CN103870888A - 一种电动汽车负荷预测方法 - Google Patents

Abstract

本发明提供了一种电动汽车负荷预测方法，该方法包括如下步骤：对电动汽车充电功率的影响因素进行分类，对所述影响因素进行建模；确定电动汽车充电功率的影响因素，采用蒙特卡洛模拟方法预测不同影响因素下单量电动汽车一天内各时段的充电功率；确定不同职住空间的数量和每一职住空间所包含的电动汽车数量，根据不同所述影响因素下单量电动汽车一天内各时段的充电功率叠加获得每一职住区间内充电的电动汽车群体在一天内各时段的充电功率，叠加获得整个电动汽车群体在一天内各时段的充电负荷。该方法针对用户行为、充电模式、动力电池特性、渗透率、电价等因素分别进行研究，确定各项因素对电动汽车充电功率特性的影响，进行充电功率期望值预测。

Description

一种电动汽车负荷预测方法

技术领域

本发明涉及一种电网稳态分析领域的方法，具体讲涉及一种电动汽车负荷预测方法。 

背景技术

Monte Carlo模拟方法是以概率和统计的理论、方法为基础的一种计算方法，将所求解的问题统一定的概率模型相联系，用计算机实现统计模拟或抽样，以获得问题的近似解，故又称统计模拟法或统计试验法。 

电价的波动与需求之间相互影响，用户对电价的敏感度决定了用户的用电策略。价格弹性系数（一定时间段内，用电量变化的百分率与相应的电价变化的百分率之比）可近似刻画这种定量关系。 

模糊数学是研究和处理模糊性现象的一种数学理论和方法。若对论域U中的任一元素x，都有一个数A(x)∈[0.1]与之对应，则称A为U上的模糊集，A(x)称为x对A的隶属度。隶属度属于模糊评价函数里的概念：模糊综合评价是对受多种因素影响的事物做出全面评价的一种十分有效的多因素决策方法，其特点是评价结果不是绝对地肯定或否定，而是以一个模糊集合来表示。 

现有技术中，大多电动汽车的负荷预测是假定电动汽车用户行车时间、行车距离服从一定的概率分布，通过随机模拟得出电动汽车起始充电的时间和时长，并假设动力电池组按恒定功率充电进而近似模拟出电动汽车充电功率，没有对电动汽车用户的充电习惯进行分析和分类，没有对不同职住空间内用户行为的多样性进行分析，没有全面分析各项影响因素对电动汽车充电功率的影响程度，因此其研究结果只能近似模拟出电动汽车的充电功率，并不能真实反映电动汽车的用电情况。电动汽车渗透率较高的情况下，电动汽车负荷预测的不准确会对电力系统调度运行产生不利影响，可能引起电网频率波动；电动汽车负荷预测不准确会影响电力系统规划，可能导致充电高峰时期局部地区线路、变压器过载。 

从而，需要提供一种考虑充电功率各种影响因素的充电功率预测方法。 

发明内容

为克服上述现有技术的不足，本发明提供一种电动汽车负荷预测方法，该方法针对用户行为、充电模式、动力电池特性、渗透率、电价等各种因素分别进行研究，确定各项因素对电动汽车充电功率特性的影响，进行充电功率期望值预测。 

实现上述目的所采用的解决方案为： 

一种电动汽车负荷预测方法，其改进之处在于：所述方法包括如下步骤： 

I、对电动汽车充电功率的影响因素进行分类，对所述影响因素进行建模； 

II、确定电动汽车充电功率的影响因素，采用蒙特卡洛模拟方法预测不同影响因素下单量电动汽车一天内各时段的充电功率； 

III、确定不同职住空间的数量和每一职住空间所包含的电动汽车数量，根据不同所述影响因素下单量电动汽车一天内各时段的充电功率叠加获得每一职住区间内充电的电动汽车群体在一天内各时段的充电功率，叠加获得整个电动汽车群体在一天内各时段的充电负荷。 

进一步的，所述步骤I中，对电动汽车充电功率的影响因素进行分类，所述影响因素包括充电模式、在不同职住空间内的用户行车规律、电池特性、电动汽车渗透率、电力市场机制。 

进一步的，所述步骤I中，对所述影响因素进行建模包括分别对所述充电模式、在不同职住空间内的用户行车规律、电池特性进行建模，同时建立不同电力市场机制对电动汽车充电功率的影响模型。 

进一步的，所述充电模式的模型包括用户充电概率模型，建立所述用户充电概率模型包括以下步骤： 

确定用户充电概率，建立从电池剩余电量到所述模糊集合的隶属度函数： 

A:{电池剩余电量}→{有充电意愿} 

x→A(x) 

其中，x为集合{电池剩余电量}中的元素，取值范围为0-100%，作为用户充电意愿的判断依据；{有充电意愿}作为模糊集合，函数值A(x)作为当前电池电量x下用户充电的概率； 

其中，A为建立在集合{电池剩余电量}上的函数，A(x)取值范围为[0，1]，当取值越靠近1时，表示此时的电池剩余电量属于用户集合{有充电意愿}的程度越高，用户充电意愿越强。 

进一步的，所述职住空间包括生活小区、商业区、工业园区、学校聚集区。 

进一步的，所述用户行车规律包括汽车上下班到达时间、汽车上下班出发时间、行车距离；所述用户行车规律包括工作日和非工作日。 

进一步的，所述步骤I中，分别在恒功率充电和实时功率充电的充电模式下对电池特性进 行建模。 

进一步的，所述步骤I中，建立不同电力市场机制对电动汽车充电功率的影响模型包括以下步骤： 

采用T×T阶的价格弹性系数矩阵描述用电变化和电价变化的定量关系，根据下式（1）比较恒定电价和实时电价下的电动汽车充电功率变化： 

${[\frac{{\∂q}_1}{q_1}\frac{{\∂q}_2}{q_2}\·\·\·\frac{{\∂q}_T}{q_T}]}^T=E{[\frac{{\∂}_{q1}}{p_1}\frac{{\∂p}_2}{p_2}\·\·\·\frac{{\∂p}_T}{p_T}]}^T---\left(1\right)$

其中，T为研究时段数，为偏微分算子，q_i为i时刻用电量，p_i为i时刻电价，i=1,2，…T；T×T阶的价格弹性系数矩阵E如下式（2）： 

$E=\left[\begin{array}{cccc}{\mathrm{\ξ}}_{11}& {\mathrm{\ξ}}_{12}& \·\·\·& {\mathrm{\ξ}}_{1T}\\ {\mathrm{\ξ}}_{21}& {\mathrm{\ξ}}_{22}& \·\·\·& {\mathrm{\ξ}}_{2T}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ {\mathrm{\ξ}}_{T1}& {\mathrm{\ξ}}_{T2}& \·\·\·& {\mathrm{\ξ}}_{\mathrm{TT}}\end{array}\right]---\left(2\right)$

其中，对角线元素ξ_ii为自弹性系数，非对角线元素ξi_j为互弹性系数。 

进一步的，所述步骤II中，如下式（3）确定单量电动汽车任意一天同一时段的充电功率： 

$E\left(p_{\mathrm{day}1}\left(t\right)\right)=E\left(p_{\mathrm{day}2}\left(t\right)\right)\∀\mathrm{day}1,\mathrm{day}2\∈N,t=\mathrm{1,2},...1440---\left(3\right)$

其中，E(p_day1(t))和E(p_day2(t))分别为任意两天同一时段的充电功率期望；将式（3）确定共同期望值记为p(t)； 

如下式（4）确定单量电动汽车一天内各时段的充电功率： 

$\underset{m\&RightArrow;\&infin;}{\lim }p\left\{\right|\frac{1}{m}\underset{m=1}{\overset{m}{\mathrm{\&Sigma;}}}{p}_m\left(t\right)-p\left(t\right)|<\mathrm{\&epsiv;}\}=1\&ForAll;\mathrm{\&epsiv;}>0,t=\mathrm{1,2},...1440---\left(4\right)$

其中，p_m(t)为单量电动汽车第m天t时段充电功率，根据概率分布随机抽取；p(t)为期望值。 

进一步的，所述步骤III中，对所述步骤II中确定的所述电动汽车一天内各时段的充电功率叠加，获得每一职住区间内充电的电动汽车群体在一天内各时段的充电功率，叠加获得整个电动汽车群体在一天内各时段的充电负荷。 

与现有技术相比，本发明具有以下有益效果： 

（1）本发明的方法针对用户行为、充电模式、动力电池特性、渗透率、电价等各种因素 分别进行研究，确定各项影响因素对电动汽车充电功率特性的影响。 

（2）本发明的方法具有更强的通用性，可以根据电动汽车产业的发展状况、电力市场的发展状况和用户充电习惯的变化，预测各种具体场景下电动汽车群体的充电负荷。 

（3）本发明对电动汽车用户行车行为的分析更为全面，对不同职住空间内用户行为的多样性进行分析和建模，并提出了由单个场景内电动汽车充电功率到综合场景充电功率映射的方法。 

（4）本发明的方法对电动汽车充电行为的分析更为精确，在考虑用户行车行为的基础上同时考虑了基于动力电池电荷状态的用户充电意愿判断，更符合电力负荷的实际特点。 

（5）本发明的方法在考虑电动汽车充电行为的基础上，同时考虑了电动汽车渗透率、电力市场机制等外部因素对电动汽车群体充电功率的影响，更具有前瞻性。 

（6）本发明的方法具有更强的通用性，可以根据电动汽车产业的发展状况、电力市场的发展状况和用户充电习惯的变化，预测各种具体场景下电动汽车群体的充电负荷。 

附图说明

图1为本发明的方法流程示意图； 

图2为充电模式A下工作日和非工作日电动汽车充电功率曲线比较图； 

图3为充电模式B下工作日和非工作日电动汽车充电功率曲线比较图； 

图4为工作日是充电模式A和充电模式B电动汽车充电特性曲线比较图； 

图5为非工作日充电模式A和充电模式B电动汽车充电特性曲线比较图。 

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细说明。 

如图1所示，图1为本发明方法的流程图；本发明的基于影响因素分类的电动汽车负荷预测方法以下步骤： 

步骤一、对电动汽车充电功率的影响因素进行分类，对所述影响因素进行建模； 

步骤二、确定电动汽车充电功率的影响因素，采用蒙特卡洛模拟方法预测不同影响因素下单量电动汽车一天内各时段的充电功率； 

步骤三、确定不同职住空间的数量和每一职住空间所包含的电动汽车数量，根据不同所述影响因素下单量电动汽车一天内各时段的充电功率叠加获得每一职住区间内充电的电动汽车群体在一天内各时段的充电功率，叠加获得整个电动汽车群体在一天内各时段的充电负荷。 

步骤一中，对影响电动汽车充电功率的因素进行分类，分为充电模式、在不同职住空间内的用户行车规律、电池特性、电动汽车渗透率、电力市场机制5种因素。 

分别对充电模式、在不同职住空间内的用户行车规律、电池特性进行建模，同时基于电力市场机制建立不同电力市场机制对电动汽车充电功率的影响模型。 

1、充电模式有如下5种模型 

第1种模型为车主下班到达寓所后立即充电，充满为止。 

第2种模型为车主上班到达工作场所和下班到达寓所后均立即充电，充满为止。 

以上两种充电模式没有考虑电池充电开始时电池的电量状态，只要电量不满且有充电设施即充电，这与用户实际习惯有一定的出入，而且电池的频繁充电对电池寿命有一定影响。 

第3、4、5种模型加入电池剩余电量作为用户判断是否充电的标准。为增强通用性，电池的剩余电量用电池当前储存电能和电池容量的比值来表示，取值范围为区间[0，1]。 

建立第3种模型为车主下班到达寓所后若电池剩余电量低于设定值时充电； 

第4种模型为车主上班到达工作场所和下班到达寓所后若电池剩余电量低于设定值时充电。 

本发明的方法中将该设定值设为0.5。电池剩余电量低于设定值充电可以一定程度上反应用户对含有蓄电池的设备的充电特点，但针对所有用户采取同一个设定值，仍然不够准确，事实上同一个用户对充电与否的判断也存在一定的随机性。 

因此，建立第5种模型为按照以下方法得到用户充电概率：首先将{有充电意愿}看做一个模糊集合，建立从电池剩余电量到该集合的隶属度函数如下： 

A:{电池剩余电量}→{有充电意愿} 

x→A(x)(1) 

其中，x是集合{电池剩余电量}中的元素，取值范围为0-100%，它作为用户充电意愿的判断依据； 

A为建立在集合{电池剩余电量}上的函数，A(x)取值范围为[0，1]，当取值越靠近1时，表示此时的电池剩余电量属于用户集合{有充电意愿}的程度越高，也就是用户充电意愿越强；然后将函数值A(x)作为当前电池电量x下用户充电的概率。 

构造隶属度函数A如式（2）所示： 

$\left(x\right)\left\{\begin{array}{cc}0& 80\%\&le;x\&le;100\%\\ \frac{1}{2}+\frac{1}{2}\sin (\mathrm{\&pi;}\&CenterDot;\frac{x-0.55}{0.5})& 30\%\&le;x\&le;80\%\\ 1& 0\&le;x\&le;30\%\end{array}\right.---\left(2\right)$

该隶属度函数的构造满足：（1）保证了充电意愿关于电池剩余电量的连续性；（2）当电池剩余电量大于80%时，不进行充电；（3）当电池剩余电量低于30%时，一定进行充电。 

2、职住空间和用户行车规律 

本方法中，职住空间为城市内各个功能区域，具体分析生活小区、商业区、工业园区、学校聚集区4类。上述分类可根据不同地区的汽车数据进行统计，分类。 

本方法中，用户行车规律包括汽车上下班到达时间、汽车上下班出发时间、行车距离；用户行车规律分为工作日和非工作日两种情形。上述时间分类也可根据不同地区的汽车数据进行统计，分类。 

3、建立不同电力市场机制对电动汽车充电功率的影响模型 

建立不同电力市场机制对电动汽车充电功率的影响模型的具体方法为：采用T×T阶的价格弹性系数矩阵刻画用电变化和电价变化的定量关系，然后用下式比较恒定电价和实时电价下的电动汽车充电功率变化： 

${[\frac{{\&PartialD;q}_1}{q_1}\frac{{\&PartialD;q}_2}{q_2}\&CenterDot;\&CenterDot;\&CenterDot;\frac{{\&PartialD;q}_T}{q_T}]}^T=E{[\frac{{\&PartialD;}_{q1}}{p_1}\frac{{\&PartialD;p}_2}{p_2}\&CenterDot;\&CenterDot;\&CenterDot;\frac{{\&PartialD;p}_T}{p_T}]}^T---\left(3\right)$

其中T为研究时段数，

为偏微分算子，q_i为i时刻用电量，p_i为i时刻电价，i=1,2，…T.T×T阶的价格弹性系数矩阵E为： 

$E=\left[\begin{array}{cccc}{\mathrm{\&xi;}}_{11}& {\mathrm{\&xi;}}_{12}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&xi;}}_{1T}\\ {\mathrm{\&xi;}}_{21}& {\mathrm{\&xi;}}_{22}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&xi;}}_{2T}\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ {\mathrm{\&xi;}}_{T1}& {\mathrm{\&xi;}}_{T2}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&xi;}}_{\mathrm{TT}}\end{array}\right]---\left(4\right)$

其中，对角线元素ξ_ii为自弹性系数，非对角线元素ξ_ij为互弹性系数。为了简化，将电力需求量与电价之间的非线性关系一阶线性化，即认为每个计算周期内价格弹性系数都是常数。更具体的，选取T为5，价格弹性系数矩阵E见下式： 

$E_{5\&times;5}=\left[\begin{array}{ccccc}-1& 0.5& 0.4& 0.3& 0.2\\ 0.5& -1& 0.5& 0.4& 0.3\\ 0.4& 0.5& -1& 0.5& 0.4\\ 0.3& 0.4& 0.5& -1& 0.5\\ 0.2& 0.3& 0.4& 0.5& -1\end{array}\right]---\left(5\right)$

实时电价下，17点到凌晨3点电价（单位美元/MW）序列为[58.6，65.3，70.5，73.2，71.5，71.6，63.5，58.9，62.8，39.8，44.8]，恒定电价为该时段内的平均电价。 

步骤二中，设定影响电动汽车充电功率的因素，采用蒙特卡洛模拟方法预测不同影响因素下单量电动汽车一天内各时段的充电功率。 

由于各种环境下的用户行为（上下班到达时间，行驶里程）均假设为服从一定分布的随机量，因此一天内各时段的充电功率同样为服从某一固定分布的随机量，本发明提到的功率预测均指各时段的充电功率期望值的预测。 

时段区间长度为1分钟，每天分为1440个时段。可以认为，任意两辆电动汽车的充电行为是相互独立的事件，因此不同电动汽车在任一时段的充电功率都是独立分布的，所以有： 

E(p(t))＝E(p₁(t)+p₂(t)…+p_n(t)＝E(p₁(t))+E(p₂(t))+…E(p_n(t))   （6） 

其中，E(p(t))表示n辆汽车第t时段电动汽车充电总功率期望值，p_i(t)表示第i辆电动汽车在第t时段的充电功率(为随机变量)，E(p_i(t))为p_i(t)的期望值。 

而对于某一场景下具有同样用户行为的一类电动汽车集合，记为M，则对于M中的任意元素ev_i和ev_j有： 

E(p_i(t))＝E(p_j(t))t＝1,2,…1440   （7） 

其中E(p_i(t))和E(p_j(t))分别为第t时段ev_i和ev_j的充电功率期望值。结合式(5)，得到： 

E(p(t))＝n·E(p₁(t))t＝1,2,…1440   （8） 

其中，n为M的模。 

根据式（7）和（8），各时段每一类电动汽车充电总功率的期望值可以由其中一辆电动汽车充电功率的期望值计算得到，整个场景内电动汽车充电总功率期望值为各类电动汽车充电总功率期望值的代数和。 

运用蒙特卡洛模拟估计单量电动汽车一天内各时段充电功率的平均值。 

根据假设，单量电动汽车一天内各时段充电功率服从某一固定分布，因此任意两天同一 时刻该电动汽车的充电功率是独立同分布的，且显然期望值存在。根据统计学辛钦大数定律，有： 

$\underset{m\&RightArrow;\&infin;}{\lim }p\left\{\right|\frac{1}{m}\underset{m=1}{\overset{m}{\mathrm{\&Sigma;}}}{p}_m\left(t\right)-\frac{1}{m}\underset{m=1}{\overset{m}{\mathrm{\&Sigma;}}}E\left(p_m\left(t\right)\right)|<\mathrm{\&epsiv;}\}=1\&ForAll;\mathrm{\&epsiv;}>0,t=\mathrm{1,2},...1440---\left(9\right)$

其中，p_m(t)为单量电动汽车第m天t时段充电功率（依据其概率分布随机抽取的值），E(p_m(t))为p_m(t)的期望值， 

$p\left\{\right|\frac{1}{m}\underset{m=1}{\overset{m}{\mathrm{\&Sigma;}}}{p}_m\left(t\right)-\frac{1}{m}\underset{m=1}{\overset{m}{\mathrm{\&Sigma;}}}E\left(p_m\left(t\right)\right)|<\mathrm{\&epsiv;}\}$ 为 $|\frac{1}{m}\underset{m=1}{\overset{m}{\mathrm{\&Sigma;}}}{p}_m\left(t\right)-\frac{1}{m}\underset{m=1}{\overset{m}{\mathrm{\&Sigma;}}}E\left(p_m\left(t\right)\right)|<\mathrm{\&epsiv;}$ 成立的概率。 

由于任意两天同一时刻该电动汽车的充电功率是独立同分布的，所以 

$E\left(p_{\mathrm{day}1}\left(t\right)\right)=E\left(p_{\mathrm{day}2}\left(t\right)\right)\&ForAll;\mathrm{day}1,\mathrm{day}2\&Element;N,t=\mathrm{1,2},...1440---\left(10\right)$

将这个共同的期望值记为p(t)，则式（9）可为： 

$\underset{m\&RightArrow;\&infin;}{\lim }p\left\{\right|\frac{1}{m}\underset{m=1}{\overset{m}{\mathrm{\&Sigma;}}}{p}_m\left(t\right)-p\left(t\right)|<\mathrm{\&epsiv;}\}=1\&ForAll;\mathrm{\&epsiv;}>0,t=\mathrm{1,2},...1440---\left(11\right)$

辛钦大数定律表明，当选取样本（这里指天数）足够大时，电动汽车在一天内各时段充电功率的样本平均值依概率收敛于该时段充电功率的期望值。 

因此，可以根据电动汽车行为所服从的分布随机抽取M天内的当天行为，计算单量电动汽车M天内各时段充电功率的累计值P_M(t)，M足够大时，单量电动汽车一天内各时段充电功率平均值可由式（12）估计得到。 

$P\left(t\right)=\frac{1}{M}{P}_{M}t=\mathrm{1,2},...1440---\left(12\right)$

由于第一步计算单量电动汽车M天各时段充电功率叠加之和，且M足够大，因此初始化时汽车电池剩余电量的选取对结果几乎不产生影响，在实际计算时电池初始剩余电量均设定为90%。 

步骤三中，确定不同职住空间的数量和每一职住空间所包含的电动汽车数量；根据步骤二的结果叠加得到每一职住区间内充电的电动汽车群体在一天内各时段的充电功率，进而叠加计算得到整个电动汽车群体在一天内各时段的充电负荷。 

职住空间为城市内各个功能区域，具体分析生活小区、商业区、工业园区、学校聚集区4类。 

用户行车规律包括汽车上下班到达时间、汽车上下班出发时间、行车距离；用户行车规律分为工作日和非工作日两种情形。 

工作日情况如下：在生活小区，在生活区内，用户下班到达寓所后可能会选择充电，用户下班到达时间分布和日平均行驶里程均参考以一年某市交通发展年度报告给出的相应数据。 

在商业区内，电动汽车在该区域内的流动较为灵活，因此充电功率预测随机性较大，需要建立用户行为的合理假设。商业区主要包括金融机构、商场、餐饮服务业、宾馆等，因此包含一定数量上班到达车辆，以及一定数量的流动车辆，它们均有可能在商业区进行充电。因此将商业区的电动汽车行为分为两部分。 

第一部分为上班到达车辆的充电行为，其到达时间集中在7:30和8:30之间，假设服从这个时间段内的均匀分布。为了充分体现商业区车辆流动性，这里假设流动车辆到达商业区后需充电量正相关于其到达时间，如下式（13）表示。 

C_cbd,flow＝(t/24*0.4+0.8)l_average*C_battery/l_max   （13） 

其中，C_cbd，flow为流动车辆到达商业区后所需电量，t为车辆到达时间，l_average为车辆平均行驶里程，本方法参考2011北京市交通发展年度报告相关数据设定为15km，C_battery为电池容量，l_max为最大行驶里程，本方法选取NISSAN LEAF电动汽车数据，电池容量C_battery为24kW·h，最大行驶里程160km。 

在工业园区，由于部分工厂采用三班制、四班制等作息方法，因此在24小时内会存在多个车辆到达高峰。三班制的作息方式会导致0时、8时、16时迎来汽车到达高峰，四班制作息方式会导致0时、6时、12时和18时迎来到达高峰。设置工业园区的电动汽车到达时间在0:00至1:00、5:30至6:30、11:30至12:30和17:30至18:30这四个时间区间的并集内均匀分布。 

在学校集中区域（大学城），电动汽车用户主要为高校教师、工作人员。由于高校上课时间分散、教师往返不同校区之间等因素，大学城的汽车到达时间分布会更加均匀，但同样会在8-9时和2-3时两个上班到达时段出现高峰。设置学校聚集区电动汽车到达时间在8:00至9:00和2:00至3:00这两个时间区间的并集内均匀分布。 

非工作日，工业区车辆行车行为不变，生活区下班到达车辆数量减少60%，商业区流动车辆增加50%，学校聚集区域车辆到达数量为工作日的20%。 

本方法中，电池模型有两种，包括恒功率充电和实时功率充电两种充电方式下电池充电 功率模型。实时充电模型通过电池充电实验得到，恒功率模型为电动汽车以恒定功率充电，该恒定功率为实验得到的电池平均充电功率。 

本方法中，电动汽车渗透率为电动汽车占汽车总体的比例。为了预测电动汽车产业不同发展阶段时电动汽车的充电功率，本方法中设置的渗透率有5%,20%,30%等值，视具体场景而定。 

本发明提供了一具体实施案例，建立一个全面的虚拟场景M，包含：1个大学城，1个工业园区，2个商业区，分别有500辆电动汽车往返于大学城和居民区，有400辆电动汽车往返于商业区和居民区，另外商业区有1500辆·次/天的流动车。 

对于充电模式，假定充电设施齐全，在工作地点和寓所（居民区）均可充电，选择两种充电模式：到达有充电设施的场所即充电（即上述第二种充电模型，此处记为充电模式A）和到达有充电设施的场所且电池剩余电量低于某一特定值即充电（即上述第四种充电模型，此处记为充电模式B）。考虑到工作日和非工作日，共有以下四种不同的情景将对应不同的充电特性： 

情景1：工作日，充电模式A； 

情景2：工作日，充电模式B； 

情景3：非工作日，充电模式A； 

情景4：非工作日，充电模式B。 

首先固定充电模式，模拟工作日和非工作日电动汽车充电功率特性曲线。结果如图2、3所示。 

由模拟结果可以得出以下结论： 

（1）非工作日电动汽车充电所需电量有所下降，这和非工作日车主用车减少的实际情况相符。 

（2）在两种充电模式下，电动汽车非工作日充电功率曲线与工作日相比波动大幅减小，事实上，工作日充电曲线的两个高峰都是由上班、下班行为导致的。 

（3）非工作日晚8点左右也出现充电高峰，这是由商业区流动车辆充电高峰、工业园区三班制上班到达高峰、部分工作日仍然上班的车主下班到达高峰同时作用的结果。 

固定工作日或非工作日，比较充电模式A和充电模式B下的充电特性曲线如图4、5所示。 

从模拟结果也可以得到以下结论： 

（1）充电模式的选择只改变充电功率曲线波形的变化，不改变充电所需总电量，用户所 需总电量仅与用户行车行为有关。 

（2）在工作日和非工作日，选取充电模式B时的充电功率曲线均比选取模式A时的曲线平缓，在工作日主要体现在大幅降低充电高峰时段功率峰值，在非工作日主要体现在平缓短时间内功率波动。 

最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。 

Claims (10)

1.一种电动汽车负荷预测方法，其特征在于：所述方法包括如下步骤：

I、对电动汽车充电功率的影响因素进行分类，对所述影响因素进行建模；

II、确定电动汽车充电功率的影响因素，采用蒙特卡洛模拟方法预测不同影响因素下单量电动汽车一天内各时段的充电功率；

III、确定不同职住空间的数量和每一职住空间所包含的电动汽车数量，根据不同所述影响因素下单量电动汽车一天内各时段的充电功率叠加获得每一职住区间内充电的电动汽车群体在一天内各时段的充电功率，叠加获得整个电动汽车群体在一天内各时段的充电负荷。

2.如权利要求1所述的一种电动汽车负荷预测方法，其特征在于：所述步骤I中，对电动汽车充电功率的影响因素进行分类，所述影响因素包括充电模式、在不同职住空间内的用户行车规律、电池特性、电动汽车渗透率、电力市场机制。

3.如权利要求2所述的一种电动汽车负荷预测方法，其特征在于：所述步骤I中，对所述影响因素进行建模包括分别对所述充电模式、在不同职住空间内的用户行车规律、电池特性进行建模，同时建立不同电力市场机制对电动汽车充电功率的影响模型。

4.如权利要求3所述的一种电动汽车负荷预测方法，其特征在于：所述充电模式的模型包括用户充电概率模型，建立所述用户充电概率模型包括以下步骤：

确定用户充电概率，建立从电池剩余电量到所述模糊集合的隶属度函数：

A:{电池剩余电量}→{有充电意愿}

x→A(x)

其中，x为集合{电池剩余电量}中的元素，取值范围为0-100%，作为用户充电意愿的判断依据；{有充电意愿}作为模糊集合，函数值A(x)作为当前电池电量x下用户充电的概率；

其中，A为建立在集合{电池剩余电量}上的函数，A(x)取值范围为[0，1]，当取值越靠近1时，表示此时的电池剩余电量属于用户集合{有充电意愿}的程度越高，用户充电意愿越强。

5.如权利要求2所述的一种电动汽车负荷预测方法，其特征在于：所述职住空间包括生活小区、商业区、工业园区、学校聚集区。

6.如权利要求2所述的一种电动汽车负荷预测方法，其特征在于：所述用户行车规律包括汽车上下班到达时间、汽车上下班出发时间、行车距离；所述用户行车规律包括工作日和非工作日。

7.如权利要求1或所述的一种电动汽车负荷预测方法，其特征在于：所述步骤I中，分别在恒功率充电和实时功率充电的充电模式下对电池特性进行建模。

8.如权利要求3所述的一种电动汽车负荷预测方法，其特征在于：所述步骤I中，建立不同电力市场机制对电动汽车充电功率的影响模型包括以下步骤：

采用T×T阶的价格弹性系数矩阵描述用电变化和电价变化的定量关系，根据下式（1）比较恒定电价和实时电价下的电动汽车充电功率变化：

${[\frac{{\&PartialD;q}_1}{q_1}\frac{{\&PartialD;q}_2}{q_2}\&CenterDot;\&CenterDot;\&CenterDot;\frac{{\&PartialD;q}_T}{q_T}]}^T=E{[\frac{{\&PartialD;}_{q1}}{p_1}\frac{{\&PartialD;p}_2}{p_2}\&CenterDot;\&CenterDot;\&CenterDot;\frac{{\&PartialD;p}_T}{p_T}]}^T---\left(1\right)$

其中，T为研究时段数，为偏微分算子，q_i为i时刻用电量，p_i为i时刻电价，i=1,2，…T；T×T阶的价格弹性系数矩阵E如下式（2）：

$E=\left[\begin{array}{cccc}{\mathrm{\&xi;}}_{11}& {\mathrm{\&xi;}}_{12}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&xi;}}_{1T}\\ {\mathrm{\&xi;}}_{21}& {\mathrm{\&xi;}}_{22}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&xi;}}_{2T}\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ {\mathrm{\&xi;}}_{T1}& {\mathrm{\&xi;}}_{T2}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&xi;}}_{\mathrm{TT}}\end{array}\right]---\left(2\right)$

其中，对角线元素ξ_ii为自弹性系数，非对角线元素ξi_j为互弹性系数。

9.如权利要求1所述的一种电动汽车负荷预测方法，其特征在于：所述步骤II中，如下式（3）确定单量电动汽车任意一天同一时段的充电功率：

$E\left(p_{\mathrm{day}1}\left(t\right)\right)=E\left(p_{\mathrm{day}2}\left(t\right)\right)\&ForAll;\mathrm{day}1,\mathrm{day}2\&Element;N,t=\mathrm{1,2},...1440---\left(3\right)$

其中，E(p_day1(t))和E(p_day2(t))分别为任意两天同一时段的充电功率期望；将式（3）确定共同期望值记为p(t)；

如下式（4）确定单量电动汽车一天内各时段的充电功率：

$\underset{m\&RightArrow;\&infin;}{\lim }p\left\{\right|\frac{1}{m}\underset{m=1}{\overset{m}{\mathrm{\&Sigma;}}}{p}_m\left(t\right)-p\left(t\right)|<\mathrm{\&epsiv;}\}=1\&ForAll;\mathrm{\&epsiv;}>0,t=\mathrm{1,2},...1440---\left(4\right)$

其中，p_m(t)为单量电动汽车第m天t时段充电功率，根据概率分布随机抽取；p(t)为期望值。

10.如权利要求1所述的一种电动汽车负荷预测方法，其特征在于：所述步骤III中，对所述步骤II中确定的所述电动汽车一天内各时段的充电功率叠加，获得每一职住区间内充电的电动汽车群体在一天内各时段的充电功率，叠加获得整个电动汽车群体在一天内各时段的充电负荷。

Images