摘要:目前電動汽車充電樁( EVCP)規(guī)劃通常針對區(qū)縣級較大區(qū)域開展,但是對園區(qū)級區(qū)域進行EVCP規(guī)劃更有利于提高投資者的積極性和周邊電動汽車(EV)用戶的體驗。以車流量較大的大型停車區(qū)域為研究對象,通過調研獲得區(qū)域內EV的電池容量、停放情況、電量分布以及充電意愿等統(tǒng)計數據,并基于這些數據應用蒙特卡洛法得出區(qū)域內EV充電負荷的時域分布。依據區(qū)域內的電網信息以及EV的充電負荷分布,給出以投資成本電網網損及用戶滿意度綜合*優(yōu)為目標的EVCP規(guī)劃設計方法。最后以某機場遠端大型停車場為算例,驗證了所提園區(qū)級EVCP規(guī)劃方法的有效性,該方法相較于傳統(tǒng)EVCP的規(guī)劃方法更加經濟合理。

關鍵詞:電動汽車;充電樁規(guī)劃;充電負荷預測;多目標優(yōu)化

一、引言

當前化石能源日漸匱乏,環(huán)境污染問題愈發(fā)嚴重,作為燃油汽車的升級替代產品,電動汽車(Electric Vehicle,EV)的保有量未來會保持快速上升的趨勢。在此背景下,EV發(fā)展與充電樁(Electric Vehicle Charging Piles,EVCP)規(guī)劃建設的不匹配問題日益凸顯。

在EVCP 的規(guī)劃設計過程中,核心問題是預測EV的充電需求即充電負荷,一般通過分析規(guī)劃區(qū)域中道路交通網架、EV的出行規(guī)律及用戶充電習慣等因素計算得出?；诘貕K功能和地理屬性將區(qū)域劃分為住宅區(qū)、辦公區(qū)、旅游區(qū)、商業(yè)區(qū)和教育區(qū)5類,并綜合不同區(qū)域的車流通暢度情況完成 EV 充電負荷的預測。通過分析不同類型汽車在具體場景下的停車規(guī)律,并采用蒙特卡洺算法模擬車主駕駛、停放和充電行為預測出區(qū)域內EV 充電負荷的時空分布特性。依據交通路網拓撲和出行數據模擬 EV 的行駛特性,并完成 E充電需求的時空分布預測。基于居民出行數據構建不同復雜度的出行鏈模型,并使用最短路徑算法選擇行駛路徑來完成EV 充電需求的預測。根據充電站的現場實際統(tǒng)計數據,利用泊松分布、輪盤選擇和均勻分布對EV開始充電的荷電量(State of Charge,SOc)和充電次數進行分析,建立了 EV 充電站的負荷預測模型。采用大數據和機器學習技術對 EV 充電站的實時數據進行評估,提出一種基于數據流的流式邏輯回歸模型,充電站運營商可以根據這些數據開展優(yōu)化規(guī)劃。通過“滴滴開放數據平臺"申請得到某城市區(qū)域在一段時間內的出行訂單及 GPS 定位數據,在對 EV 行駛軌跡大數據集進行清洗與挖掘后,基于動態(tài)能耗理論構建了 EV 充電需求的時空分布預估模型。

二、EV的充電需求預測

2.1 停車區(qū)域 EV 充電負荷的影響因素分析

大型停車區(qū)域中 EVCP 的類型和位置與停車位類型及分布情況密切相關。不同類型和用途的EV具有不同的電池容量、停放模式和充電意愿,這些因素會影響電動汽車的充電需求,因此需要通過調研統(tǒng)計來獲得這些基礎數據。

首先對EV 的電池容量進行調研,得到停車區(qū)域內3類車型對應的電池容量如圖1所示。

圖1 不同類型 EV的電池容量

圖1中列出了3類車型的5種常見電池容量,規(guī)劃計算時將選取平均值,社會車輛、出租車、大巴車的電池平均容量分別為80 kwh,50 kwh和 180 kwh。

然后通過現場調研和統(tǒng)計,獲得停車區(qū)域內每日不同時間段中不同類型 EV 的停放信息,如圖 2所示。為了提高數據的準確性,圖2中數據為多日的平均數據。

圖2 不同類型EV的停放數據

接下來通過現場問卷調查和查閱文獻等方式，統(tǒng)計在1d當中不同類型 EV 的荷電狀態(tài),Soc分布變化情況,如圖 3所示,

圖3 不同類型EV的電量變化

最后獲取停車場中EV車主的充電意愿數據，即用戶在 EV 電量剩余多少時進行充電的概率,通過實地問卷調查和統(tǒng)計,獲得E的充電意愿統(tǒng)計數據,如圖4 所示。

圖4 EV的充電意愿統(tǒng)計數據

EV 的充電時長T取決于電池容量、剩余電量充電樁功率的大小.

2.2 EV充電負荷的預測

EV 的充電行為是具有一定規(guī)律的隨機事件采用家特卡洛法(Monte Carlo,Mc)對具有不確定性及時序性的 EV 充電負荷進行模擬。MC是以概率作為基礎的統(tǒng)計方法,也稱為隨機抽樣技術,模擬次數越多,結果越切合實際。

應用 MC 法預測 EV 充電負荷的思路是,首先基于統(tǒng)計得到的出行數據和充電信息,建立隨機過程的概率分布模型;然后按概率抽取所有影響EV充電負荷的隨機變量,包含 EV 的停放時間、SOC分布以及充電意愿等,若發(fā)生充電行為則計算充電時長,得到每一輛 EV 的充電負荷曲線。最后將區(qū)域內所有EV的充電負荷曲線在時間軸上疊加即可得到整個規(guī)劃區(qū)域內總的 EV 充電負荷的預測曲線。

三、應用方案

圖5 有序充電管理系統(tǒng)示意圖

圖6平臺結構圖

充電運營管理平臺是基于物聯(lián)網和大數據技術的充電設施管理系統(tǒng)，可以實現對充電樁的監(jiān)控、調度和管理，提高充電樁的利用率和充電效率，提升用戶的充電體驗和服務質量。用戶可以通過APP或小程序提前預約充電，避免在充電站排隊等待的情況，同時也能為充電站提供更準確的充電需求數據，方便后續(xù)的調度和管理。通過平臺可對充電樁的功率、電壓、電流等參數進行實時監(jiān)控，及時發(fā)現和處理充電樁故障和異常情況對充電樁的功率進行控制和管理，確保充電樁在合理的功率范圍內充電，避免對電網造成過大的負荷。

四、安科瑞充電樁云平臺具體的功能

平臺除了對充電樁的監(jiān)控外，還對充電站的光伏發(fā)電系統(tǒng)、儲能系統(tǒng)以及供電系統(tǒng)進行集中監(jiān)控和統(tǒng)一協(xié)調管理，提高充電站的運行可靠性，降低運營成本，平臺系統(tǒng)架構如圖7所示。

圖7 充電樁運營管理平臺系統(tǒng)架構

大屏顯示：展示充電站設備統(tǒng)計、使用率排行、運營統(tǒng)計圖表、節(jié)碳量統(tǒng)計等數據。

圖8 大屏展示界面

站點監(jiān)控：顯示設備實時狀態(tài)、設備列表、設備日志、設備狀態(tài)統(tǒng)計等功能。

圖9 站點監(jiān)控界面

設備監(jiān)控：顯示設備實時信息、配套設備狀態(tài)、設備實時曲線、關聯(lián)訂單信息、充電功率曲線等。

圖10 設備監(jiān)控界面

運營趨勢統(tǒng)計：顯示運營信息查詢、站點對比曲線、日月年報表、站點對比列表等功能。

圖11 運營趨勢界面

收益查詢：提供收益匯總、實際收益報表、收益變化曲線、支付方式占比等功能。

圖12 收益查詢界面

故障分析：提供故障匯總、故障狀態(tài)餅圖、故障趨勢分析、故障類型餅圖等功能。

圖13 故障分析界面

訂單記錄：提供實時/歷史訂單查詢、訂單終止、訂單詳情、訂單導出、運營商應收信息、充電明細、交易流水查詢、充值余額明細等功能。

圖14 訂單查詢界面

五、產品選型

安科瑞為廣大用戶提供慢充和快充兩種充電方式，便攜式、壁掛式、落地式等多種類型的充電樁，包含智能7kw/21kw交流充電樁，30kw直流充電樁，60kw/80kw/120kw/180kw直流一體式充電樁來滿足新能源汽車行業(yè)快速、經濟、智能運營管理的市場需求。實現對動力電池快速、高效、安全、合理的電量補給，同時為提高公共充電樁的效率和實用性，具有有智能監(jiān)測：充電樁智能控制器對充電樁具備測量、控制與保護的功能；智能計量：輸出配置智能電能表，進行充電計量，具備完善的通信功能；云平臺：具備連接云平臺的功能，可以實現實時監(jiān)控，財務報表分析等等；遠程升級：具備完善的通訊功能，可遠程對設備軟件進行升級；保護功能：具備防雷保護、過載保護、短路保護，漏電保護和接地保護等功能；適配車型：滿足國標充電接口，適配所有符合國標的電動汽車，適應不同車型的不同功率。下面是具體產品的型號和技術參數。

六、現場圖片

七、結論

本文針對大型停車區(qū)域給出了 EVCP 滿足多個目標的規(guī)劃優(yōu)化設計方法。該規(guī)劃方法首先根據停車區(qū)域內 EV 的電池類型、各類EV的停放規(guī)律及 EV 用戶的充電意愿等統(tǒng)計數據,預測出區(qū)域內EV 充電負荷的時空分布。然后以EVCP的投資成本、電網網損以及 EV 用戶的滿意度改進PSO 在安全約束范圍內得到 EVCP的*優(yōu)規(guī)劃。該規(guī)劃方法相較于傳統(tǒng)EVCP的規(guī)劃方法不僅更加經濟合理,而且對電網運行的影響較小,對實際工程的EVCP 規(guī)劃具有指導作用。

參 考 文 獻：

[1]邢強,陳中,冷釗瑩,等,基于實時交通信息的電動汽車路徑規(guī)劃和充電導航策略[J].中國電機工程學報,2020,40(2):534-550.

XING Qiang, CHEN Zhong, LENG Zhaoying, et al. Route planning and charging navigation strategy for electric vehicles based on real-time traffic information1[J]. Proceedings of the CSEE, 2020, 40(2):534-550.

[2]徐青山,蔡婷婷,劉瑜俊,等,考慮駕駛人行為習慣及出行鏈的電動汽車充電站站址規(guī)劃[J].電力系統(tǒng)自動化,2016,40(4):59-65,77.

XU Qingshan, CAl Tingting, LIU Yujun, et al.Location planning of charging staions for electric vehicles based on drivers behaviours and travel chain[J].Automation of Electric Power Systems , 2016, 40(4):59-65,77.

[3]張洪財,胡澤春,宋永華,等,考慮時空分布的電動汽車充電負荷預測方法[J].電力系統(tǒng)自動化,2014,38(1):13-20.

ZHANG Hongcai, HU Zechun, SONG Yonghua,et al.Estimation method of electric vehicle charging load considering temporal and spatial distribution[J]. Automation of Electric Power Systems , 2014.38(1):13-20.

[4]邵尹池,穆云飛,余曉丹,等“車-路-網"模式下電動汽車充電負荷時空預測及其對配電網潮流的影響[J].中國電機工程學報，2017,37(18):5207-5219,5519.

SHA0 Yinchi, MU Yunfei, YU Xiaodan, et al.A spatial-temporal charging load forecast and impact analysis method for distribution network using EVs-traffic-distribution model[J]. Proceedings ofthe CSEE,2017,37(18):5207-5219,5519.

[5]李含玉,杜兆斌,陳麗丹,等,基于出行模擬的電動汽車充電負荷預測模型及 V2G評估[J].電力系統(tǒng)自動化,2019,43(21):88-96.

LI Hanyu , DU Zhaobin, CHEN Lidan, et al.The research of spatial-temporal charging load forecast modeling and V2G evaluation method of electric vehicles considering traffic network[J].Automation of Electric Power Systems ,2019,43(21):88-96.

[6]LEOU R C, SU C L,TENG J H. Modelling and verifying the load behaviour of electric vehicle charging stations based on field measurements[J].Generation Transmission & Distribution ET,2015,9(11):1112-1119.

[7] ZHU J,YANG Z, GUO Y,et al. Short-term load forecasting for electric vehicle charging stations based on deep learning approaches[J]. Applied Sciences ,2019,9(9): 1723.

[8]周椿奇,向月,童話,等.軌跡數據驅動的電動汽車充電需求及V2G 可調控容量估計[J].電力系統(tǒng)自動化,2022,46(12):46-55.

ZHOU Chunqi, XIANG Yue, TONG Hua, et al.Trajectory- data-driven estimation of electric vehicle charging demand and vehicle-to-grid regulable capacity[J].Automation of Electric Power Systems,2022,46(12):46-55.

[9]姚志力,江斌開,龔春陽,等,計及電動汽車充電負荷特性的區(qū)域多能源站規(guī)劃設計[J].電網技術,2022,46(9):3304-3318.

YA0 Zhili, JlANG Binkai, GONG Chunyang, et al. Planning and design of regional multi-energy stations taking into account electric vehicle charging load characteristics[J]. Power System Technology,2022,46(9):3304-3318.