远期大规模的电动汽车与分布式光伏接入配电网的负荷预测模型

2021-05-27黄汉远顾丹珍郑德博

可再生能源 2021年5期

黄汉远，顾丹珍，郑德博

（上海电力大学电气工程学院，上海200090）

0 引言

电动汽车（EV）因其V2G（Vehicle to Grid）特性，在放电的时刻也可等效为分布式电源。随着电动汽车技术的不断发展，电动汽车的保有量将会进入快速增长时期。由于屋顶分布式光伏技术的成熟和当前所具备屋顶安装潜力，使发展分布式光伏成为解决城市用电紧张的有效措施之一。

当城市配电网中接入了大规模的电动汽车和分布式光伏后，配电网的日负荷特性会受到影响，因此，对电动汽车和分布式光伏的长期负荷预测是分析未来配电网稳定运行和规划电力设备的重要基础。目前，在该领域已经展开了许多研究。文献[1]考虑4种不同功能类型的新能源汽车的充电习惯，使用蒙特卡洛抽样方法计算充电需求。文献[2]提出了考虑多因素的改进Bass模型和车辆行为的私家车充电负荷的长期预测方法，但该方法仅考虑了单一类型的车辆，对远期多类型的电动汽车的充电需求预测的误差较大。文献[3]提出了不同区域接入电动汽车和分布式光伏后的空间负荷预测方法。文献[4]研究了电动汽车及分布式光伏接入配电网后，对城市配电网及分区配电网的影响。但其光伏出力模型单一，缺少对于其他影响因素的考量，对预测结果的准确性造成了影响。

随着大规模分布式光伏及电动汽车以V2G形式接入配电网，配电网中分布式电源的渗透率将大幅度提高。分布式电源的负荷出力具有随机性和波动性，现有配电网构架以单辐射状为主导，难以满足分布式电源接入后对供电可靠性的要求。为了应对城市配电网的规划，本文以华东某市电动汽车和分布式光伏的发展情况为基础，建立了千人汽车保有量模型、各类车型的日充电负荷模型，考虑可利用屋顶面积来确定屋顶光伏容量；考虑天气季节等多种因素影响下的光伏日出力模型；最后，以某市的实际数据为基础，结合上述模型预测了2025年某市的电动汽车日充电需求和分布式光伏的日出力，并分析其接入城市配电网对原始负荷的影响。

1 电动汽车长期充电负荷预测

电动汽车充电负荷的远期预测主要分为以下两个方面：①远期目标，年份汽车的保有量预测；②不同功能类型的电动汽车的充电行为的差别。在确定了各类功能车的规模以后，通过蒙特卡洛法模拟出各类汽车的充电负荷，最后将各类功能车的充电负荷叠加得到单日总体的充电负荷。

1.1 电动汽车保有量预测

EV的发展与人们消费水平相关，本文以Gompertz曲线对某市2025年的汽车千人保有量做出了评估，并参考他国汽车的发展历程，通过类比假定高、低两方案的阈值，以此来测算某市未来的EV保有量。

汽车保有量Gompertz函数可描述为[5]

式中：Vi为第i年的千人汽车保有量；V*为千人汽车保有量的最终水平；EFi为人均GDP在i年的情况；函数a，b决定了汽车保有量与经济增长关系，同时确立了函数形状。

预测式（1）中第i年的千人汽车保有量，首先须预测该地区的人均GDP和千人汽车保有量的最终水平；然后通过该地区的常住人口预测该地区的汽车保有量，最后根据该地区的政策以及其他发展趋势预估电动汽车的渗透率，以此来确定电动汽车的保有量。

1.2 电动汽车的充电负荷模型

EV的初始SOC情况、充电起始时刻的分布、充电方式的选择，决定了EV的日充电需求，为使更加准确地预测长期充电负荷，不同类型的功能车的各种参数不尽相同，本文对4种EV充电特性进行分析。对于进行充电的EV（公交车除外，公交车满足均匀分布），其初始充电时刻满足：

式中：t为车辆初始充电时刻；μt为期望值；σt为标准差。

EV参与充电时刻的SOC（荷电状态）决定了电动汽车的充电时长，也影响了负荷的预测，电动汽车的充电时长为

式中：SOC为电池在充电初始时刻所剩的电量；PK为各类功能车的电池额定容量；η为充电效率，本文取0.9；Pc为单位时间的充电功率（各类车型的功率快充慢充功率不相同）。

充电完成后，总负荷为

式中：Pt为该时刻的充电负荷；N为参与充电的汽车数。

各类型电动汽车的充电行为如表1所示。

表1 各类用户行为表Table 1 Various user behavior tables

在Matlab中通过蒙特卡洛法抽取充电开始时间和初始SOC，并计算充电时长，开始充电时间和起始荷电状态的概率分布见表1。模拟各类车型的充电负荷曲线。模中各类车型数量均为1 000辆，模拟循环5 000次，方差系数小于0.05%，曲线如图1所示。

图1 各类车型充电负荷曲线Fig.1 Charging load curves of variousmodels

2 远期分布式光伏出力预测

本文将可安装分布式光伏的屋顶面积与光伏板参数相结合，来预测未来年份分布式光伏的装机容量，然后再考虑天气季节等因素对光伏日出力的影响，建立光伏日出力的模型，最后对光伏的日出力做出预测。

2.1 可安装分布式光伏屋顶面积预测

预测分布式光伏长期出力,首先须要确定可安装分布式光伏的屋顶面积，屋顶面积须要确定各类建筑的建筑面积。各类建筑的平均楼层选取以及可安装面积的利用率的表达式为

式中：Sl为可安装分布式光伏的屋顶面积；Si为某类建筑面积；λi为某类建筑屋顶可利用率；Ki为某类建筑的平均楼层。

由式（5）可得屋顶分布式光伏面积为

式中：PAZ为装机容量；[]为取整；S1为单块光伏板的面积；P1为单块光伏板的出力功率。

表2为某市典型建筑的建筑面积及平均楼层的选取。

表2 某市2017年典型建筑可利用屋顶资源分析Table 2 Analysis on available roof resources of typical buildings in a city in 2017

通过对某市历年的建筑面积的调研，选取各类建筑的平均楼层，求取历年各类建筑的屋顶面积。采用趋势预测法以历年的屋顶面积预测远期目标年份的屋顶面积。

2.2 影响光伏出力的因素

对于分布式光伏的建模须考虑季节和天气因素，不同天气季节的光伏日出力曲线也不相同，图2为某地区不同季节，不同天气情形下光伏出力曲线的比较。

图2 某地光伏电站不同天气四季光伏出力曲线Fig.2 PV output curve of a certain photovoltaic power station in differentweather seasons

由图2可知，不同季节的光伏日出力时长和最大出力不同。不同天气会影响光伏日出力的波动性和峰值。晴天光照稳定，不同季节下光伏的日出力波动性较小。多云、阴、雨天受天气影响变化大，最大出力时刻呈随机性。

光伏组件的出力主要受光照强度的影响，与光伏组件的光电流成正比，如图3所示。

图3 晴天典型日太阳辐照强度与光伏出力Fig.3 Solar radiation intensity and photovoltaic outputon a typical day in sunny days

由图3可以看出，光伏出力与辐照强度的曲线趋势及形状近乎一致，呈现出正相关的关系。

温度也是影响光伏出力效率的因素，其表达式为

式中：Pm为经过温度修正系数后实际的输出功率。一般来说典型温度系数ξ为-0.35%/℃。

2.3 分布式光伏的日出力模型

光照强度及组件的输出效率决定了光伏系统的出力功率，其表达式为[9]

式中：Nel为光伏发电系统的出力功率；ηz为光伏系统出力功率的综合修正系数，即组件转换效率温度修正系数、组件安装倾斜角修正系数、组件中逆变器效率系数、系统线损修正系数以及阳光辐照强度和标准辐照强度的比值等各个参量的乘积。

由式（8）可得到每个月的综合修正系数，取每一季度的平均值作为四季修正系数ηs。同时考虑季节因素造成日出日落时刻的不同，导致光伏出力时长不同，以某市的实测数据为准，取春秋两季的起始终止时刻为6：00，18：00；夏季为5：00，19：00，冬季为7：00，17：00。

考虑天气情况和分布式光伏同时率的影响，将光伏模型改进为

式中：ηs为季节修正系数；ηc为天气修正系数；η1为同时率，本文中取0.8。

晴天时，光伏出力稳定。多云、阴天及雨天出力曲线无明显的规律性，文中取实测的出力波形为典型日的天气变化曲线，如图4所示。

图4 不同天气类型下光伏的日出力特性曲线Fig.4 The sunrise force characteristic curve of photovoltaic under differentweather types

春季晴天为1，其余的按照比率折算，各类天气最大出力的修正系数分别为多云（0.9），阴（0.5），雨（0.4）。

由式（9）可以得到光伏的出力功率，根据某地的单日各时刻光伏日出力曲线，通过比例折算就可得到光伏的日出力负荷。

3 算例分析

为验证文中所提模型的准确性，根据本文提出的预测模型，分别对电动汽车的保有量与某市电动汽车近年实际保有量预测、光伏出力曲线与某光伏电站的实际出力曲线进行比较。

华东某市2017年和2018年电动汽车累计示范推广量分别达到166 369辆和239 784辆，根据千人汽车保有量法饱和点低值得到的低方案预测得到的2017年和2018年的电动汽车数量为162 512辆和233 167辆。

表3为实际电动汽车保有量和预测的电动汽车保有量的误差分析。

表3 实际保有量和预测结果误差分析Table 3 Actual holding amount and error analysis of prediction results %

图5为以某光伏电站的晴天最大出力为基准值折算得到的晴雨天出力标幺值曲线。

图5 某光伏电站实际出力图Fig.5 Actual output diagram of a photovoltaic power station

图5呈现较为饱满的半包络状，雨天曲线出力都较小，出力基本不超过晴天出力的0.4。可见文中采用的模型有着较好的准确性。

3.1 电动汽车的负荷预测

通过类比他国数据，估算某市千人电动汽车的饱和值，取某市千人汽车保有量的饱和点的低值为200，高值为300。通过上述方法可以预测某市2025年的EV保有量。根据其GDP增速，预计到2025年全市人均GDP约20.2万元。根据某市发展规划及人口平均增幅率，预计到2025年有2 553.5万。如图6所示。以保有量模型预测2025年电动汽车保有量数值，出租车、公交车和专用车（包括物流车、教练车及其他类型专用车）等功能车各年份的保有量分别为公交车1.8万辆，出租车4.6万辆，专用车8.4万辆，其余为私家车。表4为对各类功能车的规模预测的统计。

图6 基于Gom pertz函数的上海千人汽车保有量预测Fig.6 Prediction of car ownership of 1 000 people in Shanghaibased on Gompertz function

表4 2025年各类型电动汽车分类预测结果Table 4 Forecast results of various types of electric vehicles in 2025

各类车型的典型车型选取如表5所示。

表5 各类汽车典型车型Table 5 Typicalmodels of various types of automobiles

基于电动汽车的充电行为及车型保有量的预测，2025年电动汽车的充电负荷，如图7所示。

图7 2025年某市电动汽车充电负荷日曲线Fig.7 Daily curve of EV charging load in a city in 2025

图中电动汽车的日充电负荷在下午和夜间有两个充电需求高峰，下午时的充电高峰是因为出租车的快速补电行为以及部分私家车的工作时段充电行为，夜间的充电高峰主要是出租车的快充以及公交车的充电行为导致的。此外，在19：00以后的小充电高峰是私家车和专用车的集中充电行为造成的。

依据Gompertz函数和千人汽车保有量做出的电动汽车趋势预测，可以看出电动汽车的发展仍处于商品发展模型的前中期，仍有较大的发展潜力，未来10 a电动汽车市场不会趋于饱和，因此预测未来年份的充电负荷对配电网的规划是有必要的。

3.2 光伏出力预测

通过对某市历年各类建筑面积的调研以及各类建筑平均楼层的选定，通过趋势预测，预计到2025年的屋顶面积为28 780万m2；其中有4 650万m2的屋顶面积可安装光伏系统，分布式光伏的最大装机容量为3 487.5MW。

考虑到晴天时光伏出力最大，雨天出力最小，阴雨天的出力介于两者间，本文算例中仅考虑晴、雨这两种天气情况。根据季节和天气，划分为春、夏、秋、冬4种典型季节，及晴天和雨天两种典型气候条件，分别建立光伏日出力特性曲线。春夏秋冬四季季节修正系数分别为0.860，0.845，0.820和0.800；晴天和雨天的天气修正系数分别取1.0和0.4，如图8所示。

图8 2025年晴天和阴雨天光伏四季出力曲线Fig.8 PV output curve in four seasons in sunny and rainy days in 2025

由图8可知，在晴天情况下，屋顶分布式光伏出力较大。加强闲置空间的分布式光伏建设，同时利用政策引导促进分布式光伏的发展，可平抑光伏出力的波动。

3.3 两种负荷接入后对某市配电网的影响

在晴天和雨天的情形下，某市2025年的配电网接入电动汽车和分布式光伏后的负荷曲线，如图9所示。

图9 2025年晴天四季叠加光伏和电动汽车的负荷特性曲线Fig.9 Four seasons of sunny weather in 2025 superimposed load characteristics of photovoltaic and electric vehicles

由图9可知，晴天时，当四季负荷叠加光伏出力后，负荷高峰有了明显的下降，具有削峰作用，缩小了峰谷差。因光伏出力在午间最大与负荷峰值时间一致，致使叠加光伏出力后，出现移峰的现象，峰值在17：00-20：00。当两种负荷叠加后，夜间用电谷时段，EV的充电负荷具有填谷效果，在白天用电高峰时段，峰值用电负荷增大，且因充电负荷大于光伏出力，四季都出现了移峰现象。

雨天场景下，叠加充电负荷和光伏出力后，光伏出力小，对负荷削峰效果不显著。春季光伏最大出力仅占原始负荷的1.4%。当叠加光伏出力和充电负荷后，峰值负荷增加，因光伏出力少，负荷的峰谷差较原始负荷略有增加，峰值负荷的移峰现象明显，如图10所示。