计及季节因素的EV充电负荷预测研究

魏 徐

(重庆智网科技有限公司，重庆 400025）

0 引言

EV(Electric Vehicle,EV)具有零排放特性，极大的降低了对环境的污染。近年来，EV发展迅速，据国际能源署(IEA)发布统计报告，2020年全球EV保有量已俞900万辆，预计在2030年将达到2.45亿辆[1]。而EV的充电时空特性具有较强的不确定性，大规模EV无序充电可能造成电网负荷峰谷差加大、网损增加等一系列问题[2-3]。因此，预测EV充电负荷，分析其负荷特性，为EV有序充放电策略制定及城市配套充电设施规划建设提供依据，降低充电负荷对电网造成的负面影响。

关于EV充电负荷建模的研究主要以预测模型为主。早期研究主要集中在充电负荷总量的预测，通过蒙特卡洛模拟[4-5]、数据统计与拟合分析[6-7]以及聚类分析[8]等，预测一定规模的EV总负荷量。近几年的研究则进一步考虑车辆行程过程的时空特性，在此基础上，预测EV充电负荷时空分布特性。基于马尔科夫原理，以用户出行链模拟EV用户的出行与充电行为[9-11]，建立EV充电负荷时空分布模型。通过车辆出行链准确模拟EV充电负荷时空分布特性，以刻画车辆行程的复杂性与随机性，提高预测的真实性。然而，针对充电负荷的时空分布预测方法中，较少考虑季节特性在车辆行程过程中的影响。

基于此，本文建立了计及季节因素的EV充电负荷预测模型。首先，基于车辆出行链模型，对EV的出行特征量进行模特卡萝抽样模拟EV时空特性。然后，从EV的电池最大载电量与行驶损耗两个方面考虑季节特性对EV负荷的影响，建立EV充电模型。最后，根据国内某市气温数据进行仿真验证，该模型能够有效预测区域内各季节的EV充电负荷曲线，验证了充电负荷的季节差异性。

1 EV出行的时空特性

本文基于出行链模型刻画EV用户出行特性。按照出行链构造和出行节点功能，划分不同功能区为居住生活、办公工作以及商业购物等不同功能区。再根据区域内EV保有量，采用蒙特卡洛抽样对EV用户的出行活动类型、区域转移概率、出行时间以及行驶距离等出行特征量进行仿真模拟，得出区域范围内各功能区EV出行的时空分布特性。

1.1 EV出行链

出行链是按照时间顺序，将各类出行活动构成的序列，可以很好的刻画用户的日出行特性。出行链对应的时空变化关系如图1所示,对于一段行程OD，从时间轴可以看出从开始到结束的时间变化，t1、t2与t3表示行驶过程中行驶时间段。空间轴表示行程过程的空间变化，d1、d2与d3表示行驶过程中行驶里程。本文以居民生活区为起点，制定出行链结构。

图1 出行链对应的时空变化

居民出行活动以简单链(起止点为H，出行活动单一，链长为3)为主[9]。考虑主要EV用户日常出行目的，忽略行程途中会出现在某处短暂停留。将出行目的分为5类[6]：回家（Home，H）、工作（Work，W）、社交休闲（Social and Recreational，SR）、购物吃饭（Shopping&Eating，SE）和其他活动（Other，O）。本文考虑3个及以下车辆行驶目的地的出行链结构，分为简单链和复杂链2种模式，如图2所示。

图2 出行链结构模型l

1.2 出行时间

用户出行时间包括行程出发时刻以及行程中停留时间。用户每日驾车出行时间在很大程度上取决于EV的使用目的以及用户习惯，工作日车主主要出行目的为上班通勤，同时也存在工作日期间前往商业区或休闲区，或是从工作区前往休闲区等情况。本文针对典型工作日下的出行特点，参考美国国家公路交通安全管理局（NHTS）获得工作日的出发时刻概率分布函数[12]。

车辆出发时刻t1对应的概率密度函数f(t1)满足：

式中：t1表示车辆日出发时刻，μ1表示车辆日出发时刻的均值，为9.24h；σ1表示调查车辆日出发时刻的标准差，为3.16h。

出行链中途各类出行活动花费的时间（车辆停留的时间）呈现不同的分布特性[13],由式(2)表示。表1为不同活动类型对应的模型参数。

表1 各类出行活动停留时间概率分布拟合结果

1.3 空间转移概率与行驶距离

马尔科夫链是一种能实现对试验结果连续不断观测、每次状态转移只与前一时刻有关而与过去无关的数学模型[14]。如果将EV停在某个区域视为一种状态，则车辆前往下一个目标区域(下一个状态)由当前状态决定，记pij为车辆从当前状态i转到下一个状态j的概率，写成矩阵为：

式中的元素必须满足：

根据(NHTS)统计分析，车辆用户的每段的行驶里程d可近似满足对数正态分布：

式中：x表示每段行程的行驶里程，μ2表示每段行驶里程的均值，为3.7km；σ2表示车辆每段行驶里程的标准差，0.9km。

2 计及季节特性的充电参数建模

基于EV出行特性，考虑季节特性的影响，主要体现在天气和温度两方面[15-16]，进一步对出行过程的充电特性建模。图3展示了影响的途径，即不同季节的天气和温度的变化作用于EV的行驶速度，空调使用以及电池性能三个方面。

图3 气温对EV充电的影响

2.1 行程前最大载电量建模

EV的动力电池状态决定行程的初始电量，受温度影响较强[17]，图4为相对容量变化情况。

图4 电池相对容量变化

设定25℃为基准温度，此时电池相对容量为100%，由图4可知，在25℃～60℃的温度段内，电池实际载电量变化幅度较小。而在小于25℃的温度段内，随着温度下降，电池实际载电量逐渐减小，且变化幅度随温度降低而加剧。0℃时电池相对容量仅为79.3%。实际载电量的波动，会造成EV续航里程的变化，进而影响EV充电负荷。

由图4可得不同温度的电池实际载电量：

式中：CT表示温度为T时的电池实际载电量；bT是温度为T时的电池相对容量百分数；CZ表示电池理想容量。

2.2 行程中空调耗电量建模

确定行程前初始电量后，需考虑行程过程中温度对EV空调使用情况的影响，尤其是在夏季和冬季，车载空调的耗能较大。EV的空调使用过程所需能量全部由动力电池供应。

根据文献的测试数据[18],综合考虑温度对空调耗电量的影响，得出EV在不同温度下行驶的空调耗电量：

式中：KT表示温度为T时的电池实际载电量；θ表示空调耗电量占比。

高温或低温会明显提高空调启用率增大耗电量，进而影响EV的充电需求。通过对大量车主调研[16]得到在不同温度下空调的使用率以及通常在环境温度超过多少度时才启动空调，如图5所示。

图5 不同温度下空调使用概率

上述温度及空调使用率数据拟合后，启动概率呈正态分布。概率密度函数为：

式中：制热启动ut=10.82oC，δt=2.14oC；制冷启动ut=29.4oC，δt=1.75oC。

2.3 行程中行驶耗电量建模

非正常天气会导致能见度降低与路面附着力下降，影响车辆行驶速度，而EV单位里程耗电量会受行驶速度的影响，造成EV的总耗电量的变化[16]。

参考文献[15-16]中天气对应车辆安全速度建议，定制出具有季节特性的行驶速度，如表2所示。

表2 两种路况下的安全行驶速度

A、B路况分别表示在较差和较好的天气情况下的两种路况，不同天气对交通路况的限制影响EV的行驶速度。

基于EV的能耗模型，计算EV单位里程的耗电量：

式中：ɛ表示EV以速度v行驶时，单位里程的耗电量；H表示行驶s公里耗电量。

3 EV充电负荷仿真流程

根据EV充电参数与出行链的结构特点，建立采用蒙特卡洛模拟方法的仿真流程如图6所示。

图6 EV充电负荷仿真流程

在仿真模型中，系统的初始参数包括：1）参与计算的EV数量N以及能确定出行链种类的状态转移矩阵；2）车辆电池容量，每个目的地功能区的充电功率水平、充电效率、行驶距离；3）系统的输入的温度T：20℃代表典型春秋季气温，0℃和35℃分别代表为典型冬季和夏季气温。具体仿真步骤如下。

1）初值输入。确定EV的数量后，进行车辆出行模拟仿真，设定初始出发地为生活区，确定初始行程时电池初始电量；

2）确定EV出行特性。首先对单一EV进行第一段行程的时刻抽取，接着，根据时刻从转移概率矩阵中抽取行程的起止点，获得该EV的行程；

3）计算EV行程损耗。先根据温度T获得电池的行程前的相对容量，再抽取该段行驶里程，根据设定的安全速度，计算出行程用时，以及单位里程耗电量。同时，根据空调的启用判定方法计算空调损耗；

4）计算EV充电负荷曲线。根据每一段活动行程抽取对应的停留时间，与该段行程的充电所需时长比较，决定是否在此充电。当该EV完成行程后，更新各区域的充电负荷，进行下一辆模拟，当所有EV仿真结束后，可计算出各功能区，不同季节下EV充电负荷需求。

4 算例分析

4.1 仿真参数

保有量规模参考相关文献[13]及报告，温度数据由中国气象数据网国家科学数据中心提供的某市全年温度数据。设电池容量为60kWh，根据《EV传导式充电接口》的充电标准：生活区充电功率为7kW，其他功能区的充电功率为30kW，充电效率取为0.9。不同季节的电池相对容量：0.988、0.793与1.03。空调制冷耗电量占总耗电量的32.5%，制热用电量占总耗电量的35%[18]。空调使用判据为均匀分布的随机数。EV每天的初始SOC服从正态分布NSOC(0.9,0.12)。

4.2 仿真结果分析

该区域各功能区的充电负荷对比如图7所示。

图7 季节影响的EV充电负荷

可以看出，不同功能区的充电负荷分布规律有明显的时空差异性。居民生活区充电负荷高峰期集中在晚上18:00和22:00附近，说明大部分车辆用户在白天出行活动结束后，会回到居住的生活区内充电。而工作办公区充电负荷高峰时段则集中在早上09:00附近；商业区充电负荷高峰和公共区相对平缓，主要集中在下午及晚上时段。这是由于大多数车主用户在白天出门上班或购物等行为时，到达目的地后选择就地充电，一方面可以保证电量充裕能顺利进行下一行程，另一方面与一些企业的快速充电优惠政策鼓励有关。

在不同季节下，该区域整体充电负荷以及各功能区的充电负荷如图8所示。

图8 季节影响的EV充电负荷

对比整体区域及不同功能区的不同季节充电负荷曲线，冬季与夏季的EV充电负荷与春秋季相比，均有较大的增量。由此说明，EV充电负荷具有较明显的季节特性，表现为冬季典型日的负荷峰值最大，夏季次之，春秋季最低。EV充电负荷在冬季和夏季要大于春秋季，这因为冬季温度较低，夏季气温较高，这两种环境的空调使用率较高，使得EV的空调耗电量增大。与此同时，在冬季，EV的电池性能在低温环境表现更差，且行车速度的降低也会使得EV单位里程耗电量增加，导致负荷需求增大。最终导致冬季EV充电负荷最高。

5 结语

本文提出了一种计及季节因素的EV充电负荷预测模型，通过仿真分析，得出结论:

1）本文提出的计及季节因素的EV充电负荷预测模型，可在刻画车辆出行的过程中反映不同季节环境下，充电负荷的变化情况。

2）相较于传统EV充电负荷计算模型，考虑季节因素后EV充电负荷会出现一定增量，原因在于车载空调的损耗，在冬季低温环境下影响最为显著。

本文仿真结果主要对不同季节选取了典型温度进行仿真计算，虽具有一定代表性，但还需更多实测温度数据进行验证。在今后的工作中可进一步细化每个季节的不同温度条件，继续完善季节因素对EV充电负荷的影响的研究。