CN110264000A - 电动汽车对城市配电网影响量化分析的方法 - Google Patents

电动汽车对城市配电网影响量化分析的方法 Download PDF

Info

Publication number
CN110264000A
CN110264000A CN201910533841.1A CN201910533841A CN110264000A CN 110264000 A CN110264000 A CN 110264000A CN 201910533841 A CN201910533841 A CN 201910533841A CN 110264000 A CN110264000 A CN 110264000A
Authority
CN
China
Prior art keywords
electric car
charging
data
value
distribution network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910533841.1A
Other languages
English (en)
Inventor
代贤忠
张玥
韩新阳
靳晓凌
柴玉凤
白翠粉
张晨
神瑞宝
曹子健
张钧
谢光龙
张岩
田鑫
边海峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Grid Energy Research Institute Co Ltd
State Grid Energy Research Institute Co Ltd
Original Assignee
National Grid Energy Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National Grid Energy Research Institute Co Ltd filed Critical National Grid Energy Research Institute Co Ltd
Priority to CN201910533841.1A priority Critical patent/CN110264000A/zh
Publication of CN110264000A publication Critical patent/CN110264000A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种电动汽车对城市配电网影响量化分析的方法，S1：获取与电动汽车相关的第一数据，根据第一数据得到第一预测数据；S2：根据用户使用电动汽车的行为习惯，得到电动汽车一天内充电时刻分布值λ；S3：根据所述λ、电动汽车电池容量得到电动汽车不同时刻充电功率值Pi；S4：根据Pi、第一预测数据得到第二预测数据；S5：获取配电网总最大功率值P′max，根据第二预测数据、P′max得到电动汽车的最大充电负荷比重值；S6：获取与电动汽车相关的第二数据，根据第二数据得到第三预测数据；S7：按照步骤S1至步骤S6统计现状水平年、规划水平年内电动汽车的最大充电负荷比重值、配电网容量值、第三预测数据，根据统计结果分析电动汽车对城市配电网影响。

Description

电动汽车对城市配电网影响量化分析的方法
技术领域
本发明实施例涉及电动汽车技术领域，具体是涉及一种电动汽车对城市配电网影响量化分析的方法。
背景技术
电动汽车充电具有随机性和移动性，充电负荷峰谷差大、利用小时数低。电动汽车无序充电对负荷结构、系统峰谷差、配电网利用率、充电设施和配套电网建设等四方面产生深刻影响，目前没有系统的以数据为依据针对电动汽车对电网负荷的影响的预测方法。
发明内容
针对现有技术中的缺陷，本发明实施例提供一种电动汽车对城市配电网影响量化分析的方法，达到了以数据为依据系统全面分析电动汽车充电对配电网负荷结构、系统峰谷差、配电网利用率、充电设施和配套电网建设方面的影响的技术效果。
针对以上技术问题，本发明实施例提供了一种电动汽车对城市配电网影响量化分析的方法，所述方法包括：
S1：获取与所述电动汽车相关的第一数据，根据所述第一数据得到所述第一预测数据。
S2：根据用户使用所述电动汽车的行为习惯，得到所述电动汽车一天内充电时刻分布值λ。
S3：根据所述S2中所述λ、所述电动汽车电池容量得到所述电动汽车不同时刻充电功率值Pi。
S4：根据所述S3中的所述Pi、所述S1中的所述第一预测数据得到第二预测数据。
S5：获取配电网总最大功率值Pm′ax，根据所述第二预测数据、所述Pm′ax得到所述电动汽车的最大充电负荷比重值。
S6：获取与所述电动汽车相关的第二数据，根据所述第二数据得到第三预测数据。
S7：按照所述步骤S1至所述步骤S6统计现状水平年、规划水平年内所述电动汽车的所述最大充电负荷比重值、所述配电网容量值、所述第三预测数据，根据所述统计结果分析所述电动汽车对城市配电网影响。
根据本发明的一个实施例，所述电动汽车包括：与第一类型汽车对应的第一类电动汽车、与第二类型汽车对应的第二类电动汽车、与第三类型汽车对应的第三类电动汽车、与第四类型汽车对应的第四类电动汽车。
根据本发明的一个实施例，所述与所述电动汽车相关的第一数据，包括：与所述第一类电动汽车相关的第一数据、与所述第二类电动汽车相关的第一数据、与所述第三类电动汽车相关的第一数据、与所述第四类电动汽车相关的第一数据。
根据本发明的一个实施例，所述与所述第一类电动汽车相关的第一数据包括：现存所述第一类型汽车数量a1、所述第一类型汽车逐年新增数量b1、现存所述第一类电动汽车电动化比例x1、所述第一类型汽车逐年新增量电动化比例u1。
根据本发明的一个实施例，所述S4中所述根据所述S3中的所述Pi、所述S1中的所述第一预测数据得到第二预测数据，包括选取所述电动汽车不同时刻充电功率值Pi中的最大充电功率值Pmax、最小充电功率值Pmin，根据所述最大充电功率值Pmax、最小充电功率值Pmin、所述第一预测数据得到第二预测数据。
根据本发明的一个实施例，所述S6中所述与所述电动汽车相关的第二数据，包括所述电动汽车保有量、所述电动汽车日均行驶里程、所述电动汽车百公里耗电量、所述电动汽车充电功率、所述电动汽车同时率、所述电动汽车采用专用充电设施充电比重、所述电动汽车采用公共充电设施充电比重以及与充电桩相关的参数。
根据本发明的一个实施例，所述与充电桩相关的参数，包括：公共充电桩利用小时数/天、专用充电桩利用小时数/天、私人充电桩利用小时数/天、单位专用充电桩造价值、单位公共充电桩造价值、单位公共桩占地面积。
根据本发明的一个实施例，所述第三预测数据包括：所述电动汽车充电量值、与所述公共充电桩相关的数据、与所述专用充电桩相关的数据、与所述私人充电桩相关的数据。
根据本发明的一个实施例，所述与所述公共充电桩相关的数据包括：所述公共充电桩容量需求值、所述公共充电桩数量、所述公共充电桩费用值、所述公共充电桩占地面积值。
所述与所述专用充电桩相关的数据包括：所述专用充电桩容量需求值、所述专用充电桩数量、所述专用充电桩费用值。
所述与所述私人充电桩相关的数据包括：所述私人充电桩容量需求值、所述私人充电桩数量、所述私人充电桩费用值。
根据本发明的一个实施例，所述S7中按照所述步骤S1至所述步骤S6统计现状水平年、规划水平年内所述电动汽车的所述最大充电负荷比重值、所述配电网容量值、所述第三预测数据，包括：
比较所述现状水平年、所述各个规划水平年内的所述电动汽车的所述最大充电负荷比重值、所述配电网容量值、所述第三预测数据，得到所述电动汽车充电负荷预测表，根据所述充电负荷预测表分析所述电动汽车对城市配电网影响。
根据本发明的一个实施例，所述电动汽车充电负荷预测表包括：所述现状水平年、规划水平年内的配电网最大负荷增加值、配电网的最大负荷增加比例、电网峰谷差率增加比例。
本发明达到的技术效果为：第一方面，通过统计现状水平年、规划水平年的电动汽车数量、分析用户使用不同种类电动汽车的行为习惯得到不同种类电动汽车不同时刻的充电功率值，计算出电动汽车的最大充电负荷值、电动汽车的最小充电负荷值、电动汽车充电负荷峰谷差率、最大充电负荷比重值数据，较之于统计现状水平年、规划水平年配电网的总最大负荷值，得到了具体规划水平年最大充电负荷占电网最大负荷的比重变化持续增长的结果，为今后优化电动汽车接入电网负荷结构，提供数据依据。
第二方面，通过分析用户使用电动汽车的行为习惯，得到了电动汽车最大充电负荷利用小时数低于电网总体的最大负荷利用小时数，电动汽车充电配网的容量利用率较低，同时拉低了相应的投资效益的技术启示。
第三方面，通过计算得到的电动汽车充电负荷峰谷率值，对电网调峰能力高要求提出了客观的数据依据。
第四方面，统计充电桩等设施、以及与充电桩设施相关的参数并根据不同种类电动汽车根据不同种类充电桩的小时利用情况，得到了规划水平年内对各类充电桩容量需求、数量需求，为实际使用过程中各类充电桩的投放及生产提供数据依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的电动汽车对城市配电网影响量化分析的方法流程图；
图2是本发明实施例电动私家车日行驶里程的概率密度曲线图；
图3(a)是本发明实施例的第一类电动汽车日负荷曲线图；
图3(b)是本发明实施例的第二类电动汽车日负荷曲线图；
图3(c)是本发明实施例的第三类电动汽车日负荷曲线图；
图3(d)是本发明实施例的第四类电动汽车日负荷曲线图；
图3(e)是本发明实施例的每日电动汽车总负荷曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。
图1是本发明实施例公开的一种电动汽车对城市配电网影响的量化分析方法流程图。方法包括：计算预测水平年基础负荷的最大负荷、峰谷差率、配电网容量、计算考虑电动汽车后预测水平年的最大负荷、峰谷差率、充电设施容量及费用、配电网容量、充电设施建设用地等。比较分析最大负荷变化；峰谷差率变化；增加的充电设施容量、费用、用地；配电网容量需求变化等。具体地：
S1：获取与所述电动汽车相关的第一数据，根据所述第一数据得到所述第一预测数据。
根据电动汽车出行特征，将电动汽车划分为电动公交车、电动出租车、电动货运物流等专用车、电动私家车等四类，依次分别对应与第一类型汽车对应的第一类电动汽车、与第二类型汽车对应的第二类电动汽车、与第三类型汽车对应的第三类电动汽车、与第四类型汽车对应的第四类电动汽车。
与电动汽车相关的第一数据，包括：与第一类电动汽车相关的第一数据、与第二类电动汽车相关的第一数据、与第三类电动汽车相关的第一数据、与第四类电动汽车相关的第一数据。
与第一类电动汽车相关的第一数据包括：现存第一类型汽车数量a1、第一类型汽车逐年新增数量b1、现存第一类电动汽车电动化比例x1、第一类型汽车逐年新增量电动化比例u1。
与第二类电动汽车相关的第二数据包括：现存第二类型汽车数量a2、第二类型汽车逐年新增数量b2、现存第二类电动汽车电动化比例x2、第二类型汽车逐年新增量电动化比例u2。
与第三类电动汽车相关的第三数据包括：现存第三类型汽车数量a3、第三类型汽车逐年新增数量b3、现存第三类电动汽车电动化比例x3、第三类型汽车逐年新增量电动化比例u3。
与第四类电动汽车相关的第四数据包括：现存第四类型汽车数量a4、第四类型汽车逐年新增数量b4、现存第四类电动汽车电动化比例x4、第四类型汽车逐年新增量电动化比例u4。
根据与电动汽车相关的第一数据获取第一预测数据；包括：根据现存公交车数量a1、公交车规划逐年新增数量b1、存量公交车电动化比例x1、增量公交车电动化比例u1获取电动公交车预测数量X1，如式1：
。X1＝a1×x1+b1×u1(1)
电动出租车、电动专用车、电动私家车预测数量预测方法同电动公交车相同，即X2＝a2×x2+b2×u2；X3＝a3×x3+b3×u3；X4＝a4×x4+b4×u4，这里不再赘述。
获取的电动出租车、电动专用车、电动私家车的预测数量分别为X2、X3、X4。电动汽车预测数量X，即X＝X1+X2+X3+X4。
S2：根据用户使用所述电动汽车的行为习惯，得到所述电动汽车一天内充电时刻分布值λ。
分析各类型电动汽车出行及充电特性，包括分别分析电动公交车、电动出租车、电动专用车、电动私家车出行及充电特性。
公交车行驶路线、里程比较固定，运营时间有规律，大中型城市中公交车的日均行驶里程主要分布在150-200km。由于一次充电不能满足一天的运营需求，所以在运营期间需要至少充一次电，且不能在高峰时段。电动公交车的行为特点为在非运营时间进行常规充电，白天运营过程中进行一次快速充电。
出租车辆的行为特性较为复杂，出租车辆对续驶里程的要求较高，并且行驶路线较为随机，行驶时间不固定，日均行驶里程为300-500km。电动出租车的行为特点为白天以快速充电为主，凌晨以常规充电为主。
大部分专用车实行夜间停在指定停车地点的制度，其停运时间为白天未执行专用时间和晚上停车时间。电动专用车的行为特点在白天未执行专用时间和晚上停运时间进行能量补给。
私家车的运动特性比较随机，主要被用于车主上、下班以及休闲娱乐等，相应的停车地点主要包括单位停车场、居民停车场、商场超市停车场等。私家车早上上班出行高峰在7:00-8:00之间，下午回家出行高峰在17:00-18:00。电动私家车起始充电时间服从正态分布，如图2所示，行驶里程近似服从对数正态分布。
电动私家车用户的不同充电习惯也会影响充电功率。根据调查，电动汽车用户的充电行为可分为四种：一天结束后充电；需要电量的时候充电；有条件充电时充电；当车主方便时充电。电动汽车用户充电行为分类结果及各类用户比例如表1用户充电行为分类统计表。
表1
各类型电动汽车日均充电次数及概率、日间充电时刻分布、夜间充电时刻分布、电池容量、续航里程、充电方式等，如下表2。
表2
S3：根据所述S2中λ、电动汽车电池容量得到电动汽车不同时刻充电功率值Pi。
针对上述分析，电动汽车充电负荷特性模拟如图3所示，图3(a)为电动公交车日负荷曲线图、图3(b)为电动出租车日负荷曲线图、图3(c)为电动专用车日负荷曲线图、图3(d)为电动私家车日负荷曲线图。
根据电动私家车日负荷曲线、电动专用车日负荷曲线、电动公交车日负荷曲线、电动出租车日负荷曲线得到电动汽车日负荷曲线。如图3(e)所示为每日电动汽车总负荷曲线图。
S4：根据S3中的所述Pi、S1中的第一预测数据得到第二预测数据。
包括选取所述电动汽车不同时刻充电功率值中的最大充电功率值Pmax、最小充电功率值Pmin，根据最大充电功率值Pmax、最小充电功率值Pmin、第一预测数据得到第二预测数据。
第二预测数据包括电动汽车最大充电负荷值Wmax、电动汽车最大充电负荷值Wmin、电动汽车充电负荷峰谷差率
以电动公交车为例，选取电动公交车不同时刻充电功率值中的最大充电功率值P1max、最小充电功率值P1min，根据最大充电功率值P1max、最小充电功率值、第一预测数据得到第二预测数据。
电动公交车最大充电负荷值：
W1max＝X1×P1max，W1mix＝X1×P1mix(2)
类似的方法，电动出租车最大充电负荷值：
W2max＝X2×P2max，W2mix＝X2×P2mix(3)
电动专用车最大充电负荷值：
W3max＝X3×P3max，W3mix＝X3×P3mix(4)
电动私家车最大充电负荷值：
W4max＝X4×P4max，W4mix＝X4×P4mix(5)
电动汽车最大充电负荷值：
Wmax＝W1max+W2max+W3max+W4max(6)
电动汽车最小充电负荷值：
Wmin＝W1min+W2min+W3min+W4min(7)
根据Wmax、Wmin得到电动汽车充电负荷峰谷差率
S5：获取配电网总最大功率值Pm′ax，根据所述第二预测数据、所述Pm′ax得到所述电动汽车的最大充电负荷比重值。
电动汽车的最大充电负荷比重值为电动汽车最大充电负荷值占电网总最大功率值的比例值。以北京为例，获得如表3的数据。
表3
S6：获取与电动汽车相关的第二数据，根据第二数据得到第三预测数据。
电动汽车第二数据，包括所述电动汽车保有量、所述电动汽车日均行驶里程、所述电动汽车百公里耗电量、所述电动汽车充电功率、所述电动汽车同时率、所述电动汽车采用专用充电设施充电比重、所述电动汽车采用公共充电设施充电比重以及与充电桩相关的参数，如表4。
表4
与充电桩相关的参数，包括：公共充电桩利用小时数/天、专用充电桩利用小时数/天、私人充电桩利用小时数/天、单位专用充电桩造价值、单位公共充电桩造价值、单位公共桩占地面积。
第三预测数据包括：电动汽车充电量值、与公共充电桩相关的数据、与专用充电桩相关的数据、与私人充电桩相关的数据。
公交车电动汽车充电量＝公交车保有量×公交车日均行驶里程×公交车百公里耗电量×365/100；其他私家车、专用车、出租车电动汽车充电量类同公交车。电动汽车充电量等于公交车电动汽车充电量、私家车电动汽车充电量、专用车电动汽车充电量、出租车电动汽车充电量之和。
与公共充电桩相关的数据包括：公共充电桩容量需求值、公共充电桩数量、公共充电桩费用值、公共充电桩占地面积值；
与专用充电桩相关的数据包括：专用充电桩容量需求值、专用充电桩数量、专用充电桩费用值。
与私人充电桩相关的数据包括：私人充电桩容量需求值、私人充电桩数量、私人充电桩费用值。
S7：按照所述步骤S1至所述步骤S6统计现状水平年、规划水平年内所述电动汽车的所述最大充电负荷比重值、所述配电网容量值、所述第三预测数据，根据所述统计结果分析所述电动汽车对城市配电网影响。
比较所述现状水平年、所述各个规划水平年内的所述电动汽车的所述最大充电负荷比重值、所述配电网容量值、所述第三预测数据，得到所述电动汽车充电负荷预测表，根据所述充电负荷预测表分析所述电动汽车对城市配电网影响。
所述电动汽车充电负荷预测表包括：所述现状水平年、规划水平年内的配电网最大负荷增加值、配电网的最大负荷增加比例、电网峰谷差率增加比例。充电桩需求参数如表5所示。
表5
充电桩需求容量、数量、费用、占地计算。
公共充电桩：公共充电桩容量需求＝保有量×日均行驶里程×百公里耗电量×公共快速充电需求比重/公共桩利用小时数/100。
公共充电桩数量＝公共充电桩容量需求/充电功率/同时率。
公共充电桩费用＝公共充电桩数量×公共充电桩造价。
公共充电桩占地＝公共充电桩数量×单位公共桩占地。
专用充电桩：专用充电桩容量需求＝保有量×日均行驶里程×百公里耗电量×专用充电设施需求比重/专用桩利用小时数/100。
专用充电桩数量＝专用充电桩容量需求/充电功率/同时率。
专用充电桩费用＝专用充电桩数量×专用充电桩造价。
私人充电桩：私人充电桩容量需求＝保有量×日均行驶里程×百公里耗电量×私人充电设施需求比重/私人桩利用小时数/100。
私人充电桩数量＝私人充电桩容量需求/充电功率/同时率。
私人充电桩费用＝私人充电桩数量×私人充电桩造价。
配变容量需求及费用计算：
配变容量需求＝最大负荷×安全裕度。
配变费用＝配变容量需求×单位配变造价。
电动汽车对城市配电网影响分析：首先，计算预测水平年基础负荷的最大负荷、峰谷差率、配电网容量。
其次，计算考虑电动汽车后预测水平年的最大负荷、峰谷差率、充电设施容量及费用、配电网容量、充电设施建设用地等。
最后，比较分析最大负荷变化；峰谷差率变化；增加的充电设施容量、费用、用地；配电网容量需求变化等。
以北京为例，采用上述方法进行分析。对电动汽车数量预测如下表6所示，表6为电动汽车规模中长预测情况表。
表6单位：万辆
电动汽车充电负荷对电网的影响分析如下：电动汽车充电具有随机性和移动性，充电负荷峰谷差大、利用小时数低。电动汽车无序充电对负荷结构、系统峰谷差、配电网利用率、充电设施和配套电网建设等四方面产生深刻影响。
一方面电动汽车充电改变电网负荷结构，以北京为例预计2030年北京电网最大充电负荷占最大用电负荷的比重超过22％，比重达到峰值。以北京为例进行测算，私人、公共、专用领域单桩充电功率分别按7千瓦、60千瓦、100千瓦考虑。预计2035年北京电动汽车最大充电负荷达1100万千瓦，同空调负荷相当，成为城市用电主力之一。预计2030年最大充电负荷占电网最大负荷的比重达到峰值22.5％，2035年略有下降；2020-2035年最大充电负荷持续上升，年均增长率高达8.2％，高于总用电负荷增速5.2个百分点，表7为北京市电动汽车充电负荷预测情况表。
表7
第二方面，电动汽车最大充电负荷利用小时数低于电网总体的最大负荷利用小时数，拉低配电网的利用率和投资效益。预计2035年，北京电网基础负荷的最大负荷利用小时数为5500小时，但电动汽车充电负荷仅为1900小时；相应的，电动汽车充电配网的容量利用率仅为15％，比常规水平低26个百分点，充电设施配套电网投资效益较低。
第三方面，电动汽车充电增加系统峰谷差，2030年北京电网峰谷差率增加18个百分点，对电网调峰能力提出更高要求。基于用户行车行为、充电习惯等因素，电动汽车充电高峰与用电负荷高峰双峰叠加，推高系统高峰负荷和峰谷差率，电网调峰问题非常突出。在北京，13:00-14:00和20:00-22:00两个时段是电动汽车充电负荷高峰，与电网高峰负荷时段叠加。受电动汽车充电影响，预计2030年北京电网最大负荷增加约760万千瓦，提高23％，峰谷差率提高18个百分点，达到65％左右；需新增调峰电源建设较高，表8为北京市电动汽车对电网负荷影响的预测表。
表8
第四方面充电基础设施建设需求增加，充电设施和配套电网建设难度日益加大。一个小区，按照居民1200户、停车位300个、均安装充电桩、充电同时率0.6考虑，需要变压器容量2520千伏安，投资300万元。预计2035年，北京市公共、专用、私人领域充电桩总需求分别为42.8万、6.5万和121.8万个，新增配电网变电容量建设需求1910万千伏安；公共领域充电设施建设用地需求为500万平方米，充电站和配套电网建设选址难度加大。
本发明达到的技术效果为：第一方面，通过统计现状水平年、规划水平年的电动汽车数量、分析用户使用不同种类电动汽车的行为习惯得到不同种类电动汽车不同时刻的充电功率值，计算出电动汽车的最大充电负荷值、电动汽车的最小充电负荷值、电动汽车充电负荷峰谷差率、最大充电负荷比重值数据，较之于统计现状水平年、规划水平年配电网的总最大负荷值，得到了具体规划水平年最大充电负荷占电网最大负荷的比重变化持续增长的结果，为今后优化电动汽车接入电网负荷结构，提供数据依据。
第二方面，通过分析用户使用电动汽车的行为习惯，得到了电动汽车最大充电负荷利用小时数低于电网总体的最大负荷利用小时数，电动汽车充电配网的容量利用率较低，同时拉低了相应的投资效益的技术启示。
第三方面，通过计算得到的电动汽车充电负荷峰谷率值，对电网调峰能力高要求提出了客观的数据依据。
第四方面，统计充电桩等设施、以及与充电桩设施相关的参数并根据不同种类电动汽车根据不同种类充电桩的小时利用情况，得到了规划水平年内对各类充电桩容量需求、数量需求，为实际使用过程中各类充电桩的投放及生产提供数据依据。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。

Claims (11)

1.电动汽车对城市配电网影响量化分析的方法，其特征在于，所述方法包括：
S1：获取与所述电动汽车相关的第一数据，根据所述第一数据得到所述第一预测数据；
S2：根据用户使用所述电动汽车的行为习惯，得到所述电动汽车一天内充电时刻分布值λ；
S3：根据所述S2中所述λ、所述电动汽车电池容量得到所述电动汽车不同时刻充电功率值Pi；
S4：根据所述S3中的所述Pi、所述S1中的所述第一预测数据得到第二预测数据；
S5：获取配电网总最大功率值P′max，根据所述第二预测数据、所述P′max得到所述电动汽车的最大充电负荷比重值；
S6：获取与所述电动汽车相关的第二数据，根据所述第二数据得到第三预测数据；
S7：按照所述步骤S1至所述步骤S6统计现状水平年、规划水平年内所述电动汽车的所述最大充电负荷比重值、所述配电网容量值、所述第三预测数据，根据所述统计结果分析所述电动汽车对城市配电网影响。
2.根据权利要求1所述的方法，其特征在于，所述电动汽车包括：与第一类型汽车对应的第一类电动汽车、与第二类型汽车对应的第二类电动汽车、与第三类型汽车对应的第三类电动汽车、与第四类型汽车对应的第四类电动汽车。
3.根据权利要求1或2所述的方法，其特征在于，所述与所述电动汽车相关的第一数据，包括：与所述第一类电动汽车相关的第一数据、与所述第二类电动汽车相关的第一数据、与所述第三类电动汽车相关的第一数据、与所述第四类电动汽车相关的第一数据。
4.根据权利要求1或3所述的方法，其特征在于，所述与所述第一类电动汽车相关的第一数据包括：现存所述第一类型汽车数量a1、所述第一类型汽车逐年新增数量b1、现存所述第一类电动汽车电动化比例x1、所述第一类型汽车逐年新增量电动化比例u1。
5.根据权利要求1所述的方法，其特征在于，所述S4中所述根据所述S3中的所述Pi、所述S1中的所述第一预测数据得到第二预测数据，包括选取所述电动汽车不同时刻充电功率值Pi中的最大充电功率值Pmax、最小充电功率值Pmin，根据所述最大充电功率值Pmax、最小充电功率值Pmin、所述第一预测数据得到第二预测数据。
6.根据权利要求1所述的方法，其特征在于，所述S6中所述与所述电动汽车相关的第二数据，包括所述电动汽车保有量、所述电动汽车日均行驶里程、所述电动汽车百公里耗电量、所述电动汽车充电功率、所述电动汽车同时率、所述电动汽车采用专用充电设施充电比重、所述电动汽车采用公共充电设施充电比重以及与充电桩相关的参数。
7.根据权利要求6所述的方法，其特征在于，所述与充电桩相关的参数，包括：公共充电桩利用小时数/天、专用充电桩利用小时数/天、私人充电桩利用小时数/天、单位专用充电桩造价值、单位公共充电桩造价值、单位公共桩占地面积。
8.根据权利要求1或6所述的方法，其特征在于，所述第三预测数据包括：所述电动汽车充电量值、与所述公共充电桩相关的数据、与所述专用充电桩相关的数据、与所述私人充电桩相关的数据。
9.根据权利要求8所述的方法，其特征在于，所述与所述公共充电桩相关的数据包括：所述公共充电桩容量需求值、所述公共充电桩数量、所述公共充电桩费用值、所述公共充电桩占地面积值；
所述与所述专用充电桩相关的数据包括：所述专用充电桩容量需求值、所述专用充电桩数量、所述专用充电桩费用值；
所述与所述私人充电桩相关的数据包括：所述私人充电桩容量需求值、所述私人充电桩数量、所述私人充电桩费用值。
10.根据权利要求1所述的方法，其特征在于，所述S7中按照所述步骤S1至所述步骤S6统计现状水平年、规划水平年内所述电动汽车的所述最大充电负荷比重值、所述配电网容量值、所述第三预测数据，包括：
比较所述现状水平年、所述各个规划水平年内的所述电动汽车的所述最大充电负荷比重值、所述配电网容量值、所述第三预测数据，得到所述电动汽车充电负荷预测表，根据所述充电负荷预测表分析所述电动汽车对城市配电网影响。
11.根据权利要求10所述的方法，其特征在于，所述电动汽车充电负荷预测表包括：所述现状水平年、规划水平年内的配电网最大负荷增加值、配电网的最大负荷增加比例、电网峰谷差率增加比例。
CN201910533841.1A 2019-06-19 2019-06-19 电动汽车对城市配电网影响量化分析的方法 Pending CN110264000A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910533841.1A CN110264000A (zh) 2019-06-19 2019-06-19 电动汽车对城市配电网影响量化分析的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910533841.1A CN110264000A (zh) 2019-06-19 2019-06-19 电动汽车对城市配电网影响量化分析的方法

Publications (1)

Publication Number Publication Date
CN110264000A true CN110264000A (zh) 2019-09-20

Family

ID=67919575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910533841.1A Pending CN110264000A (zh) 2019-06-19 2019-06-19 电动汽车对城市配电网影响量化分析的方法

Country Status (1)

Country Link
CN (1) CN110264000A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364293A (zh) * 2020-10-14 2021-02-12 国电南瑞南京控制系统有限公司 考虑城市职能区的电动汽车所需充电量预测方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105591433A (zh) * 2016-01-15 2016-05-18 国家电网公司 基于电动汽车充电功率动态分布的电动汽车充电负荷优化方法
CN109118104A (zh) * 2018-08-27 2019-01-01 天津津电供电设计所有限公司 配电网规划方法及装置
US20190130346A1 (en) * 2017-10-30 2019-05-02 Walmart Apollo, Llc Perpetual inventory reconciliation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105591433A (zh) * 2016-01-15 2016-05-18 国家电网公司 基于电动汽车充电功率动态分布的电动汽车充电负荷优化方法
US20190130346A1 (en) * 2017-10-30 2019-05-02 Walmart Apollo, Llc Perpetual inventory reconciliation
CN109118104A (zh) * 2018-08-27 2019-01-01 天津津电供电设计所有限公司 配电网规划方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364293A (zh) * 2020-10-14 2021-02-12 国电南瑞南京控制系统有限公司 考虑城市职能区的电动汽车所需充电量预测方法和装置
CN112364293B (zh) * 2020-10-14 2024-04-12 国电南瑞南京控制系统有限公司 考虑城市职能区的电动汽车所需充电量预测方法和装置

Similar Documents

Publication Publication Date Title
CN110443415B (zh) 一种计及动态电价策略的电动汽车充电站多目标优化调度方法
CN109359389B (zh) 基于典型负荷动态博弈的城市电动汽车充电决策方法
CN103241130B (zh) 一种电动公交车充换电站的能量管理方法及系统
Han et al. Ordered charge control considering the uncertainty of charging load of electric vehicles based on Markov chain
Shahidinejad et al. Profile of charging load on the grid due to plug-in vehicles
CN107169273A (zh) 计及延时和v2g充电模式的电动汽车充电功率预测方法
CN106651059A (zh) 一种电动汽车充电站优化配置的方法
CN109816171A (zh) 一种基于模糊pid实时电价的电动汽车区域微网群双层分布式优化调度方法
CN106530180A (zh) 一种高寒地区充电服务网络规划方法
CN106532686A (zh) 基于电动汽车充电配置的片区配电网负荷预测方法
CN112613731A (zh) 基于复杂网络理论的电动汽车充电站能效评估系统和方法
CN107150601A (zh) 一种基于多代理商的电动汽车有序充电方法
Gao et al. Charging load forecasting of electric vehicle based on Monte Carlo and deep learning
CN115860185A (zh) 一种考虑极端高温天气下多类型电动汽车充电方式的电网负荷预测方法
CN110059869B (zh) 一种基于交通流量的充电站与配电网协调规划方法
CN109672199B (zh) 一种基于能量平衡的电动汽车削峰填谷能力估计方法
CN113159578B (zh) 基于强化学习的大型电动汽车充电站的充电优化调度方法
CN110264000A (zh) 电动汽车对城市配电网影响量化分析的方法
He et al. Expansion planning of electric vehicle charging stations considering the benefits of peak‐regulation frequency modulation
CN112613682A (zh) 一种电动汽车充电负荷预测方法
CN109389310B (zh) 基于蒙特卡洛模拟的电动汽车充电设施成熟度评价方法
CN116961057A (zh) 一种考虑电动汽车的多时段配电网故障恢复方法
CN115330062A (zh) 一种社区场景下的新能源汽车有序充电服务调度优化方法
CN113469436A (zh) 一种城市电网侧储能规划方法
Zhang et al. User Satisfaction and Responsivity Orderly Dispatching Strategies Application on Time-of-use Price of Electronic Vehicle Optimisation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190920

RJ01 Rejection of invention patent application after publication