基于用戶出行鏈和調控意愿的城市級私家電動汽車調控能力評估

李瑤虹，陳良亮，劉衛東，傅質馨

(1.國網江蘇省電力有限公司，南京市 211106；2.國電南瑞南京控制系統有限公司，南京市 211106；3.南瑞集團有限公司(國網電力科學研究院有限公司)，南京市 211106；4.河海大學能源與電氣學院，南京市 211100)

0 引 言

隨著全球化石能源危機和環境日益惡化，汽車產業中的電動汽車(electrical vehicle, EV)產業獲得政府和市場的大力支持并得到快速發展[1]。其中私家EV的發展較為迅速，其保有量在不斷增長。EV的快速發展也給電網帶來了一系列影響：一方面，大規模EV的接入可能會引發負荷過大、電能質量降低等問題，給電網的安全運行和優化調度帶來不利影響[2]；另一方面，EV具有充電和放電雙重特性，使其具有可調負荷和儲能的特性，是潛在的優質儲能備用資源[3-4]。

區別于傳統的電網儲能備用資源，私家EV具有作為交通工具的固有屬性[5]，這使其在空間位置上呈現隨機性較大的特點，私家EV集群的時空分布建立在單輛EV時空分布基礎上，更是呈現隨機性強的特點。私家EV在時空分布上的這種隨機性是其參與電網調控需要解決的一個重要問題。文獻[6]基于EV出行鏈理論，以家庭為起訖點，構建包含長度分別為2和3的簡單鏈和復雜鏈，有效模擬了EV一日內的行駛行為，但最大出行鏈長度為3，不能滿足當今人們豐富的用車需求情況。文獻[7]將城市分為不同的城市功能區域，基于出行鏈理論構建了EV的時空分布模型，但未對工作日和非工作日的EV出行鏈差異作區分。文獻[8]建立EV狀態空間模型，反映EV入網和離網的狀態、需求等信息，但是對EV的空間信息描述不足，未能全面描述EV的時空信息。文獻[9]對出行鏈的時間和空間特征信息量進行擬合，基于蒙特卡洛方法模擬EV出行鏈準確模擬了EV用戶的出行特征，進而確定EV的時空分布。文獻[10]劃分城市區域，用區域的停車生成率表示各個區域內的EV移動和停放行為，從集群的角度描述EV的時空分布狀態。上述研究利用不同的方法構建EV的時空分布模型，為解決不同問題提供了基礎。

私家EV的調控能力評估是其參與電網調控需要解決的另一個重要問題，它反映EV接入電網后的互動能力水平，可為電網制定優化調控運行策略提供重要依據。文獻[11]以電池荷電狀態和功率約束建立單輛EV的充放電模型，從EV用戶是否參與調控、是否有充電裕度和期望充電完成的時間對EV集群詳細劃分，建立EV充放電的大規模集群實時優化調度模型。文獻[12]引入電動汽車虛擬電廠的概念，建立了單一和連續時間斷面的單輛EV響應能力模型，并仿真分析證明了電動汽車虛擬電廠響應能力模型的可行性。文獻[13]以功率邊界和電量邊界兩個關鍵邊界約束建立EV備用能力的可行域，將時間軸離散化為若干個時段，計算各個時段內EV的上下備用容量。文獻[7]在對EV參與電網調控能力評估時將EV的時空分布考慮在內，但是對EV響應能力的功率和容量有待進一步分析，對充電響應能力未能給出相應的評估方法。

與現有方法相比，本文首先將基于EV出行鏈理論與最新發布的美國家庭出行調查數據(National Household Travel Survey, NHTS)[14]，將城市劃分為不同功能區，從工作日和非工作日兩種情況確定EV的時空分布，進一步完善現有私家EV的出行鏈模擬；接著，結合單輛私家EV出行情況，用電池荷電狀態邊界和功率邊界建立每次行程結束后停車期間的調控可行域，考慮私家EV的參與意愿，仿真分析計算單輛EV和集群EV在各個城市功能區的調控能力，得到綜合EV時空分布的調控能力評估模型。

1 城市級EV時空分布特征

1.1 出行鏈的時空信息

城市級EV區別于傳統電網儲能的特點是其在時空維度上的不確定性，這也是評估城市級EV調控能力的難點之一，本文將基于出行鏈理論確定EV的時空狀態。出行鏈是指人們為完成一項或多項活動, 以時間順序排列的出行目的所組成的往返行程，包含大量的時間、空間、方式和活動類型信息[15]。出行鏈可視為時間鏈和空間鏈的結合，時間鏈描述用戶出行在時間上的變化規律，空間鏈描述用戶出行在空間區域上的轉移特征。因此出行鏈包含兩種類型的變量，即時間變量和空間變量[16]。出行鏈的長度表示用戶一天內的行程數目，用戶在一天內的出行鏈包含多個出行目的，出行鏈的長度有差異，可分為簡單鏈和復雜鏈：除了起點外只有一個中途活動地點為簡單鏈，超過一個中途活動地點為復雜鏈。出行鏈示意圖如圖1所示。

圖1 出行鏈示意圖

時間變量包括車輛首次出發的時刻t0,lea，到達地點i的時刻ti,arr，離開地點i的時刻ti,lea；地點i到i+1的行駛時長ti,i+1；在地點i的停留時長ti；空間鏈信息包括出行目的地點i的類型，地點i的地理位置，地點i到地點i+1的行駛距離di,i+1，行程的地點轉移概率矩陣PTn。i從0到n，n為出行目的總數；用T(i)表示地點i的類型，本文將城市功能區劃分為3類，即居住區H，工作區W和其他區域O。

模擬出行鏈可以確定EV的時空狀態信息，為EV參與電網的調控運行提供EV的時空信息。經過變量相關性分析，選取EV首次出行時刻、行駛時長、停車時長作為時間特征量，時間量ti,arr和ti,lea可由式(1)、(2)計算得到；選取行程的地點轉移概率矩陣PTn和地點i到地點i+1的單次行程行駛距離di,i+1作為空間特征信息量，空間量出行目的i的類型和地點i的地理位置取決于城市功能區域的劃分情況。

ti,arr=ti,lea+ti-1,i

(1)

ti,lea=ti,arr+ti

(2)

1.2 出行鏈特征信息量擬合參數

工作日和非工作日的私家EV行駛行為具有較大的差異性，因此考慮分工作日和非工作日兩種情況對用戶的出行特征模擬。基于最新發布的2017年的NHTS數據，工作日出行鏈平均長度為3.3，非工作日出行鏈平均長度為4.25。

出行鏈首次出行時刻呈現多峰的分布特點，用高斯混合分布模型(Gaussian mixture model, GMM)擬合，擬合參數結果見附表A1和表A2；根據行程的起點和終點地點類型對行駛時長進行擬合，擬合參數結果見附表A3和表A4；經分析，停車時長與行程的類別相關，由于不同行程對應的停車時長分布呈現較大的差異性，整體上呈現對數正態分布和GMM分布，因此采用對數正態分布和GMM對停車時長進行擬合，工作日擬合參數結果見附表A5和表A6，非工作日的擬合參數結果見附表A7和表A8。

行程地點轉移概率擬合分兩步，首先確定在一日的不同時段內出現地點轉移的概率，其次確定在特定時段內用戶在各類型地點之間的轉移概率。工作日和非工作日不同時段內出現行程轉移的概率如附圖B1和圖B2所示，在各個時段內，由統計數據用頻率表示各地點之間的行程轉移率，易得到各時段的行程地點轉移概率。以08:00—09:00的行程目的轉移概率為例，分別呈現工作日和非工作日的行程目的轉移概率，如附圖B3和圖B4所示。

用戶單次行程的行駛里程d為平均速度v與行駛時長tx的積：

d=v·tx

(3)

通過對大量單次行程的平均速度進行分析可知，平均速度可用對數正態分布進行擬合。平均速度擬合的參數值為：μv=-1.34，σv= 0.65，則行駛里程d服從對數正態分布。

lnd～N(-1.34+lntx,0.652)

(4)

2 EV出行鏈的隨機模擬

將用戶出行鏈首次出行時刻概率分布、行駛時長概率分布、行程目的轉移概率等信息量作為蒙特卡洛模擬的輸入，則用戶的出行鏈模擬過程如下：

1)抽取出行鏈長度。

2)抽取首次出行時刻。

3)抽取出行目的地。根據本次行程出發地類型、出發時刻和出行目的轉移概率矩陣，抽取出行目的地。

4)抽取行駛時長。由本次行程類別下的行駛時長概率分布確定，抽取行駛時長并計算到達目的地時刻。

5)抽取行駛速度平均值。由行駛平均速度概率分布確定，并根據行駛時長和平均速度計算此次行程距離。

6)若行程數達到出行鏈長度，進入步驟10)，否則進入下一步7)。

7)抽取停留時長。根據步驟3)確定的行程類別下的停留時長概率分布，抽取停車時長。

8)計算下次出行時刻。

9)返回步驟3)。

10)單次出行鏈模擬結束。

本文模擬1 000輛私家EV在一日的出行情況，以各地點類型的EV數量反映城市級EV的出行特征，得到各地點私家EV數量隨時間的變化特征。工作日和非工作日的各地點類型的私家EV數量變化特征如圖2和圖3所示。

圖2 工作日私家EV數量變化特征

圖3 非工作日私家EV數量變化特征

觀察圖2和圖3可以發現，工作日和非工作日的EV時空分布既有相似之處，也有差異之處。相似點在于一日內始終至少有30%～40%的EV是處于居住區H的，并非所有的EV都處于行駛狀態，這與現實狀況相符。差異較大的是工作區W的EV數量，由于工作日時居民的上下班行為，W區的EV數量從07:00左右迅速增加，于09:00至16:00數量保持相對平穩，16:00以后EV數量開始逐漸減少；非工作日W區的EV數量始終保持在很低的水平，最高規模不超過10%，EV數量不具有工作日的上下班變化特征，這是W區EV分布的顯著特征。而其他區域O用戶發生就餐、休閑等行為，O區的EV數量變化特征在工作日和非工作日是類似的，與是否工作日聯系較小。

城市級私家EV在各地點類型的EV分布直接影響調控能力的分布，因此EV的調控能力和地點類型關系非常密切。

3 城市級私家EV調控潛力評估模型

私家EV的屬性參數包括電池的荷電狀態(state of charge，SOC)、電池的健康程度(state of health，SOH)、電池的額定容量以及本文著重考慮的EV用戶參與調控的意愿，這些因素會影響私家EV參與電網調控的能力水平。

3.1 情形1下的EV調控能力

圖4 情形1調控能力示意圖

(5)

(6)

曲線A-a-b-c-d-D為EV的調控示例，由點S1到點A表示EV以最大充電功率Pcha,max進行強制充電；點A到點a為EV以功率PAa進行充電；點a到點b表示EV處于空閑狀態，既不充電也不放電；點b到點c表示EV以功率Pbc進行充電；點c到點d表示EV以功率Pcd進行反向放電；點d到點D表示EV以功率PdD充電至Si,exp。在EV可調控區域內且在充放電最大功率約束范圍內，可根據電網調控目的對EV進行相應的調控。

對編號為j的單輛EV而言，EV在地點i時刻t的SOC如式(7)所示，在t時刻的充放電功率如式(8)所示，在t時刻可調控的充電和放電容量分別如式(9)和式(10)所示。

(7)

(8)

(9)

(10)

滿足的約束條件如下：

Pdis,max≤Pj(t)≤Pcha,max

(11)

(12)

(13)

3.2 情形2下的EV調控能力

圖5 情形2調控能力示意圖

(14)

(15)

對編號為j的單輛EV而言，EV在地點i時刻t的SOC如式(16)所示，在t時刻的充放電功率如式(17)所示，在t時刻可調控的充電和放電容量分別如式(18)和式(19)所示。

(16)

(17)

(18)

(19)

滿足的約束條件如下：

Pdis,max≤Pj(t)≤Pcha,max

(20)

(21)

(22)

情形1中的EV到達地點i時沒有調控能力，處于強制充電狀態，至少經過ti,f-ti,arr時長才能具備調控能力；而情形2中的EV到達地點i就具有調控能力，可進行充電、放電和空閑這3種操作。

3.3 EV用戶的參與意愿模型

相比于部分研究只是簡單地假設EV用戶參與調控的意愿比例[17]，本文考慮用戶參與的意愿度受各方面因素的影響[18-19]，這些因素的影響程度難以量化，影響關系是模糊的，因此采用模糊推理模型對用戶的意愿程度進行估計。模糊推理原理如圖6所示。

圖6 模糊推理原理圖

SOH對應的模糊集為{差(S)，中等(M)，良好(B)}，停車時長對應的模糊集為{短(S)，中等(M)，長(B)}，SOC、充放電電價、用戶參與充電和放電意愿的模糊集為{低(S)，中(M)，高(B)}。歸一化處理矩陣H、S、Cch、Cdis、R，采用兩邊型高斯隸屬函數，調整控制器輸入和輸出。圖7和圖8分別為SOH和充電意愿的隸屬度函數圖，其余輸入量和輸出量的隸屬度函數圖見附圖C1—C5。

圖7 SOH隸屬度函數

圖8 充電意愿隸屬度函數

本文設定模糊推理的基本原則為：車輛的SOC越低、充電價格越低、停車時長越長，則充電意愿越高；車輛的SOH越良好、SOC越高、放電價格越高、停車時長越長，則放電意愿越高。由此建立模糊推理規則，最后采用模糊推理獲得用戶參與調控的意愿程度。

表1是充電意愿模糊規則表的部分內容，第一條規則表示只要EV的停車時長短，則不論其SOC和充電價格如何，用戶的充電意愿都會表現為低；第二條規則表示當SOC為低、充電價格為低而停車時長中等時，用戶的充電意愿表現為高；模糊規則表中其余規則的含義分析方法與此相同。用戶參與充電和放電意愿的模糊規則見附表C1和C2。為提高算法精度，未來可通過統計調查結果改進隸屬度關系和模糊規則。

表1 充電意愿模糊規則(部分)

考慮用戶的參與意愿，地點類型為i的充放電容量和功率如式(23)—(26)所示。

(23)

(24)

(25)

(26)

4 不同調控方式下的城市級私家EV調控能力

選取調控能力中的充電容量和充電功率為例，首先對單輛EV的調控能力進行仿真分析，進而擴展到EV集群的調控能力。私家車參與調控的方式會隨著研究的深入而增多[20]，本文考慮強制調控和計及用戶意愿兩種方式下私家EV集群的調控能力。利用前述EV調控能力評估模型可以對EV的充放電調控能力予以評估，本節選取EV的充電調控能力評估結果圖進行展示和分析，放電調控能力評估分析方法與此類似。

4.1 單輛EV的調控能力評估

基于蒙特卡洛方法模擬私家EV的出行鏈，抽取其中一輛EV，對其調控能力進行分析。將一日以15 min為間隔劃分成96個基本時段，以每個時間段為單位對EV的調控能力進行評估。

仿真模擬1 000輛私家EV的出行行為，設置EV的充放電功率最大值均為6 kW，EV的額定容量為30 kW·h，單位耗電量為15 kW·h/(100 km)。EV的SOH設定為以均值為0.8、標準差為0.2的正態分布，且SOH處于0.7～1之間；EV的初始SOC按正態分布進行抽取，均值為0.5、標準差為0.1，且初始SOC處于0.6～1之間。假設每個功能區都有足夠的充放電設備，可以保證私家EV在需要時與電網進行互動。

仿真各抽取工作日和非工作日期間的一個EV出行鏈，前者由2個行程構成，為H-W-H；后者由4個行程構成，為H-O-H-O-H。計算可得單輛EV的調控能力，工作日結果如圖9和圖10所示，非工作日結果如圖11和圖12所示。

圖9 工作日各地點的充電容量

圖10 工作日各地點的充電功率

圖11 非工作日各地點的充電容量

圖12 非工作日各地點的充電功率

由單輛EV的調控能力仿真結果圖9至圖12可以看出，單輛EV的調控能力與EV的空間狀態密切相關。顯然，當EV處于行駛狀態時，其處于不可控狀態；只有在EV到達某地后的停車期間，各地點類型才可能具有相應的可調控的時段。工作日出行鏈平均長度小于非工作日的平均長度，各地點調控時段相對集中，每個時段的可調控時長較長；非工作日的各地點調控時段較相對分散，每個時段的可調控時長較短。以該車輛的SOC-t邊界和功率邊界為約束，由EV調控能力模型對EV的調控能力進行評估計算，本評估結果呈現的是EV的充電調控能力極限水平。

4.2 集群EV的調控能力

單輛EV的調控能力只是某個地點的EV集群調控能力的一個組成單元，處于某一地點的EV數量是較多的。對EV集群的調控能力進行評估，得到各個時段EV集群能夠提供的充放電容量、與電網互動的功率水平，為制定電網與EV集群的雙向互動策略提供依據。

由前述的單輛EV的調控容量和功率評估模型，得到EV集群的充電調控能力評估公式。在時間軸上，考慮到電網的功率約束水平，將各輛EV的調控能力進行疊加，則地點類型為i的區域的充電容量和充電功率如式(27)和式(28)所示。

(27)

(28)

式中：NEV,i為處于地點i的EV數量。

以某次模擬的1 000輛私家EV一日內的出行鏈確定EV集群的時空分布狀態，計算EV集群的調控能力，工作日的可調控容量和調控功率水平如圖13和圖14所示。

圖13 工作日各地點的EV集群充電容量

圖14 工作日各地點的EV集群充電功率

由圖13和圖14分析可知，各地點類型的充電容量水平變化特征以EV集群的時空分布為主導；在工作日的上午07:00至09:00，由于大量的私家EV向工作區W和其他地區O轉移，居民區的充電調控能力迅速減小，相應的工作區和其他地區的調控能力呈增加趨勢；09:00至18:00，工作區和其他區域會存在相對穩定的調控能力水平；18:00左右私家EV從工作區和其他區域返回居民區，對應居民區的調控水平提高，工作區的調控水平迅速降低，而部分EV向其他地區轉移導致其他區域的調控水平降低較為緩慢；18:00至20:00左右用戶處于其他區域就餐、休閑等行為，會導致其他區域的調控能力水平快速下降趨勢較工作區延后2 h。

非工作日的可調控容量和調控功率水平如圖15和圖16所示。

圖15 非工作日各地點的EV集群充電容量

圖16 非工作日各地點的EV集群充電功率

由圖15和圖16分析可知，各地點類型的充電容量水平變化特征以EV集群的時空分布為主導；非工作日的EV用戶出行行為沒有工作日上班時間和下班時間的限制，在非工作日的09:00左右會有少量的EV向工作區和其他地區轉移，EV集群在居住區的調控能力水平下降，工作區和其他區域的調控能力水平提高；由于周末更多的EV向其他地區轉移，其他地區的調控能力要比工作區高出幾倍的水平；20:00以后EV快速向居民區轉移，對應的居住區調控水平提高而其他區域調控水平降低，工作區調控能力始終處于較低水平。

4.3 計及用戶參與意愿的集群EV調控能力

考慮用戶的參與度，對EV的調控能力進行評估。為比較計及用戶意愿度和不計及用戶參與度的充電調控能力，將兩種情況下的EV集群調控能力結果繪制在同一圖中。工作日的調控能力對比如圖17和圖18所示，非工作日的調控能力對比如圖19和圖20所示。

圖17 工作日各地點類型充電容量比較圖

圖18 工作日各地點類型充電功率比較圖

圖19 非工作日各地點類型充電容量比較圖

圖20 非工作日各地點類型充電功率比較圖

考慮EV用戶的參與意愿后，集群EV的調控能力水平在各個地點均呈現降低的趨勢；由于用戶的參與意愿受多方面因素的影響，考慮用戶意愿后的調控能力水平低于強制調控方式下的能力水平；計及用戶參與意愿后各地點的調控能力水平變化趨勢和強制調控下的趨勢相同，在本文建立的用戶參與意愿模糊推理模型下，用戶的參與意愿會隨著時段的變化發生相應的變化，充電的參與意愿平均值約為0.40，放電的參與意愿平均值約為0.35。

5 結 論

本文基于EV出行鏈的隨機模擬方法，模擬一定數量的EV出行鏈，并在此基礎上建立單輛和集群EV的調控能力模型，進而將EV用戶的意愿度考量在EV的調控能力評估模型中。通過仿真分析，可得出以下結論。

1)私家EV集群的調控能力的變化趨勢與EV的時空分布變化是一致的，EV的空間分布直接決定對應的調控能力水平，因此在對城市級EV調控能力評估時需著重考慮EV的時空分布特征。

2)工作日和非工作日的EV時空分布差異較大，其調控能力也呈現較大差異，EV集群的調控能力需從工作日和非工作日兩方面進行評估。

3)EV用戶的參與意愿是私家EV的顯著特點，是城市級EV調控能力評估的重要因素，對提高調控能力評估的準確性起重要作用，能夠為后續的EV參與電網調控提供較好的基礎。