CN114819345A - 基于车-路-站-网融合的电动汽车充电负荷时空分布预测方法 - Google Patents

Abstract

本发明涉及基于车‑路‑站‑网融合的电动汽车充电负荷时空分布预测方法，属于电动汽车技术领域。该方法包括：S1：建立计及外部环境的EV单位里程能耗模型，获得EV单位里程能耗；S2：建立计及EV用户出行意愿的出行链修正模型；S3：建立基于万有引力模型的EV充电站选择模型；S4：建立EV充电负荷计算模型：结合步骤S2获得的修正后EV出行链和OD矩阵以获得EV非充电行驶路径选择，从而模拟EV在各时刻的位置，当EV产生充电需求时，基于步骤S3的EV充电站选择模型确定EV的充电目的地；最后结合步骤S1获得的EV单位里程能耗，确定EV充电需求的时空分布。本发明能实现区域内充电负荷时空分布的准确预测。

Description

基于车-路-站-网融合的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技术领域，涉及一种基于车-路-站-网融合的电动汽车充电负荷时空分布预测方法。

背景技术

大规模电动汽车(Electric vehicle,EV)的无序接入，给电力系统带来负荷增长、电能质量下降、电网运行优化控制难度增加等不利影响，因此对充电站规划要求越来越高。现有研究常通过有序充电控制解决上述问题，而有序充电控制以电动汽车充电需求时空分布的准确预测为基础。如何有效考虑来自电动汽车、路网、充电站及配电网等多方信息，准确计算电动汽车充电负荷时空分布是当前电动汽车发展需要研究的重点问题之一。

目前，EV充电负荷时空分布研究主要从EV运行规律出发，结合出行链和用户意愿开展。文献“温剑锋,陶顺,肖湘宁,等.基于出行链随机模拟的电动汽车充电需求分析[J].电网技术,2015,39(06):1477-1484”从用户行驶规律出发，通过拟合用户出行链特征量来计算区域内充电需求。文献“李瑶虹,陈良亮,刘卫东,等.基于用户出行链和调控意愿的城市级私家电动汽车调控能力评估[J].电力建设,2021,42(05):100-112”和“罗江鹏,张玮,王国林,等.基于出行链数据的电动汽车充电需求预测模型[J].重庆理工大学学报(自然科学),2020,34(06):1-8”用模糊推理建立用户参与充放电调控的意愿模型，并计算考虑EV用户参与意愿度下的实际调控能力水平。但是此类文献通常假定EV车用户就近充电，对实时动态交通流分布和外部因素如天气、环境温度等对用户出行意愿及路径选择影响考虑不足。另一方面，目前的研究大多直接对区域内的EV保有量进行假设，或者默认EV总量已知。然而随着环境变化，即使区域内的保有量已知，用户出行必然对原有EV数量造成一定的影响。因此，考虑用户出行意愿的EV出行数量和出行链变化在研究EV充电负荷时空分布时不可忽视。

同时，虽文献“于海洋,张路,任毅龙.基于出行链的电动汽车充电行为影响因素分析[J].北京航空航天大学学报,2019,45(09):1732-1740”对影响EV充电行为的多种潜在因素进行了研究，但对区域内充电站位置不同导致EV行驶轨迹的变化，进而改变荷电状态的时空分布的研究较少。文献“林晓明,钱斌,肖勇,等.考虑网商车多方需求和决策行为特性的电动汽车有序充电[J].电力自动化设备,2021,41(03):136-143”和“葛少云,申凯月,刘洪,等.考虑网络转移性能的城市快速充电网络规划[J].电网技术,2021,45(09):3553-3564”从客观因素，如距离、行驶速度等来确定用户对EV充电站的选择，却忽略了用户的主观意愿，如充电站的规模、排队时间等对用户选择的潜在影响。并且大多研究未考虑大规模用户对不同位置充电站的选择导致EV荷电状态时空分布的变化。故考虑用户意愿的充电站选择在研究EV充电负荷时空分布时也不可忽略。

发明内容

有鉴于此，本发明的目的在于提供一种基于车-路-站-网融合的电动汽车充电负荷时空分布预测方法，解决现有电动汽车充电负荷时空分布研究中对电动汽车、路网、充电站和配电网等多方因素间相互影响考虑不足，导致负荷预测不准确的问题。通过考虑区域内动态交通流和环境温度等因素对EV能耗和用户出行意愿的影响，建立EV与路网融合的单位里程能耗模型和出行链修正模型；计及多个充电站对用户行驶路径选择的影响，以及大规模EV用户充电站选择的相互影响，建立基于万有引力的EV充电需求负荷时空分布模型，实现计及车-路-站-网多方信息融合下的EV充电负荷时空分布预测。

为达到上述目的，本发明提供如下技术方案：

一种基于车-路-站-网融合的电动汽车充电负荷时空分布预测方法，具体包括以下步骤：

S1：建立计及外部环境的电动汽车(Electric vehicle,EV)单位里程能耗模型，获得EV单位里程能耗；

S2：建立计及EV用户出行意愿的出行链修正模型，获取修正后的EV出行链；

S3：建立基于万有引力模型的EV充电站选择模型：基于万有引力定律，考虑充电站规模、排队等待时间等用户主观特性对充电站选择的影响，分析EV荷电状态时空分布的变化；

S4：建立EV充电负荷计算模型：结合步骤S2获得的修正后EV出行链和OD矩阵以获得EV非充电行驶路径选择，从而模拟EV在各时刻的位置，当EV产生充电需求时，基于步骤S3的EV充电站选择模型即可确定EV的充电目的地；最后结合步骤S1获得的EV单位里程能耗，确定EV充电需求的时空分布。

进一步，步骤S1中，建立的计及外部环境的EV单位里程能耗模型为：

其中，e_i(t,x,T)为t时刻处于位置x，环境温度为T的EV单位里程能耗；K_pect为不同温度下的空调开启率，K_temp为温度能耗系数；e_i(t,V(t,x))为不同道路等级的单位耗电量(kWh/km)，i＝1、2、3、4分别表示快速道、主干道、次干道、支干道；V(t,x)为t时刻x位置上EV的速度(km/h)。

进一步，步骤S2中，建立计及EV用户出行意愿的出行链修正模型，具体包括以下步骤：

S21：建立计及外部环境的EV用户出行意愿模型：使用人体舒适度指标描述外部环境对用户出行意愿的影响；人体舒适度指标包括PMV(Predicted mean vote)和PPD(Predicted Percentage of Dissatisfied)，其中，PMV是预计平均热感觉指数，PPD是定量预测感觉太冷或太热的热不满意率的指数；

S22：根据EV用户的出行意愿修正工作日和休息日下各出行链所占比例，进而计算不同EV保有量下的出行数量。

进一步，步骤S21中，PMV和PDD的计算公式分别为：

PMV＝(0.303×e^{-0.036M+0.028})·((M-W)-(E_d+E_s)-E_res-C_res-(R+C))

PPD＝100-95·exp(-0.03353·PWV⁴-0.2179PWV²)

其中，M为人体代谢率，W/m²；W为有效机械功率，W/m²；E_d为汗液散热，E_s为蒸发散热，E_res为潜在散热，C_res为可感散热，R为辐射散热，C为对流散热。

进一步，步骤S22中，定义EV用户的出行意愿P为：P＝e^-PPD％；

工作日下：

出行链C₁：H→W→H，出行所占比例，

52.8％+(1-P₁)²×24.1％；

出行链C₂：H→W→SR/SE/O→H，出行所占比例，

P₁×24.1％；

出行链C₃：H→W→H→SR/SE/O→H，出行所占比例，

23.1％+P₁(1-P₁)×24.1％；

休息日下：

出行链C₄：H→SR/SE/O→H，上午，出行所占比例，

P₂×44.6％；

出行链C₅：H→SR/SE/O→H，下午，出行所占比例，

P₃×55.4％；

各出行链下EV出行数量：

其中，

为出行链所占比例，i＝1、2、3、4、5；P₁、P₂、P₃分别表示工作日、休息日上午和休息日下午EV的出行意愿；N为区域内EV的保有量；H、W、SE、SR、O分别代表家庭、公司、商场、休闲场所和其他地点。

进一步，步骤S3中，建立基于万有引力模型的EV充电站选择模型，具体包括以下步骤：

S31：构建万有引力模型为：

其中，F_ij表示第i个EV与第j个充电站之间引力F_ij类比的万有引力，k_ij表示第i个EV与第j个充电站之间的引力系数，m_ij为第i个EV的SOC对EV选择的影响，M_j为第j个EV充电站充电机数量和充电机效率，k为第i个EV前往第j个充电站的第k种方式，ω_ik为第k种方式的权重系数；d_ijk为第i辆EV采用第k条路径的长度；t_ijk表示选择第k种路径充电到达目的地行驶花费的时间；

S32：EV将会选择万有引力最大的一个充电站进行充电。

进一步，步骤S4中，建立EV充电负荷计算模型，具体包括：

1)已知EV的出行链即出行的起点、终点以及选择充电的充电站所在地点后，可获得其出行轨迹随时间的变化；若已知EV初始荷电状态，则剩余电量表示为：

EC_i＝EC_i'-∑S(x)·e_i(t,x,T)

其中，EC_i'为初始剩余电量，S为途经路段长度；

2)以EV当前位置为初始点，若EC_i无法满足行驶到下一个目的地时，则触发充电需求，其判断依据为：

EC_i≤∑S'(x)·e_i(t,x,T)

其中，S’(x)为车辆当前位置到下一目的地的路程；根据上式判断依据，对EC_i进行充电需求判断，当EV产生充电需求时，基于充电站选择模型确定EV的充电目的地，结合EV单位里程能耗，将各节点的充电需求叠加即可得到每一个时刻和节点情况。

本发明的有益效果在于：本发明计及EV、路网、充电站和电网多方因素，结合EV用户充电站选择模型，实现了区域内充电负荷时空分布的准确预测。具体有益效果包括：

(1)环境温度的变化会影响用户出行意愿，导致不同出行链EV数量变化，本发明所建立的出行链修正模型可解决将EV保有量作为出行数量带来的测算偏差。

(2)本发明构建的基于万有引力的充电站选择模型能有效刻画充电站规模、行驶距离、排队时间、交通拥堵以及EV间相互影响导致的负荷时空分布变化，更准确的预测EV充电需求时空分布。

(3)充电站规模及其位置对其充电负荷有较大影响，本发明从EV用户角度，逆向分析不同位置充电站对EV荷电状态时空分布的影响，可为EV有序充电策略、充电站规划提供理论基础。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明基于车-路-站-网融合的电动汽车充电负荷时空分布预测方法流程图；

图2为环境温度与EV放电效率的关系曲线图；

图3为温度与空调开启率(a)及能耗系数关系(b)曲线；

图4为出行链类型示意图；

图5为路网结构示意图；

图6为场景1与场景2的充电站选择；

图7为场景2与场景3的充电站选择；

图8为节点15与节点7充电功率对比图；

图9为工作日内区域充电需求；

图10为工作日和休息日内节点充电功率对比图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图10，图1所示为一种计及车-路-站-网融合的电动汽车充电负荷时空分布预测方法，具体包括以下步骤：

步骤1：构建计及外部环境的电动汽车单位里程能耗模型；

该模型由环境温度对电动汽车电池的影响、环境温度对电动汽车空调开启的影响和交通对电动汽车能耗的影响三部分组成。

1)温度对电动汽车能耗的影响

1.1)温度对电动汽车电池的影响

本发明使用一个简单的环境温度与电池效率的模型，在一定温度范围内，随环境温度升高，动力电池系统能量效率增大。经过数据拟合可得温度和EV充放电效率的关系如式(1)所示，拟合曲线见图2。

η＝-1.567×10^-5T²+2.012×10^-3T+0.8891 (1)

其中，T为环境温度(℃)，η表示EV电池充放电效率。

1.2)温度对电动汽车空调开启的影响

在不同的环境温度下，用户开启车内空调的时间长度不同，通过对汽车空调开启的数据进行统计测试，拟合出空调开启率的计算公式，得到不同温度下的空调开启率与环境温度的关系如式(2)所示。

定义温度能耗系数，通过拟合实际数据得到其与温度的非线性关系，及空调开启时耗电量的比值关系如式(3)所示，其函数关系见图3。

K_pect＝α₁·T³+α₂·T³+α₃·T+β₁ (2)

K_temp＝α₄·(T+β₂)²+β₃ (3)

其中，K_pect为不同温度下的空调开启率；K_temp为温度能耗系数；α₁～α₄与β₁～β₃为拟合系数。

2)交通对电动汽车能耗的影响

不同的交通拥堵情况下，EV的行驶路径以及行驶速度不同，能耗也不一样。依据《城市道路工程设计规范》，城市各级道路的行驶速度区间如表1所示。

表1不同道路等级和拥堵程度下的行车速度区间(km/h)

同时，通过实测数据对单位能耗与行驶速度之间的关系进行拟合，得到如式(4)所示。

其中，e_i(t,V(t,x))为不同道路等级的单位耗电量，kWh/km；i＝1、2、3、4分别表示快速道、主干道、次干道、支干道；V(t,x)为t时刻x位置上EV的速度(km/h)。

3)根据1)及2)部分，同时考虑交通与温度的影响，单位里程能耗可用式(5)表示：

其中，e_i(t,x,T)为t时刻处于位置x，环境温度为T下的EV单位里程能耗。

步骤2：构建计及电动汽车用户出行意愿的出行链修正模型；

本发明基于传统出行链模型，从人体舒适度理论出发，计及电动汽车用户主观意愿对出行链的影响，实现对传统出行链的修正。传统电动汽车出行链模型如下：

电动汽车主要分为私家车、公交车以及出租车，本发明主要研究私家车的荷电状态时空分布。电动私家车的主要出行行为及各活动行程所占比例设定如表2所示。出行目的地可分为家庭、公司、商场、休闲场所和其他地点五个类型，分别简写为H、W、SE、SR、O。本发明主要研究的出行链种类见图4所示。

表2传统的电动私家车出行链

每一条出行链可以分解为多个“出行段”，每个出行段开始时间t_s服从式(6)所示的正态分布。

其中，μ和σ分别表示均值与方差。

1)构建计及外部环境的电动汽车用户出行意愿模型；

本发明使用人体舒适度标准描述外部环境对用户出行意愿的影响。人体舒适度指数常采用PMV(Predicted mean vote)和PPD(Predicted Percentage of Dissatisfied)这两项指标描述。PMV是预计平均热感觉指数，如表3所示。PMV计算推导过程见式(7)～(16)：

表3 7点热感觉量表

汗液散热E_d：

E_d＝3.05×10^-3·[5733-6.99·(M-W)-p_a] (7)

蒸发散热E_s：

E_s＝0.42[(M-W)-58.15] (8)

潜在散热E_res：

E_res＝1.7×10^-5·M·(5867-p_a) (9)

可感散热C_res：

C_res＝0.0014·M·(34-t_a) (10)

辐射散热R：

t_c1＝t_sk-I_cl(R+C) (13)

t_sk＝35.7-0.028·(M-W) (14)

对流散热C：

C＝f_c1·h_c·(t_c1-t_a) (15)

其中，M为人体代谢率(W/m²)；W为有效机械功率(W/m²)；p_a为水蒸气分压力(Pa)；t_a为空气温度(℃)；f_c1为服装表面积因数；h_c为对流换热系数；t_cl为衣服表面温度；

为平均辐射温度。

PPD是定量预测感觉太冷或太热的热不满意率的指数。当PMV值通过式(17)确定后，可使用拟合公式(18)计算PPD：

PMV＝(0.303×e^{-0.036M+0.028})·((M-W)-(E_d+E_s)-E_res-C_res-(R+C)) (17)

PPD＝100-95·exp(-0.03353·PWV⁴-0.2179PWV²) (18)

其中，M为人体代谢率，W/m2；W为有效机械功率，W/m2；E_d为汗液散热；E_s为蒸发散热；E_res为潜在散热；C_res为可感散热；R为辐射散热，C为对流散热。

2)基于电动汽车用户出行意愿的出行链修正

定义EV用户的出行意愿如式(19)所示，

P＝e^-PPD％ (19)

由于工作日的EV出行数量受外部条件影响甚小，因此只需要修正其出行链比例。而工作日中用户主要变化在于下班后回家或继续出行。在传统出行链C2比例(24.1％)中的用户通常在感觉气候舒适时才会选择继续出行，故将其修正为P×24.1％。此外，C2修正前后差值中会有部分人选择先回家再出行，故对传统出行链C1和C3也需修正。工作日和休息日出行链修正结果如表4和表5所示。

表4工作日下计及用户出行意愿的出行链

表5休息日下计及用户出行意愿的出行数量修正

各出行链下EV出行数量：

上述各式中，

为出行链所占比例，i＝1、2、3、4、5；P₁、P₂、P₃分别表示工作日、休息日上午和休息日下午EV的出行意愿；N为区域内EV的保有量；H、W、SE、SR、O分别代表家庭、公司、商场、休闲场所和其他地点。基于此，便得到了基于用户出行意愿的EV出行链修正。

步骤3：构建基于万有引力模型的电动汽车充电站选择模型；

本发明基于万有引力定律，考虑充电站规模、排队等待时间等用户主观特性对充电站选择的影响，分析EV荷电状态时空分布的变化。

1)基于充电站规模的中心天体质量类比

就充电站而言，充电站的规模设施越好意味着可用充电桩的数量越多，充电机效率越高，充电可靠性越高，该充电站对EV用户的吸引力越大。本发明引入M_j表示第j个充电站的规模以及充电设施，并用其替代万有引力模型中的“中心天体质量”，表示该充电站对区域内充电的EV吸引力，如式(20)所示。

式中，

表示充电站j内充电桩数量；μ_j表示充电站j的充电机效率，j＝1，2，…，N_s，N_s表示充电站数量。

2)基于充电机效率的行星质量类比

针对EV用户而言，考虑当用户触发了充电需求后，其行驶距离会受荷电状态影响，表现在当用户的荷电状态越低，选择远距离充电站的意愿越弱，荷电状态越高，充电站距离对用户选择的影响越弱。本发明引入m_ij表示第i个EV的SOC对EV选择的影响，当EV i的SOC大于SOC_std时，用户荷电状态对充电站无影响，此时m_ij为1；当EV i的SOC小于或等于SOC_std时，EV i与充电站j相对其余充电站越近，m_ij越大，对EV吸引力越强，如式(21)所示。

式中，

表示EV i与充电站j的最短距离；SOC_i表示EV i的荷电状态，i＝1，2，…，N_e，N_e表示电动汽车数量；SOC_std表示用户荷电状态阈值。

3)计及多路径的距离测度计算

现有研究通过通行过程的距离、时间或者通行中产生的费用描述空间中两点之间的综合距离。但是，在一个复杂的区域里面，两地之间的综合距离可能随路径的不同而表现出不对等的情况。因此，在考虑两地之间的综合距离时，不仅需要考虑路径的距离，还需要考虑该路径上的耗时。可通过式(22)确定综合距离：

式中，s为两地之间主要路径数；ω_ik为第i辆EV采用第k条路径的权重；d_ijk为第i辆EV采用第k条路径的长度；t_ijk表示选择第k种路径进行充电，最后到达目的地路径上耗时t_road，即

t_ijk＝t_{road_k} (23)

4)引力系数类比

区域中存在多个充电站，其对EV的引力会因EV集群选择而产生不对称性，因此将引力系数作为调整该不对称性的系数。现实中，整个区域内EV与充电站之间的吸引力或者影响力是受到多个EV和充电站相互作用的一个综合结果，仅仅是通过某一个EV和某一个充电站的差异来考虑其引力值不完整。

因此，引入自引力系数和互引力系数，其中自引力系数用以描述充电站未满载时，EV选择对充电站吸引力的影响测度，通过充电站内在充EV数量定义，并归一化处理，如式(24)所示：

式中，

是充电站j内充电桩数量；

是充电站j内在站充电的EV数量，

A'_ij是充电站j对EV i的自引力系数。

互引力系数用以描述充电站满载情况下，EV选择对充电站吸引力的影响程度，通过充电站的EV排队数量定义，并归一化处理，如式(25)所示：

式中，

是充电站j的EV排队数量；A”_ij是第j个充电站对第i个EV的互引力系数。因此，第i个EV与第j个充电站之间的引力系数如式(26)所示：

k_ij＝A'_ij+A”_ij+1 (26)

故第i个EV与第j个充电站之间引力F_ij类比的万有引力模型，如式(27)所示：

EV将会选择引力最大的一个充电站进行充电。基于此，逆向分析不同位置充放电站对EV荷电状态时空分布的影响，进一步修正路网中的EV的出行规律，计算路网中EV充电负荷的时空分布。

步骤4：构建电动汽车充电负荷计算模型；

EV充电需求的时空分布与其行驶路径密切相关。本发明首先结合步骤2修正后出行链和OD矩阵以获得EV非充电行驶路径选择，从而模拟EV在各时刻的位置，当EV产生充电需求时，基于步骤3中充电站选择模型即可确定EV的充电目的地，最后结合步骤1中单位里程能耗，进而确定EV充电需求的时空分布。

1)OD矩阵

在交通领域通常用OD矩阵来描述交通流量的特征和变化。矩阵的形式如式(28)所示：

矩阵中的每一个元素表示两节点之间的交通量，其中该元素所处的行和列就分别表示起讫点的编号。如od_ab表示从节点a出发到节点b的交通量。

在前面获得了EV的出行链之后，同一出行段的EV交通量分配到一个矩阵当中，此矩阵叫做出行段OD矩阵，记为OD^wv。将一天中多个出行段OD矩阵叠加，即可得到区域内总的OD矩阵，即：

其中，q为出行段数量；p为出行链数量。

2)交通阻抗函数

为合理分配上述矩阵OD^wv中交通量，并计算EV在路网中的通行时间，通过美国公路局阻抗模型计算路阻：

其中，t_a为路段a的通行时间即交通阻抗；c_a为在交通规划阶段，路段a的初始设计通行流量；q_a为路段a的交通量；t₀为交通松弛状态的通行时间；α、β为固定参数。

3)基于OD矩阵的准动态交通流模拟

基于OD矩阵，能够得到路网中每两个节点之间即每一条道路上的交通流量，同时也能得到每一辆车的行驶路径。

将一天之内的OD矩阵按照时间顺序分为N层，并按照时序依次分配到路网上。每一层采用最短路径法分配，路阻函数也同步修正，直到N层OD矩阵全部分配完毕。每一段时间都会有OD矩阵进入或退出，因此，则任一时段和路段的交通量为：

式中，

为k时段a路段的车流量；

为k时段分配到a号道路的车流量。

由此，一天内任意时刻的道路阻抗情况以及交通流情况都能够获得，即可实现一天内的交通情况模拟。

4)EV充电负荷计算

已知EV的出行链即出行的起点、终点以及选择充电的充电站所在地点后，可获得其出行轨迹随时间的变化。若已知EV初始荷电状态，由第一节中单位里程能耗e_i(t,x,T)，则剩余电量可表示为式(32)：

EC_i＝EC_i'-∑S(x)·e_i(t,x,T) (32)

其中，EC_i'为初始剩余电量，S为途经路段长度。

以EV当前位置为初始点，若EC_i无法满足行驶到下一个目的地时，则触发充电需求，其判断依据为：

EC_i≤∑S'(x)·e_i(t,x,T) (33)

其中，S’(x)为车辆当前位置到下一目的地的路程。根据式(33)，对EC_i进行充电需求判断，当EV产生充电需求时，基于充电站选择模型确定EV的充电目的地，结合EV单位里程能耗，将各节点的充电需求叠加即可得到每一个时刻和节点情况。

验证实验：

1)参数设置

本实验以图5所示规划区域为例进行仿真测试。该区域大小为18.8km×9.7km，包含19个区域，17个节点及33条道路。其中，不同线段类型表示不同道路等级。节点12-14-7-11-15-16-12所围图形表示工业区，节点16-15-10-3-6-4-1-2-8-16所围图形表示居民区，节点11-7-4-6-3-10-15-11所围图形表示商业区，节点5-13-17-1-4-5所围图形表示绿化区，节点14-13-7所围图形表示不可规划区域。

为充分考虑区域路网中多辆EV的相互影响对充电站选择的影响，本实验暂不考虑通过私人充电桩充电，只考虑用户在充电站充电，假设节点2、节点7、节点15处各有一个充电站，其可用充电机的数量分别为105，120，150。各节点间的距离见表6。常温周一周内上午、下午、晚上平均温度见表7。路网中EV保有量为4500，电池容量为30kWh。

表6路网中各节点之间的距离

表7一周内的温度变化情况

2)仿真结果

2.1)出行链修正结果分析

根据步骤2可以得到PWV、PPD和满意度如表8、9、10所示。从而得到常温周下用户出行链修正结果如表11所示。

表8节点15的PWV仿真结果

表9节点15的PPD仿真结果

表10常温周内满意度系数仿真结果

表11常温周内上午时段的出行链修正

从表11知，工作日出行链修正前后，C2出行链比例减少，C1、C3出行链比例增加；休息日出行链修正前后，实际出行数量较修正前有减少。综上，修正后的出行链考虑了用户的主观意愿，弥补了传统出行链直接将EV保有量作为EV出行数量导致负荷预测不准确的不足。

2.2)基于万有引力模型的充电站选择仿真分析

为验证本文所提基于万有引力的充电站选择模型的有效性，分析EV用户选择充电站时的相互影响，本专利设置以下三个仿真场景进行仿真分析：

仿真场景1：不考虑充电站吸引力，EV用户以最短距离选择充电站。

仿真场景2：考虑充电站吸引力，但不计及多辆EV间的相互影响，用户仅考虑充电站规模设施、综合距离以及自身SOC选择充电站。

仿真场景3：考虑充电站吸引力，计及多辆EV选择相互影响，用户能够通过充电站获得全局信息。

(1)考虑万有引力模型对充电站选择仿真结果分析

在场景2下，选取节点6、9、12处的三辆EV仿真结果如表12所示，充电站的选择以及路径选择如图1所示，EV6、9、12最终均选择了充电站15。而在场景1的情况下，EV仅考虑距离最近的充电站进行充电，由表中EV距离各充电站最短路径，可知EV6、9、12的选择分别为充电站2、7、15。以EV6为例，虽然其到充电站2的路径长度最短，但在考虑了充电站规模设施、综合距离下的路径拥堵以及自身SOC等因素选择后，EV6与充电站7的引力为655.728，高于其与充电站2的引力356.028，故用户选择了距离稍远的充电站7进行充电。同理，EV9和EV12考虑了充电站信息和自身情况后，选择充电站7和充电站15。

表12场景1与场景2的EV充电站选择结果

(2)考虑电动汽车间相互影响对充电站选择仿真结果分析

在场景2中，对节点6、9、12处的三辆EV的引力大小计算结果如表13所示，由于区域内EV的选择相互影响，导致充电站15的排队EV较多，从而充电站7对EV6的吸引力由645.955上升到829.266，高于其与充电站15的引力797.507，故EV6的选择由充电站15变为充电站7。同理，EV9的选择由充电站15变为充电站7，而EV12选择不改变。因此，EV集群选择会对充电站吸引力造成较大的影响，导致EV充电负荷时空分布发生变化，因此在研究EV充电站选择时不可忽略多辆EV的相互影响。

表13场景2与场景3的EV充电站选择结果

(3)节点充电负荷对比分析

为进一步分析EV用户充电站选择不同对节点充电负荷的影响，对比分析了同一工作日下节点15和节点7在两种情景下的充电功率，结果如图8所示。由图8可知，在考虑了EV用户相互影响情况下，节点15的充电功率下降，节点7的功率上升。节点15充电站虽然规模更大和便利性更高，但在计及用户间的相互影响后，大量用户聚集在节点15充电导致交通拥堵、排队时间增长，故EV用户将放弃节点15充电，选择距离更远，但等待时间更短的节点7充电，进而节点15的该部分负荷转移到节点7。仿真结果验证了基于万有引力的充电站选择模型能够计及用户厌恶拥堵和排队的心理，更准确测算不同位置充电站的充电负荷。

3)电动汽车充电需求时空分布计算结果分析

将同一工作日下本发明提出的计及车-路-站-网多方融合的区域内充电需求预测结果与文献1-“陈丽丹,聂涌泉,钟庆.基于出行链的电动汽车充电负荷预测模型[J].电工技术学报,2015,30(4):216-225”以及文献2-“张谦,王众,谭文玉,等.基于MDP随机路径模拟的电动汽车充电负荷时空分布预测[J].电力系统自动化,2018,42(20):59-66”进行对比，仿真参数皆按照本实验参数进行设置，仿真结果如图9所示。由图9可知，在计及车-路-站-网多方影响下，大部分EV用户在8:00左右开始活动，EV电量降低，区域内充电需求开始上升，在11:00左右上升至第一个高峰(3780kW)。到14:00左右充电需求再次明显地上升，在20:00左右再次迎来一天中需求最高峰(4494kW)，之后再逐渐下降。一天内的充电需求高峰集中在中午12:00和晚上20:00左右，双峰峰谷差(714kW)较小，日内峰谷差(3082kW)较大。

本发明方法和文献2的充电需求曲线均在中午与下午时段出现了负荷高峰，而文献1仅在下午时段出现一个高峰。原因在于本专利方法和文献2进行了动态路径模拟，用户在路网中的充电选择以及充电时间相对分散，而参考文献1是将充电时间固定为EV位于各个场所时，因而相对集中。

对比文献2的充电需求预测方法，在同一工作日内的需求变化趋势大致相同，但计及用户出行意愿的EV充电需求水平在白天时段略低，夜晚略高，需求高峰时段也出现了偏移。主要原因在于计及用户出行意愿后，修正了出行链中EV数量，白天的出行比例降低，充电负荷减小，而夜晚用户的出行意愿增加，出现了更高的峰值。

为进一步分析各主要节点的负荷特性，选取同一工作日和休息日内节点2、节点7和节点15的充电负荷，如图10所示。从图10仿真结果可看出，以工作日为例，节点15(896kW)和节点7(581kW)的峰值功率比节点2(385kW)分别高出132.7％和50.9％。这是由于节点15和节点7处在工业区、商业区和居民区交汇点，相比节点2处在居民区中，充电需求用户更广。同时，由于节点15充电站设施最好、位置最佳，故节点15的充电负荷最大。

以节点15为例，在工作日内出现了双峰现象，充电负荷最高峰出现在20:00时段，一天内峰谷差为685kW，双峰峰谷差为301kW。而休息日内由于用户出行较晚，充电负荷高峰有所偏移，出现在21:00时段，且负荷集中在夜晚，从18：00开始充电负荷都处于较高水平，负荷高峰为819kW，日内峰谷差为665kW。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于车-路-站-网融合的电动汽车充电负荷时空分布预测方法，其特征在于，该方法具体包括以下步骤：

S1：建立计及外部环境的电动汽车(Electric vehicle,EV)单位里程能耗模型，获得EV单位里程能耗；

S2：建立计及EV用户出行意愿的出行链修正模型，获取修正后的EV出行链；

S3：建立基于万有引力模型的EV充电站选择模型；

S4：建立EV充电负荷计算模型：结合步骤S2获得的修正后EV出行链和OD矩阵以获得EV非充电行驶路径选择，从而模拟EV在各时刻的位置，当EV产生充电需求时，基于步骤S3的EV充电站选择模型确定EV的充电目的地；最后结合步骤S1获得的EV单位里程能耗，确定EV充电需求的时空分布。

2.根据权利要求1所述的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，建立的计及外部环境的EV单位里程能耗模型为：

其中，e_i(t,x,T)为t时刻处于位置x，环境温度为T的EV单位里程能耗；K_pect为不同温度下的空调开启率，K_temp为温度能耗系数；e_i(t,V(t,x))为不同道路等级的单位耗电量i＝1、2、3、4分别表示快速道、主干道、次干道、支干道；V(t,x)为t时刻x位置上EV的速度。

3.根据权利要求2所述的电动汽车充电负荷时空分布预测方法，其特征在于，步骤S2中，建立计及EV用户出行意愿的出行链修正模型，具体包括以下步骤：

S21：建立计及外部环境的EV用户出行意愿模型：使用人体舒适度指标描述外部环境对用户出行意愿的影响；人体舒适度指标包括PMV和PPD，其中，PMV是预计平均热感觉指数，PPD是定量预测感觉太冷或太热的热不满意率的指数；

S22：根据EV用户的出行意愿修正工作日和休息日下各出行链所占比例，进而计算不同EV保有量下的出行数量。

4.根据权利要求3所述的电动汽车充电负荷时空分布预测方法，其特征在于，步骤S21中，PMV和PDD的计算公式分别为：

PMV＝(0.303×e^{-0.036M+0.028})·((M-W)-(E_d+E_s)-E_res-C_res-(R+C))

PPD＝100-95·exp(-0.03353·PWV⁴-0.2179PWV²)

其中，M为人体代谢率，W为有效机械功率；E_d为汗液散热，E_s为蒸发散热，E_res为潜在散热，C_res为可感散热，R为辐射散热，C为对流散热。

5.根据权利要求3所述的电动汽车充电负荷时空分布预测方法，其特征在于，步骤S22中，定义EV用户的出行意愿P为：P＝e^-PPD％；

工作日下：

出行链C₁：H→W→H，出行所占比例，P_C1：52.8％+(1-P₁)²×24.1％；

出行链C₂：H→W→SR/SE/O→H，出行所占比例，P_C2：P₁×24.1％；

出行链C₃：H→W→H→SR/SE/O→H，出行所占比例，P_C3：23.1％+P₁(1-P₁)×24.1％；休息日下：

出行链C₄：H→SR/SE/O→H，上午，出行所占比例，P_C4：P₂×44.6％；

出行链C₅：H→SR/SE/O→H，下午，出行所占比例，P_C5：P₃×55.4％；

各出行链下EV出行数量：N×P_Ci；

其中，P_Ci为出行链所占比例，i＝1、2、3、4、5；P₁、P₂、P₃分别表示工作日、休息日上午和休息日下午EV的出行意愿；N为区域内EV的保有量；H、W、SE、SR、O分别代表家庭、公司、商场、休闲场所和其他地点。

6.根据权利要求5所述的电动汽车充电负荷时空分布预测方法，其特征在于，步骤S3中，建立基于万有引力模型的EV充电站选择模型，具体包括以下步骤：

S31：构建万有引力模型为：

其中，F_ij表示第i个EV与第j个充电站之间引力F_ij类比的万有引力，k_ij表示第i个EV与第j个充电站之间的引力系数，m_ij为第i个EV的SOC对EV选择的影响，M_j为第j个EV充电站充电机数量和充电机效率，k为第i个EV前往第j个充电站的第k种方式，ω_ik为第k种方式的权重系数；d_ijk为第i辆EV采用第k条路径的长度；t_ijk表示选择第k种路径充电到达目的地行驶花费的时间；

S32：EV将会选择万有引力最大的一个充电站进行充电。

7.根据权利要求6所述的电动汽车充电负荷时空分布预测方法，其特征在于，步骤S4中，建立EV充电负荷计算模型，具体包括：

1)已知EV的出行链即出行的起点、终点以及选择充电的充电站所在地点后，获得其出行轨迹随时间的变化；若已知EV初始荷电状态，则剩余电量表示为：

EC_i＝EC′_i-∑S(x)·e_i(t,x,T)

其中，EC_i'为初始剩余电量，S为途经路段长度；

2)以EV当前位置为初始点，若EC_i无法满足行驶到下一个目的地时，则触发充电需求，其判断依据为：

EC_i≤∑S'(x)·e_i(t,x,T)

其中，S’(x)为车辆当前位置到下一目的地的路程；根据上式判断依据，对EC_i进行充电需求判断，当EV产生充电需求时，基于充电站选择模型确定EV的充电目的地，结合EV单位里程能耗，将各节点的充电需求叠加即得到每一个时刻和节点情况。

Images