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

2021-05-12李瑶虹陈良亮刘卫东傅质馨

电力建设 2021年5期

李瑶虹，陈良亮，刘卫东，傅质馨

(1.国网江苏省电力有限公司，南京市 211106；2.国电南瑞南京控制系统有限公司，南京市 211106；3.南瑞集团有限公司(国网电力科学研究院有限公司)，南京市 211106；4.河海大学能源与电气学院，南京市 211100)

0 引言

随着全球化石能源危机和环境日益恶化，汽车产业中的电动汽车(electrical vehicle, EV)产业获得政府和市场的大力支持并得到快速发展[1]。其中私家EV的发展较为迅速，其保有量在不断增长。EV的快速发展也给电网带来了一系列影响：一方面，大规模EV的接入可能会引发负荷过大、电能质量降低等问题，给电网的安全运行和优化调度带来不利影响[2]；另一方面，EV具有充电和放电双重特性，使其具有可调负荷和储能的特性，是潜在的优质储能备用资源[3-4]。

区别于传统的电网储能备用资源，私家EV具有作为交通工具的固有属性[5]，这使其在空间位置上呈现随机性较大的特点，私家EV集群的时空分布建立在单辆EV时空分布基础上，更是呈现随机性强的特点。私家EV在时空分布上的这种随机性是其参与电网调控需要解决的一个重要问题。文献[6]基于EV出行链理论，以家庭为起讫点，构建包含长度分别为2和3的简单链和复杂链，有效模拟了EV一日内的行驶行为，但最大出行链长度为3，不能满足当今人们丰富的用车需求情况。文献[7]将城市分为不同的城市功能区域，基于出行链理论构建了EV的时空分布模型，但未对工作日和非工作日的EV出行链差异作区分。文献[8]建立EV状态空间模型，反映EV入网和离网的状态、需求等信息，但是对EV的空间信息描述不足，未能全面描述EV的时空信息。文献[9]对出行链的时间和空间特征信息量进行拟合，基于蒙特卡洛方法模拟EV出行链准确模拟了EV用户的出行特征，进而确定EV的时空分布。文献[10]划分城市区域，用区域的停车生成率表示各个区域内的EV移动和停放行为，从集群的角度描述EV的时空分布状态。上述研究利用不同的方法构建EV的时空分布模型，为解决不同问题提供了基础。

私家EV的调控能力评估是其参与电网调控需要解决的另一个重要问题，它反映EV接入电网后的互动能力水平，可为电网制定优化调控运行策略提供重要依据。文献[11]以电池荷电状态和功率约束建立单辆EV的充放电模型，从EV用户是否参与调控、是否有充电裕度和期望充电完成的时间对EV集群详细划分，建立EV充放电的大规模集群实时优化调度模型。文献[12]引入电动汽车虚拟电厂的概念，建立了单一和连续时间断面的单辆EV响应能力模型，并仿真分析证明了电动汽车虚拟电厂响应能力模型的可行性。文献[13]以功率边界和电量边界两个关键边界约束建立EV备用能力的可行域，将时间轴离散化为若干个时段，计算各个时段内EV的上下备用容量。文献[7]在对EV参与电网调控能力评估时将EV的时空分布考虑在内，但是对EV响应能力的功率和容量有待进一步分析，对充电响应能力未能给出相应的评估方法。

与现有方法相比，本文首先将基于EV出行链理论与最新发布的美国家庭出行调查数据(National Household Travel Survey, NHTS)[14]，将城市划分为不同功能区，从工作日和非工作日两种情况确定EV的时空分布，进一步完善现有私家EV的出行链模拟；接着，结合单辆私家EV出行情况，用电池荷电状态边界和功率边界建立每次行程结束后停车期间的调控可行域，考虑私家EV的参与意愿，仿真分析计算单辆EV和集群EV在各个城市功能区的调控能力，得到综合EV时空分布的调控能力评估模型。

1 城市级EV时空分布特征

1.1 出行链的时空信息

城市级EV区别于传统电网储能的特点是其在时空维度上的不确定性，这也是评估城市级EV调控能力的难点之一，本文将基于出行链理论确定EV的时空状态。出行链是指人们为完成一项或多项活动, 以时间顺序排列的出行目的所组成的往返行程，包含大量的时间、空间、方式和活动类型信息[15]。出行链可视为时间链和空间链的结合，时间链描述用户出行在时间上的变化规律，空间链描述用户出行在空间区域上的转移特征。因此出行链包含两种类型的变量，即时间变量和空间变量[16]。出行链的长度表示用户一天内的行程数目，用户在一天内的出行链包含多个出行目的，出行链的长度有差异，可分为简单链和复杂链：除了起点外只有一个中途活动地点为简单链，超过一个中途活动地点为复杂链。出行链示意图如图1所示。

图1 出行链示意图

时间变量包括车辆首次出发的时刻t0,lea，到达地点i的时刻ti,arr，离开地点i的时刻ti,lea；地点i到i+1的行驶时长ti,i+1；在地点i的停留时长ti；空间链信息包括出行目的地点i的类型，地点i的地理位置，地点i到地点i+1的行驶距离di,i+1，行程的地点转移概率矩阵PTn。i从0到n，n为出行目的总数；用T(i)表示地点i的类型，本文将城市功能区划分为3类，即居住区H，工作区W和其他区域O。

模拟出行链可以确定EV的时空状态信息，为EV参与电网的调控运行提供EV的时空信息。经过变量相关性分析，选取EV首次出行时刻、行驶时长、停车时长作为时间特征量，时间量ti,arr和ti,lea可由式(1)、(2)计算得到；选取行程的地点转移概率矩阵PTn和地点i到地点i+1的单次行程行驶距离di,i+1作为空间特征信息量，空间量出行目的i的类型和地点i的地理位置取决于城市功能区域的划分情况。

ti,arr=ti,lea+ti-1,i

(1)

ti,lea=ti,arr+ti

(2)

1.2 出行链特征信息量拟合参数

工作日和非工作日的私家EV行驶行为具有较大的差异性，因此考虑分工作日和非工作日两种情况对用户的出行特征模拟。基于最新发布的2017年的NHTS数据，工作日出行链平均长度为3.3，非工作日出行链平均长度为4.25。

出行链首次出行时刻呈现多峰的分布特点，用高斯混合分布模型(Gaussian mixture model, GMM)拟合，拟合参数结果见附表A1和表A2；根据行程的起点和终点地点类型对行驶时长进行拟合，拟合参数结果见附表A3和表A4；经分析，停车时长与行程的类别相关，由于不同行程对应的停车时长分布呈现较大的差异性，整体上呈现对数正态分布和GMM分布，因此采用对数正态分布和GMM对停车时长进行拟合，工作日拟合参数结果见附表A5和表A6，非工作日的拟合参数结果见附表A7和表A8。

行程地点转移概率拟合分两步，首先确定在一日的不同时段内出现地点转移的概率，其次确定在特定时段内用户在各类型地点之间的转移概率。工作日和非工作日不同时段内出现行程转移的概率如附图B1和图B2所示，在各个时段内，由统计数据用频率表示各地点之间的行程转移率，易得到各时段的行程地点转移概率。以08:00—09:00的行程目的转移概率为例，分别呈现工作日和非工作日的行程目的转移概率，如附图B3和图B4所示。

用户单次行程的行驶里程d为平均速度v与行驶时长tx的积：

d=v·tx

(3)

通过对大量单次行程的平均速度进行分析可知，平均速度可用对数正态分布进行拟合。平均速度拟合的参数值为：μv=-1.34，σv= 0.65，则行驶里程d服从对数正态分布。

lnd～N(-1.34+lntx,0.652)

(4)

2 EV出行链的随机模拟

将用户出行链首次出行时刻概率分布、行驶时长概率分布、行程目的转移概率等信息量作为蒙特卡洛模拟的输入，则用户的出行链模拟过程如下：

1)抽取出行链长度。

2)抽取首次出行时刻。

3)抽取出行目的地。根据本次行程出发地类型、出发时刻和出行目的转移概率矩阵，抽取出行目的地。

4)抽取行驶时长。由本次行程类别下的行驶时长概率分布确定，抽取行驶时长并计算到达目的地时刻。

5)抽取行驶速度平均值。由行驶平均速度概率分布确定，并根据行驶时长和平均速度计算此次行程距离。

6)若行程数达到出行链长度，进入步骤10)，否则进入下一步7)。

7)抽取停留时长。根据步骤3)确定的行程类别下的停留时长概率分布，抽取停车时长。

8)计算下次出行时刻。

9)返回步骤3)。

10)单次出行链模拟结束。

本文模拟1 000辆私家EV在一日的出行情况，以各地点类型的EV数量反映城市级EV的出行特征，得到各地点私家EV数量随时间的变化特征。工作日和非工作日的各地点类型的私家EV数量变化特征如图2和图3所示。

图2 工作日私家EV数量变化特征

图3 非工作日私家EV数量变化特征

观察图2和图3可以发现，工作日和非工作日的EV时空分布既有相似之处，也有差异之处。相似点在于一日内始终至少有30%～40%的EV是处于居住区H的，并非所有的EV都处于行驶状态，这与现实状况相符。差异较大的是工作区W的EV数量，由于工作日时居民的上下班行为，W区的EV数量从07:00左右迅速增加，于09:00至16:00数量保持相对平稳，16:00以后EV数量开始逐渐减少；非工作日W区的EV数量始终保持在很低的水平，最高规模不超过10%，EV数量不具有工作日的上下班变化特征，这是W区EV分布的显著特征。而其他区域O用户发生就餐、休闲等行为，O区的EV数量变化特征在工作日和非工作日是类似的，与是否工作日联系较小。

城市级私家EV在各地点类型的EV分布直接影响调控能力的分布，因此EV的调控能力和地点类型关系非常密切。

3 城市级私家EV调控潜力评估模型

私家EV的属性参数包括电池的荷电状态(state of charge，SOC)、电池的健康程度(state of health，SOH)、电池的额定容量以及本文着重考虑的EV用户参与调控的意愿，这些因素会影响私家EV参与电网调控的能力水平。

3.1 情形1下的EV调控能力

图4 情形1调控能力示意图

(5)

(6)

曲线A-a-b-c-d-D为EV的调控示例，由点S1到点A表示EV以最大充电功率Pcha,max进行强制充电；点A到点a为EV以功率PAa进行充电；点a到点b表示EV处于空闲状态，既不充电也不放电；点b到点c表示EV以功率Pbc进行充电；点c到点d表示EV以功率Pcd进行反向放电；点d到点D表示EV以功率PdD充电至Si,exp。在EV可调控区域内且在充放电最大功率约束范围内，可根据电网调控目的对EV进行相应的调控。

对编号为j的单辆EV而言，EV在地点i时刻t的SOC如式(7)所示，在t时刻的充放电功率如式(8)所示，在t时刻可调控的充电和放电容量分别如式(9)和式(10)所示。

(7)

(8)

(9)

(10)

满足的约束条件如下：

Pdis,max≤Pj(t)≤Pcha,max

(11)

(12)

(13)

3.2 情形2下的EV调控能力

图5 情形2调控能力示意图

(14)

(15)

对编号为j的单辆EV而言，EV在地点i时刻t的SOC如式(16)所示，在t时刻的充放电功率如式(17)所示，在t时刻可调控的充电和放电容量分别如式(18)和式(19)所示。

(16)

(17)

(18)

(19)

满足的约束条件如下：

Pdis,max≤Pj(t)≤Pcha,max

(20)

(21)

(22)

情形1中的EV到达地点i时没有调控能力，处于强制充电状态，至少经过ti,f-ti,arr时长才能具备调控能力；而情形2中的EV到达地点i就具有调控能力，可进行充电、放电和空闲这3种操作。

3.3 EV用户的参与意愿模型

相比于部分研究只是简单地假设EV用户参与调控的意愿比例[17]，本文考虑用户参与的意愿度受各方面因素的影响[18-19]，这些因素的影响程度难以量化，影响关系是模糊的，因此采用模糊推理模型对用户的意愿程度进行估计。模糊推理原理如图6所示。

图6 模糊推理原理图

SOH对应的模糊集为{差(S)，中等(M)，良好(B)}，停车时长对应的模糊集为{短(S)，中等(M)，长(B)}，SOC、充放电电价、用户参与充电和放电意愿的模糊集为{低(S)，中(M)，高(B)}。归一化处理矩阵H、S、Cch、Cdis、R，采用两边型高斯隶属函数，调整控制器输入和输出。图7和图8分别为SOH和充电意愿的隶属度函数图，其余输入量和输出量的隶属度函数图见附图C1—C5。

图7 SOH隶属度函数

图8 充电意愿隶属度函数

本文设定模糊推理的基本原则为：车辆的SOC越低、充电价格越低、停车时长越长，则充电意愿越高；车辆的SOH越良好、SOC越高、放电价格越高、停车时长越长，则放电意愿越高。由此建立模糊推理规则，最后采用模糊推理获得用户参与调控的意愿程度。

表1是充电意愿模糊规则表的部分内容，第一条规则表示只要EV的停车时长短，则不论其SOC和充电价格如何，用户的充电意愿都会表现为低；第二条规则表示当SOC为低、充电价格为低而停车时长中等时，用户的充电意愿表现为高；模糊规则表中其余规则的含义分析方法与此相同。用户参与充电和放电意愿的模糊规则见附表C1和C2。为提高算法精度，未来可通过统计调查结果改进隶属度关系和模糊规则。

表1 充电意愿模糊规则(部分)

考虑用户的参与意愿，地点类型为i的充放电容量和功率如式(23)—(26)所示。

(23)

(24)

(25)

(26)

4 不同调控方式下的城市级私家EV调控能力

选取调控能力中的充电容量和充电功率为例，首先对单辆EV的调控能力进行仿真分析，进而扩展到EV集群的调控能力。私家车参与调控的方式会随着研究的深入而增多[20]，本文考虑强制调控和计及用户意愿两种方式下私家EV集群的调控能力。利用前述EV调控能力评估模型可以对EV的充放电调控能力予以评估，本节选取EV的充电调控能力评估结果图进行展示和分析，放电调控能力评估分析方法与此类似。

4.1 单辆EV的调控能力评估

基于蒙特卡洛方法模拟私家EV的出行链，抽取其中一辆EV，对其调控能力进行分析。将一日以15 min为间隔划分成96个基本时段，以每个时间段为单位对EV的调控能力进行评估。

仿真模拟1 000辆私家EV的出行行为，设置EV的充放电功率最大值均为6 kW，EV的额定容量为30 kW·h，单位耗电量为15 kW·h/(100 km)。EV的SOH设定为以均值为0.8、标准差为0.2的正态分布，且SOH处于0.7～1之间；EV的初始SOC按正态分布进行抽取，均值为0.5、标准差为0.1，且初始SOC处于0.6～1之间。假设每个功能区都有足够的充放电设备，可以保证私家EV在需要时与电网进行互动。

仿真各抽取工作日和非工作日期间的一个EV出行链，前者由2个行程构成，为H-W-H；后者由4个行程构成，为H-O-H-O-H。计算可得单辆EV的调控能力，工作日结果如图9和图10所示，非工作日结果如图11和图12所示。

图9 工作日各地点的充电容量

图10 工作日各地点的充电功率

图11 非工作日各地点的充电容量

图12 非工作日各地点的充电功率

由单辆EV的调控能力仿真结果图9至图12可以看出，单辆EV的调控能力与EV的空间状态密切相关。显然，当EV处于行驶状态时，其处于不可控状态；只有在EV到达某地后的停车期间，各地点类型才可能具有相应的可调控的时段。工作日出行链平均长度小于非工作日的平均长度，各地点调控时段相对集中，每个时段的可调控时长较长；非工作日的各地点调控时段较相对分散，每个时段的可调控时长较短。以该车辆的SOC-t边界和功率边界为约束，由EV调控能力模型对EV的调控能力进行评估计算，本评估结果呈现的是EV的充电调控能力极限水平。

4.2 集群EV的调控能力

单辆EV的调控能力只是某个地点的EV集群调控能力的一个组成单元，处于某一地点的EV数量是较多的。对EV集群的调控能力进行评估，得到各个时段EV集群能够提供的充放电容量、与电网互动的功率水平，为制定电网与EV集群的双向互动策略提供依据。

由前述的单辆EV的调控容量和功率评估模型，得到EV集群的充电调控能力评估公式。在时间轴上，考虑到电网的功率约束水平，将各辆EV的调控能力进行叠加，则地点类型为i的区域的充电容量和充电功率如式(27)和式(28)所示。

(27)

(28)

式中：NEV,i为处于地点i的EV数量。

以某次模拟的1 000辆私家EV一日内的出行链确定EV集群的时空分布状态，计算EV集群的调控能力，工作日的可调控容量和调控功率水平如图13和图14所示。

图13 工作日各地点的EV集群充电容量

图14 工作日各地点的EV集群充电功率

由图13和图14分析可知，各地点类型的充电容量水平变化特征以EV集群的时空分布为主导；在工作日的上午07:00至09:00，由于大量的私家EV向工作区W和其他地区O转移，居民区的充电调控能力迅速减小，相应的工作区和其他地区的调控能力呈增加趋势；09:00至18:00，工作区和其他区域会存在相对稳定的调控能力水平；18:00左右私家EV从工作区和其他区域返回居民区，对应居民区的调控水平提高，工作区的调控水平迅速降低，而部分EV向其他地区转移导致其他区域的调控水平降低较为缓慢；18:00至20:00左右用户处于其他区域就餐、休闲等行为，会导致其他区域的调控能力水平快速下降趋势较工作区延后2 h。

非工作日的可调控容量和调控功率水平如图15和图16所示。

图15 非工作日各地点的EV集群充电容量

图16 非工作日各地点的EV集群充电功率

由图15和图16分析可知，各地点类型的充电容量水平变化特征以EV集群的时空分布为主导；非工作日的EV用户出行行为没有工作日上班时间和下班时间的限制，在非工作日的09:00左右会有少量的EV向工作区和其他地区转移，EV集群在居住区的调控能力水平下降，工作区和其他区域的调控能力水平提高；由于周末更多的EV向其他地区转移，其他地区的调控能力要比工作区高出几倍的水平；20:00以后EV快速向居民区转移，对应的居住区调控水平提高而其他区域调控水平降低，工作区调控能力始终处于较低水平。

4.3 计及用户参与意愿的集群EV调控能力

考虑用户的参与度，对EV的调控能力进行评估。为比较计及用户意愿度和不计及用户参与度的充电调控能力，将两种情况下的EV集群调控能力结果绘制在同一图中。工作日的调控能力对比如图17和图18所示，非工作日的调控能力对比如图19和图20所示。

图17 工作日各地点类型充电容量比较图

图18 工作日各地点类型充电功率比较图

图19 非工作日各地点类型充电容量比较图

图20 非工作日各地点类型充电功率比较图

考虑EV用户的参与意愿后，集群EV的调控能力水平在各个地点均呈现降低的趋势；由于用户的参与意愿受多方面因素的影响，考虑用户意愿后的调控能力水平低于强制调控方式下的能力水平；计及用户参与意愿后各地点的调控能力水平变化趋势和强制调控下的趋势相同，在本文建立的用户参与意愿模糊推理模型下，用户的参与意愿会随着时段的变化发生相应的变化，充电的参与意愿平均值约为0.40，放电的参与意愿平均值约为0.35。