一种基于场景分析的电动汽车充电负荷预测方法与流程

本发明涉及电力系统技术领域，具体涉及一种基于场景分析的电动汽车充电负荷预测方法。

背景技术：

面对日趋严峻的能源短缺及环境污染的问题，可持续发展理念已经成为当今社会经济的发展主题。交通系统电气化已经成为人类社会可持续发展的一个重要方向，作为典型代表的电动汽车以其良好的环保、节能特性，近年来得到政府的大力支持和推广，其保有量迅速增长，截至2017年，全国新能源汽车保有量达153万辆，占汽车总量的0.7％。根据国家关于节能与新能源汽车产业发展规划，到2020年，纯电动汽车和插电式混合动力汽车累计产销量将超过500万辆。

作为一种新型负荷，电动汽车的规模化应用将会给电网带来大量新的负荷需求，因此有必要对其进行分析，这将对电力系统的规划与运行具有重要参考意义。

目前国内对电动汽车充电需求的研究主要集中在时间的维度上进行预测，而且预测模型中对用户充电行为的假设比较单一，无法比较准确地描述电动汽车在空间上的分布特性以及充电需求的随机性。

技术实现要素：

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于场景分析的电动汽车充电负荷预测方法，实现对电动汽车充电负荷的时空分布进行预测，并且能够描述电动汽车的不同充电行为导致的负荷特性差异。

本发明的目的可以通过采取如下技术方案达到：

一种基于场景分析的电动汽车充电负荷预测方法，所述的预测方法包括如下步骤：

s1、基于出行链理论分析电动汽车出行时空分布特性，根据出行日属性分析电动汽车的包括首次出发时间、行驶时长和停驻时长在内的时间变量以及包括目的地转移概率和行驶里程在内的空间变量，构造概率分布函数对上述变量进行拟合，进而得到电动汽车出行的时空分布特性；

s2、根据不同充电行为构建多个典型充电场景并建立相应的充电决策模型；

s3、预测不同场景下电动汽车的充电负荷。

在上述的一种基于场景分析的电动汽车充电负荷预测方法，所述步骤s1中，基于出行链理论分析电动汽车出行时空分布特性，具体包括：

s101、把出行日属性分为工作日和休息日，后续分别对工作日、休息日的出行特征进行分析；

s102、选取时间变量(首次出行时间、行驶时长、停驻时长)、空间变量(行驶里程、空间转移矩阵)分别进行概率分布函数拟合；

s103、根据各个变量的概率分布函数生成对应随机数；

s104、建立电动汽车出行时空分布模型。

在上述的一种基于场景分析的电动汽车充电负荷预测方法，所述步骤s2中，根据不同充电行为构建多个典型充电场景并建立相应的充电决策模型，具体包括：

s201、根据用户的充电行为习惯，把充电场景分为：一日一充，一日多充和多日一充；

s202、对于一日一充的场景，充电决策模型假设了用户倾向于每天最后一次行驶结束回家后就开始给电动汽车慢速充电，第二天从家出发时是满电状态；

s203、对于一日多充的场景，充电决策模型假设了用户倾向于在公共停车场充电，只要预计的停车时长达到预设值，就会选择常规充电；

s204、对于多日一充的场景，充电决策模型假设了用户倾向于在电动汽车电池电量低于预设值时，才会选择进行慢速充电或常规充电，对于不同的停车地点，预设值是不一样的。

在上述的一种基于场景分析的电动汽车充电负荷预测方法，所述步骤s3中，预测不同场景下电动汽车的充电负荷，具体包括：

s301、选取出行日属性，选取工作日或休息日；

s302、选取充电场景，确定充电行为；

s303、首次出行以家为起点，根据空间转移矩阵抽取出行目的地，根据场景确定起始电池电量；

s304、根据行程的出发点和目的地，抽取行驶时长及行驶距离；

s305、根据目的地的类型和到达时间，抽取停驻时长；

s306、进行充电决策；

s307、判断是否最后一次出行，若是，则转入步骤s308，否则重复步骤s303～s306；

s308、一天行程结束，返回家中，进行充电决策。

本发明相对于现有技术具有如下的优点及效果：

1)、本发明考虑了日属性不同带来的出行行为改变，建立了更加详细的电动汽车出行模型，能够更准确地描述电动汽车的出行时空分布特性；

2)、本发明基于场景分析，建立了充电决策模型，充分考虑了用户的不同充电行为，能够更加真实地揭示充电行为的不同对充电负荷需求的影响。

附图说明

图1是出行链示意图；

图中实线表示停车过程，虚线表示行驶过程，实心点表示日行驶的起始与结束时刻，空心点表示各个目的地的到达与离开时刻，ts_0表示首次出行时间，ta_i表示到达第i次出行目的地的时刻，ts_i表示离开目的地i的时刻，tx(i-1,i)表示第i次出行的行驶时长，tp_i表示在第i个目的地的停车时长，d(i-1,i)表示从第i-1个目的地出发，去往第i个目的的行驶里程；

图2是电动汽车出行时空分布模型示意图；

图3是电动汽车多场景负荷预测流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本实施例具体公开了一种基于场景分析的电动汽车充电负荷预测方法，所述的预测方法包括如下步骤：

s1、基于出行链理论分析电动汽车出行时空分布特性；

根据调研统计数据，把出行日分为工作日和休息日，然后再分别对其出行特征进行分析。

电动汽车的出行特征变量分为时间变量和空间变量，分别对其进行概率分布函数拟合。

(1)首次出行时间

电动汽车首次出行时间通常在4:00以后，工作日集中在7:00～9:00，休息日则比工作日晚一些。利用伽马分布对其进行拟合，其概率密度函数如下式所示：

式中，参数α和β根据调研统计数据确定。

(2)行驶时长

根据出发点和目的地类型确定行驶时长，利用对数正态分布对其进行拟合，其概率密度函数如下式所示：

式中，参数和由出发点和目的地类型共同决定，根据调研统计数据确定。

(3)停驻时长

根据目的地类型和到达目的地的时间确定停驻时长，拟合过程中，可对不同目的地类型选择不同的概率分布函数，包括伽马分布、韦布尔分布等。具体的分布函数选择根据对调研统计数据的拟合效果来确定。

(4)行驶里程

行驶里程与行驶时长有关，行驶里程服从行驶时长条件下的正态分布，其概率密度函数如下式所示：

式中，μd(tx)和σd(tx)根据调研统计数据确定。

(5)空间转移矩阵

首先设定出行目的的类型数量n，然后把一天24小时按一定时间间隔离散化，分为m个时段，接着就可以建立规模为m×n×n的三维矩阵，每个时间段tk对应一个n×n的二维矩阵，如下式所示。

式中，表示在第tk个时段内，结束以目的di的停车行为继续前行，且出行目的为dj的概率，有即电动汽车出行时选择各个目的类型的概率之和为1。对角线元素不一定为0，表示有部分往返行程，且出行目的类型不在设定类型范围内。矩阵中的各元素根据调研统计数据确定。

根据上述的拟合结果，即可按照图2的流程，对每一辆电动汽车依次生成各个时间、空间变量的随机数，最后形成完整的出行链，建立起电动汽车出行时空分布模型。

s2、根据不同充电行为构建多个典型充电场景并建立相应的充电决策模型；

根据用户的充电行为习惯，把充电场景分为：一日一充，一日多充和多日一充；

对于一日一充的场景，充电决策模型假设了用户倾向于每天最后一次行驶结束回家后就开始给电动汽车慢速充电，充电功率为3.5kw，第二天从家出发时是满电状态；

对于一日多充的场景，充电决策模型假设了用户倾向于在公共停车场充电，只要预计的停驻时长超过预设值，就会选择常规充电，充电功率为6kw；

对于多日一充的场景，充电决策模型假设了用户倾向于在电动汽车电池电量低于预设值时，才会选择进行慢速充电或常规充电，对于不同的停车地点，预设值可以不同。

s3、预测不同场景下电动汽车的充电负荷；

按照图3的流程，首先选取出行日属性和充电场景并确定起始电池电量；然后依次抽取目的地类型、行驶时长、行驶距离、停驻时长；接着根据充电场景进行充电决策，选择是否充电以及充电功率的大小；行程结束后再次根据充电场景进行充电决策。统计每个场景下所有电动汽车一天内的充电地点、充电时间和充电功率，即可得到每个场景的充电负荷。

本发明对电动汽车的出行时空分布进行详细分析，并按照用户充电行为的不同设计了三个典型场景，然后对每个场景进行充电负荷预测。本发明充分考虑了用户出行的出行需求和充电行为的随机性，更符合现实情况。本发明实用性较强，预测结果能用于研究电动汽车接入对配电网的影响，并为未来的配电网规划提供参考。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。