基于用電信息采集系統的充電站選址模型

【關鍵詞】新能源汽車；新基建；充電站；用電信息采集系統；電力大數據

引言

充電便捷是提高電動汽車競爭力的重要措施，目前，充電站建設仍以市場試錯為主，缺少充電站布局規劃的理論工具，且相關研究較少[1]。但充電站選址也需考慮用戶的里程焦慮、隨機充電需求、充電站容量限制和司機路徑偏好（偏差容忍度）[2-3]。為平衡電動汽車用戶、充電站運營方和電網企業的利益，構建全社會成本最小的雙層整數規劃模型 [4-5]，是目前從充電站使用場景角度最全面的模擬公式，為得到全局最優解，通過改進的郊狼優化模型，給出了全局最優解的一種算法[6]。進一步考慮配電網的承受能力，使結果更接近事實。

另一角度，考慮到通過海量的數據直接查找或挖掘所需要的信息，來獲得被研究對象的特征、模式和規律，模擬充電需求。基于出租車停留狀態的軌跡數據，提取匹配車輛充電時長的出租車停留點，以此契合出租車充電需求。以具體區域為例，通過政府統計數據，挖掘有效信息，反饋至充電站規劃環節。

現有的文獻大多局限于對充電設施的選址思想、運行模式、里程焦慮及政府數據等方面的研究，對充電設施利用率缺乏明確的標準。本文通過用電信息采集系統得到海量而精確的電力數據，以用電量為數據源，將用電量、充電設施利用率與等間隔網絡地圖相關聯，預測區域充電需求。最后，以天津市濱海新區實際數據為例，驗證模型的有效性。

一、模型建立

利用經緯線，將城市或部分城區分為若干部分，在同一城市范圍內，可近似認為經緯線圍成部分為方形。方形區域中，充電站需求與用電量呈現正相關關系，通過用電信息采集系統得到用電量數據后，可通過轉換關系得到充電站需求。

N（i，j）區域用電量增加，主要由以下兩種原因導致。一是用電戶數，二是戶均用電量，而這兩者均與充電需求密切相關。用電戶數增多，車保有量增加，一般情況下，電動汽車保有量也隨之增加。戶均用電量增加，普遍來看由兩種情況導致，一是每戶人口增加，二是用電習慣較為鋪張。一般來說，家庭第二輛車基本選擇新能源汽車，而且年輕人的用電量相比老、少年人要更高。

以上推論，說明用電量比人口更能反映充電站需求，這也是電力大數據的意義。在區域N（i，j）中，電動汽車數量隨著用電量增加快速增加，此過程隨著電動汽車替代燃油汽車的過程減慢，將此過程用對數關系表示，電動汽車與用電量關系為：

z=logx m（1）

式中，m為參數。

電動汽車普及初期，因充電困難，車主在可以擁有個人充電樁的前提下再購入電動汽車可能性較大，此時電動汽車對公共充電站需求低；普及達到一定程度后，小區內部電網接近滿負荷，個人充電樁不能滿足電動車主需求，電動汽車對公共充電站需求增加，并且充電設施的增加使充電方便，形成正反饋。由上可知，隨著電動汽車增加，充電站需求增加，電動汽車普及到一定階段，充電站布局較少，A充電站不能滿足需求時，電動車主可前往附近B充電站補能，反而對A充電站所在地區而言，充電需求增速放緩。在大范圍內，充電站均接近滿負荷時，充電需求再次快速增長。在經緯線合圍且等面積區域中區域中，此過程表示為：

式中，x表示用電量，y表示充電站需求，z表示電動汽車數量，r為用電量取對數后與充電站需求的比值，a1，b1，c1，d1為參數。

通過以上可得：

即：

式中，a，b，c，d為參數。

隨著經濟轉型，電動汽車充電站建設已小有成色，充電站需求現有充電站用電量表示。故而，利用已布局充電站區域內總用電量和充電站用電量關系，可實現參數擬合，繼而可規劃整個城市充電站選址。

二、仿真流程

通過以上分析，得到問題的重點，一是通過用電信息采集系統獲得一定坐標的準確總用電量和充電站用電量，二是通過現有數據準確獲得參數。

充電站會覆蓋一定面積區域，主要為區域內用戶服務，同時，允許其他區域用戶特殊情況下跨區充電，實現設備利用最優化，同時，不觸及用戶容忍上限。用N（i，j）表示區域，利用經緯線劃分區域成邊長三公里正方形，以正方形四個點緯度最小經度最小的點為基準點，在此正方形內，最大經度和最小緯度之差計算方式為：

△i=3÷111=0.027027（5）

△j=3÷（111cos φ）（6）

若為邊長0.9公里正方形，則

△i=0.9÷111=0.008108（7）

△j=0.9÷（111cos"φ）（8）

式中，Δi表示經線方向相距3或0.9公里兩點經度差，Δj表示緯度為 的緯線上相距3或0.9公里兩點的緯度差。之所以選擇這兩個數字，一是因為濱海新區政府提出核心區內兩充電站最大距離不超過0.9公里，其他區域不超過3公里，二是因為當充電站分布不足以覆蓋所有已使用的線路時，部分司機可能會繞道尋找充電機會。該充電站選址問題的目標是在有限的建設預算下，尋找一組最優的充電站位置集合，使得所有車輛通過選擇具有必要充電機會的自尋優路徑完成出行，同時盡量減少可能的繞行造成的整體網絡擁塞。

得到區域內總用電量和充電站用電量數據后，可借助MATLB實現曲線擬合，軟件提供了基本的曲線擬合函數的命令：

p=polyfit（xdate，ydate，n）（9）

其中n表示多項式的最高階數，xdate，ydate為要擬合的數據，它是用數組的方式輸入。輸出參數為擬合多項式y=p1xn+…pnxn+pn+1的p=[p1，…pn，pn+1]系數。

多項式在x處的值y可用下面程序計算。

y=polyval（p，x）（10）

三、算例分析

以濱海新區某供電區域為例，通過用電信息采集系統，可以得到區域內集中器與智能電表的用電數據。其中，不考慮線損情況下，集中器數據為臺區內電表電量數據總和。一般情況下，集中器覆蓋區域較小，與前文區域（i，j）相比，可認為集中器覆蓋區域為奇點。故采取集中器數據為基礎數據。

現狀下，集中器不具備定位系統，故無法直接從系統中得到集中器坐標。使用地址，從地圖軟件上查詢集中器坐標，從而可得到坐標對應用電量。

國家電網直供充電站，其用電類別統一為充電服務業，通過選定行業類別，可從地圖軟件上查詢集中器坐標，從而可得到坐標對應用電量。由于故障等原因，部分充電站建成后無法使用，考慮到建設成本，認為此類問題統一為規劃失誤，但此問題與充電需求無關。故排除用電量為零充電站，避免數據誤導。

通過以上工作，得到了臺區用電量明細和充電站用電量明細。依據獲得的最大最小經緯度，按照邊長為3公里劃分正方形區域。其中，在此供電區域內，可認為3公里對應緯度變化不變，取北緯39度數據，則：

△j=3÷（111cos"39°）=0.034777（11）

將臺區用電量匹配至劃分區域中，得到區域用電量分布圖如下：

由圖可見，3公里劃分不夠細致，不能較好預測充電需求，將邊長縮小至0.9公里，得到區域用電量圖如下：

可見，在邊長0.9公里的范圍內，得到區域用電量圖可以有效反映用電量分布，故以下均以此劃分方式下得到的數據開展分析。

本文認為，在充電站布局遠遠不足的情況下，對數底數的不同，對數據分布的影響可以忽略，其作用為，將數量級不同的區域用電量，轉化為同樣數量等級。

為

且有：

充電站需求預測數值大小與區域內充電站容量總和成正比，可據此數據合理進行充電站建設規劃。其中，充電站容量總和包括已建成充電站，若包含區域規劃充電站容量小于已建成充電站容量，則此區域內無需新建充電站。

結論

通過以上分析和計算，可知在電動汽車普及初期，充電站建設需求與區域用電量密切相關。用電量較小區域，因其附近不存在可替代充電站，故包含區域有相對用電量較大充電需求。相反，在用電量較大區域，因車主在附近進行補能，故包含區域充電需求相對用電量來說較小。可知充電需求與電動汽車保有量正相關，隨著電動汽車保有量的增加，充電需求增速降低。

同時，在建成區范圍內，相距0.9公里建設充電站可以較好滿足居民充電需求，同時避免資源擱置，造成浪費。在其他地區，建設過多充電站并不會得到充分利用，并且在短時間內狀況不會改變，應減少充電站建設。

為提高充電站總體利用率，可通過計算得到每個充電站的合理容量，減少投資成本的同時，大力支持“新基建”項目建設，服務好經濟發展。

參考文獻：

[1] 郭磊， 王克文， 文福拴， 等. 電動汽車充電設施規劃研究綜述與展望[J]. 電力科學與技術學報，2019，34（03）：56-70.DOI：10.19781/j.issn.1673-9140.2019.03.006.

[2] 黃瑜珈， 李聰， 戴梓源， 等. 淺析新能源電動汽車充電樁的選址研究[J]. 時代汽車，2021，（11）：122-123..

[3] Lou J ，Qiu Z ，Yu J ， et al.Urban charging station location model based on multi-objective"programming[J].Journal of Physics： Conference Series，2018，1053（1）：012028-012028.

[4] Guo F ，Yang J ，Lu J .The battery charging station location problem： Impact of users’ range anxiety"and distance convenience[J].Transportation Research Part E，2018，1141-18.

[5] YILDIZ， BARIS， OLCAYTU， EVREN， SEN， AHMET. The urban recharging infrastructure design problem with"stochastic demands and capacitated charging stations[J]. Transportation research， Part B. Methodological，2019，119（Jan.）：22-44.

[6] 艾欣， 李一錚， 王坤宇， 等. 基于混沌模擬退火粒子群優化算法的電動汽車充電站選址與定容[J]. 電力自動化設備，2018，38（9）：9-14.