基于行駛狀況的電動汽車充電負荷交通預測法

楊 鐸，王 淼，喬 琪

(1.國網黑龍江電力公司經濟技術研究院，哈爾濱150090;2.遼寧電力勘測設計院，沈陽110179;3.湖南常德供電公司，湖南常德415000)

目前，電動汽車配套設施建設的前提是負荷預測，主要分為汽車數(shù)量預測和充、換電需求預測兩部分。對于數(shù)量預測，文獻［1］使用了彈性系數(shù)法和千人保有量法預測數(shù)量，但分析電動汽車占總數(shù)比例時沒有系統(tǒng)的確定方法。對于充、換電需求預測，文獻［2－3］采用電網預測法，對電動汽車接入電網后的負荷變化情況進行分析預測，對設備運行狀況有較完善的分析，但對負荷需求方面的分析略顯不足;文獻［4－5］使用電池模型預測法，對單臺汽車行駛過程中的電池充放電特性進行預測，對單車運行效果的分析較為細致，但缺少整體充、換電網絡運行結構的分析。因此，本文針對這兩種模型的缺陷，提出了交通預測法，根據(jù)各類汽車的行駛規(guī)律和充電習慣進行分析統(tǒng)計，以汽車行駛數(shù)量和實時SOC情況作為變量，建立了1 d各時段充、換電的需求分布模型，并以國內某城市的汽車行駛狀況作為算例進行分析，得出了該城市的充、換電的需求分布情況。

1 電動汽車數(shù)量預測

1.1 電動汽車總量預測

1.1.1 電動汽車總量預測影響因素

電動汽車數(shù)量預測的方法與燃油汽車數(shù)量預測時使用的經濟學預測方法基本一致，主要是根據(jù)經濟發(fā)展狀況、汽車使用情況、城市規(guī)劃狀況等進行預測，但存在一些差異。如電價、新產品市場認可度等因素都會對預測產生影響。

1.1.2 彈性系數(shù)預測法

彈性系數(shù)法是通過分析預測量與另一種已知變化趨勢的變量之間的相互關系得出二者之間的彈性系數(shù)，根據(jù)已知量的變化趨勢預測得出預測量的變化趨勢［1］。用彈性系數(shù)法預測汽車保有量時，最普遍的做法是根據(jù)人均國民經濟生產總值GDP的數(shù)據(jù)增長規(guī)律間接得出汽車保有量的增長規(guī)律。彈性系數(shù)法用于電動汽車預測的最主要優(yōu)勢在于這種方法對于預測量并不進行過多地分析，而是通過相關因素的發(fā)展狀況和彈性系數(shù)來確定。

彈性系數(shù)法預測電動汽車數(shù)量的過程:

式中:PV為電動汽車保有量增長率，%;PGDP為GDP年增長率，%;α為彈性系數(shù);H為電動汽車保有量，臺;PVLast為前1 d電動汽車保有量，臺。

1.1.3 千人保有量預測法

千人保有量預測法是根據(jù)人口、經濟以及人均GDP等多個因素，參照預測區(qū)域的經濟發(fā)展情況，確定人均GDP和預測量的千人保有量之間的關系，從而根據(jù)經濟狀況得出預測量的千人保有量，再根據(jù)人口數(shù)量的變化規(guī)律得出預測量的變化規(guī)律［1］。千人保有量預測法與彈性系數(shù)法原理相似，采用千人保有量和人口數(shù)量的增長狀況作為中間變量來進行預測，并不直接對汽車數(shù)量的發(fā)展進行分析。預測時需要確定的人口數(shù)等中間變量比較容易確定。千人保有量預測法雖然比彈性系數(shù)法考慮得細致，但各項指標多數(shù)為預測值，因此兩種方法預測精度差別不大。

千人保有量預測法預測電動汽車的過程:

式中:SSP為千人保有量，臺;SGDP為人均GDP，萬元;β為千人保有量系數(shù)，一般根據(jù)汽車購買狀況確定，與彈性系數(shù)類似，臺/萬元;H為電動汽車保有量，臺;npop為人口數(shù)，萬人。

1.2 電動汽車分類數(shù)量預測

電動汽車投入市場后，不同種類和用途的汽車都會由傳統(tǒng)的燃油汽車逐漸向電動汽車過渡，這就需要對不同種類的電動汽車進行分類預測，得出不同種類的電動汽車的具體數(shù)量。由于不同種類的電動汽車受其不同的行業(yè)發(fā)展規(guī)律影響，采用統(tǒng)一的方法進行預測較為困難。公交車和其他公用車的數(shù)量主要由城市發(fā)展情況決定，而出租車、私家車等乘用車則是受居民生活水平的影響，需要對研究區(qū)域進行具體的分析方能預測其數(shù)量。

燃油汽車分類預測多數(shù)采用灰色預測、線性回歸預測、趨勢外推預測等方法［6－7］，但這些方法多數(shù)建立在分析歷史數(shù)據(jù)的基礎上，電動汽車目前尚未有足夠大的規(guī)模，在很多城市還只是試驗性開展，因此提出用二重比例法進行預測。

傳統(tǒng)的比例法根據(jù)地區(qū)的經濟狀況、人口數(shù)、地塊面積等，根據(jù)同一領域內各不同行業(yè)發(fā)展規(guī)律進行統(tǒng)計，得出其在該領域內所占的比例，并參考其規(guī)律對未來數(shù)據(jù)做出估計［1］。這一方法顯然無法直接對電動汽車數(shù)量進行直接預測。采用二重比例法，即先對燃油汽車中不同種類的汽車進行行業(yè)規(guī)律分析與總結，并進行比例預測，根據(jù)結果得出各行業(yè)汽車數(shù)量占總量的比例。在此基礎上，再次使用比例法根據(jù)各行業(yè)內使用者群體的經濟狀況、消費習慣等得出各行業(yè)內使用電動汽車人數(shù)的比例，從而得出電動汽車數(shù)量中的不同種類所占比例。

2 電動汽車充電負荷預測

2.1 電動汽車行駛與充電特性預測

2.1.1 公交車

公交車日行駛距離一般比較大，擁有統(tǒng)一的管理和調度，因此行駛里程和路線比較固定。中國各大城市公交運營時間大多數(shù)為5:00－23:00，其中大部分公交車線路長度較為適中，少部分路線較長。根據(jù)不同路線特點，公交車發(fā)車間隔時間為5～20 min，預測時需結合線路情況選取適合的發(fā)車間隔。

公交車由于出行時間較為密集，充、換電初始SOC選取必須考慮保證交通運營。根據(jù)文獻［8］，在廣州亞運會期間，電動車輛采用每完成一次行車任務即回場站充電或換電池的方式，放電深度為30%左右，換電過于頻繁，不適用于公共交通運行;上海世博園區(qū)的電動公交車規(guī)定，運行過程中剩余電量不足30%，即返回車場更換電池，以保證世博會期間的交通運行。因此，公交車在保證數(shù)量的情況下，在剩余電量30%時進行電能補充較為合適。由于運營持續(xù)的時間較長，公交車1d需要充電至少1次，少部分線路較長的還要充電2次。

為保證公眾出行，公交車僅用換電方式進行電能補充，并采用專用的設備為公交車提供換電服務。

2.1.2 出租車

出租車的行駛路線隨機性較大，運營時間基本上是全天24 h，對充電需求的預測有一定困難。出租車雖然隸屬于不同公司，但作為一個服務行業(yè)存在已久，已經形成了一定的行業(yè)規(guī)律，因此應采用統(tǒng)一的標準來對出租車充、換電的習慣進行預測。只需按照大多數(shù)出租車充電時的剩余電量考慮，或按照充電時不同的起始SOC所占的比例來進行預測，即可得出出租車充、換電時的時間分布。

根據(jù)網絡調查結果顯示，大部分出租車司機都會選擇在剩余電量30%時進行充電，因此，可以將此作為這一群體的統(tǒng)一數(shù)據(jù)。少部分的會選擇剩余電量為20%或40%，可以分別選取一定的比例進行預測。

2.1.3 私家車

私家車出行的高峰多數(shù)在周末、每天工作結束后，私家車停放的時間仍遠多于行駛的時間，因此，私家車在居民區(qū)、單位、商業(yè)區(qū)、休閑區(qū)域的停車場內，可利用充電樁進行常規(guī)充電，不需要考慮電池剩余容量。但個別私家車長途行駛時會發(fā)生電能不足的情況。這類私家車數(shù)量較少且持續(xù)行駛，行駛的特性與出租車較為類似，與出租車采用相同的預測即可。

2.1.4 公務車

公務車一般用于上下班接送員工或公務外出等，公務車所占汽車數(shù)量的比例較小，停放時間也較長，因此平時利用停放時間使用充電樁充電即可。少部分長途行駛的也按照與出租車相同的預測方法即可。

2.2 電動汽車充、換電需求預測

在固定的時間段內，根據(jù)電動汽車的行駛情況確定其當前SOC分布狀況，略去不需要補充電能的汽車，確定需要充電的汽車的具體數(shù)量后，將其按照充電習慣分布分為快充和換電，并分別按其起始SOC計算其進行電能補充所需要的時間。

以公交車為例，根據(jù)不同發(fā)車時間，以一個發(fā)車間隔作為一個時間段，分別對每個發(fā)車間隔內發(fā)出的公交車進行抽樣分析。根據(jù)其行駛路線、停站時間等，確定剩余電量30%及以下的公交車的數(shù)量，并記為該時段內需要充、換電的車輛數(shù)。按照不同SOC汽車所占比例分別確定一個間隔內的所有公交車的換電起始和持續(xù)時間，累加得出總數(shù)據(jù)。將所有時段內數(shù)據(jù)得出后擬合出充、換電汽車需求數(shù)量曲線。出租車、私家車、公務車預測時由于沒有固定的發(fā)車時段，可以采用公交車的發(fā)車間隔對每一個間隔內的車進行抽樣統(tǒng)計。對于采用換電方式的電動汽車，抽取初始SOC只是為確定該車是否需要進行電能補充。換電的實際操作時間固定，確定換電初始時間即可知道換電操作時間分布。確定充、換電的持續(xù)時間主要是為確定下一個間隔內的考察汽車數(shù)量做準備。統(tǒng)計1 d內每個時段，即可得到換電的電動汽車數(shù)量變化曲線。

此處所進行的抽樣實為按照交通行駛規(guī)律得到的數(shù)據(jù)預測，并非真正的逐個抽樣預測，根據(jù)汽車行駛規(guī)律與充、換電習慣，得出的計算值存在一定的誤差，該方法只針對路上行駛中需要及時補充電能的汽車進行分析，目的是為充、換電站的建設規(guī)模提供依據(jù)，不考慮停放過程中使用充電樁進行充電的汽車。

3 算例分析

3.1 某市電動汽車保有量預測

3.1.1 彈性系數(shù)法預測

某市2009年到2010年地區(qū)電動汽車保有量年增長率為22.8%，而2010年該市GDP增長率大約為14%，通過公式(1)計算，可知彈性系數(shù)為1.63?？紤]到該市的基礎交通設施的承載能力及市政交通規(guī)劃狀況，2011—2015年期間，電動汽車增長率將受到一定限制，因此調整彈性系數(shù)為1.2。同時，根據(jù)規(guī)劃方案，在整個2011—2015年期間，該市的GDP增長率應該保持在12%，電動汽車保有量年增長率應保持在14%。

2012年，該市共有3225輛電動汽車，經計算，2013、2014、2015年該市電動汽車保有量分別為3640臺、4216臺、4800臺。3.1.2 千人保有量法預測

據(jù)統(tǒng)計，該市2011年為4.14萬元/人，2012年為4.67萬元/人?？紤]該地區(qū)經濟建設情況，2012—2015年該市人均GDP增長率選取12.77%。根據(jù)此增長率可計算人均GDP。

該市2011年為1011.2萬人，2012年為1023.9萬人，近幾年人口年均增長率約為1.26% ～1.64%。以此可算出2013—2015年人口數(shù)量。千人保有量法求解時需要確定千人保有量系數(shù)β，2012年該市共有電動汽車3225輛，可以根據(jù)2012年數(shù)據(jù)求得系數(shù)為0.07，可以使用此系數(shù)預測2013—2015年數(shù)據(jù)如表1所示。

表1 千人保有量法預測目標城市2012—2015年電動汽車輛數(shù)Tab.1 Prediction from 2012 to 2015 target cities electric vehicle number using 1000 predicted quantity method

從表1可以看出，千人保有量法預測與彈性系數(shù)法預測得出的預測數(shù)據(jù)差別不大，可以作為參考數(shù)據(jù)使用。

3.1.3 目標城市電動汽車數(shù)量分類預測

該市2012年有3225輛電動汽車，其中公交車210輛，出租車 1425輛，公務車 120輛，私家車935輛，郵政車與環(huán)衛(wèi)車各30輛。根據(jù)該市人口、經濟發(fā)展狀況以及各類電動汽車使用者的相關情況和比例，采用二重比例法，預測得出2013—2015年各類電動汽車數(shù)量如表2所示。

表2 目標城市2012—2015年電動汽車數(shù)量分類預測電動汽車輛數(shù)Tab.2 Classification Prediction from 2012 to 2015 target cities electric vehicle number臺

3.2 電動汽車充、換電需求量預測

根據(jù)該市2015年電動汽車數(shù)量預測值，結合當前該市各街道上交通流量，統(tǒng)計各類汽車行駛習慣，可以預測得出2015年正常情況下1 d各時段的行駛的電動汽車數(shù)量和路線，以此為基礎對電動汽車在各時段SOC情況進行抽樣計算，可以得到2015年1 d內各時段的充、換電負荷需求分布曲線如圖1所示。

圖1 2015年目標城市1 d內充換電需求分布Fig，1 Charging demand distribution of target city electric vehicle in one day 2015 year

從圖1可以看出，1d內中午10:00—11:00及下午17:00為充、換電高峰期，其中17:00的下班時間為交通負荷高峰期，所以該市1 d中，換電最多的時段為16:00—17:00，充、換電次數(shù)為597次。

4 結論

1)在彈性系數(shù)法、千人保有量法預測汽車數(shù)量的基礎上，對傳統(tǒng)的比例法進行改進，得出二重比例法，并以此預測了準確的電動汽車數(shù)量，可以代表未來該地區(qū)汽車發(fā)展情況。

2)通過對國內某城市汽車使用情況分析，得出了該城市1 d內各時段充、換電需求負荷分布，證明該方法可行且有效。

［1］ 王瑞妙，陳濤，劉永相.彈性系數(shù)法和千人保有量法預測電動汽車保有量［J］.農業(yè)裝備與車輛工程，2011(6):40－43.WANG Ruimiao，CHEN Tao，LIU Yongxiang.Electric vehicle holdings prediction using elasticity and thousand holdings methods［J］. AgriculturalEquipment ＆ Vehicle Engineering，2011(6):40－43.

［2］ 孫鳳杰，尹國龍.電動汽車對配電網負荷率影響的探討［J］.科技創(chuàng)新導報，2011(13):42－43.SUN Fengjie，YIN Guolong.Discussion on the distribution network load rate effect of electric vehicle［J］.Science and Technology Innovation Herald，2011(13):42 －43.

［3］ KINTNER M，SCHNEIDER K，PRATT R.Impacts assessment of plug－in hybrid vehicles on electric utilities and regional US power grids part1:technical analysis［C］//Electric Utilities Environmental Conference，Tucson，USA，2007:1 －23.

［4］ 田立亭，史雙龍，賈卓.電動汽車充電功率需求的統(tǒng)計學建模方法［J］.電網技術，2010，34(11):126 －130.TIAN Liting，SHI Shuanglong，JIA Zhuo.A statistival model for charging power demand of electric vehicles［J］.Power System Technology，2010，34(11):126 －130.

［5］ KEJUN QIAN，CHENGKE ZHOU，MALCOLM ALLAN，et al.Modeling of load demand due to EV battery charging in distribution systems［J］.IEEE Transactions on Power Systems，vol.26，no.2，pp.802 －810，May，2011.

［6］ 田其沖，鄭衛(wèi)國.基于灰色模型的汽車保有量預測［J］.電腦與電信，2009(9):60－61.TIAN Qichong，ZHENG Weiguo.Car owenership prediction based on grey model［J］.Computer＆ Communication，2009(9):60 －61.

［7］ 宋亞輝.城市電動汽車充電設施規(guī)劃布局研究［D］.北京:北京交通大學，2011.SONG Yahui.Research on the layout planning of electric vehicle charging station in the city［D］.Beijing:Beijing Jiaotong University，2011.

［8］ 靳莉.電動公交車電池狀態(tài)與運營匹配關系研究［D］.北京:北京交通大學，2011.JIN Li.Research on matching relations between operation and battery state of electric bus［D］.Beijing:Beijing Jiaotong University，2011.