CN108510128B - 一种区域电动汽车充电负荷时空分布预测方法 - Google Patents

Abstract

本发明公开了一种区域电动汽车充电负荷时空分布预测方法，包括下述步骤：S1、基于路网信息建立路网模型，由电网信息建立电网模型，并构建路网‑电网耦合关系；S2、结合居民出行数据库，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；S3、采用Dijkstra算法规划车辆出行路径以获得行程距离，计算出行程行驶时间和荷电状态；S4、结合电池电量水平判断充电需求，确定电动汽车充电时段和位置，再利用蒙特卡洛方法反复抽样，得到电动汽车充电负荷的时空分布预测结果。本发明能得到任何时间、任何地点、任何车辆的充电需求，并结合路网和电网地理耦合特性，从时间维度和空间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。

Description

一种区域电动汽车充电负荷时空分布预测方法

技术领域

本发明属于电动汽车的技术领域，涉及一种区域电动汽车充电负荷时空分布预测方法。

背景技术

电动汽车因其节能减排、绿色环保等特点，被认为是解决当今能源紧张、环境问题的有益途径之一，从而受到各国政府和企业大力支持和推广。目前，我国已有一定数量电动汽车在城市地区运行使用，随着充电设施的逐步建设和电动汽车使用力度加大，其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评估电动汽车接入电网后的影响是开展电网与其互动的基础。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的随机性和动态性，其充电负荷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。从电网角度，电网的负荷、电压、损耗等，随电动汽车接入时间、接入地点的变化而变化。为分析电动汽车接入后的充电需求、对电网的影响和后续评估区域各节点电动汽车的各时间可调控能力、需求响应能力，应考虑电动汽车所在交通道路网信息和所在的电网信息及其耦合特性，并应结合电动汽车出行特性、充电行为，分析电动汽车充电负荷的时间和空间分布特征。

当前已有不少文献开展了电动汽车充电负荷预测的研究，并取得了丰硕成果，其中一部分基于电动汽车充电负荷的时间分布特性开展，评估电动汽车接入电网影响分析的相关研究成果也较多，但是目前方法对电动汽车出行地点、出行时间分布、用户充电主客观需求等方面考虑不足，在评估电动汽车接入对电网影响时，局限于考虑负荷总量在时间上的叠加，而忽略不同区域、不同接入点不仅具有不同的充电功率水平和需求，还需考虑充电地点与电网节点的耦合性，即不同功能区由不同电网节点供电的差异性。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种区域电动汽车充电负荷时空分布预测方法，融合路网、交通、天气、电网等多源信息，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耦合特性，从时间维度和空间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。

为了达到上述目的，本发明采用以下技术方案：

本发明一种区域电动汽车充电负荷时空分布预测方法，包括下述步骤：

S1、结合图论方法，基于路网信息建立路网模型，由电网信息建立电网模型，并构建路网-电网耦合关系；

S2、结合居民出行数据库，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；

S3、采用Dijkstra算法规划车辆出行路径以获得行程距离，由道路等级和各时段拥堵交通信息获得车辆行驶速度，计算出行程行驶时间和荷电状态，再根据各行程目的地充电需求判断条件，计算充电时长和充电负荷；

S4、结合电池电量水平判断充电需求，确定电动汽车充电时段和位置，由此得到充电负荷的时空数据，再利用蒙特卡洛方法反复抽样，以得到电动汽车充电负荷的时空分布预测结果。

作为优选的技术方案，步骤S1中，利用图论方法来描述和说明交通路网的拓扑结构，表示如下：

其中，V(G)为图G的顶点集合，具体表示路网中的交叉节点，即道路交叉口集合；

E(G)为图G的边集合，具体表示路网中的道路路段；

ψ_G为图G的边的权值，表示路段＜v_i,v_j＞的长度；

式中inf表示无穷大；

v_i在坐标系位置为(x_i,y_i)。

作为优选的技术方案，步骤S1中，所述电网模型建立时将电网简化节点和弧段的网络结构，开关不考虑入内，节点仅表示发电机和负载，电网模型的拓扑结构表示如下：

V^d(G)表示图顶点的集合，此处用于表示电网的节点集合，n_G为电网节点数量；E^d(G)表示图的边的集合，此处用于描述电网节点之间的支路；

表示图的边权，此处代表电网支路的电阻、电抗、电纳和支路传输功率极限参数；

用以描述电网各节点平均时刻的有功功率、无功功率；

为电网节点负荷变化系数，T为一天总时间。

作为优选的技术方案，步骤S1中，路网-电网耦合关系构建如下：

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，并以路网的道路为界；

其次，假设区域电网的节点负责对应部分功能区的供电，计算负荷时，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。

作为优选的技术方案，步骤S2具体为：

S2.1、出行时空轨迹及路径规划；

S2.1.1、确定出行时间轨迹曲线，Ω_t＝(x,y,t)，x,y为电动汽车在t时刻所处的坐标；

S2.1.2、出行路径规划，以“最短行驶距离”作为路径选择重要依据，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；

S2.2、构建出行链结构，Q＝{q₀(x₀,y₀),q₁(x₁,y₁),…,q_s(x_s,y_s),…}

其中，Q为出行链对应驻留点的集合；s为驻留点序号，(x_s,y_s)为驻留点s对应的坐标；q₀为出行链出发点；设path为2个连续驻留点之间的一条路径，ψ(q_s,q_s+1)为2个连续停住点之间的路径集合，path∈ψ(q_s,q_s+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；

S2.3、确定出行时间特征；

S2.3.1、确定出行时间概率分布，采用拟合性灵活的三参数威布尔概率函数进行描述，如下：

式中，

是车辆离开家的时间，k形状参数,c尺度参数,γ位置参数，k、c这两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，无量纲；c与行程出发时间的平均值有关，单位分钟；

S2.3.2、确定路段行驶时间，根据不同等级道路的限速值和不同时段交通情况，采用分段均匀分布函数描述，如下：

式中，v₀和v_lim为道路最低和最高行驶速度，单位km/h；v_a,v_b,v_c,v_d分别为不同路况下的行驶速度边界值，单位km/h；

然后，由最短路径规划算法选出最优路径后，计算行程出发点s到目的点s+1之间的行驶总时间ΔT_s,s+1，

其中

为实际通过路段的所需时间，L_road为路段的长度，

为通过该路段行驶时的平均速度；

S2.3.3、确定目的地驻留时间，住宅区域停驻时长概率密度服从威布尔分布，在工作区域和其他区域的停驻时长概率密度服从广义极值分布，如下：

式中，

为停驻时间，μ是位置参数，σ＞0为尺度参数，ξ为形状参数，决定分布的尾部形状；

S2.3.4、确定下一行程出发时间，抵达目的地s的时间和从s到目的地s+1段的行程出发时间分别为：

式中，

为抵达目的地s的时刻，

表示离开s前往目的地s+1的时刻，i＝0用于代表出发点为家，在抵达s前，经过s-1个驻留点和s段行程路径。

作为优选的技术方案，步骤S4具体为：

S4.1、电动汽车行驶到某一目的地后，根据当前时刻的剩余电量情况，判断车辆是否需要充电；当前电池剩余电量少于30％或不足以支撑下次行驶时，则需在当前目的地充电，否则不充；S4.2、荷电状态计算，具体为：

车辆抵达当前目的地的s的初始荷电状态计算方法如下：

式中，

分别表示离开上一场所时刻、抵达当前目的地时刻；E_b为电池容量，kWh；ω_d和l_d分别为电动汽车经过d路段的每公里耗电量和该路段的行驶距离，km；N_s-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；ω_d为0.15-0.30kWh/km，计算时重点考虑交通路况和温度这两个随机因素，首先，将一天当中各时刻的交通路况从顺畅到拥堵归一化到[0,1]，以三角形状呈现；其次，将一天的气温归一化为：

Z_t＝0.5+p·sgn[(z_t-z_min)(z_t-z_max)]

其中，Z_t为归一化后的温度，无量纲；z_t为实时温度，z_min为最低温度，z_max为最高温度，单位均为℃；p为比例系数。

再是，利用Matlab/Simulink模糊工具箱计算得到ω_d；

车辆离开当前目的地的s的荷电状态计算如下：

上式表示车辆在当前目的地s经过充电判断决策后，若确定无需充电，则离开时的荷电状态与抵达时相同；若需要充电，则选择充满电动汽车或充至离开当前目的地为止；其中，η代表充电机效率，

代表s处的充电功率水平，kW；

S4.3、充电时长计算，若经判断后需在该目的地充电的情况，那么充电时长确定方式如下：

式中，充电时长小于驻留时间，即

S4.4、充电负荷计算，功能地块s处充电负荷可表示为：

式中，

表示电动汽车t时刻的充电概率,充电期间为1,否则为0；N^f(t)为t时刻功能地块的电动汽车数量；为

为功能地块在t时刻电动汽车总充电负荷；

再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t时刻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，电网节点g在t时刻的充电负荷P^g(t)表示为：

本发明与现有技术相比，具有如下优点和有益效果：

1)不同于传统充电负荷预测方法侧重于时间分布的预测，充电负荷空间分布特性呈现不足，本发明的方法能够反映不同时间、不同空间的电动汽车行驶、停留及充电需求情况，弥补现有方法的不足。

2)本发明方法融合多源信息，能够体现电网、充电设施、电动汽车和用户行为、路网、交通等之间耦合特性和相互作用情况。

3)本发明基于充电负荷时空分布特性，从时间和空间两个维度评估了对电网负荷、损耗和电压的影响，一方面有助于合理规划电动充放电设施，另一方面利于研究各个不同功能区、不同电网节点在各时段的电动汽车可调度时段、可调度容量的潜力分析；

4)本发明算例仿真中考虑了四种类型出行链，起讫点均在住宅区，并默认用户出行以最短距离进行路径规划，充电假设都发生在行程目的地。随着电动汽车规模化应用，充电设施的逐步建设，对更多类型出行链，不同初始分布和路途快充等情形，本发明所提的方法同样能够根据实际出行链类型，不同路径规划，不同充电地点进行充电负荷预测，仅需修改对应参数。

附图说明

图1是本发明电动汽车充电负荷时空预测模型框架图；

图2是本发明道路拓扑结构图；

图3是本发明单个出行者多个日期轨迹示意图；

图4是本发明出行链的结构示意图；

图5是本发明出发时间与到达时间分布规律图；

图6是本发明电动汽车充电负荷时空预测计算流程图；

图7是本发明整体蒙特卡洛仿真流程图；

图8是(a)是各个住宅区一天的充电负荷分布图；图8(b)是各个工作场所一天的充电负荷分布图；图8(c)是其他各功能区一天的充电负荷分布；

图9是电网各节点电动汽车充电负荷期望值示意图(75％渗透率)；

图10是不同场景下电网节点电压示意图；

图11(a)原电网各节点电压情况图；图11(b)为电动汽车接入后的电网节点电压情况(100％渗透率)；图11(c)为几个典型节点的电压曲线(100％渗透率)；图11为(d)不同渗透下电网各节点的最低电压示意图；图11(e)为节点26不同渗透率下电压曲线图；

图12是从家里到工作单位的车辆出行时间分布图；

图13是功能区电动汽车总充电负荷期望值示意图；

图14是充电需求判断流程图；

图15是路网和电网拓扑结构图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本发明构建的电动汽车充电负荷时空预测模型框架包括多源信息/数据层、模型层以及算法层三大部分，该预测框架基于路网信息建立路网模型，由电网信息建立电网模型，利用居民出行调查数据库形成出行模型，基于天气温度数据和交通流量数据构建每公里耗电量模型，并由车辆信息和充电设施信息建立单辆电动汽车充电模型。以此为基础，在进行电动汽车充电负荷预测时先通过蒙特卡洛方法生成每辆电动汽车的出行链类型、首次出行时间、驻留时间等不确定性参数；根据模糊规则方法计算每个时段的路段每公里耗电量；按出行链行程目的地，以最短路径作为约束条件，结合道路交通模型，利用最短行驶路径算法确定车辆行驶路径；再结合电池电量水平判断充电需求，确定电动汽车充电时段和位置，由此得到充电负荷的时空数据，再利用蒙特卡洛方法反复抽样，以得到电动汽车充电负荷的时空分布预测结果。

本发明区域电动汽车充电负荷时空分布预测方法，包括下述步骤：

(1)、基于图论方法的路网和电网建模

(1.1)电动汽车出行后行驶路径和行驶时间受其所在地区的路网、交通情况影响，因此，进行电动汽车充电负荷计算前，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，以图2作为示例，利用图论方法来描述和说明交通路网的拓扑结构，并以式(1)表述。

1)V(G)表示图G的顶点集合，本发明用于表示路网中的交叉节点，即道路交叉口集合。

2)E(G)表示图G的边集合，本发明用于表示路网中的道路路段。

3)ψ_G表示图G的边的权值，表示路段＜v_i,v_j＞的长度。

式中inf表示无穷大。

4)d_ij的计算。本发明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v_i在坐标系位置为(x_i,y_i)，d_ij的计算公式如(3)所示。

假设路网中所有路段均可双向通行，矩阵ψ_G表示道路权值的邻接矩阵，描述各路段长度以及节点连接关系，图1路网的邻接矩阵可表示为式(4)：

(1.2)本发明建模时将电网简化节点和弧段的网络结构，开关不考虑入内，节点仅表示发电机和负载，式(5)为电网的拓扑结构。

V^d(G)表示图顶点的集合，此处用于表示电网的节点集合，n_G为电网节点数量；E^d(G)表示图的边的集合，此处用于描述电网节点之间的支路；

表示图的边权，此处代表电网支路的电阻、电抗、电纳和支路传输功率极限等参数，如式(6)；

用以描述电网各节点平均时刻的有功功率、无功功率；

为电网节点负荷变化系数，T为一天总时间。

(1.3)路网-电网耦合关系

城市电网都是基于地理位置上建设，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。其次，因为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的协调也常以道路、河流等自然障碍为界，由此本发明假设区域电网的节点负责对应部分功能区的供电。计算负荷时，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，以式(7)描述。

f∈g表示功能地块f归属于第g个电网节点供电。

为功能地块f的基本负荷，

为功能地块f的电动汽车无序充电负荷，

表示电动汽车无序充电时电网节点g的总负荷。

(2)电动汽车出行时空分析

(2.1)出行时空轨迹及路径规划

(2.1.1)出行时间轨迹曲线

充电需求与用户出行行为直接相关，一般出行用户工作日发生的出行活动规律性较强。如图3为单个出行者多个日期的时空轨迹，可看出出行者每天出行的路径并不是一成不变，而出行时间和出行空间相对集中。出行轨迹即车辆的实时位置用式(8)表示。

Ω_t＝(x,y,t)(8)

x,y为电动汽车在t时刻所处的坐标，本发明为计算方便，采用笛卡尔直角坐标系。

(2.1.2)出行路径规划

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，用户根据自身不同偏好选择不同的路阻，如行驶距离、行程时间、道路质量、拥挤程度、出行费用、综合路阻等。本发明假设用户以“最短行驶距离”作为路径选择重要依据，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。

(2.1.3)出行链结构

本发明研究私家电动汽车，此处假设私家电动汽车以其所在住宅区的家为一天的起讫点，当车辆出行后，一天的行程中会前往一个或多个功能区活动，当中对应功能区有一个或多个驻留点可能会有充放电行为，采用由一系列中间驻留点构成的出行链表征电动汽车一天的出行空间特性，如式(9)，示意图如图4所示。

Q＝{q₀(x₀,y₀),q₁(x₁,y₁),…,q_s(x_s,y_s),…}(9)

其中，Q为出行链对应驻留点的集合；s为驻留点序号，(x_s,y_s)为驻留点s对应的坐标；q₀为出行链出发点；设path为2个连续驻留点之间的一条路径，ψ(q_s,q_s+1)为2个连续停住点之间的路径集合，path∈ψ(q_s,q_s+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(10)。

Π＝{ψ(q₀,q₁),ψ(q₁,q₂),…,ψ(q_s,q_s+1),…}(10)

(2.3)出行时间特征

(2.3.1)出行时间概率分布

出行链中都有相应的链点，每个链点包含了出行者上一次出行的到达时间和下一次出行的出发时间，图5是基于“工作”出行的出发和到达分布规律。

由图5可看出，车辆每个行程的出发和达到时间并非服从正态分布，本发明采用拟合性灵活的如式(11)三参数威布尔概率函数进行描述：

式中，

是车辆离开家的时间，k形状参数,c尺度参数,γ位置参数。k、c这两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，无量纲；c与行程出发时间的平均值有关，单位分钟。

(2.3.2)路段行驶时间

为分析电动汽车一天出行的时间分布特性，需计算从出发点抵达目的地路上的行程时间，采用式(12)计算某时段通过各路段的平均行程时间：

式中，

为实际通过路段的所需时间，L_road为路段的长度，

为通过该路段行驶时的平均速度，该值受道路等级、道路拥堵情况、出行时间段及用户驾驶习惯等因素影响。本发明根据不同等级道路的限速值和不同时段交通情况，采用分段均匀分布函数描述，如式(13)。

式中，v₀和v_lim为道路最低和最高行驶速度，单位km/h；v_a,v_b,v_c,v_d分别为不同路况下的行驶速度边界值，单位km/h。

接着，由上述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

如式(14)。

(2.3.3)目的地驻留时间

车辆行驶到目的地场所开展活动，会有一定时间的驻留，第s个目的地(家为最后1个目的地)驻留时间

取决于驻留的场所性质，研究表明在住宅区域停驻时长概率密度服从威布尔分布，在工作区域和其他区域的停驻时长概率密度服从广义极值分布，如式(15)：

式中，

为停驻时间，μ是位置参数，σ＞0为尺度参数，ξ为形状参数，决定分布的尾部形状。

(2.3.4)下一行程出发时间

车辆一天当中首个行程从家出发的时间

由式(11)抽取确定，抵达目的地s的时间和从s到目的地s+1段的行程出发时间分别为：

式中，

为抵达目的地s的时刻，

表示离开s前往目的地s+1的时刻，i＝0用于代表出发点为家，在抵达s前，经过s-1个驻留点和s段行程路径。

(3)电动汽车充电负荷计算

(3.1)充电需求判断及用户决策

电动汽车行驶到某一目的地后，根据当前时刻的剩余电量情况，判断车辆是否需要充电，发明假设当前电池剩余电量少于30％或不足以支撑下次行驶时，则需在当前目的地充电，用户决策流程如图14所示。电动汽车在当前目的地的充电概率用式(18)。

其中，

为第m辆电动汽车在目的地s的充电概率，1表示需要充电，0表示不需要充电；剩余里程

km；ω_max为电动汽车每公里耗电量最大值，本发明仿真取0.3kWh/km；L_s,s+1为当前目的地s到下一目的地s+1的距离，km。

(3.2)荷电状态计算

车辆抵达当前目的地的s的初始荷电状态由式(19)计算得到：

式中，

分别表示离开上一场所时刻、抵达当前目的地时刻；E_b为电池容量，kWh；ω_d和l_d分别为电动汽车经过d路段的每公里耗电量和该路段的行驶距离，km；N_s-1,s为从出发点到目的地根据最短路径算法选择的所经路径的路段总数；ω_d一般为0.15-0.30kWh/km，具体数值和道路拥堵情况(即交通流量)、用户是否开启空调(即天气温度)等因素相关，仿真时采用模糊计算方法获得。

车辆离开当前目的地的s的荷电状态由式(20)确定：

式(20)表示车辆在当前目的地s经过充电判断决策后，若确定无需充电，则离开时的荷电状态与抵达时相同；若需要充电，则选择充满电动汽车或充至离开当前目的地为止；其中，η代表充电机效率，

代表s处的充电功率水平，kW。

(3.3)充电时长计算

由于抵达当前目的地s的时刻由上文式(16)可获得，若经判断后需在该目的地充电的情况，那么充电时长可由式(21)确定：

式中，充电时长小于驻留时间，即

(3.4)充电负荷计算

至此，由前述方法可获得每个住宅小区的每辆电动汽车的行驶时空分布及在各个目的地s处信息，包括：抵达时间

驻留时间

离开时间

抵达时荷电状态

是否充电

充电时长

离开时荷电状态

等。从而可计算各个目的地即各功能地块的电动汽车充电负荷，当车辆抵达某个目的地地块，由式(19)计算得到此时剩余电量，以式(18)判断是否需要充电，若需充电，充电起始时间由式(16)确定，充电时长由式(21)计算。功能地块s处充电负荷可表示为：

式中，

表示电动汽车t时刻的充电概率,充电期间为1,否则为0；N^f(t)为t时刻功能地块的电动汽车数量；为

为功能地块在t时刻电动汽车充电总负荷。

再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t时刻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，见式(7)。电网节点g在t时刻的充电负荷P^g(t)可表示为：

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6所示。输入数据包括：1)路网模型详细参数；2)交通信息；3)电网模型详细参数；4)电动汽车参数；5)用户行为信息等。

(3.5)仿真流程

蒙特卡洛仿真的整体流程图如图7所示，利用图7完成一次电动汽车充电负荷预测蒙特卡洛仿真计算后，将各功能地块的一天充电负荷存储为功能地块充电功率矩阵F_i，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(24)条件得到满足。

β_i为第i次蒙特卡洛仿真后存储的功能地块的充电负荷方差系数；

为充电负荷标准差；M为计算次数；ε为预先设定的精度。

下面以一个具体应用来验证本发明的有效性：

4.1参数设置

1)路网信息：本发明以图15所示区域主要道路为例，该地区占地面积约625平方公里，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表B1，道路路段、道路等级等情况如附表B2，道路路段长度由节点坐标根据式(3)求得的是直线距离，但实际道路会有一定弧度或曲折，仿真时乘以1.15倍的曲折系数。区域内各地块功能分类及其对应道路节点和对应住宅地块电动汽车数量情况详见于附表B3。

表B1路网道路节点坐标(坐标单位:km)

表B2路网道路的情况表

附表B3各地块功能分类及其对应道路节点和对应住宅地块的电动汽车数量情况

2)交通信息

本发明将路网中全部路段分为两个等级，分级情况如附表B2，车辆在不同等级道路及不同路况情形下速度不一样，设置如表1所示。

表1不同等级道路在不同路况时的速度(单位：km/h)

3)电网信息

本发明测试算例的电网采用IEEE30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表B4所示，系统节点参数和支路参数如附表B5和B6所示。

附表B4电网各节点供电分区及典型负荷曲线类型

附表B5 IEEE30系统各节点参数

注：附表B5中电压为标幺值，其他参数均为有名值，有功功率单位MW，无功功率单位MVar。

附表B6IEEE30系统各支路参数

注：支路参数均为标幺值

4)电动汽车参数

区域内假设共有6.76万辆私家电动汽车，初始位置均停在住宅区。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表B7。

附表B7电动汽车相关仿真参数

5)车辆首次出行时间

因电动汽车用户实际出行数据积累还较少，本发明采用美国交通部NHTS2009居民调查数据库作为分析车辆出行行为的数据来源，选取其中主要含有的如表2所示的四大类型出行链来说明本发明所建模型和计算方法，仿真时每类出行链的首次出行时间由式(11)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。

表2首次出行时间参数表

6)各场所停驻时间

各场所的停驻时间影响着充电时长，电动汽车在各场所停驻时间与场所性质密切相

关，在H、W、E场所的停驻时间由式(15)统计拟合，参数分别为：

7)系统仿真参数

本发明设定M＝200，ε＝0.1。

4.2仿真结果分析

4.2.1充电负荷时空分布

图8是各区一天的充电负荷情况，由图8(a)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，以序号11住宅区充电负荷最高，这是因为该区电动汽车数量最多。充电负荷高峰时段与住宅区电网基本负荷高峰时段重叠，或造成“峰上峰”的情形及住宅区配变的过载。从图8(b)来看，工作场所的充电负荷集中于车辆抵达的时间段，地块分布上看以W2、W3、W4和W5负荷最高，均为区域边缘。而其他功能各个区的充电负荷普遍集中于白天时段。

图9为电网各个节点的充电负荷情况，从图中能比较直观地看出充电负荷的时空分布特点，在电网节点10、15、16、23和26在负荷高峰时段负荷最高，节点10负责给地块25和26供电，均为住宅区，且电动汽车数量保有量最多。图中还可看出，节点5相对其他节点，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，且负责给工业区W2、W3、W4和W5供电。

4.2.2对电网影响分析

电动汽车接入电网充电，对电网产生一定影响，本节基于电动汽车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，以如15的负荷变化系数，将IEEE30标准系统的各节点负荷转换为随时间变化的负荷。再结合电动汽车时空分布负荷，计算基本负荷场景和计及电动汽车无序充电场景下电网潮流，并比对两种场景下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。

1.不同渗透率下的总负荷曲线

图10是不同渗透率下区域电网总负荷情况，随着电动汽车渗透率增加，造成原电网高峰负荷基础上的负荷叠加，在100％渗透率情境下，电动汽车充电负荷给算例电网带来平均4.74％、最高13.18％的负荷增长，且时段较为集中。而电网基础负荷较低的夜晚期间几乎没有影响。

2.电网节点电压曲线

图11(a)和11(b)分别为无电动汽车接入和100％渗透率下的电网各节点电压分布曲线，图11(c)是不同负荷性质典型节点的电压曲线，由图可看出，由于电动汽车接入充电，住宅区性质的电网节点在负荷晚高峰(18点-20点)时段电压降落幅度最大，其中节点26电压最大降幅达6.38％，图11(d)是不同渗透率下各个节点的最低电压情况，图11(e)则是节点26在不同渗透率下的电压曲线，随着渗透率的增加，节点电压将不满足供电电压要求。

3.不同渗透率下的网络损耗对比

表3给出了电动汽车不同渗透率下的网损平均值和最大值情况，系统网损随着电动汽车的接入比例增加而变大，网损整体随时间变化趋势和无电动汽车接入时呈现一致特性。高压电网的网损要求一般控制在1％～3％，算例中当电动汽车渗透率达75％及以上后，网络损耗将超过3％，将不利于电力系统经济运行。

表3不同渗透率下区域电网的网络损耗

4.3方法有效性检验

1.车辆首次出行时间检验

如图12是表3中复杂出行链“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)”中首个行程为“H-W”的出行时刻统计分布和采用式(11)随机产生的结果曲线。

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，Leaf用户第一行程距离较远或后续行程较长时在W处或E处具有一定充电需求，而BYD e6电动汽车在W处或E处基本不需要充电。这是因为BYD e6电池容量57kWh，而Leaf仅为24kWh，因本发明仿真算例为纵横25km的区域，且基家出行时为满电池量出发，前者的续航里程基本够支撑大部分用户的日行驶里程需求，而电池容量较小的Leaf用户出行距离较远时，考虑到后续行程的行驶需求，部分用户需在当前目的地充电。

3.出行信息变化情形

不同地区居民出行方式不一，将出行链类型全部设置为“H-W-H”，其他信息不变，负荷曲线如图13所示，由图可知，无论是Leaf还是BYD 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为超过1000kW，这和算例区域地理结构相关，起讫点均基于家的车辆出行目的地仅为W，各W区位置离各个H处地理位置较近所致。

综上所述，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耦合特性，从时间维度和空间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。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种区域电动汽车充电负荷时空分布预测方法，其特征在于，包括下述步骤：

S1、结合图论方法，基于路网信息建立路网模型，由电网信息建立电网模型，并构建路网-电网耦合关系；

S2、结合居民出行数据库，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；步骤S2具体为：

S2.1、出行时空轨迹及路径规划；

S2.1.1、确定出行时间轨迹曲线，Ω_t＝(x,y,t)，x,y为电动汽车在t时刻所处的坐标；

S2.1.2、出行路径规划，以“最短行驶距离”作为路径选择重要依据，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；

S2.2、构建出行链结构，Q＝{q₀(x₀,y₀),q₁(x₁,y₁),…,q_s(x_s,y_s),…}

其中，Q为出行链对应驻留点的集合；s为驻留点序号，(x_s,y_s)为驻留点s对应的坐标；q₀为出行链出发点；设path为2个连续驻留点之间的一条路径，ψ(q_s,q_s+1)为2个连续停住点之间的路径集合，path∈ψ(q_s,q_s+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；

S2.3、确定出行时间特征；

S2.3.1、确定出行时间概率分布，采用拟合性灵活的三参数威布尔概率函数进行描述，如下：

式中，

是车辆离开家的时间，k形状参数,c尺度参数,γ位置参数，k、c这两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，无量纲；c与行程出发时间的平均值有关，单位分钟；

S2.3.2、确定路段行驶时间，根据不同等级道路的限速值和不同时段交通情况，采用分段均匀分布函数描述，如下：

式中，v₀和v_lim为道路最低和最高行驶速度，单位km/h；v_a,v_b,v_c,v_d分别为不同路况下的行驶速度边界值，单位km/h；

然后，由最短路径规划算法选出最优路径后，计算行程出发点s到目的点s+1之间的行驶总时间ΔT_s,s+1，

其中

为实际通过路段的所需时间，L_road为路段的长度，

为通过该路段行驶时的平均速度；

S2.3.3、确定目的地驻留时间，住宅区域停驻时长概率密度服从威布尔分布，在工作区域和其他区域的停驻时长概率密度服从广义极值分布，如下：

式中，

为停驻时间，μ是位置参数，σ＞0为尺度参数，ξ为形状参数，决定分布的尾部形状；

S2.3.4、确定下一行程出发时间，抵达目的地s的时间和从s到目的地s+1段的行程出发时间分别为：

式中，

为抵达目的地s的时刻，

表示离开s前往目的地s+1的时刻，i＝0用于代表出发点为家，在抵达s前，经过s-1个驻留点和s段行程路径；

S3、采用Dijkstra算法规划车辆出行路径以获得行程距离，由道路等级和各时段拥堵交通信息获得车辆行驶速度，计算出行程行驶时间和荷电状态，再根据各行程目的地充电需求判断条件，计算充电时长和充电负荷；

S4、结合电池电量水平判断充电需求，确定电动汽车充电时段和位置，由此得到充电负荷的时空数据，再利用蒙特卡洛方法反复抽样，以得到电动汽车充电负荷的时空分布预测结果；

步骤S4具体为：

S4.1、电动汽车行驶到某一目的地后，根据当前时刻的剩余电量情况，判断车辆是否需要充电；当前电池剩余电量少于30％或不足以支撑下次行驶时，则需在当前目的地充电，否则不充；

S4.2、荷电状态计算，具体为：

车辆抵达当前目的地的s的初始荷电状态计算方法如下：

式中，

分别表示离开上一场所时刻、抵达当前目的地时刻；E_b为电池容量，kWh；ω_d和l_d分别为电动汽车经过d路段的每公里耗电量和该路段的行驶距离，km；N_s-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；ω_d为0.15-0.30kWh/km，计算时重点考虑交通路况和温度这两个随机因素，首先，将一天当中各时刻的交通路况从顺畅到拥堵归一化到[0,1]，以三角形状呈现；其次，将一天的气温归一化为：

Z_t＝0.5+p·sgn[(z_t-z_min)(z_t-z_max)]

其中，Z_t为归一化后的温度，无量纲；z_t为实时温度，z_min为最低温度，z_max为最高温度，单位均为℃；p为比例系数；

再是，利用Matlab/Simulink模糊工具箱计算得到ω_d；

车辆离开当前目的地的s的荷电状态计算如下：

上式表示车辆在当前目的地s经过充电判断决策后，若确定无需充电，则离开时的荷电状态与抵达时相同；若需要充电，则选择充满电动汽车或充至离开当前目的地为止；其中，η代表充电机效率，

代表s处的充电功率水平，kW；

S4.3、充电时长计算，若经判断后需在该目的地充电的情况，那么充电时长确定方式如下：

式中，充电时长小于驻留时间，即

S4.4、充电负荷计算，功能地块s处充电负荷可表示为：

式中，

表示电动汽车t时刻的充电概率,充电期间为1,否则为0；N^s(t)为t时刻功能地块的电动汽车数量；

为功能地块在t时刻电动汽车总充电负荷；

再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t时刻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，电网节点g在t时刻的充电负荷P^g(t)表示为：

2.根据权利要求1所述区域电动汽车充电负荷时空分布预测方法，其特征在于，步骤S1中，利用图论方法来描述和说明交通路网的拓扑结构，表示如下：

其中，V(G)为图G的顶点集合，具体表示路网中的交叉节点，即道路交叉口集合；

E(G)为图G的边集合，具体表示路网中的道路路段；

ψ_G为图G的边的权值，表示路段＜v_i,v_j＞的长度；

式中inf表示无穷大；

v_i在坐标系位置为(x_i,y_i)。

3.根据权利要求1所述区域电动汽车充电负荷时空分布预测方法，其特征在于，步骤S1中，所述电网模型建立时将电网简化节点和弧段的网络结构，开关不考虑入内，节点仅表示发电机和负载，电网模型的拓扑结构表示如下：

V^d(G)表示图顶点的集合，此处用于表示电网的节点集合，n_G为电网节点数量；E^d(G)表示图的边的集合，此处用于描述电网节点之间的支路；

表示图的边权，此处代表电网支路的电阻、电抗、电纳和支路传输功率极限参数；

用以描述电网各节点平均时刻的有功功率、无功功率；

为电网节点负荷变化系数，T为一天总时间。

4.根据权利要求1所述区域电动汽车充电负荷时空分布预测方法，其特征在于，步骤S1中，路网-电网耦合关系构建如下：

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，并以路网的道路为界；

其次，假设区域电网的节点负责对应部分功能区的供电，计算负荷时，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。

Images