电动汽车负荷预测是充电站规划及调度的研究基础. 相比传统的负荷预测,大数据背景下的负荷预测具有待预测数据可快速观测的特点,此时负荷预测方法需要相应调整.
- 首先分析了充电站负荷预测所需数据及主要数据来源.
- 其次,针对单辆电动汽车,基于大量、快速更新、多种类的数据分析电动汽车的充电习惯,预测每一辆电动汽车的充电开始时间、持续时间和充电地点,获取单辆电动汽车的负荷模型. 该模型综合考虑电池状态、出行时间、行驶路径与速度、充电偏好等信息.
- 然后,面向任意充电站,对与其相关的路网节点与交通线路上的所有电动汽车负荷求和,估算该充电站的总充电功率.
- 最后,进行实例仿真,并与传统方法下的充电负荷预测结果进行了对比
引言
精确预测电动汽车出行过程中的充电需求是进行充电站规划及调度的前提,也是电网优化调度、安全经济运行的需要,将为电动汽车配套市场乃至电动汽车行业有序发展提供保障. 未来大规模电动汽车的负荷分布具有时间和空间上的随机性、间歇性、波动性等不确定性特点[１] . 单辆电动汽车(简称单车)的充电负荷受多个因素影响,包括用户行驶习惯、电池特性、充电设施特性、充电方式偏好等. 总的充电站负荷则受到电动汽车数量和充电位置等影响[２] .
此时,传统负荷预测方法表现出其局限性.
- 一方面,数据基础薄弱. 电动汽车充电站(简称充电站)作为用电设施和交通服务设施,其建设、运行和应用对象分散,多归属的特征导致了预测所需数据的复杂性、多样性. 传统负荷预测由于实时数据获取难,只能基于少量且低频的历史数据进行预测.
- 另一方面,部分重要数据缺失导致传统负荷方法难以突破精度低的问题,例如,缺少交通路网和用户行驶习惯的数据,必然忽略单车充电过程,只能关注负荷总体表现出的规律性. 或基于统计数据建立负荷模型,参数波动大,模型不精确.
具体地,常用的充电负荷预测方法包括如下几种.
- １)基于能量等效的负荷预测. 如利用等负荷距分配法将集中和分散充电量分配到相应充电设施,由加油站的售油量计算得到等效的充电负荷[３] ,此方法不考虑加油和充电在持续时间、地点选择自由度等方面的不同.
- ２)基于 OD(origin-destination) 流量的负荷预测. 如文献[４]结合线路 OD 流量和路网节点固定需求量计算额定容量. OD 流量描述了一段时间内交通网络的所有起点到终点的交通出行量,反映了出行者的基本交通需求. 该方法忽略了用户的驾驶过程,容易重复计算充电功率,且很难获得负荷随时间的分布
- ３)利用随机函数对充电负荷总体建模. 如采用蒙特卡洛模拟抽取起始荷电状态、起始充电时间计算充电负荷[５] ,其预测受函数参数的影响,分布参数的选取较随机,预测精度低.
- ４)利用统计数据,自底向上求解单车负荷预测的期望与标准差;或利用幂函数、多项式函数对负荷建模,再用叠加法求解全部负荷. 由于参数难确定,模型普适性差.
- ５)结合交通网络分析负荷. 以城市规划、自然隔阂为基础,将所研究的区域划分为不同类型、不同功能的小区. 结合土地利用、区域交通吸引量与停车需求模型,得到充电泊位的时空分布. 根据蒙特卡洛仿真求出电动汽车的负荷分布. 仅从概率的角度模拟可能的出行情况,忽略车辆行为差异;较少考虑道路的堵塞情况、道路车容量,仍然是一个模糊的模型
参考