梯状变化。这种变化会对电网本身产生一定的冲击,严重时会产生电网失步震荡。当这种失步震荡强烈到一定程度,有可能引起电厂跳闸。而跳闸又导致供电缺口增大,造成更剧烈的振荡,如同一连串的多米诺骨牌坍塌,供电损失节节攀升,停电范围迅速加大,最终有可能大到调度都无法掌控的程度。

充电负荷篇6

关键词：配电网,电动汽车,充电负荷,蒙特卡洛法,换电池

0 引言

环境污染的加剧和一次能源的日益短缺，使得电动汽车在各国得到广泛的推广应用。然而电动汽车的大量普及，将对配电网带来冲击，增加发输配电系统的压力[1,2,3]。电动汽车的大规模充电行为使得其并网时必将对配电网的电能质量、网络损耗、设备利用率等方面产生显著影响[4,5,6,7]。针对电动汽车作为移动式储能单元的时空不确定性，文献[8]基于电动汽车的开始充电时刻、行驶里程和充电功率这3个随机变量的概率分布，结合美国居民出行调查NHTS(National Household Travel Survey)统计数据，建立了公务和私用2类电动汽车的充电负荷需求模型;文献[9]考虑了4种不同类型的电动汽车及其相应的充电行为，提出采用蒙特卡洛模拟抽取初始荷电状态SOC(State Of Charge)、起始充电时间的电动汽车充电负荷计算方法;文献[10]根据实时电价和电动汽车蓄电池的初始SOC曲线，建立了改进的电动汽车充电负荷需求模型。以上文献均仅针对纯电动汽车，尚未建立混合电动汽车的充电负荷概率模型。此外，现有方法假设开始充电时刻和初始SOC相互独立，未考虑初始SOC对用户充电行为的作用。

本文针对混合动力电动汽车的电荷消耗和电荷维持2种模式切换运行的特点[11]，改进初始SOC的概率模型。考虑蓄电池充电时间长度对汽车充电开始时刻进行选择，并引入电动汽车充电数量抽样，建立多种类型电动汽车充电负荷的概率模型。通过某地的负荷数据和IEEE 34节点配电网算例，应用所提出的电动汽车充电负荷概率模型进行充电概率模拟，分析在工作日和休息日下不同渗透率的电动汽车充电负荷对配电网负荷的影响及换电池充电方式不同比例下对配电网负荷的影响。

1 改进的电动汽车充电负荷概率模拟方法

电动汽车的充电负荷模拟时须根据电动汽车的类型来选择各抽样环节的概率模型及其参数，再根据不同区域各类电动汽车数量逐台叠加，从而得到电动汽车接入配电网的负荷需求。常规概率模型仅针对纯电动汽车，认为电动汽车接入电网后随即开始充电，未考虑实时车流量概率分布，且假设开始充电时刻和初始SOC相互独立，不能计及初始SOC对用户决定是否进行充电的影响。由于不同类型电动汽车的开始充电时间、初始SOC等充电参数不尽相同，相应的充电负荷随机特性差别较大。为研究三者对充电负荷的影响，本文采用图1所示的电动汽车4层次分类结构。其中，由于以换电池充电方式为主的运营模式处于实验发展阶段，涉及生产商多，电池标准难以统一，目前换电池主要在排放量较大的公交车中推广[12]。

针对多种类型的电动汽车接入配电网，本文改进了电动汽车负荷概率模拟结构，如图2所示(改进部分由虚线方框表示)。在行驶里程概率抽样时，先判断电动汽车是属于纯电动汽车还是混合动力电动汽车，以选择不同的行驶里程概率模型。根据电动汽车充电方式(常规、快速及换电池)和能源供给方式(蓄电池类型)，可确定不同类型电动汽车蓄电池在不同充电方式下的充电功率和SOC特性[8]，见图3和图4。图中锂电池充电过程中的功率基本恒定且起始和结束阶段较短;铅酸电池采用常规充电时峰值功率为6.50 kW，而采用快速充电时峰值功率为45.80 kW。结合初始SOC抽样，确定充电时间长度概率模型。

在改进模型中还加入电动汽车充电数量抽样来模拟电动汽车的行驶状态，避免处于行驶状态的电动汽车导致充电负荷模拟误差。

2 电动汽车充电负荷概率模型

2.1 初始SOC和充电时间长度的概率模型

纯电动汽车日行驶里程dp与汽车分类相关，根据NHTS统计数据可知其满足对数正态分布[13]:

其中，μ=ln[E(X)]-0.5 ln[1+D(X)/E2(X)]、σ2=ln[1+D(X)/E2(X)]分别为对数均值和方差，E(X)和D(X)分别为日行驶里程样本数据的均值和方差，X为服从对数正态分布的随机变量dp,x为X的可能取值。

混合动力电动汽车具有电荷消耗和电荷维持2种模式，处于电荷消耗模式时电动汽车的行驶耗能全部由蓄电池提供，一旦蓄电池能量耗尽后即转入电荷维持模式，此时由燃料提供全部能耗。本文采用混合动力电动汽车行驶里程dt和蓄电池续航里程db(db表示蓄电池充满后能维持的最大里程)2个随机变量表征混合电动汽车的日蓄电池耗能里程dh为：

假设随机变量dt和db相互独立，可得dh的概率分布函数Fdh(x)和概率密度函数fdh(x)为：

其中，fdt(x)和fdb(x)为服从式(1)的对数正态分布概率密度函数。表1为基于NHTS 2009数据库的不同类型电动汽车的行驶里程参数。

电动汽车蓄电池的SOC具有随机性，其由前次充电后的SOC和相邻2次充电的行驶里程所决定。文献[14]对电动汽车SOC随行驶里程的变化特性进行了研究，两者近似成线性关系但仍呈现一定分散性。假设电动汽车蓄电池充满后才开始行驶，则可得蓄电池的初始SOC如下：

其中，d为电动汽车的日行驶里程;h为单位行驶距离能耗量;η=0.672为汽车行驶效率常数[15];α为相邻2次充电的间隔天数，其中公交和出租车分别采用每天和每半天充1次电，而公务和私用车为每2天充1次电;En为蓄电池额定容量;Ec为蓄电池的日能耗。

将不同SOC下的行驶里程数据[14]代入式(5)可计算单位行驶距离能耗量h估算值，如图5所示，可见h满足正态分布。不同类型电动汽车的单位行驶距离能耗正态模型参数见表1[11]。初始SOC的概率密度函数fSOC(x)与2个随机变量h和d的乘积相关，根据表1数据采用数值方法可得不同类型电动汽车的初始SOC概率分布，如图6所示。其中公交车和出租车在概率密度峰值处所对应的SOC小于公务车和私用车，图6(a)和(b)对比可知混合动力电动汽车初始SOC的均值高于相同用途类型的纯电动汽车。

设电动汽车蓄电池SOC从0%充电至100%过程中充电功率随时间变化曲线为P(t)，则不同初始SOC下蓄电池充电至满电量所需的充电时间Tc为：

其中，Tcmax为蓄电池SOC从0%充电至100%所需时间。由于各类电动汽车的充电功率尚未形成统一表达式，本文在充电功率模拟时根据实测数据采用分段线性插值方法来计算不同初始SOC对应的充电时间长度，数据参考图3、图4。

公交车，出租车，公务/商务车，私用车

2.2 开始充电时刻的概率模型

a.常规和快速充电。

考虑到汽车蓄电池的初始SOC也将影响用户对于充电开始时刻的选择，设电动汽车的开始充电时刻满足均匀分布[8,9]，且出租车或公交车的上下班时间分别为Ton、Toff，午休时间为[Tm1,Tm2]。为了保证蓄电池充满后才开始行驶的约束，令Tc≥Tm2-Tm1的电动汽车只在夜晚进行充电，其开始充电时刻ts概率分布如下。

若Ton≤Tc，则：

若Ton>Tc，则：

其中，Tc由电动汽车蓄电池类型、充电方式和初始SOC决定。对于Tc时刻ts概率分布如下。< p=""> 时刻ts概率分布如下。<>

若Ton≤Tc，则：

若Ton>Tc，则：

公交和出租车的Ton、Toff、Tm1、Tm2分别设为06:00、22:00、10:00、14:00和04:00、23:00、11:00、14:00。而由于公务车和私用车仅在夜晚时段进行充电，其开始充电时刻的概率模型如式(8)、(9)所示，取公务和私用车用户的Ton、Toff分别为08:00、20:00和08:00、18:00。

b.换电池充电。

对于换电池充电方式，需根据配电网负荷变化和日电价曲线来选择低谷负荷时段进行有序充电[16]。若换电池方式的充电时间区间为[Ta1,Ta2]、[Tb1,Tb2]，则其开始充电时刻ts的概率分布为：

其中，ηa+ηb=1.0分别为充电区间[Ta1,Ta2]和充电区间[Tb1,Tb2]的概率值。换电池充电方式的充电功率灵活性强，且受充电时间的约束也相对较小，需根据实际需要来进行选择。

2.3 电动汽车充电数量的概率模型

电动汽车充电功率模拟时处于行驶状态的电动汽车由于未进入停车场/充电站，不参与充电负荷模拟。图7为典型的行驶汽车比例系数曲线[17]，图7(a)中工作日的汽车行驶比例呈双峰特性，峰值区间为[06:00,08:00]和[16:00,18:00]，采用下式计算不同类型电动汽车的充电数量：

其中，N为配电网区域的电动汽车总数;A和Nc分别为各种类型电动汽车的比例和充电数向量;ηtr为行驶汽车比例系数。由文献[18]可知1 d中不同时刻电动汽车停泊比例1-ηtr服从正态分布，采用正态分布对ηtr进行抽样可得该时刻的车辆停泊比例。

通过前述概率模型能够对接入多种类型电动汽车的配电网充电负荷进行蒙特卡洛模拟，模拟中采用各个时刻配电网充电负荷的方差系数作为收敛控制条件[19]。研究中认为电动汽车仅在充电时间段较短的中午才可能进行快速充电。此外，充电时间长度将决定用户对充电时间的选择，对于具备快速充电功能的电动汽车须计算采用常规、快速充电的充电时间Tcn和Tcr，当中午的充电时间段Tm2-Tm1≤Tcn时其在中午进行快速充电，否则为延长蓄电池寿命采用常规充电。

3 电动汽车充电对配电网负荷的影响

以IEEE 34节点算例为基础，如图8所示划分为工业、商业及居民用电负荷三大类区域，图9为某地区配变实测负荷数据，其中工业负荷包含机械、食品及制药区域。设配电网区域的汽车数量为3 540辆，根据电动汽车渗透率(配电网区域的电动汽车数量占总汽车数量的比例[8])来计算电动汽车总数。

不同区域充电站(桩)的比例为：工业用电区域中机械、食品、制药分别占18%、12%、8%，居民用电区域占26%，商业用电区域占36%。不同能源供给方式电动汽车比例为：纯电动汽车占30%，混合电动汽车占70%。不同充电方式电动汽车比例为：常规占60%，快速占30%，换电池占10%。不同用途电动汽车比例为：公交车占50%，出租车占20%，公务/商务车占20%，私用车占10%。采用铅酸蓄电池和锂离子/镍基蓄电池的电动汽车各占一半，对于不同用电区域的充电负荷按照相应充电站或充电桩等比例分配。根据图9不同负荷的特点，设置不同区域换电池充电站的充电时间区间参数。其中商业区域仅含2个充电区间，其他区域均包含3个，具体数据如表2所示。

3.1 工作日和休息日电动汽车的充电负荷影响

电动汽车渗透率分别为0%、10%和20%时，可得正常工作日和休息日配电网节点800的总负荷曲线如图10所示。在正常工作日中，当渗透率为10%时配电网最大负荷加重，负荷峰值时刻仍然出现在[10:00,12:00]间;而当渗透率升至20%时负荷曲线在22:00时出现新的高峰，此时电动汽车接入使总负荷峰值由5.1 MW升高至6.9 MW，对配电网造成更大的冲击。

与图7中的休息日负荷曲线相比，在白天和夜晚的电动汽车充电负荷高峰时段工作日负荷大幅高于休息日负荷，而凌晨的充电时段两者差别较小。由图7可知[05:00,08:00]和[15:00,18:00]时段休息日处于停泊状态的汽车比例高于工作日，但因该时段充电负荷较小，休息日负荷仅略高于工作日充电负荷。

3.2 换电池充电方式比例变化的充电负荷影响

设常规和快速充电的电动汽车保持2∶1不变，逐渐增加换电池充电方式的比重，可得图11和图12所示电动汽车渗透率20%时工作日的配电网总负荷和商业区负荷曲线。图11中换电池比例为10%和50%时峰值负荷分别增加了17.8%和6.2%，且在10%比例下总负荷在21:30出现新峰荷6.014 MW。当换电池比例增至100%时，峰值负荷仅仅增加了2.7%，且夜间低谷负荷区域得到明显填补。图12中换电池比例为10%和50%时对应的峰值负荷分别增加了12.3%和6.8%，当配电网区域所有电动汽车都采用换电池充电方式时，商业负荷峰值接近于原始负荷峰值。由于换电池充电的可控性，随着换电池比例增加，商业负荷峰谷差逐渐减小，原始负荷低谷时段得到有效填补。

图13所示为工业区域3种不同类型负荷在不同换电池比例情况下的负荷曲线，由图可知采用换电池方式的电动汽车比例增加，充电负荷填谷作用越明显，从而使负荷变化更加平缓。根据不同类型负荷曲线的变化特点，制定换电池电动汽车充电方案，能够有效减小原始负荷的波动变化，同时抑制充电负荷对配电网的影响。

图13(a)和(c)中机械和制药工业的原始负荷较为平滑，换电池比例增加虽然降低负荷峰值，但仍可能在原始负荷低谷时段产生新的峰值。因此在充电站建设规划时，应尽量将充电站设置在负荷峰谷差较大的用电区域。同时，提高换电池电动汽车比例，以充分利用充电负荷填补负荷低谷的潜力，降低电动汽车规模化对配电网带来的负荷冲击。

4 结论

充电负荷篇7

1 电动汽车充电对配电网负荷的影响

随着石油、煤炭等不可再生能源的日益紧缺, 国际社会普遍意识到调整能源结构对社会发展的重要作用, 电动汽车的产业化生产和规模化使用必然会对接入电网的运行状态造成一定的影响。

以往, 有关电动汽车的推广研究主要集中在政策和经济领域, 很少涉及其对配电网的影响。在研究电动汽车对配电网负荷的影响之前, 应先分析电动汽车的充电特性和用户充电习惯。电动汽车的两大类型分别为公交车和私家车。其中, 公交车的充电行为比较有规律性, 行驶里程也比较固定, 易于控制充电时间;私家车的充电行为比较随意, 灵活性和机动性较高。目前, 私家车充电受家庭充电设备的影响, 一般充电功率都在3 k W以下, 在理想充电状态下30 min即可充至满电。但每天的充电次数需要根据行驶里程确定, 而公交车每天需要在非运营时间集中充电或在白天分散充电。私家车和公交车所采取的快充模式和慢充模式都会对电网负荷造成影响, 在不增加电网容量的前提下, 必然会影响原有电网的安全性和稳定性。

《中国汽车产业发展报告》中指出, 电动汽车在未来20 年的时间里将进入发展的关键时期, 我国也将重点研制推出纯电动汽车和混合动力汽车, 从而提升我国电动汽车产业的整体发展水平。电动汽车在推广使用的过程中必然会经历一段从无序充电到有序充电的过程。无序充电不仅会影响原有电力系统的运行安全, 还会造成一系列的负面影响。可以预见的是, 随着电动汽车的规模化生产和大范围应用, 无序充电必然会导致原有配电网的峰值时间延长, 进而增大电网峰值负荷。这样不仅会增大电网调峰容量的需求和电能损耗, 还会降低电能质量。

2 电动汽车充电的有序控制策略

针对电动汽车充电对配电网负荷的消极影响, 可采用协调充电时间或智能充电的方式解决此问题。

2.1 协调充电时间

协调充电时间是指协调各种类型电动汽车的充电时段, 这一过程需要依赖高级计量系统和各种智能软、硬件的支持。此外, 还需要通过政策引导的方式鼓励电动汽车用户避开充电高峰期。具体而言, 可根据当前各时段的电价划分原则和具体的峰、谷时段的控制策略调控。调控电动汽车充电时段的前提是电动汽车已处于停滞或静止状态, 私家车用户的下班时间集中在每日的18:00—18:30, 私家车的静止时间将从这一时间段持续到第二天的6:00 左右。因此, 私家车用户可以在每日上午 (充电低峰) 进行快速充电, 相关单位也可组织私家车用户在每日15:00 之前利用公用充电设施慢充, 从而保证其在每日下午的充电高峰到来之前完成充电。公交车的充电时段调控可参考私家车充电的方式, 并根据其运行规律采用不同的调控模式加以引导。充电时段控制策略可有效转移电动汽车的充电负荷, 避免其在充电高峰期重叠, 从而改善配电网的负荷特性。但从另一角度分析, 这种方法过于机械化, 灵活性较低。

2.2 智能充电

智能充电可有效解决充电时间、充电地点等的不确定给电网调度带来的问题, 从而最大限度地发挥电网集中调度的优势。在智能充电方面, 本文提出了2 种充电优化策略, 即集中式充电控制策略和分布式充电控制策略。集中式充电控制策略的主要目的是减小充电负荷的峰谷差, 从而避免配电网负荷的波动;分布式充电控制策略是指管理者借助通信技术动态检测电动汽车的充电时间、初始状态、充电功率等, 并将动态更新信息与优化过程相结合, 从而为电动汽车用户提供个体化的充电方案。

协调充电时间和智能充电策略的顺利实施都需要有序充电模型作为基础和保障。电动汽车具有分散性、规模化的特点, 因此, 管理者需要据此提出有序充电实施架构, 并构建数学模型。在构建有序充电数学模型的过程中, 可以借助AMPL软件。该软件是由美国贝尔实验室开发研制的用于解决过程优化问题的数学建模软件, 可为管理人员提供多种数学建模语言, 管理人员不仅可以使用自己熟悉的符号构建模型, 还可以实现数学模型与数据文件的有效分离。虽然AMPL软件具有一定的优点, 但其作为一种编译器并不能直接解答管理人员的问题, 需要将数学模型文件转化为.nl文件, 并通过专门的求解器求解。结合不同种类电动汽车的充电模式, 可构建分层优化模型。这样不仅可使中间管理者根据电网负荷预测结果求解优化参数, 且还可根据电动汽车的充电功率、充电电流等信息对接入电网的充电负荷进行优化配置, 从而有序控制每台接入电网的电动汽车的充电行为。通过上述分析, 可将中间管理者与充电用户之间的信息交换模式简化为图1。

GPS、地理信息系统等先进技术为构建电动汽车充电模式提供了有利条件, 美国的研究人员利用充电控制软件和无线通讯设备实现了与单台电动汽车的信息通讯。这种模式不仅可以极大地满足电动汽车的充电需求, 还可以实现充电优化控制的目标, 充电用户和中间管理者均能从中受益, 且在当前配电网的约束条件下, 可改善电网的运行状态, 实现负荷波动最小的目标。

3 结束语

本文主要分析了电动汽车充电对配电网负荷的影响, 并从协调充电时间、进行智能充电两个角度提出了有序控制策略。这两种有序控制策略实施的基础和前提都是构建有序充电模型, 这也是解决配电网负荷问题的关键。

摘要：电动汽车的规模化应用可促使电能逐渐代替传统燃料能源, 从而减少燃烧石油、煤炭等产生的温室气体, 并降低我国对进口石油的依赖程度。在CO2排放方面, 15%以上的排放量来自于交通运输行业, 因此, 大力发展高效、清洁的电力能源对改善我国的能源结构、提高能源利用效率和减少大气污染有重要的意义。鉴于电动汽车广阔的发展前景, 以充电问题为切入点, 深入分析了规模化充电对配电网负荷的影响, 总结了有序控制策略, 以期为电动汽车的推广使用奠定良好的基础。