電動汽車充電負荷預測

電動汽車充電負荷預測是指預測電動汽車的充電負荷需求。電動汽車充電負荷預測的影響因素主要有:電動汽車的保有規模大小、電動汽車充電方式、起始荷電狀態(State of Charge, SoC)、電動汽車電池的充放電特性、充電功率、充電時間(包括充電開始時間和充電結束時間)、動力電池容量等，而天氣情況、溫度、日期類型以及公交調度等因素通過影響用戶的行為特性而影響電動汽車充電負荷。對電動汽車充電負荷預測的概念和意義，分析了影響電動汽車充電負荷預測的因素，並將目前的預測方法分為基於電力系統短期負荷預測方法的電動汽車充電負荷預測、蒙特卡洛模擬法以及其他新型電動汽車充電負荷預測方法，並綜述分析了各種預測方法的原理及套用。最後提出在未來預測工作中，應準確估計已有預測模型中的參數，並積極探索新的預測模型。

基本介紹

• 中文名：電動汽車充電負荷預測
• 外文名：Electric car charging load forecast
• 類型：主動配電網關鍵技術
• 基本釋義：預測電動汽車的充電負荷需求
• 領域：能源
• 學科：電氣

簡介

由於環境、能源問題日益突出，作為清潔能源汽車的代表，電動汽車近年來得到了快速發展，充電負荷也初步體現出了統計特徵。隨著動力電池與車輛技術的不斷完善，電動汽車的規模化套用日益擴大，在此背景下，對電動汽車充電負荷進行特徵分析及預測，一方面有利於電動汽車充電站的經濟運行及能量管理，並為城市基礎設施規劃建設等提供參考據;另一方面有利於電力系統最優潮流、電網經濟調度，並對電力市場交易以及發電機組最優組合研究等有著深遠的意義。

國內外研究現狀

電動汽車充電負荷預測能夠減小由於其充電帶來的新增負荷對電網的衝擊，為電網的最佳化運行和規劃提供參考。傳統的電力負荷預測方法如時間序列預測法，小波分析預測，基於混沌理論，以及神經網路等方法是依賴於大量歷史數據資料及相關影響因素資料的被動型預測。然而由於電動汽車是新興科技產業，其充電負荷數據很少，且其在時間和空間上的隨機性很強，無法根據傳統的負荷預測方法進行預測，因此考慮利用統計學的方法，挖掘、分析包含這些不確定性因素信息的數據，探索並總結其分布規律，提出合理的預測方法。當前在電動汽車大規模套用之後的需求規律及負荷規律研究中，可以利用的歷史數據很少，各項研究大多以若干合理的假設為基礎進行模擬計算。從研究進程來看，大致有二個階段的發展:

1）以傳統燃油汽車數據或者利用GPs對乘用車調查數據，綜合考慮影響電動汽車充電的各個因素對電動汽車無序充電負荷進行預測，主要因素集中在電能補給方式，電池類型及其充電特性，電動汽車運行規律，電動汽車保有量等方面，通過對這些因素的分析，建立充電負荷計算模型，並根據所得負荷曲線判斷其對電網的影響。

2）根據電動汽車無序充電所得到預測曲線，並針對電動汽車無序接入電網所造成的影響，提出各種有序充放電的控制策略。充放電調度控制策略是充放電控制效益實現的基礎和先決條件;依照特定的策略實施充電控制，可以在限制充電負荷對電力系統負面影響的同時，發揮充電控制特定的效益。研究電網和電動汽車的互動，即電動汽車作為分散式儲能單元，以充電和放電的形式參與電網的調控。通過對智慧型電網環境下電動汽車充放電的控制評估其所帶來的影響及經濟效益。

影響電動汽車充電負荷預測的因素

電動汽車充電負荷預測的影響因素主要有:電動汽車的保有規模大小、電動汽車充電方式、起始荷電狀態(State of Charge, SoC)、電動汽車電池的充放電特性、充電功率、充電時間(包括充電開始時間和充電結束時間)、動力電池容量等，而天氣情況、溫度、日期類型以及公交調度等因素通過影響用戶的行為特性而影響電動汽車充電負荷。 電動汽車充電方式主要分為充電和換電2種，充電又包括常規充電和快速充電。常規充電方式又稱為普通充電，充電時間一般為5-8 h，有時甚至可以達到十幾個小時。快速充電又稱為應急充電，可以為電動汽車提供短時間充電服務，充電時間約為20 min到2h內。而更換電池充電方式則是通過快速更換電池組來達到充電的目的。

電動汽車負荷預測的意義

2013年底，年末全國發電裝機容量124738萬千瓦，發電量53975.9億kWh，私人汽車保有量10892萬輛[9]。假定每輛電動汽車充電功率為4kW，若同時進行充電，則峰值總功率將達到43568萬千瓦，占全國裝機容量的34.9%，假設每輛車每年消耗2000kWh，則年消耗電能總計2178億kWh，占全國發電量的4.0%。可見，隨著電動汽車大規模的增長，電網負荷會急劇增長，對電網運行和制帶來無法忽視的影響。電網負荷峰谷比日益增大，電網面臨的調峰任務和壓力日趨嚴峻，而電動汽車很可能成為未來電網中數量最多的一類負荷，其動態特性將對電網安全、穩定、經濟、高效運行以及輸配電網的建設提出了新的挑戰。

隨著動力儲能電池技術的長足發展，電動汽車開始逐步走向實用，特別是混合動力電動汽車，己在國外實現市場化銷售，被認為是中長期內最可行的新能源汽車，並將逐漸占據汽車市場的大部分份額。與此相對應的是，電動汽車充電負荷的廣泛接入將對電網的運行產生較大影響:

(1)大量電動汽車接入電網會對配電網相關設備帶來較大影響，接入電網後，使系統負荷水平提高，同時使得系統中線路和變壓器等設備的負載增加，有可能導致設備過負荷運行，嚴重時甚至可能毀壞設備，同時會引發新一輪負荷增長，大量充電設施建設對電網升級改造提出更多要求，需要新增裝機容量，增加電網建設投資。

(2)電動汽車用戶用車行為和充電時間與空間的隨機性強，使得電動汽車充電負荷具有較大的不確定性，使得電網的控制難度大大增加。若大量電動汽車選擇在同一時刻充電，很可能極大增加系統最大負荷，使電網峰谷差率不斷加大，規模化電動汽車充電將進一步加大電網的峰谷差率，造成發電成本高、電網運行效率低，很可能造成局部區域電能供應緊張，使當地的配電設施過載等問題，增加電網運營管理的難度。

(3)電動汽車在充電過程中，電網和電動汽車的電能交換需要經過充電樁或者充電機的整流變換，會對供電系統產生大量諧波，導致功率因素下降，影響電能質量，同時產生電壓損耗和三相不平衡，使節點電壓偏移較大等問題。

為了定量分析電動汽車接入電網影響進行，或進行配電網規劃、定容選址、控制策略研究，都需要對電動汽車充電負荷進行預測。電動汽車充電負荷時空分布對電動汽車額定續航里程設計、充電設施規劃能提供重要依據，同時根據負荷的預測曲線，也可以對電網負荷進行調度管理，減少電動汽車大規模無序充電對電網造成的衝擊。準確的負荷預測對電力系統規劃設計，運行管理和電力市場交易都具有重要的意義。電動汽車的無序充電的負荷預測的研究可以為電動汽車的有序充電以及對把電動汽車作為分散式能源回饋電網提供了詳細信息以及參考意義，同時也對研究配網的負荷曲線，電能質量以及負荷的電壓損失有著重要的意義。

智慧型電網和電動汽車都是能源工業發展的重點和亮點，兩者之間存在重要的聯繫，電動汽車作為建設堅強智慧型電網中重要的一環，既可以作為需求側管理的有效手段，又可以作為儲能設備在智慧型電網中使用，在電力需求緊張時，釋放電動汽車儲存電能，負荷曲線低谷期，對電動汽車進行充電，進行儲能。電動汽車既可以作為智慧型電網中的後備電源，也可以成為調峰、調頻、備用的良好手段，從而有效抑制電力波動。因此在智慧型電網環境下，充電負荷的計算及預測對電動汽車的有序充電以及作為儲能設備對電網進行反饋有很大的利用價值，這對於擴大電力終端用電市場，促進電動汽車產業發展，降低需求側峰谷差，提高電力供需平衡和電力設備負荷效率，具有重要的意義。

基於短期預測方法的電動汽車充電負荷預測

結合電動汽車的歷史充電行為數據，參考電力系統荷預測中的短期負荷預測方法，可以預測電動汽車的充電負荷需求。電力系統短期負荷預測方法可以分為基於數學工具的傳統預測方法以及結合人工智慧領域研究成果的現代預測方法。

傳統的負荷預測方法有回歸分析法、相似日法等;現代預測方法有基於神經網路的預測法、基於小波分析的預測法以及支持向量機(Support VectorMachine, SVM)預測法等。

回歸分析預測法

回歸分析預測法屬於相關法預測，以尋找因變數和自變數之間的回歸關係為基礎，通過建立其函式表達式來確定模型參數，從而得到某些解釋變數與負荷之間的因果關係實現負荷預測。回歸分析預測法具有多種分類方式，根據自變數和因變數之間是否為線性關係，可以分為非線性和線性回歸分析預測法;跟據自變數的個數可分為一元和多元回歸分析預測法。

相似日預測法

首先建立差異評價函式，根據評價結果，相似日預測法選取與待預測日類似的若干日期的歷史負荷數據，通過對相似日的歷史負荷數據進行參數修正，從而得到預測日的負荷。基於趨勢相似度、聚類分析、證據理論、灰色關聯等相似日樣本的選取方法，可有效減小因基於人工經驗選取樣本所造成的預測誤差。

小波分析預測法

小波分析是一種信號的時間一尺度、時間一頻率的分析方法，在時頻兩域都具有表徵信號局部特徵的能力，具有多解析度分析的特點。採用小波變換的方法對負荷序列進行投影，得到具有不同尺度特徵的若干序列，並對其分別建立不同的模型進行預測，最終的預測結果則是通過序列重構得到的。

人工神經網路預測法

作為機器學習的重要組成部分，人工神經網路採用分散式並行信息處理方式，通過調整輸入層、中間層、輸出層之間的相互連線關係來適應不同系統的複雜程度，具有較好的自學習和優越的自適應能力。選取歷史負荷作為訓練樣本，構建合適的網路結構，經過訓練達到一定的精度後，可作為負荷預測模型。

作為目前套用最廣泛的神經網路模型之一，BP神經網路的學習類型為有導師學習，利用樣本對網路進行學習訓練，將輸出誤差以分攤給各層所有單元的形式，通過隱層向輸入層逐層反傳，學習過程是信號的正向傳播、誤差的反向傳播。

研究了影響快換式公車充電站負荷變化的各類相關因素;為避免基於人工經驗選擇相似日對預測結果造成較大的誤差，採用基於傳遞閉包法的模糊聚類分析的方法，選擇與待預測日相似日期的歷史負荷樣本作為神經網路的訓練樣本;最後建立BP網路對充電站日負荷曲線進行預測。

SV11預測法

基於統計學習理論的VC維理論以及結構風險最小原理，支持向量機(CSVM)方法在提高學習泛化能力的同時，可實現置信範圍以及經驗風險最小化的目標。理論上解決了神經網路方法中無法得到全局最優解的缺陷和不能避免局部極值問題的劣勢;同時很好地解決了維數問題，其算法複雜度與樣本維數無關。 SVM的參數對其性能影響很大，傳統方法通過經驗或實驗法選取，目前遺傳算法、粒子群最佳化算法、微分進化等最佳化算法在SVM參數確定方而有較好的套用。

採用關聯分析方法提取了影響電動公交站充電負荷的因素(最高溫度、日類型和天氣情況)，並套用灰色關聯理論構建了相似日的小樣本集合，從而建立支持向量機預測模型。在模型參數確定方面，首先直接確定不敏感損失參數，此時參數選取範圍設定較大，再通過遺傳算法尋找核參數P以及正則化參數C的最優解，從而提高預測精度。

基於蒙特卡洛模擬的電動汽車充電負荷預

蒙特卡洛（-Monte Carlo)方法是一種以機率和統計理論為基礎的隨機模擬方法，是使用隨機數(或更常見的偽隨機數)來獲得問題近似解的方法，它將所求問題同一定的機率模型相聯繫，通過計算機來實現隨機抽樣或統計模擬。依據全國居民出行調查的交通行為資料庫，基於蒙特卡洛原理，通過模擬仿車主交通習慣(包括出行習慣和充電習慣)，建立具有隨機機率特徵的數學模型來預測汽車在未來時段的充電時間、地點以及負荷需求。

首先對中國電動汽車不同充電模式進行了比較，並對電動汽車發展規模進行預測，通過大量調研獲得不同類型電動汽車的充電方式及充電時間分布，基於蒙特卡洛原理對電動汽車的起始充電時間和荷電狀態進行模擬抽取，從而得到其充電負荷的計算方法，並通過疊加得到規模化電動汽車的充電負荷。

在使用蒙特卡洛方法模擬電動汽車的駕駛、停放、充電等行為的基礎上，提出了一種考慮時空分布的電動汽車充電負荷預測方法。為得到預測地區停車需求的時空分布，首先對所研究地區未來電動汽車的保有量進行預測，並以此為依據進行區域劃分，最後提出了適用於不同停車特性的改進停車生成率模型。

其他電動汽車充電負荷預測方法

分析電動汽車集群充電行為的特點對電動汽車充電負荷預測具有重大意義，採用動態微分方程的數學方法進行預測工作，並獲得了較好的預測結果。

基於能量等效的電動汽車負荷預測方法，對目前的各加油站售油量通過能量等效法則，折算成為電動汽車充電電量，將基礎充電設施分為區域分散式和集中式，從而計算得到各自的最大負荷。

目前採用蒙特卡洛模擬法進行電動汽車充電負荷預測的研究中，以傳統燃油汽車的行駛規律機率特性為基礎，對用戶的行駛行為均採用確定的機率分布函式進行擬合，如果擬合估計不準確，會引起充電負荷的累積誤差，而且不能充分表示電動汽車集群充電行為的不確定性。

了基於核密度函式改進含有耦合特性的電動汽車充電負荷計算模型。在此模型中，為了更準確地模擬電動汽車的出行駕駛規律，提出了充電機率來表征充電行為的不確定性，採用核密度函式和多維機率分布函式代替確定性的機率分布函式，並生成隨機數來表征行駛規律的耦合特性。

展望

作為電力系統負荷的重要組成部分，對電動汽車充電負荷進行特徵分析，並採用不同的預測方法以獲得具有更高預測精度的負荷預測結果，可以提高電網調度的合理性和經濟性，對電力市場交易具有重要意義。本文總結了現有的電動汽車充電負荷預測方法及其套用，在此基礎上準確估計已有預測模型中的參數，並積極探索新的預測模型，是未來電動汽車充電負荷預測工作的重點所在。