安科瑞 陳聰

摘要:目前電動(dòng)汽車(chē)充電樁( EVCP)規劃通常針對區縣級較大區域開(kāi)展,但是對園區級區域進(jìn)行EVCP規劃更有利于提高投資者的積極性和周邊電動(dòng)汽車(chē)(EV)用戶(hù)的體驗。以車(chē)流量較大的大型停車(chē)區域為研究對象,通過(guò)調研獲得區域內EV的電池容量、停放情況、電量分布以及充電意愿等統計數據,并基于這些數據應用蒙特卡洛法得出區域內EV充電負荷的時(shí)域分布。依據區域內的電網(wǎng)信息以及EV的充電負荷分布,給出以投資成本電網(wǎng)網(wǎng)損及用戶(hù)滿(mǎn)意度綜合*優(yōu)為目標的EVCP規劃設計方法。最后以某機場(chǎng)遠端大型停車(chē)場(chǎng)為算例,驗證了所提園區級EVCP規劃方法的有效性,該方法相較于傳統EVCP的規劃方法更加經(jīng)濟合理。

關(guān)鍵詞:電動(dòng)汽車(chē);充電樁規劃;充電負荷預測;多目標優(yōu)化

一、引言

當前化石能源日漸匱乏,環(huán)境污染問(wèn)題愈發(fā)嚴重,作為燃油汽車(chē)的升級替代產(chǎn)品,電動(dòng)汽車(chē)(Electric Vehicle,EV)的保有量未來(lái)會(huì )保持快速上升的趨勢。在此背景下,EV發(fā)展與充電樁(Electric Vehicle Charging Piles,EVCP)規劃建設的不匹配問(wèn)題日益凸顯。

在EVCP 的規劃設計過(guò)程中,核心問(wèn)題是預測EV的充電需求即充電負荷,一般通過(guò)分析規劃區域中道路交通網(wǎng)架、EV的出行規律及用戶(hù)充電習慣等因素計算得出?；诘貕K功能和地理屬性將區域劃分為住宅區、辦公區、旅游區、商業(yè)區和教育區5類(lèi),并綜合不同區域的車(chē)流通暢度情況完成 EV 充電負荷的預測。通過(guò)分析不同類(lèi)型汽車(chē)在具體場(chǎng)景下的停車(chē)規律,并采用蒙特卡洺算法模擬車(chē)主駕駛、停放和充電行為預測出區域內EV 充電負荷的時(shí)空分布特性。依據交通路網(wǎng)拓撲和出行數據模擬 EV 的行駛特性,并完成 E充電需求的時(shí)空分布預測?；诰用癯鲂袛祿嫿ú煌瑥碗s度的出行鏈模型,并使用最短路徑算法選擇行駛路徑來(lái)完成EV 充電需求的預測。根據充電站的現場(chǎng)實(shí)際統計數據,利用泊松分布、輪盤(pán)選擇和均勻分布對EV開(kāi)始充電的荷電量(State of Charge,SOc)和充電次數進(jìn)行分析,建立了 EV 充電站的負荷預測模型。采用大數據和機器學(xué)習技術(shù)對 EV 充電站的實(shí)時(shí)數據進(jìn)行評估,提出一種基于數據流的流式邏輯回歸模型,充電站運營(yíng)商可以根據這些數據開(kāi)展優(yōu)化規劃。通過(guò)“滴滴開(kāi)放數據平臺”申請得到某城市區域在一段時(shí)間內的出行訂單及 GPS 定位數據,在對 EV 行駛軌跡大數據集進(jìn)行清洗與挖掘后,基于動(dòng)態(tài)能耗理論構建了 EV 充電需求的時(shí)空分布預估模型。

二、EV的充電需求預測

2.1 停車(chē)區域 EV 充電負荷的影響因素分析

大型停車(chē)區域中 EVCP 的類(lèi)型和位置與停車(chē)位類(lèi)型及分布情況密切相關(guān)。不同類(lèi)型和用途的EV具有不同的電池容量、停放模式和充電意愿,這些因素會(huì )影響電動(dòng)汽車(chē)的充電需求,因此需要通過(guò)調研統計來(lái)獲得這些基礎數據。

首先對EV 的電池容量進(jìn)行調研,得到停車(chē)區域內3類(lèi)車(chē)型對應的電池容量如圖1所示。

圖1 不同類(lèi)型 EV的電池容量

圖1中列出了3類(lèi)車(chē)型的5種常見(jiàn)電池容量,規劃計算時(shí)將選取平均值,社會(huì )車(chē)輛、出租車(chē)、大巴車(chē)的電池平均容量分別為80 kwh,50 kwh和 180 kwh。

然后通過(guò)現場(chǎng)調研和統計,獲得停車(chē)區域內每日不同時(shí)間段中不同類(lèi)型 EV 的停放信息,如圖 2所示。為了提高數據的準確性,圖2中數據為多日的平均數據。

圖2 不同類(lèi)型EV的停放數據

接下來(lái)通過(guò)現場(chǎng)問(wèn)卷調查和查閱文獻等方式，統計在1d當中不同類(lèi)型 EV 的荷電狀態(tài),Soc分布變化情況,如圖 3所示,

圖3 不同類(lèi)型EV的電量變化

最后獲取停車(chē)場(chǎng)中EV車(chē)主的充電意愿數據，即用戶(hù)在 EV 電量剩余多少時(shí)進(jìn)行充電的概率,通過(guò)實(shí)地問(wèn)卷調查和統計,獲得E的充電意愿統計數據,如圖4 所示。

圖4 EV的充電意愿統計數據

EV 的充電時(shí)長(cháng)T取決于電池容量、剩余電量充電樁功率的大小.

2.2 EV充電負荷的預測

EV 的充電行為是具有一定規律的隨機事件采用家特卡洛法(Monte Carlo,Mc)對具有不確定性及時(shí)序性的 EV 充電負荷進(jìn)行模擬。MC是以概率作為基礎的統計方法,也稱(chēng)為隨機抽樣技術(shù),模擬次數越多,結果越切合實(shí)際。

應用 MC 法預測 EV 充電負荷的思路是,首先基于統計得到的出行數據和充電信息,建立隨機過(guò)程的概率分布模型;然后按概率抽取所有影響EV充電負荷的隨機變量,包含 EV 的停放時(shí)間、SOC分布以及充電意愿等,若發(fā)生充電行為則計算充電時(shí)長(cháng),得到每一輛 EV 的充電負荷曲線(xiàn)。最后將區域內所有EV的充電負荷曲線(xiàn)在時(shí)間軸上疊加即可得到整個(gè)規劃區域內總的 EV 充電負荷的預測曲線(xiàn)。

三、應用方案

圖5 有序充電管理系統示意圖

圖6平臺結構圖

充電運營(yíng)管理平臺是基于物聯(lián)網(wǎng)和大數據技術(shù)的充電設施管理系統，可以實(shí)現對充電樁的監控、調度和管理，提高充電樁的利用率和充電效率，提升用戶(hù)的充電體驗和服務(wù)質(zhì)量。用戶(hù)可以通過(guò)APP或小程序提前預約充電，避免在充電站排隊等待的情況，同時(shí)也能為充電站提供更準確的充電需求數據，方便后續的調度和管理。通過(guò)平臺可對充電樁的功率、電壓、電流等參數進(jìn)行實(shí)時(shí)監控，及時(shí)發(fā)現和處理充電樁故障和異常情況對充電樁的功率進(jìn)行控制和管理，確保充電樁在合理的功率范圍內充電，避免對電網(wǎng)造成過(guò)大的負荷。

四、安科瑞充電樁云平臺具體的功能

平臺除了對充電樁的監控外，還對充電站的光伏發(fā)電系統、儲能系統以及供電系統進(jìn)行集中監控和統一協(xié)調管理，提高充電站的運行可靠性，降低運營(yíng)成本，平臺系統架構如圖7所示。

圖7 充電樁運營(yíng)管理平臺系統架構

大屏顯示：展示充電站設備統計、使用率排行、運營(yíng)統計圖表、節碳量統計等數據。

圖8 大屏展示界面

站點(diǎn)監控：顯示設備實(shí)時(shí)狀態(tài)、設備列表、設備日志、設備狀態(tài)統計等功能。

圖9 站點(diǎn)監控界面

設備監控：顯示設備實(shí)時(shí)信息、配套設備狀態(tài)、設備實(shí)時(shí)曲線(xiàn)、關(guān)聯(lián)訂單信息、充電功率曲線(xiàn)等。

圖10 設備監控界面

運營(yíng)趨勢統計：顯示運營(yíng)信息查詢(xún)、站點(diǎn)對比曲線(xiàn)、日月年報表、站點(diǎn)對比列表等功能。

圖11 運營(yíng)趨勢界面

收益查詢(xún)：提供收益匯總、實(shí)際收益報表、收益變化曲線(xiàn)、支付方式占比等功能。

圖12 收益查詢(xún)界面

故障分析：提供故障匯總、故障狀態(tài)餅圖、故障趨勢分析、故障類(lèi)型餅圖等功能。

圖13 故障分析界面

訂單記錄：提供實(shí)時(shí)/歷史訂單查詢(xún)、訂單終止、訂單詳情、訂單導出、運營(yíng)商應收信息、充電明細、交易流水查詢(xún)、充值余額明細等功能。

圖14 訂單查詢(xún)界面

五、產(chǎn)品選型

安科瑞為廣大用戶(hù)提供慢充和快充兩種充電方式，便攜式、壁掛式、落地式等多種類(lèi)型的充電樁，包含智能7kw/21kw交流充電樁，30kw直流充電樁，60kw/80kw/120kw/180kw直流一體式充電樁來(lái)滿(mǎn)足新能源汽車(chē)行業(yè)快速、經(jīng)濟、智能運營(yíng)管理的市場(chǎng)需求。實(shí)現對動(dòng)力電池快速、高效、安全、合理的電量補給，同時(shí)為提高公共充電樁的效率和實(shí)用性，具有有智能監測：充電樁智能控制器對充電樁具備測量、控制與保護的功能；智能計量：輸出配置智能電能表，進(jìn)行充電計量，具備完善的通信功能；云平臺：具備連接云平臺的功能，可以實(shí)現實(shí)時(shí)監控，財務(wù)報表分析等等；遠程升級：具備完善的通訊功能，可遠程對設備軟件進(jìn)行升級；保護功能：具備防雷保護、過(guò)載保護、短路保護，漏電保護和接地保護等功能；適配車(chē)型：滿(mǎn)足國標充電接口，適配所有符合國標的電動(dòng)汽車(chē)，適應不同車(chē)型的不同功率。下面是具體產(chǎn)品的型號和技術(shù)參數。

六、現場(chǎng)圖片

七、結論

本文針對大型停車(chē)區域給出了 EVCP 滿(mǎn)足多個(gè)目標的規劃優(yōu)化設計方法。該規劃方法首先根據停車(chē)區域內 EV 的電池類(lèi)型、各類(lèi)EV的停放規律及 EV 用戶(hù)的充電意愿等統計數據,預測出區域內EV 充電負荷的時(shí)空分布。然后以EVCP的投資成本、電網(wǎng)網(wǎng)損以及 EV 用戶(hù)的滿(mǎn)意度改進(jìn)PSO 在安全約束范圍內得到 EVCP的*優(yōu)規劃。該規劃方法相較于傳統EVCP的規劃方法不僅更加經(jīng)濟合理,而且對電網(wǎng)運行的影響較小,對實(shí)際工程的EVCP 規劃具有指導作用。

參 考 文 獻：

[1]邢強,陳中,冷釗瑩,等,基于實(shí)時(shí)交通信息的電動(dòng)汽車(chē)路徑規劃和充電導航策略[J].中國電機工程學(xué)報,2020,40(2):534-550.

XING Qiang, CHEN Zhong, LENG Zhaoying, et al. Route planning and charging navigation strategy for electric vehicles based on real-time traffic information1[J]. Proceedings of the CSEE, 2020, 40(2):534-550.

[2]徐青山,蔡婷婷,劉瑜俊,等,考慮駕駛人行為習慣及出行鏈的電動(dòng)汽車(chē)充電站站址規劃[J].電力系統自動(dòng)化,2016,40(4):59-65,77.

XU Qingshan, CAl Tingting, LIU Yujun, et al.Location planning of charging staions for electric vehicles based on drivers behaviours and travel chain[J].Automation of Electric Power Systems , 2016, 40(4):59-65,77.

[3]張洪財,胡澤春,宋永華,等,考慮時(shí)空分布的電動(dòng)汽車(chē)充電負荷預測方法[J].電力系統自動(dòng)化,2014,38(1):13-20.

ZHANG Hongcai, HU Zechun, SONG Yonghua,et al.Estimation method of electric vehicle charging load considering temporal and spatial distribution[J]. Automation of Electric Power Systems , 2014.38(1):13-20.

[4]邵尹池,穆云飛,余曉丹,等“車(chē)-路-網(wǎng)”模式下電動(dòng)汽車(chē)充電負荷時(shí)空預測及其對配電網(wǎng)潮流的影響[J].中國電機工程學(xué)報，2017,37(18):5207-5219,5519.

SHA0 Yinchi, MU Yunfei, YU Xiaodan, et al.A spatial-temporal charging load forecast and impact analysis method for distribution network using EVs-traffic-distribution model[J]. Proceedings ofthe CSEE,2017,37(18):5207-5219,5519.

[5]李含玉,杜兆斌,陳麗丹,等,基于出行模擬的電動(dòng)汽車(chē)充電負荷預測模型及 V2G評估[J].電力系統自動(dòng)化,2019,43(21):88-96.

LI Hanyu , DU Zhaobin, CHEN Lidan, et al.The research of spatial-temporal charging load forecast modeling and V2G evaluation method of electric vehicles considering traffic network[J].Automation of Electric Power Systems ,2019,43(21):88-96.

[6]LEOU R C, SU C L,TENG J H. Modelling and verifying the load behaviour of electric vehicle charging stations based on field measurements[J].Generation Transmission & Distribution ET,2015,9(11):1112-1119.

[7] ZHU J,YANG Z, GUO Y,et al. Short-term load forecasting for electric vehicle charging stations based on deep learning approaches[J]. Applied Sciences ,2019,9(9): 1723.

[8]周椿奇,向月,童話(huà),等.軌跡數據驅動(dòng)的電動(dòng)汽車(chē)充電需求及V2G 可調控容量估計[J].電力系統自動(dòng)化,2022,46(12):46-55.

ZHOU Chunqi, XIANG Yue, TONG Hua, et al.Trajectory- data-driven estimation of electric vehicle charging demand and vehicle-to-grid regulable capacity[J].Automation of Electric Power Systems,2022,46(12):46-55.

[9]姚志力,江斌開(kāi),龔春陽(yáng),等,計及電動(dòng)汽車(chē)充電負荷特性的區域多能源站規劃設計[J].電網(wǎng)技術(shù),2022,46(9):3304-3318.

YA0 Zhili, JlANG Binkai, GONG Chunyang, et al. Planning and design of regional multi-energy stations taking into account electric vehicle charging load characteristics[J]. Power System Technology,2022,46(9):3304-3318.