CN107067110A

CN107067110A - 车‑路‑网模式下电动汽车充电负荷时空预测方法

Info

Publication number: CN107067110A
Application number: CN201710248050.5A
Authority: CN
Inventors: 穆云飞; 邵尹池; 贾宏杰; 董晓红; 余晓丹
Original assignee: Tianjin University
Current assignee: Tianjin University
Priority date: 2017-04-14
Filing date: 2017-04-14
Publication date: 2017-08-18
Anticipated expiration: 2037-04-14
Also published as: CN107067110B

Abstract

本发明公开了一种车‑路‑网模式下电动汽车充电负荷时空预测模型，首先，通过建立单体电动汽车充电模型和计及交通网络拓扑特性、速度‑流量实用关系模型及区域属性特征的道路交通模型，来模拟城市区域路网约束下电动汽车的交通行驶特性；进而运用交通起止点分析法(Origin‑Destination,OD)来精确模拟电动汽车行驶路径，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；最后将城市路网及充电负荷归算至对应配电网节点，通过序列化潮流算法来评估大规模电动汽车接入后对配电网的影响。

Description

车-路-网模式下电动汽车充电负荷时空预测方法

技术领域

本发明属于电动汽车充电负荷时空预测技术领域，涉及大规模电动汽车模型，道路交通网络模型和充电负荷时空预测方法。

背景技术

在能源急剧短缺、全球气候变暖的背景下，电动汽车作为一种新能源交通工具，在减少二氧化碳排放、缓解能源危机等方面具有巨大的优势和潜能。由于受续航里程和充电设施的制约，电动汽车的大规模应用集中在城市区域，其充电行为与交通系统和电力系统都息息相关。城市交通系统有着鲜明且复杂的道路拓扑结构和流量特性，因此在进行充电负荷预测时，应将电动汽车、城市交通网、城市配电网视为整体开展研究。

电动汽车充电方式通常可以分为由集中式充电站提供的快速充电(简称“快充”)和分散式充电桩提供的慢速充电(简称“慢充”)。作为一种可移动的电力负荷，其分布不仅依赖于电池容量，续航里程等汽车参数，同时也受用户日常出行特点和充电方式的影响。

当前电动汽车充电负荷预测的研究：分析与电动汽车充电负荷相关的各种因素，提出一种电动汽车充电负荷的统计学建模方法^[1]；或者分析各类电动汽车的充电模式，提出综合考虑私家车、公交车、计程车等不同类型汽车充电负荷时间分布的计算方法^[2]；或者基于城市居民分布与出行信息统计数据，分析了城市居民区与商业区充电负荷的差异性^[3]；在此基础上通过建立停车生成率模型进行停车需求分析，提出一种基于电动汽车驾驶、停放特性的电动汽车充电负荷预测方法^[4]。

另一方面，针对大规模电动汽车接入电网可能产生的充电负荷冲击，开展了电动汽车充电负荷对电网影响的研究：结合产业发展现状，分别从输电网、配电网及充电设施的角度详细分析了充电负荷对电网的影响^[5]；讨论大规模电动汽车的接入对居民区、商业区和工业区配电网的影响^[6]；指出如果缺乏有效的充电负荷分配手段，即使低渗透率下的电动汽车接入同样可以在高峰时段加重电网负担^[7]。从配电网角度看，研究充电负荷的时空分布特性对配电网的分析和评估有着至关重要的影响。目前的研究：将充电站设在高速公路出口，研究高速公路上快充负荷时空特性^[8]；采用离散状态的马尔科夫链模拟电动汽车行驶的时空特性^[9]。

城市区域充电负荷的时空分布特性，需要进一步开展探索。一些学者引入Origin-Destination(OD)分析法，建立了一种结合交通系统和配电系统的时空分布模型(Spatialand Temporal Model,STM)^[10]，该预测模型不涉及具体的交通网络模型，主要用于区域间充电负荷的预测；还有学者提出车-路-网系统的概念，融合交通网和配电网信息，提出了电动汽车最优充电路径策略^[11]；或是利用云计算和大数据平台提供的数据，结合分析单车的负荷曲线，计算特定区域内各充电站归属的电动汽车集群负荷^[12]。以上研究均涉及电动汽车与交通网、配电网的交互，但是尚未考虑城市区域的道路交通模型、充电基础设施的多样性和电动汽车分散，多归属特征。

现有方法针对城市区域的充电负荷预测模型尚未充分考虑复杂的道路交通模型，电动汽车类型和充电模式的多样性，城市区域电动汽车充电负荷的时空分布特性需要进一步开展探索。

[参考文献]

[1]田立亭，史双龙，贾卓；电动汽车充电功率需求的统计学建模方法[J]；电网技术，2010，34(11)：126-130。

[2]罗卓伟，胡泽春，宋永华，等.电动汽车充电负荷计算方法[J].电力系统自动化，2011，35(14)：36-42。

[3]Steen D，Tuan L，et al.Assessment of electric vehicle chargingscenarios based on demographical data.IEEE Transactions on Smart Grid.2012，3(3)：1457-1468。

[4]张洪财，胡泽春，宋永华，等；考虑时空分布的电动汽车充电负荷预测方法[J]；电力系统自动化，2014，38(1)：13-20。

[5]高赐威，张亮；电动汽车充电对电网影响的综述[J]；电网技术，2011，35(2)：127-131。

[6]K.Qian，C.Zhou，M.Allan.Modeling of load demand due to EV batterycharging in distribution systems[J].IEEE Transactions on Power Systems，2011，26(2)：802-810。

[7]Rahman S，Shrestha GB.An investigation into the impact of electricvehicle load on the electric utility distribution system[J].IEEE Trans PowerDel 1993；8(2)：591–597。

[8]Bae S，Kwasinski A.Spatial and temporal model of electric vehiclecharging demand[J].IEEE Trans Smart Grid 2012；3(1)：394–403。

[9]Soares FJ，Lopes JAP，Almeida PMR.A Monte Carlo method to evaluateelectric vehicles impacts in distribution networks[J].IEEE Conference onInnovative Technologies for an Efficient and Reliable Electricity Supply(CITRES)，Waltham，U.S.A，2010。

[10]Yunfei Mu，Jianzhong Wu，Nick Jenkins et al.A spatial-temporalmodel for grid impact analysis of plug-in electric vehicles[J].AppliedEnergy，2012，94：395–405。

[11]严弈遥，罗禹贡，朱陶，李克强；融合电网和交通网信息的电动车辆最优充电路径推荐策略[J]；中国电机工程学报，2015，35(2)：310-318。

[12]黄小庆，陈颉，陈永新，等；大数据背景下的充电站负荷预测方法[J]；电力系统自动化，2016,40(12):68-74。

[13]J Ma，X Yu，G Chen，J Wang and Y Pu.Research on urban accessibilitydistribution areal model by Floyd algorithm and Kriging interpolation[J].Geoinformatics，2010 18th International Conference，2010：1-4。

[14]陈盛；城市道路交通流速度流量实用关系模型研究[D]；东南大学，2004。

[15]罗霞，杜进有，陈应文；混合车流交通流特性分析[J]；西南交通大学学报，2000，35(3)：297-300。

[16]王炜，孙俊；大型交通网络OD矩阵推算方法研究[J]；东南大学学报，1996，26(6):49-56。

[17]肖志国；区域OD矩阵反推技术评价及其理论研究[D]；华中科技大学，2006。

[18]EU Merge Project.Deliverable 2.1：Modelling Electric Storagedevices for electric vehicles[R],Task,2010,<http//www.ev-merge.eu/images/stories/uploads/MERGE_WP2_D2.1.pdf>。

发明内容

车-路-网模式下电动汽车充电负荷在同一时间尺度下具有双重属性：一是空间属性，包括实时位置、目的地和行驶速度等；二是能量属性，包括单位里程能耗、实时电量和续航里程等。交通网络的拓扑结构和道路饱和程度直接影响电动汽车的空间属性，而空间属性所确定的行驶路径长度，则影响着电动汽车的能量属性；而电池电量又反过来影响电动汽车的空间分布。鉴于不同类型电动汽车空间属性和能量属性的差异，大规模电动汽车的充电负荷会具有明显的时空分布特性。针对现有技术中存在的不足，本发明考虑城市道路交通特征和电动汽车行驶特性的电动汽车充电负荷时空分布模型，提出了一种车-路-网模式下电动汽车充电负荷时空预测方法。

为了解决上述技术问题，本发明提出的一种车-路-网模式下电动汽车充电负荷时空预测方法，包括以下步骤：

步骤一：构建交通网络模型，包括：

步骤1-1：表征网络拓扑结构，以G(V,E)代表道路网络拓扑图，其中：V是{1,2...n}为路网系统中的道路交叉节点集合，E是路网系统中的道路；所有道路均为双行道，道路权值的邻接矩阵为D，用于描述各路段长度以及节点连接关系；D中元素d_ij的赋值规则如(1)式所示：

其中l_ij是节点i和节点j之间的道路长度；inf表示节点不直接连通。因此矩阵D可以用(2)式表示：

利用Floyd最短路径算法，即可获取道路各节点间的最短行驶路径。

步骤1-2：建立速度-流量实用模型；

利用如式(3)所示的速度-车流量实用模型计算t时刻道路{i₂,j₂}上车辆的行驶速度v：

式(3)中，V_i2j2-m表示道路{i,j}的零流速度；C_i2j2为道路{i₂,j₂}的通行能力，q_i2j2(t)为t时刻当前道路汽车数量；q_i2j2(t)与C_i2j2的比值为当前道路饱和度；a,b,n为不同道路等级下的自适应系数，将道路{i₂,j₂}分为主干道和次干道，对主干道，a,b,n分别取值1.726、3.15和3；对次干道，a,b,n分别取值2.076、2.870和3；

步骤1-3：划分功能区域；

将城市区域按照功能定位与基本负荷特征划分为居民区、商业区和工作区，各区域均包含若干交通节点和配电网节点；

步骤二：获取电动汽车参数，包括基本固定参数和状态参数；

步骤2-1：按出行特点将电动汽车分为三种类型，包括计程车、上班用私家车和其他功能用车，所述其它功能用车至少包括非工作用私家车、商务车和小型货物用车；

步骤2-2：获取电动汽车基本固定参数，包括厂商、型号、电池种类、电池容量Cap和每公里的耗电量ΔCap；

步骤2-3：获取区域内三种类型电动汽车的出行时间概率分布曲线，往返居住地与工作地点的私家车的返程时间的概率分布曲线；

步骤2-4：确定每辆电动汽车状态参数，包括：

步骤三：计算单台电动汽车充电负荷的时空分布，

首先，根据大型交通网络OD矩阵推算方法得到三种类型电动汽车在不同时段的OD矩阵；然后，调用每一类电动汽车所对应的OD矩阵，利用OD分析法确定待充电位置和充电时间，包括以下情形：

3-1、若第j辆电动汽车的类型为计程车，则：根据计程车出行分布概率曲线生成出行时刻t_s，令仿真时刻t＝t_s，通过调用计程车OD矩阵B和Floyd算法确定行驶目的地d和行驶里程l_d；由步骤1-2建立的速度-流量实用模型计算各路段的行驶速度和v行驶时间Δt_i；当电量Cap_t低于阈值Cap_c时就近快充，从而确定带充电位置和充电时间；重复该过程至满足仿真结束为止，从而确定该辆计程车一天内的快充信息；

3-2、若第j辆电动汽车的类型为上班用私家车，则：根据上班用私家车出行分布概率曲线生成出行时刻t_s，令仿真时刻t＝t_s，通过调用上班用私家车OD矩阵和Floyd算法确定行驶目的地即工作地d和行驶里程l_d；到达工作地d后更新电动汽车状态参数，比较行驶里程l_d与续航里程R，判断是否电量能否支撑返程，若不能则在工作地d慢充，若能则确定返程时刻t_f，返回居住地后更新状态参数，并由学者Yunfei Mu，Jianzhong Wu等人提出的智能充电策略确定慢充开始充电时间；

3-3、若第j辆电动汽车的类型为其他功能用车，则：根据其他功能用车出行分布概率曲线生成出行时刻t_s，令仿真时刻t＝t_s，通过调用其他功能用车OD矩阵和Floyd算法确定本段行驶目的地d和行驶里程l_d；比较行驶里程l_d与续航里程R，判断是否需要途中快充，如需要，则按照上述3-1中提供的方法确定充电位置和充电时间；到达目的地d后更新电动汽车状态参数，并生成下一段行驶时间t_s1和行驶目的d₁，利用Floyd算法计算行驶里程l_d，比较行驶里程l_d与续航里程R，判断是否需要在目的地d充电，根据逗留时间长短确定充电方式为快充或慢充；重复该过程至满足仿真结束为止，从而确定该辆其他功能用车一天内的充电信息；

步骤四：蒙特卡洛计算电动汽车集群充电负荷的时空分布。

与现有的预测方法相比，该发明的有益效果是：

(1)以电动汽车充电负荷为纽带，构建车-路-网一体化模式，充分考虑电动汽车充电负荷的时空特征；

(2))在车-路-网模式下，根据道路交通模型，利用OD分析法将电动汽车出行行为模拟细化到交通节点并考虑道路的容纳能力；

(3)针对不同电动汽车类型，根据其出行需求判断充电模式，从而确定充电负荷。

附图说明

图1是车-路-网模式下电动汽车充电负荷时空预测模型框架；

图2是本发明实施例中某主城区部分主干道示意图；

图3-1和图3-2两幅图连接后共同反映了本发明车-路-网模式下电动汽车充电负荷时空预测方法流程图，其中A、B、C、D、E、F、G和I是图3-1和图3-2之间对应的连接位置；

图4是三种类型电动汽车初始位置分布曲线；

图5(a)和图5(b)分别是三种类型电动汽车起讫时间分布曲线；其中图5(a)为出行时刻概率分布曲线，图5(b)为返程时刻概率分布曲线；

图6是测试区域快充负荷的时空分布图；

图7(a)、图7(b)、图7(c)和图7(d)是在仅考虑基础负荷、计及慢充负荷、同时计及慢充和快充负荷三种场景下本发明实施例中各区域负荷需求；其中，图7(a)居民区1负荷曲线，图7(b)居民区2负荷曲线，图7(c)商业区负荷曲线，图7(d)工作区负荷曲线；

图8(a)、图8(b)和图8(c)是在三种场景下配电网节点电压；图8(a)是基础负荷场景下节点电压，图8(b)计及慢充负荷场景下节点电压，图8(c)计及慢充和快充负荷场景下节点电压。

具体实施方式

本发明的设计思路是：根据欧盟第七框架MERGE项目电动汽车数据库建立单体电动汽车充电模型，根据地理信息系统数据建立计及交通网络拓扑特性、速度-流量实用关系模型及区域属性特征的道路交通模型；运用交通起止点分析法(Origin-Destination,OD)刻画电动汽车出行需求，Floyd算法确定行驶路径，从而模拟城市区域路网约束下电动汽车的交通行驶特性；进而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。可以利用本发明预测方法得到的结果，将城市路网及充电负荷归算至对应配电网节点，通过序列化潮流算法来评估大规模电动汽车接入后对配电网的影响。

下面结合附图和具体实施例对本发明技术方案作进一步详细描述，所描述的具体实施例仅对本发明进行解释说明，并不用以限制本发明。

本发明提出的一种车-路-网模式下电动汽车充电负荷时空预测方法，包括：

步骤一、获取图2所示区域的基础数据，包括交通网络数据、电动汽车参数和OD矩阵B：

数据1：根据交通部门数据，获取预测区域内道路拓扑结构，以G(V,E)代表道路网络拓扑图，其中：V＝{1,2...29}是29节点路网系统中的道路交叉节点集合；E是图中存在的边，即路网系统中存在的道路。在该结构中，假设所有道路均为双行道，矩阵D为道路权值的邻接矩阵，用于描述各路段长度以及节点连接关系。D中元素d_ij的赋值规则如(1)式所示，其中l_ij是节点i和节点j之间的道路长度；inf表示节点不直接连通。因此图2对应的矩阵D可以用(2)式表示。利用Floyd最短路径算法^[13]，即可获取道路各节点间的最短行驶路径。

数据2：根据交通部门数据，获取各路段的零流速度和通行能力，作为计算速度-流量实用模型的基础数据。

在城市交通系统中，汽车行驶速度主要受道路容量和车流量的影响。为模拟车辆行驶过程，本发明中应用速度-流量实用模型计算考虑道路容量和流量的行驶速度^[14][15]。速度-车流量实用模型计算t时刻道路{i₂,j₂}上车辆的行驶速度v，表达式如(3)：

式(3)中，V_i2j2-m表示道路{i,j}的零流速度；C_i2j2为道路{i₂,j₂}的通行能力，q_i2j2(t)为t时刻当前道路汽车数量；q_i2j2(t)与C_i2j2的比值为当前道路饱和度；a,b,n为不同道路等级下的自适应系数，将道路{i₂,j₂}分为主干道和次干道，对主干道，a,b,n分别取值1.726、3.15和3；对次干道，a,b,n分别取值2.076、2.870和3^[14]；

数据3：根据城市规划部门获取区域地图，并按照功能定位与基本负荷特征区域内居民区、商业区和工作区的划分，各区域均包含若干交通节点和配电网节点。电动汽车在各区域的行驶概率与司机的出行特性密切相关。例如，在早高峰电动汽车驶离居民区的概率高，而在晚高峰则存在相反的行驶特性。

不同的区域属性对不同类型的电动汽车的初始位置分布有较大差异，本发明中不同类型的电动汽车初始位置分布曲线如图4所示。

数据4：根据交通部门数据获取电动汽车的总数量n和各类型电动汽车占比；其中，电动汽车的分类是根据TranCAD软件说明和交通运输部的分类统计数据，并结合我国电动汽车使用及发展现状，将电动汽车按出行特点分为三种类型：

计程车：通常由多名司机倒班驾驶运营，一天中出行次数多，停车时间短，充电时间紧迫，行驶目的地随机性大；

上班用私家车：一天中在居住地和工作地往返一次，停车时间长，充电时间充足，行驶目的地相对固定；

其它功能用车：包括非工作用私家车、商务车和小型货物用车，一天中有数次出行，各次出行间存在一定时间间隔，充电时间受出行时间间隔影响，行驶目的地不固定。

数据5：基于欧盟第七框架MERGE项目^[18]电动汽车数据库获取电动汽车的基本固定参数，包括厂商、型号、电池种类、电池容量Cap和每公里的耗电量ΔCap；

数据6：电动汽车充电模式及充电参数，包括快充方式和慢充方式及其额定充电功率；

数据7：根据居民出行调查统计，获得区域内不同类型电动汽车的出行时间概率分布曲线、上班用私家车的返程时间的概率分布曲线，如图5(a)和图5(b)所示。

数据8：确定电动汽车状态参数如表1所示，

表1电动汽车状态参数

数据9：根据大型交通网络OD矩阵推算方法^[16][17]得到不同类型电动汽车在不同时段的OD矩阵B。

对每一种类型的电动汽车，其所述OD矩阵B由24个子矩阵构成，其中，0≤t≤23，m₁表示城市区域中道路节点的数量，t表示不同的时段，OD矩阵B中每个子矩阵表示的是在t至t+1时段交通起讫点间的交通量；利用式(4)将3种类型共计72个子矩阵转化为72个OD概率矩阵从而反映了交通网络中车流的空间概率分布，

其中矩阵元素1≤i1≤m，1≤j1≤m，表示在该时段内以节点i1为初始地、以节点j1为目的地(即从节点i1到节点j1)的电动汽车数量；通过式(4)的变换，元素表示电动汽车在t至t+1时段从节点i1到节点j1的概率，表示电动汽车在该时段停在原地未出行的概率。

步骤二、电动汽车集群充电负荷时空分布预测：

如图3-1和图3-2所示，首先，根据大型交通网络OD矩阵推算方法得到三种类型电动汽车在不同时段的OD矩阵；然后，调用每一类电动汽车所对应的OD矩阵B，利用OD分析法确定待充电位置和充电时间，令j＝1，按照下述步骤确定第j辆电动汽车充电负荷的时空分布：包括以下情形：

2-1若第j辆电动汽车的类型为计程车，则：

步骤2-1-1：由步骤一中的数据抽样生成该辆计程车的基本固定参数和状态参数；

步骤2-1-2：根据出租车出行分布概率曲线生成出行时刻t_s，令仿真时刻t＝t_s，并由{t，t+1}时段OD概率矩阵生成行驶目的地d；

步骤2-1-3：利用Floyd最短路径算法和网络拓扑结构确定行驶路径并计算总里程l_d；所述行驶路径中包括的路段数为m，取h＝1；其中m＝1，2，3，…h…，m；

步骤2-1-4：读取第h段路段的车流量，根据行驶路径和速度-车流量实用模型计算各路段行驶速度v；

步骤2-1-5：计算各路段行驶时间Δt_i，并计算行驶路径{i,j}的总行驶时间ΔT_ij；

步骤2-1-6：更新该路段车流量和对应的行驶速度v，更新Cap_t，更新仿真时刻t

Cap_t＝η[Cap_t-1-△l×△Cap] (6)

其中Cap_t-1表示行驶该路段之前的剩余电量，Δl表示行驶该路段的路程，引入能效系数η表征实际行驶过程中启动及刹车造成的电量损耗；

步骤2-1-7：判断是否满足式(7)，即是否行驶完该路程的所有路段；

h<m (7)

如果满足，继续执行步骤2-1-8；否则，执行步骤2-1-9；

步骤2-1-8：判断是否满足式(8)，在到达每一路段后更新Cap_t；

Cap_t≤Cap_c (8)

式中：Cap_c是当荷电状态SOC达到阀值时剩余的电量。本文考虑用户的里程焦虑，设置荷电状态SOC的充电阀值取值范围在[0.15-0.3]。

如果满足式(8)则立即进行快充，并确定快充负荷时空信息，包括时间t和实时位置L_t：设定路网就近节点为充电位置，到达就近节点的时刻为开始充电时刻；充电时间与充电时剩余电量和充电功率成正比；更新Cap_t、仿真时间t；然后h＝h+1，返回至步骤2-1-4；

如果不满足式(8)，h＝h+1，返回至步骤2-1-4；

步骤2-1-9：到达目的地d(即h＝m)，更新Cap_t，更新仿真时刻t；

步骤2-1-10：判断是否满足式(9)，

t<T₁ (9)

式中：T₁为出租车仿真终止时刻，计程车是倒班制，所以这里取T₁＝24h；

如果不满足，则第j辆车终止仿真，否则返回至步骤2-1-2，继续下一段行程仿真，从而确定该辆计程车一天内的快充信息。

2-2、若第j辆电动汽车类型为上班用私家车，则

步骤2-2-1：由步骤一中的数据抽样生成该辆车的基本固定参数和状态参数；

步骤2-2-2：根据上班用私家车出行分布概率曲线生成出行时刻t_s，令仿真时刻t＝t_s，并由OD概率矩阵生成行使目的地d；

步骤2-2-3：利用Floyd最短路径算法和网络拓扑结构确定行驶路径并计算总里程l_d；

步骤2-2-4：根据路径和返程时刻的车流量-速度实用模型计算速度v；到达目的地后更新Cap_t、仿真时刻t和续航里程R；

步骤2-2-5：判断是否满足式(10)；

l_d<R (10)

如果满足，则剩余电量足够支持返程；执行步骤2-2-6；

如果不满足，则剩余电量不足够支持返程：执行步骤2-2-10；

步骤2-2-6：根据私家车返程时刻概率分布曲线，生成该辆电动汽车的返程时间t_f；

步骤2-2-7：根据行驶路径和速度-车流量实用模型计算各路段行驶速度v和行驶时间；

步骤2-2-8：返回居住地后更新Cap_t、仿真时刻t；

步骤2-2-9：根据慢充参数由智能充电策略确定慢充负荷时空信息；

本发明中假设慢充采取的智能充电策略(参见文献[10])进行充电。该策略中慢充的充电时间是由式(11)确定。

式中：充电开始时间的平均值μ为01:00，标准差σ为5小时。

步骤2-2-10：在目的地(即工作地)立即慢充，根据慢充参数确定充电负荷时空信息；

2-3、若第j辆电动汽车的类型为其他功能用车，则：

步骤2-3-1：由步骤一中的数据抽样生成该辆车的基本固定参数和状态参数；

步骤2-3-2：根据其他功能用车出行分布概率曲线生成出行时刻t_s，令仿真时刻t＝t_s，并由OD概率矩阵生成行使目的地d；

步骤2-3-3：利用Floyd最短路径算法和网络拓扑结构确定行驶路径并计算总里程l_d；所述行驶路径中包括的路段数为m，取h＝1；其中m＝1，2，3，…h…，m；

步骤2-3-4：判断是否满足式(10)；

如果满足，则在该段行程中不需要充电；执行步骤2-3-5；

如果不满足，即现有续航里程无法到达目的地，则在该段行程中需要快充一次以满足出行需求：执行步骤2-3-6；

步骤2-3-5：根据行驶路径和速度-车流量实用模型计算各路段行驶速度v、行驶时间Δt_i；执行步骤2-3-7；

步骤2-3-6：按照计程车中步骤2-1-4至步骤2-1-9确定快充负荷时空信息；

步骤2-3-7：到达目的地d后，更新Cap_t、仿真时刻t和续航里程R；

步骤2-3-8：根据其他功能用车出行分布概率曲线生成下一次出行时刻t_s1，由OD概率矩阵生成行使目的地d₁；由Floyd最短路径算法和网络拓扑结构确定行驶路径并计算总里程l_d、路段数m，取h＝1；其中m＝1，2，3，…h…，m；

步骤2-3-9：再次判断是否满足式(10)；

如果满足，则能够完成从d至d₁行程，在d点无需充电，返回执行步骤2-3-5；

如果不满足，则无法完成从d至d₁行程，在d点需要充电，执行步骤2-3-10；

步骤2-2-10：根据Cap_t和电动汽车充电参数估算慢充满电所需时间t₃；

步骤2-2-11：判断是否满足式(12)，即在d点是否有足够的时间慢充；

t_s1-t≥t₃ (12)

如果满足，执行步骤2-3-12，否则执行步骤2-3-13；

步骤2-3-12：在d点慢充，根据慢充参数确定慢充负荷的时空信息；执行步骤2-3-14；

步骤2-3-13：在d点快充至t_s1，根据快充参数确定快充负荷的时空信息；

步骤2-3-14：充电终止后更新Cap_t、仿真时刻t和续航里程R；

步骤2-3-15：判断是否满足式(13)；

t≤T₂ (13)

式中：T₂为多功能用车仿真终止时刻，本文假设T₂＝22h，即仿真时段为t_s至T₂；

如果不满足，则第j辆车终止仿真，否则返回至步骤2-3-4，继续下一段行程仿真，最终确定该辆其他功能用车一天内的充电信息；

步骤三、蒙特卡洛法计算电动汽车集群充电负荷的时空分布，

步骤3-1：令j＝j+1；判断是否满足式(14)，其中n为仿真中电动汽车的总数量；

j≥n (14)

如果不满足，则根据电动汽车的类型选择返回步骤2-1或2-2或2-3；

如果满足，则表明n辆电动汽车完成一次蒙特卡洛仿真。

步骤3-2：统计电动汽车充电负荷映射到配电网各节点的负荷时空分布。

对于配电网节点k，其t时刻的总充电负荷P^k(t)可由(15)式表示，其中r为t时刻节点k接入的电动汽车数量,P_i ^k(t)为节点k接入的第i辆电动汽车的充电功率。

步骤3-3：验证负荷时空分布预测结果是否满足蒙特卡洛收敛条件。

在完成一次蒙特卡洛仿真后，以15分钟为步长，将配电网各节点24小时的充电负荷P_k(t)存储为配电网节点充电功率矩阵L。当满足如下条件之一时蒙特卡洛仿真终止：

1)达到蒙特卡洛仿真的最大次数；

2)式(16)的条件得到满足。

式中，max表示求取矩阵元素的最大值；L_i表示第i次蒙特卡洛仿真后存储的配电网节点充电功率矩阵，N是蒙特卡洛仿真次数；ε是仿真的收敛精度。本发明中设定ε＝0.1，蒙特卡洛仿真的最大次数为3000。

利用本发明预测方法得到的结果可以分析或评估充电负荷对配电网潮流的影响。

研究材料：

下面结合一个算例来介绍本发明的实施方法和实际效果。

以图2所示的某主城区部分主干道为例，对某工作日该区域电动汽车充电负荷仿真。测试网络包含29节点，49条道路，平均道路长度2.92km，各道路的长度、流量、各时段饱和度如表2所示。该区域分为居民区1(含节点1-11)、居民区2(含节点12-16)、工作区(含节点17-21)、商业区(含节点22-29)。根据该市节能与新能源汽车示范推广及产业发展规划，本文假设该区域中共有12000辆上班用私家车、4000辆计程车和4000辆其它功能用车。对仿真做如下说明：

1)测试配电网在IEEE33标准配电网模型基础上，适当调整线路参数使得容量与测试区域匹配。该区域的基础有功负荷峰值为14.556MW；

2)通常情况下，城市路网主要节点附近既是交通中心也是负荷中心，交通节点和配电网节点在地理上存在耦合关系，其节点对应关系如表2所示；

表2配电网节点与交通网节点编号对应表

“-”代表着配电网节点没有与交通网节点耦合

3)仿真过程中汽车通行同一路段的速度相同，且由式(3)速度-流量实用模型决定。

以15分钟为步长，图6给出了测试区域快充负荷的时空分布。其负荷在配电网10、11、14等节点最为集中，这些节点对应的路网区域主要为连接居民区和商业区的交通枢纽；此外负荷在配电网17、18、19等节点也较为集中，这些节点对应的路网区域为商业区。以上区域均为是计程车和其它功能用的主要目的地及载客区。

图7中(a)-(d)分别给出了在仅考虑基础负荷、计及慢充负荷、同时计及慢充和快充负荷三种场景下各分区的负荷需求曲线，可以看出，对于居民区，慢充负荷主要集中在夜间，快充负荷在白天波动较大，在13-15时及19-20时出现负荷“双高峰”对于商业区，充电负荷在主要营业时段持续较高；对于工作区，负荷需求与工作时间具有较强相关性，充电负荷在工作时段远高于非工作时段。这与实际情况完全吻合，也验证了本文方法的有效。

配电网安全性评估

以配电网节点电压为例，评估电动汽车充电负荷时空分布特性对配电网安全的影响，图8(a)-(c)分别表示仅考虑基础负荷、计及慢充负荷、同时计及慢充和快充负荷三种场景下电压的时空特性。

由图8可以看出，由于慢充负荷的接入，负荷晚高峰(18时-20时)时段配电网电压降落幅度较大的节点主要位于居民区(配电网10-18节点)，居民区节点电压平均降幅为3.36％，最低电压降至0.9217。快充负荷接入后，配电网节点电压将出现大面积越界的情况，18时-20时节点电压的平均降幅为7.17％，最低电压降至0.8844。电压降落最严重的情形出现在快充负荷高峰(13时-14时)时段，10-18节点电压的平均降幅达到11.33％，最低电压降至0.8726，配电网安全性将受到严重威胁。

仿真结果表明：

1)电动汽车充电负荷具有明显的区域性，且与交通网络特征息息相关。在电动汽车渗透率较高时，易在负荷高峰时段加重配电网负担，甚至形成日间、晚间“双高峰”，对配电网安全造成威胁。

2)本文提出的车-路-网模式下电动汽车充电负荷时空预测方法，考虑道路约束，可模拟城市路网中电动汽车的行驶情况。

3)车-路-网模式下电动汽车充电负荷时空预测方法的提出，一方面有助于合理规划充电设施的布局及容量配置，另一方面可以为配电网的维护和扩容提供参考。

以上所述仅是本发明的一个应用场景，凡依本发明申请专利范围所做的均等变化，或者应用到其他城市区域上，应属本发明的覆盖范围。

Claims

1.一种车-路-网模式下电动汽车充电负荷时空预测方法，包括以下步骤：

步骤一：构建交通网络模型，包括：

步骤1-1：表征网络拓扑结构，以G(V,E)代表道路网络拓扑图，其中：V是{1,2...n}为路网系统中的道路交叉节点集合，E是路网系统中的道路；所有道路均为双行道，道路权值的邻接矩阵为D，用于描述各路段长度以及节点连接关系；邻接矩阵D中元素d_ij的赋值规则如(1)式所示：

其中l_ij是节点i和节点j之间的道路长度；inf表示节点不直接连通；因此矩阵D可以用(2)式表示：

利用Floyd最短路径算法，即可获取道路各节点间的最短行驶路径；

步骤1-2：建立速度-流量实用模型；

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>V</mi> <mrow> <msub> <mi>i</mi> <mn>2</mn> </msub> <msub> <mi>j</mi> <mn>2</mn> </msub> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msub> <mi>V</mi> <mrow> <msub> <mi>i</mi> <mn>2</mn> </msub> <msub> <mi>j</mi> <mn>2</mn> </msub> <mo>-</mo> <mi>m</mi> </mrow> </msub> <mrow> <mn>1</mn> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mrow> <msub> <mi>i</mi> <mn>2</mn> </msub> <msub> <mi>j</mi> <mn>2</mn> </msub> </mrow> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>/</mo> <msub> <mi>C</mi> <mrow> <msub> <mi>i</mi> <mn>2</mn> </msub> <msub> <mi>j</mi> <mn>2</mn> </msub> </mrow> </msub> <mo>)</mo> </mrow> <mi>&beta;</mi> </msup> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>&beta;</mi> <mo>=</mo> <mi>a</mi> <mo>+</mo> <mi>b</mi> <mo>&CenterDot;</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mrow> <msub> <mi>i</mi> <mn>2</mn> </msub> <msub> <mi>j</mi> <mn>2</mn> </msub> </mrow> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>/</mo> <msub> <mi>C</mi> <mrow> <msub> <mi>i</mi> <mn>2</mn> </msub> <msub> <mi>j</mi> <mn>2</mn> </msub> </mrow> </msub> <mo>)</mo> </mrow> <mi>n</mi> </msup> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

步骤1-3：划分功能区域；

步骤2-4：确定每辆电动汽车状态参数，包括：

步骤三：计算单台电动汽车充电负荷的时空分布，

首先，根据大型交通网络OD矩阵推算方法得到三种类型电动汽车在不同时段的OD矩阵；然后，调用每一类电动汽车所对应的OD矩阵，利用OD分析法确定待充电位置、充电时间和充电方式，包括以下情形：

3-1、若第j辆电动汽车的类型为计程车，则：根据计程车出行分布概率曲线生成出行时刻t_s，令仿真时刻t＝t_s，通过调用计程车OD矩阵B和Floyd算法确定行驶目的地d和行驶里程l_d；由步骤1-2建立的速度-流量实用模型计算各路段的行驶速度和v行驶时间Δt_i；当电量Cap_t低于阈值Cap_c时就近快充，从而确定带充电位置和充电时间；重复该过程至仿真结束为止，从而确定该辆计程车一天内的快充信息；

3-2、若第j辆电动汽车的类型为上班用私家车，则：根据上班用私家车出行分布概率曲线生成出行时刻t_s，令仿真时刻t＝t_s，通过调用上班用私家车OD矩阵和Floyd算法确定行驶目的地即工作地d和行驶里程l_d；到达工作地d后更新电动汽车状态参数，比较行驶里程l_d与续航里程R，判断电量能否支撑返程，若不能则在工作地d慢充，若能则确定返程时刻t_f，返回居住地后更新状态参数，并由智能充电策略确定慢充开始充电时间；

3-3、若第j辆电动汽车的类型为其他功能用车，则：根据其他功能用车出行分布概率曲线生成出行时刻t_s，令仿真时刻t＝t_s，通过调用其他功能用车OD矩阵和Floyd算法确定本段行驶目的地d和行驶里程l_d；比较行驶里程l_d与续航里程R，判断是否需要途中快充，如需要，则按照上述3-1中提供的方法确定充电位置和充电时间；到达目的地d后更新电动汽车状态参数，并生成下一段行驶时间t_s1和行驶目的d₁，利用Floyd算法计算行驶里程l_d，比较行驶里程l_d与续航里程R，判断是否需要在目的地d充电，根据逗留时间长短确定充电方式为快充或慢充；重复该过程至仿真结束为止，从而确定该辆其他功能用车一天内的充电信息；

步骤四：蒙特卡洛法计算电动汽车集群充电负荷的时空分布。