一种计及电动出租车时空随机特性的充电负荷的计算方法与流程

本发明涉及电动汽车负荷特性分析领域，特别是涉及一种计及电动出租车时空随机特性的充电负荷的计算方法。

背景技术：

随着电动汽车(electricvehicle,ev)的不断发展,ev将成为未来电力系统最具特色的负荷之一。ev的充电负荷特性与用户行为密切相关,具有较大的时间和空间分布随机性,预测难度较大。ev目前尚处于推广普及阶段,相应的充电服务网络还不健全,因此分析ev的充电行为必须考虑充电设施的地理位置、充电服务网络的运营模式等因素。在公共交通领域,ev一般采取快速充电或换电模式。

技术实现要素：

本发明的目的是针对现有技术的不足，提供一种计及电动出租车时空随机特性的充电负荷的计算方法，该方法考虑了电动出租车的时空随机特性、充电设施的地理位置以及充电服务网络的运营模式等因素，使得计算结果更贴近实际情况。

为了达到上述目的，本发明所采用的技术方案如下：一种计及电动出租车时空随机特性的充电负荷的计算方法,具体包括如下步骤：

(1)通过对城市交通路网进行网格划分,确定该城市内国家电网公司所运营的座充/换电站在网格中的位置；

(2)根据步骤(1)划分的网格化的交通路网,基于蒙特卡洛模拟分别构建电动出租车的行驶模型、电动出租车的行驶目的地与路径选择模型、电动出租车的充/换电行为模型以及充/换电站充电负荷计算模型；

(3)将步骤(2)建立的模型在步骤(1)划分的城市交通路网中进行基于蒙特卡洛抽样的ev时空行为模拟，获得一天中各充/换电站的ev充电负荷。

进一步的，所述步骤(1)具体为：

使用网格划分方法来确定城市区域内各交通小区的位置,为了便于计算,可将城市区域划分成若干大小相等的网格，交通路网模型以r＝(wn,wr,a,c)表征,其中,wn表示交通小区中心节点集合；wr表示等效道路路段集合,用以两个中心节点为端点的有向线段表示；a表示道路属性,包括道路等级、双行道或单行道属性；c表示道路交通拥堵指数；

网格划分好后，从而确定该城市内国家电网公司所运营的座充/换电站在网格中的位置。

进一步的，所述步骤(2)具体为：

(2.1)根据步骤(1)划分的网格化的交通路网,建立电动出租车的行驶模型，具体如下：

(2.1.1)电动汽车的行驶速度

考虑到城市道路主要为南北向和东西向纵横分布,因此，假设ev行驶过程中发生位置变化时,只可由当前节点行驶至其相邻节点。ev的行驶速度vu(t)通过式(2)-(3)计算得到:

式中:和分别表示t时刻第u辆ev载客和空载时的行驶速度；表示载客时ev的最大行驶速度,一般为市区道路规定限速；表示空载时ev的最大行驶速度,与司机巡游觅客的心理有关；表示t时刻中心节点gi处的交通拥堵指数,其数值可通过城市交通拥堵指数实时监控平台统计获得；表示对应交通拥堵指数下的车辆行驶速度,可通过查表获得。

(2.1.2)电动汽车的时空分布

ev在交通小区中的行驶必须跨越网格才会引起地理坐标的变化,即满足式(5)的条件,当ev在δt时段内在东西南北任一方向行驶的距离在r/2和3r/2之间时,其横坐标或纵坐标变化一个单位。

lev,u(t)＝(xu(t),yu(t))(4)

式中:每个交通小区网格的边长及相邻中心节点间的距离均为r；lev,u(t)表示t时刻第u辆ev的地理坐标；xu(t)和yu(t)分别表示横、轴坐标值；δt表示时间间隔。

根据ev地理坐标能统计出各交通小区的车流量,即各时刻中心节点处的ev数量。ev数量的交通小区空间分布矩阵n(t)用数学公式表示为:

式中:n(t)为nx,y(t)的矩阵形式；nx,y(t)表示t时刻在中心节点(x,y)处ev的数量；x和y分别表示交通小区的最大横、纵坐标值；nev表示ev的总数量。式(7)表示当ev当前地理坐标与交通小区中心节点地理坐标一致时,取值为1,否则取值为0。

(2.1.3)单次行程行驶距离

ev单次行程行驶距离的分布函数f(d)服从瑞利分布,表示出行概率随行驶距离先增大后减小,符合出租车一般满足中短途出行的特性,表示为：

式中:d表示ev单次行程行驶距离；σd表示通过实际调研数据拟合得到的瑞利分布参数。

(2.2)根据步骤(1)划分的网格化的交通路网,建立电动出租车的行驶目的地与路径选择模型，具体如下：

(2.2.1)目的地选择

每辆ev存在三种状态，即处于行程路径、充电路径或巡游路径，行程路径表示ev前往载客点(pick-uppoints,pups)和乘客目的地(drop-offpoints,dops)；充电路径表示ev前往充/换电站；巡游路径表示ev处于空载觅客状态。通过出租车行为的调查数据可知,乘客出行特性满足：

式中:gi表示交通小区中心节点的地理坐标；和分别表示t时刻乘客在gi点上车和下车的概率；t表示仿真周期。式(1)表示一天中在城市区域内上下车乘客数量守恒,即不考虑打车进行城际交通的情况。

ev的初始地理坐标在wn个中心节点中随机选择；在行程路径、充电路径或巡游路径三种状态中不断转换。当ev载客时,目的地即乘客目的地；当ev空载时,若有充/换电需求,则选择充/换电站为目的地；若无充/换电需求,司机根据当前所在节点及相邻4个节点的乘客出行产生概率选择概率最大的节点为目的地；若以当前节点为目的地,则下一时刻处于停驶状态。目的地确定后,ev根据当时的路况信息,在空间距离最短的所有路径中选择时间距离最短的一条路径；空间最短路径由dijkstra算法求出,时间最短路径为根据交通拥堵指数计算得到行程耗时最小的路径。

(2.2.2)最优路径选择

当ev处于空载状态且有充/换电需求,正以充/换电站为目的地行驶过程中有乘客发送打车订单,不考虑载客状态下进站充/换电的情况,此时ev需判断剩余电池电量是否能在接送完乘客后,供ev抵达充/换电站进行电能补给。若有低电量停驶风险,则拒绝接单,并仍以充/换电站为目的地前进；若无停驶风险,则搭载乘客,并变更目的地为乘客目的地,在完成乘客行程后,再以充/换电站为目的地前进。

ev的最长行驶里程dmax,u可表示为：

dmax,u＝(socfull-soce)qbattery,u/wu(9)

式中:qbattery,u表示第u辆ev的电池容量；wu表示第u辆ev的平均百公里耗电量；socfull表示满充soc值，一般为100％；soce表示产生停驶风险的soc值。

(2.3)根据步骤(1)划分的网格化的交通路网,建立电动出租车的充/换电行为模型，具体如下：

(2.3.1)充/换电模式选择

为了对比不同运营模式对ev行为和充电负荷的影响,在一个仿真周期t内,所有ev只能选择充电或换电其中一种电能补给方式。

(2.3.2)充/换电需求判断

根据出租车运行实际调研结果,其换班和用餐时间时段分别服从正态分布：

tu,start～n(mt,st²)(10)

充电模式下,定义ev在时间窗内产生充电需求的soc阈值为socw。另定义soca(满足soca<socw),无论在充电或换电模式下,当ev的soc在任何时间小于soca,都会产生充电或换电需求。

(2.3.3)剩余电池电量计算

在充电模式下,ev电池剩余电量与日行驶距离及时间的关系为：

式中:q0,u和qr,u(t)分别表示ev初始电池电量和t时刻剩余电池电量；tu,start和tuend分别表示ev在充电站内的起始充电时刻和结束充电时刻；pf,u表示第u辆ev的快速充电功率，du(t)表示至t时刻第u辆ev的日累积行驶距离。式(11)描述了ev在行驶过程中和充电过程中两种场景下的电池剩余电量。

(2.4)根据步骤(1)划分的网格化的交通路网,建立充/换电站充电负荷计算模型，具体如下：

(2.4.1)充电站充电负荷计算

ev在充电站内的充电时长取时间窗时长和电池慢充所需时长中的较小值，可表示为：

tu,end＝tu,start+tu,ct(13)

式中:tu,ct表示充电时长；tu,w表示时间窗时长；hc表示充电效率。

ev充电过程中soc需满足上下限约束:

式中:socu(t)表示t时刻第u辆ev的soc；socexp表示ev离开充电站时的期望soc。

充电站的充电负荷为该站内正在充电的电动汽车充电负荷之和,可由式(15)-(16)计算求得:

式中:p^fcs(t)表示nfcs个快速充电站的充电负荷；表示t时刻第k个充电站的充电负荷；nev,k表示t时刻在第k个充电站处于充电状态的ev数量；nx,y(t)表示在快速充电站所在交通小区内的ev数量；su(t)为充/换电状态指标变量,su(t)的值为0表示ev不需要充/换电,值为1表示ev需要充/换电；表示t时刻在快速充电站所在交通小区内有充电需求的ev数量。

(2.4.2)换电站充电负荷计算

换电站的充电负荷为该站内正在充电的电池的充电负荷之和,可由式(17)-(18)计算得到:

式中:p^bss(t)表示nbss个换电站的充电负荷；表示t时刻第k个换电站的充电负荷；ps表示换电站内充电机的额定充电功率；和分别表示t和t-1时刻需要充电的电池数量；表示t时刻充满电的电池数量；nb表示一辆换电式ev车载电池数量。

本发明的有益效果如下：通过对城市交通路网进行网格划分，确定了城市区域内各交通小区、充电设施的位置以及具体的道路信息，从而建立了一个较为真实的电动出租车充电场景；根据网格划分后的城市交通网路，提出的基于蒙特卡洛抽样模拟的电动出租车时空行为模拟模型能够真实地模拟电动出租车充电行为在时间和空间上的随机特性，使得最后计算得到的充/换电站的电动出租车充电负荷贴近实际情况。

附图内容

图1为交通路网网格划分示意图；

图2为基于蒙特卡洛抽样的电动汽车行为模拟流程图；

图3为杭州市典型日道路交通拥堵指数图；

图4为杭州主城区网格划分及充/换电站站址图；

图5为基于voronoi图的充/换电站服务范围划分图；

图6为充电模式下电动出租车的充电负荷图；

图7为换电模式下电动出租车的充电负荷图；

图8为充电模式下各充电站的日服务ev数量图；

图9为换电模式下各换电站的日服务ev数量图。

具体实施方式

下面结合实施例和附图对本发明作进一步的说明。

如图2所示，本发明提供一种计及电动出租车时空随机特性的充电负荷的计算方法,具体包括如下步骤：

(1)通过对城市交通路网进行网格划分,确定该城市内国家电网公司所运营的座充/换电站在网格中的位置，如图1所示；

(2)根据步骤(1)划分的网格化的交通路网,基于蒙特卡洛模拟分别构建电动出租车的行驶模型、电动出租车的行驶目的地与路径选择模型、电动出租车的充/换电行为模型以及充/换电站充电负荷计算模型；

(3)将步骤(2)建立的模型在步骤(1)划分的城市交通路网中进行基于蒙特卡洛抽样的ev时空行为模拟，获得一天中各充/换电站的ev充电负荷。

进一步的，所述步骤(1)具体为：

如图1所示，每一个细实线包围的正方形即为一个交通小区，用对应的中心节点表示。使用网格划分方法来确定城市区域内各交通小区的位置,为了便于计算,可将城市区域划分成若干大小相等的网格，交通路网模型以r＝(wn,wr,a,c)表征,其中,wn表示交通小区中心节点集合；wr表示等效道路路段集合,用以两个中心节点为端点的有向线段表示；a表示道路属性,包括道路等级、双行道或单行道属性；c表示道路交通拥堵指数；

网格划分好后，从而确定该城市内国家电网公司所运营的座充/换电站在网格中的位置。

进一步的，所述步骤(2)具体为：

(2.1)根据步骤(1)划分的网格化的交通路网,建立电动出租车的行驶模型，具体如下：

(2.1.1)电动汽车的行驶速度

考虑到城市道路主要为南北向和东西向纵横分布,因此，假设ev行驶过程中发生位置变化时,只可由当前节点行驶至其相邻节点。ev的行驶速度vu(t)通过式(2)-(3)计算得到:

式中:和分别表示t时刻第u辆ev载客和空载时的行驶速度；表示载客时ev的最大行驶速度,一般为市区道路规定限速；表示空载时ev的最大行驶速度,与司机巡游觅客的心理有关；表示t时刻中心节点gi处的交通拥堵指数,其数值可通过城市交通拥堵指数实时监控平台统计获得；表示对应交通拥堵指数下的车辆行驶速度,可通过查表获得。

(2.1.2)电动汽车的时空分布

ev在交通小区中的行驶必须跨越网格才会引起地理坐标的变化,即满足式(5)的条件,当ev在δt时段内在东西南北任一方向行驶的距离在r/2和3r/2之间时,其横坐标或纵坐标变化一个单位。

lev,u(t)＝(xu(t),yu(t))(4)

式中:每个交通小区网格的边长及相邻中心节点间的距离均为r；lev,u(t)表示t时刻第u辆ev的地理坐标；xu(t)和yu(t)分别表示横、轴坐标值；δt表示时间间隔。

根据ev地理坐标能统计出各交通小区的车流量,即各时刻中心节点处的ev数量。ev数量的交通小区空间分布矩阵n(t)用数学公式表示为:

式中:n(t)为nx,y(t)的矩阵形式；nx,y(t)表示t时刻在中心节点(x,y)处ev的数量；x和y分别表示交通小区的最大横、纵坐标值；nev表示ev的总数量。式(7)表示当ev当前地理坐标与交通小区中心节点地理坐标一致时,1lev,u(t)＝(x,y)取值为1,否则取值为0。

(2.1.3)单次行程行驶距离

ev单次行程行驶距离的分布函数f(d)服从瑞利分布,表示出行概率随行驶距离先增大后减小,符合出租车一般满足中短途出行的特性,表示为：

式中:d表示ev单次行程行驶距离；σd表示通过实际调研数据拟合得到的瑞利分布参数。

(2.2)根据步骤(1)划分的网格化的交通路网,建立电动出租车的行驶目的地与路径选择模型，具体如下：

(2.2.1)目的地选择

每辆ev存在三种状态，即处于行程路径、充电路径或巡游路径，行程路径表示ev前往载客点(pick-uppoints,pups)和乘客目的地(drop-offpoints,dops)；充电路径表示ev前往充/换电站；巡游路径表示ev处于空载觅客状态。通过出租车行为的调查数据可知,乘客出行特性满足：

式中:gi表示交通小区中心节点的地理坐标；和分别表示t时刻乘客在gi点上车和下车的概率；t表示仿真周期。式(1)表示一天中在城市区域内上下车乘客数量守恒,即不考虑打车进行城际交通的情况。

ev的初始地理坐标在wn个中心节点中随机选择；在行程路径、充电路径或巡游路径三种状态中不断转换。当ev载客时,目的地即乘客目的地；当ev空载时,若有充/换电需求,则选择充/换电站为目的地；若无充/换电需求,司机根据当前所在节点及相邻4个节点的乘客出行产生概率选择概率最大的节点为目的地；若以当前节点为目的地,则下一时刻处于停驶状态。目的地确定后,ev根据当时的路况信息,在空间距离最短的所有路径中选择时间距离最短的一条路径；空间最短路径由dijkstra算法求出,时间最短路径为根据交通拥堵指数计算得到行程耗时最小的路径。

(2.2.2)最优路径选择

当ev处于空载状态且有充/换电需求,正以充/换电站为目的地行驶过程中有乘客发送打车订单,不考虑载客状态下进站充/换电的情况,此时ev需判断剩余电池电量是否能在接送完乘客后,供ev抵达充/换电站进行电能补给。若有低电量停驶风险,则拒绝接单,并仍以充/换电站为目的地前进；若无停驶风险,则搭载乘客,并变更目的地为乘客目的地,在完成乘客行程后,再以充/换电站为目的地前进。

ev的最长行驶里程dmax,u可表示为：

dmax,u＝(socfull-soce)qbattery,u/wu(9)

式中:qbattery,u表示第u辆ev的电池容量；wu表示第u辆ev的平均百公里耗电量；socfull表示满充soc值，一般为100％；soce表示产生停驶风险的soc值。

(2.3)根据步骤(1)划分的网格化的交通路网,建立电动出租车的充/换电行为模型，具体如下：

(2.3.1)充/换电模式选择

为了对比不同运营模式对ev行为和充电负荷的影响,在一个仿真周期t内,所有ev只能选择充电或换电其中一种电能补给方式。

(2.3.2)充/换电需求判断

根据出租车运行实际调研结果,其换班和用餐时间时段分别服从正态分布：

tu,start～n(mt,st²)(10)

充电模式下,定义ev在时间窗内产生充电需求的soc阈值为socw。另定义soca(满足soca<socw),无论在充电或换电模式下,当ev的soc在任何时间小于soca,都会产生充电或换电需求。

(2.3.3)剩余电池电量计算

在充电模式下,ev电池剩余电量与日行驶距离及时间的关系为：

式中:q0,u和qr,u(t)分别表示ev初始电池电量和t时刻剩余电池电量；tu,start和tuend分别表示ev在充电站内的起始充电时刻和结束充电时刻；pf,u表示第u辆ev的快速充电功率，du(t)表示至t时刻第u辆ev的日累积行驶距离。式(11)描述了ev在行驶过程中和充电过程中两种场景下的电池剩余电量。

(2.4)根据步骤(1)划分的网格化的交通路网,建立充/换电站充电负荷计算模型，具体如下：

(2.4.1)充电站充电负荷计算

ev在充电站内的充电时长取时间窗时长和电池慢充所需时长中的较小值，可表示为：

tu,end＝tu,start+tu,ct(13)

式中:tu,ct表示充电时长；tu,w表示时间窗时长；hc表示充电效率。

ev充电过程中soc需满足上下限约束:

socexp,u￡socu(t)￡socfull(14)

式中:socu(t)表示t时刻第u辆ev的soc；socexp表示ev离开充电站时的期望soc。

充电站的充电负荷为该站内正在充电的电动汽车充电负荷之和,可由式(15)-(16)计算求得:

式中:p^fcs(t)表示nfcs个快速充电站的充电负荷；表示t时刻第k个充电站的充电负荷；nev,k表示t时刻在第k个充电站处于充电状态的ev数量；nx,y(t)表示在快速充电站所在交通小区内的ev数量；su(t)为充/换电状态指标变量,su(t)的值为0表示ev不需要充/换电,值为1表示ev需要充/换电；表示t时刻在快速充电站所在交通小区内有充电需求的ev数量。

(2.4.2)换电站充电负荷计算

换电站的充电负荷为该站内正在充电的电池的充电负荷之和,可由式(17)-(18)计算得到:

式中:p^bss(t)表示nbss个换电站的充电负荷；表示t时刻第k个换电站的充电负荷；ps表示换电站内充电机的额定充电功率；和分别表示t和t-1时刻需要充电的电池数量；表示t时刻充满电的电池数量；nb表示一辆换电式ev车载电池数量。

结合建立的电动出租车的行驶模型、电动出租车的行驶目的地与路径选择模型、电动出租车的充/换电行为模型以及充/换电站充电负荷计算模型，将一天平均分为1440个时段,以1分钟为最小时段单位,基于蒙特卡洛抽样的ev时空行为模拟过程如图2所示。结合对相关的乘客出行行为的模拟,可以计算求得一天中各充/换电站的ev充电负荷。

实施例：

参数设置:以杭州市试运行的众泰朗悦换电式出租车及比亚迪e6充电式出租车的参数为例,具体参数详见表1。目前杭州市出租车保有量约8000辆,考虑ev渗透率为25％(即2000辆)下的充电负荷。出租车日均行驶里程一般在350～500km,ev行驶过程中的每百公里耗电量为20kwh。3个soc阈值分别设定为：soce＝10％,soca＝40％,socw＝70％。σd取值为4.4659。凌晨换班时段(t1)、午餐用餐时段(t2)和傍晚换班时段(t3)三个时间段分别服从正态分布n(4.5,1²),n(12.5,1²)和n(16.5,1²)。交通小区中心节点的交通拥堵指数及对应的车辆行驶速度可通过杭州市交通拥堵指数实时监控平台查询获得，杭州市典型日交通拥堵指数如图3所示。和分别设置为50km/h及25km/h。初始化每辆ev的起始位置及起始soc,选用模型连续仿真3天后0时刻各ev的位置及起始soc作为仿真初始值。

表1电动汽车参数

表2充/换电站交通小区坐标信息

针对杭州市主城区(由绕城高速及钱塘江所包围的区域),以该区域内国家电网公司所运营的17座充/换电站的站址作为模型中充/换电站的位置,标记为☆。如图4所示，定义一个38×42的网格,建立坐标系,每一个整数坐标点作为一个交通小区(即单位网格)的中心节点,单位网格的面积为0.5km*0.5km。图5显示了网格化后的地理坐标图,每个黑色圆点代表一个有效的交通小区中心节点,根据地理信息系统中广泛应用的voronoi图对充/换电站的服务区域进行划分,得到每个充/换电站的地理服务范围。表2给出了各充/换电站在网格化地图中的坐标信息。

输入相关基础信息和参数,可得充电模式及换电模式下ev的总充电负荷曲线分别如图6和图7所示。比较图6及图7可以发现,充电模式下充电负荷的波动较换电模式下的大,这主要是由于充电模式下充电功率较大,单个ev充电时间较短,从而进一步加剧了出租车充电行为的随机性带来的影响。充电模式下,每辆ev日均充电2.17次,充电负荷在两个换班时间(即凌晨4-5点、下午16-17点)及午餐时间(11-12点)出现明显的高峰。另外,早晚出行高峰过后,也有一部分ev有电能补给需求。一天的充电负荷高峰出现在午餐时间,这说明大量ev在经过一个上午的行驶后,soc值将小于socw,司机将利用午餐时间进行快速充电。换电模式下,由于电池容量较小,在业务高峰期ev会频繁产生充电需求,模型仿真结果显示每辆ev日均换电4.22次。早高峰结束后,大量ev选择换电,从而导致上午8-9点出现一天中的充电负荷峰值。此外,在出行需求较大的时间点过后也会导致ev更换电池数量的增多从而影响充电负荷曲线。

图8和图9分别显示了一天中充电模式及换电模式下各个充/换电站日服务ev数量。表3和表4则分别显示了一天中两种充电运营模式下充/换电站服务的ev的最大数量及对应的时刻。比较图8和图9可以看出,各充/换电站的日服务数量的相对走势仅与其所处地理位置的相关信息有关,如与附近充/换电设施的距离、服务的地理范围等,而与具体是充电还是换电的运营模式基本无关。但是由于换电式ev的续驶里程约为充电式ev的一半，每辆ev日均换电次数约为充电次数的两倍，从而导致图中日服务ev数量的差异。

需要说明的是,本文认为充电站和换电站的服务能力是能满足ev的充/换电需求,即不存在排队等候充/换电站现象。目的是为了在没有站点容量约束限制下,分析ev充电负荷的空间分布,从而指导未来充换电设施布点规划。表4中,换电式ev车载的电池组若在当前时刻未充满电将计入下一时刻的最大接入数量。比较表3和表4可以看出，日最大接入数量出现的时刻受运营模式的影响,因为运营模式会影响ev的行驶行为。比较各个站点的数据,可以发现,杭州市主城区城西、城南布点过少,导致1号、2号、17号站点日服务ev数量和最大接入数量较多,未来可以考虑根据需要增加已有站点内充/换电设施或在区域内新增充/换电站点。

表3各充电站接入ev的最大数量以及对应时间

表4各换电站服务ev的最大数量以及对应时间