CN107169273B - 计及延时和v2g充电模式的电动汽车充电功率预测方法 - Google Patents

Abstract

本发明公布了一种计及延时和V2G充电模式的电动汽车充电功率预测方法，本发明用于研究电动汽车充放电随机模型，并通过模拟得到电动汽车的充放电功率。本发明首先针对电动汽车的时空不确定性进行分析，建立电动汽车充电功率的动态概率模型。其次，选择合适的充电方式，针对普通充电模式、延时充电模式和V2G充电模式对电动汽车充电功率特性进行建模。最后，在3种充电模式下对单台电动汽车进行仿真测试，计算各时段电动汽车负荷的期望、标准差。本发明能够获取需求响应背景下3种充电方式的电动汽车充放电功率期望值，具有原理简单，实现方便的优点，所得概率分布特性可以使调度人员对电动汽车充放电集群负荷有更为清晰的认识。

Description

计及延时和V2G充电模式的电动汽车充电功率预测方法

技术领域

本发明属于电力系统运行分析和负荷预测领域，涉及一种计及延时和V2G充电模式的电动汽车充电功率预测方法，适用于研究需求响应背景下同时计及电动汽车在时间、空间以及驾驶行为等随机性因素影响下的充放电随机模型，并通过模拟得到电动汽车在延时和V2G充电模式下的充放电功率。

背景技术

电动汽车作为一种节能减排的有效手段，以电力为驱动，是一种新型的交通工具，为实现低碳生活、缓解能源危机提供新的契机。电动汽车因其基本无尾气排放得到了高度重视，也成为未来汽车发展的潮流，因而对其发展提出了迫切的要求。近年来，电力储能、充电、电机控制等技术的快速发展，充电设施的合理建设，都推进了电动汽车的普及进程。未来电动汽车将大规模接入电网进行充电，对电力系统的调度和运行产生深远影响。由于电动汽车在配电网接入，电动汽车的充电行为对配电网有直接影响，然而随着电动汽车数量的增加，电动汽车充电所产生的集群效应将对输电网产生影响。因此，在输电网的调度运行中，有必要考虑电动汽车集群效应的影响。如果大规模电动汽车在电网负荷高峰时段进行充电，将导致负荷“峰上加峰”，给电网运行带来一定负担。

作为一类特殊负荷，电动汽车在时间、空间及行为上均存在大量的不确定性，其是否可双向送电、司机的驾驶行为的差异都将产生巨大随机特性，大规模电动汽车的无序充电将引发负荷的快速增长，电动汽车在负荷高峰时段的充电行为将造成“峰上加峰”，给电力系统的运行带来挑战。解决上述问题的关键在于引导电动汽车的有序充电，即协调充电时间。针对此，国内外已有学者进行了相关研究，电动汽车入网(vehicle to grid,V2G)的概念也应运而生。有研究指出，如果将电动汽车以一个移动分布式储能单元的形式接入电网，并根据系统需要进行充放电方式转换，可以达到削峰填谷的作用，即电网负荷低谷时充电，高峰时放电，从而有效减轻电网的运行负担。在需求响应视角下，研究同时计及电动汽车在时间、空间以及驾驶行为等随机性因素影响下的充放电随机模型以及如何得到电动汽车在不同充电方式下充放电功率具有现实意义。

发明内容

发明目的：本发明的目的在于针对现有技术的不足，提出了一种计及延时和V2G充电模式的电动汽车充电功率预测方法，适用于研究需求响应背景下同时计及电动汽车在时间、空间以及驾驶行为等随机性因素影响下的充放电随机模型，并通过模拟得到电动汽车在延时和V2G充电模式下的充放电功率。

技术方案：本发明提供了一种计及延时和V2G充电模式的电动汽车充电功率预测方法，包括以下步骤：

步骤1：针对电动汽车的时空不确定性进行分析，建立电动汽车充电功率的动态概率模型；

步骤2：选择合适的充电方式，针对普通充电模式、延时充电模式和V2G充电模式对电动汽车充电功率特性进行建模，具体建模过程如下：

201)普通充电方式指电动汽车充电行为不受电价的影响，即电动汽车不改变其开始充电时间也不参与V2G放电，在普通充电方式下，对于单台电动汽车模拟其需要充电电量，结合电动汽车的充电功率和充电效率，得到其充电持续时间：

式中：T_C表示充电持续时间，η_C表示充电效率，D表示日行驶里程数，P_C为电动汽车充电功率，W₁₀₀表示百公里耗电量；

202)采用蒙特卡罗模拟法，随机产生满足分布的最后一次返回时刻和日行驶里程数样本，模拟得到各时段单台电动汽车充电功率的期望，由于主要考虑大量电动汽车接入后，进行充放电的集群效应，因此，通过蒙特卡罗模拟法得到单台电动汽车的充电功率后，需要将充电功率进行累加，得到大量电动汽车的充电功率：

式中P_EV[t]表示t时段母线上电动汽车的总充放电功率，n_EV表示电动汽车总数量，P_Ci[t]表示第i辆电动汽车在t时段的充电功率；

203)通过蒙特卡罗模拟法，得到电动汽车充电功率的样本数据，为了进一步分析充电功率的概率特性，需要得到其概率分布曲线和概率密度曲线，为避免主观假设分布与实际分布存在偏差时导致所得结果产生较大的误差，采用非参数核密度估计，该模型不需要任何概率分布形式的假设，仅仅假设充电功率的概率分布函数和概率密度函数存在且连续可微，更客观地反映充电功率的概率特性；

概率X₁,X₂,…,X_N是蒙特卡罗模拟法得到的N个充电功率的样本，假设充电功率的概率密度函数为f(x)，则此概率密度函数的核估计为：

式中：h表示带宽，即窗宽或平滑系数，N表示样本容量，K(·)表示核函数；

204)延时充电方式指电动汽车车主在电价激励的作用下，改变其开始充电时刻，即将开始充电时刻转移至低谷时刻，延长响应的充电时间，节省充电费用，但不参与V2G放电，将一天24h分为高峰时段和低谷时段，高峰时段从T_peak1时刻开始到T_peak2时刻结束，其余时刻为低谷时刻，当电动汽车开始充电时刻处于高峰时段时，电动汽车不进行充电，等低谷时段再进行充电，通过延时充电，使一部分高峰时段的电动汽车负荷转移至低谷时段，实现削峰填谷，平抑电网总负荷量；

采用蒙特卡罗模拟法，随机产生满足分布的最后一次返回时刻和日行驶里程数样本，当最后一次返回时刻处于高峰时段时，将其开始充电时间转移至低谷时段，由此，模拟得到各时段单台电动汽车充电功率的期望、标准差和概率分布，将单台电动汽车的充电功率进行累加，得到大量电动汽车的充电功率；

205)V2G充电方式指电动汽车车主在电价激励的作用下，在高峰时刻作为电源向电网放电，并在低谷时刻作为负荷由电网向其充电，由于峰谷时段存在电价差，车主利用该电价差，节省总充电费用，甚至实现盈利，但相应的也会延长充电时间；

考虑到对电动汽车电池的保护以及车主的感受，电动汽车电池的最大放电状态不小于其容量的20％，即电动汽车在高峰时段接入电网，且入网的荷电状态大于电池容量的20％时，才可对电网进行放电，因而，结合电动汽车的日行驶里程数其持续放电至电池容量的20％所需的时间：

式中T_f0.2表示电动汽车放电至电池容量的20％所需时间，S_max表示电动汽车电池的总电量，η_disc表示电动汽车的放电效率，P_disc表示电动汽车的放电功率；

206)当电动汽车接入电网的荷电状态大于电池容量的20％时，其放电时间由开始充电时刻、放电至电池容量的20％所需的时间、高峰时段共同决定，放电时间如下：

式中T_f表示电动汽车的放电持续时间，T_peak2为高峰时段右侧端点，T_S为最后一次返回时刻；

根据电动汽车的放电时间，结合电动汽车的放电参数可以得到其充电持续时间：

式中T_C表示电动汽车的充电持续时间；

207)采用蒙特卡罗模拟法，随机产生满足分布的最后一次返回时刻和日行驶里程数样本，对于高峰时段接入电网的电动汽车，结合其入网荷电状态对其是否进行放电进行判断，并计算其放电时间，到低谷时段，对电动汽车进行充电，由此，模拟得到各时段单台电动汽车充电功率的期望、标准差和概率分布；

208)由于输电网相比配电网具有更高的电压等级，而电动汽车往往不会直接接入输电网，电动汽车对输电网的影响要相对间接，因而对电动汽车建模的目的是得到大量电动汽车接入后充放电行为的集群特征，即母线上所有电动汽车在t时段的充放电功率之和P_EV[t]：

步骤3：在步骤2的基础上，在3种充电模式下对单台电动汽车进行仿真测试，计算各时段电动汽车负荷的期望、标准差。

所述步骤1包括以下步骤：

步骤101：电动汽车的充电功率在时间和空间上均有较强的不确定性，针对电动汽车的时空不确定性进行分析是建立充电功率特性模型的基础，其中用户行为是影响电动汽车充电功率的关键，电动汽车的充电特性受电动汽车接入电网的时刻、需要充电电量和充电功率3方面因素的影响，本发明考虑私用调度汽车作为电网可调度资源，有多种充电方式，并以V2G的方式参与电网调度；

步骤102：电动汽车接入电网时刻与用户使用行为有密切关系，假设用户最后一次行驶返回时刻即为电动汽车的入网时刻，同时根据美国能源部2008年对电动汽车用户的调查统计报告，用户的最后一次返回时刻近似服从正态分布，最后一次返回时刻x的概率密度函数如下：

式中，T_S表示最后一次返回时刻，μ_S和σ_S分别表示正态分布的期望和标准差；

步骤103：假设电动汽车一次充电即全部充满，则电动汽车当日的充电电量与其当日的行驶里程有密切关系，即电动汽车当日从电网获取的电能全部转化为当日行驶里程所消耗的能量，根据调查报告，电动汽车的日行驶里程数服从对数正态分布，电动汽车的日行驶里程数的概率密度函数如下：

式中：D表示日行驶里程数，μ_D和σ_D分别表示lnD的期望和标准差；

得到日行驶里程数后，结合电动汽车百公里电耗，得到需要充电电量如下：

式中：W_C表示电动汽车需要充电电量，W₁₀₀表示百公里耗电量；

步骤104：假设考虑电动汽车以常规慢充方式进行充电，由于起始充电阶段和结束充电阶段相较整个充电过程的时间较短，可以忽略，因此，假设电动汽车充电和放电均采用恒功率充放电方式进行，其充电功率为P_C，放电功率为P_disc；由于电动汽车模型是在峰谷电价的背景下建立的，电动汽车车主可以根据自身需要，采用不同的充电方式，以实现自身利益的最大化，即电动汽车对电价产生不同的响应方式，电动汽车的充电方式包括普通充电方式、延时充电方式和V2G充电方式3种。

所述步骤3包括以下步骤：

步骤301：单台电动汽车接入系统进行充放电时，假设高峰时段的开始时刻为T_peak1＝9，结束时刻T_peak2＝22，在步骤2的基础上进行蒙特卡洛模拟，得到单台电动汽车的充放电负荷期望值以及不同充电方式下单台电动汽车各时段充放电负荷期望曲线；

步骤302：在步骤301的基础上，对模拟得到的N个充电功率样本采用非参数核密度估计，求得各充电方式下100台电动汽车在各时段的充放电集群负荷的概率分布函数，通过这些概率分布函数的曲线图可以对电动汽车充放电集群负荷的概率特性有清晰的认识。

有益效果：与现有技术相比，本发明具有如下优点和技术效果：

(1)同时计及电动汽车在时间、空间以及驾驶行为等随机性因素影响下的充放电功率的随机特性，重点考虑用户的出行习惯以及驾驶习惯；

(2)在需求响应背景下，针对普通充电模式、延时充电模式和V2G充电模式3种不同充电模式对电动汽车充电功率特性进行建模，通过蒙特卡洛模拟法得到大量电动汽车的充电功率；

(3)获得单台电动汽车负荷的期望、标准差以及各时段充放电负荷期望曲线，拟合100台电动汽车在各时段充放电负荷概率分布曲线，所得概率分布特性可以使调度人员对电动汽车充放电集群负荷有更为清晰的认识。

附图说明

图1为计及延时和V2G充电模式的电动汽车充电功率预测方法流程图；

图2为普通充电方式下电动汽车功率特性模拟流程图；

图3为延时充电方式下电动汽车功率特性模拟流程图；

图4为V2G充电方式下电动汽车功率特性模拟流程图；

图5为单台电动汽车充放电负荷期望曲线图；

图6为普通充电方式下电动汽车充放电负荷概率分布曲线；

图7为延时充电方式下电动汽车充放电负荷概率分布曲线；

图8为V2G充电方式下电动汽车充放电负荷概率分布曲线。

具体实施方式

以下结合附图和实例对本发明的实施作进一步说明，但本发明的实施和包含不限于此。

一种计及延时和V2G充电模式的电动汽车充电功率预测方法，包括以下如下步骤：

步骤1：针对电动汽车的时空不确定性进行分析，建立电动汽车充电功率的动态概率模型；

步骤2：选择合适的充电方式，针对普通充电模式、延时充电模式和V2G充电模式对电动汽车充电功率特性进行建模；

步骤3：在步骤2的基础上，在3种充电模式下对单台电动汽车进行仿真测试，计算各时段电动汽车负荷的期望、标准差；

进一步，所述步骤1包括以下步骤：

步骤101：电动汽车的充电功率在时间和空间上均有较强的不确定性，针对电动汽车的时空不确定性进行分析是建立充电功率特性模型的基础，其中用户行为是影响电动汽车充电功率的关键。电动汽车的充电特性主要受电动汽车接入电网的时刻、需要充电电量和充电功率等3方面因素的影响。本发明主要考虑私用调度汽车作为电网可调度资源，有多种充电方式，并以V2G的方式参与电网调度。

步骤102：电动汽车接入电网时刻与用户使用行为有密切关系，假设用户最后一次行驶返回时刻即为电动汽车的入网时刻。同时根据美国能源部2008年对电动汽车用户的调查统计报告，用户的最后一次返回时刻近似服从正态分布。最后一次返回时刻的概率密度函数如下：

式中，T_S表示最后一次返回时刻，μ_S和σ_S分别表示正态分布的期望和标准差。

步骤103：假设电动汽车一次充电即全部充满，则电动汽车当日的充电电量与其当日的行驶里程有密切关系，即电动汽车当日从电网获取的电能全部转化为当日行驶里程所消耗的能量。根据调查报告，电动汽车的日行驶里程数服从对数正态分布。电动汽车的日行驶里程数的概率密度函数如下：

式中：D表示日行驶里程数，μ_D和σ_D分别表示lnD的期望和标准差；

得到日行驶里程数后，结合电动汽车百公里电耗，得到需要充电电量如下：

式中：W_C表示电动汽车需要充电电量，W₁₀₀表示百公里耗电量。

步骤104：假设本发明考虑电动汽车以常规慢充方式进行充电。由于起始充电阶段和结束充电阶段相较整个充电过程的时间较短，可以忽略。因此，假设电动汽车充电和放电均采用恒功率充放电方式进行，其充电功率为P_C，放电功率为P_disc。由于本发明的电动汽车模型是在峰谷电价的背景下建立的，电动汽车车主可以根据自身需要，采用不同的充电方式，以实现自身利益的最大化，即电动汽车对电价产生不同的响应方式。电动汽车的充电方式包括普通充电方式、延时充电方式和V2G充电方式等3种。

进一步：所述步骤2包括以下步骤：

步骤201：普通充电方式指电动汽车充电行为不受电价的影响，即电动汽车不改变其开始充电时间也不参与V2G放电。在普通充电方式下，对于单台电动汽车模拟其需要充电电量，结合电动汽车的充电功率和充电效率，得到其充电持续时间：

式中：T_C表示充电持续时间，η_C表示充电效率。

步骤202：采用蒙特卡罗模拟法，随机产生满足分布的最后一次返回时刻和日行驶里程数样本，模拟得到各时段单台电动汽车充电功率的期望，由于本发明主要考虑大量电动汽车接入后，进行充放电的集群效应，因此，通过蒙特卡罗模拟法得到单台电动汽车的充电功率后，需要将充电功率进行累加，得到大量电动汽车的充电功率：

式中：P_EV[t]表示t时段母线上电动汽车的总充放电功率，n_EV表示电动汽车总数量，P_Ci[t]表示第i辆电动汽车在t时段的充电功率。

步骤203：通过蒙特卡罗模拟，得到电动汽车充电功率的样本数据。为了进一步分析充电功率的概率特性，需要得到其概率分布曲线和概率密度曲线。为避免主观假设分布与实际分布存在偏差时导致所得结果产生较大的误差，本发明采用非参数核密度估计，该模型不需要任何概率分布形式的假设，仅仅假设充电功率的概率分布函数和概率密度函数存在且连续可微，更客观地反映充电功率的概率特性。

概率X₁,X₂,…,X_N是蒙特卡罗法模拟得到的N个充电功率的样本，假设充电功率的概率密度函数为f(x)，则此概率密度函数的核估计为：

式中：h表示带宽(窗宽或平滑系数)，N表示样本容量，K(·)表示核函数。

步骤204：延时充电方式指电动汽车车主在电价激励的作用下，改变其开始充电时刻，即将开始充电时刻转移至低谷时刻，延长响应的充电时间，节省充电费用，但不参与V2G放电。将一天24h分为高峰时段和低谷时段，高峰时段从T_peak1时刻开始到T_peak2时刻结束，其余时刻为低谷时刻。当电动汽车开始充电时刻处于高峰时段时，电动汽车不进行充电，等低谷时段再进行充电。通过延时充电，使一部分高峰时段的电动汽车负荷转移至低谷时段，实现削峰填谷，平抑电网总负荷量。

采用蒙特卡罗模拟法，随机产生满足分布的最后一次返回时刻和日行驶里程数样本。当最后一次返回时刻处于高峰时段时，将其开始充电时间转移至低谷时段。由此，模拟得到各时段单台电动汽车充电功率的期望、标准差和概率分布。将单台电动汽车的充电功率进行累加，得到大量电动汽车的充电功率。

步骤205：V2G充电方式指电动汽车车主在电价激励的作用下，在高峰时刻作为电源向电网放电，并在低谷时刻作为负荷由电网向其充电。由于峰谷时段存在电价差，车主利用该电价差，节省总充电费用，甚至实现盈利，但相应的也会延长充电时间。

考虑到对电动汽车电池的保护以及车主的感受，电动汽车电池的最大放电状态不小于其容量的20％，即电动汽车在高峰时段接入电网，且入网的荷电状态(state ofcharge,SOC)大于电池容量的20％时，才可对电网进行放电。因而，结合电动汽车的日行驶里程数其持续放电至电池容量的20％所需的时间：

式中：T_f0.2表示电动汽车放电至电池容量的20％所需时间，S_max表示电动汽车电池的总电量，η_disc表示电动汽车的放电效率，P_disc表示电动汽车的放电功率。

步骤206：当电动汽车接入电网的SOC大于电池容量的20％时，其放电时间由开始充电时刻、放电至电池容量的20％所需的时间、高峰时段等共同决定。放电时间如下：

式中：T_f表示电动汽车的放电持续时间。

根据电动汽车的放电时间，结合电动汽车的放电参数可以得到其充电持续时间：

式中：T_C表示电动汽车的充电持续时间。

步骤207：采用蒙特卡罗模拟法，随机产生满足分布的最后一次返回时刻和日行驶里程数样本。对于高峰时段接入电网的电动汽车，结合其入网SOC对其是否进行放电进行判断，并计算其放电时间。到低谷时段，对电动汽车进行充电。由此，模拟得到各时段单台电动汽车充电功率的期望、标准差和概率分布。

步骤208：由于输电网相比配电网具有更高的电压等级，而电动汽车往往不会直接接入输电网，电动汽车对输电网的影响要相对间接，因而本发明对电动汽车建模的目的是得到大量电动汽车接入后充放电行为的集群特征，即母线上所有电动汽车在t时段的充放电功率之和P_EV[t]：

进一步：所述步骤3包括以下步骤：

步骤301：单台电动汽车接入系统进行充放电时，假设高峰时段的开始时刻为T_peak1＝9，结束时刻T_peak2＝22。在步骤2的基础上进行蒙特卡洛模拟，得到单台电动汽车的充放电负荷期望值以及不同充电方式下单台电动汽车各时段充放电负荷期望曲线。

步骤302：在步骤301的基础上，对模拟得到的N个充电功率样本采用非参数核密度估计，求得各充电方式下100台电动汽车在各时段的充放电集群负荷的概率分布函数，通过这些概率分布曲线可以对电动汽车充放电集群负荷的概率特性有清晰的认识。

工作原理：本发明首先针对电动汽车的时空不确定性进行分析，重点考虑用户的出行习惯以及驾驶习惯，在此基础上建立电动汽车充电功率的动态概率模型。其次，在需求响应背景下，根据用户与电力公司签订的相关协议及其他因素，选择合适的充电方式，包括普通充电模式、延时充电模式和V2G充电模式，针对3种不同的充电模式对电动汽车充电功率特性进行建模，通过蒙特卡洛模拟法得到大量电动汽车的充电功率。最后，在3种充电模式下对单台电动汽车进行仿真测试，计算各时段电动汽车负荷的期望、标准差并且最终得到单台电动汽车在各时段的充放电负荷期望曲线以及100台电动汽车充放电集群负荷概率分布曲线。

算例分析

单台电动汽车接入系统进行充放电时，假设高峰时段的开始时刻为T_peak1＝9，结束时刻T_peak2＝22，其中单台电动汽车充放电参数数值：μ_S取17.6h，σ_S取3.4h；μ_D取3.2km，σ_D取0.88km；W₁₀₀取25kWh/100km，P_C取4.5kW，η_C取90％，S_max取50kWh，P_disc取4.5Kw，η_disc取90％；

按照图2—图4所示流程图进行模拟，得到单台电动汽车的充放电负荷期望，充放电负荷期望曲线如图5所示。采用非参数核密度估计，分别求得普通充电模式、延时充电模式和V2G充电模式3种不同充电模式下100台电动汽车的充放电集群负荷的概率分布函数，如图6-图8所示，通过这些概率分布曲线可以对电动汽车充放电集群负荷的概率特性有清晰的认识，在需求响应背景下，由于峰谷电价的实施，电动汽车车主可以根据自身情况，选择合适的充电方式。不同的峰谷电价激励作用下，车主会产生不同的响应情况，电网公司可以据此对峰谷电价进行调节，以达到不同的响应目标。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (3)

1.一种计及延时和V2G充电模式的电动汽车充电功率预测方法，其特征在于，包括以下步骤：

步骤1：针对电动汽车的时空不确定性进行分析，建立电动汽车充电功率的动态概率模型；

步骤2：选择合适的充电方式，针对普通充电模式、延时充电模式和V2G充电模式对电动汽车充电功率特性进行建模，具体建模过程如下：

201)普通充电方式指电动汽车充电行为不受电价的影响，即电动汽车不改变其开始充电时间也不参与V2G放电，在普通充电方式下，对于单台电动汽车模拟其需要充电电量，结合电动汽车的充电功率和充电效率，得到其充电持续时间：

式中：T_C表示充电持续时间，η_C表示充电效率，D表示日行驶里程数，P_C为电动汽车充电功率，W₁₀₀表示百公里耗电量；

202)采用蒙特卡罗模拟法，随机产生满足分布的最后一次返回时刻和日行驶里程数样本，模拟得到各时段单台电动汽车充电功率的期望，由于主要考虑大量电动汽车接入后，进行充放电的集群效应，因此，通过蒙特卡罗模拟法得到单台电动汽车的充电功率后，需要将充电功率进行累加，得到大量电动汽车的充电功率：

式中P_EV[t]表示t时段母线上电动汽车的总充放电功率，n_EV表示电动汽车总数量，P_Ci[t]表示第i辆电动汽车在t时段的充电功率；

203)通过蒙特卡罗模拟法，得到电动汽车充电功率的样本数据，为了进一步分析充电功率的概率特性，需要得到其概率分布曲线和概率密度曲线，为避免主观假设分布与实际分布存在偏差时导致所得结果产生较大的误差，采用非参数核密度估计，该模型不需要任何概率分布形式的假设，仅仅假设充电功率的概率分布函数和概率密度函数存在且连续可微，更客观地反映充电功率的概率特性；

概率X₁,X₂,…,X_N是蒙特卡罗模拟法得到的N个充电功率的样本，假设充电功率的概率密度函数为f(x)，则此概率密度函数的核估计为：

式中：h表示带宽，即窗宽或平滑系数，N表示样本容量，K(·)表示核函数；

204)延时充电方式指电动汽车车主在电价激励的作用下，改变其开始充电时刻，即将开始充电时刻转移至低谷时刻，延长响应的充电时间，节省充电费用，但不参与V2G放电，将一天24h分为高峰时段和低谷时段，高峰时段从T_peak1时刻开始到T_peak2时刻结束，其余时刻为低谷时刻，当电动汽车开始充电时刻处于高峰时段时，电动汽车不进行充电，等低谷时段再进行充电，通过延时充电，使一部分高峰时段的电动汽车负荷转移至低谷时段，实现削峰填谷，平抑电网总负荷量；

采用蒙特卡罗模拟法，随机产生满足分布的最后一次返回时刻和日行驶里程数样本，当最后一次返回时刻处于高峰时段时，将其开始充电时间转移至低谷时段，由此，模拟得到各时段单台电动汽车充电功率的期望、标准差和概率分布，将单台电动汽车的充电功率进行累加，得到大量电动汽车的充电功率；

205)V2G充电方式指电动汽车车主在电价激励的作用下，在高峰时刻作为电源向电网放电，并在低谷时刻作为负荷由电网向其充电，由于峰谷时段存在电价差，车主利用该电价差，节省总充电费用，甚至实现盈利，但相应的也会延长充电时间；

考虑到对电动汽车电池的保护以及车主的感受，电动汽车电池的最大放电状态不小于其容量的20％，即电动汽车在高峰时段接入电网，且入网的荷电状态大于电池容量的20％时，才可对电网进行放电，因而，结合电动汽车的日行驶里程数其持续放电至电池容量的20％所需的时间：

式中T_f0.2表示电动汽车放电至电池容量的20％所需时间，S_max表示电动汽车电池的总电量，η_disc表示电动汽车的放电效率，P_disc表示电动汽车的放电功率；

206)当电动汽车接入电网的荷电状态大于电池容量的20％时，其放电时间由开始充电时刻、放电至电池容量的20％所需的时间、高峰时段共同决定，放电时间如下：

式中T_f表示电动汽车的放电持续时间，T_peak2为高峰时段右侧端点，T_S为最后一次返回时刻；

根据电动汽车的放电时间，结合电动汽车的放电参数可以得到其充电持续时间：

式中T_C表示电动汽车的充电持续时间；

207)采用蒙特卡罗模拟法，随机产生满足分布的最后一次返回时刻和日行驶里程数样本，对于高峰时段接入电网的电动汽车，结合其入网荷电状态对其是否进行放电进行判断，并计算其放电时间，到低谷时段，对电动汽车进行充电，由此，模拟得到各时段单台电动汽车充电功率的期望、标准差和概率分布；

208)由于输电网相比配电网具有更高的电压等级，而电动汽车往往不会直接接入输电网，电动汽车对输电网的影响要相对间接，因而对电动汽车建模的目的是得到大量电动汽车接入后充放电行为的集群特征，即母线上所有电动汽车在t时段的充放电功率之和P_EV[t]：

步骤3：在步骤2的基础上，在3种充电模式下对单台电动汽车进行仿真测试，计算各时段电动汽车负荷的期望、标准差。

2.根据权利要求1所述的计及延时和V2G充电模式的电动汽车充电功率预测方法，其特征在于：所述步骤1包括以下步骤：

步骤101：电动汽车的充电功率在时间和空间上均有较强的不确定性，针对电动汽车的时空不确定性进行分析是建立充电功率特性模型的基础，其中用户行为是影响电动汽车充电功率的关键，电动汽车的充电特性受电动汽车接入电网的时刻、需要充电电量和充电功率3方面因素的影响，本发明考虑私用调度汽车作为电网可调度资源，有多种充电方式，并以V2G的方式参与电网调度；

步骤102：电动汽车接入电网时刻与用户使用行为有密切关系，假设用户最后一次行驶返回时刻即为电动汽车的入网时刻，同时根据美国能源部2008年对电动汽车用户的调查统计报告，用户的最后一次返回时刻近似服从正态分布，最后一次返回时刻x的概率密度函数如下：

式中，T_S表示最后一次返回时刻，μ_S和σ_S分别表示正态分布的期望和标准差；

步骤103：假设电动汽车一次充电即全部充满，则电动汽车当日的充电电量与其当日的行驶里程有密切关系，即电动汽车当日从电网获取的电能全部转化为当日行驶里程所消耗的能量，根据调查报告，电动汽车的日行驶里程数服从对数正态分布，电动汽车的日行驶里程数的概率密度函数如下：

式中：D表示日行驶里程数，μ_D和σ_D分别表示lnD的期望和标准差；

得到日行驶里程数后，结合电动汽车百公里电耗，得到需要充电电量如下：

式中：W_C表示电动汽车需要充电电量，W₁₀₀表示百公里耗电量；

步骤104：假设考虑电动汽车以常规慢充方式进行充电，由于起始充电阶段和结束充电阶段相较整个充电过程的时间较短，可以忽略，因此，假设电动汽车充电和放电均采用恒功率充放电方式进行，其充电功率为P_C，放电功率为P_disc；由于电动汽车模型是在峰谷电价的背景下建立的，电动汽车车主可以根据自身需要，采用不同的充电方式，以实现自身利益的最大化，即电动汽车对电价产生不同的响应方式，电动汽车的充电方式包括普通充电方式、延时充电方式和V2G充电方式3种。

3.根据权利要求1所述的计及延时和V2G充电模式的电动汽车充电功率预测方法，其特征在于：所述步骤3包括以下步骤：

步骤301：单台电动汽车接入系统进行充放电时，假设高峰时段的开始时刻为T_peak1＝9，结束时刻T_peak2＝22，在步骤2的基础上进行蒙特卡洛模拟，得到单台电动汽车的充放电负荷期望值以及不同充电方式下单台电动汽车各时段充放电负荷期望曲线；

步骤302：在步骤301的基础上，对模拟得到的N个充电功率样本采用非参数核密度估计，求得各充电方式下100台电动汽车在各时段的充放电集群负荷的概率分布函数，通过这些概率分布函数的曲线图可以对电动汽车充放电集群负荷的概率特性有清晰的认识。

Images