基于用戶時空活動與模糊決策的電動汽車充電需求預(yù)測

鮑 瓊 譚 旭 屈琦凱 沈永俊

(東南大學(xué)交通學(xué)院,南京 211189)

隨著社會經(jīng)濟(jì)與交通運(yùn)輸業(yè)的快速發(fā)展,以燃油車為主體的現(xiàn)代公路運(yùn)輸帶來了日益突出的不可再生能源消耗、碳排放以及大氣污染等環(huán)境問題,發(fā)展新能源汽車成為大勢所趨[1-2].在國家政策扶持下,截至2021年底我國新能源汽車保有量已達(dá)784萬輛,其中純電動汽車占81.63%,其數(shù)量增長迅猛,發(fā)展前景廣闊.可以預(yù)見,電動汽車的規(guī)?；瘧?yīng)用將引發(fā)總量龐大的充電需求.然而,由于對電動汽車充電需求缺乏清晰了解,目前我國的充電設(shè)施建設(shè)在總體上仍存在較大缺口,而在局部普遍存在時間或空間上供需不匹配等問題,電動汽車用戶停車充電難等問題屢見不鮮[3].因此,準(zhǔn)確預(yù)測電動汽車用戶的充電需求時空分布是科學(xué)規(guī)劃充電設(shè)施的關(guān)鍵前提,對于進(jìn)一步發(fā)展和推廣電動汽車具有重要意義.

電動汽車充電需求受車輛電池、充電設(shè)施、充電價(jià)格等客觀因素以及用戶出行與充電行為心理等主觀因素影響[4],具有較大隨機(jī)性.近年來,國內(nèi)外學(xué)者針對電動汽車充電需求的研究由時間分布預(yù)測發(fā)展到時空分布預(yù)測.田立亭等[5]基于美國家庭出行調(diào)查(NHTS)數(shù)據(jù),考慮用戶開始充電時刻、日行駛里程與充電功率等變量,結(jié)合蒙特卡洛方法預(yù)測了單輛與多輛電動汽車的充電功率需求.Moon等[6]根據(jù)消費(fèi)者對電動汽車的偏好、充電時間和供電設(shè)備類型預(yù)測充電需求的變化,并提出了電動汽車基礎(chǔ)設(shè)施建設(shè)的注意事項(xiàng)與政策建議.Pareschi等[7]對比分析了不同充電行為場景下的充電需求,并對電池容量、充電功率、運(yùn)行能耗等模型參數(shù)進(jìn)行了敏感性分析.

電動汽車充電需求的時空分布預(yù)測大多按行政區(qū)或用地類型進(jìn)行空間劃分.Knapen等[8]應(yīng)用FEATHERS活動模型計(jì)算了比利時弗萊芒區(qū)居住區(qū)與工作區(qū)的電動汽車充電負(fù)荷.張洪財(cái)?shù)萚9]基于停車生成率模型預(yù)測了電動汽車充電需求時空分布,對深圳市多個行政區(qū)的居住區(qū)、工商業(yè)用地充電負(fù)荷曲線進(jìn)行了計(jì)算分析.溫劍鋒等[10]、趙書強(qiáng)等[11]、Wang等[12]基于出行鏈理論深入挖掘了NHTS數(shù)據(jù)中的用戶出行規(guī)律,通過蒙特卡洛方法模擬了住宅區(qū)、工作區(qū)、休息區(qū)、商業(yè)區(qū)等用地的電動汽車充電負(fù)荷.還有少數(shù)研究結(jié)合交通模型分析了道路網(wǎng)中路段或節(jié)點(diǎn)的充電需求分布.其中,李磊等[13]考慮了動態(tài)交通信息對電動汽車用戶出行與充電行為的影響.Yang等[14]考慮了電動汽車用戶出行選擇的有限理性,描述了各活動鏈上電動汽車的時空轉(zhuǎn)移規(guī)律和充電需求.然而上述研究普遍存在充電需求空間分布預(yù)測顆粒度較大的問題.

除此之外,現(xiàn)有研究大多假設(shè)電動汽車與燃油車出行特性相同,從而根據(jù)居民出行調(diào)查或燃油車運(yùn)行數(shù)據(jù)估算充電需求,然而對用戶充電行為考慮較為單一、缺乏數(shù)據(jù)支撐,譬如考慮用戶在電量低于某一閾值時充電.實(shí)際上,用戶對于電量高低的判斷并非有統(tǒng)一、明確的標(biāo)準(zhǔn),其充電決策也并非僅考慮電量因素.此時,模糊邏輯為用戶充電決策建模提供了新方法,通過隸屬度函數(shù)處理不確定性問題,能夠模仿人腦思維方式進(jìn)行推理和綜合判斷,對于模擬用戶充電決策有較高的契合度[15].

綜上所述,盡管現(xiàn)有研究關(guān)注不同的影響因素、從不同角度出發(fā)提出了多種電動汽車充電需求時間和空間分布的預(yù)測方法,但普遍存在對用戶行為考慮不夠完善,預(yù)測精細(xì)度不足的問題,并且局限于對影響因素的定性分析.本文基于電動汽車實(shí)際運(yùn)行數(shù)據(jù),構(gòu)建用戶出行-充電行為鏈,結(jié)合交通模型充分描述用戶時空轉(zhuǎn)移規(guī)律,并結(jié)合模糊邏輯刻畫用戶充電行為,應(yīng)用蒙特卡洛方法對電動汽車用戶群體的出行與充電行為進(jìn)行模擬,以此建立電動汽車充電需求時空分布的精細(xì)化預(yù)測方法,并對其中關(guān)鍵影響因素的作用效果進(jìn)行了定量化分析.

1 用戶出行-充電行為鏈構(gòu)建

出行鏈?zhǔn)莻€人為了完成日?；顒影磿r間順序先后到達(dá)不同目的地全過程的連接形式,包括時間鏈與空間鏈,包含出發(fā)時間、行程時間、停駐時間、目的地位置、行程距離等關(guān)鍵時空變量信息.本文以日常通勤者為研究對象,其出行鏈主要包括2種形式:① 從家出發(fā)到工作單位再返程,記為H-W-H鏈;② 從家出發(fā)到達(dá)工作單位,結(jié)束工作后前往休閑場所進(jìn)行購物、娛樂等活動,最后回到家,記為H-W-C-H鏈.對于電動汽車用戶而言,每次出行到達(dá)目的地后在停駐時間內(nèi)存在潛在的充電機(jī)會,由用戶對充電與否進(jìn)行判斷決策.用戶出行行為與潛在充電機(jī)會在時空上構(gòu)成了用戶出行-充電行為鏈,如圖1所示.

本文研究數(shù)據(jù)源自上海市新能源汽車公共數(shù)據(jù)采集與監(jiān)測研究中心采集的50輛榮威E50純電動汽車的使用數(shù)據(jù),包括采集時間、累計(jì)行駛里程、荷電狀態(tài)(SOC)、經(jīng)度、緯度、啟動時間、熄火時間、車輛狀態(tài)等數(shù)據(jù).該樣本數(shù)據(jù)時間跨度為2015-06—2016-06,各車輛被記錄的時長為3～12個月,最短記錄時長為85 d,而最長為340 d,每車平均記錄時長為214 d.最終從原始數(shù)據(jù)中識別提取出15 137次出行行程信息與8 498次充電行為信息,其中出行行程信息包括出發(fā)時間、行程時間、行程里程、行程速度、行程耗電量、停車時長等,充電行為信息包括充電開始時間、充電時長、充電前SOC、充電量、充電后SOC等.本文基于蒙特卡洛方法對用戶出行的空間轉(zhuǎn)移、路徑選擇、行程特征等相關(guān)時空變量以及用戶充電決策進(jìn)行隨機(jī)概率建模與抽樣,以模擬電動汽車用戶群體的出行與充電行為.

圖1 用戶出行-充電行為鏈?zhǔn)疽鈭D

1.1 出行行為建模

1.1.1 空間轉(zhuǎn)移模型

1.1.2 路徑選擇模型

預(yù)測模型考慮用戶確定出發(fā)地與目的地后在城市道路網(wǎng)中的路徑選擇行為,類比多路徑交通分配方法,假設(shè)用戶的路徑選擇行為具有隨機(jī)性,且其概率與滿足用戶出行目的的各條有效路徑的長度有關(guān).

有效路徑是用戶出發(fā)地與目的地之間由有效路段連接而成的路徑,用戶沿著有效路徑行駛一定會距目的地越來越近.各條有效路徑被用戶選擇的概率采用Logit型離散選擇模型計(jì)算,如下式所示:

(1)

1.1.3 行程特征模型

在用戶出行空間鏈基礎(chǔ)上確定首次出行時間、行程速度、停車時長等行程特征量,即可得到用戶出行時間鏈.在MATLAB中擬合行程特征的概率分布,對比正態(tài)分布、對數(shù)正態(tài)分布、指數(shù)分布、廣義極值分布等連續(xù)隨機(jī)變量分布模型,將loglikelihood值最大的作為最優(yōu)分布,建立概率模型如下.

用戶首次出行時間存在多峰特征,采用混合高斯分布(GMM)擬合,其概率密度函數(shù)如下式所示:

(2)

用戶行程速度在低速區(qū)間較為集中,行程速度越高則頻率越低.經(jīng)比選,用戶行程速度分布以廣義極值分布擬合最佳,其概率密度函數(shù)如下式所示:

圖2 用戶首次出行時間概率分布擬合

(3)

式中,μ為位置參數(shù);σ為尺度參數(shù);λ為形狀參數(shù)且λ≠0.擬合結(jié)果顯示,μ=16.290,σ=5.882,λ=0.337.用戶行程速度的頻數(shù)分布與概率密度曲線擬合結(jié)果如圖3所示.

圖3 用戶行程速度概率分布擬合

用戶停車時長的分布特征與行程速度分布特征相似.經(jīng)比選,用戶停車時長分布以對數(shù)正態(tài)分布擬合效果最佳,其概率密度函數(shù)如下式所示:

(4)

參數(shù)標(biāo)定結(jié)果為μ=5.097,σ=1.568,用戶停車時長的頻數(shù)分布與概率密度曲線擬合結(jié)果如圖4所示.

1.2 用電行為建模

1.2.1 運(yùn)行耗電

電動汽車的出行能耗主要受行駛距離影響,假設(shè)耗電量與行駛里程成正比,建立電池荷電狀態(tài)消耗與行駛里程關(guān)系如下式所示:

(5)

圖4 用戶停車時長概率分布擬合

式中,ΔS-為行程耗電量,%;l為行駛里程,km;E100為車輛每100 km耗電量,kW·h;C為電池容量,kW·h.其中,榮威E50車型的電池容量為22.4 kW·h,經(jīng)線性擬合可得其每100 km耗電量為20.4 kW·h.

1.2.2 充電功率

根據(jù)用戶每次充電的充電量與時長可推算其充電功率,如下式所示:

(6)

式中,P為充電功率,kW;ΔS+為充電量,%;T為充電時間,h.根據(jù)數(shù)據(jù)統(tǒng)計(jì),用戶充電功率主要集中在3.5～4.5 kW的區(qū)間內(nèi),平均充電功率為3.8 kW;為簡化模型、減少計(jì)算量,設(shè)該值為用戶充電實(shí)際功率.

1.2.3 充電決策

本文定義用戶在當(dāng)前電量不足以滿足下次出行耗電時所必須進(jìn)行的充電為剛性充電;反之,則為彈性充電.對于剛性充電,若用戶在計(jì)劃停車時長內(nèi)無法滿足充電需求,則延長停車時長并充電至能夠完成下次出行為止;對于彈性充電,考慮用戶在停車時長內(nèi)的最大可充電量與充電價(jià)格等因素,建立模糊邏輯推理系統(tǒng)模擬用戶充電決策,確定用戶選擇充電的概率.

停車時長內(nèi)最大可充電量與停車時長、電池當(dāng)前荷電狀態(tài)有關(guān),由下式表示:

(7)

式中,ΔSmax為停車時長內(nèi)最大可充電量,%;Tpark為停車時長,h;S為當(dāng)前荷電狀態(tài),%.

充電價(jià)格c(t)分為峰時電價(jià)與谷時電價(jià).以上海市居民用電收費(fèi)為參考,06:00—22:00電價(jià)為0.617元/(kW·h),其余時段價(jià)格為0.307元/(kW·h).

建立模糊邏輯推理系統(tǒng)的關(guān)鍵在于定義輸入輸出變量的模糊隸屬度與推理規(guī)則.在用戶彈性充電決策模糊推理系統(tǒng)中,ΔSmax與c(t)為輸入變量,用戶充電概率為輸出變量.對ΔSmax定義較低、中等、較高等3個模糊集合作為用戶對ΔSmax的判斷,c(t)屬于谷時電價(jià)cvalley或峰時電價(jià)cpeak,對充電概率定義低、較低、中等、較高、高等5個模糊集合反映用戶充電概率.本文定義彈性充電決策系統(tǒng)中輸入輸出變量的模糊隸屬度函數(shù)如圖5所示.

(a) 停車時長內(nèi)可充電量模糊隸屬度

結(jié)合用戶實(shí)際充電行為特征,定義6條模糊推理規(guī)則,如表1所示.

表1 充電決策模糊推理規(guī)則

該系統(tǒng)運(yùn)用取最小值方法進(jìn)行“且”運(yùn)算,通過求解質(zhì)心對輸出進(jìn)行去模糊化,求得用戶彈性充電的概率.

2 充電需求時空分布模擬計(jì)算方法

基于用戶出行-充電行為鏈,采用蒙特卡洛方法模擬用戶群體的出行與充電行為.對某一用戶個體,首先應(yīng)根據(jù)其出行鏈類別與空間轉(zhuǎn)移特征在空間鏈上隨機(jī)生成其居住區(qū)、工作區(qū)以及休閑區(qū)(若有)的空間位置,并對每一次出行的路徑進(jìn)行選擇以確定行程距離;在時間鏈上,應(yīng)根據(jù)用戶行程特征首先抽取其首次出行出發(fā)時間,對于每次出行過程抽取行程速度以計(jì)算行程時間,并在其中途行程結(jié)束后抽取停車時長,每次行程與停車結(jié)束后及時更新當(dāng)前時間.

時刻關(guān)注電動汽車電池荷電狀態(tài),并在用戶每次耗電和充電行為發(fā)生后及時更新.假設(shè)所有用戶每天從家出發(fā)時的電量服從80%～100%的均勻分布,用戶行程途中每經(jīng)過一個節(jié)點(diǎn)時根據(jù)當(dāng)前電量是否支持行駛到下一鄰近節(jié)點(diǎn)判斷是否需要充電,若需要則充電至電量足以到達(dá)目的地或充滿為止;用戶每到達(dá)一個中途目的地時根據(jù)當(dāng)前電量、停車時長與到下一目的地的距離進(jìn)行充電決策,最后用戶回到家中停車充電直至第2天同一首次出行時間出發(fā).

若模擬過程中用戶發(fā)生充電行為,記錄其充電地點(diǎn)、充電量、充電功率與開始時間,并計(jì)算充電持續(xù)時長,最終對所有用戶的充電功率在空間節(jié)點(diǎn)與24 h時間軸上進(jìn)行疊加,得到電動汽車用戶群體的充電需求時空分布特征.

3 算例分析

3.1 仿真場景與參數(shù)設(shè)置

以Nguyen-Dupuis路網(wǎng)[16]為仿真場景,該路網(wǎng)共有13個節(jié)點(diǎn)、19個路段,假設(shè)所有節(jié)點(diǎn)均有充電設(shè)施且所有路段雙向均可通行,其拓?fù)浣Y(jié)構(gòu)如圖6所示.其中節(jié)點(diǎn)1、4、5、12為居住區(qū),節(jié)點(diǎn)2、3、8、13為工作區(qū),節(jié)點(diǎn)6、7、9、10、11為休閑區(qū),相鄰節(jié)點(diǎn)間的距離如表2所示.

圖6 Nguyen-Dupuis路網(wǎng)拓?fù)浣Y(jié)構(gòu)

設(shè)研究區(qū)域內(nèi)某一工作日有2 000個用戶出行,且H-W-H與H-W-C-H出行鏈各占50%;用戶居住在節(jié)點(diǎn)1、4、5、12的比例為0.4∶0.3∶0.2∶0.1;用戶由居住節(jié)點(diǎn)轉(zhuǎn)移到工作節(jié)點(diǎn),以及由工作節(jié)點(diǎn)轉(zhuǎn)移到休閑節(jié)點(diǎn)的概率矩陣分別如表3和表4所示.基于上述環(huán)境條件對榮威E50用戶的出行與充電行為進(jìn)行模擬.

表3 用戶由居住節(jié)點(diǎn)轉(zhuǎn)移到工作節(jié)點(diǎn)的概率矩陣

表4 用戶由工作節(jié)點(diǎn)轉(zhuǎn)移到休閑節(jié)點(diǎn)的概率矩陣

3.2 充電需求時空分布仿真預(yù)測結(jié)果

2 000個用戶經(jīng)過一個工作日的模擬運(yùn)行,共產(chǎn)生3 673次充電需求,其中在行程途中發(fā)生充電15次,充電需求總量為42 511 kW·h.圖7(a)顯示,用戶工作日充電功率存在2個峰值,在晚上21:00達(dá)到最高峰5 232.6 kW,于上午10:27到達(dá)次高峰4 316.8 kW,同一時刻最多有1 377輛車(占68.9%)在同時進(jìn)行充電.

在空間分布上,不同用地類型的充電需求負(fù)荷曲線如圖7(b)所示.居住區(qū)充電量占需求總量的59.8%,充電負(fù)荷從下午16:00左右開始逐漸累積,直至21:00達(dá)到最高峰4 993.2 kW,而后逐漸衰減并且于凌晨04:43歸零,此時所有用戶夜間充電完成.工作區(qū)是用戶出行-充電行為鏈中首次充電機(jī)會的所在地,其充電需求量占比為35.7%,充電高峰時刻為上午10:27,峰值功率為4 316.8 kW,結(jié)合圖7(a)可知,區(qū)域總負(fù)荷的次高峰完全由工作區(qū)充電需求產(chǎn)生;工作區(qū)充電由早上06:36持續(xù)至下午15:32.休閑區(qū)充電需求最少,占比為4.5%,其充電高峰時刻為18:50,對應(yīng)負(fù)荷為623.2 kW.充電需求的預(yù)測結(jié)果符合用戶使用電動汽車出行和充電的基本時空規(guī)律.

(a) 工作日區(qū)域充電需求總負(fù)荷曲線

各功能區(qū)電動汽車用電高峰時刻區(qū)域路網(wǎng)充電需求的空間分布如圖8所示.受用戶居住區(qū)分布不同影響,當(dāng)居住區(qū)總體充電功率處于最高峰時,充電需求更多分布在節(jié)點(diǎn)1、4,節(jié)點(diǎn)5次之,節(jié)點(diǎn)12相對最少;受空間轉(zhuǎn)移分布影響,當(dāng)工作區(qū)充電負(fù)荷處于最高峰時,節(jié)點(diǎn)2、3承擔(dān)的充電需求更多,節(jié)點(diǎn)8、13的用戶充電需求相對較少;在休閑區(qū)充電高峰時刻,居住區(qū)節(jié)點(diǎn)仍有較多充電需求,休閑區(qū)節(jié)點(diǎn)充電負(fù)荷較少,工作區(qū)節(jié)點(diǎn)幾乎不存在充電需求.

3.3 充電需求影響因素敏感性分析

現(xiàn)有研究主要從用電角度出發(fā),考慮不同的價(jià)格引導(dǎo)方式、充電行為模式、充電設(shè)備條件下的充電需求變化,而普遍忽略了用戶交通行為造成的影響.

本文綜合考慮影響充電需求的交通因素與用電因素,通過對用戶規(guī)模、出行鏈比例、用戶首次出行時間、行程速度、停車時長、電池容量、百公里耗電與充電功率等充電需求預(yù)測變量在上述仿真條件基礎(chǔ)上分別進(jìn)行10%的上下浮動[7],研究用戶在居住區(qū)與非居住區(qū)充電需求總量、峰值時刻、峰值功率等關(guān)鍵指標(biāo)的變化,以進(jìn)行影響因素的敏感性分析,結(jié)果如表5和表6所示.

當(dāng)用戶規(guī)模上下浮動10%時,充電需求總量與峰值功率在居住區(qū)均有超過10%幅度的變化,在非居住區(qū)變化幅度接近10%,而對于峰值時刻無影響.

用戶出行鏈占比變化僅對各區(qū)域充電功率峰值有輕微影響,當(dāng)H-W-H鏈比例提升10%時,峰值功率在居住區(qū)有輕微下降,而非居住區(qū)有微幅上升,這是由于用戶總體出行次數(shù)減少,出行耗電與回家后充電相應(yīng)減少;同時,由于中途充電機(jī)會減少,用戶更傾向于把握在工作區(qū)僅有的充電機(jī)會.

表5 居住區(qū)充電需求影響因素敏感性分析結(jié)果

表6 非居住區(qū)充電需求影響因素敏感性分析結(jié)果

首次出行時間、行程速度、停車時長的變化對于各區(qū)域充電需求與峰值功率有輕微影響,而主要影響的是充電高峰出現(xiàn)的時間.用戶在各區(qū)域的充電高峰時刻隨首次出行時間提前而相應(yīng)提前,隨其延后而延后.行程速度提高對充電高峰時刻影響不大,而行程速度變緩會使各區(qū)域充電高峰時刻顯著延遲.當(dāng)停車時長延長時,非居住區(qū)用戶充電意愿增強(qiáng),導(dǎo)致其充電需求總量有所上升,但對峰值時刻影響不大;在居住區(qū),由于其充電需求更多轉(zhuǎn)移到非居住區(qū),其峰值功率明顯下降,又由于返程時間延后而充電高峰時刻延后;反之則變化情況相反.

當(dāng)電池容量提升10%時,用戶充電需求總量與峰值功率在居住區(qū)會顯著上升,而在非居住區(qū)會顯著下降,而各區(qū)域高峰時刻幾乎不變.這是由于車輛續(xù)駛里程提升,用戶更少產(chǎn)生剛性與彈性充電需求,因此在出行鏈中間目的地的充電需求減少,回家后要充更多電才能充滿;而電池容量降低時,情況則完全相反.

百公里耗電量的增加會導(dǎo)致用戶在各區(qū)域的充電需求總量、峰值功率相應(yīng)升高,反之亦反.此外,百公里耗電量的增加還會使充電高峰時刻略微延后,這是由于耗電量提升導(dǎo)致用戶充電次數(shù)增多、充電時間延長;然而,相比之下百公里耗電量減少對于充電功率峰值時刻幾乎沒有影響.

最后,充電功率的提升可以縮短充電時長,使用戶集中于某一時刻充電的比率降低,從而使得各區(qū)域峰值功率有一定幅度降低,用戶的充電需求總量也有顯著減少,而對峰值時刻幾乎無影響.而充電功率降低會導(dǎo)致用戶充電需求總量與峰值功率顯著上升,且居住區(qū)充電高峰時刻顯著延后.

綜上所述,用戶規(guī)模、出行鏈占比、電池容量、百公里耗電、充電功率主要影響充電需求量與峰值功率,而首次出行時間、行程速度、停車時長主要影響充電高峰時刻.其中,對于居住區(qū)的充電需求總量與峰值功率而言,影響最顯著的是用戶規(guī)模,對居住區(qū)峰值時刻影響最顯著的因素是停車時長;對于非居住區(qū)充電需求總量與峰值功率而言,影響最為顯著的因素是百公里耗電,而對非居住區(qū)峰值時刻影響最顯著的是首次出行時間.

3.4 考慮不同車型的充電需求變化分析

本文提出的充電需求預(yù)測方法在假設(shè)用戶出行鏈相對固定、行程特征不變的條件下可適用于不同的車型.考慮到榮威E50是較早期研發(fā)的新能源車型,與目前電動汽車電池技術(shù)水平差距較大,為分析不同車型用戶的充電需求時空分布變化,現(xiàn)以榮威Ei5車型(電池容量61.1 kW·h,每百公里耗電13.3 kW·h,充電功率6.4 kW)進(jìn)行模擬仿真,并將結(jié)果與E50用戶進(jìn)行對比,結(jié)果如圖9所示.

(a) 工作日區(qū)域充電需求總負(fù)荷曲線

結(jié)果顯示,Ei5用戶在仿真過程中共產(chǎn)生充電需求2 651次,行程途中充電次數(shù)為零,充分體現(xiàn)了其續(xù)駛里程長、電耗低的優(yōu)勢,2種車型用戶在區(qū)域內(nèi)的充電需求曲線如圖9(a)所示.Ei5用戶的充電需求總量為37 503 kW·h,相比E50用戶減少了11.8%;由于假設(shè)用戶遵循相同的出行行為與充電決策模式,因此2種車型充電需求曲線的變化趨勢相似,Ei5用戶充電需求在晚上20:48達(dá)到最高峰6 205 kW,于上午10:21到達(dá)次高峰2 932.1 kW,最多有965輛車同時充電.

2種車型用戶在不同用地類型的充電需求如圖9(b)所示.在居住區(qū),Ei5用戶的峰值充電功率為6 134.2 kW,而最大同時充電用戶數(shù)僅為954;相比之下,由于Ei5用戶充電需求較少且充電功率更大,因此夜間充電的用戶數(shù)較少、持續(xù)時間較短,所有用戶于凌晨03:15完成充電,比E50用戶提前了約1.5 h.Ei5用戶在工作區(qū)的最高需求功率為2 932.1 kW;相比于Ei5車型,E50車型電池容量更低、運(yùn)行耗電更大,用戶更容易產(chǎn)生剛性充電需求或有更大概率選擇彈性充電,因此其充電用戶數(shù)更多、需求總量更大、功率負(fù)荷更高.休閑區(qū)Ei5用戶充電功率高峰為192.9 kW,僅最多30輛車同時充電;Ei5用戶在休閑區(qū)的充電需求曲線相比E50用戶具有峰值功率低、持續(xù)時長短等特點(diǎn).

Ei5用戶各功能區(qū)高峰時刻區(qū)域路網(wǎng)充電需求的空間分布如圖10所示,其分布特征與E50用戶基本相似,區(qū)別在于其工作區(qū)高峰時刻充電功率相對較小.

(a) 居住區(qū)高峰20:48

經(jīng)對比發(fā)現(xiàn),隨著電動汽車電池技術(shù)水平的提高,用戶在出行鏈中間目的地產(chǎn)生的充電需求將減少,充電持續(xù)時間將縮短,能夠緩解其里程與充電焦慮.

4 結(jié)論

1) 本文依據(jù)電動汽車使用數(shù)據(jù),基于用戶出行-充電行為鏈構(gòu)建了其出行時空轉(zhuǎn)移與模糊充電決策模型,建立了電動汽車充電需求時空分布的精細(xì)化預(yù)測方法,其時間分布預(yù)測精確到分鐘,空間需求預(yù)測精確到路網(wǎng)節(jié)點(diǎn).

2) 算例分析結(jié)果表明,居住區(qū)充電量占需求總量的59.8%,并于21:00達(dá)到功率最高峰;工作區(qū)充電需求量占比為35.7%,充電高峰時刻為上午10:27;休閑區(qū)充電需求最少,占比為4.5%,充電高峰時刻為18:50.預(yù)測結(jié)果符合用戶使用電動汽車出行和充電的基本時空規(guī)律.

3) 影響因素敏感性分析發(fā)現(xiàn),在居住區(qū),用戶規(guī)模對充電需求總量與峰值功率影響最顯著,停車時長對峰值時刻影響最顯著;而在非居住區(qū),百公里耗電對充電需求總量與峰值功率影響最顯著,首次出行時間對峰值時刻影響最顯著.

4) 不同車型充電需求變化分析發(fā)現(xiàn),Ei5用戶相比于E50用戶充電需求總量減少11.8%,夜間充電完成時間提前1.5 h,電池技術(shù)水平的提高使用戶在出行鏈中間目的地產(chǎn)生的充電需求減少,充電持續(xù)時間縮短.

5) 后續(xù)研究可以進(jìn)一步考慮通過軟硬件結(jié)合的方式提升模型的適用性匹配更多的路網(wǎng)規(guī)模.進(jìn)一步探討多樣化的車型、充電設(shè)施與充電模式,以及用戶群體與其行為模式異質(zhì)性,建立內(nèi)涵更豐富、更具針對性的充電需求分析模型,并對預(yù)測模型的有效性進(jìn)行驗(yàn)證.