計及季節因素的EV充電負荷預測研究

魏 徐

(重慶智網科技有限公司，重慶 400025）

0 引言

EV(Electric Vehicle,EV)具有零排放特性，極大的降低了對環境的污染。近年來，EV發展迅速，據國際能源署(IEA)發布統計報告，2020年全球EV保有量已俞900萬輛，預計在2030年將達到2.45億輛[1]。而EV的充電時空特性具有較強的不確定性，大規模EV無序充電可能造成電網負荷峰谷差加大、網損增加等一系列問題[2-3]。因此，預測EV充電負荷，分析其負荷特性，為EV有序充放電策略制定及城市配套充電設施規劃建設提供依據，降低充電負荷對電網造成的負面影響。

關于EV充電負荷建模的研究主要以預測模型為主。早期研究主要集中在充電負荷總量的預測，通過蒙特卡洛模擬[4-5]、數據統計與擬合分析[6-7]以及聚類分析[8]等，預測一定規模的EV總負荷量。近幾年的研究則進一步考慮車輛行程過程的時空特性，在此基礎上，預測EV充電負荷時空分布特性?；隈R爾科夫原理，以用戶出行鏈模擬EV用戶的出行與充電行為[9-11]，建立EV充電負荷時空分布模型。通過車輛出行鏈準確模擬EV充電負荷時空分布特性，以刻畫車輛行程的復雜性與隨機性，提高預測的真實性。然而，針對充電負荷的時空分布預測方法中，較少考慮季節特性在車輛行程過程中的影響。

基于此，本文建立了計及季節因素的EV充電負荷預測模型。首先，基于車輛出行鏈模型，對EV的出行特征量進行模特卡蘿抽樣模擬EV時空特性。然后，從EV的電池最大載電量與行駛損耗兩個方面考慮季節特性對EV負荷的影響，建立EV充電模型。最后，根據國內某市氣溫數據進行仿真驗證，該模型能夠有效預測區域內各季節的EV充電負荷曲線，驗證了充電負荷的季節差異性。

1 EV出行的時空特性

本文基于出行鏈模型刻畫EV用戶出行特性。按照出行鏈構造和出行節點功能，劃分不同功能區為居住生活、辦公工作以及商業購物等不同功能區。再根據區域內EV保有量，采用蒙特卡洛抽樣對EV用戶的出行活動類型、區域轉移概率、出行時間以及行駛距離等出行特征量進行仿真模擬，得出區域范圍內各功能區EV出行的時空分布特性。

1.1 EV出行鏈

出行鏈是按照時間順序，將各類出行活動構成的序列，可以很好的刻畫用戶的日出行特性。出行鏈對應的時空變化關系如圖1所示,對于一段行程OD，從時間軸可以看出從開始到結束的時間變化，t1、t2與t3表示行駛過程中行駛時間段?？臻g軸表示行程過程的空間變化，d1、d2與d3表示行駛過程中行駛里程。本文以居民生活區為起點，制定出行鏈結構。

圖1 出行鏈對應的時空變化

居民出行活動以簡單鏈(起止點為H，出行活動單一，鏈長為3)為主[9]?？紤]主要EV用戶日常出行目的，忽略行程途中會出現在某處短暫停留。將出行目的分為5類[6]：回家（Home，H）、工作（Work，W）、社交休閑（Social and Recreational，SR）、購物吃飯（Shopping&Eating，SE）和其他活動（Other，O）。本文考慮3個及以下車輛行駛目的地的出行鏈結構，分為簡單鏈和復雜鏈2種模式，如圖2所示。

圖2 出行鏈結構模型l

1.2 出行時間

用戶出行時間包括行程出發時刻以及行程中停留時間。用戶每日駕車出行時間在很大程度上取決于EV的使用目的以及用戶習慣，工作日車主主要出行目的為上班通勤，同時也存在工作日期間前往商業區或休閑區，或是從工作區前往休閑區等情況。本文針對典型工作日下的出行特點，參考美國國家公路交通安全管理局（NHTS）獲得工作日的出發時刻概率分布函數[12]。

車輛出發時刻t1對應的概率密度函數f(t1)滿足：

式中：t1表示車輛日出發時刻，μ1表示車輛日出發時刻的均值，為9.24h；σ1表示調查車輛日出發時刻的標準差，為3.16h。

出行鏈中途各類出行活動花費的時間（車輛停留的時間）呈現不同的分布特性[13],由式(2)表示。表1為不同活動類型對應的模型參數。

表1 各類出行活動停留時間概率分布擬合結果

1.3 空間轉移概率與行駛距離

馬爾科夫鏈是一種能實現對試驗結果連續不斷觀測、每次狀態轉移只與前一時刻有關而與過去無關的數學模型[14]。如果將EV停在某個區域視為一種狀態，則車輛前往下一個目標區域(下一個狀態)由當前狀態決定，記pij為車輛從當前狀態i轉到下一個狀態j的概率，寫成矩陣為：

式中的元素必須滿足：

根據(NHTS)統計分析，車輛用戶的每段的行駛里程d可近似滿足對數正態分布：

式中：x表示每段行程的行駛里程，μ2表示每段行駛里程的均值，為3.7km；σ2表示車輛每段行駛里程的標準差，0.9km。

2 計及季節特性的充電參數建模

基于EV出行特性，考慮季節特性的影響，主要體現在天氣和溫度兩方面[15-16]，進一步對出行過程的充電特性建模。圖3展示了影響的途徑，即不同季節的天氣和溫度的變化作用于EV的行駛速度，空調使用以及電池性能三個方面。

圖3 氣溫對EV充電的影響

2.1 行程前最大載電量建模

EV的動力電池狀態決定行程的初始電量，受溫度影響較強[17]，圖4為相對容量變化情況。

圖4 電池相對容量變化

設定25℃為基準溫度，此時電池相對容量為100%，由圖4可知，在25℃～60℃的溫度段內，電池實際載電量變化幅度較小。而在小于25℃的溫度段內，隨著溫度下降，電池實際載電量逐漸減小，且變化幅度隨溫度降低而加劇。0℃時電池相對容量僅為79.3%。實際載電量的波動，會造成EV續航里程的變化，進而影響EV充電負荷。

由圖4可得不同溫度的電池實際載電量：

式中：CT表示溫度為T時的電池實際載電量；bT是溫度為T時的電池相對容量百分數；CZ表示電池理想容量。

2.2 行程中空調耗電量建模

確定行程前初始電量后，需考慮行程過程中溫度對EV空調使用情況的影響，尤其是在夏季和冬季，車載空調的耗能較大。EV的空調使用過程所需能量全部由動力電池供應。

根據文獻的測試數據[18],綜合考慮溫度對空調耗電量的影響，得出EV在不同溫度下行駛的空調耗電量：

式中：KT表示溫度為T時的電池實際載電量；θ表示空調耗電量占比。

高溫或低溫會明顯提高空調啟用率增大耗電量，進而影響EV的充電需求。通過對大量車主調研[16]得到在不同溫度下空調的使用率以及通常在環境溫度超過多少度時才啟動空調，如圖5所示。

圖5 不同溫度下空調使用概率

上述溫度及空調使用率數據擬合后，啟動概率呈正態分布。概率密度函數為：

式中：制熱啟動ut=10.82oC，δt=2.14oC；制冷啟動ut=29.4oC，δt=1.75oC。

2.3 行程中行駛耗電量建模

非正常天氣會導致能見度降低與路面附著力下降，影響車輛行駛速度，而EV單位里程耗電量會受行駛速度的影響，造成EV的總耗電量的變化[16]。

參考文獻[15-16]中天氣對應車輛安全速度建議，定制出具有季節特性的行駛速度，如表2所示。

表2 兩種路況下的安全行駛速度

A、B路況分別表示在較差和較好的天氣情況下的兩種路況，不同天氣對交通路況的限制影響EV的行駛速度。

基于EV的能耗模型，計算EV單位里程的耗電量：

式中：?表示EV以速度v行駛時，單位里程的耗電量；H表示行駛s公里耗電量。

3 EV充電負荷仿真流程

根據EV充電參數與出行鏈的結構特點，建立采用蒙特卡洛模擬方法的仿真流程如圖6所示。

圖6 EV充電負荷仿真流程

在仿真模型中，系統的初始參數包括：1）參與計算的EV數量N以及能確定出行鏈種類的狀態轉移矩陣；2）車輛電池容量，每個目的地功能區的充電功率水平、充電效率、行駛距離；3）系統的輸入的溫度T：20℃代表典型春秋季氣溫，0℃和35℃分別代表為典型冬季和夏季氣溫。具體仿真步驟如下。

1）初值輸入。確定EV的數量后，進行車輛出行模擬仿真，設定初始出發地為生活區，確定初始行程時電池初始電量；

2）確定EV出行特性。首先對單一EV進行第一段行程的時刻抽取，接著，根據時刻從轉移概率矩陣中抽取行程的起止點，獲得該EV的行程；

3）計算EV行程損耗。先根據溫度T獲得電池的行程前的相對容量，再抽取該段行駛里程，根據設定的安全速度，計算出行程用時，以及單位里程耗電量。同時，根據空調的啟用判定方法計算空調損耗；

4）計算EV充電負荷曲線。根據每一段活動行程抽取對應的停留時間，與該段行程的充電所需時長比較，決定是否在此充電。當該EV完成行程后，更新各區域的充電負荷，進行下一輛模擬，當所有EV仿真結束后，可計算出各功能區，不同季節下EV充電負荷需求。

4 算例分析

4.1 仿真參數

保有量規模參考相關文獻[13]及報告，溫度數據由中國氣象數據網國家科學數據中心提供的某市全年溫度數據。設電池容量為60kWh，根據《EV傳導式充電接口》的充電標準：生活區充電功率為7kW，其他功能區的充電功率為30kW，充電效率取為0.9。不同季節的電池相對容量：0.988、0.793與1.03?？照{制冷耗電量占總耗電量的32.5%，制熱用電量占總耗電量的35%[18]?？照{使用判據為均勻分布的隨機數。EV每天的初始SOC服從正態分布NSOC(0.9,0.12)。

4.2 仿真結果分析

該區域各功能區的充電負荷對比如圖7所示。

圖7 季節影響的EV充電負荷

可以看出，不同功能區的充電負荷分布規律有明顯的時空差異性。居民生活區充電負荷高峰期集中在晚上18:00和22:00附近，說明大部分車輛用戶在白天出行活動結束后，會回到居住的生活區內充電。而工作辦公區充電負荷高峰時段則集中在早上09:00附近；商業區充電負荷高峰和公共區相對平緩，主要集中在下午及晚上時段。這是由于大多數車主用戶在白天出門上班或購物等行為時，到達目的地后選擇就地充電，一方面可以保證電量充裕能順利進行下一行程，另一方面與一些企業的快速充電優惠政策鼓勵有關。

在不同季節下，該區域整體充電負荷以及各功能區的充電負荷如圖8所示。

圖8 季節影響的EV充電負荷

對比整體區域及不同功能區的不同季節充電負荷曲線，冬季與夏季的EV充電負荷與春秋季相比，均有較大的增量。由此說明，EV充電負荷具有較明顯的季節特性，表現為冬季典型日的負荷峰值最大，夏季次之，春秋季最低。EV充電負荷在冬季和夏季要大于春秋季，這因為冬季溫度較低，夏季氣溫較高，這兩種環境的空調使用率較高，使得EV的空調耗電量增大。與此同時，在冬季，EV的電池性能在低溫環境表現更差，且行車速度的降低也會使得EV單位里程耗電量增加，導致負荷需求增大。最終導致冬季EV充電負荷最高。

5 結語

本文提出了一種計及季節因素的EV充電負荷預測模型，通過仿真分析，得出結論:

1）本文提出的計及季節因素的EV充電負荷預測模型，可在刻畫車輛出行的過程中反映不同季節環境下，充電負荷的變化情況。

2）相較于傳統EV充電負荷計算模型，考慮季節因素后EV充電負荷會出現一定增量，原因在于車載空調的損耗，在冬季低溫環境下影響最為顯著。

本文仿真結果主要對不同季節選取了典型溫度進行仿真計算，雖具有一定代表性，但還需更多實測溫度數據進行驗證。在今后的工作中可進一步細化每個季節的不同溫度條件，繼續完善季節因素對EV充電負荷的影響的研究。