基于實測數據的多類型電動汽車充電負荷分析

蔣林洳，龍羿，李興源，張元星，陳中

(1.中國電力科學研究院有限公司用電與能效研究所檢測中心(北京市電動汽車充換電工程技術研究中心)，北京 100192； 2.國網重慶市電力公司營銷服務中心，重慶 401123； 3.東南大學 電氣工程學院，南京 210096)

0 引 言

自2012年制定《節能與新能源汽車發展規劃(2011年～2020年)》后，我國電動汽車市場進入自主品牌快速發展的新階段。2015年，我國新能源汽車累計產銷突破50 萬輛，對全球市場的貢獻超過一半。2016年我國電動汽車的保有量達到109 萬輛，已成為全球規模最大的新能源汽車制造國[1-2]。

考慮到其經濟性及環境保護作用，電動汽車將成為未來各國經濟增長的重要組成部分[3-4]，分析電動汽車用車行為，有利于電動汽車負荷預測以及有序充電策略的制定等。文獻[5-6]從新能源汽車的發展歷程切入，將2019年政府補貼下降的不利影響做了部分歸納，同時指出稅收優惠等配套政策將給產業帶來新的動力；文獻[7-10]借助相關數學模型，對國外電動汽車用戶出行行為進行研究，其中John G等人將Nissan LEAF電動汽車作為研究對象，進一步探討了用戶的充電行為特征；文獻[11]采用探索性空間數據分析(ESDA)技術對上海市的出租汽車統計信息進行分析，利用莫倫值(Moran’s I)進行評估，表明出租汽車出行具有較強的空間正相關性，與中心商業區的活動高度相關，時空結構穩定；文獻[12]對共享汽車這一新型出行方式進行了初步分析，基于EVCARD公司的訂單數據，借助描述性統計量分析用戶通勤時段出行特征；文獻[13]利用數據挖掘等方法，分析了城市級物流電動汽車充電行為規律，得到了服從正態分布的充電前后SOC模型，為用戶的出行策略提供科學支持；文獻[14]采用聚類法，研究了共享汽車用戶行為與企業利潤間的關系，并借助多層感知神經網絡對不同用戶進行了分類預測；文獻[15]基于蒙特利爾地區用戶的用車數據，采用數據挖掘等方法按用戶特征進行群體分類；文獻[16]建立了數據驅動的線性回歸模型，分析得出停車位的數量是影響用戶出行的首要因素；文獻[17]結合地理信息對電動汽車訂單數據進行時空特性分析，利用線性回歸的方法對訂單量進行預測。

隨著電動汽車行業發展，其帶來的居民出行模式改變問題不容忽視，將成為城市交通領域的熱點問題，探討不同電動汽車車型的出行規律具有較高研究價值。基于實測用戶訂單數據，對某地2018年12月1日～12月30日的電動汽車數據進行分析，得到公交車、運輸車、私家車、租賃車四種車型的出行預測規律，并采用蒙特卡洛法對區域電動汽車負荷進行建模預測。

1 數據預處理

1.1 數據采集格式

截止目前，采用的平臺數據庫存儲了從2018年12月1日～2018年12月30日共計1 656 776條電動汽車數據，時間跨度為30天。篩選出其中數量較多的車型，最終得到1 541 923條初選數據，源數據保留率為93.07%。每條數據包含了用戶的多維用車行為信息，包括車型、采集時間、車輛SOC、里程數以及行駛速度(見表1)。

表1 采集數據格式

表1中，車型包括電動公交車、電動運輸車、電動私家車、電動租賃車四大類;數據采集時間包括采集起始時間(Time_start)與采集結束時間(Time_end)。車輛SOC包括車輛起始SOC(Soc_start)與車輛結束SOC(Soc_end)；里程數默認為車輛里程計數器計數，包括起始里程數(Mileage_start)與結束里程數(Mileage_end)；行駛速度包括最大速度(Speed_max)與最小速度(Speed_min)。

1.2 數據預處理流程

采集到數據中存在一定數量的異常數據與數據缺失情況(見圖1)，按Step1～Step4對其進行預處理，刪除異常數據并補充缺失部分。

圖1 異常數據與數據缺失

Step 1：輸入數據，根據電動汽車公司統計數據得知，車輛啟動到車輛停止至少需要4 min，各車型單次用車時間小于12 h，即滿足條件4 min≤ (Time_end-Time_start)≤12 h，否則將其刪除；

Step 2：由于采集的數據為用車信息，不包含電動汽車充電數據，若滿足Soc_end>Soc_start且Soc_start≤100，否則將其刪除；

Step 3：默認里程計數滿足條件Mileage_end> Mlieage_start，根據用戶用車經驗值，單次行駛里程同時滿足(Mileage_end- Mlieage_start)≤100 km，否則將其刪除；

Step 4：假設采集到的數據為某一完整的行駛過程，則該過程中最小速度滿足條件Speed_min=0，否則將其刪除。

由于數據采集過程中會收到通信質量、收發端不穩定等因素影響，會有部分數據缺失關鍵信息或丟失等現象，針對此情況，本研究過程采用拉格朗日插值法[18]進行補充，。經過預處理后，異常數據占比最大不超過2%(見表2)。

表2 各車型采集數據預處理結果

2 多類型電動汽車用車行為分析

基于數據預處理結果，采用數學統計方法對15 419 223條訂單數據進行聚類分析，從用戶出行里程、用戶停車率量方面進行線性回歸分析，分別按24 h(每日)的時間跨度進行用戶出行規律歸納，并建立了相關用車行為模型(見圖2)。

圖2 多類型電動汽車用車行為分析流程

如圖2所示，首先逐條輸入采集到的的電動汽車訂單數據，格式如表1所示；然后按1.2章節對數據進行預處理，刪除部分無效數據并對部分缺失數據進行補充；提取數據中的出行里程與出行時間信息，分別采用K-S(Kolmogorov-Smirnov)法、J-B(Jarque-Bera)法等方法驗證分布特性，并采用極大似然法擬合曲線，最后形成出行里程、停車率模型。

2.1 各車型用戶出行里程分布

將訂單數據按用戶單次出行距離進行分類，即單次出行距離=(Mileage_end-Mileage_start)，分組間隔為5 km，得到所示的用戶出行里程分布(見圖3)。

圖3 用戶出行里程分布圖

分別對各車型用戶數據采用K-S檢驗(Kolmogorov-Smirnov檢驗)方法進行檢驗，即：

(1)

(2)

(3)

式中Fn(x)為樣本集的累計分布函數；F(x)為假設的理論分布函數；I為冪函數。基于Glivenko-Cantelli理論，若Xi服從理論分布F(x)，則n趨于無窮時Dn趨于0。本節假設用戶用車里程服從冪函數分布，采用K-S方法檢驗，然后由極大似然法擬合曲線，得到分布模型(見表3)。

表3 多車型用戶出行里程分布模型

2.2 各車型用戶停車時間分布

數據經過預處理后，對每日的分時用車數量進行統計分析，間隔取1 h，可得每日0～24 h的用車數量分布(見圖4)。

圖4 多車型每日分時出行數量分布

將圖4所示數據按式(4)進行處理，進一步得到各車型用戶的分時停車率信息。

(4)

式中SCk(i)為i時刻第k種車型的停車率；CAk(i)為i時刻第k種車型的出行數量；CAk為統計數據中第k種車型的總數量，將圖4所示的出行數量轉化為用戶停車率分布,如圖5所示。

圖5 多車型每日分時停車率分布

3 多類型電動汽車充電負荷建模

根據第2章的統計結果，已知電動汽車單日出行里程服從表3所示的分布函數。結合充電時間、電池參數等對電動汽車充電負荷進行模擬仿真。

3.1 電池參數設置

假設電動汽車為已知電動汽車車型、常規行駛電池耗量、以及充電樁功率，充電需求時間為：

(5)

式中e為該車型每公里耗電量(kWh/km)；Xcar為該車型每日的出行里程數(km)；Pcharge為該充電樁的充電功率(快充與慢充)；T為充電需求時間。參考市場上的具體車型數據，四類電動汽車車型具體參數如表4所示。

表4 四類電動汽車參數

3.2 充電時間概率分布

若當第i條數據的Soc_end小于第i+1條數據的Soc_start，則可認為第i條數據的Time_end為充電起始時刻。結合2.2節統計結果與車輛運行規律，對每日充電次數、充電類型選擇、分布概率模型加以數學約束，則可估計多車型的充電時間概率分布(見表5)。

表5 多車型充電時間分布

電動私家車具有的非盈利特性，默認其充電不設限制時長，即每次充電直至充滿電為止。

3.3 電動汽車充電負荷仿真

將表5的充電時間分布結合蒙特卡洛模擬法(Monte Carlo)，即可對區域集群性的電動汽車負荷進行模擬仿真，通過產生隨機數來模擬具有不確定性的電動汽車充電行為(見圖6)。

圖6 電動汽車負荷仿真流程

為了簡化計算流程，仿真設定了下列條件：

(1)由于在大部分電池的充電過程中，恒流充電占據了主導地位[19]，所有類型充電方式視為恒流充電，且忽略其他隨機因素的影響；

(2)所有車輛只在表5所示的規定時段內充電，其他時段充電負荷量予以忽略；

(3)區域內的總負荷為獨立車輛充電負荷的疊加，即對同時刻的不同車型充電負荷進行求和。

根據2030年中國汽車保有量按等比例設置電動公交車500 輛，電動運輸車800 輛，電動私家車20 000 輛，電動出租車1 000 輛，不考慮私家車的工作日/休息日用車行為差異[20-21]。仿真結果精確至分鐘，循環次數N=5 000。按圖6的流程，抽取每日行駛里程與充電開始時間，并計算充電時長，形成各車型充電曲線(見圖7)。

圖7 各車型充電負荷仿真結果

為量化評價各車型的充電負荷，統計各車型充電量占比以及峰值最大負荷(見表6)。

根據圖8與表6，由于電動私家車的數量較多，電動出租車默認采用快速充電模式，二者產生的負荷峰值遠高于電動公交車與電動運輸車，同時電動私家車、電動出租車為充電負荷的主要來源，分別占比54.51%與23.80%。將圖8的各車型充電負荷累加，可得該區域內的電動汽車集群充電負荷。

表6 各車型充電負荷占比

圖8 電動汽車負荷仿真結果

為量化電動汽車集群對區域用電負荷的影響，結合某地區的典型日用電負荷(精確至分鐘)，分析電動汽車負荷對電網的影響(見圖9)。

圖9 電動汽車負荷對電網的影響

圖9中，由于四種類型的電動汽車均處于無序充電狀態，9:00～15:00之間出現了“峰上加峰”現象，電網運行負荷進一步增加。同時，由于電動汽車的移動儲能特性，23:00～05:00之間的谷時負荷得到了一定的補充。

4 結束語

基于電動汽車平臺的實測數據，對數據進行了分析與處理，刪除部分異常數據；通過分析電動汽車用戶的用車里程與停車時間分布，得到不同用戶的用車行為模型；通過蒙特卡洛模擬法對四種類型電動汽車的總充電負荷進行了仿真分析，得出以下結論：

(1)電動私家車、電動出租車的充電量占比較大，具有巨大的電網調度空間，結合具體運營模式，有潛力作為新能源并網的緩沖儲能設施以及負荷側削峰填谷的重要手段；

(2)針對具體區域的電動汽車負荷，在無序充電的情況下會產生不同程度的“峰上加峰”的情況，增加電網峰谷差，降低運行效率。可以結合分時電價、有序充電等策略引導負荷轉移，減少電網運行壓力與用戶充電成本。