黃 珊 郭秀娟

(吉林建筑大學(xué) 電氣與計算機學(xué)院,長春 130118)

隨著能源短缺的日益嚴重和環(huán)保呼聲的高漲,電動汽車(Electric vehicle,EV)作為一種低碳、清潔的交通工具,受到各國政府的高度關(guān)注[1].

電動汽車具有：① 充電負荷較大,充電時間長；② 所有權(quán)歸于用戶,難以進行集中式管理；③ 在行駛中,具有時空分布不確定性等特點.當電動汽車大規(guī)模投入使用時,其連入電網(wǎng)的充電負荷會對電力系統(tǒng)的運行與規(guī)劃產(chǎn)生很大的影響(比如電能損耗、運營成本[2]及諧波污染[3]等).準確的電動汽車負荷特性分析和高精度的電動汽車負荷預(yù)測具有重要意義[4],因此,本研究對應(yīng)的充電策略是目前的首要任務(wù).

1 智能交通系統(tǒng)與OD矩陣簡介

智能交通系統(tǒng)又稱智能運輸系統(tǒng),是將先進的信息技術(shù)、數(shù)據(jù)通信技術(shù)、傳感器技術(shù)等有效地綜合運用于交通運輸管理體系,建立大范圍、全方位、實時、準確、高效的綜合運輸管理系統(tǒng).通過行人、車輛、道路的和諧配合提高交通運輸效率,緩解交通阻塞,提高路網(wǎng)通過能力,減少交通事故,降低能源消耗并減輕環(huán)境污染.智能交通系統(tǒng)中的關(guān)鍵技術(shù)是反映特定時段內(nèi)隨時間變化交通需求模式的OD矩陣，對OD矩陣進行學(xué)習(xí)、探討及應(yīng)用,將有利于交通環(huán)境改善.

OD調(diào)查,即交通起點與終點間交通出行量的調(diào)查.特點是將人車貨的出行活動視為交通形成細胞,由此研究交通的產(chǎn)生與分布.本文運用車輛OD調(diào)查,并將研究區(qū)域劃分為5個部分.OD調(diào)查通常用一個二維表格表示,稱為OD表(或OD矩陣).OD矩陣是交通網(wǎng)絡(luò)中所有起點與終點之間出行交換數(shù)量的表格,反映用戶對交通網(wǎng)絡(luò)的基本需求,描述特定時間段內(nèi)一個交通網(wǎng)絡(luò)中所有起點到終點的交通出行量[5].

2 計時空分布的電動汽車充放電模型

2.1 電動汽車的特性

以交通使用為基礎(chǔ)對電動汽車進行分類,分為私人擁有、公有、退休或是失業(yè)者擁有3種[6]，并根據(jù)分類確定電動汽車行駛模式.引入OD分析,旨在電動汽車行駛的起點和終點確定電動汽車的流動性和城市的交通出行量.由于私人擁有型電動汽車通常是在家和工作地點間行駛,途徑簡單,本文選擇此類電動汽車進行研究.選擇型號：L7e(貨物運輸車)；M1(轎車)；N1(貨物運輸車)；N2(貨物運輸車)這4種電動汽車作為研究對象.研究假定電池60%是鋰離子,40%是鉛酸.

根據(jù)調(diào)查得到的電動汽車電池容量數(shù)據(jù),設(shè)每種類型電動汽車(L7e,M1,N2,N2)的電池容量，按式(1)和式(2)計算，得到各項參數(shù)(見表1).

表1 電動汽車電池容量的最適概率密度函數(shù)Table 1 Optimal probability density function of battery capacity for electric vehicles

(1)

式中,Capr為每輛電動汽車的電池容量，kW·h；α為形狀參數(shù)；β為尺度參數(shù)；μ為位置參數(shù)；σ為尺度參數(shù)；Γ(α)為伽馬分布.

對調(diào)查得到的不同類型的電動汽車最大行駛距離通過多項式擬合，確定最大行駛距離和電池容量之間的關(guān)系,便于完善時空模型的數(shù)據(jù)庫.

2.2 OD分析

OD分析是一種使用廣泛的交通運輸規(guī)劃方法[7].通過OD分析研究時空模型中區(qū)域的地理信息、電動汽車的數(shù)量和電動汽車移動性等信息.

利用Trans CAD軟件模擬研究城市,將城市分為5個區(qū)域，并將所研究城市的3種類型的功能區(qū)(住宅區(qū)、商業(yè)區(qū)和工業(yè)區(qū))合理分配到5個區(qū)域內(nèi).

在交通規(guī)劃中,質(zhì)心代表功能區(qū)的幾何中心.在時空模型中,兩區(qū)域間的距離Dij由式(3)的正態(tài)分布得到：

Dij=N(μij，σij2) (3)

式中,μij是質(zhì)心i和j間的直線距離,m；σij是考慮駕駛員喜好的路徑選擇標準偏差.

用ts和tf分別代表電動汽車1天內(nèi)第1次行駛的起始時間.根據(jù)本文選擇的電動汽車類型,假定1天只有2次行駛,ts和tf分別為電動汽車從家到工作地點的往返時間.

在一個特定城區(qū)內(nèi),OD矩陣是用來模擬1天內(nèi)電動汽車從初始位置到終點的流動性.

在模型中,為便于OD矩陣分析，設(shè)如下變量：

(4)

2.3 電動汽車的充電負荷

根據(jù)以下步驟確定電動汽車的充電負荷.

對于每輛電動汽車,蒙特卡洛模擬的作用是生成相應(yīng)的最適合概密度函數(shù)和約束電池容量.如果產(chǎn)生的電池容量不在規(guī)定的容量范圍內(nèi),將重復(fù)此步驟,直至滿足約束條件.在以上產(chǎn)生每輛電動汽車電池容量的基礎(chǔ)上,每輛電動汽車相應(yīng)的最大行駛距離由Capr與Ran之間的關(guān)系決定.

利用OD分析模擬電動汽車1天的活動.電動汽車1天內(nèi)行駛時間ts和終止時間tf的分布如圖1、圖2所示.由圖1曲線可見,電動汽車的起始時間基本上全部在早晨7～8點左右的早高峰時間段；由圖2曲線可見,電動汽車的終止時間基本上全部在下午4～5點左右的晚高峰時間段,在晚上9～11點的時間段也出現(xiàn)了一個小高峰.

圖1 HBW 1天內(nèi)行駛的起始時間Fig.1 HBW starting time in a day

圖2 HBW 1天內(nèi)行駛的終止時間Fig.2 HBW termination time in a day

2.3.1 確定慢速充電的開始時間tsc

tsc是確定電動汽車充電負荷時間分布的關(guān)鍵參數(shù).電動汽車的充電時間由人們的日常交通出行和電動汽車的充電策略決定.本文采用兩種充電策略確定慢速充電開始時間tsc.

(1) 無序充電策略. 默認電動汽車日常行駛結(jié)束回到家以后立刻開始充電，即慢速充電的開始時間tsc等于電動汽車行駛的完成時間tf,如圖2所示.

(2) 有序充電策略[8]. 設(shè)想有一個基于雙遞階控制結(jié)構(gòu)的主動管理系統(tǒng),一邊由聚合商領(lǐng)導(dǎo),另一邊由系統(tǒng)運營商控制.進一步假定電動汽車的充電負荷根據(jù)聚合商的市場談判或根據(jù)系統(tǒng)運營商需要控制.公式(5)描述了考慮研究區(qū)域?qū)崟r交通數(shù)據(jù)和實時電價數(shù)據(jù)情況下智能充電的隨機模擬,其中μ代表凌晨1點,σ代表5小時的時間.由此結(jié)果可知,與無序充電策略相比,智能充電策略實現(xiàn)了將電動汽車的充電負荷從系統(tǒng)的峰值時間轉(zhuǎn)到低谷時間.

(5)

2.3.2 確定電動汽車充電時的荷電狀態(tài)(State of capacity,SOC)

設(shè)SOC與行駛距離呈線性下降的關(guān)系,t時刻電動汽車的電池容量為SOCt,是通過ts進行每小時追蹤SOC得到的,通過式(6)和式(7)計算得出：

SOCt=η·[SOCt-1-D(t-1,t)(i,j)/Ran]t>ts(6)

SOCts=SOC0(7)

其中，SOC0是電動汽車的初始SOC,變化在[0.8,0.9]范圍內(nèi)(80%～90%的SOC維持電池壽命)[9]；引入能源效率系數(shù)η,變化在[0.9,1.0],表示現(xiàn)實社會交通中加速和減速過程給電動汽車帶來的能量損失.當電動汽車開始充電時,設(shè)此時的電池容量為SOCc,即：

SOCc=SOCtsc(8)

利用蒙特卡洛模擬在以上步驟中確定tsc和相應(yīng)的L(r,tsc),L(r,tsc)的電力需求,利用文獻[10]提出的方法計算.

若有n輛電動汽車,則需按照上述步驟重復(fù)n次.記錄每個電動汽車1天內(nèi)在L(r,t)的充電負荷.當m(m≤n)輛電動汽車在L(r,t)的充電負荷被記錄時,總的電動汽車充電負荷PT為：

(9)

2.4 時空模型中的假設(shè)

在時空模型中進行如下假設(shè)，當出現(xiàn)符合下列兩者中任意一個標準的情況時,終止蒙特卡洛模擬的運行：

(1) 迭代次數(shù)達到最大值；

(2) 兩個順序迭代之間電動汽車充電負荷足夠小時，如式(10)所示：

(10)

式中,Li為關(guān)于每個區(qū)域24小時內(nèi)電動汽車充電負荷的矩陣；NMC表示迭代次數(shù),ε是收斂因子.設(shè)定ε為0.001,NMCS為迭代次數(shù)的最大值,設(shè)定為10.當滿足式(11)的標準時進行快速充電.

SOCr<0.2orD(SOCr)

式中,SOCr為實時的SOC；Dwh為工作地點和家之間的直線距離，m；D(SOCr)代表使用現(xiàn)有的可用電池容量能夠行駛的距離，m；為保持電池壽命,電池容量SOC不應(yīng)低于0.2[11].

每個區(qū)域Lr可能包含多條母線,當區(qū)域Lr內(nèi)所有電動汽車的充電負荷在t(1≤t≤24)時刻被設(shè)定好時,獲得電動汽車的所在位置對分配其充電負荷到一個特定的網(wǎng)絡(luò)母線上是極其重要的.例如,如果電動汽車在t時刻停在了一個住宅區(qū)內(nèi),電動汽車的充電負荷將被分配到這個區(qū)域的所有母線上,然后在時間t的時候按比例將電負荷供給普通住宅.該方法同樣適用于其他區(qū)域的電動汽車.

2.5 時空模型的構(gòu)建

使用MATLAB軟件,模擬某城市的5個區(qū)域內(nèi)不同類型的電動汽車3天的行駛狀況,城市的交通流量的模擬在Trans CAD中進行.根據(jù)模擬城市規(guī)模,設(shè)定電動汽車的數(shù)量為1 000輛,假設(shè)每種電動汽車具有相同的市場占有率；將SOC設(shè)定為最小,為保持電池的壽命,SOC不低于0.2；考慮到電池荷電狀態(tài)具有時序耦合的特性,車輛出行時間分布具有隨機性,為提高模擬結(jié)果的準確性,將模擬運行時間設(shè)定為4天96小時.

3 算例分析

本算例利用Trans CAD中的UTOWN案例模擬HBW電動汽車4天96小時的行駛情況,并算出電動汽車的充電負荷.該模擬城市內(nèi)有5個區(qū)域(包含住宅區(qū),商業(yè)區(qū)和功能區(qū)3個區(qū)域)，每個區(qū)域可能有一個或者多個功能區(qū).利用無序和有序兩種不同的充電策略,充電方式有慢速充電和快速充電.由于模擬的城市區(qū)域范圍較小,電動汽車的數(shù)量不是很多,所以電動汽車幾乎全部符合慢速充電的條件.本算例采用慢速充電方式，每小時OD矩陣是從Trans CAD的UTOWN案例中,通過Time of day analysis分析得到的.

采用IEEE 33節(jié)點配電網(wǎng)算例.電動汽車負荷接入節(jié)點4,11,12,15,26.已知基礎(chǔ)日負荷如圖3所示.采用前推回代法進行潮流計算,對比分析接入電動汽車前后配電網(wǎng)網(wǎng)損、節(jié)點電壓等情況.

圖4是“dumb”充電策略下各支路節(jié)點電壓幅值曲線.從圖中曲線可以看出,在第18小時、第42小時、第66小時和第90小時左右,都出現(xiàn)了電壓幅值急速下降的現(xiàn)象.由于選擇的電動汽車類型是HBW,只在家和工作地點間行駛,電壓幅值急速下降的時間與正常下班回家的時間相吻合,由此可知,電動汽車的普及更容易導(dǎo)致住宅區(qū)產(chǎn)生低電壓.

圖3 日負荷(標幺值)Fig.3 Daily load (per unit value)

圖4 節(jié)點電壓幅值Fig.4 Node voltage amplitude

圖5 各節(jié)點注入功率Fig.5 Injection power of each node

圖6 各個線路損耗Fig.6 Each line losses

圖7 慢速充電的充電負荷Fig.7 Charging load for slow charging

圖5和圖6分別代表各節(jié)點的注入功率和各線路的損耗.圖5中的注入功率包括負荷功率和線路損耗兩部分.分析圖5、圖6也能看出,在第18小時、第42小時、第66小時和第90小時左右,功率都出現(xiàn)了峰值,可見，電動汽車的充電負荷對電力系統(tǒng)配電網(wǎng)的影響不容小覷.

圖7是電動汽車在慢速充電情況下的充電負荷.圖7為三維立體圖,x軸表示時間,y軸代表模擬城市中的5個區(qū)域；z軸表示電動汽車在慢速充電的充電方式下的充電負荷.從圖7中可以看出，區(qū)域5在下班時間的時間段充電負荷達到最大值,由于電動汽車的類型是HBW,即可推測出區(qū)域5是住宅區(qū)；區(qū)域2和區(qū)域3在下班時間段內(nèi)的充電負荷也比較高,由此可推測出2個區(qū)域包括住宅區(qū)和商業(yè)區(qū)的兩種功能區(qū)；區(qū)域1和區(qū)域4的充電負荷相對較低,可推測兩區(qū)域應(yīng)為工業(yè)區(qū)或包含工業(yè)區(qū)和商業(yè)區(qū)的兩種功能區(qū).

4 結(jié)語

本文研究的時空模型評估了大規(guī)模電動汽車的部署對城市配電網(wǎng)的影響，利用OD分析減少由電動汽車流動而產(chǎn)生的不確定性；通過對市場電動汽車的調(diào)查和分析,了解廣義上的電動汽車特性,在時空模型中運用蒙特卡洛模擬得到不同時刻各個線路上電動汽車的充電負荷.時空模型能夠提供節(jié)點電壓和支路負荷的平均值及概率值,由此證實電動汽車連入電網(wǎng)進行充電對配電網(wǎng)有著一定程度的影響.此外,文中提及的時空模型對電力系統(tǒng)的規(guī)劃和評估有較大幫助.與以往這方面的研究相比較,時空模型能夠提供更為真實的模擬結(jié)果,因為使用了智能交通研究中的OD分析技術(shù),在時間和空間兩個維度上更準確地模擬了電動汽車的移動性.