摘要:目前电动汽车充电桩( EVCP)规划通常针对区县级较大区域开展,但是对园区级区域进行EVCP规划更有利于提高投资者的积极性和周边电动汽车(EV)用户的体验。以车流量较大的大型停车区域为研究对象,通过调研获得区域内EV的电池容量、停放情况、电量分布以及充电意愿等统计数据,并基于这些数据应用蒙特卡洛法得出区域内EV充电负荷的时域分布。依据区域内的电网信息以及EV的充电负荷分布,给出以投资成本电网网损及用户满意度综合优为目标的EVCP规划设计方法。后以某机场远端大型停车场为算例,验证了所提园区级EVCP规划方法的有效性,该方法相较于传统EVCP的规划方法更加经济合理。
关键词:电动汽车;充电桩规划;充电负荷预测;多目标优化
一、引言
当前化石能源日渐匮乏,环境污染问题愈发严重,作为燃油汽车的升级替代产品,电动汽车(Electric Vehicle,EV)的保有量未来会保持快速上升的趋势。在此背景下,EV发展与充电桩(Electric Vehicle Charging Piles,EVCP)规划建设的不匹配问题日益凸显。
在EVCP 的规划设计过程中,核心问题是预测EV的充电需求即充电负荷,一般通过分析规划区域中道路交通网架、EV的出行规律及用户充电习惯等因素计算得出。基于地块功能和地理属性将区域划分为住宅区、办公区、旅游区、商业区和教育区5类,并综合不同区域的车流通畅度情况完成 EV 充电负荷的预测。通过分析不同类型汽车在具体场景下的停车规律,并采用蒙特卡洺算法模拟车主驾驶、停放和充电行为预测出区域内EV 充电负荷的时空分布特性。依据交通路网拓扑和出行数据模拟 EV 的行驶特性,并完成 E充电需求的时空分布预测。基于居民出行数据构建不同复杂度的出行链模型,并使用短路径算法选择行驶路径来完成EV 充电需求的预测。根据充电站的现场实际统计数据,利用泊松分布、轮盘选择和均匀分布对EV开始充电的荷电量(State of Charge,SOc)和充电次数进行分析,建立了 EV 充电站的负荷预测模型。采用大数据和机器学习技术对 EV 充电站的实时数据进行评估,提出一种基于数据流的流式逻辑回归模型,充电站运营商可以根据这些数据开展优化规划。通过“滴滴开放数据平台”申请得到某城市区域在一段时间内的出行订单及 GPS 定位数据,在对 EV 行驶轨迹大数据集进行清洗与挖掘后,基于动态能耗理论构建了 EV 充电需求的时空分布预估模型。
二、EV的充电需求预测
2.1 停车区域 EV 充电负荷的影响因素分析
大型停车区域中 EVCP 的类型和位置与停车位类型及分布情况密切相关。不同类型和用途的EV具有不同的电池容量、停放模式和充电意愿,这些因素会影响电动汽车的充电需求,因此需要通过调研统计来获得这些基础数据。
首先对EV 的电池容量进行调研,得到停车区域内3类车型对应的电池容量如图1所示。
图1 不同类型 EV的电池容量
图1中列出了3类车型的5种常见电池容量,规划计算时将选取平均值,社会车辆、出租车、大巴车的电池平均容量分别为80 kwh,50 kwh和 180 kwh。
然后通过现场调研和统计,获得停车区域内每日不同时间段中不同类型 EV 的停放信息,如图 2所示。为了提高数据的准确性,图2中数据为多日的平均数据。
图2 不同类型EV的停放数据
接下来通过现场问卷调查和查阅文献等方式，统计在1d当中不同类型 EV 的荷电状态,Soc分布变化情况,如图 3所示,
图3 不同类型EV的电量变化
后获取停车场中EV车主的充电意愿数据，即用户在 EV 电量剩余多少时进行充电的概率,通过实地问卷调查和统计,获得E的充电意愿统计数据,如图4 所示。
图4 EV的充电意愿统计数据
EV 的充电时长T取决于电池容量、剩余电量充电桩功率的大小.
2.2 EV充电负荷的预测
EV 的充电行为是具有一定规律的随机事件采用家特卡洛法(Monte Carlo,Mc)对具有不确定性及时序性的 EV 充电负荷进行模拟。MC是以概率作为基础的统计方法,也称为随机抽样技术,模拟次数越多,结果越切合实际。
应用 MC 法预测 EV 充电负荷的思路是,首先基于统计得到的出行数据和充电信息,建立随机过程的概率分布模型;然后按概率抽取所有影响EV充电负荷的随机变量,包含 EV 的停放时间、SOC分布以及充电意愿等,若发生充电行为则计算充电时长,得到每一辆 EV 的充电负荷曲线。后将区域内所有EV的充电负荷曲线在时间轴上叠加即可得到整个规划区域内总的 EV 充电负荷的预测曲线。
三、应用方案
图5 有序充电管理系统示意图
图6平台结构图
充电运营管理平台是基于物联网和大数据技术的充电设施管理系统，可以实现对充电桩的监控、调度和管理，提高充电桩的利用率和充电效率，提升用户的充电体验和服务质量。用户可以通过APP或小程序提前预约充电，避免在充电站排队等待的情况，同时也能为充电站提供更准确的充电需求数据，方便后续的调度和管理。通过平台可对充电桩的功率、电压、电流等参数进行实时监控，及时发现和处理充电桩故障和异常情况对充电桩的功率进行控制和管理，确保充电桩在合理的功率范围内充电，避免对电网造成过大的负荷。
四、安科瑞充电桩云平台具体的功能
平台除了对充电桩的监控外，还对充电站的光伏发电系统、储能系统以及供电系统进行集中监控和统一协调管理，提高充电站的运行可靠性，降低运营成本，平台系统架构如图7所示。
图7 充电桩运营管理平台系统架构
大屏显示：展示充电站设备统计、使用率排行、运营统计图表、节碳量统计等数据。
图8 大屏展示界面
站点监控：显示设备实时状态、设备列表、设备日志、设备状态统计等功能。
图9 站点监控界面
设备监控：显示设备实时信息、配套设备状态、设备实时曲线、关联订单信息、充电功率曲线等。
图10 设备监控界面
运营趋势统计：显示运营信息查询、站点对比曲线、日月年报表、站点对比列表等功能。
图11 运营趋势界面
收益查询：提供收益汇总、实际收益报表、收益变化曲线、支付方式占比等功能。
图12 收益查询界面
故障分析：提供故障汇总、故障状态饼图、故障趋势分析、故障类型饼图等功能。
图13 故障分析界面
订单记录：提供实时/历史订单查询、订单终止、订单详情、订单导出、运营商应收信息、充电明细、交易流水查询、充值余额明细等功能。
图14 订单查询界面
五、产品选型
安科瑞为广大用户提供慢充和快充两种充电方式，便携式、壁挂式、落地式等多种类型的充电桩，包含智能7kw/21kw交流充电桩，30kw直流充电桩，60kw/80kw/120kw/180kw直流一体式充电桩来满足新能源汽车行业快速、经济、智能运营管理的市场需求。实现对动力电池快速、高效、安全、合理的电量补给，同时为提高公共充电桩的效率和实用性，具有有智能监测：充电桩智能控制器对充电桩具备测量、控制与保护的功能；智能计量：输出配置智能电能表，进行充电计量，具备完善的通信功能；云平台：具备连接云平台的功能，可以实现实时监控，财务报表分析等等；远程升级：具备完善的通讯功能，可远程对设备软件进行升级；保护功能：具备防雷保护、过载保护、短路保护，漏电保护和接地保护等功能；适配车型：满足国标充电接口，适配所有符合国标的电动汽车，适应不同车型的不同功率。下面是具体产品的型号和技术参数。
六、现场图片
七、结论
本文针对大型停车区域给出了 EVCP 满足多个目标的规划优化设计方法。该规划方法首先根据停车区域内 EV 的电池类型、各类EV的停放规律及 EV 用户的充电意愿等统计数据,预测出区域内EV 充电负荷的时空分布。然后以EVCP的投资成本、电网网损以及 EV 用户的满意度改进PSO 在安全约束范围内得到 EVCP的优规划。该规划方法相较于传统EVCP的规划方法不仅更加经济合理,而且对电网运行的影响较小,对实际工程的EVCP 规划具有指导作用。
参 考 文 献：
[1]邢强,陈中,冷钊莹,等,基于实时交通信息的电动汽车路径规划和充电导航策略[J].中国电机工程学报,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,刘瑜俊,等,考虑驾驶人行为习惯及出行链的电动汽车充电站站址规划[J].电力系统自动化,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]张洪财,胡泽春,宋永华,等,考虑时空分布的电动汽车充电负荷预测方法[J].电力系统自动化,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,穆云飞,余晓丹,等“车-路-网”模式下电动汽车充电负荷时空预测及其对配电网潮流的影响[J].中国电机工程学报，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,陈丽丹,等,基于出行模拟的电动汽车充电负荷预测模型及 V2G评估[J].电力系统自动化,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,童话,等.轨迹数据驱动的电动汽车充电需求及V2G 可调控容量估计[J].电力系统自动化,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,江斌开,龚春阳,等,计及电动汽车充电负荷特性的区域多能源站规划设计[J].电网技术,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.