摘要:文章基于南方某市的電動汽車充電數(shù)據(jù)，得出各類型電動汽車在不同日期類型的充電開始時間、充電電量、充電功率的分布規(guī)律。采用蒙特卡洛算法模擬計算了該市2021年各類型電動汽車工作日與休息日的充電負(fù)荷情況，結(jié)果表明，電動私家車在休息日的午間和凌晨充電負(fù)荷要高于工作日；該市電動出租車在工作日與休息日的充電負(fù)荷占比分別60.42%、5&55%,在三類型車中始終*大;電動私家車工作日與休息日充電負(fù)荷曲線有較大差異,電網(wǎng)總負(fù)荷會在19：00達(dá)到*高峰。驗證了電動汽車的大規(guī)模引入會增加電網(wǎng)的峰值和峰谷差，同時將充電行為數(shù)據(jù)擬合為公式，旨在為未來的電網(wǎng)擴(kuò)容建設(shè)和對電動汽車的有序充電控制提供幫助。

關(guān)鍵詞:電動汽車;充電行為分析;負(fù)荷預(yù)測

0引言

隨著環(huán)境的惡化和化石能源短缺現(xiàn)象的加劇，電動汽車以其相對低廉的價格、契合綠色出行的理念、消納間歇性可再生能源電力等特點，近些年在世界范圍內(nèi)都得到了較快的發(fā)展。而大規(guī)模電動汽車并入電網(wǎng)給電網(wǎng)的安全帶來了嚴(yán)重的威脅。即隨著電動汽車數(shù)量的提高，會給電網(wǎng)負(fù)荷帶來了巨大的沖擊"列。因此，對電動汽車的充電負(fù)荷趨勢進(jìn)行預(yù)測，對于電網(wǎng)及充電樁后續(xù)的規(guī)劃建設(shè)，以及采用何種方式來緩解大規(guī)模電動汽車充電過程對電網(wǎng)帶來的沖擊，都具有重要的研究價值和現(xiàn)實意義。針對電動汽車充電負(fù)荷預(yù)測可以分為從空間角度和時間角度進(jìn)行預(yù)測。文獻(xiàn)研究電動汽車在空間約束下的出行特性，采用交通起止點法和蒙特卡洛算法完成對電動汽車充電負(fù)荷的時空預(yù)測。文獻(xiàn)針對電動汽車在居民區(qū)的充電特征，建立相關(guān)模型。文獻(xiàn)以某一地區(qū)為例,根據(jù)狀態(tài)轉(zhuǎn)移矩陣得到居民區(qū)、工商業(yè)區(qū)電動汽車的數(shù)量，研究不同功能區(qū)域電動汽車充電負(fù)荷的差異性。文獻(xiàn)對蒙特卡洛算法的尋優(yōu)路徑優(yōu)化，完成對電動汽車時間尺度上的負(fù)荷預(yù)測，提高了運算速度。

文中分析了前人研究電動汽車的充電負(fù)荷特性因素的不足之處，對某市工作日與休息日各類型車的實際充電行為數(shù)據(jù)進(jìn)行統(tǒng)計分析，包括充電開始時間、充電電量、充電功率的分布特征。采用蒙特卡洛法計算各類型電動汽車的負(fù)荷曲線，比較各類型車負(fù)荷曲線的差異，分析充電負(fù)荷曲線對該市電網(wǎng)負(fù)荷的影響。

1影響電動汽車充電負(fù)荷特性的因素充電

開始時間、充電持續(xù)時間、充電功率是影響電動汽車充電負(fù)荷特性的關(guān)鍵因素。下文將針對其進(jìn)行分析。

1.1開始充電時間

用戶的充電開始時間取決于車輛的類型以及用戶的個人行為等。之前的研究多是以燃油車的出行特性來近似代替電動汽車的出行特性，例如文獻(xiàn)［13］采用NHTS(NationalHouseholdTravelSurvey)的數(shù)據(jù)，將燃油汽車*后一次出行的結(jié)束時刻近似視為開始充電時間t,如式⑴所示,/與其頻率滿足正態(tài)分布，其中兒、久分別為t的期望和標(biāo)準(zhǔn)差。

1.2充電持續(xù)時間

充電持續(xù)時間Char決定了充電時間的長短，取決于充電電量Q和充電功率P。通過式(2)得到，即：考慮到車型的不同，充電電量Q難以確定，文獻(xiàn)［14］研究了交通以及氣溫狀況對充電電量的影響，文獻(xiàn)［15］將用戶每次用車時的電池電荷狀態(tài)SOC的概率密度函數(shù)(StateofCharge)視為正態(tài)分布，通過概率密度函數(shù)隨機(jī)抽取得到SOC,通過式(3)即可得到充電電量Q,其中a為期望充電完成后的荷電狀態(tài),一般來說a取為1,E為滿電電量。

Q=(.a-SOC)xE(3)文獻(xiàn)［16］亦根據(jù)NHTS的數(shù)據(jù)，將日行駛里程L視為滿足對數(shù)正態(tài)分布。通過式(4)得到日行駛里程Z,其中“d"d分別為Ini的期望和標(biāo)準(zhǔn)差

通過式(5),得到充電電量Q。其中s為每公里耗電量,a—般取1。Q=aX.SxL

(5)這些做法由于缺乏實際的電動汽車充電數(shù)據(jù)，導(dǎo)致將數(shù)量龐大的電動汽車難以確定的滿電電量E、每公里耗電量S、充電功率P等均視為一個定值,過于理想化的設(shè)定會降低模型的精度,使得*終的充電負(fù)荷預(yù)測結(jié)果會有偏差。而文中采用的是處理后的開始充電時間、充電電量,以及充電功率這些實際充電行為數(shù)據(jù),更加符合實際狀況。

1.3充電功率

充電功率P直接決定了充電持續(xù)階段的負(fù)荷情況。文獻(xiàn)［17］僅考慮了車輛某一充電倍率下的充電,假設(shè)充電功率在某個范圍內(nèi)滿足均勻分布,具有一定的局限性。文獻(xiàn)采用分段函數(shù)來表示充電過程中功率的變化情況,使得結(jié)果更加準(zhǔn)確,但該模型僅針對鐮氫電池,使得*終的充電負(fù)荷結(jié)果亦具有一定的局限性。

2電動汽車充電行為分析

基于充電行為的差異性，以下針對各類型電動汽車從開始充電時間、充電電量、充電功率進(jìn)行分析。

2.1公交車

公交車出行規(guī)律較為固定。為了更好地比較不同日期各類型車輛充電行為的不同，將開始充電時間、充電電量、充電功率均按照日期進(jìn)行了分類,將周一到周五記為工作日，周六周日記為休息日。對南方某市電公交車充電站的充電數(shù)據(jù)，處理后得到電動公交車不同日期的開始充電時間分布圖，如圖1所示。

可以發(fā)現(xiàn)公交車開始充電時間有兩個峰值，分別為中午12：00附近和晚上23：00附近，且在23：00附近會達(dá)到一天中的*大峰值。由于充電時間不同，充電電量和功率也會不同，因此，將充電電量按照時間進(jìn)行分類,將白天定義為7:00-17:00,晚上定義為18：00到第二天6：00o得到電動公交車不同日期白天和晚上的充電電量分布情況如圖2、圖3所示。

對充電電量進(jìn)行劃分，計算訂單中的每一段充電電量對應(yīng)的平均充電功率如表1所示,相較于直接規(guī)定以某一充電功率充電，結(jié)果會更加精確。將電動公交車定義為一天一充，其中開始充電時間、充電電量、均按照以上分布規(guī)律生成對應(yīng)的隨機(jī)數(shù)，以此來代替用戶不確定的充電行為。

2.2出租車

出租車（包括網(wǎng)約車）同屬運營類車輛，近年來發(fā)展迅速。同理得到出租車不同日期開始充電時間分布圖如圖4所示，白天和晚上的充電電量分布圖如圖5、圖6所示。

表1電動公交車不同時間及充電電量下的充電功率

總體來說工作日和休息日出租車的開始充電時間分布近似相同，主要集中在中午12：00~15：00,晚上22：00~1：00,接近凌晨的充電頻率略高于中午的充電頻率。

同理對充電電量進(jìn)行分類,每一類的電量,匹配所對應(yīng)的訂單中的平均功率如表2所示,文中將電動出租車的充電頻率定為一天兩次。

2.3私家車

私家車主要用于上下班，大部分時間處于閑置狀態(tài)，休息日多用于外出娛樂。對數(shù)據(jù)處理后得到電動私家車開始充電時間分布圖如圖7所示，充電電量分布圖如圖8、圖9所示。

圖7電動私家車開始充電時間分布

私家車工作日開始充電時間更多的是集中在下班高峰期，約在19：00達(dá)到高峰，且晚上充電頻率顯著高于中午。休息日在午間充電頻率整體高于工作日，在8:00~21:00達(dá)到一天中的峰值。同理將對充電電量大小進(jìn)行分類,每一類的電量匹配所對應(yīng)的訂單中的平均功率如表3所示,將電動私家車的充電頻率定為一天一次。

3電動汽車充電負(fù)荷預(yù)測模型

已知該地區(qū)2015年~2020年的電動汽車保有量,計算得到該地區(qū)電動汽車保有量年均漲幅高達(dá)75.26%，對增長趨勢進(jìn)行擬合處理如圖10所示，計算得到2021年該地區(qū)電動汽車的總保有量。已知該地區(qū)某市電動汽車保有量占比，以及公交車、出租車、私家車之前的數(shù)量占比，得到2021年該市總保有量為64616輛,其中公交車為2565輛，出租車(包括網(wǎng)約車)為20541輛，私家車為41510輛。

通過上文各類型車充電開始時間、充電電量、充電功率的分布規(guī)律以及保有量數(shù)據(jù)，對南方某市2021年的公交車、出租車、私家車的充電負(fù)荷數(shù)據(jù)采取蒙特卡洛算法進(jìn)行預(yù)測計算。蒙特卡洛算法落旳是在已知某些隨機(jī)變量大量數(shù)據(jù)的前提下,通過大量的隨機(jī)試驗,反復(fù)抽取隨機(jī)數(shù),以此來替代電動汽車的隨機(jī)充電行為，計算變量在試驗中出現(xiàn)的頻率近似估計其概率值,并將其作為問題的解。

圖11為基于蒙特卡洛算法的電動汽車充電負(fù)荷預(yù)測流程圖,通過仿真計算得到公交車、出租車、私家車一天的充電負(fù)荷情況。

為了簡化計算流程,做出以下假設(shè):

(1)各個類型電動汽車的開始充電時間與充電電量互相獨立，彼此互不影響；

(2)充電過程均視為恒功率充電；

(3)區(qū)域內(nèi)的總負(fù)荷為獨立車輛充電負(fù)荷的疊加,

即對同時刻的不同車型充電負(fù)荷進(jìn)行求和。文中將三種類型電動汽車充電負(fù)荷曲線的負(fù)荷值相加，計算各類型車不同日期類型的負(fù)荷占比，以及負(fù)荷峰值如表4所示。由于電動出租車充電頻率高，保有量較高,無論工作日還是休息日，該市的電動出租車充電負(fù)荷占比始終*高,分別為60.42%和5&88%。由于工作日和休息日對電動公交車和電動出租車的荷預(yù)測曲線影響較小，文中只列出電動私家車工作日與休息日的負(fù)荷曲線對比圖12,以及三種電動汽車在工作日的負(fù)荷曲線對比圖13,發(fā)現(xiàn)私家車在休息日中午和凌晨的充電負(fù)荷要高于工作日，工作日更多選擇在下班高峰期進(jìn)行充電。

將公交車、出租車、私家車三者的負(fù)荷曲線疊加得到圖14,可以發(fā)現(xiàn)工作日與休息日電動汽車的總的負(fù)荷曲線分布規(guī)律相似。由于出租車的負(fù)荷占比始終*大，導(dǎo)致總體分布曲線類似于出租車的充電負(fù)荷曲線。

已知該市2016年冬季典型日負(fù)荷曲線如圖15中的原負(fù)荷曲線所示。并將圖14結(jié)果疊加到原負(fù)荷曲線之上，得到2021年該市電動汽車總負(fù)荷曲線與原負(fù)荷曲線對比圖，如圖15所示。并繪制了表5,展示三條曲線負(fù)荷峰值、谷值、峰谷差、方差之間的差異,括號內(nèi)

展示了相較于基礎(chǔ)負(fù)荷的增長率。表6、表7分別為各類型車開始充電時間、充電電量的概率密度函數(shù)擬合公式的具體參數(shù)。

從圖15以及表5可以看出，電動汽車的充電過程使得電網(wǎng)的整體負(fù)荷有了較大的提升，會在晚上19：00達(dá)到高峰，約為835.09MW（工作日），830.20MW（休息日），負(fù)荷峰值分別提高了7.79%（工作日），7.16%（休息日）。相對來說，在夜間負(fù)荷谷值的提升更為明顯，分別提高10.70%,11.12%，利用這一特性后續(xù)可以采用V2G[27-30]等有序充電控制技術(shù)，將電動汽車作為一個獨立的儲能單元與電網(wǎng)進(jìn)行有效的交互調(diào)度,在滿足用戶充電需求的前提下,提高發(fā)電設(shè)備在夜間的利用率，實現(xiàn)削峰填谷,保證電網(wǎng)的安全穩(wěn)定運行。負(fù)荷峰谷差由原來的366.99MW提高至383.70MW（工作日）、377.10MW（休息日）分別提高4.55%,2.75%。而負(fù)荷的波動情況一般用方差來表示，負(fù)荷方差分別提高9.62%（工作日），7.94%（休息日），也表明電動汽車的引入加劇了電網(wǎng)的不穩(wěn)定波動。

文中將各類型電動汽車的開始充電時間以及充電電量通過Matlab進(jìn)行擬合處理，篩選B2>0.95的函數(shù)，其中疋表示復(fù)相關(guān)系數(shù)，其越接近1,表示擬合效果越好。發(fā)現(xiàn)除了私家車在工作日與休息日，開始充電時間的概率密度函數(shù)用高階傅里葉函數(shù)（如式6）擬合效果較好以外,其余均通過一階或多階高斯分布函數(shù)（如式7）完成擬合。同時采用*小二乘法估計公式的各項參數(shù)，結(jié)果如表6與表7所示，其中％表示開始充電時間或是充電電量,/（%）表示與之對應(yīng)的概率密度。通過對充電行為進(jìn)行函數(shù)擬合，旨在得到一種更加普遍且實際的概率模型,為今后的研究提供幫助。

4安科瑞充電樁收費運營云平臺

4.1概述

AcrelCloud-9000安科瑞充電柱收費運營云平臺系統(tǒng)通過物聯(lián)網(wǎng)技術(shù)對接入系統(tǒng)的電動電動自行車充電站以及各個充電整法行不間斷地數(shù)據(jù)采集和監(jiān)控，實時監(jiān)控充電樁運行狀態(tài)，進(jìn)行充電服務(wù)、支付管理，交易結(jié)算，資要管理、電能管理，明細(xì)查詢等。同時對充電機(jī)過溫保護(hù)、漏電、充電機(jī)輸入/輸出過壓，欠壓，絕緣低各類故障進(jìn)行預(yù)警；充電樁支持以太網(wǎng)、4G或WIFI等方式接入互聯(lián)網(wǎng)，用戶通過微信、支付寶，云閃付掃碼充電。

4.2應(yīng)用場所

適用于民用建筑、一般工業(yè)建筑、居住小區(qū)、實業(yè)單位、商業(yè)綜合體、學(xué)校、園區(qū)等充電樁模式的充電基礎(chǔ)設(shè)施設(shè)計。

4.3系統(tǒng)結(jié)構(gòu)

4.3.1系統(tǒng)分為四層：

1）即數(shù)據(jù)采集層、網(wǎng)絡(luò)傳輸層、數(shù)據(jù)中心層和客戶端層。

2）數(shù)據(jù)采集層：包括電瓶車智能充電樁通訊協(xié)議為標(biāo)準(zhǔn)modbus-rtu。電瓶車智能充電樁用于采集充電回路的電力參數(shù)，并進(jìn)行電能計量和保護(hù)。

3）網(wǎng)絡(luò)傳輸層：通過4G網(wǎng)絡(luò)將數(shù)據(jù)上傳至搭建好的數(shù)據(jù)庫服務(wù)器。

4）數(shù)據(jù)中心層：包含應(yīng)用服務(wù)器和數(shù)據(jù)服務(wù)器，應(yīng)用服務(wù)器部署數(shù)據(jù)采集服務(wù)、WEB網(wǎng)站，數(shù)據(jù)服務(wù)器部署實時數(shù)據(jù)庫、歷史數(shù)據(jù)庫、基礎(chǔ)數(shù)據(jù)庫。

5）應(yīng)客戶端層：系統(tǒng)管理員可在瀏覽器中訪問電瓶車充電樁收費平臺。終端充電用戶通過刷卡掃碼的方式啟動充電。

小區(qū)充電平臺功能主要涵蓋充電設(shè)施智能化大屏、實時監(jiān)控、交易管理、故障管理、統(tǒng)計分析、基礎(chǔ)數(shù)據(jù)管理等功能，同時為運維人員提供運維APP，充電用戶提供充電小程序。

4.4安科瑞充電樁云平臺系統(tǒng)功能

4.4.1智能化大屏

智能化大屏展示站點分布情況，對設(shè)備狀態(tài)、設(shè)備使用率、充電次數(shù)、充電時長、充電金額、充電度數(shù)、充電樁故障等進(jìn)行統(tǒng)計顯示，同時可查看每個站點的站點信息、充電樁列表、充電記錄、收益、能耗、故障記錄等。統(tǒng)一管理小區(qū)充電樁，查看設(shè)備使用率，合理分配資源。

4.4.2.實時監(jiān)控

實時監(jiān)視充電設(shè)施運行狀況，主要包括充電樁運行狀態(tài)、回路狀態(tài)、充電過程中的充電電量、充電電壓/電流，充電樁告警信息等。

4.4.3交易管理

平臺管理人員可管理充電用戶賬戶，對其進(jìn)行賬戶進(jìn)行充值、退款、凍結(jié)、注銷等操作，可查看小區(qū)用戶每日的充電交易詳細(xì)信息。

4.4.4故障管理

設(shè)備自動上報故障信息，平臺管理人員可通過平臺查看故障信息并進(jìn)行派發(fā)處理，同時運維人員可通過運維APP收取故障推送，運維人員在運維工作完成后將結(jié)果上報。充電用戶也可通過充電小程序反饋現(xiàn)場問題。

4.4.5統(tǒng)計分析

通過系統(tǒng)平臺，從充電站點、充電設(shè)施、、充電時間、充電方式等不同角度，查詢充電交易統(tǒng)計信息、能耗統(tǒng)計信息等。

4.4.6基礎(chǔ)數(shù)據(jù)管理

在系統(tǒng)平臺建立運營商戶，運營商可建立和管理其運營所需站點和充電設(shè)施，維護(hù)充電設(shè)施信息、價格策略、折扣、優(yōu)惠活動，同時可管理在線卡用戶充值、凍結(jié)和解綁。

4.4.7運維APP

面向運維人員使用，可以對站點和充電樁進(jìn)行管理、能夠進(jìn)行故障閉環(huán)處理、查詢流量卡使用情況、查詢充電\充值情況，進(jìn)行遠(yuǎn)程參數(shù)設(shè)置，同時可接收故障推送

4.4.8充電小程序

面向充電用戶使用，可查看附近空閑設(shè)備，主要包含掃碼充電、賬戶充值，充電卡綁定、交易查詢、故障申訴等功能。

4.5系統(tǒng)硬件配置

5結(jié)束語

由于早期的研究缺乏實際數(shù)據(jù)的支持，對充電電量和充電功率的設(shè)定較為主觀,降低了模型計算的精度，文章基于南方某市電動汽車充電的實際數(shù)據(jù)，對其進(jìn)行篩選處理，得到不同類型電動汽車充電行為的分布規(guī)律，并將其充電行為數(shù)據(jù)擬合成函數(shù)形式。而后采用蒙特卡羅算法對三種類型電動車的充電負(fù)荷曲線進(jìn)行了模擬計算，得到以下結(jié)論：

(1)電動汽車的大規(guī)模無序充電行為會進(jìn)一步提高電網(wǎng)的峰值與峰谷差,導(dǎo)致峰上加峰現(xiàn)象的出現(xiàn)；

(2)電動出租車充電負(fù)荷占比較高，同時具有較大的隨機(jī)性，未來具有較大的調(diào)度潛力，可以通過多種方式對其充電行為進(jìn)行引導(dǎo)，進(jìn)一步降低其充電行為對電網(wǎng)的影響。

參考文獻(xiàn)

［1］秦建華,潘崇超,張璇,金泰，李天奇,王永真.基于充電行為分析的電動汽車充電負(fù)荷預(yù)測.

［2］孔順飛，胡志堅，謝仕煒，等.考慮分布式儲能與電動汽車充電網(wǎng)絡(luò)的配電網(wǎng)多目標(biāo)規(guī)劃[J].電力科學(xué)與技術(shù)學(xué)報，2021,36(1)：106-116.

［3］蔡黎，張權(quán)文，代妮娜，等.規(guī)?；妱悠嚱尤胫鲃优潆娋W(wǎng)研究進(jìn)展綜述[J]•智慧電力，2021,49(6):75-82.

［4］孟憲珍，張艷，安琪，等.電動汽車接入充電對配電網(wǎng)電壓波動的影響[J].電網(wǎng)與清潔能源,2021,37(2)：91-98

［5］安科瑞企業(yè)微電網(wǎng)設(shè)計與應(yīng)用手冊.2022.05版.