基于实测数据的多类型电动汽车充电负荷分析

2023-01-18蒋林洳龙羿李兴源张元星陈中

电测与仪表 2023年1期

蒋林洳，龙羿，李兴源，张元星，陈中

(1.中国电力科学研究院有限公司用电与能效研究所检测中心(北京市电动汽车充换电工程技术研究中心)，北京 100192； 2.国网重庆市电力公司营销服务中心，重庆 401123； 3.东南大学电气工程学院，南京 210096)

0 引言

自2012年制定《节能与新能源汽车发展规划(2011年～2020年)》后，我国电动汽车市场进入自主品牌快速发展的新阶段。2015年，我国新能源汽车累计产销突破50 万辆，对全球市场的贡献超过一半。2016年我国电动汽车的保有量达到109 万辆，已成为全球规模最大的新能源汽车制造国[1-2]。

考虑到其经济性及环境保护作用，电动汽车将成为未来各国经济增长的重要组成部分[3-4]，分析电动汽车用车行为，有利于电动汽车负荷预测以及有序充电策略的制定等。文献[5-6]从新能源汽车的发展历程切入，将2019年政府补贴下降的不利影响做了部分归纳，同时指出税收优惠等配套政策将给产业带来新的动力；文献[7-10]借助相关数学模型，对国外电动汽车用户出行行为进行研究，其中John G等人将Nissan LEAF电动汽车作为研究对象，进一步探讨了用户的充电行为特征；文献[11]采用探索性空间数据分析(ESDA)技术对上海市的出租汽车统计信息进行分析，利用莫伦值(Moran’s I)进行评估，表明出租汽车出行具有较强的空间正相关性，与中心商业区的活动高度相关，时空结构稳定；文献[12]对共享汽车这一新型出行方式进行了初步分析，基于EVCARD公司的订单数据，借助描述性统计量分析用户通勤时段出行特征；文献[13]利用数据挖掘等方法，分析了城市级物流电动汽车充电行为规律，得到了服从正态分布的充电前后SOC模型，为用户的出行策略提供科学支持；文献[14]采用聚类法，研究了共享汽车用户行为与企业利润间的关系，并借助多层感知神经网络对不同用户进行了分类预测；文献[15]基于蒙特利尔地区用户的用车数据，采用数据挖掘等方法按用户特征进行群体分类；文献[16]建立了数据驱动的线性回归模型，分析得出停车位的数量是影响用户出行的首要因素；文献[17]结合地理信息对电动汽车订单数据进行时空特性分析，利用线性回归的方法对订单量进行预测。

随着电动汽车行业发展，其带来的居民出行模式改变问题不容忽视，将成为城市交通领域的热点问题，探讨不同电动汽车车型的出行规律具有较高研究价值。基于实测用户订单数据，对某地2018年12月1日～12月30日的电动汽车数据进行分析，得到公交车、运输车、私家车、租赁车四种车型的出行预测规律，并采用蒙特卡洛法对区域电动汽车负荷进行建模预测。

1 数据预处理

1.1 数据采集格式

截止目前，采用的平台数据库存储了从2018年12月1日～2018年12月30日共计1 656 776条电动汽车数据，时间跨度为30天。筛选出其中数量较多的车型，最终得到1 541 923条初选数据，源数据保留率为93.07%。每条数据包含了用户的多维用车行为信息，包括车型、采集时间、车辆SOC、里程数以及行驶速度(见表1)。

表1 采集数据格式

表1中，车型包括电动公交车、电动运输车、电动私家车、电动租赁车四大类;数据采集时间包括采集起始时间(Time_start)与采集结束时间(Time_end)。车辆SOC包括车辆起始SOC(Soc_start)与车辆结束SOC(Soc_end)；里程数默认为车辆里程计数器计数，包括起始里程数(Mileage_start)与结束里程数(Mileage_end)；行驶速度包括最大速度(Speed_max)与最小速度(Speed_min)。

1.2 数据预处理流程

采集到数据中存在一定数量的异常数据与数据缺失情况(见图1)，按Step1～Step4对其进行预处理，删除异常数据并补充缺失部分。

图1 异常数据与数据缺失

Step 1：输入数据，根据电动汽车公司统计数据得知，车辆启动到车辆停止至少需要4 min，各车型单次用车时间小于12 h，即满足条件4 min≤ (Time_end-Time_start)≤12 h，否则将其删除；

Step 2：由于采集的数据为用车信息，不包含电动汽车充电数据，若满足Soc_end>Soc_start且Soc_start≤100，否则将其删除；

Step 3：默认里程计数满足条件Mileage_end> Mlieage_start，根据用户用车经验值，单次行驶里程同时满足(Mileage_end- Mlieage_start)≤100 km，否则将其删除；

Step 4：假设采集到的数据为某一完整的行驶过程，则该过程中最小速度满足条件Speed_min=0，否则将其删除。

由于数据采集过程中会收到通信质量、收发端不稳定等因素影响，会有部分数据缺失关键信息或丢失等现象，针对此情况，本研究过程采用拉格朗日插值法[18]进行补充，。经过预处理后，异常数据占比最大不超过2%(见表2)。

表2 各车型采集数据预处理结果

2 多类型电动汽车用车行为分析

基于数据预处理结果，采用数学统计方法对15 419 223条订单数据进行聚类分析，从用户出行里程、用户停车率量方面进行线性回归分析，分别按24 h(每日)的时间跨度进行用户出行规律归纳，并建立了相关用车行为模型(见图2)。

图2 多类型电动汽车用车行为分析流程

如图2所示，首先逐条输入采集到的的电动汽车订单数据，格式如表1所示；然后按1.2章节对数据进行预处理，删除部分无效数据并对部分缺失数据进行补充；提取数据中的出行里程与出行时间信息，分别采用K-S(Kolmogorov-Smirnov)法、J-B(Jarque-Bera)法等方法验证分布特性，并采用极大似然法拟合曲线，最后形成出行里程、停车率模型。

2.1 各车型用户出行里程分布

将订单数据按用户单次出行距离进行分类，即单次出行距离=(Mileage_end-Mileage_start)，分组间隔为5 km，得到所示的用户出行里程分布(见图3)。

图3 用户出行里程分布图

分别对各车型用户数据采用K-S检验(Kolmogorov-Smirnov检验)方法进行检验，即：

(1)

(2)

(3)

式中Fn(x)为样本集的累计分布函数；F(x)为假设的理论分布函数；I为幂函数。基于Glivenko-Cantelli理论，若Xi服从理论分布F(x)，则n趋于无穷时Dn趋于0。本节假设用户用车里程服从幂函数分布，采用K-S方法检验，然后由极大似然法拟合曲线，得到分布模型(见表3)。

表3 多车型用户出行里程分布模型

2.2 各车型用户停车时间分布

数据经过预处理后，对每日的分时用车数量进行统计分析，间隔取1 h，可得每日0～24 h的用车数量分布(见图4)。

图4 多车型每日分时出行数量分布

将图4所示数据按式(4)进行处理，进一步得到各车型用户的分时停车率信息。

(4)

式中SCk(i)为i时刻第k种车型的停车率；CAk(i)为i时刻第k种车型的出行数量；CAk为统计数据中第k种车型的总数量，将图4所示的出行数量转化为用户停车率分布,如图5所示。

图5 多车型每日分时停车率分布

3 多类型电动汽车充电负荷建模

根据第2章的统计结果，已知电动汽车单日出行里程服从表3所示的分布函数。结合充电时间、电池参数等对电动汽车充电负荷进行模拟仿真。

3.1 电池参数设置

假设电动汽车为已知电动汽车车型、常规行驶电池耗量、以及充电桩功率，充电需求时间为：

(5)

式中e为该车型每公里耗电量(kWh/km)；Xcar为该车型每日的出行里程数(km)；Pcharge为该充电桩的充电功率(快充与慢充)；T为充电需求时间。参考市场上的具体车型数据，四类电动汽车车型具体参数如表4所示。

表4 四类电动汽车参数

3.2 充电时间概率分布

若当第i条数据的Soc_end小于第i+1条数据的Soc_start，则可认为第i条数据的Time_end为充电起始时刻。结合2.2节统计结果与车辆运行规律，对每日充电次数、充电类型选择、分布概率模型加以数学约束，则可估计多车型的充电时间概率分布(见表5)。

表5 多车型充电时间分布

电动私家车具有的非盈利特性，默认其充电不设限制时长，即每次充电直至充满电为止。

3.3 电动汽车充电负荷仿真

将表5的充电时间分布结合蒙特卡洛模拟法(Monte Carlo)，即可对区域集群性的电动汽车负荷进行模拟仿真，通过产生随机数来模拟具有不确定性的电动汽车充电行为(见图6)。

图6 电动汽车负荷仿真流程

为了简化计算流程，仿真设定了下列条件：

(1)由于在大部分电池的充电过程中，恒流充电占据了主导地位[19]，所有类型充电方式视为恒流充电，且忽略其他随机因素的影响；

(2)所有车辆只在表5所示的规定时段内充电，其他时段充电负荷量予以忽略；

(3)区域内的总负荷为独立车辆充电负荷的叠加，即对同时刻的不同车型充电负荷进行求和。

根据2030年中国汽车保有量按等比例设置电动公交车500 辆，电动运输车800 辆，电动私家车20 000 辆，电动出租车1 000 辆，不考虑私家车的工作日/休息日用车行为差异[20-21]。仿真结果精确至分钟，循环次数N=5 000。按图6的流程，抽取每日行驶里程与充电开始时间，并计算充电时长，形成各车型充电曲线(见图7)。