摘要:文章基于南方某市的電動汽車充電數據，得出各類型電動汽車在不同日期類型的充電開始時間、充電電量、充電功率的分布規律。采用蒙特卡洛算法模擬計算了該市2021年各類型電動汽車工作日與休息日的充電負荷情況，結果表明，電動私家車在休息日的午間和凌晨充電負荷要高于工作日；該市電動出租車在工作日與休息日的充電負荷占比分別60.42%、5&55%,在三類型車中始終*大;電動私家車工作日與休息日充電負荷曲線有較大差異,電網總負荷會在19：00達到*高峰。驗證了電動汽車的大規模引入會增加電網的峰值和峰谷差，同時將充電行為數據擬合為公式，旨在為未來的電網擴容建設和對電動汽車的有序充電控制提供幫助。

關鍵詞:電動汽車;充電行為分析;負荷預測

0引言

隨著環境的惡化和化石能源短缺現象的加劇，電動汽車以其相對低廉的價格、契合綠色出行的理念、消納間歇性可再生能源電力等特點，近些年在世界范圍內都得到了較快的發展。而大規模電動汽車并入電網給電網的安全帶來了嚴重的威脅。即隨著電動汽車數量的提高，會給電網負荷帶來了巨大的沖擊"列。因此，對電動汽車的充電負荷趨勢進行預測，對于電網及充電樁后續的規劃建設，以及采用何種方式來緩解大規模電動汽車充電過程對電網帶來的沖擊，都具有重要的研究價值和現實意義。針對電動汽車充電負荷預測可以分為從空間角度和時間角度進行預測。文獻研究電動汽車在空間約束下的出行特性，采用交通起止點法和蒙特卡洛算法完成對電動汽車充電負荷的時空預測。文獻針對電動汽車在居民區的充電特征，建立相關模型。文獻以某一地區為例,根據狀態轉移矩陣得到居民區、工商業區電動汽車的數量，研究不同功能區域電動汽車充電負荷的差異性。文獻對蒙特卡洛算法的尋優路徑優化，完成對電動汽車時間尺度上的負荷預測，提高了運算速度。

文中分析了前人研究電動汽車的充電負荷特性因素的不足之處，對某市工作日與休息日各類型車的實際充電行為數據進行統計分析，包括充電開始時間、充電電量、充電功率的分布特征。采用蒙特卡洛法計算各類型電動汽車的負荷曲線，比較各類型車負荷曲線的差異，分析充電負荷曲線對該市電網負荷的影響。

1影響電動汽車充電負荷特性的因素充電

開始時間、充電持續時間、充電功率是影響電動汽車充電負荷特性的關鍵因素。下文將針對其進行分析。

1.1開始充電時間

用戶的充電開始時間取決于車輛的類型以及用戶的個人行為等。之前的研究多是以燃油車的出行特性來近似代替電動汽車的出行特性，例如文獻［13］采用NHTS(NationalHouseholdTravelSurvey)的數據，將燃油汽車*后一次出行的結束時刻近似視為開始充電時間t,如式⑴所示,/與其頻率滿足正態分布，其中兒、久分別為t的期望和標準差。

1.2充電持續時間

充電持續時間Char決定了充電時間的長短，取決于充電電量Q和充電功率P。通過式(2)得到，即：考慮到車型的不同，充電電量Q難以確定，文獻［14］研究了交通以及氣溫狀況對充電電量的影響，文獻［15］將用戶每次用車時的電池電荷狀態SOC的概率密度函數(StateofCharge)視為正態分布，通過概率密度函數隨機抽取得到SOC,通過式(3)即可得到充電電量Q,其中a為期望充電完成后的荷電狀態,一般來說a取為1,E為滿電電量。

Q=(.a-SOC)xE(3)文獻［16］亦根據NHTS的數據，將日行駛里程L視為滿足對數正態分布。通過式(4)得到日行駛里程Z,其中“d"d分別為Ini的期望和標準差

通過式(5),得到充電電量Q。其中s為每公里耗電量,a—般取1。Q=aX.SxL

(5)這些做法由于缺乏實際的電動汽車充電數據，導致將數量龐大的電動汽車難以確定的滿電電量E、每公里耗電量S、充電功率P等均視為一個定值,過于理想化的設定會降低模型的精度,使得*終的充電負荷預測結果會有偏差。而文中采用的是處理后的開始充電時間、充電電量,以及充電功率這些實際充電行為數據,更加符合實際狀況。

1.3充電功率

充電功率P直接決定了充電持續階段的負荷情況。文獻［17］僅考慮了車輛某一充電倍率下的充電,假設充電功率在某個范圍內滿足均勻分布,具有一定的局限性。文獻采用分段函數來表示充電過程中功率的變化情況,使得結果更加準確,但該模型僅針對鐮氫電池,使得*終的充電負荷結果亦具有一定的局限性。

2電動汽車充電行為分析

基于充電行為的差異性，以下針對各類型電動汽車從開始充電時間、充電電量、充電功率進行分析。

2.1公交車

公交車出行規律較為固定。為了更好地比較不同日期各類型車輛充電行為的不同，將開始充電時間、充電電量、充電功率均按照日期進行了分類,將周一到周五記為工作日，周六周日記為休息日。對南方某市電公交車充電站的充電數據，處理后得到電動公交車不同日期的開始充電時間分布圖，如圖1所示。

可以發現公交車開始充電時間有兩個峰值，分別為中午12：00附近和晚上23：00附近，且在23：00附近會達到一天中的*大峰值。由于充電時間不同，充電電量和功率也會不同，因此，將充電電量按照時間進行分類,將白天定義為7:00-17:00,晚上定義為18：00到第二天6：00o得到電動公交車不同日期白天和晚上的充電電量分布情況如圖2、圖3所示。

對充電電量進行劃分，計算訂單中的每一段充電電量對應的平均充電功率如表1所示,相較于直接規定以某一充電功率充電，結果會更加精確。將電動公交車定義為一天一充，其中開始充電時間、充電電量、均按照以上分布規律生成對應的隨機數，以此來代替用戶不確定的充電行為。

2.2出租車

出租車（包括網約車）同屬運營類車輛，近年來發展迅速。同理得到出租車不同日期開始充電時間分布圖如圖4所示，白天和晚上的充電電量分布圖如圖5、圖6所示。

表1電動公交車不同時間及充電電量下的充電功率

總體來說工作日和休息日出租車的開始充電時間分布近似相同，主要集中在中午12：00~15：00,晚上22：00~1：00,接近凌晨的充電頻率略高于中午的充電頻率。

同理對充電電量進行分類,每一類的電量,匹配所對應的訂單中的平均功率如表2所示,文中將電動出租車的充電頻率定為一天兩次。

2.3私家車

私家車主要用于上下班，大部分時間處于閑置狀態，休息日多用于外出娛樂。對數據處理后得到電動私家車開始充電時間分布圖如圖7所示，充電電量分布圖如圖8、圖9所示。

圖7電動私家車開始充電時間分布

私家車工作日開始充電時間更多的是集中在下班高峰期，約在19：00達到高峰，且晚上充電頻率顯著高于中午。休息日在午間充電頻率整體高于工作日，在8:00~21:00達到一天中的峰值。同理將對充電電量大小進行分類,每一類的電量匹配所對應的訂單中的平均功率如表3所示,將電動私家車的充電頻率定為一天一次。

3電動汽車充電負荷預測模型

已知該地區2015年~2020年的電動汽車保有量,計算得到該地區電動汽車保有量年均漲幅高達75.26%，對增長趨勢進行擬合處理如圖10所示，計算得到2021年該地區電動汽車的總保有量。已知該地區某市電動汽車保有量占比，以及公交車、出租車、私家車之前的數量占比，得到2021年該市總保有量為64616輛,其中公交車為2565輛，出租車(包括網約車)為20541輛，私家車為41510輛。

通過上文各類型車充電開始時間、充電電量、充電功率的分布規律以及保有量數據，對南方某市2021年的公交車、出租車、私家車的充電負荷數據采取蒙特卡洛算法進行預測計算。蒙特卡洛算法落旳是在已知某些隨機變量大量數據的前提下,通過大量的隨機試驗,反復抽取隨機數,以此來替代電動汽車的隨機充電行為，計算變量在試驗中出現的頻率近似估計其概率值,并將其作為問題的解。

圖11為基于蒙特卡洛算法的電動汽車充電負荷預測流程圖,通過仿真計算得到公交車、出租車、私家車一天的充電負荷情況。

為了簡化計算流程,做出以下假設:

(1)各個類型電動汽車的開始充電時間與充電電量互相獨立，彼此互不影響；

(2)充電過程均視為恒功率充電；

(3)區域內的總負荷為獨立車輛充電負荷的疊加,

即對同時刻的不同車型充電負荷進行求和。文中將三種類型電動汽車充電負荷曲線的負荷值相加，計算各類型車不同日期類型的負荷占比，以及負荷峰值如表4所示。由于電動出租車充電頻率高，保有量較高,無論工作日還是休息日，該市的電動出租車充電負荷占比始終*高,分別為60.42%和5&88%。由于工作日和休息日對電動公交車和電動出租車的荷預測曲線影響較小，文中只列出電動私家車工作日與休息日的負荷曲線對比圖12,以及三種電動汽車在工作日的負荷曲線對比圖13,發現私家車在休息日中午和凌晨的充電負荷要高于工作日，工作日更多選擇在下班高峰期進行充電。

將公交車、出租車、私家車三者的負荷曲線疊加得到圖14,可以發現工作日與休息日電動汽車的總的負荷曲線分布規律相似。由于出租車的負荷占比始終*大，導致總體分布曲線類似于出租車的充電負荷曲線。

已知該市2016年冬季典型日負荷曲線如圖15中的原負荷曲線所示。并將圖14結果疊加到原負荷曲線之上，得到2021年該市電動汽車總負荷曲線與原負荷曲線對比圖，如圖15所示。并繪制了表5,展示三條曲線負荷峰值、谷值、峰谷差、方差之間的差異,括號內

展示了相較于基礎負荷的增長率。表6、表7分別為各類型車開始充電時間、充電電量的概率密度函數擬合公式的具體參數。

從圖15以及表5可以看出，電動汽車的充電過程使得電網的整體負荷有了較大的提升，會在晚上19：00達到高峰，約為835.09MW（工作日），830.20MW（休息日），負荷峰值分別提高了7.79%（工作日），7.16%（休息日）。相對來說，在夜間負荷谷值的提升更為明顯，分別提高10.70%,11.12%，利用這一特性后續可以采用V2G[27-30]等有序充電控制技術，將電動汽車作為一個獨立的儲能單元與電網進行有效的交互調度,在滿足用戶充電需求的前提下,提高發電設備在夜間的利用率，實現削峰填谷,保證電網的安全穩定運行。負荷峰谷差由原來的366.99MW提高至383.70MW（工作日）、377.10MW（休息日）分別提高4.55%,2.75%。而負荷的波動情況一般用方差來表示，負荷方差分別提高9.62%（工作日），7.94%（休息日），也表明電動汽車的引入加劇了電網的不穩定波動。

文中將各類型電動汽車的開始充電時間以及充電電量通過Matlab進行擬合處理，篩選B2>0.95的函數，其中疋表示復相關系數，其越接近1,表示擬合效果越好。發現除了私家車在工作日與休息日，開始充電時間的概率密度函數用高階傅里葉函數（如式6）擬合效果較好以外,其余均通過一階或多階高斯分布函數（如式7）完成擬合。同時采用*小二乘法估計公式的各項參數，結果如表6與表7所示，其中％表示開始充電時間或是充電電量,/（%）表示與之對應的概率密度。通過對充電行為進行函數擬合，旨在得到一種更加普遍且實際的概率模型,為今后的研究提供幫助。

4安科瑞充電樁收費運營云平臺

4.1概述

AcrelCloud-9000安科瑞充電柱收費運營云平臺系統通過物聯網技術對接入系統的電動電動自行車充電站以及各個充電整法行不間斷地數據采集和監控，實時監控充電樁運行狀態，進行充電服務、支付管理，交易結算，資要管理、電能管理，明細查詢等。同時對充電機過溫保護、漏電、充電機輸入/輸出過壓，欠壓，絕緣低各類故障進行預警；充電樁支持以太網、4G或WIFI等方式接入互聯網，用戶通過微信、支付寶，云閃付掃碼充電。

4.2應用場所

適用于民用建筑、一般工業建筑、居住小區、實業單位、商業綜合體、學校、園區等充電樁模式的充電基礎設施設計。

4.3系統結構

4.3.1系統分為四層：

1）即數據采集層、網絡傳輸層、數據中心層和客戶端層。

2）數據采集層：包括電瓶車智能充電樁通訊協議為標準modbus-rtu。電瓶車智能充電樁用于采集充電回路的電力參數，并進行電能計量和保護。

3）網絡傳輸層：通過4G網絡將數據上傳至搭建好的數據庫服務器。

4）數據中心層：包含應用服務器和數據服務器，應用服務器部署數據采集服務、WEB網站，數據服務器部署實時數據庫、歷史數據庫、基礎數據庫。

5）應客戶端層：系統管理員可在瀏覽器中訪問電瓶車充電樁收費平臺。終端充電用戶通過刷卡掃碼的方式啟動充電。

小區充電平臺功能主要涵蓋充電設施智能化大屏、實時監控、交易管理、故障管理、統計分析、基礎數據管理等功能，同時為運維人員提供運維APP，充電用戶提供充電小程序。

4.4安科瑞充電樁云平臺系統功能

4.4.1智能化大屏

智能化大屏展示站點分布情況，對設備狀態、設備使用率、充電次數、充電時長、充電金額、充電度數、充電樁故障等進行統計顯示，同時可查看每個站點的站點信息、充電樁列表、充電記錄、收益、能耗、故障記錄等。統一管理小區充電樁，查看設備使用率，合理分配資源。

4.4.2.實時監控

實時監視充電設施運行狀況，主要包括充電樁運行狀態、回路狀態、充電過程中的充電電量、充電電壓/電流，充電樁告警信息等。

4.4.3交易管理

平臺管理人員可管理充電用戶賬戶，對其進行賬戶進行充值、退款、凍結、注銷等操作，可查看小區用戶每日的充電交易詳細信息。

4.4.4故障管理

設備自動上報故障信息，平臺管理人員可通過平臺查看故障信息并進行派發處理，同時運維人員可通過運維APP收取故障推送，運維人員在運維工作完成后將結果上報。充電用戶也可通過充電小程序反饋現場問題。

4.4.5統計分析

通過系統平臺，從充電站點、充電設施、、充電時間、充電方式等不同角度，查詢充電交易統計信息、能耗統計信息等。

4.4.6基礎數據管理

在系統平臺建立運營商戶，運營商可建立和管理其運營所需站點和充電設施，維護充電設施信息、價格策略、折扣、優惠活動，同時可管理在線卡用戶充值、凍結和解綁。

4.4.7運維APP

面向運維人員使用，可以對站點和充電樁進行管理、能夠進行故障閉環處理、查詢流量卡使用情況、查詢充電\充值情況，進行遠程參數設置，同時可接收故障推送

4.4.8充電小程序

面向充電用戶使用，可查看附近空閑設備，主要包含掃碼充電、賬戶充值，充電卡綁定、交易查詢、故障申訴等功能。

4.5系統硬件配置

5結束語

由于早期的研究缺乏實際數據的支持，對充電電量和充電功率的設定較為主觀,降低了模型計算的精度，文章基于南方某市電動汽車充電的實際數據，對其進行篩選處理，得到不同類型電動汽車充電行為的分布規律，并將其充電行為數據擬合成函數形式。而后采用蒙特卡羅算法對三種類型電動車的充電負荷曲線進行了模擬計算，得到以下結論：

(1)電動汽車的大規模無序充電行為會進一步提高電網的峰值與峰谷差,導致峰上加峰現象的出現；

(2)電動出租車充電負荷占比較高，同時具有較大的隨機性，未來具有較大的調度潛力，可以通過多種方式對其充電行為進行引導，進一步降低其充電行為對電網的影響。

參考文獻

［1］秦建華,潘崇超,張璇,金泰，李天奇,王永真.基于充電行為分析的電動汽車充電負荷預測.

［2］孔順飛，胡志堅，謝仕煒，等.考慮分布式儲能與電動汽車充電網絡的配電網多目標規劃[J].電力科學與技術學報，2021,36(1)：106-116.

［3］蔡黎，張權文，代妮娜，等.規模化電動汽車接入主動配電網研究進展綜述[J]•智慧電力，2021,49(6):75-82.

［4］孟憲珍，張艷，安琪，等.電動汽車接入充電對配電網電壓波動的影響[J].電網與清潔能源,2021,37(2)：91-98

［5］安科瑞企業微電網設計與應用手冊.2022.05版.