考虑电力-交通交互的配电网故障下电动汽车充电演化特性

吴赋章，杨 军，柯 松，向慕超，凌在汛，邓桂平

（1.交直流智能配电网湖北省工程中心,湖北省武汉市 430072；2.武汉大学电气与自动化学院,湖北省武汉市 430072；3.国网湖北省电力有限公司电力科学研究院,湖北省武汉市 430077）

0 引言

近年来,电动汽车因其绿色环保引起了全世界广泛关注,并得到了显著的发展。2021 年中国电动汽车保有量已达到640 万辆,预计到2030 年将突破5 500 万辆［1］。大规模电动汽车的应用使得配电网与交通网形成耦合网络,两种网络将产生交互影响,尤其是在故障发生后,耦合网络的韧性可能降低,引起巨大经济损失［2-3］。另外,由于电动汽车具有移动性和灵活的充放电能力,通过合理手段引导大规模电动汽车运行可将其转变为电网和交通网运行调节的优质资源,提高电网与交通网故障传播阻抑的有效性。因此,厘清配电网故障下电动汽车充电特性是制定考虑电网与交通网交互影响的耦合网络故障传播阻抑的状态感知基础,具有重要的理论价值和工程应用价值。

目前,针对电动汽车充电行为和充电负荷问题已经开展了大量的研究工作,主要包括统计法、数据驱动法及模型驱动法三大类。如文献［4-5］基于统计数据分别采用统计方法和数据挖掘技术研究了充电需求的分布特征；文献［6］基于Agent-元胞自动机模拟电动汽车在道路上的运行过程,得到电动汽车不同场景的耗电量,进而计算电动汽车的充电负荷；文献［7-8］通过考虑电网与交通网的交互过程,建立了电动汽车充电负荷时空分析的模型驱动仿真方法。然而,现有研究均集中在网络正常运行下的充电负荷特性分析,未对配电网故障发生后充电负荷的时空特性展开研究,且极少研究计及电网与交通网的交互影响,尤其是高渗透电动汽车接入后配电网故障在两网间的交互影响不能忽视。考虑网络耦合的配电网故障下的充电特性分析需要从充电负荷变化对配电网的影响、配电网或充电站供电能力变化对交通网的影响以及两网间的交互影响3 个方面开展研究。

在充电负荷对配电网影响研究方面,文献［9］基于大量充电场景,利用仿真方法研究了不同渗透率的电动汽车对配电网电压跌落的影响；文献［10］在考虑澳大利亚现有装机容量约束下,将电动汽车渗透率分别设置为0～100%,分析了澳大利亚现有电网对电动汽车充电负荷的承载能力。以上研究方法主要集中在仿真分析,不能定量计算充电负荷变化对配电网的影响。配电网最大供电能力（total supply capability,TSC）评估是计算配电网或节点对负荷承载能力的基础方法,其依赖于电网结构和负荷变化特性［11］。然而,传统TSC 评估基于所有节点具有相同的负荷增长基准以及每个节点具有固定的增长步长［12-13］,不能准确反映各充电节点充电负荷变化的联系与差异。同时,文献［14］研究了电压跌落对充电桩稳定运行的影响,并指出当电压跌落至标准电压的80%时,低电压保护应该立即动作,切断充电桩与电网的连接。因此,考虑电动汽车充电负荷特殊性的TSC 有待进一步研究。

配电网故障对交通网运行影响研究较少,现有对交通网故障的研究主要以某一节点或路段为研究对象分析拥堵的形成和消散过程。如文献［15］提出一种新的车辆跟随模型,研究了车辆自延迟速度信息对路段拥堵效应的影响；文献［16］分析了隧道中拥堵的传播和消散过程。实际中,某一节点或路段的拥堵和消散过程受整个交通网或局部交通网运行特征的影响。现有研究方法不适用于配电网故障影响或充电站充电能力降低对交通网运行状态影响的分析。

配电网与交通网产生交互影响的主要因素为电动汽车的充电和出行行为,其本质为电动汽车的出行和充电决策行为。期望效用理论是当前分析电动汽车用户决策的主流模型,如文献［17］基于期望效用理论构建了电动汽车充电决策模型,研究了电动汽车充电负荷分布特性；文献［18］利用期望效用理论,分析了电动汽车参与电网供需平衡调节的响应行为。但这些模型假设人为完全理性,现实中人们往往并不按照效用理论的预测结果行事,Allias 悖论［19］、Ellsberg 悖论［20］等行为经济学均对人的完全理性假设提出了质疑。在构建配电网故障影响下的用户决策模型时,实际用户的有限理性特征不能忽视。

针对以上问题,本文提出了配电网故障下计及配电网与交通网交互影响的电动汽车充电特性分析方法,其中,本文所述的电动汽车充电特性包含了分别以电网和交通网为视角的电动汽车充电转移行为对其运行状态的影响,以及以充电站为视角的充电负荷分布变化。首先,考虑各充电节点充电负荷的相互影响、差异以及充电桩低电压保护,建立了带充电负荷变化灵敏度的配电网/节点TSC 评估模型,以定量评估配电网故障下各充电站充电承载能力。其次,考虑用户有限理性和交通动态特性,基于累积前景理论和动态交通均衡模型,结合用户决策层和交通均衡层,提出了充电站充电能力变化下的交通状态演化分析模型。最后,以充电站充电能力和充电需求为耦合变量,利用改进的Davidson 函数构建电网与交通网的交互桥梁,并提出了计及两网交互影响的配电网故障下充电特性时空演化仿真方法。

1 配电网与交通网耦合模式与建模

配电网与交通网耦合网络可以分为3 层：配电网层、交通网层和耦合层。其中,配电网和交通网的运行通过电动汽车的行驶和充电行为而交互影响。耦合网络3 个层次的变量和信息交互过程如图1所示。

在交通侧,交通网的运行状态依赖于交通流分布,其与交通网结构和包括出行路径选择与出发时刻选择的用户出行决策行为有关,反之,用户的出行决策也受交通状况影响。因此,交通层通过用户出行选择信息和交通信息与耦合层进行交互。在配电网侧,充电需求分布和配电网结构影响潮流分布,充电节点在扰动或故障下可能损失部分充电能力,而充电站的充电能力变化是影响用户出行和充电决策的关键因素之一。故充电站节点的充电能力和充电需求是配电网层与耦合层之间的交互变量。具体地,以配电网发生某一故障为例,配电网故障发生后引起配电网潮流和各充电节点充电能力变化,进而影响电动汽车在该充电节点充电的总时间,此时配电网层中各充电节点充电能力传递至耦合层,在充电节点充电能力变化下,电动汽车用户将改变自身出行决策,从而影响交通网运行状态；反之,交通网运行状态的改变传递至耦合层也将影响用户的出行决策,进而造成配电网充电负荷分布变化,进一步影响配电网潮流和各充电节点充电能力。

在用户出行决策中,电动汽车用户出行选择主要基于出行时间成本和出行充电成本,但许多研究认为出行时间成本是最重要的影响因素［21-22］,本文将以时间成本作为用户决策依据。其中,出行时间成本包括驾驶时间和在充电站的充电总时间,且充电总时间由车辆充电需求、充电站充电服务能力、充电站排队模式、在站需要充电车辆数量等诸多因素决定。

为了表征配电网故障下配电网与交通网之间的耦合关系,根据配电网与交通网的拓扑结构和耦合单元模型,建立配电网与交通网络的耦合网络模型：

式中：G、GD、GT和GD-T分别为配电网与交通网的耦合网络模型、配电网模型、交通网模型和耦合层模型。

具体地,配电网模型可用式（2）和式（3）表示。

式中：ND、ED、AD、ZD、FD分别为配电网的节点集合、线路集合、线路连接关系集合、线路阻抗集合和潮流集合；nDi表示配电网的第i个节点；n为配电网节点的 总 数；eDij和aDij表 示 节 点nDi和nDj之 间 的 连 接 关系,若节点nDi和nDj相连,则存在连边eDij且aDij=1,反之,则不存在连边且aDij=0；zDij为节点连接线上的阻抗,fDij为其潮流；CD为配电网中充电站节点的充电能力集合,其与配电网潮流分布及充电需求分布DT有关,而充电需求分布受用户出行决策结果ξ影响；F′(·)为故障下考虑电动汽车充电负荷特性的TSC 算法,将在第2 章中介绍。

相似地,交通网模型可表示如下：

式中：NT、ET、AT、TT0、CT、FT分别为交通网的节点集合、路段集合、路段连接关系集合、路段自由行程时间集合、路段通行能力集合和交通流集合；nTi表示交通网的第i个节点；m为交通网节点数量；eTij和aTij表示交通节点nTi和nTj之间的连接关系,若节点nTi和nTj之间存在路段eTij,则nTi和nTj存在连边且aTij=1,反之,则不存在连边且aTij=0；tT0ij为路段eTij的自由行程时间,cTij和fTij分别为其通行能力和交通流；H(·)为在当前交通流和用户决策下,交通网络中的充电需求分布算法,其计算见第3 章和第4 章。

建立如下耦合层模型：

式中：AD-T为配电网与交通网耦合节点集合,也表征了充电站在两网中的分布位置；ND-T和CD-T分别为充电桩数量集合和充电站原始充电服务能力集合；若某一充电站同时接入配电网节点nDi和交通网节点nTj,则aDi-Tj为充电站节点,即为配电网与交通网的耦合点,nDi-Tj和cDi-Tj分别为该充电站的充电桩数量和原始充电服务能力。用户出行决策取决于充电需求、充电站节点充电能力、充电桩数量、充电站原始充电服务能力以及交通流分布状况,其决策规则为G′(·),将在第3 章和第4 章中介绍。

2 充电负荷影响下的TSC 评估模型

对传统TSC 评估模型进行改进以准确评估故障下充电负荷变化对各充电节点充电能力的影响。首先,考虑各充电站负荷变化之间的相互影响,同一时间段内各充电负荷变化大小和方向不同,本文在传统TSC 评估模型中增加充电站充电负荷变化灵敏度系数以反映充电负荷变化方向,负荷增长基准设为该时间段充电负荷变化量。其次,传统TSC 评估模型中的节点初始负荷为节点原始基础负荷,本文将其替换为当前计算时段的基础负荷与充电负荷之和。通过此两点设置以反映实际充电负荷变化对TSC 的影响。另外,由于充电站低电压保护在标准电压的80%处动作,将充电站节点维持稳定工作的最低电压设置为标准电压的80%。因此,可通过以下优化模型来定量评估含大规模充电负荷的配电网TSC（S）：

式中：N、C、L分别为配电网中负荷节点集合、充电站节点集合、线路集合；Sbj为节点j上除充电负荷外的基础负荷；S1j、S2j、ΔSj=|S2j-S1j|分别为充电站节点j的当前充电负荷、Δt（本文取5 min）时间间隔后的充电负荷以及Δt时间间隔内充电负荷变化量；(S2j-S1j)/S1j为Δt时间间隔内节点j上充电负荷变化率,即充电负荷变化灵敏度；h为节点充电负荷增长倍数,即充电负荷增长步长；VUj和VLj分别为节点j的电压Vj的上、下限约束；ilmax和Slmax分别为线路l上传输电流il和容量Sl的最大值。

在考虑充电负荷变化特性的TSC 评估中,根据充电负荷灵敏度和负荷变化情况,基于变步长重复潮流计算配电网的临界运行点,在临界运行点下即可得到各充电站的TSC,TSC 评估的具体流程如下。

步骤1：初始化,记起始计算时刻为t0,交通网计算时间间隔为Δt,初始充电负荷增长倍数为h0>0,收敛精度设置为e>0,节点初始充电负荷为S1j（t0）,节点总供电能力Sj=Sbj+S1j（t0）,节点剩余供电能力Ssj=0；

步骤2：令h=h0+h,计算配电网潮流,其中,充电需求S2j和时间间隔Δt内充电负荷变化由第3 章中动态交通分析中获得,潮流计算结束后令S1j=S1j+h|S2j-S1j|(S2j-S1j)/S1j；

步骤3：重复步骤2,若式（7）中所有约束条件均满足且h|S2j-S1j|(S2j-S1j)/S1j

步骤4：输出各充电节点总供电能力Sj=Sbj+S1j,以及各充电节点剩余供电能力Ssj=Sj-S1j(t0)-Sbj。

3 计及用户决策的动态交通演化分析

交通网的运行状态取决于用户的出行决策和车辆在交通网中的行驶行为,且用户的出行决策主要以时间成本为依据。考虑到用户决策的有限理性和交通网的动态特性,本章结合用户决策层和动态交通网络层构建交通网动态演化分析模型。

3.1 用户出行决策模型

电动汽车用户的出行决策包括出发时刻决策和出行路径决策。用户决策的有限理性指的是用户决策过程中获取信息的能力有限及计算能力有限。本文引入行为经济学中的累积前景理论［23］描述用户决策的这一特征。累积前景理论将用户的感知效用分为价值函数和主观概率权重函数。其中,价值函数反映了决策结果相对于用户所制定的参考点的损失和收益,主观决策权重函数是用户对决策结果发生概率的感知。

具体地,设一种选择的前景P出现的结果xi的概率为pi,用户制定的参考点x0的概率为p0。将某一选择下可能出现的结果xi按照升序排列为x-r≤…≤x-1≤x0≤x1≤…≤xq,则累积前景理论的模型可表示为：

式中：VP为用户的感知效用,式（8）中上下两式分别对应事件结果为离散型和连续型两种情况,且对于连续型结果的累积概率分布函数用F（x）表示；g(xi)为结果xi的价值函数；w+(·)和w-(·)分别为收益和损失的主观概率权重函数；α、β、λ（0<α,β<1,λ≥1）反映了用户对风险的偏好水平,值越大表示决策者对于风险（收益或损失）的敏感性递减程度越小,决策者对风险越敏感；参数ζ和δ决定了主观概率权重函数的弯曲程度；pob为选择结果发生的客观概率。

对于用户的出行参考点设置,参照文献［24］中关于用户出行的调研研究结果,用户往往设定“活动开始时刻TW”和“可以接受的最早到达时刻TE”,若在两个时间点之间到达目的地,用户将认为获得“收益”,反之,为“损失”；在两个时间点之间存在某一“期望最佳到达时刻TO”,出行者在TO到达将获得最大“收益”。本文将TE和TW作为出发时刻选择的参考点,将TO作为出行路径选择的参考点。将参考点代入式（8）至式（10）中即可得到不同出行决策的感知效用。进一步,根据不同决策感知效用,基于Logit 模型刻画了用户出行下不同决策的概率分布：

3.2 考虑用户出行决策的动态交通均衡

交通网中的出行需求可采用OD 对进行建模,每个OD 对通过交通网中的路径集进行连接。将W定义为交通网的OD 对集合,p为路径集合中的某一路径,fw p(t)为t时刻OD 对w的总出行需求Dw分配至路径p上的交通流量,dw（t）为t时刻OD 对w的剩余出行需求,（t）表示路径p在t时刻的行程时间。那么,可构建如下交通均衡模型：

另外,为了进一步计算式（14）中的充电总时间,需要考虑电动汽车的充电场景。一般地,电动汽车充电包括在行程的中途补电及在目的地充电。当电动汽车在行程中其剩余电量荷电状态（SOC）无法满足后续行程需求时,其将选择中途补电,且中途补电需要满足后续行程需求；当电动汽车到达目的地后,若其SOC 低于一定阈值（本文取为0.2）,其将选择尽量充满电。电动汽车在充电站的充电总时间包括充电时间和排队等待时间。充电时间由电动汽车充电能量需求和充电功率决定；而排队等待时间由充电站服务能力、充电桩数量及在站车辆总数决定。设充电站i的充电桩数量为Ncs,i,其充电服务能力为Ccs,i（Ccs,i≥Ncs,i）。文献［25］基于排队论中的Davidson 函数拟合了考虑充电排队模式的电动汽车充电总时间,如式（19）所示。

虽然动态交通流是一个连续变量,但为了进行实际计算和算法设计,通常对所研究的时段进行离散化处理。当离散化时间间隔较小时,可以近似认为实现了动态交通流分配。对研究时段离散化后,路段a在第j时段的流量应满足式（20）和式（21）。

为了对考虑用户有限理性决策的动态交通均衡进行求解,本文将计算时段［T0,T］离散化成M个小时段,基于相继平均法（method of successive averaging,MSA）设计了其求解算法,具体流程如附录A 所示。

4 两网交互建模及故障下充电负荷时空演化仿真流程

前述章节分别研究了考虑电动汽车充电的电网层和交通网层动态过程,而在电网与交通网耦合网络中配电网故障下充电负荷的时空演化特征计算还需要进一步计及电网和交通网的交互作用。本章考虑电网与交通网因电动汽车充电而耦合,将Davidson 函数进行改进,如式（22）所示,以反映电网动态下充电能力变化对充电的影响,进而建立起电网与交通网的交互桥梁。

式中：C′cs,i和S′cs,i分别为充电站i当前的服务能力和充电能力；Scs,i为故障发生前充电站i的充电能力。

考虑到交通网动态变化的时间尺度远大于电网动态的时间尺度,为了简化电网与交通网耦合网络中配电网故障下充电特性时空演化分析,且保证计算精度,本文将电网动态、交通网动态以及两网交互分离模拟,交通网动态演化的时间周期设置为Δt=5 min。附录B 为耦合网络中配电网故障下充电特性时空演化仿真流程。

5 算例分析

5.1 算例设置

本文采用中国南京市部分区域交通网及3 个IEEE 33 节点配电网耦合构建考虑电网与交通网耦合的配电网故障下电动汽车充电演化分析仿真算例。该地区覆盖面积约50 km2,包含60 个交通节点和14 座充电站；本文根据不同片区功能,将其划分为居民区、商业区及工作区。充电站在交通网中的分布、各充电站与电网和交通网的连接关系以及相关参数如附录C 所示。

本研究中电动汽车采用日产LEAF,居民区和办公区的充电站均采用充电功率为7.3 kW 的慢充,商业区充电站采用充电功率为45 kW 的快充。根据南京市交通流和居民出行规律,早出行高峰为07：00—09：00,晚出行高峰为17：00—19：00,且早晚出行高峰时段每个出行起点的出行需求约为8 640；早出行高峰的起点在居民区,出行终点均匀分布在工作区；晚出行高峰的起点在工作区,60%的出行需求终点均匀分布于居民区,40%的出行需求终点均匀分布于商业区。午出行高峰时段在12：00—14：00,且各出行起点的出行需求约为3 840,起点在工作区,终点均匀分布于商业区。

5.2 配电网故障下充电特征演化规律

以晚出行高峰为例开展配电网故障下计及电网与交通网交互影响的充电特性时空演化分析,配电网的初始故障设置为18：00 时配电网1 的线路10-15和配电网2 的线路22-23 故障退出运行,电动汽车出行时的初始SOC 服从U（0.3,1）的均匀分布。车辆到达目的地的期望到达时间为19：00,TO=TW-15 min,TE=TW-30 min。反映用户有限理性决策的相关参数取为文献［23］中的典型值α=β=0.88,λ=2.25,ζ=0.61,δ=0.69。

由表1 可知,初始故障后由于存在电动汽车和充电负荷的转移,使得电网与交通网之间发生交互影响,电网的充电能力逐渐损失,且交通网中由于电动汽车的出行转移造成路段拥堵不断加剧,这种现象将随着出行需求的降低而缓解。从表1 中事件发生的时序过程可知,电网中充电站充电能力损失与交通网中路段拥堵事故交替发生,证明了电网与交通网耦合网络中的故障影响相比于孤立网络更大,如若仅在电网单一网络中考虑故障影响,则初始故障发生仅将引起第1 阶段的充电能力损失。

表1 18:00—19:00 各时刻配电网与交通网损失情况Table 1 Loss of distribution networks and transportation networks at different time from 18:00 to 19:00

具体地,从图2 可以看出,当充电站CS3、CS4及CS7 因初始故障而失去充电能力后,部分需要中途充电的电动汽车将会转移到其他无故障的充电站充电,导致途径这些充电站的路径上的路段出现拥堵。例如,途径CS1 和CS2 路径的路段逐渐拥堵,最后与其连接的所有路段均发生了拥堵。同时,充电负荷转移引起未故障的充电站充电负荷的增加,将进一步造成与其接入至同一配电网的充电站充电能力下降。反之,随着这些充电站充电能力的降低和充电负荷的增加也会造成其他无故障的充电站充电能力降低。例如,在充电负荷转移到CS1 和CS2的过程中,连接到配电网1 的CS12 的充电能力迅速下降；CS12 的充电负荷增加后,在18：30 和18：35时,CS1 和CS2 的充电能力也出现了降低。

图2 18:00—19:00 不同时段各充电站充电能力损失率及各路段交通率Fig.2 Charging capacity loss rate of each charging station and traffic flow of each link from 18:00 to 19:00

另外,由图2 可知,由于大规模电动汽车的转移,配电网发生初始故障后不仅会造成故障充电站及其相邻充电站的充电能力损失,以及与故障充电站连接的路段、与故障充电站相邻充电站连接的路段拥堵加剧,还可能引起与故障充电站空间距离上相距较远的充电站的充电能力损失及其连接路段的拥堵加剧,甚至带来不同配电网间的故障跨空间传播,在实际工程应用中须引起足够重视。本研究也证明了在配电网故障下研究在电动汽车充电负荷特性中考虑电网与交通网交互影响的必要性。

为了进一步分析计及配电网与交通网交互作用的配电网故障对充电站充电负荷的影响,研究了配电网故障后不同时段各充电站充电负荷分布、充电需求时空分布特征,如附录D 图D1 所示。同时,给出了不同时段各充电站（除充电站CS3、CS4 和CS7）排队等待时长,如附录D 图D2 所示。结合图D1 和图D2 可知,当耦合网络发生初始故障后,部分充电站的充电需求将大于充电负荷,即充电站已经达到充电承载能力,如充电站CS1 中充电需求与充电负荷最大差值下充电需求达到充电负荷的2.28倍,充电站排队等待时间大幅度增长,最长充电排队时长为52 min,其最大充电排队等待时长相比于晚出行高峰故障前（17：00—18：00）增长了940%；由于这些充电站的充电排队等待时间增长,后续车辆将选择其他出行路径,致使其他充电站充电需求增加和排队等待时间增大,如CS2；在这种部分充电站排队时间大幅度增长进一步引起其他充电站排队时间增长的连锁事件下,晚出行高峰故障后（18：00—19：00）整个区域充电站平均充电排队时长为24 min,相比于晚出行高峰故障前增长了700%。

5.3 不同时空约束对故障下充电特征的影响

选取早出行高峰和午出行高峰时段为研究对象,进行不同时空约束对考虑网络耦合的配电网故障下电动汽车充电特性的影响分析。其中,配电网初始故障与5.2 节相同,初始故障发生时刻分别在08：00 和13：00。在早出行高峰时段,考虑到大部分电动汽车在夜间充满电,初始SOC 设定为服从U(0.8,1)的均匀分布,午出行高峰时段初始SOC为服从U(0.5,1)的均匀分布。两种场景下不同时刻各充电站的充电能力损失率及各路段的交通率如图3 和图4 所示。

图3 08:00—09:00 不同时段各充电站充电能力损失率及各路段交通率Fig.3 Charging capacity loss rate of each charging station and traffic flow of each link from 08:00 to 09:00

图4 13:00—14:00 不同时段各充电站充电能力损失率及各路段交通率Fig.4 Charging capacity loss rate of each charging station and traffic flow of each link from 13:00 to 14:00

结合图2、图3 和图4 可知,在相同的初始故障下晚出行高峰时段充电站的充电能力损失率和路段拥堵量最大,耦合网络损失最严重,这意味着在该场景下电动汽车充电转移量最大且用户充电受损最严重；而在午高峰时段充电站充电能力损失率、交通拥堵量以及用户充电受损均最小。

在此基础上,附录D 图D3 和图D4 分别给出了早出行高峰和午出行高峰两种场景下不同时段各充电站的充电负荷分布、充电需求分布以及排队等待时长。其中,在早出行高峰最大充电需求与充电负荷差值下充电需求达到充电负荷的1.84 倍,故障前后区域充电站平均排队时间增长了320%；在午出行高峰最大充电需求与充电负荷差值下充电需求达到充电负荷的1.36 倍,故障前后区域充电站平均排队时间增长了210%。结合图D1 至图D4 可知,当同样的初始故障发生在3 种场景中时,晚出行高峰下充电站的充电需求相对充电负荷差值最大,用户平均充电等待时长最长,早出行高峰次之,午出行高峰最小。该现象与前述分析两网交互影响损失相吻合,晚高峰配电网故障致使电动汽车和充电负荷转移量更大,而午出行高峰转移量最小。其主要原因为早出行高峰电动汽车初始SOC 较大,午出行高峰期间用户出行需求较低,此两种情况下电网与交通网间的交互影响作用更小。因此,可得出结论：在不同时空约束下,较大的充电需求和出行需求会导致电网与交通网间的交互作用加强,电动汽车和充电负荷的转移量增大,进而造成充电站中充电需求与充电负荷的差值增大,用户等待充电的时间加长。在后续电网与交通网故障阻抑策略制定中应同时从引导电动汽车充电需求合理分布和引导电动汽车出行需求规划两方面展开。

6 结语

本文针对电网与交通网耦合网络中配电网发生故障后电动汽车充电时空特性复杂的问题,考虑电网与交通网间存在交互影响,结合电网层、交通网层分析了配电网故障后电动汽车的充电特性,将为后续大规模电动汽车接入下的电网与交通耦合网络故障影响阻抑策略制定提供态势感知基础。本文的研究可得出如下结论：

1）随着电动汽车大规模发展,在配电网故障下电动汽车充电特征分析中,充分考虑电网与交通网的交互过程更具有必要性和合理性,且相比于电网孤立网络的故障影响,电网与交通网耦合网络的形成将带来更大的故障损失；

2）在考虑电网与交通网交互影响下,电网初始故障不仅会造成故障点临近的充电站充电能力损失及与其相连的路段拥堵,也会引起与故障点空间距离上相距较远的充电站的充电能力损失及其连接路段的拥堵加剧,甚至带来不同配电网间的故障跨空间传播；

3）由于配电网中充电站充电能力损失和交通网路段拥堵的连锁事件的影响,故障前后充电站充电能力供需不匹配程度将大幅度增加,单个充电站最大充电排队等待时长增长幅度可达940%,整个区域充电站平均充电排队时长增长服务可达700%；

4）在不同时空约束下,较大的充电需求和出行需求会导致电网与交通网间的交互作用越大,电动汽车或充电负荷的转移量越大,故障的发生对电网、交通网以及充电站的影响越突出,故而电网与交通网故障阻抑策略的制定应同时从解决较大充电需求和出行需求的影响出发。

本文的不足之处在于对电动汽车用户出行决策建模中仅考虑了电动汽车的时间成本,忽略了电动汽车的充电成本。因此,在电力市场发展中,研究配电网故障下计及充电成本的电力-交通交互影响的充电演化特性是接下来所要开展的重要工作。后续工作将在本文的研究基础上进一步从电网、交通网、充电站以及电动汽车用户等多个方面开展电网与交通网故障传播阻抑策略的研究。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。