張夏韋, 梁軍, 3, 王要強(qiáng), 韓婧

(1.鄭州大學(xué)電氣與信息工程學(xué)院,鄭州市 450001;2. 河南省電力電子與電能系統(tǒng)工程技術(shù)研究中心,鄭州市 450001;3. 卡迪夫大學(xué)工程學(xué)院, 英國卡迪夫 CF24 3AA)

0 引 言

隨著全球氣候變暖、環(huán)境污染加劇和傳統(tǒng)化石能源逐漸枯竭,各國都在積極推廣發(fā)展可再生能源,新能源汽車作為一種環(huán)境友好型交通工具,具有低成本、無污染、零排放等優(yōu)點(diǎn)[1-2],在環(huán)保、消納新能源方面優(yōu)勢明顯,與傳統(tǒng)燃油汽車相比減少對(duì)石油能源的依賴,是有效應(yīng)對(duì)能源危機(jī)和氣候變化的良好途徑,近年來受到各國廣泛關(guān)注[3]。

我國是當(dāng)前全球最大的新能源汽車市場[4],2021年新能源汽車呈現(xiàn)爆發(fā)式規(guī)?；鲩L,銷量超350萬輛,純電動(dòng)汽車是新能源汽車的主力,預(yù)計(jì)到2035年,公共領(lǐng)域用車將全面實(shí)現(xiàn)電動(dòng)化[5]。大規(guī)模電動(dòng)汽車充電使負(fù)荷快速增長給電網(wǎng)安全穩(wěn)定運(yùn)行帶來不可忽視的影響,如加劇電網(wǎng)負(fù)荷峰谷差、產(chǎn)生諧波污染、降低電能質(zhì)量、增加網(wǎng)絡(luò)損耗等[6-7]。由于電動(dòng)汽車充電行為具有時(shí)間和空間上的隨機(jī)性和波動(dòng)性,增加了電網(wǎng)運(yùn)行控制的難度。精確的電動(dòng)汽車充電負(fù)荷時(shí)空分布預(yù)測是研究電動(dòng)汽車入網(wǎng)影響、電網(wǎng)規(guī)劃運(yùn)行、與電網(wǎng)互動(dòng)及與能源、交通、互聯(lián)網(wǎng)領(lǐng)域融合發(fā)展的基礎(chǔ)[8-9]。隨著電動(dòng)汽車規(guī)模的增長和電池技術(shù)的提升,V2G技術(shù)[10]逐步發(fā)展起來,利用電動(dòng)汽車在停放狀態(tài)時(shí)作為一個(gè)分布式儲(chǔ)能裝置參與電網(wǎng)充放電[11],可以實(shí)現(xiàn)平抑可再生能源波動(dòng)、削峰填谷、為電網(wǎng)提供調(diào)頻等輔助服務(wù)[12-13]。

近年來,許多研究人員針對(duì)電動(dòng)汽車充電負(fù)荷時(shí)空分布預(yù)測問題展開廣泛的研究并取得豐碩成果。本文從影響電動(dòng)汽車充電負(fù)荷預(yù)測因素入手,對(duì)充電負(fù)荷時(shí)空分布預(yù)測方法和V2G技術(shù)研究的現(xiàn)狀進(jìn)行分析,最后總結(jié)現(xiàn)有研究方法的不足,并對(duì)未來發(fā)展方向進(jìn)行展望,為后續(xù)研究提供理論基礎(chǔ)。

1 影響充電負(fù)荷分布的因素

影響電動(dòng)汽車充電負(fù)荷分布的因素復(fù)雜多樣,設(shè)置不同影響因素權(quán)重將改變用戶充電需求分布規(guī)律[14]。因此,需要分析各因素之間的影響機(jī)理。本文主要根據(jù)外界環(huán)境和個(gè)人行為將影響負(fù)荷分布的因素劃分為客觀因素和主觀因素兩個(gè)方面,客觀因素主要考慮電動(dòng)汽車規(guī)模數(shù)量、車輛電池特性、出行環(huán)境等外部條件對(duì)負(fù)荷分布的影響;而主觀因素主要考慮用戶行為、心理等個(gè)人因素對(duì)充電負(fù)荷時(shí)空分布的影響。各因素之間的關(guān)聯(lián)如圖1所示。

圖1 影響電動(dòng)汽車充電負(fù)荷分布的因素Fig.1 Factors affecting the distribution of electric vehicle charging load

1.1 客觀因素

1)電動(dòng)汽車規(guī)模。

2018年調(diào)查研究發(fā)現(xiàn),交通部門碳排放量占全球碳排放總量的四分之一以上[15],發(fā)展電動(dòng)汽車是實(shí)現(xiàn)道路運(yùn)輸脫碳的關(guān)鍵技術(shù),未來電動(dòng)汽車數(shù)量將規(guī)?；鲩L[16]。研究人員主要考慮整體負(fù)荷容量及滲透率等因素,通過研究不同電動(dòng)汽車滲透率對(duì)電動(dòng)汽車充電需求的影響,發(fā)現(xiàn)滲透率越高充電需求越大,對(duì)應(yīng)的日峰負(fù)荷也隨之增加[17]。

大規(guī)模電動(dòng)汽車持續(xù)增長的同時(shí)充換電基礎(chǔ)設(shè)施建設(shè)也得到了快速發(fā)展,而充電站位置和數(shù)量會(huì)影響用戶的排隊(duì)時(shí)間,改變充電負(fù)荷的時(shí)空分布。在考慮電動(dòng)汽車充電行為基礎(chǔ)上基于排隊(duì)論[18]建立用戶充電排隊(duì)模型,提高充電設(shè)施利用率;考慮到用戶充電成本和充電站運(yùn)行成本,建立以成本最小為目標(biāo)函數(shù)的電動(dòng)汽車充電站規(guī)劃模型,可以為后續(xù)充電站選址、定容提供依據(jù)[19]。

2)動(dòng)力電池特性。

電動(dòng)汽車發(fā)展亟需解決的兩個(gè)問題為提升續(xù)航里程和減小百公里耗電量。動(dòng)力電池技術(shù)是影響電動(dòng)汽車規(guī)模化發(fā)展的關(guān)鍵因素[20],文獻(xiàn)[21]總結(jié)了幾類典型電動(dòng)汽車動(dòng)力電池(如鎳氫電池、鉛酸電池、三元鋰、磷酸鐵鋰電池)的優(yōu)缺點(diǎn)和應(yīng)用的領(lǐng)域。電池特性、容量對(duì)充電負(fù)荷有著不同的影響,電池的荷電狀態(tài)(state of charge, SOC)是影響用戶行為決策的重要因素,充電功率、充電時(shí)長與起始荷電狀態(tài)密切相關(guān),進(jìn)而影響充電負(fù)荷的時(shí)間分布[22]。

3)出行環(huán)境。

溫度和道路交通狀況等環(huán)境因素對(duì)電動(dòng)汽車的單位里程耗電量和出行速度有很大影響[23-24]。溫度的高低影響空調(diào)的使用與否,不同道路狀況出行速度不同,影響用戶出行時(shí)長和出行路徑的選擇,從而改變充電負(fù)荷時(shí)空分布?？紤]溫度、道路擁堵情況建立電動(dòng)汽車出行模型和動(dòng)態(tài)交通路況信息模型[25],計(jì)算充電負(fù)荷時(shí)空分布,為后續(xù)電動(dòng)汽車參與有序充放電提供參考和依據(jù)。

4)充電電價(jià)。

通過分時(shí)電價(jià)、實(shí)時(shí)電價(jià)等措施引導(dǎo)用戶在用電高峰時(shí)減少充電需求[26],在用電低谷時(shí)降低電價(jià)增加充電需求,實(shí)現(xiàn)削峰填谷、平抑負(fù)荷波動(dòng)的目標(biāo)[27]。用戶可根據(jù)電價(jià)變化自主選擇充電模式,促使其參與電網(wǎng)有序充電,減少無序充電對(duì)電網(wǎng)安全運(yùn)行的影響。

1.2 主觀因素

1)行為特性。

用戶行為特性是目前研究重點(diǎn)考慮的因素之一,用戶的行駛習(xí)慣、出行路徑、充電時(shí)刻等因素對(duì)充電負(fù)荷時(shí)空分布有著關(guān)鍵影響。

用戶的充電行為存在時(shí)間和空間的隨機(jī)性,其出行里程與充電負(fù)荷需求直接相關(guān)[28]?，F(xiàn)有研究車輛出行規(guī)律的重要數(shù)據(jù)來源主要為美國公布的居民出行調(diào)查數(shù)據(jù)(National Household Travel Survey, NHTS),其中NHTS2017還包括電動(dòng)汽車調(diào)研數(shù)據(jù)[29],用戶出行里程研究常根據(jù)出行規(guī)律采用概率密度函數(shù)擬合。文獻(xiàn)[30]基于NHTS2017數(shù)據(jù)集建立出行時(shí)刻和出行目的聯(lián)合概率分布,得到居民出行概率模型,實(shí)現(xiàn)對(duì)用戶行程的隨機(jī)模擬。電池初始充電狀態(tài)決定了電動(dòng)汽車的單次最大行駛距離,電動(dòng)汽車用戶的里程焦慮[31]和充電方式的選擇決定了電動(dòng)汽車單次行駛的最小剩余電池容量和下一次最大行駛距離,里程焦慮決定了用戶最低SOC偏好值,影響用戶充電決策。

用戶的出行路徑選擇與充電地點(diǎn)對(duì)負(fù)荷的空間分布有很大影響,出行路徑選擇與道路交通密切相關(guān),研究該因素影響時(shí)應(yīng)與交通路網(wǎng)聯(lián)系起來[32];充電地點(diǎn)與用戶出行目的地和里程焦慮相關(guān),用戶是否選擇在目的地進(jìn)行充電受下一次出行所需電量影響,通常會(huì)選擇在以下兩種情況下充電:1)SOC實(shí)際值低于用戶最低偏好值;2)SOC實(shí)際值高于用戶最低偏好值,但是剩余電量低于下次行程所需電量[33]。

2)充電方式選擇。

目前純電動(dòng)汽車的電能補(bǔ)給方式主要有充電和換電兩種[34],充電方式又分為常規(guī)充電、快速充電和慢速充電。用戶對(duì)充電方式的選擇存在隨機(jī)性,不同充電方式對(duì)電網(wǎng)充電功率和充電持續(xù)時(shí)間有直接影響。用戶初始SOC和目的地停車時(shí)長影響用戶充電方式的選擇,進(jìn)而影響負(fù)荷時(shí)空分布。常規(guī)充電時(shí)長一般為5～8 h,居民區(qū)用戶通常選擇此充電方式;快速充電采用大型充電機(jī)進(jìn)行充電,時(shí)長為20 min～2 h,這種方式雖然充電時(shí)間縮短,但對(duì)電池壽命有較大影響,對(duì)充電設(shè)備要求也更高;換電方式通過更換電池組快速補(bǔ)充電能,時(shí)長在5～10 min[35],通常適用于公交車、出租車。采用更換電池組方法進(jìn)行電動(dòng)汽車能量補(bǔ)給,可以降低電動(dòng)汽車充電時(shí)空分布不確定性對(duì)電網(wǎng)功率造成的影響,也可以接受電池入網(wǎng)(battery to grid, B2G)參與互動(dòng)[36]。

3)用戶心理、響應(yīng)行為。

主要考慮用戶博弈心理、后悔理論及有限理性對(duì)充電需求的影響[37]。博弈心理是指用戶在電價(jià)激勵(lì)等措施下與其他用戶和充電站之間的消費(fèi)心理博弈,對(duì)用戶充放電行為有間接影響[14];后悔理論是一種“不完全理性”理論,電動(dòng)汽車用戶會(huì)選擇后悔值最小的出行方案,更加符合實(shí)際出行情況[37]。有限理性是指用戶在選擇出行方案時(shí)受選擇偏好、里程焦慮等影響,追求“滿意”標(biāo)準(zhǔn),而不是最優(yōu)標(biāo)準(zhǔn)[38]。考慮到用戶心理因素的影響,可以建立用戶感知滿意的、后悔值最小的出行模型,分析不同用戶心理下電動(dòng)汽車充電需求。

電動(dòng)汽車充電負(fù)荷分布受上述各種復(fù)雜隨機(jī)的因素影響,設(shè)置不同的權(quán)重預(yù)測結(jié)果也不同,準(zhǔn)確的影響因素辨識(shí)可提高預(yù)測準(zhǔn)確性;另外,上述因素通常用于一般情況下負(fù)荷預(yù)測,而突變天氣、極端天氣[39]等異常情況下對(duì)充電負(fù)荷變化考慮較少,后續(xù)可針對(duì)極端天氣條件下電動(dòng)汽車充電負(fù)荷預(yù)測展開研究。

2 電動(dòng)汽車充電負(fù)荷時(shí)空分布預(yù)測方法

電動(dòng)汽車充電負(fù)荷預(yù)測研究大致分為兩個(gè)階段:一是利用傳統(tǒng)燃油汽車數(shù)據(jù)或GPS對(duì)車輛出行的調(diào)查數(shù)據(jù),考慮影響用戶充電行為的主要因素,對(duì)電動(dòng)汽車無序充電負(fù)荷進(jìn)行預(yù)測[40],主要因素有電池類型、充電特性、運(yùn)行規(guī)律等,建立充電負(fù)荷計(jì)算模型,根據(jù)所得負(fù)荷曲線判斷其對(duì)電網(wǎng)的影響;2012年ASHTARI等人使用安裝在76輛代表性車輛上的GPS設(shè)備記錄一年內(nèi)每秒車輛使用數(shù)據(jù)[41],基于車輛使用習(xí)慣預(yù)測插電式電動(dòng)汽車(plug-in electric vehicles, PEV)充電行為,預(yù)測未來插電式電動(dòng)汽車的電力負(fù)荷曲線和電氣范圍可靠性。二是針對(duì)大規(guī)模電動(dòng)汽車無序接入電網(wǎng)帶來的影響,引導(dǎo)用戶參與有序充放電響應(yīng)[42],發(fā)揮電動(dòng)汽車作為分布式儲(chǔ)能單元的優(yōu)勢,評(píng)估其帶來的影響和經(jīng)濟(jì)效益。

國內(nèi)外學(xué)者針對(duì)電動(dòng)汽車充電負(fù)荷預(yù)測進(jìn)行大量研究,按照預(yù)測期限來分,有長期、中期、短期和超短期負(fù)荷預(yù)測[43],電動(dòng)汽車充電負(fù)荷預(yù)測一般屬于短期負(fù)荷預(yù)測,主要預(yù)測未來6～48 h充電負(fù)荷;在研究方法上,可歸結(jié)為機(jī)理模型驅(qū)動(dòng)方法、基于人工智能的數(shù)據(jù)驅(qū)動(dòng)方法及機(jī)理數(shù)據(jù)融合驅(qū)動(dòng)預(yù)測方法三類,機(jī)理模型驅(qū)動(dòng)法主要包括行為分析和模擬分析方法[44]。

1)行為分析是對(duì)用戶或車輛在一定區(qū)域和時(shí)間段內(nèi)的出行規(guī)律進(jìn)行分析,構(gòu)建出行鏈、馬爾可夫鏈、交通出行矩陣等反映出行規(guī)律的模型[45-47];模擬分析是指在了解用戶出行規(guī)律的基礎(chǔ)上進(jìn)行仿真,將仿真結(jié)果與實(shí)際情況進(jìn)行比較。采用蒙特卡洛模擬、數(shù)理統(tǒng)計(jì)分析、排隊(duì)論、后悔理論等方法建立用戶充電需求概率模型[48-49],通過用戶行為和心理分析進(jìn)行電動(dòng)汽車充放電負(fù)荷預(yù)測[50]。

2)基于人工智能的數(shù)據(jù)驅(qū)動(dòng)預(yù)測方法應(yīng)用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能方法對(duì)電動(dòng)汽車歷史充電負(fù)荷數(shù)據(jù)進(jìn)行分析預(yù)測[51-52]。

3)機(jī)理數(shù)據(jù)融合驅(qū)動(dòng)預(yù)測方法將機(jī)理驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)兩種方法有效結(jié)合[44],進(jìn)行電動(dòng)汽車充放電負(fù)荷預(yù)測研究。

2.1 機(jī)理模型驅(qū)動(dòng)方法

用戶充電行為在時(shí)間和空間上的規(guī)律性使得電動(dòng)汽車充電負(fù)荷具有時(shí)間周期性和空間相關(guān)性,前期研究人員主要關(guān)注電動(dòng)汽車充電負(fù)荷時(shí)間分布特性,主要根據(jù)不同類型電動(dòng)汽車不同時(shí)刻充電行為建立概率模型。蒙特卡洛法(Monte Carlo method, MC)是常用的一種基于概率統(tǒng)計(jì)理論利用隨機(jī)數(shù)解決計(jì)算問題的方法[53],基于蒙特卡洛的模擬用來預(yù)測電動(dòng)汽車不受控制的能源消耗,還考慮了許多不確定性參數(shù),例如,充電開始時(shí)間、充電持續(xù)時(shí)間、每小時(shí)更換電池的數(shù)量以及行駛距離[54]。雖然蒙特卡洛技術(shù)的模擬非常精確,但電動(dòng)汽車所有者的行為影響模型的靈活性和準(zhǔn)確性,并且沒有充分考慮交通系統(tǒng)的影響,不能準(zhǔn)確反映日常出行的隨機(jī)性。隨著研究的深入,充電負(fù)荷空間分布特性逐漸被重視起來,時(shí)空耦合特性研究成為當(dāng)下研究熱點(diǎn),以下從時(shí)間分布特性、空間分布特性和時(shí)空耦合分布特性層面展開分析。

2.1.1 時(shí)間分布特性

以往多數(shù)研究將電動(dòng)汽車充電負(fù)荷預(yù)測視為時(shí)間序列預(yù)測問題,通過對(duì)過去每日負(fù)荷段的加權(quán)平均進(jìn)行預(yù)測,賦予片段的權(quán)重取決于與預(yù)測片段的接近程度[55],捕獲待預(yù)測負(fù)荷段的定性定量特征;考慮待預(yù)測日充電負(fù)荷與其歷史日充電負(fù)荷間的相關(guān)性,提出基于多相關(guān)日?qǐng)鼍吧傻腅V充電負(fù)荷區(qū)間預(yù)測方法[56];不同于短期單一時(shí)間尺度負(fù)荷預(yù)測,文獻(xiàn)[57]提出考慮季節(jié)特征的多時(shí)間尺度負(fù)荷預(yù)測模型,基于Bass修正模型預(yù)測未來數(shù)年EV保有量,實(shí)現(xiàn)短期至中長期多時(shí)間尺度EV負(fù)荷預(yù)測。

2.1.2 空間分布特性

電動(dòng)汽車充電負(fù)荷空間分布預(yù)測是研究的難點(diǎn),空間分布特征從點(diǎn)需求和流量需求兩方面預(yù)測[58],點(diǎn)需求按照區(qū)域劃分,將負(fù)荷歸結(jié)到電力網(wǎng)絡(luò)節(jié)點(diǎn)上,但未考慮用戶行駛特性,流量需求預(yù)測模型考慮用戶行駛和交通路網(wǎng)信息,對(duì)EV充電需求預(yù)測更加精準(zhǔn)。

不同類別的電動(dòng)汽車行駛特性和充電行為有較大差異,考慮到居民日常出行需求,可將電動(dòng)汽車分為公交車、私家車、出租車、公務(wù)車等[59]。研究人員多以私家車為研究對(duì)象探究其用戶出行規(guī)律及充電負(fù)荷預(yù)測,不同類型的電動(dòng)汽車出行模型如圖2所示,公交車在起訖點(diǎn)之間往返,S為始發(fā)站,E為終點(diǎn)站;公務(wù)車在各工作地W1、W2之間往返;私家車出行目的可分為家(home, H)、工作(work, W)、購物用餐(shopping &eating, SE)、休閑娛樂(recreation &entertainment, RE)和其他區(qū)(other things, OT);Nn為出租車出行隨機(jī)網(wǎng)絡(luò)節(jié)點(diǎn),節(jié)點(diǎn)間的空間轉(zhuǎn)移為電動(dòng)汽車行駛過程[60]。

圖2 不同類型電動(dòng)汽車出行模型Fig.2 Different types of electric vehicle travel models

隨著起訖點(diǎn)(origin-destination, OD)方法的引入,結(jié)合交通運(yùn)輸網(wǎng)絡(luò)建立出行需求和時(shí)空模型,考慮動(dòng)態(tài)交通信息常采用OD矩陣分析法[61]、實(shí)時(shí)Dijkstra動(dòng)態(tài)路徑搜索算法[62]、Floyd算法[63]規(guī)劃電動(dòng)汽車行駛路徑,模擬其動(dòng)態(tài)行駛過程和充電行為,結(jié)合出行鏈預(yù)測電動(dòng)汽車充電負(fù)荷概率密度函數(shù);文獻(xiàn)[61-62]基于用戶出行鏈,考慮交通路網(wǎng)的約束,解決現(xiàn)有評(píng)估參考因素較少的問題。

圖3 道路網(wǎng)絡(luò)拓?fù)鋱DFig.3 Road network topology

(1)

(2)

文獻(xiàn)[65-66]用圖論描述復(fù)雜的交通網(wǎng)絡(luò),并建立速度-流量模型模擬車輛行駛過程速度的變化,得到道路交通模型,考慮速度和溫度對(duì)電池電量的影響建立單位里程耗電量模型,結(jié)合交通狀況和電動(dòng)汽車出行特性基于Dijkstra算法得到出行路徑[66],并計(jì)算電動(dòng)汽車充電負(fù)荷時(shí)空分布。

2.1.3 時(shí)空分布特性

若同時(shí)考慮負(fù)荷時(shí)間維度信息和空間維度信息將取得更好的預(yù)測效果。為進(jìn)一步挖掘電網(wǎng)-交通網(wǎng)強(qiáng)耦合態(tài)勢下電動(dòng)汽車時(shí)空分布特征,文獻(xiàn)[67]提出了基于圖WaveNet電動(dòng)汽車充電負(fù)荷預(yù)測框架,將充電負(fù)荷時(shí)間維度信息和空間維度信息同時(shí)輸入到自適應(yīng)圖WaveNet進(jìn)行預(yù)測,挖掘潛在的時(shí)空分布特征提高預(yù)測精度。為更好分析大規(guī)模電動(dòng)汽車接入電網(wǎng)的充電需求,需綜合考慮電動(dòng)汽車(車)、交通路網(wǎng)(路)、配電網(wǎng)(網(wǎng))的耦合特性及對(duì)充電負(fù)荷時(shí)空分布特征的影響,文獻(xiàn)[68]提出了“車-路-網(wǎng)”模式下電動(dòng)汽車充電負(fù)荷時(shí)空預(yù)測方法,體現(xiàn)了電動(dòng)汽車充電負(fù)荷在同一時(shí)間尺度下的空間屬性和能量屬性?？臻g屬性包括實(shí)時(shí)位置、行駛速度等,對(duì)應(yīng)電動(dòng)汽車充電負(fù)荷“何地”,能量屬性包括實(shí)時(shí)電量、單位里程消耗電量等,對(duì)應(yīng)“何時(shí)”,二者共同決定EV充電時(shí)空分布特征。文獻(xiàn)[69]在“車-路-網(wǎng)”模式基礎(chǔ)上考慮多個(gè)充電站對(duì)用戶出行路徑選擇的影響,建立電動(dòng)汽車充電站選擇模型,實(shí)現(xiàn)“車-路-站-網(wǎng)”融合的充電負(fù)荷時(shí)空分布預(yù)測。

通過交通系統(tǒng)模型和出行鏈模擬具有時(shí)空特性的電動(dòng)汽車充電負(fù)荷,描述電動(dòng)汽車在耦合運(yùn)輸和分配網(wǎng)絡(luò)中的時(shí)空特性[70],較以往電動(dòng)汽車空間轉(zhuǎn)移模型加入時(shí)間分布特性,能夠可視化充電負(fù)荷和交通擁擠程度。圖4所示為以居民區(qū)為起訖點(diǎn)的通勤出行鏈?zhǔn)疽鈭D,包含用戶出行的時(shí)間鏈和空間鏈特征。

圖4 電動(dòng)汽車出行鏈?zhǔn)疽鈭DFig.4 Schematic diagram of electric vehicle travel chain

1)時(shí)間鏈:首次出行時(shí)刻T0、到達(dá)目的地Dn時(shí)刻Tn、在目的地Dn停留時(shí)長tpn、離開目的地Dn時(shí)刻T′n、第n次出行時(shí)長tdn;

2)空間鏈:出行起點(diǎn)D0、第n次出行目的地Dn、第n次出行里程dn。

用戶可根據(jù)電池剩余電量、最低SOC偏好決定是否充電,根據(jù)停留時(shí)長選擇充電方式,由此建立時(shí)空耦合關(guān)系?？紤]用戶出行路線的隨機(jī)性,結(jié)合出行鏈構(gòu)建不同類型電動(dòng)汽車時(shí)空轉(zhuǎn)移模型,采用馬爾可夫決策過程(Markov decision processes, MDP)實(shí)時(shí)動(dòng)態(tài)隨機(jī)模擬用戶出行路徑[71],體現(xiàn)電動(dòng)汽車空間位置移動(dòng)的隨機(jī)性,有效計(jì)算負(fù)荷時(shí)空分布變化?？紤]到用戶駕駛習(xí)慣和充電的不確定性,文獻(xiàn)[72]在出行鏈基礎(chǔ)上提出基于車輛-交通-電網(wǎng)軌跡的時(shí)空仿真方法,充分考慮了交通系統(tǒng)約束、用戶出行需求和充電選擇的不確定性。

2.2 數(shù)據(jù)驅(qū)動(dòng)方法

電動(dòng)汽車充電負(fù)荷預(yù)測研究受歷史數(shù)據(jù)限制,2018年之前的研究通常以MC模擬、排隊(duì)論等仿真類方法為主,無法完全模擬負(fù)荷變化特性。隨著大數(shù)據(jù)時(shí)代的發(fā)展,數(shù)據(jù)驅(qū)動(dòng)型預(yù)測方法逐漸得到重視,基于電動(dòng)汽車實(shí)測充電負(fù)荷數(shù)據(jù)運(yùn)用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等智能算法預(yù)測電動(dòng)汽車充電需求[73],基于歷史充電負(fù)荷數(shù)據(jù)預(yù)測效果更接近真實(shí)充電負(fù)荷。

除了傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)外,還有深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、集成學(xué)習(xí)等理論框架[73-75]。在處理大規(guī)模負(fù)荷數(shù)據(jù)時(shí),一般采用以下兩種數(shù)據(jù)驅(qū)動(dòng)方法:一種是改進(jìn)經(jīng)典算法實(shí)現(xiàn)數(shù)據(jù)開發(fā)和并行處理,另一種是推動(dòng)以深度學(xué)習(xí)為代表的前沿機(jī)器學(xué)習(xí)。深度學(xué)習(xí)方法在大數(shù)據(jù)支撐下具有很強(qiáng)的自主學(xué)習(xí)能力,能夠捕獲數(shù)據(jù)中的非線性依賴關(guān)系,較好地應(yīng)用于負(fù)荷預(yù)測任務(wù)中。強(qiáng)化學(xué)習(xí)如Q學(xué)習(xí)技術(shù)主要用于增強(qiáng)復(fù)雜問題的實(shí)時(shí)學(xué)習(xí),可以在所有可用的動(dòng)作和狀態(tài)之間進(jìn)行最優(yōu)搜索[76-77]。文獻(xiàn)[78]提出一種新穎的混合集成深度學(xué)習(xí)(hybrid ensemble deep learning, HEDL)模型用于確定性和概率性負(fù)荷預(yù)測,該模型集合了深度學(xué)習(xí)優(yōu)秀的擬合能力和集成學(xué)習(xí)多樣的假設(shè)空間的優(yōu)點(diǎn)[78],利用中國東部和澳大利亞實(shí)際負(fù)荷數(shù)據(jù)驗(yàn)證了所提方法預(yù)測的有效性。

數(shù)據(jù)處理是采用數(shù)據(jù)驅(qū)動(dòng)方法進(jìn)行預(yù)測的關(guān)鍵步驟,主要是對(duì)原始數(shù)據(jù)進(jìn)行特征提取,文獻(xiàn)[79]將負(fù)荷數(shù)據(jù)進(jìn)行自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)處理得到不同頻率的本征模態(tài)分量(intrinsic mode functions, IMF),利用雙向常短期記憶網(wǎng)絡(luò)算法(bi-directional long short-term memory, Bi-LSTM)進(jìn)行預(yù)測;文獻(xiàn)[80]利用電動(dòng)汽車充電低頻特性,用兩階段分解技術(shù)提取家庭智能電表數(shù)據(jù)低頻分量,采用基于卷積神經(jīng)網(wǎng)絡(luò)-長短期記憶網(wǎng)絡(luò)結(jié)合注意力機(jī)制(convolutional neural networks-attention-long short-term memory, CNN-Attention-LSTM)的神經(jīng)網(wǎng)絡(luò)算法預(yù)測家庭電動(dòng)汽車用戶短期充電負(fù)荷情況。

傳統(tǒng)點(diǎn)預(yù)測方法難以考慮數(shù)據(jù)中不確定信息及不同影響因素間的影響,區(qū)間預(yù)測法的優(yōu)勢便顯現(xiàn)出來,將負(fù)荷預(yù)測結(jié)果以區(qū)間的形式表示,體現(xiàn)負(fù)荷變化的不確定性?，F(xiàn)有學(xué)者對(duì)模型的輸入?yún)^(qū)間研究較少,為充分利用歷史負(fù)荷數(shù)據(jù)信息,可采用負(fù)荷預(yù)測誤差分布[81]的方法獲得歷史數(shù)據(jù)區(qū)間的上下限,作為組合區(qū)間預(yù)測的輸入,預(yù)測效果更好。不同的預(yù)測組合模型效果不同,文獻(xiàn)[81]采用改進(jìn)極限學(xué)習(xí)機(jī)(extreme learning machine, ELM)的方法進(jìn)行負(fù)荷預(yù)測,通過優(yōu)化算法得到ELM最優(yōu)參數(shù)配置,提高模型準(zhǔn)確性、穩(wěn)定性和泛化能力。

數(shù)據(jù)質(zhì)量是負(fù)荷預(yù)測建模和預(yù)測性能優(yōu)良的重要保證,雖然基于數(shù)據(jù)驅(qū)動(dòng)的充電負(fù)荷預(yù)測方法采用真實(shí)歷史數(shù)據(jù)更加貼近實(shí)際充電負(fù)荷情況,但是該方法依賴海量樣本數(shù)據(jù),對(duì)數(shù)據(jù)質(zhì)量要求較高,存在難以處理缺陷數(shù)據(jù)、數(shù)據(jù)資源利用率低等問題,研究人員可通過數(shù)據(jù)處理等方法提升數(shù)據(jù)質(zhì)量[43-44]。將模型驅(qū)動(dòng)方法與數(shù)據(jù)驅(qū)動(dòng)方法結(jié)合可發(fā)揮兩者優(yōu)勢,對(duì)電動(dòng)汽車充電負(fù)荷分布影響因素、出行規(guī)律建模,利用真實(shí)充電負(fù)荷數(shù)據(jù)驗(yàn)證模型,再通過大數(shù)據(jù)人工智能技術(shù)提升預(yù)測精度。

2.3 基于機(jī)理與數(shù)據(jù)融合驅(qū)動(dòng)的預(yù)測方法

不同類型電動(dòng)汽車運(yùn)行特點(diǎn)差別較大,加上用戶充電行為這一關(guān)鍵因素的隨機(jī)性和不確定性,難以建立統(tǒng)一的預(yù)測模型。將機(jī)理模型驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)方法融合可以充分發(fā)揮各自的優(yōu)勢,提高預(yù)測精度。將電動(dòng)私家車作為研究對(duì)象,建立如圖5所示的電動(dòng)汽車充電負(fù)荷預(yù)測框架。

圖5 機(jī)理模型驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)融合的電動(dòng)汽車充電負(fù)荷預(yù)測框架Fig.5 A model-driven and data-driven charging load forecasting framework for electric vehicles

首先,融合路網(wǎng)、天氣、充電設(shè)施等多源數(shù)據(jù)信息的數(shù)據(jù)層;其次,基于路網(wǎng)建立道路交通模型,基于天氣溫度、出行信息結(jié)合數(shù)據(jù)驅(qū)動(dòng)方法挖掘用戶出行規(guī)律,建立用戶出行模型,基于充放電信息建立充電模型;最后,利用路徑優(yōu)化算法、蒙特卡洛模擬和深度學(xué)習(xí)算法等挖掘電動(dòng)汽車充電時(shí)空分布特性,結(jié)合模型驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)方法優(yōu)點(diǎn),構(gòu)建電動(dòng)汽車充電負(fù)荷時(shí)空分布預(yù)測模型。

文獻(xiàn)[82]提出基于V2G技術(shù)的充放電容量預(yù)測方法,將用戶出行時(shí)刻、電池SOC、對(duì)電價(jià)的敏感度作為輸入特征,采用隨機(jī)森林模型判斷車輛是否參與調(diào)度,根據(jù)車輛充放電行為參數(shù),應(yīng)用MC方法模擬車輛出行及充放電情況,預(yù)測電動(dòng)汽車集群充放電情況。采用改進(jìn)隨機(jī)森林(improved random forest, IRF)算法自下而上的時(shí)空分布預(yù)測方法[83],考慮不同類型電動(dòng)汽車的充電行為特性以及電動(dòng)汽車與充電站之間的時(shí)空耦合,與支持向量機(jī)(support vector machine, SVM)、反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)和一般隨機(jī)森林相比,該方法可以提高總充電負(fù)荷預(yù)測精度并獲得該區(qū)域充電負(fù)荷的時(shí)空分布。

綜上所述,數(shù)據(jù)驅(qū)動(dòng)方法可以融合歷史充電負(fù)荷、天氣、溫度等多源數(shù)據(jù)集,簡化電動(dòng)汽車充電負(fù)荷預(yù)測模型,不需要假設(shè)大量機(jī)理模型參數(shù),而機(jī)理模型驅(qū)動(dòng)法對(duì)歷史數(shù)據(jù)的依賴性較小,適用性更強(qiáng),但分析過程較為復(fù)雜,分析結(jié)果的可靠性不如數(shù)據(jù)驅(qū)動(dòng)法。當(dāng)前,對(duì)機(jī)理數(shù)據(jù)融合驅(qū)動(dòng)的電動(dòng)汽車充電負(fù)荷預(yù)測方法研究較少,可以充分結(jié)合機(jī)理建模和數(shù)據(jù)建模的優(yōu)勢有效預(yù)測電動(dòng)汽車充電負(fù)荷時(shí)空分布。同時(shí),融合更多實(shí)際影響因素、減少計(jì)算維數(shù)也是未來研究重點(diǎn)方向。

3 V2G技術(shù)研究現(xiàn)狀

電動(dòng)汽車兼具“荷”與“源”的雙重屬性,是目前最具有發(fā)展?jié)摿Φ撵`活性儲(chǔ)能資源。在保證用戶充電需求的前提下,根據(jù)相應(yīng)激勵(lì)政策引導(dǎo)電動(dòng)汽車參與電網(wǎng)放電,充分發(fā)揮電動(dòng)汽車作為移動(dòng)儲(chǔ)能的作用,實(shí)現(xiàn)車到電網(wǎng)之間能量雙向互動(dòng),有助于配電網(wǎng)削峰填谷實(shí)現(xiàn)優(yōu)化潮流[84],在滿足用戶充電需求同時(shí)為用戶帶來一定的收益。但是目前面臨著用戶參與放電服務(wù)標(biāo)準(zhǔn)體系不成熟、用戶響應(yīng)度不高、各方機(jī)制難協(xié)調(diào)等問題,需不斷完善交易機(jī)制,制定合理的充放電價(jià)格控制策略引導(dǎo)用戶參與其中,通過激勵(lì)協(xié)議[85]調(diào)動(dòng)用戶響應(yīng)積極性。

根據(jù)電動(dòng)汽車各時(shí)段SOC、充放電功率等約束條件可估計(jì)電動(dòng)汽車集群參與放電可用容量[86]。文獻(xiàn)[87]對(duì)電動(dòng)汽車參與V2G響應(yīng)能力進(jìn)行了有效評(píng)估,采用軌跡數(shù)據(jù)驅(qū)動(dòng)的方法對(duì)電動(dòng)汽車充電需求時(shí)空分布進(jìn)行預(yù)測,建立了用戶選擇參與V2G響應(yīng)的概率選擇模型,得到該區(qū)用戶愿意參與V2G調(diào)控的比例為43%。雖然對(duì)該地區(qū)負(fù)荷調(diào)峰效率略低,但是在一定程度上反映了社會(huì)初期開展V2G試點(diǎn)的情況,可以為相關(guān)部門提供政策導(dǎo)向。另外,電動(dòng)汽車多次進(jìn)行充放電帶來的電池?fù)p耗不容小覷,在考慮分時(shí)電價(jià)政策影響和電池?fù)p耗的基礎(chǔ)上,對(duì)電動(dòng)汽車集群V2G響應(yīng)成本進(jìn)行評(píng)估[88],分析峰谷時(shí)電價(jià)和電池?fù)p耗對(duì)不同時(shí)刻V2G響應(yīng)成本的影響,為運(yùn)營商制定用戶補(bǔ)償機(jī)制提供了模型基礎(chǔ),可以在保證用戶利益前提下實(shí)現(xiàn)自身效益最大化。文獻(xiàn)[89]針對(duì)V2G交易系統(tǒng)提出一種新型分層區(qū)塊鏈架構(gòu),設(shè)計(jì)V2G交易智能合約、兩級(jí)拍賣和優(yōu)化策略,安排電動(dòng)汽車有序充放電參與電網(wǎng)負(fù)荷調(diào)節(jié),減少電網(wǎng)總負(fù)荷方差,實(shí)現(xiàn)電動(dòng)汽車用戶、聚合商、電網(wǎng)三方互惠互利。

另外,需要考慮V2G響應(yīng)過程帶來的成本問題,文獻(xiàn)[90]提出電動(dòng)公交車參與V2G響應(yīng)的優(yōu)化調(diào)度策略,建立了電動(dòng)公交車電池?fù)p耗模型,對(duì)電池?fù)p耗成本和充電站充放電計(jì)劃進(jìn)行雙層優(yōu)化,減小電網(wǎng)負(fù)荷峰谷差;從用戶利益角度出發(fā),建立計(jì)及電池動(dòng)態(tài)放電損耗的用戶充放電成本最小的V2G優(yōu)化模型,保障用戶與電網(wǎng)雙方的利益需求。

V2G技術(shù)是推進(jìn)交通電氣化和智能電網(wǎng)的關(guān)鍵技術(shù)之一,電動(dòng)汽車集群具有V2G響應(yīng)能力,可以為電網(wǎng)提供輔助服務(wù)參與電力市場調(diào)度[91],但其理論體系和定價(jià)機(jī)制需要進(jìn)一步完善;同時(shí)也要考慮在響應(yīng)過程中產(chǎn)生的成本費(fèi)用,未來電池技術(shù)的發(fā)展可以減少電池頻繁充放電帶來的能耗損失,進(jìn)一步提升用戶參與V2G響應(yīng)的收益,有效促進(jìn)V2G技術(shù)的普及。

4 研究不足與展望

4.1 研究不足

雖然電動(dòng)汽車充電負(fù)荷時(shí)空分布預(yù)測研究已經(jīng)取得諸多進(jìn)展及豐碩成果,但仍然存在一些問題和不足,本文從以下三個(gè)方面進(jìn)行總結(jié)。

1)影響因素方面。

影響因素的精準(zhǔn)辨識(shí)直接影響預(yù)測結(jié)果的準(zhǔn)確性,電動(dòng)汽車充電行為受多種因素的影響,現(xiàn)行電動(dòng)汽車充電負(fù)荷預(yù)測局限于常規(guī)情況下的預(yù)測,主要利用歷史負(fù)荷、氣象條件、節(jié)假日、交通狀況等因素進(jìn)行建模,對(duì)極端天氣和轉(zhuǎn)折天氣等[39]預(yù)測誤差較大,影響預(yù)測精度的提升。因此,全面、準(zhǔn)確的影響因素辨識(shí)是保證負(fù)荷預(yù)測方法可靠性和準(zhǔn)確性的一大挑戰(zhàn)。未來應(yīng)對(duì)規(guī)模化電動(dòng)汽車充放電行為展開研究,建立適用于各種情況下的充電負(fù)荷預(yù)測模型。

2)時(shí)空相關(guān)性方面。

由于電動(dòng)汽車用戶的充電行為存在時(shí)間和空間的規(guī)律性使充電負(fù)荷具有時(shí)間周期性和空間相關(guān)性,未來研究中融合交通路網(wǎng)、天氣溫度、充電站、電網(wǎng)等多源信息[37],同時(shí)考慮用戶決策的隨機(jī)性[45],結(jié)合路徑優(yōu)化模型、排隊(duì)論充分挖掘電動(dòng)汽車充電負(fù)荷空間分布信息[50],同時(shí)建立基于深度學(xué)習(xí)的時(shí)間序列預(yù)測模型挖掘時(shí)間分布規(guī)律,進(jìn)一步提升模型預(yù)測的準(zhǔn)確度。

3)放電行為方面。

目前對(duì)規(guī)?；妱?dòng)汽車放電行為研究相對(duì)較少,用戶主動(dòng)參與V2G需求響應(yīng)度不高,具備互動(dòng)能力的充電樁較少。另外,電池頻繁充放電帶來的損耗、投資成本過高、收益機(jī)制是否公平仍是目前需要解決的問題[85]。因此,需要建立綜合預(yù)測模型準(zhǔn)確評(píng)估電動(dòng)汽車參與放電的潛力。

4.2 研究展望

影響電動(dòng)汽車充電負(fù)荷分布的因素隨機(jī)多樣,且影響程度不盡相同,可以采用相關(guān)性分析等方法在不同時(shí)空分布下將各種因素對(duì)負(fù)荷預(yù)測的影響程度進(jìn)行量化,篩選出高度影響預(yù)測結(jié)果的輸入特征。另外,概率負(fù)荷預(yù)測技術(shù)可以捕捉負(fù)荷變化的不確定性范圍,通過綜合考慮負(fù)荷影響因素提高預(yù)測模型準(zhǔn)確性。將機(jī)理模型驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)方法有效結(jié)合,深入分析電動(dòng)汽車充放電負(fù)荷時(shí)空分布特性,為電動(dòng)汽車參與需求側(cè)響應(yīng)提供理論依據(jù),促進(jìn)未來更多不同類型電動(dòng)汽車參與到需求側(cè)響應(yīng)中。

5 結(jié)束語

電動(dòng)汽車作為一種具有負(fù)荷與儲(chǔ)能雙重特性的靈活性資源,其充放電行為具有時(shí)間和空間的隨機(jī)性。本文密切關(guān)注電動(dòng)汽車充電負(fù)荷時(shí)空分布特性,系統(tǒng)闡述電動(dòng)汽車充電負(fù)荷時(shí)空分布預(yù)測的影響因素及研究方法,為能源轉(zhuǎn)型下交通電氣化發(fā)展研究提供依據(jù)。另外,作為移動(dòng)儲(chǔ)能裝置,電動(dòng)汽車參與需求響應(yīng)成為現(xiàn)實(shí),隨著V2G技術(shù)的進(jìn)步和政策的不斷完善,未來共享汽車、無人駕駛汽車也將參與其中,共同為電網(wǎng)提供輔助服務(wù),實(shí)現(xiàn)電動(dòng)汽車與電網(wǎng)良好互動(dòng)。