摘要:目前電動汽車充電樁( EVCP)規劃通常針對區縣級較大區域開展,但是對園區級區域進行EVCP規劃更有利于提高投資者的積極性和周邊電動汽車(EV)用戶的體驗。以車流量較大的大型停車區域為研究對象,通過調研獲得區域內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充電負荷的時域分布。依據區域內的電網信息以及EV的充電負荷分布,給出以投資成本電網網損及用戶滿意度綜合*優為目標的EVCP規劃設計方法。最后以某機場遠端大型停車場為算例,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的規劃方法更加經濟合理。

關鍵詞:電動汽車;充電樁規劃;充電負荷預測;多目標優化

一、引言

當前化石能源日漸匱乏,環境污染問題愈發嚴重,作為燃油汽車的升級替代產品,電動汽車(Electric Vehicle,EV)的保有量未來會保持快速上升的趨勢。在此背景下,EV發展與充電樁(Electric Vehicle Charging Piles,EVCP)規劃建設的不匹配問題日益凸顯。

在EVCP 的規劃設計過程中,核心問題是預測EV的充電需求即充電負荷,一般通過分析規劃區域中道路交通網架、EV的出行規律及用戶充電習慣等因素計算得出。基于地塊功能和地理屬性將區域劃分為住宅區、辦公區、旅游區、商業區和教育區5類,并綜合不同區域的車流通暢度情況完成 EV 充電負荷的預測。通過分析不同類型汽車在具體場景下的停車規律,并采用蒙特卡洺算法模擬車主駕駛、停放和充電行為預測出區域內EV 充電負荷的時空分布特性。依據交通路網拓撲和出行數據模擬 EV 的行駛特性,并完成 E充電需求的時空分布預測。基于居民出行數據構建不同復雜度的出行鏈模型,并使用最短路徑算法選擇行駛路徑來完成EV 充電需求的預測。根據充電站的現場實際統計數據,利用泊松分布、輪盤選擇和均勻分布對EV開始充電的荷電量(State of Charge,SOc)和充電次數進行分析,建立了 EV 充電站的負荷預測模型。采用大數據和機器學習技術對 EV 充電站的實時數據進行評估,提出一種基于數據流的流式邏輯回歸模型,充電站運營商可以根據這些數據開展優化規劃。通過“滴滴開放數據平臺"申請得到某城市區域在一段時間內的出行訂單及 GPS 定位數據,在對 EV 行駛軌跡大數據集進行清洗與挖掘后,基于動態能耗理論構建了 EV 充電需求的時空分布預估模型。

二、EV的充電需求預測

2.1 停車區域 EV 充電負荷的影響因素分析

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

首先對EV 的電池容量進行調研,得到停車區域內3類車型對應的電池容量如圖1所示。

圖1 不同類型 EV的電池容量

圖1中列出了3類車型的5種常見電池容量,規劃計算時將選取平均值,社會車輛、出租車、大巴車的電池平均容量分別為80 kwh,50 kwh和 180 kwh。

然后通過現場調研和統計,獲得停車區域內每日不同時間段中不同類型 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 不同類型EV的停放數據

接下來通過現場問卷調查和查閱文獻等方式，統計在1d當中不同類型 EV 的荷電狀態,Soc分布變化情況,如圖 3所示,

圖3 不同類型EV的電量變化

最后獲取停車場中EV車主的充電意愿數據，即用戶在 EV 電量剩余多少時進行充電的概率,通過實地問卷調查和統計,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 的充電時長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序性的 EV 充電負荷進行模擬。MC是以概率作為基礎的統計方法,也稱為隨機抽樣技術,模擬次數越多,結果越切合實際。

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 的停放時間、SOC分布以及充電意愿等,若發生充電行為則計算充電時長,得到每一輛 EV 的充電負荷曲線。最后將區域內所有EV的充電負荷曲線在時間軸上疊加即可得到整個規劃區域內總的 EV 充電負荷的預測曲線。

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

充電運營管理平臺是基于物聯網和大數據技術的充電設施管理系統，可以實現對充電樁的監控、調度和管理，提高充電樁的利用率和充電效率，提升用戶的充電體驗和服務質量。用戶可以通過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。通過平臺可對充電樁的功率、電壓、電流等參數進行實時監控，及時發現和處理充電樁故障和異常情況對充電樁的功率進行控制和管理，確保充電樁在合理的功率范圍內充電，避免對電網造成過大的負荷。

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電系統、儲能系統以及供電系統進行集中監控和統一協調管理，提高充電站的運行可靠性，降低運營成本，平臺系統架構如圖7所示。

圖7 充電樁運營管理平臺系統架構

大屏顯示：展示充電站設備統計、使用率排行、運營統計圖表、節碳量統計等數據。

圖8 大屏展示界面

站點監控：顯示設備實時狀態、設備列表、設備日志、設備狀態統計等功能。

圖9 站點監控界面

設備監控：顯示設備實時信息、配套設備狀態、設備實時曲線、關聯訂單信息、充電功率曲線等。

圖10 設備監控界面

運營趨勢統計：顯示運營信息查詢、站點對比曲線、日月年報表、站點對比列表等功能。

圖11 運營趨勢界面

收益查詢：提供收益匯總、實際收益報表、收益變化曲線、支付方式占比等功能。

圖12 收益查詢界面

故障分析：提供故障匯總、故障狀態餅圖、故障趨勢分析、故障類型餅圖等功能。

圖13 故障分析界面

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

圖14 訂單查詢界面

五、產品選型

安科瑞為廣大用戶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滿足新能源汽車行業快速、經濟、智能運營管理的市場需求。實現對動力電池快速、高效、安全、合理的電量補給，同時為提高公共充電樁的效率和實用性，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，可以實現實時監控，財務報表分析等等；遠程升級：具備完善的通訊功能，可遠程對設備軟件進行升級；保護功能：具備防雷保護、過載保護、短路保護，漏電保護和接地保護等功能；適配車型：滿足國標充電接口，適配所有符合國標的電動汽車，適應不同車型的不同功率。下面是具體產品的型號和技術參數。

六、現場圖片

七、結論

本文針對大型停車區域給出了 EVCP 滿足多個目標的規劃優化設計方法。該規劃方法首先根據停車區域內 EV 的電池類型、各類EV的停放規律及 EV 用戶的充電意愿等統計數據,預測出區域內EV 充電負荷的時空分布。然后以EVCP的投資成本、電網網損以及 EV 用戶的滿意度改進PSO 在安全約束范圍內得到 EVCP的*優規劃。該規劃方法相較于傳統EVCP的規劃方法不僅更加經濟合理,而且對電網運行的影響較小,對實際工程的EVCP 規劃具有指導作用。

參 考 文 獻：

[1]邢強,陳中,冷釗瑩,等,基于實時交通信息的電動汽車路徑規劃和充電導航策略[J].中國電機工程學報,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汽車充電站站址規劃[J].電力系統自動化,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,考慮時空分布的電動汽車充電負荷預測方法[J].電力系統自動化,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-路-網"模式下電動汽車充電負荷時空預測及其對配電網潮流的影響[J].中國電機工程學報，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汽車充電負荷預測模型及 V2G評估[J].電力系統自動化,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,等.軌跡數據驅動的電動汽車充電需求及V2G 可調控容量估計[J].電力系統自動化,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,龔春陽,等,計及電動汽車充電負荷特性的區域多能源站規劃設計[J].電網技術,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.