張美霞，吳子敬，楊秀

（上海電力大學(xué)電氣工程學(xué)院,上海市楊浦區(qū) 200090）

0 引言

由于電動(dòng)汽車具有低碳、環(huán)保的優(yōu)勢(shì)，汽車產(chǎn)業(yè)發(fā)展轉(zhuǎn)型是實(shí)現(xiàn)“碳達(dá)峰、碳中和”目標(biāo)的重要途徑，推動(dòng)新能源汽車產(chǎn)業(yè)的發(fā)展是應(yīng)對(duì)氣候變化、推動(dòng)綠色發(fā)展的戰(zhàn)略舉措。大規(guī)模電動(dòng)汽車接入會(huì)影響配電網(wǎng)可靠性，精細(xì)的電動(dòng)汽車充電負(fù)荷模型能夠保證可靠性評(píng)估的準(zhǔn)確性[1]；電動(dòng)汽車作為一種特殊的可轉(zhuǎn)移負(fù)荷及儲(chǔ)能裝置是連接路網(wǎng)交通與城市配網(wǎng)的載體，其本身的可移動(dòng)性和空間轉(zhuǎn)移的隨機(jī)性受到用戶出行特征與客觀城市道路結(jié)構(gòu)的雙重影響[2]；因此，建立精細(xì)化的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型分析充電負(fù)荷的時(shí)空分布特性是研究電動(dòng)汽車充電負(fù)荷對(duì)配電網(wǎng)影響的關(guān)鍵[3-4]。

針對(duì)電動(dòng)汽車充電負(fù)荷預(yù)測(cè)，文獻(xiàn)[5]提出一種基于動(dòng)態(tài)交通系統(tǒng)的電動(dòng)汽車最優(yōu)路徑模型，確定每輛電動(dòng)汽車在使用源點(diǎn)-終點(diǎn)（origindestination,OD）分析法時(shí)的最佳路徑規(guī)劃，探討了電動(dòng)汽車動(dòng)態(tài)通勤下的充電需求；文獻(xiàn)[6]分析充電區(qū)域的差異性，利用馬爾科夫決策對(duì)用戶出行模擬，獲取電動(dòng)汽車充電負(fù)荷時(shí)空分布；文獻(xiàn)[7]引入天氣和溫度等外界客觀因素對(duì)電動(dòng)汽車出行特征與出行能耗的影響，證明了氣溫對(duì)電動(dòng)汽車出行需求有顯著的影響效果。然而，在溫度的處理上僅考慮單一溫度條件下的充電負(fù)荷變化，在實(shí)際中溫度是一個(gè)隨時(shí)間變化量，若能在計(jì)及溫度對(duì)充電負(fù)荷影響需要根據(jù)時(shí)間的變化精確分析溫度對(duì)電動(dòng)汽車充電負(fù)荷的影響會(huì)更符合實(shí)際情況；文獻(xiàn)[8]和文獻(xiàn)[9]綜合考慮天氣溫度、路網(wǎng)交通以及充電設(shè)施之間的耦合關(guān)系，基于出行鏈與Dijkstra算法對(duì)用戶出行過程進(jìn)行規(guī)劃，采用蒙特卡洛法對(duì)城市各功能區(qū)內(nèi)電動(dòng)汽車充電負(fù)荷時(shí)空分布進(jìn)行仿真；文獻(xiàn)[10]與文獻(xiàn)[11]分析了用戶充電差異性對(duì)電動(dòng)汽車充電決策的影響，運(yùn)用模糊推理法分析分時(shí)電價(jià)對(duì)用戶充電行為的影響，確立了用戶充電行為對(duì)充電負(fù)荷預(yù)測(cè)的影響。

基于現(xiàn)有的研究現(xiàn)狀分析，電動(dòng)汽車充電負(fù)荷預(yù)測(cè)存在以下3個(gè)方面的不足：

1）在預(yù)測(cè)模型上習(xí)慣將電池容量認(rèn)定為一個(gè)固定參數(shù)忽略了EV能耗隨環(huán)境的變化問題，給充電負(fù)荷預(yù)測(cè)結(jié)果帶來了誤差；

2）在用戶主觀意愿方面，缺少精細(xì)化的研究，用戶在實(shí)際出行過程中受到實(shí)時(shí)路況與用戶心理共同作用的影響，路徑選擇不會(huì)完全按照既定的最短路線出行。因此，電動(dòng)汽車出行的路徑選擇不宜局限于最短路徑算法，需要對(duì)用戶出行的路徑?jīng)Q策做進(jìn)一步細(xì)化分析；

3）針對(duì)用戶主觀充電意愿，弱化了用戶心理的影響，未從用戶的經(jīng)濟(jì)水平、消費(fèi)能力等角度屬性考慮，缺少定量分析。

根據(jù)上述問題，提出一種基于動(dòng)態(tài)能耗模型與用戶心理的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型。首先對(duì)家用電動(dòng)汽車和出租車的出行特征進(jìn)行分析，通過蒙特卡洛法模擬不同類型電動(dòng)汽車的出行過程。根據(jù)交通擁堵指數(shù)引入懲戒系數(shù)，建立基于最優(yōu)策略的馬爾可夫動(dòng)態(tài)路徑?jīng)Q策模型，使用戶路徑選擇不局限于單一最短路徑；在不同溫度和路況下電動(dòng)汽車能耗建立出行里程能耗模型，計(jì)算不同情景的實(shí)時(shí)單位里程動(dòng)態(tài)能耗。引入錨定效應(yīng)對(duì)用戶心理進(jìn)行分析，建立基于錨定效應(yīng)的用戶充電決策模型；最后，通過城市路網(wǎng)對(duì)所建模型進(jìn)行驗(yàn)證，預(yù)測(cè)電動(dòng)汽車充電需求的時(shí)空分布特點(diǎn)。

1 電動(dòng)汽車出行時(shí)空特征

1.1 電動(dòng)汽車出行模型

電動(dòng)汽車出行以及充電行為的隨機(jī)性為對(duì)充電負(fù)荷的時(shí)空特性有不確定的影響，同時(shí)車輛行駛路徑也具有動(dòng)態(tài)不確定性，使得上述變量之間的影響更加復(fù)雜。但是，電動(dòng)汽車出行流量具有一定的規(guī)律性和周期性，通過考慮城市屬性和不同時(shí)空?qǐng)鼍跋碌某鲂行枨?，提高與車輛出行相關(guān)變量的概率分布函數(shù)在時(shí)間和空間上的相關(guān)性[12]。根據(jù)城市不同區(qū)域的功能特性以及地理信息，將城市劃分為居民區(qū)（H）、工作區(qū)(W)、商業(yè)區(qū)(C)以及其他區(qū)域(O)。

家用電動(dòng)汽車出行起始位置較為固定且出行具有明確的目的性，將不同的出行目的按照時(shí)間順序進(jìn)行連接就構(gòu)成了私家車的出行鏈[13]?；诔鲂墟溊碚搶?duì)用戶的日常出行規(guī)律進(jìn)行建模，按照出行時(shí)停車節(jié)點(diǎn)數(shù)量將出行鏈模式分為簡單鏈和復(fù)雜鏈，出行鏈中每個(gè)節(jié)點(diǎn)均包含有開始行駛時(shí)刻、停車時(shí)長以及停止行駛時(shí)刻等出行特征值，兩節(jié)點(diǎn)之間包含有用戶在行駛過程中的行駛里程以及行駛時(shí)間等信息。通過對(duì)NHTS2017數(shù)據(jù)庫中出行數(shù)據(jù)進(jìn)行概率分布擬合分析，從中選擇擬合效果最好的一種概率函數(shù)代表該特征量的變化規(guī)律[14]，特征量的概率分布與參數(shù)擬合結(jié)果如表1所示。

根據(jù)GAIA計(jì)劃中提供的脫敏出行數(shù)據(jù)為基礎(chǔ)，分析電動(dòng)汽車出行特征。由于網(wǎng)約車目的在于為城市中的居民提供便捷的出行服務(wù)，出行目的地以及出行訂單數(shù)由乘客的出行需求決定，選擇中國成都市區(qū)三環(huán)內(nèi)的訂單數(shù)據(jù)分析出租車在一天內(nèi)的訂單數(shù)量需求以及時(shí)間分布情況，如附錄圖A1所示。

電動(dòng)汽車出行空間位置分布進(jìn)行數(shù)據(jù)挖掘，篩選出電動(dòng)汽車出行訂單數(shù)據(jù)的起點(diǎn)位置以及終點(diǎn)位置，運(yùn)用OD分析法獲取電動(dòng)汽車的出行起始點(diǎn)分布以及概率轉(zhuǎn)移矩陣?；趫D論法將現(xiàn)實(shí)中的道路抽象為路網(wǎng)拓?fù)鋱D，采用OD分析法確定出租車出行的起訖點(diǎn)分布，通過實(shí)際訂單行程中接送地點(diǎn)和匹配時(shí)間段獲取用戶出行OD概率轉(zhuǎn)移矩陣[15]。根據(jù)不同時(shí)間段下的交通路況獲取相應(yīng)的電動(dòng)汽車路段速度，計(jì)算電動(dòng)汽車行駛路徑所需時(shí)間，將道路鄰接矩陣中的道路權(quán)值替換為行駛時(shí)間，如式(2)所示：

式中：P(G)為路網(wǎng)中的交通節(jié)點(diǎn)集合，節(jié)點(diǎn)數(shù)量為k；E(G)為路網(wǎng)中任意兩節(jié)點(diǎn)pi，pj構(gòu)成的行駛道路集合；ΨG為道路行駛時(shí)間鄰接矩陣，表述各個(gè)節(jié)點(diǎn)與路段行駛時(shí)長tij之間的對(duì)應(yīng)關(guān)系。

1.2 基于最優(yōu)策略的馬爾可夫動(dòng)態(tài)路徑?jīng)Q策模型

馬爾可夫決策模型主要包括5個(gè)關(guān)鍵要素：決策時(shí)刻集Γ、狀態(tài)集S、行動(dòng)集A、狀態(tài)轉(zhuǎn)移概率p以及收益目標(biāo)函數(shù)R。在某一決策時(shí)刻t(t∈Γ）下，決策者在狀態(tài)i(i∈Γ）采取行動(dòng)a(a∈A(i))，決策者選擇行動(dòng)a可獲得收益為R(i,a)；在下一個(gè)決策時(shí)刻t+1(t+1∈Γ），系統(tǒng)的狀態(tài)由概率分布為p(j∣i,a)決定；將這五重組{Γ，S，A(i)，p(j∣i,a)，R(i,a)}記作一個(gè)馬氏決策過程，其中轉(zhuǎn)移概率與收益僅取決于當(dāng)前的狀態(tài)與決策者采取的行動(dòng)，與過去的歷史無關(guān)[16]。

針對(duì)離散時(shí)間決策時(shí)刻有限階段的馬氏決策問題，選取決策時(shí)刻集Γ={0,1,…, N-1}，0＜N＜∞，在最后一個(gè)決策階段N時(shí)不需要進(jìn)行決策行為，在進(jìn)行決策時(shí)采取的決策規(guī)則序列記為策略π，所有策略的集合稱為策略集，記作Π，決策者在每一時(shí)刻進(jìn)行決策時(shí)會(huì)獲取一系列收益，將收益進(jìn)行累加記為決策模型的效用函數(shù)VN，如式(3)所示：

式中：S(t)，A(t)為決策時(shí)刻t時(shí)的狀態(tài)與行動(dòng)；R(S(t)，A(t))為t時(shí)刻獲取的收益；R(S(N)，A(N))是過程的終止收益。雖然決策過程已經(jīng)結(jié)束，決策者不需要再進(jìn)行決策行為，但是仍可以獲得系統(tǒng)剩余價(jià)值。

如果從策略集Π中選取一個(gè)策略π能使得效用函數(shù)VN為最優(yōu)函數(shù)，則選取策略π為最優(yōu)策略解?；贐ellman最優(yōu)化原理可知，在任意狀態(tài)下從最優(yōu)行動(dòng)集中選取任意行動(dòng)，對(duì)于下一個(gè)決策時(shí)刻而言剩余的決策規(guī)則序列組成的策略集仍為最優(yōu)策略，因此可以通過收益向后遞歸的方式得到?jīng)Q策模型的效用函數(shù)VN，其遞歸函數(shù)：

式中：j為下一個(gè)決策時(shí)刻t+1時(shí)的狀態(tài)。

用戶在道路選擇上優(yōu)先選取道路暢通的路段，對(duì)于交通擁堵指數(shù)值越高的路段，行駛速度越低，行駛時(shí)間越長，用戶選擇意愿越低。為了保證用戶在出行時(shí)可以避開擁堵路段，并考慮到實(shí)際中用戶決策時(shí)局部的信息不對(duì)稱、對(duì)路況不熟悉以及自身心理原因，會(huì)影響決策時(shí)作出“逆向選擇”，使用戶決策不局限于單一最短路徑，引入懲戒系數(shù)λ，如式：

式中：λt,k為決策時(shí)刻t道路k的懲戒系數(shù)；Itp,t為決策時(shí)刻t交通擁堵指數(shù)；Itp,max為參考路段交通擁堵指數(shù)最大值。

用戶出行時(shí)的路徑?jīng)Q策步驟如下：

1）用戶在出發(fā)之前，選定出行目的并將規(guī)劃好的最短出行路徑記為πd，最短出行路徑中各路段記為參考路段ld，路網(wǎng)節(jié)點(diǎn)中未被選取的路徑集合選為備用路徑集，記為Ak；

2）當(dāng)?shù)竭_(dá)決策狀態(tài)i，即道路節(jié)點(diǎn)i時(shí)，用戶會(huì)以參考路段ld的路段長度Ld、交通擁堵指數(shù)Itp,d以及懲戒系數(shù)λt,d為參考，消去備用路徑集中的交通擁堵指數(shù)高于Itp,d的路段；

3）將備用路徑集中的備選路段以路段長度Lk與參考路段長度Ld進(jìn)行比較，計(jì)算各路段懲戒系數(shù)對(duì)路段的狀態(tài)轉(zhuǎn)移概率的影響，各路段狀態(tài)轉(zhuǎn)移概率pt：

式中：jk=ld表示決策行動(dòng)按照原計(jì)劃進(jìn)行最短路徑選擇的狀態(tài)轉(zhuǎn)移概率；jk∈A表示決策行動(dòng)選擇備選路段的狀態(tài)轉(zhuǎn)移概率。

2 電動(dòng)汽車動(dòng)態(tài)能耗（DEC）模型

2.1 電池容量模型

電動(dòng)汽車在正常行駛過程中受到道路等級(jí)、路況交通、車速以及氣溫等外界客觀因素的影響，進(jìn)而影響充電負(fù)荷需求及其日常狀況。通過耦合外界客觀信息對(duì)電動(dòng)汽車出行里程能耗的影響，建立精細(xì)化的電動(dòng)汽車單位里程能耗模型。同一種電池在不同溫度下的容量和充放電特性差別很大，所以采用目前主流的鋰電池的實(shí)驗(yàn)數(shù)據(jù)為例，建立了溫度與電池容量的關(guān)系[17]。

使用美國國家航空航天局(National Aeronautics and Space Administration, NASA)艾姆斯研究中心的鋰電池測(cè)試數(shù)據(jù)來分析不同溫度以及充放電循環(huán)對(duì)電池容量的影響。在磷酸鐵鋰電池的測(cè)試中以25℃時(shí)的電池容量為基準(zhǔn)分析在不同溫度下的電池相對(duì)容量百分比(relative capacity of battery,CR%)，如附錄圖A2所示。在高溫環(huán)境下，CR%略有提高，但提升幅度不明顯，在40℃時(shí)CR%為106%，當(dāng)環(huán)境溫度大于55℃時(shí)CR%上升趨勢(shì)轉(zhuǎn)為下降。在低溫環(huán)境中，CR%相對(duì)于基準(zhǔn)容量下降幅度明顯，當(dāng)溫度到達(dá)-20℃時(shí)CR%僅有43%。為了量化充電負(fù)載模擬過程中溫度對(duì)電池容量的影響，采用多項(xiàng)式函數(shù)模型擬合溫度和CR%之間的關(guān)系，如式(7)所示。

式中：T為環(huán)境溫度(℃)；η0、η1、η2、η3為函數(shù)模型擬合系數(shù)；CR為電池相對(duì)容量百分?jǐn)?shù)。

2.2 車載空調(diào)啟停能耗模型

車載空調(diào)系統(tǒng)(包括制冷和制熱)作為電動(dòng)汽車主要耗能電器直接影響了電動(dòng)汽車充電需求以及續(xù)航里程[18]。在不同的環(huán)境溫度和濕度等天氣條件下空調(diào)系統(tǒng)的啟停和能耗值也會(huì)有所差別，根據(jù)實(shí)驗(yàn)數(shù)據(jù)分析不同溫度T下車載空調(diào)耗能，并通過車載空調(diào)開啟時(shí)的能耗數(shù)據(jù)擬合得到空調(diào)能耗和空調(diào)使用率隨溫度變化如圖1所示。

圖1 不同溫度下車載空調(diào)能耗及使用率Fig.1 Energy consumption and usage rate of EV airconditioner under different temperatures

在文獻(xiàn)[8]的基礎(chǔ)上，對(duì)空調(diào)開啟決策模型進(jìn)行改進(jìn)，通過對(duì)車載空調(diào)使用率曲線分析建立相應(yīng)的空調(diào)開啟決策模型，根據(jù)車載空調(diào)使用率曲線進(jìn)行正態(tài)分布擬合，并設(shè)定冷閾值Tc、熱閾值Th以及舒適溫度區(qū)間，介于閾值與舒適溫度之間的分段曲線根據(jù)MATLAB中的cftool工具箱進(jìn)行正態(tài)分布擬合獲得相應(yīng)的擬合參數(shù)得到相應(yīng)的空調(diào)啟動(dòng)正態(tài)分布函數(shù)，如式：

式中：Kopen(T)為溫度T下空調(diào)開啟概率；μc、δc為制熱啟動(dòng)參數(shù)的均值與方差；μh、δh為制冷啟動(dòng)參數(shù)的均值與方差，當(dāng)溫度低于冷閾值Tc或者大于熱閾值Th時(shí)用戶空調(diào)開啟概率為1；當(dāng)溫度在舒適溫度區(qū)間內(nèi)，開啟空調(diào)的概率為0。參數(shù)值設(shè)定如表2所示。

表2 車載空調(diào)開啟概率擬合參數(shù)Table 2 Fitted parameters of EV air condition starting-up probability

為了量化充電負(fù)荷模擬中日內(nèi)溫度變化對(duì)空調(diào)能耗的影響，可采用分段多項(xiàng)式模型擬合溫度與空調(diào)功率之間的關(guān)系，如式(9)所示。

式中：Pac為空調(diào)功率；ω0、ω1、ω2和ω3為函數(shù)擬合系數(shù)。

2.3 基于交通路況的里程能耗模型

電動(dòng)汽車在正常行駛過程中單位里程能耗主要受不同道路等級(jí)以及交通路況的影響最顯著。為了消除了各路網(wǎng)絡(luò)車速與感覺不一致的問題，充分吸取了人們對(duì)不同等級(jí)道路擁堵的容忍感受，引入交通擁堵指數(shù)(transport performance index, TPI)用數(shù)值方式量化描述道路交通運(yùn)行狀態(tài)，提高道路交通運(yùn)行狀態(tài)表達(dá)精度。由于車輛以非經(jīng)濟(jì)速度行駛，交通擁堵增加了駕駛持續(xù)時(shí)間和空調(diào)服務(wù)時(shí)間，降低了駕駛效率，這些將顯著影響能源消耗和充電需求，引入行駛時(shí)長修正系數(shù)ζt調(diào)整在不同交通路況下的駕駛時(shí)長[17]。用戶在道路選擇上優(yōu)先選取道路暢通的路段，對(duì)于交通擁堵指數(shù)值越高的路段，行駛速度越低，行駛時(shí)間越長，用戶選擇意愿越低，具體如表3所示。

表3 道路交通擁堵指數(shù)等級(jí)劃分Table3 Grading of road traffic congestion index

將道路分為快速路、主干道和次干道3個(gè)等級(jí)，通過實(shí)時(shí)交通路況調(diào)查獲取整體交通路況隨時(shí)間變化情況[19]，并根據(jù)不同時(shí)間段內(nèi)的TPI選取對(duì)應(yīng)的平均速度代入交通能耗因子模型內(nèi)，如式(10)所示，不同交通擁堵程度下各等級(jí)道路行車速度的選取如表4所示。

表4 不同交通擁堵程度下各等級(jí)道路行車速度Table4 Running speeds of each level roadsunder different traffic congestion degree

式中：Ev表示電動(dòng)汽車在不同等級(jí)道路中以速度v行駛時(shí)產(chǎn)生的單位里程能耗，單位為kW·h/km；v1、v2、v3分為快速路、主干道和次干道3個(gè)道路等級(jí)下的行車速度，速度取每段道路上的平均行駛速度，單位為km/h。

綜上所述，電動(dòng)汽車在不同環(huán)境溫度T以及交通路況中的實(shí)際耗電量可由電池能耗模型精確計(jì)算，如式(11)所示：

式中：Eall,T為電動(dòng)汽車在溫度T下的總能耗值；Kac為溫度T下的空調(diào)啟停狀態(tài)，取值為1或者0(表示車在空調(diào)開啟和關(guān)閉狀態(tài))；tk、Dk為第k段出行過程中的行駛時(shí)長和行駛里程；Eo為電動(dòng)汽車初始單位里程能耗；ζt為行駛時(shí)長修正系數(shù)，其取值如表3所示，表示在電動(dòng)汽車受交通擁堵路況影響，對(duì)行駛時(shí)間和速度進(jìn)行修正。

3 基于用戶心理的電動(dòng)汽車充電需求模型

3.1 基于錨定效應(yīng)的用戶充電決策

錨定效應(yīng)(anchoring effect)，是指?jìng)€(gè)體在不確定情境下進(jìn)行判斷時(shí)其最后估計(jì)結(jié)果向該初始值的方向接近而產(chǎn)生偏差。用戶在進(jìn)行充電決策時(shí)，分時(shí)電價(jià)會(huì)成為“錨”而影響用戶的充電決策行為，不同的錨值會(huì)對(duì)用戶的充電意愿產(chǎn)生不同影響[20]。由于用戶的充電行為受到電網(wǎng)分時(shí)電價(jià)的調(diào)控，通過提高峰值電價(jià)、降低谷值電價(jià)影響電動(dòng)汽車充電負(fù)荷，達(dá)到“削峰填谷”的效果。錨定效應(yīng)通過定義“高錨”與“低錨”的概念去判斷用戶對(duì)電價(jià)的接受程度。其中“高錨”是指用戶對(duì)電價(jià)的期望值要高于實(shí)際價(jià)格，“低錨”是指用戶對(duì)電價(jià)的預(yù)期值要低于其實(shí)際價(jià)格。在充電決策過程中，不同的“錨”會(huì)對(duì)用戶的充電意愿產(chǎn)生不同的影響，與低錨相比，高錨能產(chǎn)生更高的充電意愿。消費(fèi)者剩余是愿意支付的最高電價(jià)與實(shí)際分時(shí)電價(jià)之間的差額。充電決策過程中用戶將實(shí)時(shí)電價(jià)與預(yù)期支付電價(jià)進(jìn)行比較，通過對(duì)消費(fèi)者剩余的感知進(jìn)行充電決策，如圖2所示。

圖2 用戶充電決策過程Fig.2 User's charging decision process

當(dāng)EV荷電狀態(tài)(state of charge,SOC)無法滿足下一次出行的電量需求時(shí)，用戶會(huì)根據(jù)停車時(shí)長進(jìn)行充電模式選擇，對(duì)于停車時(shí)長充裕的用戶定義為普通剛性用戶，選擇慢充方式進(jìn)行充電；對(duì)于停車時(shí)長內(nèi)慢充無法滿足下次出行需求的用戶定義為緊急剛性用戶，選擇快充方式進(jìn)行充電。當(dāng)電動(dòng)汽車的SOC充裕且滿足下一次出行的電量需求時(shí)，充電決策取決于不同錨值設(shè)定時(shí)產(chǎn)生的消費(fèi)者剩余，將愿意支付的最高價(jià)格高于實(shí)時(shí)電價(jià)的用戶定義為高錨彈性用戶，根據(jù)消費(fèi)者剩余充裕度，用戶會(huì)進(jìn)行充電行為；將實(shí)時(shí)電價(jià)高于用戶電價(jià)預(yù)期值定義為低錨彈性用戶，由于消費(fèi)者無剩余，則不會(huì)進(jìn)行充電行為。出于對(duì)電池壽命的考慮，彈性用戶在家充電優(yōu)先使用慢充方式進(jìn)行充電。

3.2 充電需求計(jì)算

基于不同用戶類型、車輛類型的出行特征，在每個(gè)路段節(jié)點(diǎn)判斷電動(dòng)汽車的進(jìn)行充電行為，將不同功能區(qū)內(nèi)的充電需求進(jìn)行疊加，得到電動(dòng)汽車充電需求的時(shí)空分布。具體仿真計(jì)算流程如圖3所示。

圖3 充電需求計(jì)算流程Fig.3 Flowchart of calculating charging demand

1）設(shè)置溫度、交通路況相關(guān)參數(shù)以及不同類別的電動(dòng)汽車車輛參數(shù)；

2）根據(jù)EV充放電循環(huán)次數(shù)以及環(huán)境溫度計(jì)算并更新電池容量；

3）基于出行鏈理論模擬家用電動(dòng)汽車的出行，運(yùn)用蒙特卡洛法隨機(jī)抽取出行鏈類型、時(shí)間參數(shù)以及出行目的地；根據(jù)日訂單數(shù)量時(shí)空分布以及OD概率轉(zhuǎn)移矩陣，運(yùn)用蒙特卡洛法隨機(jī)抽取日出行次數(shù)以及出行起訖點(diǎn)；

4）通過最優(yōu)策略的MDP路徑?jīng)Q策模型確定行駛路徑；在每個(gè)出行道路節(jié)點(diǎn)，預(yù)先計(jì)算下一段出行過程產(chǎn)生的耗電量，根據(jù)電動(dòng)汽車的剩余電量是否滿足下一段出行的用電需求，對(duì)用戶的充電決策進(jìn)行判斷；

在宿州市特色農(nóng)產(chǎn)品銷售管理系統(tǒng)功能模塊實(shí)現(xiàn)之前，需要優(yōu)化的系統(tǒng)架構(gòu)，可以為該系統(tǒng)未來的可持續(xù)拓展和延伸提供保障。在該銷售管理系統(tǒng)技術(shù)架構(gòu)實(shí)現(xiàn)過程中，本文以移動(dòng)端App和服務(wù)器端兩個(gè)部分組成。兩個(gè)部分構(gòu)建的基礎(chǔ)數(shù)據(jù)庫都是采用的SQLserver數(shù)據(jù)庫。在移動(dòng)端部分，本銷售管理系統(tǒng)基于Windows系統(tǒng)內(nèi)核，利用谷歌公司的Andorid Studio開發(fā)環(huán)境構(gòu)建移動(dòng)端的框架體系。在服務(wù)器部分，基于Windows系統(tǒng)內(nèi)核，利用模型—控制理論，在JFinal體系下，基于基層通信鏈路，構(gòu)建特色農(nóng)產(chǎn)品銷售管理系統(tǒng)的服務(wù)器。

5）將各個(gè)區(qū)域的充電需求按照電動(dòng)汽車數(shù)量進(jìn)行累加，得到總的電動(dòng)汽車充電需求時(shí)空分布。

4 算例分析

4.1 參數(shù)設(shè)定

設(shè)定各類型電動(dòng)汽車數(shù)量以及不同類型家用電動(dòng)汽車和出租車的占例，如表5所示。電動(dòng)汽車開始出行時(shí)刻的SOC服從正態(tài)分布N(0.8,0.12)，充電站的充電模式選擇快充和慢充兩種充電方式，根據(jù)國家推廣的電動(dòng)汽車充電樁類型以及位置分布，設(shè)定不同功能區(qū)的充電模式以及充電功率，各區(qū)域充電模式與充電功率如表6所示。家用電動(dòng)汽車出行鏈類型以及占比設(shè)定如表7所示，以成都三環(huán)區(qū)域內(nèi)的路網(wǎng)為參照形成電動(dòng)汽車出行路網(wǎng)模型。

表5 各類型電動(dòng)汽車數(shù)量及參數(shù)Table 5 Number and parametersof each typeof EV

表6 各區(qū)域充電模式與充電功率Table 6 Charging modes and charging power in each region

表7 家用電動(dòng)汽車出行鏈出行活動(dòng)類型及占比Table7 Travel activity typeof household EV trip chain and proportion

4.2 仿真結(jié)果

1）電動(dòng)汽車充電負(fù)荷時(shí)空分布。

在不同功能區(qū)內(nèi)電動(dòng)汽車充電負(fù)荷特性有一定差異性，如圖4所示。以工作日充電負(fù)荷為例，充電負(fù)荷白天主要集中在工作區(qū)，負(fù)荷占比高，充電負(fù)荷高峰發(fā)生在10:27，負(fù)荷峰值為8.91 MW；夜間則分布在住宅區(qū)，在16:00—20:00時(shí)段充電負(fù)荷較為集中，負(fù)荷峰值為4.02 MW。商業(yè)區(qū)充電負(fù)荷在工作日充電負(fù)荷整體偏小，負(fù)荷高峰時(shí)段發(fā)生在12:00—18:00，負(fù)荷峰值為0.23 MW。

圖4 各區(qū)域電動(dòng)汽車充電負(fù)荷時(shí)空分布Fig.4 Spatial and temporal distribution of EV charging load in each region

比較工作日與雙休日總充電負(fù)荷曲線，如圖5所示。工作日總充電負(fù)荷從5:18開始逐漸增大，在12:21達(dá)到充電負(fù)荷高峰，峰值為10.46 MW。相比于工作日，雙休日充電負(fù)荷更加集中，負(fù)荷高峰推遲至14:16，負(fù)荷峰值為15.61 MW，負(fù)荷峰值相較于工作日增長了49.25%。由于工作日出行高峰發(fā)生在上下班時(shí)段，而在雙休日出行高峰集中在12:00—17:00，因此充電負(fù)荷增加時(shí)間段不同。用戶在雙休日出行活動(dòng)更加頻繁且出行集中在出行高峰，同時(shí)在雙休日租出車訂單數(shù)量增多，日間出行量增大，充電需求整體增多。

圖5 各場(chǎng)景電動(dòng)汽車總充電負(fù)荷時(shí)間分布Fig.5 Total charging load time distribution of EV in each scenario

2）動(dòng)態(tài)能耗模型對(duì)充電負(fù)荷的影響。

圖6 基于DEC模型的電動(dòng)汽車充電負(fù)荷Fig.6 EV charging load based on DEC model

結(jié)合圖6與表8可知，在夏季高溫或者冬季低溫的環(huán)境中，路況與溫度對(duì)電動(dòng)汽車充電負(fù)荷影響顯著。以夏季工作日為例，夏季8:00～10:00為出行高峰時(shí)段，交通擁堵指數(shù)高，電動(dòng)汽車在行駛過程中里程能耗增加，電動(dòng)汽車充電需求開始激增；在夜間交通暢通時(shí)段，由交通路況引起的能耗明顯偏低。引入DEC模型后，在出行高峰期受交通路況影響產(chǎn)生的額外充電負(fù)荷占總充電負(fù)荷的28.17%。隨著時(shí)間推移，夏季溫度逐漸升高，在高溫時(shí)段10:00—15:00，由溫度引起的能耗值持續(xù)上升，最大增幅為13.09%。針對(duì)不同季節(jié)分析，由于在冬季低溫環(huán)境下車載空調(diào)的使用率高于夏季，而且在低溫環(huán)境中電池容量降低，充電次數(shù)更加頻繁，導(dǎo)致冬季充電負(fù)荷的峰值及充電需求總量高于夏季，冬季溫度引起的日充電負(fù)荷占總充電負(fù)荷的21.17%。仿真結(jié)果驗(yàn)證了DEC模型的有效性，符合實(shí)際情況。

表8 引入DEC模型的電動(dòng)汽車充電負(fù)荷變化Table 8 Change of EV charging load under DEC model led in

5 結(jié)論

電動(dòng)汽車充電負(fù)荷時(shí)空分布受多源客觀因素與用戶心理影響，故提出一種基于動(dòng)態(tài)能耗模型與用戶心理的電動(dòng)汽車充電負(fù)荷預(yù)測(cè)模型方法，并以成都三環(huán)內(nèi)的實(shí)際路網(wǎng)交通為依托對(duì)電動(dòng)汽車充電負(fù)荷進(jìn)行了時(shí)空分布預(yù)測(cè)，仿真結(jié)果表明：

1）充電區(qū)域、充電偏好以及時(shí)間場(chǎng)景類型會(huì)影響充電負(fù)荷曲線的大小、峰值時(shí)間和曲線形狀。不同區(qū)域的電動(dòng)汽車充電負(fù)荷在時(shí)間分布上存在明顯的差異性。工作日充電負(fù)荷曲線相對(duì)平緩，而雙休日充電負(fù)荷更加集中，負(fù)荷峰值相較于工作日增長了49.25%。

2）考慮道路等級(jí)、路況交通、車速以及氣溫等外界客觀因素的影響與未考慮情況下的電動(dòng)汽車充電負(fù)荷曲線在特性和幅值上有很大差異。峰值負(fù)荷之差高達(dá)21.17%，且出現(xiàn)最大峰值時(shí)間會(huì)發(fā)生偏移現(xiàn)象。受溫度影響，冬季電池容量明顯縮小，冬季情況下溫度過低造成電池容量衰減對(duì)充電負(fù)荷的影響更大，車載空調(diào)開啟更加頻繁，導(dǎo)致負(fù)荷峰值持續(xù)升高且峰值持續(xù)時(shí)間增加，冬季充電負(fù)荷充電需求總量遠(yuǎn)高于夏季。

仿真結(jié)果驗(yàn)證了模型的有效性和方法的可靠性，動(dòng)態(tài)能耗模型能夠準(zhǔn)確獲取在不同環(huán)境狀態(tài)下電動(dòng)汽車的實(shí)際能耗，提高負(fù)荷預(yù)測(cè)結(jié)果的精度，為配電網(wǎng)的布局配置提供的合理規(guī)劃依據(jù)。

本文假設(shè)在各個(gè)路網(wǎng)節(jié)點(diǎn)均有充電且充電站的容量足夠大，因此忽略了汽車充電的排隊(duì)時(shí)間以及電動(dòng)汽車在充電時(shí)充電站的選擇過程，需要將實(shí)際中充電站分布情況做進(jìn)一步分析。

（本刊附錄請(qǐng)見網(wǎng)絡(luò)版，印刷版略）