安科瑞电气股份有限公司 上海嘉定 201801

 

摘要：分析电动汽车充电对电网产生的影响,主要研究电动汽车对电网负荷平衡的影响。对电动汽车充电负荷建模，分析其用户出行等的时间概率分布，通过蒙特卡罗模拟法对电动汽车充电负荷需求进行计算，研究3 000辆电动汽车全天的充电需求时间分布。建立含光伏发电系统的区域供电系统优化模型，同时以动态电价为激励引导电动汽车进行有序充电，以参与电网辅助服务。以联络线交换功率波动乘积较小和充电成本较低为目标，并以其加权后的函数作为目标函数，结合4个约束条件，通过遗传算法求解模型，得到符合目标函数的较优充电方案。较终通过算例验证该模型能够实现平移负荷、削峰填谷的作用。

关键词：负荷平衡；蒙特卡罗模拟法；动态电价；有序充电；削峰填谷；

0引言

 

      由于二氧化碳排放增加和环境污染等问题，以及价格和其他燃料资源的不稳定性，电动汽车自21世纪以来已经逐渐进入人们的生活，电动汽车的普及也对电力系统产生了巨大的冲击。文献［1］—文献［2］分析了我国电动汽车的发展现状及未来趋势，根据实际情况，指明该过程中面临的问题。文献［3］提出基于随机森林的充电行为聚类技术，分析电动汽车充电行为特性，结果表明该方法较欧氏距离法更准确。文献［4］提出基于主动配电网的源网荷优化调度方法，可减少电动汽车接入电网产生的波动，具有重要的指导意义。文献［5］通过采集居民电动汽车接入电网的充电数据，研究其充电特性，结果表明充电负荷的聚集会使总负荷曲线恶化。文献［6］为确定电气设备的空间分布及选型，基于对电动汽车充电负荷和分布式能源出力特性的分析，建立对应的空间负荷预测模型，并通过算例分析证明其可行性。文献［7］结合**定位系统，建立了电动汽车快速预约充电模型，通过Dijkstra算法求解模型，通过算例证明该模型的有效性。文献［8］提出一种混合储能虚拟电厂参与电力市场的优化调度策略，包含了电动汽车充电的不确定性参数，通过算例证明该策略的可行性，为虚拟电厂参与电力市场调度奠定了基础。基于上述背景，本文以区域内私人电动汽车为主体，通过对电动汽车用户出行规律进行归纳总结，对出行、返回、日行驶里程及电池剩余荷电量（state of charge，SOC）概率分布特征进行拟合，对比工作日、休息日私人电动汽车的充电行为，并以工作日的充电行为作为输入，基于蒙特卡罗模拟法对私人电动汽车的充电负荷进行预测。进而考虑配电网和电动汽车用户的利益以及光伏消纳情况，建立计及光伏发电系统的区域供电系统优化模型，根据全天日照强度较大化吸收光伏输出，改善综合负荷曲线，同时以动态电价为激励引导电动汽车进行有序充电。以联络线交换功率波动乘积较小和充电成本较低为目标函数，结合4个约束条件，通过遗传算法求解模型，得到符合目标函数的较优充电方案。通过算例验证该模型能够实现平移负荷、削峰填谷。

       我国电动汽车的普及给电力系统带来了不稳定性和不确定性，电动汽车聚集性地接入电网充电，将对电力系统产生巨大的冲击，增加其运行控制难度。其主要影响包括：

      （1）电能质量电动汽车接入充电桩进行充电时相当于大功率、非线性负荷，在其充电过程中电网需要提供稳定可靠的大电流进行供电，同时对电力电子设备产生很高的谐波电流和冲击电压，若不采取相应的措施，可能会带来谐波污染、功率因数降低以及系统电压波动方面的影响。

      （2）电网运行控制难度

聚集性地充电会给电网带来巨大的冲击，而且电动汽车用户出行方式、充电特性、充电时长都具有随机性，会给充电负荷带来不确定性，影响电网运行控制。大多用户出行的较终目的地都是高度随机的，所以其行驶里程也是随机的。每一辆电动汽车的充电模式不一定相同，加入外界影响因素，其充电曲线是不同的，所以其充电特性具有随机性。充电时间取决于驾驶习惯，用户在充电时往往表现出随机行为，应由在这些实体内优化和安排充电时间的

集中代理进一步控制。

      （3）负荷不平衡2020—2030年，在无序充电情形下，国家电网公司经营区域峰值负荷预计增加1 361万kW和1.53亿kW，相当于当年区域峰值负荷的1.6%和13.1%，导致区域负荷的不平衡。电动汽车集中在某些时段进行充电，或电动汽车充电行为在平时段的叠加，将进一步变大电网负荷峰谷差，加重电网侧的负担。如果将多辆电动汽车接入一个接近其极限的充电网络，附近变压器上的额外负载可能会导致其故障。从不同类型充电基础设施的用电特性来看，公共充电设施的用电行为较为分散，没有明显的峰谷差别，而**设施的用电行为相对集中，峰谷差别更为明显。综合来看，在无序充电前提下，充电基础设施负荷较大的时刻应为傍晚大量私家车主回到居住地，开始使用私人充电桩为私家车充电的时刻。本文对电动汽车接入电网时的负荷平衡进行研究，通过电价激励引导电动汽车用户进行有序充电，以达到平移负荷、削峰填谷的效果。

       本文基于对NHTS数据库2019年基础数据的分析，筛选出10万辆私人电动汽车接入充电桩时的充电数据及充电行为等因素，为构建电动汽车有序充电行为提供数据基础。

2.1 时间变量概率分布拟合

       私人电动汽车用户出行概率主要受日常生活习惯和生活规律影响，首先需要得到初始出发时间的分布。出发时间分布可用正态分布的形式进行拟合，其时间概率分布如图1所示。用户日出行概率密度函数为：

  ( 1 )式中：x1 为电动汽车用户较后出行时间；μ1 为期望值，取7.42；σ1 为标准差，取3.54。

 

 

 

用户返回时刻概率密度函数为：

 

( 2 )式中：x2 为电动汽车用户返回时刻；μ2 为期望值，取16.92；σ2 为标准差，取3.43。其时间概率分布如图2所示。

根据出行习惯及规律分析，大部分用户驾驶的较终目的地都是高度随机的，但在任何一天的平均行驶里程都约为38 km/d。电动汽车用户日行驶里程服从对数正态分布，其概率分布如图3所示，概率密度函数为:

( 3 )式中：x3 为电动汽车平均日行驶里程；μ3 为期望值，取2.92；σ3 为标准差，取0.93。

      对电动汽车电池 SOC 、日均行驶距离以及充电规律、充电时间等因素进行统计［9］电动汽车返回时剩余 SOC 也可用正态分布的形式进行拟合，其电动汽车剩余 SOC 的概率分布如图4所示，概率密度函数为态分布，其概率分布如图3所示，概率密度函数为:

 

( 4 )式中：x4 为电动汽车返回时的剩余 SOC ；μ4 为期望值，取51.3；σ4 为标准差，取14.7。

     私人电动汽车工作日主要用于上下班，到达公司后基本属于闲置状态，也可进行充电，而休息日私人电动汽车大多外出，时间分布与工作日有所区别，图5为工作日与休息日私人电动车充电时间分布。