电动汽车充电负荷预测系统研究

陈丽丹，张 尧

（1.华南理工大学 广州学院 电气工程学院，广东 广州 510800；2.华南理工大学 电力学院，广东 广州 510640）

电动汽车是新能源汽车的主要发展方向，近年成为国内外汽车产业发展的热点，发展速度日益加快，将逐步迈入规模产业化阶段［1］。但大规模的电动汽车充电负荷具有时间和空间上的随机性、间歇性、波动性等不确定特点［2］，这给电网规划、安全运行和优化调度带来新的问题。因此，有必要全面分析影响电动汽车充电负荷的因素，建立电动汽车充电负荷预测系统。

电动汽车接入电网的影响也成为国内外研究的热点，文献［3－5］着力于电动汽车对电网的谐波污染研究；文献［6，7］分别从电动汽车负荷聚集性、确定性和不确定性分析了由配电网局部引起的过负荷问题和电动汽车的无序并网充电对电压调节、三相平衡的影响；文献［8－10］研究了电动汽车接入对配网的负荷曲线、充电站规划、充电设施的影响。相关学者结合电网影响的充放电控制策略展开了研究，如文献［11］提出最优的充电模型计及了负荷预测的不确定性和潮流约束等条件；文献［12］提出阶梯充电策略；文献［13］建立时间协调的充电模型；文献［14］不仅涉及负荷预测，还以最小化电力零售商的购电成本制定充电策略，计及实时电价和负荷之间的关系。此外，文献［15－17］将电动汽车充电和风电结合在一起进行协调控制；文献［18－20］都以最小化客户成本制定充电方案，其中文献［18］将实时电价和负荷相联系，文献［20］考虑了电动汽车向电网反向送电的情况，在一定条件下，电动汽车向电网反向送电能够给客户带来一定的收益。然而，这些影响分析及控制策略研究均是建立在设想的大规模充电负荷情形之下，无法准确定量分析。

国内电动汽车充电负荷建模研究主要集中在基于蒙特卡洛模拟的统计学建模方法［21－23］。文献［24］从充电汽车电池的初始荷电状态和车辆到达充电站时间的随机分布为出发点，提出两阶段泊松分布的电动汽车充电站集聚模型，进行充电站集聚特性的模拟，并提出基于充电站的日充电负荷曲线的电动汽车充电站负荷集聚模型的建模方法；文献［25］在探究大量电动汽车并网充电动态物理过程的基础上，通过建立描述该动态物理过程的数学方程来计算充电负荷。在充电负荷建模及电动汽车充电对电网负荷影响的研究方面，国外学者重点集中在充电站负荷建模方法、小区家用电动汽车充电负荷预测、电动汽车充电对配网的负荷影响以及对电网整体负荷平衡分析等［7，26－28］。

现有电动汽车充电负荷预测研究存在不足之处：①普适性不强。大部分研究仅考虑了充电行驶里程、充电起始时间、起始荷电状态等建模条件的简单因素，尚无涵盖各种关键因素和多种车辆类型的理论负荷模型；②耦合度不够。缺乏综合各种关键因素、耦合特性和相互作用机理的电动汽车充电需求分析模型；③定量推算不足［29］。

因此，笔者将着重分析影响电动汽车充电负荷的影响因素，考虑家用车、公务车、公交车、出租车等多种将来会普遍应用的电动汽车车辆类型的充电概率，开发适用于各地区的电动汽车充电负荷预测系统，为电动汽车接入电网的影响分析和调控策略提供理论支持。

1 电动汽车充电负荷的影响因素

影响充电负荷的相关因素包括电动汽车的发展规模，汽车类型，动力电池容量，充电起始荷电状态（initial state－of－charge，SOC0），以及每辆电动汽车的充电功率、充电频率、充电方式、充电时间等。

1.1 电动汽车

1）电动汽车的发展规模。中国政府推出了一系列相关支持政策，2012年《节能与新能源汽车产业发展规划（2012－2020年）》中指出，到2015年纯电动汽车和插电式混合动力汽车累计产销量力争达到50万辆，到2020年纯电动汽车和插电式混合动力汽车生产能力达200万辆、累计产销量超过500万辆。电动汽车未来发展趋势可归纳为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、公务车实现电动汽车规模化运营，私家车将大力发展；2021－2030年电动私家车加速发展，比例上升。分析时可根据电动汽车不同渗透率来研究电动汽车对电网的影响。

2）电动汽车的分类。电动汽车的车辆类型按不同用途划分为私家车、公交车、出租车、公务车。根据文献［30］，汽车可分为商用车和乘用车两大类，商用车的运行特点具有较为固定的行驶规律和停放地点，而出租车、私家车等乘用车，其运行方式比较随机、灵活。不同类型电动汽车的电池特性、充电特性都不同，其充电负荷也不同。

3）电动汽车的电池特性。

①电池种类。主要有铅酸电池、氢镍电池、镉镍电池和锂动力电池［31］。各种电池其充电特性不一，对充电负荷有影响。

②电池容量。电池容量越大，充电功率越大，另外电池容量影响充电频率，容量越大，充电频率相对越低。

③电池荷电状态。电池的荷电状态（SOC）是表征动力电池容量的指标，充电功率的需求、充电时间与电动汽车接入电网时的起始荷电状态（SOC0）密切相关。

1.2 电动汽车充电设施

1）充电机特性。现有充电机分为直流充电机和交流充电机，又分为高频和相控两类充电机，虽然各有优势，但其充电效率随充电电流减小而降低，这也给充电负荷预测带来影响。笔者预测建模时，充电机工作效率取为0.9。

2）电动汽车的电能供给方式。目前，电动汽车电能供给方式主要分整车充电和快速更换电池系统，不同电能供给方式应用于不同类型的车，其中后者主要用于电池和车两者可以分离的电动汽车，对更换下来的电池充电。不同的充电模式下电动汽车充电负荷也会不同，慢充每次所需的充电时间较长；快充是利用大电流给电动汽车充电，但对电网冲击大，同时会减少电池使用寿命。

1.3 电动汽车的用户

电动汽车使用用户对充电负荷的影响主要包括使用情况及行为习惯两方面。

1）使用情况。

①行驶里程。作为一种新型交通工具，电动汽车并不总是处于停驶状态，因此可能会在不同时间点位于不同的地点。每次充电前的行驶里程与充电负荷直接相关联。

②充电场所。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、集中充电站等，各个场所会有不同的充电水平。

2）行为习惯。

①充电起始时间。由于用户行为习惯不同，对充 电起始 时 间 的 不 同 选 择［15，21－22，32］将 对 电 网 产 生较大影响，较多研究表明，如能采取有效充电控制策略，将对电网起到“削峰填谷”的作用。电动汽车开始充电的时间越集中，电网所需要提供的充电功率也越大。

②充电持续时间。充电持续时间由电池容量、起始荷电状态、充电功率水平等因素共同决定。

③充电频率/次数。较高的充电频率会减小电动汽车电池的寿命，而较低的充电频率会影响电动汽车用户的正常使用需求。

④是否充满的考虑。将电池充到多少电量的心理考虑对于电动汽车充电负荷同样有影响，属于随机行为。

文献［33］采用用户住宅配置充电设施和数据采集装置，对参与测试的电动汽车用户的充电行为进行了跟踪记录。

2 电动汽车充电负荷模型与预测实现

2.1 用户行为的概率模型

用户行为是影响电动汽车充电负荷的关键因素，且其具有较大的随机性。一天内，充电起始时刻和电池起始荷电状态影响电动汽车充电负荷的时序分布规律，笔者考虑这2个因素的概率分布，建立1 d（24h）内电动汽车充电负荷预测模型。

1）充电起始时刻。按照用户行为，若不考虑有序充电控制，大部分车辆将选择在抵达停车场（位）充电机（桩）时开始充电。该文采用高斯正态分布模型拟合起始充电时刻［22］，即

式中 μs为起始充电时刻的分布均值；σs为标准差。μs和σs的值可根据不同地区、不同车辆类型的用户行为拟合得到。

私家车出行一天后返回家中、抵达上班地点、回到家中时刻的概率分布如图1所示。图1（b）中，行程1“H－W”表示由家到上班地点的行程，行程2“WH”表示由上班地点到家里的行程，分别表示2个行程结束时间的概率分布。

2）充电频率。各种类型车辆每日行驶里程不等，部分车辆一天充一次将满足其日行驶里程的要求，部分车辆日行驶里程较长，另考虑剩余电量，车主可能会选择一天两充、一天三充模式。笔者建模时考虑采用一天一充、一天两充、一天三充的车辆占该类型电动汽车总数的比例用a%，b%，c%表示。

由于各类型车辆的充电频率不同，其充电行为亦有所区别。以私家车为例，一天一充的用户一般选择在最后一次返家时在小区停车场进行充电，该文仿真算例中，一天一充模式的私家车充电负荷计算时假设其起始充电时间满足正态分布N （1 140，602），因私家车在小区停车场停留时间较长，充电采用慢充方式。一天两充模式的私家车，以上班族为例，在上班抵达单位停车场时接入电网充电，采用常规充电功率水平，两次起始充电时间分别为抵达上班场所时以及下班返家后，一天两充模式的私家车起始充电时间假设分别满足N（540，602）和N（1 140，602），充电功率分别设为3.5和7kW。

图1 私家车抵达停车场时刻的概率分布Figure 1 Arrival time probability distribution of private electric vehicles

3）起始荷电状态。起始荷电状态与车辆充电频率有关，笔者建模时，采用高斯正态分布模型N（μ0）进行拟合，μ0分别为充电SOC0平均值和标准差。

4）充电时长。在已知各类型电动汽车充电功率水平下，充电时长与起始电池荷电状态、最终荷电状态相关。为方便分析，充电过程中电池的温度、电压变化、电池的循环使用均不做考虑，则可得充电时长：

式中 Tc为充电时长，min；Eb为电池容量，kW·h；α为充电后的电池容量百分比，充满则取1；η为充电效率，根据国家标准要求，不低于0.9；Pc为充电功率水平，由各类型车辆根据不同充电场所确定，如出租车其运营过程中不可能休息停留过久，故在专用充电场所采用快速充电。该文电动出租汽车充电负荷计算中采用比亚迪E6（出租车版），其充电功率设为33kW；公务车在下班后停留在单位，该情况采用单位停车场常规充电（充电功率设为12kW），充电时间较长，而其白天出行公务活动过程中，因时间限制采取快充模式，充电时间短；电动公交车白天运营阶段采用快充方式（充电功率为108kW），夜间采用60kW充电机充电。

2.2 基于蒙特卡洛的充电负荷模型

1）预测基本思想。基本思想：某时刻地区电动汽车充电总负荷为单辆电动汽车充电功率之和。地区电动汽车数量为已知量或规划数据，为更精确地得到负荷预测结果，将1天分成1 440min进行计算，充电负荷可表示为

式中 P 为区域充电总负荷；r＝1，2，…，1 440，内私家、公交、公务、出租电动汽车数量和其对应场所的充电功率水平。

2）蒙特卡洛模拟。假设所有电动汽车都未受控制，即电动汽车接入电网后马上充电，针对某种类型的电动汽车采用蒙特卡洛仿真方法抽取单位电动汽车的起始SOC、起始充电时刻Ts模拟用户充电行为，从而计算该类型电动汽车的充电负荷曲线，对某类型电动汽车（私家车为例）的仿真计算流程如图2所示，Tsxy，SOCxy 和Tcxy 中：x＝1，2，3分别表示充电类型一天一充，一天两充，一天三充；y＝1，2，3代表一天中第1，2，3次充电。

①输入原始数据，包括电动汽车的电池容量Eb、车辆数Nh、各类型充电模式的数量占比值（一天一充、一天两充、一天三充比例分别为a%，b%，c%）、各场所的充电功率水平每种充电模式下电动汽车的起始充电时刻概率分布数据N（μs，）、起始荷电状态的概率分布数据N（μ0）等。

②计算得到一天一充、一天两充、一天三充模式的车辆数，进行各充电模式下起始充电时刻、起始荷电状态等随机变量的抽取。

③计算各充电模式下充电时长，得到Tc。

④累加充电负荷曲线，直至车辆数到达设定值为止。

图2 蒙特卡洛仿真计算流程Figure 2 Flowchart of proposed Monte Carlo simulation algorithm

仿真次数设为1 000次，收敛精度为10－4，判断计算结果是否满足收敛精度，若满足则停止计算输出结果，否则重新计算。

2.3 系统实现

各类型电动汽车电池容量、数量及充电模式比例（a%∶b%∶c%）参数设置如表1所示；利用Matlab编制预测算法并开发GUI可视界面，系统局部截图如图3所示。

起始充电时间和起始荷电状态的概率分布根据充电模式有所不同，各类型车辆的设置参数如表2所示。将各类充电模式的充电负荷叠加后，得到的电动汽车充电总负荷曲线和私家车日充电负荷曲线，分别如图4，5所示。

表1 基本参数设置Table 1 Basic input parameter values

图3 区域电动汽车充电负荷预测系统Figure 3 EV charging load forecasting system interface

表2 其他仿真参数设置Table 2 Other input parameters

图4 电动汽车充电总负荷曲线Figure 4 Total charging power load of EVs

图5 电动家用汽车（私家车）日充电负荷曲线Figure 5 Day charging power load of Home EVs

4 结语

电动汽车充电负荷预测是分析电动汽车与电网交互关系、协调控制策略制定的研究基础，其困难在于预测建模因素的随机性、不确定性。笔者建立了一套充电负荷预测的系统，针对研究区域，可由用户输入实际电动汽车数据、充电设施数据及调研的用户行为数据，即能实现区域各种类型电动汽车及总充电负荷的预测。该系统采用模块化设计，界面友好、操作简单，可为分析电动汽车对电网影响提供便利。

［1］吴憩棠.我国“十城千辆”计划的进展［J］.新能源汽车，2009，24（1）：15－19.WU Qi－tang.Progresses in“Ten Cities ＆ Thousand U－nits”plan［J］.New Energy Vehicles，2009，24（1）：15－19.

［2］Wu Di，Aliprantis D C，Gkritza K.Electric energy and power consumption by light－duty plug－in electric vehicles［J］.IEEE Transactions on Power Systems，2011，26（2）：738－746.

［3］Gomez J C，Morcos M M.Impact of EV battery chargers on the power quality of distribution systems［J］.IEEE Transactions on Power Delivery，2003，18（3）：975－981.

［4］卢艳霞，张秀敏，蒲孝文.电动汽车充电站谐波分析［J］.电力系统及其自动化学报，2006，18（3）：51－54.LU Yan－xia，ZHANG Xiu－min，PU Xiao－wen.Harmonic study of electric vehicle chargers［J］.Proceedings of the CSU－EPSA，2006，18（3）：51－54.

［5］黄梅，黄少芳.电动汽车充电机谐波的工程计算方法［J］.电网技术，2008，32（20）：20－23.HUANG Mei，HUANG Shao－fang.A harmonic engineering calculation method for electric vehicle charging station［J］.Power Supply Technology，2008，32（20）：20－23.

［6］Rowand M.The electricity utility－business case［C］.Plug－In Conference，Silcon Valley Leadership Group，San Jose CA，USA，2009.

［7］Taylor J，Maitra A，Alexander M，et al.Evaluation of the impact of plug－in electric vehicle loading on distribution system operations［C］.Power ＆ Energy Society General Meeting，Alberta，Canada，2009.

［8］李惠玲，白晓民.电动汽车充电对配电网的影响及对策［J］.电力系统自动化，2011，35（17）：38－43.LI Hui－ling，BAI Xiao－ming.Impacts of electric vehicle charging on distribution grid［J］.Automation of Electric Power Systems，2011，35（17）：38－43.

［9］康继光，卫振林，程丹明，等.电动汽车充电模式与充电站建设研究［J］.电力需求侧管理，2009，11（5）：64－66.KANG Ji－guang，WEI Zhen－lin，CHENG Dan－ming，et al.Research on electric vehicle charging mode and charging stations construction［J］.Power Demand Side Management，2009，11（5）：64－66.

［10］杜爱虎，胡泽春，宋永华，等.考虑电动汽车充电站布局优化的配电网规划［J］.电网技术，2011，35（11）：35－42.DU Ai－hu，HU Ze－chun，SONG Yong－hua，et al.Distribution network planning considering layout optimization of electric vehicle charging station［J］.Power System Technology，2011，35（11）：35－42.

［11］Clement－Nyns K，Haesen E，Driesen J.The impact of charging Plug－In Hybrid Electric Vehicles on a residential distribution grid［J］.IEEE Transactions on Power Systems，2010，25（1）：371－380.

［12］Masoum A S，Deilami S，Moses P S，et al.Smart load management of plug－in hybrid electric vehicles in distribution and residential networks with charging stations for peak shaving and loss minimisation considering voltage regulation［J］.IET Generation Transmission ＆ Distribution，2011，5（8）：877－888.

［13］Acha S，Green T C，Shah N.Effects of optimised Plug－In Hybrid Vehicle charging strategies on electric distribution network losses［C］.IEEE PES Transmission and Distribution Conference and Exposition，New Orleans，LA，USA，2010.

［14］Doostizadeh M，Khanabadi M，Esmaeilian A，et al.Optimal energy management of a retailer with smart metering and Plug－In Hybrid Electric Vehicle［C］.The 10th International Environment and Electrical Engineering，Rome，Italy，2011.

［15］徐立中，杨光亚，许昭，等.电动汽车充电负荷对丹麦配电系统的影响［J］.电力系统自动化，2011，35（14）：18－23.XU Li－zhong，YANG Guang－ya，XU Zhao，et al.Impacts of electric vehicle charging on distribution networks in Danmark［J］.Automation of Electric Power Systems，2011，35（14）：18－23.

［16］于大洋，宋曙光，张波，等.区域电网电动汽车充电与风电协同调度的分析［J］.电力系统自动化，2011，35（14）：24－29.YU Da－yang，SONG Shu－guang，ZHANG Bo，et al.Synergistic dispatch of PEVs charging and wind power in Chinese regional power grids［J］.Automation of E－lectric Power Systems，2011，35（14）：24－29.

［17］Guille C，Gross G.The integration of PHEV aggregations into a power system with wind resources［C］.Bulk Power System Dynamics and Control，Urbana，IL，USA，2010.

［18］孙晓明，王玮，苏粟，等.基于分时电价的电动汽车有序充电控制策略设计［J］.电力系统自动化，2013，37（1）：191－195.SUN Xiao－ming，WANG Wei，SU Su，et al.Coordinated charging strategy for electric vehicles based on time－of－use price［J］.Automation of Electric Power Systems，2013，37（1）：191－195.

［19］Chengke Zhou，Kejun Qian，Allan M，et al.Modeling of the cost of EV battery wear due to V2Gapplication in power systems［J］.IEEE Transactions on Energy Con－version，2011，26（4）：1 041－1 050.

［20］Rotering N，Ilic M.Optimal charge control of Plug－In Hybrid Electric Vehicles in deregulated electricity markets［J］.IEEE Transactions on Power Systems，2011，26（3）：1 021－1 029.

［21］罗卓伟，胡泽春，宋永华，等.电动汽车充电负荷计算方法［J］.电力系统自动化，2011，35（14））：36－43.LUO Zhuo－wei，HU Ze－chun，SONG Yong－hua，et al.Study on plug－in electric vehicles charging load calculating［J］.Automation of Electric Power Systems，2011，35（14）：36－42.

［22］田立亭，史双龙，贾卓，等.电动汽车充电需求的统计学建模方法［J］.电网技术，2010，34（11）：126－130.TIAN Li－ting，SHI Shuang－long，JIA Zhuo，et al.A statistical model for charging power demand of electric vehicles［J］.Power System Technology，2010，34（11）：126－130.

［23］Kejun Qian，Chengke Zhou，Malcolm Allan，et al.Modeling of load demand due to EV battery charging in distribution systems［J］.IEEE Transactions on Power Systems，2011，26（2）：802－810.

［24］郑竞宏，戴梦婷，张曼，等.住宅区式电动汽车充电站负荷集聚特性及其建模［J］.中国电机工程学报，2012，32（22）：32－38.ZHENG Jing－hong，DAI Meng－ting，ZHANG Man，et al.Load cluster characteristic and modeling of EV charge station in residential district［J］.Proceedings of the CSEE，2012，32（22）：32－38.

［25］刘鹏，刘瑞叶，白雪峰，等.基于扩散理论的电动汽车充电负荷模型［J］.电力自动化设备，2012，32（9）：30－34.LIU Peng，LIU Rui－ye，BAI Xue－feng，et al.Charging load model based on diffusion theory for electric vehicles［J］.Electric Power Automation Equipment，2012，32（9）：30－34.

［26］Sungwoo Bae，Alexis Kwasinski.Spatial and temporal model of electric vehicle charging demand［J］.IEEE Transactions on Smart Grid，2012，3（1）：394－403.

［27］Zahra Darabi，Mehdi Ferdowsi.Aggregated impact of plug－in hybrid electric vehicles on electricity demand profile［J］.IEEE Transactions on Sustainable Energy，2011，2（4）：501－508.

［28］Fernandez L P，Roman T G S，Cossent R，et al.Assessment of the impact of plug－in electric vehicles on distribution networks［J］.IEEE Transactions on Power Systems，2011，26（1）：206－213.

［29］徐虹，贺鹏，艾欣.电动汽车充电功率需求分析模型研究综述［J］.现代电力，2012，29（3）：51－56.XU Hong，HE Peng，AI Xin.Review of the research on the load demand analysis model of EVs charging［J］.Modern Electric Power，2012，29（3）：51－56.

［30］GB/T 3730.1－2001.汽车和挂车类型的术语和定义［S］.

［31］刘坚.电动汽车充电方式和商业运营模式初探［J］.汽车工程师，2011（1）：19－23.LIU Jian.A preliminary study on charging infrastructure development and business operation models［J］.Auto Engineer，2011（1）：19－23.

［32］杨洪明，熊脶成，刘保平，等.插入式混合电动汽车充放电行为的概率分析［J］.电力科学与技术学报，2010，25（3）：8－12，24.YANG Hong－ming，XIONG Luo－cheng，LIU Baoping，et al.Probabilistic analysis of charging and discharging for plug in hybrid electric vehicles［J］.Journal of Electric Power Science and Technology，2010，25（3）：8－12，24.

［33］张明霞，庄童.小区电动汽车充电负荷实测分析［J］.电力需求侧管理，2012，14（3）：44－46.ZHANG Ming－xia，ZHUANG Tong.Analysis of the measured charging load of electric vehicle in residential area［J］.Power Demand Side Management，2012，14（3）：44－46.