充电特性（精选4篇）
充电特性 篇1
0 引言
随着世界汽车工业的发展和居民生活水平的提高，我国汽车保有量迅速增长。与此同时，世界性能源短缺和环境污染问题也日益突出。而电动汽车作为新一代交通工具，以其节能、环保的优点，受到各国政府的广泛关注。世界各国纷纷出台政策，把电动汽车的发展放到重要的战略地位，我国也正在大力发展电动汽车产业，并出台了一系列的发展政策[1,2]。
然而随着电动汽车的大规模发展和普及，势必会对配电网产生影响，特别是造成配电网负荷的峰谷差增大、馈电损耗增加、变压器过载、电压跌落等负面影响[3,4,5,6]。同时，大规模电动汽车广泛接入电网，其使用特性在时间和空间上的移动性和随机性，使电动汽车负荷很难进行精确建模。
充电站作为电动汽车和电网进行能量交换的媒介，在运营和调度上，都对电网和电动汽车用户产生很大的影响。充电站的有序运营是实现大规模电动汽车有序充电的基础。而且，充电站内电动汽车有序充电对于提高配电网运行的经济性和降低电动汽车负荷对配电网正常运行的不利影响具有重要的意义。
在电动汽车与电网互动方面，国内外学者已经进行了大量的研究工作。其中，文献[7]在理论上论证了配电网馈电损耗、负载率和负荷方差三者的关系，提出了降低网络损耗的有序充电方案，进一步仿真得出了将负载率和负荷方差作为优化目标的有序充电方法计算速度更快;文献[8]提出了时序最优潮流(Time Coordinated Optimal Power Flow,TCOPF)的方法，通过对PHEV(Plug-in Hybrid EV)的储能单元进行控制以及改变变压器分接头的操作来进行有序控制;文献[9]提出在以换电站作为储能系统的区域独立供电系统中，以经济利益最大化作为目标函数，得到区域独立供电系统的运营方案;文献[10]以负荷峰谷差最小为目标函数，提出利用动态插值的方法进行有序充电控制。文献[11]提出以充电站运营经济最大化为优化目标，以配电变压器容量和用户需求为约束的有序充电方案。
在上述研究中，大部分优化过程是离线的。离线运行是指在每天运营之前提前得到有序充电方案。由于实际的充电站运营情况往往不能和预测情况完全一致，因此离线控制过程一般不够精确，有必要提出一种在线的实时运营方案。
本文旨在提出一种充电站动态有序充电的优化方法，以配电网负荷方差最小为优化目标，以充电站的规模、用户需求等为约束条件，基于粒子群优化算法建立优化模型，降低快速充电站对配电网负荷波动造成的不利影响，在实现电动汽车有序充电控制的同时，有效改善配电网的负荷特性。
1 动态优化策略与数学模型
1.1 动态优化策略
动态优化策略，在本文中是指在规定的时间范围制定有序充电的动态方案。在动态优化过程中，需要将优化总时长分成若干时间段分别进行优化。时间段分割的越短，优化越精确，而精度的提高会极大增加计算量和计算时间。
根据文献[11,12]中对电动汽车运行特性的分析可以看出，电动汽车的充电负荷主要是由其起始充电时刻和充电时长决定的。本文以每辆车的起始充电时刻作为优化的目标变量，每辆车的充电时长由车辆起始充电时电池的荷电状态(State of Charge,SOC)决定。在有序充电模型中，通过分时段优化对目标变量进行求解。
1.2 动态优化的目标函数
本文旨在通过分时段优化来减小充电站负荷接入对配电网的影响，因此将每个时间段的目标函数
确定为使得配电网的负荷率最大，或负荷方差最小[7,13]。根据文献[7]中的分析和建议，本文采用使配电网负荷方差最小的方法。在优化中，常规负荷采用负荷预测的结果，充电负荷采用充电站实时运行的结果。
式中：i表示离散的时间分量，记为第i时刻;n表示总优化时间，在优化初始时设定;LDi表示第i时刻的配电网总负荷，包括常规负荷和充电站负荷;LDaverage表示在时间n内，配电网总负荷的平均值;LDgrid-i表示第i时刻的常规负荷值，是负荷预测的结果，不随优化过程而改变;LDstation-i表示第i时刻的充电站负荷，随优化结果实时变动。其中，充电站负荷忽略照明等日常负荷。
1.3 动态优化的约束条件
本文中主要以充电站规模、电动汽车用户的需求等为约束条件，如下：
(1)要求充电站所在配电网下的总负荷要小于变压器的配电容量。
式中：LDmax表示配电网总负荷峰值;ST表示配电变压器容量。
(2)要求所有的时间参数符合电动汽车的运行规律。Tin-j、Tstart-j、Tc-j、Twait-j和Tout-j分别为第j辆车进入充电站的时刻、起始充电时刻、充电持续时间、在充电站可以等待的时间以及离开充电站的时刻，则显然有
其中，Twait-j为用户设定值。
(3)在充电过程中，需要保证车辆的充电功率在充电机的功率限制之内。
式中：Pch-min、Pch-max分别为充电机功率下限和上限;Pji是第j辆车第i时刻的瞬时功率。
(4)优化过程中SOC符合以下限制。
式中：SOCji表示第j辆车第i时刻的SOC值;SOCmin、SOCmax分别表示设定的SOC下限和上限;在本文中SOC上限为100%，下限为10%。
(5)充电站内电动汽车充电为先恒流后恒压模式[14,15]，如图1为不同起始SOC条件下的电动汽车充电曲线，可以看出5条充电曲线的充电部分几乎完全重合，则可以在模型中认为不同起始SOC下的充电功率曲线是整条曲线中的一部分。充电功率曲线可以由起始SOC决定。
其中，SOCs-j为第j辆车的充电起始SOC值。函数f和g都可以通过图1求解。
2 动态优化控制算法和步骤
2.1 动态循环过程介绍
动态优化的最终优化结果是得到进入充电站的每辆车的起始充电时刻。在本文中以15 min作为一个时段。在每个时段更新车辆数，进入寻优算法，得到最优结果并更新负荷曲线，然后进入下一时段的优化，并对之前的优化结果做出修正，由此得到仿真总时长的运营方案。
2.2 动态优化的控制算法
动态控制算法是利用粒子群算法作为优化的基本算法，在每个动态循环中进行调用，从而完成动态优化过程。
粒子群算法[16,17,18,19,20]是从鸟类生物种群行为特征中得到启发并用于求解优化问题，在粒子群算法中，每个个体称为一个“粒子”，其实每个粒子代表着一个潜在的解。每个粒子对应一个由适应度函数决定的适应度值。粒子不断调整位置，实现个体在解空间中寻优。
在每次迭代中，粒子根据式(10)、式(11)分别更新速度和位置。
式中：i=1,2，…，m,m为粒子规模，本文中取20;d=1,2，…，D,D表示单个粒子的维度;k是迭代次数，本文中k取400,r1和r2为[0,1]之间的随机数，这两个参数是用来保持群体的多样性。c1和c2为学习因子，为常量，本文中取值均为1.494 45。
在每次调用中，粒子群算法的变量为每辆车的起始充电时刻，其维度D即为参与该时段动态优化的车辆数，由每时段仿真的随机过程而定。
2.3 动态优化步骤
1)生成车辆初始参数
每辆车进入充电站后，车辆基本信息通过监控系统输送到充电站控制中心，在本文中采用随机模拟的方法生成。主要包括以下几项：
(1)生成车辆数计数向量：Vnum
Vnum代表每时段进入充电站的车辆数，根据运营经验，采用正态分布来生成。n为仿真总时长，np表示每时段时长，np=15 min。则总时段数Period为
(2)生成车辆等待时间向量：Twait
N表示规定总时间内进入充电站的总车辆数。
用1N的Twait来表示用户在充电站内可等待的时间。
可以看出，第j辆车Tin-j是通过Vnum中车辆的到达时刻来确定，Tstart-j却是由优化算法的结果来确定。Tout-j由Tin-j和Twait-j共同确定。
(3)生成剩余SOC向量：SOC
用1N的SOC向量表示每辆车回到充电站时的剩余SOC量，到站剩余SOC量将会决定车辆的实际充电功率曲线。
2)求负荷曲线
由于负荷值是每15 min采集一次的，所以需要进行三次样条插值，使得曲线精度提高。在本文中，最终得到的负荷曲线时间精度是1 min。
3)更新当前时段可优化的车辆数
每15 min更新一次，读取当前时段进入充电站需要充电的车辆信息，同时读取上一时段需要进行延迟充电的车辆信息。
4)粒子群优化
根据优化算法的约束条件，将电动汽车的初始数据代入粒子群算法中，以配电网总负荷的负荷方差最小为目标函数，确定优化后每辆车的起始充电时刻。
每15 min更新一次，得到每辆车的起始充电时刻，如果最优结果是在当前时段，则立即开始充电，如果优化结果是之后的时段，则需要延迟充电，将保留粒子进入下一次优化过程。
5)负荷叠加，循环优化
如果确定某车辆在当前时段开始充电，则其充电负荷就在常规负荷上进行叠加，更新负荷曲线。
进行下一次循环，从步骤2)开始，然后读取下一时段内车辆的充电需求，连同步骤4)中的保留粒子一起进行优化，再次进入步骤4)、步骤5)。
2.4 动态优化流程图
按照上述2.3节介绍的动态优化算法的主要仿真步骤，图2展现了充电站实际运行时的主要流程。
3 算例分析
假设在配电网内，某一节点为充电站负荷，其他节点为常规负荷。本文设置三个算例，均设置为每15 min进行一次循环，循环次数为40。利用概率分布特性生成随机数在充电站内进行充电站运营模拟，假设每时段进入充电站的车辆数、车辆等待时间、回站SOC均符合正态分布规律。根据动态优化算法进行优化运算，得到每辆车最优的起始充电时刻，从而可以得到充电站的负荷曲线以及配电网的最终负荷曲线。
3.1 参数设置
以下是利用正态分布生成的模拟电动汽车运营数据：
(1)每时段进入充电站的车辆数，三种情况设置略有不同;其中，分为三种情况进行模拟。
Case1:
每时段进入充电站的车辆数为0～3辆，按正态分布模拟。
Case2:
每时段进入充电站的车辆数为3～6辆，按正态分布num(28)4.5;num(28)1.0模拟。
Case3:
每时段进入充电站的车辆数为6～9辆，按正态分布模拟。
(2)每辆车的等待时间按进行模拟。
(3)每辆车进入充电站时的剩余SOC量按进行模拟。
3.2 无序充电和有序充电结果对比
假设经过动态优化得到的负荷曲线为有序充电曲线，而按照进入充电站立即开始充电得到的负荷曲线为无序充电曲线。以下为在不同的案例中，有序充电负荷与无序充电负荷的对比分析。
(1)Case1补偿结果，如图3。
充电站负荷与常规负荷的总量对比如表1所示，在只有常规负荷、有序充电、无序充电三种情况下的负荷特性分析如表2所示。
从图3中可以看出原应出现的充电尖峰被移到了负荷的低谷时段，起到了削峰填谷的作用。从表1和表2的数据看出，由于车辆数较少，充电负荷叠加后没有对负荷峰值造成影响，但通过负荷方差可以看出有序充电优于无序充电，降低670 kW2。
(2)Case2补偿结果，如图4。
充电站负荷与常规负荷的总量对比如表3所示，在只有常规负荷、有序充电、无序充电三种情况下的负荷特性分析如表4所示。
Case2中参与优化的车辆数增多，从表3也可以看出电动汽车负荷的渗透率增大5.55%。从表4的数据也看出优化过后负荷方差降低5 492 k W2，最大负荷降低341.2 kW，负荷率增长7.81%，综合图4和表2说明采用动态优化的有序充电方法，合理分配电动汽车的充电负荷，极大改善了负荷特性。
(3)Case3补偿结果，如图5。
充电站负荷与常规负荷的总量对比如表5所示，在只有常规负荷、有序充电、无序充电三种情况下的负荷特性分析如表6所示。
从图5可以看出在渗透率达14.20%时，电动汽车负荷已经在总负荷中占较大比重，此时无序充电对负荷特性的影响更为严重，动态优化过后，负荷方差降低3 118 kW2，最大负荷降低392.8 k W，负荷率增长7.95%。随着电动汽车负荷渗透率增加，动态优化的有序充电方法的效果就越为明显。
3.3 结果分析
综上算例仿真，可以得出以下分析结果：
1)动态有序充电策略对于改善配电网负荷特性，降低电动汽车充电负荷的不利影响有明显的效果。
2)动态优化算法相对于离线优化算法其最大的优势在于其实时动态的特点，离线优化算法不仅需要常规负荷的日前预测，还需要电动汽车运行状况的日前预测，而动态优化可以对实时运行在15 min内做出快速反应，提高有序充电控制的时效性和准确性。
4 结论
本文结合配电网的负荷特性以及充电站的实际运营状况，充分考虑用户的实际使用需求，以配电网负荷方差最小为优化目标，以充电站的规模、用户需求等为约束条件，基于粒子群优化算法建立了改善配电网负荷特性的动态优化的数学模型。
针对不同渗透率下的动态优化方案对于负荷特性的改善情况，证实了动态优化方案可以移峰填谷，改善配电网的负荷特性，实现配网的经济运行;随着电动汽车渗透率的增加，改善效果更加明显。
在实际运营中，还需要根据车辆类型的不同、充电站的运营收益等考虑更多的实际问题[21,22,23]。后续计划进一步针对实际问题，深入研究不同类型车辆的优化充电策略，例如公交车、私人乘用车以及出租车等。
摘要：充电站的建设与运营是电动汽车发展的基础性工程。以持续时段内配电网负荷方差最小为优化目标,以充电站的规模和用户需求为约束条件,基于粒子群优化算法提出了结合配电网负荷特性的充电站有序充电的动态优化方案。利用概率分布随机模拟的方法模拟用户的运行特征,对不同渗透率下,将动态优化的有序充电和到站即充的无序充电二者在负荷特性上进行对比分析。研究结果表明,通过动态有序充电优化方案可以降低负荷波动,优化配网特性,起到移峰填谷的作用。
关键词：充电站,电动汽车,粒子群算法,动态优化,负荷特性
家用电动汽车充电负荷特性分析 篇2
1 家用电动汽车发展趋势
根据国务院发展研究中心、中国汽车工程学会和大众汽车集团(中国)联合编著的《2015中国汽车产业发展报告》汽车发展规模预测,2020年中国私家车将超过8 000万辆(8 298.6万辆),2030年将超过1.7亿辆(17 683.0万辆)。若以此预测值为常态预测值,以常态预测值的110%作为高预测值,以常态预测值的90%作为低预测值,并假设家用电动车在2020年、2030年占私家车总量的比例分别为10%和30%,预测未来家用电动车数量范围结果如表1所示。
电动汽车尤其是家用电动车作为一种交通工具,使用者倾向于在自己方便的时候充电,而不是在电网希望的时候充电。这种无序的“按需充电”有何特性,一定规模的家用电动汽车同时接入电网时,其负荷峰值是否会对电网运行造成影响,本文将以表1数据为基础假设来分析。
2 家用电动汽车充电特性参数分析
家用车主要被用于车主上、下班以及休闲娱乐等,相应的充电地点主要包括单位办公停车场、居民停车场、商场超市停车场等。以南京地区私家车出行为例,上班出发高峰时段为7:00~9:00,占私家车总量的66.95%。车辆到达高峰时段为7:30~9:30,占私家车总量的71.95%。私家车在办公以及居民停车场停放时间较长,能够对其进行常规或者慢速充电,充电时间为到达上班地点之后至下班时间以及下班回家后至次日早晨上班之前,即7:30~17:00和19:00~7:00。在城市商业区,私家车可能的充电地点为商场、超市等专用或公共的停车场。根据某大型商场和某超市实际调研了近万辆私家车辆的停车行为,其平均停车时间为79.78min。结合我国电动汽车充电标准,在这类地点将进行常规充电,基于调研数据假设能够进行充电的时长大致为80min,在工作日和节假日其可能的充电时间段分别为19:00~22:00和12:00~22:00。为方便统计,把家用电动汽车在单位停车场和居民停车场充电有较长的充电时间,电动汽车能够充满电,为第1类充电行为;商场超市停车场充电有充电时长的限制,为第2类充电行为。
电池的特性也是影响电动汽车充电的一个重要因素。一般电动汽车电池容量C为1~30k Wh。电池具有快速响应能力,通常只需要毫秒级即可达到其最大输出功率,同时一般完全充满电需要少于等于5个小时。因此,普通容量电动汽车每小时充电功率为0.2~6k W。当电动汽车接入电网充电时,电动汽车电池充电SOC(荷电状态,也叫剩余电量)不断增大,电池充满时SOC为100%。反之当汽车处于行驶状态时,SOC不断减小。正常充电模式下,电动汽车每小时充电功率为0.2C,充电时间为5h,快速充电模式下,电动汽车每小时充电功率为1.25C,充电时间为0.8h。
假设私家车每天充1次电,起始SOC满足正态分布N(0.6,0.22)。
常规、快速充电电流分别为0.2C和1.25C,电池从零电量充满分别需要5h和0.8h。假设周末私家电动汽车在零点之前与零点之后起始充电车辆的数量之比为5:1。私家车在居民停车场、单位停车场、商场超市停车场充电的比例分别为0.7,0.2和0.1。私家车上班到达时间相对下班回家时间集中且考虑到不同单位上、下班时间有所区别,假设私家车在单位停车场以及居民停车场起始充电时间分布服从N(9,0.52)和N(19.5,1.52)的正态分布,其余第1类充电行为起始充电时间服从均匀分布。第2类充电行为起始充电时间满足均匀分布。考虑未来充电技术的发展,假设所有车辆充电方式为常规或快速充电,充电效率为90%,充电功率依照国家标准。
3 基于蒙特卡洛模拟的充电负荷计算
充电负荷计算的难点在于分析电动汽车起始充电时间和起始荷电状态(SOC)的随机性。充电负荷计算以天为计算单位,时间间隔精确到分钟,全天共1 440min。第i分钟总充电负荷为所有车辆在此时充电负荷之和,总充电功率可表示为:
式中:Li为第i分钟总充电功率,i=1,2,…,1440;N为电动汽车总量,为第n辆车在第i分钟的充电功率。按充电需求将第n辆电动汽车的第j种充电行为定义为或者。第1类充电行为,无充电时长的约束,充电过程持续到电池充满;第2类充电行为,有充电时长的约束,在充电时段结束时无论是否充满均停止充电。
由于电动汽车充电行为的不确定性,总充电功率为一随机变量,其大小取决于电池特性、充电时间和充电方式等,同时这些参数符合一定的概率特征,因此,可以采用蒙特卡罗方法求解上述模型。使用用电子计算机实现统计模拟或抽样,以获得问题的近似解。当系统中各个单元的可靠性特征量已知,但系统的可靠性过于复杂,难以建立可靠性预计的精确数学模型或模型太复杂而不便应用,则可用随机模拟法近似计算出系统可靠性的预计值。随着模拟次数的增多,其精度也逐渐增高。私家电动车充电峰荷模拟峰值见下表。
由此,2021~2030年,随着电动私家车的普及,电动汽车充电负荷将会快速上升,且充电负荷有一个明显的晚高峰,产生这个高峰的原因就是私家车在工作日下班后以及节假日晚间集中充电。由于在节假日私家车回家的时间相对工作日更为分散,因此节假日的充电峰荷有所下降。家用电动汽车充电负荷具有明显的峰谷差,其峰荷时段与全网负荷峰荷时段基本一致。
4 结论
充电特性 篇3
1 电动汽车的充电负荷特性分析
1.1 家用车和公务车的充电负荷特性
家用车和电动公务车通常采用慢充充电桩的方式充电。在政府和无经济利益的引导下, 电动家用车和公务车的充电行为相对比较随意, 充电时间也具有随机性, 这些因素之间在正常的状况下不会相互干扰, 且能够相互叠加。根据相关理论, 可认为这种随机变量服从正态分布, 采用蒙特卡洛随机算法计算一天中电动家用车和公务车的负荷特性曲线的公式为:
式 (1) 中:t——充电时间, 0≤t≤24。
通过式 (1) 能够准确计算电工家用车和公务车在一天中充电的高峰期和低谷期。研究得知, 中午和傍晚为高峰期。造成这种现象的原因是用户的习惯。用户在每天上午使用完汽车后, 利用中午休息的时间充电;电动汽车的电池在每天白天基本都会耗尽, 因此, 夜间成为了充电高峰期。
1.2 出租车的充电负荷特性
出租车每天需要充电2次。按照出租车的一般做法, 常在当天交班时充满电或加满汽油。以某地区的出租车为例, 该地区出租车的交班时间为每天的7:00和19:00, 采用集中充电的方式会引发充电高峰, 导致充电站会出现阻塞的现象。因此, 出租车充电应改变传统的集中交接班和充电的方式, 尽可能地避开集中交班的时间段。虽然不可能所有的出租车都避开集中交接班的时间段, 但是, 一部分出租车错开集中交接班的时间段后, 充电站便能采取一定的措施, 进而有效控制出租车的充电负荷。
1.3 公交车的充电负荷特性
公交车与出租车相同, 每天充电2次, 夜间充电处于非运营时间, 并采用集中充电的方式。运行时间内的充电指公交车在运营过程中充电。以某地区的公交车充电站为例, 该地区每天的7:00和16:00为充电负荷低谷期, 而在3:00、12:00和21:00出现充电负荷高峰期。
2 电动汽车对电网的影响
2.1 电动汽车充电对电网的影响
电动汽车充电对电网的影响因素主要包括以下3种: (1) 电动汽车的普及程度不同, 导致其充电的负荷特性和对电网的影响程度也不同。电动汽车的数量越多, 对电网的影响越大;反之, 数量越少, 对电网的影响相对较小。 (2) 电动汽车的类型不同。电动汽车的类型包括大型多用途汽车、中型多用途汽车、中型轿车和小型轿车, 不同用途的电动汽车的充电电路和充电时间也不相同。大型多用途汽车的充电量相对较大, 且充电时间相对较长, 对电网的影响较大。 (3) 电动汽车的充电时间不同。电动汽车的充电时间需要根据驾驶者的习惯和引导政策设计。如果在非峰荷时期充电, 则对电网的影响程度较小。如果在峰荷时期充电, 则会对电网造成较大的影响。
2.2 充电负荷特性对电网的影响
2.2.1 即插即充方式对电网的影响
以某地区为例, 2012年该地区电动汽车的发展规模较小, 且充电负荷高峰避开了夏季负荷高峰。因此, 整个地区的电网受夏季负荷特性的影响较小;2014年, 该地区的电动汽车已经形成了一定的规模, 在某一时间段大量的集中慢充电产生的充电负荷与电网原始负荷叠加, 给当地电网晚高峰和早高峰时段的网负荷带来了很大的压力, 电网最大负荷增加了12%, 系统峰谷差增大20 GW, 严重影响了电网的规划和运行。
2.2.2 夜间充电模式对电网的影响
公务车、私家车等柔性充电负荷的电动汽车充电时, 应尽可能避开用电高峰, 这样能明显降低对电网的影响程度。
2.2.3 智能V2G充电模式对电网的影响
在智能V2G充电模式中, 各种刚性充电负荷会增加电网负荷, 加之参与电网削峰调节的电动汽车数量和能提供的电量相对较少, 进而影响了电网削峰的效果。因此, 随着电动汽车的数量越来越多, 不同充电模式对电网的影响也会越来越大。虽然电动汽车的智能V2G充电模式对电网最大负荷的影响较小, 但是, 随着电动汽车数量的不断增多, V2G充电模式对降低电网负荷峰谷差将具有一定的促进作用。因此, 在未来, 采用该模式对改善电网的负荷特性具有非常重要的作用。
3 结束语
综上所述, 在节能减排、绿色环保的大背景下, 我国的电动汽车行业得到了前所未有的发展。但在发展的过程中, 不同类型汽电动汽车的充电负荷特性对电网造成了不同程度的影响。
参考文献
[1]高赐威, 张亮.电动汽车充电对电网影响的综述[J].电网技术, 2011, 35 (02) :127-129.
[2]董云先, 吴奎华, 吴奎忠, 等.电动汽车充电模式对区域电网负荷特性的影响[J].山东电力技术, 2013, 22 (02) :31-35.
充电特性 篇4
我国是个化石能源缺乏的国家, 石油等能源供给大部分来源于进口, 对汽车能源动力战略性转型的要求更加迫切, 国务院作出规划, 在现有电动汽车应用规模的基础上, 到2020年电动汽车年生产能力和销量均要达到一定规模[1]。
电动汽车的随机充电模式将明显影响电网负荷的峰谷差, 并对电网造成越来越大的压力。国内外将研究集中在未来电动汽车的发展对电网的实时影响及控制上, 如电动汽车充放电行为的特征及对电网负荷峰谷差的作用[2], 电动汽车充电对配电网线路损耗的影响[3,4], 车辆到电网的逆向电能传输 (Vehicle to Grid, V2G) 模式的使用及其对电网的峰谷控制[5]等, 但缺乏电动汽车规划与电网协调发展方面的研究。
关于电动汽车对区域电网影响的研究, 文献[6]研究了电动汽车的总体需求对北京和上海日负荷曲线的评估, 对电动车总体做了一定的分析, 但缺乏对不同类型电动汽车的分析。文献[7]则分析了各种充电模式对广东电网负荷特性的影响。本文则从对广州地区电动汽车的发展特点出发, 应用实际数据研究广州地区电网负荷峰谷特点, 对电动私家车和电动公交车两种不同的充电行为特点进行研究, 由此预测到2020年广州电动私家车和电动公交车的发展对广州电网的峰谷差的影响, 从而为广州地区电网未来战略规划及发展提供指导意见。由此也对我国城市电动汽车发展中的电网建设提供思想启迪。
1 电动汽车的充电规律
通过分析电动汽车发展现状, 结合已发布的电动汽车发展规划, 可以知道电动汽车的发展趋势大体为:2010-2015年, 电动汽车主要在公交车、公务车、出租车中示范运营;2016-2020年在公共交通系统、公务车中实现电动汽车规模化运营, 私家车较少;2021-2030年电动私家车加速发展, 其比例逐年上升。因此, 本文以2020年为时间节点, 分析规模化运营的电动公交车对广州电网的影响, 并考虑电动私家车普及后对广州电网的影响。
1.1 电动公交车的充电规律
电动公交车的技术发展很迅速, 本文取比亚迪K9纯电动公交车的技术参数为参考, 其技术参数如下:电动公交车的耗电量为每100 km耗电130 k W·h, 平均充电功率是80 k W (采用均匀充电的方式) , 平均放电功率是26 k W, 日行驶里程在150~200 km左右[8,9]。根据广州市2014年公交车保有量为1.1万辆的现状, 以及2017年公交车预计保有量为1.55万辆的预测, 本文假设广州到2020年时拥有电动公交车数量2万辆, 每辆电动公交车的电池容量为320 k W·h, 电动公交车的平均行驶速度为20 km/h[10,11]。同时, 由于电动公交车的推广速度难以预测, 本文采用对纯电动公交车的渗透率为25%、50%、75%、100% (即5 000、10 000、15 000、20 000辆) 的情况进行探讨。
通过对广州地区公交车运营情况的调研, 在一天当中, 广州区电动公交车的运营情况是:早上从6∶00开始发车, 晚上23∶00后停止发车, 其中有两个高峰期, 分别7∶00-9∶00以及17∶00-19∶00。电动公交车公司在一天当中通过对每个时段安排一定百分比的电动公交车的数量维持对应时间段的正常秩序的运行。如在第一个高峰期时, 7∶00-8∶00这一时段调用总车辆数80%的车辆, 8∶00-9∶00这一时段调用总车辆数90%的车辆。完成充电工作的电动公交车也将投入到往后时间段的电动公交车的安排中。具体电动公交车司机的时间分配可由电动公交车公司统一调配。此时, 每辆电动公交车的充电容量等于每辆电动公交车的充电功率乘以充电时间。
通常情况下, 当电动公交车的电池容量低于10%时, 应停止参加到运营安排当中。电动公交车的充电时间安排、调用安排均由电动公交车公司统一协调。考虑到广州市分时段的阶梯电价情况, 结合实际生活中电动公交车充电安排的实际情况, 本文提出以下2种充电策略:1、只要是某时段没有参与到运营当中的电动公交车, 都要进行充电, 也就是说, 一般情况下, 公交车在回到公交站后, 如果在下一个时段没有出车的安排, 那么就进行充电, 也就是“随到随充”的充电策略;2、由于电动公交的续航里程大于一日的运行里程, 因此在可以满足正常运营需求的情况下, 考虑到0∶00-6∶00的电价比较便宜, 可将充电时段集中安排在凌晨0∶00-6∶00, 可称为“深夜充电”的充电策略。根据调研所得公交的调度规律, 广州的一天当中的电动公交车调用安排、2种充电策略下各时段充电中的公交车的百分比如图1所示:
1.2 电动私家车的充电规律
对电动私家车而言, 充电负荷的时间分布取决于两个因素:起始充电时间和日行驶里程。起始充电时间越集中, 带给电网充电负荷就越大。而日行驶里程反映了用户的耗电量, 并与充电持续时间成正比。因此, 充电功率、电池容量、起始充电时间和日行驶里程实际上决定了电动私家车随时间分布的充电负荷。
1.2.1 假设条件
目前市面上电动私家车的种类繁多, 规格型号各不相同, 将来各型号电动私家车的销量分布不可预测。本文参考比亚迪e6的数据, 假设电动私家车电池容量为60 k W·h, 充电功率为8 k W[12]。另外, 其他文献虽然提出了电动私家车的各种充电调度策略, 但由于私家车本身所具有的分散、不可控等特点, 本文假设电动私家车都采用无序的充电策略, 即每次出行回到家以后立即进行充电。通过以上分析, 参考目前电动私家车的发展状况, 本文对电动私家车做出如下假设:
(1) 百km电耗固定为20 k W·h;
(2) 电动私家车在最后1次出行返回后开始充电;
(3) 所有车辆采取0.1C额定电流进行充电;
(4) 每次充电都充至满电量;
(5) 充电起始时刻、日行驶里程、充电功率为相互独立的随机变量;
(6) 2020年广州地区私家车保有量为3 300 000辆[13]。
1.2.2 起始充电时间和日行驶里程的概率模型
本文引用2001年美国交通部对全美家用车辆的调查结果 (National Household Travel Survey, NHTS) [14,15]。对NHTS2001的统计数据进行归一化处理后, 用极大似然估计的方法分别将车辆最后返回时间和日行驶里程近似为正态分布和对数正态分布。此时, 起始充电时间为最后一次出行返回时间, 起始充电时间的概率密度函数为[5]:
其中μs=17.6, σs=3.4, x为日行驶里程。
日行驶里程满足如下对数正态分布, 其概率密度函数为[6]:
其中μD=3.2, σD=0.88, x为日行驶里程。
1.2.3 一日内单台电动私家车的充电功率需求分布
电动汽车充电所耗时间长度可估计为[5]:
其中:Tc为充电时间长度, h;S为日行驶里程, km;W100为百km的耗电量, 20 k W·h·km;Pc为充电功率, 8 k W。
电动私家车的日行驶里程与其充电功率相互独立, 可以求出充电时长的概率密度函数为[5]
1.2.4 一日内电动私家车的充电功率需求分布
假设2020年广州电动私家车保有量为3 300 000辆, 根据每个时间点电动私家车充电数量和每台电动汽车充电功率, 根据式 (1) ~ (4) 可做出电动私家车渗透率为5%、1%、0.5%、0.1% (电动私家车台数为165 000、33 000、16 500、3 300台) 时, 一日内电动私家车的充电功率分布情况, 如图2所示。
2 广州电网的负荷特性
广州电网2011年至2013年的夏季典型日负荷曲线和2013年冬季典型日负荷曲线如图3所示。广州地区年最大负荷都基本出现在7月或8月, 属于典型的夏季高峰型的负荷特性。因此, 在考察电动汽车对广州电网负荷特性的影响时, 应选取夏季日负荷曲线作为参考。
广州电网各年的夏季日负荷曲线差异不大, 每日出现3次负荷高峰段, 第一个时间段在上午11∶00前后, 第二个时间段在下午15∶00前后, 第三个时间段在晚上21∶00前后。广州地区日负荷曲线有1个低谷, 在早上7∶00前后。广州地区日负荷峰谷差很大。
根据广州地区2011至2013年夏季典型日负荷曲线, 按照一定的增长比例可估算出2020年广州的日负荷曲线, 可以以此为根据分析电动汽车对广州电网的影响。
3 电动汽车对广州电网负荷特性的影响
3.1 电动公交的影响
根据2020年广州预测的典型夏季日负荷曲线, 结合20 000辆电动公交车在不同充电策略下的充电功率, 可以得到电动公交对广州地区日负荷曲线的影响, 计算结果如图4所示。在运用随到随充的充电策略时, 在不同的电动公交渗透率下, 广州市的日负荷峰值及日负荷峰谷差如表1所示。
由图4及表1可得, 在随到随充的充电策略下, 电动公交提高了广州的日负荷峰值, 增大了广州的日负荷峰谷差。而在深夜充电的充电策略下, 峰谷差和日负荷峰值均没有受到影响。因此, 采取合适的充电策略, 可减少电动公交充电对电网的影响, 减缓电网的建设, 降低峰谷差。
3.2 电动私家车的影响
根据2020年广州预测的典型夏季日负荷曲线, 结合电动私家车的充电规律和充电功率, 可以得到不同渗透率的电动私家车 (2020年预测最多3 300 000辆) 对广州地区日负荷曲线的影响, 计算结果如图5所示。
在不同的电动私家车渗透率下, 广州市的日负荷峰值及日负荷峰谷差如表2所示。
由图5及表2可得, 由于预期到2020年电动私家车的渗透率不会高于5%, 因此不同渗透率的电动私家车接入广州电网后, 对电网的负荷只产生了极轻微的影响, 同时, 峰谷差率变化不大。需要指出的是, 随着电动汽车渗透率的增加, 电动汽车在无序充电的情况下, 有可能会在一定程度上增大广州电网的最大负荷, 同时加大峰谷差。
4 结论
本文以广州地区2020年电动公交车以及电动私家车的充电为例, 对城市电动汽车的充电行为进行了探索, 其中电动公交车的充电可以结合公交车运营规律和电网负荷特性进行合理安排, 而电动私家车的充电行为则只具有统计学规律。在此基础上, 评估出电动汽车的充电行为对城市电网日负荷特性的影响。结果表明, 对于电动私家车而言, 由于预期其渗透率不高, 因此其对广州电网的日负荷峰值及峰谷差率影响不大。而对于电动公交而言, 任其采用无序充电的方式进行充电会加大电网的日负荷峰值及峰谷差率。此时, 采取深夜充电 (每日0∶00后开始充电) 的充电方式, 可彻底消除电动公交充电行为对电网的影响。
摘要：研究电动汽车对广州电网负荷峰谷特性的影响。首先分析了广州市动公交车的运营规律, 得到了其充电负荷特性;然后根据统计数据, 考虑随机因素的影响, 得到电动私家车总体充电功率需求的计算方法;最后, 结合广州电网2020年的日负荷特性, 预测了电动汽车对广州电网负荷峰谷特性的影响。计算结果表明, 电动公交的无序充电将使广州电网的最大负荷发生一定增长, 同时轻微加大峰谷差, 而电动私家车对电网的影响很微小。