考慮季節(jié)特性的多時(shí)間尺度電動汽車負(fù)荷預(yù)測模型

牛牧童，廖 凱，楊健維，向悅萍

考慮季節(jié)特性的多時(shí)間尺度電動汽車負(fù)荷預(yù)測模型

牛牧童，廖 凱，楊健維，向悅萍

(西南交通大學(xué)電氣工程學(xué)院，四川 成都 611756)

當(dāng)前對電動汽車(Electric Vehicle, EV)充電負(fù)荷預(yù)測的研究大多集中在短期單一時(shí)間尺度，且鮮有考慮在較長時(shí)間尺度下不同季節(jié)電動汽車充電負(fù)荷存在的差異。基于此，提出一種考慮季節(jié)特性的多時(shí)間尺度電動汽車負(fù)荷預(yù)測模型。首先，考慮季節(jié)特性對EV的電池最大載電量、里程耗電量和空調(diào)耗電量的影響，結(jié)合時(shí)空分布規(guī)律建立短期日內(nèi)的電動汽車充電負(fù)荷預(yù)測模型。其次，為了展現(xiàn)從短期(短時(shí)間尺度)到中長期(長時(shí)間尺度)的多時(shí)間尺度特性，建立考慮多種因素影響的Bass修正模型預(yù)測未來不同年份的EV保有量。結(jié)合短期EV充電負(fù)荷預(yù)測模型，可延展至中長期EV充電負(fù)荷的預(yù)測，從而實(shí)現(xiàn)綜合短期、中長期的多時(shí)間尺度EV負(fù)荷預(yù)測。最后，采用上海市氣溫信息及行車數(shù)據(jù)進(jìn)行仿真驗(yàn)證。結(jié)果表明，所提模型可以有效地預(yù)測未來數(shù)年EV發(fā)展趨勢以及考慮季節(jié)特性的多時(shí)間尺度EV充電負(fù)荷。

電動汽車；負(fù)荷預(yù)測；Bass模型；多時(shí)間尺度；季節(jié)特性

0 引言

以電動汽車(Electric Vehicle, EV)為代表的新能源動力交通工具是解決化石能源危機(jī)與環(huán)境污染問題的重要措施之一[1-2]。近年來，EV在技術(shù)、政策、觀念和市場的多方面推動下迅猛發(fā)展，截至2020年，其保有量在全球已逾900萬輛[3]。一方面，充電樁的規(guī)劃建設(shè)需緊跟EV保有量的增長；另一方面，大規(guī)模EV無序充電負(fù)荷與電網(wǎng)基礎(chǔ)負(fù)荷疊加，將會引發(fā)諸如負(fù)荷峰谷差加大、運(yùn)行約束越限、電能質(zhì)量下降等問題[4-6]，影響電力系統(tǒng)的穩(wěn)定性與經(jīng)濟(jì)性。為此，需要對EV保有量發(fā)展演化及充電負(fù)荷需求進(jìn)行預(yù)測，從而為區(qū)域的充電設(shè)施及配電網(wǎng)設(shè)備的改造與新建提供合理參考和建議。

針對EV充電負(fù)荷預(yù)測，目前國內(nèi)外已經(jīng)做了大量研究，主要集中在對EV短期充電負(fù)荷預(yù)測的研究：充電概率建模[7]和時(shí)空分布建模[8-10]。在充電概率建模方面，文獻(xiàn)[7]提出了基于不同類型電動汽車不同充電行為概率模型與蒙特卡洛模擬的電動汽車充電負(fù)荷預(yù)測方法。在時(shí)空分布建模方面，停車生成率模型[8]、時(shí)空活動[9]與出行鏈模型[10]、馬爾可夫決策過程[11-12]等是電動汽車充電負(fù)荷預(yù)測研究中的常用模型。此外，還有許多研究從交通系統(tǒng)和電網(wǎng)系統(tǒng)相互耦合影響出發(fā)建立了電動汽車充電需求預(yù)測模型。文獻(xiàn)[13]提出了交通路網(wǎng)約束下，模擬用戶出行行為的電動汽車充電負(fù)荷時(shí)空預(yù)測模型。文獻(xiàn)[14]通過建立交通網(wǎng)-配電網(wǎng)的交互模型預(yù)測典型區(qū)域路網(wǎng)充電負(fù)荷。文獻(xiàn)[15]在路網(wǎng)與電網(wǎng)交互影響的基礎(chǔ)上考慮車主主觀心理非完全理性選擇特性，提出了一種考慮路網(wǎng)-電網(wǎng)信息交互和用戶心理的電動汽車充電負(fù)荷預(yù)測方法。除了上述模型驅(qū)動型預(yù)測外，隨著大數(shù)據(jù)的發(fā)展，以實(shí)測數(shù)據(jù)分析EV充電負(fù)荷的數(shù)據(jù)驅(qū)動型預(yù)測手段也逐漸成熟。文獻(xiàn)[16]中以深圳市出租車原始行駛數(shù)據(jù)提取居民出行規(guī)律，結(jié)合OD矩陣分析方法預(yù)測城市功能區(qū)充電負(fù)荷趨勢。文獻(xiàn)[17]通過對“滴滴”出行原始數(shù)據(jù)集進(jìn)行大數(shù)據(jù)手段處理得到的出行特征數(shù)據(jù)，結(jié)合單體電動汽車模型建立電動汽車充電需求負(fù)荷模型。但上述預(yù)測方法得到的結(jié)果往往是在日內(nèi)的短期充電負(fù)荷演變，無法推斷較長時(shí)間后EV充電負(fù)荷變化趨勢，并不能對EV充電設(shè)施與電網(wǎng)在未來建設(shè)規(guī)劃上給予有效參考。

較長時(shí)間尺度下EV充電負(fù)荷預(yù)測研究相對較少，文獻(xiàn)[18]為了研究EV發(fā)展趨勢與負(fù)荷的交互影響，提出了一種保有量預(yù)測與車輛行為仿真交替進(jìn)行的城市電動私家車中長期充電負(fù)荷預(yù)測方法。但其模型中忽略了車主出行目的的固定性，也并未考慮較長時(shí)間下季節(jié)特性對EV充電負(fù)荷的影響。

綜上，現(xiàn)有的EV充電負(fù)荷預(yù)測研究大多著眼于描述單一時(shí)間尺度內(nèi)尤其是短期可能出現(xiàn)的負(fù)荷特性，且忽略了季節(jié)不同所產(chǎn)生的充電負(fù)荷的差異，無法在多時(shí)間尺度下展現(xiàn)EV的發(fā)展變化趨勢與充電負(fù)荷時(shí)空分布的演變。

基于此，本文提出一種考慮季節(jié)特性的EV多時(shí)間尺度充電負(fù)荷預(yù)測模型。首先，以出行鏈描述車輛的出行行為模擬車輛時(shí)空分布規(guī)律，再通過對EV電池最大載電量、出行耗電量的建模刻畫季節(jié)特性對EV充電負(fù)荷的影響，建立短期EV充電負(fù)荷預(yù)測模型。其次，考慮傳統(tǒng)能源汽車競爭、城市GDP發(fā)展、政策與油價(jià)等多種因素的影響，建立Bass修正模型，預(yù)測未來不同年份的EV保有量，更新短期EV充電負(fù)荷模型中的保有量，實(shí)現(xiàn)多時(shí)間尺度負(fù)荷預(yù)測。最后，通過算例仿真驗(yàn)證所提出的考慮季節(jié)特性的多時(shí)間尺度電動汽車負(fù)荷預(yù)測模型的有效性。

1 考慮季節(jié)特性的短期EV充電負(fù)荷預(yù)測

本節(jié)考慮不同季節(jié)特性對充電負(fù)荷的影響，建立EV短期負(fù)荷預(yù)測模型。首先，建立EV用戶出行鏈，模擬EV用戶出行行程。然后，考慮季節(jié)溫度的影響，計(jì)算EV電池最大載電量0及出行耗電量1，由式(1)可獲得行程后的剩余電量soc。最后，通過充電策略進(jìn)行充電選擇，充電完成后進(jìn)行下一次行程，直到EV用戶一天行程結(jié)束。

式中，1由行程的里程耗電量1_1以及空調(diào)耗電量1_2組成，如式(2)所示。

1.1 EV用戶出行鏈

出行鏈?zhǔn)菍V用戶不同的出行目的以特定的時(shí)間順序鏈接起來，表示為各類出行活動構(gòu)成的序列，可以很好地描繪用戶的日出行規(guī)律。出行鏈對應(yīng)的時(shí)空變化關(guān)系如圖1所示，時(shí)間層表示從開始到結(jié)束的時(shí)間變化，Δ表示行駛和停留時(shí)間段，表示到達(dá)和離開時(shí)間點(diǎn)，空間層表示出行過程的空間變化，表示節(jié)點(diǎn)間的行駛里程。

本文基于出行鏈模型描述車輛日出行行為特性。按照出行鏈結(jié)構(gòu)和區(qū)域功能，將區(qū)域分為住宅區(qū)、工作區(qū)和商業(yè)區(qū)等功能區(qū)，并做以下假設(shè)：一天內(nèi)EV初始位置和最終到達(dá)都屬于住宅區(qū)；不考慮充電樁因素對EV充電的影響；不考慮不同功能區(qū)之間路徑因素的影響。

1.1.1 出行活動類型

相關(guān)調(diào)查表明[10]，居民出行活動以簡單鏈(起訖點(diǎn)均為H，鏈長為3)為主?？紤]主要出行目的，忽略可能會在某處短暫停留的情況，將出行目的分為5類：回家(Home, H)、工作(Work, W)、社交休閑(Social and Recreational, SR)、購物吃飯(Shopping& Eating, SE)和其他活動(Other, O)。本文考慮最長含3個行駛目的地的出行鏈結(jié)構(gòu)，其結(jié)構(gòu)可分為簡單鏈和復(fù)雜鏈2種模式，如圖2所示。

圖1 出行鏈對應(yīng)的時(shí)空變化

圖2 簡單和復(fù)雜出行鏈結(jié)構(gòu)模型

1.1.2 區(qū)域轉(zhuǎn)移概率

1.1.3 出行時(shí)間

EV用戶每日起始出行時(shí)刻可近似為正態(tài)分布[18]，其概率密度函數(shù)為

式中：s為起始出行時(shí)刻均值，s= 8.56；s為初始出行時(shí)刻方差，s= 1.57，單位為h。

出行鏈中途各類出行活動花費(fèi)的時(shí)間(車輛停留的時(shí)間)呈現(xiàn)不同的概率分布特性。由美國家庭交通出行調(diào)查數(shù)據(jù)(National Household Travel Survey, NHTS)[19]數(shù)據(jù)統(tǒng)計(jì)可知，W及SR類型出行活動花費(fèi)時(shí)間近似滿足正態(tài)分布，SE、H及O類型出行活動花費(fèi)時(shí)間近似滿足指數(shù)分布，如式(6)。各類出行活動對應(yīng)的均值與標(biāo)準(zhǔn)差擬合結(jié)果如表1所示。此處H類型出行活動指在家中短暫停留后繼續(xù)當(dāng)日出行，即不考慮出行鏈的起始點(diǎn)。

表1 各類出行活動停留時(shí)間概率分布擬合結(jié)果

1.2 EV電池最大載電量

為模擬EV充電行為，首先需要考慮季節(jié)溫度對電池的影響，獲得EV電池最大載電量。EV電池對溫度具有較強(qiáng)的敏感性[20-21]，在不同溫度下放電量如圖3所示，電池的實(shí)際最大載電量會發(fā)生變化。設(shè)定25 ℃為參考溫度，此時(shí)電池放電量為10 380 mAh，相對電量為100%。由圖3可知，高于25 ℃時(shí)，電池實(shí)際最大載電量變化不明顯；低于25 ℃時(shí)，隨著溫度降低呈明顯下降趨勢，0 ℃時(shí)電池放電量為8 200 mAh，相對容量僅為79.3%。

圖3 不同溫度下電池放電量

由圖3可知，不同溫度下電池實(shí)際最大載電量為

1.3 EV耗電量

計(jì)算行程過程中總耗電量1，由式(2)可知，1包括行程中的里程耗電量1_1以及空調(diào)耗電量1_2兩部分。

1) 里程耗電量

每段行程行駛里程可近似滿足對數(shù)正態(tài)分布[22]，其概率密度函數(shù)為

由式(10)可知，EV單位里程耗電量主要受到行程速度的影響。而暴雨暴雪、霧霾等天氣會導(dǎo)致道路設(shè)施的可認(rèn)知性降低和路面附著力下降，進(jìn)而影響行車速度[22]。同時(shí)，雨雪霧天氣也會影響道路交通流通性，限制汽車行駛速度。參考文獻(xiàn)[23-25]中不同天氣對應(yīng)不同能見度和附著系數(shù)的車速限制建議，定制出具有季節(jié)性的安全行駛速度，如表2。

表2 不同季節(jié)不同天氣下的安全行駛速度

2) 車載空調(diào)耗電量

參考文獻(xiàn)[25]對不同溫度下空調(diào)使用率進(jìn)行調(diào)研，將相關(guān)數(shù)據(jù)擬合生成空調(diào)啟動概率正態(tài)分布函數(shù)，如式(11)所示。

1.4 EV用戶充電策略

由相關(guān)統(tǒng)計(jì)習(xí)慣可知，車主充電行為的靈活性、主觀性較強(qiáng)[18]。大多數(shù)車主充電習(xí)慣采用靈活充電類型，即EV每到達(dá)一處目的地，只要該地配備有充電設(shè)施，就進(jìn)行充電。本文假設(shè)，若某EV用戶決定在某地進(jìn)行充電，則在其到達(dá)該目的地時(shí)馬上接入充電設(shè)施，連續(xù)充電直至達(dá)到理想電量或最大停留時(shí)間，如式(14)所示。

2 基于Bass修正模型EV中長期負(fù)荷預(yù)測

為實(shí)現(xiàn)中長期負(fù)荷的預(yù)測，需要得知不同年份的EV保有量規(guī)模，本文建立Bass修正模型，以預(yù)測未來數(shù)年的電動汽車的保有量。

2.1 Bass修正模型

Bass模型主要是對創(chuàng)新產(chǎn)品、技術(shù)的采用和擴(kuò)散進(jìn)行市場占有率預(yù)測的模型，用來模擬新產(chǎn)品被用戶接受的過程?；颈憩F(xiàn)形式為

上述模型并未涉及到價(jià)格對新產(chǎn)品擴(kuò)散的影響方面，因此Frank Bass提出了修正Bass模型(Generalized Bass Model)[27]，在原模型的基礎(chǔ)上引入修正系數(shù)()，用以反映多種價(jià)格因素對產(chǎn)品推廣的影響，如式(16)、式(17)所示。

式中：()為時(shí)段新產(chǎn)品價(jià)格；為1%的價(jià)格增長造成的市場吸引力下降程度。

2.2 模型參數(shù)估計(jì)與修正

本文在Bass模型的基礎(chǔ)上分析EV當(dāng)前市場發(fā)展特性，考慮傳統(tǒng)能源汽車競爭、城市GDP發(fā)展、政策與油價(jià)等多種因素的影響，對模型系數(shù)進(jìn)行估計(jì)與修正。

1) 模仿系數(shù)()的修正

購買決策受社會系統(tǒng)內(nèi)部因素包括其他消費(fèi)者對EV的使用反饋以及EV基礎(chǔ)設(shè)施影響，這一部分消費(fèi)者主要是由模仿系數(shù)體現(xiàn)，也被稱作“內(nèi)部影響系數(shù)”，取值范圍在0～1。參考文獻(xiàn)[18, 28-29]，類比充電便利模型刻畫滿意度與EV滲透率對電動汽車發(fā)展的影響，定義模仿系數(shù)為

式中：()為時(shí)段(第年)模仿系數(shù)；為電動私家車?yán)m(xù)航里程；為電動私家車平均日行駛里程；z為車樁比；()/為滲透率；為調(diào)節(jié)因子。

2) 創(chuàng)新系數(shù)()的修正

EV的消費(fèi)者中有一部分人群的購買決策不受包括其他消費(fèi)者和EV基礎(chǔ)設(shè)施等在內(nèi)的社會系統(tǒng)內(nèi)部因素的影響[30]，而是有賴于大眾媒體的宣傳，由創(chuàng)新系數(shù)來體現(xiàn)，也被稱作“外部影響系數(shù)”，取值范圍在0～1之間?？紤]到宣傳效應(yīng)過程會存在一定滯后性，人群對EV接受程度的增量與宣傳力度成正比[31]，因此定義創(chuàng)新系數(shù)為

3) 價(jià)格系數(shù)()的修正

目前常規(guī)能源汽車仍然是汽車市場的主體，其價(jià)格因素對EV發(fā)展有較大的競爭影響，同時(shí)城市GDP發(fā)展水平也間接影響著購買者對價(jià)格因素的敏感度。因此，采用文獻(xiàn)[32]的定義方式建立修正系數(shù)()，如式(20)。

式中：EV()和CV()分別為EV總成本和常規(guī)能源汽車總成本折算到購買初年的現(xiàn)值；為成本影響系數(shù)，為負(fù)值。總成本包括購買成本及使用成本。

購買成本在含稅價(jià)格的基礎(chǔ)上扣除了補(bǔ)貼金額以及折現(xiàn)后的車輛殘值，如式(22)。

使用成本是指使用期限內(nèi)能耗與保養(yǎng)費(fèi)用的貼現(xiàn)值之和，如式(23)。

2.3 中長期EV負(fù)荷預(yù)測建模流程

由Bass修正模型預(yù)測未來不同年份的EV保有量規(guī)模，根據(jù)不同年份的保有量更新短期負(fù)荷預(yù)測模型，實(shí)現(xiàn)EV中長期負(fù)荷預(yù)測。具體流程如圖4。

圖4 中長期EV負(fù)荷預(yù)測流程

3 考慮季節(jié)特性的多時(shí)間尺度EV充電負(fù)荷預(yù)測仿真流程

由短期負(fù)荷預(yù)測模型得出不同季節(jié)特性下EV日內(nèi)充電負(fù)荷曲線，再根據(jù)Bass修正模型預(yù)測未來十年內(nèi)EV保有量，更新短期負(fù)荷預(yù)測模型的保有量可計(jì)算出未來10年不同季節(jié)下的日負(fù)荷曲線，預(yù)測流程如附圖1所示。

為了獲得EV用戶每段行程的剩余電量SOC，需要確定EV電池的實(shí)際最大載電量、行程的里程耗電量以及空調(diào)耗電量。根據(jù)溫度確定電池的實(shí)際最大載電量，結(jié)合單輛車空調(diào)的啟用采取判定方法求得空調(diào)耗電量，確定行程里程耗電量需要計(jì)算EV在日內(nèi)充電負(fù)荷的時(shí)空分布。因此，對輸入規(guī)模的EV進(jìn)行出行行為仿真：

首先，設(shè)定以生活區(qū)為起始點(diǎn)，離開家時(shí)的電池初始電量為最大載電量的95%，對車輛進(jìn)行初始出行時(shí)刻抽取。

然后，從區(qū)域轉(zhuǎn)移概率矩陣中提取終點(diǎn)落在各個區(qū)域的概率，對終點(diǎn)進(jìn)行抽樣，由起止區(qū)域得到這一段行駛里程。

最后，根據(jù)表3道路路徑使用頻率占比抽取行程的道路等級，結(jié)合設(shè)定的安全速度獲得行程的耗電量。路徑使用頻率占比計(jì)算流程如附圖2。

由初始電量和損耗電量差值得到電池剩余電量，再抽取停留時(shí)間后，根據(jù)車主充電習(xí)慣決定是否在此充電。當(dāng)車輛完成最后一次行程后，更新各區(qū)域的充電負(fù)荷，當(dāng)完成所有EV行為仿真后可得到本年該區(qū)總體及各功能區(qū)日充電負(fù)荷曲線。根據(jù)不同季節(jié)下溫度和安全行駛速度，得出不同季節(jié)特性的EV短期(日內(nèi))充電負(fù)荷的時(shí)空分布，更新不同年份的保有量得到該區(qū)整體的中長期(未來十年)充電負(fù)荷曲線從而實(shí)現(xiàn)不同時(shí)間尺度下的負(fù)荷預(yù)測。

表3 行程道路路徑使用頻率占比

4 算例分析

4.1 參數(shù)設(shè)置

參考上海市氣象統(tǒng)計(jì)局統(tǒng)計(jì)的2020年全年溫度數(shù)據(jù)，按照時(shí)間劃分為春秋季、夏季和冬季，再結(jié)合季節(jié)性氣溫特點(diǎn)，取20 ℃為典型常溫(春秋季)天氣，0 ℃和35 ℃分別為典型冬季和夏季氣溫。其中，電池相對容量百分?jǐn)?shù)[25]：0℃=79.3%，20℃= 98.8%，35℃=103%。根據(jù)對應(yīng)溫度的空調(diào)啟動概率，單輛車空調(diào)的啟用采取判定方法：通過對單輛車生成服從(0，1)均勻分布的隨機(jī)數(shù)，若<啟動空調(diào)。

4.2 結(jié)果分析

4.2.1 EV保有量預(yù)測分析

對比不同城市GDP發(fā)展水平、宣傳力度、油價(jià)增幅和政策補(bǔ)貼退坡對EV保有量預(yù)測的影響。

在圖5中，默認(rèn)條件為上海市GDP背景，油價(jià)增幅為6%，政策補(bǔ)貼退坡力度為20%，宣傳力度為0.4。對上述單一條件設(shè)置變量對比分析其對EV保有量增長的影響，其他為默認(rèn)條件。

圖5 不同因素影響下的EV保有量預(yù)測

如圖5所示，相較于油價(jià)與政策退坡幅度，在短期內(nèi)城市GDP水平、宣傳力度對EV保有量的影響較小，但隨著時(shí)間推移，兩者對電動汽車的增幅作用會逐漸顯現(xiàn)。宣傳力度越大，對電動汽車的推廣作用越明顯，城市GDP水平越高，人們購買電動汽車的意愿更強(qiáng)。同樣也可看出政策退坡幅度越大、油價(jià)增幅力度越弱，電動汽車保有量的增長幅度就越小。在中長期以后上述不同因素對電動汽車保有量增長均會產(chǎn)生較明顯影響。

從整體增長態(tài)勢來看，相較于中期的快速增長，在后期由于電動汽車市場潛量逐漸趨于飽和，基礎(chǔ)充電設(shè)施建設(shè)發(fā)展也相對保持穩(wěn)定，使得整體保有量的增長稍有放緩，趨于市場發(fā)展成熟階段。

4.2.2 EV多時(shí)間尺度負(fù)荷預(yù)測分析

在保有量預(yù)測數(shù)據(jù)的基礎(chǔ)上，對多時(shí)間尺度的EV充電負(fù)荷進(jìn)行預(yù)測。將不同年份的EV保有量預(yù)測結(jié)果作為相應(yīng)年份的EV數(shù)量，針對不同功能區(qū)，進(jìn)行不同季節(jié)下的EV充電負(fù)荷預(yù)測。一方面可以從短期日內(nèi)分析不同功能區(qū)的時(shí)空分布特性與季節(jié)差異；另一方面可以從較長時(shí)間尺度下(中長期)分析EV充電負(fù)荷增長趨勢及季節(jié)特性對EV充電負(fù)荷的影響。

圖6為2030年各功能區(qū)EV充電負(fù)荷曲線?？梢钥闯觯壕用裆顓^(qū)負(fù)荷需求最大，呈雙高峰分布，高峰時(shí)段集中在12：00和21：00附近；工作區(qū)次之，高峰時(shí)段集中在08：00附近；其他區(qū)域負(fù)荷需求都較小，且分布規(guī)律有明顯差異。

由于季節(jié)因素對于一個區(qū)域內(nèi)不同功能區(qū)的差異不大，本節(jié)的EV中長期負(fù)荷預(yù)測以整個區(qū)域的負(fù)荷為對象，分析2021—2030年春秋季、夏季和冬季的典型日的負(fù)荷需求情況。圖7為2030年該區(qū)域在不同季節(jié)下整體負(fù)荷曲線對比。

圖6 2030年各功能區(qū)EV充電負(fù)荷預(yù)測曲線

圖7 2030年不同季節(jié)典型日充電負(fù)荷對比

由圖7可以看出，EV充電負(fù)荷具有較明顯的季節(jié)特性。冬季和夏季負(fù)荷需求要大于春秋季，主要是由于冬季溫度較低夏季氣溫較高，空調(diào)使用率較高，使得EV的空調(diào)耗電量顯著增大。同時(shí)，由于溫度較低的環(huán)境下電池性能受到的影響較高溫環(huán)境下更明顯，因此，冬季EV充電需求量也比夏季略高。

圖8為該區(qū)域在2021—2030年春秋季、夏季、冬季典型日負(fù)荷需求預(yù)測曲線，同樣可以看出EV充電負(fù)荷在冬季最高，春秋季最低，而圖8中三者增長幅度相差不大，主要是因?yàn)镋V充電負(fù)荷增長主要取決于EV保有量的增長。

圖8 2021—2030年不同季節(jié)充電負(fù)荷典型日預(yù)測

整理圖8中各季節(jié)的峰值數(shù)據(jù)，得到該區(qū)域在2021—2030年不同季節(jié)典型日的負(fù)荷峰值及峰值差，如圖9所示，其中天氣A、B對應(yīng)的速度如表2。由圖9可以看出，冬季節(jié)典型日的負(fù)荷峰值最大，夏季次之，春秋季最低。同時(shí)行車速度的降低也會使得EV單位里程耗電量增加，導(dǎo)致負(fù)荷需求增大。由不同季節(jié)的峰值差可以看出冬季和夏季之間負(fù)荷峰值差距較小，因?yàn)槌叵码姵匦阅苴呌谧罴亚也簧婕翱照{(diào)的耗電量，充電負(fù)荷相對較小，因此冬季和夏季的負(fù)荷峰值明顯高于春秋季。

圖9 2021—2030年不同季節(jié)典型日負(fù)荷峰值

5 結(jié)論

本文建立了考慮季節(jié)特性的短期EV充電負(fù)荷模型，在此基礎(chǔ)上，結(jié)合Bass修正模型將預(yù)測時(shí)間從短期延展至中長期，進(jìn)而實(shí)現(xiàn)了不同季節(jié)下短期和中長期EV充電負(fù)荷預(yù)測，得到多時(shí)間尺度下EV充電負(fù)荷預(yù)測曲線，通過算例仿真得到以下結(jié)論：

1) 所提考慮多因素影響的Bass修正模型可以有效預(yù)測不同年份的EV保有量，反映城市GDP發(fā)展水平、油價(jià)增幅力度、宣傳力度以及補(bǔ)貼力度等因素對未來的EV保有量發(fā)展的影響?？蔀闆Q策者制定EV推廣政策提供一定的參考依據(jù)。

2) 相比于常規(guī)的單一時(shí)間尺度負(fù)荷預(yù)測模型，建立了考慮季節(jié)特性的多時(shí)間尺度負(fù)荷預(yù)測模型。一方面，可以有效刻畫在較長時(shí)間尺度下不同季節(jié)特性的EV充電負(fù)荷特性；另一方面，通過Bass修正模型，實(shí)現(xiàn)了從短期到中長期的多時(shí)間尺度負(fù)荷預(yù)測。預(yù)測時(shí)間范圍更為全面，對未來智能電網(wǎng)的EV充電設(shè)施建設(shè)規(guī)劃與配網(wǎng)調(diào)度更具參考意義。

附錄

附表1 車輛相關(guān)參數(shù)

附表2 不同年份的最大市場潛量

附表3 2020年全國及相關(guān)城市GDP

由于汽車市場尚未飽和，常規(guī)能源汽車保有量以增長率=0.15?0.012逐年增長至飽和[18]，EV最大市場潛量為常規(guī)能源汽車總數(shù)的90%。根據(jù)《上海市新能源汽車產(chǎn)業(yè)大數(shù)據(jù)研究報(bào)告2019》，截至2019年底，上海市注冊常規(guī)能源汽車數(shù)量約為290萬輛，EV約26萬輛。由此，根據(jù)以上數(shù)據(jù)和關(guān)系計(jì)算出每年的潛在市場數(shù)量。

參考《中共上海市委關(guān)于制定上海市國民經(jīng)濟(jì)和社會發(fā)展第十四個五年規(guī)劃和二〇三五年遠(yuǎn)景目標(biāo)的建設(shè)》、國家統(tǒng)計(jì)局發(fā)布的《2020年國民經(jīng)濟(jì)和社會發(fā)展統(tǒng)計(jì)公報(bào)》、國家統(tǒng)計(jì)局局長邱曉華主持的未來15年中國生產(chǎn)力發(fā)展的展望與宏觀研究報(bào)告以及GDP研究權(quán)威人士許憲春的《未來15年中國生產(chǎn)力發(fā)展的展望與預(yù)測》等文件資料，設(shè)置未來10年全國GDP以λ＝0.02+0.006的增速逐年增長，上海市GDP在未來10年內(nèi)以每年6個百分點(diǎn)進(jìn)行增長。

附表4 上海市未來不同年份的車樁比

根據(jù)上海市新能源汽車公共數(shù)據(jù)網(wǎng)(SHEVDC)與上海市新能源汽車公共數(shù)據(jù)采集與監(jiān)測研究中心，預(yù)測初年(2020年)上海市車樁比為0.8。參考《上海市促進(jìn)電動汽車充(換)電設(shè)施互聯(lián)互通有序發(fā)展暫行辦法》、《上海市推進(jìn)新型基礎(chǔ)設(shè)施建設(shè)行動方案(2020—2022年)》以及《中共上海市委關(guān)于制定上海市國民經(jīng)濟(jì)和社會發(fā)展第十四個五年規(guī)劃和二〇三五年遠(yuǎn)景目標(biāo)的建設(shè)》，基于建設(shè)規(guī)劃目標(biāo)，設(shè)置未來10充電樁配套EV建設(shè)發(fā)展，車樁比發(fā)展：z=0.8+0.05(當(dāng)z＞1.2時(shí)，保持z不變)。

附圖1 EV充電負(fù)荷預(yù)測流程圖

Attached Fig. 1 Flow chart of EV charging load forecasting

附圖2 不同等級道路路徑使用頻率占比計(jì)算流程圖

Attached Fig. 2 Flow chart for calculating the proportion of the use frequency of road paths of different grades

文中式(10)所定義一級、二級和三級道路參考現(xiàn)行交通部施行的《國家公路工程技術(shù)標(biāo)準(zhǔn)》，仿真所用一級、二級和三級道路數(shù)據(jù)，是通過對路網(wǎng)開源網(wǎng)站(OPENSTREETMAP)中某局部地區(qū)交通路網(wǎng)的數(shù)據(jù)處理所獲得。海量行駛軌跡大數(shù)據(jù)來源為“滴滴訂單軌跡開源數(shù)據(jù)”。

參考文獻(xiàn)

[1] 檀勤良, 代美, 梅書凡. 考慮電動汽車碳配額及需求響應(yīng)的電力系統(tǒng)調(diào)度研究[J]. 電網(wǎng)與清潔能源, 2021, 37(7): 79-86.

TAN Qinliang, DAI Mei, MEI Shufan. Research on electric vehicle carbon quota and demand response in electric power system dispatching[J]. Advances of Power System & Hydroelectric Engineering, 2021, 37(7): 79-86.

[2] 姚穎蓓, 陸建忠, 傅業(yè)盛, 等. 華東地區(qū)電動汽車發(fā)展趨勢及用電需求預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(4): 141-145.

YAO Yingbei, LU Jianzhong, FU Yesheng, et al. Electric vehicle development trends and electricity demand forecast in East China[J]. Power System Protection and Control, 2021, 49(4): 141-145.

[3] BloombergNEF electric vehicle outlook 2020[EB/OL]. [2020]. https:// about. bnef. com/ electric-vehicle-outlook/.

[4] CAI H, CHEN Q, GUAN Z, et al. Day-ahead optimal charging/discharging scheduling for electric vehicles in microgrids[J]. Protection and Control of Modern Power Systems, 2018, 3(1): 93-107.

[5] 馬玲玲, 楊軍, 付聰, 等. 電動汽車充放電對電網(wǎng)影響研究綜述[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(3): 140-148.

MA Lingling, YANG Jun, FU Cong, et al. Review on impact of electric car charging and discharging on power grid[J]. Power System Protection and Control, 2013, 41(3): 140-148.

[6] 侯慧, 徐燾, 柯賢彬, 等. 電動汽車快充對配電網(wǎng)的風(fēng)險(xiǎn)研究[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(16): 87-93.

HOU Hui, XU Tao, KE Xianbin, et al. Research on risks of electric vehicle charging to distribution network[J]. Power System Protection and Control, 2019, 47(16): 87-93.

[7] 羅卓偉, 胡澤春, 宋永華, 等. 電動汽車充電負(fù)荷計(jì)算方法[J]. 電力系統(tǒng)自動化, 2011, 35(14): 36-42.

LUO Zhuowei, HU Zechun, SONG Yonghua, et al. Study on plug-in electric vehicles charging load calculating[J]. Automation of Electric Power Systems, 2011, 35(14): 36-42.

[8] 張洪財(cái), 胡澤春, 宋永華, 等. 考慮時(shí)空分布的電動汽車充電負(fù)荷預(yù)測方法[J]. 電力系統(tǒng)自動化, 2014, 38(1): 13-20.

ZHANG Hongcai, HU Zechun, SONG Yonghua, et al. A prediction method for electric vehicle charging load considering spatial and temporal distribution[J]. Automation of Electric Power Systems, 2014, 38(1): 13-20.

[9] 錢甜甜, 李亞平, 郭曉蕊, 等. 基于時(shí)空活動模型的電動汽車充電功率計(jì)算和需求響應(yīng)潛力評估[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(23): 127-134.

QIAN Tiantian, LI Yaping, GUO Xiaorui, et al. Calculation of electric vehicle charging power and evaluation of demand response potential based on spatial and temporal activity model[J]. Power System Protection and Control, 2018, 46(23): 127-134.

[10] 陳麗丹, 聶涌泉, 鐘慶. 基于出行鏈的電動汽車充電負(fù)荷預(yù)測模型[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(4): 216-225.

CHEN Lidan, NIE Yongquan, ZHONG Qing. A model for electric vehicle charging load forecasting based on trip chains[J]. Transactions of China Electrotechnical Society, 2015, 30(4): 216-225.

[11] TANG D, WANG P. Probabilistic modeling of nodal charging demand based on spatial-temporal dynamics of moving electric vehicles[J]. IEEE Transactions on Smart Grid, 2015, 7(2): 627-636.

[12] 張謙, 王眾, 譚維玉, 等. 基于MDP隨機(jī)路徑模擬的電動汽車充電負(fù)荷時(shí)空分布預(yù)測[J]. 電力系統(tǒng)自動化, 2018, 42(20): 65-72.

ZHANG Qian, WANG Zhong, TAN Weiyu, et al. Spatial-temporal distribution prediction of charging load for electric vehicle based on MDP random path simulation[J]. Automation of Electric Power Systems, 2018, 42(20): 65-72.

[13] 李含玉, 杜兆斌, 陳麗丹, 等. 基于出行模擬的電動汽車充電負(fù)荷預(yù)測模型及V2G評估[J]. 電力系統(tǒng)自動化, 2019, 43(21): 88-102.

LI Hanyu, DU Zhaobin, CHEN Lidan, et al. Trip simulation based charging load forecasting model and vehicle-to-grid evaluation of electric vehicles[J]. Automation of Electric Power Systems, 2019, 43(21): 88-102.

[14] 李曉輝, 李磊, 劉偉東, 等. 基于動態(tài)交通信息的電動汽車充電負(fù)荷時(shí)空分布預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(1): 117-125.

LI Xiaohui, LI Lei, LIU Weidong, et al. Spatial-temporal distribution prediction of charging load for electric vehicles based on dynamic traffic information[J]. Power System Protection and Control, 2020, 48(1): 117-125.

[15] 龍雪梅, 楊軍, 吳賦章, 等. 考慮路網(wǎng)-電網(wǎng)交互和用戶心理的電動汽車充電負(fù)荷預(yù)測[J]. 電力系統(tǒng)自動化, 2020, 44(14): 86-93.

LONG Xuemei, YANG Jun, WU Fuzhang, et al. Electric vehicle charging load prediction considering road network-grid interaction and user psychology[J]. Automation of Electric Power Systems, 2020, 44(14): 86-93.

[16] ZHANG H C, TANG W Z, HU Z C, et al. A method for forecasting the spatial and temporal distribution of PEV charging load[C] // Proceedings of 2014 IEEE PES General Meeting Conference, July 27-31, 2014, National Harbor, MD, America:1-5.

[17] 邢強(qiáng), 陳中, 黃學(xué)良, 等. 基于數(shù)據(jù)驅(qū)動方式的電動汽車充電需求預(yù)測模型[J]. 中國電機(jī)工程學(xué)報(bào), 2020, 40(12): 3796-3813.

XING Qiang, CHEN Zhong, HUANG Xueliang, et al. Electric vehicle charging demand forecast model based on data-driven mode[J]. Proceedings of the CSEE, 2020, 40(12): 3796-3813.

[18] 于海東, 張焰, 潘愛強(qiáng). 電動汽車充電負(fù)荷中長期推演模型[J]. 電力系統(tǒng)自動化, 2019, 43(21): 80-93.

YU Haidong, ZHANG Yan, PAN Aiqiang. Mid-long term deduction model of electric private car charging load[J]. Automation of Electric Power Systems, 2019, 43(21): 80-93.

[19] US Department of Transportation, Federal Highway Administration. 2017 national household travel survey [EB/OL]. [2017]. http: // nhts. ornl.gov.

[20] 張?jiān)? 李斌, 顏湘武, 等. 基于電池模型的電動汽車充電故障監(jiān)測與預(yù)警方法[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(10): 143-154.

ZHANG Yuanxing, LI Bin, YAN Xiangwu, et al. Monitoring and early warning method of EV charging failure based on a battery model[J]. Power System Protection and Control, 2021, 49(10): 143-154.

[21] 孫慶, 楊秀金, 代云飛, 等. 溫度對磷酸鐵鋰電池性能的影響[J]. 電動自行車, 2011(9): 22-27.

SUN Qing, YANG Xiujin, DAI Yunfei, et al. The influence of temperature on the performance of lithium iron phosphate batteries[J]. Electric Bicycle, 2011(9): 22-27.

[22] 王睿, 高欣, 李軍良, 等. 基于聚類分析的電動汽車充電負(fù)荷預(yù)測方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(16): 37-44.

WANG Rui, GAO Xin, LI Junliang, et al. Electric vehicle charging demand forecasting method based on clustering analysis[J]. Power System Protection and Control, 2020, 48(16): 37-44.

[23] LAURIKKO J, GRANSTROM R, HAAKANA A. Realistic estimates of EV range based on extensive laboratory and field tests in Nordic climate conditions[C] // Electric Vehicle Symposium and Exhibition, November 17-20, 2013, Barcelona, Spain: 1-12.

[24] LI H M, WANG Q Q, XIONG W X. New model of travel-time prediction considering weather conditions: case study of urban expressway[J]. Journal of Transportation Engineering, Part A: Systems, 2021, 147(3): 967-975.

[25] 王海玲, 張美霞, 楊秀. 基于氣溫影響的電動汽車充電需求預(yù)測[J]. 電測與儀表, 2017, 54(23): 123-128.

WANG Hailing, ZHANG Meixia, YANG Xiu. Electric vehicle charging demand forecast based on the influence of temperature[J]. Electrical Measurement & Instrumentation, 2017, 54(23): 123-128.

[26] 張恒嘉. 基于實(shí)證的純電動汽車性能評估方法和普及可能性研究[D]. 武漢: 武漢理工大學(xué), 2014.

ZHANG Hengjia. Study on the assessing methods and the possibility of popularity of pure electric vehicles based on the empirical test[D]. Wuhan: Wuhan University of Technology, 2014.

[27] BASS F M, KRISHNAN T V, JAIN D C. Why the Bass model fits without decision variables[J]. Marketing Science, 1994, 13(3): 203-223.

[28] 楊威, 向月, 劉俊勇, 等. 基于多代理技術(shù)的電動汽車規(guī)模演化模型[J]. 電網(wǎng)技術(shù), 2017, 41(7): 2146-2154.

YANG Wei, XIANG Yue, LIU Junyong, et al. Multi-agent modeling for the scale evolution of plug-in electric vehicles[J]. Power System Technology, 2017, 41(7): 2146-2154.

[29] 周昊, 劉俊勇, 劉友波, 等. 基于系統(tǒng)動力學(xué)的電動汽車規(guī)模推演分析與仿真[J]. 電力系統(tǒng)及其自動化學(xué)報(bào), 2017, 29(8): 1-7.

ZHOU Hao, LIU Junyong, LIU Youbo, et al. Analysis and simulation of electric vehicles scale evolution based on system dynamics[J]. Proceedings of the CSU-EPSA, 2017, 29(8): 1-7.

[30] 曾鳴, 曾繁孝, 朱曉麗, 等. 基于Bass模型的我國電動汽車保有量預(yù)測[J]. 中國電力, 2013, 46(1): 36-39.

ZENG Ming, ZENG Fanxiao, ZHU Xiaoli, et al. Forecast of electric vehicles in China based on Bass model[J]. Electric Power, 2013, 46(1): 36-39.

[31] EPPSTEIN M J, GROVER D K, MARSHALL J S, et al. An agent-based model to study market penetration of plug-in hybrid electric vehicles[J]. Energy Policy, 2011, 39(6): 3789-3802.

[32] 龍子泉, 常靜敏, 陳植元. 激勵政策對新能源汽車推廣的影響研究—基于修正Bass模型的實(shí)證分析[J]. 科技管理研究, 2016, 36(4): 138-144.

LONG Ziquan, CHANG Jingmin, CHEN Zhiyuan. Effects of incentives to the promotion of new energy vehicles—based on the empirical analysis of modified Bass model[J]. Science and Technology Management Research, 2016, 34(4): 138-144.

Multi-time-scale electric vehicle load forecasting model considering seasonal characteristics

NIU Mutong, LIAO Kai, YANG Jianwei, XIANG Yueping

(School of Electrical Engineering, Southwest Jiaotong University, Chengdu 611756, China)

Current research on electric vehicle (EV) charging load forecasting is mostly focused on a short-term single time-scale, and few consider the differences of electric vehicle charging load in different seasons on a longer time scale. Therefore, a multi-time-scale electric vehicle load forecasting method considering seasonal characteristics is proposed. First, a short-term day-to-day electric vehicle charging load prediction model is established taking into account the influence of seasonal characteristics on the initial battery power, mileage power and air-conditioning power consumption of the EV, and combining time and space distribution rules. Secondly, in order to show the characteristics of multiple time scales from short-term (within a day) to medium-and long-term (years), a modified Bass model that takes into account the influence of multiple factors is built to predict the EV holdings in different years in the future. Combined with short-term EV, the charging load forecasting model can be extended to mid-to-long-term EV charging load forecasting, thereby achieving multi-time-scale EV load forecasting and integrating short-term and mid-to-long-term. Finally, through simulation verification with the temperature information and driving data of Shanghai, the results demonstrate that the proposed model is able to effectively predict the EV development trend over the next few years and the EV charging load under multiple time scales considering seasonal characteristics.

electric vehicle; load forecasting; Bass model; multi-time-scale; seasonal characteristics

10.19783/j.cnki.pspc.210628

國家自然科學(xué)基金項(xiàng)目資助(51977180)

This work is supported by the National Natural Science Foundation of China (No. 51977180).

2021-05-25；

2021-08-12

牛牧童(1997—)，男，碩士研究生，主要研究方向?yàn)殡妱悠嚦潆娯?fù)荷預(yù)測；E-mail: niumutong@my.swjtu.edu.cn

廖 凱(1988—)，男，通信作者，博士，副教授，主要研究方向?yàn)殡娏ο到y(tǒng)穩(wěn)定分析與控制、新能源電力系統(tǒng)保護(hù)與控制；E-mail: liaokai_lk@hotmail.com

楊健維(1983—)，女，博士，副教授，主要研究方向?yàn)殡妱悠噧?yōu)化調(diào)度。E-mail: jwyang@swjtu.edu.cn

(編輯 葛艷娜)