計及氣象因素的區(qū)域電動汽車充電負(fù)荷建模方法

張 琦，楊健維，向悅萍，何正友

計及氣象因素的區(qū)域電動汽車充電負(fù)荷建模方法

張 琦，楊健維，向悅萍，何正友

(西南交通大學(xué)電氣工程學(xué)院，四川 成都 610000)

電動汽車充電負(fù)荷受氣象因素影響顯著，且在不同區(qū)域顯示出相應(yīng)的特征。提出一種計及氣象因素的區(qū)域電動汽車充電負(fù)荷建模方法，以便更準(zhǔn)確掌握電動汽車充電需求。首先，建立車載空調(diào)耗電量和車載電池容量隨氣溫變化的關(guān)聯(lián)模型，分析不同氣象條件下電動汽車的充電需求。其次，建立適宜氣象條件下區(qū)域電動汽車充電負(fù)荷時空分布模型框架。進(jìn)而，引入氣象因素對電動汽車充電需求的影響，提出計及氣象因素的區(qū)域電動汽車充電負(fù)荷建模方法，刻畫電動汽車充電負(fù)荷隨氣象變化的關(guān)系。最后，基于上海市典型日氣象數(shù)據(jù)進(jìn)行仿真，結(jié)果表明，電動汽車充電負(fù)荷受氣象因素影響明顯，所提建模方法能有效反映不同氣象條件下區(qū)域電動汽車充電負(fù)荷的變化情況。

電動汽車；區(qū)域充電負(fù)荷；氣象因素；車載空調(diào)；車載電池

0 引言

近些年，電動汽車(Electric Vehicle, EV)發(fā)展迅速，EV保有量與日俱增，據(jù)國際能源署(IEA)發(fā)布的《全球電動汽車展望2020》報道[1]，2019年全球EV保有量已達(dá)到720萬輛，到2030年，EV保有量將達(dá)到2.45億輛。然而，由于EV的充電時間與地點具有較強的隨機性，大規(guī)模EV無序充電可能造成電網(wǎng)負(fù)荷峰谷差加大、網(wǎng)損增加[2]等問題。對EV充電負(fù)荷建模，有利于掌握EV充電規(guī)律，為引導(dǎo)EV有序充電提供依據(jù)[3]，從而有效降低EV無序充電對電網(wǎng)造成的負(fù)面影響。

氣象環(huán)境會對EV車主的出行與充電行為產(chǎn)生影響，從而改變EV充電負(fù)荷。同時，隨著未來EV保有量的不斷增加，氣象因素對EV充電負(fù)荷的影響將隨著大規(guī)模EV的出現(xiàn)而產(chǎn)生明顯的增量，對電網(wǎng)造成不可忽視的影響。因此，在EV充電負(fù)荷建模過程中引入氣象因素，從而幫助電網(wǎng)更準(zhǔn)確地掌握EV在各類氣象環(huán)境下的充電負(fù)荷特性，為電網(wǎng)實施相應(yīng)優(yōu)化運行控制策略提供有價值的參考。

當(dāng)前關(guān)于EV充電負(fù)荷建模的研究主要以預(yù)測模型為主：一方面集中在充電負(fù)荷的預(yù)測上，如利用蒙特卡洛法[4-5]、統(tǒng)計學(xué)數(shù)據(jù)擬合分析法[6-7]、logistic回歸分析法[8]、聚類分析法[9]等；另一方面?zhèn)戎赜贓V充電負(fù)荷時空預(yù)測，文獻(xiàn)[10-15]利用馬爾科夫出行鏈模擬EV的出行與充電行為，建立EV充電負(fù)荷時空預(yù)測模型。此類研究重點在于如何利用出行鏈準(zhǔn)確模擬EV充電負(fù)荷時空分布特性，以反映車主出行的復(fù)雜性與隨機性。

氣象條件包括氣溫、天氣狀況等，其中氣溫較其他氣象因素對EV充電負(fù)荷的影響更為顯著?，F(xiàn)有研究也多通過環(huán)境溫度開展EV充電負(fù)荷建模。文獻(xiàn)[14]采用模糊數(shù)學(xué)理論建立了考慮環(huán)境溫度與交通路況的EV耗電量模型；文獻(xiàn)[15-16]通過數(shù)據(jù)擬合得到EV行駛速度與單位里程耗電量的能耗因子模型，由此建立考慮環(huán)境溫度的EV充電負(fù)荷預(yù)測模型；文獻(xiàn)[17]結(jié)合EV平均續(xù)航里程、行車需求統(tǒng)計數(shù)據(jù)，計算不同溫度下的EV充電負(fù)荷。綜上可知，此類研究多利用統(tǒng)計數(shù)據(jù)建立環(huán)境溫度與EV充電負(fù)荷間的關(guān)系，由于數(shù)據(jù)具有隨機性，且擬合數(shù)據(jù)量較少，故此類模型的可靠性有待進(jìn)一步驗證。

在EV車載空調(diào)耗電相關(guān)研究中，文獻(xiàn)[18-21]基于不同方法建立了車載空調(diào)耗電量的計算模型，但較少考慮車載空調(diào)耗電對EV充電負(fù)荷的影響。

基于此，本文從氣溫對EV充電負(fù)荷的影響入手，從車載空調(diào)耗電量與車載電池容量隨氣溫變化兩方面，分析氣象因素對EV充電需求的影響。通過衡量氣象因素與EV充電負(fù)荷間的關(guān)系，提出了計及氣象因素的EV充電負(fù)荷建模方法。最后，構(gòu)建不同氣象條件分布場景，驗證了在EV充電負(fù)荷模型中引入氣象因素的必要性及所建模型的反映效果。

1 氣象因素對EV充電需求影響分析

由于電動私家車的充電行為更具有隨機性，故本文主要討論電動私家車(以下簡稱EV)充電負(fù)荷的建模方法。氣象因素主要通過影響車載空調(diào)耗電量與車載電池容量來改變EV充電需求，故本節(jié)以此為切入點建模分析氣象因素對單輛EV充電需求的影響。

1.1 車載空調(diào)耗電量對EV充電需求的影響

根據(jù)EV車載空調(diào)的工作原理，將車載空調(diào)按照高溫環(huán)境下制冷和低溫環(huán)境下制熱兩種情況進(jìn)行建模，分析車載空調(diào)耗電量KT(單位：kWh)對EV充電需求的影響。

1.1.1車載空調(diào)制冷負(fù)荷

通常，當(dāng)環(huán)境氣溫較高時，大部分車主會選擇開啟車載空調(diào)進(jìn)行制冷，此行為將導(dǎo)致EV耗電量增加，從而影響EV充電需求。為準(zhǔn)確分析因車載空調(diào)制冷而引起的EV耗電增量，本文引入車室得熱量1(單位：W，下同)。車室得熱量是指某時刻車室內(nèi)和車室外熱源進(jìn)入車室的熱量總和，來源于車室內(nèi)外溫度差傳熱、太陽輻射傳熱、室外風(fēng)量帶入熱量、設(shè)備與乘車人員散熱。因此，1的計算如式(1)所示[18-20]。

式中：為傳熱系數(shù)；A為車身不透明部分對應(yīng)表面積；0為設(shè)置的車內(nèi)適宜溫度；Z為室外綜合溫度，是一個假象值，不能代表外界環(huán)境真實氣溫，如式(3)所示。

式中：DV為太陽直射輻射強度；ds為天空散射強度；dg為地面反射強度。

由于車主主動通風(fēng)換氣，伴隨外部空氣進(jìn)入車室的得熱量即為新風(fēng)量帶入車室熱量。建立C的計算模型，如式(6)所示。

式中：為乘車人數(shù)；為空氣密度；SHC為比熱容；c為按人體衛(wèi)生標(biāo)準(zhǔn)每人每小時所需空氣量。

式中：為車身縫隙總長；d為單位長度每小時進(jìn)入車室的泄露空氣量。

式中：P-AV為正常成年男子的平均散發(fā)熱量；為群集系數(shù)，由于乘車人員具有隨機性，且乘車人員散發(fā)熱量與性別和年齡等相關(guān)，為了簡化實際計算過程，以成年男子散發(fā)熱量為參考，引入群集系數(shù)，作為考慮隨機乘車人員的比例系數(shù)。

式中：()為變換傳遞函數(shù)；v、ω為傳遞函數(shù)系數(shù)，反映不同車體部分得熱量轉(zhuǎn)換區(qū)別。()采用兩個多項式商形式時，v、ω取2～3項即可收斂[22]，簡化后如式(10)所示。

本節(jié)建立了車室得熱量與車載空調(diào)制冷負(fù)荷的傳遞函數(shù)，車載空調(diào)制冷負(fù)荷由式(2)—式(10)計算可得。

1.1.2車載空調(diào)制熱負(fù)荷

式中：a、b及c為車體各部分對應(yīng)的傳熱系數(shù)；a、b及c為車體各部分對應(yīng)的表面積；T為車身頂部溫度；D為車內(nèi)地板溫度。

本節(jié)建立了車載空調(diào)制熱負(fù)荷的模型，其計算與車載空調(diào)制冷負(fù)荷基本相同，但車載空調(diào)制熱負(fù)荷不需要區(qū)分傳熱形式，由式(11)直接計算可得。

1.1.3車載空調(diào)耗電量對EV充電需求的影響

車載空調(diào)制冷(或制熱)負(fù)荷是功率形式，需轉(zhuǎn)換為車載空調(diào)耗電量。本文引入日行駛時長等隨機變量，搭建車載空調(diào)耗電量對EV充電需求影響的模型。

本節(jié)搭建車載空調(diào)耗電量對EV充電需求影響的模型。首先，結(jié)合車室外氣象分布與車室內(nèi)設(shè)置的適宜溫度，計算車載空調(diào)制冷(或制熱)負(fù)荷；其次，引入EV首次出行時間、最后返程時間和日行駛時長等隨機變量，計算EV行駛過程中的車載空調(diào)耗電量，從而分析車載空調(diào)耗電量對EV充電需求的影響。

1.2 車載電池容量對EV充電需求的影響

利用溫度系數(shù)T表征車載電池容量隨氣溫變化的情況[23]，如式(14)所示。

車載電池容量在不同環(huán)境溫度下對應(yīng)不同數(shù)值。當(dāng)氣溫較高時，車載電池容量稍有上升，EV充電電量增加，致使EV充電負(fù)荷出現(xiàn)增量；而當(dāng)氣溫較低時，車載電池容量下降明顯，在氣溫為-10 ℃時，T僅有0.79。車載電池容量的快速衰減導(dǎo)致EV續(xù)航里程大幅減少，進(jìn)而通過增加車主充電頻次及改變車主的充電時段提升EV的充電需求，最終引起EV充電負(fù)荷的增加。

2 計及氣象因素的區(qū)域EV充電負(fù)荷建模

基于第1節(jié)中氣象因素對EV充電需求影響的分析，本節(jié)構(gòu)建計及氣象因素的區(qū)域EV充電負(fù)荷模型。首先，對EV充電負(fù)荷分布場景進(jìn)行設(shè)定；其次，搭建EV動力能耗負(fù)荷PC(單位：kW)的時空分布模型框架。EV動力能耗負(fù)荷是指適宜氣象條件下的EV充電負(fù)荷；最后，基于此框架，引入氣象因素對EV充電需求的影響，建立計及氣象因素的區(qū)域EV充電負(fù)荷模型。

2.1 EV充電負(fù)荷分布場景

為簡化計算，本文結(jié)合實際對EV充電負(fù)荷的分布場景作如下假設(shè)。

1) EV充電站充電能力充足，車輛無需等候，且24 h全天候運營，EV充電效率為90%。

2) 由國家標(biāo)準(zhǔn)GB/T18487.1-2015電動汽車傳導(dǎo)充電系統(tǒng)第1部分通用要求[24]知：EV有快充、常規(guī)充、慢充的充電模式。

當(dāng)然，這樣講不是說知識分子不該講氣節(jié)，對于那些主動攀附權(quán)貴，故意混淆視聽的知識分子，我們要進(jìn)行深入的批判；但對于其他不少在氣節(jié)上有損的知識分子，我們對他們的處境應(yīng)當(dāng)有同情之理解，這樣方能不失公允。

3) 依據(jù)EV出行規(guī)律知，車主日常出行選擇常規(guī)充和慢充兩種模式[5]。假設(shè)EV荷電狀態(tài)(State of Charge, SOC)小于0.9時，EV進(jìn)行充電；當(dāng)＜0.2時，EV選擇常規(guī)模式充電，其余情況選擇慢充。

4) 將場景在空間上劃分為：居民、商業(yè)、辦公及其他4個功能區(qū)。

2.2 EV動力能耗負(fù)荷建模

本節(jié)在適宜氣象條件下，即忽略車載空調(diào)耗電量以及保證車載電池處于最大容量狀態(tài)，搭建PC的時空分布模型框架，從空間和時間兩個尺度分析EV充電負(fù)荷的特性。

2.2.1 EV充電負(fù)荷空間特性

EV充電負(fù)荷在各功能區(qū)具有不同的出行與充電行為。OD(Origin Destination)出行矩陣依據(jù)EV轉(zhuǎn)移概率與馬爾科夫出行鏈判斷EV各時段起點與終點位置，由此得到EV的空間分布特性。EV各時刻空間轉(zhuǎn)移概率矩陣如式(15)所示。

在矩陣的基礎(chǔ)上，基于馬爾科夫出行鏈原理，依據(jù)EV出行規(guī)律隨機抽取起點、終點信息，借助矩陣判斷EV某時刻是否進(jìn)行轉(zhuǎn)移。由此近似模擬EV出行過程，得到OD出行矩陣，其中包含EV各時刻的區(qū)域位置信息。

2.2.2 EV充電負(fù)荷時空特性

各功能區(qū)EV的充電開始時間s有所不同[5]，其中：居民區(qū)充電開始時間s1服從正態(tài)分布；商業(yè)區(qū)充電開始時間s2服從均勻分布；辦公區(qū)充電開始時間s3服從正態(tài)分布；其他區(qū)充電開始時間s4服從均勻分布；EV日行駛里程服從對數(shù)正態(tài)分布[6]。

由于EV選擇充電與否受SOC影響較大，且EV所需補充的電量也與SOC直接關(guān)聯(lián)，故以SOC作為判斷依據(jù)，決定EV是否需要充電及充電電量。每輛車SOC計算如式(16)所示。

式中：0為EV初始；H(單位：kWh)為EV動力能耗耗電量，計算如式(17)所示。

由當(dāng)前SOC值選擇EV充電模式，由此可確定EV的充電功率與充電時長，結(jié)合各功能區(qū)EV的充電開始時間，可得到不同區(qū)域的EV充電負(fù)荷。

2.3 計及氣象因素的區(qū)域EV充電負(fù)荷建模

考慮到EV充電負(fù)荷受氣象因素影響的特性，并基于EV動力能耗負(fù)荷時空分布模型框架，本節(jié)對計及氣象因素的區(qū)域EV充電負(fù)荷進(jìn)行建模。

基于PC時空分布模型框架，引入氣象因素與EV充電負(fù)荷的關(guān)聯(lián)模型，通過衡量車載空調(diào)耗電量、車載電池容量與SOC間的關(guān)系，建立計及氣象因素的區(qū)域EV充電負(fù)荷模型。

本文提出了計及氣象因素的區(qū)域EV充電負(fù)荷建模方法。以車載空調(diào)制冷情況為例，給出建模流程圖，如圖1所示。

1) 輸入仿真車輛數(shù)CAR、W、0、；

2) 由馬爾科夫出行鏈與矩陣計算得到EV的OD出行矩陣；

4) 令0=1；由蒙特卡洛法隨機抽取CX、FC、xs、等隨機變量；結(jié)合OD矩陣判斷EV各時刻位置信息，根據(jù)所處區(qū)域抽取s；

7) 當(dāng)SOC＜0.2時選擇常規(guī)充電模式，其余選擇慢充模式；

8) 計算EV的充電時長與充電結(jié)束時間；

3 算例分析

由2017年美國交通部對全美家用車輛的調(diào)查結(jié)果(National Household Travel Survey, NHTS)[25]統(tǒng)計數(shù)據(jù)對PC時空分布模型進(jìn)行仿真，分析在適宜氣象條件下，各功能區(qū)EV充電負(fù)荷的分布情況；以上海市浦東新區(qū)氣象數(shù)據(jù)，對計及氣象因素的區(qū)域EV充電負(fù)荷模型進(jìn)行仿真，分析在不同氣象條件下EV充電負(fù)荷的變化情況。

圖1 計及氣象因素的區(qū)域EV充電負(fù)荷建模流程圖

3.1 EV動力能耗負(fù)荷仿真

由于NHTS數(shù)據(jù)量大，種類豐富，提供了很多用戶出行規(guī)律數(shù)據(jù)，可為EV動力能耗負(fù)荷時空分布模型的仿真提供數(shù)據(jù)基礎(chǔ)。因此，結(jié)合NHTS2017[25]，仿真參數(shù)設(shè)置如下：

1) 設(shè)置CAR=10 000；

3) 以EV比亞迪E5為例參與仿真?？紤]到電池容量自然衰減，設(shè)置其車載電池0=45 kWh，最大續(xù)航里程0=350 km。隨機參數(shù)服從的分布如表1所示。

表1 EV充電負(fù)荷模型參數(shù)設(shè)置

由上述給定參數(shù)進(jìn)行仿真，得到PC時空分布，如圖2所示。

圖2 EV動力能耗負(fù)荷時空分布

由圖2知，從時間尺度上看，EV充電負(fù)荷高峰出現(xiàn)在18：00—23：00，對應(yīng)EV一天行程結(jié)束后的電量補充階段。從時空尺度上看，辦公區(qū)EV充電負(fù)荷在09：00—11：00出現(xiàn)小高峰，說明部分車主在上班早高峰后選擇在工作區(qū)域充電，大多與一些公司的電價補貼等政策有關(guān)；而18：00—23：00的充電負(fù)荷高峰集中在居民區(qū)，說明大多數(shù)車主會在一天出行任務(wù)結(jié)束后回到小區(qū)內(nèi)充電。綜合來看，上述現(xiàn)象與日常出行習(xí)慣相符。

為了驗證本文所提建模方法的有效性，利用文獻(xiàn)[6]所給數(shù)據(jù)進(jìn)行仿真，并對二者結(jié)果進(jìn)行對比，如圖3所示。

由圖3可知，在文獻(xiàn)[6]的算例條件下，利用本文建模方法所得充電負(fù)荷曲線與文獻(xiàn)[6]所得結(jié)果有相似的發(fā)展趨勢，且充電負(fù)荷大小也較為接近。二者平均絕對誤差為3.6%，曲線相關(guān)系數(shù)為0.992，呈高度相關(guān)。

圖3 1 000輛EV充電負(fù)荷分布

3.2 計及氣象因素的區(qū)域EV充電負(fù)荷仿真

基于上海市浦東新區(qū)具體氣象條件，對計及氣象因素的區(qū)域EV充電負(fù)荷模型進(jìn)行仿真。結(jié)合實際給定如下仿真參數(shù)。

1) EV型號依舊采用比亞迪E5，其車身大小及車體各部分傳熱系數(shù)使用文獻(xiàn)[19-20]所給數(shù)據(jù)，車載空調(diào)負(fù)荷計算模型的參數(shù)如表2所示[18,20]。

2) 對上海市氣象分布情況進(jìn)行調(diào)研，由中國氣象數(shù)據(jù)網(wǎng)國家科學(xué)數(shù)據(jù)中心所給數(shù)據(jù)[26]，取2019年夏至日各時刻溫度值1與冬至日各時刻溫度值2分別代表高、低溫環(huán)境，如表3所示。由《中國氣象報》知[27]，當(dāng)氣溫在18～25 ℃時，人體感覺最舒適。因此，隨機抽取18～25 ℃內(nèi)的溫度值，分別設(shè)置為高、低溫環(huán)境下車室適宜溫度01、02。

表2 車載空調(diào)負(fù)荷計算模型參數(shù)設(shè)置

表3 2019年上海夏至日/冬至日各時刻溫度值(單位：℃)

以2019年上海市夏至日/冬至日為典型日，對所建計及氣象因素的區(qū)域EV充電負(fù)荷模型進(jìn)行仿真，得到不同氣象條件下全區(qū)域EV充電負(fù)荷的分布情況，如圖3所示。

圖3 計及氣象因素的全區(qū)域EV充電負(fù)荷對比

同時，在不同氣象條件下對各功能區(qū)EV充電負(fù)荷分布情況進(jìn)行仿真，如圖4所示。

圖4 計及氣象因素的各功能區(qū)EV充電負(fù)荷分布

4 結(jié)論

本文分析了氣溫影響下車載空調(diào)耗電量，以及不同環(huán)境溫度下車載電池容量變化對EV充電需求的影響，在EV動力能耗負(fù)荷時空分布模型框架上，提出計及氣象因素的區(qū)域EV充電負(fù)荷建模方法。此外，還對EV氣象負(fù)荷單獨進(jìn)行建模，分析EV充電負(fù)荷受氣象因素影響的主要原因。在算例條件下，得出如下結(jié)論：

1) 本文提出的計及氣象因素的區(qū)域EV充電負(fù)荷建模方法可反映不同氣象條件下EV充電負(fù)荷變化情況。

2) 相較于僅考慮動力能耗的EV充電負(fù)荷，計及氣象因素的EV充電負(fù)荷出現(xiàn)一定增量，其中車載空調(diào)耗電是EV充電負(fù)荷受氣象因素影響的主要因素。在低溫環(huán)境中，EV充電負(fù)荷受氣象因素影響更為明顯。

由于本文仿真結(jié)果主要對夏至日/冬至日兩天進(jìn)行仿真計算，典型日雖具有一定代表性，但還需更多數(shù)據(jù)進(jìn)行驗證。未來可對氣象因素如何影響EV充電負(fù)荷展開更加深入的研究。

[1] International Energy Agency. Global EV outlook 2020[R/OL]. [2020-11-27]. https://www.iea.org/reports/ global-ev-outlook-2020.

[2] 邱智勇, 陳賀, 高勝國, 等. 一種電動汽車充電站有序用電智能配電系統(tǒng)[J]. 新能源汽車供能技術(shù), 2018, 2(1): 8-12.

QIU Zhiyong, CHEN He, GAO Shengguo, et al. An intelligent power distribution system for EV charging station[J]. Energy Supply Techniques of New Energy Vehicles, 2018, 2(1): 8-12.

[3] CAI H, CHEN Q, GUAN Z, et al. Day-ahead optimal charging/discharging scheduling for electric vehicles in microgrids[J]. Protection and Control of Modern Power Systems, 2018, 3(1): 93-107.

[4] 李景麗, 時永凱, 張琳娟, 等. 考慮電動汽車有序充電的光儲充電站儲能容量優(yōu)化策略[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(7): 94-102.

LI Jingli, SHI Yongkai, ZHANG Linjuan, et al. Optimization strategy for the energy storage capacity of a charging station with photovoltaic and energy storage considering orderly charging of electricvehicles[J]. Power System Protection and Control, 2021, 49(7): 94-102.

[5] 羅卓偉, 胡澤春, 宋永華, 等. 電動汽車充電負(fù)荷計算方法[J]. 電力系統(tǒng)自動化, 2011, 35(14): 36-42.

LUO Zhuowei, HU Zechun, SONG Yonghua, et al. Study on plug-in electric vehicles charging load calculating[J]. Automation of Electric Power Systems, 2011, 35(14): 36-42.

[6] 田立亭, 史雙龍, 賈卓. 電動汽車充電功率需求的統(tǒng)計學(xué)建模方法[J]. 電網(wǎng)技術(shù), 2010, 34(11): 126-130.

TIAN Liting, SHI Shuanglong, JIA Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11): 126-130.

[7] MOON H B, PARK S Y J, JEONG C H, et al. Forecasting electricity demand of electric vehicles by analyzing consumers' charging patterns[J]. Transportation Research Part D: Transport and Environment, 2018, 62: 64-79.

[8] 常德政. 智能電網(wǎng)中電動汽車充電站短期負(fù)荷預(yù)測模型研究[D]. 青島: 青島大學(xué), 2015.

CHANG Dezheng. Research on short term load forecasting model of electric vehicle charging station in smart grid[D]. Qingdao: Qingdao University, 2015.

[9] 王睿, 高欣, 李軍良, 等. 基于聚類分析的電動汽車充電負(fù)荷預(yù)測方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(16): 37-44.

WANG Rui, GAO Xin, LI Junliang, et al. Electric vehicle charging demand forecasting method based on clustering analysis[J]. Power System Protection and Control, 2020, 48(16): 37-44.

[10] 李曉輝, 李磊, 劉偉東, 等. 基于動態(tài)交通信息的電動汽車充電負(fù)荷時空分布預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(1): 117-125.

LI Xiaohui, LI Lei, LIU Weidong, et al. Spatial-temporal distribution prediction of charging load for electric vehicles based on dynamic traffic information[J]. Power System Protection and Control, 2020, 48(1): 117-125.

[11] 許威, 呂林, 許立雄, 等. 基于馬爾可夫鏈的電動汽車充電需求計算[J]. 電力系統(tǒng)及其自動化學(xué)報, 2017, 29(3): 12-19.

XU Wei, Lü Lin, XU Lixiong, et al. Calculation of charging demand from electric vehicles based on Markov chain[J]. Proceedings of the CSU-EPSA, 2017, 29(3): 12-19.

[12] 趙書強, 周靖仁, 李志偉, 等. 基于出行鏈理論的電動汽車充電需求分析方法[J]. 電力自動化設(shè)備, 2017, 37(8): 105-112.

ZHAO Shuqiang, ZHOU Jingren, LI Zhiwei, et al. EV charging demand analysis based on trip chain theory[J]. Electric Power Automation Equipment, 2017, 37(8): 105-112.

[13] 陳靜鵬, 艾芊, 肖斐. 基于用戶出行需求的電動汽車充電站規(guī)劃[J]. 電力自動化設(shè)備, 2016, 36(6): 34-39.

CHEN Jingpeng, AI Qian, XIAO Fei. EV charging station planning based on travel demand[J]. Electric Power Automation Equipment, 2016, 36(6): 34-39.

[14] 陳麗丹, 聶涌泉, 鐘慶. 基于出行鏈的電動汽車充電負(fù)荷預(yù)測模型[J]. 電工技術(shù)學(xué)報, 2015, 30(4): 216-225.

CHEN Lidan, NIE Yongquan, ZHONG Qing. A model for electric vehicle charging load forecasting based on trip chains[J]. Transactions of China Electrotechnical Society, 2015, 30(4): 216-225.

[15] 吳釘捷, 李曉露. 基于實時出行需求和交通路況的電動汽車充電負(fù)荷預(yù)測[J]. 電力建設(shè), 2020, 41(8): 57-67.

WU Dingjie, LI Xiaolu. Charging load prediction of electric vehicle according to real-time travel demand and traffic conditions[J]. Electric Power Construction, 2020, 41(8): 57-67.

[16] 王海玲, 張美霞, 楊秀. 基于氣溫影響的電動汽車充電需求預(yù)測[J]. 電測與儀表, 2017, 54(23): 123-128.

WANG Hailing, ZHANG Meixia, YANG Xiu. Electric vehicle charging demand forecasting based on influence of weather and temperature[J]. Electrical Measurement & Instrumentation, 2017, 54(23): 123-128.

[17] 羅浩成, 胡澤春, 張洪財. 環(huán)境溫度對電動汽車充電負(fù)荷的影響分析[J]. 電力建設(shè), 2015, 36(7): 69-74.

LUO Haocheng, HU Zechun, ZHANG Hongcai. Effect analysis of ambient temperature on electric vehicle charging load[J]. Electric Power Construction, 2015, 36(7): 69-74.

[18] 武仲斌. 考慮電動空調(diào)能耗的純電動汽車動力傳動系統(tǒng)參數(shù)匹配[D]. 重慶: 重慶大學(xué), 2012.

WU Zhongbin. Parameter matching of electric vehicle powertrain considering energy consumption of electric air conditioner[D]. Chongqing: Chongqing University, 2012.

[19] 孫樂, 李紅旗, 程睿, 等. 純電動汽車空調(diào)系統(tǒng)負(fù)荷特性的試驗研究[J]. 汽車工程, 2014, 36(8): 1014-1018.

SUN Le, LI Hongqi, CHENG Rui, et al. An experimental study on the load characteristics of A/C system in pure electric vehicle[J]. Automotive Engineering, 2014, 36(8): 1014-1018.

[20] 王曉丹. 純電動客車空調(diào)系統(tǒng)參數(shù)匹配與設(shè)計研究[D]. 吉林: 吉林大學(xué), 2009.

WANG Xiaodan. Research on parameter matching and design of air conditioning system for pure electric bus[D]. Jilin: Jilin University, 2009.

[21] 張偉, 李紅旗, 程睿, 等. 電動汽車空調(diào)熱負(fù)荷特性研究[J]. 制冷與空調(diào), 2016, 16(11): 53-58.

ZHANG Wei, LI Hongqi, CHENG Rui, et al. Research on heating load characteristics of air-conditioning system for electric vehicle[J]. Refrigeration and Air-conditioning, 2016, 16(11): 53-58.

[22] 陳家祥, 王宜義. 空調(diào)車室傳熱數(shù)學(xué)模型及冷負(fù)荷計算[J]. 西安交通大學(xué)學(xué)報, 1992(1): 117-124.

CHEN Jiaxiang, WANG Yiyi. Dynamic analysis of heat transfer and calculation of its heat flux for car body[J]. Journal of Xi'an Jiaotong University, 1992(1): 117-124.

[23] 毛華夫, 萬國春, 汪鐳, 等. 基于卡爾曼濾波修正算法的電池SOC估算[J]. 電源技術(shù), 2014, 38(2): 298-302.

MAO Huafu, WAN Guochun, WANG Lei, et al. Estimation of battery SOC based on Kalman filter correction algorithm[J]. Chinese Journal of Power Sources, 2014, 38(2): 298-302.

[24] 中國國家標(biāo)準(zhǔn)化管理委員會. 電動汽車傳導(dǎo)充電系統(tǒng)第1部分: 通用要求: GB/T 18487.1—2015[S]. 北京: 中國標(biāo)準(zhǔn)出版社, 2015.

China National Standardization Administration Committee. Conductive charging system of electric vehicles first parts: general requirements: GB/T 18487.1—2015[S]. Beijing: China Standards Press, 2015.

[25] U.S. Department of Transportation. 2017 national household travel survey[EB/OL]. [2020-11-12]. https://nhts.ornl.gov/.

[26] 中國天氣網(wǎng). 上海天氣預(yù)報, 上海7天天氣預(yù)報, 上海15天天氣預(yù)報, 上海天氣查詢[DB/OL]. [2020-08-19]. http://www.weather. com.cn/weather/ 101020100.shtml.

Weather China. Shanghai weather forecast, Shanghai 7-day weather forecast, Shanghai 15 day weather forecast, Shanghai weather query[DB/OL]. [2020-08-19]. http:// www. weather.com. cn/weather /101020100.shtml.

[27] 宛霞. 最佳人體舒適溫度是多少? [N]. 中國氣象報, 2017-12-15(4).

WAN Xia. What is the best comfortable temperature for human body?[N]. China Meteorological News, 2017-12-15(4).

Regional electric vehicle charging load modeling method considering meteorological factors

ZHANG Qi, YANG Jianwei, XIANG Yueping, HE Zhengyou

(School of Electrical Engineering, Southwest Jiaotong University, Chengdu 610000, China)

The electric vehicle (EV) charging load is significantly affected by meteorological factors and shows corresponding characteristics in different regions. A regional EV charging load modeling method considering meteorological factors is proposed to ascertain EV charging demand more accurately. First, a correlation model of on-board air conditioning power consumption and battery capacity with temperature is established to analyze the charging demand of EV under different meteorological conditions. Secondly, a spatial and temporal distribution model framework of regional EV charging load under suitable meteorological conditions is established. The influence of meteorological factors on EV charging demand is introduced, and a regional EV charging load modeling method is proposed considering meteorological factors. This describes the relationship between EV charging load and meteorological changes. Finally, a simulation is carried out based on the typical daily meteorological data of Shanghai. The results show that the EV charging load is significantly affected by meteorological factors, and the proposed modeling method can effectively reflect the regional EV charging load changes under different meteorological conditions.

This work is supported by the National Natural Science Foundation of China (No. 51807168).

electric vehicle; regional charging load; meteorological factors; on-board air conditioning; on-board battery

10.19783/j.cnki.pspc.210751

國家自然科學(xué)基金項目資助(51807168)

2021-06-24；

2021-11-24

張 琦(1997—)，女，碩士研究生，研究方向為電動汽車充電負(fù)荷建模；E-mail: zhangqizq2929@163.com

楊健維(1983—)，女，通信作者，博士，副教授，研究方向為電動汽車優(yōu)化調(diào)度。E-mail: jwyang@swjtu.edu.cn

(編輯 許 威)