|
01 研究背景 近年电动汽车保有量持续增加，未来电动汽车将广泛接入电网，电动汽车届时一方面是一种灵活的用电负荷，会在不同时间不同地点从电网获取电能，另一方面也是一种分布式的储能资源，其充、放电行为都将对电网产生不可忽视的影响。本文就电动汽车充电负荷预测的影响因素、研究现状及存在不足和改进方向进行总结与展望。  图1 影响电动汽车充放电负荷的相关因素 02 研究现状 前期阶段，大部分研究集中在对电动汽车充电负荷的时间分布特性进行整体预测，以采用随机数学方法为主。随着研究的深入，充电负荷的空间分布特性逐渐被重视，研究手段也逐渐丰富，智能体代理技术等被应用。近年随着信息等技术的快速发展，研究人员开始探索将云计算、大数据、人工智能等技术应用于充电负荷预测当中。  2.1 时间分布特性的预测研究情况 在开展充电负荷时间分布特性的研究当中，研究人员重点关注了起始充电时间、行驶里程、电池荷电状态水平等关键因素的分析，并以基于概率统计的蒙特卡洛（Monte Carol，MC）随机模拟方法为主要建模手段。包括：①基于确定性概率分布的随机模拟；②基于排队论的随机模拟；③多种场景的随机模拟等。 2.2 充电负荷空间分布预测研究情况 近年，相关研究人员开始注重电动汽车充电负荷的空间分布特性，并关注交通、道路等因素对充电负荷分布的影响。主要有：运用交通行业起止点（origin-destination，OD）分析法、基于多智能体系统（multi-agent system，MAS）仿真方法、基于出行链和马尔可夫过程的蒙特卡洛（trip chains and Markov process based Monte Carol，MCMC）仿真方法。 2.3 不确定性变量的处理方法 在基于模型驱动思维的充电负荷预测建模时，存在着多方面的不确定性因素，如家庭用途和乘用的出租车电动汽车用户的出行规律和充电行为不确定性对充电负荷分布影响较大。采取的处理方法主要包括：①起始充电时间、行驶里程及荷电状态(SOC)等随机变量的处理，例如采用概率函数并反复抽样；②用户充电行为的不确定性处理，例如多智能体代理系统仿真；③模糊推理决策等其他处理方法。 2.4 电动汽车用户行为数据来源 短期内电动汽车的渗透率仍然会处于较低水平，真正体现电动汽车使用行为规律的数据还需要逐年积累。目前在分析车辆使用规律时，文献算例中所采用的数据多来源于两大出处：居民出行调查数据和实际车辆车载终端记录的运行数据。 2.5 云计算、大数据、人工智能等新技术的应用 随着智能交通系统推进、物联网的建设、传感信息技术的发展，地理信息、交通路况、车辆行驶等数据的采集、存储和深度挖掘将变得容易，电动汽车使用数据将积累得越来越丰富，已有研究人员将云计算、大数据、人工智能等技术和方法与电动汽车充电负荷预测进行结合。 2.6 电动汽车参与放电潜力评估方法的研究 由于电动汽车一天当中有大量时间在各场处停驻，具有很大的潜力参与电力系统需求响应服务，但电动汽车用户是否参与需求响应却更具有不确定性、动态性和模糊性。目前，不少研究人员针对电动汽车与电网互动特别是用户侧管理、需求响应做了有益探索。包括：①构建弹性系数函数或不同电价策略下分析；②考虑电动汽车不同行为特性仿真响应能力。 03 研究现状存在的不足与展望 从目前已开展的电动汽车充电负荷预测理论研究方法来看，基于排队论的模型较为适合于集中式的充电站，基于MAS的仿真相对其他方法更为适用于出租车类复杂的行为表现仿真，对公交车等行驶规律、充电行为基本由运营单位决定的车辆其充电负荷相对可掌握，研究中采用站点实测数据展开分析的较多，而出行空间灵活、用户决策行为不确定性较强的私家电动汽车的充电和参与用户侧的需求响应研究仍将是今后的研究难点。 3.1 现有研究存在的不足与改进方向 3.1.1 充放电行为还需深入分析 对行为规律的分析是开展有序充放电调控、需求响应项目的基础和前提，目前研究对充放电行为假设较为主观性，还需进一步深入，应量化和预测用户的因素在各种复杂情形下的作用，预测用户的出行和移动行为也可借鉴交通等领域的方法。 3.1.2 预测对象需针对性细化 随着电动汽车更多地应用于各行各业，如电动物流车、电动环卫车、电动工程车、电动港口用车等专用车辆使用也将变多，渗透率达到一定程度后，电动汽车充电负荷的特性将可能呈现明显的分行业特性，充电负荷预测时可根据车辆行业特性针对性分析，形成有效针对某一类用途的电动汽车细化预测模型。 3.1.3 负荷空间分布特性需进一步挖掘 电动汽车充电负荷的空间分布预测是研究难点，现有研究方法中相对较为细致的有基于OD分析、MCMC仿真方法和基于多代理系统的建模方法，但每种方法都有其局限性，目前还不完善，有待进一步研究。 3.1.4 因素间耦合关系需加强统筹 由于电网、充电桩（站）、电动汽车和用户行为等之间的耦合特性和相互作用机理较为复杂，存在大量不确定性，难以获得精确的充电需求特性和分布规律。目前缺乏综合各种关键因素、耦合特性和相互作用机理的电动汽车充电负荷分析模型。即使是新技术也仍是片面使用，未发挥云计算、大数据、人工智能三者彼此依附相互助力的作用。 3.1.5 参与放电的潜力评估研究需拓展延伸 分析电动汽车参与需求响应潜力研究，存在以下局限性。 1）电动汽车空间可移动性考虑不足，分析电动汽车需求响应潜力时，现有研究往往视电动汽车为一类仅具有时变特性的固定负荷或响应资源，忽略了可移动性，从而缺乏电动汽车空间车辆到电网(V2G)响应分析。 2）对影响响应行为的因素辨识及响应特性有待深入分析和提取。 3）用户参与V2G需求响应的主观参与度考虑不足，研究时认为电动汽车具备客观调控能力时均能参与需求响应，忽略了用户参与意愿的不确定性。 4）建立准确的响应量预测模型是提高需求响应准确率和成功率的前提，目前电动汽车V2G潜力量化评估考虑不足。 3.2 充放电负荷预测新思路探讨 总结电动汽车充放电负荷预测研究可归为基于模型驱动的研究方法和基于数据驱动的研究方法两大类，研究人员在前者方法上已取得丰硕的成果，而后者方法的研究还处于探索阶段。 1）基于数据驱动的充电负荷预测 充电负荷的时间分布特性对电网运行有极大的影响，预测针对如住宅小区、商业区大楼、集中充电站、路边充电桩群等场所的充电负荷时可不考虑用户对象类型及其行为，而是收集所在场所的充电设施的记录数据以及对应的日期类型、天气温度等数据，再采用数据挖掘技术进行处理并预测，预测框架如图2所示，关键在于数据挖掘算法，常见有关系模式、分类、聚类、回归等。  图2 基于数据驱动的充电负荷预测框架 2）结合模型和数据驱动的预测思路 因不同类型车辆的运行特点具有很大差异性，故而难以建立统一预测模型，在采用基于模型驱动的预测研究时，应根据不同类型的车辆针对性分析建模，其中着重关注用户行为这一关键因素的不确定性研究，特别是研究私家电动汽车时重视用户决策的非理性和随机性，而车辆出行规律等，可结合基于数据驱动的思路，通过逐步累积的数据信息，充分利用大数据等新技术进行行为规律分析并形成预测模型。 3）电动汽车参与需求响应的潜力评估思路 考虑电动汽车参与需求响应时，需在获取（预测或实时读取）电动汽车出行时空分布基础上，考虑用户参与度和利益，如不同激励政策下的多方博弈。图2是一种评估思路。  图3 电动汽车需求响应潜力评估思路 04 结语 随着充电设施的逐步建设和电动汽车使用力度加大，充电需求将会更快增长，电力市场改革不断深化，未来电动汽车参与需求响应也将变为现实，有效的电动汽车充电负荷预测和参与需求响应潜力评估是开展充放电设施规划、控制运行及车与电网、代理商等互动的基础。但是电动汽车作为一种特殊的负荷和储能资源，它的可移动性以及用户行为的不确定性使其充电负荷、放电功率具有时间和空间的随机性和动态性，受车辆出行后的道路结构、交通路况、行驶路径及出行目的地等因素影响，需深切关注空间的分布特性、不同类型用户出行规律及各个因素间的耦合作用，从而开展考虑电力系统、交通路网系统与电动汽车在“时间-空间-行为”三维不确定性约束下的协同预测与分析。未来的研究工作中可探讨云计算、大数据、人工智能三者协作的进一步结合和应用。 另外，随着车辆共享商业模式推广和无人驾驶技术的不断成熟，基于“互联网+”的电动汽车行驶将会呈现，该情形下充电负荷预测和参与需求响应模式及潜力评估目前还未有开展相关研究，值得关注。 原文发表在《电力系统自动化》2019年第43卷第10期，欢迎品读！ 引文信息 陈丽丹, 张尧, Antonio FIGUEIREDO. 电动汽车充放电负荷预测研究综述 [J]. 电力系统自动化, 2019, 43(10): 177-191. DOI: 10.7500/ AEPS20180814001. CHEN Lidan, ZHANG Yao, Antonio FIGUEIREDO. Overview of Charging and Discharging Load Forcasting for Electric Vehicles [J]. Automation of Electric Power Systems, 2019, 43(10): 177-191. DOI: 10.7500/ AEPS20180814001. |
|
|
来自： 新用户18944260 > 《专业知识》
