梁海峰，劉 博，鄭 燦，曹大衛(wèi)，高亞靜

(華北電力大學(xué)電力工程系，河北保定 071003)

0 引 言

隨著全球能源消耗殆盡和環(huán)境污染問題日益嚴(yán)峻，傳統(tǒng)能源結(jié)構(gòu)發(fā)生轉(zhuǎn)變[1]，大量新源新荷并網(wǎng)。電動(dòng)汽車因其清潔環(huán)保、環(huán)境友好的優(yōu)點(diǎn)得到快速發(fā)展，預(yù)計(jì)未來幾年我國(guó)EV保有量將大幅增長(zhǎng)[2]。然而，規(guī)?；疎V的無序充電會(huì)給電網(wǎng)運(yùn)行、控制以及穩(wěn)定造成負(fù)面影響[3-4]；相較普通家用電氣設(shè)備，EV充電功率大、入網(wǎng)時(shí)刻主觀性強(qiáng)，有更大的需求響應(yīng)潛力，將其作為需求響應(yīng)資源進(jìn)而引導(dǎo)有序充電是極具實(shí)踐意義和必要性的舉措，準(zhǔn)確的響應(yīng)模型的建立是科學(xué)制定電價(jià)方案的關(guān)鍵。

另一方面，智能用電是建設(shè)堅(jiān)強(qiáng)智能電網(wǎng)的重要環(huán)節(jié)，具有電力流、信息流、業(yè)務(wù)流高度融合的特點(diǎn)，負(fù)荷監(jiān)測(cè)是實(shí)現(xiàn)靈活智能用電的關(guān)鍵[5]。非侵入式負(fù)荷監(jiān)測(cè)(non-intrusive load monitoring, NILM)最早于20世紀(jì)80年代提出[6]，并以其成本低、易操作、數(shù)據(jù)可靠性和完整性好的優(yōu)點(diǎn)得到快速發(fā)展[7]?；贜ILM技術(shù)開展EV負(fù)荷識(shí)別可以提供用戶充電信息，進(jìn)而分析EV用戶響應(yīng)特性與潛力、判別已簽訂激勵(lì)合同的用戶是否按照既定要求響應(yīng)，具有廣闊的發(fā)展前景和實(shí)用意義。

在負(fù)荷識(shí)別方面，文獻(xiàn)[8]構(gòu)建用電設(shè)備特征庫(kù)，分析功率基波和諧波特性，但并未開展具體負(fù)荷識(shí)別方法；文獻(xiàn)[9]對(duì)用電設(shè)備耗電功率聚類實(shí)現(xiàn)負(fù)荷分解與識(shí)別；文獻(xiàn)[10]介紹了單個(gè)用戶用電情況監(jiān)測(cè)與多維度分解方法。電動(dòng)汽車充電負(fù)荷需求響應(yīng)建模方面，文獻(xiàn)[11]基于消費(fèi)者心理學(xué)原理，參考一般用戶對(duì)于商品電價(jià)的反映模型建立用戶充電安排對(duì)于電價(jià)的響應(yīng)特性模型；文獻(xiàn)[12]就合作與非合作模式分別研究電動(dòng)汽車的負(fù)荷特性；文獻(xiàn)[13]認(rèn)為電動(dòng)汽車充電負(fù)荷的需求響應(yīng)隨用戶行駛需求不同而變化，但未給出響應(yīng)特性曲線的擬合過程，采用直接賦值法，可信度較低；文獻(xiàn)[14]通過機(jī)器學(xué)習(xí)方法—支持向量機(jī)回歸進(jìn)行數(shù)據(jù)挖掘，實(shí)現(xiàn)電力用戶需求響應(yīng)模型的參數(shù)辨識(shí)。相比較一般家用負(fù)荷而言，EV充電負(fù)荷具有大功率、用電時(shí)刻可調(diào)裕度大等特點(diǎn)，有必要單獨(dú)研究EV充電負(fù)荷對(duì)于電價(jià)的響應(yīng)特性。同時(shí)，上述研究在計(jì)算負(fù)荷轉(zhuǎn)移率時(shí)都忽略了居民日負(fù)荷波動(dòng)的事實(shí)。本研究引入短期負(fù)荷預(yù)測(cè)來提高負(fù)荷轉(zhuǎn)移率的計(jì)算精度。文獻(xiàn)[15]提出了粒子群優(yōu)化SVM和小波分解的負(fù)荷預(yù)測(cè)模型，有效弱化了負(fù)荷隨機(jī)性；文獻(xiàn)[16]強(qiáng)調(diào)了溫度在短期負(fù)荷預(yù)測(cè)中的重要性；文獻(xiàn)[17]提出了基于相似日和SVM的負(fù)荷預(yù)測(cè)模型，并在重大節(jié)假日的處理上做了進(jìn)一步研究，提高了模型準(zhǔn)確性。

充電負(fù)荷響應(yīng)特性建模是開展各種需求側(cè)響應(yīng)項(xiàng)目的關(guān)鍵，本文提出一種在居民負(fù)荷曲線中識(shí)別EV充電負(fù)荷的方法，為后續(xù)建模分析奠定基礎(chǔ)；采用相似日算法進(jìn)行負(fù)荷預(yù)測(cè)，減小日負(fù)荷波動(dòng)帶來的負(fù)荷轉(zhuǎn)移率計(jì)算誤差，通過最小二乘擬合進(jìn)行響應(yīng)特性模型參數(shù)辨識(shí)，最后算例分析驗(yàn)證了本方法的有效性和合理性。

1 居民電動(dòng)汽車充電功率特點(diǎn)分析

NILM僅在用戶入口處監(jiān)測(cè)居民的總體用電情況，基于監(jiān)測(cè)結(jié)果，結(jié)合EV車充電功率的特點(diǎn)，可以通過充電負(fù)荷識(shí)別技術(shù)分析EV用戶的充電行為，進(jìn)而針對(duì)性的開展后續(xù)需求響應(yīng)建模工作。

對(duì)于EV可以采用4種充電模式：交流插座直充、帶保護(hù)的交流插座直充、交流充電樁、直流充電樁[18]。居民在家庭內(nèi)或小區(qū)停車場(chǎng)一般通過便攜式充電器或家用壁掛式充電樁對(duì)EV充電，此兩種充電設(shè)備直接從220V/16A標(biāo)準(zhǔn)電網(wǎng)取電，充電功率較小，耗時(shí)長(zhǎng)，一般需要充電7～9h。

上述充電方式為電池管理系統(tǒng)(BMS)自動(dòng)控制的恒流和恒壓相配合充電，充電過程中蓄電池端口消耗的有功功率近似為恒定值[19]。設(shè)定電動(dòng)汽車從SOC為20%時(shí)開始充電，記錄車內(nèi)儀表顯示的充電功率示數(shù)，如圖1所示?？梢钥闯?，在充電開始后的1～2min內(nèi)功率迅速增大到EV廠商標(biāo)定的額定慢充功率Pm,s=3kW(其中m=1,2，…，M分別代表不同類型的EV)附近。相較持續(xù)時(shí)間較長(zhǎng)的整個(gè)充電過程，充電過程中的功率瞬時(shí)波動(dòng)可以忽略。

圖1 電動(dòng)汽車充電功率波形Fig.1 Charging power waveform of EV

EV主要分為兩大類：插電式混合動(dòng)力電動(dòng)汽車(Plug-in hybrid electric vehicle, PHEV)和純電動(dòng)汽車(Pure electric vehicle, PEV)。通過對(duì)EV車主的調(diào)查了解到：直接用便攜式充電器連接家庭插座進(jìn)行充電時(shí)，車內(nèi)儀表顯示的充電功率穩(wěn)定在1.5kW左右；使用家用壁掛式充電樁充電時(shí)，PHEV由于車載充電機(jī)的安全限額，只能達(dá)到標(biāo)稱的額定慢充功率Pm,s，而PEV可以達(dá)到壁掛式充電樁的最大輸出功率7kW，已超過線路允許的功率上限，這種情況下充電樁采用專線供電，該類負(fù)荷無需識(shí)別；另外，一般充電功率穩(wěn)定階段的波動(dòng)范圍為-0.4～0.1kW。

根據(jù)居民出行調(diào)查數(shù)據(jù)分析用戶出行習(xí)慣[20]。EV用戶每日出行結(jié)束后開始充電時(shí)間近似威布爾分布，概率密度函數(shù)為

(1)

式中:ts為充電開始時(shí)間；kt、ct分別為威布爾分布參數(shù)，kt=5.427，ct=18.618。

用戶日出行總距離服從對(duì)數(shù)正態(tài)分布，概率密度函數(shù)為

(2)

式中:d為日行駛里程；μd、σd為對(duì)數(shù)正態(tài)分布的期望和方差，工作日狀態(tài)下μd=2.98，σd=1.07，周末μd=2.85，σd=1.19。

EV充電持續(xù)時(shí)間tc近似可以表示為

(3)

式中:W為百公里耗電量；P為EV的充電功率，不同品牌EV，不同充電設(shè)備的充電功率P不同。

結(jié)合(2)、(3)得到充電持續(xù)時(shí)間概率密度函數(shù)：

(4)

將一天時(shí)間均分成1 440/Δt1和1 440/Δt2份，其中Δt1、Δt2為分段時(shí)長(zhǎng)，居民用戶在時(shí)段[j1Δt1, (j1+1)Δt1]內(nèi)開始充電和充電持續(xù)時(shí)間長(zhǎng)度在[j2Δt2, (j2+1)Δt2]范圍內(nèi)的概率分別為

(5)

式中:Δt1，Δt2為每個(gè)時(shí)間分段的長(zhǎng)度，j1=0,1,…,1 440/Δt1，j2=0,1,…,1 440/Δt2。

2 電動(dòng)汽車充電負(fù)荷識(shí)別

從充電功率、充電開始與持續(xù)時(shí)間角度對(duì)居民日負(fù)荷曲線中某時(shí)刻負(fù)荷增長(zhǎng)是由EV充電所引起的可能性定量分析。分析負(fù)荷曲線形狀，設(shè)共有n個(gè)負(fù)荷增長(zhǎng)點(diǎn)，對(duì)每個(gè)負(fù)荷增長(zhǎng)點(diǎn)i(i=1,2，…，n)，通過式(6)判斷該點(diǎn)是否為新增設(shè)備點(diǎn)，以免與功率波動(dòng)混淆。

ΔPi≥ΔPpd，tci≥tpd

(6)

式中:ΔPi、tci分別為功率增長(zhǎng)點(diǎn)i對(duì)應(yīng)的負(fù)荷功率的增量和持續(xù)用電時(shí)間;ΔPpd、tpd為用于判斷點(diǎn)i是否為新增用電設(shè)備點(diǎn)的臨界值。

定義每個(gè)新增用電設(shè)備的功率Pi對(duì)于EV額定慢充功率Pm,s的隸屬距離：

(7)

式中:Pi1、Pi2分別為用電設(shè)備i運(yùn)行穩(wěn)定階段耗電功率的最小值和最大值；ΔPi=Pi2-Pi1為用電設(shè)備i的功率平穩(wěn)階段波動(dòng)范圍，Pm,s+0.1，Pm,s-0.4分別為m類電動(dòng)汽車充電功率波動(dòng)上下限。

分析隸屬距離與模糊隸屬度之間的映射關(guān)系，構(gòu)建偏大型隸屬度函數(shù)：

(8)

(9)

式中:a、b為隸屬度函數(shù)的拐點(diǎn);Lm,Pi為隸屬距離。隸屬度Am,Pi介于0～1之間且值越大，表明在時(shí)刻i新增的負(fù)荷為電動(dòng)汽車充電的可能性越大。

假設(shè)對(duì)應(yīng)新加設(shè)備點(diǎn)的時(shí)刻為tsi[j1Δt1, (j1+1)Δt1]，該用電設(shè)備持續(xù)運(yùn)行時(shí)間tci[j2Δt2, (j2+1)Δt2]，則基于上文對(duì)EV充電功率特點(diǎn)的分析構(gòu)建模糊隸屬度函數(shù)如式(10)、(11)所示：

(10)

(11)

式中:Ptsi，min,Ptsi，max和Ptci，min,Ptci，max分別為充電起始時(shí)刻和充電時(shí)長(zhǎng)位于某時(shí)段內(nèi)的功率極限值。

新增的用電設(shè)備i對(duì)于電動(dòng)汽車充電負(fù)荷的加權(quán)隸屬度函數(shù)為

(12)

式中:m表示不同EV類型；ω1、ω2、ω3為不同判定依據(jù)的權(quán)重；加權(quán)隸屬度Ai大于0.8表明該用電設(shè)備i極可能為電動(dòng)汽車。

空調(diào)耗電功率與EV充電功率值相當(dāng)，有必要對(duì)此進(jìn)一步甄別(其他大功率用電器的用戶保有率較小，在此不作考慮)。圖2為空調(diào)耗電功率實(shí)測(cè)曲線，可以看出空調(diào)啟動(dòng)前15min(啟動(dòng)時(shí)段)內(nèi)功率急劇波動(dòng)，而后趨于平穩(wěn)，且啟動(dòng)時(shí)段的功率最大值遠(yuǎn)大于平穩(wěn)階段，而EV充電起始階段功率雖有波動(dòng)但總趨勢(shì)為增加，且充電起始階段功率總小于平穩(wěn)充電階段。用式(13)判別設(shè)備i是否為空調(diào)。

(13)

式中:Pbd,i|max為對(duì)應(yīng)用電設(shè)備i的負(fù)荷波動(dòng)階段的功率最大值，ε為臨界值，本文取ε=2。

圖2 實(shí)測(cè)空調(diào)功率曲線Fig.2 Measured power curve of air conditioner

圖3 電動(dòng)汽車充電負(fù)荷識(shí)別流程圖Fig.3 Flow chart of EV charging load identification

以負(fù)荷增長(zhǎng)點(diǎn)i的功率波動(dòng)情況、入網(wǎng)時(shí)間、運(yùn)行時(shí)間作為負(fù)荷識(shí)別程序的輸入量，忽略電氣設(shè)備同時(shí)啟動(dòng)的情況，計(jì)算得到新增用電設(shè)備對(duì)于EV的隸屬度，以此作為電動(dòng)汽車負(fù)荷識(shí)別的依據(jù)。圖3為在居民日負(fù)荷曲線中進(jìn)行EV充電負(fù)荷識(shí)別的流程圖。

3 充電負(fù)荷需求響應(yīng)模型

影響居民響應(yīng)度的因素眾多，以上述負(fù)荷識(shí)別流程得到的充電負(fù)荷數(shù)據(jù)庫(kù)為基礎(chǔ)，本節(jié)重點(diǎn)研究充電負(fù)荷響應(yīng)度與電價(jià)之間的關(guān)系。

3.1 基于消費(fèi)者心理學(xué)的需求響應(yīng)模型

根據(jù)消費(fèi)者心理學(xué)理論，文獻(xiàn)[13]提出了居民用電對(duì)于分時(shí)電價(jià)的三段式響應(yīng)特性模型。電價(jià)差在(0,η1)范圍內(nèi)為響應(yīng)死區(qū)，此階段用戶的充電行為不變化；(η1,η2)范圍內(nèi)為線性區(qū)，用戶的充電行為對(duì)于電價(jià)的響應(yīng)率隨電價(jià)差的增大而線性增大；(η2, ∞)區(qū)間內(nèi)，用戶的響應(yīng)率已達(dá)到最大，因次日用車需求等原因，參與響應(yīng)的用戶比例達(dá)到峰值且保持不變。該模型考慮到了用戶響應(yīng)行為的最小可覺電價(jià)差和響應(yīng)飽和區(qū)的存在，能反映響應(yīng)度隨電價(jià)的變化規(guī)律。

圖4為充電負(fù)荷由峰電價(jià)時(shí)段轉(zhuǎn)移到谷電價(jià)時(shí)段的特性曲線，橫坐標(biāo)為電價(jià)差，縱坐標(biāo)為負(fù)荷轉(zhuǎn)移率，A，B分別為飽和區(qū)和死區(qū)拐點(diǎn)。峰-平、平-谷轉(zhuǎn)移特性曲線與其形狀相同，特征點(diǎn)不同。函數(shù)表達(dá)式為

(14)

式中:λfg為峰-谷負(fù)荷轉(zhuǎn)移率，即負(fù)荷轉(zhuǎn)移量占峰電價(jià)時(shí)段負(fù)荷總量的比例;ηfg為峰谷時(shí)段電價(jià)差值;kfg為線性區(qū)斜率，同理可以構(gòu)建峰-平、平-谷負(fù)荷轉(zhuǎn)移模型。

圖4 峰谷負(fù)荷響應(yīng)特性曲線Fig.4 Response characteristic curve of peak-valley load

3.2 負(fù)荷轉(zhuǎn)移率計(jì)算及響應(yīng)模型參數(shù)識(shí)別

負(fù)荷轉(zhuǎn)移率的計(jì)算是建立響應(yīng)模型的關(guān)鍵。計(jì)算實(shí)行分時(shí)電價(jià)前后的負(fù)荷轉(zhuǎn)移率時(shí)，以往研究將單一電價(jià)情況下每日負(fù)荷分布視為相同，這勢(shì)必帶來計(jì)算誤差；不同于普通用電負(fù)荷，EV耗電量多少受溫度、日類型影響較大，本文引入相似日算法進(jìn)行負(fù)荷預(yù)測(cè)，考慮環(huán)境溫度的影響，提高負(fù)荷轉(zhuǎn)移率的計(jì)算準(zhǔn)確度。

為便于分析，假設(shè)在(y+1)月份1日開始實(shí)行峰谷分時(shí)電價(jià)，分析該地區(qū)y月份每日總充電負(fù)荷數(shù)據(jù)及氣溫情況，預(yù)測(cè)(y+1)月份若實(shí)行單一電價(jià)情況下的每日總充電負(fù)荷分布。

充電負(fù)荷受氣溫影響較大，比如高溫天氣下用戶開啟車內(nèi)空調(diào)會(huì)增大EV單位里程耗電量，溫度會(huì)影響電池活性等。根據(jù)灰色關(guān)聯(lián)度理論[17]用式(15)描述預(yù)測(cè)日與歷史日i的氣溫相似度：

(15)

式中:ΔTi,1、ΔTi,2分別為歸一化后預(yù)測(cè)日與歷史日i最高、最低氣溫的差值；ρ[0,1]為分辨系數(shù)。

歷史日與相似日i間隔的時(shí)間越短，則兩者負(fù)荷相似度理應(yīng)越高，另外，相同星期屬性的兩日其負(fù)荷相似度必定較高?？紤]到負(fù)荷分布的上述特點(diǎn)，定義日期間隔相似度：

(16)

式中:ti為預(yù)測(cè)日與歷史日相隔天數(shù);α1、α2為衰減系數(shù)，表示相似度隨相隔天、周數(shù)增大而減小的比例。

顯然，工作日與周末居民的出行規(guī)律及活動(dòng)范圍不同，從而每日的充電負(fù)荷有不同特點(diǎn)，定義星期類型相似度：

γi,3=1-|φ(xi)-φ(x0)|

(17)

式中:x0、xi分別為預(yù)測(cè)日和歷史日i的星期類型，xi=1,2…7;φ(xi)為星期類型xi在[0, 1]的映射值。

上文在氣溫、日期間隔、星期類型角度分析了負(fù)荷分布的特點(diǎn)，歷史日i與預(yù)測(cè)日間負(fù)荷相似度與上述三者有關(guān)系，則須綜合考慮各自的影響。定義總體相似度：

γi=γi,1×γi,2×γi,3

(18)

根據(jù)式(18)取與預(yù)測(cè)日總體相似度最大的歷史日i的地區(qū)總充電負(fù)荷作為實(shí)行單一電價(jià)情況下預(yù)測(cè)日充電負(fù)荷曲線。

按照此相似日算法依次對(duì)(y+1)月份實(shí)行單一電價(jià)時(shí)的每日充電負(fù)荷預(yù)測(cè)。結(jié)合分時(shí)電價(jià)下每日的實(shí)際負(fù)荷識(shí)別數(shù)據(jù)，采用如下優(yōu)化模型計(jì)算每日充電負(fù)荷轉(zhuǎn)移率。

對(duì)于(y+1)月份的充電負(fù)荷曲線有

(19)

式中:ζ(t)=1、0、-1分別代表時(shí)刻t位于峰、平、谷電價(jià)時(shí)段內(nèi);L″(t)為實(shí)行分時(shí)電價(jià)后時(shí)刻i的計(jì)算負(fù)荷;L′(t)為單一電價(jià)下的預(yù)測(cè)負(fù)荷;λfg、λfp、λpg分別為峰谷、峰平、平谷負(fù)荷轉(zhuǎn)移率;Lf、Lp分別為峰、平電價(jià)時(shí)間段內(nèi)的負(fù)荷總量;Tf、Tp、Tg分別為峰平谷時(shí)段長(zhǎng)度。

對(duì)于(y+1)月份的所有負(fù)荷日，以負(fù)荷轉(zhuǎn)移率λ為優(yōu)化變量構(gòu)建如下優(yōu)化模型：

(20)

式中:L″(t)、L(t)為實(shí)行分時(shí)電價(jià)后的計(jì)算負(fù)荷與實(shí)測(cè)負(fù)荷。

對(duì)于(y+1)月份的每日都能得到3對(duì)樣本數(shù)據(jù)：(λfg,ηfg)、(λfg,ηfg)、(λfg,ηfg)?；谒脭?shù)據(jù)集，結(jié)合式(14)建立圖4中響應(yīng)特性曲線參數(shù)辨識(shí)模型：

(21)

式中:k為響應(yīng)曲線的斜率;η為未知數(shù)變量，即電價(jià)差。采用matlab工具箱fmincon求解式(20)～(21)，得到居民充電行為對(duì)于電價(jià)的響應(yīng)模型。

4 算例分析

4.1 電動(dòng)汽車充電負(fù)荷識(shí)別

2016年銷量前三的EV參數(shù)如附錄A表A1所示，其中m=0代表用戶使用便攜式充電器充電，額定慢充功率為2.3kW。圖5為在某戶日負(fù)荷[21](無充電負(fù)荷)的基礎(chǔ)上疊加EV充電負(fù)荷所得結(jié)果，EV充電開始時(shí)間為17:40，充電持續(xù)時(shí)間為180min，實(shí)際充電功率為2.1kW，將該疊加總負(fù)荷作為對(duì)該戶居民非侵入式負(fù)荷監(jiān)測(cè)的結(jié)果，說明EV充電負(fù)荷識(shí)別過程，并驗(yàn)證所提負(fù)荷識(shí)別方法的有效性。

圖5 某居民的日負(fù)荷曲線Fig.5 Daily load curve of a resident

設(shè)時(shí)間分段間隔Δt1=Δt2=10min，對(duì)負(fù)荷曲線整體分析可知，負(fù)荷增加點(diǎn)有8個(gè)，編號(hào)為①②③④⑤⑨⑩，且都滿足新增用電設(shè)備判據(jù)式(6)，即每個(gè)負(fù)荷新增點(diǎn)都代表接入了新的用電設(shè)備。下面以設(shè)備為例說明負(fù)荷識(shí)別流程。

L1,P10=

(22)

式中:Pi為點(diǎn)i的功率，i=1,2,…,14。

(23)

(24)

(25)

(26)

同理計(jì)算該設(shè)備對(duì)于其他品牌EV的隸屬度。取權(quán)重ω1∶ω2∶ω3=6∶2∶2，加權(quán)隸屬度函數(shù)值為

ω1A1,P11+ω2Ats11+ω3A1,tc11=0.859 2

(27)

按照上述方法依次對(duì)全部新增用電設(shè)備進(jìn)行辨識(shí)，表1列出部分新增設(shè)備點(diǎn)的識(shí)別結(jié)果。

表1 居民負(fù)荷識(shí)別結(jié)果

4.2 充電負(fù)荷需求響應(yīng)特性模型

某地區(qū)9月1日起實(shí)行表2中三階段分時(shí)電價(jià)。

每個(gè)電價(jià)方案持續(xù)7 d時(shí)間，峰電價(jià)時(shí)段為8:00～11:00和18:00～22:00,谷電價(jià)時(shí)段為23:00～7:00，其余時(shí)段為平電價(jià)時(shí)段。根據(jù)居民電動(dòng)汽車充電概率模型仿真得到充電負(fù)荷數(shù)據(jù)，如圖6、7分別為8月份(單一電價(jià))、9月份(分時(shí)電價(jià))該地區(qū)日總充電負(fù)荷曲線，將其作為對(duì)該地區(qū)居民負(fù)荷識(shí)別的結(jié)果。

表2 各階段電價(jià)方案 元/kWh

由圖6、7可以看出，實(shí)行峰谷分時(shí)電價(jià)后，居民的充電行為做出了改變，峰電價(jià)時(shí)段負(fù)荷降低，谷電價(jià)時(shí)段充電負(fù)荷明顯增大，并且對(duì)應(yīng)不同分時(shí)電價(jià)方案，居民的響應(yīng)程度不同。

圖6 該地區(qū)8月份各日總充電負(fù)荷曲線(單一電價(jià))Fig.6 Dialy charge load curve in August (single price)

圖7 該地區(qū)9月份各日總充電負(fù)荷曲線(分時(shí)電價(jià))Fig.7 Daily charge load curve in September (TOU price)

圖8為8月份實(shí)行單一電價(jià)時(shí)地區(qū)總充電負(fù)荷曲線?？梢钥闯?，實(shí)行單一電價(jià)時(shí)，相鄰兩日實(shí)際充電負(fù)荷分布不同，而采用相似日算法得到的預(yù)測(cè)值與實(shí)際值相近，故根據(jù)實(shí)行分時(shí)電價(jià)前后兩日的負(fù)荷曲線直接對(duì)比來計(jì)算負(fù)荷轉(zhuǎn)移率的方法誤差較大，對(duì)實(shí)行分時(shí)電價(jià)后的9月份每日進(jìn)行單一電價(jià)下的負(fù)荷預(yù)測(cè)能提高負(fù)荷轉(zhuǎn)移率的計(jì)算準(zhǔn)確度。

圖8 該地區(qū)8月份某兩日的充電負(fù)荷曲線(單一電價(jià))Fig.8 Charge load curve on two days in August (single price)

考慮氣溫、日期間隔、星期類型，以8月份的31 d為歷史日來預(yù)測(cè)9月份前21 d若未實(shí)行分時(shí)電價(jià)情況時(shí)的充電負(fù)荷分布情況，然后，與實(shí)行分時(shí)電價(jià)后21 d的實(shí)際負(fù)荷數(shù)據(jù)分布情況來計(jì)算峰谷、峰平、平谷負(fù)荷轉(zhuǎn)移率，進(jìn)而得到(電價(jià)差η-轉(zhuǎn)移率λ)樣本數(shù)據(jù)集，如矩陣(28)。使用matlab中優(yōu)化工具箱fmincon進(jìn)行響應(yīng)模型參數(shù)辨識(shí)，圖9表示峰谷轉(zhuǎn)移特性參數(shù)擬合過程，峰平、平谷轉(zhuǎn)移模型參數(shù)擬合與其類似，所有參數(shù)辨識(shí)結(jié)果如表3。

(28)

圖9 峰-谷負(fù)荷轉(zhuǎn)移模型參數(shù)擬合結(jié)果Fig.9 Fitting results of peak valley load transfer model

轉(zhuǎn)移類型kη1η2峰谷λfg0.3710.0720.611峰平λfp0.3850.2210.407平谷λpg0.8720.1610.282

分別采用以往研究中的方法和本文考慮負(fù)荷預(yù)測(cè)的方法來求解用戶充電需求響應(yīng)模型，基于此，計(jì)算分時(shí)電價(jià)條件下9月份某日的居民響應(yīng)負(fù)荷，結(jié)果對(duì)比情況如圖10所示。

圖10 9月某日地區(qū)總充電負(fù)荷曲線Fig.10 Total charge load curve of one day in September

從圖10中可以看出實(shí)行分時(shí)電價(jià)后負(fù)荷分布發(fā)生了轉(zhuǎn)移，峰時(shí)段負(fù)荷減少，谷、平時(shí)段負(fù)荷量增加；由不考慮相鄰日負(fù)荷變化得到的響應(yīng)模型計(jì)算得到的負(fù)荷曲線(計(jì)算負(fù)荷2)與實(shí)際值間的平均相對(duì)誤差為7.29%，采用本文基于短期負(fù)荷預(yù)測(cè)的充電負(fù)荷響應(yīng)模型得到的響應(yīng)負(fù)荷曲線(計(jì)算負(fù)荷1)與實(shí)際測(cè)量值接近，平均相對(duì)誤差減小了23.77%，可見所提方法提高了響應(yīng)模型的準(zhǔn)確度。

5 結(jié) 論

規(guī)模化EV無序充電會(huì)給電網(wǎng)帶來負(fù)面影響，而分時(shí)電價(jià)是引導(dǎo)用戶有序充電的有力措施，本文在充電負(fù)荷識(shí)別技術(shù)的基礎(chǔ)上研究了分時(shí)電價(jià)下居民充電行為響應(yīng)特性的建模方法?；诩訖?quán)模糊隸屬度函數(shù)，本文提出了一種從日負(fù)荷曲線中識(shí)別充電負(fù)荷的方法，并驗(yàn)證了其準(zhǔn)確性，為需求側(cè)響應(yīng)特性的研究提供基礎(chǔ)；分析電動(dòng)汽車用戶行為習(xí)慣及充電功率特點(diǎn)，考慮到環(huán)境溫度、日類型與電動(dòng)汽車充電負(fù)荷間的相關(guān)性，在負(fù)荷轉(zhuǎn)移率計(jì)算過程中引入了相似日短期負(fù)荷預(yù)測(cè)，減小了日負(fù)荷波動(dòng)帶來的計(jì)算誤差；最后，采用優(yōu)化算法進(jìn)行響應(yīng)特性模型參數(shù)辨識(shí)，建立了更為準(zhǔn)確的居民充電負(fù)荷響應(yīng)特性模型。