摘要:目前電動(dòng)汽車(chē)充電樁( EVCP)規(guī)劃通常針對(duì)區(qū)縣級(jí)較大區(qū)域開(kāi)展,但是對(duì)園區(qū)級(jí)區(qū)域進(jìn)行EVCP規(guī)劃更有利于提高投資者的積極性和周邊電動(dòng)汽車(chē)(EV)用戶的體驗(yàn)。以車(chē)流量較大的大型停車(chē)區(qū)域?yàn)檠芯繉?duì)象,通過(guò)調(diào)研獲得區(qū)域內(nèi)EV的電池容量、停放情況、電量分布以及充電意愿等統(tǒng)計(jì)數(shù)據(jù),并基于這些數(shù)據(jù)應(yīng)用蒙特卡洛法得出區(qū)域內(nèi)EV充電負(fù)荷的時(shí)域分布。依據(jù)區(qū)域內(nèi)的電網(wǎng)信息以及EV的充電負(fù)荷分布,給出以投資成本電網(wǎng)網(wǎng)損及用戶滿意度綜合*優(yōu)為目標(biāo)的EVCP規(guī)劃設(shè)計(jì)方法。最后以某機(jī)場(chǎng)遠(yuǎn)端大型停車(chē)場(chǎng)為算例,驗(yàn)證了所提園區(qū)級(jí)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(jīng)濟(jì)合理。

關(guān)鍵詞:電動(dòng)汽車(chē);充電樁規(guī)劃;充電負(fù)荷預(yù)測(cè);多目標(biāo)優(yōu)化

一、引言

當(dāng)前化石能源日漸匱乏,環(huán)境污染問(wèn)題愈發(fā)嚴(yán)重,作為燃油汽車(chē)的升級(jí)替代產(chǎn)品,電動(dòng)汽車(chē)(Electric Vehicle,EV)的保有量未來(lái)會(huì)保持快速上升的趨勢(shì)。在此背景下,EV發(fā)展與充電樁(Electric Vehicle Charging Piles,EVCP)規(guī)劃建設(shè)的不匹配問(wèn)題日益凸顯。

在EVCP 的規(guī)劃設(shè)計(jì)過(guò)程中,核心問(wèn)題是預(yù)測(cè)EV的充電需求即充電負(fù)荷,一般通過(guò)分析規(guī)劃區(qū)域中道路交通網(wǎng)架、EV的出行規(guī)律及用戶充電習(xí)慣等因素計(jì)算得出。基于地塊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(lèi),并綜合不同區(qū)域的車(chē)流通暢度情況完成 EV 充電負(fù)荷的預(yù)測(cè)。通過(guò)分析不同類(lèi)型汽車(chē)在具體場(chǎng)景下的停車(chē)規(guī)律,并采用蒙特卡洺算法模擬車(chē)主駕駛、停放和充電行為預(yù)測(cè)出區(qū)域內(nèi)EV 充電負(fù)荷的時(shí)空分布特性。依據(jù)交通路網(wǎng)拓?fù)浜统鲂袛?shù)據(jù)模擬 EV 的行駛特性,并完成 E充電需求的時(shí)空分布預(yù)測(cè)。基于居民出行數(shù)據(jù)構(gòu)建不同復(fù)雜度的出行鏈模型,并使用最短路徑算法選擇行駛路徑來(lái)完成EV 充電需求的預(yù)測(cè)。根據(jù)充電站的現(xiàn)場(chǎng)實(shí)際統(tǒng)計(jì)數(shù)據(jù),利用泊松分布、輪盤(pán)選擇和均勻分布對(duì)EV開(kāi)始充電的荷電量(State of Charge,SOc)和充電次數(shù)進(jìn)行分析,建立了 EV 充電站的負(fù)荷預(yù)測(cè)模型。采用大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)對(duì) EV 充電站的實(shí)時(shí)數(shù)據(jù)進(jìn)行評(píng)估,提出一種基于數(shù)據(jù)流的流式邏輯回歸模型,充電站運(yùn)營(yíng)商可以根據(jù)這些數(shù)據(jù)開(kāi)展優(yōu)化規(guī)劃。通過(guò)“滴滴開(kāi)放數(shù)據(jù)平臺(tái)"申請(qǐng)得到某城市區(qū)域在一段時(shí)間內(nèi)的出行訂單及 GPS 定位數(shù)據(jù),在對(duì) EV 行駛軌跡大數(shù)據(jù)集進(jìn)行清洗與挖掘后,基于動(dòng)態(tài)能耗理論構(gòu)建了 EV 充電需求的時(shí)空分布預(yù)估模型。

二、EV的充電需求預(yù)測(cè)

2.1 停車(chē)區(qū)域 EV 充電負(fù)荷的影響因素分析

大型停車(chē)區(qū)域中 EVCP 的類(lèi)型和位置與停車(chē)位類(lèi)型及分布情況密切相關(guān)。不同類(lèi)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(huì)影響電動(dòng)汽車(chē)的充電需求,因此需要通過(guò)調(diào)研統(tǒng)計(jì)來(lái)獲得這些基礎(chǔ)數(shù)據(jù)。

首先對(duì)EV 的電池容量進(jìn)行調(diào)研,得到停車(chē)區(qū)域內(nèi)3類(lèi)車(chē)型對(duì)應(yīng)的電池容量如圖1所示。

圖1 不同類(lèi)型 EV的電池容量

圖1中列出了3類(lèi)車(chē)型的5種常見(jiàn)電池容量,規(guī)劃計(jì)算時(shí)將選取平均值,社會(huì)車(chē)輛、出租車(chē)、大巴車(chē)的電池平均容量分別為80 kwh,50 kwh和 180 kwh。

然后通過(guò)現(xiàn)場(chǎng)調(diào)研和統(tǒng)計(jì),獲得停車(chē)區(qū)域內(nèi)每日不同時(shí)間段中不同類(lèi)型 EV 的停放信息,如圖 2所示。為了提高數(shù)據(jù)的準(zhǔn)確性,圖2中數(shù)據(jù)為多日的平均數(shù)據(jù)。

圖2 不同類(lèi)型EV的停放數(shù)據(jù)

接下來(lái)通過(guò)現(xiàn)場(chǎng)問(wèn)卷調(diào)查和查閱文獻(xiàn)等方式，統(tǒng)計(jì)在1d當(dāng)中不同類(lèi)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(lèi)型EV的電量變化

最后獲取停車(chē)場(chǎng)中EV車(chē)主的充電意愿數(shù)據(jù)，即用戶在 EV 電量剩余多少時(shí)進(jìn)行充電的概率,通過(guò)實(shí)地問(wèn)卷調(diào)查和統(tǒng)計(jì),獲得E的充電意愿統(tǒng)計(jì)數(shù)據(jù),如圖4 所示。

圖4 EV的充電意愿統(tǒng)計(jì)數(shù)據(jù)

EV 的充電時(shí)長(zhǎng)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(fù)荷的預(yù)測(cè)

EV 的充電行為是具有一定規(guī)律的隨機(jī)事件采用家特卡洛法(Monte Carlo,Mc)對(duì)具有不確定性及時(shí)序性的 EV 充電負(fù)荷進(jìn)行模擬。MC是以概率作為基礎(chǔ)的統(tǒng)計(jì)方法,也稱(chēng)為隨機(jī)抽樣技術(shù),模擬次數(shù)越多,結(jié)果越切合實(shí)際。

應(yīng)用 MC 法預(yù)測(cè) EV 充電負(fù)荷的思路是,首先基于統(tǒng)計(jì)得到的出行數(shù)據(jù)和充電信息,建立隨機(jī)過(guò)程的概率分布模型;然后按概率抽取所有影響EV充電負(fù)荷的隨機(jī)變量,包含 EV 的停放時(shí)間、SOC分布以及充電意愿等,若發(fā)生充電行為則計(jì)算充電時(shí)長(zhǎng),得到每一輛 EV 的充電負(fù)荷曲線。最后將區(qū)域內(nèi)所有EV的充電負(fù)荷曲線在時(shí)間軸上疊加即可得到整個(gè)規(guī)劃區(qū)域內(nèi)總的 EV 充電負(fù)荷的預(yù)測(cè)曲線。

三、應(yīng)用方案

圖5 有序充電管理系統(tǒng)示意圖

圖6平臺(tái)結(jié)構(gòu)圖

充電運(yùn)營(yíng)管理平臺(tái)是基于物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)的充電設(shè)施管理系統(tǒng)，可以實(shí)現(xiàn)對(duì)充電樁的監(jiān)控、調(diào)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(yàn)和服務(wù)質(zhì)量。用戶可以通過(guò)APP或小程序提前預(yù)約充電，避免在充電站排隊(duì)等待的情況，同時(shí)也能為充電站提供更準(zhǔn)確的充電需求數(shù)據(jù)，方便后續(xù)的調(diào)度和管理。通過(guò)平臺(tái)可對(duì)充電樁的功率、電壓、電流等參數(shù)進(jìn)行實(shí)時(shí)監(jiān)控，及時(shí)發(fā)現(xiàn)和處理充電樁故障和異常情況對(duì)充電樁的功率進(jìn)行控制和管理，確保充電樁在合理的功率范圍內(nèi)充電，避免對(duì)電網(wǎng)造成過(guò)大的負(fù)荷。

四、安科瑞充電樁云平臺(tái)具體的功能

平臺(tái)除了對(duì)充電樁的監(jiān)控外，還對(duì)充電站的光伏發(fā)電系統(tǒng)、儲(chǔ)能系統(tǒng)以及供電系統(tǒng)進(jìn)行集中監(jiān)控和統(tǒng)一協(xié)調(diào)管理，提高充電站的運(yùn)行可靠性，降低運(yùn)營(yíng)成本，平臺(tái)系統(tǒng)架構(gòu)如圖7所示。

圖7 充電樁運(yùn)營(yíng)管理平臺(tái)系統(tǒng)架構(gòu)

大屏顯示：展示充電站設(shè)備統(tǒng)計(jì)、使用率排行、運(yùn)營(yíng)統(tǒng)計(jì)圖表、節(jié)碳量統(tǒng)計(jì)等數(shù)據(jù)。

圖8 大屏展示界面

站點(diǎn)監(jiān)控：顯示設(shè)備實(shí)時(shí)狀態(tài)、設(shè)備列表、設(shè)備日志、設(shè)備狀態(tài)統(tǒng)計(jì)等功能。

圖9 站點(diǎn)監(jiān)控界面

設(shè)備監(jiān)控：顯示設(shè)備實(shí)時(shí)信息、配套設(shè)備狀態(tài)、設(shè)備實(shí)時(shí)曲線、關(guān)聯(lián)訂單信息、充電功率曲線等。

圖10 設(shè)備監(jiān)控界面

運(yùn)營(yíng)趨勢(shì)統(tǒng)計(jì)：顯示運(yùn)營(yíng)信息查詢(xún)、站點(diǎn)對(duì)比曲線、日月年報(bào)表、站點(diǎn)對(duì)比列表等功能。

圖11 運(yùn)營(yíng)趨勢(shì)界面

收益查詢(xún)：提供收益匯總、實(shí)際收益報(bào)表、收益變化曲線、支付方式占比等功能。

圖12 收益查詢(xún)界面

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

圖13 故障分析界面

訂單記錄：提供實(shí)時(shí)/歷史訂單查詢(xún)、訂單終止、訂單詳情、訂單導(dǎo)出、運(yùn)營(yíng)商應(yīng)收信息、充電明細(xì)、交易流水查詢(xún)、充值余額明細(xì)等功能。

圖14 訂單查詢(xún)界面

五、產(chǎn)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(lèi)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(lái)滿足新能源汽車(chē)行業(yè)快速、經(jīng)濟(jì)、智能運(yùn)營(yíng)管理的市場(chǎng)需求。實(shí)現(xiàn)對(duì)動(dòng)力電池快速、高效、安全、合理的電量補(bǔ)給，同時(shí)為提高公共充電樁的效率和實(shí)用性，具有有智能監(jiān)測(cè)：充電樁智能控制器對(duì)充電樁具備測(cè)量、控制與保護(hù)的功能；智能計(jì)量：輸出配置智能電能表，進(jìn)行充電計(jì)量，具備完善的通信功能；云平臺(tái)：具備連接云平臺(tái)的功能，可以實(shí)現(xiàn)實(shí)時(shí)監(jiān)控，財(cái)務(wù)報(bào)表分析等等；遠(yuǎn)程升級(jí)：具備完善的通訊功能，可遠(yuǎn)程對(duì)設(shè)備軟件進(jìn)行升級(jí)；保護(hù)功能：具備防雷保護(hù)、過(guò)載保護(hù)、短路保護(hù)，漏電保護(hù)和接地保護(hù)等功能；適配車(chē)型：滿足國(guó)標(biāo)充電接口，適配所有符合國(guó)標(biāo)的電動(dòng)汽車(chē)，適應(yīng)不同車(chē)型的不同功率。下面是具體產(chǎn)品的型號(hào)和技術(shù)參數(shù)。

六、現(xiàn)場(chǎng)圖片

七、結(jié)論

本文針對(duì)大型停車(chē)區(qū)域給出了 EVCP 滿足多個(gè)目標(biāo)的規(guī)劃優(yōu)化設(shè)計(jì)方法。該規(guī)劃方法首先根據(jù)停車(chē)區(qū)域內(nèi) EV 的電池類(lèi)型、各類(lèi)EV的停放規(guī)律及 EV 用戶的充電意愿等統(tǒng)計(jì)數(shù)據(jù),預(yù)測(cè)出區(qū)域內(nèi)EV 充電負(fù)荷的時(shí)空分布。然后以EVCP的投資成本、電網(wǎng)網(wǎng)損以及 EV 用戶的滿意度改進(jìn)PSO 在安全約束范圍內(nèi)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(jīng)濟(jì)合理,而且對(duì)電網(wǎng)運(yùn)行的影響較小,對(duì)實(shí)際工程的EVCP 規(guī)劃具有指導(dǎo)作用。

參 考 文 獻(xiàn)：

[1]邢強(qiáng),陳中,冷釗瑩,等,基于實(shí)時(shí)交通信息的電動(dòng)汽車(chē)路徑規(guī)劃和充電導(dǎo)航策略[J].中國(guó)電機(jī)工程學(xué)報(bào),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?cè)诵袨榱?xí)慣及出行鏈的電動(dòng)汽車(chē)充電站站址規(guī)劃[J].電力系統(tǒng)自動(dòng)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(cái),胡澤春,宋永華,等,考慮時(shí)空分布的電動(dòng)汽車(chē)充電負(fù)荷預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)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(chē)-路-網(wǎng)"模式下電動(dòng)汽車(chē)充電負(fù)荷時(shí)空預(yù)測(cè)及其對(duì)配電網(wǎng)潮流的影響[J].中國(guó)電機(jī)工程學(xué)報(bào)，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(dòng)汽車(chē)充電負(fù)荷預(yù)測(cè)模型及 V2G評(píng)估[J].電力系統(tǒng)自動(dòng)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(shù)據(jù)驅(qū)動(dòng)的電動(dòng)汽車(chē)充電需求及V2G 可調(diào)控容量估計(jì)[J].電力系統(tǒng)自動(dòng)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(kāi),龔春陽(yáng),等,計(jì)及電動(dòng)汽車(chē)充電負(fù)荷特性的區(qū)域多能源站規(guī)劃設(shè)計(jì)[J].電網(wǎng)技術(shù),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.